登錄新浪財經APP 搜索【信披】查看更多考評等級

　　摘   要

　　隨著中國城市化進程的不斷推進，作為一類具有政府公益性項目投融資功能的經濟實體，城投公司得以迅速發展。然而，城投公司的債務規模增加也帶來了潛在風險。本文基于對城投公司的深度分析，構建了一個適用于城投公司的信用資質評估模型，旨在對城投公司的潛在信用風險進行早期識別和預警。

　　關鍵詞

　　城投公司　信用資質　量化分析

　　中國城市化進程中基礎建設需要龐大的資金支持，在此背景下，城投公司作為一種為地方政府提供融資的方式應運而生并快速發展。根據萬得（Wind）數據，截至2023年11月，我國城投債存量余額已由2013年的2.05萬億元增加至12.65萬億元，城投公司數量達2891家。

　　本文基于對城投行業的充分調研，對照監管要求和先進同業實踐，結合市場風險管理需求，建立城投公司信用量化評價模型，對城投企業債券兌付困難及可能造成的系統性風險進行早期識別和預警防范。

　　城投公司信用分析方法論1

　　城投債發行主體的注冊資本主要來源于地方國有資產管理部門。土地使用權和公益性資產是城投公司資產的重要構成部分。主營業務以基礎設施和公益類為主，公司收入的最重要來源是當地政府的財政補貼。其募集的資金主要由地方政府調度，其屬性與一般企業存在顯著差異。因此，城投公司的信用風險分析也應有別于一般企業，需作為一個獨特的品種開展。

　　參照一般產業債券違約演變路徑并結合城投公司的特性，本文梳理了城投公司信用風險變化4個階段的演進圖，為下一步風險分析指標體系搭建初步框架（見圖1）。

　　出于風險預警工作的前瞻性，對前兩個階段予以重點關注，其風險特征描述如下。

　　風險初始階段：隨著宏觀經濟下行和監管政策出臺，政府的一般預算收入、基金性收入（主要為土地出讓金收入）以及再融資能力均下降，政府存量債務、隱性債務的償付風險開始出現苗頭。

　　風險積聚階段：將政府補貼作為主要來源的融資平臺，受政府財政下滑的影響，其主營收入開始下降，融資困難、土地使用權抵押等增信物貶值導致融資成本上升，自身擔保若出現代償，企業財務狀況則開始惡化。

　　城投公司信用分析指標體系

　　外部評級公司在對城投債發行主體進行評級時，主要從企業自身實力評價、政府實力評級及政府支持力度三個維度展開，但在具體指標選用上存在一定差異。

　　經過對大量國外市政債券和我國城投風險分析論文的解讀，結合近年來個別城投公司信用風險事件的案例剖析，本文將城投公司的風險因子歸納為宏觀和微觀兩個層面（見圖2）。

　　宏觀經濟因素是決定城投信用等級的重要因素之一。城投公司作為中國城市建設體制改革的產物，區域性特征明顯，因此，區域經濟的發展水平及未來規劃直接影響當地政府的財政收入和項目收益水平。在具體操作中，應重點考察地方經濟的產業結構、地方國內生產總值（GDP）、人均GDP水平以及全國排名，通過分析當地的經濟屬性、主導產業以及經濟發展水平，對城投公司的支持力度及投資項目的前景進行研判。

　　微觀層面主要基于城投公司自身因素，包括融資平臺的財務實力、經營管理能力、發展潛力，其資產估值中土地使用權和公益性資產的比重，城投公司的增信組成（土地使用權抵押、應收賬款質押的比例）是否存在弱資質城投公司互保的情況等。

　　（一）城投公司財務評價指標

　　企業規模：企業規模是企業綜合實力的體現，決定其能夠獲得的政府支持意愿與財政補貼力度。參考指標為城投公司總資產、所有者權益等。

　　營運能力：由于城投公司的政府融資屬性，大量資金容易被地方政府長期占用，款項回收難度較大，現金收入比率（銷售商品、提供勞務收到的現金/主營業務收入，以下簡稱“收現比”）普遍偏低。參考指標為收現比、應收款項/流動資產、主營業務收入占比等。

　　盈利能力：由于城投公司的主營業務一般具有公益屬性，盈利能力普遍較弱，對政府補助等營業外收入較為依賴。參考指標為營業利潤，以此反映城投公司自身的造血能力。

　　資本結構：由于基礎設施項目建設周期較長，城投公司的長期債務占比通常較高。參考指標為全部資本化比率、長期資本化比率，以考察城投公司的資本結構和債務壓力。

　　償債能力：城投公司多與當地政府及其他國有企業存在大量往來款項，貨幣資金及經營現金流量對有息負債的覆蓋程度越高，償債能力越強。參考指標為貨幣資金、經營現金凈流量對利息及有息負債的覆蓋程度，以考察城投公司的償債能力。

　　（二）城投公司經營評價指標

　　一是公司治理。良好的公司治理結構有助于城投公司經營決策的科學性及合理性，促進政策的有效執行和經營目標實現。通過治理結構、管理素質和信息披露考量公司治理水平。

　　二是業務運營。城投公司多元化經營可以分散經營風險，現金流水平衡量業務的可持續性和穩定性。通過城投公司業務類型、政府補貼情況、收入增減變化情況、關聯方資金占用情況來考量業務運營能力。

　　此外，地方政府對城投主體的支持意愿，也是決定城投主體兌付能力的重要參數。可通過城投對政府的重要性、城投與政府的關聯度兩個方面進行評估。

　　城投對政府的重要性：主要判斷城投信用風險事件對當地經濟及融資環境造成的影響，分析要素包括城投業務規模以及其承擔的政府公益性職能的可替代性。通常城投的資產規模越大，地方政府對城投的支持意愿越強。關注指標為城投業務范圍、城投規模排名等。

　　城投與政府的關聯度：主要考察城投對地方政府的依賴程度，通過公司股權結構以及近年來政府支持情況進行判斷。如果由政府100%持股且業務大部分來源于政府委托，則城投對政府的依賴程度較高。關注指標為平臺風險定性、政府持股比例等。

　　（三）地方政府綜合實力評價指標

　　一是地方經濟實力。良好的經濟基礎不僅保障了政府長期穩定的財政收入，同時也為融資平臺的業務開展提供便利。對于地方經濟實力的評價主要從經濟發展水平和增長潛力兩個方面展開。

　　二是地方財政實力。地方財政實力直接關系到地方政府可支配的財政資金，進而影響政府對城投公司注入資金、撥付補貼、如期償還代建工程款以及支持城投公司債務償還的能力。對于地方財政實力的評價主要從財政收入水平和平衡能力兩個方面展開，前者衡量地方政府可支配的財政資金，后者衡量財政缺口和對上級補助的依賴度。

　　三是地方債務負擔。廣義上的地方政府債務主要由政府直接債務和城投公司債務構成。政府直接債務主要系政府以發行債券形式產生的、有明確還款責任的債務，該部分債務的本息償付納入政府財政預算管理。城投債務由城投公司等主體通過無收益的公益性或準公益性項目形成，政府對其無直接償付責任，但最終償債資金仍來源于財政資金，政府對其負有一定救助義務，間接構成政府債務。

　　（四）市場風險評價指標

　　在產業債違約預測模型中，市場行情數據對于違約、展期風險的預測有著較好的判定能力，縱觀市場上的中債隱含違約率、中證隱含違約率等風險評估產品，也均是從債券的量價數據計算而來。因此，針對同為信用類固定收益的城投債，本文也將此類市場行情指標納入，具體包括到期收益率、債券價格、利差、評級數據等。

　　在一定交易機制和參與者結構條件下的價格形成過程，可從流動性、透明度、價格有效性等方面綜合反映出市場對債券發行主體的經營信心。本文交易價格數據包括從二級市場收集的債券開盤價、收盤價、最高價、最低價、換手率和發行時利差（風險溢價）等信息。我國債券市場是一個流動性較低的市場，并非每只債券每日都有成交價格，多數信用債的成交價格都是非連續的。因此，在觀察二級市場實際成交價格之外，債券的估值變化，如中債估價（凈價）、中債估價收益率等，也是重要的分析因素。引入第三方債券估值是實際成交的重要補充。中債估值以債券市場可靠成交和報價為依據，每日提供連續估值，能夠客觀地反映債券公允價值，市場應用較為廣泛。因此，本文也將債券的中債估計凈價變動、估價收益率變動納入分析因素。

　　城投公司信用量化分析模型

　　（一）模型搭建

　　對于極少壞樣本（或無壞樣本）的分析，業界一般使用排序和專家評分卡方式評估潛在風險大小，量化模型相較傳統專家打分卡模型，減少了主觀判斷，智能化程度和效率大幅提升。

　　本文的城投信用量化分析模型采用邏輯回歸算法。邏輯回歸在評分卡設計、指標可解釋性方面優于極端梯度提升（XGBoost）等基于決策樹的集成模型。但為了能全面地描繪城投公司在4個維度的風險畫像，又能達到集成模型較為優秀的預測效果，且最終能以直觀的信用評分交付給業務人員，本文設計了由4個子模型組合的“融合模型”模式，同時兼顧了兩類算法的優點（見圖3）。

　　1．模型分析對象

　　財政部和原銀監會都曾發布過城投公司的定義。財政部強調城投融資平臺具有政府公益性項目投融資功能，并擁有獨立企業法人資格；原銀監會是從償還責任的實質出發，對各類法人開展的寬口徑認定。

　　由于以上兩個口徑的城投樣本更新周期不確定，為保證后續使用的持續穩定，結合目前非金融產業債的常用判定口徑，本文采用Wind的城投定義口徑（見表1）。

　　2．目標分析對象（Y）的定義

　　本文綜合城投發行主體的歷史信用風險事件、境內外評級情況，設定符合以下條件的對象作為模型訓練的“壞樣本”。

　　國內評級：一般認為BB級及以下發行體存在較高的履約風險。但鑒于國內評級機構普遍存在發行人付費模式下評級偏高的現象，本文從更嚴格的角度出發，將主流機構給出的BBB級及以下發行體定義為“壞樣本”。

　　國際評級：部分城投發行體的評級公司為國際三大評級公司，以國內股份制銀行的大中型客戶信貸平均違約水平為3%作為參考，國際三大評級公司評級對應的主標尺，標普/惠譽對應在B級及以下，穆迪的主標尺對應在B2級及以下，因此本文將這兩個級別及以下的發行體定義為“壞樣本”。

　　非標風險：歷史數據顯示，發生非標風險事件之后，債券發行體發生實質違約或展期的概率較高。因此，本文將發生非標違約事件的城投發行體也定義為“壞樣本”。

　　綜合以上3個維度的評價標準，形成模型的“壞樣本”訓練集。

　　3．模型觀察期和表現期的定義

　　在進行樣本匹配時，考慮到上年財報及地方政府財政數據的最晚發布日期，本文以9月30日作為劃分時點（觀察時點），表現期定為之后的1年。

　　在表現期確定的基礎上，對于債券市場行情，這類更新時效性較強的數據，本文將其觀察期定為表現期開始（10月1日）前3個月至前12個月。

　　樣本選擇方面，本文將表現期為2017.10.01—2020.9.30的3年（批）數據作為建模訓練樣本，選擇表現期2020.10.01—2021.9.30的數據作為模型的時間外驗證樣本（見圖4）。

　　（二）模型效果

　　模型方面使用財務子模型+經營子模型+地方政府子模型+市場數據子模型4個子模型組合的融合模型。從效果來看，預測效果和穩定性方面都較傳統方式更優秀（見表2）。

　　1．量化角度評價：模型評估數據

　　4個維度風險因素融合后，對最終模型結果進行有效性評估。

　　KS（Kolmogorov-Smirnov）檢驗常用于對模型風險區分能力進行評估，用來衡量好壞樣本累計差異。KS指標為0~1，指標越大，意味著模型的風險區分能力越強。本模型的KS指標為0.54，區分度較為理想。

　　AUC（Area Under Curve）通過刻畫模型分類準確的樣本比例與分類錯誤的樣本比例曲線下的面積，來評估模型的區分能力。AUC越接近1，預測方法有效性越高。本模型的AUC指標為0.81，同樣表明模型有較好的預測性（見表3）。

　　2．業務角度評價：預測名單解析

　　對2022年9月30日存量共2928家城投發行體進行模型評分，觀察其特性及后續風險預測效果。

　　（1）模型評分的行政級別分布

　　從各行政級別的模型評分分布來看，行政級別為“區縣”的群體評分較低，盡管行政級別這個變量沒有最終入模，但從結果來看，與市場表現及評價一致，城投債務風險依然聚集在信用資質偏低的尾部平臺。

　　從每個省份不同行政級別的城投企業評分分布來看，呈現和上述一致的特點：隨著行政級別的下沉，總分（債券余額加權）降低。

　　（2）與市場投研機構的城投評級比較

　　目前，我國一些評級報告較難為投資者提供充分的參考，從而催生了一些獨立第三方定價估值平臺。此類平臺采取向投資者收費的商業模式，評級結果更具獨立性及一定公允性。以某評級機構對于城投企業的等級劃分為例，該評級機構對城投企業的等級劃分，共分為五大類10個等級（見表4）。

　　為達到更清晰的驗證效果，本文進一步將以上大類合并為利率型投資級、信用型投資級、投機級和垃圾債級四大類，將模型產出的城投信用評分按從低到高劃分成10檔，觀察每一檔中城投評級的等級分布情況。

　　模型信用評分最低的頭部兩檔（分檔1和2），各存在9個屬于垃圾債級的城投公司，覆蓋了垃圾債級發行體總數的82%；而在信用評分最高的檔位（分檔10），利率型投資級占據了半壁江山。且從整體上看，每類級別的分布呈現出較為明顯的線性變化趨勢。

　　（3）與市場投研機構的省份城投債利差指數比較

　　將城投公司模型信用評分按省級匯總（余額加權）后的評分與興業研究的城投債發行省份利差指數進行對比發現，在利差降序排名的情況下，對應省份的模型信用評分總體也呈現由低到高的趨勢，說明兩種方式對當前不同省份城投公司風險情況的評價較為一致。

　　（4）模型對城投公司潛在信用風險的預測效果

　　將模型評分結合弱資質區域形成的城投關注名單，與后續一年（截至2023年9月）市場發生的信用風險事件進行對照，“非標違約”“（市場評級）主體評級調低”“票據持續逾期”的綜合預測覆蓋率為52%，用僅占市場體量6%的關注名單預測出超過半數后續發生信用風險的主體。

　　結論

　　本文基于城投債發行主體的多種特征形成城投信用分析體系，并采用大數據算法建立了城投公司信用評分模型，得出以下結論。

　　一是城投公司的信用分析，有別于一般企業，需作為一個獨特的品種開展。基于城投平臺的財務及經營的微觀因素、所在地政府的綜合實力宏觀因素、城投債市場的行情因素的融合模型，從多角度、全方位、深層次反映城投主體的信用狀況。

　　二是基于大數據機器學習的城投公司信用量化分析模型，相對于業界現有的以專家評分卡為主的信用評價方法在自動化、客觀性、時效性、實用性等方面優勢明顯，妥善利用能大幅提高債券投資與交易業務的風險管控能力。

　　注：1．城投公司信用分析指標體系中，城投公司財務風險指標、城投公司經營風險指標數據主要來自于萬得的公司年報；市場風險評價指標數據主要來自于Wind的債券二級市場交易行情數據；地方政府綜合實力評價指標數據主要來自于Wind的地方經濟數據，以及各地方政府官方網站發布的公開數據。

　　參考文獻

　　[1] 沙云皓． 城投債違約風險預警體系研究[D/OL]． 廈門：廈門大學，2019．

　　[2] 史貞． 我國各省城投債償還能力測度研究——基于AHP的實證分析[J]． 宏觀經濟研究，2018（1）．

　　[3] 王未卿，肖勇貴，李霞． 基于隨機森林回歸模型的城投債信用利差影響因素研究[J]． 數學的實踐與認知，2020，50（12）．

　　[4] 文愛娜． 地方政府信用對城投債信用利差影響效果的實證研究[D/OL]． 成都：電子科技大學，2020．

　　[5] 吳光明，陳宏衛，牛秀起，等． 大數據視角下我國城投債風險研究——基于多因子模型和KMV模型[J]．債券，2019（7）．DOI： 10.3969/j.issn.2095-3585.2019.07.014．

　　[6] 許文彬，張佳韜． 我國城投債信用風險測算——基于Logistic回歸的評分卡模型[J]． 數理統計與管理，2020，39（4）．

　　[7] 張思維，朱淑珍． 基于Credit_Metrics模型的城投債信用風險研究[J]． 財政與金融，2017（2）．

　　[8] 周沅帆． 城投債——中國式市政債券[M]． 北京：中信出版社，2010．

　　[9] 鄒瑾，崔傳濤，顧辛迪． 救助預期與地方政府隱性債務風險——基于城投債利差的證據[J]． 財經科學，2020（9）．

　　◇ 本文原載《債券》2024年4月刊

　　◇ 作者：中國建設銀行上海大數據智慧中心　劉律康　張東朔　胡光琪

　　◇ 編輯：程珺潔　鹿寧寧

海量資訊、精準解讀，盡在新浪財經APP

責任編輯：趙思遠