商业银行房地产信贷风险度量方法比较

何叶荣，范志豪

(安徽建筑大学 经济与管理学院，安徽 合肥 230601)

一、引言

近年来，我国房地产业发展十分迅速，为防止房地产泡沫的出现，政府颁布了一系列限购和限贷政策。而房地产业由于自身资金大、周期长、风险大等特点受政策影响非常大。调控政策在一定程度上给房地产市场降了温，但也给房地产企业带来了一定的信用风险。我国房地产企业融资渠道较为单一，大多来自于商业银行的信用贷款，当房地产企业发生信用危机时，商业银行也会受到波及，进而威胁金融市场，引发更大的危机。因此，对商业银行房地产信贷风险度量的研究刻不容缓。

早在1968 年，国外学者ALTMAN 就利用判别分析法对企业的破产概率展开了研究。由于判别分析法存在一些缺陷，MARTIN 首次使用Logistic 模型研究破产企业和非破产企业的差别，预测银行的信贷风险，研究结果表明，Logistic 模型不仅正确率高且可以追踪主要风险因素[1]；SJUR 等学者利用企业的财务数据，建立Logistic 模型以探索企业财务风险的影响因素，结果表明，企业规模、资本结构、资产收益率、短期流动性等是主要的风险影响因素[2]；MICHIKO 在使用企业财务数据的基础上，加入银行多年收集的非财务信息，构建Logistic模型，研究结果表明，不仅财务信息而且非财务信息也是影响企业信贷违约的风险因素[3]；CONSTANTINESCU 和MIHAI 将Logistic 模型延用至银行对个人信用贷款的评估，研究结果表明，除个人的偿债能力外，居住地、居住年限、年龄等基本信息也是影响个人信用贷款评级的重要因素[4]。

国内学者对于房地产企业信贷风险度量的研究可以分为两个方面：一是对企业信贷风险影响因素的研究。王拉娣等利用VAR 模型对房价与银行信贷的关系进行了研究，研究证明房价的上涨会加剧商业银行的信贷风险[5]；张李登等利用房地产动态随机一般均衡（DSGE）模型也得出了同样的结论，房价波动冲击和利率冲击是我国住房信贷的主要风险因素[6]；王蕾等从银行的内部因素分析，认为提高银行对企业财务指标的关注度，可以有效地抑制银行信贷风险的发生[7]。二是对房地产信贷风险度量的研究。Logistic 模型是常用的分析模型，一般使用主成分分析作为变量筛选手段。王俊籽和刘澜涛从微观角度出发，以企业财务数据为样本，利用主成分分析筛选财务数据建立Logistic 模型，实证结果显示，提高盈利能力是企业降低信贷风险的主要方法[8]；胡胜等在采用企业财务报表作为样本数据的基础上，加入了宏观经济指标，以此建立Logistic 模型，模型正确率高达98.5%，结果显示，不仅企业自身的经营状况，而且宏观经济的形势也是影响房地产企业信贷风险的主要因素[9]。除了主成分分析外，颜哲等利用独立性T 检验代替主成分分析作为数据筛选的手段，建立Logistic 模型，并与主成分分析Logistic 模型的结果进行对比，认为T 检验比主成分分析更为优越，更加适合于我国房地产公司的财务危机预测[10]。也有学者利用判别分析研究企业的信贷风险。李红立等利用37家房地产上市企业2004 年的财务数据建立判别分析模型，并以相同企业2006 年的财务数据检验模型效果，检验模型正确率高达97.3%[11]；徐晓莉、陈佩佩用主成分分析对24 家地产企业的财务数据进行处理后，再建立判别分析模型，结果发现模型效果良好[12]。

通过对中外文献的梳理，国内外学者对企业信贷风险度量的研究大多是针对单一模型效果的评价，而对不同模型优劣性的研究相对较少，在一定程度上会使模型缺乏说服力。本文基于主成分分析、独立性T 检验、判别分析法、Logistic 回归法4种方法设计4 组模型，通过分析比较各组模型的优劣以探寻最佳的房地产信贷风险度量模型。

二、财务指标的确定

通常情况下，银行信贷风险主要体现为企业不遵守合同约定导致银行利益亏损和企业不按时还款导致银行利益亏损两种现象，即违约和逾期两种风险，而违约风险随逾期风险正向波动，因此使用企业的违约风险即可描述银行的信贷风险。企业的违约风险可以从宏观和微观两个层面进行分析。宏观层面的影响因素主要包括房屋销售价格、整体经济环境、银行利率等，宏观经济因素是重要的影响因素，但它与企业违约风险的关系并不直观，以此建立模型会在一定程度上脱离实际，降低模型的真实性。而微观因素主要来源于企业的财务报表，能够直观反映企业的经营状况，是最值得考虑的风险因素。

本文从微观角度出发，基于上市企业的财务报表对企业的经营状况进行分析。对于具体财务指标的选取，学术界尚无定论，一般需通过对财务比率大量的计算才能得出，也可从已有的文献中选取如流动速率、产权比率等具有代表性的财务指标。本文通过财务计算，综合相关文献[13-17]，选取36 个财务指标，对其进行归纳分类，并整合相似性高的指标，最终确定23 个对企业违约率有显著影响的指标（如表1 所示），这些指标分别反映了企业的偿债能力、盈利能力、营运能力、发展能力、现金流状况等五个方面。由于财务报表的私密性，本文数据选取我国192 家上市房地产企业2019 年的财务报表，财务数据来源于国泰安数据库，计量软件使用SPSS 25.0。

表1 最初选取的财务指标

“ST”是我国公开对出现经营异常企业实施的一种特殊措施，被加上“ST”的企业至少连续出现两年及以上的亏损或者财务异常，违约概率较大，且上市地产公司的违约信息又难以获得。为此，本文拟定“ST”企业作为违约企业，“非ST”企业为正常企业。将192 家房地产上市企业分为两组，一组是正常经营的“非ST”企业，共184 家；一组是财务状况连续出现亏损的“ST”企业，共8 家。

三、模型构建

（一）判别模型

判别分析模型是企业常用的财务风险度量方法，其计算速度快、成本低且信用语言稳定可靠。假设Y为上市企业违约风险的判别值；X(x1,x2,…,xm)为企业财务指标；i为财务指标的数量；房地产上市公司的样本数量为k；γ为常数项，δ为判别系数。判别函数的一般形式为：

（二）Logistic 模型

Logistic 回归模型是对数线性模型的一种特殊形式，不同于普通的线性回归模型，它可以使用二分类变量作为因变量，无需数据满足正态分布，是应用最为广泛的风险度量模型。Logistic 模型基本形式为：

式（2）中，S=α0+α1x1+α2x2+…+αnxn,α0表示常数项，α1,α2,…,αn表示待估计系数，x1,x2,…,xn表示解释变量；被解释变量P表示企业违约概率，P的取值在0 到1 之间。为方便分析，一般假设Y代表是否违约，x1,x2,…,xn为影响Y的自变量。Y与xi的关系式可表达为：

以P=0.5 为分界点，P＞0.5 时，判定该企业违约风险较高，为“ST”企业；P＜0.5 时，判定该企业违约风险较低，为“非ST”企业[18]。

四、实证研究

（一）预测变量的选取

为提高模型精确度，需选取相关性低的财务指标作为预测变量。指标初步确定后，分别使用主成分分析和独立性T 检验筛选财务指标，以减少指标间多重共线性，降低相关性。

1.基于主成分分析法的数据筛选

首先对数据进行KMO 和巴特利特检验，以判定样本能否继续主成分分析。KMO 检验值为0.624，大于标准衡量值0.6，即表示初始指标间相关性较强。巴特利特检验的sig 值为0.000，小于显著性水平0.05，即初始指标间存在显著相关性，说明数据适合做主成分分析。累计贡献率可表示所提取主成分对原始数据的覆盖程度，通过计算得到9 个主成分因子，其样本贡献度为75.709%，即所提取的主成分因子涵盖了原始指标75.709%的信息，可代表原始指标作为模型预测变量。

由因子荷载矩阵得到9 个因子分别为：F1主要表达了流动比率、速动比率、现金比率等指标；F2主要表达了资产报酬率、总资产净利润率、流动资产周转率、总资产周转率等指标；F3主要表达了资产报酬率、总资产净利润率、营业毛利率等指标；F4主要表达了资产负债率、产权比率、净利润现金净含量、营业利润现金净含量等指标；F5主要表达了净资产收益率增长率、净利润增长率；F6主要表达了净资产收益率、现金适合比率指标；F7主要表达了总资产增长率、营业收入增长率指标；F8主要表达了应收账款周转率、存货周转率；F9主要表达了投资收益率。

2.基于独立性T 检验的数据筛选

在独立性T 检验中，若指标莱文方差检验的显著性水平大于0.05，且该指标的均值等同性T 检验满足显著性水平小于0.05 时，则可认为该指标在区别“ST”企业与“非ST”企业上有显著相关性，可作为模型自变量。通过计算筛选出资产负债率、产权比率、净资产收益率、总资产增长率四项财务指标作为预测变量。

（二）模型建立

1.判别分析模型

（1）T 独立性检验

使用逐步判别法，对独立性检验出的4 个财务指标进行再筛选，得到资产负债率、净资产收益率两个关键财务指标。将其作为预测变量，企业违约与否作为分组变量，以构建多元判别分析模型。当Y1大于Y2时，该企业为“非ST”企业，否则为“ST”企业。

“非ST”房地产企业风险度量模型：

Y1=-7.561+19.968 资产负债率+14.877 净资产收益率

“ST”房地产企业风险度量模型：

Y2=-2.589+10.717 资产负债率-4.325 净资产收益率

（2）主成分分析

同理，利用逐步判别分析法得出的F1、F4、F63 个关键指标，建立多元判别分析模型。

“非ST”房地产企业风险度量模型：

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

“ST”房地产企业风险度量模型：

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

2.Logistic 模型

（1）T 独立性检验

经过Logistic 模型筛选，在T 独立性检验得出的4 个指标中，总资产增长率的显著性不高，予以剔除。资产负债率、产权比率、净资产收益率的显著性较低，可作为关键财务指标，如表2 所示。现将这3 个指标做为预测变量，企业违约概率P为被解释变量，拟合Logistic 回归模型：

表2 方程中的变量

模型建立后利用Hosmer-Lem show 检验法对其拟合优度进行检验。该检验假设拟合模型与真实模型没有偏差，P值小于0.05 时，拒绝假设成立。该模型P值为0.999，大于0.05，原假设成立，检验通过，同时卡方值为0.770，说明本文拟合模型与真实模型偏差小，模型效果好[19]。

（2）使用主成分分析建立

如表3所示，5个因子F1、F3、F4、F5、F6对企业违约有显著性影响，以其为预测变量，企业违约概率P为被解释变量，拟合Logistic回归模型：

表3 方程中的变量

使用Hosmer-Lem show检验法对所建模型进行检验，该拟合模型P值为0.985，大于0.05的显著性水平，原假设成立，该拟合模型与真实模型没有偏差，且卡方值为1.862，说明本文的拟合模型与真实模型偏差很小，拟合效果好，可代表真实模型，模型结果有意义。

（三）模型预测正确率

为了更直观地表现模型预测效果，现将各组模型结果汇总图形化，见图1。由图1 可知，使用判别分析模型的两组使正确率在85%左右，其中使用主成分分析法的组总体正确率较高，但对于“ST”企业的预测效果不好，仅为62.5%。使用Logistic模型的两组正确率在95%左右，同样，使用主成分分析的组的模型预测总体正确率最高为95.8%，对“非ST”企业的预测正确率高达99.5%，但对“ST”企业的预测正确率仅为12.5%。综合来看，4 组模型的总体预测正确率均在84%以上，最高组高达95.8%，这说明本文的研究对企业信贷风险的度量研究具有一定的参考意义。

图1 模型预测汇总直方图

五、结论

多数学者对于信贷风险度量方法的研究只是利用单一模型的正确率来分析模型预测效果，缺少横向比较，一定程度上缺乏科学性。本文在学者们研究的基础上，利用企业财务数据对4 组常用模型进行横向对比，分析比较各组模型的优劣性以得出最佳的风险度量模型，使实证结果更直观、更具说服力。实证结果显示，判别分析模型总体的预测误差率高达15%，这对投入资金大、项目周期长的房地产行业来说是不可接受的。而Logistic 模型的平均误差率在6%以内，整体预测效果明显高于判别模型，高达95.8%的预测正确率能较好地完成风险预警工作。这可能和判别分析的特性有关：只有在数据满足正态分布时，判别分析模型才能获得最优效果，这给判别分析的使用限制了范围。而Logistic模型则无需数据满足正态分布也可取得良好效果，Logistic 模型的使用范围更广。

指标筛选方面发现，采用独立性检验作为指标特征选择的模型相对主成分模型来说，误差率更大，这说明使用该方法选择的财务指标，在一定程度上与企业违约风险的相关性较小，并不可靠，不足以描述企业的违约风险。独立性检验认为，影响企业违约风险的因素是资产负债率、产权比率、净资产收益率。而主成分分析则认为流动比率、速动比率、现金比率、营业毛利率、净利润现金净含量、营业利润现金净含量、净资产收益率增长率、净利润增长率、净资产收益率、现金适合比率等指标是影响企业违约风险的因素。显然，独立性检验得出的影响因素较少，不利于房地产企业自身的调整并且与实际并不相符，缺少了公认的影响因素，如代表企业偿债能力的流动比率、速动比率等相关指标。而主成分分析得出的指标则综合了企业的偿债能力、盈利能力及营运能力等方面，更贴合实际，对于房地产上市企业的自我改正和银行信贷对象选择方面有重大意义。

通过对以上4组模型结果的分析得出一种可靠的风险度量方法：主成分Logistic模型。主成分Logistic模型是四种模型中预测误差率最低，效果最好的模型，它的适用范围更广，有高达95.8%的预测正确率，近96%的预测正确率对商业银行判断资金流大、项目周期长的房地产企业的违约风险至关重要。在违约风险因素的筛选方面也更具有优势，指标选择有普适性，让银行能对风险影响因素进行准确追踪，使商业银行对于房地产企业的风险评估有侧重方向，为后期的企业信贷风险评价做好前期工作。