農產品供應鏈金融風險度量及經驗數據分析

耿曉媛 冷志杰

摘?要：供應鏈金融的風險管控關乎企業的持續經營以及供應鏈成員企業之間的長久合作。文章選取了15家具有代表性的農產品生產加工企業、供應商和倉儲物流三類上市公司，收集了其從2017年9月30日到2018年9月30日的股票價格信息，運用EViews和MATLAB通過修正的KMV模型，量化了這15家企業的違約風險。通過對違約距離進行橫向比較，得到農產品供應鏈中各類型企業的相對違約風險，并對該模型進行驗證。結果表明，修正的KMV模型能夠較好地運用在我國的農產品供應鏈金融風險度量中，對以后的相關研究具有一定的參考意義。

關 鍵 詞：供應鏈金融;修正KMV模型;農產品供應鏈;風險度量

中圖分類號：F323?9?文獻標識碼：A?文章編號：2096-7934（2020）02-0086-10

一、引言

供應鏈金融不同于傳統的融資方式，這種全新的融資方式有著極強的生命力，主要服務于供應鏈企業，能夠為其整個供應鏈的上下游企業提供貸款融資服務，為它們的發展提供幫助，這種融資方式創新性較強，在融資市場中發揮著越來越重要的作用。“農產品供應鏈金融”這一概念最早出現在20世紀的美國，20世紀90年代，我國開始了對農產品供應鏈金融的學術研究工作，但受多種因素的影響，在當時并未取得明顯的成果，直到21世紀初期，國內在農產品供應鏈金融研究領域才逐漸形成理論體系，初顯成果。

截至目前，國內外學術界已經對供應鏈金融風險開展了大量的研究，取得了可喜的成果。整體上來講，研究的方法主要有定量研究和定性研究兩大類。對于后者而言，Brueckner（2000）對供應鏈金融的逆向選擇和道德風險開展了系統的研究，并著重探討了信息不對稱之于信貸的影響[1]。Hallikas （2003）通過研究指出，供應鏈金融有外部和內部兩種風險，不同的風險有著不同的特征，Hallikas還就這兩種風險的判別提出了自己的見解[2]。在Berger et al?（2004）看來，中小企業面臨著更為嚴重的融資困難，并通過研究指出可以基于供應鏈金融的理念來解決這一問題，幫助中小企業獲得所需的發展資金。Barsky（2005）基于風險管理理論對供應鏈金融風險進行了系統的分析，將其細分為融資過程風險、環境風險、人力風險、信息技術風險和基本結構風險五類，并在此基礎上構建了相應的概念分析模型[3]。在Guileen（2006）看來，企業的短期運營和融資問題存在著密切的聯系，并指出應當對企業短期運營予以足夠的重視[4]。畢家新（2010）通過研究指出，企業信用風險、運營風險和供應鏈風險是導致供應鏈金融風險的三大主要因素[5]。蘇立婷（2017）對第三方物流企業的風險問題進行了系統的分析，并在此基礎上利用多層次模糊綜合評價法建立了相應的評價指標體系，為風險控制提供了重要的參考和依據[6]。針對供應鏈金融風險的定量研究領域，Michael B?率先提出了KMV模型，瑞士銀行利用保險精算理論對供應鏈金融風險進行系統的研究，并提出了著名的Credit Risk模型，JP Morgan銀行則結合VaR研發了信用度量模型[7]。李小莉和辛玉紅（2014）則對應收賬款融資成本優化進行了系統分析[8]。在霍艷芳等（2014）學者看來，大部分制造商和零售商都是中小型企業，這些企業在資金供應鏈方面存在著明顯的約束，并對相應的影響因素進行分析，重點探討了銀行貸款利率和房貸風險的關系[9]。程昌華（2015）率先在汽車領域引入了Logistic回歸方法，并在此基礎上開展了系統的信用風險評估分析，成功建立了能夠預測違約概率的度量模型[10]。曾劍明、馬中華（2015）探討了三級供應鏈（零售商、制造商和供應商）模式下的一些收益轉移支付協調問題[11]。王宇、孫偉（2016）則針對ST公司、非ST公司開展了實證分析，并對KMV模型的有效性進行了驗證[12]。趙金實等（2016）則對比分析了雙渠道供應鏈協調機制在第三方供應鏈金融環境下的運作情況，得到了相應的結論[13]。田蜻、馮敬海（2016）率先在KMV模型中引入了遺傳算法的相關內容，并重新定義了模型的最優違約點，分析結果表明，經過優化的KMV模型具有更強的適應性[14]。

整體而言，國內外學術界在供應鏈金融風險研究領域取得了一定的成果，但在研究方法方面還比較單一，且很少涉及農產品供應鏈金融風險方面。此外，我國和其他國家在信貸市場及體系方面難免存在一定的差異，因此無法照搬國外的風險評估模型。在這種情況下，有必要結合我國實際情況對農產品供應鏈金融風險進行針對性的分析，為此，本文在KMV風險度量模型的基礎上，結合實際修正了違約點和股權價值波動率，并結合15家農產品企業進行了統計分析。結果表明，本文所提出的修正KMV風險度量模型能夠達到預期的要求。

二、風險度量基本模型的引入與改進——KMV模型

1997年，KMV公司率先提出了KMV模型，該模型可以利用股市價格波動情況來識別企業信用波動，進而能夠得到實時的計算結果。

（一）KMV模型的基本思想

期權理論是KMV模型的核心理論，該模型基于標準歐式期權將股權當作一種特殊的期權，并在此基礎上幫助股東處理企業風險。標準歐式期權主要指的是期權買方必須在規定的時間內（通常以期權到期為限）完成股票買賣。KMV模型將企業負債和企業股權分別當作看跌期權和看漲期權，在此基礎上可結合期權理論來計算得到企業的價值。

期權定價理論是KMV模型的核心，我國研究學者已經對這一理論進行了系統且深入的分析和研究，形成了眾多基于這一理論的信用模型，而應用最為廣泛的當屬期權定價模型——BSM模型。

本文首先結合企業股權的負債賬面價值、無風險借貸利率、期限、市值波動性等因素，利用BSM模型分析企業資產的變化情況。其次，結合企業的流動負債和長期負債情況得到相應的違約距離和違約點情況。最后，基于企業預期的違約概率和違約距離關系計算出預期違約概率。

（二）基于農產品供應鏈KMV模型的改進

由于我國國情的特殊性，直接照搬國外經典的KMV模型很難發揮出理想的效果，從而也就無法準確評估企業的違約概率。這一模型是在美國金融市場環境中所形成的，我國和美國在金融市場方面還存在著較大的差距，兩者的特征也有所不同，尤其是農業供應鏈中的金融環境更不相同。所以，本文結合我國金融市場的實際情況對經典的KMV模型進行了相應的修正，以此來提高其適應性。

1?關于對股權價值波動率σE的改進

結合BSM模型的相關內容，本文將企業股權市場價值等同于看漲期權市值，然后利用相應的定價公式得出企業資產價值和股權價值的相互關系，具體如下：

E=VN（d1）-Pe-rtN（d2）（1）

其中，P代表執行價格，V代表資產價值，T代表看漲期權價值，這幾個變量還存在如下關系：

d1=ln（VP）+（r+σ2A2）（T-t）σT-t（2）

d2=d1-σAT-t

其中，資產市場價值波動率σA和股權市場價值波動率σE滿足如下關系：

σE=VEN（d1）σA （3）

通常來講，GARCH模型和歷史數據估計法是股權價值波動率在實證研究領域的兩大常用方法，其中前者是傳統ARCH模型的一種延伸，主要適用于金融領域，能夠對證券波動情況展開系統的分析，廣泛應用于金融資產分析領域[15]。而后者則主要是結合以往的歷史數據波動情況來開展預測。然而，由于股市受很多因素的影響，當存在某些突發事件時，可能會在一定程度上影響預測的準確性。我國大多數學者都比較認同GARCH（1，1）在我國的適用性，其表達式如下[16-17]：

σ2t=α0+αε2?t-1+βσ2?t-1（4）

其中，α和β分別代表收益系數和滯后系數。且α0≠0，β≥0，α+β<1。

2?關于違約點DP的改進

如果企業債務賬面價值超過資產價值，那也就意味著會產生違約。KMV公司結合大量的研究成果對違約點（DP）進行了如下定義：

DP=50%×長期負債+流動負債（5）

我國金融領域的學者對此展開了大量的研究。結果表明，當長期負債系數和流動負債系數分別取0?75和1?0時，KMV模型能夠獲得最佳的風險識別效果[18]，這也獲得了學術界的廣泛認同。所以，本文將利用這一結論展開分析：

DP=流動負債+75 %×長期負債（6）

3?關于違約距離DD的改進

基于KMV模型可知，違約距離DD代表的是企業資產降低至違約點時同資產價值標準差的比值，體現的是違約點DP和未來資產市場價值的相對距離。

DD=E（V）-DPE（V）σA（7）

其中，E（V）代表企業期望資產值。

傳統的KMV模型主要結合統計得到的違約距離來預測企業違約概率，但我國缺乏基礎資料，無法從這一思路來展開分析。因此，本文創新性地利用違約距離來表征其信用情況。盡管模型能夠計算得到相應的違約距離，但這一結果并沒有其他的數據來進行參考，為此，本文選取樣本展開對比分析，從而能夠直觀地了解不同企業的相對違約距離。

三、基于改進 KMV模型的經驗數據分析

（一）樣本選擇

鑒于本文主要針對農產品供應鏈金融開展研究，所以主要選取農產品倉儲物流、供應商及生產加工企業來開展研究。為了能夠比較方便地獲取模型數據，本文挑選出了如下企業：農產品（000061）、北大荒（600598）、金健米業（600127）、中糧屯河（600737）和新農開發（600359）;供應商：豐樂種業（000713）、隆平高科（000998）、登海種業（002041）、荃銀高科（300087）、亞盛集團（600108）、敦煌種業（600354）、萬向德農（600371）和大北農（002385）;倉儲物流：合肥百貨（000417）和羅牛山（000735）。同時，搜集和整理了這些企業在2017年9月30日至2018年9月30日為期1年的股票收盤價數據資料。

（二）計算農產品供應鏈企業股權市場價值波動率

結合前述內容，本文主要基于GARCH（1，1）模型來分析計算股票波動情況，首先計算股權市場價值日波動率數據，然后在此基礎上得出年波動率σE。

1?正態性統計檢驗

假定股票價格滿足對數正態分布，計算各股票的對數日收益率：RE=（lnPt-lnP?t-1）×100，Pt和P?t-1分別代表第t日和第t-1日的股票收盤價格。在此基礎上開展Jarque-Bera檢驗，得到了表1所示的結果。

從表1可以看出，15家企業的J-B統計結果均遠遠超過了α = 0?05顯著水平的臨界值，所以，原假設并不成立。此外，由于企業股票日收益率峰度值及偏度值均和標準值存在較大的差異，所以可認為上述企業日收益率時間序列具備尖峰厚尾特征。

2?農產品供應鏈企業股票日收益率的平穩性檢驗

股票收益的時間序列分析是以其平穩性為基礎和前提的，ADF檢驗（augmented dicey-fuller）在平穩性檢驗方面有著較好的效果。表2為15家企業的ADF檢驗結果。由表2可知，這些企業的ADF檢驗均沒有超過臨界值，可以認為15家企業的股票日收益率在1%顯著性水平下是顯著平穩的。

通過對15家企業進行自相關性檢驗可知，15家企業的Ljung-Box-Pierce Q檢驗的統計量對應的Prob?值均大于5%，表明15家企業的股票日收益率均不存在明顯的自相關關系。

3?農產品供應鏈企業 GARCH模型的建立

（1）構建ARCH模型。結合前述部分自相關檢驗和ADF檢驗的成果，上汽集團股票收益率序列沒有自相關關系，整體平穩，所以可以結合白噪聲公式構建企業股票的日收益方程：Rt=C+μt。其中，μt代表殘差序列。文章將對μt進一步展開ARCH檢驗分析。

首先針對RE開展去均值化處理，得到ωt=Rt-R—，結合z=ω2t公式展開檢驗分析。

結果表明，15家企業的相關性檢驗的Prob?值均小于5%，所以，可以認為存在ARCH效應，即具有自相關關系，可以使用GARCH（1，1）模型。

（2）構建GARCH（1，1）模型。本文主要基于EViews軟件來實現GARCH（1，1）模型的構建和求解，然后展開參數估計，得到的結果如表3所示。

由表3可知，殘差項系數和滯后項的P值均沒有超過5%，可以認為滿足t檢驗。同時可驗證滿足約束條件α+β<1。

之后，計算長期波動率即日波動率為：

Vt=α01-α-β（8）

即可得，年波動率為：

σ=Vt×n（9）

其中，n為上市公司在樣本期間內的交易日的天數。因此，同理可得到樣本企業的年波動率情況，如表4所示。

（三）計算農產品供應鏈企業違約點

本文結合15家樣本企業2018年6月到9月的企業數據進行分析，用債務面值D表示企業的總負債賬面價值。結合前述內容得到違約點DP，具體如表5所示。

（四）計算農產品供應鏈企業的資產價值及其波動率

在開展企業信用風險評估時，通常以年作為周期進行，為此，本文取T-t=1。此外，結合銀行定期存款利率情況取r=1?5%，并將其作為模型的無風險收益率二數據。因此，當前已經得到了模型中的債務賬面價值D、債務期限T-t=1、無風險收益率r=1?5%、股權價值波動率σE和股權價值E，接下來可通過模型進行分析和求解。

E=VN（d1）-Pe-rtN（d2）σE=VEN（d1）σAd1=ln（VP）+（r+σ2A2）（T-t）σAT-td2=d1-σAT-t（10）

考慮到σA、V在數量級上不匹配，所以需要進行相應的標準化處理，本文引入：EtD=EP 參數來進行迭代。首先結合V = xE對方程組進行簡化，得到如下結果：

1=xN（d1）-e-rtN（d2）/EtPσE=xN（d1）σAd1=ln（xEtP）+（r+σ2A2）（T-t）σAT-td2=d1-σAT-t（11）

之后基于MATLAB軟件來求解上述方程，得到了企業違約距離數據，如表6所示。

（五）實證結果

結果表明，農產品倉儲物流企業、供應商和生產加工企業的違約距離分別為1?98、3?18和3?84，由此可得到這三者的相對違約風險情況，違約風險從小到大為生產加工企業、供應商和倉儲物流企業。

在農產品供應鏈體系中，生產加工企業發揮著核心作用。它們具備豐富的融資手段，具備雄厚的資本實力，因此，是三者中違約風險最低的企業。樣本中共有5家農產品生產加工企業，其中北大荒、金健米業、中糧屯河和新農開發的違約距離處于較高水平，而農產品違約距離卻很小，僅為0?57，違約風險較大，究其根源，主要原因是受股市價值劇烈波動的影響。因此，企業的信用風險很大程度上也取決于股市的穩定性情況。

分析結果表明，供應商的違約距離平均值為3?18，由于農產品多種多樣，且不同供應商各有特點，所以盡管違約風險整體較低，但也參差不齊。農產品倉儲物流上市公司的平均違約距離是1?98，整體違約風險水平較高。

四、結論

近年來，學術界對供應鏈金融風險給予了高度的關注，供應鏈金融風險逐漸成為熱點研究領域。本文結合15家樣本企業展開了一系列的檢驗，結果表明：樣本企業的股票日收益率并不呈正態分布，平穩且不存在自相關;利用GARCH（1，1）模型分析得到了企業的股權價值波動情況，并在此基礎上利用修正KMV模型計算了其違約距離，從而實現了對供應鏈金融業務風險的量化研究，這也從側面驗證了修正KMV模型在這一領域的適用性。

結果表明，農產品供應鏈金融風險由高到低為倉儲物流企業、供應商、生產加工企業。此外，不同企業的實際情況往往有所不同，所以，企業的違約概率也不盡相同;如果存在某些突發性事件，很可能會導致企業股價劇烈波動，進而導致違約風險上升。這些均符合實際情況。

本文對經典KMV模型進行了修正，并就企業潛在風險進行了量化分析，利用模型計算結果展開對比分析，結果表明，修正KMV模型能夠適用于業務開展及進行中的違約風險識別，從而及時采取有效風控措施，將潛在風險控制在合理水平，且有助于深化供應鏈企業之間的合作伙伴關系。

參考文獻：

[1]BRUECKNER J K?Mortgage default with asymmetric information[J].Journal of real estate finance and economics，2000（20）：251-274

[2]HALLIKAS J，KARVONEN I，PULKKINEN U，et al?Risk management processes in supplier networks[J].International journal of production economics，2004，90（1）：47-58

[3]BARSKY N P，CATANACH A H?Evaluating business risks in the commercial lending decision[J].Commercial lending review，2005，20（3）：3-10

[4]GUILLEN G，BADELL M?A holistic framework for short-term supply chain management integration production and corporate financial planning [J].Production economics，2006（7）：25-27

[5]畢家新?供應鏈金融：出現動因、運作模式與風險防范[J].華北金融，2010（3）：20-23

[6]蘇立婷?基于第三方物流視角的供應鏈金融風險研究[D].天津：天津師范大學，2017

[7] MICHAEL B?A comparative anatomy of credit risk models[J].Journal of finance and banking，2000，24（1）：119-149

[8]辛玉紅，李小莉?應收賬款融資模式下供應鏈金融的成本優化分析[J].工業工程與管理，2014，19（1）：79-84

[9]霍艷芳，鄧全，楊立向?資金約束下的中小企業聯合融資研究[J].工業工程與管理，2014，19（5）：24-30

[10]程昌華?基于汽車產業的供應鏈金融運作及風險管理[D].廣州：華南理工大學，2015

[11]馬中華，曾劍明?預付款融資下基于收益轉移支付機制的三級供應鏈協調問題研究[J].工業工程與管理，2015，20（4）：92-99

[12]孫偉，王宇?KMV模型在商業銀行信用風險管理下的實證研究[J].科技與管理，2016，18（3）：?40-46

[13]趙金實，段永瑞，霍佳震?第三方平臺供應鏈金融環境下雙渠道供應鏈協調機制對比研究[J].工業工程與管理，2016，21（3）：32-39，49

[14]馮敬海，田蜻?基于遺傳算法KMV模型的最優違約點確定[J].大連理工大學學報，2016，56（2）：181-184

[15]耿慶峰?基于比較視角的我國股票市場波動ARCH效應研究[J].福州大學學報：哲學社會科學版，2013（2）：45-51

[16]蘇巖，楊振海?GARCH（1，1）模型及其在匯率條件波動預測中的應用[J].數理統計與管理，2007（4）：615-620

[17]王秀國，謝幽草?基于CVaR和GARCH（1，1）的擴展KMV模型[J].系統工程，2012，30（12）：26-32

[18]張玲?基于判別分析和期望違約率方法的信用風險度量及管理研究[D].長沙：湖南大學，2005

Analysis of Agricultural Products Supply Chain Finance Risk ?Measurement and Empirical Data

GENG Xiao?yuan，LENG Zhi?jie

（School of Economics and Management，Heilongjiang Bayi Agricultural University，Daqing，Heilongjiang 163319）

Abstract：The risk management of supply chain finance concerns the continuous operation of enterprises and the long-term cooperation among supply chain members?Fifteen representative agricultural products production and processing enterprises，suppliers，warehousing and logistics enterprises were investigated，including their stock price information from September 30，2017 to September 30，2018?EViews and MATLAB were used to quantify the default risk of these 15 companies through the modified KMV model?Based on the horizontal comparison of the default distance，the relative default risk of various types of enterprises in the agricultural products supply chain was obtained，and the validity of the modified KMV model was verified at the same time?The results show that the modified KMV model can be used in the financial risk measurement of agricultural products supply chain in China，and it has reference significance for the related research in the future

Keywords：supply chain finance;modified KMV model;agricultural products supply chain;risk measurement