劉 驊

(南京審計大學(xué)金融學(xué)院，江蘇南京 211815)

地方政府融資平臺貸款風(fēng)險等級分類真實(shí)性的審計研究

劉 驊

(南京審計大學(xué)金融學(xué)院，江蘇南京 211815)

地方政府融資平臺的出現(xiàn)具有明顯中國式經(jīng)濟(jì)文化特色，對其市場化轉(zhuǎn)型中貸款風(fēng)險等級分類真實(shí)性審計正成為領(lǐng)域內(nèi)關(guān)注焦點(diǎn)。結(jié)合融資平臺信貸特征，構(gòu)建其貸款風(fēng)險評價指標(biāo)體系；依據(jù)泛長三角地區(qū)融資平臺信貸業(yè)務(wù)的真實(shí)數(shù)據(jù)，運(yùn)用灰色關(guān)聯(lián)分析法對指標(biāo)體系進(jìn)行約簡，并采用數(shù)據(jù)挖掘技術(shù)建立基于支持向量機(jī)的融資平臺貸款風(fēng)險等級分類真實(shí)性審計二分類預(yù)測模型，進(jìn)而對模型的效果進(jìn)行檢驗(yàn)。明確該模型在審計實(shí)踐中的應(yīng)用價值，從金融審計資源協(xié)同、技術(shù)創(chuàng)新和人才培養(yǎng)三個方面凝練提升融資平臺信貸審計效率。

融資平臺；貸款風(fēng)險；真實(shí)性審計；灰色關(guān)聯(lián)；支持向量機(jī)

0 引 言

分稅制、瓦格納法則、城鎮(zhèn)化和地方政府官員的政績考核制度共同促成了地方政府融資平臺的產(chǎn)生，地方政府和商業(yè)銀行基于自身利益最大化的博弈結(jié)果又形成了地方政府融資平臺貸款。經(jīng)過2007年以前的起步發(fā)展，到金融危機(jī)后的“野蠻式”生長，融資平臺大規(guī)模舉債導(dǎo)致債臺高筑，再到現(xiàn)階段下行的經(jīng)濟(jì)壓力和集聚的債務(wù)風(fēng)險，迫使其探索轉(zhuǎn)型發(fā)展的路徑。當(dāng)前，地方政府融資平臺正迎來市場化轉(zhuǎn)型的關(guān)鍵時期，然而轉(zhuǎn)型中信貸市場的各類問題也隨之暴露。

在現(xiàn)有金融審計領(lǐng)域，風(fēng)險等級分類真實(shí)性審計主要針對商業(yè)銀行信貸問題展開，即針對商業(yè)銀行信貸資產(chǎn)錯分現(xiàn)象，查找其中不良貸款和正常貸款之間被錯誤認(rèn)定并歸類等問題。通過對商業(yè)銀行信貸資產(chǎn)錯分案例的統(tǒng)計分析發(fā)現(xiàn)，其中絕大部分是銀行為達(dá)到不良貸款率標(biāo)準(zhǔn)，將不良貸款歸類為正常貸款的情況，也有通過該手段以私設(shè)小金庫為目的，將正常貸款錯分為不良貸款的情況。本文以我國地方政府融資平臺市場化轉(zhuǎn)型為背景，運(yùn)用灰色關(guān)聯(lián)與支持向量機(jī)集成模型為融資平臺貸款風(fēng)險等級分類真實(shí)性審計提供技術(shù)支撐。

1 地方政府融資平臺市場化轉(zhuǎn)型與貸款風(fēng)險真實(shí)性審計

1.1 地方政府融資平臺市場化轉(zhuǎn)型中的貸款風(fēng)險

2014年9月21日，《國務(wù)院關(guān)于加強(qiáng)地方政府性債務(wù)管理的意見》(國發(fā)[2014]43號)明確指出:“剝離融資平臺公司政府融資職能，融資平臺公司不得新增政府債務(wù)?！彪S著政府融資功能的剝離，融資平臺不再具有隱性的政府信用擔(dān)保，商業(yè)銀行對其風(fēng)險偏好不斷下降，也加快收緊了相應(yīng)貸款，更有甚者直接中止執(zhí)行已約定貸款的提款需求。2015年5月15日，財政部、人民銀行、銀監(jiān)會《關(guān)于妥善解決地方政府融資平臺公司在建項目后續(xù)融資問題的意見》(國辦發(fā)[2015]40號)強(qiáng)調(diào):“銀行業(yè)金融機(jī)構(gòu)要全面把控風(fēng)險，不得對融資平臺盲目抽貸、壓貸、停貸，銀行對其貸款決策建立在評估項目收益的基礎(chǔ)上?！蔽募羞€特別強(qiáng)調(diào)了地方政府融資平臺市場化轉(zhuǎn)型發(fā)展中的融資決策和風(fēng)險規(guī)避等問題，要求嚴(yán)防再次通過融資平臺貸款，從而造成債務(wù)規(guī)模膨脹，埋下區(qū)域性金融風(fēng)險爆發(fā)的隱患。

我國地方政府融資平臺的出現(xiàn)具有明顯中國式經(jīng)濟(jì)文化特色，其信貸主體、還款來源、抵質(zhì)押品、審批方式、貸款投向及其金融內(nèi)涵與關(guān)系等方面都有別于普通企業(yè)信貸業(yè)務(wù)。近年來，我國商業(yè)銀行在不良貸款和不良率呈現(xiàn)雙降態(tài)勢的同時，信貸管理水平不斷提升，但融資平臺在市場化轉(zhuǎn)型過程中，政府隱性信用擔(dān)保的剝離使得該領(lǐng)域信貸市場供需平衡被打破，同時各類次級債對商業(yè)銀行風(fēng)險承擔(dān)行為造成了不同影響，也對商業(yè)銀行信貸風(fēng)險控制能力提出了更高的要求[1]。

1.2 政府債務(wù)審計與風(fēng)險監(jiān)管

政府債務(wù)風(fēng)險將威脅國家經(jīng)濟(jì)社會的穩(wěn)定與發(fā)展，一直以來都是國內(nèi)外學(xué)者關(guān)注的焦點(diǎn)。國外運(yùn)用審計相關(guān)理論進(jìn)行政府債務(wù)風(fēng)險管理的研究主要興起于20世紀(jì)末，目前關(guān)于地方政府債務(wù)審計的研究主要是提出建立地方政府債務(wù)預(yù)警體系[2，3]，設(shè)置地方政府債務(wù)危機(jī)事后處理機(jī)制等[4]。國內(nèi)關(guān)于地方政府融資平臺債務(wù)審計的研究尚處于起步階段。蒲丹琳等[5]研究發(fā)現(xiàn)，地方審計機(jī)關(guān)實(shí)施的經(jīng)濟(jì)責(zé)任審計處罰力度越大，越有可能降低官員晉升競爭對地方政府投融資平臺債務(wù)的激勵程度，進(jìn)而降低地方政府投融資平臺債務(wù)增長速度和債務(wù)風(fēng)險。馬軼群[6]以融資平臺為例，系統(tǒng)地分析了地方政府債務(wù)在“借管用還”各環(huán)節(jié)的租值分割、轉(zhuǎn)移及耗散問題，并從國家審計視角闡述了如何治理地方政府債務(wù)的租值耗散問題。劉驊等[7]通過三方博弈模型的構(gòu)建，從風(fēng)險監(jiān)管角度提出了地方政府融資平臺債務(wù)審計質(zhì)量控制的策略。

近年來，在地方政府融資平臺“信用膨脹”而引致的債務(wù)風(fēng)險研究方面，葛鶴軍等[8]認(rèn)為地方政府融資平臺信用風(fēng)險形成的原因是多維度的，而融資平臺占貸比重增加會提高銀行的不良資產(chǎn)率，同時降低銀行績效。地方政府控股導(dǎo)致的城市商業(yè)銀行與融資平臺之間的關(guān)系表明，融資平臺信貸是地方政府的掏空渠道[9]。此外，更多學(xué)者則關(guān)注地方政府融資平臺相關(guān)風(fēng)險的評估與測算[10－11]。在實(shí)證分析方面，劉驊[12]通過對長三角高新技術(shù)開發(fā)區(qū)融資平臺的調(diào)研，綜合運(yùn)用灰色關(guān)聯(lián)與Topsis分析方法，構(gòu)建了地方政府融資平臺信用風(fēng)險集成評價模型。

1.3 信貸風(fēng)險等級分類真實(shí)性審計的技術(shù)方法

國外商業(yè)銀行信貸資產(chǎn)審計多集中于將數(shù)據(jù)挖掘技術(shù)應(yīng)用于信用風(fēng)險的預(yù)測與預(yù)警中。Huang[13]運(yùn)用變分貝葉斯分析方法構(gòu)建的核分類器，對商業(yè)銀行信用風(fēng)險進(jìn)行了預(yù)測分析。Koyuncugil等[14]運(yùn)用數(shù)據(jù)挖掘CHAID算法，構(gòu)建了金融風(fēng)險早期監(jiān)測預(yù)警模型。Chen等[15]將人工神經(jīng)網(wǎng)絡(luò)算法植入商業(yè)銀行信用卡顧客的消費(fèi)和還款模式的分析中，并運(yùn)用決策樹方法構(gòu)建了信用卡授信原則。

20世紀(jì)90年代末，我國學(xué)者開始重視商業(yè)銀行信貸資產(chǎn)質(zhì)量審計問題。劉丹[16]較早提出了信貸資產(chǎn)及其風(fēng)險審計的重要性，王志宏[17]強(qiáng)調(diào)了信貸資產(chǎn)質(zhì)量真實(shí)性審計的突出問題與對策建議。在審計技術(shù)與方法應(yīng)用方面，很多學(xué)者意識到，商業(yè)銀行內(nèi)部審計要實(shí)現(xiàn)審計資源的優(yōu)化，并降低審計風(fēng)險需要有效的應(yīng)用數(shù)據(jù)挖掘技術(shù)。如，吳松[18]對被審機(jī)構(gòu)交易數(shù)據(jù)進(jìn)行挖掘分析，并將一種預(yù)定義規(guī)則的數(shù)據(jù)挖掘方法應(yīng)用于商業(yè)銀行的審計中；隋學(xué)深等[19]運(yùn)用支持向量機(jī)的分析方法對貸款風(fēng)險等級分類真實(shí)性審計進(jìn)行了探析。

綜上分析，國外并沒有融資平臺這一特殊的政府舉債“載體”，因此其地方政府債務(wù)風(fēng)險監(jiān)管的研究對我國融資平臺債務(wù)風(fēng)險審計治理的借鑒意義有限。國內(nèi)學(xué)者一方面從融資平臺層面提出了對其債務(wù)審計治理的模式與機(jī)制，另一方面從商業(yè)銀行層面主張運(yùn)用數(shù)據(jù)挖掘技術(shù)以提升信貸資產(chǎn)質(zhì)量審計方法的先進(jìn)性。本文針對政府剝離融資平臺信用擔(dān)保職能后，融資平臺市場化轉(zhuǎn)型這一特殊時期，結(jié)合融資平臺與商業(yè)銀行信貸關(guān)系的變化及其風(fēng)險的演進(jìn)，將融資平臺貸款風(fēng)險等級分類真實(shí)性審計問題抽象為計算機(jī)模式識別領(lǐng)域的二分類問題，將灰色理論中的灰色關(guān)聯(lián)模型與數(shù)據(jù)挖掘技術(shù)中的支持向量機(jī)二分類模型集成，約簡融資平臺貸款風(fēng)險評價指標(biāo)體系，并對其信貸記錄進(jìn)行分類計算，通過模型的比較分析為金融審計人員精確、系統(tǒng)和全面識別錯分貸款記錄提供幫助。因此，通過融資平臺貸款風(fēng)險等級分類真實(shí)性審計模型，能幫助商業(yè)銀行有效甄別融資平臺的貸款風(fēng)險，為緩解轉(zhuǎn)型期融資平臺信貸市場資金的供需缺口提供技術(shù)支撐。

2 地方政府融資平臺貸款風(fēng)險指標(biāo)體系構(gòu)建與模型簡介

2.1 指標(biāo)體系構(gòu)建

地方政府融資平臺市場化轉(zhuǎn)型中，政府融資職能的剝離及其轉(zhuǎn)化，使原有“信貸泡沫”破滅，并打破了已有的信貸市場供需均衡。為了規(guī)避融資平臺貸款風(fēng)險，滿足銀行內(nèi)部的考核要求，商業(yè)銀行往往在將信貸資金投入融資平臺時較為謹(jǐn)慎。而在商業(yè)銀行與融資平臺開展信貸業(yè)務(wù)的過程中，為了有效辨別融資平臺貸款風(fēng)險，并為其貸款風(fēng)險等級分類的真實(shí)性審計提供參考依據(jù)，需要借助融資平臺貸款風(fēng)險評價指標(biāo)體系。

本文在地方政府融資平臺貸款風(fēng)險評價指標(biāo)體系構(gòu)建過程中，借鑒商業(yè)銀行“借款憑證表”中的相關(guān)指標(biāo)，并結(jié)合融資平臺財務(wù)指標(biāo)，設(shè)計了兩級指標(biāo)體系來綜合評估其信貸風(fēng)險，具體如表1所示。

表1 地方政府融資平臺貸款風(fēng)險評價指標(biāo)體系

(1)償債能力指標(biāo)(A1)。該類指標(biāo)按照地方政府融資平臺債務(wù)到期時間又可進(jìn)一步細(xì)分為長期與短期償債能力指標(biāo)，具體用來評估融資平臺能否用其資產(chǎn)償還債務(wù)，用以判斷其舉債經(jīng)營的安全程度，指標(biāo)測度的方法分為兩種:一是債務(wù)與可供償債資產(chǎn)的比較，二是比較償債所需現(xiàn)金與經(jīng)營活動所產(chǎn)生的現(xiàn)金流。

(2)盈利能力指標(biāo)(A2)。該類指標(biāo)共包括6個二級細(xì)分指標(biāo)，是融資平臺賴以生存和發(fā)展的基礎(chǔ)，用于測算地方政府融資平臺在經(jīng)營過程中賺取利潤并獲得收益的能力，同時，如果融資平臺盈利能力薄弱，其貸款風(fēng)險相對較大，債務(wù)風(fēng)險也相應(yīng)較高。

(3)營運(yùn)能力指標(biāo)(A3)。該類指標(biāo)對融資平臺盈利持續(xù)增長和償債能力提高起著決定性作用。指標(biāo)通過融資平臺投資營運(yùn)資金的周轉(zhuǎn)速度及使用效度來反映資金的利用率，二級指標(biāo)主要包括測度融資平臺經(jīng)營效率的一系列財務(wù)比率。一般而言，資金周轉(zhuǎn)速度越快表示資金利用效率越高，管理人員的經(jīng)營能力越強(qiáng)。

2.2 研究方法簡述

2.2.1 灰色關(guān)聯(lián)賦權(quán)法

運(yùn)用數(shù)據(jù)挖掘技術(shù)構(gòu)建支持向量機(jī)二分類模型，分析地方政府融資平臺貸款風(fēng)險等級分類真實(shí)性審計問題時，如果評價指標(biāo)選擇過多不僅會造成計算量過大，而且容易出現(xiàn)“過度擬合”問題，即在樣本內(nèi)檢驗(yàn)效果較好而在樣本外的判別效果往往較差。因此，在對融資平臺貸款風(fēng)險分類時，需要先進(jìn)行指標(biāo)的約簡。本文采用灰色關(guān)聯(lián)分析法從融資平臺貸款風(fēng)險評價指標(biāo)體系中篩選出適合支持向量機(jī)模型的指標(biāo)因素。

灰色關(guān)聯(lián)分析(GRAP)通過定量計算系統(tǒng)與各影響因素指標(biāo)的灰色關(guān)聯(lián)系數(shù)，并測度各評價指標(biāo)的權(quán)重，進(jìn)而從眾多指標(biāo)中甄別出影響系統(tǒng)運(yùn)行的關(guān)鍵因素。該分析法基于評價指標(biāo)的客觀數(shù)據(jù)值，能較好挖掘數(shù)據(jù)內(nèi)部隱藏的客觀規(guī)律，從而避免了主觀賦權(quán)法過于依賴人為因素的弊端。具體計算步驟如下:

首先，確定灰色關(guān)聯(lián)度模型的母指標(biāo)數(shù)列與子指標(biāo)數(shù)列。一般選取對評價方案影響最重要的因素作為母指標(biāo)數(shù)列，記為X0＝(x10，x20，…，xn0)T，選取其他因素指標(biāo)作為子指標(biāo)數(shù)列，記為Xj＝(x1j，x2j，…，xnj)T，(j＝1，2，…，m)。

其次，分別對X0，Xj的原始指標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)變換，一般采用標(biāo)準(zhǔn)化方法對數(shù)據(jù)進(jìn)行處理，以消除原始指標(biāo)數(shù)據(jù)的量綱差別。然后計算Xj與X0的灰色關(guān)聯(lián)系數(shù)，其中ρ為分辨系數(shù):

最后，對關(guān)聯(lián)系數(shù)矩陣R＝(rij)m×n的列求平均值，得:

式(2)反映了指標(biāo)數(shù)列j與母指標(biāo)數(shù)列的關(guān)聯(lián)程度。再將rj進(jìn)行歸一化處理，便可得出衡量各評價指標(biāo)的權(quán)重:w＝(w1，w2，…，wn)T。

2.2.2 二分類支持向量機(jī)模型

支持向量機(jī)(SVM)是數(shù)據(jù)挖掘技術(shù)中借助最優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的工具，其遵循結(jié)構(gòu)風(fēng)險最小原則和有限樣本假設(shè)，因此能較好地克服欠學(xué)習(xí)、過學(xué)習(xí)、“維數(shù)災(zāi)”和局部收斂等問題，在解決非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，具備較好的學(xué)習(xí)能力和應(yīng)用推廣價值。

SVM算法的基本思想是求解最優(yōu)分類超平面，以此作為決策曲面將樣本準(zhǔn)確劃分為兩類，即假設(shè)n個樣本總體D＝{xi，yi｜i＝1，2，…，n}，(x∈Rp，y∈Rq)，能被一個超平面H:ωx＋b＝0準(zhǔn)確分割，并且分類間隔為最大。對于可分樣本(xi，yi)，i＝1，2，…，n，可用凸二次規(guī)劃描述其構(gòu)造的最優(yōu)分類超平面:

求解式(3)的對偶問題，可得決策函數(shù):

式(4)中sgn(·)為符號函數(shù)，αi為Lagrange系數(shù)，b為分類域值。對于非線性問題，可通過非線性變換轉(zhuǎn)化為在高維空間中求解最優(yōu)分類面。一般采用滿足Mercer條件的內(nèi)積核函數(shù)K(xi，x)代替原空間中的內(nèi)積，以實(shí)現(xiàn)某一非線性變換后的線性分類，從而避免了非線性變換的具體形式[20]。

在眾多常用的核函數(shù)中，高斯徑向基核函數(shù)對應(yīng)于無窮維的特征空間，而有限樣本在該特征空間一定線性可分，使用頻率最高。本文構(gòu)造的SVM模型的內(nèi)積核函數(shù)采用高斯徑向基核函數(shù)，其中g(shù)為可調(diào)參數(shù):

結(jié)合式(4)與式(5)表示的分類函數(shù)，便可對地方政府融資平臺貸款風(fēng)險等級進(jìn)行分類，在判斷融資平臺信用狀況的同時，也為其貸款風(fēng)險等級分類的真實(shí)性審計提供了創(chuàng)新方法。

2.2.3 GRAP－SVM模型的實(shí)施流程

將GRAP與SVM分析方法集成，可以對地方政府融資平臺貸款風(fēng)險進(jìn)行準(zhǔn)確的評價，并為其風(fēng)險分類的真實(shí)性審計提供有效的技術(shù)支撐，具體流程如圖1所示。

圖1 地方政府融資平臺貸款風(fēng)險等級分類模型實(shí)施流程

首先，針對地方政府融資平臺貸款風(fēng)險評價指標(biāo)數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，主要是對指標(biāo)的定量化，及通過標(biāo)準(zhǔn)化處理消除指標(biāo)數(shù)據(jù)的量綱與量級差異。其次，運(yùn)用灰色關(guān)聯(lián)分析法對融資平臺貸款風(fēng)險評價指標(biāo)進(jìn)行賦權(quán)，以約簡整體樣本的指標(biāo)集。最后，將融資平臺信貸整體樣本分為訓(xùn)練樣本與測試樣本，對訓(xùn)練樣本進(jìn)行支持向量機(jī)的訓(xùn)練，得到其貸款風(fēng)險判別分類器，并用以對測試樣本進(jìn)行檢驗(yàn)。如果未達(dá)到預(yù)定的測試標(biāo)準(zhǔn)，則將進(jìn)一步優(yōu)化模型訓(xùn)練參數(shù)，如果滿足檢驗(yàn)要求，則可將GRAP－SVM模型推廣應(yīng)用于融資平臺貸款風(fēng)險等級分類真實(shí)性審計的實(shí)踐中。

3 實(shí)證分析

本文項目團(tuán)隊成員跟蹤研究了審計署于2011年和2013年開展的兩次政府債務(wù)審計活動，并與人民銀行南京分行、交通銀行蘇州分行和民生銀行南京分行等長期保持項目合作關(guān)系。2015年7月至2016年3月，項目組成員依托上述單位對泛長三角地區(qū)160個地方政府融資平臺2015年的貸款記錄進(jìn)行了收集整理，并結(jié)合對這些融資平臺的實(shí)地調(diào)研，通過查閱、訪談和問卷等形式獲取了表1中融資平臺貸款風(fēng)險指標(biāo)數(shù)據(jù)。為了降低指標(biāo)量綱和量級的影響，保證數(shù)據(jù)分析結(jié)果的客觀性、精確性和科學(xué)性，對其貸款風(fēng)險評價指標(biāo)原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理。

本文選取長期資產(chǎn)適合率(C15)指標(biāo)作為評價融資平臺貸款風(fēng)險的母指標(biāo)，利用灰色關(guān)聯(lián)分析法，計算其貸款風(fēng)險各評價指標(biāo)的權(quán)重(其中，分辨系數(shù)ρ＝0.5)，歸一化處理后，得到的結(jié)果呈現(xiàn)在表2中。

表2 融資平臺貸款風(fēng)險評價指標(biāo)權(quán)重歸一化結(jié)果

依據(jù)灰色關(guān)聯(lián)分析得出地方政府融資平臺貸款風(fēng)險評價指標(biāo)權(quán)重值，本文選取權(quán)重值大于0.5的指標(biāo)作為支持向量機(jī)模型的輸入指標(biāo)。該約簡指標(biāo)集包括:資產(chǎn)負(fù)債率(C2)、經(jīng)營性凈現(xiàn)金流/總負(fù)債(C5)、經(jīng)營性凈現(xiàn)金流/流動負(fù)債(C6)、債務(wù)資本比率(C7)、總資產(chǎn)報酬率(C8)、凈資產(chǎn)收益率(C10)、長期資產(chǎn)適合率(C15)和擔(dān)保比率(C19)共8個指標(biāo)。

將泛長三角地區(qū)政府融資平臺貸款風(fēng)險類別分為正常貸款(A類)和不良貸款(B類)，分別用＋1和－1表示，并作為支持向量機(jī)模型的輸出。本文將區(qū)域內(nèi)2015年已有貸款記錄的105個融資平臺(接近于整體樣本數(shù)的2/3)作為訓(xùn)練樣本集，用于對集成模型進(jìn)行訓(xùn)練；為檢驗(yàn)?zāi)Ｐ偷姆夯芰Γx取55個融資平臺作為測試樣本集。本文還隨機(jī)抽取了10組訓(xùn)練樣本和測試樣本，從而得到10組不同的訓(xùn)練樣本集與測試樣本集，以避免偶然性結(jié)果的出現(xiàn)。運(yùn)用高斯徑向基核函數(shù)構(gòu)建二分類支持向量機(jī)模型時，模型中主要涉及參數(shù)為C和g，綜合考慮最少錯分樣本數(shù)和最大分類間隔，采用交叉驗(yàn)證方法確定C＝100，g＝1，對樣本進(jìn)行訓(xùn)練形成模型文件，并對測試樣本進(jìn)行分類，將10次分類結(jié)果取均值，樣本集具體分類和運(yùn)算正確率如表3所示。

表3 樣本集分布和運(yùn)算正確率

從表3中可以發(fā)現(xiàn)，對于測試樣本集中的55個數(shù)據(jù)，該分類預(yù)測模型的正確率達(dá)到96.23%，意味著在對融資平臺正常和不良貸款錯誤分類的審計工作中，該分類預(yù)測模型平均能夠找出其中96.23%的被錯誤分類貸款記錄。

為進(jìn)一步檢驗(yàn)?zāi)Ｐ偷男Ч?，本文分別將訓(xùn)練樣本、測試樣本和整體樣本數(shù)據(jù)集貸款記錄數(shù)據(jù)中5個不良貸款(B類)故意錯分為正常貸款(A類)，并將5個正常貸款(A類)記錄故意錯分為不良貸款(B類)，即分別將105，55和160個貸款記錄中的10個故意錯分，然后用分類預(yù)測模型去查找，對分類預(yù)測模型預(yù)測效果進(jìn)行驗(yàn)證的實(shí)驗(yàn)結(jié)果如表4所示。

從表4可以看到，本文基于SVM的分類預(yù)測模型對各類樣本的分類正確率都在90%以上；在訓(xùn)練樣本集和整體樣本集中，針對10個被故意錯分的記錄，分類模型都僅將1個正常貸款(A類)融資平臺誤判為不良貸款(B類)融資平臺，而在測試樣本集中，分類模型對10個被故意錯分的記錄分別誤判了一次。對于商業(yè)銀行而言，在兩類分類錯誤中，將不良貸款融資平臺判斷為正常貸款平臺后果更為嚴(yán)重，因?yàn)樗`判和混淆了融資平臺的貸款能力。如果出現(xiàn)了第一類分類錯誤，銀行的整個短期貸款都可能無法收回，形成壞賬損失；而如果出現(xiàn)將正常貸款(A類)融資平臺判斷為不良貸款(B類)融資平臺分類錯誤，至多是損失一筆利息收入。

表4 分類預(yù)測模型效果驗(yàn)證結(jié)果

對于地方政府融資平臺信貸業(yè)務(wù)而言，造成其貸款風(fēng)險等級錯判的原因在于:一方面，測度融資平臺貸款“償還能力”的核心指標(biāo)難以篩選，信貸風(fēng)險分類測算與衡量的自由空間較大，還未形成一套統(tǒng)一規(guī)范的標(biāo)準(zhǔn)；另一方面，不良貸款比例不但與商業(yè)銀行撥備、利潤密切相關(guān)，還會影響到監(jiān)管評級及社會聲譽(yù)，因此是一個十分敏感的指標(biāo)，商業(yè)銀行主觀上也就存在粉飾資產(chǎn)質(zhì)量、掩蓋信貸風(fēng)險的動機(jī)。對于融資平臺而言，其經(jīng)營的低盈利性及長周期性，使貸款風(fēng)險準(zhǔn)確分類變得更為復(fù)雜和困難。而其貸款風(fēng)險分類的錯判與錯分，將導(dǎo)致商業(yè)銀行對融資平臺經(jīng)營形勢的判斷出現(xiàn)偏差，如果繼續(xù)對經(jīng)營不善的融資平臺持續(xù)新增貸款，將造成信貸風(fēng)險爆發(fā)點(diǎn)的后移，并引致其風(fēng)險防控難度的增加。

綜上實(shí)證分析顯示，研究構(gòu)建的基于GRAP－SVM二分類預(yù)測模型能較好地發(fā)現(xiàn)泛長三角地區(qū)政府融資平臺記錄風(fēng)險等級被錯分的問題，有助于審計工作人員較為全面地核實(shí)融資平臺貸款風(fēng)險等級分類的真實(shí)性，在審計實(shí)踐中具有較強(qiáng)的實(shí)際應(yīng)用和推廣價值。

4 結(jié)論與建議

地方政府融資平臺貸款風(fēng)險分類真實(shí)性審計立足于免疫系統(tǒng)分析框架，發(fā)揮審計揭示、抵御與預(yù)防信貸風(fēng)險的功能，基于融資平臺貸款風(fēng)險管理與控制方面的薄弱環(huán)節(jié)及存在的問題，為其業(yè)務(wù)的可持續(xù)發(fā)展保駕護(hù)航。本文將灰色理論中的灰色關(guān)聯(lián)模型與數(shù)據(jù)挖掘技術(shù)中支持向量機(jī)二分類模型集成，首先通過灰色關(guān)聯(lián)賦權(quán)法約簡了融資平臺貸款風(fēng)險評價指標(biāo)體系；其次將其貸款風(fēng)險等級分類真實(shí)性審計問題抽象為計算機(jī)模式識別領(lǐng)域的二分類問題，利用基于支持向量機(jī)的二分類模型，對泛長三角地區(qū)政府融資平臺2015年信貸記錄進(jìn)行了實(shí)證分類訓(xùn)練與檢驗(yàn)，分析結(jié)果證實(shí)了GRAP－SVM模型對融資平臺貸款風(fēng)險分類評估的有效性，可為金融審計人員在商業(yè)銀行信貸審計過程中識別錯分貸款記錄提供幫助。具體建議如下:

首先，協(xié)同金融審計資源，聯(lián)合各部門進(jìn)行協(xié)作。提升地方政府融資平臺信貸精細(xì)化管理水平是提高商業(yè)銀行信貸資產(chǎn)質(zhì)量，防范信貸風(fēng)險的關(guān)鍵舉措。一方面，商業(yè)銀行應(yīng)關(guān)注融資平臺貸款的真實(shí)需求，采取多部門協(xié)作的方式，建立一套系統(tǒng)的信貸風(fēng)險監(jiān)控規(guī)制。另一方面，商業(yè)銀行需建立風(fēng)險預(yù)警處置協(xié)調(diào)機(jī)制。金融審計“免疫系統(tǒng)”的功能之一就是預(yù)防金融風(fēng)險，商業(yè)銀行應(yīng)加強(qiáng)融資平臺貸款風(fēng)險的預(yù)判，積極推進(jìn)跨部門信息整合，進(jìn)一步完善信用信息平臺。此外，商業(yè)銀行還應(yīng)強(qiáng)化處罰問責(zé)力度。針對融資平臺貸款風(fēng)險的傳染性和共振性等特點(diǎn)，及時處理風(fēng)險源，依據(jù)法規(guī)嚴(yán)肅處理相關(guān)當(dāng)事人，防范風(fēng)險的傳導(dǎo)與擴(kuò)散；對由于不盡職責(zé)造成多頭授信、過度授信進(jìn)而形成信貸風(fēng)險的，要根據(jù)風(fēng)險控制原則，在規(guī)避風(fēng)險集聚和風(fēng)險點(diǎn)增多的基礎(chǔ)上，建立融資平臺信貸資產(chǎn)質(zhì)量真實(shí)性動態(tài)審計評估體系，防控系統(tǒng)性風(fēng)險的發(fā)生。

其次，革新金融審計技術(shù)，釋放大數(shù)據(jù)功能。從理論創(chuàng)新層面分析，商業(yè)銀行跨領(lǐng)域的海量數(shù)據(jù)需要數(shù)據(jù)挖掘技術(shù)的引入，以實(shí)現(xiàn)數(shù)據(jù)價值的最大化，發(fā)掘數(shù)據(jù)背后極具價值的信息；從實(shí)際應(yīng)用方面而言，隨著大數(shù)據(jù)、云計算和“互聯(lián)網(wǎng)＋”時代的到來，數(shù)據(jù)挖掘工具對控制審計風(fēng)險、提高審計效率的作用不斷彰顯。商業(yè)銀行針對地方政府融資平臺貸款業(yè)務(wù)的審計工作高度依賴于現(xiàn)代信息技術(shù)，審計人員在接觸相關(guān)系統(tǒng)和數(shù)據(jù)的過程中，需要使用適配的分析方法和計算工具來處理海量數(shù)據(jù)，進(jìn)而形成具有針對性且有實(shí)際價值的審計報告信息。然而，現(xiàn)階段我國商業(yè)銀行審計工作人員獲取和處理數(shù)據(jù)信息的渠道和能力還相當(dāng)有限，大部分?jǐn)?shù)據(jù)需要向被審計商業(yè)銀行或相關(guān)業(yè)務(wù)管理部門索取，這樣勢必將影響數(shù)據(jù)信息的客觀性和準(zhǔn)確性，同時也加大了處理數(shù)據(jù)的效度和難度。所以，融資平臺貸款風(fēng)險分類真實(shí)性審計應(yīng)加強(qiáng)數(shù)據(jù)挖掘及分析等新技術(shù)方法的運(yùn)用，凸顯大數(shù)據(jù)背景下審計“互聯(lián)網(wǎng)＋”能力的提升。

最后，培養(yǎng)金融審計人才，提升人員素質(zhì)。地方政府融資平臺貸款風(fēng)險等級分類真實(shí)性審計對相關(guān)工作人員提出了全方位系統(tǒng)化的高要求，審計工作也遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)的手段和方法，除了熟悉信貸業(yè)務(wù)，掌握必備的審計和風(fēng)控知識外，還需要應(yīng)用數(shù)據(jù)挖掘、分析和應(yīng)用技術(shù)，匹配相應(yīng)的審計模型，以提高信貸審計的質(zhì)量和效率。現(xiàn)階段我國金融審計工作人員的整體技術(shù)應(yīng)用能力和水平還參差不齊，一方面，能熟練運(yùn)用計算機(jī)進(jìn)行信息系統(tǒng)審計的人員較為缺乏；另一方面，主要依靠現(xiàn)場審計和經(jīng)驗(yàn)判斷的商業(yè)銀行信貸審計手段和方法，已難以勝任如今大數(shù)據(jù)、信息化的商業(yè)銀行業(yè)務(wù)發(fā)展趨勢。因此，為降低金融審計工作人員的工作壓力，必須對從事金融審計的工作人員開展頻繁且持續(xù)的職業(yè)再教育，并保證和加大相應(yīng)資源的投入力度，以不斷提升相關(guān)工作人員的技術(shù)能力和專業(yè)素養(yǎng)。

[1]馮玉梅，宋水勇，王剛.次級債對我國商業(yè)銀行風(fēng)險承擔(dān)行為的影響研究[J].山東財經(jīng)大學(xué)學(xué)報2015，27(4):24－35.

[2]POLACKOVA H.Government Contingent Liabilities:A Hidden Risk to Fiscal Stability[R].World Bank Policy Research，Working Paper，1998，No.1989.

[3]WILDASIN D E.Fiscal Competition in Space and Time[J].Journal of Public Economics，2003，87(11):2571－2588.

[4]COEN K.Valuing and Managing Risk Associated with Government Contingent Liabilities[J].The World Bank，1998，6(1):13－19.

[5]蒲丹琳，王善平.官員晉升激勵、經(jīng)濟(jì)責(zé)任審計與地方政府投融資平臺債務(wù)[J].會計研究，2014(5):88－94.

[6]馬軼群.地方政府債務(wù)的租值耗散及國家審計治理——以融資平臺為例[J].財經(jīng)科學(xué)，2015(2):63－71.

[7]劉驊，張維.地方政府融資平臺債務(wù)審計質(zhì)量控制的策略研究[C].中匈首屆國際論壇論文集，2014:261－268.

[8]葛鶴軍，緱婷.中國地方政府融資平臺信用風(fēng)險研究[J].經(jīng)濟(jì)學(xué)動態(tài)，2011(1):77－80.

[9]趙尚梅，史宏梅，杜華東.地方政府在城市商業(yè)銀行的大股東掏空行為——從地方政府融資平臺貸款視角的研究[J].管理評論，2013，25(12):32－41.

[10]洪源.地方政府融資平臺債務(wù)的可持續(xù)規(guī)模動態(tài)測算[J].中南財經(jīng)政法大學(xué)學(xué)報，2012(6):35－42.

[11]劉驊，盧亞娟.地方政府融資平臺債務(wù)風(fēng)險預(yù)警模型與實(shí)證研究[J].經(jīng)濟(jì)學(xué)動態(tài)，2014(8):63－69.

[12]劉驊.地方政府融資平臺信用風(fēng)險集成評價研究——基于長三角高新技術(shù)開發(fā)區(qū)融資平臺的調(diào)研[J].經(jīng)濟(jì)問題，2015 (2):58－62.

[13]HUANG S C.Using Gaussian Process Based Kernel Classifiers for Credit Rating Forecasting[J].Expert Systems with Applications，2011，38:8607－8611.

[14]KOYUNCUGIL A S，OZGULBAS N.Financial Early Warning System Model and Data Mining Application for Risk Detection[J]. Expert Systems with Applications，2012，39:6238－6253.

[15]CHEN S C，HUANG M Y.Constructing Credit Auditing and Control and Management Model with Data Mining Technique[J].Expert Systems with Applications，2011，38:5359－5367.

[16]劉丹.淺談商業(yè)銀行信貸資產(chǎn)質(zhì)量審計[J].中國審計信息與方法，2003(7):5－7.

[17]王志宏.信貸資產(chǎn)質(zhì)量真實(shí)性審計的突出問題與對策建議[J].財經(jīng)界，2014(4):248－250.

[18]吳松，張冬鵬，胡煊.一種預(yù)定義規(guī)則的數(shù)據(jù)挖掘方法在商業(yè)銀行審計中的應(yīng)用[J].信息系統(tǒng)工程，2012(1):32－33.

[19]隋學(xué)深，喬鵬，丁保利.基于支持向量機(jī)的貸款風(fēng)險等級分類真實(shí)性審計研究[J].審計研究，2014(3):21－25.

[20]胡海青，張瑯，張道宏，等.基于支持向量機(jī)的供應(yīng)鏈金融信用風(fēng)險評估研究[J].軟科學(xué)，2011(5):26－30.

Authenticity Audit of Local Government Financing Platform Loan Risk Grade Classification

LIU Hua
(School of Finance，Nanjing Audit University，Nanjing211815，China)

Local government financing platforms have obvious Chinese economic and cultural characteristics，whose authenticity audit of loan risk grade classification in the process of market－oriented transformation becomes the focus of attention in the field.Combined with the characteristics of credit financing platform，this paper firstly constructs a loan risk evaluation index system which is reduced based on grey correlation method and the real data from pan－Yangtze River Delta financing platform credit business，and then by adopting data mining technology，constructs a SVM－based two－classification prediction model for financing platform loan risk grade classification authenticity audit.The effect of this model is further tested and its application value in audit practice is made clear.And this model is expected to improve the financing platform credit audit efficiency from the aspects of financial audit resource coordination，technological innovation and personnel training.

financing platform；loan risk；authenticity audit；grey correlation；SVM

F239.44

:A

:2095－929X(2017)02－0001－08

(責(zé)任編輯 高 瓊)

2017－01－09

國家社科基金后期資助項目“科技金融體系建設(shè)與效果評價”(16FGL013)；江蘇省人力資源和社會保障廳“六大人才高峰”項目“江蘇省物聯(lián)網(wǎng)產(chǎn)業(yè)項目運(yùn)營績效審計研究”(XYDXXJS－036)；南京審計大學(xué)2016年首批政府審計研究課題“國家金融安全視角下政府債務(wù)審計治理研究”(GASA161016)；江蘇省高校優(yōu)勢學(xué)科建設(shè)工程項目應(yīng)用經(jīng)濟(jì)學(xué)(蘇政辦發(fā)[2014]37號)。

劉驊，男，湖北武漢人，博士，南京審計大學(xué)金融學(xué)院副教授，研究方向:金融創(chuàng)新與風(fēng)險監(jiān)管，Email:huazi1029@126.com。