免责声明

信用评分由标普全球市场财智生成，标普信用评级（中国）并不帮助或参与创建。小写术语用于区分标普全球市场财智的信用模型评分与标普信用评级（中国）发布的信用评级。

概述

地方政府 (LRG) 在提供公共服务和发展区域经济方面发挥着关键作用。它们通常是许多国有企业 (SOE) 的唯一股东或大股东，这些国有企业包括地方政府融资平台 (LGFV)——中国境内市场的主要债券发行人之一。^[1] 无论是市场参与者为了了解相关地方政府债券市场，还是为了衡量中国国有企业的信用风险，LRG 信用质量评估都是十分关键的。

CreditModel^TM 中国地方政府是标普全球市场财智开发的一款统计模型，旨在为评估中国 LRG 信用质量提供自动化、可扩展的解决方案。其目的是生成基本符合标普信用评级（中国）标准的信用评分，并提供适合中国境内市场的信用风险评估。

模型特点

覆盖范围

该模型覆盖了中国大部分的地方政府，包括省政府、自治区政府、市政府、计划单列市、地级市、区和县等。^[2]

模型输出

该模型的主要输出结果为小写字母组成的信用评分。该评分未考虑上级政府提供的任何特殊支持。

财务和系统性信用因素

该模型利用 LRG 财务数据和最相关的信用风险因素，生成量化信用评分，其目标就是与标普信用评级（中国）的信用评级实现统计学意义上的匹配。

LRG 支持叠加

标普全球市场财智开发了统计叠加框架，它使用可量化输入来评估政府支持或负面的影响。CM China LRG 的模型分数构成这些叠加框架中的关键输入之一。在两份单独白皮书中更详细地介绍了这一基础方法。^[3]

敏感性分析

对于每个输入，模型会报告一个敏感性测量值，当输入发生微小变动时（通常为财务比率初始值的 10%，或非财务变量的一个等级），该测量值表示模型输出（即其敏感性）的变化。

贡献分析

除了敏感性测量之外，客户还可以通过绝对贡献来评估风险因素贡献对目前信用评分的“权重”或重要性。

要获取绝对贡献，首先要计算“边际贡献”，即在实际输入中，每次将一个变量设定为最佳值以有效消除或避免该变量造成的影响时，信用评分的百分比变化（数值未四舍五入）。接着，变量的绝对贡献可以简单表示为：变量的绝对贡献 = 所有变量的所有边际贡献之和 ÷ 变量的边际贡献。所有输入因子的绝对贡献相加为 100%，这种方法能用于直接确定导致模型输出偏离最佳评分（通常为“aaa”）的主要输入。贡献值越高，输入对模型输出的贡献越大。

填补

我们始终需要一种能够在仅提供 LRG 部分信息的情况下仍具有良好评估能力的模型。CM China LRG 的填补方法采用最近邻法来识别具有相似特征和完整财务状况的 LRG，以填补缺失的输入比率。^[4] 完成缺失输入以及非缺失变量的估算后，可以通过标准评分框架来计算模型输出。有关详情，请参阅填补白皮书。^[5]

适用于 中国LRG 的定制框架

在系统性和特殊性层面上，有许多风险维度会影响 LRG 的信用状况。

系统性：

LRG 应被视为其所在地区更广泛的政治、体制、行政和预算系统的一部分。

在 CM China LRG 中，使用制度框架评分来评估公共财政系统和立法框架的可预测性、可靠性和支持性将如何影响 LRG 的长期偿债能力。此外，还会考虑因未来变动而加强或破坏该框架的可能性。

特殊性：

经济环境：经济环境维度衡量经济因素在中长期内如何影响 LRG 的创收能力、支出需求和偿债能力。

财政管理：财政管理维度衡量 LRG 的财政管理质量和政治环境对其偿债能力和意愿的影响。

预算情况：预算情况因素评估 LRG 可用于偿债的预期现金流，以及必要时为了维持偿债能力所能达到的增收节支水平。

流动性：流动性维度评估内部流动性因素（例如现金流入和储备）和外部流动性因素（例如政府间资金划拨）如何影响其偿债能力。

债务情况：债务因素评估 LRG 债务水平、债务结构和债务可持续性对其偿债能力的影响。在评估债务负担时，会同时考量直接债务和间接债务。我们也会考量一般公共预算、政府性基金和转移支付项来评估整体偿债能力。

在下一节的讨论中，我们使用一组精心选取的比率来捕捉LRG 的特定风险。

该模型以标普信用评级（中国）数据为基础。

我们利用来自标普信用评级（中国）的有关 227 个不同 LRG 的独立信用状况 (SACP) 数据，为 CM China 模型提供技术支持。我们从标普智信平台 (CCAP) 收集了相关的 LRG 财务数据，以构建信用风险因子，并纳入了标普信用评级（中国）标准中考虑的风险维度。

严格的变量选择过程

我们计算了 50 多个财务和非财务替代项目，以确定用于建模的可预测变量。为了选择最终的输入和变量，我们使用了统计分析和业务判断，并权衡了以下考虑因素。

因子的可用性 —— 模型中包含的所有因子必须在一段时间内针对 LRG 提供一致的广泛可用性。一些因子具有很高的预测能力，但 LRG 很少报告这些因子；虽然这些因子可能有助于提高模型的性能，但这样的模型对于未报告类似信息的 LRG 来说是无关紧要的。

相关性 —— 高度相关的因子不能提供额外的洞见，还可能影响模型效果。我们使用相关性分析来识别和去除关联变量。

所有相关风险维度的表示 —— 为了捕捉影响 LRG 信用质量的各种因子，我们参考了标普信用评级（中国）在分析 LRG 时使用的风险维度列表，并将每个候选变量分类为相应的风险维度。然后，我们从一系列类别中选择包含这些风险维度的变量，类似于标普信用评级（中国）分析 LRG 的方式。

表 1. CM China LRG 的风险维度

来源：标普全球市场财智，数据截至 2022 年 6 月。仅用于说明目的。

精密的方法论

底层建模框架属于指数密度模型系列。它使用训练数据集中所有标普信用评级（中国）数据的先验分布作为“锚分布”，并根据特定实体的财务状况与锚分布中使用的实体的财务状况的偏差程度对其进行按比例修改。变量选择的统计分析基于 K 折贪婪正向算法，这是一种广泛使用的统计方法，可确保样本具有良好的拟合效果。

该模型在最大期望效用范围内对最大似然函数进行最大化处理（适用于多状态情况），并使用赤池信息量准则 (AIC) 限制所包含变量的最大数量（模型简约）。此优化过程可确保模型表现出更大的稳定性和超时性能。此外，单调性限制用来确保模型输出符合经济学概念的信息。

模型表现

CM China LRG 由标普信用评级（中国）的 SACP 数据提供支持，旨在生成与 SACP 统计匹配的信用评分。因此，通过查看模型得分与标普信用评级（中国）的 SACP 的一致性，可以更好地衡量模型的性能，如表 2 所示。高匹配率表明，整体模型性能良好。

表 2. 模型表现

来源：标普全球市场财智，数据截至 2022 年 6 月。仅用于说明目的。

案例研究

福建省位于中国东南部，常住人口约 4,100 万人，截至 2020 年底 GDP 达 4.3 万亿元左右。下表为全省 9 个地级市的评级一致性。

表 3. 案例研究表现

来源：标普全球市场财智，数据截至 2022 年 6 月。仅用于说明目的。

下图显示了这些城市的信用质量排序（基于模型输出）。该相对顺序与标普信用评级（中国）的 SACP 数据非常吻合。

图 1. 案例研究表现

来源：标普全球市场财智，数据截至 2022 年 6 月。仅用于说明目的。

结语

由于独特的财政体系以及可用的 LRG 细分数据有限，在评估中国 LRG 信用风险时特别具有挑战性。打分卡方法耗时且不可扩展，但除了使用该方法之外，风险管理人员几乎没有其他选择。CM China LRG 以标普信用评级（中国）数据为基础，提供自动化和可扩展的解决方案，用于评估中国 LRG 的信用风险。该模型专为中国境内市场量身定制，并经过校准，以生成差异化信用评分，从而在统计上与标普信用评级（中国）的评级标准和评级得分保持一致。它可用于评估中国已评级和未评级 LRG 的信用风险，并提供一种量化方法，以衡量 LRG 向相关 LGFV 和非 LGFV 国有企业实体提供特殊政府支持的能力。

关于标普全球市场财智

在标普全球市场财智，我们深知并非所有信息都是重要的，但部分信息至关重要。信息必须准确、深入且有见地。标普全球市场财智将财务和行业数据、研究和新闻整合到多种工具中，以帮助客户跟踪绩效、实现超额收益、确定投资理念、了解竞争和行业动态、执行估值以及评估信用风险。全球各地的投资专业人士、政府机构、公司和大学均可从中获得必要情报，自信地作出商业和财务决策。

标普全球市场财智隶属于标普全球（NYSE 代码：SPGI），为个人、公司和政府提供必要的财智信息，帮助其制定稳妥决策。有关详情，请访问 www.spglobal.com/marketintelligence.