李 晟 張宇航

一、引言

商業(yè)銀行在金融行業(yè)內(nèi)一直扮演著重要的角色，信用風(fēng)險(xiǎn)是商業(yè)銀行所面臨的主要風(fēng)險(xiǎn)之一。相對(duì)于外資銀行，我國(guó)商業(yè)銀行一直以來(lái)都面臨著較高的信用風(fēng)險(xiǎn)。以總不良貸款率為例，2015年年末外資銀行的平均值只有0.33%，而我國(guó)五大行的平均值卻高達(dá)1.48%。隨著近年來(lái)我國(guó)金融市場(chǎng)的全面開(kāi)放及自由化，為了適應(yīng)國(guó)際化競(jìng)爭(zhēng)環(huán)境，對(duì)于我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)管理的要求越來(lái)越高。因此，采用適當(dāng)?shù)哪Ｐ蛯?duì)于商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)評(píng)估及管理就顯得十分重要。

據(jù)中國(guó)銀行業(yè)監(jiān)督管理委員會(huì)網(wǎng)站于2016年2月公布的數(shù)據(jù)①數(shù)據(jù)來(lái)源： http： ／／www.cbrc.gov.cn／chinese／home／docView／F9ABBA7979E541568B624CBB3E565AE7.html。，我國(guó)商業(yè)銀行的不良貸款率在2015年第四季度達(dá)到1.67%的水平，且這一指標(biāo)在過(guò)去十個(gè)季度持續(xù)上升。與此同時(shí)，關(guān)注類(lèi)貸款和逾期類(lèi)貸款的增長(zhǎng)也相當(dāng)迅猛，這意味著不良貸款后續(xù)仍將面臨較大壓力。伴隨著我國(guó)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整以及經(jīng)濟(jì)發(fā)展速度的減緩，商業(yè)銀行勢(shì)必會(huì)暴露在更大的信用風(fēng)險(xiǎn)中，因此能否有效控制與管理信用風(fēng)險(xiǎn)對(duì)于整個(gè)金融行業(yè)甚至整個(gè)宏觀經(jīng)濟(jì)而言都至關(guān)重要。

KMV模型是美國(guó)KMV公司開(kāi)發(fā)的信用風(fēng)險(xiǎn)量化評(píng)估技術(shù)，它不僅囊括了歷史數(shù)據(jù)，同時(shí)還結(jié)合了未來(lái)相關(guān)數(shù)據(jù)進(jìn)行定量分析，因此是國(guó)外比較成熟以及常用的信用風(fēng)險(xiǎn)研究方法。本文主要采用這種方法對(duì)信用風(fēng)險(xiǎn)進(jìn)行分析，同時(shí)也加入相關(guān)數(shù)據(jù)對(duì)于影響商業(yè)銀行信用風(fēng)險(xiǎn)的特定因素進(jìn)行實(shí)證研究。

本文的主要貢獻(xiàn)在于以下幾方面：一是采用最新的16家上市銀行作為樣本，相較于之前的研究有所完善與擴(kuò)大；二是通過(guò)KMV模型得出違約距離的實(shí)證結(jié)果；三是在第二步之后，接著通過(guò)面板數(shù)據(jù)分析來(lái)進(jìn)一步研究影響違約距離 （即信用風(fēng)險(xiǎn)）的主要因素究竟有哪些。

二、文獻(xiàn)綜述

（一）信用風(fēng)險(xiǎn)研究的發(fā)展歷程

有關(guān)信用風(fēng)險(xiǎn)的研究經(jīng)歷了從定性、初步定量到精確定量的過(guò)程。最初的研究一般采用定性方法，即所謂的專(zhuān)家法 （Foulke， 1961［1］）， 這種方法主要是依賴(lài)專(zhuān)家的個(gè)人能力對(duì)銀行及公司信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。但專(zhuān)家法存在一系列缺陷 （Otway和Von Winterfeldt， 1992［2］）， 包括需要依賴(lài)風(fēng)險(xiǎn)分析結(jié)果來(lái)制定行動(dòng)策略的政策制定者或經(jīng)理們憑借個(gè)人意愿影響分析結(jié)果，難以選出正確的專(zhuān)家，難以避免提出錯(cuò)誤的分析問(wèn)題，分析結(jié)果可能存在偏誤等。

一些研究者選擇摒棄專(zhuān)家法轉(zhuǎn)而采用簡(jiǎn)單的定量分析法研究信用風(fēng)險(xiǎn) （Beaver， 1966［3］）。 這些專(zhuān)家通過(guò)分析企業(yè)的利潤(rùn)率、流動(dòng)資金比率、償付能力等單一指標(biāo)來(lái)評(píng)估其信用風(fēng)險(xiǎn)。簡(jiǎn)單定性分析法的弱點(diǎn)在于進(jìn)行這類(lèi)分析的研究人員并未就哪種指標(biāo)是最重要的信用風(fēng)險(xiǎn)評(píng)估指標(biāo)達(dá)成共識(shí)，另外，僅采用單一指標(biāo)也無(wú)法很好地評(píng)判企業(yè)的信用風(fēng)險(xiǎn)。為了改善采用單一指標(biāo)衡量信用風(fēng)險(xiǎn)的定性分析方法，Altman（1968）［4］提出了采用Z計(jì)分模型對(duì)于信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。Z計(jì)分模型中包含了運(yùn)營(yíng)資本與總資產(chǎn)的比率、未分配盈余與總資產(chǎn)的比率、利息和稅前收益比總資產(chǎn)等5個(gè)變量。隨后Altman等 （1977）［5］又改進(jìn)了之前的模型，拓展出了ZETA模型，將信用風(fēng)險(xiǎn)評(píng)估的變量增加至7個(gè)。

然而，簡(jiǎn)單的定量分析依然難以滿足信用風(fēng)險(xiǎn)評(píng)估的要求，一些學(xué)者進(jìn)而尋求將不同的模型運(yùn)用到了信用風(fēng)險(xiǎn)評(píng)估當(dāng)中，例如，Odom和Sharda（1990）［6］、Desai等 （1996）［7］將神經(jīng)網(wǎng)絡(luò)技術(shù)運(yùn)用到信用評(píng)價(jià)之中，建立了神經(jīng)網(wǎng)絡(luò)信用評(píng)分模型，該模型被證實(shí)可以在實(shí)踐中得到較好的運(yùn)用。

目前較為流行的模型還有JP摩根銀行開(kāi)發(fā)的Credit Metrics模型和瑞士銀行開(kāi)發(fā)的Credit Risk＋模型，以及本文中所討論的KMV模型。Gordy（2000）［8］在文章中對(duì)比了由JP摩根銀行開(kāi)發(fā)的Credit Metrics模型和瑞士銀行開(kāi)發(fā)的Credit Risk＋模型，雖然兩者有所區(qū)別但是均能解決大體相同的信用風(fēng)險(xiǎn)評(píng)估問(wèn)題。在精確定量信用風(fēng)險(xiǎn)的工具中，由美國(guó)KMV公司于1997年建立的KMV模型得到了廣泛應(yīng)用，很多研究都表明KMV模型能夠準(zhǔn)確地分析信用風(fēng)險(xiǎn)。

（二）KMV模型的應(yīng)用

因?yàn)槟軐?duì)信用風(fēng)險(xiǎn)進(jìn)行準(zhǔn)確預(yù)測(cè)，近年KMV模型在國(guó)內(nèi)外都得到了大量的應(yīng)用。Crosbie和Bohn（2003）［9］的研究針對(duì)金融類(lèi)企業(yè)，他們發(fā)現(xiàn)由KMV模型計(jì)算出的金融類(lèi)企業(yè)的預(yù)期違約率 （EDF）能夠靈敏地反映出企業(yè)信用狀況的變化。以中小企業(yè)為研究樣本，Tang（2009）［10］對(duì)比了加入違約距離與未加入違約距離的Logistic模型，結(jié)果表明包含了違約距離的KMV模型對(duì)信用風(fēng)險(xiǎn)的識(shí)別效果 （discrimination effect）明顯優(yōu)于其他方法。

在運(yùn)用KMV模型分析中國(guó)上市公司信用風(fēng)險(xiǎn)方面，研究主要集中于分析上市公司違約風(fēng)險(xiǎn)的影響因素。張義強(qiáng)和楊星 （2004）［11］通過(guò)研究發(fā)現(xiàn)上市公司股價(jià)的波動(dòng)率和預(yù)期違約率之間存在顯著負(fù)相關(guān)，而預(yù)期違約率可以恰當(dāng)?shù)胤从持袊?guó)上市公司的信用風(fēng)險(xiǎn)。張澤京等 （2007）［12］分析了中國(guó)中小上市公司后發(fā)現(xiàn)資產(chǎn)規(guī)模對(duì)于公司的信用風(fēng)險(xiǎn)有顯著的影響，且呈負(fù)相關(guān)。劉迎春和劉霄 （2011）［13］采用KMV模型可以很好地識(shí)別ST公司以及非ST公司之間的信用風(fēng)險(xiǎn)差異，同時(shí)還揭示出信用風(fēng)險(xiǎn)在很大程度上取決于公司所隸屬的行業(yè)。郭立侖 （2012）［14］則比較了ST股票、非ST股票和?ST股票的信用風(fēng)險(xiǎn)，認(rèn)為后者的信用風(fēng)險(xiǎn)比前兩者都大。高揚(yáng)敏等 （2009）［15］通過(guò)對(duì)多家上市公司的面板數(shù)據(jù)分析發(fā)現(xiàn)資產(chǎn)負(fù)債率以及資產(chǎn)波動(dòng)率都與信用風(fēng)險(xiǎn)顯著正相關(guān)。彭偉 （2012）［16］對(duì)于2008年至2011年上市中小企業(yè)進(jìn)行分析，發(fā)現(xiàn)其資產(chǎn)規(guī)模對(duì)于信用風(fēng)險(xiǎn)的影響并不確定且不顯著，但是股價(jià)的波動(dòng)是顯著和違約距離呈負(fù)相關(guān)的。凌江懷和劉燕媚 （2013）［17］以10家上市銀行作為樣本，根據(jù)KMV模型得到了違約距離和違約率的實(shí)證結(jié)果并與標(biāo)準(zhǔn)普爾的權(quán)威評(píng)級(jí)機(jī)構(gòu)進(jìn)行對(duì)比，發(fā)現(xiàn)由此得到的結(jié)論與評(píng)級(jí)機(jī)構(gòu)基本一致。

另外一些研究者則致力于對(duì)KMV模型的參數(shù)估計(jì)進(jìn)行改進(jìn)和修正，以求模型對(duì)信用風(fēng)險(xiǎn)的估計(jì)更為準(zhǔn)確，這類(lèi)研究涉及調(diào)整模型中的相關(guān)參數(shù) （張智梅和章仁俊，2006［18］）或股權(quán)價(jià)值計(jì)算方法 （王建穩(wěn)和梁彥軍，2008［19］），抑或推導(dǎo)出適合中國(guó)市場(chǎng)的KMV模型波動(dòng)率函數(shù) （魯煒，2003［20］），提出基于CVaR和GARCH （1，1）的KMV模型，以違約距離為基礎(chǔ)重新度量信用風(fēng)險(xiǎn) （王秀國(guó)和謝幽篁，2012［21］）， 采用優(yōu)于 GARCH-KMV 的 SV-KMV 模型（王新翠等， 2013［22］）、 JD-KMV 模型 （謝赤等，2014［23］）。

雖然已有多位研究者采用KMV模型分析了中國(guó)上市公司的信用風(fēng)險(xiǎn)，但僅有為數(shù)不多的幾項(xiàng)研究是采用該模型分析中國(guó)銀行業(yè)的信用風(fēng)險(xiǎn)。譚燕芝和張運(yùn)東 （2009）［24］基于不良貸款率數(shù)據(jù)對(duì)比了1999年至2007年中美日三國(guó)的部分銀行，他們發(fā)現(xiàn)中國(guó)銀行信用風(fēng)險(xiǎn)與失業(yè)率顯著負(fù)相關(guān)，美國(guó)銀行信用風(fēng)險(xiǎn)極低且基本不受宏觀經(jīng)濟(jì)因素影響，但有可能是衍生工具隱藏了這種風(fēng)險(xiǎn)，而日本銀行信用風(fēng)險(xiǎn)與CPI呈負(fù)相關(guān)。Cao等 （2010）［25］主要解決了 KMV模型中違約點(diǎn)的長(zhǎng)期負(fù)債系數(shù)的問(wèn)題，文章通過(guò)信用風(fēng)險(xiǎn)溢價(jià)與KMV模型計(jì)算出來(lái)的違約概率進(jìn)行對(duì)比確定長(zhǎng)期負(fù)債的最優(yōu)系數(shù)，并將其運(yùn)用到上市銀行分析中。Huang等 （2010）［26］選取了2006年下半年至2008年期間中國(guó)銀行、中國(guó)建設(shè)銀行以及中國(guó)工商銀行作為研究對(duì)象，計(jì)算了三大銀行的違約距離并比較了它們的違約率，發(fā)現(xiàn)中國(guó)建設(shè)銀行的違約風(fēng)險(xiǎn)高出其他兩家銀行，而這主要是由于受到其不良貸款率、貸存比以及非利息收入比的影響。

綜上所述，雖然采用了較新的KMV模型來(lái)評(píng)估中國(guó)銀行業(yè)的信用風(fēng)險(xiǎn)，但現(xiàn)有文獻(xiàn)依然存在兩方面的不足：首先是其研究對(duì)象僅涵蓋了少數(shù)的銀行，缺乏對(duì)銀行業(yè)整體的考量；其次，這些文獻(xiàn)基本都集中在分析2008年以前的銀行數(shù)據(jù)，而近年來(lái)中國(guó)宏觀經(jīng)濟(jì)歷經(jīng)很大的變動(dòng)，相應(yīng)的銀行監(jiān)管也有相當(dāng)程度的變化，過(guò)去的研究在一定程度上已難以作為借鑒。我們希望本文的研究有助于彌補(bǔ)這兩方面的不足，為銀行業(yè)監(jiān)管和風(fēng)險(xiǎn)控制提供更為全面和實(shí)時(shí)的參考。

三、研究方法

（一）KMV模型概述

1.KMV模型基本原理。

KMV模型由美國(guó)的KMV公司于1997年建立并用來(lái)估計(jì)企業(yè)的違約概率。其主要特點(diǎn)是以期權(quán)理論作為基礎(chǔ)，利用市場(chǎng)上的信息而非簡(jiǎn)單的歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，將不斷變動(dòng)的市場(chǎng)信息納入違約概率的計(jì)算當(dāng)中，該模型能更準(zhǔn)確地反映出企業(yè)本身當(dāng)前的信用情況，比以前的方法有較大突破。

KMV模型主要思路來(lái)源于Black-Scholes-Merton期權(quán)定價(jià)模型 （BS-M Model），即把公司本身的權(quán)益部分看作公司資產(chǎn)價(jià)值為標(biāo)的物的一種看漲期權(quán)，每當(dāng)企業(yè)借入一筆貸款的時(shí)候，就相當(dāng)于購(gòu)買(mǎi)了一份以公司資產(chǎn)價(jià)值為標(biāo)的物的以公司負(fù)債的賬面價(jià)值為執(zhí)行價(jià)格的看漲期權(quán)，如果負(fù)債到期的時(shí)候企業(yè)資產(chǎn)的市場(chǎng)價(jià)值大于負(fù)債的賬面價(jià)值，企業(yè)本身就可以執(zhí)行該期權(quán)，償還到期的債務(wù)并獲得收益，倘若不執(zhí)行看漲期權(quán)即可認(rèn)為公司本身資產(chǎn)的價(jià)值低于一定的水平，即會(huì)產(chǎn)生違約現(xiàn)象，這一水平被稱(chēng)為違約點(diǎn)（Default Point）， 如圖1所示。

圖1 KMV模型原理概述

根據(jù)BS-M模型，將其中的變量以上述變量表示，可以得到以公司資產(chǎn)為標(biāo)的物的看漲期權(quán)公式（1） 和 （2）：

其中，Ve為公司股權(quán)市場(chǎng)價(jià)值，Va為公司的資產(chǎn)價(jià)值，B為負(fù)債的賬面價(jià)值，t為債務(wù)的到期時(shí)間，r為無(wú)風(fēng)險(xiǎn)利率，σe為股權(quán)市場(chǎng)價(jià)值波動(dòng)率，σa為公司資產(chǎn)價(jià)值波動(dòng)率，N（·）為標(biāo)準(zhǔn)正態(tài)分布累計(jì)概率函數(shù)。

對(duì)于上述公式 （1）進(jìn)行求導(dǎo)之后可以得出式（3）：

聯(lián)立公式 （1）和 （3）即可求得資產(chǎn)價(jià)值（Va）以及資產(chǎn)價(jià)值波動(dòng)率 （σa）的數(shù)值。KMV中定義違約距離 （DD）為

根據(jù)上述模型及表達(dá)式，本文運(yùn)用MATLAB軟件的相關(guān)程序進(jìn)行方程求解得出結(jié)論。

2.KMV模型優(yōu)缺點(diǎn)分析。

KMV模型的主要優(yōu)點(diǎn)是：首先，KMV模型可被視為動(dòng)態(tài)模型，主要采用股票市場(chǎng)的數(shù)據(jù)進(jìn)行分析，而股市數(shù)據(jù)幾乎是每日更新，KMV模型便可以隨著股市的變動(dòng)而迅速調(diào)整；其次，KMV模型帶有一定的前瞻性，被認(rèn)為是面向未來(lái)的方法，在一定程度上可以克服那些只是基于歷史數(shù)據(jù)進(jìn)行分析而產(chǎn)生的弊端。當(dāng)然，KMV也存在一些弱點(diǎn)：第一，它的主要弱點(diǎn)在于它所需要的假設(shè)條件頗為嚴(yán)苛，例如正態(tài)分布的假設(shè)，就針對(duì)公司的研究而言，公司的資產(chǎn)收益分布往往存在 “肥尾”效應(yīng)，實(shí)際情況下很少能滿足KMV模型要求正態(tài)分布的假設(shè)。第二，KMV模型只關(guān)注企業(yè)的違約預(yù)測(cè)情況，可能忽略了企業(yè)自身信用品質(zhì)的變化。第三，模型幾乎沒(méi)有考慮到信息不對(duì)稱(chēng)下的道德風(fēng)險(xiǎn)問(wèn)題。第四，必須使用恰當(dāng)?shù)墓烙?jì)技術(shù)來(lái)獲得公司資產(chǎn)價(jià)值、公司資產(chǎn)收益率的期望值和波動(dòng)率。第五，對(duì)于非上市公司來(lái)說(shuō)，由于其自身的資料難以獲得或者不夠全面，其預(yù)測(cè)性及預(yù)測(cè)精度就會(huì)較差。

（二）KMV模型變量說(shuō)明

公式 （1）中的Ve等于股價(jià)與總股本相乘的積，其中股價(jià)以收盤(pán)價(jià)來(lái)表示，由于BS-M模型中并未包含股利的相關(guān)影響，因此在處理股價(jià)數(shù)據(jù)時(shí)采用的是復(fù)權(quán)價(jià)格，即不考慮股利發(fā)放的最終價(jià)格。

無(wú)風(fēng)險(xiǎn)利率一般取中國(guó)人民銀行公布的一年期存款利率①彭偉 （2012）［16］、王建穩(wěn)和梁彥軍 （2008）［19］、王新翠等 （2013）［22］在研究中均選取了一年期存款利率來(lái)代表無(wú)風(fēng)險(xiǎn)利率。，根據(jù)模型需要把相關(guān)利率轉(zhuǎn)化為連續(xù)復(fù)利（表1）。債務(wù)到期時(shí)間設(shè)定為1年。

本文中違約點(diǎn)的設(shè)定比較困難。通常KMV模型中將違約點(diǎn)設(shè)為短期負(fù)債加長(zhǎng)期負(fù)債的一半，但考慮到我們的研究對(duì)象是上市商業(yè)銀行，在這些銀行的歷年財(cái)務(wù)報(bào)告中并沒(méi)有披露其短期與長(zhǎng)期負(fù)債的數(shù)額，而僅僅披露了負(fù)債總量以及各負(fù)債的明細(xì)，我們無(wú)法將短期負(fù)債與長(zhǎng)期負(fù)債區(qū)分開(kāi)來(lái)，因此，在本文中我們把違約點(diǎn)設(shè)定為銀行自身負(fù)債總額的賬面價(jià)值。

表1 2010—2015年一年期存款利率

（三）面板模型建立

在這項(xiàng)研究中，我們希望計(jì)算出16家銀行近5年來(lái)的違約距離，原始數(shù)據(jù)屬于面板數(shù)據(jù)，面板模型主要結(jié)構(gòu)如式 （5）所示：

上式的Y代表違約距離DD，i是各家銀行，t是不同年份，α為截距項(xiàng)，δi為橫截面效應(yīng)，γt為時(shí)間序列效應(yīng)，εit是誤差項(xiàng)。在選擇因變量X時(shí)，我們參考了分析企業(yè)信用風(fēng)險(xiǎn)及銀行信用風(fēng)險(xiǎn)的各項(xiàng)研究，最終選取了6個(gè)自變量：（1）總不良貸款率 （TNPLR），選取的參數(shù)主要借鑒了Huang等 （2010）［26］以及凌江懷和劉燕媚 （2013）［17］的相關(guān)研究，我們預(yù)期總不良貸款率與違約距離會(huì)呈現(xiàn)負(fù)相關(guān)關(guān)系。 （2）總資產(chǎn)（TA）， 根據(jù)張澤京等 （2007）［12］及彭偉 （2012）［16］的研究選取這一變量，但是這兩篇文章中對(duì)于資產(chǎn)規(guī)模所得出的結(jié)論并不一致，因此對(duì)這一變量的研究具有一定意義，由于總資產(chǎn)這一變量數(shù)值較大，我們對(duì)其進(jìn)行了對(duì)數(shù)化處理。（3）貸存比（LDR）， Huang等 （2010）［25］在研究中也選取了這一變量，預(yù)期LDR與違約距離呈負(fù)相關(guān)關(guān)系。（4）凈資產(chǎn)收益率 （ROE）。（5）資產(chǎn)負(fù)債率（D／A）， 前述兩個(gè)變量均依據(jù)Oderda等 （2003）［27］提出的影響銀行違約風(fēng)險(xiǎn)的因素而選取的。（6）房地產(chǎn)業(yè)貸款占總貸款比率 （RER），這一變量在之前的研究中并未有過(guò)深入的討論，本文之所以加入RER是因?yàn)榻诜康禺a(chǎn)業(yè)成為焦點(diǎn)，其對(duì)于整個(gè)經(jīng)濟(jì)的作用不言而喻，對(duì)于銀行就更加重要。本文中的回歸方程主要形式如式 （6）：

根據(jù)上述分析，我們提出如下假設(shè)：

H1：總不良貸款率與違約距離呈反比。根據(jù)之前的結(jié)論可以看出，總不良貸款越多，銀行本身的壞賬就會(huì)越多，這就會(huì)造成銀行缺乏足夠的資金應(yīng)對(duì)其債務(wù)，其違約風(fēng)險(xiǎn)就會(huì)增加，違約距離就會(huì)縮短。

高校食堂是校園生活的重要場(chǎng)所，同時(shí)也是食品安全風(fēng)險(xiǎn)隱患突出和事故易發(fā)的地方。隨著國(guó)家政治經(jīng)濟(jì)社會(huì)的高速發(fā)展進(jìn)步，師生對(duì)飲食的要求越來(lái)越高，維權(quán)意識(shí)越來(lái)越強(qiáng)，這就要求食堂不斷提升質(zhì)量，確保師生安全用餐。

H2：總資產(chǎn)對(duì)于違約距離的影響不確定。但是根據(jù)前述研究來(lái)看兩者可能呈現(xiàn)出正相關(guān)關(guān)系，即總資產(chǎn)規(guī)模與信用風(fēng)險(xiǎn)呈負(fù)相關(guān)關(guān)系，這是由于資產(chǎn)規(guī)模較小其本身運(yùn)營(yíng)能力及盈利能力就較弱，對(duì)于其償還債務(wù)會(huì)產(chǎn)生一定負(fù)面影響，比之較大規(guī)模的銀行來(lái)看其償債能力就略有下降。

H3：貸存比與違約距離之間呈現(xiàn)負(fù)相關(guān)關(guān)系。這是由于貸款比例占存款比例過(guò)高時(shí)，其面對(duì)的違約風(fēng)險(xiǎn)可能就更大，更多的貸款可能會(huì)收不回來(lái)，因此其違約風(fēng)險(xiǎn)就會(huì)加大，違約距離就會(huì)減少。

H4：凈資產(chǎn)收益率與違約距離呈正比關(guān)系。凈資產(chǎn)收益率越大說(shuō)明權(quán)益本身帶來(lái)的利潤(rùn)越大，償還債務(wù)也就越有保障，因此違約距離也會(huì)加大。

H5：資產(chǎn)負(fù)債率與違約距離呈反比關(guān)系。資產(chǎn)負(fù)債率越高，其償還債務(wù)的比例也就越大，因此其風(fēng)險(xiǎn)也就越高，違約距離就會(huì)減小。

H6：房地產(chǎn)業(yè)貸款占總貸款比率與違約距離呈反比關(guān)系。由于近幾年來(lái)房地產(chǎn)業(yè)庫(kù)存現(xiàn)象嚴(yán)重，整個(gè)行業(yè)景氣度較低，因此銀行貸給房地產(chǎn)業(yè)的貸款可能會(huì)面臨較高風(fēng)險(xiǎn)，因此房地產(chǎn)業(yè)貸款比越高，違約距離會(huì)減小。

四、數(shù)據(jù)來(lái)源及描述

本文的樣本選取了在上海及深圳證券交易所上市的16家商業(yè)銀行，研究的時(shí)間段為2010年12月30日至2015年6月30日，我們選取這段時(shí)間的主要原因是：在16家銀行中，農(nóng)業(yè)銀行和光大銀行于2010年下半年才上市，同時(shí)所有銀行財(cái)務(wù)報(bào)表數(shù)據(jù)最近更新至2015年上半年。本文每半年計(jì)算一次違約距離，以便得到足夠數(shù)據(jù)。所有KMV模型中的數(shù)據(jù)均來(lái)源于WIND數(shù)據(jù)庫(kù)，所有面板回歸中需要的數(shù)據(jù)均來(lái)源于上市銀行的年度與半年度財(cái)務(wù)報(bào)告。數(shù)據(jù)統(tǒng)計(jì)概述如表2所示。

表2 變量統(tǒng)計(jì)概述

表3為變量相關(guān)系數(shù)表。從表3可以看出，各自變量之間的相關(guān)系數(shù)并不高，相關(guān)系數(shù)最高的為總不良貸款率與總資產(chǎn)的0.487 2，未超過(guò)0.5，因此我們可以認(rèn)為各變量之間基本不存在多重共線性問(wèn)題。

表3 變量相關(guān)系數(shù)表

五、實(shí)證分析

（一）KMV模型結(jié)論分析

圖2 銀行平均違約距離時(shí)間序列

從圖2中可以看到，2014年下半年至今，違約距離有明顯的下降，說(shuō)明在此期間信用風(fēng)險(xiǎn)較高。實(shí)際上，在這兩段時(shí)間內(nèi)我國(guó)整體經(jīng)濟(jì)低迷，銀行壞賬率也相對(duì)較高，因此在這期間信用風(fēng)險(xiǎn)會(huì)較大，與此同時(shí)在最近一段時(shí)間內(nèi)我國(guó)經(jīng)濟(jì)改革力度加大，股市波動(dòng)明顯表現(xiàn)低迷，對(duì)銀行業(yè)本身也造成了一定的沖擊，因此圖2與實(shí)際情況較為吻合。

為了進(jìn)一步了解不同所有制如何影響銀行信用風(fēng)險(xiǎn)，我們?cè)谘芯恐羞M(jìn)一步區(qū)分了國(guó)有銀行 （5家）與非國(guó)有銀行 （11家）。圖3列出了兩類(lèi)不同所有制銀行的違約距離平均值。從圖3我們可以看出，非國(guó)有銀行的信用風(fēng)險(xiǎn)要明顯高于國(guó)有銀行，但有趣的是，近年兩者的差距急劇減小，在2014年下半年開(kāi)始幾乎趨于一致。這說(shuō)明近年來(lái)政府對(duì)銀行業(yè)的監(jiān)管力度逐漸增強(qiáng)，對(duì)于非國(guó)有銀行的要求也越來(lái)越嚴(yán)格，隨著市場(chǎng)逐步開(kāi)放，非國(guó)有銀行對(duì)于自身的建設(shè)以及監(jiān)管也日益增強(qiáng)，因此國(guó)有銀行與非國(guó)有銀行的差距在逐漸縮小中。

圖3 國(guó)有銀行與非國(guó)有銀行違約距離對(duì)比

（二）面板回歸結(jié)論分析

根據(jù)之前所構(gòu)建的面板數(shù)據(jù)模型，我們運(yùn)用STATA軟件對(duì)其進(jìn)行回歸分析，其結(jié)果如表4、表5所示。

表4 固定效應(yīng)面板回歸結(jié)果

表5 隨機(jī)效應(yīng)面板回歸結(jié)果

根據(jù)Hausman檢驗(yàn)所得出的結(jié)果，其最終的p值為0.976，也就是說(shuō)Hausman檢驗(yàn)未能拒絕原假設(shè)，即隨機(jī)效應(yīng)模型更為合適，因此在本文中，隨機(jī)效應(yīng)模型對(duì)于數(shù)據(jù)來(lái)說(shuō)更加合適。因此，根據(jù)表5，我們可以得出式 （7）：

模型的R方為0.344，對(duì)于模型而言比較良好，總體的F檢驗(yàn)也證明了模型總體較為顯著。

在6個(gè)自變量中，總不良貸款率、總資產(chǎn)以及貸存比在1%水平上十分顯著，其他變量則不顯著。這意味著當(dāng)總不良貸款率上升1%，違約距離會(huì)減少1.98；總資產(chǎn)增加1%，違約距離會(huì)增加0.73；貸存比每增加1%，違約距離會(huì)減少0.86。這些變量的預(yù)期符號(hào)與我們之前的假設(shè)一致。總不良貸款率很高時(shí)，意味著銀行許多貸款無(wú)法收回，銀行面臨較大流動(dòng)性問(wèn)題，過(guò)多的貸款不能收回會(huì)使得銀行自身的信用產(chǎn)生一定問(wèn)題，對(duì)于銀行本身的還款能力也會(huì)有一定影響，因此違約距離就會(huì)降低，違約風(fēng)險(xiǎn)增加。貸存比增加時(shí)，貸款比例和數(shù)量就會(huì)增加，貸款過(guò)多也會(huì)導(dǎo)致信用風(fēng)險(xiǎn)上升，違約距離下降。而對(duì)于總資產(chǎn)而言，資產(chǎn)規(guī)模的增加本身可能表明銀行的運(yùn)營(yíng)良好，具有一定增長(zhǎng)前景，規(guī)模較大的銀行對(duì)于風(fēng)險(xiǎn)的承受能力相對(duì)較高，因此規(guī)模越大風(fēng)險(xiǎn)越低，違約距離也就越大。凈資產(chǎn)收益率以及資產(chǎn)負(fù)債率均不顯著。而房地產(chǎn)業(yè)貸款比率之所以不顯著，可能是由于其所占比例與規(guī)模相較于整體的貸款總數(shù)而言還是過(guò)小，因此其起到的作用可能并不像預(yù)先的那么大。

六、結(jié)論與建議

本文通過(guò)對(duì)我國(guó)上市商業(yè)銀行的分析研究，運(yùn)用KMV模型以及面板數(shù)據(jù)作為研究手段，發(fā)現(xiàn)相比國(guó)有銀行而言，非國(guó)有銀行的信用風(fēng)險(xiǎn)較大，與此同時(shí)，受到經(jīng)濟(jì)周期等各種宏觀因素影響，信用風(fēng)險(xiǎn)的變化與經(jīng)濟(jì)的發(fā)展變化密切相關(guān)。在影響信用風(fēng)險(xiǎn)的諸多因素中，總不良貸款率、銀行規(guī)模以及貸存比是比較顯著的因素。

綜上所述，在今后的管理中，非國(guó)有銀行應(yīng)該更加注重其信用風(fēng)險(xiǎn)管理，更多地借鑒國(guó)有銀行的一些管理方法及體系，與此同時(shí)所有銀行在重視其相關(guān)財(cái)務(wù)數(shù)據(jù)時(shí)，也要密切關(guān)注不良貸款率對(duì)銀行的影響，更加有效地管理其不良貸款，降低信用風(fēng)險(xiǎn)的產(chǎn)生。

［1］Foulke R A.Practical Financial Statement Analysis［M］.5th Ed.New York： McGraw －Hill， 1961.

［2］Otway H， Von Winterfeldt D.Expert Judgment in Risk Analysis and Management： Process， Context， and Pitfalls ［J］.Risk Analysis， 1992， 12（1）：83－93.

［3］Beaver W H.Financial Ratios as Predictors of Failure［J］.Journal of Accounting Research， 1966， 4：71 －111.

［4］Altman E I.Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy ［J］.The Journal of Finance， 1968， 23 （4）：589－609.

［5］Altman E I， Haldeman R G， Narayanan P.ZETATM Analysis A New Model to Identify Bankruptcy Risk of Corporations［J］.Journal of Banking and Finance， 1977， 1 （1）：29 －54.

［6］Odom M D， Sharda R.A Neural Network Model for Bankruptcy Prediction［C］.1990 IJCNN International Joint Conference on Neural Networks， San Diego， CA， USA， IEEE.

［7］Desai V S， Crook J N， Overstreet G A.A Comparison of Neural Networks and Linear Scoring Models in the Credit Union Environment［J］.European Journal of Operational Research， 1996， 95 （1）：24－37.

［8］Gordy M B.Comparative Anatomy of Credit Risk Models［J］.Journal of Banking and Finance， 2000， 24： 119 －149.

［9］Crosbie P， Bohn J R.Modeling Default Risk ［R］.White Paper： Moody's KMV Revised December 18， 2003.

［10］Tang Z.The Empirical Study on the Credit Risk Discrimination of Listed SMEs Based on the Distance to Default［C］.2009 6th International Conference on Service Systems and Service Management， Xiamen， IEEE， 2009.

［11］張義強(qiáng)，楊星.我國(guó)上市公司信用風(fēng)險(xiǎn)管理實(shí)證研究——KMV在信用評(píng)估中的作用［J］.經(jīng)濟(jì)論壇.2004（1）：43－47.

［12］張澤京，曉紅，王傅強(qiáng).基于KMV模型的我國(guó)中小上市公司信用風(fēng)險(xiǎn)研究［J］.財(cái)經(jīng)研究，2007（11）：31－40.

［13］劉迎春，劉霄.基于GARCH波動(dòng)模型的KMV信用風(fēng)險(xiǎn)度量研究［J］.東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2011（3）：109－111.

［14］郭立侖.我國(guó)上市公司信用風(fēng)險(xiǎn)度量——基于KMV模型［J］.生產(chǎn)力研究，2012（1）：76－81.

［15］高揚(yáng)敏，陳紅偉，陳剛.上市公司信用風(fēng)險(xiǎn)的KMV模型分析［J］.遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2009（1）：20－22.

［16］彭偉.基于KMV模型的上市中小企業(yè)信貸風(fēng)險(xiǎn)研究［J］.南方金融，2012（3）：23－30.

［17］凌江懷，劉燕媚.基于KMV模型的中國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)實(shí)證分析——以10家上市商業(yè)銀行為例［J］.華南師范大學(xué)學(xué)報(bào) （社會(huì)科學(xué)版）， 2013（5）：142－148.

［18］張智梅，章仁俊.KMV模型的改進(jìn)及對(duì)上市公司信用風(fēng)險(xiǎn)的度量［J］.統(tǒng)計(jì)與決策，2006（9）：157－160.

［19］王建穩(wěn)，梁彥軍.基于KMV模型的我國(guó)上市公司信用風(fēng)險(xiǎn)研究［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2008（10）：46－52.

［20］魯煒，趙恒珩，方兆本，等.KMV模型在公司價(jià)值評(píng)估中的應(yīng)用［J］.管理科學(xué)，2003，16（3）：30－33.

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

［22］王新翠，王雪標(biāo)，周生寶.基于SV-KMV模型的信用風(fēng)險(xiǎn)度量研究［J］.經(jīng)濟(jì)與管理，2013（7）：59－66.

［23］謝赤，賴(lài)瓊琴，王綱金.基于JD-KMV模型的上市公司信用風(fēng)險(xiǎn)度量——一個(gè)區(qū)域金融視角下的實(shí)證研究［J］.經(jīng)濟(jì)地理，2014（6）：137－141.

［24］譚燕芝，張運(yùn)東.信用風(fēng)險(xiǎn)水平與宏觀經(jīng)濟(jì)變量的實(shí)證研究——基于中國(guó)、美國(guó)、日本部分銀行的比較分析［J］.國(guó)際金融研究，2009（4）： 48－56.

［25］Cao Y， Chi G.Dang J.Probability of Default Estimation Model for Listed Bank Based on Minimum Error Management and Service Science（MASS）［C］.2010 International Conference， Wuhan， IEEE.

［26］Huang F， Sheng Y， et al.Evaluation of Default Risk Based on KMV Model for ICBC， CCB and BOC ［J］.International Journal of Economics and Finance， 2010， 2 （1）：72 －80.

［27］Oderda G， Dacorogna M M， Jung T.Credit Risk Models-Do They Deliver Their Promises？ A Quantitative Assessment［J］.Economic Notes，2003， 32 （2）： 177－195.