我國房地產(chǎn)行業(yè)信用風(fēng)險(xiǎn)預(yù)測的實(shí)證研究

許婉，劉勝題

[摘要]為促進(jìn)房地產(chǎn)行業(yè)平穩(wěn)發(fā)展，本文以上市房地產(chǎn)企業(yè)數(shù)據(jù)為背景，融合ADASYN技術(shù)及Stacking算法構(gòu)建性能表現(xiàn)優(yōu)異、數(shù)據(jù)集適應(yīng)度強(qiáng)的預(yù)測模型，旨在測度相關(guān)信用風(fēng)險(xiǎn)，為我國防范化解房地產(chǎn)重大金融風(fēng)險(xiǎn)盡綿薄之力。創(chuàng)新之處在于：一是從宏觀角度引入與房地產(chǎn)業(yè)息息相關(guān)的經(jīng)濟(jì)增長風(fēng)險(xiǎn)（GDP同比-預(yù)期GDP同比）、利率風(fēng)險(xiǎn)（10年期國債收益率）、通脹風(fēng)險(xiǎn)（0.3*PPI+0.7*CPI）等指標(biāo)；二是基于融合模型思想構(gòu)建預(yù)測模型，從實(shí)踐層面為解決傳統(tǒng)信用風(fēng)險(xiǎn)預(yù)測模型單一問題提供新思路。實(shí)證結(jié)果表明：1、Stacking-BPNN均超越單一模型取得性能指標(biāo)最優(yōu)結(jié)果；2、結(jié)果依然存在較高風(fēng)險(xiǎn)值的原因在于房地產(chǎn)相關(guān)人口及購買力存在動力不足現(xiàn)象與企業(yè)自身“亞健康”現(xiàn)象，風(fēng)險(xiǎn)企業(yè)主要集中于財(cái)務(wù)風(fēng)險(xiǎn)型房企、戰(zhàn)略錯(cuò)位型房企以及缺乏競爭力型房企。

[關(guān)鍵詞] 房地產(chǎn)信用風(fēng)險(xiǎn)；Stacking融合算法；自適應(yīng)綜合過采樣

[中圖分類號] F293.3? ［文獻(xiàn)標(biāo)識碼］A? ?［文章編號］1000-4211（2023）03-0050-18

一、引 言

2022年6月，自社交媒體曝光業(yè)主的《強(qiáng)制停貸告知書》后，全國多個(gè)省份200多個(gè)問題房地產(chǎn)項(xiàng)目的購房者加入集體停止還貸的行列。停貸事件是涉險(xiǎn)房企原有項(xiàng)目風(fēng)險(xiǎn)的集中釋放，其中以爆雷房企項(xiàng)目為主，相關(guān)涉及數(shù)量占比約58％。隨后，國家金融與發(fā)展實(shí)驗(yàn)室在官網(wǎng)發(fā)布的2022年第二季度房地產(chǎn)金融研究報(bào)告顯示稱，房企爆雷勢頭未得到徹底遏制，購房者集體停貸事件是房企違約、停工等問題進(jìn)一步發(fā)酵、擴(kuò)散的結(jié)果。受“斷供潮”影響，即使在中報(bào)業(yè)績的加持下，銀行板塊在7月仍然持續(xù)走弱，整體42家上市銀行全線飄綠，無一上漲。整個(gè)邏輯鏈條在于，房價(jià)負(fù)面波動引起違約增加，銀行不可避免會蒙受巨額損失，體現(xiàn)了信用風(fēng)險(xiǎn)的傳遞效應(yīng)。

據(jù)克而瑞地產(chǎn)研究中心數(shù)據(jù)顯示，截至2022年11月末，百強(qiáng)房企累計(jì)實(shí)現(xiàn)銷售金額57847.2億元，相比去年同期減少了42.6%。數(shù)據(jù)及“停貸”風(fēng)波事件說明房企存在早期激進(jìn)拿地且高債務(wù)杠桿經(jīng)營特征、居民個(gè)體購房信心整體偏悲觀導(dǎo)致銷售下滑引起的資金鏈斷裂風(fēng)險(xiǎn)。

在融資受阻、銷售疲軟、償債壓力較大的環(huán)境下，具備慢回款特征的房企難以實(shí)現(xiàn)資金的快速回籠，內(nèi)生現(xiàn)金流仍然緊張且未出現(xiàn)明顯改善，債務(wù)危機(jī)持續(xù)蔓延。部分房企抗風(fēng)險(xiǎn)能力較弱，大而不倒信仰崩塌，開啟危機(jī)爆發(fā)的前奏。根據(jù)人民法院公告網(wǎng)顯示，2022年已有395家房地產(chǎn)相關(guān)企業(yè)相繼申請破產(chǎn)或清算，其中多為二、三線城市的中小型房地產(chǎn)開發(fā)企業(yè)。但知名上市房企也難逃厄運(yùn)，如龍頭房企恒大于2021年9月正式宣告爆雷；融創(chuàng)于2022年3月美元債展期宣告爆雷；世茂于2022年3月公告60億信托展期宣告爆雷；陽光城于2021年公司理財(cái)未兌付宣告爆雷，等等。房地產(chǎn)行業(yè)的現(xiàn)狀說明其面臨信用風(fēng)險(xiǎn)潛在危機(jī)的暴露及擴(kuò)大化，風(fēng)險(xiǎn)的不確定性正在逐步上升。

經(jīng)過2018年出臺的資管新規(guī)導(dǎo)致前融受限、2020年的“三道紅線”導(dǎo)致信貸受限、2021年下半年的預(yù)售資金監(jiān)管收緊等多項(xiàng)政策的共同作用，房地產(chǎn)行業(yè)引來信用緊縮，爆雷現(xiàn)象頻發(fā)，沖擊了需求端的信心。因此2022年末，中央經(jīng)濟(jì)工作會議定調(diào)2023年房地產(chǎn)工作主旋律仍是“確保房地產(chǎn)市場平穩(wěn)發(fā)展，扎實(shí)做好保交樓、保民生、保穩(wěn)定各項(xiàng)工作”，從實(shí)際行動上保持房地產(chǎn)融資平穩(wěn)有序、全力維護(hù)房地產(chǎn)市場穩(wěn)健運(yùn)行。

與信用深度綁定的房地產(chǎn)行業(yè)既是國民經(jīng)濟(jì)的支柱性產(chǎn)業(yè)，又是資金密集型行業(yè)。若其遭受重大損失，資產(chǎn)價(jià)格泡沫通過信貸渠道傳遞至金融機(jī)構(gòu)，造成信貸資產(chǎn)質(zhì)量下降，發(fā)生大概率違約事件，導(dǎo)致金融機(jī)構(gòu)破產(chǎn)從而引發(fā)金融危機(jī)。房地產(chǎn)信用風(fēng)險(xiǎn)不僅會向金融部門傳遞，甚至?xí)又凉膊块T，致使經(jīng)濟(jì)中的流動性與活躍度均大幅下降。嚴(yán)重的話會引起其他行業(yè)資金鏈斷裂乃至破產(chǎn)，總需求下降，國民經(jīng)濟(jì)陷入衰退。由此可見，房地產(chǎn)信用危機(jī)對國家經(jīng)濟(jì)安全及金融穩(wěn)定構(gòu)成威脅。

隨著房地產(chǎn)企業(yè)規(guī)模數(shù)量的擴(kuò)大及其關(guān)聯(lián)鏈條的復(fù)雜性，使得信用風(fēng)險(xiǎn)日趨復(fù)雜，加大了度量的困難程度。因此，如何有效識別和測度房地產(chǎn)信用風(fēng)險(xiǎn)成為風(fēng)險(xiǎn)控制的關(guān)鍵問題。基于上述背景，本文以上市房地產(chǎn)企業(yè)數(shù)據(jù)為背景融合機(jī)器學(xué)習(xí)模型反映測度我國房地產(chǎn)信用風(fēng)險(xiǎn)，進(jìn)一步拓展風(fēng)險(xiǎn)量化思路，為我國防范化解房地產(chǎn)重大金融風(fēng)險(xiǎn)盡綿薄之力。

二、文獻(xiàn)綜述

房地產(chǎn)信用風(fēng)險(xiǎn)預(yù)測模型本質(zhì)上隸屬二分類模型，其構(gòu)建流程核心點(diǎn)如下：一是非平衡數(shù)據(jù)集問題。鑒于房地產(chǎn)信用數(shù)據(jù)集中違約樣本數(shù)量遠(yuǎn)大于非違約樣本數(shù)量，存在類別不平衡現(xiàn)象。大多數(shù)分類算法在面對非平衡數(shù)據(jù)時(shí)往往傾向于擬合非違約樣本，從而導(dǎo)致預(yù)測模型對關(guān)鍵的違約樣本識別不足，現(xiàn)實(shí)應(yīng)用性較差。基于上述問題，Chawla N. V.、Bowyer K. W.等（2002）發(fā)現(xiàn)對少數(shù)類進(jìn)行SMOTE（Synthetic Minority Over-sampling Technique）過采樣可以提升分類器性能。由于該方法常忽略臨近樣本的分布特征，從而生成少數(shù)類樣本重疊信息。因此國外學(xué)者Tran K. D.、Thanh C. T.等（2021）與國內(nèi)學(xué)者楊蓮、石寶峰等（2022）等及柳培忠、洪銘等（2017）為了避免該缺陷，在研究中使用ADASYN采樣提高少數(shù)類樣本在邊界區(qū)域的密度，避免小樣本偏誤，以此提高非平衡數(shù)據(jù)中違約樣本的識別力；

二是模型選擇問題。現(xiàn)有國內(nèi)外研究均證實(shí)了機(jī)器學(xué)習(xí)領(lǐng)域模型的優(yōu)越性，例如傳統(tǒng)機(jī)器學(xué)習(xí)領(lǐng)域國外學(xué)者Li Z、Tian Y.等（2017）及Danenas P.、Garsva G.等（2015）與國內(nèi)學(xué)者周穎與蘇小婷（2021）為避免信用風(fēng)險(xiǎn)評估中的樣本偏移，提出構(gòu)建支持向量機(jī)模型，將預(yù)測違約樣本推論結(jié)果納入評分系統(tǒng)，結(jié)合外部評估和滑動窗口測試，以期提高預(yù)測的準(zhǔn)確性。而霍源源、姚添譯等（2019）與方匡南、逯宇鐸等在信用評估領(lǐng)域發(fā)現(xiàn)Probit、Logistic模型更能抓住影響信用風(fēng)險(xiǎn)的關(guān)鍵因素；除傳統(tǒng)方法外，Mushava J.、Murray M.等（2022）與Vassallo D.、Jha S. B.、Qin C.等（2020）提出構(gòu)建集成學(xué)習(xí)XGBoost用于匹配具有高維和復(fù)雜相關(guān)性的信用數(shù)據(jù)，研究表明其可顯著提高召回率及降低總體誤差。考慮到XGBoost的優(yōu)越性，周永圣、崔佳麗等（2020）提出了以XGBoost為基礎(chǔ)，融合隨機(jī)森林為代表的Bagging算法（XGBoost-RF）對個(gè)人信用風(fēng)險(xiǎn)評估領(lǐng)域進(jìn)行預(yù)測，實(shí)驗(yàn)效果顯示融合算法具有顯著的優(yōu)越性。同時(shí)，針對相同領(lǐng)域的預(yù)測，Zhou X.、Zhang W.等（2020）卻選擇構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，并體現(xiàn)了99%AUC的超優(yōu)性能。此外，王鑫與王瑩（2022）采用LSTM-CNN融合模型的方法解決了傳統(tǒng)領(lǐng)域中無法對時(shí)序數(shù)據(jù)進(jìn)行動態(tài)預(yù)測的問題。

針對信用風(fēng)險(xiǎn)預(yù)測問題，國內(nèi)外學(xué)者利用統(tǒng)計(jì)分析及機(jī)器學(xué)習(xí)技術(shù)構(gòu)建了眾多預(yù)測模型，涌現(xiàn)出大量優(yōu)秀研究成果，其中SVM、Logistic、XGBoost、RF、CNN、BPNN具備顯著的優(yōu)越性。然而通過文獻(xiàn)梳理，本文發(fā)現(xiàn)當(dāng)前研究尚且存在以下幾點(diǎn)不足：一是預(yù)測模型在非平衡數(shù)據(jù)集中易表現(xiàn)不佳。鑒于房地產(chǎn)信用數(shù)據(jù)集中違約樣本數(shù)量遠(yuǎn)大于非違約樣本數(shù)量，且存在較高的類別不平衡現(xiàn)象。大多數(shù)分類算法在面對非平衡數(shù)據(jù)時(shí)往往傾向于擬合非違約樣本，從而導(dǎo)致預(yù)測模型對關(guān)鍵的違約樣本識別不足，現(xiàn)實(shí)應(yīng)用性較差。二是普遍傾向于單一模型且精度較低。目前大多數(shù)模型仍然依賴于單一的統(tǒng)計(jì)機(jī)器學(xué)習(xí)，無法多維度深刻把握指標(biāo)與預(yù)測結(jié)果之間存在的復(fù)雜映射關(guān)系。而周永圣、崔佳麗等（2020）與王鑫與王瑩（2022）提出融合模型可顯著提高預(yù)測精度，降低誤差，但其均運(yùn)用同類融合。因此針對以往研究的不足，本文基于ADASYN過采樣技術(shù)及Stacking融合算法，分別從數(shù)據(jù)層面把握不平衡特征及算法層面融合異類模型，構(gòu)建性能表現(xiàn)優(yōu)異、數(shù)據(jù)集適應(yīng)度強(qiáng)的房地產(chǎn)信用風(fēng)險(xiǎn)預(yù)測模型。

本文的創(chuàng)新性在于：①針對現(xiàn)有信用風(fēng)險(xiǎn)指標(biāo)體系進(jìn)行多角度擴(kuò)充。現(xiàn)有文獻(xiàn)以生產(chǎn)者物價(jià)指數(shù)、人均GDP、利率、貨幣供給等宏觀經(jīng)濟(jì)變量為解釋變量，探討中國宏觀經(jīng)濟(jì)波動對房地產(chǎn)波動的影響。研究顯示宏觀經(jīng)濟(jì)變量與房價(jià)波動息息相關(guān)。因此除基本面財(cái)務(wù)數(shù)據(jù)及常用宏觀經(jīng)濟(jì)指標(biāo)以外，額外引入經(jīng)濟(jì)增長風(fēng)險(xiǎn)（GDP同比-預(yù)期GDP同比）、利率風(fēng)險(xiǎn)（10年期國債收益率）、通脹風(fēng)險(xiǎn)（0.3*PPI+0.7*CPI）等一系列指標(biāo)。從數(shù)據(jù)層面擴(kuò)展寬度，克服丟失有用信息。②本文基于融合模型思想構(gòu)建信用風(fēng)險(xiǎn)預(yù)測模型，從實(shí)踐層面為解決傳統(tǒng)信用風(fēng)險(xiǎn)預(yù)測模型單一問題提供了新思路。融合模型解決了現(xiàn)有方法體系中單一模型較難充分提取原始數(shù)據(jù)中隱藏有效信息的困境，可以在主模型的基礎(chǔ)上對基分類器進(jìn)行擴(kuò)充。

三、信用風(fēng)險(xiǎn)預(yù)測模型構(gòu)建

（一）建立信用預(yù)測海選指標(biāo)集

房地產(chǎn)行業(yè)信用風(fēng)險(xiǎn)預(yù)測的前提在于如何構(gòu)建一組科學(xué)、完善的指標(biāo)體系，從而全面把握整體信用違約風(fēng)險(xiǎn)。本文在結(jié)合券商行業(yè)研報(bào)以及國內(nèi)外文獻(xiàn)的基礎(chǔ)上，綜合考量各項(xiàng)因素，總結(jié)了適用于房地產(chǎn)行業(yè)的相關(guān)指標(biāo)體系，主要海選指標(biāo)如表1所示。

本文針對現(xiàn)有信用風(fēng)險(xiǎn)指標(biāo)體系進(jìn)行多角度擴(kuò)充。除了基本面財(cái)務(wù)數(shù)據(jù)及常用指標(biāo)以外，額外引入宏觀風(fēng)險(xiǎn)指標(biāo)旨在探索基本經(jīng)濟(jì)因素的不確定性，從而對系統(tǒng)風(fēng)險(xiǎn)作出識別判斷。首先，在宏觀形勢中對房地產(chǎn)運(yùn)行產(chǎn)生重大影響的是經(jīng)濟(jì)循環(huán)周期，本文采取GDP同比-預(yù)期GDP同比衡量經(jīng)濟(jì)增長風(fēng)險(xiǎn)，其差值大于0說明經(jīng)濟(jì)呈現(xiàn)超預(yù)期增長，經(jīng)濟(jì)處于正常上升通道，房價(jià)高概率穩(wěn)步回升，房企現(xiàn)金流壓力緩解，信用風(fēng)險(xiǎn)下降。反之，其差值小于0，說明經(jīng)濟(jì)增長不及預(yù)期，房企信用風(fēng)險(xiǎn)上升；其次，利率作為控制房產(chǎn)價(jià)格至穩(wěn)定區(qū)間、維護(hù)市場穩(wěn)定的重要工具。由圖1所示，2017年以后，10年期國債收益率與房企融資規(guī)模增速走勢基本一致，該現(xiàn)象的背后是房企融資通過改變金融機(jī)構(gòu)資金流向影響了銀行間市場流動性結(jié)構(gòu)，進(jìn)一步使債市產(chǎn)生被動調(diào)整。因此本文以10年期國債收益率度量利率風(fēng)險(xiǎn)，收益率水平高低與利率風(fēng)險(xiǎn)呈正比。利率波動顯著影響房企的財(cái)務(wù)成本及盈利能力，財(cái)務(wù)成本增加進(jìn)一步影響資金周轉(zhuǎn)，從而誘發(fā)資金鏈風(fēng)險(xiǎn)；最后，基于理性預(yù)期與價(jià)格黏性假設(shè)，通過以產(chǎn)出類為指標(biāo)的總量邏輯研判物價(jià)走勢。本文采取網(wǎng)格優(yōu)化算法對PPI與CPI之間的權(quán)重進(jìn)行尋參，約束條件為二者權(quán)重之和為1。在其他條件不變的情況下，最優(yōu)參數(shù)輸出為0.3*PPI+0.7*CPI。而隨著通貨膨脹的持續(xù)，土拍價(jià)格、人力成本、施工成本的走高必然侵蝕價(jià)格的上升，而為避免經(jīng)濟(jì)過熱所導(dǎo)致的信貸收緊、融資受阻對房地產(chǎn)而言無疑是重大利空，信用風(fēng)險(xiǎn)陡然上升。

（二）基于ADASYN的信用預(yù)測數(shù)據(jù)均衡化處理

ADASYN （adaptive synthetic sampling）自適應(yīng)合成抽樣，通過對不同的少數(shù)類樣本賦予不同的權(quán)重，從而生成不同數(shù)量的樣本。具體流程如下：

Step 1.計(jì)算不平衡度

（1）

記違約樣本集為，非違約樣本集為，為的第個(gè)違約樣本，。

Step 2.計(jì)算需新生成的違約樣本數(shù)

（2）

當(dāng)時(shí)，即等于違約樣本類和非違約樣本類的差值，此時(shí)合成數(shù)據(jù)后的非違約樣本類和違約樣本類數(shù)據(jù)正好平衡。因此本文中取。

Step 3.計(jì)算每個(gè)違約樣本的近鄰中非違約樣本占比

（3）

對每個(gè)屬于違約樣本類的用歐式距離計(jì)算個(gè)鄰居，為個(gè)鄰居中屬于非違約樣本類的數(shù)目，記比例為的近鄰中非違約樣本占比。

Step 4.對標(biāo)準(zhǔn)化，得到分布函數(shù)

（4）

用分布函數(shù)去計(jì)算每個(gè)違約類樣本的周圍非違約樣本類的情況。

Step 5.根據(jù)分布函數(shù)，計(jì)算違約樣本需要新生成的樣本數(shù)

（5）

Step 6.根據(jù)計(jì)算每個(gè)違約樣本需生成的數(shù)目，利用SMOTE算法生成樣本

（6）

為新生成的違約樣本，為的近鄰中隨機(jī)選取的一個(gè)違約樣本，的隨機(jī)數(shù)。

上述ADASYN過程既可以保證新生成的違約類樣本蘊(yùn)含原房地產(chǎn)信用預(yù)測數(shù)據(jù)的基本特征，也彌補(bǔ)了正負(fù)樣本不均衡致使預(yù)測模型性能下降的不足。

（三）基于Stacking的信用風(fēng)險(xiǎn)預(yù)測模型

Stacking又稱堆棧法，通過元分類器對多個(gè)異質(zhì)基分類器的預(yù)測結(jié)果進(jìn)行再度訓(xùn)練，從而提升模型能力。數(shù)學(xué)表達(dá)式如下所示：

（7）

其中表示k個(gè)基分類器所組成的向量，表示關(guān)于的估計(jì)值，，。

Stacking集成算法作為融合模型可分為兩部分，首先是對異質(zhì)基分類器進(jìn)行訓(xùn)練，隨后得到各組分類器的預(yù)測結(jié)果，將其作為新的特征傳入元分類器從而得到最終預(yù)測結(jié)果。實(shí)際上若直接經(jīng)過基學(xué)習(xí)器的結(jié)果輸入進(jìn)原學(xué)習(xí)器，極易造成過擬合現(xiàn)象，解決方法在于采用K-fold交叉驗(yàn)證，其考慮了樣本集合的特點(diǎn)，因此模型的魯棒性更強(qiáng)。將原始訓(xùn)練數(shù)據(jù)集設(shè)為，原始測試集數(shù)據(jù)設(shè)為，本文采用四種不同的基分類器（）于第一層進(jìn)行模型訓(xùn)練，以五折交叉驗(yàn)證為例其具體實(shí)現(xiàn)步驟如下：

Step 1.將原始訓(xùn)練集做五等均分，分別獲得五個(gè)子集：

Step 2.依次將Step 1中的五個(gè)子集之一設(shè)為測試集，剩余四項(xiàng)子集仍然作為訓(xùn)練集用于四大基模型的訓(xùn)練，當(dāng)模型訓(xùn)練完成后對測試集采取預(yù)測操作并獲得相應(yīng)結(jié)果，并將基分類器對的預(yù)測結(jié)果記作。

Step 3.將基分類器所得到的四項(xiàng)結(jié)果通過順序拼接作為元分類器的新的訓(xùn)練集。因本文探討問題本質(zhì)上是分類問題，因此將預(yù)測結(jié)果求投票作為元分類器的測試集。

Step 4.新的數(shù)據(jù)集對原分類器進(jìn)行訓(xùn)練，輸出最終預(yù)測結(jié)果。

（四）對比模型精度檢驗(yàn)標(biāo)準(zhǔn)

混淆矩陣是用來總結(jié)一個(gè)分類器結(jié)果的矩陣，本文用其作為信用違約判別模型分類效果的評價(jià)基礎(chǔ)，其表現(xiàn)形式如表2所示：

準(zhǔn)確度（Accuracy）表示為非違約客戶被模型判為非違約的數(shù)量與違約客戶被判定為違約的數(shù)量之和（判定準(zhǔn)確的數(shù)目和）占總客戶數(shù)的比，即

（8）

召回率（Recall）表示為正確預(yù)測為非違約客戶的數(shù)量占實(shí)際非違約客戶數(shù)量的比，即

（9）

第一類錯(cuò)誤（TypeⅠ-Error）是指將非違約樣本錯(cuò)判為違約樣本的比，即

（10）

第二類錯(cuò)誤（TypeⅡ-Error）是指將違約樣本錯(cuò)判為非違約樣本的比，即

（11）

幾何平均值（G-Mean）因其同時(shí)考慮了非違約客戶和違約客戶的判對率，所以在信用風(fēng)險(xiǎn)領(lǐng)域常被用作判別模型好壞的標(biāo)準(zhǔn)。

（12）

AUC被定義為ROC曲線下的面積，其作為評價(jià)標(biāo)準(zhǔn)可以彌補(bǔ)ROC曲線不能明確說明哪個(gè)模型效果更好的缺陷，AUC越大說明模型鑒別房地產(chǎn)企業(yè)信用違約狀態(tài)的性能越強(qiáng)。

四、實(shí)證分析

（一）數(shù)據(jù)來源與預(yù)處理

本文通過國泰安數(shù)據(jù)庫（CSMAR）、同花順iFinD選取2000年至2021年期間我國房地產(chǎn)行業(yè)137家上市企業(yè)作為研究樣本，構(gòu)建信用違約風(fēng)險(xiǎn)預(yù)測模型。ST（Special Treated）股是指企業(yè)經(jīng)營連續(xù)兩年虧損被中國證監(jiān)會給予特別處理，* ST股則指企業(yè)經(jīng)營連續(xù)三年虧損被中國證監(jiān)會給予退市警告，這兩類企業(yè)往往是因?yàn)榻?jīng)營不善出現(xiàn)違約狀況的企業(yè)，因此本文以是否被標(biāo)ST 或* ST將房地產(chǎn)企業(yè)的信用狀態(tài)分為違約與非違約。

參照已有研究方法，剔除指標(biāo)數(shù)據(jù)缺失嚴(yán)重或異常值較多的樣本，最終選擇10438個(gè)原始樣本作為此次研究的實(shí)證對象，其中有信用風(fēng)險(xiǎn)類樣本673個(gè)，編碼為1；正常類樣本9765個(gè)，編碼為0。為避免財(cái)務(wù)報(bào)表時(shí)間點(diǎn)問題的發(fā)生，本文參考周穎與蘇小婷（2021）的處理對樣本企業(yè)的-2季度（以某年第季度為當(dāng)前時(shí)間點(diǎn)，往前數(shù)2個(gè)季度間隔的時(shí)間點(diǎn)為-2）的指標(biāo)數(shù)據(jù)與季度的違約狀態(tài)進(jìn)行建模，利用-2季度的數(shù)據(jù)來預(yù)測企業(yè)第季度是否存在信用違約風(fēng)險(xiǎn)。上述原因在于若企業(yè)發(fā)生信用風(fēng)險(xiǎn)時(shí)，其數(shù)據(jù)發(fā)布往往具有延遲性。

（二）統(tǒng)計(jì)分析與指標(biāo)篩選

1.統(tǒng)計(jì)分析

由于部分統(tǒng)計(jì)方法只適用于正態(tài)分布或近似正態(tài)分布數(shù)據(jù)，因此在統(tǒng)計(jì)分析前期應(yīng)先對指標(biāo)數(shù)據(jù)進(jìn)行K-S正態(tài)性檢驗(yàn)，結(jié)果表明在給定顯著性水平0.05條件下，房地產(chǎn)行業(yè)115個(gè)指標(biāo)p值均小于0.05，全體指標(biāo)數(shù)據(jù)特征分布不服從正態(tài)分布，無法滿足使用t檢驗(yàn)統(tǒng)計(jì)方法的條件，因此采取Mann-Whitney U秩和非參數(shù)檢驗(yàn)對基分類器間以及特征選擇間差異進(jìn)行顯著性檢驗(yàn)，其原假設(shè)為特征指標(biāo)分配在有信用違約風(fēng)險(xiǎn)和無信用違約風(fēng)險(xiǎn)的類別間具有一致性。顯著性水平為0.05的情況下，應(yīng)付賬款周轉(zhuǎn)率TTM、內(nèi)部控制是否存在缺陷等13個(gè)指標(biāo)未能通過顯著性檢驗(yàn)，予以剔除，據(jù)此減少類間重疊。考慮到指標(biāo)之間可能存在潛在相關(guān)性，剔除Spearman相關(guān)系數(shù)絕對值大于0.8且p值小于0.05的冗余指標(biāo)，優(yōu)先祛除經(jīng)濟(jì)學(xué)含義較差的指標(biāo)，若含義無法比較，則進(jìn)行隨機(jī)刪除，避免自相關(guān)及多重共線性對后續(xù)預(yù)測產(chǎn)生干擾。最終形凈值債務(wù)率等22個(gè)指標(biāo)未能通過檢驗(yàn)予以刪除。

2.隨機(jī)森林指標(biāo)篩選

（1）短期指標(biāo)重要性分析

近二十年來，中國房地產(chǎn)市場呈現(xiàn)出較為明顯的短周期現(xiàn)象，基本每三年左右為一次短周期，主要驅(qū)動因素為房地產(chǎn)開發(fā)、投資驅(qū)動與政策影響。表3為隨機(jī)森林以各年度指標(biāo)為輸入，每個(gè)特征對最終結(jié)果的預(yù)期貢獻(xiàn)率為輸出（即指標(biāo)重要性）。由表可知，對應(yīng)期間指標(biāo)重要性排序凸顯出異質(zhì)特點(diǎn)，有必要結(jié)合房地產(chǎn)市場發(fā)展特點(diǎn)及周期背景進(jìn)行相關(guān)分析。

2000—2002年小周期以母公司資本積累率及母公司資本保值增值率為代表的指標(biāo)凸顯該時(shí)期企業(yè)發(fā)展?jié)摿Φ闹匾浴Ｗ?998年國務(wù)院發(fā)布公文做出了截?cái)嘧》繉?shí)物福利分配，實(shí)行住房分配貨幣化的決定，房地產(chǎn)行業(yè)呈現(xiàn)穩(wěn)定發(fā)展的態(tài)勢，房地產(chǎn)投資總量每年增幅已達(dá)20%以上（源自2002年8月13日《房地產(chǎn)時(shí)報(bào)》），詮釋了發(fā)展?jié)摿σ殉蔀樵摃r(shí)期重點(diǎn)關(guān)注領(lǐng)域。

2003—2005年小周期以市盈率及Z值為代表，表明該時(shí)期不僅需關(guān)注收益情況，還應(yīng)結(jié)合風(fēng)險(xiǎn)指標(biāo)共同權(quán)衡房地產(chǎn)企業(yè)狀況。原因在于2003年后，房價(jià)上升幅度過快，2004年與2005年商品房平均銷售增長率為17.76%、14.03%，顯著高于同年城鎮(zhèn)居民家庭人均收入增長率。數(shù)據(jù)證明該時(shí)期的房地產(chǎn)市場含有適當(dāng)?shù)呐菽嬖冢虼藝鴦?wù)院發(fā)布《關(guān)于切實(shí)穩(wěn)定住房價(jià)格的通知》公文旨在抑制房價(jià)上漲過快，也從側(cè)面提示應(yīng)納入收益風(fēng)險(xiǎn)指標(biāo)防患于未然。

2006—2008小周期與2009—2011年小周期指標(biāo)方面呈現(xiàn)相似特征，均以風(fēng)險(xiǎn)因子與相關(guān)系數(shù)所代表的貝塔系數(shù)同市場相關(guān)性為重點(diǎn)評釋指標(biāo)。2007年政府先后五次上調(diào)住房信貸利率以嚴(yán)厲打擊房地產(chǎn)投機(jī)行為，由于加大宏觀調(diào)控力度與次貸危機(jī)雙重影響導(dǎo)致2008年房地產(chǎn)市場低迷甚至給部分地區(qū)帶來些許金融沖擊。因此2009年政府大幅度放寬了企業(yè)信貸政策，房市出現(xiàn)反彈，報(bào)復(fù)性上升的價(jià)格在該階段創(chuàng)立新高。2010年與2011年出臺的一系列調(diào)控政策遏制房價(jià)上漲幅度，局部地區(qū)出現(xiàn)降價(jià)趨勢。由此可知，風(fēng)險(xiǎn)衡量指標(biāo)一定程度上闡釋了整個(gè)周期市場環(huán)境的動蕩。

2012—2014年小周期并未有明顯指標(biāo)傾向。2012年雖承接2010—2011年所帶來的強(qiáng)勢壓制，但房地產(chǎn)銷售量僅略微下降且房價(jià)依舊處于高位，因此該年市場風(fēng)險(xiǎn)相關(guān)指標(biāo)雖仍保持高位但重要性有所下降。2013年在政府調(diào)控弱化且相關(guān)政策趨于寬松、經(jīng)濟(jì)向好發(fā)展以及國內(nèi)需求上升的背景下，許多地區(qū)樓王記錄頻繁刷新，說明房企逐漸回暖、現(xiàn)金周轉(zhuǎn)加快、利潤快速上漲。而2014年房地產(chǎn)市場庫存量創(chuàng)新高，與其相關(guān)的銷售管理費(fèi)用率以及固定資產(chǎn)周轉(zhuǎn)率重要性開始大幅提升，為解決庫存問題，國家再度出臺大量利好政策推動市場回暖。

與過去幾輪短周期呈現(xiàn)的“快升快降”的態(tài)勢相比，2015—2018年短周期的下行時(shí)間明顯拉長且與資金密切相關(guān)，籌資活動及投資收益相關(guān)指標(biāo)重要性也顯著上升。上一輪周期結(jié)束，在穩(wěn)增長與去庫存的要求下，限購限貸等政策逐漸寬松，但市場復(fù)蘇并未呈現(xiàn)理想態(tài)勢，因此2015年證監(jiān)會《公司債券發(fā)行與交易管理辦法》的發(fā)布拓寬了房企境內(nèi)融資渠道，使得房企公司債發(fā)行出現(xiàn)井噴態(tài)勢。同時(shí)出臺非限購城市首付比例進(jìn)一步降低、二套房首付比例降低、全面推行異地貸等寬松政策，并且強(qiáng)調(diào)去庫存，棚改貨幣化力度加大。2016年開始轉(zhuǎn)向調(diào)控政策，由需求端向供給端發(fā)展，且規(guī)定發(fā)債募集資金不得購置土地。2017年國家外匯管理局允許內(nèi)保外貸下資金調(diào)回境內(nèi)使用，由于境內(nèi)融資壓力上漲 ，因此美元債市場引來高速發(fā)展，促使美元債作為房企融資渠道構(gòu)成的重要性迅速上升。2018年政府層面實(shí)施窗口指導(dǎo)，規(guī)定發(fā)行新債募集資金僅限于借新還舊及長租公寓領(lǐng)域。雖受到相關(guān)限制措施，但與“三道紅線”等政策相比，2015—2018年短周期融資環(huán)境還是相對寬松，對房地產(chǎn)市場形成了有力支撐。

而在2019—2021年短周期占據(jù)重要性比例最高的是現(xiàn)金及現(xiàn)金等價(jià)物周轉(zhuǎn)率，說明在該時(shí)期流動性是影響房地產(chǎn)的核心因素。期間隨著調(diào)控深化、融資收緊，資產(chǎn)端與負(fù)債端同時(shí)帶來的壓力外加公司債的集中到期，使得企業(yè)流動性不足，引發(fā)中小房企違約潮。2020年以來，新冠疫情爆發(fā)外加“三道紅線”的限制，房地產(chǎn)融資端的債券額度及募集資金用途進(jìn)一步收緊，降杠桿成為該短周期房地產(chǎn)調(diào)控重點(diǎn)。流動性問題導(dǎo)致高杠桿且經(jīng)營回款較慢的房企出現(xiàn)大規(guī)模違約，爆發(fā)信用風(fēng)險(xiǎn)。房地產(chǎn)行業(yè)狀態(tài)急轉(zhuǎn)直下出現(xiàn)負(fù)向螺旋效應(yīng)，引發(fā)大規(guī)模負(fù)反饋，無論內(nèi)生還是融資現(xiàn)金流均遭受嚴(yán)重承壓。

（2）長期指標(biāo)重要性遴選

經(jīng)過短期指標(biāo)分析可知，隨機(jī)森林重要性度量能夠幫助篩選出符合實(shí)際情況且對房地產(chǎn)影響程度較大的指標(biāo)。基于長期指標(biāo)，本文傾向于剔除重要性小于0.01的指標(biāo)變量，排序圖如下所示。

研究發(fā)現(xiàn)：①重要性排名前五的指標(biāo)分別為母公司資本保值增值率、母公司資本積累率、市凈率（PB）、風(fēng)險(xiǎn)因子－流通市值加權(quán)、Z值，表明長期角度房企自身發(fā)展?jié)摿σ约笆找骘L(fēng)險(xiǎn)狀態(tài)是反映信用風(fēng)險(xiǎn)的重要因素。②滯后指數(shù)、業(yè)績預(yù)告發(fā)布次數(shù)等12項(xiàng)指標(biāo)重要性均小于0.01，予以剔除。

（一）模型預(yù)測與分析

由于違約樣本與正常樣本二者之比約為1：14.5。明顯存在極端不平衡現(xiàn)象，為避免后續(xù)建模偏向正常樣本類數(shù)據(jù)，需對訓(xùn)練集進(jìn)行ADASYN平衡化處理，結(jié)果如圖3所示。

1.模型分析

（1）單一模型

將2000—2020年房地產(chǎn)信用風(fēng)險(xiǎn)數(shù)據(jù)集作為訓(xùn)練集樣本、2021年數(shù)據(jù)作為測試集樣本，分別使用邏輯回歸（Logistic）、支持向量機(jī)（SVM）、極度梯度提升樹（XGBoost）、隨機(jī)森林（RF）、后向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行訓(xùn)練。模型調(diào)參的目的在于尋找全局最優(yōu)解或較好的局部最優(yōu)解使得期望風(fēng)險(xiǎn)最小化，但源于該過程的復(fù)雜性，多數(shù)最優(yōu)化算法較易陷入局部最小陷阱。而遺傳算法（GA）以生物進(jìn)化為原型，使用隨機(jī)性的概率機(jī)制進(jìn)行迭代，可較好避免陷入上述問題。本文各模型基于遺傳算法的參數(shù)設(shè)置如下表所示。

對于分類問題，本論文在實(shí)證板塊以AUC為主，Accuracy、Recall、G-mean、TypeⅠ-Error、TypeⅡ-Error為輔以判別模型表現(xiàn)效果，如表5所示，從Accuracy、Recall的角度出發(fā)，RF在有效識別非違約企業(yè)及分類正確覆蓋率方面表現(xiàn)最為優(yōu)異。但為了對不平衡樣本的分類性能進(jìn)行評估，應(yīng)采用AUC、G-Mean兩項(xiàng)指標(biāo)綜合考慮模型的判別能力，其值越大則說明模型表現(xiàn)效果越好。其中排名第一的均是BPNN，其在具有較好的分類性能的同時(shí)能進(jìn)一步有效提升房地產(chǎn)行業(yè)信用違約風(fēng)險(xiǎn)樣本的預(yù)測效果。從TypeⅠ-Error、TypeⅡ-Error角度出發(fā)，RF在將非違約企業(yè)判定為違約企業(yè)的錯(cuò)誤率上最低，有利于非違約企業(yè)的識別預(yù)測。而在將違約企業(yè)判定為非違約企業(yè)的錯(cuò)誤率上BPNN與CNN擁有更好的表現(xiàn)。實(shí)踐中信用風(fēng)險(xiǎn)預(yù)測更傾向于識別違約企業(yè)，降低TypeⅡ-Error能避免給金融機(jī)構(gòu)或企業(yè)政府帶來巨額損失，因此單一預(yù)測模型更適宜于選擇BPNN。

（2）融合模型

對比單一分類器的表現(xiàn)效果，以TypeⅡ-Error為信用風(fēng)險(xiǎn)重要指標(biāo)的情況下，BPNN與CNN為Stacking元分類器的最佳選項(xiàng)。同時(shí)，Logistic、SVM、RF、XGBoost作為基分類器采用五折交叉驗(yàn)證構(gòu)建兩類融合模型。

表6為匯總的模型精度對比結(jié)果展示，經(jīng)過Stacking融合后的模型與單一模型相比，在Accuracy、Recall、AUC、G-Mean四項(xiàng)評價(jià)標(biāo)準(zhǔn)下均有顯著提升，Stacking-BPNN甚至均超越單一模型取得最優(yōu)結(jié)果。其中，Accuracy、Recall比RF分別高了0.6與0.2個(gè)百分點(diǎn)，達(dá)到了95.82%與96.23%；AUC、G-Mean比BPNN分別上升了1與1.9個(gè)百分點(diǎn)，提升至96.84%與91.76%。由此可見，模型在有效識別與非平衡數(shù)據(jù)集分類方面綜合取得了顯著改善效果，初步驗(yàn)證了融合模型的有效性。而在TypeⅠ-Error、TypeⅡ-Error指標(biāo)下，Stacking-BPNN比單一BPNN降低了15.47%的一類錯(cuò)誤率，但在二類錯(cuò)誤率上上漲了12.5%。這可能是因?yàn)榛诸惼鲗τ赥ypeⅡ錯(cuò)誤的識別不足所引起整體融合模型效果降低。

Stacking-CNN雖表現(xiàn)不足Stacking-BPNN，但對比CNN模型，其在Accuracy、Recall上分別上漲了16.93%與18.41%；在AUC、G-Mean上同樣分別提高了0.6與3.6個(gè)百分點(diǎn)。而TypeⅠ-Error也降低了18.41%。結(jié)果證明Stacking融合模型相較于單一模型能顯著提高模型性能，同時(shí)提升分類精度。

2.預(yù)測結(jié)果分析

（1）預(yù)測結(jié)果

在算法建模中一般會選取上述指標(biāo)來衡量模型好壞，stacking融合模型在多項(xiàng)量化指標(biāo)上均有其優(yōu)越性，但模型評價(jià)指標(biāo)只應(yīng)作為決策的部分內(nèi)容，結(jié)合分析其預(yù)測結(jié)果也同樣重要，能為實(shí)際運(yùn)用提供橋梁。因此，2021年房地產(chǎn)信用風(fēng)險(xiǎn)預(yù)測結(jié)果如表7所示。為便于展示，本文選擇將季度數(shù)據(jù)轉(zhuǎn)化為年度數(shù)據(jù)，規(guī)則如下：若四個(gè)季度中有一個(gè)季度被預(yù)測為1（有信用風(fēng)險(xiǎn)），則年度取值為1；若四個(gè)季度均被預(yù)測為0，則年度取值為0。

由結(jié)果可知，2021年共126家上市房企，其中違約房企為12家，占比近10%。而模型預(yù)測占比均高于真實(shí)值，其中Stacking-BPNN最接近真實(shí)情況，隨機(jī)森林表現(xiàn)次優(yōu)。結(jié)合歷年來違約房企占比情況可以發(fā)現(xiàn)，2000后違約占比呈現(xiàn)上漲趨勢，并于2007—2008次貸危機(jī)后以21%高值達(dá)到頂峰，隨后經(jīng)過國家宏觀調(diào)控救市、放寬信貸政策，比值呈現(xiàn)好轉(zhuǎn)信號逐步下跌，房企逐漸回暖、現(xiàn)金周轉(zhuǎn)加快，2014年房地產(chǎn)市場庫存量創(chuàng)新高。因此2015年以0%的違約占比達(dá)到低谷。此后隨著調(diào)控深化、融資收緊、疫情影響等因素，違約房企占比再次呈現(xiàn)上升趨勢，并于2021年漲至10%。

結(jié)合模型普遍偏高預(yù)測，從現(xiàn)實(shí)環(huán)境分析來看，依然存在較高信用風(fēng)險(xiǎn)的原因可能在于：一是房地產(chǎn)需求硬上限的人口及購買力存在動力不足現(xiàn)象。居民收入增速放緩引導(dǎo)堆積于房地產(chǎn)的大量資金回歸其他領(lǐng)域；而人口周期斷檔及出生率斷崖式下跌也將從中長期維度對房地產(chǎn)產(chǎn)生相關(guān)影響；二是企業(yè)自身“亞健康”現(xiàn)象。雖目前政策釋放紅利有力穩(wěn)定房地產(chǎn)市場，促使供需結(jié)構(gòu)改善，但基本面及政策僅僅是影響房企風(fēng)險(xiǎn)暴露的外在因素，主要源頭還是在于房企近年來經(jīng)營戰(zhàn)略的失誤及長期累積的杠桿風(fēng)險(xiǎn)，使其呈現(xiàn)“亞健康”經(jīng)營模式。

（2）違約樣本

分析違約房企樣本發(fā)現(xiàn)，風(fēng)險(xiǎn)企業(yè)主要存在以下三種類型：

財(cái)務(wù)風(fēng)險(xiǎn)型

此類企業(yè)的現(xiàn)金流依賴于籌資維系資金鏈，易追隨市場波動周期。以財(cái)務(wù)指標(biāo)為例，部分房企的籌資性現(xiàn)金流入持續(xù)大于經(jīng)營性現(xiàn)金流入，反映出其內(nèi)生性經(jīng)營能力不足，導(dǎo)致較難利用銷售回款來實(shí)現(xiàn)本企健康穩(wěn)定發(fā)展。若全面依賴籌資渠道便會導(dǎo)致其敏感性上漲，經(jīng)濟(jì)周期、政策變向便極易引致信用風(fēng)險(xiǎn)。

其次，違約房企“三道紅線”踩線較多。某龍頭房企甚至連續(xù)7年觸及紅檔，2021年一季度剔除預(yù)收賬款后的資產(chǎn)負(fù)債率達(dá)到80.99%，凈負(fù)債率為117.99%。呈現(xiàn)出杠桿率高的共有特點(diǎn)，高杠桿高周轉(zhuǎn)極易引發(fā)流動性危機(jī)。

最后，違約房企存貨周轉(zhuǎn)率持續(xù)偏低。當(dāng)前在業(yè)績增速放緩疊加償債高峰，房企經(jīng)營普遍遭受牽制的背景下，該財(cái)務(wù)指標(biāo)說明違約房企存貨變現(xiàn)困難，原因可能在于前期過度關(guān)注下沉三、四線城市的戰(zhàn)略失誤，致使財(cái)務(wù)雪上加霜。

戰(zhàn)略布局錯(cuò)位型

此類主要集中于在經(jīng)營戰(zhàn)略錯(cuò)判的房地產(chǎn)企業(yè)。比如其集中布局文旅地產(chǎn)、以及如1）所說的布局三、四線城市等，該類項(xiàng)目難去化會使資金長期承壓，過于消耗財(cái)務(wù)資源，伴隨著行業(yè)下行的大環(huán)境便極難維持。此外，近一兩年資本支出占比較高、新增土儲規(guī)模較大的房地產(chǎn)企業(yè)說明其大量購買高價(jià)地，可預(yù)期后期償債壓力上漲，提前消耗流動性累積風(fēng)險(xiǎn)。

缺乏核心競爭力型

在房地產(chǎn)經(jīng)歷過寒冬時(shí)刻，市場容量大幅萎縮、需求持續(xù)支撐不足的環(huán)境下必然會導(dǎo)致市場競爭加劇，那么盈利能力較弱、缺乏核心競爭力的房企便會逐步暴露風(fēng)險(xiǎn)。即使其目前并未預(yù)測出信用風(fēng)險(xiǎn)，但其也會在行業(yè)趨勢下面臨淘汰。

總的來說，雖然目前行業(yè)風(fēng)險(xiǎn)程度依然偏高，但整體行業(yè)指標(biāo)層面有好轉(zhuǎn)現(xiàn)象。比如2020年A股房企經(jīng)營性現(xiàn)金流入平均占比51.39%，籌資性平均占比41.22%。表明在杠桿時(shí)代的紅利退散后眾多房企開始傾向于精細(xì)經(jīng)營以實(shí)現(xiàn)穩(wěn)健增長。如某科、某地、某利等龍頭企業(yè)在風(fēng)險(xiǎn)指標(biāo)的表現(xiàn)下依然穩(wěn)健優(yōu)異，其長期來看具備更強(qiáng)周期駕馭能力及更強(qiáng)的市場競爭力。而對于風(fēng)險(xiǎn)暴露的違約房企也會逐步退場，優(yōu)質(zhì)資源更易向優(yōu)良房企傾斜，信用格局重構(gòu)，風(fēng)險(xiǎn)也較難蔓延至全市場。

五、結(jié) 論

通過統(tǒng)計(jì)檢驗(yàn)剔除反映信息重復(fù)、統(tǒng)計(jì)與經(jīng)濟(jì)學(xué)意義均不顯著的指標(biāo)，經(jīng)過隨機(jī)森林重要性遴選對房企違約狀態(tài)影響顯著的指標(biāo)，建立了房地產(chǎn)信用風(fēng)險(xiǎn)評估指標(biāo)體系。在此基礎(chǔ)上，利用ADASYN過采樣技術(shù)消除不平衡樣本影響，構(gòu)建基于Stacking融合算法的預(yù)測模型，并對中國137家上市房地產(chǎn)企業(yè)樣本進(jìn)行實(shí)證，得出如下結(jié)論：

（一）Stacking-BPNN在模型設(shè)定合理、數(shù)據(jù)構(gòu)造得當(dāng)?shù)那疤嵯滦阅鼙憩F(xiàn)最優(yōu)。相較于單一模型，其在Accuracy、Recall、AUC、G-Mean上均有顯著提升，能夠更加及時(shí)、準(zhǔn)確地了解房企的違約概率，進(jìn)而防范風(fēng)險(xiǎn)。

（二）違約房企仍處于上漲趨勢，信用風(fēng)險(xiǎn)緩釋未達(dá)預(yù)期。預(yù)測結(jié)果顯示模型違約占比均高于真實(shí)值，除在模型設(shè)定時(shí)以降低第二類錯(cuò)誤（將違約樣本錯(cuò)判為非違約樣本）為主的影響外，受制于疫情和地產(chǎn)行業(yè)景氣下行、內(nèi)生融資疲軟等因素是結(jié)論的核心。但隨著經(jīng)濟(jì)基本面整體改善，在寬財(cái)政基調(diào)下地產(chǎn)鏈條有望底部企穩(wěn)，局面極可能扭轉(zhuǎn)。

本文所采取的指標(biāo)體系僅僅也是冰山一角，隨著人工智能技術(shù)的應(yīng)用逐漸成熟，未來數(shù)據(jù)維度也逐漸突破傳統(tǒng)特征限制傾向于高維化，因此如何利用海量高維數(shù)據(jù)協(xié)助進(jìn)行房地產(chǎn)信用風(fēng)險(xiǎn)預(yù)測分析應(yīng)成為下一步研究目標(biāo)。

參考文獻(xiàn)：

[1]Maldonado， Sebastian， Bravo， et al. Integrated framework for profit-based feature selection and SVM classification in credit scoring[J]. Decision Support Systems， 2018. 104（Dec.）：113-121.

[2]Chawla N V， Bowyer K W， Hall L O， et al. SMOTE： synthetic minority over-sampling technique[J]. 2011.

[3]Tran K D， Thanh C T， Luc M T， et al. Machine learning based on resampling approaches and deep reinforcement learning for credit card fraud detection systems[J]. 2021.

[4]Li Z， Tian Y， Li K， et al. Reject inference in credit scoring using semi-supervised Support Vector Machines[J]. Expert Systems with Applications， 2017， 74：105-114.

[5]Danenas P， Garsva G. Selection of Support Vector Machines based classifiers for credit risk domain[J]. Expert Systems with Applications， 2015， 42（6）：3194-3204.

[6]Golbayani P， Florescu I， Chatterjee R. A comparative study of forecasting Corporate Credit Ratings using Neural Networks， Support Vector Machines， and Decision Trees[J]. The North American Journal of Economics and Finance， 2020， 54（1）：101251.

[7]Mushava J， Murray M. A novel XGBoost extension for credit scoring class-imbalanced data combining a generalized extreme value link and a modified focal loss function[J]. Expert Systems with Applications， 2022.

[8]Vassallo D， Vella V， Ellul J. Application of Gradient Boosting Algorithms for Anti-money Laundering in Cryptocurrencies[J]. SN Computer Science， 2021， 2（3）.

[9]Bai M， Zheng Y， Shen Y. Gradient boosting survival tree with applications in credit scoring[J]. Journal of the Operational Research Society， 2021（1）：1-17.

[10]Jha S B， Babiceanu R F， Pandey V， et al. Housing market prediction problem using different machine learning algorithms： A Case Study[J]. 2020.

[11]Qin C， Zhang Y， Bao F， et al. XGBoost optimized by adaptive particle swarm optimization for credit scoring[J]. Mathematical Problems in Engineering， 2021.

[12]Zhou X， Zhang W， Jiang Y. personal credit default prediction model based on convolution neural network[J]. Mathematical Problems in Engineering， 2020.

[13]Gao J， Sun W， Sui X. Research on default prediction for credit card users based on XGBoost-LSTM model[J]. Discrete Dynamics in Nature and Society， 2021.

[14]石寶峰， 王靜. 基于ELECTRE III的農(nóng)戶小額貸款信用評級模型[J]. 系統(tǒng)管理學(xué)報(bào)， 2018， 27（05）：854-862.

[15]楊蓮， 石寶峰. 基于Focal Loss修正交叉熵?fù)p失函數(shù)的信用風(fēng)險(xiǎn)評價(jià)模型及實(shí)證[J]. 中國管理科學(xué)， 2022， 30（05）：65-75.

[16]張雷， 王家琪， 費(fèi)職友， 羅帥， 隋京岐. 基于RF-SMOTE-XGBoost下的銀行用戶個(gè)人信用風(fēng)險(xiǎn)評估模型[J]. 現(xiàn)代電子技術(shù)， 2020， 43（16）：76-81.

[17]陳剛， 郭曉梅. 基于時(shí)間序列模型的非平衡數(shù)據(jù)的過采樣算法[J]. 信息與控制， 2021， 50（05）：522-530.

[18]柳培忠， 洪銘， 黃德天， 駱炎民， 王守覺. 基于ADASYN與AdaBoostSVM相結(jié)合的不平衡分類算法[J]. 北京工業(yè)大學(xué)學(xué)報(bào)， 2017， 43（03）：368-375.

[19]周穎， 蘇小婷. 基于最優(yōu)指標(biāo)組合的企業(yè)信用風(fēng)險(xiǎn)預(yù)測[J]. 系統(tǒng)管理學(xué)報(bào)， 2021， 30（05）：817-838.

[20]霍源源， 姚添譯， 李江. 基于Probit模型的中國制造業(yè)企業(yè)信貸風(fēng)險(xiǎn)測度研究[J]. 預(yù)測， 2019， 38（04）：76-82.

[21]方匡南， 章貴軍， 張惠穎. 基于Lasso-Logistic模型的個(gè)人信用風(fēng)險(xiǎn)預(yù)警方法[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2014， 31（02）：125-136.

[22]逯宇鐸， 金艷玲. 基于Lasso-Logistic模型的供應(yīng)鏈金融信用風(fēng)險(xiǎn)實(shí)證研究[J]. 管理現(xiàn)代化， 2016， 36（02）：98-100.

[23]周永圣， 崔佳麗， 周琳云， 孫紅霞， 劉淑芹. 基于改進(jìn)的隨機(jī)森林模型的個(gè)人信用風(fēng)險(xiǎn)評估研究[J]. 征信， 2020， 38（01）：28-32.

[24]王鑫，王瑩.基于LSTM-CNN的中小企業(yè)信用風(fēng)險(xiǎn)預(yù)測[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2022，42（10）：2698-2711.

[25]陳學(xué)彬， 武靖， 徐明東. 我國信用債個(gè)體違約風(fēng)險(xiǎn)測度與防范——基于LSTM深度學(xué)習(xí)模型[J]. 復(fù)旦學(xué)報(bào)（社會科學(xué)版）， 2021， 63（03）：159-173.

[26]李保林. 宏觀經(jīng)濟(jì)波動對房價(jià)走勢的影響——來自中國31個(gè)省市的經(jīng)驗(yàn)證據(jù)[J].西南金融，2019，No.452（03）：36-43.

An empirical study on credit risk prediction of China's real estate industry

—Based on Stacking Model

Xu Wan， Liu Shengti

（School of Management，University of Shanghai for Science and Technology，200093）

Abstract： In order to promote the steady development of the real estate industry， this paper combines ADASYN technology and Stacking algorithm to build a prediction model with excellent performance and strong fitness of the data set against the background of the data of the listed real estate enterprises， aiming to measure the relevant credit risks and make a modest contribution to China's prevention and resolution of major financial risks in real estate. The innovation lies in： firstly， from a macro perspective， the introduction of indicators closely related to the real estate industry， such as economic growth risk （GDP year-on-year - expected GDP year-on-year）， interest rate risk （10-year treasury bond bond yield）， inflation risk （0.3 * PPI+0.7 * CPI）， etc; The second is to construct a prediction model based on the fusion model idea， providing new ideas from a practical perspective to solve the problem of single traditional credit risk prediction models. The empirical results show that： 1. Stacking BPNN outperforms the single model to obtain the optimal performance index; 2. The reason why there is still a high risk value is due to the lack of motivation in the real estate related population and purchasing power， as well as the phenomenon of "sub health" of the enterprise itself. Risk enterprises are mainly concentrated in financial risk oriented real estate enterprises， strategic dislocation oriented real estate enterprises， and lack of competitiveness oriented real estate enterprises.

Key words： Real Estate Credit Risk; Stacking; ADASYN