摘要：银行贷款的风险管理是关系到整个金融系统稳定的重大问
题。本文利用 !"#$%方法以及人民银行提供的信贷数据库，根据相关的变
量建立模型，并分析了该模型对贷款违约的预测能力。与以前的研究不
同，我们的研究着重考虑了违约成本在贷款决策中影响，给予一类、二
类错误不同的权重，这样的预测模型能更好地符合银行实际操作的需
求。本文的研究也可以作为银行内部风险管理的参考。
关键词：银行贷款；!"#$%模型；信用风险；违约预测
&’(%)*+%, -./ )$(0 1*2*#/1/2% "3 !"*2( $( +)4+$*! %" (%*’$!$5/ %./ ("+$*!
3$2*2+$*! (6(%/17 8*($2# "2 %./ !"*2 9*%*’*(/ 3)"1 %./ :/";!/ < ( 8*20 "3
=.$2*，>/ *;;!$/9 %./ !"#$% 1/%."9 %" +"2(%)4+% %./ )$(0 1*2*#/1/2% 1"9/!(
%.*% *)/ *’!/ %" 3")/+*(% %./ 9/3*4!% ;)"’*’$!$%$/( "3 ’*20 !"*2(7 ?$33/)$2# 3)"1
"%./) (%49$/(，>/ %.$20 %.*% 9/3*4!% +"(%( *)/ $1;")%*2% $2 9/+$($"2 "3 !"*2(7
@2 "4) 1"9/!，>/ #$A/ 9$33/)/2% >/$#.%( %" %6;/ "2/ *29 %6;/ %>" /))")，%.*%
>"4!9 ’/ (4$%*’!/ %" 3$% %./ ;)"+/(( "3 !"*2 9/+$($"2( $2 )/*!$%67 B4) 1"9/!(
*)/ A*!4*’!/ 3") !"*2 1*2*#/)( %" 1*0/ !"*2 9/+$($"2( *29 )/A$/> %./$) /CD
$(%$2# !"*2 ;")%3"!$"(7
E/6>")9(, ’*20 !"*2；!"#$% 1"9/!；+)/9$% )$(0；9/3*4!% 3")/+*(%
基于违约成本的银行信贷风险管理
（清华大学 经济管理学院，北京 FGGGHI）
! 陈盛业 宋逢明
一、研究背景和目的
本研究的目的是分析中国银行系统的贷款信用风险，建立一
个可以判别商业风险的统计模型。研究的成果可用于建设一套信
用风险分析系统，该系统可作为中国银行业的早期预警系统，并
且可以为银行做贷款决策时提供帮助。
笔者认为本研究不但具有学术价值，同时也有政策应用的价
值。为了解决四大国有银行的巨额坏账，国家已经把四大国有银
行的大部分坏账划拨给了国有资产管理公司。虽然国家有能力解
决现有的坏账问题，但是必须要防止类似问题的再次出现，否则
可能会引发金融危机。本研究可以改善中国银行系统的信用风险
管理，同时帮助银行做出更佳的贷款决策，而且研究成果也可以
作为评估银行贷款质量的一种方法，这将有助于减少坏账的产
生。
本研究的主要内容就是寻找适合于信用评级和分类分析的
模型：决定因素、函数形式和预测的可靠性等。
二、研究方法
F7 计算模型
本文采用 !"#$%模型来研究中国的贷款违约预测问题。
为了确定哪些因素对企业贷款具有显著性影响，我们可以利
用一个二元的 !"#$%模型：
设定贷款发生违约时，6 J G；如果没有违约，6 J F；发生这些
事件的概率为：
K"#$% 模型是估计每个企业发生违约的可能性。在默认的情
况下，如果估计的违约概率大于 LGM（分界概率），就把该企业会
判为会发生违约，6N$ J G。但是在预测银行贷款的违约可能性时，
一类错误（把违约的企业判为不会发生违约）比二类错误（把正常
企业判为违约）更受关注。这是因为，这两类错误引起的成本是不
同的，银行从一笔正常贷款获得的收益远小于贷款发生违约时受
到的损失：一类错误意味着投资损失成本；二类错误意味着投资
机会成本。为了权衡这两类错误的成本差异，我们选择调节 !"#$%
模型的分界概率，以平衡因模型判断错误而引起的损失。
这两类错误的成本大小的具有随机性：对于一类错误而言，
当企业发生破产时，它的坏账能回收多少是不确定的，我们只能
根据历史数据来估计它的分布；第二类错误的成本就是银行失去
了一次正常贷款的机会，银行从一笔正常贷款获得的收益率为当
时的贷款利率，所以二类错误成本的大小与当时的利率直接相
关，因为利率是随机变化的，所以二类错误的成本也是随机的。
&!%1*2OFPQQ R 估计，对于银行贷款而言，一类错误与二类错误的
成本比为 Q, F。本研究不探讨如何确定这两类成本之间的比例，
而是简单地采用 &!%1*2 OFPQQ R 的结果，假设：如果贷款发生违
约，那么发生的损失额度为 Q（一类错误的成本），如果是一笔正
常贷款，那么获得的收益为 F（二类错误的成本）。这两个数字仅
具有相对的含义。显而易见，关于预测这两类成本的模型很容易
整合到本研究中，这将进一步提高模型的精度。遗憾的是我们没
有检索到国内关于这方面的研究，可能数据的缺乏是该研究领
域的主要障碍。
S7 样本的选取及处理
本研究的数据来源于中国人民银行的信贷登记咨询系统中
的宁波地区贷款历史记录。由于受到数据样本的限制，笔者只选
择了 FPPQ年和 FPPP年的贷款数据，而 FPPH年的数据记录太少，
质量不佳，所以只能舍去。并且把行业限定到制造业，因为该数
据样本最多，共有 PHT个。
T7 解释变量的设定
反应企业经营活动的指标非常多，如果面面俱到，选择的指
标太多，模型计算量过大，如果选择的指标太少，又不能比较全
QH 特区经济 !"#$%&’ ()*# +$)*),- SGGQ年 S月
财金之窗
万方数据
!""#年 !月 !"#$%&’ ()*# +$)*),- 特区经济 #$
面地反映企业的状况，影响模型的效果。所以我们选择了具有代
表性的四大类共 !%个财务指标，作为模型的备选解释变量。为
了便于操作和应用，并配合数据库指标的设定，这 !%个相对指
标分别从财务结构、偿债能力、经营能力、盈利能力四个方面反
映企业的经营活动状况，其中，财务结构指标 #个，偿债能力指标
&个，经营能力指标 ’个，盈利能力指标 ’个。
除了财务指标以外，我们还要考虑宏观经济对企业信用状
况的影响力。可以想象，当整个宏观经济处于衰退期时，将会有
更多的企业经营状况变差，无力偿还贷款，发生违约。反应宏观
经济的最好指标就是 ()*的增长率。但由于它是一个事后指标，
无法用于事先预测企业的违约情况。比较理想的替代指标是
()* 的预测增长率（比如一些研究机构公布的 ()* 增长率预
测），或者是企业家信心指数等。但这两个指标在近年才出现，无
法找到与本样期匹配的数据，因此本研究还是使用了 ()*增长
率作为宏观经济指标。为了与还款期相匹配，我们用 +$$,年和
!""" 年的 ()* 增长率分别作为 +$$# 年和 +$$$ 年发放的贷款
的模型变量（因为这些贷款大多是一年期的）。
在 -./012 3+$," 4 和 562217 3+$$$ 4 发现，企业规模是影响企
业信用状况的重要指标之一。但数据库中的企业总资产单位不
统一，作为变通的方法，我们根据数据库中的企业规模分类情
况，用四个虚拟变量来代表企业规模。
%8 计算过程及结果
我们按照随机取样的方法，把制造业两年的总样本（$,9个）
分为两部分：’,$个样本（制造业 :样本）和另外 !$%个样本（制
造业 ;样本）。这样分类的目的是：首先，利用制造业 :样本估计
模型参数，筛选变量，得出模型结果；然后，根据 :样本的模型结
果，预测制造业 ;样本的违约情况，并与 ;样本的真实违约情况
进行对比，讨论该模型是否具有预测能力。
计算过程可以分为以下几步：
第一步，在用制造业 :样本数据估计 /1<=>模型时，选取在
+"?置信水平下拒绝 @"：!= A "的自变量，把其它解释变量剔除
出去，筛选的方法为逐步法。
第二步，我们按照 :/>BC2 3+$## 4的结果，设一类错误的成本
为 #，二类错误成本为 +。然后把分界概率从 "8 +调到 "8 !,，分别
计算出第一、二类错误的成本之和，然后选出使总成本最小的分
界概率（最优）。显然，最优的分界概率依赖于第一、二类错误成
本的设定，它随一类错误成本的增加而下降，随二类错误成本的
增加而上升。
第三步，基于制造业 ;样本的数据，预测每笔贷款发生违约
的概率。如果预测出的违约概率大于第二步得出的最优分界概
率，那就判定该贷款会发生违约。我们把预测的违约结果与实际
发生的违约结果进行比较，分析第一、二类错误的比例，并且检
验模型是否具有预测能力。
当笔者把分界概率调到 "8 +% 时，可以得最小的错误总成
本，此时的模型系数估计结果 3略 4：
笔者通过现已掌握的有关数据，发现 ()*对违约概率具有
显著的影响力，这证实了笔者前文中的猜测：宏观经济形势与企
业的经营状况有着很高的相关性。并且小企业更容易发生违约，
因为该虚拟变量的系数显著大于 "。基于制造业 ;样本的数据，
笔者可以研究模型的样本外预测能力：
从上表看，预测的错误率高于样本内的错误率，但仍有约
#"?的准确率。
三、研究意义
本文用 /1<=>模型为中国的银行系统开发了一种预测贷款违
约情况的方法。该方法只需企业的财务信息、行业情况和当时的
宏观经济环境状况，就可以帮助银行对该企业的违约可能性做
出判断，在操作上十分简易。并且，我们用模型的样本外数据对
其预测能力作了检验，证实该模型具有显著的预测能力。与以往
的研究不同，本研究更注重模型预测错误所造成的成本差异对
银行的影响，更好地从经济角度权衡了模型选择问题，更富有经
济含义。
自上世纪 ,"年代以来，中国银行业经历了影响深远的改革
历程，四大国有银行从政策性银行向商业银行转变，最终还要成
为上市公司。在这期间，四大国有银行的高额不良贷款一直是沉
重的包袱，不仅制约了她们自身的发展，也是整个中国金融业的
隐患。加入 DE-以后，金融业将更加开放，竞争也将越来越激
烈，国内银行需要用现代化的金融理论来管理其风险。本文的
/1<=> 违约预测模型可以作为其中的贷款违约风险管理的一部
分，进一步完善银行内部的风险管理体系。 !
参考文献：
F + G李子奈，叶阿忠 8 高等计量经济学 FH G 8 北京：清华大学出版社，
!"""8
F! G :/>BC2，I8，C2J *8 KCLCMC2C2，N ;O0=2600 PC=/OL6 Q/C00=P=QC>=12
B1J6/0R :2 =2>6L2C>=12C/ 0OLS6MN 8 T2R U.=，V8 3 6J8 4，T2>6L2C>=12C/ :QW
Q1O2>=2<，!2J 6J8 D=/6M，K6X Y1LZ +$$#8
F9 G ;/OB6，H8，V8 5=B，C2J U8 HCQ[=2/CM，N )6Q/=2=2< UL6J=>
\OC/=>M 1P ]8 ^_ U1L‘1LC>6 )6a>R HM>. 1L b6C/=>McN，d1OL2C/ 1P V=2C2Q6，
+$$,，+9,$ e +%+98
F% G 562217，U8，NTJ62>=PM=2< VC=/=2< U1B‘C2=60R : b6 e Q120=J6LC>=12 1P
>.6 51<=>，*L1a=>N，C2J ): C‘‘，;L=0>1/ ]2=S6L0=>M，D1LZ=2< *C‘6L，
+$$#8
F& G 51，N :8 51<=> S6L0O0 J=0QL=B=2C2> C2C/M0=0，C 0‘6Q=P=QC>=12 >60> C2J
C‘‘/=QC>=12 >1 Q1L‘1LC>6 aC2ZLO‘>Q=60N，d1OL2C/ 1P IQ121B6>L=Q0，+$,’，+&+ e
+#, 8
F’ G -./012，d8 N V=2C2Q=C/ LC>=10 C2J >.6 ‘L1aCa=/=0>=Q ‘L6J=Q>=12 1P
aC2ZLO‘>QMN，d1OL2C/ 1P :QQ1O2>=2< b606CLQ.，+$,9，+"$ e +9+ 8
F# G */C>>，@8，C2J H8 */C>>，N : 21>6 12 >.6 O06 1P =2JO0>LM e L6/C>=S6
LC>=10 =2 aC2ZLO‘>QM ‘L6J=Q>=12N，d1OL2C/ 1P ;C2Z=2< C2J V=2C2Q6，+$$+，
++,9 e ++$%8 UL6J=> b=0Z HC2C<6B62> 1P ;C2Z0 X=>. )6PCO/> U10>08
作者简介：
陈盛业（+$#$年 e），男，清华大学经济管理学院博士研
究生。
宋逢明（+$%’ 年 e），男，教授，博士生导师，清华大学经
济管理学院金融系主任。
万方数据
