银行评级的多准则决策支持系统

吴雷玲　孙英隽

摘要：阐述了一个目前在希腊银行所使用的多准则银行评级方法，并将其运用在综合决策支持系统里进行案例研究。通过该系统，可知基于PROMETHEE II方法的整体评价结果，从而为每一年每家银行总体评价得分、相互敏感性分析提供报告结果，并在“实时”状态下，显示银行业绩和评级变化的影响。由于考虑到银行在动态环境中运作，对于评价标准和评价过程参数变化所可能导致的评级结果变化而引入的灵敏度分析予以了特别强调。

关键词：银行；评级模型；多准则决策支持；灵敏度分析

1、引言

银行在金融和商业环境中的作用日益突显。银行所面临风险的增加，使得新巴塞尔协议框架不断修订并改进，而这一框架，被定义为银行类金融机构致力于风险管理的核心原则。其中有关银行监管的过程，即监管当局负责对各银行的风险进行管理并对化解状况、不同风险间相互关系的处理情况、所处市场的性质、收益的有效性和可靠性等因素进行监督检查，以评估银行的稳健性。Sahajwala和Van den Bergh[1]强调的是考虑了银行的财务表现及其内在风险状况和风险管理能力的结构化与量化评估，这种评估的支持监测机构能尽早发现银行环境的变化。

由于缺乏足够的有关银行违约的历史数据，银行评级系统通常基于实证评估。Sahajwala和Van den Bergh[1]提供了几个目前正在实践中使用的系统综述，包括使用最广泛的骆驼（CAMELS）框架，其中涉及的六个主要因素：资本，资产，管理，盈利，流动性和市场风险的敏感性。其他的多准则技术也已用于银行绩效评价。Kosmidou和Zopounidis[2]采用PROMETHEE方法，Raveh[3]采用了联合情景法， 而Ho[4]采用了灰色关联分析， Garcia et al[5]使用了目标规划。Fethi和Pasiouras[6]则提供了一个侧重于数据包络分析和来源于运筹学和人工智能领域中最新银行业的效率分析和绩效评估，此系统被广泛地用于银行业务活动当中，包括贷款评估和信贷发放、财务计划、业务流程再造及资产/负债管理。

本文提出了一个目前在希腊银行使用的基于PROMETHEE II的多准则银行评级方法，并将此方法用在综合决策支持系统里进行案例研究，所选择的银行评估标准与来自希腊银行的专家分析相一致。所选的标准符合骆驼（CAMELS）框架，包括定性、定量的手段，特别强调了有关评价标准、评价过程参数、输入数据相对重要性结果的灵敏性，并用灵敏度分析技术和蒙特卡罗仿真来达到上述目的。

本文安排如下：第1节描述问题的背景和多准则方法的细节。第2节说明了多准则决策支持系统的实施。最后，第3节总结全文，并对了未来的研究方向进行了展望。

2、问题背景和多准则方法

银行评级模型的主要输出是把银行的分类变成有序风险等级（组）。风险等级通常设置为5个等级，等级1表示低风险/高业绩的银行；等级5表明高风险/低业绩银行。整体的业绩又分解成不同的分数（即每一个评价标准）。

根据目前在希腊银行使用的骆驼（CAMELS）模型，这个基于PROMETHEE II 的多准则方法不仅可以使所需要的风险等级变得可行，而且可形成银行整体的性能指标。流程图如图1。

图1 方法模型

PROMETHEE方法被广泛应用于对一系列两两比较的替代方案进行排名，同时也被用来比较一个预先设定参考点的绝对评价。下面小节将详细描述PROMETHEE方法在文中的应用。第3节将给出详细的评价标准和如何将方法应用于决策支持系统。

2.1相对评价

在文中提及的PROMETHEE的银行评价方法是基于两两比较的。对于每对银行（i，j），以及整体业绩指标，其是描述在n个评价准则中银行i的向量。全局偏好指数被定义为局部偏好指数的加权总和，即：

5.5（最差业绩）。最终的评价模型表达如下：

这种模式可用于银行的相关业绩排名。除银行的评级，相关排名也要求作为评级/评价过程中的一个重要组成部分，鉴于以这种方式定义整体得分，评级指所定义的时间间隔，[0.5，1.5]的风险等级为1，（1.5，2.5]的风险等级为2，（2.5，3.5]风险等级为3，（3.5，4.5]风险等级为4，（4.5，5.5]风险等级为5。

2.2绝对评价

如上所述的基于PROMETHEE II方法的评估提供了一个银行的相对评价，这有助于识别一家银行与其竞争对手相比的优势和弱点。然而，银行的评级模型也应该提供一个不依赖于一系列正在被评估银行的绝对评价。

绝对评价也使用PROMETHEE方法的框架，但在这种情况下的结果，仅以银行预先指定的参考点为基础。在希腊银行分析师的实践当中，有两个选项被定义为参考点的规范。第一个选项是从乐观的角度，是银行在比较理想点（理想银行）的情况下。这种评价提供了评估银行的能力，并能被更好地执行。第二个选项使用非理想点，并提供了一个相对在“最坏的情况”下的银行评估。有希腊银行分析师定义的非理想点和理想点，包含每个准则的最坏和最好业绩值，即银行在相对于理想点的情况下，局部评价函数做如下调整：

另一方面，在非理想情况下，局部评价函数如下：

2.3灵敏度分析

当然，上面定义的多准则评价引入一些不确定性和主观性，主要是PROMETHEE方法的参数，其中包括准则权重和部分偏好函数中的参数σ和P。

此外，由于银行在动态环境中运作，识别输入数据的变化也很重要，故可能导致的评级结果变化而引入的灵敏度分析既适合一系列完整的银行，又适合单独的每一个银行。

第一阶段，分析灵敏度程序解决这些问题。对于准则权重，分析的目的是定义评级不变银行，每个准则k权重值的范围。这可以很容易地通过加强的条件，即每家银行i全局得分V（xi）保持其预先指定的权重评分范围内。应该指出的是，这是“单因素”敏感性分析的类型（即，每个标准被认为是独立于其他的）。在与希腊银行的分析师合作中，被认为提供了足够的信息，并且很容易被理解。沃尔特斯和Mareschal[14]已经提出了考虑准则全局变化的敏感性分析的例子。

一个类似的过程也采用标准的偏好函数参数。然而，基于PROMETHEE方法的两两相关评价方案里，部分偏好函数一般对应参数σ和P非单调，非凸函数，这种情况下是不可能定义为评级不变银行特定参数范围。因此，可以明确定义为绝对评价过程的边界。

假设银行i的等级为

2.4 蒙特卡罗仿真

如上节所述，分析的流程提供了评级结果敏感性分析的局部信息。而通过蒙特卡罗仿真将会获得进一步的信息。通过该方法，仿真分析了在准则权重变化下评级结果的敏感性，并在这一过程当中，可以很容易地进一步考虑偏好函数的参数。

仿真涉及到在多个情境下准则权重的生成。一是，由随机单元简单生成。二是，决策者依重要性进行排序，然后按照准则的顺序生成随机权重。

在仿真结果当中，通过全局表现评估均值和中位数，并对其标准差和置信区间进行分析。从而对于每一个银行，可以得出不同加权情况下评级分布的有用结论。

3. 决策支持系统的实施

综合决策支持系统（DSS）使多个用户在一个共享数据库下工作。银行高级分析师负责评估过程中主要参数的设定，即准则权重、相应偏好函数类型等主要参数，以及通过添加或删除标准来修改评价标准集合。而较低级别的分析家们可以充分接触多准则评估过程中的所有功能，但不允许他们使评价参数发生永久性改变。除数据库管理和多准则工具的使用，DSS还提供包括一个用户界面友好，方便图形和表格格式编制的几种预备报告功能。

以下小节将说明DSS提供的功能和基于多准则方法的实施方式。需要指出的是，出于保密原因，在此图中的所有结果都只是指示性的，它们与任何银行实际数据没有关联。

3.1评价数据、准则、偏好参数

考虑系统中涉及希腊银行历史信息的一些数据。该系统可以使用不同的数据库，这取决于分析银行的类型。最初，系统中引入了31个评价准则集合[1]。一个评价标准的范例清单（见表1），这些准则是在与负责监测和评估银行业绩的专家分析师密切合作下选定的。按照骆驼（CAMELS）框架， 该标准被组织成6类（资金，资产，管理，盈利，流动性，对市场风险的敏感性）。总体而言，17个定量标准和14定性标准已初步选定。由希腊银行分析师定义的所有定性标准设定为 [0.5，5.5] 区间范围，较低值表示较好的业绩。

每类准则的权重和每一准则水平都已由希腊银行分析师确定。该系统还包括一些额外的模块，这些模块是支持规范的准则权重分析，即采用rank-order centroid （ROC） 和 rank-rum （RS）方法。图2说明了准则权重系统的截图。近似的ROC和RS根据分析师所指定的准则排名顺序计算。如图2，RS的估计值非常接近于用户自定义每个标准组的相对重要度。同样也观察到了每一准则水平。总体而言，定量的准则分配了70%的权重，其余30%属于定性准则，这是一个基于“硬性数据”，给予重要度高于涉及主观评价的定性准则重要度的政策规范。

所有量化标准的评估都采用了PROMETHEE方法的高斯偏好函数，而定性标准采用线性偏好函数。图3描述了资本充足率的局部偏好函数。这个函数值随准则值而降低，从而表明，较高的资本充足率值与更高的业绩和更低的风险相关。图的右侧部分，用户-分析师可以指定最少和最喜欢值（理想，非理想）函数的类型以及相关参数。图左侧是对用户所做改变的自动更新。

3.2多准则评价

第2节中，系统提供了多种选择，涉及：（1）银行、评价标准、分析的时间周期（2）评价类型（绝/相对）（3）准则权重的规范（4）情景分析，蒙特卡罗仿真情景分析使用（如图4）

通过该系统可知基于PROMETHEE II方法的整体评价结果。为每一年每家银行报告总体评价得分、相互敏感性分析。用户可修改权重或偏好函数参数以自动更新准则和评价结果，从而说明在“实时”状态下，银行业绩和评级变化的影响。

灵敏度分析结果，与有关的标准和相应的偏好函数参数的权重也可在单独的表内，如图5。

每一标准的银行评级不会改变，且其权重范围（上限和下限）可以显示。“稳定指数”，在表的最后一列所示，表示每个准则权重变化的最小百分比（不同的颜色来区分减少和增加）。

3.3情景分析

在情景分析下，通过蒙特卡罗仿真可以获得针对准则权重灵敏度排名的进一步结果。用户-银行分析师可以在此指定不同的权重方案。结果涉及银行全局业绩得分（平均值，中位数、95%置信区间）统计数据以及每家银行的评级分布。此外，通过情景分析报告可以获得准则权重和仿真运行的所有评级之间的关系。特别是，每一标准的相关系数表明了在银行评级和准则相对重要性之间的连接强度。准则负相关可被视为银行的强势。在这个意义上，准则的权重越高，银行的评价得分就越低（越好）。

作为额外的信息，对于每个准则，它的平均权重可以通过被评定为特定等级银行的全情境计算获得。特别是，假设权重的向量W1，W2，…….，针对每次仿真运行和引用Sik，即在银行i被设定为等级K的情况下进行仿真运行的仿真集（|Sik|代表运行的次数），

是在Sik下所有情景的平均权重向量，此式提供了一种关于已选银行评价结果的逆向分析信息。例如，在选定银行2010年分配到风险等级2的情况下，准则权重为CAP1和CAP2，高于可以根据这些标准的权重在分配给该银行风险等级3的情况下的准则权重。

4、结论

银行业绩的监测和评价在最近金融危机背景下获得越来越多的关注。本文提出了一种多准则方法旨在提供全面的专家支持分析，特别强调了把结果的敏感性分析应用到主要评价参数中，从而推导出有关银行优劣势的有用结论。

该方法已在综合决策支持系统（DSS）中实施，目前使用于希腊银行。DSS为用户及分析师提供了一种增强性的数据库管理功能，包括一些分析选项和报告工具。

专业银行分析师将多准则方法和DSS作为他们日常监测和评估银行业绩的支持工具。更进一步来说，其目的是发展能够尽快识别银行所可能面临问题的早期预警系统，并且对宏观经济因素的考虑也能进行加强分析，以及在外部因素对银行业绩和多样化的冲击下，实施执行压力测试。数据同样考虑了来自发达国家和发展中国家的其他银行部门，从而为增强其他市场风险及一个国家整体银行业风险相关性的背景下，提供有用的分析信息。

参考文献：

[1]R. Sahajwala， P. Van den Bergh， Supervisory Risk Assessment and Early Warning Systems， Technical Report 4， Bank of International Settlements， Basel， Switzerland， 2000.

[2]K. Kosmidou， C. Zopounidis， Measurement of bank performance in Greece， South-Eastern Europe Journal of Economics 6 （2008） 79–95.

[3]A. Raveh， The Greek banking system： reanalysis of performance， European Journal of Operational Research 120 （2000） 525–534.

[4]C.T. Ho， Measuring bank operations performance： an approach based on grey relation analysis， Journal of the Operational Research Society 57 （2006） 337–349.

[5]F. García， F. Guijarro， I. Moya， Ranking Spanish savings banks： A multicriteria approach， Mathematical and Computer Modelling 52 （2010） 1058–1065.

[6]D. Fethi， F. Pasiouras， Assessing bank efficiency and performance with operational research and artificial intelligent techniques： a survey， European Journal of Operational Research 204 （2010） 189–198.

[7]J. Butler， J. Jia， J. Dyer， Simulation techniques for the sensitivity analysis of multi-criteria decision models， European Journal of Operational Research 103 （1997） 531–546.

[8]A. Derviz， J. Podpiera， Predicting bank CAMELS and S&P ratings： the case of the Czech Republic， Emerging Markets Finance and Trade 44 （2008） 117–130.

[9]C. Spathis， K. Kosmidou， M. Doumpos， Assessing profitability factors in the Greek banking system： a multicriteria approach， International Transactions in Operational Research 9 （2002） 517–530.

[10]巴塞尔银行监管委员会，外部信用评级与内部信用评级体系[M].罗平，译.北京.中国金融出版社，2004： 451.

[11]赵向飞.上市公司信用能力的综合评价）—AHP与模糊评价的整合[ J].统计与决策， 2005（ 4） ：116- 117.

[12]赵利亚， 孙树华.层次分析法在财务分析中的应用[ J].财会通讯， 2009（ 3） ：96- 97.

[13]苏盈，吴永飞，杨晓光.商业银行风险评级的比较研究[J].金融管理，2005 （ 9）：12-13.

基金项目：上海市研究生创新基金项目（编号：JWCXSL1202）