基于DCCMSVKMV模型第三产业行业信用风险传染效应度量.docVIP

基于DCCMSVKMV模型第三产业行业信用风险传染效应度量 　　基金项目：国家自然科学基金创新研究群体科学基金资助项目；国家软件科学研究计划资助项目（2010GXS5B141） 　　作者简介：谢赤（1963-），男，湖南株洲人，湖南大学教授，博士生导师 　　摘要：结合KMV模型和DCCMSV模型，构建了一个行业间信用风险传染效应度量模型，以考查第三产业中各行业间的信用风险传染效应排除涉及领域繁杂和主营业务不突出的行业，兼顾行业中上市公司数量，最终选择交通运输、仓储业，信息技术业，批发和零售贸易业，房地产业和社会服务业等5个行业为研究对象实证结果显示：第三产业各行业间信用风险传染效应均大于05，且呈现震荡上行的态势，说明行业间信用风险传染效应在增强、传染程度在加深；交通运输、仓储业与其它4个行业之间的信用风险传染效应均较为明显，这可能是由于作为基础产业，该行业对其它行业的影响比较深远；房地产业与社会服务业间的信用风险传染比较明显，可能是因为二者具有共同的信用风险传染影响因素，即交通运输、仓储业；批发和零售贸易业与社会服务业间的信用风险传染效应最强，且相对稳定，其原因可能是这二个行业均受交通运输、仓储业影响，它们本身也存在较强的关联性 　　关键词：第三产业；信用风险传染效应；DCCMSV模型；KMV模型 　　中图分类号：F8309 文献标识码：A 　　根据国家统计局颁布的《2012年国民经济和社会发展统计公报》数据，2012年第三产业增加值占GDP的比例再创新高，达到446%，第二产业增加值比例为453%，第三产业已经基本与第二产业持平，对GDP的贡献在加大第三产业中各个行业之间联系紧密，尤其是在资金链方面，呈现出“一损俱损、一荣俱荣”的效应因此，从实体经济的视角来看，第三产业各行业间存在较强的风险关联性，而从虚拟经济的层面观察，存在“你方唱罢我登场”的行业轮动规律，而这种行业轮动现象实际上也映射出第三产业行业间的紧密联系鉴于第三产业面临的信用风险以及行业间信用风险传染效应的日益增强，同时考虑到它对于国民经济的重要性与日俱增，因此对第三产业行业间的信用风险传染效应的深入研究已经成为学界和业界目前面临的紧迫课题考察第三产业行业信用风险传染效应，一方面有助于进一步了解第三产业实体经济的运行状况，提高风险管理效率，有效防止风险扩大效应，减少连锁性行业危机出现的可能性另一方面，有利于准确把握行业信用风险的传染机理，为制定相应的政策及进行宏观调控提供理论基础 　　所谓信用风险传染效应，就是一个债务人违约对其他债务人的影响及其强度现有的信用风险传染效应研究主要基于简约模型，Duffie， Pan和Singleton，Ingleton以及Jarrow和Yu等将联合跳跃纳入违约过程中，以违约强度为关键变量构建了扩展的简约模型[1-2]随后，Frey和Backhaus认为违约过程服从一个条件有限状态MC （Markov Chain）显而易见，简约模型对关键变量如违约强度的假定较为严格，因此存在一定的局限性随后，诸多学者对简约模型进行了改进从市场参与者不完全信息的角度切入，Schoenbucher将Copula函数与生物研究领域的Frailty Index相结合，构建了信息驱使的传染模型基于混合选举模型均衡分布和交互粒子系统相关理论，GieseckeI和Weber建立了信用风险传染模型，该模型考虑到了动态经济环境下的状态转换上述研究只从结果上测算出违约概率，没有反映出违约的根本原因考虑到宏观经济因子的影响，不少学者如谢赤和徐国嘏、程婵娟和邹海波以及尹航和南灵基于CPV模型将违约现象与宏观经济形势（或周期）相联系[6-8]不难看出，CPV模型依赖于一系列假设此外，诸多学者从信用风险相关性的层面出发，考察信用风险传染效应如Asai和Mchaelr以及Hui和Zheng建立了一个DCCMSV模型，并证实了该模型能准确地估计信用风险间的交叉相关性[9-10] 　　由上可知，现有研究仅局限于对两个或几个紧密相关的主体进行研究，少有学者从更为广阔的行业视角出发考察第三产业行业信用风险传染本文结合KMV模型和DCCMSV模型，构建一个行业信用风险传染效应度量模型，并基于此量化第三产业行业信用风险传染效应 　　1模型构建 　　KMV模型认为，企业的信用风险取决于资产价值、资产风险、杠杆比率等3个主要因素应用KMV模型估计某一企业的违约概率包括以下两个步骤 　　2实证分析 　　21数据来源及数据分析 　　2005年4月29日，中国证监会开始股权分置改革，至2006年底大多数上市公司都完成了股权分置改革股权分置改革将对参与股改的公司绩效产生一定的影响，因此本文以2007-2012年为样本期间 相当大部分样本公司的2012年