1.引言

四大资产管理公司2005年主导着价值两万亿的金融不好的资产的买卖市场。依据2006年6月的数据，国内四大资产管理公司已经处置了11 692亿元的金融不好的资产,但至2008年5月，国内包含国有商业银行、股份制银行、城市商业银行、农村商业银行及外资银行在内的银行业不好的资产总额仍存有1.2万亿元。

现在，中国对金融不好的资产的处置方法，主要有本息清收、诉讼追偿、破产清算、债网站权重组、债权出售等。其中，在债权出售处置中，对于很多的金额较小的债权，在不少状况下是批量打包进行处置的。

国内金融不好的资产评估中的特殊性是，评估对象很难鉴别、评估依据资料不完整和评估程序遭到较多的限制。

现在，批量打包供应的金融不好的资产的价值剖析,尚没形成成熟的理论和经验。金融不好的资产包，一般是很多的债权，同时也涉及企业股权与实物等。其特征是包内涉及的债务人户数不少，银行及有关机构所学会的有关债务人的信息又较少，大多不拥有履行正常资产评估程序的条件。通常情况下，不好的资产包是在尽职调查的基础上进行价值剖析，但在这种剖析工作中，主观原因有哪些用途总是可能过大，从而致使价值剖析的结果偏离客观的价值。为了降低主观臆测产生的差错率，大家觉得，可以考虑应用运筹学决策剖析原理及数理统计技术，打造数学模型，进行资产包科学适当的价值剖析。这是大家的一个尝试。下面，大家将结合实例对金融不好的资产包价值剖析数学模型的应用进行说明。

2．金融不好的资产包价值的剖析模型

为了剖析金融不好的资产包的价值，需要打造金融不好的资产包价值剖析模型。该模型由三个模块组成，即输入模块、剖析计算模块和输出模块。如图1所示。

2.1 输入模块

输入模块有指标数值确定和数据采集系统两个程序组成。

● 确定模块的指标数值

影响金融不好的资产收购价值的原因不少，包含：社会环境与还贷意愿、当地的经济环境、债权买卖市场的状况、债权形态、抵押状况、担保状况、债务企业及债务责任关联方的性质、行业特征、剥离时的资产情况、债务企业的资产、负债状况及债务企业的信誉状况、债务企业将来进步前景预测、借款时间、借款金额、借款作用与功效、还款来源、逾期时间、银行贷款形态、诉讼前景和诉讼结果实行前景等。大家依据对现在金融不好的资产评估的研究成就和国内金融不好的资产的特点，并考虑所需要信息资料的可获得性，圈定影响原因的范围，构成输入模块初步的指标体系，见表1。依据指标体系，大家将进行数据采集。

2.2 剖析计算模块。

剖析计算模块是金融不好的资产包价值剖析模型的核心。它由3个子模块组成。

● 数据分类处置模块

因为该指标体系中既存在定性指标，又存在定量指标，这就需要在正式运算前对指标进行分类。

● 特点变量选择模块

本模块的功能是在数据分类处置模块中，运用多元统计剖析中的因子剖析法，选择若干个具备代表性的、敏锐且特点性强的变量作为特点变量。

● 价值剖析模块

依据运筹学的决策剖析原理，通过辨别剖析数据分类处置模块的样本数据与特点变量选择模块确定的样本数据，进行金融不好的资产收购率的预测。

2.3 输出模块

综合辨别函数计算出每一债权的收购概率，确定债权包的综合收购率，并将计算结果按指定格式输出。

3. 金融不好的资产包价值剖析模型的打造

3.1 数据的处置

有关资料存在着靠谱性和有效性的问题，需要进行酌情处置。

如贷款本金、表内外利息和孳生利息占本金的比率、贷款时间三个变量的数据的处置办法，是对其取以10为底的对数。

还款记录、剥离形态、经济与地理地区、债务企业性质、债务企业经营情况等定性变量，大家采取对样本不同特点的频率分布进行描述性统计。在此基础上对有关影响原因（特点变量）进行单原因方差剖析，分类认识样本的分布特点。依据不相同种类别资产的收购率之间是不是存在着显著差异，进一步进行数字化处置。

3.2 打造模型实例中债务企业经营情况的数字化处置

本模型打造实例中，采集了国内287家企业金融不好的贷款案例作为样本。这类样本涉及每个行业、区域和各种特质的借款人。经过挖掘与研究，数据集中包括了影响偿债能力和反映借款人信用情况的海量原因。这类企业中的大部分处于半关停、关停和破产情况，只有42家企业（占全部样本的14.63%）保持正常经营。伴随大多数企业经营情况的不断恶化，贷款收购率势必会逐步减低，但对于正常经营的企业，贷款收购率是非常高的，能达到39%。表2为不同状况企业收购率的单原因方差剖析的结果，该结果表明，经营情况变量的不同状况对收购率会产生显著影响。

经以上剖析，大家将债务企业分为破产、关停、半关停和正常经营四类情况，在数字化处置时分别设定为1，2，3，4。

3.2.1应用因子剖析法打造剖析指标体系

● 因子剖析法介绍

在大家设定的各类指标体系中，可以发现指标间常常拥有肯定的有关性，从而促进大家期望用较少的依旧能反映原体系全部基本信息的指标来代替原来较多的指标，于是就产生了主成分剖析法、对应剖析法、典型有关剖析法和因子剖析法等各类以较少指标替代原体系中较多指标的办法。本次建模中，大家选择采取因子剖析法对体系中的变量进行筛选，以达到浓缩变量数目，但又可以保证信息量损失达到最少的目的。具体过程如下：

使用SPSS统计剖析软件，求出因子载荷矩阵A。依据载荷矩阵A，打造起新的指标数目更为浓缩的指标体系。其工作步骤如图2所示。（见文末图2）

● 剖析过程

对样本做必要的数据处置之后，经过SPSS软件计算后得到上述12项指标的有关系数矩阵（见文末表3）。由矩阵看到某些指标间高度有关。通过计算巴氏的球形检验统计量的数值（342.527）并借助正态分布的可加性和林德贝格――勒维定理将巴氏球形检验，据此进行有关度检验。结果表明指标体系存在着系统变异，有必要进行因子剖析。为了尽量不丢失信息，使用探索性因子剖析的主轴法，得到因子载荷矩阵。然后进行因子剖析，得出共性因子结构模型。假如不可以一清二楚地看出其表征含义，则需要对因子载荷矩阵进行方差最大正交旋转。使用Kaiser1958年提出的最大方差之正交旋转法（Varimax）将因子4次旋转后，得到旋转后的因子载荷矩阵（表4）。

表4中金融不好的资产有关指标的统计剖析结果，可以得到以下信息：如因企业大多存在还款记录，公因子f1与X3呈正有关，载荷系数为0.873；因样本中贷款时间都较短，所以f1与X4呈负有关，载荷系数为-0.363；因样本中贷款本金较少,载荷系数为-0.525；债务企业经营情况、有无保证人、保证人经营情况载荷系数分别为0.562、0.878与0.647， 载荷系数的变化与金融不好的资产收购率的变化一致。

而f2、f3两个因子，与不好的资产收购率的变化方向一致性较差，故确定f1为“收购因子”，f2、f3则抛弃。

通过以上的因子剖析，大家可以得出金融不好的资产打包价值剖析中6个有关性较强的指标，即贷款本金数额X1、还款记录X3、贷款时间长度X4、债务企业经营情况X9、有无保证人X10与保证人经营情况X11。

3.2.2 应用辨别剖析法建模

● 辨别剖析办法的选择

辨别剖析（Discriminant Analysis）是一种依据变量观测,判断研究样本分类的统计剖析办法。辨别剖析法是在一个p维空间R中，确定样本点X，应该是哪一个Gj总体。

进行辨别剖析时，一般是依据已学会的一批分类明确的样品，打造辨别函数和分类规则，然后将待分类的样品的实测值代入该函数，求出其函数值，并据此作出判断。

辨别函数可用下式表示：

D=a0+a1X1+a2X2+…+apXp， j=1,…k

其中，j是组编号，D是辨别得分，ai是辨别系数，Xi是预测变量。

辨别剖析有多类型型，其中常见的有距离辨别、Bayes辨别和Fisher辨别。距离辨别是基于样品到总体间的距离所进行的辨别。这种辨别较为直观，适应面广。距离辨别的缺点是不考虑各总体的分布和由错判导致的问题。而在Bayes辨别中，当两个总体都是正态分布，而在其协方差相同时，可导出一个线性辨别式。Fisher辨别借助方差剖析导出一种线性辨别函数，从而解决了距离辨别和Bayes辨别存在的缺点。本文使用Fisher辨别确定各样本点的预测类别归属。

● 建模过程

1.对金融不好的债权有无可能收购进行辨别

第一，对金融不好的债权是不是有收购可能打造辨别模型，这是一个两总体的辨别模型，马上样本分为有收购和无收购两种情形。借助这个模型第一筛选出预期零收购的债权。

2.对金融不好的债权能否全部收购进行辨别

这同样也是一个两总体的辨别模型，马上样本分为100％本金收购和非100％本金收购两种情形。

3.一般债权收购状况辨别

在进行上述两种情形的辨别之后，大家对收购率在0-100％之间的状况进行建模。第一将收购率区间分成10组，每一组作为辨别剖析的一个总体，再用SPSS统计剖析系统进行变量有关性剖析，打造一系列辨别规则，最后确定辨别函数。

大家仍以这287家样本企业为基础，演绎建模过程。

第一对债权收购状况进行特殊与一般性的辨别，其中，有23家为零收购的债权，9家为100%本金收购债权，剩余255家为一般性债权，故将这255家一般性债权纳入到辨别剖析范围内。

第二，依据因子剖析法得到的指标体系，即贷款本金数额X1、还款记录X2、贷款时间长度X3、债务企业经营情况X4、有无保证人X5、保证人经营情况X6，作为辨别剖析的预测变量，在对255家样本企业指标进行数据化处置后，作为预测变量样本值。

第三，采取Fisher辨别打造辨别规则，进行辨别剖析后得到了10组辨别系数：

最后，依据显示的非标准化辨别方程系数，得到辨别函数为：

D=-24.435+7.528X1+0.200X2+…+2.287X6

D=-25.479+7.013X1-0.784X2+…+3.201X6

…

D=-35.390+4.927X1-0.204X2+…+4.144X6

● 收购率计算

将所评估不好的资产包中的新样本代入每个辨别函数就可得到相应的辨别得分D，然后计算样本落在各组的概率。即：Pj=exp)/Σkj=1exp)

大家可以用每组的平均值或中间值来表示该组内的平均收购率。用上述辨别剖析得到的辨别概率对各组平均收购率进行加权平均，就得到最后的收购率。

在此基础上计算所评估不好的资产包的综合收购率。即：

Y=∑YiLi/L

其中，Y为综合收购率，L为全部债权金额，Yi为单户债权收购率，Li为单户债权金额。

4.结语

运用运筹学决策剖析和辨别原理，剖析确定金融不好的债权资产包，尤其是对于产权关系复杂的信用债权资产包和无抵（质）押的担保债权资产包的收购价值，相对比专家判断法或买卖案例比较法而言更为科学和严谨，且节省本钱。

但在运用这一办法时，需要看重历史案例的数目及其数据的真实性和靠谱性，找到足够多的公开市场买卖样本。某些样本的获得是比较困难的。如探寻类似所评估不好的资产种类的买卖样本、债务企业经营情况指标等，都是较难获得的。

以上只是作者应用运筹学原理和数理统计技术进行打包供应的金融不好的资产价值剖析的一个尝试。在理论上，金融不好的资产包的价值剖析还可以运用非常多种其它的剖析渠道，如混沌理论应用等。但无论使用哪种办法，现在都还不可以达到十分完美的程度，需要大家以后作出进一步的努力。