從東南亞金融風暴到阿根廷金融危機，人們早已清楚地認識到一點，金融體系這一把雙刃劍，既可能是經濟加速發展的潤滑劑，也可能成為整個經濟系統崩潰的導火索和危機蔓延的催化劑。當下各國都無法輕松面對嚴峻的金融風險，完善金融機制成為當務之急。1999年《巴塞爾協議》對銀行信用風險模型作出的修改性意見以及前不久震驚世界的安然崩盤從正反兩方面向我們敲響了銀行信用風險的警鐘。

　　面對挾WTO之威的外資銀行對中國巨大市場的覬覦，國有商業銀行承受著重大的壓力，而筆者認為，應對挑戰的關鍵之關鍵在于如何對貸款企業信用進行評估。原因有三，首先由于中國金融市場剛剛起步，許多金融衍生產品沒有誕生，因此貸款收益仍是傳統銀行的主要收入來源；其次，由于中國個人信用制度還不成熟，個人消費貸款在短期內不可能替代企業貸款成為銀行主要發展方向。再者，對銀行過去的壞帳進行分析可以發現，忽視企業信用評估，尤其是忽視企業非財務因素綜合評估是導致銀行貸款壞帳的根本原因。前事不忘，后事之師，筆者將就非財務因素分析這一重要問題進行探討。

　　一、財務因素分析的缺陷

　　由于數據收集容易、定量化和標準化等原因，銀行對企業的貸款傳統上倚重財務分析，但是隨著世界經濟發展，服務業、高新技術產業的迅速崛起，企業信用分析日趨復雜化和無形化，僅僅依賴財務報表上簡單的比例計算已無法確保銀行規避風險目標的實現。具體而言，財務因素分析有以下三大缺陷：

　　1.滯后性

　　財務報表的數據在通常情況下都是以年度為期間統計的，根據報表計算的各種衡量指標，包括流動比率、速動比率、應收帳款回收期天數等都必須在較長時間內（一般為1年）才有意義，因此這些財務比率只能說明過去相當長一段時間內的狀態，卻不能對企業的現狀進行及時揭示。此外，從某種意義上說，各種財務指標只能說明過去實現的價值，而對于銀行來說，所發放的貸款要在一定時期以后才能收回，因此，更應注重企業的未來發展，如產品的市場前景，企業的核心競爭力，技術人員的配置情況，而這些決定企業未來命運的關鍵因素卻根本無法從財務報表中得到體現。

　　2.灰色性

　　財務報表的設置，數據的計量方式很大程度上還存在許多漏洞，這使得財務報表披露的信息很大程度廣告上帶有不完整性，甚至虛假性。僅憑這些信息，銀行信貸人員很可能對企業業績的表面輝煌盲目樂觀，而忽視了表面績優下面隱藏的危機。不久前令世界愕然的安然破產案就是最好的證明。去年被《財富》評為全美第七的能源巨頭安然公司曾經在股市上創造了一個“安然神話”，最高時股價接近90美元，公司市值超過700億美元！就是這么一家連“五大”之一的安達信——負責對其進行審計的公司——也沒有出具保留性的審計意見的“成功”企業卻在頃刻之間轟然倒塌，原因何在？其實根源就在于其在報表上玩的花招。為了能獲得大量低成本的資金以保持高速發展，安然必須獲得較高的信用評級，為此其資產負債表上不能有過多債務。于是安然通過一系列表外交易少報債務。結果其一次性注銷了巨額的投資壞帳引起了人們的警覺，導致股市信心大挫，最終宣告破產。可見財務報表的不完善從根本上使銀行很難控制信用風險，帳目中經常出現的水分也大大增加了銀行信貸人員監控難度。

　　3.短期性

　　銀行信貸人員對財務指標上的注重會促使企業過于追求短期的財務成果，助長了企業急功近利的思想和短期投機行為，使得企業不愿進行可能會降低當前盈利目標的資本去追求長期戰略目標。這反過來會對該企業的貸款，尤其是長期貸款的質量產生負面影響，既違背了商業銀行促進國家經濟的初衷，也將進一步損害到商業銀行自身的利益。

　　二、非財務因素對防范銀行信用風險的作用

　　相對于財務因素分析而言，非財務因素則因其信息量大、隱含信息豐富和動態發展等特點更能有助于信貸人員把握貸款質量，能對企業發展的態勢即時跟蹤。具體說來，其對防范信用風險的作用可以歸納為以下三個方面：

　　1.非財務因素分析有利于信貸人員對貸款進行全面信用管理

　　借鑒跨國公司的全面質量管理機制，將其精髓引入銀行貸款信用管理之中，形成銀行貸款全面信用管理體系。在這一指導思想下，貸款質量監管不僅僅只是信貸人員的職責，而應是全銀行系統的共同目標。隨著銀行商業化的深入，國家對銀行的政策保護將逐漸消失，取而代之的則是市場殘酷的優勝劣汰的競爭。在這種背景下，貸款質量的好壞將直接影響到銀行的生存和未來發展，因此信用風險意識必須深植于每一個銀行職員的心中，無論在貸前、貸中還是貸后，其所涉及的各個環節都應加以嚴格監管。而要做到真正的全面信用管理，光靠幾個財務指標是遠遠不夠的，必須對各種非財務因素進行認真分析，從中發現隱含的風險，及時采取防范措施，將貸款風險降到最小。

　　2.非財務因素分析有利于信貸人員發現潛在風險，完善預警機制

　　任何危機都不可能空穴來風，在其發生前必然有許多先兆顯示，如能及時迅速發現這些先兆下隱含的風險，并發出警報，就能使信貸人員在壞帳發生前做好充分預防準備。信貸風險預警系統就是一種對貸款運行過程中可能發生的貸款資產損失和其體系遭受破壞的可能性進行分析、預報，為資產安全運行提供對策建議的檢測系統。通過建立信用風險預警指標體系，信貸人員根據有關金融法規札國內外經驗數據確定預警臨界值，當某個指標超過臨界值則發出預警信號，及時采取防范與調整措施，從而使銀行轉危為安。在設立預警指標時，非財務因素應是主要組成部分，因為許多風險先兆通常會通過非財務因素暴露出來，例如，國際匯率的大幅變動導致企業原材料進口成本上升，高層領導的突然更換，或者企業牽涉了某法律糾紛等等，這些非財務因素都可以通過各種信息渠道及時掌握，并會對企業的經營狀況帶來一定影響。通過對這些非財務因素的分析，可以強化預警機制的警報作用，及時防范潛在風險。

　　3.非財務因素分析有利于銀行5級貸款分類的具體操作和深入貫徹[1]

　　日前，中國人民銀行發布《關于全面推行貸款質量五級分類管理的通知》，規定自2002年1月1日起，在中國務類銀行全面推行貸款風險分類管理。貸款風險分類管理又稱貸款五級分類風險管理，足指銀行主要依據借款人的還款能力，即最終償還貸款本金和利息的實際能力，確定貸款遭受損失的風險程度，將貸款質量劃分為正常、關注、次級、可疑和損失五類的一種管理方法（其中后三類稱為不良貸款）。對貸款質量進行五級分類披露，有利于提高銀行自身素質，在金融業對外開放進程中更好地參與國際競爭和合作。對《貸款風險分類特征表》中，筆者發現貸款風險分類的標準的最核心內容，就是貸款歸還的可能性。而對歸還可能性進行劃分則離不開非財務因素的分析。在《貸款風險分類特征表》中已經將一定的非財務因素考慮在內，如借款人所屬行業、國內外政策、企業領導成員等。因此加強對借款人非財務因素的分析將有助于更好地執行5級分類，并使其發揮最大效用。

　　三、非財務因素的主要內容

　　目前對于企業非財務因素還沒有建立起一個公認的完整體系，國際上對企業非財務分析通常遵循5C原則，即借款人的品格（Character），能力（Capacity），資本（Capital），擔保（Collateral），環境（Condition）。在此基礎上，筆者結合國內各大商業銀行操作的實際情況，將企業信用非財務體系歸納為以下五大方面：

　　1.管理環境的分析

　　作為社會經濟的微觀單位，企業不可避免地與外界環境保持著密切的聯系，同時也受到外界環境的制約，因此對企業外部環境的分析是保證貸款成功的首要因素。概括而言，管理環境主要包括：

　　（1）一般環境　主要涉及政治、經濟、社會、技術等方面，這些因素的變化都不是借貸雙方所能控制的，但它對借款人還款能力的影響有時可能相當大。不同的行業對一般環境的敏感程度是不同的。如美國“9·11”事件發生后，一些行業如民航、保險都受到了巨大的沖擊，而另外一些如咨詢、制造業等基本不受影響。因此對于不同行業的貸款，應區別對待。

　　（2）任務環境　企業的任務環境與一般環境共同構成了企業的外部環境。與一般環境相比，任務環境更加具體而且直接。任務環境主要涉及借款企業產業鏈上的各個主體，包括資源供應方、企業產品或服務提供方、競爭對手、政府管理當局以及其他相關利益組織或個體。任務環境的好壞直接影響到企業的生存與發展，這就要求銀行必須進行充分了解后才能進行貸款決策。

　　2.企業核心競爭力[2]

　　企業在市場上的表現以及將來的還貸可能性歸根結底是由企業所擁有的核心競爭力決定的。所謂核心競爭力，概括說來就是企業保持持續市場競爭優勢、無法被競爭對手輕易模仿的能力，包括企業開發的獨特產品、獨特的技術和獨特營銷手段等。對于銀行而言，衡量企業核心競爭力應著眼于企業的不可模仿性和戰略性，因為一旦企業形成了某種核心競爭力，將會在較長時間內在同行內形成優勢，從而使對這些企業的貸款的保險系數大大增加。具體而言，衡量指標可大致分為：

　　（1）企業戰略實施情況。主要指企業經營戰略的有效性，客戶戰略實施情況，包括客戶形象策略場策略、資源利用策略、組織策略、投資策略等效果情況。

　　（2）市場占有率。指銷售收入（營業額）在同行業總銷售額中所占比率。

　　（3）技術裝備水平。企業技術、裝備或經營設施是否先進。

　　（4）產品替代性。被其他行業或其他產品替代的可能性。

　　（5）行業壁壘。他人進入此行業所需的資金、技術和政策壁壘情況。

　　（6）議價能力。企業對上、下游客戶的價格談判地位和能力。

　　（7）融資能力。企業在資本市場、貨幣市場的籌資能力。

　　3.企業經營管理水平

　　企業的經營過程中充滿著風險，無論是在貸前、貸中還是貸后，銀行都必須對企業管理水平密切關注，其中尤為重要的是企業的核心領導層素質。無數案例告訴我們，一個優秀的領導組織往往能在關鍵時刻扭轉逆勢，而另一方面，一個不恰當的領導組織也能將蒸蒸日上的企業搞垮。對于企業經營管理水平的考核可以從以下幾方面著手：

　　（1）領導者素質。包括個人領導魅力，可信任度（是否有逃廢債的行為）、專業學歷、榮譽情況、開拓創新、領導班子穩定程度等。

　　（2）員工素質。包括員工專業化程度、培訓情況、穩定性等。

　　（3）組織制度。包括企業產權關系、法人制度是否明晰、組織機構是否完善等。

　　（4）決策機制。企業管理宗旨是否得到員工和社會的認同，決策組織、決策程序是否積極、有效等。

　　（5）人事管理。包括任免機制、獎懲制度、培訓制度等。

　　（6）財務管理。財務制度是否健全，財務報表是否可信等。

　　4.發展前景分析

　　如前所述，銀行對企業的貸款其實是一種遠期收益，即收回貸款本息都將是在貸款后一段時間才發生，其風險也由此而來。因此企業的發展前景對于銀行貸款尤其是長期貸款十分重要。具體而言，企業發展前景可分為：

　　（1）企業所屬周期。包括企業所處行業的發展階段，企業主要產品所處的壽命周期，以及企業發展所處壽命周期。

　　（2）政策支持情況。是否有中央政策及地方政府政策上的支持。

　　（3）股東支持情況。股東實力以及支持情況。

　　（4）銷售分銷渠道。是否擁有有效且可靠的分銷渠道和物流能力。

　　5.信譽狀態分析

　　企業的信譽對貸款質量的意義毋庸質疑，即使經營再好的企業，如果賴帳不還，也將給銀行帶來信用風險。企業的信譽狀態可以從歷史貸款質量、貸款付息情況和存貸比這三項指標中反映出來。目前國有商業銀行通常會在貸款前，到央行企業貸款資料庫中調取所需企業歷史資料，根據這些資料作出判斷。由于企業貸款資料庫通常只對一些國有企業進行存檔，對于那些民營企業或新成立的企業的信譽資料的收集及分析有待于進一步探討。

　　此外，企業信譽中還有一個十分重要的因素，即企業擔保情況。這包括企業貸款所獲得的外界擔保情況，同時也包括企業自身對他人所做的擔保情況。對于前者，銀行自然希望擔保質量越高越好，而對于后者，銀行則要密切關注，因為一旦該企業由于他人還帳而必須履行擔保義務時，將會對企業的經營業績及資產負債產生很大影響。

　　四、非財務因素衡量方法探討

　　非財務因素的衡量存在許多難度，如信息分散、變化快、動態性強等，目前許多銀行大多采用信貸人員打分，然后加權匯總的定性分析。這種定性分析的權數由人為設定，因而具有很強的主觀性和隨意性，無法客觀科學地衡量并做出正確的判斷。針對這一問題，筆者通過介紹國外一些先進的定性指標定量化模型，為國內銀行非財務因素分析提供思路，幫助其完善信貸風險管理系統。現例舉若干方法如下：

　　1.判別分析（Discriminate Analysis，DA）[3]

　　信用分析中，DA方法根據已知的違約，非違約（或多個等級）的企業進行分類構成若干個母體，由這多個母體的特征找出一個或多個判別函數（或準則）用于判別任一已觀察的向量應判屬哪一母體，以及檢驗兩個或多個母體，在所測量的指標變量上是否有顯著差異，如有則指出為哪些指標。DA包括線性判別分析（Linear DA）和二次判別分析（Quadratic DA）。

　　2.聚類分析（Cluster Analysis）[4]屬于非參數統計方法

　　信用風險分析中它根據由借款人的指標計算出的在樣本空間的距離，將其分類。這種方法一個主要優點是不要求總體的具體分布；可對變量采用名義尺度，次序尺度，因此該方法可用于定量研究，也可對現實中的無法用數值精確表述的屬性進行分析。這很適用于信用風險分析中按照定量指標（盈利比、速動比等）和定性指標（管理水平、信用等級等）對并不服從一定分布特性的數據信息分類的要求。

　　3.專家系統（Expert System）[5]

　　專家系統是一種使用知識和推理的智能計算機程序，其目的是將專家解決問題的推理過程再現而成為專家的決策工具或為非專業決策者提供專業性建議。它的功能表現在解釋功能，靈活性，學習功能三方面。專家系統自20世紀80年代以來逐步被用于商業，經濟領域，如會計、審計、稅務信用評分、企業破產預測及證券組合。

　　4.神經網絡（Neural Networks，NN）[6]

　　神經網絡是一種具有模式識別能力，自組織，自適應，自學習特點的計算機制，它的知識編碼于整個權值網絡，呈分布式存儲且具有一定容錯能力。神經網絡對數據的分布要求不嚴格，也不必要詳細表述自變量與因變量之間的函數關系。NN的這些特性使之成為信用風險分析方法的一個熱點。NN在信用風險分析的作用是通過NN的分類功能進行的，即首先找出影響分類的一組因素，作為NN的輸入，然后通過有導師或無導師的訓練形成NN信用風險分析模型。對于新的樣本輸入（即一組影響因素值），該模型可產生信用風險的判別。

　　5.遞歸分類樹（Recursive Classification Tree，RCT）[7]

　　RCT是一種較新的分類技術，它已嘗試用于醫療判斷、環境保護和企業破產預測等方面。將之應用于銀行信用風險管理是一種探索創新。RCT是基于統計理論的非參數識別技術，通過計算機實現。RCT算法將統計分析和計算機運算相結合不僅保持了多元參數，非參數統計的優點，而且克服了其不足。具體表現在：1）RCT自動進行變量選擇，降低維數；2）充分利用先驗信息處理數據間非同質的關系；3）分類結果表達形式簡單易懂，并可有效的用于對數據的處理。

　　「參考文獻」

　　[1]　陳一元。貸款風險分類管理[M].北京：中國商業出版社，1999.13-19.

　　[2]　Prahald.C.K.，Gary Hamel.The Core Competence of the Corporation[J].Harvard Business Review，1990 Vol，68（3）：79-91.

　　[3]　Altman E，Eisenbeis R A，Sinkey J.Applications of classification  techniques in business，Banking and Finance [M].JAI press，Greenwih，CT，1981.

　　[4]　Lundy M.Cluster analysis in credit scoring.Credit Scoring     and Credit Contro [M].New York：Oxford University Press，1993.

　　[5]　Messier W.F.Hansen J V.Inducing rules for expert system  developmetan example using default and bankruptcy data[J].   Management Science，1988，34  （12）：1403-1415.

　　[6]　Coats，P.Fant L.Recognizing financial distress patterns using     neural network tool [M].Financial Management，1993.142-155.

　　[7]　Friedman H，altmen E，Kao D.Introducing Recursive Partitioning  for Financial Classification：The Case of Financial Distress[J].Banking and Finance，1985，11 （1）：269-291.