ParK's 論文后花園

重庆大学
硕士学位论文
基于行业分类的我国商业银行信用风险度量研究
姓名：胡纯
申请学位级别：硕士
专业：金融学
指导教师：张宗益
20060401
重庆大学硕士学位论文中文摘要
I
摘要
金融是推动一国经济发展的强大动力，而银行是一国金融体系的重要组成部
分，在国家金融发展和经济发展中占有重要地位。没有发达的银行业，也就没有
发达的经济，实践证明银行作为金融的一个重要组成部分，在经济发展过程中对
经济起到很大的促进作用。银行作为金融产业，面临很多的风险，其中信用风险
是银行业面临的最大风险。
信用风险如果不能被科学度量和管理，将对银行乃至整个金融系统产生破坏
性影响。正是信用风险在银行经营和管理中的极其重要性，巴塞尔委员会从1988
年到2004 年先后出台了一系列关于加强银行包括信用风险在内的风险计量、管
理和控制的指导文件，国际性大型商业银行和中间研究机构也对信用风险度量
和管理提出了新的理论和计量方法，并进行了大量实践活动，信用风险评估方法
不断推陈出新，管理技术正日臻完善，许多定量技术、支持工具和软件已付诸商
业应用。由于我国商业银行和金融市场尚处转轨和新兴发展阶段，信用风险管理
技术较为落后，加之我国的信用体系还远不完善，贷款企业的违约行为带给银行
的信用风险一直是影响我国银行业经营成效和银行体系稳固性乃至经济发展的严
重问题。
所以，如何针对我国银行面临的信用风险构建适合国内情况的信用风险度量
模型，提升信用风险管理水平，就成为了我国银行界乃至金融界一直研究的重点
问题。而贷款客户所处行业的发展趋势对客户的财务状况有着重要的影响，因此
分析行业发展状况，从趋势上把握不同行业不同发展阶段的特征，对银行判断信
贷风险、确定信贷资金结构调整具有重大意义。以前的研究都没有建立一个完整
的基于多行业的模型（既加入行业变量又加入行业变量与财务指标的交叉项）来
预测商业银行面临的信用风险，也没有分析行业分类对信用风险度量模型准确率
的贡献。基于此，本研究先用熵权法确定了影响贷款违约率的关键财务指标，然
后从理论和实证上证实了不同行业存在不同的违约率，进而构建了一个完整的多
行业模型来度量商业银行面临的信用风险，并对行业变量的加入对模型的预测能
力的贡献做了分析。
关键词：信用风险，度量，财务指标，行业分类
重庆大学硕士学位论文英文摘要
II
ABSTRACT
In the modern society, finance is the great power of economy increase and banks
are the most important make ups of financial system, which play a great role in the
financial development and economy increase. According to empirical researches,
finance is the core of the economic system and banks are playing great roles in the
financial system. Bank is a high risk industry which facing different types of risks and
among the risks, the most important is credit risk.
Credit risk will damage the foundation of banks and the financial system in the
long run if credit risk is out of control. It is the importance of credit risk management
that Basel commission has issued many instructions on credit risk measurement,
management and control measures to deal with credit risk and some banks are playing
great roles in the development of models to measure credit risk and then decrease it.
Nowadays credit risk which derives from default risks of firms is a serious problem for
banks in China. Commercial banks and financial system in China are under reforms,
and credit crisis management lags behind and credit system of China is not well
established, so credit risk is a big problem for banks’performance and stability.
So it is necessary and eager to predict the possibility of firm’s default risk. Studies
before do not pay much attention to the industry that firms belong to. But economic
knowledge tells us that industry style is an important variant in financial distress
prediction. This paper use entropy method to select financial ratios that play most
important roles in the measurement of credit risk. Then different industry has different
default risk is proved both theoretically and empirically. And for the first time, this
paper develops a model to measure the credit risk with industry effects. Then the
contribution of inputting industry variables is presented. We find that both the intercept
and the slope coefficient are significant and input industry variables promote the
model’s forecasting ability.
KeyWords: Credit Risk, Measure, Financial ratios, Industry Classification
重庆大学硕士学位论文1 绪论
1
1 绪论
1.1 研究背景与研究意义
金融是推动一国经济发展的强大动力，总的说来，金融的发展可以降低风险、
合理地配置资源、监督经理和实行公司治理、动员储蓄、促进商品与服务的交换，
从而促进经济增长。而银行是一国金融体系的重要组成部分，在国家金融发展和
经济发展中占有重要地位[1][2][3][4]。没有发达的银行业，也就没有发达的经济。实
践证明，银行作为金融的一个重要组成部分，在经济发展过程中对经济起到很大
的促进作用。银行作为金融产业，面临很多的风险，包括信用风险、操作风险、
利率风险、汇率风险、流动性风险、监管风险、法律风险等等，这些风险如果不
严格加以控制就会影响银行的正常经营活动，严重时甚至会影响一国金融运行的
稳定性和经济发展的持续性[5]。银监会主席刘明康指出，当前我国银行发展面临信
用、市场和操作三大风险，其中信用风险是最大的风险。2004 年，四家国有商业
银行年报显示，总收益的80%以上来自于贷款业务，这部分收入很容易受到宏观
政策和信用风险的影响。
信用风险一般又称违约风险，是指借款人、证券发行人或交易对方因种种原
因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损
失的可能性[6]。它是金融市场中最古老，也是最重要的风险形式之一，是金融机构，
特别是银行所面临的主要风险。信用风险直接影响到现代社会经济生活的各个方
面，也影响到一国的宏观经济决策和经济发展，甚至影响整个全球经济的稳定与
协调发展。80 年代末以来，随着金融的全球化趋势及金融市场的波动性加剧，各
国银行和投资者受到了前所未有的信用风险的挑战，世界银行对全球银行业危机
的研究表明，导致银行破产的主要原因就是信用风险。因此，国际金融界对信用
风险的关注日益加强，巴塞尔委员会不断提出银行风险度量和管理办法和要求，
以加强国际银行风险管理和银行监管。所以，信用风险的度量和管理研究已经成
为今后若干年内研究领域最具有挑战性的课题之一。
随着信用风险管理理论的创新和计算机技术的运用，现代信用风险管理正朝
着信用风险被科学地量化的方向发展，而企业信用状况的不同和信用状况的变化
对信用风险的影响最终是通过违约率的不同和变化而被量化的，所以信用风险一
般又称违约风险，一般对信用风险的度量就是对贷款违约率的度量。如今，不同
信用状况资产的违约率成为贯穿商业银行风险资产度量、信用定价、经济资本配
置以及信用衍生产品价格的确定等全过程的核心工具之一。违约率统计是商业银
行信用风险管理面临的紧迫任务。新巴塞尔协议的重大转变在于终止了不分信贷
重庆大学硕士学位论文1 绪论
2
质量、统一8%的资本要求的监管标准，认可银行对不同信用等级客户采用不同信
贷资产风险计量标准，允许具备条件的商业银行采用内部评级法（IRB）计算风险
资产和分配经济资本。在违约损失率（LGD）可以由中央银行确定的情况下，IRB
的核心之一是商业银行必须依据被监管当局认可的方法得到不同信贷资产的违约
概率（PD）。
目前在我国，由于旧体制的原因，银行在很大程度上忽略了对其面临的信用
风险进行度量和管理，对信用风险的度量和管理研究较少，尤其是对信用风险的
量化度量和管理的研究更是凤毛麟角，观念非常薄弱，监管方法和手段也滞后于
时代发展的要求。
而另一方面，我国目前的金融体系的发展尚不健全，银行部门持有全国80%
左右的金融资产，银行在引导资源的产业部门配置过程中发挥着重大的作用。这
种以银行为主体的金融体系在发挥金融作用的同时，使企业部门和家庭部门的金
融风险也集中于银行机构。在这种情况下，一旦经济形势发生逆转、人们对经济
的预期发生变化，或者出现不可预见的事件时，银行部门往往是最先受到冲击的
部门，所以加强和完善对信用风险的管理是当务之急。
表1.1 按五级分类法计算的四大国有商业银行不良贷款率%
Table 1.1 Ratio of Non-Performing Loans Measured by Five-Category Loan Classification of
State-Owned Banks of China %
2002 年2003 年2004 年
中国工商银行25.41 21.24 19.1
中国银行23.37 16.29 5.21
中国建设银行15.17 9.12 3.92
中国农业银行36.63 30.66 26.73
数据来源：根据各银行2002-2004 年年报整理
表1.2 中国银行业不良贷款规模亿元、%
Table1.2 Non-Performing Loans in Chinese Banks hundred million、％
第一季度第二季度
2005 年
余额占全部贷款比例余额占全部贷款比例
不良贷款18274.5 12.4 12759.4 8.71
其中：次级类贷款3410.1 2.3 4092.8 2.79
可疑类贷款9353.0 6.3 4930.4 3.37
重庆大学硕士学位论文1 绪论
3
（续前表）
损失类贷款5511.4 3.7 3736.2 2.55
不良贷款分机构①
主要商业银行17128.4 12.7 11637.3 8.79
国有商业银行15670.5 15.0 10134.7 10.12
股份制商业银行1457.9 4.9 1502.6 4.66
城市商业银行1073.8 11.5 1038.9 10.43
农村商业银行36.2 6.1 45.0 6.38
外资银行36.0 1.2 38.1 1.14
资料来源：中国人民银行银行监督委员会网站
由表1.1 和1.2 可以看出，中国四大国有商业银行的不良贷款率虽然呈逐年下
降趋势，但是不良贷款率仍然较高。从不良贷款的分布来看，不良贷款也主要集
中在国有商业银行。中国银行业的不良贷款率比较高，对银行的安全和盈利都有
影响。所以中国银行业目前的一个难题就是如何化解已有不良贷款和控制新增信
用风险带来的不良贷款。
不良资产问题的产生原因是多方面的，比如信息获取不完备、前瞻预测不准
确、信贷人员素质还有待提高、企业经济效益低下(导致负债经营)、社会信用观念
淡薄(导致企业恶意逃废债务)、保障系统不健全(导致企业退出市场困难)、政府对
金融活动的不正当干预等，但是同时也是由于我国商业银行信用风险管理体制和
管理技术的落后。
中国已经加入世界贸易组织，国外商业银行纷纷进入中国市场，竞争异常激
烈，这促使我国银行必须在学习国外先进的、科学的度量和管理方法的同时，结
合我国的实际情况，发展适合我国企业和金融机构的信用风险度量和管理技术，
只有这样才能在与国外同行的竞争中立于不败之地。同时，由于信用是市场经济
赖以存在和发展的基石，对信用风险的度量和管理研究对于银行加强信用风险度
量和管理，对于银监局加强银行内控体系建设和风险监管，对于我国健全信用制
度，构筑严格的国家信用管理体系，进而建立完善的社会主义市场经济体制等方
面都将起到很大作用。因此，对信用风险的准确预测和有效管理，从微观上讲有
利于经济体经营的安全，从宏观上讲有利于整个金融体系的稳定和经济的健康持
续发展。所以，本课题的研究也具有一定的实际意义。
① 注：商业银行包括国有商业银行、股份制商业银行、城市商业银行、农村商业银行和外资银行；主要商业
银行包括国有商业银行和股份制商业银行。
重庆大学硕士学位论文1 绪论
4
1.2 国内外研究现状综述
1.2.1 国外研究现状综述
银行信用风险一直是金融界研究的重点，研究成果也很多。专家制度是一
种最古老的信用风险定性分析方法，它是商业银行在长期的信贷活动中所形成
的一种信用风险分析和管理制度。这种方法的最大特点是：银行信贷的决策权
是由该机构中那些经过长期训练、具有丰富经验的信贷员所掌握，并由他们做
出是否贷款的决定。因此，在信贷决策过程中，信贷员的专业知识、主观判断
以及某些要考虑的关键要素权重为最重要的决定因素。其中最著名的是5C 信用
分析模型[7][8]。Beaver(1966)对企业财务困境预测做了开创性的研究，其财务困
境预测的单因素模型后来被运用到信用风险度量研究方面[9][10]。其研究结果表
明，“现金流量/负债总额”是预测经营失败的最佳指标，其次是负债/总资产和资
产报酬率[11]。但是由于企业违约具有复杂性，因此单因素模型具有不能全面反
应企业各种财务指标的缺点。Altman(1968)在企业是否破产的开创性研究中建立
了适用于上市公司的Z 值模型（Z-score model），从而克服单变量模型不能全面
反映企业各种财务指标的缺点[12]。此外，Altman 还建立了适用于非上市公司的
Z'模型。1977 年，Altman、Hadenman 和Narayanan（1977）对原始的Z 计分模
型进行了扩展，建立了第二代模型，即ZETA 模型，采用的7 个财务指标为资产
报酬率、销售收入的标准误差、利息保障倍数、股东权益/总资产、流动比率、普
通股权益/总资本、企业规模（用总资产的对数表示）[13]。此后，国外的研究越来
越重视对现金比率的关注[14]。由于多元判别分析模型依赖于财务指标正态性假设，
为消除这一假设，Ohlson(1980)首度利用假设条件比较宽松的Logit 分析来建立预
测模型。实证结果表明，规模、资本结构、资产报酬率和短期流动性这四个财务
指标对评估破产概率具有统计显著性，其判别准确率也高达92％[15]。之后越来越
多的信用风险度量模型都借用Logit 分析或者是与此相类似的Probit 分析，或是同
时采用不同的统计模型[16][17]。Odom M.D.、Shard R.(1990)[18]，Eward I. Altman、
Macro(1994)[19]，Coats 和Fant（1993）等建立了神经网络信用评分模型[20][21][22]。
但Altman（1994）[23]在对神经网络法和判别分析法的比较研究中得出的结论是：
神经网络分析方法在信用风险识别和预测中的应用并没有实质性的优于线性判别
模型。
九十年代后，更精确的模型大量涌现。1993年，世界著名的信用风险咨询管
理公司KMV利用布莱克-斯科尔斯-莫顿模型（BSM Model）提出了有名的信用监
测模型（Credit Monitor Model），并给出借款人的违约率测量方法，此后，Longstaff
和Schwarz(1995)[24]、Dsa(1995)和Zhou(1997)[25]对此进一步作了发展。1994年J.P.
Morgan在其1987年信用转换矩阵的基础上，提出了基于在险价值（Value at Risk）
重庆大学硕士学位论文1 绪论
5
的量化市场风险度量模型，即RiskMetrics；1997年，J.P.摩根联合当时世界一流银
行（美洲银行、BZW、德意志摩根建富、瑞士银行公司和瑞士联合银行）和一流
信用风险咨询管理公司KMV，共同开发出信用度量术（CreditMetrics），采用二阶
段法度量信用风险，此后，A·Nyfeler(2000)[ 26 ]、Lawrece R·Forest和Kpmecpeat
Marwick(2000)[27]，David Jones 和John Mingo(2001)[28]对此作了进一步解释和拓展。
Eward I. Altman 和Suggitt(1997)[29]开发出死亡率模型，这推动了瑞士波士顿第一银
行产品部(Credit Suisse Financial Products，CSFP)在1997年开发了源于保险精算学
思想的信用风险附加法模型（CreditRisk+ Model）。1997年，麦肯锡公司Saunders
等人利用Nickell, Perraudin和Varotto(1998)[30]模型的基本动力学原理开发出信贷组
合观点（Credit Portfolio View），从宏观经济环境的角度来分析借款人的信用等级
变迁，建立了麦肯锡模型。1998年KPMG公司的Belkin等人（1998a-d）[31][32][33]和
Crouhy、Mark(1998)[34]在借鉴Arrow(1953)[35]等人研究的风险中性成果的基础上提
出了贷款分析系统（LAS）。上述都是很有影响力的模型，当然，从文献查阅的情
况看，还有其他一些模型，但影响力很小，也很少有国际大型银行采用。
1.2.2 国内研究现状综述
总体说来，国内对信用风险的度量大致遵循国外学者的研究模式，还处于一
个模仿的阶段。
（1）多元判别分析模型
王春峰、万海晖和张维等人（1998）[36][37]运用了多元判别分析模型对某国有
商业银行的企业客户短期贷款的偿还情况进行了分类分析，经过主成分分析确定
了5 个关键财务比率：营运资金/资产总额、保留营运/资产总额、息税前利润/资产
总额、普通股和优先股市场价值总额/负债账面价值、销售收入/资产总额。
（2）组合预测
方洪全、王春峰等人对多元判别分析方法、神经网络以及这两者结合的组合
预测方法进行了信用风险判别结果的比较[38][39][40]。研究结果表明，神经网络的判
误率几乎在所有情况下都低于判别分析方法（除了一个测试样本），而组合预测在
所有的情况下的判误率都低于判别方法和神经网络方法，组合预测显著提高了判
别的准确性[41][42]。
（3）投影寻踪方法
投影寻踪方法的基本思想是把高维数据投影到低维子空间上，寻找能反映原
高维数据的变量[43]。投影寻踪方法的优点是不需要假定正态分布，此外还能处理
高维的数据，并且可以排除与数据结构、特征无关的或关系很小的变量的干扰。
王春峰和李汶华用此方法对某商业银行的内部客户同等资产规模的企业客户短期
贷款偿还情况进行了评估[44]，其结果与Fisher 判别模型、Logit 模型和近邻法等比
重庆大学硕士学位论文1 绪论
6
较，投影寻踪方法比其他三个方法的第一类错误和总判误率都要小。
总之，国内的研究总体上都处于直接套用国外模型的水平，没有大的创新。
另外国内的研究很多还停留在用定性的分析方法来评价和改进商业银行信用风险
管理。也有学者定量地分析了商业银行面临的信用风险（方洪全，2004）[45]，但
国内的研究样本都普遍偏小，模型的稳定性不强[46]。另外，国内的研究对现金流
量表数据的关注不够，这主要是由于现金流量表数据不容易得到。对于行业对商
业银行信用风险的影响关注也不够，只有一些零星的定性分析。
而对于模型的构建，由于在我国商业银行贷款的企业多数都是非上市企业，
其资产的市场价值无从得到，所以国外的一些基于市场价值基础的模型在我国贷
款分析中并不适用。另外，对于非上市企业，其企业的行为特征可能呈现出与上
市企业不同的特点，所以在商业银行的信用风险分析中不能简单套用国外基于上
市公司的数据建立的指标，应该基于国内样本数据做模型变量的重新选择，根据
我国的实际情况，构建适用于我国商业银行的信用风险预测模型。
1.3 研究内容和研究思路
1.3.1 研究内容
通过对文献的梳理可以发现，以前对信用风险的研究对行业的关注不够，这
很有可能是由于数据库中的数据有限，不支持做这个研究。但是经济常识告诉我
们，行业是个很重要的因素。因为不同的行业面临不同的竞争程度，不同的行业
可能有不同的会计记录准则。最近在信用风险度量方面的创新应该算是穆迪KMV
公司开发的RISKCALC v1.0和RISKCALC v3.1 模型[47]。前者是针对上市公司开
发的违约概率预测模型，后者则是针对中型企业和私有企业开发的违约概率预测
模型。但是RISKCALC v1.0模型没有考虑行业因素，在随后开发的RISKCALC v3.1
模型中，虽然加入了行业变量，但却没有考虑行业变量和财务指标的交叉项对企
业违约的影响（Moody’s KMV company,2003,2004）。在其他研究领域有学者将研
究的视角拓展到了不同的行业领域，考虑到了行业因素的影响。在破产预测中，
Lang 和Stultz (1992)[ 48 ], Shleifer 和Vishny (1992)[ 49 ], Opler 和Titman(1994)[ 50 ],
Maksimovic和Phillips (1997)[51], 以及Berkovitch和Israel (1998)[52]支持了行业的不
同的而对企业破产产生影响的观点。在最近研究违约证券恢复速度的决定因素中，
Acharya, Bharath和Srinivasan他们发现除了资历和保险外，行业环境在其违约的时
候也是其恢复速度强健并重要的决定性因素。他们将行业划分为了12个不同的行
业类型，但他们仅仅考虑了截距项，而没有考虑交叉项的影响（Acharya, Bharath
和Srinivasan,2003）[53]。Platt和Platt考虑了不同的行业其财务指标所表现出来的差
异，他们将各财务指标分别除以该行业这个指标的均值（Platt和Platt, 2004）[54]。
重庆大学硕士学位论文1 绪论
7
Chava和Jarrow的研究也验证了加入行业变量后对企业破产的预测效果有显著的提
高，行业变量的截距项和斜率都显著（Chava和Jarrow,2004）[55]。
综上所述，以前的研究对于建立一个完整的基于多行业的模型（既加入行业
变量又加入行业变量与财务指标的交叉项）来预测商业银行面临的信用风险做得
不够，也没有分析行业分类对信用风险度量模型准确率的贡献。基于此，本研究
在对财务指标的选取和行业对贷款违约率的影响做了理论和实证分析的基础之
上，试图构建一个完整的多行业模型来度量商业银行面临的信用风险，进而对行
业变量的加入对模型的预测能力的贡献做分析。
1.3.2 研究思路
本文首先在第一、二章对国内外文献整理归纳和简要分析信用风险基本理论
的基础上，找到研究的中心和重点：基于行业分类的信用风险度量模型的构建。
第三章用熵权法这种更客观的方法对信用风险度量模型中关键财务指标进行了选
取，第四章在理论分析了行业对信用风险评估的作用之后，基于论文中采集的样
本数据实证出信用风险与贷款企业所处行业有统计关系，这为第五章信用风险模
型构建做了理论和实证准备。接下来的第五章构建了基于行业分类的信用风险度
量模型，运用大样本数据实证了此模型，同时对模型的预测能力的提升做了比较
分析。第六章针对模型的实证结果提出了相应的政策建议。其中第三、四、五章
是论文的重点。
重庆大学硕士学位论文1 绪论
8
图1.3 论文主要研究内容与结构框架图
Chart 1.3 Main Study and FrameWork of the Paper
研究背景与问题提出
信用风险概述
信用风险度量模型财务指标选取
影响信用风险的因
素
用熵权法确定财务指
标的选取
信用风险与行业变量关系研究
理论研究实证研究
基于行业分类的信用风险度量模型构建
实证研究模型效果比较
政策建议
结论与后续研究
重庆大学硕士学位论文1 绪论
9
1.4 本文研究创新点
1) 对贷款企业根据国家行业分类标准进行了分类，在分类的基础上构建贷款
企业违约率度量模型。以前的研究没有进行此种分类，仅仅将贷款记录数据作为
一个大的混合数据来构建模型。而本研究在行业分类的基础上得出了有益的结论，
可以指导商业银行更好地进行贷款管理。
2) 用熵权法确定了影响贷款企业违约率的因素及其重要度排序。贷款企业提
供给银行的财务指标是很多的，银行如何在这些财务指标中抓住最重要的几个指
标进行审查，对于科学及时判断信用风险具有非常重要的意义。本文将熵权法引
入到贷款企业违约率因素排序中，为商业银行提供了一个快速科学客观地挑选指
标的方法，帮助商业银行经济科学地分析其面临的信用风险。
3) 建立了基于行业变量的信用风险预测模型。在理论分析和实证研究了贷款
企业的违约状态与贷款企业所处行业具有显著关联性的基础上，建立了一个完整
的基于多行业的信用风险预测模型（既加入行业变量又加入行业变量与财务指标
的交叉项）来预测商业银行面临的信用风险。以前的研究也没有分析行业分类对
信用风险度量模型准确率的贡献。本研究构建了一个完整的多行业模型来度量商
业银行面临的信用风险，进而还对行业变量的加入对模型的预测能力的贡献做了
分析。
重庆大学硕士学位论文2 信用风险概述
10
2 信用风险概述
2.1 信用风险的概念
所谓风险是指未来结果的不确定性或波动性，如未来收益、资产或者债务价
值的波动性[56]。金融风险是指企业未来收益的不确定，它直接与金融市场的波动
性相关。金融风险又包括信用风险、市场风险和操作风险。根据巴塞尔委员会的
调查和银行大量实践活动表明，信用风险是银行所面临的风险主要风险，也是金
融风险的主要表现之一。
关于信用风险的定义，有许多不同的观点。传统的观点认为，它是指交易对
象无力履约的风险，也即债务人未能如期偿还债务造成违约而给经济主体经营者
带来的风险。另一种观点认为，信用风险有广义和狭义之分。广义的信用风险指
所有因客户违约所引起的风险，如资产业务中的借款不按时还本付息引起的资产
质量恶化；负债业务中的借款人大量提前取款形成挤兑，加剧支付困难；表外业
务因交易对手违约转化为表内负债等等。狭义的信用风险通常是指信贷风险。第
三种观点认为，信用风险是指由于借款人或市场交易对手违约而导致的损失的可
能性；更为一般地，信用风险还包括由于借款人的信用评级的变动和履约能力的
变化导致其债务的市场价值变动而引起的损失可能性，因此，信用风险的大小主
要取决于交易对手的财务状况和风险状况。论文采用的是信用风险的狭义定义，
即由于贷款不能按时归还而带来的风险。
2.2 信用风险的特点
借款人违约的小概率事件以及贷款收益和损失的不对称，造成了信用风险概
率分布的偏离。市场价格的波动是以其期望为中心的，主要集中于相近的两侧，
通常市场风险的收益分布相对来说是对称的，大致可以用正态分布曲线来描述。
相比之下，信用风险的分布不是对称的，而是有偏的，收益分布曲线出现左偏，
在左侧出现肥尾现象。这种特点是由于贷款信用风险本身特点决定的，即银行在
贷款合约期限有较大的可能性收回贷款并获得事先约定的利润，但贷款一旦违约，
则会使银行面临相对较大规模的损失，这种损失要比利息收益大的多，即贷款的
收益是固定和有上限的，它的损失则是变化和没有下限的。另一方面，银行不能
从企业经营业绩中获得对等的收益，贷款的预期收益不会随企业经营业绩的改善
而增加，相反随着企业经营业绩的恶化，贷款的预期损失却会增加。
重庆大学硕士学位论文2 信用风险概述
11
图2.1 信用风险的概率分布特征
Chart 2.1 Probability Distribution Character of Credit Risk
信用风险往往与损失联系在一起，或者说，信用风险可能导致损失。例如，
银行贷款给企业，就将承担较大的信用风险，企业如果不能按时归还贷款，则会
对银行带来损失。信用风险与利率风险和汇率风险的一个显著区别在于任何情况
下都不可能产生意外的收益，它的后果就是损失，甚至是巨大的损失。
信用风险大小在各类金融资产中不同。在各类金融资产中，银行贷款的金融
风险最大；在银行贷款中，不同种类的贷款，其信用风险也不同[57]。例如，长期
性贷款的信用风险往往比短期贷款有信用风险大，因为在较长的时间内可能会有
更多的公司倒闭，导致信用风险的因素将增多。又如，大额贷款的信用风险比小
额贷款的信用风险大，因为一旦损失产生，大额贷款损失将更大。再如，保证贷
款的信用风险比抵押贷款的信用风险大，因为在抵押贷款中，借款人提供的抵押
品为清偿债务提供了第二来源，除了银行贷款以外，各种债券也是信用风险较大
的资产。由于经营不善、财务状况不佳等原因，债券发行人也许不能按规定要求
履约付款，甚至丧失偿债能力，投资者将因此而蒙受损失。当然，不同的债券，
其信用风险的大小也不同。通常地，地方政府债券的信用风险较小，而公司债券
有信用风险较大。
信用风险还呈现行业分布特征和企业分布特征。我国亏损行业主要集中在纺
织、煤炭、电力、化学等行业，不良资产的行业比例也多集中在这些行业。同时，
由于国有企业在很多行业居于多数地位，这也导致了不良资产行业分布与企业分
布的重合。全行业国有企业的亏损必然反映到银行的资产质量上。
2.3 信用风险的危害
银行首先应对信用风险可能造成的危害有正确的认识，在此基础上才能做到
对信用风险及时预警、精确量化和有效管理。论文把信用风险的危害划分为对宏
概率
损失收益
市场风险信用风险
重庆大学硕士学位论文2 信用风险概述
12
观经济的危害和对微观经济的危害：
2.3.1 信用风险对宏观经济的危害
（1）通过风险传递机制，危害银行业的稳定
当一国银行体系出现不良资产问题时，不良资产的分布是非均匀的：有些银
行已经陷入严重的债务问题，甚至已经破产，而另一些银行仍然是健康的，其资
产状况也是良好的。这样，当一国银行体系出现不良资产问题以后，由于不良资
产分布的不均匀性，一些资不抵债的储贷机构为了生存采取了各种不正当的竞争
手段，给健康的储贷机构造成巨大压力，使一些原来健康的储贷机构后来也陷入
破产的行列。有问题的银行及其他金融机构不仅会以各种方式把已经形成的风险
传递给健康银行，而且还会以令人难以想象的速度扩大金融体系的风险规模。当
一国金融体系出现不良资产问题以后，债务问题严重的银行就会铤而走险，寻找
高回报但同时也是高风险的项目[58]。日本三大长期信贷银行之一，日本长期信用
银行1998 年破产了，导致该行破产的最重要原因之一便是1995 年前后连续倒闭
的一些中小信用机构把它拖到了高风险运行中。在现代银行体系中，银行之间存
在着复杂的资金关系，一家银行倒闭了，其他银行的资金也难以收回，这有可能
形成连锁反应。
（2）导致银行“惜贷”行为，对经济造成危害
在金融体系内，企业的违约会造成不良贷款增加，而增加的不良贷款容易产
生信贷紧缩的后果，并且信贷紧缩会进一步加剧不良资产的恶化。所谓信贷紧缩，
是指银行提高贷款标准，甚至不愿意发放贷款，从而导致信贷增长下降，社会再
生产合理的资金需求不能得到满足[59]。不良资产的累积会导致银行亏损甚至产生
流动性风险，从而促使金融机构的经营行为更加谨慎，这样就会使金融机构提高
贷款条件，严格控制对企业的信贷投放。在大多数金融机构采取类似措施的情况
下，金融机构普遍选择的审慎经营行为就会引发金融体系的信贷紧缩。而由于不
良资产比例过高而引发的信贷紧缩，又会导致企业融资困难，经营更加恶化，亏
损更加严重。在此情况下，企业的经营往往会陷入困境，资产价格下降，银行贷
款的偿付更加困难。这样，就会使银行的不良资产的数量与比例继续上升，从而
引发银行实行更加严格的信贷政策。这样的一种恶性循环就是“信贷紧缩— — 不良
贷款”陷阱。
（3）造成产业结构畸形发展
因为信用风险等金融风险的存在，使大量资源流向安全性较高的部门，既导
致边际生产力的下降，又导致资源配置不当，一些经济中的关键部门因此发展较
慢，形成经济结构中的“瓶颈”。同样的原因，一些经济主体往往选择风险较低的、
传统的技术方法，而一些进行技术革新的经济主体又难以筹集到开发资金或从银
重庆大学硕士学位论文2 信用风险概述
13
行获得贷款。
（4）影响宏观经济政策的制定和实施
一个国家的宏观经济政策旨在通过政府对经济的调节，控制总供给或总需求，
以实现政府的目标。从一定角度上讲，政府对宏观经济的调节也是对金融市场各
种风险的调节，如中央银行调节货币供求，使资金供求平衡，降低市场的不确定
性。然而，包括信用风险在内的各种金融风险反过来又影响着宏观政策：它既增
加了宏观政策的难度，又削弱了宏观政策的效果。例如，政府为了扩大就业、刺
激经济而扩大货币供给（采用降低存款利息或下调贴现率等），但由于社会信用风
险较大，商业银行往往会出现“惜贷”的现象，就使得政府的刺激经济政策难以达到
预期效果。
2.3.2 信用风险对微观经济的危害
（1）银行产生大量的不良贷款，危害银行的安全
不良资产的产生会使银行成本增加、利润降低，在当期不良资产数额大于当
期利润数额时，银行就会用累计利润去冲销不良资产，这样就会导致银行净资产
减少，严重时甚至会侵蚀银行的资本金，最后使银行资不抵债，发生偿付困难。
不良资产如果数额巨大，将导致银行亏损，并最终导致银行的破产[60]。
银行由于不良贷款问题而威胁到生存安全的现象由来已久并且普遍存在。14
世纪巴蒂家庭的弗罗伦萨银行因不良贷款而倒闭，1929 年10 月发生于美国的股市
风波导致了美国多家银行不良贷款数额急剧上升，发生挤兑现象，造成大量银行
破产。1930 年11 月，256 家银行倒闭，同年12 月又有352 家银行倒闭，这其中
包括当时美国最大银行美利坚合众国银行。到1933 年， 11730 家多家银行倒闭。
1974 年5 月，当时美国第20 大银行福兰克林银行的被接管，以及从80 年代到90
年代初美国的约1500 家银行的倒闭等无不是由于银行的不良贷款而引起的。日本
在上世纪九十年代前后由于经济长期过热，形成泡沫经济，从而造成了银行业大
量不良资产。1997 年11 月7 日日本第10 大商业银行— — 北海道拓殖银行因其呆
账高达20000 亿日元宣布破产。银行不良贷款在1997 年下半年爆发的亚洲金融危
机中扮演了重要的角色，它不但是引起金融危机的直接原因之一，而且也对金融
危机的扩散起了推波助澜的作用。泰国、印尼大量房地产贷款的质量低下是银行
体系中的最明显的结构问题。韩国政府的强力干预导致大量贷款集中到几个大公
司，随着这些大公司的经营失败，大量银行贷款无法收回，这是导致韩国在这个
危机中未能幸免的主要原因之一。
（2）信用风险会给经济主体带来潜在的损失
银行或其他金融机构所发放的信用卡持卡人越多，持卡人违约、拖欠甚至破
产的可能性和范围就越大。银行存在着严重的信用风险，会使消费者对存款安全
重庆大学硕士学位论文2 信用风险概述
14
产生担忧，从而导致银行资金来源减少，业务萎缩。
（3）信用风险影响投资者的预期收益
信用风险越大，则风险溢价也相应越大，调整后的风险收益率也越大，未来
的净现金流很不稳定。
（4）信用风险增大了经营管理的成本
信用活动不确定性的存在，既增添了经济主体收集信息、整理信息的工作量，
也增大了收集信息、整理信息的难度；既增大预测工作的成本，又增大了计划工
作的难度，更增大了经济主体的决策风险。同时，经济主体在实施其计划和决策
的过程中，由于信用风险等金融风险导致市场情况的变化，必须适时调整行动方
案，一些计划必须修改，一些计划必须放弃，这就增大了管理成本，甚至因为对
信用风险的估计不足还将导致一些不应有的损失。
（5）信用风险降低了部门生产率
在生产经营中，各种产品的边际生产率都是随着投入的增加而递减，只有当
各种用途的边际生产率相同时，部门内的资源才达到最优配置。然而，信用风险
等金融风险的存在，导致过多的资源流向风险较小的产品，极少资源流向风险较
高的产品中，这使得一些产品边际生产率接近甚至低于要素的价格，导致部门整
体的生产率下降，另一方面，由于长期内部的不确定性比短期内部的不确定性大、
开发新产品的风险比较大等原因，导致一些企业的行为短期化，因循守旧，也使
得部门生产率受到影响。
（6）信用风险降低了资金利用率
由于信用风险的广泛性及其后果的严重性，一些企业和个人不得不持有一定
的风险准备金以应付信用风险等各种金融风险。
（7）信用风险增大了交易成本
由于资金融通中的不确定性，使得许多资产难以正确估价，不利于交易的顺
利进行，增大了交易成本，也会因此而产生一些纠纷，影响交易的正常进行，使
市场缺乏效率。而且信用风险的存在往往给企业筹资带来困难，给银行的负债业
务和中间业务带来影响，阻碍着市场的扩展。
2.4 信用风险度量和管理方法
2.4.1 传统信用风险度量和管理方法
（1）专家方法
商业银行面临的信用风险指的是由于贷款企业违约而带来的风险。专家制
度是一种最古老的信用风险定性分析方法，它是商业银行在长期的信贷活动中
所形成的一种信用风险分析和管理制度[7]。这种方法的最大特点就是：银行信
重庆大学硕士学位论文2 信用风险概述
15
贷的决策权是由该机构中那些经过长期训练、具有丰富经验的信贷员所掌握，
并由他们做出是否贷款的决定。因此，在信贷决策过程中，信贷员的专业知识、
主观判断以及某些要考虑的关键要素权重为最重要的决定因素。一名信贷员有
可能考虑的潜在因素是很多的，然而最为著名的方法是5C 法。专家考虑的5
个因素分别是品格（character）、资本（capital）、偿付能力（capacity）、抵押品
（collateral）和经济形势（conditions）。除5C 方法之外，专家可能还会考虑利率
水平。利率水平与贷款的预期收益率之间的关系是高度非线性的[61]。在利率处于
低水平的时候，提高利率会使预期收益率增加，然而在利率处于高水平时，利率
的增加也可能降低贷款收益。尽管许多银行仍然在其信贷决策过程中使用专家方
法，但是存在两个重要问题：一是哪些是分析不同类型贷款人的重要的共同因素；
二是该方法的主观性太强，运用于被选择的因素的最优权重的确定不客观。
（2）单变量模型
单变量模型是指仅用一个财务指标考察企业的违约概率。此模型始于
Beaver(1966)对企业财务困境预测做的开创性的研究[11]。他用1954-1964 年间的危
机公司随机抽样79 个样本，再利用配对法对每一个样本公司找出一个属于相同行
业、相似规模的正常公司作为配对比较，以检验14 个财务比率在两组公司于失败
前5 年的差异程度。研究结果表明，“现金流量/负债总额”是预测经营失败的最佳
指标，其次是负债/总资产和资产报酬率。但是由于企业违约具有复杂性，因此单
变量模型具有不能全面反应企业各种财务指标的缺点。
（3）多元判别分析模型
Altman(1968)在企业是否破产的开创性研究中建立了适用于上市公司的Z 值
模型（Z-score model），从而克服单变量模型不能全面反应企业各种财务指标的缺
点[12]。此外，Altman 还建立了适用于非上市公司的Z'模型。1977 年，Altman、
Haldenman 和Narayanan（1977）对原始的Z 计分模型进行了扩展，建立了第二代
模型，即ZETA 模型，采用的7 个财务指标为资产报酬率、销售收入的标准误差、
利息保障倍数、股东权益/总资产、流动比率、普通股权益/总资本、企业规模（用
总资产的对数表示），但遗憾的是没有给出具体的解析式[13]。
（4）Logit 模型
由于多元判别分析模型依赖于财务指标正态性假设，而研究中很多变量不是
正态分布，所以Ohlson(1980)首度利用假设条件比较宽松的Logit 分析来建立预测
模型，该模型不用自变量呈正态分布[15]。实证结果表明，规模、资本结构、资产
报酬率和短期流动性这四个财务指标对评估破产概率具有统计显著性。其判别准
确率也高达92％。之后越来越多的信用风险度量模型都借用Logit 分析或者是与其
类似的Probit 函数来分析，或是同时采用不同的统计模型。
重庆大学硕士学位论文2 信用风险概述
16
（5）神经网络模型
Odom M.D.、Shard R. (1990)[18]， Eward I. Altman、Macro(1994)[19]，Coats、
Fant（1993）[20]等建立了神经网络信用评分模型。但Altman 在对神经网络法和判
别分析法的比较研究中得出的结论是：神经网络分析方法在信用风险识别和预测
中的应用并没有实质性的优于线性判别模型[23]。
2.4.2 现代信用风险度量和管理方法
（1） 兴起的原因分析
① 破产的结构性增加
尽管最近的衰退是在不同的时间打击不同的国家，但是多数关于破产的统计
数据表明，与以往衰退相比，破产现象有了大幅度的增加。在一定程度上，破产
现象在世界范围内已经有了永久性的或结构性的增加，这可能是由于全球竞争的
加强。因此，与过去相比，准确的信用风险分析在今天已经变得更为重要。
② 脱媒效应
随着金融市场的发展，尤其是资本市场的快速发展，中小企业进入金融市场、
尤其是资本市场变得更加容易，并且进入资本市场的企业越来越具有更小的规模
并且具有更弱的信用评级，资本市场对传统的金融机构的信用组合产生了结构性
的变化，使得金融机构整体上冒险，并承担越来越大的风险。随着脱媒效应的日
益凸现，银行金融机构发放的贷款平均质量有下降的趋势，存贷利息差额（margin）
或者利差（spread）却变得相当薄，特别是在批发性贷款市场上，放款的风险与收
益的平衡（trade-off）变得恶化了。主要原因在于低质量的借款者增加了，而放款
者竞争加剧导致放款业务越来越集中于高风险低质量的业务。
③ 抵押品价值的下降和波动性加大
与最近的亚洲金融危机同时，发达国家如瑞士和日本的银行业危机也表现出
房地产价值和其它不动产价值难以预计和难以通过清算加以实现的特点，抵押品
价值越显疲弱和越不稳定，放款就越具高风险性。同时，最近几年世界范围内对
通货紧缩进一步加强了人们对注入财产和其它实物资产假合资的关心。
④ 表外衍生产品的成长
由于衍生市场的显著扩张，信用风险的增长已经发展到需要在贷款账薄之外
进行信用分析的地步了。在美国的许多大型银行中，诸如场外互换和远期协议等
表外工具的风险暴露在名义上价值要比其在贷款账薄上的规模大十倍以上，大大
加剧了风险集聚。
⑤ 科学技术的快速发展
近十几年来计算机网络技术和信息技术的快速发展，为量化信用风险提供了
强大的技术支持条件和信息条件。例如，美国贷款定价公司（Loan Pricing
重庆大学硕士学位论文2 信用风险概述
17
Corporation）和其它公司开发的历史贷款数据库以及高能模型化技术，既可以帮助
银行等金融机构分析贷款损失状况和计算出信用资产的价值分布函数以及这个分
布函数的尾部表现状况，也可以帮助金融机构根据现代组合理论模型和技术对信
用资产组合进行科学的管理。近十几年统计科学和金融学的快速发展也为信用风
险量化和管理提供了强大的理论基础，包括概率论、模拟技术、定数论、数学编
程、金融产品定价、博弈论等。
⑥ 资本充足的要求
巴塞尔银行监督委员会于1988 年制定了《巴塞尔协议》，确定了根据信用风
险设置最低资本充足率8%的基本框架。但由于不同借款人和交易合同的差异，不
同银行资产分散化程度、对冲交易、内控能力等方面的差异，因而统一按照8%的
资本要求经济资本可能是不经济的。在这种背景下，1997 年欧盟金融监管当局、
1998 年美联储和国际清算银行均放松管制，并大力提倡商业银行建立高级的内部
评级法度量模型。于是在2001 年1 月公布了《新巴塞尔资本协议》征求意见稿，
将在2004 年公布修订后新协议，并计划从2006 年开始实施。
（2）现代信用风险管理方法
①信用监测模型
1993 年，KMV 公司利用布莱克— 斯科尔斯－莫顿模型（BSM Model）提出了
有名的信用监测模型。模型假设满足BSM 模型的基本假设，即公司股票价格是个
随机过程、允许卖空、没有交易费用和税收、证券可分性、不存在套利机会、证
券交易的连续性、无风险利率在借款人还清债务前保持不变；借款人资产价值大
于其债务价值时，借款人不会违约；反之，借款人资产价值小于其债务价值时，
借款人就会违约；企业市场价值服从布朗（Brown）运动，并且借款人资产收益服
从正态分布；假设借款人资本结构只有所有者权益、短期债务、长期债务和可转
化的优先股。
②信用度量术
1997 年，J.P.摩根联合当时世界一流银行和一流信用风险分析机构共同开发出
信用度量术（CreditMetrics），采用二阶段法度量信用风险。模型假设贷款未来市
场价值和风险完全由其远期利率分布曲线决定（相同信用等级的远期利率分布曲
线是相同的），在模型中，唯一的变量是信用等级；信用等级是离散的，相同的信
用等级具有相同的迁移矩阵和违约率，迁移概率遵循马尔可夫过程（Markov
Process），同时迁移概率具有稳定性，且实际违约率等于历史违约率；风险期限是
固定的，一般为一年；每个信用等级对应一条零息票收益率曲线；违约的含义不
仅指债务人到期没有偿还债务，还可指债务人信用等级的下降所导致的贷款市场
价值下跌。
重庆大学硕士学位论文2 信用风险概述
18
③死亡模型
Eward I. Altman 和Suggitt，Kishore (1997)开发出贷款的边际和累计死亡率表，
俗称死亡率模型[29]。模型假设各贷款违约相互独立，即不存在相关效应和连锁反
应，但相同信用等级的贷款违约情况相同；不同贷款类型的违约下的损失率不同
且相互独立，但同一贷款类型的违约下的损失率基本相同；不考虑宏观经济环境
对死亡率的影响。
④信用风险附加法
信用风险附加法是瑞士波士顿第一银行产品部(Credit Suisse Financial
Products，CSFP)在1997 年源于保险精算学思想开发的。模型假设贷款偿还只有两
种状态：违约与不违约；在债务人较多的条件下，在相同时间段内违约概率相同；
在不重叠的时间段内违约人数相互独立。
⑤信贷组合观点
1998 年，麦肯锡（Mc Kinsey）公司Saunders 和Wilson 等人利用基本动力学
的原理，从宏观经济环境的角度来分析借款人的信用等级迁移，建立了信贷组合
观点，有时也称麦肯锡模型。模型假设信用等级在不同时期的迁移概率不是固定
不变的，而受到诸如国别、经济周期、失业率、GDP 增长速度、长期利率水平、
外汇汇率、政府支出、总储蓄率、产业等因素的影响；宏观经济变量服从AR(2)
过程。
⑥贷款分析系统
1998 年KPMG 公司的Belkin（1998）[31][32][33]和Crouhy、Mark(1998)[34]在借
鉴Arrow(1953)[35]等人研究的风险中性成果的基础上提出了贷款分析系统（LAS）。
Delianedias 和Geske 通过期权定价模型进一步发展LAS 模型，基于期权思想的
LAS 模型与信用监测模型基本相同，只是将企业资产价值的期望回报率换成无风
险利率，将贷款的面值当作违约实施点来处理。
2.5 巴塞尔协议对信用风险管理的要求
一般而言，完整的金融监管框架主要包括三个基本支柱：资本充足性要求、
外部监管和市场约束，其中资本充足性要求是整个金融监管框架的核心和重点。
在金融监管领域具有里程碑意义的也当属1988 年出台的规定资本充足率的《巴塞
尔协议》。它是在20 世纪80 年代国际银行业对第三世界贷款而导致的债务危机背
景下，由发达国家金融监管当局对信用风险所建立的关于统一管理标准的一个国
际性监管协议。该协议针对金融机构的信用风险规定了最低资本准备金要求，即
资本充足性标准。《巴塞尔协议》的核心有两点：一是库克(Cooke)比。对不同类型
资产规定了不同的风险权重，针对加权风险资产总和，规定了最低的资本储备金
重庆大学硕士学位论文2 信用风险概述
19
比率8%，即著名的库克比，并按照流动性将资本准备金分为核心资本和附属资本，
其中核心资本比例不得低于4%。二是大额风险限制。大额风险是指等于或超过银
行资本10%的头寸。《巴塞尔协议》要求对大额风险必须报告监管当局，不允许持
有超过银行资本25%的头寸，整体大额头寸不能超过银行资本的800%；这一规定
是防止银行风险过于集中于某一交易对手。《巴塞尔协议》为国际银行业监管提供
了一个基准性的框架和方法，它对促进各国间银行业的公开竞争，增强国际金融
体系的安全性具有重要意义。
然而，随着技术的进步和金融创新，巴塞尔管理框架的弱点逐渐暴露出来，
现行管理体制已经不适应经济发展和金融环境变化的需要，而且在某些场合下歪
曲甚至阻碍了银行等金融机构进行谨慎的信用分配和信用风险管理。在1988 年出
台的《巴塞尔协议》，规定了8%的资本充足率的要求，但是该协议没有考虑借款
人、担保条件、期限、衍生产品等方面的差异性，而且没有考虑市场风险。而且，
这一时期，银行面临的风险多样化、复杂化的程度越来越大，用传统的方法已经
无法准确监管银行的风险，于是，巴塞尔委员会在1996 年出台了《纳入市场风险
的资本金补充协议》，要求将市场风险纳入资本充足率考虑之中，但是仍然无法解
决经济资本合理配置的问题。在这时期一些国际大型商业银行和金融中间服务机
构开始研发现代信用风险度量模型，力求能够测算信贷组合的违约率、违约后的
损失率和信贷损失，并提供了一些有价值的思想和处理方法，同时在一些银行中
得到具体的应用。欧盟金融监管当局在1997 年、美国金融监管当局在1998 年分
别开始允许一些大的商业银行使用内部信用风险模型对其单个信用资产和信用资
产组合进行风险度量，当然这些模型的使用是有一定限制的，而且还要求利用返
回测试进行验证和确认。由此可见，一些国家的金融监管当局已经认可一些较为
成熟的内部模型作为其监管的手段。当然，内部信用风险模型目前仍然处于早期
的发展阶段，存在着许多不完善的地方，如模型相关参数的主观设定不尽合适，
某些类型的风险可能被忽略，对相关模型的系统和全面的经验验证尚不多见，但
这些模型毕竟提供了新思路和新方法，计量风险的准确度也大大提高了，其实践
意义重大。
2004 年的新协议放弃了单一化的监督框架，强调最低资本充足率要求、外部
监督、市场约束这三大支柱，并且相互联系，相互促进。2004 年6 月26 日巴塞尔
委员会公布了第三次修订的《新巴塞尔协议》，正式将银行所面临的风险划分为信
用风险、市场风险和操作风险。并提出标准和内部评价法的处理方法，提出违约
率、违约后的损失率、风险暴露、期限等四个参数来度量风险，并要求经合组织
国家必须在2006 年开始正式实施该协议。由于我国银行业风险管理水平普遍较差，
与国际接轨尚需时间，所以获得一定宽限期，在宽限期内可以实施标准法来计量
重庆大学硕士学位论文2 信用风险概述
20
和管理风险，然后在2010 年后过渡到内部评级法。
在标准法中，银行只要依据银行监管当局的参数指引即可，但这种方法没有
考虑银行的差异性，且该种方法计量很不准确，对具体的某一风险无法准确度量。
对于风险管理能力较强的银行，新协议建议采用内部评级方法(Inner ratings-based
approach，IRB)或者风险度量模型来衡量风险资产，进而确定和配置资本，从而肯
定了许多大银行近年来在构建自己的内部评级体系、开发适用的风险度量模型、
强化风险管理等方面所做的种种努力。内部评级法有两个层次，一是基础内部评
级法(Foundation IRB approach)；二是高级内部评级法(Advanced IRB approach)。内
部评级法提出4 个主要参数，分别是违约率(Probability of Default，PD)、违约下的
损失率(Loss of Given Default，LGD)、违约暴露(Exposure at Default，EAD)及期限
(Maturity，M)；基础内部评级法要求比较简单，银行只需计算违约率，其余只要
依照监管机构的指引即可，实施比较容易。高级内部评级法相对复杂得多，银行
需要自行计算上述4 项参数。在确定了主要参数以后，就可以计算预期损失
(Expected Loss, EL)、非预期损失(Unexpected Loss, UL)、经济资本(Economic Capital,
EC)。
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
21
3 信用风险度量模型财务指标筛选
3.1 信用风险的影响因素
信用风险的影响因素与指标确定以及各个指标的重要程度是信用风险预测的
基础和关键，指标的选取是否合理将直接关系到银行对信用风险预测和判别的准
确性。
论文对信用风险的评估实行定量指标与定性指标相结合的分析方法。企业违
约率评估的定量指标主要是企业的财务指标，取得这些信息的最佳途径是分析贷
款人的财务报表，包括资产负债表、损益表和现金流量表。定量指标有总量指标
和比率指标，总量指标由于不具有不同规模企业和不同行业企业的对比性，因此
在分析中论文采用比率指标。另外，论文还加入了现金流量指标。国外的研究比
较注重对现金流量表中数据的分析，其得出的判别模型中往往有现金流量的指标，
但国内的研究却仅限于对资产负债表和利润表的数据分析，没有对现金流量表的
数据做分析。然而现金流量数据对判断企业是否违约是有非常重要的。对于贷款
企业来说，在还款时要动用的是其现金和现金等价物，所以企业的现金存量和流
量以及收现的速度都会对企业的还款有影响。这个分析在下一节的实证结果中得
到了印证。
除了定量指标外，影响信用风险的一些定性指标已逐步受到重视。尽管定性
指标难以量化，但它所包含信息量的宽度和广度要远大于定量指标，它不但可以
弥补定量指标不能反映各种环境因素的不足，还可以纠正过于强调传统定量指标
对企业长远利益带来的负面影响，使得对银行信用风险预测结果更具有综合性和
导向性[62][63]。定性指标包括企业所处的行业背景、管理水平、市场竞争力、发展
前景预测、外部环境以及信誉状况等方面。
3.1.1 定量指标
论文对信用风险预测指标体系的构建综合参考了国内外历史经验：（1）国内
外财务分析文献和教科书有关影响企业信用的因素；（2）注册会计师出示的年度
报告中所认为的对企业信用有影响的财务比率。由此，论文把影响信用风险的定
量因素归纳为五个方面，分别是企业的变现能力、资产管理能力、负债能力、盈
利能力和现金获取能力。
①企业的变现能力
反映企业的资产中有多少能够及时变为现金已应付日常开支和到期债务的偿
还，是企业偿债能力的反映。一般包括流动比率、速动比率、保守速动比率。
②资产管理能力
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
22
反映企业运营资产的效率，周转率越高，企业运用资产的效率就越高，用相
同的资产就能创造出更多的产出。一般包括资产周转率、流动资产周转率、存货
周转率、应收账款周转率、固定资产周转率等指标。
③负债能力
反映企业偿付到期长期债务的能力。一般包括资产负债率、利息保障倍数、
产权比率、权益乘数、总负债权益率、长期债务与营运资金比率。
④赢利能力
反映企业赚取利润的能力。一般包括净资产收益率、销售利润率、资产净利
率、总资产报酬率、资本收益率、成本费用收益率。
⑤现金获取能力
反映企业获得现金的能力和用现金偿还贷款的能力。一般包括盈利现金比率、
销售现金比率、全部资产现金回收率、资产现金等价物率、现金到期债务比、现
金流动负债比、现金债务比。
3.1.2 定性指标
影响商业银行信用风险的定性因素主要是企业非财务因素，论文主要借鉴和
整合了贷款五级分类原理对非财务因素的分析以及国内各个著名评级公司、商业
银行对企业非定量因素的分析，归纳出信用风险预测的定性因素。包括企业所处
的行业背景、管理水平、市场竞争力、发展前景预测、外部环境以及信誉状况六
个方面。
①行业背景
行业分析主要是为了判断借款人所属行业的基本特征和发展趋势。不同的行业
对一般环境的敏感程度是不同的。如美国“9·11”事件发生后，一些行业如民航、保
险都受到了巨大的冲击，而另外一些如咨询、制造业等基本不受影响。因此对于
不同行业的贷款，应区别对待。
②管理水平
企业的经营过程中充满着风险，无论是在贷前、贷中还是贷后，银行都必须对
企业管理水平密切关注，包括领导者素质、员工素质、组织制度、决策机制、人
事管理和财务管理等，体现的是企业的综合能力。管理水平是决定借款人信用状
况的重要因素，因为一个企业是否具有产生足够现金以偿还债务的能力最终取决
于企业能否最大限度地利用现存资源和市场机遇，也取决于企业是否具有应付可
能出现的不良情况的能力。
③企业核心竞争力
企业在市场上的表现以及将来的还贷可能性归根结底是由企业所拥有的核心
竞争力决定的。所谓核心竞争力，概括说来就是企业保持持续市场竞争优势、无
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
23
法被竞争对手轻易模仿的能力，包括企业开发的独特产品、独特的技术和独特营
销手段等。对于银行而言，衡量企业核心竞争力应着眼于企业的不可模仿性和战
略性，因为一旦企业形成了某种核心竞争力，将会在较长时间内在同行内形成优
势，从而使对这些企业的贷款的保险系数大大增加。
④发展前景
银行对企业的贷款其实是一种远期收益，即收回贷款本息都将是在贷款后一
段时间才发生，其风险也由此而来。因此企业的发展前景对于银行贷款尤其是长
期贷款十分重要。企业发展前景包括企业所属周期、政策支持情况、股东支持情
况、股东实力和支持情况以及销售分销渠道。
⑤外部环境
作为社会经济的微观单位，企业不可避免地与外界环境保持着密切的联系，
同时也受到外界环境的制约。这些环境主要包括政治、经济、社会、技术等方面，
这些因素的变化都不是借贷双方所能控制的，但它对借款人还款能力的影响有时
可能相当大。
⑥信誉状态分析
企业的信誉对贷款质量的意义毋庸质疑，即使经营再好的企业，如果故意赖
帐，也将给银行带来信用风险。企业的信誉状态可以从历史贷款质量、贷款付息
情况和存贷比这三项指标中反映出来。目前国有商业银行通常会在贷款前，到央
行企业贷款资料库中调取所需企业历史资料，根据这些资料做出判断。由于企业
贷款资料库通常只对一些国有企业进行存档，对于那些民营企业或新成立的企业
的信誉资料的收集及分析有待于进一步探讨。
3.2 信用风险定量财务指标选取
3.2.1 样本
本文通过与重庆市某商业银行的合作，基于此银行1999－2002年的贷款记录，
建立了贷款企业的数据库。数据库中包含了贷款企业的财务数据、所处行业以及
违约记录，较全面地反映了贷款企业的特点。
在研究样本的选取过程中，剔除了一些指标不齐的贷款记录，共得到813个样
本量，其中违约企业为424个，非违约企业389个。在数据库中，违约企业用1表示，
非违约企业用0表示。因为违约企业数量大于非违约企业的数量，为了第五章构建
信用风险度量模型的需要，则剔除了35个违约企业，得到的配对样本为：违约企
业389个，非违约企业也为389个。
通过综合比较分析、借鉴国内外著名的商业银行、评级公司等评级体系中的
反映企业信用的财务指标，结合本研究所收集到的数据的特征，确定了29 个财务
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
24
指标，其中变现能力指标3 个，资产管理能力指标5 个，负债能力指标6 个，盈
利能力指标6 个，现金指标7 个以及2 个混合指标（见表3.1）。
表3.1 各种财务比率汇总表
Table 3.1 Table of Financial Ratios
比率名称包含内容含义
变现能力比率流动比率、速动比率、保守
速动比率
反映企业的资产中有多少能
够及时变为现金已应付日常
开支和到期债务的偿还
资产管理比率资产周转率、流动资产周转
率、存货周转率、应收账款
周转率、固定资产周转率
反映企业运营资产的效率，
周转率越高，企业运用资产
的效率就越高，用相同的资
产就能创造出更多的产出
负债比率资产负债率、利息保障倍数、
产权比率、权益乘数、总
负债权益率、长期债务与营
运资金比率
反映企业偿付到期长期债务
的能力
盈利比率净资产收益率、销售利润
率、资产净利率、总资产
报酬率、资本收益率、成
本费用收益率
反映企业赚取利润的能力
现金比率盈利现金比率、销售现金比
率、全部资产现金回收率、
资产现金等价物率、现金到
期债务比、现金流动负债
比、现金债务比
反映企业获得现金的能力和
用现金偿还贷款的能力
混合比率总资产营运资本率、销售收
入营运资产率
一些指标的综合，综合反映
了企业的一些财务特征
3.2.2 定量财务指标选取方法
各个指标在评估企业违约率方面的能力和作用是不同的。如果排除了起重要
作用的变量，则建立的模型是有偏差的，就会出现模型的设定问题。而如果把作
用低微的指标保留下来，不仅增加了不必要的计算量，同时也会干扰判别的效果。
因此如何筛选和确定出具有显著判别能力的变量就十分重要。
另外，贷款企业提供给银行的财务指标是很多的，银行如何在这些财务指标
中抓住最重要的几个指标进行审查，对于科学及时判断信用风险具有非常重要的
意义。
对关键变量的筛选和确定方法主要可以采取以下方法：
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
25
（1）判别分析法
判别分析是根据各个因素对不同类型的对象的影响程度，找出一组变量最有
效地区分对象的类型。它有三种方法，一是标准法（Standard），即引入全部因素
进行分析，二是向前逐步判别分析法（Forward stepwise），即先选用符合条件的变
量，然后逐步增加符合条件的变量，并再逆向检验，如此反复直到最优；三是向
后逐步判别分析法（Backward stepwise），即先将所有的变量选上，再剔除不符合
条件的变量，并进行检验，直到最优。
对于像本文数据一样，样本数量有限，而变量很多的样本，适合采用第二种
方法，其主要思想是采用“有进有出”的算法，即逐步引入变量，每引入一个“最重
要”的变量进入判别式，同时也考虑较早引入判别式的某些变量，如果其判别能力
随着新引入变量而变得不显著，应及时从判别式剔除，直到判别式没有不重要的
变量需要剔除，而剩下来的变量也没有重要的变量可以引入，逐步筛选结束。这
个筛选过程实际是作假设检验，通过检验找出显著性变量，剔除不显著的变量[64]。
其分析步骤如下：
第一、准备阶段
根据样本数据中的财务指标r
nj
r
ij
r
j
r
j
r
x j , x , x ,..., r ,..., x 1 2 3 （ r
ij x 的下标i 为财务指标，
下标j 为样本企业的序号，上标r 代表组，即真实组或作伪组），计算各指标的分
组均值r
i x ，总均值i x ，以及组内叉积矩阵W 和总叉积矩阵T 。
第二、逐步选取判别变量
首先，分别计算各变量的单变量维尔克斯（Wilks）统计量
w t i n i ii ii   / ,  1,2,3,...., （式3.1）
在全部变量中，选择维尔克斯统计量最小的变量进行检验。为了叙述的方便，
又不失一般性，假设挑选的变量次序是按自然顺序的次序，即一步正好选中1 x ，
如果1  不显著，则表明一个变量也没选上，不能进行判别分析；如果1  显著，则
进入下一步。这里的检验往往是F 统计量，即
~ ( 1, )
1
1
F k n k
k
n k
F
i
i
i  



 
 （式3.2）
显然，如果F 统计量大于临界值（本文取的是2.50），则表明该变量具有判别
能力，进入下一步。
其次，分别计算未选中的各个变量与已选中的变量1 x 配合的维尔克斯统计量
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
26
i n
t t
t t
w w
w w
i ii
i
i ii
i
i   ,2  
1
11 1
1
11 1
1 （式3.3）
选择使1i  极小的变量作为第二个入选的变量。又因1i 1 i /1     ， 1i  极小等价于
i /1  极小，其F 统计量为
1
1 1
/1
/1
/1 
 

 

k
n k
F
i
i
i （式3.4）
要使统计量1i  极小，则意味着应使i /1 F 达到极大。
如此进行下去，如选入了p 个变量，不妨设p x , x , x ,..., x 1 2 3 ，则在未选中的变量
中逐次选一个变量与它们配合，计算维尔克斯统计量
p i n
t t t
t t t
t t t
w w w
w w w
w w w
i ip ii
p pp pi
p i
i ip ii
p pp pi
p i
p i   , 1  
1
1
11 1 1
1
1
11 1 1
1... ,


   



   

（式3.5）
选择使式（3.5）达到最小的变量作为第p 1个变量。由于1... p,i 1... p i /1... p     ，所
以1... p,i  极小等价于选择i 使i /1... p  极小，其F 统计量为
1
1
/1...
/1...
/1... 
 

 

k
n k p
F
i p
i p
i p （式3.6）
选择使i p F /1... 达到极大的变量作为第p 1个变量，并检验第p 1个变量能否提供
附加信息。如能，则选入该变量，否则此阶段结束。
再次，在已选入的p 1个变量中，要考虑较早选中的各个变量的重要性是否
发生较大变化，应及时把不能提供附加信息的变量剔除，即计算维尔克斯统计量，
选择使 最小或者F 最大变量进行检验，如果不显著则将其剔除，并重复下去，
如果都显著，且再引入一个新变量也不能剔除已选入的变量，并且也不能选入新
增的这个变量时，逐步迭代就基本结束。
第三、建立判别函数
当逐步迭代结束后，就可以用消去变换得到等协差矩阵1  (n  k)W 1，并由
此可以得到贝叶斯判别函数
r T r T r
r r   ln q  (x ) 1x  0.5(x ) 1x （式3.7）
相应的贝叶斯判别规则为
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
27
D x x x r k r r i k i { : ( ) max ( )}, 1,2,3,...
1
  
 
  （式3.8）
也就是将入选的财务指标代入各组判别函数，哪个组的值最大就划入该组。
（2）Logistic 回归方法
Logistic 回归方法筛选变量是为了使用Logistic 回归模型而进行的关键变量的
筛选，SPSS 提供了6 种筛选方法：
Forward: conditional，以假定参数为基础做似然比的概率检验，向前逐步选择
自变量；
Forward: LR, 以最大局部似然为基础做似然比的概率检验，向前逐步选择自
变量；
Forward:Ward， 做Ward 概率统计法，向前逐步选择自变量；
Backward: conditional，以假定参数为基础做似然比的概率检验，向后逐步选
择自变量；
Backward: LR, 以最大局部似然为基础做似然比的概率检验，向前逐步选择自
变量；
Backward:Ward， 做Ward 概率统计法，向前逐步选择自变量。
（3）熵权法
在本研究中，引入一种整体的思想，通过评价体系的指标权数的计算，根据
计算出来的权数大小来对指标的重要度排序，从而找出重要的指标。在一个评价
指标体系中，权数的确定直接影响到评价的结果。目前对于权数的确定方法很多，
例如层次分析法、得菲尔法、主观赋权法等，但大多数方法的主观性较强，使得
计算时影响结果而使结果的有效性降低。同时评价贷款企业还款能力的财务指标
多，而且各个指标都是重要的，每个指标的重要程度差别不大，也就是说代表各
个指标重要度的权数，在此难以应用和说明，因此引入熵权于这样的评价系统中。
按照系统理论中的熵思想，人们在决策中获得信息多少，是决策的精度和可
靠性的决定因素之一，无论是项目评价还是多目标决策，我们都应该考虑各个指
标所含信息量的大小。信息熵就是用来衡量指标所含信息大小的工具。
如果某个指标的信息熵越小，就表明其指标值的变异程度越大，提供的信息
量越大，在综合评价中所起的作用越大，则其权重也应越大。反之，某指标的信
息熵越大，就表明其指标值的变异程度越小，提供的信息量越小，在综合评价中
所起的作用越小，则其权重也应越小。所以在具体分析过程中，可根据各个指标
值的变异程度，利用熵来计算出各指标权重，再对所有指标进行加权，从而得出
较为客观的综合评价结果。
如果系统可能处于多种不同状态，而每种状态出现的概率为Pi（i＝1， 2… ，
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
28
m），则该系统的熵就可定义为
E＝－

m
i
i i P P
1
*ln
若现设有m 个待评单位，n 个评价指标，则有原始指标数据矩R＝（rij）m×n，
对于某个指标rj 有信息熵为
E＝－

m
i
ij ij P P
1
* ln
其中
Pij＝rij/

m
i
ij r
1
按照上述熵权的计算方法，运用EXCELL 计算得到以上29 个财务比率的各自
权重，通过排序，选出了权重最大的五个指标（表3.2）。
表3.2 权重最大的五个指标及其权重
Table 3.2 Top-five Ratios and its Power
财务比率资产负债率
资产现金
等价物率
应收账款
周转率
总资产运营
资本率
存货周转率
权重0.130 0.091 0.075 0.066 0.051
从表3.2 中我们可以看出，贷款企业的资产负债率是权重最大的一个财务指
标，说明银行在审查企业的财务数据时，要特别关注此指标，这对企业能否按时
足额还款是非常重要的。它反映的是企业的负债能力和偿还贷款本金与利息的能
力。负债越多，企业就更容易出现不能还款的现象。但是完全没有负债或者负债
很少的企业也不行，它没有以更低的资金成本来获得相同的利润，就没有享受到
负债经营的好处。一个处于正常发展阶段的企业，应该具有合理的资产负债率。
资产现金等价物率反映的是企业资产中现金等价物所占的比重。现金等价物
是指可以及时变现的有价证券等。企业偿还银行的贷款本金和利息，就是要用其
货币资金来偿还。所以资产转化为货币资金的能力就会大大影响企业按期足额偿
还贷款的能力。
应收账款周转率也是一个必须非常关注的财务指标。它反映的是企业资产管
理的能力。应收账款周转率越大，企业的资金运作越畅通，越不容易出现不能还
款的现象。
重庆大学硕士学位论文3 信用风险度量模型财务指标筛选
29
总资产运营资本率是指流动资产减去流动负债后与企业总资产的比率，它是
一个综合指标，反映了企业运营资金的能力和变现的能力。具有良好运营资金能
力的企业具有更低的违约的概率，即使在快还款的时候出现资金的一时紧张，也
可以在比较快的时候内将资产变现，从而偿还银行的贷款。
存货周转率也是反映企业资产管理能力的指标，是衡量和评价企业购入存货、
投入生产、销售收回等各环节管理状况的综合性指标。存货周转率越快，存货的
占用水平越低，流动性越强，存货转换为现金、应收账款的速度就越快，则偿还
银行贷款的能力就越强。
其后权重较大的依次是利息保障倍数、销售利润率、固定资产周转率、盈利
现金比率、现金债务比等指标。
总之，贷款企业提供给银行的财务指标是很多的，银行如何在这些财务指标
中抓住最重要的几个指标进行审查，对于科学及时判断信用风险具有非常重要的
意义。熵权法提供了一个快速科学客观地挑选指标的方法，帮助商业银行经济科
学地分析其面临的信用风险。本节中用熵权法选出的前两个指标，即资产负债率
（BSR）和资产现金等价物率(AECR)将作为第五章中信用风险度量模型的财务指
标自变量。
重庆大学硕士学位论文4 信用风险与行业变量关系研究
30
4 信用风险与行业变量关系研究
4.1 行业因素在信用风险分析中的作用
在贷款的信用风险分析时，针对特定的信贷主体，商业银行往往很注重对企
业的微观经营状况分析，更多的是集中在财务报表分析，但是财务报表本身的局
限性将降低商业银行判断的准确性。如果财务报表本身缺乏真实性，算出的财务
指标必然不能反映企业的真实经营情况；即使财务报表真实可靠，也仅代表企业
以前的经营状况，算出的财务指标必然滞后于经营状况的恶化，而根据历史数据
进行趋势分析也不一定符合现实状况。所以仅仅基于微观分析就做出信贷决策必
然增大产生不良贷款的可能性。现在商业银行还注重宏观经济分析，即国民经济
行业分析。因为贷款客户所处行业的发展趋势对客户的财务状况有着重要的影响，
因此分析行业发展状况，从趋势上把握行业不同发展阶段的特征，对银行判断信
贷风险、确定信贷资金结构调整的重点退出和进入领域具有重大意义[65]。
行业是介于宏观经济和微观经济之间的重要经济范畴，是由具有共同特征的
企业群体所组成。由于同一行业内的企业成员在生产经营上存在着相同性或相似
性，其产品或服务具有很强的替代性，行业内的企业成员彼此间处于一种更为紧
密联系的状态之中。行业的兴衰与国民经济发展的特定阶段有较强的相关性。在
同一时期，一些行业的增长与经济同步增长，一些行业增长可能领先经济增长，
还有一些行业可能随着经济的增长反而衰落甚至消失。行业的兴衰决定了行业内
部企业生存的条件和发展状况，进而影响到与行业相关的银行信贷资金的安全。
从这几年的情况看，银行业存在的不良贷款有相当一部分就是由于行业的衰
落而引起的。比如，工商银行前几年投在纺织、煤炭等行业的贷款，由于行业收
缩，有相当部分贷款转化为不良资产。因此，行业分析应成为今后商业银行信贷
分析的重要内容。强调行业分析的基本目的在于，帮助商业银行辨别最近和未来
可能提供信贷进入机会的成长行业，并根据行业的生命运行周期，适时把握退出
时机，以确保信贷资产质量。
公司获得竞争优势的方法和手段会因行业不同存在差异。任何一个行业都有
其自身所独有的结构和发展轨迹。通常，行业的成熟水平高低制约着该行业中企
业的经营发展状况。例如，在一个成熟的行业，由于市场饱和、新技术机会缺乏、
收益水平普遍下降等等，都会给企业的生产经营活动带来不利的影响。
中国人民银行上海市分行于1997 年8 月颁布《上海市“贷款证”企业资信等级
评估暂行办法》，2000 年3 月修订为《上海市贷款企业资信等级评估管理办法》，
对贷款企业资信评估工作的有关问题做出了以下主要规定：资信评估指标体系一
重庆大学硕士学位论文4 信用风险与行业变量关系研究
31
般都从企业的基本素质、财务结构、偿债能力、经营能力、经济效益、发展前景
等六方面来揭示受评企业的真实状况，其中企业基本素质和发展前景侧重于定性
分析，其余四个方面侧重于通过财务数据进行定量分析。考查企业的发展前景主
要是研究企业的外部环境和内部经营现状及发展趋势。在外部环境中，企业所处
行业地位及背景包括政府的产业政策、行业的发展趋势、行业的竞争格局及市场
细分、技术进步对行业的影响、行业的周期性等，在一定程度上反映了企业在市
场中的地位。在上述背景下，对企业的内部分析着重于企业的成长性及抗风险能
力分析，同时联系企业财务数据所揭示的经营效果进行印证，关注企业的业务结
构、目标市场定位、竞争优势、经营理念和经营战略的评价及对企业现实状况的
对照、与企业主营业务或多元化经营行为相联系的技术、营销、财务管理、风险
及其控制、大股东的支持力度等，以及资产重组、增资扩股、重要合同或协议、
重大诉讼案件等重大事项对企业的影响，由此对企业的发展趋势进行结论性的判
断。在专家评分过程中，专家在对借款人信用状况进行分析时，就已经注重对借
款人（公司）所处行业环境的中长期状况评估，只是这种分析停留在定性分析方
面，没有将行业对信用风险的影响模型化。
4.2 行业变量与贷款企业违约率关系实证研究
4.2.1 样本数据与违约企业界定
样本数据仍然为3.2 节中提及的数据，即重庆市某商业银行1999－2002 年的
贷款记录。在数据库中，违约企业用1 表示，非违约企业用0 表示。配对样本为：
违约企业389 个，非违约企业也为389 个，则一共为778 个样本数据。
违约企业的定义为：未能按时足额偿付贷款本金或利息，就视为违约。
4.2.2 实证过程
①假设：企业违约与行业变量有显著关联性，进而说明违约率呈现行业显著
差异。
②变量设计：这是分析两个定性变量的关联性。其一是贷款企业违约状态变
量，即违约和非违约，分别用1 和0 表示；其二是行业变量，根据所收集的样本
以及国家统计局最新颁布的行业分类标准，把样本分成了4 个行业，即建筑业、
运输业、房地产业和制造业，分别用行业代码E、F、K 和M 表示。
③假设验证方法：为了要分析两个定性变量之间关联性，论文采用Crosstab
方法，即列联表分析的方法。此方法主要用于两个定性变量之间是否独立或关联
以及显著性差异的检验。
假设有两个定性变量A 和B，A 有r 个状态，B 有g 个状态，这样根据收集的
数据就可以列出每一个（AiBj）的发生频数，最后组成r×g 表，根据表中的各个频
重庆大学硕士学位论文4 信用风险与行业变量关系研究
32
数就可以检验两个变量是否关联。检验的变量一般采用Pearson Chi-Square 检验。
论文此检验过程通过SPSS 软件的Crosstab 功能来实现。
④检验结果
表4.1 贷款企业违约率与行业显著关联的卡方检验结果
Tabel 4.1 Chi-Square Test of PD With its Industry
Value df
Asymp. Sig.
(2-sided)
Pearson Chi-Square 9.358(a)① 3 .025
Likelihood Ratio 9.259 3 .026
N of Valid Cases 560
从检验结果表可以得到，有效例数为560＞40，并且最小期望频数为14.69＞5，
Pearson Chi-Square＝9.358，df＝3，P＜0.05，因此可以得出结论：贷款企业违约率
与所在行业有显著关联性，并且4 个行业的违约率的差异是有统计意义的。这个
结论为后面论文分行业构建信用风险评估模型提供了实证依据。
E F K M
Industry
0
20
40
60
80
100
120
140
Count
EDF
0
1
Bar Chart
图4.1 各个行业企业违约与违约频数柱状图
Chart4.1 Bar Chart of Default and Non-Default of Each Industry
① 注：a 表示有.0％的期望频数小于5，最小期望频数为14.69
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
33
5 基于行业分类的商业银行信用风险预测模型构建
5.1 样本
5.1.1 样本数据来源及处理
数据来源仍然为3.2节和4.2节所用样本，即重庆市某商业银行1999－2002年的
贷款记录。数据库中包含了贷款企业的财务数据、所处行业以及违约记录，较全
面地反映了贷款企业的特点。配对样本为：违约企业389个，非违约企业也为389
个。
度量行业对信用风险的影响，第一步是科学合理的行业划分办法。商业银行的
实际工作中经常遇到的问题是由于行业划分模糊，没有明确每个行业包含的内容，
极容易造成各分支机构统计口径混乱。因此进行行业分析首要的问题是界定清楚
行业内涵，应坚持以下几条原则：
（1）行业分类要准确划分各个行业，避免因为行业划分不当出现重复统计或
遗漏。
（2）行业分类要与监督机构的行业风险监控指标相对应，以满足监管当局监
管需要。
（3）行业分类还要与国民经济指标统计中的行业标准相对应，以便获得行业
风险分析的数据。
为了研究不同行业对贷款企业违约率的影响，我们将这778个样本数据按照国
家统计局2002年修订的新的行业分类标准分成了四类：（1）制造业（M）；（2）
运输业（F）；（3）建筑业（E）和（4）房地产业（K），其余的企业则合并为模
型中的基准行业。
图5.1 样本行业分布图
Chart 5.1 Chart of Industry Distribution of the Sample
行业风险一般从增长风险、盈利风险、盈利和供给过度风险、市场结构风险、
160
33 148
217 房地产业
建筑业
运输业
制造业
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
34
经济风险等五大类进行衡量，而其中每大类又可以细化为多重风险项。商业银行
度量行业风险的最终目的是优化信贷资产的行业投向，因此行业风险的度量办法
还必须结合授信额度使用状况及贷款期限状况进行综合分析。
行业风险分析与其他风险分析最大的不同在于随着行业差别，需要分析的风
险点差异很大。商业银行贷款投向一般应考虑的行业风险指标可以分为六大类指
标。第一类：行业结构指标，具体包括行业企业集中度、行业供销方式、销售渠
道及销售组织变化等；第二类：经济效益和财务指标，具体包括全行业利润总额、
全行业利润占有率、全行业销售收入、全行业平均劳动生产率、平均净资产规模、
平均资产负债率、固定资产投资收益率、平均销售利润率、平均存货周转水平等；
第三类：技术能力指标，具体包括技术装备的先进程度、全行业平均研发强度、
技术改造投资强度、科研成果转化率、主导产品在国际市场的竞争力等；第四类：
管理能力指标，具体包括全行业平均产销率、产值综合能耗水平、对生态环境的
破坏程度等；第五类：政府管制指标，具体包括进入和退出的难易程度、管制方
式和强度等；第六类：行业开放度和安全能力指标，具体包括行业政策变化的可
能性、全行业利用外资的水平、全行业出口创汇水平、受国外同类产品冲击的程
度等。
5.1.2 样本描述性统计
①房地产业
表5.1 资产负债率（BSR）的统计性描述
Table 5.1 Stat. Description of BSR
N Valid 160
Missing 0
Mean .8009
Median .7800
Std. Deviation .50651
Variance .257
Minimum .06
Maximum 3.95
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
35
表5.2 资产现金等价物率（AECR）的统计性描述
Table 5.2 Stat. Description of AECR
0 .0 0 1 .0 0 2 .0 0 3 .0 0 4 .0 0
B S R
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
Frequency
M e a n = 0 .8 0 0 9
S td . D e v. = 0 .5 0 6 5 1
N = 1 6 0
H is to g ram
图5.2 资产负债率（BSR）的频数分布柱状图和正态分布曲线
Chart 5.2 Frequency Distribution Bar Chart and Normal Curve of BSR
- 0 . 1 0 0 . 0 0 0 . 1 0 0 . 2 0 0 . 3 0 0 . 4 0
A E C R
0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
Frequency
M e a n = 0 . 0 5 8 5
S t d . D e v . = 0 . 0 7 2 7
N = 1 6 0
H i s t o g r a m
图5.3 AECR 频数分布柱状图和正态分布曲线
Chart 5.3 Frequency Distribution Bar Chart and Normal Curve of AECR
N Valid 160
Missing 0
Mean .0585
Median .0334
Std. Deviation .07270
Variance .005
Minimum -.01
Maximum .37
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
36
② 建筑业
表5.3 资产负债率（BSR）描述性统计
Table 5.3 Stat. Description of BSR
表5.4 资产现金等价物率（AECR）描述性统计
Table 5.4 Stat. Description of AECR
0 . 0 0 0 . 5 0 1 . 0 0 1 . 5 0 2 . 0 0
B S R
0
1 0
2 0
3 0
4 0
Frequency
M e a n = 0 . 7 1 6 8
S t d . D e v . = 0 . 2 5 8 1 6
N = 1 4 8
H i s t o g r a m
图5.4 BSR频数分布柱状图和正态分布曲线
Chart 5.4 Frequency Distribution Bar Chart and Normal Curve of BSR
N Valid 148
Missing 0
Mean .7168
Median .7663
Std. Deviation .25816
Variance .067
Minimum .02
Maximum 1.86
N Valid 148
Missing 0
Mean .0522
Median .0361
Std. Deviation .07723
Variance .006
Minimum .00
Maximum .80
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
37
0 . 0 0 0 . 2 0 0 . 4 0 0 . 6 0 0 . 8 0 1 . 0 0
A E C R
0
2 0
4 0
6 0
8 0
1 0 0
Frequency
M e a n = 0 . 0 5 2 2
S t d . D e v . = 0 . 0 7 7 2 3
N = 1 4 8
H i s t o g r a m
图5.5 AECR 频数分布柱状图和正态分布曲线
Chart 5.5 Frequency Distribution Bar Chart and Normal Curve of AECR
③ 运输业
表5.5 资产负债率（BSR）描述性统计
Table 5.5 Stat. Description of BSR
表5.6 资产现金等价物率（AECR）描述性统计
Table 5.6 Stat. Description of AECR
N Valid 35
Missing 0
Mean .6108
Median .5799
Std. Deviation .27454
Variance .075
Minimum .22
Maximum 1.32
N Valid 35
Missing 0
Mean .0599
Median .0325
Std. Deviation .08897
Variance .008
Minimum .00
Maximum .44
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
38
0 . 2 0 0 . 4 0 0 . 6 0 0 . 8 0 1 . 0 0 1 . 2 0 1 . 4 0
B S R
0
2
4
6
8
1 0
1 2
Frequency
M e a n = 0 . 6 1 0 8
S t d . D e v . = 0 . 2 7 4 5 4
N = 3 5
H i s t o g r a m
图5.6 BSR 频数分布柱状图和正态分布曲线
Chart 5.6 Frequency Distribution Bar Chart and Normal Curve of BSR
0 . 0 0 0 . 1 0 0 . 2 0 0 . 3 0 0 . 4 0 0 . 5 0
A E C R
0
5
1 0
1 5
2 0
2 5
Frequency
M e a n = 0 . 0 5 9 9
S t d . D e v . = 0 . 0 8 8 9 7
N = 3 5
H i s t o g r a m
图5.7 AECR 频数分布柱状图和正态分布曲线
Chart 5.7 Frequency Distribution Bar Chart and Normal Curve of AECR
④ 制造业
表5.7 资产负债率（BSR）统计性描述
Table 5.7 Stat. Description of BSR
N Valid 217
Missing 0
Mean .9185
Median .8056
Std. Deviation .57035
Variance .325
Minimum .09
Maximum 4.89
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
39
表5.8 资产现金等价物率（ AECR）统计性描述
Table 5.8 Stat. Description of AECR
0 . 0 0 1 . 0 0 2 . 0 0 3 . 0 0 4 . 0 0 5 . 0 0
B S R
0
2 0
4 0
6 0
8 0
1 0 0
Frequency
M e a n = 0 . 9 1 8 5
S t d . D e v . = 0 . 5 7 0 3 5
N = 2 1 7
H i s t o g r a m
图5.8 BSR频数分布柱状图和正态分布曲线
Chart 5.8 Frequency Distribution Bar Chart and Normal Curve of BSR
- 0 .1 0 0 .0 0 0 .1 0 0 .2 0 0 .3 0 0 .4 0 0 .5 0 0 .6 0
A E C R
0
2 0
4 0
6 0
8 0
1 0 0
1 2 0
frequency
M e a n = 0 .0 6 1 7
S td . D e v. = 0 .0 8 4 3 8
N = 2 1 7
H i s t o g r a m
图5.9 AECR 频数分布柱状图和正态分布曲线
Chart 5.9 Frequency Distribution Bar Chart and Normal Curve of AECR
N Valid 217
Missing 0
Mean .0617
Median .0303
Std. Deviation .08438
Variance .007
Minimum .00
Maximum .56
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
40
5.2 实证方法
在我国商业银行信用风险度量模型中，运用得比较多的是多元判别分析模型，
而多元判别分析模型依赖于财务指标正态性假设，而一般财务指标都不满足这一
假设，所以为消除这一假设，有些学者则建立了Logit函数来度量。一些更精细的
模型，例如信用监测模型、信用度量术、死亡模型、信用风险附加法等模型在我
国的运用受到了一定的限制。这是由于这些模型需要贷款企业资产的市场价值记
录，而国内的贷款企业多数都是非上市企业，其资产的市场价值不易获得。也正
是由于这个原因，在度量我国商业银行的信用风险时应该选择适用于我国商业银
行的信用风险度量模型。
另外，通过5.1.2节对样本的描述性统计（表5.1-5.8和图5.2-5.9）可以看出，各
个变量都不满足正态性分布的特征，所以综合考虑各种因素，论文中我们选择了
通过构建Logit函数来度量商业银行的信用风险。Logit函数是处理因变量是两分虚
拟变量数据的方法，其函数形式为：
1
1 y Pi
e 

(5.1)
其中， Pi 为因变量取1 的概率（在本文中即为违约的概率），Pi [0,1]，

 
n
i
i i y c c x
1
0 ，即y 是n 个自变量的线性函数。
公式（5.1）可变形为：
1
i y
i
P
e
P


(5.2)
对5.2 式两边求对数，可以得到：
ln( )
1
i
i
p
y
p


= 0
1
n
i i
i
c c x

  (5.3)
从5.3式可以看出，因变量取1和取0的比率的对数不仅对i x 为线性，而且从估
计的观点看，对参数也是线性的。
5.3 基于行业分类的信用风险预测模型构建
i PD =1/(1+exp(-(-1.53+1.87BSR-3.70AECR+0.47E+0.28E*BSR+3.43E*AECR+0.65K
(-3.76***) (3.56***) (-1.84*) (0.65) (0.31) (1.07) (0.96)
+0.51K*BSR-7.17K*AECR+1.71M-0.67M*BSR-13.62M*AECR-4.37F+6.84F*BSR
( 0.59) (-1.90*) (2.98***) (-1.01) ( -3.30***) (-2.14**) (2.20**)
-6.12 F*AECR))
(-0.82) （5.4）
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
41
资产负债率（BSR）和资产现金等价物率（AECR）分别在1%和8%的显著性
水平下显著，都是影响贷款企业是否违约的重要因素。企业向银行的贷款构成了
企业负债的一部分。在贷款到期需要偿还贷款时，企业又必须拿出现金来偿还。
所以这两个变量在实证中显著，是预料之中的结果。企业的资产负债率越高，则
越有困难凑齐资金还贷，同时，现金等价物与资产的比率越低，在贷款到期时企
业也更难于及时还贷。所以资产负债率和资产现金等价物率的符号分别为正和负。
在实证中，这两个变量都表现出正确的符号。
在实证的结果中, M（制造业）和F（运输业）两个哑员变量显著，符号分别
为正和负，表明这两个行业平均上分别比基准行业表现出更高和更低的违约率。E
（建筑业）和K（房地产业）不显著，说明这两个行业平均上具有同基准行业相同
的违约概率。重庆市1999-2002年各个行业的发展体现出的不同规律印证了实证研
究的结果。
重庆市是一个老工业城市，在产业调整和产品升级中，一些企业被淘汰出局，
所以出现财务危机的可能性更高。以国有企业为例，在国有企业的改制过程中，
2001 年和2002 年，全年有38 户企业破产终结，20 户企业进入破产计划。全市应
改制的166 户地方国有大中型企业累计改制121 户，改制面达到73%。
交通运输业呈现稳中有升的局面，表现出更低的违约概率。铁路、水运和空
运量1999－2002 年货物周转量分别为337.81、354.36、388.77 和400.82 亿吨公里，
行业表现出不断发展的趋势。
长期以来，重庆市房地产行业一直受到国家政策、实物分配、低租金使用等
住房制度的影响，发展十分缓慢。80 年代开始，国家推行了城镇住房制度改革；
1998 年开始停止住房实物分配后，再加上住房公积金和商业性住房金融的实施，
使重庆市以住宅为主的房地产行业得到了快速发展。房地产行业都还处于增长期，
市场前景很好，收益也稳定，理应表现出更低的违约率，但由于这个行业的高风
险性以及其资金投入量大的特点，因此也容易出现违约的现象。房地产业的快速
发展也带动了建筑业的发展，使建筑业和房地产业表现出相同的发展规律。所以
这两个行业在平均上具有同基准行业相同的违约率，而前面分析的制造业和运输
业分别比这两个行业表现出更高和更低的违约率。
行业和财务指标的交叉项说明的是某个具体的行业具体的某个财务指标对企
业违约的敏感性。正的系数表示此财务指标提高一个单位，则导致该企业违约的
概率提高多少。负的系数则相反，财务指标提高一个单位，则企业违约的概率降
低。
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
42
5.4 模型效果比较
对于加入行业变量后是否有利于判断企业的违约，可以从两个方程（无行业
变量和有行业变量）对企业违约的判断准确率上来看。具有更高的判断准确率的
模型说明是更有效的预测企业违约的方法。
表5.9 方程的比较
Table 5.9 Compare of Equation
无行业变量方程有行业变量方程
BSR 2.095243*** 1.872413***
AECR -7.229931*** -3.700516*
E 0.465008
E*BSR 0.282999
E*AECR 3.428684
K 0.649405
K*BSR 0.506356
K*AECR -7.172672*
M 1.709929***
M*BSR -0.669952
M*AECR -13.61947***
F -4.370263**
F*BSR 6.842753**
F*AECR -6.124597
C -1.064385*** -1.527520***
H-L Statistic: 13.9846* 18.9306**
Andrews Statistic: 22.5057** 25.5292***
H-L Statistic 和Andrews Statistic 这两个统计量是Logit 回归中用于判断方程的
拟合度的统计量，加入行业变量后的方程在这两个统计量上都较无行业变量的方
程更高，说明行业变量的加入更好的拟合了数据。
重庆大学硕士学位论文5 贷款企业信用风险预测模型构建
43
表5.10 判断准确率的比较
Table 5.10 Compare of Estimate Correct
Prediction Evaluation (success cutoff C = 0.5)
Estimated
Equation（无行业变量）
Estimated
Equation（有行业变量）
Dep=0 Dep=1 Total Dep=0 Dep=1 Total
P(Dep=1)<=C 237 108 345 259 106 365
P(Dep=1)>C 152 316 468 130 318 448
Total 389 424 813 389 424 813
Correct 237 316 553 259 318 577
% Correct 60.93 74.53 68.02 66.58 75.00 70.97
% Incorrect 39.07 25.47 31.98 33.42 25.00 29.03
Total Gain* 60.93 -25.47 15.87 66.58 -25.00 18.82
表5.10 显示，加入行业变量后，方程的预测准确率从68.02%提升到了70.97%，
并且第一类错误和第二类错误都得到了降低。这说明行业变量的加入对贷款企业
违约预测精度有提升作用。
本章尝试着在对信用风险度量模型中加入行业变量，验证了贷款企业处于不
同的行业会对其出现违约行为有显著影响。通过实证，我们得出的结论是，行业
变量在截距项和交叉项上对企业违约都有显著影响，并且加入行业变量后，对贷
款企业是否违约的预测更准确了。重庆市的行业的发展状况也验证了实证结果。
通过实证结果我们可以看出，商业银行在预测企业是否违约，进而控制由此
带来的风险时，应考虑该企业所处的行业环境。本文不仅在信用风险度量研究中
有着学术理论价值，同时对银行的信贷分析和信用风险管理方面也有着重要的现
实意义，可以指导我国商业银行信用风险的管理。
重庆大学硕士学位论文6 政策建议
44
6 政策建议
6.1 贷前根据贷款企业所处行业的不同，制定不同的贷款政策
根据一般的贷款流程，在发放贷款前要对贷款企业的整体情况做分析，其中就
要注意对贷款企业所处行业的分析，根据不同的行业情况选择是否贷款以及贷款
的额度。
首先应确保贷款客户，也就是企业在申请贷款的时候，必须向银行提供真实、
可靠、完整的信息。信息不仅应包括企业的财务报表和公司的组织结构，还应包
括真实的贷款用途。如果是特定项目，还应要求贷款客户提供真实的项目信息。
从我国银行业的实践看，在客户申请贷款时，经常有利用虚假信息骗取银行贷款
的事例，所以银行在贷款前要严格把关。
企业所处行业地位及背景包括政府的产业政策、行业的发展趋势、行业的竞争
格局及市场细分、技术进步对行业的影响、行业的周期性等，在一定程度上反映
了企业在市场中的地位。在上述背景下，对企业的内部分析着重于企业的成长性
及抗风险能力，联系企业财务数据所揭示的经营效果的印证，关注企业的业务结
构、目标市场定位、竞争优势、经营理念和经营战略的评价及对企业现实状况的
对照、与企业主营业务或多元化经营行为相联系的技术、营销、财务管理、风险
及其控制、大股东的支持力度等，以及资产重组、增资扩股、重要合同或协议、
重大诉讼案件等重大事项对企业的影响，由此对企业的发展趋势进行结论性的判
断。
商业银行要根据不同行业的风险程度来选择是否贷款，要有所取舍。例如，鉴
于在餐饮、娱乐行业的信贷资产不良率一直居高不下，这些行业的资产不良率高
居不下，已大大高于建行不良资产率的平均水平，建行日前决定，除信用评级AAA
的借款人外，将对餐饮、娱乐行业的信贷存量进行清查，并计划实施退出机制。
商业银行对信贷客户对象的选择应建立在全面综合分析其行业兴衰、行业与经济
周期变化关系及行业对商业银行的边际贡献等基本指标的基础上。要使信贷资金
向正在发展的新兴行业，特别是高科技行业、基础产业及个人消费信贷领域倾斜；
设法从正在衰退或淘汰的传统产业或行业退步，尤其是要加快对国有企业中那些
中低信用等级客户的退出步伐。另外对于可以对其提供贷款的企业，再结合分析
该企业的特征来确定贷款的额度。在贷款前就把好关，尽量减少贷款不能按时归
还的风险。例如，根据实证结果，制造业变量显著，且符号为正，则处于此行业
中的贷款企业表现出更高的违约率。商业银行将贷款贷给制造业企业，则会面临
比平均更大的风险。所以对于此类行业，要更严格进行贷款企业资质、贷款用途、
重庆大学硕士学位论文6 政策建议
45
时间、额度等指标的审核，从而控制和防范可能出现的更大的信用风险。
6.2 贷中关注企业资金是否用于所审行业，控制信用风险
银行将贷款发放出去后，还要密切关注贷款的使用情况，控制风险，看其资
金投向是否是当时所审行业，也就是监督贷款用途。贷款用途是指贷款的使用范
围，借款人应该按照约定的用途使用贷款，不能用于非法目的或擅自改变贷款用
途。限制贷款用途是为了保证还款资金的来源。如果贷款不按协议的用途加以运
用，借款人可能因经营不当导致丧失还款能力。
企业资金投向的不同会影响资金的风险。企业获得银行的贷款后，可能由于
利益的驱使或其他因素而改变当初的使用目的，从而投向其他行业，这样就会一
定程度上改变贷款的风险。而根据本文的研究结论，不同的行业所面临的风险不
同，不同行业的贷款其违约率不同，所以商业银行要加强贷款使用情况的监督检
查，防止企业不按规定使用资金，造成贷款风险增大，风险管理失控。
认真开展贷中跟踪管理，对贷款企业动态监控，对可能出现的风险加以研究、
防范。要认真调查企业实情，建立企业贷款回访档案，认真记录企业基本生产经
营情况，并根据借款人的经济实力、资产负债情况、管理层的管理水平和管理能
力、经营业绩和市场占有情况等确定贷款风险程度，了解企业风险系数的变化。
特别是贷款企业所在行业的行业动态，企业生产经营与市场前景存在的潜在风险
等方面的情况，要深入调研、准确把握和评估。
6.3 贷后建立行业特征数据库，为更准确的贷款分析做准备
完善而准确的数据资料是进行信用风险分析和管理的关键之一。没有数据，信
用风险计量是空谈；数据不准确，将无法实行有效的风险管理。银行进行信用分
析的资料可以通过多种渠道获得，如借款人提供的申请贷款的资料、企业公开披
露的信息、政府部门的统计资料等。目前西方国家主要是从金融市场上获取资料，
但我国股票市场只有短短10 年的历史，许多股票只有三五年甚至更短的历史，交
易数据非常有限，市场整体的有效性也不够，这使得信用风险计量模型的建立及
其有效性的检验相当困难。同时，我国贷款企业多数都是非上市企业，因此无法
从金融市场上获得数据。因此，银行应该做好数据的收集和处理工作。
为了掌握产业及整个商业周期的变动情况，银行应注意收集相关资料，建立
有关档案，以便事先采取某些必要措施及应变准备，确保银行资产的安全。金融
机构可以自己开发和建立数据库。目前各大商业银行和政策性银行大都有自己的
信息系统，中国人民银行也开发了信贷登记咨询系统。各系统一般都登记有借款
人的信贷和贷款的基本情况等信息。
重庆大学硕士学位论文6 政策建议
46
充实行业信息库和客户数据库，构建管理信息系统、风险控制系统和决策支
持系统。以后还应尽快建立起包括行业、企业性质、关键财务指标等变量在内的
贷款企业信用风险违约数据库。在时间和企业数量两个维度上积累足够的样本量，
为研究贷款企业的违约率及商业银行面临的信用风险同行业、企业性质与关键财
务指标之间的关系做好数据准备，同时加强这方面的基础性理论研究，最终建立
起更加科学和适用的银行信用风险度量模型和标准。不同行业的发展前景、市场
结构和主要风险因素各不相同，只有通过行业比较，才能比较客观地估计不同行
业的受评对象的信用风险水平，并使不同行业的信用评级具有可比性。为此，银
行评级人员应充分重视行业研究的重要性。鉴于各分支行的技术力量有限，商业
银行总行可以组织专业人员进行此项工作，建立行业信息库，既包括对各个行业
系统详细的分析，又能及时发布国内外的最新信息，做到资源共享，提高评级工
作效率；同时，要完善现行客户基础数据库，除了资产负债情况、盈利能力和现
金流量充足性等因素以外，还要考虑经济周期的影响、行业特点、市场竞争态势、
管理水平、产权结构等对受评对象偿债能力的影响，为内部评级的顺利开展和评
级结果的检验打下良好的基础。
6.4 在信用风险预警中重视行业因素分析
银行要熟悉掌握行业情况，熟悉行业影响因素，建立科学及时的预警机制，
为贷款管理服务。信贷人员要加强行业生命周期理论学习，科学把握不同行业所
具有的独特的特点。无论在贷前、贷中还是贷后都将行业理论运用到贷款管理中，
有意识地强调对行业分析的重视。
例如，在1998 年《个人住房贷款管理办法》出台后，住房抵押贷款业务发展
很快，截止到2002 年9 月，个贷余额7423 亿元，年均增长120%。从目前来看，
住房抵押贷款违约率很低，不良贷款率全国平均不到5‰ ，远远低于高达25%的其
他贷款的不良率。因此个人抵押贷款是一种优质信贷资产，这成为目前银行争夺
个人住房贷款市场的一个重要原因。但是在住房贷款市场繁荣的背后却隐藏着信
用风险，一个原因是银行之间的激烈竞争导致银行放松了对贷款申请人的资信状
况的审查，另一个原因是在住房贷款有效期发生不确定性事件的概率比较大[66]，
第三个原因是抵押制度存在缺陷，造成抵押担保失效；第四个原因是信息不对称，
由于个人信用制度缺位，银行通常无法全面了解借款人的真实收入以及信用状况，
或者不清楚借款人的负债情况，难以准确评价贷款申请人的信用状况[67]；或者在
贷款发放后，不能对借款人的贷款使用情况、收入变动情况进行有效的监督检查。
所以商业银行要密切关注行业情况的变化，建立预警机制，及早发现并消除隐患。
重庆大学硕士学位论文6 政策建议
47
6.5 加强数据统计分析和信息披露，强化风险管理
6.5.1 加强数据的统计分析
各银行在科学建立了贷款数据库之后，可以利用标准的统计方法统计出不同
信用等级下信贷资产违约率、违约后的损失率，不同担保方式的贷款损失分布、
不同信用等级和不同行业的信用资产的损失率，经济资本分配状况和充足率等一
些巴塞尔新协议所要求的参数值，并根据统计结果定期分析动态变化，逐步积累
经验值，向银行管理层和董事会报告风险组合状况，对银行的资本充足率、准备
金和盈利能力进行分析，对资本充足率进行压力测试，逐步向内部评级法过渡。
6.5.2 信息披露
完善信息披露制度，加强市场监管，强化市场约束能力。巴塞尔银行监管委
员会新资本协议中的第三个支柱— 市场纪律中也要求建立银行信息披露制度，例
如：银行在一年内至少披露一次财务状况、重大业务活动及风险度和风险管理状
况等，这无疑是对我国现有的信息披露体系的一个很好的补充。按照《新资本协
议》的要求，银行必须披露如下信息：定性披露关于计量方法和关键数值的信息；
定量披露要求披露的风险评估信息；定量披露作为测算质量和可靠性的事后效果，
这种披露的目的是逼迫银行加强风险管理。同时还要加强会计和审计工作，提高
数据质量。当今世界复杂的经济形式和日益增加的金融创新对会计确认和计量原
则提出了新的挑战，我国要加强对会计制度的研究和改革，同时加强对企业管理
层和会计人员的教育，加强立法，增大对会计中造假的惩罚力度，避免道德风险。
美国安然事件以后，审计风险问题更加引起了广泛的重视，我国要加强对注册会
计师的职业道德教育，提高审计质量，强化注册会计师对社会公众的责任，尽量
避免与企业同谋造假，损害投资者和银行的利益。
6.6 完善信用风险评价机制和风险规避机制
6.6.1 完善信用风险评价机制
要完善风险评价流程和组织机构，充实评价人员。要在方法上和指标上改进
现行的信用评级体系和模型，增加更有效的指标，剔除敏感性差的指标和解释能
力差的指标，加强动态评价力度，要加强风险评价的完备性和完整性，不断完善
信用评价体系和模型。
6.6.2 改进信用授权方式，健全信贷风险规避机制
要对机构和个人实行有效的、可控的授权和转授权，授权权限要紧密地与风
险管理水平结合起来，不得超过银行下级单位对风险的实际控制能力，并要与经
济资本配置有效结合起来。要研究行业和大客户的授信模式，避免信贷集中和风
险集中。特别是要重点关注贷款企业所在行业，避免在高风险行业上大量投资。
重庆大学硕士学位论文6 政策建议
48
6.6.3 改进信用风险追偿机制
由于银行信贷资产的分散性，在实际生活中，债务人在重组改制和破产过程
悬空银行债务或者事后受偿，这对银行贷款偿还十分不利。因此，有必要进一步
完善贷款合同，约定在重大风险出现或者恶化时，银行可以中止合同，贷款应提
前偿还，确保能够按照事先约定、合法地追偿贷款。
重庆大学硕士学位论文7 结论和后续研究展望
49
7 结论和后续研究展望
7.1 结论
通过对前面的几章的深入分析，可以得出以下主要结论：
（1）影响银行面临的贷款信用风险的因素包括定性因素和定量因素。其中定
性因素包括企业所处行业背景、管理水平、市场竞争力、发展前景预测、外部环
境以及信誉状况六个方面。定量因素分别是企业的变现能力、资产管理能力、负
债能力、盈利能力和现金获取能力。
（2）贷款企业提供给银行的财务指标是很多的，银行如何在这些财务指标中
抓住最重要的几个指标进行审查，对于科学及时判断信用风险具有非常重要的意
义。熵权法提供了一个快速科学地挑选指标的方法，帮助商业银行经济科学客观
地分析其面临的信用风险。论文运用了熵权法确定了贷款企业财务指标对信用风
险度量影响的各自权重。熵权法对财务指标的排序结果说明：企业财务指标对其
违约率的影响不是平均的，有影响大小之分。这一结论是利用某商业银行
1999-2002 年的贷款记录获得的，虽然有一定的时空限制，但至少表明商业银行可
以利用关键变量来预测企业的违约率，并重点针对关键变量进行违约的监视。
（3）论文论证了企业贷款的违约同企业所在行业有关联性并且违约率在不同
行业有显著差异。这一结论说明企业的违约率要受到企业所在行业的显著影响，
这也为基于行业变量构建信用风险预测模型提供了实证依据，对以后学术界和商
业银行构建更完善的信用风险预测模型提供实证支持。同时也对商业银行贷款管
理有指导作用。
企业所处行业地位及背景包括政府的产业政策、行业的发展趋势、行业的竞
争格局及市场细分、技术进步对行业的影响、行业的周期性等，在一定程度上反
映了企业在市场中的地位。在上述背景下，对企业的内部分析着重于企业的成长
性及抗风险能力，联系企业财务数据所揭示的经营效果的印证，关注企业的业务
结构、目标市场定位、竞争优势、经营理念和经营战略的评价及对企业现实状况
的对照、与企业主营业务或多元化经营行为相联系的技术、营销、财务管理、风
险及其控制、大股东的支持力度等，以及资产重组、增资扩股、重要合同或协议、
重大诉讼案件等重大事项对企业的影响，由此对企业的发展趋势进行结论性的判
断。
另外，也为政策的制定提供依据。本研究得到的有益结论可以为相应的政策
制定提供理论依据和支持。例如，在《贷款通则》中，规定了对贷款用途的限制：
除依法取得房地产资格的借款人以外，不得用贷款经营房地产业务；依法取得经
重庆大学硕士学位论文7 结论和后续研究展望
50
营房地产资格的借款人，不得用贷款从事房地产投机。限制贷款用途就是为了保
证还款资金的来源。如果贷款不按协议的用途加以运用,借款人可能因经营不当导
致丧失还款能力，加大违约的风险。
（4）最后，以前的研究对于建立一个完整的基于多行业的模型（既加入行业
变量又加入行业变量与财务指标的交叉项）来预测商业银行面临的信用风险做得
比较少，也没有分析行业分类对信用风险度量模型准确率的贡献。基于此，本研
究构建了一个完整的多行业模型来度量商业银行面临的信用风险，进而对行业变
量的加入对模型的预测能力的贡献做了分析。通过实证，我们得出的结论是，行
业变量在截距项和交叉项上对企业违约都有显著影响，并且加入行业变量后，对
贷款企业是否违约的预测更准确了。重庆市的行业的发展状况也验证了实证结果。
通过实证结果我们可以看出，商业银行在预测企业是否违约，进而控制由此带来
的风险时，应考虑该企业所处的行业环境。本文不仅在信用风险度量研究中有着
学术理论价值，同时对银行的信贷分析和信用风险管理方面也有着重要的现实意
义。
7.2 后续研究展望
由于数据库数据的限制，没有能将研究做得更细，因此提出以下进一步研究
的设想和建议。
（1） 关注行业生命周期
通常，每个行业都要经历一个由成长到衰退的发展演变过程。这个过程便被
称为行业的生命周期。一般地，行业的生命周期可分为四个阶段，即初创期（也
叫幼稚期）、成长期、成熟期和衰退期。企业处于不同的成长阶段，其财务特征和
面临的经营风险和财务风险也不尽相同，所以对行业生命周期的关注可以更准确
衡量企业的风险，更有利于信用风险的预测。
（2） 关注企业生命周期
企业经营不仅要受到行业生命周期的影响，还要受到企业生命周期的影响。
一般来说，企业生命周期变化规律是以12 年为周期的长程循环。它由4 个不同阶
段的小周期组成，每个小周期为3 年。如果再往下分，一年12 个月可分为4 个微
周期，每个微周期为3 个月。由于不同的企业存在着不同的生命周期，不同的生
命周期体现不同的变化特征，所以在对企业违约率的预测中还可以进一步关注企
业的生命周期。
重庆大学硕士学位论文致谢
51
致谢
本文的研究工作是在我的导师张宗益教授的精心指导和悉心关怀下完成的，研
究工作的每一步进展无不倾注着导师辛勤的汗水和心血。导师严谨的治学态度、
渊博的知识、无私的奉献精神使我深受启迪。从尊敬的导师身上，我不仅学到了
扎实、宽广的专业知识，也学到了做人的道理，受益匪浅。在此我要向我的导师
致以最衷心的感谢和深深的敬意。
在多年的学习生活中，还得到了许多老师的热情关心和帮助。在日常学习和
生活中，我的同门师兄弟也给予了我很大帮助，在此特别感谢李军锋和吴俊两位
师兄。同时，向所有关心和帮助过我的老师、同学和朋友表示由衷的谢意！
感谢我的父母和男朋友对我学业的支持！
衷心感谢在百忙之中评阅论文和参加答辩评审的各位专家、教授！
胡纯
二OO 六年四月
重庆大学硕士学位论文参考文献
52
参考文献
[1] 约翰穆勒，《政治经济学原理》[M]（下卷），商务印书馆，1991,第42 页
[2] 约翰希克斯（1969），《经济史理论》[M]，商务印书馆，1987,143-145
[3] Paul Wachtel, “Growth and finance: what do we know and how do we kown it?”, international
finance[J],2003(3): 335-362
[4] 罗伯特伦辛克主编，《金融发展与经济增长：发展中国家（地区）的理论与经验》[M]，
经济科学出版社，2001
[5] 吴少新，中国银行债务特点及其资产风险管理，金融体制改革[J]，1996.5
[6] 有效银行监管的核心原则，巴塞尔银行监管委员会，1997.9
[7] Messier W.F.Hansen J V.Inducing rules for expert system developmetan example using default
and bankruptcy data[J].Management Science,1988,34(12):1403-1415.
[8] Robert J Mocher, Dologtic D G. Knowledge-based system: an introduction to expert
system[M]. New York: Macmillac Publishing Company, 1999.
[9] Edmister, R. O., An Empirical Test of Financial Ratio Analysis for Small Business Failure
Prediction, Journal of Financial and Quantitative Analysis[J], 1972, Vol. 7, No. 2, pp.1477-
1493.
[10] Deakin, E. B., A Discriminant Analysis of Predictors of Business Failure, Journal of
Accounting Research[J], 1972, Vol.10, No.1, pp.167-179.
[11] Beaver, W.H. (1966), Financial ratios as predictors of failure, Journal of Accounting Research
[J], pp.71-111.
[12] Edward I. Altman. Financial ratios, Discriminate analysis and the predication of corporate
bankruptcy. Journal of Finance [J], 1968(23), 589-609.
[13] Edward I. Altman, R.G. Haldeman, and P. Narayanan. ZETA Analysis: A new model to
identify bankruptcy risk of corporations. Journal of Banking and Finance [J], 1977(1): 29-54.
[14] Gombola, M. J., M. E. Haskins, J. E. Ketz, and D. D. Williams, “Cash Flow in Bankruptcy
Prediction, Financial Management[J], 1987, Vol. 16, No. 4, pp.55-65.
[15] Ohlson, Financial ratios and the probabilitic prediction of bankruptcy, Journal of accounting
research[J], 1980,Vol.18, No.1
[16] Press S J, Wilson. Choosing between logistics regression and discriminant analysis. American
Associate[J]. 1963,58:789-806
[17] Lo, A. W., Logit Versus Discriminant Analysis : A Specification Test and Application to
Corporate Bankruptcies, Journal of Econometrics[J], 1986, Vol. 31, No. 2, pp.151-178.
重庆大学硕士学位论文参考文献
53
[18] Odom, M.D. R·Sharda (1990), A Neural Network Model for Bankruptcy Prediction, IEEE
INNS IJCNN 2, pp.163-168.
[19] Atman E. I., G. Macro. F. Varetto (1994), Corporate Distress Diagnosis:Comparisons Using
Linear Discriminant Analysis and Neural Networks (the Italian Experience), Journal of
Banking and Finance[J] 18, pp.505-529.
[20] Coats, P.K., L.F. Fant ( 1993 ), Recognizing Financial Distress Patterns Using a Neural
Network Tool , Financial Management[J] .2, pp.142-1551.
[21] Davalos, S., R. D. Grittza, G. Chow (1999), The application of a neural network approach to
predicting bankruptcy risks facing the major US air carriers:1979-1996, Journal of Air
Transport Management [J]4, pp.81-86.
[22] Serrano-Cinca, C. (1996), Self organizing neural networks for financial diagnosis, Decision
Support Systems[J] 17,pp. 297-315.
[23] Atman E. I., G. Macro. F. Varetto (1994), Corporate Distress Diagnosis:Comparisons Using
Linear Discriminant Analysis and Neural Networks (the Italian Experience), Journal of
Banking and Finance[J] 18, pp.505-529.
[24] Longstaff F, Schwartz E. Interest rate volatility and the term structure: a two-factor general
equilibrium model[J]. Journal of Finance, 1995(4): 1340-1349
[25] Zhou, C. A, Jump Diffusion Approach to Modeling Credit Risk and Valuing Default-able
Securities.Working Paper, Federal Reserve Board of Governors. 1997.
[26] Nyfeler. Modeling Dependencies in Credit Risk Management.Working Paper 2000.
[27] Lawrece·R·Forest. Kpmecpeat·Marwick., An One-parameter Representation of Credit Risk
and Transition Matrices.Working Paper 2000.
[28] David·Jones. John·Mingo. Credit Risk Modeling and Internal Capital Allocations:
Implications for a Models-Based Regulatory Capital Standard. Journal of Economics and
Business, [J] 1999, 79－108.
[29] Edward·I·Altman. H.·J.·Suggitt, “Mortality Rates on Large Syndicated Corporate Bank
Loans.”Working Paper S-97-39, New York University Salomon Center, New York, 1997.
[30] Nickell·P.·Perraudin. S·Varotto. Ratings versus Equity-based Credit Risk Models: an Empirical
Investigation. Banks of England.Working Paper, 1998.
[31] Belkin·B., L·R·Forest, S. D. Aguais, and S. J. Suchower, Credit Risk Premiums in Commercial
Lending. KPMG, New York, August 1998.
[32] Belkin·B., S.J·Suchower, and L. R. Forest, The Effect of Systematic Credit Risk on Loan
Portfolio Value at Risk and Loan Pricing. Credit Metrics Monitor, [J] 1998c, pp. 17-28.
[33] Belkin·B., S.J·Suchower, D.H·Wagner. L.R·Forest, Measures of Credit Risk and Loan Value In
重庆大学硕士学位论文参考文献
54
LASSM. KPMG Risk Strategy Practice, 1998.
[34] Crouhy, D·Gala. R·Mark. Prototype risk rating system. Journal of Banking and Finance[J],
1998(25), 47-96.
[35] Arrow, K.K., Le Role Des Valeurs Boursieres Pour la Repartition de la Meilleure Des Risques.
Econometric Colloq. ICNRS, 40,1953, pp.41-47.
[36] 王春峰, 万海晖, 张维. 商业银行信用风险评估及其实证研究. 管理科学学报[J], 1998(1).
68-72.
[37] 施锡铨, 邹新月. 典型判别分析在企业信用风险评估中的应用. 财经研究[J], 2001(10).
53-57.
[38] 方洪全, 曾勇, 银行信用风险评估方法实证研究及比较分析. 金融研究[J], 2004（1）.62-69
[39] 王春峰, 万海晖等. 基于神经网络技术的商业银行信用风险评估. 系统工程理论与实践
[J], 1999(9).24-32
[40] 王春峰, 万海晖等.金融市场风险预测模型. 系统工程学报[J], 2000(3).67-74
[41] 王春峰，康莉，基于遗传规划方法的商业银行信用风险评估模型，系统工程理论与实践
[J]，2001.2.73-78
[42] 杨保安，季海，徐晶，温金祥，BP 神经网络在企业财务危机预警之应用，预测[J]，2001，
2.49-54
[43] Huber,P,J. Project persuit. Ann. Sratist. 1985,13:435-475.
[44] 王春峰，商业银行信用风险评估：投影寻踪判别分析模型，管理科学学报[J],2000.2
[45] 方洪全, 曾勇, 银行信用风险评估方法实证研究及比较分析. 金融研究[J], 2004（1）
[46] 王春峰，李汶华，小样本数据信用风险评估研究，管理科学学报[J]，2001.2
[47] Douglas W. Dwyer, Ahmet E. Kocagil, Roger M. Stein: Moody’s KMV riskcalc v3.1 model,
Moody’s KMV, 2004
[48] Lang, L. Stultz.R: contagion and competitive intra-industry effects of bankruptcy
announcements: an empirical analysis. Journal of financial economics [J]，1992（32）,45-60.
[49] Shlerfer, Vishny: Liquidation values and debt capacity: a market equilibrium approach,
Journal of Finance [J] (1992), 47, 1343-1366
[50] Opler, Titman: Financial distress and corporate performance, Journal of Finance [J] 1994, 49,
1015-1040
[51] Maksimovic V, Phillips G. Asset efficiency and reallocafion decisions of bankrupt firms[J].
Journal of Finance, 1998, 53(5):1495-1532.
[52] Berkovitch, Motives for Takeovers: An Empirical Investigation, Journal of Financial and
Quantitative Analysis[J], 28, September 1998, pp.347-362.
[53] Acharya, Bharath,Srinivasan, Understanding the recovery rates on defaulted securities,
重庆大学硕士学位论文参考文献
55
working paper,2003
[54] Platt, H.D. M.B. Platt (2002), Predicting corporate financial distress: reflections on choicebased
sample bias, Journal of Economics and Finance[J] 26, pp.184-199.
[55] Chava,Jarrow, Bankruptcy prediction with industry effects,working paper,2004
[56] 王春峰. 金融市场风险管理[M]. 天津:天津大学出版社, 2001.
[57] 赵晓菊，银行风险管理[M].上海：上海财经大学出版社
[58] 曾国坚，何五星，银行风险论[M].北京：中国计划出版社.1995
[59] 钱小安，信贷紧缩、银行重组与金融发展[M]，上海人民出版社，23-24
[60] 李志辉.现代信用风险量化与管理研究[M].北京. 中国金融出版社，2001
[61] Stiglitz,Weiss. A credit rationing in markets with imperfect information, American Economics
Review[J], June 1981
[62] 王君、李伏安等. 贷款风险分类原理与实务[M].北京. 中国金融出版社。2001：92-94
[63] 赵国君. 财务报告分析[M].北京：北京大学出版社，2002：358-378
[64] 于秀林，任雪松.多元统计分析[M]. 北京：中国统计出版社.1995.136-137
[65] 温珂、董青马，银行贷款风险之行业观，农金纵横[J]，2003.3，61-64
[66] 臧国华、徐晗笑，商业银行房地产住房信贷风险及其防范，上海金融[J]，2002.12.45-46
[67] 汪利娜，中国需要什么样的住宅抵押保险机制，财经科学[J].2001.4.21-27
重庆大学硕士学位论文附录
56
附录
作者在攻读硕士学位期间发表的论文
[1] 张宗益胡纯. 基于行业分类的商业银行信用风险度量模型及其实证分析. 《统计与决策》
2006.6(已录用)
[2] 胡纯张宗益. 熵权法在商业银行信用风险分析中的运用.《山西财经大学学报》2005.2
[3] 胡纯张宗益. 商业银行信用风险预测模型的分析.《财经问题研究》. 2005.10(增刊)
[4] 朱小宗耿华丹胡纯. 现代信用风险度量模型评析.《商业时代》2005.18
作者在攻读硕士学位期间科研情况
[1] 重庆市电力公司输变电改革战略规划（接受重庆市电力公司的课题委托，在中国电力体
制改革的总体背景下，结合国内外电力改革的经验和教训，研究确定了重庆市电力体制
改革的第一步，进行了厂网分开，重组了资产，为第二步竞价上网改革做了准备）
[2] 以工业富县为目标的武隆县电力工业发展战略研究（以期通过对武隆县国民经济和电力
工业发展的研究，实现武隆县以电力工业为主导的工业富县目标）
[3] 重庆商社集团战略规划（接受商社集团的课题委托，所提交的报告通过了商务部的答辩，
成功帮助商社集团获得了商务部重点培育国内二十家大型流通企业的支持）
[4] 重庆市商业银行战略规划（重庆市商业银行正在依据此规划实施改革）
[5] 商业银行公司治理结构研究（此课题获得重庆市金融学会二等奖）
[6] 商业银行信用风险度量研究（此为2005 年重庆市金融学会招标课题）
[7] 不良资产处置新模式— — 重庆模式（暂定名）（接受国家开发银行重庆市分行、重庆市国
资委和渝富资产管理公司的共同委托，编撰关于重庆市处置金融机构不良资产一书，以
期宣传和发展重庆这种新的模式，此课题正在进行）
重庆大学硕士学位论文附录
57
尾注
[1]约翰穆勒，《政治经济学原理》[M]（下卷），商务印书馆，1991,第42 页
[2]约翰希克斯（1969），《经济史理论》[M]，商务印书馆，1987,143-145
[3] PaulWachtel, “Growth and finance: what do we know and how do we kown it?”, international
finance[J],2003(3): 335-362
[4]罗伯特伦辛克主编，《金融发展与经济增长：发展中国家（地区）的理论与经验》[M]，经
济科学出版社，2001
[5]吴少新，中国银行债务特点及其资产风险管理，金融体制改革[J]，1996.5
[6]有效银行监管的核心原则，巴赛尔银行监管委员会，1997.9
[7] MessierW.F.Hansen J V.Inducing rules for expert system developmetan example using default
and bankruptcy data[J].Management Science,1988,34(12):1403-1415.
[8] Robert J Mocher, Dologtic D G. Knowledge-based system: an introduction to expert system[M].
New York: Macmillac Publishing Company, 1999.
[9] Edmister, R. O., An Empirical Test of Financial Ratio Analysis for Small Business Failure
Prediction, Journal of Financial and Quantitative Analysis[J], 1972, Vol. 7, No. 2, pp.1477-1493.
[10] Deakin, E. B., A Discriminant Analysis of Predictors of Business Failure, Journal of Accounting
Research[J], 1972, Vol.10, No.1, pp.167-179.
[11] Beaver,W.H. (1966), Financial ratios as predictors of failure, Journal of Accounting Research
[J], pp.71-111.
[12] Edward I. Altman. Financial ratios, Discriminate analysis and the predication of corporate
bankruptcy. Journal of Finance [J], 1968(23), 589-609.
[13] Edward I. Altman, R.G. Haldeman, and P. Narayanan. ZETAAnalysis: A new model to identify
bankruptcy risk of corporations. Journal of Banking and Finance [J], 1977(1): 29-54.
[14] Gombola, M. J., M. E. Haskins, J. E. Ketz, and D. D.Williams, “Cash Flow in Bankruptcy
Prediction, Financial Management[J], 1987, Vol. 16, No. 4, pp.55-65.
[15] Ohlson, Financial ratios and the probabilitic prediction of bankruptcy, Journal of accounting
research[J], 1980,Vol.18, No.1
[16] Press S J,Wilson. Choosing between logistics regression and discriminant analysis. American
Associate[J]. 1963,58:789-806
[17] Lo, A.W., Logit Versus Discriminant Analysis : A Specification Test and Application to
Corporate Bankruptcies, Journal of Econometrics[J], 1986, Vol. 31, No. 2, pp.151-178.
[18] Odom, M.D. and R. Sharda (1990), A Neural Network Model for Bankruptcy Prediction, IEEE
INNS IJCNN 2, pp.163-168.
[19] Atman E. I., G. Macro and F. Varetto (1994), Corporate Distress Diagnosis:Comparisons Using
Linear Discriminant Analysis and Neural Networks (the Italian Experience), Journal of Banking and
Finance[J] 18, pp.505-529.
[20] Coats, P.K., and L.F. Fant ( 1993 ), Recognizing Financial Distress Patterns Using a Neural
Network Tool , Financial Management[J] .2, pp.142-1551.
[21] Davalos, S., R. D. Grittza, and G. Chow (1999), The application of a neural network approach to
predicting bankruptcy risks facing the major US air carriers:1979-1996, Journal of Air Transport
Management [J]4, pp.81-86.
[22] Serrano-Cinca, C. (1996), Self organizing neural networks for financial diagnosis, Decision
Support Systems[J] 17,pp. 297-315.
[23] Atman E. I., G. Macro and F. Varetto (1994), Corporate Distress Diagnosis:Comparisons Using
Linear Discriminant Analysis and Neural Networks (the Italian Experience), Journal of Banking and
Finance[J] 18, pp.505-529.
[24] Longstaff F, Schwartz E. Interest rate volatility and the term structure: a two-factor general
equilibrium model[J]. Journal of Finance, 1995(4): 1340-1349
[25] Zhou, C. A Jump Diffusion Approach to Modeling Credit Risk and Valuing Default-able
Securities.Working Paper, Federal Reserve Board of Governors. 1997.
[26] Nyfeler. Modeling Dependencies in Credit Risk Management.Working Paper 2000.
[27] Lawrece·R.·Forest and Kpmecpeat·Marwick., An One-parameter Representation of Credit
重庆大学硕士学位论文附录
58
Risk and Transition Matrices.Working Paper 2000.
[28] David Jones and John Mingo. Credit Risk Modeling and Internal Capital Allocations:
Implications for a Models-Based Regulatory Capital Standard. Journal of Economics and Business,
[J] 1999, 79－108.
[29] Edward I. Altman and H. J. Suggitt, “Mortality Rates on Large Syndicated Corporate Bank
Loans.”Working Paper S-97-39, New York University Salomon Center, New York, 1997.
[30] Nickell, P., Perraudin and S. Varotto. Ratings versus Equity-based Credit Risk Models: an
Empirical Investigation. Banks of England.Working Paper, 1998.
[31] Belkin, B., L.R. Forest, S. D. Aguais, and S. J. Suchower, Credit Risk Premiums in Commercial
Lending. KPMG, New York, August 1998.
[32] Belkin, B., S.J. Suchower, and L. R. Forest, The Effect of Systematic Credit Risk on Loan
Portfolio Value at Risk and Loan Pricing. Credit Metrics Monitor, [J] 1998c, pp. 17-28.
[33] Belkin, B., S.J. Suchower, D. H.Wagner, and L.R. Forest, Measures of Credit Risk and Loan
Value In LASSM. KPMG Risk Strategy Practice, 1998.
[34] Crouhy, D. Galai and R. Mark. Prototype risk rating system. Journal of Banking and
Finance[J], 1998(25), 47-96.
[35] Arrow, K.K., Le Role Des Valeurs Boursieres Pour la Repartition de la Meilleure Des Risques.
Econometric Colloq. ICNRS, 40,1953, pp.41-47.
[36]王春峰, 万海晖, 张维. 商业银行信用风险评估及其实证研究. 管理科学学报[J], 1998(1).
[37]施锡铨, 邹新月. 典型判别分析在企业信用风险评估中的应用. 财经研究[J], 2001(10).
[38]方洪全, 曾勇, 银行信用风险评估方法实证研究及比较分析. 金融研究[J], 2004（1）
[39]王春峰, 万海晖等. 基于神经网络技术的商业银行信用风险评估. 系统工程理论与实践[J],
1999(9).
[40]王春峰, 万海晖等. 基于遗传规划方法的商业银行信用风险评估模型. 系统工程理论与实
践[J], 2001(2).
[41]王春峰，康莉，基于遗传规划方法的商业银行信用风险评估模型，系统工程理论与实践[J]，
2001.2
[42]杨保安，季海，徐晶，温金祥，BP 神经网络在企业财务危机预警之应用，预测[J]，2001，
2 [
43] Huber,P,J. Project persuit[J]. Ann. Sratist. 1985,13:435-475.
[44] 王春峰，商业银行信用风险评估：投影寻踪判别分析模型，管理科学学报[J],2000.2
[45]方洪全, 曾勇, 银行信用风险评估方法实证研究及比较分析. 金融研究[J], 2004（1）
[46]王春峰，李汶华，小样本数据信用风险评估研究，管理科学学报[J]，2001.2
[47] DouglasW. Dwyer, Ahmet E. Kocagil, Roger M. Stein: Moody’s KMV riskcalc v3.1 model,
Moody’s KMV, 2004
[48] Lang, L. and Stultz. R: contagion and competitive intra-industry effects of bankruptcy
announcements: an empirical analysis. Journal of financial economics [J]，1992（32）,45-60.
[49] Shlerfer, Vishny: Liquidation values and debt capacity: a market equilibrium approach, Journal
of Finance [J] (1992), 47, 1343-1366
[50] Opler, Titman: Financial distress and corporate performance, Journal of Finance [J] (1994),
49,1015-1040
[51] Maksimovic V, Phillips G. Asset efficiency and reallocafion decisions of bankrupt firms[J].
Journal of Finance, 1998, 53(5):1495-1532.
[52] Berkovitch, Motives for Takeovers: An Empirical Investigation, Journal of Financial and
Quantitative Analysis[J], 28, September 1998, pp.347-362.
[53] Acharya, Bharath,Srinivasan, Understanding the recovery rates on defaulted securities, working
paper,2003
[54] Platt, H.D. and M.B. Platt (2002), Predicting corporate financial distress: reflections on
choice-based sample bias, Journal of Economics and Finance[J] 26, pp.184-199.
[55] Chava,Jarrow, Bankruptcy prediction with industry effects,working paper,2004
[56]王春峰. 金融市场风险管理[M]. 天津:天津大学出版社, 2001.
[57]赵晓菊，银行风险管理[M].上海：上海财经大学出版社
[58] 曾国坚，何五星，银行风险论[M].北京：中国计划出版社.1995
重庆大学硕士学位论文附录
59
[59]钱小安，信贷紧缩、银行重组与金融发展[J]，上海人民出版社，23-24
[60] 李志辉.现代信用风险量化与管理研究[M].北京. 中国金融出版社，2001
61 A credit rationing in markets with imperfect information”, American Economics Review, June
1981
[62] 王君、李伏安等. 贷款风险分类原理与实物[M].北京. 中国金融出版社。2001：92-94
[63] 赵国君. 财务报告分析[M].北京：北京大学出版社，2002：358-378
[64] 于秀林，任雪松.多元统计分析[M]. 北京：中国统计出版社.1995.136-137
[65] 温珂、董青马，银行贷款风险之行业观，农金纵横[J]，2003.3，61-64
66臧国华、徐晗笑，商业银行房地产住房信贷风险及其防范，上海金融，2002.12.45-46
67汪利娜，中国需要什么样的住宅抵押保险机制，财经科学.2001.4.21-27