基于关联网络的制造业债券信用风险传染路径研究

冯鸿雁 王星月 董志良

内容提要：制造业债券市场是实体经济的重要融资平台，但也存在着潜在的信用风险传染问题，防范化解其信用风险对于维护实体经济和金融市场的稳定至关重要。本文以2018—2022年制造业发债主体为研究样本，采用KMV 模型来度量信用风险，利用关联规则算法构建风险关联网络，探索债券信用风险传染路径，借助SIRS 传染病模型进行多情景模拟分析。结果表明，制造业债券发行主体信用风险关联网络具有小世界与无标度特征；制造业企业具有产业集聚特点，关键节点大部分位于广东和江苏，且以工业机械、机动车零配件和基础化工行业为主；救助政策在降低风险方面发挥关键作用，免疫政策对易感企业有显著影响。上述结论可以为政府在制造业债券风险防范方面的相关工作提供政策参考。

一、引 言

债券市场作为金融市场重要组成部分，为实体经济融资提供了重要支撑作用。2022 年，我国信用债券市场存量已达41881 只①数据来源于Wind 金融终端债券版块信用债中信用债研究和信用债违约版块，https：//www.wind.com.cn/。，债券融资比例不断扩大，但随着金融市场快节奏发展，信用债违约风险也逐渐显现。仅2022 年，我国信用债违约数量达174 只，违约金额高达879.35 亿元②数据来源于Wind 金融终端债券版块信用债中信用债研究和信用债违约版块，https：//www.wind.com.cn/。。

制造业作为实体经济的典型代表，其债券信用风险的高杠杆率和不确定性显得尤为突出。习近平总书记高度重视制造业发展，强调制造业是实体经济的基础，实体经济是我国发展的本钱，是构筑未来发展战略优势的重要支撑。制造业涉及多个行业与领域，其关联利益主体覆盖较广，根据现有研究，目前企业间的关联关系主要有交易、担保、持股等，一旦该关系链上的企业发生违约，则会导致其他相关企业的信用风险也增大。例如，2018 年，大型民营制造业企业丛林集团由于为外部企业担保最终导致23 家关联公司与20 余家银行均受到影响。另外，制造业在创收方面需要较长的周期，这使其更容易产生信用风险。且在疫情冲击后，虽然制造业恢复明显，但由于总体上消费恢复速度慢于生产（苏京春等，2020），需要更加关注制造业信用风险情况。

为有效防范和控制债券信用风险，对制造业信用风险传导进行研究显得尤为重要。而复杂网络为信用风险研究提供了一种新的研究方法，通过市场中参与者之间的关系构建关联关系网络，而信用风险则在该网络上传播。因此，基于风险关联网络，借助SIRS 模型探索制造业债券信用风险传播路径对防范债券市场风险具有一定学术和实践意义。

本文可能的边际贡献在于：首先测度了制造业发债主体的信用风险，拓展了对我国制造业企业信用风险的了解；其次，通过关联规则算法构建了制造业信用风险的有向无权网络，揭示了制造业中不同企业之间信用风险的联系，有助于更全面地理解制造业发债主体间的风险传播，并突出了制造业中产业集聚的特点，指出关键节点，为有关地区和行业的风险管理提供政策参考；最后，通过SIRS模型探讨了不同政策水平下的信用风险传播情况，有助于政府机构更好地理解和评估不同政策选择对于制造业债券信用风险的影响，为政府监管制造业债券市场提供依据。

二、文献回顾

近年来，国外学者在债券违约方面已经有诸多研究（Duffie and Pan，2001；Giesecke et al.，2011）。而我国起步较晚，从2014 年逐渐出现债券违约现象后，债券信用风险研究开始备受广大学者关注（曹勇等，2016；高颖超、赵治纲，2021；李茹霞，2023）。为了更好地了解与防范债券信用风险的发生，信用风险评估是必不可少的关键环节，研究人员提出了多种评估模型：古典分析法、简约模型、结构化模型、Z-score 模型、Logit 模型和KMV 模型等。KMV 模型是一种现代信用风险度量模型，在反映企业真实信用风险方面具有较强可靠度。相对于国内学者，国外学者对KMV 模型的研究开始较早。Altman and Saunders（1997）进行了KMV 模型与传统的Probit 多元判别模型的比较分析，研究结果显示，KMV 模型在信用风险识别方面表现优越，优于其他模型。国内学者也对其有一定研究，并根据我国的实际情况进行了一定的修正，得到了更符合中国企业环境的KMV 模型（蒋书彬，2016；王佳、曹琼予，2022）。此外，该模型从上市公司财务数据出发，数据采集相对容易，数据可获得性也比较高。因此，本文选用KMV 模型来评估不同类型债券的信用风险。

对于企业间风险传染具体情况，仅靠测度是无法体现的，且债券违约产生的信用风险会通过经济体间直接或间接关联传染给其他经济主体，导致大规模危机发生。具有较强的非线性和复杂系统建模和分析能力的复杂网络方法，成为研究信用风险传染机制的一种有力工具（高扬等，2023；王姝黛等，2023）。近年来，复杂网络方法被运用在诸多研究领域，在经济与管理领域也被广泛应用（Chen et al.，2023；李旲等，2021；刘新争、高闯，2022）。也有诸多学者将复杂网络与信用风险传染结合在一起，探究经济体之间的关联以及这些关联对于信用风险传染的影响（Yao et al.，2023；Wu et al.，2022）。为了探究制造业债券发债主体之间的具体关联关系，本文结合关联规则算法了解企业间信用风险关联强度以及传播方向。关联规则是一种机器学习中的数据挖掘算法，它能够在大规模数据集中发现事物之间的依赖关系或因果关系（Xiao and Piao，2022；施国良等，2020），可以明确信用风险的传播方向和强度。

探索关联信用风险的传染规律、识别关联信用风险的传染路径是制定有效风险管控策略的前提。信用风险的传播与传染病的传播具有一定的相似性，诸多学者通过传染病模型来研究金融领域的风险传播，Lei et al.（2021）对SIS 模型改进，研究供应链网络上的风险传播；铁瑞雪等（2018）利用SIR模型构建R&D 网络技术风险传播动力学模型，识别研发企业的技术风险。前人的研究说明了传染病模型在风险传染中的适用性，然而在制造业债券信用风险传染研究方面，运用复杂网络方法与SIRS模型相结合的研究较少，因此，为深入探究信用风险传播，本文从传染病学的角度出发，并结合复杂网络方法，借鉴钱茜等（2019）研究，以更全面的视角，为政府监管制造业债券市场提供参考。

三、研究设计

（一）理论机理

1.信用风险扩散

制造业企业之间的信用风险是相互渗透的，且受到供应链关系、金融机构关联以及宏观经济环境等因素的影响。在供应链方面，制造业企业依赖于供应链中的其他企业提供原材料和服务，一旦供应链中的某一企业出现债券违约，可能导致生产中断和生产成本上升，从而影响其他企业，并且会沿着供应链物资、资金和信用关联关系传染给其他企业，使关联企业违约风险增加（黄苒、冯小钰，2023）。此外，金融机构在提供融资和信用支持方面扮演着关键角色，如果多家制造业企业共同依赖于同一家金融机构，该金融机构的问题可能会导致多家企业的债务违约。同时，宏观经济环境的变化也会加剧信用风险传染。例如，经济衰退期间，多家企业面临更大的经济困难，增加了债务违约的风险。这些因素共同作用，形成了制造业债券信用风险的传染扩散机制，给金融市场和实体经济带来了潜在的风险和挑战。

2.信用风险传染

在债券违约情况下，违约企业会带来一定的信用风险，而这种风险会透过制造业企业之间的关联关系传播给其他企业，在整个风险传染过程中，传染源、传染路径以及相关企业等相互影响，形成完整的风险传染链。企业在发生债券违约之后，成为初始传染源，面临较大的财务危机而产生偿债风险和信用风险等。之后感染企业通过日常活动、关联交易以及合作等行为与其他企业形成的各种各样的关系网，关系的紧密程度不同，风险传染的速度和效应也不尽相同。而与违约企业有关联并且自身应对风险能力不强的企业，在被风险源企业传染后很有可能面临同样的险境。而一些具有较强风险应对能力的企业，可能并不会被感染企业影响，具有一定的免疫能力。同时，一些被传染的企业可能通过相关政策以及风险管理措施应对这一危机从而转变为免疫企业。这一传染过程与病毒传染模式具有相似性，传染病模型也被广泛地应用在金融风险传导过程中（何汉、李思呈，2022）。已有的研究成果为本文采用SIRS 传染病模型研究制造业债券违约风险提供了坚实的理论基础。

（二）数据选取

考虑到我国债券违约现象起源于2014 年，但大规模违约事件直到2018 年才爆发，因此本研究以2018—2022 年的制造业债券发债主体为研究样本。根据证监会行业分类标准进行筛选，删除信息不全的公司以确保研究结果的可靠性。最终，选取了376 家发债主体进行研究。样本选取主要基于Wind 数据库提供的相关数据，这些样本公司覆盖了多个制造业子行业，包括钢铁、化工、机械制造等，具有较高代表性。

为了更准确地探究信用风险的传染机制，根据KMV 模型计算结果，选取了2018—2022 年信用违约距离较小、违约风险高的企业作为样本。基本准则是选取5 年间每年违约距离均不超过2.33，也就是违约可能性大于1%、标普评级等于或低于BB 的公司。经过筛选，最终选取了36 家符合要求的制造业公司作为样本进行研究。具体选取样本如表1 以及图1 所示，可见违约风险高的企业大部分是民营类企业。

图1 样本企业属性以及年平均违约距离

表1 选取制造业企业样本

（三）研究方法与模型构建

1.修正的KMV 模型

KMV 模型源于Black-Scholes-Merton（BSM）期权定价模型的研究，是一种动态模型，主要用于评估上市公司的信用风险。企业在资产价值处于总债务与短期债务之间的某一特定水平时会选择违约，该水平值被称为违约点（DPT），而公司资产价值VA与违约点DPT 之间的相对差距构成了违约距离（DD）。违约距离可通过下述公式表示：

其中，σA为企业资产价值波动程度。根据传统模型假设，在企业价值符合正态分布的情况下，其理论预期违约概率（EDF）可以表示为式（2）。其中，DP 表示违约阈值，N（-DD）表示小于负违约距离的概率。

而传统的KMV 模型更多是适用于美国市场，所以如果采用KMV 模型测度我国上市公司信用风险，需要对其进行修正。为此，结合前人研究成果（王星予等，2019），对KMV 模型进行更契合中国市场的修正。根据我国上市公司情况，将流通股与非流通股均采用资产定价法作为资产价值，如式（3）所示：

其中，NF代表流通股的数量，NN代表非流通股的数量，PF代表流通股每股股价，PN则表示每股净资产，每股净资产=股东权益/总股本。

由于股票市场尖峰-肥尾型的特征，正态分布或t 分布均无法刻画，因此根据张建同等（2019）研究，采用GARCH 模型来计算股价波动率：

其中，α 为回报系数，β 为滞后系数，α≥0，β≥0。式（4）为条件均值方差，式（5）为条件方差，说明时间序列条件方差的变化特征。违约点DPT 按照通用做法：

其中，STD 为流动负债，LTD 为长期负债。根据模型定义，可以发现违约距离具有衡量信用风险的功能。违约距离越大，制造业企业债券违约概率就越低，反之违约距离越小，则制造业企业债券违约概率越大。实际情况下，上市公司的资产价值是否符合正态分布存在一些争议。此外，由于中国缺乏完整的历史违约数据，很难建立违约距离和预期违约概率之间的明确数学关系。所以，本研究参考学者赵浩等（2018）做法，主要根据违约距离的相对大小，来衡量企业的信用风险差异。

2.关联信用风险网络的构建

关联规则算法（Apriori 算法）是数据挖掘算法中的一种。所谓“关联”就是数据之间的相互联系或依赖关系，而关联规则算法就是从大量的数据中挖掘出数据之间的这种联系或依赖关系的算法。

由于公司之间存在关联关系，而这一关联关系必然会使得公司的信用风险呈现某种联动性，因此选择通过关联规则算法，从上市公司的信用风险数据中，挖掘出公司之间的信用风险联动性，找出公司之间潜在的关联关系。

（1）网络构建过程。第一步，通过KMV 模型计算出样本企业的周违约距离对企业信用风险进行度量，作为模型的输入。第二步，对违约距离结果进行预处理，将其转化成布尔型数据。若某一公司本周的信用风险数值较前一周有所增加，则设定该公司当周的信用风险变化为TRUE。第三步，设定了最小支持度阈值为20%和最小置信度阈值为80%，同时满足该条件的为强规则。支持度是指一条规则在一个集合中出现的频率，支持度越高，说明该规则的重要性越大。但实际数据挖掘中，支持度的值通常较小，因此需要依赖置信度来更准确地评估关联规则的强度。强规则意味着不仅在数据集中有较高的频次，且置信度也相对较高，具备一定的准确性。第四步，以企业为节点，如果债券A 所代表公司的信用风险增加会导致债券B 所代表公司的信用风险增加，也就是二者之间为一个强规则，就认为节点间有一个连接，并且方向是从A 到B，从而构建一个有向无权网络。

（2）网络指标选取与分析。在制造业企业信用风险网络中，企业在整个网络中节点度值越高，说明该企业的联系和影响力越大，风险传染的潜在影响力也就越大。有向无权网络中又分为出度与入度，出度是指该节点在关联规则中作为前提或条件的次数，也就是它导致其他节点信用风险增加的次数；入度是指其他节点在关联规则中作为结果或结论的次数，也就是其他企业导致该企业信用风险增加的次数，具体度值计算见式（7）。其中CD（Ni）表示节点Ni的度值，Xij表示节点Ni与节点Nj之间的连接，如果存在连接则为1，否则为0，表示与相连的节点数量。

中介中心性：在风险网络中，制造业企业中介中心性的值越大，表明其在网络中充当“中介”次数越多，其在整个网络中位置越重要。因此，通过对节点中介中心性进行分析，可以更准确地评估其信用风险传染能力，见式（8）。其中CB（V）表示节点V 的中介中心性值，σst（v）表示节点s 到节点t 的最短路径中通过节点的数量。

接近中心性：企业接近中心性越高，说明该企业与其他企业信用风险关系越密切，风险传染可能性越高。具体计算见式（9），其中Cv表示节点V 的接近中心性值，表示网络中节点总数，dvi表示节点v 到节点i 的最短路径长度。

3.SIRS 传染病模型的构建

首先，模型基本背景假设。为了便于后续多情景模拟分析，做如下背景假设。假设1：在由N 个关联企业组成的信用风险关联网络中，企业被分为三种类型，即S 易感企业、I 感染企业以及R 免疫企业。易感企业是指处于风险网络中，很可能会被一个高信用风险公司所传染，从而变成一个高信用风险公司；感染企业是指在制造业债券发行主体中，发生债券违约的企业，并且可以通过不同关联关系，使相关企业形成信用风险；免疫企业指的是在关联企业网络中，具备技术优势或者丰富经验，能够有效识别和管理信用风险的企业。假设2：感染企业通过企业间的关联关系将部分易感企业传染为感染企业概率为α。但有部分易感企业会通过提高企业技术与加大风险防控力度而避免被感染，成为免疫企业，这一概率为β。部分感染企业在发生违约后，通过一定政策支持来恢复其信用状况，并加大对企业风险的管理，从而转变为免疫企业，这一转变概率为γ。但部分企业也可能在转为免疫企业后又因为经营不善导致其再次转为易感企业，设定这一概率为δ。

其次，模型的构建。为了使信用风险的传染得到控制，即单一企业所产生的信用风险不会影响到整个行业，借鉴钱茜等（2019）观点，对企业采取相应的风险管控策略，包括救治策略和免疫策略。救治策略主要针对风险关联网络中发生债券违约的感染企业，通过代偿、资金拆借、商业贷款等方式来“救治”被传染公司，降低风险关联对其他公司的冲击，从而降低风险扩散。如果通过救治策略，比例为σ 的感染企业变为免疫企业，则称σ 为救治率。免疫策略主要面向那些容易受到信用风险传染的企业。企业通过一系列措施，如切断与已经发生债券违约企业之间的业务关系以及改善自身的资本结构，可以增强其抵御信用风险传播的能力，将其由易感企业成功转化为免疫企业。如果通过这种免疫策略，一定比例的易感企业成功实现免疫转化，那么这一比例可被称为免疫率，用ρ 值来表示。具体信用风险传染过程如图2 所示。

图2 信用风险传染过程图

根据上述背景假设，借鉴钱茜等（2019）和夏承遗等（2008）等做法，结合复杂网络构建如下的SIRS 传染演化模型：

且S（t）+I（t）+R（t）=1，其中θ（t）为辅助函数，代表t 时刻网络中任意一个节点与感染节点相连接的概率。因此θ（t）独立于节点的度，具体公式见式（11）。其中〈k〉为网络的平均度值。

四、实证研究与结果分析

（一）制造业债券信用风险测度结果与分析

由表2 的描述性统计可以看出，制造业企业违约距离分布范围较广，这表明制造业企业信用风险并不是集中在某一特定范围内，而是存在于整个违约距离分布中。通过违约概率公式计算，整个周期预期违约概率在0.35%到15.38%之间，这表明制造业企业信用风险并不容忽视。按照与累计违约率相应的标准普尔信贷等级准则，A 级企业的平均违约概率介于0.08%到1%之间，CC 级在20%左右，而大多数发行公司债券的制造业企业评级处于A 级和CC 级之间，这表明制造业企业信用风险相对较高。

表2 违约距离描述性统计

因此，在进行制造业企业债券投资决策时，投资者应该综合考虑多个因素。首先，需要关注该企业评级情况以及相关财务信息，评级较高的企业风险相对较小。其次，需要关注该企业所处行业及其市场前景，行业前景较好的企业风险相对较小。此外，还需要关注宏观经济环境变化和政策风险等因素对企业信用风险的影响。

（二）关联规则结果分析

通过关联规则运算得出了关联规则结果，为深入探究关联规制是否与实际相符，本文以2022年为例进行分析（如表3 所示），可以看出002011.SZ 和300083.SZ 与002806.SZ 之间有强的关联度，这个规则表示如果002011.SZ 和300083.SZ 之间的信用风险增加，那么002806.SZ 的信用风险也会增加。

表3 2022 年信用风险关联关系前10 名 单位：%

实际来看，002011.SZ 主要业务涵盖装备制造、智能制造和新能源汽车等领域，300083.SZ 主要经营为数控机床，产品广泛应用于汽车零部件、轨道交通、航空航天等诸多领域，002806.SZ 以生产低压化成铝箔和新能源汽车动力系统为主，603555.SH 以服装与运动器械制造为主，002850.SZ 主要涉及领域为通讯及电子产品、汽车及新能源汽车。虽然这些企业主要领域并不是完全一致，但在实际业务中会存在一些交叉与竞争，因此，说明生成的关联规则都是有效的。

根据2022 年生成的关联规则来看，在置信度排名靠前的企业中，大部分企业涉及的产业链为新能源汽车、核电以及有色金属等领域，产业链的特性使得信用风险在某一环节的传播可能对整个链条产生影响，而新能源汽车、核电以及有色金属等属于不同的产业领域，这一结果表明制造业债券信用风险的传播具有一定的行业集聚性和传递性。对于监测和预防信用风险传染，跨产业链的信息共享和风险联防机制的建立也尤为重要。

（三）信用风险网络分析

根据之前的关联规则算法，将存在强规则的节点连接起来，得到了有向无权的制造业企业风险关联网络。图3 展示了2018 年至2022 年五年间的制造业企业风险关联网络图，节点代表制造业债券发债主体，边的方向表示企业之间的信用风险传播路径方向。

图3 2018—2022 年信用风险关联网络

表4 为五年间网络特征指标，可以发现除了2020 年、2021 年，其他年份的网络均具有小世界特征，小世界网络的特点使得信用风险可以在网络中迅速传播，同时又具有一定的局部集聚性。这意味着如果某个企业发生信用风险，风险可能快速传播到其他企业，尤其是那些与之有较近关联的企业。这也说明2018 年、2019 年以及2022 年信用风险在制造业债券网络中传播具有高效性。相比之下，2020 年与2021 年平均路径更长，聚类系数更小，2020 年与2021 年均是COVID-19 大流行的暴发年，许多制造业企业受到生产中断、供应链问题和需求下降的影响，这些因素增加了企业面临的信用风险，导致了网络平均路径长度的增加和聚类系数的减小，信用风险传播变得更加复杂和不稳定。

表4 网络特征

虽然2020 年与2021 年网络不符合小世界特征，但是根据2020 年和2021 年的幂律分布图（见图4），40%的节点占据大约70%累计中介中心性，2020 年与2021 年均符合幂律分布的特征，即少数企业在信用风险传播中起到了重要的作用。因此，可以发现制造业企业风险关联网络均具有无标度的特征。

图4 2020 年与2021 年幂律分布图

为了更深入地研究关键节点的特性，对出度、中介中心性和接近中心性等网络指标进行深入分析。通过识别各年间网络指标排名靠前且在五年中出现频率更多的节点，得出各指标关键节点。表5 是各个指标下制造业关键节点五年内高频次节点的排名。出度高说明企业在信用风险传播中可能充当“传染源”，如果它们自身面临信用问题，这些问题可能会传播到与它们有信用关系的其他企业；中介中心性高说明企业在风险网络中影响更大，因为除了直接连接，他们还能通过“中介作用”将风险传播给其他企业；接近中心性高意味着与多个其他企业有直接联系，它们对网络中其他企业的信用状况变化可能更为敏感，如果与之有关的企业信用状况出现问题，这些企业可能更容易受到波及。

表5 五年风险关联网络关键节点

对表5 关键节点深入挖掘发现，大部分企业均属于民营企业。例如，002094.SZ、300707.SZ、002895.SZ、300083.SZ 和300130.SZ 这五个节点均为民营企业，且在各个指标中均排名靠前，说明它们在制造业企业信用风险关联网络中扮演着关键的角色。这也与我国实际制造业情况相符合，我国民营企业在制造行业中的比例超过了90%，民间投资的比重超过85%，因此政府监管机构需要更加关注民营企业的信用风险情况，采取措施来稳定和提高制造业的信用环境。

除此之外，发现处于关键节点位置的企业大多数来自广东省和江苏省，而我国制造业企业有明显的产业集群现象，目前已形成以“一带三核两支撑”为特征的先进制造业集群空间分布总体格局。广东省与江苏省均属于“三核”部分，是我国制造业发展的核心区，一旦这些核心地区的企业出现信用风险问题，不仅仅会将风险传染给同地区的企业，也会传染给其他地区的相关企业，所以，对区域内企业信贷风险进行有效的控制，对于防范整体制造业风险，保证区域经济的稳定发展具有重要意义。并且通过细分行业来看，关键节点的具体行业呈现出一定的行业集中趋势，60%的企业属于专用设备制造业、化学原料和化学制品制造业以及计算机、通信和其他电子设备制造业，这些行业涵盖了制造业的关键领域，且位于产业链的核心位置，在整个行业中有更加广泛的关联。如果这些行业中的企业面临信用问题，将会导致市场供应链中断，产生一系列连锁反应，增加市场情绪波动以及金融体系风险。因此，监管者在制定政策时应考虑加强对这些关键行业的监管和风险防范措施。同时加大金融机构对关键制造业领域支持，但也要进行相关的风险评估，确保金融机构在授信和融资过程中更加审慎，降低整个金融体系的系统性风险。

五、多情景模拟结果分析

为了进一步刻画制造业企业信用风险传染的特征，本文借鉴李永奎等（2017）的参数设置，按照无管制政策、采取救治政策、采取免疫政策和同时采取两种政策四种情况进行多情景仿真实验。

（一）无管制政策

根据前文的制造业企业信用风险关联网络，设置企业样本为36，初始感染企业为企业中的关键节点数5，设置参数α=0.2，β=0.2，γ=0.2，δ=0.2，σ=0，ρ=0。结果如图5 所示。初始感染企业为5家，然后逐渐下降最终趋近于0。这表明在不采取任何政策干预的情况下，感染企业的数量在模拟过程中逐渐减少，最终几乎没有感染企业存在。这代表制造业企业能有一定的自我保护措施，可以减少债券违约。并且免疫企业在上升一段时间后数量达到了稳定状态，这意味着一部分企业在发生违约后，不容易再次感染。易感企业从开始下降后又慢慢上升，并在最终保持不变。这表明一部分易感企业采取了措施来减轻风险并能够成功应对，从而导致易感企业的数量下降。然而，随着时间的推移，其他新的风险因素出现，导致易感企业数量再次上升。

图5 无政策时风险传染情况

（二）采取救治政策

设置参数α=0.2，β=0.2，γ=0.2，δ=0.2，ρ=0，为了了解不同救治程度下风险传染情况，分别将σ 设为0.2、0.3、0.4。结果如图6 所示。与之前未采取任何政策的情况相比，在采用救助政策的情况下，行业中发生信用违约的企业减少得更快，并且随着救助率的增加，违约企业减少速度加快，说明采取救助政策能够有效降低企业的违约风险。这表明政策的干预程度对降低违约风险非常关键。例如，人民银行提出要求银行业金融机构加大对制造业科技创新和技术改造贷款的支持，提高风险容忍度，增加中长期贷款投放等。这些政策措施的提出，表明企业能获得更高的救助率，因此更多的企业能够更快速地克服财务困境，减少信用风险的发生。

图6 在不同救助率下风险传染情况

（三）采取免疫政策

设置参数α=0.2，β=0.2，γ=0.2，δ=0.2，σ=0，为了了解不同程度免疫政策对风险传染的影响程度，分别将ρ 设为0.4、0.6、0.8。结果如图7 所示。与之前未采取任何政策相比，采取免疫政策后，感染企业下降的速度相差不大，说明免疫政策对发生信用风险的企业来说效果较小，因为这些企业已经受到了信用风险的影响，可能已经陷入财务困境。免疫政策可能难以迅速改善它们的财务状况或扭转已经发生的风险事件。但对于容易发生信用风险而没有发生的企业有较大影响，在免疫政策的影响下，减少易感企业与感染企业的业务往来，使得易感染企业急速减少，免疫企业数量快速上升。

图7 在不同免疫率下风险传染情况

（四）采取双控制政策

设置参数α=0.2，β=0.2，γ=0.2，δ=0.2，为了对比采用两种政策是否更有助于减少风险的传播，同时设置救助率为σ=0.3、免疫率为ρ=0.6。结果如图8 所示。通过图8 与图5 的对比可以发现，采取相关政策有助于减少行业内的信用风险传染，并且与采用单一政策相比，同时进行免疫政策与救助政策更加有助于减少风险。例如，2022 年税务总局联合财政部制发了《国家税务总局财政部关于制造业中小微企业继续延缓缴纳部分税费有关事项的公告》，该项救助政策的出台，缓解了较多现金流紧张的制造业企业的困境，有效减少了企业的信用风险。

图8 双控制政策情况下风险传染情况

六、结论与政策建议

制造业债券市场作为实体经济的重要融资平台，尽管具备一定的融资功能，但也伴随着潜在的信用风险传染问题，因此深入研究制造业债券市场中的信用风险具有重要的学术和实践意义。在此背景下，本文以2018—2022 年制造业债券发债主体作为研究样本，采用KMV 模型来度量信用风险，利用关联规则算法构建风险关联网络探索债券信用风险传染路径，并借助SIRS 传染病模型进行多情景模拟分析，以期为政府监管制造业债券市场提供参考。

具体研究结论如下：第一，制造业债券发行主体企业信用风险关联网络具有小世界与无标度特征，行业内信用风险传播速度快、传播效率强，这表明关键节点在风险传播中具有重要作用，它们拥有更多的连接，是风险传染的关键媒介。第二，通过对关键节点深入观察发现，大部分制造业债券发债主体均为民营企业，并且制造业企业具有一定的产业集群特征，网络中关键节点大部分位于广东省与江苏省；同时发现，大部分关键节点属于工业机械、机动车零配件以及基础化工行业。第三，救助政策在迅速降低违约风险方面发挥关键作用；免疫政策对已感染企业的影响有限，但对易感企业能产生显著影响，降低了它们陷入风险的机会；采取多重政策措施，同时实施救助和免疫政策，可以更有效地降低信用风险传染，维护制造业企业的稳定性。

基于上述结论提出如下政策建议：第一，为了防止大规模债券违约事件的发生，政府部门可以提供贷款担保、减税政策、研发资金支持等措施。例如，政府部门可以通过担保或者补贴等形式引导银行加大对制造业企业的信贷支持，或者通过延缓缴纳部分税收来缓解企业资金流困难问题，帮助企业提高信用水平和创新能力。同时，政府部门应加强对金融机构的监管，确保在向制造业企业提供融资时遵循风险管理的最优路径。例如，评估借款企业的信用风险，以确保金融机构能够承受潜在的风险。第二，政府可以促进跨地区的合作，分散产业集聚带来的风险，以共同维护制造业的稳定。同时，各地政府应该根据自身发展状况，因地制宜，制定差异化的政策，合理引导和促进制造业发展，从而优化产业结构，提高企业整体信用水平，减轻信用风险的发生。第三，政府和金融机构应采取多元化政策组合，如救助政策和免疫政策等，以更全面地管理制造业企业的信用风险。加强救助政策的精细化，为已感染企业提供定制化的贷款和资本支持。扩大制造业中长期贷款，建立制造业中长期贷款备选项目库机制，以带动制造业投资，促进地区产业转型发展。建立金融风险防控机制，提高制造业贷款投放的可持续性，充分发挥金融支持制造业的重要作用。同时，强调免疫政策的重要性，通过减少易感企业与感染企业的业务往来，降低风险传播的机会。此外，政策应具有灵活性，能够根据经济和行业风险的变化进行动态调整，以确保金融体系的稳定和制造业企业的可持续发展。