货币政策、杠杆水平与债券违约

孙立行 吴雄剑 唐逸舟

(上海社会科学院 世界经济研究所，上海 200023)

一、引言

近年来，国内企业接连发生债券违约事件，引起市场广泛关注，其中既有疫情冲击、政策波动等宏观层面的因素，也有企业盲目扩张、经营不善等微观层面的原因。纵观国内债券市场，自从2014年打破刚兑，违约企业数量和金额逐年增加，违约影响的深度和广度在不断延伸。截止到2020年10月1日，共有666只债券发生违约，违约日债券余额涉及5 757.48亿元，表现出两大特征：一是违约潮已经蔓延至全国各市场、各行业及各债券品种。整个债券市场来看，上交所、深交所、银行间市场违约债券只数分别为193、145及328只，违约日债券金额分别为1 718.64亿元、863.72亿元以及3 175.12亿元；行业涉及房地产、建筑施工、多元金融、电力、工业机械等各个行业，其中周期性行业占主要部分；违约债券品种基本已囊括信用债的各类。二是违约企业以民营企业为主、非上市公司为主。从发行人企业性质来看，国企、民营企业、其他分别为36家、128家以及14家，民企占比高达72%；从是否为上市公司来看，上市公司、非上市公司分别为46家、132家，非上市公司占比74%。

在违约常态化的背景下，国资委、证监会、人民银行等部委正着手建立债券风险预测预警工作机制，研究制定企业债务风险管控工作，加强资产负债率分类管控和资金投向管理，做好债券发行生命周期管理，以市场化、法制化的路径来妥善处置风险[1]，切实维护金融生态和金融稳定。在市场化路径上，基于近年来的违约数据统计，建立适当的债券违约预警模型正当其时。一方面，模型的建立有助于监管部门掌握各企业所处的状态，将其分类为正常类、风险类或者违约类等，便于后续采取相应监管措施；另一方面，投资者也可以采用该模型对其持仓的债券资产进行风险筛查，有助于降低资产组合的整体风险。

目前，已有的债券违约相关研究有很多，一部分研究基于上市公司样本数据，以KMV模型为基础，构建公司债的违约风险度量理论模型[2]，研究发现企业进行盈余管理使得债务违约率更高[3]，企业的破产成本倒逼银行降低信贷标准从而进一步增加企业违约概率[4]。另一部分研究基于企业传统的财务数据构建预警模型，如吴复成、毕舟、车鑫[5]，以2014年至2016年21家实质违约的发债主体作为研究样本，基于传统财务指标以及行业、产权等扩展指标构建Logit模型。但是，考虑到国内的发债主体已经由上市公司扩展至以非上市公司为主的结构体系，而KMV模型在非上市公司方面已不适用；同时，传统的违约解释变量局限于企业的财务变量，已不能适用于当下国内的经济环境现状，企业的违约与否很大程度受限于再融资政策的变化，而这方面更易受到货币政策等宏观变量的影响。

为此，本文在前人基础上尝试拓展，主要创新之处有三方面：一是构建全市场发债主体的违约模型，将研究样本进一步扩充至2 224个发债主体，使其更加贴近国内信用债市场的现状，并验证了模型的实际预测能力；二是引入宏观货币政策与微观杠杆水平作为主要解释变量建立Logit违约模型，丰富了宏微观层面对债券违约的解释因素；三是进一步加入异质性的影响因素，有助于反映出不同维度的企业在违约风险方面差异显著。

具体而言，本文利用2014年初至2020年10月期间2 224个发债主体，以五年期国债利率和企业杠杆水平作为主要解释变量，以企业自身财务数据作为控制变量，构建债券违约的Logit模型。研究发现：第一，当货币政策紧缩，债券违约概率越大；当企业杠杆水平越高，债券违约概率越高。第二，相对货币政策宽松时，货币政策紧缩的时候高杠杆企业的债券违约的概率更大。第三，对于非上市公司、低评级、周期性行业的企业，杠杆水平对债券违约概率的影响更大。最后，将2020年10月之后至2020年底的样本外违约数据进行模型回测，结果显示样本外企业的债券违约概率均大于50%，模型检测有效。

二、文献综述及研究假设

(一)债券违约的理论演变

关于债券违约的理论演变，相关文献可以从传统分析法、财务指标为主的分析法、大数据处理的现代量化分析等三个阶段来总结。

第一阶段以传统分析法为主，偏定性描述为主，具有较强的主观性和灵活性，但缺少客观统一的评价标准，无法保证其准确性。具体方法包括：5W、5C、5P以及贷款五级分类等，针对借款的资信情况、资金用途、还款能力和意愿以及担保情况等作定性判断。

第二阶段以财务指标为主的分析法，通过财务指标构建与信用风险之间的量化关系。一是因子评分模型，由Beaver[6]在1968年提出，研究对象为158家企业，具体财务指标包括资产负债率、资产收益率、抵押保证率以及资产回收率等，通过这些财务指标构建单变量回归模型，从而可以构建出不同企业的违约风险的量化模型，具备一定的预测能力。二是Z-score模型，由Altman[7]在1968年提出，研究对象为制造业上市公司，具体包括五个财务变量，分别为流动资产/总资产、留存收益/总资产、息税前利润/总资产、股票总市值/总负债、销售总额/总资产，构建出破产违约风险的量化模型；后来，早期的Z-score模型由Altman、Haldeman、Narayanan在1977[8]年构建出修正的ZETA模型，财务指标增加至7个，进一步增加模型的准确性；再后来，Altman、Hartzell、Peck[9]在1998年进一步改进和优化模型，将研究对象扩展至制造业以外的其他行业和非上市公司领域，模型的应用领域得到提升。三是结构模型，由Merton[10]在1974年提出，将期权定价B-S模型引入到公司信用风险评估中，认为公司资产价值看做一个欧式期权，公司的市场价值与债务价值将决定企业在行权日，是否行使欧式期权，从而计算其信用风险；后来，Black、Cox[11]在1976年改进了上述模型，在企业债务价值中引入次级债券，进一步考虑了公司的偿债顺序，优化了结构模型；Longstaff、Schwartz[12]在1995年放宽了Merton模型中行权日的限制，将债券到期日放宽至到期日前的任意时刻；Lando[13]在2004年研究了Merton模型中无风险利率对债券违约带来的影响。四是简约模型，由Jarrow和Turnbull[14]在1995年构建，提出采用违约强度的定义来衡量违约概率的大小，具体为违约金额与违约次数。该模型通过构建公司财务数据与违约强度的关系，以此来衡量企业的违约概率。之后，Jarrow[15]在1997年对简约模型进行优化，用概率转移矩阵代替B-S期权定价公式来衡量违约风险。Singleton[16]在1999年通过引入违约债券价值来改进简约模型，用企业的现金流贴现表现为对违约债券的部分回收，以此确定违约债券的价值。

第三阶段是基于大数据处理的现代量化分析阶段，主要有KMV、Logit模型以及Credit Metrics模型。一是KMV模型，由美国的KMV公司在1997年提出，通过BS期权定价公司构建企业贷款及债券违约风险的度量模型，后续的模型在KMV模型不断改进和优化。二是Logit模型,系最早的离散选择模型，广泛应用于社会学、生物统计学、临床、数量心理学、计量经济学等领域。该模型假定某事件发生与事件不发生的概率比值形成自然对数，与影响该事件发生的各个变量之间呈现线性关系。三是Credit Metrics模型，由美国的JP摩根提出，在Merton模型的基础上引入信用评级转移和预期损失，从而在计算机技术的提升效果下来分析企业的债务风险。后来，瑞士信贷模型在1997年基于保险精算和简约模型，推出Credit Risk+的模型；麦肯锡公司基于宏观指标、行业等因素进一步提出了Credit Portfolio View模型。

根据债券违约理论的研究以及国内目前债券违约的现状，本文考虑采用Logit模型，该模型一方面可以扩展至非上市公司等主体，另一方面能够对大样本的影响因素进行定量分析，在当下具有一定适用性和实际效果。

(二)宏观货币政策与债券违约

货币政策是实现宏观经济调控的主要工具，同时对企业融资行为具有导向作用。企业的融资规模和融资成本直接受制于央行的存款准备金率政策和利率政策，从而使得企业的相关债券兑付情况也会受到货币政策的影响。通过分析央行历年《货币政策执行报告》并借鉴任泽平[17]观点，从2014年债券打破刚兑至2020年中，我国大致经历三个货币政策阶段(表1)；相应地，货币政策的相应变化使得市场利率(以10年国开债为例)也会做出变动(图1)。

表1 2014年以来货币政策阶段总结

图1 10年国开债到期收益率曲线/%

具体来说，第一阶段偏松阶段(2014.Q4-2016.Q1)，累计实行5次降准、5次降息，共计降低3个百分点的存款准备金率和下降1.25%的贷款利率，10年期国开债利率从5.4%下降到3.02%；第二阶段偏紧阶段(2016.Q2-2018.Q1)，基本没有全范围的降准降息，10年期国开债利率从3.02%上升到5.12%；第三阶段偏松阶段(2018.Q2-2020.Q2)，累计实行5次降准，共计降低4个百分点的存款准备金率，10年期国开债利率从5.12%下降到2.8%。

伴随着货币政策的变化，企业有投融资行为也会有所转变。根据金融周期理论，在货币政策较松、融资利率较低的时候加大融资规模，如黄志忠、谢军[18]通过对2002年至2010年沪深交易所上市公司的数据分析，研究得出宽松的货币政策促进了企业扩张投资，缓解企业融资约束。相反，在货币政策转向紧缩时，企业行为就很容易受到约束，造成融资链条断裂。姜国华、饶品贵[19]研究货币政策变动对企业融资、经营业绩等方面的影响。基于上市公司商业信用与企业产权性质的数据，发现在货币政策紧缩期间，企业的融资环境变成差，从银行获得贷款的难度变大。陆正飞等[20]研究发现：当货币政策紧缩时，民营企业受到的信贷挤压更甚。同样地，饶品贵、姜国华[21]研究发现货币政策紧缩时，非国有企业与国有企业相比，在信贷冲击方面受到影响更大。

货币政策约束了企业的再融资行为，进一步对企业的债券兑付产生影响，最终使得出现违约风险。王博等[22]从宏观角度研究了货币政策不确定对违约风险和实体经济的影响，研究表明货币政策不确定带来违约风险上升和产出下降，表现为企业违约破产率的提高以及银行信贷违约率的上升。同时，企业的再融资风险也会倒逼央行针对性作出逆周期调控。肖志超等[23]以上市公司数据为研究样本，将企业相关财务变量作为违约风险的代理变量，考察对货币政策调控的预测模型，结果表明企业的债务违约水平越高，政府越倾向于采用宽松的货币政策。

因此，货币政策的松紧影响着企业的融资行为，进而影响企业的债券违约风险。在具体货币政策指标上，Duffie[24]研究发现国库券利率等宏观指标可以用来预测公司的违约风险；罗朝阳、李雪松[25]，通过信贷、GDP和房地产价格合成金融周期作为主要解释变量，以此来评估对债券违约概率的影响。考虑到本文研究的信用债期限在3年至5年之间，因此本文选择5年期国债利率作为衡量货币政策的指标，并做出如下假设：

H1：在货币政策偏紧阶段(市场利率较高时)更容易出现债券违约，即市场利率与债券违约呈现正相关关系。

(三)微观企业因素与债券违约

在宏观货币政策传导到微观杠杆水平的路径上，虽然会出现时滞，但货币政策的宽松与否和企业杠杆水平的高低保持着同向作用。马思超等[26]通过同业拆借利率、上证指数等指标构建金融周期变量作为主要解释变量，研究结果表明金融周期对非金融企业杠杆率产生正向影响；而处在经济下行风险周期时，邹静娴等[27]将特定条件下企业资产收益率(ROA)的分布标准差定义为企业经营风险，研究表明当企业经营风险上升时对带来企业杠杆率的下降。

关于货币政策作用于杠杆水平所处阶段，张晓晶[28]提出政府在宏观杠杆率方面的跨周期政策调节作用。自从2008金融危机以来，我国在相对宽松的政策环境下处在快速“加杠杆”阶段，直到2015年10月，中央提出“降杠杆”政策，2016年至2018年这期间相关货币政策坚决不放松，到2020年进入“稳杠杆”阶段，相较于2016年整体宏观杠杆水平并没有大幅上升。

具体来看我国2014年以来的杠杆率水平(图2)，整体的宏观杠杆率一直处于上升阶段，从2014年初的200%逐年上升至2020年3月末的274.5%；但从分部门来看，杠杆率却出现分化，聚焦本文关注的非金融企业部门的杠杆率，大致可以分为三个阶段：第一阶段为上升阶段，企业部门的杠杆率从2014年3月底的141.3%增长到2016年3月底的161.8%；第二阶段为下降阶段，企业部门的杠杆率下降到2018年底的149.1%；第三阶段为上升阶段，企业部门的杠杆率又上升至2020年3月底的159.1%。

图2 中国2010年以来的宏观杠杆率指标/%

在债券违约的微观影响因素方面，杠杆水平是主要的影响因素。根据逆向选择和道德风险理论，金融机构出于对企业破产成本和收益回报的考量，在资金允许范围内进一步投给高杠杆企业，从而使得资产质量下降，加重高杠杆企业的违约风险。Gatti等[29]高资产负债率企业会间接增加其债券违约，同时企业违约率也更高。陈国进等[30]以中国上市银行为研究样本，研究了货币政策对银行系统性风险的影响，结果表明宽松的货币政策会提高企业的财务杠杆，而高财务杠杆会提高银行的系统性风险，进一步破坏金融稳定。陆磊等[31]在金融加速器模型的基础上，引入违约救助机制，建立DSGE模型，研究了企业违约与杠杆周期的关系，结果表明去杠杆的政策会使得企业违约率上升到一个较高水平。因此，本文设定如下假设：

H2：高杠杆企业更容易发生债券违约，即企业杠杆水平与债券违约呈现正相关关系；进一步，相对于货币政策宽松时，货币政策紧缩时高杠杆企业的债券违约的可能性更大。

在杠杆水平对债券违约的影响之外，还有企业其他相关指标，包括财务指标、产权性质、地区经济情况等。吴世农、卢贤义[32]选取各70家财务困境和正常企业为样本，设定21个财务指标，运用Logit模型得出盈利增长指数、资产报酬率以及长期负债比率这三个指标判别率最高。姚红宇、施展[33]选取2014年至2017年信用债数据，在传统财务指标之外，引入企业属性指标及地方经济指标建立债券违约模型，提高了债券违约的预测能力。

与此同时，企业的异质性指标也会影响企业债券违约，包括是否为上市公司、是否为中高评级企业、是否为周期性行业。具体而言，在上市公司方面，根据信息不对称理论，金融机构或者机构投资者更可能将资金投向信息透明度高的企业，因此相较于非上市公司，上市公司的信息披露更加透明，融资渠道更加广泛，因而债券违约的概率较低。在评级方面，根据信号传递理论，公开市场评级能够反应发行人或者债券的信用风险水平，让投资者根据风险偏好选择合适标的，中高评级也有助于企业获得投资者的认可，降低发债成本，因此中高评级的企业相较于低评级企业来说违约概率也较低。在周期性行业方面，根据经济周期理论，在经济周期上行阶段，企业倾向于扩张的资产负债表；当经济周期下行时，企业则会进行“缩表”。企业的扩表和缩表行为会引发不确定性，周期性行业的企业倾向于在货币政策宽松时过度融资、扩大投资，一旦货币政策变化则会产生再融资风险，其依赖“借新还旧”的政策将难以为继，因而债券违约概率也较大。因此，本文提出以下分类的假设：

H3：债券违约风险在非上市公司、低评级、周期性行业的企业中更为突出。

三、研究方法

(一)样本选择与数据来源

本文以截止到2020年10月1日的信用债市场为研究对象，涉及央行主管的银行间市场、证监会主管的交易所市场以及发改委的企业债市场，文中所指的债券涉及发行期限为1年以上产品，包括中票、定向工具、公司债、企业债，包含违约样本和正常兑付样本，当中剔除金融债、可交换债、可转债、中小企业集合债。关于违约的定义，指企业首次实质性债券违约，即未能在有效期内偿付债券本金或利息，包括本金违约和利息违约两种情况。

图3 宏微观因素对债券违约影响机制

我们选取2014—2020年10月之间发债企业的季度数据为研究样本，并做针对性的筛选：(1)选取存量债券余额在5亿元以上的企业；(2)删去集体企业、外商独资以及其他企业；(3)剔除地方性股权交易中心的发债企业；(4)删除缺失数据后的企业，获得2 224家企业，共计19 212个有效观测值。

其中，违约企业142家(占比6.38%)，非违约企业2 082家(占比93.62%)；从发行人企业性质来看，国企、非国有企业分别为1 958家、266家，国企仍为发债主体；从是否为上市公司来看，上市公司、非上市公司分别为258家、1 966家；从行业上来看，行业也已经覆盖各个行业，涉及房地产、金融、工业机械等各个行业，其中排名前三行业所涉企业分别为工业1 660家、房地产140家、公用事业122家。

(二)研究变量

1.被解释变量

本文以债券是否发生实质性违约作为被解释变量，选取“1”代表违约、“0”代表未违约作为二元虚拟变量，以Logit回归作具体实证研究。

2.主要解释变量

本文以违约日5年期国债利率作为宏观货币政策的度量，以资产负债率作为公司杠杆水平的度量。

3.控制变量

控制变量主要企业账务变量为主。具体变量选取主要基于蒋书彬[34]对违约发债主体财务指标的定量研究，从中选取总资产、利息保障倍数、总资产收益率、销售毛利率、应收账款周转率、利率总额增长率等指标。

4.异质性指标变量

主要包括三类，即：是否为上市公司、是否为高评级企业、是否为周期性行业等。具体变量设置如下：

表2 主要定义变量

(三)模型设计

1.数据预处理

首先，我们对企业样本数据进行筛选，删去财务数据不全、无评级、无所属行业等方面的企业。其次，在数据删减之后，需要对数据调整变量的比例(标准化处理)。由于因变量是违约是0-1的二值变量，需要将主要解释变量及控制变量等调整至0-1之间或其相关的维度的数据，否则会导致回归不收敛，不能得到最优有效估计。最后，为消除价格因素影响，本文对控制变量均进行了价格平减处理。为控制极端值对实证结果的影响，所有财务指标数据均进行了首尾两端各1%的缩尾处理(去极值)。

2.指标筛选

(1)差异性检验：经过数据预处理，我们对违约类企业和未违约类企业的相关变量进行描述性统计及样本均值差异性检验，以此来判断各变量数据是否能够有效区分违约与否。若检验结果显示某一指标不存在差异性，则表明该指标对于企业是否会违约不能提供有效信息，因此予以删除；若检验结果显示明显差异，则表明该指标对违约能够提供预警信息，予以保留。具体如表3所示。

表3 主要变量的描述性统计及均值差异性检验

在通过对两组数据均值差异性检验之后，经计算可得到组间均值差异值在1%水平下均显著，说明相关变量均可以对债券违约提供信息。

(2)多重共线性问题：对解释变量及控制变量计算方差膨胀因子(表4)，所有的变量的VIF值均低于5，平均值为1.16，多重共线性影响较小。

表4 主要变量的VIF值

3.估计方法

我们采用以企业首次出现债券违约与否作为被解释变量、5年期国债利率和企业资产负债率作为核心解释变量、相关财务指标作为控制变量，构建Logit模型，并以此估算违约概率P值。由于建模前已经将样本均衡化处理，我们以0.5作为违约的均衡点，若计算的P>0.5，则预测会发生违约；若P<0.5，则预测为正常企业。

实证研究采用Logit模型，具体模型设定如下：

defaulti,t=α+β1·tratei,t+β2dari,t+θXi,t+εi,t

其中，default为二元虚拟变量，当default=1时，表示债券违约；当default=0时，表示债券未违约。tratei,t为5年期国债利率，代表货币政策；dari,t为企业资产负债率，代表杠杆水平；Xi,t为企业财务指标，作为控制变量；εi,t为残差项。

根据Logit分布函数可得

其中，pi为default=1的概率。当M>0时，pi>0.5，债券违约概率较大；当M<0时，pi<0.5，债券违约概率较小。

四、实证分析

(一)基本回归分析

在Logit模型中，逐步引入主要解释变量和控制变量，模型(1)-(3)分别引入市场利率、杠杆水平、市场利率和杠杆水平等主要解释变量；模型(4)在模型(3)基础上加入控制变量；模型(5)在模型(4)基础上加入市场利率和杠杆水平的交乘项。具体如表5所示。

1.基准结果

表5报告了市场利率和杠杆水平对债券违约状态的总体结果。在第(1)列中，只使用市场利率trate作为解释变量，对债券违约default进行回归；在第(2)列中，解释变量替换成杠杆水平dar；在第(3)列中，同时将市场利率trate和杠杆水平dar作为解释变量；在第(4)列中，进一步加入相关控制变量。从结果来看，在模型(1)-(4)中，所有结果均显示：债券违约对市场利率和杠杆水平的系数显著为正，说明当市场利率越高、企业杠杆水平越高，企业的违约概率越大。

表5 基本回归分析

在模型(4)中，控制变量方面，企业总资产的对数lnasset的系数显著为负,说明该值越大债券违约概率越小，表明资产规模越大企业的抗风险能力越强；销售毛利率rm的系数显著为负，说明销售利润越大，盈利能力越强从而可供还本付息的资金越多，债券违约概率越小；应收账款周转率rtr的系数显著为负，说明公司应收账款周转越快，现金流回流越及时，企业流动资金越丰富，进而造成债券违约概率越小；利润增长率profit的系数显著为负，该值越大反应成长性越快，违约概率越低；总资产收益率roa的系数显著为正，该值越大反应盈利能力越强，但一方面也可能由于企业投资动机较强，使得债务规模随着资产规模增大而增大，进而造成违约可能。假设H1、H2得到验证。

2.引入交乘项回归

在模型(4)的基础上引入交乘项trate×dar，从而得到回归(5)。可以看出交乘项系数为0.017，在5%水平下显著为正，说明相对货币政策宽松时，货币政策紧缩的时候高杠杆企业的债券违约的可能性更大。假设H3得到验证。

(二)异质性影响分析

根据前文研究，企业的违约概率与市场利率和企业杠杆水平显著正相关。若回归结果对整体样本成立，对于分样本的企业来说也依旧成立。

因此，将总体样本分为三个维度：是否为上市公司；是否为高评级主体；是否为周期性行业。

至于评级维度，主要以AA为分界线，高评级以发行时主体评级为主，包括AA及以上，AA以下为低评级；至于周期性行业，以所属Wind行业一级行业为主，周期性行业是指和国际经济波动相关性较强的行业，包括房地产业、金融业、工业、材料业、能源业五个类别，非周期性行业是指那些不受宏观经济影响的行业，主要包括公用事业、医疗保健、日常消费、可选消费、信息技术五个类别。具体如表6所示。

表6 异质性影响分析

根据上表回归结果可知：

1.三个组别的样本回归显示，市场利率trate和杠杆水平dar与债券违约呈现显著正相关关系；组别内部进行相似不相关检验(SUR)，dar系数差异性检验得到卡方χ2大于临界值，表明组别内部杠杆水平的系数存在显著差异。

2.在每个组别内部，市场利率trate和杠杆水平dar的系数大小存在差别，具体来看：

(1)上市公司方面：属于上市公司的市场利率trate和杠杆水平dar的系数分别为1.615和0.041，均小于非上市公司的1.649和0.086，说明正因为上市公司的内部治理较非上市公司更完善，相应的信息披露更加规范、经营业绩更加稳健，使得上市公司的债券违约概率在市场利率和杠杆水平的敏感程度更低。

(2)评级方面：属于高评级企业的市场利率trate和杠杆水平dar的系数分别为1.512和0.075，均小于低评级企业的2.181和0.099，验证了高评级主体较低评级主体在经营实力、风险承受能力等方面表现得更出色；相应地，债券违约概率在市场利率和杠杆水平的敏感程度更低。

(3)行业方面：属于周期性企业的市场利率trate和杠杆水平dar的系数分别为1.547和0.091，前者小于非周期性企业的1.681，后者大于非周期性行业的0.044的，说明周期性企业的经营与宏观经济波动存在一定的的关联性，其融资决策带来的杠杆水平对债券违约的影响程度更大。至此，假设H3得到验证。

五、稳健性检验

(一)替代解释变量

1.杠杆水平指标的替换

由于企业存在多个衡量杠杆水平的变量，前文在定义企业杠杆水平的时候使用企业的资产负债率，此处我们采用权益乘数ad和非流动负债的权益比率lde来进行回归。结果显示，权益乘数ad与和非流动负债的权益比率lde系数分别为0.756和0.006，且在1%水平下显著为正，货币政策指标同样显著为正，与前文结果一致。具体如表7所示。

表7 替代杠杆水平指标回归分析

2.货币政策指标的替换

货币政策的变化体现在数量和价格两方面，我们分别以M2的季度增速以及3年期国债利率作为货币政策数量和价格指标，代替前文中使用5年期国债利率。结果显示，M2的季度增速以及3年期国债利率的回归系数分别为0.34和1.319，且在1%水平下显著为正，杠杆水平指标同样显著为正，与前文结果一致。具体如表8所示。

表8 替代货币政策指标回归分析

(二)样本外数据预测

在样本内数据回归得到模型之后，运用样本外数据进行模型检测，以2020年10月1日至2020年12月31日的首次违约样本作为样本外数据。由下表可知，样本外首次违约主体共有11家，涵盖银行间、上交所、深交所各交易市场。套用基本回归分析中模型(5)测算，选取11家主体的最近一期财务报表数据进行回归，得到预测函数值M，进一步得到违约概率。由数据可知，该11家主体违约概率均大于50%，模型有效性得到验证。具体如表9所示。

表9 样本外数据模型检测分析

六、结论与建议

(一)研究结论

本文通过建立货币政策-杠杆水平宏微观Logit模型，对债券违约概率进行预测分析。研究发现：货币政策带来的利率变化、企业自身的杠杆率变化以及其交互项均会对债券违约产生影响。具体而言，有如下结论：

(1)单个因素的影响：当货币政策紧缩带来市场利率趋高时，会使得债券违约概率变高；当企业杠杆水平升高时，会使得债券违约概率变高。

(2)交互项的影响：相对货币政策宽松时，货币政策紧缩的时候高杠杆企业的债券违约的可能性更大。

(3)异质性检验：通过对上市公司/非上市公司、高评级/低评级、周期性/非周期性行业三组数据分组研究，可以发现市场利率和企业杠杆水平均会对债券违约概率带来正向影响；与此同时，在企业微观层面，非上市公司、低评级以及周期性行业相应杠杆水平的系数大于上市公司、高评级以及非周期性行业，说明杠杆水平对非上市公司、低评级以及周期性行业的企业来说，在债券违约概率上影响更大。

(4)稳健性检验：在通过将企业杠杆水平由资产负债率替换成权益乘数、非流动负债权益比率时，基本实证模型的结论依旧成立；同时，用2020年10月1日以后违约企业作为样本外数据进行模型的检测，发现债券违约概率均大于50%，模型具备一定有效性。

(二)政策建议

首先，鉴于模型有着较强现实意义和实际预测能力，可以供相关债券监管部门参考，具体可用于监测和预判地方信用债风险、违约等情况，提早响应、分类施策，做好防范区域性、系统性风险的应对措施，维护经济金融安全和稳定。

其次，考虑到宏观货币政策以及微观杠杆水平对债券违约的影响，因此，一方面，从宏观上，相关货币政策主管部门需要把握货币政策平稳运行的定力。稳健的货币政策需要灵活适度、精准导向，避免大水漫灌，从量和价两方面满足市场需求，保持宏观杠杆率基本稳定。另一方面，从微观上，企业应当保持合理杠杆水平，适度融资。杠杆水平对债券违约概率有正向作用，在货币政策的伴随效应下，企业应当根据自身经营需求来增加负债水平，避免过度融资，积极应对货币政策的转向。[35]

最后，债券违约因公司上市与否、评级高低以及所在行业等因素会产生分化，建议相关投资者提高风险防范意识，加强对企业微观层面因素的认识以及对债券违约模型的理解，从而优化资产组合，提升投资的收益风险比。