我國(guó)生源地信用助學(xué)貸款違約率的測(cè)度分析

袁懷宇 陳冬林 劉江浩

[摘 要]文章以2014—2018年的調(diào)查數(shù)據(jù)為基礎(chǔ)，運(yùn)用KMV模型對(duì)2019—2023年我國(guó)生源地信用助學(xué)貸款的貸款違約率進(jìn)行了測(cè)度。結(jié)果表明，除了甘肅、云南等個(gè)別省份、個(gè)別年份出現(xiàn)違約率大于8%以外，其余大部分都小于或等于8%。這表明隨著我國(guó)經(jīng)濟(jì)的發(fā)展、貧困家庭數(shù)量的減少以及就業(yè)市場(chǎng)的相對(duì)穩(wěn)定，在可預(yù)見的將來(lái)，生源地信用助學(xué)貸款違約率能夠保持相對(duì)較低的水平。中央和地方政府、教育部門和金融機(jī)構(gòu)應(yīng)該共同努力，采取更加有力措施，進(jìn)一步降低生源地信用助學(xué)貸款違約率。

[關(guān)鍵詞]生源地信用助學(xué)貸款;違約率;KMV模型

[DOI]10.13939/j.cnki.zgsc.2020.23.043

1 引言

生源地信用助學(xué)貸款從2008年以來(lái)得到了快速發(fā)展，目前占國(guó)家助學(xué)貸款的比重已經(jīng)超過95%，為解決家庭經(jīng)濟(jì)困難學(xué)生就學(xué)難問題做出了巨大貢獻(xiàn)。生源地信用助學(xué)貸款順利發(fā)展得益于建立了風(fēng)險(xiǎn)補(bǔ)償機(jī)制和財(cái)政貼息制度，充分調(diào)動(dòng)了金融機(jī)構(gòu)、貧困家庭和教育部門的積極性。

近年來(lái)隨著違約率持續(xù)降低，風(fēng)險(xiǎn)補(bǔ)償金閑置比較嚴(yán)重，使用效率不高，地方財(cái)政壓力也比較大。是否需要調(diào)整15%的風(fēng)險(xiǎn)補(bǔ)償金提取比例？由于風(fēng)險(xiǎn)補(bǔ)償金的主要功能是彌補(bǔ)貸款損失，測(cè)度生源地信用助學(xué)貸款違約率對(duì)于完善風(fēng)險(xiǎn)補(bǔ)償機(jī)制則非常關(guān)鍵。本文以調(diào)查數(shù)據(jù)為基礎(chǔ)，運(yùn)用KMV模型對(duì)我國(guó)生源地信用助學(xué)貸款違約率進(jìn)行了測(cè)度。

2 信用貸款助學(xué)貸款違約率測(cè)度模型的選擇

KMV模型是美國(guó)舊金山市KMV公司于1997年建立的信用風(fēng)險(xiǎn)測(cè)度模型，該模型建立在期權(quán)定價(jià)理論和Merton 模型基礎(chǔ)上。早期KMV 模型在國(guó)外主要是用于度量信用風(fēng)險(xiǎn)（企業(yè)債務(wù)）的商業(yè)化模型，以Peter等（2002）、Matthew 等（2002） 、Douglas 等（2007）[1-3]為代表。該模型中，企業(yè)未來(lái)是否會(huì)違約主要受資產(chǎn)的價(jià)值、風(fēng)險(xiǎn)和到期債務(wù)情況等因素影響。

國(guó)內(nèi)對(duì)KMV 模型的運(yùn)用主要集中在兩大部分。

第一，微觀主體企業(yè)的信用違約測(cè)算。劉迎春（2011）運(yùn)用KMV模型計(jì)算了樣本公司2007—2009年連續(xù)三年的違約距離和理論違約概率[4];馬若微等（2014）、蔣彧等（2015）對(duì)KMV模型進(jìn)行了修正，并用以檢驗(yàn)中國(guó)上市公司的信用風(fēng)險(xiǎn)[5-6];萬(wàn)晏伶等（2011）、陳藝云等（2016）也運(yùn)用KMV模型識(shí)別企業(yè)信用風(fēng)險(xiǎn)[7-8]。

第二，宏觀主體地方政府債務(wù)違約的測(cè)算。韓立巖等（2002）利用KMV模型建立了市政債券信用風(fēng)險(xiǎn)模型，提出了計(jì)算理論違約概率的方法。在模型中筆者用“可用于擔(dān)保的地方財(cái)政收入”替代KMV模型中的“企業(yè)資產(chǎn)價(jià)值”，用“到期時(shí)的市政債券價(jià)值”替代“企業(yè)到期需要償還的債務(wù)”[9]。此后學(xué)者大都沿襲該模型用于測(cè)度地方債務(wù)違約[10]。

由此可見，KMV模型既可用于測(cè)度微觀企業(yè)問題，也可用于測(cè)度宏觀債務(wù)問題。本文借鑒前人成果，運(yùn)作KMV模型測(cè)度信用貸款助學(xué)貸款違約率。將“學(xué)生助學(xué)貸款”替代原模型中“企業(yè)債務(wù)”，將“到期可償還助學(xué)貸款學(xué)生數(shù)”替代“企業(yè)資產(chǎn)市值”，將“到期可償還助學(xué)貸款學(xué)生數(shù)的波動(dòng)性和增長(zhǎng)率的均值”替代“資產(chǎn)市值的波動(dòng)性和收益率均值”，將“到期助學(xué)貸款金額”替代“企業(yè)到期時(shí)的債務(wù)”，就可以運(yùn)用改進(jìn)后的KMV模型對(duì)生源地信用助學(xué)貸款違約風(fēng)險(xiǎn)進(jìn)行測(cè)度。貸款機(jī)構(gòu)是債權(quán)人，債務(wù)人是獲取助學(xué)貸款的學(xué)生，債權(quán)是生源地信用助學(xué)貸款。當(dāng)貸款合同到期時(shí)，貸款學(xué)生償還債務(wù)，則結(jié)束債權(quán)債務(wù)關(guān)系;倘若償還貸款學(xué)生人數(shù)低于債務(wù)到期人數(shù)，則生源地信用助學(xué)貸款違約率將提升。

3 信用貸款助學(xué)貸款違約率測(cè)度模型的建立

4 未來(lái)到期信用助學(xué)貸款違約率的測(cè)度

4.1 瞬時(shí)增長(zhǎng)率均值g和波動(dòng)率δ的確定

2019年，湖南省學(xué)生資助研究會(huì)承擔(dān)了全國(guó)學(xué)生資助管理中心2019年研究項(xiàng)目——《生源地信用助學(xué)貸款風(fēng)險(xiǎn)補(bǔ)償金使用效益研究》，2019年4月至5月，對(duì)全國(guó)各省、市、自治區(qū)的學(xué)生資助中心進(jìn)行了問卷調(diào)查，并對(duì)江蘇、河南、甘肅等地的生源地信用助學(xué)貸款情況進(jìn)行實(shí)地調(diào)研，獲取貸款業(yè)務(wù)開展的第一手資料。但由于各地開展這項(xiàng)業(yè)務(wù)的時(shí)間不一致，數(shù)據(jù)完整性也存在差異，本文最后選取了甘肅、廣西、海南、河北、湖南、吉林、江西、河南、黑龍江、內(nèi)蒙古、寧夏、青海、山西、四川、云南、重慶、遼寧17個(gè)地區(qū)的2014—2018年到期學(xué)生數(shù)、到期違約學(xué)生人數(shù)、獲得生源地助學(xué)貸款學(xué)生人數(shù)等數(shù)據(jù)。

本文將以2018年作為基期，預(yù)測(cè)2019—2023年各年度各地的生源地信用助學(xué)貸款違約率，故2018年的償還貸款學(xué)生人數(shù)為式（11）中的S。然后將2014—2018年歷年到期時(shí)償還助學(xué)貸款學(xué)生人數(shù)代入式（9）和式（10），可以得到瞬時(shí)增長(zhǎng)率均值g和波動(dòng)率δ（見表1）。

4.2 未來(lái)五年貸款到期學(xué)生數(shù)的預(yù)測(cè)

根據(jù)教財(cái)〔2015〕7號(hào)文件的規(guī)定，貸款最長(zhǎng)期限延長(zhǎng)為20年，還款寬限期延長(zhǎng)為3年。貸款學(xué)生在校期間享受財(cái)政貼息，學(xué)生正常學(xué)制畢業(yè)后開始按借款合同分期償還貸款本息，但3年還款寬限期內(nèi)未按時(shí)還款并不算違約。學(xué)生實(shí)際上在申請(qǐng)生源地信用助學(xué)貸款后，6～7年后未按照貸款合作約定償還貸款才算違約。因此本文以2014—2018年數(shù)據(jù)為基礎(chǔ)，將當(dāng)年各地助學(xué)貸款申請(qǐng)人數(shù)看作6～7年后貸款到期學(xué)生數(shù)DT。

5 生源地信用助學(xué)貸款違約率的確定

下面將2018年的可償還貸款學(xué)生數(shù)量S、計(jì)算出來(lái)的可償還貸款學(xué)生數(shù)量的瞬時(shí)增長(zhǎng)率的均值g和波動(dòng)率δ、估算出來(lái)的貸款到期學(xué)生數(shù)DT代入式（11）。當(dāng)T取值為1時(shí)，該公式表示1年后（即2019年）的貸款到期學(xué)生數(shù)量大于可償還貸款學(xué)生數(shù)量占貸款到期學(xué)生數(shù)量的比率，該比率越大，發(fā)生貸款違約的可能性越高。當(dāng)T取值分別為2、3、4和5，分別表示2020—2023年的貸款到期學(xué)生數(shù)量大于可償還貸款學(xué)生數(shù)量占貸款到期學(xué)生數(shù)量的比率。計(jì)算出的各地2019—2023年的貸款違約率P（2019）、P（2020）、P（2021）、P（2022）、P（2023），如表2所示。

從表2計(jì)算出的生源地信用助學(xué)貸款違約率測(cè)度值來(lái)看，每個(gè)年度的平均值都在6%左右;各省5個(gè)年度的平均值除甘肅外，其他省份都在8%以內(nèi);從單個(gè)省份、單個(gè)年度來(lái)看，除了甘肅、云南等個(gè)別省份、個(gè)別年份出現(xiàn)違約率大于8%以外，其余大部分都小于或等于8%。在貸款違約率預(yù)測(cè)的基礎(chǔ)上，再綜合考慮救助和促進(jìn)工作績(jī)效等功能因素，課題組建議將風(fēng)險(xiǎn)補(bǔ)償金提取比例降至10%～12%。

21世紀(jì)初我國(guó)學(xué)生助學(xué)貸款違約率較高，甚至高過20%以上。近年來(lái)我國(guó)學(xué)生生源地信用助學(xué)貸款違約率下降得比較快，主要有以下三個(gè)方面的原因：一是隨著我國(guó)經(jīng)濟(jì)快速發(fā)展，城鄉(xiāng)收入水平都有了較大提高，貧困家庭經(jīng)濟(jì)狀況得到明顯改善;二是教育部門在貸前、貸中和貸后持續(xù)強(qiáng)化的誠(chéng)信教育及日常精細(xì)化管理取得了明顯成效;三是國(guó)家征信體系不斷完善，履約成為大學(xué)生的自覺行動(dòng)。由于我國(guó)各地之間差異較大，未來(lái)需要中央和地方政府、教育部門和金融機(jī)構(gòu)共同努力，采取更加有力措施，進(jìn)一步降低生源地信用助學(xué)貸款違約率。

參考文獻(xiàn)：

[1]PETER C，JEFF B.Modeling default risk[R].Moody s KMV Company，2002-01-14.

[2]MATTHEW K，IRINA K.Methodology for testing the level of the EDFTM Credit Measure[R].Moody s KMV Company，2002.

[3]DOUGLAS D，IRINA K.Power and level validation of moody s KMV EDF？ Credit Measures in North America，Europe，and Asia [R].Moody s KMV Company，2007.

[4]劉迎春.不同行業(yè)上市公司信用風(fēng)險(xiǎn)比較研究——KMV模型及其應(yīng)用[J].廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2011，11（8）：71-74.

[5]馬若微，張微，白宇坤.我國(guó)上市公司動(dòng)態(tài)違約概率KMV模型改進(jìn)[J].系統(tǒng)工程，2014（11）：28-36.

[6]蔣彧，高瑜.基于KMV模型的中國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)估研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)， 2015 （9）：38-45.

[7]萬(wàn)晏伶，楊俊.我國(guó)制造業(yè)上市公司信用風(fēng)險(xiǎn)研究——基于KMV模型[J].技術(shù)經(jīng)濟(jì)，2011，30 （5）：119-123.

[8]陳藝云.中國(guó)公司債違約風(fēng)險(xiǎn)度量的理論與實(shí)證研究[J].系統(tǒng)工程，2016（1）：26-33.

[9]韓立巖，鄭承利，羅雯，等.中國(guó)市政債券信用風(fēng)險(xiǎn)與發(fā)債規(guī)模研究[J].金融研究，2003 （2）：85-94.

[10]王學(xué)凱，黃瑞玲.基于KMV模型的地方政府性債務(wù)違約風(fēng)險(xiǎn)分析——以長(zhǎng)三角地區(qū)為例[J].上海經(jīng)濟(jì)研究，2015（18）：62-69.