劉元鵬 田國忠 白芳

關鍵詞：信用債 違約風險 logistic模型 改進預警模型

一、引言

2018年以來，受投資增速放緩、消費承壓以及中美貿(mào)易摩擦的影響，國內(nèi)經(jīng)濟面臨較大下行壓力。同時，隨著去杠桿政策的持續(xù)推進，“資管新規(guī)”對表外融資的進一步規(guī)范，社會融資規(guī)模不斷收縮。在經(jīng)濟下行、信用緊縮的大背景下，民營企業(yè)面臨經(jīng)營和融資雙重壓力，也成為2018年債券市場違約集中爆發(fā)的高風險領域。10月以來，支持民營企業(yè)融資的政策措施密集發(fā)布，對民營企業(yè)投資機遇的關注也逐步上升。融資擔保機構(gòu)等落實相關政策，支持民營企業(yè)發(fā)債的同時，也要做好自身風險防控。對于信用債違約風險的預測，國內(nèi)外學者都做過不同程度的探討。最早信用債違約預測模型被劃分為企業(yè)財務困境預測模型范疇。而在企業(yè)財務困境研究中，10gistics模型被廣泛應用。在國外，最早探索財務預警模型的是美國，Ohlsonl980年利用logistics模型，建立回歸方程，首次描述了財務困境預警模型。在建模的過程中，他選取了2100個樣本，其中100個違約樣本，2000個非違約樣本，構(gòu)建了基于累計概率函數(shù)的條件概率模型。隨著對預警模型的研究，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，此外學者發(fā)現(xiàn)采用多種模型構(gòu)建聯(lián)合預測模型，能使預測效果更佳。Ali SerhanKoyuncugil等（2012）就采用多種方法有效結(jié)合構(gòu)建聯(lián)合預測模型，也使得Logistic模型、神經(jīng)網(wǎng)絡模型和決策樹首次聯(lián)合預測。在國內(nèi)，采用Logistic模型對公司財務風險預警相比國外要晚的多。劉曼是最早應用Logistic回歸模型分析上市公司財務風險的。之后越來越多的學者采用Logistic回歸模型來分析各類風險概率。近年來隨著信用債違約樣本的增多，越來越多的學者關注企業(yè)信用債違約風險因素，并通過Lo-gistic回歸模型來預警各個風險因素對信用債違約概率的影響。澤清潘（2018）應用Logistic模型對國內(nèi)近幾年發(fā)生違約事件的企業(yè)債進行分析，通過實證發(fā)現(xiàn)26個財務指標中，有4個財務指標對債務違約顯著。張永東（2019）構(gòu)建了AD-Logistic預警模型克服由于非均衡信用債樣本帶來的違約樣本分類預測精度下降的難題。該模型摒棄了傳統(tǒng)財務指標，采用企業(yè)債務和規(guī)模匹配性指標，提升了模型預測的精準性。

本文的可能創(chuàng)新之處在于，接受債務規(guī)模與企業(yè)規(guī)模匹配性財務指標，但在此基礎上，引入發(fā)債主體背景和債券票面利率兩個外部變量，以此來提升模型預測的準確度。統(tǒng)計發(fā)現(xiàn)，發(fā)債主體發(fā)生違約，除了財務狀況惡化外，主體背景以及債項利率等因素也對其違約風險有較大影響。在債務匹配性財務指標的基礎上引入外部變量，一方面反映企業(yè)債項違約受主體經(jīng)營狀況影響，另一方面反映除了財務外，一些外部因素也會導致債項違約。

二、信用債違約概述

2018年是我國信用債違約頻發(fā)的一年。據(jù)wind資訊統(tǒng)計，全年新增違約主體43家，違約債項125支，違約金額1209.61億元。違約主體數(shù)量、債券支數(shù)均為歷年來頂峰，違約規(guī)模超過2014-2017年四年合計總額。從違約主體看，民企違約明顯高于國企，在新增的43只違約主體中，36家是民營企業(yè)，4家地方國企，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，是國企的9倍。統(tǒng)計顯示，2014-2019年3月，累計違約民企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)（見圖1）。

此外，隨機選擇2018年30家主體違約的債項，通過統(tǒng)計分析，違約債主體背景集中在民營企業(yè)，且發(fā)行時對應的票面利率較高，如表1所示。

三、信用債違約風險預警模型介紹

財務指標是企業(yè)經(jīng)營狀況的窗口，信用債發(fā)生風險前，發(fā)債主體的財務指標普遍趨于惡化。結(jié)合以往研究成果，當前有兩種較為常見的財務分析指標。第一種以潘澤清發(fā)表的《企業(yè)債務違約風險logistic回歸預警模型》為主（下文簡稱“潘澤清模型”），其研究的內(nèi)容將財物指標主要分為六個方面：盈利能力、償債能力、發(fā)展能力、營運能力、現(xiàn)金流動能力、資本結(jié)構(gòu)等。初步選取26個財務指標。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險預警研究》為主（下文簡稱“張永東模型”），其選擇的主要財務指標分為五個方面：債務規(guī)模與資產(chǎn)的匹配性、債務規(guī)模與收入的匹配性、債務規(guī)模與利潤的匹配性、債務規(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個財務指標。

四、信用債違約風險預警模型的建立及驗證

（一）兩種常見的財務指標模型

1.潘澤清模型

在潘澤清選擇的26個財務指標中，通過曼一惠特尼U檢驗，并消除共線性最終選擇了四個財務指標，分別是銷售凈利率X1、總資產(chǎn)增長率X2、資產(chǎn)負債率X3、流動負債比率X4。最終實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個財務指標中，通過Wilcoxon統(tǒng)計量篩選和AIC引入條件篩選最終獲得六個指標。分別是償付本息/總資產(chǎn)X1、有形資產(chǎn)凈值債務率X2、EBITDA/短期有息債務X3、EBITDA/利息支出X4、現(xiàn)金強制性負債比X5、資本固定化比率X6。實證獲得模型為：

（二）兩種模型有效性檢驗

在wind中隨機選取24家企業(yè)的債券，其中正常信用債11項，違約債債13項。根據(jù)兩種財務指標模型，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，潘澤清模型驗證結(jié)果并不理想，僅在統(tǒng)計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%。可見采用傳統(tǒng)財務指標，進行債券違約預測并不理想。張永東模型預測結(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)，主要因為模型考慮企業(yè)經(jīng)營過程中債務規(guī)模不匹配是引起風險的主要原因。兩種模型預測結(jié)果對比情況如圖2所示。

五、基于債務規(guī)模匹配性模型的改進

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

（一）模型建立

綜上分析可知，在考慮企業(yè)債違約預測模型時要將一些外部因素考慮進來，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，即民營背景定義為1，非民營背景定義為0。同時結(jié)合債務規(guī)模匹配性指標X1（償付本息/總資產(chǎn)）、X2（有形資產(chǎn)凈值債務率）、X3（EBITDA/短期有息債務）、X4（EBITDA/利息支出）、X5（現(xiàn)金強制性負債比）、x6（資本固定化比率），建立改進的違約概率預警模型。

（二）樣本選擇

在本次研究中，主要考慮的違約債的統(tǒng)計特征中發(fā)債主體背景和票面對債項違約有一定的影響，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，并采用許多研究學者通常采用Beaver（1966）的一對一配對法，選出27家正常債券發(fā)行主體，在配對過程中，違約主體和正常主體盡量同一個行業(yè)或相近行業(yè)。在研究時，違約樣本選擇債券首次違約前一年的財務數(shù)據(jù)，正常樣本選擇2018年財報數(shù)據(jù)。

（三）實證結(jié)果

通過Eviews軟件中的似然估計，通過相關檢驗最終等到債券違約概率模型：

（四）模型效果驗證

同樣取上文驗證的樣本，采用改進后的模型驗證結(jié)果，效果好于前兩種，具體見表3。由表3數(shù)據(jù)可知，改進后預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個百分點。

六、結(jié)論及建議

近年來隨著信用債剛性兌付被打破，加之金融去杠桿，企業(yè)債券違約事件時有發(fā)生，并且呈現(xiàn)上升趨勢。研究信用債違約概率模型，不僅具有拓展企業(yè)財務分析方法的理論意義，更具有指導金融機構(gòu)參與債券業(yè)務的實踐意義。在現(xiàn)實中，發(fā)生債項違約的企業(yè)大部分是民營企業(yè)，一方面由于民營企業(yè)在經(jīng)營過程中，承受風險的能力相對較弱，在經(jīng)濟不景氣的背景下，容易受到行業(yè)波動影響，進而經(jīng)營出現(xiàn)困難，發(fā)生債券違約;另一方面也說明在整個經(jīng)濟下行期，民營經(jīng)濟遇到了各種各樣的困難，國有企業(yè)和上市公司在有強力的后臺，其承受市場波動的能力明顯較強。建立包含發(fā)債主體背景因素的信用債違約風險預測模型，不僅提高了傳統(tǒng)財務指標預測模型的準確性，也提醒廣大投資者在做債券業(yè)務時，在關注債項主體財務信息的同時也要關注主體背景等外在因素。值得說明的是，該模型并不是倡導投資者避免投資民營背景的債券，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支持民營企業(yè)發(fā)債提供理論支持，如民營企業(yè)發(fā)債時監(jiān)管機構(gòu)可以倡導引入第三方擔保，能夠有效增加民營企業(yè)債的發(fā)行效率和成功率，也能有效降低投資者風險損失。