張世龍，施楊芳

(杭州電子科技大學(xué)管理學(xué)院，浙江杭州 310018)

非制造業(yè)上市公司貸款信用風(fēng)險(xiǎn)評價(jià)方法研究

張世龍，施楊芳

(杭州電子科技大學(xué)管理學(xué)院，浙江杭州 310018)

以非制造業(yè)上市公司為研究對象，以41家ST公司和41家正常公司為樣本，用逐步判別法對Altman的Z″評分模型進(jìn)行修正，建立了適用于我國上市非制造業(yè)公司的評分模型。其次運(yùn)用修正的評分模型確定上市非制造業(yè)公司的信用等級，并把該信用等級運(yùn)用到Credit Metrics模型。最后，以Credit Metrics模型的原理為基礎(chǔ)，以兩筆貸款為例，利用蒙特卡羅模擬方法計(jì)算出上市非制造業(yè)公司貸款的組合信用風(fēng)險(xiǎn)值。結(jié)果表明，該方法完善了Credit Metrics模型、簡化了計(jì)算過程，有效解決了Credit Metrics模型的“肥尾現(xiàn)象”。

信用風(fēng)險(xiǎn);Credit Metrics模型;蒙特卡羅

一、問題的提出

對信用風(fēng)險(xiǎn)評價(jià)最早的有由Altman提出的Z評分模型和Zeta信用風(fēng)險(xiǎn)模型。目前國際上主流的信用風(fēng)險(xiǎn)評價(jià)模型有KMV模型、Credit Metrics模型和Credit Risk+模型等。KMV模型是KMV公司于1997年建立的用來估計(jì)貸款公司違約概率的方法。由于我國證券市場的發(fā)展不完善等原因，上市公司的市場價(jià)值很難正確衡量，KMV模型在我國的適用性不是很強(qiáng)。Credit Metrics模型是用于貸款等非交易性資產(chǎn)的估值和風(fēng)險(xiǎn)計(jì)算，它以信用等級為基礎(chǔ)。如果缺乏信用評級相關(guān)的數(shù)據(jù)，會(huì)降低Credit Metrics模型在我國的適用性。Credit Risk+模型是一種違約模型。它需要估計(jì)的變量很少，計(jì)算簡單，但忽略了信用等級的變化，且認(rèn)為每一個(gè)債務(wù)人的風(fēng)險(xiǎn)敞口是不變的，在我國的適用性也不強(qiáng)。最近，國外主要對這些主流模型的實(shí)際運(yùn)用方面進(jìn)行討論。Geert Van Damme［1］(2011)建立了一個(gè)新的違約損失率的基本框架，這一框架能被運(yùn)用到信用風(fēng)險(xiǎn)評價(jià)模型中，從而更好地評價(jià)信用風(fēng)險(xiǎn)。Popescu，L［2］(2010)對信用風(fēng)險(xiǎn)評價(jià)模型進(jìn)行了實(shí)證研究，他指出，在評價(jià)信用風(fēng)險(xiǎn)時(shí)應(yīng)該考慮到時(shí)間、效率、成本等因素的影響。

我國商業(yè)銀行對授信主體進(jìn)行評級時(shí)采用的是內(nèi)部評級法，主要采用貸款風(fēng)險(xiǎn)度的方法管理各類貸款，這種方法在確定貸款的指標(biāo)和權(quán)重時(shí)主觀性非常強(qiáng)，很難準(zhǔn)確地識(shí)別信用風(fēng)險(xiǎn)。理論研究上大部分只是對國外先進(jìn)的計(jì)量方法進(jìn)行介紹與實(shí)證研究。如王春峰［3］(1998)將判別分析法運(yùn)用到商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量當(dāng)中，并且通過與logit方法比較，得出判別分析法的有效性。張玲、曾維火［4］(2004)證實(shí)了我國上市公司信用等級與Z值具有較好的相關(guān)性。方先明［5］(2007)建立了基于Hopfield神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評價(jià)模型，但記憶容量和樣本取值影響其評價(jià)能力。

目前，還沒有見到專門對針非制造業(yè)公司貸款信用風(fēng)險(xiǎn)評價(jià)的計(jì)量模型的研究。且非制造業(yè)公司與制造業(yè)公司產(chǎn)生信用風(fēng)險(xiǎn)的因素有很大的不同。非制造業(yè)公司與制造業(yè)公司相比，非制造業(yè)公司固定資產(chǎn)比例相對較低，資金周轉(zhuǎn)速度較，可用來擔(dān)保的資產(chǎn)相對較少;自有資產(chǎn)相對較低，借貸資產(chǎn)比例較高，財(cái)務(wù)杠桿較高;服務(wù)水平對非制造業(yè)公司的經(jīng)營狀況影響較大，而制造業(yè)公司的經(jīng)營狀況主要受技術(shù)創(chuàng)新、專利等方面的影響。因此，應(yīng)該用不同的財(cái)務(wù)指標(biāo)來衡量非制造業(yè)公司貸款的信用風(fēng)險(xiǎn)。本文對Altman的評價(jià)非制造業(yè)公司信用等級的Z”模型進(jìn)行修正，建立新的適用于評價(jià)我國上市非制造業(yè)公司信用等級的評分模型。并與Credit Metrics模型相結(jié)合評價(jià)我國非制造業(yè)公司的信用風(fēng)險(xiǎn)。

二、Z″評分模型的修正

5變量Z評分模型是由美國的Altman提出的，主要用于評價(jià)公開上市的制造業(yè)公司的信用風(fēng)險(xiǎn)。為了評價(jià)出上市公司以外公司的信用風(fēng)險(xiǎn)，Altman相繼開發(fā)了Z'、Z″模型。Z'主要用于評價(jià)非上市公司的信用，而Z″不僅適用于評價(jià)上市公司的信用，也適用于非上市公司，還適用于非制造業(yè)公司［6］。其計(jì)算公式為Z″=6.56X1+3.26X2+6.72X3+1.05X4，其中X1為營運(yùn)資產(chǎn)/總資產(chǎn)、X2為未分配利潤/總資產(chǎn)、X3為息稅前盈余/總資產(chǎn)、X4為權(quán)益賬面價(jià)值/負(fù)債賬面價(jià)值。Altman等人還給出了與新興市場經(jīng)濟(jì)國家評分模型相對應(yīng)的信用等級表［4］，用來確定非制造業(yè)公司的信用等級。

由于不同行業(yè)、不同國家的公司所適用的指標(biāo)和權(quán)重是不一樣的。評價(jià)我國上市非制造業(yè)公司的信用等級應(yīng)該對Z″模型進(jìn)行修正。本文以1∶1的原則選取樣本。研究的樣本包括41家被特別處理的上市非制造業(yè)公司和41家正常的上市非制造業(yè)公司，樣本容量為82個(gè)，其中41個(gè)違約樣本，41個(gè)正常樣本。41個(gè)違約樣本中，專業(yè)科研服務(wù)業(yè)、裝修裝飾業(yè)各1個(gè)，旅館業(yè)、旅游業(yè)、零售業(yè)、房產(chǎn)管理業(yè)各2個(gè)，通信服務(wù)業(yè)、農(nóng)業(yè)各3個(gè)，出版業(yè)、水上運(yùn)輸業(yè)各4個(gè)，電力、蒸汽、熱水的生產(chǎn)和供應(yīng)業(yè)5個(gè)，房地產(chǎn)開發(fā)與經(jīng)營業(yè)、其他非制造業(yè)各6個(gè)。

為了避免利用建模的樣本對評分模型進(jìn)行回代檢驗(yàn)會(huì)增強(qiáng)模型判別的準(zhǔn)確率這一問題，把樣本分為測試樣本和訓(xùn)練樣本兩組，隨機(jī)抽取62家上市非制造業(yè)公司為訓(xùn)練樣本，用于構(gòu)建新的評分模型;以剩下的20家為測試樣本，用于檢驗(yàn)?zāi)Ｐ驮趯?shí)際判別中的準(zhǔn)確性。

本文的樣本時(shí)間跨度為三年。包括2008－2010年發(fā)生的所有上市非制造業(yè)公司的ST公司。建模時(shí)對這三年的數(shù)據(jù)進(jìn)行平均，以提高模型預(yù)測的有效性，減少財(cái)務(wù)數(shù)據(jù)操縱帶來的不利影響?；谕暾?、可比性和重要性等原則，結(jié)合上市非制造業(yè)公司報(bào)表的實(shí)際情況，本文首先選取了主營業(yè)務(wù)利潤率、凈資產(chǎn)收益率、總資產(chǎn)增長率等48個(gè)財(cái)務(wù)指標(biāo)初步作為構(gòu)建評分模型的指標(biāo)。其次由于檢驗(yàn)出顯著性水平小于0.05的有17個(gè)，因此用這17個(gè)指標(biāo)確定修正模型的指標(biāo)體系。最后通過逐步判定分析方法得到以下模型:

式中:X1、X2、X3分別為每股未分配利潤、股本報(bào)酬率、凈資產(chǎn)收益率

為避免出現(xiàn)多重共線性問題，在模型的修正過程中，對17個(gè)財(cái)務(wù)指標(biāo)進(jìn)行多重共線性檢驗(yàn)。其中進(jìn)入模型的3個(gè)財(cái)務(wù)指標(biāo)的容忍度分別為0.988、0.973和0.982。這三個(gè)指標(biāo)的容忍度都接近1，說明這三個(gè)變量之間不存在共線性。

該模型的典型判別函數(shù)的特征值為1.732，典型相關(guān)系數(shù)為0.796。Wilksλ值為0.366，比較接近于0，說明組間差異比較大，判別分析意義比較大?？ǚ綑z驗(yàn)結(jié)果為59.398，概率p值為0.000，小于0.05，檢驗(yàn)通過，說明該模型的擬合效果較好。

把相關(guān)指標(biāo)代入修正后的評分模型計(jì)算出Z值，根據(jù)對稱性原則，如果Z＞0，則判為1組，否則為0組。該模型對違約組的回判準(zhǔn)確率為90.3%，總的回判準(zhǔn)確率為95.2%，說明模型本身有較好的判別效果。用20個(gè)測試樣本對該模型的實(shí)際預(yù)測能力進(jìn)行檢驗(yàn)。結(jié)果表明，該模型將正常公司誤判為ST公司的概率為20%，把ST公司誤判為正常公司的概率為0，總的預(yù)測準(zhǔn)確率為90%，表明該評分模型在實(shí)際中具有很強(qiáng)的預(yù)測能力。

通過每股未分配利潤、股本報(bào)酬率、凈資產(chǎn)收益率及相關(guān)的權(quán)數(shù)可以判斷出某個(gè)上市非制造業(yè)的財(cái)務(wù)及風(fēng)險(xiǎn)狀況。因?yàn)橘Y本運(yùn)作、資產(chǎn)的增長以及股東獲利能力等是非制造業(yè)公司業(yè)績主要的決定因素。該模型具有很強(qiáng)的實(shí)際預(yù)測能力和實(shí)際意義，因此本文運(yùn)用修正的模型計(jì)算出的Z值與新興市場經(jīng)濟(jì)國家評分模型相對應(yīng)的信用等級表相對照，確定我國上市非制造業(yè)公司的信用等級［7］。

三、基于Credit Metrics模型的信用風(fēng)險(xiǎn)評價(jià)方法

目前國際上主流的信用風(fēng)險(xiǎn)計(jì)量模型中，對公司信用風(fēng)險(xiǎn)的量化是通過違約率來量化的。主要有兩種途徑取得違約率，一是通過模型直接測定違約率，如KMV模型;二是通過信用等級的評定來確定，如Credit Metrics模型。前者雖然人在一定程度上對公司的狀況變化更加敏感，但它的適用范圍也更為嚴(yán)格，更加適用于資本市場成熟的地區(qū)的上市公司，而目前我國資本市場的發(fā)展還處在起步階段，市場的容量，信息的公開性和操作的規(guī)范性與模型的要求還有一定的差距，因此我國目前不具備推廣KMV模型的基本條件［7－8］。但是我國目的外部評級體系和內(nèi)部評級體系都有了一定的發(fā)展，各大商業(yè)銀行推行的貸款風(fēng)險(xiǎn)分類制度等都為完善的信用評級體系和全面的違約數(shù)據(jù)庫的建立奠定基礎(chǔ)。選擇Credit Metrics模型更加具有實(shí)際意義。

Credit Metrics模型［9］本質(zhì)上是一個(gè)VaR模型。VaR值表示在一定時(shí)期內(nèi)，一定的置信水平下，某種貸款組合在正常條件下可能遭受的最大損失。如果置信水平為1－α，那么VaR=E(V)－V(α)，其中E(V)為期末資產(chǎn)組合價(jià)值的期望值，V(α)為期末貸款組合價(jià)值的α分位數(shù)值。

本文首先使用修正的評分模型計(jì)算出貸款公司的信用等級，再以該信用等級為基礎(chǔ)，用Credit Metric模型來評價(jià)商業(yè)銀行發(fā)放一筆或多筆上市非制造業(yè)公司的貸款面臨的信用風(fēng)險(xiǎn)。

Credit Metrics模型假設(shè)貸款服從正態(tài)分布，根據(jù)正態(tài)分布的性質(zhì)，可以推導(dǎo)出VaR=V(α)*σp。如果給定的置信水平為95%，那么該筆貸款的VaR值為1.66*σp，表明損失超過計(jì)算出的VaR值的概率不超過5%。

四、信用風(fēng)險(xiǎn)評價(jià)方法的進(jìn)一步改進(jìn)

上述分析可見，Credit Metrics模型計(jì)算多筆貸款的組合信用風(fēng)險(xiǎn)的方法的計(jì)算量非常大，影響實(shí)際工作效率，且該方法假設(shè)貸款服從正態(tài)分布，而事實(shí)并不總是服從正態(tài)分布，而是存在肥尾現(xiàn)象。蒙特卡羅模擬方法［10］計(jì)算VaR值是多種計(jì)算VaR值方法中最理想的一種。它首先建立一個(gè)概率模型或生成一個(gè)隨機(jī)過程，然后對模型或隨機(jī)過程進(jìn)行模擬并估計(jì)出相關(guān)參數(shù)的統(tǒng)計(jì)描述。因此，本文以兩筆貸款為例，用蒙特卡羅模擬方法改進(jìn)這種修正后的評分模型與Credit Metrics模型相結(jié)合的上市非制造業(yè)公司貸款的信用風(fēng)險(xiǎn)評價(jià)方法，使這種兩模型相結(jié)合的信用風(fēng)險(xiǎn)評價(jià)方法更加適合用來評價(jià)我國上市非制造業(yè)公司貸款的信用風(fēng)險(xiǎn)。

上市非制造業(yè)公司1和公司2。它們的每股未分配利潤、股本報(bào)酬率、凈資產(chǎn)收益率分別為2.828元、2.397 8元，182.598 6%、135.483 7%，16.11%、10.87%(資料來自新浪網(wǎng))。其次假設(shè)這兩個(gè)公司都在同一家銀行各有一筆貸款，公司1的貸款金額為500萬元，五年到期，貸款利率為8%。公司2的貸款金額為400萬，五年到期，貸款利率為8%。并假設(shè)這兩筆貸款的資產(chǎn)收益率相關(guān)系數(shù)為0.2。

本文首先把以上數(shù)據(jù)代入修正后的評分模型計(jì)算出Z值，計(jì)算結(jié)果分別為2.6、3.4。對照與新興市場經(jīng)濟(jì)國家評分模型相對應(yīng)的信用等級表，減去調(diào)整因子，公司1的信用等級為BBB級，公司2的信用等級為A級。

其次基于Credit Metrics模型的計(jì)算原理，用蒙特卡羅模擬方法計(jì)算這兩筆貸款的組合信用風(fēng)險(xiǎn)，過程為:

第一步、根據(jù)這兩個(gè)公司的信用等級相對應(yīng)的轉(zhuǎn)移概率，確定這兩筆貸款的資產(chǎn)收益率門闕值。在確定門閥值的過程中，假定每筆貸款的資產(chǎn)收益率服從正態(tài)分布。結(jié)果見表1。

表1 BBB、A級的轉(zhuǎn)移概率和闕值［11］

其中rki，t為公司信用等級，ki為遠(yuǎn)期利率，Ti為貸款期限。如果某公司一年后的信用等級降為違約級別，違約回復(fù)率可通過beta分布隨機(jī)產(chǎn)生。文章通過這個(gè)模型模擬出這兩個(gè)公司的資產(chǎn)收益率。

第三步、運(yùn)用SAS軟件，根據(jù)蒙特卡羅模擬方法，計(jì)算出貸款的組合價(jià)值。根據(jù)資產(chǎn)收益率和表2的闕值，得到一年后轉(zhuǎn)移的信用等級。根據(jù)一年后的信用等級對照表2，確定這兩筆貸款一年后的遠(yuǎn)期價(jià)值，最終計(jì)算出這兩筆貸款的組合價(jià)值。

表2 兩筆貸款一年后的遠(yuǎn)期價(jià)值［11］

第四步、重復(fù)上述步驟，反復(fù)模擬，最終得到組合貸款的價(jià)值。本文做10 000次模擬，大部分貸款組合價(jià)值的樣本點(diǎn)集中在1 035—1 056之間(出現(xiàn)空白是模擬次數(shù)有限造成的)，這主要是由這兩筆貸款的信用等級維持不變的概率比較大決定的。具體見圖1。

第五步、通過SAS軟件模擬計(jì)算出這兩筆貸款的統(tǒng)計(jì)描述數(shù)據(jù)。其中均值μ=1 036.26萬元，標(biāo)準(zhǔn)差σ=19.21萬元。1% 處的分位數(shù)值為971.73萬元。根據(jù)VaR值的定義，在置信水平為99%的情況下，可得VaR=1 036.26－971.73=64.53萬元。也就是說，銀行發(fā)放這兩筆貸款遭受大于64.53萬元損失的可能性僅為1%。

從圖1中可以看出貸款組合價(jià)值并不服從正態(tài)分布，而是服從t分布，通過SAS軟件估計(jì)出其服從t分布的P值小于0.000 1。這說明貸款組合價(jià)值的分布存在“肥尾現(xiàn)象”。而蒙特卡洛模擬方法能有效地解決此問題。

五、結(jié)論

根據(jù)Z″計(jì)分模型的建模思想和方法，對Z″模型進(jìn)行修正，針對我國上市非制造業(yè)公司所建立的評價(jià)信用等級的評分模型具有科學(xué)性。借助蒙特卡羅模擬方法將修正了的評分模型與Credit Metrics模型相結(jié)合，不僅能簡化計(jì)算過程，而且該方法的有些數(shù)據(jù)是通過隨機(jī)產(chǎn)生的，這一定程度上解決了我國商業(yè)銀行缺乏風(fēng)險(xiǎn)因子數(shù)據(jù)的問題，增加了Credit Metrics模型在我國的適用性，有利于解決我國商業(yè)銀行評價(jià)公司信用等級主觀性比較強(qiáng)的問題。

圖1 貸款組合價(jià)值分布

［1］ Geert Van Damme．A Generic Framework For Stochastic Loss－ Given － Default［J］．Journal Of Computational And Applied Mathematics，2011(235):2523 －2550．

［2］ Popescu L．The Performance Of Credit Risk Evaluation Models Empirical Aspects And Metrics［J］．Journal of Applied Collaborative Systems，2010(2):69 －75．

［3］王春峰，萬海暉，張維．商業(yè)銀行信用風(fēng)險(xiǎn)評估及其實(shí)證研究［J］．管理科學(xué)學(xué)報(bào)，1998，1(1):68－72．

［4］張玲，曾維火．基于KMV模型的上市公司信用風(fēng)險(xiǎn)管理實(shí)證研究［J］．安徽工業(yè)大學(xué)學(xué)報(bào)，2010，4(8):5－13．

［5］方先明，熊鵬，張誼浩．基于Hopfield神經(jīng)網(wǎng)絡(luò)的信用風(fēng)險(xiǎn)評價(jià)模型及其應(yīng)用［J］．中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2007(8):34－40．

［6］洪玫．資信評級［M］．北京:中國人民大學(xué)出版社，2006:85－90．

［7］ Crosbie P J．Modeling default risk［R］．New Yourk:Moody＇s KMV ，1999．

［8］唐春陽，張恒，馬若微．KMV模型在商業(yè)銀行信用風(fēng)險(xiǎn)中的應(yīng)用［J］．財(cái)會(huì)研究，2006(2):62－63．

［9］喬爾·貝西斯．銀行風(fēng)險(xiǎn)管理［M］．史建平，譯．北京:中國人民大學(xué)出版社，2009．

［10］(美)詹姆斯·R·埃文斯，戴維·L·奧爾森．模擬與風(fēng)險(xiǎn)分析［M］．洪錫熙，譯．上海:上海人民出版社，2001．

［11］ J P Morgan．Creditmetrics Technical Document［R］．New Yourk:J P Morgan，1997．

A Study on Credit Risk Evaluation Method of Loans of Non-Manufacturing Listed Companies

ZHANG Shi-long，SHI Yang-fang
(School of Management，Hangzhou Dianzi University，Hangzhou Zhejiang 310018，China)

First，41 non-manufacturing listed companies with financial distress and another 41 without financial distress are taken as the sample to modify Altman's Z score model，using discriminant analysis of stepwise method．Second，the amended scoring model to determine the credit rating of the non-manufacturing listed companies is used and applied to the Credit Metrics model．Finally，two loans as an example to calculate the portfolio credit risk of loans of non-manufacturing listed companies based on the principle of the Credit Metrics model by Monte Carlo simulation are applied into it．The results show that the method simplifies the calculation process，improves the Credit Metrics model and provides an effective solution to“fat tail phenomenon”of the Credit Metrics model．

credit risk;Credit Metrics model;Monte Carlo simulation

F832．33

B

1001－9146(2012)01－0012－05

2011－09－20

張世龍(1964－)，男，湖北巴東人，教授，技術(shù)經(jīng)濟(jì)及管理、風(fēng)險(xiǎn)管理．