中國民營銀行信用風險度量研究
——基于修正KMV模型

游宗君,程小軒

(1.貴州財經大學 貴陽大數(shù)據金融學院，貴州 貴陽 550025；2.貴州財經大學 大數(shù)據應用與經濟學院，貴州 貴陽 550025)

民營銀行彌補了傳統(tǒng)商業(yè)銀行普惠金融服務市場的短板，已成為我國金融體系重要組成，但民營銀行無論是自身還是客戶群體都可能存在較高信用風險。根據17家已開業(yè)民營銀行①[注]① 17家民營銀行分別是：深圳前海微眾銀行、溫州民商銀行、天津金城銀行、浙江網商銀行、上海華瑞銀行、重慶富民銀行、四川新網銀行、湖南三湘銀行、安徽新安銀行、福建華通銀行、武漢眾邦銀行、北京中關村銀行、江蘇蘇寧銀行、山東藍海銀行、遼寧振興銀行、吉林億聯(lián)銀行、梅州客商銀行。2018年至2020年年報數(shù)據，此期間大部分民營銀行不良貸款率呈逐年上升態(tài)勢，銀行信用風險不斷增加，信用風險的準確度量和有效管理成為民營銀行亟待解決的問題。

研究立足我國商業(yè)銀行實際，選取12家上市商業(yè)銀行數(shù)據基于回歸估計法的修正KMV模型測算19家民營銀行②[注]② 除前述17家民營銀行外，還有江西裕民銀行和無錫錫商銀行。信用風險，并就研究結果提出建議。

一、理論概述

(一)KMV模型及計算步驟

美國KMV公司(現(xiàn)已被穆迪投資服務公司收購)創(chuàng)始人Kealhofer、Mc Quown和Vasicek在1993年創(chuàng)新推出以Black、Scholes和Merton期權定價模型理論為基礎的KMV模型[1-2]。傳統(tǒng)KMV模型計算步驟分為三步：

第一步，測度資產價值及資產波動率。

傳統(tǒng)KMV模型中，企業(yè)股權VE被視為一份投資者買入的、以公司債券賬面價值D為執(zhí)行價格、以公司資產價值VA為標的的歐式看漲期權。根據BSM模型，公司資產價值VA滿足：

dVA=μAVAdT+σAVAdz

(1)

其中，μA是公司資產瞬時收益率，dz遵循維納過程。

公司股權價值VE：

VE=VAN(d1)-e-rTDN(d2)

(2)

式(2)微分后得到股價波動率：

(3)

r為無風險利率，股權價值及其波動率均可直接由資本市場獲得，聯(lián)立式(2)和式(3)求解得到資產價值VA及波動率σA。

第二步，測度公司債務違約點DP和違約距離DD。

違約最頻繁發(fā)生的臨界點即為違約點DP(Default Point)，KMV公司在其違約數(shù)據庫基礎上總結出經驗違約點DP=STD+0.5*LTD[3]，STD為短期負債，LTD為長期負債。

公司違約距離DD(Distance to Default)即公司預期資產價值到違約點的距離。

(4)

第三步，構造公司違約距離DD和預期違約概率PD的映射關系。

KMV公司把違約距離DD和預期違約率PD(Probability of Default)的關系映射為相對穩(wěn)定的函數(shù)關系，并擬合成一條平滑曲線[3]，即理論違約率：

PD=N(-DD)=1-N(DD)

(5)

其中，N(·)為標準正態(tài)分布函數(shù)，綜上可得出違約距離和違約概率。

(二)非上市民營銀行修正KMV模型的應用

采用修正KMV模型測算非上市民營銀行資產價值及波動率，股權價值和波動率是2個關鍵輸入變量。合理估算19家民營銀行股權價值及其波動率主要有四個方法：一是行業(yè)替代法(PFM模型，Private Firm Model)，即選取與非上市公司行業(yè)相同的上市公司，計算其股權價值均值作為非上市公司股權價值。謝遠濤等用修正PFM模型較好地預測了我國非上市保險公司的信用風險[4]，但該方法未考慮企業(yè)資本結構和償債能力差異。二是回歸估計法，即采用回歸方式修正KMV模型。先對上市公司股權價值與相關財務指標建立回歸方程，再將非上市公司數(shù)值代入回歸方程得到非上市公司股權價值。戴志鋒等基于PFM模型將155家上市公司股權價值及其波動率與年度財務數(shù)據進行回歸，再將非上市公司數(shù)據代入回歸方程中進行信用狀況評估[5]；王健等基于PFM模型從理論上評價了股權價值及其波動率與資產報酬標準差相關財務指標的回歸方程[6]。三是現(xiàn)金流貼現(xiàn)法，即將非上市公司股權價值作為公司未來利潤的自由現(xiàn)金流貼現(xiàn)。高蕾比較了公司資本定價方法，以自由現(xiàn)金流貼現(xiàn)法修正KMV模型進行實證研究，發(fā)現(xiàn)該模型對信用風險的評估更準確[7]，但該方法對未來現(xiàn)金流預測是基于歷史表現(xiàn)和當前產生現(xiàn)金流的項目，未考慮公司未來可能出現(xiàn)的新現(xiàn)金流，在估計未來自由現(xiàn)金流和貼現(xiàn)率時較主觀。四是結合其他模型的方法，如曾玲玲等基于BP神經網絡模型以KMV模型度量我國非上市制造企業(yè)信用風險，度量結果對比實際違約情況的準確率超過90%[8]；楊世偉等結合PFM模型和多元Probit模型對非上市公司公司債、私募債信用風險進行分析驗證模型效果[9]；段翀將PFM模型和傾向匹配得分法相結合，基于城市商業(yè)銀行中小企業(yè)數(shù)據進行實證研究，研究結果表明該方法具較高準確性[10]。本研究將采用回歸估計法修正KMV模型測算非上市民營銀行信用風險。

二、實證研究設計

(一)樣本數(shù)據

參照組選取12家上市商業(yè)銀行(與19家民營銀行處于同地區(qū)且盈利能力相似)，包括7家城市商業(yè)銀行(杭州銀行、上海銀行、成都銀行、江蘇銀行、寧波銀行、北京銀行、南京銀行)和5家農村商業(yè)銀行(無錫銀行、蘇農商行、江陰銀行、常熟銀行、張家港銀行)。研究樣本數(shù)據選取2018年1月至2020年12月銀行季度數(shù)據，共計144組數(shù)據(原始數(shù)據均來自Wind數(shù)據庫和RESSET數(shù)據庫)。

實證組選取19家民營銀行，因非上市民營銀行信息披露有限，只能選取區(qū)間為2018年至2020年銀行年報中相關財務信息。特別地，振興銀行未披露2020年年報，裕民銀行2019年開業(yè)，錫商銀行2020年開業(yè)只公開當年年報，民營銀行數(shù)據僅53組。

(二)實證研究

實證研究步驟為：

(6)

其中，Si為股票第i日收盤價。

(7)

研究觀測期為2018年至2020年，一個完整年度平均有250個交易日。經式(7)換算年收益率有：

(8)

此外，為研究計算便利，設定債務價值DL為總債務、債券期限T為1年、無風險利率r取2020年央行一年期整存整取基準利率1.5%。DPL違約點因上市商業(yè)銀行年報信息披露中未區(qū)分短期負債和長期負債，研究以上市商業(yè)銀行負債賬面價值作為違約點DPL值。

第二步，根據參照組計算結果，經SPSS軟件多元回歸得出上市商業(yè)銀行資產價值、資產價值波動率及主要財務指標回歸系數(shù)并進行檢驗。

(9)

(10)

第三步，將民營銀行財務指標代入回歸方程，計算得到民營銀行資產價值和資產價值波動率，運用Matlab程序計算得到違約距離、違約概率并展開對比分析。

(11)

(12)

將19家非上市民營銀行相關財務數(shù)據代入關系方程(式12)，得到銀行資產價值和波動率，由Matlab程序計算違約距離DDNL和違約概率PDNL。

三、實證結果分析

(一)參照組(上市商業(yè)銀行)實證結果

由表1，參照組中7家上市城市商業(yè)銀行(下稱城商行)信用評級均為AAA，5家上市農村商業(yè)銀行(下稱農商行)信用評級均為AA+，研究將其劃分為城商行組和農商行組并比較不同信用級別下銀行違約距離和違約概率，從統(tǒng)計意義上驗證修正KMV模型有效性。

表1 上市商業(yè)銀行信用評級情況匯總表

由表2，城商行組的違約距離平均值、中位數(shù)、最大值均大于農商行組，表明城商行違約風險小于農商行，這與信用評級結果一致。由表3，城商行組違約概率平均值、中位數(shù)小于農商行組。特別地，城商行組違約距離最小值0.066 1，系成都銀行2018年第一季度數(shù)據，成都銀行當季股權波動率高于其他城商行和農商行數(shù)據，是由2018年1月上市引發(fā)股價異動導致股權價值波動率較高，影響了銀行違約距離和違約概率。綜上，上市商業(yè)銀行修正KMV模型得到的違約距離和違約概率與其信用評級情況一致，這也驗證了模型有效性。

表2 上市商業(yè)銀行違約距離描述性統(tǒng)計數(shù)據表

表3 上市商業(yè)銀行違約概率描述性統(tǒng)計數(shù)據表

(二)回歸系數(shù)的求解和檢驗

表4 上市商業(yè)銀行資產價值回歸系數(shù)及檢驗結果表

表5 上市商業(yè)銀行資產價值波動率回歸系數(shù)及檢驗結果表

研究采用Stata軟件進行固定效應模型和隨機效應模型回歸估計，驗證式(11)、式(12)可靠性。對于資產價值，固定效應模型和隨機效應模型P值都為0.000 0(小于0.05)，表明兩個模型在5%水平下顯著；對比固定效應模型和隨機效應模型，Hausman檢驗結果P值0.072(小于0.10)，該結果在10%水平下顯著，表明固定效應模型優(yōu)于隨機效應模型。固定效應模型中兩個解釋變量對被解釋變量(資產價值)呈正向作用。對于資產價值波動率，固定效應模型P值0.000 1，隨機效應模型P值0.000 0，均小于0.05，表明兩個回歸模型均顯著。然而Hausman檢驗P值0.216 8大于0.10，表明模型結果不顯著，隨機效應模型優(yōu)于固定效應模型。隨機效應模型所有解釋變量對被解釋變量(資產價值波動率)作用均呈相同方向。綜上，通過固定效應模型和混合效應模型檢驗，檢驗結論與回歸結果基本吻合。

(三)實證組非上市民營銀行實證結果

為評價修正KMV模型對信用風險的評估效果，探究從三方面進行比較分析：一是比較實證組與參照組；二是比較民營銀行信用評級與實證結果吻合情況；三是將實證組按批籌批次劃分三組，進行組間及組內比較。

第一，實證組和參照組實證結果比較

為了避免銀行負盈利值對實證結果產生影響，考慮上市商業(yè)銀行均處于盈利狀態(tài)，剔除非上市民營銀行盈利值為負的5組數(shù)據，將剩余48組數(shù)據與參照組144組數(shù)據進行對比。由表6、表7，實證組平均違約距離(2.785 2)小于參照組(3.225 3)；實證組平均違約概率(0.060 5)大于參照組(0.012 6)，表明實證組違約風險比參照組大，違約距離和違約概率中位數(shù)、最小值比較情況也與上述結果一致。特殊地，參照組與實證組違約距離最大值與以上結果相反，如華通銀行2019年違約距離最大值據為10.151 9，該行2017年營業(yè)，后一直處于虧損狀態(tài)，2019年上半年由虧轉盈，但其年報顯示2019年凈利潤卻低于2019年上半年，說明華通銀行2019年下半年經營仍為虧損，銀行盈利能力下降導致違約距離較大而違約概率較小。另外，實證組蘇寧銀行2018年違約距離最大值6.057 1，低于參照組違約距離最大值8.058 6，該數(shù)據需去掉。綜上，上市商業(yè)銀行信用風險小于非上市民營銀行，修正KMV模型對上市商業(yè)銀行和非上市民營銀行信用風險評估結果有效，民營銀行信用風險大小與其盈利水平相關。

表6 參照組與實證組違約距離描述性統(tǒng)計數(shù)據表

表7 參照組與實證組違約概率描述性統(tǒng)計數(shù)據表

第二，民營銀行信用評級與實證結果的比較

6家民營銀行有第三方機構給予信用評級(見表8)，大部分民營銀行信用評級越低，其平均違約距離越小，平均違約概率越大。這與上市商業(yè)銀行實證數(shù)據分析得到的結論一致，表明修正KMV模型計算違約距離和違約概率能較早識別信用風險。

表8 非上市民營銀行信用評級、違約距離及違約概率表

第三，民營銀行組間、組內比較

本研究中，有13家民營銀行無信用評級，無法與修正KMV模型計算結果進行比較。研究根據民營銀行批籌批次，將作為研究對象的19家民營銀行分為3組進行比較，分組情況如下：第一組共5家，分別是微眾銀行、民商銀行、金城銀行、網商銀行與華瑞銀行；第二組共12家，分別是富民銀行、新網銀行、三湘銀行、新安銀行、華通銀行、眾邦銀行、中關村銀行、蘇寧銀行、藍海銀行、振興銀行、億聯(lián)銀行和客商銀行；第三組共2家，分別是裕民銀行和錫商銀行，實證結果見表9。整體上，民營銀行經營時間越長，其業(yè)務呈擴張態(tài)勢，銀行盈利由虧轉盈，但違約概率上升，信用風險暴露，不良貸款率和資產負債率上升。修正KMV模型計算的違約距離和違約概率對信用風險的識別與銀行實際不良貸款率、資產負債率情況一致，證明銀行信用風險與銀行盈利能力具有相關性。

表9 民營銀行各組平均違約距離與違約概率匯總表

第一組除微眾銀行以外的4家民營銀行實證結果呈不同變化趨勢，既不能證明修正KMV模型計算的違約距離和違約概率對信用風險的識別與實際發(fā)生的不良貸款率、資產負債率情況一致，也不能說明修正KMV模型對非上市民營銀行信用風險的測度無效。不良貸款率和資產負債率僅為參考指標，實際信用風險可能受其他因素影響。對比4家民營銀行年報數(shù)據，發(fā)現(xiàn)銀行違約概率均與總資產回報率呈相同變化趨勢。綜上，研究構建的修正KMV模型能較早識別民營銀行信用風險，違約距離和違約概率與銀行盈利水平相關。

第二組除富民銀行、三湘銀行、新網銀行外，余下9家民營銀行違約概率、不良貸款率及資產負債率變化趨勢均相同。上述3家民營銀行實證結果顯示其違約概率在2019年激增，但2020年呈下降，與銀行資產回報率(ROA)變化趨勢相同。由此，信用風險大小不僅與民營銀行資產價值、負債規(guī)模相關，還受到民營銀行盈利水平影響。

第三組，裕民銀行、錫商銀行分別于2019年、2020年開業(yè)，根據兩家銀行年報數(shù)據，營業(yè)的頭一兩年銀行均處于虧損狀態(tài)。兩家銀行業(yè)務有限，銀行存款和貸款未達規(guī)模，不良貸款率較小，經修正KMV模型計算的信用風險也較小，但這并不意味著兩家銀行信用風險低或銀行風險控制能力佳，更可能是因信用風險暴露一般具有滯后性。兩家銀行業(yè)務規(guī)模擴大后若不采取有效的風險控制，也會發(fā)生不良貸款率逐年上升、違約概率逐漸增大等情況，其信用風險評估需未來數(shù)據給予支撐。

綜上，使用修正KMV模型對非上市民營銀行信用風險評估是有效的，違約距離、違約概率不僅與其資產負債規(guī)模相關，還與銀行盈利水平相關。

(四)實證結論

對比修正KMV模型對上市商業(yè)銀行信用風險實證結果與信用評級情況，發(fā)現(xiàn)銀行違約距離越小，違約概率越大，信用等級越低；反之，違約距離越大，違約概率越小，信用評級越高，這也驗證了修正KMV模型測度上市商業(yè)銀行信用風險的有效性。無論是上市商業(yè)銀行還是非上市民營銀行，其信用風險均受銀行盈利能力(營業(yè)收入、總資產回報率、資產收益率)、資本結構(資產規(guī)模、負債規(guī)模)等因素影響。

民營銀行信用風險總體上大于上市商業(yè)銀行。有信用評級的6家民營銀行修正KMV模型實證結果與信用評級機構給出的信用評級結果總體上一致，余下13家民營銀行的違約距離及違約概率與銀行資產、負債規(guī)模及盈利水平相關：第一，民營銀行開業(yè)時間越長，信用風險越大；第二，修正KMV模型計算違約距離和違約概率可較早識別民營銀行信用風險；第三，違約距離和違約概率對信用風險的識別結果與實際發(fā)生的不良貸款率和資產負債率情況基本一致；第四，違約距離和違約概率與民營銀行總資產回報率(盈利水平)相關。

四、研究建議

(一)完善信用體系，建立風險預警系統(tǒng)

民營銀行起步晚，金融市場信用體系還不夠完善，銀行自身及客戶群體風險承擔能力較差，應加快社會信用體系建設，為銀行經營創(chuàng)造良好信用環(huán)境。民營銀行也要加強貸款資金流向追蹤，設立信用風險預警線，及時采取措施應對信用風險和進行有效防控，避免損失。

(二)加快信貸業(yè)務轉型，提升客戶信任

民營銀行資產規(guī)模較小，不良貸款有增長趨勢，在全面開展信貸業(yè)務的同時要充分考慮銀行資產結構、資產規(guī)模、信用風險管理能力等，調整信貸業(yè)務規(guī)模擴張速度與資本增長速度相匹配，保持銀行穩(wěn)定盈利能力，提高風險抵御能力。民營銀行雖有一定創(chuàng)新，但在信貸業(yè)務和信貸產品上與傳統(tǒng)商業(yè)銀行本質差異不大，且民營銀行短時期內尚未建立起良好聲譽，應加強線上線下宣傳，充分發(fā)揮普惠金融導向，有針對性地開展信貸業(yè)務，不斷提升服務質量，增強市場認可度和銀行信譽、美譽度。

(三)強化風控職責，加強人才培養(yǎng)

民營銀行風險管理部門應根據銀行定位制定行之有效的信用風險管控機制。如建立風險管理流程、定期編制風險管理報告、召開風控總結大會，不斷優(yōu)化風險管理制度和流程。還應加強對數(shù)據挖掘技術和風險控制方面優(yōu)秀人才的招聘、培訓、考核和能力再提升，建立有效的員工激勵機制，提升從業(yè)人員信用風險管理意識和管控能力。

(四)運用科技數(shù)字轉型，創(chuàng)新金融科技應用

以人工智能、大數(shù)據、區(qū)塊鏈為代表的金融科技創(chuàng)新引領金融業(yè)數(shù)字化發(fā)展。大部分民營銀行具有“互聯(lián)網基因”，能夠更好地利用基于大數(shù)據的互聯(lián)網金融科技。加強科技研發(fā)投入，積極打造以數(shù)據為基礎、以技術為驅動的新型數(shù)字化銀行，利用大數(shù)據金融科技獲取和識別有效信息，建立信用分析機制對客戶進行批量小額授信，分散信用風險。分析和預測客戶需求，提供個性化智能定制服務，提升信用風險控制水平的同時促進信用體系健全發(fā)展。