范宏 盛婉琴 王直杰

摘 要 目前多數(shù)研究利用美國(guó)舊金山市KMV公司于1997年建立的模型（KMV模型）計(jì)算企業(yè)年違約距離來評(píng)估具體企業(yè)的信用風(fēng)險(xiǎn)，但缺乏信貸行業(yè)的信用風(fēng)險(xiǎn)評(píng)估方法，也不能給出隨時(shí)間變化的信用風(fēng)險(xiǎn).首先提出基于數(shù)據(jù)的信貸行業(yè)隨時(shí)間動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)評(píng)估模型，然后利用2016年18個(gè)行業(yè)的數(shù)據(jù)得到了中國(guó)信貸行業(yè)動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)，該信用風(fēng)險(xiǎn)隨時(shí)間演化特征可分為波動(dòng)上升、下降后波動(dòng)、下降后穩(wěn)定、穩(wěn)定四種類型.進(jìn)一步研究發(fā)現(xiàn)金融業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸軟件和技術(shù)服務(wù)業(yè)這三個(gè)行業(yè)動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)平均值高且不穩(wěn)定，住宿和餐飲業(yè)的信用風(fēng)險(xiǎn)很高但是比較平穩(wěn)，其他行業(yè)的信用風(fēng)險(xiǎn)較低且較平穩(wěn).

關(guān)鍵詞 ?金融學(xué);信貸行業(yè)信用風(fēng)險(xiǎn);統(tǒng)計(jì)分析;動(dòng)態(tài)演化;極大似然函數(shù);蒙特卡羅仿真

中圖分類號(hào) F830 ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼 A

Abstract At present， most researches use the KMV model established by KMV company in San Francisco in 1997 to calculate the annual default distance of enterprises and evaluate the credit risk of specific enterprises， but there is few researches on the credit risk assessment method of credit industry and few researches can give a time-evolving credit risk. Firstly， this paper proposes a dynamically time-evolving industry credit risk assessment model based on data， and then obtains the dynamically evolving credit risk of the Chinese credit industry using data of 18 industries in 2016. The results show that credit risk evolution characteristics of the Chinese credit industry can be divided into four types： fluctuation rising， fluctuation falling， stability falling， and stability. Further studies find that the average value of credit risk in the dynamic evolution of three industries， namely financial industry， scientific research and technical service industry， and information transmission software and technical service industry， are high and unstable. The credit risk in accommodation and catering industry is high but stable， while the credit risk in other industries are low and stable.

Key words finance;credit risk in the credit industry; statistical analysis;dynamic evolution; maximum likelihood function; Monte carlo simulation

1 引 言

深入分析中國(guó)信貸行業(yè)的風(fēng)險(xiǎn)特征對(duì)于促進(jìn)銀行業(yè)信貸結(jié)構(gòu)優(yōu)化，加強(qiáng)信用風(fēng)險(xiǎn)管控，實(shí)現(xiàn)經(jīng)濟(jì)安全穩(wěn)健可持續(xù)運(yùn)行具有重要的現(xiàn)實(shí)意義.

目前國(guó)內(nèi)外信用風(fēng)險(xiǎn)研究的絕大多數(shù)文獻(xiàn)都是針對(duì)具體公司的信用風(fēng)險(xiǎn)進(jìn)行研究，其中KMV模型是經(jīng)典的研究上市公司及非上市公司信用風(fēng)險(xiǎn)的模型.彭大衡和張聰宇（2009）[1]利用KMV模型分析中國(guó)A股上市的五家商業(yè)銀行的信用風(fēng)險(xiǎn)，發(fā)現(xiàn)應(yīng)用KMV模型度量商業(yè)銀行的信用風(fēng)險(xiǎn)是可行的.蔣彧和高瑜（2015）[2]運(yùn)用修正后的KMV模型對(duì)中國(guó)2008家上市公司進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，發(fā)現(xiàn)在特定的評(píng)估時(shí)長(zhǎng)下，該模型對(duì)于中國(guó)上市公司信用風(fēng)險(xiǎn)的預(yù)測(cè)能力較強(qiáng).劉玎琳等（2014）[3]通過構(gòu)建改進(jìn)的KMV模型對(duì)2010至2012年中國(guó)農(nóng)業(yè)上市公司進(jìn)行信用風(fēng)險(xiǎn)測(cè)度的實(shí)證分析.在KMV模型的基礎(chǔ)上發(fā)展的PFM模型則適用于非上市公司信用風(fēng)險(xiǎn)的度量.劉艷春和崔永生（2016）[4]利用SVM回歸分析對(duì)PFM模型在中國(guó)汽車行業(yè)、電子計(jì)算機(jī)行業(yè)、化工行業(yè)和設(shè)備制造行業(yè)的非上市公司信用風(fēng)險(xiǎn)度量進(jìn)行了實(shí)證研究.戴志峰等（2005）[5]將現(xiàn)代期權(quán)定價(jià)理論應(yīng)用于中國(guó)非上市公司的信用風(fēng)險(xiǎn)度量中，發(fā)現(xiàn)模型具有一定的預(yù)測(cè)能力但是準(zhǔn)確率較低.

也有學(xué)者從銀行貸款角度出發(fā)研究信用風(fēng)險(xiǎn)對(duì)于銀行業(yè)的影響，李永奎和周宗放（2015）[6]在基于企業(yè)關(guān)聯(lián)的小世界網(wǎng)絡(luò)中構(gòu)建了關(guān)聯(lián)信用風(fēng)險(xiǎn)傳染模型，研究發(fā)現(xiàn)企業(yè)可以通過資產(chǎn)關(guān)聯(lián)實(shí)現(xiàn)風(fēng)險(xiǎn)共擔(dān)，降低關(guān)聯(lián)信用風(fēng)險(xiǎn)的發(fā)生.Gauri等（2019）[7]選取房地產(chǎn)業(yè)和工商業(yè)貸款數(shù)據(jù)構(gòu)建歷史貸款損失的統(tǒng)計(jì)模型和未來貸款損失的壓力測(cè)試模型，發(fā)現(xiàn)信用風(fēng)險(xiǎn)模型可以提高銀行貸款損失信息的及時(shí)性和范圍，從而規(guī)范銀行的貸款損失撥備和貸款發(fā)放.Sebastian等（2018）[8]通過構(gòu)建由公司和銀行組成的聯(lián)合金融網(wǎng)絡(luò)來識(shí)別重要的企業(yè)，發(fā)現(xiàn)企業(yè)的信貸風(fēng)險(xiǎn)對(duì)于系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)比銀行業(yè)高.周圣等（2013）[9]利用RAROC作為數(shù)據(jù)指標(biāo)分析銀行信貸組合規(guī)模與非系統(tǒng)性風(fēng)險(xiǎn)分散化的關(guān)系，發(fā)現(xiàn)貸款組合規(guī)模與銀行風(fēng)險(xiǎn)分散程度表現(xiàn)出明顯的數(shù)量關(guān)系.李丹（2015）[10]提出度量信用風(fēng)險(xiǎn)測(cè)度的貸款利率定價(jià)方法，使銀行貸款定價(jià)更加精確.

目前，對(duì)于信貸行業(yè)信用風(fēng)險(xiǎn)的研究還比較缺乏.少數(shù)的相關(guān)性研究如彭建剛等（2015）[11]采用宏觀壓力測(cè)試方法來評(píng)估宏觀經(jīng)濟(jì)變化給銀行業(yè)機(jī)構(gòu)帶來的風(fēng)險(xiǎn)價(jià)值增量.李楠和陳暮紫（2018）[12]基于非線性因果的動(dòng)態(tài)實(shí)證分析法，驗(yàn)證了行業(yè)違約概率的順周期性.曹勇等（2018）[13]構(gòu)建了基于違約狀態(tài)聯(lián)合概率的商業(yè)銀行信貸資金行業(yè)間優(yōu)化配置模型.劉海明等（2016）[14]驗(yàn)證了擔(dān)保網(wǎng)絡(luò)的傳染效應(yīng)，并從傳染效應(yīng)過程性特征的角度探討了擔(dān)保網(wǎng)絡(luò)的演化規(guī)律.馬曉君（2015）[15]在借鑒國(guó)內(nèi)外客戶信用評(píng)價(jià)體系基礎(chǔ)上，從公司的歷史客戶資料出發(fā)，引入數(shù)據(jù)挖掘技術(shù)分析其客戶行為，構(gòu)建了有效的數(shù)據(jù)挖掘決策樹模型，從而建立了準(zhǔn)確度較高的新標(biāo)準(zhǔn)客戶信用風(fēng)險(xiǎn)管理規(guī)則.這些學(xué)者的研究在信用風(fēng)險(xiǎn)理論和實(shí)證方面做出了較大的貢獻(xiàn)，但是目前還沒有對(duì)信貸行業(yè)的信用風(fēng)險(xiǎn)評(píng)估模型方面的探索.

從目前的研究成果來看，在信用風(fēng)險(xiǎn)研究方面，大部分研究都是采用Moody's評(píng)級(jí)數(shù)據(jù)來構(gòu)建KMV模型或者PFM模型對(duì)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行單一年度的靜態(tài)分析，靜態(tài)分析難以預(yù)測(cè)企業(yè)或行業(yè)未來的信用風(fēng)險(xiǎn)，也不能提供信用風(fēng)險(xiǎn)的變化趨勢(shì).針對(duì)該問題，采用股市大數(shù)據(jù)，使用極大似然估計(jì)方法、期權(quán)定價(jià)模型及蒙特卡羅模擬仿真計(jì)算方法構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型，預(yù)測(cè)信貸企業(yè)或行業(yè)的未來的違約概率，從而可以得到未來的信貸企業(yè)或行業(yè)的信用風(fēng)險(xiǎn).動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)可以讓決策者觀察到企業(yè)或行業(yè)的信用風(fēng)險(xiǎn)隨時(shí)間變化的趨勢(shì)圖，從而為決策者預(yù)測(cè)信用風(fēng)險(xiǎn)提供依據(jù).動(dòng)態(tài)演化圖中的兩個(gè)特征對(duì)信用風(fēng)險(xiǎn)預(yù)測(cè)非常重要：一是信用風(fēng)險(xiǎn)的演化曲線趨勢(shì)，二是曲線的波動(dòng)情況.根據(jù)以上兩個(gè)特征對(duì)信貸企業(yè)或行業(yè)的動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)進(jìn)行分析和分類具有較大的實(shí)用價(jià)值.

2 信貸行業(yè)信用風(fēng)險(xiǎn)評(píng)估模型

3 信貸行業(yè)信用風(fēng)險(xiǎn)實(shí)例研究

3.1 數(shù)據(jù)選取

從CSMAR經(jīng)濟(jì)金融數(shù)據(jù)庫(kù)中獲得中國(guó)證監(jiān)會(huì)2012版行業(yè)分類下共計(jì)3779家上市公司的相關(guān)信息及數(shù)據(jù).為了保證股票數(shù)據(jù)、資產(chǎn)數(shù)據(jù)和負(fù)債數(shù)據(jù)的完整性，選取2016年18個(gè)行業(yè)下共計(jì)3017家上市公司的244日個(gè)股交易金額及資產(chǎn)負(fù)債數(shù)據(jù).18個(gè)行業(yè)下3017家上市公司的數(shù)據(jù)統(tǒng)計(jì)如表1所示，其中制造業(yè)行業(yè)的上市公司數(shù)量最多，有1834家，占總樣本數(shù)量比例達(dá)60.8%，其次是信息傳輸、軟件和信息技術(shù)服務(wù)行業(yè)和批發(fā)零售行業(yè)，數(shù)量占比分別是7.3%和5.2%.

3.2 結(jié)果分析

利用第2節(jié)的模型和3.1節(jié)的數(shù)據(jù)，估算出中國(guó)18個(gè)行業(yè)中3017家上市公司資產(chǎn)與負(fù)債的動(dòng)態(tài)演化序列，然后采用蒙特卡羅仿真計(jì)算每一家上市公司的基礎(chǔ)倒閉狀態(tài)，進(jìn)而統(tǒng)計(jì)每個(gè)行業(yè)的倒閉概率，分析不同行業(yè)的信用風(fēng)險(xiǎn)特征.

針對(duì)每個(gè)行業(yè)的所有上市公司分別進(jìn)行壓力測(cè)試，在1000個(gè)時(shí)間步的演化過程中令同一行業(yè)下的每一家上市公司資產(chǎn)值損失30%，從而使得該上市公司可能出現(xiàn)其資產(chǎn)小于負(fù)債，造成資不抵債的基礎(chǔ)倒閉，統(tǒng)計(jì)每一個(gè)時(shí)間步下每一個(gè)行業(yè)中發(fā)生基礎(chǔ)倒閉的上市公司數(shù)量和基礎(chǔ)倒閉概率，從而獲得隨時(shí)間演化的基礎(chǔ)倒閉概率，用于評(píng)估隨時(shí)間演化的信用風(fēng)險(xiǎn).

3.2.1 信貸行業(yè)信用風(fēng)險(xiǎn)演化特征

動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)可以讓決策者觀察到行業(yè)或企業(yè)的信用風(fēng)險(xiǎn)隨時(shí)間變化的趨勢(shì)圖，從而為決策者預(yù)測(cè)信用風(fēng)險(xiǎn)提供依據(jù).動(dòng)態(tài)演化圖中的兩個(gè)特征對(duì)信用風(fēng)險(xiǎn)預(yù)測(cè)非常重要，一是信用風(fēng)險(xiǎn)的演化曲線趨勢(shì)，二是曲線的波動(dòng)情況.圖1是對(duì)2016年中國(guó)18個(gè)行業(yè)進(jìn)行壓力測(cè)試后得到的各行業(yè)信用風(fēng)險(xiǎn)動(dòng)態(tài)演化圖，按照各行業(yè)倒閉概率的動(dòng)態(tài)演化特征可以將18個(gè)行業(yè)的信用風(fēng)險(xiǎn)劃分為4種類型：波動(dòng)上升（見圖1（a））、下降后波動(dòng)（見圖1（b））、下降后穩(wěn)定（見圖1（c））、穩(wěn)定（見圖1（d））.

1）波動(dòng)上升

信用風(fēng)險(xiǎn)演化特征為波動(dòng)上升的行業(yè)有5個(gè)：科學(xué)研究與技術(shù)服務(wù)、采礦業(yè)、信息傳輸軟件和信息技術(shù)服務(wù)業(yè)、制造業(yè)、文化體育和娛樂業(yè).其中科學(xué)研究與技術(shù)服務(wù)的風(fēng)險(xiǎn)波動(dòng)幅度最大，文化體育和娛樂業(yè)的風(fēng)險(xiǎn)波動(dòng)幅度最小.信息傳輸軟件和信息技術(shù)服務(wù)業(yè)、制造業(yè)的信用風(fēng)險(xiǎn)有持續(xù)上升的演化趨勢(shì)，而科學(xué)研究與技術(shù)服務(wù)、采礦業(yè)、文化體育和娛樂業(yè)的信用風(fēng)險(xiǎn)有趨于穩(wěn)定的演化趨勢(shì).

2）下降后低值低幅波動(dòng)

信用風(fēng)險(xiǎn)演化特征為下降后低值低幅波動(dòng)的行業(yè)有4個(gè)：交通運(yùn)輸倉(cāng)儲(chǔ)和郵政業(yè)、建筑業(yè)、房地產(chǎn)業(yè)、批發(fā)和零售業(yè).這4個(gè)行業(yè)的風(fēng)險(xiǎn)特征相似，行業(yè)倒閉概率都是在前100個(gè)時(shí)間步內(nèi)下降至某個(gè)值，之后在0～0.05的概率范圍內(nèi)小幅度波動(dòng).

3）下降后穩(wěn)定

信用風(fēng)險(xiǎn)演化特征為下降后穩(wěn)定的行業(yè)有8個(gè)：金融業(yè)、教育業(yè)、水利環(huán)境和公共設(shè)施管理業(yè)、租賃和商務(wù)服務(wù)業(yè)、農(nóng)林牧漁業(yè)、電力熱力燃?xì)饧八a(chǎn)供應(yīng)業(yè)、綜合、住宿和餐飲業(yè).8個(gè)行業(yè)的信用風(fēng)險(xiǎn)都在100個(gè)時(shí)間步內(nèi)下降后趨于穩(wěn)定（即無(wú)波動(dòng)），其中金融業(yè)信用風(fēng)險(xiǎn)穩(wěn)定在0.2，住宿和餐飲業(yè)信用風(fēng)險(xiǎn)穩(wěn)定在0.1，其他6個(gè)行業(yè)的信用風(fēng)險(xiǎn)穩(wěn)定在0.

4）穩(wěn)定

信用風(fēng)險(xiǎn)演化特征為穩(wěn)定的行業(yè)只有1個(gè)，是衛(wèi)生和社會(huì)工作行業(yè).該行業(yè)的信用風(fēng)險(xiǎn)穩(wěn)定在0.

3.2.2 信貸行業(yè)信用風(fēng)險(xiǎn)穩(wěn)定性

從3.2.1節(jié)中的圖1中可以發(fā)現(xiàn)除了衛(wèi)生和社會(huì)工作行業(yè)的信用風(fēng)險(xiǎn)穩(wěn)定之外，其他17個(gè)行業(yè)的信用風(fēng)險(xiǎn)都存在不同幅度的波動(dòng)性，表明這些行業(yè)的信用風(fēng)險(xiǎn)是不穩(wěn)定的.因此，本節(jié)通過計(jì)算行業(yè)倒閉概率的方差來進(jìn)一步評(píng)估行業(yè)信用風(fēng)險(xiǎn)的穩(wěn)定性.表2是從大到小對(duì)18個(gè)行業(yè)的倒閉概率方差進(jìn)行排序的結(jié)果，可以看出，方差最大的前三個(gè)行業(yè)是金融業(yè)、教育業(yè)和房地產(chǎn)業(yè)，即這3個(gè)行業(yè)的信用風(fēng)險(xiǎn)是最不穩(wěn)定的.方差最小的行業(yè)是衛(wèi)生和社會(huì)工作行業(yè)，該行業(yè)的信用風(fēng)險(xiǎn)最穩(wěn)定.

3.2.3 信貸行業(yè)平均信用風(fēng)險(xiǎn)

從3.2.1節(jié)中的圖1及3.2.2節(jié)中的表2可以看出信貸行業(yè)信用風(fēng)險(xiǎn)動(dòng)態(tài)演化呈現(xiàn)波動(dòng)狀態(tài)，多數(shù)行業(yè)是不穩(wěn)定的.接下來在壓力測(cè)試的基礎(chǔ)上再進(jìn)行蒙特卡羅仿真1000次，為了盡可能消除不穩(wěn)定的隨機(jī)因素，采取平均值進(jìn)行對(duì)比分析，即每次仿真時(shí)取式（8）中Sι（t）的均值A(chǔ)VG（Sι（t））作為1000次仿真時(shí)行業(yè)中企業(yè)倒閉數(shù)量的平均值，如果仿真1000次下行業(yè)信用風(fēng)險(xiǎn)用Pk表示，那么計(jì)算公式為Pk=∑AVG（Sι（t））T×nk，其中k=1，2，…，18表示18個(gè)行業(yè)，Τ是動(dòng)態(tài)演化時(shí)間步1000，nk是行業(yè)k下的上市公司數(shù)量.

圖2是蒙特卡羅仿真1000次情況下各行業(yè)平均信用風(fēng)險(xiǎn)結(jié)果.從圖2中可以分析出信用風(fēng)險(xiǎn)最高的前四個(gè)行業(yè)依次是：金融業(yè)、住宿和餐飲業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸軟件和信息技術(shù)服務(wù)業(yè).建議加強(qiáng)我國(guó)金融、科技和國(guó)民生活領(lǐng)域企業(yè)的信用風(fēng)險(xiǎn)管理，最低的兩個(gè)行業(yè)是：水利環(huán)境和公共設(shè)施管理業(yè)、衛(wèi)生和社會(huì)工作，其他12個(gè)行業(yè)的信用風(fēng)險(xiǎn)較低.

再結(jié)合3.2.2節(jié)中行業(yè)穩(wěn)定性分析結(jié)果可以發(fā)現(xiàn)，金融業(yè)的信用風(fēng)險(xiǎn)最高并且是最不穩(wěn)定（波動(dòng)性強(qiáng)）的.住宿和餐飲業(yè)的信用風(fēng)險(xiǎn)很高但是比較平穩(wěn).科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸軟件和信息技術(shù)服務(wù)業(yè)這兩個(gè)行業(yè)信用風(fēng)險(xiǎn)都比較高，穩(wěn)定性也都比較低.而水利環(huán)境和公共設(shè)施管理業(yè)、衛(wèi)生和社會(huì)工作這兩個(gè)行業(yè)信用風(fēng)險(xiǎn)最低，穩(wěn)定性最高.

3.2.4 信貸行業(yè)中上市公司倒閉狀態(tài)分析

信用風(fēng)險(xiǎn)評(píng)估模型除了可以預(yù)測(cè)信貸行業(yè)的信用風(fēng)險(xiǎn)，也可以用來預(yù)測(cè)具體企業(yè)的信用風(fēng)險(xiǎn).表3統(tǒng)計(jì)了經(jīng)過壓力測(cè)試后18個(gè)行業(yè)中倒閉概率排前五名的上市公司，這些公司對(duì)于所屬行業(yè)信用風(fēng)險(xiǎn)的貢獻(xiàn)是最大的.不同行業(yè)下上市公司倒閉狀態(tài)差異明顯.衛(wèi)生和社會(huì)工作行業(yè)在動(dòng)態(tài)演化中沒有上市公司發(fā)生倒閉，信用風(fēng)險(xiǎn)為0，呈現(xiàn)不易倒閉的穩(wěn)定狀態(tài).18個(gè)行業(yè)中共有17家上市公司在1000次的動(dòng)態(tài)演化過程中倒閉概率為1，屬于極易倒閉狀態(tài)，其中就有14家上市公司屬于金融業(yè).結(jié)合3.2.3節(jié)中行業(yè)平均信用風(fēng)險(xiǎn)結(jié)果可知金融業(yè)下20%的上市公司具有極易倒閉特征，這些公司對(duì)其行業(yè)發(fā)生信用風(fēng)險(xiǎn)的貢獻(xiàn)最大.

住宿和餐飲業(yè)、水利環(huán)境和公共設(shè)施管理業(yè)、教育業(yè)、文化體育和娛樂業(yè)、綜合這五個(gè)行業(yè)下發(fā)生倒閉的上市公司總數(shù)都不超過3家，并且在動(dòng)態(tài)演化過程中只有兩家上市公司倒閉概率超過0.8，其他上市公司倒閉概率均不超過0.1.住宿和餐飲業(yè)下共有11家上市公司，其中只有一家極易倒閉的上市公司，該公司對(duì)住宿和餐飲業(yè)發(fā)生信用風(fēng)險(xiǎn)的貢獻(xiàn)最大.

制造業(yè)、信息傳輸軟件和信息技術(shù)服務(wù)業(yè)下倒閉次數(shù)排前五名的上市公司倒閉概率都很高，均超過0.7.但是由于制造業(yè)中上市公司數(shù)量多，其平均信用風(fēng)險(xiǎn)并不高.而信息傳輸軟件和信息技術(shù)服務(wù)業(yè)中上市公司數(shù)量接近制造業(yè)的九分之一，所以其平均信用風(fēng)險(xiǎn)更高.

4 結(jié) 論

動(dòng)態(tài)演化的信用風(fēng)險(xiǎn)可以讓決策者觀察到行業(yè)或企業(yè)的信用風(fēng)險(xiǎn)隨時(shí)間變化的趨勢(shì)圖，從而為決策者預(yù)測(cè)信用風(fēng)險(xiǎn)提供依據(jù).首先構(gòu)建了信貸行業(yè)動(dòng)態(tài)演化信用風(fēng)險(xiǎn)評(píng)估模型，該模型采用幾何布朗運(yùn)動(dòng)的方法對(duì)信貸行業(yè)中的上市公司的資產(chǎn)價(jià)值的演化進(jìn)行建模，然后采用最大似然估計(jì)的方法估算得到資產(chǎn)價(jià)值的動(dòng)態(tài)序列，隨后進(jìn)行壓力測(cè)試得到信貸行業(yè)動(dòng)態(tài)演化信用風(fēng)險(xiǎn)特征，最后采用蒙特卡羅仿真方法評(píng)估信貸行業(yè)信用風(fēng)險(xiǎn)的高低.由于動(dòng)態(tài)演化圖中的信用風(fēng)險(xiǎn)演化趨勢(shì)及波動(dòng)強(qiáng)弱這兩個(gè)特征對(duì)信用風(fēng)險(xiǎn)預(yù)測(cè)非常重要，對(duì)信貸行業(yè)的信用風(fēng)險(xiǎn)演化結(jié)果進(jìn)行分析.研究結(jié)果發(fā)現(xiàn)，金融業(yè)、住宿和餐飲業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸軟件和技術(shù)服務(wù)業(yè)這4個(gè)行業(yè)的信用風(fēng)險(xiǎn)較大，金融業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)、信息傳輸軟件和技術(shù)服務(wù)業(yè)這3個(gè)行業(yè)穩(wěn)定性較低（即波動(dòng)性較強(qiáng)），住宿和餐飲業(yè)的信用風(fēng)險(xiǎn)很高但是比較平穩(wěn).金融業(yè)中20%的企業(yè)倒閉概率為1，而其他行業(yè)中企業(yè)倒閉概率較低.這4個(gè)信用風(fēng)險(xiǎn)較大的行業(yè)的共同特征是產(chǎn)品的需求彈性較大，容易受到宏觀經(jīng)濟(jì)下行的影響，發(fā)生信用違約的概率較大.其中，住宿和餐飲業(yè)比較特殊，餐飲是國(guó)民生活的必需品，需求量高，但是這個(gè)行業(yè)中的高端產(chǎn)品例如星級(jí)酒店和豪華飯店卻是需求彈性特別高的產(chǎn)品，受到消費(fèi)者收入水平影響較大.建議銀行在服務(wù)實(shí)體經(jīng)濟(jì)發(fā)展時(shí)，尤其關(guān)注這4個(gè)行業(yè)的風(fēng)險(xiǎn)管理，及時(shí)制定落實(shí)風(fēng)險(xiǎn)化解方案.

參考文獻(xiàn)

[1] 彭大衡，張聰宇.銀行信用風(fēng)險(xiǎn)演變的KMV模型分析——以五家中小商業(yè)銀行為例[J].經(jīng)濟(jì)數(shù)學(xué)，2009，26（3）：60-69.

[2] 蔣彧，高瑜.基于KMV模型的中國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)估研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（9）：38-45.

[3] 劉玎琳，趙湘蓮，田月紅.基于KMV模型的農(nóng)業(yè)上市公司信用風(fēng)險(xiǎn)測(cè)度研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014，44（12）：32-39.

[4] 劉艷春，崔永生.我國(guó)非上市公司信用風(fēng)險(xiǎn)度量的研究——基于期權(quán)定價(jià)PFM模型和支持向量機(jī)SVM回歸分析[J].遼寧大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版） ，2016，44（6）：88-97.

[5] 戴志鋒，張宗益，陳銀忠.基于期權(quán)定價(jià)理論的中國(guó)非上市公司信用風(fēng)險(xiǎn)度量研究[J].管理科學(xué)，2005（6）：72-77.

[6] 李永奎，周宗放.基于小世界網(wǎng)絡(luò)的企業(yè)間關(guān)聯(lián)信用風(fēng)險(xiǎn)傳染延遲效應(yīng)[J].系統(tǒng)工程，2015，33（9）：74-79.

[7] GAURI B， STEPHEN G. RYAN D ?V. The implications of credit risk modeling for banks loan loss provisions and loan-origination procyclicality[J]. Management Science，2019，65（5）：2116-2141.

[8] SEBASTIAN P， ABRAHAM H， STEFAN T. Identifying systemically important companies by using the credit network of an entire nation[J]. Entropy，2018，20（10）：1-14.

[9] 周圣，文忠平，史本山.中國(guó)商業(yè)銀行貸款組合規(guī)模的風(fēng)險(xiǎn)分散化效應(yīng)[J].系統(tǒng)管理學(xué)報(bào)，2013，22（2）：217-222.

[10]李丹.基于違約概率與違約損失相關(guān)的貸款定價(jià)[J].系統(tǒng)管理學(xué)報(bào)，2015，24（1）：56-62.

[11]彭建剛，易昊，潘凌遙.基于行業(yè)相關(guān)性的銀行業(yè)信用風(fēng)險(xiǎn)宏觀壓力測(cè)試研究[J].中國(guó)管理科學(xué)，2015，23（4）：11-19.

[12]李楠，陳暮紫.中國(guó)分行業(yè)違約概率的順周期性研究——基于非線性因果的動(dòng)態(tài)實(shí)證分析[J].數(shù)理統(tǒng)計(jì)與管理，2018，37（5）：815-827.

[13]曹勇，李孟剛，李剛，等.基于違約狀態(tài)聯(lián)合概率的商業(yè)銀行信貸資金行業(yè)間優(yōu)化配置模型[J].系統(tǒng)管理學(xué)報(bào)，2018，27（5）：881-894.

[14]劉海明，王哲偉，曹廷求.基于多層網(wǎng)絡(luò)視角的企業(yè)擔(dān)保結(jié)構(gòu)研究[J].管理世界，2016 （4）：81-96+188.

[15]馬曉君.基于數(shù)據(jù)挖掘的新標(biāo)準(zhǔn)客戶信用風(fēng)險(xiǎn)管理規(guī)則的構(gòu)建——以央企中航國(guó)際鋼鐵貿(mào)易公司為例[J].管理世界，2015（3）：184-185.

[16]HONG F， ALLAN A， QIAN Q G.The assessment of systemic risk in the kenyan banking sector[J]. Complexity， 2018， 8767836： 1-15.

[17]ALFRED L. Measuring systemic risk： A risk management approach[J]. Journal of Banking & Finance，2005，29（10）：2577-2603.

[18]JINCHUAN D. Correction： Maximum likelihood estimation using price data of the derivative contract[J]. Mathematical Finance，2000，10（4）：461-462.