时间:2023-07-18 09:37:01
引言:寻求写作上的突破?我们特意为您精选了4篇商业银行风险分类范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。
笔者在《新巴塞尔资本协议》对银行风险分类的基础上,结合我国的特殊情况,探讨适合我国国情的商业银行新的风险分类方法。我按照引发银行风险的直接原因,把商业银行风险划分为三种:
环境风险。商业银行风险产生的客观经济环境包括宏观和微观两个方面。从宏观角度来看,一个国家的宏观经济条件、宏观经济政策以及金融监管等在很大程度上决定着该国商业银行风险的大小;从微观角度来看,市场竞争等环境因素也影响了商业银行风险的大小。利率和汇率等市场变量的变化又进一步加剧了商业银行的风险。对于这类风险,商业银行无法彻底规避,只能通过金融创新等手段尽量减少不利的经营环境产生的影响。
主体风险。指商业银行作为一个经营货币的特殊企业,自身在经营管理等方面存在的风险。主要包括:流动性风险、资本风险、操作风险、经济风险和管理风险。
客体风险。指由于公众对银行的信心以及与商业银行有直接业务联系的企业、部门或个人出现风险而给商业银行带来的不可避免的风险。
我认为这样分类有以下优点:
一、新的风险分类法不仅重视信用风险、市场风险和流动性风险,而且重视结算风险、操作风险和法律风险等更全面的风险因素;不仅将可能的资金损失视为风险,还将商业银行自身的声誉和人才的损失也视为风险,使得商业银行在风险管理上不再存有任何管理的“死角”。
二、针对我国商业银行受环境影响程度远远大于西方发达国家商业银行的特殊情况,把环境风险提高到与主体风险和客体风险同样重要的地位,同时把经济体制风险、行政干预风险等列入到环境风险中去,使风险分类更加准确、全面。
作为风险管理的基础工作,商业银行需要对其面临风险的来源、性质、演化及可能造成的后果进行认识。其中,对各种风险根据一定的标准进行分类可以将零散的各种风险联系起来,认识其中的主要矛盾。一种恰当的分类可以充分认识风险的特质,以便对各种风险进行有针对性的管理。同对风险的认识一样,风险的分类也是一个变化的过程,其实质是风险分类标准的不断更新,这种更新是由商业银行经营环境的不断变化、对风险认识的不断深化而决定的。有别于传统的风险分类,本文提出一种新的风险分类框架,并在这个框架下研究如何完善我国商业银行的风险管理。
一、一种新的风险分类框架
商业银行风险的成因一方面来自所处的客观经济环境,另一方面来自于商业银行的主观因素以及与银行发生业务关系的企业和公众的客观因素。因此,按照引发银行风险的直接原因,本文把银行风险划分为环境风险、主体风险和客体风险。
(一)环境风险
商业银行风险产生的客观经济环境包括宏观和微观两个方面。具体包括国家经济金融政策风险、经济体制风险、货币风险、行政干预风险、金融法律法规风险、利率风险、国际收支风险、社会信用环境风险和银行间竞争风险等。
(二)主体风险
主体风险是指商业银行作为一个经营货币的特殊企业,自身在经营管理等方面存在的风险。它主要包括资本风险、流动性风险、经营风险、管理风险和操作风险等方面。
(三)客体风险
商业银行的客体风险是指由于公众对银行的信心以及与商业银行有直接业务联系的企业、部门或个人由于自身的风险而给银行带来的不可避免的风险。它主要包括公众对银行的信心、借款企业的经营效益、借款企业所处行业风险、借款人保证风险、借款企业资本状况风险和借款企业所处行业的景气程度等因素。
二、新的风险分类框架下商业银行风险管理的现状分析
新的风险分类为分析我国商业银行当前面临的风险提供了一个框架,可以使我们能以一种新的视角来考察我国商业银行的风险管理现状。
(一)环境风险管理现状
1.宏观经济环境。宏观经济环境不断反映着经济周期的特定发展阶段,不断影响各种企业的经营环境。当前,我国的宏观经济环境有着下面的特点:
一是我国经济发展越来越受到国际经济的影响,在与世界经济接轨的过程中,国际经济的不确定性开始影响本国经济,中国经济将越来越受到世界经济周期的影响,包括国际金融市场。加入WTO五年过渡期很快就要过去,国际金融机构将大举进入我国市场,金融风险的产生条件、形成机理和表现特征将更加复杂,有可能由内生转变为一种内外互动条件下的高成长性风险。
二是我国经济发展中不确定因素增多。我国产权制度、企业经营体制都在发生着深刻变革,企业生命周期、发展前景中不确定因素增多。由于市场调节功能还不充分,经济发展的粗放式特征比较突出,国民经济结构的不科学、不合理,部分行业发展不规范、不健康,投资的快速增长与低水平重复建设并行发展。从2003年开始,固定资产投资规模不断扩大,钢铁、水泥、铝业、房地产行业的明显过热,其中银行贷款起了推波助澜的作用。历史经验表明,投资过热常常伴随着信贷过热,而一旦市场需求发生变化,经济形势发生逆转,大量的信贷投放往往就要形成大量的不良资产。
在信用环境方面,由于我国产权制度改革和建设起步不久,市场信誉机制还没有充分发挥作用,法制环境还不健全,社会信用体系尚未建立,社会上坑蒙拐骗、失信赖账的现象时有发生,金融诈骗、借款人逃债现象屡有发生。外部信用制度的缺失,再加上信息的不对称,商业银行很难审慎地分析借款人的真实信用水平,这往往导致了商业银行缺乏以自主风险分析为基础的“从众”行为:从政府项目贷款、上市公司融资、房地产金融到支持民营经济,乃至居民消费贷款,都体现为一哄而上的情形,而最终由于屡屡发生的借款人逃废债务问题,使得银行迅速膨胀起来的资产转化为不良资产。
2.金融市场环境。商业银行所处的金融市场可以说是最直接影响银行的环境,一个健全的金融市场可以有效化解商业银行面临的风险。作为一个发展中国家,我国经济发展具有“追赶型经济”的特点,其目标是经济高速、稳定增长和产业结构高级化,背景是市场机制不健全和信息的严重不对称。在发展的初期阶段,选择银行主导型而不是市场主导型的金融体制具有一定的客观必然性,但这种必然性之后却隐含着金融市场的很多不确定性因素。
在我国,首先,金融市场发展严重不均衡,间接融资比例过高,融资结构过于单一;直接融资的发展速度一直较慢,与我国经济的发展速度始终不相称。其中,股权融资曾在2000年时达到了最高峰,比重占到了整个融资总额的12.6%,之后便一直呈现下降趋势。而在间接融资中的银行贷款却一直在大规模高速扩张。影响金融稳定的一个重要指标,就是整个社会融资结构过分依赖银行。2001、2002、2003年银行贷款占企业贷款的比重分别为75.9%、80.2%和81%,2004年超过90%,远高于发达国家金融市场融资格局中间接融资只占40%以下的比率。这种融资结构使得企业融资严重依赖以银行贷款为主的间接融资,而原本可以通过直接融资领域化解和分散的信用风险却过度向商业银行集中。
其次,我国的金融市场缺乏独立的企业和个人信用评价体系,使得社会信用环境没有得到制度上的净化,信用风险向商业银行过度积累及风险管理难度加大的情况下,仅仅依靠商业银行自身对风险的管理水平和管理能力来控制全社会90%以上的信用风险,对银行来说应是勉为其难的。随着经济发展转轨过程的加快,商业银行所面临信用风险管理的难度和复杂性也不断加大。
(二)主体风险管理现状
中图分类号:F830.51
文献标识码:A
文章编号:1003-5192(2009)04-0057-05
1 引言
商业银行作为国民经济的总枢纽和金融信贷中心,发挥着融通资金、引导资产流向和调节社会供需平衡等诸多不可替代的作用。然而商业银行在营运过程中面临着各种各样的风险,包括系统风险和非系统风险,其中在非系统风险中信用风险占有特殊的重要地位。世界银行对全球银行业危机的研究表明,导致银行破产的最常见原因就是信用风险。信用风险又称违约风险,是指借款人、证券发行人或交易对方因种种原因,不愿或无力履行合同条件而构成违约,致使银行,投资者或交易对方遭受损失的可能性[1]。信用风险是商业银行信贷风险管理中一项基础性的工作,其目的在于分析银行在贷款业务中可能面临的信用风险――借款人如期履行特定债务的能力与意愿,从而为贷款决策提供依据。
信用评估方法在不断演进,大致经历了定性分析、统计分析和人工智能三个发展阶段,最初它只是通过信贷分析员阅读申请表并决定是否放贷,但是这一方法主观因素太强,必然存在误判的可能性。统计方法主要是判别分析(DA)[2],判别分析是分类预测的主要研究范畴之一[3],但是判别分析在操作上的一个缺点是其基本假设很容易被打乱。另外,模型只能在已被通过的贷款样本中进行估计,因此存在参数估计的样本偏差。随着信用行业的发展以及贷款组合种类的不断增加,信用评估的准确率哪怕只提高零点几个百分点,都会带来巨大的效益,因此,人们积极探索开发更加准确的信用评估模型,先后就非参数统计模型、人工智能等方法在信用评估方面的应用进行了尝试[4],尤其是最近几年中己经开发出来包括分类树[5]、神经网络[6]以及多元判别法分析[7]等在内的多种方法。但是,这些方法都存在一些缺点,即不能量化解释指标的重要程度,在分类树分析中没有参数,而在神经网络中则没有参数解释,用于信用风险评估具有一定的片面性。同时,神经网络的训练是在黑箱中进行的,这种运算摒弃许多行业经验和专家经验,具有一定的盲目性,人们不能对之进行干预。神经网络适合于对数量指标的分析,而忽略对影响因素中的定性指标的分析,显然是不合理的、片面的。而且用神经网络来评价经济问题时,很难说明神经网络训练后,各网络参数和阀值的经济含义,使得模型缺乏说服性。
研究表明组合分类器的分类精度一般比单个分类器的分类精度高,但是神经网络集成[8]在信用评分中的应用结果表明,神经网络集成的分类精度不如单个神经网络。因为神经网络分类建立在大样本的基础上,而目前银行所保存的数据样本量有限,用集成神经网络分类则必须把所收集的样本分割成多个子样本,从而减少了单个神经网络的训练样本数,进而影响了其分类精度。基于此,许多学者在支持向量机[9~11]的基础上又发展了基于小样本学习的支持向量基集成[12~14],许多领域都用此方法来改善分类精度,应用结果表明支持向量机集成的分类精度至少和单个支持向量机的分类精度一样好。但是目前的研究普遍是基于最多投票原则的集成方法,该方法没有考虑子支持向量机分类器的输出重要性。
长期以来信用风险评估一直被看作是模式识别中的一类分类问题,依据的信用风险衡量标准是贷款企业“违约与否”,利用的是模型与方法的分类功能,形成信用风险的分类评估模式,这种做法被称为“粗暴的经验主义方法”。分类评估模式所反映的有限的经济信息并不能充分满足信贷风险决策的需要,转变评估模式的关键在于确立更为有效、客观的信用风险衡量标准和评估预测模型, 而实施贷款风险的五级分类体系可以提高分类准确性,本文建立基于模糊积分的支持向量机集成方法,该方法考虑了各子分类器的分类结果和各子分类器判决对最终决策的重要程度,并对商业银行信用风险进行五级分类,以某商业银行的实际数据进行实证研究,评估结果表明该评价方法具有科学、简洁、预测精度高等特点,而且模型的结构与方法应用前景广阔。
2 基于模糊积分SVMs集成的模型构建
2.1 Bagging个体生成
Bagging[15]的基础是可重复采样(Bootstrap Sampling)。在该方法中,各支持向量分类器的训练集由原始训练集中随机抽取若干示例组成。训练集的规模通常与原始训练集相当,训练例允许重复选取。这样,原始训练集中某些示例可能在新的训练集中出现多次,而另一些示例可能一次也不出现。Bagging方法通过重新选取训练集增加了分类器集成的差异度,从而提高了泛化能力。
3 模糊密度的确定方法
由模糊积分的定义可知,确定描述各个子支持向量分类器重要性的模糊密度值是基于模糊积分的多分类器集成的关键所在。本文使用混淆矩阵来确定各个支持向量分类器的模糊密度值。
在子支持向量分类器训练完毕后,用子分类器各自的训练集对各个子分类器进行测试得到各自的混淆矩阵。
假定一个K类分类问题,对于子分类器SVCk,其混淆矩阵可以定义为
通过混淆矩阵可以得到各个支持向量机的模糊密度,为利用模糊积分进行支持向量机集成奠定了基础。
4 五类别问题实证分析
4.1 试验过程
仿真实验在Libsvm软件的基础上进行,采用Visual C++编译实现。验证平台为256MB内存的AMD Athlon 1800+,操作系统为Windows 2000。支持向量机集成流程如图1所示。
实验过程如下:
第1步 使用Bagging方法从原始训练集中产生各个子支持向量分类器的训练集,对各子支持向量分类器进行训练;
第2步 给出各训练完毕的子支持向量分类器的五级分类的概率输出模型[17];
第3步 根据第3节中介绍的方法确定模糊密度{g({SVMi,}),k=1,…,c},以此来表示各子支持向量机SVMi,i=1,…,m在各自训练样本上执行好坏的概率密度;
第4步 当给定一个测试样本,得到各子支持向量分类器对该测试样本的类概率输出;第5步 对于ωk,k=1,…,c,根据2.2计算模糊积分ek,集成各子支持向量机;
4.2 指标体系的建立
商业银行面临的信用风险主要与贷款企业本身的信用状况有关,另外还与银行自身贷款分布和行业集中度等因素有关,具体可分为贷款企业风险、商业银行风险、宏观经济风险和其他风险因素。
综合考虑信用风险的各影响因素,依据指标选择原则,借鉴我国财政部统计评价司的企业绩效评价指标体系和中国工商银行企业资信评估指标体系,并参考国内外有关文献,兼顾我国信用风险的特殊性和数据的可获得性,最终确定以下16个指标(图2)用作商业银行信用风险评估。
图2 信用风险评估指标体系
4.3 样本的获取
本文的数据来源于中国工商银行哈尔滨某分行,在采集数据时,注重样本自身的行业特征,不同行业的企业经营环境和业务范围差距很大,企业的各项财务指标和非财务指标也不具有可比性,而且又缺乏必要的行业标准和经验值,因此模型中选用同一行业短期贷款的样本数据来避开这一问题。采集的数据检索条件如下:
(1)样本行业范围:制造业;
(2)贷款种类:短期贷款(一年及一年以内);
(3)贷款发放日期:1998年1月1日至1月31日;
(4)贷款余额截止日:2001年8月13日;
(5)贷款金额:贷款实际发放金额;
(6)贷款余额:截止2001年8月13日确定为损失的贷款余额;
(7)贷款形态:贷款目前所处的形态;
(8)企业全称及代码:识别企业的唯一标识码;
(9)报表日期与报表:1997年12月31日的企业资产负债表和损益表;
(10)经过收集、整理共获取176个样本,涉及贷款额50多亿元人民币。
4.4 样本数据处理
首先对样本进行稳健性处理,选用两倍、三倍标准差检验法进行异常数据剔除,最终获得157个样本数据。将样本集划分为训练样本集和测试样本集,随机抽取35%(56家)作为训练样本集,用于构造SVMs集成模型,其余的65%(101家)作为测试样本集,用于检验模型的泛化能力。以风险为依据,按银行所承受的风险大小来划分贷款质量的分类法,即通常所说的将贷款分为正常、关注、次级、可疑、损失五类的“五级分类法”(表1)。原始数据中,关于原始数据的实际信用等级,该商业银行是按贷款损失占贷款总额的比率来进行统计的。本文采用的是用贷款损失/贷款总额来确定贷款划分的类型,因此不可能完全按照中国人民银行规定的贷款五级分类法的标准,具有一定的预测性,但是,同样,对贷款风险也有较好的指导作用。
在因子分析之前还需要进行巴特利特球体检验和KMO测度,测试结果显示有必要对模型输入指标进行因子分析。本文采用主成分分析法求解初始因子,依据特征值准则(取特征值大于等于1的主成分作为初始因子),因子个数应该确定为4,根据碎石检验准则(Scree Test Criterion)也得到同样的结论,而此时因子累计解释方差的比例可以达到74%以上,保留了原有数据的主要经济信息,并且各因子经济含义较为明确,表明因子个数的确定较为适宜。由于在因子负载矩阵中,相对于0.3的负载而言,变量的方差能够被该因子解释的部分不足10%,所以对于绝对值小于0.3的负载一般可以不予解释,各因子的经济含义较为明确,而且因子与指标间的内在联系比较显著,各因子依次可以归结为营运能力因子、偿债能力因子、盈利能力因子和贷款方式因子。
4.5 实证结果分析
依据表1,按银行所承受的风险大小来划分贷款质量,将贷款分为正常、关注、次级、可疑、损失五类,再将分类结果和实际的分类进行比较,判断分类的正确性,以此对信用风险模型进行评价。
本文采用一对一策略来实现多类别分类,训练出9个SVMs。各子支持向量分类器使用RBF核函数,每个SVM通过10重交叉验证的方法来选择相应的参数,本文进行了10次实验,并将本文提出的模糊积分支持向量机集成方法在五级分类上的执行效果与单一SVM和基于最多投票原则的SVMs集成等的执行效果进行比较,图3为平均执行效果比较,从左到右依次是:(1)神经网络集成;(2)单一模糊神经网络,(3)单一SVM,(4)基于最多投票SVMs集成,(5)基于模糊积分的SVMs集成。由图3可知,基于模糊积分的SVMs集成的分类正确率为87.10%,基于最多投票的SVMs集成的分类正确率为85.17%,单一SVM的正确率为84.524%,模糊神经网络的分类正确率为82.59%,神经网络集成的分类正确率为81.72%。
应用结果表明,基于模糊积分SVMs集成比单个SVM、基于最多投票的SVMs集成和单个模糊神经网络的分类效果好,而单个模糊神经网络的分类正确率比神经网络集成的分类正确率高。支持向量机集成的分类精度最高,可能是因为银行目前所保存的样本量有限,支持向量机适合小样本训练,而神经网络训练则需要大样本支持,在有限的样本中重复抽样,会减少样本量,这样就会降低神经网络的训练精度,从而进一步证明了支持向量机对于小样本训练的优势;并且模糊积分在进行多分类器决策融合的时候综合考虑了各子分类器的分类结果和各子分类器判决对最终决策的重要程度的缘故,证实了本文提出的方法的准确性和有效性。
5 结束语
本文提出了一个基于模糊积分的支持向量机集成方法。该方法最主要的优点是它不仅组合各个分类结果,而且考虑不同SVMs分类器的相对重要性。将此方法应用于商业银行信用风险评估,模拟结果表明该方法比单个SVM、基于最多投票的SVMs集成方法、神经网络和神经网络集成的效率高,效果好。说明基于模糊积分的SVMs集成的商业银行信用风险评价是可行和有效的。进一步研究的方向是设定更加合理的模糊密度和用其它方法(如加速法)来构建SVMs。
参 考 文 献:
[1]丁欣.国外信用风险评估方法的发展现状[J].湖南大学学报(社会科学版),2002,16(3):140 142.
[2]Jackson P, Perraudin W. Regulatory implications of credit risk modelling[J]. Journal of Banking and Finance, 2000, 24(1): 1 14.
[3]De Andres J, Linda M, Lorca P. Forecasting business profitability by using classification techniques: a comparative analysis based on a Spanish case[J]. European Journal of Operational Research, 2005, 167(2): 518 542.
[4]West D. Neural network credit searing models[J]. Computers & Operations Researeh, 2000, 27(4): 1131 1152.
[5]姜明辉,王欢,王雅林.分类树在个人信用评估中的应用[J].商业研究,2003,(12):15 19.
[6]Lee K C, Han I, Kwon Y. Hybrid neural network models for bankruptcy predictions[J]. Decision Support System, 1996, 18(1): 63 72.
[7]方洪全,曾勇.运用多元判别法评估企业信用风险的实例[J].预测,2004,23(2):6568.
[8]Tsai C F, Wu J W. Using neural network ensembles for bankruptcy prediction and credit scoring[J]. Expert Systems with Applications, 2008, 34(4): 2639 2649.
[9]Huang C L, Chen M C, Wang C J. Credit scoring with a data mining approach based on support vector machines[J]. Expert Systems with Applications, 2007,33(4): 847856.
[10]Xu Xiujuan, Zhou Chunguang, Wang Zhe. Credit scoring algorithm based on link analysis ranking with support vector machine[J]. Expert Systems with Applications, 2008, 36(2): 18.
[11]Crook J N, Edelman D B, Thomas L C. Recent developments in consumer credit risk assessment[J]. European Journal of Operational Research, 2007, 183(3): 1447 1465.
[12]Nanni L, Lumini A. MppS: an ensemble of support vector machine based on multiple physicochemical properties of amino acids[J]. Neurocomputing, 2006, 69(13): 1688 1690.
[13]Li Bo, Li Xinjun, Zhao Zhiyan. Novel algorithm for constructing support vector machine regression ensemble[J]. Journal of Systems Engineering and Electronics, 2006, 17(3): 541 545.
[14]Bertoni A, Folgieri R, Valentini G. Bio molecular cancer prediction with random subspace ensembles of support vector machines[J]. Neurocomputing, 2005, 63(6): 535 539.
[15]Breiman L. Bagging predictors[J]. Machine Learning, 1996, 24(2): 123 140.
中图分类号:F830.33
文献标识码:A
文章编号:1003-9031(2007)05-0079-03
一、“私贷公用”的两个案例
案例一:某化工有限公司为一民营企业,主要生产经营化工产品。由于生产需要流动资金,故向某商业银行申请流动资金贷款30万元。由于该公司不符合商业银行贷款条件,贷款申请被拒绝。公司法定代表人李某在以企业为主体申请贷款受阻后,为了达到变通申请贷款的目的,以公司总经理名义向商业银行申请个人消费贷款,开出工资证明为年薪50万元,同时又以该公司作为保证人进行担保。商业银行按照本行政策为李某进行个人授信后,李某顺利以个人名义贷款30万元,并将其用于企业生产经营。后来由于企业经营不善,当贷款到期后无法归还。商业银行向李某追讨未果,至法院后,发现李某无个人财产可供执行,在执行担保人财产时发现,该公司因经营不善,早已破产,无任何财产可供执行,最终该笔贷款成为一笔不良贷款。
案例二:某重点中学因建设急缺资金,学校以教师王某、张某、刘某等个人名义向某商业银行贷款,钱直接划到学校账户,用于学校工程建设,贷款利息均一直由学校给付。贷款到期后,教师均未归还。银行遂以王某、张某、刘某等人为被告至法院。法院依法作出了由被告王某、张某、刘某等人限期偿还银行借款判决。判决生效后,王某、张某、刘某等人仍未归还贷款,银行遂向法院提出执行申请。 执行中,教师们因自己是帮学校贷款却被执行而想不通,群体上访或罢课,最终因政府出面由财政拨款偿还贷款才得以解决。
上述案例是目前商业银行“私贷公用”现象造成风险的典型表现。“私贷公用”指的是单位员工以自己名义向金融机构贷款交于单位使用。“私贷公用”主要表现为:各类机关、学校职工以自己名义贷款用于本单位;企业负责人及员工以自己的名义贷款,并用于本企业使用的行为。如何识别“私贷公用”带来的风险并对其进行控制与防范是摆在商业银行面前的一个重要课题。
二、“私贷公用”产生的原因
“私贷公用”是在我国金融体制改革和深化过程中,一些单位或者企业到银行贷款不再容易的情况下而产生的一种现象。虽然这种现象无法定为违法,但是它掩盖了经济金融工作中的许多矛盾,扭曲了正常的经济信用关系,容易造成新的银行信用风险。如果及时偿还贷款,双方相安无事,还可以为商业银行带来一定的效益,然而一旦单位或者企业经营亏损或破产,不能归还贷款,该贷款就极容易成为银行的不良资产。“私贷公用”产生的主要原因如下。
1.商业银行规避信贷约束,开拓信贷业务的需要。目前金融市场竞争激烈,各金融机构为了抢夺市场,扩大信贷规模,纷纷开展各种创新业务。其中个人授信贷款是一种重要的金融产品。一些中小企业,大部分是民营企业,不仅经营效益良好,而且与银行往来很讲信用,只是由于处在起步发展阶段,受其经营规模、资金实力等指标影响,要按现行统一的企业评信标准,这部分企业达不到商业银行贷款的信用等级,不符合贷款条件,虽然事实上对其发放贷款是没有风险的。面对这些风险较低的贷款项目,部分商业银行为了开拓信贷业务,吸引更多潜在优质客户,从“创新”和需要出发,采取以企业所有人或职工个人授信借款来避开企业贷款的繁琐审批程序,希望既可以解决一些民营企业合理资金需求,又可以通过这种方式扩大信贷业务,在扶持企业壮大、培育优质企业的同时获取更多的利润收入。这是目前“私贷公用”产生的内在原因。
2.部分不合格借款主体筹集资金的渠道。金融机构在办理信贷业务时必须审查借款人是否符合法定条件,根据《贷款通则》等相关规定,借款人必须是经主管机关核准登记的企(事)业法人、其他经济组织、个体工商户和具有中国国籍的自然人,国家机关不得作为借款人。而在现实生活中,仍然有许多不合格的借款主体由于资金需求向银行申请贷款,在银行审批严格情况下,采取以单位职工自然人身份向银行申请贷款供单位使用的方法。前述案例中学校由于不是经营单位,根据担保法规定又不得以学校财产作为抵押,所以申请贷款困难,因此才以职工名义申请贷款(注:中华人民共和国担保法第三十七条规定:学校、幼儿园、医院等以公益为目的的事业单位、社会团体的教育设施、医疗卫生设施和其他社会公益设施。)。这是“私贷公用”现象产生的另一个重要原因。
三、“私贷公用”容易造成的金融风险
“私贷公用”类贷款的存在对发放此类贷款的商业银行乃至整个金融体系及社会稳定都容易造成巨大的金融风险。
1.“私贷公用”类贷款致使商业银行的贷款管理工作混乱。首先,由于此类贷款名义上不是企业贷款,贷款银行无权直接调阅企业的相关资料,对借款人的个人资金账户也没有办法进行监督,因此银行对真正使用借款企业的财务收支状况无法掌握,对其资产负债情况无法准确评价,从而无法掌握企业经营状况的好坏,无法作出相应的提前准备与措施。其次,由于借款人的个人财产可以自由处置,如果个人贷款用于企业使用后,又将个人财产进行处置,一旦无法归还贷款,银行将无法保证债权的实现。第三,形成复杂的法律纠纷关系,当贷款无法归还时,银行在时往往要同时企业和个人,增加诉讼成本和难度,而且胜诉后法院对此类案件难以执行,往往造成银行赢得官司而赢不到钱,导致贷款最终损失。[1]
2.部分不法经营者利用“私贷公用”类贷款骗取银行贷款。虽然商业银行本着扩大信贷规模、抢占市场份额的良好意愿来发放此类贷款,但一部分企业经营者利用商业银行急于扩大信贷业务而忽视信贷管理方面出现的问题,或者利用一些商业银行的信贷人员道德素质偏低,与其内外串通套取银行贷款。在实践中,一些银行信贷管理系统不健全,信贷员业务技能不熟悉,在信贷操作过程中,由于对相关的金融法律法规缺乏全面的了解和正确把握,没有能力对私贷公用类贷款的发放进行可行性论证,更无法对贷款投向等作出正确的判断和严格的把关。贷款发放后,也不能对贷款的运用进行有效的跟踪,从而导致贷款的损失。还有一部分信贷人员道德品质恶劣,不但不按信贷管理规章制度办事,发放关系贷款、人情贷款,甚至搞权钱交易,内外串通,明知一些企业经营者企图以个人名义或以职工名义贷款供企业使用却与其勾结,伪造贷款手续,导致部分不法经营者骗取银行贷款。
3.“私贷公用”给整个金融体系安全带来隐患。首先,容易导致金融部门统计数据失真。“私贷公用”的贷款反映在统计报表上是个体贷款,造成贷款数据统计不真实,掩盖了金融机构信贷资产的真实结构,给国家宏观经济决策提供了错误的信息。[2]其次,容易导致“银行信贷登记咨询系统”登录数据缺失。因为个人贷款不在银行信贷登记咨询系统中登录,所以,查询时系统不能准确提供企业贷款的真实情况,使信贷登记咨询系统部分功效丧失,从而导致其他银行为该企业发放贷款时贷前调查失真,给其他银行信贷资产埋下隐患。第三,由于部分民营企业经营者以企业职工名义向银行申请贷款,如果企业经营不善,贷款无法归还,将导致职工本人在人民银行个人征信系统中有不良记录,造成以后在社会生活中的种种不便,甚至会引发群体上访等影响正常社会生活秩序等现象出现。
四、防范“私贷公用”风险的对策建议
随着我国金融业对外全面开放以及国有商业银行的改革,我国的金融市场竞争将会更加激烈。各商业银行抢占市场份额的竞争仍然存在;对于信贷人员个体来讲,贷款业务的营销与也与其个人利益有着较密切的联系,在此情况下,“私贷公用”的现象还会以各种方式出现,因此必须采取必要的措施进行防范。现阶段,加强对“私贷公用”类贷款的管理,防范其可能带来的风险,可以从以下几个方面采取措施。
1.转变信贷经营观念,加大对中小企业贷款扶持力度。出现“私贷公用”类贷款的根本原因是由于部分商业银行信贷经营理念陈旧,民营中小企业以企业法人为主体贷款困难造成的。解决这一问题的关键是各商业银行的领导要切实解决思想认识问题,转变传统信贷经营管理模式,加强对中小企业的信贷支持力度,为完善小企业金融服务充分发挥主观能动性。改变在业务拓展工作中的制度教条主义,从过度依赖企业财务报表、依赖足额抵押担保以及依赖大客户的做法,转变为从实际出发,着眼未来,扶持具有潜力的中小企业。这样就大大减少中小企业经营者采取迂回手段以个人名义申请贷款供企业使用的客观需求,同时也可以给商业银行的经营带来新的利润增长点。
2.完善信贷内控制度,加强信贷队伍建设。针对已经发生的此类贷款事实,各商业银行应根据当前信贷管理工作的特点和要求,建立和制定关于此类贷款操作的办法,规避贷款操作风险。一是对此类贷款发放与管理的经验要加以总结,不断规范和完善信贷行为,尽量不发放此类贷款;如确有需要的可以以个人经营类贷款方式进行操作,坚决杜绝民营企业经营者以职工名义申请贷款的行为。二是要加强信贷人员政治思想教育和业务技能的培训,提高信贷人员素质,切断内外串通套取贷款的纽带。
3.完善信贷监控体系,扩大贷款监控范围。各商业银行还应对本行已发生的“私贷公用”的贷款进行彻底清理,对疑似已申请此类贷款的企业或个人进行监控,及时了解还款资金来源。对为借款人提供保证的企业要注意加强贷后监控,密切注意担保企业经营动向,在担保企业经营不善时迅速采取必要措施,防止因其恶意破产逃避担保责任。要注意法律的时效性,及时催收贷款本息,抵押担保不足值和手续不全、不规范的要重新全面落实。
4.同业联合,联手采取对策。对已经发生的恶意逃避债务行为和各商业银行因“私贷公用”产生不良贷款的案例,商业银行应及时向银行业监督管理机构和人民银行进行报告,制作黑名单及案例汇编,提示同业,联合本地区同业对相关企业及个人加以防范和制裁。