上市公司信用风险测度评价

2019-03-13李耀

现代营销·信息版 2019年2期

李耀

摘要：以我国沪深A股上市公司作为研究对象，提取2017年的90家上市公司为样本，在模型上进行了两个阶段扩展，最先根据我国的情况对KMV模型进行调整，运用KMV模型计算样本的违约距离DD，初步判断该指标对st公司和非st公司的区分能力;然后将违约距离DD当作一个变量与其他筛选后变量引入logistic模型中构成的logistic模型。实证显示，纳入违约距离DD后，logistic模型对ST和非ST公司的判别准确度相较于单独的违约距离DD提高了很多。

关键词：KMV模型;信用风险;logistic模型

一、研究背景

随着经济的发展，资本市场也日益发展壮大，金融的经济地位也与日俱增，资本市场已然成为企业募集资金的场所，投资者也可以在资本市场进行操作来获得回报，所以企业的财务状况常常受到管理当局、投资者等利益相关者的密切关注，但随着经济全球化和大数据时代的到来，市场竞争也越来越残酷，不少企业发展举步维艰，就可能会陷入到财务危机中，然而企业发生财务危机也不是毫无征兆的，是一个渐渐地过程，而且是可以预测的，正确预测企业的财务风险，对保护投资者和债权人利益，对公司管理层面预防危机和改善治理，对政府监管，更好对市场监督和管理资本市场，都有重要的意义。

二、文献回顾

中国证券市场近些年才发展起来，而国外比较成熟，国内学者对财务困境预测研究还处在研究初始阶段，大多学者也是沿用国外的研究模式。

邹鑫，李莉莉，房琳（2014），用29家上市公司的数据作为样本，研究其信用风险，使用了KMV模型与Logit模型展开了研究，从总体效果来看，KMV模型的预测精度不高于Logit模型的预测精度。

孙森，王玲（2014），将KMV模型与Logit回归模型相结合，对在沪市随机选取的68家上市制造业的连约风险进行了实证分析，最终得出模型判定率较高的结论。

蒋彧，高瑜（2015），对KMV模型参数的估计与设定方法进行修正。随后运用修正后的KMV模型，对2014年2月中国2008家上市公司的信用风险进行评估，并对模型识别和预测信用风险的能力进行检验。最终得出：修正后的KMV模型具有良好的上市公司信用风险识别能力;在特定的评估时长下，模型具有较强的信用风险预测能力。

杨秀云，蒋园园，段珍珍（2016），基于定性和定量分析相结合，对KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型四种信用风险管理方法进行比较分析，认为KMV模型最适合我国目前的国情。以2013年45家ST公司和与之配对的45家非ST公司以及2014年20家ST公司和与之配对的20家非ST公司为样本，进行实证检验。实证结果表明KMV模型基本上能够识别上市公司的信用状况。

李晟，张宇航（2016），选取了2010—2015年间我国16家上市商业银行作为样本，运用KMV模型计算出每个商业银行的违约距离，随后通过面板数据对于影响违约距离的主要因素进行了回归分析。结果表明，国有银行相對于非国有银行而言其信用风险相对较低，而商业银行的总不良贷款率、贷存比以及资产规模对于商业银行的信用风险有着较为显著的影响。

三、实证方案

（一）KMV模型的样本选取

因我国破产机制不完善，所以以ST公司来代表财务困境公司，本文选取截至2017年12月31日为止，45只特别处理股票作为违约样本组和行业一致的45只正常股票作为非违约配对样本组进行研究。

所需指标主要有：以对数收益法计算的以日为周期的年化波动率、流通股股数、非流通股股数、每股净资产、2017.12.31股票收盘价、短期负债、长期负债。

（二）KMV模型分析

违约点设置为=短期负债+1/2长期负债

股权市场价值=流通股股数*股票收盘价+非流通股股数*每股净资产

通过MATLAB计算资产价值、资产价值波动率和违约距离。得到了90家上市公司的违约距离，我们将ST组和非ST组的违约距离对比可以发现，ST组的违约距离明显小于其同行业相近资产规模的非ST组的违约距离。在上述45对公司中有36对判断正确，准确率高达80%，说明KMV模型能够较好的判断出违约组公司和非违约组公司。上述违约组的平均违约距离为3.681022，非违约组的平均违约距离为45.60495771，两者表现出极大差异。现实中ST公司由于经营状况不好，业绩下滑，很可能出现资不抵债信用违约情况，实证结果和实际情况符合。

（三）违约距离的T检验

样本相关系数P（sig）=0.959>0.05证明ST组和非ST组之间无相关关系。

成对样本检验P=0.157>0.05，证明两组之间存在显著差异，进而证明KMV模型有较好的信用风险识别能力。

（四）Logistic模型的样本选取

选用KMV模型的90家上市公司为研究对象。其中包含45家违约企业和45家非违约企业。选取了X1资产负债率、X2流动比率、X3速动比率、X4销售毛利率、X5普通股权益总额（亿元）、X6股价波动率（年化）、X7净利润/营业总收入、X8总资产报酬率ROA、X9流动负债合计（亿元）、X10非流动负债合计（亿元）、X11现金比率、X12经营活动产生的现金流量净额/负债合计、X13 长期债务与营运资金比率、X14 货币资金/短期债务、X15应收账款周转率、X16营运资本周转率、X17经营活动净收益/利润总额、X18 经营活动产生的现金流量净额/营业利润、X19现金营运指数、X20 总资产周转率、X21应付账款周转率、X22存货周转率、X23 经营活动产生的现金流量净额/营业收入、X24 每股现金流量净额（元）、X25 归属母公司股东的权益（相对年初增长率）、X26净利润（同比增长率）、X27营业收入（同比增长率）、X28前十大股东持股比例合计、X29第一流通股东持股比例、X30每股净资产BPS（元）、X31第一大股东持股比例。

（五）样本进行Mann-whitneyU检验

采用两独立样本的Mann-whitneyU检验来检验样本来自的两独立总体的均值和分布有无显著差异。SPSS将自动计算Mann-whitneyU统计量，在0.05的显著性水平下，若p<0.05，则拒绝原假设：认为该指标对ST公司和非ST公司具有显著区分能力，结果其中变量X9，X10，X11，X14，X15，X16，X19，X22，X24，X26，X27，X29没有通过显著性差异检验，即这12个变量对ST公司和非ST公司并没有显著区分能力，故而可以从基础指标中剔除。因X12、X17缺失值较多，故也剔除。

（六）引入违约距离的Logistic信用违约模型

因变量较多，而指标之间存在相关性而对模型稳健性产生不好影响，在不能盲目删减指标的情况下，用因子分析法对变量就行降维，浓缩成几个互不相关的因子。最后提取出7个主因子，总方差解释率为72.19%，总体效果较好。

为了更好地观察变量因子，根据因子载荷较大的数值分布对得到的7个共同因子命名。

共同因子（F1）在流动比率、速动比率上因子载荷较大，将因子1命名为短期偿债能力。

共同因子（F2）在资产负债率、普通股权益总额、每股净资产上因子载荷较大，将因子2命名为权益因子。

共同因子（F3）在违约距离上因子载荷较大，因此将因子3命名为违约距离。

共同因子（F4）在净利润/营业总收入、经营活动产生的现金流量净额/营业收入上因子载荷较大，因此将因子4命名收益结构因子。

共同因子（F5）在股价波动率、总资产报酬率、归属于母公司股东的权益上因子载荷较大，因此将因子5命名为权益波动因子。

共同因子（F6）在经营活动产生的现金流量净额/负债、经营活动产生的现金流量净额/营业利润上因子载荷较大，因此将因子6命名为经营现金流。

共同因子（F7）在总资产周转率、应付账款周转率上因子载荷较大，因此将因子7，命名为经营周转因子。

基于上述7个共同因子的Logistic模型采用Enter进行logistic回归，回归结果：

[lnp1-p=0.37F1+0.1631F2+2.161F3+0.112F4+2.122F5+0.0662F6+0.774F7+0.161]最后得到的预测精度为85.6%。