信用评估方法

6.3.2　信用评估方法

目前企业信用风险评估方法大致可以分为三类，即定性评估法、定量评估法和综合评估法。

定性评估法就是评估人员根据其自身的知识、经验和综合分析判断能力，在对评价对象进行深入调查、了解的基础上，对照评价参考标准，对各项评价指标的内容进行分析判断，形成定性评价结论。这种方法的评估结果依赖于评估人员的经验和能力，主观性较强，结果的客观性、公正性难以保证。

定量评估法也称评估模型法，是以反映企业经营活动的财务数据为基础，通过数学模型来评定信用风险的大小。这种方法使用简便、成本低，曾一度被美国各商业银行广泛用于对客户的信用风险评估。但这种方法仅仅只依赖于客户财务数据，缺乏对客户全面的信用评估。

综合评估法产生于20世纪80年代，是在合适的评价指标体系和评估模型的基础上，对评估对象作出全局性、整体性的系统评价、这种评估能够更好地反映企业的未来信用风险大小，因此它代表了当今信用风险评估方法发展的主流。

综观国际上这一领域的研究和实际应用，信用风险分析方法从主观判断分析法和传统的财务比率评分法转向以多变量、依赖于市场经济理论和计算机信息科学的动态计量分析方法为主的趋势发展。目前我国的信用分析和评估技术仍处于传统的财务比率分析阶段，没有集多种技术于一体的动态量化的信用风险管理技术。随着我国经济体制改革的深入、市场机制的建立与完善，现行的信用评估体制与方法已远远赶不上发展的需要。因此，有必要通过建立符合我国国情、能满足中小型企业需求的信用评估方法来进行客户信用管理。

常用的企业信用评估方法可分成三类，第一类是遵循加权平均的思路，侧重指标间权重如何合理分配，主要有德尔菲法、层次分析法；第二类是把综合评估视为模式识别中的分类问题，通过度量样本间的相似性程度来实现对多维特征空间的划分，主要由动态聚类法、系统聚类法、K—近邻法等；第三类是应用模糊集合理论，把隶属度函数的概念引入到权值确定和相似性度量中，常用的有模糊聚类方法、模糊C—均值方法、模糊综合评判和模糊神经网络分类法等。国际上广泛采用了基于统计判别方法的预测模型，如回归分析法、多元判别分析法、Logit法、Probit法、近邻法、分类树法等。

1.判别分析

判别分析的模型可以这样来描述：有k个总体G₁，G₂，…，G_k，它们的分布函数分别是F 1（x），F 2（x），…，F_k（x），均为p维分布函数，对给定的一个新的样品，我们要判断它来自哪个总体。判别分析有许多种，如距离判别、贝叶斯判别、费歇判别等。下面以贝叶斯判别为例来介绍。目标是总损失Loss最小化

其中，x为属性向量，x所有可能值构成集合A，被拒绝授信者的属性向量集为A_B，被授信者的属性向量集为A_G；L表示因为拒绝低风险者而引起的期望人均利润损失；D表示因接受高风险者而引起的期望人均损失；字母p表示概率，G和B分别表示好和坏。

贝叶斯判别的解可以表示为A_B＝｛x｜q（G｜x）/q（B｜x）＜D/L｝，如果p（x｜G）和p（x｜B）为多元正态分布，则解可以简化为A_B＝｛x｜xw＜C｝，w为权值向量。最早把判别分析用到信用评价系统的应该是Durand（1941），他的论文显示该方法对债务的偿还情况做出了很好的预警。Eisenbeis（1977，1978）把判别分析作为一种评估方法推广到商务、金融和经济领域。Rosenbergand Gleit（1994）对此也有所讨论。就我们的观点而言，那些论文过分强调了判别分析的缺点。如果变量服从多元正态分布，线性判别规则是最优的（忽略样本的变化）。虽然这个要求有时显得苛刻，但尽管如此，如果判别分析被视为变量线性组合的收益，并最大化某一特别的分类标准，那么很显然它还是有着非常广泛的应用的。

2.回归

（1）普通的线性回归：主要应用于信用评分的两类问题。定义一个因变量γ（γ＝1表示好的信用；γ＝0表示坏的信用），X_ip表示待估信用者i的第p个属性，w为对应权值，回归方程为y_i＝∑w x i，目标为min（y_i—∑jw x i）²，这_pjj jj样利用最小二乘法就能得到w j的估计。Orgler（1970）把回归分析应用于消费者贷款，他利用回归分析设计了一个评价未偿还贷款的分值卡。由于未偿还贷款包含了消费者的行为信息，他发现消费者的行为特征比申请表特征更能表明贷款的未来质量。

（2）Logistic回归：基本假设是似然比的对数是属性的线性回归，即

ln｛L（X｜H₁）/L（X｜H₂）｝＝β0＋β^TX

式中：H₁，H₂分别表示好坏两类人群，X是属性向量，L为似然函数；β0、β^T＝（β1β2…βp）为回归系数。

Logistic回归对训练样本的要求是表示成好坏两类人群即可，而结果却能得到精确的分值，实际上这个分值被认为是属于好（或坏）的概率。而且Logistic回归在处理纲目数据上有一定的优越性。就理论背景而言，我们可能认为Logistic回归是比线性回归更适当的统计方法。但是，Henley（1995）发现Logistic回归并不比线性回归优越。Wiginton（1980）把Logistic回归应用于信用评分，并把它与判别分析进行了比较，结果表明Logistic回归给出了比较好的结果，但是就他的问题而然，两种方法都不太理想。目前，信用评估模型应用的Logistic回归基本上都是一阶的，如果把二阶引入信用评估，不知道结果会不会令人满意，但显然的是计算量将变得很巨大。

（3）Probit回归：把Logistic回归中的似然比对数函数改变为正态分布函数的反函数，就构造出了Probit模型，即

式中：x_ij表示待估信用者i的第j个属性；w_j为对应权值；N为正态函数；p_i为概率。Grablowsky和Talley（1981）比较了Probit模型和判别分析，结论是前者较好。回归法是一种易于理解的方法，无论是使用者还是信用待估对象都更喜欢易于理解的方法。

3.数学规划方法

目标最优化问题可归类为数学规划问题。Freed和Glover（1981）描述了如何利用数学规划解决n类分类问题，Hand（1981）在他的书中也有此方面的描述。此后，有关的研究论文大量发表，Joachimsthaler和Stam（1990）就这个领域的70多篇文献进行了综述。下面是一个解决信用两类分类问题的规划方程：

式中：x_ij为属性；w j为权值；c为取舍点；a_i为虚拟变量；n_G为好人数；n B为坏人数。数学规划的优点是特征之间的相关性对问题的解决不会产生影响。有些方法则影响巨大，例如判别分析，特征之间的相关性带来复杂的协方差矩阵。在这方面，判别分析需要一定的改进才能得到比较好的应用。

4.分类树

分类树（或递归分割）的基本思想是把待估信用者集合按一定的分割规则一分为二，二个子集按分割规则再一分为二，如此反复循环，直至合适的程度，最后的子集称为叶子，被认为整体地属于某一信用级别。建立分类树的关键问题是：分割方法；分割程度，即何时子集可以认为是叶子；叶子的信用级别。

在统计学中关于分类树的重要论文要数Breiman，et al（1984）、Makowski（1985）、Coffman（1986）、Carterand Catlett（1987）、Mehta（1968）等。Boyle，et al（1992）比较了分类树与判别分析，认为分类树是值得推荐的。

5.专家系统

专家系统（Expert System，ES），是人工智能（Artificialintelligence，简称AI）的一个重要分支，是一个（或一组）能够以人类专家水平在特定领域内解决困难问题的计算机程序。信用评估专家系统是将信用评级专家的经验方法编成高性能的程序，用计算机来代替专家进行信用评级。专家系统功能的强弱主要取决于创立系统时，对专家所掌握知识的深度挖掘程度以及这些知识与计算机程序结合的有效性。虽然信用评估专家系统在实践中常有应用，但目前研究这一方法的文章还比较少，并且都不甚深入。这方面的论文主要有Zocco（1985）、Davis（1987）和Leonard（1993）发表。专家系统解释其信用评估结果的能力很强，这一点对满足一般法律对拒绝申请人贷款申请要给出合理解释的要求有很大帮助。但是有证据显示，专家系统对申请人信用变化情况的预测能力很差。

6.神经网络

人工神经网络（Artificial Neural Network）是一种模仿人脑信息加工过程的智能化信息处理技术，具有自组织性、自适应性以及很强的鲁棒性，善于联想、综合和推广。人工神经网络模型各种各样，目前已有数十种，它们是从各个角度对生物神经系统不同层次的描述和模拟。有代表性的网络模型有感知器、BP神经网络、GMDH网络、RBF网络、双向联想记忆（BAM）、盒中脑（BSB）、Hopfield模型、Boltzmann机、自适应共振理论（ART）、CPN模型等。用来解决信用评价问题的神经网络可以视为一个对线性组合后变量进行非线性变换，然后再循环线性组合、非线性变换的统计方法。Ripley（1994）讨论了神经网络及相关分类方法。Rosenbergand Gleit（1994）神经网络突出在公司信用决策和防范欺诈等领域的应用。Davis（1992）就神经网络与其他评价方法进行了比较，认为神经网络法能很好地处理那些数据结构不太清楚的情况，但其样本训练时间较长，另外在分类不当的情况下错判比例较高。我们以BP（Back Propagation）神经网络为例作简单说明。对于输入信号，要先向前传播到隐节点，经过作用函数之后，再把隐节点的输出信息传播到输出节点，最后给出输出结果。节点的作用函数通常选用Sigmoid型函数。BP神经网络的输入（待估信用者的属性）和输出（信用分或级别）关系是一个高度非线性映射关系，如果输入节点数为n，输出节点数为m，则网络是从n维欧氏空间到m维欧氏空间的映射。通过BP算法调整BP神经网络中的连接权值、网络规模（包括n，m和隐层节点数），就可以实现非线性分类等问题。

7.最近邻法

最近邻法属于非参数方法，在信用评分领域有着广泛的应用。它的思想很简单，把被评信用者分为两类，当一个新的待估信用者加入时，与他的最近邻者同类。关键问题就在最近邻的寻找：①最近邻的标准，即合适点与点距离定义；②最近邻的数目。Henleyand Hand（1996）利用一家大型邮购公司的数据对最近邻（特别是最近邻的定义和数目选择）法作了详尽的研究，认为最近邻数目在100到1000之间没有分别，而他们采用的最近邻标准是d（x，y）＝（x—y）（I＋w^Tw）（x—y）′，x，y是属性向量，w为判别分析中得到的权值向量。Hand（1986）利用家庭贷款的数据对最近邻法与决策树进行了比较。最近邻法在信用评分中的应用有着非常吸引人的特点。例如，它可以直接加入新的申请者或删除老的用户的方式动态升级系统，从而可以克服人口漂移带来的问题。尽管有此优点，但最近邻法并没有得到广泛的应用，原因之一就是评价计算过程中的数据量和计算量都十分庞大。并且最近邻法也存在与神经网络法同样的问题，即在分类不当时错判比例较高，而不得不利用提高最近邻数的方法进行补救。

由于传统方法已很难有所突破，因此近年来关于信用评分方法的研究多集中于各种方法的比较分析及改进或寄希望于神经网络等人工智能方法能有所创新上。David West（2000）对包括多层感知器、混合专家系统和失真适应响应等五种神经网络算法和传统方法（包括参数和非参数方法）进行了比较分析，结果显示，在所有的模型中神经网络与Logistic模型比较优秀，而且就平均水平而言，两者的水平相当，但是神经网络比Logistic模型更稳定。

Timothy H.Lee和Sung-Chuang Jung（winter 1999/2000）在对Logistic回归和人工神经网络法进行实证比较分析后，得出Logistic回归更适于处理城市消费者信用数据，而人工神经网络法在处理农村消费者信用数据方面效果更好。他们解释说，这可能主要是因为神经网络能更好地处理非线性数据，而Logistic回归在符合其假设分布的情况下鲁棒性较强。此外，G.Paass、J.Kindermann（1998）发展了一种应用于分类树分类的贝叶斯过程，该方法主要是通过在不同的模型结构间转变来实现。H.A.Ziari、D.J.Leatham、P.N.Ellinger（1997）等也解决了一些判别分析评分法中的问题。

近年来，信用风险的计量和管理方法发生了革命性的变化。与过去的信用管理相对滞后和难以适应市场变化的特点相对比，新一代的金融工程专家将建模技术和分析方法应用到了这一领域，产生了一批新技术和新思想。随之而来，在传统信用评级方法基础上产生了一批信用风险模型，这些模型受到了业内人士的广泛关注。信用风险模型主要是通过数学手段对历史数据进行统计分析，从而对有关群体或个体的信用水平进行定性或者定量评估，并对其未来行为的信用风险进行预测，是提供信用风险防范的有效依据和手段。

现代信用模型的出现给借贷市场带来了显著的变化，主要体现在大量信用衍生工具的出现和赊销市场出乎意料的增长。银行等金融机构第一次能够积极地、准确地控制它们的信用风险，从而改善经济界或者银行自身的风险状况。当然，现有的信用风险模型也并不是完美的，除模型本身的性能原因之外，在应用模型的过程中会也有一定的困难——参数选择问题、风险遗漏、信用风险的复杂性和数据空白。有关信用风险的数据相对缺乏，所以许多时候只能利用相似情况的数据类推，这严重阻碍了实证研究的发展。许多实证研究都只得利用模拟数据，偶尔的基于实际数据的实证研究的结果也不理想。数据空白还在于无法定出通行的数据标准，使来自不同源头的数据便于比较和分析。

根据不同的分类标准，现有的信用风险模型可以有很多不同的分类方法，比如以模型所使用的数据为标准和以模型引用的基本理论为标准等。一般来说，现代信用风险模型可分为以下两类：

（1）盯市的投资组合理论模型（Mark-to-market portfolio-theoretic models），比如JP Morgan的Credit Metrics和KMV公司提出的以Merton模型为基础的信用风险模型。

（2）违约模式模型（Default-mode models），比如CSFP的Credit Risk^＋模型和Mc Kinsey的Credit Portfolio View投资组合方法。违约模式模型是用来估计在给定期限内资产组合的违约风险概率分布。盯市模型是在允许信用度下降（只要没有完全违约）的情况下，估计资产组合价值在未来的分布，从而产生了对投资组合风险价值（Value-At-Risk，VaR）的度量。

经过分析，我们认为神经网络方法能较好地克服传统分析过程的复杂性及选择适当模型函数形式的困难，能够从未知模式的大量复杂数据中发现其规律，可考虑采用神经网络方法作为信用评估方法。

随着中国加入WTO的进程加快以及网络技术的广泛应用、电子商务的不断深化，近年来，信用评估方法的研究多集中在各种方法的比较分析及改进或在神经网络等人工智能方法上有所创新。使企业处于开放、动态的环境，业务范围不再局限于一个国家、地区或行业，所面临的信用风险较以往大大增加。构建信用评估系统，运用信用评估结果指导企业的经营运作，是企业规避信用风险必不可缺的环节。与采用外部信用中介评估相比较，企业内部的评估要严密得多。企业信用内部评估系统主要有两方面的作用：分析和报告；监管。前者包括向高层管理者或董事会报告信用风险状况，提取坏账损失准备，经济资本配置、盈利衡量、产品定价、雇员收入评价；后者包括引导资金投向，经营监督程序和管理协调。企业内部的评估系统可以使企业的决策者、经营者动态掌握详尽的信用风险，建立信用风险预警系统，从而控制企业运作过程，规避信用风险。在动态多变的环境中，快速而准确地获得用户的信用风险系数，是企业核心能力的体现。构建适合的评估系统，强化监测、实施过程控制，是减少评估风险的有效途径。