發(fā)布時(shí)間：2018-03-27 13:59

  本文選題：城投債　切入點(diǎn)：信用風(fēng)險(xiǎn)　出處：《北京外國(guó)語(yǔ)大學(xué)》2017年碩士論文

【摘要】：隨著城市化進(jìn)程加快,城投債作為地方政府基建項(xiàng)目的籌資工具應(yīng)運(yùn)而生,近幾年發(fā)展速度迅猛,同時(shí)也因?yàn)檎箅y分飽受爭(zhēng)議。2015年新《預(yù)算法》實(shí)施,地方政府可以自行發(fā)行地方政府債,城投債前景未定,地方政府負(fù)有償還責(zé)任的城投債面臨被全部置換的可能,置換進(jìn)度尚不確定。雖然中國(guó)城投債市場(chǎng)到目前為止尚未出現(xiàn)一例實(shí)質(zhì)性違約,一些違約征兆也將潛藏在市場(chǎng)背后的危機(jī)展現(xiàn)在投資者面前。城投債作為當(dāng)前深受投資者追捧的金融產(chǎn)品,信用風(fēng)險(xiǎn)突出,亟待量化。目前從整體上看,我國(guó)大陸31個(gè)省、自治區(qū)及直轄市均已發(fā)行過(guò)城投債。以省級(jí)政府為城投債信用風(fēng)險(xiǎn)的研究對(duì)象簡(jiǎn)單且意義深刻。截至2017年2月底,各地方政府共有未到期城投債6039只,總金額6.16萬(wàn)億元。從歷年的發(fā)行規(guī)模來(lái)看,2009年城投債進(jìn)入發(fā)展的井噴期,2013年突破萬(wàn)億大關(guān),2015年受新政策影響同比略有下降,2016年重返高位。從當(dāng)前債券余額規(guī)模,各省級(jí)政府城投債負(fù)債率,城投債修正債務(wù)率等指標(biāo)來(lái)看,江蘇省有未到期城投債1249只,總金額1.02萬(wàn)億元,兩項(xiàng)指標(biāo)均居各地方政府首位,西藏自治區(qū)2015年首次發(fā)行城投債,目前有未到期城投債1只,總金額9億元,債務(wù)最輕。經(jīng)過(guò)計(jì)算,城投債負(fù)債率指標(biāo)天津市最高,為21.44%;修正城投債債務(wù)率指標(biāo)重慶市最高,為161.10%。西藏自治區(qū)均處于兩項(xiàng)指標(biāo)的最低點(diǎn),分別為0.78%、6.78%。其余省市中,海南省兩項(xiàng)指標(biāo)也較低,分別為2.03%、]2.86%。本文首先以債務(wù)規(guī)模較大的江蘇省為例,介紹將江蘇省城投債數(shù)據(jù)應(yīng)用到信用風(fēng)險(xiǎn)度量模型中的步驟,之后對(duì)剩余的30個(gè)樣本進(jìn)行計(jì)算。度量信用風(fēng)險(xiǎn)的模型很多,現(xiàn)代度量模型中,KMV模型避開(kāi)對(duì)歷史違約數(shù)據(jù)的數(shù)量要求,主要通過(guò)對(duì)公司資產(chǎn)價(jià)值的預(yù)測(cè)來(lái)進(jìn)一步估算信用違約概率,不涉及由于信用違約造成的損失估計(jì)或債券定價(jià)等問(wèn)題,最適合城投債信用風(fēng)險(xiǎn)的分析。將地方政府財(cái)政收入等同于公司資產(chǎn)價(jià)值,將地方政府未償還城投債等同于公司負(fù)債,通過(guò)ARIMA模型預(yù)測(cè)地方政府財(cái)政收入,通過(guò)累積地方政府每一只債券2017年應(yīng)償付的本息得到債務(wù)變量,代入改造后的KMV模型中即得到各個(gè)樣本的違約概率。通過(guò)計(jì)算,我國(guó)各省級(jí)政府城投債的預(yù)期違約率區(qū)間為[0.00%,2.64%],最高概率仍在5%以?xún)?nèi),違約發(fā)生的可能性很小。根據(jù)實(shí)證結(jié)果繪制出中國(guó)大陸地區(qū)各省級(jí)行政單位城投債違約風(fēng)險(xiǎn)預(yù)警圖,以0.5%為間距,分為六個(gè)區(qū)間,重慶市、江蘇省、湖北省、云南省、湖南省等地區(qū)違約風(fēng)險(xiǎn)相對(duì)較高�？紤]到實(shí)證過(guò)程均以省級(jí)行政單位為基礎(chǔ),縣級(jí)、市級(jí)城投公司發(fā)行的城投債風(fēng)險(xiǎn)被平均化,一些市縣級(jí)地方政府的違約概率可能更高,應(yīng)引起投資者警惕。該預(yù)警圖可以指導(dǎo)不同類(lèi)型投資者配置資金,指導(dǎo)地方政府及城投公司適量發(fā)行債券,指導(dǎo)中央政府發(fā)布前瞻性政策。盡管計(jì)算結(jié)果樂(lè)觀(guān),但是城投債正處于更迭階段,不是唯一的地方政府債務(wù),地方政府債的當(dāng)前余額約為城投債的4.40倍,防范化解城投債債務(wù)風(fēng)險(xiǎn)、確保地方政府負(fù)有償還責(zé)任的城投債順利過(guò)渡刻不容緩,故提出以下幾點(diǎn)建議:允許地方政府局部違約;把原來(lái)的城投債轉(zhuǎn)變?yōu)檎嬲牡胤秸畟?對(duì)現(xiàn)有地方政府投融資平臺(tái)公司進(jìn)行整頓合并;推進(jìn)地方政府債務(wù)的甄別公開(kāi)工作;加快編制地方政府資產(chǎn)負(fù)債表。未來(lái)政企分離是大趨勢(shì),城投公司將為城投債還本付息負(fù)責(zé),城投債將向項(xiàng)目收益?zhèn)繑n,地方政府債將成為地方政府融資的主要工具。
[Abstract]:As the urbanization process is accelerated , the capital investment debt is a fund - raising tool for the local government infrastructure projects . In recent years , the development speed is rapid , and because of the difficulty of government - owned enterprises , the capital investment in the city has not yet been determined . As of the end of February 2017 , the capital investment in the city has not yet been determined . In the remaining provinces and municipalities , the capital investment in the city has reached its lowest level , with a total amount of RMB 9.6 trillion yuan . In the rest of the province , the KMV model is the highest in the market . In the modern metric model , the KMV model avoids the quantitative requirement of historical default data , and the credit default probability is further estimated by forecasting the value of the company ' s assets . Based on the empirical results , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , the local government debt is divided into six sections , and the city investment bank will pay the principal and interest to the city . The city investment debt will be closed to the project income debt , and the local government debt will be the main tool for local government financing .

【學(xué)位授予單位】：北京外國(guó)語(yǔ)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：F812.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊軍戰(zhàn);;價(jià)格與隱含遠(yuǎn)期違約概率[J];經(jīng)濟(jì)數(shù)學(xué);2007年02期

2 張?zhí)K林;;信貸違約概率測(cè)算方法及其應(yīng)用研究[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(社會(huì)科學(xué)版);2010年03期

3 慕文濤;黨宇峰;王娜;;“公共品”信用評(píng)級(jí)模式下的公司違約概率預(yù)測(cè)[J];現(xiàn)代管理科學(xué);2013年01期

4 于立勇,詹捷輝;基于Logistic回歸分析的違約概率預(yù)測(cè)研究[J];財(cái)經(jīng)研究;2004年09期

5 陳東海,謝赤;信用風(fēng)險(xiǎn)管理中違約概率的估算方法[J];統(tǒng)計(jì)與決策;2005年13期

6 武次冰;易宇;武鍶芪;;貸款違約概率測(cè)算方法:違約比例模型[J];統(tǒng)計(jì)與決策;2010年06期

7 王穎;聶廣禮;石勇;;基于信用評(píng)分模型的我國(guó)商業(yè)銀行客戶(hù)違約概率研究[J];管理評(píng)論;2012年02期

8 王小明;;關(guān)于一類(lèi)廣義可加違約概率模型的探討[J];系統(tǒng)工程理論與實(shí)踐;2008年06期

9 陳詩(shī)一;;德國(guó)公司違約概率預(yù)測(cè)及其對(duì)我國(guó)信用風(fēng)險(xiǎn)管理的啟示[J];金融研究;2008年08期

10 潘亮;李軍;楊曉光;;一種基于樣本配比的違約概率估計(jì)方法及其應(yīng)用[J];科技促進(jìn)發(fā)展;2011年11期

相關(guān)會(huì)議論文 前3條

1 朱訓(xùn);梁雪春;;基于區(qū)間數(shù)的商業(yè)銀行信貸違約概率測(cè)算研究[A];江蘇省系統(tǒng)工程學(xué)會(huì)第十一屆學(xué)術(shù)年會(huì)論文集[C];2009年

2 張大斌;周志剛;劉雯;焦鵬;;上市公司最優(yōu)違約系數(shù)的不確定性DE-KMV測(cè)算模型[A];中國(guó)系統(tǒng)工程學(xué)會(huì)第十八屆學(xué)術(shù)年會(huì)論文集——A10系統(tǒng)工程方法在金融、投資、保險(xiǎn)業(yè)等領(lǐng)域的研究[C];2014年

3 陳林;周宗放;;基于倒數(shù)GAMMA分布的控股公司違約概率研究[A];第八屆（2013）中國(guó)管理學(xué)年會(huì)——金融分會(huì)場(chǎng)論文集[C];2013年

相關(guān)重要報(bào)紙文章 前8條

1 農(nóng)總行信貸管理部信貸風(fēng)險(xiǎn)評(píng)級(jí)管理處供稿;違約概率的度量[N];中國(guó)城鄉(xiāng)金融報(bào);2005年

2 本報(bào)記者 李金明;德意志銀行：希臘主權(quán)債務(wù)違約概率75%[N];證券日?qǐng)?bào);2011年

3 記者 朱周良　編輯 朱賢佳;希臘違約概率驟增 緊張情緒波及股市[N];上海證券報(bào);2010年

4 西南財(cái)經(jīng)大學(xué)信托與理財(cái)研究所;創(chuàng)新還是噱頭?[N];證券時(shí)報(bào);2006年

5 許一覽;信用債選擇須看指標(biāo)[N];上海金融報(bào);2009年

6 瞿強(qiáng);次貸危機(jī)評(píng)估：美國(guó)的損失與其他市場(chǎng)的損失[N];上海證券報(bào);2008年

7 本報(bào)記者　 張煒;銀行理財(cái)產(chǎn)品不是沒(méi)有風(fēng)險(xiǎn)[N];中國(guó)經(jīng)濟(jì)時(shí)報(bào);2006年

8 西南證券 執(zhí)筆 匡榮彪 何可 朱仲華;債券違約常態(tài)化或?qū)⒊蔀橐环N趨勢(shì)[N];上海證券報(bào);2014年

相關(guān)博士學(xué)位論文 前6條

1 洪波;商業(yè)銀行公司授信違約概率預(yù)測(cè)方法研究[D];合肥工業(yè)大學(xué);2014年

2 季峰;我國(guó)商業(yè)銀行消費(fèi)信貸違約概率模型研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

3 許一覽;人民幣對(duì)公貸款違約概率計(jì)量模型研究[D];復(fù)旦大學(xué);2014年

4 麥強(qiáng);基于違約概率和回收率負(fù)相關(guān)假設(shè)的信用風(fēng)險(xiǎn)模型研究[D];哈爾濱工業(yè)大學(xué);2006年

5 孟紋羽;我國(guó)商業(yè)銀行風(fēng)險(xiǎn)傳染效應(yīng)實(shí)證研究[D];山東大學(xué);2015年

6 殷波;房地產(chǎn)泡沫與金融危機(jī)[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 田林;上市公司違約概率與商業(yè)銀行潛在信用風(fēng)險(xiǎn)的度量[D];遼寧大學(xué);2015年

2 李慧萍;我國(guó)城投債違約概率的影響因素與計(jì)量研究[D];復(fù)旦大學(xué);2014年

3 黃荔莉;我國(guó)商業(yè)銀行信貸類(lèi)理財(cái)產(chǎn)品信用風(fēng)險(xiǎn)研究[D];福州大學(xué);2014年

4 黃洋洋;基于Logistic模型制造業(yè)上市公司違約概率的評(píng)估[D];華東交通大學(xué);2016年

5 曹宇;KMV模型違約點(diǎn)修正[D];蘇州大學(xué);2016年

6 李寧寧;基于KMV模型的城投債信用風(fēng)險(xiǎn)分析[D];北京外國(guó)語(yǔ)大學(xué);2017年

7 王芳;初探經(jīng)濟(jì)周期條件下的違約概率計(jì)算[D];吉林大學(xué);2006年

8 吳琪;銀行貸款違約概率測(cè)量方法研究[D];武漢大學(xué);2005年

9 潘亮;一種基于樣本配比的違約概率估計(jì)方法及應(yīng)用[D];長(zhǎng)沙理工大學(xué);2012年

10 劉佳;基于時(shí)點(diǎn)法測(cè)算違約概率的跨周期修正[D];湖南大學(xué);2011年

，

本文編號(hào)：1671808