非制造业上市公司贷款信用风险评价方法研究

张世龙，施杨芳

(杭州电子科技大学管理学院，浙江杭州 310018)

非制造业上市公司贷款信用风险评价方法研究

张世龙，施杨芳

(杭州电子科技大学管理学院，浙江杭州 310018)

以非制造业上市公司为研究对象，以41家ST公司和41家正常公司为样本，用逐步判别法对Altman的Z″评分模型进行修正，建立了适用于我国上市非制造业公司的评分模型。其次运用修正的评分模型确定上市非制造业公司的信用等级，并把该信用等级运用到Credit Metrics模型。最后，以Credit Metrics模型的原理为基础，以两笔贷款为例，利用蒙特卡罗模拟方法计算出上市非制造业公司贷款的组合信用风险值。结果表明，该方法完善了Credit Metrics模型、简化了计算过程，有效解决了Credit Metrics模型的“肥尾现象”。

信用风险;Credit Metrics模型;蒙特卡罗

一、问题的提出

对信用风险评价最早的有由Altman提出的Z评分模型和Zeta信用风险模型。目前国际上主流的信用风险评价模型有KMV模型、Credit Metrics模型和Credit Risk+模型等。KMV模型是KMV公司于1997年建立的用来估计贷款公司违约概率的方法。由于我国证券市场的发展不完善等原因，上市公司的市场价值很难正确衡量，KMV模型在我国的适用性不是很强。Credit Metrics模型是用于贷款等非交易性资产的估值和风险计算，它以信用等级为基础。如果缺乏信用评级相关的数据，会降低Credit Metrics模型在我国的适用性。Credit Risk+模型是一种违约模型。它需要估计的变量很少，计算简单，但忽略了信用等级的变化，且认为每一个债务人的风险敞口是不变的，在我国的适用性也不强。最近，国外主要对这些主流模型的实际运用方面进行讨论。Geert Van Damme［1］(2011)建立了一个新的违约损失率的基本框架，这一框架能被运用到信用风险评价模型中，从而更好地评价信用风险。Popescu，L［2］(2010)对信用风险评价模型进行了实证研究，他指出，在评价信用风险时应该考虑到时间、效率、成本等因素的影响。

我国商业银行对授信主体进行评级时采用的是内部评级法，主要采用贷款风险度的方法管理各类贷款，这种方法在确定贷款的指标和权重时主观性非常强，很难准确地识别信用风险。理论研究上大部分只是对国外先进的计量方法进行介绍与实证研究。如王春峰［3］(1998)将判别分析法运用到商业银行信用风险计量当中，并且通过与logit方法比较，得出判别分析法的有效性。张玲、曾维火［4］(2004)证实了我国上市公司信用等级与Z值具有较好的相关性。方先明［5］(2007)建立了基于Hopfield神经网络的风险评价模型，但记忆容量和样本取值影响其评价能力。

目前，还没有见到专门对针非制造业公司贷款信用风险评价的计量模型的研究。且非制造业公司与制造业公司产生信用风险的因素有很大的不同。非制造业公司与制造业公司相比，非制造业公司固定资产比例相对较低，资金周转速度较，可用来担保的资产相对较少;自有资产相对较低，借贷资产比例较高，财务杠杆较高;服务水平对非制造业公司的经营状况影响较大，而制造业公司的经营状况主要受技术创新、专利等方面的影响。因此，应该用不同的财务指标来衡量非制造业公司贷款的信用风险。本文对Altman的评价非制造业公司信用等级的Z”模型进行修正，建立新的适用于评价我国上市非制造业公司信用等级的评分模型。并与Credit Metrics模型相结合评价我国非制造业公司的信用风险。

二、Z″评分模型的修正

5变量Z评分模型是由美国的Altman提出的，主要用于评价公开上市的制造业公司的信用风险。为了评价出上市公司以外公司的信用风险，Altman相继开发了Z'、Z″模型。Z'主要用于评价非上市公司的信用，而Z″不仅适用于评价上市公司的信用，也适用于非上市公司，还适用于非制造业公司［6］。其计算公式为Z″=6.56X1+3.26X2+6.72X3+1.05X4，其中X1为营运资产/总资产、X2为未分配利润/总资产、X3为息税前盈余/总资产、X4为权益账面价值/负债账面价值。Altman等人还给出了与新兴市场经济国家评分模型相对应的信用等级表［4］，用来确定非制造业公司的信用等级。

由于不同行业、不同国家的公司所适用的指标和权重是不一样的。评价我国上市非制造业公司的信用等级应该对Z″模型进行修正。本文以1∶1的原则选取样本。研究的样本包括41家被特别处理的上市非制造业公司和41家正常的上市非制造业公司，样本容量为82个，其中41个违约样本，41个正常样本。41个违约样本中，专业科研服务业、装修装饰业各1个，旅馆业、旅游业、零售业、房产管理业各2个，通信服务业、农业各3个，出版业、水上运输业各4个，电力、蒸汽、热水的生产和供应业5个，房地产开发与经营业、其他非制造业各6个。

为了避免利用建模的样本对评分模型进行回代检验会增强模型判别的准确率这一问题，把样本分为测试样本和训练样本两组，随机抽取62家上市非制造业公司为训练样本，用于构建新的评分模型;以剩下的20家为测试样本，用于检验模型在实际判别中的准确性。

本文的样本时间跨度为三年。包括2008－2010年发生的所有上市非制造业公司的ST公司。建模时对这三年的数据进行平均，以提高模型预测的有效性，减少财务数据操纵带来的不利影响。基于完整性、可比性和重要性等原则，结合上市非制造业公司报表的实际情况，本文首先选取了主营业务利润率、净资产收益率、总资产增长率等48个财务指标初步作为构建评分模型的指标。其次由于检验出显著性水平小于0.05的有17个，因此用这17个指标确定修正模型的指标体系。最后通过逐步判定分析方法得到以下模型:

式中:X1、X2、X3分别为每股未分配利润、股本报酬率、净资产收益率

为避免出现多重共线性问题，在模型的修正过程中，对17个财务指标进行多重共线性检验。其中进入模型的3个财务指标的容忍度分别为0.988、0.973和0.982。这三个指标的容忍度都接近1，说明这三个变量之间不存在共线性。

该模型的典型判别函数的特征值为1.732，典型相关系数为0.796。Wilksλ值为0.366，比较接近于0，说明组间差异比较大，判别分析意义比较大。卡方检验结果为59.398，概率p值为0.000，小于0.05，检验通过，说明该模型的拟合效果较好。

把相关指标代入修正后的评分模型计算出Z值，根据对称性原则，如果Z＞0，则判为1组，否则为0组。该模型对违约组的回判准确率为90.3%，总的回判准确率为95.2%，说明模型本身有较好的判别效果。用20个测试样本对该模型的实际预测能力进行检验。结果表明，该模型将正常公司误判为ST公司的概率为20%，把ST公司误判为正常公司的概率为0，总的预测准确率为90%，表明该评分模型在实际中具有很强的预测能力。

通过每股未分配利润、股本报酬率、净资产收益率及相关的权数可以判断出某个上市非制造业的财务及风险状况。因为资本运作、资产的增长以及股东获利能力等是非制造业公司业绩主要的决定因素。该模型具有很强的实际预测能力和实际意义，因此本文运用修正的模型计算出的Z值与新兴市场经济国家评分模型相对应的信用等级表相对照，确定我国上市非制造业公司的信用等级［7］。

三、基于Credit Metrics模型的信用风险评价方法

目前国际上主流的信用风险计量模型中，对公司信用风险的量化是通过违约率来量化的。主要有两种途径取得违约率，一是通过模型直接测定违约率，如KMV模型;二是通过信用等级的评定来确定，如Credit Metrics模型。前者虽然人在一定程度上对公司的状况变化更加敏感，但它的适用范围也更为严格，更加适用于资本市场成熟的地区的上市公司，而目前我国资本市场的发展还处在起步阶段，市场的容量，信息的公开性和操作的规范性与模型的要求还有一定的差距，因此我国目前不具备推广KMV模型的基本条件［7－8］。但是我国目的外部评级体系和内部评级体系都有了一定的发展，各大商业银行推行的贷款风险分类制度等都为完善的信用评级体系和全面的违约数据库的建立奠定基础。选择Credit Metrics模型更加具有实际意义。

Credit Metrics模型［9］本质上是一个VaR模型。VaR值表示在一定时期内，一定的置信水平下，某种贷款组合在正常条件下可能遭受的最大损失。如果置信水平为1－α，那么VaR=E(V)－V(α)，其中E(V)为期末资产组合价值的期望值，V(α)为期末贷款组合价值的α分位数值。

本文首先使用修正的评分模型计算出贷款公司的信用等级，再以该信用等级为基础，用Credit Metric模型来评价商业银行发放一笔或多笔上市非制造业公司的贷款面临的信用风险。

Credit Metrics模型假设贷款服从正态分布，根据正态分布的性质，可以推导出VaR=V(α)*σp。如果给定的置信水平为95%，那么该笔贷款的VaR值为1.66*σp，表明损失超过计算出的VaR值的概率不超过5%。

四、信用风险评价方法的进一步改进

上述分析可见，Credit Metrics模型计算多笔贷款的组合信用风险的方法的计算量非常大，影响实际工作效率，且该方法假设贷款服从正态分布，而事实并不总是服从正态分布，而是存在肥尾现象。蒙特卡罗模拟方法［10］计算VaR值是多种计算VaR值方法中最理想的一种。它首先建立一个概率模型或生成一个随机过程，然后对模型或随机过程进行模拟并估计出相关参数的统计描述。因此，本文以两笔贷款为例，用蒙特卡罗模拟方法改进这种修正后的评分模型与Credit Metrics模型相结合的上市非制造业公司贷款的信用风险评价方法，使这种两模型相结合的信用风险评价方法更加适合用来评价我国上市非制造业公司贷款的信用风险。

上市非制造业公司1和公司2。它们的每股未分配利润、股本报酬率、净资产收益率分别为2.828元、2.397 8元，182.598 6%、135.483 7%，16.11%、10.87%(资料来自新浪网)。其次假设这两个公司都在同一家银行各有一笔贷款，公司1的贷款金额为500万元，五年到期，贷款利率为8%。公司2的贷款金额为400万，五年到期，贷款利率为8%。并假设这两笔贷款的资产收益率相关系数为0.2。

本文首先把以上数据代入修正后的评分模型计算出Z值，计算结果分别为2.6、3.4。对照与新兴市场经济国家评分模型相对应的信用等级表，减去调整因子，公司1的信用等级为BBB级，公司2的信用等级为A级。

其次基于Credit Metrics模型的计算原理，用蒙特卡罗模拟方法计算这两笔贷款的组合信用风险，过程为:

第一步、根据这两个公司的信用等级相对应的转移概率，确定这两笔贷款的资产收益率门阙值。在确定门阀值的过程中，假定每笔贷款的资产收益率服从正态分布。结果见表1。

表1 BBB、A级的转移概率和阙值［11］

其中rki，t为公司信用等级，ki为远期利率，Ti为贷款期限。如果某公司一年后的信用等级降为违约级别，违约回复率可通过beta分布随机产生。文章通过这个模型模拟出这两个公司的资产收益率。

第三步、运用SAS软件，根据蒙特卡罗模拟方法，计算出贷款的组合价值。根据资产收益率和表2的阙值，得到一年后转移的信用等级。根据一年后的信用等级对照表2，确定这两笔贷款一年后的远期价值，最终计算出这两笔贷款的组合价值。

表2 两笔贷款一年后的远期价值［11］

第四步、重复上述步骤，反复模拟，最终得到组合贷款的价值。本文做10 000次模拟，大部分贷款组合价值的样本点集中在1 035—1 056之间(出现空白是模拟次数有限造成的)，这主要是由这两笔贷款的信用等级维持不变的概率比较大决定的。具体见图1。

第五步、通过SAS软件模拟计算出这两笔贷款的统计描述数据。其中均值μ=1 036.26万元，标准差σ=19.21万元。1% 处的分位数值为971.73万元。根据VaR值的定义，在置信水平为99%的情况下，可得VaR=1 036.26－971.73=64.53万元。也就是说，银行发放这两笔贷款遭受大于64.53万元损失的可能性仅为1%。

从图1中可以看出贷款组合价值并不服从正态分布，而是服从t分布，通过SAS软件估计出其服从t分布的P值小于0.000 1。这说明贷款组合价值的分布存在“肥尾现象”。而蒙特卡洛模拟方法能有效地解决此问题。

五、结论

根据Z″计分模型的建模思想和方法，对Z″模型进行修正，针对我国上市非制造业公司所建立的评价信用等级的评分模型具有科学性。借助蒙特卡罗模拟方法将修正了的评分模型与Credit Metrics模型相结合，不仅能简化计算过程，而且该方法的有些数据是通过随机产生的，这一定程度上解决了我国商业银行缺乏风险因子数据的问题，增加了Credit Metrics模型在我国的适用性，有利于解决我国商业银行评价公司信用等级主观性比较强的问题。

图1 贷款组合价值分布

［1］ Geert Van Damme．A Generic Framework For Stochastic Loss－ Given － Default［J］．Journal Of Computational And Applied Mathematics，2011(235):2523 －2550．

［2］ Popescu L．The Performance Of Credit Risk Evaluation Models Empirical Aspects And Metrics［J］．Journal of Applied Collaborative Systems，2010(2):69 －75．

［3］王春峰，万海晖，张维．商业银行信用风险评估及其实证研究［J］．管理科学学报，1998，1(1):68－72．

［4］张玲，曾维火．基于KMV模型的上市公司信用风险管理实证研究［J］．安徽工业大学学报，2010，4(8):5－13．

［5］方先明，熊鹏，张谊浩．基于Hopfield神经网络的信用风险评价模型及其应用［J］．中央财经大学学报，2007(8):34－40．

［6］洪玫．资信评级［M］．北京:中国人民大学出版社，2006:85－90．

［7］ Crosbie P J．Modeling default risk［R］．New Yourk:Moody＇s KMV ，1999．

［8］唐春阳，张恒，马若微．KMV模型在商业银行信用风险中的应用［J］．财会研究，2006(2):62－63．

［9］乔尔·贝西斯．银行风险管理［M］．史建平，译．北京:中国人民大学出版社，2009．

［10］(美)詹姆斯·R·埃文斯，戴维·L·奥尔森．模拟与风险分析［M］．洪锡熙，译．上海:上海人民出版社，2001．

［11］ J P Morgan．Creditmetrics Technical Document［R］．New Yourk:J P Morgan，1997．

A Study on Credit Risk Evaluation Method of Loans of Non-Manufacturing Listed Companies

ZHANG Shi-long，SHI Yang-fang
(School of Management，Hangzhou Dianzi University，Hangzhou Zhejiang 310018，China)

First，41 non-manufacturing listed companies with financial distress and another 41 without financial distress are taken as the sample to modify Altman's Z score model，using discriminant analysis of stepwise method．Second，the amended scoring model to determine the credit rating of the non-manufacturing listed companies is used and applied to the Credit Metrics model．Finally，two loans as an example to calculate the portfolio credit risk of loans of non-manufacturing listed companies based on the principle of the Credit Metrics model by Monte Carlo simulation are applied into it．The results show that the method simplifies the calculation process，improves the Credit Metrics model and provides an effective solution to“fat tail phenomenon”of the Credit Metrics model．

credit risk;Credit Metrics model;Monte Carlo simulation

F832．33

B

1001－9146(2012)01－0012－05

2011－09－20

张世龙(1964－)，男，湖北巴东人，教授，技术经济及管理、风险管理．