基于KMV模型的軟件與信息技術(shù)服務(wù)業(yè)上市公司信用風(fēng)險(xiǎn)度量研究

【摘 要】本文在介紹KMV信用風(fēng)險(xiǎn)度量模型后，選取我國16家軟件與信息技術(shù)服務(wù)業(yè)上市公司驗(yàn)證該模型的適用性，并探究了對不同違約點(diǎn)設(shè)置情況。結(jié)果顯示，KMV模型對該行業(yè)營業(yè)利潤為負(fù)的企業(yè)信用風(fēng)險(xiǎn)的識別能力較低，但引入資產(chǎn)價(jià)值預(yù)期增長率可以改善該模型的辨別能力。

【關(guān)鍵詞】信用風(fēng)險(xiǎn)；KMV模型；上市公司；違約距離

一、引言

軟件與信息技術(shù)服務(wù)業(yè)是指利用計(jì)算機(jī)、通信網(wǎng)絡(luò)等技術(shù)對信息進(jìn)行生產(chǎn)、收集、處理、加工、存儲(chǔ)、運(yùn)輸、檢索和利用，并提供信息服務(wù)的業(yè)務(wù)活動(dòng)。近年來，我國軟件和信息技術(shù)服務(wù)業(yè)持續(xù)快速發(fā)展，產(chǎn)業(yè)規(guī)模不斷擴(kuò)大，在云計(jì)算、移動(dòng)互聯(lián)和大數(shù)據(jù)等領(lǐng)域逐步實(shí)現(xiàn)技術(shù)創(chuàng)新和突破，為國民經(jīng)濟(jì)和社會(huì)發(fā)展提供有力支撐。2014年，我國規(guī)模以上軟件和信息技術(shù)服務(wù)業(yè)企業(yè)3.8萬家，實(shí)現(xiàn)軟件業(yè)務(wù)收入3.7萬億元，同比增長20.2%。在高速發(fā)展的信息消費(fèi)與新興科技領(lǐng)域的推動(dòng)下，可以預(yù)計(jì)未來軟件與信息技術(shù)服務(wù)業(yè)還將保持有力增長。

然而，該行業(yè)資金需求量大、發(fā)展迅速、市場擴(kuò)張能力強(qiáng)的特點(diǎn)也使得企業(yè)經(jīng)營具有更大的不確定性。銀行等金融機(jī)構(gòu)與軟件與信息技術(shù)服務(wù)業(yè)企業(yè)存在各種各樣的借貸關(guān)系，這些信用交易所引發(fā)的信用風(fēng)險(xiǎn)將一直存在于企業(yè)整個(gè)發(fā)展過程中。因此，對軟件與信息技術(shù)服務(wù)業(yè)企業(yè)科學(xué)的評估其信用風(fēng)險(xiǎn)以及構(gòu)建適當(dāng)?shù)倪`約判別模型，有利于規(guī)范企業(yè)的生產(chǎn)經(jīng)營行為，對于商業(yè)銀行和企業(yè)資金安排都有重要的現(xiàn)實(shí)意義。

信用風(fēng)險(xiǎn)度量模型經(jīng)歷了從定性到定量，從靜態(tài)到動(dòng)態(tài)的發(fā)展?，F(xiàn)代信用風(fēng)險(xiǎn)度量模型包括KMV模型，Credit Metrics模型，信用組合觀點(diǎn)模型（Credit Portfolio View Model）和Credit Risk+模型等。在這上述信用風(fēng)險(xiǎn)度量方法中，Credit Metrics模型和信用組合觀點(diǎn)模型都需要使用大量企業(yè)信用評級數(shù)據(jù)估計(jì)信用等級轉(zhuǎn)換概率矩陣，Credit Risk+模型通過對債務(wù)人違約行為的描述來確定金融資產(chǎn)的損失大小。我國的企業(yè)信用數(shù)據(jù)庫和信用評級系統(tǒng)的發(fā)展滯后，缺乏足夠的違約數(shù)據(jù)及企業(yè)信用評級數(shù)據(jù)，這使得這三種模型在我國的應(yīng)用受到限制。KMV模型通過股票價(jià)格來測算上市公司的預(yù)期違約率，將市場信息和財(cái)務(wù)數(shù)據(jù)結(jié)合來分析公司的信用風(fēng)險(xiǎn)，具有一定的前瞻性和靈活性，而且數(shù)據(jù)獲取也相對容易。

國內(nèi)學(xué)者在驗(yàn)證KMV模型適用性方面進(jìn)行了一系列研究。張玲，楊貞柿，陳收（2004）通過對滬深股市30家ST與非ST上市公司比較研究，認(rèn)為KMV模型可以及時(shí)識別上市公司的信用風(fēng)險(xiǎn)。同時(shí)，考慮到中國與美國市場環(huán)境的差異，一些學(xué)者對KMV模型的相關(guān)參數(shù)嘗試進(jìn)行修正。蔣正權(quán)、張能福（2008）通過實(shí)證得出 GARCH 模型比歷史波動(dòng)率的計(jì)算方法更符合實(shí)際情況。公希亮（2010）在研究綜述中指出針對不同行業(yè)的特質(zhì)來調(diào)整KMV模型參數(shù)設(shè)定可以更好鑒定信用風(fēng)險(xiǎn)并提高模型的實(shí)用性。

二、KMV模型原理

KMV公司通過對幾千家公司的統(tǒng)計(jì)分析得到了違約距離到違約概率的映射。由于我國股票市場樣本量較小，缺乏大量歷史違約數(shù)據(jù)，這樣的映射關(guān)系無法實(shí)現(xiàn)，因此，本文直接用違約距離度量上市公司信用風(fēng)險(xiǎn)的大小。

三、實(shí)證研究

1.樣本選取

本文以我國滬深兩市的軟件與信息技術(shù)服務(wù)業(yè)上市公司（行業(yè)分類I65）作為研究對象。在設(shè)置違約組和非違約組方面，國內(nèi)常見的分組方法是將上市公司中被特別處理（special treatment）的公司設(shè)置為違約組，正常的公司設(shè)置為非違約組。但是喬木青（2011）分析發(fā)現(xiàn)這樣的分組方法存在一定的問題，即將ST公司和非ST公司作為研究樣本時(shí)，兩者之間的信用風(fēng)險(xiǎn)差異很大，即使一般的財(cái)務(wù)模型也能對其進(jìn)行很好的區(qū)分，因此不能很好的說明KMV模型的預(yù)測效果。其次，ST公司在滬深股市中只占有很小的比例，KMV模型對于非ST公司信用風(fēng)險(xiǎn)的判別能力無法得到證實(shí)。本文選取營業(yè)利潤為負(fù)的上市公司取代ST公司作為樣本中的違約組，選取與違約組資產(chǎn)規(guī)模接近的正常公司作為非違約組。基于以上分析，分別選取A股市場8家軟件與信息技術(shù)服務(wù)業(yè)上市公司作為違約組和非違約組進(jìn)行研究，觀察期為2014年，樣本數(shù)據(jù)來自于CCER數(shù)據(jù)庫。

2.相關(guān)變量確定

（1）股權(quán)價(jià)值E

現(xiàn)在我國股票市場被分為流通股和受限流通股兩種，受限流通股暫時(shí)無法在公開市場自由買賣，因此估算其價(jià)值時(shí)面臨較大困難。本文采用王旻，楊朝軍，廖士光（2007）對受限流通股價(jià)值計(jì)算結(jié)論，得到受限流通股的計(jì)算式為：

受限流通股價(jià)值=受限流通股數(shù)量×（44%×流通股股價(jià)）

（2）無風(fēng)險(xiǎn)利率r

本文選取2014年人民銀行一年期存款利率用天數(shù)進(jìn)行加權(quán)，得到一年期加權(quán)無風(fēng)險(xiǎn)利率2.78%r =。

（4）債務(wù)價(jià)值D

債務(wù)賬面價(jià)值D等于短期負(fù)債與長期負(fù)債之和。

3.實(shí)證結(jié)果

根據(jù)上市公司的交易數(shù)據(jù)和財(cái)務(wù)數(shù)據(jù)，運(yùn)用matlab求解方程（1）和（2），確定樣本公司的資產(chǎn)價(jià)值和資產(chǎn)價(jià)值波動(dòng)率，分別采用不同的違約點(diǎn)，計(jì)算得到各樣本公司的違約距離。

4.結(jié)果分析

在違約距離1（1DP）下，非違約組的平均違約距離為1.695，違約組的平均違約距離為1.788。在違約距離2（1DP）下，非違約組的平均違約距離為1.690，違約組的平均違約距離為1.774，兩組的差距有所改善，說明長期負(fù)債在負(fù)債總額中比重的提高，KMV模型甄別違約組與非違約組的能力上升。

但是相比于對ST公司與非ST公司的良好判別效果，KMV模型針對營業(yè)利潤為負(fù)的企業(yè)并不能有效的刻畫其信用風(fēng)險(xiǎn)，而且違約組的平均違約距離高于非違約組?？赡艿脑蛴幸韵聨讉€(gè)方面：

首先，非違約組的上市公司不一定比違約組波動(dòng)性低。計(jì)算結(jié)果顯示，8組對照組中，5組中非違約組的波動(dòng)率大于違約組。而波動(dòng)率在整體信用風(fēng)險(xiǎn)評估中起著關(guān)鍵作用，KMV模型認(rèn)為波動(dòng)率大的公司其資產(chǎn)價(jià)值有更大的可能性觸及違約點(diǎn)。對比8組上市公司數(shù)據(jù)，7組中波動(dòng)率相對更大的公司存在更小的違約距離。

針對這一現(xiàn)象，可能的原因有： 2014年下半年，我國股市迎來牛市行情，一年內(nèi)計(jì)算機(jī)板塊整體漲幅達(dá)到46.03%。非違約組相比于違約組，經(jīng)營業(yè)績更好，因此漲幅更大并伴隨著更大的波動(dòng)率。即在我國，上市公司資產(chǎn)價(jià)值的波動(dòng)性不存在顯著規(guī)律，我國股票市場并不完善，存在很強(qiáng)的投機(jī)性。股價(jià)變動(dòng)沒有真實(shí)反映上市公司的經(jīng)營情況。其次，KMV模型本身參數(shù)并不適合我國實(shí)際情況，應(yīng)根據(jù)不同行業(yè)的情況選擇參數(shù)。

對于修正后的KMV模型，從圖2可以看出，引入資產(chǎn)價(jià)值預(yù)期增長率后，非違約組的違約距離普遍變大，而違約組的違約距離增長小于非違約組，使得根據(jù)違約距離區(qū)分企業(yè)信用好壞變得更容易。由此說明，在軟件與信息技術(shù)服務(wù)業(yè)信用風(fēng)險(xiǎn)的研究中，引入資產(chǎn)價(jià)值預(yù)期增長率的KMV模型能更好地度量企業(yè)的信用風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1] 張玲，楊貞柿，陳收.KMV模型在上市公司信用風(fēng)險(xiǎn)評價(jià)中的應(yīng)用研究[J].系統(tǒng)工程，2004，12（11）：84～89.

[2]蔣正權(quán)，張能福.KMV模型的修正及其應(yīng)用[J].統(tǒng)計(jì)與決策，2008，9：67～69.

[3]公希亮.KMV模型研究綜述[J].合作經(jīng)濟(jì)與科技，2010，391：56～58.

[4] 喬木青.KMV模型在中國的適用性研究—以A股市場汽車制造業(yè)為例[D].成都：西南財(cái)經(jīng)大學(xué)，2011.

[5] 王旻，楊朝軍，廖士光.中國股票市場流通性價(jià)值研究—基于非流通股協(xié)議轉(zhuǎn)讓與限售股轉(zhuǎn)讓的證據(jù)[J].財(cái)經(jīng)研究，2008，34（3）：81～94.

[6] 李薇.基于KMV模型的上市公司信用風(fēng)險(xiǎn)度量研究—A股市場房地產(chǎn)行業(yè)的實(shí)證研究[D].成都：西南財(cái)經(jīng)大學(xué)，2013.

[7] 尚瑩瑩.不同行業(yè)上市公司信用違約點(diǎn)選擇比較研究—KMV模型應(yīng)用與研究[J].金融經(jīng)濟(jì)，2014，10：118～120.

[8] 萬晏伶，楊俊.我國制造業(yè)上市公司信用風(fēng)險(xiǎn)研究—基于KMV模型[J].技術(shù)經(jīng)濟(jì)，2011，30（5）：119～123.

[9]曾詩鴻，王芳.基于KMV模型的制造業(yè)上市公司信用風(fēng)險(xiǎn)評價(jià)研究[J].預(yù)測，2013，13（2）：60～64.

[10] 張瑛.新興技術(shù)企業(yè)信用風(fēng)險(xiǎn)評估方法研究[D].成都：電子科技大學(xué)，2009.

作者簡介：

馬雁飛（1994-），女，漢族，籍貫：山東省濟(jì)寧市，學(xué)生，本科，研究方向：風(fēng)險(xiǎn)管理、保險(xiǎn)。