郭琪 鄭蕾 代斌

摘? ?要：2018年債券市場(chǎng)風(fēng)險(xiǎn)案件頻發(fā)，違約觸發(fā)機(jī)制與以往有所不同，體現(xiàn)為由外部現(xiàn)金流收縮而非內(nèi)部現(xiàn)金流惡化引發(fā)。從中債國(guó)債指數(shù)和經(jīng)濟(jì)數(shù)據(jù)的周期疊加看，流動(dòng)性風(fēng)險(xiǎn)是當(dāng)前信用債違約風(fēng)險(xiǎn)的集中表現(xiàn)。通過(guò)Fisher判別得出流動(dòng)資產(chǎn)周轉(zhuǎn)率、速動(dòng)比率、總資產(chǎn)周轉(zhuǎn)率、現(xiàn)金債務(wù)比和總資產(chǎn)報(bào)酬率等5個(gè)指標(biāo)是影響信用債風(fēng)險(xiǎn)的核心指標(biāo)，并由此篩選出當(dāng)前信用債市場(chǎng)532家潛在風(fēng)險(xiǎn)企業(yè)?；贙MV模型對(duì)潛在風(fēng)險(xiǎn)企業(yè)違約距離及違約概率進(jìn)行測(cè)算，存在3個(gè)高風(fēng)險(xiǎn)區(qū)間，進(jìn)一步篩選出136家高風(fēng)險(xiǎn)企業(yè)。這些企業(yè)從行業(yè)看集中于制造業(yè)及批發(fā)零售業(yè)，從地域分布看集中于東部省份，從企業(yè)性質(zhì)看集中于民企及地方國(guó)有企業(yè)，風(fēng)險(xiǎn)引爆時(shí)間集中于2018年四季度及2019年。

關(guān)鍵詞：信用債;違約 KMV;風(fēng)險(xiǎn)識(shí)別

中圖分類號(hào)：F830? 文獻(xiàn)標(biāo)識(shí)碼：B? 文章編號(hào)：1674-2265（2019）08-0026-08

DOI：10.19647/j.cnki.37-1462/f.2019.08.004

隨著我國(guó)債券市場(chǎng)的不斷發(fā)展，市場(chǎng)信用債券品種、發(fā)債主體、發(fā)行數(shù)量均在不斷豐富、擴(kuò)容。在經(jīng)歷了5年信用債市場(chǎng)的高速發(fā)展后，債券市場(chǎng)違約事件自2014年出現(xiàn)“零突破”，隨后屢見(jiàn)不鮮，2018年違約更是成為常態(tài)，債券市場(chǎng)信用風(fēng)險(xiǎn)暴露或?qū)⑦M(jìn)入易發(fā)、高發(fā)期。防控金融風(fēng)險(xiǎn)是我國(guó)當(dāng)前及未來(lái)一段時(shí)期內(nèi)面臨的重要問(wèn)題，債券市場(chǎng)作為金融市場(chǎng)的重要組成部分，風(fēng)險(xiǎn)防控為應(yīng)有之義。因此對(duì)當(dāng)前信用債進(jìn)行風(fēng)險(xiǎn)識(shí)別與風(fēng)險(xiǎn)特征分析及預(yù)判，以規(guī)避債券市場(chǎng)“灰犀牛”事件，對(duì)債券市場(chǎng)平穩(wěn)健康發(fā)展具有重要的現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

（一）宏觀經(jīng)濟(jì)周期與債券風(fēng)險(xiǎn)關(guān)系

國(guó)內(nèi)外學(xué)者對(duì)債券風(fēng)險(xiǎn)與宏觀經(jīng)濟(jì)結(jié)合研究時(shí)，發(fā)現(xiàn)宏觀經(jīng)濟(jì)周期對(duì)債券風(fēng)險(xiǎn)具有較大的影響。Moore（1961） 認(rèn)為企業(yè)破產(chǎn)的概率會(huì)隨經(jīng)濟(jì)周期的變化而變化。在經(jīng)濟(jì)繁榮期，企業(yè)破產(chǎn)的可能性較小，從而企業(yè)債券違約的概率小，信用風(fēng)險(xiǎn)小，反之亦然。戴國(guó)強(qiáng)和孫新寶（2011）研究發(fā)現(xiàn)反映經(jīng)濟(jì)金融周期的GDP指數(shù)和M1發(fā)行量越高，債券的風(fēng)險(xiǎn)溢價(jià)越高。王亞軍和王樹(shù)進(jìn)（2017）研究表明，債券信用利差的宏觀影響因素需要區(qū)分商業(yè)周期進(jìn)行研究，不同的商業(yè)周期階段宏觀經(jīng)濟(jì)指標(biāo)與信用利差影響效果有所區(qū)別。宋美喆和胡丕吉（2017）研究認(rèn)為經(jīng)濟(jì)周期與貨幣周期通過(guò)作用于市場(chǎng)流動(dòng)性及利率期限結(jié)構(gòu)，進(jìn)而影響債券市場(chǎng)信用風(fēng)險(xiǎn)。

（二）債券違約財(cái)務(wù)指標(biāo)判別及預(yù)警

自20世紀(jì)60年代以來(lái)，學(xué)者就對(duì)企業(yè)的財(cái)務(wù)指標(biāo)和違約破產(chǎn)之間的關(guān)系進(jìn)行研究。其中最具代表性的是Altman的Z-Score模型，該模型基于5個(gè)固定財(cái)務(wù)指標(biāo)，通過(guò)固定系數(shù)的判別式對(duì)企業(yè)進(jìn)行打分，并根據(jù)分值進(jìn)行風(fēng)險(xiǎn)判斷。國(guó)內(nèi)學(xué)界基于財(cái)務(wù)指標(biāo)對(duì)發(fā)債企業(yè)風(fēng)險(xiǎn)進(jìn)行判斷識(shí)別的思想與經(jīng)典的Z-Score基本類似，區(qū)別僅在于指標(biāo)選取方法、判別式的具體形式。蔣書(shū)彬（2016）利用Logit模型對(duì)債券市場(chǎng)違約企業(yè)的財(cái)務(wù)指標(biāo)進(jìn)行研究，發(fā)現(xiàn)違約企業(yè)財(cái)務(wù)指標(biāo)在總資產(chǎn)利潤(rùn)率、營(yíng)業(yè)利潤(rùn)/營(yíng)業(yè)總收入、資產(chǎn)負(fù)債率、經(jīng)營(yíng)現(xiàn)金流/負(fù)債總額、利息保障倍數(shù)、應(yīng)收賬款周轉(zhuǎn)率指標(biāo)上存在共性，可進(jìn)行識(shí)別預(yù)警。俞寧子等（2016）通過(guò)對(duì)債券市場(chǎng)違約主體進(jìn)行梳理，對(duì)債券違約四個(gè)發(fā)展階段的不同財(cái)務(wù)指標(biāo)進(jìn)行預(yù)警?；粲昙眩?016）利用主成分分析法與Fisher判別方法，得出基于流動(dòng)比例、總資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)收益率、凈利潤(rùn)增長(zhǎng)率、現(xiàn)金流量比等指標(biāo)的債券違約風(fēng)險(xiǎn)預(yù)警模型。

（三）債券風(fēng)險(xiǎn)測(cè)度的方法

20世紀(jì)90年代，企業(yè)債務(wù)風(fēng)險(xiǎn)測(cè)度取得了突破性進(jìn)展，現(xiàn)代信用風(fēng)險(xiǎn)管理由最初的簡(jiǎn)單靜態(tài)分析開(kāi)始向動(dòng)態(tài)管理的趨勢(shì)發(fā)展。Merton（ 1974） 開(kāi)創(chuàng)性地利用結(jié)構(gòu)化模型對(duì)債券違約的期權(quán)價(jià)值進(jìn)行研究，采用信用利差解釋對(duì)違約風(fēng)險(xiǎn)的補(bǔ)償。Odom（1990）將神經(jīng)網(wǎng)絡(luò)算法（BP）運(yùn)用到財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，發(fā)現(xiàn)預(yù)測(cè)效果優(yōu)于傳統(tǒng)多元判別模型。麥肯錫公司（1997）提出CPV模型，通過(guò)宏觀和經(jīng)濟(jì)周期數(shù)據(jù)來(lái)模擬遷移矩陣，重點(diǎn)關(guān)注違約風(fēng)險(xiǎn)、條件違約概率及信用矩陣遷移的影響。KMV公司（1997）將違約距離與實(shí)際違約概率通過(guò)數(shù)據(jù)庫(kù)進(jìn)行映射，推出KMV模型，預(yù)測(cè)企業(yè)信用風(fēng)險(xiǎn)。KMV模型對(duì)信用風(fēng)險(xiǎn)評(píng)估有一定的前瞻性，國(guó)內(nèi)許多學(xué)者將此方法用于上市公司違約、中小企業(yè)違約、城投債違約、債券安全發(fā)行規(guī)模等方面的風(fēng)險(xiǎn)測(cè)度，如蔣彧和高瑜（2015）、周海赟和王曉芳（2015）。

從已有文獻(xiàn)研究成果可見(jiàn)，宏觀經(jīng)濟(jì)環(huán)境對(duì)債券風(fēng)險(xiǎn)的發(fā)生和形式具有非常大的影響。因此，在研究如何識(shí)別債券市場(chǎng)風(fēng)險(xiǎn)時(shí)，應(yīng)根據(jù)經(jīng)濟(jì)周期與貨幣周期的變化，選擇不同的風(fēng)險(xiǎn)衡量指標(biāo)。亦言之，僅從企業(yè)層面的微觀數(shù)據(jù)或者外部環(huán)境的周期特征單方面來(lái)判斷債券風(fēng)險(xiǎn)，會(huì)出現(xiàn)判斷偏誤。同時(shí)，債券風(fēng)險(xiǎn)測(cè)度的研究方法一直在延伸、拓展，模塊化的風(fēng)險(xiǎn)評(píng)價(jià)系統(tǒng)日益成熟，對(duì)微觀數(shù)據(jù)的依賴性有所降低，但仍存在方法適用性問(wèn)題，如：由于我國(guó)市場(chǎng)中存在對(duì)信用債剛兌的預(yù)期以及套利交易，信用利差在中國(guó)存在失效（紀(jì)志宏，2017）;再如，KMV的風(fēng)險(xiǎn)評(píng)估實(shí)現(xiàn)需要有大量的企業(yè)交易數(shù)據(jù)支持，但非上市企業(yè)難以滿足數(shù)據(jù)評(píng)估需要等。本文針對(duì)上述問(wèn)題進(jìn)行了創(chuàng)新性的探索，根據(jù)當(dāng)前國(guó)內(nèi)信用債企業(yè)群體的特征和階段進(jìn)行了系數(shù)校準(zhǔn)和修正，并配合Fisher判別方法進(jìn)行了預(yù)判企業(yè)的分層甄別和風(fēng)險(xiǎn)識(shí)別指標(biāo)的提取，從數(shù)據(jù)集中表征和宏觀環(huán)境影響的角度對(duì)信用債風(fēng)險(xiǎn)形成的原因、風(fēng)險(xiǎn)發(fā)生的潛在水平和時(shí)空分布進(jìn)行了溯源與識(shí)別，對(duì)于做好信用債市場(chǎng)風(fēng)險(xiǎn)防控具有較強(qiáng)的實(shí)踐意義。

二、當(dāng)前債券違約的機(jī)理及周期分析

（一）信用債違約的主要表現(xiàn)

2018年信用債市場(chǎng)違約案件頻發(fā)，截至2018年6月末，債券市場(chǎng)共有181只信用債、74家企業(yè)發(fā)生違約，涉及金額1148.4億元，呈現(xiàn)頻度高、金額大、行業(yè)分散、民企為主的特征。

從違約頻率看，信用債市場(chǎng)自2016年進(jìn)入違約高發(fā)期，當(dāng)年出現(xiàn)信用債違約事件78起，涉及金額393億元，首次違約企業(yè)主體30家。2017年違約債券事件及新增違約主體個(gè)數(shù)有所緩和，但違約金額居高不下。進(jìn)入2018年債券市場(chǎng)風(fēng)險(xiǎn)案件更是加速爆發(fā)，前6個(gè)月共有25只信用債出險(xiǎn)，涉及金額240.5億元，月均風(fēng)險(xiǎn)增量顯著高于2016年和2017年。從違約主體的行業(yè)分布來(lái)看，當(dāng)前違約的信用債已經(jīng)從強(qiáng)周期及產(chǎn)能過(guò)剩行業(yè)向運(yùn)輸、金融、信息技術(shù)咨詢等非周期性行業(yè)擴(kuò)展，信用風(fēng)險(xiǎn)從上游行業(yè)向下游行業(yè)傳導(dǎo)。數(shù)據(jù)顯示，74家違約主體中屬于化工、機(jī)械設(shè)備、煤炭、能源、水泥等過(guò)剩產(chǎn)能行業(yè)的共27家，其中2017年以來(lái)違約的企業(yè)僅3家。從違約主體的所有制性質(zhì)來(lái)看，違約主體以民營(yíng)企業(yè)為主，74家違約主體中有51家民營(yíng)企業(yè)，2018年新增的9家違約主體中，7家為民營(yíng)企業(yè)。

與2016年歷史違約高峰相比，2018年違約事件在市場(chǎng)環(huán)境、公司財(cái)務(wù)指標(biāo)的表現(xiàn)上存在諸多不同：一是外部融資環(huán)境有所區(qū)別。2018年以來(lái)，資管新規(guī)頒布、非標(biāo)融資受限、監(jiān)管環(huán)境趨嚴(yán)，資管與信貸對(duì)接機(jī)制中斷，發(fā)行人融資環(huán)境較之前收緊，若在債券到期前無(wú)法獲得新的融資進(jìn)行本息償付，違約壓力加大。二是違約觸發(fā)機(jī)制有所區(qū)別。歷史違約債券發(fā)行企業(yè)經(jīng)營(yíng)處于長(zhǎng)期虧損狀態(tài)，而2018年違約發(fā)行人雖然存在應(yīng)收賬款周轉(zhuǎn)率下降等現(xiàn)象，但個(gè)別仍然維持正常經(jīng)營(yíng)活動(dòng)。三是財(cái)務(wù)表現(xiàn)有所區(qū)別。歷史違約發(fā)行人財(cái)務(wù)狀況惡化主要體現(xiàn)在債務(wù)規(guī)模攀升導(dǎo)致財(cái)務(wù)費(fèi)用對(duì)凈利潤(rùn)產(chǎn)生侵蝕，而2018年違約事件主要是由外部現(xiàn)金流收縮帶來(lái)的資金接續(xù)出現(xiàn)困難引發(fā)。

（二）信用債違約的機(jī)理分析

1. 宏觀市場(chǎng)層面。

一是信用環(huán)境整體收縮，企業(yè)償債流動(dòng)性壓力加大。受監(jiān)管機(jī)構(gòu)去嵌套、控同業(yè)以及資管新規(guī)等政策落地實(shí)施的影響，市場(chǎng)間流動(dòng)性總量有所收縮，信用創(chuàng)造機(jī)制也相應(yīng)有所改變，低評(píng)級(jí)主體通過(guò)通道等方式獲得資金的可能性降低，導(dǎo)致償債的流動(dòng)性壓力大大增加。尤其是缺乏外部支持的民營(yíng)企業(yè)面臨更為嚴(yán)重的資金短缺局面。

二是無(wú)風(fēng)險(xiǎn)利率上升疊加債券回售大量到期，市場(chǎng)資金對(duì)信用債配置力度減弱。2017年4季度以來(lái)，利率債等無(wú)風(fēng)險(xiǎn)收益券種利率大幅走高，信用利差失去吸引力，導(dǎo)致機(jī)構(gòu)對(duì)利率債的配置加強(qiáng)，壓縮了信用債的配置空間。同時(shí)2018年信用債回售快速增長(zhǎng)，全年回售到期規(guī)模為1.16萬(wàn)億，較2017年增加1.5倍，對(duì)資金形成較大擠占?？捎觅Y金總額減少，疊加債券配置結(jié)構(gòu)性變化，信用債一級(jí)市場(chǎng)的資金供給減少，二級(jí)市場(chǎng)流動(dòng)性降低。作用于債券發(fā)行企業(yè)，表現(xiàn)為債券發(fā)行難度加大。

三是債務(wù)滾動(dòng)預(yù)期打破，低評(píng)級(jí)主體違約壓力相對(duì)較大。受風(fēng)險(xiǎn)案件頻發(fā)導(dǎo)致市場(chǎng)投資者風(fēng)險(xiǎn)偏好降低影響，2018年前6個(gè)月債券市場(chǎng)凈融資規(guī)模在不同信用級(jí)別的發(fā)行人之間出現(xiàn)分化，AA+級(jí)別以上發(fā)行人的債券凈融資有所上行，而AA級(jí)別發(fā)行人債券凈融資規(guī)模有所下降。數(shù)據(jù)顯示，2018年前6個(gè)月，AAA級(jí)發(fā)行人與AA+發(fā)行人凈融資規(guī)模分別為19047、919億元，AA級(jí)發(fā)行人則為-1137億元，呈現(xiàn)逆向萎縮態(tài)勢(shì)，反映了當(dāng)前市場(chǎng)對(duì)較低等級(jí)主體的投資傾向較低。

2. 微觀主體層面。

一是經(jīng)濟(jì)環(huán)境趨弱導(dǎo)致企業(yè)經(jīng)營(yíng)狀況下滑，自身造血功能趨弱。近年來(lái)，我國(guó)經(jīng)濟(jì)步入新常態(tài)，企業(yè)經(jīng)營(yíng)狀況有所下滑。發(fā)行人業(yè)務(wù)規(guī)模的擴(kuò)張并未帶來(lái)相應(yīng)的經(jīng)營(yíng)性現(xiàn)金流入。如2018年上半年違約的神霧環(huán)保、中安消兩家企業(yè)的現(xiàn)金回收率①指標(biāo)2016年以來(lái)均為負(fù)數(shù)。在當(dāng)前階段下，企業(yè)經(jīng)營(yíng)現(xiàn)金流產(chǎn)生能力趨弱，償債只能依賴外部融資接續(xù)，融資鏈條一旦斷裂，必然發(fā)生違約。

二是供給側(cè)改革的持續(xù)推進(jìn)使高杠桿難以維系。2016年前后機(jī)構(gòu)間資金面過(guò)于寬松，使得部分企業(yè)超額融資。違約發(fā)行人普遍存在業(yè)務(wù)擴(kuò)張和收購(gòu)子公司等擴(kuò)大資本性支出的現(xiàn)象，投資性現(xiàn)金流流出規(guī)模較大，但資產(chǎn)報(bào)酬率仍在低位。資本性支出的提高增加了企業(yè)對(duì)杠桿的依賴程度，導(dǎo)致企業(yè)“大而不強(qiáng)”。在2018年以來(lái)“緊信用”“強(qiáng)監(jiān)管”的政策環(huán)境以及去杠桿的供給側(cè)改革背景下，企業(yè)高杠桿難以維系，違約風(fēng)險(xiǎn)加大。

三是企業(yè)間互保風(fēng)險(xiǎn)的溢出效應(yīng)實(shí)質(zhì)加劇市場(chǎng)風(fēng)險(xiǎn)。當(dāng)前信貸市場(chǎng)以聯(lián)保方式開(kāi)展的保證貸款占比過(guò)半，一旦擔(dān)保圈中企業(yè)出險(xiǎn)，同圈企業(yè)同樣陷入流動(dòng)性困境。如2018年違約的富貴鳥(niǎo)企業(yè)由于存在大規(guī)模的違約擔(dān)保代償與資金拆借，收到當(dāng)?shù)刈C監(jiān)部門(mén)出具的警示函，導(dǎo)致公司流動(dòng)性狀況惡化，債券市場(chǎng)到期債務(wù)無(wú)法償還。這種企業(yè)間的互保風(fēng)險(xiǎn)通過(guò)信貸市場(chǎng)溢出至債券市場(chǎng)的情況不容忽視。

（三）基于中債國(guó)債指數(shù)和經(jīng)濟(jì)數(shù)據(jù)的信用債違約周期分析

信用債風(fēng)險(xiǎn)會(huì)受到經(jīng)濟(jì)基本面、政策基本面、資金面等眾多因素的影響，主要體現(xiàn)為信用風(fēng)險(xiǎn)和流動(dòng)性風(fēng)險(xiǎn)。經(jīng)濟(jì)周期決定了企業(yè)經(jīng)營(yíng)的大環(huán)境，對(duì)信用風(fēng)險(xiǎn)影響較大;貨幣周期決定了金融市場(chǎng)參與機(jī)構(gòu)的流動(dòng)性情況，對(duì)流動(dòng)性風(fēng)險(xiǎn)影響較大。信用債的風(fēng)險(xiǎn)形成，與所處的經(jīng)濟(jì)周期及貨幣周期息息相關(guān)。

本文采用中國(guó)科學(xué)院預(yù)測(cè)科學(xué)研究中心開(kāi)發(fā)的周期景氣模型對(duì)中債國(guó)債指數(shù)②、工業(yè)企業(yè)經(jīng)營(yíng)狀況③等指標(biāo)進(jìn)行分析判別，結(jié)果如表1。結(jié)合周期疊加情況來(lái)看，2016—2017年，經(jīng)濟(jì)周期低位回暖，貨幣周期高位回落，企業(yè)經(jīng)營(yíng)狀況較差，市場(chǎng)流動(dòng)性因?yàn)闀r(shí)滯效應(yīng)尚未傳導(dǎo)至實(shí)體經(jīng)濟(jì)部門(mén)，此周期疊加階段更多地表現(xiàn)為企業(yè)的信用風(fēng)險(xiǎn)。2018年以來(lái)貨幣周期雖處回暖階段，但受強(qiáng)監(jiān)管政策影響回暖較慢，總體流動(dòng)性仍處低位。經(jīng)濟(jì)周期在2017年10月份至周期峰值后仍處高位，短期來(lái)看，企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)較小。此周期疊加階段為經(jīng)濟(jì)周期峰值回落，貨幣周期低位徘徊，集中表現(xiàn)為流動(dòng)性約束導(dǎo)致的企業(yè)資金接續(xù)困難。

綜上分析，2018年的違約可以說(shuō)是在前期貨幣寬松、債市擴(kuò)容的背景下，實(shí)體企業(yè)過(guò)量融資的后遺癥。從外部因素看，強(qiáng)監(jiān)管壓力下融資環(huán)境收緊導(dǎo)致企業(yè)再融資難度增大，是違約事件集中爆發(fā)的主要原因;從內(nèi)部因素看，大部分發(fā)生違約發(fā)行人近年來(lái)自身經(jīng)營(yíng)性狀況下滑、資本性支出維持高位，企業(yè)對(duì)再融資償債依賴性提高，流動(dòng)性壓力加大是直接原因。

此外，2018年信用債市場(chǎng)違約更多體現(xiàn)為點(diǎn)狀違約對(duì)債券市場(chǎng)流動(dòng)性崩潰的擴(kuò)張效應(yīng)，已發(fā)生債券風(fēng)險(xiǎn)的企業(yè)對(duì)相對(duì)較好級(jí)別債券的負(fù)面聲譽(yù)影響明顯。最具代表性的是2018年信用債違約已經(jīng)導(dǎo)致AA級(jí)債券新券發(fā)行無(wú)人問(wèn)津。這一連鎖效應(yīng)反映了聲譽(yù)機(jī)制的極化表現(xiàn)：債市正面聲譽(yù)增加企業(yè)的流動(dòng)性博弈能力，反之亦然。值得注意的是，債券市場(chǎng)負(fù)面的聲譽(yù)存在加速效應(yīng)，極化情況下將導(dǎo)致債券市場(chǎng)信用凍結(jié)即流動(dòng)性崩潰。

三、基于FISHER判別法的風(fēng)險(xiǎn)因子甄別

債券違約作為剛兌打破后的大概率事件，可以用風(fēng)險(xiǎn)樣本來(lái)推斷總體特征。為判斷在當(dāng)前特定的周期環(huán)境下對(duì)信用債風(fēng)險(xiǎn)的影響，我們采用對(duì)比法，選用Fisher判別甄選債券市場(chǎng)企業(yè)風(fēng)險(xiǎn)的主要判別指標(biāo)。

（一）數(shù)據(jù)來(lái)源及指標(biāo)選取

結(jié)合前述債券違約機(jī)理的分析，本文主要運(yùn)用盈利能力、營(yíng)運(yùn)能力、償債能力和現(xiàn)金流動(dòng)性等方面的企業(yè)財(cái)務(wù)指標(biāo)來(lái)衡量企業(yè)整體資金和償債狀況，選取了13個(gè)指標(biāo)作為代理變量（見(jiàn)表2）。對(duì)比組樣本為AAA級(jí)優(yōu)質(zhì)企業(yè)209家、違約企業(yè)26家，數(shù)據(jù)選取2017年年報(bào)數(shù)據(jù)，在剔除城投債、缺失數(shù)據(jù)及存在異常數(shù)據(jù)的相關(guān)企業(yè)后，優(yōu)質(zhì)、違約組企業(yè)數(shù)量分別確定為164 家、24家。本文選取數(shù)據(jù)來(lái)源于萬(wàn)得數(shù)據(jù)庫(kù)，企業(yè)財(cái)務(wù)指標(biāo)時(shí)間為2017年末。

對(duì)優(yōu)質(zhì)和違約組企業(yè)的數(shù)據(jù)指標(biāo)進(jìn)行描述性統(tǒng)計(jì)，可得兩個(gè)組別中銷售毛利率的均值分別為24.84、23.79，方差為17.40、15.69，組間均值和方差未見(jiàn)明顯差別，基于分類判別規(guī)則，將該項(xiàng)指標(biāo)剔除，最終保留12個(gè)指標(biāo)進(jìn)行判別。這也正說(shuō)明了當(dāng)前信用債違約與企業(yè)經(jīng)營(yíng)差異相關(guān)性較小。

（二）Fisher判別函數(shù)構(gòu)建與樣本企業(yè)甄別

1. 模型檢驗(yàn)。判別分析是根據(jù)觀測(cè)到的企業(yè)指標(biāo)，對(duì)所研究的對(duì)象用數(shù)學(xué)方法定量地進(jìn)行分類的一種統(tǒng)計(jì)方法。本文選取Fisher分類判別方法，根據(jù)企業(yè)已經(jīng)披露的財(cái)務(wù)數(shù)據(jù)變量，以變量組內(nèi)方差最小、組間方差最大作為統(tǒng)計(jì)決策法則。通過(guò)將優(yōu)質(zhì)和違約兩個(gè)組別的企業(yè)進(jìn)行風(fēng)險(xiǎn)判別得出判別函數(shù)，并以此來(lái)甄別未分組企業(yè)的風(fēng)險(xiǎn)類別。根據(jù)模型的檢驗(yàn)結(jié)果來(lái)看（見(jiàn)表3），F(xiàn)isher判別函數(shù)在5%的置信水平下顯著，說(shuō)明優(yōu)質(zhì)與違約兩個(gè)組別的企業(yè)財(cái)務(wù)數(shù)據(jù)存在顯著性差異，可采用Fisher判別函數(shù)進(jìn)行區(qū)別分類。

2. 判別函數(shù)構(gòu)建。在模型檢驗(yàn)顯著的基礎(chǔ)上，本文利用Fisher判別函數(shù)對(duì)優(yōu)質(zhì)和違約企業(yè)進(jìn)行判別，得到標(biāo)準(zhǔn)化判別函數(shù)系數(shù)和非標(biāo)準(zhǔn)化判別函數(shù)系數(shù)，如表4?？梢?jiàn)，影響企業(yè)風(fēng)險(xiǎn)判別較大的指標(biāo)主要是流動(dòng)資產(chǎn)周轉(zhuǎn)率、速動(dòng)比率、總資產(chǎn)周轉(zhuǎn)率、現(xiàn)金債務(wù)比和總資產(chǎn)報(bào)酬率等5個(gè)指標(biāo)。其中前4個(gè)指標(biāo)均與企業(yè)資金流動(dòng)性相關(guān)，進(jìn)一步證實(shí)前述債務(wù)違約機(jī)理分析結(jié)論，即當(dāng)前影響信用債違約的因素中，資金接續(xù)和短期償債能力影響最大。

3. 進(jìn)行風(fēng)險(xiǎn)預(yù)警的基礎(chǔ)樣本企業(yè)甄別。在確定判別函數(shù)的基礎(chǔ)上，為進(jìn)一步識(shí)別債券市場(chǎng)企業(yè)的風(fēng)險(xiǎn)狀況，本文選取2018年6月末債券市場(chǎng)評(píng)級(jí)AA及以下和預(yù)期展望為負(fù)面的1180家企業(yè)作為待分組企業(yè)，剔除城投債以及數(shù)據(jù)異常和數(shù)據(jù)遺漏的企業(yè)后，待分組企業(yè)數(shù)量確定為1034家。通過(guò)標(biāo)準(zhǔn)化④及非標(biāo)準(zhǔn)化⑤兩種方式對(duì)分組企業(yè)進(jìn)行風(fēng)險(xiǎn)甄別，并據(jù)此劃分為相對(duì)安全組和潛在風(fēng)險(xiǎn)組，其中潛在風(fēng)險(xiǎn)組企業(yè)即為后續(xù)風(fēng)險(xiǎn)預(yù)警的基礎(chǔ)樣本企業(yè)。如表5所示，兩種方法判別結(jié)果相對(duì)一致，說(shuō)明判別準(zhǔn)確性較高。為盡可能全面反映企業(yè)風(fēng)險(xiǎn)狀況，采取孰多原則，即選取風(fēng)險(xiǎn)企業(yè)數(shù)量較多的非標(biāo)準(zhǔn)化判別方法作為甄別標(biāo)準(zhǔn)，篩選出2018年2季度末中國(guó)信用債市場(chǎng)潛在風(fēng)險(xiǎn)企業(yè)有532家，作為后續(xù)風(fēng)險(xiǎn)預(yù)警分析的基礎(chǔ)樣本企業(yè)。

四、基于KMV模型的信用債違約風(fēng)險(xiǎn)預(yù)警及識(shí)別

（一）KMV模型理論基礎(chǔ)及構(gòu)建

KMV模型的基本理論是，當(dāng)公司的資產(chǎn)價(jià)值低于一定水平時(shí)，公司就會(huì)對(duì)債權(quán)人和股東違約，與這一水平相對(duì)應(yīng)的資產(chǎn)價(jià)值為違約點(diǎn)。模型假設(shè)在某個(gè)給定的未來(lái)時(shí)期，公司資產(chǎn)價(jià)值服從某個(gè)分布，該分布的特征由資產(chǎn)價(jià)值的期望值與標(biāo)準(zhǔn)差進(jìn)行描述。未來(lái)資產(chǎn)價(jià)值的均值到所需清償公司負(fù)債的賬面價(jià)值之間的距離為違約距離。根據(jù)上述分析，由 Black-Scholes期權(quán)定價(jià)公式得：

上式中，E 為公司的股權(quán)價(jià)值，N（*）是累積正態(tài)分布函數(shù)，r 是無(wú)風(fēng)險(xiǎn)利率，τ是距離債務(wù)到期日 t 的時(shí)間長(zhǎng)度。其中，公司資產(chǎn)價(jià)值和資產(chǎn)價(jià)值波動(dòng)率是隱含變量，不能從市場(chǎng)上直接獲得。為求解出這兩個(gè)變量，還需要另外一個(gè)方程，為公司股票收益波動(dòng)率和公司資產(chǎn)價(jià)值波動(dòng)率之間的關(guān)系式，如下所示：

聯(lián)立以上方程，就可以求出公司資產(chǎn)價(jià)值和資產(chǎn)價(jià)值波動(dòng)率，進(jìn)而計(jì)算公司的違約距離DD如下：

（二）模型參數(shù)設(shè)定

由于KMV方法研究對(duì)象主要為上市企業(yè)，但532家潛在風(fēng)險(xiǎn)企業(yè)中大部分并未上市，需要對(duì)KMV模型中指標(biāo)進(jìn)行替代轉(zhuǎn)換。

企業(yè)股權(quán)價(jià)值指標(biāo)，本文用新三板市場(chǎng)分行業(yè)市凈率⑥與各自企業(yè)的凈資產(chǎn)相乘替代。企業(yè)股權(quán)波動(dòng)率，采用新三板市場(chǎng)最近一年的分行業(yè)股權(quán)波動(dòng)率進(jìn)行替代。負(fù)債面值B采用債券市場(chǎng)公司年度財(cái)務(wù)報(bào)表中的年度負(fù)債總值來(lái)進(jìn)行估計(jì)。債務(wù)期限τ，考慮到數(shù)據(jù)的合理性和研究違約概率的時(shí)間段，多數(shù)學(xué)者研究設(shè)定債務(wù)期限為一年，即τ=1。無(wú)風(fēng)險(xiǎn)利率r選取2018年1季度國(guó)債1年期收益率指標(biāo)，即r=3.159%。

違約點(diǎn)是判斷企業(yè)是否違約的關(guān)鍵因素，需考慮債務(wù)結(jié)構(gòu)，依據(jù)企業(yè)短期負(fù)債和長(zhǎng)期負(fù)債的組合配比來(lái)確定，計(jì)算公式為：

DPT=α企業(yè)短期負(fù)債+β企業(yè)長(zhǎng)期負(fù)債? ?（6）

按照國(guó)際通行的做法，一般采用“短期負(fù)債+長(zhǎng)期負(fù)債的一半”?？紤]到中國(guó)債券市場(chǎng)結(jié)構(gòu)與國(guó)際市場(chǎng)的差異，我們綜合考慮企業(yè)資產(chǎn)與債務(wù)的匹配關(guān)系和結(jié)構(gòu)來(lái)重新測(cè)算違約點(diǎn)。在此，選取前述優(yōu)質(zhì)組和違約組的企業(yè)總資產(chǎn)、短期負(fù)債和長(zhǎng)期負(fù)債指標(biāo)，通過(guò)建立多元回歸模型來(lái)確定違約點(diǎn)的系數(shù)值。根據(jù)多元回歸結(jié)果可以看到，短期負(fù)債和長(zhǎng)期負(fù)債的系數(shù)分別為1.869和1.402，均通過(guò)了1%置信水平下的顯著性檢驗(yàn)，因此，本文選取多元回歸的系數(shù)值來(lái)測(cè)算KMV模型的違約點(diǎn)。

（三）債券違約預(yù)警區(qū)間測(cè)算及風(fēng)險(xiǎn)企業(yè)判別

依據(jù)KMV各項(xiàng)參數(shù)指標(biāo)，本文測(cè)算了優(yōu)質(zhì)組和違約組企業(yè)的違約距離，并將兩個(gè)組別的違約距離以1為刻度進(jìn)行區(qū)間劃分，得出每個(gè)區(qū)間內(nèi)違約企業(yè)的數(shù)量和違約概率，最終得到違約區(qū)間與該區(qū)間內(nèi)實(shí)際違約概率的匹配關(guān)系圖（見(jiàn)圖3）。

由圖3可見(jiàn)，在整個(gè)違約區(qū)間的測(cè)度范圍內(nèi)，整體呈現(xiàn)違約距離與違約概率的反向關(guān)系，細(xì)化來(lái)看存在3個(gè)風(fēng)險(xiǎn)區(qū)間。DD<1時(shí)對(duì)應(yīng)的違約概率為2.13%，DD>10時(shí)對(duì)應(yīng)的違約概率降至0.53%，中間則呈現(xiàn)較大幅度的波動(dòng)性，尤其在區(qū)間（4，5）和（8，9）波動(dòng)更為劇烈。據(jù)此，我們根據(jù)信用債券的歷史違約狀況和測(cè)算出的違約距離分布情況，確定企業(yè)信用債違約的預(yù)警區(qū)間，即違約距離在（-∞，1）、（4，5）和（8，9）三個(gè)區(qū)間內(nèi)的違約企業(yè)數(shù)量最多，并以此為標(biāo)準(zhǔn)對(duì)532家潛在風(fēng)險(xiǎn)組企業(yè)的債務(wù)違約風(fēng)險(xiǎn)進(jìn)行量化評(píng)價(jià)，其中136家企業(yè)的違約距離值落于上述風(fēng)險(xiǎn)預(yù)警區(qū)間，判定為高風(fēng)險(xiǎn)企業(yè)，結(jié)果如表7。

（四）高風(fēng)險(xiǎn)企業(yè)的結(jié)構(gòu)化表現(xiàn)

1. 高風(fēng)險(xiǎn)企業(yè)集中于制造業(yè)與批零業(yè)。136家高風(fēng)險(xiǎn)企業(yè)分布于15個(gè)行業(yè)，其中制造業(yè)、批發(fā)零售業(yè)分別為62家、21家，占高風(fēng)險(xiǎn)企業(yè)總量比重分別為45.6%、15.4%。54家1級(jí)高風(fēng)險(xiǎn)企業(yè)中，制造業(yè)與批零業(yè)企業(yè)分別為11家、5家，占比分別為20.4%、9.3%。

2. 高風(fēng)險(xiǎn)企業(yè)地域分布“東多西少”。136家高風(fēng)險(xiǎn)企業(yè)在東部、中部、西部的數(shù)量分別為75家、37家、24家，東部省份出險(xiǎn)概率遠(yuǎn)大于中西部省份。

3. 高風(fēng)險(xiǎn)企業(yè)主要為民企和地方國(guó)企。136家高風(fēng)險(xiǎn)企業(yè)中有50家上市企業(yè)，占比36.8%。從所有制性質(zhì)看，高風(fēng)險(xiǎn)企業(yè)集中于民企及地方國(guó)有企業(yè)，分別為67家、45家，占風(fēng)險(xiǎn)企業(yè)總量比重為49.3%、33.1%。其中1級(jí)高風(fēng)險(xiǎn)的54家企業(yè)同樣集中于民企與地方國(guó)企，二者合計(jì)42家，占比77.8%。

（五）債券市場(chǎng)風(fēng)險(xiǎn)展望

136家高風(fēng)險(xiǎn)企業(yè)中有364只債券尚未到期，金額合計(jì)2161億元，集中于公司債、企業(yè)債、中期票據(jù)等幾個(gè)品種，其中公司債173只、占比47.5%，企業(yè)債53只、占比14.6%，中期票據(jù)48只、占比13.2%。從債券到期時(shí)間來(lái)看，2018年下半年到期71只、359億元，2019年到期124只、700億元。從具體到期債券數(shù)量分布來(lái)看，2018年4季度至2019年到期較為集中，違約壓力較大。

雖然高風(fēng)險(xiǎn)債券的絕對(duì)值數(shù)量較大，但占比來(lái)看相對(duì)較小，只數(shù)占比為1.8%、金額占比為1%⑧，遠(yuǎn)小于信貸市場(chǎng)風(fēng)險(xiǎn)。從債券市場(chǎng)的風(fēng)險(xiǎn)收益來(lái)看，當(dāng)前信用債的預(yù)期收益率在5%以上，遠(yuǎn)大于1%的風(fēng)險(xiǎn)概率，信用債市場(chǎng)風(fēng)險(xiǎn)可被吸收覆蓋。

五、政策建議

（一）引導(dǎo)企業(yè)合理擴(kuò)張，減弱對(duì)債務(wù)杠桿的依賴

大多數(shù)違約是由發(fā)債企業(yè)以往在經(jīng)濟(jì)擴(kuò)張周期對(duì)未來(lái)過(guò)于樂(lè)觀的預(yù)期并盲目投資造成的。引導(dǎo)發(fā)債企業(yè)對(duì)自身負(fù)債能力和未來(lái)的前景有謹(jǐn)慎的充分評(píng)估，包括宏觀經(jīng)濟(jì)、國(guó)際市場(chǎng)、行業(yè)周期等，使企業(yè)從根源上擺脫對(duì)外部融資渠道的債務(wù)依賴，同時(shí)合理降低企業(yè)杠桿。

（二）提高債券市場(chǎng)透明度，強(qiáng)化披露監(jiān)管

當(dāng)前雖然信息披露制度形式完備，但企業(yè)當(dāng)前執(zhí)行力不足，披露質(zhì)量不佳。如企業(yè)部分業(yè)務(wù)或子公司有任何風(fēng)險(xiǎn)苗頭，企業(yè)通過(guò)發(fā)行公告規(guī)避財(cái)務(wù)報(bào)表等披露。這使得投資者無(wú)法及時(shí)準(zhǔn)確地獲得企業(yè)經(jīng)營(yíng)信息。應(yīng)加強(qiáng)對(duì)信息披露的監(jiān)管力度，以維護(hù)市場(chǎng)合規(guī)有序發(fā)展。

（三）建立重點(diǎn)行業(yè)、重點(diǎn)時(shí)段債券違約的預(yù)警應(yīng)對(duì)機(jī)制

根據(jù)制造業(yè)、批零業(yè)風(fēng)險(xiǎn)集聚的特征，建立債券違約風(fēng)險(xiǎn)預(yù)警機(jī)制，對(duì)風(fēng)險(xiǎn)高發(fā)行業(yè)的市場(chǎng)主體運(yùn)行狀況進(jìn)行持續(xù)監(jiān)測(cè)。針對(duì)2018年下半年及2019年的風(fēng)險(xiǎn)高發(fā)期，做好風(fēng)險(xiǎn)應(yīng)急預(yù)案，引導(dǎo)企業(yè)合理進(jìn)行資金配置，全方位多角度做好資金融通工作，緩解資金接續(xù)壓力。

（四）積極穩(wěn)妥做好風(fēng)險(xiǎn)處置，防止風(fēng)險(xiǎn)疊加共振

隨著債券市場(chǎng)的發(fā)展，“剛兌”逐漸被打破，可以使得債券市場(chǎng)恢復(fù)風(fēng)險(xiǎn)資產(chǎn)管理的本質(zhì)。對(duì)已出險(xiǎn)企業(yè)建立事前、事中、事后的處置機(jī)制，迅速采取行動(dòng)控制投資者的損失規(guī)模，并對(duì)風(fēng)險(xiǎn)企業(yè)實(shí)行有效隔離，避免單個(gè)風(fēng)險(xiǎn)引發(fā)系統(tǒng)性或區(qū)域性風(fēng)險(xiǎn)的可能。

注：

①現(xiàn)金回收率=經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流/期末資產(chǎn)總額。

②從貨幣周期看，國(guó)債收益率作為無(wú)風(fēng)險(xiǎn)收益率已經(jīng)成為債券市場(chǎng)其他品種的“錨”，該指標(biāo)變動(dòng)更多反映了市場(chǎng)流動(dòng)性情況，因此我們選用中央結(jié)算公司創(chuàng)設(shè)的中債國(guó)債綜合凈價(jià)指數(shù)，輔以M2指標(biāo)進(jìn)行綜合判別。該指數(shù)自發(fā)布后，作為國(guó)債的全樣本債券指數(shù)，能夠客觀地反映市場(chǎng)國(guó)債的總體運(yùn)行狀況，已經(jīng)被學(xué)界廣泛采用作為市場(chǎng)流動(dòng)性的判斷依據(jù)。中債國(guó)債凈價(jià)指數(shù)描述了國(guó)債的折現(xiàn)凈價(jià)值，指數(shù)上升，說(shuō)明折現(xiàn)利率較低，市場(chǎng)流動(dòng)性充裕。

③以經(jīng)濟(jì)周期看，目前國(guó)內(nèi)較多采用的衡量指標(biāo)是GDP增速，但指標(biāo)由于受到政府宏觀經(jīng)濟(jì)管理政策的影響而鈍化，因此在中長(zhǎng)期經(jīng)濟(jì)周期的判定上效果較好，對(duì)與金融環(huán)境更直接的經(jīng)濟(jì)短期波動(dòng)的判斷效果有限。因此本文對(duì)經(jīng)濟(jì)周期識(shí)別時(shí)以工業(yè)企業(yè)利潤(rùn)同比增速為基礎(chǔ)，結(jié)合工業(yè)增加值和固定資產(chǎn)投資進(jìn)行綜合分析。

④標(biāo)準(zhǔn)化判別方法及標(biāo)準(zhǔn)：將待分組企業(yè)財(cái)務(wù)數(shù)據(jù)分別代入標(biāo)準(zhǔn)化判別中的違約企業(yè)判別函數(shù)以及優(yōu)質(zhì)企業(yè)判別函數(shù)，哪一個(gè)函數(shù)值較大，就判為偏向于哪一類組別的企業(yè)。

⑤非標(biāo)準(zhǔn)化判別方法及標(biāo)準(zhǔn)：首先將兩組均值代入函數(shù)式，得到優(yōu)質(zhì)組與違約組的均值重心分別為F1=0.99、F2=-0.147，根據(jù)完全對(duì)稱原則確定最佳判定點(diǎn)，即F*=（F1+F2）/2=0.421。將待分組企業(yè)財(cái)務(wù)數(shù)據(jù)帶入判別函數(shù)，計(jì)算函數(shù)值F，當(dāng)F>F*時(shí)，判為偏向違約的企業(yè)，稱為“潛在風(fēng)險(xiǎn)企業(yè)”;當(dāng)F

⑥考慮到潛在風(fēng)險(xiǎn)企業(yè)多為非上市企業(yè)，且企業(yè)評(píng)級(jí)和資質(zhì)不高，因此采用新三板市場(chǎng)而非主板市場(chǎng)的行業(yè)市凈率。

⑦在預(yù)警區(qū)間內(nèi)的風(fēng)險(xiǎn)企業(yè)，按照違約距離大小進(jìn)行風(fēng)險(xiǎn)級(jí)別的識(shí)別，分為1—3級(jí)，其中1級(jí)風(fēng)險(xiǎn)最高。

⑧截至2018年6月末債券市場(chǎng)信用債存量債券有20195只、金額合計(jì)21萬(wàn)億。

參考文獻(xiàn)：

[1]Merton R C. 1974. On the Pricing of Corporate Debt： the Risk Structure of Interest Rate.Journalof Finance，（29）.

[2]Moore，G.H. 1961. Business Cycle Indicators， vol.2. Princeton，NJ： Princeton Univ.

[3]E.T.Altman. 1968. Financial Ratios，Discriminant Anaiysis and the Prediction of Corporate Failure，Jouranl of Finance，（9）.

[4]宋美喆，胡丕吉.貨幣周期視角下債券市場(chǎng)信用風(fēng)險(xiǎn)門(mén)檻效應(yīng)及調(diào)控策略選擇[J].金融理論與實(shí)踐，2018（4）.

[5]戴國(guó)強(qiáng)，孫新寶.我國(guó)企業(yè)債券信用利差宏觀決定因素研究[J].財(cái)經(jīng)研究，2011，（12）.

[6]郭曄， 黃振， 王蘊(yùn). 未預(yù)期貨幣政策與企業(yè)債券信用利差——基于固浮利差分解的研究[J]. 金融研究， 2016，（6）.

[7]紀(jì)志宏，曹媛媛.信用風(fēng)險(xiǎn)溢價(jià)還是市場(chǎng)流動(dòng)性溢價(jià)：基于中國(guó)信用債定價(jià)的實(shí)證研究[J].金融研究，2017，（2）.

[8]姚頤， 趙梅. 中國(guó)式風(fēng)險(xiǎn)披露、披露水平與市場(chǎng)反應(yīng)[J].經(jīng)濟(jì)研究， 2016，（7）.

[9]王亞軍，王樹(shù)進(jìn).基于商業(yè)周期視角的債券信用利差影響因素分析[J].統(tǒng)計(jì)與決策，2017，（23）.

[10]俞寧子，劉斯峰，歐陽(yáng)炎力，陳綠原.債券違約風(fēng)險(xiǎn)預(yù)警模型探究[J].中國(guó)市場(chǎng)，2016，（39）.

[11]蔣書(shū)彬.違約發(fā)債主體財(cái)務(wù)指標(biāo)特征研究[J].債券，2016，（6）.

[12]徐慧玲，吳博源.股權(quán)集中與投資者利益保護(hù)——基于我國(guó)上市公司的實(shí)證分析[J].武漢金融，2018，（4）.

[13]霍雨佳.判別公司債券違約風(fēng)險(xiǎn)的財(cái)務(wù)指標(biāo)研究[J].會(huì)計(jì)之友，2016，（21）.

[14]蔣彧，高瑜.基于KMV模型的中國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)估研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015，（9）.

[15]周海赟，王曉芳.地方政府債券信用風(fēng)險(xiǎn)研究——基于改進(jìn)的KMV模型[J].審計(jì)與經(jīng)濟(jì)研究，2015，（4）.