城投債違約風(fēng)險(xiǎn)測度與預(yù)警

孫麗 孔文茜

[摘要]結(jié)合KMV模型和BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建城投債違約風(fēng)險(xiǎn)預(yù)警模型，以區(qū)域經(jīng)濟(jì)實(shí)力、發(fā)行主體財(cái)務(wù)狀況、發(fā)行特征3個(gè)維度22個(gè)指標(biāo)搭建城投債違約風(fēng)險(xiǎn)評(píng)價(jià)體系，識(shí)別提煉我國城投債違約風(fēng)險(xiǎn)的關(guān)鍵影響因素，考察分析各維度特征以及異質(zhì)性表現(xiàn)。通過對(duì)6675只債券，14萬條以上總樣本進(jìn)行實(shí)證檢驗(yàn)后發(fā)現(xiàn)，債券發(fā)行主體財(cái)務(wù)狀況是在評(píng)價(jià)同一地區(qū)城投債違約風(fēng)險(xiǎn)時(shí)最具參考價(jià)值的維度；同省份不同城市的城投債違約風(fēng)險(xiǎn)水平因區(qū)域風(fēng)險(xiǎn)沖擊而趨同；城投債因所處地理區(qū)位、發(fā)行主體所屬行業(yè)不同，其風(fēng)險(xiǎn)表現(xiàn)具有顯著差異。研究結(jié)論有助于投資者建立風(fēng)險(xiǎn)預(yù)警機(jī)制，有效防范城投債的違約風(fēng)險(xiǎn)。

[關(guān)鍵詞] 城投債；風(fēng)險(xiǎn)預(yù)警；神經(jīng)網(wǎng)絡(luò)；KMV模型

[中圖分類號(hào)] F832.0? ［文獻(xiàn)標(biāo)識(shí)碼］A? ?［文章編號(hào)］1000-4211（2023）05-0081-20

一、引言

1994年的分稅制改革和舊預(yù)算法造成地方政府事權(quán)大、財(cái)權(quán)小、缺乏融資渠道，以公司名義承擔(dān)地方建設(shè)領(lǐng)域融資職能的城投公司的興起則極大緩解了城市日益增長的發(fā)展需求與地方政府財(cái)政收入不充足之間存在的矛盾，但也直接導(dǎo)致了地方負(fù)債規(guī)模的迅速膨脹，截至2014年末政府部門杠桿率已達(dá)到了57.8%。為了遏制地方負(fù)債率的進(jìn)一步擴(kuò)張，并防范系統(tǒng)性金融風(fēng)險(xiǎn)的發(fā)生，中央開始著手規(guī)范地方政府融資渠道，2014年出臺(tái)了新預(yù)算法來賦予地方政府以政府債券形式融資的權(quán)力，對(duì)城投平臺(tái)的融資職能進(jìn)行剝離，建立規(guī)范的地方政府融資機(jī)制，使政府債券的發(fā)行日益規(guī)范化、標(biāo)準(zhǔn)化、透明化。但隨著部分區(qū)域財(cái)政收入增長疲軟，地方政府難以支撐前期大規(guī)?；ㄍ顿Y所形成的債務(wù)，非標(biāo)違約事件常有發(fā)生。據(jù)廣發(fā)證券不完全統(tǒng)計(jì)，自2018年1月至2022年7月31日，全國累計(jì)已有174例非標(biāo)違約事件，共涉及115家城投平臺(tái)。標(biāo)準(zhǔn)化債券市場目前雖然尚未出現(xiàn)債券實(shí)質(zhì)違約，但技術(shù)性違約事件的持續(xù)發(fā)生值得相關(guān)各方警惕?？偨Y(jié)來說，中國目前城投債務(wù)風(fēng)險(xiǎn)受地方政府債務(wù)規(guī)模擴(kuò)大和城投非標(biāo)違約雙重影響而愈發(fā)嚴(yán)峻。

然而，與以上現(xiàn)實(shí)情況相不符的是，目前有關(guān)城投債的研究相對(duì)較少，尤其是違約風(fēng)險(xiǎn)領(lǐng)域，當(dāng)前城投債信用評(píng)級(jí)也普遍較高且下調(diào)較少，這說明了對(duì)于投資者、融資平臺(tái)和監(jiān)管方來說都需要更加科學(xué)全面的方式去高效地評(píng)估城投債潛在的風(fēng)險(xiǎn)，并對(duì)此采取有效的風(fēng)險(xiǎn)管控措施。在此背景下，對(duì)覆蓋全國各省、各行政層級(jí)的城投債及其發(fā)行企業(yè)所在區(qū)域的經(jīng)濟(jì)、財(cái)政、債務(wù)情況進(jìn)行系統(tǒng)梳理與詳盡分析，識(shí)別、提煉城投債違約風(fēng)險(xiǎn)的關(guān)鍵影響因素，并對(duì)整體違約風(fēng)險(xiǎn)水平進(jìn)行科學(xué)測度和預(yù)警，對(duì)于資本市場投資者、資產(chǎn)管理機(jī)構(gòu)、監(jiān)管機(jī)構(gòu)等市場各方參與者而言都具有重要意義。

二、文獻(xiàn)綜述

（一）城投債違約的影響因素

目前學(xué)者們主要聚焦于地方政府隱性債務(wù)違約風(fēng)險(xiǎn)的測度，其指標(biāo)體系構(gòu)建方面也較為成熟，因此已有研究對(duì)城投債違約風(fēng)險(xiǎn)因素辨別和提取具有一定的參考價(jià)值。大部分學(xué)者分別從宏觀經(jīng)濟(jì)與財(cái)政角度（洪源和劉興琳，2012；李春玲和郭靖冉，2016；Ang et al，2019；王未卿等，2020；李麗珍，2021）、發(fā)行主體財(cái)務(wù)狀況（王未卿等，2020；蘇振興等，2022）、發(fā)債信息（李爽，2019；洪源和劉興琳，2012；王未卿等，2020；蘇振興等，2022）等多種維度構(gòu)建了債務(wù)違約風(fēng)險(xiǎn)預(yù)警指標(biāo)體系?？梢园l(fā)現(xiàn)，學(xué)者們雖然一致認(rèn)為債務(wù)違約風(fēng)險(xiǎn)受到發(fā)債主體、發(fā)債地區(qū)經(jīng)濟(jì)、財(cái)政稅收、償債能力、債務(wù)規(guī)模等方面因素的影響，但是這些研究尚未從城投債特有的債務(wù)性和地方性角度設(shè)計(jì)城投債的違約風(fēng)險(xiǎn)評(píng)價(jià)體系，留下了研究拓展的空間。

（二）債務(wù)違約風(fēng)險(xiǎn)度量

由于違約風(fēng)險(xiǎn)受到多種因素的影響，在債務(wù)違約風(fēng)險(xiǎn)度量方法的選取上學(xué)者們經(jīng)歷了“單一指標(biāo)→數(shù)理模型→綜合評(píng)價(jià)”的路徑演進(jìn)。

在單一指標(biāo)階段，度量債券違約風(fēng)險(xiǎn)的工具主要是信用評(píng)級(jí)，最早由穆迪公司和標(biāo)準(zhǔn)普爾公司各自建立了一套信用指標(biāo)體系，后我國頒布相關(guān)條例，由信用評(píng)級(jí)機(jī)構(gòu)進(jìn)行信用評(píng)價(jià)，債券違約風(fēng)險(xiǎn)與信用等級(jí)存在負(fù)相關(guān)關(guān)系，其主要影響因素是發(fā)行公司過去的經(jīng)營業(yè)績。

數(shù)理模型是另一種科學(xué)有效的違約風(fēng)險(xiǎn)度量技術(shù)，具有代表性的是KMV模型。該模型由美國KMV公司于1997年建立，以現(xiàn)代期權(quán)理論作為基礎(chǔ)使用資本市場信息估計(jì)借款企業(yè)的違約概率，具有動(dòng)態(tài)性和前瞻性的特征。同時(shí)根據(jù)國內(nèi)外學(xué)術(shù)研究成果可以發(fā)現(xiàn)，KMV模型不論是設(shè)計(jì)原理、適用條件，還是在違約風(fēng)險(xiǎn)評(píng)估領(lǐng)域的實(shí)用性，對(duì)于構(gòu)建城投債違約風(fēng)險(xiǎn)指數(shù)而言都非常適用，在學(xué)者們的研究中被廣泛使用。如 Katarína etc.（2014）、張海星和靳偉鳳（2016）、王勝威和孟翠蓮（2017）、洪源和胡爭榮（2018）利用KMV模型定量探索了違約風(fēng)險(xiǎn)及其相關(guān)影響因素；而 Feng etc.（2017）、夏詩園（2019）、何德旭和王學(xué)凱（2020）、Su（2022）、Ying etc.（2022）、蘇振興等（2022）、范德勝（2022）則在此基礎(chǔ)上科學(xué)修正了KMV模型，對(duì)地方政府債務(wù)違約風(fēng)險(xiǎn)進(jìn)行測度。

綜合評(píng)價(jià)則是通過構(gòu)建債務(wù)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系采用復(fù)雜量化方法展開大范圍評(píng)估，近些年其量化結(jié)果作為預(yù)警模型的輸出指標(biāo)廣泛運(yùn)用于學(xué)者們的違約風(fēng)險(xiǎn)研究中，主要計(jì)量方法包括因子分析法（劉驊和盧亞娟，2014）、聚類分析法（李春玲和郭靖冉，2016；洪源等，2018）、熵值法（洪源和胡爭榮，2018；李麗珍，2021）、層次分析法（李斌等，2016；李爽，2019）。

已有研究中，單一指標(biāo)階段的債券違約風(fēng)險(xiǎn)評(píng)價(jià)基本上聚焦于發(fā)債主體的財(cái)務(wù)經(jīng)營狀況，未考慮其受多維度因素影響的特性，且城投債的信用評(píng)級(jí)往往無法為違約風(fēng)險(xiǎn)提供充分適當(dāng)?shù)淖C據(jù)。而綜合評(píng)價(jià)階段所使用的計(jì)量方法往往缺乏嚴(yán)格的理論基礎(chǔ)或者包含較多的主觀因素，也無法以違約概率形式對(duì)債務(wù)違約風(fēng)險(xiǎn)進(jìn)行評(píng)估。結(jié)合現(xiàn)有研究成果來看，因子分析法和熵值法是客觀賦權(quán)方法，指標(biāo)權(quán)重是從數(shù)據(jù)中獲得，符合數(shù)學(xué)意義，但與理論和實(shí)際存在一定偏差；德爾菲法、層次分析法和模糊綜合評(píng)價(jià)法則需要人為賦權(quán)，主觀因素影響較大，往往缺乏說服力。相較而言，KMV模型具有可靠的理論基礎(chǔ)，無需或者較少違約歷史記錄就能夠以違約概率形式對(duì)某種資產(chǎn)進(jìn)行準(zhǔn)確的評(píng)估，因此KMV模型被廣泛采納和應(yīng)用，且非常適合拓展至我國歷史數(shù)據(jù)較少或短缺的地方政府債券風(fēng)險(xiǎn)領(lǐng)域。

（三）債務(wù)風(fēng)險(xiǎn)預(yù)警方法

基于城投債違約風(fēng)險(xiǎn)影響因素與度量方法，國內(nèi)外學(xué)者展開了對(duì)債務(wù)違約風(fēng)險(xiǎn)的防控研究，并構(gòu)建一系列風(fēng)險(xiǎn)預(yù)警模型。傳統(tǒng)線性化的模型如Logistic模型、多元判別分析模型、KNN模型等，但由于自身的適用性和局限性，此類模型均無法準(zhǔn)確評(píng)估城投債的違約風(fēng)險(xiǎn)水平。近年來，國內(nèi)外越來越多的學(xué)者選擇使用神經(jīng)網(wǎng)絡(luò)系列模型對(duì)地方政府類債券風(fēng)險(xiǎn)進(jìn)行預(yù)警。神經(jīng)網(wǎng)絡(luò)模型由1943 年美國心理學(xué)家 W. McCulloch 和數(shù)學(xué)家 W. Pitts 提出形式神經(jīng)元的抽象數(shù)學(xué)模型——MP 模型發(fā)展而來，目前在金融預(yù)測領(lǐng)域得到廣泛的應(yīng)用。其中較有代表性的如Dawood etc.（2016）使用神經(jīng)網(wǎng)絡(luò)模型對(duì)主權(quán)債務(wù)危機(jī)進(jìn)行預(yù)測，通過動(dòng)態(tài)遞歸預(yù)測技術(shù)對(duì)主權(quán)債務(wù)危機(jī)生成預(yù)警信號(hào)；馬恩濤等（2017）運(yùn)用GM-BP神經(jīng)網(wǎng)絡(luò)模型分析重慶市各區(qū)縣債務(wù)風(fēng)險(xiǎn)，并通過紅色、橙色、綠色區(qū)分債務(wù)風(fēng)險(xiǎn)嚴(yán)重程度；呂函枰等（2017）使用GCA-BP神經(jīng)網(wǎng)絡(luò)對(duì)債務(wù)風(fēng)險(xiǎn)狀況進(jìn)行研究；洪源等（2018）在GA-BP神經(jīng)網(wǎng)絡(luò)模型中對(duì)10年期30個(gè)省份的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以提出防范化解債務(wù)風(fēng)險(xiǎn)的建議；李麗珍（2021）通過建立BP神經(jīng)網(wǎng)絡(luò)模型對(duì)債務(wù)風(fēng)險(xiǎn)進(jìn)行事前預(yù)警，并使用“輕警”、“中警”、“高警”方式各省區(qū)市債務(wù)風(fēng)險(xiǎn)的狀態(tài)；蘇振興等（2022）通過隨機(jī)森林學(xué)習(xí)方法訓(xùn)練得出最優(yōu)先導(dǎo)預(yù)警模型；Li etc.（2023）使用優(yōu)化的 BP 神經(jīng)系統(tǒng)更加精準(zhǔn)地預(yù)測財(cái)務(wù)風(fēng)險(xiǎn)。

在債務(wù)風(fēng)險(xiǎn)預(yù)警方法選擇上，考慮到債務(wù)風(fēng)險(xiǎn)多因素影響和多層級(jí)傳染的非線性特點(diǎn)，需要構(gòu)建由多項(xiàng)指標(biāo)構(gòu)成、多層主體傳遞的非線性模型，才能對(duì)債務(wù)的違約風(fēng)險(xiǎn)進(jìn)行科學(xué)、合理地刻畫與評(píng)估。BP神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜的非線性關(guān)系時(shí)具有較強(qiáng)的擬合能力，在地方政府類債券風(fēng)險(xiǎn)預(yù)警方面的應(yīng)用能夠充分發(fā)揮其多層網(wǎng)絡(luò)、逆向?qū)W習(xí)的優(yōu)勢，更加客觀、準(zhǔn)確、高效地進(jìn)行預(yù)警。

（四）創(chuàng)新、貢獻(xiàn)與不足

本文擬將KMV模型和BP神經(jīng)網(wǎng)絡(luò)模型兩者的優(yōu)勢結(jié)合起來加以利用，對(duì)目前存續(xù)的所有城投債展開評(píng)估及預(yù)警，為投資者及政府應(yīng)對(duì)城投債違約風(fēng)險(xiǎn)提供信號(hào)導(dǎo)向和建議。本文的主要貢獻(xiàn)在于：第一，對(duì)實(shí)證研究方法進(jìn)行創(chuàng)新。在充分考慮城投債違約風(fēng)險(xiǎn)預(yù)警體系復(fù)雜性與非線性的基礎(chǔ)上，選取2020年大樣本數(shù)據(jù)，結(jié)合運(yùn)用修正的KMV模型和神經(jīng)網(wǎng)絡(luò)模型更加直觀地從橫向和縱向角度挖掘數(shù)據(jù)之間的動(dòng)態(tài)聯(lián)系，既有理論支撐，又對(duì)復(fù)雜的非線性關(guān)系具有較強(qiáng)的擬合能力。第二，構(gòu)建客觀全面的預(yù)警指標(biāo)體系。通過構(gòu)建雙層指標(biāo)體系預(yù)警城投債的違約風(fēng)險(xiǎn)，并深入探尋省市間的風(fēng)險(xiǎn)水平差異及其成因，發(fā)出提示投資者注意風(fēng)險(xiǎn)的明確信號(hào)。第三，制定風(fēng)險(xiǎn)管理策略，拓寬防范化解違約風(fēng)險(xiǎn)的視野?；趯?shí)證分析結(jié)果，本文設(shè)計(jì)城投債違約風(fēng)險(xiǎn)管控的基本實(shí)踐流程，并聚焦各省市城投債的特征、層級(jí)、地理區(qū)位、發(fā)行主體所屬行業(yè)等維度，提出有針對(duì)性的建議，在一定程度上有助于防范或規(guī)避城投債違約風(fēng)險(xiǎn)。然而，由于實(shí)證模型普遍存在過擬合問題，本文建議未來能通過對(duì)比評(píng)估的方式對(duì)其他種類機(jī)器深度學(xué)習(xí)模型的適用性和準(zhǔn)確度進(jìn)行分析，在模型復(fù)雜度與過擬合之間作出權(quán)衡，優(yōu)化模型的預(yù)警能力。

三、城投債違約預(yù)警模型構(gòu)建

（一）實(shí)證思路和步驟

本文實(shí)證思路和具體步驟如圖1所示：

1.以現(xiàn)有參考文獻(xiàn)及理論邏輯為支撐，選擇合適的影響因素搭建城投債違約風(fēng)險(xiǎn)評(píng)價(jià)體系，以此作為模型的輸入層指標(biāo)，并綜合考慮數(shù)據(jù)可得性與模型適用性完成大樣本數(shù)據(jù)篩選。

2.將由KMV模型計(jì)算得到的預(yù)期違約概率作為違約風(fēng)險(xiǎn)指數(shù)，評(píng)價(jià)城投債的違約風(fēng)險(xiǎn)水平，并將標(biāo)準(zhǔn)化后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸出層的期望值。

3.將輸入層和輸出層期望值數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，分別導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)訓(xùn)練，設(shè)置訓(xùn)練樣本、檢驗(yàn)樣本等參數(shù)，并檢查模型的擬合優(yōu)度，擬合優(yōu)度大于90%則可以進(jìn)行影響因素和風(fēng)險(xiǎn)特征等相關(guān)分析。

4.在完成城投債違約風(fēng)險(xiǎn)預(yù)警模型構(gòu)建后，本文從模型運(yùn)用角度出發(fā)分析識(shí)別城投債的關(guān)鍵影響因素，然后對(duì)顆粒度較粗的分析結(jié)果進(jìn)行進(jìn)一步的拆解，從維度特征、省份層次差異、同省份城市比較3個(gè)角度分別提煉城投債違約風(fēng)險(xiǎn)的特征，其中省市層次劃分的主要依據(jù)為各指標(biāo)數(shù)據(jù)之間差值的躍升。

5.針對(duì)預(yù)警模型的實(shí)證結(jié)果本文展開進(jìn)一步異質(zhì)性分析，以某一特征對(duì)總樣本進(jìn)行劃分，探究不同地理區(qū)位、發(fā)債主體所屬不同行業(yè)的城投債違約風(fēng)險(xiǎn)水平的分化程度。

6.最后為了實(shí)際評(píng)估模型的預(yù)警效果，進(jìn)一步檢驗(yàn)?zāi)Ｐ皖A(yù)警的準(zhǔn)確性，本文選擇預(yù)警的5支高風(fēng)險(xiǎn)債券作為案例研究對(duì)象，通過制作違約風(fēng)險(xiǎn)特征表的形式解讀預(yù)警結(jié)果，并結(jié)合預(yù)警債券的基本情況分析其各方面特征，最后以2021年資本市場表現(xiàn)評(píng)價(jià)模型預(yù)警效果。

（二）城投債違約風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系構(gòu)建和變量選擇

作為實(shí)證設(shè)計(jì)的第一步，本文結(jié)合相關(guān)文獻(xiàn)搭建城投債違約風(fēng)險(xiǎn)的評(píng)價(jià)體系。由于目前學(xué)者們主要聚焦于地方政府債務(wù)風(fēng)險(xiǎn)的測度，其指標(biāo)體系構(gòu)建方面較為成熟，對(duì)城投債風(fēng)險(xiǎn)預(yù)警指標(biāo)的選擇具有一定的參考價(jià)值。同時(shí)，理論研究及城投債發(fā)行信息披露文件表明城投債的債務(wù)風(fēng)險(xiǎn)不僅與宏觀經(jīng)濟(jì)有關(guān)，同時(shí)還受財(cái)政稅收、償還能力、債務(wù)規(guī)模等方面的因素影響。為準(zhǔn)確評(píng)估城投債的違約風(fēng)險(xiǎn)，本文在綜合考慮現(xiàn)有文獻(xiàn)中選取的風(fēng)險(xiǎn)影響因素及數(shù)據(jù)完整性和可獲得性后，將22個(gè)指標(biāo)變量歸類為3個(gè)維度，分別是區(qū)域經(jīng)濟(jì)實(shí)力C1、發(fā)行主體財(cái)務(wù)分析C2和發(fā)行特征C3，納入的指標(biāo)充分考慮了城投債相比企業(yè)信用債和地方政府債的獨(dú)有特征，其原始數(shù)據(jù)均從Wind金融數(shù)據(jù)庫和CEIC數(shù)據(jù)庫中獲?。ㄒ姳?）。

（三）基于KMV模型的違約風(fēng)險(xiǎn)指數(shù)

要科學(xué)準(zhǔn)確地評(píng)估城投債的違約風(fēng)險(xiǎn)水平，必須基于理論基礎(chǔ)構(gòu)建違約風(fēng)險(xiǎn)指數(shù)。在分析了學(xué)術(shù)界現(xiàn)有研究成果及違約風(fēng)險(xiǎn)主流的測度方法后，本文選取了由KMV模型計(jì)算得到的預(yù)期違約率（EDF）作為違約風(fēng)險(xiǎn)指數(shù)，定量評(píng)估城投債的違約風(fēng)險(xiǎn)水平。

依據(jù)KMV模型的運(yùn)行步驟，首先由債券市場價(jià)值及其波動(dòng)性、到期時(shí)間、無風(fēng)險(xiǎn)利率及負(fù)債的賬面價(jià)值計(jì)算違約距離（DD），然后運(yùn)用違約距離與預(yù)期違約率之間的對(duì)應(yīng)關(guān)系，得到預(yù)期違約率（EDF）。具體步驟如下：

1．市場價(jià)值波動(dòng)性

使用日收盤價(jià)Si計(jì)算日收益率μi以及日收益率波動(dòng)率σi，得到年收益率波動(dòng)率σE，i表示第i個(gè)交易日，i=1，…，n。

2．計(jì)算違約距離（DD）

以VA表示資產(chǎn)價(jià)值，B表示負(fù)債賬面價(jià)值，r表示一年期存款利率，計(jì)算違約概率：

3．計(jì)算預(yù)期違約率（EDF）

根據(jù)違約距離（DD）與預(yù)期違約率（EDF）之間的對(duì)應(yīng)關(guān)系，得到預(yù)期違約率：

EDF＝[1－N（DD）]×100%? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（4）

（四） BP神經(jīng)網(wǎng)絡(luò)模型的基本原理

反射傳播神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)信息處理的過程，是由多個(gè)神經(jīng)元之間互相連接形成的網(wǎng)絡(luò)系統(tǒng)。人造神經(jīng)元是整個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)的最小單位，分別組成模型的輸入層（I）、隱藏層（H）、輸出層（O），不同層的神經(jīng)元按照不同的權(quán)重設(shè)置而連接（見圖2）。

首先，依據(jù)輸入樣本確定輸入的維數(shù)（n）和輸出的維數(shù)（m），初始化輸入層、隱藏層和輸出層神經(jīng)元之間的權(quán)重，初始化隱藏層和輸出層閾值，并設(shè)置學(xué)習(xí)效率和激活函數(shù)。輸入層負(fù)責(zé)傳遞數(shù)據(jù)（X1、X2、X3、…、Xn），將數(shù)據(jù)按配置的權(quán)重傳導(dǎo)至隱藏層的相應(yīng)神經(jīng)元。假設(shè)隱藏層和輸出層神經(jīng)元個(gè)數(shù)分別為h和m，輸入層和隱藏層間的連接權(quán)重為ωki，閾值為ai，則隱藏層輸出公式為：

其次，隱藏層通過神經(jīng)元激活函數(shù)f將輸入信號(hào)轉(zhuǎn)化成該神經(jīng)元的輸出值（H1、H2、…），神經(jīng)元信號(hào)強(qiáng)度由上層輸入的加權(quán)和ωkixk所決定。輸出層則根據(jù)隱藏層的輸出值及相應(yīng)權(quán)重計(jì)算，由輸出層的神經(jīng)元通過激活函數(shù)產(chǎn)生最終的輸出值（O1、O2、…、Om），通過學(xué)習(xí)讓其漸進(jìn)擬合輸出層的期望值（Y1、Y2、…、Ym）。假設(shè)隱藏層和輸出層間的權(quán)重為ωki，閾值為bj，可得輸出層計(jì)算公式：

最后，根據(jù)輸出層預(yù)測值Oj和實(shí)際期望結(jié)果Yj，可以計(jì)算出誤差項(xiàng)ej?；谔荻认陆捣ê颓髮?dǎo)的鏈?zhǔn)椒▌t不斷調(diào)整權(quán)重，使誤差項(xiàng)在反復(fù)訓(xùn)練和反向修正的過程中越來越小，縮小至預(yù)設(shè)閾值時(shí)停止學(xué)習(xí)。

根據(jù)模型結(jié)構(gòu)圖2，在給定學(xué)習(xí)效率和神經(jīng)元激活函數(shù)情況下，將輸入層和輸出層期望值數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)（BP）模型后，隱藏層神經(jīng)元個(gè)數(shù)h一般依據(jù)經(jīng)驗(yàn)公式“”來確定選擇范圍，再根據(jù)擬合優(yōu)度、收斂速度和輸出誤差不斷調(diào)整維數(shù)以實(shí)現(xiàn)模型最優(yōu)（馬恩濤等，2017）。經(jīng)過反復(fù)訓(xùn)練和擬合，最終可以得到輸出層數(shù)據(jù)（O1、O2、…、Om）。具體而言，后文將城投債的3大類22個(gè)指標(biāo)構(gòu)建的違約風(fēng)險(xiǎn)評(píng)價(jià)體系以及KMV模型測算得到的違約風(fēng)險(xiǎn)指數(shù)作為輸入和輸出序列，通過神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)與反向傳播縮小誤差以達(dá)到調(diào)整權(quán)重和閾值的目的。

（五）數(shù)據(jù)來源和樣本篩選

輸入層指標(biāo)的原始數(shù)據(jù)來源于Wind金融終端數(shù)據(jù)庫以及CEIC數(shù)據(jù)庫。輸出層期望值的原始數(shù)據(jù)均從Wind金融數(shù)據(jù)庫中獲取的，經(jīng)由KMV模型計(jì)算得出。經(jīng)過分析發(fā)現(xiàn)，2021年中國部分地區(qū)受疫情影響宏觀經(jīng)濟(jì)數(shù)據(jù)變動(dòng)異常，一方面考慮到模型的泛化能力，以2020年數(shù)據(jù)來預(yù)測發(fā)生異常波動(dòng)的2021年城投債現(xiàn)實(shí)表現(xiàn)更能體現(xiàn)模型的準(zhǔn)確性、兼容性和穩(wěn)定性；另一方面由于今后疫情對(duì)于中國經(jīng)濟(jì)數(shù)據(jù)的影響不再顯著，在綜合考慮數(shù)據(jù)時(shí)效性和代表性后本文選取2020年的城投債數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)來源。根據(jù)Wind數(shù)據(jù)統(tǒng)計(jì)，2020年末存續(xù)的城投債有17000余支，考慮數(shù)據(jù)可得性與模型適用性后，剔除空值及異常數(shù)據(jù)，共有6675只債券組成測試樣本，總體樣本規(guī)模在14萬條以上，滿足大樣本要求，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)警的效果較好。

（六）描述性分析及數(shù)據(jù)標(biāo)準(zhǔn)化處理

1.輸入層指標(biāo)

對(duì)城投債違約風(fēng)險(xiǎn)評(píng)價(jià)體系22個(gè)指標(biāo)的原始數(shù)據(jù)進(jìn)行描述性分析后可以發(fā)現(xiàn)，不同指標(biāo)的經(jīng)濟(jì)屬性不同，部分指標(biāo)的標(biāo)準(zhǔn)差也較大，不利于后續(xù)實(shí)證結(jié)果的有效輸出，因此需要消除量綱對(duì)模型可解釋性和客觀性的影響。

本文使用離差標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)xij進(jìn)行無量綱處理。變換函數(shù)見式（8）， xmax，j和xmin，j為第j項(xiàng)指標(biāo)的最大值和最小值，x*為線性變化后的指標(biāo)。計(jì)算公式為：

2.輸出層期望值

輸出層期望值即城投債違約風(fēng)險(xiǎn)指數(shù)，由KMV模型計(jì)算得出。參照國際警戒線以及洪源等（2012）的做法，本文對(duì)城投債違約風(fēng)險(xiǎn)指數(shù)進(jìn)行了分級(jí)（見表2），將違約風(fēng)險(xiǎn)指數(shù)在90%以上的城投債設(shè)為高風(fēng)險(xiǎn)債券，需要進(jìn)行高度預(yù)警；90%～60%的為中風(fēng)險(xiǎn)債券，進(jìn)行中度預(yù)警；60%以下的低風(fēng)險(xiǎn)債券則進(jìn)行輕度預(yù)警。

（七）BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練

分別將標(biāo)準(zhǔn)化處理后的違約風(fēng)險(xiǎn)評(píng)價(jià)體系指標(biāo)和城投債違約風(fēng)險(xiǎn)指數(shù)的數(shù)據(jù)導(dǎo)入作為預(yù)警模型的輸入層（X1、X2、X3、…、Xn）和輸出層期望值（Y1、Y2、…、Ym）。經(jīng)過反復(fù)試驗(yàn)后發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元h為10時(shí)，模型的輸出誤差低于可容忍誤差，收斂速度以及擬合效果最優(yōu)。因此，本文構(gòu)造了一個(gè)22×10×1的神經(jīng)網(wǎng)絡(luò)模型。

針對(duì)該神經(jīng)網(wǎng)絡(luò)模型，本文設(shè)置訓(xùn)練樣本為總樣本的70%，檢驗(yàn)樣本為30%，學(xué)習(xí)效率為0.01，可接受誤差項(xiàng)為0.001。在MATLAB軟件中迭代后，訓(xùn)練結(jié)果如圖3所示，訓(xùn)練誤差低于0.001，此時(shí)的訓(xùn)練樣本擬合優(yōu)度（Rtrain）為96.9%，檢驗(yàn)樣本擬合優(yōu)度（Rtest）為98.9%，準(zhǔn)確率保持在95%以上，說明神經(jīng)網(wǎng)絡(luò)（BP）模型的泛化能力可以較好地刻畫輸入指標(biāo)體系的統(tǒng)計(jì)特征，并且擁有較好的先導(dǎo)預(yù)警能力。

四、城投債違約風(fēng)險(xiǎn)預(yù)警模型運(yùn)用

（一）城投債違約風(fēng)險(xiǎn)關(guān)鍵影響因素識(shí)別

根據(jù)實(shí)證結(jié)果顯示（見表3），在BP神經(jīng)網(wǎng)絡(luò)模型中重要程度最高的影響維度是區(qū)域經(jīng)濟(jì)實(shí)力，較重要的前5項(xiàng)指標(biāo)分別是債務(wù)負(fù)擔(dān)率、應(yīng)收賬款/流動(dòng)資產(chǎn)、其他應(yīng)收/流動(dòng)資產(chǎn)、財(cái)政平衡數(shù)以及債務(wù)增長率。說明城投債的違約風(fēng)險(xiǎn)是否增長主要取決于該城投公司所處區(qū)域經(jīng)濟(jì)實(shí)力的變動(dòng)，其中債務(wù)負(fù)擔(dān)率、財(cái)政平衡數(shù)以及債務(wù)增長率影響最為顯著。此外，城投債的違約風(fēng)險(xiǎn)受發(fā)債主體資產(chǎn)流動(dòng)性的影響較大。

綜合而言，城投債的風(fēng)險(xiǎn)主要來源于地方財(cái)政償債能力的弱化，其次來源于發(fā)債主體資金的流動(dòng)性，而發(fā)債規(guī)模、票面利率等基本發(fā)行特征并非重要影響因素。其中，以地方財(cái)政債務(wù)規(guī)模以及發(fā)債公司應(yīng)收賬款兩方面對(duì)城投債違約風(fēng)險(xiǎn)影響最為嚴(yán)重。說明越是財(cái)政債務(wù)規(guī)模大的城市越容易發(fā)生城投債務(wù)違約，越是應(yīng)收賬款占比大的發(fā)債主體越可能發(fā)生債務(wù)風(fēng)險(xiǎn)。

（二）城投債的違約風(fēng)險(xiǎn)特征

結(jié)合運(yùn)用模型輸出結(jié)果及各城投債原始數(shù)據(jù)可以計(jì)算得到相應(yīng)數(shù)值以評(píng)估城投債各方面的特征表現(xiàn)，本文從維度特征、省份層次差異、同省份城市比較3個(gè)角度分別提煉出了我國城投債違約風(fēng)險(xiǎn)的特點(diǎn)。

1.維度特征

將BP神經(jīng)網(wǎng)絡(luò)輸出的權(quán)重與各債券指標(biāo)數(shù)據(jù)加權(quán)平均可得到違約風(fēng)險(xiǎn)各維度的得分，計(jì)算公式為：

其中，Cj表示違約風(fēng)險(xiǎn)維度得分，xij表示歸一化處理后的指標(biāo)數(shù)據(jù)，wi表示該指標(biāo)所對(duì)應(yīng)的權(quán)重。各維度的均值、最大值和最小值，以及各維得分與違約風(fēng)險(xiǎn)指數(shù)相關(guān)程度如表4所示。

3個(gè)維度中，區(qū)域經(jīng)濟(jì)實(shí)力與發(fā)行主體財(cái)務(wù)分析維度的得分與違約風(fēng)險(xiǎn)指數(shù)呈現(xiàn)正相關(guān)，發(fā)行特征維度呈現(xiàn)負(fù)相關(guān)。從表4中可以看出，區(qū)域經(jīng)濟(jì)實(shí)力維度與違約風(fēng)險(xiǎn)指數(shù)的相關(guān)程度很低（0.025），但它是城投債違約風(fēng)險(xiǎn)最為關(guān)鍵的影響維度（8.34）。結(jié)合以上兩方面結(jié)論可以得出，由于地區(qū)之間的違約風(fēng)險(xiǎn)具有傳導(dǎo)效應(yīng)，地方財(cái)政情況對(duì)城投債違約風(fēng)險(xiǎn)的沖擊雖然顯著但較為泛化，同一省份不同城市的城投債所面臨的地方財(cái)政風(fēng)險(xiǎn)是相似或者相同的，所以不同城投債在違約風(fēng)險(xiǎn)水平上的差異由其他維度主導(dǎo)。發(fā)行主體財(cái)務(wù)分析維度是第二關(guān)鍵影響因素（2.66），其重要程度不如區(qū)域經(jīng)濟(jì)實(shí)力，但相關(guān)系數(shù)最高（0.51）。發(fā)行主體財(cái)務(wù)分析維度主要衡量城投債發(fā)債公司的經(jīng)營狀況與財(cái)務(wù)風(fēng)險(xiǎn)，這意味著不同城投債在違約風(fēng)險(xiǎn)水平上的差異主要受該債券發(fā)行主體財(cái)務(wù)狀況的影響，尤其是在評(píng)價(jià)同一地區(qū)城投債違約風(fēng)險(xiǎn)時(shí)，發(fā)債公司的財(cái)務(wù)情況更具有參考價(jià)值。

而發(fā)行特征維度在指標(biāo)體系中重要程度最低（0.44），且與違約風(fēng)險(xiǎn)指數(shù)呈現(xiàn)一定負(fù)相關(guān)（-0.20）。該維度表現(xiàn)說明債券的發(fā)行規(guī)模越大、票面利率越高、發(fā)行期限越久，違約風(fēng)險(xiǎn)越低。深究其背后原因可歸結(jié)為3方面：從地方政府財(cái)政收入端看，城投債在受國家發(fā)展改革委審批時(shí)，被考察的第一項(xiàng)指標(biāo)為所在地區(qū)的財(cái)政收入，因此整個(gè)城投市場呈現(xiàn)出顯著的“馬太效應(yīng)”，即城投債發(fā)行規(guī)模越大的地區(qū)財(cái)政收入越高，募集資金越容易，違約風(fēng)險(xiǎn)相應(yīng)較低；從項(xiàng)目端來看，城投債發(fā)行期限越久，則與城投項(xiàng)目實(shí)際期限更加適配，避免了較大的流動(dòng)性風(fēng)險(xiǎn)；從投資者角度看，雖然大部分城投項(xiàng)目經(jīng)濟(jì)效益不高，但由于其承擔(dān)了推動(dòng)地區(qū)基礎(chǔ)設(shè)施建設(shè)的重任，本息的支付由地方政府補(bǔ)貼或者設(shè)法增收增信，同時(shí)受中央嚴(yán)格監(jiān)管，因此城投債票面利率高則城投項(xiàng)目經(jīng)濟(jì)效益好或者增收增信措施多，相應(yīng)地違約概率也就低。

2.省份層次差異

實(shí)證結(jié)果顯示，不同省份城投債券之間的違約風(fēng)險(xiǎn)水平差距較大。本文參考洪源等（2012）2的做法，并結(jié)合其他主流處理思路，以各省市違約風(fēng)險(xiǎn)指數(shù)差值的躍升來劃分層次（見圖4）。

北京、陜西、山西、湖北、甘肅5個(gè)省份屬于第一層次，城投債違約風(fēng)險(xiǎn)水平均分為60.52，違約概率最大，該層次省市違約風(fēng)險(xiǎn)事件頻繁發(fā)生。以第一層次中排名末尾的甘肅省為例，在融資環(huán)境收嚴(yán)的背景下，甘肅省地產(chǎn)降溫拖累地方財(cái)力以及城投平臺(tái)償債能力減弱，同時(shí)結(jié)合上半年城投債融資中“借新還舊”占比增加和凈融資同比減少可以總結(jié)得出，甘肅省城投平臺(tái)付息壓力較大且融資受阻，違約風(fēng)險(xiǎn)持續(xù)發(fā)酵，這導(dǎo)致城投利差大幅走闊，部分城市收益率迅猛增長。其他省市或已有違約風(fēng)險(xiǎn)事件發(fā)生，或處于高風(fēng)險(xiǎn)狀態(tài)，投資者需提高警惕。

第二層次由河南、山東、新疆、上海、天津、青海、云南、江蘇8個(gè)省市構(gòu)成，主要集中于東部（4個(gè)）以及西部（3個(gè)）地區(qū)，違約風(fēng)險(xiǎn)水平平均得分為56.31，與第一層次省市均分有一定差距，但仍有不少省市違約風(fēng)險(xiǎn)事件時(shí)有發(fā)生，隱性債務(wù)率較高，債務(wù)壓力較大。其中蘇、津等東部省市和青、云等西部在2022年前8個(gè)月商品房銷售額同比降幅均在30%以上，房地產(chǎn)行業(yè)持續(xù)走弱，進(jìn)而導(dǎo)致地方債務(wù)累積、土地財(cái)政惡化，進(jìn)一步加大了地方的債務(wù)壓力，引發(fā)區(qū)域城投債務(wù)風(fēng)險(xiǎn)預(yù)警。

其余省市歸屬于第三層次，平均得分為52.60，違約風(fēng)險(xiǎn)相對(duì)較低但仍需保持警惕。

3.同省份城市比較

進(jìn)一步觀察可以發(fā)現(xiàn)，同一省份不同城市的城投債違約風(fēng)險(xiǎn)水平存在顯著差異。以甘肅省為例（見圖5），蘭州市城投債違約風(fēng)險(xiǎn)水平居高（61.02），高于甘肅省平均值59.54，而天水市（54.62）、平?jīng)鍪校?2.49）和定西市（53.77）則低于平均值。但考慮到城投債違約對(duì)區(qū)域風(fēng)險(xiǎn)的影響以及地區(qū)財(cái)政狀況對(duì)城投債違約風(fēng)險(xiǎn)的沖擊，即使自身違約風(fēng)險(xiǎn)水平偏低，如果一城市發(fā)生風(fēng)險(xiǎn)事件，相關(guān)區(qū)域城投債的利差以及個(gè)券的收益率將會(huì)巨幅震蕩。例如，2022年8月底，蘭州城投市場出現(xiàn)資金流動(dòng)性緊張，7億元到期城投債延時(shí)兌付，出現(xiàn)技術(shù)性違約，導(dǎo)致蘭州相關(guān)區(qū)域利差大幅走闊，個(gè)券收益率一度上行超過900BP。

由此可見，同省份不同城市即便違約風(fēng)險(xiǎn)水平各異，但也應(yīng)以省市中最高違約概率的城市作為評(píng)價(jià)對(duì)象與衡量標(biāo)準(zhǔn)，起到更為準(zhǔn)確的區(qū)域債務(wù)風(fēng)險(xiǎn)預(yù)警效果。

（三）違約風(fēng)險(xiǎn)的異質(zhì)性分析

1.地理區(qū)位分化

通過上文分析可以發(fā)現(xiàn)，城投債區(qū)域發(fā)行分化程度高，省市間違約風(fēng)險(xiǎn)差異大。據(jù)此，本文將總樣本根據(jù)發(fā)行省市所屬地域，劃分為華北、華中、華東、華南、西北、西南、東北7個(gè)子樣本，基于各區(qū)域違約風(fēng)險(xiǎn)的最高值可以得到圖6?？梢园l(fā)現(xiàn)，華東（98.26）、華北（92.93）、西北（88.94）、西南（87.52）為全國城投債違約風(fēng)險(xiǎn)水平排名前四的地區(qū)。這種現(xiàn)象也進(jìn)一步驗(yàn)證了城投市場的“馬太效應(yīng)”。但相應(yīng)地，越是經(jīng)濟(jì)發(fā)達(dá)、財(cái)政充裕的城市承擔(dān)的債務(wù)規(guī)模也就越大，隨著城投債務(wù)規(guī)模的膨脹，潛在的違約風(fēng)險(xiǎn)水平也不可避免地累積。

具體來看，華東、華北地域區(qū)域經(jīng)濟(jì)實(shí)力維度的得分相對(duì)較低，但發(fā)行主體財(cái)務(wù)分析維度得分高企（見圖7）。這種表現(xiàn)與上文結(jié)論一致，華東、華北地域經(jīng)濟(jì)與財(cái)政實(shí)力雄厚，城投平臺(tái)發(fā)債融資的便利性提高，但各發(fā)行主體財(cái)務(wù)狀況也隨著債務(wù)規(guī)模的擴(kuò)大而惡化（華東：7.59，華北：8.10），高于整體樣本水平，財(cái)務(wù)經(jīng)營的潛在風(fēng)險(xiǎn)巨大。同時(shí)，這也進(jìn)一步證明了發(fā)債公司的財(cái)務(wù)情況在評(píng)價(jià)城投債違約風(fēng)險(xiǎn)水平時(shí)更具參考意義。西北、西南地域則在發(fā)行主體財(cái)務(wù)狀況堪憂的同時(shí)，自身區(qū)域經(jīng)濟(jì)實(shí)力較弱（西北：70.59，西南：71.11），兩方面因素疊加影響下，該區(qū)域城投債違約風(fēng)險(xiǎn)水平高企。以上表現(xiàn)均會(huì)牽連整個(gè)區(qū)域的城投市場，導(dǎo)致城投債違約風(fēng)險(xiǎn)水平提高，投資者所面臨風(fēng)險(xiǎn)敞口加大。

2.發(fā)行主體所屬行業(yè)分化

將樣本以發(fā)行主體所屬行業(yè)類別劃分為工業(yè)、能源、房地產(chǎn)、材料、公用事業(yè)、可選消費(fèi)、金融、信息技術(shù)、醫(yī)療保健、日常消費(fèi)10個(gè)領(lǐng)域。其中，工業(yè)與能源行業(yè)的城投債違約風(fēng)險(xiǎn)穩(wěn)居前列，分別為98.26和92.93，其次為房地產(chǎn)行業(yè)（88.29）。城投債的設(shè)立初衷就是作為地方財(cái)政的補(bǔ)充，同時(shí)也承擔(dān)了一定救市的職責(zé)。具體而言，工業(yè)在疫情防控措施下供應(yīng)鏈?zhǔn)茏瑁B加物流等成本高企，工業(yè)生產(chǎn)經(jīng)營活動(dòng)受到深度抑制，工業(yè)經(jīng)濟(jì)全面收縮，2020年2月增加值同比下降25.9%，為1990年以來單月最大跌幅。隨著疫情好轉(zhuǎn)企業(yè)復(fù)產(chǎn)復(fù)工，在前值較低的情況下工業(yè)生產(chǎn)5、6月份向上修復(fù)但仍偏弱。能源行業(yè)在供給側(cè)與需求側(cè)在2020年年初同樣同比下行，5、6月份增速有所改善。

而在當(dāng)前經(jīng)濟(jì)下行，房地產(chǎn)市場寒冬期的背景下，越來越多的省市開啟城投救市行動(dòng)，將房地產(chǎn)領(lǐng)域的風(fēng)險(xiǎn)轉(zhuǎn)嫁給城投平臺(tái)，城投債務(wù)巨量風(fēng)險(xiǎn)積聚。2020年上半年，308家城投公司的債券中有145家出現(xiàn)價(jià)格異動(dòng)，這些風(fēng)險(xiǎn)最終都將由投資者承擔(dān)。房地產(chǎn)行業(yè)城投公司高企的違約風(fēng)險(xiǎn)水平也充分驗(yàn)證了這一結(jié)論。

因此，不同行業(yè)的發(fā)行主體會(huì)對(duì)城投債違約風(fēng)險(xiǎn)產(chǎn)生異質(zhì)性影響。

4. 實(shí)證結(jié)論

本文基于KMV模型和神經(jīng)網(wǎng)絡(luò)（BP）方法，以區(qū)域經(jīng)濟(jì)實(shí)力、發(fā)行主體財(cái)務(wù)分析和發(fā)行特征3個(gè)維度22個(gè)指標(biāo)構(gòu)建城投債違約風(fēng)險(xiǎn)評(píng)價(jià)體系，測算出違約風(fēng)險(xiǎn)指數(shù)和各維度權(quán)重，得出以下結(jié)論：

第一，債務(wù)負(fù)擔(dān)率、財(cái)政平衡數(shù)、債務(wù)增長率以及發(fā)債主體資產(chǎn)流動(dòng)性是城投債違約風(fēng)險(xiǎn)的關(guān)鍵影響因素。城投債的風(fēng)險(xiǎn)主要源于地方財(cái)政實(shí)力走弱，其次來源于發(fā)債主體流動(dòng)性縮緊。發(fā)行主體財(cái)務(wù)分析維度特征得分與違約風(fēng)險(xiǎn)指數(shù)呈現(xiàn)顯著正相關(guān)，區(qū)域經(jīng)濟(jì)實(shí)力與發(fā)行特征維度相關(guān)度相對(duì)較弱。

第二， 根據(jù)違約風(fēng)險(xiǎn)指數(shù)可將26個(gè)城投債發(fā)債省市分為三個(gè)層次：北京、陜西、山西、湖北、甘肅5個(gè)省份屬于第一層次，違約風(fēng)險(xiǎn)水平居高，或已有違約風(fēng)險(xiǎn)事件發(fā)生，或處于高風(fēng)險(xiǎn)狀態(tài)。其他兩個(gè)層次的省市也因地方債務(wù)壓力加大或者其他風(fēng)險(xiǎn)事件影響，引發(fā)區(qū)域城投債務(wù)風(fēng)險(xiǎn)預(yù)警。同時(shí)，同省份不同城市的城投債違約風(fēng)險(xiǎn)水平因區(qū)域風(fēng)險(xiǎn)沖擊而趨同。

第三，不同地理區(qū)位和發(fā)行主體所屬行業(yè)的城投債表現(xiàn)具有顯著差異。華東、華北地區(qū)違約風(fēng)險(xiǎn)水平因發(fā)行主體財(cái)務(wù)狀況惡化而高企，西北、西南地區(qū)還疊加區(qū)域經(jīng)濟(jì)實(shí)力較弱的影響。工業(yè)、能源、房地產(chǎn)行業(yè)發(fā)行的城投債在宏觀經(jīng)濟(jì)下行與經(jīng)營活動(dòng)收縮的背景下，巨量違約風(fēng)險(xiǎn)累積，投資者面臨的風(fēng)險(xiǎn)敞口加大。

五、警效果及應(yīng)用

神經(jīng)網(wǎng)絡(luò)模型所報(bào)警的高違約風(fēng)險(xiǎn)城投債在影響維度、地理區(qū)位、發(fā)行主體所屬行業(yè)方面均有其顯著特征（見表5）。為更好地顯示預(yù)警效果并為投資者提供建議，本文根據(jù)模型預(yù)警的5支高風(fēng)險(xiǎn)債券在資本市場上的表現(xiàn)，生成違約風(fēng)險(xiǎn)特征表，用以展現(xiàn)實(shí)證結(jié)論的應(yīng)用價(jià)值。

從各維度的表現(xiàn)來看，“19浙建01”和“20浙建Y1”這2只債券的發(fā)行主體隸屬華東區(qū)域，違約風(fēng)險(xiǎn)水平在所有區(qū)位中排名第一，為高風(fēng)險(xiǎn)地區(qū)；發(fā)行所屬行業(yè)為工業(yè)，行業(yè)違約風(fēng)險(xiǎn)最高。從其影響因子得分來看，發(fā)行主體自身財(cái)務(wù)風(fēng)險(xiǎn)高于整體水平超60%，最終違約風(fēng)險(xiǎn)水平得分為91.07，屬于高風(fēng)險(xiǎn)債券。

“PR象山01”同樣隸屬于華東地區(qū)，發(fā)行主體為工業(yè)領(lǐng)域企業(yè)，違約風(fēng)險(xiǎn)水平均位于前列。其發(fā)行主體財(cái)務(wù)分析因子得分高于均值31.54%，表明城投平臺(tái)的財(cái)務(wù)風(fēng)險(xiǎn)較高，發(fā)行特征維度風(fēng)險(xiǎn)也超整體水平約35%，整體違約風(fēng)險(xiǎn)指數(shù)96.75，位于高風(fēng)險(xiǎn)債券行列。

“19晉天然氣MTN001”和“17晉然債”從違約風(fēng)險(xiǎn)的分化角度來看，其發(fā)行主體隸屬于華北地區(qū)，違約風(fēng)險(xiǎn)水平位列全國區(qū)域排名第二，為高風(fēng)險(xiǎn)地區(qū)；發(fā)行主體所屬行業(yè)為能源板塊，行業(yè)違約風(fēng)險(xiǎn)僅次于工業(yè)，整體違約風(fēng)險(xiǎn)較高。

通過Choice數(shù)據(jù)庫中獲取的城投債交易異常次數(shù)以及中債估價(jià)表現(xiàn)可以觀察到（見圖9、10），2021年5支預(yù)警債券均出現(xiàn)了風(fēng)險(xiǎn)事件，紅框所示為出現(xiàn)估價(jià)波動(dòng)的異常時(shí)段，且中債估價(jià)收益率變動(dòng)幅度較大。

“19浙建01”的2021年個(gè)券異常交易占比峰值為60.42%，全年保持在54%以上，僅12月總交易異常次數(shù)19.20次，根據(jù)中債估價(jià)數(shù)據(jù)反映自2021年5月起，估價(jià)收益率波動(dòng)下降，從5月8日的5.21%降至12月31日的4.28%，波動(dòng)幅度-17.85%?！?0浙建Y1”在2021年個(gè)券異常交易占比峰值為76%（9、10、11月），其余月份均保持在70%左右，中債估價(jià)數(shù)據(jù)顯示從2021年2月至7月，債券估價(jià)收益率由最高的5.79降低至5.16，波動(dòng)率-10.88%。

“PR象山01”作為唯一一只私募債，在2021年12月個(gè)券異常交易占比峰值43.33%，全年數(shù)值保持在35%以上，中債估價(jià)數(shù)據(jù)顯示債券估價(jià)收益率在2021年2月18日至19日一天內(nèi)從7.89%上漲至8.44%，日波動(dòng)率6.97%。

“19晉天然氣MTN001”（92.93）和“17晉然債”（92.26）均由山西天然氣發(fā)行。其中，“19晉天然氣MTN001”個(gè)券異常交易占比從年中開始攀升，后穩(wěn)定在17%，峰值為18.09%，債券估價(jià)收益率全年波動(dòng)幅度較大，最大值4.68%（2021年4月8日），最小值3.85%（2021年12月31日），整體波動(dòng)幅度21.66%?！?7晉然債”個(gè)券異常交易占比全年在23%上下徘徊，債券估價(jià)收益率同樣全年波動(dòng)較大，6月15日前波段上漲至4.75%，后持續(xù)下跌至3.87%，整體波動(dòng)幅度22.74%。

通過分析預(yù)警債券的市場表現(xiàn)可以發(fā)現(xiàn)，5只高風(fēng)險(xiǎn)債券在2021年均出現(xiàn)了個(gè)券異常交易及債券估價(jià)收益率較大幅度的波動(dòng)，發(fā)生了風(fēng)險(xiǎn)事件，憑此可以證實(shí)城投債違約風(fēng)險(xiǎn)模型對(duì)此類情況具有較好的預(yù)警效果，能夠通過T年數(shù)據(jù)預(yù)測T+1年城投債的整體違約風(fēng)險(xiǎn)水平，對(duì)高風(fēng)險(xiǎn)債券提前發(fā)出預(yù)警信號(hào)。這對(duì)于投資者來說可以減小風(fēng)險(xiǎn)敞口，規(guī)避風(fēng)險(xiǎn)損失，保護(hù)資產(chǎn)安全。

六、城投債風(fēng)險(xiǎn)管控策略及防范建議

（一）基于風(fēng)險(xiǎn)預(yù)警的風(fēng)險(xiǎn)管控策略

在技術(shù)上構(gòu)建城投債違約風(fēng)險(xiǎn)預(yù)警模型對(duì)于風(fēng)險(xiǎn)識(shí)別與防范具有重要意義，但從實(shí)證結(jié)果的可應(yīng)用性和風(fēng)險(xiǎn)預(yù)警的高效性角度出發(fā)，進(jìn)一步設(shè)計(jì)城投債違約風(fēng)險(xiǎn)管控的基本實(shí)踐流程，亦具有同等重要性。

依據(jù)風(fēng)險(xiǎn)管理的基本程序，本文風(fēng)險(xiǎn)預(yù)警流程包括前期相關(guān)數(shù)據(jù)收集整理、風(fēng)險(xiǎn)水平測度、預(yù)警結(jié)果分析、風(fēng)險(xiǎn)管控策略選擇等。為方便應(yīng)用于現(xiàn)實(shí)環(huán)境，本文將具體流程標(biāo)準(zhǔn)化為“原始數(shù)據(jù)收集→數(shù)據(jù)清洗與預(yù)處理→風(fēng)險(xiǎn)識(shí)別→風(fēng)險(xiǎn)測度→風(fēng)險(xiǎn)預(yù)警→預(yù)警信號(hào)→風(fēng)險(xiǎn)應(yīng)對(duì)→動(dòng)態(tài)監(jiān)測”，各環(huán)節(jié)逐一落實(shí)，形成有效的風(fēng)險(xiǎn)預(yù)警系統(tǒng)。風(fēng)險(xiǎn)測度與預(yù)警作為風(fēng)險(xiǎn)預(yù)警流程的核心環(huán)節(jié)，需要基于區(qū)域經(jīng)濟(jì)實(shí)力、地方財(cái)政償債能力、發(fā)行平臺(tái)財(cái)務(wù)狀況、發(fā)債信息等各維度原始數(shù)據(jù)，通過本文構(gòu)建的城投債違約風(fēng)險(xiǎn)預(yù)警模型將城投債劃分為高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)三種級(jí)別，并分別采取合適的風(fēng)險(xiǎn)管控策略有效防范和化解城投債違約風(fēng)險(xiǎn)。

（二）防范化解城投債違約風(fēng)險(xiǎn)的建議

1.投資者建立有效的風(fēng)險(xiǎn)預(yù)警機(jī)制

基于實(shí)證分析結(jié)論，本文針對(duì)如何使用預(yù)警模型為城投債投資方提出以下幾點(diǎn)建議：首先，建立有效風(fēng)險(xiǎn)預(yù)警機(jī)制，使用T年數(shù)據(jù)預(yù)測T+1年城投債整體違約風(fēng)險(xiǎn)水平，合理選擇可接受的風(fēng)險(xiǎn)區(qū)間；其次，使用城投債違約風(fēng)險(xiǎn)特征表，多維度解析違約風(fēng)險(xiǎn)形成的原因，便于投資標(biāo)的選擇以及相關(guān)的投資分析；依據(jù)自身風(fēng)險(xiǎn)承受能力，結(jié)合債券整體風(fēng)險(xiǎn)水平及多維度特征，選擇符合條件的城投債納入投資范圍，有效控制債券違約及違約后可能遭受的損失；最后，持續(xù)更新城投債數(shù)據(jù)庫，調(diào)整模型參數(shù)設(shè)置，最大化運(yùn)用機(jī)器學(xué)習(xí)優(yōu)勢，使預(yù)測更加精準(zhǔn)，有效縮小風(fēng)險(xiǎn)敞口。

2.融資平臺(tái)選擇合適的輿情解決路徑

參考本文有關(guān)同省份不同城市城投債違約風(fēng)險(xiǎn)水平趨同的結(jié)論以及城投債券的公開性，負(fù)面輿情的發(fā)生在一定程度上對(duì)所在省份的融資平臺(tái)具有廣泛的負(fù)面影響，涉及城投債申報(bào)、發(fā)行和二級(jí)市場價(jià)格等諸多方面，因此各融資平臺(tái)需嚴(yán)格控制債務(wù)情況，實(shí)現(xiàn)債務(wù)規(guī)模的可持續(xù)增長。

此外，負(fù)面輿情發(fā)生后的處理方案也需得到市場認(rèn)可。結(jié)合目前各區(qū)域?qū)嵺`情況來看主要可分為2種解決路徑：云南康旅通過協(xié)調(diào)資源提前兌付債券的形式退出債券市場，確保區(qū)域內(nèi)其他主體債務(wù)順利運(yùn)行；貴州省遵義市則通過銀行貸款的展期重組來降低融資成本、拉長債券期限，緩解短期還本付息壓力，保障公開債券順利存續(xù)。各融資平臺(tái)可依據(jù)區(qū)域內(nèi)風(fēng)險(xiǎn)主體存量債券的規(guī)模大小選擇合適的處理方案，將負(fù)面影響控制在最小范圍內(nèi)。

3.監(jiān)管方實(shí)施針對(duì)性風(fēng)險(xiǎn)管控措施

對(duì)于監(jiān)管方如何管控各省市城投平臺(tái)，本文基于城投債違約風(fēng)險(xiǎn)預(yù)警模型的輸出結(jié)果給出以下幾點(diǎn)建議：

從債券違約風(fēng)險(xiǎn)維度看，對(duì)于中高風(fēng)險(xiǎn)水平的債券應(yīng)嚴(yán)加監(jiān)管，關(guān)注債券交易異常次數(shù)及違約風(fēng)險(xiǎn)事件，以防范違約的實(shí)際發(fā)生，同時(shí)根據(jù)風(fēng)險(xiǎn)類別、特征進(jìn)行多維度評(píng)估，選取合適的風(fēng)險(xiǎn)管理策略并實(shí)施動(dòng)態(tài)監(jiān)控、反饋和調(diào)整，牢牢守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)的底線；對(duì)于低風(fēng)險(xiǎn)債券應(yīng)定期盤點(diǎn)，關(guān)注部分債券或個(gè)別區(qū)域違約風(fēng)險(xiǎn)水平的異常波動(dòng)，采取有效預(yù)防措施，降低風(fēng)險(xiǎn)暴露的潛在可能。

從地理維度看，對(duì)于高風(fēng)險(xiǎn)區(qū)域，監(jiān)管方可以依據(jù)區(qū)域內(nèi)風(fēng)險(xiǎn)主體存量規(guī)模的大小來選擇合適的化解方法，保證區(qū)域內(nèi)其他主體債務(wù)的順利發(fā)行。對(duì)其中一些市場整體認(rèn)可度較高的區(qū)域，由于風(fēng)險(xiǎn)主要集中在區(qū)域內(nèi)尾部城投，監(jiān)管方可以考慮通過重組合并的方式減少平臺(tái)數(shù)量、控制城投債務(wù)增速及融資成本，更好地實(shí)現(xiàn)風(fēng)險(xiǎn)管控。

從發(fā)行主體所屬行業(yè)來看，監(jiān)管方也可以通過整合來明確各城投平臺(tái)的定位，劃分各平臺(tái)的業(yè)務(wù)職能，對(duì)不同業(yè)務(wù)類別的平臺(tái)實(shí)施相應(yīng)的管控措施，增強(qiáng)平臺(tái)造血能力。

參考文獻(xiàn)：

[1]Ang.A， Bai.J， Zhou.H.The Great Wall of Debt： Real Estate， Political Risk， and Chinese Local Government Financing Cost[J].SSRN Working Paper.2019.

[2]Dawood.M， Horsewood.N， Strobel.F. Predicting sovereign debt crises： an early warning system approach[J]. Journal of Financial Stability.2016， 16-28.

[3]Feng.L， Egon.K， Stefan.T. Assessing Sovereign Default Risk： A Bottom-up Approach[J].Economic Modelling.2018， 525-542.

[4]Katarína.V， Petra.G， Viktor.D.Assessing Credit Risk by Moody′s KMV Model[C].Information Engineering Research Institute. 2014， 48-52.

[5]Li.X， Wang.J， Yang.C. Risk Prediction in Financial Management of Listed Companies Based on Optimized BP Neural Network Under Digital Economy[J]. Neural Computing & Applications.2023， 2045-2058.

[6]Su.W. Distance to Default Based on the CEV-KMV Model[J]. The Journal of Risk.2022， 45-60.

[7]Ying.L， Da.W， Hui.Z. Research on Modeling of Government Debt Risk Comprehensive Evaluation Based on Multidimensional Data Mining[J]. Soft Computing： A Fusion of Foundations， Methodologies and Applications.2022， 7493-7500.

[8]范德勝，邵興宇，羅英丹.我國城投債信用風(fēng)險(xiǎn)研究：動(dòng)態(tài)演化與區(qū)域特征[J].重慶社會(huì)科學(xué)，2022，（01）：81-95.

[9]何德旭，王學(xué)凱.地方政府債務(wù)違約風(fēng)險(xiǎn)降低了嗎？——基于31個(gè)省區(qū)市的研究[J].財(cái)政研究，2020，（02）：9-26.

[10]洪源，胡爭榮.償債能力與地方政府債務(wù)違約風(fēng)險(xiǎn)——基于KMV修正模型的實(shí)證研究[J].財(cái)貿(mào)經(jīng)濟(jì)，2018，39（05）：21-37.

[11]洪源，劉興琳.地方政府債務(wù)風(fēng)險(xiǎn)非線性仿真預(yù)警系統(tǒng)的構(gòu)建——基于粗糙集-BP神經(jīng)網(wǎng)絡(luò)方法集成的研究[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào).2012，34（03）：1-10.

[12]洪源，王群群，蘇知立.地方政府債務(wù)風(fēng)險(xiǎn)非線性先導(dǎo)預(yù)警系統(tǒng)的構(gòu)建與應(yīng)用研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2018，35（06）：95-113.

[13]李斌，郭劍橋，何萬里.一種新的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)設(shè)計(jì)與應(yīng)用[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2016，33（12）：96-112.

[14]李春玲，郭靖冉.地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型研究——基于灰色BP神經(jīng)網(wǎng)絡(luò)視角[J].財(cái)會(huì)通訊. 2016，（26）：108-111.

[15]李麗珍.地方政府或有隱性債務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)構(gòu)建與應(yīng)用研究——基于BP神經(jīng)網(wǎng)絡(luò)分析法[J].財(cái)經(jīng)論叢，2021，（03）：14-25.

[16]李爽.地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建及應(yīng)用探析[J].會(huì)計(jì)之友，2019，（16）：47-53.

[17]劉驊，盧亞娟.地方政府融資平臺(tái)債務(wù)風(fēng)險(xiǎn)預(yù)警模型與實(shí)證研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2014，（08）：63-69.

[18]呂函枰，馬恩濤.我國地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)研究[J].東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2017，（06）：59-65.

[19]馬恩濤，呂函枰.基于GM-BP神經(jīng)網(wǎng)絡(luò)的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)研究——以2015年重慶市38區(qū)縣樣本數(shù)據(jù)為例[J].山東財(cái)經(jīng)大學(xué)學(xué)報(bào)，2017，29（02）：96-106.

[20]錢瑋.城投債信用風(fēng)險(xiǎn)識(shí)別與防范研究[J].債券，2022，（01）：49-54.

[21]邱志剛，王子悅，王卓.地方政府債務(wù)置換與新增隱性債務(wù)——基于城投債發(fā)行規(guī)模與定價(jià)的分析[J].中國工業(yè)經(jīng)濟(jì)，2022，（04）：42-60.

[22]蘇振興，扈文秀，夏元婷.基于機(jī)器學(xué)習(xí)的地方政府隱性債務(wù)風(fēng)險(xiǎn)先導(dǎo)預(yù)警模型[J].統(tǒng)計(jì)與決策，2022，38（07）：20-25.

[23]王勝威，孟翠蓮.東北三省地方政府債務(wù)違約風(fēng)險(xiǎn)實(shí)證分析——基于KMV模型[J].經(jīng)濟(jì)研究參考，2017，（44）：40-49.

[24]王未卿，肖勇貴，李霞.基于隨機(jī)森林回歸模型的城投債信用利差影響因素研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2020，50（12）：311-320.

[25]夏詩園. 基于KMV模型的地方政府債務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].金融評(píng)論，2019，11（04）：114-123.

[26]張海星，靳偉鳳.地方政府債券信用風(fēng)險(xiǎn)測度與安全發(fā)債規(guī)模研究——基于KMV模型的十省市樣本分析[J].宏觀經(jīng)濟(jì)研究，2016，（05）：48-60.