【某银行中小企业客户群体信用风险评估探究19000字（论文）】

第1章绪论表5-1相关系数矩阵1.00000.9995-0.0673-0.7137-0.3141-0.0197-0.21500.6057-0.2610-0.43880.1580-0.1986-0.03360.99951.0000-0.0635-0.7100-0.3078-0.0141-0.20770.6115-0.2719-0.45330.1560-0.1960-0.0323-0.0673-0.06351.0000-0.3669-0.41430.45700.50740.29130.4141-0.07030.54470.28720.3183-0.7137-0.7100-0.36691.00000.7753-0.3507-0.2239-0.53880.16320.1347-0.6333-0.1765-0.3600-0.3141-0.3078-0.41430.77531.0000-0.7820-0.1127-0.2664-0.1821-0.3327-0.7882-0.4913-0.7593-0.0197-0.01410.4570-0.3507-0.78201.00000.14520.10630.33420.43570.60140.56760.8299-0.2150-0.20770.5074-0.2239-0.11270.14521.00000.2120-0.33640.11630.37720.50400.25800.60570.61150.2913-0.5388-0.26640.10630.21201.0000-0.2444-0.18420.54930.22320.0490-0.2610-0.27190.41410.1632-0.18210.3342-0.3364-0.24441.00000.32530.0177-0.11310.1047-0.4388-0.4533-0.07030.1347-0.33270.43570.1163-0.18420.32531.00000.29070.43230.42290.15800.15600.5447-0.6333-0.78820.60140.37720.54930.01770.29071.00000.60320.5688-0.1986-0.19600.2872-0.1765-0.49130.56760.50400.2232-0.11310.43230.60321.00000.8495-0.0336-0.03230.3183-0.3600-0.75930.82990.25800.04900.10470.42290.56880.84951.00005.2因子分析KMO检验和Bartlett球形检验是进行因子分析前的关键步骤，其检验结果如下表所示。表5-2KMO检验和Bartlett球形检验结果KMO检验0.62卡方93.12Bartlett球形检验自由度59P值0.00KMO值为0.62，在可以接受的范围之内，而Bartlett球形检验同样拒绝了变量不相关的假设，近似卡方在0.00的水平上仍然显著，说明可以使用所选变量进行因子分析。而主成分分析结果表明，只有前4个主成分的特征值大于1，其累积贡献率达到了86.4%，说明前4个主成分已经保留了样本86.4%的信息，所以选择提取4个主成分，分别记为F1、F2、F3和F4。表5-3主成分分析结果初始特征值提取平方和载入特征根贡献率累计贡献率特征根贡献率累计贡献率14.9037.67%37.67%4.9037.67%37.67%23.4426.45%64.12%3.4426.45%64.12%31.6312.53%76.65%1.6312.53%76.65%41.269.70%86.36%1.269.70%86.36%50.675.14%91.50%60.523.98%95.48%70.312.37%97.85%80.211.65%99.50%90.050.37%99.87%100.020.12%99.99%110.000.01%100.00%120.000.00%100.00%130.000.00%100.00%从因子载荷矩阵可以看出，公共因子F1主要由总资产增长率（）和主营业务收入增长率（）构成，反映了企业的成长能力；公共因子F2主要由流动比率（）、速动比率（）和资产负债率（）构成，反映了企业的偿债能力；公共因子F3主要由应收账款周转率（）、流动资产周转率（）构成，反映了企业的经营能力；公共因子F4主要由成本费用利润率（）、总资产报酬率（）和净资产收益率（）构成，反映了企业的盈利能力。表5-4因子载荷矩阵主成分F1F2F3F41-0.270.920.190.112-0.250.880.180.113-0.580.14-0.10-0.7840.570.73-0.050.0450.510.02-0.31-0.106-0.070.420.41-0.5070.890.01-0.10-0.0880.790.330.310.059-0.400.200.79-0.21100.49-0.580.55-0.1311-0.290.660.180.34120.680.41-0.340.30130.600.350.080.31表5-5因子得分矩阵主成分F1F2F3F41-5.210.07-5.501.192-8.709.79-16.193.383-0.790.23-1.690.3741.49-0.47-0.18-0.9054.114.443.01-1.896-3.44-1.77-7.563.0372.10-8.090.570.2381.851.210.78-0.919-1.72-1.234.850.34102.990.727.23-2.6511-2.09-0.920.86-0.43123.09-0.531.14-0.77135.21-0.07-5.501.19通过因子分析，将相关性较强的13项指标降维至4个指标进行分析，计算原始数据的因子得分并使用转换后的数据构建Logistics回归模型。5.3Logistics回归模型表5-6样本说明数量占比04880.0%11220.0%合计60100%在60个研究样本中，其中48家为无风险行为的企业，12家为有风险行为的企业。在进行Logistics回归的过程中，0表示无风险行为状态，1表示有风险行为状态。表5-7Logistics模型系数主成分因子系数P值F1-0.830.00F2-0.660.05F30.370.35F40.170.12常数项1.910.076从上表可以看到最终的Logistics回归模型的回归形式如下所示：模型的回归参数基本显著，F1成长能力因子和F2偿债能力因子对中小企业是否会出现风险行为具有显著的负面影响，说明F1和F2越大时，其出现风险行为的可能性越小；但F3经营能力因子和F4盈利能力因子均没有通过显著性检验，说明两者对中小企业是否会出现风险行为没有显著性影响。接着利用该模型对转换后的数据进行预测，为了尽量避免第一类错误的发生，选择切割值0.12，即当P>0.12时，对企业的发生风险行为的属性取值为1；P<=0.12时，对企业的发生风险行为的属性取值为0，该属性为布尔变量。对于所选取的样本，模型的预测准确率为93.3%，48家无风险行为中小企业中预测错误的有3家，12家有风险行为中小企业中预测错误的有1家，预测效果较为一般，仍需要进一步提高。表5-8Logistics预测结果已观测已预测Y百分比校正01Y045393.8%111191.7%百分比总计93.3%第6章研究结论与政策建议6.1研究结论本文首先介绍了中小企业和信用风险等核心概念，并对现代的信用风险度量模型进行了回顾。进而全面分析了商业银行所面临的中小企业信用风险及其成因，从统计理论和数据基础等方面论述了采用数理模型度量中小企业信用风险的可行性，最终选取了13项财务指标并建立起Logistics回归模型对60家中小企业客户的信用风险进行了实证分析，本文所建立的回归模型在预测中小企业的风险行为方面具有较高的准确性，进一步改进后可以在商业银行中进行推广和使用。但本文的研究还存在着明显的不足，主要是研究样本容量太少，有可能对回归模型的预测精度造成严重的负面影响；一般而言，财务数据具有滞后性，中小企业是否会发生风险行为乃至违约行为与行业和宏观经济环境也密切相关，因此，未来的研究需要考虑更多行业和宏观经济环境相关的指标，并将其纳入到信用风险度量模型中去，才能保证商业银行中小企业风险管理工作的科学性和有效性。6.2政策建议为了更好地防范中小企业信用风险，商业银行需要不断改进信用风险管理体制，仅仅运用风险度量模型进行信用风险管理是远远不足够的，必须要建立一套具有操作性的中小企业信用风险管理措施，以下是本文所提出的一些优化对策建议。6.2.1加强信用风险度量及评估第一是改进信用风险度量模型所选取的指标，由于信用风险度量结果会受到模型指标组合的影响，行业和宏观经济环境等非财务数据的关联性较弱，有可能对信用风险度量结果产生负面的影响，在选取相关指标时应采取审慎的态度，还要充分考虑数据的可获取性。第二是全面考察中小企业客户财务信息的真实性，只有保证财务数据的真实性，才能科学和客观地评估中小企业客户的信用风险。商业银行在考察中小企业财务真实性的过程中，不仅要关注审计机构所提供的外部信息，自身也要深入中小企业内部，加强对相关数据的考察工作。6.2.2加强内部信用风险管理商业银行可以通过优化内部管理流程来增强中小企业信用管理能力，有效防范中小企业信用风险。第一是仔细分析不同行业中小企业客户的经营特点和不同经营阶段的贷款需求，充分考虑不同行业和不同阶段的信用风险差异，设计出个性化的信用风险防范措施，并尝试引入第三方对中小企业客户进行贷后管理监督。第二是加强互联网技术在中小企业信用风险管理中的应用，通过自动采集等互联网技术降低信息获取成本，不仅节省了人力和物力，还能获得更多风险识别信息，有助于改善中小企业信用管理工作。参考文献[1]Duffie,D.andN.Garleanu(2001).RiskandValuationofCollateralizedDebtValuation.FinancialAnalystsJournal57,(1)January-February,41-62.[2]Lando,D.(2004).CreditRiskModeling.Princeton,NJ,PrincetonUniwersityPress.[3]Bielecki,T.&Ruthowsli,M.(2000)CreditriskModeling:Amultipleratingscase,MathematicalFinance10,125-140.[4]DietschM，PeteyJ．ShouldSMEexposuresbetreatedasretailorcorporateexposures?：acomparativeanalysisofdefaultprobabilitiesandassetcorrelationsinFrenchandGermanSMEs．JournalofBankingandFinance，2004，28（4）：773～788.[5]AltmanEI，SabatoG．ModelingcreditriskforSMEs：evidencefromtheUSmarket．ABACUS，2007，43（3）：332～357.[6]AltmanEI，SabatoG，WilsonN．Thevalueofnon-financialinformationinSMEriskmanagement．JournalofCreditRisk，2010，6（2）：95～127.[7]ValliniC，CiampiF，GordiniN，BenvenutiM．Cancreditscoringmodelseffectivelypredictsmallenterprisedefault：statisticalevidencefromItalianfirms．Proceedingsofthe8thGlobalConferenceonBusiness&Economics，Florence（Italy）：Business&Economics，2008．1～23.[8]VasileDEDU，RoxanaNECHIF.BankingRiskManagementintheLightofBaselII[J].TheoreticalandAppliedEconomics，2010，02(543)02(543).[9]JiajiaJin，ZiwenYu，ChuanminMi.Commercialbankcreditriskmanagementbasedongreyincidenceanalysis[J].GreySystems:TheoryandApplication，2012，23.[10]SnežanaDičevska.CreditRisk–CreatingSystemofCreditRiskManagementinChangingEconomicConditionsinMacedonianBanks[J].Procedia-SocialandBehavioralSciences，2012，44.[11]ZeynebHafsaOrhanAstrom.CreditriskmanagementpertainingtoprofitandlosssharinginstrumentsinIslamicbanking[J].JournalofFinancialReportingandAccounting，2013，111.[12]JonahedOh，WesleyJ.Johnston.Creditlender–borrowerrelationshipinthecreditcardmarket–Implicationsforcreditriskmanagementstrategyandrelationshipmarketing[J].InternationalBusinessReview，2014，236.[13]Piramuthu.AComparativeStudyonEnvironmentCreditRiskManagementofCommercialBanksintheAsia‐PacificRegion[J].Bus.Strat.Env.，2015，243.[14]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，1998（1）：68～72.[15]陈静．上市公司财务恶化预测的实证分析．会计研究，1999（4）：31～38.[16]姜秀华，任强，孙铮．上市公司财务危机预警模型研究．预测，2002（3）：56～61.[17]梁琪．企业信用风险的主成分判别模型及其实证研究．财经研究，2003（5）：52～57.[18]鲁炜．KMV模型关系函数推测及其在中国股市的验证.运