上市公司信用風(fēng)險(xiǎn)測(cè)度評(píng)價(jià)

李耀

摘 要：以我國(guó)滬深A(yù)股上市公司作為研究對(duì)象，提取2017年的90家上市公司為樣本，在模型上進(jìn)行了兩個(gè)階段擴(kuò)展，最先根據(jù)我國(guó)的情況對(duì)KMV模型進(jìn)行調(diào)整，運(yùn)用KMV模型計(jì)算樣本的違約距離DD，初步判斷該指標(biāo)對(duì)st公司和非st公司的區(qū)分能力;然后將違約距離DD當(dāng)作一個(gè)變量與其他篩選后變量引入logistic模型中構(gòu)成的logistic模型。實(shí)證顯示，納入違約距離DD后，logistic模型對(duì)ST和非ST公司的判別準(zhǔn)確度相較于單獨(dú)的違約距離DD提高了很多。

關(guān)鍵詞：KMV模型;信用風(fēng)險(xiǎn);logistic模型

一、研究背景

隨著經(jīng)濟(jì)的發(fā)展，資本市場(chǎng)也日益發(fā)展壯大，金融的經(jīng)濟(jì)地位也與日俱增，資本市場(chǎng)已然成為企業(yè)募集資金的場(chǎng)所，投資者也可以在資本市場(chǎng)進(jìn)行操作來(lái)獲得回報(bào)，所以企業(yè)的財(cái)務(wù)狀況常常受到管理當(dāng)局、投資者等利益相關(guān)者的密切關(guān)注，但隨著經(jīng)濟(jì)全球化和大數(shù)據(jù)時(shí)代的到來(lái)，市場(chǎng)競(jìng)爭(zhēng)也越來(lái)越殘酷，不少企業(yè)發(fā)展舉步維艱，就可能會(huì)陷入到財(cái)務(wù)危機(jī)中，然而企業(yè)發(fā)生財(cái)務(wù)危機(jī)也不是毫無(wú)征兆的，是一個(gè)漸漸地過(guò)程，而且是可以預(yù)測(cè)的，正確預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，對(duì)保護(hù)投資者和債權(quán)人利益，對(duì)公司管理層面預(yù)防危機(jī)和改善治理，對(duì)政府監(jiān)管，更好對(duì)市場(chǎng)監(jiān)督和管理資本市場(chǎng)，都有重要的意義。

二、文獻(xiàn)回顧

中國(guó)證券市場(chǎng)近些年才發(fā)展起來(lái)，而國(guó)外比較成熟，國(guó)內(nèi)學(xué)者對(duì)財(cái)務(wù)困境預(yù)測(cè)研究還處在研究初始階段，大多學(xué)者也是沿用國(guó)外的研究模式。

鄒鑫，李莉莉，房琳（2014），用29家上市公司的數(shù)據(jù)作為樣本，研究其信用風(fēng)險(xiǎn)，使用了KMV模型與Logit模型展開了研究，從總體效果來(lái)看，KMV模型的預(yù)測(cè)精度不高于Logit模型的預(yù)測(cè)精度。

孫森，王玲（2014），將KMV模型與Logit回歸模型相結(jié)合，對(duì)在滬市隨機(jī)選取的68家上市制造業(yè)的連約風(fēng)險(xiǎn)進(jìn)行了實(shí)證分析，最終得出模型判定率較高的結(jié)論。

蔣彧，高瑜（2015），對(duì)KMV模型參數(shù)的估計(jì)與設(shè)定方法進(jìn)行修正。隨后運(yùn)用修正后的KMV模型，對(duì)2014年2月中國(guó)2008家上市公司的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，并對(duì)模型識(shí)別和預(yù)測(cè)信用風(fēng)險(xiǎn)的能力進(jìn)行檢驗(yàn)。最終得出：修正后的KMV模型具有良好的上市公司信用風(fēng)險(xiǎn)識(shí)別能力;在特定的評(píng)估時(shí)長(zhǎng)下，模型具有較強(qiáng)的信用風(fēng)險(xiǎn)預(yù)測(cè)能力。

楊秀云，蔣園園，段珍珍（2016），基于定性和定量分析相結(jié)合，對(duì)KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型四種信用風(fēng)險(xiǎn)管理方法進(jìn)行比較分析，認(rèn)為KMV模型最適合我國(guó)目前的國(guó)情。以2013年45家ST公司和與之配對(duì)的45家非ST公司以及2014年20家ST公司和與之配對(duì)的20家非ST公司為樣本，進(jìn)行實(shí)證檢驗(yàn)。實(shí)證結(jié)果表明KMV模型基本上能夠識(shí)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(guó)16家上市商業(yè)銀行作為樣本，運(yùn)用KMV模型計(jì)算出每個(gè)商業(yè)銀行的違約距離，隨后通過(guò)面板數(shù)據(jù)對(duì)于影響違約距離的主要因素進(jìn)行了回歸分析。結(jié)果表明，國(guó)有銀行相對(duì)于非國(guó)有銀行而言其信用風(fēng)險(xiǎn)相對(duì)較低，而商業(yè)銀行的總不良貸款率、貸存比以及資產(chǎn)規(guī)模對(duì)于商業(yè)銀行的信用風(fēng)險(xiǎn)有著較為顯著的影響。

三、實(shí)證方案

（一）KMV模型的樣本選取

因我國(guó)破產(chǎn)機(jī)制不完善，所以以ST公司來(lái)代表財(cái)務(wù)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(yè)一致的45只正常股票作為非違約配對(duì)樣本組進(jìn)行研究。

所需指標(biāo)主要有：以對(duì)數(shù)收益法計(jì)算的以日為周期的年化波動(dòng)率、流通股股數(shù)、非流通股股數(shù)、每股凈資產(chǎn)、2017.12.31股票收盤價(jià)、短期負(fù)債、長(zhǎng)期負(fù)債。

（二）KMV模型分析

違約點(diǎn)設(shè)置為=短期負(fù)債+1/2長(zhǎng)期負(fù)債

股權(quán)市場(chǎng)價(jià)值=流通股股數(shù)*股票收盤價(jià)+非流通股股數(shù)*每股凈資產(chǎn)

通過(guò)MATLAB計(jì)算資產(chǎn)價(jià)值、資產(chǎn)價(jià)值波動(dòng)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(duì)比可以發(fā)現(xiàn)，ST組的違約距離明顯小于其同行業(yè)相近資產(chǎn)規(guī)模的非ST組的違約距離。在上述45對(duì)公司中有36對(duì)判斷正確，準(zhǔn)確率高達(dá)80%，說(shuō)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(xiàn)出極大差異?，F(xiàn)實(shí)中ST公司由于經(jīng)營(yíng)狀況不好，業(yè)績(jī)下滑，很可能出現(xiàn)資不抵債信用違約情況，實(shí)證結(jié)果和實(shí)際情況符合。

（三）違約距離的T檢驗(yàn)

樣本相關(guān)系數(shù)P（sig）=0.959>0.05證明ST組和非ST組之間無(wú)相關(guān)關(guān)系。

成對(duì)樣本檢驗(yàn)P=0.157>0.05，證明兩組之間存在顯著差異，進(jìn)而證明KMV模型有較好的信用風(fēng)險(xiǎn)識(shí)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(duì)象。其中包含45家違約企業(yè)和45家非違約企業(yè)。選取了X1資產(chǎn)負(fù)債率、X2流動(dòng)比率、X3速動(dòng)比率、X4銷售毛利率、X5普通股權(quán)益總額（億元）、X6股價(jià)波動(dòng)率（年化）、X7凈利潤(rùn)/營(yíng)業(yè)總收入、X8總資產(chǎn)報(bào)酬率ROA、X9流動(dòng)負(fù)債合計(jì)（億元）、X10非流動(dòng)負(fù)債合計(jì)（億元）、X11現(xiàn)金比率、X12經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~/負(fù)債合計(jì)、X13 長(zhǎng)期債務(wù)與營(yíng)運(yùn)資金比率、X14 貨幣資金/短期債務(wù)、X15應(yīng)收賬款周轉(zhuǎn)率、X16營(yíng)運(yùn)資本周轉(zhuǎn)率、X17經(jīng)營(yíng)活動(dòng)凈收益/利潤(rùn)總額、X18 經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~/營(yíng)業(yè)利潤(rùn)、X19現(xiàn)金營(yíng)運(yùn)指數(shù)、X20 總資產(chǎn)周轉(zhuǎn)率、X21應(yīng)付賬款周轉(zhuǎn)率、X22存貨周轉(zhuǎn)率、X23 經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~/營(yíng)業(yè)收入、X24 每股現(xiàn)金流量?jī)纛~（元）、X25 歸屬母公司股東的權(quán)益（相對(duì)年初增長(zhǎng)率）、X26凈利潤(rùn)（同比增長(zhǎng)率）、X27營(yíng)業(yè)收入（同比增長(zhǎng)率）、X28前十大股東持股比例合計(jì)、X29第一流通股東持股比例、X30每股凈資產(chǎn)BPS（元）、X31第一大股東持股比例。

（五）樣本進(jìn)行Mann-whitneyU檢驗(yàn)

采用兩獨(dú)立樣本的Mann-whitneyU檢驗(yàn)來(lái)檢驗(yàn)樣本來(lái)自的兩獨(dú)立總體的均值和分布有無(wú)顯著差異。SPSS將自動(dòng)計(jì)算Mann-whitneyU統(tǒng)計(jì)量，在0.05的顯著性水平下，若p<0.05，則拒絕原假設(shè)：認(rèn)為該指標(biāo)對(duì)ST公司和非ST公司具有顯著區(qū)分能力，結(jié)果其中變量X9，X10，X11，X14，X15，X16，X19，X22，X24，X26，X27，X29沒(méi)有通過(guò)顯著性差異檢驗(yàn)，即這12個(gè)變量對(duì)ST公司和非ST公司并沒(méi)有顯著區(qū)分能力，故而可以從基礎(chǔ)指標(biāo)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(biāo)之間存在相關(guān)性而對(duì)模型穩(wěn)健性產(chǎn)生不好影響，在不能盲目刪減指標(biāo)的情況下，用因子分析法對(duì)變量就行降維，濃縮成幾個(gè)互不相關(guān)的因子。最后提取出7個(gè)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(jù)因子載荷較大的數(shù)值分布對(duì)得到的7個(gè)共同因子命名。

共同因子（F1）在流動(dòng)比率、速動(dòng)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(chǎn)負(fù)債率、普通股權(quán)益總額、每股凈資產(chǎn)上因子載荷較大，將因子2命名為權(quán)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(rùn)/營(yíng)業(yè)總收入、經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~/營(yíng)業(yè)收入上因子載荷較大，因此將因子4命名收益結(jié)構(gòu)因子。

共同因子（F5）在股價(jià)波動(dòng)率、總資產(chǎn)報(bào)酬率、歸屬于母公司股東的權(quán)益上因子載荷較大，因此將因子5命名為權(quán)益波動(dòng)因子。

共同因子（F6）在經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~/負(fù)債、經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~/營(yíng)業(yè)利潤(rùn)上因子載荷較大，因此將因子6命名為經(jīng)營(yíng)現(xiàn)金流。

共同因子（F7）在總資產(chǎn)周轉(zhuǎn)率、應(yīng)付賬款周轉(zhuǎn)率上因子載荷較大，因此將因子7，命名為經(jīng)營(yíng)周轉(zhuǎn)因子。

基于上述7個(gè)共同因子的Logistic模型采用Enter進(jìn)行l(wèi)ogistic回歸，回歸結(jié)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(yù)測(cè)精度為85.6%。

四、結(jié)論

通過(guò)對(duì)上述實(shí)證分析的總結(jié)，能夠得出以下四條結(jié)論：

一、上市公司的財(cái)務(wù)狀況的變動(dòng)能夠通過(guò)違約距離比較客觀地體現(xiàn)。

二、本文的均值差異主要是通過(guò)兩個(gè)M-W的獨(dú)立樣本來(lái)檢驗(yàn)的，結(jié)果表明余下18個(gè)指標(biāo)在0.05的顯著性水平下完成了檢驗(yàn)，即表明其能夠明顯區(qū)分出財(cái)務(wù)異常公司和財(cái)務(wù)正常公司。

三、違約距離除了能夠客觀體現(xiàn)上市公司的財(cái)務(wù)變動(dòng)情況，另一方面，對(duì)模型的辨別能力也具有一定程度的提升促進(jìn)作用。上述結(jié)果也能夠驗(yàn)證違約距離的加入顯著提升了辨別精度。

四、相對(duì)精準(zhǔn)的Logistic模型可以通過(guò)因子分析得到的7個(gè)共同因子而建立。如本文通過(guò)該途徑所建立的Logistic模型能夠85.6%的精準(zhǔn)度總體預(yù)測(cè)財(cái)務(wù)困境公司。

參考文獻(xiàn)：

[1]鄒鑫，李莉莉，房琳.基于Logit和KMV的我國(guó)上市公司信用風(fēng)險(xiǎn)的比較研究[J].青爲(wèi)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，27（2）：90-94.

[2]鄧晶，田治威，張燕琳.我國(guó)林業(yè)上市公司信用風(fēng)險(xiǎn)研究一基于KMV模型[J].技術(shù)經(jīng)濟(jì)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(fēng)險(xiǎn)實(shí)證研究[j].財(cái)會(huì)月刊，2014（18）：64-68.

[4]蔣彧，高瑜.基于KMV模型的中國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)估研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（9）：38-45