商業(yè)銀行房地產(chǎn)信貸風險度量方法比較

何葉榮，范志豪

(安徽建筑大學 經(jīng)濟與管理學院，安徽 合肥 230601)

一、引言

近年來，我國房地產(chǎn)業(yè)發(fā)展十分迅速，為防止房地產(chǎn)泡沫的出現(xiàn)，政府頒布了一系列限購和限貸政策。而房地產(chǎn)業(yè)由于自身資金大、周期長、風險大等特點受政策影響非常大。調(diào)控政策在一定程度上給房地產(chǎn)市場降了溫，但也給房地產(chǎn)企業(yè)帶來了一定的信用風險。我國房地產(chǎn)企業(yè)融資渠道較為單一，大多來自于商業(yè)銀行的信用貸款，當房地產(chǎn)企業(yè)發(fā)生信用危機時，商業(yè)銀行也會受到波及，進而威脅金融市場，引發(fā)更大的危機。因此，對商業(yè)銀行房地產(chǎn)信貸風險度量的研究刻不容緩。

早在1968 年，國外學者ALTMAN 就利用判別分析法對企業(yè)的破產(chǎn)概率展開了研究。由于判別分析法存在一些缺陷，MARTIN 首次使用Logistic 模型研究破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)的差別，預測銀行的信貸風險，研究結果表明，Logistic 模型不僅正確率高且可以追蹤主要風險因素[1]；SJUR 等學者利用企業(yè)的財務數(shù)據(jù)，建立Logistic 模型以探索企業(yè)財務風險的影響因素，結果表明，企業(yè)規(guī)模、資本結構、資產(chǎn)收益率、短期流動性等是主要的風險影響因素[2]；MICHIKO 在使用企業(yè)財務數(shù)據(jù)的基礎上，加入銀行多年收集的非財務信息，構建Logistic模型，研究結果表明，不僅財務信息而且非財務信息也是影響企業(yè)信貸違約的風險因素[3]；CONSTANTINESCU 和MIHAI 將Logistic 模型延用至銀行對個人信用貸款的評估，研究結果表明，除個人的償債能力外，居住地、居住年限、年齡等基本信息也是影響個人信用貸款評級的重要因素[4]。

國內(nèi)學者對于房地產(chǎn)企業(yè)信貸風險度量的研究可以分為兩個方面：一是對企業(yè)信貸風險影響因素的研究。王拉娣等利用VAR 模型對房價與銀行信貸的關系進行了研究，研究證明房價的上漲會加劇商業(yè)銀行的信貸風險[5]；張李登等利用房地產(chǎn)動態(tài)隨機一般均衡（DSGE）模型也得出了同樣的結論，房價波動沖擊和利率沖擊是我國住房信貸的主要風險因素[6]；王蕾等從銀行的內(nèi)部因素分析，認為提高銀行對企業(yè)財務指標的關注度，可以有效地抑制銀行信貸風險的發(fā)生[7]。二是對房地產(chǎn)信貸風險度量的研究。Logistic 模型是常用的分析模型，一般使用主成分分析作為變量篩選手段。王俊籽和劉瀾濤從微觀角度出發(fā)，以企業(yè)財務數(shù)據(jù)為樣本，利用主成分分析篩選財務數(shù)據(jù)建立Logistic 模型，實證結果顯示，提高盈利能力是企業(yè)降低信貸風險的主要方法[8]；胡勝等在采用企業(yè)財務報表作為樣本數(shù)據(jù)的基礎上，加入了宏觀經(jīng)濟指標，以此建立Logistic 模型，模型正確率高達98.5%，結果顯示，不僅企業(yè)自身的經(jīng)營狀況，而且宏觀經(jīng)濟的形勢也是影響房地產(chǎn)企業(yè)信貸風險的主要因素[9]。除了主成分分析外，顏哲等利用獨立性T 檢驗代替主成分分析作為數(shù)據(jù)篩選的手段，建立Logistic 模型，并與主成分分析Logistic 模型的結果進行對比，認為T 檢驗比主成分分析更為優(yōu)越，更加適合于我國房地產(chǎn)公司的財務危機預測[10]。也有學者利用判別分析研究企業(yè)的信貸風險。李紅立等利用37家房地產(chǎn)上市企業(yè)2004 年的財務數(shù)據(jù)建立判別分析模型，并以相同企業(yè)2006 年的財務數(shù)據(jù)檢驗模型效果，檢驗模型正確率高達97.3%[11]；徐曉莉、陳佩佩用主成分分析對24 家地產(chǎn)企業(yè)的財務數(shù)據(jù)進行處理后，再建立判別分析模型，結果發(fā)現(xiàn)模型效果良好[12]。

通過對中外文獻的梳理，國內(nèi)外學者對企業(yè)信貸風險度量的研究大多是針對單一模型效果的評價，而對不同模型優(yōu)劣性的研究相對較少，在一定程度上會使模型缺乏說服力。本文基于主成分分析、獨立性T 檢驗、判別分析法、Logistic 回歸法4種方法設計4 組模型，通過分析比較各組模型的優(yōu)劣以探尋最佳的房地產(chǎn)信貸風險度量模型。

二、財務指標的確定

通常情況下，銀行信貸風險主要體現(xiàn)為企業(yè)不遵守合同約定導致銀行利益虧損和企業(yè)不按時還款導致銀行利益虧損兩種現(xiàn)象，即違約和逾期兩種風險，而違約風險隨逾期風險正向波動，因此使用企業(yè)的違約風險即可描述銀行的信貸風險。企業(yè)的違約風險可以從宏觀和微觀兩個層面進行分析。宏觀層面的影響因素主要包括房屋銷售價格、整體經(jīng)濟環(huán)境、銀行利率等，宏觀經(jīng)濟因素是重要的影響因素，但它與企業(yè)違約風險的關系并不直觀，以此建立模型會在一定程度上脫離實際，降低模型的真實性。而微觀因素主要來源于企業(yè)的財務報表，能夠直觀反映企業(yè)的經(jīng)營狀況，是最值得考慮的風險因素。

本文從微觀角度出發(fā)，基于上市企業(yè)的財務報表對企業(yè)的經(jīng)營狀況進行分析。對于具體財務指標的選取，學術界尚無定論，一般需通過對財務比率大量的計算才能得出，也可從已有的文獻中選取如流動速率、產(chǎn)權比率等具有代表性的財務指標。本文通過財務計算，綜合相關文獻[13-17]，選取36 個財務指標，對其進行歸納分類，并整合相似性高的指標，最終確定23 個對企業(yè)違約率有顯著影響的指標（如表1 所示），這些指標分別反映了企業(yè)的償債能力、盈利能力、營運能力、發(fā)展能力、現(xiàn)金流狀況等五個方面。由于財務報表的私密性，本文數(shù)據(jù)選取我國192 家上市房地產(chǎn)企業(yè)2019 年的財務報表，財務數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，計量軟件使用SPSS 25.0。

表1 最初選取的財務指標

“ST”是我國公開對出現(xiàn)經(jīng)營異常企業(yè)實施的一種特殊措施，被加上“ST”的企業(yè)至少連續(xù)出現(xiàn)兩年及以上的虧損或者財務異常，違約概率較大，且上市地產(chǎn)公司的違約信息又難以獲得。為此，本文擬定“ST”企業(yè)作為違約企業(yè)，“非ST”企業(yè)為正常企業(yè)。將192 家房地產(chǎn)上市企業(yè)分為兩組，一組是正常經(jīng)營的“非ST”企業(yè)，共184 家；一組是財務狀況連續(xù)出現(xiàn)虧損的“ST”企業(yè)，共8 家。

三、模型構建

（一）判別模型

判別分析模型是企業(yè)常用的財務風險度量方法，其計算速度快、成本低且信用語言穩(wěn)定可靠。假設Y為上市企業(yè)違約風險的判別值；X(x1,x2,…,xm)為企業(yè)財務指標；i為財務指標的數(shù)量；房地產(chǎn)上市公司的樣本數(shù)量為k；γ為常數(shù)項，δ為判別系數(shù)。判別函數(shù)的一般形式為：

（二）Logistic 模型

Logistic 回歸模型是對數(shù)線性模型的一種特殊形式，不同于普通的線性回歸模型，它可以使用二分類變量作為因變量，無需數(shù)據(jù)滿足正態(tài)分布，是應用最為廣泛的風險度量模型。Logistic 模型基本形式為：

式（2）中，S=α0+α1x1+α2x2+…+αnxn,α0表示常數(shù)項，α1,α2,…,αn表示待估計系數(shù)，x1,x2,…,xn表示解釋變量；被解釋變量P表示企業(yè)違約概率，P的取值在0 到1 之間。為方便分析，一般假設Y代表是否違約，x1,x2,…,xn為影響Y的自變量。Y與xi的關系式可表達為：

以P=0.5 為分界點，P＞0.5 時，判定該企業(yè)違約風險較高，為“ST”企業(yè)；P＜0.5 時，判定該企業(yè)違約風險較低，為“非ST”企業(yè)[18]。

四、實證研究

（一）預測變量的選取

為提高模型精確度，需選取相關性低的財務指標作為預測變量。指標初步確定后，分別使用主成分分析和獨立性T 檢驗篩選財務指標，以減少指標間多重共線性，降低相關性。

1.基于主成分分析法的數(shù)據(jù)篩選

首先對數(shù)據(jù)進行KMO 和巴特利特檢驗，以判定樣本能否繼續(xù)主成分分析。KMO 檢驗值為0.624，大于標準衡量值0.6，即表示初始指標間相關性較強。巴特利特檢驗的sig 值為0.000，小于顯著性水平0.05，即初始指標間存在顯著相關性，說明數(shù)據(jù)適合做主成分分析。累計貢獻率可表示所提取主成分對原始數(shù)據(jù)的覆蓋程度，通過計算得到9 個主成分因子，其樣本貢獻度為75.709%，即所提取的主成分因子涵蓋了原始指標75.709%的信息，可代表原始指標作為模型預測變量。

由因子荷載矩陣得到9 個因子分別為：F1主要表達了流動比率、速動比率、現(xiàn)金比率等指標；F2主要表達了資產(chǎn)報酬率、總資產(chǎn)凈利潤率、流動資產(chǎn)周轉率、總資產(chǎn)周轉率等指標；F3主要表達了資產(chǎn)報酬率、總資產(chǎn)凈利潤率、營業(yè)毛利率等指標；F4主要表達了資產(chǎn)負債率、產(chǎn)權比率、凈利潤現(xiàn)金凈含量、營業(yè)利潤現(xiàn)金凈含量等指標；F5主要表達了凈資產(chǎn)收益率增長率、凈利潤增長率；F6主要表達了凈資產(chǎn)收益率、現(xiàn)金適合比率指標；F7主要表達了總資產(chǎn)增長率、營業(yè)收入增長率指標；F8主要表達了應收賬款周轉率、存貨周轉率；F9主要表達了投資收益率。

2.基于獨立性T 檢驗的數(shù)據(jù)篩選

在獨立性T 檢驗中，若指標萊文方差檢驗的顯著性水平大于0.05，且該指標的均值等同性T 檢驗滿足顯著性水平小于0.05 時，則可認為該指標在區(qū)別“ST”企業(yè)與“非ST”企業(yè)上有顯著相關性，可作為模型自變量。通過計算篩選出資產(chǎn)負債率、產(chǎn)權比率、凈資產(chǎn)收益率、總資產(chǎn)增長率四項財務指標作為預測變量。

（二）模型建立

1.判別分析模型

（1）T 獨立性檢驗

使用逐步判別法，對獨立性檢驗出的4 個財務指標進行再篩選，得到資產(chǎn)負債率、凈資產(chǎn)收益率兩個關鍵財務指標。將其作為預測變量，企業(yè)違約與否作為分組變量，以構建多元判別分析模型。當Y1大于Y2時，該企業(yè)為“非ST”企業(yè)，否則為“ST”企業(yè)。

“非ST”房地產(chǎn)企業(yè)風險度量模型：

Y1=-7.561+19.968 資產(chǎn)負債率+14.877 凈資產(chǎn)收益率

“ST”房地產(chǎn)企業(yè)風險度量模型：

Y2=-2.589+10.717 資產(chǎn)負債率-4.325 凈資產(chǎn)收益率

（2）主成分分析

同理，利用逐步判別分析法得出的F1、F4、F63 個關鍵指標，建立多元判別分析模型。

“非ST”房地產(chǎn)企業(yè)風險度量模型：

Y1=-0.696-0.053F1+0.041F4+0.039F6

“ST”房地產(chǎn)企業(yè)風險度量模型：

Y2=-2.129 +1.228F1-0.951F4-0.896F6

2.Logistic 模型

（1）T 獨立性檢驗

經(jīng)過Logistic 模型篩選，在T 獨立性檢驗得出的4 個指標中，總資產(chǎn)增長率的顯著性不高，予以剔除。資產(chǎn)負債率、產(chǎn)權比率、凈資產(chǎn)收益率的顯著性較低，可作為關鍵財務指標，如表2 所示?，F(xiàn)將這3 個指標做為預測變量，企業(yè)違約概率P為被解釋變量，擬合Logistic 回歸模型：

表2 方程中的變量

模型建立后利用Hosmer-Lem show 檢驗法對其擬合優(yōu)度進行檢驗。該檢驗假設擬合模型與真實模型沒有偏差，P值小于0.05 時，拒絕假設成立。該模型P值為0.999，大于0.05，原假設成立，檢驗通過，同時卡方值為0.770，說明本文擬合模型與真實模型偏差小，模型效果好[19]。

（2）使用主成分分析建立

如表3所示，5個因子F1、F3、F4、F5、F6對企業(yè)違約有顯著性影響，以其為預測變量，企業(yè)違約概率P為被解釋變量，擬合Logistic回歸模型：

表3 方程中的變量

使用Hosmer-Lem show檢驗法對所建模型進行檢驗，該擬合模型P值為0.985，大于0.05的顯著性水平，原假設成立，該擬合模型與真實模型沒有偏差，且卡方值為1.862，說明本文的擬合模型與真實模型偏差很小，擬合效果好，可代表真實模型，模型結果有意義。

（三）模型預測正確率

為了更直觀地表現(xiàn)模型預測效果，現(xiàn)將各組模型結果匯總圖形化，見圖1。由圖1 可知，使用判別分析模型的兩組使正確率在85%左右，其中使用主成分分析法的組總體正確率較高，但對于“ST”企業(yè)的預測效果不好，僅為62.5%。使用Logistic模型的兩組正確率在95%左右，同樣，使用主成分分析的組的模型預測總體正確率最高為95.8%，對“非ST”企業(yè)的預測正確率高達99.5%，但對“ST”企業(yè)的預測正確率僅為12.5%。綜合來看，4 組模型的總體預測正確率均在84%以上，最高組高達95.8%，這說明本文的研究對企業(yè)信貸風險的度量研究具有一定的參考意義。

圖1 模型預測匯總直方圖

五、結論

多數(shù)學者對于信貸風險度量方法的研究只是利用單一模型的正確率來分析模型預測效果，缺少橫向比較，一定程度上缺乏科學性。本文在學者們研究的基礎上，利用企業(yè)財務數(shù)據(jù)對4 組常用模型進行橫向對比，分析比較各組模型的優(yōu)劣性以得出最佳的風險度量模型，使實證結果更直觀、更具說服力。實證結果顯示，判別分析模型總體的預測誤差率高達15%，這對投入資金大、項目周期長的房地產(chǎn)行業(yè)來說是不可接受的。而Logistic 模型的平均誤差率在6%以內(nèi)，整體預測效果明顯高于判別模型，高達95.8%的預測正確率能較好地完成風險預警工作。這可能和判別分析的特性有關：只有在數(shù)據(jù)滿足正態(tài)分布時，判別分析模型才能獲得最優(yōu)效果，這給判別分析的使用限制了范圍。而Logistic模型則無需數(shù)據(jù)滿足正態(tài)分布也可取得良好效果，Logistic 模型的使用范圍更廣。

指標篩選方面發(fā)現(xiàn)，采用獨立性檢驗作為指標特征選擇的模型相對主成分模型來說，誤差率更大，這說明使用該方法選擇的財務指標，在一定程度上與企業(yè)違約風險的相關性較小，并不可靠，不足以描述企業(yè)的違約風險。獨立性檢驗認為，影響企業(yè)違約風險的因素是資產(chǎn)負債率、產(chǎn)權比率、凈資產(chǎn)收益率。而主成分分析則認為流動比率、速動比率、現(xiàn)金比率、營業(yè)毛利率、凈利潤現(xiàn)金凈含量、營業(yè)利潤現(xiàn)金凈含量、凈資產(chǎn)收益率增長率、凈利潤增長率、凈資產(chǎn)收益率、現(xiàn)金適合比率等指標是影響企業(yè)違約風險的因素。顯然，獨立性檢驗得出的影響因素較少，不利于房地產(chǎn)企業(yè)自身的調(diào)整并且與實際并不相符，缺少了公認的影響因素，如代表企業(yè)償債能力的流動比率、速動比率等相關指標。而主成分分析得出的指標則綜合了企業(yè)的償債能力、盈利能力及營運能力等方面，更貼合實際，對于房地產(chǎn)上市企業(yè)的自我改正和銀行信貸對象選擇方面有重大意義。

通過對以上4組模型結果的分析得出一種可靠的風險度量方法：主成分Logistic模型。主成分Logistic模型是四種模型中預測誤差率最低，效果最好的模型，它的適用范圍更廣，有高達95.8%的預測正確率，近96%的預測正確率對商業(yè)銀行判斷資金流大、項目周期長的房地產(chǎn)企業(yè)的違約風險至關重要。在違約風險因素的篩選方面也更具有優(yōu)勢，指標選擇有普適性，讓銀行能對風險影響因素進行準確追蹤，使商業(yè)銀行對于房地產(chǎn)企業(yè)的風險評估有側重方向，為后期的企業(yè)信貸風險評價做好前期工作。