论文部分内容阅读
本文以发生债券实质性违约的25家上市公司及其对比公司、30家钢铁行业上市公司、29家煤炭行业上市公司为研究对象，以KMV模型为研究理论基础，通过数据收集和处理，运用Excel、Matlab和Stata等软件计算研究对象的违约距离和变化，进行实证研究，得到以下重要结论:
第一，使用债券市场上发生实质性违约的上市公司财务和市场数据对违约点进行修正并设置在DP=0.96×SD+1.05×LD时，在对其进行同行业、近似资产规模的配对上市公司违约距离差异显著性T检验时，在99％置信水平下存在显著性差异，且正常样本组违约距离高于违约样本组。说明对违约点进行修正后的KMV模型可以较为有效的识别上市公司信用风险的高低，利用修正后的l洲V模型计算的违约距离对上市公司信用风险进行量化分析具有可行性。
第二，2015年钢铁和煤炭行业整体产能过剩严重，行业景气度低，竞争激烈，行业内公司经营压力很大，盈利能力差亏损严重，经营活动净现金流表现差，叠加负债率高债务负担重等问题，行业内公司偿债能力较弱，信用风险较高;而2016年以来，去产能等供给侧改革政策大力推进之后，钢铁和煤炭行业景气度明显改善，行业内公司经营和财务状况大幅改善，偿债能力提高，信用风险降低。本文利用修正后的KMV模型所计算的同一上市公司2018年的违约距离也明显高于2015年，并且对其差异显著性进行T检验时，在99％置信水平下存在显著性差异，且2018年违约距离高于2015年，并且在对比过程中还发现2018年发生债券实质性违约的永泰能源其2018年违约距离较2015年发生了下降，也说明修正后模型具有识别信用风险高低的能力。
第三，利用修正后的KMV模型对2018年钢铁和煤炭上市公司信用风险进行实证分析发现，违约距离较大的上市公司往往负债率较低，这与一般负债率越高信用风险越高的预期较为一致，另外，资产规模大小和企业性质也对上市公司的信用风险水平产生一定影响，一般资产规模较大，股东背景强的公司其信用风险相对较低。在对违约距离和负债率线性相关性检验时，在99％置信水平下斜率显著不等于零，且斜率为负值，说明违约距离与负债率具有负向的关系。另外，本文还发现2018年计算的违约距离较低的:.cST大洲在2019年被连续其他风险提示和退市风险提示，并且其公告显示有违约的非债券债务，这也进一步说明修正后具有识别信用风险高低的能力。
第一，使用债券市场上发生实质性违约的上市公司财务和市场数据对违约点进行修正并设置在DP=0.96×SD+1.05×LD时，在对其进行同行业、近似资产规模的配对上市公司违约距离差异显著性T检验时，在99％置信水平下存在显著性差异，且正常样本组违约距离高于违约样本组。说明对违约点进行修正后的KMV模型可以较为有效的识别上市公司信用风险的高低，利用修正后的l洲V模型计算的违约距离对上市公司信用风险进行量化分析具有可行性。
第二，2015年钢铁和煤炭行业整体产能过剩严重，行业景气度低，竞争激烈，行业内公司经营压力很大，盈利能力差亏损严重，经营活动净现金流表现差，叠加负债率高债务负担重等问题，行业内公司偿债能力较弱，信用风险较高;而2016年以来，去产能等供给侧改革政策大力推进之后，钢铁和煤炭行业景气度明显改善，行业内公司经营和财务状况大幅改善，偿债能力提高，信用风险降低。本文利用修正后的KMV模型所计算的同一上市公司2018年的违约距离也明显高于2015年，并且对其差异显著性进行T检验时，在99％置信水平下存在显著性差异，且2018年违约距离高于2015年，并且在对比过程中还发现2018年发生债券实质性违约的永泰能源其2018年违约距离较2015年发生了下降，也说明修正后模型具有识别信用风险高低的能力。
第三，利用修正后的KMV模型对2018年钢铁和煤炭上市公司信用风险进行实证分析发现，违约距离较大的上市公司往往负债率较低，这与一般负债率越高信用风险越高的预期较为一致，另外，资产规模大小和企业性质也对上市公司的信用风险水平产生一定影响，一般资产规模较大，股东背景强的公司其信用风险相对较低。在对违约距离和负债率线性相关性检验时，在99％置信水平下斜率显著不等于零，且斜率为负值，说明违约距离与负债率具有负向的关系。另外，本文还发现2018年计算的违约距离较低的:.cST大洲在2019年被连续其他风险提示和退市风险提示，并且其公告显示有违约的非债券债务，这也进一步说明修正后具有识别信用风险高低的能力。