基于機器學(xué)習(xí)方法的城投債償債風(fēng)險評估

羅玉　肖麗雯　楊澤鵬

[摘 要]近年來，金融平臺及其發(fā)行的城投債在經(jīng)濟增長和社會發(fā)展方面發(fā)揮了非常重要的作用。然而，市場上與城市債務(wù)有關(guān)的信用風(fēng)險并不明顯，而且外部評級機構(gòu)在發(fā)行的城投債方面普遍虛高評級。在這種情況下，通過建立一個邏輯系統(tǒng)，分析城投債償債風(fēng)險，盡可能選擇具有代表性的指標(biāo)，通過BP神經(jīng)網(wǎng)絡(luò)等智能算法來實現(xiàn)城投債評級，以計算模型預(yù)測的準(zhǔn)確性。歸根結(jié)底，從結(jié)果來看，神經(jīng)網(wǎng)絡(luò)模型BP已超越了傳統(tǒng)方法的界限，并通過模擬非線性模型來模擬實際數(shù)據(jù)，從而超越了對線性模型的依賴。

[關(guān)鍵詞]城投債;matlab ;BP神經(jīng)網(wǎng)絡(luò);內(nèi)部評級

[中圖分類號]F810

[文獻標(biāo)識碼]A

[文章編號]2095-3283（2019）10-00102-03

The Insolvency Risk of City Construction Investment Bonds Based on Machine Learing Algorithm

Luo Yu Xiao Liwen Yang Zepeng

（Jiangxi University of Finance and Economics，Nanchang Jiangxi 330013）

Abstract： City Construction investment bonds issued by Financing platform have played a very important role in Chinas economic growth and social development in recent years. However， due to the particularity and the opacity of local government， the credit risk of city investment bonds in the market has not been clearly exposed， and the rating of city investment bonds is generally high. Under such back ground， we attempt to establish a set of logical system for analyzing the insolvency risk of City Construction investment bonds， select representative indicators as much as possible， achieve stock rating through artificial neural network model， and calculate the accuracy of the model prediction. In the end， from the results， the BP neural network model gets rid of the limitations of the traditional methods， breaks the restriction of the dependence on the linear model， simulates the actual data with the nonlinear model， and realizes the innovation in the method of stock rating application research.

Keywords： City Construction Investment Bond; Matlab; BP Neural Network; Internal Rating

[作者簡介]羅玉（1998-），女，漢族，江西南昌人，本科生，研究方向：會統(tǒng)核算：肖麗雯（1998-），女，漢族，江西南昌人，本科生，研究方向：金融統(tǒng)計;楊澤鵬（1998-），男，江西南昌人，本科生，研究方向：金融學(xué)。

[基金項目]江西財經(jīng)大學(xué)2019年度江西財經(jīng)大學(xué)學(xué)生實踐創(chuàng)新訓(xùn)練項目（項目編號：201910421022）。

一、引言

中央政府和地方政府在國家分稅制改革以后，明確規(guī)定了財政權(quán)力和事權(quán)地方財政收入增長以及經(jīng)濟發(fā)展在一定程度上得到提升。與此同時，隨著國家迅速城市化、地方經(jīng)濟快速增長、地方政府財政支出的增加以及資金缺口逐年擴大，地方政府通過建立金融借貸平臺，在很大程度上彌補了基礎(chǔ)設(shè)施融資缺口。

城投債是介于標(biāo)準(zhǔn)企業(yè)債和地方政府債務(wù)之間的一種準(zhǔn)市政債，是由地方政府投資融資方案發(fā)行的企業(yè)債券作為主要來源，主要用于資助地方基礎(chǔ)設(shè)施項目和公共利益項目。城投債通常屬于較高信用等級，這主要是因為地方政府提供了隱性信用擔(dān)保。其主要原因是，在改革了分稅制之后，地方財政稅收占國民稅收的比例下降了，而地方財政支出卻大幅上升，使地方政府難以支持其日常運作;其直接原因是隨著城市化進程的加快，對城市基礎(chǔ)設(shè)施的需求也有所增加，但法律禁止地方政府發(fā)行債券，除非在特殊情況下，因此我國沒有真正的市政債券。

城投債有如下特征：第一，城投債屬于企業(yè)債務(wù)，其發(fā)行主體是國有企業(yè)，政府完全參與其中，而這些企業(yè)常常作為地方政府的融資平臺，隨著銀行信貸監(jiān)管的加強，這些企業(yè)的作用逐漸加強;第二，大多數(shù)城投債只有依靠政府財政補貼才得以還本付息，其投資的項目收回成本期較短;第三，由于中國債券市場缺乏足夠的長期投資者，城投債的發(fā)行期限較短;第四，商業(yè)銀行和基金是中國城投債的主要持有人;第五，中國城投債市場從未出現(xiàn)過實質(zhì)性違約事件。

在過去，機構(gòu)投資者傾向于投資于城投債，因為城投債高于政府債券的收益率，而且（由于政府擔(dān)保）信用風(fēng)險較低。但是，在許多城投債違約的情況下，在一系列新的城投債監(jiān)管政策下，城投債的投資價值帶來了巨大挑戰(zhàn)，并引起投資者對這些債券的信用風(fēng)險的嚴重關(guān)切。城投主體償還債務(wù)的能力也引起了城市投資者的嚴重懷疑，他們不能僅僅依靠地方政府來判斷城投債的價值。這一系列情況與城投債種普遍的高評級狀況不符合，對投資者也產(chǎn)生了很大的誤導(dǎo)性。因此，為了這一大背景下確定信用風(fēng)險并制定客觀、公正和有效的估值方法是很重要的。

二、文獻綜述

2005年韓立巖等通過相關(guān)模型衡量了北京等城市債務(wù)發(fā)行的合理規(guī)模，并得出結(jié)論認為，影響地方政府債務(wù)合理規(guī)模的主要因素是地方政府債券的信用增級，他們利用模糊期權(quán)定價理論來研究違約率和債務(wù)存量之間的關(guān)系。曹慧敏（2014）認為當(dāng)下的評級體系缺乏與財政存量相關(guān)的指標(biāo)，土地評估方法不合理、評估公允價值過高、注入資產(chǎn)變現(xiàn)能力差，各個類型城投債的資產(chǎn)結(jié)構(gòu)分析不夠完善，導(dǎo)致評級結(jié)果與城投債的真實償債能力不相符，城投債的償債規(guī)模大，評級體系亟待修正。2016年秦鳳鳴等衡量城投債風(fēng)險運用了城投債信用利差，他們還利用2010-2013年的城市調(diào)查數(shù)據(jù)研究住房價格對地方政府城市債務(wù)的影響。2017年潘琰等利用2006—2013年30個省級城投債面板數(shù)據(jù)開發(fā)了回歸模型，通過分析流動性資產(chǎn)的概念并將其納入研究框架，研究地方政府償還債務(wù)的情況及其對流動資產(chǎn)的影響。

2018湯潔在KMV模型的基礎(chǔ)上，對2015—2018年江蘇省不同債務(wù)水平違約風(fēng)險的實證研究，該項研究結(jié)論是，江蘇省2015年的債務(wù)水平應(yīng)高于安全債務(wù)水平，2016—2018年的城投債風(fēng)險仍在控制之下，但信用風(fēng)險對發(fā)行城投債的規(guī)模非常敏感，政府應(yīng)采取措施預(yù)防和減輕債務(wù)風(fēng)險，同時控制城投債規(guī)模。

三、研究設(shè)計

（一）樣本及指標(biāo)選取

為了對城投債券進行系統(tǒng)化的全面評級，綜合對債券發(fā)行人償債風(fēng)險與投資風(fēng)險等內(nèi)容，本文參考中債資信評級公司標(biāo)準(zhǔn)，從萬得數(shù)據(jù)庫的所有城投債相關(guān)指標(biāo)框架下抽取了6大類指標(biāo)，基本要素指標(biāo)、債券分類指標(biāo)、發(fā)債主體指標(biāo)、行情指標(biāo)風(fēng)險指標(biāo)、財務(wù)估值指標(biāo)。

現(xiàn)有各個市場隱含評級的平均債券得分為：

AAA為2.717359，AAA-為3.738524，AA+為2.0305987，AA為1.7039077，AA-為1.6762759，A+1.768998856。

按照正常情況，AAA-的得分過高，說明市場隱含評級錯誤，正常情況下AAA-應(yīng)該調(diào)整為2.37397885;A+的得分過高，市場隱含評級也出現(xiàn)錯誤，正常條件下A+應(yīng)該調(diào)整為1.6486441。

（二）模型設(shè)定

BP 學(xué)習(xí)是一種典型的更正誤差的方法。首先，為每個輸入模式設(shè)定理想的輸出值，輸入實際的網(wǎng)絡(luò)學(xué)習(xí)記憶模型，然后從輸入層移至輸出層傳播。實際輸出和預(yù)期輸出之間的差異是錯誤的，根據(jù)最小平均平方誤差標(biāo)準(zhǔn)修改輸出層到中間層的連接權(quán)重的過程稱為“誤差反向傳播”。隨著“模式凈傳播”和“錯誤反向傳播”過程交替進行，網(wǎng)絡(luò)的實際輸出逐漸逼近各自相應(yīng)期間的預(yù)期輸出，網(wǎng)絡(luò)對輸入模式響應(yīng)的準(zhǔn)確性也在不斷提高。

四、實證分析

（一）數(shù)據(jù)來源

自2010年以來，城投債的發(fā)行規(guī)模迅速增加。故本文從萬得數(shù)據(jù)庫中選取了2010—2018年銀行間市場發(fā)行的所有企業(yè)債和中期票據(jù)作為研究對象。此外，短期融資券期限太短（一年以內(nèi)），因此沒有被包含在樣本之內(nèi)，而定向工具由于不是市場化的發(fā)行利差因而也沒有被包含在樣本內(nèi)。

（二）分析流程

本節(jié)內(nèi)容對于城投債的評級分類是基于BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的，根據(jù)上文推導(dǎo)出的影響十二維城市投資負債的等級因素，消除人的主觀因素，盡可能以客觀數(shù)據(jù)本身含義對城投債進行評級。由于自變量與因變量之間可能存在著不僅僅只是簡單的線性關(guān)系，還有可能存在較為復(fù)雜的非線性關(guān)系，對于非線性回歸模型傳統(tǒng)的統(tǒng)計模型已經(jīng)無法滿足，由此引入BP神經(jīng)網(wǎng)絡(luò)來對城投債評級進行仿真預(yù)測。

在教育神經(jīng)網(wǎng)絡(luò)之前，必須規(guī)范化數(shù)據(jù)集。本文檔使用MATLAB的mapminmax函數(shù)將原始數(shù)據(jù)映射到[-1，1]間距。

（ymax-ymin）*（X-Xmin）（Xmax-Xmin）+ymin

此處默認ymin= -1，ymax= 1，x是需要進行歸一化處理的數(shù)據(jù)矩陣。

對于因變量城投債評級，在此本文將其劃分為六檔如表2所示。

本文使用的是matlab軟件，輸入層和輸出層個數(shù)根據(jù)特征變量個數(shù)確定，預(yù)測變量為城投債市場評級，故輸出層只有一個，而影響評級的因子有債券期限，名義利率、發(fā)行總額、債券余額、債券的票面價值、利息數(shù)目、記錄資本、剩余時間、營業(yè)總收入、凈利潤、現(xiàn)金凈流量和經(jīng)營活動現(xiàn)金凈流量共計12個特征，故輸入層神經(jīng)元個數(shù)有12個。對于隱藏層的設(shè)置通常采用1個隱藏層。使用動量梯度下降算法，經(jīng)過反復(fù)嘗試，得到的最優(yōu)參數(shù)如表3所示。

仿真實驗得出與原先市場評級的吻合率為66%。

五、結(jié)論

本文采用BP人工神經(jīng)網(wǎng)絡(luò)算法，根據(jù)影響城市債務(wù)分類的主要指標(biāo)，對大城市債務(wù)分類的結(jié)果進行了測試，以達到通過具有代表性的指標(biāo)進行準(zhǔn)確分類的目標(biāo)，這些指標(biāo)的準(zhǔn)確度是可以接受的。在此期間，通過改變培訓(xùn)課程數(shù)目和隱藏的合同數(shù)目等標(biāo)準(zhǔn)變量，與原始市場估計數(shù)達成了66%的一致。神經(jīng)網(wǎng)絡(luò)模型超越了傳統(tǒng)的方法，超越了線性模式，開發(fā)了非線性實際數(shù)據(jù)模擬模型，并在城市債務(wù)分類的應(yīng)用研究方面實現(xiàn)了創(chuàng)新。然而，在重復(fù)模型預(yù)測時經(jīng)常出現(xiàn)誤差率不穩(wěn)定等問題，本文未能更仔細地審查影響城市債務(wù)分類的指標(biāo)。因此，模型在后續(xù)研究方面仍有改進的余地，指標(biāo)的選擇也需要進一步探索和改進。但這一理論研究也證實，城市債務(wù)評級的工具也可用人工神經(jīng)網(wǎng)絡(luò)模型，這也將作為進一步研究的課題。

[參考文獻]

[1]韓立巖.市政債券的風(fēng)險識別與控制策略[J].管理世界，2005（3）：58-66.

[2]嵇楊，曹慧敏.“城投債”的發(fā)展歷程及信用評級方法[J].宏觀經(jīng)濟管理，2014（6）：56-59.

[3]湯潔，王冰曉.基于KMV模型的江蘇省城投債信用風(fēng)險測度研究[J].商業(yè)經(jīng)濟研究，2015（12）：99-100.

[4]秦鳳鳴，李明明，劉海明.房價與地方政府債務(wù)風(fēng)險——基于城投債的證據(jù)[J].財貿(mào)研究，2016，27（5）：90-98.

[5]潘琰，吳修瑤.地方政府可流動性資產(chǎn)對其償債能力影響的實證研究[J].當(dāng)代財經(jīng)，2017（7）：124-133.

[6]邵玉君.我國城投債情況分析與研究[J].西部金融，2013（12）.

[7]李倩，魯超.城投債發(fā)行主體信用風(fēng)險影響因素研究[J].中國市場，2014（33）.

（責(zé)任編輯：顧曉濱 馬琳）