信用評級對非金融企業資本結構的影響
——基于中國企業的表現

（英國諾丁漢大學）

一、引言

信用評級是影響公司財務決策的重要因素（Graham等，2001），研究表明，管理者可以利用公司的內部指標合理預測公司信用評級的變化（陸正飛等，1998；范柏乃等，2003）。因此，發債人可以提前預測信用評級的調整，預先優化公司的資本結構，以達到維持或者上調評級的目的。Kisgen（2006，2009）利用美國公司的財務信息，構建了信用評級-資本結構模型（CR-CS模型），研究結果表明信用評級會影響公司的資本結構。Klein等（2011）也分別在歐洲、中東和非洲的公司中得到了相同的結論。然而，實驗結果并沒有在拉丁美洲的上市公司得到證實（Rogers等，2016）。目前CR-CS模型的研究大都集中在歐美金融市場中，沒有在中國金融市場得到檢驗。因此，本文將利用中國非金融上市公司的內部指標檢測未來信用評級的變化是否會影響公司的資本結構。

二、文獻綜述

（一）信用評級和資本結構

研究表明，企業的財務杠桿會直接影響其盈利能力，而信用評級會直接影響公司的財務杠桿結構（范柏乃等，2003）。Graham等（2001）對北美392家公司的CFO調整資本結構時會考慮哪些因素進行問卷調查時，57.1%的CFO表示會關注公司當前的信用質量。

Kisgen首先利用公司的內部指標構建了CR-CS模型，發現被重新評級的公司發行的債務都低于不需要重新評級的公司；企業對降級和升級做出的反應不同，公司會在降級后降低杠桿率，減少約1.5%—2.0%的債務發行；若評級從投資級別降到投機級別，可能會減少50%的債務發行；當企業恢復到先前的評級時，一般會選擇維持最低評級水平，而不是繼續提高信用評級。但也有一些研究得出了不同的結論，Rogers等在2016年發現拉丁美洲的公司管理者不考慮公司資本決策的變化，意味著信用評級的變化對公司的資本結構沒有影響。

（二）構建公司信用評級的決定因素

國際三大信用評級機構——標準普爾、穆迪和惠譽都認為公司信用評級是對債務人償債能力和償債意愿的綜合評定，信用評級的級別越高，評級實體的違約概率越低。張兆國等（2001）發現債券發行與財務杠桿之間在統計學上存在顯著的相關關系。陳維云等（2002）證明了公司規模（正相關）、存貨周轉率（負相關）、營業利潤率（負相關）、資產流動比率（負相關）和信用評級之間的統計顯著性關系。這些研究指出，公司可以使用與財務覆蓋范圍、盈利能力、公司規模和資本結構有關的指標來預測信用評級的改變。

（三）中國的信用評級

陸正飛和辛宇（1998）指出信用評級與公司財務杠桿對中國上市公司的作用不如歐美國家顯著，公司的規模、成長性、獲利能力等因素對公司長期負債率的影響均不顯著。

何運強和方兆本（2003）指出中國的信用評級市場起步較晚，評級機構的獨立性不強，評級方法過于簡單，市場規模小且法律尚不完善。據估計，中國的AAA（AA）信用等級相當于國際信用等級的A（BBB）。但是，何平等（2010）指出債券的信用評級對債券發行成本有較強的解釋力。JingBian（2015）指出，我國的信用評級體系雖然還存在許多問題，但也涵蓋了銀行、證券、保險等行業，對投資者具有一定的參考意義。

可以看出，中國信用評級市場對企業的影響可能與歐美國家不同。因此，本文基于現有的理論依據，為中國109家非金融上市公司建立了CR-CS模型，并通過多個變量對數據進行了回歸分析。

三、研究方法

（一）數據樣本

本文收集了2014—2019年來自不同行業的109家中國上市的非金融公司的財務數據。信用評級來自中國權威的信用評級機構，中國誠信國際信用評級有限公司（中誠信）和大公全球信用評級有限公司，二者都具備中國政府特許經營的全部資質，是被中國認可為所有發行債券企業信用評級評估的權威機構。

（二）信用評分模型

信用評分模型的構建主要基于Kisgen，該模型已在評估公司信用等級中被廣泛應用。第一步：確定分數方程，用作因變量和序數變量。這里主要使用微觀評級的概念，意味著BBB、BBB+和BBB-的級別只分別代表BBB、BBB+和BBB-（標普和惠譽）。中誠信和大公的微觀評級采用相同的等級劃分（AAA，AA+，AA，AA-，A+，A，A-，BBB+，BBB，BBB-，BB+，BB，BB-，B+，B，B-，CCC，CC，C）。本文使用長期債務評級表示公司的信用評級（Kisgen，2006；Rogers等，2016）。

記最低的信用等級C的編碼最小為1，其次是編碼為2的CC級，以此類推。表1顯示了不同信用等級在微觀評級下的分值，數學上代表了經濟變量，是因變量Y與信用等級之間的等價關系。

表1 分類變量Y

如果公司的信用評分可以通過建立一個準確的模型來衡量，那么這個預測反映了所有潛在的影響因素，應該非常接近評級的變化，表2描述了用于評估分數方程的自變量。

表2 衡量信用分數模型的自變量：基于微觀評級

公式（1）是用回歸分析計算信用分數的方程：

信用評分方程的構建過程：首先，用搜集到的面板數據估計分數方程，以確定公司在微觀評級下的信用質量；其次，根據得到的分數對公司進行排序，分為上、中、下三個相等的部分；再次，假設上1/3和下1/3的公司需要重新調整其信用評級，而中間1/3的公司不需要改變原有的信用等級；最后，利用普通最小二乘法（OLS）檢驗假設是否成立。

（三）構建CR-CS計量經濟模型

公司債務是以其可以問責的價值來衡量的（Kisgen，2006；Rogers等，2016），在這種情況下，解釋變量被用來衡量i公司資本結構的變化，也就是t+1時債務的變化。

其中，ΔDLPit表示公司i在t+1時的非流動負債-公司i在t時的非流動負債；ΔCPit表示公司i的股權在t+1時的會計價值-公司i的股權在t時的會計價值；Ait表示公司i在t時的總資產；ΔDCPit表示公司 i在t+1時可召回的股票-公司i在t時可召回的股票；ΔDit表示公司i在t+1時的負債總額（非流動負債和流動負債之和）-公司i在t時的負債總額。

公式（2）是第一個因變量，表示企業i從t時到t+1時的長期負債，衡量的是長期負債與總資產的比率。公式（3）是第二個因變量，表示公司i從t時到t+1時的短期負債，用股權中的短期負債占總資產的比重衡量。公式（4）是第三個變量，表示公司從t時到t+1時的總負債，以總資產占總股本的凈會計負債的比例來衡量。

表3反映的是CR-CS模型中包含的自變量，Kisgen（2006）和 Rogers等（2016）在模型中都包含了虛擬變量，以反映公司的某些屬性。由于該模型只研究了企業財務指標對信用評級的影響，Kisgen（2006，2009）指出有必要在模型中添加幾個控制變量，以防止模型受到金融危機等外部因素的影響。

（四）實驗假設

本文的計量經濟學假設是當前債務將永久影響公司未來的業績水平，這意味著債務指數對公司的影響是有慣性的（Fama和 French，2002）。因此，面板數據的動態模型顯得更合理（因變量包含一個或多個滯后變量）。然而，面板數據的動態模型問題在于回歸變量（Yit）與截距項（αit）和誤差項（εit）之間的相關性。本文用一階滯變量檢驗誤差項中是否存在自相關。

表3 構建模型的變量

（續表）

使用的計量經濟工具和最合適的估計量是基于以下的研究假設：上市公司無論面臨上調評級還是下調評級，其平均債務比不需重新調整評級的公司少。

為了檢驗研究假設，建立實證模型如下：

其中，Zit反映企業債務的利用率，包含長期負債Z1it，短期負債 Z2it和總負債 Z3it的變化情況，Z1it、Z2it、Z3it的計算公式見公式（2）（3） 和（4）；Zi，t-1分別代表Z1i，t-1、Z2i，t-1和 Z3i，t-1，反映了滯后的解釋變量的影響（公式拓展見后文）；MRSI、MRSup和MRInf表示微觀評級變化，檢驗信用評級變化和公司財務杠桿之間的關系；Kit包含所有的控制變量，旨在確定金融危機等因素不會改變信用評級。

該模型期望微觀評級的變化具有統計學意義，即信用評級變化的公司債務股本較低。如果管理者的實際行為與預測信用評級變化的方向一致，那么可以得出結論，信用評級確實會影響管理者的資本決策。

四、數據描述和分析

本文數據由中國109家上市非金融公司2014—2019年期間的財務數據和信用評級信息組成。表4是樣本數據的信用評級與公司財務杠桿之間的描述性統計，總共得到391組既有評級信息又有財務杠桿的數據。可以看出，這些信用評級的范圍大多集中在A以上，AAA、AA+和AA的比重大致相同，前四個等級的范圍超過了總數據庫的95%。這是因為發達國家的債券市場不僅允許投資級公司發行債券，而且允許投機級別的公司發行“垃圾”債券，信用評級的范圍較廣，但是中國市場不允許發行“垃圾”債券，因此公司的信用評級更為集中。

（續表）

信用評級過高或過低的公司通常具有較低的杠桿率，保持中等信用評級的公司通常具有較高的杠桿率。從表4可以看出，B到BBB范圍內的公司杠桿率是最大的（平均杠桿率為55.38%），A到AAA范圍內的平均杠桿率比C到CCC的公司的平均杠桿率更高。

表4 樣本數據的信用評級與公司財務杠桿之間的描述性統計

（一）信用分數的估計

值得注意的是，在信用分數的評估中，沒有使用逐步回歸篩選變量，所有的解釋變量都包含在公式（1）內。為保證模型的有效性，使用Breusch-Pagan測試（Chi2-test=0.0000）和 Hausman測試（Chi2=0.0000）對模型進行選擇，檢驗表明，使用固定效應模型更為合理。

表5表示了8個自變量和信用評分分數（因變量）之間的直接關系，從結果可以看出，自變量DT、DLP/PL、ROA、EBITDA和ATIVO在99%的置信區間內是顯著的，和固定效應模型有相同的期望關系；自變量CJ、DLP/AT和MO在統計上不顯著，和Rogers等（2016）相同。從表6可以看出整個模型是顯著的，R2在0.6左右，F檢驗也證實了這一點（Prob＞F=0.0000）。事實上，集合最小二乘法和隨機效應模型都表現出很好的擬合，系數的差異不明顯。

表5 信用分數估計

表6 信用分數模型的計量經濟學檢驗

因此，分數模型的方程為（基于固定效應模型）：

在對分數方程進行評估后，我們將每個信用評分的等級都分為上、中、下三等份。在剔除BB（只有3個數據樣本）以下的數據樣本和不完整的財務信息后，共得到466個觀測值，其中上1/3和中1/3分別有156個觀測值，下1/3有154個觀測值。上1/3和下1/3預期信用評級會被改變，中間1/3的公司不改變。

（二）信用評級對資本結構的影響

如前文所說，公司財務狀況與其信用評分高度相關，財務狀況相對較差的公司擁有的平均債務相對較少（Kisgen，2006）。虛擬變量MRSup（等于1表示上1/3的公司）和MRInf（等于1表示下1/3的公司）分別與信用評級呈負相關和正相關關系。因此，模型預期在公式（7）中，β1的系數較小，因為面臨評級變化的公司在發行債務時會更加小心。公式（5）包括影響公司財務狀況的控制變量。公式（6）分別測試單個MRSup和MRInf，以確定結果在多大程度上是被驅動的。

為提高模型的準確程度，需要設置對照組來減少誤差不變性。Kisgen（2006）的限制對照組是檢測債務發行量超過總資產5%的公司；Rogers等（2016）的限制對照組是檢測債務發行量超過總資產10%的公司。因此，本文將數據庫分為兩組，一組是包含了373個樣本的總數據庫，另一個是放債大于10%的擁有274個樣本的限制組。表7展示了上述模型的進一步假設，反映了會計變化與信用評級變化之間的關系，總數據庫和限制對照組共包含了18組檢驗。

表8包含了總數據庫和限制組的結果，檢驗了模型的自相關性。發現在總數據庫和限制組中，除了兩組Z1的F檢驗不顯著之外，其他16組檢驗的F檢驗都是顯著的。因變量的滯后變量Zi，t-1在16組檢驗中有10組呈現負相關，在不同的水平上統計學結果都顯著，其余6個滯后變量呈現正相關，但是只有3個變量具有統計學意義。在表8中，滯后變量Z1i，t-1和Z2i，t-1在總數據庫和限制組中都表現出負相關，滯后變量Z3i，t-1呈現正相關。這一結果與以往的研究略有不同。在總數據庫和限制組的檢測中，正相關關系占37.5%，負相關關系占 62.5%。Fama和 French（2002）認為，總數據中的正相關占大多數，負相關占限制組的大多數，這意味著企業過去的債務通常對總數據庫的當前債務水平產生積極影響，并對限制組產生負面影響。Rogers等（2016）在過去的價值如何影響當前債務水平方面得到了同樣的結果。然而，在本文中，結果與限制組的理論結果是一致的，通常受到過去債務的負面影響，但是和總數據庫的預期結論不同。

表7 實驗模型說明

表8 實證模型（5）（6）（7）解釋變量系數和統計學意義

（續表）

對于財務因素，杠桿指數（ALAV）在12組檢驗中只有4組（33.3%）具有統計學意義，且相關性較低。這一結果與Kisgen和Rogers等相同?？刂谱兞縍ENT（代表盈利能力）顯著性較高（***），12組檢驗中有8組（66.7%）具有統計學意義，且呈負相關，這與Rogers等相同?？刂谱兞縑END（公司規模）的12組檢驗中有8組（66.7%）是正相關關系且具有統計學意義。這一結果與Kisgen和Rogers等相同。

虛擬變量的主要結論是：

在MRSup 6組結果中，3組系數具有統計學意義，3組結論與Z2和Z3相關。這表明信用評級（MRSup）的上調將影響公司的短期債務（Z2）的調整和總債務（Z3）的變化，但沒有明確的證據表明它對公司的長期債務有影響（Z1）。結論與Rogers等相似，但是和Kisgen不同，他的結果表示在99%的置信區間呈顯著負相關。

關于MRInf，在6組觀測值中有4組的系數呈正相關，但是在不同的置信區間下都沒有統計學意義。Rogers等的結論中得到類似的結果，發現40%具有統計學意義，然而，Kisgen的結論完全不同，他發現信用評級的下調確實會影響公司的資本結構。

MRSI系數在10組中有7組呈現負相關，但是都沒有統計學意義。Rogers等也表示虛擬變量在不同的置信水平下都不具備統計學意義，但是Kisgen表明，企業的經營情況對公司的資本結構有積極影響，在99%的置信水平上具有統計學意義。

總之，在總數據庫的所有檢驗中，只有2組具有統計學意義，而在限制組中只有1組有統計學意義。因此，可以看出微觀評級對總數據庫的影響稍大，但總體來說對總數據庫和限制組的影響都很小。Rogers甚至表示，微觀評級只對總數據庫產生負面影響，而對限制組沒有任何影響。

結果表明，信用等級的調整對中國公司的資本結構沒有顯著的影響，這一發現拒絕了原假設，與國外的幾項研究結論不同。

五、結論及建議

本文的總數據庫和限制組都沒有表現出統計學意義，只有評級面臨上調的上1/3的公司與信用調整呈負相關，表明即將上調評級的公司會發行更少的債務。此外，沒有明顯的證據表明，隨著信用評級的變化，公司債務將進行調整，這與Kisgen不同，但和Rogers等的結果相似。

與研究假設有不同的結果，可能是由于數據庫較小。Kisgen的研究有12336個觀測值，本研究中，樣本在測試信用評分時有557個觀測值，在測試實證模型時只有373個觀測值。因此，經過上、中和下的重新分類之后，每個類別觀測的數量相對較少。這是因為在篩選數據時，中國擁有長期債務評級的公司大多是非上市公司（約占60%）。在上市公司的長期信用評級中，金融機構（銀行、保險公司、投資公司）占相當大的比例，最后剩余的觀測值較少。因此，數據庫的限制是無法避免的，也無法通過其他方式擴展。

另外，選擇信用評級數據時，中國上市公司的信用評級普遍較高，公司的長期信用評級有70%都在AA-以上，A-以上的評級甚至達到了90%以上，經驗證據表明，中國信用評級標準與國際評級標準存在較大差距，90%的債券評級都分布在三個宏觀評級中。

徐道宣等（2008）認為，首先，中國的信用評級機構在不同領域的不斷擴張導致了評級的不確定性和不穩定性。其次，信息來源的可靠性也是影響企業信用評級質量的重要因素。但很難界定中國評級的信息來源是否可靠，因為即使在發達國家相對完善的信用評級體系下，信用評級的可靠性問題依然存在。最后是中國的監管體制尚不明確。雖然國家發展改革委、中國證監會、中國銀保監會和中國人民銀行均參與監管過程，但信用評級機構內部仍然缺乏有效監管。

雖然本文基于CR-CS模型的研究不理想，但是對中國市場仍是有意義的。它在一定程度上證明了信用評級與公司的經營狀況有較顯著的關系，資本結構的調整對信用評級上調的影響大于信用評級的下調。

綜上所述，對模型的構建提出三點建議：（1）為消除短期商業周期和經濟危機對模型準確度的影響，應擴大抽樣的時間范圍來增加樣本的數據量；（2）可以對投資級別和投機級別的公司分別進行分析，比較不同投資地位的公司在信用評級即將發生變化時對資本結構調整的緊迫性；（3）可以對不同行業和領域的公司進行分類，以觀察不同行業對信用評級的反應。

因此，對此問題的深入研究提出四點建議：（1）提高信用評級內部信息的準確性，并建立特別的審計組織或者審計程序，以確保信息來源的可靠性；（2）需要更明確的信用評級監管制度，我國的信用評級體系還不夠完善，國外信用評級體系的發展經驗對我國信用評級的發展具有借鑒意義；（3）目前沒有具體的標準表示信用評級和企業資本結構之間存在顯著關系，因此應該對這一問題進行更深入的研究，例如建立更完善的模型以確定和強調中國信用評級的影響；（4）國際信用評級機構可以給中國的信用評級機構一些指導，通過選擇國際信用評級機構和中國信用評級機構作為不同的樣本輔助研究，比較在不同評級機構下中國上市公司的信用影響是否顯著。