判別公司債券違約風險的財務指標研究

霍雨佳

【摘 要】 隨著我國資本市場的進一步發展，公司債券已成為我國債券市場的重要組成部分，因此公司債券的違約風險成為投資者關注的重要因素。文章將財務預警理論與公司債券違約風險的度量相結合，運用多元判別分析方法，建立財務預警指標體系和預警模型對公司債券違約進行預測，并對模型的有效性進行實證分析。

【關鍵詞】 公司債券； 違約風險； 財務比率； 財務預警

【中圖分類號】 F830 【文獻標識碼】 A 【文章編號】 1004-5937（2016）21-0036-05

21世紀以來，我國公司債券市場迅速發展，市場規模迅速擴張，債券品種創新速度加快，發行人和投資者類型呈現多元化趨勢。公司債券的發展前景非常廣闊，成為我國債券市場的重要組成部分。但債券市場的違約風險如影隨形，對此我們要認真應對。

我國關于財務預警系統研究的主要對象為上市公司，基于發達國家的理論研究與技術，進行符合中國實際情況的建模研究。其中周首華等[1]基于Altman的Z計分模型，結合我國債券市場的特點和發展狀況，在1996年提出了預測公司財務風險發生的新模型——F計分模型。陳靜[2]在進行財務預警系統的研究中，以ST公司與非ST公司作為研究對象，選取34家公司1995—1997年的財務數據進行實證分析。吳世農和盧賢義[3]選取了140家上市公司作為研究樣本，選取21個財務指標作為變量進行判別分析、多元線性回歸分析、Logistic回歸分析，分別建立了三種預測財務困境的模型。

在國內的研究中，財務預警模式所使用的變量限于一般財務及非財務比率在變量的選取上，較少涉及信用風險因素。因此，本文引入公司債券信用風險和發行債券的公司信用評級因素，并將其納入一般公司債券違約預警系統中，提出一種新的財務危機預警方法。

本文基于財務預警系統來研究公司債券的違約度量，為了明確違約概念的界定和建立違約判別模型，把違約定義為財務的違約，即違約的發生是由于公司的財務狀況出現了一定的問題，發債公司不能夠按時支付債券投資者本金和利息。因此，發債公司是否能夠按時向債券投資者支付本息作為公司債券是否違約的界定標準，當發債公司不能夠履行償還義務的那一時點即判定公司債券違約。

一、研究設計

由于中國公司債券市場違約實例并不是很多，不能夠達到實證研究所需要的樣本數量要求，因此需要選擇潛在違約風險較大的發債公司作為違約樣本。如何判別公司違約風險大小，國外很多研究選擇了宣布破產的企業或者被評為破產的企業作為違約樣本。本文對于公司債券違約的發債公司主要依據我國的信用等級來判定。選用在上海證券交易所或深圳證券交易所發行公司債券的公司作為研究對象。本文規定評級為AA-級以下的公司債券近似違約狀態。這樣做的原因是AA-級以下的公司債券雖然按照國際評級公司的界定屬于投資級，但是由于我國信用評級整體的中樞水平較高，AA-級以下的公司資金實力、資產質量一般，經濟效益不夠穩定，受外部經濟條件影響，償債能力會產生波動，存在違約風險。相比之下，AAA級公司資金實力雄厚，資產質量優良，有能力償還債務本息，陷入財務困境可能性很小，幾乎無違約風險。因此，本文將AA-級公司定義為違約公司，AAA級公司定義為正常公司。

考慮到樣本的可比性，本文選擇分層抽樣法進行正常樣本的選取，分層標準是企業的資產規模大小，目的是要與違約樣本的規模相當，能夠進行比較。對于正常樣本數量的確定，大部分研究是以11的數量比例進行匹配樣本的選取，也有少量研究是以1 2的比例，選擇兩倍數量的正常公司進行分析。本文選擇違約公司與正常公司11的數量比例來進行研究。

在時間范圍的選擇上，很多學者都是以公司由正常狀態轉為違約狀態為時間分界點，研究時間分界點前幾年的財務數據對于公司違約可能性的預測，也就是將不同時間點的違約公司作為研究樣本，這樣的做法有一定的弊端。因為不同的時間范圍，整體經濟情況是不同的。公司違約應該是內在原因和外在原因共同影響下發生的結果，經濟蕭條時期違約公司的數量明顯超過經濟繁榮時期違約公司的數量。因此本文為保證研究的嚴謹性，將在同一時間范圍來分析財務比率與公司債券的發債公司違約情況的關系。

基于以上設計，樣本的選擇遵循以下原則：首先，考慮到研究的時效性以及樣本的可比性，本文選擇在2008—2013年間發行公司債券的公司作為樣本；其次，本文以評級為AA-級以下的發債公司（即違約公司）作為實驗組，評級為AAA的發債公司（即正常公司）作為對照組，實驗組與對照組樣本公司數量相同，為保證模型分析預測準確性與說服性，本文選擇2007—2014年作為時間范圍，使研究具有一定的時間連續性與可比性。樣本公司選取結果見表1。

二、公司債券違約財務預警模型構建

本文將公司債券發行公司是否存在較大違約風險分為兩組，即違約公司組和正常公司組。在兩組間進行判別的處理方法基于統計上的Fisher準則，即判別的結果應是兩個總體之間區別最大，每一總體內部的離差最小。根據Fisher準則進行運算，得到Fisher判別函數，然后對每個樣本的函數值與中心判別函數值進行比較，距離哪個中心判別值近則歸屬哪一類別。

（一）變量的選取

本文選取了34家發行公司債券的公司2007—2014年間的15個財務指標來分析，分別為流動比率、速動比率、資產負債率、利息保障倍數、現金流量利息保障倍數、應收賬款周轉率、存貨周轉率、總資產周轉率、主營業務毛利率、凈資產收益率、每股收益、主營收入增長率、凈利潤增長率、現金流量比、營業收入現金比率，但是把這15個財務比率都作為自變量來構建判別模型會因為這些比率之間可能存在相關性，提供的信息出現重疊，而使研究變得復雜。為了能夠克服數據相關性和重疊性，找到更加準確穩定的變量，在15個財務比率中使用因子分析方法來篩選構建判別模型的變量。

1.KMO檢驗和Bartlett球形檢驗（見表2）

在進行因子分析之前，要進行KMO檢驗和Bartlett球形檢驗，兩類檢驗都是用于檢驗樣本數據是否適合做因子分析。KMO檢驗用來比較觀測變量之間的簡單相關系數和偏相關系數的相對大小，取值范圍是[0，1]。當全部變量的偏相關系數的平方和遠小于簡單相關系數的平方和時，KMO值接近于1。KMO值較小時，表明觀測變量不適合做因子分析，通常認為KMO的度量標準是0.9以上表示非常適合做因子分析，0.8以上比較適合，0.7表示適合，0.6表示不太適合，0.5以下表示不適合[4]。Bartlett球形檢驗的原假設是原始變量的相關系數矩陣是單位陣，即主對角線元素為1，其他元素均為0。

Bartlett球形檢驗的p值為0.000，KMO統計量等于0.7744，檢測結果表明運用因子分析效果一般，但是為了使本文研究較為全面，還是采用因子分析方法進行變量的篩選。

2.因子個數的確定

一般來說，研究中變量的數量就是主成分的數量，本文有15個財務比率自然有15個主成分。因子分析就是把前幾個主成分作為原始因子，提供原始數據所表示的信息，對于因子選取數量的確定，本文按照特征值的大小來進行選擇，選取特征值大于1的主成分作為初始因子。

由表3看出，本文所選用的15個財務比率中有5個因子的特征值是大于1的，這5個因子可以解釋原始15個財務比率79.37%的方差，損失了20.63%的信息。

3.財務比率的選取

在因子選出以后，因子背后所代表的含義才是本文研究最關注的，進行研究的目的就是把握因子的實際意義，而因子與多個變量相關，很難對其進行解釋，因此對因子的載荷陣進行了旋轉，這里采用方差最大旋轉。

從表4中可以看出，旋轉后的載荷系數差異十分明顯。第一個因子在指標凈資產收益率、主營收入毛利率上有較大的載荷，分別為凈資產收益率0.88、主營收入毛利率0.79，說明這兩個指標具有較強的相關性，歸為一類。這類因子所包含的財務比率反映公司的盈利能力，可以把這類因子叫做盈利能力因子，其代表性變量為凈資產收益率。

第二個因子在指標流動比率、速動比率上有較大的載荷，分別為流動比率0.85、速動比率0.77，說明這兩個指標具有較強的相關性，歸為一類。這類因子所包含的財務比率反映公司的償債能力，可以把這類因子叫做償債能力因子，其代表性變量為流動比率。

第三個因子在指標現金流量比、現金流量利息保障倍數、營業收入現金比上有較大的載荷，分別為現金流量比0.93、現金流量利息保障倍數0.85、營業收入現金比0.61，說明這兩個指標具有較強的相關性，歸為一類。這類因子所包含的財務比率反映公司的現金流量情況，可以把這類因子叫做現金流量因子，其代表性變量為現金流量比。

第四個因子在指標存貨周轉率、總資產周轉率上有較大的載荷，分別為存貨周轉率0.75、總資產周轉率0.82，說明這兩個指標具有較強的相關性，歸為一類。這類因子所包含的財務比率反映公司的營運能力情況，可以把這類因子叫做營運能力因子，其代表性變量為總資產周轉率。

第五個因子在指標凈利潤增長率、營業收增長率上有較大的載荷，分別為凈利潤增長率0.78、營業收增長率0.77，說明這兩個指標具有較強的相關性，歸為一類。這類因子所包含的財務比率反映公司的成長能力情況，可以把這類因子叫做成長能力因子，其代表性變量為凈利潤增長率。

通過因子分析，選出了5個變量進行多元判別分析來構建模型，分別是凈資產收益率、流動比率、現金流量比、總資產周轉率、凈利潤增長率。

（二）構建判別模型

1.建立多元判別模型

經過因子分析，把原始15個財務比率濃縮到5個因子，每個因子的代表比率分別是流動比率、總資產周轉率、凈資產收益率、凈利潤增長率、現金流量比，把這5個指標作為變量，分別命名為X1、X2、X3、X4、X5，以34家發行公司債券的公司為樣本進行分析，利用多元判別分析方法進行實證研究。對判別分析進行有效性檢驗，原假設是不同組的平均Fisher判別函數值不存在顯著差異。從表5中可以看到，p值為0.002，在0.05的顯著性水平上拒絕原假設，也就是不同組的Fisher判別函數值存在顯著差異，這就意味著判別函數是有效的。

由此得到非標準化Fisher判別系數。非標準化的Fisher判別系數是指將實測的樣本觀測值直接帶入求出判別函數值，而不需要將觀測值進行標準化，使用起來更為方便一些。

由表6可知，Fisher判別函數為：

U（X）=0.0654X1+0.2106X2+2.6408X3+1.5595X4+

0.0076X5-0.8016

表7給出了類中心處的Fisher判別函數值，該函數值是根據為標準化Fisher判別函數計算的，違約公司的分布中心是-1.369，正常公司的分布中心是1.369。這樣，只要根據Fisher判別函數計算出各觀測數據的函數值之后，再比較他們分別距各類中心的距離，就可以把它們進行分類了。也就是說如果運用判別模型計算出來的判別值是大于0的，那么便可以把觀測樣本歸類為正常公司，判別值小于0，則歸類為違約公司。

為了對模型的效果進行檢驗，可以將樣本公司財務指標進行回代。本文基于財務系統對公司債券違約進行預測，違約公司共17家，模型全部預測正確，正常公司共17家，模型對16家公司預測正確，所建模型的正確率為97.06%，基本上可以正確區分違約公司和正常公司，判別效果較為理想（見表8）。

2.結果分析

通過對樣本進行多元判別分析得到判別模型：

U（X）=0.0654X1+0.2106X2+2.6408X3+1.5595X4+

0.0076X5-0.8016

（1）流動比率與判別值呈正相關性。流動比率作為償債能力因子的代表，體現了公司對債務的支付能力，流動比率高說明面對短期債務的壓力而具有的在短時間內的變現能力。流動比率越低，則企業償債風險越高，很可能導致發債公司因無法償還債務而陷入財務危機，出現違約的現象。

（2）總資產周轉率與判別值呈正相關性。總資產周轉率作為營運能力因子的代表，體現了公司對資產的管理和利用效率情況，該比率更加偏重公司對于長期資產管理情況的衡量。在判別函數中，總資產周轉率越高，則違約可能性越低。總資產周轉率較高說明了公司在全部資產尤其是對長期資產的利用效率很高，對于發行中長期債券的公司，長期債券的資本成本相對短期債券較高，對資產的管理和周轉能力高，則公司在還本付息時壓力就相對較小，能夠有效地預防違約可能性發生。

（3）凈資產收益率與判別值呈負相關性。凈資產收益作為盈利能力因子的代表，體現了公司運用自有資產獲得收益的能力。一般而言，凈資產收益率高代表公司的盈利能力較好，公司發展前景較好。但是凈資產收益率較高的公司往往受財務杠桿的影響較大，公司的凈利潤中存在較大數量通過財務杠桿帶來的額外收益。而公司在利用財務杠桿對資本結構進行調整，提高盈利的同時，通常會給公司帶來更多的負債和財務風險。較高的財務杠桿會給公司帶來收益的不確定性，雖然公司凈資產收益率較高，但是陷入財務危機的風險更大，從而導致違約的可能性增大。

（4）凈利潤增長率與判別值呈正相關性。凈利潤增長率作為成長能力因子的代表，體現了公司業績的提升，發展速度較快，有較好的發展前景。凈利潤的增長說明公司以較快速度在發展擴張，說明公司在內部管理、成本控制和產品競爭力方面都有較好的表現。凈利潤增長率較高是對發債公司債務支付能力較好的保障，公司具有很大的發展潛力，違約風險較小。

（5）現金流量比與判別值呈負相關性。現金流量比作為變現因子的代表，體現了公司能夠實際進行運轉的現金和現金等價物的多少。現金流量比是經營活動產生的現金凈流量與期末流動負債的比值，該比率越高說明公司的變現能力越好，對于債務的支付能力越強，相應的違約風險也就越小。而現金流量比的持續走低可能是公司可實際支付債務的資金周轉不靈的預兆，這將導致違約風險的出現。

三、結論

本文將財務預警系統與公司債券違約度量相結合，運用我國信用評級等級將AA-級以下的發債公司定義為違約公司，將信用評級為AAA級的發債公司定義為正常公司，對違約公司和正常公司的多項財務比率進行分析，從定量的角度對公司債券違約風險進行研究。對34家發行公司債券2007—2014年的財務指標進行實證分析，運用判別分析方法，建立了公司債券違約風險預警模型，并通過對樣本公司反代回模型進行檢驗，模型預測的誤判率為2.94%，正確性較高。

通過研究本文建立了對發行公司債券信用風險的判別模型，具有很好的檢驗效果，這對于發行公司債券的公司在違約風險防范和管理方面具有一定的參考價值。但是在使用模型時還應該注意兩個問題：一是觀測公司的規模應該與本文所選樣本相近；二是觀測公司所處經濟環境應該與本文樣本不具有很大差別。當差異較大時，建議重新建立模型進行研究。同時，本文只是對公司債券違約風險預警模型的建立進行了初步的探索，在樣本的選擇標準、違約分類方法等方面存在局限性。首先，由于我國公司債券市場尚處于起步階段，滿足實證分析要求的債券較少，導致本文進行實證研究的樣本較少，對此可能影響研究結果的普遍適用性；其次，由于我國信用評級體系還存在諸多問題，而本文使用中國證券市場的信用評級等級對樣本進行分類，將評級較低的公司債券定義為近似違約的公司債券，評級較高的公司定義為正常公司，可能會導致研究結果有一些偏差，還需后續研究加以充實改進。

【參考文獻】

[1] 周首華，楊濟華，王平.論財務危機的預警分析——F分數模式[J].會計研究，1996（8）：8-11.

[2] 陳靜.上市公司財務惡化預測的實證分析[J]. 會計研究，1999（4）：31-38.

[3] 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.

[4] 朱建平，殷瑞飛.SPSS在統計分析中的應用[M].北京：清華大學出版社，2007.