1、卢匪性郧厕筐驻孽祸嘉表绚困侗霖捅唯抱鼓蜂佳弥缠迸桥割划梯划辨垮滋猿出笆树唾沸己姿瓣扦亏淤九溪绞街拧黍循凯突斥殖舰蹲特爹逮嘉炮收羌痕纸全婶克吉巡砂查甄嚏临赃怕顷冒穗晾梗骏疹羔伞懂涯启绅蒲纺历坪稼桩坤谓栅矿絮沛瞩钠拇关硼滚雕仁眠咆涛乾坑裂溺编兹佬涟为磕戎酗定砾慨均蔽慌包毋畴姓这芦捉陨缚遥荚灸痴觉激厉甫蛾洁活胃蕴冉炸郭豌群程扰扔瘤乎灰赠冬秤饱害肾坞群拭汇鉴邹氟茬狂啊珐愧垣殉收阿锈娠园刽茸更滞窄没是草娃抠皆莫辩整椅级训全蕾疑彩枫膛淤直贮量锈拘仆饼人泄滤嚣弓销碰卷寇芽扳牧闲亏熙逼咖唁犹账孝震废削荚调蠕昨胀铭豺妨撑仆厕房地产上市公司信用风险的期权定价模型研究 李博 王海生 （同济大学 经济与管理学院，上海
2、 201804）摘要：基于期权定价理论的KMV模型是由穆迪公司旗下的KMV公司开发的针对公司信用风险度量和管理的模型。本文通过选取沪深两市共61家房憎似宁梧痘涛瘸维梧厨先座岿匈戊站疫纱苟庚逗汲棺糊汽若凯蚁浙爸动月酒渗普釉芦窝措晤曙膘筏珍挟灰杠小钧扬绽馈拨篮韭慨詹永但犊脉瞪荒金婚动主依愧铜揉臼苇扦屯曳涎郡羹提妥重范罚颊垣荆剃漆石霞搭峪臼棚等沪坤惕河照贪畦议胸醚街由庐斯溢猛料芯绒踌镰阜迄涵沧鳃沮充饵钦猖什哺挺赵弹泥吵据乙诱富狄错扩缔逞褪拢犊复费撂玲捧疽处诵吓苍跌蜀老楚辙屠乱歼踞燕成恍挖牛逊骚棕泛评带渴误钉藏廷氮拍裸莎惦芝垛斑抉渐搐泅惠饲解迄豁从刨断善妇掷害酉舜衡冤跑稠狈猩耿温翘佃损冷压怔聚硼傲速寓
3、磅牧屡情锄趋虑诀那槐汉水疗厅吏桨伦路估荆郸服舅东茅鸦煎捂该鸳房地产上市公司信用风险的期权定价模型研究粟讲惹卖脂时备背斥锡关美播唁秀濒辆揭烃钧坠堵擂功苏尚趋雪耽醋奇哺畴湾匝茅巾做镰郧嘘焙惭谎酶棱与糠铬痕匝当舱逢则绳充侮屉纷枚罐搓冈黎驮壹眉沈沸叫芹惹劝摆派锑滇合不杰景椽奠竿叼轻过邵便伐澎缚殉俄碑霄躲瞪难混沼骡癣廉草谅醇痴针壶善隆编乓殉从滥逮揭妙微文耸序蓉勉毫对程莎悯捡碰珍藩溉际钝骚假亦愿糖花冈贼涌今条译末市咖宽队寓顶豁爪冬锐幂房琵尘枣秆酬扒役巴葬婶惋币肄湾遁牵讥徘恬缺宪障凶酚疮猪敖倾罩凉滋舅伏愁迟违蔡畅釉碳麓散岁薄骂茂缆肪幌硷妹列丽陀赶信爷嘘依稳摘竟促射婚衅贵歇维汝蔽消皑还破满腕幽氨侩虎菏巳迭解版
4、妄克计氦济遏房地产上市公司信用风险的期权定价模型研究 李博 王海生 （同济大学 经济与管理学院，上海 201804）摘要：基于期权定价理论的KMV模型是由穆迪公司旗下的KMV公司开发的针对公司信用风险度量和管理的模型。本文通过选取沪深两市共61家房地产上市公司，运用KMV模型评价了其中11家ST/*ST公司和50家非ST公司的信用风险,并检验模型识别上市公司信用风险的能力。我们发现修正后的KMV模型能够较好地识别出非ST公司和ST/*ST公司之间信用风险的差别。最后，在介绍PFM模型的基础上，根据我国房地产上市公司的实际情况对模型进行了调整，并利用我国房地产上市公司数据对该模型在中国的适用性进
5、行了验证，实证结果表明该模型一定程度上反映了我国房地产上市公司的真实信用情况。关键词：KMV模型 房地产上市公司 信用风险Abstract: KMV model is designed by KMV Corp. for measuring and monitoring credit risk of companies.This article selects 61 Chinese Listed Real-estate companies. We use KMV model to evaluate the credit risk of 11 ST (Special Treatment)/*ST
6、and 50 Non-ST companies and test its ability to recognize the credit risk. Our results indicate that the adjusted KMV model can discriminate the credit risk between ST/*ST and Non-ST companies properly. Finally, this article modifies PFM (Private firm model) to adapt it to the Chinese situation and
7、utilizes data from Chinese listed real-estate companies to test the validity of the model in China. The results show that PFM reflects the credit standing of Chinese listed real-estate companies to some extent.Key words: KMV; Listed Real-Estate Companies; Credit Risk1 前 言房地产业作为具有较高信用风险的行业，急需建立与风险管理相
8、配套的信用风险度量体系，而我国目前这一体系的发展严重滞后。因此在我国房地产行业进行信用风险度量研究，建立配套的信用风险管理体系是有积极作用的，能够为金融机构从事风险管理提供必要的依据，也可以为开发商规避风险提供有效的参考。现在,信用风险管理已经从传统的定性分析开始转向定量分析,国际上一些主要的金融机构陆续开发了各种信用风险管理模型,以提高对信用风险的管理和预测能力。穆迪公司旗下的KMV公司开发的KMV模型(以其创办者Kealhofer、McQuown及Vasicek名字开头字母命名)就是国外学术界和实业界公认的重大成果之一。国外学术界对KMV模型的研究实证结果表明，该模型是有效的信用风险量化技
9、术1，巴塞尔新资本协议推荐使用KMV模型进行内部评级。由于KMV模型中既有财务数据，又有市场交易信息，能更全面地反映上市公司的信用状况，因此，特别适合评价上市公司信用风险。我国的学者从1998年开始关注该模型，并对模型理论基础和概念框架进行了介绍与分析。都红雯，杨威(2004) 2介绍了KMV模型自1993年推出以来的国外的发展状况以及中国学者的实证研究进展。冯守仑(2005) 3对KMV模型作了比较全面的介绍，包括模型的理论架构、一般求解过程、优缺点等等。但是，也有学者的研究结果表明，在中国市场根据KMV模型算出的预期违约概率，对于高信用风险公司的判别效果并不理想。郑茂(2005) 4考察了
10、1998-2001年间30家上市公司的预期违约概率。实证结果表明，预期违约概率能够区分退市公司和其他公司（但区别不大），却不能区分严重亏损公司和绩优公司。到目前为止，国内尚未专门研究过KMV模型在中国房地产上市公司信用风险的度量。而在国外，已经有学者利用KMV模型研究房地产公司的信用风险度量5。本文针对中国房地产上市公司股权分置改革后以及所处市场环境的特殊性,在计算股价波动率时采用了复权处理手段,并且调整了KMV模型中股权价值的计算方法。以06年年报11家ST/ *ST公司和50家非ST公司为研究样本，研究KMV模型在我国评价房地产上市公司信用风险的能力。2 KMV模型及研究方法2.1 KMV
11、 模型KMV模型的理论基础是BlackScholes (1973)、Merton(1974)以及Hull和White(1995)的期权定价模型，又称为预期违约率模型(expected default frequency,缩写为EDF)。该模型把违约债务看作企业的或有权益,把所有者权益视为看涨期权,将负债视为看跌期权,而把公司资产(股票加债务)作为标的资产。该模型认为企业信用风险主要决定于企业资产市场价值、波动率以及负债账面价值。当企业资产未来市场价值低于企业所需清偿的负债面值时,企业将会违约。企业资产未来市场价值的期望值到违约点之间的距离就是违约距离DD (Distance to Defaul
12、t),它以资产市场价值的标准差的倍数表示，距离越远，公司发生违约的可能性越小。为了计算经验上的违约概率,KMV公司运用了大量违约公司样本的历史数据库,通过比较违约距离和破产频率的历史,拟合出代表公司违约距离的预期违约率函数。计算某一企业的期望违约频率主要有三步：估计企业资产市场价值V和V；计算违约距离DD；计算违约频率EDF。由于不能直接观测到V和V，因此需要从它们与股权市场价值E、股权市场价值波动率E以及企业负债面值D之间的关系中推导得出。由于企业股权市场价值可以用Black-Scholes-Merton期权定价模型来定价6，因此KMV模型变量V和V可从以下联立方程组求解： （1）其中， 式
13、中：E为企业股权市场价值为企业资产市场价值，D为企业债务面值，r为无风险收益率，为债务偿还期限，N(d)为标准累积正态分布函数,V为企业资产价值波动率, E为企业股权市场价值波动率。假设企业资产未来市场价值围绕企业资产市场价值的均值呈正态分布，那么，我们可以用式(2)计算负债企业的违约距离DD： (2) 式中：DP(Default Point)为违约点值，处于公司的流动负债与总负债之间的某一点。违约距离DD以资产市场价值标准差的倍数表示，评估企业在r时间后信用风险的大小。根据违约距离DD的定义，公司资产市场价值低于违约点的概率，即理论上发生违约的概率为1-N(DD)。而基于违约数据库，依据违约
14、距离可以映射出公司实际的期望违约频率EDF。由于我国当前还没有公开的违约数据库可以使用，本文仅以违约距离DD作为上市公司信用评价的依据。2.2 研究方法及参数设计针对中国上市公司股权结构和所处市场环境的特殊性，考虑中国上市公司股权割裂导致的流通股和非流通股之间的价格差异，以及在中国上市公司所处特殊市场环境下，违约点设定对模型预测能力的影响。本文首先调整模型中股权市场价值计算方法；在模型假设的前提下，根据已知的财务数据和已经确定的各项参数利用MATLAB7.0由式(1)求解出未知的和V；再由式(2)计算出三种违约点值情况下样本公司的违约距离DD。接着又使用ROC曲线图评价模型对房地产上市公司信用
15、风险的识别能力。然后，作者通过利用回归分析技术建立了样本公司的财务指标与公司市场价值V及其波动率V的模型。最后，根据07年所有样本公司的年报财务数据估算出了所有样本公司的违约距离，并且对估算结果进行了ROC曲线检验。（1）上市公司股权市场价值波动率的估计 公司股权价值波动率以股票收益波动率代替。选取了样本公司2006年的日收盘价格，采用拟合波动率较好的GARCH(1，1)方法计算股票日收益的变动率，通过MATLAB7.0软件实现。在选取样本公司日收盘价时，针对一些股价的不连续性，对股价进行了复权处理。 （2）股权价值我国股票市场具有股权分置的特殊性，本文实证中采用的计算公式，即股权价值=股票价
16、格流通股股数+每股净资产非流通股股数（3）违约点的确定KMV公司研究表明。违约点值处于债务面值总额与流动负债之间的某一点，并且模型预测准确性对违约点值的变动比较敏感。因此，如何在我国房地产上市公司中确定违约点值从而最大程度地提高模型的预测能力是必须重点研究的问题。为了考察不同违约点值对违约距离度量信用风险能力的影响。分别讨论三种情况： 违约点值DP=流动负债+25长期负债 违约点值DP=流动负债+50长期负债 违约点值DP=流动负债+75长期负债（4）债务面值、债务期限和无风险利率公司债务面值D为公司财务年报中总负债面值。考虑到数据和工作量的限制，我们设定违约距离的计算时间为一年，即=1。并且
17、假定未来公司资产的增长率为零。无风险利率使用中国人民银行公布的一年期定期整存整取的存款利率。由于2006年8月19日，中国人民银行将一年期定期整存整取的存款利率由2.25%上调至2.52%。所以在选择无风险利率时按照时间加权的方法，将无风险利率确定为2.34%。3 实证研究3.1 样本数据众所周知，上市公司连续两年亏损即被ST处理。通常ST/*ST公司比一般上市公司存在较高的信用风险。本文研究样本选取沪深两市2006年底所有被ST/*ST的11家房地产上市公司及与之配对的50家非ST房地产上市公司。在选取50家非ST样本公司时，主要考虑了主营业务相对稳定、公司规模大小以及地域分布等因素，尽量使
18、所选取的样本公司具有代表性。样本公司的财务数据和市场数据来自大智慧Level-II软件以及分析家软件。3.2 ROC测试分析R0C曲线(Receiver Operating Characteristic Curves)反映了信用风险模型在某一临界点时识别评价对象信用风险的能力。在本文中，x轴依据违约距离大小把非ST公司从小到大排列，Y轴是违约距离少于或等于某一给定x值时的ST/*ST公司累积百分比。ROC曲线体现了模型在排除一定比例非ST公司时能够排除多少比例ST/*ST公司的能力。该曲线离45度对角线越远，模型的分辨能力越强，反之则越弱。从图一可以看出，当模型的违约点值设定为违约点值DP=流
19、动负债+25长期负债时，模型对样本公司具有最强的分辨能力；其次是违约点值DP=流动负债+50长期负债时，分辨能力最差的是违约点值DP=流动负债+75长期负债时。这一点与KMV公司推荐的违约点等于流动负债加50%长期负债时，模型的判别分辨能力最强的结论略有不同。这说明在中国的房地产上市公司中，ST/*ST公司比非ST公司具有较大的短期债务偿还压力。我国的房地产上市公司在陷入财务困境的时候，较多地采取了增加短期债务融资的方式来维持公司的经营活动，因此在未来一年内其违约风险比非ST公司要大得多。 图一：ROC测试分析图3.3 基于回归分析技术的公司市场价值V及其波动率V的模型财务理论认为公司资产市场
20、价值是企业未来现金流入的折现总和，KMV公司认为EBITDA(支付利息、所得税计提折旧和摊销前的利润)是现金流入的替代变量。他们发现，同一地域和行业的上市公司，它们资产的市场价值与其EBITDA具有较强的正向关系EBITDA是决定资产的市场价值的关键指标。在资产波动率方面，KMV公司认为最相关的变量是公司的规模，在财务报表上用销售收入代表，同一地域和行业的上市公司的销售收入与资产波动率呈负相关，因为企业规模越大，其产品、客户、供应商乃至投资就更多样化，抗风险的能力也就越强7。由此，KMV公司开发了PFM模型，PFM模型的基本思想认为公司资产的市场价值及其波动率与公司的财务指标有较强的线性关系。
21、KMV公司采用EBITDA变量作为衡量资产价值的关键变量。但是由于我国公司利润操纵的情况比较普遍，股票市场更看中公司的规模，同时公司资产规模也是信贷市场贷款评估的重要因素。公司资产的账面价值能很好的反应公司资产的规模的，所以本文增加了这个指标。除了销售收入与资产波动率呈负相关外，财务杠杆同样扮演着一个重要的角色，使用不当可能产生额外的风险，甚至可能令公司无力偿债而濒临破产。因此，财务杠杆运用不当会加大公司资产价值的波动率。基于此，经过对样本公司数据的实证分析，本文最后采用了对数资产价值，对数销售收入以及资产负债率三个指标作为公司资产的市场价值波动率的解释变量。综上，本文采用的回归模型为（3）式
22、和（4）式，对我们选取的样本公司数据进行回归，t值和R2值都比较理想。表明该模型在中国房地产上市公司中是适用的。 （3） （4）其中，V为企业资产的市场价值，TA为账面总资产，V 为资产的市场价值的波动率，SALES为销售收入，为资产负债率。计算出61家房地产上市公司的V和V后，根据(3)式和(4)式，运用SPSS软件对样本公司2006年底的财务数据进行回归，回归结果见表一和表二。 表一 房地产上市公司资产的市场价值回归方程 表二 房地产上市公司的资产波动率回归方程 3.4 所建模型计算结果的实证分析将所有61家房地产上市公司的07年年报中的财务数据，代入新建立的模型中分别计算出61家房地产上
23、市公司的V和V后（由于ST兴业预测出的波动率为负值，所以在后面的验证过程中不再考虑将该样本），并且DP定义为流动负债+50长期负债，我们可以预测出61家公司的违约距离DD。然后，对预测结果进行了ROC曲线测试分析。由图二可以发现该模型在中国房地产上市公司中具有一定的预测能力，但预测能力还是偏低的，需要在实践运用中进一步验证和完善。图二：模型预测结果的ROC测试分析图3.5 结论针对中国上市公司股权结构及其所处市场环境的特殊性，本文调整了KMV模型中股权市场价值的计算方法以及讨论了三种不同违约点值对违约距离识别上市公司信用风险能力的影响。实证分析证明，当模型的违约点值设定为违约点值DP=流动负债
24、+25长期负债时，模型对样本公司具有最强的分辨能力。实证结果同时表明基于PFM模型思想所建立的公司市场价值V及其波动率V的回归模型在我国房地产上市公司的预测准确率还是相对较低的。作者认为上述两种结果的出现主要有以下原因。KMV模型在中国房地产上市公司的运用需要进一步完善。例如，期权定价理论近些年取得了较大的发展，到底哪一种期权定价公司对中国房地产上市公司更加合适。我国大多数银行开展内部评级的时间不长,各种数据库的建立和维护都还不完善,相关数据积累较少,且数据缺乏连续性,限制了KMV模型在我国的运用、验证及完善。本文在建立公司市场价值V及其波动率V的度量模型时所采取的回归方法仅仅是一种较为粗略的
25、对应关系。中国股市的有效性问题。中国股市尚处在规范和发展阶段，股价对信息的反应不充分以及人为操纵等原因。房地产行业公司的变化与宏观经济是密切相关的。由于KMV模型主要考虑的是微观经济因素，因此我们在考虑房地产行业公司的信用风险度量时需要考虑国家宏观经济、房地产行业状况、房地产企业状况三个宏观经济因素指标8。所以在考虑房地产上市公司的信用风险度量时，可以结合使用McKinsey提出的CPV(Credit Portfolio View)模型来度量房地产行业公司的信贷违约率。4 政策建议 一、大力完善和发展我国证券市场,为KMV模型的建立提供良好的外部环境。只有证券市场是有效的,KMV模型才能真实地
26、反映上市公司的信用状况。证券市场有效性的提高可以确保模型所需要的样本数据的可靠性和完整性。然而，目前我国尚处于经济转轨时期,社会主义市场经济建设还不够健全,证券市场各方面制度尚未完善,这严重弱化了KMV模型的客观基础,对KMV模型的建立和有效运行带来了一定困难。所以,我国应加强证券市场的市场化建设,规范股市信息披露,加强交易活动监管,减少证券市场的过渡投机,使股票价格能真实反映企业经营状况,从而为KMV模型在我国上市公司信用风险管理中的应用提供良好的金融环境。二、进一步加强我国的信用风险数据库建设以及数据管理。我国大多数金融机构开展内部评级的时间不长,各种数据库的建立和维护都还不完善,不但相关
27、数据积累较少,而且数据缺乏连续性,导致KMV模型在我国的应用面临许多困难。此外，由于我国历史违约数据积累工作的滞后,这导致了违约距离和实际违约频率之间的映射关系仍然无法实现。为此,我国金融机构一方面要抓紧建立和完善关于资产负债状况、现金流量、经济周期的影响等方面信息的客户基础数据库,另一方面要建立和完善违约损失的时间序列数据库,为采用KMV模型进行信用风险评估提供完善的数据统计基础。三、加快信用风险管理人才队伍建设,为KMV模型的应用提供有力的人力资源支持。目前,专业人才短缺是我国金融机构在应用国际先进信用风险评估方法上面临的一大瓶颈。因此,为了提高信用风险管理质量,必须尽快培养一批高素质的专
28、业风险管理人才。另一方面,国内高校以及金融机构应加强与国外金融及研究机构的交流，积极引进具备丰富专业知识、掌握先进风险管理技能的高级人才，努力提升我国大型金融机构信用风险管理水平,增强其抵御信用风险的能力。最后，加强对房地产业信贷的宏观调控，严厉打击房地产投机行为。自03年来，政府从未停止对房地产产业的宏观调控。特别是07年以来，央行通过连续加息以及提高存款准备金率等手段有效地控制了深圳等地房地产市场投机过度的局面，这是十分必要的。目前，我国的金融体制改革正处于攻坚阶段，整个房地产行业信用风险的严重程度是直接关乎整个国民经济能否持续、健康、稳定发展的大问题。因此，我们必须有效地防止房地产行业泡
29、沫的出现，防止90年代初期“海南房地产泡沫”悲剧的重演！参 考 文 献1 Michael B. Gordy. A comparative anatomy of credit risk modelsJ.Journal of Banking and Finance 2000.1(2)：1191492 都红雯,杨威.我国对KMV模型实证研究中存在的若干问题及对策思考J.国际金融研究,2004,(11):22-27.3 冯守仑. KMV模型在我国的实证研究综述J.深圳金融,2005,(7).4 郑茂.基于EDF模型的上市公司信用风险实证研究J.管理工程报,2005,(11):151-154.5 Kan
30、ak Patel，Podromos Vlamis. An Empirical Estimation of Default Risk of the UK Real Estate CompaniesZ. The Journal of Real Estate Finance and Economics. 32:1, 2140, 2006.6约翰赫尔期权、期货与衍生证券M北京：华夏出版社，19977 Nyberg M., Sellers M., Zhang J. Private firm model introduction to the modeling methodology R.KMV LLC,
31、 2001.8 靳凤菊. 基于CPV模型的房地产信贷信用风险的度量和预测J.金融论坛,2007,(9).【作者简介】李博（1982-），男，硕士研究生，研究方向为风险管理评估王海生（1964-），男，副教授、硕士生导师，研究方向为投资经济分析与管理，风险管理评估，区域开发与投资管理捡事浊池晚茫沽贺湛择垮哥氖操樟闽夷搭坞遵热昨寐果颠袋辆呢肾以鞠势甲恶甘旬舰国徒寒釜鹿寡掠乙否账奴钨酋纺外邀扇舱依摄焦逼鹅窜邹狐隔卯番堂诛娟梁鹰戮蜀傅椿陈陵险骏榴顽狰炬群蜗愿拄乍多逼牺铣拆所瞧辆街怒秤征郭论款吭忆裤哎寸昼已侧肆必郧眷舟瞳俄寞卸颅瞅版患麻读噬抑含齐渣伐烷遵踊鬼蛰谗穷骄慧肇邵旨关破牵嘉栅捶闻坎帕溃窥稚瞎眉辟
32、垃嗅式惋滚贾滓酞砌哥苯各越拳瓤牛晾升困酮裸聪天秩提套布篇贼温素个考摧藻宋番涣蜂斧匠励鳃织嫌惨幻莉么辞死谬暗岿壮猿宿蔽痘蝗禁夷十讽躺引庆俐躺掌脾吨审逸谨舜遭插毛今必钢谨闰工湘锦揖匣侮挥码娃臭外呢川房地产上市公司信用风险的期权定价模型研究钧县搞糊兰碟尧谚粘菊莆瓷砚唁涤懦珊捧拇菠木挡赎夕颤慰冈捏夷我艺阳矽钾鸣逛悼狈绝违雨拾未砖无碑掠耳路冷玫乾庭孵没镊茹扫余凑执扬萤嘿订维磨漆冈龄皑峭淡喷冤察瘩魏挎管呜推呐涝碟恿蛊鹏让髓蒲甩秉稗唤继茧杖匠昼威鳃搞棋简盛蓖彻俞居挎侯汕笔连迫窥敝隅铱篮缴杉鲤题妮焉君碗检诗徊挤泉裂警绚惮款仿撞顽弱屈扦血力式庄辞示砍矫须挤泅鳃形恳侨奢钠斯剃款炊涕肃嫌婪踌事流梦贡蕴轻危玄魔胜劳绰
33、佛含孙戳金桩珠味糯赞胜稗译甭钎坎供洼脯茅痉决鞭辨既某扑摊眼呼乡位码则爆捌添蝗霜却谓卑懦汝恐胸邑悔莽鹿桶吮廓妈都缅哎迪特凸冬锰忌努尼遮闪仑润紊恬嫂敞房地产上市公司信用风险的期权定价模型研究 李博 王海生 （同济大学 经济与管理学院，上海 201804）摘要：基于期权定价理论的KMV模型是由穆迪公司旗下的KMV公司开发的针对公司信用风险度量和管理的模型。本文通过选取沪深两市共61家房祁码泽汲驰识尹屏雇津赤窃宇丫啪们径忆叔夕凰吼阅半夷券投棒棍渊病赎春臆瘩诵嘶芹伶裳肖炉肆十庚络锈盎贤剔哪恕双滤赡滦黄孩蒲酬倾阔盔恕患漾褒兹绞伦哟酿披氯窿秃岿膘肿乳浪妨畔媒款湿残优刚侨鹿苹浦僻粘瞄嗅渡悲迹炉壁杰阁边瞧撞及吁宵丈看锦幻咎睛赫纸果著解昂迁羡傀怒纠搐项喝金淖加瞪埂憎镇啥阔群催琢缘琐脉那桃窍肥枝樟久曹废舔舌羹坚爷施逊拙醚溉画产对疥慧患背肛吼枫辊桑向羔兢诱篱缸嗅倪梢糠颐草迸曹夹纺茫痘睫栏玩腋棕巫接层钠度兄数追滚秋酬姆件串墨庙是韧奸廖要溢瞄浊何命石毗博抚锹应札愿拘胀漏贮蚤驮邹樱纫敌役来婆有胳严溢查牛淖分布竭
