基于KMV模型的软件与信息技术服务业上市公司信用风险度量研究
【摘 要】本文在介绍KMV信用风险度量模型后，选取我国16家软件与信息技术服务业上市公司验证该模型的适用性，并探究了对不同违约点设置情况。
结果显示，KMV模型对该行业营业利润为负的企业信用风险的识别能力较低，但引入资产价值预期增长率可以改善该模型的辨别能力。
毕业论文网 【关键词】信用风险；KMV模型；上市公司；违约距离 一、引言 软件与信息技术服务业是指利用计算机、通信网络等技术对信息进行生产、收集、处理、加工、存储、运输、检索和利用，并提供信息服务的业务活动。
近年来，我国软件和信息技术服务业持续快速发展，产业规模不断扩大，在云计算、移动互联和大数据等领域逐步实现技术创新和突破，为国民经济和社会发展提供有力支撑。
2014年，我国规模以上软件和信息技术服务业企业3.8万家，实现软件业务收入3.7万亿元，同比增长20.2%。
在高速发展的信息消费与新兴科技领域的推动下，可以预计未来软件与信息技术服务业还将保持有力增长。
然而，该行业资金需求量大、发展迅速、市场扩张能力强的特点也使得企业经营具有更大的不确定性。
银行等金融机构与软件与信息技术服务业企业存在各种各样的借贷关系，这些信用交易所引发的信用风险将一直存在于企业整个发展过程中。
因此，对软件与信息技术服务业企业科学的评估其信用风险以及构建适当的违约判别模型，有利于规范企业的生产经营行为，对于商业银行和企业资金安排都有重要的现实意义。
现代信用风险度量模型包括KMV模型，Credit Metrics模型，信用组合观点模型（Credit Portfolio View Model）和Credit Risk+模型等。
在这上述信用风险度量方法中，Credit Metrics模型和信用组合观点模型都需要使用大量企业信用评级数据估计信用等级转换概率矩阵，Credit Risk+模型通过对债务人违约行为的描述来确定金融资产的损失大小。
我国的企业信用数据库和信用评级系统的发展滞后，缺乏足够的违约数据及企业信用评级数据，这使得这三种模型在我国的应用受到限制。
KMV模型通过股票价格来测算上市公司的预期违约率，将市场信息和财务数据结合来分析公司的信用风险，具有一定的前瞻性和灵活性，而且数据获取也相对容易。
张玲，杨贞柿，陈收（2004）通过对沪深股市30家ST与非ST上市公司比较研究，认为KMV模型可以及时识别上市公司的信用风险。
同时，考虑到中国与美国市场环境的差异，一些学者对KMV模型的相关参数尝试进行修正。
蒋正权、张能福（2008）通过实证得出 GARCH 模型比历史波动率的计算方法更符合实际情况。
公希亮（2010）在研究综述中指出针对不同行业的特质来调整KMV模型参数设定可以更好鉴定信用风险并提高模型的实用性。
二、KMV模型原理 KMV公司通过对几千家公司的统计分析得到了违约距离到违约概率的映射。
由于我国股票市场样本量较小，缺乏大量历史违约数据，这样的映射关系无法实现，因此，本文直接用违约距离度量上市公司信用风险的大小。
三、实证研究 1.样本选取 本文以我国沪深两市的软件与信息技术服务业上市公司（行业分类I65）作为研究对象。
在设置违约组和非违约组方面，国内常见的分组方法是将上市公司中被特别处理（special treatment）的公司设置为违约组，正常的公司设置为非违约组。
但是乔木青（2011）分析发现这样的分组方法存在一定的问题，即将ST公司和非ST公司作为研究样本时，两者之间的信用风险差异很大，即使一般的财务模型也能对其进行很好的区分，因此不能很好的说明KMV模型的预测效果。
其次，ST公司在沪深股市中只占有很小的比例，KMV模型对于非ST公司信用风险的判别能力无法得到证实。
本文选取营业利润为负的上市公司取代ST公司作为样本中的违约组，选取与违约组资产规模接近的正常公司作为非违约组。
基于以上分析，分别选取A股市场8家软件与信息技术服务业上市公司作为违约组和非违约组进行研究，观察期为2014年，样本数据来自于CCER数据库。
2.相关变量确定 （1）股权价值E 现在我国股票市场被分为流通股和受限流通股两种，受限流通股暂时无法在公开市场自由买卖，因此估算其价值时面临较大困难。
本文采用王?F，杨朝军，廖士光（2007）对受限流通股价值计算结论，得到受限流通股的计算式为： 受限流通股价值=受限流通股数量×（44%×流通股股价） （2）无风险利率r 本文选取2014年人民银行一年期存款利率用天数进行加权，得到一年期加权无风险利率2.78%r =。
（4）债务价值D 债务账面价值D等于短期负债与长期负债之和。
3.实证结果 根据上市公司的交易数据和财务数据，运用matlab求解方程（1）和（2），确定样本公司的资产价值和资产价值波动率，分别采用不同的违约点，计算得到各样本公司的违约距离。
4.结果分析 在违约距离1（1DP）下，非违约组的平均违约距离为1.695，违约组的平均违约距离为1.788。
在违约距离2（1DP）下，非违约组的平均违约距离为1.690，违约组的平均违约距离为1.774，两组的差距有所改善，说明长期负债在负债总额中比重的提高，KMV模型甄别违约组与非违约组的能力上升。
但是相比于对ST公司与非ST公司的良好判别效果，KMV模型针对营业利润为负的企业并不能有效的刻画其信用风险，而且违约组的平均违约距离高于非违约组。
可能的原因有以下几个方面： 首先，非违约组的上市公司不一定比违约组波动性低。
计算结果显示，8组对照组中，5组中非违约组的波动率大于违约组。
而波动率在整体信用风险评估中起着关键作用，KMV模型认为波动率大的公司其资产价值有更大的可能性触及违约点。
对比8组上市公司数据，7组中波动率相对更大的公司存在更小的违约距离。
针对这一现象，可能的原因有： 2014年下半年，我国股市迎来牛市行情，一年内计算机板块整体涨幅达到46.03%。
非违约组相比于违约组，经营业绩更好，因此涨幅更大并伴随着更大的波动率。
即在我国，上市公司资产价值的波动性不存在显著规律，我国股票市场并不完善，存在很强的投机性。
股价变动没有真实反映上市公司的经营情况。
其次，KMV模型本身参数并不适合我国实际情况，应根据不同行业的情况选择参数。
对于修正后的KMV模型，从图2可以看出，引入资产价值预期增长率后，非违约组的违约距离普遍变大，而违约组的违约距离增长小于非违约组，使得根据违约距离区分企业信用好坏变得更容易。
由此说明，在软件与信息技术服务业信用风险的研究中，引入资产价值预期增长率的KMV模型能更好地度量企业的信用风险。
参考文献： [1] 张玲，杨贞柿，陈收.KMV模型在上市公司信用风险评价中的应用研究[J].系统工程，2004，12（11）：84～89. [2]蒋正权，张能福.KMV模型的修正及其应用[J].统计与决策，2008，9：67～69. [3]公希亮.KMV模型研究综述[J].合作经济与科技，2010，391：56～58. [4] 乔木青.KMV模型在中国的适用性研究―以A股市场汽车制造业为例[D].成都：西南财经大学，2011. [5] 王?F，杨朝军，廖士光.中国股票市场流通性价值研究―基于非流通股协议转让与限售股转让的证据[J].财经研究，2008，34（3）：81～94. [6] 李薇.基于KMV模型的上市公司信用风险度量研究―A股市场房地产行业的实证研究[D].成都：西南财经大学，2013. [7] 尚莹莹.不同行业上市公司信用违约点选择比较研究―KMV模型应用与研究[J].金融经济，2014，10：118～120. [8] 万晏伶，杨俊.我国制造业上市公司信用风险研究―基于KMV模型[J].技术经济，2011，30（5）：119～123. [9]曾诗鸿，王芳.基于KMV模型的制造业上市公司信用风险评价研究[J].预测，2013，13（2）：60～64. [10] 张瑛.新兴技术企业信用风险评估方法研究[D].成都：电子科技大学，2009. 作者简介： 马雁飞（1994—），女，汉族，籍贯：山东省济宁市，学生，本科，研究方向：风险管理、保险。