地方政府平台评级方法

地方政府平台评级方法（共3篇）

地方政府平台评级方法 篇1

10月概况：

1．推动小贷、网贷机构全面接入征信系统

10月18日消息，央行表示将加强互联网信用体系建设，推动小贷公司、网贷机构全面接入征信系统，实现互联网金融、互联网电商等领域的信用信息覆盖。此举可以有效防范化解P2P网贷平台的风险，据悉首批借款人恶意逃废债名单已纳入征信系统。对于以信贷业务为主的P2P网贷平台来说，可以降低平台的逾期率，提高投资人投资的积极性，降低其投资的风险。

2．多地启动P2P合规自律检查工作

10月22日，北京市互联网金融行业协会官方微信公众号发布消息，10月22日北京互金协会召开了自律检查启动会，将正式启动协会自律检查工作。随后的10月30日，广东互联网金融协会在其官方微信发布《关于开展广东省P2P网络借贷信息中介机构自律检查的通知》。两地均提到了自律检查重点关注有无资金池等十大方面。合规检查对于提振投资人信心有重大作用，可以重塑网贷发展环境。

11月研判

1．平台备案合规进行时 投资人需密切关注平台进展

2018年10月网贷行业的成交量为1022.67亿元，受国庆小长假影响环比下降7.65%。贷款余额延续下降步伐，至8322.89亿元。10月行业综合参考收益率略有下降，达到了10.24%，主要是不少平台资金状况有所改善后开始降低参考加息力度。目前来看，平台备案为行业的主旋律，平台完成提交自查报告，接受现场检查等等过程。因此，对于投资人需要着重关注平台的备案进展状况，在此基础上选择规模、人气、资金状况较好的平台进行投资，规避负面舆情较多的平台。临近年底，宏观货币层面趋势紧张，投资人可以根据个人风险偏好结合平台选择参考投资期限。

2．评级点评

拍拍贷，10月成交量约为46.59亿元，环比上升0.77%。截至10月31日，贷款余额约为205.61亿元，与9月底204.42亿元相比，10月资金净流入约1.19亿元，可见，平台资金状况表现较好。拍拍贷作为国内第一家P2P网贷平台，于2017年11月10日在纽交所上市，最新为每股5.76美元，总市值为17.32亿美元。

微贷网，11月8日消息，微贷网向美国证券交易委员会（SEC）提交了更新后的招股书，预计在11月15日左右在纽交所上市，这是继品钛上市后，又一家即将完成赴美上市的中国互金企业，对于微贷网的品牌影响力将有所提升。微贷网10月成交量约为42.53亿元，贷款余额约为146.53亿元，10月资金略有流出。微贷网专注于汽车金融，以车辆抵押业务为主。

点融，截至10月31日，平台贷款余额约为109亿元，相比9月底的111亿元资金呈进一步净流出态势。整个10月平台成交量约为5.3亿元，环比下降超过10%，平台去债转成交量约为4.4亿元，环比上升近10%。平台近期由于债转退出速度较慢，因此流动性积分较低。此外，平台近期的负面舆情对其品牌造成影响，因此品牌得分进行减分处理。

你我贷，平台10月成交量约为38.17亿元，环比上升17.99%，成交积分有所上升。10月底贷款余额约为163.87亿元，环比9月底的158.92亿元上升了4.95亿元，因此其流动性状况较好。平台于今年4月出任中国互金协会任理事单位，存管银行为恒丰银行。

掌众财富，平台于2014年10月上线，运营公司为北京掌众财富资产管理有限公司，港股上市公司中新控股为其参股公司。根据掌众财富披露的信息，平台存管银行为海南联合农商银行。10月平台成交量为3.84亿元，环比上升近10%。10月底贷款余额约为6.4亿元。

近期，行业问题平台数量大幅度下降，不少平台成交量出现明显回升，行业回暖迹象有所显现。此外，平台备案在有序进行中，平台纷纷提交自查报告，更有部分平台已经接受互金专项整治领导小组等机构开展的现场检查工作。因此，我们发现平台合规性愈发向好，信披状况总体良好。鉴于最新行业的发展情况，对本期的网贷发展指数评级做出如下说明：

1、发展指数评级一级指标权重不变。

2、为体现平台真实成交规模，调整成交积分计算口径，提高债权转让标的成交量折算的力度。因此，债转规模较大的平台成交积分有所下降。

3、继续关注平台投资体验情况，对于锁定期外正常债转退出较慢的平台，对平台流动性积分维持较低得分，同时品牌积分有所影响。

地方政府平台评级方法 篇2

但是,地方政府融资平台的存量债务仍然令人担忧。 不论是2010年,还是经过一段整顿后的2013年6月底,地方政府融资平台的政府负有偿还责任的债务在政府性债务中均占有很大的比重,分别为47%和38%,对未来5年政府存量债务的化解提出了挑战。

一、地方政府债务融资体系的重构

随着新《预算法》的大规模修订和实施,如何处理和管理地方政府性债务,如何为地方政府配套“新型城镇化”建设、“一带一路”建设落实资金需求,这都是政府必须处理的问题。令人欣慰的是,中央政府也非常积极地出台了相应政策。

政策一:大力推广PPP模式。自2014年9月至今,政府出台了一系列文件以推广PPP模式。2014年11月,财政部下发《关于政府和社会资本合作示范项目实施有关问题的通知》,针对地方融资平台存量项目,积极鼓励以PPP模式进行融资,并将之前的TOT(Transfer- Operate- Transfer)等建设方式也都转型为PPP模式。

政策二:政府债务置换。2015年3月,财政部在国务院的批准下,即对新《预算法》实施之前的历史债务,按一定比例置换为政府债券。本轮政策的债务规模为1万亿元, 置换时点范围为2013年6月30日前审计的需要2015年偿还的债务,置换比例为53.8%(置换规模占总规模比)。此项政策的出台,可以减轻地方政府配套建设资金筹集的负担,也可为地方政府赢得时间来化解历史债务。

政策三:发行专项债券。2015年4月,财政部下发《地方政府专项债券发行管理暂行办法》。专项债券的发行对象是有一定收益的公益性项目,可将项目打包发债,其还款来源应为相应的政府性基金或专项收入。为保证专项债券的发行,该办法还将社会保险基金、住房公积金、企业年金、职业年金等保障性资金纳入投资者范围,并免征企业所得税和个人所得税。

上述政策的出台,首先要解决的是政府“存量债务” 问题,其次是政府的“债务融资”问题。无论如何,占政府债务较大比例的融资平台债务安全平稳地转型,并剥离政府隐性担保,力促地方政府债务的健康发展是最为关键的一步。地方政府融资平台作为债务的承担主体,其信用能力的评价对未来融资平台的转型至关重要。尤其是在当前PPP模式下,大多数金融机构倾向于和发行过企业债券且主体信用评级在AA+以上的融资平台合作,以实现平台转型和社会资本的引入。因此,对地方政府融资平台信用主体有效性检测的研究,将会为未来地方政府融资平台转型后的信用能力再评估提供重要参考。

二、随机森林算法

对地方政府融资平台主体信用评级有效性检测的方法是随机森林算法。随机森林是Leo Breiman在2001年提出的,是在随机选择的数据子集中通过一系列决策树的生长来构建预测值的全集。

作为算法的基础,这里先说明一下决策树原理。图1为决策树的简单描述图,最上端的被称为根节点,一个决策树只有一个根节点。它是通过对各种可能影响因素进行对比后找出最有影响力的因素作为根节点,之后再根据相应的规则继续选择可能的影响因素作为中间节点。 每一个中间节点就是一个分裂问题,如果所有属性都被用完,找不出来影响因素就停止生长,成为叶节点。每一条从根节点按照有向边到达叶节点的路径都是一个分类。决策树需要设定避免其过分生长的停止规则和修剪方法,不需要对数据集进行分布假设。

决策树的缺点是每一次分裂只和前一次分裂规则有关,并且不会考虑之后的分裂。因此,每一次不同的分类将产生不同的结果,从而出现过度适应噪声,即过拟合困境。随机森林的基础分类器原理是决策树原理,但是随机森林恰好克服了这一缺点,它是将众多决策树集合到一起,通过决策树的投票来选出最优的分类准则。

随机森林算法,目前是大数据挖掘应用较多的方法。 作为机器学习法,相比传统计量经济学而言,没有对现实数据的严格假设,能较好地模拟现实。事实上,使用机器学习法对结果风险进行检验,不是通过P值来完成的,而是通过没有参加模型训练的测试集来完成的,结果容易理解也是其非常重要的优点。

(一)随机森林算法的基本原理

首先,随机形成决策树集合中的每一棵树,它的每一个节点中,都会根据一小组输入的变量或者属性来进行分裂。接着,在训练集中根据这些属性计算出最佳的分裂点。树的生成是通过CART(Classification and Regression Tree)算法来尽量生长并最大化其规模,而不需要修剪,根节点包含所有的数据,在每一节点上,使用所有变量来找出最好的分裂,产生两个子节点,一直分裂下去,直到修剪的树到达最小测试集误差。子空间的随机选择规则是结合了袋袋法(bagging)来进行重复取样,作为替代,训练数据集每次只生成一棵树。

这些过程的基本原理是这样的:对于第K棵树,产生一个随机向量θk,这个随机向量和之前产生的随机向量是独立同分布的,每一棵树的生成都是用了训练集和随机向量θk,即一个分类器h(x,θk),这里x是一个输入向量。 在随机分裂选择中,θ是由独立随机整数的个数组成,介于1到k之间。θ的性质和维数依赖于树的构建过程。当大规模的树产生后,将投票产生最受欢迎的类,这个过程就是随机森林。

(二)随机森林算法的特性

随机森林算法有较低的泛化误差(the generalization error),比如,随机分裂选择比bagging做得好,输出的随机噪音通常也比较好。为了改进精度,随机特性需要使相关系数最小化,同时保证其强度。这一分类的过程有如下特性:它的精度和Adaboost一样好,有时会更好一些;对极端值和噪音有很好的稳健性;比bagging、boosting更快;给出了误差、强度、相关性的内部估计值;它很简单;与支持向量机相比,随机森林的分类器表现非常优异;在森林的构建过程中,能够内生泛化误差的无偏估计;估计缺失数据最高达80%的模型;在分类中,能够给出哪一个变量是最为重要的因素;变量之间和分类之间的关系可以在输出中找到。

三、数据整备及样本的预处理

(一)数据整备

本文使用的数据,除了因变量的评级指标是分类数据,作为自变量的数据都是数值型变量。为了保证有效性检测的可靠性,本文选择了WIND数据库中2012年1 920家发行企业债券的财务数据,其中含287家地方政府融资平台的财务数据。笔者希望通过相对较大的样本来分析融资平台信用评级的有效性,并使用R软件中的miss For- est、随机森林等机器学习方法来进行有效性检测。

其中,miss Forest算法主要是用来弥补缺失数据的。目前,数据存在缺失值的问题是我们进行数据分析时常常需要面对的问题。因为大多数构建出来的分析方法,都需要没有缺失值的完整观测数据。另外,很多数据分析还会遇到另外一些问题。比如,高维多元数据的变量数目可能会大大超过观测值的数量,存在连续和分类变量的混合数据类型,以及参数方法难以处理的数据的复杂相互关系和非线性结构。

miss Forest算法是Daniel J.Stekhoven和Peter Buhl- mann于2012年提出来的。这一算法可以包含不同类型的数据,尤其是能够同时处理由连续变量和分类变量组成的多元数据集。miss Forest算法既不需要调参数,也不需要对数据分布方面进行假设,该算法完全能够解决复杂类型数据存在缺失值的问题。miss Forest作为一种非参数的方法可以同时处理不同类型的数据,并且对于数据结构方面的假设几乎很少。即使在对某一特定类型的数据进行缺失值弥补时miss Forest算法的表现,也优于KNN(k- Nearest Neighbor algorithm)和Miss PALasso(Missingness Pattern Alternating Lasso algorithm)对连续变量的弥补,以及MICE(Multivatrate Imputation by Chained Equations al- gorithm)和加入哑变量的KNN算法对分类类型数据和混合类型数据的弥补。尤其在复杂的数据相互关系和非线性关系中,miss Forest算法则更胜一筹。

(二)样本的预处理

1. 地方政府融资平台样本的信用评级预处理。地方政府融资平台和大多数国有独资企业类似,都是由当地财政部门或者是国资委出资设立,只不过地方政府融资平台的经营权是由地方政府主导,国有企业则自主经营。 地方政府融资平台参与民生类建设项目时,常常以项目为核心,作为股东成立相应的公司,间接运营管理项目建设。为筹集资金,以项目打包发债,也是地方政府融资平台融资的主要方式之一。目前,已发行债券的地方政府融资平台,大多数是效益较好、还款资金来源有保障的企业。WIND统计数据显示,地方政府融资平台主体评级大多在AA级以上,其发行的项目债券的评级通常也都在AAA以上。

如图2所示,287家地方政府融资平台企业中,被评为AA的融资平台有192家,占比66%,被评为AA-的融资平台占比20%,被评为AA+的融资平台占比13%。

可见,287家地方政府融资平台的信用等级基本界定在AA类上,意味着现有的发行企业债券的地方政府融资平台偿还债务的能力比较强。随着地方政府融资平台转型后相关数据逐步透明,以及政府隐性担保逐渐剥离,基于这些融资平台的财务指标来分析信用评级的影响因素,将有助于评价政府融资平台的信用度。

本文将地方政府融资平台分为三个级别进行分析: AA-、AA、AA+;进入数据库的处理是:AA+=A、AA=B、 AA-=C。剔除三个评级只有1家的样本,得到最终进入检测的样本量为284家。

2. 发行企业债券的企业样本预处理。包含284家地方政府融资平台的总体样本数为1 917家,即不是地方政府融资平台的企业数为1 633家。这1 633家企业的信用评级的预处理和地方政府融资平台的预处理一样,进行三个级别的分析:AA-、AA、AA+;进入数据库的处理同样是:AA+=A、AA=B、AA-=C。其中A评级的企业245个,B评级的企业有1 355个,C评级的企业33个。为了减少对地方政府融资平台信用评级有效性的误判,本文仅就三个级别进行分析,以免出现“统计性歧视”。

3. 特征选择。目前已获取的地方政府融资平台信用评级数据主要有具体评级值和部分财务数据。尽管现在信用评级机构针对地方政府融资平台的信用评级体系中的指标很多,但鉴于目前地方政府融资平台相关数据获取较难,本文将选择如表1所示的15个财务指标,对信用评级的有效性进行评价。对于企业自身信用的衡量,财务指标是最为重要的信息,而其他关于“企业和领导素质” 等主观评价较高的指标暂未列入特征选择中。

四、实证分析

进行有效性检测的第一步是对数据缺失值的弥补, 本文共有数据30 672项,需要弥补的缺失值占比6.5%。本文通过对比284家地方政府融资平台评级、1 633家企业债券评级、1 917家总体企业评级,逐步从小范围向大范围扩充,进而确认284家地方政府融资平台的信用评级有效性问题。

(一)284家地方政府融资平台的主体信用评级有效性检测

为了提高精度,本文所使用的树为500棵。对于284家融资平台的信用评级袋外估计误差率为33.45%。具体的混淆矩阵如表2所示:分类中对于A的分类错误率高达0.92,其中38个A类融资平台,只有3个被正确分类为A, 其他均分类为B类;对于B类,分类错误率为0.031,错误率较小,185家分类准确;C类,分类错误率为100%,为最高,基本错误分类到B类。本次模拟的袋外估计误差率为33.45%。

显然,对于地方政府融资平台的分类,A级和C级的分类错误率较高。可见,信用评级机构对其进行评级的时候,对于A类评级可能存在高估部分融资平台的信用级别,对于C类融资平台则低估了其信用级别。但是实际经验对此的可能解释是,评级两端的融资平台财务指标与B类财务指标相差不大,那么使之产生评级差距的主要原因是每个融资平台所依赖的地方政府财政控制能力和地方经济能力。因此,仅就政府融资平台本身数据进行评级意义不大。可见,以地方政府融资平台本身作为信用主体的评级,几乎不具有效性。

(二)1 633家发行企业债券的主体信用评级有效性检测

为了区分284家地方政府融资平台的评级情况,本文进一步扩大范围来考察随机森林的分类精度,以保证分类的准确性受模型本身的影响较小,才能具有相应的说服力。本部分的模拟,同样设置500棵树。对于1 633家发行企业债券的信用评级袋外估计误差率为8.08%。具体的混淆矩阵如表3所示,本次模型模拟的误差率非常小。对于A类评级而言错误率下降至0.326 530 61,B类评级错误率下降至0.014 022 14,C类评级错误率仍然为100%。 由此可知,对于C类的评级之所以会出现一致的错误率, 可能和数据质量及模型计算有关。但是,从A类的评级结果可以看出,政府融资平台和非政府融资平台之间,财务信息表现出的评级判断能力显然不一样,非政府融资平台企业的财务指标提供的信息准确率较高。

由于用1 633家数据模拟出来的模型效果较好,因此将使用该模型重新对284家政府融资平台进行评级,评级结果为:284家中原来评级为A的企业共38家,保留原级别的为9家,降级为B的企业为29家,整体评级下调。

(三)1 917家总体样本的主体信用评级有效性检测

为了进一步说明情况,现在对1 917家企业进行总体测算模拟,不再区分政府融资平台企业和非政府融资平台企业。同样设置500棵树,C类的评级效果不太好。对于A类和B类评级的误差率的大小情况几乎一致,即对于A类的评级判定为B级的情况较多,B级评级的稳定性较高。如下表4所示,尽管样本量有所提升,但是其袋外估计误差率反而上升,显然排除了样本量多寡的问题。加入284家融资平台后,A类评级错误率进一步提高,从而强化了对A类地方政府融资平台评级可能高估的猜测。

(四)财务指标对主体信用评级的影响因素分析

从上面的袋外估计误差率来看,模型二的误差值为8.08%,模型三的误差值为10.09%,模型一的误差值为33.4%。尽管模型一的袋外估计误差率很大,但这个大数据是基于多次验证得到的,总体来说还是不错的。

从图3可以看到,净利润(x11)、总资产周转率(x6)、 存货周转率(x7)、流动比率(x1)、资产负债率(x3)是对信用评级A来说比较重要的5个财务指标,这几个指标影响着模型对主体信用评级为A的判断。

从图4可知,净利润(x11)、净资产收益率(x9)、总资产周转率(x6)、总资产报酬率(x10)、流动比率(x1)是对信用评级B来说比较重要的几个财务指标。

净利润(x11)、总资产周转率(x6)、产权比率(x4)、资产负债率(x3)、主营业务利润率(x8)是对信用评级C来说比较重要的几个财务指标,但因模拟效果不好,本文不再做具体分析。

另外,随机森林算法也给出了财务指标中对模型总体来说比较重要的影响值。Mean Decrease Accuracy和Mean Decrease Gini都是随机森林中用以衡量整体模型的指标重要性的值,这两个指标的值越大,说明该指标越重要。对于Mean Decrease Accuracy的值而言,净利润(x11)、总资产周转率(x6)、存货周转率(x7)、主营业务利润率(x8)、净资产收益率(x9)比较重要;对于Mean Decrease Gini来说, 净利润(x11)、总资产周转率(x6)、存货周转率(x7)、净资产周转率(x9)、资产负债率(x3)比较重要。

表5给出了全部指标重要的计算值。

五、结论

通过以上分析,可以发现主体信用评级为AA+的地方政府融资平台,其评级存在高估的现象,因此这类融资平台的信用评级有效性有待提高。在债券市场上,如果地方政府融资平台募集债券的主体信用评级过多受到地方政府的影响,则会对自身的主体评级有高估的现象。这样除了会降低评级的有效性,还会产生深层次的问题:一方面会对投资者的投资行为造成可能的伤害;另一方面会抢占“私人”企业通过债券手段募集资金,造成一定的“不公平”,从而影响市场的经济效率。

在对财务指标重要性因素的分析中,尽管每个因素的重要性影响指标都有所不同,但是总体来说,净利润(x11)、总资产周转率(x6)、存货周转率(x7)、净资产收益率(x9)、资产负债率(x3)、主营业务利润率(x8)、流动比率(x1)都是排名靠前的重要指标。也就是说,对于企业主体信用评级而言,企业的盈利能力、运营能力以及偿债能力是首先需要关注的指标。

随着地方政府融资平台转型的不断深入,无论是置换为政府债务,还是发行政府专项债券,尤其是大多数将转型为PPP项目的,首要的任务是将曾经作为融资平台增信背景的政府隐性担保显性化。

非必要纳入政府债务的,笔者认为可以通过资产重组等方式剥离政府信用,通过引入具有较强盈利能力的资产,以弥补融资平台主体信用评级中由政府承担的部分, 通过不断优化财务指标来改善经营,为吸引社会资本提供有利条件。

参考文献

吴喜之.复杂数据统计方法:基于R的应用[M].北京:中国人民大学出版社,2012.

林成德,彭国兰.随机森林在企业信用评估指标体系确定中的应用[J].厦门大学学报(自然科学版),2007(2).

方匡南,吴见彬,谢邦昌.基于随机森林的保险客户利润贡献度研究[J].数理统计与管理,2014(6).

地方政府债券评级方法介绍 篇3

标准普尔对美国州政府的评级主要从政府架构、财政管理、经济、预算以及债务和责任等五方面进行打分，做出等权重的加权平均后得到指示性信用水平，再通过优先级因子进行调整，最终得出一个政府的评级。这里的优先级因子包括正向调整和负向调整。正向调整主要是政府系统性支持与提供债务支持的意愿，负向调整则包括资本市场通道限制、高水平的预期未来债务/责任、较弱的财政管理、与衍生产品/可变利率负债相关联而产生的高风险等。

穆迪采用四要素框架，没有考虑政府架构，主要考虑经济、管理、财政与债务。与标普不同，穆迪的各要素不是等权重，管理和财政分配的权重较大，各占30%，而经济和债务则各占20%。穆迪对四要素下的二级要素再以不同权重分别评级，打分换算后得出政府的指示性评级水平，最后对未纳入评分框架的或有因素进行调整，得出最终的信用评级。

惠誉和穆迪类似，评级框架只考虑四个要素，包括债务和长期责任、经济、财政、政府的管理和监管。惠誉的子要素相对丰富，例如经济要素下，会考虑经济的驱动因素、就业情况、收入和财富、其他人口因素以及税收负担等。

整体来说，三大评级机构都是从比较关键的经济、财政和债务要素来评价地方政府的信用状况。

国内评级机构地方政府债券评级方法比较

相比之下，国内评级机构的地方债评级框架借鉴了国际三大评级机构的经验。由于国内评级的目标并不是地方政府，而是地方政府发行的债券，因此地方政府的信用级别确定之后，要对地方政府债券进行分析。目前，地方债分为一般债券跟专项债券，最终主要从偿债资金充足性和稳定性来确定信用等级。这里简单介绍几家主要地方债评级机构的具体评级方法。

新世纪评级对地方政府债券信用评级包含了五个要素：政府架构和财政管理体制，地方经济增长和发展，地方政府财政状况，地方政府性债务和管理的评价，和对地方政府治理的评价。其中单独评价政府架构主要是考虑到未来地级市、区县级政府发行债券的可能性；地方经济增长和发展要素主要考虑宏观经济环境、地方经济地位及地方经济状况的发展；财政状况则主要考虑地方财政的收入、支出以及地方财政收支的平衡能力和稳定性；地方政府性债务和管理要素主要考量政府性债务总量和债务负担，以及债务的偿付能力；地方政府治理要素包含地方政府运行效率与服务能力、地方政府信息透明度、地方金融生态环境和地方发展战略。

中债资信的评级框架包括宏观环境、地方经济的实力、财政实力、政府债务的状况、政府治理水平以及地方金融生态的评价。

大公国际的评级方法相对特殊，把财富创造能力作为要素之一，其他要素也主要是偿债环境、偿债能力和偿债来源。但从实质来说，其评级要素仍依赖于对经济、财政和债务的分析。这是国内三家地方债主要评级机构的简单比较。

地方政府债券的发行利差

通过统计地方政府债券发行成本利差，可以发现不管哪一家机构进行评级，地方政府债券的利差都是很接近的。

2015年上半年，地方债发行利率很低，非常接近发债前五日国债收益率。2015年8月7日辽宁债出现部分流标，之后地方债发行利差开始分化，市场化特征逐步显现。2016年上半年，从统计数据来看，地方债发行利差出现分化，财力相对较强、经济发展环境较好的一些省市，发行利差相对较小；经济发展环境不是很好的省市则不然。另外，公开发行的地方债利差范围为10至40BP，虽然有分化，范围比较小；而定向发行的地方债利差范围较大，2015年全年均值是40至60BP，2016上半年略有下降，我个人分析主要因为当时融资环境相对宽松。

具体来看，发行利差的大小与各省市经济财力有一定相关性。从经济增速来看，2015年辽宁省为3%，山西为3%，黑龙江为5.7%，吉林为6.5%，都低于全国平均6.9%的水平。2016年上半年，辽宁、山西、吉林的经济增速分别为-1.0%、3.4%和6.7%，同期辽宁和吉林地方债的发行利差也比较高。

地方政府信用评价和排序

我们以省级政府评级方法为框架，收集全国31个省市及3000余区县的经济和财力数据，用定量研究的方法形成区域信用排序结果。

整体来看，东部沿海地区信用质量较好，省级政府信用排名前五位的分别是广东、江苏、上海、浙江和北京。信用质量相对较弱的是西部地区，特别是西北地区的青海省，排在最后，倒数第二和第三分别是西藏和黑龙江。这里的数据更新到2014年，可能与目前情况稍有不同。

地级市中，当地经济财力综合评价排名前五位的分别是深圳、广州、苏州、南京和东莞，广东明显最强，前五名占了三个。经济相对最薄弱的地区主要在青海省下辖的藏族自治州。

从直辖市内部来看，北京市各区县信用排序有明显的强弱区分，朝阳区、西城区和海淀区实力较强。上海最突出的是浦东新区，其他区县发展较北京而言相对均衡，这也是上海整体信用排序在北京之前的一个原因。

另外，近期违约事件比较密集，从国有企业来看，川煤违约后，当地政府的支持使得兑付情况比较理想；山西副省长带领省内七大国有煤炭企业进行路演，也增强了投资者对于山西的信心。政府的偿债能力和偿债意愿，对当地财政金融环境的稳定性具有非常重要的意义。

责任编辑：孙惠玲 刘颖