违约相关性递减是哪个模型

一、与本选题相关的国外研究成果

信用风险是全世界银行业面临的最古老也是最主要的风险，它几乎是与银行信贷业务相伴而生的，历史上多次银行危机事件表明，导致银行破产的主要原因都是信用风险。为了更好地防范和控制信用风险，无论商业银行自身还是监管当局，都对信用风险度量和管理技术提出更高的要求。因此，国内外专家学者对信用风险的关注和研究也日益加强。

（一）关于信用风险理论方面的研究

奈特于1921年发表的论文《风险、不确定性和利润》中指出风险与不确定性有着本质区别，风险是可预测的不确定性，作者认为难点在于预测是基于过去所发生事件的频率，而这无法消除未来的不确定性。20世纪中期，冯·诺伊曼与德国经济学家摩根斯坦合作完成的经典巨著《概率论和经济行为》为人们打开了一扇新知识的大门，同时也为风险管理提供了新的支持。马柯维茨于1952年发表的关于资产组合理论的文章，提出了用方差来衡量资产组合波动性大小的方法，并讨论了风险和收益之间的关系，这一理论具有划时代的意义，是风险度量理论发展过程中的里程碑。早期国外对银行信用风险的研究主要侧重于信贷市场中信息不对称条件下，信用风险产生和控制的理论研究。经济学家们运用微观经济学、信息经济学、不完全合同理论、风险偏好等来研究银行和企业之间的信贷问题。

Lelend，Pyle研究了信贷市场中逆向选择问题和风险偏好对融资行为的影响，他们认为在信息不对称条件下，银行因为无法判别企业风险的大小而产生逆向选择，结果只有风险大的项目才会到外部融资，风险低的企业为了将自己同风险高的企业区分开，可以通过部分自我融资，即投入一定的自有资金。在这样的过程中，风险低的企业的效用水平比完全信息条件下的效用水平低，其损失的效用称为信息成本，这样使得市场均衡的结果是无效率的［1］。Stiglitz，Weiss对银行贷款中的“信贷配给”现象进行了研究。由于在银行和企业之间存在信息不对称现象，使得风险高的企业愿意以较高的成本获取贷款，但是银行并不能有效识别企业风险的高低，从而使得利率机制不能很好地发挥调节供需的杠杆作用，因为若银行提高利率，一方面会使得预期收益增加，同时此举也会导致信用不佳但冒险贷款的企业增加，这样又会反过来影响到银行的收益。当信贷市场的供给小于需求时，有一部分企业将不能得到贷款［2］。Gale，Hellwig指出在信贷市场信息不对称条件下，当不同的贷款者属于不同的风险偏好类型时就会发生逆向选择［3］。

在借款合同的条款中借款者对于风险偏好的问题也有所体现，借款合同中包括借款利率、还款计划、担保可能的调整方式等对借款人的约束条件，在信息对称的条件下，借款人对风险的偏好决定银行可能获得的回报。Townsend认为由于银行和贷款企业之间的存在信息不对称现象，这使得银行需要花费一定的成本去监督和审计该企业实际的现金流量。基于企业和银行都是风险中性的前提假设，有效的债务合约是在固定期望支付的条件下使审计概率最小化或者在给定审计概率条件下最大化期望支付［4］。Holmstrom，Tirole对企业资本在融资中的作用这个问题上建立模型进行了研究，对于没有资本或资本金很小的企业很难获得融资，无论是直接融资还是间接融资均难获得。对于已有一定资本的企业，银行会给予一定数额的贷款融资。而只有当企业资本非常雄厚时，才能成功发行债券进行直接融资［5］。Hart，Moore对企业家的人力资本进行了研究，研究表明只有企业家的才能与资产结合在一起才能产生现金流，现金流并不来自于银行拥有资产。在当项目不能得到合理融资或者贷款不能按时偿还时银行也不能对企业家的去留进行限制［6］。Hart，Moore对在企业不能按时偿还债务的情况下，银行应该选择对企业清盘还是协商的银行和企业之间的债务安排问题进行了探讨。文章对不同情况下的最优合约给出了充分条件［7］。

（二）关于信用风险度量基础理论的研究

信用风险计量模型性大体上分为两类：一类是基于期权定价理论的结构式模型，一类是基于违约率外生的简化式模型。最早的结构式模型是Merton在1974年的一篇论文中提出的，文章将期权定价理论用于有违约风险的贷款和债券的估值。模型的思想比较简单，首先假设市场是一个无摩擦、无交易成本、无税收的可连续交易金融市场；且不存在无风险套利机会；利率r是常数，于是单位无风险债券的价值为B（t，T）＝exp［－r（T－t）］；公司资产价值Vt是权益价值和负债的总和；负债可以看成是面值为K，到期日为T的零息票债券［8］。

基于以上假设，企业仅由权益和一种债务工具进行融资。在债券到期日T，若公司资产价值VT≥K则履行债务；若公司的资产价值VT＜K则发生违约，那时债券持有人拥有接管公司的权利，而股权持有者将一无所获。于是权益可以看成是以公司资产价值Vt为标的，执行价格为K，到期日为T的欧式看涨期权，而公司债务则可以看成是面值为K的无风险债券和以公司资产价值Vt为标的，执行价格为K的欧式看跌期权的资产组合。Merton模型中的约束条件较多，后来有一些学者对此模型在放款假设条件的基础上进行了扩展研究。其中Geske将模型中的零息债券假设扩展到附息债券，还考虑到事实上在企业支付每一次的利息时存在着是支付利息继续经营还是拒付利息选择违约的可能性，也就是把利息的支付看成是一个选择权，模型还考虑了安全保护条款、支出限制条款等［9，10］。Ronn，Verma［11］，Shimko，Tejima，Deventer［12］则放松了模型中设定利率为常数的假设，将随机利率引入模型中。Longstaff，Schwartz假设无风险利率服从与公司资产价值相关的维纳过程，进而对违约风险与利率风险的相关性进行了研究［13］。Kim，Ramaswamy，Sundaresan假设无风险利率服从一个与公司资产价值相关的平方根过程，研究结果表明，违约风险对利率波动性不敏感，但是对利率期望敏感［14］。另外，Merton模型只考虑了到期日违约的概率，也就是假设违约时间是固定的，违约事件只能发生在到期日，这种假设与现实经济活动不相符合。于是一些学者放松了这一假设条件，认为只要公司的资产价值一旦达到预先设定的违约点，企业便违约，而这一违约事件很可能是在债券到期日之前，这类模型称为首达模型，此类模型最早是由Black，Cox［15］提出的。还有的研究是基于违约边界不是一个固定值而是服从某个随机过程的假设。这些成果有，Nielsen，Saa-Requejo，Santa-Clara［16］、Leland［17］、Leland，Toft［18］、Mella-Barral，Perraudin［19］、Briys，Varenne［20］等。

结构式模型在解释企业的违约机制上有很好的效果，但是模型的构建要求通过建立函数关系式对不可观测的公司资产价值，以及资产价值的波动率等参数进行估计。同时结构式模型通常假设企业资产价值服从一个连续的随机过程，在这样的假设条件下，企业的资产价值是连续变化至违约点的，也就是不会有企业的突发违约事件发生，这与实际金融现象不相吻合。事实上，当有资产重组等重大消息到来时会引起公司资产价值跳跃性的变化。

与结构式模型解释企业的违约机制不同的是，有一类模型把违约事件看成是完全外生的事件与企业资产价值的变化无关，这类模型称为简化式模型。简化式模型由Jar-row，Turnbull首次提出，它是基于保险精算的方法。它不考虑公司资产和违约之间的关系，而是假定违约过程是一个外生的泊松过程［21］。Jarrow，Lando，Turbull构造了基于信用等级转移的模型，并使用诸如标准普尔的违约概率这样的历史数据对违约强度予以研究。模型假设无风险利率和企业的违约过程相互独立，且处于同一信用等级的企业具有相同的违约概率［22］。Lando在Jarrow，Lando，Turbull的基础上进行了扩展研究，模型将利率假设为与违约强度相关的变化着的利率，在此假设下，即便企业的信用等级不发生变化，信用利差也可能改变。从而改善了前一模型中同一信用等级的企业具有相同违约概率的假设条件给模型带来的不准确性［23］。

事实上结构式模型和简化式模型各有优势，为了能在较好解释企业违约机理的同时又能考虑到可能发生的企业资产价值的不连续变化，可以将两种方法加以融合。Merton就首先建立了股票价格的跳－扩散行为模型，其中扩散过程表示股票价格的连续波动，跳过程则代表了股票价格的不连续波动［24］。后续的研究有Madan，Unal［25］，Zhou［26］等。

（三）关于信用风险度量模型的研究

信用风险度量技术的发展，经历了一个以定性分析为主到偏重于定量分析的过程，并且随着现代金融理论以及计算机技术的发展，信用风险度量方法的研究有了突破性的飞跃。定性方法以专家分析方法为主，例如“5C”法、“5W”法等，定量分析法有基于财务报表信息的信用评分模型，神经网络方法，现代信用风险度量模型等。其中现代信用风险度量模型主要包括基于信用评级的信用度量术模型，基于期权定价理论的期望违约率模型，宏观经济因素和信用风险附加模型等。

专家分析法主要依赖于专家的主观判断，而缺乏对数据的考察。专家分析法的准确性与专家的学识、公正性等有很大关系，以至于同一项贷款不同专家给出的评价可能大相径庭。正是因为这些原因，使得近年来金融机构逐渐放弃主观性强的专家分析法，而是着重于定量分析方法的开发与应用。最初的定量分析方法是从基于财务报表的信用评分法开始兴起的，这类方法大多是以收集上市公司的财务报表数据为基础，建立数理模型，计算出用于判断企业信用状况的分值，与已有数据相比对进行模型的校正并最终用于对企业信用风险的评估。根据所建立的数学模型的不同，大致可以分为多元判别分析模型、Logit模型和Probit模型等。

Altman收集了美国制造业中的33家破产企业和33家非破产企业的样本数据，最初选择了22个财务指标进行判别分析，并最终筛选了对预测企业破产最影响力的5个指标，分别为营运资金／总资产、留存收益／总资产、利息和税收前收益／总资产、权益价值／总负债账面价值、销售额／总资产。以这5个指标为解释变量构建的模型即是著名的Z评分模型。文章通过对所收集企业样本观测数据的统计分析，得出了经验性的临界数据，当Z＞2．99时，说明企业的经营状况较好，贷款信用质量较高；当Z≤2．99时说明企业存在潜在的财务危机或违约风险；当Z＜1．81时，说明企业可能已经濒临破产。而当1．81＜Z≤2．99时，说明企业存在一定的财务危机和违约的可能性但不能妄下评论。评分值落在该区域时，需要对企业的各项指标做更详细的考察以判断其真实的信用状况，因此这个中间区域也称为灰色区域［27］。Moyer采用1965－1975年27家违约企业和27家非违约企业的财务数据建立了多元线性判别模型，研究结果发现Z评分模型不太准确，而将其中两个解释变量从模型中剔除后，反而使得模型对企业违约的分辨率得到提高［28］。接着，Altman对原始的Z评分模型进行修改并推出了第二代信用评分模型ZETA信用风险模型［29］。模型的解释变量由原来的5个增加到7个，新模型无论是在变量的选择上还是在样本数据的挖掘和数理统计方法的应用上都比原有模型有了很大改进，更重要的是ZETA评分模型比Z评分模型在预测企业破产违约概率的准确性上有了很大提高。由于评分模型所需的财务数据只有上市公司才能较容易获得，针对这个情况，Altman建立了适用于预测非上市公司破产的多元线性判别模型［30］。由于Z评分模型使用简便且成本低还具有较好的效果，所以在世界范围内得到了广泛应用。有的学者尝试将评分模型用于不同行业或者对重新选择解释变量，如Theodossiou收集了美国在1970－1987年的197家未违约的企业和62家破产企业的样本数据，建立线性判别模型。研究表明，对企业违约影响较大的因素是固定资产／总资产、净营运资本／总资产、每股净收益／股价、营业收入／总资产等比率［31］。Martha利用Z评分模型对1996－2003年的医疗保健业企业的违约事件进行了实证研究，结果表明Z评分模型预测的准确率为64．8%［32］。

对于Logit模型的应用，较早的是Ohlson，文章以1970－1976年105家破产企业和205家非破产企业的样本数据为研究对象，选择了9个财务数据作为解释变量，构建了预测企业违约率的Logistic模型，结果表明，企业规模、资本结构、经营绩效和当前资产的变现能力等这4个财务指标对违约率有显著影响，模型判别的准确率达92%以上［33］。Lawrence对家庭汽车贷款的违约概率用Logit模型进行了预测［34］。Laitinen选择了15个解释变量利用Logit模型对芬兰的多个企业样本数据进行研究，结果表明Logit模型具有较好的预测准确性［35］。Engelmann，Hayden，Tasche采用大样本的中小企业的财务数据数据，对Logistic模型和著名的Z评分模型进行了比较研究，结果表明Logistic模型的预测准确性明显优于Z评分模型［36］。Konstandina利用Logistic模型对国家银行的信用危机进行了实证研究，结果表明，银行的经营管理效率对银行的违约与否具有重要影响，从而可以作为早期预警的关键指标，同时银行的信用状况受宏观经济因素变化的影响并不显著［37］。

神经网络模型是一种模拟人脑神经系统的结构进行信息处理的数学模型，模型中的大量节点（或称神经元）之间相互连接构成网络，即称为“神经网络”模型。模型具有类似人脑功能的若干基本特征和大规模并行处理、自学习、自组织、自适应能力，能独立处理复杂的非线性问题。Dutta，Shekhar首次将神经网络模型用于债券的信用评级，文章讨论自变量的个数及网络构架对信用等级分辨能力的影响，研究结果表明模型的预测准确率在76%～82%［38］。Trippi，Turban探讨了神经网络在消费信贷、家庭抵押及银行信用风险方面的应用［39］。相关的研究成果还有Desai，Crook，Overstreet［40］，Malhotra等［41］。对于神经网络模型与判别分析方法哪一个更优的问题上，不同学者得到的结论不一样。虽然多数研究结果表明判别分析法的准确率低于神经网络模型，但Altman在对两种方法的比较研究中发现，神经网络模型在用于信用风险识别和预测没有足够的数据的情况下优于判别分析法［42］。

以上文献均是基于传统信用风险度量模型的研究，2001年，巴塞尔新资本协议的出台允许并鼓励有实力的大银行在满足相关的最低要求和信息披露的前提下，使用内部信用风险度量模型估算其面临的信用风险和所需要的资本金准备。在此推动下，现代信用风险度量方法新模型开始兴起，目前在国际上使用较多的模型有四种：基于信用评级转移概率矩阵的信用风险度量术CreditMetrics模型、KMV公司的期望违约率模型、麦肯锡的宏观因素模型Credit Portfolio View和瑞士信贷银行的信用风险附加法CreditRisk＋模型。CreditMetrics模型是J．P．Morgan公司和美国银行、瑞士银行等机构合作，于1997年推出的一种度量信用风险的方法。它的问世标志着国际金融大型机构对信用风险的管理从静态进入动态管理的全新时期，旨在提供一个进行信用风险估值的框架，用于诸如贷款这样非交易资产的估值和风险计算，并试图回答这样的问题“如果明天是个坏日子，那么在贷款或贷款组合上的损失是多少？”。KMV模型则是以Black，Scholes［43］以及Merton［8］的期权定价理论为基础的现代信用风险度量模型。其主要思想把银行放款问题从借款企业股权持有者角度来考虑，公司权益价值则可以看成是以公司资产价值为标的的看涨期权。反过来，对于银行来说，贷款信用风险价值相当于以公司资产价值V为标的的看跌期权，该期权的执行价格为F，到期日为T。如果银行购买了一个这样的看跌期权，就完全可以消除与贷款有关的信用风险。CreditRisk＋模型是由瑞士信贷银行金融产品部（CSFP）于1997年开发的精算模型，它把保险精算学的分析框架应用于债务资产组合的损失分布计算。在建模过程中只考虑违约风险，不考虑降级风险，所以CreditRisk＋模型不是一个盯住市场模型，而是一个典型的违约式模型。不同于KMV模型的是，CreditRisk＋认为违约与公司资本结构无关并且对引发违约的原因不作任何假设，视违约事件为纯粹的外生事件。Credit Portfolio View模型是由麦肯锡公司于1998年推出的多因素模型，模型的基本观点是违约概率和信用等级转移概率均与宏观经济环境相联系。宏观经济因素采用诸如失业率、GDP增长率、长期利率水平、外汇汇率、政府支出以及总储蓄率等经济指标来描述。不同的行业和部门如金融业、建筑业、服务业、农业等对商业周期的反应会有所不同，同时不同级别的投资人也对商业周期的反应不一样，如投资级债务人的违约概率更为稳定，投机级债务人的违约概率变动较大。

二、与本选题相关的国内研究成果

我国在银行信用风险度量与管理方面的研究相对落后，不过已有部分学者做出了一定的有益探索。现有的研究成果主要集中在三个方面：一是对我国商业银行信用风险管理现状的分析；二是尝试将现有的信用风险度量模型应用于我国商业银行信用风险的度量；三是在次贷危机背景下对危机产生的原因、影响、启示以及巴塞尔资本协议的研究。下面就有代表性的文献进行综述：

（一）关于商业银行信用风险及管理现状的研究

对于我国商业银行信用风险的成因与现状，张杰对我国商业银行的不良资产进行了分析，认为是在特定的时间因为特定的历史原因即体制的转轨而形成的，他将商业银行的呆账分为了由银行自身的经营不善形成的商业性呆账以及由政策的改变造成的剩余信贷转移［44］。张玉明首先对国有商业银行与企业之间的关系进行了分析，他们之间存在着非信用关系、供养关系以及患难关系。造成这种关系的原因与当时实施的计划经济体制分不开，同样也正是因为这些关系导致国有企业在经营过程中积累下大量的难以偿还的债务，最终导致了银行大量不良资产的形成［45］。李扬、王松奇则侧重研究了我国商业银行在经济体制转轨的过程中所面临的金融风险，他们认为一个国家相关经济制度的设定会直接影响到该国银行所面临的金融风险［46］。周小川以建设银行不良资产的形成过程为例，将其按时间分成了三个阶段，第一阶段是在计划经济体制的背景下形成的，第二阶段是在1992年到1994年经济发展相对较热的时期形成的，第三阶段是1994年以后［47］。韩强则将商业银行信用风险过高归因于在国有企业改革与国有商业银行发展的不相匹配，其中存在多方矛盾，比如由向国有企业拨款改为企业向银行贷款的体制与银行自身缺乏自主经营地位的现实相矛盾，国有企业在破产制度上的改革与银行的国有独资产权相矛盾等［48］。

刘锡良、罗得志的研究表明，我国商业银行信用风险形成的主要原因在于：一方面我国现有的融资渠道没有实现多样化，导致了信用风险集中于银行；另一方面银行承担的在交易条款中未经说明的交易成本在增加，而使得交易成本增加的原因是多方面的，包括银行客户质量的下滑、信用文化的欠缺、信贷市场退出机制的缺乏以及银行分级制度所造成的代理成本［49］。李涛就中国银行的信用风险管理与发达国家美国和德国的实际情况从几个方面进行比较，分析两者的差异，得到的结论是中国银行比发达国家银行更多的依赖于政府。这几个方面分别是政府拥有银行的程度、政府直接监管银行的力度以及政府授权非政府机构进行监管的力度等［50］。于研在指出现代信用风险特点的基础上，对我国商业银行的信用环境运用破窗理论进行了分析。他指出由于我国商业银行的产权结构目前并未能形成清晰的权责关系，同时也缺乏必要的激励与约束机制，种种原因使得商业银行没有对信贷风险引起足够的重视。再者，由于银行在内部控制方面的低约束性也使得在银行放贷的过程中人情因素占了很大的比例，从而贷款决策缺乏科学性，这会给银行带来严重的后果［51］。杨军指出，国有商业银行信用风险的形成主要是因为政府的过度干预、银行治理结构的缺陷以及对借款人风险识别能力的欠缺，并进一步分析了以上三种因素对银行信用风险的形成造成的影响。从分析的结果来看，其中政府干预的影响较大但呈下降趋势［52］。付俊文、李琪则运用数理模型分析了我国中小企业在银行信用担保过程中的逆向选择与道德风险。他指出，在中小企业没有任何担保抵押品时，担保机构只能解决一部分信息不对称问题，但对逆向选择问题无能为力［53］。

（二）关于商业银行信用风险度量的研究

对于银行信用风险度量的研究，在企业财务困境方面，陈静以我国A股市场上27家ST公司和27家非ST公司为样本，进行了单变量分析和多元线性分析。在单变量分析中，作者选择了四个指标并运用二分法进行了分类预测，四个指标分别是资产负债率、总资产收益率、净资产收益率和流动比率。单因素模型在对公司经营状况判断的准确率上与时间相关，越接近宣布时间，误判率越低。结果表明，在宣布前三年，资产负债率、流动性比率、总资产收益率以及净资产收益率的分类误判率分别为0．222、0．148、0．185和0．296，而在宣布前一年的误判率降至0、0、0．074和0．296。在多元线性分析中文章选择了6个财务比率进行多元线性分析，分别是资产负债率、净资产收益率、净利润／年末总资产、流动性比率、（流动资产－流动负债）／总资产和总资产周转率。进一步地，文章分别针对ST公司和非ST公司建立了线性评分模型，通过比对得到模型的准确率相对较高。作者以国内上市公司为样本对企业财务困境进行判断，虽然在建模过程中对于方法的选择，样本的构造与判别标准方面还有待改进，但对于国内上市公司财务困境的研究来说是有意义的探索［54］。宋秋萍则对我国六家上市公司的信用状况利用著名的Z评分模型进行了预测分析，文章指出，由于会计准则的差异性，需要根据国内实际情况从国内企业的财务指标中选择适合的财务数据进行计算和判断更为合理［55］。张玲、张佳林以我国120家上市公司的财务样本数据为研究对象建立判别分析模型，并最终从11个财务比率指标中仅筛选出4个财务比率作为解释变量进行建模［56］。施锡铨、邹新月收集了128家上市公司的样本数据，采用判别分析法对公司的财务状况进行预测研究，结果表明准确率高达93．09%［57］。

陈晓、陈治鸿在对企业财务困境的判别研究中，选择了37家ST公司和37家非ST公司作为研究对象，文章最初选取了14个财务指标进行比较分析，结果表明两组公司在财务指标上存在显著差异。在此基础上最终选取了五个财务指标，分别为资产负债率、总资产周转率、主营业务净资产回报率、非主营业务净资产回报率、每股净资产，分别用于描述公司的资产流动性、财务杠杆比率、资产管理水平、盈利水平以及融资能力等五个方面并借助逻辑模型进行了分析研究［58］。张爱民、祝春山、许丹建对上市公司财务困境问题采用主成分分析法进行了研究，并指出，当采用多个指标分析财务困境问题时，需要解决财务指标之间可能存在的相关性问题。文章选择了40家ST公司和40家非ST公司作为研究样本，且这两组公司的行业以及资产规模大致相近。在财务指标的选择上，最终筛选出净资产收益率、总资产利润率、销售利润率、总资产周转率、股东权益比率、流动比率、总资产增长率、资本积累率这8个财务指标，在对企业财务比率的样本数据进行了主成分分析后发现，用5个财务比率即可解释92．77%的信息［59］。吴世农、卢贤义则对财务困境问题进行了更为全面的剖析，他们选取了1998－2000年的70家ST公司和70家非ST公司作为研究样本，并把财务困境出现前5年的数据也考虑进来，文章最初选择21个财务指标来考察两类公司的差异，并在最终选定6个指标作为解释变量，采用三种方法：Fisher线性判定分析、多元线性回归分析和Logistic模型，分别建立了三种财务困境的预测模型。这6个指标为盈利增长率、资产报酬率、流动比率、长期负债与股东权益比率、营运资本与总资产比率以及资产周转率。研究结果表明，三种模型对财务困境发生前做出的预测均有一定的准确性，同时越是接近财务困境发生的时间，模型的误判率越低。Logistic模型是三个预测模型中误判率最低的模型，在财务困境发生前1年的误判率仅为6．47%［60］。梁琪收集我国沪深股市上市公司的样本数据，采用主成分分析和判别分析法，对公司的经营状况进行了预测研究［61］。

国内学者对Logistic模型也进行了相关研究。于立勇、詹捷辉采用Logistic方法建立了估计违约率的数学模型，在收集了我国国有商业银行样本数据的基础上，验证了所建立的模型具有强的分辨能力。同时还采用逐步选择法尝试建立了一个信用风险评估的指标体系［62］。马九杰、郭宇辉、朱勇在将Logistic模型用于对我国中小企业违约预测的实证研究中发现，有多项因素对企业信用风险状况的影响较大，如企业家的个人特征、公司资本的结构和资金周转等［63］。张祥、陈梅选取了沪深两市1998－2003年的110家企业的样本数据，其中55家为ST上市公司和55家为非ST上市公司，文章分别将线性判别模型和Logistic模型用于对企业财务困境的研究，结果表明两种模型预测的准确率均在98%以上［64］。李萌运用Logit方法建立商业银行信用风险评估的模型，并以不良贷款率作为衡量信用风险大小的指标，并运用t检验和主成分分析法对模型进行了实证研究。研究结果表明Logit模型具有较好的识别与预测能力［65］。李志辉、李萌运用主成分分析方法构造了线性判别模型和Logistic模型用于判别企业的财务和信用状况，并结合上市公司的财务信息与商业银行收集的公司违约数据将模型的实证研究结果进行比对分析，表明Logistic模型用于识别我国上市企业的信用风险有较好的效果［66］。

此外，王春峰等分别就神经网络模型和判别法在商业银行信用风险评估中的应用进行了实证研究，结果表明神经网络模型的误判率为18．18%，而判别法的误判率为25．45%［67］。吴德胜等结合实证研究比较了回归神经网络和BP神经网络两种模型在企业信用状况评估效果上的优劣［68］。张玲、陈收、张昕在收集1993－2004年164家企业的财务报表数据的基础上，对多元判别模型和神经网络模型用于我国上市公司财务困境预警的有效性进行了比较研究，结果表明在企业违约率的预测上，两种方法均有良好效果，相比较而言线性判别模型的短期预测效果不如神经网络模型［69］。庞素琳等利用神经网络模型对商业银行的120家贷款企业的信用状况进行了评估，并将这120家企业按照银行相关信息分为好、中、差三个类别，评估结果表明神经网络模型具有较好的分辨率［70］。

对于现代信用风险度量模型的研究，由于数据缺失以及国内信用评级体系的不健全和市场的弱有效性等原因，我国学者对此的研究大多还处于理论研究阶段，实证研究相对比较少，不过也有一些有益的探索。程鹏，吴冲锋以沪深股市的15家上市公司为样本进行分析。当用KMV模型中的违约距离来评估这些上市公司的信用状况时，研究结果表明模型能较准确地对公司的信用状况进行分类识别。得出绩优公司信用状况最佳，高科技公司信用状况其次，ST公司信用状况最差的结论［71］。鲁炜、赵恒晰等则认为企业资产价值波动率σV和企业股权价值波动率σE之间的函数关系式随市场不同而变化，应根据我国市场的实施情况做相应调整［72］。杨星、张义强借助KMV模型研究发现上市公司股票价格的波动与模型计算出来的预期违约频率EDF呈负相关关系，其中预期违约频率EDF的变化与公司信用资质的变化相吻合［73］。张智梅、章仁俊考虑到我国上市公司对流通股和非流通股采用的是分别计价的模式，对KMV模型中违约点的设置进行了重新调整。实证研究表明，经参数调整后的模型能更加有效地识别出我国上市公司信用状况的变化［74］。李建华、韩岗、韩晓普认为影响Credit Portfolio View模型中信用等级转移概率的因素除了宏观经济之外，还有行业、地域、规模、企业所有制等方面的因素，这些因素的共同作用会使得处在同一信用等级的企业违约率出现差异。文章对模型中的影响违约的因素做了宏观、行业、地域的扩展，模型的参数估计采用了Logit模型和随机模拟相结合的方法［75］。

Zhou将结构式模型和违约式模型结合起来，提出了用于描述资产价格可能出现的突发性变化的跳－扩散过程［26］。简志宏、李楚霖在此基础上对跳－扩散模型进行了改进研究，在将违约临界点定义为公司历史价值的加权平均值后，提出公司可以根据资产价值的变化调整债务水平的假设，从而构建出了新的信用风险模型，此模型具有目标杠杆率。但由于模型构建的过程伴随着众多约束条件，使得定价方程很难得到解析解［76］。

（三）关于次贷危机的研究

乔利、孙兆东对次贷危机进行了详尽的介绍，首先是通过描述具有代表性的各金融机构如何在这场危机中倒下以及相关人物如何被撤职来展示次贷危机的整个爆发过程。接着探讨了次贷危机的形成原因，包括人性的贪婪、货币政策的影响、资产证券化的泛滥等。最后对次贷危机由次级抵押贷款危机变成次级债危机的演变过程进行了分析，对给危机造成巨大影响的CDO等金融工具做了介绍。作者还对现代金融体系给予银行风险管理带来的挑战给出了自己的观点［77］。张德栋将次贷危机发生的主要原因归因于美国货币政策的改变，在货币政策宽松时，市场流动性充足、资金链条完整，当货币政策开始收缩时，最直接的影响是贷款者的还款压力陡增，当利率持续上升时，次级抵押贷款的违约率急剧上升最终导致整个金融市场的信贷收缩、流动性紧缺、资金链条断裂，从而引发次贷危机。文章还指出次贷的发生除了与货币政策的改变有关，还与银行放松了审慎经营的原则，投资者过度追求收益从而忽视风险以及监管的缺失等因素有关［78］。

刘贵蓉从次贷危机的爆发过程剖析了美国住房抵押贷款证券化的模式，指出目前我国住房抵押贷款的总额在不断增加，有效推动住房抵押贷款的证券化将有利于银行的经营与风险管理。在借鉴美国资产证券化模式的同时一定要吸取次贷危机的教训，从而推进我国住房抵押贷款证券化的健康发展［79］。扶涛、杨洪涛具体剖析了我国商业银行在风险防御方面存在的问题，侧重于美国次级抵押贷款危机给我国商业银行合理风险防御带来的启示，并在此基础上，就我国商业银行风险防御机制的构建提出了合理建议［80］。饶雨平对美国次级抵押贷款危机给我国防范房贷危机带来的启示进行了思考，指出我国商业银行在发放住房抵押贷款时必须考虑到，可能的房价下跌会直接导致所谓优质资产的变质和缩水，同时银行应逐渐建立起有效规避风险的机制和对金融创新的风险评估方法，而房地产市场也有待建立一个完整统一的定价体系。对这场次贷危机的发生进行反思并吸取教训，提高我国商业银行防范金融风险的能力才能促使我国房贷市场更有效健康的发展［81］。周雪平从对美国次贷危机的深入分析中，得到了对我国商业银行经营管理的启示。文章指出我国商业银行在发展经营过程中必须关注不当激励机制下的逆向选择，加强贷前审查，同时在进行金融创新时应注意到风险并不是消失了而只是转移了，另外也不能过分依赖于第二还款来源等［82］。陈宪、王晓琴指出就在美国次贷危机逐渐蔓延至全球时，我国正在进行第二批资产证券化的试点工作。文章分析了次贷危机产生的原因，并针对我国资产证券化的现状提出了几点启示［83］。郭炳南、唐海燕指出信用评级机构在此次次贷危机的爆发过程中起到的推波助澜的作用被广为诟病，这些机构自身的信用目前也遭到了质疑。文章剖析了信用评级机构在此次金融危机中的表现，并基于此对我国如何建立完善的信用评级体系给出了建议［84］。

次贷危机的爆发也引发了我国学者对于全球和本土金融监管体制的思考。陈柳钦指出，金融危机的发生暴露了美国在危机爆发前“多重双头”金融监管模式的缺陷，这样的监管模式会导致监管重复、监管空白、监管失控等。而在危机爆发后，美国财政部公布了《现代金融监管构架改革蓝图》，该《蓝图》对于美国金融监管改革的中短期以及长期目标和途径进行了阐述，从中折射出了美国金融监管理念的转变，从机构导向监管转变为业务导向监管、从局部风险监管转变为系统性风险监管、从规则导向监管转变为目标导向监管［85］。江世银指出随着中国金融体制改革的深入，与之相协调的是金融监管体系的相应变化。而目前我国的金融监管体制偏重于外部监管，这种体制存在着较大的隐患，对于防范和控制风险没有起到有效的作用。在金融混业经营以及金融创新不断发展的背景下，对现有的监管体制进行改革势在必行［86］。曹凤岐比较了各国金融监管体系的演变过程以及变化趋势，进一步分析了中国金融监管体制的沿革、现状以及存在的问题，对于改革与完善我国金融监管体系的必要性进行了阐述。作者认为，我国应建立统一监管、分工协作、伞形管理的金融监管模式，在此基础上进一步给出了分三个阶段进行金融监管体系改革的建议［87］。胡祖六指出了次贷危机暴露的美国金融监管体系存在的问题，分析了金融创新与金融监管两者之间的辩证关系，同时对于危机给中国带来的金融监管方面的启示进行了阐述［88］。

自1975年首个巴塞尔资本协议发布以来一直代表着国际银行业最先进的风险管理水平，被各国银行业关注，同时也对银行业的经营与管理产生着深远影响。次贷危机催生了第三版巴塞尔资本协议的出台，使得大家的目光再次转移到最新的资本协议上来。邓燕妮就巴塞尔资本协议Ⅲ中关于资本监管的相关内容进行了阐述，并将新协议中关于资本监管的标准与我国监管部门当下的监管标准进行了比较分析，进一步得出新协议的发布对我国商业银行带来的机遇与挑战［89］。潘沁指出巴塞尔资本协议Ⅲ对资本监管进行了重新定义，补充和修改了相关内容。在新的框架下，提出在资本充足率的基础上还应加入逆周期的资本监管要求，并引入杠杆率监管以及新补充了流动性监管标准［90］。新的监管标准不仅将对国际银行业产生影响，也将是我国银行业经营管理并参与国际竞争的必然选择，推进资本协议Ⅲ的实施将有助于中国银行业的转型、平衡资本配置与风险补偿以及提高整体的盈利能力。

关于金融系统以及监管规则的顺周期问题，国内学者也给出了相关研究成果。丁丽平在金融危机爆发给全球经济带来巨大冲击之时关注了金融系统的顺周期问题。文章对金融系统的顺周期性进行了定义并分析了影响系统顺周期性的因素。对于解决金融系统的顺周期问题，作者给出了目标和指导原则以及可能的政策措施［91］。吴正光认为金融系统的顺周期性是其自身所特有的，然而金融创新的泛滥以及监管的缺失会加重金融系统的顺周期性。文章对经济周期的波动之于金融风险的影响的机理进行了理论与经验分析，并对两者的相协调提出了政策建议。这将有助于我们把握经济金融运行的规律，科学地应对经济周期以防范金融风险［92］。钱皓分析了我国商业银行所采用的内部评级法所存在的顺周期效应，认为有必要采用相应的措施如压力测试等来降低这一效应。同时，监管部门应出台相关政策来减弱内部评级的顺周期影响，货币政策的制定也应考虑到政策的变化给银行带来的可能的影响，监测经济周期的波动、夯实资本基础、加强金融体系的稳定性是关键［93］。鹿波指出，不同国家因其金融市场结构的区别会使得顺周期效应给金融系统带来的风险有所不同。文章利用结构式模型结合我国上市公司的公开数据计算得到上市公司的违约率，结果表明从时间分段上来看，在1997年货币紧缩时期公司的违约率并没有随之上升，也就是在2006年以前这些上市公司的违约率并未呈现出顺周期效应，而在2007年，公司的违约率呈现出较强的顺周期性，这是因为以银行内部的相关数据和指标来构建模型用以评估企业的信用风险可能会带来较强的顺周期效应。而从截面数据来看，计算出来的违约率对于不同信用等级的上市公司有较好的分辨率。意识到内部模型的顺周期效应将有助于对内部模型的调整从而更好地度量信用风险［94］。

基于以上的文献综述可以看到，国外对信用风险的研究和应用较为成熟，而我国在信用风险度量和管理方面相对落后，尽管国内学者做了很多工作，但中国与国外先进水平相比仍有很大差距。主要表现在：

第一，目前已有的研究成果大多停留在信用风险的经济计量模型如财务比例分析法、Logistic模型等的探讨与应用研究阶段，对主流现代信用风险度量模型的研究较少，即便有少量的研究成果，也只是对现有模型的介绍与理论分析，而鲜见有效的实证研究。

第二，缺少大型的数据库和完善的信用评级体系也是阻碍信用风险分析发展的重要原因之一。在西方发达国家，对贷款的违约概率和损失概率的研究采用的是考察债券的方法，通过对公开评级债券的考察以及穆迪、标准普尔公布的数据，可确定出某贷款的违约概率和预期损失。而中国企业债券的发行数量较少又没有完备的数据库可参考。因此，缺乏数据支撑的研究使得信用风险分析缺乏一定的实用参考性。

第三，无论是国内还是国外的研究，虽然在信用风险领域已经做了大量工作，但还保有相当大的挑战。例如现有的模型并非完美，模型的构建经常有不太现实的假设，考虑利率、违约概率、违约回收率的随机性以及经济周期、宏观经济因素对信用风险的影响，信用风险与银行所面临的其他风险的相关性以及不完全信息条件下对信用风险的研究等都将成为信用风险度量和管理的趋势。