摘要：商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估的文獻(xiàn)大多是將財(cái)務(wù)比率作為自變量建立模型，判別信息存在一定的滯后性。文章將財(cái)務(wù)比率與證券市場(chǎng)數(shù)據(jù)結(jié)合起來(lái)，增加了基于KMV模型，利用證券市場(chǎng)數(shù)據(jù)計(jì)算的違約距離作為Fisher判別函數(shù)新的自變量，建立Fisher判別函數(shù)，然后運(yùn)用模型對(duì)總樣本和檢驗(yàn)樣本進(jìn)行實(shí)證分析，結(jié)果表明加入違約距離，將財(cái)務(wù)比率與證券市場(chǎng)結(jié)合的信用風(fēng)險(xiǎn)判別模型既能反映上市公司的歷史財(cái)務(wù)狀況，亦能反映現(xiàn)實(shí)市場(chǎng)變化情況，從而提高了商業(yè)銀行預(yù)警信用風(fēng)險(xiǎn)的準(zhǔn)確度。

關(guān)鍵詞：Fisher判別模型；KMV模型；財(cái)務(wù)比率；違約距離

一、 引言

現(xiàn)代商業(yè)銀行的經(jīng)營(yíng)本質(zhì)上是以信用為基礎(chǔ)和保證的，如何有效管理銀行的信用風(fēng)險(xiǎn)，始終是商業(yè)銀行面對(duì)的重要問(wèn)題。目前我國(guó)信用體系的建設(shè)尚處于起步階段，缺乏有效可行的采集、整合信用的手段和方法，因此根據(jù)我國(guó)實(shí)際情況，根據(jù)現(xiàn)有的信息和資源，加強(qiáng)信用風(fēng)險(xiǎn)模型方面的研究，開(kāi)發(fā)適合我國(guó)國(guó)情的信用風(fēng)險(xiǎn)管理方法，具有重要的理論和現(xiàn)實(shí)意義。

基于市場(chǎng)數(shù)據(jù)方法的信用風(fēng)險(xiǎn)管理模型——KMV的DEF模型，是當(dāng)前國(guó)際金融界最流行的信用風(fēng)險(xiǎn)計(jì)量模型之一，國(guó)內(nèi)學(xué)者從1998年開(kāi)始關(guān)注KMV模型，早期的研究局限于對(duì)KMV模型的介紹和分析，具有代表性的有杜本峰的《實(shí)值期權(quán)理論在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用》和王瓊與陳金賢的《信用風(fēng)險(xiǎn)定價(jià)方法與模型研究》等文章。目前國(guó)內(nèi)對(duì)KMV模型的研究思路主要包括模型的修正及有效性檢驗(yàn)。周沅帆用KMV模型研究中國(guó)上市保險(xiǎn)公司的信用風(fēng)險(xiǎn)，將公司凈收益增長(zhǎng)率引入到違約距離的計(jì)算中，并且對(duì)模型實(shí)證結(jié)果表明KMV模型有良好的預(yù)測(cè)能力。張能褔，張佳重新設(shè)定違約點(diǎn)DP=a×STD+b×LTD，選取82家上市公司作為樣本，按照一定的判斷標(biāo)準(zhǔn)，用Matlab程序進(jìn)行計(jì)算得出最優(yōu)的（a，b）值，通過(guò)比較新舊違約點(diǎn)下的違約距離，從而得出能更準(zhǔn)確反映我國(guó)上市公司信用狀況的違約點(diǎn)。但是模型的修正基本圍繞違約點(diǎn)的設(shè)定、公司股權(quán)的波動(dòng)率和預(yù)期公司資產(chǎn)價(jià)值等自身的修正，在我國(guó)由于有關(guān)公司破產(chǎn)的歷史統(tǒng)計(jì)數(shù)據(jù)嚴(yán)重缺乏，很難建立我國(guó)上市公司的違約距離DD和違約率DEF的映射關(guān)系，并且不能全面的反映上市公司的歷史財(cái)務(wù)狀況。

綜上所述，基于以上兩種方法的信用風(fēng)險(xiǎn)管理文獻(xiàn)較多，但是能把兩者有效結(jié)合的研究卻不多。所以，本文利用Fisher線性判別模型將財(cái)務(wù)比率方法與市場(chǎng)股票數(shù)據(jù)方法結(jié)合起來(lái)，增加了基于KMV模型，利用證券市場(chǎng)數(shù)據(jù)計(jì)算的違約距離作為Fisher判別函數(shù)新的自變量，建立Fisher判別函數(shù)，擴(kuò)展后的Fisher模型中，將KMV模型與財(cái)務(wù)數(shù)據(jù)的結(jié)合，使新模型既能反映上市公司的歷史財(cái)務(wù)狀況，也能反映其市場(chǎng)變化情況，從而提高了商業(yè)銀行預(yù)測(cè)信用風(fēng)險(xiǎn)的準(zhǔn)確度。

本文結(jié)構(gòu)如下：第二部分為以財(cái)務(wù)指標(biāo)為自變量的Fisher線性判別函數(shù)構(gòu)建，總體預(yù)測(cè)準(zhǔn)確率達(dá)到87.9%。第三部分為增加違約距離為自變量的Fisher模型，即擴(kuò)展后的Fisher模型構(gòu)建，總體預(yù)測(cè)準(zhǔn)確率達(dá)到92.6%，準(zhǔn)確度高于第一類(lèi)模型。第四部分為實(shí)證結(jié)果比較分析。從三個(gè)層面的比較得出，商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè)時(shí)應(yīng)將財(cái)務(wù)比率與市場(chǎng)數(shù)據(jù)等進(jìn)行綜合的分析，以提高模型預(yù)測(cè)的準(zhǔn)確度。

二、 基于財(cái)務(wù)比率的Fisher模型的建立

1. 總樣本選取。我們視被ST的上市公司為信用差的公司，沒(méi)有被ST的上市公司為信用好的公司。截至2011年，在上海和深圳交易所上市的上市公司中有80家被ST的公司，按照證監(jiān)會(huì)行業(yè)分類(lèi)，其中屬于在制造業(yè)的上市公司就占了其中39家，其余均分散在其他各行業(yè)。因此為了考慮到行業(yè)資產(chǎn)規(guī)模及財(cái)務(wù)指標(biāo)的不同，對(duì)模型建立的準(zhǔn)確性有影響，所以本論文選擇制造業(yè)的39家上市公司作為研究對(duì)象。

在39家制造業(yè)上市公司中，剔除兩家財(cái)務(wù)數(shù)據(jù)缺失比較嚴(yán)重的上市公司，共37家，我們隨機(jī)選取了30家作為構(gòu)建模型中違約公司的估計(jì)樣本，剩余的7家作為違約公司的檢驗(yàn)樣本。并隨機(jī)選取了同時(shí)期，規(guī)模差別不大的30家和6家正常的制造業(yè)上市公司分別作為估計(jì)樣本和檢驗(yàn)樣本中違約公司的配對(duì)樣本。

2. 變量的選取。

基于數(shù)據(jù)的全面性和代表性考慮，本文選擇了32個(gè)財(cái)務(wù)比率作為建立線性判別模型的解釋變量，這些數(shù)據(jù)來(lái)源于RESSET金融數(shù)據(jù)庫(kù)，所選的數(shù)據(jù)充分反映了企業(yè)的每股指標(biāo)、盈利能力、償債能力、成長(zhǎng)能力指標(biāo)、營(yíng)運(yùn)能力指標(biāo)、現(xiàn)金流量指標(biāo)、資本結(jié)構(gòu)指標(biāo)。包括：X1每股凈資產(chǎn)、X2每股公積金、X3每股未分配利潤(rùn)、X4資產(chǎn)凈利率、X5銷(xiāo)售毛利率、X6營(yíng)業(yè)利潤(rùn)/營(yíng)業(yè)總收入、X7財(cái)務(wù)費(fèi)用率、X8營(yíng)業(yè)利潤(rùn)率、X9流動(dòng)比率、X10速動(dòng)比率、X11股東權(quán)益/負(fù)債合計(jì)、X12股東權(quán)益/帶息債務(wù)、X13有形凈值/帶息債務(wù)、X14息稅折舊攤銷(xiāo)前利潤(rùn)/負(fù)債合計(jì)、X15經(jīng)營(yíng)凈現(xiàn)金流量/負(fù)債合計(jì)、X16經(jīng)營(yíng)凈現(xiàn)金流量/流動(dòng)負(fù)債、X17利息保障倍數(shù)、X18營(yíng)業(yè)收入增長(zhǎng)率、X19營(yíng)業(yè)利潤(rùn)增長(zhǎng)率、X20凈利潤(rùn)增長(zhǎng)率、X21凈利潤(rùn)增長(zhǎng)率、X22總資產(chǎn)增長(zhǎng)率、X23存貨周轉(zhuǎn)率、X24應(yīng)收賬款周轉(zhuǎn)率、X25應(yīng)付賬款周轉(zhuǎn)率、X26流動(dòng)資產(chǎn)周轉(zhuǎn)率、X27總資產(chǎn)周轉(zhuǎn)率、X28總資產(chǎn)現(xiàn)金回收率、X29資產(chǎn)負(fù)債率、X30流動(dòng)資產(chǎn)/總資產(chǎn)、X31流動(dòng)負(fù)債/負(fù)債合計(jì)、X32凈利潤(rùn)/營(yíng)業(yè)總收入。

（1）Mann-Whitney U檢驗(yàn)。首先，對(duì)這些指標(biāo)運(yùn)用U檢驗(yàn)進(jìn)行簡(jiǎn)單的均值差異分析。

從表1可以看出，在5%的顯著性水平下，共有24個(gè)變量其均值在組間存在顯著性差異，因此我們剔除另外5個(gè)差異不顯著的指標(biāo)，分別是X5，X19，X20，X23，X24，X25，X26，X31。24個(gè)指標(biāo)從不同的方面反映了ST上市公司與正常公司的顯著區(qū)別。

（2）主成分分析。選取的24個(gè)指標(biāo)涵蓋了財(cái)務(wù)比率的各個(gè)板塊，避免了遺漏重要的信息，但是選取過(guò)多的指標(biāo)會(huì)增加問(wèn)題的復(fù)雜性，由于有一些指標(biāo)均是對(duì)同一財(cái)務(wù)比率板塊的反映，不可避免的造成信息的大量重疊?；谝陨纤伎迹疚牟捎弥鞒煞址治龇▽?duì)24個(gè)財(cái)務(wù)比率進(jìn)行降維處理。由總方差分解表（表2）可以看出，保留7個(gè)主成分是合適的，首先滿足了特征根大于1的標(biāo)準(zhǔn)，并且提取7個(gè)主成分時(shí)能解釋約80%的總方差。

3. 基于財(cái)務(wù)比率數(shù)據(jù)的Fisher模型。7個(gè)主成分已經(jīng)不存在多重線性關(guān)系，因此我們用這7個(gè)主成分做Fisher判別分析且選擇逐步判別法估計(jì)判別函數(shù)的顯著性，由Box'M檢驗(yàn)結(jié)果（表3）的F值及其顯著水平可知，各總體協(xié)方差矩陣相等，所以所選取的變量是滿足判別分析的假定的。

由Wilks' Lambda檢驗(yàn)（表4），認(rèn)為判別函數(shù)在0.05的顯著性水平上是顯著的。通過(guò)逐步判別法得出的判別函數(shù)，即fisher線性判別函數(shù)為：

ST公司判別函數(shù)：G（1）=-0.527F3-1.122F5-1.068

正常公司判別函數(shù)：G（0）=0.685F3+1.350F5-1.252

三、 模型的擴(kuò)展——增加違約距離DD的Fisher模型

1. KMV模型假設(shè)。本部分以2010年12月31日計(jì)算基準(zhǔn)日，比較未來(lái)一年內(nèi)這73家上市公司的信用狀況。為了便于實(shí)證分析，先做如下假定：

（1）公司違約點(diǎn)的確定。與KMV公司的處理方法略有不同，根據(jù)張能褔，張佳在《改進(jìn)的KMV模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用》中的研究表明，假設(shè)違約點(diǎn)DP=1.8×流動(dòng)負(fù)債STD+1.2×長(zhǎng)期負(fù)債LTD時(shí)得到的違約距離更能反映我國(guó)公司的信用狀況。其中，為了使預(yù)測(cè)具有現(xiàn)實(shí)意義，我們的負(fù)債數(shù)據(jù)均為公司2010年中期財(cái)務(wù)報(bào)告的數(shù)據(jù)。

（2）公司權(quán)益價(jià)值計(jì)算公式：收盤(pán)價(jià)×總股數(shù)。

（3）無(wú)風(fēng)險(xiǎn)利率為2.75%。

（4）預(yù)測(cè)時(shí)間為T(mén)=1年。

2. 違約距離DD的計(jì)算。用Mathcad15.0算出所有上市公司的違約距離DD值，進(jìn)行Wilcoxon檢驗(yàn)可見(jiàn)，兩個(gè)總體的DD值存在顯著性差異（表5）。將DD值與其他24個(gè)財(cái)務(wù)比率重新進(jìn)行主成分分析，進(jìn)行逐步判別分析，得到的新的Fisher判別函數(shù)。

加入違約距離DD的Fisher判別函數(shù)為：

ST公司判別函數(shù)：G（1）=-0.607F3-1.259F5-0.506F6+0.506F8-1.247

正常公司判別函數(shù)：G（0）=0.755F3+1.479F5+0.411F6-0.493F8-1.390

四、 模型間預(yù)測(cè)結(jié)果比較與結(jié)論

從預(yù)測(cè)的結(jié)果可以看出，將傳統(tǒng)財(cái)務(wù)比率與市場(chǎng)數(shù)據(jù)結(jié)合起來(lái)的Fisher模型預(yù)測(cè)結(jié)果總體上優(yōu)于只用財(cái)務(wù)比率建立的Fisher模型。

1. 對(duì)于13個(gè)檢驗(yàn)樣本，對(duì)7個(gè)ST公司的預(yù)測(cè)準(zhǔn)確率均為100%，6個(gè)正常公司的預(yù)測(cè)準(zhǔn)確率為83.3%。檢測(cè)樣本的預(yù)測(cè)準(zhǔn)確率均為92.3%。說(shuō)明，兩個(gè)模型對(duì)上市公司的信用風(fēng)險(xiǎn)均具有較強(qiáng)的預(yù)測(cè)能力。

2. 第一類(lèi)模型的總體預(yù)測(cè)的準(zhǔn)確率為84.9%，低于第二類(lèi)模型的預(yù)測(cè)結(jié)果93.2%。

3. 在銀行實(shí)務(wù)中，將違約公司誤判為正常公司導(dǎo)致的后果比將正常公司誤判為違約公司的后果更為嚴(yán)重，因?yàn)檫@將給銀行帶來(lái)更嚴(yán)重的風(fēng)險(xiǎn)。第一類(lèi)模型將違約公司誤判為正常公司的概率為10.8%，第二類(lèi)模型的誤判率僅為8.1%，低于第一類(lèi)模型。所以，商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)預(yù)測(cè)時(shí)應(yīng)將財(cái)務(wù)指標(biāo)與市場(chǎng)數(shù)據(jù)等進(jìn)行綜合的分析，以提高模型預(yù)測(cè)的準(zhǔn)確度。

參考文獻(xiàn)：

1. 沈沛龍，任若恩.現(xiàn)代信用風(fēng)險(xiǎn)管理模型和方法的比較研究.經(jīng)濟(jì)科學(xué)，2002，（3）.

2. 王春峰，萬(wàn)海暉，張維.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估及其實(shí)證研究.管理科學(xué)學(xué)報(bào)，1998，（1）.

3. Altman E I. Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance，1968，（23）.

4. Press S J， Wilson S. Choosing between Logistic Regression and Discriminant Analysis. J. Amer. Statist. Assoc，1978，（73）.

5. 方洪全，曾勇.銀行信用風(fēng)險(xiǎn)評(píng)估方法實(shí)證研究及比較分析.金融研究，2004，（1）.

6. 周沅帆.基于KMV模型對(duì)我國(guó)上市保險(xiǎn)公司的信用風(fēng)險(xiǎn)度量.保險(xiǎn)研究，2009，（3）.

7. 張能褔，張佳.改進(jìn)KM模型在我國(guó)上市公司信用風(fēng)險(xiǎn)度量中的應(yīng)用.預(yù)測(cè)，2010，（5）.

基金項(xiàng)目：教育部人文社會(huì)科學(xué)研究項(xiàng)目（項(xiàng)目號(hào)：09YJE790004），“泰山學(xué)者”建設(shè)工程專(zhuān)項(xiàng)基金，山東省博士后創(chuàng)新項(xiàng)目專(zhuān)項(xiàng)資金。

作者簡(jiǎn)介：安起光，理學(xué)博士，應(yīng)用經(jīng)濟(jì)學(xué)博士后，山東財(cái)經(jīng)大學(xué)金融學(xué)院教授、碩士生導(dǎo)師；于曉靜，山東財(cái)經(jīng)大學(xué)金融學(xué)院碩士生。

收稿日期：2012-01-08。