【民營企業(yè)債券信用風(fēng)險影響因素的實證研究10000字】

民營企業(yè)債券信用風(fēng)險影響因素的實證研究目錄TOC\o"1-3"\h\u175201緒論 116751.1研究背景和意義 1285541.2文獻綜述 4212481.2.1債券信用風(fēng)險影響因素 4165421.2.2債券信用風(fēng)險度量 5236021.2.3文獻評述 658511.3研究內(nèi)容和方法 6201322理論分析 8392.1民營企業(yè)債券信用風(fēng)險相關(guān)影響因素 8287932.1.1微觀因素 888722.1.2宏觀因素 8264942.2民營企業(yè)債券信用風(fēng)險預(yù)警模型理論 9276762.2.1傳統(tǒng)分析法 9163912.2.2現(xiàn)代分析法 1053512.3.3高級計量模型法 106573模型構(gòu)建 1266903.1變量選取及數(shù)據(jù)來源 123693.2事前檢驗 1247253.3確定因子個數(shù)和含義 13224673.4構(gòu)建判別模型 14305183.5結(jié)果驗證 153734結(jié)論及建議 16176374.1研究結(jié)論 16164464.1.1民營企業(yè)債券信用風(fēng)險特征及影響因素 16308904.1.2風(fēng)險預(yù)警模型的構(gòu)建 1675974.2政策建議 1668414.2.1發(fā)行者 1667904.2.2投資者 16175974.2.3監(jiān)管者 17240504.3不足 1719643參考文獻 181緒論1.1研究背景和意義自80年代國債發(fā)行開始?xì)v經(jīng)幾十年的發(fā)展，中國債券市場逐步形成了擁有國債、公司債、ABS等各類品種的完整市場體系。截至2021年，存續(xù)債券余額總計114萬億元，信用債余額達27萬億元，債券融資已經(jīng)成為企業(yè)重要的融資方式。中國債券市場曾長期存在著“兜底”的現(xiàn)象，然而受到GDP增速持續(xù)下降、人口紅利不斷減弱等因素影響，中國債券市場信用風(fēng)險迅速累積。信用債是指政府之外的主體發(fā)行的、約定了確定的本息償付現(xiàn)金流的債券。具體包括企業(yè)債、公司債、短期融資券、中期票據(jù)、分離交易可轉(zhuǎn)債、資產(chǎn)支持證券、次級債等品種。根據(jù)Wind數(shù)據(jù)，2020年信用債全年發(fā)行量達11.8萬億元，凈融資額3.1萬億元。從數(shù)據(jù)看不難發(fā)現(xiàn)，我國信用債規(guī)模巨大—已經(jīng)居于全球第二水平，儼然債券已經(jīng)成為我國實體企業(yè)融資的關(guān)鍵方式。但是，隨著2014年我國首支公募債券違約事件的發(fā)生—即當(dāng)年3月上海超日太陽能科技股份有限公司的“11超日債”違約，我國信用債券違約發(fā)生的頻率大大提高，信用債違約主體數(shù)量不斷提高，債券總體違約規(guī)模不斷擴大。2014年以后，債券違約規(guī)模不斷擴大，特別是2017年以后，受經(jīng)濟增速下滑、地方財政緊張、中美貿(mào)易戰(zhàn)等因素影響，疊加經(jīng)濟周期下行，中國信用債違約集中爆發(fā)。2020年10月華晨汽車和永城煤電兩家AAA級信用企業(yè)的違約，引起了我國債券市場的大面積波動，國有企業(yè)信用權(quán)威被打破，投資者信心受挫，信用債市場迎來至暗時刻。如圖1-1所示，違約債券由2014年的6只13.4億元，擴大到2020年150只1697億元；其中2018-2020年違約債券規(guī)模達4406億元，占總計5245億元的84%。圖1-12014-2020年債券違約金額和只數(shù)資料來源：南財智庫與此同時，隨著銀行利率的提高，從客觀上使公司的融資成本增加了并使公司利潤降低了，間接上使民營企業(yè)的違約風(fēng)險上升。2018年以來，我國進一步加強了金融監(jiān)管，信用緊縮使金融風(fēng)險釋放，加大了企業(yè)融資壓力。2015年至2019年，民營企業(yè)債券無論是違約金額還是違約規(guī)模均呈現(xiàn)上漲趨勢，特別是違約金額方面上升尤為劇烈。2018年，在金融去杠桿的背景下，公司再融資壓力日益加劇，迫使越來越多的民營企業(yè)出現(xiàn)了頻繁的債券違約事件。在下圖1-2中，從違約主體的角度來看，2020年之前企業(yè)違約主要是民營，之后國企違約風(fēng)險明顯上升。從違約率角度能看出，截止到2020年，民營企業(yè)在我國公募債券市場中的違約率仍最高，但較2019年大幅下降，國有企業(yè)違約率較2019年有所上升。從數(shù)據(jù)可見，2020年民企債違約余額為1079.14億元，國企債違約余額為972.83億元。2020年國企的信用風(fēng)險明顯提高，雖然民營企業(yè)違約主體數(shù)量仍是最大，但其信用風(fēng)險有所緩解。圖1-2國企\民營違約債券余額資料來源：南財智庫從圖1-3中公募債券市場平均違約率的角度看，近七年我國債券市場違約的“高發(fā)地”一直是民營企業(yè)。民營企業(yè)違約風(fēng)險的積聚，是由于近兩年民營企業(yè)造價、暴雷事件等，使得再一次增添了市場投資人對國企的偏愛，此外，機構(gòu)在之前的一段時間里抱團國企債，導(dǎo)致監(jiān)管層可能對國有企業(yè)的違約風(fēng)險的篩選在一定程度上有所缺陷，使一些資質(zhì)較低主體擁有了相對充足的資金供應(yīng)。因此在2019年底，國企違約債券比例急劇上升。圖1-32014年—2020年我國公募債券市場分企業(yè)類型違約主體家數(shù)及違約率統(tǒng)計資料來源：聯(lián)合資信cos系統(tǒng)除此之外，評級對于判定債券違約風(fēng)險的有效性趨于下降。在2014-2020年發(fā)生違約的582只債券中，有102只債券的評級在A-1（評級機構(gòu)認(rèn)定“償還債務(wù)能力較強”）及以上，占比達18%；特別是2018年以來，頻繁出現(xiàn)AA甚至是AAA級債券違約，而評級機構(gòu)往往在事后迅速下調(diào)評級，這使得評級的有效性和預(yù)警功能無法充分發(fā)揮。因此，本文通過對民營企業(yè)債券信用風(fēng)險影響因素的研究，有助于監(jiān)管者更加合理有效地評估發(fā)債企業(yè)信用風(fēng)險狀況，及時對民營企業(yè)債券信用風(fēng)險做出反應(yīng)，減少債券違約事件的發(fā)生。1.2文獻綜述1.2.1債券信用風(fēng)險影響因素國外債券市場起步早、成熟度高，債券違約事件早已有之。學(xué)者從多個角度對債券信用風(fēng)險度量和影響因素進行了廣泛的研究，為本文的研究提供了堅實的基礎(chǔ)。自“11超日債”首次違約以來，債券違約屢見不鮮，國內(nèi)有關(guān)債券違約的案例研究也日益豐富。導(dǎo)致發(fā)債公司出現(xiàn)債券信用風(fēng)險的因素是多方面的，F(xiàn)anYu（2005）認(rèn)為債券信用風(fēng)險主要來源于發(fā)債公司信息不對稱。Acharya（2007）分析指出，行業(yè)整體狀況的下行會使公司的資產(chǎn)價值受損，應(yīng)對風(fēng)險能力下降，更容易發(fā)生違約。Christopher（2010）分析指出，凈資產(chǎn)在企業(yè)資產(chǎn)規(guī)模中占比越高，債券信用風(fēng)險越低。Kuehn和Schmid（2011）研究表明，債券的違約風(fēng)險的增加與經(jīng)濟形勢有關(guān)。Kay等（2011）采集1866-2008年債券違約數(shù)據(jù)，使用區(qū)制轉(zhuǎn)換模型對超過150年的數(shù)據(jù)分析，指出GDP增長率、股票收益率及其波動率等因素能有效預(yù)測債券違約，但信用風(fēng)險溢價卻不能有效預(yù)測債券違約。羅維（2014）以“14超日債”違約為案例，分析超日公司財務(wù)數(shù)據(jù)，發(fā)現(xiàn)超日公司在債券違約前4年時間，已經(jīng)出現(xiàn)債務(wù)上升過快、營業(yè)收入急劇下降、流動性嚴(yán)重不足等現(xiàn)象。李煒（2016）分析指出，債券信用風(fēng)險的根本原因是公司治理水平低下，對財務(wù)風(fēng)險重視不夠，債券發(fā)行時保障措施不完善。陳文杰等（2017）指出，2014年以來債券信用風(fēng)險快速顯現(xiàn)主要有以下原因：一是宏觀經(jīng)濟下行，公司利潤率下降；二是剛性兌付逐漸被打破；三是2008年金融危機時推出的4萬億刺激政策使部分行業(yè)出現(xiàn)嚴(yán)重產(chǎn)能過剩；四是銀行信貸收緊致使企業(yè)資金緊張問題加劇。1.2.2債券信用風(fēng)險度量傳統(tǒng)分析中往往采用定性方法度量債券信用風(fēng)險，如“5C”、“5W”、專家打分等。在定量研究方面，Beaver（1966）采集100多家公司的30個財務(wù)指標(biāo)作為樣本數(shù)據(jù)，分組研究表明資產(chǎn)負(fù)債率預(yù)測公司違約風(fēng)險效果最好。Altman（1968）為對公司破產(chǎn)風(fēng)險進行量化，經(jīng)分析選定5個指標(biāo)：營運資產(chǎn)、營業(yè)收入、EBIT和利潤留存4個指標(biāo)占總資產(chǎn)比重、凈資產(chǎn)/負(fù)債；通過這些指標(biāo)構(gòu)建Z值模型；1977年，Altman從原Z值模型的5個因素擴展到公司流動性、償債能力、留存收益、盈利能力等7個方面，據(jù)此構(gòu)建了ZETA模型；2000年，Altman調(diào)整了原Z值公式，公式預(yù)測的準(zhǔn)確性有所提高，且可用于非上市公司。Black和Scholes（1973）、Merton（1974）提出期權(quán)定價理論。投資公司所承擔(dān)的是有限責(zé)任，而獲得的收益在理論上無上限，因此可將投資公司看作虧損有限而收益無限的期權(quán)；當(dāng)負(fù)債價值大于資產(chǎn)時，股權(quán)價值數(shù)值上將為負(fù)，債務(wù)就會出現(xiàn)違約。Martin（1977）利用Logit模型對債券違約概率進行計量，并在與各類模型比較中得出結(jié)論，認(rèn)為Logit模型的預(yù)測更為準(zhǔn)確。在近30年所提出的現(xiàn)代債券違約高級計量模型中，CreditMetrics模型和KMV模型使用較廣泛。J.P.Morgan基于信用評級提出了風(fēng)險評估模型——CreditMetrics模型；而KMV公司構(gòu)建的債券信用風(fēng)險計量模型，其理論根基是期權(quán)定價理論。段霞（2012）以240家發(fā)債企業(yè)為樣本，評價各類債券信用風(fēng)險模型在中國的使用效果；結(jié)果顯示Z值模型較KMV模型更適宜于中國債市。蔣或等（2015）使用修正KMV模型分析債券信用風(fēng)險，研究表明修正后的KMV模型有效性較高。童欣悅（2018）以天威中票違約事件為例，使用Z值模型構(gòu)建債券違約指標(biāo)預(yù)警體系。綜合財務(wù)指標(biāo)來看，Z值模型可以較早對風(fēng)險變動作出提示。仇民樂（2019）以永泰能源為例，特針對民營企業(yè)債券違約成因及財務(wù)預(yù)警展開研究，使用Z值模型進行實證檢驗，可以有效對債券違約進行預(yù)警。但債券市場信息傳遞機制不暢，債券信用評級普遍存在虛高現(xiàn)象，這些因素導(dǎo)致投資者難以及時識別債券信用風(fēng)險。陳毓敏等（2020）提出4種債券違約預(yù)警信號：財務(wù)指標(biāo)、債券價格、輿情、投基金持倉，指出基于機器學(xué)習(xí)的財務(wù)指標(biāo)預(yù)警無論在領(lǐng)先性、準(zhǔn)確性、覆蓋率上均為最優(yōu)?；粲昙眩?020）、蓬若曦（2020）基于因子分析法對A股上市公司債券構(gòu)建多元線性判別模型，并進行回代驗證，表明基于因子分析法的債券違約判別模型可以有效識別違約債券。章璐琳（2020）使用Logit模型對2014-2019年債券違約進行預(yù)警建模，綜合考慮宏觀經(jīng)濟、企業(yè)償債能力等18個指標(biāo)構(gòu)建模型。劉律康（2021）利用集成學(xué)習(xí)算法，使用XGBoost提升樹模型，對2014-2019年非金融企業(yè)信用債違約進行建模研究，模型在預(yù)警率、準(zhǔn)確率、覆蓋率等多方面均有較好的表現(xiàn)。1.2.3文獻評述本文的文獻綜述主要從債券信用風(fēng)險的影響因素及風(fēng)險度量兩方面入手，對國內(nèi)外相關(guān)文獻進行整理歸納。通過整理，發(fā)現(xiàn)我國當(dāng)前大多數(shù)債券違約理論都是基于國外已有理論不斷發(fā)展，相對于國外理論，我國相關(guān)理論存在著一定的滯后性。此外，我國學(xué)者對債券信用風(fēng)險的研究更加偏向債券市場整體，研究債券市場體制機制、監(jiān)管狀況、信息不對稱等方面。關(guān)于債券信用風(fēng)險影響因素與預(yù)警的研究，國外學(xué)者研究較為豐富，研究內(nèi)容較為廣泛，除了常見的影響債券違約的因素，也從微觀個體的心理出發(fā)，考慮投資者的情緒變動。國內(nèi)學(xué)者更側(cè)重于企業(yè)的財務(wù)指標(biāo)、行業(yè)因素等，尚未根據(jù)我國債券市場具體情形建立起一套完整的預(yù)警框架，這是我國債券信用風(fēng)險預(yù)警研究中需要解決的問題。1.3研究內(nèi)容和方法基于上文所述，本文試圖分析民營企業(yè)債券信用風(fēng)險的影響因素，進行理論分析，最后通過樣本數(shù)據(jù)構(gòu)建預(yù)警模型。本文采取因子分析法和Fisher判別法構(gòu)建預(yù)警模型，全文分四部分：第一部分為緒論。分析我國債券違約的現(xiàn)狀，從國內(nèi)外分別總結(jié)債券信用風(fēng)險影響因素、風(fēng)險度量等相關(guān)文獻，闡述課題研究意義。第二部分為理論分析。針對債券信用風(fēng)險理論和相關(guān)影響因素分別展開論述。第三部分為模型構(gòu)建。采用2020年發(fā)生債券違約的17家民營上市公司作為違約樣本，選擇未發(fā)生債券違約的17家同類上市公司作為對照樣本。從償債能力、盈利能力等各方面選取14個原始指標(biāo)，考察企業(yè)信用風(fēng)險狀況。首先使用KMO和Bartlett檢驗觀察樣本是否可用因子分析法，其次使用因子分析法篩選公因子；之后對樣本數(shù)據(jù)進行Fisher判別法有效性檢驗，最后利用公因子構(gòu)建預(yù)警模型。模型構(gòu)建后，將樣本數(shù)據(jù)進行回代，觀察預(yù)警模型的判別效果。第四部分為結(jié)論。通過預(yù)警模型及回代檢驗結(jié)果，分別對債券發(fā)行企業(yè)、監(jiān)管者和投資者提出建議，同時指出本文研究的不足之處。本文使用以下方法展開研究：（1）文獻研究法。在閱讀、整理相關(guān)文獻的基礎(chǔ)上，總結(jié)了民營企業(yè)債券信用風(fēng)險相關(guān)理論以及民營企業(yè)債券信用風(fēng)險預(yù)警模型等內(nèi)容，尋找本次研究的著手之處。（2）實證分析法。采用因子分析法和Fisher判別法對樣本數(shù)據(jù)進行實證檢驗，分析不同指標(biāo)對民營企業(yè)債券信用風(fēng)險的影響程度，據(jù)此構(gòu)建風(fēng)險預(yù)警模型。

2理論分析2.1民營企業(yè)債券信用風(fēng)險相關(guān)影響因素2.1.1微觀因素微觀因素主要指企業(yè)經(jīng)營狀況對信用風(fēng)險的影響，通過財務(wù)數(shù)據(jù)體現(xiàn)。通過對民營企業(yè)債券違約情況的觀察，并參考前人研究，本文認(rèn)為微觀因素主要有4個方面：盈利能力、償債能力、營運能力、發(fā)展能力。盈利能力是反映企業(yè)信用風(fēng)險的基礎(chǔ)指標(biāo)，也是企業(yè)償債能力最根本的來源，主要從盈利水平和穩(wěn)定性、可持續(xù)性上考察，主要指標(biāo)包含凈資產(chǎn)收益率等。償債能力考察自由現(xiàn)金水平是否足以還本付息，主要指標(biāo)有現(xiàn)金流量比（該指標(biāo)考察短期償債能力）、利息保障倍數(shù)和現(xiàn)金流量利息保障倍數(shù)（二者皆考察債務(wù)利息償還能力，該指標(biāo)更偏重于考察現(xiàn)金流水平）、資產(chǎn)負(fù)債率（該指標(biāo)可以反映企業(yè)融資和發(fā)展的模式，一般用于考察長期償債能力，但近年來企業(yè)負(fù)債水平普遍較高，該指標(biāo)對民營企業(yè)債券信用風(fēng)險的區(qū)分度在弱化）。營運能力考察企業(yè)利用自身資產(chǎn)進行周轉(zhuǎn)運行、創(chuàng)造利潤的能力，反映了企業(yè)各類資產(chǎn)從購進、投產(chǎn)到回籠資金的速度；營運能力直接影響現(xiàn)金流水平。主要使用的指標(biāo)有總資產(chǎn)周轉(zhuǎn)率、不確定性較強的應(yīng)收帳款等的周轉(zhuǎn)率。發(fā)展能力即企業(yè)擴大經(jīng)營規(guī)模，進行再生產(chǎn)的能力，實質(zhì)是考察企業(yè)價值創(chuàng)造和可持續(xù)增長的能力。如果企業(yè)發(fā)展能力較強，那么企業(yè)更容易提高市場占有率，進一步提高盈利能力和現(xiàn)金流水平，降低民營企業(yè)債券信用風(fēng)險?？疾炱髽I(yè)發(fā)展能力的核心指標(biāo)是增長率。2.1.2宏觀因素中國經(jīng)濟在加入世貿(mào)組織后經(jīng)歷了長達10年的飛速發(fā)展后，原有人口紅利減弱、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型難度大，疊加經(jīng)濟周期下行，加之供給側(cè)改革的陣痛，各行業(yè)的發(fā)展壓力逐漸加大。如圖2-1所示，隨著GDP增長率下降，債券違約金額急劇增長，GDP增長率和債券違約金額呈明顯的負(fù)相關(guān)。圖2-12014-2020年中國GDP增長率和債券違約金額數(shù)據(jù)來源：Wind數(shù)據(jù)庫此外，債券違約主體的所處行業(yè)以建筑工程、化工、鋼鐵、機械、煤炭等強周期性或易受政策影響的行業(yè)為主，綜合類公司數(shù)量也較多，分布在以上行業(yè)的違約主體共94個，占205個違約主體的45.8%。這印證了經(jīng)濟周期的下行和經(jīng)濟整體風(fēng)險的上升。2.2民營企業(yè)債券信用風(fēng)險預(yù)警模型理論在對大量文章進行梳理，總結(jié)相關(guān)理論的基礎(chǔ)上，對民營企業(yè)債券信用風(fēng)險的度量，從時間來看可以分為三個進程：第一是基于定性分析的傳統(tǒng)分析法，第二是基于定量模型的現(xiàn)代分析法，第三是風(fēng)險的高級計量模型法。2.2.1傳統(tǒng)分析法傳統(tǒng)分析法即對民營企業(yè)債券信用風(fēng)險的分析主要由定性分析而得，通常由經(jīng)驗豐富的專業(yè)人士人工進行風(fēng)險評估，主要包括5C分析法、5W分析法和信用評分法。5C分析法是經(jīng)典的專家打分法，是國外銀行總結(jié)出的影響信用風(fēng)險的5C原則，即：品質(zhì)（character）、能力（capacity）、資本（capital）、抵押（collateral）、條件（condition）。5C分析法雖然簡單，但覆蓋面廣泛，可以有效的地對企業(yè)信用風(fēng)險進行定性評估。某些銀行將信用風(fēng)險要素歸結(jié)為5W因素，借款人（who）、期限（when）、借款目的（why）、擔(dān)保（what）、還款方式（how）；信用風(fēng)險也可用“5P”概括：即目的（purpose）、償還（payment）、保障（protection）、前景（perspective）、個人因素（personal）。信用評分法是對5C分析法的一種升級。信用分析法主要通過考察某些指標(biāo)表現(xiàn)，對企業(yè)的信用等級進行打分，而后根據(jù)不同的信用等級對企業(yè)采取不同的貸款政策。但信用評分法仍然是以人為判斷為主，未曾建立起明確的指標(biāo)權(quán)重體系，因此仍屬于定性分析法。2.2.2現(xiàn)代分析法隨著經(jīng)濟社會發(fā)展的不斷深化，金融市場需要更加精細(xì)化的風(fēng)險評估，傳統(tǒng)的定性分析法已不能滿足市場的需求。因此各國學(xué)者以計量經(jīng)濟學(xué)為基礎(chǔ)引入現(xiàn)代定量分析法，構(gòu)建較為簡易的債券違約風(fēng)險度量模型，主要包括Logistic模型、Probit模型、Fisher線性判別模型、Z值模型等。當(dāng)因變量為分類變量（在債券違約中即違約或不違約）且自變量（影響因素）與因變量呈非線性關(guān)系，探索因變量與某些自變量之間的關(guān)系時常用Logistic模型。Probit模型形式上與Logistic模型較為相似，也可用于信用風(fēng)險研究，但要求樣本數(shù)據(jù)必須滿足正態(tài)分布。Fisher線性判別模型則擅長于“降維”。當(dāng)變量很多時，F(xiàn)isher模型可將降低數(shù)據(jù)維度，通過尋找不同類數(shù)據(jù)之間的區(qū)別，確定劃分標(biāo)準(zhǔn)，將各類樣本數(shù)據(jù)劃分為不同類型，使同類數(shù)據(jù)盡可能接近。2.3.3高級計量模型法高級計量模型誕生于90年代，由各商業(yè)銀行和其他金融機構(gòu)為評估授信對象的信用風(fēng)險而構(gòu)建的信用風(fēng)險計量模型，主要包括KMV模型和Creditmetrics模型。KMV模型將股東投資視為一種追求期權(quán)價值的行為。如果資產(chǎn)價值小于負(fù)債，則公司股權(quán)價值在數(shù)值上為負(fù)，所能負(fù)擔(dān)的債務(wù)總額為清算價值，此時公司不愿意償還債務(wù)。KMV模型主要基于BS公式計算出股權(quán)價值，通過總結(jié)歷史數(shù)據(jù)，得出企業(yè)債務(wù)違約時最有可能處于哪種債務(wù)水平（“違約實施點”），進而得出負(fù)債企業(yè)的違約距離，通過歷年積累的數(shù)據(jù)庫中觀察其與違約率之間的相關(guān)性，得到目前的預(yù)期違約率。由于計算時利用了企業(yè)的股票價值，而并非歷史財務(wù)數(shù)據(jù)，因此被認(rèn)為是一種向前看的方法，不僅可以反映風(fēng)險的高低，而且可以精準(zhǔn)度量風(fēng)險差異的程度。KMV模型的主要缺陷有2個：一是在計算時需遵循BS公式的諸多假設(shè)，如資產(chǎn)價值服從正態(tài)分布等，這在現(xiàn)實中通常難以滿足；二是BS公式需要使用的許多重要變量，如公司資產(chǎn)價值及其波動率等，因此該模型非常適用于上市公司，但非上市公司資產(chǎn)不在公開市場上交易，因此難以得到其市場價值和波動率，所以往往需要用另外的變量來代替。此外，由于在中國缺少基于大量違約公司信息的歷史數(shù)據(jù)庫，因此無法將違約距離與違約概率相匹配，因此KMV難以直接用于中國市場。Creditmetrics模型又稱信用計量模型。評級機構(gòu)會定期對債務(wù)工具及發(fā)債主體進行等級評定，假設(shè)信用評級結(jié)果是公正科學(xué)的，那么違約風(fēng)險可以通過觀察信用等級的變化而獲得。債券處于不同評級時市場價值不同，可據(jù)此得到債券不同等級上的市場價值。進而計算出債券市場價值的分布函數(shù)，從而利用VaR模型計算債券的在險價值。該模型使用債務(wù)的信用評級水平，評級結(jié)果來源于歷史數(shù)據(jù)；KMV模型使用企業(yè)的股權(quán)價值，而股權(quán)價值是投資者對企業(yè)未來發(fā)展的預(yù)期，實質(zhì)是一種看漲期權(quán)，因此KMV模型一定程度上使用的是企業(yè)“未來”的數(shù)據(jù)，這是兩者的根本差別。3模型構(gòu)建3.1變量選取及數(shù)據(jù)來源本文選取至2021年中國信用債市場發(fā)生違約的民營上市發(fā)債公司17家，并挑選對應(yīng)的未發(fā)生違約的民營上市發(fā)債公司作為對照組，共同作為債券違約樣本。選取對照組公司時，在公司數(shù)量方面參考前人研究結(jié)果，按照實驗組：對照組=1：1的比例選取17家民營公司作為對照組樣本；在選取標(biāo)準(zhǔn)方面，通過篩選與違約樣本經(jīng)營范圍相似且規(guī)模相近的民營公司作為對照，使對照組與違約組具有可比性。本文共使用34家發(fā)債公司2021年14個財務(wù)指標(biāo)如下：表3-1財務(wù)指標(biāo)類別指標(biāo)盈利能力凈資產(chǎn)收益率每股收益銷售毛利率償債能力流動比率速動比率現(xiàn)金流量比利息保障倍數(shù)現(xiàn)金流量利息保障倍數(shù)資產(chǎn)負(fù)債率運營能力總資產(chǎn)周轉(zhuǎn)率應(yīng)收賬款周轉(zhuǎn)率存貨周轉(zhuǎn)率發(fā)展能力主營收入增長率凈利潤增長率這14個指標(biāo)雖然能夠較全面地反映企業(yè)運行情況，但所提供的信息出現(xiàn)重復(fù)，且存在明顯的多重共線性，因此本文使用因子分析法篩選出最能反映發(fā)債公司運行情況的指標(biāo)來構(gòu)建預(yù)警模型。3.2事前檢驗因子分析法要求待分析的原始變量間本身存在關(guān)聯(lián)。通過KMO和Bartlett檢驗觀察該方法適用性。樣本數(shù)據(jù)的相關(guān)性一般通過KMO進行測試，檢驗最大值為1，檢驗值越大相關(guān)性越強。KMO值大于0.6可用該方法。Bartlett檢驗則主要考察獨立性；一般來說，顯著性小于0.05就可以認(rèn)為各變量間并非互相獨立。表3-2KMO和Bartlett檢驗KMO度量0.737Bartlett檢驗近似卡方274.592自由度91顯著性0.000如表3-2所示，KMO度量值為0.737，巴特利特檢驗的顯著性為0.000。結(jié)果表明本文所使用的數(shù)據(jù)可以使用因子分析。3.3確定因子個數(shù)和含義本文選取14個財務(wù)指標(biāo)，即有14個主成分。篩選信息量較大的都變量來概括原始信息。從表3-3中可以看出有5個變量適合作為公因子，這5個公因子包含了14個原始財務(wù)指標(biāo)74.36%的信息。表3-3總方差解釋成分初始特征值提取載荷平方和旋轉(zhuǎn)載荷平方和總計方差百分比累積%總計方差百分比累積%總計方差百分比累積%14.71133.65233.6524.71133.65233.6522.50417.88617.88622.08714.90448.5562.08714.90448.5562.21715.83933.72431.3589.70058.2571.3589.70058.2572.13115.21848.94241.2238.73966.9961.2238.73966.9962.07114.79363.73651.0317.36274.3571.0317.36274.3571.48710.62274.357在確定5個公因子后，需要確定每個因子所對應(yīng)的實際財務(wù)指標(biāo)。由于一個因子與多個指標(biāo)相關(guān)，因此采用方差最大旋轉(zhuǎn)法進行處理，結(jié)果如表3-4所示。表3-4旋轉(zhuǎn)后的成分矩陣指標(biāo)成分12345利息保障倍數(shù)0.3940.3010.227-0.276-0.138營業(yè)收入增長率0.1400.0530.756-0.147-0.036凈利潤增長率0.6650.4050.4530.1510.033流動比率0.0420.007-0.0220.835-0.063速動比率0.1940.1660.2480.255-0.653資產(chǎn)負(fù)債率-0.424-0.339-0.057-0.4100.416現(xiàn)金流量利息保障倍數(shù)0.1000.0430.1180.0090.856每股收益0.2700.335-0.0050.473-0.339應(yīng)收賬款周轉(zhuǎn)率-0.4990.0630.072-0.0580.013存貨周轉(zhuǎn)率-0.048-0.2490.3010.3350.088總資產(chǎn)周轉(zhuǎn)率0.0800.767-0.1390.0380.023現(xiàn)金流量比0.1350.2910.0120.811-0.046銷售毛利率0.0010.5610.3540.0660.067凈資產(chǎn)收益率0.8650.2540.3140.134-0.002可以看出，不同因子在各指標(biāo)上的載荷有明顯的差異，選取載荷最大的指標(biāo)作為該因子所對應(yīng)的具體財務(wù)指標(biāo)，具體對應(yīng)關(guān)系如表3-5所示。表3-5各因子所對應(yīng)的財務(wù)指標(biāo)因子財務(wù)指標(biāo)設(shè)定變量1營業(yè)收入增長率X12流動比率X23現(xiàn)金流量利息保障倍數(shù)X34凈資產(chǎn)收益率X45總資產(chǎn)周轉(zhuǎn)率X53.4構(gòu)建判別模型本文使用Fisher判別函數(shù)對違約發(fā)債主體和正常發(fā)債主體進行判別。首先檢驗是否可使用Fisher判別法，結(jié)果如表3-6所示，p值為0.002，遠(yuǎn)小于0.05，說明使用Fisher判別函數(shù)有效。表3-6Fisher判別函數(shù)的有效性檢驗函數(shù)檢驗威爾克Lambda卡方自由度顯著性10.53118.66250.002Fisher判別函數(shù)可將截面數(shù)據(jù)分為兩組，可以據(jù)此判別違約發(fā)債主體和正常發(fā)債主體。具體判別系數(shù)見表3-7。表3-7Fisher判別函數(shù)系數(shù)指標(biāo)函數(shù)X1-0.200X20.046X3-0.087X40.055X50.012（常量）0.148由此可得Fisher判別函數(shù)：Y該判別函數(shù)同時給出了不同組別Fisher判別函數(shù)值的分布中心，以此為判別標(biāo)準(zhǔn)。對正常發(fā)債公司而言，該數(shù)據(jù)的分布中心為0.911，而對違約發(fā)債公司該數(shù)據(jù)的分布中心為-0.911；某公司判別函數(shù)值距離哪類公司更近，就屬于哪類公司。由于本文中違約和正常公司的判別函數(shù)值呈對稱分布，因此若某公司的Fisher判別函數(shù)值大于0，即可歸為正常公司，若小于0，則歸為違約公司。表3-8組質(zhì)心處的函數(shù)值種類函數(shù)正常發(fā)債公司0.911違約發(fā)債公司-0.9113.5結(jié)果驗證為檢驗構(gòu)建的民營企業(yè)債券信用風(fēng)險預(yù)警模型的有效性，本文將34家樣本公司財務(wù)指標(biāo)回代驗證，結(jié)果見表3-9。表3-9預(yù)警模型驗證結(jié)果預(yù)測違約主體預(yù)測未違約主體總計實際違約主體15217實際未違約主體11617總計161834本文所建立的民營企業(yè)債券信用風(fēng)險預(yù)警模型對違約樣本預(yù)測成功率為88.2%，誤報率為5.9%，基本可以有效區(qū)分正常公司和違約公司。

4結(jié)論及建議4.1研究結(jié)論4.1.1民營企業(yè)債券信用風(fēng)險特征及影響因素2014年以來，我國債券市場違約金額和數(shù)量均快速增長，違約主體從以民營企業(yè)為主到一些地方政府融資平臺、甚至部分優(yōu)質(zhì)國企，這反映了債券信用風(fēng)險的擴大化。債券違約主體以金屬、能源等周期性、產(chǎn)能過剩行業(yè)和建筑工程、機械等重資本類行業(yè)為主。民營企業(yè)債券信用風(fēng)險的主要外部影響因素為宏觀經(jīng)濟因素和去杠桿、去產(chǎn)能等政策因素，內(nèi)部影響因素主要取決于公司治理水平，其中盈利能力和償債能力是債券違約的關(guān)鍵影響因素。4.1.2風(fēng)險預(yù)警模型的構(gòu)建本文以2020年中國債券市場發(fā)生違約的17家民營上市公司為樣本，選取4方面14個財務(wù)指標(biāo)進行因子分析，在盡可能保留原始信息的條件下篩選出5個關(guān)鍵因子。然后，根據(jù)17家違約公司的特點按照1：1選取17家未發(fā)生違約公司作為對照，使用Fisher線性判別模型法構(gòu)建債券違約預(yù)警模型?？傮w判別率為88.2%，誤判率為5.9%，預(yù)警模型總體判別效果較好。4.2政策建議4.2.1發(fā)行者許多發(fā)生債券違約的民營企業(yè)是營運能力不足、盈利能力較差、現(xiàn)金流水平較低等因素所造成的，因此發(fā)債公司在日常營運中要制定合理的財務(wù)戰(zhàn)規(guī)劃，注重現(xiàn)金流管理，合理控制企業(yè)負(fù)債水平和擴張速度，使企業(yè)的發(fā)展與宏觀經(jīng)濟、行業(yè)前景和公司自身經(jīng)營狀況相匹配。4.2.2投資者一是在投資債券前，應(yīng)主動開展投資風(fēng)險偏好程度測試，應(yīng)加強金融相關(guān)知識學(xué)習(xí)，建立債券風(fēng)險識別框架。本文認(rèn)為，民營企業(yè)債券信用風(fēng)險應(yīng)結(jié)合宏微觀環(huán)境展開分析，首先應(yīng)認(rèn)真分析宏觀經(jīng)濟狀況，如果經(jīng)濟下行或震蕩周期中，那么債券市場整體將面臨較大的風(fēng)險；其次，應(yīng)通盤考慮行業(yè)是否與經(jīng)濟周期高度重合、整體的供求狀況、是否易受如供給側(cè)改革等政策影響等因素；此外，對于企業(yè)的盈利能力、現(xiàn)金流水平、資產(chǎn)周轉(zhuǎn)速度等財務(wù)指標(biāo)和債券信用評級，投資者也應(yīng)予以足夠關(guān)注。投資債券后，應(yīng)持續(xù)關(guān)注宏微觀因素變化趨勢，及時研判債券風(fēng)險大小，制定風(fēng)險應(yīng)對措施。二是投資者應(yīng)清醒地認(rèn)識到投資的風(fēng)險，并考察自身風(fēng)險承受能力，隨時對資產(chǎn)組合進行調(diào)整。此外，投資者還應(yīng)豐富投資品類，結(jié)合多種產(chǎn)品進行多元化投資，盡可能分散風(fēng)險。4.2.3監(jiān)管者一是加大監(jiān)管力度，將信息披露作為評級守則和法律準(zhǔn)則，要求企業(yè)需及時公布相關(guān)財務(wù)指標(biāo)，對于重大問題應(yīng)及時披露，以便對市場起到預(yù)警作用。對于重要信息或財務(wù)數(shù)據(jù)造假的公司，因?qū)ζ涓吖苋藛T進行處罰對，公司實行如列入退市黑名單等嚴(yán)厲的政策，從而進一步規(guī)范信息披露制度，降低信息不對稱給投資者帶來的損失。二是監(jiān)管部門應(yīng)要求評級機構(gòu)實事求是，科學(xué)評價。對于原本評級很高但在發(fā)生違約后迅速下調(diào)評級頻發(fā)的現(xiàn)象，監(jiān)管部門應(yīng)加強督導(dǎo)和監(jiān)管；還可以推動擬定評級機構(gòu)黑名單，對于評級結(jié)果質(zhì)量較低或多次出現(xiàn)違法違規(guī)的機構(gòu)列入黑名單。三是仿照國外市場實行雙評級制度，即對于同一債券及其發(fā)債主體，要求兩個獨立的評級機構(gòu)同時評級。兩家評級機構(gòu)可以互相參考對照對方的評級結(jié)果，這種制度可以對機構(gòu)形成一定的約束力，從而提高評級的可靠性，還對后續(xù)可能出現(xiàn)的評級調(diào)整具有一定的指導(dǎo)和幫助作用。4.3不足由于許多發(fā)債主體的財務(wù)數(shù)據(jù)披露不完全，使得本文在樣本選取時僅選取可以獲得完整連續(xù)數(shù)據(jù)的民營企業(yè)，難以獲得眾多中小發(fā)債公司和非上市民營公司的相關(guān)信息，存在著一定的缺陷。隨著我國債券市場信息披露程度的不斷提高，在分析違約主體的財務(wù)指標(biāo)時，數(shù)據(jù)可得性將提高，分析的可靠性也會得到提升。

參考文獻[1]夏賢蘭.民營企業(yè)債券違約風(fēng)險影響因素及預(yù)警研究[D].安徽財經(jīng)大學(xué),2019.[2]鄭月蔚.宏觀經(jīng)濟因素對企業(yè)債券信用風(fēng)險的影響[J].時代金融,2016,(23):272+274.[3]周宏,楊萌萌,李遠(yuǎn)遠(yuǎn).企業(yè)債券信用風(fēng)險影響因素研究評述[J].經(jīng)濟學(xué)動態(tài),2010,(12):137-140.[4]羅維.超日債券違約原因分析及影響[J].商界論壇,2014:158[5]陳文杰，常卉領(lǐng).當(dāng)前經(jīng)濟形勢下我國債券市場兌付風(fēng)險原因分析及政策建議[J].北方金融，2017(3):28-30[6]段霞.Z模型和KMV模型在我國適用性的對比研究[D].碩士學(xué)位論文，西南財經(jīng)大學(xué)，2012.[7