上市公司信用风险测度评价
——基于KMV与Logit模型的实证研究
李 耀
（哈尔滨商业大学会计学院哈尔滨150028）
摘要： 以我国沪深A股上市公司作为研究对象，提取2017年的90家上市公司为样本，在模型上进行了两个阶段扩展，最先根据我国的情况对KMV模型进行调整，运用KMV模型计算样本的违约距离DD，初步判断该指标对st公司和非st公司的区分能力；然后将违约距离DD当作一个变量与其他筛选后变量引入logistic模型中构成的logistic模型。实证显示，纳入违约距离DD后，logistic模型对ST和非ST公司的判别准确度相较于单独的违约距离DD提高了很多。
关键词： KMV模型；信用风险；logistic模型
一、研究背景
随着经济的发展，资本市场也日益发展壮大，金融的经济地位也与日俱增，资本市场已然成为企业募集资金的场所，投资者也可以在资本市场进行操作来获得回报，所以企业的财务状况常常受到管理当局、投资者等利益相关者的密切关注，但随着经济全球化和大数据时代的到来，市场竞争也越来越残酷，不少企业发展举步维艰，就可能会陷入到财务危机中，然而企业发生财务危机也不是毫无征兆的，是一个渐渐地过程，而且是可以预测的，正确预测企业的财务风险，对保护投资者和债权人利益，对公司管理层面预防危机和改善治理，对政府监管，更好对市场监督和管理资本市场，都有重要的意义。
二、文献回顾
中国证券市场近些年才发展起来，而国外比较成熟，国内学者对财务困境预测研究还处在研究初始阶段，大多学者也是沿用国外的研究模式。
鲁西化肥作为中国化肥行业的知名品牌，不仅始终致力于以雄厚实力、丰富产品服务中国农业，而且坚持国有大型企业的行业责任，与时俱进。在中国农业不断变革进步的历史性进程中，鲁西化肥在新型肥料和绿色发展中，也始终站在潮头。鲁西液体肥，就是鲁西化肥实力与精神的凝聚与写照。
邹鑫，李莉莉，房琳（2014），用29家上市公司的数据作为样本，研究其信用风险，使用了KMV模型与Logit模型展开了研究，从总体效果来看，KMV模型的预测精度不高于Logit模型的预测精度。
孙森，王玲（2014），将KMV模型与Logit回归模型相结合，对在沪市随机选取的68家上市制造业的连约风险进行了实证分析，最终得出模型判定率较高的结论。
蒋彧，高瑜（2015），对KMV模型参数的估计与设定方法进行修正。随后运用修正后的KMV模型,对2014年2月中国2008家上市公司的信用风险进行评估,并对模型识别和预测信用风险的能力进行检验。最终得出:修正后的KMV模型具有良好的上市公司信用风险识别能力;在特定的评估时长下,模型具有较强的信用风险预测能力。
杨秀云，蒋园园，段珍珍（2016），基于定性和定量分析相结合,对KMV模型、Credit Metrics模型、Credit Risk+模型和Credit Portfolio View模型四种信用风险管理方法进行比较分析，认为KMV模型最适合我国目前的国情。以2013年45家ST公司和与之配对的45家非ST公司以及2014年20家ST公司和与之配对的20家非ST公司为样本,进行实证检验。实证结果表明KMV模型基本上能够识别上市公司的信用状况。
李晟，张宇航（2016），选取了2010—2015年间我国16家上市商业银行作为样本,运用KMV模型计算出每个商业银行的违约距离,随后通过面板数据对于影响违约距离的主要因素进行了回归分析。结果表明,国有银行相对于非国有银行而言其信用风险相对较低,而商业银行的总不良贷款率、贷存比以及资产规模对于商业银行的信用风险有着较为显著的影响。
三、实证方案
（一）KMV模型的样本选取
因我国破产机制不完善，所以以ST公司来代表财务困境公司，本文选取截至2017年12月31日为止，45只特别处理股票作为违约样本组和行业一致的45只正常股票作为非违约配对样本组进行研究。
共同因子（F6）在经营活动产生的现金流量净额/负债、经营活动产生的现金流量净额/营业利润上因子载荷较大，因此将因子6命名为经营现金流。
（二）KMV模型分析
违约点设置为=短期负债+1/2长期负债
股权市场价值=流通股股数*股票收盘价+非流通股股数*每股净资产
通过MATLAB计算资产价值、资产价值波动率和违约距离。得到了90家上市公司的违约距离，我们将ST组和非ST组的违约距离对比可以发现，ST组的违约距离明显小于其同行业相近资产规模的非ST组的违约距离。在上述45对公司中有36对判断正确，准确率高达80%，说明KMV模型能够较好的判断出违约组公司和非违约组公司。上述违约组的平均违约距离为3.681022，非违约组的平均违约距离为45.60495771，两者表现出极大差异。现实中ST公司由于经营状况不好，业绩下滑，很可能出现资不抵债信用违约情况，实证结果和实际情况符合。
综上所述,应用集束化护理措施,能够显著降低呼吸机相关性肺炎患者的机械通气时间、呼吸机相性肺炎发生率,并有助于提高护理质量与患者满意度,值得临床广泛推行。
（三）违约距离的T检验
共同因子（F4）在净利润/营业总收入、经营活动产生的现金流量净额/营业收入上因子载荷较大，因此将因子4命名收益结构因子。
本次临床观察指标:显效,患者的心悸以及胸闷等临床症状消失,且动态心电图检查未发现异常;有效,患者的心悸以及胸闷等临床症状有所改善;无效,患者的临床症状为得到改善。治疗总有效率等于治疗显效率与治疗有效率之和。
成对样本检验P=0.157＞0.05,证明两组之间存在显著差异，进而证明KMV模型有较好的信用风险识别能力。
共同因子（F2）在资产负债率、普通股权益总额、每股净资产上因子载荷较大，将因子2命名为权益因子。
（四）Logistic模型的样本选取
选用KMV模型的90家上市公司为研究对象。其中包含45家违约企业和45家非违约企业。选取了X1资产负债率、X2流动比率、X3速动比率、X4销售毛利率、X5普通股权益总额（亿元）、X6股价波动率(年化)、X7净利润/营业总收入、X8总资产报酬率ROA、X9流动负债合计（亿元）、X10非流动负债合计（亿元）、X11现金比率、X12经营活动产生的现金流量净额/负债合计、X13 长期债务与营运资金比率、X14 货币资金/短期债务、X15应收账款周转率、X16营运资本周转率、X17经营活动净收益/利润总额、X18 经营活动产生的现金流量净额/营业利润、X19现金营运指数、X20 总资产周转率、X21应付账款周转率、X22存货周转率、X23 经营活动产生的现金流量净额/营业收入、X24 每股现金流量净额（元）、X25归属母公司股东的权益(相对年初增长率)、X26净利润(同比增长率)、X27营业收入(同比增长率)、X28前十大股东持股比例合计、X29第一流通股东持股比例、X30每股净资产BPS（元）、X31第一大股东持股比例。
（五）样本进行Mann-whitneyU检验
人工智能（Artificial Intelligence），英文缩写为AI，是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。近年来，随着全球互联网大数据技术的发展普及，人工智能正飞速席卷多个行业，一场社会分工中的人工智能革命正悄然兴起，而会计行业则是受其冲击影响较大的一个行业。
（六）引入违约距离的Logistic信用违约模型
因变量较多，而指标之间存在相关性而对模型稳健性产生不好影响，在不能盲目删减指标的情况下，用因子分析法对变量就行降维，浓缩成几个互不相关的因子。最后提取出7个主因子，总方差解释率为72.19%，总体效果较好。
生产管理的核心就是生产跟踪，基于生产过程采集的数据，监控和记录产品生产的全过程。图3为制丝车间的生产管理界面。
共同因子（F5）在股价波动率、总资产报酬率、归属于母公司股东的权益上因子载荷较大，因此将因子5命名为权益波动因子。
共同因子（F1）在流动比率、速动比率上因子载荷较大，将因子1命名为短期偿债能力。
Kilimall早期的买家当中，很大一部分是非洲的有钱人和政府公务员，在当地有权有势，稍有工作失误或者沟通上的误会，就容易造成险情。买家直接带着警察和律师上门是常有的事。
共同因子（F3）在违约距离上因子载荷较大，因此将因子3命名为违约距离。
旅游管理的一个重要组成部分就是景区服务，游客在旅游的过程中不但要欣赏美景，对景区服务的要求也变得越来越高，这就要求旅游企业要做好旅游服务工作。旅游管理人员要依靠新媒体构建景区服务反馈体系，这样游客在景区内遇到任何的困难和问题，都可以通过系统反馈给旅游管理人员，以便于管理人员技术解决游客的问题。旅游管理人员还可以将游客在新媒体上反馈的问题进行收集和整理，然后找出普遍性的问题，有针对性地改善旅游景区服务。可以说，旅游服务反馈系统既能够解决游客在旅游中的困扰，又能对旅游管理人员起到监督作用。另外，新媒体运用到旅游管理中还能加强信息的流通，旅游企业要根据景区的特点，建立特色新媒体旅游平台。
采用两独立样本的Mann-whitneyU检验来检验样本来自的两独立总体的均值和分布有无显著差异。SPSS将自动计算Mann-whitneyU统计量，在0.05的显著性水平下，若p＜0.05，则拒绝原假设：认为该指标对ST公司和非ST公司具有显著区分能力，结果其中变量X9,X10,X11,X14,X15,X16,X19,X22,X24,X26,X27,X29没有通过显著性差异检验，即这12个变量对ST公司和非ST公司并没有显著区分能力，故而可以从基础指标中剔除。因X12、X17缺失值较多，故也剔除。
样本相关系数P（sig）=0.959＞0.05证明ST组和非ST组之间无相关关系。
为了更好地观察变量因子，根据因子载荷较大的数值分布对得到的7个共同因子命名。
所需指标主要有：以对数收益法计算的以日为周期的年化波动率、流通股股数、非流通股股数、每股净资产、2017.12.31股票收盘价、短期负债、长期负债。
共同因子（F7）在总资产周转率、应付账款周转率上因子载荷较大，因此将因子7，命名为经营周转因子。
基于上述7个共同因子的Logistic模型采用Enter进行logistic回归，回归结果：
四、结论
通过对上述实证分析的总结，能够得出以下四条结论：
一、上市公司的财务状况的变动能够通过违约距离比较客观地体现。
二、本文的均值差异主要是通过两个M-W的独立样本来检验的，结果表明余下18个指标在0.05的显著性水平下完成了检验，即表明其能够明显区分出财务异常公司和财务正常公司。
重构后对应的网络结构如图8所示。求得最优解断开的支路为：7-8，9-10，14-15，32-33，25-29，此时网络结构的网损为129.830 9 kW。
三、违约距离除了能够客观体现上市公司的财务变动情况，另一方面，对模型的辨别能力也具有一定程度的提升促进作用。上述结果也能够验证违约距离的加入显著提升了辨别精度。
四、相对精准的Logistic模型可以通过因子分析得到的7个共同因子而建立。如本文通过该途径所建立的Logistic模型能够85.6%的精准度总体预测财务困境公司。
参考文献：
[1]邹鑫，李莉莉，房琳．基于Logit和KMV的我国上市公司信用风险的比较研究[J]．青爲大学学报（自然科学版），2014，27（2）：90-94．
[2]邓晶，田治威，张燕琳．我国林业上市公司信用风险研究一基于KMV模型[J]．技术经济与管理研究，2014，（7）：8-12．
[3]孙森，王玲．基于KMV-Logit模型的上市公司违约风险实证研究[j]．财会月刊，2014（18）：64-68．
[4]蒋彧，高瑜．基于KMV模型的中国上市公司信用风险评估研究[J]．中央财经大学学报，2015（9）：38-45
标签：kmv模型论文; 信用风险论文; Logistic模型论文; 哈尔滨商业大学会计学院论文;