信用債違約風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建與檢驗(yàn)

張庚 梁子利

摘要：本文以2019年發(fā)生債券違約的17家上市公司和與之可比的51家未發(fā)生違約上市公司作為研究對(duì)象，從盈利、償債、營運(yùn)、成長四個(gè)維度選擇13個(gè)指標(biāo)，通過主成分分析法進(jìn)行降維處理，并運(yùn)用logistic回歸構(gòu)建了信用違約預(yù)警模型。對(duì)模型的準(zhǔn)確度檢驗(yàn)顯示，在2019年預(yù)警模型的準(zhǔn)確度高達(dá)92.6%，在2020年準(zhǔn)確度為75%，說明該預(yù)警模型有助于金融機(jī)構(gòu)和投資者判別信用違約風(fēng)險(xiǎn)。

關(guān)鍵詞：信用債??違約風(fēng)險(xiǎn)??預(yù)警模型??主成分分析

引言

信用債作為債券市場的重要組成部分，具有利率高、收益高的特點(diǎn)。截至2020年底，我國信用債1存量己達(dá)29.92萬億元2。伴隨著債券融資規(guī)模激增，信用風(fēng)險(xiǎn)問題也日益凸顯，僅2020年信用債違約金額就高達(dá)1757.72億元，涉及155只債券，其中有30家發(fā)債主體為首次違約。

加強(qiáng)信用風(fēng)險(xiǎn)預(yù)警有助于投資者及時(shí)識(shí)別違約風(fēng)險(xiǎn)。目前針對(duì)債券違約的研究主要集中在兩方面。一是從理論層面分析債券違約的原因。URI等人（2018）的研究表明，如果一個(gè)公司擁有較高比例的債券，同時(shí)也會(huì)有高概率的違約傾向。張旭（2019）認(rèn)為信息不對(duì)稱是導(dǎo)致債券違約的決定性因素。蘇逸梅（2021）認(rèn)為債券違約不僅是由企業(yè)內(nèi)部結(jié)構(gòu)及管理問題所導(dǎo)致的，社會(huì)經(jīng)濟(jì)大環(huán)境也是主要影響因素。二是從實(shí)證層面對(duì)債券違約風(fēng)險(xiǎn)進(jìn)行分析和度量。姚紅宇和施展（2018）采用時(shí)間風(fēng)險(xiǎn)模型實(shí)證研究了傳統(tǒng)財(cái)務(wù)指標(biāo)、公司特征以及地方環(huán)境指標(biāo)對(duì)信用債違約的影響。成夢婷和楊華蔚（2019）從財(cái)務(wù)數(shù)據(jù)和財(cái)務(wù)比率角度對(duì)債券信用風(fēng)險(xiǎn)進(jìn)行了定性識(shí)別。譚佩佩等（2021）運(yùn)用修正的KMV模型預(yù)測了2020—2022年31個(gè)省份的債務(wù)違約概率。

從以上相關(guān)文獻(xiàn)可知，目前學(xué)者們對(duì)信用債券違約預(yù)警的研究較為有限，實(shí)證分析主要集中在風(fēng)險(xiǎn)度量方面。本文將在分析我國信用債發(fā)展現(xiàn)狀和違約特點(diǎn)的基礎(chǔ)上，以2019年17家違約上市公司和51家可比的未違約上市公司經(jīng)營數(shù)據(jù)作為樣本，搭建信用違約預(yù)警模型（以下簡稱“預(yù)警模型”），以期對(duì)信用債市場的穩(wěn)定發(fā)展有所裨益。

我國信用債市場現(xiàn)狀及違約特點(diǎn)

（一）我國信用債市場發(fā)展概況

在2005年之前，我國債券品種較少，債券募集資金主要用于國家項(xiàng)目的投資建設(shè)，這些項(xiàng)目往往由商業(yè)銀行作為擔(dān)保，信用風(fēng)險(xiǎn)并不突出。自2005年以來，隨著債券市場發(fā)行人和產(chǎn)品的不斷豐富，信用風(fēng)險(xiǎn)隨之而來，逐漸引起各方的關(guān)注。

2014—2020年，我國信用債券發(fā)行量和存量整體不斷增長。從市場結(jié)構(gòu)來看，企業(yè)債、公司債、中期票據(jù)、短期融資券、資產(chǎn)支持證券、定向工具的存量占比較高，合計(jì)達(dá)約90%。自2014年以來，公司債存量占比逐漸增加，由2014年的6.35%增長到2020年的29.82%;其次是資產(chǎn)支持證券，存量占比從2014年的2.57%增長到2020年的15.24%;中期票據(jù)變化趨勢相對(duì)平穩(wěn);企業(yè)債、短期融資券和定向工具存量占比有所下降。

（二）我國信用債的違約特征

1.違約數(shù)量和違約金額呈現(xiàn)雙升趨勢

2014年我國共有6只債券發(fā)生違約，違約規(guī)模為13.4億元，之后違約數(shù)量和規(guī)模在波動(dòng)中上升（見圖1）。

2.類型分布相對(duì)集中

從類型來看，違約債券主要集中在公司債、中期票據(jù)和短期融資債，三種類型的違約規(guī)模合計(jì)占比高達(dá)84.85%（見表1）。其中，公司債數(shù)量最多，累計(jì)違約292只，涉及違約主體98家;中期票據(jù)累計(jì)違約135只，涉及違約主體21家;短期融資債累計(jì)違約71只，涉及違約主體22家。此外，在定向工具中，有10家違約主體，涉及債券49只;在資產(chǎn)支持證券中，有2家違約主體，涉及產(chǎn)品2只。

3.以民營企業(yè)為主

從違約主體的性質(zhì)來看，民營企業(yè)債券違約數(shù)量最多，共有422只，涉及違約主體126家，累計(jì)違約金額高達(dá)3514.75億元;地方國有企業(yè)違約債券共有72只，涉及發(fā)行主體21家，累計(jì)違約規(guī)模為670.04億元;中央國有企業(yè)違約債券共有49只，涉及違約企業(yè)10家，累計(jì)違約規(guī)模為650.83億元;中外合資企業(yè)違約債券共有9只，涉及違約主體5家，累計(jì)違約規(guī)模為56.40億元;其他類型企業(yè)違約債券共有38只，涉及違約主體9家，累計(jì)違約規(guī)模為447.93億元。

預(yù)警模型實(shí)證分析

（一）模型介紹

1.主成分分析模型

2.Logistic回歸模型

（二）指標(biāo)體系構(gòu)建和數(shù)據(jù)選擇

1.指標(biāo)體系的選擇

宏觀經(jīng)濟(jì)因素和微觀財(cái)務(wù)因素是影響債券違約的兩個(gè)方面，但深入分析會(huì)發(fā)現(xiàn)二者有所不同。宏觀經(jīng)濟(jì)因素，如宏觀經(jīng)濟(jì)增速放緩、行業(yè)不景氣等，皆是先影響企業(yè)生產(chǎn)經(jīng)營，進(jìn)而影響企業(yè)財(cái)務(wù)指標(biāo)，財(cái)務(wù)指標(biāo)出現(xiàn)惡化并最終影響企業(yè)債券履約。即使在相同的宏觀環(huán)境下，多數(shù)發(fā)債主體也并未違約，這從側(cè)面印證了外部宏觀環(huán)境的惡化并不是債券違約的充分條件。因此微觀財(cái)務(wù)因素是造成企業(yè)債券違約的關(guān)鍵因素。立足于微觀財(cái)務(wù)層面，本文從償債能力、盈利能力、營運(yùn)能力和成長能力四個(gè)方面歸納出13個(gè)指標(biāo)，作為預(yù)警指標(biāo)體系的基礎(chǔ)架構(gòu)，具體如表2所示。

本文選擇2019年實(shí)際發(fā)生違約的17家A股上市公司作為違約樣本，同時(shí)對(duì)應(yīng)選擇與每家違約樣本相同行業(yè)、相近規(guī)模的3家上市公司作為未違約樣本，共得到68家樣本公司，變量指標(biāo)數(shù)據(jù)對(duì)應(yīng)選取違約前一年（2018年）末數(shù)據(jù)。

（三）實(shí)證分析

1.主成分分析

本文選取了13個(gè)指標(biāo)構(gòu)建模型。若直接把這13個(gè)指標(biāo)全部作為自變量代入模型，會(huì)出現(xiàn)嚴(yán)重的多重共線性，變量間也會(huì)存在自相關(guān)性，這將影響模型的判別效果。為消除變量間的多重共線性，本文運(yùn)用SPSS21.0軟件，采用主成分分析法對(duì)變量進(jìn)行降維操作。

（1）主成分分析法適用性檢驗(yàn)

凱澤-梅耶爾-奧利金（KMO）和巴特利特（Bartlett）檢驗(yàn)均可用于檢驗(yàn)樣本數(shù)據(jù)是否適用主成分分析法。KMO統(tǒng)計(jì)量取值在0和1之間，取值越大（0.6以上較合適）說明變量間相關(guān)性越強(qiáng)，也更適合進(jìn)行主成分分析，反之則不適合，相關(guān)檢驗(yàn)結(jié)果見表3。

結(jié)果顯示，樣本的KMO值為0.668，大于0.6，說明各數(shù)據(jù)指標(biāo)之間存在較高的關(guān)聯(lián)度。同時(shí)，樣本Bartlett球形檢驗(yàn)值為472.405，P值為0.000，小于0.05，表明13個(gè)指標(biāo)之間并非獨(dú)立。各變量間有較強(qiáng)的相關(guān)關(guān)系，可應(yīng)用主成分分析法降維。

下面進(jìn)行主成分提取，主要是看各個(gè)主成分解釋原始變量總方差的情況。對(duì)變量指標(biāo)進(jìn)行提取主成分，由表4可以看出，本文按照貢獻(xiàn)率提取前4個(gè)主成分F1、F2、F3、F4，其貢獻(xiàn)率分別為31.272%、17.286%、11.364%、8.767%。

成分得分系數(shù)矩陣反映各成分解釋原始變量的程度。從表5中可以看出，主成分F1主要由資產(chǎn)負(fù)債率構(gòu)成，F(xiàn)2主要由流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、凈資產(chǎn)收益率、總資產(chǎn)報(bào)酬率、銷售凈利率構(gòu)成，F(xiàn)3主要由銷售毛利率、總資產(chǎn)周轉(zhuǎn)率、每股凈資產(chǎn)、現(xiàn)金流量利息保障倍數(shù)構(gòu)成，F(xiàn)4主要由存貨周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率構(gòu)成。各主成分對(duì)應(yīng)表達(dá)式為：

2.Logistic回歸分析

以主成分分析法得出的4個(gè)主成分作為自變量，構(gòu)建Logistic回歸模型，因變量為債券違約發(fā)生的概率P，發(fā)生債券違約的值為1，未違約的值為0。將變量代入Logistic回歸模型，經(jīng)過運(yùn)算，得到結(jié)果如表6所示。

根據(jù)回歸結(jié)果可知，回歸模型的表達(dá)式為：

回歸結(jié)果顯示：F1與違約概率呈現(xiàn)負(fù)相關(guān)關(guān)系，回歸系數(shù)為-5.476，P值為0.002，通過1%的顯著性檢驗(yàn)，說明F1的得分越高，債券違約風(fēng)險(xiǎn)越低。F2與違約概率呈現(xiàn)正相關(guān)關(guān)系，回歸系數(shù)為1.945，P值為0.1，通過10%的顯著性檢驗(yàn)，說明F2的得分越高，債券違約風(fēng)險(xiǎn)越高。F3與違約概率呈現(xiàn)負(fù)相關(guān)關(guān)系，回歸系數(shù)為-0.709，P值為0.261，未通過10%的顯著性檢驗(yàn)。F4與違約概率呈現(xiàn)負(fù)相關(guān)關(guān)系，回歸系數(shù)為-1.395，P值為0.091，通過10%的顯著性檢驗(yàn)，說明F4的得分越高，債券違約風(fēng)險(xiǎn)越低。

對(duì)模型的擬合效果做進(jìn)一步檢驗(yàn)，由表7可知，?NageIkerkeR平方=0.702>0.5，Hosmer&Lemeshow檢驗(yàn)統(tǒng)計(jì)值=0.09>0.05，說明模型擬合度可以接受。

回代檢驗(yàn)是指將建模樣本數(shù)據(jù)重新代入己經(jīng)構(gòu)建好的預(yù)警模型中，用以判斷模型效果的優(yōu)劣?，F(xiàn)將之前68個(gè)樣本數(shù)據(jù)回代到logistic回歸模型中，計(jì)算上市公司債券違約概率，結(jié)果如表8所示。

結(jié)果顯示，在51家未發(fā)生債券違約的對(duì)照樣本中，預(yù)警模型預(yù)測的準(zhǔn)確率為96.1%;在17家發(fā)生債券違約的違約樣本中，模型預(yù)測的準(zhǔn)確率為82.4%。模型的綜合準(zhǔn)確率為92.6%，說明本文所構(gòu)建的模型具有較高的預(yù)測準(zhǔn)確度和普適性。

3.模型準(zhǔn)確度檢驗(yàn)

為進(jìn)一步驗(yàn)證已構(gòu)建的預(yù)警模型準(zhǔn)確度，下文將通過全新樣本數(shù)據(jù)進(jìn)行檢驗(yàn)。選擇2020年實(shí)際發(fā)生違約的6家A股上市公司作為違約樣本，同時(shí)為每家違約公司選擇相同行業(yè)、相近規(guī)模的1家上市公司作為對(duì)照樣本，共得到12家樣本公司。選取研究對(duì)象違約前一年（2019年）的財(cái)務(wù)數(shù)據(jù)，將數(shù)據(jù)代入模型，并通過計(jì)算違約概率來判斷模型的準(zhǔn)確度。

具體步驟為：第一步，結(jié)合主成分分析法計(jì)算出主成分得分;第二步，將主成分作為自變量代入回歸模型，計(jì)算公司債券違約發(fā)生的概率P。檢驗(yàn)結(jié)果如表9所示。

結(jié)果顯示，對(duì)照樣本的預(yù)測準(zhǔn)確度達(dá)到100%，違約樣本的預(yù)測準(zhǔn)確度為50%，綜合準(zhǔn)確度為75%，說明違約預(yù)警模型的預(yù)測效果比較理想，能夠?yàn)閭`約預(yù)警提供一定的指導(dǎo)。

結(jié)論與建議

本文以2019年發(fā)生違約的17家上市公司和未發(fā)生違約的51家上市公司作為研究對(duì)象，從盈利、償債、營運(yùn)、成長四個(gè)維度選擇13個(gè)指標(biāo)，通過主成分分析法進(jìn)行降維處理，并運(yùn)用logistic回歸構(gòu)建預(yù)警模型。研究結(jié)果表明，本文所構(gòu)建的預(yù)警模型預(yù)測的準(zhǔn)確度較高，有助于金融機(jī)構(gòu)和投資者判別信用債違約風(fēng)險(xiǎn)，但也存在一些不足。

在債券市場建設(shè)過程中，除了幫助投資者規(guī)避信用違約風(fēng)險(xiǎn)，還應(yīng)該推動(dòng)信用債市場的良性發(fā)展。為此，本文提出以下建議：債券投資者應(yīng)深入了解債券市場，提升專業(yè)投資素養(yǎng)，提升風(fēng)險(xiǎn)辨別和評(píng)估的水平;債券發(fā)行人應(yīng)結(jié)合企業(yè)的實(shí)際情況，制訂合理的財(cái)務(wù)計(jì)劃，形成健康的資產(chǎn)負(fù)債結(jié)構(gòu)，避免過度融資;金融監(jiān)管部門應(yīng)建立有效的信息披露與共享機(jī)制，對(duì)債券信息披露情況和發(fā)債者信息進(jìn)行約束，確保債券信息和發(fā)債企業(yè)信息真實(shí)可靠;應(yīng)借鑒其他國家對(duì)于信用債違約的懲戒方式，加大對(duì)違法行為的懲戒力度，要求債券發(fā)行人嚴(yán)格遵循制度規(guī)范，從而達(dá)到凈化市場環(huán)境的根本目的。

注：

1.本文所指信用債，包括企業(yè)債、公司債、中期票據(jù)、短期融資券和資產(chǎn)支持證券。

2.本文數(shù)據(jù)均來源于萬得（Wind）。

作者單位：中國人民銀行洛陽市中心支行

焦作中旅銀行風(fēng)險(xiǎn)管理部

責(zé)任編輯：涂曉楓??劉穎

參考文獻(xiàn)

[1]成夢婷，楊華蔚.?上市公司財(cái)務(wù)狀況對(duì)債券信用風(fēng)險(xiǎn)的預(yù)測——基于logistic模型[J].?產(chǎn)業(yè)與科技論壇，2019，18（16）：97-99.

[2]蘇逸梅.?公司債券違約的形成原因及防范措施[J].?時(shí)代金融，2021（12）：67-69.

[3]譚佩佩，方希婧，鐘永紅.?基于kmv模型的政府一般債券債務(wù)違約風(fēng)險(xiǎn)預(yù)測[J].?金融經(jīng)濟(jì)，2021（04）：37-45.

[4]姚紅宇，施展.?公司個(gè)體特征、地方經(jīng)濟(jì)變量與信用債違約預(yù)測——基于離散時(shí)間風(fēng)險(xiǎn)模型[J].?投資研究，2018，37（06）：114-132.

[5]張旭.?我國信用債違約現(xiàn)狀及原因淺析——基于2018年債券違約事件[J].?北方金融，2019（07）：36-39.

[6]URI?Benzion，?KOREASH?Galil，EYAL?Lahav，?Offer?Moshe?Shapir.?Debt?composition?and?lax?screening?in?the?corporate?bond?market[J].?International?Review?of?Economics?and?Finance，?2018，?56.