作者：中债资信首席评级业务总监李欣

　　新华财经北京9月11日电 “金融五篇大文章”指明了我国经济转型升级的重点领域和核心方向，也是金融支持实体经济高质量发展的根本遵循和行动指南。

　　在“五篇大文章”中，“科技金融”被列为了首位，二十届三中全会审议通过的《中共中央关于进一步全面深化改革推进中国式现代化的决定》屡次提及“科技”“创新”，无论是涉及篇幅，还是将教育、科技、人才放在文章靠前位置，均体现着科技的战略重要性。科技是我国经济高质量发展和转型升级的重要推手。科技创新离不开金融支持，“科技金融”简单理解就是金融服务科技发展，金融对科技型企业全生命周期提供服务，以金融服务助推科技发展。

　　科技型企业与传统企业不同，具有自己非常鲜明的特点。一是科技企业研发投入高，研发周期长，产出的周期可能是几年、十几年甚至几十年，这期间都需要持续研发投入；二是核心关键技术研发难度大，研发投入产出效益存在不确定性，产出风险较高。所以金融需要与其周期长、风险高的特征相匹配，需要引入长期资本、耐心资本，同时需要创新和丰富金融的产品体系，健全风险分散机制的设计，打造科技与金融良性互动的生态，促进金融资本以多种形态深度参与科创全周期、全链条。

　　近年来，债券市场在支持科技企业融资方面持续发力。一些大型科技企业很早就在债券市场融资，尤其是2022年以来债券市场创新性推出了科创债和科创票据，规模快速增长，截至目前规模已达1.57万亿元，对支持科技企业融资起到了重要的作用。

　　在国外相对成熟的债券市场，科技企业发行高收益债券进行融资，在这个过程中，评级形成了既包含投资级也包含投机级的丰富序列，区分度很高的评级帮助投资机构进行风险判断和定价参考。但当前我国债券市场企业级别主要集中在AA-至AAA四个等级，评级区分度有待提升，这导致投资人难以通过级别来准确区分不同主体间的风险水平并通过市场定价获得相应的风险溢价，进而一定程度上限制了其投资科创债券的主动性和积极性。

　　科技企业发债的信息不对称问题较为突出，投资机构可能会因为无法判断企业风险而降低投资意愿。一方面，中小型企业、科技创新型企业大多处于初创期或成长期，公司治理结构和管理水平并不成熟，信息披露的规范性及完备性有待提高。另一方面，科技创新行业跨度大、细分领域多、专业壁垒较高，投研难度较高，权益市场投资人对科创行业的研究储备比较丰富，但固收领域相关投研经验相对不足，因此信息不对称问题较为凸显，投资机构的参与意愿可能会受信息不对称、无法判断企业信用风险等因素影响。

　　关于评级风险揭示和定价的作用，建议加强投资人付费评级结果应用，投资人付费评级结果更加独立客观公正，以A-为中枢，AA及以上级别数量占比仅为18.26%，级别区分度和准确性更高，能够更好地帮助市场进行风险定价。针对信息不对称问题，可充分发挥评级在解决信息不对称、充分揭示风险等方面的专业作用。一是评级是为解决信息不对称问题而生的，评级机构应充分履行自身职责，丰富信息获取的渠道，通过进场调研、舆情监测等加强信息收集和挖掘，并通过评级报告充分披露影响企业信用风险的核心因素、数据表现及观点结论，解决信息不对称问题。二是针对投资人看不懂问题，评级机构应发挥信用风险分析专业优势，提高专业能力，加强行业及企业深度研究及对科创企业经营和技术等专业知识的理解，为市场各方提供有价值的专业意见和信用分析参考。

　　上述提到的“科技金融”是金融服务科技的发展，而“五篇大文章”中的“数字金融”则是数字服务金融的发展，是数字与金融的结合，用数字化手段发展金融。

　　数据是“数字金融”最重要的素材，数据怎么样更好地助推金融发展，一定是要和业务的使用需求、使用场景紧密结合，以业务发展为目标导向。以评级为例，数据来源于评级、也服务于评级，笔者认为有三个主要的应用场景。一是服务于项目本身，中债资信在信贷ABS全覆盖评级的过程中积累了大量数据，建立了ABS数据库，通过将纵向的历史前后数据对比和横向的机构间数据对比应用到评级项目，提升项目的准确性、一致性，做到项目之间可比、同一个发行人不同期项目前后标准一致、同行业同类产品可比。二是服务于项目风险监测。基于近3年千万级实际表现数据，持续监测项目的关键指标、舆情、行业动向和机构主体，助力风险早发现、早识别、早处置。三是服务于技术、研究，以数据积累为基础，读懂数据反映的规律性、周期性、趋势性特征，来进行评级方法的迭代升级，提升技术的先进性。

　　以今年正在开展的“抵押类不良资产证券化”评级方法升级为例。制定评级方法的核心关键是“选指标、定阈值”。首先是“选指标”，中债资信利用积累的ABS数据库数据，对可能影响回收率的25个资产特征进行了验证，有19个对回收率有显著影响。其中，11个因素在原方法中已经考虑了；8个是新发现的，例如首次成为不良后的还款情况，可以看到成为不良后有还款记录、还款比例更高的借款人，后面的回收表现更好；同时，也发现了3个过去认为重要、但数据分析显著性不明显的因素。之后是“定阈值”，通过选取2016年以来的67单典型项目进行测算，反复对比新方法的模型预测回收与项目的实际回收之间的偏差情况，通过对逾期期限折扣、回收时间标杆等20个指标的阈值进行了8轮调整，最终使得新方法里面阈值出来的预测结果和实际结果是非常吻合的。中债资信的模型是经过了大量的真实数据验证，因此预测的可靠性也较高。

　　结合信贷ABS评级业务实践的角度来看，笔者认为数据方面目前还面临三类挑战。

　　一是数据的长度不够，自2012年信贷ABS重启以来到目前为止，只有12年，可收集到的数据仅是近12年的数据，观察的数据还较为有限，因此还要持续做好数据积累；二是数据未经历完整周期，之前市场主要处于上行周期，可能呈现单向的单边上扬，缺乏完整的周期表现；三是数据的标准化程度还需持续提升，虽然数据都在那儿，但是对数据的定义、计算规则、口径等，不同的金融机构可能会有不同的理解，如果要用数据说话，要用数据沟通、讲故事的话，大家可能需要同样的语言。