耿曉媛 冷志杰

摘?要：供應(yīng)鏈金融的風(fēng)險(xiǎn)管控關(guān)乎企業(yè)的持續(xù)經(jīng)營(yíng)以及供應(yīng)鏈成員企業(yè)之間的長(zhǎng)久合作。文章選取了15家具有代表性的農(nóng)產(chǎn)品生產(chǎn)加工企業(yè)、供應(yīng)商和倉(cāng)儲(chǔ)物流三類(lèi)上市公司，收集了其從2017年9月30日到2018年9月30日的股票價(jià)格信息，運(yùn)用EViews和MATLAB通過(guò)修正的KMV模型，量化了這15家企業(yè)的違約風(fēng)險(xiǎn)。通過(guò)對(duì)違約距離進(jìn)行橫向比較，得到農(nóng)產(chǎn)品供應(yīng)鏈中各類(lèi)型企業(yè)的相對(duì)違約風(fēng)險(xiǎn)，并對(duì)該模型進(jìn)行驗(yàn)證。結(jié)果表明，修正的KMV模型能夠較好地運(yùn)用在我國(guó)的農(nóng)產(chǎn)品供應(yīng)鏈金融風(fēng)險(xiǎn)度量中，對(duì)以后的相關(guān)研究具有一定的參考意義。

關(guān) 鍵 詞：供應(yīng)鏈金融;修正KMV模型;農(nóng)產(chǎn)品供應(yīng)鏈;風(fēng)險(xiǎn)度量

中圖分類(lèi)號(hào)：F323?9?文獻(xiàn)標(biāo)識(shí)碼：A?文章編號(hào)：2096-7934（2020）02-0086-10

一、引言

供應(yīng)鏈金融不同于傳統(tǒng)的融資方式，這種全新的融資方式有著極強(qiáng)的生命力，主要服務(wù)于供應(yīng)鏈企業(yè)，能夠?yàn)槠湔麄€(gè)供應(yīng)鏈的上下游企業(yè)提供貸款融資服務(wù)，為它們的發(fā)展提供幫助，這種融資方式創(chuàng)新性較強(qiáng)，在融資市場(chǎng)中發(fā)揮著越來(lái)越重要的作用?！稗r(nóng)產(chǎn)品供應(yīng)鏈金融”這一概念最早出現(xiàn)在20世紀(jì)的美國(guó)，20世紀(jì)90年代，我國(guó)開(kāi)始了對(duì)農(nóng)產(chǎn)品供應(yīng)鏈金融的學(xué)術(shù)研究工作，但受多種因素的影響，在當(dāng)時(shí)并未取得明顯的成果，直到21世紀(jì)初期，國(guó)內(nèi)在農(nóng)產(chǎn)品供應(yīng)鏈金融研究領(lǐng)域才逐漸形成理論體系，初顯成果。

截至目前，國(guó)內(nèi)外學(xué)術(shù)界已經(jīng)對(duì)供應(yīng)鏈金融風(fēng)險(xiǎn)開(kāi)展了大量的研究，取得了可喜的成果。整體上來(lái)講，研究的方法主要有定量研究和定性研究?jī)纱箢?lèi)。對(duì)于后者而言，Brueckner（2000）對(duì)供應(yīng)鏈金融的逆向選擇和道德風(fēng)險(xiǎn)開(kāi)展了系統(tǒng)的研究，并著重探討了信息不對(duì)稱(chēng)之于信貸的影響[1]。Hallikas （2003）通過(guò)研究指出，供應(yīng)鏈金融有外部和內(nèi)部?jī)煞N風(fēng)險(xiǎn)，不同的風(fēng)險(xiǎn)有著不同的特征，Hallikas還就這兩種風(fēng)險(xiǎn)的判別提出了自己的見(jiàn)解[2]。在Berger et al?（2004）看來(lái)，中小企業(yè)面臨著更為嚴(yán)重的融資困難，并通過(guò)研究指出可以基于供應(yīng)鏈金融的理念來(lái)解決這一問(wèn)題，幫助中小企業(yè)獲得所需的發(fā)展資金。Barsky（2005）基于風(fēng)險(xiǎn)管理理論對(duì)供應(yīng)鏈金融風(fēng)險(xiǎn)進(jìn)行了系統(tǒng)的分析，將其細(xì)分為融資過(guò)程風(fēng)險(xiǎn)、環(huán)境風(fēng)險(xiǎn)、人力風(fēng)險(xiǎn)、信息技術(shù)風(fēng)險(xiǎn)和基本結(jié)構(gòu)風(fēng)險(xiǎn)五類(lèi)，并在此基礎(chǔ)上構(gòu)建了相應(yīng)的概念分析模型[3]。在Guileen（2006）看來(lái)，企業(yè)的短期運(yùn)營(yíng)和融資問(wèn)題存在著密切的聯(lián)系，并指出應(yīng)當(dāng)對(duì)企業(yè)短期運(yùn)營(yíng)予以足夠的重視[4]。畢家新（2010）通過(guò)研究指出，企業(yè)信用風(fēng)險(xiǎn)、運(yùn)營(yíng)風(fēng)險(xiǎn)和供應(yīng)鏈風(fēng)險(xiǎn)是導(dǎo)致供應(yīng)鏈金融風(fēng)險(xiǎn)的三大主要因素[5]。蘇立婷（2017）對(duì)第三方物流企業(yè)的風(fēng)險(xiǎn)問(wèn)題進(jìn)行了系統(tǒng)的分析，并在此基礎(chǔ)上利用多層次模糊綜合評(píng)價(jià)法建立了相應(yīng)的評(píng)價(jià)指標(biāo)體系，為風(fēng)險(xiǎn)控制提供了重要的參考和依據(jù)[6]。針對(duì)供應(yīng)鏈金融風(fēng)險(xiǎn)的定量研究領(lǐng)域，Michael B?率先提出了KMV模型，瑞士銀行利用保險(xiǎn)精算理論對(duì)供應(yīng)鏈金融風(fēng)險(xiǎn)進(jìn)行系統(tǒng)的研究，并提出了著名的Credit Risk模型，JP Morgan銀行則結(jié)合VaR研發(fā)了信用度量模型[7]。李小莉和辛玉紅（2014）則對(duì)應(yīng)收賬款融資成本優(yōu)化進(jìn)行了系統(tǒng)分析[8]。在霍艷芳等（2014）學(xué)者看來(lái)，大部分制造商和零售商都是中小型企業(yè)，這些企業(yè)在資金供應(yīng)鏈方面存在著明顯的約束，并對(duì)相應(yīng)的影響因素進(jìn)行分析，重點(diǎn)探討了銀行貸款利率和房貸風(fēng)險(xiǎn)的關(guān)系[9]。程昌華（2015）率先在汽車(chē)領(lǐng)域引入了Logistic回歸方法，并在此基礎(chǔ)上開(kāi)展了系統(tǒng)的信用風(fēng)險(xiǎn)評(píng)估分析，成功建立了能夠預(yù)測(cè)違約概率的度量模型[10]。曾劍明、馬中華（2015）探討了三級(jí)供應(yīng)鏈（零售商、制造商和供應(yīng)商）模式下的一些收益轉(zhuǎn)移支付協(xié)調(diào)問(wèn)題[11]。王宇、孫偉（2016）則針對(duì)ST公司、非ST公司開(kāi)展了實(shí)證分析，并對(duì)KMV模型的有效性進(jìn)行了驗(yàn)證[12]。趙金實(shí)等（2016）則對(duì)比分析了雙渠道供應(yīng)鏈協(xié)調(diào)機(jī)制在第三方供應(yīng)鏈金融環(huán)境下的運(yùn)作情況，得到了相應(yīng)的結(jié)論[13]。田蜻、馮敬海（2016）率先在KMV模型中引入了遺傳算法的相關(guān)內(nèi)容，并重新定義了模型的最優(yōu)違約點(diǎn)，分析結(jié)果表明，經(jīng)過(guò)優(yōu)化的KMV模型具有更強(qiáng)的適應(yīng)性[14]。

整體而言，國(guó)內(nèi)外學(xué)術(shù)界在供應(yīng)鏈金融風(fēng)險(xiǎn)研究領(lǐng)域取得了一定的成果，但在研究方法方面還比較單一，且很少涉及農(nóng)產(chǎn)品供應(yīng)鏈金融風(fēng)險(xiǎn)方面。此外，我國(guó)和其他國(guó)家在信貸市場(chǎng)及體系方面難免存在一定的差異，因此無(wú)法照搬國(guó)外的風(fēng)險(xiǎn)評(píng)估模型。在這種情況下，有必要結(jié)合我國(guó)實(shí)際情況對(duì)農(nóng)產(chǎn)品供應(yīng)鏈金融風(fēng)險(xiǎn)進(jìn)行針對(duì)性的分析，為此，本文在KMV風(fēng)險(xiǎn)度量模型的基礎(chǔ)上，結(jié)合實(shí)際修正了違約點(diǎn)和股權(quán)價(jià)值波動(dòng)率，并結(jié)合15家農(nóng)產(chǎn)品企業(yè)進(jìn)行了統(tǒng)計(jì)分析。結(jié)果表明，本文所提出的修正KMV風(fēng)險(xiǎn)度量模型能夠達(dá)到預(yù)期的要求。

二、風(fēng)險(xiǎn)度量基本模型的引入與改進(jìn)——KMV模型

1997年，KMV公司率先提出了KMV模型，該模型可以利用股市價(jià)格波動(dòng)情況來(lái)識(shí)別企業(yè)信用波動(dòng)，進(jìn)而能夠得到實(shí)時(shí)的計(jì)算結(jié)果。

（一）KMV模型的基本思想

期權(quán)理論是KMV模型的核心理論，該模型基于標(biāo)準(zhǔn)歐式期權(quán)將股權(quán)當(dāng)作一種特殊的期權(quán)，并在此基礎(chǔ)上幫助股東處理企業(yè)風(fēng)險(xiǎn)。標(biāo)準(zhǔn)歐式期權(quán)主要指的是期權(quán)買(mǎi)方必須在規(guī)定的時(shí)間內(nèi)（通常以期權(quán)到期為限）完成股票買(mǎi)賣(mài)。KMV模型將企業(yè)負(fù)債和企業(yè)股權(quán)分別當(dāng)作看跌期權(quán)和看漲期權(quán)，在此基礎(chǔ)上可結(jié)合期權(quán)理論來(lái)計(jì)算得到企業(yè)的價(jià)值。

期權(quán)定價(jià)理論是KMV模型的核心，我國(guó)研究學(xué)者已經(jīng)對(duì)這一理論進(jìn)行了系統(tǒng)且深入的分析和研究，形成了眾多基于這一理論的信用模型，而應(yīng)用最為廣泛的當(dāng)屬期權(quán)定價(jià)模型——BSM模型。

本文首先結(jié)合企業(yè)股權(quán)的負(fù)債賬面價(jià)值、無(wú)風(fēng)險(xiǎn)借貸利率、期限、市值波動(dòng)性等因素，利用BSM模型分析企業(yè)資產(chǎn)的變化情況。其次，結(jié)合企業(yè)的流動(dòng)負(fù)債和長(zhǎng)期負(fù)債情況得到相應(yīng)的違約距離和違約點(diǎn)情況。最后，基于企業(yè)預(yù)期的違約概率和違約距離關(guān)系計(jì)算出預(yù)期違約概率。

（二）基于農(nóng)產(chǎn)品供應(yīng)鏈KMV模型的改進(jìn)

由于我國(guó)國(guó)情的特殊性，直接照搬國(guó)外經(jīng)典的KMV模型很難發(fā)揮出理想的效果，從而也就無(wú)法準(zhǔn)確評(píng)估企業(yè)的違約概率。這一模型是在美國(guó)金融市場(chǎng)環(huán)境中所形成的，我國(guó)和美國(guó)在金融市場(chǎng)方面還存在著較大的差距，兩者的特征也有所不同，尤其是農(nóng)業(yè)供應(yīng)鏈中的金融環(huán)境更不相同。所以，本文結(jié)合我國(guó)金融市場(chǎng)的實(shí)際情況對(duì)經(jīng)典的KMV模型進(jìn)行了相應(yīng)的修正，以此來(lái)提高其適應(yīng)性。

1?關(guān)于對(duì)股權(quán)價(jià)值波動(dòng)率σE的改進(jìn)

結(jié)合BSM模型的相關(guān)內(nèi)容，本文將企業(yè)股權(quán)市場(chǎng)價(jià)值等同于看漲期權(quán)市值，然后利用相應(yīng)的定價(jià)公式得出企業(yè)資產(chǎn)價(jià)值和股權(quán)價(jià)值的相互關(guān)系，具體如下：

E=VN（d1）-Pe-rtN（d2）（1）

其中，P代表執(zhí)行價(jià)格，V代表資產(chǎn)價(jià)值，T代表看漲期權(quán)價(jià)值，這幾個(gè)變量還存在如下關(guān)系：

d1=ln（VP）+（r+σ2A2）（T-t）σT-t（2）

d2=d1-σAT-t

其中，資產(chǎn)市場(chǎng)價(jià)值波動(dòng)率σA和股權(quán)市場(chǎng)價(jià)值波動(dòng)率σE滿(mǎn)足如下關(guān)系：

σE=VEN（d1）σA （3）

通常來(lái)講，GARCH模型和歷史數(shù)據(jù)估計(jì)法是股權(quán)價(jià)值波動(dòng)率在實(shí)證研究領(lǐng)域的兩大常用方法，其中前者是傳統(tǒng)ARCH模型的一種延伸，主要適用于金融領(lǐng)域，能夠?qū)ψC券波動(dòng)情況展開(kāi)系統(tǒng)的分析，廣泛應(yīng)用于金融資產(chǎn)分析領(lǐng)域[15]。而后者則主要是結(jié)合以往的歷史數(shù)據(jù)波動(dòng)情況來(lái)開(kāi)展預(yù)測(cè)。然而，由于股市受很多因素的影響，當(dāng)存在某些突發(fā)事件時(shí)，可能會(huì)在一定程度上影響預(yù)測(cè)的準(zhǔn)確性。我國(guó)大多數(shù)學(xué)者都比較認(rèn)同GARCH（1，1）在我國(guó)的適用性，其表達(dá)式如下[16-17]：

σ2t=α0+αε2?t-1+βσ2?t-1（4）

其中，α和β分別代表收益系數(shù)和滯后系數(shù)。且α0≠0，β≥0，α+β<1。

2?關(guān)于違約點(diǎn)DP的改進(jìn)

如果企業(yè)債務(wù)賬面價(jià)值超過(guò)資產(chǎn)價(jià)值，那也就意味著會(huì)產(chǎn)生違約。KMV公司結(jié)合大量的研究成果對(duì)違約點(diǎn)（DP）進(jìn)行了如下定義：

DP=50%×長(zhǎng)期負(fù)債+流動(dòng)負(fù)債（5）

我國(guó)金融領(lǐng)域的學(xué)者對(duì)此展開(kāi)了大量的研究。結(jié)果表明，當(dāng)長(zhǎng)期負(fù)債系數(shù)和流動(dòng)負(fù)債系數(shù)分別取0?75和1?0時(shí)，KMV模型能夠獲得最佳的風(fēng)險(xiǎn)識(shí)別效果[18]，這也獲得了學(xué)術(shù)界的廣泛認(rèn)同。所以，本文將利用這一結(jié)論展開(kāi)分析：

DP=流動(dòng)負(fù)債+75 %×長(zhǎng)期負(fù)債（6）

3?關(guān)于違約距離DD的改進(jìn)

基于KMV模型可知，違約距離DD代表的是企業(yè)資產(chǎn)降低至違約點(diǎn)時(shí)同資產(chǎn)價(jià)值標(biāo)準(zhǔn)差的比值，體現(xiàn)的是違約點(diǎn)DP和未來(lái)資產(chǎn)市場(chǎng)價(jià)值的相對(duì)距離。

DD=E（V）-DPE（V）σA（7）

其中，E（V）代表企業(yè)期望資產(chǎn)值。

傳統(tǒng)的KMV模型主要結(jié)合統(tǒng)計(jì)得到的違約距離來(lái)預(yù)測(cè)企業(yè)違約概率，但我國(guó)缺乏基礎(chǔ)資料，無(wú)法從這一思路來(lái)展開(kāi)分析。因此，本文創(chuàng)新性地利用違約距離來(lái)表征其信用情況。盡管模型能夠計(jì)算得到相應(yīng)的違約距離，但這一結(jié)果并沒(méi)有其他的數(shù)據(jù)來(lái)進(jìn)行參考，為此，本文選取樣本展開(kāi)對(duì)比分析，從而能夠直觀地了解不同企業(yè)的相對(duì)違約距離。

三、基于改進(jìn) KMV模型的經(jīng)驗(yàn)數(shù)據(jù)分析

（一）樣本選擇

鑒于本文主要針對(duì)農(nóng)產(chǎn)品供應(yīng)鏈金融開(kāi)展研究，所以主要選取農(nóng)產(chǎn)品倉(cāng)儲(chǔ)物流、供應(yīng)商及生產(chǎn)加工企業(yè)來(lái)開(kāi)展研究。為了能夠比較方便地獲取模型數(shù)據(jù)，本文挑選出了如下企業(yè)：農(nóng)產(chǎn)品（000061）、北大荒（600598）、金健米業(yè)（600127）、中糧屯河（600737）和新農(nóng)開(kāi)發(fā)（600359）;供應(yīng)商：豐樂(lè)種業(yè)（000713）、隆平高科（000998）、登海種業(yè)（002041）、荃銀高科（300087）、亞盛集團(tuán)（600108）、敦煌種業(yè)（600354）、萬(wàn)向德農(nóng)（600371）和大北農(nóng)（002385）;倉(cāng)儲(chǔ)物流：合肥百貨（000417）和羅牛山（000735）。同時(shí)，搜集和整理了這些企業(yè)在2017年9月30日至2018年9月30日為期1年的股票收盤(pán)價(jià)數(shù)據(jù)資料。

（二）計(jì)算農(nóng)產(chǎn)品供應(yīng)鏈企業(yè)股權(quán)市場(chǎng)價(jià)值波動(dòng)率

結(jié)合前述內(nèi)容，本文主要基于GARCH（1，1）模型來(lái)分析計(jì)算股票波動(dòng)情況，首先計(jì)算股權(quán)市場(chǎng)價(jià)值日波動(dòng)率數(shù)據(jù)，然后在此基礎(chǔ)上得出年波動(dòng)率σE。

1?正態(tài)性統(tǒng)計(jì)檢驗(yàn)

假定股票價(jià)格滿(mǎn)足對(duì)數(shù)正態(tài)分布，計(jì)算各股票的對(duì)數(shù)日收益率：RE=（lnPt-lnP?t-1）×100，Pt和P?t-1分別代表第t日和第t-1日的股票收盤(pán)價(jià)格。在此基礎(chǔ)上開(kāi)展Jarque-Bera檢驗(yàn)，得到了表1所示的結(jié)果。

從表1可以看出，15家企業(yè)的J-B統(tǒng)計(jì)結(jié)果均遠(yuǎn)遠(yuǎn)超過(guò)了α = 0?05顯著水平的臨界值，所以，原假設(shè)并不成立。此外，由于企業(yè)股票日收益率峰度值及偏度值均和標(biāo)準(zhǔn)值存在較大的差異，所以可認(rèn)為上述企業(yè)日收益率時(shí)間序列具備尖峰厚尾特征。

2?農(nóng)產(chǎn)品供應(yīng)鏈企業(yè)股票日收益率的平穩(wěn)性檢驗(yàn)

股票收益的時(shí)間序列分析是以其平穩(wěn)性為基礎(chǔ)和前提的，ADF檢驗(yàn)（augmented dicey-fuller）在平穩(wěn)性檢驗(yàn)方面有著較好的效果。表2為15家企業(yè)的ADF檢驗(yàn)結(jié)果。由表2可知，這些企業(yè)的ADF檢驗(yàn)均沒(méi)有超過(guò)臨界值，可以認(rèn)為15家企業(yè)的股票日收益率在1%顯著性水平下是顯著平穩(wěn)的。

通過(guò)對(duì)15家企業(yè)進(jìn)行自相關(guān)性檢驗(yàn)可知，15家企業(yè)的Ljung-Box-Pierce Q檢驗(yàn)的統(tǒng)計(jì)量對(duì)應(yīng)的Prob?值均大于5%，表明15家企業(yè)的股票日收益率均不存在明顯的自相關(guān)關(guān)系。

3?農(nóng)產(chǎn)品供應(yīng)鏈企業(yè) GARCH模型的建立

（1）構(gòu)建ARCH模型。結(jié)合前述部分自相關(guān)檢驗(yàn)和ADF檢驗(yàn)的成果，上汽集團(tuán)股票收益率序列沒(méi)有自相關(guān)關(guān)系，整體平穩(wěn)，所以可以結(jié)合白噪聲公式構(gòu)建企業(yè)股票的日收益方程：Rt=C+μt。其中，μt代表殘差序列。文章將對(duì)μt進(jìn)一步展開(kāi)ARCH檢驗(yàn)分析。

首先針對(duì)RE開(kāi)展去均值化處理，得到ωt=Rt-R—，結(jié)合z=ω2t公式展開(kāi)檢驗(yàn)分析。

結(jié)果表明，15家企業(yè)的相關(guān)性檢驗(yàn)的Prob?值均小于5%，所以，可以認(rèn)為存在ARCH效應(yīng)，即具有自相關(guān)關(guān)系，可以使用GARCH（1，1）模型。

（2）構(gòu)建GARCH（1，1）模型。本文主要基于EViews軟件來(lái)實(shí)現(xiàn)GARCH（1，1）模型的構(gòu)建和求解，然后展開(kāi)參數(shù)估計(jì)，得到的結(jié)果如表3所示。

由表3可知，殘差項(xiàng)系數(shù)和滯后項(xiàng)的P值均沒(méi)有超過(guò)5%，可以認(rèn)為滿(mǎn)足t檢驗(yàn)。同時(shí)可驗(yàn)證滿(mǎn)足約束條件α+β<1。

之后，計(jì)算長(zhǎng)期波動(dòng)率即日波動(dòng)率為：

Vt=α01-α-β（8）

即可得，年波動(dòng)率為：

σ=Vt×n（9）

其中，n為上市公司在樣本期間內(nèi)的交易日的天數(shù)。因此，同理可得到樣本企業(yè)的年波動(dòng)率情況，如表4所示。

（三）計(jì)算農(nóng)產(chǎn)品供應(yīng)鏈企業(yè)違約點(diǎn)

本文結(jié)合15家樣本企業(yè)2018年6月到9月的企業(yè)數(shù)據(jù)進(jìn)行分析，用債務(wù)面值D表示企業(yè)的總負(fù)債賬面價(jià)值。結(jié)合前述內(nèi)容得到違約點(diǎn)DP，具體如表5所示。

（四）計(jì)算農(nóng)產(chǎn)品供應(yīng)鏈企業(yè)的資產(chǎn)價(jià)值及其波動(dòng)率

在開(kāi)展企業(yè)信用風(fēng)險(xiǎn)評(píng)估時(shí)，通常以年作為周期進(jìn)行，為此，本文取T-t=1。此外，結(jié)合銀行定期存款利率情況取r=1?5%，并將其作為模型的無(wú)風(fēng)險(xiǎn)收益率二數(shù)據(jù)。因此，當(dāng)前已經(jīng)得到了模型中的債務(wù)賬面價(jià)值D、債務(wù)期限T-t=1、無(wú)風(fēng)險(xiǎn)收益率r=1?5%、股權(quán)價(jià)值波動(dòng)率σE和股權(quán)價(jià)值E，接下來(lái)可通過(guò)模型進(jìn)行分析和求解。

E=VN（d1）-Pe-rtN（d2）σE=VEN（d1）σAd1=ln（VP）+（r+σ2A2）（T-t）σAT-td2=d1-σAT-t（10）

考慮到σA、V在數(shù)量級(jí)上不匹配，所以需要進(jìn)行相應(yīng)的標(biāo)準(zhǔn)化處理，本文引入：EtD=EP 參數(shù)來(lái)進(jìn)行迭代。首先結(jié)合V = xE對(duì)方程組進(jìn)行簡(jiǎn)化，得到如下結(jié)果：

1=xN（d1）-e-rtN（d2）/EtPσE=xN（d1）σAd1=ln（xEtP）+（r+σ2A2）（T-t）σAT-td2=d1-σAT-t（11）

之后基于MATLAB軟件來(lái)求解上述方程，得到了企業(yè)違約距離數(shù)據(jù)，如表6所示。

（五）實(shí)證結(jié)果

結(jié)果表明，農(nóng)產(chǎn)品倉(cāng)儲(chǔ)物流企業(yè)、供應(yīng)商和生產(chǎn)加工企業(yè)的違約距離分別為1?98、3?18和3?84，由此可得到這三者的相對(duì)違約風(fēng)險(xiǎn)情況，違約風(fēng)險(xiǎn)從小到大為生產(chǎn)加工企業(yè)、供應(yīng)商和倉(cāng)儲(chǔ)物流企業(yè)。

在農(nóng)產(chǎn)品供應(yīng)鏈體系中，生產(chǎn)加工企業(yè)發(fā)揮著核心作用。它們具備豐富的融資手段，具備雄厚的資本實(shí)力，因此，是三者中違約風(fēng)險(xiǎn)最低的企業(yè)。樣本中共有5家農(nóng)產(chǎn)品生產(chǎn)加工企業(yè)，其中北大荒、金健米業(yè)、中糧屯河和新農(nóng)開(kāi)發(fā)的違約距離處于較高水平，而農(nóng)產(chǎn)品違約距離卻很小，僅為0?57，違約風(fēng)險(xiǎn)較大，究其根源，主要原因是受股市價(jià)值劇烈波動(dòng)的影響。因此，企業(yè)的信用風(fēng)險(xiǎn)很大程度上也取決于股市的穩(wěn)定性情況。

分析結(jié)果表明，供應(yīng)商的違約距離平均值為3?18，由于農(nóng)產(chǎn)品多種多樣，且不同供應(yīng)商各有特點(diǎn)，所以盡管違約風(fēng)險(xiǎn)整體較低，但也參差不齊。農(nóng)產(chǎn)品倉(cāng)儲(chǔ)物流上市公司的平均違約距離是1?98，整體違約風(fēng)險(xiǎn)水平較高。

四、結(jié)論

近年來(lái)，學(xué)術(shù)界對(duì)供應(yīng)鏈金融風(fēng)險(xiǎn)給予了高度的關(guān)注，供應(yīng)鏈金融風(fēng)險(xiǎn)逐漸成為熱點(diǎn)研究領(lǐng)域。本文結(jié)合15家樣本企業(yè)展開(kāi)了一系列的檢驗(yàn)，結(jié)果表明：樣本企業(yè)的股票日收益率并不呈正態(tài)分布，平穩(wěn)且不存在自相關(guān);利用GARCH（1，1）模型分析得到了企業(yè)的股權(quán)價(jià)值波動(dòng)情況，并在此基礎(chǔ)上利用修正KMV模型計(jì)算了其違約距離，從而實(shí)現(xiàn)了對(duì)供應(yīng)鏈金融業(yè)務(wù)風(fēng)險(xiǎn)的量化研究，這也從側(cè)面驗(yàn)證了修正KMV模型在這一領(lǐng)域的適用性。

結(jié)果表明，農(nóng)產(chǎn)品供應(yīng)鏈金融風(fēng)險(xiǎn)由高到低為倉(cāng)儲(chǔ)物流企業(yè)、供應(yīng)商、生產(chǎn)加工企業(yè)。此外，不同企業(yè)的實(shí)際情況往往有所不同，所以，企業(yè)的違約概率也不盡相同;如果存在某些突發(fā)性事件，很可能會(huì)導(dǎo)致企業(yè)股價(jià)劇烈波動(dòng)，進(jìn)而導(dǎo)致違約風(fēng)險(xiǎn)上升。這些均符合實(shí)際情況。

本文對(duì)經(jīng)典KMV模型進(jìn)行了修正，并就企業(yè)潛在風(fēng)險(xiǎn)進(jìn)行了量化分析，利用模型計(jì)算結(jié)果展開(kāi)對(duì)比分析，結(jié)果表明，修正KMV模型能夠適用于業(yè)務(wù)開(kāi)展及進(jìn)行中的違約風(fēng)險(xiǎn)識(shí)別，從而及時(shí)采取有效風(fēng)控措施，將潛在風(fēng)險(xiǎn)控制在合理水平，且有助于深化供應(yīng)鏈企業(yè)之間的合作伙伴關(guān)系。

參考文獻(xiàn)：

[1]BRUECKNER J K?Mortgage default with asymmetric information[J].Journal of real estate finance and economics，2000（20）：251-274

[2]HALLIKAS J，KARVONEN I，PULKKINEN U，et al?Risk management processes in supplier networks[J].International journal of production economics，2004，90（1）：47-58

[3]BARSKY N P，CATANACH A H?Evaluating business risks in the commercial lending decision[J].Commercial lending review，2005，20（3）：3-10

[4]GUILLEN G，BADELL M?A holistic framework for short-term supply chain management integration production and corporate financial planning [J].Production economics，2006（7）：25-27

[5]畢家新?供應(yīng)鏈金融：出現(xiàn)動(dòng)因、運(yùn)作模式與風(fēng)險(xiǎn)防范[J].華北金融，2010（3）：20-23

[6]蘇立婷?基于第三方物流視角的供應(yīng)鏈金融風(fēng)險(xiǎn)研究[D].天津：天津師范大學(xué)，2017

[7] MICHAEL B?A comparative anatomy of credit risk models[J].Journal of finance and banking，2000，24（1）：119-149

[8]辛玉紅，李小莉?應(yīng)收賬款融資模式下供應(yīng)鏈金融的成本優(yōu)化分析[J].工業(yè)工程與管理，2014，19（1）：79-84

[9]霍艷芳，鄧全，楊立向?資金約束下的中小企業(yè)聯(lián)合融資研究[J].工業(yè)工程與管理，2014，19（5）：24-30

[10]程昌華?基于汽車(chē)產(chǎn)業(yè)的供應(yīng)鏈金融運(yùn)作及風(fēng)險(xiǎn)管理[D].廣州：華南理工大學(xué)，2015

[11]馬中華，曾劍明?預(yù)付款融資下基于收益轉(zhuǎn)移支付機(jī)制的三級(jí)供應(yīng)鏈協(xié)調(diào)問(wèn)題研究[J].工業(yè)工程與管理，2015，20（4）：92-99

[12]孫偉，王宇?KMV模型在商業(yè)銀行信用風(fēng)險(xiǎn)管理下的實(shí)證研究[J].科技與管理，2016，18（3）：?40-46

[13]趙金實(shí)，段永瑞，霍佳震?第三方平臺(tái)供應(yīng)鏈金融環(huán)境下雙渠道供應(yīng)鏈協(xié)調(diào)機(jī)制對(duì)比研究[J].工業(yè)工程與管理，2016，21（3）：32-39，49

[14]馮敬海，田蜻?基于遺傳算法KMV模型的最優(yōu)違約點(diǎn)確定[J].大連理工大學(xué)學(xué)報(bào)，2016，56（2）：181-184

[15]耿慶峰?基于比較視角的我國(guó)股票市場(chǎng)波動(dòng)ARCH效應(yīng)研究[J].福州大學(xué)學(xué)報(bào)：哲學(xué)社會(huì)科學(xué)版，2013（2）：45-51

[16]蘇巖，楊振海?GARCH（1，1）模型及其在匯率條件波動(dòng)預(yù)測(cè)中的應(yīng)用[J].數(shù)理統(tǒng)計(jì)與管理，2007（4）：615-620

[17]王秀國(guó)，謝幽草?基于CVaR和GARCH（1，1）的擴(kuò)展KMV模型[J].系統(tǒng)工程，2012，30（12）：26-32

[18]張玲?基于判別分析和期望違約率方法的信用風(fēng)險(xiǎn)度量及管理研究[D].長(zhǎng)沙：湖南大學(xué)，2005

Analysis of Agricultural Products Supply Chain Finance Risk ?Measurement and Empirical Data

GENG Xiao?yuan，LENG Zhi?jie

（School of Economics and Management，Heilongjiang Bayi Agricultural University，Daqing，Heilongjiang 163319）

Abstract：The risk management of supply chain finance concerns the continuous operation of enterprises and the long-term cooperation among supply chain members?Fifteen representative agricultural products production and processing enterprises，suppliers，warehousing and logistics enterprises were investigated，including their stock price information from September 30，2017 to September 30，2018?EViews and MATLAB were used to quantify the default risk of these 15 companies through the modified KMV model?Based on the horizontal comparison of the default distance，the relative default risk of various types of enterprises in the agricultural products supply chain was obtained，and the validity of the modified KMV model was verified at the same time?The results show that the modified KMV model can be used in the financial risk measurement of agricultural products supply chain in China，and it has reference significance for the related research in the future

Keywords：supply chain finance;modified KMV model;agricultural products supply chain;risk measurement