天津滨海新区地处渤海之滨，面积广阔，其优越的地理位置和良好的投资环境吸引了大批金融机构的进驻。

    目前，滨海新区拥有泰达股份[7.75 0.39%]、天津港[8.91 0.34%]等十余家实力雄厚的上市公司，涉及交通运输仓储业、建筑工程业和有色金属等多种经营领域。商业银行在为区内企业提供贷款、支持滨海新区建设的同时，也应该建立全面风险管理角度的内部控制体系，及时防范信用风险。

商行信用风险评估体系

    美国的COSO框架和我国的《企业内部控制基本规范》都提出风险评估是建立健全内部控制体系的重要内容。

    《新资本[1.50 1.35%]协议》（巴塞尔协议Ⅱ）认为商业银行在日常经营中面临3种风险：信用风险、市场风险和操作风险。信用风险又称违约风险，是指受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性。引发信用风险的因素有预期损失和非预期损失。预期损失是损失分布的平均数，代表银行信用资产组合平均损失；非预期损失是衡量信用损失的方差或资产组合固有的信用风险。

    银行通过提取拨备覆盖预期损失，通过充足的风险资本抵御非预期损失。

     鉴于信用风险的重要性，各方监管机构都对信用风险评估有明确要求。巴塞尔协议Ⅱ鼓励银行采用内部评价法评估信用风险，中国银监会也于2007年2月发布《中国银行[3.31 -0.60%]业实施新资本协议指导意见》，明确国内大型银行采用内部评价法计量信用资本。2009年，国际会计准则理事会（IASB）发布《金融工具：摊余成本和减值》的征求意见稿，提出采用“预期损失模型”来计提商业银行贷款的减值。

    预期损失模型要求贷款在初始确认时即估计其未来整个存续期内的信用损失，并据以确认减值。可见，信用风险不但是金融监管机构的监控重点，而且已经引起了准则制定机构的注意。

银行信用风险评估模型发展

    业银行采用的信用风险评估模型可以分为两类：第一类是计量统计研究法，利用借款企业的财务数据搜寻出违约公司变量之间的关系模型。第二类是结构化研究方法，利用公司资产的价值数据，建立起利率和公司特征变量间的动态化的模型。

    量统计方法中最常用的是评分法，以财务比率为解释变量，建立回归模型。

    奥特曼教授1968年建立的Z-SCore模型（简称“Z值模型”）反映了借款人的财务状况和破产风险。由于Z值模型的线性假设与实际不符，决策树开始引起关注。1992年Jensen利用BP神经网络对贷款企业的分类，准确性达到76-80%。1993年Coats和Pant、Altman，1994年Marco和Varetto采用神经网络分析法分别对美国公司和意大利公司的财务危机进行了预测，取得了一定的成果。

    2002年，钟波、肖志提出基于粗糙集理论的预测方法。粗糙集理论反映了人们以不完全信息处理不可分辨现象的能力，或对不精确的结果通过表征进行分类，有利于从繁多的财务指标中筛选出信用风险的影响因素。

    结构化研究方法则是目前各国商业银行主要采用的方法。风险价值法（VAR）是由摩根公司于1997年推出的，利用借款人的信用评级、评级转移矩阵、信贷利差来度量风险值。另一个著名的信用风险管理模型是美国KMV公司开发的KMV模型，该模型借鉴BlackScholes、MEtron和White的期权定价模型，利用股票市场的交易价格和波动率计算违约概率。

    相对于侧重历史数据的计量统计方法，利用资本市场数据的KMV模型因以未来的角度预测未来而更具说服力。随着计量模型的不断改进，BP神经网络的应用为信用风险预测提供了新的角度。

商业银行信用风险应如何评估

增加风险评估模型的多样性。

    金融机构医院对比KMV模型与BP神经网络模型的风险评估结果，发现BP神经网络的拟合效果更好。但是对于SST天海[11.00 0.27%]的风险预测，二者出现了明显差异，这是因为KMV模型依靠资本市场的数据，SST天海在股票市场的股价稳步上升，而BP神经网络模型是依据财务指标进行训练。这也说明股价不仅受企业财务状况的影响，还受市场供求关系的影响。由于KMV模型的标准正态分布假设不符合实际，BP神经网络模型使用的财务指标又具有滞后性，商业银行应该采用多种类型的评估模型，综合判断信用风险。

    结合内部控制其他要素。美国风险管理框架（ERM，2004）对原有的COSO内控框架进行了补充，增加了事项识别、风险应对等要素，开启了企业全面风险管理的时代。单一的风险评估已经不能满足商业银行对风险的控制要求，还需要配合其他内控要素，做到识别风险、评估风险、应对风险。评价风险也不仅仅是判断风险评估值，还要结合商业银行的风险偏好和风险容忍度，以增加银行的贷款自由度，获取更大收益。

    此外，控制活动、信息和沟通等内控要素也是防范银行工作人员道德风险和逆向选择的重要环节。

    立非上市公司信用风险评估模型。由于上市公司可以获得公开的市场信息，KMV模型对信用风险评估的效果显著，但是非上市公司只能依靠财务数据和类似企业的股价建立线性模型进行风险评估。KMV模型已经在世界范围内得到广泛应用，但是度量非上市公司信用风险的模型还未得到推广。

    际上，公司资产价值和资产回报波动性的影响因素十分复杂，而且其关系也并非是线性的。随着计量技术的发展，商业银行可以采用BP人工网络等非线性模型，利用相似的上市公司资本市场数据采用KMV模型计算资产价值和波动率，并以此作为输出层训练模型，评估非上市公司信用风险，将得到更好的预测精度。

    对不同的贷款类型选择适当的风险评估方法。公司类贷款一般单笔金额较大，主体单一，具有个性化与精细化的特点，需要单独估计预期损失，适合采用巴塞尔Ⅱ的内部评级法，借助KMV、BP人工神经网络模型来评估；而信用卡贷款主体分散，单笔数额小，应该划分为具有相同风险特征的若干资产池，采用风险迁徙矩阵模型，以资产池为单位评估信用风险。