企业信用评级方法汇总
一、引言：
信用风险是商业银行承担的最重要的风险。对企业信用风险的进行评级和度量不仅有利于金融机构有效降低风险，提升自身的发展能力，对国家金融稳定和经济发展有着重要的作用。在我国，由于受到银行业旧的影响，国内开始研究信用风险评级和度量方法的时间晚于其他国家。自2000年以来，为数不少的国内科研工作者积极投入信用风险度量研究，并在理论研究和实际应用上取得了，一定的成绩。由此可见，对风险进行度量，对企业进行有效的信用评级已经成为现代银行和其他金融机构风险管理职能中最为重要的内容之一。
二、企业信用评级的必要性
信用风险由来已久，它随着借贷的产生而发展。对于一个贷款企业而言，其能否按时归还贷款总是存在着不确定性，这种不确定性具体表现为，贷款企业不愿意履行或不能完全履行还款责任，信用风险一旦形成，银行将会因客户违约而遭受巨大金融损失。因此，银行需要对贷款企业进行严格的信用评级。
对企业进行信用评级的意义在于，它可以消除银行与企业之间的信息不对称性，提高银行借贷的管理效率，从而使资本市场的整体效率得以提高。
对于企业而言：有效的信用评级，可以使资信良好和还款能力强的企业取得所需贷款资金从事经营活动。
对于银行而言：其不仅可以拥有适合其风险偏好的标的，取得收益。同时还可以有效的过滤资信较差和还款能力较弱的企业，从而缓释银行违约风险。
所以，对企业进行合理而准确的信用评级是相当必要的。然而，信用评级是否合理，评级结果是否准确，在很大程度上取决于评级方法的科学性。那么，到底有哪些信用评级的方法呢？哪些才是合理而有效的信用评级方法？下面我就对企业信用评级方法进行简要的阐述与分析。
三、传统的企业信用评级方法比较分析
传统度量方法是以定性分析为起点，结合财务报表有关数据进行分析。下面我以专家系统、信用评分方法为例，对传统的企业信用评级方法进行分析和比较。
㈠综合评判法——专家系统
专家系统是一种传统的评级方法。传统的信用评级方法包括以5C法为代表的专家判断法和以5C法为基础发展起来的综合评价法，包括品德和声望 (Character)、资格与能力(Capacity)、资金实力(Capital or Cash)、担保(Collateral)、及经营环境(Condition)。也有些银行将信用分析的内容归纳为“5W”或“5P”。
专家系统评级方法的特点是：银行贷款的决策权是由该机构那些经过长期训练和具有丰富经验的信贷人员所掌控，并由他们做出是否贷款的决定。因此，在信贷决策过程中，信贷人员的专业知识、主观判断以及某些关键要素的权衡均为最重要的决定因素。
专家系统判断法是一种综合评判法，综合评判法就是对多种因素所影响的事物或现象做出总的评价，属于定性分析。从信用评级本身的属性来看，企业信用评级属于一种不确定性的模糊问题，因此，综合评价法的发展趋势是与模糊理论相结合来对企业进行信用评级，从而使评级结果更科学、更准确。
但是专家系统判断法也存在着一些固有缺陷：如不能对因素进行量化分析；判断具有主观臆断性，带有很大不确定性；且判断具有一致性，不能区分哪些是不同类型借款人的重要的共同因素。所以在实践中，专家系统方法应配合其他评级方法一起使用，扬长避短。
㈡线性模型分析法——信用评分方法
信用评分模型是传统方法中研究者最多的模型，1968年爱德华﹒爱特曼教授提出了Z计分模型（Z-score model），1977年对模型进行修正和扩展后，提出模型，由于信用评分模型使用方便、易于计算，在度量企业信用风险中使用较为广泛。
Z计分模型如下：
Z=1.2X+1.4X+3.3X+0.6X+1.0X
式中，X为营运资本/总资产比率；X 为留存盈余/总资产比率；X为利息和税收之前的收益/总资产比率； X 为股权的市场价值/总负债的账面价值比率；X为销售额/总资产比率。Z值越大，资信就越好，Z值越小，风险就越大。
模型包含七个指标变量：资产收益率、收益稳定性指标、债务偿付能力指标、累计盈利能力指标、流动性指标、资本化程度指标、规模指标。
从模型的改进发展来看，模型的分类比Z计分模型分类的准确度高，特别是破产前较长时间的预测准确度相对较高。
㈢专家系统和线性模型分析法的比较分析
专家系统和线性模型分析法（Z计分模型和模型）都属于传统的企业信用评级方法，都比较侧重于对信用风险的定性分析，方法比较简单。随着信息经济学兴起，信用风险度量逐步建立起以违约风险为核心的度量体系，而传统的企业信用评级方法缺乏对违约和违约风险的认识，理论基础薄弱，难以令人信服。
线性模型分析法都依赖财务报表的账面数据，具有一定程度上的定量分析，不似专家系统只对信用风险进行定性分析，但是我觉得其定量分析的比较浅显，只是进行简单的线性分析，所以它其实仍偏向于对企业风险的定性评估。其次，线性模型分析法克服了专家系统评级的随意性和主观性。
四、现代企业信用评级模型比较分析
近几年来，商业银行业务出现多元化趋势，投资银行和信托业务的开展使得商业银行表外业务增强且风险的内涵不断扩大，促使银行采用更有效的方法度量和控制信用风险。新一代金融工程专家在风险管理理论的基础上创建起了许多以数理模型为基础的信用风险计量方法并应用到这一领域。
㈠现代企业信用评级模型总体分析
现代企业信用评级模型以KMV(credit monitor model)模型、J.P.摩根的Credit metrics模型、麦肯锡(McKinsey)公司的Credit Portfolio View模型和瑞士信贷银行(CSFP)的Credit Risk+模型为代表。毫无疑问，这些信用风险管理模型的发展正在对传统信用风险管理模式产生性的影响，一个现代信用风险管理的新模式正在形成。
这些现代风险度量模型各有特点，展现出以下几个方面的创新：1.建立了以违约风险为核心的信用风险度量体系；2.大量引入数学方法、统计方法度量信用风险；3.尽可能多地考虑外部影响因素。
但是，上述模型依然存在着许多不足之处：1.多数模型正态分布的假设难以真实反映信用风险的实际分布，实际上，长期债务可以依据其优先偿还顺序、有否担保、有否契约、能否转换等来区别不同的长期债券，因而造成违约的确定的不准确，使模型产生变量不准，需要寻找符合信用风险分布特征的数学模型代替；2.信用等级转移矩阵的数据来源和全面性仍然受到挑战；3.道德风险和逆向选择的影响因素未能在计量模型中充分反映；4.现代度量模型需要一个庞大的数据库作为支持。如，KMV模型需要一个较为充分的违约数据库作为支持。
对现代企业信用评级模型进行总体分析之后，我们有必要对单个的模型进行比较分析，众所周知，KMV模型与Credit metrics模型是目前国际金融界最流行的两个信用风险管理模型。下面，我们就以这两个模型为例，对其进行比较分析。
㈡信用监控模型（credit monitor model）：KMV模型
KMV模型的主要思想是：利用期权定价原理对风险债券和贷款进行评估由股权价值及其波动率推出资产价值及其波动率。它是以EDF（预期违约频率）为研究的核心手段的模型。
KMV模型是对传统信用风险度量的一次。首先，KMV模型可充分利用资本市场上的信息，对所有公开上市的的企业进行信用风险的量化分析；其次，这种方法的数据来源于企业在股票市场上的信息，而非企业的历史账面资料，应此，它更能反映企业当前的信用状况，使预测更及时、准确；再次，KMV模型具有很强的理论基础。
但是，该模型也有其固有的不足，主要表现在以下两个方面：1.模型的使用范围仅限于上市公司，对非上市公司的EDF进行计量的时候往往需要借助会计资料信息或其它指标；2.该模型假设企业的资产价值成正态分布，而在实际上，会有所偏差。
㈢在险价值方法：risk metrics 模型和Credit metrics模型
1994年，J.P.摩根推出了以VaR为基础的风险矩阵（risk metrics）,1997年，又推出了信用风险量化度量和管理模型——信用矩阵（Credit metrics）。
由于VaR方法能够简单清楚地表示市场风险的大小，又有严谨、系统的概率统计理论作为依托，因而得到了国际金融界的广泛支持和认可。
但是这一方法也存在了以下几方面的问题：第一，现在的市场价值不是可以直接观察到的，因为大多数贷款并不进行交易。第二，我们没有时间序列数据来计算，即现在的市场价值的波动率。对于一些可交易资产的收益采纳一种正态分布的假设之多只是一种粗劣的近似，如果这一近似的方法运用于分析贷款价值的可能的分布就更加粗劣了。
由此，J.P.摩根公司推出了信用矩阵（Credit metrics），旨在对贷款和私募债券这样的非交易性资产的价值和风险进行计算。
我们既不能观察到贷款的市场价值，也不能贷款价值在所关注的时期内的波动率，但是我们可以利用1.可得到的借款人的信用评级；2.下一年度评级发生概率的变化（评级转移矩阵）；3.违约贷款的回收率；4.债券或市场上的信用风险差价和收益率就有可能为任何非交易性贷款或债券计算出一组假象的P和，并随之计算出个别贷款和贷款组合的VaR值。
同时，还应注意贷款的价值并非对称正态分布，信用矩阵有两种VaR的度量方法：基于贷款价值正态分布的度量方法和基于贷款价值实际分布的度量方法。
㈣KMV模型与Credit metrics模型的比较分析
KMV模型与Credit metrics模型作为现代企业信用评级模型有以下共同点：
两者都是银行和其它金融机构在进行贷款等授信业务时衡量授信对象的信用状况，分析所面临的信用风险，防止集中授信，进而为实现投资分散化和具体的授信决策提供量化的、更加科学的依据，为以主观性和艺术性为特征的传统信用分析方法提供了很好的补偿。
但是，KMV模型与Credit metrics模型的建模思想具有较大差异，导致其在很多方面仍然具有明显的不同，主要表现在以下5个方面：
1、KMV模型与Credit metrics模型的数据来源不同。
KMV模型对企业信用风险进行衡量的数据主要来自于对该企业股票市场，而Credit metrics模型对企业信用风险的衡量的数据来自于对该企业信用评级变化及其概率的历史分析。这是两者最根本的区别之一。
2、KMV模型是一种动态模型，而Credit metrics模型是一种静态模型。
KMV模型采用的是企业股票市场价格分析方法，所以我们可以随时根据该企业股票市场价格的变化，来更新模型的输入数据，得出及时反映市场预期和企业信用状况变化的新的EDF值。因此，该模型被认为是一种动态模型，可以及时反映信用风险水平的变化。
然而，Credit metrics采用的是企业信用评级指标分析法。企业信用评级，无论是内部评级还是外部评级，都不可能像股票市场价格一样是动态变化的，而是在相当长的一段时间内保持静态特征。这有可能使得该模型的分析结果不能及时反映企业信用状况的变化。
3 、KMV模型是一种向前看（forward-looking）的分析方法，而Credit metrics模型是一种向后看（backward-looking）的分析方法。
同时，也正是因为KMV模型所提供的EDF指标来自于对股票市场价格实时行情的分析，而股票市场的实时行情不仅反映了该企业历史的和当前的发展状况，更重要的是反映了市场中的投资者对于该企业未来发展的综合预期，所以，该模型被认为是一种向前看（forward-looking）的方法，EDF指标中包含了市场投资者对该企业信用状况未来发展趋势的判断。这与Credit metrics模型采用的主要依赖信用状况变化的历史数据的向后看（backward-looking）的方法有根本性的差别。KMV的这种向前看的分析方法在一定程度上克服了依赖历史数据向后看的数理统计模型的“历来可以在未来复制其自身”的缺陷。
4 、KMV所提供的EDF指标是一种对风险的基数衡量法，而Credit metrics所采用的信用评级分析法则是一种序数衡量法。
以基数法来衡量风险最大的特点在于不仅可以反映不同企业风险水平的高低顺序，而且可以反映风险水平差异的程度，因而更加准确。这也更加有利于对贷款的定价。而序数衡量法只能反映企业间信用风险的高低顺序，如BBB级高于BB级，却不能明确说明高到什么程度。
5、Credit metrics是对组合投资的分析，而KMV则是对单个企业信用的分析。
Credit metrics模型比较注重直接分析企业间信用状况变化的相关关系，因而更加与现代组合投资管理理论相吻合。而KMV则是从单个授信企业在股票市场上的价格变化信息入手，着重分析该企业体现在股价变化信息中的自身信用状况，对企业信用变化的相关性没有给予足够的分析。
6、KMV模型是在正态分布的假设的前提之下的，而Credit metrics模型可以对贷款价值进行实际分布的度量。
Credit metrics模型有两种度量方法，即基于贷款价值正态分布的度量方法和基于贷款价值实际分布的度量方法。所以Credit metrics模型在这一方面更准确，与实际现象更接近。
㈤KMV模型与线性模型（Z计分模型和模型）的比较分析
那么，在分析了KMV模型与Credit metrics模型这两种现代企业信用评级模型的异同点之后。我们有必要对现代企业信用评级模型和传统企业信用评级模型进行一个比较，下面我就选取现代企业信用评级模型中的KMV模型与传统的线性模型，对其不同点进行简要的分析。
1、KMV模型所获得的数据来自于股票市场，而线性模型利用的是企业历史账面数据。同样KMV模型是一种向前看（forward-looking）的分析方法，而线性模型是一种向后看（backward-looking）的分析方法。
2、KMV模型建立了以违约风险为核心的信用风险度量体系，有很强的的理论基础为依托，因为它是建立在当代公司理财理论和期权理论基础之上的。而线性模型缺乏对违约和违约风险的认识，理论基础薄弱，难以令人信服。
3、KMV模型是测算预期的违约概率的，它的优点在于引入了大量数学方法、统计方法度量信用风险，它是一种精确的定量分析方法，其假定借款企业的资产价值成正态分布；而线性模型是通过一种线性关系对企业信用状况好坏进行判断分析，更偏向于定性分析，其假定条件是变量成线性分布。
五、新技术信用评级方法
近几年来，信用风险度量的研究出现了结合模糊数学、粗糙集、支持向量机(SVM)、人工神经网络等学科新技术方法的度量信用风险潮流，出现了越来越多的新兴评级方法。
㈠对新技术信用评级方法的总体分析
目前，应用于信用风险度量的新技术方法的学科主要有数学、统计和人工智能等。数学方法有粗糙集、模糊综合评价法，统计方法有Logit模型、支持向量机，人工智能方法有人工神经网络、决策树等方法应用于信用风险的度量和评级的方法。
在各学科新技术方法度量信用风险中，还出现了结合模糊数学使用统计学方法度量信用风险的技术，如模糊逻辑分析模型(fuzzy logic model)，模糊支持向量机(fuzzy support vector machine)等方法，将许多模糊现象如组织管理制度、企业领导人等无法用通常的简单数字来表达的影响因素，用模糊数学来处理能取得更好的效果。
从目前研究结果看，新技术方法基本能得出优于以往计量方法的结果，对样本信息利用率较高，预测能力的稳定性和精度都较强。但是新技术方法过于重视数学方法和统计工具的运用，在信用风险理论及其成因的研究上未能有所突破，其驱动因素基本建立在资产价值基础上，对信用风险的内在因素也有待于进一步完善。由于信用风险内在因素变化较为迅速，这也让新技术度量信用风险在实践中运用变得难以实施，仍需要人们进一步研究。
㈡人工神经网络分析法
所谓的人工神经网络，就是基于模仿生物大脑的结构和功能而构成的一种信息处理系统或计算机，简称神经网络，简写为ANN (Artificial Neural Network)。人工神经网络的基本构架是模仿生物的神经细胞，分为输人层、隐藏层和输出层三层。每一层包括若干代表处理单元的节点，输入层的节点负责接收外在信息(如图1)。
图1 人工神经网络构架图
不同于人脑的输入，人工神经网络所接收的输人信息是各种变量的数量化信息，一个输人变量对应一个输人节点。隐藏层的节点负责处理输人层传来的信息，并转化为中间结果传递给输出层。而输出层的节点就以隐藏层传来的信息与门槛值比较后，得到系统的最后结果，并将结果输出。
与传统的统计方法相比，人工神经网络具有以下特点:1.具有自我组织与学习的能力。2.可以描述输人资料中变量间的非线性关系。3.可以依据样本和环境的变化进行动态的调整。由于企业各项财务指标与信用风险之间往往存在着非线性关系，因此人工神经网络比较适用于企业的信用评价。
㈢模糊分析法
传统的数学或统计方法都是建立在精确的观点假设基础之上，但是在自然科学、社会科学和工程技术等领域，存在着很多模糊或不确定性；人类的认知模式、思考方式、甚至推理逻辑也涉及许多非确定性。
因此利用传统的方法无法解决这样的不确定问题，而模糊数学是将数学的应用范围，从精确扩大到模糊现象的领域，提出了隶属函数理论，确定了某一事物在多大程度上属于所讲的概念，或者不属于所讲的概念，这样描述模糊性问题比精确数学更为合理。同样，企业信用评级也属于模糊性问题，其信用状态如何，用精确数学“是”或“非”的概念很难做出判断，因此，应用模糊分析法对信用状况做出综合评价比较科学。
但是，学术界对于模糊数学的正当性仍然存在怀疑，原因如下:1.模糊逻辑缺乏学习能力，应用上受到一定的。2.模糊系统的稳定性很难获得理论上的保证。3.模糊逻辑不是建立在传统数学的基础上，很难对此逻辑系统的正确性加以验证。
六、结论
由以上可知，对企业进行信用风险度量和评级的方法可谓纷繁复杂，每一种分析方法都有其优点和不足。所以在实际运用中，我们应针对不同的企业，选择不同的评级方法和评级模型；同时，我们应结合多种评级方法，灵活而准确对企业信用风险进行评级。
1、定性分析和定量分析相结合。
以专家系统为代表的传统的定性分析方法应和现在定量分析方法结合使用。在现在企业信用评级中，可以以定量分析方法为基础，但不能局限于定量分析方法，需要结合定性分析方法。因为许多非财务性的因素无法通过简单的量化加以评价，所以采用专家系统等定性评价方式进行风险评级是必不可少的。企业的信用评级从本质上来说，是建立在客观评价方法与主观评价方法基础上的评级方法。
2、动态分析法和静态分析法相结合。
以Z计分和Credit metrics模型为代表的静态分析法，对受评对象的历史资料与定量数据进行分析与预测，可以较为准确地判断企业在一定时期内的信用状况，静态分析是十分必要的。但同时却缺乏全面性与及时性，企业信用评级是建立在考察诸多因素的基础上的，各因素是处于不断变化中的，变化应该在企业信用评级中有所反映。所以对企业信用进行动态评级是对企业信用评级静态指标体系的一种完善。从而在事务操作中，我们应把动态分析法和静态分析法结合起来，对企业信用进行合理的评级。
3、模糊分析法和假设分析法相结合。
传统的线性模型和现代的KMV模型都是建立在精确的观点假设基础之上的，而现实中，这些假设条件往往是不能完全满足的。这时，我们就需要引入模糊分析法，结合模糊数学，将信用评级从精确扩大到模糊现象的领域，对信用状况做出综合评价。
七、文献参考：
【1】 《浅谈企业信用评级》 武明艳 黑龙江对外经贸-2006年6期
【2】 《我国商业银行中小企业信用评级模型研究》 赵家敏 黄英婷 金融论坛2006年4期
【3】 《金融风险管理学》下载本文
