固定收益专题报告：房地产行业信用评级模型的构建-20210210-渤海证券-33页_1mb

房地产行业信用评级模型构建总结

核心观点

随着房地产行业外部评级AAA级企业扎堆、区分度不高的问题日益凸显，构建内部信用评级模型的需求愈发迫切。本文通过分析外部评级方法和模型，选取具有代表性的可量化指标，采用层次分析法确定各指标权重，以期获得更具区分度的内部评级结果。通过将企业发行债券的期限加权平均利率作为衡量信用资质的依据，并结合相关性分析和显著性检验，确定关键指标及其权重，最终形成较为可靠的内评结果。

评级模型构建逻辑

选取指标

1. 宏观环境、行业风险：分析宏观经济和行业政策对房地产企业的影响，所有企业统一打分。
2. 企业地位：评估房企的市场地位和竞争优势，国企、央企背景企业具有更强的稳定性。
3. 项目分布：衡量企业城市布局和区域经济状况，布局越广、区域越发达，得分越高。
4. 总资产：反映企业规模，有助于体现其行业地位和抗风险能力。
5. 营业收入：体现企业经营能力和盈利水平，是现金流和利润的基础。
6. 预收账款/合同负债：反映企业预售能力及未来现金流，与销售去化率密切相关。
7. 净利润、毛利率、EBITDA利润率、净资产收益率、存货周转率：反映企业的盈利能力、运营效率及偿债能力。
8. 剔预资产负债率、净负债率：从资本结构角度衡量企业安全性，杠杆率越低，风险越小。
9. 全部债务/EBITDA：衡量长期偿债压力，数值越高，风险越大。
10. EBIT利息倍数：反映企业长期偿债能力，数值越高，说明收益对利息的覆盖越充分。
11. 现金短债比、经营性现金流覆盖倍数：衡量短期偿债能力，数值越高，说明企业偿债能力越强。

权重设计

通过层次分析法，我们构建了判断矩阵，对各项指标进行重要性排序，确保权重符合一致性检验。选取的指标基于其与发行利率的显著相关性，权重越高，表示其对信用资质影响越大。最终确定的指标权重如下：

• 宏观环境：10%
• 行业风险：10%
• 企业地位：15%
• 项目分布：10%
• 总资产：10%
• 营业收入：10%
• 预收账款：10%
• 净利润：10%
• 毛利率：10%
• EBITDA利润率：10%
• 净资产收益率：10%
• 存货周转率：10%
• 剔预资产负债率：5%
• 净负债率：5%

市场检验与对比

我们选取了Wind平台中189家房地产发债企业，剔除城投公司及无公开数据的企业，使用近三年合并报表数据加权平均值作为基础数据，权重分配为50%、30%、20%。最终获得内部评级结果，并与现有外部评级进行对比。通过更严格的打分筛选和适当的评级下沉，我们得到更分散的评级分布。

内部评级分布如下：

• AAA内级：9家
• AA内级：15家
• AA-内级：31家
• A内级：26家
• A-内级：22家
• A-内级：19家
• BBB内级：16家
• BBB-内级：9家
• BBB--内级：4家
• BB内级：1家
• BB-内级：3家
• BB--内级：2家
• B内级：1家
• CCC内级：1家
• CC内级：3家
• C内级：6家

正常经营主体主要集中在AAA至AA-之间，CCC至C级则多为已违约或出现重大负面事件的主体。

风险提示

1. 主观性强：评级模型构建依赖于分析者的判断，可能存在偏差。
2. 数据滞后：企业经营数据的滞后性可能影响模型的有效性。
3. 模型有效性风险：由于房地产行业政策和市场环境变化较快，模型需持续更新和验证。

房地产行业信用债现状

存量规模与到期规模

截至2020年底，存量信用债数量为4.59万只，规模达47.40万亿元，其中房地产行业债券数量2273只，占比3.98%，余额2.02万亿元，占比1.77%。公司债、短融、中票为主，国企发行占比高，民企次之。

评级分布与违约情况

地产债发行主体等级普遍较高，低评级房企发行量较少。2020年违约房企主要为中小型房企，如中弘控股、华业资本、国购投资、银亿股份、三盛宏业及泰禾集团。其中，泰禾集团的违约刷新了市场对大中型房企风险的认知，表明仅凭规模判断安全边际存在局限。

房地产行业外部环境

政策演变

房地产行业政策经历了从刺激到规范再到收紧的过程。1998年房改启动，2003年确立为支柱产业，2008年因金融危机推出宽松政策，2013年调控政策收紧，2015年至今强调“房住不炒”，并实施“三道红线”和“房地产贷款集中度管理新政”，进一步规范行业。

市场周期划分

房地产行业周期可分为以下五个阶段：

• 1998-2002年：刺激阶段
• 2003-2007年：快速发展阶段
• 2008-2012年：政策宽松推动发展
• 2013-2014年：调控后市场降温
• 2015年至今：政策收紧，市场理性回归

评级公司分析

我们对比了五家国内评级公司及中债资信的评级方法，发现各公司均从经营分析和财务分析两个维度进行评分，但权重分配和关注点有所不同。中债资信强调大数据和人工智能的应用，以实时跟踪企业信用风险，其评级模型更侧重于可量化的指标，如规模、杠杆率等。

结论

本文构建的内部信用评级模型，通过选取可量化的指标并结合层次分析法确定权重，有助于更准确地评估房地产企业的信用风险。该模型可为投资者提供更具区分度的信用评级，为房地产行业债券的深度挖掘提供支持。未来将继续优化模型，提升其在实际应用中的有效性。