商业银行微贷业务信用风险评估浅述.docVIP

商业银行微贷业务信用风险评估浅述 　　摘要：本文选取系列定量指标，利用主成分分析法进行分析和提取主成分，计算企业的综合信用得分。计量结果表明，小微企业的短期偿债能力和现金流水平对信用风险评估影响显著。银行得到信用评分后，可自行设定标准分类，做出判断。 　　关键词：微贷业务；主成分分析；信用风险 　　一、文献综述 　　信用风险研究源于国外。Beaver（1968）建立了单变量财务指标线性模型来判别信用风险。Altman建立了Z-Score多变量分析模型。Richard（1977）将46家规模相似的破产公司与具有偿债能力的公司对比，得出度量企业信用风险的模型，根据Z值判断企业破产可能性。1995年，KMV公司开发EDF模型，估算企业预期违约概率。J.P.Morgan1997年开发了Credit Metrics模型，对贷款和非交易性资产进行估价和风险计算。麦肯锡公司开发了Credit Portfolio View模型，将转移概率与宏观因素的关系模型化，不断加入宏观因素冲击来模拟转移概率的变化，得出系列参数值。瑞士银行1996年开发了Credit Risk+模型。 　　国内企业信用风险计量研究逐渐丰富。陈静（1999）首次用计量模型研究财务困境预警。李志辉等（2005）构建了包括流动比率等反映企业清偿能力的财务指标体系。粟勤（2011）运用Logit模型得出关系型银行变量对银行中小企业贷款的可获得性有正向影响。邱红星等（2012）结合湖州小微企业贷款情况做实证研究，重点分析了贷款价格与风险容忍、最小贷款规模与不良贷款率的关系。祝健等（2012）认为“大数定律”定价模式更有效。 　　二、信用风险评价的模型选择和构建 　　（一）信用风险评价指标体系 　　微贷业务信用风险评价指标须考虑指标的全面性、科学性和可操作性等。根据现阶段商业银行的信贷评估关注点，评估指标多基于财务管理理论和财务信息，包括偿债能力、营运能力、盈利能力、发展成长能力指标，构成商业银行信用评价体系的主要指标。本文拟选取以下指标，见表1。 　　（二）模型的选择及原理 　　由于选取的指标较多且具有相关性，故可采用主成分分析法进行实证分析。主成分分析是考虑各指标间的相互关系，利用降维思想将多个指标转换为少数几个互不相关的指标，是使研究变得简单的一种方法。 　　统计原理：设向量x′=（x1，x2，...xp）的相关系数矩阵为R，λ1≥λ2≥...≥λp为R的特征值，e1，e2，..ep为对应的标准正交特征向量，则第i个主成分为yi=e1ix1+e2ix2+epixp，i=1，2，...，p（公式2.1）；第k个主成分方差占总方差的比例pk=λp/λi。当p较大，并且前若干个主成分方差之和占总方差的80%～85%，则用这若干个主成分代替原来p个变量。 　　三、实证分析 　　本文选取2012年向某部分商业银行申请贷款的小微企业为对象，剔除信息不完整的，兼顾行业覆盖程度，最终选取348个测试样本，涉及零售、机械、服务、纺织服装、医疗、电子等行业。 　　（一）KMO和Bartlett球形度检验 　　KMO和Bartlett球形度检验用于检验样本是否适合做因子分析。如表2所示，KMO值达到了0.71，较适合做主成分分析。Bartlett球型检验用于检验相关矩阵是否是单位矩阵，以5%为显著水平，p值小于0.001，拒绝了单位相关矩阵的假设，数据适合做因子分析。 　　（二）因子分析过程 　　主成分因子的提取遵循两个原则：累积方差贡献率在80%以上；提取因子的特征值大于1。表3“初始特征值”一栏中的“合计”是因子特征根，“方差的%”是各因子方差贡献率。前7个主成分同时满足两个原则，已解释了总方差的80.14%，特征值均大于1，故提取前7个成分进行分析。 　　（三）主成分分析 　　主成分分析通过SPSS“分析――降维――因子分析”过程实现，从而得到旋转前因子载荷矩阵。旋转前的因子载荷矩阵，不是主成分分子中需要的标准化正交向量，要利用公式eij=aij/计算标准化特征向量。通过SPSS计算得到新的标准化正交特征向量矩阵T20×7，再求变量标准化矩阵Z与标准化的正交特征向量T之积，根据公式2.1和T20×7系数矩阵计算主成分，得到Y348×7；代入标准化变量后得到的各主成分得分（见表4）。最后根据表3中前7个主成分的方差贡献率，计算综合得分，如y综1=23.597%y1+14.756%y2+…+ 5.048%y7，依次类推得到最后一列y综，已按降序排名。银行可以设定标准根据综合得分进行分类，结合非财务信息具体分析某企业的信用风险水平。 　　四、实证结果讨论 　　第一主成分贡献率较大的是X5、X2、X6；第二主成分贡献率较大的是X15、X14、X19；第三主成