【正文】 信息系統(tǒng)中選取 199202 2023年三年在該行都有貸款且財務(wù)報表 （ 資產(chǎn)負債表 、 利潤表和現(xiàn)金流量表 ） 齊全的上市公司客戶 ， 分別計算這些企業(yè)的貸款不良率 ， 以此衡量商業(yè)銀行信用風(fēng)險的高低 ， 符合條件的共 195家企業(yè) ， 為保證樣本容量足夠大 ， 我們將每家上市公司每年的財務(wù)數(shù)據(jù)作為一個樣本 ， 因此最后得到的樣本企業(yè)為 585家 （ 195 3＝585） 。 (二 ) 樣本采集和數(shù)據(jù)處理 b. 財務(wù)指標的選擇：共選取用于基礎(chǔ)分析的財務(wù)指標 50個 ? 全面反映盈利能力 、 流動性和償還能力 、 資產(chǎn)管理 效率 、 成長性 、 資本結(jié)構(gòu)狀況 、 資本市場表現(xiàn)等財 務(wù)特征 ? 既有反映企業(yè)靜態(tài)指標 ， 也有反映財務(wù)狀況變化的 動態(tài)指標 ? 引入現(xiàn)金流量指標 ? 引入企業(yè)資本市場數(shù)據(jù) (二 ) 樣本采集和數(shù)據(jù)處理 b. 財務(wù)指標的選擇： 指標分類 財 務(wù) 指 標 流動性與償還能力指標 流動比率 ， 速動比率 ， 營運資本 ， 期末速動資產(chǎn) ， 利息保障倍數(shù) ， 資產(chǎn)短期負債率 盈利能力指標（含動態(tài)指標） 資產(chǎn)利潤率 ， 資產(chǎn)報酬率 ， 息稅前利潤 ， 凈資產(chǎn)報酬率 ， 銷售凈利潤率 ，銷售毛利率 ， 主營業(yè)務(wù)利潤率 ， 營運資本總資產(chǎn)比 ， 營運資本主營業(yè)務(wù)收入比 ， 盈利波動率 資本結(jié)構(gòu)與財務(wù)杠桿指標 資產(chǎn)負債比率 ， 產(chǎn)權(quán)比率 ， 負債股本賬面值比 資產(chǎn)管理效率指標 總資產(chǎn)周轉(zhuǎn)率 ， 存貨周轉(zhuǎn)率 ， 應(yīng)收賬款周轉(zhuǎn)率 ， 其他應(yīng)收款周轉(zhuǎn)率 ， 股東權(quán)益周轉(zhuǎn)率 ， 固定資產(chǎn)周轉(zhuǎn)率 ， 平均負債成本率 成長性指標（含動態(tài)指標） 盈利增長指數(shù) ， LOG（ 固定資產(chǎn)總額 ） ， 總資產(chǎn)增長率 ， 主營業(yè)務(wù)收入增長率 ， 留成利潤比 ， 平均資產(chǎn) ， 平均股東權(quán)益 ， 留存收益 ， 留存收益總資產(chǎn)比 ， 平均負債總額 ， 凈資產(chǎn)增長率 資本市場表現(xiàn)指標 股本市值負債比 , 流通股市值負債比 , 股本帳面值市值比 , 每股收益 , 每股凈資產(chǎn) 現(xiàn)金流量指標 現(xiàn)金流量比率 ， 現(xiàn)金流量財務(wù)費用比 ， 主營業(yè)務(wù)收入現(xiàn)金流量占比 ， 籌資活動凈流入與負債比率 , 每股現(xiàn)金流量 資產(chǎn)質(zhì)量指標 主營業(yè)務(wù)收入占比 ， 銷售現(xiàn)金實現(xiàn)率 ， 資本化率 (二 ) 樣本采集和數(shù)據(jù)處理 c. 樣本數(shù)據(jù)的分組確定： ? 訓(xùn)練樣本和預(yù)測樣本的劃分： 將 1999年和 2023年的樣本作為訓(xùn)練樣本，用于模型系數(shù)和閾值的估計； 2023年的樣本作為預(yù)測樣本，用于檢驗?zāi)Ｐ偷念A(yù)測能力。 ? 低風(fēng)險企業(yè)和高風(fēng)險企業(yè)的劃分： 以不良率 5%作為分界線將每組的樣本企業(yè)分為兩類，將不良率低于 5%的企業(yè)稱為低風(fēng)險企業(yè)，不良率不低于5%的企業(yè)作為高風(fēng)險企業(yè)。 (二 ) 樣本采集和數(shù)據(jù)處理 a. 單一財務(wù)指標獨立樣本 t檢驗 對樣本企業(yè) （ 高風(fēng)險企業(yè)和低風(fēng)險企業(yè) ） 的財務(wù)指標進行獨立 t檢驗的目的在于檢驗財務(wù)指標在不同類別企業(yè)之間的差異性 ， 在兩類企業(yè)之間具有顯著差異的財務(wù)指標具有統(tǒng)計意義 、 與信用風(fēng)險的相關(guān)性強 ， 是進一步分析的重點 。 根據(jù) SPSS軟件對全部指標進行獨立樣本 t檢驗的結(jié)果 ,在兩類企業(yè)之間有顯著差異的財務(wù)指標共 33個 . (二 ) 樣本采集和數(shù)據(jù)處理 a. 單一財務(wù)指標獨立樣本 t檢驗 這些指標為：營運資本 、 資產(chǎn)利潤率 、 資產(chǎn)報酬率 、 息稅前利潤 、 凈資產(chǎn)報酬率 、 平均股東權(quán)益 、 期末速凍資產(chǎn) 、營運資本主營業(yè)務(wù)收入比 、 現(xiàn)金流量比率 、 利息保障倍數(shù) 、總資產(chǎn)周轉(zhuǎn)率 、 存貨周轉(zhuǎn)率 、 應(yīng)收賬款周轉(zhuǎn)率 、 其他應(yīng)收賬款周轉(zhuǎn)率 、 股東權(quán)益周轉(zhuǎn)率 、 固定資產(chǎn)周轉(zhuǎn)率 、 盈利增長指數(shù) 、 log（ 固定資產(chǎn) ） 、 總資產(chǎn)增長率 、 留成利潤比 、留存利潤總資產(chǎn)比 、 資產(chǎn)負債率 、 產(chǎn)權(quán)比率 、 留存收益 、盈利波動率 、 資產(chǎn)短期負債率 、 凈資產(chǎn)增長率 、 主營業(yè)務(wù)收入現(xiàn)金流量占比 、 籌資活動凈流入現(xiàn)金與負債比率 、 每股現(xiàn)金流量 、 每股收益 、 每股凈資產(chǎn) 、 股本賬面市值比 。 (二 ) 樣本采集和數(shù)據(jù)處理 b. 主成份分析 基于獨立樣本 t檢驗選出的 33個財務(wù)指標 ， 可通過主成份分析法提取指標主成份 ， 以在盡可能保留財務(wù)指標信息的前提下 ， 簡化模型檢驗過程 。 根據(jù)主成份累計貢獻率大于 80%的標準，在對測試樣本進行標準化處理后，模型從 33個主成份中提取了 12個 ，同時采用方差最大化正交旋轉(zhuǎn)法，便于對主成份找到合理的經(jīng)濟解釋。 (三 ) 我國商業(yè)銀行信用風(fēng)險識別模型實證研究 三、我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究 ?我國商業(yè)銀行信用風(fēng)險線性判別模型研究 ?我國商業(yè)銀行信用風(fēng)險 Logit模型研究 ?我國商業(yè)銀行信用風(fēng)險 BP神經(jīng)網(wǎng)絡(luò)模型研究 ?線性判別模型 、 Logit模型和 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果比較 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 1. 我國商業(yè)銀行信用風(fēng)險線性判別模型研究 a. 模型參數(shù)： 將高風(fēng)險企業(yè)定義為 1， 低風(fēng)險企業(yè)定義為 0， 引入 12個主成份以 337個訓(xùn)練樣本為基礎(chǔ)運用 SPSS軟件建立線性判別模型 ， 得出的信用風(fēng)險線性判別模型為： Z＝ Y1＋ ＋ ＋ ＋ 各主成份進入模型的順序依次為 Y Y Y10 、 Y9和 Y4。根據(jù)主成份負荷矩陣和因子得分系數(shù)矩陣顯示的主成份與原始財務(wù)比率的相關(guān)關(guān)系，以上指標可分別被定義為盈利性指標、流動性與償還能力指標、資本結(jié)構(gòu)與財務(wù)杠桿指標、成長性指標、資產(chǎn)管理效率指標。 （ ） (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 1. 我國商業(yè)銀行信用風(fēng)險線性判別模型研究 a. 模型參數(shù)： 根據(jù)以上 Fisher判別函數(shù)分別對兩組樣本數(shù)據(jù)進行計算 ， 高風(fēng)險樣本和低風(fēng)險樣本的平均 Z值分別為 ， 訓(xùn)練樣本中 ， 高風(fēng)險樣本和低風(fēng)險樣本個數(shù)分別為 209個和 128個 ， 則信用風(fēng)險線性判別模型的閾值為： 0128209 ?? ????M也即 ， 將企業(yè)財務(wù)指標帶入判別方程后 ， 如果計算得出的Z值大于 0， 則該企業(yè)被判定為高風(fēng)險企業(yè) ， 違約可能性大；如果計算得出的 Z值小于 0， 則該企業(yè)被判定為低風(fēng)險企業(yè) ，違約可能性小 。 （ ） (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 1. 我國商業(yè)銀行信用風(fēng)險線性判別模型研究 b. 模型的準確性： 分組 判定值 合計 0 1 普通方法 數(shù)目 0 150 59 209 1 55 73 128 % 0 1 Bootstrap檢驗方法 數(shù)目 0 144 65 209 1 58 70 128 % 0 1 表 Fisher線性判定 模型對訓(xùn)練樣本的判定結(jié)果 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 1. 我國商業(yè)銀行信用風(fēng)險線性判別模型研究 b. 模型的準確性： 使用普通方法對 Fisher線性判別模型的判定效果進行驗證 ， 模型的準確率為 %， 其中對低風(fēng)險企業(yè)判別的準確率 %， 對高風(fēng)險企業(yè)判別的準確率為 57%。 使用 Bootstrap檢驗方法對 Fisher線性判別模型的判定效果進行驗證 ， 模型的準確率略低于普通方法的判定效果 ，總準確率為 %， 其中對低風(fēng)險企業(yè)判別的準確率%， 對高風(fēng)險企業(yè)判別的準確率為 %。 模型對低風(fēng)險企業(yè)判定的準確率仍然高于高風(fēng)險企業(yè) 。 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 1. 我國商業(yè)銀行信用風(fēng)險線性判別模型研究 b. 模型的準確性： 在統(tǒng)計學(xué)中 ， 誤判分為兩類：第一類錯誤 （ 拒真 ） 和第二類錯誤（ 納偽 ） 。 這里 ， 第一類錯誤 是指將高信用風(fēng)險企業(yè)誤判為低信用風(fēng)險企業(yè)的錯誤 。 第二類錯誤 是指將低風(fēng)險企業(yè)誤判為高信用風(fēng)險企業(yè)的錯誤 。 第一類錯誤的誤判代價要高得多 ， 因為第二類錯誤只會使商業(yè)銀行損失一定的投資收益 ， 而第一類錯誤會使商業(yè)銀行因無法收回貸款而面臨重大的經(jīng)營危機 。 上述 Fisher線性判別模型對高風(fēng)險企業(yè)判定的準確率低于低風(fēng)險企業(yè) ， 這也就意味著第一類錯誤率高于第二類錯誤率 。 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 1. 我國商業(yè)銀行信用風(fēng)險線性判別模型研究 c. 模型檢驗： 表 Fisher線性判定模型對測試樣本的預(yù)測結(jié)果 判定值 分組 0 1 合計 0 69 49 118 數(shù)目 1 12 25 37 0 58 . 5 4 1 . 5 1 0 0 . 0 % 1 32. 4 67 . 6 1 0 0 . 0 采用 Fisher線性判別模型預(yù)測樣本企業(yè)的信用風(fēng)險狀況 ， 模型預(yù)測的準確率為 %， 略低于訓(xùn)練樣本判定的準確率 。 模型對預(yù)測樣本判定的第一類錯誤低于第二類錯誤 ， 其中第一類誤判率為%， 第二類誤判率為 %， 判別模型不夠穩(wěn)定 。 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 2. 我國商業(yè)銀行信用風(fēng)險 Logit模型研究 a. 模型參數(shù)： 各主成份進入模型的順序依次為 Y1， Y7， Y10， Y4， Y6， Y9，依次被定義為盈利性指標 、 流動性與償還能力指標 、 資本結(jié)構(gòu)與財務(wù)杠桿指標 、 資產(chǎn)管理效率指標 、 現(xiàn)金流指標和成長性指標 。 根據(jù)得出的參數(shù)表 ， Logitstic回歸函數(shù)為： )27 ( 109764111yyyyyyeP ????????? 引入商業(yè)銀行客戶的財務(wù)數(shù)據(jù)并根據(jù)以上函數(shù)預(yù)測信用風(fēng)險 ， 如果計算得出的結(jié)果小于 50%， 則該客戶被判定為低風(fēng)險企業(yè)；反之 ， 將該客戶定義為高風(fēng)險企業(yè) 。 （ ） (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 2. 我國商業(yè)銀行信用風(fēng)險 Logit模型研究 b. 模型的準確性： 表 Logit模型對訓(xùn)練樣本的判定結(jié)果 分組 判定值 合計 0 1 數(shù)目 0 190 19 209 1 39 90 128 % 0 1 Logit模型的準確率為 %，其中對低風(fēng)險企業(yè)判別的準確率高達 %，但對高風(fēng)險企業(yè)判別的準確率不到 70%。 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 2. 我國商業(yè)銀行信用風(fēng)險 Logit模型研究 c. 模型檢驗： 表 Logit模型對測試樣本的預(yù)測結(jié)果 判定值 分組 0 1 合計 0 99 19 118 數(shù)目 1 1 2 25 37 0 83 .9 16 .1 1 0 0 . 0 % 1 3 2 . 4 67 . 6 1 0 0 . 0 采用 Logit模型判定預(yù)測樣本企業(yè)的信用風(fēng)險狀況，模型預(yù)測的準確率達到 %，同訓(xùn)練樣本類似，該模型對低風(fēng)險企業(yè)的判定準確率大大高于高風(fēng)險企業(yè)的判定準確率，其中第一類誤判率為 %，第二類誤判率 16%。 Logit模型對訓(xùn)練樣本和預(yù)測樣本的判定結(jié)果基本一致，模型比較穩(wěn)定，推廣能力較強。 (三 )我國商業(yè)銀行信用風(fēng)險識別模型實證研究 3. 我國商業(yè)銀行信用風(fēng)險 BP神經(jīng)網(wǎng)絡(luò)模型研究 a. 模型參數(shù)： ? 網(wǎng)絡(luò)類型：隱層 BP神經(jīng)網(wǎng)絡(luò) ? 各層神經(jīng)元個數(shù) ：輸入層 —— 12個節(jié)點 輸出層 —— 1個節(jié)點 隱 層 —— 據(jù)學(xué)習(xí)和訓(xùn)練效果確定 ? 誤差精度： 10－ 3 ? 傳遞函數(shù)：輸入層 —— 雙曲正切 S型函數(shù) 輸出層 —— 線性函數(shù) ? 訓(xùn)練次數(shù)： 1000次 訓(xùn)練樣本 測試樣本 隱節(jié) 點數(shù) 訓(xùn)練 性能 第一類 錯誤 第二類 錯誤 誤判比率 第一類 錯誤 第二類 錯誤 誤判比率 總誤判比 率 1 0 . 1 425 3 8 . 0 0 0 0 2 5 . 0 0 0 0 0 . 1 8 6 9 1 6 . 0 0 0 0 2 9 . 0 0 0