我國城市商業(yè)銀行信用風險度量與授信管理

沈悅 張文

（南昌大學經(jīng)濟管理學院 江西南昌 330013）

引言

2019年以來，世界經(jīng)濟形勢愈加復雜嚴峻，以城市商業(yè)銀行為代表的中小商業(yè)銀行在不良貸款率和不良貸款規(guī)模的控制上面臨顯著壓力。隨著信用風險度量與管理方面的問題日漸凸顯，學者們也開始關注城市商業(yè)銀行信用風險。謝太峰等（2020）基于我國45家城市商業(yè)銀行六年的財務數(shù)據(jù)，研究了城市商業(yè)銀行信用風險的影響因素。梁夕言、陳真子（2021）運用收益模型法對城市商業(yè)銀行風險現(xiàn)狀及貸款選擇進行分析，提出了完善城市商業(yè)銀行貸款管理的建議。

城市商業(yè)銀行是我國銀行體系當中最為活躍的部分，加強信用風險度量研究、提出建設性意見，對促進中小商業(yè)銀行健康發(fā)展具有重要的現(xiàn)實意義。本文將選取長三角地區(qū)規(guī)模較大、客戶資源相對豐富、近五年不良貸款率較高的N城商行為研究對象，引入KMV模型對其進行信用風險度量實證研究，并根據(jù)實證分析結果提出N城商行提升信用風險度量水平、完善授信管理的政策建議。

KMV模型相關理論

（一）KMV模型參數(shù)與修正

1. 股權市場價值。經(jīng)歷股權分置改革后，我國上市公司的流通股與非流通股并存，為精確計算股權市場價值，應分別計算流通股價值與非流通股價值，然后兩者求和得到總的股權市場價值，其計算公式可表示為：

式（1）中：V為股東權益的市場價值，S為流通股股數(shù)，S為非流通股股數(shù)，A為總股數(shù)，M為流通股的價格，B為每股凈資產(chǎn)。

2. 股權價值波動率。采用歷史波動率法計算股權價值波動率，具體如（2）所示：

式（2）中，μ表示股票每天的收益率，S、S分別表示第i天、第i+1天的股票收盤價，μ表示給定時間段股票的平均收益率，σ表示給定時間段股票收益的日波動率，σ表示股票價值的年波動率，N為該股票給定時間段內實際交易天數(shù)。

3. 債務賬面價值及違約點。在KMV模型中，公司債務賬面價值V表示為：

式（3）中，LD為長期負債，SD為短期負債。

由于樣本與實驗的差異，目前在最佳違約點的選取上仍存在較大分歧。王雅楠（2019）在運用KMV模型進行實證分析過程中得出：最佳違約點設置為0.75時，度量我國上市公司信用風險效果最佳。本文充分參考上述結論，將最佳違約點設置為0.75，即：

DPT=STD+0.75LTD （4）

式（4）中：DPT表示違約點，STD和LTD分別表示短期負債與長期負債。

4. 債務期限與無風險利率。為方便數(shù)據(jù)的查找和計算，本文將債務期限設為一年期，即T=1。選取2019年中國人民銀行公布的金融機構一年期定期整存整取的存款利率作為無風險利率，即r=1.5%。

5. 資產(chǎn)價值與資產(chǎn)價值波動率。通過對Black-Scholes期權定價公式的函數(shù)形式進行推導，可以得出包含資產(chǎn)價值和資產(chǎn)價值波動率的方程組：

式（5）中，V為資產(chǎn)價值，σ為資產(chǎn)價值波動率。

（二）違約距離與違約概率

1. 違約距離。違約距離DD是預期資產(chǎn)價值與違約點之間的距離。一般地，違約距離DD數(shù)值越大，則說明公司違約風險越小、信用狀況良好。簡化后的違約距離DD可根據(jù)公式（6）計算：

N城商行信用風險度量實證研究

（一）樣本與數(shù)據(jù)選取

本文選取N城商行8家代表性客戶作為實驗組公司，相對應地，本文還選取了16家公司作為對比組公司，包括8家經(jīng)營狀況正常的公司，以及8家由“ST”公司和“*ST”公司組成的經(jīng)營情況較差的公司。

為避免不同的會計準則可能會干擾實證結果，本文在選取樣本時，實驗組和對比組共24家公司均在滬深市場上市。所選樣本公司及所屬行業(yè)類別詳見表1。

表1 樣本公司及所屬行業(yè)類別

以上24家上市公司2019年1月1日至2019年12月31日共計244個交易日的相關股票交易數(shù)據(jù)將被選作本次KMV模型實證分析的樣本數(shù)據(jù)，所有原始數(shù)據(jù)都來源于萬德數(shù)據(jù)庫、同花順交易軟件以及上市公司披露的年報。

（二）樣本公司違約距離與違約概率

根據(jù)式（1）-（5）對KMV模型所需的七個模型參數(shù)進行計算，并結合式（6）與式（7），借助MATLAB軟件計算出24家樣本公司的違約距離和違約概率，其結果如表2所示。

表2 樣本公司違約距離與違約概率

（三）度量模型有效性檢驗

從表2結果可以看出，ST公司和*ST公司的違約距離和違約概率與非ST公司存在較為明顯的差異。為了進一步檢驗實證結果的準確性，采取Mann-Whitney U以及Kolmogorov-Smirnov兩種非參數(shù)檢驗方式對違約距離進行顯著性檢驗在原假設為ST或*ST公司（8家公司）違約距離與非ST公司（16家公司）兩者不存在顯著性差異的情況下，兩種檢驗方式中樣本Z統(tǒng)計量對應的概率均小于0.05的顯著性水平，拒絕原假設。因此，KMV模型可以有效區(qū)分ST/*ST公司和非ST公司的違約距離，本次實證度量結果具有一定的可靠性。

實證結果分析

（一）總體情況分析

將實驗組8家公司違約距離與對比組中8家ST股和8家非ST股進行比較，對比結果如圖1所示。從圖中可以看出ST股違約距離小于非ST股，*ST股違約距離小于ST股，結果與客觀經(jīng)濟規(guī)律相符合。因此，KMV模型能夠較好地區(qū)分經(jīng)營情況不同的公司信用違約概率，度量商業(yè)銀行信用風險，具有一定的可行性。

圖1 實驗組公司與對比組公司違約距對比圖

此外，N城商行8家代表性客戶的違約距離均比該行業(yè)ST公司違約距離大，說明KMV模型能較好地區(qū)分ST公司與非ST公司，N城商行可以引進此方法對其客戶企業(yè)進行信用風險度量。

（二）不同行業(yè)間的違約情況分析

1.行業(yè)平均值之間的比較。將制造業(yè)、批發(fā)零售業(yè)、房地產(chǎn)業(yè)、農(nóng)林牧漁業(yè)四個行業(yè)中的ST公司和非ST公司的違約距離分別取平均值進行比較，結果如圖2所示。參考王佳等（2018）的相關研究，同一行業(yè)中的不同上市公司股票違約距離間的垂直距離越大，則該行業(yè)越景氣，說明該行業(yè)中的上市公司經(jīng)營管理狀況較好，發(fā)生違約的可能性相對較低。從圖2中違約距離間的垂直距離可以看出，房地產(chǎn)行業(yè)與農(nóng)林牧漁業(yè)的行業(yè)景氣度相對較高，制造業(yè)和批發(fā)零售業(yè)行業(yè)景氣度相對較低。此次實證當中，房地產(chǎn)業(yè)和農(nóng)林牧漁業(yè)的上市公司違約概率較低，制造業(yè)和批發(fā)零售業(yè)的違約概率較高，這與N城商行2019年不良貸款按照貸款投放行業(yè)分布情況相匹配。

圖2 行業(yè)平均違約距離對比圖

因此，N城商行在授信放貸、度量企業(yè)違約風險時，應將此因素充分考慮，有選擇地對所屬行業(yè)景氣、盈利能力較強的企業(yè)發(fā)放貸款，優(yōu)化貸款行業(yè)結構，降低信用風險。

2. 實驗組公司之間的比較。將實驗組8家N城商行代表客戶的違約距離按所屬行業(yè)兩兩求出平均值，如圖3所示。從圖3中可以看出，違約距離從大到小依次是房地產(chǎn)業(yè)、批發(fā)零售業(yè)、農(nóng)林牧漁業(yè)、制造業(yè)，即房地產(chǎn)業(yè)的上市公司違約概率較小。這與N城商行貸款行業(yè)不良率表現(xiàn)出的信用風險略有出入，原因主要是所選實驗組代表性客戶較少，N城商行房地產(chǎn)業(yè)代表客戶是綠地控股和中南建設，這兩家企業(yè)資產(chǎn)規(guī)模較大，經(jīng)營情況很好，屬于行業(yè)領軍企業(yè)，所以違約距離較大，違約概率較小。

圖3 行業(yè)平均違約距離對比圖

（三）行業(yè)內的違約情況分析

剔除行業(yè)因素，觀察各行業(yè)內實驗組公司與對比組公司的資產(chǎn)價值和違約距離的關系，比較結果如圖4所示?？梢钥闯觯Y產(chǎn)規(guī)模較大的公司的違約距離基本都大于資產(chǎn)規(guī)模較小的公司，符合實際情況，其原因主要有以下幾點：第一，資產(chǎn)規(guī)模較大的公司資金雄厚，有充足的資金來源來應對債務償還或突發(fā)事件；而規(guī)模較小的企業(yè)，資金周轉不靈、資金鏈中斷的可能性更大；第二，資產(chǎn)規(guī)模較大的公司核心競爭力更大、企業(yè)信譽較高，從銀行獲得的貸款利率較低，形成良性循環(huán)，進而商業(yè)銀行更傾向于授信給大型企業(yè)。

圖4 資產(chǎn)價值和違約距離關系

結論與建議

本文選取了8家N城商行代表性客戶作為實驗組，16家不同行業(yè)的上市公司作為對比組進行信用風險度量實證研究，結果表明：KMV模型能較為有效地度量不同行業(yè)上市公司的違約風險，對經(jīng)營績效較好公司與經(jīng)營績效較差公司的違約風險具有不錯的識別度；同時，通過對N城商行客戶樣本的分析發(fā)現(xiàn)，KMV模型能有效度量N城商行代表性客戶的違約風險。一般而言，行業(yè)景氣度高、資產(chǎn)規(guī)模較大的公司的違約距離基本都大于行業(yè)景氣度低、資產(chǎn)規(guī)模較小的公司，發(fā)生信用風險的可能性更低。

基于以上結論，本研究對N城商行運用KMV模型進行信用風險度量以及授信管理提出以下幾點建議：

加強對KMV模型的適用性研究。由于KMV模型是以美國上市公司為研究對象，其假設條件和參數(shù)的確定都具有美國市場的特點，N城商行在使用該模型進行信用風險的度量時，應當充分考慮模型度量的假設條件與我國上市公司所處的經(jīng)營環(huán)境，結合不同行業(yè)上市公司的歷史違約數(shù)據(jù)對KMV模型進行合理的修正，加強模型的適用性研究。

優(yōu)化人才隊伍建設。KMV模型的修正與應用對人才水平提出了較高的要求。N城商行應高度重視人才隊伍建設，健全員工學習培訓管理機制模式，通過聘請高校學者教授授訓的方式，來提高員工培訓的針對性與規(guī)范性，為構建一支成熟穩(wěn)定、專業(yè)化程度高的人才隊伍奠定良好的基礎。

根據(jù)行業(yè)特點對企業(yè)進行授信管理。不同的行業(yè)發(fā)展模式、經(jīng)營環(huán)境和特點不同，信用風險往往也存在較大差距。因此，N城商行對上市公司信貸風險度量時，應將行業(yè)公司所屬行業(yè)信用風險納入考慮范圍。N城商行在對企業(yè)客戶授信前充分關注制造業(yè)、批發(fā)和零售業(yè)等不良貸款率較高的公司；此外，在對企業(yè)授信管理過程中N城商行可以對行業(yè)類別進行更細致的劃分，以更精準地比較各行業(yè)的信用風險。

建立企業(yè)客戶違約數(shù)據(jù)庫。N城商行應通過將搜集大量信息與模型計算的違約概率相結合，加快建立企業(yè)違約數(shù)據(jù)庫，為授信業(yè)務提供潛在信用風險參考指標。在前期客戶選擇方面，堅持“一對一”的原則，詳細記錄該客戶過去信用風險方面相關違約信息和違約概率。在中后期客戶管理方面，嚴格跟蹤資金用途，控制支付路徑，全程記錄資金流向，并建議客戶企業(yè)開立資金監(jiān)管賬戶，確保資金實際流向與申報用途相符。此外，N城商行還應促進科技與業(yè)務深度融合，踐行科技與數(shù)據(jù)雙輪驅動理念，不斷完善信用違約數(shù)據(jù)體系。