- 文献综述
近年来，我国经济持续快速增长，赊销成为主流交易方式,这为商业保理业务的发展奠定了市场基础.具体是指销售商将其与买方订立的货物销售（服务）合同所产生的应收账款转让给保理公司，由保理公司为其提供贸易融资、应收账款管理与催收等综合性商贸服务，它是缓解中小企业融资难、支持实体经济发展的有效途径。李文书、厚朴保理（2014）就商业保理的各个方面做出了具体介绍，包括保理业务概述、开展商业保理业务的架构与流程、商业保理的市场拓展、商业保理的产品、风险管理等[8]。就商业保理业务在我国的发展现状，陶凌云（2014）基于对浦东33家商业保理企业调查分析指出国内商业保理创新走在了世界前列，但是保理模式比较单一，多数为单保理模式，而且缺乏专门的立法，信用评级系统不健全，信用风险极易发生[10]。尹小贝（2013）也指出了相似的问题，缺乏有效的法律监管和信用风险度量不利于商业保理的稳健发展[12]。商业保理刚处于起步阶段，多发生在一条产业链上下游企业之间，与供应链金融具有相似的特征。所以对于信用风险度量的研究可以借鉴供应链金融的风险研究方法，以下是几种常见的信用风险度量模型。
1.基于KMV模型的保理业务信用风险度量研究
KMV模型使用的变量为公司股票价格、违约点D（D=CL O．5LL；CL为公司各年年度财务报告中的流动负债，LL为公司各年年度财务报告中的长期负债）、无风险利率r、到期时间t、股票波动率、股票波动率、资产年增长率假设为0（即在计算违约距离DD时E(V)=V）。采用的KMV模型具体形式如下：
.
闫丽瑞（2009）选取2007年15家ST企业与15家非ST企业以及2008年10家ST企业与10家非ST企业的有效数据作为研究对象，结果分析表示预测准确率为75%，说明违约距离与违约率能在一定程度上反映上市公司的信用状况[14]。吴韡，程健（2011）采用KMV模型对我国的保理业务进行了实证分析。选取了两家上市公司中航精机和湖北金环在2008、2009、2010的财务数据进行分析，，得出结论为：在中航精机和湖北金环两例中，得出其资产价值的波动率都要比估测出的其股权价值的波动率小。其次，中航精机的实际违约概率较湖北金环的实际违约概率要高。通过对中航精机和湖北金环的财务等方面的分析得出的违约概率与运用此模型的结果类似，说明计算结果符合科学逻辑与实际估测[1]。Zhang Piqiang、Zhou Huacheng（2011）运用KMV模型选取了98家上市公司作为研究对象，包括物流运输业、批发零售、房地产、制造业、矿业。计算出违约距离DD，结果表明KMV模型能够精确地区分ST企业与非ST企业。随后将违约距离与偿付能力进行相关性分析，发现DD与偿付能力指标的波动基本一致，表明KMV模型能够很好地度量上市公司信用风险[19]。夏闻一，胡芳，吴宗法（2012）选取截至2011年12月，中小企业板共有5家ST公司与分属5各行业的22家非ST公司作为研究对象，根据计算结果绘制的违约距离动态趋势图，可知KMV模型能够动态地反映公司的信用风险状况[18]。
对于对KMV模型的优化方面主要体现在两个方面，一个是对违约点公式的优化，一个是对企业资产价值计算的优化。对于违约点优化方面，史小坤,陈昕（2010）选取了2007至2009年沪深两市被ST的40家上市公司作为实证研究对象, 其中20只ST股票,2只与之配对的非S股票。将违约点公式进行优化，选取不同的违约系数，进行实证结果分析，得出结论：表明股票的交易数据能够反映上市公司信用状况变化[3]。张能福，张佳（2010）通过选取82家样本公司, 按照一定的判断标准, 用 Matlab计算得出了新违约点,并且将新旧违约点代入样本公司求出相应的违约距离, 经比较得出, 新违约点更能反应我国公司的信用状况[15]。朱志君（2012）选用农业、机械行业、化工行业三个行业的ST公司与正常类公司作为两类样本，验证了KMV模型对这两类样本是否具有较好的区分度，结果表明KMV模型基本能够区分这两类公司的信用风险状况。然后是验证不同行业中KMV模型中违约点的长期负债系数值是否不同，从而对KMV模型根据行业进行修改。实证结果表明不同行业的长期负债系数是不同的，从而进一步优化KMV模型[4]。Liang Dong、Junchao Wang（2014）运用KMV模型对特定行业非铁金属行业40家企业进行信用风险度量研究，来修正KMV模型使得对特殊行业的度量效果更好，根据计算结果发现DD的计算公式需要优化，因为原始公式没有反应出资产价格波动的方向而且长期违约系数也需要改变，结果表明调整后的KMV模型预测风险的效果更好[20]。
在对企业价值计算方面，李园（2013）以净资产收益率为核心指标的优化后的KMV模型，进行实证分析，选取了2013年12月31日前在深圳上市的20家上市企业，10家ST企业，10家非ST企业。并且对样本进行t检验与K-S检验。实证结果表明优化后的KMV模型能够区分ST企业与非ST企业，也能够优先预测目标企业的信用风险状况，比以往的模型预测风险的能力更加灵敏、及时[2]。
2.基于Var的Creditmetric模型的保理业务信用风险度量研究
邹红霞,张霞,谢芳(2012)采用Var的Creditmetric模型对我国的保理业务进行了信用风险度量，以购货商资产收益率为基本度量模拟信用转移概率，采用数量方法计算得出应收账款的最大风险损失值（Var值）。以某市一销售商A向其他市的购货商B采取赊销方式为例，进行分析。选取模型变量为市场利率 R、固定利息D、票面面值M0、信用转移概率Pi、资产或资产组合预期估算价值Vi、资产或资产组合价值可能分散程度sigma;、在置信度micro;下最低收益率R* （M * =(1 R*) 资产最低价值）。运用的模型公式：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
