能源类企业债信用价差影响因素研究

摘要：本文根据国家能源局对能源行业的分类，对上海证券交易所债券市场流通的企业债及公司债进行统计分类，对电力、石油天然气和煤炭三大传统能源行业的债券信用价差结构及宏观影响因素进行实证研究。使用Nelson-Siegel扩展模型拟合无风险利率曲线并计算信用价差，拟合效果较好。在此基础上，建立时间序列多元回归模型，对三个行业的企业债信用价差宏观影响因素进行比较分析，发现不同行业之间其信用价差宏观影响因素具有明显的行业差异。

关键词：能源产业 企业债券 信用价差 影响因素

一、引言

能源行业主要有传统能源和新能源两大类，我国长期以来采取依靠能源资源投入支撑经济增长的粗放型发展方式，传统能源行业是市场需求的主要方面。2008年金融危机以来，世界经济形势不断下行，国内宏观形势紧张，生产成本加大，对我国能源类企业的投产、新开工及在建规模产生较大影响。国家现阶段鼓励能源企业进行技术升级和改造，鼓励企业之间横向、纵向的联合、兼并、重组，打造能源行业的优势品牌。这一系列的举措，无不需要巨额的优质资金。总体而言，煤炭等能源行业资产形式以固定资产为主，经营收入稳定、投资周期长；相对于股票融资和银行贷款，债券融资除具有自身优势之外，目前在我国更有政策上的支持和保障。因此，我国现阶段的多个能源行业企业更适合发行债券来筹集资金。从发债情况来看，电力、石油和煤炭的发债量具有一定的发展潜力和战略性。2000年，我国仅有3只电力企业债券发行，2011年全年发行63只能源类企业债券；2012年1月到10月能源行业企业债券的发行数量83只，逐年攀升，因能源类企业结构和公司发展特点，其发行规模相对较大。

在发行企业债券时确定合理的初始票面利率，既能降低融资成本又能使融资更顺利。在理论上，信用价差是企业债定价的关键因素。Duffie等（1999）用简约模型对可违约债券利率期限结构进行研究，并就信用价差期权的定价模型做了实证研究。Elton等（2004）通过对穆迪及标准普尔的企业债券评级研究后发现，违约风险、流动性、应纳税金、回收率、债券发行时间等因素对债券价格波动及债券定价有重要影响。Tian L.等（2008）针对即期利率、国债收益率、公司债指数等因素对债券的广义信用利差进行分析发现，这些因素对债券的广义信用利差的解释率低于50%。

国内对企业债券信用价差以及其影响因素的实证研究较少。刘国光等（2005）选取上交所2004年6月30日的6只公司债券，研究信用利差和国债收益率序列之间短期和长期的均衡关系，但对实证结果的解释存在显著性水平不一致的问题，直接影响到结论的可靠性。杨文瀚等（2005）采用灰色系统理论建立GM（1，1）模型，首次对我国企业债信用价差进行了精度较高的预测，结果理想。孙克（2009，2010）采用虚拟变量回归方法，发现我国高信用级别的企业债信用价差线呈现驼峰型。在后续的研究中，应用GARCH族模型研究发现短期利率、国债收益曲线的斜率、通货膨胀率、国债收益曲线的曲率以及汇率因素对企业债信用价差变化和波动具有至关重要的作用，并因企业债期限的不同而有差异。冯宗宪等（2009）为企业债信用价差序列建立了动态时间序列模型，发现短期企业债信用价差序列表现出了自回归和移动平均特征，中期和长期企业债信用价差序列则仅表现出自回归特征。

国内外学者对企业债信用价差宏观的经济环境、微观的个体因素以及市场流动性因素研究已经相当成熟，但具体到行业的研究则几乎没有。本文以融资需求较大的能源产业为着眼点，加入行业影响因子进行分析，以期能结合行业特征建立能源类各行业企业债券信用价差的影响因素回归模型，并为后续其他行业的研究提供参考。

二、实证模型分析

（一）利率期限结构

1.无风险利率期限结构。在计算企业债信用价差的期限结构之前，需要推导出无风险利率期限结构。静态利率期限结构模型理论一般事先设定收益率曲线的函数形式，然后通过选取债券的某一横截面数据来估计函数中的参数，从而对收益率曲线进行拟合和估计。在国内外市场中，Nelson Siegel Svensson扩展模型已较为成熟，该模型对到期期限较长的数据不是很敏感，修正后的目标函数使模型不会出现对远期数据过度拟合的情况，比较符合期限结构理论。鉴于我国国债的品种数量较少、债券市场发展不完善，本文对利率期限结构的研究将以静态利率期限结构模型为基础。

（1）数据选取。本文选取2012年6月7日上海证券交易所16只附息国债收盘价作为无风险收益曲线拟合的价格数据（所用数据来源于上海证券交易所），样本债券期限1-20年不等，剩余期限0.05-13.12年不等。

（2）拟合过程。利用SAS程序对16只国债进行现金流分解，求得每只国债每期产生利息现金流的时间点和额度，见表1。对各期现金流赋予权重（债券期限的倒数），用数据搜索算法，通过循环计算得到NSS扩展模型的参数集。根据该数据集的结果排序，得到最小的目标函数，即为NSS扩展模型的最优参数。

计算可知，最优参数取值为β0=0.094，β1=-0.076，β2=-0.098，β3=0.054，τ1=9，τ2=3.4。根据NSS扩展模型作无风险收益曲线拟合，得到图1所示曲线。

2.企业债信用价差的利率期限结构建立。对企业债发行公司的信用利差进行拟合计算，理论依据是Nelson-Siegel扩展模型。在拟合过程中采用同一交易日石化、煤炭和电力三个行业的上证交易所债券数据分别进行联合估计。首先对当日的无风险收益率曲线进行拟合，其次利用样本企业债券数据得到企业债券收益率的散点图，与无风险收益联合做出信用价差模型。得出结论，三个行业的信用价差变化趋势大致相同，越接近到期日，信用价差越小。石化行业企业债信用价差较煤炭和电力行业较小。

（二）能源类企业债券信用价差描述性统计检验

1.描述性统计。本文主要选取以下宏观因素作为解释变量：（1）无风险收益率。样本为上海证券交易所正在流通的到期期限为10年的国债，收益率取2010年8月至2011年12月每月最后一个交易日的所有10年期国债收盘收益率的均值，数据来源于锐思数据库。（2）原油价格。取2010年8月至2011年11月间国内中石化胜利原油的月度现货价格。（3）汇率。取自中国银行公布的美元对人民币汇率，时间跨度为2010年8月至2011年12月，每月最后一个工作日数据，共17个观测值。（4）CPI指数。选用《中国统计年鉴》2010年8月至2011年12月各月CPI指数。（5）上证股指波动率。为2010年8月到2011年12月每月最后一个交易日“上证综合指数”的标准差。（6）上海银行间同业拆放利率。来自上海银行间同业拆放利率网站（），七天同业拆放利率。（7）发电量、发电量增长率以及火力发电量。选用《中国统计年鉴》中2010年8月至2011年12月工业主要产品产量及增长速度统计表。（8）石油天然气开采量、电力热力生产和供应业产量、天然原油产量以及天然原油累计增长率。选用《中国统计年鉴》中2010年8月至2011年12月工业分大类行业增加值增长速度统计表。

为了初步了解数据的基本情况，首先进行单变量分析。本模型利用2010年8月至2011年12月每月最后一个交易日煤炭、石化和电力三个行业的企业债券利差的平均值。考虑到样本的一致性、连续性以及样本数据的有效性，本文从已发行的三类企业债券中，根据交易活跃和发行期限时间等条件在各行业分别选择3只债券进行处理。所有数据来自锐思数据库和国家统计局统计数据。

2.相关性检验。通过对各变量之间的相关性进行计算可见，价差与大多数宏观指标之间的相关性并不显著，可以确定价差和各指标数据的合理性。煤炭行业信用价差与发电量等行业指标之间相关性较强，说明它们反映的信息有所重叠。石化和电力两个行业信用价差则与其大部分行业指标无明显相关性。

（三）能源类企业债券信用价差宏观影响因素分析

1.模型建立。在对信用价差及其宏观影响因素进行时间序列回归分析前，需要对各变量进行检验，判断其是否具有平稳性及其单整阶数。本文利用Eviews5.1软件对主要变量水平值和一阶差分进行ADF检验。单位根检验结果说明，各变量均为平稳时间序列，可以采用多元回归方程估计价差宏观影响因素。用最小二乘法估计石化企业价差宏观影响因素，经过计算，模型中的DW值大于2，说明模型残差序列存在着一定的负相关。为消除这一负关系，本文对残差序列做自相关和偏自相关分析，结果可知，该序列自相关系数拖尾，偏相关系数截尾。因此，在上述模型的基础上选用自回归模型（Auto-regressive，AR）。经过ARMA拟合，得到了较好的回归效果，R2=0.9665，D.W.=2.128381，F值=28.85461，P值=0.000041。

采用与上述相同的方法对煤炭、电力企业债券信用价差的宏观影响因素分别进行分析，用最小二乘法估计企业价差宏观影响因素模型。

2.向量自回归（VAR）模型和脉冲响应分析。多元回归分析存在一定的滞后性，因此对三个行业的企业债信用价差进行宏观影响因素分析之后，本文通过建立向量自回归（VAR）模型，分析变量之间的动态联系。首先利用VAR模型对石化行业企业债券信用价差（crsp2）、国际原油价格（x2）和天然原油产量（x14）三个变量之间的关系进行估计性质的实证分析，从而得出向量自回归方程中某一变量一个标准差大小的冲击对内生变量当前值和未来值的影响。国际原油价格和天然原油产量对石化企业信用价差产生的冲击较为相似，在第二期产生负冲击，随后又产生了正向的冲击。但原油产量在一定程度上对价差的冲击更加显著，原油产量增加一个百分点，对信用价差有一个负的影响，原油产量的增加使得石化企业债信用价差降低。

分别对煤炭行业企业债券信用价差（crsp1）、火力发电量（x9），煤炭开采增加值增长率（x11），电力行业企业债券信用价差（crsp3）、发电量（x8），电力热力生产和供应量（x13）建立VAR模型并进行平稳性检验后，进行脉冲响应分析。对于煤炭企业，信用价差、火力发电量的一个标准差的变动，对其在第二期产生了一个正冲击，随后趋近于0；煤炭开采增加值增长率则在前3期内对信用价差产生方向冲击，随后趋近于0并围绕其上下波动。发电量对电力企业信用价差的冲击在前三期为负，随后转变为正向冲击，并在接近12期时趋于0。电力热力生产和供应量对电力企业债信用价差同样是负面冲击。

三、小结

首先，由宏观回归结果可知，能源产业下三个行业的企业债信用价差的影响因素有着明显的行业区别。多元回归模型显示长期利率与企业债券利差呈显著负相关，CPI指数、股票指数波动性与企业债券利差正相关。但可以明显发现，CPI对石化行业的影响显著，而与电力和煤炭行业的信用价差之间相关性很弱。我国现已成为世界上石油消耗第二大国，工业消费和交通运输在石油总消费中长期占有近8成的比重。石油消费增多对石化企业的生产要求和产业规模有着一定的影响，加之我国石油资源紧缺现状，使投资者倾向于选择更加保守的投资策略，对相同程度的风险会要求更高的溢价来补偿，导致信用价差的增大。

其次，国内原油价格与石化行业企业债券利差呈负相关，这可能是因为我国企业债券市场和原油市场长期受计划经济调控，且我国企业债券市场发展程度较低、金融市场不够开放。石化行业企业价差与原油产量之间的负相关性说明，产量增加意味着企业经营和发展较好，其债券体现出企业自身的风险性小，因而价差变小。在煤炭行业企业债券价差模型中，信用价差与火力发电量、煤炭开采增加值增长率等行业指标呈负相关。在我国，煤炭的使用有1/3用于发电，火力发电量作为行业指标对信用价差有一定影响。行业指标的上升使得投资者对未来预期更加确定，风险溢价变小，从而电力行业信用价差变小。

（注：本文系中央高校基本科研业务费专项资金资助项目“基于风险控制的我国债券市场统一互联问题研究”；项目编号：2011YYL055）

参考文献：

1.Elton E.J.，M.J. Gruber，et al. Factors affecting the valuation of corporate bonds[J]. Journal of Banking & Finance，2004，28，（11）：2747-2767.

2.Tian L.， T.Y. Luo，and F. Zuo. The pricing of catastrophe bond by Monte Carlo simulation[J]. Proceedings of International Conference on Risk Management and Engineering Management，2008.

3.刘国光，王慧敏.公司债券信用价差和国债收益率动态关系研究[J].山西财经大学学报，2005，7，（5）：117-222.

4.杨文瀚，刘思峰，王燕.中国企业债信用价差的灰色预测及实证研究[J].中国管理科学，2005，（10）：169-171.

5.孙克.企业债信用价差动态过程的影响因素研究[J].证券市场导报，2010，（7）：24-31.