基于CART-Bagging算法的債券違約預(yù)警模型研究

林同源

（貴州大學(xué)，貴州 貴陽(yáng) 550025）

一、引言

近年來(lái)，隨著我國(guó)金融市場(chǎng)化改革的不斷推進(jìn)，債券發(fā)行的種類與數(shù)量增長(zhǎng)迅速，同時(shí)違約問(wèn)題也日益受到投資者的關(guān)注。2018年～2019年我國(guó)債券違約共計(jì)340只，違約金額高達(dá)2199.90億元，大大超過(guò)2014年～2017年債券違約金額之和。因此，構(gòu)建一個(gè)有效的企業(yè)債券違約預(yù)警模型有重要的理論與現(xiàn)實(shí)意義。

目前有關(guān)企業(yè)債券違約預(yù)警模型的構(gòu)建主要有兩大方向：

一種是基于傳統(tǒng)計(jì)量模型如logistic回歸、KMV模型等，國(guó)內(nèi)外眾多學(xué)者對(duì)此有較為深入的研究。金曉夢(mèng)等[1]通過(guò)KMV模型解決了不同評(píng)級(jí)公司之間評(píng)級(jí)標(biāo)準(zhǔn)不統(tǒng)一的問(wèn)題，有效地度量了樣本企業(yè)的違約率；李梓嫻[2]運(yùn)用改進(jìn)的KMV模型分析了河南省地方政府債券違約率與其債券發(fā)行量的關(guān)系；Mizen等[3]發(fā)現(xiàn)使用次序probit模型能更有效地評(píng)估債券信用風(fēng)險(xiǎn)；生柳榮等[4]采用Logistic回歸的方式構(gòu)建了非金融企業(yè)債券違約預(yù)警模型對(duì)企業(yè)的違約風(fēng)險(xiǎn)進(jìn)行了有效評(píng)估；郭兆靈[5]通過(guò)改進(jìn)的Lasso-logistic回歸構(gòu)建模型，從違約債券樣本中選取了11項(xiàng)關(guān)鍵的預(yù)警指標(biāo)。

另一種則是基于機(jī)器學(xué)習(xí)算法，如決策樹(shù)、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。作為一種新興的構(gòu)建預(yù)警模型的方法，其迅速受到了學(xué)者們的關(guān)注。沈沛龍等[6]以200家中小企業(yè)為樣本，使用支持向量機(jī)理論預(yù)測(cè)發(fā)債企業(yè)的信用風(fēng)險(xiǎn)并通過(guò)違約概率來(lái)評(píng)估企業(yè)的信用等級(jí)；匡海波等[7]以深交所940家中小板企業(yè)為對(duì)象，利用BP神經(jīng)網(wǎng)絡(luò)篩選出了鑒別企業(yè)違約能力最強(qiáng)的48個(gè)指標(biāo)變量，構(gòu)建了一套在供應(yīng)鏈金融下中小企業(yè)違約風(fēng)險(xiǎn)評(píng)估的指標(biāo)體系。

在機(jī)器學(xué)習(xí)算法中，因決策樹(shù)算法有原理通俗易懂與數(shù)據(jù)預(yù)處理較為方便的優(yōu)點(diǎn)，受到了較為廣泛的關(guān)注。李星辰等[8]引用企業(yè)財(cái)務(wù)數(shù)據(jù)，并通過(guò)使用比較不同機(jī)器學(xué)習(xí)算法預(yù)測(cè)的準(zhǔn)確率，得出C5.0決策樹(shù)算法對(duì)公司財(cái)務(wù)預(yù)警具有較好的作用；宋宇等[9]以決策樹(shù)C5.0算法為基礎(chǔ)，采用決策樹(shù)集成bagging的方法解決樣本數(shù)據(jù)不平衡的問(wèn)題，提高了模型的預(yù)測(cè)率；李嘉東[10]以工業(yè)上市企業(yè)數(shù)據(jù)為樣本，證明了采用C5.0中隨機(jī)森林的決策樹(shù)集成的方式構(gòu)建模型可以提升財(cái)務(wù)預(yù)警模型的預(yù)測(cè)準(zhǔn)確率；Mathieu等[11]采用隨機(jī)森林的集成算法證實(shí)了權(quán)益信貸比公式（E2C）在預(yù)測(cè)企業(yè)互換信用違約（CDS）時(shí)的優(yōu)勢(shì)，以及其公司債務(wù)評(píng)級(jí)和規(guī)模的影響?？偠灾谀壳霸谟嘘P(guān)決策樹(shù)算法預(yù)測(cè)債券違約的相關(guān)研究中，較多的以企業(yè)財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)，利用決策樹(shù)中的C5.0算法構(gòu)建預(yù)警模型，且多數(shù)研究都證實(shí)了采用決策樹(shù)集成的方式，如bagging、隨機(jī)森林等能夠提升原預(yù)警模型的預(yù)測(cè)準(zhǔn)確率。

CART是決策樹(shù)中的另一種算法，該算法既可以研究分類問(wèn)題，可也以研究回歸問(wèn)題。Yang等[12]以企業(yè)財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)，使用CART算法對(duì)60家ST企業(yè)和30家非ST企業(yè)進(jìn)行了信用評(píng)估與風(fēng)險(xiǎn)預(yù)測(cè)，并指出在此算法基礎(chǔ)上使用bagging的集成方法可以大大提升模型的預(yù)測(cè)穩(wěn)定性；Kelley等[13]通過(guò)對(duì)美國(guó)得克薩斯州達(dá)拉斯的房地產(chǎn)樣本數(shù)據(jù)的研究，發(fā)現(xiàn)在大樣本條件下CART-bagging算法的預(yù)測(cè)能力要優(yōu)于傳統(tǒng)的OLS估計(jì)。

本文采用基于CART決策樹(shù)的集成bagging算法，探究非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)對(duì)預(yù)測(cè)企業(yè)債券違約的作用，同時(shí)通過(guò)構(gòu)建債券違約預(yù)警模型，選取對(duì)預(yù)測(cè)企業(yè)債券違約較為關(guān)鍵的相關(guān)指標(biāo)，以便對(duì)今后的相關(guān)研究提供便利。

二、實(shí)證分析

1.樣本的選取

本文選取我國(guó)2015年～2019年期間發(fā)生債券違約企業(yè)157家，因部分非上市違約企業(yè)并未進(jìn)行及時(shí)的數(shù)據(jù)披露，實(shí)際具有數(shù)據(jù)分析價(jià)值的違約企業(yè)為109家，同時(shí)選取對(duì)應(yīng)行業(yè)的有存續(xù)債的未發(fā)生違約企業(yè)231家作為健康企業(yè)實(shí)證樣本。數(shù)據(jù)來(lái)源為wind債券數(shù)據(jù)庫(kù)。

在對(duì)違約企業(yè)數(shù)據(jù)選取的過(guò)程中，為確保整體數(shù)據(jù)的嚴(yán)謹(jǐn)性，保留了存在部分變量數(shù)據(jù)缺失的企業(yè)樣本。同時(shí)，為控制變量，避免違約企業(yè)未發(fā)生債券違約年份的數(shù)據(jù)可能和發(fā)生債券違約年份的數(shù)據(jù)產(chǎn)生相關(guān)性從而影響模型判斷，將同一個(gè)未發(fā)生違約企業(yè)的不同年份數(shù)據(jù)作為不同的樣本，而違約企業(yè)僅選取違約年份的數(shù)據(jù)作為樣本。

以上共得到實(shí)證樣本數(shù)據(jù)1310個(gè)。其中，未發(fā)生違約企業(yè)樣本數(shù)1155個(gè)，發(fā)生違約企業(yè)樣本數(shù)155個(gè)，違約與非違約樣本比例約為1∶7。在建模時(shí)，將未發(fā)生違約的企業(yè)樣本記為“0”，將發(fā)生違約的企業(yè)樣本記為“1”，同時(shí)采用分層抽樣，從未發(fā)生與發(fā)生違約企業(yè)的樣本中各抽取60%樣本作為訓(xùn)練集（693個(gè)未發(fā)生違約樣本，93個(gè)發(fā)生違約樣本），30%樣本作為測(cè)試集（346個(gè)未發(fā)生違約樣本，46個(gè)發(fā)生違約樣本），剩下的10%數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)（115個(gè)未發(fā)生違約樣本，15個(gè)發(fā)生違約樣本），來(lái)驗(yàn)證模型的預(yù)測(cè)準(zhǔn)確率。

2.預(yù)測(cè)指標(biāo)變量的選取

在預(yù)測(cè)指標(biāo)變量選取方面，本文參考了部分國(guó)內(nèi)外權(quán)威信用評(píng)級(jí)機(jī)構(gòu)如中誠(chéng)信、穆迪的評(píng)級(jí)指標(biāo)，并綜合相關(guān)文獻(xiàn)所選取的指標(biāo)，將預(yù)測(cè)指標(biāo)分為三個(gè)部分，即財(cái)務(wù)數(shù)據(jù)、非財(cái)務(wù)數(shù)據(jù)、宏觀經(jīng)濟(jì)數(shù)據(jù)。

財(cái)務(wù)數(shù)據(jù)中包括四個(gè)評(píng)價(jià)維度：資產(chǎn)規(guī)模、經(jīng)營(yíng)能力、償債能力、盈利能力。具體指標(biāo)如表1所示。

表1 財(cái)務(wù)數(shù)據(jù)指標(biāo)體系

非財(cái)務(wù)數(shù)據(jù)則包括企業(yè)管理成本、審計(jì)意見(jiàn)、政策支持力度、股權(quán)結(jié)構(gòu)。其中，管理成本與政策支持力度因無(wú)法直接計(jì)量，從而采用管理費(fèi)用/營(yíng)業(yè)總收入、稅收減免、政府補(bǔ)助這三個(gè)指標(biāo)來(lái)間接體現(xiàn)。審計(jì)意見(jiàn)代表了審計(jì)機(jī)構(gòu)對(duì)企業(yè)財(cái)務(wù)信息披露的認(rèn)可程度，一般分為無(wú)保留意見(jiàn)、有保留意見(jiàn)，否定意見(jiàn)和拒絕表示意見(jiàn)四種情況。在本文中，將所有無(wú)保留意見(jiàn)記為“0”，表示該本年度該企業(yè)財(cái)務(wù)信息披露較為全面；其余計(jì)記“1”，表示該企業(yè)在財(cái)務(wù)信息披露方面存在一定問(wèn)題。股權(quán)結(jié)構(gòu)則以第一大股東持股比例為代表，表現(xiàn)企業(yè)在經(jīng)營(yíng)方面話語(yǔ)權(quán)的強(qiáng)弱。

在宏觀數(shù)據(jù)的選取上，本文選取2015年～2019年全國(guó)居民基尼系數(shù)、PPI（生產(chǎn)價(jià)格指數(shù)）、M2（廣義貨幣供應(yīng)量） 、社會(huì)融資規(guī)模、全國(guó)與企業(yè)所在省份的GDP。其中，為剔除物價(jià)變動(dòng)的影響，對(duì)全國(guó)與企業(yè)所在省份GDP的數(shù)據(jù)采用了不變價(jià)，以2015年的物價(jià)指數(shù)作為基期計(jì)算得出。

3.決策樹(shù)的構(gòu)建

本文使用SPSS-Modeler軟件構(gòu)建決策樹(shù)模型。其中，為了探究非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)對(duì)企業(yè)債券違約預(yù)測(cè)的作用，構(gòu)建了三類預(yù)測(cè)模型。一類為以純財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)所構(gòu)建的預(yù)測(cè)模型，用以對(duì)照；一類為以非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)為基礎(chǔ)所構(gòu)建的單獨(dú)預(yù)測(cè)模型，用以展示這兩類數(shù)據(jù)本身對(duì)預(yù)測(cè)債券違約的作用大小；最后一類為在傳統(tǒng)財(cái)務(wù)數(shù)據(jù)構(gòu)建模型的基礎(chǔ)上依次加入非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)，以表現(xiàn)非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)對(duì)以財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的預(yù)測(cè)模型的提升作用。通過(guò)對(duì)這兩類模型的對(duì)比分析，可以較為清楚地得知非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)在預(yù)測(cè)企業(yè)債券違約過(guò)程中的具體作用。

以下為構(gòu)建決策樹(shù)模型的具體步驟：

第一步：聚類。對(duì)純財(cái)務(wù)數(shù)據(jù)的數(shù)據(jù)集D1、非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)數(shù)據(jù)集D2進(jìn)行K-Means聚類分析，得出最佳分類都為三類，此時(shí)凝聚和分離的輪廓測(cè)量為0.3與0.5，都屬于良好范疇，同時(shí)也是單數(shù)，利于基學(xué)習(xí)器的投票輸出。

第二步：設(shè)置基學(xué)習(xí)器。根據(jù)以上聚類結(jié)果設(shè)置三個(gè)基學(xué)習(xí)器進(jìn)行bagging，基學(xué)習(xí)器則采用CART決策樹(shù)算法。通過(guò)對(duì)企業(yè)財(cái)務(wù)數(shù)據(jù)的分析學(xué)習(xí)預(yù)測(cè)其是否將會(huì)發(fā)生違約。

第三步：加入非財(cái)務(wù)數(shù)據(jù)。加入新指標(biāo)后聚類結(jié)果將可能發(fā)生改變因此需重新對(duì)新的訓(xùn)練集數(shù)據(jù)進(jìn)行K-Means聚類分析，得出新數(shù)據(jù)集D3的最佳分類為三類，凝聚和分離的輪廓測(cè)量為0.3，屬良好范疇。重復(fù)上述步驟根據(jù)聚類結(jié)果設(shè)置三個(gè)基學(xué)習(xí)器，判斷通過(guò)加入非財(cái)務(wù)數(shù)據(jù)是否能提高模型的預(yù)測(cè)精準(zhǔn)程度。

第四步：加入宏觀數(shù)據(jù)。緊接上述步驟，在加入宏觀變量后對(duì)數(shù)據(jù)集D4進(jìn)行K均值聚類，發(fā)現(xiàn)當(dāng)分為兩類時(shí)凝聚和分離的輪廓測(cè)量為0.4，聚類質(zhì)量較高，但是由此設(shè)置兩個(gè)基學(xué)習(xí)器則有可能會(huì)出現(xiàn)“平票”問(wèn)題，同時(shí)相比于分三類，樣本在分五類時(shí)的凝聚和分離的輪廓測(cè)量較優(yōu)為0.2，因此選擇分五類的情況，設(shè)置五個(gè)基學(xué)習(xí)器進(jìn)行預(yù)測(cè)。

4.模型結(jié)果分析

（1）預(yù)測(cè)結(jié)果對(duì)比

如表2所示，以非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)所構(gòu)建的預(yù)測(cè)模型準(zhǔn)確率較高，訓(xùn)練集的準(zhǔn)確率達(dá)到92.64%，在測(cè)試集為93.1%，驗(yàn)證集則為90%，雖然在訓(xùn)練集中的準(zhǔn)確率不如以純財(cái)務(wù)數(shù)據(jù)構(gòu)建的模型，但是測(cè)試集與驗(yàn)證集中非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)模型的準(zhǔn)確率均占優(yōu)勢(shì)?？梢?jiàn)，這非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)本身對(duì)預(yù)測(cè)企業(yè)債券是否違約的效果也相對(duì)較好。

表2 模型預(yù)測(cè)準(zhǔn)確率對(duì)比

同時(shí)，在加入非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)后，以原始財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的預(yù)測(cè)模型的準(zhǔn)確率提升效果有限。其中：加入非財(cái)務(wù)數(shù)據(jù)對(duì)模型訓(xùn)練集準(zhǔn)確率的影響很低，但是在加入了宏觀數(shù)據(jù)之后，訓(xùn)練集的準(zhǔn)確率有了一定提升，但是仍然有限；非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)對(duì)測(cè)試集與驗(yàn)證集準(zhǔn)確率的提升較訓(xùn)練集而言相對(duì)明顯，測(cè)試集的預(yù)測(cè)準(zhǔn)確率從原先的92.61%上升到了最終的94.09%，驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率從原先的89.23%上升到了90.77%。

將兩類模型最終的結(jié)果進(jìn)行對(duì)比后可以發(fā)現(xiàn)，從總體上看，以原始財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)并加入非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)的預(yù)測(cè)模型在訓(xùn)練集、測(cè)試集與驗(yàn)證集的預(yù)測(cè)準(zhǔn)確率方面均略高于單以非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)所構(gòu)建的模型，但是二者相差不明顯，準(zhǔn)確率差距僅為1%上下，說(shuō)明非財(cái)務(wù)數(shù)據(jù)和宏觀數(shù)據(jù)本身對(duì)預(yù)測(cè)債券是否違約具有一定作用，但加入這兩項(xiàng)數(shù)據(jù)對(duì)以原始財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的預(yù)測(cè)模型預(yù)測(cè)率提升作用則相對(duì)有限。

（2）預(yù)測(cè)變量重要性分析

在預(yù)測(cè)企業(yè)債券是否會(huì)發(fā)生違約過(guò)程中，某些預(yù)測(cè)指標(biāo)變量起著比較關(guān)鍵的作用。根據(jù)前文所述，在CART算法中，變量重要性體現(xiàn)在其Gini差值的大小中，差值越大，變量純度越高，重要性則越強(qiáng)。在本研究中，以原始財(cái)務(wù)數(shù)據(jù)預(yù)測(cè)模型（G1）、非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)預(yù)測(cè)模型（G2）以及包括財(cái)務(wù)數(shù)據(jù)、非財(cái)務(wù)數(shù)據(jù)以及宏觀數(shù)據(jù)的總模型（G3）為例，選取上述三種模型結(jié)果中預(yù)測(cè)重要性排名前五的變量。

①原始財(cái)務(wù)模型

在原始財(cái)務(wù)數(shù)據(jù)模型（G1）中，重要程度前五的變量為總資產(chǎn)報(bào)酬率ROA、成本費(fèi)用率、凈資產(chǎn)收益率ROE、凈利潤(rùn)/營(yíng)業(yè)總收入、資產(chǎn)負(fù)債率，具體重要性大小如圖1所示。

圖1 模型G1指標(biāo)變量重要性排序

總資產(chǎn)報(bào)酬率ROA在模型（G1）中對(duì)預(yù)測(cè)企業(yè)債券是否違約中的作用較為突出?？傎Y產(chǎn)報(bào)酬率ROA=企業(yè)息稅前利潤(rùn)/平均總資產(chǎn)，此指標(biāo)用來(lái)判斷企業(yè)運(yùn)用全部資產(chǎn)的總體獲利能力強(qiáng)弱，是評(píng)價(jià)企業(yè)資產(chǎn)營(yíng)運(yùn)效益大小的關(guān)鍵性指標(biāo)。ROA較高，則說(shuō)明企業(yè)對(duì)其資產(chǎn)的使用效率高，也意味著企業(yè)的資產(chǎn)盈利能力強(qiáng)。因此該指標(biāo)才能成為預(yù)測(cè)企業(yè)是否違約變量中地位較為突出的財(cái)務(wù)指標(biāo)之一。成本費(fèi)用利潤(rùn)率是指企業(yè)利潤(rùn)總額與成本費(fèi)用總額的比率，體現(xiàn)企業(yè)單位成本所創(chuàng)造的利潤(rùn)大小，該指標(biāo)越大則說(shuō)明企業(yè)單位成本投入所創(chuàng)造的利潤(rùn)較多，盈利能力較強(qiáng)，是較為典型的判斷企業(yè)盈利能力的指標(biāo)之一，但對(duì)企業(yè)的綜合反映能力不如總資產(chǎn)報(bào)酬率ROA。

凈利潤(rùn)/營(yíng)業(yè)收入與凈資產(chǎn)收益率ROE的在預(yù)測(cè)企業(yè)違約中的重要程度相差不明顯。凈利潤(rùn)/營(yíng)業(yè)收入即營(yíng)業(yè)收入凈利率，體現(xiàn)企業(yè)凈利潤(rùn)占營(yíng)業(yè)收入的比率，反映企業(yè)盈利能力的大小，提高凈利潤(rùn)在營(yíng)業(yè)收入中的比重就只能減小成本，提高經(jīng)營(yíng)效率，但這個(gè)指標(biāo)會(huì)受到非經(jīng)常性損益如政府補(bǔ)貼等影響，抗干擾能力較弱；凈資產(chǎn)收益率ROE，即股東權(quán)益報(bào)酬率，是企業(yè)凈利潤(rùn)與平均股東權(quán)益的比率，也是企業(yè)稅后利潤(rùn)與凈資產(chǎn)的比率，該指標(biāo)可以對(duì)股東權(quán)益收益水平進(jìn)行較好的判斷，用以衡量公司運(yùn)用自有資本的運(yùn)作效率。如果企業(yè)的ROE較高，則說(shuō)明該企業(yè)股東投資所得收益較高，但該指標(biāo)與營(yíng)業(yè)收入凈利率一樣，存在抗干擾較弱的問(wèn)題：一般而言企業(yè)負(fù)債的增加會(huì)導(dǎo)致ROE的上升，因?yàn)楦鶕?jù)改進(jìn)后的杜邦分析公式，ROE=凈經(jīng)營(yíng)資產(chǎn)凈利率+（凈經(jīng)營(yíng)資產(chǎn)凈利率-稅后利息費(fèi)用率）×凈財(cái)務(wù)杠桿，而凈財(cái)務(wù)杠桿=凈負(fù)債/股東權(quán)益，所以如果凈負(fù)債增加會(huì)在理論上使ROE增加。高杠桿無(wú)非是為了尋求高收益，但這也會(huì)增大企業(yè)的違約風(fēng)險(xiǎn)。

排名第五的變量指標(biāo)為資產(chǎn)負(fù)債率，其作為傳統(tǒng)財(cái)務(wù)分析指標(biāo)之一，對(duì)判斷企業(yè)經(jīng)營(yíng)狀況具有較為基礎(chǔ)的作用。資產(chǎn)負(fù)債率=總負(fù)債/總資產(chǎn)，它反映了企業(yè)總負(fù)債與總資產(chǎn)的比率，該指標(biāo)越高表示企業(yè)的負(fù)債經(jīng)營(yíng)越嚴(yán)重，借貸風(fēng)險(xiǎn)也就越大，當(dāng)資產(chǎn)負(fù)債率達(dá)到100%甚至超過(guò)100%時(shí)，則代表該企業(yè)已“資不抵債”處在經(jīng)營(yíng)崩潰的邊緣。資產(chǎn)負(fù)債率作為一個(gè)較為寬泛的靜態(tài)指標(biāo)，在計(jì)算時(shí)既沒(méi)有考慮企業(yè)負(fù)債的償還期限也沒(méi)有考慮企業(yè)資產(chǎn)的結(jié)構(gòu)，因此存在較大的局限性。

②非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)模型

審計(jì)意見(jiàn)類別、管理費(fèi)用/營(yíng)業(yè)總收入、大股東持股比例、PPI、M2是非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)模型（G2）中重要性較高的五個(gè)指標(biāo)，其具體重要性排序如圖2所示。

圖2 模型G2指標(biāo)變量重要性排序

在這五條預(yù)測(cè)變量指標(biāo)中，作為非財(cái)務(wù)數(shù)據(jù)的審計(jì)意見(jiàn)純度最高，重要性最強(qiáng)，可見(jiàn)審計(jì)意見(jiàn)對(duì)于判斷企業(yè)債券是否違約有著較為關(guān)鍵的作用。審計(jì)意見(jiàn)代表了審計(jì)部門(mén)對(duì)企業(yè)本年度財(cái)務(wù)報(bào)表信息披露的認(rèn)可程度，財(cái)務(wù)發(fā)生危機(jī)的企業(yè)不會(huì)在財(cái)務(wù)報(bào)表中披露企業(yè)的所有信息，往往會(huì)隱瞞相關(guān)經(jīng)營(yíng)不善的數(shù)據(jù)，從而在審計(jì)意見(jiàn)類別中體現(xiàn)為帶強(qiáng)調(diào)事項(xiàng)段的無(wú)保留意見(jiàn)、保留意見(jiàn)等；而財(cái)務(wù)狀況良好的企業(yè)在財(cái)務(wù)數(shù)據(jù)披露方面則較為全面，從而在審計(jì)意見(jiàn)中體現(xiàn)為標(biāo)準(zhǔn)的無(wú)保留意見(jiàn)。

“管理費(fèi)用/營(yíng)業(yè)總收入”的純度（G2）中排名第二，其主要間接反映企業(yè)的委托代理成本，該比率可以間接體現(xiàn)出企業(yè)在維持日常經(jīng)營(yíng)過(guò)程中所付出的成本以及效益大小。企業(yè)在委托代理的過(guò)程中較為容易出現(xiàn)道德風(fēng)險(xiǎn)，即管理層謀求個(gè)人私益而犧牲企業(yè)長(zhǎng)遠(yuǎn)的發(fā)展利益，從而容易出現(xiàn)管理費(fèi)用較高而企業(yè)營(yíng)業(yè)總收入較低的情形，長(zhǎng)此以往，企業(yè)抵御風(fēng)險(xiǎn)的能力則會(huì)大大下降，增大違約的可能性。

第一大股東持股比例、PPI、M2這三個(gè)指標(biāo)的純度相差不大，對(duì)企業(yè)的影響也較為間接，大股東持有企業(yè)多數(shù)股票，控制了企業(yè)的經(jīng)營(yíng)決策權(quán)，大股東的意志會(huì)在一定程度上左右企業(yè)的發(fā)展。PPI指生產(chǎn)價(jià)格指數(shù)，該指數(shù)的高低反映我國(guó)在一定時(shí)期內(nèi)的企業(yè)生產(chǎn)原料價(jià)格水平的高低，PPI的變化會(huì)影響企業(yè)的生產(chǎn)成本、管理成本等。M2指廣義貨幣供應(yīng)量，指在銀行體系之外流通中的現(xiàn)金加上居民與各企業(yè)的存款等，其通常反映社會(huì)總需求變化和未來(lái)通脹的壓力狀態(tài)，對(duì)企業(yè)的經(jīng)營(yíng)決策方向及業(yè)務(wù)開(kāi)展情況會(huì)產(chǎn)生一定影響。

③財(cái)務(wù)數(shù)據(jù)、非財(cái)務(wù)數(shù)與宏觀數(shù)據(jù)

在包括財(cái)務(wù)數(shù)據(jù)、非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)的模型（G3）中，排名靠前的變量指標(biāo)為審計(jì)意見(jiàn)類別、總資產(chǎn)報(bào)酬率ROA、成本費(fèi)用率、凈利潤(rùn)/營(yíng)業(yè)總收入、凈資產(chǎn)收益率ROE，具體重要性大小如圖3所示。

圖3 模型G3指標(biāo)變量重要性排序

從圖3中可見(jiàn)除審計(jì)意見(jiàn)類別為模型G2中的非財(cái)務(wù)指標(biāo)外，其余變量均為模型G1中重要性排名靠前的財(cái)務(wù)指標(biāo)，且模型G3中排名前五的指標(biāo)中沒(méi)有宏觀數(shù)據(jù)變量。究其原因，雖然宏觀環(huán)境的變化的確會(huì)對(duì)債券違約情況產(chǎn)生影響，但這種影響是間接的，宏觀經(jīng)濟(jì)環(huán)境的好壞會(huì)反映在企業(yè)的財(cái)務(wù)狀況上，如宏觀經(jīng)濟(jì)環(huán)境惡化，那么發(fā)債企業(yè)的財(cái)務(wù)狀況則可能會(huì)受到波及，這將會(huì)反映在某些具體財(cái)務(wù)指標(biāo)的變化上。如在新冠疫情期間，社會(huì)生產(chǎn)停滯，居民消費(fèi)受到抑制，某些企業(yè)的營(yíng)業(yè)收入下降，凈利潤(rùn)降低甚至為負(fù)，導(dǎo)致無(wú)法按時(shí)償還所發(fā)出的債券利息。因此，重要性較高的變量大多為財(cái)務(wù)指標(biāo)或非財(cái)務(wù)指標(biāo)。

三、結(jié)語(yǔ)

本文考慮了非財(cái)務(wù)指標(biāo)與宏觀數(shù)據(jù)在預(yù)測(cè)企業(yè)債券違約中的作用，并使用CART-bagging算法構(gòu)建了三類預(yù)警模型，一是以純財(cái)務(wù)數(shù)據(jù)構(gòu)建的預(yù)警模型，二是以非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)單獨(dú)構(gòu)建的預(yù)警模型，三是在以財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)并依次加入非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)所構(gòu)建的模型。研究發(fā)現(xiàn)：非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)本身對(duì)預(yù)測(cè)企業(yè)債券違約就有一定的作用，且其預(yù)測(cè)準(zhǔn)確率不亞于單純以原始財(cái)務(wù)數(shù)據(jù)所構(gòu)建的模型；在原始財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的模型中依次加入非財(cái)務(wù)數(shù)據(jù)與宏觀數(shù)據(jù)后，模型測(cè)試集與驗(yàn)證集預(yù)測(cè)準(zhǔn)確率都獲得了不同程度的提升，但提升僅為1%左右。此結(jié)果證明了非財(cái)務(wù)指標(biāo)與宏觀指標(biāo)對(duì)優(yōu)化以財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的預(yù)警模型的作用有限。

同時(shí)，本文也對(duì)這三類模型中排名前五的變量指標(biāo)進(jìn)行了單獨(dú)分析，闡述了其對(duì)預(yù)測(cè)企業(yè)債券違約的重要意義。其中非財(cái)務(wù)數(shù)據(jù)里的審計(jì)意見(jiàn)類別對(duì)預(yù)測(cè)結(jié)果的影響較為顯著，而宏觀數(shù)據(jù)的影響則比較有限，主要是因?yàn)楹暧^環(huán)境對(duì)企業(yè)的影響是間接的。同時(shí)，財(cái)務(wù)數(shù)據(jù)中的總資產(chǎn)報(bào)酬率ROA、成本費(fèi)用率、凈利潤(rùn)/營(yíng)業(yè)總收入、凈資產(chǎn)收益率ROE也在預(yù)測(cè)債券違約中有著重要的作用，在今后的相關(guān)研究中可對(duì)這些指標(biāo)加以重點(diǎn)關(guān)注。