《资产价值增长率在企业信用风险评估中的应用.pdf》由会员分享，可在线阅读，更多相关《资产价值增长率在企业信用风险评估中的应用.pdf（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、经济问题探索2 0 1 0 年第7 期资产价值增长率在企业信用风险评估中的应用水杨永生，周子元(云南师范大学经济与管理学院，昆明6 5 0 0 9 2)摘要：本文比较了国内外已有的资产价值增长率估算方法，分析了结构模型中的资产价值的含义和构成，修正了基于财务报表数据的资产价值增长率估算法，并用于企业信用风险评估的实证研究。实证结果表明与基于资本市场信息的估算方法相比。在我国上市公司的信用风险评估中，基于财务报表数据估算的增长率更为有效。关键词：资产价值；信用风险；K M V 模型；增长率一、引言信用风险是商业银行面临的主要风险，按照巴塞尔委员会的定义，信用风险指银行的借款人或交易对象不能按事先
2、达成的协议履行其义务的潜在可能性。近来发生的次贷危机再次表明，在金融创新和金融衍生工具日益复杂的背景下，信用风险可能会作为一种系统性风险而爆发，并且其破坏力和传染性远远超出人们的预期。随着金融理论和金融工程技术的发展，信用风险的量化研究取得了很大进展。理论界一般用违约概率度量信用风险的大小，在违约概率测算方面，先后出现了基于企业财务指标的统计判别模型，基于或有要求权分析的结构模型(s t r u c t u r a lm o d e l)和基于违约强度过程的简化模型(r e d u c e dm o d e l)三类方法。其中，结构模型因为其风险驱动机制明确、理论依据充分而受到理论界和实务界的
3、关注。在理论研究上，结构模型已成为信用风险研究的一个重要分支；在实务上，以结构模型技术为基础的M o o d y gK M V 模型也取得了成功的商业应用。结构模型研究的基础是企业资产价值的变化过程，资产价值增长率是重要的参数，对估算违约概率有重要影响，本文试图以分析资产价值的内涵为出发点，提出符合结构模型内涵的资产价值增长率估算法，并与前人的研究作比较，这是本文的研究目的。二、文献回顾随着我国资本市场的发展和上市公司信用事件的不断出现，近年来国内学术界也开始关注结构模型，取得的成果主要是实证研究方面的。如张智梅(2 0 0 6)用默顿模型测算了S T 公司与对照公司的违约距离，发现S T 公
4、司的违约距离明显小于对照公司的违约距离，结构模型对我国上市公司的信用风险有预测能力。周昭雄(2 0 0 6)选择了3 0 家国内的上市公司作为实证分析对象，并将其分为三种类型：优良业绩、中等业绩和较差业绩，其中每类公司各1 0家。通过对三类上市公司违约距离与理论违约概率的计算分析，发现违约距离对三类公司有较好的区分能力，但理论违约概率低于实际的违约概率心】。马若薇(2 0 0 6)，翟东升(2 0 0 7)的研究也得到了类似的结果。上述研究的不足之处在于假定公司资产价值增长率为零，这可能会大大降低违约风险评估的准确性。有一部分学者估算了资产价值增长率，如李磊宁(2 0 0 7)计算了上市公司近
5、年的扣除股利后的净利润与年初净资产的比率，用其算术平均值来估算公司资产价值的年增长率。王小华(2 0 0 5)用上市公司股权价值的增长率乘上公司的权益杠杆来估计资产价值的增长率”1。D u a n(1 9 9 4)基于股权价值数据和默顿模型，采用极大似然法来估计资产价值增长率碡】。李磊宁(2 0 0 7)的方法是基于企业财务数据的，使用的是企业的历史信息，后两种方法则是基于资本市场信息的。如果资本市场的有效性较强，那么股权价值增长率和资产价值增长率的关联性会比较强；如果资本市场有效性弱，那么二者之间的联系未必紧密，以股权价值增长率为基础估算出的资产价值增长率未必是有效的。作者简介：杨永生。男，
6、c r a b b e r,，云南师范大学教授。研究方向为金融工程。用子元(1 9 7 7 一)，男c r a b 昆明人云南师范大学讲师，对外经济贸易大学博士研究生研究方向为金融工程。基金项目：C r a b 省2 0 0 8 年应用基础面上项目“云南省上市公司信用风险计量与应用”(2 0 0 8 Z C 0 4 9 N)9 3万方数据笔者认为，正确估计资产价值增长率的前提是准确把握资产价值的含义，才能确保实证研究所使用的代理变量与模型定义的资产价值在意义上是一致的。根据会计学的定义，资产是预期会给企业带来经济利益的资源。结构模型中的资产价值并不等同于资产的账面价值，而是资产的市场价值，体现
7、的是在现有的信息集上，市场对资产未来创造净现金流的能力的评估和判断。因此，所有与公司未来现金流有关的资源，包括表内的和表外的都影响资产价值。根据L e l a n d(1 9 9 6)的阐释，在结构模型的建模中，把资产价值划分为归属于债权人的债权价值和归属于股东的股权价值两部分】。以此推之。资产价值增加的原因或者是债权价值增长，如企业举借新的债务；或者是股权价值增长，如所有者增加入资(增发和配股)，或本期实现正的盈余。举债、所有者入资和利润都可能是导致资产价值增加的原因，区别在于举债和所有者人资增加的规律性不强，发生与否、发生金额不容易预测，而利润的持续性和可预见性则较强。从上面的分析可见，李
8、磊宁(2 0 0 7)采用的指标主要包括了由利润带来的资产价值增长，并没有包括企业通过债务融资实现的资产价值增长，或所有者人资带来的资产价值增长，因此需要进行修正。笔者认为，假如债务融资和所有者增加入资的影响小到可以忽略，那么利润是资产价值增长的主要原因，利润的代理变量应当与结构模型中的资产价值增量口径一致，即应当是归属于股东和债权人的价值增量，本文采用息前税后利润(E B I A T)作为代理变量。假如债务融资和所有者增加入资的影响不可忽略，那么期末账面资产价值减去期初资产账面价值是更合适的代理变量。无论采用哪个做代理变量，除以期初资产账面价值后即得到资产价值增长率。三、K M V 模型及其
9、参数估计(一)K M V 模型的基本框架结构模型认为公司未来资产价值的不确定性是违约的风险驱动因素。以M e r t o n(1 9 7 4)模型为例，在债务的到期日，如果资产价值大于债务面值，那么公司所有者就选择偿付债务；否则，公司所有者就选择违约。根据此观点，违约概率就是在债务到期日公司资产价值小于债务面值的可能性大小。K M V 公司的研究发现：现实中的公司并非是当资产价值下降到债务面值时就开始违约，通常是当资产价值下降到短期负债加上长期负债的一半时开始出现大量违约哺1，因此，K M V 模型把违约的触发边界修正为短期负债加上长期负债的一半，而不是总负债的帐面值。估算违约概率的方法如下：
10、首先，假定资产价值服从几何布朗运动：d V t V t=i x y d t+o r P a w,(1)(1)式中，耽表示资产价值，肛，表示资产价值增长率，o r，表示资产价值波动率，E 表示标准的布朗运动。其次，计算K M V 模型定义的违约距离(d i s t a n c et od e f a l u t)：V o 矿”一X DD21 j 五_(2)最后，基于违约事件的历史数据库，可以把违约距离与经验的违约频率对应起来。(2)式中x 表示公司的短期负债加上长期负侦的1 2。K M V 公司的研究发现：D D 值大的公司违约频率低，D D 值小的公司违约频率高，因此，D D 在某种程度上也可
11、以作为评估企业信用风险的指标。为考察资产价值增长率对违约距离计算结果的影响，把D D 对p，求偏导得：徊D a g r=争，通常情况下o r，不会超过0 3，以考察期为1 年即r=1 为例，假如实际的资产价值增长率为5，而研究者错误地设定增长率为0，那么D D 会被低估至少0 1 7 5。增长率的实际值越大，考察时间越长，这种系统性误差就越大。(二)模型参数的估计方法资产价值、资产价值增长率和资产价值波动率是计算违约距离的必要参数，由于资产价值不能直接观测，需要通过适当的方法进行推算。1 基于联立方程组的参数估计。R o n n 和V e r m a(1 9 8 6)提出，根据结构模型的观点，
12、既然公司的股权可以看作是公司未来资产价值的看涨期权，那么利用公司公开发行的股票的价格数据。由期权定价公式及其推论可以推算出资产价值和资产价值波动率一1，方法如下：s。=I I,N(d。)一X e N(c f 2)(3)o r s S=盯v K(d t)0)I n(v,x)+(r+矿y 2)r其中d l=已一，d z：d I 一矿r口q _ 石，N()表示标准正态分布的概率函数，r 表示无风险利率，7-表示存续期限，S 表示公司股权价格，o r s 表示公司股权价格的波动率。求解(3)和(4)组成的联立方程组，可以解出耽和o r，但是由于(3)和(4)中都不包含弘，因此该方法不能估计资产价值增长
13、率。尽管结构模型中的资产价值指资产的市场价值，而不是账面价值，但由于资产的市场价值并不可以直接观测，因此本文只好用账面价值作近似的替代。9 4万方数据2 基于极大似然法的参数估计。D u a n(1 9 9 4)假定公司资产价值的变化服从下面的随机过程：d(1 n V t)=d t+1 r ra v e,其中肛=p，-0 5 0-：，经变换得到关于n 的对数似然函数为：勘=孚州2 仃)一T n-I 蛔2 一主t=2z nK 一去 抚(产)-I,32口。2一l根据(3)式，股价S 是耽的函数，且a S O V=N(d。)，由极大似然估计的不变性可得：厶=一孚f n(2 仃)一孚l n 0-2 一
14、I n 丘一，n伊善I n(d J)一刍乏 州芒)一肛 2(5)选则0-，和t 的适当初始值，由(3)式求解出E 作为资产价值的初始值，代入到(5)式当中，求解使(5)极大化的0-，和弘，如此反复迭代至收敛为止，可得到参数0-，和p 的的最终估计值，再代入(3)式，可求得n的最终估计值。采用极大似然法可以同时估计出0-，雌和V 这三个参数。四、实证研究方法(一)样本选择研究时期的选择是一个需要权衡的问题，结构模型的有效性是以资本市场的信息有效性为条件的，最基本的条件是股价的变化要和公司基本面联系比较紧密。然而现实中的股价变化是由多种因素共同决定的，市场趋势、投资者情绪和制度性变革都会导致股价变
15、动，而这样的变动未必和公司资产价值的变动有关。比如2 0 0 5 年的股权分置改革和2 0 0 7 年的大牛市。因此，选择近期数据进行研究难以排除上述因素的影响，而早期的股市信息披露制度不健全，信息的有效性缺乏基础。经过权衡，笔者选择2 0 0 3 年为研究时期，当年的市场趋势虽然向下，但根据瑞思提供的数据，流通市值加权的年回报为一0 0 3 4，并非很明显，这样的市场形势下，投资者会比较谨慎，更多地关注公司基本面信息，而不容易有牛市中的过度狂热和市场急剧下跌中的过度恐慌。因此，殷价可能相对比较理性，股权价值的计算有相对合理的基础，结构模型的有效性可能相对好些。本文的数据来源于锐思金融研究数据
16、库(1 I E S S E T)，以沪深两市的纺织业、服装制造业和普通机械制造业上市公司为研究对象。做了如下筛选：(1)由于计算资产价值增长率需要连续4 年的财务数据和股票市值数据，因此，本文剔除了截至2 0 0 3 年末上市时间尚不足4 年的样本。(2)由于估计股权价值波动率需要用到2 0 0 3 年1 年的日交易数据，如果交易日太少，那么难以保证所计算出的波动率的可比性和准确性，因此本文剔除了在2 0 0 3 年交易日少于2 2 0 日的样本。(3)剔除了在2 0 0 3 年就已经发生亏损的公司。(4)剔除了数据不全的公司。经初步筛选后，剩下5 4 家公司，按2 0 0 4 年是否亏损把公
17、司分为亏损组和正常组，亏损组有l O 家公司，正常组有4 4 家公司。财务数据包括2 0 0 0 2 0 0 4 年的年度合并报表数据，以及在使用极大似然法时需要的2 0 0 3 年各季度的资产负债表数据。本文首先计算样本公司在2 0 0 3 年末的1 年期违约距离，然后考察用各种违约距离判断公司2 0 0 4 年盈亏状况的有效性。(二)样本分组与国外的同类研究相比较，在研究我国上市公司的信用风险时，主要的困难之一是上市公司的信贷违约数据难以获得，而上市公司发行的各种债券的信用级别一般比较高，至今还没有债券违约的情况发生。因此把样本分成真正意义上的违约组和非违约组是困难的，国内学者只好选择一些
18、替代性的标准，常见的分组方法是把样本分为S T 公司和正常公司，如马若薇(2 0 0 6)m 1、李磊宁(2 0 0 7)和翟东升(2 0 0 7)1 1。事实上，大多数公司被S T 的原因是因为连续两年亏损，而不是债务违约。S T 很大程度上只是一个利润标准，只不过连续两年亏损的公司其信用风险应比正常公司要高，这样的推理从逻辑上也还可以接受。笔者认为，对实务部门而言，判断借款企业未来发生亏损的可能性或许比判断其未来两年连续亏损的可能性更加重要。特别是对短期信贷决策而言。预测一个公司是否会由盈利变成亏损比预测其是否会持续亏损更重要。既然选择把盈利能力作为分组标准，对信用风险评估而言，至少有这样
19、一些事实支持首次出现亏损的重要性不比连续亏损差：首先，出于贷款的审慎性原则，很少有银行愿意把一个已经亏损的公司作为自己的新客户。其次，当观察到客户发生亏损时。银行已有充分的证据调低客户的信用等级，而不一定需要依靠模型测算客户继续发生亏损的概率，然后再决定信用级别。第三，除了突发性的冲击之外，经济周期、公司基本面和经营管理在短期内逆转的可能性不大。使得盈余在短期内有一定的惯性，亏损企业往往倾向于继续亏损，盈利企业则倾向于继续盈利，本文的样本公司2 0 0 4 年和2 0 0 5 年的净利润相关系数达到0 6 0，利润的惯性较明显。最后，从条件概率的角度，首次亏损作为持续亏损的必要条件。与被S T
20、 的关系自然比较密切，本文的样本中。2 0 0 4 年发生亏损的1 0 家企业有4 家在2 0 0 5 年继续亏损，在2 0 0 6年被S T 处理。综上所述，尽管采用首次亏损作为样本分组的依据不如采用违约与否来分组合理，但并不9 5万方数据妨碍其作为常见的用钉与否进行分组的一种合理替代。(三)资产价值增长率的估计本文采用4 种不同的方法来估计资产价值增长率，得到的结果分别记为g 咖 T，g。，g。，g。，其中g M。代表用D u a n(1 9 9 4)提出的极大似然法估算的资产价值增长率，其它3 种的算法如下：g 删，=息前税后利润期初资产账面价值，取近3 年计算结果的平均值。g B v=
21、(期末资产账面价值一期初资产账面价值)期初资产账面价值，取近3 年计算结果的平均值。Fg M=斗。詈，其中。是近3 年公司股权市值增T长率的平均值，E 是2 0 0 3 年末的公司股权市值，V等于年末股权市值加上债务面值，称E V 为准权益杠杆。上述3 种算法与g M L 的算法区别在于计算g。时只需要用到2 0 0 3 年的数据，而其它3 种算法使用了近3年的信息。本文的实证研究所依据的理论模型为M e r t o n(1 9 7 4)模型，对违约边界的设定参照K M V 模型的方法。股权价值取2 0 0 3 年末的总市值，股价波动率用2 0 0 3 年股票日对数收益率的标准差计算。并乘以交
22、易天数的平方根，标准化为年波动率。无风险利率取2 0 0 3 年的1 年期定期存款基准利率。估计出其它参数后，将g。町，g。v，g M L，g M 分别代入(2)式，相应的结果记为D D l，D D 2，D D 3，D I M，把假定增长率为零时计算得到的违约距离记为D D 0。本文一般性的数据处理主要用E x c e l 和S P S S 软件，极大似然法的实现采用G a u s s 软件编程。用4 种方法计算出的资产价值增长率在表2 中报告，其相关系数在表4 中报告，基础变量的描述统计在表1 中报告，关于违约距离的结果在表5 至表7 中报告。表1 基础变量的描述统计。股权总股价年违约边界近
23、3 年平均股权资产价值资产价值准权益市值(亿元)波动率(亿元)价值增长率(亿元)年波动率杠杆正常组均值1 9 6 30 2 9 07 9 l0 0 1 02 3 6 50 2 3 20 8 2亏损组均值1 7 5 40 3 2 58 0 40 0 3 62 1 6 60 2 5 40 7 7t 值O 6 5一1 8 4 一0 0 4O 9 80 3 8一1 2 20 2 6全部样本均值1 9 2 40 2 9 67 9 4O 0 0 l2 3 2 80 2 3 60 8 lt 值是检验正常组和亏损组均值差异是否显著的t 统计值，表示在1 0 的水平下显著从表1 可以看到，正常公司的股权总价值、
24、资产价值和准权益杠杆略高于亏损公司，而股价波动率、资产价值波动率和违约边界低于亏损公司，这和直观是一致的，但上述差异除了股价波动率外均不显著。五、实证研究结果(一)资产价值增长率估算结果和分析表2 不同方法计算出的增长率增长率均值中位数标准差t 值g E B I A T0 0 3 7O 0 4 l0 0 3 97 1 0 3”g B v0 1 8 30 1 6 50 1 9 66 8 3 1“g M L一0 1 70 1 8 30 2 3 55 3 2 5”g M一0 o o l一0 0 0 2O 1 0 70 0 4 1t 值是检验增长率均值是否为零的t 统计值，表示在I 的水平下显著表3
25、正常组和亏损组增长率均值正常组均值亏损组均值t 值g E S l A T0 0 40 0 21 7 4 幸g B v0。2 00 1 21 1 4g M L一0 1 60 2 00 3 7g M0 0 0一0 0 20 7 4表示在1 0 的水平下显著表4 增长率的样本相关系数g E B I Tg B vg M Lg vg E B I A Tl0 6 6”+O 1 20 0 3g B VlO 2 8“一0 1 4g M Ll0 0 7g Ml乖幸表示在1 的水平下显著j 辜 表示在5 的水平下显著表2 反映了这样几个特征：首先，g m T 和g。的均值和中位数都为正数。而g M。和g M 的均
26、值和中位数都为负数。基于财务数据的估计结果和基于资本市场信息的估计结果有较大分歧。其次。g 蹦盯和g 吖的数值差异较大，g m 盯的均值为0 0 3 7，g 州的为0 1 8 3，说明E B I A T 只能解释资产账面价值增量的约2 0，换言之，g。，含有比g m，更多的关于资产价值增长的万方数据信息。最后，g 虬和g。的数值也有很大的差异，g。的均值为一1 7，意味着资产价值的急剧下降；而g M的均值接近零，意味着几乎是零增长，这两种推理都不太符合现实情况。原因可能是后两种增长率对股价的变动很敏感，当市场处于下跌阶段时，容易计算得出资产价值增长率为零或者为负的结论。区别只在于g M。和2
27、0 0 3 年1 年的股价变动有关，而g。和2 0 0 1 至2 0 0 3 年的股权价值增长率均值有关，前者可能比较剧烈，而后者经过3 年平均，结果可能相对平稳。t检验的结果表明前3 个增长率显著不为零。表3 表明：正常组的资产价值增长率均值略高于亏损组，但除g E B L r 外其差异在统计意义上并不显著。表4 表明前3 个增长率问有一定的相关性：g S V 和g E B r r 的相关性较高，表明盈利能力强的公司的资产扩张能力也强，与直观一致；而g 讥和g。的相关性也比较高，说明资产的账面价值变动与市场价值变动间确实存在一定相关性，这为用资产账面价值的增长率作为资产市场价值增长率的代理变
28、量提供了一定支持。g M 和其它3 个增长率之间几乎没有什么相关性。(二)违约距离计算结果分析将各基础变量代入(2)式计算违约距离，由于本文关注的重点是不同的资产价值增长率的影响，因此在计算D D 0 至D D 4 时仃，和V 值统一用极大似然法的估计结果。5 种违约距离计算结果如下：表5 违约距离计算结果描述统计离散偏态指标均值中位数标准差系数系数D D l2 5 22 4 10 8 40 3 3O 8 0D D 22 6 62 5 30 7 70 2 9O 9 8D D 32 3 32 3 l0 9 30 4 00 4 4D 3 42 4 82 3 60 8 70 3 50 9 3D D
29、03 0 62 9 l0 7 9O 2 6O 7 6表6 正常组和亏损组违约距离比较指标正常组均值亏损组均值t 值D D l2 6 12 1 32 5 4 D D 22 7 72 2 03 1 3”D D 32 4 l1 9 72 0 7“D D 42 5 62 0 92 4 0“D D 03 1 32 7 42 5 4”离，倾向于高估违约距离，低估信用风险；其它4 种违约距离的均值的差异并不太大。从表6 看到，正常组的违约距离均值高于亏损组的违约距离均值，在某种程度上与K M V 公司的发现一致，并且差异在5 的水平下显著。5 种违约距离都能区分正常公司和亏损公司，但用表6 的信息不足以比较
30、不同方法的判别能力，需要计算精度比率才能进行方法间的比较。(三)判另1】准确度分析本文根据瑟维吉尼(2 0 0 5)提供的方法。用累积准确度曲线(C A P)对判别准确度做定性比较，用精度比率对不同方法的判别准确度做定量比较2。K M V 公司的研究发现，违约距离大的公司发生违约的频率低，而违约距离小的公司发生违约的频率高。由此可以推知：违约距离大小的排序比简单的违约距离均值差异有更多的信息。将违约距离按照从小到大进行排序后，在违约距离较小的一端应当出现较多的高信用风险公司；而违约距离较大的一端应当以正常公司为主。以本文的样本为例，如果某种方法是完美的，排序后最小的1 0 个公司应当全部都是将
31、来的亏损公司。完美方法的C A P 如图中的虚线所示。从C A P 曲线上的点向横轴和纵轴引两条垂线，与横轴的交点表示某公司的违约距离在全部样本违约距离从小到大排序中的相对位置(以比例或百分比表示)，与纵轴的交点表示违约距离小于等于该公司的违约距离的样本中高信用风险公司占该类公司总数的比重。以本文的样本为例，完美方法的右端点的坐标为(1 0 5 4，1)，含义是在违约距离排序的1 0 5 4 位置之下的公司全部都是高信用风险公司。实际中的判别方法并不完美，总存在误判的情况，所以它们的C A P 总是位于完美方法C A P 的下方，越接近于完美方法的C A P，那么指标的判别能力越强，更精确的度
32、量是精度比率，它等于每个指标的C A P 下方的面积与完美方法的C A P 下方面积的比值，很显然，完美方法的精度比率等于1。精度比率越高，说明指标越有效。图1 五种违约距离的C A Pt 值是检验正常组和亏损组的违约距离差异是否显著的t 统计值。事奉表示在5 的水平下显著从表5 可以看到，5 种违约距离的分布较集中，从图中可以看到。D D 2 的C A P 最接近于完美方稍微呈右偏分布。D D 0 的数值大于其它4 种违约距法的C A P，而且对处于排序低端的亏损公司识别率明9 7万方数据显高于其它指标。精度比率的计算结果与观察图形得到的直观基本一致，见表7。表7 精度比率D D 0D D
33、lD D 2D D 3D D 4精度比率O 3 60 4 20 5 10 3 80 3 8从表7 可以看到D D 3 和D I M 的精度比率比D D 0的稍高，D D l 和D D 2 的精度比率比D D 0 的提高幅度较大，尤其是D D 2，其精度比率在5 种违约距离中最好。考虑到计算D D 2 的基础是g。，从表4 看到，g B V 即和会计信息有关，也和资本市场信息有关，信息综合性好，这可能是D D 2 比较有效的一个原因。值得注意的是，表7 比表6 提供了更多的关于亏损公司识别率的信息。根据表6，5 种违约距离在正常和亏损组间差异都显著，但从t 值的大小得不出哪种指标的识别率更高的结
34、论。D D I 的t 值和D D 0 的几乎相等，但D D l 的精度比率比D D 0 的高得多；D D 3 和D I M 的t 值比D D 0 的小。但精度比率比D D 0 的高。这说明，表6 的t 检验并不能用来比较不同方法的有效性。最后由表7 并不能得出D I M 与D D 0 效率无差别的结论，因为表2 表明，本文样本的g M 均值本身就接近于0，因此D D 4 的精度比率与D D 0 接近可能是特定样本的特征，不具有一般性。六、结论综上所述，首先，考虑资产价值增长率的违约距离确实比假定增长率为零的违约距离有更好的信用风险评估能力。其次，对基于K M V 模型的信用评估而言，用财务报表
35、数据估算的资产价值增长率比用股权价值数据估算的资产价值增长率更有效。原因是我国资本市场不成熟，股价变动与公司基本面联系不够紧密，容易受到市场趋势、交易者情绪等因素的影响，降低了股价变动推算的资产价值增长率的信息含量。最后，用资产账面价值变动估算的增长率优于用息前税后利润与年初资产账面价值相比得到的增长率，原因是我国的上市公司通过配股、增发等方式使公司资产价值得到扩张的效应不能被忽略。因此资产账面价值的变动比息前税后利润包含更多的资产价值增长信息。9 8参考文献：1 张智梅，章仁俊K M V 模型的改进及对上市公司信用风险的度量 J 统计与决策，2 0 0 6(1 8)：1 5 7 1 6 0
36、2】周昭雄基于我国上市公司的K M V 模型研究 J 工业技术经济，2 0 0 6(7)：1 4 2 1 4 8 3 李磊宁，张凯K M V 模型的修正及在我国上市公司信用风险计量中的应用 J】首都经济贸易大学学报2 0 0 7(4)：4 4 4 8 4 王小华，邵斌基于L e l a n d T o i l 模型的我国上市公司信用风险研究 J 财经研究2 0 0 5(8)：3 8 4 8 5 D u m a。J 1 9 9 4 M a x i m u ml i k e l i h o o de s t i m a t i o nu s i n gp r i c ed a t ao ft h
37、ed e r i v m i v e sc o n t r a c t J M a t h e-m a t i c a lF i n a n c e4：1 5 5 1 6 7，(C o r r e c t i o n：2 0 0 0M a t h e-m a t i c a lF i n a n c e1 0(4)：4 6 1 4 6 2)6 L e l m a d，H E m a dK I 讥1 9 9 6 O p t i m a lc a p i t a ls t r u c t u r e，e n d o g e n o u sb a n k r u p t c y，a n dt h e
38、t e r ms t r u c t u r eo fc r e d i ts p r e a d s J J o u r n a lo fF i n a n c e51：9 8 7 1 0 1 9 7 M e r t o n。R C1 9 7 4 O nt h ep r i c i n go fe o r p o-r a t ed e b t：t h er i s ks t r u c t u r eo fi n t e r e s tr a t e s J J o u r-h a lo fF i n a n c e2 9：4 4 9 4 7 0 8 C r o s b i e，P J B
39、o h n，J I LM o d e l i n gd e f a u l tr i s k R K M Vr e p o r t，2 0 0 2 9 R o n r LE I，A KV e r m 也P r i c i n gR i s k A d j 璐t e dD e p o s i tI n s u r a n c e：A nO p t i o n B a s e dM o d e l J J o u r n a lo fF i n a n c e J 1 9 8 6，4 1(2)：8 7 1 8 9 5 1 0 马若薇K M V 模型运用于中国上市公司财务困境预警的实证检验 J 数理
40、统计与管理，2 0 0 6。(5)：5 9 3 6 0 1 1 1 翟东升，张娟，曹运发K M V 模型在上市公司信用风险管理中的应用 J 工业技术经济，2 0 0 7，(1)：1 2 6 1 2 8 1 2 阿诺德瑟维吉尼、奥利维尔雷劳特信用风险度量与管理 M】北京：中国财政经济出版社。2 0 0 5(编辑校对：余朝锡李金发)万方数据资产价值增长率在企业信用风险评估中的应用资产价值增长率在企业信用风险评估中的应用作者：杨永生，周子元作者单位：云南师范大学经济与管理学院,昆明,650092刊名：经济问题探索英文刊名：INQUIRY INTO ECONOMIC ISSUES年，卷(期)：2010
41、(7)参考文献(12条)参考文献(12条)1.阿诺.德.瑟维吉尼;奥利维尔.雷劳特 信用风险度量与管理 20052.翟东升;张娟;曹运发 KMV模型在上市公司信用风险管理中的应用期刊论文-工业技术经济 2007(01)3.马若薇 KMV模型运用于中国上市公司财务困境预警的实证检验期刊论文-数理统计与管理 2006(05)4.Ronn.E.I;A.K.Venna Pricing Risk-Adjusted Deposit Insurance:An Option-Based Model 1986(02)5.Crosbie,P.J;Bohn,J.R Modeling default risk 200
42、26.Merton,R.C On the pricing of corporate debt:the risk structure of interest rates 19747.Leland,H.E;K.Toft Optimal capital structure,endogenous bankruptcy,and the term structure of creditspreads 19968.Duan,J Maximum likelihood estimation using price data of the derivatives contract 19949.王小华;邵斌 基于Leland-Toft模型的我国上市公司信用风险研究期刊论文-财经研究 2005(08)10.李磊宁;张凯 KMV模型的修正及在我国上市公司信用风险计量中的应用期刊论文-首都经济贸易大学学报2007(04)11.周昭雄 基于我国上市公司的KMV模型研究期刊论文-工业技术经济 2006(07)12.张智梅;章仁俊 KMV模型的改进及对上市公司信用风险的度量期刊论文-统计与决策 2006(18)本文链接：http:/