本篇论文目录导航：
【题目】中国网络保险信用风险的控制研究
【第一章】网络保险信用风险防控分析绪论
【第二章】网络保险信用风险的影响因素及其作用机理
【第三章】信用风险评估方法及其比较
【4.1 - 4.3】网络保险信用风险度量模型的构建
【4.4 4.5】信用风险Logit回归结果与多元线性回归分析
【结论/参考文献】网络保险信用风险的管理研究结论与参考文献
第三章 信用风险评估方法及其比较
3.1 信用风险评估的概念
所谓的信用风险评估是指找出一些可能引起信用风险的因素，并利用定量和定性的方法对这些因素进行系统的分析，找出其中引起信用风险的最主要的影响因素，或者是直接运用相关的计量模型来计算出发生信用风险的概率，例如，如果通过相关模型找出某一企业的违约概率很大，那么担保机构就不会为该企业担保，银行也不会为该企业贷款。之所以有信用风险的评估，实际上的主要目的对评估对象的违约风险进行预测，也就是为了控制信用风险。对保险公司来说，信用风险评估主要是对投保人来说的，如果说投保人的信用风险较高，可能收取的保费就比较多，反之如果投保人的信用较好可能降低该投保人的保费，也就是说，保险公司一般都会利用科学的信用评级方法，对投保人的信用状况进行合理的评估来降低信用风险，但是随着网络保险的发展，保险公司面临的信用风险发生了一些转变，一般的信用评级方法已不在适合于网络保险业务。网络保险的信用风险评估就是以一般保险公司的信用评估理论为基础，利用针对网络保险设计的评估模型，对在互联网上投保人的信用状况进行评估。
3.2 信用风险的评估方法
3.2.1 传统评估方法
由于市场经济的发展，人们对于市场信用风险评估方法的研究也比较早，随着市场经济的不断变化，人们对于信用风险的评估方法也在不断地改进和创新。经过多年的发展，如今存在着多种信用评估方法，本文将那些较早出现的信用评估方法称为传统的信用评估方法，与之相对应的就称为现代评估方法。并且由于信用评估方法的种类较多，本文就不一一都做介绍，只对那些影响力较大、较为典型的几种评估方法做出描述。
（1）专家系统法。所谓的专家系统法，就是一些掌握着专业的知识和具有丰富的经验的高素质人才组成的评估团队，他们利用他们的专业知识和工作经验，以及一些统计分析工具对信用风险的评估对象进行主观上的分析判断，它是过去应用最为广泛的一种信用风险分析方法，对如今的一些信用风险分析方法产生了深远的影响。在专家系统分析方法中，最具有代表性的就是“5c”法，其中 5c 法主要是利用道德品质、资本实力、担保抵押、偿债能力、经营环境这五个因素来分析研究对象的信用状况，后来根据研究对象的不同又出现了“5p”法、“5w”法等。
（2）信用评分法。信用评分法主要是指应用相关模型或计量工具对研究对象未来失去偿还能力或者违约可能性进行计算分析。信用评分法是以影响研究对象信用的因素为基础，在利用先进的数据处理方式对这些数据进行统计分析，得出其产生信用风险的概率。信用评分法主要有 logit 回归法和多元判别分析法，目前这一传统的信用评估方法仍然被广发的应用。多元判别法就是指利用提供信息量大的变量，构建出一个模型使得在研究对象时的错误率最小，然后再利用该模型进行判别。Logit 模型就是对影响研究对象信用风险的因素进行回归分析，预测出研究对象违约的概率，然后进行风险等级划分。
（3）神经网络法。神经网络法是一种容错了多门学科的信用评估方法，它涉及到神经心理学、应用数学和认知科学。神经网络法是一种纯天然的、独立自主的建模过程，神经网络结构一般由 3 个部分组成，即输入层、隐蔽层和输出层。神经网络法能够通过自身的学习，并行的处理资讯，也就是说神经网络法能够处理足够多的数据。
而且神经网络法还可以处理一些特殊的数据、以及一些错误的数据。再就是神经网络法不需要服从正态分布以及不需要明确该模型需要那种函数来匹配分析。虽然神经网络法在数据处理上具有一定的优点，但是构建一个神经网络结构需要耗费大量的时间，因此，考虑到时间成本，大部分研究人员和企业不愿意开发神经网络去有效的解决问题。
3.2.2 现代信用风险评估方法
虽然传统的信用风险评估方法在分析研究对象的信用风险中发挥着重要的作用，但是在现实的实践中也出现的许多问题，于是一些专家和学者在传统信用风险的评估方法的基础上，利用如今的建模技术和统计分析方法，提出了一批新型的信用风险度量模型。本文主要介绍 KMV 模型、Credit Metrics 模型、Credit Portfolio View 模型和 Credit Risk+模型。
（1）KMV 模型。该模型是 1997 年 KMV 公司建立的用以计算企业违约概率的方法。KMV 模型指出，银行贷款所面临的信用风险主要是受到企业在既定贷款额度下，其所拥有的资产市场价值影响。因为不太容易对企业资产市场价值进行直观的判断，所以在 KMV 模型中将该问题转换为企业的股权价值，以此来衡量企业的信用状况。KMV 模型是运用现代期权定价理论建立起来的违约预测模型，充分利用资本市场的信息而非历史账面资料进行预测，将市场信息纳入了违约概率。
（2）Credit Metrics 模型。该模型是 1997 年 J.P.摩根公司用于进行信用风险管理而开发出来的。其基本思想是：个人的信用风险取决于他本人的信用状况，而企业的信用情况会被评为不同的等级加以显示。对于企业来说，它发行的股票、有价债券等金融工具，会因为它的信用状况不同而受到不同程度的影响，也就是说企业的信用等级越低，它的股票市场价值就会越低，反之也一样。该模型放弃了从某一种资产来看待企业的信用情况，该模型的最大特点就是从资产组合的角度出发来度量企业的信用风险。每一种金融工具都会对整个资产组合的风险产生影响，因此、该模型研究单一的金融工具对整个资产组合风险的作用，并且引入了边际风险这样一个概念，来反映一种金融工具对整体的风险状况的影响。
（3）Credit Risk+模型。该模型最早在 1997 年被开发出来，利用精算的方法将风险出现的整个过程划分为不同的阶段，以此来提高对风险的把握程度。该模型模首先要确定贷款组合的违约次数概率，在一定时期内违约次数的概率服从泊松分布，其次对贷款损失严重性的大小进行分组，最后将各组的损失分组，得到整个贷款组合的损失概率分布。
（4）Credit Portfolio View 模型。该模型认为，随着宏观经济中各种客观因素的变化，债务人的信用状况也会随着发生变动，也就是说，债务人的信用等级可能提高也可能降低。基于经济周期的各种宏观因素会对债务人的信用等级转移产生重要的影响，以此为基础，麦肯锡公司首次将这些经济中的客观影响因素与信用等级的变动概率之间的关系构建出了该模型。该模型需要以国家和各个行业的宏观违约数据为基础，求出经济周期中宏观因素变动所对应的信用状况变化概率值。
3.2.3 各信用风险评估方法的比较
通过上面对信用风险评估方法的介绍可以看到，信用风险评估的方法种类较多，而且不同信用风险评估方法有着不同的优缺点。对专家系统法来说，它最大的优点就是操作起来简单，它的缺点就是主观性和随意性太强，不同的评估团队对评估对象的评估结果可能出现较大的差异，而且缺乏定量的分析，没有定量的数据支持，不具有说服力。对信用评分法的 logit 模型来说，logit 回归模型不需要变量之间的线性关系，对数据的要求并不苛刻，适合于处理因变量是定性指标的问题，能够很好地反映违约因素与违约结果之间的关系。并且 logit 模型的假设条件也不苛刻，但是却具有较高的准确性，是目前应用最为广泛的信用风险度量模型之一。对神经网络法来说，神经网络法能够很好的解决非线性和费正太的信用风险评估问题，但是其对未来的预测性较差，存在过度拟合的问题，再就是它的完成需要耗费大量的人力和时间。对于 KMV模型来说，该模型的理论基础较为全面，具有很好的预测性，上市公司的信用风险一般都是利用该模型来度量的，但是该模型的假设条件非常严格，模型的精确性也有待检验，使用的范围比较窄。对于 Credit Metrics 模型来说，该模型较为全面的考虑了信用风险的度量，能够较为真实、全面的反映出信用风险的大小，但是在对统一信用等级的研究对象选取了相同的违约概率和等级转移概率，很难准确的把握住客户当前信用情况的变化。对于信用附加模型来说，该模型的使用能力较为广泛，它没有时间、地点、企业种类的限制，它只需要风险曝露和违约率，需要的估计变量较少。但是它没有考虑到违约风险以外的其他因素，再就是它忽视了信用等级的变动。对于 CreditPortfolio View 模型来说，该模型充分的考虑到了宏观经济对信用等级变化的影响，而且在该模型中不同的时期它的等级转移概率是随着变化的，减少了由于转移概率固定不变而引起的结果的偏差。但是该模型需要真实有效的宏观数据，数据的收集、处理和计算都相当的复杂，而且最后的结果是加总的违约概率，而不是特定研究对象单个的违约概率。
根据上述各个信用评估方法的优缺点，以及本文研究对象的特殊性，本文决定选取 logit 模型来对我国网络保险的信用风险进行度量，logit 模型能够处理大量的数据，在度量我国网络保险的信风险上具有很大的优势，根据我国网络保险信用风险所面临的问题来看，第一，影响我国网络保险信用风险的因素是多种多样的，而且各个因素之间并没有特别明显的关系，然而 logit 模型对预测的变量并没有严格的规定，也不需要正太分布和线性相关的假设条件，自变量可以使离散的也可以是连续的，这就保证了对网络保险信用风险评估指标的全面性。第二，和线性回归方法相比较，在处理定性的数据时，logit 模型是占有较大优势的。第三，该模型最后得出的结果简单易懂，输出的结果具有很强的直观性，便于我们的理解。关于该模型的详细内容会在下一章介绍，在这里就不过多的阐述了。
3.3 本章小结
本章主要介绍并比较了几种传统的信用风险评估方法和几种现代信用风险评估方法，从中发现了它们各自具有的优缺点。在此基础上，在结合网络保险信用风险的特点，提出 logit 模型较其他模型对网络保险信用风险的度量上的优势：一是该模型不需要严格的假设条件，自变量可以是连续的也可以是离散的，也不需要自变量与因变量存在多元正态分布这一假设条件；二是对于数据的要求比较容易满足，不需要依赖外部的信用评级。三是该模型的实用性较强，操作起来更为的便捷，数据处理较为灵活，而且该模型的预测能力较强。
