中小銀行財務風險預警實證研究
——以華融湘江銀行為例

趙 夢

一、引 言

現今，金融科技迅猛發展，可以預見，互聯網、大數據、云計算以及AI 正在重新塑造全球的經濟金融環境，如何發揮金融科技的威力實現商業銀行的轉型，是銀行業面臨的最迫切的課題之一。與此同時，中小銀行多數存在風險管理機制不健全，客戶準入標準不明，貸款重放輕管，風險預警工作量大但效果不佳的困境，為解決上述銀行核心業務中存在的問題，需要依靠科技化、數據化的手段。

華融湘江銀行股份有限公司成立于2010 年10月，截至2017 年末，被英國《銀行家》雜志評為2017年中資銀行排名第64 位的銀行，現已完成信貸系統的基礎功能的建設和較初級的風險預警系統建設，信貸客戶數量超過7000 戶，具備開發財務風險預警模型的樣本基礎、數據來源和實際訴求，有一定的代表性。

二、中小銀行風險預警存在的主要問題

（一）預警信號未體現前瞻性效果

財務風險預警業務規則設計較為單一，且多數指標的預警事項發生時，體現實質風險已經暴露，無先兆性和預測性，不能作為有跡可循、具備趨勢性和規律性的預警分析指標。

（二）預警發起和處理時效性不足

大多中小行的預警信號需要依靠分支行業務人員定期和不定期對事件進行人工判別和排查。人工處理一方面耽誤時效，另一方面受主觀因素影響較大，多數存在流于形式現象。

（三）預警指標信息存在重疊或缺失

為實現危機的預警功能，財務風險預警指標在選擇時應具備如下特征：明確的經濟意義、具備代表性、具備可操作性、指標具有顯著性且相互獨立。從華融湘江銀行現有預警規則看，該行風險預警中并未通過數理分析方法對各指標之間關聯性、指標設計的全面性進行分析，可能導致片面側重某一方面的風險成因預警，而忽視了其他重要的風險現象。

三、財務風險預警模型研究設計

（一）模型構建

1、樣本來源

樣本應優先選擇分析對象中占比較大、預警需求較迫切的規模類型，首先，研究時點該行大型客戶貸款余額占比10.97%、中型客戶貸款余額占比47.68%，小型客戶貸款余額占比27.72%，故該行信貸資源主要向大中型企業投放。對公貸款不良客戶80 戶，不良貸款余額14.91 億元，占全行不良貸款的82.01%，故選擇大中型公司類客戶，對該行信貸資產質量能夠起到重大影響。

2、樣本分類

將正常類客戶作為一組樣本，稱為“正常類客戶”，“不良、關注、次級、損失”四類客戶為一組樣本，稱為“違約類客戶”，根據五級分類定義，違約類客戶為極有可能或已發生信貸違約事項或的客戶。

3、樣本配比

國內外諸多研究的樣本分類配比采用1:1 的比例，國內學者也通過論證認為，1:1 配比與研究對象的實際客戶群分布嚴重偏離，破壞了樣本的隨機原則，會高估模型的預測能力，如樣本總量不足，則盡量接近研究對應的行業水平。經統計華融湘江銀行制造業大中型企業違約貸款客戶數占該規模和行業客戶總數的21%。

4、模型訓練

結合上述分析，同時考慮到銀行存在通過續貸、借新還舊等形式掩蓋和延后風險暴露的情況，共選取187 個合格樣本作為因變量，其中正常類樣本134 個，違約類樣本53 個，違約類占樣本總數的28.3%。

選取財務指標主要選擇利息保障倍數、速動比率、總資產周轉率、應收賬款周轉率、存貨周轉率、銷售利潤率、總資產收益率、銷售收入增長率、資本積累率、經營性現金凈流量比債務、產權比11 個指標作為自變量，通過Logistic 分析、在模型臨界值選取0.6 時，能夠達到較好的壞樣本預測率。

首次以11 個財務指標經過Logistic 分析，預測準確度為66.0%，由于準確率不高，故認為原始的財務指標之間存在相關信息，需依靠主成分分析法刪除其中重復多余的信息，將變量中的信息提取并整合成一組不存在線性相關關系的變量來優化模型。

將主成分處理后的指標定義為“成分1-成分11”，將11 個成分逐一加入Logistic 分析中，發現各成分與違約客戶預測正確率的關系如下：

圖1 保留成分數與違約客戶預測正確率關系

從關系圖可看出，第2、4、7、11 項是不顯著的成分，據此，剔除這四個成分，以剩下7 個成分做預測，得到最終的Logistic 財務預警模型的計算公式為：

其中：g(c)＝2.49980+0.00009c1+0.00511c3+0.023 13c5-0.15133c6+0.04442c8+0.10765c9+0.10565c10

這便是通過優化分析后的最終模型結果，其中Ci表示第i 個主成分。

模型結果體現，違約客戶預測的準確率為77.4%，正常客戶預測準確度為87.3%,預測準確率較高。

5、穩定性檢驗

用187 個樣本中的80%做預測樣本、20%做檢驗樣本，通過五次預測樣本和檢驗樣本的交叉檢驗，來判斷模型的穩定性。

表1 交叉檢驗結果匯總表

從結果看出，模型預測樣本的準確率在83.33%至87.33%之間，驗證樣本的準確率在78.95%和89.47%之間，從模型整體5 次檢驗情況看，該模型是穩定的。

（二）預警分級

財務風險一般分為五個等級：無險、輕險、中險、大險、巨險，通常國際上也用顏色表示風險程度，華融湘江銀行預警分級分為紅色、黃色、藍色三級。財務預警模型結果直接反映是否可能發生信貸違約，而擔保方式可能影響貸款損失的嚴重程度，該思路與銀行五級分類定義一致（以貸款損失程度作為違約后三類級別的分類依據），因此對于違約類客戶，還需考慮擔保對貸款損失的彌補情況來進行分級。

對品種為信用貸款的業務，屬于無擔保；對于品種為抵押貸款的業務，分為抵押足值和抵押不足值。對于保證擔保的貸款，還需對保證人進行財務測算和經營分析具體判斷，從審慎角度出發，將保證類視同抵押不足值類。綜上，對預警分級的劃分標準建議如下：

表2 預警分級結果對應表

四、保障模型應用的措施建議

（一）加強財務信息甄別能力

首先，建議加強財務數據真實性的調查，提高預警的準確性。其次，建議實施會計師事務所進行資格準入，制定明確的和高要求的中介機構準入、考核及退出標準，定期查檢中介機構履職情況。后期，還可通過數據分析的手段，開發虛假財務信息甄別模型。目前已有學者通過數據挖掘技術建立了財務信息造假甄別的模型，如通過人工網絡、貝葉斯模型對指標之間勾稽關系進行分析，判別虛假的概率。

（二）提高數據搜集和處理能力

一方面，建議盡快完善銀行相關系統數據處理和分析功能，建立完整、標準、嚴格的數據錄入標準，制定數據的質量管理規章制度，確保數據及時、準確的錄入，為財務風險預警系統的運用和動態調整打通通道。

另一方面，擴大數據采集來源，建立數據集市。數據集市建立的方式有：戰略企業內部財務信息控制系統、征信信息、風險信息、上市信息、網絡媒體、監管系統、稅務、法院系統關聯，增加指標的取數來源。同時增加數據積累量，消除經濟周期性波動的影響，加快信息補錄工作，將原缺失數據補充完整。

（三）加大管理層對財務預警的重視度

以華融湘江銀行為例的中小銀行普遍存在風險管理意識不強，考核向業務發展傾斜的問題。銀行大數據分析在風控體系中大幅運用的今天，該行尚停留在傳統的風險事件羅列、人工處理預警信號的階段，沒有以數據分析作為風險預警的開發導向，體現管理層對風險預警管理的重視程度還不夠。應將該模型的應用放到管理層決策的高度和全行參與的層面，積極向管理層展示初步的分析成果和效果預期，多向分支行管理層傳導風險即創造效益的經營理念，同時加大預警信號處理、信息系統更新、違約類客戶的指標考核力度。