違約距離視角下上市公司信用風(fēng)險(xiǎn)度量及預(yù)測(cè)

王愛銀，董萬(wàn)泉

(新疆財(cái)經(jīng)大學(xué) 統(tǒng)計(jì)與數(shù)據(jù)科學(xué)學(xué)院，烏魯木齊 830012)

對(duì)于企業(yè)來(lái)說(shuō)，資金借貸等經(jīng)濟(jì)活動(dòng)所面臨的種種風(fēng)險(xiǎn)中，以信用風(fēng)險(xiǎn)為首，因此，如何正確評(píng)估信用風(fēng)險(xiǎn)已經(jīng)成了當(dāng)前社會(huì)最重要的問題之一。早在五六十年前就有學(xué)者對(duì)信用風(fēng)險(xiǎn)進(jìn)行研究，他們通過構(gòu)建模型和提出相應(yīng)的評(píng)估方法做出了不少貢獻(xiàn)，如今對(duì)信用風(fēng)險(xiǎn)的研究已經(jīng)有了很多成果。從Black-Scholes創(chuàng)立了期權(quán)定價(jià)理論到后續(xù)的默頓模型，就仿佛打開了信用風(fēng)險(xiǎn)的大門。KMV公司于1993年提出了一種以期權(quán)定價(jià)公式為理論基礎(chǔ)的KMV模型，結(jié)合上市公司財(cái)務(wù)數(shù)據(jù)和大盤指數(shù)，用資產(chǎn)和負(fù)債的關(guān)系來(lái)衡量上市公司的信用水平。然而，我國(guó)股票市場(chǎng)的發(fā)展不夠完善，該模型隨之暴露出一些問題，如模型前提假定的局限性和參數(shù)設(shè)定的不唯一性等。

我國(guó)股票市場(chǎng)做了大量的工作，對(duì)KMV模型參數(shù)設(shè)定作出了不同的修正。楊秀云等通過比較KMV、Credit Metrics、CPV和Credit Risk+這四大模型的優(yōu)缺點(diǎn)和適用范圍，將上市公司分為ST和非ST，實(shí)證表明，考慮公司財(cái)務(wù)數(shù)據(jù)的KMV模型度量結(jié)果更加可靠[1]。蔣彧、高瑜根據(jù)中國(guó)金融市場(chǎng)的特性，重新對(duì)KMV模型參數(shù)進(jìn)行估計(jì)并修正，研究表明，修正后的KMV模型能有效識(shí)別上市公司信用狀況，且具有一定的預(yù)測(cè)性[2]。張澤京等的研究，考慮到我國(guó)股票市場(chǎng)存在非流通股，并以每股凈資產(chǎn)核算非流通股價(jià)格，還對(duì)股價(jià)波動(dòng)建立了GARCH(1，1)模型，更加貼切我國(guó)股票市場(chǎng)[3]。李濤、張喜玲通過用企業(yè)限購(gòu)股的計(jì)算來(lái)代替非流通股，用總利潤(rùn)的正負(fù)來(lái)區(qū)分違約和非違約組，最終驗(yàn)證出KMV模型對(duì)我國(guó)房地產(chǎn)行業(yè)具有一定的適用性[4]。王新翠等在修正股價(jià)波動(dòng)上選取了刻畫股價(jià)效果更好的SV模型，結(jié)果表明，SV模型在擬合數(shù)據(jù)上要優(yōu)于GARCH模型[5]。邵翠麗基于牛頓迭代法下的高斯混合模型，對(duì)KMV模型中的變量d1和d2重新估計(jì)，得到的GKMV模型精準(zhǔn)度要高于KMV模型[6]。曾玲玲等以上市公司為研究樣本，建立BP-KMV模型來(lái)評(píng)估非上市公司信用風(fēng)險(xiǎn)，實(shí)證表明該模型適用性較好[7]。

上述文獻(xiàn)主要是對(duì)KMV模型的參數(shù)和適用性做了改進(jìn)，但并未對(duì)模型預(yù)測(cè)方面做出研究。Yusof使用KMV-Merton模型，通過預(yù)測(cè)三個(gè)不同評(píng)級(jí)公司的違約風(fēng)險(xiǎn)水平，對(duì)開發(fā)的安卓應(yīng)用程序進(jìn)行了測(cè)試，發(fā)現(xiàn)違約風(fēng)險(xiǎn)等級(jí)與相應(yīng)公司的等級(jí)相當(dāng)，證明模型具有的良好的預(yù)測(cè)性[8]。鄒鑫等選取KMV模型和Logit模型對(duì)我國(guó)上市公司信用風(fēng)險(xiǎn)進(jìn)行評(píng)估和預(yù)測(cè)，分析表明，Logit模型在做違約企業(yè)的信用風(fēng)險(xiǎn)預(yù)測(cè)上要優(yōu)于KMV模型[9]。徐惠、胡穎利用KMV模型對(duì)科技型中小企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行測(cè)量，通過多元回歸法找到了影響企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵性因素[10]。黃吉、蔣正祥將Logistic回歸和KMV模型相結(jié)合，通過實(shí)證發(fā)現(xiàn)Logistic-KMV混合模型在預(yù)測(cè)準(zhǔn)確率上要優(yōu)于這兩個(gè)分開的模型[11]。張勇基于CPV模型思路，把宏觀因素與房地產(chǎn)信貸風(fēng)險(xiǎn)聯(lián)系在一起，對(duì)風(fēng)險(xiǎn)定量進(jìn)行分析，構(gòu)建信貸風(fēng)險(xiǎn)模型，實(shí)證表明該模型具有一定的前瞻性[12]。

可見，鄒鑫等是比較了KMV模型和Logit模型的預(yù)測(cè)效果，而徐惠和黃吉等是將二者相結(jié)合，側(cè)重分析了違約的關(guān)鍵性因素和預(yù)測(cè)精度。KMV模型是以企業(yè)微觀層面的財(cái)務(wù)數(shù)據(jù)為出發(fā)點(diǎn)，分析的是一種靜態(tài)的非系統(tǒng)性風(fēng)險(xiǎn)，而CPV模型是將企業(yè)違約概率和宏觀經(jīng)濟(jì)指標(biāo)相聯(lián)系，研究的是一種動(dòng)態(tài)的系統(tǒng)性風(fēng)險(xiǎn)。因此，結(jié)合二者的優(yōu)點(diǎn)，建立更加符合我國(guó)上市公司的KMV-Logistic模型來(lái)計(jì)算違約概率，并結(jié)合CPV模型利用宏觀經(jīng)濟(jì)指數(shù)對(duì)上市公司的違約概率進(jìn)行修正和預(yù)測(cè)，能增強(qiáng)模型的適用性。

一、模型建立

KMV模型是基于默頓理論和Black-Scholes期權(quán)定價(jià)公式發(fā)展而來(lái)用于度量上市公司信用風(fēng)險(xiǎn)的模型。該模型引入了一重要的因素——違約距離。當(dāng)上市公司資產(chǎn)價(jià)值超過其發(fā)生違約時(shí)的負(fù)債值時(shí)，就存在違約距離。違約距離越大，表明公司在償還負(fù)債后所能支配的資產(chǎn)越多，公司內(nèi)部資金運(yùn)營(yíng)良好，發(fā)生違約的現(xiàn)象也就越低。

KMV模型假設(shè)上市公司資產(chǎn)價(jià)值服從正態(tài)分布，且分布保持平穩(wěn)，主要通過上市公司的已知數(shù)據(jù)(如無(wú)風(fēng)險(xiǎn)收益率、違約點(diǎn)和股權(quán)價(jià)值及其波動(dòng)率等參數(shù))建立非線性方程組，并運(yùn)用Matlab的fsolve迭代法編程，求解資產(chǎn)價(jià)值和資產(chǎn)波動(dòng)率，最后代入式4得出違約距離。

由Black-Scholes期權(quán)定價(jià)公式得：

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

(式1)

(式2)

其中，VE為股權(quán)價(jià)值，VA為資產(chǎn)價(jià)值，D為負(fù)債，DP為違約點(diǎn)，t為時(shí)間，r為無(wú)風(fēng)險(xiǎn)收益率，N(·)為標(biāo)準(zhǔn)正態(tài)分布的累積分布函數(shù)，σ為資產(chǎn)的年波動(dòng)率。對(duì)式1兩邊同時(shí)取微分，化簡(jiǎn)后可求得：

(式3)

式1—式3組成了一個(gè)包含資產(chǎn)價(jià)值和其波動(dòng)率的非線性方程組，可利用Matlab求解，進(jìn)而根據(jù)公司違約點(diǎn)(DP)來(lái)計(jì)算違約距離(DD)，違約距離為超過違約點(diǎn)的資產(chǎn)預(yù)期價(jià)值與資產(chǎn)價(jià)值標(biāo)準(zhǔn)差的比值，公式如下：

(式4)

(一)上市公司的股權(quán)價(jià)值

由于我國(guó)股市的特殊性，上市公司的股權(quán)價(jià)值是由流通股股價(jià)和非流通股股價(jià)之和組成的。流通股股價(jià)由每股收盤價(jià)核算，而非流通股是由每股凈資產(chǎn)核算。

(二)股權(quán)價(jià)值波動(dòng)率

上市公司股票的對(duì)數(shù)收益率為：

(式5)

其中，pi為上市公司股票當(dāng)日收盤價(jià)，pi-1為上市公司股票前一個(gè)交易日的收盤價(jià)。則該股票日收益波動(dòng)率即標(biāo)準(zhǔn)差為：

(式6)

(式7)

從而可以推出:

(式8)

不過，由式8得出的波動(dòng)率并未考慮股價(jià)的杠桿效應(yīng)，即為無(wú)條件波動(dòng)。不少研究表明，股價(jià)收益波動(dòng)率并不服從標(biāo)準(zhǔn)正態(tài)分布，而是呈現(xiàn)尖峰厚尾的特點(diǎn)，且條件方差具有時(shí)變性，不同時(shí)期會(huì)呈現(xiàn)出不同的漲幅。

GARCH模型為廣義自回歸條件異方差模型，特別適用于分析和研究股價(jià)的波動(dòng)性。由于GARCH對(duì)正負(fù)的影響相同，不能很好地描述收益率的非對(duì)稱性。因此，采用可以刻畫股價(jià)和收益波動(dòng)率呈負(fù)相關(guān)的EGARCH模型，其均值方差如下：

yt=xγ+ρσ2+μ

(式9)

(式10)

(三)無(wú)風(fēng)險(xiǎn)收益率

無(wú)風(fēng)險(xiǎn)收益是指市場(chǎng)中沒有一點(diǎn)風(fēng)險(xiǎn)而獲得的收益率，在我國(guó)可用中國(guó)人民銀行一年定期存款利率來(lái)代替。選取的研究時(shí)間跨度為2010—2019年，由于2016—2019年間的一年定期存款利率均為1.5%，即對(duì)2010—2019年間的一年定期存款利率按月加權(quán)平均作為KMV模型每年的無(wú)風(fēng)險(xiǎn)利率。

(四)違約點(diǎn)

違約點(diǎn)一般采用KMV公司長(zhǎng)期實(shí)證得到的結(jié)果，認(rèn)為公司違約點(diǎn)為短期負(fù)債與一半的長(zhǎng)期負(fù)債之和時(shí)，公司發(fā)生違約的現(xiàn)象最為活躍。

二、實(shí)證分析

(一)數(shù)據(jù)處理

選取某A股上市公司近10年的股價(jià)每日收盤價(jià)，通過Eviews軟件對(duì)其股價(jià)對(duì)數(shù)收益率進(jìn)行描述性統(tǒng)計(jì)(見表1)。

表1 股價(jià)對(duì)數(shù)收益率描述性統(tǒng)計(jì)

從表1可知，峰度4.726135大于標(biāo)準(zhǔn)正態(tài)分布值3，說(shuō)明收益率序列具有尖峰和厚尾的分布特征。接下來(lái)對(duì)序列進(jìn)行ADF單位根檢驗(yàn)(見表2)，確保其為平穩(wěn)序列。

表2 ADF單位根檢驗(yàn)

序列在1%的置信水平下拒絕原假設(shè)，因此序列不存在單位根，為平穩(wěn)序列。再對(duì)殘差平方進(jìn)行相關(guān)性檢驗(yàn)，表明序列存在自相關(guān)，所以有ARCH效應(yīng)。因此，可建立GARCH模型，經(jīng)過AIC和SIC準(zhǔn)則，最終EGARCH(1，1)模型刻畫股價(jià)波動(dòng)效果最優(yōu)。參數(shù)估計(jì)和檢驗(yàn)結(jié)果如表3所示。

表3 日收益率EGARCH(1，1)的參數(shù)估計(jì)結(jié)果

因此，可建立EGARCH(1，1)模型：

(式11)

表4 2010—2019上市公司的違約距離

(二)基于Logistic回歸的違約概率

Logistic Regression(邏輯回歸)是一種研究被解釋變量選取某個(gè)值的概率和解釋變量之間的關(guān)系，目的是盡可能擬合決策邊界，使樣本盡可能分離，主要是用于解決二分類問題，非常符合企業(yè)信用風(fēng)險(xiǎn)(違約和不違約)問題。

為了全面考量企業(yè)財(cái)務(wù)指標(biāo)對(duì)信用風(fēng)險(xiǎn)的影響，分別從企業(yè)運(yùn)營(yíng)、償債、盈利和成長(zhǎng)能力這4方面選取主營(yíng)業(yè)務(wù)收入、凈利潤(rùn)增長(zhǎng)率、資產(chǎn)報(bào)酬率、流動(dòng)速動(dòng)比率、資產(chǎn)周轉(zhuǎn)率等14個(gè)財(cái)務(wù)變量作為原始指標(biāo)。對(duì)指標(biāo)進(jìn)行Mann-Whitney U檢驗(yàn)，檢驗(yàn)指標(biāo)間的相關(guān)程度，通常認(rèn)為，相關(guān)系數(shù)|r|>0.8時(shí)存在多重共線性。對(duì)于|r|≤0.8的指標(biāo)，使用VIF法(VIF>10表示多重共線性)再次檢驗(yàn)。

Mann-Whitney U和VIF法檢驗(yàn)結(jié)果顯示，一共剔除主營(yíng)業(yè)務(wù)收入、凈資產(chǎn)收益率、現(xiàn)金比率、速動(dòng)比率和現(xiàn)金流量比等8個(gè)指標(biāo)來(lái)盡可能減弱或消除各指標(biāo)之間多重共線性問題。剩余凈利潤(rùn)增長(zhǎng)率、總資產(chǎn)增長(zhǎng)率、資產(chǎn)報(bào)酬率、資產(chǎn)負(fù)債率、流動(dòng)比率和資產(chǎn)周轉(zhuǎn)率這6個(gè)主要指標(biāo)(見表5)。先加入違約距離這一重要的影響因子，再利用因子分析和Logistic回歸模型來(lái)解釋各指標(biāo)變量對(duì)違約率的顯著性佑肔ogistic回歸計(jì)算出違約概率。2010—2019年這7個(gè)財(cái)務(wù)指標(biāo)歷年的數(shù)據(jù)如表6所示,KMO和巴利特檢驗(yàn)結(jié)果如表7所示。

表5 參數(shù)含義

表6 上市公司的主要財(cái)務(wù)指標(biāo)

表7 KMO 和巴特利特檢驗(yàn)

從表7的結(jié)果可以看到，KMO統(tǒng)計(jì)值為0.606，Bartlett檢驗(yàn)值為40.304，并且卡方顯著性水平為0.07(小于0.1)，卡方值為44.766較大，從而拒絕原假設(shè)，各指標(biāo)相關(guān)性較高，適合因子分析。

提取方法：主成分分析法。

由表8結(jié)果可以觀察到，第3個(gè)主成分的累積貢獻(xiàn)率已經(jīng)達(dá)到了81.848%，說(shuō)明這3個(gè)主成分里的信息量涵蓋了其余變量的大部分信息。也就是說(shuō)，這3個(gè)主成分極具代表性，它們與變量的相關(guān)程度極高，具有很強(qiáng)的解釋能力。而碎石圖(見圖1)中前3個(gè)主成分的降速和坡度，也可以得出相同的結(jié)論。

表8 總方差解釋

圖1 碎石圖

提取方法：運(yùn)用主成分分析法提取了 3 個(gè)成分。

表9為3個(gè)公因子(主成分)矩陣，它代表著每個(gè)公因子包含了百分之多少的其余指標(biāo)，即負(fù)荷值，是一種線性組合的關(guān)系，根據(jù)表9我們能準(zhǔn)確地寫出這3個(gè)公因子的代數(shù)表達(dá)式。

表9 成分矩陣

F1=0.226X1+0.773X2-0.005X3+0.765X4+0.827X5+0.868X6+0.783X7

(式12)

F2=0.293X1-0.474X2+0.721X3-0.290X4+0.330X5-0.228X6+0.564X7

(式13)

F3=-0.615X1+0.179X2+0.599X3+0.456X4-0.148X5-0.187X6-0.050X7

(式14)

同時(shí)，建立因子分析模型：

F=0.58F1+0.24F2+0.18F3

(式15)

可見，第一個(gè)公因子對(duì)因子分析模型的影響較為顯著，起到了決定性的作用。將這個(gè)因子分析模型導(dǎo)入Logistic回歸模型，其表達(dá)成為：

(式16)

所以，企業(yè)2010—2019年的違約概率PD=[35.9%，30.6%，34.7%，39.5%，36.9%，35.1%，21.1%，16.7%，12.4%，16.2%]

通過對(duì)企業(yè)2010—2019年財(cái)務(wù)指標(biāo)的分析得出，2010—2014年的違約概率逐漸升高至35%，2014年后違約波動(dòng)不明顯，趨于一個(gè)穩(wěn)定的狀態(tài)，這可能與企業(yè)近年來(lái)邁向國(guó)際舞臺(tái)的戰(zhàn)略息息相關(guān)。

(三)利用CPV理論的宏觀因素對(duì)違約概率進(jìn)行修正

Credit Portfolio View模型(簡(jiǎn)稱CPV模型)是Credit Metrics模型的衍生，其中的宏觀經(jīng)濟(jì)因素對(duì)違約概率起決定性作用。比如，GDP增長(zhǎng)率、儲(chǔ)蓄率、匯率、固定資產(chǎn)投資和企業(yè)景氣指數(shù)等宏觀經(jīng)濟(jì)變量，不再是其他模型所用的股票波動(dòng)率、資產(chǎn)價(jià)值等因素，該模型注重一國(guó)經(jīng)濟(jì)狀況，傾向于市場(chǎng)中的系統(tǒng)性風(fēng)險(xiǎn)。CPV模型通過Logit函數(shù)把違約概率限制在0—1之間，表達(dá)式為：

(式17)

其中，Pt為企業(yè)在t時(shí)期內(nèi)的違約概率，Yt為在t時(shí)期一個(gè)國(guó)家的宏觀經(jīng)濟(jì)指數(shù)，表達(dá)式為：

Yt=β0t+β1tX1t+β2tX2t+…βntXnt+εt

(式18)

其中，ε～N(0，σ)將式16與式17合并化簡(jiǎn)，得到違約概率Pt：

(式19)

選取8個(gè)與企業(yè)相關(guān)的宏觀經(jīng)濟(jì)指標(biāo)：β1為國(guó)內(nèi)生產(chǎn)總值增長(zhǎng)速度、β2為財(cái)政支出增長(zhǎng)率、β3為總儲(chǔ)蓄率、β4為失業(yè)率、β5為城鎮(zhèn)固定資產(chǎn)投資、β6為100美元兌人民幣匯率、β7為企業(yè)景氣指數(shù)、β8為長(zhǎng)期利率。

在多元回歸方法中選取了擬合效果更好的逐步向后回歸法，為了保證單位為同一級(jí)別，進(jìn)行數(shù)據(jù)處理，處理后數(shù)據(jù)顯示均為平穩(wěn)(見表10)。再將所有自變量引入回歸方程，通過比較變量t值和F統(tǒng)計(jì)量以及AIC準(zhǔn)則，其過程中同時(shí)引入和剔除自變量，在每一步消除顯著性最小的自變量，消除了多重共線性的影響，保證了模型變量的最優(yōu)。

表10 逐步回歸檢驗(yàn)結(jié)果

在剔除財(cái)政支出、失業(yè)率、城鎮(zhèn)固定資產(chǎn)投資和長(zhǎng)期利率這些不顯著的指標(biāo)后，擬合優(yōu)度為98.55%，調(diào)整后為97.11%，模型擬合效果較好?；貧w標(biāo)準(zhǔn)差為0.094，說(shuō)明各變量的波動(dòng)較小。DW值為3.054，大于5%顯著水平下的du=1.70，說(shuō)明不存在自相關(guān)。F統(tǒng)計(jì)量為68.13，也很顯著，模型整體的解釋能力較強(qiáng)。

Y實(shí)際值和擬合值的對(duì)比及其其殘差走勢(shì)如圖2所示。

圖2 宏觀經(jīng)濟(jì)指數(shù)的實(shí)際值和擬合值對(duì)比及其殘差分布情況

從圖2可以看出，Y的實(shí)際值和擬合值曲線基本重合，擬合較好，進(jìn)一步說(shuō)明模型的有效性。因此，建立的上市公司的宏觀經(jīng)濟(jì)回歸模型為：

Y=-7.27-26.85β1+75.36β6+49.92β3-4.32β7

(式20)

由此可以看出，企業(yè)的違約概率與宏觀經(jīng)濟(jì)指標(biāo)息息相關(guān)，由式18得出Pt和Yt呈同向變動(dòng)，且回歸方程中儲(chǔ)蓄率β3和Y值也呈同向變動(dòng)。

1.指標(biāo)因素分析

GDP增速與企業(yè)違約概率呈反向變動(dòng)關(guān)系。當(dāng)GDP增速下降時(shí)，表示經(jīng)濟(jì)不景氣，經(jīng)濟(jì)活動(dòng)低迷，一些地方債務(wù)一旦無(wú)力償還，企業(yè)違約概率就會(huì)增高；反之，GDP增速上升，總體經(jīng)濟(jì)狀況較好，經(jīng)濟(jì)高速發(fā)展，企業(yè)的違約概率自然降低。

匯率與企業(yè)違約概率呈正向變動(dòng)關(guān)系。當(dāng)美元兌人民幣匯率下降時(shí)，人民幣升值，若企業(yè)原材料依賴于進(jìn)口，會(huì)降低成本使凈利潤(rùn)增加，而且企業(yè)以外幣核算的貨幣資金和負(fù)債都會(huì)產(chǎn)生相應(yīng)的增值，從而導(dǎo)致違約概率降低；反之，匯率上升，人民幣貶值，進(jìn)口的生產(chǎn)成本增加，資金周轉(zhuǎn)不足，同時(shí)以外幣核算的借款會(huì)為企業(yè)帶來(lái)更多的負(fù)債，從而導(dǎo)致高違約率現(xiàn)象。

儲(chǔ)蓄率與企業(yè)違約概率呈正向變動(dòng)關(guān)系。當(dāng)儲(chǔ)蓄率下降，銀行放貸減少，利率有所升高，有利于存款，企業(yè)投資減小且伴隨著風(fēng)險(xiǎn)降低，進(jìn)而導(dǎo)致企業(yè)違約概率下降。

企業(yè)景氣指數(shù)與企業(yè)違約概率呈反向變動(dòng)關(guān)系。當(dāng)企業(yè)景氣指數(shù)高時(shí)，經(jīng)濟(jì)運(yùn)行向好的方向發(fā)展，說(shuō)明企業(yè)內(nèi)部運(yùn)營(yíng)良好，資金周轉(zhuǎn)流暢，違約現(xiàn)象較少，違約概率自然降低；反之，企業(yè)可能運(yùn)轉(zhuǎn)不良，資金周轉(zhuǎn)不足，違約概率升高。

將2010—2019年的GDP、儲(chǔ)蓄率、匯率、企業(yè)景氣指數(shù)代入回歸方程中，得到修正后的Y值，再將Y值代入式18中，得到修正后的企業(yè)違約概率。詳情如圖3所示。

圖3 違約概率修正前后對(duì)比圖

2.模型預(yù)測(cè)

選取2020全年GDP、儲(chǔ)蓄率、美元兌人民幣匯率和企業(yè)景氣指數(shù)這4大宏觀經(jīng)濟(jì)指標(biāo)?？紤]到我國(guó)2020年的GDP和儲(chǔ)蓄率還未公布，因此根據(jù)近10年的數(shù)據(jù)對(duì)2020年GDP和儲(chǔ)蓄率建立AR(1)模型進(jìn)行預(yù)測(cè)：

GDPt=0.68GDPt-1+0.02St=St-1-0.082

(式21)

將2019年的GDP增長(zhǎng)率6.11%和儲(chǔ)蓄率44.569%代入回歸方程，得到2020年的GDP增長(zhǎng)率和儲(chǔ)蓄率預(yù)測(cè)值分別為6.40% 和43.79%，儲(chǔ)蓄率總體還是呈下降的趨勢(shì)，而GDP或許會(huì)穩(wěn)中有升。然后把以上4個(gè)指標(biāo)代入回歸方程式20中，Y值得-2.953，再將Y代入式19中，得到上市公司2020年違約概率的預(yù)測(cè)值為4.955%。說(shuō)明這與公司長(zhǎng)期聚焦零售業(yè)密切相關(guān)，并且違約概率擬合圖也與實(shí)際情況保持一致。

三、結(jié)論與建議

(一)結(jié)論

以某上市公司為例，選取2010—2019年的財(cái)務(wù)數(shù)據(jù)，通過引入違約距離建立KMV-Logistic模型，計(jì)算企業(yè)違約概率。在用CPV宏觀理論對(duì)違約概率進(jìn)行修正時(shí)，得出GDP增長(zhǎng)率、儲(chǔ)蓄率、匯率和企業(yè)景氣指數(shù)這4個(gè)宏觀指標(biāo)對(duì)上市公司影響較大的結(jié)論。實(shí)證表明，修正后的模型適應(yīng)性較好。

(二)建議

政府應(yīng)該加強(qiáng)對(duì)上市公司的監(jiān)管，堅(jiān)決杜絕上市公司財(cái)務(wù)報(bào)表作假行為。企業(yè)應(yīng)時(shí)刻關(guān)注宏觀政策，了解國(guó)內(nèi)外前沿信息，尤其是進(jìn)出口貿(mào)易、國(guó)民經(jīng)濟(jì)和金融等方面的信息。企業(yè)內(nèi)部應(yīng)該成立信用管理部門，定期評(píng)估企業(yè)各部門的信用狀況，認(rèn)真核對(duì)每一筆業(yè)務(wù)，確保將可能發(fā)生的信用問題降低到最小，從而有效防范企業(yè)的信用違約風(fēng)險(xiǎn)。

在當(dāng)今的大數(shù)據(jù)時(shí)代，企業(yè)的技術(shù)部門應(yīng)合理應(yīng)用信用風(fēng)險(xiǎn)度量模型，對(duì)自身違約狀況進(jìn)行及時(shí)的預(yù)警與防范。在企業(yè)擴(kuò)大規(guī)模、提高業(yè)績(jī)的同時(shí)，不僅要注重企業(yè)文化發(fā)展(如開展活動(dòng)培養(yǎng)全體員工信用意識(shí)、增強(qiáng)自身素質(zhì)和企業(yè)榮譽(yù)感)，而且還應(yīng)建立與消費(fèi)者、供應(yīng)商之間的聯(lián)系，消除信息不對(duì)稱現(xiàn)象，使損失最小化，從而降低企業(yè)的違約概率。