标题：企业债务违约风险预测——基于机器学习的视角
作者：王玉龙 周 榴 张涤霏
单位：中国财政科学研究院研究生院；苏州市吴中经济技术开发区管委会；北京工业大学
刊期：《财政科学》2022年第6期
我国正处于经济结构转型的关键时期，防范化解重大风险是我国当前经济工作的重要任务，因此有效预测企业债务违约风险具有十分重要的现实意义。本文系统性地运用机器学习方法，基于2014-2019年发生实质性债券违约的上市公司，采用7种机器学习算法构建企业债务违约风险预测模型。实证结果显示，基于随机森林所构建企业债务违约风险预测模型分类效果最佳，其中营业净利率、净利润、现金比率、财务费用和资产负债率5个财务指标可作为企业债务违约风险预警指标。研究表明，基于机器学习的企业债务违约风险预警系统能够有效地进行债务违约风险预测，不仅可以深化对企业债务违约风险影响因素的微观特征的认识，而且有助于监管部门对上市公司财务状况的监督更加有针对性。
关键词：企业债券违约风险 机器学习 预测模型 财务指标
点击看大图
引 言
我国正在经历着从经济高速增长转向高质量增长的关键时期，防范化解重大风险是当前经济工作的重要内容。而我国近年来频繁出现的企业债务违约问题却给金融市场的稳定造成一次次的冲击，对经济结构的优化转型产生了一定的负面影响。2014年，我国债券市场首次出现实质性违约事件，“刚性兑付”时代宣告终结，债券违约不仅开始进入常态化阶段，而且违约主体也从民营企业向国有企业蔓延。此外，随着供给侧结构性改革持续推进以及经济去杠杆和金融监管力度加大，我国社会融资规模存量增速持续下降，企业在融资趋难的背景下进入了债务违约高发期，历年新增的违约发行人数量与违约金额逐年攀升，进而加剧了我国资本市场的风险波动。企业违约风险的提高不仅会威胁企业的正常经营（Foster et al.，1998），导致企业经营状况恶化，一旦出现实质性违约行为还会给企业本身以及债权人造成极大的负面影响（Warner，1997；Altman，1984），甚至引起发行主体经营持续恶化甚至破产清算，给上市公司股东和债权人造成重大损失，还会导致企业个体风险向商业银行系统和股票市场的跨领域传递，进一步扩大系统性风险。由此可见，企业债务违约问题已经极大程度上影响了我国金融市场的稳定，如何有效预测企业债券违约风险成为亟待解决的关键问题。
目前，在实证研究方面，国内外关于企业债务违约的研究已经较为丰富，并且主要集中在企业债务违约的经济后果，如企业债务违约会影响自身投资行为、信贷资金配置效率、股票流动性、资本化支出、货币政策预期等（Sudheer and Michael，2009；陈德球等，2013；谭春枝和闫宇聪，2020；李昊洋和韩琳，2020；张庆君和马红亮，2021；肖志超等，2021），以及影响企业债务违约的因素，如股权集中度（Zeitun et al.，2007）、所有权结构和董事会特征（Chiang et al.，2015）、环境不确定性（张靖等，2018）、或有事项披露（董小红等，2020）、信息披露质量（吴建华等，2017；常莹莹和曾泉，2019）、企业现金持有（Ghaly et al.，2017）、内部控制质量（李萌和王近，2020）和创新水平（Hsu et al.，2015；孟庆斌等，2019）等因素都会影响企业债务违约风险。
而仅有少量文献对于企业债务违约风险的预测做出相关探讨，例如：已有学者根据财务困境预测的经验提出了相关的建议（吴世农和卢贤义，2001），基于模糊随机方法对企业违约风险做出了预测并给出了数值模拟（韩立岩和郑承利，2002），通过KMV模型预测了企业的信用风险（张泽京等，2007），利用Logistic模型、双指数分布跳跃扩散模型对企业债务违约风险进行分析（潘泽清，2018；宫晓莉和庄新田，2018），还有学者基于信用利差构建出公司违约风险变量，然后运用Twin-SVR模型对公司违约风险展开预测（林宇等，2019）。由此可见，不仅鲜有学者探究企业债务违约风险的预测问题，并且对于构建风险预测模型的方法也并未达成一致。
而机器学习作为人工智能的代表技术，正在逐渐被学者们运用于财务困境预测、财务欺诈预测以及股票市场预测和量化等研究中（Gepp，2018）。首先，与传统的计量经济学研究方式不同，机器学习具有在数据中学习经验和知识的能力（赵琪等，2020），在拟合数据的过程中具有更高的灵活性，在研究非线性、无法直接观测因果关系的研究中具有更强大的解释力，也具有更高的预测能力（Mullainathan and Spiess，2017），进而在经济金融领域帮助学者克服数据获取以及相关性预测等难题（王芳等，2020）。其次，目前主流的实证方法仅适用于探究变量之间的因果关系，在受限于严苛的适用条件的同时也无法有效处理并控制影响因素之间的相互作用（Bali et al.，2016），进而难以得到预期的结果，并且造成企业债务违约的影响因子往往无法被人们所悉数列出。所以，传统的实证研究并不能很好地通过线性或者非线性模型去探究所有因子之间复杂的关系，而机器学习却能够有效突破模型设定的限制，可以通过不同算法对样本数据之间的关系进行深度挖掘并优化学习模型，从而获得更好的预测结果（张宏斌和郭蒙，2020）。最后，尽管部分学者已经通过某些机器学习的方法对企业债务违约风险预测做出了一些研究，但仍缺乏系统性的研究来检验其作用和效果，就笔者所知，本文系首次系统性地运用机器学习方法检验中国上市公司的债务违约风险。
本文的贡献在于：第一，丰富了机器学习在经济金融领域的现有研究。虽然自2007年以来，包含“机器学习”“金融市场预测”等关键词的文献数量呈显著增长，并且至今仍保持着稳定的增长趋势（Henrique et al.，2019），但是国内对于机器学习在经济金融问题中的运用仍然处于起步阶段（苏治等，2017；黄乃静和于明哲，2018）。因此，本文通过系统地运用机器学习对企业债务风险问题进行研究，为机器学习在经济金融领域的进一步运用提供了参考。第二，对于防范化解企业风险具有重要现实意义。国内外现有文献主要集中于企业财务困境预测以及企业财务舞弊预测（Chen et al.，2009；Li et al.，2010；Sun et al.，2011；黄志刚等，2020；张宏斌和郭蒙，2020），而企业债务违约风险预测却鲜有研究。进而，本文的研究不仅揭示了企业债务风险管理的重要性，促进企业提高自身债务管理水平，还能够为监管部门的风险防范工作提供一定的理论指导。
全文刊于《财政科学》2022年第6期，欢迎订阅！
引用转载请注明出处，谢谢！
| 留言与评论（共有 0 条评论） “” |
