吳復成　畢舟　車鑫

【摘要】固定收益證券是各類金融機構資產的重要組成部分，固定收益證券的風險在于收益和本金能否按照約定收回，即證券發(fā)行人發(fā)生違約的風險。鑒于近幾年國內債券市場違約事件頻發(fā)，選取2014～2016年21家實質違約債券發(fā)行主體作為樣本，構建債券發(fā)行主體違約風險評價模型，并基于非財務指標對模型進行擴展。研究結果顯示：違約公司在資產規(guī)模、長期償債能力、盈利能力方面與未違約公司存在顯著差異;基于財務指標的Logit違約風險評價模型總體預測誤差率為20%;基于行業(yè)、產權屬性擴展的債券違約風險評價模型的有效性有所提高。

【關鍵詞】固定收益證券;違約風險評價;Logit模型;財務指標;非財務指標

【中圖分類號】F832

【文獻標識碼】A

【文章編號】1004-0994（2019）10-0152-8

一、引言

固定收益證券（FixedIncomeSecurities）是現(xiàn)代金融資產的重要內容，最早出現(xiàn)于政府債券市場，理論界和實務界分別從不同角度提出固定收益證券的定義。廣義而言，一項投資約定在未來一段時間內以固定支付方式定期支付利息和到期支付本金即可稱之為固定收益資產。與固定收益證券相對應的資產稱為浮動收益證券，即投資收益并非固定或可確定，而是會隨著市場變化而變化。固定收益證券一般包括以下要素：發(fā)行人、票面利率、面值、還本付息日等。當前，固定收益證券主要包括各類債券，如國債、地方政府債、公司債、企業(yè)債、中期票據(jù)、短期融資券、私募債、城投債等，還包括其他收益相對固定的證券資產，如優(yōu)先股股權、信托資產、專項資產管理計劃、不良貸款證券化等。我國固定收益證券在金融市場上的發(fā)展勢頭異常強勁，成為各類經濟組織、地方政府的重要融資渠道，推動了經濟社會發(fā)展。我國固定收益證券市場按照發(fā)行形式分為債券市場和其他固定收益證券市場，其中債券市場又存在三類交易場所，包括全國銀行間債券市場、商業(yè)銀行柜臺債券市場及證券交易所債券市場。銀行間債券市場是我國主要債券發(fā)行和交易場所，是機構投資者進行大宗交易的場外市場，是我國債券市場主體。當前，我國銀行間債券市場包括財政部、政策性銀行、政府機構、商業(yè)銀行、非銀行金融機構等各類市場主體。固定收益證券違約風險是證券發(fā)行定價的關鍵參數(shù)，也是商業(yè)銀行實施新巴塞爾協(xié)議、建立內部評級體系必須測算的關鍵參數(shù)。結合債券違約風險評價模型，當前實踐中代表性違約風險評價體系包括信用評級模型和違約概率統(tǒng)計模型。其中，信用評級是固定收益證券發(fā)行的核心機制，用于投資者、監(jiān)管部門掌握固定收益證券違約風險，是監(jiān)管、定價的重要基準，著名的信用評級公司包括穆迪公司、標準普爾公司。此外，學者們還開發(fā)了一系列基于財務指標的違約概率統(tǒng)計模型，包括線性回歸預測模型、Logit違約概率預測模型、Probit違約概率預測模型?；谪攧罩笜说倪`約概率模型成為信用評級制度的重要補充，是投資者的重要決策依據(jù)。例如，吳世農、盧賢義[1]應用Logit模型研究我國上市公司財務困境的預測問題，鮮文鐸、向銳[2]應用混合Logistic模型研究我國上市公司的財務困境預測問題，盧永艷、王維國[3]應用面板Logit模型研究企業(yè)財務危機的預警問題，阮素梅、周澤林[4]應用Logistic模型實證檢驗P2P網貸信用違約的關鍵影響因素。

本文構建Logit違約風險評價模型的過程如下：通過初選財務指標的相關性分析，刪除反映信息重復的財務指標，通過財務指標系數(shù)的顯著性檢驗，刪除對違約概率解釋能力較弱的財務指標，以線性回歸的擬合優(yōu)度為標準，選取樣本行業(yè)Logit違約風險評價模型的關鍵財務指標，建立50家樣本公司的Logit違約風險評價模型，為發(fā)債公司違約概率的測算提供模型與方法。

二、樣本來源與研究設計

1.樣本來源。2014年以來，我國信用債市場信用事件頻發(fā)，自2014年起至2016年9月30日，共發(fā)生信用事件436起，涉及發(fā)債主體255家。從信用事件類型看，以發(fā)債主體評級及展望下調，或者列入事項觀察名單為主;發(fā)債主體信用事件多分布在第二、第三季度，且2016年前9個月發(fā)生信用事件的次數(shù)顯著高于2014年、2015年全年。

為定量測度債券發(fā)行主體的違約概率，本文選取2014～2016年21家實質違約債券發(fā)行主體為樣本，包括協(xié)鑫集成科技股份有限公司、中科云網科技集團股份有限公司等。債券違約主體樣本基本情況見表1。

同時，本文隨機選取29家未發(fā)生違約事件的企業(yè)作為對照樣本，用以比較測度債券違約因子，未違約對照樣本基本情況見表2。

2.模型設計。Logit回歸為概率型非線性回歸模型，是研究分類結果（y）與影響因素（x）之間關系的一種多變量分析方法。在統(tǒng)計學中，誤判分為兩類，第一類錯誤稱為“存?zhèn)巍?，是指將高信用風險企業(yè)誤判為低信用風險企業(yè)的錯誤[5]。第二類錯誤稱為“拒真”，是指將低風險企業(yè)誤判為高信用風險企業(yè)的錯誤[6-8]。在國外，Logit模型最早用來預測公司的破產及違約概率。在國內，龐素琳[9]選取63家上市公司建立Logit信用評價模型，判別準確率達到99.06%。

本文的被解釋變量債券違約是二元虛擬變量，因此選擇二分類Logit模型進行檢驗。其中，某類型結果發(fā)生概率與不發(fā)生概率比值記為odds：

對odds取對數(shù)，實現(xiàn)Logit變換：

其中，X為債券發(fā)行主體關鍵財務指標，通過最大似然法可以得到參數(shù)β。

根據(jù)回歸結果求反函數(shù)，可得到債券發(fā)行主體違約概率P的表達式：

3.變量選擇。根據(jù)企業(yè)常用的財務指標以及數(shù)據(jù)的可獲得性，從資產結構、償債能力、盈利能力、營運能力方面選取了50家企業(yè)的10個相關指標。財務指標的具體說明見表3。

三、樣本公司的財務特征

1.資產規(guī)模特征。表4為樣本公司資產規(guī)模Size的均值檢驗結果。結果顯示，樣本公司總體資產規(guī)模均值為5.53，其中違約公司資產規(guī)模均值為4.98（約為145.47億元人民幣），未違約公司資產規(guī)模均值為5.94（約為379.93億元人民幣）。違約公司與未違約公司資產規(guī)模均值T檢驗結果顯示，違約公司資產規(guī)模比未違約公司資產規(guī)模在1%的水平上顯著低0.95（約為234.46億元人民幣）。檢驗結果表明，債券違約公司存在資產規(guī)模較小的特征。

2.長期償債能力特征。表5為樣本公司長期償債能力Lev與Icr的均值檢驗結果。資產負債率Lev檢驗結果顯示，樣本公司總體資產負債率均值為70.42%，其中違約公司資產負債率均值為79.76%，未違約公司資產負債率均值為63.65%。違約公司與未違約公司資產負債率均值T檢驗結果顯示，違約公司資產負債率比未違約公司資產負債率在1%的水平上顯著高16.11%。檢驗結果表明，債券違約公司存在資產負債率較高的特征。

利息保障倍數(shù)Icr檢驗結果顯示，樣本公司總體利息保障倍數(shù)均值為8.46倍，其中違約公司利息保障倍數(shù)均值為0.19倍，未違約公司利息保障倍數(shù)均值為14.07倍。違約公司與未違約公司利息保障倍數(shù)均值T檢驗結果顯示，違約公司利息保障倍數(shù)比未違約公司利息保障倍數(shù)低13.88倍但不顯著。檢驗結果表明，債券違約公司存在利息保障倍數(shù)較低的特征。

3.短期償債能力特征。表6為樣本公司短期償債能力Liquid與Fast的均值檢驗結果。流動比率Liquid檢驗結果顯示，樣本公司總體流動比率均值為1.32倍，其中違約公司流動比率均值為1.02倍，未違約公司流動比率均值為1.55倍。違約公司與未違約公司流動比率均值T檢驗結果顯示，違約公司流動比率比未違約公司流動比率在10%的水平上顯著低0.52倍。檢驗結果表明，債券違約公司存在流動比率較低的特征。

速動比率Fast檢驗結果顯示，樣本公司總體速動比率均值為0.82倍，其中違約公司速動比率均值為0.88倍，未違約公司速動比率均值為0.72倍。違約公司與未違約公司速動比率均值T檢驗結果顯示，違約公司速動比率比未違約公司速動比率低0.16倍但不顯著。檢驗結果表明，債券違約公司存在速動比率較低的特征。

4.盈利能力特征。表7為樣本公司盈利能力

Drev、Gross與Npm的均值檢驗結果。營業(yè)收入增長率Drev檢驗結果顯示，樣本公司總體營業(yè)收入增長率均值為5%，其中違約公司的營業(yè)收入增長率均值為-5.48%，未違約公司的營業(yè)收入增長率均值為4.82%。違約公司與未違約公司營業(yè)收入增長率均值T檢驗結果顯示，違約公司營業(yè)收入增長率比未違約公司營業(yè)收入增長率低10.30%但不顯著。檢驗結果表明，債券違約公司存在營業(yè)收入增長率較低的特征。毛利率Gross檢驗結果顯示，樣本公司總體毛利率均值為20.52%，其中違約公司毛利率均值為12.95%，未違約公司毛利率均值為26.00%。違約公司與未違約公司毛利率均值T檢驗結果顯示，違約公司毛利率比未違約公司毛利率在1%的水平上顯著低13.05%。檢驗結果表明，債券違約公司存在毛利率較低的特征。銷售凈利率Npm檢驗結果顯示，樣本公司總體銷售凈利率均值為-9.03%，其中違約公司銷售凈利率均值為-32.78%，未違約公司銷售凈利率均值為8.77%。違約公司與未違約公司銷售凈利率均值T檢驗結果顯示，違約公司銷售凈利率比未違約公司銷售凈利率在1%的水平上顯著低41.55%。檢驗結果表明，債券違約公司存在銷售凈利率較低的特征。

5.營運能力特征。表8為樣本公司營運能力Turnasset與Inventary的均值檢驗結果?？傎Y產周轉率Turnasset檢驗結果顯示，樣本公司總體總資產周轉率均值為0.47次，其中違約公司與未違約公司總資產周轉率均值均為0.47次。違約公司與未違約公司總資產周轉率均值T檢驗結果顯示，違約公司總資產周轉率比未違約公司總資產周轉率高0.001次但不顯著。檢驗結果表明，債券違約公司的總資產周轉率與未違約公司不存在明顯差異。?存貨周轉率Inventary檢驗結果顯示，樣本公司總體存貨周轉率均值為5.83次，其中違約公司存貨周轉率均值為7.22次，未違約公司存貨周轉率均值為4.83次。違約公司與未違約公司存貨周轉率均值T檢驗結果顯示，違約公司存貨周轉率比未違約公司存貨周轉率高2.38次但不顯著。檢驗結果表明，債券違約公司的存貨周轉率與未違約公司不存在明顯差異。

四、債券違約Logit模型構建

為定量檢驗各財務指標對公司債券違約概率的影響，參照潘堅和肖慶憲[10]、張海星和靳偉鳳[11]、吳建華等[12]的做法，構建公司債券違約風險評價模型，本文基于Logit模型構建如下檢驗模型：

Logi（tP）=c+βX+ε

其中，X為債券發(fā)行主體關鍵財務指標，包括公司資產規(guī)模Size、資產負債率Lev等10個變量，具體變量定義見表3。為確定最優(yōu)預測模型，本文采用逐步回歸法引入顯著性水平低于10%的自變量，模型檢驗結果見表9。

表9顯示，本文選取的10個財務指標中，有3個進入公司債券違約風險評價模型，分別為資產負債率Lev、資產規(guī)模Size、毛利率Gross。其中，資產負債率與公司債券違約在5%的水平上顯著正相關;資產規(guī)模與公司債券違約在1%的水平上顯著負相關;毛利率與公司債券違約在5%的水平上顯著負相關。為保證本文檢驗結果的可靠性，表9同時報告了基于普通最小二乘法的OLS回歸結果，依然表明資產負債率、資產規(guī)模、毛利率對債券違約具有顯著影響。

根據(jù)表9的逐步回歸結果，得到公司債券違約風險評價模型為：

進一步求得公司債券違約概率表達式為：

基于上述違約概率公式，本部分分別計算樣本公司違約概率P的預測值，并以50%為閾值，如果預測違約概率超過50%，表明該公司屬于預測債券違約組，如果預測違約概率低于50%，表明該公司屬于預測債券暫不違約組。表10報告了各樣本公司基于本文構建的債券違約風險評價模型測度的違約值，并與實際違約情況進行了比較。

表10顯示，本模型發(fā)生第一類誤差的概率為21.21%，即基于本模型預測暫不發(fā)生違約的33家公司中，有7家公司實際發(fā)生違約，26家公司實際未發(fā)生違約;本模型發(fā)生第二類誤差的概率為17.64%，即基于本模型預測發(fā)生違約的17家公司中，有14家公司實際發(fā)生違約，3家公司實際未發(fā)生違約。本模型總體預測誤差概率為20%，即基于本模型預測的50家公司中有10家公司預測結果與實際情況不一致，其余40家公司預測結果與實際情況一致。

五、基于非財務指標的債券違約風險評價模型擴展

以上基于債券發(fā)行主體財務指標構建的債券違約風險評價模型，預測質量易受到選定的財務指標代表性的影響，存在著樣本和變量選擇誤差。同時，以上債券違約風險評價模型依賴于Logit模型架構的有效性，存在模型設定誤差。因此，為控制本文構建的債券違約風險評價模型的誤差，下面在計量模型基礎上進一步引入非財務指標，對基本債券違約風險評價模型進行擴展。

債務違約風險評價模型擴展形式如下：

上述模型中，P為擴展后公司債券違約概率，F(xiàn)1

為基于財務指標和Logit模型的公司債券違約概率影響系數(shù)，F(xiàn)2為公司所處行業(yè)CCER的債券違約概率影響系數(shù)，F(xiàn)3為公司產權屬性STATE的債券違約概率影響系數(shù)，F(xiàn)N為公司其他非財務指標OTHER的債券違約概率影響系數(shù)。

鵬元資信評估公司研究報告顯示：2014年以來我國信用債市場信用事件頻發(fā)，其中，煤炭開采、鋼鐵、機械設備、船舶以及光伏行業(yè)信用事件發(fā)生次數(shù)和頻率均較高;地方國有企業(yè)、民營企業(yè)高于中央國有企業(yè)，但民營企業(yè)信用事件發(fā)生頻率最高。

我國信用債市場信用風險較高行業(yè)主要集中在鋼鐵、煤化工、石油化工、造紙、遠洋運輸、冶金及工程機械、乘用車與商用車、有色金屬冶煉、光伏（多晶硅）及生物質發(fā)電、電子元器件制造、化纖、通信設備制造、產業(yè)投融資平臺、紡織、煤炭等行業(yè);信用風險一般的行業(yè)主要集中在農藥與農資、房地產、農業(yè)、電氣設備、高速公路、航空、水務、港口、建筑施工、水泥、城投等行業(yè);信用風險最低的行業(yè)主要集中在金融、零售、食品飲料、出版?zhèn)髅?、醫(yī)藥及醫(yī)療設備、采掘業(yè)、通訊信息服務、鐵路、機場服務、軌道交通、電網、火電、核電、水電和風電等行業(yè)。

綜合以上分析，本文認為公司所處行業(yè)以及產權屬性是影響公司債券違約概率的重要非財務指標。因此，本文在基本擴展模型中引入公司行業(yè)指標和產權屬性指標。為確定各影響因素權重，項目組成員邀請相關領域專家進行打分。根據(jù)專家打分結果，本文最終確定F1為70%、F2為20%、F3為10%。各項非財務指標具體得分見表11。根據(jù)擴展的違約風險測算體系，本文對樣本公司的違約概率進行了重測，預測結果見表12。

表12顯示，本模型發(fā)生第一類誤差的概率為10.34%，即基于本模型預測暫不發(fā)生違約的29家公司中，有3家公司實際發(fā)生違約，26家公司實際未發(fā)

生違約;本模型發(fā)生第二類誤差的概率為14.29%，即基于本模型預測發(fā)生違約的21家公司中，有18家公司實際發(fā)生違約，3家公司實際未發(fā)生違約。本模型總體預測誤差概率為12%，即基于本模型預測的50家公司中有6家公司的預測結果與實際情況不一致，其余44家公司的預測結果與實際情況一致。以上預測結果表明，基于非財務指標擴展的債券違約風險評價模型較基于財務指標的違約風險評價模型有所改進。

六、研究結論

固定收益證券由于未來收益固定或可確定，因此其主要風險并非收益變動風險，而是收益無法按約定收到的風險，即發(fā)行主體違約的風險。同時，固定收益證券信用風險可能通過供應鏈網絡等發(fā)生傳染，引發(fā)系統(tǒng)性金融風險[13-15]。因此，本文基于債券違約公司和未違約公司樣本構建固定收益?zhèn)l(fā)行主體違約風險評價模型，并基于非財務指標進行擴展。模型預測結果顯示：1基于財務指標的違約風險評價模型發(fā)生第一類誤差的概率為21.21%，發(fā)生第二類誤差的概率為17.64%，總體預測誤差概率為20%，表明基于財務指標的違約風險評價模型具有較高的有效性，綜合準確率為80%。2基于非財務指標擴展的違約風險評價模型發(fā)生第一類誤差的概率為10.34%，發(fā)生第二類誤差的概率為14.29%，總體預測誤差概率為12%，表明基于非財務指標擴展的債券違約風險評價模型較基于財務指標的違約風險評價模型有所改進。

本文構建的固定收益證券違約風險評價模型有助于各企業(yè)對托管人申購的固定收益證券進行投前風險評估和投后持續(xù)風險評價。并且，本文基于非財務指標對違約風險評價模型進行了擴展，有助于企業(yè)根據(jù)資產特性、市場發(fā)展情況不斷修正債券違約風險評價模型。為此，本文提出如下固定收益證券違約預警與監(jiān)管建議：

第一，完善固定收益證券違約風險評價模型。本文采用逐步回歸構建了固定收益證券違約風險評價Logit模型，基于樣本數(shù)據(jù)檢測結果，本文構建的違約風險評價模型的預測誤差率僅為20%，表明基于發(fā)行人財務數(shù)據(jù)進行固定收益證券違約預警具有可行性。因此，為減少債券市場出現(xiàn)違約事件造成的不良后果，監(jiān)管部門需加強與信用評級部門和投資機構的合作，構建和完善固定收益證券違約風險評價體系，利用眾多科學預測模型和財務指標，提高固定收益證券違約預警的有效性。證券監(jiān)管部門需加強對投資者的正確引導，指導投資者正確認識固定收益證券違約風險，推廣固定收益證券違約預警指標的應用。同時，還需完善擔保相關制度，加強對擔保企業(yè)的管理，督促發(fā)債公司在發(fā)生債券違約事件時履行擔保代償?shù)呢熑危瑥亩鴮崿F(xiàn)風險的分散和轉移。

第二，重視外部因素對固定收益證券違約概率的影響。由于企業(yè)在經營過程中面臨各種不確定性，并且企業(yè)所處行業(yè)也會存在周期性波動，因此，證券違約概率不僅與企業(yè)內部財務指標有關，還受企業(yè)外部非財務指標的影響。以本文研究為例，基于發(fā)行人所處行業(yè)狀況和產權屬性的擴展的違約風險評價模型檢驗結果顯示，考慮發(fā)行人外部因素后違約概率預測的準確性有所提升，總體預測誤差率降至12%，表明發(fā)行人外部因素也會對證券違約概率造成重要影響。因此，監(jiān)管部門和投資者要重視分析企業(yè)外部因素對于企業(yè)違約風險的影響，在證券發(fā)行審核、違約預警和產品設計中，充分考慮發(fā)行人外部因素可能產生的影響，進一步降低我國固定收益證券違約風險，提高證券市場穩(wěn)健性。

主要參考文獻：

[1]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001（6）：46～55.

[2]鮮文鐸，向銳.基于混合Logit模型的財務困境預測研究[J].數(shù)量經濟技術經濟研究，2007（9）：68～76.

[3]盧永艷，王維國.基于面板logit模型的上市公司財務困境預測[J].數(shù)學的實踐與認識，2010（5）：37～43.

[4]阮素梅，周澤林.基于L1懲罰Logit模型的P2P網絡借貸信用違約識別與預測[J].財貿研究，2018（2）：54～63.

[5]賈智蓮，王宙翔.基于KMV模型的地方政府債券違約風險測度[J].財經理論研究，2015（5）：72～82.

[6]劉海龍.債券定價與債券風險預警方法綜述[J].系統(tǒng)管理學報，2016（1）：1～10.

[7]王安興，杜琨.債務違約風險與期權定價研究[J].管理科學學報，2016（1）：117～126.

[8]楊世偉，李錦成.信用風險度量、債券違約預測與結構化模型擴展[J].證券市場導報，2015（10）：41～48.

[9]龐素琳.Logistic回歸模型在信用風險分析中的應用[J].數(shù)學的實踐與認識，2006（9）：129～137.[10]潘堅，肖慶憲.混合模型下具有隨機回收風險的公司債券定價[J].系統(tǒng)工程，2016（7）：1～7.

[11]張海星，靳偉鳳.基于KMV模型的市政債券安全發(fā)行規(guī)模測度——以大連為實證樣本[J].東北財經大學學報，2016（4）：85～91.

[12]吳建華，張穎，王新軍.信息披露扭曲下企業(yè)債券違約風險量化研究[J].數(shù)理統(tǒng)計與管理，2017（1）：175～190.

[13]徐飛.投資者行為、資源依賴與供應鏈股價崩盤傳染研究[J].安徽師范大學學報（人文社會科學版），2018（4）：126～137.

[14]周海赟，王曉芳.地方政府債券信用風險研究——基于改進的KMV模型[J].審計與經濟研究，2015（4）：95～102.

[15]徐勇戈，李冉.供應鏈金融視角下的房地產企業(yè)信用風險[J].財會月刊，2018（8）：164～169.