债券违约风险研究综述

(广西大学 广西 南宁 530004)

2014年3月4日“11超日债”宣告正式违约，彻底打破了我国债券市场的刚性兑付。此后的几年，债券市场违约事件频发，2015-2017年的债券违约数量分别为30只、56只和45只，违约规模分别为140.70亿元、323.31亿元和382.01亿元，特别是2018年违约潮的爆发，违约债券数量和涉及规模猛增，仅2018年一年，违约债券数量高达165只，违约规模达到1558.48亿元，超过了前三年的总和，至此债券违约逐渐常态化。而2019年全年的违约债券数量为232只，涉及规模达到1839.65亿元，无论是违约数量还是违约规模，2019年均明显放量。在此趋势下，未来违约债券的数量和规模很可能继续增多，研究债券违约风险显然意义重大，一方面，当前刚性兑付已经打破的情形为债券违约风险的研究提供了较好的条件，有利于填补我国债券风险相关研究的空白，丰富我国债券理论的研究成果，促进我国债券市场健康发展；另一方面，2017年中央经济工作会及2018年中共中央政治局会议皆表明了我国对金融风险的高度重视，研究债券违约风险对监管者防控金融风险、对我国制定政策同样具有重要的现实意义。

本文试图从违约风险的相关概念、度量方法、影响因素和违约债券的处置等方面对国内外债券违约的研究现状进行总结，以期对债券研究有一定促进作用。

一、违约风险的定义

违约风险又称为信用风险，是指借款人、证券发行人或交易因种种原因，不愿或无力履行合同条件而构成违约事件，致使银行、投资者或交易对方遭受损失的可能性。债券违约风险，即债券发行人不能按照契约如期足额地偿还本金和支付利息的风险。

二、违约风险的度量

(一)传统的违约风险度量方法

在债券市场上，一般通过外部评级机构所评定的信用等级来估计或测量债券的违约风险，该方法根据被评级主体的财务和历史情况对被评级发行主体的等级做出划分，不同的等级对应着不同的信用风险，即违约概率。以目前国际上最具代表性的债券评级机构——美国标准普尔公司和穆迪投资服务公司的等级标准为例，美国标准普尔公司的等级标准从高到低划分为AAA级到D级；穆迪公司则分为Aaa级到C级，一般认为前四个信用等级的债券(即标准普尔公司的AAA级到BBB级；穆迪公司的Aaa级到Baa级)信誉高、违约风险小，属于“投资级债券”，从第五级开始的债券信誉低、违约风险大，属于“投机级债券”，也就是所谓的“垃圾债券”。

虽然信用评级便于理解，在一定程度上也可以直观地反映违约风险，但是大量理论研究表明，债券信用等级仅确认了信用债已经存在的风险，并无对未来风险的预测功能，因此面对愈加复杂、不断变化的违约风险，仅凭债券评级估算违约风险是远远不够的。

(二)现代化违约风险度量模型

随着金融理论、金融工具和计算机技术的迅猛发展，一些现代化违约风险度量模型出现，使得我们在度量违约风险上更为精确。这些模型主要有Z评分模型、ZETA模型、Logit回归模型、Probit回归模型、Credit Risk+模型以及KMV模型。

Z评分模型运用5个财务比率，并根据其对财务危机预警作用的大小给予不同的权重，然后进行加权计算得到一个企业的综合风险分，即Z值，将Z值与临界值对比就可知企业财务状况。Z值与企业发生财务危机的可能性成反比，Z值越小，企业发生财务危机的可能性就越大，违约风险越高，Z值越大，企业发生财务危机的可能性就越小，违约风险就越低。ZETA模型是对Z评分模型的扩展，变量由5个财务比率变为7个，适用范围更广，比Z评分模型更为准确有效。

Logit回归模型采用一系列财务比率变量来预测企业破产(或违约)的概率，其判别方法是先根据多元线性判定模型确定企业破产(或违约)的Z值，然后推导出企业破产(或违约)的条件概率，如果概率大于0.5，表明企业破产(或违约)的概率比较大；如果概率低于0.5，可以判定企业为财务正常。

Probit回归模型假定企业破产的概率为p，并假设企业样本服从标准正态分布，其概率函数的p分位数可以用财务指标线性解释，其计算方法是先确定企业样本的极大似然函数，通过求似然函数的极大值得到参数，然后利用公式求出企业破产的概率，其判别规则与Logit模型判别规则相同。

Credit Risk+模型是基于财险精算方法设计出的违约模型，该模型只考虑违约或不违约两种状态，同时假定违约率是随机的，通过输入违约率、违约波动率可得到违约频率(违约频率的百分即为违约率)，对数据的要求较少。

KMV模型以MM理论、B-S期权定价模型为理论基础，其核心是公司股权特征与资产特征之间的相关关系，通过给定资产特征(即资产价值和其波动性)以及公司的违约临界值，可以使用KMV模型求解出公司违约风险。

上述模型皆被广泛应用于违约风险的度量，但陈丹彤(2019)认为KMV模型是其中较优的选择，因为Z评分模型、ZETA模型、Logit回归模型和Probit回归模型都过于依赖企业的财务指标，这些指标都是历史数据，难以反映企业未来的发展情况。此外，Credit Risk+模型的违约概率波动性并不能直接获得，因此通过借助股票价格波动所含的可信度信息来度量上市企业信用风险的KMV模型更好。

自KMV模型提出以来，学者运用该模型进行了广泛的研究。Matthew Kurbat & Irina Korablev(2002)、Peter Crodbie & Jeff Bohn(2003)验证了KMV模型的有效性，我国学者马若微等(2014)、王秀国和谢幽篁(2012)、顾乾屏等(2010)、孙小琰等(2008)亦验证了KMV模型的适用性，同时结合我国实际对KMV模型进行了修正与改进。张智梅和章仁俊(2006)对KMV模型进行了参数的改进，通过对沪市上市企业的信用风险评估的检验，充分证明参数调整后的KMV模型能够及时准确地识别出我国上市企业的信用质量变化趋势，与张玲等(2004)的研究结果一致；王秀国和谢幽篁(2012)提出了基于条件在险值(CVaR)和GARCH(1，1)的扩展KMV模型，并选取中国沪市A股14个企业进行了实证分析，表明用扩展的KMV模型对样本企业的信用风险评估具有良好的效果，并且很好地对市场的信用风险状况做出预警；马若微等(2014)通过设置动态违约点修正KMV模型，构建了大样本下违约距离DD和经验EDF的映射关系，在此基础上检验KMV模型的区分能力，发现违约距离具有较高的风险区分能力，与顾乾屏等(2010)的结论一致。由此可见，KMV模型在测度违约风险方面取得不错的效果。

(三)其他违约风险度量方法

由于我国债券市场缺乏历史违约数据，还无法拟合出基于KMV模型的预期违约率EDF函数，因此有学者从其他角度对企业债券违约风险进行量化。

Giesecke et al(2011)从债券市场角度计算债券违约风险，即将每年进入财务困境的年度债券子集的票面总额与每年年初包含在历史来源中的所有非金融企业债券的总面值之比视为债券违约风险。吴建华等(2017)利用信息噪声的偏倚性捕获财务报告信息中对资产价值的故意扭曲，推导了信息偏误下资产价值的条件分布、违约概率和信用价差的解析表达式，并以公募债“11超日债”违约事件为例，实证检验了该模型可以较为准确的刻画财务信息扭曲下的债券违约风险。陈艺云(2016)依据结构方法对企业资产和负债价值的分析，采用信息过滤的方法构建了中国企业债违约风险度量的理论模型，实证结果表明基于不完全信息假设和风险中性测度的企业债违约风险度量模型可以准确的预测上市企业的违约。

还有一部分文献则是从利差分解角度计算债券违约风险。研究表明，债券利差主要由流动性风险溢价和违约风险溢价两个重要部分组成，用债券利差表示违约风险存在高估违约风险的问题。Dick-Nielsen et.al(2012)首先通过债券收益率利差对流动性利差的回归，获得流动性利差，再将剩余利差归因于违约风险，即债券违约风险等于债券收益率利差减去流动性利差的部分。Schwert(2017)、王永钦等(2016)均运用了相同的方法从利差中分解出流动性风险溢价成分，再以此求出违约风险溢价。

三、违约风险的影响因素

(一)外部因素

1.宏观因素

杨星(2009)认为，企业债券利差中的信用溢价部分是由不可预测的跳跃性违约及市场违约传染所致，具有系统性风险的特征。Fama & French(1993)、Campbell et al.(2008)亦表示违约风险是宏观经济环境中的一种系统性风险，违约事件的发生无法通过风险管理来解决。违约风险，在经济下行期间会因为经济形势不佳而出现风险聚集的情况，使得风险不断加大；而在经济上行期间，则会因为偿付资金充足而减少风险。Giesecke et al(2011)以美国债券150年的历史为背景，以商业周期循环为视角，研究发现GDP增长率对债券违约有显著的预测作用，而通货膨胀率和行业生产率对债务违约风险的影响则没有通过检验。Tang & Yan(2010)和Collin-Dufresne(2001)以CDS利差作为违约风险的代理变量进行分析时，发现宏观经济影响在债券利差变化中占有的约11%的比例。周宏等(2011)、戴国强和孙新宝(2011)、晏艳阳和刘鹏飞(2014)的研究证明，宏观经济因素对债券信用利差的影响显著，宏观经济因素有经济周期、通货膨胀率、股票市场波动率等。

2.行业因素

行业因素对债券违约风险的影响已经得到学者们的认同，因此，在文献中行业因素更多的作为控制变量体现，而不进行更多深入的研究与探讨。

(二)内部因素

Altman(2011)基于会计指标建立了适用于非上市企业、效果可以和Merton模型相媲美的违约概率预测模型，所涉及的会计指标包括总资产比总负债、流动负债比非流动负债等一些财务报表的指标。而非财务指标对违约风险的影响，主要集中在企业治理以及管理层特征上，如Hsu et al.(2015)表明企业创新投资与违约风险存在负相关关系；姜付秀等(2009)、毕晓方等(2015)、刘柏等(2017)则证明了财务危机、流动性风险、管理者过度、债务结构选择等诸多方面均对违约风险产生影响。

四、违约债券的处置问题及建议

尽管2018年以来债券违约呈常态化，但如何处置违约债券仍是棘手难题。根据中债资信的统计显示，截至2019年8月末，全市场329只违约债券中，已启动违约处置的债券有281只，其中53只债券完成了处置，尚未完成处置的债券共计228只；而海通证券研究报告统计发现，以违约部分累计回收额与违约金额之比计，截至2019年12月4日，中国债券市场违约部分累计回收率平均约12%-13%。

由此可见，目前中国债券市场对违约债券的处置十分低效，究其原因，乃是因为我国债券市场存在债券违约处置机制不健全、相关法律法规不完善、缺乏有效的风险管理手段等问题。

为了我国债券市场的健康发展，违约债券的处置问题亟需解决，建议从完善债券受托人机制、加强中介机构职责、丰富违约债券处置方式和工具等方面提升违约债券的处置效率。