金融不良债权评估风险及控制对策

■ 郑宇航 龙洋阳 陈若琦

一、引言

随着金融体制的深化改革与金融监管的高压态势延续性发展，金融机构对不良债权的处置机制与评估业务正逐步完善。但由于金融不良债权估值领域起步较晚，相关的理论与技术依旧不成熟，对于国内现有的债务重组、以资抵债、不良资产证券化等不良债权处置方式，在估价过程中难免都会存在价值评估风险，即“与资产评估有关的单位或个人因资产评估事项所遭受损失的可能性”，于是怎样识别或者规避不良债权评估风险引发了学术界的广泛研究。

国内学者普遍认为金融不良债权评估存在急迫性，并深入探讨了估值过程中相应风险的来源：谭小蓓[1]认为产生价值偏离的主要因素来源于理论基础与评估实务的不协调、不明确的资产权属以及尚未统一的计费标准。靳晓[2]认为不良资产评估风险主要来源于债权自身非常高的复杂程度，其复杂因素包括但不限于信贷融资方式、风险控制措施以及企业行业性质等。黄思思[3]认为其风险主要来源于不良资产的转化阶段、持有阶段与变现阶段，在这三个时期不良资产处置价值都会存在较大的变动。

另外，部分学者也对目前的不良债权评估方法进行了研究：张成文[4]认为基于债权相关责任人的假设清算法中设定假设和确定参数等环节多依赖于评估人员的主观分析，在对负债的确认上评估人员也存在常见的技术错误。金发奇[5]认为基于债权本身的交易案例对比法或专家打分法具有主观性与随意性，相比而言基于资产回收率的多元线性回归方法对于研究不良资产价值更具可行性，因此需多种方法同时结合，以减小误差。郑德祥[6]认为基于多元线性回归方程的评估方法具有较多条件假设，若数据不符合线性假设条件，评估得出的拟合模型质量将变差甚至没有意义，因此需要加大数据收集以减小风险。

综上所述，国内大部分学者都对债权评估风险具有一定认识，但目前尚未形成一个系统的风险识别与风险控制策略，因此对金融不良债权的评估风险及控制对策研究具有一定的理论与实际意义。

二、不良债权评估风险来源

在整个不良债权评估过程中，其风险主要来源于债权主体、估值方法与外部环境。本文将从不良债权评估的角度系统地归纳其风险来源，并在后文利用FAHP 模型对风险进行量化。

（一）债权主体导致的不良债权评估风险（B1）

本文的债权主体主要是商业银行与借款人。由于银行与借款方的因素导致不良债权复杂化，从而增加债权评估风险的，本文将其列入债权主体风险。

1.作为发债方的商业银行在发债时，增加债权结构复杂程度，从而增大评估风险。由于贷款形式如直接融资、票据等形式的多样化，内部风险控制措施如抵押、质押贷款形式等不同以及不良债权归属不清晰等其他因素，增加了债权的复杂程度，因此将其归因于发债方债权结构风险（C1）。

2.对借款人而言，借债方的性质与行为使债权结构复杂化。由于借款人不完全提供相关资料、提供虚假资料等，导致评估人员对于企业的偿债能力无法进行较为准确地评估，从而产生的不良债权评估风险，因此将其归因于借债方债权结构风险（C2）。

（二）估值方法局限性导致的不良债权的评估风险（B2）

在金融不良债权评估中，多采用传统的资产评估方法或多元线性回归分析。由于评估方法导致的不良债权评估价值偏差的风险，本文将其列入估值方法风险。

1.资产评估方法在不良债权评估中的局限性（C3）

（1）由于假设与参数的设定缺乏具体标准，在假设清算法中尽职调查的工作深度、现金流偿债法中的折现率以及其他方法中相关因素的确定都依赖评估人员的主观性，从而增大了评估价值的偏离程度，因此将其归因于主观判断风险（C31）。

（2）无法准确判定债权中实物资产的无形损失。在债权借贷前后，由于假设条件、评估目的与评估方法都有所改变，且实物资产的无形损失难以准确计量，评估人员很难确定不良债权的价值，从而增大评估风险，因此将其归因于无形损失风险（C32）。

（3）资产评估方法在不良债权评估中主要存在理论性高估，因此将其归因于高估性风险（C33）。

2.多元线性回归分析在不良债权评估中的局限性（C4）

由于金融不良债权中不良贷款占比最大，且不良债权的评估价值主要为资产管理公司或商业银行最终能够收回的债权价值，所以不良债权评估中的多元线性回归分析主要分析的是不良贷款的违约概率(PD)和违约损失率(LGD)。

（1）违约损失率的影响因素较为复杂，其不确定性增大不良债权评估风险。LGD 的不确定性主要依赖于债权种类、企业资本结构、行业特征等可量化因素，但同时也受到评级转移风险或债权人与债务人的议价能力等模糊因素的影响，因此将其归因于LGD 风险（C41）。

（2）违约贷款案例大多为非数值信息，在转换成数值时与多元回归检验时需要涉及复杂的数理计算，很容易出现操作风险，因此将其归因于操作风险（C42）。

（3）历史数据的真实可靠性与案例数量对评估结果影响较大，因此将其归因于可靠性风险。（C43）

（三）外部环境导致的不良债权评估风险（B3）

在对金融不良债权评估时，宏观背景以及其他外部因素都会造成评估价值的偏离。本文将其列入外部环境风险。

1.国内金融市场尚不发达，不良资产评估起步较晚，虽借鉴国外相关先进经验，但与我国评估实践匹配较差，因此将其归因于理论性风险。（C5）

2.当政府或法院参与债权价值裁定时，政策因素或导致不良债权与其实际价值偏离较大，因此将其归因于政策性风险。（C6）

三、金融不良债权评估风险评价

（一）构建金融不良债权评估风险指标体系

根据前文不良债权评估风险的来源识别与整理归纳，首先运用AHP 模型构建金融不良债权评估风险指标体系（表1）。

（二）金融不良债权评价指标权重确定

首先利用层次分析法比较若干因素对同一目标的影响，从而确定这些因素在目标中所占比重。但由于层次分析法的专家打分主观性很强，打分矩阵经常出现不一致或漏填情况，于是本文采用粒子群优化算法（PSO）对专家打分矩阵进行修正。

表1 金融不良债权评估风险指标体系

1.指标体系分类。将指标体系按照要达到的目的与性质，分解成不同的组成因素，根据因素之间的关系进行分层聚类组合形成阶梯型结构体系，如图1所示。

2.根据群决策构建每一体系的判断矩阵，并作归一处理。利用粒子群优化算法对处理结果进行修正，并检验。（由于篇幅原因，详尽过程省略）

第一步，构建修正后的判断矩阵（部分矩阵表，其他略）：

图1 金融不良债权层次结构图

表2 修正后的金融不良债权评估总体风险表

表3 修正后的债权主体风险表

第二步，根据修正后的群决策矩阵，得出风险评价指标权重集合：

各一级指标风险权重：

债权主体风险下各指标风险权重：

估值方法风险下各指标风险权重：

资产评估方法局限性风险下各指标风险权重：

多元回归方法局限性风险下各指标风险权重：

外部环境风险下各指标风险权重：

由以上计算得到更层次风险因素的权重，详见表4。

表4 金融不良债权评估风险因素权重表

（三）金融不良债权评估风险的模糊综合评判

本文采用模糊综合评判模型对风险因素指标进行隶属度评价。首先基于上述风险指标构建隶属度评价集，主要分五级，并进行量化评分：

V={ 高风险100，较高风险80，中等风险60，较小风险40，极小风险20}

然后建立评价指标权重。由于此次模糊评判基于上述风险指标，则其权重依据表5的权重值设定。

表5 单个风险指标在总风险中权重

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

再根据对各类风险的类型、级别进行识别和评价，以及相关调查数据，对不同的风险指标的不同风险程度的隶属值进行计算，得出评价结论。

利用模糊综合评价法得出的金融不良债权评估风险的隶属度函数如表6所示：

表6 金融不良债权风险隶属度函数

由上表所示隶属度函数中占比最大的是“较高风险：0.370233”，可以得出金融不良债权评估风险面临的总体风险大小为较高风险的结论，因此对于金融不良债权风险控制很有必要。

四、金融不良债权评估风险控制建议

结合评估实务与宏观背景分析，资产评估业务无法减小来自于行业整体的高估性风险、行业理论风险以及政策性风险，因此对于不良债权评估风险的控制本文主要关注于如何减小除以上风险以外的本文已识别出的其他风险。

（一）探讨基于神经网络模型（BP）的不良债权评估中总体风险控制

随着人工智能（AI）的发展，越来越多的行业开始采用神经网络模型对相对复杂的变量进行预测或分析。在金融不良债权评估中，BP 神经网络模型既可以解决由债权主体导致的债权复杂性结构的风险；又可以避免传统评估方法存在的主观判断风险、无形损失风险；还可以解决线性回归方法所不能解决的大量非线性问题。其主要评估思路如下：

1 构建神经网络模型指标体系

不良债权评估受到多种因素的影响，其价格也有多种因素决定，因此需构建相应的指标体系用于后续量化分析。

表7 指标因素量化表

根据前文风险来源的识别以及评估实务中的相关参数的确定，指标体系可分为（1）发债方债权形式因素、（2）借债方行业因素、（3）借债方经营状况因素、（4）不良贷款等级因素、（5）借债方行为因素、（6）多元回归的样本因素等（该指标体系的构建仅做样例，用于探讨神经网络模型评估思路，实际指标体系应根据评估业务的具体需要来构建）。

2.指标体系量化处理

由于在影响不良债权价值因素的评估指标体系中既有定性指标又有定量指标, 因此考虑到各指标在整个评估体系中的可比性, 应将定性指标进行量化处理。依照上一步构建的指标体系，对于每一类指标的影响因素进行量化处理（每一指标最高为1）。

3 基于案例进行神经网络学习与应用

（1）根据上述指标因素量化表，由于影响因素有6 个，所以输入层为6。目标所得出的结果只有一个评估值。因此输出层为1。对于初始权值的设计，一般足够小，但不全置为0。

（2）收集大量历史不良债权评估案例样本或借鉴我国LossMetrics ™数据库，并剔除极端案例或非正常案例。将剩下的不良债权评估案例中的回收率分别作为输出层，将案例所对应的6 个指标等级数值作为输入层，然后通过神经网络模型进行学习。

（3）在进行学习之后，代入未使用过的评估案例数值进行数值检验。若不符合案例结果，则判断案例选取或操作是否有误，并进行相关调整。

神经网络模型在资产评估实务中尚属于较为前沿的方法，有待进一步探索与发现。针对不良债权评估的人工智能评估方法也将会进一步完善。

（二）针对单个风险来源的控制建议

对于借债方、发债方以及外部环境导致的不良债权评估风险，评估机构很难进行控制。它需要由资产评估法律法规的完善，资本市场的深入发展以及行业理论与实践的进步共同推动。因此，相比而言，评估机构能控制的风险指标主要是估值方法风险（B2类风险）。

1.针对该风险，评估机构应制定具体标准，并加强评估人员胜任能力培训，减小由于胜任能力不足导致的主观判断与无形损失风险。对假设清算法、现金流偿债法、交易案例对比法等方法进行实操培训，重点关注不良债权评估中该方法的适用前提与注意事项，并进行培训后考核，督查评估人员学习情况，更好地提升评估人员执业水平。

2.当采用多元回归方法时，应该增强内部结构管理，尽可能收集被评估企业全面且有效的数据，分析其实际偿债能力及违约损失率；对于数值转换时发生的操作性风险，评估机构应派人复核，减小因操作失误导致的价值偏离；在案例搜集阶段，评估机构应尽可能多的收集相关案例，并合理利用历史案例，剔除极端值与非正常值。