信用風(fēng)險(xiǎn)評(píng)估

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇信用風(fēng)險(xiǎn)評(píng)估范文，相信會(huì)為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

信用風(fēng)險(xiǎn)評(píng)估范文第1篇

關(guān)鍵詞：商業(yè)銀行；信用風(fēng)險(xiǎn)評(píng)估；定性方法；定量方法

中圖分類號(hào)：F2

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672-3198（2013）09-0027-02

企業(yè)信用評(píng)估和企業(yè)財(cái)務(wù)預(yù)警是企業(yè)財(cái)務(wù)管理研究的重要課題。諸多學(xué)者將兩個(gè)問題一起進(jìn)行研究，這兩者之間還是有本質(zhì)區(qū)別的。財(cái)務(wù)預(yù)警即財(cái)務(wù)失敗預(yù)警，是指借助企業(yè)提供的財(cái)務(wù)報(bào)表、經(jīng)營(yíng)計(jì)劃及其他相關(guān)會(huì)計(jì)資料，利用財(cái)會(huì)、統(tǒng)計(jì)、金融、企業(yè)管理、市場(chǎng)營(yíng)銷理論，采用比率分析、比較分析、因素分析及多種分析方法，對(duì)企業(yè)的經(jīng)營(yíng)活動(dòng)、財(cái)務(wù)活動(dòng)等進(jìn)行分析預(yù)測(cè)，以發(fā)現(xiàn)企業(yè)在經(jīng)營(yíng)管理活動(dòng)中潛在的經(jīng)營(yíng)風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn)，并在危機(jī)發(fā)生之前向企業(yè)經(jīng)營(yíng)者發(fā)出警告。信用評(píng)估本質(zhì)上是對(duì)企業(yè)履約各種承諾能力和信用程度進(jìn)行全面評(píng)估，預(yù)測(cè)未來償債可能性來辨識(shí)不同企業(yè)的方法。服務(wù)的對(duì)象有商業(yè)銀行、金融監(jiān)管機(jī)構(gòu)、與受評(píng)對(duì)象有業(yè)務(wù)往來的商業(yè)客戶以及社會(huì)公眾和投資者。

（1）定性評(píng)估方法：人工專家分析法，又被稱為古典信用分析方法，包括5C、5P、5W法，5C法指貸款申請(qǐng)企業(yè)或個(gè)人的道德狀況，償債能力，貸款申請(qǐng)企業(yè)或個(gè)人的財(cái)產(chǎn)狀況，可用于進(jìn)行貸款申請(qǐng)時(shí)抵押擔(dān)保的資產(chǎn)價(jià)值，宏觀經(jīng)濟(jì)狀況。 5W法指貸款申請(qǐng)人、申請(qǐng)貸款的使用、貸款的時(shí)間長(zhǎng)度、擔(dān)保資產(chǎn)價(jià)值及還款方式。目前我國(guó)商業(yè)銀行實(shí)務(wù)中仍主要采用的信用評(píng)估分析方法。

（2）定量評(píng)估方法。

①統(tǒng)計(jì)方法：多元判別分析法（Multi-linear Discriminate Analysis）是較早應(yīng)用于企業(yè)信用評(píng)估的多元統(tǒng)計(jì)方法。Altman（1968）最早提出Z-score模型對(duì)企業(yè)運(yùn)營(yíng)財(cái)務(wù)危機(jī)預(yù)警、企業(yè)違約預(yù)測(cè)問題進(jìn)行研究，使用較少的財(cái)務(wù)比率迅速進(jìn)行判斷分析，使用年度報(bào)表的數(shù)據(jù)運(yùn)用財(cái)務(wù)比率進(jìn)行分析：企業(yè)運(yùn)營(yíng)成本/平均總資產(chǎn)、留存收益/平均總資產(chǎn)、息稅前利潤(rùn)總額/平均總資產(chǎn)、普通股股東權(quán)益合計(jì)/平均總負(fù)債、營(yíng)業(yè)收入/平均總資產(chǎn)，并且對(duì)三十多家樣本公司進(jìn)行分析，得到準(zhǔn)確率較高的分析結(jié)果，該模型屬于貝葉斯判別，用樣本修正已有的先驗(yàn)概率分布得到后驗(yàn)概率分布。這篇經(jīng)典論文開創(chuàng)了企業(yè)破產(chǎn)預(yù)測(cè)，財(cái)務(wù)危機(jī)預(yù)警，信用評(píng)估分析的先河。Altman（1977）在前述論文的基礎(chǔ)上進(jìn)行了完善，又加入幾個(gè)財(cái)務(wù)比率建立ZETA模型，使用總資產(chǎn)收益率（利潤(rùn)總額/平均總資產(chǎn)）、利潤(rùn)增長(zhǎng)率（利潤(rùn)總額/上一年利潤(rùn)總額）、利息保障倍數(shù)（息稅前利潤(rùn)總額/利息費(fèi)用）、留存收益/平均總資產(chǎn)、流動(dòng)比率（流動(dòng)資產(chǎn)/流動(dòng)負(fù)債）、平均總資產(chǎn)、公司股票市價(jià)等財(cái)務(wù)比率，得到比簽署模型更好的分析結(jié)果。Logistic模型分析。Martin（1977）使用財(cái)務(wù)比率進(jìn)行企業(yè)經(jīng)營(yíng)財(cái)務(wù)預(yù)警及企業(yè)貸款違約分析，使用多元統(tǒng)計(jì)學(xué)中的Logistic回歸方法，使用1970至1971年的報(bào)表數(shù)據(jù)從的美聯(lián)儲(chǔ)成員銀行5600多家中選取58家屬于財(cái)務(wù)困境，違約樣本的銀行進(jìn)行分析測(cè)算，使用資產(chǎn)凈利率（利潤(rùn)總額/平均總資產(chǎn)）等8個(gè)財(cái)務(wù)比率，進(jìn)行分析測(cè)算，并且分析不同的信息使用者的風(fēng)險(xiǎn)偏好差異，如投資人和債權(quán)人，測(cè)算不同的風(fēng)險(xiǎn)預(yù)警系數(shù)，便于信息使用者更好地作出分析決策，得到較好的分析結(jié)果，并且使用該多元回歸模型與前述的Z-Score模型，ZETA模型測(cè)算的結(jié)果進(jìn)行對(duì)比分析，得到優(yōu)于前述模型的預(yù)測(cè)數(shù)據(jù)。吳世農(nóng)（2001）收集我國(guó)上市公司1998至2002年A股市場(chǎng)的ST公司共計(jì)七十多家，收集樣本數(shù)據(jù)的時(shí)間是公司轉(zhuǎn)化成ST的年度，并且選取相關(guān)行業(yè)的七十多家作為對(duì)照組樣本，進(jìn)行橫截面數(shù)據(jù)分析，選用不同的計(jì)量模型進(jìn)行對(duì)比研究，主要有線性概率模型（LPM），F(xiàn)isher二類線性判定，Logistic模型等多元統(tǒng)計(jì)方法對(duì)企業(yè)財(cái)務(wù)進(jìn)行預(yù)警研究，最終結(jié)果是Logistic模型的預(yù)測(cè)準(zhǔn)確率均高于Fisher判別分析法和LPM的準(zhǔn)確率。于立勇、詹捷輝（2004）也使用Logistic模型，選取商業(yè)銀行的貸款企業(yè)客戶的財(cái)務(wù)數(shù)據(jù)進(jìn)行信用違約的分析，得到較好的測(cè)算概率。方洪全、曾勇（2004）在銀行信用風(fēng)險(xiǎn)評(píng)估方法實(shí)證研究及比較分析中運(yùn)用Logit模型分析。李志輝、李萌（2005）選取了195家上市公司為樣本，Logistic模型的準(zhǔn)確率高于線性判別模型神經(jīng)網(wǎng)絡(luò)模型。Junni L. Zhang（2010）運(yùn)用貝葉斯加分類樹法對(duì)德國(guó)公司財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行償債能力進(jìn)行有效得分類。

②信用風(fēng)險(xiǎn)評(píng)估模型。Credit Metrics（信用計(jì)量模型）是摩根大通等美國(guó)知名金融機(jī)構(gòu)采用用VaR（在險(xiǎn)價(jià)值模型）的思路，對(duì)個(gè)人和企業(yè)的貸款以及其他金融資產(chǎn)進(jìn)行價(jià)值估計(jì)和風(fēng)險(xiǎn)預(yù)測(cè)的計(jì)算方法。麥肯錫公司提出的Credit Portfolio View模型（信貸組合審查模型），是改造Credit Metrics模型，考慮到周期性宏觀經(jīng)濟(jì)因素，結(jié)合信用風(fēng)險(xiǎn)評(píng)級(jí)轉(zhuǎn)移和宏觀經(jīng)濟(jì)變量如年度經(jīng)濟(jì)增長(zhǎng)率、市場(chǎng)利率、政府支出等建立關(guān)聯(lián)模型，使用蒙特卡羅技術(shù)模擬宏觀經(jīng)濟(jì)周期性因素的計(jì)算得到評(píng)級(jí)轉(zhuǎn)移概率。KMV模型（Credit Monitor模型）（是美國(guó)KMV公司提出后被穆迪公司收購(gòu)），該模型是可以對(duì)上市公司的信貸違約概率進(jìn)行預(yù)測(cè)分析。張玲等（2004）運(yùn)用KMV模型評(píng)估我國(guó)上市公司ST公司和非ST公司的信用風(fēng)險(xiǎn)后得到，改變KMV模型的相關(guān)變量可以至少提前2年預(yù)警我國(guó)上市公司的信用違約風(fēng)險(xiǎn)，并且可以提前4年進(jìn)行上市公司的信用風(fēng)險(xiǎn)變化趨勢(shì)的預(yù)測(cè)。戴志鋒等（2005） 運(yùn)用KMV對(duì)我國(guó)上市公司數(shù)據(jù)和某國(guó)有商業(yè)銀行非上市公司的信貸數(shù)據(jù)進(jìn)行驗(yàn)證，實(shí)證結(jié)果表明非上市公司模型在中國(guó)具有一定的預(yù)測(cè)能力，但預(yù)測(cè)準(zhǔn)確率低于歐美國(guó)家。Credit Risk+模型（信用風(fēng)險(xiǎn)附加模型）是由瑞士信貸銀行金融產(chǎn)品部（CSFP）開發(fā)的，它是一個(gè)違約模型（Default Model）。

③人工智能方法：神經(jīng)網(wǎng)絡(luò)。陳雄華等（2002）采用人工神經(jīng)網(wǎng)絡(luò)模型研究企業(yè)信用等級(jí)的評(píng)估問題，按照企業(yè)樣本分為制造業(yè)和非制造業(yè)兩大類，利用偏相關(guān)分析方法建立了企業(yè)信用評(píng)級(jí)的指標(biāo)體系，實(shí)驗(yàn)結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)準(zhǔn)確性。于立勇（2003）收集一百多個(gè)企業(yè)作為訓(xùn)練樣本，運(yùn)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信用違約風(fēng)險(xiǎn)分析，得到有效的預(yù)測(cè)結(jié)果。章忠志、符林、唐換文（2003）使用神經(jīng)網(wǎng)絡(luò)模型，選取28個(gè)企業(yè)數(shù)據(jù)做為樣本進(jìn)行分析，預(yù)測(cè)結(jié)果準(zhǔn)確率達(dá)到90%以上。徐佳娜、西寶（2004）使用人工神經(jīng)網(wǎng)絡(luò)模型與層次分析法（AHP）相結(jié)合建立模型對(duì)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，預(yù)測(cè)結(jié)果說明該模型比已有的其他模型準(zhǔn)確更高。張衛(wèi)東等（2006）建立模型結(jié)合前饋型神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊數(shù)學(xué)方法來，評(píng)估商業(yè)銀行企業(yè)客戶的信用風(fēng)險(xiǎn)，使用Matlab軟件對(duì)選取的商業(yè)銀行企業(yè)客戶數(shù)據(jù)進(jìn)行測(cè)算，得到的結(jié)果表明準(zhǔn)確率比以前的模型方法有所提高，模型更具魯棒性。夏紅芳（2007）通過與上海某商業(yè)銀行的合作，對(duì)其1999-2005年的貸款明細(xì)和公司財(cái)務(wù)數(shù)據(jù)進(jìn)行了系統(tǒng)研究，運(yùn)用粗糙集理論的約簡(jiǎn)功能，從中選出最能反映企業(yè)信用狀況的8項(xiàng)財(cái)務(wù)指標(biāo)，再應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)方法進(jìn)行信用評(píng)估，實(shí)證研究表明所提方法具有較高精度。但是使用人工神經(jīng)網(wǎng)絡(luò)模型需要根據(jù)實(shí)際的樣本數(shù)據(jù)不斷調(diào)整系數(shù)，相對(duì)而言模型的魯棒性不夠強(qiáng)。戴芬（2009）根據(jù)中小企業(yè)信用評(píng)估指標(biāo)體系，提出了一種基于蟻群神經(jīng)網(wǎng)絡(luò)的評(píng)估模型。結(jié)果表明蟻群神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法相比，具有較強(qiáng)的泛化能力，應(yīng)用在中小企業(yè)信用評(píng)估系統(tǒng)中具有很高的評(píng)估準(zhǔn)確率。

整數(shù)規(guī)劃法。薛鋒（2006）選取上市公司數(shù)據(jù)，使用混合整數(shù)規(guī)劃法，建立企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，模型可以滿足非參數(shù)檢驗(yàn)，也不需要樣本數(shù)據(jù)服從正態(tài)分布，可以較為廣泛的應(yīng)用，經(jīng)數(shù)據(jù)實(shí)際測(cè)算的結(jié)果說明，該模型魯棒性較好，預(yù)測(cè)效果較好，準(zhǔn)確率較高。遺傳算法。薛惠鋒（2006）利用人工智能方法——GA-PSO混合規(guī)劃算法構(gòu)建企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型。并利用上證50若干企業(yè)的實(shí)際數(shù)據(jù)對(duì)模型進(jìn)行了實(shí)證檢驗(yàn)。實(shí)證結(jié)果顯示該模型能有效預(yù)測(cè)上市企業(yè)的信用風(fēng)險(xiǎn)狀況。該模型在收斂性能及預(yù)測(cè)準(zhǔn)確率等方面優(yōu)于基于傳統(tǒng)的多元回歸方法及GP方法的信用風(fēng)險(xiǎn)評(píng)估模型。Jonathan N. Crook（2007） 參考諸多文獻(xiàn)比較線形回歸（LDA），Logistic回歸，決策樹，數(shù)學(xué)規(guī)劃法，神經(jīng)網(wǎng)絡(luò)法，遺傳算法，遺傳編程，K近鄰法，支持向量機(jī)幾種方法，認(rèn)為支持向量機(jī)法的準(zhǔn)確率相對(duì)較高。

從以上對(duì)國(guó)內(nèi)外研究現(xiàn)狀的分析可知，盡管國(guó)內(nèi)外已有許多專家學(xué)者對(duì)商業(yè)銀行客戶信用評(píng)估進(jìn)行大量的研究，但在實(shí)際應(yīng)用中涉及中小企業(yè)的研究較少，未考慮我國(guó)企業(yè)普遍存在的內(nèi)部人控制的企業(yè)中管理者個(gè)人因素對(duì)企業(yè)信用的影響，限制了模型的適用范圍。

參考文獻(xiàn)

[1]Altman，E.I.，F(xiàn)inancial ratio discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968，23（4）：189-209.

[2]Altman，E.I.，R.Haldeman & P.Narayanan，ZETA analysis：A new model to identify bankruptcy risk of corporations[J].Journal of Banking and Finance，1977，（l）：29-54.

[3]D.Martin.Early warning of bank failure： A Logit regression approach[J].Journal of banking and finance，1977，（1）：249-276.

[4]吳世農(nóng)，黃世忠.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001，（6）：46-55.

[5]于立勇，詹捷輝.基于Logistic回歸分析的違約概率預(yù)測(cè)研究[J].財(cái)經(jīng)研究，2004，（9）：15-23.

[6]方洪全，曾勇.銀行信用風(fēng)險(xiǎn)評(píng)估方法實(shí)證研究及比較分析[J].金融研究，2004，（1）：62-69.

[7]李志輝，李萌.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別模型及其實(shí)證研究[J].經(jīng)濟(jì)科學(xué)，2005，（5）：61-71.

[8]Junni L. Zhang，Wolfgang K. Hrdle The Bayesian Additive Classification Tree applied to credit risk modeling Computational[J].Statistics and Data Analysis 54 （2010） 1197_1205.

[9]張玲，楊貞柿，陳收.KMV模型在上市公司信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[J].系統(tǒng)工程，2004，（11）.

[10]戴志鋒，張宗益，陳銀忠.基于期權(quán)定價(jià)理論的中國(guó)非上市公司信用風(fēng)險(xiǎn)度量研究[J].管理科學(xué)，2005，（6）.

[11]陳雄華，林成德，葉武.基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級(jí)評(píng)估系統(tǒng)[J].工程學(xué)報(bào)，2002，（6）：570-575.

[12]于立勇.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)模型研究[J].管理科學(xué)學(xué)報(bào)，2003，（5）：46-52.

[13]章忠志，符林，唐換文.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)[J].模型經(jīng)濟(jì)數(shù)學(xué)，2003，（3）：42-47.

[14]徐佳娜，西寶.基于AHP-ANN模型的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估[J].哈爾濱理工大學(xué)學(xué)報(bào)，2004，（3）：94-98.

[15]張衛(wèi)東，韓云昊，米陽(yáng)于.GA-BP模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估[J].工業(yè)工程與管理，2006，（5）：81-84.

[16]夏紅芳.商業(yè)銀行信用風(fēng)險(xiǎn)度量與管理研究[D].南京：南京航空航天大學(xué)，2007，（8）.

[17]戴芬，劉希玉，王曉敏.蟻群神經(jīng)網(wǎng)絡(luò)在中小企業(yè)信用評(píng)估中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009，（10）：218-221.

[18]薛鋒，柯孔林.基于混合整數(shù)規(guī)劃法的企業(yè)信用風(fēng)險(xiǎn)評(píng)估研究[J].中國(guó)管理科學(xué)，2006，（2）：39-44.

信用風(fēng)險(xiǎn)評(píng)估范文第2篇

關(guān)鍵詞：信用風(fēng)險(xiǎn)評(píng)估；網(wǎng)絡(luò)信貸；借款人信用；人工神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：F832.5 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：1674-2265（2016）12-0043-05

一、引言

P2PW絡(luò)信貸平臺(tái)憑借方便快捷、低門檻的優(yōu)勢(shì)，自2006年在中國(guó)首次出現(xiàn)后，數(shù)量呈幾何模式快速增長(zhǎng)。然而由于風(fēng)險(xiǎn)管控能力不足，導(dǎo)致問題平臺(tái)不斷出現(xiàn)。《中國(guó)P2P網(wǎng)貸風(fēng)險(xiǎn)指數(shù)快報(bào)》顯示，2016年3月末中國(guó)P2P網(wǎng)貸問題平臺(tái)1824家，占全國(guó)P2P網(wǎng)貸平臺(tái)5326家的34.25 %。究其原因，在于中國(guó)的網(wǎng)貸平臺(tái)規(guī)模普遍較小、發(fā)展時(shí)間較短，并不具備完善的風(fēng)險(xiǎn)防范與管理能力。網(wǎng)貸平臺(tái)所面臨的最大風(fēng)險(xiǎn)是借款人的信用風(fēng)險(xiǎn)，然而國(guó)內(nèi)眾多平臺(tái)為搶占市場(chǎng)、快速上市，并沒有在風(fēng)控方面做好充分準(zhǔn)備。大多數(shù)網(wǎng)貸平臺(tái)缺乏完善的借款人信用風(fēng)險(xiǎn)評(píng)估體系，無法對(duì)借款人信用等級(jí)做出有效評(píng)估，導(dǎo)致平臺(tái)出現(xiàn)運(yùn)營(yíng)危機(jī)。2015年，中國(guó)政府開始對(duì)國(guó)內(nèi)網(wǎng)絡(luò)信貸行業(yè)進(jìn)行整改，風(fēng)險(xiǎn)控制成為網(wǎng)貸平臺(tái)整改的核心內(nèi)容。如何準(zhǔn)確評(píng)估借款人的信用風(fēng)險(xiǎn)，成為提升網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)管控能力亟須解決的問題。

P2P網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)問題引起了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。網(wǎng)貸平臺(tái)信用風(fēng)險(xiǎn)揭示方面，封延會(huì)、賈曉燕（2012）認(rèn)為P2P網(wǎng)貸是影子銀行的一種形式，暴露了中國(guó)金融風(fēng)險(xiǎn)監(jiān)管的不完備。馬運(yùn)全（2012）認(rèn)為，將P2P網(wǎng)貸平臺(tái)數(shù)據(jù)接入征信系統(tǒng)可以最大限度地減少借款人信用風(fēng)險(xiǎn)發(fā)生的可能性。Klafft（2008）分析美國(guó)網(wǎng)貸平臺(tái)Prosper的數(shù)據(jù)，發(fā)現(xiàn)借款人信用評(píng)級(jí)越高越容易獲得貸款，逾期還款率也越低。信用風(fēng)險(xiǎn)影響因素研究方面，Herzenstein等（2008）認(rèn)為借款人的債務(wù)收入比是影響信用風(fēng)險(xiǎn)的重要因素。Iyer等（2010） 提出了評(píng)估借款人信用風(fēng)險(xiǎn)的數(shù)據(jù)包括標(biāo)準(zhǔn)的銀行數(shù)據(jù)和性別、年齡等非標(biāo)準(zhǔn)數(shù)據(jù)。Barasinska（2009）認(rèn)為借款人年齡、性別、種族也是影響信用風(fēng)險(xiǎn)的重要因素。Duarte等（2012）認(rèn)為外貌特征都會(huì)影響借貸行為。王會(huì)娟等（2014）基于“人人貸”的數(shù)據(jù)發(fā)現(xiàn)，對(duì)借貸行為影響較大的是工作認(rèn)證、收入認(rèn)證、視頻認(rèn)證和車產(chǎn)、房產(chǎn)認(rèn)證等認(rèn)證指標(biāo)。溫小霓等（2014）以拍拍貸為例，發(fā)現(xiàn)借款人信用積分、性別、住宅情況也對(duì)借款結(jié)果有影響；信用風(fēng)險(xiǎn)評(píng)估方法研究方面，張墨（2015）總結(jié)了 P2P 網(wǎng)貸個(gè)人信用評(píng)價(jià)的方法――層次分析法、主成分分析法、因子分析法、神經(jīng)網(wǎng)絡(luò)模型法等。張巧良（2015）應(yīng)用層次分析法對(duì)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)進(jìn)行了評(píng)價(jià)。王保乾和王婷（2016）運(yùn)用基于層次分析的模糊綜合評(píng)價(jià)分析了大數(shù)據(jù)對(duì)網(wǎng)貸信用評(píng)估的影響。于曉虹和樓文高（2016）認(rèn)為層次分析法、主成分分析法、因子分析法等方法均不太適合于P2P網(wǎng)貸個(gè)人信用評(píng)價(jià)與預(yù)警建模研究。Angelini等人（2008）開發(fā)了兩個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)來進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，通過對(duì)意大利某小型企業(yè)的實(shí)證研究，表明神經(jīng)網(wǎng)絡(luò)適用于評(píng)估借款人違約風(fēng)險(xiǎn)。朱毅峰（2008）認(rèn)為神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢(shì)在于對(duì)樣本數(shù)據(jù)的分布沒有要求，并降低了對(duì)差企業(yè)的誤判率。

綜上所述，網(wǎng)絡(luò)信貸的信用風(fēng)險(xiǎn)評(píng)估在國(guó)內(nèi)外的研究均取得了一定的進(jìn)展。但已有研究往往將關(guān)注的焦點(diǎn)放在對(duì)信貸平臺(tái)的風(fēng)險(xiǎn)評(píng)估，對(duì)借款人信用風(fēng)險(xiǎn)的關(guān)注度不夠，對(duì)P2P網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)的分析也大多采用定性分析法、層次分析法等帶有一定主觀性的方法，難以客觀、全面地反映借款人信用的真實(shí)情況。基于此，本文從P2P網(wǎng)貸平臺(tái)借款人信用角度出發(fā)，分析網(wǎng)貸平臺(tái)借款人信用同個(gè)人基本信息的關(guān)系，篩選影響借款人信用等級(jí)評(píng)估的指標(biāo)因素，選擇在信用風(fēng)險(xiǎn)評(píng)估中可以解決非線性、不確定性變量關(guān)系的人工神經(jīng)網(wǎng)絡(luò)模型，對(duì)網(wǎng)貸平臺(tái)的借款人信用風(fēng)險(xiǎn)評(píng)估進(jìn)行實(shí)證分析。

二、網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)的選取

P2P網(wǎng)絡(luò)信貸的特點(diǎn)之一是網(wǎng)貸平臺(tái)要求借款人提供的個(gè)人信息較為簡(jiǎn)單，一般包括身份信息、基本資產(chǎn)狀況、年齡、學(xué)歷等個(gè)人基礎(chǔ)情況。通過第三方認(rèn)證平臺(tái)對(duì)借款人提供的信息進(jìn)行認(rèn)證，根據(jù)認(rèn)證后的信息對(duì)借款人的信用等級(jí)進(jìn)行評(píng)定，并將信息及評(píng)級(jí)結(jié)果公布在網(wǎng)站上，供貸款人參考。

根據(jù)國(guó)內(nèi)目前各大網(wǎng)貸平臺(tái)對(duì)借款人的審核要求，一般需要借款人提供身份證、是否購(gòu)車、基本資產(chǎn)情況、收入情況、婚姻狀況、文化程度、住房條件等資料信息，國(guó)外一些平臺(tái)對(duì)借款人審核的條件還包括種族、性別、外貌長(zhǎng)相、體重等信息。借鑒國(guó)內(nèi)外P2P網(wǎng)貸平臺(tái)信用評(píng)價(jià)指標(biāo)的選取情況，考慮P2P網(wǎng)貸平臺(tái)借款人的特點(diǎn)及平臺(tái)業(yè)務(wù)需求，本文選取借款人年齡、住房、購(gòu)車、收入、婚姻、文化程度、歷史信用記錄、性別、上傳照片（代替外貌特征）、居住區(qū)域等信息指標(biāo)，作為網(wǎng)貸平臺(tái)借款人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)。由于所選指標(biāo)部分是非數(shù)值變量，為了能準(zhǔn)確地分析這些變量對(duì)借款人信用風(fēng)險(xiǎn)的影響，將性別、住房、地區(qū)等設(shè)為虛擬變量，將部分指標(biāo)進(jìn)行虛擬量化，量化結(jié)果如表1所示。

（一）年齡

網(wǎng)絡(luò)信貸借款人的年齡主要集中在20―60歲之間，年齡較小的借款人儲(chǔ)蓄能力較低，缺少良好的消費(fèi)習(xí)慣，其違約風(fēng)險(xiǎn)較高；年齡較大的借款人收入水平較低、突發(fā)消費(fèi)較多，其違約風(fēng)險(xiǎn)也相對(duì)偏高。因此年齡在34―45歲之間、擁有穩(wěn)定工作收入的借款人信用較好，違約風(fēng)險(xiǎn)低。

信用風(fēng)險(xiǎn)評(píng)估范文第3篇

[關(guān)鍵詞] 消費(fèi)信貸 信用風(fēng)險(xiǎn) 項(xiàng)目風(fēng)險(xiǎn)管理 風(fēng)險(xiǎn)評(píng)估

在擴(kuò)大內(nèi)需和應(yīng)對(duì)通貨緊縮的過程中，從1999年起，我國(guó)啟動(dòng)個(gè)人消費(fèi)信貸政策。自此信用消費(fèi)逐步浮出水面，住房按揭、汽車貸款、教育貸款、信用卡等各種個(gè)人消費(fèi)貸款的規(guī)模不斷迅速擴(kuò)大。在消費(fèi)信貸熱不斷升溫的形勢(shì)下，各商業(yè)銀行均把發(fā)展消費(fèi)貸款作為未來發(fā)展戰(zhàn)略的重要組成部分。消費(fèi)信貸的蓬勃發(fā)展以及消費(fèi)信貸業(yè)務(wù)風(fēng)險(xiǎn)與回報(bào)相對(duì)應(yīng)的客觀規(guī)律，使商業(yè)銀行等授信機(jī)構(gòu)在追逐巨額利潤(rùn)的同時(shí)，不得不面對(duì)巨大的潛在不良貸款風(fēng)險(xiǎn)，從而信用風(fēng)險(xiǎn)管理逐漸成為商業(yè)銀行個(gè)人消費(fèi)信貸管理的一個(gè)核心領(lǐng)域。

信用風(fēng)險(xiǎn)是我國(guó)商業(yè)銀行長(zhǎng)期以來面臨的最主要風(fēng)險(xiǎn)，貸款質(zhì)量決定著商業(yè)銀行的生存與發(fā)展。因此，借鑒國(guó)外先進(jìn)經(jīng)驗(yàn)，開展個(gè)人信用評(píng)估研究，建立符合我國(guó)國(guó)情的個(gè)人信用評(píng)估模型，客觀、全面、準(zhǔn)確地評(píng)估消費(fèi)者的還款能力和還款意愿，識(shí)別信貸申請(qǐng)人的個(gè)人信用風(fēng)險(xiǎn)，對(duì)信用風(fēng)險(xiǎn)進(jìn)行有效的防范和控制管理具有重要的現(xiàn)實(shí)意義。

一、項(xiàng)目風(fēng)險(xiǎn)管理與個(gè)人信用風(fēng)險(xiǎn)評(píng)估的內(nèi)涵

風(fēng)險(xiǎn)管理是項(xiàng)目管理的一部分，目的是保證項(xiàng)目總目標(biāo)的實(shí)現(xiàn)。項(xiàng)目風(fēng)險(xiǎn)管理是為了最好地達(dá)到項(xiàng)目的目標(biāo)，識(shí)別、分配、應(yīng)對(duì)項(xiàng)目生命周期內(nèi)風(fēng)險(xiǎn)的科學(xué)與藝術(shù),是一種綜合性的管理活動(dòng)。項(xiàng)目風(fēng)險(xiǎn)管理的目標(biāo)可以被認(rèn)為是使?jié)撛跈C(jī)會(huì)或回報(bào)最大化，使?jié)撛陲L(fēng)險(xiǎn)最小化。

風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)估計(jì)和風(fēng)險(xiǎn)評(píng)價(jià)是項(xiàng)目風(fēng)險(xiǎn)管理的重要內(nèi)容。在此基礎(chǔ)上隨時(shí)監(jiān)控項(xiàng)目的進(jìn)展，注視風(fēng)險(xiǎn)的動(dòng)態(tài)，一旦有新情況，馬上對(duì)新風(fēng)險(xiǎn)進(jìn)行識(shí)別、估計(jì)和評(píng)價(jià)，并采取必要的行動(dòng)，妥善地處理風(fēng)險(xiǎn)事件造成的不利后果，這就是項(xiàng)目風(fēng)險(xiǎn)管理的全過程。

在實(shí)踐中，此全過程可以劃分為風(fēng)險(xiǎn)分析和風(fēng)險(xiǎn)管理兩個(gè)階段。其中風(fēng)險(xiǎn)分析包括風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)估計(jì)和風(fēng)險(xiǎn)評(píng)價(jià)。在信用風(fēng)險(xiǎn)管理中，信用風(fēng)險(xiǎn)評(píng)估是基礎(chǔ)和關(guān)鍵。

個(gè)人信用風(fēng)險(xiǎn)評(píng)估就是通過建立針對(duì)不同客戶類別的信用評(píng)估數(shù)學(xué)模型，運(yùn)用科學(xué)合理的評(píng)估方法，在建立個(gè)人信用檔案系統(tǒng)的基礎(chǔ)上，對(duì)每一位客戶的信用資料內(nèi)容進(jìn)行科學(xué)、準(zhǔn)確的信用風(fēng)險(xiǎn)評(píng)估。個(gè)人信用評(píng)估的自動(dòng)化加速了整個(gè)信貸決策過程，申請(qǐng)人可以更加迅速地得到答復(fù)，提高了操作的效率。

對(duì)個(gè)人信用進(jìn)行科學(xué)評(píng)估，建立科學(xué)的信用評(píng)估體系，是發(fā)展個(gè)人消費(fèi)信貸、個(gè)人金融、家庭理財(cái)?shù)葮I(yè)務(wù)的必然選擇。信用評(píng)估可以較精確地估計(jì)消費(fèi)信貸的風(fēng)險(xiǎn)，給貸款人提供了一個(gè)可靠的技術(shù)手段，避免不良貸款，控制債務(wù)拖欠和清償。個(gè)人信用評(píng)估可以使貸款人更加精確地界定可以接受的消費(fèi)信貸的風(fēng)險(xiǎn)，擴(kuò)大消費(fèi)信貸的發(fā)放。

二、個(gè)人信用風(fēng)險(xiǎn)評(píng)估體系的現(xiàn)狀及存在的問題

在我國(guó)，個(gè)人信用風(fēng)險(xiǎn)評(píng)估體系尚不健全，個(gè)人信用長(zhǎng)期沒有評(píng)估，良好的信譽(yù)沒有得到合理的優(yōu)惠，欠債不還也沒有受到相應(yīng)的懲罰，使我國(guó)的個(gè)人信用較為脆弱，個(gè)人資信程度降低。

缺乏完善的消費(fèi)者個(gè)人信用評(píng)估體系導(dǎo)致存在如下問題：

1.貸款審批時(shí)間延長(zhǎng)、手續(xù)復(fù)雜。由于個(gè)人信用等級(jí)的核定不科學(xué)，經(jīng)辦人員為了保證信貸質(zhì)量，控制信貸風(fēng)險(xiǎn)，必然會(huì)采取許多非常規(guī)手續(xù)來再核定消費(fèi)者的信用級(jí)別。如延長(zhǎng)與消費(fèi)者的面談時(shí)間、仔細(xì)鑒別消費(fèi)者提供材料的真實(shí)性和消費(fèi)者有無惡意借貸行為前科或惡意借貸意圖等等。這些措施的執(zhí)行，固然減少了風(fēng)險(xiǎn)的發(fā)生，但也不可避免地增加了申請(qǐng)消費(fèi)貸款的手續(xù)，延長(zhǎng)了審批時(shí)間。

2.導(dǎo)致非個(gè)人因素的信貸風(fēng)險(xiǎn)。消費(fèi)信貸的特點(diǎn)是單筆業(yè)務(wù)數(shù)量小，但整體業(yè)務(wù)數(shù)量大，這樣有限的銀行消費(fèi)信貸人員必須面對(duì)大量的消費(fèi)信貸客戶，形成了一個(gè)客戶經(jīng)理必須同時(shí)與幾十個(gè)，甚至上百個(gè)客戶打交道的局面。面對(duì)個(gè)體差異很大的消費(fèi)信貸客戶群體，單憑客戶經(jīng)理的工作經(jīng)驗(yàn)，很難避免判斷失誤的情況發(fā)生，這樣一來就導(dǎo)致了非個(gè)人因素的信貸風(fēng)險(xiǎn)。

3.影響消費(fèi)者申辦消費(fèi)信貸的積極性。銀行提供給消費(fèi)者的是金融資金和附加價(jià)值即優(yōu)質(zhì)的金融服務(wù)。由于缺乏消費(fèi)者個(gè)人信用評(píng)估體系，商業(yè)銀行不可避免的采取多種措施來防止內(nèi)部和外部可能存在的安全漏洞，但鑒于消費(fèi)信貸一般有金額小的特點(diǎn)，繁雜的手續(xù)、漫長(zhǎng)的審批時(shí)間弱化了其優(yōu)質(zhì)服務(wù)的附加價(jià)值，足以讓消費(fèi)者望而卻步。

種種事實(shí)表明，制約消費(fèi)信貸的，除了人們的收入水平、支出預(yù)算、消費(fèi)觀念外，最讓銀行放心不下的還是對(duì)個(gè)人貸款心里沒底，擔(dān)心發(fā)生新的信貸風(fēng)險(xiǎn)。從這個(gè)角度看，推廣消費(fèi)信貸，必須盡快發(fā)展個(gè)人信用評(píng)估體系。

三、發(fā)展個(gè)人信用風(fēng)險(xiǎn)評(píng)估的研究思路

針對(duì)目前個(gè)人信用評(píng)估體系存在的問題和不足，結(jié)合項(xiàng)目風(fēng)險(xiǎn)管理中的風(fēng)險(xiǎn)分析提出如下研究思路。

風(fēng)險(xiǎn)分析就是查明項(xiàng)目活動(dòng)在哪些方面，什么時(shí)候，哪些地方可能潛藏著風(fēng)險(xiǎn)。查明之后要對(duì)風(fēng)險(xiǎn)進(jìn)行量化，確定各風(fēng)險(xiǎn)的大小以及輕重緩急順序，并在此基礎(chǔ)上提出為減少風(fēng)險(xiǎn)而供選擇的各種行動(dòng)方案。

我國(guó)商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估技術(shù)的應(yīng)用和發(fā)展需要一個(gè)過程，下文從風(fēng)險(xiǎn)分析的三個(gè)組成部分加以闡述：

1.風(fēng)險(xiǎn)識(shí)別是風(fēng)險(xiǎn)分析的第一步，其目的是減少項(xiàng)目的結(jié)構(gòu)不確定性。風(fēng)險(xiǎn)識(shí)別首先要弄清項(xiàng)目的組成、各變量的性質(zhì)和相互間的關(guān)系、項(xiàng)目與環(huán)境之間的關(guān)系等。在此基礎(chǔ)上利用系統(tǒng)的、有章可循的步驟和方法查明對(duì)項(xiàng)目可能形成風(fēng)險(xiǎn)的諸多事項(xiàng)。

通過設(shè)計(jì)好的個(gè)人信用評(píng)估模型，可以研究歸納出消費(fèi)貸款的好客戶所具有的特征，依此特征判斷該客戶是否是銀行在消費(fèi)貸款業(yè)務(wù)中應(yīng)該爭(zhēng)取的對(duì)象，同時(shí)識(shí)別該客戶可能發(fā)生非正常還款的特征變量。非正常還款包括提前還款和逾期還款。

2.風(fēng)險(xiǎn)估計(jì)就是估計(jì)風(fēng)險(xiǎn)的性質(zhì)、估算風(fēng)險(xiǎn)事件發(fā)生的概率及其后果的大小，以減少項(xiàng)目的計(jì)量不確定性。風(fēng)險(xiǎn)估計(jì)有主觀和客觀兩種。主觀的風(fēng)險(xiǎn)估計(jì)無歷史數(shù)據(jù)和資料可參照，靠的是人的經(jīng)驗(yàn)和判斷。客觀的風(fēng)險(xiǎn)估計(jì)以歷史和資料為依據(jù)。

個(gè)人信用評(píng)估模型的使用是一個(gè)涵蓋從接收申請(qǐng)到做出信貸決策全過程的自動(dòng)識(shí)別系統(tǒng)。通常情況下，根據(jù)貸款申請(qǐng)人的相關(guān)特征變量計(jì)算信用風(fēng)險(xiǎn)，得出信用分?jǐn)?shù)，從而獲得申請(qǐng)人總的風(fēng)險(xiǎn)的評(píng)估值評(píng)估模型可以讓商業(yè)銀行信貸人員對(duì)申請(qǐng)者的信用價(jià)值進(jìn)行準(zhǔn)確的判斷，從而有利于做出科學(xué)的信貸決策。在決策與確認(rèn)的過程中，信用得分、管理政策和信貸人員的專業(yè)經(jīng)驗(yàn)是決定信貸與否的三大關(guān)鍵因素。

3.風(fēng)險(xiǎn)評(píng)價(jià)就是對(duì)各風(fēng)險(xiǎn)事件后果進(jìn)行評(píng)價(jià)，并確定其嚴(yán)重程度順序。評(píng)價(jià)時(shí)還要確定對(duì)風(fēng)險(xiǎn)應(yīng)該采取什么樣的應(yīng)對(duì)措施。風(fēng)險(xiǎn)評(píng)價(jià)方法有定量和定性的兩種。進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)時(shí)，還要提出防止、減少、轉(zhuǎn)移或消除風(fēng)險(xiǎn)損失的初步辦法，并將其列入風(fēng)險(xiǎn)管理階段要進(jìn)一步考慮的各種方法之中。

個(gè)人信用評(píng)估模型投入使用之后，對(duì)其進(jìn)行監(jiān)控是達(dá)到經(jīng)營(yíng)目的、實(shí)現(xiàn)盈利的重要保障。同時(shí)，評(píng)估模型的監(jiān)控能夠幫助商業(yè)銀行識(shí)別新申請(qǐng)者的特征變化，提高商業(yè)銀行風(fēng)險(xiǎn)控制和管理的能力，尋找和捕捉更多的市場(chǎng)機(jī)會(huì)。

從總體上看，評(píng)估模型的建立為消費(fèi)信貸業(yè)務(wù)提供了風(fēng)險(xiǎn)評(píng)價(jià)的標(biāo)準(zhǔn)，但是模型需要得到正確充分的使用，模型的監(jiān)控則可以隨時(shí)作出修改決策，從而使模型更加準(zhǔn)確。在實(shí)踐中，風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)估計(jì)和風(fēng)險(xiǎn)評(píng)價(jià)絕非互補(bǔ)相關(guān)，常常互相重疊，需要反復(fù)交替進(jìn)行。

未來發(fā)展個(gè)人信用風(fēng)險(xiǎn)評(píng)估的研究思路概括地說，先確立風(fēng)險(xiǎn)管理的目標(biāo)，包括風(fēng)險(xiǎn)識(shí)別的完整性、可測(cè)和可控性、可操作性以及風(fēng)險(xiǎn)管理的拓展。同時(shí)針對(duì)每一個(gè)風(fēng)險(xiǎn)管理目標(biāo)，要制定風(fēng)險(xiǎn)合理的實(shí)現(xiàn)措施，包括全面地引入風(fēng)險(xiǎn)管理理念；描述風(fēng)險(xiǎn)的數(shù)據(jù)進(jìn)行數(shù)據(jù)庫(kù)管理并對(duì)銀行客戶分類；借鑒國(guó)外的經(jīng)驗(yàn)，建立審批專家模型；建立商業(yè)銀行關(guān)于數(shù)據(jù)建立和挖掘的案例等。

銀行經(jīng)營(yíng)和管理的對(duì)象本身就是風(fēng)險(xiǎn)，其風(fēng)險(xiǎn)管理的特性決定了銀行的經(jīng)營(yíng)活動(dòng)始終與風(fēng)險(xiǎn)為伴，其經(jīng)營(yíng)過程就是管理和經(jīng)營(yíng)風(fēng)險(xiǎn)的過程。在業(yè)務(wù)發(fā)展與風(fēng)險(xiǎn)管理之間找到動(dòng)態(tài)平衡點(diǎn)是商業(yè)銀行始終需要面臨的重要課題。只有建立一套科學(xué)的信用風(fēng)險(xiǎn)評(píng)估體系，銀行才能真正把握住國(guó)內(nèi)日益壯大的消費(fèi)信貸市場(chǎng)，贏得更廣闊的發(fā)展空間。

參考文獻(xiàn):

[1]Kathy Schwalbe鄧世忠等譯:IT項(xiàng)目管理(第2版本)[M].機(jī)械工業(yè)出版社，2004.11

信用風(fēng)險(xiǎn)評(píng)估范文第4篇

【關(guān)鍵詞】支持向量機(jī)；信用風(fēng)險(xiǎn)；ν-SVR；BP神經(jīng)網(wǎng)絡(luò)；貸款違約

1.引言

信用風(fēng)險(xiǎn)自古有之，是整個(gè)金融界所一直關(guān)注的熱點(diǎn)問題之一。隨著經(jīng)濟(jì)一體化和金融全球化步伐的加快，商業(yè)銀行正處在一個(gè)更加復(fù)雜的金融環(huán)境當(dāng)中。在這樣的背景下，商業(yè)銀行的風(fēng)險(xiǎn)逐漸由單一化演變?yōu)槎嘣浣?jīng)營(yíng)管理中所面臨的風(fēng)險(xiǎn)也必然隨之增加。這些風(fēng)險(xiǎn)可以歸結(jié)為信用風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)等。這其中，最為重要的風(fēng)險(xiǎn)就是信用風(fēng)險(xiǎn)。廣義的信用風(fēng)險(xiǎn)主要包括信貸風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)等。信貸風(fēng)險(xiǎn)是指銀行承擔(dān)借款方可能違約而導(dǎo)致貸款無法收回的風(fēng)險(xiǎn)；而流動(dòng)性風(fēng)險(xiǎn)是指銀行自有資金不足，從而可能無法滿足其存款人或其他債權(quán)人的資金索取而導(dǎo)致違約的風(fēng)險(xiǎn)，屬于銀行自身的信用風(fēng)險(xiǎn)。

基于《新巴塞爾資本協(xié)議》中提出的對(duì)資本充足率的要求，監(jiān)管機(jī)構(gòu)對(duì)于銀行自身信用風(fēng)險(xiǎn)的控制進(jìn)一步得到強(qiáng)化，銀行管理者對(duì)于信用風(fēng)險(xiǎn)的防范意識(shí)也在逐步增強(qiáng)。改革開放以來，我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的內(nèi)部監(jiān)管制度正逐步建立。然而，由于金融體系建立較晚，我國(guó)金融市場(chǎng)的完善程度相對(duì)于發(fā)達(dá)國(guó)家來說仍處于落后地位。

目前，國(guó)家加快了發(fā)展市場(chǎng)經(jīng)濟(jì)的步伐，隨著總理在2011年4月份的國(guó)務(wù)院常務(wù)會(huì)議中提出深化金融體制改革以來，打破國(guó)有商業(yè)銀行壟斷、推進(jìn)利率市場(chǎng)化已經(jīng)擺上了歷史日程。利率市場(chǎng)化將逐步打破我國(guó)商業(yè)銀行在融資體系中的壟斷地位，使得商業(yè)銀行將面臨更大的競(jìng)爭(zhēng)壓力，承受更多的信用風(fēng)險(xiǎn)。

因此，鑒于日益突出的商業(yè)銀行自身信用風(fēng)險(xiǎn)問題，建立一套有效合理的信用風(fēng)險(xiǎn)評(píng)價(jià)模型，對(duì)其進(jìn)行科學(xué)評(píng)估已經(jīng)成為信用風(fēng)險(xiǎn)管理的核心。然而，目前我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理現(xiàn)狀卻令人擔(dān)憂，表現(xiàn)在信用風(fēng)險(xiǎn)管理體系不健全、信用風(fēng)險(xiǎn)評(píng)估模型方法落后等。這就迫切需要為我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)分析研究提供思路，構(gòu)建一套符合我國(guó)商業(yè)銀行客觀需要的信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，建立可以準(zhǔn)確衡量信用風(fēng)險(xiǎn)的模型，以用來填補(bǔ)我國(guó)商業(yè)銀行在信用風(fēng)險(xiǎn)管理上的不足。

目前，國(guó)際上最具影響力的信用風(fēng)險(xiǎn)模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麥肯錫公司的Credit Portfolio View模型。這些模型在國(guó)外的商業(yè)銀行中已經(jīng)得到了廣泛應(yīng)用，并且取得了較好的風(fēng)險(xiǎn)預(yù)測(cè)效果。然而，由于我國(guó)上市商業(yè)銀行樣本數(shù)量偏少以及反映信用狀況的相關(guān)有效數(shù)據(jù)缺失等原因，導(dǎo)致這些模型無法在我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域得到有效的應(yīng)用[1]。

因此，針對(duì)我國(guó)上市商業(yè)銀行信用風(fēng)險(xiǎn)的以上特點(diǎn)，本文將嘗試引入支持向量機(jī)這種小樣本學(xué)習(xí)算法，通過對(duì)銀行關(guān)鍵信貸財(cái)務(wù)指標(biāo)的研究，以期建立一套可以對(duì)我國(guó)商業(yè)銀行自身信用風(fēng)險(xiǎn)狀況進(jìn)行評(píng)估的模型。模型以銀行總體的貸款違約率作為評(píng)估商業(yè)銀行信用風(fēng)險(xiǎn)狀況的指標(biāo)，采用支持向量回歸機(jī)中較為前沿的分支模型 ，對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練，并與經(jīng)典支持向量回歸機(jī)模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，研究各個(gè)模型在風(fēng)險(xiǎn)預(yù)測(cè)分析方面的表現(xiàn)。同時(shí)，對(duì)我國(guó)商業(yè)銀行未來的貸款違約率進(jìn)行預(yù)測(cè)，以此作為評(píng)估其信用風(fēng)險(xiǎn)大小的標(biāo)準(zhǔn)，對(duì)所有銀行的風(fēng)險(xiǎn)進(jìn)行排序。最后根據(jù)分析結(jié)果對(duì)銀行的信用風(fēng)險(xiǎn)管理提出意見和建議，以期對(duì)我國(guó)商業(yè)銀行風(fēng)險(xiǎn)管理提供參考。

2.研究?jī)?nèi)容及研究方法

2.1 研究?jī)?nèi)容

以商業(yè)銀行信貸風(fēng)險(xiǎn)度量及管理的基本理論為基礎(chǔ)[2]，本文將嘗試引入統(tǒng)計(jì)學(xué)習(xí)理論中的支持向量機(jī)模型，通過對(duì)銀行關(guān)鍵信貸財(cái)務(wù)指標(biāo)進(jìn)行研究，以期建立一套可以對(duì)我國(guó)商業(yè)銀行自身信用風(fēng)險(xiǎn)狀況進(jìn)行評(píng)估的模型。同時(shí)，本文將對(duì)支持向量機(jī)不同的分支模型和其他的系統(tǒng)學(xué)習(xí)算法進(jìn)行對(duì)比，檢驗(yàn)不同模型在風(fēng)險(xiǎn)評(píng)估中的準(zhǔn)確性以及對(duì)風(fēng)險(xiǎn)的可預(yù)測(cè)性，以此研究各個(gè)模型在風(fēng)險(xiǎn)預(yù)測(cè)分析方面的表現(xiàn)。得出在風(fēng)險(xiǎn)評(píng)估預(yù)測(cè)方面最優(yōu)模型之后，本文利用訓(xùn)練效果最好的模型，對(duì)我國(guó)商業(yè)銀行未來的貸款違約率進(jìn)行預(yù)測(cè)，以此作為評(píng)估其信用風(fēng)險(xiǎn)大小的標(biāo)準(zhǔn)，對(duì)所有銀行的風(fēng)險(xiǎn)進(jìn)行排序。最后根據(jù)分析結(jié)果對(duì)銀行的信用風(fēng)險(xiǎn)管理提出意見和建議，以期對(duì)我國(guó)商業(yè)銀行風(fēng)險(xiǎn)管理提供參考。

2.2 研究方法

結(jié)合《新巴塞爾協(xié)議》的內(nèi)容和目前我國(guó)上市商業(yè)銀行的經(jīng)營(yíng)狀況，本文將對(duì)我國(guó)商業(yè)銀行的信用風(fēng)險(xiǎn)成因進(jìn)行分析，選取與銀行自身信用風(fēng)險(xiǎn)狀況密切相關(guān)的關(guān)鍵信貸財(cái)務(wù)指標(biāo)，以銀行整體的貸款違約率作為衡量信用風(fēng)險(xiǎn)的依據(jù)，構(gòu)建一個(gè)可以用來分析信用風(fēng)險(xiǎn)的財(cái)務(wù)指標(biāo)體系。采用正向化處理和主成分分析的方法對(duì)原始財(cái)務(wù)數(shù)據(jù)進(jìn)行線性降維和特征提取的預(yù)處理，并將當(dāng)年的財(cái)務(wù)數(shù)據(jù)與第二年的貸款違約率進(jìn)行對(duì)應(yīng)匹配的處理，以此作為模型的訓(xùn)練樣本。

在對(duì)銀行財(cái)務(wù)數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，本文引入支持向量回歸機(jī)中較為前沿的分支模型、經(jīng)典支持向量回歸機(jī)模型 以及同來源于學(xué)習(xí)算法的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練。同時(shí)，將三種模型分別采用遍歷搜索的方法進(jìn)行優(yōu)化訓(xùn)練：對(duì)模型選取一個(gè)比較適用的Kernel核函數(shù)以及參數(shù)、和核函數(shù)中的參數(shù)；對(duì)于模型，選取一個(gè)比較適用的Kernel核函數(shù)以及參數(shù)、和核函數(shù)中的參數(shù)；而對(duì)于BP神經(jīng)網(wǎng)絡(luò)模型，選取輸入層到隱含層以及隱含層到輸出層的節(jié)點(diǎn)轉(zhuǎn)移函數(shù)，并且挑選出適合的訓(xùn)練函數(shù)和網(wǎng)絡(luò)學(xué)習(xí)函數(shù)，再用計(jì)算機(jī)篩選出最佳的隱含層節(jié)點(diǎn)的個(gè)數(shù)。

確定最優(yōu)參數(shù)以及模型結(jié)構(gòu)以后，本文采用已經(jīng)分別最優(yōu)化的三種訓(xùn)練模型，將樣本輸入到模型中進(jìn)行訓(xùn)練，并對(duì)各個(gè)模型的訓(xùn)練和預(yù)測(cè)效果進(jìn)行對(duì)比分析，選取出其中訓(xùn)練和預(yù)測(cè)精度最高的一種模型，以此來構(gòu)建適合我國(guó)商業(yè)銀行自身信用風(fēng)險(xiǎn)評(píng)估的度量模型。

本文最后將采用構(gòu)建出的商業(yè)銀行自身信用風(fēng)險(xiǎn)度量模型，結(jié)合所有中國(guó)上市商業(yè)銀行近期的財(cái)務(wù)數(shù)據(jù)，對(duì)其衡量信用風(fēng)險(xiǎn)的未來貸款違約率進(jìn)行預(yù)測(cè)，以此作為評(píng)估其信用風(fēng)險(xiǎn)大小的標(biāo)準(zhǔn)，對(duì)所有銀行的風(fēng)險(xiǎn)進(jìn)行排序。

本文的模型在訓(xùn)練過程中采用計(jì)算機(jī)仿真的技術(shù)，主要運(yùn)用Matlab、SPSS和EXCEL等建模和統(tǒng)計(jì)軟件對(duì)數(shù)據(jù)進(jìn)行分析處理和訓(xùn)練。

網(wǎng)絡(luò)學(xué)習(xí)過程包括信息正向的傳播和誤差的反向傳播兩個(gè)步驟，其模型結(jié)構(gòu)如圖1所示：

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖1所得，在信息正向的傳播過程中，樣本從輸入層輸入，經(jīng)過隱含層，經(jīng)過連接權(quán)值和閥值的作用得到輸出值，并與期望輸出值進(jìn)行比較。若有誤差，則誤差沿著原路反向傳播，通過逐層修改權(quán)值和閥值。如此循環(huán)，直到輸出結(jié)果符合精度要求為止。

除了激發(fā)函數(shù)、訓(xùn)練函數(shù)和學(xué)習(xí)規(guī)則外，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程還需要設(shè)定隱含層神經(jīng)元個(gè)數(shù)、學(xué)習(xí)度和最大訓(xùn)練迭代次數(shù)三個(gè)參數(shù)。其中，隱含層神經(jīng)元個(gè)數(shù)可以憑經(jīng)驗(yàn)決定，個(gè)數(shù)過少將影響網(wǎng)絡(luò)的學(xué)習(xí)能力，而過多的神經(jīng)元個(gè)數(shù)將大幅增加網(wǎng)絡(luò)學(xué)習(xí)的時(shí)間；而參數(shù)學(xué)習(xí)度越小，將導(dǎo)致訓(xùn)練次數(shù)越多，但學(xué)習(xí)率過大，將影響網(wǎng)絡(luò)結(jié)構(gòu)的穩(wěn)定性；最后，最大訓(xùn)練迭代次數(shù)由前兩者共同決定，三者共同影響網(wǎng)絡(luò)學(xué)習(xí)的效率。為了將BP神經(jīng)網(wǎng)絡(luò)達(dá)到最優(yōu)的訓(xùn)練效果，本文在實(shí)證研究中對(duì)各個(gè)參數(shù)進(jìn)行遍歷搜索，以期篩選出可以互相配合、使得模型達(dá)到具有最佳訓(xùn)練效率的一組參數(shù)。

3.實(shí)證分析

本部分引入支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)，建立商業(yè)銀行自身信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，以我國(guó)上市商業(yè)銀行的數(shù)據(jù)為樣本進(jìn)行訓(xùn)練，篩選出最優(yōu)風(fēng)險(xiǎn)預(yù)測(cè)評(píng)估模型。

如表1所示，本文對(duì)商業(yè)銀行的13個(gè)關(guān)鍵信貸財(cái)務(wù)指標(biāo)提取出6個(gè)主成分，分別為盈利能力、經(jīng)營(yíng)能力、資本結(jié)構(gòu)、流動(dòng)性、資本充足性和安全性。其中，表格右側(cè)一欄表示每個(gè)財(cái)務(wù)指標(biāo)對(duì)于商業(yè)銀行信用風(fēng)險(xiǎn)的作用方向，“+”代表減少信用風(fēng)險(xiǎn)的指標(biāo)，“-”代表增加信用風(fēng)險(xiǎn)的指標(biāo)。

上文通過將樣本分別輸入模型、模型以及BP神經(jīng)網(wǎng)絡(luò)（BPN）模型進(jìn)行訓(xùn)練，并分別對(duì)模型進(jìn)行了優(yōu)化設(shè)計(jì)。根據(jù)以上得出的三種最優(yōu)化的訓(xùn)練模型，再分別輸入我國(guó)商業(yè)銀行2007年、2008年和2009年三年的財(cái)務(wù)數(shù)據(jù)，模擬計(jì)算出2008年、2009年和2010年的貸款違約率，并與各銀行當(dāng)年實(shí)際的貸款違約率進(jìn)行比較，以此分析模型對(duì)訓(xùn)練樣本的檢測(cè)結(jié)果。模型對(duì)商業(yè)銀行2008年的貸款違約率的檢測(cè)效果如表2和圖2所示：

分析表3至表4三年貸款違約率的檢驗(yàn)效果，可以得出模型的訓(xùn)練效果優(yōu)于模型和BP神經(jīng)網(wǎng)絡(luò)模型，即模型每年對(duì)貸款違約率的擬合效果較好，檢測(cè)精度較高。為了進(jìn)一步驗(yàn)證本文的結(jié)論，選取商業(yè)銀行實(shí)際貸款違約率和檢驗(yàn)值之間的相關(guān)系數(shù)和均方誤差（Mean Squared Errors，MSE）對(duì)三個(gè)模型的檢測(cè)效果進(jìn)行綜合評(píng)判，結(jié)果如表5所示：

表5 模型檢驗(yàn)效果的評(píng)判結(jié)果

從表5可以看出，模型的訓(xùn)練效果無論在相關(guān)系數(shù)和均方誤差MSE的檢驗(yàn)上均優(yōu)于另外兩種模型。因此，可以得出模型在商業(yè)銀行信用風(fēng)險(xiǎn)的訓(xùn)練中具有最優(yōu)的檢驗(yàn)效果。

除了對(duì)模型的樣本檢驗(yàn)效果分析外，本文再對(duì)最優(yōu)化后的模型進(jìn)行預(yù)測(cè)效果的評(píng)價(jià)。具體地，輸入2010年的財(cái)務(wù)指標(biāo)，預(yù)測(cè)出2011年各商業(yè)銀行的貸款違約率，并與實(shí)際的貸款違約率進(jìn)行比較，以此判斷模型的預(yù)測(cè)效果，結(jié)果如表6所示：

從上表7可以看出，模型的預(yù)測(cè)效果無論在相關(guān)系數(shù)和均方誤差MSE的檢驗(yàn)上均優(yōu)于另外兩種模型，并且預(yù)測(cè)出的貸款違約率與實(shí)際的貸款違約率之間的相關(guān)系數(shù)超過了0.95，具有比較精確的預(yù)測(cè)能力。因此，在對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中，模型具有更高的評(píng)測(cè)精度和較小的預(yù)測(cè)誤差，是一種更為科學(xué)合理的評(píng)估方法，可以為商業(yè)銀行的信用風(fēng)險(xiǎn)管理提供新的參考。

4.結(jié)論

支持向量機(jī)是一種基于小樣本學(xué)習(xí)理論的通用學(xué)習(xí)算法，具有嚴(yán)格的理論基礎(chǔ)，能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問題。經(jīng)過多年的發(fā)展，支持向量機(jī)已經(jīng)衍生出多種改良形式和優(yōu)化模型。其中，模型是一類具有較高預(yù)測(cè)精度的支持向量回歸機(jī)，在多個(gè)領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用，取得了較好的預(yù)測(cè)效果。

針對(duì)于目前我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理體系的不足以及國(guó)內(nèi)上市商業(yè)銀行的樣本數(shù)量偏少的情況，本文引入了模型來評(píng)估商業(yè)銀行自身的信用風(fēng)險(xiǎn)。利用主成分分析建立商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，并構(gòu)建基于模型的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型。通過與模型和BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果的比較，發(fā)現(xiàn)模型在商業(yè)銀行信用風(fēng)險(xiǎn)的訓(xùn)練和預(yù)測(cè)中都具有更高的精度。

本文最后根據(jù)優(yōu)化訓(xùn)練完畢的模型對(duì)我國(guó)所有上市商業(yè)銀行未來的信用風(fēng)險(xiǎn)進(jìn)行了預(yù)測(cè)，得到了我國(guó)商業(yè)銀行整體信用風(fēng)險(xiǎn)可能上升，并且國(guó)有銀行和股份制商業(yè)銀行都將面臨更大信用風(fēng)險(xiǎn)的結(jié)論。因此，根據(jù)以上的分析，模型為商業(yè)銀行的信用風(fēng)險(xiǎn)管理提供了更為有力的輔助工具，可以推廣到更多金融領(lǐng)域的風(fēng)險(xiǎn)評(píng)估當(dāng)中。

盡管本文從模型的優(yōu)化設(shè)計(jì)、訓(xùn)練樣本的匹配選取以及銀行自身信用風(fēng)險(xiǎn)的度量角度三個(gè)方面對(duì)我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)的評(píng)估研究做了一些開創(chuàng)性的工作，取得一定的研究成果，但還存在需要進(jìn)一步完善和深入研究的問題，這些問題主要是：

（1）本文所引入的模型的算法可以與交叉驗(yàn)證和選塊、分解等方法配合使用，改進(jìn)模型中對(duì)于參數(shù)優(yōu)化設(shè)計(jì)的步驟和思想，以此可以改良原有模型的算法，進(jìn)一步提高模型對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的預(yù)測(cè)精度；

（2）對(duì)于建立起的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，應(yīng)該結(jié)合我國(guó)商業(yè)銀行實(shí)際面臨的信用風(fēng)險(xiǎn)結(jié)構(gòu)以及資產(chǎn)配置狀況進(jìn)行調(diào)整，并且可以根據(jù)不同類型的銀行分別采用不同的信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，以此針對(duì)不同銀行構(gòu)建起更加合理的信用風(fēng)險(xiǎn)評(píng)估模型。

參考文獻(xiàn)：

[1]曹道勝，何明升.商業(yè)銀行信用風(fēng)險(xiǎn)模型的比較及其借鑒[J].金融研究，2006（10）：90-97.

[2]Cortes C，Vapnik V N.Support-Vector Networks[J].Machine Learning，1995，20（3）：273-297.

[3]Vapnik V N，Lerner A.Pattern Recognition Using Generalized Portrait Method[J].Automation and Remote Control，1963，24：774-780.

[4]Drucker H，Burges C J C，Kaufman L，Smola A，Vapnik V.Support vector regression machines[J].Electronic Engineering，1997，1（6）：155-161.

[5]Sch?lkopf B，Williamson R C，Bartlett P L.New support vector algorithms[J].Neural Computation，2000，12（5）：1207-1245.

[6]Sch?lkopf B，Smola A J.Learning with kernels：support vector machines，regularization，optimization，and beyond[M].Cambridge：MIT Press，2002.

[7]Wang Defeng，Yeung D S，Tsang E C.Weighted Mahalanobis Distance Kernels for Support Vector Machines[J].IEEE Trans on Neural Networks，2007，18（5）：1453-1462.

[8]Tay F E H，Cao L.Application of Support Vector Machines in Financial Time Series Forecasting[J].Omega，2001，29（4）：309-317.

[9]Vapnik V N.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)[M].張學(xué)工譯.北京：清華大學(xué)出版社，2000.

[10]張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.

[11]鄧乃揚(yáng)，田英杰.支持向量機(jī)——理論、算法與拓展[M].北京：科學(xué)出版社，2009.

[12]顧亞祥，丁世飛.支持向量機(jī)研究進(jìn)展[J].自動(dòng)化學(xué)報(bào)，2011，38（2）：14-17.

[13]劉建偉，李雙成，羅雄麟.P范數(shù)正則化支持向量機(jī)分類算法[J].自動(dòng)化學(xué)報(bào)，2012，38（1）：

76-87.

[14]李倩，鄭丕諤.基于支持向量機(jī)的企業(yè)現(xiàn)金流量評(píng)級(jí)[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2007，9（6）：86-87，93.

[15]吳沖，夏晗.基于支持向量機(jī)集成的電子商務(wù)環(huán)境下客戶信用評(píng)估模型研究[J].中國(guó)管理科學(xué)，2008，16（S1）：362-367.

[16]李翀，夏鵬.后驗(yàn)概率支持向量機(jī)在企業(yè)信用評(píng)級(jí)[J].計(jì)算機(jī)仿真，2008，25（5）：256-258.

[17]余晨曦，梁瀟.基于支持向量機(jī)的商業(yè)銀行信用風(fēng)險(xiǎn)度量模型[J].計(jì)算機(jī)與數(shù)字工程，2008，36（11）：10-14.

[18]孫彬，李鐵克.基于v-SVR的金融股指預(yù)測(cè)及選時(shí)策略研究[J].統(tǒng)計(jì)與決策，2010，38（3）：

45-48.

[19]胡海青，黃鐸，武晟.基于SVM的股份制商業(yè)銀行利益相關(guān)者對(duì)資本配置績(jī)效影響的仿真研究[J].管理工程學(xué)報(bào)，2010，24（4）：148-154.

[20]約翰·赫爾.風(fēng)險(xiǎn)管理與金融機(jī)構(gòu)[M].北京：機(jī)械工業(yè)出版社，2010，2.

[21]Shawe-Taylor J，Cristianini N.Kernel Methods for Pattern Analysis[M].New York：Cambridge University Press，2004.

信用風(fēng)險(xiǎn)評(píng)估范文第5篇

關(guān)鍵詞:高速 融資 租賃 評(píng)估 模式

一、前言

投融資模式的含義指以項(xiàng)目建設(shè)或相應(yīng)組織結(jié)構(gòu)背景和名義，其形式多樣，比較靈活，以預(yù)期收益為動(dòng)力，其各種形式均要保證低風(fēng)險(xiǎn)運(yùn)行，在建設(shè)特定項(xiàng)目目標(biāo)時(shí)，可以通過投融資模式獲取大量資金用于項(xiàng)目生產(chǎn)運(yùn)營(yíng)。本論文以我國(guó)高速公路運(yùn)輸設(shè)備的融資租賃方式為例，建立相應(yīng)模型進(jìn)行分析，運(yùn)營(yíng)的主體是融資租賃企業(yè)，采取多方參與的方式，如商業(yè)銀行，生產(chǎn)制造商、高速公路運(yùn)輸公司等，資本的運(yùn)營(yíng)方針策略是對(duì)高速公路運(yùn)輸設(shè)備進(jìn)行投資，這樣可以使高速公路運(yùn)輸行業(yè)的資本增加。

本文將融資租賃模式應(yīng)用于分析我國(guó)高速公路運(yùn)輸行業(yè)的運(yùn)營(yíng)上，融資租賃模式，其主要原因是結(jié)合融資租賃模式的研究和我國(guó)高速公路運(yùn)輸行業(yè)面臨風(fēng)險(xiǎn)的研究，是一種比較特殊的債務(wù)融資方式。在整個(gè)高速公路運(yùn)輸行業(yè)服務(wù)中，高速公路運(yùn)輸商在其項(xiàng)目建設(shè)中，對(duì)其而言風(fēng)險(xiǎn)是能否獲得需要的資金購(gòu)買某設(shè)備，其出租人、租賃公司能否使其在低成本下融資、投資與收益是否能平衡。對(duì)總體融資租賃模式進(jìn)行相關(guān)分析可得出，融資租賃模式所有參與者的風(fēng)險(xiǎn)是相互關(guān)聯(lián)、相互影響的。因此對(duì)融資租賃模式中各個(gè)相關(guān)參與者之間的聯(lián)系及其面臨的各種相關(guān)風(fēng)險(xiǎn)進(jìn)行研究和分析，對(duì)于使所有高速公路運(yùn)輸行業(yè)參與者合理預(yù)測(cè)和回避風(fēng)險(xiǎn)有著較強(qiáng)的實(shí)際意義。

二、高速公路融資租賃信用風(fēng)險(xiǎn)評(píng)估

估計(jì)風(fēng)險(xiǎn)是指在對(duì)風(fēng)險(xiǎn)事件資料分析的基礎(chǔ)上，利用概率統(tǒng)計(jì)的方法對(duì)風(fēng)險(xiǎn)事件和不利事件發(fā)生的可能概率及導(dǎo)致?lián)p失做出定量的估算的過程，定量的測(cè)量風(fēng)險(xiǎn)事件。例如，美國(guó)的一種估計(jì)風(fēng)險(xiǎn)的方法―駱駝評(píng)級(jí)法碼主要研究的就是風(fēng)險(xiǎn)事件的大小問題”。在對(duì)研究項(xiàng)目進(jìn)行風(fēng)險(xiǎn)估計(jì)和分類后，可以運(yùn)用駱駝評(píng)級(jí)法碼計(jì)算風(fēng)險(xiǎn)事件的大小。相關(guān)的使用人員可以通過風(fēng)險(xiǎn)事件資料分析和估算加強(qiáng)對(duì)研究問題的理解及問題環(huán)境的了解，對(duì)風(fēng)險(xiǎn)進(jìn)行全面有條理估計(jì)，從中可以獲得實(shí)現(xiàn)目標(biāo)較好的途徑和方法，提高項(xiàng)目可性。因此，要合理預(yù)測(cè)各個(gè)計(jì)劃措施的后果，以便建立風(fēng)險(xiǎn)估計(jì)模型，通過模型的建立可以列出一切設(shè)想結(jié)果和各種計(jì)劃方案。風(fēng)險(xiǎn)估計(jì)是按照行動(dòng)的這一機(jī)理建立的，它有條不紊地把可能的都羅來作為行動(dòng)方案。因此無論任何情況都可以用風(fēng)險(xiǎn)估計(jì)模型進(jìn)行評(píng)價(jià)，要分析和研究上述問題后，將建立起來的眾多風(fēng)險(xiǎn)估計(jì)模型組合在一起進(jìn)行工作，才能計(jì)算出各每個(gè)風(fēng)險(xiǎn)估計(jì)模型所能預(yù)測(cè)的相應(yīng)風(fēng)險(xiǎn)事件組合起來的整體效果和模式主體能接受的風(fēng)險(xiǎn)事件的整體效果。評(píng)價(jià)選擇測(cè)試模型研究的是事件各個(gè)過程中的的總風(fēng)險(xiǎn)及其之間的作用，另外就是事件的總體影響。事件總體風(fēng)險(xiǎn)是指在把單位風(fēng)險(xiǎn)事件量化處理，利用科學(xué)理論的方法，在計(jì)算和評(píng)估的基礎(chǔ)上進(jìn)行相關(guān)計(jì)算來得出時(shí)間的整體綜合風(fēng)險(xiǎn)值。

三、高速公路融資租賃信用風(fēng)險(xiǎn)評(píng)估的可行性

一般來說,對(duì)于高速公路融資租賃模式經(jīng)濟(jì)可行性分析和評(píng)價(jià)，有以下三種方式，其分別為:

(1)簡(jiǎn)單的成本比較方法。簡(jiǎn)單的成本比較方法是相對(duì)于其他方法來講相對(duì)比較簡(jiǎn)單，它不會(huì)計(jì)算貨幣的時(shí)間價(jià)值，直接比較購(gòu)買成本和租賃成本，因此該方法主要適合于周期相對(duì)較短的經(jīng)營(yíng)性租賃。本篇文章主要分析的是融資性租賃，該租賃方式的租賃期限比較長(zhǎng)，不適合采用該方式進(jìn)行比較。

(2)成本現(xiàn)值比較法。該方法就是把其他任何時(shí)期產(chǎn)生的成本折算為現(xiàn)有的價(jià)值進(jìn)行比較。企業(yè)在進(jìn)行方案分析時(shí)，如果遇到兩個(gè)或更多的項(xiàng)目的經(jīng)濟(jì)效益相近時(shí)，可以采用這種方法進(jìn)行比較分析。通常來講，經(jīng)營(yíng)性租賃可以采用成本現(xiàn)值比較法，但是針對(duì)融資租賃來講，成本現(xiàn)值比較方法和凈現(xiàn)值比較法都能夠采用。

(3)凈現(xiàn)值比較法。凈現(xiàn)值就是指項(xiàng)目遠(yuǎn)期的資金流入量的現(xiàn)有價(jià)值與租賃項(xiàng)目遠(yuǎn)期的資金流入量的現(xiàn)有價(jià)值之間的差額，也稱S2。

四、高速公路融資租賃信用模式

凈現(xiàn)值比較法是西方某經(jīng)濟(jì)學(xué)者“經(jīng)濟(jì)人”作為前提，提出基本假設(shè) “經(jīng)濟(jì)人假設(shè)”，經(jīng)濟(jì)人假設(shè)也是本論文構(gòu)建融資租賃模式的理論基礎(chǔ)和依據(jù)，經(jīng)濟(jì)人假設(shè)內(nèi)容是：人們目標(biāo)是以自己利益最大，并且完全了解自己所處在環(huán)境和環(huán)境中各項(xiàng)信息和知識(shí)，對(duì)信息和知識(shí)的認(rèn)知程度十分豐富并且及其透徹清晰。在交易中人們會(huì)逐筆地評(píng)價(jià)其風(fēng)險(xiǎn)和收益，以便采取相應(yīng)的措施和手段，以便對(duì)自己更加有利，作為個(gè)人,無論其地位如何,本質(zhì)是一樣的―追求個(gè)人收益最大化,滿足個(gè)人需要，經(jīng)濟(jì)人假設(shè)的融資租賃模式運(yùn)行過程及其分析為:第一，對(duì)于承租人(高速公路運(yùn)營(yíng)商)來講，申請(qǐng)貸款的方式是，憑借承租人預(yù)期的盈利做為擔(dān)保的條件和代價(jià)來進(jìn)行，通過銀行對(duì)其生產(chǎn)特性和信用級(jí)別的評(píng)價(jià)，使其在相應(yīng)的條件下風(fēng)險(xiǎn)降到最低，使租賃人愿意投資和貸款，以便其獲得最大的資產(chǎn)使用權(quán)限。第二，對(duì)投資的銀行來講，在保證未來收益穩(wěn)定的前提下，在較低風(fēng)險(xiǎn)下獲得較高的收益;第三，在銀行的貸款利息小于投資人預(yù)期收益率 (r ＜ R)時(shí)，在高收益的引誘下，將自有資金進(jìn)行投資，參與到融資租賃模式中去，以便獲的更多收益;第四，對(duì)生產(chǎn)商來講，其加入融資租賃模的模式是擴(kuò)大其銷售，以此獲得更大利潤(rùn)；第五，對(duì)融資租賃公司來講，其獲得更大利潤(rùn)的方式是有效地運(yùn)作其資金、合理管理融資租賃業(yè)務(wù)。綜上所述，本論文討論的融資租賃模式是高速公路而言是項(xiàng)有實(shí)用價(jià)值和經(jīng)濟(jì)效用的模型。

五、結(jié)論

本文通過高速公路融資租賃風(fēng)險(xiǎn)的評(píng)估和模式的分析，提出風(fēng)險(xiǎn)評(píng)估的可行性判斷，不僅對(duì)于高速公路行業(yè)，對(duì)于融資租賃行業(yè)的風(fēng)險(xiǎn)評(píng)估都具有一定的指導(dǎo)意義。

參考文獻(xiàn)：

［1］ 王春峰，李汶華.小樣本數(shù)據(jù)信用風(fēng)險(xiǎn)評(píng)估研究，管理科學(xué)學(xué)報(bào)，2001 (1)：28-32