1999 年，《巴塞爾新資本協議》首次提出應用於商業銀行信用風險計量的標準法和內部評級法，對各國產生了巨大影響，商業銀行信用風險管理一度成爲國內外經濟學界關注的焦點，然而十幾年過去了，我國信用風險管理並未達到理想的效果。根據銀監會監管統計數據，截至 2014 年末，商業銀行不良貸款餘額累計達 8,426 億元，不良貸款率1.25%,較年初增長 0.25 個百分點，整個銀行業信用風險居高不下，並且持續上升。
作爲商業銀行的主要風險，信用風險的管理有着特殊的地位。信用風險管理主要由信用風險的識別、評估（計量）、監測、報告與控制等環節構成。其中，信用風險的評估是基礎。特別是，在利率市場化背景下，對信用風險的準確評估和價值把握將成爲新形勢下商業銀行盈利的關鍵。
20 世紀 90 年代以來，信用風險評估技術日新月異，在傳統多元判別法、logit 模型等傳統信用評分法的基礎上，涌現出一批現代信用風險度量模型。典型的有以預期違約概率爲核心的 KMV 模型和基於VAR 理論的 Credit Metrics 模型。但其參數的初始化對歷史經驗數據有較高要求，而我國商業銀行的信用信息系統建設尚處於初級階段，數據積累十分有限且不易獲得，因此上述模型並未在我國得到廣泛應用。目前，隨着金融數學、信息技術和計算機網絡的蓬勃發展，以神經網絡爲首的數據挖掘技術被引入信用風險評估領域。大量研究顯示，神經網絡對數據的要求並不十分嚴格，同時也不必探究清楚被解釋變量與解釋變量之間準確的函數關係，這就與我國信用風險管理尚未成熟的現狀相契合；同時，神經網絡特有的非線性映射能力和較強的魯棒性使得模型預測準確快速，具有明顯優勢。
一、神經網絡法及其基本評價
90年代以來，全球範圍內計算機信息技術迅速發展，基於人工智能的智能計算技術爲商業銀行信用風險評估的研究開拓了一個全新的研究領域，而基於神經網絡的評估模型最具有代表性。神經網絡模型模擬生物神經系統，由大量神經元相互連接形成複雜非線性網絡，具有自我訓練、自主學習的能力。
在這類模型中，信用風險評估被視爲模式識別的分類問題，通過研究並提取違約企業和非違約企業的特徵變量，建立判別模型，並對其他企業進行分類預測。神經網絡是一項新型的非線性技術，對數據質量要求不高，也沒有嚴格的數據分佈假設，有着其他模型無法比擬的優點。
神經網絡，全稱爲人工神經網絡（Artificial Neural Network），從仿生學視角模擬人類大腦運作過程，通過模仿生物學中神經系統建立一個個神經元模型，通過類似神經細胞突觸互聯的拓撲連接方式，形成複雜宏大的動態網絡，能夠對輸入的數據進行信息處理。在衆多的神經網絡模型中，BP-神經網絡（誤差反向傳播）是目前理論最爲成熟、應用最爲廣泛的。下面以 BP 神經網絡爲例來介紹神經網絡的原理和運作機制。
BP 神經網絡爲採用反響傳播算法的多層前饋式神經網絡，可以實現輸入到輸出的任意非線性映射，其中，輸出量爲 0~1 的連續值，其結構如圖1 所示。（圖 1）
經過 10 多年的發展，神經網絡在我國商業銀行信用風險計量領域的應用已較爲成熟，神經網絡特有的非線性映射能力和較強的魯棒性使得模型預測準確快速，明顯優於傳統的線性判別方法，尤其是近幾年來引入遺傳算法和模糊理論等對神經網絡模型進行優化後，其預測效率和可操作性大大提高，具有極其廣闊的應用前景。但是，經過不斷測試，發現該模型還存在着一些缺陷。
神經網絡自身的缺陷限制了其在信用風險計量方面的應用。如神經網絡具有一定的片面性和盲目性，訓練是完全的黑箱操作，無法干預，許多專家經驗派不上用場；人們普遍認爲神經網絡是不可解釋的，用神經網絡來進行信用評級時，無法說明訓練後，各參數和閥值的經濟含義，不具有說服性。
二、神經網絡法文獻統計
通過對 1999~2015 年 20 餘篇相關文獻的進一步分析，我們發現相關作者的學科背景和文獻中數據來源具有一定規律。
（一）學科背景分析。通過進一步的數據蒐集和篩選，發現作者學科背景可考的文獻有 14 篇，大致分爲三類：經濟管理類、計算機科學類（包括計算機科學與技術、軟件工程、信息工程等）和數學類（包括計算數學和應用數學），統計結果如圖 2 所示。（圖 2）
其中，經濟管理類中有4人來自於數量經濟、信息經濟和技術經濟領域。分析表明，雖然商業銀行信用風險的計量一直是金融經濟和銀行管理的熱點，但是其用到的工具神經網絡是涉及神經科學、計算機科學、計算數學等多個領域的交叉學科，模型對信用風險計量的過程中涉及到大量的運算和訓練，需要操作者具有相當深厚的算法功底，並且對待解決問題本身要有比較全面的瞭解和很好的判斷，且對於Matlab計算工具的熟練運用和程序編寫以及對操作者提出了更高的要求。
這些領域相互結合並相互滲透，綜合素質較高的知識複合型人才更具優勢。
（二）數據來源分析。
文獻中明確提到所用數據來源的有18篇，其中從銀行取得業務數據資料或來自銀行數據庫的有11 篇，其他 7 篇則通過上市公司公開披露的財務報表或Wind 數據庫、證券之星等公開網站獲得數據，統計結果如圖 3 所示。（圖 3）
現階段，我國商業銀行內部信息披露機制不完全，進行信用風險計量的首要問題是很難獲得商業銀行企業客戶貸款相關資料數據。無論是在國內還是在國外，商業銀行的壞賬、違約數據都屬於商業機密，研究人員難以直接獲取實際違約公司的數據資料。因此，研究人員往往選取上市公司作爲研究對象，將其公開披露的財務數據作爲衡量指標，研究對象和選取指標類型的限制不具有全面性和代表性，會對神經網絡信用風險計量模型的應用產生不利影響。
三、神經網絡法文獻內容
目前，國內學者對神經網絡法的研究主要經歷了兩個階段：第一個階段是對神經網絡模型應用於信用風險計量的可行性和優越性進行驗證，主要集中在1999~2007 年之間，該階段重點驗證神經網絡的優勢，如處理非線性問題的能力強，具有較好的非線性映射能力，同時具有較強的魯棒性，容錯能力和泛化能力較高；第二個階段是對現有的神經網絡模型進行優化和改進，從 2004 年發展至今，尤以 2009 年之後的研究最爲突出，逐步引入遺傳算法、模糊理論、粒子羣算法、證據理論等對神經網絡學習過程及結果處理進行優化，從而提高模型的運算速度和預測精度。目前，文獻內容主要集中在以下兩個方面：
（一）神經網絡法可行性和優越性分析。王春峯、萬海暉、張維（1999） 以國內某商業銀行的 90 多家企業客戶短期貸款數據爲基礎，以主因子分析法得到 5 項財務比率，分別建立了前向三層 BP 神經網絡模型和傳統線性判別模型來度量該商業銀行信用風險，運行結果顯示，幾乎從所有的方面來看，神經網絡都優於判別分析法。同時，由於神經網絡模型的非線性映射能力、容錯能力、泛化能力較強，在商業銀行信用風險計量領域具有廣泛前景。
但也存在一些缺陷，如網絡結構不固定，訓練的複雜性和缺少解釋能力。
章忠志、符林、唐煥文（2003）以大連市 36 家企業的財務數據和來自銀行的企業信貸資料爲基礎，將企業分爲違約（無法按時償還貸款）和正常兩類，選取5個財務指標作爲輸入量，建立BP三層神經網絡模型計量商業銀行信用風險，訓練和預測結果較好，從測試結果看，判斷準確率高達90%以上，說明了神經網絡模型具有較好的特徵抽取和知識發現能力。
陳誠高（2006）在碩士畢業論文中提出了按行業分類，對不同行業分別建立信用風險的神經網絡模型。將企業細分爲工業企業、商貿企業、建築安裝企業、公共事業等行業類別，以工業企業爲例，再具體劃分爲大中型工業企業和小型工業企業兩種評估模式，在每種模式下分別初始化和訓練，結果顯示，評估的可接受率高達85%以上，遠遠高於傳統信用風險評估方法，說明以其較高準確性，基於神經網絡的商業銀行信用風險計量模型可以在貸款決策中發揮重大作用。
李萌和陳柳欽（2007）對以BP神經網絡技術計量商業銀行信用風險時模型的隱含層個數進行了討論。他們選取某商業銀行 218 家公司客戶，用未按時償還貸款的比率區分信用風險高低，對46 個指標進行主成分分析簡化爲 12 個，分別建立單隱層 BP 神經網絡模型和雙隱層BP 神經網絡模型，結果顯示雙隱層模型誤判比率並未低於單隱層模型，同時還需要更多的運行時間，從而證實了 LippmanRP 於 1987 年提出的定理“與一個隱含層相比，用兩個隱含層的網絡訓練並無助於提高小規模網絡預測的準確率”.同時，他們還發現單隱層模型預測準確率是63.6%,雖然有一定的自我學習、調整和風險識別能力，但穩定性和泛化能力還存在較大提高空間，具體應用時，要結合其他信用風險評估技術和手段。
高志（2007） 基於 SOM 神經網絡建立商業銀行信用風險計量模型。他以數據庫中 164 家各行業上市公司財務數據爲基礎，以是否被特別處理來衡量信用風險，對初始的 9 項財務指標主成分分析得到 4項綜合指標，建立 SOM 神經網絡模型。測試結果顯示，結合了主成分分析法的 SOM 神經網絡模型不論在算法還是分類效果上都優於單純BP 神經網絡模型，同時也驗證了神經網絡應用於信用風險度量的可行性：神經網絡方法具有較強的非線性映射能力，是一種非參數的、較爲穩健的方法，具有較強的學習能力；神經網絡存儲結構是存儲式的，網絡中少量局部的缺損並不會造成網絡癱瘓，容錯能力強，顯示出較強的魯棒性。
（二）神經網絡法模型的優化與改進研究。吳衝、呂靜傑、潘啓樹、劉雲燾（2004）提出了基於模糊理論的神經網絡模型。首先利用 SPSS對數據進行處理，通過因子分析得到指標最少個數，將最初提出的 16項財務指標簡化爲 4 個解釋因子，且具有較明顯的經濟含義。以其作爲輸入量，進行模糊化處理後，進行網絡學習，從訓練結果看，預測誤差很小，取得了較爲滿意的結果。同時，模糊規則層克服了神經網絡完全黑箱操作的缺點，可以由信用風險計量人員依據經驗針對不同問題進行調節，說明模糊神經網絡非常適合應用於商業銀行信用風險的計量中。
張衛東、韓雲昊、米陽（2006）提出了基於遺傳邏輯算法和模糊算法的CA-BP 模糊神經網絡的商業銀行信用風險模型。他們認爲單獨的 BP 神經網絡計量模型完全黑箱操作，存在產生局部極小的`可能，如果將遺傳算法、模糊算法和 BP 神經網絡結合起來建立信用風險計量模型，可以發揮各自優勢，具有更理想的效果。他們選取中國工商銀行某支行的 100 個貸款實際樣本，建立營運能力、償債能力、盈利能力、貸款方式4個評價指標，利用Matlab實證分析，運行結果顯示所建模型誤差很小，比單獨採用一種或兩種方法準確性更高，也更快速。
吳衝、張曉東、田海霞、劉超宇（2009）提出用模糊神經網絡來評估商業銀行信用風險，由於信用分析人員可以根據實際經驗調整模糊運算規則，可以在一定程度上解決神經網絡黑箱操作的盲目性問題。
他們蒐集中國工商銀行某支行製造業短期貸款167個樣本數據，通過因子分析將16 項指標簡化爲 4 個解釋因子，建立模糊神經網絡模型，訓練結果較爲滿意，預測誤差小，同時模糊規則層還可以根據具體情況進行調節，具有較強的準確性和可操作性。
宋麗華（2010）將 D-S 證據理論引入神經網絡模型，將神經網絡模型輸出的歸一化數據作爲D-S證據理論中的基本概率分佈，建立改進的神經網絡與證據理論融合模型，得到的評估結果與實際客戶的違約情況基本一致，給出較爲精確的評價結果，優於單純的神經網絡評估模型。
宿玉海、彭雷、郭勝川（2012）基於BP神經網絡信用風險計量模型計算過程中自身權值調整方式存在的缺陷，提出用 Adaboost 算法和遺傳算法進行改進。通過對 200 家上市公司的財務指標進行考察，發現優化後系統總誤差水平明顯降低。但兩種算法各自存在缺陷，因此他們建議實際應用過程中，根據需要處理客戶數據量和緊急程度來選擇不同算法對信用風險進行計量。
柳凌燕、王憲明、胡繼成（2014）針對傳統的 BP 神經網絡在訓練效果上依賴於初始值以及訓練參數的設定，且具有收斂速度慢，易陷入局部極小值等缺點，設計了柯西變異和高斯變異的雙變異算子加入到免疫規劃算法中，並將改進後的免疫規劃算法應用到神經網絡的訓練過程。他們選取國內 16 家上市銀行相關指標數據作爲樣本，以《金融藍皮書：中國商業銀行競爭力報告》風險評估值爲基礎，建立改進的三層BP 神經網絡模型，結果表明該模型收斂速度較快，而且預測準確度較高，證明了該融合免疫規劃算法的BP 神經網絡模型在信用風險計量上的有效性。
四、研究建議
經過 10 多年的發展，神經網絡在我國商業銀行信用風險計量領域的應用已較爲成熟，神經網絡特有的非線性映射能力和較強的魯棒性使得模型預測準確快速，明顯優於傳統的線性判別方法，尤其是近幾年來引入遺傳算法和模糊理論等對神經網絡模型進行優化後，其預測效率和可操作性大大提高，具有極其廣闊的應用前景。但是，經過不斷測試，發現該模型還存在着一些缺陷。
神經網絡自身的缺陷限制了其在信用風險計量方面的應用。如神經網絡具有一定的片面性和盲目性，訓練是完全的黑箱操作，無法干預，許多專家經驗派不上用場；人們普遍認爲神經網絡是不可解釋的，用神經網絡來進行信用評級時，無法說明訓練後，各參數和閥值的經濟含義，不具有說服性。
當前流行做法是將商業銀行的信用風險轉化爲企業財務狀況的判別問題，往往利用企業財務數據來衡量可能存在的信用風險，但影響企業信用風險的因素還有很多，爲此建議將能反映公司管理水平的定性指標，比如公司股權結構、管理層素質和內部控制完善程度等納入模型，從而更真實、更全面地計量信用風險，取得更好的評估效果。
主要參考文獻：
[1]韓立羣。人工神經網絡[M].北京：北京郵電大學出版社，2006.
[2]覃光華。人工神經網絡技術及其應用[D].四川：四川大學，2003.
[3]陳誠高。神經網絡技術在商業銀行信用風險評估系統中的應用研究[D].江蘇：東南大學，2006.
[4]李萌，陳柳欽。基於 BP 神經網絡的商業銀行信用風險識別實證分析[J].南京社會科學，2007.1.
[5]高志。SOM 神經網絡模型在商業銀行信用風險評估中的應用研究[J].電腦知識與技術，2007.
[6]宋麗華。基於神經網絡與證據理論的商業銀行信用風險評估[D].黑龍江：哈爾濱工業大學，2010.
[7]翟萬里。 基於人工神經網絡的商業銀行信用風險評估模型研究[D].湖南：長沙理工大學，2013.