论文部分内容阅读
一、引言
信用风险，指的是在商业交易中由于交易一方的违约，使交易另一方应得的预期现金流量的现值减少而遭受损失的风险。信用风险是商业银行面临的主要风险之一，信用风险的度量是商业银行进行信用管理的核心问题, 对信用风险的准确度量和有效管理, 有利于商业银行经营的安全性, 也有利于金融体系整体的稳定和国民经济的持续健康发展。违约率、赔付率和违约相关性是衡量信用风险大小的主要参数，其中违约率是度量和管理信用风险的出发点和关键。
信用风险度量模型又可以称为企业财务困境研究，二者的本质相同，只是出发点不同。由于企业在银行的债务和履约情况的数据很难得到，以往大多数研究集中于企业财务困境研究。对企业财务困境研究最早的是Fitzpatrick(1932)，他发现破产企业的财务比率一般较差，Beaver(1966)、Altman(1968)分别采用单变量分析法和多变量分析法对企业的财务比率进行了研究，后者还建立了由五个参数组成的Z-Score 模型。除了传统的判别分析外，Martin (1977)建立了logistic模型用来预测企业的破产和违约概率，Ohlson(1980)建立了Logit模型，Zmijewski (1984) 使用Probit分析模型，Libby（1975）第一次将主成分分析方法引入了判别分析模型以克服自相关问题。而且近年来基于市场价值的现代信用风险度量模型在国际金融界得到很高的重视和相当大的发展，包括KMV推出的期望违约概率模型，JP摩根银行推出的以VAR为基础的credit metics模型等。
随着商业银行信用风险管理在国内商业银行风险管理中重要性的日益显现，国内关于商业银行信用风险管理的文献大量涌现，王春峰等(1998)将判别分析法应用于我国商业银行信用风险评估，通过与Logit方法相比较,研究了判别分析法的有效性。梁琪（2005）结合主成分分析法构造了logistic回归分析模型，发现该方法优于简单的logistic模型。吴世农、卢贤义（2001）利用1998-200年A股市场ST公司数据，比较了多元判别分析、线性概率模型和Logistic模型的预测效果，发现logsitic模型的预测能力最强。此外，还有陈静（1999）、张玲（2000）、梁琪（2003）、柯孔林和薛锋（2004）、李志辉和李萌（2005）等，均从不同侧面使用判别模型或扩展后的判别模型对我国的商业银行信用作了实证分析。马九杰，郭宇辉，朱勇（2004）通过问卷调查方式，利用所得资料采用logit模型对我国县域中小企业贷款违约情况进行实证分析，但是存在样本过小的问题。
总体而言，由于搜集非上市公司的财务数据异常困难，以往的研究主要从上市公司中选取样本; 且因受数据来源所限(上市公司的履约情况和债项特征属于内部机密, 一般研究人员很难获得) , 几乎所有研究都是以上市公司被宣布特别处理（ST）作为财务困境标志，建立的评估模型以线性判别分析为主。由于样本地选择缺乏代表性，由模型估计所得到的结果很大程度上不能真实反映影响商业银行预期违约概率的主要指标，从而得出的结论缺乏应用性。而本文以甘肃某城市商业银行2005年诚信企业和违约企业财务数据为基础，并对指标进行严格筛选，以贷款企业违约与否作为信用风险高低的衡量标准,运用判别分析和logistic 回归分析，得出影响我国城市商业银行贷款企业预期违约概率的的最具解释能力的财务指标，从而对城市商业银行有效地识别和评估信用风险以及做出合理的贷款决策具有重要的应用价值。
本文即是从贷款企业的财务指标入手，通过判别分析和logistic 回归分析，构建衡量企业信用状况的模型，并通过实征研究考察模型的适用性。本文的结构安排如下：第二部分样本选取与建模变量筛选；第三部分运用判别分析和logistic回归分析方法进行实证分析；第四部分对实证结果给出进一步的分析；第五部分给出结论并总结全文。
二、样本选取与建模变量筛选
（一）指标的选取
研究选择的财务数据全部来自于贷款企业的财务报表，在参考了已有文献以及考虑到实际数据可得性的基础上，本文选取了21个能够反映企业景气、流动性、盈利性、清偿性、成长性以及其他初始指标，指标名称、财务比率名称以及符号具体见表一。
由于X19股东权益比率，X20负债合计/资本和X13资产负债率存在多重共线性，因此剔除X19，X20，同时由于数据存在较多缺失，剔除X17财务杠杆效应，X18企业留存/总资产，X21流通股股本的市场价值/总负债。因此，模型最初选取了景气指标、流动性指标、盈利性指标、清偿性指标、增长型指标等五大类共计16个指标。
（二）样本的选取
鉴于数据的可得性，本文从我国某城市商业银行信贷信息管理系统中选取2005年在该行有贷款且财务数据较为齐全的186家企业作为研究样本。
我们将186家企业分为诚信企业和违约企业两组，其中诚信企业92家，违约企业94家。剔除资产负债率大于1，速动比率大于流动比率以及具有特殊异常值的企业，剩下总样本122家，诚信企业58家，违约企业64家。如果样本中存在缺失值，则由该样本前三年的平均值替代，若历史数据也缺失，则以所在组企业的平均值替代，最后选择的有效样本数为122家。
三、实证检验
本文将分别使用线性判别模型和logistic模型进行实证分析，采用逐步选择方法选择最优解释变量，以对影响我国城市商业银行信用风险的因素做出判断，同时对两种模型下得到的实证结果作进一步的比较分析，并将结果置于中国银行业改革的背景下做出进一步的揭示。本文将采用逐步选择法，一方面利于节约资源，另一方面易于对结果进行分析。
（一）线性判别模型
考虑到通常各变量在判别式中的判别能力不同，本文选取逐步判别法作为判别分析方法，这一方法的优点是将判别能力较差的变量从判别式剔除，仅保留具有显著性的解释变量。
首先我们将诚信企业定义为1，将违约企业定义为0，运用SPSS13.0进行逐步判别法，经过三步筛选最终得到最具解释力的财务指标：应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13），得到的结果见表二 。由表二可知，Wilks'Lambda 达到了0.868，Wilks’Lambda对应的Chi-square统计量为16.647，自由度为3，显著性为0.001。显著性<0.05，因此判别函数判别能力达到显著水平。
其次，利用已入选的变量建立Fisher线性判别函数。建立的判别函数为：
Y1=-3.576+0.021X1+2.716X8+11.100X13 （1）
Y2=-4.815+0.039X1+0.845X8+13.425X13 （2）
判别函数（1）和（2）中，应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13）这三个指标分别从景气、盈利性和清偿性三个方面揭示了影响我国城市商业银行贷款企业信用风险的大小。应收帐款反映了企业管理者对企业拥有的应收帐款资产的有效利用程度，应收帐款周转速度越快表明企业资产发挥的效率越大。主营业务利润率是衡量企业主营业务创造利润的能力的指标，该指标越大说明利润来源更稳定可靠，企业经营越稳健。资产负债率是衡量企业资本结构的指标，该指标并非越大越好，提高在获得税盾优势的同时也加大了企业经营的风险
最后，根据判别函数（1）、（2）得到模型的判别效果如下：
由表三可知，根据普通方法对判别函数的判别效果进行验证，模型的准确率为65.6%，其中对诚信企业的准确率64.1%，对违约企业判别的准确率为67.2%，可见模型对于违约企业判定的准确率要高于诚信企业。使用交叉验证（Cross valadation）方法对判别模型的判定效果进行检验，模型的准确率略低于普通方法的判别效果，总准确率为64.8%，诚信企业为62.5%，违约企业为67.2%，模型对于违约企业判定的判别率仍然高于诚信企业。
在信用风险识别模型中，存在着两类错误，即：将高风险企业误认为低风险企业与将低风险企业误认为高风险企业。显然，第一类错误会给银行带来更大的风险，后者最多只会降低银行的潜在收益。从逐步回归法得到的判别函数给出的判别效果中可以看出，商业银行对违约企业判定的准确率要大于诚信企业，可见判别分析给出的结果还是比较理想的，这与李志辉（2005）得到的结论相左，后者运用在某银行有贷款的上市公司财务数据进行的判别分析所得到的结果中，第一类错误率要大于第二类错误率。
（二）Logitistic模型
利用线性判别模型计算得到的Z值只是一个抽象的概念，无法从直觉上进行解释，Logistic回归分析解决了这个问题，且其前提假设符合经济现实和金融数据的分布规律，残差项不要求服从正态分布。考虑到一般情况下各个变量的判别能力不同，本文运用向后逐步选择技术筛选变量以提高模型的判别性能，从全变量模型开始，逐步提出对残差平方和贡献最小的变量，直到不需要提出变量，具体的回归结果见表三。根据SPSS计算结果中的参数表，模型logistics模型的判别方程：
从表三可以看出，与线性判别模型得到的结果类似的是，logistic模型得到的三个最具解释力的变量同样是应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13），方程显示应收帐款周转率（X1）和资产负债率（X13）与信用风险呈正相关的关系，与主营业务利润率（X8）负相关。这在一定程度上证实了这三个变量确实决定商业银行信用风险的大小，从而证明了结论的稳健性。常数项、应收帐款周转率（X1）、资产负债率（X13）在5%的水平上显著，但是值得注意的是，主营业务利润率（X8）这个指标只在10%的水平上显著，但是在5%的水平上并不显著。
由表五可以看出，-2Loglikehood为149.121，此值偏大，说明拟合效果一般.同时Cox &Snell R2为0.140，Nagelkerke R2 为0.187，二者都偏小，也说明模型的拟合优度比较低。我们选定0.5作为临界值，根据公式（3），计算上市公司破产概率，如果超过0.5则判定为违约企业，小于0.5则判定为诚信企业，可以得到方程对于估计样本的总分类正确率为65.3%，其中第一类错误为70.3%，第二类错误为59.6%，具体数据见表六，表明使用logistic模型所得到的总分类正确率比使用线性判别模型得到的结果略好，而且在第一类错误与第二类错误的比例上，两个模型所得到的结论是一致的，即模型所选用的三个指标对于违约企业判定的准确率要大于诚信企业，进而可知模型所选取的指标对于商业银行的稳健经营具有正面的意义。
四、进一步分析
由以上数据可知，采用线性判别模型和logistic模型所得到的总样本判别率相近，仅为65%左右，与已有成果相比判别效果较差。而且，logistic模型中主营业务利润率（X8）的系数在5%的水平上并不显著，同时模型中的Cox &Snell R2与Nagelkerke R2较低，说明模型的拟合优度较低，以上实证数据表明模型在城市商业银行信用风险管理方面的应用受到一定的限制。具体原因可以从以下几方面进行解释。
第一．在研究样本和时期的选取上，由于受数据来源的限制，本文仅考察了2005年一年贷款企业的财务数据，包含的企业数目较少，所涵盖的企业范围较窄，同时在对指标进行处理时，由于数据原因、共线性原因等因素有些指标被剔除，存在缺失的财务数据进行了相应处理，这样在模型计算之前已经损失了一部分信息，因此在此基础上回归分析得到的模型的适用性受到一定的影响。其次，城市商业银行之间的差异性远远大于它们的相似性，城市商业银行无论是在跨地域，还是政府介入程度、经营效益、风险管理水平，差异都非常大，模型在不同城市商业银行之间的引用受到相应的限制，从而导致模型结论的应用具有一定的局限性。
第二、在处理方法上，实际贷款数据很难满足判别分析和logistic模型的假设条件。判别分析要求等协方差阵和变量服从多元正态分布，这在实际分析中很难满足；而logistic回归会导致原始数据的大量丢失和估计过程中出现共线性问题，从而使得估计参数的标准差增加，虽然理论上可以采用主成分分析与判别分析和logistic回归相结合的方法来降维，但是由于各个指标间相关性较低导致不适合运用主成分分析方法，因此本文并未采纳这两种分析方法进行分析，因此数据处理方法选择的不同，导致模型结论的应用具有一定的局限性。
第三，从客观背景上，我国商业银行的经营目标多元化，还未成为真正的商业化运营主体，不良贷款的产生具有内生性（施华强，2004）。2001年-2002年中央银行的抽样调查统计发现，中国历史上不良资产由内部管理原因造成的不良贷款比例仅占全部不良贷款的19.3%，由银行客户、宏观经济体制变化等外部原因所形成的不良贷款占全部贷款的80.7%。后者包括国有企业贷款比例高，发放特定贷款，国企重组，社会信用差等原因。具体到城市商业银行，特别是中西部地区的城市商业银行，大多数是地方政府控制和主导的，其经营行为具有明显的政府干预的痕迹，城市商业银行很大程度上充当了第二财政的职能。尽管从2006年开始城市商业银行已通过股份制改制、引入境外战略投资者、民营资本等措施已经加速重组，此前政府干预城市商业银行的经营决策在很大程度上决定了城市商业银行信用风险度量模型不可能具有很好的判别能力。
以上结论是与以往国内商业银行信用风险研究的结论不同，以往研究所建立的判别模型识别和预测准确率一般都达到80%以上。这是由于以往研究的样本取自上市公司的财务数据，一方面，由于上市公司有信息披露的义务以及较为严格的监管，上市公司的数据全面准确，同时还有流通股股本市值/总负债等能够反映投资者预期的财务指标，且公司治理结构相对比较完善，政府干预较少，因而所用的模型稳定性较好，推广能力较强。然而，上市公司占城市商业银行贷款企业的比例很小，当前我国城市商业银行的主要客户仍然为非上市公司，所以以往研究的结论适用性很低，现实中商业银行信用风险判别模型所选择的最具解释力的指标并非如以往研究所揭示的那样。
五、结论
本文根据2005年某城市商业银行贷款企业的财务数据和履约情况，运用线性判别模型和logistic模型对影响我国城市商业银行信用风险的财务指标进行选择，并通过对模型结果进行分析比较，对模型判别的准确率进行进一步的分析，研究的主要结论如下：
第一，通过运用逐步判别法和向后判别法筛选最具解释力的变量，发现在借款企业的财务指标中，景气指标、盈利性指标和清偿性指标对信用风险影响最大。两种模型所选取的最优财务比率相指标均为应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13），因此上述三个财务比例指标能在很大程度上可以决定贷款企业信用风险的大小，说明判别结果具有一定的可信度。
第二，logsitic模型在估计样本的总分类正确率方面要略优于线性判别模型，而且模型对样本的估计结果中，第一类错误率都是大于第二类错误率，表明模型具有较高的适用性。
第三，通过分析模型的总分类正确率，本文对总分类准确率相对较低这一现象背后的原因进行了进一步的揭示。受数据来源和数据质量的影响，样本的选择本身存在一定的先天缺陷；判别模型和logistic模型本身的假设条件较严，现实中财务数据的高维性和多重性特征决定了数据很难满足假设条件；由于历史原因，我国城市商业银行未成为真正的商业化主体，很大程度上成为政府主导的工具，以上三点决定了模型本身所得到的结果不是很理想。
综上所述，随着外资银行的进入，商业银行的竞争将日趋激烈，信用风险管理能力作为商业银行竞争力的重要组成部分，要求我国商业银行一方面要建立统一的数据库和信息管理系统，运用现代风险管理技术进行有效的管理；另一方面要进一步推进商业银行改革，特别是完善城市商业银行治理结构。只有这样，才能从整体上提高我国商业银行信用风险管理水平。
（作者单位：特华博士后科研工作站）
信用风险，指的是在商业交易中由于交易一方的违约，使交易另一方应得的预期现金流量的现值减少而遭受损失的风险。信用风险是商业银行面临的主要风险之一，信用风险的度量是商业银行进行信用管理的核心问题, 对信用风险的准确度量和有效管理, 有利于商业银行经营的安全性, 也有利于金融体系整体的稳定和国民经济的持续健康发展。违约率、赔付率和违约相关性是衡量信用风险大小的主要参数，其中违约率是度量和管理信用风险的出发点和关键。
信用风险度量模型又可以称为企业财务困境研究，二者的本质相同，只是出发点不同。由于企业在银行的债务和履约情况的数据很难得到，以往大多数研究集中于企业财务困境研究。对企业财务困境研究最早的是Fitzpatrick(1932)，他发现破产企业的财务比率一般较差，Beaver(1966)、Altman(1968)分别采用单变量分析法和多变量分析法对企业的财务比率进行了研究，后者还建立了由五个参数组成的Z-Score 模型。除了传统的判别分析外，Martin (1977)建立了logistic模型用来预测企业的破产和违约概率，Ohlson(1980)建立了Logit模型，Zmijewski (1984) 使用Probit分析模型，Libby（1975）第一次将主成分分析方法引入了判别分析模型以克服自相关问题。而且近年来基于市场价值的现代信用风险度量模型在国际金融界得到很高的重视和相当大的发展，包括KMV推出的期望违约概率模型，JP摩根银行推出的以VAR为基础的credit metics模型等。
随着商业银行信用风险管理在国内商业银行风险管理中重要性的日益显现，国内关于商业银行信用风险管理的文献大量涌现，王春峰等(1998)将判别分析法应用于我国商业银行信用风险评估，通过与Logit方法相比较,研究了判别分析法的有效性。梁琪（2005）结合主成分分析法构造了logistic回归分析模型，发现该方法优于简单的logistic模型。吴世农、卢贤义（2001）利用1998-200年A股市场ST公司数据，比较了多元判别分析、线性概率模型和Logistic模型的预测效果，发现logsitic模型的预测能力最强。此外，还有陈静（1999）、张玲（2000）、梁琪（2003）、柯孔林和薛锋（2004）、李志辉和李萌（2005）等，均从不同侧面使用判别模型或扩展后的判别模型对我国的商业银行信用作了实证分析。马九杰，郭宇辉，朱勇（2004）通过问卷调查方式，利用所得资料采用logit模型对我国县域中小企业贷款违约情况进行实证分析，但是存在样本过小的问题。
总体而言，由于搜集非上市公司的财务数据异常困难，以往的研究主要从上市公司中选取样本; 且因受数据来源所限(上市公司的履约情况和债项特征属于内部机密, 一般研究人员很难获得) , 几乎所有研究都是以上市公司被宣布特别处理（ST）作为财务困境标志，建立的评估模型以线性判别分析为主。由于样本地选择缺乏代表性，由模型估计所得到的结果很大程度上不能真实反映影响商业银行预期违约概率的主要指标，从而得出的结论缺乏应用性。而本文以甘肃某城市商业银行2005年诚信企业和违约企业财务数据为基础，并对指标进行严格筛选，以贷款企业违约与否作为信用风险高低的衡量标准,运用判别分析和logistic 回归分析，得出影响我国城市商业银行贷款企业预期违约概率的的最具解释能力的财务指标，从而对城市商业银行有效地识别和评估信用风险以及做出合理的贷款决策具有重要的应用价值。
本文即是从贷款企业的财务指标入手，通过判别分析和logistic 回归分析，构建衡量企业信用状况的模型，并通过实征研究考察模型的适用性。本文的结构安排如下：第二部分样本选取与建模变量筛选；第三部分运用判别分析和logistic回归分析方法进行实证分析；第四部分对实证结果给出进一步的分析；第五部分给出结论并总结全文。
二、样本选取与建模变量筛选
（一）指标的选取
研究选择的财务数据全部来自于贷款企业的财务报表，在参考了已有文献以及考虑到实际数据可得性的基础上，本文选取了21个能够反映企业景气、流动性、盈利性、清偿性、成长性以及其他初始指标，指标名称、财务比率名称以及符号具体见表一。
由于X19股东权益比率，X20负债合计/资本和X13资产负债率存在多重共线性，因此剔除X19，X20，同时由于数据存在较多缺失，剔除X17财务杠杆效应，X18企业留存/总资产，X21流通股股本的市场价值/总负债。因此，模型最初选取了景气指标、流动性指标、盈利性指标、清偿性指标、增长型指标等五大类共计16个指标。
（二）样本的选取
鉴于数据的可得性，本文从我国某城市商业银行信贷信息管理系统中选取2005年在该行有贷款且财务数据较为齐全的186家企业作为研究样本。
我们将186家企业分为诚信企业和违约企业两组，其中诚信企业92家，违约企业94家。剔除资产负债率大于1，速动比率大于流动比率以及具有特殊异常值的企业，剩下总样本122家，诚信企业58家，违约企业64家。如果样本中存在缺失值，则由该样本前三年的平均值替代，若历史数据也缺失，则以所在组企业的平均值替代，最后选择的有效样本数为122家。
三、实证检验
本文将分别使用线性判别模型和logistic模型进行实证分析，采用逐步选择方法选择最优解释变量，以对影响我国城市商业银行信用风险的因素做出判断，同时对两种模型下得到的实证结果作进一步的比较分析，并将结果置于中国银行业改革的背景下做出进一步的揭示。本文将采用逐步选择法，一方面利于节约资源，另一方面易于对结果进行分析。
（一）线性判别模型
考虑到通常各变量在判别式中的判别能力不同，本文选取逐步判别法作为判别分析方法，这一方法的优点是将判别能力较差的变量从判别式剔除，仅保留具有显著性的解释变量。
首先我们将诚信企业定义为1，将违约企业定义为0，运用SPSS13.0进行逐步判别法，经过三步筛选最终得到最具解释力的财务指标：应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13），得到的结果见表二 。由表二可知，Wilks'Lambda 达到了0.868，Wilks’Lambda对应的Chi-square统计量为16.647，自由度为3，显著性为0.001。显著性<0.05，因此判别函数判别能力达到显著水平。
其次，利用已入选的变量建立Fisher线性判别函数。建立的判别函数为：
Y1=-3.576+0.021X1+2.716X8+11.100X13 （1）
Y2=-4.815+0.039X1+0.845X8+13.425X13 （2）
判别函数（1）和（2）中，应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13）这三个指标分别从景气、盈利性和清偿性三个方面揭示了影响我国城市商业银行贷款企业信用风险的大小。应收帐款反映了企业管理者对企业拥有的应收帐款资产的有效利用程度，应收帐款周转速度越快表明企业资产发挥的效率越大。主营业务利润率是衡量企业主营业务创造利润的能力的指标，该指标越大说明利润来源更稳定可靠，企业经营越稳健。资产负债率是衡量企业资本结构的指标，该指标并非越大越好，提高在获得税盾优势的同时也加大了企业经营的风险
最后，根据判别函数（1）、（2）得到模型的判别效果如下：
由表三可知，根据普通方法对判别函数的判别效果进行验证，模型的准确率为65.6%，其中对诚信企业的准确率64.1%，对违约企业判别的准确率为67.2%，可见模型对于违约企业判定的准确率要高于诚信企业。使用交叉验证（Cross valadation）方法对判别模型的判定效果进行检验，模型的准确率略低于普通方法的判别效果，总准确率为64.8%，诚信企业为62.5%，违约企业为67.2%，模型对于违约企业判定的判别率仍然高于诚信企业。
在信用风险识别模型中，存在着两类错误，即：将高风险企业误认为低风险企业与将低风险企业误认为高风险企业。显然，第一类错误会给银行带来更大的风险，后者最多只会降低银行的潜在收益。从逐步回归法得到的判别函数给出的判别效果中可以看出，商业银行对违约企业判定的准确率要大于诚信企业，可见判别分析给出的结果还是比较理想的，这与李志辉（2005）得到的结论相左，后者运用在某银行有贷款的上市公司财务数据进行的判别分析所得到的结果中，第一类错误率要大于第二类错误率。
（二）Logitistic模型
利用线性判别模型计算得到的Z值只是一个抽象的概念，无法从直觉上进行解释，Logistic回归分析解决了这个问题，且其前提假设符合经济现实和金融数据的分布规律，残差项不要求服从正态分布。考虑到一般情况下各个变量的判别能力不同，本文运用向后逐步选择技术筛选变量以提高模型的判别性能，从全变量模型开始，逐步提出对残差平方和贡献最小的变量，直到不需要提出变量，具体的回归结果见表三。根据SPSS计算结果中的参数表，模型logistics模型的判别方程：
从表三可以看出，与线性判别模型得到的结果类似的是，logistic模型得到的三个最具解释力的变量同样是应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13），方程显示应收帐款周转率（X1）和资产负债率（X13）与信用风险呈正相关的关系，与主营业务利润率（X8）负相关。这在一定程度上证实了这三个变量确实决定商业银行信用风险的大小，从而证明了结论的稳健性。常数项、应收帐款周转率（X1）、资产负债率（X13）在5%的水平上显著，但是值得注意的是，主营业务利润率（X8）这个指标只在10%的水平上显著，但是在5%的水平上并不显著。
由表五可以看出，-2Loglikehood为149.121，此值偏大，说明拟合效果一般.同时Cox &Snell R2为0.140，Nagelkerke R2 为0.187，二者都偏小，也说明模型的拟合优度比较低。我们选定0.5作为临界值，根据公式（3），计算上市公司破产概率，如果超过0.5则判定为违约企业，小于0.5则判定为诚信企业，可以得到方程对于估计样本的总分类正确率为65.3%，其中第一类错误为70.3%，第二类错误为59.6%，具体数据见表六，表明使用logistic模型所得到的总分类正确率比使用线性判别模型得到的结果略好，而且在第一类错误与第二类错误的比例上，两个模型所得到的结论是一致的，即模型所选用的三个指标对于违约企业判定的准确率要大于诚信企业，进而可知模型所选取的指标对于商业银行的稳健经营具有正面的意义。
四、进一步分析
由以上数据可知，采用线性判别模型和logistic模型所得到的总样本判别率相近，仅为65%左右，与已有成果相比判别效果较差。而且，logistic模型中主营业务利润率（X8）的系数在5%的水平上并不显著，同时模型中的Cox &Snell R2与Nagelkerke R2较低，说明模型的拟合优度较低，以上实证数据表明模型在城市商业银行信用风险管理方面的应用受到一定的限制。具体原因可以从以下几方面进行解释。
第一．在研究样本和时期的选取上，由于受数据来源的限制，本文仅考察了2005年一年贷款企业的财务数据，包含的企业数目较少，所涵盖的企业范围较窄，同时在对指标进行处理时，由于数据原因、共线性原因等因素有些指标被剔除，存在缺失的财务数据进行了相应处理，这样在模型计算之前已经损失了一部分信息，因此在此基础上回归分析得到的模型的适用性受到一定的影响。其次，城市商业银行之间的差异性远远大于它们的相似性，城市商业银行无论是在跨地域，还是政府介入程度、经营效益、风险管理水平，差异都非常大，模型在不同城市商业银行之间的引用受到相应的限制，从而导致模型结论的应用具有一定的局限性。
第二、在处理方法上，实际贷款数据很难满足判别分析和logistic模型的假设条件。判别分析要求等协方差阵和变量服从多元正态分布，这在实际分析中很难满足；而logistic回归会导致原始数据的大量丢失和估计过程中出现共线性问题，从而使得估计参数的标准差增加，虽然理论上可以采用主成分分析与判别分析和logistic回归相结合的方法来降维，但是由于各个指标间相关性较低导致不适合运用主成分分析方法，因此本文并未采纳这两种分析方法进行分析，因此数据处理方法选择的不同，导致模型结论的应用具有一定的局限性。
第三，从客观背景上，我国商业银行的经营目标多元化，还未成为真正的商业化运营主体，不良贷款的产生具有内生性（施华强，2004）。2001年-2002年中央银行的抽样调查统计发现，中国历史上不良资产由内部管理原因造成的不良贷款比例仅占全部不良贷款的19.3%，由银行客户、宏观经济体制变化等外部原因所形成的不良贷款占全部贷款的80.7%。后者包括国有企业贷款比例高，发放特定贷款，国企重组，社会信用差等原因。具体到城市商业银行，特别是中西部地区的城市商业银行，大多数是地方政府控制和主导的，其经营行为具有明显的政府干预的痕迹，城市商业银行很大程度上充当了第二财政的职能。尽管从2006年开始城市商业银行已通过股份制改制、引入境外战略投资者、民营资本等措施已经加速重组，此前政府干预城市商业银行的经营决策在很大程度上决定了城市商业银行信用风险度量模型不可能具有很好的判别能力。
以上结论是与以往国内商业银行信用风险研究的结论不同，以往研究所建立的判别模型识别和预测准确率一般都达到80%以上。这是由于以往研究的样本取自上市公司的财务数据，一方面，由于上市公司有信息披露的义务以及较为严格的监管，上市公司的数据全面准确，同时还有流通股股本市值/总负债等能够反映投资者预期的财务指标，且公司治理结构相对比较完善，政府干预较少，因而所用的模型稳定性较好，推广能力较强。然而，上市公司占城市商业银行贷款企业的比例很小，当前我国城市商业银行的主要客户仍然为非上市公司，所以以往研究的结论适用性很低，现实中商业银行信用风险判别模型所选择的最具解释力的指标并非如以往研究所揭示的那样。
五、结论
本文根据2005年某城市商业银行贷款企业的财务数据和履约情况，运用线性判别模型和logistic模型对影响我国城市商业银行信用风险的财务指标进行选择，并通过对模型结果进行分析比较，对模型判别的准确率进行进一步的分析，研究的主要结论如下：
第一，通过运用逐步判别法和向后判别法筛选最具解释力的变量，发现在借款企业的财务指标中，景气指标、盈利性指标和清偿性指标对信用风险影响最大。两种模型所选取的最优财务比率相指标均为应收帐款周转率（X1）、主营业务利润率（X8）、资产负债率（X13），因此上述三个财务比例指标能在很大程度上可以决定贷款企业信用风险的大小，说明判别结果具有一定的可信度。
第二，logsitic模型在估计样本的总分类正确率方面要略优于线性判别模型，而且模型对样本的估计结果中，第一类错误率都是大于第二类错误率，表明模型具有较高的适用性。
第三，通过分析模型的总分类正确率，本文对总分类准确率相对较低这一现象背后的原因进行了进一步的揭示。受数据来源和数据质量的影响，样本的选择本身存在一定的先天缺陷；判别模型和logistic模型本身的假设条件较严，现实中财务数据的高维性和多重性特征决定了数据很难满足假设条件；由于历史原因，我国城市商业银行未成为真正的商业化主体，很大程度上成为政府主导的工具，以上三点决定了模型本身所得到的结果不是很理想。
综上所述，随着外资银行的进入，商业银行的竞争将日趋激烈，信用风险管理能力作为商业银行竞争力的重要组成部分，要求我国商业银行一方面要建立统一的数据库和信息管理系统，运用现代风险管理技术进行有效的管理；另一方面要进一步推进商业银行改革，特别是完善城市商业银行治理结构。只有这样，才能从整体上提高我国商业银行信用风险管理水平。
（作者单位：特华博士后科研工作站）