论文部分内容阅读
【摘要】银行业金融机构在开展绿色信贷业务过程中面临契约风险、利率风险、贷款抵押风险等多种风险，因此做好风险防控对银行业金融机构至关重要。本文在文献研究的基础上建立绿色信贷风险评估体系，以财务指标、非财务指标和环保指标作为一级指标，下设24个二级指标，运用“3σ”准则对信贷风险标准进行定量判定，计算出贷款企业的信贷风险等级，再选取贵州省20家大型企业作为样本进行实证研究，对其财务指标进行正态性检验和显著性检验，对非财务指标和环保指标权重的判定采用网络分析法（ANP），再根据专家打分得出样本得分，将三类指标进行因子分析，得到具有代表性的公共因子，最后运用MATLAB软件对构建的BackPropagation神经网络进行仿真分析，得出测试结果，为信贷风险评估方法的选择和运用提供参考。
【关键词】绿色信贷 风险评估 网络分析法 BP神经网络
一、研究背景
（一）问题的提出
绿色信贷的提出是我国加大生态保护的重要举措，所谓绿色信贷是指银行等金融机构对从事研发、生态保护建设与开发的企业给予贷款一定优惠政策的手段。近几年，绿色信贷在我国不断发展，兴业银行、中国工商银行、平安银行等多家银行推出绿色金融产品并积极加入赤道原则。2012年2月，银监会发布《绿色信贷指引》，2013年8月，国务院出台《国务院关于加快发展节能环保产业的意见》，旨在促进节能环保产业发展，2016年8月，中国人民银行发布《关于构建绿色金融体系的指导意见》。借此机遇，贵州高度重视环境保护，把发展绿色经济作为调整经济结构，转变发展方式的重要举措。然而，贵州省银行业金融机构在开展绿色信贷业务过程中存在贷款层面缺乏统一的绿色金融标准体，绿色金融业务固有风险较高，银行风险管控能力不足等问题。而商业银行有别于普通企业的一个主要特征是对风险的管理与控制，信贷风险是最重要的风险之一，做好风险防控对商业银行的发展有至关重要的作用。但由于绿色信贷在我国提出不久，发展还不成熟，国内较少有学者对绿色信贷的风险问题进行实证研究。因此，构建绿色信贷评估体系，研究影响绿色信贷风险的因素，提高金融支持绿色经济发展效率是当前贵州银行业金融机构亟需解决的重要问题。
鉴于此，本文在文献研究的基础上构建绿色信贷风险评估的BP神经网络模型。首先建立绿色信贷风险评估的指标体系，以财务指标、非财务指标和环保指标作为一级指标，下设24个二级指标；其次，运用“3σ”法则对信贷风险标准进行定量判定，计算出贷款企业的信贷风险等级；再次，选取贵州省20家上市公司作为样本进行实证研究，对其财务指标进行正态性检验和显著性检验，对环保指标和非财务指标权重的判定采用网络分析法（ANP），之后根据专家打分得出个样本的得分，将三类指标进行因子分析，得到具有代表性的公共因子。
（二）研究文献综述
在国外的研究中，绿色信贷通常被称为可持续金融、环境融资，研究的是金融业与可持续发展之间的关系SoniaLabatt，Rodney R.White认为环境融资涵盖了基于市场的、旨在传递环境质量和转化环境风险而设计的特定金融工具，环境问题主要从违规带来的直接风险、客户导致的间接风险以及信誉风险三种方式对金融机构产生影响，为此需在风险管理中加入衡量环境问题的标准并进行产品创新。
通过对以上文献的分析和整理，我们可以看到：目前，国内外对绿色信贷风险评估研究主要集中在主观定性判断和传统计量分析法。然而事实上，绿色信贷风险涉及指标多。相比于此，本文试图通过BP神经网络，选取贵州省20家大型企业，并纳入对绿色信贷风险有重要影响的财务指标、非财务指标和环保指标，对贵州省绿色信贷风险进行实证研究，突破了传统信贷风险评估方法的局限性，具有一定的创新性。
二、绿色信贷风险评估体系及模型的构建
（一）样本选择
贵州省20家大型企业2015年末相关数据。贵州省20家大型企业经营和财务数据为调查所得，其他数据来源于当地环保部门公布和银行业金融机构。
（二）评估指标体系的构建
通过文献研究及相关分析，我们选取以下指标作为绿色信贷风险评估指标。
一是环保指标。包括：环境变化影响（H1）、环境管理（H2）、节能措施（H3）、“三废”治理（H4）。
二是财务指标。包括：一是盈利指标[主营业务利润率（X1）、主营业务成本率（X2）、销售利润率（X3）、销售毛利率（X4）、净资产回报率（X5）]；二是偿债能力[资产负债率（X6）、流动性比率（X7）、速动比率（X8）]；三是营运能力[应收账款周转率X9、存货周转率X10、流动资产周转率X11、固定资产周转率（X12）]；四是现金流量[现金流量比率（X13）、经营现金流量对销售收入比率（X14）]；5企业规模[总资产（X15）、营业收入（X16）、净利润（X17）]。
三是非財务指标。包括历史信用（M1）、行业前景（M2）、贷款方式（M3）等。
（三）评估指标的筛选
1.用网络分析法（ANP）计算环保指标和非财务指标的权重。构建判断矩阵C和超级矩阵W，再进行归一化处理得出加权矩阵B。加权矩阵B与超矩阵W相乘得到加权超矩阵W’=BW，对加权超矩阵进行极限运算，得到极限超矩阵。
最后得权重分别为：H1的权重为0.4113，H2的权重为0.3098，H3的权重为0.0991，H4的权重为0.1798。M1的权重为0.4131，M2的权重为0.1862，M3的权重为0.4007。得出环保指标和非财务指标的权重后，再对贵州省20家大型企业2015年年报逐一进行分析，通过打分确定环保指标与非财务指标的最终得分。
2.财务指标的设计。第一步，对前文表1选取17个财务指标进行正态检验，由于本文样本量偏小，这里采取Shapiro-Wilk检验的方法。计算结果表明，固定资产周转率、经营现金流对销售收入比率、总资产等三个指标的P值大于0.05，接受原假设，这三个指标服从正态分布，其他指标不服从正态分布。第二部，对17个财务指标进行显著性检验，这里采用T检验的方法。计算结果表明，Shapiro-Wilk检验中服从正态分布的固定资产周转率、经营现金流对销售收入比率、总资产等三个指标通过了T检验。由第一、二步可知，17个财务指标均需保留。第三步，按未分配利润为正值和负值将20家大型企业分为两类，对其进行Mann-whitney U检验。计算结果表明，X1，X2，X3，X4，X6，X7，X8通过了Mann-whitney U检验，未通过检验的，说明未分配利润为正值和负值的两类企业的这些指标不存在显著性差异，在之后的分析中应剔除。 3.绿色信贷风险指标的进一步筛选（基于因子分析法）。上文从环保指标、非财务指标、财务指标的24个二级指标中共筛选出14个指标，但这些指标之间有一定的相关性，需要通过因子分析法获取较少变量替代这14个变量。运用spss进行因子分析，得出碎石图如下：
上图为碎石图，横坐标表示成分数，纵坐标表示特征值。由图可以看出，在第六个特征值之后，特征值趋于平稳，因此，只需提取六个因子就可以对原变量的信息进行描述。
根据相关数据计算出解释总方差，运用最大极值法进行旋转，得出因子的特征根值、贡献率以及累积贡献率。选取特征值大于1的六个因子（其特征值累积贡献率超过70%即可），生成旋转成份矩阵如下：
由旋转成份矩阵可以看出，f1主要由主营业务利润率（X1）、主营业务成本率（X2）、销售毛利率（X4）、资产负债率（X6）、流动性比率（X7）、速动比率（X8）决定；f2主要由历史信用（M1）、行业前景（M2）决定；f3主要由环境管理（H2）、“三废”治理（H4）决定；f4主要由环境变化影响（H1）决定；f5主要由贷款方式（M3）决定；f6主要由节能措施（H3）、销售利润率（X3）决定。
根据各个主成分因子的方差贡献率占积累方差贡献率的比重权重计算出综合得分，其公式为：
F=0.2916f1+0.1224f2+0.1067f3+0.0801f4+0.0698f5+0.0691f6
三、绿色信贷风险等级的确定（基于“3σ”准则）
根据我国信贷风险等级的划分，本文将绿色信贷风险等级分为超高风险（R4）、高风险（R3）、中等风险（R2）、低风险（R1）、无风险（R0）等五级。采用“3σ”准则（拉依达准则）进行确定。
设贵州省绿色信贷风险等级得分F的均值为μ，标准差为σ，经计算得出：μ=0.0896，σ=0.0473。我们将μ+σ作为无风险和低风险的临界点，将μ+3σ作为低风险和中等风险的临界点，将μ-3σ作为高风险和超高风险的临界点，如下表所示：
由上述分析可得20家企业归一化处理后的绿色信贷风险F得分与风险等级对应表，如下：
四、基于BP神经网络的绿色信贷风险评估实证分析
此处采用三层神经网络模型，输入值为前文以因子分析法得出的六个综合指标经标准化后的数据，输出值为信贷得分F落在的风险区间。运用MATLAB软件，从20家企业中抽取12家企业为样本进行训练，结果如下：
由表5可知，12个训练样本的准确率达到83.33%，准确率较高。
利用訓练样本的路径对余下8个样本进行测试，结果如下：
由表6可知，8个测试样本的准确率为62.50%，准确率较低的原因是测试样本的数量较少。
综上所述，BP网络神经模型对银行业金融机构绿色信贷风险的评估有较好的实用性。
五、防范绿色信贷风险的政策建议
（一）政府及各相关部门层面
一是地方政府、人民银行、环保及监管部门需建立绿色信贷相关信息共享平台，通过信息披露、信用评级等方式，实现绿色信贷信息共享，降低各参与方信息成本和风险。二是构建支持绿色信贷的政策体系，完善绿色信贷统计制度，推动银行业建立绿色评价机制，加强绿色信贷实施情况监测评价，将绿色信贷纳入央行MPA框架。三是通过税收、财政协同等机制，形成支持绿色信贷业务的激励机制和抑制“两高一剩”行业贷款的约束机制。
（二）银行业金融机构层面
一是要根据国家经济环境政策和产业政策，对从事绿色经营生产和制造的企业实行优惠贷款政策，为其建立绿色信贷通道，简化信贷审批流程，取消不合理收费，加快研发针对绿色经济发展的创新性金融产品，推动绿色环保项目建设。二是建立行之有效的绿色信贷绩效考核体系，引导信贷资金支持绿色经济的发展。三是将企业环境违法违规信息等企业环境信息纳入金融信用信息基础数据库，作为对企业发放贷款的依据之一。
（三）企业层面
一是树立环保意识，明确环境责任，制定“谁污染、谁治理”的严格问责制度。二是利用技术、管理手段对生产全流程进行排污改造和产业结构升级，推行绿色生产，提供绿色产品，实现经济价值和社会价值的和谐统一。三是推行绿色营销战略，在营销过程中坚持绿色理念，产品实行绿色包装，重视绿色促销，制定绿色价格，选择绿色渠道，树立绿色形象等。
参考文献
[1]Bert Scholtens，Lammertjan Dam.Banking on the Equator Are Banks that Adopted the Equator Principles Different from Non-Adopters[J].World Development，2009（01）.
[2]Sonia Labatt， Rodney R White.Environmental Finance [M].New YorkrJohn Wiley and Sons，2002.
[3]Luisa Montes.Financing Sustainable Developmentin Mexico Through Alternative Banks or Green Banks[J].Journal of Project Finance.1998（4）.
[4]MathsLimdgren and Bino Catasus.The Banks' Impact on The Natural Environment-On The Space between “what is” And ‘Svhat if’[J].Business Strategy and The Environment^186-195（2000）. [5]韩立岩，王臻.绿色信贷发展的国际比较与启示[J].国际经济合作，2014（02）.
[6] 胡海青，张琅，张道宏.供应链金融视角下的中小企业信用风险评估研究—基于SVM与BP 网络神经模型的比较研究.管理评论，2012（11）.
[7]胡涛，赵颖臻，周李焕，Denise Leung.对外投资中的环境与社会影响案例研究：国际经验与教训[M].华盛顿：世界资源研究所，2013.
[8]胡旭华，吉敏.基于BP神经网络的银行信贷风险评价[J].统计与决策，2009（11）.
[9]Jensen Herbert.Using Neural Networks for Credit Scoring.Management Finance，2011.
[10]梁琪，黄鹂皎.我国商业银行信贷风险管理体系构建探索[J].南开经济研究，2002（06）.
[11]刘传岩.中国绿色信贷发展问题探究[J].稅务与经济，2012（01）.
[12]龙卫洋，季才留.基于国际经验的商业银行绿色信贷研究及对中国的启示[J].经济体制改革，2013（03）.
[13]Marcel Jeucken.Sustainable Finance and Banking[M].London：Earths can Publications Ltd，2011（05）.
[14]马骏，施娱，姚斌.绿色金融政策及在中国的运用[J].新金融评论，2014（02）.
[15]马秋君，刘文娟.基于绿色信贷风险评价体系改进研究——基于长江三角洲调查[J].经济视角，2013（09）.
[16]施若.试析贵阳市绿色金融发展中存在的问题及对策[J].中国集体经济，2014（33）.
[17]王创，严纲.信用风险度量的CreditMetrics与KMV模型的比较研究[J].时代金融，2012（12）.
[18]张子瑛.基于Elman神经网络的商业银行信贷风险识别及评估模型[J].科技和产业，2008（08）.
作者简介：芦榕（1971-），女，汉族，四川巴县人，经济师，研究方向：金融稳定、外汇管理。
【关键词】绿色信贷 风险评估 网络分析法 BP神经网络
一、研究背景
（一）问题的提出
绿色信贷的提出是我国加大生态保护的重要举措，所谓绿色信贷是指银行等金融机构对从事研发、生态保护建设与开发的企业给予贷款一定优惠政策的手段。近几年，绿色信贷在我国不断发展，兴业银行、中国工商银行、平安银行等多家银行推出绿色金融产品并积极加入赤道原则。2012年2月，银监会发布《绿色信贷指引》，2013年8月，国务院出台《国务院关于加快发展节能环保产业的意见》，旨在促进节能环保产业发展，2016年8月，中国人民银行发布《关于构建绿色金融体系的指导意见》。借此机遇，贵州高度重视环境保护，把发展绿色经济作为调整经济结构，转变发展方式的重要举措。然而，贵州省银行业金融机构在开展绿色信贷业务过程中存在贷款层面缺乏统一的绿色金融标准体，绿色金融业务固有风险较高，银行风险管控能力不足等问题。而商业银行有别于普通企业的一个主要特征是对风险的管理与控制，信贷风险是最重要的风险之一，做好风险防控对商业银行的发展有至关重要的作用。但由于绿色信贷在我国提出不久，发展还不成熟，国内较少有学者对绿色信贷的风险问题进行实证研究。因此，构建绿色信贷评估体系，研究影响绿色信贷风险的因素，提高金融支持绿色经济发展效率是当前贵州银行业金融机构亟需解决的重要问题。
鉴于此，本文在文献研究的基础上构建绿色信贷风险评估的BP神经网络模型。首先建立绿色信贷风险评估的指标体系，以财务指标、非财务指标和环保指标作为一级指标，下设24个二级指标；其次，运用“3σ”法则对信贷风险标准进行定量判定，计算出贷款企业的信贷风险等级；再次，选取贵州省20家上市公司作为样本进行实证研究，对其财务指标进行正态性检验和显著性检验，对环保指标和非财务指标权重的判定采用网络分析法（ANP），之后根据专家打分得出个样本的得分，将三类指标进行因子分析，得到具有代表性的公共因子。
（二）研究文献综述
在国外的研究中，绿色信贷通常被称为可持续金融、环境融资，研究的是金融业与可持续发展之间的关系SoniaLabatt，Rodney R.White认为环境融资涵盖了基于市场的、旨在传递环境质量和转化环境风险而设计的特定金融工具，环境问题主要从违规带来的直接风险、客户导致的间接风险以及信誉风险三种方式对金融机构产生影响，为此需在风险管理中加入衡量环境问题的标准并进行产品创新。
通过对以上文献的分析和整理，我们可以看到：目前，国内外对绿色信贷风险评估研究主要集中在主观定性判断和传统计量分析法。然而事实上，绿色信贷风险涉及指标多。相比于此，本文试图通过BP神经网络，选取贵州省20家大型企业，并纳入对绿色信贷风险有重要影响的财务指标、非财务指标和环保指标，对贵州省绿色信贷风险进行实证研究，突破了传统信贷风险评估方法的局限性，具有一定的创新性。
二、绿色信贷风险评估体系及模型的构建
（一）样本选择
贵州省20家大型企业2015年末相关数据。贵州省20家大型企业经营和财务数据为调查所得，其他数据来源于当地环保部门公布和银行业金融机构。
（二）评估指标体系的构建
通过文献研究及相关分析，我们选取以下指标作为绿色信贷风险评估指标。
一是环保指标。包括：环境变化影响（H1）、环境管理（H2）、节能措施（H3）、“三废”治理（H4）。
二是财务指标。包括：一是盈利指标[主营业务利润率（X1）、主营业务成本率（X2）、销售利润率（X3）、销售毛利率（X4）、净资产回报率（X5）]；二是偿债能力[资产负债率（X6）、流动性比率（X7）、速动比率（X8）]；三是营运能力[应收账款周转率X9、存货周转率X10、流动资产周转率X11、固定资产周转率（X12）]；四是现金流量[现金流量比率（X13）、经营现金流量对销售收入比率（X14）]；5企业规模[总资产（X15）、营业收入（X16）、净利润（X17）]。
三是非財务指标。包括历史信用（M1）、行业前景（M2）、贷款方式（M3）等。
（三）评估指标的筛选
1.用网络分析法（ANP）计算环保指标和非财务指标的权重。构建判断矩阵C和超级矩阵W，再进行归一化处理得出加权矩阵B。加权矩阵B与超矩阵W相乘得到加权超矩阵W’=BW，对加权超矩阵进行极限运算，得到极限超矩阵。
最后得权重分别为：H1的权重为0.4113，H2的权重为0.3098，H3的权重为0.0991，H4的权重为0.1798。M1的权重为0.4131，M2的权重为0.1862，M3的权重为0.4007。得出环保指标和非财务指标的权重后，再对贵州省20家大型企业2015年年报逐一进行分析，通过打分确定环保指标与非财务指标的最终得分。
2.财务指标的设计。第一步，对前文表1选取17个财务指标进行正态检验，由于本文样本量偏小，这里采取Shapiro-Wilk检验的方法。计算结果表明，固定资产周转率、经营现金流对销售收入比率、总资产等三个指标的P值大于0.05，接受原假设，这三个指标服从正态分布，其他指标不服从正态分布。第二部，对17个财务指标进行显著性检验，这里采用T检验的方法。计算结果表明，Shapiro-Wilk检验中服从正态分布的固定资产周转率、经营现金流对销售收入比率、总资产等三个指标通过了T检验。由第一、二步可知，17个财务指标均需保留。第三步，按未分配利润为正值和负值将20家大型企业分为两类，对其进行Mann-whitney U检验。计算结果表明，X1，X2，X3，X4，X6，X7，X8通过了Mann-whitney U检验，未通过检验的，说明未分配利润为正值和负值的两类企业的这些指标不存在显著性差异，在之后的分析中应剔除。 3.绿色信贷风险指标的进一步筛选（基于因子分析法）。上文从环保指标、非财务指标、财务指标的24个二级指标中共筛选出14个指标，但这些指标之间有一定的相关性，需要通过因子分析法获取较少变量替代这14个变量。运用spss进行因子分析，得出碎石图如下：
上图为碎石图，横坐标表示成分数，纵坐标表示特征值。由图可以看出，在第六个特征值之后，特征值趋于平稳，因此，只需提取六个因子就可以对原变量的信息进行描述。
根据相关数据计算出解释总方差，运用最大极值法进行旋转，得出因子的特征根值、贡献率以及累积贡献率。选取特征值大于1的六个因子（其特征值累积贡献率超过70%即可），生成旋转成份矩阵如下：
由旋转成份矩阵可以看出，f1主要由主营业务利润率（X1）、主营业务成本率（X2）、销售毛利率（X4）、资产负债率（X6）、流动性比率（X7）、速动比率（X8）决定；f2主要由历史信用（M1）、行业前景（M2）决定；f3主要由环境管理（H2）、“三废”治理（H4）决定；f4主要由环境变化影响（H1）决定；f5主要由贷款方式（M3）决定；f6主要由节能措施（H3）、销售利润率（X3）决定。
根据各个主成分因子的方差贡献率占积累方差贡献率的比重权重计算出综合得分，其公式为：
F=0.2916f1+0.1224f2+0.1067f3+0.0801f4+0.0698f5+0.0691f6
三、绿色信贷风险等级的确定（基于“3σ”准则）
根据我国信贷风险等级的划分，本文将绿色信贷风险等级分为超高风险（R4）、高风险（R3）、中等风险（R2）、低风险（R1）、无风险（R0）等五级。采用“3σ”准则（拉依达准则）进行确定。
设贵州省绿色信贷风险等级得分F的均值为μ，标准差为σ，经计算得出：μ=0.0896，σ=0.0473。我们将μ+σ作为无风险和低风险的临界点，将μ+3σ作为低风险和中等风险的临界点，将μ-3σ作为高风险和超高风险的临界点，如下表所示：
由上述分析可得20家企业归一化处理后的绿色信贷风险F得分与风险等级对应表，如下：
四、基于BP神经网络的绿色信贷风险评估实证分析
此处采用三层神经网络模型，输入值为前文以因子分析法得出的六个综合指标经标准化后的数据，输出值为信贷得分F落在的风险区间。运用MATLAB软件，从20家企业中抽取12家企业为样本进行训练，结果如下：
由表5可知，12个训练样本的准确率达到83.33%，准确率较高。
利用訓练样本的路径对余下8个样本进行测试，结果如下：
由表6可知，8个测试样本的准确率为62.50%，准确率较低的原因是测试样本的数量较少。
综上所述，BP网络神经模型对银行业金融机构绿色信贷风险的评估有较好的实用性。
五、防范绿色信贷风险的政策建议
（一）政府及各相关部门层面
一是地方政府、人民银行、环保及监管部门需建立绿色信贷相关信息共享平台，通过信息披露、信用评级等方式，实现绿色信贷信息共享，降低各参与方信息成本和风险。二是构建支持绿色信贷的政策体系，完善绿色信贷统计制度，推动银行业建立绿色评价机制，加强绿色信贷实施情况监测评价，将绿色信贷纳入央行MPA框架。三是通过税收、财政协同等机制，形成支持绿色信贷业务的激励机制和抑制“两高一剩”行业贷款的约束机制。
（二）银行业金融机构层面
一是要根据国家经济环境政策和产业政策，对从事绿色经营生产和制造的企业实行优惠贷款政策，为其建立绿色信贷通道，简化信贷审批流程，取消不合理收费，加快研发针对绿色经济发展的创新性金融产品，推动绿色环保项目建设。二是建立行之有效的绿色信贷绩效考核体系，引导信贷资金支持绿色经济的发展。三是将企业环境违法违规信息等企业环境信息纳入金融信用信息基础数据库，作为对企业发放贷款的依据之一。
（三）企业层面
一是树立环保意识，明确环境责任，制定“谁污染、谁治理”的严格问责制度。二是利用技术、管理手段对生产全流程进行排污改造和产业结构升级，推行绿色生产，提供绿色产品，实现经济价值和社会价值的和谐统一。三是推行绿色营销战略，在营销过程中坚持绿色理念，产品实行绿色包装，重视绿色促销，制定绿色价格，选择绿色渠道，树立绿色形象等。
参考文献
[1]Bert Scholtens，Lammertjan Dam.Banking on the Equator Are Banks that Adopted the Equator Principles Different from Non-Adopters[J].World Development，2009（01）.
[2]Sonia Labatt， Rodney R White.Environmental Finance [M].New YorkrJohn Wiley and Sons，2002.
[3]Luisa Montes.Financing Sustainable Developmentin Mexico Through Alternative Banks or Green Banks[J].Journal of Project Finance.1998（4）.
[4]MathsLimdgren and Bino Catasus.The Banks' Impact on The Natural Environment-On The Space between “what is” And ‘Svhat if’[J].Business Strategy and The Environment^186-195（2000）. [5]韩立岩，王臻.绿色信贷发展的国际比较与启示[J].国际经济合作，2014（02）.
[6] 胡海青，张琅，张道宏.供应链金融视角下的中小企业信用风险评估研究—基于SVM与BP 网络神经模型的比较研究.管理评论，2012（11）.
[7]胡涛，赵颖臻，周李焕，Denise Leung.对外投资中的环境与社会影响案例研究：国际经验与教训[M].华盛顿：世界资源研究所，2013.
[8]胡旭华，吉敏.基于BP神经网络的银行信贷风险评价[J].统计与决策，2009（11）.
[9]Jensen Herbert.Using Neural Networks for Credit Scoring.Management Finance，2011.
[10]梁琪，黄鹂皎.我国商业银行信贷风险管理体系构建探索[J].南开经济研究，2002（06）.
[11]刘传岩.中国绿色信贷发展问题探究[J].稅务与经济，2012（01）.
[12]龙卫洋，季才留.基于国际经验的商业银行绿色信贷研究及对中国的启示[J].经济体制改革，2013（03）.
[13]Marcel Jeucken.Sustainable Finance and Banking[M].London：Earths can Publications Ltd，2011（05）.
[14]马骏，施娱，姚斌.绿色金融政策及在中国的运用[J].新金融评论，2014（02）.
[15]马秋君，刘文娟.基于绿色信贷风险评价体系改进研究——基于长江三角洲调查[J].经济视角，2013（09）.
[16]施若.试析贵阳市绿色金融发展中存在的问题及对策[J].中国集体经济，2014（33）.
[17]王创，严纲.信用风险度量的CreditMetrics与KMV模型的比较研究[J].时代金融，2012（12）.
[18]张子瑛.基于Elman神经网络的商业银行信贷风险识别及评估模型[J].科技和产业，2008（08）.
作者简介：芦榕（1971-），女，汉族，四川巴县人，经济师，研究方向：金融稳定、外汇管理。