1、1基于 DCCMSVKMV 模型的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（71221001） ；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
2、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 2中图分类号：F8309 文献标识码：A 根据
3、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
4、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
5、-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3一定的局限性随后，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
6、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
7、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 42005 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 年度年报尚未公布，本文的样本期间截止于 2012 年 9月 30 日，并以样本期内在深、沪两个交易所 A 股市场间有连续交易记录的第三产业上市
8、公司为研究对象本文的相关数据来源于国泰君安数据库 根据中国证监会公布的上市公司行业分类指引和2012 年 4 季度上市公司行业分类结果 ，排除涉及领域较繁杂以及主营业务不突出的行业，同时考虑到各行业中上市公司数量，本文选择交通运输、仓储业（F） 、信息技术业（G） 、批发和零售贸易业（H） 、房地产业（J）以及社会服务业（K）等 5 个行业为研究对象，以考查这 5 个行业之间的信用风险传染效应表 1 为行业信用风险指数的描述性统计结果由此看出，H 行业，也就是批发和零售贸易业的信用风险最高，其违约距离的均值为-341e05，而 K 行业，即社会服务业的信用风险最低从信用风险的波动来看，G 行业
9、和 K 行业的标准差较大 22DCCMSV 的参数估计 DCCMSV 模型参数的估计结果如表 3 所示不难发现各个参数估计值的标准差均较小，故可以初步判定样本路径是收敛的，参数估计结果是合理的 23 第三产业行业信用风险传染效应分析 图 1 为样本期内第三产业中 5 个行业之间信用风险传染效应时序图，其中 CGH 表示 G 与 H 行业间的信用风险传染效应总体来看，F，G，H，J 和 K 等 5 个行业之间的信用风险传染效应均大于 05，这证实了第三产业各行业之间信用风险传5染程度较强其中，F 与 G 行业、F 与 H 行业、F 与 J 行业、F 与 K 行业、G与 H 行业、G 与 J 行业
10、、G 与 K 行业、H 与 J 行业、H 与 K 行业、J 与 K 行业之间信用风险传染效应变动区间依次为：085， 089，065， 085，076， 084，066，078，065， 075，07， 085，055， 085，06， 085，085，09以及06，09整个样本期内行业信用风险传染效应都呈现震荡上行的趋势，说明这段时间内第三产业各行业信用风险传染效应增强这可能是由于：受金融危机、欧债危机等影响，中国宏观经济氛围偏冷，加上第三产业内部结构不合理，极易受整体大环境影响因此第三产业出现了一定程度的衰退；从虚拟经济的层面来看，金融市场震荡下行，各行业的信用风险普遍上升，且受外部危机影
11、响，各行业间的关联性加强，因此出现连锁性行业危机的可能性增大 F 与 G 行业、F 与 H 行业、F 与 J 行业、F 与 K 行业间的信用风险传染效应较显著.这可能是因为：作为基础设施和基础产业，交通运输、仓储业（F）对 G，H，J 及 K 的影响比较显著，当 F 行业的信用风险水平比较高时，危机易波及其它相关行业，产生较强的信用风险放大效应 H 与K 行业间的信用风险传染效应显著，这可能是因为 H 与 K 行业之间存在较强的关联性，K 行业主要涉及物流、旅游等方面，这些方面与批发与零售贸易业联系紧密，这两个行业之间很可能存在较强的信用风险放大效应J 与 K 行业间的信用风险传染效应较显著，
12、可能的原因是：一方面，这两个行业都受到 F 行业影响，具有共同的信用风险传染影响因素；另一方面，这两个行业本身存在较强的关联性 3 结论 6构建了一个行业信用风险传染效应度量模型，并考查了中国第三产业中 5 个行业之间的信用风险传染效应研究得到如下结论： F，G，H，J 及 K 这 5 个行业两两间的信用风险传染效应均大于 05，证实各行业之间信用风险传染非常显著.这可能是因为：第三产业内部结构不合理，各行业间存在较强的关联性在样本期内，信用风险传染效应呈现出震荡上行的大致趋势，反映各行业信用风险传染程度在不断加强.可能的原因是由于受不利的宏观氛围影响，第三产业各行业信用风险上升，且各行业间关
13、联性强 F 与其他行业间的信用风险传染效应比较明显这可能是因为：作为基础设施和基础产业，交通运输、仓储业（F）对其它行业影响较大，发生信用风险危机放大化的可能性较大；行业之间关联性比较强 由此看出，中国第三产业内部结构不够合理，易受外部危机影响，因此产业内部结构调整和优化已成为一个亟待解决的难题本文工作还存在待改进的地方，后续研究将尝试考虑结构变化时点，考虑不同状态条件下第三产业行业信用风险传染效应. 参考文献 1DUFFIE D， PAN J， SINGLETON K Transform analysis and asset pricing for affine Jumpdiffusions
14、J Econometrica， 2000， 68（6）： 1343-1376 JARROW R， YU F Counterparty risk and the pricing of defaultable securitiesJ The Journal of Finance， 2001， 56（5）： 1765-1799 7FREY R， BACKHAUS J Pricing and hedging of portfolio credit derivatives with interacting default intensitiesJ International Journal of The
15、oretical and Applied Finance， 2008， 11（6）： 611-634 4SCHOEBUCHER P Informationdriven default contagionR Zurich： ETH Working Paper， 2003 谢赤， 徐国嘏 银行信用风险度量 CreditMetrics 模型与 CPV 模型比较研究J 湖南大学学报：自然科学版，2006， 33（2）： 135-137 XIE Chi， XU Guogu Study on internal credit risk measurement models for commercial ba
16、nks in chinaJ Journal of Hunan University：Natural Sciences， 2006， 33（2）： 135-137 （In Chinese） 程婵娟， 邹海波 CPV 模型在银行贷款违约概率计算中的应用研究J 当代经济科学， 2009， （5）： 15-20 CHENG Chanjuan， ZOU Haibo Toward the application of CPV model in the calculation of loan default probabilityJ Modern Economic Science， 2009， （5）： 1
17、5-20 （In Chinese） 尹航， 南灵 我国商业银行房地产信贷风险相关因素分析-基于 CPV信用风险度量模型J 金融经济， 2010， （7）： 86-87 YIN Hang， NAN Ling Commercial banks real estate credit risk related factors analysis in ChinaJ Finance & Economy， 2010， （7）： 86-87 （In Chinese） 8JOSHUA C C， KROESE D Efficient estimation of large portfolio loss proba
18、bilities in tcopula modelsJ European Journal of Operational Research， 2010， 205（2）： 361-367 ASAI M， MCHAELR M The structure of dynamic correlations in multivariate stochastic volatility modelsJ Journal of Econometrics， 2009， 150（2）： 182-192 10HUI E， ZHENG X The dynamic correlation and volatility of
19、real estate price and rental： an application of MSV modelJ Applied Economics， 2012， 44（23）： 2985-2995 11NGUYEN R Macroeconomic factors and Japans industry riskJ Journal of Multinational Financial Management， 2007， 17（2）： 173-185 张欣，崔日明.政府支出能规避对外贸易风险吗？来自“灵猫六国”的经验证据J.经济数学，2012，29（3）：51-55. ZHANG Xin，CUI RimingCan government expenditure evade trade risk？Evidence from “CIVETS”JJournal of Quantitative Economics，2012，29（3）：51-55（In Chinese）
