一、引 言

中國經(jīng)過四十多年的改革開放，經(jīng)濟(jì)得到了飛速發(fā)展。就國家層面而言，經(jīng)濟(jì)體量一躍成為全球第二，僅次于美國。但是伴隨著中國經(jīng)濟(jì)的快速發(fā)展，環(huán)境問題也愈發(fā)嚴(yán)峻。伴隨著中國經(jīng)濟(jì)步入“新常態(tài)”，政府和人民的環(huán)保意識不斷增強(qiáng)，以前的那種過于追求經(jīng)濟(jì)效益而置環(huán)境污染于不顧的粗放式發(fā)展已經(jīng)難以為繼。在此大環(huán)境下，響應(yīng)中央的可持續(xù)發(fā)展戰(zhàn)略，大力發(fā)展綠色產(chǎn)業(yè)是推動中國經(jīng)濟(jì)全面轉(zhuǎn)型的必然選擇。金融行業(yè)作為實體行業(yè)的“輸血器”，應(yīng)該積極響應(yīng)政府大力推動綠色產(chǎn)業(yè)發(fā)展的政策，積極開展綠色金融業(yè)務(wù)，以承擔(dān)自身的社會責(zé)任。

綠色金融，作為區(qū)別于傳統(tǒng)金融的一個新概念，其倡導(dǎo)的可持續(xù)發(fā)展理念最早可以追溯到1972 年瑞典斯德哥爾摩的第一屆聯(lián)合國人類環(huán)境會議，在這次會議上通過了《聯(lián)合國人類環(huán)境會議宣言》，之后的《京都議定書》、《哥本哈根協(xié)議》，乃至最新的《巴黎協(xié)定》等國際性文件都一再強(qiáng)調(diào)可持續(xù)發(fā)展的重要性。2016 年的G20 杭州峰會上發(fā)布的G20《公報》更是指出，為支持在環(huán)境可持續(xù)前提下的全球發(fā)展，有必要擴(kuò)大綠色投融資。

伴隨著綠色金融概念的興起，西方發(fā)達(dá)經(jīng)濟(jì)體自20 世紀(jì)70 年代開始就陸續(xù)建立政策性的環(huán)保銀行。2003 年，由花旗集團(tuán)、巴克萊銀行、荷蘭銀行、西德意志銀行等10 家私人銀行牽頭，共同創(chuàng)立了“赤道原則”。“赤道原則”雖然是非官方的自愿性準(zhǔn)則，但是自發(fā)采納“赤道原則”的金融機(jī)構(gòu)越來越多。統(tǒng)計數(shù)據(jù)顯示，截至2018 年12 月，全球共有94 家金融機(jī)構(gòu)已經(jīng)采納“赤道原則”。這些金融機(jī)構(gòu)遍布在全球的37 個國家，從項目融資規(guī)模來看，這些金融機(jī)構(gòu)占據(jù)了新興市場70% 以上的份額。目前中國大陸采納“赤道原則”的金融機(jī)構(gòu)有2 家，分別是興業(yè)銀行和江蘇銀行。借著中國開始大力發(fā)展綠色金融的春風(fēng)，很多中小銀行也開始嘗試將“赤道原則”運用于自身的環(huán)境和風(fēng)險管理體系中，比如，湖州銀行就將“赤道原則”納入未來的發(fā)展規(guī)劃中。

(一)商業(yè)銀行與綠色金融的聯(lián)系

對商業(yè)銀行而言，綠色金融不僅意味著將綠色理念體現(xiàn)在自身的運營管理過程中，更體現(xiàn)于其將環(huán)境保護(hù)同自身信貸、投資與融資等業(yè)務(wù)相結(jié)合的實踐活動中，突顯金融與可持續(xù)發(fā)展的高度相關(guān)性。

一方面，對中國商業(yè)銀行而言，推行綠色金融不僅是國家宏觀政策的要求，同時也是其承擔(dān)自身社會責(zé)任、助推可持續(xù)發(fā)展的需要，是商業(yè)銀行在新經(jīng)濟(jì)形勢下所面臨的機(jī)遇與挑戰(zhàn)。另一方面，我國商業(yè)銀行應(yīng)當(dāng)擔(dān)負(fù)起推動綠色金融發(fā)展的責(zé)任。首先，對于中國當(dāng)前實體經(jīng)濟(jì)而言，以銀行為核心的信用體系仍是發(fā)展的中流砥柱。其次，考慮到商業(yè)銀行所擁有的業(yè)務(wù)資源、標(biāo)準(zhǔn)化項目審批與風(fēng)險管理流程、高層次的業(yè)務(wù)項目創(chuàng)新等因素，我國商業(yè)銀行在綠色金融發(fā)展領(lǐng)域具有其他金融機(jī)構(gòu)或非金融機(jī)構(gòu)所不具備的比較優(yōu)勢。因此，商業(yè)銀行應(yīng)當(dāng)成為我國綠色金融體系的開拓者和引領(lǐng)者。

(二)綠色信貸發(fā)展現(xiàn)狀

《中國綠色金融發(fā)展研究報告2019》顯示，中國在2018 年的綠色金融融資的需求在2.1 萬億元左右，而2018 年全年的綠色金融資金的總供給則只有1.3 萬億元，供需之間的差額高達(dá)8000 億元。報告還預(yù)測，中國在2019 年全年的綠色金融融資需求將上升到2.5 萬億元。由此可見，中國企業(yè)對綠色金融融資的需求極其旺盛，在未來很長一段時間還有很大的增長空間。

根據(jù)央行數(shù)據(jù)，我國綠色貸款余額呈不斷增長的趨勢。截至2018 年年底，中國主要的21 家銀行的綠色貸款余額總量已經(jīng)超過了8.23 萬億元，同比增長16%，占商業(yè)銀行對企業(yè)貸款總額的近10%，其中投向綠色交通運輸?shù)馁J款余額達(dá)3.83 萬億元，同比增長18.1%;而根據(jù)最新的數(shù)據(jù)，2019 年6 月中國主要金融機(jī)構(gòu)綠色貸款本外幣余額更是達(dá)到了9.47 萬億元，其中投向綠色交通運輸?shù)馁J款余額達(dá)4.22 萬億元。

自2017 年第三季度起，中國人民銀行開始嘗試將綠色金融納入宏觀審慎評價(MPA)考核體系，將其置于“信貸政策執(zhí)行情況”項目下。2018 年起，在考量常備借貸便利和再貸款擔(dān)保品時，更是優(yōu)先接受符合條件的綠色貸款和小微企業(yè)貸款，這些政策對于促進(jìn)綠色信貸的發(fā)展具有極強(qiáng)的指向性意義。

新能源汽車信貸作為綠色金融的一項業(yè)務(wù)，近些年在國家相關(guān)政策的大力推動下，顯示出強(qiáng)大的發(fā)展?jié)摿?。?shù)據(jù)顯示，自2018 年起中國汽車銷量整體呈現(xiàn)下降趨勢，然而新能源汽車的銷量卻呈現(xiàn)出逆勢上漲的趨勢。分析中國汽車工業(yè)協(xié)會數(shù)據(jù)可以看出，2018 年中國汽車行業(yè)總銷量為2808.1 萬輛，同比下滑2.76%;與此同時，2018 年新能源汽車總銷量為125.62 萬輛，同比上漲61.67%。

表1 近三年國家有關(guān)新能源汽車行業(yè)的政策

圖1 近年中國汽車銷量與增長率

圖2 近年中國新能源汽車銷量與增長率

(三)論文結(jié)論與創(chuàng)新

本文以新能源汽車為切入點，對中國商業(yè)銀行綠色信貸信用風(fēng)險進(jìn)行了分析與研究。同時以傳統(tǒng)企業(yè)作為參照，發(fā)現(xiàn)相對傳統(tǒng)企業(yè)信貸的信用風(fēng)險，商業(yè)銀行發(fā)放綠色信貸，其面臨的信用風(fēng)險差別不大，甚至在某些方面，綠色信貸的信用風(fēng)險會略好于傳統(tǒng)行業(yè)。因此得出結(jié)論，商業(yè)銀行在現(xiàn)階段應(yīng)該積極發(fā)展綠色信貸。

本文的創(chuàng)新點主要有以下幾方面:第一，創(chuàng)新性地將KMV 模型運用于某一具體行業(yè)的信用風(fēng)險的研究。之前國內(nèi)關(guān)于KMV 模型的研究主要是聚焦于KMV 模型運用于中國金融市場有效性的研究，另外還有一些關(guān)于KMV 模型修正的研究。此次我們嘗試將KMV 模型運用于中國新能源汽車行業(yè)，從而對中國綠色信貸的信用風(fēng)險狀況進(jìn)行研究。第二，對模型進(jìn)行修正，找出合適中國金融市場的最優(yōu)參數(shù)。KMV模型最早是用于美國市場的信用風(fēng)險的研究，此項研究最初得出的違約點(DP)=短期債務(wù)(STD)+0.5 ×長期債務(wù)(LTD)，但是此違約點(DP)計算公式中的0.5 這一參數(shù)主要針對美國市場計算得出的。倘若將其直接運用于中國市場，因其未能充分考慮中國金融市場自身存在的某些特點，因此可能造成模型的使用效果不佳;此外，此參數(shù)主要是根據(jù)上世紀(jì)九十年代的美國市場的數(shù)據(jù)計算得出，隨著時間的推移，市場環(huán)境有了變化，此模型參數(shù)的解釋力也可能會逐漸出現(xiàn)問題。綜合以上，我們設(shè)置了21 組參數(shù)，利用Python 繪制CAP 曲線，計算出相應(yīng)的精確比率值(AR)，從而找出最符合中國金融市場特點的一組參數(shù)。

二、文獻(xiàn)評述

(一)“綠色金融”的定義及商業(yè)銀行針對綠色信貸的風(fēng)險測度

“綠色金融”的興起，源于環(huán)境破壞問題越來越嚴(yán)重，人們的環(huán)保意識不斷增強(qiáng)，開始越來越注重可持續(xù)發(fā)展。在此背景下各國開始審視自身的發(fā)展，“綠色金融”作為助推各國經(jīng)濟(jì)轉(zhuǎn)型的一種金融支撐，受到的重視程度不斷增強(qiáng)。

然而，國內(nèi)外針對“綠色金融”的定義側(cè)重點有所不同。國外針對“綠色金融”的研究較早，其對綠色金融的研究最早是以“環(huán)境金融”的概念出現(xiàn)的，Jose Salazar (1998)認(rèn)為，環(huán)境金融是金融行業(yè)和環(huán)保產(chǎn)業(yè)的結(jié)合，以通過金融的手段達(dá)到保護(hù)環(huán)境的目的。①

聯(lián)合國環(huán)境規(guī)劃署將“綠色金融”定義為，在改善人類福祉和社會公平的同時大大減少環(huán)境風(fēng)險和生態(tài)稀缺的一種經(jīng)濟(jì)。Henry Sch?fer(2017)提到，“綠色金融”在很多國家被理解為一種新的經(jīng)濟(jì)秩序，它釋放了創(chuàng)新力量并增強(qiáng)了企業(yè)家減少溫室氣體排放量和削減資源負(fù)載的能力。②

方灝、馬中(2010)認(rèn)為環(huán)境金融的本質(zhì)是以環(huán)境保護(hù)為目的的一種創(chuàng)新型金融模式。③張宇和錢水土(2017)綜合國內(nèi)外學(xué)者對綠色金融的認(rèn)識，提出綠色金融旨在通過創(chuàng)新金融工具、金融扶持政策和金融發(fā)展模式以解決氣候變化和環(huán)境污染等問題，從而實現(xiàn)經(jīng)濟(jì)、社會和環(huán)境的可持續(xù)發(fā)展。④《中國綠色金融發(fā)展研究報告2019》中給出了綠色金融簡明的定義，認(rèn)為綠色金融就是金融行業(yè)對環(huán)境污染治理和生態(tài)環(huán)保等綠色產(chǎn)業(yè)給予資金支持?！蛾P(guān)于構(gòu)建綠色金融體系的指導(dǎo)意見》指出，綠色金融旨在通過貸款、私人股本等一系列政策、體制安排和相關(guān)基礎(chǔ)設(shè)施的建設(shè)，發(fā)行債券和股票，以及通過保險和其他金融服務(wù)，將私人資金引向綠色產(chǎn)業(yè)。

商業(yè)銀行綠色信貸是國家大力倡導(dǎo)的一項業(yè)務(wù)，作為近些年開始興起的信貸形式，雖然存在一定的信用風(fēng)險，但是國內(nèi)外都有研究表明，綠色信貸的發(fā)展有利于降低商業(yè)銀行的整體風(fēng)險，提升商業(yè)銀行的盈利表現(xiàn)。王潔(2016)認(rèn)為，綠色信貸有助于提升商業(yè)銀行風(fēng)險管理能力，在建立良好聲譽的同時提升商業(yè)銀行核心競爭力。李蘇等(2017)提取了2011 ～2015年間16 家上市銀行的數(shù)據(jù)，對其進(jìn)行分析研究后得出結(jié)論:商業(yè)銀行開展綠色信貸對商業(yè)銀行的業(yè)績提升有正向推動作用;綠色信貸的實施能在一定程度上降低銀行整體風(fēng)險。⑤劉忠璐、王鵬英(2019)對綠色信貸和商業(yè)銀行盈利之間的傳導(dǎo)機(jī)制進(jìn)行了研究，發(fā)現(xiàn)兩者之間呈現(xiàn)負(fù)相關(guān)關(guān)系，其可能的原因是當(dāng)前綠色信貸對銀行綠色信貸業(yè)務(wù)的創(chuàng)新和風(fēng)險管理方面的積極作用并未充分發(fā)揮出來。⑥

不可否認(rèn)，雖然綠色信貸近些年的比重不斷增加，但是綠色信貸的效果并沒有完全發(fā)揮出來，可以預(yù)計未來綠色信貸會有極大的發(fā)展空間。此外，因為綠色信貸蘊含著一定的信用風(fēng)險，銀行業(yè)開展自身業(yè)務(wù)時，防風(fēng)險是其重點考量的一個方面，因此對于綠色信貸風(fēng)險的精準(zhǔn)度量和量化對銀行業(yè)開展綠色金融業(yè)務(wù)顯得尤為重要。

(二)關(guān)于KMV 模型的綜述

KMV 模型是由美國KMV 公司于1997 年創(chuàng)制的用以估計借款公司違約概率的一種方法，其主要思想源于Black -Scholes 期權(quán)定價公式，利用公司股權(quán)的市場價值以及股權(quán)價值的波動率、到期時間、無風(fēng)險利率和債務(wù)的賬面價值估算出公司資產(chǎn)的市場價值以及資產(chǎn)價值的波動率。

Matthew Kurbat 和Irina Korablev (2002)使用Calibration 和Level validation 方法，并結(jié)合上千家美國公司的財務(wù)數(shù)據(jù)，對KMV 模型的有效性進(jìn)行了驗證，最終證明KMV 模型在預(yù)測公司違約方面有較好的效果。⑦Crosbie 和Bohn(2003)將KMV 模型運用于金融公司的違約測算，發(fā)現(xiàn)違約距離(EDF)能夠較好地預(yù)測此類公司的信用狀況變化。⑧

王瓊和陳金賢(2002)研究發(fā)現(xiàn)，KMV 模型中當(dāng)企業(yè)價值在短期負(fù)債±50 %長期負(fù)債附近時企業(yè)最容易發(fā)生違約。由于違約距離是經(jīng)過標(biāo)準(zhǔn)化處理的一種度量信用風(fēng)險的方法，所以可以用在不同的公司之間進(jìn)行比較。①曹道勝和何明升(2006)認(rèn)為，KMV模型針對中國證券市場也有較強(qiáng)的適用性，原因在于:首先，KMV 模型采用的數(shù)據(jù)主要是公司的財務(wù)數(shù)據(jù)和股票交易數(shù)據(jù)，因此對于所有股權(quán)公開在市場上交易的上市公司都是適用的;其次，KMV 模型對市場有效性并無要求;再者，KMV 模型中使用的財務(wù)數(shù)據(jù)也主要是債務(wù)賬面價值，這就使得即使公司存在會計信息失真的情況也不會對KMV 模型的有效性造成太大的影響。此外，有部分研究將傳統(tǒng)的KMV 模型進(jìn)行一定的修正，以期更好地符合中國金融市場的特點。②蔣彧和高瑜(2015)針對中國市場的特點，對KMV 模型進(jìn)行了一定的修正，運用修正的KMV 模型對中國的上市公司進(jìn)行信用風(fēng)險評估，并檢驗修正后的模型的信用風(fēng)險識別和預(yù)測能力，最終發(fā)現(xiàn)修正后的KMV 模型對于中國上市公司信用風(fēng)險具有較強(qiáng)的預(yù)測能力。③

三、研究方法

(一)KMV 模型

使用KMV 模型的一個重點是計算出客戶違約概率，其主要計算步驟如下:第一步，估算公司的市場價值及其波動率。此過程主要使用的是公司股權(quán)的市場價值、股價波動率及債務(wù)帳面價值的數(shù)據(jù)。第二步，確定公司的違約點(DP)，并計算出違約距離(DD)。先用目前公司價值估算公司預(yù)期價值，再綜合使用公司預(yù)期價值以及公司價值的波動率測算出公司的違約距離。第三步，確定違約距離與違約率之間的對應(yīng)關(guān)系。此過程主要依據(jù)公司的違約歷史數(shù)據(jù)來確定。

1. 估算公司的市場價值及其波動率

影響公司是否違約的最主要因素是公司資產(chǎn)的價值及波動率，但這兩項數(shù)據(jù)無法通過直接觀察得到。但是對于一家上市公司而言，公司股票的市場價值及其波動率可以通過觀察而得到。

按照期權(quán)的思想，我們可以對公司的股權(quán)價值做出以下理解:若公司的融資方式只有股權(quán)和債券兩種方式，債務(wù)到期時，若公司資產(chǎn)價值V 高于公司的債務(wù)價值D，則公司可以償還其全部債務(wù);若公司的價值不足以彌補(bǔ)公司的債務(wù)價值，則公司即使耗費其全部資產(chǎn)仍不能償還其債務(wù)，此時便會發(fā)生違約。因此，可以將公司的股權(quán)價值視為歐式看漲期權(quán)，其標(biāo)的資產(chǎn)為公司的總資產(chǎn)V，執(zhí)行價格則是公司的債務(wù)價值。因此我們便可以借由Black-scholes 模型將公司股權(quán)的市場價值視作看漲期權(quán)，從而計算得出其股權(quán)的市場價值，其計算公式如下:

其中，E 表示股權(quán)的市場價值(亦即看漲期權(quán)的價值)，D 表示負(fù)債的賬面價值(執(zhí)行價格)，V 表示公司資產(chǎn)的市場價值，t 表示公司債務(wù)到期時間，r 表示無風(fēng)險借入或貸出利率，σA 表示資產(chǎn)價值的標(biāo)準(zhǔn)差，N(·)表示正態(tài)分析累計概率函數(shù)。

上式中的資產(chǎn)價值V 和資產(chǎn)價值波動率σA 是未知的，但是我們可以借由公司股票收益率波動率σE和σA 之間存在的關(guān)系:求得公司資產(chǎn)價值的標(biāo)準(zhǔn)差σA 。

2. 計算違約距離

理論上講，當(dāng)公司資產(chǎn)的市場價值低于債務(wù)賬面價值時，公司就會違約。但是公司負(fù)債中的長期負(fù)債由于償還期限較長往往能減緩公司償債壓力，從而降低公司違約的可能性。原始的KMV 模型中違約點(DP)=短期債務(wù)(STD)+0.5* 長期債務(wù)(LTD)，因為KMV 公司在建立KMV 模型的過程中經(jīng)過反復(fù)的計算分析發(fā)現(xiàn)，當(dāng)公司價值處于短期債務(wù)加上50%的長期債務(wù)這個臨界點時最容易發(fā)生違約事件。

但是考慮到中國金融市場自身的特點，此公式中的參數(shù)不一定是中國金融市場中的最優(yōu)參數(shù)，因此本文嘗試了21 組參數(shù)(0 到1 之間以5%為間隔遞增)，不斷更改違約點(DP)，計算公式中長期負(fù)債的系數(shù)，可得到同一公司同一時間點下的不同違約距離，將其視為風(fēng)險分?jǐn)?shù)便可得到不同參數(shù)設(shè)置下違約觸發(fā)點模型的累計精度曲線(CAP 曲線)。CAP 曲線是描述評級結(jié)果下，累計違約客戶比例與累計客戶比例的關(guān)系。在完美的模型下，CAP 曲線是一條折線，在拐點之前其斜率為1/違約率，直線上升到1 之后就會一直停留在1;反之，隨機(jī)模型下，模型的CAP 曲線是一條直線，其斜率為1，此模型對違約客戶和非違約客戶完全沒有區(qū)分能力;而待驗?zāi)Ｐ偷腃AP 曲線一般介于上述兩條曲線之間。而精確比率(AR 值)的定義為:待驗?zāi)Ｐ虲AP 曲線與隨機(jī)模型CAP 曲線之間的區(qū)域，與介于隨機(jī)模型CAP 曲線和完美模型CAP 曲線之間的區(qū)域的比率。利用精確比率(AR 值)可以較好地量化與比較待驗?zāi)Ｐ歪槍`約客戶和非違約客戶之間的區(qū)分能力。因此我們結(jié)合每組參數(shù)精確比率(AR 值)分析，試圖找出最貼合中國金融市場的參數(shù)。

然后我們在違約點(DP)的基礎(chǔ)上，利用公式:

其中，DD 表示違約距離，E(V1)表示預(yù)期資產(chǎn)價值，DP 表示違約點，σA 表示資產(chǎn)價值的標(biāo)準(zhǔn)差。

違約距離是經(jīng)過標(biāo)準(zhǔn)化處理的，因此不同公司之間的違約距離可以直接進(jìn)行比較，從而對公司信用狀況進(jìn)行度量。違約距離越大，表明公司越有能力在債務(wù)到期時對債務(wù)進(jìn)行償還，其發(fā)生債務(wù)違約的可能性越小，也即表明公司的信用狀況越好。該數(shù)值越小，表明公司可能存在無法償還債務(wù)的風(fēng)險，其發(fā)生債務(wù)違約的可能性越大，也即表明公司的信用狀況越差。因此，違約距離是一個較好地度量公司信用狀況的指標(biāo)。

3. 確定違約距離與違約率之間的對應(yīng)關(guān)系

為了方便計算違約概率(EDF)，我們通常假設(shè)公司資產(chǎn)價值的分布滿足正態(tài)分布，因此我們就可以用違約距離計算出違約概率。

圖3 CAP 曲線

(二)數(shù)據(jù)處理

1. 股權(quán)價值

考慮到我國大量上市公司流通股和非流通股并存的現(xiàn)象，而非流通股沒有交易價格數(shù)據(jù)，因此我們在計算上市公司股權(quán)價值時采用以下公式:

上市公司股權(quán)價值=年平均收盤價* 流通股數(shù)量+每股凈資產(chǎn)* 非流通股數(shù)量

2. 股價波動率

本文假設(shè)上市公司的股票價格服從對數(shù)正態(tài)分布，采用通過歷史數(shù)據(jù)估計波動率的方法，其基本計算過程如下:

則ui 的標(biāo)準(zhǔn)差σ 通常估計為:

根據(jù)上式可得出股票的周收益波動率，則年收益波動率為:

其中ui 為第i 周股票價格周收益率，Si 和Si-1 為第i周和第i -1 周股票未復(fù)權(quán)的周收盤價格，n 為一年內(nèi)的股票交易周數(shù)。

3. 無風(fēng)險利率

本文選用一年期國債收益率作為無風(fēng)險利率，其中2018 年的無風(fēng)險利率為3.012%。

4. 期限長度

本文中的期限長度取1 個會計年度。

四、實證研究

(一)確定違約點

我們在Wind 中挑選出僅在A 股上市的公司，在此基礎(chǔ)上選擇了20 家于2018 年首次被ST 的公司，以此作為違約公司，另外還選取了120 家非ST 公司作為對照組。

為了找出KMV 模型中最優(yōu)的違約點計算參數(shù)，本文嘗試了21 組參數(shù)(0 到1 之間以5%為間隔遞增，第一組待驗?zāi)Ｐ蜑镈P=短期負(fù)債，第二組待驗?zāi)Ｐ蜑镈P=短期負(fù)債+5%長期負(fù)債，以此類推，最后一組待驗?zāi)Ｐ蜑镈P =短期負(fù)債+100%長期負(fù)債)，通過KMV模型計算出各組參數(shù)下每個公司在2018 年底的違約距離，并進(jìn)一步得出各待驗?zāi)Ｐ拖碌腃AP 曲線。

為了更直觀地看出哪組待驗?zāi)Ｐ偷膶`約公司和非違約公司的區(qū)分力更強(qiáng)，我們利用Python 程序計算得出各組待驗?zāi)Ｐ途_比率(AR)的數(shù)值，整理后的數(shù)據(jù)如下表所示:

表2 各組待驗?zāi)Ｐ偷木_比率值

(續(xù)表)

分析上表可以得出，當(dāng)DP =短期負(fù)債+10%長期負(fù)債時，模型具有最大AR 值(0. 8627)，此時的KMV 模型具有最強(qiáng)的解釋力，即此模型能夠很好地將違約公司和非違約公司區(qū)分開來。因此，本文后續(xù)選擇的模型為DP =短期負(fù)債+10%長期負(fù)債，并以此來對新能源汽車行業(yè)進(jìn)行分析。

(二)分析新能源汽車產(chǎn)業(yè)的信用風(fēng)險

在Wind 行業(yè)數(shù)據(jù)庫中篩選出新能源汽車相關(guān)企業(yè)的數(shù)據(jù)，最終挑選出41 家新能源汽車企業(yè)，此外還選取了31 家相對成熟的傳統(tǒng)產(chǎn)業(yè)的企業(yè)作為對照組。針對這些企業(yè)，我們選取每家公司2016 ～2018年三年間每周收盤數(shù)據(jù)處理后，使用Python 程序得出公司的信用風(fēng)險測度結(jié)果，并計算出新能源汽車產(chǎn)業(yè)和傳統(tǒng)產(chǎn)業(yè)公司之違約距離值，最終的結(jié)果如下:

表3 近年新能源汽車產(chǎn)業(yè)與傳統(tǒng)產(chǎn)業(yè)企業(yè)違約距離

通過上文分析可知，在KMV 模型中違約距離越大，意味著企業(yè)違約的概率越小;距離越小，企業(yè)違約的概率越大。

因此分析上表數(shù)據(jù)可以看出，在近三年中，除了2017 年兩個產(chǎn)業(yè)的違約距離平均值都超過了3 以外，其余兩年的違約距離都較為穩(wěn)定。新能源汽車在違約距離方面的綜合表現(xiàn)某些時候優(yōu)于傳統(tǒng)行業(yè)，新能源汽車近三年的違約距離除了2017 年之外都略高于傳統(tǒng)行業(yè)，標(biāo)準(zhǔn)差都略低于傳統(tǒng)行業(yè)，極差也較小。實證結(jié)果顯示:與傳統(tǒng)產(chǎn)業(yè)相比較，新能源汽車產(chǎn)業(yè)內(nèi)部各企業(yè)的信用風(fēng)險差異相對較小。

表4 Levene 檢驗與T 檢驗

利用SPSS 軟件對2016 ～2018 年三年間的數(shù)據(jù)進(jìn)行獨立樣本檢驗，在方差方程Levene 檢驗中，除了2017 年，其余兩年P(guān) 值均高于0.1;在均值方程t 檢驗中，近三年的P 值均高于0.05，說明此時新能源汽車產(chǎn)業(yè)和傳統(tǒng)產(chǎn)業(yè)之間的違約距離差異并不顯著。

表5 近年新能源汽車產(chǎn)業(yè)企業(yè)違約距離統(tǒng)計

分析上表數(shù)據(jù)可知:縱向而言，新能源汽車產(chǎn)業(yè)三個板塊違約距離的平均值除了在2017 年較高之外，其余兩年較為穩(wěn)定，即其信用風(fēng)險較為穩(wěn)定;而標(biāo)準(zhǔn)差在各個子版塊表現(xiàn)則有所不同，2017 年違約距離整體處于較高水平，相對而言標(biāo)準(zhǔn)差增加幅度不是很大，這表明2017 年新能源汽車產(chǎn)業(yè)處于較好的發(fā)展時期。相對而言，2018 年新能源汽車產(chǎn)業(yè)發(fā)展有所減緩。由此可以看出，新能源汽車產(chǎn)業(yè)各個子版塊的信用風(fēng)險狀況較為穩(wěn)定，都在逐漸趨于成熟，一定程度上也可看出綠色信貸業(yè)務(wù)在商業(yè)銀行業(yè)務(wù)中具有良好的發(fā)展?jié)摿Α?/p>

橫向而言，三大板塊中整車制造板塊在違約距離平均值方面表現(xiàn)相對較差，但是其在標(biāo)準(zhǔn)差方面表現(xiàn)最好，說明整車制造板塊企業(yè)內(nèi)部差異較小。核心零部件板塊在違約距離平均值方面表現(xiàn)相對較好，但是其在標(biāo)準(zhǔn)差方面表現(xiàn)最差，說明核心零部件板塊企業(yè)內(nèi)部差異較大。

五、結(jié) 論

商業(yè)銀行有別于一般的金融機(jī)構(gòu)，其業(yè)務(wù)的開展極為重視風(fēng)險防控。綠色信貸作為一種新興的信貸業(yè)務(wù)，雖然國家和政府都在大力推動，中國人民銀行也采取了多項措施，試圖鼓勵商業(yè)銀行增加綠色信貸在其信貸總額中的占比，但是綠色信貸要想取得長足的發(fā)展，就必須要從源頭上對綠色信貸的信用風(fēng)險進(jìn)行分析，這樣才能盡可能地降低商業(yè)銀行在開展綠色信貸時的憂慮，從根本上促進(jìn)綠色金融的發(fā)展。

本文正是由此目的出發(fā)，通過對KMV 模型進(jìn)行修正，并將修正后的KMV 模型用于分析新能源汽車產(chǎn)業(yè)與傳統(tǒng)產(chǎn)業(yè)近年來的信用風(fēng)險狀況，最終發(fā)現(xiàn)兩種信貸業(yè)務(wù)在信用風(fēng)險上總體表現(xiàn)較為接近，甚至在某些時候綠色信貸的表現(xiàn)優(yōu)于針對傳統(tǒng)行業(yè)發(fā)放的信貸。此外，通過分析可以看出，這兩個產(chǎn)業(yè)的信用風(fēng)險都較為穩(wěn)定，因此商業(yè)銀行大力推廣綠色信貸的風(fēng)險整體是可控的。深入分析新能源汽車產(chǎn)業(yè)內(nèi)部子版塊可以發(fā)現(xiàn)，其內(nèi)部各子板塊信貸情況存在一定的差異，因此商業(yè)銀行在針對新能源汽車產(chǎn)業(yè)開展綠色信貸時，也需要充分考慮到各子版塊自身的特點，以確保為其提供的綠色信貸產(chǎn)品更有針對性。最后，經(jīng)過修正后的KMV 模型，能夠較好地運用于綠色金融風(fēng)險管理。參照以往行業(yè)發(fā)展的一般規(guī)律，在接下來的幾年，隨著綠色行業(yè)的不斷成熟，政府勢必會削減對綠色產(chǎn)業(yè)的扶持力度。在無政府補(bǔ)貼的市場里，綠色產(chǎn)業(yè)的企業(yè)競爭力和盈利能力必然會受到較大的影響。因此，如何有效地對綠色金融的風(fēng)險進(jìn)行量化和防控將會是商業(yè)銀行開展綠色金融業(yè)務(wù)重點考量的一個方面。如何對KMV 模型進(jìn)行修正，使之更好地度量綠色金融業(yè)務(wù)的信用風(fēng)險，也是一個值得研究的方向。