判别公司债券违约风险的财务指标研究

【摘 要】 随着我国资本市场的进一步发展，公司债券已成为我国债券市场的重要组成部分，因此公司债券的违约风险成为投资者关注的重要因素。文章将财务预警理论与公司债券违约风险的度量相结合，运用多元判别分析方法，建立财务预警指标体系和预警模型对公司债券违约进行预测，并对模型的有效性进行实证分析。

【关键词】 公司债券； 违约风险； 财务比率； 财务预警

【中图分类号】 F830 【文献标识码】 A 【文章编号】 1004-5937（2016）21-0036-05

21世纪以来，我国公司债券市场迅速发展，市场规模迅速扩张，债券品种创新速度加快，发行人和投资者类型呈现多元化趋势。公司债券的发展前景非常广阔，成为我国债券市场的重要组成部分。但债券市场的违约风险如影随形，对此我们要认真应对。

我国关于财务预警系统研究的主要对象为上市公司，基于发达国家的理论研究与技术，进行符合中国实际情况的建模研究。其中周首华等[1]基于Altman的Z计分模型，结合我国债券市场的特点和发展状况，在1996年提出了预测公司财务风险发生的新模型――F计分模型。陈静[2]在进行财务预警系统的研究中，以ST公司与非ST公司作为研究对象，选取34家公司1995―1997年的财务数据进行实证分析。吴世农和卢贤义[3]选取了140家上市公司作为研究样本，选取21个财务指标作为变量进行判别分析、多元线性回归分析、Logistic回归分析，分别建立了三种预测财务困境的模型。

在国内的研究中，财务预警模式所使用的变量限于一般财务及非财务比率在变量的选取上，较少涉及信用风险因素。因此，本文引入公司债券信用风险和发行债券的公司信用评级因素，并将其纳入一般公司债券违约预警系统中，提出一种新的财务危机预警方法。

本文基于财务预警系统来研究公司债券的违约度量，为了明确违约概念的界定和建立违约判别模型，把违约定义为财务的违约，即违约的发生是由于公司的财务状况出现了一定的问题，发债公司不能够按时支付债券投资者本金和利息。因此，发债公司是否能够按时向债券投资者支付本息作为公司债券是否违约的界定标准，当发债公司不能够履行偿还义务的那一时点即判定公司债券违约。

一、研究设计

由于中国公司债券市场违约实例并不是很多，不能够达到实证研究所需要的样本数量要求，因此需要选择潜在违约风险较大的发债公司作为违约样本。如何判别公司违约风险大小，国外很多研究选择了宣布破产的企业或者被评为破产的企业作为违约样本。本文对于公司债券违约的发债公司主要依据我国的信用等级来判定。选用在上海证券交易所或深圳证券交易所发行公司债券的公司作为研究对象。本文规定评级为AA-级以下的公司债券近似违约状态。这样做的原因是AA-级以下的公司债券虽然按照国际评级公司的界定属于投资级，但是由于我国信用评级整体的中枢水平较高，AA-级以下的公司资金实力、资产质量一般，经济效益不够稳定，受外部经济条件影响，偿债能力会产生波动，存在违约风险。相比之下，AAA级公司资金实力雄厚，资产质量优良，有能力偿还债务本息，陷入财务困境可能性很小，几乎无违约风险。因此，本文将AA-级公司定义为违约公司，AAA级公司定义为正常公司。

考虑到样本的可比性，本文选择分层抽样法进行正常样本的选取，分层标准是企业的资产规模大小，目的是要与违约样本的规模相当，能够进行比较。对于正常样本数量的确定，大部分研究是以11的数量比例进行匹配样本的选取，也有少量研究是以1 2的比例，选择两倍数量的正常公司进行分析。本文选择违约公司与正常公司11的数量比例来进行研究。

在时间范围的选择上，很多学者都是以公司由正常状态转为违约状态为时间分界点，研究时间分界点前几年的财务数据对于公司违约可能性的预测，也就是将不同时间点的违约公司作为研究样本，这样的做法有一定的弊端。因为不同的时间范围，整体经济情况是不同的。公司违约应该是内在原因和外在原因共同影响下发生的结果，经济萧条时期违约公司的数量明显超过经济繁荣时期违约公司的数量。因此本文为保证研究的严谨性，将在同一时间范围来分析财务比率与公司债券的发债公司违约情况的关系。

基于以上设计，样本的选择遵循以下原则：首先，考虑到研究的时效性以及样本的可比性，本文选择在2008―2013年间发行公司债券的公司作为样本；其次，本文以评级为AA-级以下的发债公司（即违约公司）作为实验组，评级为AAA的发债公司（即正常公司）作为对照组，实验组与对照组样本公司数量相同，为保证模型分析预测准确性与说服性，本文选择2007―2014年作为时间范围，使研究具有一定的时间连续性与可比性。样本公司选取结果见表1。

二、公司债券违约财务预警模型构建

本文将公司债券发行公司是否存在较大违约风险分为两组，即违约公司组和正常公司组。在两组间进行判别的处理方法基于统计上的Fisher准则，即判别的结果应是两个总体之间区别最大，每一总体内部的离差最小。根据Fisher准则进行运算，得到Fisher判别函数，然后对每个样本的函数值与中心判别函数值进行比较，距离哪个中心判别值近则归属哪一类别。

（一）变量的选取

本文选取了34家发行公司债券的公司2007―2014年间的15个财务指标来分析，分别为流动比率、速动比率、资产负债率、利息保障倍数、现金流量利息保障倍数、应收账款周转率、存货周转率、总资产周转率、主营业务毛利率、净资产收益率、每股收益、主营收入增长率、净利润增长率、现金流量比、营业收入现金比率，但是把这15个财务比率都作为自变量来构建判别模型会因为这些比率之间可能存在相关性，提供的信息出现重叠，而使研究变得复杂。为了能够克服数据相关性和重叠性，找到更加准确稳定的变量，在15个财务比率中使用因子分析方法来筛选构建判别模型的变量。

1.KMO检验和Bartlett球形检验（见表2）

在进行因子分析之前，要进行KMO检验和Bartlett球形检验，两类检验都是用于检验样本数据是否适合做因子分析。KMO检验用来比较观测变量之间的简单相关系数和偏相关系数的相对大小，取值范围是[0，1]。当全部变量的偏相关系数的平方和远小于简单相关系数的平方和时，KMO值接近于1。KMO值较小时，表明观测变量不适合做因子分析，通常认为KMO的度量标准是0.9以上表示非常适合做因子分析，0.8以上比较适合，0.7表示适合，0.6表示不太适合，0.5以下表示不适合[4]。Bartlett球形检验的原假设是原始变量的相关系数矩阵是单位阵，即主对角线元素为1，其他元素均为0。

Bartlett球形检验的p值为0.000，KMO统计量等于0.7744，检测结果表明运用因子分析效果一般，但是为了使本文研究较为全面，还是采用因子分析方法进行变量的筛选。

2.因子个数的确定

一般来说，研究中变量的数量就是主成分的数量，本文有15个财务比率自然有15个主成分。因子分析就是把前几个主成分作为原始因子，提供原始数据所表示的信息，对于因子选取数量的确定，本文按照特征值的大小来进行选择，选取特征值大于1的主成分作为初始因子。

由表3看出，本文所选用的15个财务比率中有5个因子的特征值是大于1的，这5个因子可以解释原始15个财务比率79.37%的方差，损失了20.63%的信息。

3.财务比率的选取

在因子选出以后，因子背后所代表的含义才是本文研究最关注的，进行研究的目的就是把握因子的实际意义，而因子与多个变量相关，很难对其进行解释，因此对因子的载荷阵进行了旋转，这里采用方差最大旋转。

从表4中可以看出，旋转后的载荷系数差异十分明显。第一个因子在指标净资产收益率、主营收入毛利率上有较大的载荷，分别为净资产收益率0.88、主营收入毛利率0.79，说明这两个指标具有较强的相关性，归为一类。这类因子所包含的财务比率反映公司的盈利能力，可以把这类因子叫做盈利能力因子，其代表性变量为净资产收益率。

第二个因子在指标流动比率、速动比率上有较大的载荷，分别为流动比率0.85、速动比率0.77，说明这两个指标具有较强的相关性，归为一类。这类因子所包含的财务比率反映公司的偿债能力，可以把这类因子叫做偿债能力因子，其代表性变量为流动比率。

第三个因子在指标现金流量比、现金流量利息保障倍数、营业收入现金比上有较大的载荷，分别为现金流量比0.93、现金流量利息保障倍数0.85、营业收入现金比0.61，说明这两个指标具有较强的相关性，归为一类。这类因子所包含的财务比率反映公司的现金流量情况，可以把这类因子叫做现金流量因子，其代表性变量为现金流量比。

第四个因子在指标存货周转率、总资产周转率上有较大的载荷，分别为存货周转率0.75、总资产周转率0.82，说明这两个指标具有较强的相关性，归为一类。这类因子所包含的财务比率反映公司的营运能力情况，可以把这类因子叫做营运能力因子，其代表性变量为总资产周转率。

第五个因子在指标净利润增长率、营业收增长率上有较大的载荷，分别为净利润增长率0.78、营业收增长率0.77，说明这两个指标具有较强的相关性，归为一类。这类因子所包含的财务比率反映公司的成长能力情况，可以把这类因子叫做成长能力因子，其代表性变量为净利润增长率。

通过因子分析，选出了5个变量进行多元判别分析来构建模型，分别是净资产收益率、流动比率、现金流量比、总资产周转率、净利润增长率。

（二）构建判别模型

1.建立多元判别模型

经过因子分析，把原始15个财务比率浓缩到5个因子，每个因子的代表比率分别是流动比率、总资产周转率、净资产收益率、净利润增长率、现金流量比，把这5个指标作为变量，分别命名为X1、X2、X3、X4、X5，以34家发行公司债券的公司为样本进行分析，利用多元判别分析方法进行实证研究。对判别分析进行有效性检验，原假设是不同组的平均Fisher判别函数值不存在显著差异。从表5中可以看到，p值为0.002，在0.05的显著性水平上拒绝原假设，也就是不同组的Fisher判别函数值存在显著差异，这就意味着判别函数是有效的。

由此得到非标准化Fisher判别系数。非标准化的Fisher判别系数是指将实测的样本观测值直接带入求出判别函数值，而不需要将观测值进行标准化，使用起来更为方便一些。

由表6可知，Fisher判别函数为：

U（X）=0.0654X1+0.2106X2+2.6408X3+1.5595X4+

0.0076X5-0.8016

表7给出了类中心处的Fisher判别函数值，该函数值是根据为标准化Fisher判别函数计算的，违约公司的分布中心是-1.369，正常公司的分布中心是1.369。这样，只要根据Fisher判别函数计算出各观测数据的函数值之后，再比较他们分别距各类中心的距离，就可以把它们进行分类了。也就是说如果运用判别模型计算出来的判别值是大于0的，那么便可以把观测样本归类为正常公司，判别值小于0，则归类为违约公司。

为了对模型的效果进行检验，可以将样本公司财务指标进行回代。本文基于财务系统对公司债券违约进行预测，违约公司共17家，模型全部预测正确，正常公司共17家，模型对16家公司预测正确，所建模型的正确率为97.06%，基本上可以正确区分违约公司和正常公司，判别效果较为理想（见表8）。

2.结果分析

通过对样本进行多元判别分析得到判别模型：

U（X）=0.0654X1+0.2106X2+2.6408X3+1.5595X4+

0.0076X5-0.8016

（1）流动比率与判别值呈正相关性。流动比率作为偿债能力因子的代表，体现了公司对债务的支付能力，流动比率高说明面对短期债务的压力而具有的在短时间内的变现能力。流动比率越低，则企业偿债风险越高，很可能导致发债公司因无法偿还债务而陷入财务危机，出现违约的现象。

（2）总资产周转率与判别值呈正相关性。总资产周转率作为营运能力因子的代表，体现了公司对资产的管理和利用效率情况，该比率更加偏重公司对于长期资产管理情况的衡量。在判别函数中，总资产周转率越高，则违约可能性越低。总资产周转率较高说明了公司在全部资产尤其是对长期资产的利用效率很高，对于发行中长期债券的公司，长期债券的资本成本相对短期债券较高，对资产的管理和周转能力高，则公司在还本付息时压力就相对较小，能够有效地预防违约可能性发生。

（3）净资产收益率与判别值呈负相关性。净资产收益作为盈利能力因子的代表，体现了公司运用自有资产获得收益的能力。一般而言，净资产收益率高代表公司的盈利能力较好，公司发展前景较好。但是净资产收益率较高的公司往往受财务杠杆的影响较大，公司的净利润中存在较大数量通过财务杠杆带来的额外收益。而公司在利用财务杠杆对资本结构进行调整，提高盈利的同时，通常会给公司带来更多的负债和财务风险。较高的财务杠杆会给公司带来收益的不确定性，虽然公司净资产收益率较高，但是陷入财务危机的风险更大，从而导致违约的可能性增大。

（4）净利润增长率与判别值呈正相关性。净利润增长率作为成长能力因子的代表，体现了公司业绩的提升，发展速度较快，有较好的发展前景。净利润的增长说明公司以较快速度在发展扩张，说明公司在内部管理、成本控制和产品竞争力方面都有较好的表现。净利润增长率较高是对发债公司债务支付能力较好的保障，公司具有很大的发展潜力，违约风险较小。

（5）现金流量比与判别值呈负相关性。现金流量比作为变现因子的代表，体现了公司能够实际进行运转的现金和现金等价物的多少。现金流量比是经营活动产生的现金净流量与期末流动负债的比值，该比率越高说明公司的变现能力越好，对于债务的支付能力越强，相应的违约风险也就越小。而现金流量比的持续走低可能是公司可实际支付债务的资金周转不灵的预兆，这将导致违约风险的出现。

三、结论

本文将财务预警系统与公司债券违约度量相结合，运用我国信用评级等级将AA-级以下的发债公司定义为违约公司，将信用评级为AAA级的发债公司定义为正常公司，对违约公司和正常公司的多项财务比率进行分析，从定量的角度对公司债券违约风险进行研究。对34家发行公司债券2007―2014年的财务指标进行实证分析，运用判别分析方法，建立了公司债券违约风险预警模型，并通过对样本公司反代回模型进行检验，模型预测的误判率为2.94%，正确性较高。

通过研究本文建立了对发行公司债券信用风险的判别模型，具有很好的检验效果，这对于发行公司债券的公司在违约风险防范和管理方面具有一定的参考价值。但是在使用模型时还应该注意两个问题：一是观测公司的规模应该与本文所选样本相近；二是观测公司所处经济环境应该与本文样本不具有很大差别。当差异较大时，建议重新建立模型进行研究。同时，本文只是对公司债券违约风险预警模型的建立进行了初步的探索，在样本的选择标准、违约分类方法等方面存在局限性。首先，由于我国公司债券市场尚处于起步阶段，满足实证分析要求的债券较少，导致本文进行实证研究的样本较少，对此可能影响研究结果的普遍适用性；其次，由于我国信用评级体系还存在诸多问题，而本文使用中国证券市场的信用评级等级对样本进行分类，将评级较低的公司债券定义为近似违约的公司债券，评级较高的公司定义为正常公司，可能会导致研究结果有一些偏差，还需后续研究加以充实改进。

【参考文献】

[1] 周首华，杨济华，王平.论财务危机的预警分析――F分数模式[J].会计研究，1996（8）：8-11.

[2] 陈静.上市公司财务恶化预测的实证分析[J]. 会计研究，1999（4）：31-38.

[3] 吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001（6）：46-55.

[4] 朱建平，殷瑞飞.SPSS在统计分析中的应用[M].北京：清华大学出版社，2007.