银行信用风险分析：框架与模型

摘要

银行业总体风险可控，部分银行风险暴露

近些年来，随着经济增速放缓，银行增量市场减小，存量竞争激烈，银行面临净息差收窄、信用风险持续暴露等经营压力，净利润增速也处于低位。在这样的情况下，监管部门不断要求银行加强风险管理、压实资产质量，银行业整体风险可控。尽管行业整体风险可控，但内部分化，部分银行面临的风险较大，其中中小银行尤为突出。

银行信用风险分析框架与模型示例

目前我国银行数量众多，大部分投资者不具备对每家银行进行深度调研分析的条件，因此我们致力于构建一种快速批量分析方法，先对大量银行进行初步风险排查。

分析框架：首先结合财务与非财务信息搭建量化模型，从量化角度进行客观评估；其次从定性角度引入专家参数，对于一些平时被资本市场研究较多的银行，以主观评价方式对评价结果进行调整，最后通过主客观评价相结合的方式得到综合评价结果。

基于前述框架的模型示例：我们基于前述思路搭建了一个简易信用风险评价模型，将260家样本银行按风险从低到高分为十档。我们在正文中对模型的指标选取、参数设定进行了详细解释，包括指标选取的维度和理由、指标数据情况，对不同指标间的权重分配也做了解释，并给出了一个引入专家参数的示例。

模型运行结果的有效性检验：基于模型的运行结果，我们进行了效果检验，发现模型能有效筛选出高风险银行，即我们所筛选出的后三档银行，其同业存单风险溢价明显高于其他银行。

模型的稳定性检验：通过改变权重分配方案，我们发现在不同方案下，模型所筛选出的高风险银行结果比较稳定，说明模型稳定性良好。

投资建议

本文提出了一个银行信用风险评价思路，并据此建立了一个简易的银行信用风险评价模型。模型运行的效果和稳定性均较好，可以有效筛选出高风险银行。投资者可以在我们模型的基础上按需扩展。

风险提示

指标设定、权重分配、数据误差等风险，宏观经济下行的风险

01

序言

近几年我国陆续发生一些银行风险事件甚至个别重大案件，给国家和市场主体造成较大损失。但这些风险事件的发生也意味着我国“银行信用幻觉”被打破，银行信用风险显性化，各方要以更为市场化的方式管理好银行风险，因此银行信用风险评价成为一项重要工作。目前我国银行数量众多，大部分投资者不具备对每家银行进行深度调研分析的条件，因此市场亟需一种快速的批量分析方法，先对大量银行进行初步风险排查。

由于银行信用风险的复杂性、隐蔽性，我们无法依靠简单的财务数据就能识别风险，而要兼顾更多的非财务指标，甚至是一些偏主观的“软信息”。因此，参考现行的各种银行综合评价体系，我们选取了部分和银行信用风险高度相关的指标，通过科学赋权，构建银行信用风险评价体系，并演示一个模型，以供投资者参考。

02

银行业总体风险可控，部分银行风险暴露

2.1 本文重点关注商业银行

目前我国银行业金融机构类型很多，为了方便研究，本文所称银行主要是指商业银行，包括大行、股份行、城商行、农商行、民营银行和外资银行。在分析过程中，用到的银行业数据口径可能有差别，但由于商业银行总资产占银行业金融机构的八成以上，因此误差可以容忍，方便起见，我们不再明确区分口径的差别。

一般公开发行过证券（包括股票、债券、同业存单等）的银行可以比较方便地获取其年报信息，不过也有少数银行未能按时披露年报。我们整理了260家披露年报的样本银行数据，后面将以这些银行为样本进行分析。

2.2 银行业总体风险可控

近些年来，随着经济增速放缓，银行增量市场减小，存量竞争激烈，经营压力增大。随着我国名义GDP增速放缓，银行业总资产增速中枢明显下移，近几年银行总资产增速基本在个位数水平。而在增量放缓的情况下，存量竞争日益激烈，银行面临净息差收窄、信用风险持续暴露等经营压力，净利润增速也处于低位。

近年来监管部门不断要求银行加强风险管理、压实资产质量，银行业整体风险可控。虽然当前银行业不良贷款率仍然处于高位，但考虑到确认力度增强，以及关注类贷款占比下降，我们认为当前银行资产质量风险比2015年前后的峰值水平已经降低。而经历过2015年前后的这样一轮压力测试后，我们可以判断当前银行业整体风险可控。此外，目前银行业拨备覆盖率为197%，整体而言仍然有一定缓冲空间。

2.3 部分银行风险较大，尤其是中小行

尽管行业整体风险可控，但内部分化，部分银行面临的风险较大，其中中小银行尤为突出。《2021年四季度央行金融机构评级结果》也显示中小银行风险相对较大，其中城商行有10%的机构为高风险机构，资产占全部城商行的3%；农合机构和村镇银行分别有9%、6%的机构为高风险机构，资产分别占本类型机构的5%、7%。

03

银行信用风险分析框架与模型示例

3.1 银行信用风险分析框架

由于中小银行数量众多，很难一家一家分析，因此我们从客观和主观两方面出发做出评估，将批量分析与个别银行分析相结合。我们的主要框架或者说思路是：首先从定量角度进行客观评估。我们建立公司治理、资产负债表、利润表、资产质量、盈利能力、信息披露和外部环境七个一级指标，在一级指标下面设立二级指标，以便从更加全面的角度对银行信用风险进行评价。在评估过程中通过横向对比来判断银行的表现，然后对各个指标做出评价，最后通过加权得到客观评价结果；二是从定性角度，引入专家参数，对于一些平时被资本市场研究程度较深的银行，以主观评价方式对评价结果进行调整，通过主客观评价相结合的方式得到综合评价结果。

模型中涉及到的指标、权重及专家参数均可按需调整，因此模型并非一成不变。此处我们按照过往经验，基于前述框架搭建了一个简易模型，我们以此简易模型对260家样本银行的风险情况进行评估，结果显示我们所搭建的简易模型效果良好，能有效筛选出高风险银行，且结果的稳定性也较好。

3.2 模型示例：指标维度及其情况介绍

■ 公司治理

我们在2020年1月发布的专题报告《中小银行风险：事前识别与事后处置》中，通过对包商银行、锦州银行的案例分析，发现有的风险可以通过财务分析识别，但有的风险是由公司治理问题引发，且后果更为严重，因此单纯通过财务分析难以完全识别。这是因为如果一家银行的公司治理存在问题，那么其财务数据可信度会大打折扣。考虑到这一点，我们将公司治理列为首要的一级指标。

公司治理的内涵很广，此处我们主要关注前十大股东情况，包括前十大股东中国企与政府持股比例、疑似壳公司的民企持股比例。从260家银行数据来看，大部分银行的前十大股东中，国企及政府持股比例不足50%，大量中小银行前十大股东中国资及政府持股比例不足10%。

当然，股东是民企并不一定代表风险，我们需要进一步观察样本银行的民企股东情况。对于民营企业，我们重点关注那些员工数量仅有个位数的企业，并称之为“疑似壳公司”。加入该指标主要是因为部分实控人会通过一些壳公司持有银行股权，比如原包商银行的股东中就有大量这样的公司。从260家银行数据来看，很少有银行的疑似壳公司持股比例超过20%。

需要指出的是，公司治理内涵丰富，我们此处仅通过两项指标评价公司治理风险，其中必然会有疏漏，尤其会遗漏一些难以量化的因素。比如新网银行的第二大股东四川银米科技有限责任公司的员工数量也显示为0，但其股东为小米集团背景，显然不是真正的壳公司。我们将通过后续的财务分析等数据丰富模型维度，并引入专家参数进行调整，来减少这种误差带来的影响，但在客观评价部分中不会直接对原始数据进行主观调整。

■ 资产负债表

资产负债表方面，我们通过五个指标进行评价：

（1）近三年资产存款增速剪刀差。资产扩张远超存款增长，说明其规模扩张冲动强而客户基础则与扩张意愿不匹配，隐含的风险较大。有225家银行披露了相关数据，其中大部分银行能较好地实现存款和资产增长的匹配。

（2）负债端存款占比。存款一般而言属于被动负债，稳定性相对好，且存款好往往意味着银行的客户基础也更好，经营能力强。对于那些负债端存款占比偏低的银行，隐含的风险较大。有228家银行披露了相关数据，其占比分布情况如下。

（3）贷存比。贷存比曾经是银保监会的监管指标，要求不能低于75%，但目前已经不作为硬性约束。贷存比越高的银行，其贷款更大程度上依赖其他主动负债，流动性管理压力越大。样本银行中有228家银行披露了相关数据，其中部分银行的贷存比超过90%甚至有个别银行超过100%，说明其存款压力大，但也有不少银行的贷存比低于75%，说明其资金充裕。

（4）前十大借款人集中度。前十大借款人合计贷款占银行总资本的比重，该指标越高，说明银行贷款投放越集中，分散程度不够，风险更大。样本银行中仅有69家银行披露了相关数据，我们将其列示，可以对银行贷款集中度的情况做到心中有数。

（5）核心一级资本充足率。银行资本监管主要有资本充足率、一级资本充足率和核心一级资本充足率三个指标，其中核心一级资本充足率的要求最高，也是应对风险的最后一道防线，因此我们主要观察该指标。权益投资者一般希望银行将核心一级资本充足率保持在适当水平，太高了是浪费资本，但对债权人而言则相反，银行的核心一级资本充足率越高，安全垫越厚。样本银行中有155家银行披露了相关数据，可以看到没有银行的核心一级资本充足率低于7.5%的监管最低标准，但有部分银行的核心一级资本充足率不足8.5%，资本压力较大。

■ 利润表

利润表方面我们重点关注负债成本。生息资产收益率不是我们关注的重点，主要是考虑到资产的收益率高低不能反映银行的风险情况，这是因为两点：一是在现行会计政策下，银行利息收入有些失真；二是收益率高的银行，其资产端风险未必就一定大，因为这还涉及到在风控上的资源投入，并不是把贷款简单投给大企业就可以高枕无忧，也不是把贷款投给小微企业就一定出很大风险，因此我们通过后面的资产质量指标评估资产端风险情况，而不再关注生息资产收益率情况。有228家银行披露了负债成本情况，其中大部分银行的负债成本在2.5%以内。

■ 资产质量

资产质量方面，我们通过五个指标进行评价：

（1）不良贷款率。不良贷款率是反映银行资产质量最直接的指标，有145家银行披露了不良贷款率情况，其中大部分银行的不良贷款率在2%以内。

（2）关注贷款率。关注类贷款的风险仅次于不良贷款，其占比反映了银行潜在的不良压力。有70家银行披露了该指标，其中大部分银行的关注贷款率在3%以内。

（3）逾期率。与不良贷款率、关注贷款率等数据相比，逾期率是一个相对而言更加客观的指标，也能较好地反映银行资产质量情况。有71家银行披露了该指标，其中大部分银行的逾期率在3%以内。

（4）不良/逾期。我们用该指标衡量银行对不良贷款的认定程度，该指标越高，意味着银行对不良贷款的认定越严格。有69家银行可以计算该指标，其中不少银行的不良/逾期超过100%，不良贷款认定非常严格。

（5）拨备覆盖率。拨备覆盖率本身不是资产质量的衡量指标，而是反映银行对不良贷款的拨备计提情况，该指标越高，意味着银行拨备计提越充分，应对未来资产质量不确定性冲击的能力越强。有145家银行披露了该指标，其中大部分银行的拨备覆盖率超过150%。

■ 盈利能力

（1）ROE。ROE是银行经营能力的综合反映，ROE越高，说明银行的竞争力越强。我们这里使用的是ROE(平均)，有235家银行披露的数据足以用来计算该指标，我们可以看到不同银行之间的盈利能力分化很大。

（2）ROA。ROE的高低受权益乘数影响，因此我们还观察ROA情况，在ROE相同的情况下，我们更喜欢ROA高而权益乘数低的银行。有229家银行的数据可以用来计算该指标，我们可以看到ROA的分化同样也很大，ROA超过0.9%就算是行业内比较优秀的银行了。

（3）期末权益乘数。从股东角度来看，过低的权益乘数可能意味着资本的浪费，但客观而言，在其他条件不变的情况下，权益乘数低意味着信用风险低，对债权人有利。有232家银行的数据可以用来计算该指标，我们可以看到大部分银行的权益乘数在11-15倍之间。

■ 信息披露情况

银行之间的信息披露程度差别较大，有些银行披露详细，有些银行尽管也披露定期报告，但信息有所缺失。从样本银行来看，资产质量指标是信息缺失的重灾区。按照经验，我们一般认为信息缺失越多，则银行的潜在风险越大，因此我们加入“信息披露”指标，从而在综合评价时对信息缺失较多的银行给予调整。

■ 外部环境

对全国性银行而言，宏观经济环境变化对其经营影响很大，对区域性银行而言，其经营则受区域经济发展影响。我们引入外部环境指标来评价银行经营环境，此处仅以银行所在省的三年平均GDP增速作一个简单评估。

3.3 参数设定与效果检验：模型能有效筛选出高风险银行

■ 权重分配

有了前述数据，我们可以进一步设定参数，对银行的信用风险进行评价。我们的思路是，首先将各个二级指标分档打分，然后按既定权重计算一级指标得分，再按既定权重计算最终得分，根据最终得分按风险从低到高分为十档。

我们所用权重如下表所示。我们给予公司治理较高的权重，主要是考虑到公司治理有瑕疵的银行，其财务数据可信度较低，因此公司治理重要性很高；我们给予信息披露较高的权重，相当于鼓励银行加强信息披露，这有利于更好地实现外部监督；我们给予资产质量较高的权重，是考虑到当前银行经营中面临的风险主要是资产质量风险。

不同投资者可能对权重设定有不同的观点，因此我们最后通过改变权重的方式测试了模型的稳定性，发现对于分档靠后的高风险银行而言，模型的筛选结果比较稳定。

■ 效果检验：模型能够较好地筛选出高风险银行

我们使用前述数据和权重，按照前述思路将样本银行分档完成后，通过计算不同档次的样本银行同业存单发行时较同期限国债收益率的风险溢价，来检验模型的有效性。

从结果来看，模型较好地将高风险银行筛选了出来——分类为后面几档的银行，其同业存单风险溢价平均来看明显提高，尤其是分类为第10档的银行，抬升最为明显。考虑到银行同业存单发行利率不仅受到信用风险影响，还受到不同发行时间的市场流动性情况、系统性风险情况以及市场短期失效等因素影响，因此这一结果已经相当不错。

我们基于2020年年报数据，对2021年5月份、2022年4月份和2021年5月-2022年4月发行的同业存单风险溢价进行了检验，效果同样较好。而且样本量增大之后，模型的有效性会体现地更加明显。

此外，从不同档银行的风险溢价最大值、最小值情况来看，其曲线结构与风险溢价平均值的表现接近。

3.4 稳定性检验：高风险银行筛选结果较为稳定

该模型的结果可能受权重分配影响，因此我们通过改变权重检验了模型的稳定性，结果显示权重分配对结果会有较大影响，但越是处于两端的银行，受影响越小。

处于后三档的银行，在不同权重下分档会有变动，但基本上仍在后面三档，且不同权重分配下后三档银行的风险溢价均明显更高，因此我们建议对风险评价结果处于后三档的银行给予特别关注。

3.5 可引入专家参数作为主观评价补充

我们在前文提及样本数据中有些数据是有误的，比如新网银行的第二大股东四川银米科技有限责任公司显示为疑似壳公司，但其股东为小米集团背景，显然不是真正的壳公司。我们并未在客观评价中对有误的数据进行调整，而是通过引入专家参数的方式，对不同指标中可能存在的误差进行统一调整。我们的思路是，通过前述模型得到一个客观评价结果，然后根据自己的研究经验给予一个主观评价结果，按既定权重将两者结合，给出一个综合评价结果。

作为一个简单的演示，我们此处将所有A股上市银行进行主观调整，这样做主要是考虑到这些银行信息披露更全面，受到的媒体、监管部门等关注也更多，其风险相对而言应该更低。数据显示调整后的模型评价效果与之前差别不大，只是稍微平滑一些。当然，相应的效果也会受到主客观评价权重分配的影响。不同投资者可能会对某家银行有不同的主观评价，可以按需调整相关参数。

04

投资建议（略）

近几年银行经营压力增大，虽然银行业总体风险可控，但中小银行风险较大。本文提出了一个银行信用风险评价思路，并据此建立了一个简易的银行信用风险评价模型，模型运行的效果和稳定性均较好，可以有效筛选出高风险银行，这些高风险银行的平均同业存单风险溢价明显更高。我们的模型只是在此框架下的一个具体方案，投资者可按需调整或扩展。

风险提示

我们对银行信用风险评价体系的搭建很大程度上受到主观研究经验的影响，我们从审慎角度出发，对于模型中用到的指标、权重设计等给出了合理理由，但仍然会存在我们未曾意识到的疏漏之处，且数据收集过程中也可能存在错漏，均可能对模型运行的结果和效果产生影响，请投资者注意相关风险。

若宏观经济大幅下行，可能从多方面影响银行业，比如经济下行时期货币政策宽松对净息差的负面影响、企业偿债能力超预期下降对银行资产质量的影响等。