基于KMV模型-因子分析法的房地產(chǎn)企業(yè)債務(wù)風(fēng)險(xiǎn)路徑研究

摘要：房地產(chǎn)是我國(guó)支柱產(chǎn)業(yè)之一，在當(dāng)前房地產(chǎn)企業(yè)面臨債務(wù)違約問(wèn)題背景下，探究房地產(chǎn)債務(wù)風(fēng)險(xiǎn)具有重要意義。以云南省A公司、B公司兩家房地產(chǎn)上市企業(yè)為例，先通過(guò)11種違約點(diǎn)下的KMV模型測(cè)度其在11年間的違約距離，并據(jù)此得出債務(wù)風(fēng)險(xiǎn)路徑；再應(yīng)用因子分析法對(duì)15組財(cái)務(wù)特征數(shù)據(jù)提取五大公共特征因子，測(cè)算出財(cái)務(wù)指標(biāo)綜合得分并找到相應(yīng)的風(fēng)險(xiǎn)路徑，進(jìn)而從財(cái)務(wù)視角對(duì)KMV模型識(shí)別的債務(wù)風(fēng)險(xiǎn)及路徑進(jìn)行驗(yàn)證。研究表明，雖然A公司、B公司的債務(wù)風(fēng)險(xiǎn)路徑相似，但是在個(gè)體差異識(shí)別上，A公司的債務(wù)風(fēng)險(xiǎn)顯著大于B公司，這在很大程度上導(dǎo)致A公司于2023年摘牌退市；房地產(chǎn)企業(yè)應(yīng)從自身實(shí)際出發(fā)，穩(wěn)健規(guī)劃發(fā)展戰(zhàn)略，從而降低資本價(jià)值與各項(xiàng)財(cái)務(wù)指標(biāo)的波動(dòng)性，減少債務(wù)風(fēng)險(xiǎn)。

關(guān)鍵詞：KMV模型；因子分析法；違約距離；風(fēng)險(xiǎn)路徑；房地產(chǎn)企業(yè)

*基金項(xiàng)目：云南大學(xué)經(jīng)濟(jì)學(xué)院科研創(chuàng)新基金項(xiàng)目“基于KMV模型對(duì)云南省房地產(chǎn)上市公司債務(wù)風(fēng)險(xiǎn)評(píng)估的研究”。

0 引言

2022年《政府工作報(bào)告》提出，支持商品房市場(chǎng)更好滿足購(gòu)房者的合理住房需求，穩(wěn)地價(jià)、穩(wěn)房?jī)r(jià)、穩(wěn)預(yù)期，因城施策促進(jìn)房地產(chǎn)業(yè)良性循環(huán)和健康發(fā)展。2023年，全國(guó)房地產(chǎn)市場(chǎng)政策環(huán)境進(jìn)一步寬松，各地出臺(tái)調(diào)控政策達(dá)700多條，均旨在穩(wěn)定房地產(chǎn)市場(chǎng)。2024年《政府工作報(bào)告》提出，優(yōu)化房地產(chǎn)政策，對(duì)不同所有制房地產(chǎn)企業(yè)合理融資需求要一視同仁給予支持，促進(jìn)房地產(chǎn)市場(chǎng)平穩(wěn)健康發(fā)展。

作為云南省的代表性房地產(chǎn)上市公司，A公司與B公司接連出現(xiàn)財(cái)務(wù)危機(jī)。其中，A公司自2021年開(kāi)始總資產(chǎn)負(fù)債率不斷上升，從86%上升至92%，流動(dòng)比率也提高至95%以上，債務(wù)違約水平持續(xù)提升，直到2023年被迫摘牌退市。而B(niǎo)公司自2021年變成*ST股之后，實(shí)施重大資產(chǎn)重組等一系列措施，降低了財(cái)務(wù)風(fēng)險(xiǎn)，總資產(chǎn)負(fù)債率由93.8%下降至81.16%，直至2023年成功“摘帽”。

由此可見(jiàn)，B公司成功走出債務(wù)困境，重拾投資者信心，而A公司卻被交易所停牌、強(qiáng)制退市。分析云南省這兩家房地產(chǎn)上市公司的債務(wù)風(fēng)險(xiǎn)，有助于了解云南省乃至全國(guó)房地產(chǎn)行業(yè)的債務(wù)風(fēng)險(xiǎn)動(dòng)態(tài)情況。本文利用KMV模型與因子分析法，從市場(chǎng)與財(cái)務(wù)雙視角探究?jī)杉夜驹谕瑯用媾R巨大債務(wù)風(fēng)險(xiǎn)時(shí)的選擇，對(duì)二者在債務(wù)困境中的風(fēng)險(xiǎn)演變路徑進(jìn)行動(dòng)態(tài)評(píng)估及比較。在近些年房地產(chǎn)企業(yè)接連出現(xiàn)債務(wù)違約問(wèn)題背景下，那些尚未發(fā)生明顯債務(wù)風(fēng)險(xiǎn)的企業(yè)可以據(jù)此了解自己所處的債務(wù)風(fēng)險(xiǎn)變化階段，并及時(shí)做出應(yīng)對(duì)。本文也為我國(guó)穩(wěn)定經(jīng)濟(jì)、金融提供較為切實(shí)可行的參考依據(jù)。

1 文獻(xiàn)回顧

1.1 宏微觀視角研究

債務(wù)風(fēng)險(xiǎn)是指企業(yè)無(wú)力或不愿履行合同而出現(xiàn)債務(wù)違約行為的可能性［1］。信用風(fēng)險(xiǎn)是房地產(chǎn)企業(yè)的關(guān)鍵指標(biāo)，有效識(shí)別和度量房地產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)對(duì)促進(jìn)房地產(chǎn)市場(chǎng)平穩(wěn)健康發(fā)展、維護(hù)經(jīng)濟(jì)金融安全具有十分重要的意義。關(guān)于上市公司信用風(fēng)險(xiǎn)的研究可分為微觀視角和宏觀視角兩個(gè)角度。微觀視角下，由于非財(cái)務(wù)指標(biāo)難以定量分析，所以關(guān)于企業(yè)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系的研究大多關(guān)注償債能力、盈利能力、營(yíng)運(yùn)能力等財(cái)務(wù)指標(biāo)［2-4］。從這些指標(biāo)入手可加強(qiáng)企業(yè)內(nèi)部管理，識(shí)別債務(wù)風(fēng)險(xiǎn)［5-6］，但財(cái)務(wù)報(bào)表中的數(shù)據(jù)存在一定的造假性且獨(dú)立性較差，企業(yè)需確保財(cái)務(wù)報(bào)表的真實(shí)性［7］。宏觀視角下，房地產(chǎn)行業(yè)的信貸周期會(huì)影響企業(yè)的信用風(fēng)險(xiǎn)，因此，通過(guò)債務(wù)量等指標(biāo)識(shí)別房地產(chǎn)行業(yè)的信貸周期，可以識(shí)別其信用風(fēng)險(xiǎn)大小［8］。在新冠疫情沖擊下，我國(guó)房地產(chǎn)企業(yè)的信貸情況變差，導(dǎo)致信用風(fēng)險(xiǎn)水平進(jìn)一步上升［9］。宏觀分析揭示了外部風(fēng)險(xiǎn)對(duì)房地產(chǎn)企業(yè)內(nèi)部風(fēng)險(xiǎn)的影響機(jī)制，但無(wú)法量化財(cái)務(wù)數(shù)據(jù)與新出現(xiàn)的信息對(duì)市場(chǎng)價(jià)格所產(chǎn)生的影響及持續(xù)的時(shí)間。

1.2 風(fēng)險(xiǎn)度量研究

企業(yè)債務(wù)風(fēng)險(xiǎn)度量主要借助Credit Metrics模型、KMV模型等，其中KMV模型具有數(shù)據(jù)易得性、直觀性、契合性等優(yōu)點(diǎn)，應(yīng)用最為廣泛［10］，國(guó)內(nèi)外學(xué)者均對(duì)其有不同研究。有國(guó)外學(xué)者驗(yàn)證了KMV模型及其改進(jìn)模型對(duì)于企業(yè)信用風(fēng)險(xiǎn)預(yù)測(cè)的精確性［11-12］。國(guó)內(nèi)學(xué)者研究發(fā)現(xiàn)，基于修正參數(shù)的KMV模型，能有效測(cè)度我國(guó)房地產(chǎn)上市公司的信用風(fēng)險(xiǎn)［13-15］。因子分析法作為一種從財(cái)務(wù)指標(biāo)角度度量債務(wù)風(fēng)險(xiǎn)的方法，可通過(guò)選取企業(yè)的指標(biāo)特征數(shù)據(jù)，再構(gòu)建財(cái)務(wù)綜合評(píng)分，對(duì)企業(yè)債務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警［16-17］。

房地產(chǎn)債務(wù)風(fēng)險(xiǎn)識(shí)別與評(píng)估方法發(fā)展經(jīng)歷了一個(gè)逐步走向成熟的過(guò)程。國(guó)內(nèi)外不少學(xué)者從財(cái)務(wù)指標(biāo)這一微觀層面構(gòu)建指標(biāo)體系，以分析房地產(chǎn)上市公司債務(wù)風(fēng)險(xiǎn)；再到從宏觀層面入手，在資本市場(chǎng)、信貸周期等方面對(duì)房地產(chǎn)上市公司債務(wù)風(fēng)險(xiǎn)進(jìn)行識(shí)別與比較判斷。

基于以上研究結(jié)論，本文從KMV模型入手，對(duì)A公司、B公司兩家案例公司債務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)估，并以因子分析法加以驗(yàn)證，為其他房地產(chǎn)公司風(fēng)險(xiǎn)度量與預(yù)警提供參考。

2 研究設(shè)計(jì)

2.1 KMV模型簡(jiǎn)介

KMV模型由美國(guó)KMV公司推出，是一種根據(jù)公司股票價(jià)格變化而變化的動(dòng)態(tài)模型。它表示在確定違約點(diǎn)（債務(wù)水平）的情況下，由企業(yè)資產(chǎn)價(jià)值（V）及資產(chǎn)價(jià)值波動(dòng)率（σV）計(jì)算出企業(yè)違約距離與違約概率，違約距離越大，違約概率越小，并據(jù)此測(cè)度企業(yè)債務(wù)風(fēng)險(xiǎn)。因此，KMV模型能為企業(yè)預(yù)警其外部經(jīng)濟(jì)環(huán)境和自身內(nèi)部微觀因素對(duì)債務(wù)風(fēng)險(xiǎn)的影響。模型如下

E=VN（d1）-De-rτN（d2）σEσV=VN（d1）E（1）

其中

d1=lnVD+r+12σ2VτσV τ（2）

d2=d1-σV τ（3）

式中，E為股權(quán)價(jià)值（用上市公司總市值表示）；V為資產(chǎn)價(jià)值；N為標(biāo)準(zhǔn)正態(tài)累計(jì)分布函數(shù)；D為當(dāng)前債務(wù)水平；r為無(wú)風(fēng)險(xiǎn)利率；τ為債務(wù)期限；σE為股權(quán)價(jià)值波動(dòng)率；σV為資產(chǎn)價(jià)值波動(dòng)率。

在根據(jù)式（1）求得資產(chǎn)價(jià)值（V）與資產(chǎn)價(jià)值波動(dòng)率（σV）后，代入下式可得到違約距離

DD=V-DPVσV（4）

式中，DD為違約距離；DP為設(shè)定的違約點(diǎn)或當(dāng)前債務(wù)水平。

在確定違約距離后，可以通過(guò)建立違約距離與違約概率之間的函數(shù)關(guān)系確定預(yù)期違約率，但由于我國(guó)企業(yè)的違約數(shù)據(jù)庫(kù)尚未建立，無(wú)法通過(guò)足夠的數(shù)據(jù)擬合這種函數(shù)關(guān)系。因此，本文直接使用違約距離刻畫(huà)案例公司的債務(wù)風(fēng)險(xiǎn)水平與路徑。

2.2 模型參數(shù)設(shè)定

2.2.1 股權(quán)價(jià)值

股權(quán)價(jià)值是案例公司流通股與非流通股的價(jià)值，其中非流通股價(jià)值由非流通股數(shù)量與股票凈資產(chǎn)乘積決定。

2.2.2 違約點(diǎn)

違約點(diǎn)共有11種，除DP0外，其余10種違約點(diǎn)計(jì)算公式如下

DP1=SD

DP2=SD+10%LD

DP3=SD+20%LD

DP4=SD+25%LD

DP5=SD+30%LD

DP6=SD+40%LD

DP7=SD+50%LD

DP8=SD+60%LD

DP9=SD+75%LD

DP10=SD+90%LD

式中，SD為短期負(fù)債；LD為長(zhǎng)期負(fù)債。

2.2.3 無(wú)風(fēng)險(xiǎn)利率

無(wú)風(fēng)險(xiǎn)利率選取中國(guó)人民銀行公布的1年期定期存款利率，見(jiàn)表1。

2.2.4 債務(wù)期限

違約距離是1年，債務(wù)期限也設(shè)定為1年。

2.2.5 股權(quán)價(jià)值波動(dòng)率

股權(quán)價(jià)值波動(dòng)率由案例公司在樣本期間的股票日收益率來(lái)決定，計(jì)算公式如下

ui=lnSiSi-1σE= 1n-1∑ni=1u2i-1n（n-1）（∑Q7XZeF92PWFoNzFov5ndSIgkAMmSkGV6qsD8JF6yCt8=ni=1ui）2 1n（5）

式中，ui為股票日收益率；Si為第i天的股票價(jià)格；n為交易天數(shù)。結(jié)果通過(guò)Matlab軟件求得。

2.3 財(cái)務(wù)質(zhì)量指標(biāo)體系構(gòu)建

本文分別從不同視角選擇多個(gè)可以體現(xiàn)公司整體經(jīng)營(yíng)業(yè)績(jī)的代表性財(cái)務(wù)指標(biāo)，并進(jìn)行解析。以案例公司的年報(bào)數(shù)據(jù)作為分析基礎(chǔ)，從營(yíng)運(yùn)能力、償債能力、盈利能力、成長(zhǎng)能力4個(gè)方面選取15個(gè)財(cái)務(wù)分析指標(biāo)，見(jiàn)表2。

由于兩家案例公司的規(guī)模等存在差異，財(cái)務(wù)指標(biāo)表現(xiàn)也有所不同。為有效避免數(shù)據(jù)量綱不同造成干擾，本文對(duì)15個(gè)特征財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使得案例企業(yè)之間的財(cái)務(wù)指標(biāo)可以進(jìn)行比較和評(píng)價(jià)。計(jì)算公式為

Yij=Xij-min（Xij）max（Xij）-min（Xij） Xij為正向指標(biāo)1-|Xij-Xbest|max{|X1j-Xbest|， |X2j-Xbest|， …， |X11j-Xbest|}

Xij為中間指標(biāo)

（6）

式中，i和j分別為第i家房地產(chǎn)企業(yè)和第j年；Y為標(biāo)準(zhǔn)化處理后的指標(biāo)；min（Xij）和max（Xij）分別為X的最小值和最大值；Xbest為該特征的最優(yōu)值。

3 實(shí)證分析

3.1 案例企業(yè)選取

選取云南省兩家房地產(chǎn)上市公司作為樣本，應(yīng)用KMV模型與因子分析法測(cè)度其債務(wù)風(fēng)險(xiǎn)，在進(jìn)行測(cè)算過(guò)程中所使用的數(shù)據(jù)均來(lái)源于國(guó)泰安、同花順等數(shù)據(jù)庫(kù)，以及案例公司年報(bào)。樣本企業(yè)具體包括A公司、B公司（其中A公司已于2023年7月摘牌），且兩家公司2012年前的諸多特征數(shù)據(jù)均大量缺失，因此研究期間確定為2012年1月1日至2022年12月31日。

3.2 KMV模型結(jié)果分析

根據(jù)前文所述模型的參數(shù)設(shè)定，通過(guò)Matlab軟件求解式（1），可以得到資產(chǎn)價(jià)值（V）及資產(chǎn)價(jià)值波動(dòng)率（σV）。A公司、B公司資產(chǎn)價(jià)值與資產(chǎn)價(jià)值波動(dòng)率分別見(jiàn)表3、表4。

然后，通過(guò)Excel函數(shù)求解，得到A公司、B公司基于11種違約點(diǎn)的違約距離結(jié)果，分別見(jiàn)表5、表6。

在當(dāng)前債務(wù)水平DP0，A公司、B公司每年的實(shí)際違約距離分別見(jiàn)表5、表6列（1）；同時(shí)，列（2）～列（11）分別展示了違約點(diǎn)設(shè)定為DP1～DP10的違約距離。根據(jù)10種違約點(diǎn)下的違約距離得到兩家案例公司的違約距離路徑（即債務(wù)風(fēng)險(xiǎn)路徑）。所有債務(wù)風(fēng)險(xiǎn)路徑趨于一致（見(jiàn)圖1、圖2），說(shuō)明不同違約點(diǎn)的設(shè)置不會(huì)影響債務(wù)風(fēng)險(xiǎn)路徑走勢(shì)，但會(huì)影響債務(wù)風(fēng)險(xiǎn)路徑的高低。同時(shí)，兩家公司最高債務(wù)風(fēng)險(xiǎn)路徑均出現(xiàn)在DP1，但是它們的最低債務(wù)風(fēng)險(xiǎn)路徑不同。A公司最低債務(wù)風(fēng)險(xiǎn)路徑出現(xiàn)在DP2，而B(niǎo)公司最低債務(wù)風(fēng)險(xiǎn)路徑出現(xiàn)在當(dāng)前債務(wù)水平DP0。并且，兩家公司在當(dāng)前債務(wù)水平DP0下的實(shí)際債務(wù)風(fēng)險(xiǎn)路徑很低（風(fēng)險(xiǎn)路徑越低，債務(wù)風(fēng)險(xiǎn)越大），接近0，說(shuō)明兩家公司都面臨巨大的違約風(fēng)險(xiǎn)。此時(shí)，A公司可以設(shè)置DP2為其違約點(diǎn)，對(duì)違約風(fēng)險(xiǎn)進(jìn)行預(yù)警；B公司可在當(dāng)前債務(wù)水平DP0下對(duì)違約風(fēng)險(xiǎn)進(jìn)行預(yù)警。若兩家公司的違約距離進(jìn)一步降低，那么其違約風(fēng)險(xiǎn)將顯著擴(kuò)大，最終會(huì)形成相當(dāng)規(guī)模的實(shí)質(zhì)性違約債務(wù)。

DP0違約點(diǎn)A公司與B公司債務(wù)風(fēng)險(xiǎn)路徑對(duì)比見(jiàn)圖3。總體上看，A公司風(fēng)險(xiǎn)波動(dòng)率較大，B公司風(fēng)

險(xiǎn)波動(dòng)率較小。A公司債務(wù)風(fēng)險(xiǎn)路徑在2020年之前明顯高于B公司，表明在這段時(shí)間內(nèi)A公司的債務(wù)風(fēng)險(xiǎn)低于B公司。而自2020年開(kāi)始，A公司的風(fēng)險(xiǎn)路徑急劇下降，B公司的風(fēng)險(xiǎn)路徑逐漸上升，說(shuō)明A公司的實(shí)際債務(wù)風(fēng)險(xiǎn)突然膨脹，而B(niǎo)公司的債務(wù)風(fēng)險(xiǎn)逐漸減小。這主要是因?yàn)锳公司出現(xiàn)大量經(jīng)營(yíng)性違約債務(wù)，而B(niǎo)公司實(shí)施了大規(guī)模的債務(wù)重組等舉措，降低了風(fēng)險(xiǎn)。

另外，本文對(duì)KMV公司在推出KMV模型時(shí)給出的違約點(diǎn)結(jié)論進(jìn)行風(fēng)險(xiǎn)評(píng)估，即將KMV模型的違約點(diǎn)設(shè)定為DP7=短期負(fù)債+0.5×長(zhǎng)期負(fù)債，結(jié)果見(jiàn)圖4。

由圖4可知，在DP7違約點(diǎn)，B公司的債務(wù)風(fēng)險(xiǎn)波動(dòng)率整體上明顯小于A公司；2014—2015年，B公司債務(wù)風(fēng)險(xiǎn)路徑急劇下降，之后從2016年起趨于穩(wěn)定。2013—2015年，A公司風(fēng)險(xiǎn)路徑急劇縮小，違約可能性逐漸擴(kuò)大。從2015年開(kāi)始，A公司的風(fēng)險(xiǎn)路徑開(kāi)始上升，預(yù)示著該公司的債務(wù)情況開(kāi)始好轉(zhuǎn)。投資者認(rèn)為A公司發(fā)展向好，因此選擇購(gòu)買(mǎi)該公司的股票，使得該公司股價(jià)上漲，從而債務(wù)風(fēng)險(xiǎn)有所降低。進(jìn)一步地，A公司違約距離在2019年到達(dá)最高點(diǎn)，但隨后兩年債務(wù)風(fēng)險(xiǎn)路徑再度迅速下降，導(dǎo)致其違約風(fēng)險(xiǎn)顯著大于B公司。

綜上，A公司、B公司同屬于云南省房地產(chǎn)上市公司，二者的債務(wù)風(fēng)險(xiǎn)波動(dòng)呈現(xiàn)相似趨勢(shì)。但A公司的債務(wù)風(fēng)險(xiǎn)總體呈上升趨勢(shì)，即違約距離從2012年的4.64下降到2022年的2.98，違約概率極大地提升，最終導(dǎo)致其在2023年被迫摘牌并退市。同時(shí)，B公司的債務(wù)風(fēng)險(xiǎn)總體呈下降趨勢(shì)，違約距離從2012年的3.57上升至2022年的5.88，對(duì)應(yīng)的違約概率顯著下降，最后又“脫帽”成為正常的上市公司。以上對(duì)比結(jié)果表明，A公司的債務(wù)風(fēng)險(xiǎn)明顯高于B公司。KMV模型可以通過(guò)描繪債務(wù)風(fēng)險(xiǎn)波動(dòng)大小預(yù)測(cè)房地產(chǎn)公司未來(lái)的違約走向，即違約距離波動(dòng)越劇烈，公司債務(wù)違約可能性越大。

3.3 因子分析法分析

3.3.1 因子檢驗(yàn)

為確保特征數(shù)據(jù)可用、有效，首先需要驗(yàn)證數(shù)據(jù)是否適合因子分析。可以使用KMO檢驗(yàn)與Bartlett球形檢驗(yàn)依次對(duì)數(shù)據(jù)進(jìn)行因子檢驗(yàn)。KMO檢驗(yàn)主要是用來(lái)衡量數(shù)據(jù)中公共因子與原始變量之間的相關(guān)程度，而B(niǎo)artlett球形檢驗(yàn)則可檢驗(yàn)數(shù)據(jù)是否符合球形分布，即各變量之間是否相互獨(dú)立，不存在完全多重共線性。因子適用性檢驗(yàn)見(jiàn)表7。由表7可知，兩家案例公司數(shù)據(jù)因子的KMO值為0.604，大于0.5；Bartlett 球形檢驗(yàn)的近似卡方值為1 780.203，對(duì)應(yīng)顯著性P值為0.000。據(jù)此可判斷，兩家案例公司財(cái)務(wù)績(jī)效數(shù)據(jù)適用因子分析法。

3.3.2 因子提取

采用主成分分析法（PCA），根據(jù)特征值、方差貢獻(xiàn)率及累計(jì)方差貢獻(xiàn)率提取公共主因子。有4個(gè)因子特征值顯著大于1，有1個(gè)因子特征值稍大于1，因此提取5個(gè)因子，使得累計(jì)方差貢獻(xiàn)率達(dá)到81%，見(jiàn)表8。選用這5個(gè)因子對(duì)兩家案例公司財(cái)務(wù)績(jī)效數(shù)據(jù)進(jìn)行分析和評(píng)價(jià)。將這些公共因子依次命名為F1、F2、F3、F4、F5。

F1由X2、X3、X5提取，F(xiàn)2由X6、X7提取，F(xiàn)3由X9、X12提取，F(xiàn)4由X13、X14提取，F(xiàn)5由X4提取，見(jiàn)表9。由此，依次對(duì)5個(gè)公共因子進(jìn)行命名，分別為營(yíng)運(yùn)能力（F1）、償債能力（F2）、盈利能力（F3）、成長(zhǎng)能力（F4）、固定資產(chǎn)管理能力（F5）。

因子得分系數(shù)矩陣見(jiàn)表10。由表10可列出5個(gè)因子的得分公式

F1=-0.086 0X1-0.037 3X2-0.119 0X3+0.186 4X4-

0.017 4X5+0.387 8X6+0.307 7X7-0.302 8X8+0.334 0X9+0.229 6X10+0.389 1X11+0.405 7X12+0.244 2X13+0.199 7X14+0.159 7X15

F2=-0.044 6X1-0.127 0X2-0.004 1X3-0.130 2X4-0.035 4X5-0.255 6X6-0.265 1X7+0.223 2X8-0.091 0X9+0.035 5X10-0.024 8X11-0.030 3X12+0.516 6X13+0.550 0X14+0.444 6X15

F3=0.228 9X1+0.464 3X2+0.463 7X3+0.184 8X4+0.489 1X5+0.042 2X6+0.128 7X7-0.221 8X8+0.077 4X9-0.263 4X10-0.150 2X11-0.126 3X12+0.163 8X13+0.165 0X14+0.090 8X15

F4=-0.596 6X1+0.191 2X2-0.056 4X3+0.549 6X4-0.081 2X5+0.263 7X6+0.103 7X7+0.273 1X8-0.253 7X9+0.000 3X10-0.185 6X11-0.180 7X12-0.002 5X13+0.070 5X14+0.066 1X15

F5=-0.082 5X1+0.120 4X2+0.034 6X3+0.333 9X4+0.049 2X5-0.177 1X6-0.516 5X7+0.288 8X8+0.385 0X9-0.325 3X10+0.281 1X11+0.339 7X12-0.007 3X13-0.095 3X14-0.156 7X15

3.3.3 綜合得分

根據(jù)以上5個(gè)因子得分公式計(jì)算各主因子分值，再通過(guò)5個(gè)主因子的方差貢獻(xiàn)率、累計(jì)方差貢獻(xiàn)率和各因子得分，計(jì)算出兩家案例公司財(cái)務(wù)指標(biāo)綜合得分，結(jié)果見(jiàn)表11。計(jì)算公式為

F=0.351F1+0.304F2+0.161F3+0.102F4+0.082F5

3.3.4 得分分析

5個(gè)主因子得分與綜合得分走勢(shì)見(jiàn)圖5～圖10。

在營(yíng)運(yùn)能力方面，根據(jù)圖5，A企業(yè)營(yíng)運(yùn)能力因子得分在2015年為正，其余年份均為負(fù);B企業(yè)營(yíng)運(yùn)能力因子得分在2012—2016年為正，自2017年開(kāi)始轉(zhuǎn)為負(fù)。這表明兩家公司營(yíng)運(yùn)能力各自在不同年份開(kāi)始顯著下降，但是下降的程度有所不同。A公司營(yíng)運(yùn)能力因子得分自2021年到達(dá)最低點(diǎn)后開(kāi)始回升，B公司營(yíng)運(yùn)能力因子得分自2019年到達(dá)最低后開(kāi)始回升。通過(guò)歷年對(duì)比可以看到，B公司營(yíng)運(yùn)能力因子得分除了在2015年稍低于A公司，其余年份均顯著高于A公司。以上研究表明，雖然自2017年左右兩家案例公司營(yíng)運(yùn)能力因子得分均明顯下降，但是仍存在個(gè)體差異，即B公司的營(yíng)運(yùn)能力強(qiáng)于A公司，A的經(jīng)營(yíng)風(fēng)險(xiǎn)一直相對(duì)較高。

償債能力是債務(wù)風(fēng)險(xiǎn)的直觀體現(xiàn)［18］。在償債能力方面，根據(jù)圖6，A公司償債能力因子從2018年開(kāi)始急劇下降，但從2021年開(kāi)始顯著回升，波動(dòng)性極大。B公司償債能力因子除在2019年下降以外，其余年份波動(dòng)極小，即從2012年的-1.654分變?yōu)?022年的-1.162分，均在-1分附近震蕩。由于償債能力因子主要由速動(dòng)比率與現(xiàn)金比率來(lái)說(shuō)明，因此可知，A公司的償債能力弱于B公司，且極其不穩(wěn)定，其短期償債能力不強(qiáng)。

在盈利能力方面，根據(jù)圖7，A公司的盈利能力總體上強(qiáng)于B公司，說(shuō)明A公司的資產(chǎn)收益顯著好于B公司。在2019年，A公司盈利能力因子得分更是達(dá)到22.13分。實(shí)際上，2012—2022年，A公司的營(yíng)業(yè)利潤(rùn)率均值達(dá)到14.7%，遠(yuǎn)高于B公司的0.26%，表明A公司的盈利能力較強(qiáng)。

在成長(zhǎng)能力方面，根據(jù)圖8，2012—2022年，A公司、B公司成長(zhǎng)能力因子得分在大多數(shù)年份均為負(fù)，說(shuō)明兩家公司的成長(zhǎng)能力均未明顯提升，收益增長(zhǎng)狀況不佳。其中，B公司的成長(zhǎng)能力因子得分較為穩(wěn)定；A公司的成長(zhǎng)能力因子得分在2017年達(dá)到最大值，在2019年達(dá)到最小值，二者相差56分，表明A公司的收益增長(zhǎng)變動(dòng)率方差極大。

綜上，兩家案例公司綜合得分路徑波動(dòng)狀況與KMV模型測(cè)度的風(fēng)險(xiǎn)路徑有著相近的趨勢(shì)。根據(jù)圖10，兩家案例公司綜合得分先后經(jīng)歷了上升、持續(xù)下降再上升的總體變動(dòng)過(guò)程，KMV模型測(cè)度的違約距離也經(jīng)歷了上升、下降再上升的總體變動(dòng)過(guò)程，即兩家案例公司的債務(wù)風(fēng)險(xiǎn)均經(jīng)歷了下降、上升再下降的波動(dòng)路徑。在個(gè)體差異上，A公司的綜合得分從2015年的3.85分下降到2021年的-7.46分，說(shuō)明財(cái)務(wù)指標(biāo)總體出現(xiàn)持續(xù)性惡化，至2022年有所好轉(zhuǎn)。而B(niǎo)公司的綜合得分從2013年的最高分3.08下降至2019年的-5.9，之后自2020年起開(kāi)始穩(wěn)定在0分左右。相比之下，A公司綜合得分的波動(dòng)性比B公司劇烈，從而再一次印證了KMV模型的結(jié)果，即A公司具有比B公司更大的債務(wù)風(fēng)險(xiǎn)。根據(jù)國(guó)家統(tǒng)計(jì)局發(fā)布的數(shù)據(jù)，中國(guó)房地產(chǎn)產(chǎn)值最高的年份是2017年，當(dāng)年全國(guó)房地產(chǎn)開(kāi)發(fā)企業(yè)完成投O8e5Kmg4Ls1+aThYL4BbkA==資11.4萬(wàn)億元，同比增長(zhǎng)7%。因此，從財(cái)務(wù)角度看，自2017年開(kāi)始，兩家案例公司財(cái)務(wù)指標(biāo)綜合得分均開(kāi)始下降。然而，在財(cái)務(wù)綜合指標(biāo)開(kāi)始惡化的時(shí)間點(diǎn)上，A公司與B公司相比早了2年。這可能與A公司從2013年開(kāi)始進(jìn)行業(yè)務(wù)轉(zhuǎn)型有關(guān)。

4 結(jié)語(yǔ)

本文利用KMV模型，實(shí)證測(cè)算出云南省兩家房地產(chǎn)上市公司2012—2022年的違約距離，從而得到了二者的違約風(fēng)險(xiǎn)變化路徑，并從財(cái)務(wù)角度利用因子分析法驗(yàn)證了KMV模型的結(jié)論。從實(shí)證分析計(jì)算結(jié)果看，兩家案例公司債務(wù)風(fēng)險(xiǎn)的變動(dòng)趨勢(shì)大致一致。在個(gè)體層面上，KMV模型測(cè)度的結(jié)果是：A公司的債務(wù)風(fēng)險(xiǎn)路徑波動(dòng)較大，B公司的債務(wù)風(fēng)險(xiǎn)路徑波動(dòng)較小。因子分析法構(gòu)建的綜合得分測(cè)度結(jié)果與KMV模型類似：A公司的綜合得分波動(dòng)極為劇烈，最高得分與最低得分相差達(dá)10.4分，而B(niǎo)公司的綜合指標(biāo)得分仍然較為穩(wěn)健。這表明財(cái)務(wù)指標(biāo)體系也能測(cè)度房地產(chǎn)公司債務(wù)風(fēng)險(xiǎn)。

從市場(chǎng)與財(cái)務(wù)兩個(gè)角度探索云南省房地產(chǎn)上市公司債務(wù)風(fēng)險(xiǎn)，對(duì)于房地產(chǎn)企業(yè)分析和預(yù)測(cè)自身風(fēng)險(xiǎn)具有重要意義。第一，房地產(chǎn)企業(yè)OjyKaziOO5A+QW4DO+wZBw==應(yīng)該結(jié)合自身實(shí)際情況，在對(duì)市場(chǎng)進(jìn)行充分縝密的了解之后，判斷是否能實(shí)施新的戰(zhàn)略轉(zhuǎn)型計(jì)劃，防止盲目擴(kuò)張給自身帶來(lái)經(jīng)營(yíng)不善的后果，防范債務(wù)違約風(fēng)險(xiǎn)。第二，房地產(chǎn)企業(yè)應(yīng)加強(qiáng)財(cái)務(wù)管理。建立實(shí)時(shí)的財(cái)務(wù)指標(biāo)監(jiān)控系統(tǒng)，是降低債務(wù)風(fēng)險(xiǎn)的有力措施。通過(guò)異常變化的指標(biāo)及精準(zhǔn)的財(cái)務(wù)指標(biāo)預(yù)測(cè)數(shù)據(jù)，有利于及時(shí)掌握公司目前的經(jīng)營(yíng)狀況及未來(lái)的變化趨勢(shì)，盡最大可能降低發(fā)生債務(wù)違約的可能性。第三，房地產(chǎn)企業(yè)應(yīng)充分利用KMV模型與因子分析法等市場(chǎng)與財(cái)務(wù)角度的方法，對(duì)債務(wù)風(fēng)險(xiǎn)進(jìn)行事前監(jiān)管，即監(jiān)測(cè)違約距離與財(cái)務(wù)綜合指標(biāo)的波動(dòng)情況，根據(jù)波動(dòng)程度估計(jì)當(dāng)前及未來(lái)面臨的風(fēng)險(xiǎn)階段，并及時(shí)采取相應(yīng)的防范措施，降低債務(wù)違約概率。

參考文獻(xiàn)

［1］王興芬，劉萌.大宗商品企業(yè)類交易商信用風(fēng)險(xiǎn)評(píng)估研究：基于違約相依理論［J］.財(cái)會(huì)通訊，2023 （12）： 128-132.

［2］GENTRY J A，NEWBOLD P，LAWSON D T.Classifying bankruptcy

firms with funds flow components［J］.Journal of Accounting，1985 ，23（1）：146-159.

［3］PALEPU K P，HEALY P H，BERNARD V B，et al.Business analysis and valuation：using financial statements［R］.2020.

［4］胡玳菡，應(yīng)炘航，吳蔚.房地產(chǎn)企業(yè)如何應(yīng)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)：以華夏幸福為例［J］.財(cái)務(wù)管理研究，2021（7）：45-51.

［5］張莉薇.恒大集團(tuán)債務(wù)違約案例研究［D］.南昌：江西財(cái)經(jīng)大學(xué)，2024.

［6］方松.債務(wù)違約背景下房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)展望及建議［J］. 建筑施工，2023，45（7）：1502-1505.

［7］王志丹.基于銀行貸款的財(cái)務(wù)分析［J］.商業(yè)經(jīng)濟(jì)，2007（3）： 94-95.

［8］NABARRO R，KEY T.The real estate market measurement and real estate credit risk［J］.Journal of Banking and Finance，2002（3）：18-26.

［9］王灝威，許嘉文.新冠疫情前后上市房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)變化：基于KMV模型分析［J］.現(xiàn)代商業(yè)，2021（4）：19-23.

［10］鄭文，馬智勝.基于KMV模型的我國(guó)中部地區(qū)新能源上市企業(yè)信用風(fēng)險(xiǎn)度量及分析［J］.企業(yè)經(jīng)濟(jì)，2016（10）： 24-28.

［11］NYAMBUU U，BERNARd L.A quantitative approach to assessing sovereign default risk in resource-rich emerging economies［J］.International Journal of Finance & Economics，2015，20（3）：220-241.

［12］ZHANG Y J，SHI B S.Non-tradable shares pricing and optimal default point based on hybrid KMV models：evidence from China［J］.Knowledge-Based Systems，2016，110：202-209.

［13］韋艷群.基于KMV模型的房地產(chǎn)信貸風(fēng)險(xiǎn)控制的研究［J］．市場(chǎng)論壇，2010（2）：70-72.

［14］董金濤，侯為波.基于KMV模型上市房地產(chǎn)公司風(fēng)險(xiǎn)度量的實(shí)證分析［J］.洛陽(yáng)師范學(xué)院學(xué)報(bào)，2018，37（2）：62-64，81.

［15］王慧，張國(guó)君.KMV模型在我國(guó)上市房地產(chǎn)企業(yè)債務(wù)風(fēng)險(xiǎn)度量中的應(yīng)用［J］.經(jīng)濟(jì)問(wèn)題，2018（3）：36-40.

［16］何粉麗.鋼鐵上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究：基于因子分析法［J］.財(cái)務(wù)管理研究，2023（10）：110-116.

［17］路天升，徐江.基于因子分析法的食品上市公司財(cái)務(wù)風(fēng)險(xiǎn)實(shí)證研究［J］.現(xiàn)代商業(yè)，2024（3）：181-184.

［18］程馨玉.房地產(chǎn)企業(yè)償債能力分析及研究［J］.中國(guó)價(jià)格監(jiān)管與反壟斷，2024（3）：94-96.

收稿日期：2024-04-22

作者簡(jiǎn)介：

沈斌，男，1994年生，碩士研究生在讀，主要研究方向：企業(yè)價(jià)值評(píng)估、風(fēng)險(xiǎn)評(píng)估。

吳臣，男，1988年生，博士研究生，講師，主要研究方向：經(jīng)濟(jì)增長(zhǎng)理論、博弈論。