金融不良債權(quán)評估風(fēng)險及控制對策

■ 鄭宇航 龍洋陽 陳若琦

一、引言

隨著金融體制的深化改革與金融監(jiān)管的高壓態(tài)勢延續(xù)性發(fā)展，金融機構(gòu)對不良債權(quán)的處置機制與評估業(yè)務(wù)正逐步完善。但由于金融不良債權(quán)估值領(lǐng)域起步較晚，相關(guān)的理論與技術(shù)依舊不成熟，對于國內(nèi)現(xiàn)有的債務(wù)重組、以資抵債、不良資產(chǎn)證券化等不良債權(quán)處置方式，在估價過程中難免都會存在價值評估風(fēng)險，即“與資產(chǎn)評估有關(guān)的單位或個人因資產(chǎn)評估事項所遭受損失的可能性”，于是怎樣識別或者規(guī)避不良債權(quán)評估風(fēng)險引發(fā)了學(xué)術(shù)界的廣泛研究。

國內(nèi)學(xué)者普遍認(rèn)為金融不良債權(quán)評估存在急迫性，并深入探討了估值過程中相應(yīng)風(fēng)險的來源：譚小蓓[1]認(rèn)為產(chǎn)生價值偏離的主要因素來源于理論基礎(chǔ)與評估實務(wù)的不協(xié)調(diào)、不明確的資產(chǎn)權(quán)屬以及尚未統(tǒng)一的計費標(biāo)準(zhǔn)。靳曉[2]認(rèn)為不良資產(chǎn)評估風(fēng)險主要來源于債權(quán)自身非常高的復(fù)雜程度，其復(fù)雜因素包括但不限于信貸融資方式、風(fēng)險控制措施以及企業(yè)行業(yè)性質(zhì)等。黃思思[3]認(rèn)為其風(fēng)險主要來源于不良資產(chǎn)的轉(zhuǎn)化階段、持有階段與變現(xiàn)階段，在這三個時期不良資產(chǎn)處置價值都會存在較大的變動。

另外，部分學(xué)者也對目前的不良債權(quán)評估方法進(jìn)行了研究：張成文[4]認(rèn)為基于債權(quán)相關(guān)責(zé)任人的假設(shè)清算法中設(shè)定假設(shè)和確定參數(shù)等環(huán)節(jié)多依賴于評估人員的主觀分析，在對負(fù)債的確認(rèn)上評估人員也存在常見的技術(shù)錯誤。金發(fā)奇[5]認(rèn)為基于債權(quán)本身的交易案例對比法或?qū)＜掖蚍址ň哂兄饔^性與隨意性，相比而言基于資產(chǎn)回收率的多元線性回歸方法對于研究不良資產(chǎn)價值更具可行性，因此需多種方法同時結(jié)合，以減小誤差。鄭德祥[6]認(rèn)為基于多元線性回歸方程的評估方法具有較多條件假設(shè)，若數(shù)據(jù)不符合線性假設(shè)條件，評估得出的擬合模型質(zhì)量將變差甚至沒有意義，因此需要加大數(shù)據(jù)收集以減小風(fēng)險。

綜上所述，國內(nèi)大部分學(xué)者都對債權(quán)評估風(fēng)險具有一定認(rèn)識，但目前尚未形成一個系統(tǒng)的風(fēng)險識別與風(fēng)險控制策略，因此對金融不良債權(quán)的評估風(fēng)險及控制對策研究具有一定的理論與實際意義。

二、不良債權(quán)評估風(fēng)險來源

在整個不良債權(quán)評估過程中，其風(fēng)險主要來源于債權(quán)主體、估值方法與外部環(huán)境。本文將從不良債權(quán)評估的角度系統(tǒng)地歸納其風(fēng)險來源，并在后文利用FAHP 模型對風(fēng)險進(jìn)行量化。

（一）債權(quán)主體導(dǎo)致的不良債權(quán)評估風(fēng)險（B1）

本文的債權(quán)主體主要是商業(yè)銀行與借款人。由于銀行與借款方的因素導(dǎo)致不良債權(quán)復(fù)雜化，從而增加債權(quán)評估風(fēng)險的，本文將其列入債權(quán)主體風(fēng)險。

1.作為發(fā)債方的商業(yè)銀行在發(fā)債時，增加債權(quán)結(jié)構(gòu)復(fù)雜程度，從而增大評估風(fēng)險。由于貸款形式如直接融資、票據(jù)等形式的多樣化，內(nèi)部風(fēng)險控制措施如抵押、質(zhì)押貸款形式等不同以及不良債權(quán)歸屬不清晰等其他因素，增加了債權(quán)的復(fù)雜程度，因此將其歸因于發(fā)債方債權(quán)結(jié)構(gòu)風(fēng)險（C1）。

2.對借款人而言，借債方的性質(zhì)與行為使債權(quán)結(jié)構(gòu)復(fù)雜化。由于借款人不完全提供相關(guān)資料、提供虛假資料等，導(dǎo)致評估人員對于企業(yè)的償債能力無法進(jìn)行較為準(zhǔn)確地評估，從而產(chǎn)生的不良債權(quán)評估風(fēng)險，因此將其歸因于借債方債權(quán)結(jié)構(gòu)風(fēng)險（C2）。

（二）估值方法局限性導(dǎo)致的不良債權(quán)的評估風(fēng)險（B2）

在金融不良債權(quán)評估中，多采用傳統(tǒng)的資產(chǎn)評估方法或多元線性回歸分析。由于評估方法導(dǎo)致的不良債權(quán)評估價值偏差的風(fēng)險，本文將其列入估值方法風(fēng)險。

1.資產(chǎn)評估方法在不良債權(quán)評估中的局限性（C3）

（1）由于假設(shè)與參數(shù)的設(shè)定缺乏具體標(biāo)準(zhǔn)，在假設(shè)清算法中盡職調(diào)查的工作深度、現(xiàn)金流償債法中的折現(xiàn)率以及其他方法中相關(guān)因素的確定都依賴評估人員的主觀性，從而增大了評估價值的偏離程度，因此將其歸因于主觀判斷風(fēng)險（C31）。

（2）無法準(zhǔn)確判定債權(quán)中實物資產(chǎn)的無形損失。在債權(quán)借貸前后，由于假設(shè)條件、評估目的與評估方法都有所改變，且實物資產(chǎn)的無形損失難以準(zhǔn)確計量，評估人員很難確定不良債權(quán)的價值，從而增大評估風(fēng)險，因此將其歸因于無形損失風(fēng)險（C32）。

（3）資產(chǎn)評估方法在不良債權(quán)評估中主要存在理論性高估，因此將其歸因于高估性風(fēng)險（C33）。

2.多元線性回歸分析在不良債權(quán)評估中的局限性（C4）

由于金融不良債權(quán)中不良貸款占比最大，且不良債權(quán)的評估價值主要為資產(chǎn)管理公司或商業(yè)銀行最終能夠收回的債權(quán)價值，所以不良債權(quán)評估中的多元線性回歸分析主要分析的是不良貸款的違約概率(PD)和違約損失率(LGD)。

（1）違約損失率的影響因素較為復(fù)雜，其不確定性增大不良債權(quán)評估風(fēng)險。LGD 的不確定性主要依賴于債權(quán)種類、企業(yè)資本結(jié)構(gòu)、行業(yè)特征等可量化因素，但同時也受到評級轉(zhuǎn)移風(fēng)險或債權(quán)人與債務(wù)人的議價能力等模糊因素的影響，因此將其歸因于LGD 風(fēng)險（C41）。

（2）違約貸款案例大多為非數(shù)值信息，在轉(zhuǎn)換成數(shù)值時與多元回歸檢驗時需要涉及復(fù)雜的數(shù)理計算，很容易出現(xiàn)操作風(fēng)險，因此將其歸因于操作風(fēng)險（C42）。

（3）歷史數(shù)據(jù)的真實可靠性與案例數(shù)量對評估結(jié)果影響較大，因此將其歸因于可靠性風(fēng)險。（C43）

（三）外部環(huán)境導(dǎo)致的不良債權(quán)評估風(fēng)險（B3）

在對金融不良債權(quán)評估時，宏觀背景以及其他外部因素都會造成評估價值的偏離。本文將其列入外部環(huán)境風(fēng)險。

1.國內(nèi)金融市場尚不發(fā)達(dá)，不良資產(chǎn)評估起步較晚，雖借鑒國外相關(guān)先進(jìn)經(jīng)驗，但與我國評估實踐匹配較差，因此將其歸因于理論性風(fēng)險。（C5）

2.當(dāng)政府或法院參與債權(quán)價值裁定時，政策因素或?qū)е虏涣紓鶛?quán)與其實際價值偏離較大，因此將其歸因于政策性風(fēng)險。（C6）

三、金融不良債權(quán)評估風(fēng)險評價

（一）構(gòu)建金融不良債權(quán)評估風(fēng)險指標(biāo)體系

根據(jù)前文不良債權(quán)評估風(fēng)險的來源識別與整理歸納，首先運用AHP 模型構(gòu)建金融不良債權(quán)評估風(fēng)險指標(biāo)體系（表1）。

（二）金融不良債權(quán)評價指標(biāo)權(quán)重確定

首先利用層次分析法比較若干因素對同一目標(biāo)的影響，從而確定這些因素在目標(biāo)中所占比重。但由于層次分析法的專家打分主觀性很強，打分矩陣經(jīng)常出現(xiàn)不一致或漏填情況，于是本文采用粒子群優(yōu)化算法（PSO）對專家打分矩陣進(jìn)行修正。

表1 金融不良債權(quán)評估風(fēng)險指標(biāo)體系

1.指標(biāo)體系分類。將指標(biāo)體系按照要達(dá)到的目的與性質(zhì)，分解成不同的組成因素，根據(jù)因素之間的關(guān)系進(jìn)行分層聚類組合形成階梯型結(jié)構(gòu)體系，如圖1所示。

2.根據(jù)群決策構(gòu)建每一體系的判斷矩陣，并作歸一處理。利用粒子群優(yōu)化算法對處理結(jié)果進(jìn)行修正，并檢驗。（由于篇幅原因，詳盡過程省略）

第一步，構(gòu)建修正后的判斷矩陣（部分矩陣表，其他略）：

圖1 金融不良債權(quán)層次結(jié)構(gòu)圖

表2 修正后的金融不良債權(quán)評估總體風(fēng)險表

表3 修正后的債權(quán)主體風(fēng)險表

第二步，根據(jù)修正后的群決策矩陣，得出風(fēng)險評價指標(biāo)權(quán)重集合：

各一級指標(biāo)風(fēng)險權(quán)重：

債權(quán)主體風(fēng)險下各指標(biāo)風(fēng)險權(quán)重：

估值方法風(fēng)險下各指標(biāo)風(fēng)險權(quán)重：

資產(chǎn)評估方法局限性風(fēng)險下各指標(biāo)風(fēng)險權(quán)重：

多元回歸方法局限性風(fēng)險下各指標(biāo)風(fēng)險權(quán)重：

外部環(huán)境風(fēng)險下各指標(biāo)風(fēng)險權(quán)重：

由以上計算得到更層次風(fēng)險因素的權(quán)重，詳見表4。

表4 金融不良債權(quán)評估風(fēng)險因素權(quán)重表

（三）金融不良債權(quán)評估風(fēng)險的模糊綜合評判

本文采用模糊綜合評判模型對風(fēng)險因素指標(biāo)進(jìn)行隸屬度評價。首先基于上述風(fēng)險指標(biāo)構(gòu)建隸屬度評價集，主要分五級，并進(jìn)行量化評分：

V={ 高風(fēng)險100，較高風(fēng)險80，中等風(fēng)險60，較小風(fēng)險40，極小風(fēng)險20}

然后建立評價指標(biāo)權(quán)重。由于此次模糊評判基于上述風(fēng)險指標(biāo)，則其權(quán)重依據(jù)表5的權(quán)重值設(shè)定。

表5 單個風(fēng)險指標(biāo)在總風(fēng)險中權(quán)重

于是有由上而下的權(quán)重集：W ＝(0.1 2 2 5，0.1841，0.2149，…，0.0623)

再根據(jù)對各類風(fēng)險的類型、級別進(jìn)行識別和評價，以及相關(guān)調(diào)查數(shù)據(jù)，對不同的風(fēng)險指標(biāo)的不同風(fēng)險程度的隸屬值進(jìn)行計算，得出評價結(jié)論。

利用模糊綜合評價法得出的金融不良債權(quán)評估風(fēng)險的隸屬度函數(shù)如表6所示：

表6 金融不良債權(quán)風(fēng)險隸屬度函數(shù)

由上表所示隸屬度函數(shù)中占比最大的是“較高風(fēng)險：0.370233”，可以得出金融不良債權(quán)評估風(fēng)險面臨的總體風(fēng)險大小為較高風(fēng)險的結(jié)論，因此對于金融不良債權(quán)風(fēng)險控制很有必要。

四、金融不良債權(quán)評估風(fēng)險控制建議

結(jié)合評估實務(wù)與宏觀背景分析，資產(chǎn)評估業(yè)務(wù)無法減小來自于行業(yè)整體的高估性風(fēng)險、行業(yè)理論風(fēng)險以及政策性風(fēng)險，因此對于不良債權(quán)評估風(fēng)險的控制本文主要關(guān)注于如何減小除以上風(fēng)險以外的本文已識別出的其他風(fēng)險。

（一）探討基于神經(jīng)網(wǎng)絡(luò)模型（BP）的不良債權(quán)評估中總體風(fēng)險控制

隨著人工智能（AI）的發(fā)展，越來越多的行業(yè)開始采用神經(jīng)網(wǎng)絡(luò)模型對相對復(fù)雜的變量進(jìn)行預(yù)測或分析。在金融不良債權(quán)評估中，BP 神經(jīng)網(wǎng)絡(luò)模型既可以解決由債權(quán)主體導(dǎo)致的債權(quán)復(fù)雜性結(jié)構(gòu)的風(fēng)險；又可以避免傳統(tǒng)評估方法存在的主觀判斷風(fēng)險、無形損失風(fēng)險；還可以解決線性回歸方法所不能解決的大量非線性問題。其主要評估思路如下：

1 構(gòu)建神經(jīng)網(wǎng)絡(luò)模型指標(biāo)體系

不良債權(quán)評估受到多種因素的影響，其價格也有多種因素決定，因此需構(gòu)建相應(yīng)的指標(biāo)體系用于后續(xù)量化分析。

表7 指標(biāo)因素量化表

根據(jù)前文風(fēng)險來源的識別以及評估實務(wù)中的相關(guān)參數(shù)的確定，指標(biāo)體系可分為（1）發(fā)債方債權(quán)形式因素、（2）借債方行業(yè)因素、（3）借債方經(jīng)營狀況因素、（4）不良貸款等級因素、（5）借債方行為因素、（6）多元回歸的樣本因素等（該指標(biāo)體系的構(gòu)建僅做樣例，用于探討神經(jīng)網(wǎng)絡(luò)模型評估思路，實際指標(biāo)體系應(yīng)根據(jù)評估業(yè)務(wù)的具體需要來構(gòu)建）。

2.指標(biāo)體系量化處理

由于在影響不良債權(quán)價值因素的評估指標(biāo)體系中既有定性指標(biāo)又有定量指標(biāo), 因此考慮到各指標(biāo)在整個評估體系中的可比性, 應(yīng)將定性指標(biāo)進(jìn)行量化處理。依照上一步構(gòu)建的指標(biāo)體系，對于每一類指標(biāo)的影響因素進(jìn)行量化處理（每一指標(biāo)最高為1）。

3 基于案例進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與應(yīng)用

（1）根據(jù)上述指標(biāo)因素量化表，由于影響因素有6 個，所以輸入層為6。目標(biāo)所得出的結(jié)果只有一個評估值。因此輸出層為1。對于初始權(quán)值的設(shè)計，一般足夠小，但不全置為0。

（2）收集大量歷史不良債權(quán)評估案例樣本或借鑒我國LossMetrics ?數(shù)據(jù)庫，并剔除極端案例或非正常案例。將剩下的不良債權(quán)評估案例中的回收率分別作為輸出層，將案例所對應(yīng)的6 個指標(biāo)等級數(shù)值作為輸入層，然后通過神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)。

（3）在進(jìn)行學(xué)習(xí)之后，代入未使用過的評估案例數(shù)值進(jìn)行數(shù)值檢驗。若不符合案例結(jié)果，則判斷案例選取或操作是否有誤，并進(jìn)行相關(guān)調(diào)整。

神經(jīng)網(wǎng)絡(luò)模型在資產(chǎn)評估實務(wù)中尚屬于較為前沿的方法，有待進(jìn)一步探索與發(fā)現(xiàn)。針對不良債權(quán)評估的人工智能評估方法也將會進(jìn)一步完善。

（二）針對單個風(fēng)險來源的控制建議

對于借債方、發(fā)債方以及外部環(huán)境導(dǎo)致的不良債權(quán)評估風(fēng)險，評估機構(gòu)很難進(jìn)行控制。它需要由資產(chǎn)評估法律法規(guī)的完善，資本市場的深入發(fā)展以及行業(yè)理論與實踐的進(jìn)步共同推動。因此，相比而言，評估機構(gòu)能控制的風(fēng)險指標(biāo)主要是估值方法風(fēng)險（B2類風(fēng)險）。

1.針對該風(fēng)險，評估機構(gòu)應(yīng)制定具體標(biāo)準(zhǔn)，并加強評估人員勝任能力培訓(xùn)，減小由于勝任能力不足導(dǎo)致的主觀判斷與無形損失風(fēng)險。對假設(shè)清算法、現(xiàn)金流償債法、交易案例對比法等方法進(jìn)行實操培訓(xùn)，重點關(guān)注不良債權(quán)評估中該方法的適用前提與注意事項，并進(jìn)行培訓(xùn)后考核，督查評估人員學(xué)習(xí)情況，更好地提升評估人員執(zhí)業(yè)水平。

2.當(dāng)采用多元回歸方法時，應(yīng)該增強內(nèi)部結(jié)構(gòu)管理，盡可能收集被評估企業(yè)全面且有效的數(shù)據(jù)，分析其實際償債能力及違約損失率；對于數(shù)值轉(zhuǎn)換時發(fā)生的操作性風(fēng)險，評估機構(gòu)應(yīng)派人復(fù)核，減小因操作失誤導(dǎo)致的價值偏離；在案例搜集階段，評估機構(gòu)應(yīng)盡可能多的收集相關(guān)案例，并合理利用歷史案例，剔除極端值與非正常值。