一、研究背景
从20世纪50年代到现在,中国钢铁产业由小到大,由弱到强,截止2010年成为名副其实的钢铁大国,但是里钢铁强国还相去甚远。受2008年的全球金融危机影响,我国钢铁行业效益大幅下滑,甚至一些著名的钢铁企业都发生严重亏损,这暴露出我国钢铁产业长期潜伏和积累的问题。一是我国钢铁行业集中度与世界钢铁大国的比较,我国明显偏低;二是我国钢铁行业还未形成规模经济,钢铁产业是典型的规模经济产业,其企业组织规模和经济效益之间存在着很强的依存关系。三是产品附加值低,缺乏技术创新。我国的钢铁产品为低附加值的钢材,对于高附加值的钢材我国还须大量进口,钢铁产品的低附加值抑制着中国钢铁行业的发展[1]。正是因为这三点原因导致我国钢铁企业大而不强,过度生产,在改革开放初期,由于社会建设对钢材需求量大和国家的扶持致使钢铁企业数量不断增加。但是随着我国经济发展上了一个新台阶,基本完成了基础设施建设时,面临着技术提升和创新不足的瓶颈时,产能过剩的钢材企业成了经济转型的负担,因为在我国钢铁企业作为劳动密集型产业吸纳了大量的劳动力,一旦减产,会造成严重的失业问题。因此对钢铁企业的财务分析以其可能面临的违约概率的研究能够为经济管理部门提供指导性意见。2014年初,李克强总理提出削减部分过剩产能行业,包括淘汰钢铁2700万吨水泥4200万吨等。削减产能会对钢铁企业的生存造成直接的威胁,并且政策的影响必然会最先反映在企业股价上然后反映在公司的财务报表上。
笔者认为在当前经济整体下滑的背景下,我国的钢铁行业的上市公司很大程度上面临着债务违约的情况。而KMV模型正是通过上市公司股权价值和公司负债面值对公司整体的经营情况进行刻画。
二、KMV模型
模型的概述
KMV模型是美国旧金山KMV公司1997年依据当时大量的市场数据建立的估计借款企业违约概率的方法。该模型计算违约概率的步骤如下:
1.无分布假设的KMV模型。在不假设上市公司资产价值的条件下,上市公司的违约距离(Distancetodefault)只跟公司的债务和公司市值的波动率相关。公式表达为:
在式(一)和式(二)中VA表示公式的总资产或总市值,σA为公司市值的波动率,r是无风险利率,研究中大多数学者通常使用一年期银行存款基准利率代替。本文采用加权连续复利计算无风险利率T为观察周期,D是公司账面的总负债,包括长期负债和短期负债,在国际上对于长期负债的处理是当Dlong/Dshort≤1.5时,D=Dshort+0.5Dlong,否则D=0.7Dshort+0.7Dlong。但是我国部分学者对本国上市公司的数据进行实证研究时发现,使用D=Dshort+0.75Dlong最适合中国现行金融市场[2]。本文基于国情,采用与前人一致的实证经验公式。资产价值预期增长率,体现资产价值平均增长情况,本文选用行业指数增长率来代替公司资产预期增长率g。违约距离DD体现了一种相对的概念,违约距离越大说明该公司距离违约触发点越远即违约的可能性越小;反之,违约的可能性就越大的状况。P为违约概率。
在计算违约率时,由于缺乏数据库支持,计算违约概率并无实际意义,因此本文直接采用违约距离作为衡量违约风险的指标。
三、样本的选择与模型说明
(一)样本选取
本文主要着眼于钢铁行业的信用违约现状分析。本文以公认的存在业界产能过剩的钢铁行业为研究对象,着重分析了自2010年以来相关企业的信用风险状况。本文所选用的钢铁行业的数据跨度为2010年~2015年。考虑部门企业已经面临退市风险,已经我国钢铁企业较多,因此本文只选取了其中的较为典型的12家作为研究对象。
(二)参数设定
根据KMV模型的原理和表达方程组,结合实际情况,本文直接选用违约距离DD指标而不再使用西方数据库的经验公式计算违约概率P,主要使用的模型表达式如下:
上式中个参数的具体设置含义为:其一,E为公司股权价值,包括所有的所有者权益价值之和,数据来源为同花顺。其二,负债面值D包括短期债务(流动负债)SD和长期债务(非流通债务)LD分别来自公司财务报表数据。其三,无风险利率r一年期上海银行间同业拆借利率的全年几何平均值,数据来源于Shibor官网。其四,σE表示股权波动率,以相对股票收益率的对数为基础计算求得;根据周收盘价Si计算周收益率μi=lnSi-lnSi-1,则股票收益的周标准差为,然后通过平方根法则将周波动率转化为年波动率。其五,KMV模型计算以一年为参考期,本文也设定参数T=1。其六,本文沿用已有结论,继续使用更符合中国国情的公式计算违约触发点,即D=SD+0.75*LD[3]。
四、实证分析
(一)数据收集
我国学者通常选用中国人民银行规定的一年期存款基准利率作为无风险利率,这样做忽略了一点:利率作为央行实行货币政策的一种工具。在经济不景气的时候央行一般会放松银根,导致基准利率过低;反之在市场过热时,央行又会通过上调利率收缩银根防止过高的通货膨胀。从企业本身的角度出发,央行的基准利率并不具有十分显著的意义。相反,Shibor(上海银行间同业拆借利率)是有我国几大重要性的商业银行直接报出的利率,因此用Shibor作为企业无风险收益率更适合。由于各大银行每个交易日都会报价,因此这里采用几何平均的方式计算出2010~2015年间的无风险收益率:
将在Shibor官网上下载的原始数据导入到MATLAB中后,使用连成和指数命令,立马能够得出如下结果。
从利率变化的结果可以看出,利率从2010~2014处于持续上升阶段,但是并不意味着我国经济在这一阶段发展过热,因为受2008年4万亿财政刺激影响,2010年之后虽然没有陷
入经济危机,但是结构性失调成为了主要矛盾。利率的上升很大程度上是因为市场资金配置不合理导致市场整体借贷成本较高。在2015年内,我国股票市场发生了股灾,央行通过不断(降准)降息方式来平抑市场,甚至通过借贷便利和公开市场操作直接为市场注入资金,导致了利率开始走低。
短期债务和长期债务以及股权价值数据见附表1-6,其中短期债务包括短期借款、应付账款、预收账款、应交税费、应付利息、应付股利、其他应付款和一年内到期的非流动负债;长期债务包括长期借款、应付债券、长期应付款、专项应付款和递延所得税负债;股权价值包括股本、资本公积、专项储备、盈余公积和未分配利润以及少数股东权益。
(二)违约距离计算
由于数据较多,仅就2015数据进行计算过程的说明,其余样本将直接在图中展示出计算结果。
前面已经提到,在当前我国尚不存在完整的违约数据库的情况下,无法利用大量实证得到经验公式由违约距离DD求违约概率P,违约距离本身就已经体现了公司资产价值对违约触发点的相对距离,可作为表征违约风险的指标,并且违约距离越大,说明公司资产距离违约触发点越远,该公司发生违约行为概率越低。为了更直观地分析近几年过剩产能行业的信用违约情况,我们结合对应年份的违约距离折线图来做进一步的分析解释;重复2015年数据的处理方法,将其余年份的数据带入到程序中,求解结果如图1。
(三)结果分析
图1显示,12家钢铁行业在2010~2015期间违约距离全部降低,即违约概率增加,说明在此期间内我国钢铁行业的经营状况持续恶化,尤其是2014李克强总理宣布削减钢铁产量之后,钢铁企业的违约距离直线下降,进一步阐明了我国钢铁企业当前恶劣的生存环境。下面我们将从两个角度分析钢铁企业的违约距离下降的原因。类似于期权定价中希腊值的分析,我们从公司资产价值和资产波动率角度进行观察。
1.delta分析。所谓delta分析就是指公司总价值的变动对违约距离的影响,由莫顿模型可知,在其他条件不变的情况下公司总价值越大,以公司为标的看涨期权价值越大,行权概率越大,违约距离越大,违约的概率就越小。由图2和附表1-6中数据可知,钢铁企业的总价值普遍减小,债务水平不断提高,假设债务水平不变的情况下,企业的总价值会减少更大,说明了企业违约距离的减少跟公司所有者权益减少有关,所有者权益减少一方面是由于公司股票价格的下跌,另一方面是由于公司资产的减值。因此delta分析隐含着公司违约距离减小部分是由于公司可用来抵御风险的所有者权益减少。
2.Vega分析。所谓Vega分析就指公司市值的波动率对以公司为标的看涨期权价值的影响,一般来说周期其他条件不变的情况下公司价值的波动率越大,公司债务价值越低,公司面临的违约风险越大,从图2中可以看出,公司价值的波动率不断上升,因为图2中的波动率是从当前的数据中计算出来的,说明市场对钢铁行业的预期存在更大的不确定性。从而导致了市场对钢铁企业要求更多的风险溢价,最终使钢铁行业的经营更加困难。
五、结论
结合KMV模型,通过市场数据的实证分析可以对每个上市公司的财务状况和违约概率进行计算。本文首先从定性上辨别出近年来钢铁企业在我国属于要淘汰的落后产能,,随后选取了A股市场上12家主要的钢铁公司2010年到2015年短期负债和长期负债以及股权价值数据,又采用上海银行间同业拆借利率作为无风险利率,利用MATLAB程序求解KMV中的未知参数,公司总价值和公司价值波动率,最终计算出每个公司的违约距离。结果显示2010年至2013年间钢铁企业的违约距离变化不大,甚至有些企业的由于经营好转违约距离开始上升,但是自从2014年李克强总理宣布了削减钢铁产能的决定后,所有的钢铁企业的违约距离开始直线跳水,说明了政策对企业发展的影响是显著的。接着,对公司违约距离下降原因分析得出:
①公司总价值变化不大,但基本都是出于下降通道,但是从附表中可以看出,公司债务却大幅增加;因为公司总价值等于总负债加所有者权益,所以,公司总价值下降的主要原因是公司股权价值的缩水,说明了钢铁企业出于亏损经营状态,通过不断的借款来弥补所有者权益的减少,从而导致了未来违约可能性不断增加。
②公司总价值得波动率在2014年之后开始增加,说明了自从削减产能的计划公布之后,钢铁行业未来不确定性在增加,即所面临的经营风险在增加,因此更容易出现违约的情况。
本文得研究存在一些不足:一是仅仅采用了静态股权波动率,为考虑股权波动率的时变性,例如可以采用GARCH模型对公司股权价值进行建模;二是仅仅测算了违约距离,只能说明公司之间违约概率相对变化,无法准确说明公司的实际违约概率,这需要足够长的历史数据库得支持,随着我国违约损失数据库地逐步建立会得到解决。另外KMV不仅能够用来衡量公司的违约概率,还可以用来判断上市公司股权投资的价值,即违约距离逐渐增加的企业更具有长期投资的价值。
参考文献[www.DyLW.net/yuwen/提供论文代写和代写论文服务]
[1]刘璐.中国钢铁行业现状、分析及对策研究[J].经营管理者.2014(07).
[2]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[J].统计与决策2006,(18):157~160.
[3]吴利芳.基于KMV模型的适用性研究与应用分析——以A股市场主要过剩产能行业为例[J].新疆财经大学学报.2014(04).