摘 要
随着中国城市化进程的不断推进，作为一类具有政府公益性项目投融资功能的经济实体，城投公司得以迅速发展。然而，城投公司的债务规模增加也带来了潜在风险。本文基于对城投公司的深度分析，构建了一个适用于城投公司的信用资质评估模型，旨在对城投公司的潜在信用风险进行早期识别和预警。
关键词
城投公司 信用资质 量化分析
中国城市化进程中基础建设需要庞大的资金支持，在此背景下，城投公司作为一种为地方政府提供融资的方式应运而生并快速发展。根据万得（Wind）数据，截至2023年11月，我国城投债存量余额已由2013年的2.05万亿元增加至12.65万亿元，城投公司数量达2891家。
本文基于对城投行业的充分调研，对照监管要求和先进同业实践，结合市场风险管理需求，建立城投公司信用量化评价模型，对城投企业债券兑付困难及可能造成的系统性风险进行早期识别和预警防范。
城投公司信用分析方法论1
城投债发行主体的注册资本主要来源于地方国有资产管理部门。土地使用权和公益性资产是城投公司资产的重要构成部分。主营业务以基础设施和公益类为主，公司收入的最重要来源是当地政府的财政补贴。其募集的资金主要由地方政府调度，其属性与一般企业存在显著差异。因此，城投公司的信用风险分析也应有别于一般企业，需作为一个独特的品种开展。
参照一般产业债券违约演变路径并结合城投公司的特性，本文梳理了城投公司信用风险变化4个阶段的演进图，为下一步风险分析指标体系搭建初步框架（见图1）。
出于风险预警工作的前瞻性，对前两个阶段予以重点关注，其风险特征描述如下。
风险初始阶段：随着宏观经济下行和监管政策出台，政府的一般预算收入、基金性收入（主要为土地出让金收入）以及再融资能力均下降，政府存量债务、隐性债务的偿付风险开始出现苗头。
风险积聚阶段：将政府补贴作为主要来源的融资平台，受政府财政下滑的影响，其主营收入开始下降，融资困难、土地使用权抵押等增信物贬值导致融资成本上升，自身担保若出现代偿，企业财务状况则开始恶化。
城投公司信用分析指标体系
外部评级公司在对城投债发行主体进行评级时，主要从企业自身实力评价、政府实力评级及政府支持力度三个维度展开，但在具体指标选用上存在一定差异。
经过对大量国外市政债券和我国城投风险分析论文的解读，结合近年来个别城投公司信用风险事件的案例剖析，本文将城投公司的风险因子归纳为宏观和微观两个层面（见图2）。
宏观经济因素是决定城投信用等级的重要因素之一。城投公司作为中国城市建设体制改革的产物，区域性特征明显，因此，区域经济的发展水平及未来规划直接影响当地政府的财政收入和项目收益水平。在具体操作中，应重点考察地方经济的产业结构、地方国内生产总值（GDP）、人均GDP水平以及全国排名，通过分析当地的经济属性、主导产业以及经济发展水平，对城投公司的支持力度及投资项目的前景进行研判。
微观层面主要基于城投公司自身因素，包括融资平台的财务实力、经营管理能力、发展潜力，其资产估值中土地使用权和公益性资产的比重，城投公司的增信组成（土地使用权抵押、应收账款质押的比例）是否存在弱资质城投公司互保的情况等。
（一）城投公司财务评价指标
企业规模：企业规模是企业综合实力的体现，决定其能够获得的政府支持意愿与财政补贴力度。参考指标为城投公司总资产、所有者权益等。
营运能力：由于城投公司的政府融资属性，大量资金容易被地方政府长期占用，款项回收难度较大，现金收入比率（销售商品、提供劳务收到的现金/主营业务收入，以下简称“收现比”）普遍偏低。参考指标为收现比、应收款项/流动资产、主营业务收入占比等。
盈利能力：由于城投公司的主营业务一般具有公益属性，盈利能力普遍较弱，对政府补助等营业外收入较为依赖。参考指标为营业利润，以此反映城投公司自身的造血能力。
资本结构：由于基础设施项目建设周期较长，城投公司的长期债务占比通常较高。参考指标为全部资本化比率、长期资本化比率，以考察城投公司的资本结构和债务压力。
偿债能力：城投公司多与当地政府及其他国有企业存在大量往来款项，货币资金及经营现金流量对有息负债的覆盖程度越高，偿债能力越强。参考指标为货币资金、经营现金净流量对利息及有息负债的覆盖程度，以考察城投公司的偿债能力。
（二）城投公司经营评价指标
一是公司治理。良好的公司治理结构有助于城投公司经营决策的科学性及合理性，促进政策的有效执行和经营目标实现。通过治理结构、管理素质和信息披露考量公司治理水平。
二是业务运营。城投公司多元化经营可以分散经营风险，现金流水平衡量业务的可持续性和稳定性。通过城投公司业务类型、政府补贴情况、收入增减变化情况、关联方资金占用情况来考量业务运营能力。
此外，地方政府对城投主体的支持意愿，也是决定城投主体兑付能力的重要参数。可通过城投对政府的重要性、城投与政府的关联度两个方面进行评估。
城投对政府的重要性：主要判断城投信用风险事件对当地经济及融资环境造成的影响，分析要素包括城投业务规模以及其承担的政府公益性职能的可替代性。通常城投的资产规模越大，地方政府对城投的支持意愿越强。关注指标为城投业务范围、城投规模排名等。
城投与政府的关联度：主要考察城投对地方政府的依赖程度，通过公司股权结构以及近年来政府支持情况进行判断。如果由政府100%持股且业务大部分来源于政府委托，则城投对政府的依赖程度较高。关注指标为平台风险定性、政府持股比例等。
（三）地方政府综合实力评价指标
一是地方经济实力。良好的经济基础不仅保障了政府长期稳定的财政收入，同时也为融资平台的业务开展提供便利。对于地方经济实力的评价主要从经济发展水平和增长潜力两个方面展开。
二是地方财政实力。地方财政实力直接关系到地方政府可支配的财政资金，进而影响政府对城投公司注入资金、拨付补贴、如期偿还代建工程款以及支持城投公司债务偿还的能力。对于地方财政实力的评价主要从财政收入水平和平衡能力两个方面展开，前者衡量地方政府可支配的财政资金，后者衡量财政缺口和对上级补助的依赖度。
三是地方债务负担。广义上的地方政府债务主要由政府直接债务和城投公司债务构成。政府直接债务主要系政府以发行债券形式产生的、有明确还款责任的债务，该部分债务的本息偿付纳入政府财政预算管理。城投债务由城投公司等主体通过无收益的公益性或准公益性项目形成，政府对其无直接偿付责任，但最终偿债资金仍来源于财政资金，政府对其负有一定救助义务，间接构成政府债务。
（四）市场风险评价指标
在产业债违约预测模型中，市场行情数据对于违约、展期风险的预测有着较好的判定能力，纵观市场上的中债隐含违约率、中证隐含违约率等风险评估产品，也均是从债券的量价数据计算而来。因此，针对同为信用类固定收益的城投债，本文也将此类市场行情指标纳入，具体包括到期收益率、债券价格、利差、评级数据等。
在一定交易机制和参与者结构条件下的价格形成过程，可从流动性、透明度、价格有效性等方面综合反映出市场对债券发行主体的经营信心。本文交易价格数据包括从二级市场收集的债券开盘价、收盘价、最高价、最低价、换手率和发行时利差（风险溢价）等信息。我国债券市场是一个流动性较低的市场，并非每只债券每日都有成交价格，多数信用债的成交价格都是非连续的。因此，在观察二级市场实际成交价格之外，债券的估值变化，如中债估价（净价）、中债估价收益率等，也是重要的分析因素。引入第三方债券估值是实际成交的重要补充。中债估值以债券市场可靠成交和报价为依据，每日提供连续估值，能够客观地反映债券公允价值，市场应用较为广泛。因此，本文也将债券的中债估计净价变动、估价收益率变动纳入分析因素。
城投公司信用量化分析模型
（一）模型搭建
对于极少坏样本（或无坏样本）的分析，业界一般使用排序和专家评分卡方式评估潜在风险大小，量化模型相较传统专家打分卡模型，减少了主观判断，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逻辑回归算法。逻辑回归在评分卡设计、指标可解释性方面优于极端梯度提升（XGBoost）等基于决策树的集成模型。但为了能全面地描绘城投公司在4个维度的风险画像，又能达到集成模型较为优秀的预测效果，且最终能以直观的信用评分交付给业务人员，本文设计了由4个子模型组合的“融合模型”模式，同时兼顾了两类算法的优点（见图3）。
1．模型分析对象
财政部和原银监会都曾发布过城投公司的定义。财政部强调城投融资平台具有政府公益性项目投融资功能，并拥有独立企业法人资格；原银监会是从偿还责任的实质出发，对各类法人开展的宽口径认定。
由于以上两个口径的城投样本更新周期不确定，为保证后续使用的持续稳定，结合目前非金融产业债的常用判定口径，本文采用Wind的城投定义口径（见表1）。
2．目标分析对象（Y）的定义
本文综合城投发行主体的历史信用风险事件、境内外评级情况，设定符合以下条件的对象作为模型训练的“坏样本”。
国内评级：一般认为BB级及以下发行体存在较高的履约风险。但鉴于国内评级机构普遍存在发行人付费模式下评级偏高的现象，本文从更严格的角度出发，将主流机构给出的BBB级及以下发行体定义为“坏样本”。
国际评级：部分城投发行体的评级公司为国际三大评级公司，以国内股份制银行的大中型客户信贷平均违约水平为3%作为参考，国际三大评级公司评级对应的主标尺，标普/惠誉对应在B级及以下，穆迪的主标尺对应在B2级及以下，因此本文将这两个级别及以下的发行体定义为“坏样本”。
非标风险：历史数据显示，发生非标风险事件之后，债券发行体发生实质违约或展期的概率较高。因此，本文将发生非标违约事件的城投发行体也定义为“坏样本”。
综合以上3个维度的评价标准，形成模型的“坏样本”训练集。
3．模型观察期和表现期的定义
在进行样本匹配时，考虑到上年财报及地方政府财政数据的最晚发布日期，本文以9月30日作为划分时点（观察时点），表现期定为之后的1年。
在表现期确定的基础上，对于债券市场行情，这类更新时效性较强的数据，本文将其观察期定为表现期开始（10月1日）前3个月至前12个月。
样本选择方面，本文将表现期为2017.10.01—2020.9.30的3年（批）数据作为建模训练样本，选择表现期2020.10.01—2021.9.30的数据作为模型的时间外验证样本（见图4）。
（二）模型效果
模型方面使用财务子模型+经营子模型+地方政府子模型+市场数据子模型4个子模型组合的融合模型。从效果来看，预测效果和稳定性方面都较传统方式更优秀（见表2）。
1．量化角度评价：模型评估数据
4个维度风险因素融合后，对最终模型结果进行有效性评估。
KS（Kolmogorov-Smirnov）检验常用于对模型风险区分能力进行评估，用来衡量好坏样本累计差异。KS指标为0~1，指标越大，意味着模型的风险区分能力越强。本模型的KS指标为0.54，区分度较为理想。
AUC（Area Under Curve）通过刻画模型分类准确的样本比例与分类错误的样本比例曲线下的面积，来评估模型的区分能力。AUC越接近1，预测方法有效性越高。本模型的AUC指标为0.81，同样表明模型有较好的预测性（见表3）。
2．业务角度评价：预测名单解析
对2022年9月30日存量共2928家城投发行体进行模型评分，观察其特性及后续风险预测效果。
（1）模型评分的行政级别分布
从各行政级别的模型评分分布来看，行政级别为“区县”的群体评分较低，尽管行政级别这个变量没有最终入模，但从结果来看，与市场表现及评价一致，城投债务风险依然聚集在信用资质偏低的尾部平台。
从每个省份不同行政级别的城投企业评分分布来看，呈现和上述一致的特点：随着行政级别的下沉，总分（债券余额加权）降低。
（2）与市场投研机构的城投评级比较
目前，我国一些评级报告较难为投资者提供充分的参考，从而催生了一些独立第三方定价估值平台。此类平台采取向投资者收费的商业模式，评级结果更具独立性及一定公允性。以某评级机构对于城投企业的等级划分为例，该评级机构对城投企业的等级划分，共分为五大类10个等级（见表4）。
为达到更清晰的验证效果，本文进一步将以上大类合并为利率型投资级、信用型投资级、投机级和垃圾债级四大类，将模型产出的城投信用评分按从低到高划分成10档，观察每一档中城投评级的等级分布情况。
模型信用评分最低的头部两档（分档1和2），各存在9个属于垃圾债级的城投公司，覆盖了垃圾债级发行体总数的82%；而在信用评分最高的档位（分档10），利率型投资级占据了半壁江山。且从整体上看，每类级别的分布呈现出较为明显的线性变化趋势。
（3）与市场投研机构的省份城投债利差指数比较
将城投公司模型信用评分按省级汇总（余额加权）后的评分与兴业研究的城投债发行省份利差指数进行对比发现，在利差降序排名的情况下，对应省份的模型信用评分总体也呈现由低到高的趋势，说明两种方式对当前不同省份城投公司风险情况的评价较为一致。
（4）模型对城投公司潜在信用风险的预测效果
将模型评分结合弱资质区域形成的城投关注名单，与后续一年（截至2023年9月）市场发生的信用风险事件进行对照，“非标违约”“（市场评级）主体评级调低”“票据持续逾期”的综合预测覆盖率为52%，用仅占市场体量6%的关注名单预测出超过半数后续发生信用风险的主体。
结论
本文基于城投债发行主体的多种特征形成城投信用分析体系，并采用大数据算法建立了城投公司信用评分模型，得出以下结论。
一是城投公司的信用分析，有别于一般企业，需作为一个独特的品种开展。基于城投平台的财务及经营的微观因素、所在地政府的综合实力宏观因素、城投债市场的行情因素的融合模型，从多角度、全方位、深层次反映城投主体的信用状况。
二是基于大数据机器学习的城投公司信用量化分析模型，相对于业界现有的以专家评分卡为主的信用评价方法在自动化、客观性、时效性、实用性等方面优势明显，妥善利用能大幅提高债券投资与交易业务的风险管控能力。
注：1．城投公司信用分析指标体系中，城投公司财务风险指标、城投公司经营风险指标数据主要来自于万得的公司年报；市场风险评价指标数据主要来自于Wind的债券二级市场交易行情数据；地方政府综合实力评价指标数据主要来自于Wind的地方经济数据，以及各地方政府官方网站发布的公开数据。
参考文献
[1] 沙云皓． 城投债违约风险预警体系研究[D/OL]． 厦门：厦门大学，2019．
[2] 史贞． 我国各省城投债偿还能力测度研究——基于AHP的实证分析[J]． 宏观经济研究，2018（1）．
[3] 王未卿，肖勇贵，李霞． 基于随机森林回归模型的城投债信用利差影响因素研究[J]． 数学的实践与认知，2020，50（12）．
[4] 文爱娜． 地方政府信用对城投债信用利差影响效果的实证研究[D/OL]． 成都：电子科技大学，2020．
[5] 吴光明，陈宏卫，牛秀起，等． 大数据视角下我国城投债风险研究——基于多因子模型和KMV模型[J]．债券，2019（7）．DOI： 10.3969/j.issn.2095-3585.2019.07.014．
[6] 许文彬，张佳韬． 我国城投债信用风险测算——基于Logistic回归的评分卡模型[J]． 数理统计与管理，2020，39（4）．
[7] 张思维，朱淑珍． 基于Credit_Metrics模型的城投债信用风险研究[J]． 财政与金融，2017（2）．
[8] 周沅帆． 城投债——中国式市政债券[M]． 北京：中信出版社，2010．
[9] 邹瑾，崔传涛，顾辛迪． 救助预期与地方政府隐性债务风险——基于城投债利差的证据[J]． 财经科学，2020（9）．
◇ 本文原载《债券》2024年4月刊
◇ 作者：中国建设银行上海大数据智慧中心 刘律康 张东朔 胡光琪
◇ 编辑：程珺洁 鹿宁宁
责任编辑：赵思远
VIP课程推荐
APP专享直播
热门推荐
收起
24小时滚动播报最新的财经资讯和视频，更多粉丝福利扫描二维码关注（sinafinance）
