从东南亚金融风暴到阿根廷金融危机，人们早已清楚地认识到一点，金融体系这一把双刃剑，既可能是经济加速发展的润滑剂，也可能成为整个经济系统崩溃的导火索和危机蔓延的催化剂。当下各国都无法轻松面对严峻的金融风险，完善金融机制成为当务之急。1999年《巴塞尔协议》对银行信用风险模型作出的修改性意见以及前不久震惊世界的安然崩盘从正反两方面向我们敲响了银行信用风险的警钟。

　　面对挟WTO之威的外资银行对中国巨大市场的觊觎，国有商业银行承受着重大的压力，而笔者认为，应对挑战的关键之关键在于如何对贷款企业信用进行评估。原因有三，首先由于中国金融市场刚刚起步，许多金融衍生产品没有诞生，因此贷款收益仍是传统银行的主要收入来源；其次，由于中国个人信用制度还不成熟，个人消费贷款在短期内不可能替代企业贷款成为银行主要发展方向。再者，对银行过去的坏帐进行分析可以发现，忽视企业信用评估，尤其是忽视企业非财务因素综合评估是导致银行贷款坏帐的根本原因。前事不忘，后事之师，笔者将就非财务因素分析这一重要问题进行探讨。

　　一、财务因素分析的缺陷

　　由于数据收集容易、定量化和标准化等原因，银行对企业的贷款传统上倚重财务分析，但是随着世界经济发展，服务业、高新技术产业的迅速崛起，企业信用分析日趋复杂化和无形化，仅仅依赖财务报表上简单的比例计算已无法确保银行规避风险目标的实现。具体而言，财务因素分析有以下三大缺陷：

　　1.滞后性

　　财务报表的数据在通常情况下都是以年度为期间统计的，根据报表计算的各种衡量指标，包括流动比率、速动比率、应收帐款回收期天数等都必须在较长时间内（一般为1年）才有意义，因此这些财务比率只能说明过去相当长一段时间内的状态，却不能对企业的现状进行及时揭示。此外，从某种意义上说，各种财务指标只能说明过去实现的价值，而对于银行来说，所发放的贷款要在一定时期以后才能收回，因此，更应注重企业的未来发展，如产品的市场前景，企业的核心竞争力，技术人员的配置情况，而这些决定企业未来命运的关键因素却根本无法从财务报表中得到体现。

　　2.灰色性

　　财务报表的设置，数据的计量方式很大程度上还存在许多漏洞，这使得财务报表披露的信息很大程度广告上带有不完整性，甚至虚假性。仅凭这些信息，银行信贷人员很可能对企业业绩的表面辉煌盲目乐观，而忽视了表面绩优下面隐藏的危机。不久前令世界愕然的安然破产案就是最好的证明。去年被《财富》评为全美第七的能源巨头安然公司曾经在股市上创造了一个“安然神话”，最高时股价接近90美元，公司市值超过700亿美元！就是这么一家连“五大”之一的安达信——负责对其进行审计的公司——也没有出具保留性的审计意见的“成功”企业却在顷刻之间轰然倒塌，原因何在？其实根源就在于其在报表上玩的花招。为了能获得大量低成本的资金以保持高速发展，安然必须获得较高的信用评级，为此其资产负债表上不能有过多债务。于是安然通过一系列表外交易少报债务。结果其一次性注销了巨额的投资坏帐引起了人们的警觉，导致股市信心大挫，最终宣告破产。可见财务报表的不完善从根本上使银行很难控制信用风险，帐目中经常出现的水分也大大增加了银行信贷人员监控难度。

　　3.短期性

　　银行信贷人员对财务指标上的注重会促使企业过于追求短期的财务成果，助长了企业急功近利的思想和短期投机行为，使得企业不愿进行可能会降低当前盈利目标的资本去追求长期战略目标。这反过来会对该企业的贷款，尤其是长期贷款的质量产生负面影响，既违背了商业银行促进国家经济的初衷，也将进一步损害到商业银行自身的利益。

　　二、非财务因素对防范银行信用风险的作用

　　相对于财务因素分析而言，非财务因素则因其信息量大、隐含信息丰富和动态发展等特点更能有助于信贷人员把握贷款质量，能对企业发展的态势即时跟踪。具体说来，其对防范信用风险的作用可以归纳为以下三个方面：

　　1.非财务因素分析有利于信贷人员对贷款进行全面信用管理

　　借鉴跨国公司的全面质量管理机制，将其精髓引入银行贷款信用管理之中，形成银行贷款全面信用管理体系。在这一指导思想下，贷款质量监管不仅仅只是信贷人员的职责，而应是全银行系统的共同目标。随着银行商业化的深入，国家对银行的政策保护将逐渐消失，取而代之的则是市场残酷的优胜劣汰的竞争。在这种背景下，贷款质量的好坏将直接影响到银行的生存和未来发展，因此信用风险意识必须深植于每一个银行职员的心中，无论在贷前、贷中还是贷后，其所涉及的各个环节都应加以严格监管。而要做到真正的全面信用管理，光靠几个财务指标是远远不够的，必须对各种非财务因素进行认真分析，从中发现隐含的风险，及时采取防范措施，将贷款风险降到最小。

　　2.非财务因素分析有利于信贷人员发现潜在风险，完善预警机制

　　任何危机都不可能空穴来风，在其发生前必然有许多先兆显示，如能及时迅速发现这些先兆下隐含的风险，并发出警报，就能使信贷人员在坏帐发生前做好充分预防准备。信贷风险预警系统就是一种对贷款运行过程中可能发生的贷款资产损失和其体系遭受破坏的可能性进行分析、预报，为资产安全运行提供对策建议的检测系统。通过建立信用风险预警指标体系，信贷人员根据有关金融法规札国内外经验数据确定预警临界值，当某个指标超过临界值则发出预警信号，及时采取防范与调整措施，从而使银行转危为安。在设立预警指标时，非财务因素应是主要组成部分，因为许多风险先兆通常会通过非财务因素暴露出来，例如，国际汇率的大幅变动导致企业原材料进口成本上升，高层领导的突然更换，或者企业牵涉了某法律纠纷等等，这些非财务因素都可以通过各种信息渠道及时掌握，并会对企业的经营状况带来一定影响。通过对这些非财务因素的分析，可以强化预警机制的警报作用，及时防范潜在风险。

　　3.非财务因素分析有利于银行5级贷款分类的具体操作和深入贯彻[1]

　　日前，中国人民银行发布《关于全面推行贷款质量五级分类管理的通知》，规定自2002年1月1日起，在中国务类银行全面推行贷款风险分类管理。贷款风险分类管理又称贷款五级分类风险管理，足指银行主要依据借款人的还款能力，即最终偿还贷款本金和利息的实际能力，确定贷款遭受损失的风险程度，将贷款质量划分为正常、关注、次级、可疑和损失五类的一种管理方法（其中后三类称为不良贷款）。对贷款质量进行五级分类披露，有利于提高银行自身素质，在金融业对外开放进程中更好地参与国际竞争和合作。对《贷款风险分类特征表》中，笔者发现贷款风险分类的标准的最核心内容，就是贷款归还的可能性。而对归还可能性进行划分则离不开非财务因素的分析。在《贷款风险分类特征表》中已经将一定的非财务因素考虑在内，如借款人所属行业、国内外政策、企业领导成员等。因此加强对借款人非财务因素的分析将有助于更好地执行5级分类，并使其发挥最大效用。

　　三、非财务因素的主要内容

　　目前对于企业非财务因素还没有建立起一个公认的完整体系，国际上对企业非财务分析通常遵循5C原则，即借款人的品格（Character），能力（Capacity），资本（Capital），担保（Collateral），环境（Condition）。在此基础上，笔者结合国内各大商业银行操作的实际情况，将企业信用非财务体系归纳为以下五大方面：

　　1.管理环境的分析

　　作为社会经济的微观单位，企业不可避免地与外界环境保持着密切的联系，同时也受到外界环境的制约，因此对企业外部环境的分析是保证贷款成功的首要因素。概括而言，管理环境主要包括：

　　（1）一般环境　主要涉及政治、经济、社会、技术等方面，这些因素的变化都不是借贷双方所能控制的，但它对借款人还款能力的影响有时可能相当大。不同的行业对一般环境的敏感程度是不同的。如美国“9·11”事件发生后，一些行业如民航、保险都受到了巨大的冲击，而另外一些如咨询、制造业等基本不受影响。因此对于不同行业的贷款，应区别对待。

　　（2）任务环境　企业的任务环境与一般环境共同构成了企业的外部环境。与一般环境相比，任务环境更加具体而且直接。任务环境主要涉及借款企业产业链上的各个主体，包括资源供应方、企业产品或服务提供方、竞争对手、政府管理当局以及其他相关利益组织或个体。任务环境的好坏直接影响到企业的生存与发展，这就要求银行必须进行充分了解后才能进行贷款决策。

　　2.企业核心竞争力[2]

　　企业在市场上的表现以及将来的还贷可能性归根结底是由企业所拥有的核心竞争力决定的。所谓核心竞争力，概括说来就是企业保持持续市场竞争优势、无法被竞争对手轻易模仿的能力，包括企业开发的独特产品、独特的技术和独特营销手段等。对于银行而言，衡量企业核心竞争力应着眼于企业的不可模仿性和战略性，因为一旦企业形成了某种核心竞争力，将会在较长时间内在同行内形成优势，从而使对这些企业的贷款的保险系数大大增加。具体而言，衡量指标可大致分为：

　　（1）企业战略实施情况。主要指企业经营战略的有效性，客户战略实施情况，包括客户形象策略场策略、资源利用策略、组织策略、投资策略等效果情况。

　　（2）市场占有率。指销售收入（营业额）在同行业总销售额中所占比率。

　　（3）技术装备水平。企业技术、装备或经营设施是否先进。

　　（4）产品替代性。被其他行业或其他产品替代的可能性。

　　（5）行业壁垒。他人进入此行业所需的资金、技术和政策壁垒情况。

　　（6）议价能力。企业对上、下游客户的价格谈判地位和能力。

　　（7）融资能力。企业在资本市场、货币市场的筹资能力。

　　3.企业经营管理水平

　　企业的经营过程中充满着风险，无论是在贷前、贷中还是贷后，银行都必须对企业管理水平密切关注，其中尤为重要的是企业的核心领导层素质。无数案例告诉我们，一个优秀的领导组织往往能在关键时刻扭转逆势，而另一方面，一个不恰当的领导组织也能将蒸蒸日上的企业搞垮。对于企业经营管理水平的考核可以从以下几方面着手：

　　（1）领导者素质。包括个人领导魅力，可信任度（是否有逃废债的行为）、专业学历、荣誉情况、开拓创新、领导班子稳定程度等。

　　（2）员工素质。包括员工专业化程度、培训情况、稳定性等。

　　（3）组织制度。包括企业产权关系、法人制度是否明晰、组织机构是否完善等。

　　（4）决策机制。企业管理宗旨是否得到员工和社会的认同，决策组织、决策程序是否积极、有效等。

　　（5）人事管理。包括任免机制、奖惩制度、培训制度等。

　　（6）财务管理。财务制度是否健全，财务报表是否可信等。

　　4.发展前景分析

　　如前所述，银行对企业的贷款其实是一种远期收益，即收回贷款本息都将是在贷款后一段时间才发生，其风险也由此而来。因此企业的发展前景对于银行贷款尤其是长期贷款十分重要。具体而言，企业发展前景可分为：

　　（1）企业所属周期。包括企业所处行业的发展阶段，企业主要产品所处的寿命周期，以及企业发展所处寿命周期。

　　（2）政策支持情况。是否有中央政策及地方政府政策上的支持。

　　（3）股东支持情况。股东实力以及支持情况。

　　（4）销售分销渠道。是否拥有有效且可靠的分销渠道和物流能力。

　　5.信誉状态分析

　　企业的信誉对贷款质量的意义毋庸质疑，即使经营再好的企业，如果赖帐不还，也将给银行带来信用风险。企业的信誉状态可以从历史贷款质量、贷款付息情况和存贷比这三项指标中反映出来。目前国有商业银行通常会在贷款前，到央行企业贷款资料库中调取所需企业历史资料，根据这些资料作出判断。由于企业贷款资料库通常只对一些国有企业进行存档，对于那些民营企业或新成立的企业的信誉资料的收集及分析有待于进一步探讨。

　　此外，企业信誉中还有一个十分重要的因素，即企业担保情况。这包括企业贷款所获得的外界担保情况，同时也包括企业自身对他人所做的担保情况。对于前者，银行自然希望担保质量越高越好，而对于后者，银行则要密切关注，因为一旦该企业由于他人还帐而必须履行担保义务时，将会对企业的经营业绩及资产负债产生很大影响。

　　四、非财务因素衡量方法探讨

　　非财务因素的衡量存在许多难度，如信息分散、变化快、动态性强等，目前许多银行大多采用信贷人员打分，然后加权汇总的定性分析。这种定性分析的权数由人为设定，因而具有很强的主观性和随意性，无法客观科学地衡量并做出正确的判断。针对这一问题，笔者通过介绍国外一些先进的定性指标定量化模型，为国内银行非财务因素分析提供思路，帮助其完善信贷风险管理系统。现例举若干方法如下：

　　1.判别分析（Discriminate Analysis，DA）[3]

　　信用分析中，DA方法根据已知的违约，非违约（或多个等级）的企业进行分类构成若干个母体，由这多个母体的特征找出一个或多个判别函数（或准则）用于判别任一已观察的向量应判属哪一母体，以及检验两个或多个母体，在所测量的指标变量上是否有显著差异，如有则指出为哪些指标。DA包括线性判别分析（Linear DA）和二次判别分析（Quadratic DA）。

　　2.聚类分析（Cluster Analysis）[4]属于非参数统计方法

　　信用风险分析中它根据由借款人的指标计算出的在样本空间的距离，将其分类。这种方法一个主要优点是不要求总体的具体分布；可对变量采用名义尺度，次序尺度，因此该方法可用于定量研究，也可对现实中的无法用数值精确表述的属性进行分析。这很适用于信用风险分析中按照定量指标（盈利比、速动比等）和定性指标（管理水平、信用等级等）对并不服从一定分布特性的数据信息分类的要求。

　　3.专家系统（Expert System）[5]

　　专家系统是一种使用知识和推理的智能计算机程序，其目的是将专家解决问题的推理过程再现而成为专家的决策工具或为非专业决策者提供专业性建议。它的功能表现在解释功能，灵活性，学习功能三方面。专家系统自20世纪80年代以来逐步被用于商业，经济领域，如会计、审计、税务信用评分、企业破产预测及证券组合。

　　4.神经网络（Neural Networks，NN）[6]

　　神经网络是一种具有模式识别能力，自组织，自适应，自学习特点的计算机制，它的知识编码于整个权值网络，呈分布式存储且具有一定容错能力。神经网络对数据的分布要求不严格，也不必要详细表述自变量与因变量之间的函数关系。NN的这些特性使之成为信用风险分析方法的一个热点。NN在信用风险分析的作用是通过NN的分类功能进行的，即首先找出影响分类的一组因素，作为NN的输入，然后通过有导师或无导师的训练形成NN信用风险分析模型。对于新的样本输入（即一组影响因素值），该模型可产生信用风险的判别。

　　5.递归分类树（Recursive Classification Tree，RCT）[7]

　　RCT是一种较新的分类技术，它已尝试用于医疗判断、环境保护和企业破产预测等方面。将之应用于银行信用风险管理是一种探索创新。RCT是基于统计理论的非参数识别技术，通过计算机实现。RCT算法将统计分析和计算机运算相结合不仅保持了多元参数，非参数统计的优点，而且克服了其不足。具体表现在：1）RCT自动进行变量选择，降低维数；2）充分利用先验信息处理数据间非同质的关系；3）分类结果表达形式简单易懂，并可有效的用于对数据的处理。

　　「参考文献」

　　[1]　陈一元。贷款风险分类管理[M].北京：中国商业出版社，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.