区域城投债融资环境变化复杂，难以用单一指标衡量。本文迭代了此前报告中“量-价期限”三维坐标体系的观测模型，构造了更高频的城投债融资环境跟踪模型并应用于近期融资数据，展现近期融资环境变化。
　　我们分别选取区间融资量、区域加权平均票面利率和债券发行期限（含权债则取行权期限）作为代理变量，其中融资量和融资期限与原模型一致。融资价格上，我们采用发行满14个工作日的债券估值作为代理变量，代替原先模型中采用的票面利率。由于部分债券发行时可能存在一定非市场化因素，不能准确反映市场环境，故指标需要更换。又因为债券发行时可能尚未形成估值数据，且形成初期（5天内）估值较不稳定，故而选择14个工作日作为合适的时间节点。对2021-2022年数据应用优化前后的模型，发现两种结果都可以得到2022年城投债融资价格相较2021年有小幅下降的结论，但从变化率差值可知，2022年非市场化发行现象相较2021年更为显著。
　　为更及时掌握市场动态，往往需要更高频和更细致的数据。原模型中以年为单位观测各省的融资环境变化，从频率和数据颗粒度来看都较为粗糙。本文根据发债频率设置判断标准，用于判断全区域乃至各行政层级城投债适用的跟踪频率，并推广至发债主体。区域发债具有一定稳定性，可以通过过往的发债频次推导该区域适用的跟踪频率。本文使用2021年和2022年的数据，判断区域适合的高频分析，判断标准为单位时间内发债次数是否超过10次。
　　本文得到全国各省份、江西省各地市、全国各城投平台行政级别以及发债主体适用的跟踪频率。具体来看，发债频次较低的西藏、内蒙古等省份仅适用年频跟踪，发债频次最高的江苏和浙江可以适用周频分析。频次的提高和数据颗粒度的细化往往两难全，因为提高跟踪频率后，可能存在区域在某个期间未有城投债发行或偿还的情形，导致无法获知融资期限和价格信息，进而无法计算变化率。
　　本文构建了自由区间模型，可以通过改变时点和区间长度，计算某时点前后对称区间区域融资环境的变化。选取2022年11月14日为观测时点，将区间长度设为180天，观察多个省份在该时点前后融资价格、融资量与融资期限的变化率，并据此进行了融资层次划分。整体来看，该时点前后城投债融资环境小幅弱化，但贵州、四川等地受冲击较小。
　　运用优化后层次划分模型，本文对适用季频分析的省份2023年第二季度相较一季度融资环境的变化进行分析。分指标来看，各省份融资价格总体下降5.27%；多数省份城投融资量相较于2022年第一季度大幅走低，各省份融资量变化率中位数为-39.24%。融资期限小幅上升，各省份融资期限变化率的中位数为5.62%。部分省份的地市级城投债发债频率适合季频分析，本文对这些省份地市级城投2023年第二季度融资环境应用了评分模型。
　　权衡考虑之下，本文选择使用融资量的变化率而非正负性反应边际变化，使用区间债而非存量债以强调边际变化。此外，本文使用的三项指标，融资价格、融资量、融资期限之间存在一定相关性，三项指标与总分之间的验证机制有待后续发现。
　　风险提示：1）城投口径判定存在一定主观性；2）模型假设不合理或计算结果有偏颇；3）公开信息披露不完整或不及时；4）城投政策变化超预期；5）数据提取失误；6）利率环境波动剧烈；7）各区域发债节奏有差异。