公司信用债违约会引起公司股价异常波动吗？——基于A股上市公司的数据

李昳静

（安徽财经大学 会计学院，安徽 蚌埠233030）

自2018年开始，信用债市场中新增违约大幅上升。2019年不少信用债出现违约；到2020年11月，华晨汽车、永煤集团出现实质性违约，紧接着苏宁易购、紫光集团等多只信用债价格大幅下跌，影响投资人再投资的信心，不利于资本市场的良性发展［1］。债市的动荡是否蔓延到股市，是本文研究的核心。本文以资本市场信用债爆雷作为事件窗口期，选取上百家A 股上市公司，研究信用债规模对股价的影响，为监管部门应对金融风险提供合理建议，同时也为上市公司稳定股价提供依据。

一、理论推导与假设提出

（一）信用债规模与股价相关性研究

基于投资者情绪理论［2］，尽管投资者的情绪是个人的主观判断，但众人的投资行为形成合力后，会给资本市场带来巨大影响。在信用债爆雷后，投资者可能会对债券融资额高的公司产生消极情绪，减少对公司信用债的投资，进行资金撤离等操作，使得信用债价格大跌，同时，债市的风险传导到股市，使得上市公司日个股回报率出现短期下跌。

鉴于此，本文提出假设1：

假设1：债券存量会给标的上市公司股票累积非正常回报（CAR）带来显著的负效应。

（二）公司股东结构调节作用

公司治理结构会对公司运行以及融资产生一定影响。其中，大股东对公司的控制程度一直以来备受投资人关注。Dyck 和Zingales（2004）经过研究发现，尽管公司内部对大股东具有较高的信任度，但外部投资人仍然会怀疑大股东会侵占债权人利益，做出有利于自身利益的财务决策。因此，若债券存量给标的上市公司带来的股价效应为负效应，则公司股权结构可能会增强债券存量给标的上市公司带来的负向股价效应。

鉴于此，本文提出假设2：

假设2：公司股权结构显著增强债券存量给标的上市公司带来的股价效应。

（三）公司偿债能力调节作用

衡量公司的优劣一般从偿债指标、资本营运指标与公司获利能力指标三个方面进行分析。本文主要研究A股上市公司信用债，因此将偿债能力纳入模型中。胡婕（2014）通过实证检验，认为企业的综合偿债能力与智力资本存在显著正相关性。企业智力资本包括先进技术与核心竞争力，是企业未来经营的保障，也是投资人做决策时所考量的重要因素之一。

基于决策有用论［3］，投资者会将企业披露的财务报告作为投资参考依据，因此，上市公司财务报告中的各项数据会影响投资人的决策。一般来说，公司偿债能力越强，越容易吸引投资者的关注。因此，若债券存量给标的上市公司带来的股价效应为负效应，则公司偿债能力可能会削弱债券存量给标的上市公司带来的负向股价效应。

鉴于此，本文提出假设3：

假设3：公司偿债能力显著削弱债券存量给标的上市公司带来的股价效应。

二、研究设计

（一）样本选取和数据来源

本文选取截至2020年11月30日具有存量信用债的A 股上市公司，上交所与深交所共计654家，债券融资总额达9万亿元。

参考现有研究［4］，本文在已有样本公司的基础上对数据做出以下筛选：剔除金融类上市公司；剔除*ST、ST 公司；剔除数值缺失或数值离群的样本。最后得到样本公司405 家。上市公司日个股回报率与市场日综合回报率、债券数据来自RESSET 数据库，其他控制变量与调节变量来自CSMAR 国泰安数据库。本文用Stata15.1 软件进行实证分析。

（二）模型设定

为验证假设1，构建模型1如下：

为验证假设2，构建模型2如下：

为验证假设3，构建模型3如下：

（三）变量说明

1.被解释变量

股票累积非正常回报（CAR）能良好反应股市受金融风险的波动情况。本文选取事件窗内的样本公司股票累积非正常回报CAR 作为被解释变量，用来衡量上市公司受到债市的影响程度。CAR值估计步骤如下：

（1）事件日的确定

2020年度信用债市场的严重违约集中发生在11月份，其中永煤、华晨债券的实质性违约是其他公司债券价格下跌的导火索：永城煤电控股集团有限公司所发行的20永煤SCP003债券到期日11月10日，违约日债券余额5 亿元；华晨汽车集团控股有限公司发行的H19华晨6、H19华集1、19华汽债02等多只债券发生提前到期未兑付的情况。综合考虑市场对债券的反应，将11月20日华晨债券违约日当天作为事件日（t＝0）。

（2）估计窗与事件窗的确定

借鉴前人研究，兼顾2020年上半年资本市场受疫情冲击所带来的异常波动，本文将估计窗定为（-142，-11），即将2020年7月1日到2020年11月9日样本公司个股日回报率作为预测事件窗个股日回报率的基础。由于债市的波动传播到股市需要一定的时间，因此本文将事件窗定义为事件日的前后10 天内。此外，在稳健性检验中还会将事件窗定义为（-8，8）和（-12，12），以此来检验模型的稳健性。

（3）市场模型法计算CAR

第一，建立普通最小二乘法（OLS）回归模型，利用估计窗时期样本公司日个股回报率和综合市场日回报率得出模型中常数项αi 与系数βi 的值。市场模型如下：

其中，Rit代表估计期内i 公司第t日的个股收益率，Rmt代表估计期内第t日市场日回报率，αi 表示常数，βi表示i公司系统性风险，εit表示满足正态分布的残差项。

第二，预测事件窗正常收益率。假设在事件窗内第i公司个股预期的正常收益率与市场日收益率存在相关关系，即预期正常收益率的计算公式如下：

其中，E(Rit)代表事件窗内i公司第t日的预期正常收益率，Rmt代表事件窗内第t日市场日回报率，αi与βi的数据由第一步计算得出。

第三，计算超额收益率（AR）。超额收益率等于实际收益率与预期正常收益率的差值，具体计算公式如下：

其中ARit代表i 公司第t日的超额收益率，Rit表示在事件窗内i 公司第t日的实际收益率，E(Rit)由第二步计算得出。

最后，计算股票累积非正常回报（CAR）。事件窗内样本公司的CAR由样本公司在事件窗内的AR加总得出，计算公式如下：

其中，CARi代表i公司事件窗内股票累积非正常回报，ARit由第三步计算得出，a＝－10，b＝10。

2.解释变量

本文采用样本公司债券存量数额（Bonds）来度量企业的信用债规模，债券存量数据直观、准确，增强结果的可靠性。

3.调节变量

公司股东结构（Z-index）。用Z 指数（Z-index）作为公司大股东股权集中度的代理变量，反应大股东对公司控制能力的强弱，Z指数等于公司第一大股东与第二大股东持股比例的比值［5］。若Z指数过高，则股权集中，容易出现股东侵吞公司财产的行为；若Z指数较低，股权分散程度高，减少公司内部与外部投资者的信息不对称性。

公司偿债能力（Paying）。上市公司偿债能力的强弱是投资者投资时考虑的重要指标［6］，本文用利息保障倍数作为公司偿债能力的代理变量，学术界也对公司利息保障倍数持有较高关注度［7］，因此，将其纳为调节变量。

4.控制变量

本文将企业授信额度（Credit）、资产负债率（Debt）、流动比率（Liquid）、企业规模（Size）作为控制变量。

以上变量定义与变量说明如表1所示：

表1 变量定义与变量说明

三、实证结果与分析

（一）描述性统计

首先对数据进行描述性统计，分析结果如表2所示。从表格中可以看出，405家公司的股票累积非正常回报率均值为2.38%，最大值为37.7%，最小值为-28.2%，差异较为明显；以上所有变量中，变量利息保障倍数的标准差最大，最大值为1372，最小值为-68.35，由此可见样本公司的偿债能力存在显著性差异，即各家样本公司对债务的还本付息能力有明显差别。

表2 研究变量描述性统计

Z-index Paying Credit Debt Liquid Size 405 405 405 405 405 405 9.517 15.325 5.211 0.572 1.653 23.633 18.174 72.572 1.927 0.121 11.804 1.471 9.517 11.836 5.307 0.572 1.778 21.384 1.000-68.354-0.223 0.110 0.074 18.663 324.943 1，372 10.645 0.896 5.453 26.561变量 观测值 均值 标准差 中位数 最小值 最大值

（二）相关性分析

本文模型所用变量的Pearson相关系数检验结果如表3所示：

表3 研究变量Pearson相关系数检验

从表3相关系数矩阵可以看出，变量间的相关性显著性水平较高，一半以上的结果在1%的水平上显著。从结果中还可以看出样本公司债券规模与股票累积非正常回报呈显著负相关、Z指数与股票累积非正常回报呈显著负相关、偿债能力与股票累积非正常回报呈显著正相关，这与前文预测相符，符合学术界现有研究结论［8］，但该相关性分析只是对变量间的关系进行初步预判，仍需进行回归分析，对结果做出进一步的证明。

（三）多元回归结果与分析

现利用Stata15.1 对样本数据进行多元线性回归分析，回归结果如表4所示：

表4 模型回归结果

注：***、**、*分别表示变量的相关性在1%、5%、10%的水平上显著，括号内为t值。

1. 信用债规模与公司股价相关性

表4 中的模型1 回归结果表明，债券规模与股票累积非正常回报呈负相关，且在1%的水平上显著。当公司的债券融资总额越高时，在事件窗口期内的股票累积异常收益率就越低，公司应对金融风险的能力就越低，由此可以看出，债券存量会给标的上市公司股票累积非正常回报带来显著的负效应，因此假设1得到验证。债券规模与股票累积非正常回报存在紧密的相关性，也为模型2 与模型3调节效应的验证奠定了基础。

2. 公司股东结构调节作用

由表4 中的模型2 回归结果表明，Bonds*Zindex 与Bonds 的系数均为负，T 值大于2.58，即在1%的水平上是显著的。当调节变量与解释变量的系数相同，说明调节变量对主效应具有强化的作用，因此，在本文模型2的回归结果中，债券规模与股票累积非正常回报呈显著负相关，股东结构的代理变量Z 指数和债券规模的乘积与股票累积非正常回报呈显著负相关，由此可以得出，公司股东结构发挥着明显的正向调节作用，即公司股权结构显著增强了债券存量给标的上市公司带来的负向股价效应。故假设2得到验证。

3. 公司偿债能力调节作用

由表4 中的模型3 回归结果表明，Bonds*Paying 与Bonds 的系数一正一负，T 值均大于2.58，即在1%的水平上是显著的。调节变量与解释变量的系数相反，说明调节变量对主效应具有弱化的作用，因此，在本文模型3的回归结果中，债券规模与股票累积非正常回报呈显著负相关，偿债能力的代理变量利息保障倍数和债券规模的乘积与股票累积非正常回报呈显著正相关，由此可以得出，公司偿债能力也发挥了明显的调节作用，但该调节作用是反向的，即公司偿债能力显著削弱了债券存量给标的上市公司带来的负向股价效应。故假设3 得到验证。

（四）稳健性检验

为了验证模型的稳健性，本文分别更改事件窗和代理变量的选取。

前文的事件窗为（-10，10），将事件窗改为（-8，8）后，为验证假设1-3所构建的模型回归结果如表5所示：

表5 稳健性检验——更改事件窗为（-8，8）

由表5 可以看出，回归系数的正负与前文一致，且模型仍具有较强的显著性水平，表明通过稳健性检验，回归结果准确，因此仍然可以验证前文假设。本文还将窗口期改为（-12,12）［9］，将偿债能力的代理变量利息保障倍数改为现金流量利息保障倍数，回归结果与前文仍然相符，故结果稳健（由于篇幅限制，回归结果不再单独列出）。

四、结论与启示

（一）研究结论

本文以上海证券交易所和深圳证券交易所的A股上市公司为样本，以股票累积非正常回报为被解释变量，债券规模为解释变量，同时加入股东结构与偿债能力作为调节变量，构建线性回归模型，整理回归结果，得出以下三点结论：（1）债券存量会给标的上市公司股票累积非正常回报带来显著的负效应。（2）公司股权结构集中度显著增强债券存量给标的上市公司带来的负向股价效应。（3）公司偿债能力显著削弱债券存量给标的上市公司带来的负向股价效应。

（二）启示与建议

债市的动荡会在一定时间内蔓延到股市，引起个股日回报率的短期下跌。股市与债市是资本市场的头部力量，监管机构与交易所应及时应对金融风险，避免市场的大幅波动，从而稳定投资人信心，促进中国资本市场的健康发展。

对此本文提出以下建议：

第一，发债公司与监管机构应采取适当措施，积极防范与应对金融风险，避免风险的跨市场传导。债市与股市密不可分，应严加防范跨市场传导的金融风险，避免损害投资人与银行的信心，影响企业再融资。因此监管机构应及时对市场风险做出应对措施，将其危害性降至最低；涉事公司应迅速展开“自救”，通过采取适合本企业的财务行为，将财务危机控制在一定范围之内，避免产生蝴蝶效应。

第二，若要减少公司融资难度，股权结构不应过于集中。股权结构过于集中，投资人会对公司产生一定程度的不信任，Z 指数越大，股东越有可能侵吞公司财产，出现财务舞弊等欺骗债权人的行为，外部投资人也会在投资时考虑该因素。因此，适度分散股权结构有利于企业融资［10］。

第三，由于内部管理者与外部投资者的利益不一致，加上严重的信息不对称问题，当公司出现债务违约行为后，市场会发出信号，例如债券价格下跌、上市公司股价出现非正常波动等。而作为违约方，在金融风险面前，采取适合本公司的财务行为化解金融风险，稳定投资者的情绪是重中之重。