基于KMV模型的創(chuàng)業(yè)板上市公司信用風險研究

程曉艷， 褚曉飛

(河南科技大學 經(jīng)濟學院， 河南 洛陽 471023)

2009年10月30日，我國創(chuàng)業(yè)板正式拉開序幕，它的推出為創(chuàng)業(yè)型企業(yè)、中小企業(yè)和高科技產(chǎn)業(yè)企業(yè)提供了便捷的融資渠道，滿足了投融資主體多樣化的需求，同時也提升了我國資本市場的競爭力。長期以來，創(chuàng)業(yè)板扶持著一批批的高成長性企業(yè)不斷發(fā)展擴大，這些企業(yè)對資金的需求非常旺盛，它們較好的成長性和廣闊的發(fā)展前景成為商業(yè)銀行的主要貸款對象。然而，由于創(chuàng)業(yè)板上市的企業(yè)大多處于發(fā)展初期，規(guī)模較小，抗風險能力也較差，而創(chuàng)業(yè)板市場準入門檻低且未完全建立對這些上市企業(yè)的財務評估體系，其高成長性的背后隱藏著巨大的經(jīng)營風險，財務危機事件頻頻發(fā)生，最終導致信用違約。信用風險事件的發(fā)生使創(chuàng)業(yè)板上市公司無法獲取銀行機構和投資者的信任，因而陷入融資難的惡性循環(huán)中。因此，研究創(chuàng)業(yè)板上市公司的信用風險不僅可以為其獲得長期借款提供佐證，而且對銀行等金融機構明確把握這類上市公司的信用狀況有重要作用。

在此背景下，關注我國創(chuàng)業(yè)板上市公司的財務狀況，識別其信用風險，建立符合我國市場經(jīng)濟體制的信用風險管理方法，不論對于政府政策的制定、金融機構的投資判定、個體投資還是所有該行業(yè)的參與者來說都至關重要。對于政府監(jiān)管部門來說，準確度量信用風險有利于完善和發(fā)展多層次資本市場，保持經(jīng)濟活力，提高融資效率；對于投資者來說，準確度量信用風險有助于作出資產(chǎn)配置、分散風險的合理決策；對于上市公司來說，及時運用風險度量模型對公司的財務狀況做出預測，有助于公司提早預警可能的財務危機，化解潛在的信用風險。

一、文獻綜述

自KMV模型建立以來，國內(nèi)外學者針對KMV模型對信用風險的測度進行了比較系統(tǒng)完善的研究。具體來講包括對KMV模型的理論介紹、有效性驗證、適用性以及修正研究，其模型應用日趨成熟。

作為KMV模型的先驅(qū)者，Mc Quown與Vasicek改進BSM模型時，既考慮企業(yè)的負債水平、股價波動等市場信息，又關注公司的財務信息，最終改進期權定價公式來評估公司的違約風險，開發(fā)出了KMV模型，并首先對其進行有效性驗證。他們分別通過計算IBM公司在其機構信用評級惡化前的5年EDF變化趨勢、泰國國家銀行在泰國危機發(fā)生前的4年EDF值，以及世通和UA公司在申請破產(chǎn)之前的信用風險波動情況，證明了KMV模型較強的敏感性和適用性[1]。M.Tudela和G.Young、Douglas Dwyer和Irina Korablev分別通過實證將KMV模型與Probit模型、Z值信用評分模型進行比較[2-3]，最終均證實了該模型相較其他模型更好的預測性。

國外在KMV的修正方面，主要是針對模型中的參數(shù)進行改進。Lee在求解最優(yōu)KMV模型的違約點時，提出了一種新的遺傳算法，利用新的改進模型GA-KMV進行實證分析[4]。Yeh、Lin等通過結合RF、RST和KMV模型，對KMV模型進行了優(yōu)化[5]。Zhang和Shi將模糊聚類思想引入到了PSO-KMV模型中，并對違約點的設定規(guī)則進行改進最終找到了最優(yōu)的違約點[6]。

國內(nèi)對KMV模型的研究大多集中于理論介紹、適用性、實際應用領域方面，以及對KMV模型的修正。陳忠陽首先對KMV模型的理論進行闡述，同時將該模型與Credit Metrics模型進行對比分析[7]。張澤京、陳曉紅等通過對眾多風險測量模型的差異性分析，證明KMV模型適合于公司的風險評估[8]。黃薇薇在進行實證研究時，運用包括KMV在內(nèi)的眾多有效性驗證工具驗證模型的有效性，并表示KMV模型在信用風險較小的樣本中對于公司風險判斷能力優(yōu)于Z-Score模型[9]。凌江懷和劉燕媚將KMV模型運用到商業(yè)銀行的風險評價中，得出運用定量方法計算出的銀行預期違約率與采用定性方法得出的評級結果相吻合的結[10]。此后，KMV模型逐漸應用于制造業(yè)、房地產(chǎn)和金融等各個行業(yè)領域。

國內(nèi)對模型的修正研究，比如閆海峰、華雯君對股權價值波動率和資產(chǎn)價值及其波動率的估算作出了修正，研究顯示，修正后的KMV模型準確性、敏感性更好[11]。史小坤、陳昕在對商業(yè)銀行風險管理的研究中對KMV模型的違約點進行了修正[12]。鄒薇則對資產(chǎn)價值增長率以及違約點進行修正，并表明此修正達到了75.56%的準確率[13]。姚德權、張宏亮等選取16家在滬深證券市場上市交易的商業(yè)銀行，引入資產(chǎn)價格變結構點非參數(shù)檢驗方法，得出利用變結構KMV模型更具前瞻性的結論[14]。周海赟、王曉芳針對信息不完善的現(xiàn)實情況在KMV模型中引入了灰色區(qū)域理論[15]。

綜上所述，國內(nèi)外學者對KMV模型已作出了較為成熟的研究和改進，KMV模型在我國學術界已得到較為廣泛的認可和應用。然而，利用KMV模型對我國創(chuàng)業(yè)板上市公司信用風險進行評估的研究仍在少數(shù)，按照行業(yè)分類或者資金進行分類研究更顯薄弱。鑒于此，本文選取創(chuàng)業(yè)板上市的89家公司2017年的截面數(shù)據(jù)，利用KMV模型計算各公司的違約點以及違約距離，評價公司的違約風險大小，分析各參數(shù)的敏感性，為政府管理部門的政策取向以及投資者的合理決策提供參考。

二、KMV模型構建與實證分析

(一)KMV模型對預期違約率的估算

1.樣本公司資產(chǎn)價值VA和資產(chǎn)價值波動率σA的確定。這兩項指標無法直接通過證券市場或者公司的財務報表觀測出，而是要股票市場的股權價值VE和股權價值波動率σE以及債務面值D等各參數(shù)的推導得出，其推導關系如下：

VE=VAN(d1)-De-rTN(d2)

(1)

其中：

(2)

(3)

表1為上述(1)—(3)公式中相關指標的解釋：

表1 公式所含字母的含義

在上述公式中，僅有兩個未知變量VA和σA，可通過聯(lián)立式(1)和 (3)利用Matlab得出，在計算這兩項指標之前，需要確定以下五項參數(shù)：

①股權價值VE?？紤]到創(chuàng)業(yè)板上市公司股權流通情況，本文采取流通股與非流通股股價之和作為股權價值。計算公式為：股權價值=流通股市場價值(流通股收盤價格x流通股股數(shù))+每股凈資產(chǎn)x非流通股股數(shù)。

其中，

③無風險利率γ。參考財政部3個月期國債發(fā)行價格所對應的參考收益率，對2017年國債發(fā)行利率進行加權平均得到一年期的國債收益率3.096%作為無風險利率。

④債務面值D。本文選取各上市公司資產(chǎn)負債表中的總負債作為D。

⑤債務期限T。本文選取時間周期T=1。

確定好上述五個參數(shù)后，利用MATLAB軟件將89個樣本公司的相關指標逐一進行迭代，得出每家上市公司的資產(chǎn)價值VA和資產(chǎn)價值波動率σA。

2.違約距離DD的計算。利用步驟1得出的兩個未知變量VA和σA，再利用如下公式即可計算得到樣本公司的違約距離DD。

(4)

DD是一個量化指標，通過標準化處理后，不同行業(yè)、地區(qū)和規(guī)模的公司均可進行相互比較，其數(shù)值的大小代表公司到期償還債務的能力，在一定程度上反映違約風險的程度。其中，DP為違約點，本文將違約點確定為流動負債與0.5倍的非流動負債之和。

3.預期違約率EDF的估算。通過(4)式得到違約距離DD后，可利用以下公式計算出預期違約概率：

(5)

由于我國的違約歷史數(shù)據(jù)庫尚未建立完整，違約距離和預期違約率的映射關系很難獲取，因此本文選取違約距離來近似確定上市公司信用風險的大小，違約距離越大，則預期違約率越小，兩者之間理論上呈現(xiàn)反向關系。

(二)樣本選取與數(shù)據(jù)預處理

截至2017年12月31日，在深圳證券交易所上市的創(chuàng)業(yè)板上市公司有701家，按照2012年證監(jiān)會行業(yè)分類，將上市公司分為19大行業(yè)，但由于創(chuàng)業(yè)板市場成立時間相對較短，其中房地產(chǎn)行業(yè)、餐飲酒店行業(yè)、金融業(yè)、服務業(yè)、和綜合在2017年沒有相關的公司上市，教育行業(yè)僅有一家，數(shù)據(jù)并不具有代表性。因此，去除上述6大類行業(yè)，對剩余13大行業(yè)中創(chuàng)業(yè)板上市公司按照規(guī)模排序，每個行業(yè)等間距篩選10家上市公司，若某行業(yè)上市公司總數(shù)不超過10個，則全部選取為樣本，最終選取89家樣本公司。依據(jù)上述KMV模型所涉及指標，樣本周期確定為2017年1月1日至2017年12月31日，其中，流動負債和非流動負債等時點數(shù)據(jù)采用2017年12月31日的數(shù)據(jù)，數(shù)據(jù)來源于國泰安數(shù)據(jù)庫和各個公司的財務報表。

(三)實證結果分析

按照上述KMV模型計算預期違約率的步驟，本文最終計算得出89家樣本公司的違約距離，以此反映各公司的信用風險的大小，并按照行業(yè)和產(chǎn)業(yè)進行差異性分析(表2)。

1.行業(yè)分析結果。

表2 不同行業(yè)違約距離描述性統(tǒng)計結果

總體來看，所選取的89個樣本公司的違約距離均值為2.585 8，在所屬的行業(yè)分類中，有8大行業(yè)的違約距離超過平均水平，所占行業(yè)比例為61.5%。其中，所有樣本中，宋城演藝該家上市公司的違約距離最大為4.494 1，所屬行業(yè)為文化體育和娛樂業(yè)。查看其財務報表信息及上市股票信息可知，該公司的資產(chǎn)規(guī)模相對較大，且上市股票價格波動并不明顯。由此可以得出其違約風險相對較小的原因。而美晨生態(tài)該家上市公司的違約距離為負值，原因是其資產(chǎn)負債遠遠超過了公司的資產(chǎn)價值，導致該公司資金鏈斷裂，運營狀況出現(xiàn)嚴重的問題，因而產(chǎn)生較大的信用風險。

從各行業(yè)縱向分析來看，文化體育和娛樂業(yè)的違約距離最大，為3.313 3，即該行業(yè)的違約風險最小。這可能是因為隨著我國經(jīng)濟的發(fā)展，人們生活水平得到改善，該行業(yè)需求收入彈性較大，使得人們在收入水平提高的情況下對其的需求量增大。該行業(yè)也因此逐步發(fā)展并且具有一定的風險防控能力和償還債務能力，進而破產(chǎn)清算的可能性小，因此該行業(yè)信用違約風險最低。而建筑業(yè)的違約距離最小為1.601 4，這一結果和股票市場的狀況基本吻合。由于建筑業(yè)對房地產(chǎn)和基建的投資率較大，而房價的不穩(wěn)定性和基礎建設工程的突破期需要技術的不斷完善，這就造成了建筑行業(yè)運營的不穩(wěn)定性，從而引起違約風險的加大。

從違約距離波動情況來看，建筑行業(yè)的違約距離波動范圍較大，說明建筑業(yè)相較于其它行業(yè)信用風險波動性較大。違約距離標準差最小的是電、水、燃氣以及熱力，且其違約距離相對較大，一定程度上說明了其違約風險是相對較低的。這是由于該行業(yè)的發(fā)展與人們的生活密切相關。隨著人們的收入提高，類似家電、汽車行業(yè)的需求價格彈性小，人們對其的需求相較于其價格是不敏感的，即使價格上漲人們的需求量也并不會降低多少，這就使得該行業(yè)的違約風險低，抗風險能力強。

為了使研究更具有實際價值，本文將行業(yè)按照第一產(chǎn)業(yè)、第二產(chǎn)業(yè)和第三產(chǎn)業(yè)從整體上來劃分研究。通過歸類計算出三大產(chǎn)業(yè)違約距離的均值，結果見圖1。

圖1 各產(chǎn)業(yè)違約距離均值

2.產(chǎn)業(yè)分析結果。從產(chǎn)業(yè)分析(圖1)來看，平均違約距離最大的是第一產(chǎn)業(yè)，第二產(chǎn)業(yè)的平均違約距離最小，違約距離位于第二的是第三產(chǎn)業(yè)，這一差異符合金融理論知識。第一產(chǎn)業(yè)和第三產(chǎn)業(yè)的違約距離相差不大，第一產(chǎn)業(yè)的違約距離取決于農(nóng)、林、牧、漁業(yè)；第二產(chǎn)業(yè)中建筑業(yè)違約距離平均值最小，電力、熱力、燃氣及水生產(chǎn)和供應業(yè)的平均違約距離最大；第三產(chǎn)業(yè)中文化、體育和娛樂業(yè)平均違約距離最大，科學研究和技術服務業(yè)平均違約距離最小。

其中，在第二產(chǎn)業(yè)中，建筑業(yè)違約距離最小，在整個行業(yè)分類中是違約距離最小的，其違約風險也最大，實體經(jīng)濟的不佳致使建筑業(yè)倒閉潮的涌起，尤其是建筑裝飾和土木工程一類的公司資金鏈斷裂現(xiàn)象嚴重，使得公司資不抵債，整個行業(yè)的違約風險較大，從整體上拉低了第二產(chǎn)業(yè)的違約距離，進而得出第二產(chǎn)業(yè)違約風險偏大的結論。而第一產(chǎn)業(yè)的違約距離大于第一、三產(chǎn)業(yè)，一方面是因為作為第一大產(chǎn)業(yè)—農(nóng)業(yè)是人們工作生活的基礎產(chǎn)業(yè)，發(fā)展相對成熟，其成熟的發(fā)展體系為其公司的運營打下了良好的基礎，另一方面則是因為本文中第一產(chǎn)業(yè)上市公司樣本數(shù)偏少，僅有6家創(chuàng)業(yè)板上市公司，在一定程度上可能會影響本文第一產(chǎn)業(yè)的違約距離分析情況。而第三產(chǎn)業(yè)之所以違約距離的均值大于第二產(chǎn)業(yè)，不僅得益于目前國家政策對經(jīng)濟結構轉型的制定和實施，更大程度上是由于在第三產(chǎn)業(yè)中行業(yè)分類的區(qū)別，在第三產(chǎn)業(yè)中大多為服務行業(yè)，而這類行業(yè)屬于勞動密集型產(chǎn)業(yè)，主要依靠大量使用勞動力，而對技術和設備的依賴程度較低，因此出現(xiàn)了第三產(chǎn)業(yè)平均違約距離較大的現(xiàn)象。

三、創(chuàng)業(yè)板上市公司信用風險因素探究

本文在上文的行業(yè)、產(chǎn)業(yè)分析中發(fā)現(xiàn)，資產(chǎn)規(guī)模較大的公司所呈現(xiàn)出來的違約距離較大，那么，資產(chǎn)規(guī)模是否與違約距離之間呈現(xiàn)正向相關關系，為了驗證上述猜想，本文繼續(xù)進行實證探究。

(一)資產(chǎn)規(guī)模對違約距離影響的探究

本文將選出的89個樣本公司的資產(chǎn)價值按升序排列，分為三大組，排名前30名的作為小資產(chǎn)規(guī)模組，排名后30位的作為大資產(chǎn)規(guī)模組，排名中間29名的作為中規(guī)模組。三類不同規(guī)模的上市公司違約距離情況的匯總結果如表3。

表3 不同資產(chǎn)規(guī)模的違約距離情況

從表3和圖2可以看出：整體上，創(chuàng)業(yè)板市場小規(guī)模上市公司的平均違約距離為2.061，明顯小于大規(guī)模的上市公司(3.203)。從資產(chǎn)波動率看，小規(guī)模公司的平均資產(chǎn)價值波動率為0.435，比大規(guī)模公司多0.186。這在一定程度上也解釋了違約距離存在差異的原因。從違約距離的標準差來看，小、中規(guī)模的上市公司違約距離波動范圍較大，分別為1.157和0.900，且變化趨勢相似，但總體違約距離小于大規(guī)模公司的違約距離。因此，可以得出結論：資產(chǎn)規(guī)模的大小與公司發(fā)生違約的可能性成反比，且總資產(chǎn)小于38億的公司抗風險能力更弱些。

圖2 不同資產(chǎn)規(guī)模公司的違約距離

(二)違約距離各參數(shù)的敏感性分析

違約距離的測算依賴于股票市場信息，其數(shù)值的大小更是與各參數(shù)密切相關。因此，在研究違約距離的各參數(shù)敏感性分析時，本文借鑒柏雪怡采用股權價值、股權價值波動率、資產(chǎn)價值、資產(chǎn)價值波動率、違約點這五個指標[16]分析其對違約距離的影響。以創(chuàng)業(yè)板上市的89家公司作為研究對象，將違約距離作為因變量Y，資產(chǎn)價值(X1)、資產(chǎn)價值波動率(X2)、股權價值(X3)、股權價值波動率(X4)、違約點(X5)作為自變量，運用 Eviews8.0對上述變量建立多元回歸模型，分析各個參數(shù)對違約距離的影響大小。模型一般形式如下：

Y=C+β1X1+β2X2+β3X3+β4X4+β5X5+ε

回歸結果見表4：

表4 模型的統(tǒng)計量

從方程的顯著性檢驗結果(表4)可以看出：F值=101.304 0，P值為0，小于0.05，說明回歸方程整體效果顯著，模型中解釋變量與被解釋變量之間存在顯著線性關系。從擬合優(yōu)度來看，R2為0.8592，說明模型擬合程度很好。

其中，模型各變量系數(shù)的檢驗結果表5所示：

表5 模型系數(shù)統(tǒng)計量

模型中的各參數(shù)t檢驗(表5)結果顯示：給定顯著性水平?=0.05，查t分布表得t?(89)=1.987，X1、X3、X4、X5的統(tǒng)計量分別為13.875 6、-13.224 0、-4.678 1、-11.343 3，其絕對值均大于1.987，在5%顯著性水平下，應該拒絕原假設H0:β1=β3=β4=β5=0，即認為除了X2外，模型變量中4個參數(shù)—資產(chǎn)價值、股權價值、股權價值波動率、違約點均通過了顯著性檢驗，對被解釋變量是有顯著影響的[16]。

最終得到模型的回歸方程為：

Y=4.291+0.041X1-0.363X2-0.042X3-3.408X4-0.045X5

從各參數(shù)的符號來看，X2、X3、X4、X5與違約距離成反向相關，這些參數(shù)的數(shù)值增加會引起違約距離的減少，而資產(chǎn)價值(X1)則與違約距離成正向相關，該參數(shù)數(shù)值的增大則會引起違約距離增加。

從指標變化比例來看，資產(chǎn)價值波動率每增加1個百分點，違約距離將會減少0.363個百分點，相應的，資產(chǎn)價值每增加1個百分點，違約距離將會增加0.042個百分點。這在一定程度上說明了資產(chǎn)價值波動率的影響較資產(chǎn)價值大。因此，改善公司的資本結構，穩(wěn)定公司的經(jīng)營狀況，平抑創(chuàng)業(yè)板的資產(chǎn)價值波動率對于公司健康發(fā)展，降低違約風險方面有重要意義。在其余3個參數(shù)中，股權價值波動率對違約距離的影響最大。這說明股票市場的波動對公司信用水平的評判也至關重要。股票價格波動越劇烈，資產(chǎn)價值越不穩(wěn)定，公司經(jīng)營管理不善，信貸違約可能性越大，信用風險也越高。對于違約點，違約距離與違約點DPT呈負相關的關系由違約距離的計算公式即可得出，違約點DPT越大，違約距離DD越小，在選用KMV模型時應該選擇合適的違約點以便求出更精確的違約距離。

四、結論與建議

(一)研究結論

首先，本文通過對各行業(yè)公司的違約距離進行描述性分析后，將其進行產(chǎn)業(yè)劃分，得出如下結論：第一產(chǎn)業(yè)的平均違約距離最大，第二產(chǎn)業(yè)的平均違約距離最小。說明第一產(chǎn)業(yè)發(fā)展相對第二產(chǎn)業(yè)更加成熟，其中，在第一產(chǎn)業(yè)中代表漁業(yè)的國聯(lián)水產(chǎn)上市公司的約距離最大，約為3.674。在第二產(chǎn)業(yè)中，建筑業(yè)的平均違約距離最小，電力、熱力、燃氣及水生產(chǎn)和供應業(yè)處于較低的違約風險。隨著近年來產(chǎn)業(yè)結構的不斷發(fā)展和升級，作為第三產(chǎn)業(yè)的創(chuàng)業(yè)板各上市公司的違約風險逐漸下降并低于第二產(chǎn)業(yè)。

其次，關于資產(chǎn)規(guī)模與其違約距離的探究結論是：資產(chǎn)規(guī)模對信用風險有顯著影響。在我國創(chuàng)業(yè)板上市公司中，資產(chǎn)規(guī)模的大小與公司發(fā)生違約的可能性成反比，且總資產(chǎn)小于38億的公司抗風險能力更弱些。

最后，違約距離的各參數(shù)敏感性分析結論是：除了資產(chǎn)價值外，其余4個參數(shù)與違約距離之間均呈現(xiàn)反向關系。資產(chǎn)價值則與違約距離成正向相關。資產(chǎn)市場價值越大，說明該公司的資金雄厚，經(jīng)營穩(wěn)健，抗擊風險的能力強，相應的公司的違約風險也較?。粚τ谫Y產(chǎn)價值的波動率來說，資產(chǎn)價值波動性較大的公司往往資產(chǎn)規(guī)模較小，經(jīng)營穩(wěn)定性越差，很可能出現(xiàn)債務到期卻償還不了的情況，因此發(fā)生違約的可能性越大。股權價值與股權價值波動率與股票市場緊密聯(lián)系，上市股票價格波動越劇烈，資產(chǎn)價值越不穩(wěn)定，公司經(jīng)營管理不善，信貸違約可能性越大，信用風險也越高。

(二)政策建議

金融機構尤其是商業(yè)銀行，應注重多角度綜合分析，依靠模型與聯(lián)動效應準確評估。在考慮上市公司信用狀況時，僅參考模型測出來的結果并不能真實地反映該公司的信用情況，同時需要對公司的所屬行業(yè)、數(shù)據(jù)的可獲得性以及當時的客觀情況等進行綜合判斷。因此，在進行信用風險評價時，需要客觀結論與定性判斷相結合，既重視模型分析的量化結果，同時要關注公司的發(fā)展效能，特別是考慮行業(yè)風險問題和行業(yè)景氣變化的不確定性和不可預見性。

政府監(jiān)管部門應規(guī)范市場監(jiān)管與信息披露制度。各個上市公司會計數(shù)據(jù)的準確程度對模型的有效使用有著重要意義，而創(chuàng)業(yè)板上市公司在會計審核方面基礎薄弱，會計信息失真等問題嚴重，在信息披露制度方面還存在著諸多問題，導致信用風險評估的準確性和真實性難以保證。因此，政府監(jiān)管部門需要加大對上市公司造假的威懾力度，樹立高質(zhì)量的信息披露理念，加強信息披露的外部環(huán)境約束力，建立信息披露電子化系統(tǒng)，為KMV模型的運用提供良好的金融環(huán)境。

公司自身應加強自身風險的內(nèi)控和防御能力，減少股票價格波動率和增加資產(chǎn)價值都可以來提高自身的信用狀況，從而能夠有效規(guī)避違約風險，同時應做到依法納稅、遵守合同、遵循報表的真實性、及時還貸等，真正做到誠信。同時，公司內(nèi)部應該建立高級信用風險管理技術的專門人才和管理團隊，建立一套完整的、操作性較強的信用評價體系。

最后，應建立規(guī)范的違約數(shù)據(jù)庫。我國數(shù)據(jù)庫的缺乏致使信用評級機構遭遇瓶頸，且目前存在數(shù)據(jù)庫數(shù)據(jù)儲備不足，質(zhì)量水平不高等問題，很難達到預期的測算結果。因此，我國在評價公司的信用狀況時，應盡快建立客戶基礎數(shù)據(jù)庫，強化數(shù)據(jù)管理，為KMV模型提供精確的數(shù)據(jù)統(tǒng)計基礎。