论文部分内容阅读
摘要：本文以2019年发生债券违约的17家上市公司和与之可比的51家未发生违约上市公司作为研究对象，从盈利、偿债、营运、成长四个维度选择13个指标，通过主成分分析法进行降维处理，并运用logistic回归构建了信用违约预警模型。对模型的准确度检验显示，在2019年预警模型的准确度高达92.6%，在2020年准确度为75%，说明该预警模型有助于金融机构和投资者判别信用违约风险。
关键词：信用债 违约风险 预警模型 主成分分析
引言
信用债作为债券市场的重要组成部分，具有利率高、收益高的特点。截至2020年底，我国信用债1存量己达29.92万亿元2。伴随着债券融资规模激增，信用风险问题也日益凸显，仅2020年信用债违约金额就高达1757.72亿元，涉及155只债券，其中有30家发债主体为首次违约。
加强信用风险预警有助于投资者及时识别违约风险。目前针对债券违约的研究主要集中在两方面。一是从理论层面分析债券违约的原因。URI等人（2018）的研究表明，如果一个公司拥有较高比例的债券，同时也会有高概率的违约倾向。张旭（2019）认为信息不对称是导致债券违约的决定性因素。苏逸梅（2021）认为债券违约不仅是由企业内部结构及管理问题所导致的，社会经济大环境也是主要影响因素。二是从实证层面对债券违约风险进行分析和度量。姚红宇和施展（2018）采用时间风险模型实证研究了传统财务指标、公司特征以及地方环境指标对信用债违约的影响。成梦婷和杨华蔚（2019）从财务数据和财务比率角度对债券信用风险进行了定性识别。谭佩佩等（2021）运用修正的KMV模型预测了2020—2022年31个省份的债务违约概率。
从以上相关文献可知，目前学者们对信用债券违约预警的研究较为有限，实证分析主要集中在风险度量方面。本文将在分析我国信用债发展现状和违约特点的基础上，以2019年17家违约上市公司和51家可比的未违约上市公司经营数据作为样本，搭建信用违约预警模型（以下简称“预警模型”），以期对信用债市场的稳定发展有所裨益。
我国信用债市场现状及违约特点
（一）我国信用债市场发展概况
在2005年之前，我国债券品种较少，债券募集资金主要用于国家项目的投资建设，这些项目往往由商业银行作为担保，信用风险并不突出。自2005年以来，随着债券市场发行人和产品的不断丰富，信用风险随之而来，逐渐引起各方的关注。
2014—2020年，我国信用债券发行量和存量整体不断增长。从市场结构来看，企业债、公司债、中期票据、短期融资券、资产支持证券、定向工具的存量占比较高，合计达约90%。自2014年以来，公司债存量占比逐渐增加，由2014年的6.35%增长到2020年的29.82%;其次是资产支持证券，存量占比从2014年的2.57%增长到2020年的15.24%;中期票据变化趋势相对平稳;企业债、短期融资券和定向工具存量占比有所下降。
（二）我国信用债的违约特征
1.违约数量和违约金额呈现双升趋势
2014年我國共有6只债券发生违约，违约规模为13.4亿元，之后违约数量和规模在波动中上升（见图1）。
2.类型分布相对集中
从类型来看，违约债券主要集中在公司债、中期票据和短期融资债，三种类型的违约规模合计占比高达84.85%（见表1）。其中，公司债数量最多，累计违约292只，涉及违约主体98家;中期票据累计违约135只，涉及违约主体21家;短期融资债累计违约71只，涉及违约主体22家。此外，在定向工具中，有10家违约主体，涉及债券49只;在资产支持证券中，有2家违约主体，涉及产品2只。
3.以民营企业为主
从违约主体的性质来看，民营企业债券违约数量最多，共有422只，涉及违约主体126家，累计违约金额高达3514.75亿元;地方国有企业违约债券共有72只，涉及发行主体21家，累计违约规模为670.04亿元;中央国有企业违约债券共有49只，涉及违约企业10家，累计违约规模为650.83亿元;中外合资企业违约债券共有9只，涉及违约主体5家，累计违约规模为56.40亿元;其他类型企业违约债券共有38只，涉及违约主体9家，累计违约规模为447.93亿元。
预警模型实证分析
（一）模型介绍
1.主成分分析模型
2.Logistic回归模型
（二）指标体系构建和数据选择
1.指标体系的选择
宏观经济因素和微观财务因素是影响债券违约的两个方面，但深入分析会发现二者有所不同。宏观经济因素，如宏观经济增速放缓、行业不景气等，皆是先影响企业生产经营，进而影响企业财务指标，财务指标出现恶化并最终影响企业债券履约。即使在相同的宏观环境下，多数发债主体也并未违约，这从侧面印证了外部宏观环境的恶化并不是债券违约的充分条件。因此微观财务因素是造成企业债券违约的关键因素。立足于微观财务层面，本文从偿债能力、盈利能力、营运能力和成长能力四个方面归纳出13个指标，作为预警指标体系的基础架构，具体如表2所示。
本文选择2019年实际发生违约的17家A股上市公司作为违约样本，同时对应选择与每家违约样本相同行业、相近规模的3家上市公司作为未违约样本，共得到68家样本公司，变量指标数据对应选取违约前一年（2018年）末数据。
（三）实证分析
1.主成分分析
本文选取了13个指标构建模型。若直接把这13个指标全部作为自变量代入模型，会出现严重的多重共线性，变量间也会存在自相关性，这将影响模型的判别效果。为消除变量间的多重共线性，本文运用SPSS21.0软件，采用主成分分析法对变量进行降维操作。 （1）主成分分析法适用性检验
凯泽-梅耶尔-奥利金（KMO）和巴特利特（Bartlett）检验均可用于检验样本数据是否适用主成分分析法。KMO统计量取值在0和1之间，取值越大（0.6以上较合适）说明变量间相关性越强，也更适合进行主成分分析，反之则不适合，相关检验结果见表3。
结果显示，样本的KMO值为0.668，大于0.6，说明各数据指标之间存在较高的关联度。同时，样本Bartlett球形检验值为472.405，P值为0.000，小于0.05，表明13个指标之间并非独立。各变量间有较强的相关关系，可应用主成分分析法降维。
下面进行主成分提取，主要是看各个主成分解释原始变量总方差的情况。对变量指标进行提取主成分，由表4可以看出，本文按照贡献率提取前4个主成分F1、F2、F3、F4，其贡献率分别为31.272%、17.286%、11.364%、8.767%。
成分得分系数矩阵反映各成分解释原始变量的程度。从表5中可以看出，主成分F1主要由资产负债率构成，F2主要由流动比率、速动比率、现金比率、净资产收益率、总资产报酬率、销售净利率构成，F3主要由销售毛利率、总资产周转率、每股净资产、现金流量利息保障倍数构成，F4主要由存货周转率、应收账款周转率构成。各主成分对应表达式为：
2.Logistic回归分析
以主成分分析法得出的4个主成分作为自变量，构建Logistic回归模型，因变量为债券违约发生的概率P，发生债券违约的值为1，未违约的值为0。将变量代入Logistic回归模型，经过运算，得到结果如表6所示。
根据回归结果可知，回归模型的表达式为：
回归结果显示：F1与违约概率呈现负相关关系，回归系数为-5.476，P值为0.002，通过1%的显著性检验，说明F1的得分越高，债券违约风险越低。F2与违约概率呈现正相关关系，回归系数为1.945，P值为0.1，通过10%的显著性检验，说明F2的得分越高，债券违约风险越高。F3与违约概率呈现负相关关系，回归系数为-0.709，P值为0.261，未通过10%的显著性检验。F4与违约概率呈现负相关关系，回归系数为-1.395，P值为0.091，通过10%的显著性检验，说明F4的得分越高，债券违约风险越低。
对模型的拟合效果做进一步检验，由表7可知， NageIkerkeR平方=0.702>0.5，Hosmer&Lemeshow检验统计值=0.09>0.05，说明模型拟合度可以接受。
回代检验是指将建模样本数据重新代入己经构建好的预警模型中，用以判断模型效果的优劣。现将之前68个样本数据回代到logistic回归模型中，计算上市公司债券违约概率，结果如表8所示。
结果显示，在51家未发生债券违约的对照样本中，预警模型预测的准确率为96.1%;在17家发生债券违约的违约样本中，模型预测的准确率为82.4%。模型的综合准确率为92.6%，说明本文所构建的模型具有较高的预测准确度和普适性。
3.模型准确度检验
为进一步验证已构建的预警模型准确度，下文将通过全新样本数据进行检验。选择2020年实际发生违约的6家A股上市公司作为违约样本，同时为每家违约公司选择相同行业、相近规模的1家上市公司作为对照样本，共得到12家样本公司。选取研究对象违约前一年（2019年）的财务数据，将数据代入模型，并通过计算违约概率来判断模型的准确度。
具体步骤为：第一步，结合主成分分析法计算出主成分得分;第二步，将主成分作为自变量代入回归模型，计算公司债券违约发生的概率P。检验结果如表9所示。
结果显示，对照样本的预测准确度达到100%，违约样本的预测准确度为50%，综合准确度为75%，说明违约预警模型的预测效果比较理想，能够为债券违约预警提供一定的指导。
结论与建议
本文以2019年发生违约的17家上市公司和未发生违约的51家上市公司作为研究对象，从盈利、偿债、营运、成长四个维度选择13个指标，通过主成分分析法进行降维处理，并运用logistic回归构建预警模型。研究结果表明，本文所构建的预警模型预测的准确度较高，有助于金融机构和投资者判别信用债违约风险，但也存在一些不足。
在债券市场建设过程中，除了帮助投资者规避信用违约风险，还应该推动信用债市场的良性发展。为此，本文提出以下建议：债券投资者应深入了解债券市场，提升专业投资素养，提升风险辨别和评估的水平;债券发行人应结合企业的实际情况，制订合理的财务计划，形成健康的资产负债结构，避免过度融资;金融监管部门应建立有效的信息披露与共享机制，对债券信息披露情况和发债者信息进行约束，确保债券信息和发债企业信息真实可靠;应借鉴其他国家对于信用债违约的惩戒方式，加大对违法行为的惩戒力度，要求债券发行人严格遵循制度规范，从而达到净化市场环境的根本目的。
注：
1.本文所指信用债，包括企业债、公司债、中期票据、短期融资券和资产支持证券。
2.本文数据均来源于万得（Wind）。
作者单位：中国人民银行洛阳市中心支行
焦作中旅银行风险管理部
责任编辑：涂晓枫 刘颖
参考文献
[1]成梦婷，杨华蔚. 上市公司财务状况对债券信用风险的预测——基于logistic模型[J]. 产业与科技论坛，2019，18（16）：97-99.
[2]苏逸梅. 公司债券违约的形成原因及防范措施[J]. 时代金融，2021（12）：67-69.
[3]谭佩佩，方希婧，钟永红. 基于kmv模型的政府一般债券债务违约风险预测[J]. 金融经济，2021（04）：37-45.
[4]姚紅宇，施展. 公司个体特征、地方经济变量与信用债违约预测——基于离散时间风险模型[J]. 投资研究，2018，37（06）：114-132.
[5]张旭. 我国信用债违约现状及原因浅析——基于2018年债券违约事件[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.
关键词：信用债 违约风险 预警模型 主成分分析
引言
信用债作为债券市场的重要组成部分，具有利率高、收益高的特点。截至2020年底，我国信用债1存量己达29.92万亿元2。伴随着债券融资规模激增，信用风险问题也日益凸显，仅2020年信用债违约金额就高达1757.72亿元，涉及155只债券，其中有30家发债主体为首次违约。
加强信用风险预警有助于投资者及时识别违约风险。目前针对债券违约的研究主要集中在两方面。一是从理论层面分析债券违约的原因。URI等人（2018）的研究表明，如果一个公司拥有较高比例的债券，同时也会有高概率的违约倾向。张旭（2019）认为信息不对称是导致债券违约的决定性因素。苏逸梅（2021）认为债券违约不仅是由企业内部结构及管理问题所导致的，社会经济大环境也是主要影响因素。二是从实证层面对债券违约风险进行分析和度量。姚红宇和施展（2018）采用时间风险模型实证研究了传统财务指标、公司特征以及地方环境指标对信用债违约的影响。成梦婷和杨华蔚（2019）从财务数据和财务比率角度对债券信用风险进行了定性识别。谭佩佩等（2021）运用修正的KMV模型预测了2020—2022年31个省份的债务违约概率。
从以上相关文献可知，目前学者们对信用债券违约预警的研究较为有限，实证分析主要集中在风险度量方面。本文将在分析我国信用债发展现状和违约特点的基础上，以2019年17家违约上市公司和51家可比的未违约上市公司经营数据作为样本，搭建信用违约预警模型（以下简称“预警模型”），以期对信用债市场的稳定发展有所裨益。
我国信用债市场现状及违约特点
（一）我国信用债市场发展概况
在2005年之前，我国债券品种较少，债券募集资金主要用于国家项目的投资建设，这些项目往往由商业银行作为担保，信用风险并不突出。自2005年以来，随着债券市场发行人和产品的不断丰富，信用风险随之而来，逐渐引起各方的关注。
2014—2020年，我国信用债券发行量和存量整体不断增长。从市场结构来看，企业债、公司债、中期票据、短期融资券、资产支持证券、定向工具的存量占比较高，合计达约90%。自2014年以来，公司债存量占比逐渐增加，由2014年的6.35%增长到2020年的29.82%;其次是资产支持证券，存量占比从2014年的2.57%增长到2020年的15.24%;中期票据变化趋势相对平稳;企业债、短期融资券和定向工具存量占比有所下降。
（二）我国信用债的违约特征
1.违约数量和违约金额呈现双升趋势
2014年我國共有6只债券发生违约，违约规模为13.4亿元，之后违约数量和规模在波动中上升（见图1）。
2.类型分布相对集中
从类型来看，违约债券主要集中在公司债、中期票据和短期融资债，三种类型的违约规模合计占比高达84.85%（见表1）。其中，公司债数量最多，累计违约292只，涉及违约主体98家;中期票据累计违约135只，涉及违约主体21家;短期融资债累计违约71只，涉及违约主体22家。此外，在定向工具中，有10家违约主体，涉及债券49只;在资产支持证券中，有2家违约主体，涉及产品2只。
3.以民营企业为主
从违约主体的性质来看，民营企业债券违约数量最多，共有422只，涉及违约主体126家，累计违约金额高达3514.75亿元;地方国有企业违约债券共有72只，涉及发行主体21家，累计违约规模为670.04亿元;中央国有企业违约债券共有49只，涉及违约企业10家，累计违约规模为650.83亿元;中外合资企业违约债券共有9只，涉及违约主体5家，累计违约规模为56.40亿元;其他类型企业违约债券共有38只，涉及违约主体9家，累计违约规模为447.93亿元。
预警模型实证分析
（一）模型介绍
1.主成分分析模型
2.Logistic回归模型
（二）指标体系构建和数据选择
1.指标体系的选择
宏观经济因素和微观财务因素是影响债券违约的两个方面，但深入分析会发现二者有所不同。宏观经济因素，如宏观经济增速放缓、行业不景气等，皆是先影响企业生产经营，进而影响企业财务指标，财务指标出现恶化并最终影响企业债券履约。即使在相同的宏观环境下，多数发债主体也并未违约，这从侧面印证了外部宏观环境的恶化并不是债券违约的充分条件。因此微观财务因素是造成企业债券违约的关键因素。立足于微观财务层面，本文从偿债能力、盈利能力、营运能力和成长能力四个方面归纳出13个指标，作为预警指标体系的基础架构，具体如表2所示。
本文选择2019年实际发生违约的17家A股上市公司作为违约样本，同时对应选择与每家违约样本相同行业、相近规模的3家上市公司作为未违约样本，共得到68家样本公司，变量指标数据对应选取违约前一年（2018年）末数据。
（三）实证分析
1.主成分分析
本文选取了13个指标构建模型。若直接把这13个指标全部作为自变量代入模型，会出现严重的多重共线性，变量间也会存在自相关性，这将影响模型的判别效果。为消除变量间的多重共线性，本文运用SPSS21.0软件，采用主成分分析法对变量进行降维操作。 （1）主成分分析法适用性检验
凯泽-梅耶尔-奥利金（KMO）和巴特利特（Bartlett）检验均可用于检验样本数据是否适用主成分分析法。KMO统计量取值在0和1之间，取值越大（0.6以上较合适）说明变量间相关性越强，也更适合进行主成分分析，反之则不适合，相关检验结果见表3。
结果显示，样本的KMO值为0.668，大于0.6，说明各数据指标之间存在较高的关联度。同时，样本Bartlett球形检验值为472.405，P值为0.000，小于0.05，表明13个指标之间并非独立。各变量间有较强的相关关系，可应用主成分分析法降维。
下面进行主成分提取，主要是看各个主成分解释原始变量总方差的情况。对变量指标进行提取主成分，由表4可以看出，本文按照贡献率提取前4个主成分F1、F2、F3、F4，其贡献率分别为31.272%、17.286%、11.364%、8.767%。
成分得分系数矩阵反映各成分解释原始变量的程度。从表5中可以看出，主成分F1主要由资产负债率构成，F2主要由流动比率、速动比率、现金比率、净资产收益率、总资产报酬率、销售净利率构成，F3主要由销售毛利率、总资产周转率、每股净资产、现金流量利息保障倍数构成，F4主要由存货周转率、应收账款周转率构成。各主成分对应表达式为：
2.Logistic回归分析
以主成分分析法得出的4个主成分作为自变量，构建Logistic回归模型，因变量为债券违约发生的概率P，发生债券违约的值为1，未违约的值为0。将变量代入Logistic回归模型，经过运算，得到结果如表6所示。
根据回归结果可知，回归模型的表达式为：
回归结果显示：F1与违约概率呈现负相关关系，回归系数为-5.476，P值为0.002，通过1%的显著性检验，说明F1的得分越高，债券违约风险越低。F2与违约概率呈现正相关关系，回归系数为1.945，P值为0.1，通过10%的显著性检验，说明F2的得分越高，债券违约风险越高。F3与违约概率呈现负相关关系，回归系数为-0.709，P值为0.261，未通过10%的显著性检验。F4与违约概率呈现负相关关系，回归系数为-1.395，P值为0.091，通过10%的显著性检验，说明F4的得分越高，债券违约风险越低。
对模型的拟合效果做进一步检验，由表7可知， NageIkerkeR平方=0.702>0.5，Hosmer&Lemeshow检验统计值=0.09>0.05，说明模型拟合度可以接受。
回代检验是指将建模样本数据重新代入己经构建好的预警模型中，用以判断模型效果的优劣。现将之前68个样本数据回代到logistic回归模型中，计算上市公司债券违约概率，结果如表8所示。
结果显示，在51家未发生债券违约的对照样本中，预警模型预测的准确率为96.1%;在17家发生债券违约的违约样本中，模型预测的准确率为82.4%。模型的综合准确率为92.6%，说明本文所构建的模型具有较高的预测准确度和普适性。
3.模型准确度检验
为进一步验证已构建的预警模型准确度，下文将通过全新样本数据进行检验。选择2020年实际发生违约的6家A股上市公司作为违约样本，同时为每家违约公司选择相同行业、相近规模的1家上市公司作为对照样本，共得到12家样本公司。选取研究对象违约前一年（2019年）的财务数据，将数据代入模型，并通过计算违约概率来判断模型的准确度。
具体步骤为：第一步，结合主成分分析法计算出主成分得分;第二步，将主成分作为自变量代入回归模型，计算公司债券违约发生的概率P。检验结果如表9所示。
结果显示，对照样本的预测准确度达到100%，违约样本的预测准确度为50%，综合准确度为75%，说明违约预警模型的预测效果比较理想，能够为债券违约预警提供一定的指导。
结论与建议
本文以2019年发生违约的17家上市公司和未发生违约的51家上市公司作为研究对象，从盈利、偿债、营运、成长四个维度选择13个指标，通过主成分分析法进行降维处理，并运用logistic回归构建预警模型。研究结果表明，本文所构建的预警模型预测的准确度较高，有助于金融机构和投资者判别信用债违约风险，但也存在一些不足。
在债券市场建设过程中，除了帮助投资者规避信用违约风险，还应该推动信用债市场的良性发展。为此，本文提出以下建议：债券投资者应深入了解债券市场，提升专业投资素养，提升风险辨别和评估的水平;债券发行人应结合企业的实际情况，制订合理的财务计划，形成健康的资产负债结构，避免过度融资;金融监管部门应建立有效的信息披露与共享机制，对债券信息披露情况和发债者信息进行约束，确保债券信息和发债企业信息真实可靠;应借鉴其他国家对于信用债违约的惩戒方式，加大对违法行为的惩戒力度，要求债券发行人严格遵循制度规范，从而达到净化市场环境的根本目的。
注：
1.本文所指信用债，包括企业债、公司债、中期票据、短期融资券和资产支持证券。
2.本文数据均来源于万得（Wind）。
作者单位：中国人民银行洛阳市中心支行
焦作中旅银行风险管理部
责任编辑：涂晓枫 刘颖
参考文献
[1]成梦婷，杨华蔚. 上市公司财务状况对债券信用风险的预测——基于logistic模型[J]. 产业与科技论坛，2019，18（16）：97-99.
[2]苏逸梅. 公司债券违约的形成原因及防范措施[J]. 时代金融，2021（12）：67-69.
[3]谭佩佩，方希婧，钟永红. 基于kmv模型的政府一般债券债务违约风险预测[J]. 金融经济，2021（04）：37-45.
[4]姚紅宇，施展. 公司个体特征、地方经济变量与信用债违约预测——基于离散时间风险模型[J]. 投资研究，2018，37（06）：114-132.
[5]张旭. 我国信用债违约现状及原因浅析——基于2018年债券违约事件[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.