基于信用債違約概率模型評估債券業(yè)務(wù)的風(fēng)險研究

劉元鵬 田國忠 白芳

關(guān)鍵詞：信用債 違約風(fēng)險 logistic模型 改進預(yù)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(fēng)險領(lǐng)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(guān)注也逐步上升。融資擔保機構(gòu)等落實相關(guān)政策，支持民營企業(yè)發(fā)債的同時，也要做好自身風(fēng)險防控。對于信用債違約風(fēng)險的預(yù)測，國內(nèi)外學(xué)者都做過不同程度的探討。最早信用債違約預(yù)測模型被劃分為企業(yè)財務(wù)困境預(yù)測模型范疇。而在企業(yè)財務(wù)困境研究中，10gistics模型被廣泛應(yīng)用。在國外，最早探索財務(wù)預(yù)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(wù)困境預(yù)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(yù)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(xué)者發(fā)現(xiàn)采用多種模型構(gòu)建聯(lián)合預(yù)測模型，能使預(yù)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(yù)測模型，也使得Logistic模型、神經(jīng)網(wǎng)絡(luò)模型和決策樹首次聯(lián)合預(yù)測。在國內(nèi)，采用Logistic模型對公司財務(wù)風(fēng)險預(yù)警相比國外要晚的多。劉曼是最早應(yīng)用Logistic回歸模型分析上市公司財務(wù)風(fēng)險的。之后越來越多的學(xué)者采用Logistic回歸模型來分析各類風(fēng)險概率。近年來隨著信用債違約樣本的增多，越來越多的學(xué)者關(guān)注企業(yè)信用債違約風(fēng)險因素，并通過Lo-gistic回歸模型來預(yù)警各個風(fēng)險因素對信用債違約概率的影響。澤清潘（2018）應(yīng)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(wù)指標中，有4個財務(wù)指標對債務(wù)違約顯著。張永東（2019）構(gòu)建了AD-Logistic預(yù)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(yù)測精度下降的難題。該模型摒棄了傳統(tǒng)財務(wù)指標，采用企業(yè)債務(wù)和規(guī)模匹配性指標，提升了模型預(yù)測的精準性。

本文的可能創(chuàng)新之處在于，接受債務(wù)規(guī)模與企業(yè)規(guī)模匹配性財務(wù)指標，但在此基礎(chǔ)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(yù)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(wù)狀況惡化外，主體背景以及債項利率等因素也對其違約風(fēng)險有較大影響。在債務(wù)匹配性財務(wù)指標的基礎(chǔ)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(wù)外，一些外部因素也會導(dǎo)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(yīng)的票面利率較高，如表1所示。

三、信用債違約風(fēng)險預(yù)警模型介紹

財務(wù)指標是企業(yè)經(jīng)營狀況的窗口，信用債發(fā)生風(fēng)險前，發(fā)債主體的財務(wù)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(wù)分析指標。第一種以潘澤清發(fā)表的《企業(yè)債務(wù)違約風(fēng)險logistic回歸預(yù)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(wù)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(fēng)險預(yù)警研究》為主（下文簡稱“張永東模型”），其選擇的主要財務(wù)指標分為五個方面：債務(wù)規(guī)模與資產(chǎn)的匹配性、債務(wù)規(guī)模與收入的匹配性、債務(wù)規(guī)模與利潤的匹配性、債務(wù)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(wù)指標。

四、信用債違約風(fēng)險預(yù)警模型的建立及驗證

（一）兩種常見的財務(wù)指標模型

1.潘澤清模型

在潘澤清選擇的26個財務(wù)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(wù)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(wù)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(wù)率X2、EBITDA/短期有息債務(wù)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(wù)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(wù)指標，進行債券違約預(yù)測并不理想。張永東模型預(yù)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(wù)規(guī)模不匹配是引起風(fēng)險的主要原因。兩種模型預(yù)測結(jié)果對比情況如圖2所示。

五、基于債務(wù)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(guān)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(fēng)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(yù)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(wù)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(wù)率）、X3（EBITDA/短期有息債務(wù)）、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(yù)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(xué)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(wù)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(guān)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(yù)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(wù)分析方法的理論意義，更具有指導(dǎo)金融機構(gòu)參與債券業(yè)務(wù)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(fēng)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(fēng)險預(yù)測模型，不僅提高了傳統(tǒng)財務(wù)指標預(yù)測模型的準確性，也提醒廣大投資者在做債券業(yè)務(wù)時，在關(guān)注債項主體財務(wù)信息的同時也要關(guān)注主體背景等外在因素。值得說明的是，該模型并不是倡導(dǎo)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(dǎo)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(fēng)險損失。