的不断增加，其所需要的信用分析人员就会越来越多，必然会带来银行冗员、效率低下、成本居高不下等诸多问题。
2）专家制度实施的效果很不稳定。这是因为信贷官员本身的素质高低和经验多少将会直接影响该项制度的实施效果。例如，对于公司所提供的一套财务报表和文件，不同的信贷官员对其进行分析会得出不同的分析结果，差异很大。
3）大大降低了银行应对市场变化的能力。银行由于长期以来一直采用较为严格的等级制度，贷款流程复杂、审核程序苛刻，但现在金融市场已经呈现出灵活多变的特征，传统的操作方法已经越来越不适应市场。
4）加剧了信贷过度集中的问题。在专家制度下，专家对某一行业或某类客户有着强烈的偏好，选择的客户都具有较高的相关性，这就加剧了银行贷款的集中程度，必然给银行带来潜在的风险。
综上所述，专家制度有着许多难以克服的弊病，这就不得不促使人们去寻求更加客观、更为有效的度量信用风险的方法，来提高银行信用评估的准确性，如有些银行将专家制度和专家系统结合起来以提高信贷审批决策的正确率。
3．3 信用风险评估模型概述
从前面对专家制度的分析可知，专家制度基本属于一种定性分析法，当然它也运用了许多财务会计信息对各种财务比率进行比较分析，属于一种单变量的测定法。单变量测定法一个最大的缺陷就在于它不能够对不同的财务比率的重要性进行排序，对强比率和弱比率之间怎样进行综合分析也无能为力，如一个借款人（公司）的利润指标相对较低，而流动性指标则高出平均水平，那么应当如何综合考虑借款人的信用状况。在这种情况，人们便开始了构筑多种变量的信用风险预测法的研究和探讨工作，。
从国内外信用风险评估技术的应用现状以及发展趋势看来，在商业银行信用风险管理领域中有着广泛的应用并且在不断进步。
目前，在西方发达国家，商业银行的信用风险管理已形成了一整套较为成熟的管理体系，许多的技术和工具、软件已付诸实际应用，继传统的比例分析之后，统计方法得到广泛的应用，
国外在对信用风险的评估中，广泛采用基于统计判别方法的预测模型，常见的模型有：多元判别分析模型（MDA）、logit分析模型、近邻法、分类树方法等，它们接
12
受定义在已选变量集合上的一个随机观测值样本，建立判别函数，进行分类。其中以MDA和logit分析模型应用最为广泛。 3.3.1 判别分析法
在针对分类问题的多种不同的统计方法中，最常用的是多元判别分析法MDA，根据观察到的一些统计数字特征，对客观事物进行分类，以确定事物的类别。它的特点是已经掌握了历史上每个类别的若干样本，从中总结出分类的规律性，建立判别公式，当遇到新的事物时，只要根据总结出来的判别公式，就能判别式无所属的类别。
MDA的关键在于建立判别函数，目前，统计学中建立判别函数常用方法有：一是已知总体分布的前提下求得平均出错概率最小的分类判别函数，通常成为贝叶斯判别函数；二是未知总体分布或未知总体分布函数时，费歇准则下的最优线性判别函数。在这里判别分析模型是通过采用极大化组间比和组内方差的费歇方法来建立的。在满足如下条件时，可以证明，由费歇方法得出的判别规则最优极小化误判代价。
1、每组均服从多元正态分布； 2、每组的协方差矩阵相同；
3、每组的均值向量、协方差矩阵、先验概率和误判代价是已知的。 MDA有两个总体与多个总体判别之分，在两个总体判别时，判别公式为：
1DF(?)??T??1(?1??2)?(?1??2)T??1(?1??2)
2其中，?1，?2和?分别是各组均值和共同协方差矩阵，依据一定判别规则即可对原始样本进行分类。显然，判别函数DF(?)是各独立变量（或指标）的线性函数。在满足上述三个条件假设下，它能使得误判达到最小。
Altman应用判别分析法建立了著名的Z-score模型和在此基础上改进的ZETA模型，这两个模型的目的是预测企业破产的概率，为银行贷款决策提供支持。目前ZETA模型已商业化，广泛应用于美国、意大利等国的商业银行的业务中，取得了巨大的经济效益。不过，这个方法最大的缺陷在于其过于严格的假定条件，在实际应用中，各种案例均会不同程度的违背方法条件限制。 3.3.2 Logit方法
为了克服线性判别函数统计假设过于苛刻的不足，开始采用Logit模型以及非参数统计等方法来建立违约判别函数。Logit分析与判别分析法的本质差异在于前者不要求满足正态分布或等方差，模型采用Logistic函数，
13
p1Y? ，??c0??ciXi
1?e?i?1其中Xi?1?i?p?表示第i个指标，ci是第i个指标的系数，Y是一表示企业财务状况好坏的概率。
由于Logit是采用一系列财务比率变量来分析公司破产或违约的概率，然后根据银行、投资者的风险偏好程度设定风险界限，以此对分析对象进行风险定位和决策，企业财务状况的评价可以看作是基于一系列独立变量基础上的分类问题，企业财务状况的好坏与财务指标是非线性的，财务指标可能是高度相关的，并且并不服从正态分布，而采用Logit方法对预测企业破产尽管有所改进，但仍不够理想。 3.3.3 近邻法
近邻法是一种非参数方法，当已知总体表现为非正态分布时，特别是当属于同一类的样本在变量空间形成聚类时，近邻法十分有效，与参数类方法相比，近邻法用于对总体分布施加很少约束的情况下，是一种十分灵活的方法。
近邻法不仅放松了正态性假定，也避免了传统技术对模型函数形式设定的困难。任何一个样本到底划归哪一类是由k个近邻划归类型所确定。任意两个样本之间的距离可定义为d?x,y???x?y?cov?1?x?y?，其中cov?1是合并协方差的逆。这样，一个样本划归为它的k个近邻的多数（即当一个样本的k个近邻的大多数划归一类，则该样本也应划属一类）。
T3．4 统计方法的缺陷
统计模型的最大优点在于其具有明显的解释性，评估方法简单、计算复杂度低，但是这些方法都是基于线性模型的评估方法，有着过于严格的前提条件，而且商业银行的风险因素错综复杂，各个因素之间错综复杂，存在着不确定、非线性特点，无法用简单的线性模型做出准确的评估，。
上述三种方法在国外已有大量应用，实证结果发现：1)企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题；2)企业财务状况的好坏与财务比率的关系常常是非线性的；3)预测变量(财务比率)可能是高度相关的；4)大量实证结果表明,许多指标不成正态分布。
并且我国的现代商业银行体制刚刚建立，各种风险的评估与管理体制仍不健全，
14
对信用风险的研究还处于传统的风险分析阶段，这远不能满足我国商业银行发展的需求。
因此,传统的分类方法不能很好地解决这些问题。作为研究复杂性的有力工具,神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性，特别是能处理任意类数据,这是许多传统方法所无法比拟的。通过不断学习，能够从未知模式的大量的复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程,毋需分清存在何种非线性关系,给建模与分析带来极大的方便。该方法用于企业财务状况研究时,一方面利用其映射能力,另一方面主要利用其泛化能力,即在经过一定数量的带噪声的样本的训练之后,网络可以抽取样本所隐含的特征关系,并对新情况下的数据进行内插和外推以推断其属性。
15
4 神经网络模型
4．1 神经网络模型理论
4.1.1 神经网络模型的概述
神经网络最早是由心理学家和神经生物学家提出的，旨在寻求开发和测试神经的计算模拟。神经网络是一组连接的输入/输出单元，其中每个连接都与一个权值相关联。在学习阶段，通过调整神经网络的权值，使得神经网络模型可以预测输入样本的正确分来来学习。神经网络近来越来越受到人们的关注，因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。
虽然神经网络的理论可追溯到40年代,但在信用风险分析中的应用还是90年代的新生事物。神经网络是从神经心理学和认识科学研究成果出发,应用数学方法发展起来的一种并行分布模式处理系统,具有高度并行计算能力、自学能力和容错能力。神经网络的结构是由一个输入层、若干个中间隐含层和一个输出层组成。如图2，是一个简单的三层神经网络结构。
输入层 隐含层 输出层
图2 简单的神经网络结构
人工神经网络是对生物神经的简化和模拟。生物神经元由细胞体、树突和轴突三部分组成，树突是细胞的输入端，轴突是细胞的输出端。树突通过连接其他细胞体的突触接受周围细胞由轴突的神经末梢传出的神经冲动；轴突的端部有众多神经末梢作为神经信号的输入端，用于传输神经冲动。生物神经元具有兴奋与抑制两种状态，当传入的神经冲动使细胞膜电位升高到阀值时，细胞进入兴奋状态，产生神经冲动，由轴突输出；若传出的神经冲动使细胞膜电位低入阀值时，则细胞进入抑制状态，没有神经冲动输出。
为了模拟生物神经细胞，可以把一个神经细胞间化为一个人工神经元，人工神经
16