林同源

（贵州大学，贵州 贵阳 550025）

一、引言

近年来，随着我国金融市场化改革的不断推进，债券发行的种类与数量增长迅速，同时违约问题也日益受到投资者的关注。2018年～2019年我国债券违约共计340只，违约金额高达2199.90亿元，大大超过2014年～2017年债券违约金额之和。因此，构建一个有效的企业债券违约预警模型有重要的理论与现实意义。

目前有关企业债券违约预警模型的构建主要有两大方向：

一种是基于传统计量模型如logistic回归、KMV模型等，国内外众多学者对此有较为深入的研究。金晓梦等[1]通过KMV模型解决了不同评级公司之间评级标准不统一的问题，有效地度量了样本企业的违约率；李梓娴[2]运用改进的KMV模型分析了河南省地方政府债券违约率与其债券发行量的关系；Mizen等[3]发现使用次序probit模型能更有效地评估债券信用风险；生柳荣等[4]采用Logistic回归的方式构建了非金融企业债券违约预警模型对企业的违约风险进行了有效评估；郭兆灵[5]通过改进的Lasso-logistic回归构建模型，从违约债券样本中选取了11项关键的预警指标。

另一种则是基于机器学习算法，如决策树、支持向量机、神经网络等。作为一种新兴的构建预警模型的方法，其迅速受到了学者们的关注。沈沛龙等[6]以200家中小企业为样本，使用支持向量机理论预测发债企业的信用风险并通过违约概率来评估企业的信用等级；匡海波等[7]以深交所940家中小板企业为对象，利用BP神经网络筛选出了鉴别企业违约能力最强的48个指标变量，构建了一套在供应链金融下中小企业违约风险评估的指标体系。……