信用评级有效性及信用评级模型改进研究——以商业银行为例

□ 陈灼辉

一、引言

2019年5月24日，中国人民银行公告称对包商银行进行接管，监管部门经过摸查后决定对包商银行已发行的普通债券和同业存单实施部分兑付，对包商银行已发行的二级资本债全额减记；2020年11月12日，包商银行进入破产程序，包商银行成为新中国成立以来第三家破产的商业银行，对比前两家破产的海南发展银行（破产时间：1998年）和河北省肃宁县尚村农信社（破产时间：2012年），包商银行（2010年被《亚洲银行家》杂志评为亚洲银行第10名）无论从资产规模、经营范围和市场影响均远远大于前两家银行，信用风险对商业银行的长期稳定发展带来了挑战。

在包商银行被接管前，大公国际资信评估有限公司对包商银行的信用评级已长期维持在AA+级，根据大公国际资信评估有限公司在其网站上公告的《信用等级符号及定义》中对信用等级符号的划分：AA+级是仅次于AAA级的最高评级，代表“偿还债务的能力很强，受不利经济环境的影响不大，违约风险很低”，包商银行被接管的事件发生以后引起了投资者对商业银行信用风险的重新认识和对信用评级机构的不满，部分投资者对信用评级机构从业人员的职业素质和专业能力提出了质疑，而信用评级作为投资者度量投资标的信用风险的一个重要参考工具，当信用评级无法较为准确地反映信用风险时，投资成效也容易出现偏差。投资者为了避免信用风险下沉必然会在投资前逐笔审查、在投资时谨慎开展，这也会造成整个债券市场低效率地运转，不能更好地为企业提供直接融资的功能，因此提高信用评级的质量才能减少投资者对信息不对称的担忧，进一步促进债券市场壮大发展。

二、文献综述

现有与信用评级相关的研究主要分成三类。第一类是信用计量方法和信用模型的研究：冯光华（2019）通过从预测企业违约概率、数据获取要求、使用的条件限制和使用的可操作性等方面对打分卡模型、KMV模型、CreditMetrics模型共14个常用的信用风险计量方法或模型进行比较，认为使用打分卡模型开展信用评级的方法易理解，结果易解释，适用性最好；郝帅、林青和刘艳（2020）认为打分卡模型的优点在于直观和简单易行，可以充分利用难以量化的定性信息，有利于保障信用分析的灵活性、全面性和前瞻性，但缺点在于对专家自身业务素质要求较高，结果具有一定主观性和随意性；另外，张文玲、卢田和崔婉婷（2020）在对比国内外信用评级机构的商业银行评级框架，发现所关注的要素总体相似，只在二级指标的选择和权重稍有不同，而国外机构较大的区别是标普首先分析商业银行所在国家的风险情况，商业银行在此基础上再进行个体的分析调整，穆迪是着重考量银行所处的环境、财务情况和外部支持，惠誉主要考量银行自身的存活能力和外部支持。第二类是研究信用评级机构的行为影响信用评级矩阵变化：金兵兵（2019）认为信用评级机构基于市场竞争的原因，在开展信用评级之前会对受评机构进行指导，从而提高信用评级；胡轩华（2020）通过统计得到信用评级机构更加偏向于基于自身信用模型下可得到的最高评级作为受评机构的信用评级；Poon W P H and Shen J F（2020）更是发现当受评机构发生负面情况时，信用评级机构通过把展望从“稳定”调整至“负面”，而不是直接下调信用评级；孙勇和赵洪进（2018）认同以上的观点并且发现我国信用评级市场普遍使用的“发行人付费模式”更是助推这一现象的发生；而刘士达和王浩（2021）总结了以上情况，最终发现信用评级矩阵不断上移，债券市场中的信用评级以可得的最高评级AAA级为主。第三类是研究使用信用评级优化投资行为：王维维和宋颖杰（2021）认为当前的信用评级缺少区分度，导致信用风险预警能力不强，通过对不同信用评级之间进行横纵向的对比，提高信用评级的质量才能更好地为投资者提供参考信息；Arnaud De Servigny andOlivier Renault（2005）认为模仿经过检验的信用评级机构信用评级模型建立的内部信用评级系统，能够更精确地评估信用质量和捕捉价格偏离的交易机会，使用内部信用评级模型投资者可能捉捕到价格偏离的机会；Adam Ashcraft et al.（2011）认为信用评级变化不仅影响当前证券的市场收益率，还可以反映信用评级未来变化的方向，当债券的收益率在持续上行可能代表信用评级仍会下降。

以上文献的研究大多数是从单一角度围绕信用评级开展论述，缺少针对商业银行主体信用评级模型这一细分方向进行研究，把信用评级的研究与应用相结合，通过信用风险识别指导债券投资的全过程，突出信用评级的核心作用；而信用评级机构和部分投资机构虽然对商业银行主体信用评级模型有专门的研究，但评级模型和评级有效性并不对外公布。因此，本文针对商业银行主体信用评级这一细分方向出发，以模型研究为起点，以市场应用为终点，从投资者的角度把评级模型和应用场景关联起来，一方面是希望通过跟踪信用评级变化可以及时发现债券价值，赚取超额收益；另一方面是同一商业银行不同的信用评级机构可能得到不一样的信用评级，使用内部信用评级可以不再受限制地计量投资组合的信用风险。

三、信用评级的市场现状

（一）债券市场信用评级矩阵结构

发行债券（含同业存单，下同）是商业银行的一个重要负债来源，但银行间债券市场中的商业银行债券无论从数量上还是余额上均存在分布结构不合理的状态。

从表1可以发现：一是信用评级矩阵分布的层级过窄，信用评级层级都只有9层，过窄的信用评级层级使得难以区分不同商业银行信用风险的差别；二是信用评级为AAA级的商业银行所发行的债券不管在数量上还是在余额上均占了最大的一部分，由于信息不对称的担忧使得AAA级的商业银行出现“赢家通吃”的现象，债券市场仍然不是一个有效的市场；三是债券市场呈现出信用评级为AAA级的投资资产扎堆而其它信用评级的投资资产难以发行的情况，不同的信用评级出现畸形分布，当前信用评级的分布层级并不合理。

表1 2020年末商业银行债券信用评级分布

（二）信用评级信用区分能力不足

目前，商业银行在银行间债券市场中所发行债券的信用评级大部分都是AAA级，投资者面对同样是AAA级的商业银行难以直观的区分同信用评级商业银行真正的信用风险。无论是大型国有银行、股份制银行、部分的城市商业银行和农村商业银行的信用评级都是AAA级，但是相同时间和相同信用评级的商业银行在发行同一期限的同业存单时，发行的票面利率差异却非常大（表2）；另外，因为信用评级采取的都是“发行人付费模式”，信用评级机构之间存在较大的竞争关系，信用评级机构往往在提供信用评级服务时附带信用咨询服务，信用评级机构偏向于在信用评级模型中采用最高评级作为商业银行最终的信用评级，从而使得信用评级为AAA级的商业银行数量占比偏高，部分投资者为了控制信用风险只能在实际的投资中选择信用评级为AAA级的商业银行所发行的商业银行债和同业存单作为投资范围。

表2 同业存单发行情况差异

资料来源：Wind。

（三）信用评级机构开展信用评级的结构

2021年3月末，5家信用评级机构基于2019年的经营情况对333家商业银行首次开展所得到的信用评级（表3）呈现出偏高和不均衡的现象：即高信用评级商业银行的数量较为集中、低信用评级商业银行的数量较少，信用评级的层级过窄。在信用评级机构开展信用评级的过程中，评级机构的信用评级策略是长期保持保守，各家信用评级机构对同一商业银行的信用评级基本保持不变，当发生评级变化时大多数是以上调为主；当发生负面情况时，信用评级机构也通过把展望从“稳定”调整至“负面”，协调发行人尽快扭转不利情况而不是下调信用评级，而信用评级市场的“发行人付费模式”更是助推了这一现象，使得信用评级机构整体的信用评级矩阵不断上移。

表3 国内商业银行信用评级分布

（四）信用评级机构主动提高信用评级

对于同一商业银行在多个信用评级机构开展信用评级，通常来说各个信用评级机构对同一商业银行所评定的信用评级基本一致，但实际上允许不同的信用评级机构对同一商业银行得到不同的信用评级。对存在多个不同信用评级的商业银行进行统计，东方金诚国际信用评估有限公司所评定的信用评级较其他4家信用评级机构所评定的信用评级出现调高的次数较多（表4），可能存在虚高的现象。

表4 信用评级调高次数比较

从当前信用评级的市场现状来看，虽然信用评级在债券市场具有重要的作用，但是仍存在部分问题，包括高评级过于集中、评级的矩阵较窄、相同评级但市场认可度差异较大和个别信用评级机构信用评级质量有待商榷；另外，中国人民银行公布的《关于促进债券市场信用评级行业健康发展的通知》中提出“投资者应当完善内部评级等风险控制体系建设”。本文参考已有信用评级机构信用评级模型，建立一个具体且可模仿的信用评级模型，所得到的信用评级在一定程度上改善以上所述的问题。

四、信用评级模型构建

（一）国内信用评级机构评级方法对比

通过把评级结果可以在银行行间债券市场使用的6家信用评级机构对商业银行的评级方法进行比较，6家信用评级机构均是采用打分卡模型对各个商业银行进行信用评级，综合考虑了定性分析中的运营环境、公司治理、业务运营、风险管理、外部支持和财务分析共六大要素，总体来看评级逻辑和评级方法上的差异较小，但所采用的评价指标和评分权重略有不同，造成同一商业银行在不同的信用评级机构所得到的主体信用评级并不相同。

从表5可以看出，各个信用评级机构的评级方法趋同，在定性分析中所关注的要素较为相似，在定量分析中采用的均是能够反映商业银行经营情况的各项指标，而中诚信国际信用评级有限责任公司使用的个性化指标较多，中债资信评估有限责任公司使用的指标种类最广。

表5 6家信用评级机构的商业银行评级方法对比

数据来源：各家信用评级机构在网站所公布的评级方法（截至2021年3月）。

以上评级方法虽然能够反映商业银行整体的信用风险，但是未能量化商业银行的信用风险，同时因列出的指标较多，未有突出重点的风险指标，评级方法对于评级模型构建的指导性较弱。因此本文在信用评级模型的构建上以定量分析为主，减少定性分析对信用评级的影响，同时使用重点风险指标作为评分指标，使得信用评级能够反映商业银行信用风险情况。

（一）评分指标的筛选

由于商业银行的定量分析指标数量较多，对不同的评价指标逐个进行分组和对比需要大量的人工参与，在这过程中具有一定的主观性，因此采用最优化变量分组法，将组间方差最小化，将最大化单变量的IV值作为优化目标来分组进行计算，其中约束条件包含每个组需要有合格次数和不合格次数、最大分组数、WOE单调性约束等，最后通过IV值衡量变量组的有效性。

其中Bi表示样本中商业银行的某个指标判定为无效，Gi表示样本中商业银行的某个指标判定为有效，BT和GT分别表示所有商业银行该指标的无效次数和所有商业银行该指标的有效次数。

第i组下的WOEi，量化了某个指标所代表的信用风险。WOEi越大，表示商业银行的信用风险越高；WOEi越小，表示商业银行的信用风险越低。

WOE通过数据具体量化了单一指标所代表的信用风险，但未能量化所有评价指标的情况，因此需要引入IV值（Information Value），IV值本质上是对WOE的加权，IV值越高的指标，其有效性更强，从而建立多组备选子集，对于同种类型的指标，根据其衡量商业银行信用风险的重要性进行筛选，从而得到选定的评分指标组合。

（二）模型指标和权重

确定商业银行信用评级模型的评分权重，需要通过不断地拟合尽可能的做到信用评级能够较为准确的反映商业银行的信用风险，对于一个n层、每层指标数分别为 的结构来说，要保证每一个子级中的所有权重之和为1，因此其内部共存在个约束条件。系数矩阵的秩等于变量个数减去约束条件个数，即而上一步求出来的变量数也为方程存在唯一解，这个唯一解就是各级指标的权重，从而得到各级指标的最终权重。

另外为了有效克服宏观经济波动所造成的影响，同时结合商业银行的行业特点，信用评级模型从使用一个一级指标调整为两个一级指标，把所有评分指标按照“经营规模”和“经营质量”进行分类分别进行评分：对“经营规模”进行分类是因为资产负债总额较大的商业银行往往是经营覆盖范围更广、社会公众认可度更高的商业银行，该类商业银行的资产分布更均衡，受宏观经济周期波动影响的幅度更小；对“经营质量”进行分类是因为商业银行的资产质量和盈利能力通常是呈现负相关性的，即商业银行的风险偏好越高，利润收入越好，但可能实质承担的信用风险也越高，同时其他监管指标也会有所下滑。因此，通过对采用的评分指标按照“经营规模”和“经营质量”分类后进行评分评级，可以较为全面的反映商业银行真实的信用风险情况：一方面是资产负债规模越大的机构受经济周期或突发情况的影响幅度更小；另一方面是商业银行的经营成果最终反映在利润科目可以提高资本水平，资本水平越高代表偿债能力越强，同时资本水平越高的商业银行可以经营的资产总额越多，经营利润也会越高。“经营规模”和“经营质量”分别反映了商业银行在日常经营中的“大”和“美”两个方面，只有两者兼具的商业银行才能给予更高的信用评级。

表6 商业银行信用评级模型指标和权重

（三）阈值设置

确定商业银行信用评级模型的评分指标后，结合银行业整体的财务数据和监管指标（表7、表8）对同一组的评分指标进行有序排序，降低最大值区间和最小值区间的敏感度，使得阈值区间能够合理的分布。

表7 2019年末全国商业银行资产负债情况

表8 近三年商业银行主要监管指标情况

对于资产总额指标，因国内银行的规模分化较大，大中小型银行的数量呈现出金字塔型的分布，因此在阈值设置时需要考虑增加平均数以下的区间段。所有商业银行的资产总额平均数为987.98亿元，该数值从银行的数量上来看已处于所有商业银行的前50%以上，因此把该平均数设置在55分至60分这一区间；而所有农村金融机构的资产总额平均数为163.80亿元，因此把该分段设置在0分至55分的中间分段，即30分至35分这一区间。

对于商业银行主要监管指标，该类指标是所有商业银行的加权指标，大型银行对该公布的指标影

（四）评级映射

为了与国内信用评级机构的信用评级进行横向对比，本文信用评级按照《中国人民银行信用评级管理指导意见》中对信用评级符号划分分为三等九级，每一个信用等级用“+”“-”符号进行微调，表示略高或略低于本等级，但不包括AAA+。

使用本文信用评级模型进行评分评级的流程：

1.收集各个商业银行的三级指标；

2.结合阈值区间分布情况，使用插值法对各个三级指标进行评分；

3.通过评分权重对各个三级指标的分数重新加权计算，得出一级指标的评分；

4.根据一级指标的评分得到对应分级（表10）；

表10 一级指标对应分级

[35,40） [35,40） BB[30,35） [30,35） BB-[25,30） [25,30） B+[20,25） [20,25） B[15,20） [15,20） B-[10,15） [10,15） CCC+[5,10） [5,10） CCC[0,5） [0,5） CCC-[-10,0） [-10,0） CC+[-20,-10） [-20,-10） CC[-30,-20） [-30,-20） CC-[-40,-30） [-40,-30） C+[-50,-40） [-50,-40） C[-90,-50） [-87.5,-50） C-

5.通过评级映射矩阵（表11）的映射关系得到信用评级。响较大，同时部分商业银行经营目标是满足监管要求即可，因此该类指标按照监管要求进行排列，监管指标的最低值应处于中间分段（即50分至55分这一区间），然后根据每年商业银行各项具体指标和数量的结构平均排列分布，使得能够合理区分各家商业银行的经营质量。

表11 评级映射矩阵

通过收集333家商业银行在2019年经营情况中的各个评分指标进行排列，对11个评分指标分成22个区间（表9），通过较为有效合理的区间分布分别进行评分；对于其它商业银行未有公开相关数据的，需要通过其他渠道获取评分指标进行评分评级，验证阈值设置的合理性和有效性。

表9 阈值区间分布情况单位：亿元，%

五、信用评级有效性检验

（一）信用区分

商业银行在我国的经济运行中处于较为重要的位置，监管部门制定了较为全面和完善的监管政策引导商业银行的日常经营，通过现场检查或者非现场检查的方式持续监督商业银行的经营情况，帮助商业银行长期稳定的发展。由于我国商业银行债券违约的次数非常少，无法对信用评级模型的违约率进行可量化的检验，因此本文对2家已出现风险的商业银行和1家市场上认为信用评级虚高的商业银行开展信用评级进行验证，通过对比信用评级机构对这3家商业银行的信用评级，检验本文模型的信用评级是否有效区分商业银行的信用风险，这3家商业银行分别是恒丰银行、锦州银行和大连银行。

表12 信用模型评级结果

资料来源：Wind。

从以上信用评级结果可以发现，使用本文模型得到的信用评级均低于其他信用评级机构的信用评级，以上3家商业银行的信用评级比信用评级机构的信用评级平均低了6个子级；其中锦州银行的评分指标较差，全年经营的净利润为负数，关注贷款率达到15.40%，本文模型的信用评级为BBB-级，与信用评级机构得到的信用评级为AAA级差异较大。

通过以上信用评级的对比，本文模型的信用评级在一定程度上具有区分商业银行信用风险的效果，所得到的信用评级也更加匹配该符号所代表的信用风险，能够下调部分弱资质和伪资质商业银行信用评级的信用评级。

（二）评级分布

使用本文模型对333家商业银行基于2019年的评分指标得到的信用评级，同时对比5家信用评级机构的信用评级可以发现：本文模型的信用评级主要分布在A+级、BBB+级和BBB级，5家信用评级机构的信用评级主要分布在AAA级、AA级和AA-级，本文模型的信用评级比5家信用评级机构的信用评级平均低了3.21个子级，本文模型得到的信用层级分布较为合理（表13），呈现正态分布的曲线变化；另外，本文模型得到的信用评级也更加符合正常企业经营的实际情况及其信用符号所代表的意义，依照《中国人民银行信用评级管理指导意见》中信用评级符号的含义：A级代表偿还债务能力较强、违约风险较低，BBB级代表偿还债务能力一般、违约风险一般。

表13 商业银行信用评级的分布对比

通过使用本文模型得到的信用评级和5家信用评级机构的信用评级进行对比，可以发现中小型商业银行的信用评级下降幅度更大（表14），主要是因为本文模型把评分指标分成“经营规模”和“经营质量”分别进行评分分级，两个一级指标之间互不影响。对于经营情况较好的中小型商业银行，虽然该部分商业银行的“经营质量”分级较高但对提高信用评级的影响有限，本文模型在评级映射中的设置更加追求商业银行能够在“经营规模”和“经营质量”两个方面均衡发展，只有两者兼优的商业银行才能给予更高的信用评级，而中小型商业银行受“经营规模”的限制，只能逐渐提高信用评级，而不会因“经营质量”的波动导致信用评级出现较大的变化，使得信用评级矩阵更加稳定。

表14 不同商业银行信用评级下降情况

（三）市场验证

使用本文模型对333家商业银行基于2019年的评分指标得到的信用评级，通过市场真实情况验证不同信用评级的债券利率与期限相若的国债利率（无风险利率）之间是否存在合理的利率差（信用风险溢价）。

通常来说，信用评级越低、剩余期限越长、有利于发行人条款越多的债券利率与国债之间的利率差就越大；为了验证本文模型的有效性，对债券市场中不同信用评级商业银行的同业存单利率与期限相若的国债利率相减，可以发现使用本文模型得到信用评级越高的商业银行，其同业存单利率与期限相若的国债利率之间的利率差越小（表15），本文模型的信用评级得到市场的验证。

表15 不同信用评级同业存单的信用利差比较

六、总结

通过分析债券市场中信用评级存在的现象和信用评级机构的信用评级方法，信用评级机构在主观上存在为了争夺市场份额主动提高受评商业银行的信用评级使得AAA级商业银行数量过多使得整个信用评级矩阵分布极不合理，个别信用评级机构甚至虚高信用评级；在客观上存在信用评级层级过窄和评级模型受经济波动影响较大，以上原因导致了当前债券市场信用评级的信服力不足，而包商银行的破产更是揭露了信用评级的有效性失效的情况。

为了改进以上情况，特别是在目前监管部门对要求信用评级行业提升评级质量和区分度的情况下，信用评级机构必须加强信用评级质量，为未来信用评级行业的转型提前做好准备，而信用评级质量的源头来自于信用评级模型。本文通过对信用评级模型的改进提出了建议，从一个一级指标增加至两个一级指标，降低了信用评级矩阵受宏观经济波动的影响，构建新的信用评级模型来验证对信用评级模型改进建议的科学性。

有效的信用评级模型首先是能够较为准确的反映商业银行信用风险，然后建立具有多个信用层级使得不同商业银行之间可以进行信用风险的横向对比，最后在市场投资中协助投资者发现债券的价值变化；信用评级机构需要提高信用评级的质量来增强公信力，也为未来市场化转型提前做好准备。