上市公司信用風險測度評價

李耀

摘 要：以我國滬深A股上市公司作為研究對象，提取2017年的90家上市公司為樣本，在模型上進行了兩個階段擴展，最先根據我國的情況對KMV模型進行調整，運用KMV模型計算樣本的違約距離DD，初步判斷該指標對st公司和非st公司的區分能力;然后將違約距離DD當作一個變量與其他篩選后變量引入logistic模型中構成的logistic模型。實證顯示，納入違約距離DD后，logistic模型對ST和非ST公司的判別準確度相較于單獨的違約距離DD提高了很多。

關鍵詞：KMV模型;信用風險;logistic模型

一、研究背景

隨著經濟的發展，資本市場也日益發展壯大，金融的經濟地位也與日俱增，資本市場已然成為企業募集資金的場所，投資者也可以在資本市場進行操作來獲得回報，所以企業的財務狀況常常受到管理當局、投資者等利益相關者的密切關注，但隨著經濟全球化和大數據時代的到來，市場競爭也越來越殘酷，不少企業發展舉步維艱，就可能會陷入到財務危機中，然而企業發生財務危機也不是毫無征兆的，是一個漸漸地過程，而且是可以預測的，正確預測企業的財務風險，對保護投資者和債權人利益，對公司管理層面預防危機和改善治理，對政府監管，更好對市場監督和管理資本市場，都有重要的意義。

二、文獻回顧

中國證券市場近些年才發展起來，而國外比較成熟，國內學者對財務困境預測研究還處在研究初始階段，大多學者也是沿用國外的研究模式。

鄒鑫，李莉莉，房琳（2014），用29家上市公司的數據作為樣本，研究其信用風險，使用了KMV模型與Logit模型展開了研究，從總體效果來看，KMV模型的預測精度不高于Logit模型的預測精度。

孫森，王玲（2014），將KMV模型與Logit回歸模型相結合，對在滬市隨機選取的68家上市制造業的連約風險進行了實證分析，最終得出模型判定率較高的結論。

蔣彧，高瑜（2015），對KMV模型參數的估計與設定方法進行修正。隨后運用修正后的KMV模型，對2014年2月中國2008家上市公司的信用風險進行評估，并對模型識別和預測信用風險的能力進行檢驗。最終得出：修正后的KMV模型具有良好的上市公司信用風險識別能力;在特定的評估時長下，模型具有較強的信用風險預測能力。

楊秀云，蔣園園，段珍珍（2016），基于定性和定量分析相結合，對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，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。

李晟，張宇航（2016），選取了2010—2015年間我國16家上市商業銀行作為樣本，運用KMV模型計算出每個商業銀行的違約距離，隨后通過面板數據對于影響違約距離的主要因素進行了回歸分析。結果表明，國有銀行相對于非國有銀行而言其信用風險相對較低，而商業銀行的總不良貸款率、貸存比以及資產規模對于商業銀行的信用風險有著較為顯著的影響。

三、實證方案

（一）KMV模型的樣本選取

因我國破產機制不完善，所以以ST公司來代表財務困境公司，本文選取截至2017年12月31日為止，45只特別處理股票作為違約樣本組和行業一致的45只正常股票作為非違約配對樣本組進行研究。

所需指標主要有：以對數收益法計算的以日為周期的年化波動率、流通股股數、非流通股股數、每股凈資產、2017.12.31股票收盤價、短期負債、長期負債。

（二）KMV模型分析

違約點設置為=短期負債+1/2長期負債

股權市場價值=流通股股數*股票收盤價+非流通股股數*每股凈資產

通過MATLAB計算資產價值、資產價值波動率和違約距離。得到了90家上市公司的違約距離，我們將ST組和非ST組的違約距離對比可以發現，ST組的違約距離明顯小于其同行業相近資產規模的非ST組的違約距離。在上述45對公司中有36對判斷正確，準確率高達80%，說明KMV模型能夠較好的判斷出違約組公司和非違約組公司。上述違約組的平均違約距離為3.681022，非違約組的平均違約距離為45.60495771，兩者表現出極大差異。現實中ST公司由于經營狀況不好，業績下滑，很可能出現資不抵債信用違約情況，實證結果和實際情況符合。

（三）違約距離的T檢驗

樣本相關系數P（sig）=0.959>0.05證明ST組和非ST組之間無相關關系。

成對樣本檢驗P=0.157>0.05，證明兩組之間存在顯著差異，進而證明KMV模型有較好的信用風險識別能力。

（四）Logistic模型的樣本選取

選用KMV模型的90家上市公司為研究對象。其中包含45家違約企業和45家非違約企業。選取了X1資產負債率、X2流動比率、X3速動比率、X4銷售毛利率、X5普通股權益總額（億元）、X6股價波動率（年化）、X7凈利潤/營業總收入、X8總資產報酬率ROA、X9流動負債合計（億元）、X10非流動負債合計（億元）、X11現金比率、X12經營活動產生的現金流量凈額/負債合計、X13 長期債務與營運資金比率、X14 貨幣資金/短期債務、X15應收賬款周轉率、X16營運資本周轉率、X17經營活動凈收益/利潤總額、X18 經營活動產生的現金流量凈額/營業利潤、X19現金營運指數、X20 總資產周轉率、X21應付賬款周轉率、X22存貨周轉率、X23 經營活動產生的現金流量凈額/營業收入、X24 每股現金流量凈額（元）、X25 歸屬母公司股東的權益（相對年初增長率）、X26凈利潤（同比增長率）、X27營業收入（同比增長率）、X28前十大股東持股比例合計、X29第一流通股東持股比例、X30每股凈資產BPS（元）、X31第一大股東持股比例。

（五）樣本進行Mann-whitneyU檢驗

采用兩獨立樣本的Mann-whitneyU檢驗來檢驗樣本來自的兩獨立總體的均值和分布有無顯著差異。SPSS將自動計算Mann-whitneyU統計量，在0.05的顯著性水平下，若p<0.05，則拒絕原假設：認為該指標對ST公司和非ST公司具有顯著區分能力，結果其中變量X9，X10，X11，X14，X15，X16，X19，X22，X24，X26，X27，X29沒有通過顯著性差異檢驗，即這12個變量對ST公司和非ST公司并沒有顯著區分能力，故而可以從基礎指標中剔除。因X12、X17缺失值較多，故也剔除。

（六）引入違約距離的Logistic信用違約模型

因變量較多，而指標之間存在相關性而對模型穩健性產生不好影響，在不能盲目刪減指標的情況下，用因子分析法對變量就行降維，濃縮成幾個互不相關的因子。最后提取出7個主因子，總方差解釋率為72.19%，總體效果較好。

為了更好地觀察變量因子，根據因子載荷較大的數值分布對得到的7個共同因子命名。

共同因子（F1）在流動比率、速動比率上因子載荷較大，將因子1命名為短期償債能力。

共同因子（F2）在資產負債率、普通股權益總額、每股凈資產上因子載荷較大，將因子2命名為權益因子。

共同因子（F3）在違約距離上因子載荷較大，因此將因子3命名為違約距離。

共同因子（F4）在凈利潤/營業總收入、經營活動產生的現金流量凈額/營業收入上因子載荷較大，因此將因子4命名收益結構因子。

共同因子（F5）在股價波動率、總資產報酬率、歸屬于母公司股東的權益上因子載荷較大，因此將因子5命名為權益波動因子。

共同因子（F6）在經營活動產生的現金流量凈額/負債、經營活動產生的現金流量凈額/營業利潤上因子載荷較大，因此將因子6命名為經營現金流。

共同因子（F7）在總資產周轉率、應付賬款周轉率上因子載荷較大，因此將因子7，命名為經營周轉因子。

基于上述7個共同因子的Logistic模型采用Enter進行logistic回歸，回歸結果：

[lnp1-p=0.37F1+0.1631F2+2.161F3+0.112F4+2.122F5+0.0662F6+0.774F7+0.161]最后得到的預測精度為85.6%。

四、結論

通過對上述實證分析的總結，能夠得出以下四條結論：

一、上市公司的財務狀況的變動能夠通過違約距離比較客觀地體現。

二、本文的均值差異主要是通過兩個M-W的獨立樣本來檢驗的，結果表明余下18個指標在0.05的顯著性水平下完成了檢驗，即表明其能夠明顯區分出財務異常公司和財務正常公司。

三、違約距離除了能夠客觀體現上市公司的財務變動情況，另一方面，對模型的辨別能力也具有一定程度的提升促進作用。上述結果也能夠驗證違約距離的加入顯著提升了辨別精度。

四、相對精準的Logistic模型可以通過因子分析得到的7個共同因子而建立。如本文通過該途徑所建立的Logistic模型能夠85.6%的精準度總體預測財務困境公司。

參考文獻：

[1]鄒鑫，李莉莉，房琳.基于Logit和KMV的我國上市公司信用風險的比較研究[J].青爲大學學報（自然科學版），2014，27（2）：90-94.

[2]鄧晶，田治威，張燕琳.我國林業上市公司信用風險研究一基于KMV模型[J].技術經濟與管理研究，2014，（7）：8-12.

[3] 孫森，王玲.基于KMV-Logit模型的上市公司違約風險實證研究[j].財會月刊，2014（18）：64-68.

[4]蔣彧，高瑜.基于KMV模型的中國上市公司信用風險評估研究[J].中央財經大學學報，2015（9）：38-45