基于KMV模型的创业板上市公司信用风险研究

程晓艳， 褚晓飞

(河南科技大学 经济学院， 河南 洛阳 471023)

2009年10月30日，我国创业板正式拉开序幕，它的推出为创业型企业、中小企业和高科技产业企业提供了便捷的融资渠道，满足了投融资主体多样化的需求，同时也提升了我国资本市场的竞争力。长期以来，创业板扶持着一批批的高成长性企业不断发展扩大，这些企业对资金的需求非常旺盛，它们较好的成长性和广阔的发展前景成为商业银行的主要贷款对象。然而，由于创业板上市的企业大多处于发展初期，规模较小，抗风险能力也较差，而创业板市场准入门槛低且未完全建立对这些上市企业的财务评估体系，其高成长性的背后隐藏着巨大的经营风险，财务危机事件频频发生，最终导致信用违约。信用风险事件的发生使创业板上市公司无法获取银行机构和投资者的信任，因而陷入融资难的恶性循环中。因此，研究创业板上市公司的信用风险不仅可以为其获得长期借款提供佐证，而且对银行等金融机构明确把握这类上市公司的信用状况有重要作用。

在此背景下，关注我国创业板上市公司的财务状况，识别其信用风险，建立符合我国市场经济体制的信用风险管理方法，不论对于政府政策的制定、金融机构的投资判定、个体投资还是所有该行业的参与者来说都至关重要。对于政府监管部门来说，准确度量信用风险有利于完善和发展多层次资本市场，保持经济活力，提高融资效率；对于投资者来说，准确度量信用风险有助于作出资产配置、分散风险的合理决策；对于上市公司来说，及时运用风险度量模型对公司的财务状况做出预测，有助于公司提早预警可能的财务危机，化解潜在的信用风险。

一、文献综述

自KMV模型建立以来，国内外学者针对KMV模型对信用风险的测度进行了比较系统完善的研究。具体来讲包括对KMV模型的理论介绍、有效性验证、适用性以及修正研究，其模型应用日趋成熟。

作为KMV模型的先驱者，Mc Quown与Vasicek改进BSM模型时，既考虑企业的负债水平、股价波动等市场信息，又关注公司的财务信息，最终改进期权定价公式来评估公司的违约风险，开发出了KMV模型，并首先对其进行有效性验证。他们分别通过计算IBM公司在其机构信用评级恶化前的5年EDF变化趋势、泰国国家银行在泰国危机发生前的4年EDF值，以及世通和UA公司在申请破产之前的信用风险波动情况，证明了KMV模型较强的敏感性和适用性[1]。M.Tudela和G.Young、Douglas Dwyer和Irina Korablev分别通过实证将KMV模型与Probit模型、Z值信用评分模型进行比较[2-3]，最终均证实了该模型相较其他模型更好的预测性。

国外在KMV的修正方面，主要是针对模型中的参数进行改进。Lee在求解最优KMV模型的违约点时，提出了一种新的遗传算法，利用新的改进模型GA-KMV进行实证分析[4]。Yeh、Lin等通过结合RF、RST和KMV模型，对KMV模型进行了优化[5]。Zhang和Shi将模糊聚类思想引入到了PSO-KMV模型中，并对违约点的设定规则进行改进最终找到了最优的违约点[6]。

国内对KMV模型的研究大多集中于理论介绍、适用性、实际应用领域方面，以及对KMV模型的修正。陈忠阳首先对KMV模型的理论进行阐述，同时将该模型与Credit Metrics模型进行对比分析[7]。张泽京、陈晓红等通过对众多风险测量模型的差异性分析，证明KMV模型适合于公司的风险评估[8]。黄薇薇在进行实证研究时，运用包括KMV在内的众多有效性验证工具验证模型的有效性，并表示KMV模型在信用风险较小的样本中对于公司风险判断能力优于Z-Score模型[9]。凌江怀和刘燕媚将KMV模型运用到商业银行的风险评价中，得出运用定量方法计算出的银行预期违约率与采用定性方法得出的评级结果相吻合的结[10]。此后，KMV模型逐渐应用于制造业、房地产和金融等各个行业领域。

国内对模型的修正研究，比如闫海峰、华雯君对股权价值波动率和资产价值及其波动率的估算作出了修正，研究显示，修正后的KMV模型准确性、敏感性更好[11]。史小坤、陈昕在对商业银行风险管理的研究中对KMV模型的违约点进行了修正[12]。邹薇则对资产价值增长率以及违约点进行修正，并表明此修正达到了75.56%的准确率[13]。姚德权、张宏亮等选取16家在沪深证券市场上市交易的商业银行，引入资产价格变结构点非参数检验方法，得出利用变结构KMV模型更具前瞻性的结论[14]。周海赟、王晓芳针对信息不完善的现实情况在KMV模型中引入了灰色区域理论[15]。

综上所述，国内外学者对KMV模型已作出了较为成熟的研究和改进，KMV模型在我国学术界已得到较为广泛的认可和应用。然而，利用KMV模型对我国创业板上市公司信用风险进行评估的研究仍在少数，按照行业分类或者资金进行分类研究更显薄弱。鉴于此，本文选取创业板上市的89家公司2017年的截面数据，利用KMV模型计算各公司的违约点以及违约距离，评价公司的违约风险大小，分析各参数的敏感性，为政府管理部门的政策取向以及投资者的合理决策提供参考。

二、KMV模型构建与实证分析

(一)KMV模型对预期违约率的估算

1.样本公司资产价值VA和资产价值波动率σA的确定。这两项指标无法直接通过证券市场或者公司的财务报表观测出，而是要股票市场的股权价值VE和股权价值波动率σE以及债务面值D等各参数的推导得出，其推导关系如下：

VE=VAN(d1)-De-rTN(d2)

(1)

其中：

(2)

(3)

表1为上述(1)—(3)公式中相关指标的解释：

表1 公式所含字母的含义

在上述公式中，仅有两个未知变量VA和σA，可通过联立式(1)和 (3)利用Matlab得出，在计算这两项指标之前，需要确定以下五项参数：

①股权价值VE。考虑到创业板上市公司股权流通情况，本文采取流通股与非流通股股价之和作为股权价值。计算公式为：股权价值=流通股市场价值(流通股收盘价格x流通股股数)+每股净资产x非流通股股数。

其中，

③无风险利率γ。参考财政部3个月期国债发行价格所对应的参考收益率，对2017年国债发行利率进行加权平均得到一年期的国债收益率3.096%作为无风险利率。

④债务面值D。本文选取各上市公司资产负债表中的总负债作为D。

⑤债务期限T。本文选取时间周期T=1。

确定好上述五个参数后，利用MATLAB软件将89个样本公司的相关指标逐一进行迭代，得出每家上市公司的资产价值VA和资产价值波动率σA。

2.违约距离DD的计算。利用步骤1得出的两个未知变量VA和σA，再利用如下公式即可计算得到样本公司的违约距离DD。

(4)

DD是一个量化指标，通过标准化处理后，不同行业、地区和规模的公司均可进行相互比较，其数值的大小代表公司到期偿还债务的能力，在一定程度上反映违约风险的程度。其中，DP为违约点，本文将违约点确定为流动负债与0.5倍的非流动负债之和。

3.预期违约率EDF的估算。通过(4)式得到违约距离DD后，可利用以下公式计算出预期违约概率：

(5)

由于我国的违约历史数据库尚未建立完整，违约距离和预期违约率的映射关系很难获取，因此本文选取违约距离来近似确定上市公司信用风险的大小，违约距离越大，则预期违约率越小，两者之间理论上呈现反向关系。

(二)样本选取与数据预处理

截至2017年12月31日，在深圳证券交易所上市的创业板上市公司有701家，按照2012年证监会行业分类，将上市公司分为19大行业，但由于创业板市场成立时间相对较短，其中房地产行业、餐饮酒店行业、金融业、服务业、和综合在2017年没有相关的公司上市，教育行业仅有一家，数据并不具有代表性。因此，去除上述6大类行业，对剩余13大行业中创业板上市公司按照规模排序，每个行业等间距筛选10家上市公司，若某行业上市公司总数不超过10个，则全部选取为样本，最终选取89家样本公司。依据上述KMV模型所涉及指标，样本周期确定为2017年1月1日至2017年12月31日，其中，流动负债和非流动负债等时点数据采用2017年12月31日的数据，数据来源于国泰安数据库和各个公司的财务报表。

(三)实证结果分析

按照上述KMV模型计算预期违约率的步骤，本文最终计算得出89家样本公司的违约距离，以此反映各公司的信用风险的大小，并按照行业和产业进行差异性分析(表2)。

1.行业分析结果。

表2 不同行业违约距离描述性统计结果

总体来看，所选取的89个样本公司的违约距离均值为2.585 8，在所属的行业分类中，有8大行业的违约距离超过平均水平，所占行业比例为61.5%。其中，所有样本中，宋城演艺该家上市公司的违约距离最大为4.494 1，所属行业为文化体育和娱乐业。查看其财务报表信息及上市股票信息可知，该公司的资产规模相对较大，且上市股票价格波动并不明显。由此可以得出其违约风险相对较小的原因。而美晨生态该家上市公司的违约距离为负值，原因是其资产负债远远超过了公司的资产价值，导致该公司资金链断裂，运营状况出现严重的问题，因而产生较大的信用风险。

从各行业纵向分析来看，文化体育和娱乐业的违约距离最大，为3.313 3，即该行业的违约风险最小。这可能是因为随着我国经济的发展，人们生活水平得到改善，该行业需求收入弹性较大，使得人们在收入水平提高的情况下对其的需求量增大。该行业也因此逐步发展并且具有一定的风险防控能力和偿还债务能力，进而破产清算的可能性小，因此该行业信用违约风险最低。而建筑业的违约距离最小为1.601 4，这一结果和股票市场的状况基本吻合。由于建筑业对房地产和基建的投资率较大，而房价的不稳定性和基础建设工程的突破期需要技术的不断完善，这就造成了建筑行业运营的不稳定性，从而引起违约风险的加大。

从违约距离波动情况来看，建筑行业的违约距离波动范围较大，说明建筑业相较于其它行业信用风险波动性较大。违约距离标准差最小的是电、水、燃气以及热力，且其违约距离相对较大，一定程度上说明了其违约风险是相对较低的。这是由于该行业的发展与人们的生活密切相关。随着人们的收入提高，类似家电、汽车行业的需求价格弹性小，人们对其的需求相较于其价格是不敏感的，即使价格上涨人们的需求量也并不会降低多少，这就使得该行业的违约风险低，抗风险能力强。

为了使研究更具有实际价值，本文将行业按照第一产业、第二产业和第三产业从整体上来划分研究。通过归类计算出三大产业违约距离的均值，结果见图1。

图1 各产业违约距离均值

2.产业分析结果。从产业分析(图1)来看，平均违约距离最大的是第一产业，第二产业的平均违约距离最小，违约距离位于第二的是第三产业，这一差异符合金融理论知识。第一产业和第三产业的违约距离相差不大，第一产业的违约距离取决于农、林、牧、渔业；第二产业中建筑业违约距离平均值最小，电力、热力、燃气及水生产和供应业的平均违约距离最大；第三产业中文化、体育和娱乐业平均违约距离最大，科学研究和技术服务业平均违约距离最小。

其中，在第二产业中，建筑业违约距离最小，在整个行业分类中是违约距离最小的，其违约风险也最大，实体经济的不佳致使建筑业倒闭潮的涌起，尤其是建筑装饰和土木工程一类的公司资金链断裂现象严重，使得公司资不抵债，整个行业的违约风险较大，从整体上拉低了第二产业的违约距离，进而得出第二产业违约风险偏大的结论。而第一产业的违约距离大于第一、三产业，一方面是因为作为第一大产业—农业是人们工作生活的基础产业，发展相对成熟，其成熟的发展体系为其公司的运营打下了良好的基础，另一方面则是因为本文中第一产业上市公司样本数偏少，仅有6家创业板上市公司，在一定程度上可能会影响本文第一产业的违约距离分析情况。而第三产业之所以违约距离的均值大于第二产业，不仅得益于目前国家政策对经济结构转型的制定和实施，更大程度上是由于在第三产业中行业分类的区别，在第三产业中大多为服务行业，而这类行业属于劳动密集型产业，主要依靠大量使用劳动力，而对技术和设备的依赖程度较低，因此出现了第三产业平均违约距离较大的现象。

三、创业板上市公司信用风险因素探究

本文在上文的行业、产业分析中发现，资产规模较大的公司所呈现出来的违约距离较大，那么，资产规模是否与违约距离之间呈现正向相关关系，为了验证上述猜想，本文继续进行实证探究。

(一)资产规模对违约距离影响的探究

本文将选出的89个样本公司的资产价值按升序排列，分为三大组，排名前30名的作为小资产规模组，排名后30位的作为大资产规模组，排名中间29名的作为中规模组。三类不同规模的上市公司违约距离情况的汇总结果如表3。

表3 不同资产规模的违约距离情况

从表3和图2可以看出：整体上，创业板市场小规模上市公司的平均违约距离为2.061，明显小于大规模的上市公司(3.203)。从资产波动率看，小规模公司的平均资产价值波动率为0.435，比大规模公司多0.186。这在一定程度上也解释了违约距离存在差异的原因。从违约距离的标准差来看，小、中规模的上市公司违约距离波动范围较大，分别为1.157和0.900，且变化趋势相似，但总体违约距离小于大规模公司的违约距离。因此，可以得出结论：资产规模的大小与公司发生违约的可能性成反比，且总资产小于38亿的公司抗风险能力更弱些。

图2 不同资产规模公司的违约距离

(二)违约距离各参数的敏感性分析

违约距离的测算依赖于股票市场信息，其数值的大小更是与各参数密切相关。因此，在研究违约距离的各参数敏感性分析时，本文借鉴柏雪怡采用股权价值、股权价值波动率、资产价值、资产价值波动率、违约点这五个指标[16]分析其对违约距离的影响。以创业板上市的89家公司作为研究对象，将违约距离作为因变量Y，资产价值(X1)、资产价值波动率(X2)、股权价值(X3)、股权价值波动率(X4)、违约点(X5)作为自变量，运用 Eviews8.0对上述变量建立多元回归模型，分析各个参数对违约距离的影响大小。模型一般形式如下：

Y=C+β1X1+β2X2+β3X3+β4X4+β5X5+ε

回归结果见表4：

表4 模型的统计量

从方程的显著性检验结果(表4)可以看出：F值=101.304 0，P值为0，小于0.05，说明回归方程整体效果显著，模型中解释变量与被解释变量之间存在显著线性关系。从拟合优度来看，R2为0.8592，说明模型拟合程度很好。

其中，模型各变量系数的检验结果表5所示：

表5 模型系数统计量

模型中的各参数t检验(表5)结果显示：给定显著性水平∂=0.05，查t分布表得t∂(89)=1.987，X1、X3、X4、X5的统计量分别为13.875 6、-13.224 0、-4.678 1、-11.343 3，其绝对值均大于1.987，在5%显著性水平下，应该拒绝原假设H0:β1=β3=β4=β5=0，即认为除了X2外，模型变量中4个参数—资产价值、股权价值、股权价值波动率、违约点均通过了显著性检验，对被解释变量是有显著影响的[16]。

最终得到模型的回归方程为：

Y=4.291+0.041X1-0.363X2-0.042X3-3.408X4-0.045X5

从各参数的符号来看，X2、X3、X4、X5与违约距离成反向相关，这些参数的数值增加会引起违约距离的减少，而资产价值(X1)则与违约距离成正向相关，该参数数值的增大则会引起违约距离增加。

从指标变化比例来看，资产价值波动率每增加1个百分点，违约距离将会减少0.363个百分点，相应的，资产价值每增加1个百分点，违约距离将会增加0.042个百分点。这在一定程度上说明了资产价值波动率的影响较资产价值大。因此，改善公司的资本结构，稳定公司的经营状况，平抑创业板的资产价值波动率对于公司健康发展，降低违约风险方面有重要意义。在其余3个参数中，股权价值波动率对违约距离的影响最大。这说明股票市场的波动对公司信用水平的评判也至关重要。股票价格波动越剧烈，资产价值越不稳定，公司经营管理不善，信贷违约可能性越大，信用风险也越高。对于违约点，违约距离与违约点DPT呈负相关的关系由违约距离的计算公式即可得出，违约点DPT越大，违约距离DD越小，在选用KMV模型时应该选择合适的违约点以便求出更精确的违约距离。

四、结论与建议

(一)研究结论

首先，本文通过对各行业公司的违约距离进行描述性分析后，将其进行产业划分，得出如下结论：第一产业的平均违约距离最大，第二产业的平均违约距离最小。说明第一产业发展相对第二产业更加成熟，其中，在第一产业中代表渔业的国联水产上市公司的约距离最大，约为3.674。在第二产业中，建筑业的平均违约距离最小，电力、热力、燃气及水生产和供应业处于较低的违约风险。随着近年来产业结构的不断发展和升级，作为第三产业的创业板各上市公司的违约风险逐渐下降并低于第二产业。

其次，关于资产规模与其违约距离的探究结论是：资产规模对信用风险有显著影响。在我国创业板上市公司中，资产规模的大小与公司发生违约的可能性成反比，且总资产小于38亿的公司抗风险能力更弱些。

最后，违约距离的各参数敏感性分析结论是：除了资产价值外，其余4个参数与违约距离之间均呈现反向关系。资产价值则与违约距离成正向相关。资产市场价值越大，说明该公司的资金雄厚，经营稳健，抗击风险的能力强，相应的公司的违约风险也较小；对于资产价值的波动率来说，资产价值波动性较大的公司往往资产规模较小，经营稳定性越差，很可能出现债务到期却偿还不了的情况，因此发生违约的可能性越大。股权价值与股权价值波动率与股票市场紧密联系，上市股票价格波动越剧烈，资产价值越不稳定，公司经营管理不善，信贷违约可能性越大，信用风险也越高。

(二)政策建议

金融机构尤其是商业银行，应注重多角度综合分析，依靠模型与联动效应准确评估。在考虑上市公司信用状况时，仅参考模型测出来的结果并不能真实地反映该公司的信用情况，同时需要对公司的所属行业、数据的可获得性以及当时的客观情况等进行综合判断。因此，在进行信用风险评价时，需要客观结论与定性判断相结合，既重视模型分析的量化结果，同时要关注公司的发展效能，特别是考虑行业风险问题和行业景气变化的不确定性和不可预见性。

政府监管部门应规范市场监管与信息披露制度。各个上市公司会计数据的准确程度对模型的有效使用有着重要意义，而创业板上市公司在会计审核方面基础薄弱，会计信息失真等问题严重，在信息披露制度方面还存在着诸多问题，导致信用风险评估的准确性和真实性难以保证。因此，政府监管部门需要加大对上市公司造假的威慑力度，树立高质量的信息披露理念，加强信息披露的外部环境约束力，建立信息披露电子化系统，为KMV模型的运用提供良好的金融环境。

公司自身应加强自身风险的内控和防御能力，减少股票价格波动率和增加资产价值都可以来提高自身的信用状况，从而能够有效规避违约风险，同时应做到依法纳税、遵守合同、遵循报表的真实性、及时还贷等，真正做到诚信。同时，公司内部应该建立高级信用风险管理技术的专门人才和管理团队，建立一套完整的、操作性较强的信用评价体系。

最后，应建立规范的违约数据库。我国数据库的缺乏致使信用评级机构遭遇瓶颈，且目前存在数据库数据储备不足，质量水平不高等问题，很难达到预期的测算结果。因此，我国在评价公司的信用状况时，应尽快建立客户基础数据库，强化数据管理，为KMV模型提供精确的数据统计基础。