唐煜 崔海浪

[摘 要]隨著消費(fèi)觀念的逐漸改變，我國(guó)居民信用卡持卡率逐年攀升，但信用卡逾期問(wèn)題卻成為困擾大多數(shù)銀行的一大問(wèn)題。本文以客戶過(guò)去兩年是否為違約客戶（Y）為因變量，以個(gè)人短期消費(fèi)負(fù)債在總負(fù)債中的比率（X1）、年齡（X2）、30-59天逾期還款（X3）等8個(gè)指標(biāo)為自變量構(gòu)建判別函數(shù)，試圖為個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的構(gòu)建提供新的思路。

[關(guān)鍵詞]Fisher判別法;個(gè)人信用風(fēng)險(xiǎn);風(fēng)險(xiǎn)評(píng);判別函數(shù)

隨著消費(fèi)觀念的逐漸改變，我國(guó)居民的信用卡持卡率逐年攀升。根據(jù)中國(guó)人民銀行所發(fā)布的《金融機(jī)構(gòu)本外幣信貸收支表》，2019年9月我國(guó)個(gè)人短期消費(fèi)信貸規(guī)模已經(jīng)達(dá)到95303.17億元，信用卡的發(fā)卡量9.7億張，達(dá)到了平均每人0.7張的水平，信用卡業(yè)務(wù)已然成為銀行業(yè)的一大支柱型業(yè)務(wù)。但是，央行發(fā)布的數(shù)據(jù)表明，信用卡逾期半年未償信貸總額高達(dá)880.98億元，占個(gè)人短期信貸總額的0.93%，環(huán)比增長(zhǎng)16.43%。由此可見(jiàn)，個(gè)人信用風(fēng)險(xiǎn)問(wèn)題所產(chǎn)生的影響已經(jīng)越來(lái)越大，應(yīng)該引起我國(guó)商業(yè)銀行業(yè)的重視。

1 國(guó)內(nèi)外文獻(xiàn)綜述

信用風(fēng)險(xiǎn)評(píng)估是指商業(yè)銀行運(yùn)用評(píng)估技術(shù)對(duì)可能引起貸款風(fēng)險(xiǎn)的因素進(jìn)行定性分析和定量計(jì)算，目的在于測(cè)度借款人的違約概率，從而為貸款決策提供依據(jù)[1]。學(xué)界對(duì)于商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估問(wèn)題的探索最早開(kāi)始于二十世紀(jì)三十年代，但直到二十世紀(jì)六十年代后，信用風(fēng)險(xiǎn)評(píng)估問(wèn)題才開(kāi)始廣泛引起學(xué)者關(guān)注。以Jung和Allen為代表的早期學(xué)者的研究主要基于經(jīng)驗(yàn)總結(jié)。其中，以“5C”要素分析法、LAPP原則、財(cái)務(wù)比率分析法等方法為代表的早期研究成果，其研究邏輯都是基于挖掘逾期貸款人的共同特征來(lái)預(yù)測(cè)相似特征的貸款者逾期概率來(lái)開(kāi)展的[2]。但因?yàn)楫?dāng)時(shí)的逾期特征的發(fā)掘都是基于研究者經(jīng)驗(yàn)來(lái)開(kāi)展的，所以后來(lái)的學(xué)者往往以主觀性較強(qiáng)以及外部性較弱的問(wèn)題對(duì)前人成果進(jìn)行詬病[3]。八十年代后，隨著統(tǒng)計(jì)學(xué)量化研究方法的逐漸成熟，為了克服特征挖掘的主觀性和局限性，學(xué)者開(kāi)始廣泛采用統(tǒng)計(jì)分析方法進(jìn)行定量研究，其中所涵蓋的模型大都可以歸為以下兩類：信用評(píng)分模型和現(xiàn)代信用風(fēng)險(xiǎn)度量模型[4]。信用評(píng)分模型是建立于基于財(cái)務(wù)指標(biāo)的信用評(píng)分模型，主要有線性比率模型、logit 模型、probity模型、判別分析模型等?，F(xiàn)代信用風(fēng)險(xiǎn)度量模型是以違約概率、預(yù)期損失率為核心指標(biāo)的度量模型，如Metrics模型、KMV 模型、Credit Risk+，Portfolio View 模型等。而后，學(xué)者們結(jié)合銀行的海量數(shù)據(jù)，開(kāi)始將大數(shù)據(jù)技術(shù)（如神經(jīng)網(wǎng)絡(luò)）引入個(gè)人信用風(fēng)險(xiǎn)評(píng)估的研究，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）等。為了進(jìn)一步完善改領(lǐng)域的研究，本研究將提出一套新的測(cè)量體系，并采用Fisher判別分析法建立判別函數(shù)，為我國(guó)商業(yè)銀行的個(gè)人信用風(fēng)險(xiǎn)問(wèn)題的提供新的指標(biāo)體系。

從指標(biāo)層面來(lái)看，個(gè)人信用風(fēng)險(xiǎn)問(wèn)題研究的量化指標(biāo)體系仍然存在不小的分歧。Altman和Kao（1985）利用現(xiàn)金流/總負(fù)債、保留盈余/總資產(chǎn)、總負(fù)債/總資產(chǎn)、現(xiàn)金流/銷售收入等財(cái)務(wù)指標(biāo)建立了分類樹(shù)，并以此對(duì)個(gè)人信用風(fēng)險(xiǎn)進(jìn)行研究[1]。Lundy（1993）用k近鄰判別法通過(guò)對(duì)申請(qǐng)者年齡、職業(yè)、婚姻狀況、居住條件等回歸分析對(duì)消費(fèi)貸款申請(qǐng)者的信用評(píng)估[1]。王春峰、萬(wàn)海輝（1999）采用流動(dòng)性、盈利性等二十余個(gè)財(cái)務(wù)數(shù)據(jù)進(jìn)行SAS逐步回歸后降維形成六個(gè)比率并以此建立組合預(yù)測(cè)模型對(duì)商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行量化評(píng)估[5]。 FICO采用五維度評(píng)分指標(biāo)：信用償還歷史、信用賬戶數(shù)，使用信用年限、正在使用的信用類型以及新開(kāi)立的信用賬戶數(shù)對(duì)個(gè)人信用進(jìn)行總分為300到850分的評(píng)分，根據(jù)信用得分確定客戶的信用等級(jí)：AAA、AA、A、BBB、BB、B、C，以及放款數(shù)和放款時(shí)間[6]。張貴清（2005）選擇來(lái)自某商業(yè)銀行的《信貸管理系統(tǒng)》中的建模指標(biāo)分別為銷售毛利潤(rùn)率、總資產(chǎn)報(bào)酬率、資產(chǎn)負(fù)債率、利息保障倍數(shù)、流動(dòng)比率等，通過(guò)多元判別分析法構(gòu)建判別函數(shù)[7]。張雪麗（2011）基于Fisher判別分析認(rèn)為個(gè)人信貸風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的構(gòu)建需要遵循全面性、重要性、科學(xué)性、公正性、操作性原則并由此選出基本情況、償債能力、穩(wěn)定性以及與本行關(guān)系4類指標(biāo)來(lái)建立判別函數(shù)并系統(tǒng)測(cè)量個(gè)人信用風(fēng)險(xiǎn)[8]。以上指標(biāo)構(gòu)建的出發(fā)點(diǎn)大致可以歸為以下幾類：財(cái)務(wù)指標(biāo)類、人口統(tǒng)計(jì)類以及歷史數(shù)據(jù)類。本文將延續(xù)利用歷史數(shù)據(jù)變量構(gòu)建指標(biāo)體系的邏輯，并結(jié)合商業(yè)銀行具體數(shù)據(jù)運(yùn)用判別分析方法建立模型，為個(gè)人信用風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建提供新的思路、變量與架構(gòu)。

2 樣本及數(shù)據(jù)情況

本文數(shù)據(jù)來(lái)自某跨國(guó)商業(yè)銀行，通過(guò)隨機(jī)從銀行數(shù)據(jù)庫(kù)中截取過(guò)去兩年客戶信用卡信貸數(shù)據(jù)共300筆。共選取9個(gè)變量：客戶過(guò)去兩年是否為違約客戶（Y）、個(gè)人短期消費(fèi)負(fù)債在總負(fù)債中的比率（X1）、年齡（X2）、30-59天逾期還款（X3）、60-89天逾期還款（X4）、90天以上逾期還款（X5）、信用卡開(kāi)卡數(shù)（X6）、除自己外的家庭成員數(shù)（X7）、貸款在家庭總資產(chǎn)中所占比率（X8）。

3 SPSS輸出結(jié)果

3.1 分析個(gè)案處理摘要

通過(guò)“選擇個(gè)案”的設(shè)置，我們按照訓(xùn)練樣本與驗(yàn)證樣本2：1的原則，選擇出了接近66%的個(gè)案數(shù)197個(gè)成為訓(xùn)練樣本，參與判別函數(shù)的構(gòu)建。剩余34.3%的個(gè)案，共103個(gè)，成為驗(yàn)證樣本，用于檢驗(yàn)判別函數(shù)的準(zhǔn)確性。

3.2 變量多重共線性檢驗(yàn)

在對(duì)數(shù)決定因子表格中，逾期組與未逾期組的秩與變量數(shù)均為8，且對(duì)數(shù)行列式不為零。以上兩點(diǎn)均說(shuō)明變量間不存在多重共線性

3.3 模型系數(shù)

如上圖所示，總的來(lái)講，正確地對(duì)93.5%個(gè)選定的原始已分組個(gè)案進(jìn)行分類，正確地對(duì)90.0%個(gè)未選定的原始已分組個(gè)案進(jìn)行分類。但是，值得注意的是，判別函數(shù)的對(duì)逾期的預(yù)測(cè)準(zhǔn)確率較低，而逾期準(zhǔn)確率卻是銀行最為關(guān)心的數(shù)據(jù)。因此模型仍然存在改進(jìn)之處。

4 結(jié)論

本研究通過(guò)截取某跨國(guó)商業(yè)銀行的近兩年的數(shù)據(jù)，并依據(jù)負(fù)債比率（X1）、年齡（X2）以及30-59天逾期還款次數(shù)（X3）等8個(gè)變量試圖建立新的個(gè)人信用風(fēng)險(xiǎn)測(cè)量體系。通過(guò)Fisher判別分析的建模與驗(yàn)證，本文所建立的判別函數(shù)預(yù)測(cè)準(zhǔn)確率達(dá)到90%以上。其中，負(fù)債比率（X1）、年齡（X2）以及30-59天逾期還款次數(shù)（X3）在判別函數(shù)中占據(jù)著相對(duì)重要的地位，因此應(yīng)當(dāng)引起銀行貸款部門的重視。但本研究的不足之處在于，因數(shù)據(jù)獲取受限導(dǎo)致數(shù)據(jù)樣本較小，判別函數(shù)的準(zhǔn)確性仍需要進(jìn)一步的驗(yàn)證。

【參考文獻(xiàn)】

[1] 柯孔林，周春喜.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方法研究述評(píng)[J].商業(yè)經(jīng)濟(jì)與管理，2005（6）.

[2] 陳傳剛，高凌云.基于判別分析法的個(gè)人抵押貸款違約風(fēng)險(xiǎn)實(shí)證研究[J].山東行政學(xué)院學(xué)報(bào)，2014（8）.

[3] 呂曉芳.基于因子分析的我國(guó)中小企業(yè)貸款信用風(fēng)險(xiǎn)評(píng)價(jià)研究[J].中國(guó)管理信息化，2013（11）.

[4] 胡勝.距離判別方法在我國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[J].開(kāi)發(fā)研究，2011（3）.

[5] 王春峰，萬(wàn)海暉，張維.組合預(yù)測(cè)在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].管理工程學(xué)報(bào)，1999（1）.

[6] 余炫樸，李志強(qiáng)，段梅.個(gè)人信用評(píng)分體系比較研究及其當(dāng)代價(jià)值[J].江西師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2019（7）.

[7] 張貴清，劉樹(shù)林.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)級(jí)實(shí)證分析[J].河北經(jīng)貿(mào)大學(xué)學(xué)報(bào)，2005（7）.

[8] 張雪麗，朱天星，于立新.基于判別分析的商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)價(jià)模型研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2011（10）.