大數據視角下我國城投債風險研究

吳光明 陳宏衛 牛秀起 賴班班 翁宇奇

摘要：本文基于我國8000余只存量城投債數據，通過多因子模型和KMV模型分別從發行人角度和債券角度對我國城投債的預期違約風險進行了總體評估。結果顯示，我國城投債違約率水平較低，整體風險可控，但是潛在風險分布不均勻，西部地區城投債潛在違約風險較高，償債壓力較大，且風險主要集中在地市級。最后，本文針對潛在風險，對促進城投債市場健康發展提出了政策建議。

關鍵詞：城投債? 違約風險? 多因子模型? KMV模型

未來城投債風險不容忽視

1994年我國分稅制改革后，地方政府財權和事權不匹配的現象普遍存在，地方政府有強烈的融資需求，但同時又面臨不得以政府名義違規舉債的禁令，在此背景下，地方政府融資平臺應運而生。1997年，首只城投類企業債浦東發展債發行，規模為5億元，此后城投債開始緩慢發展。2008年國際金融危機爆發，全球經濟疲軟，我國政府為應對危機沖擊，出臺了4萬億經濟刺激計劃。之后，發行城投債成為地方政府融資的重要方式，由此帶動城投債規模快速增長。截至2018年5月末，存量城投債數量已達到8703只，余額為7.57萬億元。

與此同時，近年來債券市場違約頻發也引發了人們對城投債違約風險的高度關注，雖然迄今為止我國城投債尚無實質性違約案例，但是發生違約的可能性有逐步增大的跡象。

一是近年城投債評級調低事件較多。2014年至2018年5月末，城投債出現主體評級調低（含主體列入評級觀察11例）事件138例，出現主體評級負面事件510例，發生債項評級調低（含債項列入評級觀察）事件39例，發生擔保人評級調低和擔保人評級負面事件分別為96例和65例。

二是償債壓力較大。截至2017年末，全國地方政府債務余額為16.47萬億元;同時，通過PPP、政府購買服務、建設基金等途徑形成的隱性債務規模也不小，根據國內學者和市場機構的測算結果，全國隱性債務規模可能達30多萬億元，而且主要集中于地方政府融資平臺。這部分隱性債務在2018年后將進入償債高峰期，未來幾年的償債壓力較大。

三是融資渠道日漸逼仄。首先，財政收入增速放緩，2014年以來全國公共財政收入增幅已連續四年低于10%，未來增長也不容樂觀，這將影響財政對城投債的違約背書能力;其次，隨著樓市調控持續及長效機制建立，政府性基金收入增速將有所放緩;最后，外部融資渠道監管趨嚴，2017年以來，財政部通過50號文、87號文¹對PPP、政府購買服務、投資基金等加強了監管，同時傳統貸款、信托、資管等渠道也在大幅度收緊。

四是監管處罰力度加大。監管層整頓地方政府融資平臺債務的態度非常堅決，2017—2018年，多個省份（部分市、縣）的違規舉債行為受到了處罰。在此背景下，地方融資約束會更加嚴厲，平臺違約概率將大幅上升。

總之，隨著經濟增速下滑和“去杠桿”持續深化，未來一兩年城投債出現違約將會是大概率事件，而一旦城投債違約大面積爆發，對宏觀經濟和金融市場將產生不可估量的影響。一是會拖累基礎設施建設，損害地方政府公信力，對地區城鎮化建設和經濟發展造成嚴重的負面影響;二是“城投信仰”破滅，債券市場將面臨大面積價值重估風險;三是城投債的流動性風險極有可能向整個金融市場傳導，引發“多米諾骨牌”效應，形成系統性金融風險。因此，研究我國城投債的違約風險，并有針對性地加以防范和化解，有著重要的現實意義。

國內外城投債風險研究文獻綜述

（一）國外文獻綜述

在國外，城投債一般被稱為市政債。由于市政債起源較早，從20世紀60年代開始，國外學者就對其展開了相關研究，主要包括以下兩個方面的內容。

一是市政債風險的影響因素。例如，Cohen & Hammer（1966）認為市政債對地方經濟發展有重要意義，但債券發行需充分考慮自身經濟狀況、環境條件等因素;Fabozzi & Peterson（1998）認為，政府信用為市政債提供了隱性擔保，但宏觀政策不穩定因素不可忽視，在一定的環境下，市政債的信用風險可能高于同等級企業債;Carleto & Lerner（1969）研究發現，人口、平均稅率、失業率、房產價值等因素與市政債的信用風險有明顯的相關關系。

二是如何量化市政債的信用風險。例如，Vikram & Rajdeep（2004）等通過研究，證明了市政債的免稅效應是導致其違約風險較高的根本原因;Pengjie Gao & Yaxuan Qi（2013）研究發現，市政債的風險度量需考慮公共財政融資、政治不確定性成本。

（二）國內文獻綜述

由于我國城投債發展時間較短，因此國內學者相關研究大多集中在近十年，內容主要分為以下三個方面。

一是城投債的風險因素分析。例如，封北麟（2010）等認為地方債風險源于我國特殊的財政、投融資和行政管理等體制性因素;巴曙松等（2010）對省、市和縣三級地方政府債務進行研究對比，認為縣級地方政府融資平臺風險最大，但相比國際情況，中國整體政府債務風險較小;王雁玲（2012）認為，我國政企分界不清導致了地方政府融資平臺債務歸屬不明確，并指出我國現行融資模式過度依賴于銀行。

二是城投債的風險量化分析。例如，齊天翔、葛鶴軍和蒙震（2012）通過量化實證得出，地方人均GDP水平、發行主體資產規模、債券票面利率、擔保情況等四個因素會影響城投債的信用風險;刁偉濤、王子合（2017）構建了量化城投債承載能力的指標體系，并利用熵值法計算得到我國289個地級及以上城市在2014年的承載能力指數，得出我國城市承載能力從東部向中部、西部、東北地區依次減弱，認為要對城投債進行有保有壓的管控治理，并防范重點區域。

三是城投債風險防范和化解分析。例如，劉尚希（2012）通過情景模擬，對“十二五”期間地方債存量、公共投資需求、公共投資能力實施了債務余額、債務率、償債率方面的風險敏感性預警研究創新;吳亮圻等（2013）認為應建立一套完整的、針對城投債等其他地方政府債務工具的監測系統，以進一步完善城投債的信息披露和信用評級。

（三）本文的研究視角與創新之處

從現有文獻來看，雖然有一些學者試圖量化城投債風險，但往往是通過建立回歸模型進行風險影響因素分析，所得結果的實踐應用意義不大;也有一部分學者對城投債風險進行了測算，但使用的模型方法存在較大局限性，所得結果與實際情況可能存在一定偏差。因此，我們有必要選擇更為科學、全面的方法來對我國城投債風險進行量化分析。

本文的創新之處在于：從發行人和債券兩個角度出發，基于全國性的大樣本數據，分別采用較為科學適用的多因子模型和KMV模型構建指標體系，并對兩種不同角度所得結果進行對比分析，從而避免單一模型的局限性，使結果更為準確。

我國城投債風險評估

（一）模型選擇

當前，用于城投債風險研究的模型較多，常用的有多因子模型、KMV模型、GZ信用利差方法和Credit Metrics模型。

多因子模型是指使用多個因子并綜合考量各因子而建立的分析模型，在量化分析中被廣泛使用。多因子模型的優點在于，能通過有限因子來有效地篩選大量數據，可以大幅降低分析的難度，并通過合理預測做出判斷。

KMV模型融合了BS期權定價理論和債務風險理論，能夠準確計算違約距離³，進而精確計算預期違約概率，因而被廣泛應用于市政債違約風險的研究。

GZ信用利差方法可通過引入諸多影響債券違約風險的個體特征，如信用評級、增信措施、有無擔保，或宏觀因素，如期限利差、貨幣政策相關變量等，來刻畫債券違約風險。該方法所需變量數據較多，因部分變量數據較難獲得而導致運用受限。

Credit Metrics模型在主體信用評級與違約概率之間建立了映射關系，通過主體評級的評級遷移矩陣來確定主體在某一階段評級發生變化的可能性。由于我國評級行業歷史較短，并且債券違約數據較少，所以很難在評級遷移與違約之間建立可靠的聯系，因此Credit Metrics模型的使用也受限。

綜合上述模型的優缺點，在考慮數據的可得性和分析的有效性基礎上，本文采用多因子模型和KMV模型來對我國城投債風險進行研究分析。

（二）基于發行人角度的多因子模型分析

1.因子設定及數據來源

債券的違約風險取決于發行人的債務壓力和債務償付能力，債務壓力由發行人的債務總額和債務結構決定，債務償付能力取決于發行人的資金獲得能力。一般城投公司償付債務本息的資金來源可分為三種：內源性資金（取決于發行人的經營狀況）、外源性資金（受經營狀況與融資環境共同影響）及協調性資金（依賴于發債主體所在區域的金融生態環境，即非經濟因素）。所以，城投債的違約風險由上述四個因素共同決定，其違約率可表述為：

城投債違約率⁴=債務壓力因子+內源性資金因子+外源性資金因子+協調性資金因子

由此，我們從城投債發行人的債務壓力、內源性資金獲得能力、外源性資金獲得能力、協調性資金獲得能力四個方面構建起包含9項指標在內的多因子模型指標體系（見表1），以量化分析城投債發行人的違約風險。

本文數據均來自Wind數據庫，從近萬只存量城投債中剔除跨市場交易債券后，將單一發行人發行的多只債券數據整合，整理得到城投債發行人樣本數據2055條，在刪除數據缺失的無效樣本后，得到有效樣本1989條。

2.模型結果

本文通過包含上述9項指標的多因子模型和樣本數據測算得到，全國城投公司未來一年的違約率分布如圖1所示，違約率主要集中在0.2%～0.6%之間，小于0.2%的有14家城投公司，位于0.2%～0.6%范圍的有1928家城投公司，占比達96.9%，但也有少數城投公司的違約率超過0.6%，共47家，占比為2.36%，個別城投公司違約率甚至高達1.01%。

參考相關文獻的做法，本文將城投公司違約率在0.5%以上的定義為存在風險，按照違約率小于0.6%和大于等于0.6%將違約風險分為較低風險和較高風險兩個等級，全國城投債公司未來一年存在較高違約風險的地區分布情況如圖2所示。從結果來看，全國共有47家城投公司處于較高風險狀態，占樣本總量的2.36%，整體來說風險可控。其中，東部地區有13家，東北地區有7家，中部地區有7家，西部地區有20家。另外，違約率排名前五位的城投公司分別分布在天津、湖南、江蘇、廣西四省市。

（三）基于債券角度的KMV模型分析

1.數據來源與計算

本文綜合多家評級機構所測算出的城投債信用等級與違約率之間的關系，此處將違約率5低于0.4%的城投債認定為無風險，而高于0.4%的認定為存在風險，并將其所屬城市定義為“在險城市”。同時，定義違約率在0.4%～2.55%之間的為“輕度在險”，在2.55%～12.41%之間的為“中度在險”，在12.41%以上的為“重度在險”。

本文從Wind數據庫中獲取全國334個地市（含部分市轄區）2009—2017年的一般財政收入數據，通過平均增長率法測算2018—2020年的一般財政收入，將該值帶入KMV模型相關公式中，得到2018—2020年三年數據的方差 和均值 。參照相關文獻做法，本文確定擔保財政系數⁶區間為[0.2，0.5]，從而得到2018—2020年的財政擔保收入⁶。最后，將2018—2020年債務償還量、財政擔保收入、方差 和均值 帶入KMV模型相關公式中，得到這三年的違約概率和違約距離。

2.模型結果

模型結果顯示，在險城市主要集中在地市級，2018—2020年全國在險地市數量分別為48個、104個、122個，分別占全國所有地級行政區數量的14.37%、31.14%、36.53%。

分區域看，西部在險地市數量最多，如2018年為21個，占全國在險地市數量近一半，且重度在險個數占全國重度在險地市數量一半多（如表2所示），形勢較為嚴峻。

分省份看，2018—2020年，江蘇、四川、湖南三省的在險城市數量排名靠前，風險較為突出;直轄市中的北京、上海均不存在違約風險，而重慶、天津違約的可能性也較低。

（四）多因子模型和KMV模型結果匯總

1.全部在險城市情況

匯總兩個模型的結果，未來一年，在險地市個數最多的前五個省市是四川、江蘇、遼寧、湖南和江西;在險地市個數最少的省份是北京、上海、廣東、海南、內蒙古和西藏，數量均為0。

2.兩個模型交叉在險地市情況

兩個模型交叉識別出未來一年的在險地市有35個，占發債地市數量的11.9%;涉及城投公司71家，占城投公司總數的3.57%;涉及城投債務規模2726.15億元，占城投債務總規模的3.79%。

分區域來看，西部地區風險突出。未來一年，西部地區在險地市有17個，占全部在險地市數量的48.6%;東部地區有8個，占22.9%;中部地區有6個，占17.1%;東北地區有4個，占11.4%（如圖3所示）。由此可得，未來一年西部地區的風險最為突出。其原因主要在于：西部地區因受自然、歷史、社會因素影響，可用于債務擔保的財政收入相對較少，該地區財政擔保系數平均值為30.87%，低于東部財政擔保系數近11%。加之近年來，西部大開發形成的債務存量較大，債務覆蓋率⁷為46.33%，超過東部一倍以上，債務償還壓力較大。

分省份來看，江蘇、廣西和四川風險突出。未來一年，全國在險地市分屬16個省份。其中，風險較為突出的省份有江蘇、廣西和四川，其在險地市個數分別為7個、4個、4個，而重度在險地市個數分別為4個、4個、3個（如圖4所示）。尤其是江蘇省，雖然經濟實力全國排第二位，且逐步逼近排名第一的廣東省，但由于城投債數額逐年快速上漲，2018年償債規模高達2000億元以上，為同期廣東省償債規模的4倍左右，致使該省償債壓力沉重，風險突出。

（五）本文研究的不足之處

本文對城投債風險的研究存在以下幾點不足，尚待改進。

一是測度的是平均違約水平，存在低估風險的可能性。如多因子模型是通過統一賦權構建了一套指標體系，這可能低估了個別重要指標對城投公司償債能力的影響力。

二是所用數據為截至2018年5月的存量債券及相關數據，皆為歷史數據，未考慮此后城投公司融資政策的變化情況。

三是因數據可得性問題，未將所有指標納入評估體系，這可能會掩蓋某些極端風險。

政策建議

（一）加強債券市場信息披露和信用評級體系建設，提升投資者風險識別能力

一是增強城投公司在投資支出、債務規模、財政扶持和資金流向等方面的信息披露，降低信息不對稱風險與內部人員的道德風險，逐步實現地方政府債務信息透明化。

二是建立城投債信用風險評級機制，聯合評級機構開展相關研究，加快出臺針對城投債的統一風險評級方法。

（二）大量推動信用衍生品市場發展，為投資者提供分散風險的有效工具

一是撬動民間資本，分擔政府壓力。加快市場化改革步伐，以國有企業混改為契機，引入民間資本，改善融資城投公司的股權結構，加快推動融資平臺公司限期分類轉型。

二是多樣化城投公司的增信方式。建議地方政府制訂詳細的還本付息計劃，建立償債準備金制度，按照政府本年到期未償還債務的一定比例預留專項資金，為城投公司提供一定的增信。

（三）加強城投債主體信用風險的監測，完善債券市場違約風險處置機制

一是建立由財政部、人民銀行、國家發展改革委等多部門參與的地方政府債務聯合監管制度，明確各部門責任，實時交換相關數據或建立信息共享數據庫，適時出臺融資平臺公司管理和監督辦法。

二是實行平臺備案管理并建立分類管理數據庫，完善平臺退出機制;實施平臺分類管理計劃，對平臺公司進行分類轉型。

（四）制定城投債風險防范化解機制，防患于未然

首先要化解城投公司存量債務，通過債務置換、債務重構、資產證券化等手段，將城投公司債務從政府債務中剝離并盤活，為城投公司減負，確保公司經營的可持續。

其次要從頂層設計上規范城投公司的融資渠道和方式，加強政策的銜接性和可操作性，盡快出臺87號文的后續細則文件，在“堵后門”的同時“開前門”，防止城投公司因融資無門而出現債券違約。

最后要建立城投公司債務支付保障機制、風險應急處置機制，綜合運用行政、財政、金融等多種措施化解可能出現的債券違約風險，而非一味由政府兜底，最大限度地減少風險帶來的危害。（本文為“中債估值杯”征文獲獎文章）

注：

1.“50號文”是指《關于進一步規范地方政府舉債融資行為的通知》（財預〔2017〕50號），“87號文”是指《關于堅決制止地方以政府購買服務名義違法違規融資的通知》（財預〔2017〕87號）。

2.KMV模型的英文名稱為Credit Monitor Model，是美國舊金山市KMV公司于1997年建立的用來估計借款企業違約概率的方法。

3.違約距離是指公司資產價值與違約點（公司短期負債與0.5倍長期負債之和）之間的相對距離。

4.違約率即違約概率，是指發行人在未來一定時期內違約的債券在其發行的存量債券中的占比。

5.此處違約率根據標準普爾公司利用KMV模型所測算的信用等級與經驗預期違約之間對應關系而得出。由于此處違約率所用計算模型及方法與多因子模型不同，因而得到的違約率分布和風險判定標準也不盡相同。

6.擔保財政系數是指財政收入減去一般公共服務支出、公共安全與國防支出、教育支出、社會保障與就業、醫療衛生、計劃生育等多項剛性支出的值之后，占財政收入的比重。

7.財政擔保收入是指財政收入減一般公共服務、公共安全與國防支出、教育支出、社會保障與就業、醫療衛生與計劃生育等7項剛性支出的值，其公式為財政擔保收入=財政收入-剛性支出。

8.債務覆蓋率是指城投債債務余額占財政擔保收入之比。

作者單位：吳光明? 中國人民銀行武漢分行

陳宏衛? 中國人民銀行武漢分行

牛秀起? 中國人民銀行杭州中支

賴班班? 中國人民銀行衢州中支

翁宇奇? 中國人民銀行紹興市中支

責任編輯：羅邦敏? 劉穎

參考文獻

[1]巴曙松，王璟怡，杜婧. 從微觀審慎到宏觀審慎：危機下的銀行監管啟示[J]. 國際金融研究，2010（5）：83-89.

[2]刁偉濤，王子合. 中國地級及以上城市城投債承載能力的量化評估與空間格局[J]. 財政監督，2017（7） ：81-85.

[3]封北麟. 地方政府投融資平臺的財政風險研究[J]. 金融與經濟，2010（2）：4-7.

[4]劉尚希. 我國城鎮化對財政體制的“五大挑戰”及對策思路[J]. 地方財政研究，2012（4）：4-10.

[5]齊天翔，葛鶴軍，蒙震. 基于信用利差的中國城投債券信用風險分析[J]. 投資研究，2012（1）：15-24.

[6]王雁玲. 地方政府投融資平臺產生與發展研究綜述[J]. 商業經濟研究，2012（14）：68-69.

[7]吳亮圻，田鵬. 我國城投債的風險分析及對策探討[J]. 債券，2013（8）：39-44.

[8]Carleton W T， Lerner E M. Statistical Credit Scoring of Municipal Bonds[J]. Journal of Money Credit & Banking， 1969， 1（4）：750-764.

[9]Cohen K J， Hammer F S. Optimal Level Debt Schedules for Municipal Bonds[M]. INFORMS， 1966.

[10]Fabozzi F J， Peterson D P. Selected topics in bond portfolio management /[M]// Selected topics in equity portfolio management. Frank J. Fabozzi Associates， 1998：669-720.

[11]Pengjie Gao， Yaxuan Qi. Political Uncertainty and Public Financing Costs： Evidence from U.S. Gubernatorial Elections and Municipal Bond Market[J]. Social Science Electronic Publishing， 2013.

[12]Vikram Nanda， Rajdeep Singh. Bond Insurance： What Is Special About Munis[J]. The Journal of Finance， 2004， 59（5）：2253-2279.