《基于KMV模型的綠色信貸風(fēng)險實證研究》15000字【論文】

1-2-基于KMV模型的綠色信貸風(fēng)險實證研究摘要為實現(xiàn)“雙碳”目標(biāo)，政府對綠色金融的支持力度空前，2021年《綠色債券支持項目目錄（2021年版）》、《銀行業(yè)金融機(jī)構(gòu)綠色金融評價方案》等綠色金融政策積極推動了綠色貸款和綠色債券納入機(jī)構(gòu)評級，完善了我國綠色金融體系。在此背景下，我國綠色信貸發(fā)行規(guī)模激增，環(huán)保行業(yè)在融資和投資等方面迎來了新的機(jī)遇，并成為了國家實現(xiàn)經(jīng)濟(jì)轉(zhuǎn)型和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的重點；綠色信貸業(yè)務(wù)還對商業(yè)銀行提升自身潛在經(jīng)營績效、優(yōu)化信貸結(jié)構(gòu)和風(fēng)險管理具有積極影響。然而2020年，新冠疫情爆發(fā)，環(huán)保型企業(yè)低收益、投資回收周期長的特點使得整體行業(yè)面臨嚴(yán)峻的挑戰(zhàn)，也對商業(yè)銀行發(fā)展綠色金融業(yè)務(wù)提出了新的要求。因此度量環(huán)保型企業(yè)在疫情前后的信用風(fēng)險對企業(yè)自身、金融機(jī)構(gòu)和社會均具有重要意義。KMV模型可用來評估企業(yè)信用風(fēng)險，但傳統(tǒng)的違約點是利用美國的資本市場數(shù)據(jù)確定參數(shù)，考慮到模型使用市場和時間的差異性，本文首先結(jié)合2021年的各行業(yè)的最新市場數(shù)據(jù)修正KMV模型，再將模型應(yīng)用到環(huán)保型企業(yè)的信用風(fēng)險度量中，并對疫情前后的環(huán)保型企業(yè)的季度和年度信用風(fēng)險度量結(jié)果進(jìn)行統(tǒng)計分析和獨立樣本t檢驗，觀察時變情況。最終歸納出環(huán)保行業(yè)信用風(fēng)險在2015至2021年的變化規(guī)律，說明疫情前，行業(yè)整體發(fā)展向好，但疫情的沖擊使得行業(yè)短期內(nèi)風(fēng)險上升，整體表現(xiàn)低迷，但長期來看，行業(yè)整體恢復(fù)能力較強(qiáng)，并發(fā)生了企業(yè)分化，因此根據(jù)行業(yè)內(nèi)不同企業(yè)的違約距離變化表現(xiàn)，整理出風(fēng)險抵抗能力較強(qiáng)和恢復(fù)能力較強(qiáng)的企業(yè)名單。全文首先論述了研究的背景和意義，其次歸納有關(guān)綠色信貸、綠色信貸風(fēng)險和KMV模型的相關(guān)文獻(xiàn)，說明研究內(nèi)容、方法及創(chuàng)新點，并在實證研究前詳細(xì)闡述有關(guān)KMV模型使用的理論框架并進(jìn)行了模型適用性分析，最后針對實證結(jié)果進(jìn)行結(jié)果分析和展望，并列出主要參考文獻(xiàn)。關(guān)鍵詞：綠色金融；信用風(fēng)險；KMV模型；新冠疫情目錄TOC\o"1-2"\h\z\u一、研究背景和意義 1（一）研究背景 1（二）研究意義 2二、文獻(xiàn)綜述 2（一）綠色信貸相關(guān)研究 3（二）綠色信貸信用風(fēng)險相關(guān)研究 3（三）KMV模型相關(guān)研究 4三、研究的內(nèi)容、方法及創(chuàng)新點 5（一）研究內(nèi)容 5（二）研究方法 5（三）創(chuàng)新點 6四、KMV模型理論框架 6（一）KMV模型簡介 6（二）KMV模型基本假設(shè) 6（三）KMV模型的計算過程 7（四）KMV模型的參數(shù)設(shè)定與修正 8（五）KMV模型的適用性分析 9五、KMV模型關(guān)于綠色信貸的實證分析 9（一）模型的思路與框架 9（二）數(shù)據(jù)樣本的選取 10（三）KMV模型實證結(jié)果 10六、研究結(jié)論與展望 18（一）結(jié)論 19（二）展望 19主要參考文獻(xiàn) 21PAGE1一、研究背景和意義（一）研究背景近年來，我國在生態(tài)環(huán)境保護(hù)方面的工作取得了不菲的成績，生態(tài)型經(jīng)濟(jì)模式逐漸替代了資源型經(jīng)濟(jì)模。2022年1月24日，生態(tài)環(huán)境部介紹2021年我國生態(tài)環(huán)境保護(hù)工作成果，指出其中8項國民經(jīng)濟(jì)和社會發(fā)展計劃中生態(tài)環(huán)境領(lǐng)域約束性指標(biāo)完成，單位GDP二氧化碳排放指標(biāo)達(dá)到“十四五”序時進(jìn)度要求，盡管我國自然保護(hù)工作取得了一定的進(jìn)展，但是生態(tài)環(huán)境資源仍舊受到了大大小小的破壞：在我國范圍內(nèi)，135個地級及以上城市環(huán)境空氣質(zhì)量沒有達(dá)到標(biāo)準(zhǔn)，337個城市累計發(fā)生嚴(yán)重污染345天；30個城市國家地表水考核斷面水環(huán)境質(zhì)量不如人意；需要重點關(guān)注和保護(hù)的高等植物達(dá)10102，占評估總數(shù)接近30%，其中受威脅達(dá)3767種，近危（NT）達(dá)2723種。由此可見，我國經(jīng)濟(jì)生態(tài)友好轉(zhuǎn)型刻不容緩，環(huán)境保護(hù)仍然任重道遠(yuǎn)。1974年，“生態(tài)銀行”在德國誕生，旨在為環(huán)保項目，尤其是一般銀行無法接受的項目提供優(yōu)惠貸款；美國于1980年提出《超級基金法案》，明確了商業(yè)銀行在環(huán)境保護(hù)中的職責(zé)；2002年10月，在國際知名商業(yè)銀行會議上，“赤道原則”被第一次提出，其后成為了企業(yè)貸款準(zhǔn)則，被全球金融機(jī)構(gòu)廣泛運用。隨著我國經(jīng)濟(jì)建設(shè)不斷突破，統(tǒng)籌生態(tài)和經(jīng)濟(jì)協(xié)同發(fā)展越來越得到重視，近年來，我國相關(guān)政策陸續(xù)推出：如《綠色信貸指引》、《綠色信貸統(tǒng)計制度》等政策于2012至2015年間相繼出臺，為商業(yè)銀行發(fā)展綠色信貸業(yè)務(wù)提供有力支撐；2016年，綠色金融、綠色金融體系由央行等相關(guān)部門重新定義，并提出大力發(fā)展綠色信貸以實現(xiàn)可持續(xù)發(fā)展目標(biāo)《關(guān)于構(gòu)建綠色金融體系的指導(dǎo)意見》（銀發(fā)【2016】228號）主要內(nèi)容；2018年，央行提出綠色貸款將優(yōu)先作為常備借貸便利的擔(dān)保品人民銀行《貨幣政策執(zhí)行報告(2017年4季度)》披露內(nèi)容；2021年4月，《綠色債券支持項目目錄(2021年版)》促進(jìn)綠色項目的界定標(biāo)準(zhǔn)逐漸明晰；2021年11月，國務(wù)院常務(wù)會議提出的2000億元煤炭清潔能源高效利用專項貸款。《關(guān)于構(gòu)建綠色金融體系的指導(dǎo)意見》（銀發(fā)【2016】228號）主要內(nèi)容人民銀行《貨幣政策執(zhí)行報告(2017年4季度)》披露內(nèi)容伴隨綠色金融制度的不斷完善和結(jié)構(gòu)性貨幣政策定向支持信貸資金流入綠色領(lǐng)域，我國綠色金融高速發(fā)展：截至2021年三季度末，金融機(jī)構(gòu)綠色貸款余額為14.8萬億元，同比增長27.9%；國內(nèi)綠色債券余額為1.02萬億元，同比增長24.7%。放眼未來，綠色信貸相對于傳統(tǒng)對公信貸具有明顯優(yōu)勢，由于其資產(chǎn)質(zhì)量優(yōu)良，減值空間較小的特征，綠色信貸的ROE較對公信貸較高，綜合收益表現(xiàn)良好，據(jù)綠金委的測算，未來30年，綠色金融領(lǐng)域可產(chǎn)生487萬億的投資需求，進(jìn)一步說明了綠色信貸的潛在空間不容小覷。然而，環(huán)保行業(yè)收益低、收益周期長的特點使其在2020年的新冠疫情爆發(fā)中受到嚴(yán)峻的挑戰(zhàn)，尤其是一部分中小微企業(yè)業(yè)務(wù)狀態(tài)處在逆境，間接地影響了作為資金提供方銀行的不良資產(chǎn)率。因此度量環(huán)保行業(yè)在疫情前后的信用風(fēng)險具有一定意義。KMV模型依托于期權(quán)理論,結(jié)合企業(yè)的市場信息進(jìn)行預(yù)測，對企業(yè)單位時間內(nèi)的信用風(fēng)險進(jìn)行評估。但是模型中的違約點計算的參數(shù)確定背景是美國資本市場，因此隨著時間和空間的變化，本文中應(yīng)通過調(diào)整違約點參數(shù)得到修正后的KMV模型以保證模型適用性，并利用該模型完整后續(xù)實證內(nèi)容。（二）研究意義本研究一方面盡管政府大力支持綠色信貸，但環(huán)保節(jié)能項目的融資依然存在一定的難度，商業(yè)銀行開展綠色信貸業(yè)務(wù)動力和積極性還有待提升，因此探究綠色信貸信用風(fēng)險可以促進(jìn)商業(yè)銀行有效識別環(huán)保行業(yè)信用風(fēng)險，從而大力發(fā)展綠色信貸業(yè)務(wù)；另一方面，2020年，新冠疫情爆發(fā)，各行各業(yè)所面臨的風(fēng)險呈現(xiàn)出不同的變化規(guī)律，因此本文利用最新數(shù)據(jù)修正模型，得到的信用風(fēng)險評估結(jié)果有利于高污染、高排放企業(yè)加強(qiáng)環(huán)境風(fēng)險管理意識和環(huán)保意識；從社會的角度上，有效識別環(huán)保行業(yè)信用風(fēng)險將有助于合理協(xié)調(diào)資金和資源的流向，完成可持續(xù)發(fā)展目標(biāo)。而從研究的角度來看，本研究首先是使用了具有一定適用性的KMV模型：一是考慮到數(shù)據(jù)的可獲得性，模型所需要的數(shù)據(jù)包括股價和財務(wù)數(shù)據(jù)，均在上市企業(yè)公開披露的信息范圍之內(nèi)，從操作性上來講可以通過wind等數(shù)據(jù)庫批量導(dǎo)出；二是KMV模型不要求有效市場假說，適用于我國的若有效市場；此外，本研究對KMV模型進(jìn)行了違約點修正，原模型的違約點參數(shù)是針對美國金融市場于上世紀(jì)九十年代確定的，在使用之前需要考慮到我國金融市場的特點和年代的差異進(jìn)行修正，因此本文通過設(shè)定參數(shù)最小變動單位，計算使得樣本中非違約組的DD(違約距離)大于違約組的DD(違約距離)的組數(shù)最大的參數(shù)，即在最大區(qū)分度條件下的參數(shù)值，得到修正后的違約點計算方程；最后，本研究與時俱進(jìn)地考慮到了疫情的沖擊對環(huán)保行業(yè)的信用風(fēng)險的影響，具有一定新意。二、文獻(xiàn)綜述（一）綠色信貸相關(guān)研究綠色信貸最早誕生于德國，旨在通過控制社會資源流向，支持環(huán)保節(jié)約型項目，杜絕高污染、高能耗型項目。隨著綠色金融的持續(xù)發(fā)展，綠色信貸也成為了國內(nèi)外學(xué)者研究的熱點。從社會整體的角度來看，MarkA.White(1996)提出“可持續(xù)金融”,并深入分析金融系統(tǒng)體系和自然環(huán)境之間的關(guān)系：銀行等金融機(jī)構(gòu)利用整合分配資源以支持綠色環(huán)保產(chǎn)業(yè)，最終幫助社會實現(xiàn)經(jīng)濟(jì)和生態(tài)協(xié)同發(fā)展；而從企業(yè)和銀行的角度來看，PaulThompson(2004)指出企業(yè)的環(huán)保信息也應(yīng)被納入影響貸款決策的關(guān)鍵因素之一，而非局限于收益水平。2007年，綠色信貸概念在我國被首次提出，一些學(xué)者對此類業(yè)務(wù)的發(fā)展提出了建議。從宏觀的角度上，陳海若（2010）一方面肯定綠色信貸是我國實現(xiàn)經(jīng)濟(jì)建設(shè)和環(huán)保協(xié)調(diào)發(fā)展的必經(jīng)之路，另一方面強(qiáng)調(diào)了加強(qiáng)我國監(jiān)管體系、樹立環(huán)保理念、完善環(huán)境指標(biāo)體系在綠色信貸業(yè)務(wù)發(fā)展中的重要性；從商業(yè)銀行的角度上，何德旭等（2007）認(rèn)為綠色信貸除了促進(jìn)我國實現(xiàn)可持續(xù)發(fā)展經(jīng)濟(jì)轉(zhuǎn)型之外，還能有效幫助商業(yè)銀行管理環(huán)境風(fēng)險和提高經(jīng)營績效，而綠色信貸也對銀行內(nèi)在政策和管理能力提出了特殊的要求；從國際的角度上，國務(wù)院發(fā)展研究中心課題組（2016）在分析了孟加拉、巴西、歐洲、美國等各國的綠色金融實踐經(jīng)驗，在此基礎(chǔ)上梳理了綠色金融行動框架。此外，一些學(xué)者結(jié)合數(shù)據(jù)或建立模型，進(jìn)一步分析了綠色信貸的特征和優(yōu)勢，對綠色信貸未來發(fā)展作出展望。如蘇冬蔚等（2018）利用雙重差分模型說明綠色信貸具有顯著的融資懲罰效應(yīng)和投資抑制效應(yīng)；林綠等（2020）在綠色信貸的成本和收益的核算方面建立框架，并說明了綠色信貸業(yè)務(wù)能為商業(yè)銀行帶來營收，實現(xiàn)正向效應(yīng)；憲蓉蓉、褚佩瑜（2022）結(jié)合2021年綠色信貸余額等數(shù)據(jù)，強(qiáng)調(diào)了法律法規(guī)、標(biāo)準(zhǔn)體系、配套產(chǎn)品服務(wù)等方面有待提升。（二）綠色信貸信用風(fēng)險相關(guān)研究從銀行風(fēng)險管理的角度上，Ho,VirginiaHarper(2019)說明了金融機(jī)構(gòu)將環(huán)境標(biāo)準(zhǔn)納入信貸風(fēng)險評估對于實現(xiàn)有效的環(huán)境風(fēng)險管理的必要性；而從借貸企業(yè)的角度上，F(xiàn)arhad等(2020)發(fā)現(xiàn)綠色融資對于大部分的環(huán)保項目來說依然非常困難，信用風(fēng)險的管理將得益于提升非銀行金融機(jī)構(gòu)的長期綠色產(chǎn)業(yè)投資回報率和綠色信貸擔(dān)保計劃的參與。在我國，綠色信貸信用風(fēng)險管理同樣引起了重視，一些學(xué)者從定性的角度分析綠色信貸信用風(fēng)險管理路徑優(yōu)化等問題，如鄭沖（2013）針對我國綠色信貸政策、產(chǎn)品和風(fēng)險管理前瞻性等方面的不足提出建議，強(qiáng)調(diào)在綠色信貸信用風(fēng)險管理中要關(guān)注環(huán)保風(fēng)險調(diào)查和評估，做好貸后監(jiān)測檢查；而一些學(xué)者對風(fēng)險評估的研究細(xì)化到了具體指標(biāo)，如馬曉微、陳慧園（2015）參照“赤道原則”選擇綠色信貸風(fēng)險預(yù)警指標(biāo)并進(jìn)行評估。除了針對信用風(fēng)險評估和預(yù)警，從銀行的風(fēng)險管理角度上，李云燕等（2016）建議實現(xiàn)商業(yè)銀行和其他金融機(jī)構(gòu)之間的風(fēng)險轉(zhuǎn)移，使得信貸質(zhì)量及結(jié)構(gòu)得到優(yōu)化；農(nóng)業(yè)銀行南京分行課題組（2020）從人才隊伍建設(shè)、信貸風(fēng)險監(jiān)測等四個方面為商業(yè)銀行提出建議；孫光宇（2021）基于我國“雙碳”目標(biāo)下，提出我國商業(yè)銀行在內(nèi)控合規(guī)制度、科技手段等方面管控綠色金融風(fēng)險的對策；佟孟華、刑秉昆等（2021）提出工業(yè)企業(yè)的信用風(fēng)險評估中也應(yīng)該納入低碳指標(biāo)。除了定性的研究之外，隨著我國綠色信貸業(yè)務(wù)數(shù)據(jù)的不斷豐富，也出現(xiàn)了有關(guān)綠色信貸信用風(fēng)險的定量研究。一些學(xué)者利用定量研究為商業(yè)銀行信用風(fēng)險管理提出建議。如孫光林、王穎、李慶海（2017）利用商業(yè)銀行2009-2016年數(shù)據(jù)，實證研究得出綠色信貸業(yè)務(wù)規(guī)模的擴(kuò)大有助于抑制商業(yè)銀行不良資產(chǎn)率的升高，甚至能夠提升其凈利潤和非利息收入；丁寧、任亦儂、左穎（2020）進(jìn)行PSM-DID成本效率分析，說明了綠色信貸政策對銀行成本效率的負(fù)向影響，但會通過改善銀行信貸風(fēng)險管理對銀行的成本效率施以正向影響。此外，一些學(xué)者還利用企業(yè)綠色信貸數(shù)據(jù)進(jìn)行了一系列的實證研究。如蘆榕（2018）利用BP神經(jīng)網(wǎng)絡(luò)對貴州省20家大型企業(yè)進(jìn)行綠色信貸風(fēng)險實證研究并提出風(fēng)險管理建議；邵川（2020）實證分析綠色信貸及其結(jié)構(gòu)對三次產(chǎn)業(yè)的影響，進(jìn)一步說明優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，并針對完善綠色信貸的相關(guān)風(fēng)險管理機(jī)制和政策提出建議；林新功、朱艷平（2021）運用PSM-DID方法證明了重污染企業(yè)的融資成本在政策實施之后顯著高于其他企業(yè)，且國有企業(yè)對綠色信貸政策更加敏感。（三）KMV模型相關(guān)研究我國學(xué)者在研究初期主要聚焦于KMV模型的適用性：如魯煒等（2003）證明了即使是在缺少足夠信用數(shù)據(jù)的中國市場中，KMV模型依然具有廣闊的應(yīng)用空間；李磊寧等（2007）通過滬深兩市數(shù)據(jù)說明KMV模型能較好的識別違約和非違約公司，有助于把握上市公司信用風(fēng)險變化；楊秀云等（2016）對KMV模型、CreditRisk+模型、CreditMetrics模型和CreditPortfolioView四種信用風(fēng)險模型進(jìn)行比較，一方面得出KMV模型最適合我國國情的結(jié)論，另一方面也說明了KMV模型的風(fēng)險評估能力存在局限性，結(jié)合KMV模型和財務(wù)數(shù)據(jù)才能使得風(fēng)險度量結(jié)果更加可靠；王灝威，許嘉文（2021）利用未修正的KMV模型觀察房地產(chǎn)行業(yè)的信用風(fēng)險在新冠疫情沖擊下的狀況，發(fā)現(xiàn)行業(yè)疫情后的違約概率總體高于疫情前的違約概率，且頭部，中等規(guī)模和中小規(guī)模的房企在疫情下呈現(xiàn)不同的風(fēng)險管理能力。近年來，相關(guān)研究則主要集中在模型的參數(shù)修正上。如于敏，尹文超（2014）利用修正的KMV模型對我國5個行業(yè)10家上市公司的信用風(fēng)險分析，，利用樣本中的違約組公司數(shù)據(jù)進(jìn)行多元回歸確定違約點，表達(dá)為短期債務(wù)和長期債務(wù)的線性組合；鄒薇（2014）利用ROC曲線，用Matlab確定模型準(zhǔn)確率最高的違約點；楊海平(2020)則通過比較區(qū)分度修正模型違約點；李梓嫻（2020）運用修正后的KMV模型找到地方政府債券的發(fā)行量和違約率兩者之間的關(guān)系，對加強(qiáng)債券風(fēng)險管理提出建議；朱靜雯（2021）選擇比較二分類器有效性檢驗工具K-S曲線，最終得到適用于不同類型企業(yè)信用評估的最優(yōu)模型。總的來看，不同的學(xué)者對于KMV模型的修正方法和研究的行業(yè)的選擇不盡相同，且大部分研究的數(shù)據(jù)都在疫情爆發(fā)前，因此本研究基于疫情爆發(fā)后的最新數(shù)據(jù)修正模型，并選取環(huán)保型企業(yè)作為研究樣本，充分考慮到了新冠疫情的影響，彌補(bǔ)了疫情后KMV模型應(yīng)用于環(huán)保型企業(yè)綠色信貸信用風(fēng)險評估方面的空白。三、研究的內(nèi)容、方法及創(chuàng)新點（一）研究內(nèi)容本文分為以下幾個部分：第一部分為研究背景和意義，具體包括我國綠色信貸業(yè)務(wù)現(xiàn)狀及相關(guān)政策等內(nèi)容。第二部分為文獻(xiàn)綜述，介紹國內(nèi)外有關(guān)綠色信貸、綠色信貸信用風(fēng)險和KMV模型的研究現(xiàn)狀。第三部分詳細(xì)介紹研究內(nèi)容、方法和創(chuàng)新點。第四部分主要介紹KMV模型，作為研究的理論基礎(chǔ)。第三部分為實證分析。首先介紹數(shù)據(jù)樣本，包括選擇緣由、選擇過程和數(shù)據(jù)來源；然后對KMV模型的違約點進(jìn)行修正，驗證模型的有效性確定最終的違約點參數(shù)；最后將修正后的KMV模型應(yīng)用到環(huán)保企業(yè)中，分析疫情下行業(yè)的信用風(fēng)險變化情況。第四部分結(jié)合前文的實證結(jié)果下結(jié)論，并對未來如何優(yōu)化研究提出展望。（二）研究方法本文主要是通過修正后KMV模型，分別計算樣本企業(yè)（71家上市環(huán)保企業(yè)）在2020年新冠疫情爆發(fā)前后（2015至2021年）的資產(chǎn)價值、資產(chǎn)價值波動率、違約距離等，再對計算結(jié)果進(jìn)行統(tǒng)計分析，比較環(huán)保行業(yè)在疫情沖擊下的信用風(fēng)險變化。最后根據(jù)統(tǒng)計結(jié)果分析比較環(huán)保行業(yè)的抗風(fēng)險能力，得出結(jié)論后對商業(yè)銀行綠色信貸業(yè)務(wù)提出建議。（三）創(chuàng)新點第一點，KMV模型的修正。KMV模型起源于美國，且提出時間在上世紀(jì)，無法直接運用到中國金融市場；因此需要結(jié)合中國金融市場最近的數(shù)據(jù)，重新確定違約點。本文通過比較不同違約參數(shù)點下模型的區(qū)分度挑選出具有最佳評估效應(yīng)的參數(shù)值，從而完成KMV模型的修訂。第二點，疫情下將KMV模型應(yīng)用于綠色信貸的信用風(fēng)險研究。本文選取環(huán)保型上市企業(yè)，以疫情爆發(fā)為時間為分隔點，研究企業(yè)的信用風(fēng)險變化，并結(jié)合行業(yè)內(nèi)單個企業(yè)的表現(xiàn)歸納出具有代表性的企業(yè)名單，為商業(yè)銀行發(fā)展綠色信貸業(yè)務(wù)和風(fēng)險管理提供參考。四、KMV模型理論框架（一）KMV模型簡介KMV模型結(jié)合期權(quán)定價思想，將股權(quán)價值看作一份歐式看漲期權(quán)，資產(chǎn)價值作為標(biāo)的價格，執(zhí)行價格等于負(fù)債總值，利用比較企業(yè)資產(chǎn)價值和債務(wù)大小來評價信用風(fēng)險。在債務(wù)到期日存在兩種情況：一是企業(yè)的資產(chǎn)價值超過負(fù)債值，具有還款能力；二是企業(yè)的資產(chǎn)價值降至負(fù)債以下的時候，股權(quán)價值變?yōu)榱?，企業(yè)發(fā)生違約。在本研究中還需要確定違約點修正模型，再利用上市公司股價和財務(wù)數(shù)據(jù)得到違約距離，作為企業(yè)信用風(fēng)險的直接體現(xiàn)。（二）KMV模型基本假設(shè)KMV模型的假設(shè)包括：我國的資本市場是完全的，無交易摩擦；資產(chǎn)市場價格的變動符合連續(xù)的幾何布朗運動（詳見式1）。dVtV其中：μ為期望回報率；σ為波動率；dWEdVard企業(yè)在債務(wù)到期日發(fā)生違約的條件是資產(chǎn)價格小于負(fù)債；資本結(jié)構(gòu)包括流動負(fù)債、非流動負(fù)債和股東權(quán)益。（三）KMV模型的計算過程1.企業(yè)股權(quán)價值及其波動率E=股本數(shù)×單位股權(quán)價格（式2股票價格服從對數(shù)正態(tài)分布，股票日收益率μnμn=lnSn其中，Sn股權(quán)波動率表示為：σ=1n2.違約點DPT的確定KMV公司基于美國資本市場的歷史數(shù)據(jù)，得到違約點的表達(dá)形式（詳見式5）。DPT=STD+0.5LTD其中，STD指短期負(fù)債，LTD指長期負(fù)債，但參數(shù)0.5會在后面模型的實際應(yīng)用中依據(jù)中國資本市場數(shù)據(jù)進(jìn)行修正。3.企業(yè)資產(chǎn)價值及其波動率企業(yè)資產(chǎn)價值的波動率代表企業(yè)資產(chǎn)價格在一定時間內(nèi)的波動程度，反應(yīng)資產(chǎn)的風(fēng)險狀況。根據(jù)BSM公式，股權(quán)價值可以表示為自變量為無風(fēng)險利率R、資產(chǎn)價值V、資產(chǎn)價值波動率σt、負(fù)債D和償還期限Et=VNd1d1=lnV0d2=d1?根據(jù)伊藤引理得到式9，其中σE是股權(quán)價值波動率，而σσE=g求導(dǎo)和兩邊求期望后得到：σE=VA再確定無風(fēng)險利率R和研究的信用期限η，利用非線性方程組的迭代算法得到資產(chǎn)價值和資產(chǎn)價值波動率。4.計算違約距離DD違約距離體現(xiàn)了企業(yè)違約風(fēng)險水平，是資產(chǎn)市場價值均值到違約點DPT的距離：DD=EVt?其中,EVEVt=Vtμ一般假定為0或者整個市場的增長率；本文通過違約距離體現(xiàn)企業(yè)信用風(fēng)險。（四）KMV模型的參數(shù)設(shè)定與修正1.股權(quán)價值E的計算股權(quán)價值的計算分為流動股E1和非流通股E2（詳見式1E=E1+EE1=M×其中，股票的市場價格M和股數(shù)N1的乘積表示流通股市值（詳見式14總股數(shù)減去流通股股數(shù)極為非流通股數(shù)，將非流通股股數(shù)與每股凈資產(chǎn)相乘，得到非流通股的市值（詳見式15）。E1=BVPS×(2.計算股權(quán)價值波動率由于股價的變化服從布朗運動，對股價取對數(shù)（詳見式16）。μn=lnSn波動率計算詳見式17.σ假設(shè)一年有m天交易日，則股價的年波動率詳見式18.σk=σt×3.違約點DPT的修正原KMV模型的是根據(jù)美國資本市場數(shù)據(jù)而得到違約點（式5）；因此，本文中需要根據(jù)一定時間內(nèi)中國資本市場的數(shù)據(jù)情況進(jìn)行違約點DPT的重新確認(rèn)，設(shè)置違約點為：DPT=aSTD+bLTD其中a,b是介于0和1之間的某個數(shù)，接下來要篩選出能區(qū)分違約和非違約企業(yè)最佳的a和b數(shù)值。通過matlab的循環(huán)，a和b值的可能數(shù)值是0至1，以0.1為間隔的數(shù)，因此得到121組可能的a、b組合值，分別計算在不同組合值下DD（違約組）小于DD（非違約組）的組數(shù)，其中滿足要求組數(shù)最大的a、b值即為最終確定的a和b值。4.無風(fēng)險利率的選擇本研究利用中國銀行的定期存款利率代表無風(fēng)險利率R，比如2015至2021年，一年期信貸信用風(fēng)險時，T=1，R=1.5%；計算分季度信用風(fēng)險時，T=0.25，R=1.35%。（五）KMV模型的適用性分析1.數(shù)據(jù)的可獲得性KMV模型涉及到的數(shù)據(jù)包括上市企業(yè)的股價和財務(wù)數(shù)據(jù)等，沒有涉及到市場之外較難獲得的企業(yè)內(nèi)部數(shù)據(jù)，在我國股權(quán)公開交易制度下，這些數(shù)據(jù)較易獲得，且無風(fēng)險利率采用人民銀行公開的定期存款利率；從操作性上來講，數(shù)據(jù)可通過萬得數(shù)據(jù)庫批量導(dǎo)出，并在EXCEL表格中進(jìn)行預(yù)處理，再通過matlab進(jìn)行建模，操作的可行性較高。2模型對市場有效性無要求KMV模型對市場的有效性無要求，因此在我國弱式有效市場下，該模型依然適用；甚至在過度有效的市場下，股價受到“內(nèi)幕知情者”的影響會劇烈的波動，使得預(yù)期違約率過于敏感。3.模型具備動態(tài)性和前瞻性KMV模型涉及到的股價數(shù)據(jù)每日都在變動，財務(wù)數(shù)據(jù)定期得到披露，因此模型可以及時反應(yīng)當(dāng)期企業(yè)的信用風(fēng)險狀況；另一方面，KMV模型彌補(bǔ)了基于歷史數(shù)據(jù)預(yù)測未來違約概率模型的缺陷，每日股價反應(yīng)了投資者對于企業(yè)未來信用風(fēng)險的預(yù)期狀況，因此模型具有動態(tài)性和前瞻性，適用于本研究。五、KMV模型關(guān)于綠色信貸的實證分析（一）模型的思路與框架本文利用KMV模型對環(huán)保型上市公司在2015至2021年的信用風(fēng)險進(jìn)行評估，但原違約點對中國資本市場并不適用，因此利用A股市場數(shù)據(jù)修正違約點，并其進(jìn)行有效性分析后應(yīng)用到環(huán)保型企業(yè)的數(shù)據(jù)中。實證內(nèi)容包含以下三個部分：1.重新確定違約點參數(shù)挑選A股上市公司并分為違約組和非違約組，找到能使得DD（違約組）小于DD（非違約組）組數(shù)最大的違約點參數(shù)，選擇區(qū)分效果更好的KMV模型。2.驗證修正后KMV模型的有效性將確定后的KMV模型應(yīng)用到被ST標(biāo)記和未被ST標(biāo)記的兩類樣本數(shù)據(jù)中，計算得到違約距離并利用t檢驗驗證兩組數(shù)據(jù)的差異顯著性。3.KMV模型計算結(jié)果及分析得到2015至2021年環(huán)保型企業(yè)分季度和年度的違約距離值等，在統(tǒng)計分析后得到環(huán)保型企業(yè)信用風(fēng)險變化。（二）數(shù)據(jù)樣本的選取1.模型修正和有效性檢驗的樣本抽取部分2021年A股上市公司作為樣本，包括39家ST公司（違約組），180家非ST家公司（非違約組），涉及到房地產(chǎn)、生物制藥、信息技術(shù)等傳統(tǒng)行業(yè)。需要搜集整理的數(shù)據(jù)包括2021年219家上市公司的每日股票收盤價；每股凈資產(chǎn)，流動A股股數(shù)和總股本；流動負(fù)債和非流動負(fù)債；無風(fēng)險利率等于2021年中國人民銀行的一年期定期存款利率：R=1.5%。2.環(huán)保行業(yè)的樣本首先度量2015至2021年樣本分季度的信用風(fēng)險。樣本包括申銀萬國行業(yè)分類（2021）下的環(huán)保行業(yè)所有企業(yè)，由于從2015至2021年，環(huán)保型企業(yè)在六年間先后上市，前后研究的樣本企業(yè)不可避免的會有差異，2020年疫情爆發(fā)，因此優(yōu)先選擇疫情發(fā)生前后一年（2019至2021年）上市且數(shù)據(jù)完整的企業(yè)共71家為主要研究對象，而2015至2018年的樣本對象在此基礎(chǔ)上根據(jù)當(dāng)年上市情況和數(shù)據(jù)的完整性作出刪減，具體個數(shù)在違約距離描述性統(tǒng)計表格中有所體現(xiàn)。2015年第一季度至2021年第四季度共計28個季度作為研究的時間跨度；無風(fēng)險利率R為三個月定期存款利率：R=2.1%(2015)，R=1.1%(2016)，R=1.1%(2017)，R=1.35%(2018)，R=1.35%(2019)，R=1.1%（2020），R=1.1%(2021)，償還期限T=0.25。（三）KMV模型實證結(jié)果1.重新確定違約點參數(shù)DPT=aSTD+bLTD從0到1以0.1為間隔分別得到關(guān)于不同a值和b值的121組違約點DPT。在matlab中利用循環(huán)分別計算不同DPT條件下，違約距離DD（違約組）小于DD（非違約組）的組數(shù)，找到最大組數(shù)確定a,b值。不同a,b值對應(yīng)的組數(shù)結(jié)果如圖1所示，可以很明顯的看出，當(dāng)a=0.9,b=0.3時，滿足違約距離理想大小關(guān)系的組數(shù)最大，為4821組；且從整體上來看，a值越大，對應(yīng)的滿足大小關(guān)系的組數(shù)越多，對應(yīng)的模型適用性更高。因此，確定違約點的計算公式如式20。DPT=0.9STD+0.3LTD此時，KMV模型對中國市場信用風(fēng)險的解釋能力最強(qiáng)。圖1不同參數(shù)下滿足大小關(guān)系的組數(shù)2.驗證修正后KMV模型的有效性利用matlab計算得到219個企業(yè)違約距離，如表1所示。表1違約距離統(tǒng)計結(jié)果N最小值最大值均值標(biāo)準(zhǔn)偏差違約組違約距離391.133.452.1029.57890非違約組違約距離1801.137.772.4756.96491從統(tǒng)計結(jié)果可以看出，違約組的違約距離在1.13～3.45，且均值為2.1029；非違約組的違約距離在1.13～7.77，均值為2.456，大于違約組均值，符合預(yù)期；再利用SPSS檢驗兩組數(shù)據(jù)的正態(tài)性，盡管違約組違約距離正態(tài)性檢驗的P值>0.05，但是非違約組違約距離正態(tài)性檢驗的P<0.05,因此對兩組數(shù)據(jù)進(jìn)行對數(shù)運算實現(xiàn)正態(tài)轉(zhuǎn)化，此時正態(tài)性檢驗結(jié)果見表2：兩組變量均滿足P>0.05。再進(jìn)行獨立樣本t檢驗，得到結(jié)果如表3所示。表2正態(tài)性檢驗結(jié)果柯爾莫戈洛夫-斯米諾夫(V)a夏皮洛-威爾克統(tǒng)計自由度顯著性統(tǒng)計自由度顯著性違約組違約距離.13439.075.96339.230非違約組違約距離.122180.000.838180.000ln違約組.09039.200*.97939.678ln非違約組.07239.200*.98939.967表3對數(shù)處理后違約組和非違約組獨立樣本t檢驗結(jié)果萊文方差等同性檢驗平均值等同性t檢驗F顯著性t自由度Sig（雙尾）平均值差值標(biāo)準(zhǔn)誤差差值違約距離假定等方差1.273.2602.435217.016.13983.05743不假定等方差2.74664.375.008.13983.05092得到P值為0.016，小于0.05，說明在此KMV模型下，違約組和非違約組的違約距離具有顯著性差異，且違約組的違約距離均值小于非違約組，符合初設(shè)預(yù)期，因此本文建立的KMV模型能有效評定企業(yè)的信用風(fēng)險。3.KMV模型計算結(jié)果及分析（1）季度數(shù)據(jù)結(jié)果及分析通過確定的KMV模型，利用環(huán)保型企業(yè)季度數(shù)據(jù)，計算得到每個季度環(huán)保型企業(yè)的違約距離，得到每個季度行業(yè)違約距離均值描述性統(tǒng)計結(jié)果如表4和圖2所示。表4環(huán)保型企業(yè)分季度違約距離均值描述性統(tǒng)計季度DD均值有效個數(shù)最大值最小值波動率中位數(shù)極差2015年第一季度2.5746.008.721.631.082.307.082015年第二季度1.2753.003.400.410.511.322.982015年第三季度1.0955.002.190.570.311.021.622015年第四季度1.8056.003.230.430.491.782.802016年第一季度1.6046.002.371.250.261.541.122016年第二季度2.5246.004.500.391.002.434.112016年第三季度3.0646.005.980.811.052.915.182016年第四季度3.9046.007.091.731.173.715.362017年第一季度4.4358.0011.232.211.694.269.032017年第二季度2.4165.005.380.511.272.274.872017年第三季度3.8266.0010.790.861.793.339.932017年第四季度3.5465.008.821.301.533.217.522018年第一季度2.8168.006.411.371.022.655.032018年第二季度2.8666.0017.710.602.182.5717.112018年第三季度3.2268.007.730.771.422.986.952018年第四季度2.3271.005.331.070.722.234.262019年第一季度2.5269.005.621.070.822.424.552019年第二季度2.2470.004.710.950.862.023.762019年第三季度3.2070.008.061.031.202.977.032019年第四季度4.4171.009.301.581.704.217.722020年第一季度2.0971.004.431.080.532.043.352020年第二季度3.3871.009.110.881.563.278.232020年第三季度2.2971.004.550.960.782.183.592020年第四季度3.7871.0012.221.671.813.2110.562021年第一季度2.3971.005.591.030.952.274.562021年第二季度3.4071.007.560.721.582.876.842021年第三季度2.2971.004.550.960.782.183.592021年第四季度3.7871.0012.221.671.813.2110.56圖2環(huán)保型企業(yè)分季度違約距離均值及變化率圖從圖2中可以看出，疫情前，2015至2017年，行業(yè)違約距離均值整體上升，于2017年第一季度達(dá)到最大值，此時信用風(fēng)險最小，但是2017年第二季度風(fēng)險突然增大，違約距離下降45.75%，這個變化可以歸咎于京藍(lán)科技、盈峰環(huán)境等個別企業(yè)股價出現(xiàn)大幅度波動所致，例如根據(jù)京藍(lán)科技2017年4月發(fā)布的重大事項停牌公告，計劃以自有資金投資建設(shè)雄安京藍(lán)園林科技有限公司，這可能對股價造成重大影響，個別企業(yè)信用風(fēng)險的激增導(dǎo)致行業(yè)違約距離均值出現(xiàn)較大幅度的下降，且在之后的兩年持續(xù)波動；一直到疫情爆發(fā)前一年，2019年環(huán)保型企業(yè)的違約距離自第二季度后持續(xù)上升，違約風(fēng)險逐漸降低，行業(yè)整體向好。疫情爆發(fā)后，2020年第一季度，違約距離下降52.5%，僅為2.09，表明環(huán)保型企業(yè)在經(jīng)歷疫情沖擊后，違約風(fēng)險突然上升，盡管第二季度有明顯好轉(zhuǎn)，上升61.52%，但是第三季度再次面臨下降至2.29，且疫情后環(huán)保型企業(yè)的違約距離隨每個季度交替上升和下降，違約風(fēng)險也交替上升和下降；2020年第二季度、2020年第四季度和2021年第四季度，違約距離的增長率都超過60%，環(huán)保企業(yè)違約風(fēng)險都大幅度降低。環(huán)保行業(yè)內(nèi)分季度企業(yè)違約距離的標(biāo)準(zhǔn)差如下圖3所示。圖3行業(yè)內(nèi)違約距離標(biāo)準(zhǔn)差變化圖圖3中可以看出，疫情前，隨著環(huán)保行業(yè)的不斷發(fā)展，多個環(huán)保企業(yè)相繼上市，行業(yè)內(nèi)違約距離標(biāo)準(zhǔn)差整體呈現(xiàn)上升趨勢；疫情后，行業(yè)信用風(fēng)險整體呈現(xiàn)低迷，標(biāo)準(zhǔn)差下降至近三年最低值（0.53），而在疫情爆發(fā)后的幾個月，行業(yè)內(nèi)部結(jié)構(gòu)差異增大，違約距離的標(biāo)準(zhǔn)差也逐漸增大；但在疫情前后，行業(yè)內(nèi)企業(yè)違約距離標(biāo)準(zhǔn)差的變化幅度并不大，標(biāo)準(zhǔn)差均在1.0上下波動，因此疫情的爆發(fā)并沒有對行業(yè)內(nèi)部企業(yè)的分化產(chǎn)生較大影響。此外，每個季度企業(yè)資產(chǎn)價值波動率均值及變化率如圖4所示。圖4資產(chǎn)價值波動率均值及增長率變化圖從圖4可知，2015至2016年，環(huán)保型企業(yè)資產(chǎn)價值波動率均值維持在較高水平，行業(yè)尚在初期發(fā)展階段，在2015年我國新環(huán)保法正式實施后，環(huán)保行業(yè)又迎來新的發(fā)展。與違約距離均值類似，資產(chǎn)價值波動率在2017年第二季度迎來了激增，而后下降并持續(xù)波動。2019年企業(yè)資產(chǎn)價值波動率呈現(xiàn)下降趨勢，企業(yè)資產(chǎn)價值變化平穩(wěn)，但疫情爆發(fā)后，2020年第一季度波動率陡增，且疫情之后資產(chǎn)價值波動率雖然有下降但是依然維持在0.3上下，難以維持在疫情爆發(fā)前的最低點；另外，2020至2021年環(huán)保型企業(yè)的資產(chǎn)價值波動率的變化呈現(xiàn)較大幅度的交替上升和下降，資產(chǎn)風(fēng)險變化不穩(wěn)定。分別對環(huán)保型企業(yè)在疫情前（2015至2019年）和疫情后（2020年至2021年）的違約距離均值進(jìn)行描述性統(tǒng)計。表5疫情前后違約距離描述性統(tǒng)計表違約距離均值的均值違約距離均值的最大值違約距離均值的最小值違約距離均值的標(biāo)準(zhǔn)差違約距離均值的中位數(shù)疫情前

（2015至2019年）2.774.421.070.922.68疫情后

（2020至2021年）2.923.782.090.682.88值得注意的是，在疫情爆發(fā)前五年，環(huán)保行業(yè)的企業(yè)違約距離均值相較于疫情后的均值更低，整體信用風(fēng)險更大，結(jié)合前文關(guān)于每個季度的違約距離均值分析可知，2015至2016年有效樣本個數(shù)均低于60，且部分季度剔除數(shù)據(jù)未完全披露的企業(yè)后，樣本個數(shù)低至50以下，說明環(huán)保型上市企業(yè)個數(shù)較少，整體行業(yè)尚處于起步階段，因此2015至2019年的違約距離分季度均值的均值略低于疫情發(fā)生后的均值；但疫情前的違約距離均值的最大值較疫情后更大，且標(biāo)準(zhǔn)差也更大，說明疫情前環(huán)保行業(yè)信用風(fēng)險波動更大，再結(jié)合前文所述疫情前行業(yè)整體信用風(fēng)險呈現(xiàn)下降趨勢，因此猜測疫情的沖擊阻斷了行業(yè)信用風(fēng)險的進(jìn)一步下降；而疫情后行業(yè)的信用風(fēng)險整體未出現(xiàn)太大波動，無明顯趨勢。因為在疫情發(fā)生前五年，環(huán)保行業(yè)從初期階段不斷發(fā)展，時間段內(nèi)的數(shù)據(jù)呈現(xiàn)一定的趨勢，具有特殊性，因此為了進(jìn)一步說明新冠疫情對環(huán)保行業(yè)的影響，需要縮小疫情前后選取違約距離均值的區(qū)間范圍：選取2019年第三、四季度，2020年第一、二季度為疫情前后的違約距離數(shù)據(jù)，進(jìn)行正態(tài)性檢驗后的P值均小于0.05，對數(shù)處理后獨立樣本t檢驗結(jié)果如表6所示。表6疫情前后違約距離獨立樣本t檢驗結(jié)果萊文方差等同性檢驗平均值等同性t檢驗F顯著性t自由度Sig（雙尾）平均值差值標(biāo)準(zhǔn)誤差差值違約距離假定等方差.235.628-6.825281.000-.34680.05081不假定等方差-6.825280.632.000-.34680.05081得到P值小于0.05，結(jié)果顯示疫情前后，環(huán)保行業(yè)的信用風(fēng)險存在顯著性差異，疫情加劇了企業(yè)違約的可能性。（2）年度數(shù)據(jù)結(jié)果及分析同理，利用環(huán)保型企業(yè)2015至2021年的年度數(shù)據(jù)，代入KMV模型計算得到違約距離均值和資產(chǎn)價值波動率均值，結(jié)果如表7和圖5所示。表7分年度違約距離和波動率年度違約距離均值違約距離最大值違約距離最小值資產(chǎn)價值波動率均值20151.372.800.710.7120162.233.420.750.4120173.156.910.980.3120182.545.501.130.3020192.625.891.350.2820202.435.581.190.2920212.524.401.010.31圖5環(huán)保型企業(yè)年度違約距離均值變化圖數(shù)據(jù)表明，2015至2019年，行業(yè)整體年度違約距離上升，信用風(fēng)險下降，但增長率持續(xù)放緩，2020年由于疫情沖擊，違約距離下降，違約風(fēng)險上升，2021年的后疫情時期違約距離呈現(xiàn)恢復(fù)趨勢，違約距離上升但仍稍低于2019年。從數(shù)值上來看，疫情前后環(huán)保型企業(yè)的年度違約距離變化量不大，說明環(huán)保型企業(yè)在年度內(nèi)的違約風(fēng)險變化較小，并未受到疫情過于嚴(yán)重的影響。71個樣本在疫情爆發(fā)前后一年（2019至2021年）的違約距離情況如圖6所示。圖671個樣本違約距離分年度變化表8違約距離變化情況違約距離增大違約距離下降時間段個數(shù)占比個數(shù)占比合計2019年-2020年2535.21%4664.79%712020年-2021年3752.11%3447.89%71表8統(tǒng)計得到：2019至2020年，35.21%的環(huán)保企業(yè)沒有受到疫情沖擊的影響，違約距離不減反增，但超過一半的環(huán)保型企業(yè)違約距離下降，違約風(fēng)險上升；后疫情時期，超過一半的環(huán)保型企業(yè)違約距離上升，違約風(fēng)險下降，但依舊有接近一半的企業(yè)違約風(fēng)險上升，或許還沒有從疫情的沖擊中恢復(fù)過來。進(jìn)一步統(tǒng)計得到連續(xù)兩年違約距離上升，違約風(fēng)險降低的企業(yè)名單及市值（2022年1月數(shù)據(jù)）如表9所示。表9違約距離兩年連續(xù)上升企業(yè)名單及市值單位：億元違約距離兩年連續(xù)上升企業(yè)名單及市值（共10家）華控賽格31.61偉明環(huán)保401.4上海環(huán)境0.42旺能環(huán)境79.67中原環(huán)保58.87福龍馬51.96綠色動力129.59國中水務(wù)38.87渤海股份19.08聯(lián)泰環(huán)保36.21疫情首年違約距離下降但第二年上升的企業(yè)名單如表10所示，說明這24家企業(yè)受到?jīng)_擊后的恢復(fù)能力較強(qiáng)，占受到疫情影響的企業(yè)總數(shù)的52.17%。表10疫情首年違約距離上升，第二年下降企業(yè)名單及市值單位：億元疫情首年違約距離上升，第二年下降企業(yè)名單及市值（共24家）創(chuàng)元科技35.89興源環(huán)境54.98中山公用119.78雪浪環(huán)境25.29盈峰環(huán)境194.58節(jié)能國禎50.05國統(tǒng)股份13.94博世科36.91東江環(huán)保60.49中建環(huán)能33.18綠茵生態(tài)29.02鵬鷂環(huán)保45.14中創(chuàng)環(huán)保27.56武漢控股45.98碧水源238.84錢江水利43.95三聚環(huán)保182.1龍凈環(huán)保85.85永清環(huán)保45.05上海洗霸24.68維爾利43.53中持股份22.54森遠(yuǎn)股份17.24中航泰達(dá)11.59六、研究結(jié)論與展望綠色信貸有助于提升商業(yè)銀行潛在績效、優(yōu)化風(fēng)險管理并促進(jìn)社會的生態(tài)文明建設(shè)，盡管在政府的支持和引導(dǎo)下，我國的綠色信貸規(guī)模在不斷擴(kuò)大，但是信貸余額占總信貸比例仍舊在較低的水平，2020年新冠疫情爆發(fā)，評估環(huán)保企業(yè)的信用風(fēng)險對綠色信貸業(yè)務(wù)在“后疫情時代”如何實現(xiàn)恢復(fù)和發(fā)展是必不可少的，研究結(jié)果可為商業(yè)銀行調(diào)整信貸結(jié)構(gòu)和增長營收提供重要參考，從而有效推動我國綠色金融的發(fā)展。（一）結(jié)論基于上述目的，本文將修正后的KMV模型運用到環(huán)保行業(yè)中，結(jié)論如下。首先，2015至2021年分季度結(jié)果得到結(jié)論：自2015年我國新環(huán)保法正式實施起，環(huán)保行業(yè)得到了可觀的發(fā)展，上市企業(yè)數(shù)量不斷增加，行業(yè)違約距離均值逐年上升，信用風(fēng)險整體下降，且在2019年年度內(nèi)，風(fēng)險下降趨勢穩(wěn)定，于年底達(dá)到違約距離的近五年最大值，行業(yè)前景向好，但隨著年底新冠疫情的爆發(fā)，2020年第一季度違約風(fēng)險驟然升高，其后雖然稍有緩和，但在“后疫情時代“，環(huán)保企業(yè)的違約風(fēng)險交替上升和下降，波動較大，且2020年和2021年的違約風(fēng)險隨季度變化規(guī)律高度吻合；疫情爆發(fā)前，行業(yè)內(nèi)部違約距離標(biāo)準(zhǔn)差整體增大，這是因為隨著行業(yè)的發(fā)展，行業(yè)內(nèi)企業(yè)出現(xiàn)分化，但在疫情爆發(fā)后行業(yè)整體表現(xiàn)低迷，標(biāo)準(zhǔn)差維持在較低水平，但隨后標(biāo)準(zhǔn)差整體呈現(xiàn)波動上升的趨勢，行業(yè)內(nèi)部結(jié)構(gòu)差異增大；而資產(chǎn)價值波動率在行業(yè)發(fā)展初期和疫情爆發(fā)初期都表現(xiàn)為較大值，但總體差異不大（圍繞1上下波動）；同時通過對疫情發(fā)生前后的違約距離均值統(tǒng)計分析，并在縮小時間范圍（排除行業(yè)發(fā)展趨勢影響）再對疫情前后數(shù)據(jù)進(jìn)行獨立樣本t檢驗，進(jìn)一步說明了疫情對行業(yè)整體實現(xiàn)趨于違約的影響。年度違約距離結(jié)論：疫情發(fā)生前五年，行業(yè)整體的信用風(fēng)險呈下降趨勢，但在疫情爆發(fā)的第一年（2020年），違約風(fēng)險相對于2019年上升，后2021年有下降趨勢，但仍舊未恢復(fù)至2019年風(fēng)險水平；但疫情前后違約距離總體的變化值并不大，說明環(huán)保行業(yè)的年度違約風(fēng)險并未受到疫情過于嚴(yán)重的影響；對于環(huán)保型企業(yè)的個體表現(xiàn)，盡管有超過一半的企業(yè)受到疫情的影響，2020年違約風(fēng)險增加，但仍有35%的企業(yè)具有較強(qiáng)的抗風(fēng)險能力，控制住了違約風(fēng)險，甚至有10家企業(yè)在疫情后的兩年，違約風(fēng)險連續(xù)兩次下降；對于2020年受到疫情沖擊的企業(yè)，有超過一半的企業(yè)恢復(fù)能力較強(qiáng)，于2021實現(xiàn)了違約風(fēng)險下降；年度資產(chǎn)價值波動率除去2015年較高之外，其余年份的資產(chǎn)價值波動率均維持在較低水平，資產(chǎn)風(fēng)險較小。通過上述實證分析，銀行應(yīng)該關(guān)注后疫情時代環(huán)保型企業(yè)的風(fēng)險變化特征，對環(huán)保型企業(yè)的周期性風(fēng)險表現(xiàn)和個體風(fēng)險表現(xiàn)的差異性給予充分考慮，切合個體特點，從而大力發(fā)展創(chuàng)新型信貸產(chǎn)品助推企業(yè)疫情后的恢復(fù)。在疫情后的經(jīng)濟(jì)恢復(fù)階段，環(huán)保企業(yè)也將因為疫情帶來的醫(yī)療廢物處理和回收面臨新的機(jī)遇，對商業(yè)銀行利用綠色信貸支持防疫環(huán)保項目提出了新的要求。（二）展望本文利用修正后的KMV模型對環(huán)保型企業(yè)在疫情前后的違約風(fēng)險進(jìn)行度量，還可以從以下三個方面思考如何進(jìn)一步優(yōu)化：1.比較環(huán)保行業(yè)和其他傳統(tǒng)行業(yè)在疫情沖擊下的信用風(fēng)險變化本研究樣本局限于環(huán)保行業(yè)，沒有和其他傳統(tǒng)行業(yè)的信用風(fēng)險變化作出對比，無法從整個市場的角度對環(huán)保行業(yè)的抗風(fēng)險能力和恢復(fù)能力作出評價；考慮后續(xù)研究中加入傳統(tǒng)行業(yè)如：家用電器、汽車、傳媒等，將這些行業(yè)在疫情前后的信用風(fēng)險變化情況進(jìn)行對比分析。2.探索更有效的KMV模型違約點修正方法本文通過比較不同參數(shù)點下模型的區(qū)分度得到修正后的KMV模型，但在挑選A股上市公司和ST企業(yè)樣本的方法和容量方面有待改進(jìn)，違約參數(shù)是否還能更加精確也有待思考；此外，其他相關(guān)研究還提供了許多其他方向的修正方法，不同修正方法下的模型有效性也值得比較。3.探索并擴(kuò)充樣本范圍上市公司的信息披露較為嚴(yán)格，一些行情數(shù)據(jù)和財務(wù)數(shù)據(jù)的獲取較為容易，因此是樣本的首選，但對于商業(yè)銀行開展綠色信貸業(yè)務(wù)而言，研究非上市的相關(guān)企業(yè)同樣非常重要，后續(xù)研究中也可以針對我國非上市企業(yè)，評估其信用風(fēng)險助力商業(yè)銀行發(fā)展綠色信貸業(yè)務(wù)。主要參考文獻(xiàn)陳海若.綠色信貸研究綜述與展望．金融理論與實踐，2010(08)：90-93．丁寧,任亦儂,左穎.綠色信貸政策得不償失還是得償所愿?——基于資源配置視角的PSM-DID1成本效率分析.金融研究,2020(4):19.龔劍，宋勤華．中國的赤道原則：綠色信貸．東南大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）,2008,10（S2）:84-86．何德旭,張雪蘭.對我國商業(yè)銀行推行綠色信貸若干問題的思考.上海金融,2007(12):6.侯李薇,張智光.造紙企業(yè)綠色信貸項目信用風(fēng)險評估的綠色KMV模型研究.黃苒．企業(yè)資本結(jié)構(gòu)分析與違約風(fēng)險測度基于資產(chǎn)價值跳躍變化視角的研究，武漢：武漢大學(xué)出版社，2016.李磊寧,張凱.KMV模型的修正及在我國上市公司信用風(fēng)險度量中的應(yīng)用.首都經(jīng)濟(jì)貿(mào)易大學(xué)學(xué)報,2007,9(4):48-50.李新功,朱艷平.綠色信貸政策對重污染企業(yè)債務(wù)成本的影響——基于PSM-DID模型的實證研究.會計之友,2021(3):7.李友慧,黃穎利,王宇.造紙業(yè)上市公司信貸風(fēng)險研究——基于綠色因素分析.林業(yè)經(jīng)濟(jì)問題,2018,38(3):6.李云燕，殷晨曦．綠色信貸信用風(fēng)險轉(zhuǎn)移模型構(gòu)建與路徑選擇分析.中央財經(jīng)大學(xué)學(xué)報，2017(11)：50-57．連莉莉.綠色信貸影響企業(yè)債務(wù)融資成本嗎?——基于綠色企業(yè)與"兩高"企業(yè)的對比研究.金融經(jīng)濟(jì)學(xué)研究,2015(5):11.林綠，孟椿雨，劉慧，劉蒙，張奇．中國綠色信貸成本收益核算研究.．中國環(huán)境管理，2020，12(