论文部分内容阅读
摘要：本文基于我国8000余只存量城投债数据，通过多因子模型和KMV模型分别从发行人角度和债券角度对我国城投债的预期违约风险进行了总体评估。结果显示，我国城投债违约率水平较低，整体风险可控，但是潜在风险分布不均匀，西部地区城投债潜在违约风险较高，偿债压力较大，且风险主要集中在地市级。最后，本文针对潜在风险，对促进城投债市场健康发展提出了政策建议。
关键词：城投债 违约风险 多因子模型 KMV模型
未来城投债风险不容忽视
1994年我国分税制改革后，地方政府财权和事权不匹配的现象普遍存在，地方政府有强烈的融资需求，但同时又面临不得以政府名义违规举债的禁令，在此背景下，地方政府融资平台应运而生。1997年，首只城投类企业债浦东发展债发行，规模为5亿元，此后城投债开始缓慢发展。2008年国际金融危机爆发，全球经济疲软，我国政府为应对危机冲击，出台了4万亿经济刺激计划。之后，发行城投债成为地方政府融资的重要方式，由此带动城投债规模快速增长。截至2018年5月末，存量城投债数量已达到8703只，余额为7.57万亿元。
与此同时，近年来债券市场违约频发也引发了人们对城投债违约风险的高度关注，虽然迄今为止我国城投债尚无实质性违约案例，但是发生违约的可能性有逐步增大的迹象。
一是近年城投债评级调低事件较多。2014年至2018年5月末，城投债出现主体评级调低（含主体列入评级观察11例）事件138例，出现主体评级负面事件510例，发生债项评级调低（含债项列入评级观察）事件39例，发生担保人评级调低和担保人评级负面事件分别为96例和65例。
二是偿债压力较大。截至2017年末，全国地方政府债务余额为16.47万亿元;同时，通过PPP、政府购买服务、建设基金等途径形成的隐性债务规模也不小，根据国内学者和市场机构的测算结果，全国隐性债务规模可能达30多万亿元，而且主要集中于地方政府融资平台。这部分隐性债务在2018年后将进入偿债高峰期，未来几年的偿债压力较大。
三是融资渠道日渐逼仄。首先，财政收入增速放缓，2014年以来全国公共财政收入增幅已连续四年低于10%，未来增长也不容乐观，这将影响财政对城投债的违约背书能力;其次，随着楼市调控持续及长效机制建立，政府性基金收入增速将有所放缓;最后，外部融资渠道监管趋严，2017年以来，财政部通过50号文、87号文1对PPP、政府购买服务、投资基金等加强了监管，同时传统贷款、信托、资管等渠道也在大幅度收紧。
四是监管处罚力度加大。监管层整顿地方政府融资平台债务的态度非常坚决，2017—2018年，多个省份（部分市、县）的违规举债行为受到了处罚。在此背景下，地方融资约束会更加严厉，平台违约概率将大幅上升。
总之，随着经济增速下滑和“去杠杆”持续深化，未来一两年城投债出现违约将会是大概率事件，而一旦城投债违约大面积爆发，对宏观经济和金融市场将产生不可估量的影响。一是会拖累基础设施建设，损害地方政府公信力，对地区城镇化建设和经济发展造成严重的负面影响;二是“城投信仰”破灭，债券市场将面临大面积价值重估风险;三是城投债的流动性风险极有可能向整个金融市场传导，引发“多米诺骨牌”效应，形成系统性金融风险。因此，研究我国城投债的违约风险，并有针对性地加以防范和化解，有着重要的现实意义。
国内外城投债风险研究文献综述
（一）国外文献综述
在国外，城投债一般被称为市政债。由于市政债起源较早，从20世纪60年代开始，国外学者就对其展开了相关研究，主要包括以下两个方面的内容。
一是市政债风险的影响因素。例如，Cohen & Hammer（1966）认为市政债对地方经济发展有重要意义，但债券发行需充分考虑自身经济状况、环境条件等因素;Fabozzi & Peterson（1998）认为，政府信用为市政债提供了隐性担保，但宏观政策不稳定因素不可忽视，在一定的环境下，市政债的信用风险可能高于同等级企业债;Carleto & Lerner（1969）研究发现，人口、平均税率、失业率、房产价值等因素与市政债的信用风险有明显的相关关系。
二是如何量化市政债的信用风险。例如，Vikram & Rajdeep（2004）等通过研究，证明了市政债的免税效应是导致其违约风险较高的根本原因;Pengjie Gao & Yaxuan Qi（2013）研究发现，市政债的风险度量需考虑公共财政融资、政治不确定性成本。
（二）国内文献综述
由于我国城投债发展时间较短，因此国内学者相关研究大多集中在近十年，内容主要分为以下三个方面。
一是城投债的风险因素分析。例如，封北麟（2010）等认为地方债风险源于我国特殊的财政、投融资和行政管理等体制性因素;巴曙松等（2010）对省、市和县三级地方政府债务进行研究对比，认为县级地方政府融资平台风险最大，但相比国际情况，中国整体政府债务风险较小;王雁玲（2012）認为，我国政企分界不清导致了地方政府融资平台债务归属不明确，并指出我国现行融资模式过度依赖于银行。
二是城投债的风险量化分析。例如，齐天翔、葛鹤军和蒙震（2012）通过量化实证得出，地方人均GDP水平、发行主体资产规模、债券票面利率、担保情况等四个因素会影响城投债的信用风险;刁伟涛、王子合（2017）构建了量化城投债承载能力的指标体系，并利用熵值法计算得到我国289个地级及以上城市在2014年的承载能力指数，得出我国城市承载能力从东部向中部、西部、东北地区依次减弱，认为要对城投债进行有保有压的管控治理，并防范重点区域。
三是城投债风险防范和化解分析。例如，刘尚希（2012）通过情景模拟，对“十二五”期间地方债存量、公共投资需求、公共投资能力实施了债务余额、债务率、偿债率方面的风险敏感性预警研究创新;吴亮圻等（2013）认为应建立一套完整的、针对城投债等其他地方政府债务工具的监测系统，以进一步完善城投债的信息披露和信用评级。 （三）本文的研究视角与创新之处
从现有文献来看，虽然有一些学者试图量化城投债风险，但往往是通过建立回归模型进行风险影响因素分析，所得结果的实践应用意义不大;也有一部分学者对城投债风险进行了测算，但使用的模型方法存在较大局限性，所得结果与实际情况可能存在一定偏差。因此，我们有必要选择更为科学、全面的方法来对我国城投债风险进行量化分析。
本文的创新之处在于：从发行人和债券两个角度出发，基于全国性的大样本数据，分别采用较为科学适用的多因子模型和KMV模型构建指标体系，并对两种不同角度所得结果进行对比分析，从而避免单一模型的局限性，使结果更为准确。
我国城投债风险评估
（一）模型选择
当前，用于城投债风险研究的模型较多，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个因子并综合考量各因子而建立的分析模型，在量化分析中被广泛使用。多因子模型的优点在于，能通过有限因子来有效地筛选大量数据，可以大幅降低分析的难度，并通過合理预测做出判断。
KMV模型融合了BS期权定价理论和债务风险理论，能够准确计算违约距离3，进而精确计算预期违约概率，因而被广泛应用于市政债违约风险的研究。
GZ信用利差方法可通过引入诸多影响债券违约风险的个体特征，如信用评级、增信措施、有无担保，或宏观因素，如期限利差、货币政策相关变量等，来刻画债券违约风险。该方法所需变量数据较多，因部分变量数据较难获得而导致运用受限。
Credit Metrics模型在主体信用评级与违约概率之间建立了映射关系，通过主体评级的评级迁移矩阵来确定主体在某一阶段评级发生变化的可能性。由于我国评级行业历史较短，并且债券违约数据较少，所以很难在评级迁移与违约之间建立可靠的联系，因此Credit Metrics模型的使用也受限。
综合上述模型的优缺点，在考虑数据的可得性和分析的有效性基础上，本文采用多因子模型和KMV模型来对我国城投债风险进行研究分析。
（二）基于发行人角度的多因子模型分析
1.因子设定及数据来源
债券的违约风险取决于发行人的债务压力和债务偿付能力，债务压力由发行人的债务总额和债务结构决定，债务偿付能力取决于发行人的资金获得能力。一般城投公司偿付债务本息的资金来源可分为三种：内源性资金（取决于发行人的经营状况）、外源性资金（受经营状况与融资环境共同影响）及协调性资金（依赖于发债主体所在区域的金融生态环境，即非经济因素）。所以，城投债的违约风险由上述四个因素共同决定，其违约率可表述为：
城投债违约率4=债务压力因子+内源性资金因子+外源性资金因子+协调性资金因子
由此，我们从城投债发行人的债务压力、内源性资金获得能力、外源性资金获得能力、协调性资金获得能力四个方面构建起包含9项指标在内的多因子模型指标体系（见表1），以量化分析城投债发行人的违约风险。
本文数据均来自Wind数据库，从近万只存量城投债中剔除跨市场交易债券后，将单一发行人发行的多只债券数据整合，整理得到城投债发行人样本数据2055条，在删除数据缺失的无效样本后，得到有效样本1989条。
2.模型结果
本文通过包含上述9项指标的多因子模型和样本数据测算得到，全国城投公司未来一年的违约率分布如图1所示，违约率主要集中在0.2%～0.6%之间，小于0.2%的有14家城投公司，位于0.2%～0.6%范围的有1928家城投公司，占比达96.9%，但也有少数城投公司的违约率超过0.6%，共47家，占比为2.36%，个别城投公司违约率甚至高达1.01%。
参考相关文献的做法，本文将城投公司违约率在0.5%以上的定义为存在风险，按照违约率小于0.6%和大于等于0.6%将违约风险分为较低风险和较高风险两个等级，全国城投债公司未来一年存在较高违约风险的地区分布情况如图2所示。从结果来看，全国共有47家城投公司处于较高风险状态，占样本总量的2.36%，整体来说风险可控。其中，东部地区有13家，东北地区有7家，中部地区有7家，西部地区有20家。另外，违约率排名前五位的城投公司分别分布在天津、湖南、江苏、广西四省市。
（三）基于债券角度的KMV模型分析
1.数据来源与计算
本文综合多家评级机构所测算出的城投债信用等级与违约率之间的关系，此处将违约率5低于0.4%的城投债认定为无风险，而高于0.4%的认定为存在风险，并将其所属城市定义为“在险城市”。同时，定义违约率在0.4%～2.55%之间的为“轻度在险”，在2.55%～12.41%之间的为“中度在险”，在12.41%以上的为“重度在险”。
本文从Wind数据库中获取全国334个地市（含部分市辖区）2009—2017年的一般财政收入数据，通过平均增长率法测算2018—2020年的一般财政收入，将该值带入KMV模型相关公式中，得到2018—2020年三年数据的方差 和均值 。参照相关文献做法，本文确定担保财政系数6区间为[0.2，0.5]，从而得到2018—2020年的财政担保收入6。最后，将2018—2020年债务偿还量、财政担保收入、方差 和均值 带入KMV模型相关公式中，得到这三年的违约概率和违约距离。
2.模型结果
模型结果显示，在险城市主要集中在地市级，2018—2020年全国在险地市数量分别为48个、104个、122个，分别占全国所有地级行政区数量的14.37%、31.14%、36.53%。
分区域看，西部在险地市数量最多，如2018年为21个，占全国在险地市数量近一半，且重度在险个数占全国重度在险地市数量一半多（如表2所示），形势较为严峻。 分省份看，2018—2020年，江苏、四川、湖南三省的在险城市数量排名靠前，风险较为突出;直辖市中的北京、上海均不存在违约风险，而重庆、天津违约的可能性也较低。
（四）多因子模型和KMV模型结果汇总
1.全部在险城市情况
汇总两个模型的结果，未来一年，在险地市个数最多的前五个省市是四川、江苏、辽宁、湖南和江西;在险地市个数最少的省份是北京、上海、广东、海南、内蒙古和西藏，数量均为0。
2.两个模型交叉在险地市情况
两个模型交叉识别出未来一年的在险地市有35个，占发债地市数量的11.9%;涉及城投公司71家，占城投公司总数的3.57%;涉及城投债务规模2726.15亿元，占城投债务总规模的3.79%。
分区域来看，西部地区风险突出。未来一年，西部地区在险地市有17个，占全部在险地市数量的48.6%;东部地区有8个，占22.9%;中部地区有6个，占17.1%;东北地区有4个，占11.4%（如图3所示）。由此可得，未来一年西部地区的风险最为突出。其原因主要在于：西部地區因受自然、历史、社会因素影响，可用于债务担保的财政收入相对较少，该地区财政担保系数平均值为30.87%，低于东部财政担保系数近11%。加之近年来，西部大开发形成的债务存量较大，债务覆盖率7为46.33%，超过东部一倍以上，债务偿还压力较大。
分省份来看，江苏、广西和四川风险突出。未来一年，全国在险地市分属16个省份。其中，风险较为突出的省份有江苏、广西和四川，其在险地市个数分别为7个、4个、4个，而重度在险地市个数分别为4个、4个、3个（如图4所示）。尤其是江苏省，虽然经济实力全国排第二位，且逐步逼近排名第一的广东省，但由于城投债数额逐年快速上涨，2018年偿债规模高达2000亿元以上，为同期广东省偿债规模的4倍左右，致使该省偿债压力沉重，风险突出。
（五）本文研究的不足之处
本文对城投债风险的研究存在以下几点不足，尚待改进。
一是测度的是平均违约水平，存在低估风险的可能性。如多因子模型是通过统一赋权构建了一套指标体系，这可能低估了个别重要指标对城投公司偿债能力的影响力。
二是所用数据为截至2018年5月的存量债券及相关数据，皆为历史数据，未考虑此后城投公司融资政策的变化情况。
三是因数据可得性问题，未将所有指标纳入评估体系，这可能会掩盖某些极端风险。
政策建议
（一）加强债券市场信息披露和信用评级体系建设，提升投资者风险识别能力
一是增强城投公司在投资支出、债务规模、财政扶持和资金流向等方面的信息披露，降低信息不对称风险与内部人员的道德风险，逐步实现地方政府债务信息透明化。
二是建立城投债信用风险评级机制，联合评级机构开展相关研究，加快出台针对城投债的统一风险评级方法。
（二）大量推动信用衍生品市场发展，为投资者提供分散风险的有效工具
一是撬动民间资本，分担政府压力。加快市场化改革步伐，以国有企业混改为契机，引入民间资本，改善融资城投公司的股权结构，加快推动融资平台公司限期分类转型。
二是多样化城投公司的增信方式。建议地方政府制订详细的还本付息计划，建立偿债准备金制度，按照政府本年到期未偿还债务的一定比例预留专项资金，为城投公司提供一定的增信。
（三）加强城投债主体信用风险的监测，完善债券市场违约风险处置机制
一是建立由财政部、人民银行、国家发展改革委等多部门参与的地方政府债务联合监管制度，明确各部门责任，实时交换相关数据或建立信息共享数据库，适时出台融资平台公司管理和监督办法。
二是实行平台备案管理并建立分类管理数据库，完善平台退出机制;实施平台分类管理计划，对平台公司进行分类转型。
（四）制定城投债风险防范化解机制，防患于未然
首先要化解城投公司存量债务，通过债务置换、债务重构、资产证券化等手段，将城投公司债务从政府债务中剥离并盘活，为城投公司减负，确保公司经营的可持续。
其次要从顶层设计上规范城投公司的融资渠道和方式，加强政策的衔接性和可操作性，尽快出台87号文的后续细则文件，在“堵后门”的同时“开前门”，防止城投公司因融资无门而出现债券违约。
最后要建立城投公司债务支付保障机制、风险应急处置机制，综合运用行政、财政、金融等多种措施化解可能出现的债券违约风险，而非一味由政府兜底，最大限度地减少风险带来的危害。（本文为“中债估值杯”征文获奖文章）
注：
1.“50号文”是指《关于进一步规范地方政府举债融资行为的通知》（财预〔2017〕50号），“87号文”是指《关于坚决制止地方以政府购买服务名义违法违规融资的通知》（财预〔2017〕87号）。
2.KMV模型的英文名称为Credit Monitor Model，是美国旧金山市KMV公司于1997年建立的用来估计借款企业违约概率的方法。
3.违约距离是指公司资产价值与违约点（公司短期负债与0.5倍长期负债之和）之间的相对距离。
4.违约率即违约概率，是指发行人在未来一定时期内违约的债券在其发行的存量债券中的占比。
5.此处违约率根据标准普尔公司利用KMV模型所测算的信用等级与经验预期违约之间对应关系而得出。由于此处违约率所用计算模型及方法与多因子模型不同，因而得到的违约率分布和风险判定标准也不尽相同。
6.担保财政系数是指财政收入减去一般公共服务支出、公共安全与国防支出、教育支出、社会保障与就业、医疗卫生、计划生育等多项刚性支出的值之后，占财政收入的比重。 7.财政担保收入是指财政收入减一般公共服务、公共安全与国防支出、教育支出、社會保障与就业、医疗卫生与计划生育等7项刚性支出的值，其公式为财政担保收入=财政收入-刚性支出。
8.债务覆盖率是指城投债债务余额占财政担保收入之比。
作者单位：吴光明 中国人民银行武汉分行
陈宏卫 中国人民银行武汉分行
牛秀起 中国人民银行杭州中支
赖班班 中国人民银行衢州中支
翁宇奇 中国人民银行绍兴市中支
责任编辑：罗邦敏 刘颖
参考文献
[1]巴曙松，王璟怡，杜婧. 从微观审慎到宏观审慎：危机下的银行监管启示[J]. 国际金融研究，2010（5）：83-89.
[2]刁伟涛，王子合. 中国地级及以上城市城投债承载能力的量化评估与空间格局[J]. 财政监督，2017（7） ：81-85.
[3]封北麟. 地方政府投融资平台的财政风险研究[J]. 金融与经济，2010（2）：4-7.
[4]刘尚希. 我国城镇化对财政体制的“五大挑战”及对策思路[J]. 地方财政研究，2012（4）：4-10.
[5]齐天翔，葛鹤军，蒙震. 基于信用利差的中国城投债券信用风险分析[J]. 投资研究，2012（1）：15-24.
[6]王雁玲. 地方政府投融资平台产生与发展研究综述[J]. 商业经济研究，2012（14）：68-69.
[7]吴亮圻，田鹏. 我国城投债的风险分析及对策探讨[J]. 债券，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.
关键词：城投债 违约风险 多因子模型 KMV模型
未来城投债风险不容忽视
1994年我国分税制改革后，地方政府财权和事权不匹配的现象普遍存在，地方政府有强烈的融资需求，但同时又面临不得以政府名义违规举债的禁令，在此背景下，地方政府融资平台应运而生。1997年，首只城投类企业债浦东发展债发行，规模为5亿元，此后城投债开始缓慢发展。2008年国际金融危机爆发，全球经济疲软，我国政府为应对危机冲击，出台了4万亿经济刺激计划。之后，发行城投债成为地方政府融资的重要方式，由此带动城投债规模快速增长。截至2018年5月末，存量城投债数量已达到8703只，余额为7.57万亿元。
与此同时，近年来债券市场违约频发也引发了人们对城投债违约风险的高度关注，虽然迄今为止我国城投债尚无实质性违约案例，但是发生违约的可能性有逐步增大的迹象。
一是近年城投债评级调低事件较多。2014年至2018年5月末，城投债出现主体评级调低（含主体列入评级观察11例）事件138例，出现主体评级负面事件510例，发生债项评级调低（含债项列入评级观察）事件39例，发生担保人评级调低和担保人评级负面事件分别为96例和65例。
二是偿债压力较大。截至2017年末，全国地方政府债务余额为16.47万亿元;同时，通过PPP、政府购买服务、建设基金等途径形成的隐性债务规模也不小，根据国内学者和市场机构的测算结果，全国隐性债务规模可能达30多万亿元，而且主要集中于地方政府融资平台。这部分隐性债务在2018年后将进入偿债高峰期，未来几年的偿债压力较大。
三是融资渠道日渐逼仄。首先，财政收入增速放缓，2014年以来全国公共财政收入增幅已连续四年低于10%，未来增长也不容乐观，这将影响财政对城投债的违约背书能力;其次，随着楼市调控持续及长效机制建立，政府性基金收入增速将有所放缓;最后，外部融资渠道监管趋严，2017年以来，财政部通过50号文、87号文1对PPP、政府购买服务、投资基金等加强了监管，同时传统贷款、信托、资管等渠道也在大幅度收紧。
四是监管处罚力度加大。监管层整顿地方政府融资平台债务的态度非常坚决，2017—2018年，多个省份（部分市、县）的违规举债行为受到了处罚。在此背景下，地方融资约束会更加严厉，平台违约概率将大幅上升。
总之，随着经济增速下滑和“去杠杆”持续深化，未来一两年城投债出现违约将会是大概率事件，而一旦城投债违约大面积爆发，对宏观经济和金融市场将产生不可估量的影响。一是会拖累基础设施建设，损害地方政府公信力，对地区城镇化建设和经济发展造成严重的负面影响;二是“城投信仰”破灭，债券市场将面临大面积价值重估风险;三是城投债的流动性风险极有可能向整个金融市场传导，引发“多米诺骨牌”效应，形成系统性金融风险。因此，研究我国城投债的违约风险，并有针对性地加以防范和化解，有着重要的现实意义。
国内外城投债风险研究文献综述
（一）国外文献综述
在国外，城投债一般被称为市政债。由于市政债起源较早，从20世纪60年代开始，国外学者就对其展开了相关研究，主要包括以下两个方面的内容。
一是市政债风险的影响因素。例如，Cohen & Hammer（1966）认为市政债对地方经济发展有重要意义，但债券发行需充分考虑自身经济状况、环境条件等因素;Fabozzi & Peterson（1998）认为，政府信用为市政债提供了隐性担保，但宏观政策不稳定因素不可忽视，在一定的环境下，市政债的信用风险可能高于同等级企业债;Carleto & Lerner（1969）研究发现，人口、平均税率、失业率、房产价值等因素与市政债的信用风险有明显的相关关系。
二是如何量化市政债的信用风险。例如，Vikram & Rajdeep（2004）等通过研究，证明了市政债的免税效应是导致其违约风险较高的根本原因;Pengjie Gao & Yaxuan Qi（2013）研究发现，市政债的风险度量需考虑公共财政融资、政治不确定性成本。
（二）国内文献综述
由于我国城投债发展时间较短，因此国内学者相关研究大多集中在近十年，内容主要分为以下三个方面。
一是城投债的风险因素分析。例如，封北麟（2010）等认为地方债风险源于我国特殊的财政、投融资和行政管理等体制性因素;巴曙松等（2010）对省、市和县三级地方政府债务进行研究对比，认为县级地方政府融资平台风险最大，但相比国际情况，中国整体政府债务风险较小;王雁玲（2012）認为，我国政企分界不清导致了地方政府融资平台债务归属不明确，并指出我国现行融资模式过度依赖于银行。
二是城投债的风险量化分析。例如，齐天翔、葛鹤军和蒙震（2012）通过量化实证得出，地方人均GDP水平、发行主体资产规模、债券票面利率、担保情况等四个因素会影响城投债的信用风险;刁伟涛、王子合（2017）构建了量化城投债承载能力的指标体系，并利用熵值法计算得到我国289个地级及以上城市在2014年的承载能力指数，得出我国城市承载能力从东部向中部、西部、东北地区依次减弱，认为要对城投债进行有保有压的管控治理，并防范重点区域。
三是城投债风险防范和化解分析。例如，刘尚希（2012）通过情景模拟，对“十二五”期间地方债存量、公共投资需求、公共投资能力实施了债务余额、债务率、偿债率方面的风险敏感性预警研究创新;吴亮圻等（2013）认为应建立一套完整的、针对城投债等其他地方政府债务工具的监测系统，以进一步完善城投债的信息披露和信用评级。 （三）本文的研究视角与创新之处
从现有文献来看，虽然有一些学者试图量化城投债风险，但往往是通过建立回归模型进行风险影响因素分析，所得结果的实践应用意义不大;也有一部分学者对城投债风险进行了测算，但使用的模型方法存在较大局限性，所得结果与实际情况可能存在一定偏差。因此，我们有必要选择更为科学、全面的方法来对我国城投债风险进行量化分析。
本文的创新之处在于：从发行人和债券两个角度出发，基于全国性的大样本数据，分别采用较为科学适用的多因子模型和KMV模型构建指标体系，并对两种不同角度所得结果进行对比分析，从而避免单一模型的局限性，使结果更为准确。
我国城投债风险评估
（一）模型选择
当前，用于城投债风险研究的模型较多，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个因子并综合考量各因子而建立的分析模型，在量化分析中被广泛使用。多因子模型的优点在于，能通过有限因子来有效地筛选大量数据，可以大幅降低分析的难度，并通過合理预测做出判断。
KMV模型融合了BS期权定价理论和债务风险理论，能够准确计算违约距离3，进而精确计算预期违约概率，因而被广泛应用于市政债违约风险的研究。
GZ信用利差方法可通过引入诸多影响债券违约风险的个体特征，如信用评级、增信措施、有无担保，或宏观因素，如期限利差、货币政策相关变量等，来刻画债券违约风险。该方法所需变量数据较多，因部分变量数据较难获得而导致运用受限。
Credit Metrics模型在主体信用评级与违约概率之间建立了映射关系，通过主体评级的评级迁移矩阵来确定主体在某一阶段评级发生变化的可能性。由于我国评级行业历史较短，并且债券违约数据较少，所以很难在评级迁移与违约之间建立可靠的联系，因此Credit Metrics模型的使用也受限。
综合上述模型的优缺点，在考虑数据的可得性和分析的有效性基础上，本文采用多因子模型和KMV模型来对我国城投债风险进行研究分析。
（二）基于发行人角度的多因子模型分析
1.因子设定及数据来源
债券的违约风险取决于发行人的债务压力和债务偿付能力，债务压力由发行人的债务总额和债务结构决定，债务偿付能力取决于发行人的资金获得能力。一般城投公司偿付债务本息的资金来源可分为三种：内源性资金（取决于发行人的经营状况）、外源性资金（受经营状况与融资环境共同影响）及协调性资金（依赖于发债主体所在区域的金融生态环境，即非经济因素）。所以，城投债的违约风险由上述四个因素共同决定，其违约率可表述为：
城投债违约率4=债务压力因子+内源性资金因子+外源性资金因子+协调性资金因子
由此，我们从城投债发行人的债务压力、内源性资金获得能力、外源性资金获得能力、协调性资金获得能力四个方面构建起包含9项指标在内的多因子模型指标体系（见表1），以量化分析城投债发行人的违约风险。
本文数据均来自Wind数据库，从近万只存量城投债中剔除跨市场交易债券后，将单一发行人发行的多只债券数据整合，整理得到城投债发行人样本数据2055条，在删除数据缺失的无效样本后，得到有效样本1989条。
2.模型结果
本文通过包含上述9项指标的多因子模型和样本数据测算得到，全国城投公司未来一年的违约率分布如图1所示，违约率主要集中在0.2%～0.6%之间，小于0.2%的有14家城投公司，位于0.2%～0.6%范围的有1928家城投公司，占比达96.9%，但也有少数城投公司的违约率超过0.6%，共47家，占比为2.36%，个别城投公司违约率甚至高达1.01%。
参考相关文献的做法，本文将城投公司违约率在0.5%以上的定义为存在风险，按照违约率小于0.6%和大于等于0.6%将违约风险分为较低风险和较高风险两个等级，全国城投债公司未来一年存在较高违约风险的地区分布情况如图2所示。从结果来看，全国共有47家城投公司处于较高风险状态，占样本总量的2.36%，整体来说风险可控。其中，东部地区有13家，东北地区有7家，中部地区有7家，西部地区有20家。另外，违约率排名前五位的城投公司分别分布在天津、湖南、江苏、广西四省市。
（三）基于债券角度的KMV模型分析
1.数据来源与计算
本文综合多家评级机构所测算出的城投债信用等级与违约率之间的关系，此处将违约率5低于0.4%的城投债认定为无风险，而高于0.4%的认定为存在风险，并将其所属城市定义为“在险城市”。同时，定义违约率在0.4%～2.55%之间的为“轻度在险”，在2.55%～12.41%之间的为“中度在险”，在12.41%以上的为“重度在险”。
本文从Wind数据库中获取全国334个地市（含部分市辖区）2009—2017年的一般财政收入数据，通过平均增长率法测算2018—2020年的一般财政收入，将该值带入KMV模型相关公式中，得到2018—2020年三年数据的方差 和均值 。参照相关文献做法，本文确定担保财政系数6区间为[0.2，0.5]，从而得到2018—2020年的财政担保收入6。最后，将2018—2020年债务偿还量、财政担保收入、方差 和均值 带入KMV模型相关公式中，得到这三年的违约概率和违约距离。
2.模型结果
模型结果显示，在险城市主要集中在地市级，2018—2020年全国在险地市数量分别为48个、104个、122个，分别占全国所有地级行政区数量的14.37%、31.14%、36.53%。
分区域看，西部在险地市数量最多，如2018年为21个，占全国在险地市数量近一半，且重度在险个数占全国重度在险地市数量一半多（如表2所示），形势较为严峻。 分省份看，2018—2020年，江苏、四川、湖南三省的在险城市数量排名靠前，风险较为突出;直辖市中的北京、上海均不存在违约风险，而重庆、天津违约的可能性也较低。
（四）多因子模型和KMV模型结果汇总
1.全部在险城市情况
汇总两个模型的结果，未来一年，在险地市个数最多的前五个省市是四川、江苏、辽宁、湖南和江西;在险地市个数最少的省份是北京、上海、广东、海南、内蒙古和西藏，数量均为0。
2.两个模型交叉在险地市情况
两个模型交叉识别出未来一年的在险地市有35个，占发债地市数量的11.9%;涉及城投公司71家，占城投公司总数的3.57%;涉及城投债务规模2726.15亿元，占城投债务总规模的3.79%。
分区域来看，西部地区风险突出。未来一年，西部地区在险地市有17个，占全部在险地市数量的48.6%;东部地区有8个，占22.9%;中部地区有6个，占17.1%;东北地区有4个，占11.4%（如图3所示）。由此可得，未来一年西部地区的风险最为突出。其原因主要在于：西部地區因受自然、历史、社会因素影响，可用于债务担保的财政收入相对较少，该地区财政担保系数平均值为30.87%，低于东部财政担保系数近11%。加之近年来，西部大开发形成的债务存量较大，债务覆盖率7为46.33%，超过东部一倍以上，债务偿还压力较大。
分省份来看，江苏、广西和四川风险突出。未来一年，全国在险地市分属16个省份。其中，风险较为突出的省份有江苏、广西和四川，其在险地市个数分别为7个、4个、4个，而重度在险地市个数分别为4个、4个、3个（如图4所示）。尤其是江苏省，虽然经济实力全国排第二位，且逐步逼近排名第一的广东省，但由于城投债数额逐年快速上涨，2018年偿债规模高达2000亿元以上，为同期广东省偿债规模的4倍左右，致使该省偿债压力沉重，风险突出。
（五）本文研究的不足之处
本文对城投债风险的研究存在以下几点不足，尚待改进。
一是测度的是平均违约水平，存在低估风险的可能性。如多因子模型是通过统一赋权构建了一套指标体系，这可能低估了个别重要指标对城投公司偿债能力的影响力。
二是所用数据为截至2018年5月的存量债券及相关数据，皆为历史数据，未考虑此后城投公司融资政策的变化情况。
三是因数据可得性问题，未将所有指标纳入评估体系，这可能会掩盖某些极端风险。
政策建议
（一）加强债券市场信息披露和信用评级体系建设，提升投资者风险识别能力
一是增强城投公司在投资支出、债务规模、财政扶持和资金流向等方面的信息披露，降低信息不对称风险与内部人员的道德风险，逐步实现地方政府债务信息透明化。
二是建立城投债信用风险评级机制，联合评级机构开展相关研究，加快出台针对城投债的统一风险评级方法。
（二）大量推动信用衍生品市场发展，为投资者提供分散风险的有效工具
一是撬动民间资本，分担政府压力。加快市场化改革步伐，以国有企业混改为契机，引入民间资本，改善融资城投公司的股权结构，加快推动融资平台公司限期分类转型。
二是多样化城投公司的增信方式。建议地方政府制订详细的还本付息计划，建立偿债准备金制度，按照政府本年到期未偿还债务的一定比例预留专项资金，为城投公司提供一定的增信。
（三）加强城投债主体信用风险的监测，完善债券市场违约风险处置机制
一是建立由财政部、人民银行、国家发展改革委等多部门参与的地方政府债务联合监管制度，明确各部门责任，实时交换相关数据或建立信息共享数据库，适时出台融资平台公司管理和监督办法。
二是实行平台备案管理并建立分类管理数据库，完善平台退出机制;实施平台分类管理计划，对平台公司进行分类转型。
（四）制定城投债风险防范化解机制，防患于未然
首先要化解城投公司存量债务，通过债务置换、债务重构、资产证券化等手段，将城投公司债务从政府债务中剥离并盘活，为城投公司减负，确保公司经营的可持续。
其次要从顶层设计上规范城投公司的融资渠道和方式，加强政策的衔接性和可操作性，尽快出台87号文的后续细则文件，在“堵后门”的同时“开前门”，防止城投公司因融资无门而出现债券违约。
最后要建立城投公司债务支付保障机制、风险应急处置机制，综合运用行政、财政、金融等多种措施化解可能出现的债券违约风险，而非一味由政府兜底，最大限度地减少风险带来的危害。（本文为“中债估值杯”征文获奖文章）
注：
1.“50号文”是指《关于进一步规范地方政府举债融资行为的通知》（财预〔2017〕50号），“87号文”是指《关于坚决制止地方以政府购买服务名义违法违规融资的通知》（财预〔2017〕87号）。
2.KMV模型的英文名称为Credit Monitor Model，是美国旧金山市KMV公司于1997年建立的用来估计借款企业违约概率的方法。
3.违约距离是指公司资产价值与违约点（公司短期负债与0.5倍长期负债之和）之间的相对距离。
4.违约率即违约概率，是指发行人在未来一定时期内违约的债券在其发行的存量债券中的占比。
5.此处违约率根据标准普尔公司利用KMV模型所测算的信用等级与经验预期违约之间对应关系而得出。由于此处违约率所用计算模型及方法与多因子模型不同，因而得到的违约率分布和风险判定标准也不尽相同。
6.担保财政系数是指财政收入减去一般公共服务支出、公共安全与国防支出、教育支出、社会保障与就业、医疗卫生、计划生育等多项刚性支出的值之后，占财政收入的比重。 7.财政担保收入是指财政收入减一般公共服务、公共安全与国防支出、教育支出、社會保障与就业、医疗卫生与计划生育等7项刚性支出的值，其公式为财政担保收入=财政收入-刚性支出。
8.债务覆盖率是指城投债债务余额占财政担保收入之比。
作者单位：吴光明 中国人民银行武汉分行
陈宏卫 中国人民银行武汉分行
牛秀起 中国人民银行杭州中支
赖班班 中国人民银行衢州中支
翁宇奇 中国人民银行绍兴市中支
责任编辑：罗邦敏 刘颖
参考文献
[1]巴曙松，王璟怡，杜婧. 从微观审慎到宏观审慎：危机下的银行监管启示[J]. 国际金融研究，2010（5）：83-89.
[2]刁伟涛，王子合. 中国地级及以上城市城投债承载能力的量化评估与空间格局[J]. 财政监督，2017（7） ：81-85.
[3]封北麟. 地方政府投融资平台的财政风险研究[J]. 金融与经济，2010（2）：4-7.
[4]刘尚希. 我国城镇化对财政体制的“五大挑战”及对策思路[J]. 地方财政研究，2012（4）：4-10.
[5]齐天翔，葛鹤军，蒙震. 基于信用利差的中国城投债券信用风险分析[J]. 投资研究，2012（1）：15-24.
[6]王雁玲. 地方政府投融资平台产生与发展研究综述[J]. 商业经济研究，2012（14）：68-69.
[7]吴亮圻，田鹏. 我国城投债的风险分析及对策探讨[J]. 债券，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.