中国绿色信贷风险的评估与监测——基于新能源汽车产业的视角

一、引 言

中国经过四十多年的改革开放，经济得到了飞速发展。就国家层面而言，经济体量一跃成为全球第二，仅次于美国。但是伴随着中国经济的快速发展，环境问题也愈发严峻。伴随着中国经济步入“新常态”，政府和人民的环保意识不断增强，以前的那种过于追求经济效益而置环境污染于不顾的粗放式发展已经难以为继。在此大环境下，响应中央的可持续发展战略，大力发展绿色产业是推动中国经济全面转型的必然选择。金融行业作为实体行业的“输血器”，应该积极响应政府大力推动绿色产业发展的政策，积极开展绿色金融业务，以承担自身的社会责任。

绿色金融，作为区别于传统金融的一个新概念，其倡导的可持续发展理念最早可以追溯到1972 年瑞典斯德哥尔摩的第一届联合国人类环境会议，在这次会议上通过了《联合国人类环境会议宣言》，之后的《京都议定书》、《哥本哈根协议》，乃至最新的《巴黎协定》等国际性文件都一再强调可持续发展的重要性。2016 年的G20 杭州峰会上发布的G20《公报》更是指出，为支持在环境可持续前提下的全球发展，有必要扩大绿色投融资。

伴随着绿色金融概念的兴起，西方发达经济体自20 世纪70 年代开始就陆续建立政策性的环保银行。2003 年，由花旗集团、巴克莱银行、荷兰银行、西德意志银行等10 家私人银行牵头，共同创立了“赤道原则”。“赤道原则”虽然是非官方的自愿性准则，但是自发采纳“赤道原则”的金融机构越来越多。统计数据显示，截至2018 年12 月，全球共有94 家金融机构已经采纳“赤道原则”。这些金融机构遍布在全球的37 个国家，从项目融资规模来看，这些金融机构占据了新兴市场70% 以上的份额。目前中国大陆采纳“赤道原则”的金融机构有2 家，分别是兴业银行和江苏银行。借着中国开始大力发展绿色金融的春风，很多中小银行也开始尝试将“赤道原则”运用于自身的环境和风险管理体系中，比如，湖州银行就将“赤道原则”纳入未来的发展规划中。

(一)商业银行与绿色金融的联系

对商业银行而言，绿色金融不仅意味着将绿色理念体现在自身的运营管理过程中，更体现于其将环境保护同自身信贷、投资与融资等业务相结合的实践活动中，突显金融与可持续发展的高度相关性。

一方面，对中国商业银行而言，推行绿色金融不仅是国家宏观政策的要求，同时也是其承担自身社会责任、助推可持续发展的需要，是商业银行在新经济形势下所面临的机遇与挑战。另一方面，我国商业银行应当担负起推动绿色金融发展的责任。首先，对于中国当前实体经济而言，以银行为核心的信用体系仍是发展的中流砥柱。其次，考虑到商业银行所拥有的业务资源、标准化项目审批与风险管理流程、高层次的业务项目创新等因素，我国商业银行在绿色金融发展领域具有其他金融机构或非金融机构所不具备的比较优势。因此，商业银行应当成为我国绿色金融体系的开拓者和引领者。

(二)绿色信贷发展现状

《中国绿色金融发展研究报告2019》显示，中国在2018 年的绿色金融融资的需求在2.1 万亿元左右，而2018 年全年的绿色金融资金的总供给则只有1.3 万亿元，供需之间的差额高达8000 亿元。报告还预测，中国在2019 年全年的绿色金融融资需求将上升到2.5 万亿元。由此可见，中国企业对绿色金融融资的需求极其旺盛，在未来很长一段时间还有很大的增长空间。

根据央行数据，我国绿色贷款余额呈不断增长的趋势。截至2018 年年底，中国主要的21 家银行的绿色贷款余额总量已经超过了8.23 万亿元，同比增长16%，占商业银行对企业贷款总额的近10%，其中投向绿色交通运输的贷款余额达3.83 万亿元，同比增长18.1%;而根据最新的数据，2019 年6 月中国主要金融机构绿色贷款本外币余额更是达到了9.47 万亿元，其中投向绿色交通运输的贷款余额达4.22 万亿元。

自2017 年第三季度起，中国人民银行开始尝试将绿色金融纳入宏观审慎评价(MPA)考核体系，将其置于“信贷政策执行情况”项目下。2018 年起，在考量常备借贷便利和再贷款担保品时，更是优先接受符合条件的绿色贷款和小微企业贷款，这些政策对于促进绿色信贷的发展具有极强的指向性意义。

新能源汽车信贷作为绿色金融的一项业务，近些年在国家相关政策的大力推动下，显示出强大的发展潜力。数据显示，自2018 年起中国汽车销量整体呈现下降趋势，然而新能源汽车的销量却呈现出逆势上涨的趋势。分析中国汽车工业协会数据可以看出，2018 年中国汽车行业总销量为2808.1 万辆，同比下滑2.76%;与此同时，2018 年新能源汽车总销量为125.62 万辆，同比上涨61.67%。

表1 近三年国家有关新能源汽车行业的政策

图1 近年中国汽车销量与增长率

图2 近年中国新能源汽车销量与增长率

(三)论文结论与创新

本文以新能源汽车为切入点，对中国商业银行绿色信贷信用风险进行了分析与研究。同时以传统企业作为参照，发现相对传统企业信贷的信用风险，商业银行发放绿色信贷，其面临的信用风险差别不大，甚至在某些方面，绿色信贷的信用风险会略好于传统行业。因此得出结论，商业银行在现阶段应该积极发展绿色信贷。

本文的创新点主要有以下几方面:第一，创新性地将KMV 模型运用于某一具体行业的信用风险的研究。之前国内关于KMV 模型的研究主要是聚焦于KMV 模型运用于中国金融市场有效性的研究，另外还有一些关于KMV 模型修正的研究。此次我们尝试将KMV 模型运用于中国新能源汽车行业，从而对中国绿色信贷的信用风险状况进行研究。第二，对模型进行修正，找出合适中国金融市场的最优参数。KMV模型最早是用于美国市场的信用风险的研究，此项研究最初得出的违约点(DP)=短期债务(STD)+0.5 ×长期债务(LTD)，但是此违约点(DP)计算公式中的0.5 这一参数主要针对美国市场计算得出的。倘若将其直接运用于中国市场，因其未能充分考虑中国金融市场自身存在的某些特点，因此可能造成模型的使用效果不佳;此外，此参数主要是根据上世纪九十年代的美国市场的数据计算得出，随着时间的推移，市场环境有了变化，此模型参数的解释力也可能会逐渐出现问题。综合以上，我们设置了21 组参数，利用Python 绘制CAP 曲线，计算出相应的精确比率值(AR)，从而找出最符合中国金融市场特点的一组参数。

二、文献评述

(一)“绿色金融”的定义及商业银行针对绿色信贷的风险测度

“绿色金融”的兴起，源于环境破坏问题越来越严重，人们的环保意识不断增强，开始越来越注重可持续发展。在此背景下各国开始审视自身的发展，“绿色金融”作为助推各国经济转型的一种金融支撑，受到的重视程度不断增强。

然而，国内外针对“绿色金融”的定义侧重点有所不同。国外针对“绿色金融”的研究较早，其对绿色金融的研究最早是以“环境金融”的概念出现的，Jose Salazar (1998)认为，环境金融是金融行业和环保产业的结合，以通过金融的手段达到保护环境的目的。①

联合国环境规划署将“绿色金融”定义为，在改善人类福祉和社会公平的同时大大减少环境风险和生态稀缺的一种经济。Henry Schäfer(2017)提到，“绿色金融”在很多国家被理解为一种新的经济秩序，它释放了创新力量并增强了企业家减少温室气体排放量和削减资源负载的能力。②

方灏、马中(2010)认为环境金融的本质是以环境保护为目的的一种创新型金融模式。③张宇和钱水土(2017)综合国内外学者对绿色金融的认识，提出绿色金融旨在通过创新金融工具、金融扶持政策和金融发展模式以解决气候变化和环境污染等问题，从而实现经济、社会和环境的可持续发展。④《中国绿色金融发展研究报告2019》中给出了绿色金融简明的定义，认为绿色金融就是金融行业对环境污染治理和生态环保等绿色产业给予资金支持。《关于构建绿色金融体系的指导意见》指出，绿色金融旨在通过贷款、私人股本等一系列政策、体制安排和相关基础设施的建设，发行债券和股票，以及通过保险和其他金融服务，将私人资金引向绿色产业。

商业银行绿色信贷是国家大力倡导的一项业务，作为近些年开始兴起的信贷形式，虽然存在一定的信用风险，但是国内外都有研究表明，绿色信贷的发展有利于降低商业银行的整体风险，提升商业银行的盈利表现。王洁(2016)认为，绿色信贷有助于提升商业银行风险管理能力，在建立良好声誉的同时提升商业银行核心竞争力。李苏等(2017)提取了2011 ～2015年间16 家上市银行的数据，对其进行分析研究后得出结论:商业银行开展绿色信贷对商业银行的业绩提升有正向推动作用;绿色信贷的实施能在一定程度上降低银行整体风险。⑤刘忠璐、王鹏英(2019)对绿色信贷和商业银行盈利之间的传导机制进行了研究，发现两者之间呈现负相关关系，其可能的原因是当前绿色信贷对银行绿色信贷业务的创新和风险管理方面的积极作用并未充分发挥出来。⑥

不可否认，虽然绿色信贷近些年的比重不断增加，但是绿色信贷的效果并没有完全发挥出来，可以预计未来绿色信贷会有极大的发展空间。此外，因为绿色信贷蕴含着一定的信用风险，银行业开展自身业务时，防风险是其重点考量的一个方面，因此对于绿色信贷风险的精准度量和量化对银行业开展绿色金融业务显得尤为重要。

(二)关于KMV 模型的综述

KMV 模型是由美国KMV 公司于1997 年创制的用以估计借款公司违约概率的一种方法，其主要思想源于Black -Scholes 期权定价公式，利用公司股权的市场价值以及股权价值的波动率、到期时间、无风险利率和债务的账面价值估算出公司资产的市场价值以及资产价值的波动率。

Matthew Kurbat 和Irina Korablev (2002)使用Calibration 和Level validation 方法，并结合上千家美国公司的财务数据，对KMV 模型的有效性进行了验证，最终证明KMV 模型在预测公司违约方面有较好的效果。⑦Crosbie 和Bohn(2003)将KMV 模型运用于金融公司的违约测算，发现违约距离(EDF)能够较好地预测此类公司的信用状况变化。⑧

王琼和陈金贤(2002)研究发现，KMV 模型中当企业价值在短期负债±50 %长期负债附近时企业最容易发生违约。由于违约距离是经过标准化处理的一种度量信用风险的方法，所以可以用在不同的公司之间进行比较。①曹道胜和何明升(2006)认为，KMV模型针对中国证券市场也有较强的适用性，原因在于:首先，KMV 模型采用的数据主要是公司的财务数据和股票交易数据，因此对于所有股权公开在市场上交易的上市公司都是适用的;其次，KMV 模型对市场有效性并无要求;再者，KMV 模型中使用的财务数据也主要是债务账面价值，这就使得即使公司存在会计信息失真的情况也不会对KMV 模型的有效性造成太大的影响。此外，有部分研究将传统的KMV 模型进行一定的修正，以期更好地符合中国金融市场的特点。②蒋彧和高瑜(2015)针对中国市场的特点，对KMV 模型进行了一定的修正，运用修正的KMV 模型对中国的上市公司进行信用风险评估，并检验修正后的模型的信用风险识别和预测能力，最终发现修正后的KMV 模型对于中国上市公司信用风险具有较强的预测能力。③

三、研究方法

(一)KMV 模型

使用KMV 模型的一个重点是计算出客户违约概率，其主要计算步骤如下:第一步，估算公司的市场价值及其波动率。此过程主要使用的是公司股权的市场价值、股价波动率及债务帐面价值的数据。第二步，确定公司的违约点(DP)，并计算出违约距离(DD)。先用目前公司价值估算公司预期价值，再综合使用公司预期价值以及公司价值的波动率测算出公司的违约距离。第三步，确定违约距离与违约率之间的对应关系。此过程主要依据公司的违约历史数据来确定。

1. 估算公司的市场价值及其波动率

影响公司是否违约的最主要因素是公司资产的价值及波动率，但这两项数据无法通过直接观察得到。但是对于一家上市公司而言，公司股票的市场价值及其波动率可以通过观察而得到。

按照期权的思想，我们可以对公司的股权价值做出以下理解:若公司的融资方式只有股权和债券两种方式，债务到期时，若公司资产价值V 高于公司的债务价值D，则公司可以偿还其全部债务;若公司的价值不足以弥补公司的债务价值，则公司即使耗费其全部资产仍不能偿还其债务，此时便会发生违约。因此，可以将公司的股权价值视为欧式看涨期权，其标的资产为公司的总资产V，执行价格则是公司的债务价值。因此我们便可以借由Black-scholes 模型将公司股权的市场价值视作看涨期权，从而计算得出其股权的市场价值，其计算公式如下:

其中，E 表示股权的市场价值(亦即看涨期权的价值)，D 表示负债的账面价值(执行价格)，V 表示公司资产的市场价值，t 表示公司债务到期时间，r 表示无风险借入或贷出利率，σA 表示资产价值的标准差，N(·)表示正态分析累计概率函数。

上式中的资产价值V 和资产价值波动率σA 是未知的，但是我们可以借由公司股票收益率波动率σE和σA 之间存在的关系:求得公司资产价值的标准差σA 。

2. 计算违约距离

理论上讲，当公司资产的市场价值低于债务账面价值时，公司就会违约。但是公司负债中的长期负债由于偿还期限较长往往能减缓公司偿债压力，从而降低公司违约的可能性。原始的KMV 模型中违约点(DP)=短期债务(STD)+0.5* 长期债务(LTD)，因为KMV 公司在建立KMV 模型的过程中经过反复的计算分析发现，当公司价值处于短期债务加上50%的长期债务这个临界点时最容易发生违约事件。

但是考虑到中国金融市场自身的特点，此公式中的参数不一定是中国金融市场中的最优参数，因此本文尝试了21 组参数(0 到1 之间以5%为间隔递增)，不断更改违约点(DP)，计算公式中长期负债的系数，可得到同一公司同一时间点下的不同违约距离，将其视为风险分数便可得到不同参数设置下违约触发点模型的累计精度曲线(CAP 曲线)。CAP 曲线是描述评级结果下，累计违约客户比例与累计客户比例的关系。在完美的模型下，CAP 曲线是一条折线，在拐点之前其斜率为1/违约率，直线上升到1 之后就会一直停留在1;反之，随机模型下，模型的CAP 曲线是一条直线，其斜率为1，此模型对违约客户和非违约客户完全没有区分能力;而待验模型的CAP 曲线一般介于上述两条曲线之间。而精确比率(AR 值)的定义为:待验模型CAP 曲线与随机模型CAP 曲线之间的区域，与介于随机模型CAP 曲线和完美模型CAP 曲线之间的区域的比率。利用精确比率(AR 值)可以较好地量化与比较待验模型针对违约客户和非违约客户之间的区分能力。因此我们结合每组参数精确比率(AR 值)分析，试图找出最贴合中国金融市场的参数。

然后我们在违约点(DP)的基础上，利用公式:

其中，DD 表示违约距离，E(V1)表示预期资产价值，DP 表示违约点，σA 表示资产价值的标准差。

违约距离是经过标准化处理的，因此不同公司之间的违约距离可以直接进行比较，从而对公司信用状况进行度量。违约距离越大，表明公司越有能力在债务到期时对债务进行偿还，其发生债务违约的可能性越小，也即表明公司的信用状况越好。该数值越小，表明公司可能存在无法偿还债务的风险，其发生债务违约的可能性越大，也即表明公司的信用状况越差。因此，违约距离是一个较好地度量公司信用状况的指标。

3. 确定违约距离与违约率之间的对应关系

为了方便计算违约概率(EDF)，我们通常假设公司资产价值的分布满足正态分布，因此我们就可以用违约距离计算出违约概率。

图3 CAP 曲线

(二)数据处理

1. 股权价值

考虑到我国大量上市公司流通股和非流通股并存的现象，而非流通股没有交易价格数据，因此我们在计算上市公司股权价值时采用以下公式:

上市公司股权价值=年平均收盘价* 流通股数量+每股净资产* 非流通股数量

2. 股价波动率

本文假设上市公司的股票价格服从对数正态分布，采用通过历史数据估计波动率的方法，其基本计算过程如下:

则ui 的标准差σ 通常估计为:

根据上式可得出股票的周收益波动率，则年收益波动率为:

其中ui 为第i 周股票价格周收益率，Si 和Si-1 为第i周和第i -1 周股票未复权的周收盘价格，n 为一年内的股票交易周数。

3. 无风险利率

本文选用一年期国债收益率作为无风险利率，其中2018 年的无风险利率为3.012%。

4. 期限长度

本文中的期限长度取1 个会计年度。

四、实证研究

(一)确定违约点

我们在Wind 中挑选出仅在A 股上市的公司，在此基础上选择了20 家于2018 年首次被ST 的公司，以此作为违约公司，另外还选取了120 家非ST 公司作为对照组。

为了找出KMV 模型中最优的违约点计算参数，本文尝试了21 组参数(0 到1 之间以5%为间隔递增，第一组待验模型为DP=短期负债，第二组待验模型为DP=短期负债+5%长期负债，以此类推，最后一组待验模型为DP =短期负债+100%长期负债)，通过KMV模型计算出各组参数下每个公司在2018 年底的违约距离，并进一步得出各待验模型下的CAP 曲线。

为了更直观地看出哪组待验模型的对违约公司和非违约公司的区分力更强，我们利用Python 程序计算得出各组待验模型精确比率(AR)的数值，整理后的数据如下表所示:

表2 各组待验模型的精确比率值

(续表)

分析上表可以得出，当DP =短期负债+10%长期负债时，模型具有最大AR 值(0. 8627)，此时的KMV 模型具有最强的解释力，即此模型能够很好地将违约公司和非违约公司区分开来。因此，本文后续选择的模型为DP =短期负债+10%长期负债，并以此来对新能源汽车行业进行分析。

(二)分析新能源汽车产业的信用风险

在Wind 行业数据库中筛选出新能源汽车相关企业的数据，最终挑选出41 家新能源汽车企业，此外还选取了31 家相对成熟的传统产业的企业作为对照组。针对这些企业，我们选取每家公司2016 ～2018年三年间每周收盘数据处理后，使用Python 程序得出公司的信用风险测度结果，并计算出新能源汽车产业和传统产业公司之违约距离值，最终的结果如下:

表3 近年新能源汽车产业与传统产业企业违约距离

通过上文分析可知，在KMV 模型中违约距离越大，意味着企业违约的概率越小;距离越小，企业违约的概率越大。

因此分析上表数据可以看出，在近三年中，除了2017 年两个产业的违约距离平均值都超过了3 以外，其余两年的违约距离都较为稳定。新能源汽车在违约距离方面的综合表现某些时候优于传统行业，新能源汽车近三年的违约距离除了2017 年之外都略高于传统行业，标准差都略低于传统行业，极差也较小。实证结果显示:与传统产业相比较，新能源汽车产业内部各企业的信用风险差异相对较小。

表4 Levene 检验与T 检验

利用SPSS 软件对2016 ～2018 年三年间的数据进行独立样本检验，在方差方程Levene 检验中，除了2017 年，其余两年P 值均高于0.1;在均值方程t 检验中，近三年的P 值均高于0.05，说明此时新能源汽车产业和传统产业之间的违约距离差异并不显著。

表5 近年新能源汽车产业企业违约距离统计

分析上表数据可知:纵向而言，新能源汽车产业三个板块违约距离的平均值除了在2017 年较高之外，其余两年较为稳定，即其信用风险较为稳定;而标准差在各个子版块表现则有所不同，2017 年违约距离整体处于较高水平，相对而言标准差增加幅度不是很大，这表明2017 年新能源汽车产业处于较好的发展时期。相对而言，2018 年新能源汽车产业发展有所减缓。由此可以看出，新能源汽车产业各个子版块的信用风险状况较为稳定，都在逐渐趋于成熟，一定程度上也可看出绿色信贷业务在商业银行业务中具有良好的发展潜力。

横向而言，三大板块中整车制造板块在违约距离平均值方面表现相对较差，但是其在标准差方面表现最好，说明整车制造板块企业内部差异较小。核心零部件板块在违约距离平均值方面表现相对较好，但是其在标准差方面表现最差，说明核心零部件板块企业内部差异较大。

五、结 论

商业银行有别于一般的金融机构，其业务的开展极为重视风险防控。绿色信贷作为一种新兴的信贷业务，虽然国家和政府都在大力推动，中国人民银行也采取了多项措施，试图鼓励商业银行增加绿色信贷在其信贷总额中的占比，但是绿色信贷要想取得长足的发展，就必须要从源头上对绿色信贷的信用风险进行分析，这样才能尽可能地降低商业银行在开展绿色信贷时的忧虑，从根本上促进绿色金融的发展。

本文正是由此目的出发，通过对KMV 模型进行修正，并将修正后的KMV 模型用于分析新能源汽车产业与传统产业近年来的信用风险状况，最终发现两种信贷业务在信用风险上总体表现较为接近，甚至在某些时候绿色信贷的表现优于针对传统行业发放的信贷。此外，通过分析可以看出，这两个产业的信用风险都较为稳定，因此商业银行大力推广绿色信贷的风险整体是可控的。深入分析新能源汽车产业内部子版块可以发现，其内部各子板块信贷情况存在一定的差异，因此商业银行在针对新能源汽车产业开展绿色信贷时，也需要充分考虑到各子版块自身的特点，以确保为其提供的绿色信贷产品更有针对性。最后，经过修正后的KMV 模型，能够较好地运用于绿色金融风险管理。参照以往行业发展的一般规律，在接下来的几年，随着绿色行业的不断成熟，政府势必会削减对绿色产业的扶持力度。在无政府补贴的市场里，绿色产业的企业竞争力和盈利能力必然会受到较大的影响。因此，如何有效地对绿色金融的风险进行量化和防控将会是商业银行开展绿色金融业务重点考量的一个方面。如何对KMV 模型进行修正，使之更好地度量绿色金融业务的信用风险，也是一个值得研究的方向。