金融不良債權評估風險及控制對策

■ 鄭宇航 龍洋陽 陳若琦

一、引言

隨著金融體制的深化改革與金融監管的高壓態勢延續性發展，金融機構對不良債權的處置機制與評估業務正逐步完善。但由于金融不良債權估值領域起步較晚，相關的理論與技術依舊不成熟，對于國內現有的債務重組、以資抵債、不良資產證券化等不良債權處置方式，在估價過程中難免都會存在價值評估風險，即“與資產評估有關的單位或個人因資產評估事項所遭受損失的可能性”，于是怎樣識別或者規避不良債權評估風險引發了學術界的廣泛研究。

國內學者普遍認為金融不良債權評估存在急迫性，并深入探討了估值過程中相應風險的來源：譚小蓓[1]認為產生價值偏離的主要因素來源于理論基礎與評估實務的不協調、不明確的資產權屬以及尚未統一的計費標準。靳曉[2]認為不良資產評估風險主要來源于債權自身非常高的復雜程度，其復雜因素包括但不限于信貸融資方式、風險控制措施以及企業行業性質等。黃思思[3]認為其風險主要來源于不良資產的轉化階段、持有階段與變現階段，在這三個時期不良資產處置價值都會存在較大的變動。

另外，部分學者也對目前的不良債權評估方法進行了研究：張成文[4]認為基于債權相關責任人的假設清算法中設定假設和確定參數等環節多依賴于評估人員的主觀分析，在對負債的確認上評估人員也存在常見的技術錯誤。金發奇[5]認為基于債權本身的交易案例對比法或專家打分法具有主觀性與隨意性，相比而言基于資產回收率的多元線性回歸方法對于研究不良資產價值更具可行性，因此需多種方法同時結合，以減小誤差。鄭德祥[6]認為基于多元線性回歸方程的評估方法具有較多條件假設，若數據不符合線性假設條件，評估得出的擬合模型質量將變差甚至沒有意義，因此需要加大數據收集以減小風險。

綜上所述，國內大部分學者都對債權評估風險具有一定認識，但目前尚未形成一個系統的風險識別與風險控制策略，因此對金融不良債權的評估風險及控制對策研究具有一定的理論與實際意義。

二、不良債權評估風險來源

在整個不良債權評估過程中，其風險主要來源于債權主體、估值方法與外部環境。本文將從不良債權評估的角度系統地歸納其風險來源，并在后文利用FAHP 模型對風險進行量化。

（一）債權主體導致的不良債權評估風險（B1）

本文的債權主體主要是商業銀行與借款人。由于銀行與借款方的因素導致不良債權復雜化，從而增加債權評估風險的，本文將其列入債權主體風險。

1.作為發債方的商業銀行在發債時，增加債權結構復雜程度，從而增大評估風險。由于貸款形式如直接融資、票據等形式的多樣化，內部風險控制措施如抵押、質押貸款形式等不同以及不良債權歸屬不清晰等其他因素，增加了債權的復雜程度，因此將其歸因于發債方債權結構風險（C1）。

2.對借款人而言，借債方的性質與行為使債權結構復雜化。由于借款人不完全提供相關資料、提供虛假資料等，導致評估人員對于企業的償債能力無法進行較為準確地評估，從而產生的不良債權評估風險，因此將其歸因于借債方債權結構風險（C2）。

（二）估值方法局限性導致的不良債權的評估風險（B2）

在金融不良債權評估中，多采用傳統的資產評估方法或多元線性回歸分析。由于評估方法導致的不良債權評估價值偏差的風險，本文將其列入估值方法風險。

1.資產評估方法在不良債權評估中的局限性（C3）

（1）由于假設與參數的設定缺乏具體標準，在假設清算法中盡職調查的工作深度、現金流償債法中的折現率以及其他方法中相關因素的確定都依賴評估人員的主觀性，從而增大了評估價值的偏離程度，因此將其歸因于主觀判斷風險（C31）。

（2）無法準確判定債權中實物資產的無形損失。在債權借貸前后，由于假設條件、評估目的與評估方法都有所改變，且實物資產的無形損失難以準確計量，評估人員很難確定不良債權的價值，從而增大評估風險，因此將其歸因于無形損失風險（C32）。

（3）資產評估方法在不良債權評估中主要存在理論性高估，因此將其歸因于高估性風險（C33）。

2.多元線性回歸分析在不良債權評估中的局限性（C4）

由于金融不良債權中不良貸款占比最大，且不良債權的評估價值主要為資產管理公司或商業銀行最終能夠收回的債權價值，所以不良債權評估中的多元線性回歸分析主要分析的是不良貸款的違約概率(PD)和違約損失率(LGD)。

（1）違約損失率的影響因素較為復雜，其不確定性增大不良債權評估風險。LGD 的不確定性主要依賴于債權種類、企業資本結構、行業特征等可量化因素，但同時也受到評級轉移風險或債權人與債務人的議價能力等模糊因素的影響，因此將其歸因于LGD 風險（C41）。

（2）違約貸款案例大多為非數值信息，在轉換成數值時與多元回歸檢驗時需要涉及復雜的數理計算，很容易出現操作風險，因此將其歸因于操作風險（C42）。

（3）歷史數據的真實可靠性與案例數量對評估結果影響較大，因此將其歸因于可靠性風險。（C43）

（三）外部環境導致的不良債權評估風險（B3）

在對金融不良債權評估時，宏觀背景以及其他外部因素都會造成評估價值的偏離。本文將其列入外部環境風險。

1.國內金融市場尚不發達，不良資產評估起步較晚，雖借鑒國外相關先進經驗，但與我國評估實踐匹配較差，因此將其歸因于理論性風險。（C5）

2.當政府或法院參與債權價值裁定時，政策因素或導致不良債權與其實際價值偏離較大，因此將其歸因于政策性風險。（C6）

三、金融不良債權評估風險評價

（一）構建金融不良債權評估風險指標體系

根據前文不良債權評估風險的來源識別與整理歸納，首先運用AHP 模型構建金融不良債權評估風險指標體系（表1）。

（二）金融不良債權評價指標權重確定

首先利用層次分析法比較若干因素對同一目標的影響，從而確定這些因素在目標中所占比重。但由于層次分析法的專家打分主觀性很強，打分矩陣經常出現不一致或漏填情況，于是本文采用粒子群優化算法（PSO）對專家打分矩陣進行修正。

表1 金融不良債權評估風險指標體系

1.指標體系分類。將指標體系按照要達到的目的與性質，分解成不同的組成因素，根據因素之間的關系進行分層聚類組合形成階梯型結構體系，如圖1所示。

2.根據群決策構建每一體系的判斷矩陣，并作歸一處理。利用粒子群優化算法對處理結果進行修正，并檢驗。（由于篇幅原因，詳盡過程省略）

第一步，構建修正后的判斷矩陣（部分矩陣表，其他略）：

圖1 金融不良債權層次結構圖

表2 修正后的金融不良債權評估總體風險表

表3 修正后的債權主體風險表

第二步，根據修正后的群決策矩陣，得出風險評價指標權重集合：

各一級指標風險權重：

債權主體風險下各指標風險權重：

估值方法風險下各指標風險權重：

資產評估方法局限性風險下各指標風險權重：

多元回歸方法局限性風險下各指標風險權重：

外部環境風險下各指標風險權重：

由以上計算得到更層次風險因素的權重，詳見表4。

表4 金融不良債權評估風險因素權重表

（三）金融不良債權評估風險的模糊綜合評判

本文采用模糊綜合評判模型對風險因素指標進行隸屬度評價。首先基于上述風險指標構建隸屬度評價集，主要分五級，并進行量化評分：

V={ 高風險100，較高風險80，中等風險60，較小風險40，極小風險20}

然后建立評價指標權重。由于此次模糊評判基于上述風險指標，則其權重依據表5的權重值設定。

表5 單個風險指標在總風險中權重

于是有由上而下的權重集：W ＝(0.1 2 2 5，0.1841，0.2149，…，0.0623)

再根據對各類風險的類型、級別進行識別和評價，以及相關調查數據，對不同的風險指標的不同風險程度的隸屬值進行計算，得出評價結論。

利用模糊綜合評價法得出的金融不良債權評估風險的隸屬度函數如表6所示：

表6 金融不良債權風險隸屬度函數

由上表所示隸屬度函數中占比最大的是“較高風險：0.370233”，可以得出金融不良債權評估風險面臨的總體風險大小為較高風險的結論，因此對于金融不良債權風險控制很有必要。

四、金融不良債權評估風險控制建議

結合評估實務與宏觀背景分析，資產評估業務無法減小來自于行業整體的高估性風險、行業理論風險以及政策性風險，因此對于不良債權評估風險的控制本文主要關注于如何減小除以上風險以外的本文已識別出的其他風險。

（一）探討基于神經網絡模型（BP）的不良債權評估中總體風險控制

隨著人工智能（AI）的發展，越來越多的行業開始采用神經網絡模型對相對復雜的變量進行預測或分析。在金融不良債權評估中，BP 神經網絡模型既可以解決由債權主體導致的債權復雜性結構的風險；又可以避免傳統評估方法存在的主觀判斷風險、無形損失風險；還可以解決線性回歸方法所不能解決的大量非線性問題。其主要評估思路如下：

1 構建神經網絡模型指標體系

不良債權評估受到多種因素的影響，其價格也有多種因素決定，因此需構建相應的指標體系用于后續量化分析。

表7 指標因素量化表

根據前文風險來源的識別以及評估實務中的相關參數的確定，指標體系可分為（1）發債方債權形式因素、（2）借債方行業因素、（3）借債方經營狀況因素、（4）不良貸款等級因素、（5）借債方行為因素、（6）多元回歸的樣本因素等（該指標體系的構建僅做樣例，用于探討神經網絡模型評估思路，實際指標體系應根據評估業務的具體需要來構建）。

2.指標體系量化處理

由于在影響不良債權價值因素的評估指標體系中既有定性指標又有定量指標, 因此考慮到各指標在整個評估體系中的可比性, 應將定性指標進行量化處理。依照上一步構建的指標體系，對于每一類指標的影響因素進行量化處理（每一指標最高為1）。

3 基于案例進行神經網絡學習與應用

（1）根據上述指標因素量化表，由于影響因素有6 個，所以輸入層為6。目標所得出的結果只有一個評估值。因此輸出層為1。對于初始權值的設計，一般足夠小，但不全置為0。

（2）收集大量歷史不良債權評估案例樣本或借鑒我國LossMetrics ?數據庫，并剔除極端案例或非正常案例。將剩下的不良債權評估案例中的回收率分別作為輸出層，將案例所對應的6 個指標等級數值作為輸入層，然后通過神經網絡模型進行學習。

（3）在進行學習之后，代入未使用過的評估案例數值進行數值檢驗。若不符合案例結果，則判斷案例選取或操作是否有誤，并進行相關調整。

神經網絡模型在資產評估實務中尚屬于較為前沿的方法，有待進一步探索與發現。針對不良債權評估的人工智能評估方法也將會進一步完善。

（二）針對單個風險來源的控制建議

對于借債方、發債方以及外部環境導致的不良債權評估風險，評估機構很難進行控制。它需要由資產評估法律法規的完善，資本市場的深入發展以及行業理論與實踐的進步共同推動。因此，相比而言，評估機構能控制的風險指標主要是估值方法風險（B2類風險）。

1.針對該風險，評估機構應制定具體標準，并加強評估人員勝任能力培訓，減小由于勝任能力不足導致的主觀判斷與無形損失風險。對假設清算法、現金流償債法、交易案例對比法等方法進行實操培訓，重點關注不良債權評估中該方法的適用前提與注意事項，并進行培訓后考核，督查評估人員學習情況，更好地提升評估人員執業水平。

2.當采用多元回歸方法時，應該增強內部結構管理，盡可能收集被評估企業全面且有效的數據，分析其實際償債能力及違約損失率；對于數值轉換時發生的操作性風險，評估機構應派人復核，減小因操作失誤導致的價值偏離；在案例搜集階段，評估機構應盡可能多的收集相關案例，并合理利用歷史案例，剔除極端值與非正常值。