苗晴 马小剑
摘要：在经济新常态背景下，以船舶制造行业上市公司为研究对象，运用GARCH(1,1)修正KMV信用风险评估模型的主要参数，并将扩展模型应用于样本公司的信用风险度量。实证结果表明，修正后的KMV模型对上市公司违约风险水平的判定比较准确，且具有较强的前瞻性；我国船舶制造行业尽管面临诸多经营困境，违约风险却极低，与政策扶持和企业自身加强风险管理有关。
教育期刊网 http://www.jyqkw.com
关键词 ：新常态经济；船舶制造行业；信用风险；GARCH(1,1)模型；KMV模型
当今世界经济是信用经济，信用是市场经济正常运行的必要条件和道德规范，关系到市场及其参与主体经济目标——价值目标能否实现。中国经济在新常态背景下，经济增长目标定位于经济结构对称态基础上的可持续发展，经济发展模式和经济增长方式均以价值为核心要素，强调价值在经济主客体之间的对称。因此，在新常态经济环境中，市场参与者的信用将直接影响经济运行的质量。我国是造船大国，船舶行业三大指标市场份额连续3年保持世界领先，且该行业产业集中度较高，规模最大的10家企业造船产量占全国的50%以上。受多种因素影响，该行业目前存在不少问题，主要有：一是在过去传统的粗放型经济增长方式下由于投资增长过快，造成严重的产能过剩；二是国外船舶需求减弱，市场前景堪忧；三是远期结售汇业务带来一定程度的汇率风险；四是高成本低售价造成利润空间被不断挤压；五是上述问题导致严重的资金不足和融资困难。面对诸多经营问题，我国船舶制造行业是否存在违约风险及其程度如何？对此问题的研究对于新时期我国船舶制造行业加强风险管理，提高国际竞争力具有重要的理论价值和现实意义。
一、文献回顾
KMV 模型是美国KMV 公司于1993年创立的一种度量预期违约率的模型。该模型以期权定价理论为基础，根据企业的股票价格波动和股权价值来估计其预期违约概率，以具有时变性和前瞻性的资本市场信息来推断其信用情况，被认为是一种向前看(Forward-looking)的动态模型。一些学者证实了KMV 模型的有效性，如：Peter & Jeff(2001)[1]、Douglas & Sar?ah(2007)[2]、Matthew & Irina(2008)[3]、Sreed?har & Tyler(2008)[4]等。还有学者对KMV模型进行了改进，如：Navneet, Jeffrey &Fanlin(2005)通过对莫顿模型的变型，改进了基于股权价值的资产市场价值与波动率的计算，提高了KMV模型的准确度。[5]Dionysiou, Lambertides & Charitou(2008)在KMV模型的基础上发展了一种更为简单的违约预测模型，避免了传统KMV模型求解非线性方程组的困难，并通过实证证明了该模型具有较强的预测能力。[6]Wo-Chiang Lee(2011)利用遗传算法改进了KMV模型，并对台湾数据进行了实证分析，结果表明该模型能够准确找到违约点，提高了银行信用风险管理水平。[7]Ch?ing- Chiang Yeh, Fengyi Lin & Chih-Yu Hsu(2012)利用随机森林算法和粗糙集理论，建立了混合KMV模型，用于对台湾高科技公司的信用评级，结果证实该模型提高了对信用评级的准确度。[8]Mar?tin, Sergio & Rosella(2013)利用稳定帕累托分布对KMV模型中的股权波动率参数进行估计，建立了基于稳定非高斯过程的结构信用风险评估模型，并与传统KMV模型进行比较，得出的结论是该模型实现了优化。[9]
国内学者对KMV模型的改进和应用做了大量工作。王秀国和谢幽篁(2012)提出了基于CVaR 和GARCH(1,1) 的扩展KMV模型，并选取沪市A股14个样本公司进行实证分析，结果表明该扩展模型能更好地对市场信用风险做出预警。[10]曾诗鸿和王芳(2013)选取42家制造业上市公司为研究对象，利用ST和*ST公司的财务数据对KMV模型违约点进行修正，实证结果表明采用新违约点的KMV模型的适用性和准确性有所提高。[11]刘澄和张玲(2013)研究了KMV模型在度量中国公司信用风险时需要修正的所有参数及修正方法，分析表明在中国违约点设定应当提高，按理论值计算的预期违约概率通常低于真实值。[12]黄笑(2014)以2013年沪深两市20只上市公司作为研究样本，运用GARCH(1,1)方式修正KMV模型中的主要参数，得出的结论是修正后的KMV模型准确率提高。[13]邓晶等(2014)以沪深两市A 股林业上市公司为研究对象，选取2007-2012年首次成为ST的公司和对应的非ST公司为配对样本，运用KMV模型对其信用风险进行比较分析，并以此为基础构建了我国林业上市公司两级信用风险预警体系。[14]张盼盼和周新苗(2014)以16家不同性质上市商业银行为研究对象，运用KMV模型进行违约风险评估，结果表明我国上市商业银行整体信用状况良好。[15]张方舟(2014)随机选取10家主板上市公司和10家创业板上市公司，利用公开财务数据，基于KMV模型进行信用风险评估，结果证明KMV模型对上市公司信用风险度量有较高的准确性，且不同板块上市公司信用风险具有差异性。[16]
综上所述，KMV 模型在国内外企业信用风险评价方面得到了广泛应用，学者们多根据实际情况进行参数修正，并通过实证分析证明其预测违约概率的准确度得到提高。由于大量资本市场证据表明股价波动具有聚集性和尖峰厚尾特性，而GARCH(1,1)模型能够捕捉到时间序列的异方差，可用来刻画金融序列的波动，故本文对KMV模型的股权波动率参数采用GARCH(1,1)模型进行估计，在此基础上运用KMV模型对船舶制造行业上市公司进行违约风险度量。
二、实证研究设计
1.研究方法
（1）GARCH(1,1)模型。Bollerslev(1986)提出了广义自回归条件异方差模型(Gen?eralized Autoregressive Conditional Hetero?skedasticity, GARCH)。[17]该模型可以对金融时间序列数据进行描述，能很好地对波动率聚集等现象进行建模，因此在金融领域应用广泛。标准的GARCH(1,1)模型的基本形式为：
GARCH(1,1)模型的基本形式是：
σ2t=α0 +α1 μ2t-1 +θ1σ2t-1 ①
式① 中，σ2t和σ2t-1 为第t 期和第t -1期方差，μ2t-1 为滞后一期的随机误差项，α0 为常数项，α1 和θ1 为变量系数。从式① 可知，方差σ2t取决于三个因素：常数项、反映前一期波动情况的ARCH项、反映前一期预测方差的GARCH项。
（2）KMV模型。KMV模型把企业债看作期权，即企业所有者持有一份以企业债务面值为执行价格，以企业资产市场价值为标的的欧式看涨期权。当企业资产市场价值高于其债务价值时，不会发生违约；反之，当企业资产市场价值低于其债务价值时，违约就会发生。这个临界值就是违约触发点DPT(Default Point)。未来资产价值的期望值与违约触发点之间的距离称为违约距离DD(Distance to Default)。根据资产价值服从正态分布的假设，可得到预期违约率EDF(Expected Default Frequen?cy)。此外，KMV模型将企业的财务指标和市场价格指标作为输入变量，提高了模型对企业信用风险度量的全面性、综合性和系统性。
KMV模型的具体步骤如表1所示。
2.参数设置
参数设置如表2如示。
3.样本选取与数据来源
选择沪深股市船舶制造行业上市公司为研究对象，剔除数据缺失5%以上的样本，得到6家样本公司，分别是中国重工(601989)，上海佳豪(300008)，太阳鸟(300123)，中船钢构(600072)，中国船舶(600150)，亚星锚链(601890)。样本期间为2014年01月02日至2014年12月31日，共245个交易日。数据来源于锐思金融数据库，对数据的处理采用Eviews8.0 和Excel2007。
三、实证分析
运用基于GARCH(1,1)的扩展KMV模型，对样本数据进行实证研究，结果见表3。
根据表3数据，对样本公司σE 和σV 进行比较，如图1所示。
从图1可知，样本公司股价波动率差异不大，均界于0.4~0.5之间，表明样本公司股市行情波动较平稳；而资产波动率相差较大，最大值与最小值之间相差20个百分点，表明样本公司之间资产市场价值的期望值有一定差异。从股价波动率与资产波动率的纵向比较来看，样本公司资产波动率均小于股价波动率，表明市场对整个行业资产价值的预期较稳定。
图1数据显示，上海佳豪股价波动率和资产波动率“双高”，公司发生如下重大事项可能引起股价和资产价值预期的波动：两次重大资产重组，共涉及2.6亿元交易金额；股东大会通过股票期权激励计划；发生采购、销售及日常经营活动重大关联交易，共涉及4.3亿元交易金额；发生担保3.2亿元；高管人员发生变更。而中国重工股价波动率和资产波动率则“双低”，公司发生如下重大事项可能引起股价和资产价值预期的波动：重大收购涉及32.7 亿元交易金额；重大关联交易涉及170 亿元交易金额；发生担保117 亿元。尽管上海佳豪重大事项所涉及的资金数额远小于中国重工，但由于中国重工总资产达2000亿元，位居行业龙头，重大事项资金占总资产比重不足16%，而上海佳豪总资产只有13亿元，重大事项资金占总资产比重高达77%。
根据表3数据，对样本公司E和V进行比较，如图2所示。
从图2可知，样本公司之间股票市场价值和资产市场价值均有较大差异，其中中国重工和中国船舶的股票市场价值和资产市场价值远高于其他公司，这是由于这两家公司总股本数量位居行业前两名，且市盈率也较高；从数据的纵向比较来看，样本公司资产市场价值均高于其股票市场价值，表明市场对整个行业资产经营能力有较高的预期。
根据表3 数据，对样本公司DD 和EDF进行比较，如图3所示。
从图3 可知，样本公司违约距离较大，均大于3；违约概率较低，均接近或等于0。表明样本公司信用很高，违约风险很低。相对而言，中国重工和中国船舶的违约距离小于4(相应的违约概率大于0.1%)，而其他公司违约距离接近或大于5(相应的违约概率接近0)。究其原因：根据各公司2014年报资产负债比率数据显示，中国重工(69.78% ) 和中国船舶(62.17% ) 均高于50% ，而中船钢构(49.87% )、上海佳豪(36.13% )、太阳鸟(34.9%)和亚星锚链(23.28%)则低于50%。
2015年，随着《中国制造2025》《中国的军事战略》白皮书的相继发布以及南北船合并战略规划的启动，我国船舶制造行业进入新的历史发展时期，面临新的发展机遇，个股出现不同程度的涨停，实现大单资金的净流入，证券机构维持行业“增持”评级。
四、结论
实证研究发现：即使面对经营困境，我国船舶制造行业总体信用水平很高，不存在信用危机。究其原因，一是来自政策效应，2013年10月国务院出台了《关于化解产能严重过剩矛盾的指导意见》，针对船舶行业产能过剩提出了相关政策建议；2014年5月发改委公布了《海洋工程装备工程实施方案》，旨在加快推进海洋工程装备制造业的持续健康发展；2014年12月工信部发布了《海洋工程装备(平台类)行业规范条件》，对于加强海工行业管理、提升技术水平、促进转型升级具有重要意义。二是金融机构在政策指引下积极开展船舶买方信贷业务，加大信贷融资支持和金融创新，为船舶行业创造了较宽松的金融环境。三是船舶行业积极开展造船产能清理工作，淘汰、转移、停建了一批大型造船项目，产能过剩问题得到有效遏制；主动适应国际船舶技术发展新趋势，加快科技创新步伐，加强产品研制和市场开拓，综合竞争能力逆势提升。
教育期刊网 http://www.jyqkw.com
参考文献
[1]Peter C, Jeff B. Modeling Default Risk[Z].Moody’s KMV Technical Document, 2001-08-02.
[2]Douglas D, Sarah W. Analyzing the Subprime Market Fallout Using EDFTM Credit Measures [Z]. Moody’s KMV Technical Document,2007-04-16.
[3]Matthew K, Irina K. Methodology for Testing the Level of the EDFTM Credit Measure[Z].Moody’s KMV Technical Document, 2008-08-02.
[4]Sreedhar T B, Tyler S. Forecasting Default with the Merton Distance to Default Model[Z].Review of Financial Studies, Society for Finan?cial Studies, 2008,21(3):1339-1369.
[5]Navneet A, Jeffrey R B, Fanlin Z. Reduced Form vs. Structural Models of Credit Risk: A Case Study of Three Models[Z]. Moody’s KMV Technical Document, 2005-02-17.
[6]Dionysiou D, Lambertides N, Charitou A. An Alternative Model to Forecast Default Based on Black-Scholes-Merton Model and a Liquidity Proxy[R]. Working paper, University of Cyprus,2008.
[7]Wo-Chiang L. Redefinition of the KMV Mod?el’s Optimal Default Point Based on Genetic Algorithms- Evidence from Taiwan[J]. Expert Systems with Applications,2011,38(8): 10107-10113.
[8]Ching-Chiang Yeh, Fengyi Lin, Chih-Yu Hsu.A Hybrid KMV Model, Random Forests and Rough Set Theory Approach for Credit Rating [J]. Knowledge-Based Systems,2012,33: 166-172.
[9]Martin G, Sergio O L, Rosella G. Structural Credit Risk Models with Subordinated Process?es[J]. Journal of Applied Mathematics,2013(12):1-12.
[10]王秀国,谢幽篁.基于CVaR 和GARCH(1,1)的扩展KMV 模型[J].系统工程,2012(12):26-32.
[11]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(2):60-63;69.
[12]刘澄,张玲. KMV模型在中国的适用性研究[J].金融纵横,2013(10): 69-75.
[13]黄笑.基于修正后KMV模型对于上市公司信用风险度量的实证研究[J].时代金融,2014(7)中旬刊:195-199.
[14]邓晶,等.我国林业上市公司信用风险研究——基于KMV模型[J].技术经济与管理研究,2014(7):8-12.
[15]张盼盼,周新苗.基于KMV模型的我国商业银行违约风险实证研究[J].科技与管理,2014(7):100-104.
[16]张方舟. KMV模型在我国的股票市场信用风险实证分析[J].经营管理者,2014(3):186-187.
[17]张大维,刘博,刘琪. Eviews数据统计与分析教程[M]. 北京: 清华大学出版社,2010.
[基金项目：江苏大学高级人才专项资助项目(编号：11JDG173)；国家自然科学基金青年项目(编号：51309124)]
（作者单位：江苏大学财经学院、江苏科技大学船舶与海洋工程学院）