游宗君,程小軒

(1.貴州財經(jīng)大學(xué) 貴陽大數(shù)據(jù)金融學(xué)院，貴州 貴陽 550025；2.貴州財經(jīng)大學(xué) 大數(shù)據(jù)應(yīng)用與經(jīng)濟(jì)學(xué)院，貴州 貴陽 550025)

民營銀行彌補(bǔ)了傳統(tǒng)商業(yè)銀行普惠金融服務(wù)市場的短板，已成為我國金融體系重要組成，但民營銀行無論是自身還是客戶群體都可能存在較高信用風(fēng)險。根據(jù)17家已開業(yè)民營銀行①[注]① 17家民營銀行分別是：深圳前海微眾銀行、溫州民商銀行、天津金城銀行、浙江網(wǎng)商銀行、上海華瑞銀行、重慶富民銀行、四川新網(wǎng)銀行、湖南三湘銀行、安徽新安銀行、福建華通銀行、武漢眾邦銀行、北京中關(guān)村銀行、江蘇蘇寧銀行、山東藍(lán)海銀行、遼寧振興銀行、吉林億聯(lián)銀行、梅州客商銀行。2018年至2020年年報數(shù)據(jù)，此期間大部分民營銀行不良貸款率呈逐年上升態(tài)勢，銀行信用風(fēng)險不斷增加，信用風(fēng)險的準(zhǔn)確度量和有效管理成為民營銀行亟待解決的問題。

研究立足我國商業(yè)銀行實際，選取12家上市商業(yè)銀行數(shù)據(jù)基于回歸估計法的修正KMV模型測算19家民營銀行②[注]② 除前述17家民營銀行外，還有江西裕民銀行和無錫錫商銀行。信用風(fēng)險，并就研究結(jié)果提出建議。

一、理論概述

(一)KMV模型及計算步驟

美國KMV公司(現(xiàn)已被穆迪投資服務(wù)公司收購)創(chuàng)始人Kealhofer、Mc Quown和Vasicek在1993年創(chuàng)新推出以Black、Scholes和Merton期權(quán)定價模型理論為基礎(chǔ)的KMV模型[1-2]。傳統(tǒng)KMV模型計算步驟分為三步：

第一步，測度資產(chǎn)價值及資產(chǎn)波動率。

傳統(tǒng)KMV模型中，企業(yè)股權(quán)VE被視為一份投資者買入的、以公司債券賬面價值D為執(zhí)行價格、以公司資產(chǎn)價值VA為標(biāo)的的歐式看漲期權(quán)。根據(jù)BSM模型，公司資產(chǎn)價值VA滿足：

dVA=μAVAdT+σAVAdz

(1)

其中，μA是公司資產(chǎn)瞬時收益率，dz遵循維納過程。

公司股權(quán)價值VE：

VE=VAN(d1)-e-rTDN(d2)

(2)

式(2)微分后得到股價波動率：

(3)

r為無風(fēng)險利率，股權(quán)價值及其波動率均可直接由資本市場獲得，聯(lián)立式(2)和式(3)求解得到資產(chǎn)價值VA及波動率σA。

第二步，測度公司債務(wù)違約點DP和違約距離DD。

違約最頻繁發(fā)生的臨界點即為違約點DP(Default Point)，KMV公司在其違約數(shù)據(jù)庫基礎(chǔ)上總結(jié)出經(jīng)驗違約點DP=STD+0.5*LTD[3]，STD為短期負(fù)債，LTD為長期負(fù)債。

公司違約距離DD(Distance to Default)即公司預(yù)期資產(chǎn)價值到違約點的距離。

(4)

第三步，構(gòu)造公司違約距離DD和預(yù)期違約概率PD的映射關(guān)系。

KMV公司把違約距離DD和預(yù)期違約率PD(Probability of Default)的關(guān)系映射為相對穩(wěn)定的函數(shù)關(guān)系，并擬合成一條平滑曲線[3]，即理論違約率：

PD=N(-DD)=1-N(DD)

(5)

其中，N(·)為標(biāo)準(zhǔn)正態(tài)分布函數(shù)，綜上可得出違約距離和違約概率。

(二)非上市民營銀行修正KMV模型的應(yīng)用

采用修正KMV模型測算非上市民營銀行資產(chǎn)價值及波動率，股權(quán)價值和波動率是2個關(guān)鍵輸入變量。合理估算19家民營銀行股權(quán)價值及其波動率主要有四個方法：一是行業(yè)替代法(PFM模型，Private Firm Model)，即選取與非上市公司行業(yè)相同的上市公司，計算其股權(quán)價值均值作為非上市公司股權(quán)價值。謝遠(yuǎn)濤等用修正PFM模型較好地預(yù)測了我國非上市保險公司的信用風(fēng)險[4]，但該方法未考慮企業(yè)資本結(jié)構(gòu)和償債能力差異。二是回歸估計法，即采用回歸方式修正KMV模型。先對上市公司股權(quán)價值與相關(guān)財務(wù)指標(biāo)建立回歸方程，再將非上市公司數(shù)值代入回歸方程得到非上市公司股權(quán)價值。戴志鋒等基于PFM模型將155家上市公司股權(quán)價值及其波動率與年度財務(wù)數(shù)據(jù)進(jìn)行回歸，再將非上市公司數(shù)據(jù)代入回歸方程中進(jìn)行信用狀況評估[5]；王健等基于PFM模型從理論上評價了股權(quán)價值及其波動率與資產(chǎn)報酬標(biāo)準(zhǔn)差相關(guān)財務(wù)指標(biāo)的回歸方程[6]。三是現(xiàn)金流貼現(xiàn)法，即將非上市公司股權(quán)價值作為公司未來利潤的自由現(xiàn)金流貼現(xiàn)。高蕾比較了公司資本定價方法，以自由現(xiàn)金流貼現(xiàn)法修正KMV模型進(jìn)行實證研究，發(fā)現(xiàn)該模型對信用風(fēng)險的評估更準(zhǔn)確[7]，但該方法對未來現(xiàn)金流預(yù)測是基于歷史表現(xiàn)和當(dāng)前產(chǎn)生現(xiàn)金流的項目，未考慮公司未來可能出現(xiàn)的新現(xiàn)金流，在估計未來自由現(xiàn)金流和貼現(xiàn)率時較主觀。四是結(jié)合其他模型的方法，如曾玲玲等基于BP神經(jīng)網(wǎng)絡(luò)模型以KMV模型度量我國非上市制造企業(yè)信用風(fēng)險，度量結(jié)果對比實際違約情況的準(zhǔn)確率超過90%[8]；楊世偉等結(jié)合PFM模型和多元Probit模型對非上市公司公司債、私募債信用風(fēng)險進(jìn)行分析驗證模型效果[9]；段翀將PFM模型和傾向匹配得分法相結(jié)合，基于城市商業(yè)銀行中小企業(yè)數(shù)據(jù)進(jìn)行實證研究，研究結(jié)果表明該方法具較高準(zhǔn)確性[10]。本研究將采用回歸估計法修正KMV模型測算非上市民營銀行信用風(fēng)險。

二、實證研究設(shè)計

(一)樣本數(shù)據(jù)

參照組選取12家上市商業(yè)銀行(與19家民營銀行處于同地區(qū)且盈利能力相似)，包括7家城市商業(yè)銀行(杭州銀行、上海銀行、成都銀行、江蘇銀行、寧波銀行、北京銀行、南京銀行)和5家農(nóng)村商業(yè)銀行(無錫銀行、蘇農(nóng)商行、江陰銀行、常熟銀行、張家港銀行)。研究樣本數(shù)據(jù)選取2018年1月至2020年12月銀行季度數(shù)據(jù)，共計144組數(shù)據(jù)(原始數(shù)據(jù)均來自Wind數(shù)據(jù)庫和RESSET數(shù)據(jù)庫)。

實證組選取19家民營銀行，因非上市民營銀行信息披露有限，只能選取區(qū)間為2018年至2020年銀行年報中相關(guān)財務(wù)信息。特別地，振興銀行未披露2020年年報，裕民銀行2019年開業(yè)，錫商銀行2020年開業(yè)只公開當(dāng)年年報，民營銀行數(shù)據(jù)僅53組。

(二)實證研究

實證研究步驟為：

(6)

其中，Si為股票第i日收盤價。

(7)

研究觀測期為2018年至2020年，一個完整年度平均有250個交易日。經(jīng)式(7)換算年收益率有：

(8)

此外，為研究計算便利，設(shè)定債務(wù)價值DL為總債務(wù)、債券期限T為1年、無風(fēng)險利率r取2020年央行一年期整存整取基準(zhǔn)利率1.5%。DPL違約點因上市商業(yè)銀行年報信息披露中未區(qū)分短期負(fù)債和長期負(fù)債，研究以上市商業(yè)銀行負(fù)債賬面價值作為違約點DPL值。

第二步，根據(jù)參照組計算結(jié)果，經(jīng)SPSS軟件多元回歸得出上市商業(yè)銀行資產(chǎn)價值、資產(chǎn)價值波動率及主要財務(wù)指標(biāo)回歸系數(shù)并進(jìn)行檢驗。

(9)

(10)

第三步，將民營銀行財務(wù)指標(biāo)代入回歸方程，計算得到民營銀行資產(chǎn)價值和資產(chǎn)價值波動率，運用Matlab程序計算得到違約距離、違約概率并展開對比分析。

(11)

(12)

將19家非上市民營銀行相關(guān)財務(wù)數(shù)據(jù)代入關(guān)系方程(式12)，得到銀行資產(chǎn)價值和波動率，由Matlab程序計算違約距離DDNL和違約概率PDNL。

三、實證結(jié)果分析

(一)參照組(上市商業(yè)銀行)實證結(jié)果

由表1，參照組中7家上市城市商業(yè)銀行(下稱城商行)信用評級均為AAA，5家上市農(nóng)村商業(yè)銀行(下稱農(nóng)商行)信用評級均為AA+，研究將其劃分為城商行組和農(nóng)商行組并比較不同信用級別下銀行違約距離和違約概率，從統(tǒng)計意義上驗證修正KMV模型有效性。

表1 上市商業(yè)銀行信用評級情況匯總表

由表2，城商行組的違約距離平均值、中位數(shù)、最大值均大于農(nóng)商行組，表明城商行違約風(fēng)險小于農(nóng)商行，這與信用評級結(jié)果一致。由表3，城商行組違約概率平均值、中位數(shù)小于農(nóng)商行組。特別地，城商行組違約距離最小值0.066 1，系成都銀行2018年第一季度數(shù)據(jù)，成都銀行當(dāng)季股權(quán)波動率高于其他城商行和農(nóng)商行數(shù)據(jù)，是由2018年1月上市引發(fā)股價異動導(dǎo)致股權(quán)價值波動率較高，影響了銀行違約距離和違約概率。綜上，上市商業(yè)銀行修正KMV模型得到的違約距離和違約概率與其信用評級情況一致，這也驗證了模型有效性。

表2 上市商業(yè)銀行違約距離描述性統(tǒng)計數(shù)據(jù)表

表3 上市商業(yè)銀行違約概率描述性統(tǒng)計數(shù)據(jù)表

(二)回歸系數(shù)的求解和檢驗

表4 上市商業(yè)銀行資產(chǎn)價值回歸系數(shù)及檢驗結(jié)果表

表5 上市商業(yè)銀行資產(chǎn)價值波動率回歸系數(shù)及檢驗結(jié)果表

研究采用Stata軟件進(jìn)行固定效應(yīng)模型和隨機(jī)效應(yīng)模型回歸估計，驗證式(11)、式(12)可靠性。對于資產(chǎn)價值，固定效應(yīng)模型和隨機(jī)效應(yīng)模型P值都為0.000 0(小于0.05)，表明兩個模型在5%水平下顯著；對比固定效應(yīng)模型和隨機(jī)效應(yīng)模型，Hausman檢驗結(jié)果P值0.072(小于0.10)，該結(jié)果在10%水平下顯著，表明固定效應(yīng)模型優(yōu)于隨機(jī)效應(yīng)模型。固定效應(yīng)模型中兩個解釋變量對被解釋變量(資產(chǎn)價值)呈正向作用。對于資產(chǎn)價值波動率，固定效應(yīng)模型P值0.000 1，隨機(jī)效應(yīng)模型P值0.000 0，均小于0.05，表明兩個回歸模型均顯著。然而Hausman檢驗P值0.216 8大于0.10，表明模型結(jié)果不顯著，隨機(jī)效應(yīng)模型優(yōu)于固定效應(yīng)模型。隨機(jī)效應(yīng)模型所有解釋變量對被解釋變量(資產(chǎn)價值波動率)作用均呈相同方向。綜上，通過固定效應(yīng)模型和混合效應(yīng)模型檢驗，檢驗結(jié)論與回歸結(jié)果基本吻合。

(三)實證組非上市民營銀行實證結(jié)果

為評價修正KMV模型對信用風(fēng)險的評估效果，探究從三方面進(jìn)行比較分析：一是比較實證組與參照組；二是比較民營銀行信用評級與實證結(jié)果吻合情況；三是將實證組按批籌批次劃分三組，進(jìn)行組間及組內(nèi)比較。

第一，實證組和參照組實證結(jié)果比較

為了避免銀行負(fù)盈利值對實證結(jié)果產(chǎn)生影響，考慮上市商業(yè)銀行均處于盈利狀態(tài)，剔除非上市民營銀行盈利值為負(fù)的5組數(shù)據(jù)，將剩余48組數(shù)據(jù)與參照組144組數(shù)據(jù)進(jìn)行對比。由表6、表7，實證組平均違約距離(2.785 2)小于參照組(3.225 3)；實證組平均違約概率(0.060 5)大于參照組(0.012 6)，表明實證組違約風(fēng)險比參照組大，違約距離和違約概率中位數(shù)、最小值比較情況也與上述結(jié)果一致。特殊地，參照組與實證組違約距離最大值與以上結(jié)果相反，如華通銀行2019年違約距離最大值據(jù)為10.151 9，該行2017年營業(yè)，后一直處于虧損狀態(tài)，2019年上半年由虧轉(zhuǎn)盈，但其年報顯示2019年凈利潤卻低于2019年上半年，說明華通銀行2019年下半年經(jīng)營仍為虧損，銀行盈利能力下降導(dǎo)致違約距離較大而違約概率較小。另外，實證組蘇寧銀行2018年違約距離最大值6.057 1，低于參照組違約距離最大值8.058 6，該數(shù)據(jù)需去掉。綜上，上市商業(yè)銀行信用風(fēng)險小于非上市民營銀行，修正KMV模型對上市商業(yè)銀行和非上市民營銀行信用風(fēng)險評估結(jié)果有效，民營銀行信用風(fēng)險大小與其盈利水平相關(guān)。

表6 參照組與實證組違約距離描述性統(tǒng)計數(shù)據(jù)表

表7 參照組與實證組違約概率描述性統(tǒng)計數(shù)據(jù)表

第二，民營銀行信用評級與實證結(jié)果的比較

6家民營銀行有第三方機(jī)構(gòu)給予信用評級(見表8)，大部分民營銀行信用評級越低，其平均違約距離越小，平均違約概率越大。這與上市商業(yè)銀行實證數(shù)據(jù)分析得到的結(jié)論一致，表明修正KMV模型計算違約距離和違約概率能較早識別信用風(fēng)險。

表8 非上市民營銀行信用評級、違約距離及違約概率表

第三，民營銀行組間、組內(nèi)比較

本研究中，有13家民營銀行無信用評級，無法與修正KMV模型計算結(jié)果進(jìn)行比較。研究根據(jù)民營銀行批籌批次，將作為研究對象的19家民營銀行分為3組進(jìn)行比較，分組情況如下：第一組共5家，分別是微眾銀行、民商銀行、金城銀行、網(wǎng)商銀行與華瑞銀行；第二組共12家，分別是富民銀行、新網(wǎng)銀行、三湘銀行、新安銀行、華通銀行、眾邦銀行、中關(guān)村銀行、蘇寧銀行、藍(lán)海銀行、振興銀行、億聯(lián)銀行和客商銀行；第三組共2家，分別是裕民銀行和錫商銀行，實證結(jié)果見表9。整體上，民營銀行經(jīng)營時間越長，其業(yè)務(wù)呈擴(kuò)張態(tài)勢，銀行盈利由虧轉(zhuǎn)盈，但違約概率上升，信用風(fēng)險暴露，不良貸款率和資產(chǎn)負(fù)債率上升。修正KMV模型計算的違約距離和違約概率對信用風(fēng)險的識別與銀行實際不良貸款率、資產(chǎn)負(fù)債率情況一致，證明銀行信用風(fēng)險與銀行盈利能力具有相關(guān)性。

表9 民營銀行各組平均違約距離與違約概率匯總表

第一組除微眾銀行以外的4家民營銀行實證結(jié)果呈不同變化趨勢，既不能證明修正KMV模型計算的違約距離和違約概率對信用風(fēng)險的識別與實際發(fā)生的不良貸款率、資產(chǎn)負(fù)債率情況一致，也不能說明修正KMV模型對非上市民營銀行信用風(fēng)險的測度無效。不良貸款率和資產(chǎn)負(fù)債率僅為參考指標(biāo)，實際信用風(fēng)險可能受其他因素影響。對比4家民營銀行年報數(shù)據(jù)，發(fā)現(xiàn)銀行違約概率均與總資產(chǎn)回報率呈相同變化趨勢。綜上，研究構(gòu)建的修正KMV模型能較早識別民營銀行信用風(fēng)險，違約距離和違約概率與銀行盈利水平相關(guān)。

第二組除富民銀行、三湘銀行、新網(wǎng)銀行外，余下9家民營銀行違約概率、不良貸款率及資產(chǎn)負(fù)債率變化趨勢均相同。上述3家民營銀行實證結(jié)果顯示其違約概率在2019年激增，但2020年呈下降，與銀行資產(chǎn)回報率(ROA)變化趨勢相同。由此，信用風(fēng)險大小不僅與民營銀行資產(chǎn)價值、負(fù)債規(guī)模相關(guān)，還受到民營銀行盈利水平影響。

第三組，裕民銀行、錫商銀行分別于2019年、2020年開業(yè)，根據(jù)兩家銀行年報數(shù)據(jù)，營業(yè)的頭一兩年銀行均處于虧損狀態(tài)。兩家銀行業(yè)務(wù)有限，銀行存款和貸款未達(dá)規(guī)模，不良貸款率較小，經(jīng)修正KMV模型計算的信用風(fēng)險也較小，但這并不意味著兩家銀行信用風(fēng)險低或銀行風(fēng)險控制能力佳，更可能是因信用風(fēng)險暴露一般具有滯后性。兩家銀行業(yè)務(wù)規(guī)模擴(kuò)大后若不采取有效的風(fēng)險控制，也會發(fā)生不良貸款率逐年上升、違約概率逐漸增大等情況，其信用風(fēng)險評估需未來數(shù)據(jù)給予支撐。

綜上，使用修正KMV模型對非上市民營銀行信用風(fēng)險評估是有效的，違約距離、違約概率不僅與其資產(chǎn)負(fù)債規(guī)模相關(guān)，還與銀行盈利水平相關(guān)。

(四)實證結(jié)論

對比修正KMV模型對上市商業(yè)銀行信用風(fēng)險實證結(jié)果與信用評級情況，發(fā)現(xiàn)銀行違約距離越小，違約概率越大，信用等級越低；反之，違約距離越大，違約概率越小，信用評級越高，這也驗證了修正KMV模型測度上市商業(yè)銀行信用風(fēng)險的有效性。無論是上市商業(yè)銀行還是非上市民營銀行，其信用風(fēng)險均受銀行盈利能力(營業(yè)收入、總資產(chǎn)回報率、資產(chǎn)收益率)、資本結(jié)構(gòu)(資產(chǎn)規(guī)模、負(fù)債規(guī)模)等因素影響。

民營銀行信用風(fēng)險總體上大于上市商業(yè)銀行。有信用評級的6家民營銀行修正KMV模型實證結(jié)果與信用評級機(jī)構(gòu)給出的信用評級結(jié)果總體上一致，余下13家民營銀行的違約距離及違約概率與銀行資產(chǎn)、負(fù)債規(guī)模及盈利水平相關(guān)：第一，民營銀行開業(yè)時間越長，信用風(fēng)險越大；第二，修正KMV模型計算違約距離和違約概率可較早識別民營銀行信用風(fēng)險；第三，違約距離和違約概率對信用風(fēng)險的識別結(jié)果與實際發(fā)生的不良貸款率和資產(chǎn)負(fù)債率情況基本一致；第四，違約距離和違約概率與民營銀行總資產(chǎn)回報率(盈利水平)相關(guān)。

四、研究建議

(一)完善信用體系，建立風(fēng)險預(yù)警系統(tǒng)

民營銀行起步晚，金融市場信用體系還不夠完善，銀行自身及客戶群體風(fēng)險承擔(dān)能力較差，應(yīng)加快社會信用體系建設(shè)，為銀行經(jīng)營創(chuàng)造良好信用環(huán)境。民營銀行也要加強(qiáng)貸款資金流向追蹤，設(shè)立信用風(fēng)險預(yù)警線，及時采取措施應(yīng)對信用風(fēng)險和進(jìn)行有效防控，避免損失。

(二)加快信貸業(yè)務(wù)轉(zhuǎn)型，提升客戶信任

民營銀行資產(chǎn)規(guī)模較小，不良貸款有增長趨勢，在全面開展信貸業(yè)務(wù)的同時要充分考慮銀行資產(chǎn)結(jié)構(gòu)、資產(chǎn)規(guī)模、信用風(fēng)險管理能力等，調(diào)整信貸業(yè)務(wù)規(guī)模擴(kuò)張速度與資本增長速度相匹配，保持銀行穩(wěn)定盈利能力，提高風(fēng)險抵御能力。民營銀行雖有一定創(chuàng)新，但在信貸業(yè)務(wù)和信貸產(chǎn)品上與傳統(tǒng)商業(yè)銀行本質(zhì)差異不大，且民營銀行短時期內(nèi)尚未建立起良好聲譽(yù)，應(yīng)加強(qiáng)線上線下宣傳，充分發(fā)揮普惠金融導(dǎo)向，有針對性地開展信貸業(yè)務(wù)，不斷提升服務(wù)質(zhì)量，增強(qiáng)市場認(rèn)可度和銀行信譽(yù)、美譽(yù)度。

(三)強(qiáng)化風(fēng)控職責(zé)，加強(qiáng)人才培養(yǎng)

民營銀行風(fēng)險管理部門應(yīng)根據(jù)銀行定位制定行之有效的信用風(fēng)險管控機(jī)制。如建立風(fēng)險管理流程、定期編制風(fēng)險管理報告、召開風(fēng)控總結(jié)大會，不斷優(yōu)化風(fēng)險管理制度和流程。還應(yīng)加強(qiáng)對數(shù)據(jù)挖掘技術(shù)和風(fēng)險控制方面優(yōu)秀人才的招聘、培訓(xùn)、考核和能力再提升，建立有效的員工激勵機(jī)制，提升從業(yè)人員信用風(fēng)險管理意識和管控能力。

(四)運用科技數(shù)字轉(zhuǎn)型，創(chuàng)新金融科技應(yīng)用

以人工智能、大數(shù)據(jù)、區(qū)塊鏈為代表的金融科技創(chuàng)新引領(lǐng)金融業(yè)數(shù)字化發(fā)展。大部分民營銀行具有“互聯(lián)網(wǎng)基因”，能夠更好地利用基于大數(shù)據(jù)的互聯(lián)網(wǎng)金融科技。加強(qiáng)科技研發(fā)投入，積極打造以數(shù)據(jù)為基礎(chǔ)、以技術(shù)為驅(qū)動的新型數(shù)字化銀行，利用大數(shù)據(jù)金融科技獲取和識別有效信息，建立信用分析機(jī)制對客戶進(jìn)行批量小額授信，分散信用風(fēng)險。分析和預(yù)測客戶需求，提供個性化智能定制服務(wù)，提升信用風(fēng)險控制水平的同時促進(jìn)信用體系健全發(fā)展。