钱志远  李磊  黄少泳  蔡奕昕  苏州大学应用技术学院

基金项目：2021年度江苏省大学生创新创业训练计划训练项目（编号：202113984014Y）；江苏高校“青蓝工程”资助。

摘要：作为基层重要的金融组织形式，农村商业银行主要服务于个体农民以及中小型企业，其中贷款业务作为主要业务，是农商行的主要收入来源。对于贷款业务来说，信用风险往往会导致不良贷款的发生，因此，如何防范信用风险是所有银行都要面临的重要问题。文章以江苏省农村商业银行为例，介绍了信用风险量化管理常用的VaR模型、KMV模型、CreditRisk+模型等模型，及不同模型使用时选用的量化指标，并根据江苏省农村商业银行信用风险管理现状，对其信用风险的量化管理提出了解决对策。

关键词：农村商业银行；信用风险；风险量化模型

一、信用风险的主要度量方法

近年来，我国金融市场发展迅速，但同时也带来了很多的问题。金融创新和竞争在促进金融市场发展的同时，也增加了金融市场的不确定性，简而言之就是金融风险的增加。那么对于银行来说，风险是客观存在的，无法消除，所以如何规避风险就成为了商业银行为了保证自身收益而必须正视的问题。商业银行面对的最主要的风险就是信用风险，想要规避信用风险，首先要了解信用风险，并对信用风险进行量化和分析，下面将对一些度量市场信用风险的模型进行分析。

（一）VaR模型

VaR（Value at Risk System）模型是金融市场中量化风险的重要方法，它主要运用的是概率统计的知识对数值进行参数估计和假设检验，并将风险用直观的数据表示。罗耕壬和狄星宇（2021）认为VaR模型分为参数模型和非参数模型，可以综合的测量出金融市场的风险，将不确定的风险通过数值量化出来，从而有效的度量出因风险而产生损失的概率。将VaR模型当做参数模型，是假设价值和风险呈线性关系，服从正态分布，在计算时只需要将数据带入到模型中，计算量小。而将VaR模型当做非参数模型时，要对大量的数据进行分析，从而得出符合所需置信水平的VaR的值。历史模拟法和蒙特卡罗模拟法这两个非参数模型方法，VaR模型是常用计算方法[1]。

王泽全（2021）指出VaR模型对于证券投资风险的测量具有指导意义，并具体介绍了该模型的三种计算方法，将组合资产的投资风险进行量化，对资产的风险管理具有借鉴意义。考虑到投资者的投资偏好具有个体差异性，用VaR模型对组合资产的风险进行量化管理，可以让风险偏好者和风险厌恶者各取所需[2]。舒崴和王姝雅（2015）认为用VaR模型的历史模拟法可以解决理财产品中“刚性兑付”的问题，为解决理财产品的投资者只重产品收益而不注重产品风险的问题提供了解决方案，同时对于理财产品的风险控制与管理具有指导意义[3]。

（二）KMV模型

在金融市场中，KMV模型是量化信贷风险的重要方法。该模型将贷款的信用风险与借款人资产的市场价值挂钩。陈雅婷（2021）通过将KMV模型与企业的信贷评级相结合的方式，来帮助银行做出正确的信贷决策，但同时要兼顾一些突发状况，对不同的行业风险变化能够灵敏的捕捉，做好信贷前的风险判断[4]。卢茜和高丽（2021）认为KMV模型是对上市公司的信用风险进行定量分析的，能有效预测上市企业的信用风险，对于违约风险具有预警作用[5]。张慧等（2021）从研究地方政府债券入手，通过对KMV模型数据的分析来对地方政府债券的发行规模提出管理建议，并指出地方政府债券发行要对发行规模进行控制，如果发行规模超过可担保财政收入达到了一定的比例，那么政府债券的违约风险将会增加[6]。

（三）CreditRisk+模型

李文（2016）指出CreditRisk+模型是一个以借款人作为考量点出发的模型，它仅仅把违约率作为度量信用风险的指标，没有考虑到其他风险因素，例如市场风险[7]。吕德宏和张无坷（2018）在研究农地经营权抵押贷款信用风险指出，相对于其他量化模型，CreditRisk+模型所需的条件参数较少，在量化过程中也不用考虑过多的假设条件，对于农业信贷研究具有普适性[8]。陶慧（2013）认为采用CreditRisk+模型可以避开农信社数据不全的短板，用较少的数据就能对组合信贷的风险因素进行评估，用风险估值对借款企业进行信用评级，测量出贷款预期损失[9]。

（四）其他数学模型

张安（2021）在研究商业银行信用风险时用到了Logit模型，他认为Logit模型对于预测信用风险更加的精准，只要能确定企业破产的Z值，就能清楚的判断企业潜在的风险的大小[10]。宋泽群（2016）指出，对于农村商业银行来说，农户对于贷款的选择只有还款和违约两个选择，用 Probit 概率模型对于这样一个二元选择问题来说更加的契合，农商行可以根据模型预测的结果来对“是否为农户发放贷款”作出决策，对潜在的信用风险提前作出反应，进行风险管理[11]。

二、信用风险量化模型所选风险指标分析

（一）VaR模型相关指标

VaR模型一般把收益率当指标。收益率是指投资收益占资本总额的比重，公式为Earnings Yield=Earnings/Market Capitalization。一般来说，已知概率分布的情况下，可以直接用参数来估计VaR的值，所得的结果就是未来某阶段的最大损失概率。对于概率分布未知的情况下，就要寻找合适的数值进行参数估计。历史模拟法和统计模拟法就是常用的非参数法。历史模拟法假设过去已经发生的和未来的趋势是一样的，可以用过去已经发生的参数来预测未来的参数，它所采用的数据就是历史的资产收益率。历史模拟法假定未来的资产收益率与历史资产收益率服从同一分布，不需要建立专门的数学模型，只用历史的数据就能算出VaR的值。统计模拟法即蒙特卡罗模拟法，它与历史模拟法的区别是该方法不是用历史的数值进行评估，而是利用大量的随机样本，去了解资产收益率的具体分布情况。最后用到概率统计的数学方法，对不同置信水平下的VaR的值进行计算。

（二）KMV模型相关指标

KMV模型主要选用的指标是借款企业资产的市场价值、波动率和负债率，一般与违约距离（DD）和期望违约频率（EDF）相联系。根据债务方的负债可以计算出债务公司的违约实施点，违约距离即为债务方的资产价值与违约点之间的距离。期望违约频率（EDF）可以根据已有的违约数据得出。在其他因素不变时，资产收益波动率级违约规模与违约距离成反比，与信用风险成正比。假设债务到期后，债务方资产的市场价值高于债务，那么违约的概率就小；债务方资产的市场价值低于债务，资不抵债，违约的概率就大。企业的资产价值的主流估算方法采用的是市销率和市盈率估值法，公式为：

企业资产价值=市销率×企业销售额=市盈率×企业利润

研究数据表明，KMV模型能够反应借款企业风险高低，对于信用风险的预测具有指导意义。

（三）CreditRisk+模型相关指标

CreditRisk+模型把违约率作为指标，模型中只有两个变量，即违约或不违约，采用二项分布的算法：

入为某特定时间段的平均违约数，可由历史数据估计得出。

CreditRisk+模型只需要考虑单个借款人是否违约，判定简单且违约的概率是随机的，相对于其他信用风险的量化模型来说，步骤减少，大大提高了计算速度，用有限的数据就能对借款人或企业的贷款损失进行预测。CreditRisk+模型的风险要素结构如下：

违约的损失分布可以分为违约的频率和违约造成损失的严重程度，违约频率与违约概率和违约波动率相关，违约造成损失的严重程度与风险暴露和回收率相关。

在CreditRisk+模型的风险框架中，违约概率、违约波动率、风险暴露、损失严重程度和违约的损失率都是重要的指标，通过这些指标来预测借款人违约的可能性以及违约的严重损失程度。对于商业银行来说，用CreditRisk+模型来对小额组合贷款进行风险预测是一个不错的选择。

三、江苏省农村商业银行信用风险管理现状

信贷业务是农商行的主要收入来源，同时信用风险又是影响银行贷款安全的重要因素，每个银行都对不良贷款率给予足够的重视，因为这直接影响到了银行的收入与资金安全。江苏省作为全国的经济大省，其农村商业银行的发展也走在全国前列，研究江苏省农商行的信用风险管理现状，对于其他地区的农商行具有借鉴意义。

（一）农村商业银行本身的局限性

农村商业银行相较于国有银行和其他股份制银行，不良贷款率居高不下，这与农村商业银行的特殊性有一定的关系。农商行属于“老企业，新银行”，与同行业的其他银行相比还不够成熟，所接触的客户是农村地区的农户和中小企业，银行本身的内部管理体制与城市中的国行和股份制银行存在一定差距，客户群体总体素质也要低于城市，这就使得信用风险大大增加。

（二）江苏省农村商业银行贷款特点

江苏省农商行主要以解决“三农”融资问题为重点，注重本地的业务的开展，一般将信贷业务作为重心。其作为服务“三农”的金融机构，为了给当地的农户和小微企业提供便利，贷款流程相对简单，贷款难度低，贷款种类也非常丰富。江苏省大部分农商行的贷款都具有丰富的种类，并且具有范围广、利率低、审批快、额度高等特点。例如，昆山农村商业银行对于个人贷款就有个人经营性贷款，农户、种养业贷款，个人二手房按揭贷款等。只要大致满足年满18周岁（含）、有稳定的收入来源、有良好的个人信用记录和银行认可的担保方式等条件，银行即可发放贷款。对于借款人或企业来说，贷款更易获得，但是对于银行来说，发放贷款的同时，发生不良贷款的风险也在增加。

（三）贷前审核难

从对借款人贷款资质的审核来看，农商行放贷的风险管控不到位，有时并未对借款人的信贷材料进行完全核实，这就为贷后借款人无力偿还贷款埋下隐患。抛开一些客观因素导致的贷款客户无法在期限内偿还本息，更多的是在产生不良贷款时，才意识到贷款业务人员对贷款客户的审核没有做到精准审核。首先，农村地区的人员素质并没有城市地区的高，对于个人信用问题并不重视，极端一点的情况就是，动机不纯的客户从一开始就不准备偿还贷款，现有的失信惩罚机制对其难以形成有效的约束。紫金农商行作为试点单位，在2018年试点运行了“限时审批”工作。“限时审批”以提升信贷服务的效率为出发点，在贷款企业办理手续、资料齐全的情况下，限制各个贷款节点审批的时间，以此达到快速审批的效果。但是在追求效率的同时，贷款前的审核工作的质量是否能够有效保证，各个环节是否能在有限的时间里完成审核，这是贷前审核潜在问题。

（四）信贷风险难以量化

五级分类法是按照风险程度，把银行借出的贷款分为正常贷款、关注贷款、次级贷款、可疑贷款和损失贷款，后三者被称为不良贷款。银行在防范贷款风险时，有时并不能很好的发挥五级分类法。其中的难度在于，难以对贷款的信用风险进行量化。此外，当工作人员没有足够的业务能力时，面对复杂的贷款情况，就会出现误判，容易导致将不良贷款错划分为关注贷款，为贷后管理增加难度。例如，建湖农商行在2018年11月末，不良贷款率飙升到了4.81%。建湖农商行在风险控制方面不严，考虑到当地经济的实际情况，出于对当地经济转型压力的考量，建湖农商行是将逾期90天以上的贷款才入账为不良贷款。在此过程中，许多潜在的不良贷款就成为了引发信用风险的隐性风险。

四、江苏省农商行信用风险量化管理建议

银行要想规避信用风险，首先要了解信用风险。因此，对于信用风险的量化需要进一步加强，只有做好信用风险管理，才能有效的控制信用风险。以下提出几点建议：

（一）用量化模型来辅助预测违约率

在上面介绍的量化模型中,各个模型都能对信用风险作出预测。例如CreditRisk+模型，该模型的优点是它只考虑债务人是否违约，计算简单。但它也有缺点，例如该模型并没有考虑到与市场因素相关的一系列风险。简而言之，量化模型只是辅助银行预测信用风险的手段之一，所得的结果对现实有参考意义，而并非实际。银行在实际的业务开展中，也不可能为客户一一使用模型进行风险量化，一来这样会加重工作量，降低工作效率，二来银行也缺乏足够数量的人才。

（二）不断加强信息化建设

 在农村商业银行的业务开展中，信息化的业务模式更多地运用在生活中，传统的流程在未来将被信息化的流程所改造，例如银行开户现在在自助设备上就可以实现，而不需要去柜台办理。对于信用风险管理来说，信息化的量化信用风险也是未来的发展趋势，运用大数据技术进行数据分析比人为分析更加的精准、快捷，并且各个环节的信息一目了然，解决了原本贷款流程中信息不对称的问题。此外，对于失信行为的惩戒，可以与区块链技术相衔接，在区块链中记录债务人的失信行为，将债务人与银行的矛盾，变成债务人与社会的矛盾，以此强化个人信用在经济生活中的作用。

（三）加强人才队伍培养

由于量化管理相比于一般业务较为复杂，内部员工的业务水平和专业能力的高低决定了量化管理服务能否实现。高素质的员工队伍的建立是一个过程，而不能一蹴而就。银行可以通过定期轮岗培训、系统化的集中学习等方式，提高员工的业务能力和服务水平，掌握实用的量化管理技术。同时，银行自身也要主动出击，去挖掘一些量化管理方面的年轻的高素质人才。对于专业素养强、高绩效的员工进行实际的奖励，建立能力与待遇相匹配的内部管理制度，在激发员工积极性的同时，也能留住人才，保证内部队伍的稳定性。例如，江苏如东农商银行从人才的管理工作体制建设、岗位管理体系建设、培养开发系统建设、考核评价机制建设和选拔任用制度建设五个方面来推进人才队伍建设。

（四）加强对农户的金融知识宣传工作

农商行不良贷款率居高不下，与农村地区的金融环境有着密切的联系。对于银行来说，金融知识的缺乏以及信用观念的淡薄是造成农户拖欠贷款的主观原因。农村商业银行应该作为农村地区普及金融知识的主力军，农商行可以充分发挥其覆盖广的特点，对信用贷款和相关法律知识进行宣传，在每个网点都设置专门的宣传点。在为客户办理贷款业务时，业务人员可以与客户面对面的普及信用风险相关的知识。其次，农商行可以借助各种文化活动和大众传媒来进行宣传。例如，盱眙农商银行于2019年在全县深入开展金融知识宣传工作，促进普惠金融知识走进群众，并采用线上和线下同步宣传的方式，共计发放传单8900多份，走访客户6732名，帮助群众解决问题465个，得到了群众的一致认可。

参考文献：

[1]罗耕壬,狄星宇.VaR计量模型在金融市场的应用[J].现代商业,2021(20):101-103.

[2]王泽全.VaR模型在证券投资中的运用[J].中小企业管理与科技(上旬刊),2021(10):67-69.

[3]舒崴,王姝雅.VaR模型在不同银行理财产品风险管理中的应用——基于历史模拟法的VaR分析[J].时代金融,2015(15):286-288.

[4]陈雅婷.基于KMV模型的企业信贷风险评估[J].中国商论,2021(17):99-101.

[5]卢茜,高丽.基于KMV模型对上市企业信用违约风险度量的研究[J].科技与经济,2021,34(04):106-110.

[6]张慧,王宁,孟纹羽.基于分形KMV模型的地方政府债券安全发行规模测度[J].统计与决策,2021,37(15):133-136.

[7]李文.现代信用风险管理模型比较分析[J].金融经济,2016(04):164-165.

[8]吕德宏,张无坷.农地经营权抵押贷款信用风险影响因素及其衡量研究——基于CreditRisk+模型的估计[J].华中农业大学学报(社会科学版),2018(04):137-147+173.

[9]陶慧.基于CreditRisk+模型对菏泽市农村信用社贷款风险控制研究[D].新疆大学,2013.

[10]张安.基于Logit模型的商业银行信用风险度量研究[J].中国物价,2021(02):70-73.

[11]宋泽群.基于Probit模型的湖北省农村商业银行农户贷款信用风险管理研究[D].武汉科技大学,2016.