基于所有制差异的上市公司信用风险比较研析——以供给侧改革题材企业为例

□ 杭州 孔一超 沈初阳

近年来，在经济“新常态”的大环境下，供给侧改革题材股越来越被投资者所关注。然而在供给侧改革概念股中有接近百分之六十的上市公司拥有国资背景。而随着国企市场化改革的推进，曾经靠国家信用背书的国资上市公司如今也面临着经济下滑，行业不景气等因素带来的企业信用降低所引起的退市风险。近期，多家拥有国资背景的企业由于经营不善、缺乏债务清偿能力等问题被摘牌退市，如＊ST昆机以及＊ST吉恩成为2018年第一批退市股票，而这两家上市公司都有地方国资背景，由此可见，国资背景如今并不能成为“僵尸”企业免于退市的“免死金牌”。因此，本文将利用修正后的KMV模型，以供给侧改革板块的上市公司为研究样本，从所有制差异的视角出发，对供给侧改革概念上市公司进行信用风险的计量和分析，以给投资者提供一个相对可行的信用风险评估，提高投资者风险意识，规避盲目投资。

一、KMV模型原理

KMV模型源于BSM期权定价模型的研究，将公司股权看作欧式看涨期权，该期权以公司资产的市场价值为标的，以公司债务为执行价格。当企业债务到期时，若企业资产的市场价值低于企业所需偿还的负债面值，则认为企业将会发生违约；若企业的资产市场价值高于企业的债务面值，则公司的违约风险较小。

根据该模型原理，企业的股权价值为：

联立（1）和（2）在通过MATLAB软件进行迭代技术编程求解，可以求出公司资产的市场价值及其波动率。

违约点DP为公司违约时的资产价值，通过违约点DP，公司资产价值以及公司资产价值波动率可以求出公司的违约距离DD，公式为：

由于中国的历史违约数据缺乏，违约距离和违约概率之间的映射关系无法实现，因此，本文直接用违约距离来衡量上市公司的信用风险大小。

二、参数设定

根据上述的KMV模型原理，本文所需要的参数如下：

则上市公司股票的日波动率为：

3.违约点DP。传统的KMV模型将违约点设置为上市公司短期债务加上长期债务公司的一半，即违约点DP=流动负债＋0.5×非流动负债。但是，传统KMV模型违约点的计算公式忽略了上市公司行业的差异性，并且该违约点计算公式是根据美国市场情况得出的，并不能较好应用于中国的上市公司研究。因此，本文根据以往的模型修正方法，通过回归的方法对违约点进行修正，得到适用于样本研究的违约点计算公式。

4.债务面值D。本文采用的债务面值为上市公司的总负债，即债务面值=流动负债＋非流动负债。

5.无风险利率r。本文使用的无风险利率为中国人民银行公布的每月的一年期国债利率的均值，即r=0.033。

6.债务偿还期限t。根据以往的文献研究，通常将时间期限t设置为1年，因此，本文同样采用相同的时间期限，即t=1年。

三、实证分析

1.违约点的修正及检验。本文根据已有文献中对违约点计算公式的修正方法，重新对违约点DP的计算公式进行修正，DP=α×流动负债＋β×非流动负债 。以往文献中，多数学者将近几年被ST或者被＊ST的上市公司的总资产，流动负债和非流动负债进行回归得到违约点DP计算公式的系数。由于本文所研究的样本上市公司中ST或者＊ST的上市公司数目较少，而样本公司大多数为制造业上市公司，因此本文另选40家ST或者＊ST的制造业上市公司进行回归得到违约点计算公式系数。根据回归结果可得：DP=0.847×流动负债＋1.918×非流动负债，在回归结果中，调整后的可决系数R2为0.9792，各个解释变量的 t 统计量都显示显著，因此可以判定该拟合结果较好，由此判断建立的回归模型是合理的。

为了与传统的KMV模型中的违约点计算公式进行比较，本文利用独立样本均值 t 检验的方法来对修正后的违约点计算公式和传统的违约点计算公式进行比较分析。分别选取30只ST或者＊ST的上市公司以及30只正常上市公司作为两组检验样本（分别将两样本组称为正常组和异常组），比较在不同违约点计算公式下的差异。该检验过程在STATA软件中进行，检验结果如下：

表1 违约距离 t 检验（违约点公式比较）

由表1可知，在传统的违约点计算公式下，正常公司组与异常公司组的违约距离均值差为0.278而 t 统计量为1.564，P值为0.129，正常公司组与异常公司组的违约距离差异并不明显。而在修正的违约点计算公式下，正常组公司和异常组公司的违约距离差值上升到了0.488，并且 t 统计量提高到了2.533，P值显示为0.017，说明在5%的置信水平下，异常组和正常组公司的违约距离具有明显的差异。由此可以说明，修正后的违约点计算可以更有效地识别出ST公司与非ST公司。

2.样本公司选取。本文所选取的样本公司均为供给侧改革概念板块中的上市公司。考虑到数据计算的准确性，选取的样本公司均只在我国大陆A股上市，同时考虑到数据的可获得性，本文删除数据缺失的上市公司，最后，一共选取56家上市公司为研究样本。在所选的样本上市公司中，按是否具有国资背景划分，可分为33家具有国资背景的上市公司以及23家非国资背景的上市公司。

以2017年的年报数据，利用公式：股权价值=流通股市场价值＋每股净资产×非流通股股数，分别计算具有国资背景的样本公司的股权价值以及不具有国资背景的样本公司的股权价值。

在计算股权价值波动率时，先根据2017年的样本公司股票的日收盘价计算出每日的收益率，根据样本标准差公式计算出样本公司的股票日波动率，再以一年250个交易日，利用公式计算出样本公司股票的年度波动率，即为样本公司的年化股权波动率。

利用2017年年报中的流动负债总计加上非流动负债总计来计算样本公司的债务面值。根据计算得出的结果结合债务期限t=1以及无风险利率r=0.033通过迭代求解可以得到样本公司的资产价值以及资产价值波动率。

违约点DP的计算利用上文所述的修正后的违约点计算公式：DP=0.847×流动负债＋1.918×非流动负债来得到样本公司的修正后违约点。

4.样本组均值 t 检验。为了更加精确地对比两组样本公司信用风险的差异，本文将供给侧改革概念股中具有国资背景的上市公司违约距离与非国资背景上市公司违约距离进行独立样本均值 t 检验，利用统计学的原理来进行两组样本违约距离之间的差异分析，检验过程在STATA软件中进行，具体结果如下：

表2 样本违约距离组均值 t 检验

从表2中可以看出，两组样本公司的平均违约距离差为0.608，t 值统计量为1.876，在10%的置信水平下，拒绝两组样本公司违约距离差异为0的原假设，该结果显示两组样本之间的违约距离具有一定的差异，从而可以说明两样本组之间的信用风险是不一致的。而在5%的置信水平下，接受非国资背景样本上市公司的违约距离比具有国资背景样本上市公司的违约距离大，说明从统计意义上来说，供给侧改革概念股中具有国资背景的上市公司的违约风险要大于非国资背景的上市公司。

四、结论

对于本文的研究结果，可从以下几方面进行分析。首先，从融资约束角度来讲，相对于民营企业，具有国资背景的企业所面临的融资约束力度较小。因此，更容易从银行等金融机构获得借款，导致其负债率相对较高。其次，具有国资背景的上市公司普遍存在盲目扩张的行为，增加自身风险。再其次，从代理问题的角度分析，国资企业代理人的经营业绩与其报酬并无直接关系，在这种情况下代理人有可能损害所有者或企业利益来达到自己个人的目的。从市场机制方面来说，我国供给侧改革中具有国资背景的企业是主要的参与者，但是由于国资背景的企业信用状况相对较弱，继续完善市场机制，逐步推行市场退市制度，有利于处置那些市场中没有投资价值的“僵尸”企业，改善资本市场的环境，助力市场发挥资源配置的作用，也为供给侧改革的稳健进行清除障碍。