■韓素萍（中國海洋大學(xué)經(jīng)濟(jì)學(xué)院）

目前，經(jīng)濟(jì)全球化深入發(fā)展，中美貿(mào)易摩擦的陰影揮之不去，國內(nèi)外市場(chǎng)不確定性增加。國內(nèi)經(jīng)濟(jì)增長(zhǎng)下行壓力持續(xù)上升，企業(yè)經(jīng)營風(fēng)險(xiǎn)接連爆發(fā)，銀行貸款安全受到前所未有的沖擊，不良貸款反彈，信貸風(fēng)險(xiǎn)加大，讓銀行經(jīng)營發(fā)展背上了沉重的包袱。據(jù)統(tǒng)計(jì)，2018 年1-11 月商業(yè)銀行信貸增長(zhǎng)為13.3%，遠(yuǎn)大于GDP 增長(zhǎng)和通貨膨脹率增長(zhǎng)之和(6.7%加2.2%),市場(chǎng)的流動(dòng)性并不缺乏，然2018 年12 月的中央經(jīng)濟(jì)工作會(huì)議中明顯釋放出貨幣政策更為寬松的信號(hào)，利率市場(chǎng)化改革不斷推進(jìn)，作為我國金融中心的商業(yè)銀行，在這樣的大環(huán)境下，信貸風(fēng)險(xiǎn)防控面臨著新的機(jī)遇和挑戰(zhàn)。因此當(dāng)下開展宏觀經(jīng)濟(jì)背景下商業(yè)銀行信用風(fēng)險(xiǎn)的預(yù)警研究，不僅具有重要的理論價(jià)值，還對(duì)于提高上市公司的質(zhì)量，提高商業(yè)銀行對(duì)優(yōu)質(zhì)客戶的篩選，降低信用違約的發(fā)生，增強(qiáng)我國商業(yè)銀行的盈利能力，打造一個(gè)規(guī)范、透明、開放、有活力、有韌性的金融市場(chǎng)具有重要的現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

結(jié)合國內(nèi)外專家學(xué)者對(duì)商業(yè)銀行信用的研究成果，根據(jù)此次研究?jī)?nèi)容需要，筆者將采用的文獻(xiàn)歸結(jié)為以下三類：

（一）關(guān)于商業(yè)銀行信用風(fēng)險(xiǎn)影響因素的研究

從信息經(jīng)濟(jì)學(xué)的視角看，信用風(fēng)險(xiǎn)產(chǎn)生的主要原因是信息不對(duì)稱。Leland 與Pyle（1977）以經(jīng)濟(jì)學(xué)中的逆向選擇和信息不對(duì)稱為依據(jù)建立了信貸模型，認(rèn)為銀行的信用風(fēng)險(xiǎn)產(chǎn)生于放貸決策之前。應(yīng)嫦薇(2017)從理論上闡述商業(yè)銀行信用風(fēng)險(xiǎn)的概念和信息不對(duì)稱問題，指出了我國商業(yè)銀行防范信用風(fēng)險(xiǎn)的有效措施。周宏（2011）根據(jù)中國債券企業(yè)的實(shí)際情況，建立了包含信息不對(duì)稱因素的實(shí)證研究，認(rèn)為正是發(fā)債企業(yè)和投資人間的信息不對(duì)稱導(dǎo)致了我國債券企業(yè)的信用問題。從宏觀經(jīng)濟(jì)的角度看，Harry Huizinga& Luc Laeven（2015）認(rèn)為一國的宏觀經(jīng)濟(jì)發(fā)展是否良好影響銀行的回款速度和借款人的還款力。Jimenez，G.and Saurina(2005）發(fā)現(xiàn)在1984-2003 年西班牙銀行不良貸款的影響因素的研究中，國家貨幣政策對(duì)不良貸款率的影響力最大。從企業(yè)自身的狀況來看，武芳芳[5]將企業(yè)的財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)引入了logistic 回歸模型，發(fā)現(xiàn)兩者對(duì)于企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)同樣具有預(yù)警作用。

（二）關(guān)于商業(yè)銀行信貸風(fēng)險(xiǎn)管理的實(shí)證研究

Altman(1968)構(gòu)建了 5 變量 Z-Score 模型。同時(shí)，于1977年將所利用的變量增加到7 個(gè)，建立了Zeta 模型，完善了傳統(tǒng)的判別分析技術(shù)。Beaver（1966）對(duì)30 個(gè)財(cái)務(wù)指標(biāo)分別建立單變量模型預(yù)測(cè)企業(yè)的違約風(fēng)險(xiǎn)，研究發(fā)現(xiàn)，盈利能力的測(cè)量指標(biāo)預(yù)測(cè)準(zhǔn)確率最高。楊淑娥，黃禮(2005)利用180 個(gè)上市公司的財(cái)務(wù)數(shù)據(jù)，建立了神經(jīng)網(wǎng)絡(luò)模型，模型預(yù)測(cè)準(zhǔn)確率達(dá)到90%。潘澤清采用2015年上市公司的數(shù)據(jù)，基于logistic 回歸模型對(duì)企業(yè)違約風(fēng)險(xiǎn)進(jìn)行預(yù)警，發(fā)現(xiàn)企業(yè)的盈利能力和償債能力是衡量公司是否違約的重要指標(biāo)。

（三）關(guān)于商業(yè)銀行信貸風(fēng)險(xiǎn)管理的理論研究

首先，由亞當(dāng)斯密（1776）在《國富論》中提出了信貸資產(chǎn)管理理論。其次，哈里馬克維茨（1952）在計(jì)量經(jīng)濟(jì)學(xué)中引入了資產(chǎn)管理理論，現(xiàn)在是后金融化危機(jī)時(shí)期，而我國供給側(cè)改革深入發(fā)展，許婉瑩（2017）通過對(duì)現(xiàn)階段商業(yè)銀行信貸風(fēng)險(xiǎn)的影響因素進(jìn)行分析，指出目前利率市場(chǎng)化，互聯(lián)網(wǎng)金融，產(chǎn)業(yè)升級(jí)，金融脫媒等外部因素對(duì)銀行信貸的應(yīng)先加劇。從銀行信貸風(fēng)險(xiǎn)管理的相關(guān)措施來看，張明（2018）通過分析現(xiàn)階段商業(yè)銀行信貸風(fēng)險(xiǎn)的特征，提出了新常態(tài)下我國商業(yè)銀行信貸風(fēng)險(xiǎn)的防控對(duì)策。崔傅成，陶浩（2018）通過分析經(jīng)濟(jì)新常態(tài)下我國商業(yè)銀行不良貸款的成因，指出了當(dāng)前應(yīng)對(duì)信貸風(fēng)險(xiǎn)的具體對(duì)策。

綜合以上文獻(xiàn)來看，我國商業(yè)銀行信貸風(fēng)險(xiǎn)管理上和國外的商業(yè)銀行存在一定的差距。尤其是在信貸風(fēng)險(xiǎn)的預(yù)警和信用風(fēng)險(xiǎn)的評(píng)估方法上，國外的學(xué)者采用歷史的數(shù)據(jù)建立預(yù)警模型實(shí)現(xiàn)對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)的動(dòng)態(tài)評(píng)估，研究較為成熟，能較好的實(shí)現(xiàn)對(duì)未來風(fēng)險(xiǎn)的預(yù)警，實(shí)際意義更突出。而我國對(duì)于信用風(fēng)險(xiǎn)的度量，定量分析的預(yù)警模型起步晚，難以實(shí)現(xiàn)精準(zhǔn)預(yù)警。而且能夠結(jié)合當(dāng)前經(jīng)濟(jì)新常態(tài)的背景，建立商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)警模型，據(jù)此提出對(duì)策建議的文章較少，更增加了本文研究的必要性和重要性。

二、宏觀經(jīng)濟(jì)下我國商業(yè)銀行的信用風(fēng)險(xiǎn)的特征

（一）貸款余額整體穩(wěn)定增長(zhǎng)，貸款結(jié)構(gòu)進(jìn)一步改善

2014-2018 年，全部金融機(jī)構(gòu)各項(xiàng)貸款余額呈逐年增長(zhǎng)趨勢(shì)，由81.7 萬億元逐年增加到136.3 萬億元，年均增長(zhǎng)13.7%。從金融機(jī)構(gòu)貸款時(shí)間來看，2015 年有明顯變化，短期貸款余額增比下降4.6 個(gè)百分點(diǎn)，中長(zhǎng)期貸款余額增比上升4.5 個(gè)百分點(diǎn)，此時(shí)正是積極推進(jìn)實(shí)施新常態(tài)戰(zhàn)略，提出供給側(cè)結(jié)構(gòu)性改革的關(guān)鍵一年，企業(yè)努力尋找生存發(fā)展的機(jī)會(huì)，增加對(duì)中長(zhǎng)期貸款的需求。從金融機(jī)構(gòu)貸款資金的投向看，投資行業(yè)主要以制造業(yè)，基礎(chǔ)設(shè)施行業(yè)，房地產(chǎn)業(yè)為主，截止到2017 年，制造業(yè)占當(dāng)年中長(zhǎng)期貸款的比例為18.3%。

（二）不良貸款額和不良貸款率呈增長(zhǎng)趨勢(shì)

2013 年第一季度到2018 年第四季度，我國商業(yè)銀行不良貸款額呈逐漸增長(zhǎng)的態(tài)勢(shì)，由2013 年底的5921 億元到2018 年底的20254 億元，而且不良貸款率在2013 年-2015 年上升較快，到2016 年第一季度時(shí)，我國商業(yè)銀行不良貸款率達(dá)到1.76 個(gè)百分點(diǎn)，在去產(chǎn)能的同時(shí)增加了對(duì)我國企業(yè)負(fù)債結(jié)構(gòu)的調(diào)整，企業(yè)生產(chǎn)經(jīng)營狀況發(fā)生不良變化，進(jìn)而導(dǎo)致商業(yè)銀行不良貸款也逐漸增多。從不良貸款率來看，我國的次級(jí)類貸款率，可疑類貸款率，損失類貸款率，分別由2013 年底的43%,43%,14%上升到2018 年的72%,82%,28%。從商業(yè)銀行的類型來看，國有商業(yè)銀行和股份制商業(yè)銀行的不良貸款的比重要遠(yuǎn)低于農(nóng)村商業(yè)銀行不良貸款的比重，且國有商業(yè)銀行不良貸款率在2015 年到2017 年間的比重遠(yuǎn)高于其他年份，

三、樣本和變量的選取

（一）樣本的選取

本文考慮到我國上市公司財(cái)務(wù)數(shù)據(jù)的可得性，真實(shí)性和相對(duì)客觀性，以我國滬深A(yù) 股上市制造業(yè)企業(yè)為研究樣本，將上市公司中由于財(cái)務(wù)狀況異常而被特別處理成為ST 公司作為商業(yè)銀行信用風(fēng)險(xiǎn)的標(biāo)志，而非ST 上市制造業(yè)公司作為財(cái)務(wù)狀況健康的公司。

我們以2017 年和2018 年首次被實(shí)施ST 的46 家滬深A(yù) 股制造業(yè)上市公司作為導(dǎo)致商業(yè)銀行出現(xiàn)信用風(fēng)險(xiǎn)的公司。根據(jù)“同行業(yè)，同時(shí)期，同一交易所上市”的原則，按照近似1：1 配比，選擇46家與ST 公司相對(duì)應(yīng)的非ST 上市公司，考慮到研究的需要，這里將每家公司每個(gè)季度的指標(biāo)數(shù)據(jù)看作一個(gè)樣本，這樣樣本一共368 個(gè)，以此作為實(shí)證分析的研究樣本。本文的數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，wind 資訊。

1.變量的選取與檢驗(yàn)

考慮到收集數(shù)據(jù)時(shí)的可得性，真實(shí)性，全面性原則，結(jié)合商業(yè)銀行對(duì)上市公司信用風(fēng)險(xiǎn)的財(cái)務(wù)評(píng)價(jià)指標(biāo)體系設(shè)計(jì)原則主要以系統(tǒng)性，科學(xué)合理性以及可操作性為主。本文參照以往的研究文獻(xiàn)，第一，初選指標(biāo)。在選擇企業(yè)盈利能力、償債能力、經(jīng)營能力、發(fā)展能力、獲現(xiàn)能力，比率結(jié)構(gòu)六個(gè)因素作為財(cái)務(wù)指標(biāo)，引入治理結(jié)構(gòu)一個(gè)非財(cái)務(wù)指標(biāo)。第二篩選指標(biāo)，在初步選取指標(biāo)以后，在通過統(tǒng)計(jì)檢驗(yàn)，篩選出比較顯著的指標(biāo)，作為模型的自變量。

2.數(shù)據(jù)預(yù)處理

雖然各個(gè)指標(biāo)都是以“比”的形式存在，但是發(fā)現(xiàn)不同指標(biāo)變量下的數(shù)據(jù)變化范圍相差較大，為了使得數(shù)據(jù)具有可比性，據(jù)標(biāo)準(zhǔn)化為均值0 和標(biāo)準(zhǔn)差為1 的數(shù)據(jù)，對(duì)樣本進(jìn)行標(biāo)準(zhǔn)化處理。

3.指標(biāo)預(yù)選

根據(jù)以往學(xué)者的研究，我們研究的上市制造業(yè)公司的財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)如下：資產(chǎn)報(bào)酬率X11，總資產(chǎn)凈利潤(rùn)率X12，凈資產(chǎn)收益率X13，營業(yè)凈利率X14，每股收益X15，每股凈資產(chǎn)X16，流動(dòng)比率X21，速動(dòng)比率X22，現(xiàn)金比率X23，資產(chǎn)負(fù)債率X24，產(chǎn)權(quán)比率X25，應(yīng)收賬款周轉(zhuǎn)率X31，存貨周轉(zhuǎn)率X32，總資產(chǎn)周轉(zhuǎn)率X33，流動(dòng)資產(chǎn)周轉(zhuǎn)率X34，固定資產(chǎn)周轉(zhuǎn)率X35，資本積累率X41，總資產(chǎn)增長(zhǎng)率X42，全部現(xiàn)金回收率X51，現(xiàn)金再投資比率X52，流動(dòng)資產(chǎn)比率X61，現(xiàn)金資產(chǎn)比率X62，營運(yùn)資金比率X63，固定資產(chǎn)比率X64，所有者權(quán)益比率X65，流動(dòng)負(fù)債比率X66，公司第一大股東持股比例X71，Herfindahl 指數(shù)X72。

（1）指標(biāo)檢驗(yàn)與篩選

首先采用Kolmogorov-Smirnov檢驗(yàn)看指標(biāo)是否服從正態(tài)分布，如果指標(biāo)變量服從正態(tài)分布，再進(jìn)行指標(biāo)顯著性的參數(shù)檢驗(yàn)，如果指標(biāo)變量不服從正態(tài)分布，則進(jìn)行指標(biāo)顯著性的非參數(shù)檢驗(yàn)。K-S檢驗(yàn)的原假設(shè)是樣本變量服從正態(tài)分布，如果不拒絕原假設(shè)，則說明變量是服從正態(tài)分布的，否則，說明變量不服從正態(tài)分布的。檢驗(yàn)結(jié)果可知，所有指標(biāo)變量的P 值均小于0.05，在5%的顯著性水平下拒絕正態(tài)分布的零假設(shè)，即所有變量均不服從正態(tài)分布。

（2）指標(biāo)顯著性檢驗(yàn)

為了找出信用健康的公司與信用異常的公司存在顯著性差異的指標(biāo)，對(duì)指標(biāo)進(jìn)行顯著性檢驗(yàn)。由于所有變量不服從正態(tài)分布，且兩組樣本獨(dú)立，所以我們?cè)诓捎梅菂?shù)檢驗(yàn)--Wilcoxon 秩和檢驗(yàn)。Wilcoxon 秩和檢驗(yàn)的原假設(shè)是某個(gè)變量不能區(qū)分兩樣本總體，兩獨(dú)立樣本總體不存在均值差異。檢驗(yàn)結(jié)果知，X24，X25，X31，X61，X65，X66 在1%的顯著性水平下沒有通過顯著性檢驗(yàn)，其余變量在1%的顯著性水平下均值差異顯著。

（3）指標(biāo)篩選的結(jié)果

由前面的分析知，能夠篩選出對(duì)ST 和非ST 公司呈顯著性差異的指標(biāo)共有22 個(gè)，用這些指標(biāo)來構(gòu)建商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)警模型。篩選出的這些指標(biāo)如表所示：資產(chǎn)報(bào)酬率X11，總資產(chǎn)凈利潤(rùn)率X12，凈資產(chǎn)收益率X13，營業(yè)凈利率X14，每股收益X15，每股凈資產(chǎn)X16，流動(dòng)比率X21，速動(dòng)比率X22，現(xiàn)金比率X23，存貨周轉(zhuǎn)率X32，總資產(chǎn)周轉(zhuǎn)率X33，流動(dòng)資產(chǎn)周轉(zhuǎn)率X34，固定資產(chǎn)周轉(zhuǎn)率X35，資本積累率X41，總資產(chǎn)增長(zhǎng)率X42，全部現(xiàn)金回收率X51，現(xiàn)金再投資比率X52，現(xiàn)金資產(chǎn)比率X62，營運(yùn)資金比率X63，固定資產(chǎn)比率X64，公司第一大股東持股比例X71，Herfindahl 指數(shù)X72。

四、實(shí)證分析

（一）因子分析

經(jīng)變量篩選與檢驗(yàn)我們得到了22 個(gè)預(yù)警指標(biāo)。但是這22 個(gè)指標(biāo)的數(shù)量仍然較多，且存在著較強(qiáng)的相關(guān)性，于是我們采用因子分析法，對(duì)一系列指標(biāo)提取公因子，以少數(shù)因子來替代眾多原始指標(biāo)的信息量。

1.檢驗(yàn)樣本數(shù)據(jù)能否進(jìn)行因子分析：

采用Bartlett 檢驗(yàn)和KMO 檢驗(yàn)是否適合做因子分析。原假設(shè)各變量之間相互獨(dú)立，但檢驗(yàn)發(fā)現(xiàn)在1%的顯著性水平下P 值為0，拒絕原假設(shè)，適合做因子分析。且采用KMO 值為0.68，大于0.5，也表示適合做因子分析。

2.判斷需要提取的公因子數(shù)以及提取公因子

根據(jù)一般的研究，累計(jì)貢獻(xiàn)率在60%以上就可以，由碎石圖和Kaiser-Harris 準(zhǔn)則建議選出主因子7 個(gè)，累計(jì)貢獻(xiàn)率可以達(dá)到70%，說明前7 個(gè)因子包含了全部指標(biāo)信息的70%，對(duì)原有變量的解釋程度高。

3.因子旋轉(zhuǎn)與因子解釋

因子1 中載荷量較大的指標(biāo)包括X11 資產(chǎn)報(bào)酬率，X12 總資產(chǎn)凈利潤(rùn)率，X13 凈資產(chǎn)收益率。因此我們稱因子1 為盈利與資產(chǎn)因子。因子2 中載荷量較大的指標(biāo)包括X32 存貨周轉(zhuǎn)率，X33 總資產(chǎn)周轉(zhuǎn)率，X34 流動(dòng)資產(chǎn)周轉(zhuǎn)率，所以我們稱因子2 為經(jīng)營能力因子。因子3 中載荷量較大的指標(biāo)包括X71 公司第一大股東持股比例，X72 Herfindal 指數(shù)，因此我們稱因子3 為治理結(jié)構(gòu)因子。因子4載荷量較大的指標(biāo)包括X41 資本積累率，X42 總資產(chǎn)增長(zhǎng)率，因此我們稱因子4 為發(fā)展能力因子。因子5 中載荷量較大的指標(biāo)主要包括X14 營業(yè)凈利率，X23 現(xiàn)金比率，因此我們稱因子5 為現(xiàn)金收入因子。因子6 中載荷量較大的指標(biāo)X15 每股收益，X16 每股凈資產(chǎn)，所以我們稱因子6 為每股收益與資產(chǎn)因子。因子7 中載荷量較大的指標(biāo)包括X64 固定資產(chǎn)比率，X63 營運(yùn)資金比率，X62 現(xiàn)金資產(chǎn)比率。因此我們稱它為比率結(jié)構(gòu)因子。

（二）信用風(fēng)險(xiǎn)預(yù)警模型建立

（1）我們對(duì)指標(biāo)進(jìn)行因子分析，將7 個(gè)因子的得分作為自變量，進(jìn)行商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)警 Logistic 模型的建立。得出以下結(jié)果：自變量RC1 和RC4 在5%的顯著性水平下通過變量的顯著性檢驗(yàn)，RC6 在0.1%的顯著性水平下通過變量的顯著性檢驗(yàn)，RC7 在10%的顯著性水平下通過變量的顯著性檢驗(yàn)，即RC1，RC4，RC6 和RC7 對(duì)因變量具有較好的解釋作用?？紤]使用逐步回歸剔除不顯著的因子，

由表9 得到，如果剔除不顯著的因子以后，僅對(duì)因子1，因子4，因子6 和因子7 進(jìn)行l(wèi)ogistic 回歸，AIC 值由418.13 降到了414.36，說明進(jìn)行逐步回歸保留了相對(duì)重要的變量。

（2）解釋模型參數(shù)

由于在logistic 回歸中，響應(yīng)變量是logit(p)，即Y=1 的對(duì)數(shù)優(yōu)勢(shì)比，而對(duì)數(shù)優(yōu)勢(shì)比的解釋性較差，所以可以對(duì)回歸系數(shù)進(jìn)行指數(shù)化，然后得到回歸模型進(jìn)行參數(shù)解釋。

表1 回歸參數(shù)指數(shù)化的結(jié)果

表達(dá)式如下：

通過表1 可以看到，RC1，RC4，RC6，RC7 在 0.05 的顯著性水平下存在顯著的正向影響，表明這四者的增加證明公司為非ST的企業(yè)的可能性較大，企業(yè)朝著信用健康的方向發(fā)展，商業(yè)銀行的信用風(fēng)險(xiǎn)此時(shí)較低。這也是與實(shí)際相符合的。而且我們發(fā)現(xiàn)保持RC1，RC4，RC7 不變，RC6 每股收益與資產(chǎn)因子每增加一單位，公司為非ST 的優(yōu)勢(shì)比乘以3.825237，即上市公司出現(xiàn)財(cái)務(wù)健康的概率較大，商業(yè)銀行面臨的信用風(fēng)險(xiǎn)較低。當(dāng)保持RC4，RC6，RC7 不變時(shí)，RC1 盈利與資產(chǎn)因子每增加一單位，企業(yè)為非ST 的概率上升，公司為非ST 的優(yōu)勢(shì)比將乘以2.95，即上市公司出現(xiàn)財(cái)務(wù)健康的概率較大，商業(yè)銀行面臨的信用風(fēng)險(xiǎn)較小。比較符合實(shí)際。在檢驗(yàn)顯著的因子中，RC1 盈利與償債因子和RC6 每股收益與資產(chǎn)因子對(duì)于上市公司是否為非ST 的影響較大，而每股指標(biāo)是盈利能力的一部分，可見，盈利能力對(duì)于上市公司來說是至關(guān)重要的，一般而言，盈利能力與償債能力是商業(yè)銀行進(jìn)行放貸時(shí)必須考慮的因素，所以這與實(shí)際情況是相符的。

（3）模型系數(shù)綜合檢驗(yàn)

模型各變量通過顯著性檢驗(yàn)的同時(shí)還需確保整個(gè)模型是顯著的，只有這樣才能確保模型是正確的，有意義的。于是，我們對(duì)模型進(jìn)行卡方檢驗(yàn)，結(jié)果發(fā)現(xiàn)，隨著變量從第一個(gè)到最后一個(gè)逐個(gè)加入模型，模型最終通過顯著性檢驗(yàn)。

（4）模型擬合優(yōu)度檢驗(yàn)

為了能夠比較模型的預(yù)測(cè)值與實(shí)際值之間的差異情況采用HL統(tǒng)計(jì)量進(jìn)行檢驗(yàn)，原假設(shè)為“模型的預(yù)測(cè)值與實(shí)際值不存在差異”。發(fā)現(xiàn)Hosmer 和 Lemeshow 檢驗(yàn) P 值為 0.14，接受了原假設(shè)，實(shí)際值與預(yù)測(cè)值沒有明顯差異，證明了該模型擬合較好。

（5）模型預(yù)測(cè)效果檢驗(yàn)

將2017年到2018年92家公司構(gòu)成的368條樣本數(shù)據(jù)代回模型，可得模型預(yù)測(cè)準(zhǔn)確度的百分比，ST 公司賦值0，非ST 公司賦值1。

表1 判別效果表

由于我們這里定義概率值大于0.5的為非ST上市公司，小于0.5的為ST 上市公司。由表4-8 可知，ST 公司仍然被預(yù)測(cè)為ST 公司的準(zhǔn)確率為81%。非ST 公司被預(yù)測(cè)為非ST 公司的準(zhǔn)確率為82%。總體預(yù)測(cè)準(zhǔn)確率為81%。該模型具有相對(duì)較好的準(zhǔn)確性。

五、經(jīng)濟(jì)新常態(tài)下商業(yè)銀行應(yīng)對(duì)信用風(fēng)險(xiǎn)的對(duì)策

（一）順應(yīng)宏觀經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)演變趨勢(shì)，降低行業(yè)性風(fēng)險(xiǎn)

我國之所以進(jìn)行供給側(cè)結(jié)構(gòu)性改革，說明我國經(jīng)濟(jì)下行是由于結(jié)構(gòu)出了問題。由前面的分析我們知道，當(dāng)前我國商業(yè)銀行的貸款主要集中在房地產(chǎn)業(yè)，基礎(chǔ)設(shè)施和制造行業(yè)。因此商業(yè)銀行應(yīng)當(dāng)加強(qiáng)對(duì)信貸企業(yè)行業(yè)風(fēng)險(xiǎn)的審核，尤其對(duì)成長(zhǎng)性的新興產(chǎn)業(yè)加強(qiáng)信貸風(fēng)險(xiǎn)的防控。

（二）切實(shí)推進(jìn)去杠杠策略，降低企業(yè)債務(wù)違約風(fēng)險(xiǎn)

“去杠桿”是要降低企業(yè)長(zhǎng)期性的債務(wù)風(fēng)險(xiǎn)。因此對(duì)企業(yè)來說，應(yīng)當(dāng)積極改善企業(yè)債務(wù)結(jié)構(gòu)，增加權(quán)益資本比重。而銀行應(yīng)當(dāng)通過完善經(jīng)營管理制度，規(guī)范資產(chǎn)質(zhì)量，加強(qiáng)貸款管理，降低不良資產(chǎn)形成，切實(shí)落實(shí)去杠桿的策略。

（三）從流程上防控風(fēng)險(xiǎn)，豐富信用風(fēng)險(xiǎn)管理的手段

無論是企業(yè)還是銀行，風(fēng)險(xiǎn)出現(xiàn)一定是流程上出現(xiàn)了問題。資金的進(jìn)進(jìn)出出，來龍去脈如果清清楚楚，風(fēng)險(xiǎn)管理的手段多種多樣，便可以在一定程度上避免風(fēng)險(xiǎn)的發(fā)生。因此在經(jīng)濟(jì)壓力下行的背景下，我國商業(yè)銀行應(yīng)當(dāng)從流程上對(duì)信貸資金把關(guān)，加強(qiáng)對(duì)信貸人員的職業(yè)素質(zhì)培訓(xùn)，實(shí)現(xiàn)部門與部門之間的協(xié)同監(jiān)督，多措并舉有效防止不良貸款出現(xiàn)，降低不良貸款率。