建立商业银行信用风险预警的物元矩阵;计算商业银行信用风险监测样本的关联度;确定商业银行信用风险监测样本的偏好熵权重;判别商业银行信用风险监测样本的预警结果。本研究的主要贡献在于:基于偏好熵权物元可拓模型，选取江苏苏州地区某医药中间体企业作为样本企业，将样本企业对应于不同时间点的实测数据生成数据物元矩阵，建立样本企业对应于不同时间点的监测样本，对信用突变下商业银行信用风险预警过程进行了实证分析，在此基础上，提出了基于综合关联度的信用风险预警判别理论，并对监测样本的预警结果进行了评价。本研究成果将为我国银行业构建科学高效的信用风险预警机制提供重要的理论指导与决策参考。
一、建立商业银行信用风险预警的物元矩阵
(一)生成信用风险预警的物元矩阵
商业银行信用风险预警系统的主要功能，就是对贷款企业全面信用质量进行定期监测，一旦发现贷款企业全面信用质量水平出现不同程度的下降，预警系统就会及时发出不同等级的警情信号，之后，商业银行将及时采取相应的风险管控措施，以抑制信用风险的持续蔓延。可见，构建科学高效的信用风险预警模型，对于提升商业银行信用风险预警功能是至关重要的。此外，贷款企业全面信用质量状况决定了商业银行面临来自于贷款企业的信用风险水平，全面信用质量与信用风险水平应呈现负相关性，全面信用质量越高，则信用风险水平越低。贷款企业能够获得银行贷款，说明贷款企业在贷款初期的全面信用质量是高的，然而，信用突变的负面影响可能导致贷款企业全面信用质量的下降，对此，商业银行必须对贷款企业全面信用质量进行定期监测，一旦观测到贷款企业全面信用质量出现下降，预警系统将及时发出预警信号，并依据全面信用质量的下降幅度来确定警情等级。此外，银行应选取能够准确反映全面信用质量的相关变量作为预警指标，一旦这些变量取值下降，意味着贷款企业全面信用质量状况出现下降，来自于贷款企业的信用风险水平将增大。对此，本研究将依据全面信用质量的下降幅度，将预警等级由轻到重顺序依次划分为A级、B级、C级、D级、E级五大等级，相应的警情水平分别为无警情、轻度警情、中轻警情、中度警情、重度警情。
(二)建立预警经典域与节域物元矩阵
贷款企业在贷款初期的全面信用质量水平是得到商业银行认可的，因此，预警模型主要监测贷款企业全面信用质量的负面变化程度，即:全面信用质量的下降幅度越大，则说明商业银行面临来自于贷款企业的信用风险警情等级越严重。对此，我们选取十大预警指标，通过对样本企业十大预警指标取值进行定期监测，综合识别贷款企业全面信用质量的负面变化程度，以此来实现信用风险的预警功能。考虑到十大预警指标来源于十大静态因子的取值变化，如偿债能力变化(预警指标)来源于偿债能力(静态因子)的取值变化。我们以Vk(1≤k≤10)表示任意静态因子的变化幅度，若Vk＞0，说明静态因子状况转好;若Vk＜0，说明静态因子状况变坏。
二、计算商业银行信用风险监测样本的关联度
(一)选取监测样本及生成物元矩阵
我们选取来自于江苏苏州地区的某贷款企业作为样本企业。样本企业于2012年3月上旬获得苏州地区某商业银行贷款，其主营业务主要是医药中间体等产品的生产与销售，样本企业约70%的利润来自于欧美市场，其外贸业务占比较大。近年来，国家环保总局多次发文，要求各类制造业企业尽快实现环境治理目标，这在一定程度上加大了制造业企业的环保投入，这对于医药、化工等污染较严重的企业而言，短期环保投入成本的上升，将会影响到这些企业的中短期收益。此外，欧债危机、美国财政悬崖等事件的发生与演进，对于面向欧美市场的外贸出口型企业的经济效益也会产生一定影响。上述原因使得样本企业处于信用突变环境将成为“常态”，在信用突变环境下，样本企业全面信用质量状况相对于贷款初期而言，可能会出现一定幅度的下降，并可能导致来自于样本企业的信用风险预警等级提高。考虑到样本企业在贷款初期的全面信用质量较高，是得到商业银行认可的，且样本企业是在2012年3月上旬获得商业银行贷款的，对此，本研究分别选取来自于样本企业2012年第1季度财务报表(1月1日—3月31日)、2012年第3季度财务报表(7月1日—9月30日)、2012年第4季度财务报表(10月1日—12月31日)①，并以贷款初期的财务数据(第1季度财务报表)为比较基准，结合样本企业近三年来的平均经营管理状况，即可得到各个预警指标的实际取值②。于是，本研究依据(1)式给出的方法，把2012年第3季度财务报表与贷款初期的第1季度财务报表进行变化率运算，得到截止于2012年9月30日(第3季度末)的各个预警指标实际取值，并将截止于2012年9月30日时间点的样本企业指标数据称为“监测样本M”;把2012年第4季度财务报表与贷款初期的第1季度财务报表进行变化率运算，得到截止于2012年12月31日(第4季度末)的各个预警指标实际取值，并将截止于2012年12月31日时间点的样本企业指标数据称为“监测样本N”。显然，监测样本M与监测样本N的信用风险预警状况，很好地反映了商业银行面临来自于样本企业不同时间点的信用风险警情水平。为准确识别监测样本M与监测样本N的信用风险预警状况，本研究将监测样本M与监测样本N所对应的实际数据分别生成如下形式的物元矩阵:
(二)计算监测样本的关联度
关联度主要表示监测样本各个预警指标的实际取值与五个标准区间之间的归属程度，若监测样本第k个预警指标Wk与标准区间［akl，bkl］之间的关联度最大，则说明监测样本第k个预警指标Wk应归属于标准区间［akl，bkl］，其中1≤l≤5。各个预警指标均存在五个标准区间，说明各个预警指标均存在五个关联度。为得到关联度的函数表达式，我们引入泛函分析理论中的距函数ρ(x，y)，其中，x为监测样本对应于预警指标的实际取值，X为标准区间［a，b］，于是，我们将监测样本实际取值x到标准区间X的“距”定义为:
三、确定商业银行信用风险监测样本的偏好熵权重
信息熵来自于信息学科，用以反映不确定性程度。我们以Ω表示概率空间的全体基本事件，以Φ表示某约定事件(子空间)所包含的基本事件。依据信息论中信息量的定义，LnΩ为概率空间Ω包含的全部信息量，LnΦ为约定事件(子空间)Φ包含的信息量，若约定事件Φ发生，则能够消除的不确定性信息量为LnΩ－LnΦ。此外，LnΩ－LNΦ=－LnΦΩ，而LnΦΩ正是约定事件Φ发生概率的对数值，不难发现，约定事件发生的概率越大，则能够消除的不确定性信息量越少，而不确定性信息量的加权平均就是“信息熵”。可见，约定事件Φ的信息熵与约定事件Φ发生的概率呈现负相关关系，约定事件Φ的信息熵越大，意味着约定事件Φ发生的概率越小，表明约定事件Φ包含的确定信息量越少。对于监测样本而言，某预警指标所对应的信息熵越大，则说明该预警指标所包含的确定信息量就越少，也就意味着该预警指标对警情等级的影响越小。对此，本研究提出的基于信息熵的权重设定法，主要是依据监测样本实际数据所包含的确定信息量而做出的权重配置决策，相对于传统的模糊评价技术中依赖于专家打分法的权重设定方式而言，基于信息熵的权重设定法具有较强的客观性，这是偏好熵权物元可拓模型的优势之一。本文来自于《审计与经济研究》杂志。审计与经济研究杂志简介详见
作者：顾海峰 单位：东华大学
