ParK's 論文后花園

西南财经大学
硕士学位论文
基于违约概率模型KMV的上市公司财务危机预警研究
姓名：杨锐
申请学位级别：硕士
专业：金融学
指导教师：向重伦
20081201
摘要
摘要
随着国内资本市场的逐步放开，公司融资渠道多样化，公司面临来自内
外部的不确定性越来越多，爆发财务危机的可能性也越来越大，随之将会给
投资者和债权人带来惨重的损失，严重的甚至威胁到整个金融体系的稳定性。
因此，建立一套有效的财务危机预警模型，对公司爆发财务危机的可能性进
行预测，进而在财务危机出现的萌芽状态就采取有效措施来防范和化解财务
危机，对于保护投资者利益、维持资本市场稳定，尤其是解决目前国内商业
银行不良资产率过高的问题等，有着积极的理论意义和实践意义。
财务危机预警是指以企业的财务报表、经营计划、相关经营资料以及所
收集的外部资料为依据，根据企业建立的组织体系，对可能造成企业财务危
机的风险因素进行跟踪、监测、预测，同时根据理论研究和经验总结，采用
各种定量或定性的分析方法，设计一种有效的综合性模型并确定一个阀值，
当相关因素指标综合值超过阀值时发出危机警报并采取对策。
目前的财务危机预警模型可分为两类：财务指标预警模型和信用风险量
化模型。前者基于上市公司公布的财务数据，即反映上市公司各种能力的财
务指标，比如盈利能力指标、偿债能力指标、成长能力指标、现金流量指标、
营运能力指标等，利用统计学中的多元回归方法，建立静态的财务危机预警
模型，然后对总体样本违约与否进行判别。比较常用的是Logistic回归模型。
虽然这类模型操作方便，但是时期性强，再加上国内普遍存在的上市公司会
计信息失真问题，使得其难以体现细微、快速的市场变化。
信用风险量化模型的出现使得以上问题得以解决。比较著名的就是违约
概率模型Y6tV。该模型基于BLack—Schotes期权定价理论，将公司股权看作是
以公司资产价值为标的的欧式看涨期权，该看涨期权的执行价格是公司债务，
期限是公司债务的期限，根据债务到期上市公司的资产价值是否小于其债务
价值的来判断是否将要发生违约风险，并进一步得出违约概率(EDF)。由于
基于违约概率模型KMV的上市公司财务危机预警研究
该模型利用资本市场上股票价格变动信息而非历史账面数据进行预测，因此
能够科学的、动态的、及时的反映上市企业当前的经营状况的变动趋势。
本文在对Logistic回归模型和KMv模型的基本原理进行详细阐述的基础
上，将KMV模型中的信用风险变量一违约距离DD引入到Logistic回归模型，
建立另一套新的财务危机预警模型，并通过新旧模型预测准确率在时间上的
比较，来考察违约距离对于预警模型预测能力和解释能力的影响。
首先，本文根据中国资本市场的实际情况对KMv模型的参数做出修正：
(一)股东权益的市场价值E：Ydm／模型是基于国外处于全流通环境的
股票市场开发出来的，其中公司股权价值可以用公司总股本乘于股票二级市
场价格来计算股东权益的市场价值。但是由于我国证券市场形成的特定历史
原因，上市公司尚有其价值随市值变化的流通股与其价值不随市值变化的非
流通股之分，因此不能简单的使用国外的方法计算股权价值。本文使用净资
产定价法，基于历史数据回归出非流通股与每股净资产的线性关系，进而解
决了这一问题。
(二)违约点DP：当公司的资产价值低于一定水平时，公司就会对债权
人和股东违约，与这一水平相对应的资产价值为违约点DP(Defautt Point)。
即公司资产价值等于负债价值时的点。根据对国外众多案例的研究，KMV公司
将违约点确定短期负债加上二分之一的长期负债。鉴于国内对两种负债所占
比例存在较多争议，本文设置了多个比例值，分别计算出违约距离，然后进
行显著性对比。对比结果显示KMV模型中违约点计算方式同样适用于国内上
市公司。
其次，对模型输出结果(违约距离DD)做正态性和显著性分析。正态性
检验的目的是确定显著性检验采用的方法，而显著性检验的目的是检验违约
距离能否有效的区分正常公司和违约公司两组样本。正态性检验结果显示，
违约距离并不服从正态分布，因此不能使用参数检验法进行显著性检验，需
采用非参数检验方法。显著性检验结果显示，违约距离能够较好的描述危机
公司财务状况恶化的态势，并且能够有效的体现危机公司和正常公司之间的
差异，因此能够作为变量为建立模型所采用。
再次，对选取的35个财务指标进行筛选。由于众多指标之间可能存在多
2
摘要
重共线性，因此需要进一步筛选确定能够进入模型的指标。筛选原理与上述
违约距离的相同。检验结果显示，从2004年到2006年，通过显著性检验的
财务指标的数目逐渐增多，这表明，距离被ST日期越近，财务指标在危机公
司和正常公司之间的差异性越显著。
然后，构建判别模型。基于上述研究过程，利用Logistic模型一逐步向前
一Ward回归方法，针对各个时间阶段分别构建基于财务指标的财务预警模型
和在此基础上引入违约距离的财务预警模型，通过对模型判别效果在横向和
纵向的比较和分析，得出主要结论为：基于股票交易数据的违约距离可以提
高财务顸警模型的解释能力和预测能力，且模型提前两年判别的效果最佳，
从而验证了本文的观点。
最后，根据研究结果，本文对上市公司管理层、投资者和债权人以及信
用评级机构的评级框架提出了相应的建议，同时对模型在实际中如何应用做
了简单的阐述。
本文的创新点主要体现在以下几个方面：
首先，KMV模型的修正。国内实际情况的特殊性决定了不能直接将模型引
入研究，而以往研究往往忽略了模型修正的必要性。本文先就模型在国内的
适用性进行分析，然后较为深入得对非流通股定价以及违约点计算方法等问
题进行了探讨，取得了较为满意的结论，同时丰富了该领域的理论研究内容，
具有较好的理论意义。
其次，模型指标的选取。以往研究中多采用盈利能力、偿债能力、成长
能力、现金流量、营运能力五大类财务指标，本文在此基础上新引入了一种
非财务指标——公司治理能力，包括：董事长与总经理兼任情况、独立董事
比例、监事总规模、第一大股东持股比例、第二至十大股东持股比例、国有
股比例、股权质押比例等，尝试着从多角度、全方位考察公司经营能力的变
动情况。
再次，判别模型的构建。文本研究发现，三年中进入模型的财务指标差
异较大。这表明以往研究中运用单一模型对公司的ST历程的不同阶段进行预
警是不合理的，因此本文采用建立模型体系的方法对公司财务状况进行预警，
并且结果验证了这种方法的有效性。
最后，提出建议。本文根据研究结果对国内上市公司日常管理、投资者
3
基于违约概率模型KMV的上市公司财务危机预警研究
及债权人日常风险管理过程提出相应建议，并就如何在实际中应用模型做了
简单的阐述。
关键词：财务危机预警KMV模型违约距离Logistic回归
4
Abstract
Witll the domestic capital market being liberalized gradually,the company
f'mancing channels get diversified，SO the company faces more and more
uncertainties from intemal and external，the possibility of the outbreak of financial
distress is also growing，which will bring heavy losses to investors and creditors，
even a serious threat to the stability of the entire financial system．Therefore，
establishing all effective financial distress prediction model，and forecast the
possibility of the outbreak of financial distress of listed companies，then take
effective measures to prevent and terminate the financial distress in the embryonic
stage，has a positive theoretical and practical significance in protecting the
interests of investors and maintaining the stability of capital market．
The current financial distress prediction models can be divided into two
categories：pure financial ratio models and credit risk quantitative models．The
former is based on financial data disclosed by listed companies，uses multiple
regression methods in statistics，to establish static financial distress prediction
model．Although it is easy to operate，but owing to its strong time-phased feature
and the prevalence of accounting information distortion in China,it is difficult to
embody the small and rapid changes in the capital market．The emergence of credit
risk quantitative models makes the above problems resolved；the relatively
well—known model is KMV,which based on the Black-Scholes option pricing
theory,makes full use of capital market information rather than historical data to
predict，SO that it call reflect the operating conditions of listed companies more
scientifically,dynamically and timely．In this paper,the content is bringing the
variable of KMV credit risk model—Default Distance(DD)into the traditional
financial distress prediction model to study its impact on model’S ability of
forecasting and interpreting．
First of all，in this paper,according to China’S capital market of the actual
situation,we make certain amendments on some of the KMV model parameters，
and make a qualitative analysis on its output(Default Distance DD)，the
conclusion is：the financial deterioration of risky companies Can be well described
by Default Distance，also，it call reflect the differences between normal companies
and risky companies effectively．Then,this paper uses the financial data and
transaction data of samples，constructs two types of prediction models：one诵t11
financial ratios，the other with Default Distance and financial ratios，by employing
Logit model and forward wald regression method．Through comparison and
analysis on the differentiation effect of two different models，the conclusion is：
Default Distance call enhance the abiLity of forecasting and interpreting of
prediction model evidently，and predicting two years ahead may achieve the best
effect．Finally,in the light of the findings，this paper puts forward t．he corresponding
recommendations on the risk management of company executives and investors，
rating framework of credit rating agencies，meanwhile，expounds how to use the
model in practice simplely．
Keywords：Financial Distress Prediction，KMV model，Default Distance，
Logistic Regression
2
西南财经大学
学位论文原创性及知识产权声明
‘本人郑重声明：所呈交的学位论文，是本人在导师的指导下，
独立进行研究工作所取得的成果。除文中已经注明引用的内容外，
本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对
本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标
明。因本学位论文引起的法律结果完全由本人承担。
本学位论文成果归西南财经大学所有。
特此声明
学位申请人：杨锐
2008年12月5日
1．绪论
1．1研究背景和意义
1．1．1研究背景
1．绪论
财务危机(Financial Crisis)又称为财务困境(Financial Distress)，是指
企业丧失支付能力、无力支付到期债务或费用、以及出现资不抵债的经济现
象，包括营运失败、商业失败、技术性无力偿债、无力偿债、资不抵债、正
式破产等。
随着利率的市场化进程不断深入，金融市场的放开，公司融资渠道的多
样化和市场竞争的白热化，公司面临来自内外部的不确定性越来越多，爆发
财务危机的可能性也越来越大，随之将会给投资者和债权人带来惨重的损失，
严重的甚至威胁到整个金融体系的稳定性。秦池的败落，三株的倒闭，巨人
的坍塌等等，一系列财务危机事件无不为整个上市公司、金融机构、投资者
以及监管当局敲响了警钟。因此，如何建立一套有效的财务危机预警模型，
对公司爆发财务危机的可能性进行预测，进而在财务危机出现的萌芽状态就
采取有效措施来改善企业的经营管理，从而有效的防范和化解财务危机，已
经引起企业管理层及其利益相关者的高度重视，也是国内外金融界学者们所
研究的热点之一。
“冰冻三尺非一日之寒”，任何财务危机的爆发都是一个风险因素逐步
累积的过程，在爆发之前都会有先兆出现，比如说企业筹资能力丧失、现金
流量不佳、资产流动性减弱、盈利能力下降等等，如果能够及时发现这些先
兆，并对产生风险的各种因素加以控制和处理，则完全有可能避免财务危机
的爆发。对于国内的上市公司，由于存在信息披露的强制性约束，公司的财
务信息都可以其披露的财务报告中获得，这就为我1TIN用这些财务数据进行
财务危机预警提供了可行性。
基于违约概牢模型KMV的l：市公亩：J财务危机颀警研究
所谓财务危机预警，是指以企业的财务报表、经营计划、相关经营资料
以及所收集的外部资料为依据，根据企业建立的组织体系，对可能造成企业
财务危机的风险因素进行跟踪、监测、预测，同时根据理论研究和经验总结，
采用各种定量或定性的分析方法，设计一种有效的综合性模型并确定一个阀
值，当相关因素指标综合值超过阀值时发出危机警报并采取对策。传统的财
务危机预警模型大多是依赖于上市公司报表中的历史财务指标，比如盈利能
力指标、偿债能力指标、成长能力指标、现金流量指标、营运能力指标等，
利用统计学中的多元统计方法进行回归分析，建立静态的财务危机预警模型，
然后对总体样本违约与否进行判别。这种依赖于账面财务数据的预警，尽管
也取得了较好的预测效果，但是由于模型的静态性，再加上我国目前存在的
上市公司会计信息失真问题，以及现行的上市公司信息披露制度不尽完善，
决定了其难以体现细微、快速的市场变化。
为了解决以上问题，’国内的学者不断尝试着将在信用风险度量方面效果
显著的KMV模型的重要输出指标一违约距离(DD)引入财务危机预警研究
领域。由于KMV模型基于Black．Scholes期权定价理论，充分利用资本市场
的信息而非历史账面数据进行预测，因此能够科学的、动态的、及时的反映
上市企业当前的经营状况。如果将KMV模型同传统的财务危机预警模型有
机结合起来进行研究，则可以很好的克服原有模型的弊端，实现公司财务危
机的动态预警。
基于以上研究背景，本文在总结前人研究的基础上，尝试将违约距离
(DD)作为新的指标引入到传统的财务危机预警模型中，建立一套新的动态
预警模型，并将新旧模型的预测准确率进行比较分析，以验证模型预测准确
率是否得到明显提高。
1．1．2研究意义
财务危机预警研究的现实意义主要体现在以下几个方面：
第二，有利于寻求科学的预警模型。通过实证研究的寻求有效的预警模
型，并通过预测样本来检验模型的有效性。
’
第二，有利于寻找影响公司财务状况的核心财务指标。财务预警的最终
目的是为了警示风险和指导管理，单纯的预警模型只能警示风险，对指导管
2
1．绪论
理却显得束手无策，而实证研究的发展，不仅仅停留在构建模型上，也包括
各项预警因子的敏感性分析和核心财务指标的寻求。核心财务指标将为公司
提供追踪指示器，从而能够为有效地防范和化解财务风险及时提供可靠的指
导意见。
第三，有助于建立可操作性的预警系统。目前我国资本市场尚不存在真
正意义上的财务危机预警体系，现有的预警制度还只停留在业绩预警这一很
小的范畴，并且绝大部分企业并非真正意义上的主动参与，而是被动应付检
查。准确来讲，现有的预警制度只是在财务报告公布前对投资者发布的一种
风险性提示，对公司战略、市场和管理并没有太大的指导意义。财务危机预
警的实证研究，通过有效的预警模型的构建，结合企业的日常经营管理，可
以帮助企业建立可操作性预警系统。
第四，有利于促进我国资本市场规范和健康地发展。我国股市正处于弱
式有效阶段，这就意味着投资者尚未充分利用有关的公开信息，难以看穿公
司的会计选择和信息披露方式，市场价格并未充分反映公司价值。
同时，我国个人投资者所占比例很高，其中高等学历的投资者却较少，
可见大部分的投资者缺乏应有的专业基础知识，没能力进行自发的信息分析。
因此，较为准确的预警模型可以充当财务信息汇总、解析者的角色。尤其是
中国正处于迅速成长过程的社会主义市场经济阶段，更加迫切地需要完善经
济预测方法，建立经济预警系统。
1．2研究方法与思路
1．2．1研究方法
结合目前财务预警模型研究中存在的缺陷，即当前模型存在静止性、滞后
性问题，而且没有考虑资本市场信息指标，本文打算在KMV模型基础上扩展，
在优化调整KMV模型参数的同时，结合违约距离DD和解释能力强的财务指标
及非财务指标对违约公司进行Logistic判别分析，得出新的判别模型，并利
用样本数据进行预测准确率的对比分析。
首先，本文根据中国资本市场的实际情况调整KMV模型的参数，得出最优
模型，并对模型输出结果(违约距离DD)作定性的分析。然后，根据一定标
堆十违约概率模型KMV的j二市公司财务危机预警研究
准选取财务指标以及非财务指标对相同样本进行判别分析。最后，将KMV模型
和前述的判别分析模型结合起来建立新的财务预警模型，用样本数据检验新模
型的判别预测性能，并提出对上市公司内部管理的相应建议和对模型的运用进
行阐述。
1．2．2文章结构
本文分为五部分：第一部分是绪论，陈述了论文的研究目的、研究意义、
以及研究方法与文章结构；第二部分为研究回顾以及文献综述；第三部分是相
关理论的简单介绍，主要包括KMV模型的理论介绍、违约距离计算步骤和
Logistic回归原理阐述；第四部分是实证研究部分，进行样本数据以及财务
和非财务指标选取后，首先针对这些指标建立模型，然后加入KMv模型的违约
距离(DD)后再次回归出新的模型，对二者的预测准确率进行比较分析，以验
证加入违约距离后的新财务危机预警模型的判别准确率是否得到显著提高，最
后对实证结果进行分析，并提出对策建议。第五部分是研究总结和研究展望。
其中第四部分是本文的重点。研究流程图如图卜1所示：
研究流程图
4
图I-I研究流程图．
2．财务预警模型研究回顾
2·财务预警模型研究回顾
目前，财务困境预测方面的研究成果广义来说主要分为两类模型：财务
指标预警模型和信用风险量化模型。财务指标预警模型主要通过能够反映公
司各种能力的财务指标，利用统计方法回归出判别模型，对公司财务困境进
行判别研究，同时表现出了较好的判别能力和得到了实践界的广泛运用；而
信用风险模型通过期权定价理论计算公司未来出现违约概率的大小并给公司
债务定价。我国的企业债市场很小，信用类似国家信用，对信用风险模型直
接运用的研究较少，但是从模型中可以提取动态指标加入财务困境判别模型，
考察其是否能够提高判别模型的判别能力，这也是本文的研究重点。
2．1财务指标预警模型研究回顾
国外对于公司财务危机预警模型的研究已有70多年的历史，产生了大量
的有效的财务危机预警模型，而国内由于市场经济体制的进程和证券市场出
现比较晚，对企业财务危机预警的研究起步较晚，主要是利用国外的方法来建
立中国的财务危机预警模型。归纳起来看，主流的预警模型主要集中于以下
几类：单变量模型、多元统计分析模型和人工神经网络模型。
(一)单变量模型
即一元判别模型，Beaver(1966)提出了较为成熟的单变量模型。他以
79家失败企业和相同数量、同等规模成功企业为样本，通过研究个别财务比
率长期走势预测企业面临危机情况，结果模型能够很好地判定公司的财务状
况，而且离财务困境日越近，预测效果越好。
我国学者陈静(1999)选取1995—1997年我国证券市场中共计27家ST
上市公司作为危机企业样本，同时按同行业、同规模选取了27家非ST上市
公司作为配对样本，选取资产负债比率、净资产收益率、总资产收益率及流
5
基于违约概率模型KMV的．I：市公州财务危机预警研究
动比率等4个财务比率，进行了单变量分析，结果发现流动比率及资产负债
比率的误判率低；
吴世农、卢贤义(2001)以70家ST和70家非ST上市公司为样本，应
用单变量分析研究财务困境出现前五年内这两类公司21个财务指标各年的差
异，最后确定了6个预测指标。
(二)多元统计分析模型
多元统计分析模型同单变量模型相比，更全面地反映了企业的财务状况。
根据建模使用的统计方法不同，主要分为多元线性判别分析模型、多元逻辑
回归模型(Logit模型)、多元概率比回归模型(Probit模型)。
Altman(1968)率先将多元线性判别方法引入财务预警领域，开创了多
变量预警模型的先河，提出Z--score模型。Altman以1946—1965间破产的
33家制造业企业作为样本，从22个财务指标中选出营运资本／总资产、留存
收益／总资产、息税前收益／总资产、股票市场价值／债务账面价值、销售收入
／总资产5个财务比率对样本进行多元线形判定，结果判断准确率达到95％，
明显超过单变量判定模型。
0hlson(1980)使用Logit和Probit回归方法发现至少有4个显著影响
公司破产概率的变量：公司规模、资本结构、业绩和当前的变现能力。但Logit
模型的判别效果更好，该模型建立在累计概率函数的基础上，采用极大似然
估计求解模型参数。该模型对财务指标变量的分布要求较低。而且该模型的
预测概率总在(0，1)之间，符合实际情况。后续大量的实证研究证实该模
型在预测财务困境上显示了极强的生命力。
Collins Green(1982)比较了多元判别模型、线性概率模型和多元逻辑
回归模型。结论表明多元判别分析和线性概率模型的基础假设不符合破产预
测，而且财务指标往往并不服从正态分布假设，财务危机预测应选择多元逻
辑回归模型。
James David(1985)采用Logit模型对财务预警进行研究，模型自变量
是基于现金流的基金流量成分，结果表明经营现金流不能提高模型的预测效
果，但红利成分是一个可靠的识别变量，可有效地提高识别效果。
Ernest Harish(1995)以保险公司为研究对象，采用判别分析模型、Logit
回归模型和{
6
2．财务预警模型研究回顾
比于参数法，即判别分析法和Logit回归法，神经网络方法的预警判别效果
更有效。
Tirapat和Nittayagasetwat(1999)运用多元逻辑回归模型研究了1997
年泰国企业的破产情况，他们认为宏观经济条件可以在一定程度上反映潜在
的企业财务危机，而且如果一家企业对通货膨胀的敏感度越高，其陷入财务
危机的风险越大。
Kahya Theodossiou(2001)提出了一个使用时间序列累计和CUSUM统计
方法的财务困境模型，该模型能够区分出企业财务指标是因序列相关而改变
还是由于财务困境的原因使指标间的结构永久移动而改变。检验结果表明
CUSUM模型是随时间而稳健的，而且要比基于线形判别分析的方法和一般的
Logit方法的结果好。
Aestebro(2001)对有关债务困境预测的方法进行了讨论，他们认为财
务困境的预测应该使用多元Logit模型，而且在选取匹配样本时应使用随机
的而不是确定的标准，研究结果也证明多元逻辑回归模型要Lt_元逻辑回归
模型更为有效。
John Stephen Michael T(2001)对Zmi jewski(1984)和Ohlson(1980)
的两个破产预测模型在当前研究运用的局限性进行了实证分析。结论表明模
型的预测能力随时间下降，行业因素和经济坏境变动也会影响模型的预测能
力，经济坏境变动可能会改变因变量和自变量之间的关系，比如公司战略变
动、通胀变动、利率变动和技术进步等。另外模型预测财务困境比预测破产
更有效。但相比Zmijewski(1984)模型，Ohlson(1980)的时间稳定性更差。
这是由于财务数据的静止性、滞后性引起的，考虑动态的预测模型是未来研
究的方向。另外，样本数据应涵括行业因素以减少模型的产生的行业效应。
Andrews Evi(2004)以1988-1997年上市工业公司为研究样本，以1：1
的配比原则共选择了102家样本。结果表明经营现金流指标含有增量信息，
Logit模型和神经网络模型(NNS)均可用于预警研究，但Logit模型稍优于
神经网络模型。在经营失败前一年，含有经营现金流、盈利能力和财务杠杆
能力指标的模型判别准确率达到83％，前三年的平均判别正确率也达到76％。
Stewart David(2004)放松回归残差独立同分布假设，采用混合Logit
模型对财务困境进行预测研究，结果表明混合Logit模型优于多元Logit模
7
基于违约概率模型KMV的li市公州财务危机预警研究
型，混合Logit模型可运用于信用风险建模。另外，还可考虑与结构方程建
模(SEM)之间的关系。
Roberto K．H Victor M(2004)对识别模型的指标选择进行了实证分析，
并提出了两种指标选择方法，基于多元变量相关指数的先前选择算法和遗传
算法。指标的选择是最大化识别消息变量个数和最小化变量共线性程度之间
的一种权衡。主成分分析法是解决变量共线性问题的较好方法。
我国学者张玲(2000)最早选取沪深两市14个行业120家上市公司为样
本，从偿债能力、盈利能力、资本结构状况和营运状况4个方面15个相关财
务比率中筛选出4个变量构建了多元线性判别分析模型，发现该模型有超前
四年的预测能力。
高培业、张道奎(2000)选取深圳市国有企业作为样本，根据一定的标准
选取161家制造类不同行业的企业，其中失败企业79家，非失败企业82家：
非制造企业140家，其中失败企业66家：预测样本相对较少，只有巧家。使
用多元判定技术分别构建出制造类企业的判定模型和非制造企业的判定模
型。其中涉及的变量包括：营运资本／总资产、留存收益／总资产、息税前利润
／总资产、销售收入／总资产、总负债／总资产。结果显示，制造业模型总误判
率为6．25％：非制造业模型把2家失败企业判为非失败企业，对非失败企业的
判别精度为looo／o。该研究表明我国非上市企业成功与否主要取决于负债比
率(对制造业企业而言)、营运资本比率(对非制造业企业而言)和获利能力。
吴世农和卢贤义(2001)对上市公司财务危机预警模型进行实证比较分
析。结果表明我国上市公司财务困境具有可预测性，在单变量模型中，净资
产报酬率的判别效果最好，多变量判别模型优于单变量判别模型，另外，在
多变量模型下，Logit模型的判别准确率最高。但总的来说，由于财务指标定
期公布原则，模型不能对上市公司的信用质量的动态变化进行及时有效的跟
踪描述。另外，模型没有考虑资本市场信息。
姜秀华，孙铮(2001)以2000年11月20日为基准点，选取了在沪、深
证券交易所被实施ST的42家上市公司，同时从两市所有非ST公司中随机选
出42家配对公司。在13个原始财务比率的基础上，筛选出毛利率、其它应
收款与总资产的比率、短期借款与总资产的比率及股权集中系数四个指标建
立Logistic判别模型，误判率仅有7％。
8
Z．财务顶警模型研究同顾
王震(2002)对【耍外有关上市公司困境实证研究的文献进行了系统评述。
困境主要包括财务困境和绩效恶化。文章通过系统评述公司困境的预测、困
境公告的市场反应、困境与公司业绩的关系、公司困境与重组和公司困境与
公司治理方面研究的相关文献，并总结了相关研究结论和对中国上市公司的
借鉴意义。
吕长江和徐丽莉(2004)对公司财务困境和财务破产两种不同的财务状
况进行实证分析。结果表明盈利能力、资产负债率、公司规模对陷入财务困
境和财务破产的公司有显著影响。
王宏炜(2004)以90家公司为样本分别采用距离判别分析法、主成分分
析法、Logistic回归模型和BP神经网络分析法对我国上市公司财务困境预测
进行实证研究。四种预测模型的判别结果表明，Logisti c回归模型的判别效
果最好，前第二年危机公司判别正确率为91．11％，正常公司判别正确率为
93．33％，总样本判别正确率为92．22％。研究结论表明财务指标包含着预测财
务困境的信息含量，在文章选取的四类衡量公司能力(盈利能力、偿债能力、
营运能力和成长能力)的16个指标中，只有7个指标通过逐步判别分析。另
外，研究结论还表明传统研究方法不失为研究财务困境问题的有效方法。但
文章财务指标的选取缺乏理论基础，同时对财务数据并没有做相应的分布检
验。
张鸣和程涛(2005)运用Logit回归方法，建立财务指标预警模型，然
后引入现金管理特征变量和现金管理结果变量，从财务指标和现金流量角度
共同构建综合预警模型。结果表明在前一年的预警中，财务指标模型效果较
好，而对于前两年、前三年，综合预警模型的效果较好。
董雪雁和汤亚莉(2005)在传统财务指标的基础上引入了经济增加值
(EVA)变量，运用Logistic回归分析方法构建了财务困境模型。结果表明
相对于传统的财务指标，经济增加值变量对企业的财务困境预测具有较强的
判别能力，模型具有超前3年的预测能力。但由于经济增加值涉及到对传统
利润指标复杂的调整计算，其实用性遭到国内学者的质疑。同时模型也是静
态的。
马喜德(2005)以A股上市公司为研究对象，选择公司被ST前第三年的
涵盖五大类(偿债能力、营运能力、盈利能力、风险水平和发展能力)的52
9
基于违约概率模型KMV的f：市公-日财务危机预警研究
个指标，通过变量筛选最终得到7个指标，并比较多元判别分析、Logistic
回归和BP神经网络三种模型的预测能力。结果表明BP神经网络法的判别效
果最好，一类正确率为85．2％，二类正确率88．9％，总J下确率为87％。文章的
财务指标选取面很全，但没有对指标数据进行相应的分布检验。
龚小君，王光华(2005)对我国20世纪90年代以来发表的关于财务预
警研究方面的文章进行分类统计，分析我国财务预警研究的轨迹。在139篇
相关文献中，从研究内容来看90％的文献研究内容都是危机预警；63．31％的文
献都是规范性研究，实证研究较少；77．58％的研究采用传统线形判别模型，
对其他模型的运用较少，但最近研究结果表明Logistic回归模型能更好的提
高判别正确率。总的来说，几乎所有的研究都是基础静态、滞后的财务指标，
构建动态模型是未来研究的重要方向。
宋雪枫和杨朝军(2006)认为形成银行不良贷款最主要的原因是企业盈
利能力的下降。上市公司的财务样本数据的选取借助杜邦分析法，经过显著
性检验和相关性检验后剩下总资产收益率、主营业务利润率、超速动比率和
资产负债率，并建立了企业财务危机预警的生存分析模型，即Cox模型，并
进行实证分析。结果表明该模型提前一年的一类的判别精度达83．3％，二类的
判别精度达81．8％，但随着预测时间的提前判别精度和预测精度均呈现急剧下
降。另外文章从企业盈利能力来界定企业财务危机。模型虽表现出高鲁棒性
特点，但是根据样本的界定，模型并没有表现出很好的鉴别能力，同时比其
他财务指标模型的判别精度低。
郭斌和戴小敏等(2006)采用因子分析和逐步判别分析相结合的指标选
择方法，在综合考虑财务和非财务因素的基础上分别建立了基于原始财务指
标、行业相对财务指标、行业相对财务指标和非财务指标、行业相对财务指
标和考虑宏观滞后影响的非财务指标的Logit回归模型。并运用国内的相关
数据进行实证分析。结果表明消除行业影响后模型的分类准确度有所提高，
同时考虑财务与非财务因素的模型大大改善总体分类准确度和拟合度。但是
模型的判别正确率不是很高，初始财务指标的选择较少，可能遗漏其他重要
指标。另外，模型只是一个静态的，不能进行持续的预测。但结论表明非财
务指标是未来研究的一个重要方向，考虑非财务指标将会提高模型的判别和
预测精度。
IO
2．财务颅警模型研究川顾
郭志和张鲲鹏(2006)以l：1的比例，根据行业和资产规模相匹配原则
选取了86家上市公司研究样本，选择了31个财务指标并通过分析确定最终
保留9个指标，运用logistic回归分别建立了ST前一年，ST前两年和ST
前三年的财务预测模型。结论表明一类误判率随预测时间递增，从14．3％增加
到33．9％。总的来说，预测准确率不高，没有对财务指标进行分布检验而且文
章过于简单。
张华伦和孙毅(2006)提出了～种基于粗糙一模糊神经网络的企业财务危
机建模和预测新方法，并进行了相应的实证分析。结果表明模型具有预测精
度高，适应性广的优点。但是当输入变量较多时，模糊规则呈几何级数增加，
网络结构庞大复杂。同时，文章只采用危机前一年的财务数据进行预测，根
据我国上市公司被ST的规定，预测精度自然会很高，这可能不是由模型带来
的效果。另外对财务指标的选取过于随意。
李贺和冯天瑾等(2006)将主成分分析和支撑向量机结合，提出了～种
分行业、适用小样本空间的财务预警模型。以传统财务指标为基础，通过主
成分分析，简化输入向量，采用支撑向量机作为判别企业状态的工具。该模
型是将人工智能法与传统方法结合的一次有效尝试，在一定程度上克服了以
往在区分企业状态方法上线性判别的局限性和小样本条件下神经网络法推广
能力不强的缺陷，但是，文章的研究样本很小，模型的有效性需要后续研究
不断证实。’
陈险峰、吴顺祥和张长海(2006)采用1：10的比例来配对ST和非ST
公司样本，经过对指标采用向前逐步选择方法，最终建立一个三指标模型，
但模型的判别精度不好。且文章只是考察危机前一年的情况，有待扩展。同
时采用多元判别分析模型时并没有对财务指标的正态分布假定进行检验。
王宗萍和张淑慧(2006)比较分析了单变量预测模型、多变量预测模型
(Z分和ZETA模型)、F分模型在预知财务危机征兆、控制财务危机的扩大和
避免危机再次发生等方面的能力，分析表明考虑现金流因素的F分模型应更
适合我国上市公司情况，但没有进行相应实证分析。
(三)神经网络模型
神经网络(Neural Networks，NN)是一种复杂的计算机网络系统，可以
充分逼近任意复杂的非线性关系，并且具有自学习和自适应的特性。它的结
基十违约概率模型KMV的．}：市公·d财务危机颅警研究
构一般包括一个输入层，若干中f．日J层和-个输出层。在信用风险研究中，通
常使用与信用风险相关的财务指标作为输入。由于神经网络不要求输入变量
间线性且独立，因此能都充分挖掘和求出变量之间隐藏的复杂关系。
M．Odom(1990)最早把人工神经网络应用于财务危机预测研究；由
Rumelhart和McClelland(1986)提出的一种多层前馈网反向传播BP神经网
络方法，适用于模拟输入、输出的近似关系，而且具有无限隐含层节点的三
层BP网络可以实现任意从输入到输出的非线性映射，同时也是近年来应用最
广泛最成熟的ANN模型。
Lapedes和Fayber(1987)首次运用神经网络模型对银行信用风险进行
了预测和分析，该模型摆脱了多元判别分析模型和Logistic模型的局限，突
破了依赖线性函数来建立统计模型的限制，用非线性函数更好地拟合实际资
料数据，但其局限性在于理论基础比较抽象，对人类大脑神经模拟的科学性、
准确性还有待进一步加强，因此其实际运用效果不够理想
我国学者杨保安(2001)提出了基于BP神经网络的企业还款能力分析方
法。讨论了财务指标的预处理问题、网络隐含层神经元数选取问题、网络连
接权值的初值选取问题等。作者利用原始30个样本作为学习样本，利用神经
网络法来构建模型，结果显示开发样本的判别正确率高达95％。模型对未参加
学习的巧个样本进行测试，也得到较好的预测正确率。
总而言之，对比以上三类财务危机预警模型，单变量模型只是利用个别
比率指标预测企业财务失败，而企业的生产经营活动受到许多因素的影响，故
单个比率反映的信息往往有限，无法全面显示企业的财务状况；多元判别模型
要求自变量呈J下态分布且两组样本等协方差时才能使用，而现实的样本数据
往往不能满足这一要求，这就大大限制了多元线性判别模型的使用范围；神经
网络方法没有严格的假设条件，但是由于理论抽象，其科学性和准确性还有待
提高，适用性因此大打折扣；而Logit模型虽计算过程复杂，且有很多近似处
理，但不需要严格的假设条件，且预测精度又较高，具有广泛的适用范围，这
也是本文采用Logistic回归来进行我国上市公司财务危机的预警分析的重要
原因。
2．财务预警模型研究同顾
2．2信用风险量化模型研究回顾
为了满足金融市场对信用风险管理日益复杂的要求，各大金融机构在最
近十几年陆续提出了以数学模型为基础的，具有较大商用价值的风险计量模
型，目前国际流行的主要有Credit Portfolio View，Credit Risk+，Credit
Metrics和KMV等模型。Credit Portfolio View模型由Mckinsey公司(1997)
提出的多因素模型。该模型认为违约率和信用等级转移和经济状况有密切关
系，在给定的宏观因素取值下，能够模拟各个公司之间联合条件违约分布和
信用转移概率。Credit Risk+是Credit Suisse Financial Products(CSFP)
公司(1997)设计的一种以保险精算学为基础的评测方法。这种方法根据违
约情况而不是信用等级转移状况进行建模，并且假定债券违约率服从泊松分
布。Credit Metrics由JP摩根(1997)发布。它以信用转移分析为基础，考
察指定时间内公司从一个信用等级转移到另一个信用等级的可能性，包括违
约的可能性。KMV模型是KMv公司(1993)根据默顿(1974)提出的期权定价
模型开发的一种信用风险分析方法。与Credit Metrics方法不同，KM＼『不需
要评级机构的平均历史信用等级转移频率信息，主要依赖信息的是公司资产
价值，资产价值的波动率和债务帐面价值，本文拟采用KMV模型来产生财务
危机预警模型的违约变量。
Longstaff Schwartz(1995)假设标准贼定理成立，公司资产价值服从
几何布朗运动，外生回收率，放松了利率假设，引入随机利率过程，同时它放
松了绝对优先规则，运用风险中性定价法推导出了固定利率风险债券和浮动利
率风险债券的定价公式，公司价值因素和利率风险因素是决定信用价差的两个
主要因素。
Leland Toft(1996)假设公司资产价值服从几何布朗运动，常数利率，
流量破产，在一个均匀债务结构基础上表明最优资本结构(最优债务数量和最
优债务期限)是税收收益，破产成本和代理成本的权衡，它可推导出债务的违
约概率和违约距离，同时它得到了公司债券价格的闭式解和内生违约边界公
式。
Jarrow Turnbull(2000)提出了Merton模型在应用上的限制，他们认为
肇于违约概牢模型KMV的l：市公司财务危机预警研究
Merton模型中有些变量无法直接观察得到，同时高科技类股会因为市场过度
预期其股价，导致股价波动较大，进而高估其发生财务危机的概率。
Chunsheng Zhou(2001)建立了一个考虑违约相关性和多重违约的第一阶
段模型，结果表明：在存在违约相关的情形下，不考虑违约相关将低估债务或
债券组合的信用风险，并推导出计算违约相关性和联合违约概率的解析公式，
考虑多重违约的风险模型也对信用风险领域的其它实证研究结果做出理论的
证明。
Howard Oi，SheenX．1iu Chunchi Wu(2004)通过市场数据在保持LT模型
内在框架不变的前提下对模型中的一些参数进行校准，分别将违约概率，股权
风险升水和回收率作为校准目标。结论表明，合理校准后的LT模型表现出更
强的生命力。
结构模型对违约的可预测性表明零短期信用价差，Giesecke Goldberg放
松信息结构，考虑到不完全信息结构，即资产价值信息不完全或违约边界不完
全。结论表明，12模型结合了结构模型和简化模型的优点，且当定价趋势对
时间可积时，12模型得到简化模型的定价公式，另外实证研究表明12模型有
正的短期信用价差且对公司基本面的变动反应更敏感。
Gieseche Goldberg(2005)在12模型的基础上，通过描述真实违约概率
和违约债务价格间的关系，作者得出了一般简化定价公式
C=e-r(r-t)EQ[Cre4Q‘尺’一4Q‘尺’I f】，其中AtQ(R)定位趋势。另外作者表
明信用风险贴水包括扩散价格变动风险和违约事件风险(或价格跳跃风险)两
部分。但是该类不完全信息结果模型还没有得到学术界的认可，也没有相应的
实证研究的支持，其在财务危机预警或债务定价方面的能力在我国这个新生市
场还不能有效运用。
Jarrow Turnbul l(1995)首次将强度概念引入信用风险的定价中，其思
想就是违约事件的发生可用泊松计数过程描述，则违约时间一r服从强度为入
的泊松过程，天可定义为市场对公司瞬时违约风险的调整系数。Jarro．，Lando
Turnbull(1997)和Duffie Singleton(1999)分别对简化模型作了进一步
的扩展。
我国学者陈忠阳(2000)最早对信用风险管理模型的发展进行了概述，并
14
Z．财务颅警模型研究pI顾
重点介绍并对比了Credi t Metrics模型和KMV模型，并就两者在基本思想等
方面的差异做了比较分析。
程鹏和吴冲锋(2002)借鉴KMV公司信用计量方法，采用违约距离指标对
我国上市公司的信用状况进行分析。结论表明绩优股的违约距离最大，违约可
能性最小，高科技股次之，ST股最差。另外，根据跚V模型求得的公司资产
收益标准差比股票收益标准差小，公司资产市场价值和公司资产总市值比较接
近。违约距离在衡量公司违约风险方面体现出了很强的生命力，但样本太少，
另外参数设定缺乏说服力。
鲁炜、赵恒珩和刘冀云(2003)利用FCFF法对公司价值评估的基础上结
合中国股市的数据得出了盯，和叮。不同的关系函数：
仃￡／o"月—．=(笋)I丽J：_f丽eI -tdt，并在试点检验法基础上验证了函，E
～
数的有效性，结果显示新的关系函数在中国市场的拟合和预测比关系函数
仃F／or。=(丛)竺1好，但新关系函数需要更多的实证研究证实。‘ “
?V
E ay^
石晓军和陈殿左(2004)利用72家上市公司的样本数据，对股权收益波
动率采用GARCH(1，1)估计，采用回归模型中的系数符号对基于Merton方
法的违约模型中所揭示的关于债权结构，资产波动与信用风险关系的两条结
论进行检验。发现债权结构指标(V／D)与信用风险成反向关系的结论成立，
但是信用风险与公司资产价值的波动性成正向关系的结论并不成立。表明了
基于Merton方法的违约模型在中国市场应用的局限性。
杨星和张义强(2004)利用我国上市公司1997-2001股票价格波动的时
间序列和截面数据，对中国上市公司的预期违约频率进行了实证分析。研究
结果表明上市公司的股票价格波动与该公司的预期违约频率显著负相关，上
市公司的预期违约频率与公司的信用资质变化吻合，并载有公司未来前景的
信号。另外结论还隐含说明了评级机构评级的滞后性，。与石晓军和陈殿左的
结论几乎吻合。
都红雯和杨威(2004)系统综述国内外学术界对KMV模型的实证研究文献
基础，指出了我国KMV模型研究过程中存在的问题。一是无风险利率的选择问
题，几乎都假定是常数，但数值有所不同；二是关于公司资产价值增长率问题，
基十违约概率模型KMV的上市公司财务危机颅警研究
假设都过于简单；三是DD和EDF的映射问题等。基于Merton理论的KMV模型
在中国市场的运用还处于引入阶段，需要对该模型进行不断改进。
王少华和邵斌(2005)基于新华远东评级数据库第一次运用LT模型对我
国上市公司的信用风险进行实证研究，结果表明基于LT模型的预期违约率能
够较好描述上市公司的信用风险，预期违约率和评级之间的相关系数达到
-0．5499，高于相同样本上的Z模型和Z值与信用级别间的相关系数，预期违
约概率表现出了较好的信用风险识别能力。
叶庆祥，景乃权，徐凌峰(2005)以2000-2003年间由于借款不按时归还
本息或逾期不归还而遭受商业银行诉讼并败诉的23家上市公司(均为ST公司)
作为样本，利用2002年的数据，计算出违约样本2003年的预期违约概率。
作者以0．5作为公司是否违约的预期违约概率的界限，结果模型判别的准确
率达到86．4％，说明BtV模型在中国具有一定的可行性。
2．3加入违约距离(DD)的财务困境预警模型研究回顾
李沃墙和许峻宾(2003)在传统财务比率变量基础上加入了Merton信用
风险结构模型的违约距离变量，应用Logit模型构建财务危机发生前一年及前
两年的财务预警模型，考察信用风险变量的加入是否能显著提高模型预测效
力。结果显示信用风险变量一定程度上提升预测准确率。考虑其他结构模型的
风险变量是未来研究的重要方向。
刘国关、王慧敏和张兵(2005)应用Merton模型对2002—2004年ST公司
和相应配对公司的危机发生之前的违约距离进行研究，结果表明危机公司违约
距离在危机发生前第三年明显低于正常公司的相应值，违约距离比传统财务指
标能更早地预测到企业财务危机的发生，结合违约距离因素的危机预警模型克
服了纯财务数据模型的静态和滞后的特点，更明显地提高模型的危机判断正确
率。另外，文章还对输入变量的截面数据进行了分布拟合检验以便能选择正确
的回归方法。但是对财务数据的选择具有随意性，且涵盖不全。另外对违约距
离的分析和建模方法有待改进。
谭久均(2005)运用中国A股上市公司数据研究违约距离这个信用风险度
量指标在财务预警模型中的作用，研究结果表明违约距离可提升财务预警模型
16
2．财务颅警模型研究问顾
的拟合优度和预测能力，提升效果较为有限。但文章只考虑危机发生前一年的
情况，有待拓展。
总的来说，国内外研究文献的相关内容可归纳如下：
1、在模型的指标选择上，由于受到研究者主观认识的影响，大部分研究
只主观选则了少数指标或参考其它的研究成果来选择指标，这会造成某些重要
指标被遗漏的问题，而且许多实证研究证实财务指标的解释力会随着时间递减
或受到研究样本的行业分布的影响。同时财务指标的选择不一，即使相同的指
标得出的结论也不一致甚至互相矛盾，这可能是由于指标之间的高关性引起，
或说明某一指标不是一直的有效，在不同的样本期内的解释能力可能不一致。
另外，许多文章对选择的指标没有进行分布检验和相关检验而是直接建立模
型，但统计来说高度相关性或共线性将降低模型的有效性和识别能力，甚至造
成模型通不过检验。
2、在判别模型的选择上，大部分选用了多元判别模型法，该方法对自变
量的分布有严格的要求，但是研究表明，几乎所有的财务指标都不能满足这些
条件。而Logit模型对自变量服分布假设的要求较低，且显示出了较好的判别
效果，因此成为财务困境预警研究的首选方法。
3、在回归方法选择上，因为构建模型过程是一个多元线性回归分析过程，
即主要是关于如何选择出有显著解释能力且互相独立的指标，消除指标变量的
共线性。目前文献采用最多的方法主要有因子分析方法或主成分分析法和逐步
回归法，二者相比，由于因子分析法提取的某些因子可能经济意义很难解释，
而且因子之间仍存在共线性，所以本文采用逐步回归法筛选进入模型的指标。
4、在样本配对比例选择上，大多数研究采用的是1：l的配对比例，即每
一家危机公司配对一家正常公司作为参照，但是这种配对原则夸大了模型预测
的准确度，也不符合现实情况，所以本文中采用的是小于等于1：1的配对原
则，即每家危机公司配对至少～家以上的正常公司。
17
基十违约概率模型KMV的．f：市公司财务危机预警研究
财务预警理论基础
3-1 KMV模型理论框架
3．1．1 Merton模型原理
KMV模型是在Merton与1974年提出的违约风险定价模型基础上导出公
司的违约距离(DD)和预期违约概率(EDF)的，因此在介绍KMV模型理
论框架之前，先介绍Merton模型。
Menon(1974)⋯应用Black—Scholes期权定价理论(The Option Pricing
Theory)对风险贷款进行定价，把债权债务关系当作是一种期权交易关系，
将股东权益看成是一个以负债价值为执行价格，债务到期日期为执行同，债
务人资产市场价值为标的物的欧式看涨期权。当公司资产的市场价值小于负
债价值时，债务人就会发生违约行为。Merton模型需要满足以下几个假设：
(1)资本市场畅通无摩擦，不存在交易费用。资产的交易数量无限细分，
投资者可根据其财力在资本市场上按照市场价格购买任何数量的任一种资
产。．
(2)允许投资者进行无限制的无风险贷出。投资者能以某个特定的相同利
率借入或贷出所需要的任何数量资金。
(3)允许资产在时间上连续交易和卖空。
(4)MM定理成立，即公司价值由预期息税前收益(EBIT)按其风险等级
所对应的贴现率贴现后决定，公司t时刻的价值V只与负债价值D与股东权
益价值E有关，即V=D+E，与其资本结构无关。
(5)30率期限结构水平。
1
Merton，On the pricing of corporaterate：the risk structure of interestrates[J]．Joumat of
Finance，1 974，(29)：44—47．
18
3．财务颅警理论基础
(6)公司资产价值V满足以。F的随机方程：
d矿=(∥矿一C)Z+仃M (3．1)
其中，∥是公司资产价值的预期回报，c为公司支付的股利或债务利息，
万是预期回报∥的标准差，dz为标准维纳过程(Wiener process)。
在Merton的模型中只存在两种证券：一是在T时刻到期，票面价值为
FT的零息债券；另外是股东权益ET(公司的股票)，且在T时刻前不派发股
利、增发或回购股票。这两种证券构成了公司的所有资金来源。公司在T时
刻资产的市场价值为VT。如图3—1所示。
权益价值fD
o
．。／．
Vlt∥VF／资产贸广钐f“
图3-I Merton模型原理图
在T时刻，假设公司的资产价值VT=OVl，由于OVl小于负债面值
FT=OF，则公司会无力支付全部负债而违约，公司资产全部转让给债权人，
而股东收益为零，即ET=0；相反，假设T时刻资产价值VT=OV2，大于负债
面值FT=OF，则公司资产在支付完所有债务后还有多余，剩余索取权归股东，
此时股东权益价值为公司资产价值超出负债价值的部分，即ET=VT-FT=OV2
—oF，用数学语言可描述为：
F—f％一弓if巧≥弓
D7’一1 o if 巧<E即：ET=maX(VT^FT，o) (3．2)
基于上式和前述六个假设，我们可以把股东权益E看成是一个以公司价
值V为标的资产，以负债面值FT为执行价格，到期日为负债到期日T的欧
式看涨期权。利用期权定价理论，可以得出t时刻股东权益ET为：
19
基于违约概率模型KMV的一I：市公一司财务危机颅警研究
岛=VrN(d1)一Fe-r(T-1)N(dz) (3．3)
111譬嘶+车)(～) 盔=』之老Σ
吐=dl一听打j
3．1．2 KMV模型理论框架
KMV模型是根据期权定价理论(The Option Pricing Theory)，利用公司
财务数据和资本市场数据，在上述Merton模型的基础上扩展得到的。模型输
入变量为公司的短期负债、长期负债、股东权益和股东权益波动率，间接输
出变量为违约距离DD，最终输出结果为预期违约概率EDF。KMV模型假定
市场利率预先确定，公司资产遵循几何布朗运动，且服从某种由资产价值均
值和波动率确定的分布。当公司的资产价值低于某个特定水平时，公司就会
发生违约，而这个特定水平称为违约点DP，由短期负债和一定比例的长期负
债来决定。如图3．3，在T时刻，如果公司的资产价值低于违约点，公司就被
定义为违约，而资产价值分布概率密度曲线中在违约点水平以下部分的面积
(斜线阴影部分)就是预期违约概率EDF。
3．财务预警理论基础
市场价值
当前的资产
场价值
违约点
0
价值
度
T 时间
图3-3 KMV模型原理图嘲
预期违约概率EDF的计算通常分为三个步骤：
第一步，估计公司资产的市场价值V和波动性％。
KMV模型要求输入的资产价值为市场价值，而不是会计账面价值。因此
我们并不能直接观察到公司资产的市场价值V及其波动率u矿。但是，由于
它们是股东权益市场价值E、其波动率也，以及负债面值F的函数，所以我
们可以从它们之间的函数关系中推导出资产的市场价值V及波动率u矿。如上
节所述，我们可以把股东权益E看成一个看涨期权，从关系式(3．3)我们可
以得到未知变量V、u∥与可观察量E的一个关系式。至于资产市场价值波动
率吼与股东权益市场价值波动率。毫之间的函数关系，并不存在一种简便方
法直接从市场数据准确导出。KMV公司使用复杂的迭代技术来计算V矿，但
作为商业机密，他们并未公开这一函数关系式。这里，我们利用Ito引理【31导
2都红雯，杨威，我国对KMV模型实证研究中存在的若干问题及对策思考【J】。国际金融研究，2004(11)：
22．26．
3马若微，KMV模型运用于中国上市公司财务困境颅警的实证检验IJ】。数理统计与管理，2006(25)：
593．596．
21
基于违约概率模型KMV的I：市公州财务危机预警研究
出它们的关系式：
aE y
仃E=万i既(3-4)
联立上述的几个方程建立并求解如下方程组，我们可以解出资产的市场
价值V及波动率唧。“=粤一t o矿N 1一d2=d，一万矿厉
E=yⅣ(d1)一Fe一7‘7’一‘’N(刀2)
仃￡=万i仃y
第二步，计算违约距离DD。
在Merton的期权定价理论框架下，当公司资产的市场价值小于负债面值
时，公司就会破产或者违约。但实际上KMV公司观察几百家公司样本后发
现，当资产的市场价值介于负债总值和短期负债之间时，公司将发生违约。
所以将资产价值分布概率密度曲线中在负债总额以下部分的面积定义为预期
违约概率EDF并不精确。他们提出应该将违约点DP定为短期负债加上一定
比例的长期负债，并根据一些学者的实证研究结果把这个比例定为O．5。有了
违约点DP后，他们进一步提出了违约距离DD的概念，即违约点DP低于公
司的预期资产市场价值的百分比与资产市场价值波动率的比例，用数学表达
式可描述为：
DD=—E[Vt]—-DP
E[vt]a矿(3-5)
假设资产的市场价值服从对数正态分布，根据期权定价理论，公司资产
的市场价值在t时刻遵循以下随机过程：
In Vt=tn V+(u一唧z／2)t+Crv x]te
(3．6)
其中ju是公司资产市场价值的预期回报，在本文中用资产增长率代替，s
3．财务预警理论堆础
是取自标准正态分布的一个随机抽样值，龙为一个维纳过程(Wiener
process)。
将式(3-6)代入式(3．5)可得：
In妥+(1．t一吼2／2)f
DD： 旦! ：： ：
仃矿4t
第三步，从违约距离DD中推导出预期违约概率EDF。
预期违约概率是指债务到期时公司资产价值小于负债面值的概率，即：
EDF=Pr(Vt≤F)
将上式概率括号中的表达式两边同时取对数，并把(3-7)代入，整理后可
得：
In妥n+(∥一仃矿2／2)f 、● ， EDF=Pr[一—j上·——7—一≥s】o矿qt
又由于￡---N(O，1)，故：
h1÷+(∥一吼2／2V
EDF：Ⅳ(一—韭二T二二)=N(．DD)=I--N(DD)
O-y4t
其中，N(．)表示标准J下态分布函数。
理论的预期违约概率EDF是在一系列假设下得到的。在实际应用中，一
般都比实际违约率小，实用价值受到很大限制。因此KMV公司并没有采用理
论EDF作为衡量企业违约风险的标准，而是采用经验EDF，公式如下： 经验EDF=塑嚣嚣怒德襄慕蔫擎
即利用大量的企业信用历史信息(包括公司的违约信息)，通过估计在一
定时期内特定违约距离等级的公司在一年后实际发生违约的比例数来导出违
约距离DD与预期违约概率EDF之间的映射关系【41，如图3．4所示。
4
Modeling default riskIM]，KMV Corporation．2002
肇十违约概率模型KMV的上市公司财务危机预警研究
EDF
50个基本点
5 DD
图3-4根据历史数据导出的EDF与DD的映射关系图
由于EDF的计算需要有强大的公司违约信息数据库为支撑，数据不足则
计算准确度不高。而我国目前违约信息数据库建设仍较为落后，无法获得违
约距离DD与预期违约概率EDF之间的映射关系，因此本文只将违约距离DD
引入研究。
3．1．3 KMV模型在中国的适用性分析
首先，从总体来说，K^^v模型存在以下优点：
第一，I(^^v模型是一种动态模型，可以及时反映信用风险水平的变化。
股票市场每天有上市公司股票交易数据，且定期公布财务报表，这使得该模
型可以经常更新数据，及时得出反映市场预期和企业信用状况变化的预期违
约率。
第二，KMV模型是一种具有前瞻性(Forward—Looking)的方法，在一定程
度上克服了依赖历史数据向后看(Back-Looking)的数理统计模型的缺陷。KMV
模型所提供的预期违约率指标来自于对上市公司股价的分析，而股票价格则
反映了市场中的投资者对该公司信用状况未来发展趋势的判断。
第三，KMV模型中的预期违约率指标在本质上是一种对风险的基数衡量
法。与序数衡量法不同，以基数法来衡量风险最大的特点在于不仅可以反映
3．财务预警理论基础
不同公司风险水平的高低顺序，而且可以反映风险水平差异的程度，因而更
加准确。
其次，针对我国证券市场的情况，KMV模型也是适用的：
第一，I(^^V模型的输入数据为公司股票交易数据和财务报表中的财务数
据，因此它可以被用于任何股权公开交易的上市公司。我国证券市场经过十
多年的发展，上市公司的数量超过千家，股权公开交易制度已经形成，这为
该模型的运用奠定了坚实的基础。
第二，KMV模型不要求有效市场假设。事实上，在某种情况下该模型在
像我国这样的弱有效市场预测效果更好。在该市场中，拥有信息优势的机构
投资者往往利用“内幕信息”进行交易，引起一些公司的股价发生大幅变动，
由此提供了这些企业未来前景的大量情报信号。此外，股市的“羊群效应”
倾向于夸大市场反应，从而使得预期违约率更具敏感性。
第三，较之大量依赖财务指标的模型来讲，KMV模型对财务指标的依赖
仅限于债务的账面价值，从而在一定程度上缓解了我国普遍存在的会计信息
失真的影响。
3．2 Logistic模型原理
一般的多元回归模型用来分析变量之间关系或进行预测时，要求被解释
变量是连续定距型变量，如居民消费支出等，然而实际应用中这种要求未必
都能够得到较好的满足，如在本文中利用一系列指标作为自变量来判定公司
是否发生违约(假设1表示是，0表示否)，被解释变量为纯粹的二值品质型
变量，显然是不满足上述要求的。在数据分析的应用中，当被解释变量为0／1
二值品质型变量时，建立一般的多元线性回归模型会出现一些问题，比如：
残差不再满足E(E)=0且Var(s)=盯2的假设条件、残差不再服从正态分布以及
被解释变量的取值区间受到限制等。这就是说，当被解释变量为0／1二值品质
型变量时，无法直接使用一般的多元线性回归模型建模，通常使用Logistic
回归。Logistic回归是多元线性回归方法演变而来的。
摹f违约概率模型KMV的．』：市公司财务危机颅警研究
Logistic模型巧1是对二分类因变量进行回归分析。假设企业发生危机的概
率为P(破产取1，非破产取并假定Ln[P／(1．P)]可以用财务比率线性解释，则
可得到Logistic回归模型的一般形式：
zj=ln[P，／(1一只)】_口+Σ∥_，x驴+占f
／=l
然后推导后可得出Logistic概率函数的形式：
尸是指在条件x{，---(xil，X晓，⋯，Xi。)下事件发生的概率，则(1．P)就表
示该事件不发生的概率，a是截距，∥，是待估的参数。通过设定临界值作为
事件发生与否的标准，如果事件发生的概率大于临界值，则判定事件发生，
反之，判定事件不发生。一般的判定规则是：如果f值大于o．5，则表示该企
业破产的概率较大，那么判定该企业为即将破产型；如果一值低于o．5，则
表明该企业财务正常的概率比较大，判定该企业财务正常。
回归方程的拟合优度【6】可以从两个方面进行考察。第一是回归方程能够解
释被解释变量变差的程度。如果方程可以解释被解释变量的较大部分变差，
则说明拟合优度好，反之说明拟合优度低；第二，由回归方程计算出的判别
值和实际值之间吻合的程度，即方程的总体错判率是低还是高。如果错判率
高则说明拟合优度低，反之说明拟合优度高。常用的指标有：一2 log likelihood
(．2倍的对数似然函数值，下文简称．2LL)、Nagelkerke RE以及错判矩阵。．2LL
值越小，则方程拟合优度越高。Nagelkerke RE作用同一般线性回归方程中的
修正R2，取值范围在O到l之间，越接近1，说明方程拟合优度越高。错判
矩阵是种极为直观的评价模型优劣的方法，它通过矩阵表格的形式展现预测
值与实际观测值的吻合程度。假设O表示正常公司，l表示危机公司，则其一
般形式如表3一l所示：
5张立军，刘菊红，刘丹，上市公司财务危机预警的回归分析。南昌大学学报(理科版)．2007(3)：242．245
6杨善朝，SPSS统计软件应用，广西师范大学出版社，2001(i)：130．150．
3．财务颅警理论基础
表3-1错判矩阵
预测值
O 1 准确率
互。
O F al F12
互1+互2
E2
观测值l Fzl F22
E。+％
总体E1+五1
准确率巧l+曩2+El+乞2
表3-1中，互。是实际值为0预测值也为0的个数，E：是实际值为0预测
值却为1的个数，最。是实际值为1预测值却为0的个数，E：是实际值为1
预测值也为l的个数，通过各栏中的正确率就可以评价模型的好坏，准确率
越高意味着模型越好。
3．3多元回归方法介绍
多元回归方法就是关于如何最好处理多元自变量之间复杂的相关性的问
题。目前文献通过相关系数和组间显著性检验选择最终建模指标的较多，但
是这些方法并不能有效解决模型自变量间的相关问题，因为财务指标间存在
着复杂的关系，因此最终模型自变量间往往存在很强的多重共线性，见刘国
光等(2005)‘71、谭久均(2005)∞1。主成分分析法可以减少自变量维数，但
是当自变量较多时，会面临着主成分经济意义无法解释，甚至有时主成分之
间仍然存在着多重共线问题。从多元回归方法来看，目前主要有：
(1)全回归法
进行全回归时，所有的自变量进入回归方程，使用这种方法，一般具有
较高的回归系数，但是一些对因变量没有显著影响的自变量也可能进入回归
方程，影响模型结果的可信度。
(2)向前法
7刘国光，王慧敏，考虑违约距离的上市公司危机预警模型研究[J】。财经研究，2005(11)：59-67。
8谭久均。财务指标与违约距离相融合的上市公司财务预警模型m。系统工程，2005(9)：III-117。
27
肇于违约概率模型KbtV的E市公司财务危机预警研究
该方法比较所有自变量与因变量的偏相关系数，然后选择最大的一个做
回归系数显著性检验，决定其是否进入回归方程。这种方法的缺点是某自变
量进入方程以后，就一直留在方程中，不再剔除(也称为只进不出法)。然而
在较早阶段进入回归方程的，当时认为最好的变量。在较晚阶段可能因为它
与方程中其他变量之间的相互关系而显得不再重要，因而有剔除的必要。
(3)向后法
与向前法相反，该方法也叫只出不进法，首先计算所有变量的回归方程，
然后用偏F检验逐个剔除对因变量无显著影响的自变量，直到每一个自变量
的偏F检验下都有显著结果为止。该法有一个缺点，即自变量向后消元过程
中如果被剔除，它将永远不会在方程中重新出现。然而一个被剔除的变量很
可能在其他变量被剔除以后又对因变量有显著影响。
(4)逐步回归法
它是对向前法的改进。他首先对偏相关系数最大的变量最回归系数显著
性检验以决定该变量是否进入回归方程。然后对方程中的每个变量作为最后
选入方程的变量求出偏F值，对偏F值最小的那个变量作偏F检验，决定它
是否留在方程中。重复此过程，直至没有变量被引入，也没有变量可剔除时
为止。这样，应用逐步回归法是既有引入变量也有剔除变量，原来被剔除的
变量在后面又可能被引入到回归方程中来。它是目前应用最广泛的一种多元
回归方法，但要分析回归结果是否符合经济意义。逐步回归法是一个大类，
本文主要选择SPSS软件中的选择前向一逐步回归一Wald方法，最终模型被采纳
与否取决于模型是否同时统计显著和经济意义显著。
28
4．财务预警模型构建过程
4·财务预警模型构建过程
模型构建部分包括三个阶段：样本以及财务指标的选取、KMV模型参数修
正以及违约距离的分析、Logistic回归模型的构建。
4．1样本的选取
4．1．1样本选取的因素分析
样本的选取一定程度上决定着所建立的模型预测效果的好坏，因此在选
取样本时应该综合考虑多种因素，比如财务危机的定义、配对公司的标准以
及配对比例的设定等。从现有的文献来看，财务预警研究中样本选取主要考
虑以下几个方面：
第一，财务危机的定义。样本公司的财务状况应该符合文中所定义的财
务危机的概念，如本文选择财务危机样本组的首要标准即为因“状况异常”
而被特别处理(ST)的上市公司。
第二，公司规模因素。Altman(1968)∞1的研究中详细考察了规模因素对选
样的影响。他认为小公司的报表资料不全，而超大型公司的破产概率极小，
因而不适用于来做普意义上的预测。在本文的研究中，没有Altman描述的小
公司，样本公司的规模虽然都亿元以上，但是没有资产超过百亿元的超大型
公司，规模配合比较适中。)考虑到A股与B、H股市场的差异，剔除了家同时
发行B股或H股的ST公司。
第三，样本指标的完整性。由于我国尚未建立完善的信用体系，公司的
违约信息很难获知，必须剔除这些财务数据不完整的公司样本。
9Altman，Financial ratios。discriminate analysis and the prediction of corporate bankruptcy[J]。The Journal of
Finance，1968(4)：589-609．
基十违约概率模型KMV的I：市公；可财务危机颅警研究
第四，样本公司在A股与B、H股市场的差异性。由于我国现在存在A
股、B股和H股三个股票市场，因此在研究中要剔除同时发行B股或H股的
ST公司，选取只发行A股的公司。
第五，参照公司的标准。配对公司在公司规模、行业领域、上市地(沪
深)等方面都要与配对的危机公司保持一致，这样才能剔除规模、行业、上
市制度等因素给模型预测带来的偏差。
第六，配对比例的设定。大部分的实证研究都采用一～配对抽样，即样
本组和控制组包含相等的研究个体。但在实际环境中，经营失败公司所占比重
较低。因此在l：1研究设计中，可能产生过度抽样或是样本自我选择问题，
以致高估了模型的预测能力。本文采用的是小于等于1：1的配比原则，每一
家危机公司至少一家以上的参照公司。
4．1．2样本的确定
综合以上因素，根据我国的具体情况，本文将我国上市公司中的因“财
务状况”而被ST的公司界定为“财务危机”公司。相应地，其他企业则为正
常公司。
在我国，“状况异常”可分为两种情况：财务异常，连续两年亏损或每股
净资产低于股票面值；其他状况异常，主要指自然灾害、重大事故等导致公
司无法生产经营，公司涉及重大金额赔偿诉讼等情况。本文拟采用样本上市
公司2004年、2005年、2006年的财务数据和市场收益数据针对2007年的ST
情况分别构建两种财务预警模型，一种是仅仅利用账面财务指标的主成分，
另外一种是在第一种的基础上新加入信用风险变量一违约距离DD，对模在加
入违约距离前后的型预测准确度做对比分析，并就模型在在时间上的变化趋
势进行研究。
基于以上所有分析，对于违约样本和参照样本的选择，必须满足以下几
个条件：
(1)ST公司和参照公司在同一交易所交易。
(2)ST公司和参照公司处于同一行业。
(3)ST公司和参照公司的资产规模相差不超过20％。
30
4．财务颅警模型构建过程
(4)ST公司和参照公司按照小于1：l的比例配比，每一家危机公司配
对一到两家正常公司作为参照。
根据以上的标准，我们在沪深两市选出37家2007年的ST公司，以及正
常公司57家n们，分别作为违约样本和参照样本(具体参照附表一)。其中深
市ST公司共16家，正常公司2l家，沪市ST公司2l家，正常公司36家，
样本基本涵盖了能源、电力、机械、化工纺织、电子通信、传媒、房地产等
15个行业板块。
4．2 Logistic模型指标的选取
4．2．1指标选取的原则
模型指标的选取决定着模型能否成功建立，但是由于选择上存在主观性，
以往的研究文献所采用的指标也不尽然相同，至今没有一个统一的筛选标准。
在预警变量的选择上，不但要考虑数据的可获得性，还要考虑所有入选变量
之间的关系，使得每一个解释变量都相互独立。总的来说，选择企业财务危
机预警指标主要遵循以下原则：
1．科学性原则。企业财务危机预警指标体系的构建要根据财务管理理论
分析现象和原因，进行科学设计，使指标体系能够对各主要原因做出科学合
理的描述。
2．全面性原则。为保证预警综合评价的客观准确，在初步建立指标体系
时应尽可能地选取可以概括反映企业财务状况的指标，以便最终确定指标时
有筛选余地。
3．可比性原则。选取评价指标时，应注意评价指标口径范围和计算方法
的纵向可比性和横向可比性原则。在对同一事物不同时期的评价中应注意纵
向可比，而对同一时期不同事物之间评价中应注意横向可比。
4．可操作性原则。选取的预警指标不仅应符合企业财务预警的目的，更
10本文采用的财务数据和价格收益数据来源于CSMAR数据库，ST公司数据来源于中国证券之星网站和
大智慧证券分析软件。
基于违约概率模型KMV的I二市公司财务危机颅警研究
应有数据支持。也就是说，评价指标的数据应该容易取得，否则建立的指标
体系只能束之高阁，无助于指导实际工作。
5．经济性原则。在选取指标时，应注意与相关研究的对比和借鉴，提高
指标分析的效率，节约分析成本和时间。
4．2．2指标的确定
一般上市公司财务危机预警模型所使用的指标变量，按照其所反映的能
力，主要分为七大指标体系，分别是偿债能力、盈利能力、现金流量能力、
成长能力、营运能力、风险水平，以及公司治理能力、规模因素等非财务指
标，剔除一些样本数据不全的指标，经过筛选，再加上本文重点研究的信用
风险指标，即违约距离，我们一共选用36个指标用于分析，指标及其定义如
表4-1所示：
表4—1选取的指标
反映能力模型指标计算公式．
X1：资产负债率负债总额／资产总额
X2：权益对负债比率股东权益／负债总颁
偿债(净利润+所得税+财务费用)／财务
能力
X3：利息保障倍数
费用
X4：流动比率流动资产／流动负债
×5：速动比率(流动资产一存货)／流动负债
X6：资本保值增值率期末股尔权益／期初股东权益
X7：资本积累率
(期末股东权益一期初股东权益)／期
发展
初股东权益
能力(期末总资产一期初总资产)／期初总X8：总资产增长率
资产
(本年净利润一期初净利润)／期初净
X9：净利润增长率
利润
风险
X10：财务杠杆系数(利润总额+财务费用)／利润总额
主营业务利润／(利润总额+财务费
水平X11：经营杠杆系数
用)
公司董事长与总经理兼任情况，1：是：0：
治理
X12：董事长与总经理兼任情况
非
结构” X1 3：独立董事比例独立董事／董事总数
X14：监事总规模监事会人数
”鲁炜．闵川，中外公司治理结构评价指标体系的Ltg硪[Yl。科学管理研究，2005(II)：57-60
32
4．财务预警模型构建过程
X15：第一人股东持股比例第一大股东持股数／总股数
X16：第．二至十人股东持股比例第二至第十人股东持股数／总股数
X仃：国有股比例国有股份／总股份
X18：股权质押比例质押、冻结、托管股份／总股份
规模
因素
X19：资产对数
LOG(总资产)
现金X20：现金流量对流动负债比率经营活动现金流量净额／流动负债
流量X21：盈余现金保障倍数经营活动现金净流量／净利润
能力X22：销售现金比率经营活动现金净流量／销售额
X23：营业收入净利润率净利润／主营业务收入
(利润总额+财务费用)／平均资产总
X24：资产报酬率
额
X25：总资产净利润率净利润／总资产平均余额
盈利X26：净资产收益率净利润／股东权益平均余额
能力X27：主营业务收入增长率
X28：销售费用率销售费用／营业收入
X29：管理费用率管理费用，营业收入
X30：财务费用率财务费用，营业收入
X31：每股收益净利润／总股数
X3Z：应收账款周转率销售收入／应收账款期末余额
营运X33：存货周转率销售成本／存货期末余额
能力X34：总资产周转率销售收入／资产总额期末余额
X35：每股净资产股东权益总额／普通股股数
违约
X36：违约距离
E【Vt】一D尸
变量E【Vf】盯r
下面为各指标所反映企业能力的说明：
X1资产负债率：反映企业总资产来源于债权人提供资金的比重，以及企
业资产对债权人权益的保障程度。如果该指标值大于1，表明企业资不抵债，
有濒临倒闭的风险。
X2权益对负债比率：反映自有资本占负债的比例。比率越大，表明公司
自有资本越雄厚，负债总额越小，债权人的债权就越有保障；该比率越小，
则意味着公司负债越重，财务可能陷入危机，可能无力偿还债务。
X3利息保障倍数：反映公司偿付利息的能力。利息保障倍数越高，说明
债权人每期可收到的利息越有安全保障；倍数越低，则说明债权人每期可得
到利息的安全保障越小。
X4流动比率：是衡量公司短期偿债能力最通用的指标。投资者通过分析
流动比率可以知道公司～元的短期负债，能有几元流动资产可以清偿。流动比
堆于违约概率模型K／VIV的上市公司财务危机颅警研究
率越大，表现公司的短期偿债能力越强，并表明公司有充足的营运资金；反
之说明公司的负债能力不强，营运资金不足。
X5速动比率：即用于衡量公司到期清算能力的指标。投资者通过分析速
动比率，就可以测知企业在极短的时间内取得现金偿还短期债务的能力。一
般认为，速动比率最低限为0．5：l，如果保持在1：l，则流动负债的安全性
较有保障。
X6资本保值增值率：该指标表示企业当年资本在企业自身的努力下的实
际增减变动情况，是评价企业财务效益状况的辅助指标。反映了投资者投入
企业资本的保全性和增长性，该指标越高，表明企业的资本保全状况越好，
所有者权益增长越快，债权人的债务越有保障，企业发展后劲越强。
X7资本积累率：该指标体现了企业资本的积累情况，是企业发展强盛的
标志。反映了投资者投入企业资本的保全性和增长性，该指标越高，表明企
业的资本积累越多，企业资本保全性越强，应付风险、持续发展的能力越大。
X8总资产增长率：反映企业本期资产规模的增长情况。总资产增长率越
高，表明企业一定时期内资产经营规模扩张的速度越快。但是过高就包含了
一些风险。该指标是适当指标，需要综合分析。
X9净利润增长率：反映企业获利能力的增长情况以及企业长期盈利能力
的趋势，上市公司的积累、发展和给投资者的回报，主要取决于净利润的增
长。该指标通常越大越好。
XlO财务杠杆系数：反映企业财务风险水平的指标。一般而言，财务杠杆
系数越大，财务风险也就越大。
Xll经营杠杆系数：反映企业经营风险水平的指标。一般而言，经营杠杆
系数越大，对经营杠杆利益的影响越强，经营风险也越大。
X12二值兼任：反映公司治理结构的指标之一。研究表明，ST类上市公
司二职合一的比例高于正常的公司。这在一定程度上反映了二值兼任不利于
公司治理，并对公司经营绩效产生负面影响。该指标越低越好，表明公司治
理结构完善。
X13独董比例：反映公司治理结构的指标之一。肖曙光(2006)n21以
12肖曙光，独立董事制度与我国上市公司业绩的相关性研究。系统工程：2006(8)87-92．
4．财务预警模型构建过程
1998—2003年沪深两i{j全部A股上市公司为样本，研究独立董事与我国上市公
司业绩的关联性，得出结论是独立董事对上市公司的业绩有一定的作用。因
此独立董事比例越高，公司治理越有效率。
X14监事会规模：反映企业公司治理能力的指标之一。监事会职能是对上
市公司董事会和高级管理层履职尽责情况进行监督。
X15第一大股东持股比例：反映企业控制权配置情况的指标之一。一般而
言，第一大股东持股越多，控制权越集中，公司治理效率越低。
X16第二至十大股东持股比例：反映企业控制权配置情况的指标之一。一
般而言，第二至十大股东持股比例持股比例越多，说明企业的股权集中度相
对分散，公司治理效率越好。
X17国有股比例：反映上市公司股权结构是否合理的指标之一。陈晓、江
东(2000)n31对1995年国内A股进行实证分析，得出国有股比例与公司绩效
负相关的结论，即国有股比例过高，公司经营效率越低。
X18股权质押比例：反映上市公司股权结构是否合理的指标之一。股权质
押比例过大一般与上市公司经营决策和经营行为出现问题紧密相关，因此股
权质押比例越高，反映出企业经营风险越大。
X19资产对数：总资产取对数值作为财务指标来考察其是否与财务危机的
发生有显著关联。
X20现金流量对流动负债比率：反映企业通过经营活动所获得的现金流量
可以用来偿还现时债务的能力。这个比率越大，则说明企业流动性越大，短
期偿债能力越强；反之，则说明企业流动性越小，短期偿债能力越弱。
X21盈余现金保障倍数：反映了企业当期净利润中现金收益的保障程度，
真实地反映了企业的盈余的质量。该指标越高，反映企业现金流量能力越好。
X22销售现金比率：反映每元销售收入得到的现金流量净额，其数值越大
越好，表明企业的收入质量越好，资金利用效果越好。
X23营业收入净利润率：反映了企业主营业务的获利能力。它表明企业每
单位主营业务收入能带来多少主营业务利润，是评价企业经营效益的主要指
标。该指标越大，说明企业获利水平越高。
13陈晓，江东．股权多元化、公司业绩与行业竞争性[J】。经济研究，2000(8)：28·35．
基于违约概半模型KMV的上市公刊财务危机颅警研究
X24资产报酬率：也叫投资盈利率，是反映企业盈利能力的主要指标之一。
该指标表明公司资产总额中平均每百元所能获得的纯利润，可用以衡量投资
资源所获得的经营成效，原则上比率越大越好。
X25总资产净利润率：反映企业每一元资产的投入将为企业赚的多少净
利，同时说明企业潜在的发展能力。一般而言，该指标越大说明企业总资产
的盈利能力越强，企业财务风险较小。反之，则说明企业资产能力较弱，资
产的管理水平也较差。
X26净资产收益率：反映公司运用自有资本的效率。该指标越高，说明投
资带来的收益越高；净资产利润率越低，说明企业所有者权益的获利能力越
弱。
X27主营业务收入增长率：反映与上年相比企业主营业务收入的增减变动
情况。该指标值越高，表明企业成长性越好。
X28销售费用率：销售期间费用率的一种，该指标越低，公司盈利能力越
好。
X29管理费用率：销售期间费用率的一种，该指标越低，公司盈利能力越
好。
X30财务费用率：销售期间费用率的一种，该指标越低，公司盈利能力越
好。
X31每股收益：又称每股税后利润、每股盈余，是综合反映公司获利能力
的重要指标之一。该比率越高，表明企业所创造的利润越多。
X32应收账款周转率：反映企业应收账款的回收速度。一般来说，应收账
款周转率越高，平均收账期越短，说明应收账款的收回越快。否则，企业的
营运资金会过多地呆滞在应收账款上，影响正常的资金周转。
X33存货周转率：反映企业生产经营各个环节中存货的运转效率。指标值
越高，说明存货的流动性较好，存货的管理也具有较高的效率，销售形势也
较好。
X34总资产周转率：反映企业全部资产的运用效率。一般来讲，该指标值
越高，表明企业资产的利用效率越高。
X35每股净资产：反映每股股票所拥有的资产现值。每股净资产越高，股
东拥有的资产现值越多；每股净资产越少，股东拥有的资产现值越少。通常
36
4．财务预警模型构建过程
每股净资产越高越好。
X36违约距离：反映企业信用风险高低的指标。违约距离越小，说明企业
爆发信用风险的可能性越低，该指标为本文新增加的，也是重点的研究变量。
4．3 KMV模型参数的确定
虽然KMV模型在中国具有一定的可行性和现实意义，但我国的金融市场
并不健全，与模型建立时假设的条件和经济环境还有不小的差距，因此运用
到国内对上市公司信用风险量化研究时有必要对模型输入参数进行修正。
4．3．1股东权益的市场价值E
KMv模型是基于国外处于全流通环境的股票市场开发出来的，其中公司股
权价值可以用公司总股本乘于股票二级市场价格来计算股东权益的市场价
值。但是由于我国证券市场形成的特定历史原因，上市公司尚有其价值随市
值变化的流通股与其价值不随市值变化的非流通股之分，因此不能简单的使
用国外的方法计算股权价值。对于非流通股定价，目前存在两种方法：非流
通股折扣法和净资产定价法¨4J。非流通股折扣法是将非流通股本按照一定的
折扣比例折算为流通股，然后乘以股票价格得出非流通股的市场价值；净资
产定价法是利用每股狰资产计算出非流通股的股价，两者相乘得出非流通股
的市场价值。由于前者的折扣比例难以确定，至今没有一个统一标准，相比
起来，净资产定价法简单易行，可操作性更强，因而在理论研究和非流通股
转让、回购中的实际应用的较多。该方法主要认为非流通股转让价格与每股
净资产存在着线性关系，假设Y为非流通股转让价格，X为每股净资产，则
】，=aX+6。为了得出这个线性关系，本文在研究中选取2005年协议转让的
41只股票的实际转让价格和年底的每股净资产数据进行回归分析，得到回归
方程为：
Y=O．768X+0．925 (4．1)
方程可靠性检验结果如表4．2所示：
14王汝芳，杜勇宏，创值与资本资产定价一非流通股定价分析。生产力研究．2006(3)：71．73。
37
摹于违约概牢模型KMV的上市公司财务危机颅警研究
表4-2非流通股定价模型回归分析结果
变量系数T统计量双
A 0．768 5．910
B 0．925 3．844
侧Sig(T) F统计量双侧Sig(F) D．W值
<O．001
49．390 <0．001 1．868
<0．001
根据表4—2显示，方程的参数t检验以及可靠性F检验均在O．01显著水
平上通过了检验，且相应的卜w值介于1和2之间，说明回归方程的线性关
系显著，且序列不相关，方程可以为研究所采用。则修正后的股权价值计算
公式为： ·
E=EI七NY
其中，E为股权价值，El为流通股价值，N为非流通股股数，Y为非流
通股每股价格，继而KMV模型的期权定价公式可修正为：
E=巨+Ⅳy=VTN(4)一Fe一7‘～’N(d2)
4．3．2股东权益市场价值波动率0 E
股东权益市场价值波动率一般使用全年的股权收益率的标准差来计算。
本文拟用样本公司自2004年1月1日至2006年12月31日的日收盘数据来
计算股东权益市场价值的年波动率。运用Hull(1997)【J53的方法，计算步骤如
下：
1)计算研究期间的股权连续收益率
本文采用日对数收益率来计算研究期间股权连续收益率，计算公式为：
‘=￡刀(P／P—1)，其中，：为第T日的股权收益率，只为第T日的股
票日收盘价，P～．为第T-1日的股票日收盘价。
2)计算股权价值的日波动率
股权价值的日波动率即为上述股权连续收益率的标准差，其计算公式
为：
”Hull，J．，Options，Futums，and Other Derivatives，3rd Ed．，Prentice Hall International．1nc．，1997．
38
4．财务预警模型构建过程
，其中叮为收益率的标准差，N为全年的交易天数，，
为全年股权收益率的平均值。
3)计算股权价值的年波动率
上述计算的是股权收益的日波动率，需转换为年波动率，转换公式为：
o-E=o-4-fi，其中o-E即为要求的股东权益市场价值波动率，N为研究
期间的交易天数，一般以250天为准。
4．3．3债务期限和无风险利率
上市公司负债可分为短期负债(期限在一年之内)和长期负债(期限在
一年以上)，理论上来讲，债务期限应是所有短期负债和长期负债的期限的加
权平均，但是由于我国上市公司对债务信息的披露要简略得多，这就使得我
们无法获得所有债务的期限结构。以往研究中表明，在所有的债务中，短期
负债占的比例更多，对上市公司产生的偿债压力更大。因此，本文假定所有
的负债均在一年后到期，即所有研究样本的债务期限为一年期。
所谓无风险利率，是指投资者可以任意借入或者贷出资金的市场利率。
目前研究中采用较多的无风险利率有：回购利率、同业市场拆借利率、短期
国债利率和定期整存整取存款利率。本文采用的无风险利率采用中国人民银
行公布的一年期整存整取存款利率，各年的具体数值见表4-2。
表4-2一年期整存整取存款利率“61
年份1999 2000 200l 2002 2003 2004 2005 2006
利率2．25％ 2．25％ 2．25％ 1．98％ 1．98％ 2．25％ 2．25％ 2．52％
4．3．4违约点DP
当公司的资产价值低于一定水平时，公司就会对债权人和股东违约，与
这一水平相对应的资产价值为违约点DP(Default Point)，即公司资产价值
16数据米自中国人民银行总行网站．www．pbc．go—v．—cn。
39
基于违约概率模型KMV的上市公州财务危机预警研究
等于负债价值时的点。而KMV公司对国外众多的违约案例研究表明，当公司
资产价值等于债务面值时许多公司并没有选择违约，而是依然经营并偿还它
的债务。这是因为债务构成中的部分长期债务为公司提供了一定的缓息空间，
即公司将会发生违约时的资产价值通常是介于总债务和短期债务之间。KMV
公司的Jeffrey R．Bohn，Apri l(1999)¨71的实证研究发现，此违约点大致等于
短期负债加上二分之一的长期负债。即：
DP=STD+I／2木LTD (4-2)
其中，STD为短期负债(short—term debt)，LTD为长期负债(10ng—term
debt)。
鉴于国内相关研究中对违约点计算公式中长期负债LTD的最优比例争议
较多，本文为长期负债设置了0、1／4、1／2、3／4、l五个比例值，对应五种
不同的违约点计算方法：
OP,2STD
DP23STD+I／4奉LTD
DP32STD+I／2木LTD
DP42STD+3／4幸LTD
DP52STD+LTD
分别计算出各种违约点所对应的违约距离，即每个公司都有五种违约距离，
分别以D01、DD2、DI)3、DD4、DD5来表示，再通过它们在危机公司和正常公
司两总体之间的显著性进行对比，以确定最优的违约点计算方法为本文研究
采用。
4．4违约距离分析
4．4．1违约距离的确定
确定KMV模型输入参数后，我们以2005年为例，借助于SAS9．0软件编
程分别求得基于各种违约点的违约距离。为了确定最佳违约点，需要对各种
情况下的违约距离的显著性进行比较，常用的显著性检验方法有：参数检验
17Jeffrey，R．Bohn．，Using marketing data to value credit risk instruments，KMV corporationt 1999
4．财务预警模型构建过程
法和非参数检验法，其中参数检验法要求所检验的样本严格服从正态性分布，
而非参数检验适用于样本总体分布未知的情况。因此在进行显著性检验之前，
需要首先对样本总体进行正态性检验，以确定显著性检验所采用的方法。表
4—4是对各种违约点所对应的违约距离的正态性检验结果。
表4-4五种违约距离的正态性检验(Tests ofNormality)
Kolmogorov—Smimov(D．检验) 违约距离Shapiro—Wilk(W．检验)
D统计量值双侧概率(Sig．1 W统计量值双侧概率(Sig．)
DDl O．141 <O．001 0．855 <O．001
DD2 O．127 0．OOl 0．899 <0．00l
DD3 O．126 0．001 O．912 <0．OOl
DD4 O．126 0．040 0．945 0．001
DD5 0．105 0．013 0．949 0．001
表414的正态性检验结果显示，无论是Kolmogorov．Smimovtl81检验还是
Shapiro．Wilkll91检验，违约距离DDl．DD5的双侧概率值都低于O．05的显著性
水平，根据正态性检验原理，可以认为它们均不服从正态分布，则对于它们
的显著性检验，应该采用非参数检验方法。
对于五种违约距离的非参数检验，本文采用的是两独立样本的
Mann-Whitney U【20】和Kolmogorov．Smimov检验，显著性检验结果如表4．5所
示。
表4-5五种违约距离的显著性检验(Nonparametric Tests)
Mann—Whitney U检验Kolmogorov—Smimov检验违约距离
Z统计量值双侧概率(Sig．) Z统计量值双侧概率(Sig．)
DDl ．2．689 0．007 1．480 0．025
DD， ．2．782 0．005 1．505 0．022
”由Shapiro和Wilk于1965年提出的用顺序统计量w检验正态性的方法，又称W法。该方法先假定
样本服从正态分布，然后将样本按大小顺序排列编秩。给定一定的显著水平口，若P值大于旺，就可以
接受零假设，即样本指标服从正态分布，反之亦然。通常P值大于0．05我们就可以认为样本服从正态
分布。
”由Kolmogorov与Smimov提出，其原理是通过比较实际频数与理论频数的累积概率间的差距，找出
晟大距离D，根据D值来判断实际频数分布是否服从理论频数分布，又称D法。通常P值大于O．05我
们就町认为样本服从正态分布，反之亦然。
“由H．B．Mann和D．R．Whitney十1947年提出的，又称“曼．惠特尼秩和检验”。该方法将样本按大小顺
序排列编秩，然后通过对两组样本平均秩的研究来推断。给定一定的显著水平a，若P值小于a，就应
该拒绝零假设，认为样本来自的两总体存在显著差异，反之亦然。
4l
摹f违约概牢模型KMV的上市公。d财务危机颅警研究
DD3 ．3．889
DDa ．2．867
DD； ．2．805
<O．00I 1．777 O．004
0．004 1．410 0．037
0．005 1．316 0．063
从表4．5的检验结果可以看出，在a=0．05的显著性水平下，左边
Mann．Whitney U检验的结果显示，五种违约距离的双侧概率值均小于0．05，
则应该拒绝零假设，认为它们全部通过了显著性检验；同时，右边
Kolmogorov—Smimov检验结果也显示，除了第五种违约距离DD5的双侧概率值
稍大于0．05之外，其余的四种违约距离均低于O．05。总体上看，两种检验的结
果均表明五种违约距离在危机公司和正常公司两个总体之间存在着显著性的
差异，但是相比之下，第三种违约距离DD3在两种检验中的双侧概率值都是最
小的，说明其在两总体之间的差异最显著，则其对应的违约点(DP3)为最佳违约点。即洲模型中违约点计算公式：
DP=STD+I／2*LTD
同样也适用于国内上市公司的情况。
4．4．2违约距离分析
最佳违约点确定后，本文计算出样本公司2004年及2006年的违约距离(各
年的计算数据以及结果见附录二)。表4—6描述了危机公司和正常公司2004至
2006年违约距离的统计特性。
表4-6 2004年至2006年违约距离统计特性
2004芷2005年2006笠
正常组危机组正常组危机组正常组危机组
样本数57 36 57 36 57 36
均值2．626 2．312 2．333 2．02l 1．927 1．815
最火值4．43 3．08 3．665 2．710 3．159 3．053
最小值1．17 —2．28 1．722 1．597 1．055 0．809
标准差0．603 0．935 0．432 0．240 0．500 0．386
方差0。364 0。874 0。186 0．058 0。250 0．149
偏度0．294 —3．523 1．126 0．345 0．585 0．393
峰度0．686 16．776 0．903 0．722 O．019 2．694
42
从上表可以看出，2004年至2006年期间，无论是均值、最大值、最小值，
4．财务预警模型构建过程
危机组的违约距离均小于正常公司，且随着被ST日期(2007年)的临近，违
约距离均值呈现出递减趋势，说明违约距离能够较好的描述危机公司的财务
状况的恶化趋势。同时也可以看出，正常组的违约距离均值也呈现出递减趋
势，反映出正常组中一些公司的财务状况在研究期间也在恶化，从而导致其
违约距离的持续降低。这就为这些参照公司的管理层敲响了警钟，如果不努
力改善经营，提高盈利，则很有可能在接下来的几年中步入ST的行列。
为了考察样本公司的违约距离在时间上的变化趋势，本文选取危机公司
组中的STil：生(股票代码为600556)作为研究对象。STILL生在2007年5月被
ST处理，因此考察期间为2004年1月1日至2007年3月31日，以季度为单位，将
考察期间分为13个时间点，分别计算出各个时间点的违约距离，然后绘制出
变化趋势图。由于研究期间为季度，因此KMV模型中的某些参数要做出修正，
本文沿用丁邵芳、田兵(2007)[21】研究中采用的修正方法，将计算权益波动
率的交易天数修正为N2=250／4=62．5天，设定违约距离的计算时间为一个季度，
即t2=1／4，无风险利率R2=√(1+r)一1，其中r为表4．2中的一年期整存整取存款
利率。绘图结果如图4—1所示。
—◆一违约距离DD
⋯一-趋势线
21丁绍芳，田兵，基于违约距离的上市公司财务危机动态预警。中国现场统计研究会第十三届学术年会
论文集，2007(8)：146-149．
43
基于违约概率模型KMV的一t-市公司财务危机预警研究
图4．1中，X轴表示各个时间点，Y轴表示违约距离值，在该坐标系中可以
看出，在研究期间，ST北生的违约距离并未呈现出逐步下降的状态，而是中
间有较大的波动。从2004年第一季度至1J2006年第一季度期间，违约距离是递
减的，且在2006年第一季度到达最低点，说明该公司在这一期间财务状况在
逐步恶化。而后违约距离值有所回升，但是在到历史高位之前又开始加速下
跌，并且持续到其被ST处理，说明在此期间，尽管该公司意识到财务状况的
恶化，做出过改善财务困境的努力，但是这种“临时抱佛脚”的举措最终难以
改变其被ST的噩运。可见该公司进入2004年以来就开始出现财务困境，说明
了违约距离具有提前3年的预警能力。因此，对于上市公司管理者来说，如果
及早得把握公司财务危机状态，从而做出及时的调整，则完全有可能避免财
务危机最终的爆发。
4．5财务指标的筛选
本文在4．2。1中列出了选取的35个财务指标(违约距离除外)，由于指标过
多一方面导致工作量的增加，另一方面可能存在多重共线性，因此需要对这
些财务指标进筛选，然后利用通过筛选的财务指标建立判别模型。指标筛选
的原理和上述违约距离的相同。
用前I拘Kolmogorov．Smimov方法分别对样本公舌】2004年、2005年、2006
年的财务指标进行正态性检验，检验结果如表4．7所示。
表4-7财务指标正态性检验
2004釜2005正2006拒
指标
D统计量值双侧概率D统计量值双侧概率D统计量值双侧概率
幸X1 0．039 0．200 0．080 0．18l 0．092 0．052
X2 0．248 <O．00l 0．317 <0．OOl 0．354 <O．OOl
X3 0．396 <0．OOl O．462 <o．001 0．392 <O．OOl
X4 O-215 <O．OOl 0．262 <0．00l 0．28l <0．OOl
X5 0．219 <0．ooI ．0．280 <0．00l 0．305 (0．00I
X6 O^449 <O．00l O．23l <O．001 O，35l <0．OOl
X7 0．449 <O．00l 0．231 <O．00l O．35l <0．001
X8 0．136 <o．00l 0．082 0．155 O．102 0．019
X9 0．428 <O．00l 0．432 <O．001 0．326 <0．OOl
XlO 0．238 <0．OOI O．35l <0．001 0．324 <0．00l
X11 0．409 <0．00l 0．412 <0．00l 0．388 <0．OOl
4．财务预警模型构建过程
X12 O．512 <O．00l O．515 <0．OOl 0．502 <0．OOI
X13 O．32l <0 OOl 0_38l <O．00l 0．366 <0．00l
X14 0．362 <O．001 0．362 <0．OOl 0。383 <0．OOI
X15 O．139 <O．00l 0．139 <0．00l O．109 0．009
X16 0．120 0．002 O．113 0．005 0．127 O．ool
X17 0．218 <O．OOl 0．204 <O．001 0．224 <0．00l
X18 0．217 (o．001 0．213 <o．001 0．205 <0．001
木X19 0．065 0．200 0．066 0．200 0．057 0．200
X20 O．17l <o，OOl 0．224 <o．001 0．297 <O．001
X2l 0．362 <0．OOl 0．305 <0．001 0．422 <0．00l
X22 0．236 <0．001 0．345 <O．001 0．309 <O．001
X23 0．326 <O．001 0．266 <O．001 0．322 <O．00l
X24 O_170 <O．001 0．197 <O．00l 0．162 <0．OOI
X25 0．225 <o．00l 0．233 <0．00l 0．222 <0．OOl
X26 0．339 <O．OOl 0．270 <O．001 0．463 <o．OOl
X27 0．368 <O．001 0．089 0．067 0．403 <0．00l
X28 0．264 <0．00l 0．227 <0．001 0．235 <O．OOl
X29 0．428 <0．001 0．250 <O．001 0．430 <0．00l
X30 O．312 <0．OOl 0．223 <0．00l 0．288 <O．OOl
X31 0．293 <O．00l O．179 <O．OOl O．219 <O．00l
X32 0．233 <O．001 0．266 <o．00l 0．350 <O．ool
X33 O．162 <0．001 0．398 <0．00l 0．404 <0．00l
X34 0．114 0．004 0．145 <0．001 O．133 <O．00l
X35 0．148 <0．00l O．148 <O．00l 0．103 O．017
根据前述的K．S检验判定原理，在显著性水平a为O．05的条件下，当双侧渐
进概率脸0．05时，则应该接受零假设，认为该指标服从正态分布；当双侧渐
进概率P<0，05时，则表明该指标不服从正态分布。从表4—5我们可以看到，三
年当中，只有X1资产负债率和X19资产对数两个指标的双侧渐进概率三O．05，
表明这两个指标服从正态性分布，其余大部分指标的双侧渐进概率P值明显低
于0．05的显著性水平，表明它们不服从正态性分布。综合上述检验结果可以看
出，我国上市公司财务指标总体上不符合正态分布的假设，这一结论与国外
学者对财务比率所作的实证研究结论【221相一致。因此，财务指标的差异显著
性检验应采用非参数检验方法。
本文采用上述的两独立样本曼．惠特尼U检验方法(Mann．Whitney U)对
22
Ohlson J A，Financial ratios and the probabilistic prediction of bankruptcy[J]．Journal ofAccouting
Research，1980(I)：109．131．
基于违约概率模型KMV的f二市公-d财务危机颅警研究
上述35个财务指标在2004年、2005年、2006年的情况分别进行了检验，检验
结果如表4-8所示。
表4．8财务指标显著性检验
2004盆2005笠2006芷
指标
Z统计量值叔侧概率Z统计量值双侧概率Z统计量值双侧概率
X1 ．2．114 0．035 ．3．297 0．OOl· -4。354 <O．00l·
X2 ．2．114 0．035 ．3．344 0．001毫-4．354 <0．00l·
X3 -1．207 0．228 ．3．707 <0．00l幸．5．308 <O．00l牛
X4 ．2．453 0．019 ．3．187 O．00l· -4．567 <O．00l幸
X5 一1．45l O．147 ．2．043 0．041 ．3．486 <0．OOl奉
X6 ．0．615 0．538 -4．66l <0．00l木．6．554 <0．00l·
X7 ．0．615 0．538 _4．66l <0．00l· ．6．554 <0．00l·
X8 —0．528 0．597 ．3．084 0．002* ．5．103 <0．00l木
X9 -1．822 0．068 -4．725 <o．00lo -0．237 0．813
X10 -1．554 0．12 -4．835 <0．00l宰．6．231 <0．001幸
X11 ．1。27 0。204 -4．172 <O．001书．1．372 0．17
X12 ．1．528 0．126 -2．145 0．032 ．2．443 0．015
X13 m．168 0．866 ．1．137 O．255 。1．805 0．071
X14 一1．041 0．298 ．0．378 0．706 ．O．119 0．905
X15 ．0．718 0．473 ．0．805 0．42I ．1．388 O．165
X16 一O．39 0．696 ．0．264 0．792 ．0．446 0．656
X17 ．0．547 0．584 ．0．834 0．405 ．0．84l 0．4
X18 —3．868 <0．OOl· -2。545 O．011 ．2．849 0．004*
X19 ．0．907 0．364 ．0．442 0．659 ．0．402 0．687
X20 一0．07l 0．943 —5．001 <0．00l幸．3．96 <O．00l·
X21 —0．331 0．74 ．2．792 0．005* ．5．616 <0．001·
X22 —0．363 O．717 ．2．895 0．004* 一5．182 <0．00l幸
X23 ．2．074 0．038 ．5．908 <0．00l+ ．7．738 <O．001·
X24 ．1．436 0．151 ．5．498 <O．00I· ．7．225 <0．00l·
X25 ．2．177 0．009* ．5．687 <O．00l事一7．714 <0．00I幸
X26 ．1．246 O-213 ．5．119 <O．00l宰一5．245 <0．00l木
X27 ．0．166 0．868 ．5．387 <0．OOl· ．3．305 0．001奉
X28 ．0．363 0．717 —0．647 O．518 -0．174 0．862
X29 -4．259 <O．001· -2．705 0．007* -4．874 <0．OOI宰
X30 ．4．37 <0．00l· ．3．573 <O．00l幸-4．488 <0．00l幸
X31 —2445 O．014 ．5．947 <0．OOl木．7．525 <0．001·
X32 一O．016 0．987 ．1．167 0．243 -2．177 0．029
X33 ．1．499 0．134 ．0．536 0．592 -0．773 0．44
X34 ．0．45 0．653 —1．822 0．068 —2．406 O．016
X35 ．2．224 0．026 ．3．715 <0．00l+ ．5．498 <0．00l·
注：标有‘号的表示在1％的显著水平上显著的变量。
显著性检验的结果显示，假定显著性水平为l％，则在2004年，只有X18
股权质押比例、X25总资产净利润率、X29管理费用率、X30财务费用率4个指
标通过了显著性检验，其他的均未通过，说明大部分财务指标在被ST的前三
4．财务颅警模型构建过程
年无法有效的区别危机公司和正常公司。4个指标主要集中于公司治理结构和
盈利能力上，表明在公司经营局面出现危机前，公司治理结构和盈利能力最
先出现了问题。
在2005年，有X1资产负债率、X2权益对负债比率、X3利息保障倍数、
X4流动比率、X6资本保值增值率、X7资本积累率、X8总资产增长率、X9净
利润增长率、X10财务杠杆系数、X1 1经营杠杆系数、X20现金流量对流动负
债比率、X21盈余现金保障倍数、X22销售现金比率、X23营业收入净利润率、
X24资产报酬率、X25总资产净利润率、X26净资产收益率、X27主营业务收
入增长率、X29管理费用率、X30财务费用率、X31每股收益、X35每股净资
产共21个指标通过了显著性检验。比起2004年，2005年新增加的这些指标主
要集中在现金流量能力和成长能力上，说明继公司偿债能力和盈利能力下降
之后，公司现金流也出现了问题，且影响到了公司的成长性。
在2006年，除了X9净利润增长率、X1l经营杠杆系数、X12董事长与总经
理兼任情况、X13独立董事比例、X14监事总规模、X15第一大股东持股比例、
X16第二至十大股东持股比例、X17国有股比例、X19资产对数、X28销售费
用率、X32应收账款周转率、X33存货周转率、X34总资产周转率共12个指标
未通过显著性检验之外，其余22个财务指标均通过检验。‘表明在连续亏损两
年的情况下，公司的各类指标均出现了异常变动。
综上所述，从2004年至1J2006年，通过显著性检验的财务指标的数目逐渐
增多，这表明，距离被ST日期越近，财务指标在危机公司和正常公司之间的
差异性越显著，从而得出结论：财务指标作为预测变量具有信息含量和时效
性，且其信息含量随着被STR期的临近而增加。同时违约距离解释力非常显
著，表明在公司开始亏损期间，资本市场已经做出了相应反映，公司违约距
离急剧下降，违约距离指标呈现超前的预测能力。
4．6 Logistic回归模型的构建
判别模型构建的目的有两个，一是为了对加入违约距离变量前后模型的
判别准确率进行比较分析，二是为了考察模型判别准确率在时间上的变动情
况。鉴于这两个目的，本文打算就2004年、2005年、2006年分别建立加入
47
基于违约概率模型KMV的I：市公司财务危机颅警{．}f究
违约距离前和加入违约距离后两个模型，共6个判别模型用于研究。
首先，利用在各个年份通过显著性检验的指标，采取逐步向前wal．d回归
策略，逐步剔除不显著的指标，建立三个加入违约距离前的判别模型，分别
以‰、珐。，、珐。。表示。其次，以上一步进入判别模型的财务指标；b口I--违约
距离作为自变量，采取强制回归策略建立三个新的判别模型，分别以‰。、
‰，、‰。然后，对前两个步骤产生的判别模型的效果进行横向和纵向两
方面的对比分析。其中模型的判别阈值设为0．5，如果尸值大于O．5，则表示
该企业破产的概率较大，那么判定该企业为即将破产型；如果尸值低于0．5，
则表明该企业财务正常的概率比较大，判定该企业财务正常。
4．6。1加入违约变量前的判别模型
按照步骤一，我们借助-于SPSS软件针对2004—2006各年‘I删TLogistic
回归分析。。
2004年加入违约距离前的模型回归结果如表4—9所示。
表4—9 2004年加入违约距离前Logistic叵]归结果
方程变量回归系数标准误差Wald统计量自由度双侧概率(sig)
X18股权质押比例4．523 1．43l 9．991 l 0．002
X29管理费用率5．276 2．202 5．744 l 0．017
Constant ．2．080 0．459 20．564 l <O．00l
模型‰的线性表达式如下：
Ln[p／(1-p)]=-2。080+4．523唪X1 8+5．276事X29 (4-3)
Logistic回归系数为负表明该指标与因变量之间呈现负相关，指标越大，
违约风险越小，为正则表明与两者之间存在正相关。从回归结果可见，每个
指标均通过了显著性检验，解释能力很好，且每个指标都通过初步筛选，模
型回归结果是显著的。X18股权质押比例、X29管理费用率与因变量均与因变
量之间呈现正相关关系，即这些指标值越大，公司未来的违约风险越大，符
合经济学和指标构成的意义。
另外，从模型的拟合程度来看，-2 LL(·2倍的对数似然估计值)为90．594，
4．财务颅警模型构建过程
较其它研究结果拟合得好，见谭久均<2005)【23】和刘国关(2005)[24】，如表
4-10所示。
表4—10 2004年加入违约距离前回归拟合结果
步骤
一2 Log Cox&Snell R Nagelkerke R
likelihood Square Square
2 90．594 0．303 0．41l
模型判别准确率如表4．11所示，
表4．1 1 2004年加入违约距离前模型判别准确率
预测结果
实际情况组别
判别准确率
危机公司正常公司
危机公司20 16 55．6％
组别
止常公司3 54 94．7％
总体准确率79．6％
注：判别阂值设为0．5。
从判别结果来看，模型对正常公司的判别正确率高达94．7％，对危机公司
的判别正确率则相对较低，仅为55．6％，但是模型对于总样本的判别正确率达
至1J79．6％，较好于其它相似研究的研究结果。因此，从模型的回归结果各个方
面来看，总体来说，模型拟合的良好，模型构建得较成功。
2005年加入违约距离前的模型回归结果如表4—12所示。
表4-I 2 2005年加入违约距离前Logisticlal归结果
方程变量回归系数标准误差Wald统计量自由度双侧概率(sig)
X20现金流量对
．6．928 2．750 6．348 1 0．012
流动负债比率
X3l每股收益．2．646 0．802 10．898 l 0．00l
Constant 一0．443 0。322 1。891 l 0．169
模型珐j，的线性表达式如下：
Ln[p／(1-p)】_一0．443—6．928木X20-2．646牵X3 1 (4-4)
Logistic回归系数为负表明该指标与因变量之间呈现负相关，指标越大，
发生财务危机的可能性就越小，为正则表明与两者之间存在正相关。从回归
结果可见，每个指标均通过了显著性检验，解释能力很好，且每个指标都通
23谭久均，财务指标与违约距离相融合的上市公司财务预警模型【J】。系统工程，2005(9)：111．117。
24刘国光，王慧敏，考虑违约距离的上市公司危机预警模型研究【J】。财经研究，2005(II)：59-67。
49
基十违约概率模型KMV的上市公t司财务危机颅警研多Z
过初步筛选，模型回归结果是显著的。X20现金流量对流动负债比率、X3 l每
股收益与因变量均与因变量之间均呈现负相关关系，即这些指标值越大，公
司未来的违约风险越小，符合经济学和指标构成的意义。
另外，从模型的拟合程度来看，．2LL(-2倍的对数似然估计值)为81．564，
较其它研究结果拟合得好。如表4．13所示。．
表4-13 2005年加入违约距离前回归拟合结果
一2 Log COX&Snell R Nagelkerke R
步骤
likelihood Square Square
2 81．564 0．367 0．499
模型判别准确率如表4．14所示，
表4-14 2005年加入违约距离前模型判别准确率
预测结果
实际情况组别
判别准确率
危机公司正常公司
危机公司24 12 66．7％
组别
正常公司6 5l 89．5％
总体准确率80．6％
注：判别阂值设为0．5。
从判别结果来看，模型对正常公司的判别正确率为89．5％，相L匕2004年的
降低了5．2％，但是对危机公司的判别正确率为66。7％，相LE2004年提高了
11．1％，而且模型对于总样本的判别正确率达至t]80．6％，相对于2004年提高了
1％。从模型的回归结果各个方面来看，模型拟合的良好，模型构建得较成功。
2006年加入违约距离前的模型回归结果如表4．15所示。
表4-15 2006年加入违约距离前Logistic回归结果
方程变量回归系数标准误差Wald统计量自由度双侧概率(sig)
X24资产报酬率100．726 53．848 3．499 1 0．061
X25总资产净利
．351．096 136．079 6．657 l 0．010
润率
X3 1每股收益11．985 6．346 3．567 1 0．059
Constant 一3．101 l。500 4．274 1 0。039
50
模型叫晰的线性表达式如下：
Ln[p／(1-p)】=_4．28+123．9·X24-391．592幸X25+13．388卑X31 (4—5)
Logistic[] 系数为负表明该指标与因变量之间呈现负相关，指标越大，
4．财务颅警模型构建过程
发生财务危机的可能性就越小，为正则表明与两者之间存在正相关。从回归
结果可见，在10％的显著性水平上，每个指标均通过了显著性检验，解释能
力良好，模型回归结果是比较显著的。其中，只有X25总资产净利润率的系数
为负，表明其与因变量之间呈现负相关关系，即指标值越大，公司未来的违
约风险越小，符合经济学和指标构成的意义。而X24资产报酬率、X3l每股收
益的系数为正，说明这些指标越大，公司发生财务危机的可能性越大，并不
符合经济学意义。根据我国学者陆建桥(1999)[251针对国内亏损上市公司进行的
实证研究显示，对于那些连续亏损两年的上市公司，为了避免被sT处理，往
往采用各种合法及非法的手段进行包装，比如债务重组、关联交易等手段，
以此来调增收益，其结果是某些财务指标“不降反升"。
另外，从模型的拟合程度来看，．2LL(-2倍的对数似然估计值)为12．600，
较其它研究结果拟合得好。如表4．16所示。
表4—1 6 2006年加入违约距离前回归拟合结果
步骤
一2 Log COX&Snell R Nagelkerke R
likelihood Square Square
2 12．600 0．699 0．948
模型判别准确率如表4．17所示，
表4-1 7 2006年加入违约距离前模型判别准确率
预测结果
实际情况组别
危机公司正常公司
判别准确率
危机公司32 4 88．9％
组别
正常公司2 55 96．5％
总体准确率93．5％
注：判则固值跛为0．5。
从判别结果来看，模型对正常公司的判别正确率高达96．5％，对危机公司
的判别正确率高达88．9％，模型对于总样本的判别正确率达到了93．5％，判别
准确率EL2005年高出近14％。从模型的回归结果各个方面来看，模型拟合的
良好，模型构建得较成功。
综上所述，从2004年至q2006年，进入判别模型的财务指标差别很大，说
25陆建桥，中国亏损上市公司盈余管理实证研究。会计研究，1999(9)：25．35。
基十违约概牢模型KMV的J：市公叫财务危机预警研究
明随着被STH期的临近，财务指标对于危机公司和正常公司的区别能力变化
较大，相应的模型变量也应该做出调整，而以往研究中采用同一模型在不用
时期进行判别的做法是不合理的。同时，三个模型的总体判别准确率依次为
79．6％、80．6％、93．5％，呈递增趋势，说明了越是临近被ST日期，模型的判
别准确率越高，这也符合理论意义，表明三个模型的回归结果对上市公司ST
历程所反应的问题进行了很好的描述。
4．6．2加入违约变量后的判别模型
按照步骤二，我们将上述各个年份进入模型的财务指标，加入违约变量
后重新进行Logistic回归。
2004年加入违约距离后的模型回归结果如表4一18所示。
表4—18 2004年加入违约距离后Logistic回归结果
方程变量回归系数标准误差Wald统计量自由度双侧概率(sig)
X18股权质押比例4．794 1．452 10．905 1 O．00l
X29管理费用率5．023 2．143 5．495 l 0．019
X36违约距离一0。929 0．448 4．296 1 0。038
Constant 0．142 1．155 O．015 1 0．902
模型‰的线性表达式如下：
Ln[p／(1一p)】=0．142+4．794木X18+5．023木X29—0．929木X36 (4-6)
从回归结果可以看出，相对于同一年的模型叫咄(式4-3)，加入违约变
量前后财务指标的系数变化很小，在显著性为5％的水平上通过了检验，说明
指标解释能力较好。但是常数项的双侧概率太大，没有通过检验。模型回归
结果显示违约距离的系数为负，表明违约距离与公司发生财务危机的可能性
相关，即违约距离越大，发生财务危机可能性越小，符合违约距离的内在定
义，与前文对违约距离的研究结论相一致。
另外，从模型的拟合结果来看，一2LL的值为84．144，相比模型叫蝴的90．594
有所降低，说明拟合优度有所改善。如表4—19所示：
52
4．财务预警模型构建过程
表4—1 9 2004年加入违约距离后回归拟合结果
一2 Log Cox&Snell R 步骤NagllkerkSquare姝l
likelihood Square
1 84．144 0-350 0．474 I
模型判别准确率如表4．20所示，
表4-20 2004年／JllA．违约距离后模型判别准确率
预测结果
实际情况组别
判别准确率
危机公司正常公司
危机公司23 13 63．9％
组别
正常公司5 52 91．2％
总体准确率80．6％
注：判剧阈值使为0．5。
模型对于危机公司的判别准确率为63．9％，对于正常公司的判别准确率为
91．2％，模型总体判别准确率为80．6％，相对于加入违约距离前的叫。。。的
79．6％，提升了1％，说明了违约距离对于模型判别是有贡献的。
2005年加入违约距离后的模型回归结果如表4．2l所示。
表4-21 2005年加入违约距离后Logistic[国归结果
方程变量回归系数标准误差Wald统计量自由度双侧概率(sig)
X20现金流量对
．7．615 2．961 6．613 l O．010
流动负债比率
X31每股收益，2．108 O．80l 6．93l 1 0．008
X36违约距离．3．103 1．207 6．608 1 0．0|0
Constant 6．337 2．586 6．006 1 0．014
模型屹，的线性表达式如下：
Ln[p／(1一p)】-6．337—7．615"X20—2．108$X31-3，103宰X36 (4-7)
从回归结果可见，相对于同一年未加入违约距离的模型■o。；(式4．3)，
新模型财务指标的回归系数没有太大变化，且所有变量，包括常数项的双侧
概率值均低于5％的显著性水平，说明指标解释能力较好，模型回归结果是显
著的。其中违约距离的系数为负，表明违约距离越大，未来风险越小，且双
侧概率小于5％，具有明显的解释能力，表明在ST前两年，即连续亏损发生第
一年，资本市场做出了相应的反应，违约距离具有超前的预测能力。
基j：违约概牢模型KMV的上市公刊财务危机顶警{-}f究
另外，新模型的一2LL值为71．859，相对与叫。。，的81．564萑j"所降低，说明加
入违约距离后模型的拟合优度也得到了提升。如表4．22所示。
表4-22 2005年加入违约距离后回归拟合结果
一2 Log Cox&Snell R Nagelkerke R
步骤
likelihood Square Square
1 71．859 0．430 0．584
模型判别准确率如表4．23所示，
表4-23 2005年加入违约距离后模型判别准确率
预测结果
实际情况组别
判别准确率
危机公司正常公司
危机公司27 9 75．O％
组别
正常公司7 50 87．7％
总体准确率82．8％
往：判别阂值设为0．5。
相对于模型叫的，，加入违约距离后的新模型提高-1"5时危机公司和总样本
的判别准确率，分别由之前的66．7％、80．6％提高到了75．O％、82．8％，预测效
果十分明显。
2006年加入违约距离后的模型回归结果如表4．24所示。
表4-24 2006年加入违约距离后Logisticl回归结果
方程变量同归系数标准误差WaId统计量自由度双侧概率(sig)
X24资产报酬率99．949 54．848 3．32l l 0．068
X25总资产净利
．351．932 137．443 6．557 l O．OlO
润率
X3l每股收益12．078 6．416 3．544 1 0．060
X36违约距离0．099 1．21 8 0．007 0．935
Constant ．3．292 1．218 1．371 l 0．242
模型tk的线性表达式如下：
Ln[p／(1-p)】=·3．292+99．949幸X24—35 1．932幸X25+1 2．078幸X3 1+O，099幸X36(4—8)
从回归结果上看，在10％的显著性水平上，X24、X25、X31均通过了检
验，而X36违约距离和常数项由于双侧概率均远大于10％，因而没有通过检验，
表明其对模型的贡献程度很低。且违约距离系数为正，表明其与公司未来风
4．财务预警模型构建过程
险正相关，不符合违约距离的内在定义，与前两个模型得出的结论刚好相反。
表明ST前一年违约距离在与其它财务指标一起作为预警变量时，解释能力异
变，可能与我国资本市场效率低下引起的，因为采用股价波动率和资产波动
率的信息来预测，要求市场公平有效，即股票价格没有被操纵，且股价信息
是真正能够反映公司未来状况信息的。也可能表明虽然违约距离能识别信用
风险，但是不适合加入财务指标预警模型。从本文对危机公司组中ST：II：生违
约距离变化趋势的研究结果(图4．1)也证明了这一点。
另外，模型的一2LL值为16．387，比叫慨的12．600有所降低，说明加入违约
距离后模型的拟合优度并没有得出改善。如表4．25所示。
表4-25 2006年加入违约距离后回归拟合结果
步骤
一2 Log COX&Snell R Nagelkerke R
likelihood Square Square
l 16．387 0．686 0．93l
模型判别准确率如表4．26所示，
表4-26 2006年加入违约距离后模型判别准确率
预测结果
实际情况组别
判别准确率
危机公司正常公司
危机公司32 4 88．9％
组别
正常公司l 56 98．2％
总体准确率94．6％
注：判别闽值设为0．5。
模型对危机公司判别准确率为88．9％，相比模型叫。。。没有变化，对正常公
司的判别准确率为98．2％，比叫晰提高了1．7％，模型总体判别准确率为94．6％，
比叫。。。提高了1．1％，模型整体效果良好。
4．6．3判别模型对比分析
按照步骤三，本文采用对比方法，分别从各年份加入违约距离前后模型
的判别准确率、拟合优度、经济意义三个方面进行考察。见表4．27．表4．28。
幕f违约概率模型KMV的．jj市公司财务危机预警研究
表4-27 2004-2006年模型判别准确率比较
危机公；刁判别准确率正常公司判别准确率{样本总体判别准确率
年度
I II II．I I II !II—I{ I II II．I
2004
(ST前三年)
55．6％ 63．9％8．3％ 94．7％91．2％．3．5％：79．6％80．6％ 1％
2005
66．7％75．0％8．3％ 89．5％87．7％-1，8％i 80。6％82。8％ 2。2％
(ST前二年)
96．5％98．2％ ，．7％{93．5％94．6％ 。．。％
2006
(ST前一年)
88．9％88．9％ O％
注：I和11分别表示加入违约距离前后模型的判别正确率，II—I为两者之差。
表4-28 2004-2006年回归方程拟合优度比较
2004(ST前三年) 2005(ST前二年) 2006(ST前一年)
I II I II I II
·2LL 90．594 84．144 81．564 71．859 12．600 16．387
Nasetkerke R2 0．411 0．474 0．499 0．584 0．948 0．931
注：I和11分别表示加入违约距离前后回归方程的拟合优度。
第一，考察危机公司的判别准确率。从表4—27可以看出，加入违约距离
后，除了2006年没有变化外，2004年和2005年模型对危机公司的判别准确率
都得到了显著的提高，都提高了8．3％，从而可以认为违约距离是危机公司发
生财务危机的重要因素。在发生财务危机前，危机公司的违约距离已经发生
了明显的恶化。
第二，考察正常公司的判别准确率。从表4—27可以看出，引入违约距离
因素后，正常公司的预测正确率除了2006年上升之外，2004年和2005年都出
现了下降，分别下降了3．5％和1．8％。原因可能是按照与危机公司规模相近原
则所配对的样本公司股价偏低，在国内资本市场制度不完善的情况下，这些
公司的股价很容易被操纵，出现较大幅度的波动，导致违约距离偏低，进而
使模型出现误判，也说明了违约距离对于正常公司的判别方法上有待改进。
第三，考察样本总体的判别准确率。从表4．27可以看出，在三年中，加
入违约距离后模型的总体判别准确率均高于加入前的预测正确率，分别提高
了l％、2．2％、1．1％。说明违约距离的预测能力的有效性可以达到被ST的前三
年。其中，2005年提高的幅度最大，说明了在ST前两年，违约距离的判别精
4．财务预警模型构建过程
度是最显著的。
第四，考察回归方程的拟合优度。从表4．28可以看出，在2004年和2005
年，加入违约距离后，回归方程的拟合优度都得到了提高，说明在ST前二年
和前三年，违约距离对模型具有较高的贡献，尤其是在2005年，两者提高的
幅度最大。而在2006年，两者都降低了，说明在ST前一年违约距离对模型的
贡献度较低。
最后，考察模型的经济意义。从步骤二回归的六个方程(见式4．3至式4．8)
可以看出，2004年的两个方程中，X18股权质押比例和X29管理费用率系数为
正，表明其与财务危机发生可能性成正相关，符合经济意义，后加入的X36
违约距离系数为负，表明其与财务危机发生可能性成负相关，也符合经济意
义；2005年的两个方程中，X20现金流量对流动负债比率、X31每股收益以及
X36违约距离的系数均为负，表明其与财务危机发生可能性成负相关，符合经
济意义：而在2006年的两个方程中，由于X24资产报酬率、X31每股收益、X36
违约距离的系数为正，意味着这些指标越大，发生财务危机的可能性越大，
不符合经济意义。
综上所述，从判别结果显著、统计显著、经济意义显著三个标准出发，
本文认为2005年加入违约距离后的判别模型％，最为理想，说明在sT前两
年，利用X20现金流量对流动负债比率、X31每股收益以及X36违约距离三个
指标对危机公司进行预测是有效的。但是，违约距离对正常公司的判别精度
要有所改善。
’
4．7实证结论以及模型运用建议
总结以上的实证分析过程，本文得出以下结论：
1．KMV模型中的违约点同样适用于国内。关于违约点中长期负债的比例
问题，相关研究得出的结论不尽相同。本文分别设立了0、1／4、1／2、3／4、1
五个比例值，基于2005年的数据，计算出所有样本公司的五种违约距离，并
进行了显著性检验，结果显示1／2比例值对应的违约距离差异最显著，说明了
KMV模型中违约点计算方式同样适用于国内上市公司。
2．违约距离和大多数财务指标并不服从正态性分布。本文用
57
基于违约概牢模型KMV的．f：市公州财务危机预警研究
Kolmogorov．Smimov检验和Shapiro．Wilk检验对违约距离和35个财务指标进
行正态性检验，结果显示出违约距离和大部分财务指标都不服从正态分布，
因此显著性检验方法应该采用非参数检验，以往研究中利用T检验的做法是
不合理的。。
3．违约距离能够较好的对危机公司的财务变动情况进行描述。首先，本文
对研究期间危机组和正常组的违约距离进行比较，无论是均值、最大值和最
小值，危机公司均低于正常公司；其次，危机组的违约距离均值在三年中呈
现出递减趋势，符合危机组财务状况逐渐恶化的实际情况，在加上本文对ST
北生的研究所得的变动趋势图，充分说明了违约距离能够较好的对国内上市
公司的财务状况进行描述。
4．财务指标作为预测变量具有信息含量和时效性。本文对选取的35个指
标进行显著性分析的结果显示，随着被ST日的临近，通过显著性检验的财务
指标个数逐渐增加。也就是说，距离S日期越近，财务指标在危机公司和正
常公司之间的差异性越显著，从而说明财务指标作为预测变量具有信息含量
和时效性，且其信息含量随着被ST日期的临近而增加。
5．盈利能力指标在ST前三年内都具有显著的解释能力。2004年中，X18
股权质押比例、X29管理费用率进入判别模型，说明上市公司财务状况恶化首
先起于公司治理结构的恶化和盈利能力的降低。上市公司大股东将其所持股
权大比例质押，往往与上市公司的经营决策和经营行为出现问题密切相关，
而经营层面的问题又进一步限制了公司的盈利能力；2005年中，X20现金流量
对流动负债比率、X3l每股收益进入判别模型，说明随着盈利能力的持续下降。
现金流出现萎缩，公司偿债能力下降，因此这三种指标在ST前两年对模型的
贡献最为显著；2006年，只有X25总资产净利润率符合经济意义，说明盈利能
力对模型的作用在ST前一年依然显著。可见，盈利能力在任何年份的判别模
型中都起着相当重要的作用。．
6．使用单一模型在ST不同阶段进行判别是不合理的。从本文构建的六个
方程来看，三年中，进入模型的财务指标差异较大。表明运用单一模型对公
司的ST历程进行预警是不合理的，无法准确描述公司各个阶段的基本面变化，
应采取模型体系对公司财务状况进行预警。
7．加入违约距离能够有助于提高判别模型的判别准确率。本文对三年中加
入违约距离前后模型判别准确度比较可以看出，加入违约距离后模型对危机
58
4．财务预警模型构建过程
公司以及样本总体的判别准确度均得到了一定程度提高，说明违约距离一定
程度包含预测上市公司财务危机的信息含量，违约距离具有提高财务预警模
型预测效果的作用。
8．利用模型提前两年对ST情况进行判别的效果最佳。本文从统计显著、
经济意义显著、判别效果显著三个方面对回归的六个方程进行对比分析，结
果显示，2005年加入违约距离后的模型‰，最为理想，即利用模型提前两年
对ST情况进行判别的效果最佳。
根据以上研究内容，本文分别从上市公司管理层、投资者和债权人以及
信用评级结构的立场出发，对本研究结果在实际运用中提出如下建议：
l、从上市公司管理层的角度来说，要维持公司经营业绩，降低爆发财务
危机的可能性，保证持续盈利能力是最主要的，这就需要一方面完善公司治
理结构，对大股东的质押权形成有效的约束机制，提防股权质押比例过大给
经营决策和经营行为所带来的风险，另一方面要降低管理费用占销售收入的
比例，提高公司的管理效率。
2、对于投资者及债权人来说，在进行投资决策的时候，首先应重点关注
公司的盈利能力以及盈利的可持续性，谨慎对待盈利指标波动幅度较大的公
司。其次，警惕那些存在较大比例质押股份的公司，对质押股份给上市公司
决策层面带来的影响进行分析。尤其是那些初始债务负担较大的公司，一旦
发现问题，应及时采取相应对策，或‘用脚投票’或督促公司管理层采取措施以
及时保证自己的权益。
3、对信用评级机构来说，目前的定量评级框架已采用了营运能力指标、
盈利能力指标和偿债能力指标三类指标，在此基础上应加入公司治理能力指
标。另外，随着我国资本市场效率正在不断改善，评级体系可考虑加入信用
风险指标，以便实施动态的跟踪衡量。
另外，为了能够更好的运用模型，这里对模型的实际运用思路进行一下
介绍。从建模的分析过程可知，利用判别模型慨。，对T+2年后的情况进行预
测的效果为理想，因此可以将Y‰，的判别结果和近几年来违约距离和盈利能
力的变动趋势结合起来进行分析。假如模型判别结果为ST类，且近3年来违
约距离和盈利能力均呈现出加速下跌的趋势，则说明公司在T+2年被ST处
理的可能性很大，上市公司应该引起足够的重视。
59
基于违约概率模型KMV的一l：市公刊财务危机颅警研究
5·总结与展望
为了考察违约概率模型KMV在上市公司财务危机预警中的作用，本文
选取2007年的ST公司以及参照公司共93家，利用样本公司2004、2005、
2006三年的财务数据和交易数据，首先对KMV模型的参数进行修正，并验
证了模型中违约点计算方法在国内的适用性：然后，运用Logistic模型．逐步
前向Wald回归方法针对各年分别构建了基于财务指标的财务预警模型和在
此基础上引入违约距离的财务预警模型，通过对6个模型在统计显著、经济
意义显著、判别效果显著三个方面的比较和分析，结论为：基于股票交易数
据的违约距离可以提高财务预警模型的解释能力和预测能力，且模型提前两
年预测的效果最佳；最后，根据研究结果，本文针对上市公司管理层、投资
者与债权人在日常风险监督管理过程及信用评级机构的定量评级体系提出了
相应的建议，并模型在实际中运用思路提出了看法。
尽管模型效果显著，但是由于本人能力有限，研究中还存在～些局限性：
(1)在计算非流通股的市场价值时，本文应用协议转让交易数据和线性
回归方法进行估算，但可能与跟实际价值会稍有偏差，但并不影响模型效果。
(2)在计算KMV模型时，为了方便计算，本文把公司的债务期限简化
为一年，这与现实中公司的债务期限结构是有区别的。
(3)本文只是按照ST标准将样本分为两类，尚不能满足现实中信用风
险评级的多层次需求。
(4)加入违约距离后模型对正常公司的判别准确率比较低，说明违约距
离的计算方法应该针对正常公司的情况做出调整。
(5)本文研究仅限于上市公司，对于非上市公司，没有交易数据，因此
没有就模型在非上市公司中的应用做出评测。
针对以上局限性，在后续研究中拟从以下几个方面进行改进：‘
(1)重估非流通股价值。我国的股改工作将近完成，等非流通股可以完
5．总结々展颦
全流通后，就可以用市场价格数据来评估非流通股的市场价值，减小模型误
差。
(2)考虑公司的债务期限结构对KMV模型影响。
(3)制定一个有公信力的合理标准，将样本按照财务风险大小分为高、
中、低三类，以增强模型的实用意义。
(4)研究KMV模型中不同参数的变化对违约距离产生的影响，针对正
常公司的情况对参数做出调整，以提高模型对正常公司的判别能力。
(5)研究如何确定非上市公司的KMV模型参数，并就模型在非上市公
司中的应用做出评测。
基于违约概二年模型KMV的I：市公刊财务危机预警研究
参考文献
【l】Altman，Financial ratios，discriminate analysis and the prediction of corporate
bankruptcy[J]。The Journal ofFinance，1968(4)：589．609．
[2】Altman，，Young Ho Eom，Failure prediction：evidence from Korea[J]。Journal
of International Financial Management and Accounting，1 995(6)：230．249．
[3】Merton，On the pricing of corporaterate：the risk structure of interestrates[J]。
Journal of Finance，1 974，(29)：44-47．
【4】Duffle and Singleton，Modeling term structures of defaultable bonds[J]。
Review of Financial Studies，1 996(1 2)：687．720．
【5]Ernest，Harish，Comparing classification accuracy ofneutral networks，binary
logit regression and discriminant analysis for insolvency prediction for life
．insurers[J】。Journal ofEconomics and Finance，1995(3)：1．18．
【6】Hull，J．，Options，Futures，and Other Derivatives，3rd Ed．，Prentice Hall
International．Inc．，1 997．
[7】Edward Altman，Andrea Resti and Andrea Sironi，Default recovery rates in
credit risk modeling：a review of the literature and empirical evidence，
Working Paper，2003．
【8】Modeling default risk[M】，KMV Corporation，2002．
【9】9 Jeffrey，R．Bohn，，Using marketing data to value credit risk instruments，KMV
corporation，1 999．
【1 0]Ohlson J．A，Financial ratios and the probabilistic prediction of bankruptcy[J]。
Journal ofAccouting Research，1980(1)：109—131．
【11】程鹏，吴冲锋，上市公司信用状况分析新方法[J】。系统工程理论方法应用，
2002(2)：89．93．
[12】鲁炜，刘冀云，KMV模型关系函数推测及其在中国股市的验证[J】。运筹
62
参考义献
与管理，2003(3)：43．47．
【131鲁炜，闵川，中外公司治理结构评价指标体系的比较我【J】。科学管理研究，
2005(11)：57．60．
【14】吕长江，徐丽莉，上市公司财务困境与财务破产的比较分析[J】。经济研究，
2004(8)：64．73．
【15】张红军，中国上市公司股权结构与公司绩效的理论及实证分析，经济科学，
2000(4)：34-44．
【16】杨星，张义强，中国上市公司信用风险管理实证研究【J】。中国软科学，2004
(1)：43．47．
[17】都红雯，杨威，我国对KMV模型实证研究中存在的若干问题及对策思考
【J】。国际金融研究，2004(11)：22．26．
[18】张鸣，程涛，上市公司财务预警实证研究的动态视角【J】。财经研究，2005
(1)：62．71．
【19】肖曙光，独立董事制度与我国上市公司业绩的相关性研究【J】。系统工程，
2006(8)87．92．
[201-马若微，KMV模型运用于中国上市公司财务困境预警的实证检验[J】。数
理统计与管理，2006(25)：593．596．
【21]谭久均，财务指标与违约距离相融合的上市公司财务预警模型[J]。系统工
程，2005(9)：111．117．
【22】刘国光，王慧敏，考虑违约距离的上市公司危机预警模型研究[J】。财经研
究，2005(1 1)：59．67．
[23]李秉祥，基于期望违约率模型的上市公司财务困境预警研究[J】。中国管理
科学，2004(5)：12～161．
【24]杨善朝，SPSS统计软件应用，广西师范大学出版社，2001(1)：130．150．
【25]张立军，刘菊红，刘丹，上市公司财务危机预警的回归分析。南昌大学学
报(理科版)，2007(3)：242．245．
[26]陆建桥，中国亏损上市公司盈余管理实证研究，会计研究，1999(9)：25．35．
【271陈险峰，吴顺祥，我国上市公司财务危机预警模型的实证研究【J】。企业经
济，2006(4)：49．51．
【28]陈忠阳，信用风险量化管理模型发展探析，国际金融研究，2000(10)：14
63
甚千违约概；簪模型KMV的．卜．市公司财务危机预警研究
一l 9．
【29]-享[g志，张绲鹏，我国上市公司财务困境预警研究[J】。当代经理人，2006
(3)：165。166．
[301梁琪，企业信用风险的量化度量研究。南开经济研究，2000(6)：30．41．
【3 l】郑茂，基于EDF模型的上市公司信用风险实证研究。管理工程学报，2005
(3)：151—154．
【32]宋雪枫，杨朝军，财务危机预警模型在商业银行信贷风险管理中的应用[J】。
国际金融研究，2006(5)：14．20．
【3312E宗萍，张淑慧，关于几种财务危机预警模型的比较【J】。企业经济，2006
(4)：136．137．
[34]T_汝芳，杜勇宏，创值与资本资产定价一非流通股定价分析，生产力研究，
2006(3)：71-73．
【35】陈晓，江东，股权多元化、公司业绩与行业竞争性【J】，经济研究，
2000(8)：28-35．
【361丁绍芳，田兵，基于违约距离的上市公司财务危机动态预警，中国现场统
计研究会第十三届学术年会论文集，2007(8)：146．149．
附录
附录一样本公司表
附录
危机公司正常公司
行业代码
证券代码证券简称证券代码证券简称证券代码证券简称
J0l 000007 ST达声000505 珠江控股000838 国兴地产
C0l 000048 *ST康达000702 正虹科技000576 广东甘化
C78 000150 *ST宜地00090l 航天科技000862 银星能源
C47 000498 *ST丹化000615 湖北金环
C81 000545 *ST吉药000669 领先科技
C65 000569 *ST长钢600784 鲁银投资
C85 000605 *ST四环000650 仁和药业
C6l 000673 *ST大水600318 巢东股份
M 000716 *ST南控000705 浙江震元
A05 000735 *ST罗牛000998 隆平高科
C8l 000750 SST集琦000790 华神集团000590 紫光古汉
C05 000799 *ST酒鬼O00596 吉井贡酒000929 兰州黄河
C75 000920 *ST汇通000957 中通客车000980 金马股份
G81 000981 SST兰光000977 浪潮信息
C11 000982 *ST中绒000712 锦龙股份
C8l 600080 *ST金花600276 恒瑞医药
G83 600139 ’ST绵高000685 公用科技
G8l 600198 *ST大唐600105 永鼎股份600498 烽火通信
C5l 600207 *ST安彩600363 联创光电600747 大连控股
M 600209 *ST罗顿600622 嘉宝集团600620 天宸股份
C61 600217 *ST秦岭600553 太行水泥600449 赛马实业
M 600223 堆ST万杰600085 同仁堂600630 龙头股份
C85 600556 ST北生600750 江中药业600297 美罗股份
C43 600599 浏阳花炮600985 雷鸣科技
C73 600604 *ST二纺600499 科达机电600560 金自天正
65
基十违约概率模型KMV的L市公司财务危机预警研究
C69 600608 *ST沪科600680 上海浮天
C73 6006lO S'ST中纺600435 中兵光电
C8l 60067l ST大目600513 联环药业60078l 上海辅t：
C65 600714 *ST金瑞600804 鹏博士
C6l 600716 *ST耀华600529 山东药玻600195 中牧股份
C43 600722 *ST沧化600352 浙江龙盛600567 杉杉股份
C13 600757 *ST源发600400 红豆股份600884
M 600817 ST宏盛600635 大众公用600805 悦达投资
H11 600828 *ST成商600830 大红鹰600785 新华百货
C76 600854 *ST春兰600627 上电股份600183 生益科技
C7l 600862 *ST通科600592 龙溪股份
注：行业分类依据中国证监会fC5RC)(2001年版)《上市公司行业分类指引》。A农、林、牧、
渔业：B采掘业：C制造业：D电力、煤气及水的生产和供应业：E建筑业：F交通运输、仓储业；
G信息技术业：H批发和零售贸易；I金融、保险业：J房地产业；K社会服务业：L传播与文化产
业：M综合类．
附录二KMV模型参数和违约距离
由于数据量庞大，因此仅把2005年危机公司和正常公司的KMV模型参
数和违约距离DD列出以供参考。
危机组KlVlV模型参数和违约距离(2005年)
代码E L R 仃E DP A ％ DD
000007 3．46E+08 7．46E+08 0．0225 0．554216 7．15E+08 1．07E+09 O．18064 1．851915
000048 5．5lE+08 9．81E+08 0．0225 0．430782 9．54E+08 1．51E+09 O．157423 2．300084
000150 6．51 E+08 1．08E+08 0．0225 0．491647 1．05E+08 7．56E+08 0．42320 1 2．033677
000498 6．97E+08 1．7lE+09 0．0225 0．490738 l，66E+09 2．37E+09 0．145461 2．043778
000545 2．28E+08 3．25E+08 0．0225 0．485521 3．2E+08 5．45E+08 0．203496 2．02959
000569 1．27E+09 1．44E+09 0．0225 0．45971 l 1．43E+09 2．68E+09 O．21 9059 2．136348
000605 2．41 E+08 2．47E+08 0．0225 0．528475 2．46E+08 4．83E+08 0．265008 1．854305
000673 3．66E+08 2．21 E+08 0．0225 O．515993 2．2lE+08 5．83E+08 0，32453 1 1．910495
000716 3．56E+08 5．53E+08 0．0225 0．528308 5．42E+08 8．97E+08 O．21135l 1．87052l
000735 1．26E+09 8．6E+08 0．0225 0．373629 7．43E+08 2．1E+09 0．22426 2．083266
000750 5．33E+08 7．65E+08 0．0225 0．50233 1 7．29E+08 1．28E+09 0．209937 2．05 1456
000799 8．82E+08 1．02E+09 0．0225 0．471177 lE+09 1．88E+09 0．22 1055 2．120023
·000920 1．3E+09 7．29E+08 0．0225 0．61 8786 7．23 E+08 2．02E+09 0．401238 1．59803
000981 6．22E+08 5．5E+08 0．0225 0．45001 5．5E+08 1．16E+09 0．241486 ．2．177286
000982 33E+08 7E．+08 0，0225 0．569043 6。76E+08 1．01E+09 O．18799 1．766779
600080 7．43E+08 1．51E+09 0．0225 0．39729 l 1．41E+09 2．22E+09 0．133373 2．70969 l
600139 1．85E+08 1．67E+08 0．0225 0．52379 1 1．51E+08 3．49E+08 0．278889 2．029584
600198 2．06E+09 3．76E+09 0．0225 0．5670l 3．62E+09 5．73E+09 0．20661 6 1．78281 l
600207 1．85E+09 1．79E+09 0．0225 0．438271 1．72E+09 3．6lE+09 0．225549 2．314152
600209 1．02E+09 3．84E+08 0．0225 0．509286 3．83E+08 1．4E+09 0．372438 1．947408
600217 1．14E+09 1．37E+09 0．0225 0．464879 1．16E+09 2．47E+09 O．213903 2．09057 l
附录
600223 I．58E+09 2．87E+09 0．0225 0．411512 2．81 E+09 4．39E+09 0．148785 2．401542
600556 1．04E+09 8．71 E+08 0．0225 0．38575 7．5l E+08 1．89E+09 O．2121 53 2．042478
600599 3．5l E+08 2．47E+08 0．0225 0．543076 2．3E+08 5．92E+08 0．322204 1．895603
600604 1．54E+09 6．89E+08 0．0225 0．563906 6．87E+08 2．22E+09 0．39289 1．756809
600608 7．68E+08 9．3 lE+08 0．0225 0．4764 9．27E+08 1．68E+09 0．218314 2．048854
600610 9．14E+08 3．83E+08 0．0225 O．610041 3．68E+08 1．29E+09 0．43336 1 1．647846
600671 3．5E+08 133E+08 0．0225 0．446406 1．33E+08 4．8E+08 0．32521 1 2．223641
600714 4．17E+08 2．59E+08 0．0225 0．6349 2．33E+08 6．69E+08 0．39701 3 1．642329
600716 1．1E+09 1．55E+09 0．0225 0．454802 1．4lE+09 2．62E+09 0．191808 2．300876
600722 9．28E+08 3．3 1E+09 0．0225 0．458094 3E+09 4．16E+09 0．10281 2．171238
600757 1．11E+09 3．36E+09 0．0225 0．479023 3．22E+09 4．39E+09 0．121799 2．1 8253
600817 4．97E+08 1．45E+09 0．0225 0．572097 1．45E+09 1．9l E+09 0．15 1999 1．596531
600828 4．3E+08 8．97E+08 0．0225 0．506628 8．93 E+08 1．31E+09 0．167859 1．88169
600854 2．47E+09 1．54E+09 0．0225 0．4437 1．54E+09 3．98E+09 0．275872 2．22225 1
600862 3．87E+08 8．5 5E+08 0．0225 0．474111 8．49E+08 1．22E+09 0．150866 2．026987
参照组KlVlV模型参数和违约距离(2005年)
代码E L R 盯￡DP A 盯月DD
000505 4．98E+08 7．73E+08 0．0225 0．468924 7．1E+08 1．25E+09 0．1 86843 2．341099
000566 4．65 E+08 2．12E+08 0．0225 0．530469 1．7E+08 6．73 E+08 0．366755 2．0439
000576 6．57E+08 7．5E+08 0．0225 0．536074 6。5E+08 lt39E+09 0．25450 l 2．07842
000590 4．65E+08 3．96E+08 0．0225 0．47999 3．8E+08 8．52E+08 0．262097 2．111319
000596 8．81E+08 5．25E+08 0．0225 0．495666 4．9E+08 1．39E+09 0．313204 2．07003 1
000615 5．82E+08 5．75E+08 0．0225 0．484313 5．1E+08 1．14E+09 0．246699 2．233304
000650 2．39E+08 4．09E+08 0．0225 0．518009 4．1E+08 6．38E+08 0．194803 1．853277
000669 2．19E+08 1．64E+08 0．0225 0．556028 1．5E+08 3．79E+08 O．321247 1．908781
000685 5．52E+08 31966505 0．0225 0．46963 1 2．4E+07 5．83 E+08 0．444462 2．156021
000702 7．62E+08 7．32E+08 0．0225 0．46594 7．3E+08 1．48E+09 0．240368 2．098337
000705 4．23 E+08 3．52E+08 0．0225 0．342047 3．5E+08 7．68E+08 0．1 88587 2．86941 5
000712 4．98E+08 1．21E+09 0．0225 0．424706 9．7E+08 1．68E+09 O．126195 3．369472
000790 5．34E+08 2．87已+08 0．0225 0．502666 2．8E+08 8．14E+08 0．329596 1．990922
000838 2．23E+08 59796444 0．0225 0．460856 6E+07 2．81E+08 0．36506 l 2．156907
000862 4．34E+08 7．25E+08 0．0225 0．562873 6．5E+08 1．14E+09 O．216067 2．097725
00090l 5．8lE+08 2．7E+08 0．0225 0．509636 2．7E+08 8．45E+08 0．350456 1．95493
000929 4．46E+08 6．34E+08 0．0225 0．404385 6．1E+08 1．07E+09 0．16918 2．534171
000957 5．74E+08 7．5 lE+08 0．0225 0．460517 7．5E+08 1．3 lE+09 0．20245 2．105229
000977 1．03E+09 5．22E+08 0．0225 0．523907 5E十08 1．54E+09 0．350872 1．933715
000980 4．52E+08 2．84E+08 0．0225 0．380705 2．6E+08 7．29E+08 0．23581 2．73534
000998 1．17E+09 8．43E：+08 0．0225 0．339768 8E+08 2E+09 O．1995l 3．002648
600085 3．92E+09 9．16E+08 0．0225 0．432325 9E+08 4．82E+09 O．35 1956 2．309449
600105 9．74E+08 1．61E+09 0．0225 0．536535 1．4E+09 2．54E+09 0．207111 2．193279
600183 2．75E+09 1．47E+09 0．0225 0．540982 1．4E+09 4．18E+09 0．355948 1．836502
600195 1．26E+09 6．2E十08 0．0225 0．450886 6．1E+08 1．86E+09 0．304199 2．211871
600276 1．89E+09 1．77E+08 0．0225 0．333178 1．5E+08 2．06E+09 0．3051 52 3．038435
600297 5．82E+08 4．62E+08 0．0225 0。400544 4。6E+08 1．03E+09 0．225574 2．463942
600318 5．56E+08 6．28E+08 0．0225 0．61 249j 5．8E+08 1．17E+09 0．294299 】．922262
600352 1．63E+09 1．13E+09 0．0225 0．494882 1．1E+09 2．74E+09 0．294779 1．98793l
600363 9．46E+08 8．59E+08 0．0225 0．492792 7．1E+08 1．78E+09 0．261394 2．304915
600400 1．08E+09 1．27E+09 0．0225 0．54462 1．2E+09 2．32E+09 0．254823 1．93109
600435 5．09E+08 1．27E+08 0．0225 0．3 50054 1．3E+08 6．33E+08 0．281532 2．840883
67
基于违约概率模型KMV的I-市公Ifj财务危机顶警研究
600449 5．87E+08 6．35E+08 0．0225 0．450205 6E+08 1．21E+09 O，21913 2．299772
600498 2．35E+09 1．53E+09 0．0225 0．46064 l I．5E+09 3．84E+09 O．281685 2．189607
600499 5．5lE+08 3．96E+08 0．0225 0．40928 3．9E+08 9．38巳+08 0．240453 2．431183
600513 3．27E+08 49438778 0．0225 0．475748 4．8E+07 3．75E+08 0．41448 2．103366
600529 1．17E+09 5．64E+08 0．0225 0．416485 5．5E+08 1．72E+09 0．2828 2．41449l
600553 8．38E+08 1．06E+09 0．0225 0．42945 1 1E+09 1．87E+09 0．192403 2．42474 l
600560 4．5E+08 4．7E+08 0．0225 0．41937l 4．7E+08 9．09E+08 0．207522 2．335 125
600567 9．13E+08 9．9E+08 0．0225 0。349853 8．3E+08 1。88E+09 0．169873 3．297369
600592 8．52E+08 2E+08 0．0225 O．33645 1．9E+08 1．05E+09 0．273628 2．980159
600620 7．28E+08 7．95E+08 0．0225 0．477889 7E+08 1．5E+09 0．231395 2．310972
600622 9．16E+08 6．32E+08 0．0225 0．421397 6．2E+08 1．53E+09 0．25175 2．361915
600627 1．99E+09 1．03E+09 0．0225 0．485049 lE+09 2．99E+09 0．322094 2．07057 1
600630 1．33E+09 2．27E+09 0．0225 0．501089 2．2E+09 3．55E+09 0．188833 1．957243
600635 2．27E+09 4．01E+09 0．0225 0．451004 3．8E+09 6．19E+09 0．165528 2．35316
600680 1．4E+09 1．07E+09 0．0225 0．552613 1．1E+09 2．45E+09 O_317193 1．974061
600747 l。59E+09 l。88E+09 0．0225 0。480368 l。8E+09 3．43E+09 0．223036 2。077105
600750 7．65E+08 4．49E+08 0．0225 0．370774 4．5E+08 1．2E+09 0．235598 2．662133
60078l 2．74E+08 2．15E+08 0．0225 0．413813 2E+08 4．84E+08 0．234407 2．463282
600784 5．52E+08 1．23E+09 0．0225 0．422563 1．2E+09 1．75E+09 O．133229 2．4】7284
600785 6．79E+08 6．99E+08 0．0225 O．321193 6．9E+08 1_36E+09 O．160069 3．087978
600804 2．97E+08 3．83E+08 0．0225 0．559287 3．7E+08 6．71E+08 0．24935 1．977018
600805 1．68E+09 3．99E+09 0．0225 0．377949 3．3E+09 5．59E+09 O．1 13947 3．6651 15
600830 7．75 E+08 5．57E+08 0．0225 0，336075 5．6E+08 1．32E+09 O．197396 2．927949
600884 1．48E+09 1．37E+09 0．0225 0．434748 1．4E+09 2．83E+09 0．228078 2．251774
600985 3．82E+08 22601785 0．0225 O．501921 2．3E+07 4．04E+08 0．47445 l 2．098985
附录三部分SAS源程序
libname Files V8。D：＼SASFiles’；／*glJ建逻辑库以存放数据集奉／
％macro DD(code，year)；严将完整的计算过程编制为带参数的宏+／
proc import out=Files．Trdinfo
datafile=”F：＼SASFiles＼1．rdinfo．xls”／率建立2004．2006年样本的交易数据集幸，
dbms2excel2000 replace；
getnames=yes；run；
proc import out=Files．STCODE
datafile=”F：＼SASFileS＼STCODE．xls”产建立危机公司数据集‘／
dbms=excei2000 replace；
gemames=yes；run；
proc import out=Files．NSTCODE
datafile=”F：＼SASFiles＼NSTCODE．xls”产建立正常公司数据集幸／
dbms=excel2000 replace；
getnames=yes；run；
附录
proc sql； ．
create table
Files．a&code．一&year
as select+from Fi les．Trdinfo where stkcd=”&code”and
date between‘2004—01—01’and’2004—12—31’；／．创建目标公司目标年份的交易数据集辜／
quit；
DATA log ret(KEEP=R stkcd date)；
SET Files．&code．&year．；
R=dif(109(PRiCE))；
output；run；
data stkcd(keep=stkcd)；
set log ret；run；
proc meal'lS data=log_ret(KEEP=R)；
varR：
output out=-std——a mean=m std=s；
run；
DATA Delta—E(KEEP--stkcd Delta_E)；
SET std_a；
merge stkcd std_a；
Delta E=sqrt(250)搴s；产计算目标公司目标年份的收益年波动率奉／
run；
proc import out=Files．VARS_&year／幸创建样本的KMV模型参数数据集(不含收益年波动
率)宰，
datafile2”F：＼SASFiles＼VARS一&year．．xls”
dbms=excel2000 replace；
getnames=yes；run；
proc sql；
create table STKVAR签select幸from Files．VARS&year where stkcd=”&code’’：
quit；
DATA STKKMV(keep=stkcd E L R DP Deita_．E)；
merge STKVAR Delta_E；严创建目标年份样本的KMV模型参数数据集(含收益年波动率)
’|
run；
proc append base2Files．KMVS_&year data=STKKMV；run；
，．目标公司目标年份违约距离计算过程车／
PROC MODEL DATA=STKKMV；
Fit F 1 F2 start=(A=1 000000000 DeltaA=O．25)／OUTEST=ESTIMATE；
D12(LOG(A／L)+(R+Delta A丰Delta A牛0．5)+0．25)／(Delta_A搴0．5)；
D2=D1·Delta A丰0．5：
基于违约概率模型KMV的i．市公司财务危机预警研究
EQ．F1=E事Delta_E—A宰Delta_A书PROBNORM(DI)；
EQ．F2=E+exp(一R★0．25)木L+PROBNORM(D2)一A+PROBNORM(D1)；
SOLVE A Delta_A／SOLVEPRINT；
ID Stkcd；run；
DATA DD(keep=Stkcd A Delta—A DD)；
MERGE VAR ESTIⅣ认TE：
DD=(A—DP)／(A幸Delta_A)；run；
proc append base=Files．DD_&year data---DD；／．将所有样本公司违约距离汇总到新数据集
●／
run；
％mend DD；
％DD(000007，2004)；，幸宏引用过程幸／ ‘
％DD(600985，2004)；
％D13(000007．2005)；
％DD(600985，2005)；
％DD(000007，2006)；
％DD(600985，2006)；
％macro Split(year)；严将危机公司和正常公司的违约距离分组输出牛／
proc sql；
create table Files．STDD_&year as select毒from Files．DD_&year,Files．Files．stcode where
DD&year．stkcd=stcode．stkcd；
quit；
proc sql；
create table Files．NSTDD_&year弱select事from Files．DD&year，Files．Files．Nstcode where
DD&year．stkcd=Nstcode．stkcd；
quit；
％mend Split；
％Split(2004)；
％Split(2005)；
％Split(2006)；
后记
后记
敲下最后一个SAS程序代码，到了论文的后记部分了。短短的一段后记，
静静地隐藏在厚厚的论文背后，不被人所注意，但是却始终在表达着什么东
西。在之前的论文写作过程中，最期待着写这一部分，因为我可以将所体味
到的酸甜苦辣全部诉说在这里。而今论文即将搁笔之际，内心却惶恐不安。
我深知自己的理论功底，写出的论文与自己作为一名金融学专业硕士毕业生
所理应达到的水平相距甚远，与恩师向重伦教授的费心指导难成正比，内心
愧疚不己。
论文选题之时，自己对财务危机预警仅仅限于国内的几篇文献，对以后
的研究充满了疑惑与不安。恩师向重伦教授频频找我谈心，为我指明进入该
领域所应采取的研究方法，并推荐若干文献以助我理清思路，正是恩师的谆
谆教导才使我坚定了信心，并以脚踏实地的态度走到最后。从选题到架构，
从撰写到修改，每一步走来，无不凝结着恩师的心血与汗水。
论文写作还参考了大量的文献，前辈们的宝贵经验一方面使我加深了这
个方向的理论认识，另一方面又启迪了本文的一些创新。正是站在这些巨人
的肩膀上，我才能够看的更远。
论文写作的关键时期，恰逢人生的艰难境遇，经济危机的阴影使得就业
形势日趋严峻，周围同学的种种困顿遭遇使我无法集中精力写作。每逢此时，
热心的朋友们总会以不厌其烦的热情开导我，．给予我极大的精神鼓舞，使我
重新打起精神，坚持着走了下来。
论文写作的最深体会乃是对于成功的反思：要学会选择，并以一如既往
的热情向目标前进，轻言放弃就是对自己、对他入的不负责1
71
堆十违约概率模型KMV的上市公司财务危机预警研究
致谢
几经修改，毕业论文终于定稿。此时此刻，回首两年半的硕士研究生生
活，心中感慨万千。在这期间，掌握了很多专业知识，结交了很多知心朋友，
懂得了很多为人处世的道理。对那些曾经给予我无私的帮助和关心的人们，
我心中的感激之情难以言表。
衷心感谢我的导师向重伦教授。论文的顺利完成与导师始终如一的精心
指导是分不开的，这其中凝聚了他的心血和思想。导师治学严谨，一丝不苟，
为人坦诚，在两年半的学习生涯中，不断地激励我、启发我，使我获益匪浅。
在这里，我向我敬重的导师向重伦教授表示最诚挚的感谢!
还要感谢西南财经大学模拟银行中心各位老师的培养与帮助，在论文的
开题答辩过程中得到众多老师的指点，使我能够及时发现研究方法的不当之
处，进而换种思路进行论文的研究，在此我对各位老师们表示最真心的感谢。
最后，我衷心感谢各位专家和教授对本论文的评阅和审议。
杨锐
2008年12月