開篇：寫作不僅是一種記錄，更是一種創(chuàng)造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇統(tǒng)計(jì)學(xué)決策規(guī)則，希望這些內(nèi)容能成為您創(chuàng)作過程中的良師益友，陪伴您不斷探索和進(jìn)步。

第1篇

關(guān)鍵詞:信用風(fēng)險(xiǎn);模糊聚類;變精度粗糙集;決策規(guī)則

中圖分類號(hào):F830.5 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1003-5192(2009)05-0032-06

Credit Risk Evaluation Based on Fuzzy Cluster and Variable Precision Rough Set

GUO Jun-hua1,2,LI Bang-yi1

(1.School of Economics and Management, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China; 2.School of Economics and Management, East China Jiaotong University, Nanchang 330013, China)

Abstract:Credit risk evaluation is one of the most important problems in the finance field. Fuzzy cluster and variable precision rough set theory are introduced to evaluate credit risk. Fuzzy cluster is applied to discriminate sample data. Then, decision rules are extracted by variable precision rough set theory. The result indicates that sample datacan be classifiedcorrectly by the decision rules which have the character of anti-interference.

Key words:credit risk; fuzzy cluster; variable precision rough set; decision rule

1 引言

信用風(fēng)險(xiǎn)評(píng)價(jià)是商業(yè)銀行貸款的重要依據(jù)。世界銀行對(duì)全球銀行業(yè)危機(jī)的研究表明,導(dǎo)致銀行破產(chǎn)的主要原因就是信用風(fēng)險(xiǎn)[1]。隨著2007年我國(guó)銀行業(yè)的全面放開,我國(guó)商業(yè)銀行面臨的競(jìng)爭(zhēng)更加劇烈,如何科學(xué)、合理地對(duì)企業(yè)做出正確的信用風(fēng)險(xiǎn)評(píng)價(jià),是一個(gè)值得研究的問題。傳統(tǒng)的信用評(píng)價(jià)方法存在某些不足,必須引入新的理論,對(duì)信用評(píng)價(jià)方法加以改進(jìn)。粗糙集理論作為研究不確定知識(shí)表達(dá)、學(xué)習(xí)、歸納的新型數(shù)學(xué)工具,其重要特點(diǎn)是不需要預(yù)先給定某些特征或?qū)傩缘臄?shù)量描述,而直接從給定問題的描述集合出發(fā),在信息不確定情況下,仍可挖掘出大量對(duì)決策有幫助的知識(shí)信息[2]。粗糙集理論提供了一整套比較成熟的樣本學(xué)習(xí)式?jīng)Q策方法。由于標(biāo)準(zhǔn)粗糙集理論在某些條件下具有一定的局限性,缺乏對(duì)復(fù)雜系統(tǒng)的處理機(jī)制,對(duì)于不確定性概念的邊界區(qū)域,刻畫過于簡(jiǎn)單,缺乏對(duì)噪音數(shù)據(jù)的適應(yīng)能力。而在實(shí)際應(yīng)用中,噪音是難免的,因此Ziarko提出了變精度粗糙集(Variable Precision Rough Set,簡(jiǎn)稱VPRS)模型[3],增強(qiáng)粗糙集合模型的抗干擾能力。本文利用變精度粗糙集理論,根據(jù)2007年我國(guó)部分上市公司公布的年報(bào)數(shù)據(jù),以部分財(cái)務(wù)指標(biāo)作為基本屬性,從中篩選出能反映評(píng)價(jià)指標(biāo)本質(zhì)關(guān)系的重要屬性,從而挖掘出數(shù)據(jù)間的關(guān)系而形成信用評(píng)價(jià)決策規(guī)則。通過這些由訓(xùn)練數(shù)據(jù)抽取的決策規(guī)則對(duì)測(cè)試數(shù)據(jù)進(jìn)行判別表明,該方法具有良好的分類判別能力。

2 文獻(xiàn)回顧

在信用風(fēng)險(xiǎn)評(píng)價(jià)的文獻(xiàn)中,主要存在三類不同的方法。第一類是統(tǒng)計(jì)分類方法,第二類是神經(jīng)網(wǎng)絡(luò)方法,另一類是支持向量機(jī)方法。

2.1 統(tǒng)計(jì)分類方法

早在1966年,Beaver[4]首次運(yùn)用單變量判定分析法來研究公司財(cái)務(wù)危機(jī)問題,但該方法因財(cái)務(wù)比例的選取不同而觀測(cè)結(jié)果相差很大,所以很快被多變量分析法所取代。1968年,Altman率先將判別分析法應(yīng)用于財(cái)務(wù)危機(jī)、公司破產(chǎn)及違約風(fēng)險(xiǎn)的分析,建立了Z-Score模型[5],該模型只適用于短期的預(yù)測(cè)。Altman在1977年及1983年又在Z-Score模型基礎(chǔ)上進(jìn)行了改進(jìn),建立了ZETA模型[6,7],研究結(jié)果表明ZETA模型優(yōu)于Z-Score模型。Martin、Ohlson、Maddala[8~10]等人分別在1980年前后將Logistic模型應(yīng)用于信用風(fēng)險(xiǎn)分析,并認(rèn)為L(zhǎng)ogistic模型優(yōu)于Z-Score模型和ZETA模型。

國(guó)內(nèi)學(xué)者在統(tǒng)計(jì)分類方法應(yīng)用于信用風(fēng)險(xiǎn)評(píng)價(jià)的研究上也做出了具大貢獻(xiàn)。陳靜[11] 、張玲[12]分別利用線性判別分析法對(duì)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行了研究。唐曉岸、孟慶福[13]、姜天、韓立巖[14]、陳曉虹、戴靜[15]、宋榮威[16]等人分別運(yùn)用Logit模型對(duì)企業(yè)進(jìn)行了財(cái)務(wù)預(yù)警分析。研究表明,線性判別分析法和Logit模型對(duì)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)有一定的準(zhǔn)確性。

2.2 神經(jīng)網(wǎng)絡(luò)方法

從20世紀(jì)90年代開始,國(guó)內(nèi)外學(xué)者將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于信用風(fēng)險(xiǎn)的評(píng)價(jià),方法大致有多層感知器(MLP)、BP算法網(wǎng)絡(luò)、徑向基函數(shù)(RBF)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)(PNN)等幾種,其中用得最多的是BP算法網(wǎng)絡(luò)。Altman、Marco和Varetto運(yùn)用MLP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)意大利公司進(jìn)行財(cái)務(wù)危機(jī)預(yù)測(cè)[17]。West分別建立MLP網(wǎng)絡(luò)結(jié)構(gòu)和RBF網(wǎng)絡(luò)對(duì)德國(guó)和澳大利亞的銀行貸款企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行兩類模式分類[18]。Jensen、Tam、Coats等人[19~21]則分別應(yīng)用BP算法針對(duì)財(cái)務(wù)狀況進(jìn)行了評(píng)價(jià)。Yang和Marjorie利用PNN技術(shù)建立公司破產(chǎn)預(yù)警模型,對(duì)美國(guó)122家石油公司進(jìn)行財(cái)務(wù)困境預(yù)警研究[22]。

在國(guó)內(nèi),學(xué)者龐素琳[23~25]對(duì)神經(jīng)網(wǎng)絡(luò)的幾種模型分別進(jìn)行了研究。陳雄化、林成德、葉武[26]、勝、梁[27]等研究了BP算法在信用評(píng)價(jià)中的應(yīng)用。從國(guó)內(nèi)已有文獻(xiàn)來看,國(guó)內(nèi)研究對(duì)BP算法及其改進(jìn)模型在信用評(píng)價(jià)中的應(yīng)用較多。

2.3 支持向量機(jī)方法

支持向量機(jī)(SVM)方法是1995年Vapnik根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種學(xué)習(xí)方法,研究如何根據(jù)有限學(xué)習(xí)樣本進(jìn)行模式識(shí)別和回歸預(yù)測(cè)等,使在對(duì)未知樣本的估計(jì)過程中,期望風(fēng)險(xiǎn)達(dá)到最小[28]。該方法提出后,國(guó)內(nèi)外很多學(xué)者把SVM模型應(yīng)用到信用評(píng)價(jià)分析。Fan和Palaniswami利用SVM對(duì)企業(yè)破產(chǎn)進(jìn)行預(yù)測(cè)[29]。姚奕和葉中行[30]利用SVM研究銀行客戶信用評(píng)估系統(tǒng)。鐘波等[31]建立了基于LS-SVM的信用評(píng)價(jià)模型。肖文兵、費(fèi)奇、萬(wàn)虎[32]也對(duì)支持向量機(jī)的信用評(píng)價(jià)模型進(jìn)行了分析。

以上各種方法各有其優(yōu)缺點(diǎn)。線性判別分析法最大的優(yōu)點(diǎn)是解釋性強(qiáng),且簡(jiǎn)單明了,但其假定條件過于嚴(yán)格,如要求每組數(shù)據(jù)滿足:(1)服從多元正態(tài)分布。(2)協(xié)方差矩陣相同。(3)均值向量、協(xié)方差矩陣、先驗(yàn)概率和誤判代價(jià)已知。而現(xiàn)實(shí)中這幾個(gè)條件難以滿足。Logit模型的優(yōu)點(diǎn)是不需要假定任何概率分布,也不要求等協(xié)方差性,但當(dāng)樣本點(diǎn)完全分離時(shí),模型參數(shù)的最大似然估計(jì)可能不存在而導(dǎo)致該方法完全失效。人工神經(jīng)網(wǎng)絡(luò)是一種對(duì)數(shù)據(jù)分布無任何要求的非線性技術(shù),它能有效解決非正態(tài)分布、非線性的信用評(píng)估問題,但其結(jié)構(gòu)確定困難,且解釋性差。支持向量機(jī)方法的最大優(yōu)點(diǎn)是能有效解決小樣本問題,并且無須樣本數(shù)據(jù)滿足正態(tài)性和齊次方差的條件,但其分類準(zhǔn)確率和預(yù)測(cè)準(zhǔn)確率依賴于核函數(shù)的選取,其參數(shù)的選取都是通過反復(fù)的試驗(yàn),人工選擇出令人滿意的參數(shù),這種方法需要人的經(jīng)驗(yàn)做指導(dǎo),并且它的選取需要付出較高的時(shí)間代價(jià),這樣限制了支持向量機(jī)的發(fā)展。目前這三種方法中哪種方法的綜合效果較優(yōu)還存在一些爭(zhēng)論,考慮到粗糙集理論在數(shù)據(jù)推理方面的強(qiáng)大功能,本文嘗試引入變精度粗糙集理論構(gòu)造信用評(píng)價(jià)模型,并對(duì)我國(guó)2007年部分上市公司進(jìn)行分類。

3 數(shù)據(jù)選取和模型介紹

3.1 指標(biāo)體系說明

企業(yè)信用風(fēng)險(xiǎn)的形成主要取決于企業(yè)財(cái)務(wù)狀況,因此,企業(yè)信用評(píng)級(jí)通常將對(duì)企業(yè)信用風(fēng)險(xiǎn)的測(cè)度轉(zhuǎn)化為對(duì)企業(yè)財(cái)務(wù)狀況的衡量。而影響公司財(cái)務(wù)變化的主要因素包括公司的盈利能力、營(yíng)運(yùn)能力、償債能力、成長(zhǎng)能力等指標(biāo)。結(jié)合已有相關(guān)文獻(xiàn)[2~31],本文擬采取如下指標(biāo)體系,見表1。

3.2 樣本數(shù)據(jù)選擇

考慮到不同行業(yè)的生產(chǎn)經(jīng)營(yíng)特點(diǎn)不一樣,在信用評(píng)價(jià)時(shí)如果采用相同的評(píng)價(jià)方法難免有失公允,在數(shù)據(jù)選取時(shí)應(yīng)盡量選取具有相同特點(diǎn)的行業(yè)板塊。本文在滬深證券交易所2007年年報(bào)公布的按照CSRC行業(yè)分類中的所有制造業(yè)板塊中隨機(jī)抽取40家企業(yè)為樣本,其中ST類10家,不虧損公司30家。從其中10家ST公司中隨機(jī)選擇5家作為訓(xùn)練樣本,另5家作為測(cè)試樣本;同理,從30家不虧損公司中隨機(jī)選擇15家作為訓(xùn)練樣本,另15家作為測(cè)試樣本。主要數(shù)據(jù)采自中國(guó)上市公司資訊網(wǎng)上市公司財(cái)務(wù)報(bào)表及《上海證券報(bào)》、《中國(guó)證券報(bào)》上刊登的上市公司相關(guān)公告。

3.3 模型說明

變精度粗糙集是對(duì)標(biāo)準(zhǔn)粗糙集理論的一種擴(kuò)展,它通過設(shè)置閾值參數(shù)β,放松了標(biāo)準(zhǔn)粗糙集理論對(duì)近似邊界的嚴(yán)格定義,允許概率分類。與標(biāo)準(zhǔn)粗糙集相比,當(dāng)對(duì)象在變精度粗糙集中分類時(shí),在它的正確分類中有一個(gè)置信度,這一方面完善了近似空間的概念,另一方面也有利于根據(jù)粗糙集理論從認(rèn)為不相關(guān)的數(shù)據(jù)中發(fā)現(xiàn)相關(guān)信息。當(dāng)對(duì)象按變精度粗糙集分類時(shí),需定義一個(gè)正確分類的閾值β。Ziarko稱β為分類誤差,定義區(qū)域?yàn)?≤β

(1)模糊聚類法(Fuzzy Cluster,簡(jiǎn)稱FC)離散化決策表

粗糙集理論分析要求數(shù)據(jù)必須以類別的形式出現(xiàn)。因此,連續(xù)數(shù)據(jù)必須首先進(jìn)行離散化處理,離散的結(jié)果可能會(huì)減小原始數(shù)據(jù)的精度,但將會(huì)提高它的一般性。數(shù)據(jù)離散方法一般分為專家離散與自動(dòng)離散。專家離散指由某領(lǐng)域的專家根據(jù)他的判斷或使用該領(lǐng)域確定的專家進(jìn)行離散;自動(dòng)離散方法可分為有監(jiān)督離散法和無監(jiān)督離散法,其中無監(jiān)督離散法可視為一個(gè)簡(jiǎn)單的聚類過程,本文使用模糊聚類分析法分別對(duì)每個(gè)指標(biāo)進(jìn)行離散化處理。

在實(shí)際問題中,一組事物是否屬于某一類常常帶有模糊性,即問題的界限不是很清晰,對(duì)該類問題,模糊聚類分析能做出“在某種程度上是”的回答,用該方法能較好地對(duì)決策表進(jìn)行離散化。假定待分類的對(duì)象集合為X={X1,X2,…,Xn},集合中的每個(gè)元素具有m個(gè)特征,設(shè)Xi中的第j個(gè)特征值為xij(j=1,2,…,m),本文中對(duì)每個(gè)指標(biāo)分別進(jìn)行分類,故m=1。離散步驟如下:

當(dāng)β=1時(shí),aprβp(X)、aprβp(X)與標(biāo)準(zhǔn)粗糙集模型的上近似和下近似相同,則標(biāo)準(zhǔn)粗糙集模型就變成了變精度粗糙集模型的特殊情況。對(duì)于標(biāo)準(zhǔn)粗糙集意義下的不一致規(guī)則,根據(jù)設(shè)定的閾值β,若不一致性較弱,則可以認(rèn)為這種不一致性是由于數(shù)據(jù)中存在少量噪聲引起的,因此仍可把這部分規(guī)則或者主要部分看作一致性規(guī)則,若不一致性較強(qiáng),則可認(rèn)為據(jù)此不能得到任何確定性的信息,而將每個(gè)數(shù)據(jù)對(duì)象看作一條隨機(jī)規(guī)則。

(3)變精度粗糙集的分類質(zhì)量

變精度粗糙集的分類質(zhì)量為

4 實(shí)證分析

首先使用模糊聚類分析法分別對(duì)訓(xùn)練樣本中的每個(gè)指標(biāo)進(jìn)行離散化處理,每個(gè)指標(biāo)分為三類,產(chǎn)生的決策表如表2所示,其中“1”表示該指標(biāo)“好”,“2”表示該指標(biāo)“中等”,“3”表示該指標(biāo)“差”,可表示為123。對(duì)于決策屬性本文沿用國(guó)內(nèi)文獻(xiàn)的研究習(xí)慣,采用兩類模式分類,即非ST類上市公司視為“信用好”企業(yè),用“1”表示, ST企業(yè)視為“信用差”企業(yè),用“2”表示,表中的D為決策屬性。

由表3所述的決策規(guī)則一表明,如果上市公司每股收益至少為中等,并且主營(yíng)業(yè)務(wù)利潤(rùn)率至少中等,同時(shí)滿足主營(yíng)業(yè)務(wù)增長(zhǎng)率至少中等,則該企業(yè)可視為“信用好”的企業(yè);如果在每股收益、主營(yíng)業(yè)務(wù)利潤(rùn)率及主營(yíng)業(yè)務(wù)增長(zhǎng)率之間有一個(gè)為差,則該企業(yè)視為“信用差”的企業(yè)。其中每股收益和主營(yíng)業(yè)務(wù)利潤(rùn)率反映的是企業(yè)的贏利能力,主營(yíng)業(yè)務(wù)增長(zhǎng)率反映的是企業(yè)的發(fā)展能力,這三者分別表明了該企業(yè)的贏利能力及持續(xù)發(fā)展能力。表4所述的決策規(guī)則二表明,如果上市公司每股收益至少為中等,并且凈資產(chǎn)收益率至少中等,同時(shí)滿足凈資產(chǎn)增長(zhǎng)率至少中等,則該企業(yè)可視為“信用好”的企業(yè);如果在每股收益、凈資產(chǎn)收益率及凈資產(chǎn)增長(zhǎng)率之間有一個(gè)為差,則該企業(yè)視為“信用差”的企業(yè)。其中每股收益和凈資產(chǎn)收益率反映的是企業(yè)的贏利能力,凈資產(chǎn)增長(zhǎng)率反映的是企業(yè)的發(fā)展能力,這三者同樣表明了該企業(yè)的贏利能力及持續(xù)發(fā)展能力。這兩條決策規(guī)則都反映了上市公司的贏利能力及上市公司的成長(zhǎng)性,是企業(yè)信用評(píng)價(jià)的重要依據(jù)。

分別用表3及表4中的決策規(guī)則對(duì)測(cè)試樣本中的20家公司進(jìn)行判別表明,在抽取的兩類決策規(guī)則中各有一例ST公司誤判為信用好的公司,誤判率為5%,分類準(zhǔn)確率為95%(見表5),這充分說明了變精度粗糙集在信用風(fēng)險(xiǎn)評(píng)價(jià)上的可行性。

由生成的決策規(guī)則一和決策規(guī)則二對(duì)20個(gè)測(cè)試樣本分析結(jié)果可知,變精度粗糙集方法能很好地識(shí)別樣本企業(yè)的信用等級(jí),證明了該方法的有效性。并且該方法具有一定的抗干擾能力,對(duì)偶然因素導(dǎo)致的異常數(shù)據(jù)也能較好地識(shí)別。比如某ST公司每股收益為0.13元,該指標(biāo)雖然為“中等”,但由于其主營(yíng)業(yè)務(wù)利潤(rùn)率為負(fù)并且呈下降趨勢(shì),故該公司仍然存在財(cái)務(wù)風(fēng)險(xiǎn),從而信用風(fēng)險(xiǎn)較大,變精度粗糙集方法能夠識(shí)別這種異常數(shù)據(jù),排除干擾;另外兩家ST公司雖然凈資產(chǎn)增長(zhǎng)率指標(biāo)都為“好”,但這主要是因?yàn)檫@兩家公司實(shí)施了資產(chǎn)注入或投資收益導(dǎo)致的,其主營(yíng)并沒發(fā)生很好的改觀,所以其經(jīng)營(yíng)仍然存在較大的風(fēng)險(xiǎn),存在一定的信用風(fēng)險(xiǎn),則利用生成的決策規(guī)則能很好地排除這種異常數(shù)據(jù)的干擾,能夠識(shí)別出這類公司的信用風(fēng)險(xiǎn)。

5 結(jié)束語(yǔ)

在當(dāng)前的分類評(píng)價(jià)決策問題中,由事例導(dǎo)出規(guī)則是人工智能中的一個(gè)典型的方法。本文先利用模糊聚類方法對(duì)原始數(shù)據(jù)進(jìn)行離散化處理,然后將變精度粗糙集理論應(yīng)用于企業(yè)信用評(píng)價(jià)中,獲得了一些有益的規(guī)則和知識(shí)。獲取的規(guī)則能夠?qū)ζ髽I(yè)財(cái)務(wù)狀況進(jìn)行科學(xué)地分類評(píng)價(jià),并且能有效地排除異常數(shù)據(jù)的干擾。這種規(guī)則數(shù)量較少、解釋性較強(qiáng),能夠?yàn)槠髽I(yè)信用評(píng)價(jià)提供一些指導(dǎo)性的決策建議。變精度粗糙集理論無需任何假定條件,避免了統(tǒng)計(jì)分類方法的弊端;由變精度粗糙集理論生成的決策規(guī)則解釋性強(qiáng),彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)方法的不足;變精度粗糙集理論的應(yīng)用也能排除支持向量機(jī)理論反復(fù)選取核函數(shù)的較大的時(shí)間代價(jià)。基于上述優(yōu)點(diǎn),變精度粗糙集理論在信用評(píng)價(jià)中必然具有廣闊的應(yīng)用前景。需要指出的是,由于本文所研究的決策表較小,所以能較容易地搜索到所有約簡(jiǎn),并對(duì)其進(jìn)行系統(tǒng)地分析,若決策表很大,則搜尋所有的約簡(jiǎn)是一個(gè)NP難問題,在實(shí)際應(yīng)用中,只需選擇其中的一個(gè)約簡(jiǎn)進(jìn)行分析即可。由于β值與分類精度是逆相關(guān)的,隨著β值的增大,分類精度減小,X的正域與負(fù)域?qū)⒖s小,而邊界將擴(kuò)大,這意味著只有少數(shù)對(duì)象被分類;而隨著β值的減小,分類精度增大,X的正域與負(fù)域?qū)U(kuò)大,而邊界將縮小,這意味著大多數(shù)對(duì)象被分類,但可能被誤分;在實(shí)際運(yùn)用中應(yīng)該根據(jù)精度要求對(duì)β作合理的設(shè)置。

參 考 文 獻(xiàn):

[1]世界銀行.新興市場(chǎng)經(jīng)濟(jì)中的商業(yè)銀行[M].北京:中國(guó)經(jīng)濟(jì)出版社,1997.

[2]Pawlak Z. Rough sets theory and its applications to data analysis[J]. Cybernetics and Systems, 1998, 29: 661-668.

[3]張文修,吳志偉,梁吉業(yè),等.粗糙集理論與方法[M].北京:科學(xué)出版社,2001.

[4]Beaver W H. Financial Distress: a complete guide to predicting, avoiding, and dealing with bankruptcy[M]. Brain-Brum Field Inc., 1982.

[5]Altman E I. Financial ratios,discriminant analysis and the prediction of corporate bankruptcy[J]. Journal of Finance, 1968, 9(4): 589-679.

[6]Altman E I, Heldeman R G, Narayanan P. ZETA analysis: a new model to identify bankruptcy risk of corporations[J]. Journal of Banking and Finance, 1977, 1: 29-54.

[7]Altman E I. Corporte financial distress[M]. New York:John Wiley & Sons, 1983.

[8]Earky M D. Warning of bank failure: a logit regression approach[J]. Journal of Banking and Finance, 1977,1(3): 249-276.

[9]Ohlson J. Financial rations and the probabilistic predcition of bankruptcy[J]. Journal of Accounting Research, 1980, 1: 109-130.

[10]Maddala G S. Limited-dependent and qualitative variables in econometrics[M]. Cambridge: Cambridge University Press, 1983.

[11]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究,1999,(4):31-38.

[12]張玲,張佳林.信用風(fēng)險(xiǎn)評(píng)估方法發(fā)展趨勢(shì)[J].預(yù)測(cè),2000,19(4):72-75.

[13]唐曉岸,孟慶福.上市公司信用評(píng)價(jià)模型[J].預(yù)測(cè),2002,21(2):39-43.

[14]姜天,韓立巖.基于Logit模型的中國(guó)預(yù)虧上市公司財(cái)務(wù)困境預(yù)測(cè)[J].北京航空航天大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2004,17(1):54-58.

[15]陳曉虹,戴靜.基于Logit模型的中小企業(yè)成長(zhǎng)危機(jī)預(yù)警[J].系統(tǒng)工程,2007,25(1):72-77.

[16]宋榮威.信貸風(fēng)險(xiǎn)度量的Logit模型檢驗(yàn)[J].電子科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2007,9(5):18-21.

[17]Altman E I, Marco G, Varetto F. Corporate distress diagnosis:comparisons using linear discriminant analysis and neural netwoeks(the Italian experience)[J]. Journal of Banking and Finance, 1994, 18: 505-529.

[18]West D. Neural network credit scoring models[J]. Computer & Operations Research, 2000, 27: 1131-1152.

[19]Jensen H L. Using neural networks for credit scoring[J]. Managerial Finance, 1992, 18(6): 15-26.

[20]Tam K Y, Kiang M. Predicting bank failures: a neural network approach[J]. Management Science, 1992, 38(7): 927-947.

[21]Coats P, Pant L. Recoganizing financial disstress patterns using a neural network tool[J]. Financial Management, 1993, 22(3): 142-155.

[22]Yang Z R, Marjorie B, Platt H D. Probabilistic neural networks in bankruptcy prediction[J]. Journal of Business Ressearch, 1999, 44: 67-74.

[23]龐素琳,王燕鳴.多層感知器信用評(píng)價(jià)模型研究[J].中山大學(xué)學(xué)報(bào)(自然科學(xué)版),2003,42(4):118-122.

[24]龐素琳,黎榮舟,徐建閩.BP算法在信用風(fēng)險(xiǎn)分析中的應(yīng)用[J].控制理論與應(yīng)用,2005,22(1):139-143.

[25]龐素琳.概率神經(jīng)網(wǎng)絡(luò)信用評(píng)價(jià)模型及預(yù)警研究[J].系統(tǒng)工程理論與實(shí)踐,2005,(5):43-48.

[26]陳雄華,林成德,葉武.基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級(jí)評(píng)估[J].系統(tǒng)工程學(xué)報(bào),2002,16(6):570-575.

[27]勝,梁.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)及信用評(píng)價(jià)研究[J].中國(guó)管理科學(xué),2004,12(1):68-74.

[28]Vapnik V N. The nature of statistical learning theory[M]. New York: Springer-Verlag, 1998.

[29]Fan A, Palaniswami M. Selecting bankruptcy predictors using a support vector machine apporach[A]. Proceedings of the International Joint Conference on Neural Network[C]. USA:IEEE Computer Society Washington,DC, 2000. 354-359.

[30]姚奕,葉中行.基于支持向量機(jī)的銀行客戶信用評(píng)估系統(tǒng)研究[J].系統(tǒng)仿真學(xué)報(bào),2004,16(4):783-786.

第2篇

關(guān)鍵詞：隱私信息；關(guān)心程度；關(guān)聯(lián)分類

The users' privacy concerns about personal information arise with the emergence of the internet that also brings user's life many advantages.With a questionnaire survey， this paper investigates the personal information concerned by users and the concern level employing the statistical analysis and associative classification technology. The result indicates that Chinese internet user's concern level is still low although the concern level is much higher than ever. Moreover， the concern level for different kinds of privacy information is distinct. The concern level to specific personal information is also varied ranging from the user's age， sex and education level. The conclusions provide some useful suggestions for electronic commerce sites to effectively protect the users' personal information.

Key words:

一、引言

網(wǎng)絡(luò)發(fā)展到今天，已經(jīng)成為人們生活中不可或缺的一種工具。只需輕輕按動(dòng)鼠標(biāo)，人們即可隨時(shí)隨地購(gòu)買所需產(chǎn)品或服務(wù)、與遠(yuǎn)在世界各地的親朋好友交流、從事一些特殊的研究、培訓(xùn)或工作，還可以及時(shí)快速的了解世界各地的新聞，等等。但是，隨著網(wǎng)絡(luò)使用率的不斷增高以及相關(guān)技術(shù)的不斷進(jìn)步，使得收集大量的用戶隱私信息變得非常容易。Federal Trade Commission (FTC) 在1999年3月所作的一次研究表明：約有92．8％的網(wǎng)站至少收集用戶的一項(xiàng)身份信息，56．8％的網(wǎng)站至少收集一項(xiàng)人口統(tǒng)計(jì)學(xué)方面的信息[1]。網(wǎng)站和個(gè)人的這些收集他人隱私信息的做法引起用戶對(duì)自己在網(wǎng)上活動(dòng)時(shí)所留下的個(gè)人隱私信息的關(guān)心。Harris 等人在1998年所作的調(diào)查結(jié)果顯示：87％的網(wǎng)絡(luò)用戶“關(guān)心”在線時(shí)自己的隱私信息是否會(huì)受到威脅，56％的用戶“非常關(guān)心”這一點(diǎn)[2]； Jupiter 于2002年的研究結(jié)果表明：70％的美國(guó)用戶關(guān)心自己的網(wǎng)絡(luò)隱私[3]；Harris在2004的調(diào)查分析得出：65％的被調(diào)查者稱自己由于關(guān)心自己的隱私而拒絕在電子商務(wù)網(wǎng)站上注冊(cè)[4]。PC world survey于2003年調(diào)查了1500網(wǎng)絡(luò)用戶，結(jié)果表明88％的人對(duì)于網(wǎng)站是否分享他們的e-mail地址非常關(guān)心，91％的人關(guān)心當(dāng)自己在線時(shí)會(huì)不會(huì)被網(wǎng)站跟蹤[5]；Statistics Canada 在2006年調(diào)查結(jié)果表明：57％的用戶在線使用信用卡時(shí)非常謹(jǐn)慎[6]。與用戶的隱私關(guān)注相一致，眾多學(xué)者開始從理論角度對(duì)隱私問題進(jìn)行探討，得出了大量的研究成果[7-9]。

許多學(xué)者從不同的角度對(duì)隱私關(guān)心問題進(jìn)行了研究。其中，大部分的研究是針對(duì)隱私關(guān)心和隱私行為之間的關(guān)系或隱私關(guān)心和信任之間的關(guān)系[9，10]，這些研究?jī)H對(duì)用戶是否關(guān)心隱私進(jìn)行調(diào)查，建立隱私關(guān)心和隱私行為或信任之間的關(guān)系，并未對(duì)用戶具體關(guān)心的隱私信息及關(guān)心程度進(jìn)行研究；Huberman等人使用實(shí)驗(yàn)的方式對(duì)網(wǎng)絡(luò)用戶的隱私信息進(jìn)行了定量研究，得出每項(xiàng)隱私信息都有一定的價(jià)值，且價(jià)值因用戶不同而不同[11]，但是并未說明各類用戶的隱私價(jià)值在哪些方面存在差異。

中國(guó)在網(wǎng)絡(luò)隱私權(quán)方面的研究越來越多，但是在隱私關(guān)心方面卻鮮有研究。筆者針對(duì)這一情況，通過調(diào)查分析，找出網(wǎng)絡(luò)用戶所具體關(guān)心的隱私信息及關(guān)心程度，為后續(xù)更深入的研究網(wǎng)絡(luò)用戶對(duì)隱私關(guān)心程度不同的原因及其他相關(guān)問題提供參考。

筆者在此基礎(chǔ)上認(rèn)為，在中國(guó)文化的影響下，中國(guó)網(wǎng)絡(luò)用戶對(duì)于各項(xiàng)隱私信息的總體關(guān)心程度是不同的；此外，受性別、年齡和學(xué)歷的影響，中國(guó)各類用戶對(duì)于各項(xiàng)個(gè)人隱私信息的關(guān)心程度存在一定的差異。因此，筆者提出兩個(gè)假設(shè)：（1）中國(guó)網(wǎng)絡(luò)用戶對(duì)每項(xiàng)隱私信息的關(guān)心程度是不同的；（2）不同性別、年齡、學(xué)歷的用戶對(duì)各類隱私信息的關(guān)心程度存在一定的差異。筆者采用問卷調(diào)查的方式，利用統(tǒng)計(jì)分析和關(guān)聯(lián)分類的方法，對(duì)這兩點(diǎn)假設(shè)進(jìn)行研究。

二、研究方法

（一）問卷設(shè)計(jì)

筆者在參閱相關(guān)資料的基礎(chǔ)上，重點(diǎn)研究網(wǎng)絡(luò)用戶的26項(xiàng)隱私信息，并將其分為人口統(tǒng)計(jì)學(xué)信息、財(cái)務(wù)信息、偏好信息、家庭信息、社會(huì)信息等五類信息（見表1），這5類信息的劃分并沒有明顯的界限，有些信息可以同屬兩類信息，這對(duì)結(jié)果并沒有明顯的影響。

筆者采用問卷調(diào)查的方式進(jìn)行研究。問卷共九個(gè)問題，每個(gè)問題都有被選項(xiàng)（單選和多選均有）。問卷。首先選擇30人做預(yù)調(diào)查，對(duì)預(yù)調(diào)查的結(jié)果請(qǐng)相關(guān)領(lǐng)域的專家分析后進(jìn)行了相應(yīng)的修改。然后進(jìn)行大范圍的調(diào)查，被調(diào)查者為在校大學(xué)生、研究生、工程師、醫(yī)生、教師、公務(wù)員等各個(gè)行業(yè)一共350人，其中在校大學(xué)生及研究生占整個(gè)被調(diào)查者的三分之一，收回問卷332份，回收率為94．86％，其中有效問卷為324份，針對(duì)這324份問卷做了分析。問卷的alpha系數(shù)為0．985。

參照中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）對(duì)網(wǎng)民年齡的劃分標(biāo)準(zhǔn)，考慮到不同年齡段的用戶的生活背景，對(duì)網(wǎng)絡(luò)的認(rèn)識(shí)、接觸網(wǎng)絡(luò)的機(jī)會(huì)以及用途均不同，因此，為了了解各類用戶對(duì)各類隱私信息的關(guān)心程度的差異性，對(duì)被調(diào)查者的年齡和學(xué)歷進(jìn)行劃分，劃分結(jié)果如表2所示。

(二)數(shù)據(jù)處理方法

1．統(tǒng)計(jì)方法

為了驗(yàn)證引言中所述的第一個(gè)假設(shè)，即網(wǎng)絡(luò)用戶對(duì)各項(xiàng)隱私信息的關(guān)心程度是不同的（網(wǎng)絡(luò)用戶對(duì)各項(xiàng)隱私信息關(guān)心程度的差異性），對(duì)調(diào)查結(jié)果進(jìn)行了分析。由于個(gè)人信息項(xiàng)非常多，如果采用劃分等級(jí)的方法（即請(qǐng)被調(diào)查者針對(duì)自己的每項(xiàng)信息都給一個(gè)關(guān)心等級(jí)，如“非常關(guān)心”“關(guān)心”“比較關(guān)心”、“不關(guān)心”），可能會(huì)使被調(diào)查者很難選擇或者全都選 “非常關(guān)心”，因此請(qǐng)被調(diào)查者在所列出的26項(xiàng)個(gè)人信息當(dāng)中選出不超過15項(xiàng)自己關(guān)心的信息，然后再對(duì)每項(xiàng)信息進(jìn)行頻數(shù)統(tǒng)計(jì)，得出用戶對(duì)每項(xiàng)信息的關(guān)心程度（見表3）。

2.關(guān)聯(lián)分類方法

為了驗(yàn)證第二個(gè)假設(shè)，得出不同用戶對(duì)各項(xiàng)隱私程度關(guān)心程度的差異性，筆者采用關(guān)聯(lián)分類的方式對(duì)數(shù)據(jù)進(jìn)行了處理。

關(guān)聯(lián)分類(associative classification， AC)是一類新的面向決策表的規(guī)則獲取技術(shù)，其核心思想是利用關(guān)聯(lián)規(guī)則挖掘技術(shù)，通過頻繁項(xiàng)集挖掘、決策規(guī)則生成以及規(guī)則剪枝等過程獲取條件屬性與決策屬性的關(guān)聯(lián)關(guān)系，即決策規(guī)則 (稱為分類關(guān)聯(lián)規(guī)則(classification association rule) )，并利用生成的分類關(guān)聯(lián)規(guī)則構(gòu)建決策系統(tǒng)。研究表明，AC方法能夠發(fā)現(xiàn)傳統(tǒng)方法挖掘不到的規(guī)則[12-15]。因此，筆者以關(guān)聯(lián)分類為工具，對(duì)用戶的隱私信息進(jìn)行分析，以便找出用戶特征與其對(duì)隱私關(guān)心的聯(lián)系，并且根據(jù)這種聯(lián)系的強(qiáng)弱，得出用戶對(duì)不同隱私信息的關(guān)心程度。在掌握網(wǎng)絡(luò)用戶對(duì)不同隱私信息的關(guān)心程度之后，商務(wù)網(wǎng)站可以有針對(duì)性的重點(diǎn)保護(hù)網(wǎng)絡(luò)用戶比較關(guān)心的個(gè)人隱私信息，提高用戶對(duì)網(wǎng)站的信任水平，為企業(yè)創(chuàng)造更多的商機(jī)。

三、結(jié)果

（一）網(wǎng)絡(luò)用戶對(duì)隱私信息的關(guān)心程度

根據(jù)表3結(jié)果，將關(guān)心程度分為四個(gè)等級(jí)（非常關(guān)心、關(guān)心、比較關(guān)心和不關(guān)心），關(guān)心程度值大于0．7的為“非常關(guān)心”，關(guān)心程度值大于0．5的為“關(guān)心”（其中“家庭信貸情況”這項(xiàng)信息的關(guān)心程度值為0．494，非常接近0．5，所以將其劃分到“關(guān)心”這個(gè)等級(jí)），關(guān)心程度值大于0．2的為“比較關(guān)心”，小于0．2的為“不關(guān)心”，根據(jù)每項(xiàng)隱私信息的關(guān)心程度值將其放入相應(yīng)位置，建立了個(gè)人隱私信息的關(guān)心程度矩陣（表4）。 

雖然近幾年中國(guó)網(wǎng)絡(luò)用戶的隱私觀念有所改變，但從表3可以知道，中國(guó)網(wǎng)絡(luò)用戶對(duì)個(gè)人隱私信息的關(guān)心程度依然不高，僅對(duì)銀行卡號(hào)和身份證號(hào)這兩隱私信息的關(guān)心程度超過了0．6。這主要是受中國(guó)傳統(tǒng)文化的影響[16]。

為了更進(jìn)一步的解釋假設(shè)一，下面筆者對(duì)每類隱私信息的關(guān)心程度進(jìn)行簡(jiǎn)要分析。

1.人口統(tǒng)計(jì)學(xué)信息

從表3中可以看出，網(wǎng)絡(luò)用戶最關(guān)心身份證號(hào)這項(xiàng)信息，其次是姓名和年齡，而對(duì)性別、身高、體重等信息則不關(guān)心。

在我國(guó)，身份證號(hào)是確定一個(gè)人身份的重要證件，如果此項(xiàng)信息泄露，可能會(huì)對(duì)個(gè)人造成非常大的損失或帶來許多麻煩，所以用戶對(duì)此項(xiàng)信息的關(guān)心程度非常高是符合實(shí)際情況的。由于其他五項(xiàng)個(gè)人人口統(tǒng)計(jì)學(xué)信息僅為用戶個(gè)人的信息，不涉及到他人，而且即使泄露，一般也不會(huì)對(duì)用戶本身或他人造成較大損失，所以用戶對(duì)這些信息的關(guān)心程度很低。此外，在網(wǎng)絡(luò)世界中，為了更好更容易地與他人交流溝通，大部分用戶都隱藏自己的真實(shí)姓名和年齡，所以對(duì)這兩項(xiàng)信息的關(guān)心程度要稍微要高一些。

2．財(cái)務(wù)信息

從表3中可以看出，對(duì)于各類財(cái)務(wù)信息，用戶均很關(guān)心，關(guān)心程度最高的是銀行卡號(hào)，其次是個(gè)人工資、家庭收入、配偶工資和家庭信貸情況等隱私信息。

對(duì)于財(cái)務(wù)信息，不論在中國(guó)還是其他國(guó)家，網(wǎng)絡(luò)用戶都都非常關(guān)心。因?yàn)檫@類信息涉及到用戶的經(jīng)濟(jì)情況，如果泄露，會(huì)對(duì)個(gè)人經(jīng)濟(jì)造成極大損失，尤其是銀行卡號(hào)，在信息技術(shù)如此發(fā)達(dá)的時(shí)代，黑客等網(wǎng)絡(luò)高手可能會(huì)根據(jù)用戶的銀行卡號(hào)來竊取用戶的錢財(cái)，所以用戶對(duì)銀行卡號(hào)的關(guān)心程度在所有隱私信息中是最高的。至于其他四項(xiàng)財(cái)務(wù)信息，相對(duì)其他類的個(gè)人信息來說，關(guān)心程度也要高一些。在這四項(xiàng)信息中，值得注意的是個(gè)人工資這項(xiàng)信息，在五年前，中國(guó)人并不關(guān)心這項(xiàng)信息是否泄露，甚至很多人主動(dòng)告訴他人自己的這項(xiàng)信息，但隨著社會(huì)的進(jìn)步、經(jīng)濟(jì)水平的提高和用戶觀念的轉(zhuǎn)變，近幾年越來越多的用戶開始關(guān)心自己的這項(xiàng)隱私信息。

3．個(gè)人偏好信息

從表3中可以看出，對(duì)于個(gè)人的各項(xiàng)偏好信息，用戶普遍都不關(guān)心。因?yàn)檫@類信息僅僅是個(gè)人的興趣愛好，即使泄露，也不會(huì)對(duì)他人造成損失或傷害，一般也不會(huì)給個(gè)人帶來影響，所以用戶對(duì)這類信息的關(guān)心程度都很低。

值得注意的是，年齡在31-35歲之間的人，對(duì)自己的政治傾向和宗教信仰這兩項(xiàng)信息的關(guān)心程度要高出其他信息許多（其他信息關(guān)心程度在0．8以下，而這兩項(xiàng)信息均約為0．4）。這是因?yàn)椋幱谶@一年齡段的用戶，工作已經(jīng)進(jìn)入快速發(fā)展期，生活閱歷又比較豐富，已經(jīng)認(rèn)識(shí)到政治問題和宗教問題可能會(huì)對(duì)自己的工作產(chǎn)生影響，所以對(duì)這兩項(xiàng)信息的關(guān)心程度相對(duì)來說要高一些。

4．家庭信息

同樣從表3來看，對(duì)于各類家庭信息，網(wǎng)絡(luò)用戶同樣比較關(guān)心，但相比來說，更關(guān)心庭住址和家庭電話這兩項(xiàng)信息。

從古至今，家庭對(duì)中國(guó)人的意義和影響都非常大，這類信息的泄露，極有可能會(huì)給用戶及其家庭帶來極大的麻煩甚至傷害，尤其是家庭住址和家庭電話這兩項(xiàng)信息，直接關(guān)系到家庭的安全和穩(wěn)定，所以網(wǎng)絡(luò)用戶在對(duì)各類家庭信息都很關(guān)心的情況下，對(duì)這兩項(xiàng)家庭信息的關(guān)心程度要更高一些。

5．社會(huì)信息

對(duì)于個(gè)人的各類社會(huì)信息，從表3中可以看出，用戶一般比較關(guān)心自己的網(wǎng)絡(luò)聊天記錄和個(gè)人移動(dòng)電話這兩項(xiàng)隱私信息，其次是個(gè)人e－mail地址，而對(duì)職業(yè)、單位地址和單位電話等隱私信息則不關(guān)心。

網(wǎng)絡(luò)聊天記錄這項(xiàng)信息，一般涉及到朋友或同事的隱私信息，如果泄露可能會(huì)給自己的人際關(guān)系帶來影響，甚至影響到自己的工作，所以用戶對(duì)這項(xiàng)信息的關(guān)心程度比較高。而個(gè)人移動(dòng)電話的泄露會(huì)給個(gè)人帶來很多麻煩（如經(jīng)常接到騷擾電話或短信息），所以用戶對(duì)這項(xiàng)信息的關(guān)心程度也比較高。

（二）各類用戶對(duì)各類隱私信息的關(guān)心程度比較

在（一）中我們從總體上得出了網(wǎng)絡(luò)用戶對(duì)個(gè)人信息的關(guān)心程度，并對(duì)各類隱私信息的關(guān)心程度進(jìn)行了簡(jiǎn)要分析。為了更進(jìn)一步的了解各類用戶對(duì)個(gè)人各項(xiàng)隱私信息的關(guān)心情況，筆者采用關(guān)聯(lián)分類的分析方法得出了各類用戶對(duì)各項(xiàng)信息的關(guān)心程度的規(guī)則。

使用關(guān)聯(lián)分類分析方法會(huì)得出很多的規(guī)則，因?yàn)槠邢蓿鶕?jù)網(wǎng)絡(luò)用戶的性別、年齡和學(xué)歷的不同，僅列出有代表性的規(guī)則，并對(duì)產(chǎn)生這些規(guī)則的原因進(jìn)行簡(jiǎn)要解釋，希望能為進(jìn)一步研究引起這些現(xiàn)象的深層次原因，如文化因素、社會(huì)環(huán)境、個(gè)人偏好等，提供有益的啟發(fā)。

表格5到7中的用戶類別用年齡、性別和學(xué)歷三個(gè)屬性來來劃分，表示方法為﹡﹡﹡，左邊﹡表示年齡段，中間的﹡表示性別，右邊的﹡表示學(xué)歷，如C1Ⅰ表示年齡在25到30歲之間、性別為男性的具有本專科學(xué)歷的用戶。 

1．不同年齡用戶對(duì)隱私信息的關(guān)心程度

如2．1中所述，不同年齡段的網(wǎng)絡(luò)用戶的社會(huì)經(jīng)歷不同，隨著年齡的增長(zhǎng)，對(duì)事務(wù)的認(rèn)識(shí)和看法也不同。針對(duì)這一現(xiàn)象，筆者從分析結(jié)果中找出了不同年齡的用戶對(duì)隱私信息的關(guān)心程度的差別（見表5）。

規(guī)則1 年齡在25到30歲的女性用戶比年齡在21到24歲的女性用戶更關(guān)心年齡這項(xiàng)隱私信息。這是因?yàn)闊o論在中國(guó)還是西方國(guó)家，女性對(duì)年齡這項(xiàng)信息都比較敏感，尤其是年齡越大的人，對(duì)這項(xiàng)信息越敏感，所以得出了此項(xiàng)規(guī)則。

規(guī)則2 同樣具有本專科學(xué)歷的男性，年齡在25到30歲的人比年齡在21到24歲的人更關(guān)心個(gè)人工資、家庭收入和詳細(xì)健康狀況這三項(xiàng)隱私信息。在本問卷的被調(diào)查者中，約有三分之一的被調(diào)查者為在校學(xué)生，所以年齡在21到24歲的男性大部分為在校學(xué)生，而年齡在25到30歲的男性基本都為從事工作的人，處于這一年齡段的人一開始承擔(dān)家庭的各項(xiàng)經(jīng)濟(jì)支出，所以對(duì)個(gè)人工資和家庭收入這兩項(xiàng)信息更為關(guān)心。同時(shí)，由于健康狀況可能會(huì)影響到自己的工作和家庭，所以他們對(duì)自己的詳細(xì)健康狀況這項(xiàng)信息的關(guān)心程度也比較高。

規(guī)則3 年齡在31到35歲的人比年齡在21到24歲的人更關(guān)心婚姻狀況和家庭電話這兩項(xiàng)隱私信息。由于前者基本都為成家立業(yè)的人，后者大都為在校學(xué)生，后者對(duì)婚姻和家庭尚未具體的理解和經(jīng)歷，所以后者對(duì)這兩項(xiàng)信息的關(guān)心程度比較低是很正常的現(xiàn)象。

規(guī)則4 對(duì)于職業(yè)這項(xiàng)信息，網(wǎng)絡(luò)用戶都不關(guān)心，但相比來說，年齡在31到35歲的人比其他年齡段的人更關(guān)心。由于小于此年齡段的人一般都未開始工作，即使工作也是剛剛起步，而大于此年齡段的人一般工作年限已比較長(zhǎng)，工作已經(jīng)有了一定的基礎(chǔ)并且比較穩(wěn)定，而處于31到35歲的人正處于工作的重要階段，所以對(duì)于這項(xiàng)信息比較敏感，關(guān)心程度也較高。

2.不同性別用戶對(duì)隱私信息的態(tài)度

一般來說，男性和女性在人生觀、世界觀、價(jià)值觀方面的差異都比較大，為了了解不同性別的用戶對(duì)隱私信息的態(tài)度存在哪些方面的差異，筆者對(duì)結(jié)果進(jìn)行了分析，得出以下規(guī)則（見表6）。

規(guī)則5 女性比男性更關(guān)心年齡、體重、詳細(xì)健康狀況和家庭情況。如前所述，中西方國(guó)家的女性對(duì)年齡、體重這些信息都很敏感，所以對(duì)這兩項(xiàng)信息的關(guān)心程度比男性要高，至于更關(guān)心詳細(xì)健康狀況這項(xiàng)信息，是因?yàn)榕砸话泱w質(zhì)弱于男性，所以對(duì)該項(xiàng)信息更為敏感。此外，在中國(guó)，女性的家庭觀念更強(qiáng)，所以對(duì)家庭情況這項(xiàng)信息也比男性更關(guān)心。

規(guī)則6 男性比女性更關(guān)心姓名、性別、家庭住址、家庭電話。一般來說，在網(wǎng)絡(luò)世界里，女性要比男性更容易與他人溝通交流，而從姓名可以大致判斷性別，所以為了更方便的在網(wǎng)絡(luò)世界里與他人溝通，男性一般都隱瞞自己的性別，即對(duì)姓名和年齡這兩項(xiàng)信息的關(guān)心程度比女性高；此外，無論在中國(guó)還是西方國(guó)家，男性一般要承擔(dān)起保護(hù)保護(hù)家人的責(zé)任，而家庭住址和家庭電話這兩項(xiàng)信息的泄露可能會(huì)給家人帶來麻煩或危險(xiǎn)，所以男性對(duì)這兩項(xiàng)信息的關(guān)心程度比女性高。

規(guī)則7 年齡在25到30歲之間的男性比女性更關(guān)心家庭信貸情況這項(xiàng)信息，但年齡在21到24歲之間的具有本專科學(xué)歷的女性卻比男性更關(guān)心此項(xiàng)信息。處于前一年齡段的人一般為剛成家立業(yè)的人，在中國(guó)，歷來有男人養(yǎng)家的傳統(tǒng)思想，所以處于這一年齡段的男性要比女性更關(guān)心自己的家庭信貸情況；而處于后一年齡段的人大都為在校學(xué)生，而女性一般比男性心思更加細(xì)膩，對(duì)父母更加體貼，所以處于這一年齡段的女性更關(guān)心家庭信貸情況是出于對(duì)父母的關(guān)心。

3.不同學(xué)歷用戶對(duì)隱私信息的態(tài)度

不同學(xué)歷的人，所受的教育程度不同，一般在對(duì)問題的認(rèn)識(shí)深度等方面會(huì)存在一定的差異。筆者從分析結(jié)果中找出了不同學(xué)歷的用戶在隱私信息的關(guān)心程度方面的差異（見表7）。

規(guī)則8 具有本專科學(xué)歷的女性比具有碩士學(xué)歷的女性更關(guān)心身高這項(xiàng)信息，而后者更關(guān)心配偶工資和網(wǎng)絡(luò)聊天記錄這兩項(xiàng)隱私信息。一般來說，女性對(duì)身高并沒有男性關(guān)心程度高，但是對(duì)于具有不同學(xué)歷的女性來說，在學(xué)歷上具有優(yōu)勢(shì)之后，對(duì)身高這項(xiàng)信息的關(guān)心程度自然也就沒有在學(xué)歷上具有弱勢(shì)的女性高；至于配偶工資這項(xiàng)信息，如果女性本身的學(xué)歷比較高，一般都希望配偶的工資能更高，所以對(duì)該項(xiàng)信息的關(guān)心程度也就比較高；此外，由于在校學(xué)生在本次調(diào)查中所占比例比較大，而在校本專科學(xué)生一般將網(wǎng)絡(luò)用于溝通交流和娛樂，而在校研究生除了將網(wǎng)絡(luò)用于交流溝通娛樂外，最主要的一點(diǎn)是用于做研究，從網(wǎng)絡(luò)聊天的內(nèi)容價(jià)值來看，碩士研究生的聊天內(nèi)容價(jià)值更高，更需要保密，所以出現(xiàn)具有碩士學(xué)歷的女性比具有本專科學(xué)歷的女性更關(guān)心網(wǎng)絡(luò)聊天記錄這項(xiàng)隱私信息。

四、討論

筆者采用問卷調(diào)查的方式獲得了用戶對(duì)于自身隱私信息的關(guān)心程度，并采用關(guān)聯(lián)分類的方式分析了各類用戶對(duì)于各項(xiàng)隱私信息的關(guān)心程度的差別，分析結(jié)果驗(yàn)證了引言中提出的兩項(xiàng)假設(shè)。

如前所述，對(duì)于網(wǎng)絡(luò)隱私問題，研究的人很多，但主要集中在隱私保護(hù)技術(shù)、隱私關(guān)心和隱私行為之間的關(guān)系或隱私和信任的關(guān)系問題或隱私權(quán)問題上。筆者主要是從用戶自身觀念出發(fā)，旨在了解用戶到底對(duì)自身的哪些信息比較關(guān)心。此結(jié)論可以為電子商務(wù)網(wǎng)站服務(wù)，網(wǎng)站在了解用戶關(guān)心的各項(xiàng)信息后，可以加強(qiáng)對(duì)這些信息的保護(hù)，從而提高用戶對(duì)網(wǎng)站的信任水平，給網(wǎng)站帶來巨大商機(jī)。但是尚存在一些問題，一是調(diào)查的信息項(xiàng)僅26項(xiàng)，有許多信息沒有調(diào)查；二是樣本僅350人，且樣本年齡跨度小（如調(diào)查的年齡主要集中在20-35歲之間），涵蓋的范圍不夠?qū)挘蝗窃诜治鲇脩魧?duì)信息的關(guān)心程度時(shí)僅采用頻數(shù)分析，結(jié)果可能存在不合理的地方；四是關(guān)于各類用戶對(duì)各類信息的關(guān)心程度的差別僅得出一些結(jié)論性的結(jié)果和簡(jiǎn)單的分析。

目前，關(guān)于隱私問題的研究越來越多，也越來越深入。但仍有許多問題值得進(jìn)一步研究：（1）對(duì)本文未作調(diào)查的個(gè)人隱私信息需要調(diào)查研究，得出用戶對(duì)這些信息的關(guān)心程度(本文只是對(duì)小部分信息進(jìn)行調(diào)查，不完全，還需要進(jìn)一步做詳細(xì)的研究)；（2）雖然由調(diào)查結(jié)果得出的規(guī)則可以看出用戶對(duì)于各種信息的關(guān)心程度是不同的，但是對(duì)產(chǎn)生這些規(guī)則的圓滿解釋還需進(jìn)一步的研究；（3）得出用戶對(duì)于各項(xiàng)信息的關(guān)心程度之后，電子商務(wù)網(wǎng)站如何利用這些結(jié)果提高用戶的信任水平也是值得研究的內(nèi)容之一。

參考文獻(xiàn)

[1] Forrester Research(1999). Post-web retail (September) [R/OL]. forrester.com/

[2] Harris and Associates Inc.， Westin， A.， 1998. Ecommerce and privacy: what net users want. Privacy and American Business and Pricewaterhouse Coopers. LLP. Available online at: pandan.org/ecommercesurvey.html. Accessed on 20 June 2005.

[3] Jupiter Research. Seventy percent of US consumers worry about online privacy， but few take protective action [EB/OL]， 2002. jmm.com/xp/jmm/press/2002/pr_060

[4] Harris， 2004. National Survey on Consumer Privacy Attitudes. Available online at: epic.org/privacy/survey/S， accessed on 22 August 2006.

[5] PC world survey， 2003. Available online at: pcworld.com/article/id，112468-page，1/article.htmlS， accessed on August 22， 2006.

[6] Statistics Canada， 2006. Available online at: ca.today.reuters.com/news/newsArticle， accessed on August 22.

[7] Klein， S.，. The privacy debate: this time it's personal. The Guardian newspaper， April 26. 2004.

[8] Vise， D.，. Fears over Big Brother stalked Gmail. The Sunday Times news paper. Available online at:[EB/OL]business.timesonline.co.uk/article/， accessed on 8 December 2005.

[9] Carina Painea， Ulf-Dietrich Reipsb， Stefan Stiegerc， Adam Joinsona， Tom Buchanan. Internet users' perceptions of 'privacy concerns' and 'privacy actions' [J]. human-computer studies2007.65(526-536).

[10] Chang Liu， Jack T. Marchewka， June Lu， Chun-Sheng Yu. Beyond concern-a privacy-trust-behavioral intention model of electronic commerce[J]. Information & Management 42 (2005) 289-304.

[11] Huberman B， Adar E， Fine L. Valuating Privacy [J]. IEEE SECURITY&PRIVACY， 2005: 22-25.

[12] Thabtah F， Cowling P， Hammoud S. Improving rule sorting， predictive accuracy and training time in associative classification [J]. Expert Systems with Applications， 2006(31): 414-426.

[13] Liu B， Hsu W， Ma Y. Integrating classification and association rule mining [C]. Proceedings of the Fourth International Conference on Knowledge Discovery and Data Mining (KDD-98)， 1998.

[14] Antonie M， Za?ane O， Coman， A. Associative classifiers for medical images [M]. Lecture notes in artificial intelligence 2797， mining multimedia and complex data. New York: Springer， 2003， 68-83.

第3篇

關(guān)鍵詞：信用評(píng)分；申請(qǐng)?jiān)u分；行為評(píng)分；利潤(rùn)評(píng)分；經(jīng)濟(jì)環(huán)境

中圖分類號(hào)：F014.5文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-949X（2008）-06-01-03

個(gè)人信用評(píng)分研究從技術(shù)層次上來講，主要經(jīng)歷了三個(gè)階段，從簡(jiǎn)單的分類模型到預(yù)測(cè)評(píng)分模型，再到?jīng)Q策評(píng)分模型。而從評(píng)分的類型上看，主要分為四個(gè)類型，即申請(qǐng)?jiān)u分、行為評(píng)分、利潤(rùn)評(píng)分以及考慮經(jīng)濟(jì)環(huán)境因素的信用評(píng)分。

一、申請(qǐng)?jiān)u分(Application Scoring)

授信機(jī)構(gòu)接受客戶信用申請(qǐng)時(shí)，利用客戶提交的申請(qǐng)表中的特征變量建立評(píng)分模型得到申請(qǐng)者的一個(gè)信用值，將該值與事先設(shè)定的標(biāo)準(zhǔn)值相比，判斷該申請(qǐng)人逾期的可能性，從而決定是否授出信用及授信額度。這樣的信用評(píng)分，稱為申請(qǐng)?jiān)u分。

建立評(píng)分模型可以運(yùn)用的方法非常多，傳統(tǒng)統(tǒng)計(jì)學(xué)方法有判別分析、線性回歸、Logistic回歸等；非參數(shù)方法有最近鄰方法等；運(yùn)籌學(xué)方面則主要采用線性規(guī)劃方法。隨著信息技術(shù)的發(fā)展，近年來許多數(shù)據(jù)挖掘的新方法如神經(jīng)網(wǎng)絡(luò)、決策樹、遺傳算法、專家系統(tǒng)等陸續(xù)被引入信用評(píng)分領(lǐng)域中。

Durand(1941)首先將判別分析方法用于信用評(píng)分，正式系統(tǒng)的提出使用數(shù)理統(tǒng)計(jì)模型輔助消費(fèi)者授信決策的觀念，并將Fisher（1936）提出的判別分析法用來區(qū)分“好”的貸款和“壞”的貸款，從而對(duì)貸款的信用風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，這是個(gè)人信用評(píng)估從定性分析逐步過渡到定量分析的開端。

1958年William Fair & Earl Isaacs利用判別分析法建立了著名的FICO信用評(píng)分系統(tǒng)。Myers & Forgy(1963)采用判別分析和回歸分析方法，利用零售信貸領(lǐng)域消費(fèi)者信用申請(qǐng)表中的數(shù)據(jù)對(duì)財(cái)務(wù)公司的信用風(fēng)險(xiǎn)進(jìn)行了預(yù)測(cè)。 Orgler(1970)首次將線性回歸分析引入消費(fèi)者貸款的信用風(fēng)險(xiǎn)評(píng)估，利用線性回歸分析設(shè)計(jì)了一個(gè)評(píng)價(jià)未償還貸款的評(píng)分卡。Fitzpatrick(1976) 、Lucas(1992)、Henley(1995)等也先后將這種方法用于構(gòu)建個(gè)人信用評(píng)分模型。Myers & Forgy(1963)認(rèn)為這兩種方法對(duì)于降低商業(yè)銀行等機(jī)構(gòu)的壞賬損失有很大的幫助。Reichert (1983)也發(fā)現(xiàn)運(yùn)用這兩種方法構(gòu)建的個(gè)人信用評(píng)分模型在預(yù)測(cè)消費(fèi)信貸風(fēng)險(xiǎn)時(shí)都表現(xiàn)出了很強(qiáng)的穩(wěn)健性。Rosenberg & Gleit(1994)在他們的研究中也表示了與Reichert相似的贊同觀點(diǎn)。但Eisenbeis (1977)認(rèn)為只有在客戶分類較少的時(shí)候，基于判別分析和多元線性回歸方法建立的個(gè)人信用評(píng)分模型才會(huì)有好的效果。

Wiginton(1980)首次嘗試了在信用評(píng)分模型中使用Logistic回歸方法，并與判別分析法進(jìn)行了比較。但由于Logistic回歸法沒有變量正態(tài)性假設(shè)的要求，因此被學(xué)者認(rèn)為是最適合發(fā)展信用評(píng)分模型的理論。并且由于該法使用的前提假設(shè)少，建立的個(gè)人信用評(píng)分模型具有相當(dāng)?shù)臏?zhǔn)確性和穩(wěn)定性，因此成為了設(shè)計(jì)個(gè)人信用評(píng)分模型的主要方法，并且延續(xù)至今。

最近鄰分析方法最先是由Fix & Hodges(1952)提出的，它是一種標(biāo)準(zhǔn)的非參數(shù)分類技術(shù)，通常被用來解決概率密度函數(shù)的估計(jì)和分類問題。它的思想很簡(jiǎn)單，就是把預(yù)測(cè)目標(biāo)分為兩類，當(dāng)一個(gè)新的預(yù)測(cè)目標(biāo)加入時(shí)，就將其并入最鄰近一類中。Chatterjee & Barcun(1970)首次將最近鄰法用于個(gè)人信用評(píng)分模型。Hand(1981)利用家庭貸款的數(shù)據(jù)對(duì)最近鄰法與決策樹進(jìn)行了比較，結(jié)果最近鄰法得到了相當(dāng)高的預(yù)測(cè)精度。

Mangasarian(1965)第一個(gè)意識(shí)到可以將線性規(guī)劃方法應(yīng)用于分類問題。但是直到Freed & Glover( 1981a ,b)的文章發(fā)表以后，才引起了更多人的興趣。此后，有關(guān)的研究文獻(xiàn)大量涌現(xiàn)。Joachimsthaler & Stam(1990)就這一領(lǐng)域的70多篇文獻(xiàn)進(jìn)行了綜述。有些學(xué)者則對(duì)統(tǒng)計(jì)學(xué)方法與線性規(guī)劃方法的效果進(jìn)行了比較，盡管在Nath ,Jackson & Jones(1992)的研究中認(rèn)為統(tǒng)計(jì)學(xué)方法要比線性規(guī)劃方法好。

1990年Odom(1990) 首次將神經(jīng)網(wǎng)絡(luò)方法引入信用風(fēng)險(xiǎn)評(píng)估中。Desai等(1996,1997)、West(2000) 等人使用神經(jīng)網(wǎng)絡(luò)方法構(gòu)造了個(gè)人信用評(píng)分模型，并通過實(shí)證分析驗(yàn)證了在各種特征變量呈復(fù)雜的非線性關(guān)系的情況下，神經(jīng)網(wǎng)絡(luò)方法具有明顯的優(yōu)勢(shì)。

決策樹方法，也叫分類樹或遞歸分割法，通過使用一種分割方法，將原始樣本集遞歸分割成不相交的子集，目的是使期望損失達(dá)到最小。最早將決策樹方法用于信用評(píng)分的研究是Makowski(1985)。 Coffman(1986)將決策樹方法與判別分析方法進(jìn)行了比較，發(fā)現(xiàn)當(dāng)變量存在相關(guān)性時(shí)，決策樹方法的表現(xiàn)較好。Carter & Catlett(1987) , Mehta(1988)等把這一方法應(yīng)用到信用評(píng)分領(lǐng)域。

遺傳算法是對(duì)一個(gè)問題的潛在解的種群進(jìn)行系統(tǒng)的搜索，使得與解決問題相近的解保留在候選解中的可能性比其他解要大。遺傳算法最早是由Holland(1975) 提出的。Albright(1994)首次將遺傳算法應(yīng)用于信用聯(lián)盟評(píng)分卡的開發(fā)。Michalewicz(1996)提出了一些啟發(fā)性的規(guī)則， Yobas, Crook, & Ross (1997)運(yùn)用遺傳算法并使用一個(gè)不同的函數(shù)對(duì)建立信用評(píng)分模型作了探討。

專家系統(tǒng)是仿效專家的決策行為的過程的集合，它由自然語(yǔ)言組成，將專家的意見匯入計(jì)算機(jī)中，專家系統(tǒng)能夠提高預(yù)測(cè)“壞”客戶的準(zhǔn)確性。主要的研究有Zocco(1985) , Davis(1987) , Leonard(l993a,b)、 Tessmer & Richey(1997) 等。Davis, Edelman & Gammerman (1992) 將Bayesian專家系統(tǒng)用于信用卡申請(qǐng)者的分類問題，并將結(jié)果與神經(jīng)網(wǎng)絡(luò)方法的結(jié)果進(jìn)行了比較。Talebzadeh, Mandutianu & Winner (1994)依據(jù)專家系統(tǒng)設(shè)計(jì)出了抵押貸款的個(gè)人信用評(píng)分模型。Leonard (1993)則利用專家系統(tǒng)成功預(yù)測(cè)了信用卡用戶的違約率。Hand, Mcconway, & Stanghellini(1997), Sewart & Whittaker(1998)等則論述了運(yùn)用繪圖的方法可以更容易確定個(gè)人信用風(fēng)險(xiǎn)的全部因素。

二、行為評(píng)分(behavioral scoring)

一般信用評(píng)分模式只考慮申請(qǐng)者本身的條件是否良好，未考慮外在環(huán)境變化。行為評(píng)分是一種統(tǒng)計(jì)專門技術(shù)，它是在一般信用評(píng)分的基礎(chǔ)上考慮到時(shí)間因素發(fā)展而來的。研究的主要目標(biāo)是通過預(yù)測(cè)現(xiàn)有授信客戶的未來行為幫助借貸機(jī)構(gòu)在管理客戶時(shí)作出更好的決策。

行為評(píng)分模型主要分為兩種方法，一種是申請(qǐng)?jiān)u分模型和額外信息變量的組合，另一種是建立客戶行為的概率模型。根據(jù)估計(jì)參數(shù)信息的獲取方式不同，后一種方法又分為兩類，一是從以前的客戶中抽樣，二是使用貝葉斯方法，即根據(jù)顧客自己的行為更新公司對(duì)客戶的信任度。概率模型本質(zhì)上是馬爾可夫鏈，顧客可以從一個(gè)狀態(tài)跳到另一個(gè)狀態(tài)。

有關(guān)第一類行為評(píng)分的研究有：Cyert, Davidson & Thompson(1962) 用馬爾柯夫鏈方法研究在貸款到期以后的不同時(shí)期，預(yù)計(jì)不可回收的貸款數(shù)目(C-D-T模型)。后來不少學(xué)者對(duì)C-D-T模型進(jìn)行了修正。Van Kuelen et al. (1981)的主要修正在于考慮了過期賬戶的部分還款事實(shí)。Corcoran (1978)指出如果對(duì)于不同特征的賬戶給出不同的轉(zhuǎn)移矩陣，系統(tǒng)將會(huì)更加穩(wěn)定。Fryman et al. (1985)區(qū)分了移動(dòng)者(movers)和停留者(stayers)這兩種客戶類型，發(fā)現(xiàn)后者更傾向于維持現(xiàn)有狀態(tài)。Banasik et al. (1996)的研究指出如果對(duì)客戶群體的分類不是足夠清晰，在實(shí)際應(yīng)用中得到的信用評(píng)分并不十分有效。

關(guān)于第二類行為評(píng)分的研究，最早基于Bayesian定理的概率模型是Bierman & Hausman( 1970)提出的。這一模型中，還款概率不是根據(jù)以前客戶的樣本得出的，而是被看作一個(gè)參數(shù)滿足Beta分布的Bernoulli隨機(jī)變量。Dirickx & Wakeman(1976)以及Srinivasan & Kim (1987)分別對(duì)該模型做了擴(kuò)展。Thomas (1994)將這一模型進(jìn)行了修正，他不僅把還款概率作為隨機(jī)變量，還把最大可能的還款金額也作為隨機(jī)變量，根據(jù)已經(jīng)還款的情況，這些隨機(jī)變量不斷被按Bayesian方法修正。

三、利潤(rùn)評(píng)分(profit scoring)

個(gè)人信用評(píng)分模型的研究目標(biāo)由客戶違約率最小化向公司從該客戶賺取利潤(rùn)最大化轉(zhuǎn)變， 是國(guó)外個(gè)人信用評(píng)分模型研究的前沿之一，也是信用評(píng)分領(lǐng)域近幾年來的研究熱點(diǎn)。這方面正在嘗試的方法大體上可以分成以下四種。

第一種是在現(xiàn)有的評(píng)分模型上建立的，估計(jì)違約率、交易量、接受和損失的比例，并根據(jù)不同測(cè)度下的得分對(duì)總體進(jìn)行細(xì)分，對(duì)不同的群體定義利潤(rùn)。Oliver(1993)首先使用該方法，并考察如果顧客有了“交易利潤(rùn)得分”和“違約得分”，那么決策規(guī)則是什么的問題。 Fishelson-Holstine(1998)討論了運(yùn)用利潤(rùn)的兩種類型來細(xì)分顧客的問題。Li & Hand (1997)則建議不估計(jì)最終的利潤(rùn)，也不直接估計(jì)違約標(biāo)準(zhǔn)，而是估計(jì)中間變量，如節(jié)余、購(gòu)買額等，然后使用這些因素估計(jì)最終的收入。Hand, McConway & Stanghellini(1997), Sewart & Whittaker(1998)認(rèn)為應(yīng)該根據(jù)違約率、交易量、接受和損失率來綜合考慮利潤(rùn)。

第二種類似于信用評(píng)分中的回歸方法，把利潤(rùn)表達(dá)成申請(qǐng)表格中定性變量的線性函數(shù)。Lai & Ying(1994)進(jìn)行了這方面的研究。

第三種是使用馬爾可夫鏈方法來進(jìn)行行為評(píng)分，以開發(fā)出更精確的消費(fèi)者行為隨機(jī)模型。Cyert et al (1962)對(duì)一個(gè)產(chǎn)品案例的利潤(rùn)進(jìn)行了建模分析，當(dāng)這些方法用于估計(jì)相同產(chǎn)品的顧客群體的壞賬準(zhǔn)備金時(shí)，結(jié)果表明應(yīng)用非常成功。

第四種是成功地處理遺失數(shù)據(jù)的一種統(tǒng)計(jì)建模技術(shù)。人們?cè)噲D根據(jù)有限的數(shù)據(jù)來估計(jì)消費(fèi)者的長(zhǎng)期利潤(rùn)。Narain (1992)是第一個(gè)建議人們?cè)谛庞迷u(píng)分上使用該方法的學(xué)者，而Banasik et al (1999)的論文顯示人們也可以使用競(jìng)爭(zhēng)風(fēng)險(xiǎn)的思想來對(duì)消費(fèi)者什么時(shí)候會(huì)違約和什么時(shí)候會(huì)預(yù)先付款進(jìn)行估計(jì)，這樣在一個(gè)分析中可以同時(shí)考慮違約率和流失率。Stepanova和Thomas(2001)利用PHAB模型進(jìn)行行為評(píng)分研究，結(jié)果顯示該模型在預(yù)測(cè)風(fēng)險(xiǎn)和預(yù)測(cè)利潤(rùn)兩個(gè)方面都有很好的表現(xiàn)。Stepanova和Thomas(2002)研究了比例風(fēng)險(xiǎn)模型(即Cox模型)的三種擴(kuò)展形式，研究表明該模型不論在預(yù)測(cè)風(fēng)險(xiǎn)還是在預(yù)測(cè)利潤(rùn)方面都非常有效。他們還提出了三個(gè)改進(jìn)：在變量屬性分類方面提出了coarse-classifying的分類方法；在模型擬合度的檢驗(yàn)上提出了多個(gè)診斷方法；在數(shù)據(jù)處理上應(yīng)反應(yīng)其變化。Baesens, Stepanova和Vanthienen(2003)提出了幾種神經(jīng)網(wǎng)絡(luò)生存模型，認(rèn)為神經(jīng)網(wǎng)絡(luò)生存模型克服了比例風(fēng)險(xiǎn)模型要求輸入函數(shù)形式是線性的缺點(diǎn)，并分別用神經(jīng)網(wǎng)絡(luò)生存模型與傳統(tǒng)的比例風(fēng)險(xiǎn)模型的性能進(jìn)行了比較。

四、考慮經(jīng)濟(jì)環(huán)境因素的信用評(píng)分

一般的信用評(píng)分模型中，都沒有考慮經(jīng)濟(jì)環(huán)境等外在因素的影響，但經(jīng)濟(jì)周期等宏觀經(jīng)濟(jì)變量無疑與客戶違約率存在著密不可分的關(guān)系。隨著信用評(píng)分技術(shù)方法的日益豐富以及計(jì)算機(jī)通信技術(shù)的迅猛發(fā)展，使得把經(jīng)濟(jì)環(huán)境因素整合到信用評(píng)分模型中成為必要和可能。其研究的主要目標(biāo)是通過將經(jīng)濟(jì)環(huán)境變量、申請(qǐng)表特征變量和現(xiàn)有客戶行為變量三者共同引入評(píng)分模型，以使得考慮的因素更充分，模型更加穩(wěn)定，生命周期更長(zhǎng)。

Crook, Hamilton & Thomas( 1992)證實(shí)了當(dāng)經(jīng)濟(jì)處于衰退期時(shí)，即使信用歷史良好的顧客也會(huì)出現(xiàn)違約的情況。Zandi(1998)調(diào)查了美國(guó)90年代的情況，認(rèn)為違約率上升的主要原因在于信用標(biāo)準(zhǔn)的降低，因?yàn)榻鹑跈C(jī)構(gòu)為了爭(zhēng)取信用卡客戶和國(guó)內(nèi)的貸款人，調(diào)低了他們的授信界限。關(guān)于個(gè)人破產(chǎn)對(duì)經(jīng)濟(jì)變量的回歸分析表明，經(jīng)濟(jì)狀況的確對(duì)違約有顯著的影響。

構(gòu)造同經(jīng)濟(jì)環(huán)境、申請(qǐng)表變量和消費(fèi)者行為相聯(lián)系的更嚴(yán)格的模型的一種方法是使用圖形方法和貝葉斯學(xué)習(xí)網(wǎng)絡(luò)。Sewart & Whittaker (1998)以及Hand et al (1997)指出這些技術(shù)對(duì)于檢驗(yàn)自變量和因變量間的關(guān)系非常有用。Fung指出，使用模擬和馬爾可夫的思想對(duì)信用評(píng)分的內(nèi)容可以擬合得很好，由此分析可得到一個(gè)評(píng)分模型。

五、結(jié)論

個(gè)人信用評(píng)分的研究目標(biāo)和方向一直在不斷發(fā)生著變化，當(dāng)前研究的重點(diǎn)是將風(fēng)險(xiǎn)管理目標(biāo)從客戶違約可能性最小化調(diào)整到如何使公司從該客戶賺取的利潤(rùn)最大化。另外，信用評(píng)分的目的也從最初的評(píng)估違約風(fēng)險(xiǎn)，逐步擴(kuò)大到評(píng)估響應(yīng)、使用、保持、流失、負(fù)債管理、以及欺詐評(píng)分。這也為今后這一領(lǐng)域的研究指明了新的方向和道路。

參考文獻(xiàn)：

[1]Capon, N, Credit Scoring Systems: A Critical Analysis, Journal of Marketing,1982,46:82-91

[2]Srinivasan V.and Kim, Y .H. Credit Granting: A Comparative Analysis of Classification Procedures. Journal of Finance,1987,42:665-683

[3]Hand, D. J. Discrimination and Classification. John Wiley, Chichester,U.K,1981

[4]Henley, W .E and Hand, D. J.A k-nearest Neighbor Classifier for Assessing Consumer Credit Risk，Tire Statistician, 1996,45:77-95

[5]Desai, V. S.，Crook, J. N. and Overstreet, G. A. A Comparison of Neural Networks and Linear Scoring Models in the Credit Environment. European Journal of Operational Research,1996,95:24-37

[6]Carter, C and Catlett, J. Assessing Credit Card Applications Using Machine Learning, IEEE Expert Vol. Fall,1987:71-79

第4篇

關(guān)鍵詞： 透射圖像; 模式識(shí)別; SVM; 級(jí)聯(lián)分類器

中圖分類號(hào)： TN919?34; TP391.41 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）06?0101?04

New and old banknotes′ classification based on transmission images

QI Lei， REN Ming?wu

（School of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： Classification of new or old banknotes is a important function in the banknote sorter. The transmission image is adopted in this paper to detect new or old banknotes. It is different from the traditional new or old banknote detection based on reflection images. According to the new or old degree of banknotes， all banknote samples are divided into three grades. The new or old banknote detection method based on gray level image brightness and pattern recognition method are used respectively. The histogram distribute of transmission image is used as feature of new or old banknotes. The KNN and SVM classifier are employed to carry out classification. A new cascade classifier which combines SVM and KNN is put forward. Test proves the new cascade classifier is more effective than SVM and KNN in detection of new or old banknotes.

Keywords： transmission image; pattern recognition; SVM; cascade classifier

0 引 言

紙幣清分機(jī)是一種集光機(jī)電磁于一體的高端金融現(xiàn)金處理設(shè)備，其主要功能是對(duì)紙幣進(jìn)行面值、面向、新舊程度及紙幣序列號(hào)的識(shí)別。紙幣清分機(jī)挑選適合在市場(chǎng)中流通的紙幣、高效地代替了人工選擇可流通紙幣的工作。當(dāng)紙幣流通時(shí)間過長(zhǎng)時(shí)，表面會(huì)出現(xiàn)粗糙、模糊、磨損等現(xiàn)象。過舊的紙幣影響了紙幣的真?zhèn)舞b別、冠字號(hào)識(shí)別等，導(dǎo)致貨幣在市場(chǎng)中的流通帶來了不便。根據(jù)中國(guó)人民銀行的《不宜流通人民幣挑剔標(biāo)準(zhǔn)》，過舊的紙幣不宜流通，因此紙幣清分機(jī)中需要具有檢測(cè)紙幣新舊的功能來滿足這樣的需求。

早期國(guó)外曾根據(jù)紙幣在清分機(jī)中與傳送帶的摩擦聲音來判別新舊[1]，但該技術(shù)已被數(shù)字圖像技術(shù)[2]所代替。目前，國(guó)內(nèi)紙幣清分機(jī)產(chǎn)品多采用基于數(shù)字圖像技術(shù)做相關(guān)研究[3]。紙幣新舊識(shí)別成為紙幣清分算法的核心和難點(diǎn)，而且新舊等級(jí)分的越多，難度越大。目前國(guó)內(nèi)外現(xiàn)有的紙幣新舊檢測(cè)方法有基于紙幣反光強(qiáng)度的新舊判別[4?5]，基于多光譜彩色圖像的新舊判別[2]，基于標(biāo)準(zhǔn)圖像進(jìn)行灰度直方圖匹配來判斷紙幣新舊[6] 等。目前，對(duì)于紙幣的新舊檢測(cè)大多基于反射圖像的亮度。近年來也出現(xiàn)了將紙幣的新舊檢測(cè)轉(zhuǎn)換為模式識(shí)別的問題，首先提取紙幣圖像上的有效特征，然后使用分類器來進(jìn)行新舊識(shí)別[7?8]。

本文將紙幣的新舊程度劃分為3個(gè)等級(jí)，使用紙幣的透射圖像對(duì)紙幣進(jìn)行新舊判斷，分別采用了紙幣透射圖像平均亮度劃分圖像等級(jí)和傳統(tǒng)的模式識(shí)別的方法，提取了紙幣透射圖像的灰度直方圖分布作為紙幣新舊檢測(cè)特征，并分別采用了KNN（k近鄰），SVN（Support Vector Machine支持向量機(jī)）分類器，并提出了一種簡(jiǎn)單的級(jí)聯(lián)分類器。

1 圖像數(shù)據(jù)說明

本文通過人工劃分的方式將100元人民幣劃分為新舊程度不同的3個(gè)等級(jí)，并且對(duì)于新舊程度不同的紙幣分別收集了170張，其中100張作為訓(xùn)練樣本，70張作為測(cè)試樣本。將所有收集得到的紙幣采用圖像傳感器進(jìn)行雙面采樣，獲得兩張圖像，白背景圖像中的奇偶行分別對(duì)應(yīng)紙幣的透射圖像和反射圖像，黑背景圖像中的奇偶行分別對(duì)應(yīng)圖像的反射圖像和彩色圖像如圖1所示。本文只使用了紙幣的透射圖像，只需要將白色背景的圖像提取出來，無需判斷紙幣圖像的正反面。本文采集到的所有紙幣透射圖像都已確定4個(gè)角的坐標(biāo)位置。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T1.tif>

圖1 原始采樣數(shù)據(jù)分割

2 基于圖像亮度的紙幣新舊檢測(cè)

目前，針對(duì)于紙幣的新舊檢測(cè)提出的大多數(shù)方法都與紙幣的亮度有關(guān)，因?yàn)樾屡f紙幣在圖像采集的時(shí)候反光的強(qiáng)弱不同，所得圖像的明暗有差異，因此可以根據(jù)紙幣圖像的亮度判定紙幣的新舊等級(jí)。常用的方法有使用紙幣空白區(qū)域的平均亮度，紙幣反射圖像某固定區(qū)域的平均灰度值。使用反射圖像進(jìn)行新舊檢測(cè)時(shí)，必須先確定紙幣圖像的面向，還要定位到紙幣的固定的區(qū)域。對(duì)于紙幣透射圖像，無論采集到的圖像是紙幣的正面或反面，所得的透射圖像都一樣，所以采用紙幣的透射圖像就不需要檢測(cè)紙幣的面向。采用圖像的部分區(qū)域進(jìn)行檢測(cè)時(shí)，當(dāng)此區(qū)域存在涂污時(shí)，對(duì)紙幣的新舊檢測(cè)結(jié)果產(chǎn)生影響。本文采用完整的紙幣透射圖像亮度的平均值檢測(cè)紙幣的新舊，具有更好的魯棒性。

在所有訓(xùn)練樣本和測(cè)試樣本中，已經(jīng)準(zhǔn)確標(biāo)記了紙幣的4個(gè)頂點(diǎn)的坐標(biāo)。這樣就可以得到紙幣邊緣具置，可以利用行掃描，來統(tǒng)計(jì)每張紙幣的所有點(diǎn)的灰度值的和，然后求得其平均值，根據(jù)平均值與自己設(shè)定的標(biāo)準(zhǔn)進(jìn)行比較就可以得到紙幣的新舊等級(jí)。但由于紙幣在流通的過程中會(huì)出現(xiàn)磨損，完整的紙幣圖像經(jīng)常存在一些噪聲，例如對(duì)于過舊的紙幣中往往存在細(xì)小的孔洞區(qū)域和圖像邊緣檢測(cè)并非很精確（會(huì)殘留一些白色背景區(qū)域），這就導(dǎo)致了所統(tǒng)計(jì)的透射圖像的像素點(diǎn)中存在白色的噪聲區(qū)域如圖2所示，因此首先統(tǒng)計(jì)紙幣透射圖像的灰色直方圖，然后將根據(jù)紙幣圖像的直方圖去除亮度前%α的點(diǎn)和后%α的點(diǎn)，最后計(jì)算所有剩余像素點(diǎn)的平均灰度值。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T2.tif>

圖2 原始圖像

基于紙幣透射圖像平均亮度檢測(cè)新舊，具體步驟如下：

（1） 統(tǒng)計(jì)訓(xùn)練樣本中新舊程度最新的樣本（本文為等級(jí)1）紙幣透射圖像的灰度直方圖，并去除最亮的前%α和最暗的前%α，計(jì)算每張紙幣的平均亮度，最后計(jì)算所有樣本平均亮度設(shè)為[vmax]。同理計(jì)算得到訓(xùn)練樣本中新舊程度最舊樣本（本文為等級(jí)3）的平均亮度設(shè)為[vmin]。

（2） 統(tǒng)計(jì)待檢測(cè)的樣本的灰度平均值，方法同（1），得到紙幣透射圖像的亮度為[v]。

step3判定新舊等級(jí)，根據(jù)以下公式：

[d=v-vminvmax-vmin 等級(jí)1， d>t1等級(jí)3， d<t2等級(jí)2， 其他]

式中[t1]、[t2]根據(jù)多次實(shí)驗(yàn)獲得的閾值。

3 基于模式識(shí)別方法的紙幣新舊檢測(cè)

紙幣的新舊檢測(cè)除了采用圖像的整體平均亮度值，近年來也出現(xiàn)了將紙幣的新舊檢測(cè)轉(zhuǎn)換為模式識(shí)別的問題，例如文獻(xiàn)[9]基于BP?LVQ神經(jīng)網(wǎng)絡(luò)的紙幣新舊識(shí)別算法研究，首先提取紙幣圖像的新舊特征，然后將特征送給分類器識(shí)別，得到識(shí)別結(jié)果，具體過程如圖3所示。

3.1 特征提取

紙幣圖像的新舊特征一般采用灰度直方圖的分布統(tǒng)計(jì)，新舊紙幣的差異不僅反映在紙幣灰度圖像的平均值上，在灰度直方圖的分布中也有所差異。越新的紙幣圖像灰度直方圖波峰靠后，越舊的紙幣圖像直方圖波峰靠前。對(duì)于紙幣透射圖像也存在同樣的表現(xiàn)如圖4所示，分別為新舊等級(jí)一、二、三紙幣透射圖像直方圖統(tǒng)計(jì)分布。統(tǒng)計(jì)每張紙幣透射圖像的直方圖，得到256維的特征向量。所得到的特征向量中與基于亮度檢測(cè)新舊具有同樣的問題，圖像中的最亮和最暗區(qū)域存在一定的噪聲，使用上述相同的方法去除亮度前%α的點(diǎn)和后%α的點(diǎn)后統(tǒng)計(jì)直方圖，得到256維紙幣新舊特征，并歸一化特征向量。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T3.tif>

圖3 模式識(shí)別方法的流程

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T4.tif>

圖4 不同新舊程度的直方圖

3.2 KNN

K近鄰法（K?nearest neighbor，KNN）是由Cover和Hart在1968年提出的[10]，它是最近鄰法的推廣形式，其主要的決策方法也是類似的，當(dāng)k=1時(shí)就是最近鄰法。K?近鄰法是通過找到與待識(shí)別樣本點(diǎn)最近的k個(gè)樣本點(diǎn)，根據(jù)這k個(gè)訓(xùn)練樣本的類別，通過多數(shù)表決等方式進(jìn)行預(yù)測(cè)。因此k近鄰法不具有顯示的學(xué)習(xí)過程。k近鄰法實(shí)際上利用訓(xùn)練數(shù)據(jù)集對(duì)特征向量空間進(jìn)行劃分，并作其分類的“模型”[11]，K近鄰法中的距離度量一般選用歐式距離。

假設(shè)訓(xùn)練樣本一共有[N]個(gè)，并且分為[n]個(gè)類別分別為[w1，w2，…，wn]，待識(shí)別樣本為[x]，在[N]個(gè)樣本中找出與[x]最近[k]個(gè)樣本，假設(shè)這[k]個(gè)樣本中來自[w1]類的有[k1]個(gè)，來自[w2]類的有[k2]個(gè)，以此類推，來自[wn]類的有[kn]個(gè)，其中[k=i=1nki]，定義判別函數(shù)：

[gi（x）=ki， i=1，2，…，n]

判別決策規(guī)則：如果

[gj（x）=arg maxi ki ， i=1，2，…，n]

則待識(shí)別樣本[x∈wj]。

3.3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是Cortes和Vapnik于1995年首先提出的[12]，支持向量機(jī)就是能夠找出超平面并把空間中的樣本進(jìn)行分類的問題，使其間隔最大化。該方法是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理找到最優(yōu)決策超平面從而實(shí)現(xiàn)分類。假設(shè)有訓(xùn)練樣本集

[T={（x1，y1），（x2，y2），…，（xN，yN）}，xi∈RN，yi∈{-1，+1}]

式中：[xi]為第i個(gè)特征向量，[yi]為[xi]的類標(biāo)記，當(dāng)[yi=+1]時(shí)，[xi]為正實(shí)例，當(dāng)[yi=-1]時(shí)，[xi]為負(fù)實(shí)例，[（xi，yi）]稱為樣本點(diǎn)。假定訓(xùn)練樣本集是線性可分的，學(xué)習(xí)的目標(biāo)是找到最佳決策超平面，能將實(shí)例分為不同的兩類。分離超平面方程為：

[w?x+b=0]

分類超平面將特征空間劃分為兩部分，一部分是負(fù)類，一部分是正類，法向量[w]垂直于超平面并指向正類部分。

一般情況下，當(dāng)可知訓(xùn)練樣本可以線性分開的時(shí)候，則幾何空間中存在了無窮多個(gè)分類超平面可以將訓(xùn)練樣本分開。但是支持向量機(jī)利兩個(gè)平行向量之間距離最大化求得了最優(yōu)的分類超平面，這時(shí)的解是惟一的，圖5為樣本在線性可分情況下的支持向量示意圖。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T5.tif>

圖5 SVM線性可分

從圖5可以看出，相同的樣本訓(xùn)練機(jī)可以有不同的劃分，（b）圖代表著線性可分支持向量機(jī)，其中虛線代表最優(yōu)的分類超平面，與分類超平面最近的樣本點(diǎn)稱為支持向量。從圖5中可以看出，此時(shí)兩條實(shí)線之間的間隔最大。對(duì)于線性不可分的樣本，可引入松弛變量加以解決。對(duì)于SVM分類器進(jìn)行訓(xùn)練就是求解[w]和[b]的過程，具體過程參考文獻(xiàn)[13]。

有時(shí)分類問題不是線性可分的，這時(shí)就不能用線性可分支持向量機(jī)來解決問題，如圖6所示。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T6.tif>

圖6 SVM線性不可分

非線性問題的實(shí)質(zhì)就是把能夠?qū)⑵滢D(zhuǎn)化成線性問題。所用的方法，就是構(gòu)造一個(gè)非線性變換，將樣本點(diǎn)的特征從一個(gè)低維線性不可分空間映射到一個(gè)高維線性可分空間。這里，就引入了核函數(shù)的概念。

設(shè)[χ]是輸入空間，H為特征空間，如果存在一個(gè)[χ]到H的映射[φ（x）：χH]對(duì)所有的[x，z∈χ]都成立，函數(shù)[K（x，z）]滿足條件

[K（x，z）=φ（x）?φ（z）]

則稱[K（x，z）]為核函數(shù)，[φ（x）]為映射函數(shù)，[φ（x）?φ（z）]為[φ（x）]和[φ（z）]的內(nèi)積。

若直接將輸入數(shù)據(jù)映射到高維空間可能出現(xiàn)維度爆炸現(xiàn)象，可采用核函數(shù)在低維空間進(jìn)行計(jì)算，不需要顯示的寫出映射后的結(jié)果，其處理后的結(jié)果與高維映射等效。

3.4 級(jí)聯(lián)分類器

為得到更高的紙幣新舊檢測(cè)的準(zhǔn)確率，本文設(shè)計(jì)了一種級(jí)聯(lián)分類器SVM?KNN來判定紙幣新舊等級(jí)如圖7所示，第一級(jí)分類器采用SVM，第二級(jí)分類器采用KNN，首先使用訓(xùn)練樣本對(duì)SVM分類器進(jìn)行訓(xùn)練，得到SVN分類器的模型參數(shù)。

當(dāng)對(duì)待檢測(cè)樣本[x]進(jìn)行分類時(shí)，先經(jīng)過SVM分類器進(jìn)行分類，獲得分類概率最大的兩類分別為[w1]，[w2]，概率分別為[p1]、[p1]，當(dāng)[p1-p2<T]（其中[T]為設(shè)定閾值）進(jìn)入下一級(jí)分類器KNN，分類得到分類結(jié)果，否則直接在本級(jí)分類器中分類，分類結(jié)果為[w1]，[w2]中可能性最大的一類。

<E：＼王芳＼現(xiàn)代電子技術(shù)201506＼現(xiàn)代電子技術(shù)15年38卷第6期＼Image＼14T7.tif>

圖7 級(jí)聯(lián)分類器

4 實(shí)驗(yàn)結(jié)果與分析

本文將紙幣新舊程度人工劃分成三個(gè)等級(jí)，一共有300張紙幣透射圖像用于訓(xùn)練，210張紙幣透射圖像用于測(cè)試。其中每個(gè)等級(jí)紙幣透射圖像分別有100張訓(xùn)練樣本和70張測(cè)試樣本，本文分別實(shí)驗(yàn)了基于透射圖像亮度的新舊判別和傳統(tǒng)的模式識(shí)別方法，本文采用紙幣透射圖像灰度直方圖的分布作為新舊判別的特征，使用了KNN，SVM，和級(jí)聯(lián)分類器分別實(shí)驗(yàn)。基于透射圖像亮度檢測(cè)紙幣新舊時(shí)參數(shù)α，[t1]，[t2]分別設(shè)為5，0.65，0.2。SVM分類器使用了臺(tái)灣大學(xué)LIBSVM[14]，并選用RBF核，閾值[T]設(shè)為0.2。實(shí)驗(yàn)具體結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明在檢測(cè)紙幣的新舊等級(jí)實(shí)驗(yàn)中使用模式識(shí)別的方法明顯優(yōu)于使用圖像亮度特征的方法，將SVM分類器和KNN線性級(jí)聯(lián)使用的效果要優(yōu)于它們單獨(dú)使用，由于人工選擇紙幣新舊程度還存在一定偏差，在一定程度上也影響了新舊檢測(cè)的整體結(jié)果。經(jīng)試驗(yàn)分析誤識(shí)別結(jié)果一般為相鄰的兩類新舊等級(jí)之間。

5 結(jié) 語(yǔ)

與傳統(tǒng)使用紙幣反射圖像檢測(cè)新舊等級(jí)不同，本文使用了紙幣的透射圖像對(duì)紙幣的新舊等級(jí)進(jìn)行檢測(cè)，分別采用了基于圖像整體平均亮度的方法和傳統(tǒng)的模式識(shí)別方法，選用紙幣透射圖像灰度直方圖的分布作為紙幣新舊判別特征，分別使用了KNN，SVM和SVM?KNN線性級(jí)聯(lián)的分類器。由于人工劃分紙幣新舊等級(jí)存在一定的誤差，對(duì)于具體的新舊等級(jí)判別的界定比較模糊，如何解決這些問題并提高分類等級(jí)的準(zhǔn)確性是本文后續(xù)研究的重點(diǎn)。

參考文獻(xiàn)

[1] TERANISHI M， OMATU S， KOSAKA T. Neuro?classification of currency fatigue levels based on acoustic cepstrum patterns [J]. JACIII， 2000， 4（1）： 18?23.

[2] 李朝.紙幣清分機(jī)圖像處理系統(tǒng)研究[D]. 湘潭：湘潭大學(xué)，2012.

[3] 譚家國(guó).紙幣圖像高速采集系統(tǒng)設(shè)計(jì)[D].鞍山：遼寧科技大學(xué)，2012.

[4] 魏巍.CF1000型紙幣清分機(jī)圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

[5] 郭玉佳.紙幣圖像處理技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2009.

[6] 許萬(wàn)征.紙幣多光譜圖像分析方法[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2010.

[7] 李慶峰.基于圖像處理的紙幣清分系統(tǒng)關(guān)鍵算法研究[D].北京：中國(guó)科學(xué)院，2006.

[8] 魏軍.紙幣動(dòng)態(tài)檢測(cè)識(shí)別算法研究[D].哈爾濱：哈爾濱理工大學(xué)，2009.

[9] 王洪，陳麗，肖思寧.基于BP?LVQ神經(jīng)網(wǎng)絡(luò)的紙幣識(shí)別算法研究[J].光學(xué)與光電技術(shù)，2010，8（4）：64?67.

[10] COVER T， HART P. Nearest neighbor pattern classification [J]. IEEE Transactions on Information Theory， 1967， 13（1）： 21?27.

[11] 李航.統(tǒng)計(jì)學(xué)習(xí)方法[M].北京：清華大學(xué)出版社，2012.

[12] CORTES C， VAPNIK V. Support?vector networks [J]. Machine Learning， 1995， 20（3）： 273?297.

第5篇

關(guān)鍵詞:壓力測(cè)試;金融穩(wěn)定性;模型和系統(tǒng)

中圖分類號(hào):F830.3 文獻(xiàn)標(biāo)識(shí)碼:A

文章編號(hào):1000-176X(2009)09-0057-09

一、引 言

風(fēng)險(xiǎn)價(jià)值(Value at Risk,簡(jiǎn)稱VaR)是指在正常的市場(chǎng)環(huán)境下,在一定的置信水平和持有期內(nèi),衡量某個(gè)特定的頭寸或組合所面臨的最大可能損失[1]。與傳統(tǒng)的風(fēng)險(xiǎn)衡量方法相比,VaR提供了一種考慮杠桿、相關(guān)性和當(dāng)前頭寸的組合風(fēng)險(xiǎn)的整體觀點(diǎn),被稱為一種具有前瞻性的風(fēng)險(xiǎn)衡量方法。風(fēng)險(xiǎn)的數(shù)量化量度發(fā)展從靈敏度到波動(dòng)性,再到下側(cè)量度,經(jīng)歷了從簡(jiǎn)單逐步走向準(zhǔn)確的過程。 VaR不僅取決于風(fēng)險(xiǎn)的絕對(duì)水平,也取決于管理者對(duì)風(fēng)險(xiǎn)的偏好(如設(shè)定多高的置信水平)以及風(fēng)險(xiǎn)期限的長(zhǎng)度,這樣VaR以最簡(jiǎn)單的形式將已知組合潛在的損失與發(fā)生概率結(jié)合成為單個(gè)數(shù)字,將多個(gè)風(fēng)險(xiǎn)暴露的效果綜合起來,便利了金融機(jī)構(gòu)和監(jiān)管當(dāng)局的風(fēng)險(xiǎn)管理和監(jiān)管。VaR由于其概念簡(jiǎn)單,用一個(gè)簡(jiǎn)單的數(shù)字表示風(fēng)險(xiǎn)損失的大小,易于理解,被廣泛應(yīng)用于金融機(jī)構(gòu)的資本配置、風(fēng)險(xiǎn)定價(jià)、績(jī)效評(píng)估、風(fēng)險(xiǎn)報(bào)告和信息披露,并作為一種很好的風(fēng)險(xiǎn)管理工具在新巴塞爾協(xié)議中獲得應(yīng)用推廣,正發(fā)展成為現(xiàn)代風(fēng)險(xiǎn)管理的標(biāo)準(zhǔn)和理論基礎(chǔ)。目前關(guān)于VaR的系列研究成果集中于新巴塞爾協(xié)議中,代表性人物有 Arzner、Alexander、Jorion、C.Acerbi、Rogachev等。

然而這次發(fā)端于美國(guó)的次貸危機(jī)給全球金融經(jīng)濟(jì)體系造成的負(fù)面影響遠(yuǎn)遠(yuǎn)超過了人們最初的預(yù)期,2008年10月期的《全球金融穩(wěn)定報(bào)告》指出,由于損失上升、資產(chǎn)價(jià)格下降和經(jīng)濟(jì)減速加劇,金融體系與更廣泛經(jīng)濟(jì)之間發(fā)生更嚴(yán)重負(fù)面反饋鏈的風(fēng)險(xiǎn)成為全球金融體系穩(wěn)定的重大威脅,完全可比1929年的全球經(jīng)濟(jì)大蕭條。這次尚在變化中的全球性金融經(jīng)濟(jì)危機(jī)帶給我們?cè)S多經(jīng)驗(yàn)教訓(xùn),其中重要的一條是對(duì)風(fēng)險(xiǎn)后果的前瞻性估計(jì)不足,低估了金融體系杠桿率下降的幅度,機(jī)械地套用監(jiān)管比率,對(duì)金融體系的穩(wěn)定性評(píng)估過于樂觀。人們進(jìn)一步認(rèn)識(shí)到,在置信度內(nèi)正常市場(chǎng)情形VaR風(fēng)險(xiǎn)估計(jì)是有效的,但超過置信度的低概率金融損失事件傳統(tǒng)的VaR方法無能為力,極端市場(chǎng)波動(dòng)或危機(jī)的例子使我們認(rèn)識(shí)到僅僅用過去流行的商業(yè)條件基礎(chǔ)上的監(jiān)督和風(fēng)險(xiǎn)管理是不夠的(例如新的危機(jī)可能包括過去未曾出現(xiàn)的跨市場(chǎng)的新風(fēng)險(xiǎn)),需要結(jié)合壓力測(cè)試對(duì)金融體系的穩(wěn)定性進(jìn)行判斷。

壓力測(cè)試(Stress-testing)由于能模擬潛在金融危機(jī)等極端事件對(duì)金融系統(tǒng)穩(wěn)定性的影響,近年來在國(guó)際金融組織和各國(guó)政策當(dāng)局間獲得了迅速的應(yīng)用推廣。自20世紀(jì)90年代初期以來,微觀壓力測(cè)試在國(guó)際銀行業(yè)得到廣泛應(yīng)用,已成為銀行等金融機(jī)構(gòu)重要的風(fēng)險(xiǎn)管理工具。發(fā)達(dá)國(guó)家監(jiān)管當(dāng)局均要求或鼓勵(lì)所屬銀行遵循巴塞爾銀行監(jiān)管委員會(huì)的建議規(guī)范進(jìn)行壓力測(cè)試的工作。IMF和World Bank在借鑒亞洲金融危機(jī)經(jīng)驗(yàn)教訓(xùn)的基礎(chǔ)上,1999年發(fā)起了金融部門評(píng)估項(xiàng)目(簡(jiǎn)稱FSAP),首次將宏觀壓力測(cè)試方法作為衡量金融系統(tǒng)穩(wěn)定性分析工具的重要組成部分。隨后,在FSAP項(xiàng)目的協(xié)助下壓力測(cè)試方法成為其成員國(guó)政策當(dāng)局金融穩(wěn)定性分析中廣泛使用的工具,各國(guó)政策當(dāng)局紛紛開發(fā)出自己的宏觀壓力測(cè)試系統(tǒng),典型的有英格蘭銀行的TD測(cè)試系統(tǒng)、澳地利銀行的SRM測(cè)試系統(tǒng)等。壓力測(cè)試的理論和應(yīng)用研究主要集中在各國(guó)央行系統(tǒng)的研究人員,在這一過程中IMF和世界銀行起到了引領(lǐng)作用。代表性的人物有 IMF的Cihak、Swinburne等分析了微觀壓力測(cè)試與宏觀壓力測(cè)試的區(qū)別,并總結(jié)了IMF宏觀壓力測(cè)試系統(tǒng)演進(jìn)歷程[2-3];IMF的Dale F.Gray等利用風(fēng)險(xiǎn)調(diào)整的平衡表,研究了基于Merton模型的金融穩(wěn)定性分析框架和壓力測(cè)試方法[4];英國(guó)央行的Drehmann、Haldane剖析了英國(guó)宏觀壓力測(cè)試系統(tǒng)的構(gòu)建方法和評(píng)測(cè)結(jié)果[5];奧地利央行的Ross等分析了該國(guó)宏觀壓力測(cè)試系統(tǒng)的構(gòu)建框架。另外美國(guó)FDIC的Krimminger、歐央行的Lind、挪威央行的Moe、澳大利亞儲(chǔ)備銀行的Ryan、西班牙央行的Saurina分別研究了各國(guó)宏觀壓力測(cè)試系統(tǒng)構(gòu)建經(jīng)驗(yàn),芬蘭央行的Esa Jokivuolle研究了新巴塞爾協(xié)議要求下基于聯(lián)合信貸損失的未來最低資本要求的壓力測(cè)試;Sorge比較分析了不同宏觀壓力測(cè)試方法的應(yīng)用。Goodhart、Summer、Tsatsaronis等研究銀行間市場(chǎng)傳染效應(yīng)(contagion effects,又稱domino effects)、反饋效應(yīng)(feedback effects)、信貸衍生品市場(chǎng)發(fā)展引起的內(nèi)生性風(fēng)險(xiǎn)和非線性影響等問題[6-8]。

我國(guó)目前已經(jīng)開始了壓力測(cè)試在金融領(lǐng)域的推廣應(yīng)用。2003年9月,中國(guó)銀監(jiān)會(huì)響應(yīng)FSAP項(xiàng)目要求國(guó)內(nèi)各商業(yè)銀行開展利率變動(dòng)、匯率變動(dòng)、準(zhǔn)備金調(diào)整、不良貸款變動(dòng)對(duì)商業(yè)銀行資本金和盈利的影響四個(gè)子課題的壓力測(cè)試。2007年銀監(jiān)會(huì)再次組織各大商業(yè)銀行到普華永道接受培訓(xùn),學(xué)習(xí)敏感性壓力測(cè)試技術(shù),內(nèi)容包括房地產(chǎn)貸款綜合壓力測(cè)試和個(gè)人住房貸款進(jìn)行專項(xiàng)壓力測(cè)試,這次測(cè)試成為不少國(guó)內(nèi)銀行進(jìn)行的首次壓力測(cè)試實(shí)驗(yàn)。我國(guó)從2006年開始《金融系統(tǒng)穩(wěn)定性報(bào)告》,但報(bào)告缺乏壓力測(cè)試內(nèi)容,不利于對(duì)我國(guó)金融體系穩(wěn)定性做出正確的評(píng)價(jià),制定出符合實(shí)際情況的政策措施。在目前復(fù)雜多變的全球化金融經(jīng)濟(jì)體系中,國(guó)內(nèi)的系列金融改革正在全面深入,許多制度措施的實(shí)施缺乏現(xiàn)成的經(jīng)驗(yàn)可資借鑒,客觀上需要我們采用新型的方法分析金融現(xiàn)象,做出前瞻性的正確分析,為我國(guó)的金融改革和經(jīng)濟(jì)發(fā)展提供正確的依據(jù)。

二、風(fēng)險(xiǎn)價(jià)值與壓力測(cè)試

VaR產(chǎn)生的金融風(fēng)險(xiǎn)實(shí)踐根源在于20世紀(jì)90年代初發(fā)生的一系列重大金融災(zāi)難(如發(fā)生在美國(guó)加州橙縣的財(cái)政破產(chǎn)、巴林銀行倒閉等災(zāi)難性事件),這些事件的共同教訓(xùn)是由于金融風(fēng)險(xiǎn)的監(jiān)督和管理不力導(dǎo)致巨大損失。同時(shí)也使人們進(jìn)一步認(rèn)識(shí)到傳統(tǒng)的風(fēng)險(xiǎn)管理方法已無法準(zhǔn)確定義和度量新形勢(shì)下的金融風(fēng)險(xiǎn),因此1993年7月G30集團(tuán)在研究金融衍生產(chǎn)品的基礎(chǔ)上,提出了度量市場(chǎng)風(fēng)險(xiǎn)的VaR方法。VaR在理論上繼承和發(fā)展了Roy安全第一(Safety First)準(zhǔn)則模型的理念,該模型的決策規(guī)則是極小化投資組合收益小于給定損失水平事件的概率,與Markowitz收益―風(fēng)險(xiǎn)型投資組合模型的思路不同,安全第一模型給出了另類風(fēng)險(xiǎn)控制的思路,即對(duì)損失概率的控制,確定在給定概率置信水平內(nèi)最壞情況下的損失。 VaR屬于下側(cè)量度,已經(jīng)證明風(fēng)險(xiǎn)的下側(cè)量度是對(duì)靈敏度與具有不確定性不利結(jié)局的波動(dòng)性的整合。VaR只涉及可能產(chǎn)生損失的收益下側(cè)偏差,而不涉及意外增益。下側(cè)風(fēng)險(xiǎn)可以數(shù)量化地表示為在一定置信水平下單側(cè)區(qū)間的邊界值,只需考慮超過不利偏差的邊界概率對(duì)應(yīng)的下側(cè)分位數(shù)。但是VaR在實(shí)際應(yīng)用中也存在一些不足:(1)VaR模型的許多假定基于市場(chǎng)正常情形,無法實(shí)現(xiàn)市場(chǎng)極端情形下的風(fēng)險(xiǎn)損失刻畫,由于例外事件發(fā)生的觀測(cè)數(shù)據(jù)非常有限,對(duì)于市場(chǎng)的極端情形,基于統(tǒng)計(jì)分析視角的VaR難以實(shí)現(xiàn)數(shù)量化的精確分析。(2)當(dāng)概率分布不連續(xù)時(shí),VaR無法保證置信度的連續(xù)性和分位數(shù)的惟一性。(3)VaR度量的波動(dòng)風(fēng)險(xiǎn)有可能是負(fù)數(shù),意味著市場(chǎng)可以存在負(fù)的波動(dòng)風(fēng)險(xiǎn)資產(chǎn),這往往與現(xiàn)實(shí)不符。(4)無法有效估算選擇權(quán)等非線性金融資產(chǎn)的風(fēng)險(xiǎn)損失。因此VaR并不是萬(wàn)能的,只有當(dāng)使用者掌握了其限制條件后,VaR方法才是有用的。VaR描述了損益的潛在變化,目的并不在于給出最壞的損失情形,尾部的表現(xiàn)需要通過壓力測(cè)試來進(jìn)行分析。壓力測(cè)試提供了關(guān)于極端情形的低概率事件對(duì)整個(gè)金融機(jī)構(gòu)的影響信息,在很大程度上彌補(bǔ)了傳統(tǒng)風(fēng)險(xiǎn)價(jià)值體系的不足。對(duì)于金融風(fēng)險(xiǎn)管理來說,除了考慮正常情況下的可能損失,更重要的是必須確保在極端的市場(chǎng)情形下,金融機(jī)構(gòu)持有的金融資產(chǎn)不會(huì)引發(fā)金融機(jī)構(gòu)破產(chǎn)風(fēng)險(xiǎn),通過壓力測(cè)試,可以發(fā)現(xiàn)金融機(jī)構(gòu)在極端市場(chǎng)情形下的風(fēng)險(xiǎn)承受能力。因此,壓力測(cè)試已經(jīng)成為VaR風(fēng)險(xiǎn)管理體系不可或缺的組成部分,與風(fēng)險(xiǎn)價(jià)值方法構(gòu)成了一個(gè)比較全面的風(fēng)險(xiǎn)分析體系,這些年來得到了迅速的發(fā)展。

根據(jù)IMF(2004)的定義,壓力測(cè)試(Stress Testing)指一系列用來評(píng)估一些異常但又可信的宏觀經(jīng)濟(jì)沖擊對(duì)金融體系脆弱性影響的技術(shù)總稱[1]。在微觀領(lǐng)域,一方面,壓力測(cè)試具有能評(píng)估某些小概率事件對(duì)銀行經(jīng)營(yíng)或其所擁有的投資組合可能造成的影響的優(yōu)勢(shì),可作為金融穩(wěn)健性指標(biāo)(如CAMELS)中風(fēng)險(xiǎn)度量工具VaR的重要補(bǔ)充;另一方面,壓力測(cè)試能幫助金融監(jiān)管當(dāng)局更好地監(jiān)管個(gè)別金融機(jī)構(gòu)的市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn)。為了有效衡量額外資本緩沖的規(guī)模,新巴塞爾協(xié)議要求銀行對(duì)它們潛在的未來最低資本需求進(jìn)行壓力測(cè)試。根據(jù)新巴塞爾協(xié)議第一支柱的要求,如果銀行用基于IRBA的內(nèi)部評(píng)級(jí)法,至少要考慮溫和衰退期的影響。新巴塞爾協(xié)議給出的溫和衰退期的例子是2個(gè)連續(xù)的零增長(zhǎng)期。FSA給出的是平均每25年一次的經(jīng)濟(jì)衰退。根據(jù)監(jiān)管者的要求,壓力測(cè)試的具體形式可以由銀行自己確定。發(fā)達(dá)國(guó)家監(jiān)管當(dāng)局均要求或鼓勵(lì)所屬銀行遵循新巴塞爾協(xié)議的規(guī)范進(jìn)行壓力測(cè)試工作。微觀壓力測(cè)試在國(guó)際銀行業(yè)得到了廣泛應(yīng)用,已成為銀行等金融機(jī)構(gòu)重要的風(fēng)險(xiǎn)管理工具。在宏觀領(lǐng)域,壓力測(cè)試用來衡量沖擊對(duì)金融系統(tǒng)穩(wěn)定性的影響。與微觀金融機(jī)構(gòu)的壓力測(cè)試相比,宏觀金融壓力測(cè)試有更廣泛的覆蓋面(即金融體系及其重要的組成部分),并用于不同目的(金融部門的監(jiān)管和風(fēng)險(xiǎn)管理),基于最新的分析技術(shù),更專注于傳播的渠道(即一個(gè)機(jī)構(gòu)的風(fēng)險(xiǎn)如何能夠成為一個(gè)系統(tǒng)風(fēng)險(xiǎn))。宏觀壓力測(cè)試并不意味著壓力測(cè)試應(yīng)以總體數(shù)據(jù)來執(zhí)行,因?yàn)榘褖毫y(cè)試應(yīng)用到整個(gè)金融系統(tǒng)或大型機(jī)構(gòu)可以掩蓋應(yīng)用于個(gè)別機(jī)構(gòu)時(shí)所暴露的大量問題,這些問題可能導(dǎo)致金融機(jī)構(gòu)的破產(chǎn)并蔓延到系統(tǒng)中的其他機(jī)構(gòu)。因此在盡可能多的機(jī)構(gòu)上進(jìn)行壓力測(cè)試是很重要的。我們不僅要分析總體結(jié)果也要分析總體數(shù)據(jù)結(jié)果的分散情況,宏微觀壓力測(cè)試往往需要結(jié)合使用。一般而言, VaR和壓力測(cè)試風(fēng)險(xiǎn)估計(jì)不能相加。壓力測(cè)試衡量資產(chǎn)損失分布中超過VaR值的部分,而風(fēng)險(xiǎn)價(jià)值方法是用來衡量資產(chǎn)將要經(jīng)歷的收益或損失,這些資產(chǎn)由一個(gè)或更多的基本經(jīng)濟(jì)因素決定其價(jià)值的具體變化。壓力測(cè)試是VaR 方法的有效補(bǔ)充,兩者共同構(gòu)成了一個(gè)全面的風(fēng)險(xiǎn)管理體系。

三、壓力測(cè)試與金融系統(tǒng)穩(wěn)定性評(píng)估

壓力測(cè)試已經(jīng)成為宏觀金融分析的重要組成部分。宏觀金融分析包括對(duì)金融市場(chǎng)狀況的監(jiān)管和對(duì)宏觀金融聯(lián)系的分析,需要編制金融穩(wěn)定指標(biāo)來監(jiān)測(cè)金融機(jī)構(gòu)和市場(chǎng)的穩(wěn)定性以及與之相對(duì)應(yīng)的企業(yè)和家庭。金融穩(wěn)定指標(biāo)包括金融機(jī)構(gòu)的總體信息和金融機(jī)構(gòu)運(yùn)行所在市場(chǎng)的指標(biāo), 為了便于匯編這些指標(biāo),國(guó)際貨幣基金組織已定義“核心”和“激勵(lì)”兩套金融穩(wěn)定指標(biāo)。所有核心金融穩(wěn)定指標(biāo)與銀行部門相關(guān),反映了銀行在大部分國(guó)家金融體系中的優(yōu)勢(shì)地位。在激勵(lì)金融穩(wěn)定指標(biāo)中還包括銀行的附加指標(biāo)、金融市場(chǎng)流動(dòng)性指標(biāo)、非銀行金融機(jī)構(gòu)和非金融企業(yè)部門(如股本的總債務(wù))的指標(biāo)、家庭部門(如家庭債務(wù)服務(wù)和主要支出)和房地產(chǎn)市場(chǎng)的指標(biāo)。對(duì)于金融穩(wěn)定指標(biāo)分析的關(guān)鍵是它們的相互關(guān)系以及它們和其他宏觀分析框架的關(guān)系。

金融穩(wěn)定指標(biāo)與壓力測(cè)試通常共同使用來分析金融部門的穩(wěn)定性。壓力測(cè)試和金融穩(wěn)定指標(biāo)之間有許多重要的不同點(diǎn),這些不同產(chǎn)生于它們?cè)诤暧^分析中的不同作用。特別是壓力測(cè)試能更清楚地說明沖擊的潛在成本。壓力測(cè)試沖擊和模型基于判斷和假設(shè),必須適應(yīng)于某一特定系統(tǒng)的特點(diǎn),與編制金融穩(wěn)定指標(biāo)相比,不受制于統(tǒng)計(jì)學(xué)家們數(shù)據(jù)分析時(shí)所采用的嚴(yán)格標(biāo)準(zhǔn),所以壓力測(cè)試的結(jié)果與在金融系統(tǒng)真實(shí)條件下得到的金融穩(wěn)定指標(biāo)沒有可比性。考慮到這些限制條件,壓力測(cè)試和金融穩(wěn)定指標(biāo)提供了相互補(bǔ)充的風(fēng)險(xiǎn)分析方法。面對(duì)復(fù)雜金融系統(tǒng),壓力測(cè)試衡量的損失驗(yàn)證了金融穩(wěn)定指標(biāo)是否切實(shí)可行,壓力測(cè)試作為其風(fēng)險(xiǎn)管理的重要組成部分,其結(jié)果可以描述成與市場(chǎng)風(fēng)險(xiǎn)金融穩(wěn)定指標(biāo)(如由于給定規(guī)模的變動(dòng)所造成資本的損失)相比的一種形式。這種互補(bǔ)性反映了兩者在分析水平上的密切關(guān)系。例如,從匯率波動(dòng)壓力測(cè)試中估計(jì)的直接損失可以近似地用匯率的變化乘以凈開放外匯資產(chǎn)金融穩(wěn)定指標(biāo)。

宏觀金融分析壓力測(cè)試的重要性主要表現(xiàn)在三個(gè)方面:對(duì)宏觀經(jīng)濟(jì)看法的整合、對(duì)金融系統(tǒng)作為一個(gè)整體的關(guān)注、對(duì)銀行間風(fēng)險(xiǎn)評(píng)估方法的統(tǒng)一。不像大型銀行進(jìn)行的壓力測(cè)試旨在衡量投資組合和各個(gè)銀行的風(fēng)險(xiǎn),宏觀金融壓力測(cè)試在對(duì)宏觀經(jīng)濟(jì)和市場(chǎng)風(fēng)險(xiǎn)進(jìn)行評(píng)估的基礎(chǔ)上應(yīng)用一種共同的情景來進(jìn)行,這種統(tǒng)一的做法使結(jié)果有整體性,便于在整體系統(tǒng)水平上確定關(guān)鍵風(fēng)險(xiǎn),并提供銀行等金融機(jī)構(gòu)間風(fēng)險(xiǎn)的可比信息。就政策當(dāng)局而言,利用宏觀壓力測(cè)試可實(shí)現(xiàn)兩方面的作用:一是和傳統(tǒng)的CAMEL指標(biāo)、早期預(yù)警系統(tǒng)等一起使用來識(shí)別需要重點(diǎn)關(guān)注和進(jìn)行救助的弱勢(shì)金融機(jī)構(gòu)。二是實(shí)現(xiàn)宏觀金融系統(tǒng)的監(jiān)控,用于模擬分析小概率異常事件沖擊對(duì)整個(gè)金融系統(tǒng)的影響,評(píng)估金融系統(tǒng)整體應(yīng)對(duì)外來沖擊的風(fēng)險(xiǎn)承受能力,提高對(duì)金融風(fēng)險(xiǎn)傳導(dǎo)途徑的理解(如危機(jī)傳染),分析各種風(fēng)險(xiǎn)傳導(dǎo)途徑的相關(guān)性和重要性從而找到金融系統(tǒng)中的薄弱點(diǎn)和危機(jī)發(fā)生時(shí)的政策優(yōu)先處理點(diǎn),分析政策干預(yù)的成本等。

根據(jù)IMF和World Bank的金融部門評(píng)估項(xiàng)目(FSAP),金融穩(wěn)定評(píng)估框架 FSAP通過三個(gè)層次評(píng)估金融體系是否穩(wěn)健:一是宏觀層次,衡量宏觀審慎監(jiān)督的效果。主要是通過編制和分析金融穩(wěn)健指標(biāo)判斷金融體系的脆弱性和承受損失的能力,通過壓力測(cè)試評(píng)估沖擊對(duì)銀行體系的影響。二是微觀層次,判斷金融基礎(chǔ)設(shè)施是否完善。通過對(duì)照國(guó)際標(biāo)準(zhǔn)與準(zhǔn)則,檢驗(yàn)一國(guó)支付體系、會(huì)計(jì)準(zhǔn)則、公司治理等是否完備。三是監(jiān)管層次,評(píng)估金融部門監(jiān)管是否有效。重點(diǎn)評(píng)估對(duì)銀行、證券、保險(xiǎn)、支付體系的監(jiān)管是否符合國(guó)際標(biāo)準(zhǔn)。基金組織和世界銀行在上述三個(gè)層次的基礎(chǔ)上,形成對(duì)被評(píng)估經(jīng)濟(jì)體的金融穩(wěn)定報(bào)告。

政策當(dāng)局進(jìn)行金融穩(wěn)定性評(píng)估時(shí)會(huì)綜合使用多種分析工具。其中,定性分析工具包括制度、結(jié)構(gòu)和市場(chǎng)特征及監(jiān)管框架、標(biāo)準(zhǔn)與準(zhǔn)則等信息分析;定量分析工具包括金融穩(wěn)健性指標(biāo)(Financial Soundness Indicator,簡(jiǎn)稱FSIs)、宏觀和行業(yè)資產(chǎn)負(fù)債表分析、早期預(yù)警系統(tǒng)、壓力測(cè)試等。在定量分析方面,壓力測(cè)試對(duì)政策當(dāng)局來說是重要的風(fēng)險(xiǎn)評(píng)估工具,能提供未來某種極端不利沖擊影響的模擬信息,是金融穩(wěn)健性指標(biāo)分析的有效補(bǔ)充(如圖1所示);金融穩(wěn)健性指標(biāo)和早期預(yù)警指標(biāo)等能提供歷史和現(xiàn)狀的對(duì)比信息。

目前幾乎在所有金融部門穩(wěn)定性評(píng)估方案任務(wù)中都有對(duì)匯率風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、股票價(jià)格和房地產(chǎn)價(jià)格風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)等的壓力測(cè)試分析。另外,一些國(guó)家的金融部門評(píng)估方案任務(wù)中還包括商品價(jià)格風(fēng)險(xiǎn)的壓力測(cè)試,這主要在商品貿(mào)易比較重要的發(fā)展中國(guó)家進(jìn)行。(1)匯率風(fēng)險(xiǎn)。其中有一半計(jì)算它對(duì)單個(gè)機(jī)構(gòu)或銀行團(tuán)體未平倉(cāng)合約資產(chǎn)凈值的影響,這反過來又校準(zhǔn)了對(duì)資本的影響。大約40%的金融部門評(píng)估方案任務(wù)采用回歸分析和蒙特卡羅模擬來確定匯率變動(dòng)對(duì)信貸質(zhì)量(不良貸款)的影響。匯率風(fēng)險(xiǎn)是由于匯率變動(dòng)引起資產(chǎn)和負(fù)債價(jià)值出現(xiàn)損失的風(fēng)險(xiǎn)。它包括直接匯率風(fēng)險(xiǎn)和間接匯率風(fēng)險(xiǎn),前者可以使用未平倉(cāng)合約凈值占資本的比例來評(píng)估,是金融穩(wěn)定核心指標(biāo)之一,風(fēng)險(xiǎn)直接,易于控制和管理;后者主要是由于匯率變動(dòng)引起金融資產(chǎn)間出現(xiàn)高度非線性的風(fēng)險(xiǎn),在這種情況下,基于銀行開放程度詳細(xì)分解基礎(chǔ)上的壓力測(cè)試是一種卓越的分析工具。 (2)利率風(fēng)險(xiǎn)。利率變動(dòng)影響利息收入和利息支出,同時(shí)通過金融工具市場(chǎng)價(jià)格的變動(dòng)來影響資產(chǎn)負(fù)債表。大多數(shù)金融部門評(píng)估方案任務(wù)中都有利率風(fēng)險(xiǎn)分析。由于數(shù)據(jù)的限制,大部分金融部門評(píng)估方案使用成熟的收入現(xiàn)金流方法。一些使用基于持續(xù)期和風(fēng)險(xiǎn)價(jià)值(VaR)的更先進(jìn)技術(shù)。約有25%的金融部門評(píng)估方案任務(wù)由于沒有獲得成熟的持續(xù)期模型數(shù)據(jù)而利用收入數(shù)據(jù)簡(jiǎn)單計(jì)算收益風(fēng)險(xiǎn)。(3)信貸風(fēng)險(xiǎn)。信貸風(fēng)險(xiǎn)主要是指信貸資產(chǎn)質(zhì)量出現(xiàn)非預(yù)期變化所帶來的損失,是最重要的金融風(fēng)險(xiǎn)來源之一,信貸風(fēng)險(xiǎn)的全系統(tǒng)壓力測(cè)試通常基于貸款業(yè)績(jī)數(shù)據(jù)(如貸款收益率、不良貸款率)和借款人資料(如財(cái)務(wù)杠桿、利息覆蓋率)兩個(gè)方面進(jìn)行。目前超過1/2的金融部門評(píng)估方案任務(wù)使用基于不良貸款的方法建立信貸風(fēng)險(xiǎn)模型。大約60%的任務(wù)使用特別不良貸款遷移模型。只有約30%的任務(wù)使用回歸分析研究潛在的宏觀經(jīng)濟(jì)沖擊對(duì)不良貸款行為的影響。(4)股票和房地產(chǎn)價(jià)格風(fēng)險(xiǎn)。金融部門評(píng)估方案任務(wù)中大約有1/2測(cè)試了股票或房地產(chǎn)價(jià)格風(fēng)險(xiǎn)。在大多數(shù)情況下,股票價(jià)格風(fēng)險(xiǎn)壓力測(cè)試包括在廣義市場(chǎng)風(fēng)險(xiǎn)中,通過股票的未平倉(cāng)合約指標(biāo)來計(jì)算。房地產(chǎn)價(jià)格風(fēng)險(xiǎn)的壓力測(cè)試包括:直接風(fēng)險(xiǎn)(投資于房地產(chǎn));信貸風(fēng)險(xiǎn)(如貸款給房地產(chǎn)開發(fā)商);由房地產(chǎn)的抵押程度所產(chǎn)生的風(fēng)險(xiǎn)。產(chǎn)生于房地產(chǎn)抵押的風(fēng)險(xiǎn)認(rèn)為與信用風(fēng)險(xiǎn)有關(guān),它隨著貸款與價(jià)值比率(即貸款收益與擔(dān)保品價(jià)值的比率)和違約率的增加而增加。(5)流動(dòng)性風(fēng)險(xiǎn)。流動(dòng)性風(fēng)險(xiǎn)是資產(chǎn)不能立即變現(xiàn)以滿足現(xiàn)金需求而產(chǎn)生的風(fēng)險(xiǎn)。設(shè)計(jì)流動(dòng)性壓力測(cè)試最具挑戰(zhàn)性的一步是確定哪些資產(chǎn)通常具有流動(dòng)性但在某個(gè)財(cái)政壓力時(shí)期又不具有流動(dòng)性。流動(dòng)性風(fēng)險(xiǎn)壓力測(cè)試的一種直接辦法是讓流動(dòng)資產(chǎn)的價(jià)值按一定比例或數(shù)額變動(dòng)。如可以根據(jù)銀行以往的經(jīng)驗(yàn)來確定該比例或數(shù)額,一般要求在資金緩慢流出而沒有外部支持的情況下銀行應(yīng)該能夠至少生存5天。流動(dòng)性風(fēng)險(xiǎn)主要關(guān)注兩種情形:一是關(guān)注銀行的債務(wù)風(fēng)險(xiǎn),這通常以銀行最大的儲(chǔ)戶突然撤回其資產(chǎn)作為模型;二是流動(dòng)性壓力在銀行間的傳遞。由于一家銀行產(chǎn)生了流動(dòng)性問題,從而引起另外一家銀行的流動(dòng)性變?nèi)酢?guó)際貨幣基金組織(2003年)提供了可以作為壓力測(cè)試的流動(dòng)資產(chǎn)和債務(wù)的指引。和其他壓力測(cè)試一樣,不能忽視資產(chǎn)負(fù)債表外的資產(chǎn)(如衍生產(chǎn)品或銀行擴(kuò)大的貸款承諾)對(duì)流動(dòng)性產(chǎn)生的重大影響。

四、壓力測(cè)試在金融系統(tǒng)穩(wěn)定性評(píng)估中的應(yīng)用

國(guó)際貨幣基金組織和世界銀行已經(jīng)開始了金融部門評(píng)估規(guī)劃FSAP(金融部門穩(wěn)定性評(píng)估方案),它致力于評(píng)估其成員國(guó)金融體系的優(yōu)缺點(diǎn)。這一項(xiàng)目下的評(píng)估迄今已涵蓋70多個(gè)司法管轄區(qū),并提供各種建議改善金融體系框架。壓力測(cè)試從一開始就是評(píng)估金融部門穩(wěn)定性的一個(gè)關(guān)鍵因素,它可以幫助確定監(jiān)測(cè)金融系統(tǒng)穩(wěn)定性所需數(shù)據(jù)的數(shù)量和性質(zhì),分析金融系統(tǒng)作為一個(gè)整體受到外部沖擊的影響,提供一個(gè)獨(dú)立核查風(fēng)險(xiǎn)潛在來源的方法并擴(kuò)大對(duì)金融系統(tǒng)聯(lián)系的理解。已有的經(jīng)驗(yàn)表明,壓力測(cè)試的類型需要適應(yīng)不同國(guó)家的情況、金融系統(tǒng)的復(fù)雜性和數(shù)據(jù)的可用性。壓力測(cè)試的宏觀效果可以通過使用宏觀經(jīng)濟(jì)模型(幫助校準(zhǔn)選擇的情景和為測(cè)試達(dá)成一致的假設(shè))、對(duì)金融機(jī)構(gòu)同業(yè)間影響的分析和參與各大金融機(jī)構(gòu)的壓力測(cè)試演習(xí)獲得進(jìn)一步的提高。壓力測(cè)試主要包括三個(gè)方面:(1)敏感性分析,其旨在確定金融資產(chǎn)價(jià)格如何隨相關(guān)經(jīng)濟(jì)變量(如利率和匯率)的變化而變化。(2)情景分析,其目的是評(píng)估在一定置信水平條件下金融機(jī)構(gòu)的應(yīng)變能力和金融系統(tǒng)的異常情況。(3)傳染分析,主要考慮單個(gè)風(fēng)險(xiǎn)沖擊如何傳導(dǎo)至整個(gè)金融系統(tǒng)。

(一)壓力測(cè)試的實(shí)施

基于宏觀金融分析的壓力測(cè)試可以被看做是一個(gè)研究系統(tǒng)關(guān)鍵風(fēng)險(xiǎn)的多步驟過程。一般而言,實(shí)施宏觀壓力測(cè)試主要包括以下6個(gè)步驟。

1.確定納入測(cè)試的機(jī)構(gòu)和資產(chǎn)范圍

宏觀壓力測(cè)試首先需要考慮納入分析的金融機(jī)構(gòu)及資產(chǎn)范圍:僅考慮大型銀行機(jī)構(gòu),還是考慮包括外國(guó)銀行、非銀行金融機(jī)構(gòu)、保險(xiǎn)公司、養(yǎng)老基金;將哪些類別的資產(chǎn)納入分析范圍(對(duì)資產(chǎn)的選擇部分依賴于需要分析風(fēng)險(xiǎn)的本質(zhì)和數(shù)據(jù)可得性);對(duì)銀行的風(fēng)險(xiǎn)暴露采用銀行賬面價(jià)值還是其他指標(biāo)來衡量等,測(cè)試范圍的選擇決定了計(jì)算所需的數(shù)據(jù)。

2.識(shí)別主要風(fēng)險(xiǎn)因素

壓力測(cè)試必須要檢測(cè)存在于一國(guó)實(shí)際情形下與宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)有關(guān)的潛在沖擊后果。因此,在壓力測(cè)試設(shè)計(jì)過程中首先要討論經(jīng)濟(jì)所面臨的潛在風(fēng)險(xiǎn),發(fā)現(xiàn)在特定的經(jīng)濟(jì)條件下,某些類型的沖擊(例如利率增加或貨幣貶值)比其他類型的沖擊更有可能發(fā)生,并且評(píng)估風(fēng)險(xiǎn)和風(fēng)險(xiǎn)是如何聯(lián)系在一起的。壓力測(cè)試的設(shè)計(jì)是一個(gè)反復(fù)的過程,因?yàn)橐恍┰瓉泶_定的風(fēng)險(xiǎn)可能導(dǎo)致的影響相對(duì)較小,但如果有實(shí)質(zhì)性風(fēng)險(xiǎn)的話,原來一些小風(fēng)險(xiǎn)可能導(dǎo)致很大的影響。然而影響金融體系的風(fēng)險(xiǎn)因素很多,不可能對(duì)所有的風(fēng)險(xiǎn)進(jìn)行壓力測(cè)試,需要我們集中力量關(guān)注金融體系的薄弱點(diǎn),了解金融體系的內(nèi)在脆弱性。一般來說,金融體系主要包括市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)和操作風(fēng)險(xiǎn)三大類,進(jìn)一步可以細(xì)分為匯率風(fēng)險(xiǎn)、利率風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、股票價(jià)格和房地產(chǎn)價(jià)格風(fēng)險(xiǎn)以及流動(dòng)性風(fēng)險(xiǎn)等,對(duì)于不同的金融體系,這些風(fēng)險(xiǎn)因素的重要程度是不同的。

3.壓力情景的設(shè)計(jì)與校準(zhǔn)

對(duì)一個(gè)假設(shè)情景的模擬說明意味著這樣的沖擊:它比歷史上所觀察到的情況(或未發(fā)生)更可能發(fā)生或它在未來可能發(fā)生并打破傳統(tǒng)結(jié)構(gòu)。設(shè)計(jì)金融系統(tǒng)壓力情景時(shí)需要考慮風(fēng)險(xiǎn)類別的選取(如市場(chǎng)風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)等),考慮單一沖擊還是多重沖擊(選擇多重沖擊處理較復(fù)雜,但能增強(qiáng)壓力測(cè)試的預(yù)測(cè)力)、沖擊參數(shù)的選擇(價(jià)格、波動(dòng)性還是相關(guān)性)、沖擊的程度(歷史還是假設(shè)情景)及時(shí)間長(zhǎng)度等。對(duì)于金融系統(tǒng)風(fēng)險(xiǎn)的規(guī)模通常有兩種確定方式,這兩種方式對(duì)應(yīng)于不同的壓力測(cè)試計(jì)算方法:第一,比較典型的方式是在選定置信度后制定一個(gè)極端的情況并思考它對(duì)于金融系統(tǒng)的影響。我們稱之為“最壞情況做法 ”,因?yàn)閺男Ч麃砜?在給定置信度下該情況有最大的影響力。第二,不太常見的方法是選擇一個(gè)對(duì)系統(tǒng)有影響的特定“臨界值 ”并求系統(tǒng)在達(dá)到該“臨界值”時(shí)所需要的最小沖擊。壓力情景設(shè)計(jì)時(shí)校準(zhǔn)沖擊的程度是關(guān)鍵點(diǎn),設(shè)置得太高或太低可能使壓力測(cè)試沒有意義。一般而言,沖擊的程度選取某段時(shí)間內(nèi)風(fēng)險(xiǎn)變量最大的變動(dòng)幅度或歷史變動(dòng)方差。還需要校準(zhǔn)次輪效應(yīng)(second-round effects),即原始沖擊引起其他經(jīng)濟(jì)變量變動(dòng)情況(如油價(jià)沖擊可能影響GDP、利率、通貨膨脹等),一般采用結(jié)構(gòu)式或簡(jiǎn)約式宏觀計(jì)量模型來分析沖擊變量之間的相互影響。

4.風(fēng)險(xiǎn)來源的確定及其相關(guān)性分析

針對(duì)不同的風(fēng)險(xiǎn)進(jìn)行壓力測(cè)試時(shí),需要估計(jì)這些風(fēng)險(xiǎn)被記錄在機(jī)構(gòu)資產(chǎn)負(fù)債表的哪個(gè)地方,了解金融系統(tǒng)可能產(chǎn)生損失的風(fēng)險(xiǎn)在哪里,尤其在較發(fā)達(dá)的金融系統(tǒng)中,還要了解衍生工具和證券活動(dòng)風(fēng)險(xiǎn)轉(zhuǎn)移的詳細(xì)情況。對(duì)涉及到具體經(jīng)濟(jì)部門沖擊的風(fēng)險(xiǎn)估計(jì),可以從對(duì)金融機(jī)構(gòu)替代活動(dòng)風(fēng)險(xiǎn)的結(jié)果中得到(如信貸、股票、衍生產(chǎn)品、信用衍生產(chǎn)品、結(jié)構(gòu)性產(chǎn)品、戰(zhàn)略的長(zhǎng)期投資、保險(xiǎn))。例如,一個(gè)重要經(jīng)濟(jì)部門產(chǎn)量的回落可以通過多種方式反映在壓力測(cè)試中:主要有直接貸款、債券以及整個(gè)行業(yè)相關(guān)的信貸損失、由于投資所導(dǎo)致的該行業(yè)股票市場(chǎng)價(jià)格變動(dòng)、由于沖擊對(duì)工資和就業(yè)產(chǎn)生不利影響而導(dǎo)致相關(guān)的消費(fèi)信貸和抵押貸款的增加、銀行和保險(xiǎn)行業(yè)資產(chǎn)負(fù)債表外的損失、由于沖擊所產(chǎn)生的相應(yīng)部門違約。

通過金融穩(wěn)健性指標(biāo)反映的各種風(fēng)險(xiǎn)因子間可能存在相關(guān)關(guān)系(如油價(jià)沖擊極可能同時(shí)影響市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn))。處理這種相關(guān)關(guān)系時(shí)要求能綜合考慮各種風(fēng)險(xiǎn)因子的統(tǒng)一分析框架,抓住重點(diǎn)簡(jiǎn)化處理。在許多銀行業(yè)壓力測(cè)試中,信用風(fēng)險(xiǎn)引起的損失占總損失的絕大部分,這就能簡(jiǎn)化用Logit或Probit概率模型進(jìn)行分析。

5.金融機(jī)構(gòu)間風(fēng)險(xiǎn)傳染效應(yīng)的壓力測(cè)試

我們不僅要根據(jù)金融穩(wěn)定性指標(biāo)來反映宏觀經(jīng)濟(jì)沖擊對(duì)金融系統(tǒng)穩(wěn)定性的影響,而且還要分析沖擊傳染的途徑、微觀主體間的交互反應(yīng)等。政策當(dāng)局通過單個(gè)金融機(jī)構(gòu)的壓力測(cè)試結(jié)果可以掌握沖擊對(duì)金融體系的直接影響程度及其分布情況,但還必須展開傳染效應(yīng)分析以了解沖擊的間接影響,以免出現(xiàn)“多米諾骨牌效應(yīng)”和“羊群效應(yīng)”。金融機(jī)構(gòu)間壓力測(cè)試使標(biāo)準(zhǔn)的壓力測(cè)試得到補(bǔ)充,往往一家銀行的穩(wěn)定出現(xiàn)問題可能使系統(tǒng)內(nèi)其他銀行在國(guó)際市場(chǎng)上的融資產(chǎn)生困難,引發(fā)民眾對(duì)整個(gè)銀行體系的信心下降,導(dǎo)致系統(tǒng)內(nèi)其他銀行破產(chǎn)的風(fēng)險(xiǎn)。

銀行間壓力測(cè)試包括純粹壓力測(cè)試和綜合壓力測(cè)試,前者旨在回答系統(tǒng)中任何銀行(或一組銀行)的破產(chǎn)是否使其他銀行的經(jīng)營(yíng)狀況下降,它也可以用來表明潛在的流動(dòng)性危機(jī)(因?yàn)殂y行不完全了解借款人的償付能力)使其他銀行削弱到何種程度(即使沒有銀行破產(chǎn)),指明哪家銀行是系統(tǒng)性風(fēng)險(xiǎn)的潛在根源;后者著重于由宏觀經(jīng)濟(jì)壓力所引起的銀行間傳播,它首先把銀行系統(tǒng)置于宏觀經(jīng)濟(jì)壓力的情況之下,如果沒有銀行破產(chǎn),則需要增大宏觀經(jīng)濟(jì)沖擊,直到一家(或一組)最弱的機(jī)構(gòu)破產(chǎn),然后像純粹壓力測(cè)試那樣計(jì)算銀行間風(fēng)險(xiǎn)傳染的影響。

銀行間風(fēng)險(xiǎn)傳染效應(yīng)壓力測(cè)試計(jì)算一般通過銀行間的風(fēng)險(xiǎn)矩陣來實(shí)現(xiàn)(如表1所示)。矩陣中的每一行代表一家銀行,行中每一項(xiàng)表示該銀行與其余每個(gè)銀行的全部銀行間風(fēng)險(xiǎn)。

“純粹”銀行間風(fēng)險(xiǎn)傳染壓力首先假定有一家破產(chǎn)的銀行(比如說銀行1 )。破產(chǎn)可能由任何原因引起,例如欺詐行為。第一輪計(jì)算銀行1的破產(chǎn)對(duì)其余每個(gè)銀行的直接影響,并假設(shè)銀行1不用償還其銀行間無抵押資產(chǎn)(或部分資產(chǎn))。如果一些銀行由于銀行1的破產(chǎn)而破產(chǎn),第二輪的計(jì)算將包括這些新破產(chǎn)的銀行對(duì)剩余各銀行的影響。如果第二輪之后有新的銀行破產(chǎn),這個(gè)過程可以在第三輪重復(fù)進(jìn)行,如此類推。系統(tǒng)性風(fēng)險(xiǎn)的兩項(xiàng)指標(biāo)可以從純粹銀行間壓力測(cè)試的結(jié)果中計(jì)算出來:(1)銀行破產(chǎn)頻率的指標(biāo),這是累積破產(chǎn)的銀行數(shù)目與系統(tǒng)中銀行總數(shù)的比率。(2)銀行系統(tǒng)資本影響的統(tǒng)計(jì)方法(例如中位數(shù),分布情況和四分位數(shù))。具體來說,我們可以定義一個(gè)“系統(tǒng)性風(fēng)險(xiǎn)指數(shù)”,由系統(tǒng)中最重要銀行的破產(chǎn)所引起的銀行資本比率的平均減少量。這種方法可以計(jì)算該系統(tǒng)中的所有銀行并根據(jù)它們?cè)谙到y(tǒng)中的重要性來對(duì)銀行分類。

6.基于壓力測(cè)試結(jié)果的金融系統(tǒng)風(fēng)險(xiǎn)承受力評(píng)估

通過壓力測(cè)試,政策當(dāng)局可以清晰地發(fā)現(xiàn)金融體系的薄弱點(diǎn),傳染效應(yīng)分析可以定量地判定金融機(jī)構(gòu)系統(tǒng)的重要性,發(fā)現(xiàn)危機(jī)在銀行間和實(shí)體變量間傳染的渠道,不同銀行機(jī)構(gòu)間的交互反應(yīng),由于損失率上升引起評(píng)級(jí)下降從而融資成本上升的風(fēng)險(xiǎn)內(nèi)生性問題,金融層面的影響結(jié)果(如銀行借貸影響)又反過去影響實(shí)體經(jīng)濟(jì)層面的反饋效應(yīng)等。在各傳導(dǎo)機(jī)制的基礎(chǔ)上分析損失分布和總體分布,將決定是否對(duì)問題金融機(jī)構(gòu)進(jìn)行救助,提高了政策當(dāng)局決策的準(zhǔn)確性和時(shí)效性。但是,壓力測(cè)試的結(jié)果應(yīng)解釋為風(fēng)險(xiǎn)的指標(biāo)而不是預(yù)告銀行的破產(chǎn),我們要記住它所建立的限制條件和假設(shè),壓力測(cè)試提供的信息與其他分析工具的見解要相互補(bǔ)充:尤其是對(duì)法律、體制、法規(guī)和監(jiān)管框架的評(píng)估;對(duì)金融系統(tǒng)結(jié)構(gòu)和關(guān)鍵風(fēng)險(xiǎn)的分析;金融穩(wěn)定指標(biāo)的實(shí)證分析。典型的壓力測(cè)試認(rèn)為銀行是一個(gè)靜態(tài)資產(chǎn)組合而不是積極的動(dòng)態(tài)單元,然而對(duì)風(fēng)險(xiǎn)的徹底審查,必須考慮到銀行可以動(dòng)態(tài)適應(yīng)環(huán)境沖擊的事實(shí)。根據(jù)銀行面臨的各種沖擊因素,這些措施可能增強(qiáng)或減弱初始波動(dòng)帶來的風(fēng)險(xiǎn)。為了了解在特殊情況下銀行所面臨沖擊的結(jié)構(gòu),就有必要了解銀行機(jī)構(gòu)所處的環(huán)境,如銀行的治理安排、法律、會(huì)計(jì)、稅務(wù)、規(guī)章制度以及持有人如何應(yīng)對(duì)銀行在債券和股票市場(chǎng)可能采取的行動(dòng)。

另外還要考慮銀行維持損失的能力,雖然壓力測(cè)試結(jié)果提供了金融風(fēng)險(xiǎn)漏洞導(dǎo)致的金融機(jī)構(gòu)市值損失的估計(jì),但是銀行預(yù)定資產(chǎn)的重大損失沒有反映在監(jiān)管資本計(jì)算中,不但大量低級(jí)的貸款繼續(xù)支付利息并且保持運(yùn)作,而且如果市場(chǎng)壓力暫時(shí)平息,它們又重新變得有價(jià)值。

最后還要討論系統(tǒng)可能出現(xiàn)誤差和不確定性的地方,為系統(tǒng)的進(jìn)一步修正優(yōu)化提供指導(dǎo)。

(二)壓力測(cè)試模型和壓力測(cè)試系統(tǒng)的實(shí)踐

雖然壓力測(cè)試方法應(yīng)用時(shí)間較短,但在實(shí)踐中得到了迅速的推廣,已經(jīng)成為政策當(dāng)局金融穩(wěn)定性分析工具的重要組成部分。宏觀壓力測(cè)試并不是采用宏觀數(shù)據(jù)進(jìn)行壓力測(cè)試,宏觀壓力測(cè)試?yán)玫幕A(chǔ)數(shù)據(jù)主要還是微觀數(shù)據(jù),主要考慮微觀測(cè)試結(jié)果如何加總,需要突出分析微觀主體的交互反應(yīng)、傳染效應(yīng)(contagion effects,又稱domino effects)、反饋效應(yīng)(feedback effects)等。目前主要有三種代表性模型:(1)Boss的網(wǎng)絡(luò)模型。該模型的優(yōu)勢(shì)在于將各種風(fēng)險(xiǎn)因子和商業(yè)銀行面臨的各種風(fēng)險(xiǎn)(主要是市場(chǎng)風(fēng)險(xiǎn)和信用風(fēng)險(xiǎn))統(tǒng)一在一個(gè)分析框架內(nèi),可操作性強(qiáng)和執(zhí)行效率高(直接用商業(yè)銀行資產(chǎn)負(fù)債表各資產(chǎn)賬面價(jià)值數(shù)據(jù)進(jìn)行分析),容易得出政策結(jié)論(結(jié)果用損失概率來表示,且能得到最后貸款人的干預(yù)成本(bailout cost))。其局限在于結(jié)構(gòu)模型,沒有模擬個(gè)體間的相互作用、激勵(lì)和反饋效應(yīng),很難計(jì)算銀行間的聯(lián)合違約概率(PDs),基于資產(chǎn)負(fù)債表信息,不能有效反映信貸衍生品等表外資產(chǎn)交易對(duì)銀行風(fēng)險(xiǎn)暴露的影響。(2)Goodhart的違約依賴模型。該模型的創(chuàng)新之處在于模擬銀行間的違約依賴性及其穩(wěn)定性含義,提出了非線性條件下分析銀行間的聯(lián)合PDs的新框架,更好地考慮了個(gè)體特征和激勵(lì)問題。強(qiáng)調(diào)了微觀宏觀聯(lián)系和壓力測(cè)試中的棘輪效應(yīng)、強(qiáng)調(diào)傳染是金融危機(jī)的主要驅(qū)動(dòng)力。其局限性在于計(jì)算量大(多家銀行情況下多維的Copulas計(jì)算量較大),而且很難解釋壓力測(cè)試的結(jié)果。(3)Tsatsaronis的信用風(fēng)險(xiǎn)轉(zhuǎn)移模型。該模型的優(yōu)勢(shì)在于考慮了信用衍生品等表外資產(chǎn)交易的風(fēng)險(xiǎn)測(cè)度,局限在于該模型發(fā)展還不成熟,尚未將各種風(fēng)險(xiǎn)因子影響整合為統(tǒng)一框架,還未進(jìn)入實(shí)踐應(yīng)用領(lǐng)域。

總的來說,宏觀壓力測(cè)試對(duì)傳染效應(yīng)的研究尚處在探索階段,還值得進(jìn)一步研究。近年來經(jīng)濟(jì)和金融環(huán)境的改變引起了對(duì)宏觀壓力測(cè)試的新挑戰(zhàn):大型跨國(guó)金融機(jī)構(gòu)(Large and Complex Financial Institutions,簡(jiǎn)稱LCFIS)的活動(dòng)跨國(guó)化,使得銀行風(fēng)險(xiǎn)的評(píng)估和監(jiān)管在金融市場(chǎng)全球化條件下進(jìn)行;非銀行活動(dòng)的增加使得傳統(tǒng)的采用資產(chǎn)負(fù)債表方法分析風(fēng)險(xiǎn)較困難;信用風(fēng)險(xiǎn)轉(zhuǎn)移市場(chǎng)的迅速發(fā)展改變了金融系統(tǒng)風(fēng)險(xiǎn)動(dòng)態(tài)化的本質(zhì),如對(duì)沖擊的非線性反應(yīng)等。

比較典型的宏觀壓力測(cè)試實(shí)踐系統(tǒng)有IMF和World Bank的“金融部門評(píng)估規(guī)劃”(Financial Sector Assessment Program,簡(jiǎn)稱FSAP)、英格蘭銀行的TD壓力測(cè)試系統(tǒng)、奧地利央行的SRM測(cè)試系統(tǒng)。其中后兩者都是在FSAP壓力測(cè)試系統(tǒng)基礎(chǔ)上發(fā)展起來的。

(1)FSAP于1999年5月推出,源起于1997年的亞洲金融危機(jī),目前已成為被廣泛接受的金融穩(wěn)定評(píng)估框架,該框架包括三種分析工具:金融穩(wěn)健指標(biāo)、壓力測(cè)試(Stress Testing)、標(biāo)準(zhǔn)與準(zhǔn)則(Standards and Codes)評(píng)估,壓力測(cè)試是對(duì)金融穩(wěn)健指標(biāo)分析的有效補(bǔ)充。 FSAP壓力測(cè)試系統(tǒng)是各國(guó)開發(fā)壓力測(cè)試系統(tǒng)的參考基礎(chǔ)。FSAP壓力測(cè)試主要由信貸、利率、匯率、流動(dòng)性、操作風(fēng)險(xiǎn)及風(fēng)險(xiǎn)傳染模塊組成。風(fēng)險(xiǎn)情景、影響指標(biāo)的設(shè)計(jì)依賴于各國(guó)的宏觀經(jīng)濟(jì)環(huán)境和數(shù)據(jù)可得性,截至2007年,FSAP共對(duì)80多個(gè)國(guó)家或地區(qū)的金融體系穩(wěn)定性進(jìn)行了壓力測(cè)試。 在FSAP參與的項(xiàng)目中,情景測(cè)試占95%、考慮銀行間傳染效應(yīng)的占38%、保險(xiǎn)業(yè)壓力測(cè)試占37%[5]。

(2)英格蘭銀行的TD壓力測(cè)試系統(tǒng)集中于分析核心金融脆弱性在金融系統(tǒng)和實(shí)體經(jīng)濟(jì)系統(tǒng)間的風(fēng)險(xiǎn)傳導(dǎo)渠道,實(shí)踐中對(duì)數(shù)據(jù)要求很高,考察的風(fēng)險(xiǎn)種類也較多(包括了流動(dòng)性風(fēng)險(xiǎn)),考察了風(fēng)險(xiǎn)的內(nèi)生性(如違約率上升導(dǎo)致銀行信貸評(píng)級(jí)下降、融資成本上升風(fēng)險(xiǎn))、市場(chǎng)微觀主體(居民、企業(yè)、政府、銀行金融機(jī)構(gòu)和非銀行金融機(jī)構(gòu))間的交互反應(yīng)和風(fēng)險(xiǎn)的傳染效應(yīng)、金融變量和實(shí)體經(jīng)濟(jì)變量間的反饋效應(yīng)(feedback effects)等問題。該系統(tǒng)的實(shí)施步驟包括識(shí)別系統(tǒng)關(guān)鍵脆弱性、選擇壓力情景、估測(cè)脆弱性影響、估計(jì)整體影響和概率、評(píng)估總體金融系統(tǒng)穩(wěn)定性風(fēng)險(xiǎn)、誤差分析等。

(3)奧地利央行的SRM測(cè)試系統(tǒng)主要建立在Elsinger (2006)和Boss(2002)的銀行間網(wǎng)絡(luò)模型的基礎(chǔ)上,銀行機(jī)構(gòu)間的聯(lián)接點(diǎn)用銀行間市場(chǎng)雙邊借貸頭寸來反映。該模型只考慮了銀行間簡(jiǎn)單的相互關(guān)系,對(duì)傳染機(jī)制的考慮不多,沒有考慮資產(chǎn)負(fù)債結(jié)構(gòu)問題和由于銀行評(píng)級(jí)變動(dòng)引起的風(fēng)險(xiǎn)內(nèi)生性問題,也沒有考慮反饋效應(yīng)問題,在實(shí)踐應(yīng)用中對(duì)數(shù)據(jù)的要求不是很高,操作性較高。

實(shí)踐經(jīng)驗(yàn)表明,壓力測(cè)試可以幫助確定監(jiān)測(cè)金融系統(tǒng)穩(wěn)定性所需數(shù)據(jù)的數(shù)量和性質(zhì),提供了一種獨(dú)立核查風(fēng)險(xiǎn)潛在來源的方法并擴(kuò)大對(duì)金融系統(tǒng)聯(lián)系的理解。目前一些中央銀行已開始在金融部門評(píng)估方案指導(dǎo)下進(jìn)行經(jīng)常性壓力測(cè)試演習(xí),另一些中央銀行已經(jīng)注意增加對(duì)商業(yè)銀行壓力測(cè)試的監(jiān)管,還有的正在致力于建立一個(gè)定期進(jìn)行壓力測(cè)試的系統(tǒng),并定期公布它們對(duì)金融部門穩(wěn)定性的分析(即所謂的金融穩(wěn)定性報(bào)告)。

五、金融穩(wěn)定性風(fēng)險(xiǎn)壓力測(cè)試的未來發(fā)展

我們正處于一個(gè)不斷發(fā)生重大變革的年代,快速發(fā)展的金融創(chuàng)新和國(guó)際一體化趨勢(shì)一日千里,對(duì)處于各種壓力之下的金融體系行為產(chǎn)生了深遠(yuǎn)的影響。金融網(wǎng)絡(luò)的全球化在降低潛在金融危機(jī)發(fā)生頻率的同時(shí),也增強(qiáng)了危機(jī)發(fā)生時(shí)的破壞強(qiáng)度。近30年以來發(fā)生的一系列金融危機(jī),使全球主要金融機(jī)構(gòu)將改善金融穩(wěn)定性分析作為自己優(yōu)先考慮的事項(xiàng)安排,最近幾年,“自下而上”或公司級(jí)的壓力測(cè)試實(shí)踐獲得了迅速發(fā)展;與此同時(shí),各國(guó)政策當(dāng)局也將支持和維護(hù)金融穩(wěn)定作為公共政策目標(biāo),并發(fā)展了一系列“自上而下”的宏觀壓力測(cè)試模型和系統(tǒng)。政策當(dāng)局試圖通過宏觀經(jīng)濟(jì)和金融模型估計(jì)不利沖擊對(duì)金融體系的影響。然而金融體系的行為很難被模擬出來,尤其是在參與者和溢出風(fēng)險(xiǎn)、傳染風(fēng)險(xiǎn)的策略互動(dòng)顯現(xiàn)出來的壓力條件下。雖然面臨的壓力時(shí)期是罕見的,歷史也只能給我們有限的幫助,但是我們?yōu)榱司S護(hù)金融體系的穩(wěn)定,必須對(duì)未來壓力情形發(fā)生時(shí)金融體系是否穩(wěn)健進(jìn)行了解,以便防患于未然。未來理想的壓力測(cè)試將圍繞這三個(gè)目標(biāo)進(jìn)行:評(píng)估金融體系在可信的極端條件下面臨沖擊的脆弱性;了解金融體系面臨沖擊時(shí)相互間的風(fēng)險(xiǎn)傳染效應(yīng),對(duì)行為反應(yīng)、相互作用和反饋效應(yīng)進(jìn)行整合,以確保獲得對(duì)全系統(tǒng)的影響;發(fā)現(xiàn)金融體系面臨沖擊時(shí)的“薄弱環(huán)節(jié)”,提前做好危機(jī)管理,降低系統(tǒng)風(fēng)險(xiǎn)。為了有效地實(shí)現(xiàn)這些目標(biāo),在風(fēng)險(xiǎn)價(jià)值理論的基礎(chǔ)上,構(gòu)建一種嚴(yán)格、連貫一致和健全的壓力測(cè)試框架對(duì)金融穩(wěn)定性進(jìn)行分析將是未來壓力測(cè)試模型系統(tǒng)的發(fā)展方向。雖然政策當(dāng)局和金融機(jī)構(gòu)在未來實(shí)現(xiàn)這一框架系統(tǒng)會(huì)面臨很多困難和挑戰(zhàn),但這是值得的。這種考慮了宏觀調(diào)控、金融體系的相互作用和反饋效應(yīng)的壓力測(cè)試框架將提高我們對(duì)風(fēng)險(xiǎn)和風(fēng)險(xiǎn)價(jià)格的理解,更加密切關(guān)注所包含的系統(tǒng)性風(fēng)險(xiǎn)和系統(tǒng)性金融穩(wěn)定,更有針對(duì)性的是實(shí)施公共政策,進(jìn)而更好地維護(hù)整個(gè)社會(huì)利益。

參考文獻(xiàn):

[1] P.Jorion.Value at Risk:The New Benchmark for Measuring Financial Risk[M].McGraw-Hill,New York,2001

[2] Cihak, M.How do Central Banks Write on Financial Stability[R].IMF Working Paper,2006

[3] Mark Swinburne.The IMFs Experience with Macro Stress-testing[R].Conference Report on Stress-testing and Financial Crisis Simulation Exercises,Frankfurt, 2007,(12-13)

[4] Dale F. Gray, Robert C. Merton,Zvi Bodie.New Framework for Measuring and Managing Macrofinancial Risk and Financial Stability[R].IMF Working Paper,no. 09015,2008

[5] Andrew Haldane,Simon Hall Silvia Pezzini.A New Approach to Assessing Risks to Financial Stability[R].Bank of England Financial Stability Paper,No.2,2007

[6] C.A.E. Goodhart.A Traverse from the Micro to the Macro Stress Testing[R].Conference Report on Stress-testing and Financial Crisis Simulation Exercises,Frankfurt,2007,(12-13)