基于因子分析法的商业银行信用风险研究

Research on Credit Risk of Commercial Banks Based on Factor Analysis Method

摘要: 信用风险作为商业银行最普遍且影响最深的风险种类，银行业的信用风险管理的意识以及对它的度量和评价分析体系存在明显不足，因此对银行业信用风险的研究意义深远。文章选取2022年4家国有独资银行和28家城市商业银行为样本，基于美国CAMEL评价体系，纳入银行成长性指标，运用因子分析法探讨上市商业银行信用风险影响因素。研究结果表明：(1) 股份制地方性商业银行的信用风险相对较大；(2) 提高流动性能够降低国有独资银行的信用风险；(3) 增强资产安全能力和盈利能力、提高资本充足性和流动性的可控程度可以更好降低商业银行的信用风险。

Abstract: Credit risk, as the most common and deeply influential type of risk in commercial banks, has obvious shortcomings in the awareness of credit risk management in the banking industry, as well as the measurement and evaluation analysis system for it. Therefore, the research on credit risk in the banking industry has profound significance. The article selects four state-owned sole proprietorship banks and 28 urban commercial banks in 2022 as samples, based on the CAMEL evaluation system in the United States, incorporates bank growth indicators, and uses factor analysis to explore the factors affecting credit risk of listed commercial banks. The research results indicate that: (1) the credit risk of local joint-stock commercial banks is relatively high; (2) improving liquidity can reduce the credit risk of state-owned sole proprietorship banks; (3) enhancing asset security and profitability, improving the controllability of capital adequacy and liquidity, can better reduce the credit risk of commercial banks.

1. 引言

随着全球金融市场的不断演变和中国经济的快速发展，商业银行作为金融体系的核心组成部分，承担着资金的媒介、信用的创造和风险的管理等多重职责。在这一过程中，信用风险作为银行业最为普遍且深刻的风险之一，已成为业界和学术界关注的焦点之一。商业银行信用风险的管理不仅关乎银行自身的稳健经营和可持续发展，更直接牵涉到金融市场和整个金融体系的稳定性和健康发展。同时，金融创新的不断推进和金融市场的不断深化，商业银行信用风险管理的复杂性和挑战性也日益增加。信用风险不仅来源于贷款业务，还涉及到与客户的各种金融交易和业务往来。

传统的信用风险度量方法主要依靠历史数据和经验法则，但随着金融市场的复杂性增加和数据可获取性的改善，因子分析法作为一种先进的量化方法逐渐被引入。因子分析法可以多维度捕捉、简化模型并且灵活运用模型以及提炼信息。因子分析能从众多的信用风险指标中提取潜在的共同因素，将原始数据转化为更少的维度，更全面地捕捉商业银行信用风险的复杂性；因子分析也有助于简化信用风险度量模型，将大量信息凝练为更为简洁的形式。同时，因子分析方法相对灵活，可以根据具体情况和需求进行调整。这使得银行可以根据不同的市场条件和风险偏好，调整模型。在商业银行信用风险度量中，因子分析的这些优势为银行提供了更为全面、深入和灵活的风险评估手段，有助于更好地应对不断变化的金融市场环境。鉴于此，本文运用因子分析法对我国2022年32家上市商业银行的信用风险进行度量和研究，分析不同指标对银行信用风险的影响程度，以求更好监测银行信用风险。

2. 文献综述

国内外学者研究商业银行的信用风险早有成就，为了更加客观的测度信用风险，统计学方法和数学模型被大量运用，通常包括传统和现代两种测量模型。传统模型大致包括：ZETA、MDA、Z-score及Logit模型等，对于Logit模型，由于较宽松的假设条件，已经取得了显著的进展。现代测量模型也是最受学者青睐，比如KMV模型(基于期权理论而提出)、CreditMetrics模型(基于var值方法而提出)等[1]。同时，随着计算机和人工智能的崛起，一些非统计学方法：神经网络技术、支持向量机、遗传算法等也被运用于信用风险的测度，但是这些模型和方法弊端太过明显，其运算过程复杂且需要大量数据[2]。

目前，国内学者通常以定性分析为主，但这难以适应现代商业银行全面和动态风险管理的需要。杨秀云(2016)和万言(2012)等都运用KMV模型来对各商业银行的信用风险进行测量，但KMV模型所需指标参数难以获得，且模型的风险识别能力有限[3] [4]；徐雨珊(2018)发现CreditRisk + 模型所需的违约概率数据并不适合我国商业银行的信用风险研究[5]；周旺(2017)等对安徽省15家上市商业银行进行因子分析，探讨适合我国商业银行信用风险管控模型[6]；陈云(2022)运用因子分析法对2018~2020年这三年系统重要性银行名单的部分商业银行进行实证研究，研究表明因子分析法能有效评估商业银行面临的信用风险[7]。

3. 实证分析

3.1. 研究设计

3.1.1. 样本选择及数据来源

本文的样本包括4家国有独资银行和28家城市商业银行共32个样本，数据来源于各商业银行2022年年报及东方财富网，通过选取整理，计算出资本杠杆比率、营业净利率、流动性比率以及存贷款增长率，最后利用python进行实证分析。

3.1.2. 指标选取

美国“骆驼评级体系(CAMEL)”是目前对商业银行及其金融机构的业务经营、信用状况等进行综合等级评定的一整套规划化制度。对其五项指标进行考核，即资本充足性、资产质量、管理水平、盈利水平和流动性。就上述五个指标选取了下列10个指标(见表1)。此外，本篇文章还加入了1个成长能力相关指标[8]，即总资产增长率，用于体现我国上市商业银行经营业务的增速，从而对该银行的潜力和未来预期做出判断。

Table 1. Credit risk evaluation indicators

表1. 信用风险评价指标

指标分类	指标名称	计算公式	代码
资产安全性指标	资本充足率	资本金/风险资产	X1
	核心资本充足率	核心资本净额/表内外风险加权资产总额	X2
	不良贷款率	不良贷款总额/贷款总额	X3
	拨备覆盖率	银行自提	X4
盈利能力	总资产利润率	净利润总额/总资产	X5
	净资产收益率	净利润/平均净资产	X6
	营业利润率	净利润/营业收入	X7
流动性指标	流动性比率	流动性资产/流动性负债	X8
	现金资产比率	现金资产/资产总额	X9
成长性指标	总资产增长率	资产总额/期初资产总额	X10

3.2. 实证分析

3.2.1. 数据的充分性检测

首先进行巴特利特球状检验，如果p值小于0.05，则适合做因子分析；再进行KMO检验，检查变量间的相关性和偏相关性，取值在0~1之间；KMO统计量越接近1，变量间的相关性越强，偏相关性越弱，因子分析的效果越好。如表2所示，经过检验KMO的检验的结果为0.6572，巴特利特的显著性小于0.05，大于判别值0.6，因此满足进行因子分析所需条件，适合后续对因子进行分析。

3.2.2. 确定因子数

因子个数的选择，一般会按照特征根大于1的标准或者累计贡献率设置一个值来判断。根据结果，选取特征值大于1的公因子来做因子分析，分别命名为F1、F2、F3、F4。从表3可以得到这四个公共因子的方差累积贡献率数值为85.53%，原则上必须大于85%；因此本文所选的4个公因子可以用于代表已选取的10个主成分指标，且效果较好。

Table 2. KMO and Bartlett’s test

表2. KMO和巴特利特检验

KMO取样数值		0.6572
巴特利特球形度检验	近似卡方	194.339
	显著性	0.000

Table 3. Eigenvalues, variance contribution rate, and cumulative variance contribution rate

表3. 特征值、方差贡献率和方差累计贡献率

成分	旋转前特征值			提取载荷平方和			旋转后载荷平方和
	总计	方差贡献率	累计	总计	方差贡献率	累计	总计	方差贡献率	累计
1	4.061	0.406	0.406	4.061	0.406	0.406	3.621	0.362	0.362
2	2.091	0.209	0.615	2.091	0.209	0.615	2.126	0.213	0.575
3	1.280	0.128	0.743	1.280	0.128	0.743	1.526	0.153	0.727
4	1.121	0.112	0.855	1.121	0.112	0.855	1.280	0.128	0.855

3.2.3. 因子的命名

表4展现出来处理后的旋转因子载荷矩阵，将各个财务观测载荷系数的绝对值进行对比，分配10个主成分指标，根据最初选择的分组对因子进一步分析，结果如表4：

Table 4. Rotated factor component matrix

表4. 旋转后的因子成分矩阵

变量	成分因子
	1	2	3	4
资本充足率X1	0.112	0.877	0.158	0.055
核心资本充足率X2	0.075	0.946	0.101	0.035
不良贷款率X3	−0.839	0.168	−0.218	−0.327
拨备覆盖率X4	0.842	−0.141	0.099	0.322
总资产收益率X5	0.818	0.237	−0.361	−0.123
净资产收益率X6	0.923	0.132	0.058	0.027
营业利润率X7	0.729	0.400	0.047	−0.044
流动性比率X8	0.169	0.093	−0.006	0.944
现金资产比率X9	−0.110	0.411	0.784	0.324
总资产增长率X10	0.307	0.058	0.799	−0.226

F1因子在不良贷款率、拨备覆盖率、总资产收益率、净资产收益率、营业利润率这5个指标上的载荷系数较大，不良贷款率和拨备覆盖率体现出商业银行对自身风险和财务的自控能力程度，表明商业银行对自身的资金安全的控制，间接影响商业银行的盈利能力；总资产、净资产收益率和营业利润率体现出商业银行对资金运用后的利润获取能力，直接关乎银行的经营盈利能力，所以将其命名为资金安全盈利因子。

F2因子在资本充足率、核心资本充足率这2个指标上载荷系数较大，资本充足率和核心资本充足率反映出各商业银行能否运用自有资本解决面临损失的能力，所以将其命名为资本充足性因子。

F3因子在现金资产比率和总资产增长率2个指标上载荷系数较大，现金资产比率体现出各商业银行对于短期资产的运用情况，反映出对流动性资产的可控程度，关乎短期资产的配置；总资产增长率体现了各商业银行对于一个年度的资产运用和配置情况，关乎长期资产的配置，所以将其命名为资金配置能力因子。

F4因子在流动性比率上的载荷系数较大，流动性比率体现出商业银行对流动性资产和负债的利用程度，所以将其命名为流动性因子。总结出来如表5：

Table 5. Summary of factor naming and principal component indicators

表5. 因子命名及主成分指标总结

主因子	F1	F2	F3	F4
因子载荷指标	X3、X4、X5、X6、X7	X1、X2	X9、X10	X8
因子命名	安全盈利因子	资本充足性因子	资金配置能力因子	流动性因子

3.2.4. 因子的计算

因子的得分值大小可以判定信用风险的大小。得分值越大，银行的信用风险越低；反之越大。可以从表6数据中得到各成分因子与比率之间的关系式(举例F1)

F1 (安全盈利因子) = −0.026 * X₁ − 0.033 * X₂ − 0.212 * X₃ + 0.221 * X₄ + 0.276 * X₅ + 0.266 * X₆ + 0.202 * X₇ − 0.047 * X₈ − 0.144 * X₉ + 0.050 * X₁₀

Table 6. Component factor score coefficient matrix

表6. 成分因子得分系数矩阵

财务指标	成分
	factor1	factor2	factor3	factor4
资本充足率X1	−0.026	0.423	−0.023	0.008
核心资本充足率X2	−0.033	0.472	−0.087	0.001
不良贷款率X3	−0.212	0.174	−0.144	−0.169
拨备覆盖率X4	0.221	−0.143	0.053	0.173
总资产收益率X5	0.276	0.127	−0.304	−0.169
净资产收益率X6	0.266	0.004	0.001	−0.084
营业利润率X7	0.202	0.156	−0.032	−0.126
流动性比率X8	−0.047	0.030	−0.120	0.772
现金资产比率X9	−0.144	0.104	0.475	0.219
总资产增长率X10	0.050	−0.105	0.611	−0.285

计算总得分时，将4个公共因子的方差贡献率作为其权重进行计算，公式为：

F = (0.362 × F1+ 0.213 × F2 + 0.153 × F3 + 0.128 × F4)/0.855.

此处用python进行4个公共因子得分计算，并用EXCEL进行总得分计算。排名如表7：

Table 7. Factor scores and credit risk ranking

表7. 因子得分及信用风险排序

银行	因子得分				总得分 F	排名
	F1	F2	F3	F4
招商银行	1.800	2.616	−0.787	−0.555	1.189929913	1
无锡银行	0.825	0.386	−0.953	3.866	0.853423468	2
建设银行	0.023	2.786	0.476	−0.499	0.714378143	3
成都银行	2.165	−0.683	−0.822	0.311	0.64593043	4
宁波银行	1.653	−0.366	0.24	−0.556	0.568166427	5
工商银行	−0.394	2.507	0.49	−0.013	0.543430007	6
邮储银行	−0.125	−0.539	1.077	3.508	0.530800121	7
南京银行	1.192	−0.22	0.43	−0.52	0.449000045	8
中国银行	−1.072	1.616	2.189	−0.058	0.33159509	9
苏州银行	0.894	−0.455	0.228	−0.325	0.257358777	10
杭州银行	1.153	−1.415	1.131	−0.601	0.248208988	11
江苏银行	1.065	−0.657	0.051	−0.514	0.219094891	12
厦门银行	0.213	−0.791	2.175	−0.536	0.202272656	13
长沙银行	0.256	−0.015	0.114	−0.06	0.115913449	14
兴业银行	0.744	0.018	−0.749	−0.52	0.107652519	15
农业银行	−0.502	0.467	0.903	0.006	0.066275785	16
西安银行	−0.598	0.173	0.245	0.877	−0.034906236	17
贵阳银行	0.003	0.888	−1.002	−0.652	−0.054587354	18
平安银行	0.307	−0.732	0.031	−0.115	−0.064178197	19
齐鲁银行	−0.1974	−0.304	0.577	−0.208	−0.08685274	20
交通银行	−0.532	0.03	0.086	−0.163	−0.226693798	21
上海银行	0.067	−0.573	−0.511	−0.524	−0.284440011	22
重庆银行	−0.385	−0.229	−0.363	−0.231	−0.319531563	23
中信银行	−0.259	−0.622	−0.395	−0.257	−0.373605853	24
光大银行	−0.294	−0.674	−0.429	−0.192	−0.398072809	25
青岛银行	−0.472	−0.656	−0.622	0.085	−0.461791522	26
北京银行	−0.485	−0.346	−0.752	−0.244	−0.462462297	27
浙商银行	−1.116	−1.144	0.918	−0.484	−0.66581755	28
浦发银行	−1.18	−0.459	−0.209	−0.144	−0.672790755	29
华夏银行	−1.055	−0.033	−1.483	−0.438	−0.785606623	30
民生银行	−1.558	−0.32	−0.821	−0.235	−0.921480159	31
郑州银行	−2.138	−0.253	−1.46	−0.008	−1.230613242	32

4. 研究结论与政策建议

4.1. 研究结论

本文运用因子分析方法，探讨上市商业银行信用风险的影响因素。主要结论如下：(1) 表7的排名是按照信用风险从小到大的顺序。选取的2022年的32家样本银行中，有16家银行的总得分低于零，它们的信用风险相对来说比较大，且全为股份制地方性商业银行。(2) 4家国有独资商业银行中，工商银行、中国银行、农业银行均在资产安全盈利因子上得分较低，落后于其他股份制商业银行，说明其资金的安全性需要得到重视，同时需要提高自身盈利水平；中国银行、工商银行、建设银行的流动性因子得分均为负数，农业银行的流动性因子得分也较低，说明四大国有独资银行的流动性均需要提高，从而来降低自身的信用风险。(3) 结合因子代表性指标的横向分析和得分比较分析，可以发现，银行的资产安全和盈利因子占36.2%，比重最大；其次是资本充足性因子。因此，增强资产安全能力和盈利能力，在降低商业银行信用风险上会有显著的增益效果，商业银行应该更加重视资产安全、资本充足率的改善问题；其次是对流动资金和长期资金的配置加强管理和把控，最后也要注重短期的偿债能力，这样更有利于将信用风险做到可控范围。

4.2. 政策建议

基于上文分析结果并针对商业银行面临的现实信用风险，提出以下建议：

(1) 提高资产质量安全性管理

商业银行应加强对借款人的风险评估，并审慎放贷，应定期审查和更新贷款组合，及时发现并应对潜在的信用风险。同时，商业银行应建立有效的不良资产监控和追踪机制，定期审查和更新不良资产清单，制定相应的处置措施，并及时采取必要的风险控制措施，以减少不良资产对资本和偿付能力的冲击。

(2) 扩大业务范围和提高业务效率

盈利能力因子在大多数商业银行的得分中较低，对于地方性商业银行，没有国有银行的优势，因此可以积极争取产品创新和多元化，开发新的金融产品和服务，以满足客户不断变化的需求；通过创新和多元化，吸引更多的客户和业务。同时，也需要不断提高内部业务流程和操作效率，优化核心业务流程，提高工作效率和准确性。