一 问题的提出

在近十几年中国经济迅速发展过程中，债务一直处于扩张周期，目前市场流通债券超过80万亿元，约占GDP总量的97%。这一比例远低于其他亚洲新兴市场国家的水平，可见，我国债券市场扩容空间巨大。但是，近年来伴随经济增速下调，中国开始进入债务收缩周期，面临债务集中到期和债务结构化问题，在“供给侧结构性改革”和“打破刚兑”的背景下，我国信用债违约风潮开始蔓延。2014年“超日债”违约拉开了我国公开发行的信用债违约的序幕；2015年、2016年和2017年全市场违约债券分别有25只、56只和35只^①；2018年违约债券数量迅速攀升，全年合计124只违约，涉及违约金额1206亿元，该年的违约债券量已经超过了前几年全部债券违约总量，而债券违约高发趋势在2019年依旧延续，仅2019年1月，中国信用债市场就有18只债券发生违约。可见，基于目前我国信用债违约风险爆发式增长，加强对信用违约风险分析及预测方法的研究已迫在眉睫。

本文所研究的信用债，是指由政府之外的主体发行的、约定了确定的本息偿付现金流的债券，具体包括企业债、公司债、短期融资券、中期票据、分离交易可转债、资产支持证券、次级债等品种。国外信用风险研究历史较久，大体分为宏观经济层面自上而下的分析和企业层面自下而上的分析两种。前者的研究主要集中在宏观经济变动对企业盈利变化的影响程度以及金融危机触发违约的可能性(Nader Naifar，2011)；后者是目前国外研究的主流，主要是分行业讨论微观指标对企业违约风险的影响。例如，MacKay等(2005)等分析了不同行业对企业财务结构的影响；Andrade等(1998)探索了行业表现不佳的情况下各企业的盈利表现；Opler等(1994)认为企业所属行业若处于衰退期容易发生违约；Maksimovic等(1998)进一步讨论了行业衰弱期对企业的影响。但是更多的研究是分行业讨论企业经营收益和信用情况，从债券违约风险角度的分析甚少(Fitzpatrick，1932)。此外，如Ireland等(2015)不少学者认为宏观经济因素对企业的影响也可以通过行业分析的维度来诠释；Koopman等(2011)和Norlida等(2015)将宏观经济因子导入定量模型，通过归因分析验证了行业因子对企业信用风险影响的重要性。

我国学者对信用债违约风险现有研究的特点包括：第一，以定性分析为主，而基于违约样本设计定量研究框架、违约风险预警体系方面的研究较为少见，目前与违约风险相关的定量研究方法使用较多的是主成分分析法(Ohlson，1980)、回归分析法以及特殊回归分析模型等(Martin，1977；陈迅等，2009)，此外还包括综合分析方法(Grunert, et al., 2005)；第二，部分研究参考信用评级的方式构建违约风险预测分析框架，但是债券信用评级和违约风险研究有本质不同，前者侧重研究发行主体的特质，后者侧重研究风险触发因子(李秉祥，2005；Pu & Zhao，2012)，因此，信用债违约风险研究的框架和体系应体现违约事件的触发及违约风险的本质。

相比已有研究，本文的研究特点及贡献在于：第一，从已违约样本的第一手数据入手，创造性地基于行业敏感性视角构建信用债违约风险预警模型，并且从模型实证、违约预测、监控设计等3个层面进行全方位阐述；第二，本文所建模型是国内首次构建的信用债违约风险实时监控模型，可通过对接外部数据终端接口，对高风险企业进行实时预警处理；第三，该模型可实现对目前发债的全样本企业进行信用债违约风险的预测和模拟，以挖掘中国信用债市场违约风险的特点，对企业违约信号识别、预警处理、债券定价、投资者行为纠偏、企业经营等具有重要意义。

二 中国信用债违约风险测度模型的构建 (一) 中国信用债违约特征分析

本文首先对截至2019年1月中国债券市场全样本信用债违约案例进行了分析，结果显示违约企业有以下两个特点：第一，违约企业的行业分布明显。例如，违约主体的行业主要集中在工业、材料和能源3个行业，其中工业占比约30%，材料行业占比约25%，能源行业占比约20%，三者相加占到违约企业总数的75%。第二，造成企业信用违约的因素差异较大，包括企业经营不善、公司控股情况改变、债务负担过重等，这些违约因素均能在相关财务指标上找到表征。例如，四川省煤炭产业集团有限公司发行的“15川煤炭CP001”，在其违约前期销售毛利率开始下降，反映了产业政策和行业衰退周期下企业销售端管理失利对违约时间的影响；又如中国第二重型机械集团有限公司发行的“12二重CP001”，在评级下调前一年半其速动比率出现负增长，此后销售期间费用等指标相继转弱，表征其企业经营费用管理问题将带来违约风险。

(二) 模型构建的原理

基于上述分析，本部分将从信用债违约的明显行业特征、企业财务数据表征入手，分宏观经济环境、中观行业环境以及微观企业环境3个层面进行分析，以明确本文模型构建的原理。

第一，宏观经济环境，其对违约风险事件触发的影响在经济下行期体现得较为明显，一般通过上下游的供给和需求、产业政策和货币政策等直接影响企业经营环境。

第二，中观行业环境，不同行业在相同宏观经济条件下的表现具有显著差异，包括不同行业生态周期和行业周期的独特性、不同行业抵御经济危机的能力以及承受经济萧条的能力的差异性等。例如，竞争性和强周期行业平均违约率高于管制性和弱周期的行业，因此，前者在经济下行期违约的可能性更高。

第三，微观企业环境，企业信用违约风险通常直接表现在微观企业环境层面。例如，企业经营现金流无法偿还利息和本金，则该企业财务指标的变化将首先表现其征兆，其中，流动比率、速动比率反映的是现金流周转的情况，投资、负债、主营业务收入则可反映造成现金周转问题的原因。

综上所述，首先，宏观经济环境通过影响企业经营而影响企业信用违约风险，体现出明显的行业特征；其次，企业微观经营层面的企业信用违约风险显示了明显的行业规律，例如，不同行业现金流产生的模式是不同的，地产行业以销售回款为现金收入的主要来源，所以，销售回款逾期支付将对地产行业内的企业造成明显的违约冲击。因此，中观层面的行业环境是连接宏观层面经济环境和微观层面企业经营情况的纽带，可以将其作为分析违约风险触发因素的中枢。基于以上分析，本文明确构建模型的原理和出发点：从行业敏感性的角度出发，聚焦于企业财务指标，遴选各行业信用债违约风险的敏感因子，并进一步分析有效敏感因子对信用债违约风险的影响效用。

(三) 指标设计

1.指标定义。基于模型构建的原理，本文将样本分为可选消费、房地产、工业、材料、能源、医疗保健、日常消费、金融、公用事业和信息技术等10个行业类别，从公司规模、营运能力、盈利能力、偿债能力和成长能力等5个层面选择总资产、存货周转率、营业利润率等，构建违约风险预测的指标池(见表 1)。

2.指标数据来源及其使用目的。本文数据来源于发债企业公开的季度财务报表，为债券发行以来至2018年9月末的连续季度财务数据。研究数据分为样本数据和预测数据两类：样本数据选自2018年9月末之前已经违约(或主体评级下调)的企业财务数据，用于本文的指标池遴选和指标分析，以此搭建行业敏感性实证研究的框架；预测数据是违约风险预测对象的财务数据，覆盖中国信用债市场全样本发债企业，用于本文第三部分的分析。

3.指标池遴选。遴选分为3个步骤：第一，对表 1中的27项指标的季度财务数据进行主成分分析，剔除周期性、时点性等白噪声因素导致的异常数值后，筛选出影响显著的变量。第二，对主成分分析筛选出的变量进行穿透处理，即将部分经计算处理得到的指标还原到原始指标。例如，母指标层“偿债能力”下的“资产负债率”是经主成分分析筛选后的显著影响因子，通过穿透处理，选取“总资产”和“负债合计”两项指标来直观体现指标分析过程。第三，对指标池中的27项指标，选择与违约事件明显联动的9项主要影响指标，分别为总资产、年化总资产报酬率、销售期间费用、销售毛利率、成本费用利润率、流动比率、速动比率、负债合计、经营活动产生的现金流，将它们还原至母指标层，可覆盖所有母指标层相关指标。

4.指标分析。第一是指标显著性分析，其步骤是：用指标曾出现过持续负增长，且负增长出现的时间早于违约(或主体评级下调)事件，来表征该项指标对某行业违约风险具有预测效果。即在该主体发生债券违约(或主体评级下调)之前，如果某项指标相对于前一季度曾连续两个季度出现负增长，我们可以认为该项指标对违约风险的预测具有显著性。数据分析结果表明，从全行业角度看，除销售毛利率指标转负提前于违约(或主体评级下调)事件的情况占比较低以外，其他指标对各行业中的企业违约风险均有预测效果，其中预测效果最强的3项指标分别是流动比率、销售期间费用和经营活动产生的现金流。指标显著性分析的功能在于：一是用于校验模型的有效性；二是用于确定发债主体综合预警的权重值。

第二是指标敏感性分析，其步骤是：用指标曾出现过持续负增长，且负增长出现的时间与违约(或主体评级下调)事件发生时间的差值(差一个季度记为“1”)，来表征该项指标对某行业触发违约风险是否敏感。若早于违约(或主体评级下调)事件转负的时间越短，则该指标对相应行业内企业的违约风险预测越敏感。例如，早于违约(或主体评级下调)事件1个季度转负占比最高的前3项指标分别为销售期间费用、负债合计和经营活动产生的现金流，而早于违约(或主体评级下调)事件6个季度转负占比最高的前3项指标分别为流动比率、速动比率和销售毛利率。指标敏感性分析的功能在于：一是用于校验模型的有效性；二是用于确定发债主体综合预警的指标分值。

5.指标检验。根据样本数据的指标检验，10类行业的各项指标预测效果均明显，其中，日常消费行业中各指标的预测效果最显著，公用事业行业中各指标的预测效果相对较弱。具体分析违约风险概率较大的3个行业：对于材料行业的企业，销售毛利率、负债合计和经营活动产生的现金流是其企业债违约风险预测显著性较高的指标，资产总计和销售期间费用则是预测显著性较低的指标；对于工业行业的企业，总资产、销售期间费用和销售毛利率是其企业债违约风险预测显著性较高的指标，流动比率和成本费用利润率则是预测显著性较低的指标；对于能源行业的企业，销售毛利率、经营活动产生的现金流和年化总资产报酬率是其企业债违约风险预测显著性较高的指标，总资产和速动比率则是预测显著性较低的指标。

三 中国信用债违约风险的测度和模拟 (一) 违约风险的测度和预警

如图 1所示，模型数据输入端为制定预测样本，模型输出结果为该预测样本的信用债违约风险预测情况。在此部分，本文选取山东魏桥铝电有限公司(以下简称“山东魏桥”)作为案例，介绍模型的违约风险测度和预警分析功能。“山东魏桥”位于山东邹平经济开发区铝产业集群，从产业链角度看，该公司处于铝制品产业链中游，主要从事铝制品的生产和销售，是中国最大的铝制品生产企业之一，其主营业务为通过自产和外购氧化铝生产并销售液态铝合金、铝合金锭等铝产品，销售端的客户是从事铝深加工企业。截至2018年6月，该公司共发行信用债券37只，发行金额合计468亿元。其中，在银行间市场发行债券31只，融资金额330亿元；在交易所发行债券6只，融资金额138亿元。模型输出结果如下：

1.指标预测分析。指标预测的结果通过雷达图来展现。第一，雷达图的绘制过程如下：首先，处理违约样本，根据指标敏感性，分行业对不同指标增长率提前违约(或主体评级下调)事件转为负值的时间赋值，将其定义为指标的“提前转为负值时间”，例如，对早于违约(或主体评级下调)事件3个季度转为负值的赋值为“-3”，同时转为负值赋值为“0”；其次，依据各指标分值绘制指标预警雷达图。第二，雷达图的应用过程如下：处理预测样本的财务指标，若预测样本的财务指标增长率首次出现持续3个季度以上的负值，则计算首期距离预测时点的时间。例如，若预测时点为2018年9月10日，而2017年6月末该样本某时点某项指标的增长率在之后的3个季度均为负值，则计2017年6月末距离2018年6月末(9月11日为最近的公开财务数据时点)的差值“4”为“提前转为负值时间”，如图 1，虚线部分即为“山东魏桥”各项指标数值及其在材料行业的水平。该发债主体有两项指标超越行业最大值线，分别是销售期间费用和流动比率。从这两项指标的权重值考虑，它们均为重要影响指标，因此，从指标预测分析的角度，该发债主体即“山东魏桥”的信用违约风险较大。同时，若“山东魏桥”在后期销售期间费用和流动比率的增长率持续负增长或者低增长，其信用违约可能会加速。因此，就该公司而言，对于待投资项目，应警惕其投资风险；对于已投资的项目，应做好风险缓释的准备。

2.综合预测分析。综合预测分析的结果可以直观展现为综合预警分布图。首先，计算预测样本的违约风险综合预测值，将其指标显著性分析的原理用于计算指标权重，将其指标敏感性分析的原理用于确定指标值，以上加权求和后可得到该样本违约风险综合预测值及其在该行业中所处的状况。“山东魏桥”的综合预警得分为-2.54，相比于材料行业的平均综合预警得分-2.48，其综合违约风险在行业属中上水平，因此，对该公司可能出现的信用违约应给予较高的重视。

(二) 动态监控与预警机制

我们将违约风险预测模型嵌入系统开发，通过Excel的数据捕捉功能对接Wind数据库的下行接口，输出违约风险预测的结果及可实现的功能；主要包括：

第一，关于模型的修正。在违约事件不断积累的过程中，模型可以接纳新增的违约样本，将其列入后修正模型相关参数，以训练模型的有效性。

第二，关于数据的更新。该模型支持财务数据的自动更新，与Wind数据终端所更新的最近一期企业财务数据同步，因此，在预测样本操作界面，选择任何一个发债主体或任何一类发债主体，即可输出其违约风险的相关结果。

第三，关于信用违约预警。在违约预警管理菜单下，可以将全市场的发债主体均设为违约预警监控样本，也可以选择某个或某类发债主体作为监控样本。当财务数据指标更新后，若该监控样本的指标预警或综合预警值进入系统默认或人工设定的预警边界值，即在系统界面弹出预警通知框。

四 从测度结果看中国信用债违约风险特征

根据模型的操作方法，本文对全市场2000多家发债企业进行了信用债违约风险的预测(因篇幅所限，本文不列出预测结果)。根据预测结果可知，中国信用债违约风险的分布具有明显的行业变化特征、地域分布特征和企业性质特征。

(一) 行业特征显著变化：金融、地产等行业的企业违约风险大幅提升

2014—2018年，中国信用债市场已发生违约和主体评级下调的企业主要集中在工业、材料和能源3个行业，违约风险占比分别为28.35%、26.82%和18.39%。但是，经模型预测得到的综合预警得分显示，未来违约风险将集中在金融业、地产业和可选消费等行业。过去30年，中国经济迅速发展受益于第二产业对GDP的拉动，与此同时，伴随着产能从积累到过剩的过程，企业盈利能力下降，因此，近三年来，债券市场违约风险高发的企业集中在第二产业，特别是产能过剩的行业。2016年1月，中央提出供给侧结构性改革思路，“三去一补”等举措释放过剩产能的效果已经显现，材料、能源类企业的违约风险有所改善。但值得注意的是：第一，在投资拉动经济发展的过程中，土地开发是投资增长的主力，地产业作为土地消费的重要部门，在过去几年经济及行业发展的成长和成熟期所积累的再融资压力，将在未来2—3年达到高峰，因而地产业债券的违约风险提升；第二，过去10年，金融市场作为随实体经济发展的伴生产物，经历了一轮飞跃发展周期后系统性风险已经开始积累，近几年“影子银行”等金融发展催生的信用风险隐患已经开始引起监管部门的重视，伴随监管政策的收紧和行业规范化发展，在行业整合的过程中，对一些竞争力相对较弱的金融机构而言，其信用风险迅速上升积累了集中违约的可能；第三，自债券市场逐渐规范发行以来，可选消费行业企业受益于推动第三产业发展的政策红利，其债券发行门槛相对较低，发债企业资质相对较弱，特别对于贸易类、物流类、餐饮类等无形资产占比较高的企业，在债券市场的需求逐渐饱和、准入愈加严苛的情况下，该类企业未来5年续贷能力差异较大，发生违约的风险已经上升。

(二) 区域分布特征明显：违约风险地域明显向南部地区转移

2014—2018年，从中国信用债发债地域分布来看(见图 2a)，北部地区，特别是内蒙古、河北、河南、辽宁、山东和山西等省份的信用债违约风险爆发较为集中，形成北方违约风险带。这些省份的违约企业中占比较高的是产能过剩行业的企业，过去几年在供给侧结构性改革政策背景下，这类企业的经营环境受产业政策红利逐渐消化、下游行业需求萎缩等因素的影响，其经营性现金流大幅下降，导致债券到期无法兑付从而直接引起债券违约。而从模型模拟结果来看(见图 2b)，未来北部地区的信用债违约风险降低，而南部地区，特别是福建、江西、湖南、贵州和重庆等省份的信用债违约风险明显上升，形成了南方违约风险带。该类地区企业发债较早，因此在债务扩张阶段积累的债务量较大，但是在债务收缩周期下，负债率高的企业到期债务是否可以足额续期的不确定性较大，这是可能导致未来南部地区企业违约风险上升的直接原因；此外，这些省份消费行业和地产行业的企业占比较高，而未来这些行业的信用违约风险较大，且产业链集中效应明显，应特别关注其空间链式爆发的可能性。

(三) 企业性质差异较大：地方企业是信用风险较大的发债主体

中国经济的增长在过去十几年主要靠投资拉动，而投资拉动的一个重要抓手是加大地方财政支出，另一重要抓手是鼓励地方企业主动负债。为促进以上工作的推进，地方政府给予企业上市、发债等融资途径的有力支持，特别针对地产开发类企业给予产业政策资源的倾斜。例如，从2009年开始，各地城投公司发债量迅速攀升，它们背靠政府信用发债，但还款来源仍需要依赖自身经营收入。近几年，伴随融资到期量的增长、企业经营效益的阶段性走低以及产业政策的撤出，地方类企业，例如城投企业的信用债违约风险与日俱增。根据模型测算，综合违约风险较高的企业性质相当明显：第一，城投类企业相对于其他类型发债主体违约风险较高；第二，中型地方国有企业的信用违约风险较高，大型央企违约风险依旧保持最低，优质民营企业违约风险有所缓解，而部分中外合资企业违约风险上升；第三，上市公司凭借其规模经营效应及其多元化的融资途径，相对于非上市公司，其信用违约风险依旧相对较低。

五 结论与展望

目前，国内尚未有相关研究基于全样本的违约案例，对中国信用债违约风险进行测度与实证分析。本文弥补了这一不足，并在两个方面有所创新：第一，从方法论入手，构建了基于行业敏感性的违约风险预测模型；该模型含有9项财务指标，包括总资产、销售期间费用等。从指标的预测效果来看，指标显著性最强的指标是流动比率、销售期间费用和经营活动产生的现金流，指标敏感性最强的指标是销售期间费用、负债合计和经营活动产生的现金流。不同行业指标预测效果的差异体现在，对于日常消费行业的企业，各指标的预测效果最为显著，对于公用事业行业的企业，各指标的预测效果相对较弱。第二，以中国信用债市场全样本发债企业为例开展违约风险预测，模型输出结果显示了未来中国信用债违约风险的变化趋势，即从行业上看，金融、地产等行业的企业违约风险将大幅提升；从空间上看，南方违约风险将可能高发，地域上呈带状分布；从企业性质看，地方类企业如城投平台、地方国企和非上市企业等的违约风险将明显上升。

本文所建模型具有较强的应用价值，即基于模型开发的应用系统，对接外部数据库的数据接口，可以实现全样本发债企业信用违约风险的实时预测和监控。其创新优势在于：第一，可以结合机构的投资需求，得到任一时间节点某发债主体的信用违约风险、影响其违约风险的敏感指标、敏感指标的变化趋势分析以及该指标触发违约的可能性；第二，在全市场发债主体公布最新一期季度财务数据后，模型设计可以通过对接Wind数据终端自动抓取当期财务数据，以可视化界面等展现方式输出预测样本违约风险的定量测度结果，发挥全样本违约预警的作用；第三，模型具备自动修正的功能，即模型将会自动搜集后续违约样本，注入新增样本反复训练，从而保证模型的有效性和拟合效果。