商業銀行信貸管理中行業風險評價研究

【摘 要】 行業風險的預測和評價是商業銀行信貸管理中的重點和難點。文章從償債能力、資產流動性、盈利能力、資產運營能力、市場競爭情況、股本結構、勞動效率和創新能力八個方面，構建了行業風險預測指標體系，并針對預測指標間存在的多重共線性，運用嶺回歸方法篩選指標，建立了行業風險預測評價模型。此方法可以幫助商業銀行在信貸管理中及時、準確地評價某個行業未來所面臨的風險程度。

【關鍵詞】 商業銀行； 行業風險評價； 風險預測指標； 嶺回歸

一、引言

進入后金融危機時代以后，商業銀行所面臨的競爭壓力日益增大，各項業務所蘊含的風險也越來越大，尤其是信貸風險。對商業銀行而言，信貸風險防范的基礎就是對信貸風險進行準確的度量與預警。一個行業的經營情況好壞會影響其內部企業的經營情況，進而影響到銀行信貸資金的安全。因此，武劍（2003）認為行業風險分析應作為銀行內部風險評級與信貸管理的一項重要內容。一方面，通過對行業風險的分析，商業銀行可以掌握行業長期的發展趨勢，預測未來可能出現的行業風險；另一方面，根據不同行業間風險的差異，實行差異化的信貸策略。這樣，商業銀行既可以盡可能地避免未來的行業信貸風險，又可以保證利潤的最大化。

從現有理論研究和實踐來看，國內外商業銀行和一些學者多注重對單個企業的信用風險管理和研究，對商業銀行信貸企業所處的行業風險研究并不是很多，僅限于定性的分析和管理，定量測度的研究還很少。現有研究大部分是從定性的角度，對某一個具體的行業進行研究，或是對行業的某一影響影響因素進行相關分析和研究。國外方面，美國哈佛大學產業經濟學權威Joe S. Bain、Scherer在19世紀30年代提出了結構—行為—績效（SCP）分析模型，用于揭示行業的發展現狀，進而對企業的行為和績效進行探討。該模型主要是研究行業內部的影響因素，而對行業外部的影響因素考慮的較少；美國學者Michael Porter于20世紀80年代提出了波特理論，他認為企業的利潤受行業競爭結構影響很大。Schwartz和Altman （1973）著重研究了行業股價指數的波動規律，發現不同的行業、在不同時間其股價指數波動的規律差異顯著；Kelly（1995）通過研究愛爾蘭服務業的行業結構，認為行業結構對行業發展的影響顯著；Kuo等（2002）運用人工神經網絡（ANN）的方法和多變量分析法對行業市場的分割情況進行了研究。

國內方面，李萬興（2001）研究發現，貸款客戶的財務狀況受所處行業的發展狀況影響很大。因此通過對行業發展趨勢、行業不同發展階段的特征的把握，可以幫助商業銀行信貸風險決策；武劍（2003）將Michael Porter的“競爭優勢理論”應用到行業分析中；張蔚等（2003）對行業分析的理論和方法進行了分析，認為在行業分析時要關注行業的宏觀環境和微觀環境；馮娟（2005）利用某省39個工業二級子行業和26家投資企業的數據進行了實證分析，結果表明了行業之間具有明顯差異，行業間的優勢特征各不相同；尹占華等（2008）設計了一種能夠反映行業風險變化的預警系統，并采用支持向量機和人工神經網絡等多種模型同時對樣本行業進行批量處理和交叉檢驗。實證結果顯示，支持向量機模型的預測效果優于其他模型。張波（2010）以行業風險為研究對象，在全面分析行業風險影響因素的基礎上，利用各行業的定性數據和定量數據，構建了基于Logit回歸的行業風險度量模型，并在此基礎上對我國商業銀行防范行業信貸風險的提出了相關對策；陳紅艷、王加中（2010）在行業風險測度指標體系設計的基礎上，提出了PCA-Logit風險測度模型，并將其應用到制造業中。實證結果顯示，其相對風險的判斷結果可為銀行貨款結構的優化調整提供依據；陳紅艷等（2012）結合行業特征，構建了一套適合行業信貸風險測度的指標體系，并對指標的量化進行了詳細的說明；趙坤、張迪（2012）在機械工業行業協會的信用評級指標體系中加入了“外部行業風險”指標，并運用層次分析法和模糊綜合法確定了“外部行業風險”指標權重。

從現有研究成果來看，對于行業風險的定量分析主要有兩種方法：第一種是統計方法，由于行業風險的預測指標很多，而且相關性強，會產生多重共線性，因此需要對預測指標降維或進行逐步回歸，但這樣會丟掉一些與行業風險有關的信息；第二種是支持向量機和神經網絡等數據挖掘方法，這種方法的適應性好，但處理結果近似于黑箱，不便于解釋。針對行業風險預測指標的多重共線性問題，本文擬采用嶺回歸分析方法，進行行業風險預測指標的篩選，并建立行業風險預測模型。

二、行業風險預測指標體系構建

（一）行業風險程度判斷指標的確定

對于商業銀行來說，行業風險就是某行業中企業違約的比例。這里，由于商業銀行的信貸數據難以取得，本文參考前人的研究成果，將行業虧損情況作為衡量行業信貸風險的指標。行業虧損情況一般有三個指標，一是表示行業虧損面的指標：虧損企業個數占行業內全部企業個數的比率；另外兩個是表示行業虧損度的指標：即虧損總額占全行業主營業務收入比率和虧損總額占全行業利潤總額比率。在這里，本文參考前人的研究成果，也將行業虧損面即虧損企業個數占行業內全部企業個數的比率作為判斷行業風險高低的標準。

（二）行業風險預測指標體系

國內外很多學者都是參考企業財務風險的研究成果，從財務指標和非財務指標兩個方面，構建了行業風險預測指標體系。財務指標主要是資產結構、償債能力、營運能力、盈利能力等方面指標，非財務指標主要是行業發展情況、政策影響情況、競爭情況等。本文參考前人的研究成果，按照理論依據充分、敏感性好、代表性強、可行性高的原則，從償債能力、資產流動性、盈利能力、資產運營能力、市場競爭情況、股本結構、勞動效率和創新能力八個方面構建了行業風險預測指標體系（見表1）。為了避免定性指標的主觀性，對于非財務指標，沒有采用傳統的打分法，而是采用代理變量。其中，營業費用占主營業務收入比率代表了行業的市場競爭情況，國家資本比例代表了行業的股本情況，新產品營業收入比例代表了行業的創新能力。

三、實證設計

（一）嶺回歸分析方法

由于用于預測行業風險的指標大多為財務指標，其反映的內容相關性較高，存在著多重共線性，會影響后續建模的穩定性和精確性。傳統的解決辦法是采用主成分降為維后，再進行OLS回歸。但主成分分析只是將預測指標變量的絕大部分信息進行保留，可能會丟掉與風險變量有關的信息。而嶺回歸方法是通過最小二乘法的改進允許回歸系數的有偏估計量存在而補救多重共線性的方法，采用它可以通過允許小的誤差而換取高于無偏估計量的精度，因此它接近真實值的可能性較大。嶺回歸分析將所有的變量引入模型中，比逐步回歸分析、主成分分析能夠提供更多的信息。因此，本文采用嶺回歸分析方法，進行變量的篩選，并建立預測模型。

嶺回歸分析是一種改良的最小二乘法，可以從根本上消除復共線性影響。嶺回歸模型通過在相關矩陣中引入一個很小的嶺參數k，并將它加到主對角線元素上，降低了參數的最小二乘估計中復共線特征向量的影響，減小復共線變量系數最小二乘估計的方法，以保證參數估計更接近真實情況。嶺回歸估計表達式為：

■（k）=（X'X+kI）-1X'Y （1）

因為嶺參數k不是唯一確定的，所以得到的嶺回歸估計k實際是回歸參數β的一個估計族。當k=0時就是普通最小二乘估計，一般對于嶺參數k的選擇并沒有公認的最優標準，主要有嶺跡法、方差擴大因子法、均方誤差H（K）最小值等。由于嶺跡法比較簡便、直觀，因此，本文采用嶺跡法來確定k值。

（二）實證數據和來源

本文實證研究的樣本和數據均來源于國家統計局的《中國工業經濟統計年鑒2009》、《中國工業經濟統計年鑒2010》和《中國科技統計年鑒2009》。當今行業劃分的類別比較多，有些行業又比較偏，為了便于研究，本文以國家統計局制定的《國民經濟行業分類》作為基礎。在《中國工業經濟統計年鑒》中，一共有39個行業。其中由于其他采礦業和廢棄資源和廢舊材料回收加工業比較偏，因此予以剔除，最終確定了工業大類中的37個細分行業作為研究對象。

為了保證行業風險預測模型的時效，本文用上一年度的行業風險預測指標來預測本年度行業風險情況，即把2009年的行業風險預測指標作為自變量，2010年的行業虧損面指標作為因變量。

四、實證結果及分析

（一）行業風險預測指標變量的篩選

本文采用嶺回歸方法，對行業風險預測指標進行篩選。首先，對相關變量進行標準化處理，然后運用馬克威分析系統5.0版進行嶺回歸處理，設置嶺參數k從0.0到1.0，步長為0.1，得到標準化后的嶺回歸系數表和嶺跡圖。

由標準化回歸系數表2和嶺跡圖（圖1）可以看出，當嶺參數k從0到0.3時，各變量的標準化回歸系數變化很大，特別是變量x1的標準化回歸系數由負值快速上升為正值，x2的標準化回歸系數則由正值快速下降為負值，這就是多重共線性所引起的異常變化。從圖1中還可以看到，變量x3、x5、x8、x9的標準化回歸系數隨著嶺參數k的增大趨于0，說明這幾個變量的預測作用很小，因此予以剔除。當嶺參數k大于0.2以后，各變量的回歸系數變化減小，趨于穩定。由于k值越大，模型的誤差就越大，因此，基于誤差最小化的原則，選擇0.2作為模型的嶺參數。

（二）行業風險預測模型構建

設定k=0.2，重新對剩下的五個變量進行嶺回歸處理，得到嶺回歸估計結果（見表3）和行業預測風險模型。

Y=15.624+0.046x1-0.062x2-0.361x4+0.341x6+

0.128x7 （2）

從嶺回歸估計結果和行業風險預測模型可以看出，流動資產比例x2越高，下一年行業發生虧損的比例就越小，即風險程度就越低。這表明提高資產的流動性能夠降低行業風險；同樣，凈資產利潤率x4越高，風險程度也越低。這表明利潤率指標對行業風險有正面作用；資產負債率x1越高，下一年行業發生虧損的比例就越大，即風險程度就越高。這說明81013513405b52e56a2581842a991b530a2aa43090f93a783dbaada073a137a1負債過多會加大行業風險；營業費用占主營業務收入比例x6越高，風險程度也越高。這說明行業競爭程度越高，行業風險越大；國家資本比例x7越高，風險程度也越高。這說明國家資本控股占主導地位的行業依賴性強，競爭力弱，行業風險也相應增大。

五、研究結論和不足

本文構建了財務指標和非財務指標相結合的行業風險預測指標體系，運用嶺回歸方法，篩選指標，建立了行業風險預測模型，從而得出以下結論：

1.嶺回歸方法可以直觀、有效地對行業風險預測指標進行篩選，為后續實證建模打下基礎，還可以有效地解決指標高度相關產生的多重共線性問題，從而保證模型的穩定性和信息的完備性。

2.基于嶺回歸的行業風險預測模型可以為商業銀行判斷行業風險提供幫助。實證結果表明，加大資產的流動性，提高盈利能力，能夠減低行業風險。而行業負債的增加，市場競爭強度的加大，國家控股比例提高，會相應地增加行業風險。

本文在研究中還存在一些不足：一是沒有商業銀行行業信貸違約情況的數據，只能用行業虧損面或虧損度指標代替，因此實證的結果和精度可能受到影響；二是樣本只限于工業企業，因此，適用范圍會受到影響。這些會在后續的研究中加以完善。

【參考文獻】

[1] 武劍.論我國商業銀行的行業風險評級與信貸管理[J].新金融，2003（2）：30-33 .

[2] 金碚.產業組織經濟學[M].經濟管理出版社，1999.

[3] 金碚.產業國際競爭力研究[J].經濟研究，1996（11）：39-44，59.

[4] Schwartz RA，Altman E I. Volatility Behavior of Industrial Stock Price Indices[J]. Journal of Finance，1973（28）：957-971.

[5] Kelly，P.W.The Catering Industry in the Repubic of Ireland[J]. International Journal of Hospitality Management，1995，14（1）：25-37.

[6]Kuo，R.J，Ho，E.M，&Hu，C.M.Cluster Analysis in Industrial Market Segmentation Through Artificial Neural Network[J].Computers&Industrial Engineering，2002，42（2-4）：391-399.

[7]李萬興.國民經濟的行業分析與商業銀行信貸經營策略[J].金融論壇，2001（4）：12-15.

[8]張蔚，韓玨.行業分析的理論和方法初探[J].湖南商學院學報，2000（2）：78-79.

[9]馮娟.基于行業比較的風險投資企業綜合評價研究[D].華中科技大學碩士學位論文，2005.

[10]尹占華，張文彬，王曉軍.基于支持向量機的行業預警系統研究及實證[J].統計與決策，2008（23）：46-48.

[11]張波.商業銀行信貸行業風險的測量方法及其實證研究[D].云南大學碩士學位論文，2010.

[12]陳紅艷，王加中.銀行信貸中的行業風險測度[J].金融論壇，2010（12）：30-36.

[13]陳紅艷，張琳，朱曉峰.基于行業視角的貸款風險度量指標體系設計[J].華東經濟管理，2012（4）：157-160.

[14]趙坤，張迪.企業信用評級指標體系中的行業風險研究[J].會計之友，2012（34）：77-79.