劉元鵬 田國(guó)忠 白芳

關(guān)鍵詞：信用債 違約風(fēng)險(xiǎn) logistic模型 改進(jìn)預(yù)警模型

一、引言

2018年以來(lái)，受投資增速放緩、消費(fèi)承壓以及中美貿(mào)易摩擦的影響，國(guó)內(nèi)經(jīng)濟(jì)面臨較大下行壓力。同時(shí)，隨著去杠桿政策的持續(xù)推進(jìn)，“資管新規(guī)”對(duì)表外融資的進(jìn)一步規(guī)范，社會(huì)融資規(guī)模不斷收縮。在經(jīng)濟(jì)下行、信用緊縮的大背景下，民營(yíng)企業(yè)面臨經(jīng)營(yíng)和融資雙重壓力，也成為2018年債券市場(chǎng)違約集中爆發(fā)的高風(fēng)險(xiǎn)領(lǐng)域。10月以來(lái)，支持民營(yíng)企業(yè)融資的政策措施密集發(fā)布，對(duì)民營(yíng)企業(yè)投資機(jī)遇的關(guān)注也逐步上升。融資擔(dān)保機(jī)構(gòu)等落實(shí)相關(guān)政策，支持民營(yíng)企業(yè)發(fā)債的同時(shí)，也要做好自身風(fēng)險(xiǎn)防控。對(duì)于信用債違約風(fēng)險(xiǎn)的預(yù)測(cè)，國(guó)內(nèi)外學(xué)者都做過(guò)不同程度的探討。最早信用債違約預(yù)測(cè)模型被劃分為企業(yè)財(cái)務(wù)困境預(yù)測(cè)模型范疇。而在企業(yè)財(cái)務(wù)困境研究中，10gistics模型被廣泛應(yīng)用。在國(guó)外，最早探索財(cái)務(wù)預(yù)警模型的是美國(guó)，Ohlsonl980年利用logistics模型，建立回歸方程，首次描述了財(cái)務(wù)困境預(yù)警模型。在建模的過(guò)程中，他選取了2100個(gè)樣本，其中100個(gè)違約樣本，2000個(gè)非違約樣本，構(gòu)建了基于累計(jì)概率函數(shù)的條件概率模型。隨著對(duì)預(yù)警模型的研究，Logistic模型從一元發(fā)展到多元，從數(shù)據(jù)變量發(fā)展到虛擬變量，此外學(xué)者發(fā)現(xiàn)采用多種模型構(gòu)建聯(lián)合預(yù)測(cè)模型，能使預(yù)測(cè)效果更佳。Ali SerhanKoyuncugil等（2012）就采用多種方法有效結(jié)合構(gòu)建聯(lián)合預(yù)測(cè)模型，也使得Logistic模型、神經(jīng)網(wǎng)絡(luò)模型和決策樹(shù)首次聯(lián)合預(yù)測(cè)。在國(guó)內(nèi)，采用Logistic模型對(duì)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警相比國(guó)外要晚的多。劉曼是最早應(yīng)用Logistic回歸模型分析上市公司財(cái)務(wù)風(fēng)險(xiǎn)的。之后越來(lái)越多的學(xué)者采用Logistic回歸模型來(lái)分析各類(lèi)風(fēng)險(xiǎn)概率。近年來(lái)隨著信用債違約樣本的增多，越來(lái)越多的學(xué)者關(guān)注企業(yè)信用債違約風(fēng)險(xiǎn)因素，并通過(guò)Lo-gistic回歸模型來(lái)預(yù)警各個(gè)風(fēng)險(xiǎn)因素對(duì)信用債違約概率的影響。澤清潘（2018）應(yīng)用Logistic模型對(duì)國(guó)內(nèi)近幾年發(fā)生違約事件的企業(yè)債進(jìn)行分析，通過(guò)實(shí)證發(fā)現(xiàn)26個(gè)財(cái)務(wù)指標(biāo)中，有4個(gè)財(cái)務(wù)指標(biāo)對(duì)債務(wù)違約顯著。張永東（2019）構(gòu)建了AD-Logistic預(yù)警模型克服由于非均衡信用債樣本帶來(lái)的違約樣本分類(lèi)預(yù)測(cè)精度下降的難題。該模型摒棄了傳統(tǒng)財(cái)務(wù)指標(biāo)，采用企業(yè)債務(wù)和規(guī)模匹配性指標(biāo)，提升了模型預(yù)測(cè)的精準(zhǔn)性。

本文的可能創(chuàng)新之處在于，接受債務(wù)規(guī)模與企業(yè)規(guī)模匹配性財(cái)務(wù)指標(biāo)，但在此基礎(chǔ)上，引入發(fā)債主體背景和債券票面利率兩個(gè)外部變量，以此來(lái)提升模型預(yù)測(cè)的準(zhǔn)確度。統(tǒng)計(jì)發(fā)現(xiàn)，發(fā)債主體發(fā)生違約，除了財(cái)務(wù)狀況惡化外，主體背景以及債項(xiàng)利率等因素也對(duì)其違約風(fēng)險(xiǎn)有較大影響。在債務(wù)匹配性財(cái)務(wù)指標(biāo)的基礎(chǔ)上引入外部變量，一方面反映企業(yè)債項(xiàng)違約受主體經(jīng)營(yíng)狀況影響，另一方面反映除了財(cái)務(wù)外，一些外部因素也會(huì)導(dǎo)致債項(xiàng)違約。

二、信用債違約概述

2018年是我國(guó)信用債違約頻發(fā)的一年。據(jù)wind資訊統(tǒng)計(jì)，全年新增違約主體43家，違約債項(xiàng)125支，違約金額1209.61億元。違約主體數(shù)量、債券支數(shù)均為歷年來(lái)頂峰，違約規(guī)模超過(guò)2014-2017年四年合計(jì)總額。從違約主體看，民企違約明顯高于國(guó)企，在新增的43只違約主體中，36家是民營(yíng)企業(yè)，4家地方國(guó)企，2家央企，1家公眾企業(yè)。其中民企債券違約金額1088.65億元，是國(guó)企的9倍。統(tǒng)計(jì)顯示，2014-2019年3月，累計(jì)違約民企95家，占全部違約主體的79.17%，特別是2018年以后，民企信用債違約呈現(xiàn)加速狀態(tài)（見(jiàn)圖1）。

此外，隨機(jī)選擇2018年30家主體違約的債項(xiàng)，通過(guò)統(tǒng)計(jì)分析，違約債主體背景集中在民營(yíng)企業(yè)，且發(fā)行時(shí)對(duì)應(yīng)的票面利率較高，如表1所示。

三、信用債違約風(fēng)險(xiǎn)預(yù)警模型介紹

財(cái)務(wù)指標(biāo)是企業(yè)經(jīng)營(yíng)狀況的窗口，信用債發(fā)生風(fēng)險(xiǎn)前，發(fā)債主體的財(cái)務(wù)指標(biāo)普遍趨于惡化。結(jié)合以往研究成果，當(dāng)前有兩種較為常見(jiàn)的財(cái)務(wù)分析指標(biāo)。第一種以潘澤清發(fā)表的《企業(yè)債務(wù)違約風(fēng)險(xiǎn)logistic回歸預(yù)警模型》為主（下文簡(jiǎn)稱(chēng)“潘澤清模型”），其研究的內(nèi)容將財(cái)物指標(biāo)主要分為六個(gè)方面：盈利能力、償債能力、發(fā)展能力、營(yíng)運(yùn)能力、現(xiàn)金流動(dòng)能力、資本結(jié)構(gòu)等。初步選取26個(gè)財(cái)務(wù)指標(biāo)。第二種以張永東發(fā)表的《基于非均衡樣本的信用債違約風(fēng)險(xiǎn)預(yù)警研究》為主（下文簡(jiǎn)稱(chēng)“張永東模型”），其選擇的主要財(cái)務(wù)指標(biāo)分為五個(gè)方面：債務(wù)規(guī)模與資產(chǎn)的匹配性、債務(wù)規(guī)模與收入的匹配性、債務(wù)規(guī)模與利潤(rùn)的匹配性、債務(wù)規(guī)模與現(xiàn)金流的匹配性、資產(chǎn)結(jié)構(gòu)與資本結(jié)構(gòu)的匹配性，共有17個(gè)財(cái)務(wù)指標(biāo)。

四、信用債違約風(fēng)險(xiǎn)預(yù)警模型的建立及驗(yàn)證

（一）兩種常見(jiàn)的財(cái)務(wù)指標(biāo)模型

1.潘澤清模型

在潘澤清選擇的26個(gè)財(cái)務(wù)指標(biāo)中，通過(guò)曼一惠特尼U檢驗(yàn)，并消除共線(xiàn)性最終選擇了四個(gè)財(cái)務(wù)指標(biāo)，分別是銷(xiāo)售凈利率X1、總資產(chǎn)增長(zhǎng)率X2、資產(chǎn)負(fù)債率X3、流動(dòng)負(fù)債比率X4。最終實(shí)證得到的信用債違約概率模型：

2.張永東模型

在張永東非均衡模型中選擇的17個(gè)財(cái)務(wù)指標(biāo)中，通過(guò)Wilcoxon統(tǒng)計(jì)量篩選和AIC引入條件篩選最終獲得六個(gè)指標(biāo)。分別是償付本息/總資產(chǎn)X1、有形資產(chǎn)凈值債務(wù)率X2、EBITDA/短期有息債務(wù)X3、EBITDA/利息支出X4、現(xiàn)金強(qiáng)制性負(fù)債比X5、資本固定化比率X6。實(shí)證獲得模型為：

（二）兩種模型有效性檢驗(yàn)

在wind中隨機(jī)選取24家企業(yè)的債券，其中正常信用債11項(xiàng)，違約債債13項(xiàng)。根據(jù)兩種財(cái)務(wù)指標(biāo)模型，將數(shù)據(jù)帶入得到如表2所示結(jié)果。

由表2數(shù)據(jù)可知，潘澤清模型驗(yàn)證結(jié)果并不理想，僅在統(tǒng)計(jì)特征上正常債券平均違約概率為30.93%，小于違約樣本平均違約概率45.95%?？梢?jiàn)采用傳統(tǒng)財(cái)務(wù)指標(biāo)，進(jìn)行債券違約預(yù)測(cè)并不理想。張永東模型預(yù)測(cè)結(jié)果比潘澤清模型要好，表2中張永東模型中違約債的違約概率基本在50%以上，而正常債的違約概率基本低于50%，違約概率出現(xiàn)明顯的兩極分化。該模型之所以更優(yōu)，主要因?yàn)槟Ｐ涂紤]企業(yè)經(jīng)營(yíng)過(guò)程中債務(wù)規(guī)模不匹配是引起風(fēng)險(xiǎn)的主要原因。兩種模型預(yù)測(cè)結(jié)果對(duì)比情況如圖2所示。

五、基于債務(wù)規(guī)模匹配性模型的改進(jìn)

在上述兩種模型中，作者更多的關(guān)注企業(yè)本身的影響因素，而對(duì)于外部影響考慮較少，特別是企業(yè)背景。然而統(tǒng)計(jì)發(fā)現(xiàn)，實(shí)際違約的企業(yè)債具有很多共同的外部特征，如票面利率相對(duì)較高，大多是民營(yíng)背景等。因此，建立包含外部因素的信用債違約風(fēng)險(xiǎn)概率模型具有更大的現(xiàn)實(shí)意義。

（一）模型建立

綜上分析可知，在考慮企業(yè)債違約預(yù)測(cè)模型時(shí)要將一些外部因素考慮進(jìn)來(lái)，如票面利率（R）和發(fā)行主體背景（E），其中發(fā)行主體背景采用虛擬變量，即民營(yíng)背景定義為1，非民營(yíng)背景定義為0。同時(shí)結(jié)合債務(wù)規(guī)模匹配性指標(biāo)X1（償付本息/總資產(chǎn)）、X2（有形資產(chǎn)凈值債務(wù)率）、X3（EBITDA/短期有息債務(wù)）、X4（EBITDA/利息支出）、X5（現(xiàn)金強(qiáng)制性負(fù)債比）、x6（資本固定化比率），建立改進(jìn)的違約概率預(yù)警模型。

（二）樣本選擇

在本次研究中，主要考慮的違約債的統(tǒng)計(jì)特征中發(fā)債主體背景和票面對(duì)債項(xiàng)違約有一定的影響，因此把票面利率（R）和發(fā)債主體背景（E）納入的解釋變量中，從2012-2018年違約的債項(xiàng)中選擇不同行業(yè)，不同發(fā)債主體27家作為違約樣本，并采用許多研究學(xué)者通常采用Beaver（1966）的一對(duì)一配對(duì)法，選出27家正常債券發(fā)行主體，在配對(duì)過(guò)程中，違約主體和正常主體盡量同一個(gè)行業(yè)或相近行業(yè)。在研究時(shí)，違約樣本選擇債券首次違約前一年的財(cái)務(wù)數(shù)據(jù)，正常樣本選擇2018年財(cái)報(bào)數(shù)據(jù)。

（三）實(shí)證結(jié)果

通過(guò)Eviews軟件中的似然估計(jì)，通過(guò)相關(guān)檢驗(yàn)最終等到債券違約概率模型：

（四）模型效果驗(yàn)證

同樣取上文驗(yàn)證的樣本，采用改進(jìn)后的模型驗(yàn)證結(jié)果，效果好于前兩種，具體見(jiàn)表3。由表3數(shù)據(jù)可知，改進(jìn)后預(yù)警模型使得違約概率兩極分化更加凸顯，正常債平均違約概率與違約債相差62.59個(gè)百分點(diǎn)。

六、結(jié)論及建議

近年來(lái)隨著信用債剛性?xún)陡侗淮蚱?，加之金融去杠桿，企業(yè)債券違約事件時(shí)有發(fā)生，并且呈現(xiàn)上升趨勢(shì)。研究信用債違約概率模型，不僅具有拓展企業(yè)財(cái)務(wù)分析方法的理論意義，更具有指導(dǎo)金融機(jī)構(gòu)參與債券業(yè)務(wù)的實(shí)踐意義。在現(xiàn)實(shí)中，發(fā)生債項(xiàng)違約的企業(yè)大部分是民營(yíng)企業(yè)，一方面由于民營(yíng)企業(yè)在經(jīng)營(yíng)過(guò)程中，承受風(fēng)險(xiǎn)的能力相對(duì)較弱，在經(jīng)濟(jì)不景氣的背景下，容易受到行業(yè)波動(dòng)影響，進(jìn)而經(jīng)營(yíng)出現(xiàn)困難，發(fā)生債券違約;另一方面也說(shuō)明在整個(gè)經(jīng)濟(jì)下行期，民營(yíng)經(jīng)濟(jì)遇到了各種各樣的困難，國(guó)有企業(yè)和上市公司在有強(qiáng)力的后臺(tái)，其承受市場(chǎng)波動(dòng)的能力明顯較強(qiáng)。建立包含發(fā)債主體背景因素的信用債違約風(fēng)險(xiǎn)預(yù)測(cè)模型，不僅提高了傳統(tǒng)財(cái)務(wù)指標(biāo)預(yù)測(cè)模型的準(zhǔn)確性，也提醒廣大投資者在做債券業(yè)務(wù)時(shí)，在關(guān)注債項(xiàng)主體財(cái)務(wù)信息的同時(shí)也要關(guān)注主體背景等外在因素。值得說(shuō)明的是，該模型并不是倡導(dǎo)投資者避免投資民營(yíng)背景的債券，而是為投資者提供一定的數(shù)據(jù)參考。也為政府制定更好的政策來(lái)支持民營(yíng)企業(yè)發(fā)債提供理論支持，如民營(yíng)企業(yè)發(fā)債時(shí)監(jiān)管機(jī)構(gòu)可以倡導(dǎo)引入第三方擔(dān)保，能夠有效增加民營(yíng)企業(yè)債的發(fā)行效率和成功率，也能有效降低投資者風(fēng)險(xiǎn)損失。