摘要:科技型企业作为国民经济中一支活跃的力量,已逐渐引起各个银行的重视。但是对科技型企业信用风险的度量,国内尚无合适的方法。文章试通过对国际上较先进的信用风险度量模型进行介绍、比较,从而选取适合我国科技型企业的度量模型。
关键词:科技型企业 信用风险 Logistic回归模型
科技型企业在生产经营过程中,资本金主要靠自我积累和银行信贷,银行借款成为其最主要的外部资金来源。然而,由于银行对科技企业的风险识别能力有限,加之信贷市场中的逆向选择和道德风险的存在,银行对科技企业贷款一直持谨慎态度。近年来,我国利率市场,特别是小额贷款的利率正逐步放开,商业银行为增加利润来源,渐渐趋向于各科技企业贷款。不过,科技企业贷款业务为银行带来利润的同时,也带来了较大的信用风险。因此,对于科技型企业的信用风险度量方法的选择,成为了各家银行急迫解决的问题。
一、古典信用风险度量模型
1.古典信用分析。古典信用分析属于定性分析,是银行最基本的信用风险度量方法。银行业在发展过程中为控制信用风险早已形成了一些有用的信用风险管理技术,如常见的5C法和5P法。5C法从以下五个方面对借款人的信用进行考察:品格、资本、偿付能力、抵押品、周期状况。5P法将以下五个因素作为银行判断企业信用的准则:个人状况、借款用途、还款来源、债权保障和未来前景。古典信用分析过分依赖专家的主观经验判断,不同专家对同一借款人会做出不同的判断,扭曲借款人真正的信用品质,同时它也缺乏为信用风险定价的市场机制,难以满足信用风险评估日益发展的要求。
2.多元统计分析。即利用统计方法把企业违约概率评估看成是模式识别中的分类问题——根据贷款企业的财务、非财务状况,将其分为正常和违约两类,或根据已评级级别结果分为多类,这样企业违约概率评估就转化为统计中的分类问题。根据历史样本每个类别(两类或多类),从数据中找出规律,总结出分类的规则,建立评估模型,然后用于对新样本的判别,这些判别的结果隐含着不同企业的综合得分或者说企业竞争力排序。国外关于违约概率评估研究,主要集中于违约的定性测度方法,然后根据结果,通过违约频率统计获得违约概率。按违约测度方法分:有线性判别模型,Logistic模型,神经网络模型等;按变量数分有单变量(Fitzpatrick,1932;Beaver,1966)和多变量方法;按变量性质分有定量变量,定性变量,混合变量。
多元统计分析最初表现为多元线形判别分析模型,包括Z计分模型和ZETA模型。此后又产生了另一种多元线性方法——线形概率模型,其典型代表有Logistic回归分析模型,随后又有像神经网络、遗传算法、线形规划等方法的信用风险模型的诞生。