【摘 要】 隨著我國利率市場化的不斷推進，商業銀行的競爭環境發生變化，如何有效地對商業銀行進行風險防控，實現商業銀行在大環境下的穩定持續發展是非常重要的。文章以2016—2019年20家商業銀行為研究樣本，運用因子分析法進行降維，利用特征值計算指標權重，通過加權因子值構造風險指數，以8個評價要素為輸入，風險指數為輸出，建立了8×15×1的BP神經網絡商業銀行風險評估與分析模型，通過對原始樣本和測試樣本進行網絡訓練和仿真測試，結果表明所構建的BP神經網絡能很好地進行風險評估，更重要的是加入“彈性分析”可以進行商業銀行風險的影響要素分析。實證分析結果表明：商業銀行的流動性、資本充足和不良貸款性指標對風險影響較大，且流動性和資本充足等指標的變動與風險指數呈反向變化，不良貸款率等與風險指數呈正向變化。

　　【關鍵詞】 商業銀行; 風險評估; BP神經網絡; 因子分析法; 彈性分析

　　一、引言

　　在利率市場化的不斷推進下，商業銀行面臨的經營環境、業務種類以及競爭環境等都發生了較大的改變。商業銀行之間的競爭加劇，從宏觀和微觀層面均加大了商業銀行風險管理的難度，要使其在社會經濟迅速發展的大環境下獲得穩定持續發展，必須高度重視風險評估、防控和管理。商業銀行績效評價一直都是學界與業界比較重要的研究課題，風險防控作為績效管理的重要組成部分，關于風險的評估研究也成為了當前研究的重要內容。目前關于商業銀行績效評價經常利用單一指標測度商業銀行績效，如凈資產收益率(ROE)、總資產收益率(ROA)、經濟增加值(EVA)以及不良貸款率等，還有少部分文獻利用平衡計分法以及模糊綜合評價法進行指標測度。因為2020年財政部公布的《商業銀行績效評價辦法》(財金〔2020〕124號)中的指標數據獲取有限，各部分指標之間很難互相代替，因此計劃從比較受市場關注、指標較全的風險防控方面進行分析研究，就商業銀行風險測度方法和評價要素進行研究。在方法研究中利用BP神經網絡具有仿真多個變量間非線性復雜影響關系的特點，在此基礎上加入“彈性分析”概念，用來分析原始評價要素變動對商業銀行風險的影響。用因子分析法優化評價要素、確定因子權重并計算網絡輸出層變量，用BP神經網絡建立評價要素對風險影響分析的非線性系統，以便學界和業界應用。

　　二、商業銀行風險測度相關研究

　　在商業銀行的風險研究中主要有兩種測度方法，一種是選用單一變量，如不良貸款率、資本充足率、資產收益率波動以及預期違約概率等;另一種是構建指數或評級體系的方法，如z-score指數。尹莉婭[1]和謝太峰等[2]在相關因素與商業銀行風險的關系時，選用不良貸款率和風險加權資產比重作為商業銀行風險的代理變量;韓雍等[3]在研究中利用資產收益率和權益資本對總資產的比率計算出Z-Score值衡量銀行風險承擔;谷慎等[4]選用銀行破產風險(RISKZ)以及部分經營風險、杠桿風險、資本充足率和資產收益率波動值來共同測度商業銀行風險;張晉等[5]在測度商業銀行風險管理能力時，選用了基于駱駝評價體系(CAMELS)建立的指標體系;程小慶等[6]利用分數回歸的CoVaR方法計算商業銀行的系統風險，在計算中運用了收益率、波動率、期限利差以及流動利差等指標;徐紅芬等[7]運用熵值法和層次分析法對信用風險、流動性風險、資本充足以及盈利能力等方面的指標構建風險評估體系。關于BP神經網絡在績效評價體系的應用，不少學者進行了有益的探索，取得了不少成果。如吳苓[8]通過對BP網絡模型的改進加快了傳統算法的運算速度，收斂效果達到了要求，運算結果符合實際情況;李曉峰等[9]在對我國商業銀行信用風險問題進行研究時，構建了商業銀行信用評估體系，并利用BP神經網絡模型進行實證分析，按照指定的判定標準給出了商業銀行信用評價等級。

　　關于商業銀行風險的測度，大多數學者會采用單一指標測度的方法，一部分學者通過選取商業銀行多方面的指標計算綜合風險值，在利用多指標構建評價體系時采用模糊綜合評價法和層次分析法的較多。本文計劃在建立商業銀行風險評估體系時，借鑒新的風險防控相關指標，以便更權威或全面地進行商業銀行風險評估。在分析中，首先通過因子分析法對原始評價指標進行優化、提煉，利用加權公因子得分值構建風險指數，然后以風險評價指標為輸入，以風險指數為輸出，構建BP神經網絡建立風險評估模型，最后在BP神經網絡模型的基礎上設計“彈性分析”的輸入，分析各評價要素的變化對風險的影響方向與程度。

　　三、基于BP神經網絡技術的商業銀行風險評估與分析模型構建

　　(一)研究指標的選擇

　　在風險評估的指標選取過程中，為了避免評價系統的片面性與不規范性，盡量采用權威的、多角度的數據，以便得到更科學的評價指標。在《商業銀行績效評價辦法》中給出的風險防控指標，包括不良貸款率、資本充足率、不良貸款增速、撥備覆蓋率以及流動性比例。由于數據獲取有限，因此本文在新標準給出的風險防控指標的基礎上，除不良貸款增速外，補充了一級資本充足率、核心一級資本充足率、正常貸款遷徙率以及流動覆蓋率等，以便更全面地進行商業銀行風險評估。

　　(二)基于因子分析法的BP神經網絡中輸出值(風險指數)的計算

　　在BP神經網絡中，輸入、輸出值的獲取是很關鍵的，本研究的輸入變量為所選取的評價指標，而輸出變量需要利用因子分析法構造風險指數。借用SPSS軟件，通過因子分析法得到各公因子的特征值，本文利用旋轉后的各公因子歸一化后的特征值作為權重，利用公式1計算評價指標權重，利用公式2加權計算風險指數。

　　其中，λi為旋轉后第i個因子的特征值，wi為第i個評價因子的權重，i=1，2，..，k。

　　其中，fi為評價指標的因子值，i=1，2，...，n。

　　推薦閱讀：銀行高級職稱學術成果要求