我国商业银行信贷风险管理问题研究

来源：网络 时间：2022-03-19

　　中图分类号：F832.4 文献标识码：A 文章编号：1003-9082（2014）06-0233-01

　　一、引言

　　2008年9月，以雷曼公司破产和“两房”被接管为标志，美国次贷危机进入了更为严重的时期，迅速冲击着全球的金融市场，使得全球金融市场产生了剧烈的动荡，各国央行纷纷降息和注资以稳定金融市场、重振投资者信心。商业银行以经营货币为主业，在社会经济生活中起着联系借贷双方的桥梁作用，由于商业银行的这一经营特点以及随着现代商业银行的经营业务不断扩展和金融创新的不断深化，商业银行业面临的风险日益复杂化和多元化，信贷风险与市场风险、操作风险等风险相比是对商业银行持续稳健经营冲击最大的风险，严重的信贷风险往往使商业银行面临流动性危机陷入破产倒闭的境地，而且信贷风险往往容易引起人们的信用恐慌，造成银行挤兑从而演变成区域性或者全球性的金融危机。

　　从目前我国商业银行的经营现状来看，信贷业务仍是商业银行的主营业务，对企业贷款是其最主要的资产业务，利息收入占银行盈利的70%以上。但是，目前我国处于社会经济转型期，信用文化和体系建设相对落后，借款人诚信意识比较薄弱，从而导致我国商业银行普遍承担着巨大的信贷风险，不良贷款比率一直高居不下困扰着银行的发展。在此背景下，根据信贷风险的特点，积极开发内部信贷风险度量模型，定量分析对企业发放的贷款的信贷风险，从而有效的管理企业贷款的信贷风险已经刻不容缓成为我国银行业面临的极具挑战性的课题。

　　二、文献综述

　　1.国外研究现状

　　国外理论界和实践界对信贷风险度量模型的研究起步较早，信贷风险度量模型随着商业银行业务的发展和银行各个阶段经营特点的变化在不断的发展和完善。Altman（1968）运用多变量判别分析方法建立起了用于判别企业是否破产和违约的著名的Z值模型及改进模型ZETA评分模型。Z评分模型建立在企业财务变量之间服从多元正态分布，变量间不存在高度共线性以及配对的两样本变量协方差相等的假设之上。然而在现实中财务变量之间往往不服从多元正态分布，变量间也往往广泛存在着相关性，而且经营失败破产倒闭的企业与经营正常的企业之间的财务变量协方差并不相同。由于模型假设难以满足，这就大大限制了模型的准确性和应用范围。Ohlson（1980）讨论1970-1976年间105家破产公司和2058家公司反映公盈利能力、偿债能力、发展能力和流动性等方面状况的财务指标作为输入变量，运用logistic回归模型对样本企业的违约状况进行了研究，实证结果表明运用logistic回归方法建立的判别模型有较高预测准度，运用四个财务指标作为输入变量建立的模型对企业违约状况的判别正确率高达90%以上。Coats和 Fant（1993）利用BP神经网络理论建立财务预警模型，该模型是用Altman的Z值模型中的5个财务比率来建立模型。以1971-1990年间94家失败公司与188家正常公司为样本进行研究，其研究结果表明，Z值模型对破产当年具有很好的判别效果，但其提前预测效果不佳，而神经网络模型预测效果较好，能克服Z值模型的缺点。

　　2.国内研究现状

　　目前，国内对信贷风险度量模型的研究主要集中在两个方面：一方面是对国外的信贷风险度量模型进行介绍和引进；另一方面是根据中国实际情况对多元判别分析模型、Logistic回归模型、神经网络模型和KMV模型等信贷风险度量模型进行实证检验，对模型在我国的应用效果进行检验。康雷宇（2010）回顾了国外信用评级机构的发展历程，分析了2008年金融危机对世界信用评级机构的冲击及问题，并对美国信用评级机构监管的改革方向及最新动态进行了分析，文章最后研究了信用评级体系未来的发展趋势以及可能对金融市场造成的影响。徐春红，路正南（2010）使用主成分分析法对数据信息进行有效压缩后构建了主成分Logistic混合识别模型，为商业银行识别和评估信贷风险提供了一种有效的方法，而且对于我国商业银行如何提高信贷风险识别水平给出了相关政策建议。张新红，王瑞晓（2011）以我国上市公司为研究样本， 结合国内外经验，构建较为合理并适合我国国情的信贷风险预警指标体系，并选择传统数理统计模型Logistic回归模型和人工智能模型RBF神经网络模型建立组合预测预警模型。 李关政（2012）把传统的Logistic模型扩展为包含宏观冲击因子的MF-Logistic模型，将其用于信贷风险压力测试。实证结果显示：基于MF-Logistic模型的信贷风险压力测试能科学地度量宏观冲击因子和微观风险因素对信贷风险的影响，并且能直观地显示银行在不同压力情景下的资本充足水平，对于商业银行和银行监管机构都具有较高的实用价值。

　　三、实证研究

　　目前研究信贷风险面临的最大的问题就是商业银行的贷款和违约数据难以获取。商业银行的呆帐、坏账基本属于商业秘密，研究人员无法获得实际违约公司的数据。目前我国非上市公司财务报表并不对外公布，因而非上市公司的财务数据非常不易获得。而目前深沪两市A股上市公司的数量众多超过两千多家，每个行业均有上市公司，并且公司的运行效率也各不相同。他们处于相同的经济运行环境中，便于进行比较分析。而且上市公司财务报表较齐全，并且全部经过正式审计，资料容易收集，据此建立的模型具有一般性，可以作为对信贷风险模型的研究对象，且不失一般有效性。 　　因此，国内进行信贷风险研究的文献中多采用上市公司作为研究样本。依据证监会对ST企业的界定标准来衡量企业是否违约，认为被证监会认定为ST的公司为违约公司。证监会对ST公司认定的主要依据是企业连续两个会计年度的利润为负出现亏损、每股净资产低于股票面值、资不抵债的情况。从判定ST公司的依据来看ST公司往往意味着业绩差，财务状况存在严重问题，因此一般来说ST的公司都会陷入财务困境，无力偿付到期的债务，从而会使银行承担很大的信贷风险。因此，本文借鉴国内的研究经验，假定100家ST企业会给银行带来信贷风险，作为违约样本，而800家非ST企业作为正常样本。在本文分析中，将所有样木分为两组并赋值，ST公司赋值为1，非ST公司赋值为0。分析过程中运用多元统计分析软件SPSS11.5进行实证研究。本文数据来自CCER中国经济金融数据库。