中國公司債券評級方法應用研究

田淵博

摘要在國內外債券評級的研究基礎之上，選用MDA、Logistic模型、Probit模型以及神經網絡四種債券評級方法，結合中國上市公司的風險特征，從變量甄選的角度對債券評級方法進行優化，同時采用中國上市公司數據進行實證分析.實證結論表明：甄選出的評級變量較國外常用的評級指標更好的刻畫了中國上市公司的風險特征；Logistic模型、Probit模型和神經網絡方法都對中國上市公司的債券有較高的評級分類能力，尤其是Probit模型和神經網絡方法對中國公司債券的評級非常準確，誤判率接近于0.

關鍵詞債券評級；MDA；Logistic；Probit；神經網絡；變量甄選

中圖分類號 F830.91 文獻標識碼A

AbstractBased on the researches about bond rating at home and abroad， this paper chooses four types of methods including MDA， Logistic Model， Probit model and neural network，and according to the risk features of China list corporations， such methods were optimized by the angle of the variable selection， and the data of China list corporation was used to conduct an empirical analysis. The conclusions show that the rating variables selected can capture the risk features of China list corporations better than the rating variables often chosen in the literatures abroad， and all of Logistic Model， Probit model and neural network have much more capability of rating classification to the bonds of China list corporations， especially the rating results of the Probit model and neural network method are very precise，and the error classification rates are almost 0.

Key words bond rating； MDA； Logistic； Probit； neural network； variable selection

1引言

債券評級對于債券的發行以及債券收益率價差都有較大的影響，在債券市場的構建中具有重大的理論價值和實踐意義.債券評級能夠減少資本市場中的信息不對稱，降低公司的融資成本，提高金融監管效率，活躍市場交易從而提高市場效率.優良的債券評級方法和技術能夠為債券市場及資本市場提供準確的風險信息，提高市場資源配置的能力和效率；同時，債券評級方法及技術是債券市場和資本市場發展進步的必然產物，也是債券市場和資本市場健康發展的基礎與保證.因此，債券信用評級技術的優化和提高，必然能夠促進中國公司債券市場的發展與進步，以完善中國債券市場.

債券評級模型和方法的研究在國外已逾百年，從而積累了一批在理論和實踐中都得到較為廣泛應用的統計模型和方法.Altman（1968）1，2選取了1945年至1965年期間66家制造業公司，破產公司和非破產公司各33家，在選取一定的財務指標后，利用多元判別分析（MDA）建立了著名的Z得分模型；Altman發現Z得分模型的正確分類比率高達90%以上.Ohlson（1980）3將Logistic模型引入到公司財務危機預測上來，他利用1970年至1976年部分公司的財務數據應用于該模型，最后得到在預測公司破產上具有顯著作用的四類因素分別是：規模、杠桿比率、業績表現（比如凈收入/總資產或營業收入/總債務）和貨幣流動性（營運資本/總資產或者流動資產/流動負債）.此外，Zmijewski（1984）4采用1972年至1978年的部分美國公司作為樣本，應用于Probit模型，即累積概率模型，也得到了較好的預測結果.Coats與Fant（1993）5將神經網絡方法應用于公司財務狀況的評價.他們選擇與Altman的Z得分模型相同的五個指標，以1970年至1989年的數據樣本進行了檢驗，不僅克服了MDA方法理論假設與現實背離的困境，結論也表明神經網絡方法比MDA方法在公司分類上更加有效.

鑒于中國債券市場的落后以及實證數據的缺失，國內對債券評級進行研究的大多數學者都是在借鑒國外經驗的基礎上，對成熟有效的債券評級模型和方法進行改進，以應用于中國債券市場.李湛和徐一騫（2009）6運用Altman的Z得分模型，檢驗了2006年至2007年由中誠信所作信用評級的34家企業，結果表明我國企業存在眾多信用評級相背離的現象.劉瑞霞、張曉麗、陳小燕以及郝艷麗（2008）7將多元有序Logit模型應用于我國的信用評級，并選取我國53家上市公司作為樣本對Logit模型的適用性進行了檢驗.結論表明該模型較傳統的二分法更具操作性和準確性.朱彬、劉衛星和謝康林（2004）8將神經網絡方法應用于中國企業信用系統，他們采用80家上市公司的數據進行訓練和測試，結論表明神經網絡方法正確分類的準確率高達85.26%.

由于我國債券市場的落后，數據的缺失，以及很少對模型進行改進，而是直接將國外模型應用于中國公司債券的評級，導致國內債券評級實證分析的結論相互背離，以致無法對債券評級方法及模型的優劣做出正確的評價.然而，各個國家的制度因素和社會環境均不一樣，尤其是發展中的社會主義中國，和西方資本主義國家有著本質的區別，中國上市公司在中國的市場體制與社會環境中有其自身的特點和不足，如果完全照搬國外的評級模型和方法，必然是不合意的.因此，本文在國內外關于債券評級方法的研究成果之上，選取MDA、Logistic模型、Probit模型以及神經網絡四種優良的債券評級模型和方法，結合中國上市公司的自身特點，從變量甄選的角度優化評級模型和方法，并擴大實證檢驗的樣本容量，通過實證分析，推衍出更加適合中國上市公司的債券評級方法或模型.實證分析結論表明：本文甄選出的評級變量較國外常用的評級指標更好的刻畫了中國上市公司的風險特征；Logistic模型、Probit模型和神經網絡方法都對中國上市公司的債券有較高的評級分類能力，尤其是Probit模型和神經網絡方法對中國公司債券的評級非常準確，誤判率幾乎為0.

2中國上市公司風險特征分析

不論是市場環境還是上市公司的運作能力，中國都與歐美發達國家相距甚遠.在這種情況下，完全以歐美發達國家的評級指標作為中國的債券評級準則，自然不能較好地刻畫我國上市公司的信用違約風險，勢必會影響債券評級的準確性.結合中國上市公司所處的市場環境，中國上市公司的治理結構以及中國上市公司的財務特點，對評級指標重新甄選，將有助于提高中國上市公司債券評級的準確性和有效性.

中國作為社會主義國家，中國上市公司首先所經歷的是社會主義市場經濟體制，計劃經濟時期的國有企業在上市之后同樣保留了其公有制的形式，將公司股權的大部分劃歸到國有股份，再除去不可流通的法人股，真正能夠上市流通的股份只有30%左右.隨著我國資本市場的發展，作為股票市場主力軍的國有企業，仍然以一股獨大的局面長期存在.直到2004年股權分置改革以后，大小非解禁，國有股和法人股所占比例逐步減小并開始在市場上流通.不論國家控股是否有利于公司業績的提升，在中國的股票市場中，國有控股公司與非國有控股公司卻有著本質的區別.除了稅收的優惠政策外，由于國有股份的比重過大，相對于非國有控股公司，國有控股的上市公司不存在市場中用腳投票的外在壓力以及股權收購的兼并壓力，國有控股的上市公司破產的概率要遠遠小于非國有控股公司的破產概率，即使國有控股公司營運不佳，相關政府也會不斷向國有控股公司注資以維持其業務的正常經營.這種股權結構可能有損于股票投資者的利益，但卻十分有利于債權人，因為國有控股公司如同得到國家的擔保，債務違約的可能性極小.此外，由于中國的社會主義性質以及國有股份在股票市場中所占的份額，中國的股票市場難以獨立于政府的行政干預之外.在政府對中國股票市場的長期行政干預之下，作為大盤指數成分股相當比重的國有控股公司會引起整個股票市場的波動，中國上市公司面臨著巨大的系統性風險，也就是說，政府通過行政手段干預中國股票市場，從而使得中國上市公司不論行業還是板塊都會以政府政策為導向，產生一些背離基本價值的變化，具有較大的系統系風險.除政府行政干預增加上市公司的系統性風險之外，中國投資者強烈的投機心理和非理性行為也給上司公司帶來巨大的個體風險.投資者的非理性行為首先在股票市場造成泡沫，引致上市公司的風險增加，財務質量下滑，最終導致上市公司債券違約風險增加.

中國上市公司除了所處的市場環境與歐美上市公司不同以外，公司的治理機制也存在明顯的差異.結合中國上市公司的治理機制，可以發現中國上市公司既具有以英美為主的外向型控制治理模式的特點，又具有以日德為主的內部控制型公司治理模式的特點.中國上市公司以股權融資為主，債務主要是銀行貸款，資產負債率較低（不包括金融行業在內的行業平均資產負債率為45%左右），但股權又高度集中，資本市場的資源配置作用沒有有效發揮，以內部控制對公司進行治理.

對中國上市公司的資產負債率進一步研究可以發現，其負債中的流動負債平均水平高達80%左右.除此之外，中國上市公司在計算資產負債率時，常常將短期債務和長期債務視為一體，將二者之和的負債總額與總資產作比，求得資產負債率.這種資產負債率很好地衡量了企業在清算時債權人所得到的保護程度，但是并不能全面體現發行公司債券與資產負債率的關系.因為資產負債率的最終目的在于預警和防范公司的財務風險，而財務風險主要是指償付到期債務的可能性，即使不考慮對于遠期債務公司有時間選擇許多措施來化解這種風險，未來也有存在眾多不確定因素影響這一結果；另外，由于債務利息的存在以及不同期限的債券會輪流到期，公司的財務風險往往發生在當期而不是未來的遠期.所以，上市公司將遠期債務可能引起的財務風險視為現實風險不僅沒有必要，也會導致對當期財務風險的度量偏差.

通過以上分析，中國上市公司信用風險方面主要有三大特點：

1） 國有控股公司相對于非國有控股公司擁有明顯的信用優勢；

2） 中國上市公司資本結構中股票權益占比較大，系統風險大，抗壓能力弱；

3） 資產負債率偏低，而且以短期債務為主.

在中國上市公司進行債券評級時，先前文獻所挑選的評級變量具有較好的參考價值，有些變量是各國上市公司都具有的共同特征，對債券評級和預測有很高的貢獻度.在經驗選擇的基礎上，本文將結合中國上市公司在公司信用風險方面的自身特點，引入更加能夠捕捉中國上市公司信用風險特點的變量，從而對中國上市公司債券進行評級.表1為本文在使用數量方法對中國上市公司進行債券評級時所考慮的角度與選取的變量.

本文從先前文獻債券評級的預測指標中，選取了6個變量，分別為EBIT/總資產，留存收益/總資產，前5年盈利的變異系數，流動比率，權益市值/債務賬面值，總資產的對數.在此基礎上，本文結合中國上市公司的特征，引入了4個新變量：以二值虛擬變量表示的公司控股性質，Tobin q，β以及EBIT/流動負債.

EBIT/總資產主要測量上市公司資產的利用效率.該比率越高，資產的利用效率就越高，公司的成長能力就越強，那么發生財務風險的可能性就越小.留存收益/總資產主要測量上市公司的長期盈利能力.留存收益是公司內部融資的主要來源，在所有融資渠道中具有最低的融資成本，可以較好地反映公司的發展能力.如果公司長期保持較少的留存收益，會阻礙公司的投資與發展，降低公司的盈利能力.前5年盈利的變異系數主要測量上市公司盈利的穩定性.公司財務質量不僅取決于盈利多少，還取決于盈利的穩定性.流動比率主要測量上市公司資產的流動性，能夠反映公司償付短期債務的能力.權益市值/債務賬面值主要測量公司的資本結構.該比率越大，表明債務在公司資本中所占份額越小，債券違約風險就越小.總資產取對數主要測量公司規模.公司規模越大，固定資產就越多，即使公司發生清償或破產，債權人也能以優先權獲得補償，因此債券的違約風險比小規模公司要小.

上述5個指標是國內外所有上市公司都具有的特征；下面從中國上市公司的獨有特征出發，再選取4個債券預測指標.作為二值虛擬變量的公司性質主要測量中國上市公司是否國有控股.國有控股的上市公司與非國有公司相比，得到國家政府一定程度的擔保，債券違約可能性較小.Tobin q主要測量上市公司的個體風險.Tobin q比率過高會引致公司市場價值與基本價值的偏離，容易形成泡沫，從而增加公司的風險，使公司債券質量下降.β主要測量上市公司的系統性風險.系統性風險越高，公司越容易受到市場各種因素變動的沖擊，公司的其他風險會隨之上升.EBIT/流動負債主要測量公司的償債能力.因為風險隨著時間在不斷變化，債券評級主要度量公司的近期風險，隨著時間的推移，評級也隨著公司風險的變化而更改.所以長期債務對當期財務風險的評價和預警作用不大，流動負債才是令公司陷入財務困境的主要原因，而且中國上市公司中的流動負債占負債總額的80%以上，所以包含稅收和利息在內的總利潤與流動負債作比對中國上市公司的財務風險有更準確的反映.