非金融企業(yè)債務(wù)融資工具風(fēng)險(xiǎn)的監(jiān)測(cè)預(yù)警

楊莉　石仕華　陳華勇　任桃麗　何琳

隨著債券市場(chǎng)發(fā)行及到期量不斷增加，違約債券數(shù)量逐年增多，對(duì)債券市場(chǎng)風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警管理提出了更高要求。債券市場(chǎng)透明度高，風(fēng)險(xiǎn)傳染快、外溢性強(qiáng)，容易演變成區(qū)域性、行業(yè)性風(fēng)險(xiǎn)，需高度關(guān)注與穩(wěn)妥化解。人民銀行結(jié)合銀行間債券市場(chǎng)特點(diǎn)，建立了管理、監(jiān)管和自律有機(jī)結(jié)合的債券市場(chǎng)管理體系。近期，本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)非金融企業(yè)債務(wù)融資工具的風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警進(jìn)行了實(shí)證研究，并運(yùn)用該模型對(duì)20家新發(fā)債主體信用風(fēng)險(xiǎn)情況進(jìn)行預(yù)測(cè)。

一、研究背景

（一）非金融企業(yè)債務(wù)融資工具發(fā)行情況

從存量看，截至2021年6月末，全國(guó)非金融企業(yè)債務(wù)融資工具（下文簡(jiǎn)稱“債務(wù)融資工具”）18176只，存續(xù)余額18.65萬億元，占全國(guó)公司類信用債券存續(xù)余額的比重為59.8%。從增量看，2021年1-6月，全國(guó)新發(fā)行債務(wù)融資工具9418只，金額7.74萬億元，同比增長(zhǎng)3.9%。

（二）非金融企業(yè)債務(wù)融資工具違約情況與特征分析

2015年1月至2021年6月末，銀行間債券市場(chǎng)累計(jì)發(fā)生437起債務(wù)融資工具違約事件，涉及金額4320.3億元，分別占所有違約公司類信用債券只數(shù)、違約金額的47.8%、54%。主要呈現(xiàn)以下特征：

1.按時(shí)間順序看，總體呈現(xiàn)逐年上升趨勢(shì)。2015-2021年6月末，債務(wù)融資工具分別違約9只、46只、32只、84只、85只、116只、65只。具體來看，債務(wù)融資工具在2018年、2020年出現(xiàn)了兩次躍升，分別是2017年有關(guān)融資收緊、打破剛性兌付等政策對(duì)企業(yè)再融資帶來影響，以及2020年新冠疫情對(duì)實(shí)體經(jīng)濟(jì)形成沖擊，導(dǎo)致部分發(fā)債主體資金鏈斷裂進(jìn)而違約。

2.分企業(yè)類型看，民營(yíng)企業(yè)是違約頻率較高的發(fā)債主體。2015年以來，民營(yíng)企業(yè)違約債券只數(shù)占比近六成（59.95%）。究其原因，一方面經(jīng)濟(jì)下行壓力持續(xù)加大，產(chǎn)能過剩行業(yè)景氣度走低，部分企業(yè)信用評(píng)級(jí)被下調(diào)，投資者選擇提前行權(quán)，導(dǎo)致企業(yè)無法履行回售義務(wù)觸發(fā)違約;另一方面民營(yíng)企業(yè)財(cái)務(wù)實(shí)力偏弱、抗風(fēng)險(xiǎn)能力較差，更容易發(fā)生違約事件。

3.分所屬行業(yè)看，債務(wù)融資工具違約行業(yè)越趨分散化。近年來，債務(wù)融資工具違約行業(yè)分布逐年變化分散至2021年幾乎遍布所有行業(yè)。制造業(yè)、服務(wù)業(yè)、綜合類、水電氣、建筑業(yè)、采礦業(yè)、房地產(chǎn)業(yè)違約只數(shù)分別占比為40.5%、16.9%、12.6%、12.4%、8.5%、6.4%、2.7%。

4.從信用評(píng)級(jí)看，2018年以來高信用評(píng)級(jí)主體違約顯著增加。2018年起，AA及以上債務(wù)融資工具違約占比逐年提高，甚至出現(xiàn)了一些財(cái)務(wù)狀況尚好、評(píng)級(jí)較高的上市公司的突發(fā)性違約，發(fā)生違約的高評(píng)級(jí)主體（AA+，AAA）從2017年的1家增加至19家，并在隨后的兩年內(nèi)持續(xù)保持在13家以上。

（三）非金融企業(yè)債務(wù)融資工具管理沿革

人民銀行總行及分支機(jī)構(gòu)：1997年，我國(guó)建立了銀行間債券市場(chǎng);2003年，“一行三會(huì)”金融監(jiān)管體系建立后，人民銀行保留了對(duì)銀行間債券市場(chǎng)的監(jiān)督管理職責(zé);2007年，人民銀行成立銀行間市場(chǎng)交易商協(xié)會(huì)，實(shí)行交易商協(xié)會(huì)注冊(cè)、監(jiān)管機(jī)構(gòu)備案的管理模式;2008年，人民銀行發(fā)布《銀行間債券市場(chǎng)非金融企業(yè)債務(wù)融資工具管理辦法》。

中國(guó)銀行間市場(chǎng)交易商協(xié)會(huì)：2007年以來，中國(guó)銀行間市場(chǎng)交易商協(xié)會(huì)在人民銀行指導(dǎo)下更新制定了《銀行間市場(chǎng)非金融企業(yè)債務(wù)融資工具存續(xù)期管理工作規(guī)程》、《銀行間市場(chǎng)非金融企業(yè)債務(wù)融資工具存續(xù)期風(fēng)險(xiǎn)管理工作指南》。債務(wù)融資工具存續(xù)期自律規(guī)則形成了主要包括信息披露、持有人會(huì)議、風(fēng)險(xiǎn)處置、存續(xù)期管理機(jī)構(gòu)、受托管理人、評(píng)級(jí)機(jī)構(gòu)等約束對(duì)象或事項(xiàng)的體系。

二、非金融企業(yè)債務(wù)融資工具風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建

（一）預(yù)警信號(hào)的選擇與預(yù)警指標(biāo)體系構(gòu)建

隨著進(jìn)入大數(shù)據(jù)時(shí)代，信息壁壘越來越低，財(cái)務(wù)信息、價(jià)格數(shù)據(jù)、輿情信息、投資者行為、高頻經(jīng)濟(jì)數(shù)據(jù)等都可成為債務(wù)融資工具可追蹤發(fā)掘的預(yù)警信號(hào)。借鑒陳毓敏等（2020）發(fā)現(xiàn)通過機(jī)器學(xué)習(xí)挖掘違約因子進(jìn)而建立的財(cái)務(wù)預(yù)警模型表現(xiàn)最佳，本文在此基礎(chǔ)上建立以財(cái)務(wù)指標(biāo)為主，外部因素與債券自身特性為輔的預(yù)警指標(biāo)體系。

（二）樣本選取與數(shù)據(jù)來源

基于數(shù)據(jù)的可獲得性及完整性，本文從WIND數(shù)據(jù)庫(kù)選取2014年至今發(fā)行債務(wù)融資工具并出現(xiàn)違約的23家上市公司作為研究對(duì)象。同時(shí)，為保證構(gòu)建出的模型的客觀性以及普適性，本文從未出現(xiàn)違約的債務(wù)融資工具發(fā)行主體中隨機(jī)抽取了281家企業(yè)，總共304家企業(yè)作為本文債務(wù)融資工具風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警模型的研究樣本。其中，由23家違約公司組成的研究對(duì)象稱為違約組，281只未違約公司組成的研究對(duì)象為正常對(duì)照組。

針對(duì)出現(xiàn)債券違約的公司，本文分別以其違約的前一期（t-1期）、前兩期（t-2期）和前三期（t-3期）的各項(xiàng)指標(biāo)進(jìn)行研究，如對(duì)2020年出現(xiàn)債券違約的公司，其t-1期、t-2期、t-3期各項(xiàng)指標(biāo)分別以2019年、2018年、2017年違約公司的年報(bào)數(shù)據(jù)及同期宏觀及行業(yè)數(shù)據(jù)為準(zhǔn)，不同違約公司的t值不同;針對(duì)未出現(xiàn)債券違約的公司，以本文研究年份為基準(zhǔn)，其t-1期、t-2期、t-3期分別表示基于2020年、2019年、2018年數(shù)據(jù)，用以預(yù)測(cè)2021年是否出現(xiàn)違約。

（三）樣本描述性統(tǒng)計(jì)

本文通過對(duì)違約組與正常對(duì)照組的主要特征值進(jìn)行分析發(fā)現(xiàn)：從均值看，違約樣本的償債能力、盈利能力、營(yíng)運(yùn)能力和成長(zhǎng)能力均遜于未違約樣本。違約樣本的利息保障倍數(shù)為0.94，低于未違約樣本6.74倍，表明產(chǎn)生的經(jīng)營(yíng)收益已完全不能支持其現(xiàn)有的債務(wù)規(guī)模;違約樣本應(yīng)收賬款周轉(zhuǎn)率為8.53，低于未違約樣本的34.46個(gè)百分點(diǎn)，流動(dòng)資產(chǎn)周轉(zhuǎn)率和總資產(chǎn)周轉(zhuǎn)率僅為未違約樣本的一半，表明違約樣本的應(yīng)收賬款管理回收速度慢、管理效率較低，利用其資產(chǎn)進(jìn)行經(jīng)營(yíng)的效果差、資產(chǎn)利用效益低;違約樣本的成本費(fèi)用率和營(yíng)業(yè)利潤(rùn)均值分別為-15.30和-638.88，而未違約樣本主體的以上比率均值分別為12.01和-27.28，表明違約樣本主體經(jīng)營(yíng)耗費(fèi)帶來的經(jīng)營(yíng)成果不好，盈利能力差，處于虧損狀態(tài)。另外，從中位數(shù)及方差情況來，違約樣本各指標(biāo)的中位數(shù)與均值的偏離程度，以及標(biāo)準(zhǔn)差的值均明顯高于未違約樣本，表明違約樣本中存在兩端極值，波動(dòng)性大、不穩(wěn)定性較高，而未違約樣本整體呈現(xiàn)相對(duì)穩(wěn)定的特征。

三、基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)預(yù)警模型實(shí)證分析

（一）BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

1.BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)。BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括網(wǎng)格層數(shù)、輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)及傳輸函數(shù)、訓(xùn)練方法、訓(xùn)練參數(shù)的設(shè)置等方面?？紤]到單個(gè)隱含層的網(wǎng)絡(luò)可以通過適當(dāng)增加神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)實(shí)現(xiàn)任意非線性映射，因此本文構(gòu)建3層的BP神經(jīng)網(wǎng)絡(luò)模型。本文考慮到隱含層節(jié)點(diǎn)對(duì)BP網(wǎng)絡(luò)的性能有很大影響，在進(jìn)行數(shù)據(jù)訓(xùn)練時(shí)，還需要對(duì)不同的隱含層節(jié)點(diǎn)數(shù)量進(jìn)行綜合比較，不斷地調(diào)整和訓(xùn)練，最后再確定出合理的隱含層節(jié)點(diǎn)數(shù)目;輸出層只包含1個(gè)神經(jīng)元，用0表示不會(huì)違約，1表示違約，在程序輸出中，設(shè)置0.5為閥值，小于0.5的輸出判定為0，否則判定為1。本文隱含層使用Sigmoid函數(shù)，輸出層使用線性函數(shù)。由于LM算法傳承了隨機(jī)梯度下降法和牛頓法的優(yōu)勢(shì)，收斂速度快，均方誤差小，適合用于小型神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，因此本文選擇LM算法作為BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)方法。權(quán)值設(shè)置方面，本文在神經(jīng)網(wǎng)絡(luò)模型中對(duì)權(quán)重采取隨機(jī)初始化，將初始權(quán)值定義為較小的非零隨機(jī)值。確定了以上參數(shù)后，我們將數(shù)據(jù)進(jìn)行歸一化處理，并輸入網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)，若網(wǎng)絡(luò)成功收斂，即可得到所需的神經(jīng)網(wǎng)絡(luò)。

2.BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果。

本文采用Matlab分析軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，將數(shù)據(jù)分成216個(gè)訓(xùn)練樣本（含違約樣本16份），選擇全部數(shù)據(jù)進(jìn)行預(yù)測(cè)，同時(shí)為抵消隨機(jī)因素影響，取相同的訓(xùn)練和測(cè)試樣本運(yùn)算50次，計(jì)算得到平均正確率作為參考。利用BP神經(jīng)網(wǎng)絡(luò)模型分別針對(duì)t-1 期、t-2期、t-3期的預(yù)測(cè)結(jié)果

（二）基于神經(jīng)網(wǎng)絡(luò)模型的未來違約預(yù)警分析

受疫情及國(guó)際貿(mào)易摩擦影響，全球經(jīng)濟(jì)面臨陷入經(jīng)濟(jì)衰退的風(fēng)險(xiǎn)，信用債形勢(shì)整體走弱?；谏衔牡贸隽薆P神經(jīng)網(wǎng)絡(luò)能較好地用于債務(wù)融資工具風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警的結(jié)論，本文進(jìn)一步運(yùn)用Matlab分析軟件，隨機(jī)選取2021年債務(wù)融資工具新發(fā)主體相關(guān)指標(biāo)數(shù)據(jù)，從中觀層面對(duì)未來違約態(tài)勢(shì)進(jìn)行預(yù)測(cè)，結(jié)果顯示，未來一年的違約狀況仍較為嚴(yán)峻，t-1預(yù)測(cè)模型顯示，對(duì)20家新發(fā)行主體進(jìn)行預(yù)測(cè)，將有3家在未來一年預(yù)計(jì)出現(xiàn)違約，預(yù)測(cè)違約率高達(dá)15%。從企業(yè)所屬行業(yè)來看，預(yù)計(jì)出現(xiàn)違約的3家企業(yè)中有2家為房地產(chǎn)行業(yè)，1家為消費(fèi)類行業(yè)。

1.房地產(chǎn)行業(yè)方面。一是自2020年8月“三道紅線”新規(guī)和12月房地產(chǎn)貸款集中度管理制度出臺(tái)以來，房地產(chǎn)融資明顯收緊。資料顯示，2021年1-9月全國(guó)100家典型房企的融資量為10919億元，同比下降21%，第三季度的融資額創(chuàng)2018年以來的最低水平。隨著各地銀保監(jiān)局嚴(yán)查經(jīng)營(yíng)貸和消費(fèi)貸被挪用于房地產(chǎn)市場(chǎng)的情況，以及多家銀行上調(diào)個(gè)人房貸利率，加之地產(chǎn)類信托融資加速回落，使得房地產(chǎn)融資環(huán)境持續(xù)收緊。二是今年2月，自然資源部向22個(gè)重點(diǎn)城市要求住宅用地出讓工作“兩集中”，在一定程度上抑制土地價(jià)格的上漲，同時(shí)對(duì)資金實(shí)力不足的房企拿地壓力進(jìn)一步加大，對(duì)高杠桿、快周轉(zhuǎn)類型房企的資金管理也造成較大挑戰(zhàn)，地產(chǎn)行業(yè)內(nèi)部分化進(jìn)一步加劇。三是今年4月交易所出臺(tái)的公司債審核新規(guī)對(duì)存在剔除預(yù)收款后的資產(chǎn)負(fù)債率較高、凈負(fù)債率較高或現(xiàn)金短債比較低等情形的房地產(chǎn)企業(yè)發(fā)行人，要求其在申報(bào)發(fā)行公司債券時(shí)應(yīng)細(xì)化債券償付安排，進(jìn)一步收緊對(duì)高杠桿和短期償債能力較弱房企的審核要求。綜上，在“房住不炒”的政策基調(diào)下，2021年下半年負(fù)債率較高、短期償債壓力較大、對(duì)非標(biāo)融資依賴較重、經(jīng)營(yíng)管理能力較弱的房企信用風(fēng)險(xiǎn)值得持續(xù)關(guān)注。

2.消費(fèi)類行業(yè)方面。一是消費(fèi)傾向回落和預(yù)防性儲(chǔ)蓄上升，一季度末，居民邊際消費(fèi)傾向?yàn)?.66，較2019年末下行0.04，與2020年末基本持平。疫情尚未完全褪去，居民消費(fèi)意愿還處于偏低水平，并且回升速度依然緩慢。與此相對(duì)應(yīng)的居民儲(chǔ)蓄率則處于高位，居民儲(chǔ)蓄率從2019年29%的水平攀升至今年前三季度的34%，從9月末全國(guó)人民幣存款同比多增7437億元也可看出，居民消費(fèi)相對(duì)于居民收入增速更大幅度的放緩。二是收入和勞動(dòng)力市場(chǎng)分化導(dǎo)致消費(fèi)提振不均衡，總體消費(fèi)回升速度緩慢。外出農(nóng)民工人數(shù)和工資與疫情前相比仍有距離，抑制了低端消費(fèi);而可選消費(fèi)如社零中的化妝品、通訊器材和金銀珠寶等從2020年5月開始快速回升，據(jù)有關(guān)報(bào)道中國(guó)高凈值人群消費(fèi)價(jià)格總水平同比上漲4.4%。這也從側(cè)面反映出高端消費(fèi)的需求較為旺盛。消費(fèi)分化，以及疫情常態(tài)化防控導(dǎo)致餐飲消費(fèi)增速離疫情前還有不小的距離，所以消費(fèi)回升緩慢，進(jìn)而消費(fèi)類行業(yè)容易陷入違約危機(jī)。

四、結(jié)論與建議

本文選取2014年以來304家債務(wù)融資工具發(fā)行主體作為研究對(duì)象，通過建立涵蓋償付能力、營(yíng)運(yùn)能力、盈利能力、成長(zhǎng)能力、宏觀因素、行業(yè)屬性、債券特性等七個(gè)層面的監(jiān)測(cè)預(yù)警指標(biāo)體系，采用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建債務(wù)融資工具風(fēng)險(xiǎn)預(yù)警模型對(duì)2021年部分新發(fā)行主體進(jìn)行違約預(yù)測(cè)，結(jié)果發(fā)現(xiàn)：

一是BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于債務(wù)融資工具違約預(yù)測(cè)的準(zhǔn)確率較高，正確率達(dá)到99%以上;二是BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于t-1 期數(shù)據(jù)的預(yù)測(cè)效果相比于對(duì)t-2及t-3期數(shù)據(jù)的預(yù)測(cè)效果更優(yōu)，說明樣本數(shù)據(jù)越新，時(shí)效性越好，就越能有效地提高模型的預(yù)測(cè)準(zhǔn)確度，能較好地應(yīng)用于債務(wù)融資工具日常的風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警工作中;三是在本文選取的22個(gè)指標(biāo)中，通過指標(biāo)降維發(fā)現(xiàn)，代表短期償付能力的利息保障倍數(shù)以及與企業(yè)經(jīng)營(yíng)效率相關(guān)的應(yīng)收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率等指標(biāo)的重要性更高，因此應(yīng)該加強(qiáng)對(duì)以上指標(biāo)的監(jiān)測(cè)以防范違約風(fēng)險(xiǎn);五是未來債務(wù)融資工具違約形勢(shì)仍較嚴(yán)峻，隨機(jī)抽選的20家新發(fā)行主體未來一年內(nèi)的違約預(yù)測(cè)率達(dá)15%（3家），房地產(chǎn)業(yè)、消費(fèi)行業(yè)仍是短期內(nèi)債務(wù)融資工具違約的重點(diǎn)領(lǐng)域。

綜上，為了促進(jìn)債券市場(chǎng)穩(wěn)健發(fā)展，維護(hù)區(qū)域經(jīng)濟(jì)金融穩(wěn)定，建議：一是債務(wù)融資工具發(fā)行主體及相關(guān)監(jiān)管機(jī)構(gòu)使用BP神經(jīng)網(wǎng)絡(luò)方法構(gòu)建債務(wù)融資工具風(fēng)險(xiǎn)預(yù)警模型，通過不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)，提前預(yù)警違約風(fēng)險(xiǎn)，以便采取及時(shí)有效的前瞻性措施，提高風(fēng)險(xiǎn)管理水平。二是企業(yè)應(yīng)首先注意提升自身短期償付能力，合理控制和調(diào)整債務(wù)規(guī)模和結(jié)構(gòu)，此外還應(yīng)提高經(jīng)營(yíng)效率，加速資金周轉(zhuǎn)，加強(qiáng)應(yīng)收賬款的日常管理資產(chǎn)的有效利用，從源頭端避免發(fā)生暴雷。三是由于數(shù)據(jù)的時(shí)效性與風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警的有效性成正比，因此建議規(guī)范發(fā)行主體最新財(cái)務(wù)數(shù)據(jù)的披露，增加市場(chǎng)透明度，建立各監(jiān)管參與主體間的信息共享交流平臺(tái)，打通信息壁壘，增強(qiáng)監(jiān)管協(xié)同水平。

（作者單位：中國(guó)人民銀行銅仁市中心支行）