商业银行信用风险成因的理论分析

摘要近年来，在中国发展战略目标的推动下，中国经济优化升级面临新趋势，金融市场的环境正在改变。商业银行在金融体系中占有重要地位，承担维持国民经济稳定发展的重任，外部环境的不断变化使商业银行面临更多的挑战。2015年是供给侧结构性改革提出的开元年，传统行业发展空间开始显著收缩，钢铁、煤炭资源优势不再，高新技术产业仍在孵化之中，这对商业银行的风险管理提出了新的挑战。本文首先系统地介绍了商业银行面临信用风险的特征和现状，然后引入KMV模型作为信用度量工具，对16家上市银行2014年-2018年的每日交易数据进行实证研究，通过R语言对非线性方程组进行求解，估测出样本银行的资产价值和资产波动率，计算违约距离作为信用风险的量化数值，并从横向和纵向时间维度进行结果分析。同时，本文也分别从宏观经济层面、金融监管层面和银行内部管理机制层面等方面多维度地分析了信用风险的影响因素。关键词：商业银行；信用风险；Black-Scholes-Merton期权定价模型；Merton-KMV，AbstractInrecentyears,drivenbyChina'sdevelopmentstrategicobjectives,China'seconomicoptimizationandupgradingarefacingnewtrends,andthefinancialmarketenvironmentischanging.Commercialbanksplayanimportantroleinthefinancialsystem.Theyundertakethetaskofmaintainingthestabledevelopmentofthenationaleconomy.Theconstantchangeoftheexternalenvironmentmakescommercialbanksfacemorechallenges.2015isthefirstyearofsupplysidestructuralreform.Thedevelopmentspaceoftraditionalindustrieshasbeguntoshrinksignificantly.Theadvantagesofsteelandcoalresourcesarenolongeravailable,andhigh-techindustriesarestillincubating,whichposesnewchallengestotheriskmanagementofcommercialbanks.Thispaperfirstintroducesthecharacteristicsandcurrentsituationofcreditriskfacedbycommercialbanks,thenintroducesKMVmodelasatoolofcreditmeasurement,andmakesanempiricalstudyonthedailytradingdataof16listedbanksfrom2014to2018,solvesthenonlinearequationsthroughRlanguage,estimatestheassetvalueandassetvolatilityofsamplebanks,andcalculatesthedefaultdistanceascreditriskTheresultsareanalyzedfromhorizontalandverticaltimedimensions.Atthesametime,thispaperanalyzestheinfluencingfactorsofcreditriskfromtheaspectsofmacro-economy,financialsupervisionandinternalmanagementmechanism.Keywords:Commercialbanks,Creditrisk,BlackScholesMertonoptionpricingmodel,MertonKMV.绪论1.1研究背景1.1.1新常态下的经济转型升级经济转型是指通过转变经济发展方式来达到资源最优配置的目的，我国最早提出经济转型升级是在九五经济计划时期。在此后的2015年11月，在中央财经领导小组工作会指出目前我国经济发展动力不足不是因为需求疲软，而是供给侧的质量和效率跟不上，因此要着力实施供给侧结构性改革，为经济发展注入动力。但我国“技术低、人口多、消费低”的阶段性特点日益突出，经济增长模型仍未能摆脱粗放式增长，经济升级问题仍是社会各界的关注热点。此后的三年间，我国执行“三去一降一补”的发展方式，以供给侧结构性改革为主线，推动经济转型。虽然在经济转升级的试验中我国取得了较好成绩，但是经济转型依旧面临诸多困难。就国内经济而言，传统行业发展空间显著收缩，钢铁、煤炭资源优势不再，高新技术产业还在孵化之中。就国际形势而言，单边霸权主义、贸易保护主义有所抬头，经济全球化面临诸多挑战，直接挫伤我国贸易规模，对国内经济造成巨大影响。这些因素表明，在经济转型升级中，提高风险意识，做好应对潜在风险发生的可能性显得尤为重要。1.1.2商业银行信用风险管理根据世界银行研究，信用风险是导致国际上银行倒闭的主要原因之一。历史上，我国曾经建立四大资产管理公司来帮助国有银行进行高达3.2万亿不良贷款的剥离，国有银行也因此卸下的沉重的负担，增加了巨额资本。而如今面对过度投资引发的产能过剩、内外市场商品销售疲软和高库存问题，对银行的风险管理提出了更高的要求。因此想要实现低成本运营同时提高商业银行在银行业中的影响力，妥善防控信用风险和降低信用风险导致的损失显得尤为重要。如何解决该问题一直是银行业和金融业发展的重中之重，而单纯地实施贷款“三查”不能预防不良贷款问题，并且以核销和转让为主的不良贷款处理模式，并没有从实质上解决不良贷款产生的原因，同时也给银行的财务状况造成了巨大压力。加之银行内部长期存在不良的信用风险管理的习惯和风气，对信用风险没有系统的战略布局给当前的信用风险管理实践造成了诸多阻碍。针对以上问题，应该采取更加高效彻底的信用风险管理方案，加强风险管理能力。1.2研究意义信用风险是商业银行在经营过程当中遇到的最常态化最基础的风险，具体是指信贷债务人缺乏充足的经济实力将信用贷款偿还给银行，银行或将面临损失。一旦在经营活动中商业银行因为有关风险而倒闭，就会使得大众对银行存款失去信心，进而导致企业借款的资金链断裂，严重时会危及到整个国家的经济运行，商业银行“大而不能倒”的地位对维持我国经济健康发展十分重要。众多学者对于商业银行信用分析成因及影响程度做了大量研究，但是针对经济新常态下的研究较少。随着我国经济新常态下加快了产业转型的步伐，一方面给银行商业银行的信用风险管理带来了新的挑战，另一方面针对银行面临的一系列风险展开不同层次的分析和研究有着重要的指导意义。本文旨在研究经济进入新常态下我国上市银行信用风险的变化及其成因分析，来丰富新常态下信用风险研究的内涵。为保证当前商业银行的健康的运行，乃至整个国家经济持续健康发展，具有重要的指导意义和实践意义。1.3研究现状信用风险一直是各国银行高度关注的话题，相比之下，欧美发达国家较完善的金融市场使得他们更高效地运用金融工具来对冲各类风险，发达国家爆发的多次金融危机也使得他们风险管理的理念和机制更加成熟，因此欧美发达国家对于信用风险的研究更加系统化。随着我国金融市场不断扩大对外开放，商业银行面临的风险呈现出多样化复杂化的趋势，相关的研究理论更是需要不断更新。本章主要列举国内外相关的研究成果。1.3.1国内研究现状王天宇、杨勇[1]（2017）指出随着我国产业结构的调整带来的经济增速下滑，同时银行已经将较大比例的资产配置到了高污染、高能耗和产能过剩的产业里，这些企业一旦出现信用违约行为，将给银行带来较大的损失。金美子（2018）[2]指出我国商业银行分支结构太过于繁琐，对各分支监管不全面，进而无法有效协调信贷业务的发展。同时商业银行为了刺激信贷规模，只是简单审查地客户资料。在信用风险影响因素方面，王晓、李佳、李梦艺[3]（2019）在分析资产证券化程度和政策因素对银行不良贷款的影响中，发现审批制的资产证券化业务若向备案制或注册制转变，能在一定程度上起到降低信用风险的作用。在信用风险测度方面，刘玉洁[4]（2010）将度量市场风险的CVaR模型代替信用风险模型VAR，用基于修正的Credit-Metric模型来度量我国某商业银行2006年末的10笔期限不同的贷款的信用风险。刘悦[5]（2020）运用因子分析法度量银行的信用风险，所选因子分别为经营能力因子、盈利能力因子和安全能力因子，根据各因子方差贡献度，计算银行综合得分。在KMV模型运用方面，马美芸[6]（2015）运用KMV模型分别测度各15家ST股和非ST股的违约距离，若KMV模型中长期负债指数设定为0.2，相较于设定为0.5和0.8的情况，能更显著地预测违约距离的差距，同时两者的违约距离也呈现出显著性差异。杨秀云、蒋园园、段珍珍[7]（2016）运用2013年和2014年多家不同的ST公司和非ST公司作为研究样本，进行违约距离测定。实证结果表明除个别异常值之外，KMV模型整体上能较好地刻画公司的信用风险状况。吴英江[8]（2019）通过多家上市企业的各类财务数据构建回归方程，运用行业替代法将KMV模型运用到15家已经出现债务违约的非上市企业中，估计违约距离。研究指出有部分非上市企业的违约距离为负数，但受限于非上市公司的财务数据有造假的可能性，模型结果有可能出现误判。1.3.2国外研究现状国外最早对信用风险的研究开始于Altman[16]（1968），他筛选出五个重要的指标，构建了判别正常企业和违约企业的著名的Z-Score模型，旨在测定企业违约概率与企业财务指标的关系。Ohlson[17]（1980）在财务分析预测中首次引入多元逻辑回归模型，得出企业破产概率受到企业可变现能力、资本构成、公司规模和盈利情况四个方面影响较大的结论。KMV公司[18]（1993）在Black-Scholes期权定价模型在实施创新，运用上市银行的财务数据和交易数据来推测违约概率，是KMV模型的先驱。SeanC.Keenan[19]（2000）等人提出了检验KMV模型有效性的方法。Kurbat和Korablew[20]（2008）在对KMV模型进行校对中发现预期违约概率受样本公司相似性、样本规模的影响较大，预期违约概率近似于偏态分布。WeillandPodpiera[21]（2012）选取了债务比率、每股现金流和股东回报率等影响因素，运用1994-2008年俄罗斯银行数据测度不同影响因素对银行信用违约率的影响，结果发现银行盈利指标表现越好，信用风险就越低。VouldisandLouzis[21]（2013）在希腊债务危机期间分析了1990-2010年宏观因素和微观因素度分别对银行违约概率的影响，选取因素包括：GDP增长率、失业率、贷款利率和经营效率，表明这四个因素对银行违约概率均有显著影响。1.3.3研究现状小结通过上述不同文献的梳理，发现业界对于信用风险分析已经从传统测度模型向现代测度模型转化，研究对象选取广泛，除了以不同类型的上市公司作为研究对象，也测度了同一银行内不同期限贷款的信用风险，并且结合宏微观历史数据做实证研究，包括了GDP增长率、失业率、债务比率和每股现金流等。但是国内研究当中较少有文献从银行自身的信用风险测度的角度出发，运用现代风险度量模型KMV模型测算上市银行的违约概率，并且在已有的研究中时间段选取大多集中在2015年之前，缺乏对当前经济环境下商业银行信用风险的最新度量。针对以上不足，本文将在后续的实证研究中遵循KMV模型的构建思路，测度截止到2018年底16家上市银行的历年违约距离，从横向和纵向时间维度进行分析。1.4研究思路和方法1.4.1研究思路以经济转型升级为背景，测度16家商业银行的违约风险，并对违约可能性进行因素分析。本文研究遵循的思路是找出问题、剖析问题和解决问题。本文的主体框架包括以下几个方面：第一章，以经济转型升级为研究背景，结合国内外前沿研究，引出文章研究目的和意义所在。第二章，介绍信用风险的特点，描述2006年-2018年间我国银行业不良贷款的变动趋势，分析银行信用风险的影响因素。第三章，运用KMV模型对我国16家上市银行的信用风险进行定量分析并得出结论。第四章，对KMV模型进行敏感性分析，探讨商业银行自身因素对其信用风险的影响程度。第五章，总结全文，指明文章研究的不足之处，并对KMV模型进行未来展望。1.4.2研究方法本文所采取的研究方法：在前人理论研究成果之上，融入自己的想法，进一步开展研究。文章论述了在经济转型升级的大背景下商业银行发展现状，通过KMV模型对风险进行实证研究，并从银行自身维度进行成因分析，并且找出银行风险控制实践中面临的问题和不足，提出相应的提升措施。文章阐述的过程主要运用理论与实践相结合、资料与分析相结合的方式，以问题为切入点，大量翻阅文献资料，运用数据分析、例证分析和对比分析等分析方法，对相关的研究理论和观点进行整理、收集和汇总，并开展本文的研究。1.5研究创新点和不足文章的研究创新点有两点：一是紧扣当前宏观经济热点，以供给侧结构性改革和高质量发展为大背景，分析商业银行在信用风险管理中表现的新趋势，是对以往学者研究基础上的改良和优化，具有独特的现实意义。二是基于KMV理论，建立起适用于商业银行的计量模型，结合提出供给侧结构性改革前的2014年、提出时的2015年以及提出后的三年一共五年的上市银行数据，运用模型分析银行信用风险变化情况。由于本文作者学术能力和实践能力有限，本文也存在以下缺陷：一是运用的数据仅是上市银行的公开数据，数据支撑不够，也缺少对数据的系统分析。二是由于本文研究需要对信用风险产生的宏观区域环境和经济周期发展，以及借贷双方的行为等多方面进行分析，但由于本人能力有限，无法对研究问题进行全面思考和总体把握。2.商业银行信用风险成因的理论分析2.1商业银行信用风险的传统与现代特征信用风险在传统角度上主要表现为银行的信贷风险，商业银行通过信贷业务将资金借给贷款方，贷款方约定在一定时期内偿还银行贷款，但由于一些不确定因素使得贷款方不能按时还本付息，使得银行产生损失。经济结构不断转型，金融环境不确定性增大，仅通过传统角度定义信用风险不能全面呈现出当前经济环境下信用风险的全部特征，还需要更加全面的评估。现代风险度量的方法是在传统方法上增添由借款方自身信用等级下滑导致银行债券价值下跌的风险。当前商业银行遭遇的信用风险的主要特点为：不确定性：商业银行的客户群体来源广泛且呈现复杂化，这使得商业银行对贷款客户进行风险评估和排查难度增大。通常来说，银行的风险识别和应对能力决定着信用风险的产生和影响范围。区域性：由于商业银行一般设立在城区，其目标客户为该城区的居民和企业，信贷资金受到很多区域性因素的限制，故商业银行的所面临的信用风险受到区域经济发展水平、规模大小和政府政策等因素的影响。整体性：随着利率市场化的推进，商业银行经营的全部业务包含各种风险，并且这些风险存在某种关联性，其中一个环节出问题，就可能会传染到有关联的其他环节。与此同时，商业银行的信贷周期与国家的宏观经济周期和区域环境有很大关联。因此，商业银行面临的信用风险存在整体性的特征。传递性：外部环境变化无常，经营不善的企业会出现资金链断裂的情况，进而影响到与之相关的供货方和收货方，有可能出现大范围的企业信用违约情况。因此，商业银行的信用风险存在传递性。识别困难性：由于存在信息不对称问题，用于反映信用风险相关指标的数据难以量化，导致银行很难全面识别贷款方的还款能力与还款意愿，银行对信用风险进行评估和预测的难度较大。2.2我国商业银行面临的信用风险现状随着我国金融领域不断深化外开放，各商业银行纷纷采取放宽信贷门槛，刺激信贷规模扩张的手段来增强自身的行业竞争力。前期贷款的快速增长必然在一定程度上给不良贷款创造了条件，极大的影响了银行的资产质量，使得不良资产率及不良资产额均有上升。图2-1数据来源为中国银保监会。图2-12006-2018我国不良贷款与不良贷款率年度变化图如上图所示，从2006年到2018年的十二年间，我国不良贷款总额的变动可以分为两个阶段，2012年是一个分水岭，在2012年之前，银行的不良贷款呈现下降趋势，这是因为银行改革的推动使得银行信贷风险得到控制，资产效率得到提升。但是在2012年之后，两者均呈现不断上涨的态势，仅仅经过了十年，不良贷款就与最初值持平，并在之后不断攀升，这一现象在一定程度上也限制了我国银行业的发展。与此同时，我国信用体制发展时间较晚，发展进程中存在很多问题，我国银行的信用管理意识不强，大多数银行当前主要通过计算信用风险指标来进行贷款风险评估，这样容易导致测量值与真实值之间存在较大差异，加上国内风险控制仍然处于比较被动的阶段，岗位的本质工作还是更多的集中在事中和事后的风险处理和归因分析，能做到风险有效预警的银行不是很多。因此在当前经济形势下，引进更先进的风险管理技术和高端风险管理人才对商业银行未来的发展有着重大的现实意义。2.3商业银行信用风险水平影响因素分析2.3.1宏观经济运行周期的影响宏观经济运行状态是银行信用风险的一个重要影响因素。因为宏观经济影响信贷资产的质量。经济高涨时，银行会高估借款者的还款能力，降低信贷门槛，扩大信贷规模，进一步加速经济过热。经济萧条时，银行为降低风险敞口，缩小信贷规模，导致多数企业难以借到资金来摆脱困境，因此企业的相继倒闭会进一步恶化国民经济，这表明经济周期与信用风险有关联。2.3.2内部管理机制的影响由于我国商业银行全面风险管理进程发展时间较短，实际操作中主要借鉴西方经验，但是西方的管理模型与我国经济环境并非完全相符。起初我国对信用风险的评估主要还是以传统模式为主，表现为相关信息的收集和整理，虽然在此之后，商业银行又推出了几种新的评估方法，由于缺少相关技术手段，银行的贷款分类始终未能与企业信用等级有效地联系起来，所以银行信用风险管理中并没有能考虑客户信用等级的变化。商业银行的信用风险具有传播性和关联性，对贷前、贷中和贷后三个环节进行主体责任界定，建构奖惩机制，激发各部门人员的工作效率和责任感，不仅能降低银行信用风险管理成本，还能从整体上把握信用事件发生。近年来，我国商业银行陆续完成了股份制改革，从整体上提高了竞争力，但目前仍然无法构建完整的风险管理理念，形成全行业的风险管理意识。比如目前银行内部侧重于由后台部门来进行风险管理，而不是形成一条全行业的业务链，并且相关从业人员对风险管理的意识不够，管理水平有待加强。针对以上问题，本文第四章将采用KMV模型的参数和银行自身的微观因素作为解释变量，对结果做定量和定性分析。3.基于KMV模型的实证分析3.1模型选择国际上主流的信用评分模型有CreditRiskPlus、CreditMetric、CreditPortfolioView等，选取适合我国国情的信用风险度量模型就显得尤为重要。CreditRiskPlus模型是瑞士信贷产品小组为量化信用风险在1997发明的模型，这一模型采用的解析近似法，假定每笔贷款在1年时间内违约概率为q和违约事件之间相互独立，根据泊松分布来计算出贷款违约概率。该模型需要输入的变量少，计算简单，但是没有考虑到不同企业的资本结构以及企业在相同的市场风险经营下风险的相互传导特性使得企业之间的违约概率并不是相互独立的事实；不适合缺少历史数据的新兴市场。因此CreditRiskPlus不适合于我国市场当前的信用风险度量。CreditPortfolioView模型将包括GDP、利率水平在内的多种宏观因子纳入企业信用风险计量的模型中，通过模拟损失分布来描述信用风险敞口。但是不同的人给出不同的宏观因子影响程度判断，评级结果具有很强的主观性，并且宏观经济数据与违约概率的关系难以全面捕捉。CreditMetric将VaR的方法用于度量信用风险，计算过程需要用到每个信用等级的信用溢差期限结构。但是该模型认为相同评级的债务人违约率相同并且把统计的历史违约率作为实际违约率，没有考虑到市场变化对评级结果的影响。面对此现状，KMV模型理论基础扎实，将借款公司的信用信息反映在股价信息当中，能较为精确的捕捉到借款公司质量等级的变化，是良好的动态模型。模型也反映了包括利率在内的市场信息，有较好的前瞻性。有效市场假设不是KMV模型的强制要求，对于弱有效市场也能起到良好的预测作用。综上可知，四种的信用风险度量模型都有其优点和不足，但是通过对比，KMV模型相较而言更加适合我国的证券市场信用风险评估。3.2模型假定和基本原理3.2.1Merton模型Merton模型的假设：（1）公司的价值服从对数正态分布（2）公司只发行一种股票和一种零息债券（3）违约只会发生在到期日（4）无风险利率是固定的（5）公司不对流动性进行调整。Merton模型将公司的资产看成股票价值和负债价值的总和。根据公司破产清算原则，股权仅具有剩余求偿权，所以可以将公司的股权价值类比为看涨期权的价值，此期权以公司价值为标的物，以负债总额为执行价格。如果到期时，标的物价值低于执行价格，这就意味着资不抵债，公司选择破产。根据Black-Scholes期权定价公式，将期权的行权概率N(d2)类似看作是公司不发生违约的概率。3.2.2.KMV模型KMV模型是穆迪公司开发的用于度量违约概率的模型，该模型以Merton模型为基础，并且克服了Merton模型的不足。相较于Merton模型，KMV的假设有了两方面的改进，首先KMV模型不再要求所有的负债到期日相同，它认为公司的负债可以分为短期负债和长期负债两种，其次KMV模型不再假定公司的价值服从对数正态分布，这意味着可以通过蒙特卡洛模拟来估计违约概率。KMV模型将上市公司的股票价值看成是做多看涨期权所获价值，将债权价值看成是做空看跌期权所获价值。当未来企业价值跌过某一给定价值时，企业就会发生违约，因此将企业的违约距离设定为企业的价值与某一给定价值之间的距离。企业的违约距离与企业违约的可能性呈现负相关关系。3.3模型设定和样本选取3.3.1模型参数设定本文以KMV模型为依据，遵循模型步骤来估计截止2014年沪深两地的16家上市银行在2014-2019年的违约距离。为了方便后续研究成果的呈现，现对模型参数进行设定。（1）违约实施点由于长期债务是分期偿还，因此根据KMV公司给出的通行经验数据，将公司的违约门槛设置为短期债务加上长期债务的一半，具体公式为：DefaultThreshold=SD+0.5*LD其中，SD——企业的短期负债，LD——企业的长期负债但是在实际的资本市场中，并非所有企业的违约距离都是短期负债加上长期负债的一半。同时难以从财报中获取准确的流动负债数值，故本文将银行的负债总额设定为违约实施点。（2）股权价值：对于已经完成股权分置改革的16家上市银行而言，股权价值等于在外流通的股票数乘以每股股价。（3）股权价值波动率：假设上市银行的股票价格服从对数正态分布，则第i天的股价收益率为：Ui其中，Si表示第i天公司股票的收盘价，股价收益率的日波动率为=1n-1i=1n(Ui-EU)再将日波动率转化为年度波动率，公式为：σannual=×T其中，T为当年实际交易天数。（4）无风险利率：选取中国人民银行官网公布的一年期整存整取利率。表3-1一年期整存整取利率数据表年份2014年2015年2016年2017年2018年2019年存款利率2.75%1.75%1.5%1.5%1.5%1.5%（5）测量时间间隔（T）：一年期。（6）违约距离（DD）：式（3-5）表示负债银行的违约距离。DD=V-FVσVV为公司资产价值，F为公司负债总面值，σV为公司资产价值的波动率3.3.2样本选取本章重点研究的是2015年供给侧结构性改革提出前后我国商业银行的信用风险的变化，受KMV模型中关于上市公司假定的约束，本文将样本锁定在截止2014年底沪深两地的16家上市银行。分别测算从2014年到2018年之间商业银行的违约距离的变化。将上述银行按照不同的类型进行划分，如表3-2所示。表3-2我国上市银行分类国有商业银行股份制商业银行地方商业银行中国银行601988.SH浦发银行600000.SH北京银行601169.SH农业银行601288.SH光大银行601818.SH南京银行601009.SH工商银行601398.SH兴业银行601166.SH宁波银行002142.SZ建设银行601939.SH招商银行600036.SH交通银行601328.SH中信银行601998.SH华夏银行600015.SH民生银行600016.SH平安银行000001.SZ3.3.3数据来源和处理本文数据来源于Wind数据库、中国人民银行官网和各上市银行公开年报，主要运用R语言进行数据处理，计算代码详见附录1。3.4模型构建3.4.1模型构建基本步骤由BlackScholesMertonSt=σs×S=Delta×σ其中，St为t时刻公司股权市场价值，r为无风险利率，N(•)为累积标准正态分布函数，T为债务期限，F为公司债务总面值，d1和dd1=ln(V在Merton的第二个方程中，描述的是公司股权波动率和价值波动率的关系，方程为：σS=(VS)Nd1=∂S∂V=DeltaσS=(V其中，σS为公司股权价值波动率，σV以平安银行（000001.SZ）2014年的数据为例对计算过程进行说明。表3-3平安银行2014年基本财务数据股票代码股权价值负债总额（元）基准日收盘价/元000001.SZ130949000000205551000000015.84通过Wind数据库，得到2014年度共计244个交易数据，带入公式（3-2）（3-3）和（3-4），得到其2014年度日收益率波动率为0.024096，则年收益率波动率为σ平安银行，2014通过已知的波动率，带入公式（3-6）、（3-7）计算出V和σ对于该方程组的求解，有多种方法，并非此文重点。本文借助R语言进行编程，具体程序见附录（1），计算结果如下：表3-4平安银行2014年资产价值情况股票代码资产价值（元）资产价值波动率000001.SZ21303100000000.009再带入公式（3.5）得违约距离DD=2.31743.4.2模型计算结果重复上述步骤，得到2014年-2018年各类上市银行的违约距离。如表3-5和表3-6所示。表3-52014年-2016年上市银行违约距离统计表国有商业银行银行名称违约距离2014年2015年2016年中国银行5.12084.48896.1543农业银行5.35224.29745.4657工商银行5.85894.62785.8527建设银行5.79664.77585.8109交通银行4.82844.553155.4616股份制商业银行浦发银行2.04811.81033.4657光大银行1.86421.30363.4986兴业银行2.00241.54214.0204招商银行2.43441.60944.1403中信银行2.31921.37983.7832华夏银行1.71960.98093.4485民生银行2.65541.68394.0046平安银行2.31741.47842.9388地方商业银行北京银行3.57122.11165.1203南京银行3.72841.27113.5721宁波银行2.95342.90145.5967表3-62017年-2018年上市银行违约距离统计表国有商业银行银行名称违约距离2017年2018年中国银行5.48897.1543农业银行5.41897.1068工商银行5.89178.0821建设银行6.18998.1916交通银行5.59317.1144股份制商业银行浦发银行4.90434.4077光大银行4.51534.2161兴业银行3.50174.5415招商银行4.77594.3213中信银行4.80824.3870华夏银行3.44954.8020民生银行4.04074.0573平安银行3.80534.5088地方商业银行北京银行5.58145.4983南京银行5.12324.4643宁波银行4.07895.90183.4.3模型结果分析表3-7不同类型上市银行违约距离统计表银行类型最小值最大值平均值标准差国有银行4.29748.19165.78711.0519股份商业银行0.98095.50883.21231.2693地方商业银行1.27115.90184.09831.3954违约距离越小，表明该银行资产出现违约的可能性就越大，银行的面临信用风险就越大。表3-5、表3-6中从横向时间维度可以看出，在不同时间段内国有大行的违约距离波动性小于其他类型的银行，其变化范围为4—8，而地方性商业银行和全国性股份银行的违约距离波动范围分别为1—5和0—4，两者波动率相近。从纵向时间维度来看，在同一时间内大型国有上市银行的违约距离明显优于其他两类银行，这反映了我国国有商业银行的风险抵抗能力较强，一方面是国有银行的资本充足率较高，另一方面国有银行有更为成熟完善的风险管理体系，多样化的贷款业务使得部分信用风险不足以对其造成巨大威胁。特别的，2015年几乎所有银行都呈现出违约距离缩短的态势，大型国有银行与全国性股份银行和地方性银行几乎处于同一水平。2015年，国内A股市场呈现出暴涨暴跌的罕见态势，沪指全年振幅高达72%，2015年中国经济下行压力大，在股市上体现为暴涨暴跌现象，这使得民众对宏观经济运行状况产生消极评价，对银行的不信赖度增强。图中上市银行的违约距离也在2015年达到最低点。从2016年到2018年宏观经济有所好转，三类银行的违约距离均呈现上扬好转态势。股份制商业银行和地方性商业银行违约距离差别不大。因为股份制商业银行身处于激烈的市场竞争之中，为了获取竞争优势，它们通常会降低信贷门槛，这也造成了客户群体质量参差不齐，银行自身经营风险较大。但相比之下，地方性商业银行违约距离较大，究其原因，地方性商业银行由于其特殊的地位，在当地政府的扶持下其信用风险的抵御能力增强。4.信用风险成因分析4.1信用风险影响因素选择结合第二章中对我国商业银行信用风险水平影响因素的分析，本章以违约距离作为被解释变量，选取KMV模型构建中的重要参数和商业银行自身的微观参数作为解释变量，共同探究不同变量对违约距离的解释力度。表4-1回归模型变量变量名 符号代表变量违约距离DD模型变量股权价值Equity负债总额Debt股权波动率Vol微观变量资本充足率CAR净资产收益率ROE4.2样本数据处理如表3-1所示，本章的研究对象为我国16家上市银行，研究时间段为2014年到2018年。各变量的定义和数据来源如下所示：违约距离（DD）违约距离作为信用风险的代表值，其大小与商业银行的违约概率呈反比。具体数值参照表3-5的计算结果。股权价值(Equity)公司的股权价值是指股东在公司中所占权益的总和，在一定程度上股权价值数量越充足，公司抵御风险的能力就强。数据来源商业银行年度报表。负债总额(Debt)银行的负债是指银行对其债务人承担的全部经济责任，负债数额越高越有可能触发公司的信用违约事件的发生。数据来源商业银行年度报表。股权波动率(Volatility)本文将股权价值波动率设定为一年内对数股价收益率的标准差，一般来说股权波动率越小，表明公司的基本面情况越好。数据来源Wind数据终端。资本充足率（CAR）反映银行的资本总额可用于覆盖损失的比率，该比率越高表明银行对信用风险的化解吸收能力越强。数据来源于商业银行年度报表。净资产收益率(ROE)又称为权益报酬率，具体表现为净利润比净资产。该数值越大，表明商业银行自有资本的运用效率高且获利能力强。数据来源于商业银行年度报表。4.3回归模型建立设定多元线性回归模型来检验不同变量对于违约距离变动的影响程度，同时运用普通最小二乘法对面板数据进行回归，公式如下：LNDD其中εt为回归方程扰动项，t为时间（2014-2016），i表4-3回归结果CoefficientStd.t值Sig（常量）-5.060771.34039-3.775580.0003LNEquity0.119410.114831.039830.0031LNDebt-0.156160.12936-1.207190.0023LNVol-0.659670.08851-7.451690.0000LNCAR2.724520.398536.836320.0000LNROE0.474920.192252.470250.0158此回归模型的拟合度优度为0.6681，调整R方为0.6504。表明该模型的拟合优度较好。4.4回归结果分析由表4-3可得回归方程如下：LN(DD)=股权价值、资本充足率和净资产收益率系数均为正，且分别在1%和5%的水平上显著。表明股权价值越高，资本充足率越高和净资产收益率越高，商业银行的违约距离就越大。而负债总额和股权波动率系数均为负，且在1%的水平上显著，表明负债越高，股权波动率越大，银行的违约距离就越小。等式中每个变量前的系数反映该变量对LN(DD)的影响程度，从上式可以看出，资本充足率和股权价值波动率对违约距离的影响最大。5.研究结论、不足和未来展望5.1研究相关结论本文选取截止2014年沪深两地一共16家上市银行为测量样本，以KMV模型为测量工具，通过各上市银行的历年股价数据和财务报表数据，测算出各自的违约距离，并且对违约距离不同的影响因素作敏感性分析。除个别异常值之外，实证研究表明KMV模型在上市银行的信用风险管理实践方面具有适用性。基于此，本文研究主要得出以下结论：第一，在违约距离方面，本文为了保证测量结果具有可比性，将样本银行按性质划分为三类。从横向维度分析，国有四大银行的违约距离大大超过其他两类银行，表明国有四大银行的信用状况优秀，不太可能发生信用违约现象。这主要是因为国有银行的资金规模雄厚，部分信用违约事件不足以对其造成威胁，同时国有银行的存款市场广泛、政治信用高，在一定程度上防止信用事件发生。第二，从纵向时间维度分析，2015年几乎所有银行都呈现出违约距离缩短的态势，大型国有银行与全国性股份银行和地方性银行几乎处于同一水平。这是因为2015年国内股票市场出现大波动，同时中国经济下行压力大，进一步动摇了民众对于宏观经济的信心，对银行的信用度提出了更高的考验，而后2016年之后宏观经济有所好转，三类银行的违约距离均呈现上扬好转态势。第三，随着时间的推移，我国商业银行的信用风险总体上有所改善。通过分析可以发现2015年以来我国上市银行的风险状况有明显改善，几乎所有银行均呈现出违约距离上升的态势。相较于2008年国际金融危机，我国商业银行在经过一轮经济周期的洗礼后，信用风险管理水平和风险吸收能力有明显提升。第四，对影响信用风险的几个因素做多元回归敏感性分析，发现股权价值、资本充足率和净资本收益率均与违约距离同向变动，而股权波动率和负债总额与违约距离反向变动，并且资本充足率和股权波动率对违约距离的影响程度最大。5.2研究不足本文作者学术能力和实践能力有限，主要体现在数据收集和计算两方面。一是运用的数据仅是上市银行的公开数据，数据支撑不够，也缺少对数据的系统分析。二对于模型的简化计算，比如违约实施点的选取没有按照KMV模型中的原始方法，在估测股权波动率时没有考虑到在实操中金融时间序列存在的波动聚集效应和异方差性。同时，本文研究需要对信用风险产生的宏观区域环境和经济周期发展，以及借贷双方的行为等多方面进行分析，但由于本人能力有限，无法对研究问题进行全面思考和总体把握。5.3未来展望KMV模型相较于国内银行传统的信用分析度量模型有很大的优越性，但是鉴于国内银行目前的发展情况，完全应用KMV模型进行违约估计仍存在实操困难。第一，KMV公司根据国外股票交易数据的历史经验，将模型中的违约实施点设定为公司短期负债加上长期负债的一半，此公式是所设定的，但是对于国内特殊股票市场结构，此比例并不适用。为了使KMV模型更加贴合我国上市公司的情况，避免信用状况良好的公司与信用状况差的公司出现违约距离差距不显著的情况，违约实施点公式中的比例需要进行进一步的修订。第二，KMV模型的核心假设是企业的资产价值分布服从对数正态分布，并在此基础上进行违约距离的计算。但是我国上市银行的资产价值并不全服从对数正态分布，银行贷款收益和损失大部分情况下呈现偏态分布。同时，仅靠KMV模型来估计真实世界的违约率有些牵强，比如模型中用N(-d2)来表示风险中性下的违约概率，而风险中性的假设在现实世界中不成立。因此模型中资产价值非正态的修正和中国股市股权结构的优化，对提高模型测量精度有帮助。第三，我国仍存在大量未上市的银行，由于它们的股权价值和股权波动率不是透明公开的，在估计上存在困难，因此导致这些银行的资产价值和资产波动率无法通过KMV模型来估计。在对这类银行进行信用风险评估时，只能其他指标来代替，这也在一定程度上也降低了计算的精确度。参考文献[1]王天宇、杨勇.商业银行信用风险宏观压力测试研究[J].商业经济与管理，2017(5):70-76.[2]金美子.我国商业银行信用风险管理存在的问题及监管对策[J].金融视线，2018(28):73-74.[3]王晓、李佳、李梦艺.政策因素下资产证券化能否降低银行信用风险？—以中国银行业为例的实证检验[J].商业研究，2019(09):82-95.[4]刘玉洁.基于CVaR的CreditMetric模型及其在商业银行信用风险管理中的应用[D].长沙：长沙理工大学，2010.[5]刘悦.基于因子分析法的商业银行信用风险测度研究[J].财会学习，2020(01):198-199.[6]马美芸.A股中小上市公司ST风险预警基于KMV模型的违约风险实证研究[D].上海：华东理工大学，2015.[7]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应性分析及实证检验[J].财经理论与实践，2016(01):34-40.[8]吴江英.我国非上市公司债券违约风险研究——基于KMV模型的分析[D].浙江：浙江大学,2019.[9]叶楠.商业银行不良贷款处置方法探究[J].法律经纬，2020(01):195-196.[10]刘晓庆.基于KMV模型的商业银行信用风险管理实证研究[D].上海：复旦大学，2013.[11]尤毅.基于随机森林模型的某商业银行企业信用风险评估实证研究[D].上海：上海交通大学,2017.[12]朱天涯.经济转型升级中我国商业银行的信用风险管理问题研究——基于Merton-KMV模型[D].杭州：浙江大学,2019.[13]沈宇.上市银行信用违约风险及影响因素研究——基于KMV模型[D].广州：暨南大学,2014.[14]李金婷.基于KMV模型的中国上市银行信用风险评价——以民生、招商、深发、浦发、