KMV模型在我國商業銀行信用風險管理中的適用性分析及實證檢驗

楊秀云+蔣園園+段珍珍

【摘要】本文在介紹KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型這四種國際流行的信用風險管理方法的基礎上，基于定性和定量分析相結合，對這四種信用風險管理方法進行比較分析，認為KMV模型最適合我國目前的國情。以2013年45家ST公司和與之配對的45家非ST公司以及2014年20家ST公司和與之配對的20家非ST公司為樣本，對樣本的違約距離進行實證檢驗。實證結果表明KMV模型基本上能夠識別上市公司的信用狀況，但是也有一些企業的違約距離不符合實際情況，這也說明該模型在我國商業銀行信用風險度量中的識別能力有限，究其原因可能與該模型所要求的一些假設條件在我國尚不能得到有效滿足等因素有關。因此，我國商業銀行在對債務企業進行信用評價時，綜合利用KMV模型與債務公司的財務數據會使信用風險的度量結果更加可靠。

【關鍵詞】KMV模型；商業銀行信用風險；適用性分析

一、引言

信用風險是商業銀行面臨的核心風險，也是新巴塞爾協議中的新資本協議的核心內容。當經濟狀況出現波動時，人們的經濟預期會逐漸改變，借款人的行為也會發生一定的變化，“羊群效應”和道德風險很可能隨之產生，并影響到金融體系的穩定。2015年上半年末，我國商業銀行的不良貸款余額達到10919億元，不良貸款率為1.5%，較2014年年底上升0.25個百分點，多家銀行的不良貸款率均突破1%。而且一些資產質量相對較好的銀行，在2015年也出現了許多新的問題。這些數據反映，信用風險的存在會嚴重影響我國商業銀行經營的安全性、流動性和盈利性。但我國對信用風險的控制，主要采用的是依據靜態性財務數據的經驗型信用風險管理方法，較少運用國際上常用的現代信用風險度量方法。這嚴重影響了我國信用風險定量研究的發展，不利于我國信用體系的完善和經濟的健康發展。

西方發達國家的銀行信用體系起步較早，衍生產品發展迅速，學者們和實踐者對商業銀行信用風險管理的研究成果積累較多。傳統的信用風險管理方法主要有三類：信用評分型方法[1]、專家評級方法和評級型方法。由于信息不對稱問題日益突出，導致貸款人發生逆向選擇和道德風險，學者逐步將銀行微觀金融學、博弈論和信息經濟學、委托代理、行為金融學等理論引入到對信用風險的度量和預防中，信用風險的研究逐漸走向定量化。如默頓（1974）利用布萊克—斯科爾斯期權定價原理建立了Merton模型，Fischer Black（1975）考慮到信用風險產生的衍生原因，推導出企業股票所滿足的歐式期權價值。隨著信用風險產生的原因日趨復雜，信用風險對經濟主體的影響也迅速增大，經濟學家從交叉學科理論出發，在信用風險度量中又加入了計量經濟學、保險精算學、數理統計學等理論以提高信用風險度量的科學性和精確性，從而產生了許多著名的現代信用風險度量模型。KMV公司于1993年推出了一種以期權理論為基礎的KMV模型。1997年，JP摩根提出了一種基于Merton期權理論的度量信用風險的新方法，這種方法又被稱為Credit Metrics。同年末，瑞士信貸銀行金融產品部（CSFP）推出了基于保險精算的Credit Risk+模型。麥肯錫公司考慮了宏觀經濟因素對信用風險的影響，根據信用組合提出了Credit Portfolio View模型。目前，KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型在商業銀行信用風險管理中發揮著重要的作用。

在國內，由于我國證券市場發展時間較短，信用風險意識較為淡薄，而且缺乏大型的、連續的、完整的違約數據庫和完善的信用評級體系，使得我國信用風險的定量研究與國際上的先進技術存在較大差距。國內學者的研究主要集中于以下三個方面：第一是李樹杰（2006）等從理論上對國外四種先進信用風險管理方法進行探討[2]；第二是曹道勝（2006）、陳忠陽（2009）等從不同的角度對四種信用風險管理方法進行了對比研究[3-4]；第三是梅建明，易衛民，黃世為（2013）、尹麗（2013）、段霞（2012）等利用中國的實際數據，對KMV模型進行實證檢驗并提出了修正建議[5-7]。

但以上研究文獻表明，國內學者有關商業銀行信用風險的研究主要集中于理論分析和對比分析，并沒結合我國的實際情況討論哪種模型最適合我國的國情，同時，有關的實證研究使用的樣本數據普遍偏小，涵蓋的行業范圍有限。國外的銀行信用體系較為發達，信用風險的定量研究水平比我國超前，四種現代信用風險管理方法與我國的實際發展情況存在較大差距，每一種方法都不能直接拿來使用。因此，對四種模型在我國的適用性進行比較分析就顯得尤為重要。本文以此為基礎，從模型的數據要求、風險驅動以及各模型的應用價值和局限性等方面，對四種模型在我國商業銀行信用風險管理中的適用性進行了探討，提出KMV模型最適合我國現階段的國情。隨后選取了2013年90家樣本公司和2014年40家涵蓋多區域和多行業的公司樣本，對KMV模型的適用性進行了實證檢驗。

二、商業銀行四種信用風險管理方法的適用性分析

國際上流行的現代信用風險管理方法包括Credit Metrics模型、KMV模型、Credit Risk+模型、Credit Portfolio View模型，均產生于歐美等發達國家，在信用風險管理中發揮著重要作用。但由于我國信用評級體系發展尚不完善，各個模型對數據的要求、風險驅動因素以及應用價值和局限等方面均存在明顯差異，有些假設條件和參數估計與我國的實際不太相符，使得部分模型在我國運用時受到了限制。

（1）信用評級體系

Credit Metrics模型和Credit Portfolio View模型的參數估計對信用評級體系的依賴性較強，但由于我國信用評級體系起步時間較晚，發展時間較短，沒有建立起大型的連續的歷史違約數據庫。缺乏一些大型的、權威的、獨立的評級機構，信用評級體系在對公司進行信用評級時會受到一些干擾影響因素，具有一些主觀性成分，導致我國提供的一些資信數據的可靠性受到影響，使得這兩個模型在我國的實際應用中受到一定的局限性。

（2）數據要求

KMV模型側重于企業自身的股票交易實時信息和財務數據，這些數據易于獲取，可從上市公司的財務報表中獲得，對上市企業來說，KMV模型是一種比較便捷的度量信用風險的方法，不僅可以通過股票市場的變化衡量企業信用等級的變化，也可以對未來發展進行預測，具有一定的“前瞻性”。Credit Metrics模型需要企業長期的歷史違約數據， Credit Risk+模型需要估計每筆貸款的違約概率和風險暴露兩個變量，Credit Portfolio View模型需要有關資信的歷史數據和跨行業的宏觀數據，而我國數據庫的不完善影響了這三個模型的實際應用。 因此，我國現有的數據已經可以滿足KMV模型對數據的要求。

（3）風險驅動因素

根據新巴塞爾協議，參照風險度量模型考慮的風險驅動因素不同，可把風險度量模型分為條件模型和無條件模型。條件模型不僅反映特定借款人的信息，而且還對國家的宏觀經濟環境因素的變動具有較強的敏感性；無條件模型僅僅反映了單個項目或者借款人的微觀信息。KMV模型依賴企業的股票價格、資產與股票收益及其波動性等數據信息，由于企業處于國家的宏觀經濟大環境下，股票價格等信息會受到國家政策、行業發展、經濟形勢等系統風險的影響和自身經營狀況的影響，所以KMV模型屬于條件模型。在考慮宏觀經濟環境對模型中違約風險的影響時，Credit Portfolio View模型與KMV模型具有相似之處，兩者都屬于條件模型。而Credit Metrics模型和Credit Risk+模型中違約率的變動對宏觀經濟因素的變動敏感性不強，兩模型中決定信用風險的只是債務人的具體信息，故這兩個模型是無條件模型。

因此，從模型考慮的風險驅動因素全面性來看，特別是在社會主義市場經濟條件下，KMV和Credit Portfolio View條件模型，更能客觀地衡量信用風險，更適用于我國商業銀行信用風險管理。

（4）各模型的應用價值與局限

KMV模型運用的上市公司股票交易實時信息，具有盯市性，可隨時根據股票價格的波動更新數據，可實現對借款企業信用等級的連續測量，起到對信用資產所產生的信用風險的跟蹤、預防、度量和控制。但是，該模型存在一些局限之處：首先，該模型中有些假設比較嚴格，長期債務沒有對債務的優先償還順序，有無擔保情況，流動性情況等進行區分，這可能使違約點與實際情況不符，造成結果的誤差性；其次，關于公司資本結構在貸款期內的一成不變假設與事實不太相符；再次，關于利率在貸款期限內保持不變的假設，這不符合利率市場化的要求，導致信用風險中不含有利率風險；最后，模型假設企業的資產價值服從正態分布，在此基礎上計算企業的違約概率，這與實際情況有很大的不同。

Credit Metrics模型在度量信用風險時運用了VAR方法，考慮了各個信用工具對投資組合風險的影響，實現了對違約概念的擴展，既可以應用于傳統的信用資產，也能夠用于核算金融衍生工具。但該模型存在以下局限：第一，認為信用等級的變化與信用質量的變化是統一的，這與實際情況不相符，因為違約率的調整是連續的，而信用等級的調整卻是離散的；第二，由于該模型需要大量市場數據，在我國使用時需要用一些數據來近似替代，而這會影響到度量結果的準確性；第三，假定實際違約率與歷史平均違約率相等，在很多情況下這與實際情況不符，因為許多證據表明信用等級遷移概率是跨時期相關的，并不遵循馬爾科夫過程；第四，該模型在對資產回報進行估計時用的是股權回報，這會使計算結果存在一些誤差。

Credit Risk+模型對投資組合的損失概率分布利用壽險精算中的理論，利用小概率極端事件來統計損失概率分布，得出了債券和貸款組合在一定情況下具有閉型解，該模型在進行信用風險測量時，靈活性很強。該模型的局限之處為，第一，沒有考慮債務人具體特征和市場風險，只考慮了違約風險，認為違約風險與資本結構無關，并且該模型忽略了債務人信用等級的變化，這與實際情況不符；第二，對每組貸款進行風險暴露的計算時，采用了近似計算，這使得在計算投資組合損失方差時具有一定的誤差。

Credit Portfolio View模型在對借款企業進行信用風險度量時考慮了宏觀經濟因素對信用等級遷移的影響，運用宏觀模擬對信用風險進行分析，能夠刻畫出回收率的不確定性和由宏觀經濟因素帶來的風險，可以運用到不同的國家和不同的行業。該模型的缺陷有，第一，在對信用等級遷移矩陣進行調整時，參雜了相關人員的主觀意見，使得度量結果缺乏客觀性；第二，由于我國市場經濟發展時間尚短，信用數據庫的建立時間還很短，不能收集到國家、行業等長期歷史數據，這使得該模型在我國的使用受到限制。

綜上考慮，在四種現代信用風險度量模型中，最適合我國目前國情的是KMV模型，因為：第一，KMV模型以期權理論和公司理財理論為基礎，理論思路清晰，操作使用方便；第二，KMV模型所需要的數據資料會隨著我國資本市場有效性的提高和證券市場的良好發展逐步得到滿足，運用該模型的市場條件將逐漸完善，從而能夠更加適合我國的實際情況，而其它三個模型所需要的市場條件在短期內我國仍不能滿足。因此，KMV最能適合我國的經濟狀況，在未來發展中也最可能先達到該模型所要求的全部條件。

三、數據來源與變量選擇

為了檢驗KMV模型在我國商業銀行信用風險管理中的適用性，本文選取滬深兩市中符合條件的部分公司進行實證檢驗。

1.樣本選擇及數據來源

本文樣本選取了2013年90家滬深交易所上市公司和2014年的40家上市公司作為樣本。為了便于對比分析，本文將這些上市公司按照ST和非ST的標準進行分類。非ST公司的選取標準是：與ST公司行業相同，規模相似的非ST公司，這有利于對結果進行對比分析和研究。為了使選取的樣本更加合理，我們在樣本的選擇中剔除了一些公司：（1）財務數據不完整、主營業務不明確、未股改的公司；（2）排除了一些特殊行業，如金融保險業、房地產業、技術密集型行業等。根據我國行業分類的具體情況，除特殊行業外，本文樣本基本涉及到了其他全部行業。

數據來源銳思數據庫和萬德數據庫。此次分析分別以2013年12月31日和2014年12月31日為基準日，分別以2013年1月1日到2013年12月31日的日股票收盤價和2014年1月1日至2014年12月31日的周股票收盤價作為計算股票日收益率和股票價格波動率的基礎。2013年和2014年的企業數據覆蓋到了我國的26個省市自治區，占全國的比例為81.3%，具有較好的代表性。

2.變量選擇及參數估計

為了保證企業債務期限和實證過程中所限定的股價期限相匹配，取債務到期期限T=1。以2013年我國一年期定期存款基準利率3%作為該年的無風險利率，以2014年平均的一年期定期利率3.25%作為該年的無風險利率。

公司的違約點DPT采用短期債務STD和長期債務LTD線性組合的方式來計算，即 ，一般情況下 取1， 的取值在0到1之間，本文取 。

上市公司的股權價值波動率用流通股票的股價波動率來衡量，為便于計算，在假設上市公司股票價格服從對數正態分布條件下，股票的日收益率 可以表示為：

（1）

其中， 表示公司第 天的股票收盤價， 代表第 日的股票收盤價， 代表股票的日相對價格。這時，公司股票的日收益率標準差 為：

（2）

其中， ， 是平均日收益率。由于每年的總交易日為250日左右，則收益率年標準差 與日標準差 之間的關系為：

（3）

所以可得出：

（4）

因此，依據收集到的樣本公司全年日收盤價數據，由上述公式可以計算出樣本公司股票的對數日收益率及其股權價值波動率。

樣本公司股權價值等于流通股與非流通股價值之和，流通股價值等于股票價格與流通股股數的乘積，非流通股價值等于每股凈收益與非流通股股數的乘積。

四、KMV模型適用性的實證檢驗

根據選擇的樣本和參數估計方法，并利用銳思數據庫和萬德數據庫的數據，計算得到2013年ST和非ST樣本組的違約距離見表1所示。

表1 2013年ST公司與非ST公司的違約距離

行業 ST公司 非ST公司

公司

名稱 資產

價值 資產

波動率 DD 公司

名稱 資產

價值 資產

波動率 DD

農林牧漁業 ST景谷 14.10 1.07 0.61 益生股份 20.83 1.40 0.42

新農開發 40.00 0.64 1.00 吉林森工 41.84 0.50 1.11

電力業 漳澤電力 302.96 0.11 3.16 桂冠電力 209.99 0.28 1.89

新能泰山 58.00 0.57 0.71 穗恒運A 72.42 0.36 0.97

贛能股份 59.23 1.09 0.38 金山股份 144.83 0.20 1.85

*ST祥龍 19.63 1.02 0.95 銀星能源 59.14 0.32 1.75

*ST東熱 18.39 2.43 0.09 福能股份 22.03 0.62 1.35

鋼鐵業 *ST韶鋼 211.13 0.11 1.85 新鋼股份 262.39 0.24 0.72

ST泰復 34.88 1.04 0.79 凌鋼股份 117.03 0.38 0.48

有色金屬業 *ST株冶 70.27 0.75 0.40 金瑞科技 29.13 3.33 0.24

赤峰黃金 20.24 0.29 2.01 新華龍 23.37 1.01 0.50

中鎢高新 89.80 0.76 0.59 東方鉭業 65.15 0.76 0.90

園城黃金 24.48 0.69 1.28 西部材料 39.46 0.58 1.11

羅平鋅電 20.26 0.82 0.65 閩發鋁業 14.57 0.45 1.82

化纖化工業 山東海龍 52.36 0.50 0.94 華西股份 35.97 0.73 1.05

吉林化纖 46.94 0.18 1.56 湖北金環 19.74 0.51 1.38

川化股份 35.63 0.37 1.28 雙象股份 17.25 0.82 1.05

*ST河化 27.79 0.72 0.62 安納達 18.16 0.59 1.27

*ST亞星 27.28 0.54 0.70 安利股份 16.59 1.58 0.40

*ST國發 19.09 0.61 1.15 金浦鈦業 16.71 1.09 0.72

*ST能化 34.50 0.36 1.54 大慶華科 13.86 0.59 1.58

*ST國通 17.84 0.70 1.01 高盟新材 12.68 3.26 0.29

ST明科 23.98 0.64 1.02 硅寶科技 16.41 2.19 0.43

建材業 *ST華塑 10.69 1.23 0.32 太空板業 10.70 1.45 0.55

冠福家用 24.16 1.69 0.29 兔寶寶 18.88 0.93 0.97

造紙業 石峴紙業 27.93 2.20 0.43 青山紙業 45.19 0.39 1.63

ST宜紙 22.29 0.52 1.04 安妮股份 16.08 1.06 0.77

紡織服飾業 德棉股份 17.62 0.42 1.21 夢潔家紡 16.46 0.85 0.77

ST中冠A 10.43 1.39 0.69 浪莎股份 11.26 0.61 1.44

食品飲料釀酒業 新中基 45.72 0.97 0.38 東凌糧油 75.73 0.28 1.21

皇臺酒業 16.80 0.51 1.63 通葡股份 14.25 1.48 0.64

家電業 廈華電子 25.31 0.96 0.73 愛仕達 28.41 0.49 1.58

汽車業 中國嘉陵 45.09 0.68 0.66 星宇股份 32.41 0.85 0.84

富奧股份 71.14 0.47 1.37 中國重汽 148.15 0.39 0.74

*ST黑豹 41.04 0.47 0.85 特力A 20.87 0.38 2.11

*ST西儀 19.78 0.89 0.98 浩物股份 18.62 1.56 0.53

醫藥業 *ST生化 34.47 0.89 0.89 漢森制藥 27.80 0.97 0.97

天目藥業 15.60 1.43 0.61 永安藥業 16.34 0.81 1.16

旅游業 大東海A 12.69 1.93 0.51 西安旅游 14.47 0.69 1.27

*ST聯合 22.84 1.19 0.64 北京文化 20.57 3.04 0.29

*ST九龍 43.16 0.96 0.78 峨眉山A 48.50 0.80 1.17

文教休閑業 *ST傳媒 19.63 1.31 0.72 長城動漫 17.05 0.98 0.94

*ST天龍 15.19 0.49 1.66 驊威股份 9.97 0.81 1.20

其他行業 廣東甘化 33.14 0.77 1.18 中國高科 37.17 1.83 0.27

寶利來 12.62 1.40 0.68 深信泰豐 17.00 0.47 1.78

2013年45家ST公司的平均違約距離為0.944，與之對應的非ST公司的平均違約距離為1.024，通過t檢驗可以發現兩組公司的違約距離存在顯著差異，即ST公司的違約距離更小，發生違約的概率更大。

以同樣的方法，可以計算2014年樣本組的違約距離，見表2。

表2 2014年ST公司與非ST公司違約距離

行業 ST公司 非ST公司

公司

名稱 資產

價值 資產

波動率 DD 公司

名稱 資產

價值 資產

波動率 DD

農林牧漁業 ST景谷 13.98 2.84 0.24 荃銀高科 14.74 2.35 0.34

*ST大荒 184.92 2.88 0.30 隆平高科 176.05 2.44 0.37

紡織服飾業 *ST派神 17.88 1.63 0.51 金宇車城 10.48 3.78 0.18

*ST三毛 14.77 2.61 0.29 山東如意 17.28 3.23 0.10

有色金屬業 株冶集團 100.30 0.42 1.19 新疆眾和 65.21 1.93 0.17

ST金泰 17.89 3.91 0.24 精藝股份 19.32 2.84 0.25

化纖化工業 *ST霞客 23.83 2.28 0.09 德威新材 19.57 3.63 0.14

*ST海化 49.54 2.80 0.24 滄州明珠 47.09 3.70 0.22

*ST新材 47.40 5.97 0.39 四川美豐 62.54 1.80 0.42

*ST合泰 45.08 2.71 0.26 大東南 51.09 1.29 0.65

ST南化 19.91 3.18 0.14 大慶華科 19.75 3.14 0.30

建材業 華塑控股 25.72 6.52 0.12 四川雙馬 37.58 1.32 0.54

*ST國創 17.55 3.05 0.32 九鼎新材 21.11 2.47 0.22

汽車業 *ST東安 29.49 3.54 0.19 漳州發展 29.73 3.94 0.08

西儀股份 31.40 1.87 0.49 中通客車 51.51 1.33 0.31

機械設備業 *ST東數 22.60 2.54 0.21 萬里股份 21.36 1.07 0.88

*ST銳電 192.89 1.77 0.20 平高電氣 168.38 1.39 0.56

ST東力 22.93 3.91 0.18 泰勝風能 29.67 2.28 0.28

文教休閑旅游業 國旅聯合 34.33 1.93 0.47 云南旅游 45.51 1.55 0.40

九龍山 81.62 0.98 0.88 宋城演藝 85.06 1.32 0.73

2014年20家ST公司的平均違約距離為0.307，與之配對的非ST公司的平均違約距離為0.356，ST公司違約概率更大，違約風險更大。

盡管在實證結果中，有個別ST公司的違約距離大于相應的非ST公司，這一方面是因為在選取與ST公司相配對的非ST公司時，只考慮了同一行業和資產規模這兩個條件，而忽略了其他的一些可能影響公司違約距離的因素；另一方面是在計算過程中，計量單位為億元，使得在對股權價值、負債、資產價值、違約點等變量進行度量時產生了一定的誤差，從而對結果產生一定的影響。但這并不影響該模型對企業信用風險的總體判斷。

2013年和2014年樣本實證結果證明，從平均違約距離來看，2013年和2014年非ST公司的平均違約距離都比ST公司大，說明KMV模型測量出來的ST類公司的違約距離較小，違約風險較大，表明該模型識別公司信用風險的能力較強。

從樣本公司違約距離的行業分布來看，（1）在三次產業之間，在2013年樣本上市公司所涉及到的14個行業中，第一產業的非ST公司的平均違約距離小于ST公司，這可能與第一產業的上市公司數目偏少，選取的樣本數較少有關。綜合分析2013年和2014年的所有數據，可以發現第二產業和第三產業的非ST公司的平均違約距離均大于ST公司，說明KMV模型能較好地識別其信用風險。同時，第三產業的ST公司的平均違約距離低于相應的第二產業，表明第三產業的違約風險相對較高，第二產業較低，這與我國第二產業發展相對成熟有關。（2）在第二產業中，電力業的違約風險最低，這與我國的經濟發展以第二產業為主，許多行業的發展依靠電力有關；其次是家電業、汽車業，由于這類產品與人們的生活密切相關，并且隨著人們收入水平的提高，家電和汽車的需求收入彈性變大，使得企業的抗風險能力增加。（3）在第三產業中，醫藥業的違約風險較大，因為醫藥行業需要大量的資金和技術投入，回收期長，導致其違約風險增大。

從樣本公司違約距離的區域分布來看，東部地區企業的信用狀況好于中西部地區。在所有省市自治區中，信用狀況最好的是廣東省、浙江省和江蘇省，這和當地的經濟發展水平較高，企業經營效益較好，償債能力較強有關。而信用風險最大的地區依次為新疆、江西省和湖南省，這主要是因為中西部地區的經濟相對欠發達，企業在進入經濟新常態后，轉型升級面臨瓶頸，從而進一步增加其違約風險。

綜合以上分析說明，（1）KMV模型具有較強的信用風險識別能力。企業的平均違約距離越小，則相應的違約風險越大。2013年和2014年所有的樣本非ST公司的平均違約距離均大于ST公司，說明非ST類公司的違約風險小于ST公司，與實際情況相符，模型識別能力較強。（2）KMV模型不僅能夠識別不同類型企業的信用風險，還能識別不同行業、不同地區企業的信用風險差異，進一步證明該模型不僅適用于微觀企業分析，也適用于中觀層面分析。（3）該模型在我國的使用仍然存在一些缺陷。個別ST公司的違約距離大于相應的非ST公司，說明由于我國資本市場和貨幣市場發展緩慢，資產價值服從對數正態分布的假設在我國得不到滿足，使得KMV的一些假設條件不能成立，從而導致該模型的應用受到一定的限制和影響。這就要求商業銀行在運用KMV模型進行信用風險測量時要謹慎，爭取輔助其它信息對公司進行綜合度量，從而使信用風險度量結果更加準確，更具有可靠性和應用價值。

五、結論與政策建議

本文通過對國際上常用KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型四種信用風險管理方法的優缺點和適用性進行對比分析，認為KMV模型最適合我國的國情和金融市場環境。通過對2013年90家上市公司和2014年40家上市公司進行KMV模型實證檢驗，發現KMV模型具有較強的企業信用風險識別能力，KMV模型不僅能夠識別不同類型企業的信用風險，還能識別不同行業、不同地區企業的信用風險差異，進一步證明該模型不僅適用于微觀企業分析，也適用于中觀層面分析，但該模型在我國的使用仍然存在一些缺陷。

因此，我國商業銀行在進行企業信用風險度量和識別時，不僅要選擇更好的、可適用的和科學的方法，同時政府還要不斷完善以下幾個方面，為商業銀行的科學信用風險管理提供保障。首先，完善相關金融經濟法律法規。政府應建立健全相關法規以保證商業銀行的正常經營。樹立良好的權威形象，加強自身信用建設，提高政府行為的透明性和合法性。在鼓勵金融創新的同時，加強金融監管。其次，發展風險數據庫技術。由于我國大型違約數據庫尚未建立，信用違約數據的連續性和完整性不能得到有效滿足，使得在運用KMV模型時受到一定的限制。所以，我們應更加注重信用資料的搜集，建設并維護好客戶信用檔案，利用現代化技術，建立并逐步完善風險基礎數據庫，為風險的分析和度量提供數據支持。再次，加強對證券市場的監管，保證資本市場正常運行。由于KMV模型需要一些上市公司的財務數據和股票交易信息，這就要求我們對上市公司的監管提出嚴格的要求，促使上市公司公開真實有效的信息，提高模型結果的參考價值。最后，加強風險管理人員素質培養。培養一支風險控制的專業化人才隊伍，這批隊伍應該具有長遠性和專業性的職業素養，還需要對風險管理人員進行信用文化的培訓，使他們增強對信用風險的敏感性和重大決策時的科學性，從而使他們在銀行風險管理中發揮更大的作用。

參考文獻

[1]Altman E.I. Financial Ratios， Discriminated Analysis and The Prediction of Corporate Bankrupt [J].Journal of Finance，1968， 23（9）：589一609.

[2]李樹杰.商業銀行信貸風險計量模型應用研究[J].金融教學與研究，2006.10.

[3]曹道勝，何明升.商業銀行信用風險模型的比較及其借鑒[J].金融研究，2006.10.

[4]陳忠陽.信用風險量化管理模型發展探討[J].國際金融研究，2009（10）：14-18.

[5]梅建明，易衛民，黃世為.基于KMV 模型的上市類融資平臺公司信用風險研究[J].財政研究，2013（10）：64-67.

[6]尹麗. 基于KMV模型的中國商業銀行信用風險評估[J].統計與決策，2013（06）：157-159.

[7]段霞.Z模型和KMV模型在我國適用性的對比研究一一以我國制造類上市公司為例[D].西南財經大學，2012.

KMV Model in China's Commercial Bank Credit Risk Management Analysis

and Empirical Applicability

YANG Xiuyun1，JIANG Yuanyuan1，DUAN Zhenzhen1

（1.School of Economics and Finance， Xian Jiaotong University， Xian 710061，China）

Abstract： This paper introduces four popular international credit risk management methods：the KMV model、Credit Metrics model、Credit Risk + model and Credit Portfolio View model. Based on qualitative and quantitative analysis， this paper compares these four credit risk management methods and finds out that the KMV model is the most suitable for our current situation. The sample consists of 45 ST companies and paired with 45 non-ST companies in 2013 and 20 ST companies and paired with 20 non-ST companies in 2014.We also have an empirical test to the distance to default of the sample. The empirical results show that KMV model is basically able to identify the listed company's credit situation， but there are some companies default distance is not realistic. It also shows that the model is limited in our ability to identify credit risk metrics. The reason may be related to that some assumptions of the model required in China is still not been effectively met and other factors. Therefore， China's commercial banks multipurpose use KMV model and the company's financial data will make the measure results in the credit rating of debt companies more reliable.

Key words： KMV model； Credit risk； Applicability analysis