摘要

　　近年來，交易所和交易商協會相繼推出科創類債券，通過債市創新提升科技創新企業融資能力。目前學者們對科創類債券及科技型企業信用風險的研究較為有限，因此本文對科創類債券發行主體的信用風險評價體系進行了實證研究，以期對科創類債券發行主體的信用風險識別和預測有所裨益，同時為后續科技型企業信用評級方法的構建提供科學依據。本文首先對科創類債券的發行概況進行了描述，進而從市場競爭力、運營能力、可持續發展能力、償債來源、債務與資本結構、保障能力分析七個維度選擇了28個指標，運用BP神經網絡進行實證分析。研究結果表明，營業收入、總資產周轉次數、研發費用、總資產收益率、扣非凈利潤、債務資本比率、期末現金及現金等價物/短期有息債務以及經營性凈現金流/利息對信用利差的解釋程度較高。

　　正文

　　一、研究背景

　　近年來，交易所和交易商協會相繼推出科創類債券，通過債市創新提升科技創新企業融資能力。

　　我國經濟發展的基本特征已由高速增長階段轉向高質量發展階段，創新成為引領高質量發展的第一動力，在此戰略背景下，交易所和交易商協會相繼推出科創類債券，通過債市創新提升科技創新企業融資能力。2021年3月，滬深交易所啟動科技創新公司債券（以下簡稱“科創債”）試點工作，在創新創業公司債券框架下，引導優質企業發行科創用途公司債券。2022年5月20日，滬深交易所分別發布了《上海證券交易所公司債券發行上市審核規則適用指引第4號——科技創新公司債券》和《深圳證券交易所公司債券創新品種業務指引第6號——科技創新公司債券》，同日，交易商協會發布《關于升級推出科創票據相關事宜的通知》，標志著科創債和科創票據的正式推出。同年11月，證監會和國務院國資委聯合發布《關于支持中央企業發行科技創新公司債券的通知》，旨在進一步健全資本市場服務科技創新的支持機制，發揮中央企業科技創新的引領示范作用，引導各類金融資源加快向科技創新領域聚集，更好服務國家創新驅動發展戰略。2023年4月，證監會制定印發《推動科技創新公司債券高質量發展工作方案》，進一步完善債券市場支持科技創新的制度機制，提出了服務機制、評價考核制度和工作協同機制等方面的工作舉措。同年7月，交易商協會創新推出混合型科創票據，通過浮動利率、收益權轉讓等結構設計，讓債券投資人參與科技型企業發展。

　　目前學者們對科創類債券及科技型企業信用風險的研究較為有限，主要集中在對發行政策及新發債情況進行描述性統計，尚未有文獻對其發行主體的信用風險情況開展實證分析，本文將對科創類債券發行情況進行描述，并運用BP神經網絡對其發行主體的信用風險評價體系進行實證研究，以期對科創類債券發行主體的信用風險識別和預測有所裨益，同時為后續科技型企業信用評級方法的構建提供科學依據。

　　二、發行概況

　　自科創債及科創票據正式推出以來，科創票據發行數量和發行規模整體趨勢與科創債接近，兩者發行主體存在一定重合，但科創債發行主體中國有企業的集中度高于科創票據，發行期限分布較科創票據更長，且發行主體信用評級分布整體更高。

　　根據債券名稱中是否含有科創債標識為篩選標準，自科創債開展試點工作以來，截至2023年9月末，滬深交易所累計發行科創債315只，發行規模合計3，407.10億元，共涉及發行主體172家；從發行月度分布來看，科創債試點工作開始到正式推出階段，科創債發行數量和規模均處于較低水平，待正式推出后，發行數量和發行規模均呈上升趨勢，并在2023年6月達到最高點；從發行主體級別上來看，發行時主體評級為AAA、AA+、AA債券分別為233、57、23只，AAA占比達到73.87%；從發行主體性質上來看，發行主體主要是地方國有企業，其次是央企，兩者發行數量和發行規模占比分別為96.83%和97.74%，央企和地方國有企業為科創債發行的絕對主力。自2022年5月20日正式推行以來，滬深交易所累計發行科創債286只，發行規模合計3，159.50億元，共涉及發行主體165家；從發行主體級別上來看，發行時主體評級為AAA、AA+、AA的債券分別為213、53、18只，AAA占比達到了74.48%；從發行主體性質上來看，央企和地方國有企業的發行數量和發行規模占比分別為97.55%和98.20%，集中度極高；從發行主體行業分布上來看，發行主體主要為工業行業企業，其發行數量和發行規模占比分別為63.99%和64.39%；從發行期限上來看，主要分布于3年和5年期限，兩者發行數量和發行規模占比分別為77.27%和78.00%。

　　根據債券名稱中是否含有科創票據標識為篩選標準，自2022年5月20日推出科創票據以來，截至2023年9月末，交易商協會累計發行科創票據520只，發行規模合計4，402.36億元，共涉及發行主體172家，其中混合型科創票據8只，發行規模合計24.00億元。從發行主體級別上來看，發行時主體評級為AAA、AA+、AA的債券分別為333、128、13只，AAA占比達到了64.04%；從發行主體性質上來看，央企和地方國有企業發行數量和發行規模占比分別為70.96%和76.14%，集中度較科創債有所下降；從發行主體行業分布上來看，發行主體主要為工業和材料行業企業；從發行期限上來看，科創票據發行期限主要集中于一年及一年以內，其發行數量及發行規模占比分別為65.58%和68.23%。從發行月度分布上來看，科創票據發行數量和發行規模整體趨勢與科創債接近，于2023年4月達到最高點，科創票據發行數量整體低于科創債發行數量，發行規模整體高于科創債發行規模，但2023年6月以來，科創票據發行規模逐漸呈現出低于科創債發行規模的態勢。另外，科創票據的發行主體中，有20家與科創債重合，其中18家為央企和地方國有企業。

　　三、實證分析

　　本文以截至2023年9月末由民營企業和公眾企業無擔保發行的127只科創票據為研究對象，以信用利差為被解釋變量，并從市場競爭力、運營能力、可持續發展能力、償債來源、債務與資本結構、保障能力分析七個維度選擇28個指標作為解釋變量，運用BP神經網絡進行實證分析，對28個指標的權重貢獻率排序后對篩選出的16個主要指標的權重貢獻率再排序。

　　（一）實證方法

　　BP神經網絡具有自適應性、容錯率高、非線性等優勢，并且Matlab軟件中提供了成熟的函數工具包，使用便捷，訓練效果好。因此，本文選用BP神經網絡作為基本原理構建實證分析模型。

　　（二）指標及樣本選取

　　1、樣本的選取

　　由于科創債發行主體高度集中于央企和地方國有企業，為消除不同政府支持力度及債券擔保對信用風險評級的影響，本文選取的樣本為截至2023年9月末由民營企業和公眾企業無擔保發行的科創票據，共計137只債券，剔除指標數據不全的樣本后最終債券樣本量為127只。本文采用債券起息日前一年的指標作為數據來源進行實證研究，變量數據通過Wind等公開渠道獲取。

　　2、被解釋變量的確定

　　本文研究的被解釋變量為科創票據的發行利差，本文發行利差采用的計算方式為債券發行時的票面利率與起息日對應期限的中債國債到期收益率的差值。由于票據期限較為分散，在選取對應期限的中債國債到期收益率時，按照1月、2月、3月、6月、9月、1年、2年、3年等標準期限向上取整并獲取對應到期收益率。

　　3、解釋變量的確定

　　本文參考各評級機構出具的相關債項評級報告中的指標，從市場競爭力、運營能力、可持續發展能力、償債來源、債務與資本結構、保證能力分析和現金流量分析這七個方面先后選取了28個指標進行實證研究，如表1所示。

　　（三）實證結果分析

　　1、變量重要性排序

　　本文構建的神經網絡的結構包括一個輸入層、一個隱含層和一個輸出層。輸入層有28個節點，隱含層有10個節點，輸出層有1個節點。神經網絡訓練過程的擬合結果如圖3所示，由圖可知，模型整體的解釋力度較高。

　　訓練好的BP網絡模型保存了各層神經節點的權重和偏置，本文通過對模型中解釋變量進行因子權重分析，對所有解釋變量進行變量重要性排序，以探究各影響因素中哪些對信用利差的影響較為重要，并對他們的影響機制進行分析。通過計算可以得到各影響因素的權重貢獻率如表2所示。

　　由表2可知，市場競爭力維度下總資產、營業收入、凈資產指標，運營能力維度下存貨周轉天數、總資產周轉次數指標，可持續發展能力維度下研發費用/營業收入及研發費用指標，償債來源維度下扣非凈利潤、凈資產收益率、總資產收益率指標，債務與資本結構維度下資產負債率及債務資本比率指標，保障能力分析維度下，期末現金及現金等價物/短期有息債務、EBITDA利息保障倍數、總有息債務/EBITDA指標，現金流量分析維度下經營性凈現金流/利息指標，以上16個指標對模型解釋的貢獻程度較高。

　　2、主要指標選取及再排序

　　在上文中對28個指標的權重貢獻率排序中，部分指標權重貢獻率很低，即這些指標與信用利差的預測并沒有很大關聯，不相關和多余指標對算法都是不利的，會降低模型預測準確率，減弱模型的解釋能力。因此對模型解釋貢獻程度排序前16的指標再次進行BP神經網絡擬合。神經網絡訓練過程的擬合結果如圖4所示，該擬合結果下模型整體的解釋力度略高于28個指標下的BP神經網絡擬合結果。

　　在測試環境發生變化的情況下，上述指標的權重貢獻率也發生了相應的變化，在衡量企業市場競爭力方面，本文發現營業收入對模型解釋的貢獻程度較高，在衡量運營能力方面，總資產周轉次數對模型解釋的貢獻程度較高，在衡量可持續發展能力方面，研發費用對模型解釋的貢獻程度較高，在衡量償債來源方面，總資產收益率和扣非凈利潤對模型解釋的貢獻程度較高，在衡量債務與資本結構方面，債務資本比率對模型解釋的貢獻程度較高，在衡量保障能力方面，期末現金及現金等價物/短期有息債務對模型解釋的貢獻程度較高，在衡量現金流量方面，經營性凈現金流/利息對模型解釋的貢獻程度較高。

　　四、結論及不足

　　研究結果表明，營業收入、總資產周轉次數、研發費用、總資產收益率、扣非凈利潤、債務資本比率、期末現金及現金等價物/短期有息債務以及經營性凈現金流/利息八個變量對信用利差的解釋程度較高。但僅依靠財務指標難以全面反映科技型企業的科創能力，而專利等體現科技型企業科創能力的重要非財務指標難以獲取，因而本文中構建的影響因素體系未能全面測度企業的科創屬性。

　　本文以截至2023年9月末由民營企業和公眾企業無擔保發行的127只科創票據為研究對象，從市場競爭力、運營能力、可持續發展能力、償債來源、債務與資本結構、保障能力分析七個維度選擇28個指標，運用BP神經網絡進行實證分析。經過對28個變量的權重貢獻率排序和16個主要指標的權重貢獻率再排序，研究結果表明，營業收入、總資產周轉次數、研發費用、總資產收益率、扣非凈利潤、債務資本比率、期末現金及現金等價物/短期有息債務以及經營性凈現金流/利息八個變量對信用利差的解釋程度較高。

　　本文所構建的BP神經網絡模型擬合程度較高，研究結果一方面豐富了科創類型企業的信用風險評價體系，有助于后續構建科技型企業信用評級方法，另一方面有助于投資者識別科創類債券的信用風險，制定有效的投資決策。但研究也存在一些不足，僅依靠財務指標難以全面反映科技型企業的科創能力，而專利等體現科技型企業科創能力的重要非財務指標難以獲取，因而本文中構建的影響因素體系未能全面測度企業的科創屬性。

　　報告聲明

　　本報告分析及建議所依據的信息均來源于公開資料，本公司對這些信息的準確性和完整性不作任何保證，也不保證所依據的信息和建議不會發生任何變化。我們已力求報告內容的客觀、公正，但文中的觀點、結論和建議僅供參考，不構成任何投資建議。投資者依據本報告提供的信息進行證券投資所造成的一切后果，本公司概不負責。

　　本報告版權僅為本公司所有，未經書面許可，任何機構和個人不得以任何形式翻版、復制和發布。如引用、刊發，需注明出處為大公國際，且不得對本報告進行有悖原意的引用、刪節和修改。

　　(本文作者介紹：大公國際作為中國國新控股子公司，成立于1994年，擁有獨創的評級方法和評級技術，科研成果豐富。)