貨幣政策、杠桿水平與債券違約

孫立行 吳雄劍 唐逸舟

(上海社會(huì)科學(xué)院 世界經(jīng)濟(jì)研究所，上海 200023)

一、引言

近年來，國(guó)內(nèi)企業(yè)接連發(fā)生債券違約事件，引起市場(chǎng)廣泛關(guān)注，其中既有疫情沖擊、政策波動(dòng)等宏觀層面的因素，也有企業(yè)盲目擴(kuò)張、經(jīng)營(yíng)不善等微觀層面的原因。縱觀國(guó)內(nèi)債券市場(chǎng)，自從2014年打破剛兌，違約企業(yè)數(shù)量和金額逐年增加，違約影響的深度和廣度在不斷延伸。截止到2020年10月1日，共有666只債券發(fā)生違約，違約日債券余額涉及5 757.48億元，表現(xiàn)出兩大特征：一是違約潮已經(jīng)蔓延至全國(guó)各市場(chǎng)、各行業(yè)及各債券品種。整個(gè)債券市場(chǎng)來看，上交所、深交所、銀行間市場(chǎng)違約債券只數(shù)分別為193、145及328只，違約日債券金額分別為1 718.64億元、863.72億元以及3 175.12億元；行業(yè)涉及房地產(chǎn)、建筑施工、多元金融、電力、工業(yè)機(jī)械等各個(gè)行業(yè)，其中周期性行業(yè)占主要部分；違約債券品種基本已囊括信用債的各類。二是違約企業(yè)以民營(yíng)企業(yè)為主、非上市公司為主。從發(fā)行人企業(yè)性質(zhì)來看，國(guó)企、民營(yíng)企業(yè)、其他分別為36家、128家以及14家，民企占比高達(dá)72%；從是否為上市公司來看，上市公司、非上市公司分別為46家、132家，非上市公司占比74%。

在違約常態(tài)化的背景下，國(guó)資委、證監(jiān)會(huì)、人民銀行等部委正著手建立債券風(fēng)險(xiǎn)預(yù)測(cè)預(yù)警工作機(jī)制，研究制定企業(yè)債務(wù)風(fēng)險(xiǎn)管控工作，加強(qiáng)資產(chǎn)負(fù)債率分類管控和資金投向管理，做好債券發(fā)行生命周期管理，以市場(chǎng)化、法制化的路徑來妥善處置風(fēng)險(xiǎn)[1]，切實(shí)維護(hù)金融生態(tài)和金融穩(wěn)定。在市場(chǎng)化路徑上，基于近年來的違約數(shù)據(jù)統(tǒng)計(jì)，建立適當(dāng)?shù)膫`約預(yù)警模型正當(dāng)其時(shí)。一方面，模型的建立有助于監(jiān)管部門掌握各企業(yè)所處的狀態(tài)，將其分類為正常類、風(fēng)險(xiǎn)類或者違約類等，便于后續(xù)采取相應(yīng)監(jiān)管措施；另一方面，投資者也可以采用該模型對(duì)其持倉(cāng)的債券資產(chǎn)進(jìn)行風(fēng)險(xiǎn)篩查，有助于降低資產(chǎn)組合的整體風(fēng)險(xiǎn)。

目前，已有的債券違約相關(guān)研究有很多，一部分研究基于上市公司樣本數(shù)據(jù)，以KMV模型為基礎(chǔ)，構(gòu)建公司債的違約風(fēng)險(xiǎn)度量理論模型[2]，研究發(fā)現(xiàn)企業(yè)進(jìn)行盈余管理使得債務(wù)違約率更高[3]，企業(yè)的破產(chǎn)成本倒逼銀行降低信貸標(biāo)準(zhǔn)從而進(jìn)一步增加企業(yè)違約概率[4]。另一部分研究基于企業(yè)傳統(tǒng)的財(cái)務(wù)數(shù)據(jù)構(gòu)建預(yù)警模型，如吳復(fù)成、畢舟、車鑫[5]，以2014年至2016年21家實(shí)質(zhì)違約的發(fā)債主體作為研究樣本，基于傳統(tǒng)財(cái)務(wù)指標(biāo)以及行業(yè)、產(chǎn)權(quán)等擴(kuò)展指標(biāo)構(gòu)建Logit模型。但是，考慮到國(guó)內(nèi)的發(fā)債主體已經(jīng)由上市公司擴(kuò)展至以非上市公司為主的結(jié)構(gòu)體系，而KMV模型在非上市公司方面已不適用；同時(shí)，傳統(tǒng)的違約解釋變量局限于企業(yè)的財(cái)務(wù)變量，已不能適用于當(dāng)下國(guó)內(nèi)的經(jīng)濟(jì)環(huán)境現(xiàn)狀，企業(yè)的違約與否很大程度受限于再融資政策的變化，而這方面更易受到貨幣政策等宏觀變量的影響。

為此，本文在前人基礎(chǔ)上嘗試拓展，主要?jiǎng)?chuàng)新之處有三方面：一是構(gòu)建全市場(chǎng)發(fā)債主體的違約模型，將研究樣本進(jìn)一步擴(kuò)充至2 224個(gè)發(fā)債主體，使其更加貼近國(guó)內(nèi)信用債市場(chǎng)的現(xiàn)狀，并驗(yàn)證了模型的實(shí)際預(yù)測(cè)能力；二是引入宏觀貨幣政策與微觀杠桿水平作為主要解釋變量建立Logit違約模型，豐富了宏微觀層面對(duì)債券違約的解釋因素；三是進(jìn)一步加入異質(zhì)性的影響因素，有助于反映出不同維度的企業(yè)在違約風(fēng)險(xiǎn)方面差異顯著。

具體而言，本文利用2014年初至2020年10月期間2 224個(gè)發(fā)債主體，以五年期國(guó)債利率和企業(yè)杠桿水平作為主要解釋變量，以企業(yè)自身財(cái)務(wù)數(shù)據(jù)作為控制變量，構(gòu)建債券違約的Logit模型。研究發(fā)現(xiàn)：第一，當(dāng)貨幣政策緊縮，債券違約概率越大；當(dāng)企業(yè)杠桿水平越高，債券違約概率越高。第二，相對(duì)貨幣政策寬松時(shí)，貨幣政策緊縮的時(shí)候高杠桿企業(yè)的債券違約的概率更大。第三，對(duì)于非上市公司、低評(píng)級(jí)、周期性行業(yè)的企業(yè)，杠桿水平對(duì)債券違約概率的影響更大。最后，將2020年10月之后至2020年底的樣本外違約數(shù)據(jù)進(jìn)行模型回測(cè)，結(jié)果顯示樣本外企業(yè)的債券違約概率均大于50%，模型檢測(cè)有效。

二、文獻(xiàn)綜述及研究假設(shè)

(一)債券違約的理論演變

關(guān)于債券違約的理論演變，相關(guān)文獻(xiàn)可以從傳統(tǒng)分析法、財(cái)務(wù)指標(biāo)為主的分析法、大數(shù)據(jù)處理的現(xiàn)代量化分析等三個(gè)階段來總結(jié)。

第一階段以傳統(tǒng)分析法為主，偏定性描述為主，具有較強(qiáng)的主觀性和靈活性，但缺少客觀統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，無法保證其準(zhǔn)確性。具體方法包括：5W、5C、5P以及貸款五級(jí)分類等，針對(duì)借款的資信情況、資金用途、還款能力和意愿以及擔(dān)保情況等作定性判斷。

第二階段以財(cái)務(wù)指標(biāo)為主的分析法，通過財(cái)務(wù)指標(biāo)構(gòu)建與信用風(fēng)險(xiǎn)之間的量化關(guān)系。一是因子評(píng)分模型，由Beaver[6]在1968年提出，研究對(duì)象為158家企業(yè)，具體財(cái)務(wù)指標(biāo)包括資產(chǎn)負(fù)債率、資產(chǎn)收益率、抵押保證率以及資產(chǎn)回收率等，通過這些財(cái)務(wù)指標(biāo)構(gòu)建單變量回歸模型，從而可以構(gòu)建出不同企業(yè)的違約風(fēng)險(xiǎn)的量化模型，具備一定的預(yù)測(cè)能力。二是Z-score模型，由Altman[7]在1968年提出，研究對(duì)象為制造業(yè)上市公司，具體包括五個(gè)財(cái)務(wù)變量，分別為流動(dòng)資產(chǎn)/總資產(chǎn)、留存收益/總資產(chǎn)、息稅前利潤(rùn)/總資產(chǎn)、股票總市值/總負(fù)債、銷售總額/總資產(chǎn)，構(gòu)建出破產(chǎn)違約風(fēng)險(xiǎn)的量化模型；后來，早期的Z-score模型由Altman、Haldeman、Narayanan在1977[8]年構(gòu)建出修正的ZETA模型，財(cái)務(wù)指標(biāo)增加至7個(gè)，進(jìn)一步增加模型的準(zhǔn)確性；再后來，Altman、Hartzell、Peck[9]在1998年進(jìn)一步改進(jìn)和優(yōu)化模型，將研究對(duì)象擴(kuò)展至制造業(yè)以外的其他行業(yè)和非上市公司領(lǐng)域，模型的應(yīng)用領(lǐng)域得到提升。三是結(jié)構(gòu)模型，由Merton[10]在1974年提出，將期權(quán)定價(jià)B-S模型引入到公司信用風(fēng)險(xiǎn)評(píng)估中，認(rèn)為公司資產(chǎn)價(jià)值看做一個(gè)歐式期權(quán)，公司的市場(chǎng)價(jià)值與債務(wù)價(jià)值將決定企業(yè)在行權(quán)日，是否行使歐式期權(quán)，從而計(jì)算其信用風(fēng)險(xiǎn)；后來，Black、Cox[11]在1976年改進(jìn)了上述模型，在企業(yè)債務(wù)價(jià)值中引入次級(jí)債券，進(jìn)一步考慮了公司的償債順序，優(yōu)化了結(jié)構(gòu)模型；Longstaff、Schwartz[12]在1995年放寬了Merton模型中行權(quán)日的限制，將債券到期日放寬至到期日前的任意時(shí)刻；Lando[13]在2004年研究了Merton模型中無風(fēng)險(xiǎn)利率對(duì)債券違約帶來的影響。四是簡(jiǎn)約模型，由Jarrow和Turnbull[14]在1995年構(gòu)建，提出采用違約強(qiáng)度的定義來衡量違約概率的大小，具體為違約金額與違約次數(shù)。該模型通過構(gòu)建公司財(cái)務(wù)數(shù)據(jù)與違約強(qiáng)度的關(guān)系，以此來衡量企業(yè)的違約概率。之后，Jarrow[15]在1997年對(duì)簡(jiǎn)約模型進(jìn)行優(yōu)化，用概率轉(zhuǎn)移矩陣代替B-S期權(quán)定價(jià)公式來衡量違約風(fēng)險(xiǎn)。Singleton[16]在1999年通過引入違約債券價(jià)值來改進(jìn)簡(jiǎn)約模型，用企業(yè)的現(xiàn)金流貼現(xiàn)表現(xiàn)為對(duì)違約債券的部分回收，以此確定違約債券的價(jià)值。

第三階段是基于大數(shù)據(jù)處理的現(xiàn)代量化分析階段，主要有KMV、Logit模型以及Credit Metrics模型。一是KMV模型，由美國(guó)的KMV公司在1997年提出，通過BS期權(quán)定價(jià)公司構(gòu)建企業(yè)貸款及債券違約風(fēng)險(xiǎn)的度量模型，后續(xù)的模型在KMV模型不斷改進(jìn)和優(yōu)化。二是Logit模型,系最早的離散選擇模型，廣泛應(yīng)用于社會(huì)學(xué)、生物統(tǒng)計(jì)學(xué)、臨床、數(shù)量心理學(xué)、計(jì)量經(jīng)濟(jì)學(xué)等領(lǐng)域。該模型假定某事件發(fā)生與事件不發(fā)生的概率比值形成自然對(duì)數(shù)，與影響該事件發(fā)生的各個(gè)變量之間呈現(xiàn)線性關(guān)系。三是Credit Metrics模型，由美國(guó)的JP摩根提出，在Merton模型的基礎(chǔ)上引入信用評(píng)級(jí)轉(zhuǎn)移和預(yù)期損失，從而在計(jì)算機(jī)技術(shù)的提升效果下來分析企業(yè)的債務(wù)風(fēng)險(xiǎn)。后來，瑞士信貸模型在1997年基于保險(xiǎn)精算和簡(jiǎn)約模型，推出Credit Risk+的模型；麥肯錫公司基于宏觀指標(biāo)、行業(yè)等因素進(jìn)一步提出了Credit Portfolio View模型。

根據(jù)債券違約理論的研究以及國(guó)內(nèi)目前債券違約的現(xiàn)狀，本文考慮采用Logit模型，該模型一方面可以擴(kuò)展至非上市公司等主體，另一方面能夠?qū)Υ髽颖镜挠绊懸蛩剡M(jìn)行定量分析，在當(dāng)下具有一定適用性和實(shí)際效果。

(二)宏觀貨幣政策與債券違約

貨幣政策是實(shí)現(xiàn)宏觀經(jīng)濟(jì)調(diào)控的主要工具，同時(shí)對(duì)企業(yè)融資行為具有導(dǎo)向作用。企業(yè)的融資規(guī)模和融資成本直接受制于央行的存款準(zhǔn)備金率政策和利率政策，從而使得企業(yè)的相關(guān)債券兌付情況也會(huì)受到貨幣政策的影響。通過分析央行歷年《貨幣政策執(zhí)行報(bào)告》并借鑒任澤平[17]觀點(diǎn)，從2014年債券打破剛兌至2020年中，我國(guó)大致經(jīng)歷三個(gè)貨幣政策階段(表1)；相應(yīng)地，貨幣政策的相應(yīng)變化使得市場(chǎng)利率(以10年國(guó)開債為例)也會(huì)做出變動(dòng)(圖1)。

表1 2014年以來貨幣政策階段總結(jié)

圖1 10年國(guó)開債到期收益率曲線/%

具體來說，第一階段偏松階段(2014.Q4-2016.Q1)，累計(jì)實(shí)行5次降準(zhǔn)、5次降息，共計(jì)降低3個(gè)百分點(diǎn)的存款準(zhǔn)備金率和下降1.25%的貸款利率，10年期國(guó)開債利率從5.4%下降到3.02%；第二階段偏緊階段(2016.Q2-2018.Q1)，基本沒有全范圍的降準(zhǔn)降息，10年期國(guó)開債利率從3.02%上升到5.12%；第三階段偏松階段(2018.Q2-2020.Q2)，累計(jì)實(shí)行5次降準(zhǔn)，共計(jì)降低4個(gè)百分點(diǎn)的存款準(zhǔn)備金率，10年期國(guó)開債利率從5.12%下降到2.8%。

伴隨著貨幣政策的變化，企業(yè)有投融資行為也會(huì)有所轉(zhuǎn)變。根據(jù)金融周期理論，在貨幣政策較松、融資利率較低的時(shí)候加大融資規(guī)模，如黃志忠、謝軍[18]通過對(duì)2002年至2010年滬深交易所上市公司的數(shù)據(jù)分析，研究得出寬松的貨幣政策促進(jìn)了企業(yè)擴(kuò)張投資，緩解企業(yè)融資約束。相反，在貨幣政策轉(zhuǎn)向緊縮時(shí)，企業(yè)行為就很容易受到約束，造成融資鏈條斷裂。姜國(guó)華、饒品貴[19]研究貨幣政策變動(dòng)對(duì)企業(yè)融資、經(jīng)營(yíng)業(yè)績(jī)等方面的影響?；谏鲜泄旧虡I(yè)信用與企業(yè)產(chǎn)權(quán)性質(zhì)的數(shù)據(jù)，發(fā)現(xiàn)在貨幣政策緊縮期間，企業(yè)的融資環(huán)境變成差，從銀行獲得貸款的難度變大。陸正飛等[20]研究發(fā)現(xiàn)：當(dāng)貨幣政策緊縮時(shí)，民營(yíng)企業(yè)受到的信貸擠壓更甚。同樣地，饒品貴、姜國(guó)華[21]研究發(fā)現(xiàn)貨幣政策緊縮時(shí)，非國(guó)有企業(yè)與國(guó)有企業(yè)相比，在信貸沖擊方面受到影響更大。

貨幣政策約束了企業(yè)的再融資行為，進(jìn)一步對(duì)企業(yè)的債券兌付產(chǎn)生影響，最終使得出現(xiàn)違約風(fēng)險(xiǎn)。王博等[22]從宏觀角度研究了貨幣政策不確定對(duì)違約風(fēng)險(xiǎn)和實(shí)體經(jīng)濟(jì)的影響，研究表明貨幣政策不確定帶來違約風(fēng)險(xiǎn)上升和產(chǎn)出下降，表現(xiàn)為企業(yè)違約破產(chǎn)率的提高以及銀行信貸違約率的上升。同時(shí)，企業(yè)的再融資風(fēng)險(xiǎn)也會(huì)倒逼央行針對(duì)性作出逆周期調(diào)控。肖志超等[23]以上市公司數(shù)據(jù)為研究樣本，將企業(yè)相關(guān)財(cái)務(wù)變量作為違約風(fēng)險(xiǎn)的代理變量，考察對(duì)貨幣政策調(diào)控的預(yù)測(cè)模型，結(jié)果表明企業(yè)的債務(wù)違約水平越高，政府越傾向于采用寬松的貨幣政策。

因此，貨幣政策的松緊影響著企業(yè)的融資行為，進(jìn)而影響企業(yè)的債券違約風(fēng)險(xiǎn)。在具體貨幣政策指標(biāo)上，Duffie[24]研究發(fā)現(xiàn)國(guó)庫券利率等宏觀指標(biāo)可以用來預(yù)測(cè)公司的違約風(fēng)險(xiǎn)；羅朝陽、李雪松[25]，通過信貸、GDP和房地產(chǎn)價(jià)格合成金融周期作為主要解釋變量，以此來評(píng)估對(duì)債券違約概率的影響?？紤]到本文研究的信用債期限在3年至5年之間，因此本文選擇5年期國(guó)債利率作為衡量貨幣政策的指標(biāo)，并做出如下假設(shè)：

H1：在貨幣政策偏緊階段(市場(chǎng)利率較高時(shí))更容易出現(xiàn)債券違約，即市場(chǎng)利率與債券違約呈現(xiàn)正相關(guān)關(guān)系。

(三)微觀企業(yè)因素與債券違約

在宏觀貨幣政策傳導(dǎo)到微觀杠桿水平的路徑上，雖然會(huì)出現(xiàn)時(shí)滯，但貨幣政策的寬松與否和企業(yè)杠桿水平的高低保持著同向作用。馬思超等[26]通過同業(yè)拆借利率、上證指數(shù)等指標(biāo)構(gòu)建金融周期變量作為主要解釋變量，研究結(jié)果表明金融周期對(duì)非金融企業(yè)杠桿率產(chǎn)生正向影響；而處在經(jīng)濟(jì)下行風(fēng)險(xiǎn)周期時(shí)，鄒靜嫻等[27]將特定條件下企業(yè)資產(chǎn)收益率(ROA)的分布標(biāo)準(zhǔn)差定義為企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)，研究表明當(dāng)企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)上升時(shí)對(duì)帶來企業(yè)杠桿率的下降。

關(guān)于貨幣政策作用于杠桿水平所處階段，張曉晶[28]提出政府在宏觀杠桿率方面的跨周期政策調(diào)節(jié)作用。自從2008金融危機(jī)以來，我國(guó)在相對(duì)寬松的政策環(huán)境下處在快速“加杠桿”階段，直到2015年10月，中央提出“降杠桿”政策，2016年至2018年這期間相關(guān)貨幣政策堅(jiān)決不放松，到2020年進(jìn)入“穩(wěn)杠桿”階段，相較于2016年整體宏觀杠桿水平并沒有大幅上升。

具體來看我國(guó)2014年以來的杠桿率水平(圖2)，整體的宏觀杠桿率一直處于上升階段，從2014年初的200%逐年上升至2020年3月末的274.5%；但從分部門來看，杠桿率卻出現(xiàn)分化，聚焦本文關(guān)注的非金融企業(yè)部門的杠桿率，大致可以分為三個(gè)階段：第一階段為上升階段，企業(yè)部門的杠桿率從2014年3月底的141.3%增長(zhǎng)到2016年3月底的161.8%；第二階段為下降階段，企業(yè)部門的杠桿率下降到2018年底的149.1%；第三階段為上升階段，企業(yè)部門的杠桿率又上升至2020年3月底的159.1%。

圖2 中國(guó)2010年以來的宏觀杠桿率指標(biāo)/%

在債券違約的微觀影響因素方面，杠桿水平是主要的影響因素。根據(jù)逆向選擇和道德風(fēng)險(xiǎn)理論，金融機(jī)構(gòu)出于對(duì)企業(yè)破產(chǎn)成本和收益回報(bào)的考量，在資金允許范圍內(nèi)進(jìn)一步投給高杠桿企業(yè)，從而使得資產(chǎn)質(zhì)量下降，加重高杠桿企業(yè)的違約風(fēng)險(xiǎn)。Gatti等[29]高資產(chǎn)負(fù)債率企業(yè)會(huì)間接增加其債券違約，同時(shí)企業(yè)違約率也更高。陳國(guó)進(jìn)等[30]以中國(guó)上市銀行為研究樣本，研究了貨幣政策對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)的影響，結(jié)果表明寬松的貨幣政策會(huì)提高企業(yè)的財(cái)務(wù)杠桿，而高財(cái)務(wù)杠桿會(huì)提高銀行的系統(tǒng)性風(fēng)險(xiǎn)，進(jìn)一步破壞金融穩(wěn)定。陸磊等[31]在金融加速器模型的基礎(chǔ)上，引入違約救助機(jī)制，建立DSGE模型，研究了企業(yè)違約與杠桿周期的關(guān)系，結(jié)果表明去杠桿的政策會(huì)使得企業(yè)違約率上升到一個(gè)較高水平。因此，本文設(shè)定如下假設(shè)：

H2：高杠桿企業(yè)更容易發(fā)生債券違約，即企業(yè)杠桿水平與債券違約呈現(xiàn)正相關(guān)關(guān)系；進(jìn)一步，相對(duì)于貨幣政策寬松時(shí)，貨幣政策緊縮時(shí)高杠桿企業(yè)的債券違約的可能性更大。

在杠桿水平對(duì)債券違約的影響之外，還有企業(yè)其他相關(guān)指標(biāo)，包括財(cái)務(wù)指標(biāo)、產(chǎn)權(quán)性質(zhì)、地區(qū)經(jīng)濟(jì)情況等。吳世農(nóng)、盧賢義[32]選取各70家財(cái)務(wù)困境和正常企業(yè)為樣本，設(shè)定21個(gè)財(cái)務(wù)指標(biāo)，運(yùn)用Logit模型得出盈利增長(zhǎng)指數(shù)、資產(chǎn)報(bào)酬率以及長(zhǎng)期負(fù)債比率這三個(gè)指標(biāo)判別率最高。姚紅宇、施展[33]選取2014年至2017年信用債數(shù)據(jù)，在傳統(tǒng)財(cái)務(wù)指標(biāo)之外，引入企業(yè)屬性指標(biāo)及地方經(jīng)濟(jì)指標(biāo)建立債券違約模型，提高了債券違約的預(yù)測(cè)能力。

與此同時(shí)，企業(yè)的異質(zhì)性指標(biāo)也會(huì)影響企業(yè)債券違約，包括是否為上市公司、是否為中高評(píng)級(jí)企業(yè)、是否為周期性行業(yè)。具體而言，在上市公司方面，根據(jù)信息不對(duì)稱理論，金融機(jī)構(gòu)或者機(jī)構(gòu)投資者更可能將資金投向信息透明度高的企業(yè)，因此相較于非上市公司，上市公司的信息披露更加透明，融資渠道更加廣泛，因而債券違約的概率較低。在評(píng)級(jí)方面，根據(jù)信號(hào)傳遞理論，公開市場(chǎng)評(píng)級(jí)能夠反應(yīng)發(fā)行人或者債券的信用風(fēng)險(xiǎn)水平，讓投資者根據(jù)風(fēng)險(xiǎn)偏好選擇合適標(biāo)的，中高評(píng)級(jí)也有助于企業(yè)獲得投資者的認(rèn)可，降低發(fā)債成本，因此中高評(píng)級(jí)的企業(yè)相較于低評(píng)級(jí)企業(yè)來說違約概率也較低。在周期性行業(yè)方面，根據(jù)經(jīng)濟(jì)周期理論，在經(jīng)濟(jì)周期上行階段，企業(yè)傾向于擴(kuò)張的資產(chǎn)負(fù)債表；當(dāng)經(jīng)濟(jì)周期下行時(shí)，企業(yè)則會(huì)進(jìn)行“縮表”。企業(yè)的擴(kuò)表和縮表行為會(huì)引發(fā)不確定性，周期性行業(yè)的企業(yè)傾向于在貨幣政策寬松時(shí)過度融資、擴(kuò)大投資，一旦貨幣政策變化則會(huì)產(chǎn)生再融資風(fēng)險(xiǎn)，其依賴“借新還舊”的政策將難以為繼，因而債券違約概率也較大。因此，本文提出以下分類的假設(shè)：

H3：債券違約風(fēng)險(xiǎn)在非上市公司、低評(píng)級(jí)、周期性行業(yè)的企業(yè)中更為突出。

三、研究方法

(一)樣本選擇與數(shù)據(jù)來源

本文以截止到2020年10月1日的信用債市場(chǎng)為研究對(duì)象，涉及央行主管的銀行間市場(chǎng)、證監(jiān)會(huì)主管的交易所市場(chǎng)以及發(fā)改委的企業(yè)債市場(chǎng)，文中所指的債券涉及發(fā)行期限為1年以上產(chǎn)品，包括中票、定向工具、公司債、企業(yè)債，包含違約樣本和正常兌付樣本，當(dāng)中剔除金融債、可交換債、可轉(zhuǎn)債、中小企業(yè)集合債。關(guān)于違約的定義，指企業(yè)首次實(shí)質(zhì)性債券違約，即未能在有效期內(nèi)償付債券本金或利息，包括本金違約和利息違約兩種情況。

圖3 宏微觀因素對(duì)債券違約影響機(jī)制

我們選取2014—2020年10月之間發(fā)債企業(yè)的季度數(shù)據(jù)為研究樣本，并做針對(duì)性的篩選：(1)選取存量債券余額在5億元以上的企業(yè)；(2)刪去集體企業(yè)、外商獨(dú)資以及其他企業(yè)；(3)剔除地方性股權(quán)交易中心的發(fā)債企業(yè)；(4)刪除缺失數(shù)據(jù)后的企業(yè)，獲得2 224家企業(yè)，共計(jì)19 212個(gè)有效觀測(cè)值。

其中，違約企業(yè)142家(占比6.38%)，非違約企業(yè)2 082家(占比93.62%)；從發(fā)行人企業(yè)性質(zhì)來看，國(guó)企、非國(guó)有企業(yè)分別為1 958家、266家，國(guó)企仍為發(fā)債主體；從是否為上市公司來看，上市公司、非上市公司分別為258家、1 966家；從行業(yè)上來看，行業(yè)也已經(jīng)覆蓋各個(gè)行業(yè)，涉及房地產(chǎn)、金融、工業(yè)機(jī)械等各個(gè)行業(yè)，其中排名前三行業(yè)所涉企業(yè)分別為工業(yè)1 660家、房地產(chǎn)140家、公用事業(yè)122家。

(二)研究變量

1.被解釋變量

本文以債券是否發(fā)生實(shí)質(zhì)性違約作為被解釋變量，選取“1”代表違約、“0”代表未違約作為二元虛擬變量，以Logit回歸作具體實(shí)證研究。

2.主要解釋變量

本文以違約日5年期國(guó)債利率作為宏觀貨幣政策的度量，以資產(chǎn)負(fù)債率作為公司杠桿水平的度量。

3.控制變量

控制變量主要企業(yè)賬務(wù)變量為主。具體變量選取主要基于蔣書彬[34]對(duì)違約發(fā)債主體財(cái)務(wù)指標(biāo)的定量研究，從中選取總資產(chǎn)、利息保障倍數(shù)、總資產(chǎn)收益率、銷售毛利率、應(yīng)收賬款周轉(zhuǎn)率、利率總額增長(zhǎng)率等指標(biāo)。

4.異質(zhì)性指標(biāo)變量

主要包括三類，即：是否為上市公司、是否為高評(píng)級(jí)企業(yè)、是否為周期性行業(yè)等。具體變量設(shè)置如下：

表2 主要定義變量

(三)模型設(shè)計(jì)

1.數(shù)據(jù)預(yù)處理

首先，我們對(duì)企業(yè)樣本數(shù)據(jù)進(jìn)行篩選，刪去財(cái)務(wù)數(shù)據(jù)不全、無評(píng)級(jí)、無所屬行業(yè)等方面的企業(yè)。其次，在數(shù)據(jù)刪減之后，需要對(duì)數(shù)據(jù)調(diào)整變量的比例(標(biāo)準(zhǔn)化處理)。由于因變量是違約是0-1的二值變量，需要將主要解釋變量及控制變量等調(diào)整至0-1之間或其相關(guān)的維度的數(shù)據(jù)，否則會(huì)導(dǎo)致回歸不收斂，不能得到最優(yōu)有效估計(jì)。最后，為消除價(jià)格因素影響，本文對(duì)控制變量均進(jìn)行了價(jià)格平減處理。為控制極端值對(duì)實(shí)證結(jié)果的影響，所有財(cái)務(wù)指標(biāo)數(shù)據(jù)均進(jìn)行了首尾兩端各1%的縮尾處理(去極值)。

2.指標(biāo)篩選

(1)差異性檢驗(yàn)：經(jīng)過數(shù)據(jù)預(yù)處理，我們對(duì)違約類企業(yè)和未違約類企業(yè)的相關(guān)變量進(jìn)行描述性統(tǒng)計(jì)及樣本均值差異性檢驗(yàn)，以此來判斷各變量數(shù)據(jù)是否能夠有效區(qū)分違約與否。若檢驗(yàn)結(jié)果顯示某一指標(biāo)不存在差異性，則表明該指標(biāo)對(duì)于企業(yè)是否會(huì)違約不能提供有效信息，因此予以刪除；若檢驗(yàn)結(jié)果顯示明顯差異，則表明該指標(biāo)對(duì)違約能夠提供預(yù)警信息，予以保留。具體如表3所示。

表3 主要變量的描述性統(tǒng)計(jì)及均值差異性檢驗(yàn)

在通過對(duì)兩組數(shù)據(jù)均值差異性檢驗(yàn)之后，經(jīng)計(jì)算可得到組間均值差異值在1%水平下均顯著，說明相關(guān)變量均可以對(duì)債券違約提供信息。

(2)多重共線性問題：對(duì)解釋變量及控制變量計(jì)算方差膨脹因子(表4)，所有的變量的VIF值均低于5，平均值為1.16，多重共線性影響較小。

表4 主要變量的VIF值

3.估計(jì)方法

我們采用以企業(yè)首次出現(xiàn)債券違約與否作為被解釋變量、5年期國(guó)債利率和企業(yè)資產(chǎn)負(fù)債率作為核心解釋變量、相關(guān)財(cái)務(wù)指標(biāo)作為控制變量，構(gòu)建Logit模型，并以此估算違約概率P值。由于建模前已經(jīng)將樣本均衡化處理，我們以0.5作為違約的均衡點(diǎn)，若計(jì)算的P>0.5，則預(yù)測(cè)會(huì)發(fā)生違約；若P<0.5，則預(yù)測(cè)為正常企業(yè)。

實(shí)證研究采用Logit模型，具體模型設(shè)定如下：

defaulti,t=α+β1·tratei,t+β2dari,t+θXi,t+εi,t

其中，default為二元虛擬變量，當(dāng)default=1時(shí)，表示債券違約；當(dāng)default=0時(shí)，表示債券未違約。tratei,t為5年期國(guó)債利率，代表貨幣政策；dari,t為企業(yè)資產(chǎn)負(fù)債率，代表杠桿水平；Xi,t為企業(yè)財(cái)務(wù)指標(biāo)，作為控制變量；εi,t為殘差項(xiàng)。

根據(jù)Logit分布函數(shù)可得

其中，pi為default=1的概率。當(dāng)M>0時(shí)，pi>0.5，債券違約概率較大；當(dāng)M<0時(shí)，pi<0.5，債券違約概率較小。

四、實(shí)證分析

(一)基本回歸分析

在Logit模型中，逐步引入主要解釋變量和控制變量，模型(1)-(3)分別引入市場(chǎng)利率、杠桿水平、市場(chǎng)利率和杠桿水平等主要解釋變量；模型(4)在模型(3)基礎(chǔ)上加入控制變量；模型(5)在模型(4)基礎(chǔ)上加入市場(chǎng)利率和杠桿水平的交乘項(xiàng)。具體如表5所示。

1.基準(zhǔn)結(jié)果

表5報(bào)告了市場(chǎng)利率和杠桿水平對(duì)債券違約狀態(tài)的總體結(jié)果。在第(1)列中，只使用市場(chǎng)利率trate作為解釋變量，對(duì)債券違約default進(jìn)行回歸；在第(2)列中，解釋變量替換成杠桿水平dar；在第(3)列中，同時(shí)將市場(chǎng)利率trate和杠桿水平dar作為解釋變量；在第(4)列中，進(jìn)一步加入相關(guān)控制變量。從結(jié)果來看，在模型(1)-(4)中，所有結(jié)果均顯示：債券違約對(duì)市場(chǎng)利率和杠桿水平的系數(shù)顯著為正，說明當(dāng)市場(chǎng)利率越高、企業(yè)杠桿水平越高，企業(yè)的違約概率越大。

表5 基本回歸分析

在模型(4)中，控制變量方面，企業(yè)總資產(chǎn)的對(duì)數(shù)lnasset的系數(shù)顯著為負(fù),說明該值越大債券違約概率越小，表明資產(chǎn)規(guī)模越大企業(yè)的抗風(fēng)險(xiǎn)能力越強(qiáng)；銷售毛利率rm的系數(shù)顯著為負(fù)，說明銷售利潤(rùn)越大，盈利能力越強(qiáng)從而可供還本付息的資金越多，債券違約概率越小；應(yīng)收賬款周轉(zhuǎn)率rtr的系數(shù)顯著為負(fù)，說明公司應(yīng)收賬款周轉(zhuǎn)越快，現(xiàn)金流回流越及時(shí)，企業(yè)流動(dòng)資金越豐富，進(jìn)而造成債券違約概率越?。焕麧?rùn)增長(zhǎng)率profit的系數(shù)顯著為負(fù)，該值越大反應(yīng)成長(zhǎng)性越快，違約概率越低；總資產(chǎn)收益率roa的系數(shù)顯著為正，該值越大反應(yīng)盈利能力越強(qiáng)，但一方面也可能由于企業(yè)投資動(dòng)機(jī)較強(qiáng)，使得債務(wù)規(guī)模隨著資產(chǎn)規(guī)模增大而增大，進(jìn)而造成違約可能。假設(shè)H1、H2得到驗(yàn)證。

2.引入交乘項(xiàng)回歸

在模型(4)的基礎(chǔ)上引入交乘項(xiàng)trate×dar，從而得到回歸(5)?？梢钥闯鼋怀隧?xiàng)系數(shù)為0.017，在5%水平下顯著為正，說明相對(duì)貨幣政策寬松時(shí)，貨幣政策緊縮的時(shí)候高杠桿企業(yè)的債券違約的可能性更大。假設(shè)H3得到驗(yàn)證。

(二)異質(zhì)性影響分析

根據(jù)前文研究，企業(yè)的違約概率與市場(chǎng)利率和企業(yè)杠桿水平顯著正相關(guān)。若回歸結(jié)果對(duì)整體樣本成立，對(duì)于分樣本的企業(yè)來說也依舊成立。

因此，將總體樣本分為三個(gè)維度：是否為上市公司；是否為高評(píng)級(jí)主體；是否為周期性行業(yè)。

至于評(píng)級(jí)維度，主要以AA為分界線，高評(píng)級(jí)以發(fā)行時(shí)主體評(píng)級(jí)為主，包括AA及以上，AA以下為低評(píng)級(jí)；至于周期性行業(yè)，以所屬Wind行業(yè)一級(jí)行業(yè)為主，周期性行業(yè)是指和國(guó)際經(jīng)濟(jì)波動(dòng)相關(guān)性較強(qiáng)的行業(yè)，包括房地產(chǎn)業(yè)、金融業(yè)、工業(yè)、材料業(yè)、能源業(yè)五個(gè)類別，非周期性行業(yè)是指那些不受宏觀經(jīng)濟(jì)影響的行業(yè)，主要包括公用事業(yè)、醫(yī)療保健、日常消費(fèi)、可選消費(fèi)、信息技術(shù)五個(gè)類別。具體如表6所示。

表6 異質(zhì)性影響分析

根據(jù)上表回歸結(jié)果可知：

1.三個(gè)組別的樣本回歸顯示，市場(chǎng)利率trate和杠桿水平dar與債券違約呈現(xiàn)顯著正相關(guān)關(guān)系；組別內(nèi)部進(jìn)行相似不相關(guān)檢驗(yàn)(SUR)，dar系數(shù)差異性檢驗(yàn)得到卡方χ2大于臨界值，表明組別內(nèi)部杠桿水平的系數(shù)存在顯著差異。

2.在每個(gè)組別內(nèi)部，市場(chǎng)利率trate和杠桿水平dar的系數(shù)大小存在差別，具體來看：

(1)上市公司方面：屬于上市公司的市場(chǎng)利率trate和杠桿水平dar的系數(shù)分別為1.615和0.041，均小于非上市公司的1.649和0.086，說明正因?yàn)樯鲜泄镜膬?nèi)部治理較非上市公司更完善，相應(yīng)的信息披露更加規(guī)范、經(jīng)營(yíng)業(yè)績(jī)更加穩(wěn)健，使得上市公司的債券違約概率在市場(chǎng)利率和杠桿水平的敏感程度更低。

(2)評(píng)級(jí)方面：屬于高評(píng)級(jí)企業(yè)的市場(chǎng)利率trate和杠桿水平dar的系數(shù)分別為1.512和0.075，均小于低評(píng)級(jí)企業(yè)的2.181和0.099，驗(yàn)證了高評(píng)級(jí)主體較低評(píng)級(jí)主體在經(jīng)營(yíng)實(shí)力、風(fēng)險(xiǎn)承受能力等方面表現(xiàn)得更出色；相應(yīng)地，債券違約概率在市場(chǎng)利率和杠桿水平的敏感程度更低。

(3)行業(yè)方面：屬于周期性企業(yè)的市場(chǎng)利率trate和杠桿水平dar的系數(shù)分別為1.547和0.091，前者小于非周期性企業(yè)的1.681，后者大于非周期性行業(yè)的0.044的，說明周期性企業(yè)的經(jīng)營(yíng)與宏觀經(jīng)濟(jì)波動(dòng)存在一定的的關(guān)聯(lián)性，其融資決策帶來的杠桿水平對(duì)債券違約的影響程度更大。至此，假設(shè)H3得到驗(yàn)證。

五、穩(wěn)健性檢驗(yàn)

(一)替代解釋變量

1.杠桿水平指標(biāo)的替換

由于企業(yè)存在多個(gè)衡量杠桿水平的變量，前文在定義企業(yè)杠桿水平的時(shí)候使用企業(yè)的資產(chǎn)負(fù)債率，此處我們采用權(quán)益乘數(shù)ad和非流動(dòng)負(fù)債的權(quán)益比率lde來進(jìn)行回歸。結(jié)果顯示，權(quán)益乘數(shù)ad與和非流動(dòng)負(fù)債的權(quán)益比率lde系數(shù)分別為0.756和0.006，且在1%水平下顯著為正，貨幣政策指標(biāo)同樣顯著為正，與前文結(jié)果一致。具體如表7所示。

表7 替代杠桿水平指標(biāo)回歸分析

2.貨幣政策指標(biāo)的替換

貨幣政策的變化體現(xiàn)在數(shù)量和價(jià)格兩方面，我們分別以M2的季度增速以及3年期國(guó)債利率作為貨幣政策數(shù)量和價(jià)格指標(biāo)，代替前文中使用5年期國(guó)債利率。結(jié)果顯示，M2的季度增速以及3年期國(guó)債利率的回歸系數(shù)分別為0.34和1.319，且在1%水平下顯著為正，杠桿水平指標(biāo)同樣顯著為正，與前文結(jié)果一致。具體如表8所示。

表8 替代貨幣政策指標(biāo)回歸分析

(二)樣本外數(shù)據(jù)預(yù)測(cè)

在樣本內(nèi)數(shù)據(jù)回歸得到模型之后，運(yùn)用樣本外數(shù)據(jù)進(jìn)行模型檢測(cè)，以2020年10月1日至2020年12月31日的首次違約樣本作為樣本外數(shù)據(jù)。由下表可知，樣本外首次違約主體共有11家，涵蓋銀行間、上交所、深交所各交易市場(chǎng)。套用基本回歸分析中模型(5)測(cè)算，選取11家主體的最近一期財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行回歸，得到預(yù)測(cè)函數(shù)值M，進(jìn)一步得到違約概率。由數(shù)據(jù)可知，該11家主體違約概率均大于50%，模型有效性得到驗(yàn)證。具體如表9所示。

表9 樣本外數(shù)據(jù)模型檢測(cè)分析

六、結(jié)論與建議

(一)研究結(jié)論

本文通過建立貨幣政策-杠桿水平宏微觀Logit模型，對(duì)債券違約概率進(jìn)行預(yù)測(cè)分析。研究發(fā)現(xiàn)：貨幣政策帶來的利率變化、企業(yè)自身的杠桿率變化以及其交互項(xiàng)均會(huì)對(duì)債券違約產(chǎn)生影響。具體而言，有如下結(jié)論：

(1)單個(gè)因素的影響：當(dāng)貨幣政策緊縮帶來市場(chǎng)利率趨高時(shí)，會(huì)使得債券違約概率變高；當(dāng)企業(yè)杠桿水平升高時(shí)，會(huì)使得債券違約概率變高。

(2)交互項(xiàng)的影響：相對(duì)貨幣政策寬松時(shí)，貨幣政策緊縮的時(shí)候高杠桿企業(yè)的債券違約的可能性更大。

(3)異質(zhì)性檢驗(yàn)：通過對(duì)上市公司/非上市公司、高評(píng)級(jí)/低評(píng)級(jí)、周期性/非周期性行業(yè)三組數(shù)據(jù)分組研究，可以發(fā)現(xiàn)市場(chǎng)利率和企業(yè)杠桿水平均會(huì)對(duì)債券違約概率帶來正向影響；與此同時(shí)，在企業(yè)微觀層面，非上市公司、低評(píng)級(jí)以及周期性行業(yè)相應(yīng)杠桿水平的系數(shù)大于上市公司、高評(píng)級(jí)以及非周期性行業(yè)，說明杠桿水平對(duì)非上市公司、低評(píng)級(jí)以及周期性行業(yè)的企業(yè)來說，在債券違約概率上影響更大。

(4)穩(wěn)健性檢驗(yàn)：在通過將企業(yè)杠桿水平由資產(chǎn)負(fù)債率替換成權(quán)益乘數(shù)、非流動(dòng)負(fù)債權(quán)益比率時(shí)，基本實(shí)證模型的結(jié)論依舊成立；同時(shí)，用2020年10月1日以后違約企業(yè)作為樣本外數(shù)據(jù)進(jìn)行模型的檢測(cè)，發(fā)現(xiàn)債券違約概率均大于50%，模型具備一定有效性。

(二)政策建議

首先，鑒于模型有著較強(qiáng)現(xiàn)實(shí)意義和實(shí)際預(yù)測(cè)能力，可以供相關(guān)債券監(jiān)管部門參考，具體可用于監(jiān)測(cè)和預(yù)判地方信用債風(fēng)險(xiǎn)、違約等情況，提早響應(yīng)、分類施策，做好防范區(qū)域性、系統(tǒng)性風(fēng)險(xiǎn)的應(yīng)對(duì)措施，維護(hù)經(jīng)濟(jì)金融安全和穩(wěn)定。

其次，考慮到宏觀貨幣政策以及微觀杠桿水平對(duì)債券違約的影響，因此，一方面，從宏觀上，相關(guān)貨幣政策主管部門需要把握貨幣政策平穩(wěn)運(yùn)行的定力。穩(wěn)健的貨幣政策需要靈活適度、精準(zhǔn)導(dǎo)向，避免大水漫灌，從量和價(jià)兩方面滿足市場(chǎng)需求，保持宏觀杠桿率基本穩(wěn)定。另一方面，從微觀上，企業(yè)應(yīng)當(dāng)保持合理杠桿水平，適度融資。杠桿水平對(duì)債券違約概率有正向作用，在貨幣政策的伴隨效應(yīng)下，企業(yè)應(yīng)當(dāng)根據(jù)自身經(jīng)營(yíng)需求來增加負(fù)債水平，避免過度融資，積極應(yīng)對(duì)貨幣政策的轉(zhuǎn)向。[35]

最后，債券違約因公司上市與否、評(píng)級(jí)高低以及所在行業(yè)等因素會(huì)產(chǎn)生分化，建議相關(guān)投資者提高風(fēng)險(xiǎn)防范意識(shí)，加強(qiáng)對(duì)企業(yè)微觀層面因素的認(rèn)識(shí)以及對(duì)債券違約模型的理解，從而優(yōu)化資產(chǎn)組合，提升投資的收益風(fēng)險(xiǎn)比。