【作　　者】
杨 筝1，刘 放2（博士），夏义星1

【作者单位】
1.武汉大学经济与管理学院，武汉430072；2.武汉市武昌区国有资产监督管理办公室，武汉430060

【摘　　要】

   【摘要】以2009 ~ 2015年67家上市物流企业为样本，运用KMV模型对其信用风险以及信用风险的主要影响因素进行研究，结果表明：物流企业的信用风险自2011年起显著上升；宏观经济环境、物流企业的总资产及资产负债率对信用风险有显著影响。特别是随着GDP增长率的降低，物流企业的违约距离减小，信用风险上升。该研究结果提供了物流企业信用风险动态变化的经验证据，对加强物流企业信用风险管理具有一定的借鉴意义。
【关键词】物流企业；信用风险；KMV模型；影响因素
【中图分类号】F276.6      【文献标识码】A      【文章编号】1004-0994（2017）21-0045-6一、引言
随着我国发展为全球第二大经济体和最大贸易体，物流产业在国民经济中的基础性和支撑性作用愈发突出。犹如国民经济体系中的血液循环系统，物流产业链接起了各个经济领域，不仅促进了企业的发展和国内市场的消费，还有助于我国实现产业结构升级和经济增长方式的转变。根据中国物流与采购联合会统计，2015年我国前50强物流企业共计实现物流业务收入8400亿元，比2014年增长5.9%。但是，在当前我国经济发展步入新常态、寻找新方位的关键时期，物流产业的发展也面临瓶颈，不仅利润率越来越低，还出现了物流行业整体亏损的不利局面。特别是韩国最大物流企业韩进海运集团的破产，加剧了人们对物流企业债务违约风险的担忧，从而使得物流行业的信用风险问题受到越来越多的关注。
信用风险是指交易对手直接违约或者履约能力发生变化导致资产损失的不确定性。作为现代金融体系中最为重要的不确定性因素之一，信用风险的测度与管理不仅关乎企业与金融机构的健康发展，还会对整个金融体系乃至社会经济整体造成重要的影响。当前国际上通行的测度企业信用风险的方法主要分为两大类：一类是根据相关领域的专家评分（或评级）结果把信用风险划分为不同的等级，比如中国银行将企业的信用等级分为AAA级、AA级、A级、BBB级、BB级、B级、CCC级、CC级、C级和D级等十个等级；另一类就是运用数理模型对企业的信用风险进行精确度量，常用的信用风险数理模型包括credit-metric模型、KMV模型等。其中，KMV模型是基于期权定价理论构建结构化方程，借助企业的财务和市场交易数据来度量企业的信用风险。与其他的信用风险数理模型相比，KMV模型的测度效果更好。因此，本文将结合我国资本市场的特点，运用KMV模型对物流企业的信用风险进行测度和评估。
二、KMV模型理论基础
（一）文献综述
鉴于KMV模型在信用风险测度中的良好表现，该模型被国内外学者广泛应用。Oldrich Alfons Vasicek（2001）通过对债券的收益利差进行期权调整分析发现，KMV模型可以预测公开交易债券的收益变化。Matthew Kurbat和Irina Korablev（2002）运用美国上市公司1991 ~ 2001年的数据分析了预期违约概率的运动轨迹，结果表明它与实际违约率轨迹高度吻合。Peter Crosbie和Jeff Bohn（2003）以金融机构为研究对象，通过KMV模型分析发现，当金融机构发生信用违约事件时，预期违约概率可以有效地监测金融机构信用水平的变化。Irina Korablev和Douglas W. Dwyer（2007）以北美、欧洲和亚洲地区非金融上市企业为样本，运用KMV模型测算了它们的信用风险，实证结果表明该模型对不同地区不同时期的企业信用风险具有较好的预测能力。Zhenpeng Tang（2009）运用Logistic模型分析了违约距离对中小企业信用风险识别的影响。
杨星和张义强（2003）运用KMV模型对我国上市公司进行分析，结果表明预期违约概率和股票价格波动呈现出显著的负相关关系。张玲、杨贞柿和陈收（2004）借助于受试者工作特征曲线发现，KMV模型在识别上市公司信用风险差异上可以提前2年实现。曹道胜和何明升（2006）通过对KMV模型的适用性进行研究指出，在对我国企业信用风险的应用过程中需要对KMV模型进行必要的修正。陈晓红、张泽京和王傅强（2008）运用KMV模型对我国中小上市企业进行了分析，结果表明资产规模对企业的信用风险影响显著，且中小企业的违约概率明显比大型企业高。凌江怀和刘燕媚（2013）运用KMV模型对我国上市银行的违约距离及其违约率进行了测算，其结果与标准普尔给出的评级结果基本一致。蒋彧和高瑜（2015）对KMV模型进行了修正，在此基础上对2014年2月中国2008家上市公司的信用风险进行评估，并进一步检验了该模型识别和预测信用风险的能力。
国内学者不仅将KMV模型应用于国内企业信用风险的研究，还以此为基础对信用风险的影响因素进行了分析。高扬敏、陈红伟和陈刚（2009）运用上市公司的面板数据进行研究，发现企业的资产负债率和资产波动率与企业的信用风险呈现出显著的正相关关系。刘迎春和刘霄（2011）借助于KMV模型探讨了ST上市公司与非ST上市公司信用风险的差异，并指出行业因素对企业信用风险也具有重要影响。彭伟（2012）对中小上市公司2008 ~ 2011年的数据进行研究，发现资产规模对企业信用风险的影响存在不确定性，但公司股价的波动率则与违约距离显著负相关。李晟和张宇航（2016）以2010 ~ 2015年我国上市商业银行为研究对象，运用KMV模型对其违约距离进行了测算并对影响违约距离的主要因素进行了分析。
从现有KMV模型的应用文献来看，其研究对象主要分为两类：一是上市公司，二是商业银行等金融机构。国内外学者的研究结果表明KMV模型具有很强的适用性，可以对企业的信用风险进行准确的评估。然而，目前的研究大多忽略了行业差异对企业信用风险特质的影响，特别是对某一行业领域企业信用风险问题的研究非常稀少。本文在借鉴现有研究成果的基础上，以物流企业为研究对象，对其信用风险及其影响因素进行深入分析，从而为物流行业信用风险的评估分析提供直观证据。
（二）KMV模型
KMV模型的核心思想来源于Black-Scholes模型。一般来说，企业的资金来源包含股权和债权两种融资方式。如果企业债务到期时，企业资产价值不足以偿付其债务，企业就会发生违约行为，同时企业的股权价值也将为0。根据期权定价理论，企业的股权价值可看作是以企业资产价值为标的物的欧式看涨期权，而债务价值则是该期权的执行价格。当期权到期时，如果企业的资产价值大于其债务价值，则执行期权并获取收益；反之，则发生违约。因此，企业资产价值等于债务价值的临界点即为违约点。
假设企业资产价值Vt服从几何布朗运动，即：
dVt=μVtdt+σVtdWt （1）
其中，μ表示企业资产预期增长率，σ表示企业资产价值波动率，Wt表示维纳过程。根据Black-Scholes公式，在t=0时企业股权价值为：
E0=V0N（d1）-De-rTN（d2） （2）
其中，D表示企业债务价值，d1=［ln（V1/D）+（r+σ2/2）/T］/σ    ，d2=［ln（V0/D）+（r-σ2/2）/T］/σ    。r表示无风险利率，N（·）表示标准正态累计分布函数。
根据（1）式积分可得，t时企业资产价值为：
Vt=V0exp［（μ-σ2/2）t+σ   ε］ （3）
其中，ε表示随机干扰项。根据（3）式可以得出期权到期时企业的预期违约概率：
EDF=P（VT≤D）
=P{V0exp［（μ-σ2/2）T+σ    ε］≤D}
=P［（ln（V0/D）+（μ-σ2/2）T）/σ    ≤ε］
=N{-［ln（V0/D）+（μ-σ2/2）T］/σ    } （4）
其中，企业资产价值与债务价值之间的距离为违约距离，即：
DD=-［ln（V0/D）+（μ-σ2/2）T］/σ （5）
KMV模型的构造原理如图1所示。从图1中可以看出，企业的预期违约率EDF与其违约距离DD呈负相关关系。随着违约距离DD逐渐减小，企业预期违约率EDF逐渐增加，企业发生信用违约的风险也就越来越大。
考虑到企业股权价值Et可以用企业资产价值Vt和时间t来表示，因此股权价值Et同样服从几何布朗运动。同时，企业股权价值Et的波动率σ"满足下列条件：
σ′Et=σVt（∂Et/∂Vt） （6）
根据（2）式可以得出：∂E0/∂V0=N（d1）。进而可以得出：
σ′E0=σV0N（d1） （7）
通过（2）式和（7）式，可进一步得出企业资产价值V0及其波动率σ。
（三）参数设定
根据前文的分析，在计算企业的违约距离DD和预期违约率EDF的过程中，需要设定以下参数：
1. 债务价值D。KMV公司通过大量实证研究发现，企业的债务价值介于其短期债务和债务总值之间，将短期债务与二分之一长期债务之和作为债务价值的度量较为适当。因此，本文将企业的债务价值设定为短期债务与二分之一长期债务之和。
2. 股权价值E0。虽然我国绝大部分上市公司已经完成股权分置改革，但仍有部分企业存在非流通股。为了对非流通股的价值进行度量，本文用每股净资产来代替非流通股的价格。因此，企业的股权价值E0可以表示为：
E0=流通股数×当月股票收盘均价+非流通股数×每股净资产
3. 股权价值波动率σ′。企业的股权价值波动主要是由其股票价格波动引起的，因此本文用股票价格波动率来代替企业股权价值波动率。企业股权价值波动率计算步骤如下：①计算企业股票日收益率：ui=ln（pi/pi-1），其中pi表示股票当日收盘价；②计算企业股票日收益率标准差：S=                       ；③确定股权价值波动率：σ′=S    ，N表示期权持有期间的实际交易天数。
4. 资产预期增长率μ。现有文献中多把资产预期增长率设定为零或者用无风险利率代替。考虑到不同企业之间资产增长情况千差万别，本文采用指数平滑法来计算企业资产预期增长率。
5. 无风险利率r。目前我国缺乏较为成熟的利率市场机制，难以准确估计无风险利率。因此，需要用其他利率来代替。考虑到利率来源的权威性，本文采用中国人民银行公布的一年期存款利率作为无风险利率。
三、物流企业信用风险实证分析
（一）样本选取
我国《上市公司行业分类指引》中没有物流企业这一行业门类，考虑到交通运输、仓储业类上市企业的主营业务可以看作物流业务，本文将这一类别企业作为物流企业进行分析。经过筛选，确定将67家上市物流企业作为研究对象，并以其2009 ~ 2015年的数据为基础进行分析。本文所使用的数据均来源于国泰安研究服务中心数据库。
（二）实证结果
根据上市物流企业样本数据，本文设定期权期限T为1年，并分别以2009 ~ 2014年中的每一年度为起点，运用Matlab对样本物流企业的信用风险进行评估。其中，以2014年为起点的物流企业违约距离和预期违约率测算结果如表1所示。
图2为物流企业违约距离和预期违约率均值变化趋势与GDP增长率的比较。从图2可以看出，自2009年开始，物流企业的平均违约距离缓慢上升；以2011年为转折点，其平均违约距离持续下降，这说明在此期间物流企业的信用风险不断攀升。实际上，在这段时间内我国国民经济持续下行，GDP增长率不断创新低。与此同时，世界经济普遍低迷，国际贸易也受到影响。在国内外经济环境趋冷的压力下，物流企业的盈利空间不断被压缩，而盈利能力的下降进一步加大了物流企业的违约概率，对物流行业的健康发展造成了一定的冲击。

。从表2可以看出，物流企业间的信用风险存在一定的差异。其中，2011年物流企业间的信用风险差异最大。通过比较物流企业违约距离均值和中位数发现，物流企业违约距离的均值均高于其中位数，这说明信用风险较低的物流企业相对较多。
四、物流企业信用风险影响因素分析
以上部分对物流企业的违约距离及其预期违约率进行了测算。物流企业的信用风险固然会受到宏观经济环境的影响，但更容易受自身经营条件的影响。根据以往的研究，学者们分别探讨了总资产（TA）、净资产收益率（ROE）和资产负债率（D/A）等因素对企业信用风险的影响。考虑到在对企业信用风险的测度中，短期债务所占比重较高，且企业经营状况的好坏对其偿债能力具有重要影响，本文进一步选取流动比率（CR）和经营活动产生的现金流量净额/负债合计（NC/TD）两个因素来分析它们对企业信用风险的影响。下面对物流企业信用风险与主要影响因素的关系提出假设，并通过后文的实证分析进行检验。
H1：物流企业总资产（TA）与其信用风险负相关。一般来说，企业的资产规模越大，其经营水平和盈利能力越高，相应地也会提升其偿还债务的能力。为了消除不同企业之间总资产数值差异较大的影响，本文采用企业总资产的自然对数进行计算。
H2：物流企业净资产收益率（ROE）与其信用风险负相关。企业的净资产收益率越高，其股权价值越高，对其债务的保障越有利，企业的信用风险也越小。
H3：物流企业资产负债率（D/A）与其信用风险正相关。企业的资产负债率越低，其需要偿还的债务相对越少，发生信用违约的概率越小。
H4：物流企业流动比率（CR）与其信用风险负相关。企业的流动比率越高，其偿还短期债务的能力越强，出现违约风险的几率越小。
H5：物流企业经营活动产生的现金流量净额/负债合计（NC/TD）与其信用风险负相关。企业经营活动产生的现金流量净额越高，其可用于偿还债务的资源越多，发生信用风险事件的可能性就越小。
H6：宏观经济环境对物流企业信用风险存在显著影响。宏观经济环境好转，企业盈利能力增强，对企业偿还债务更有保障。目前多采用GDP增长率反映宏观经济环境，本文亦使用GDP增长率进行分析。
为了探究这些影响因素对物流企业信用风险的影响，本文以物流企业的违约距离DD为因变量建立如下回归方程：
DDit=β0+β1TAit+β2ROEit+β3D/Ait+β4CRit+β5NC/TDit+β6GDPit+εit （8）
本文对该模型进行面板数据回归，结果如表3所示：

对上述回归结果分别进行F检验、LM检验和Hausman检验，检验结果如表4 ~ 表6所示。从表6可以看出，固定效应模型与随机效应模型Hausman检验的p值为0.0000，说明固定效应模型优于随机效应模型。因此，本文最终选取固定效应模型对物流企业的违约距离和其影响因素之间的关系进行回归分析。
根据固定效应模型的回归结果，模型的within-2为0.3373，说明模型的拟合效果较好；模型总体F检验的F值为8.72，p值为0.0000，说明模型整体回归显著。
在固定效应模型回归结果中，总资产（TA）、资产负债率（D/A）、GDP增长率分别在1%、5%、10%的水平上显著，净资产收益率（ROE）、流动比率（CR）、经营活动产生的现金流量净额/负债合计（NC/TD）则不显著。这说明物流企业的净资产收益率（ROE）、流动比率（CR）、经营活动产生的现金流量净额/负债合计（NC/TD）等因素对其信用风险不存在显著影响。从各变量的回归系数来看，总资产（TA）、资产负债率（D/A）的回归系数小于0，GDP增长率的回归系数大于0。也就是说，随着总资产（TA）的增加，物流企业的违约距离逐渐减小，其信用风险加大；随着资产负债率（D/A）的增加，物流企业的信用风险加大；随着GDP增长率的提升，物流企业的信用风险减小。显然，资产负债率（D/A）、GDP增长率的回归结果验证了前文的假设，而总资产（TA）的回归结果则与前文假设完全相反。通过分析物流企业总资产（TA）与其债务价值（D）的关系发现，二者的相关系数为0.9655，这说明二者具有高度的一致性。即随着物流企业总资产（TA）的增加，其债务价值（D）占总资产的比重并未降低。
五、结论
本文以我国物流企业为研究对象，利用KMV模型对其信用风险进行研究。根据物流企业信用风险的测算结果，宏观经济环境的变化对物流企业的信用风险产生了显著影响。随着宏观经济环境的恶化，物流企业的信用风险逐步增加。从企业自身来看，总资产、资产负债率对企业的信用风险都有显著影响，特别是随着物流企业资产负债率的降低，其信用风险水平也随之降低。
综合以上分析，物流企业要适应宏观经济环境的变化，在经营管理过程中应注重提高自身的信用风险管理水平和能力，通过优化企业的资产负债结构，提升自身的负债管理能力，优化自身的财务管理。特别是在物流企业的扩张过程中，切勿盲目追求资产规模的扩大，而应适度控制自身的负债规模，防止信用风险随着经营规模的扩张而不断膨胀，从而为企业的良性发展埋下隐患。同时，物流企业还要多吸收和借鉴国内外同类企业先进的管理方法和理念，努力提高自身信用等级，降低信用风险，促进企业持续健康发展。

主要参考文献：
Gianluca Oderda， Michel M. Dacorogna， Tobias Jung. Credit Risk Models-Do They Deliver Their Promises？ A Quantitative Assessment［J］．Economic Notes，2003（2）．
Feixue Huang，Yue Sheng，Zhijie Li. Evaluation of Default Risk Based on KMV Model for ICBC，CCB and BOC［J］．International Journal of Economics and Finance，2010（1）．
杨星，张义强．中国上市公司信用风险管理实证研究——EDF模型在信用评估中的应用［J］．中国软科学，2003（1）．
曹道胜，何明升．商业银行信用风险模型的比较及其借鉴［J］．金融研究，2006（10）．
陈晓红，张泽京，王傅强．基于KMV模型的我国中小上市公司信用风险研究［J］．数理统计与管理，2008（1）．
高扬敏，陈红伟，陈刚．上市公司信用风险的KMV模型分析［J］．辽宁工程技术大学学报，2009（1）．
刘迎春，刘霄．基于GARCH 波动模型的KMV信用风险度量研究［J］．东北财经大学学报，2011（3）．
彭伟．基于KMV模型的上市中小企业信贷风险研究［J］．南方金融，2012（3）．
凌江怀，刘燕媚．基于KMV模型的中国商业银行信用风险实证分析——以10家上市商业银行为例［J］．华南师范大学学报（社会科学版），2013（5）．
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）．
李晟，张宇航．中国上市商业银行信用风险分析及比较——基于KMV 模型及面板数据［J］．中央财经大学学报，2016（10）．
杨秀云，蒋园园，段珍珍．KMV模型在我国商业银行信用风险管理中的适用性分析及实证检验［J］．财经理论与实践，2016（1）．
杨军，朱宇．经济波动下的银行信用风险评级与改进［J］．投资研究，2015（12）．