商業銀行對房地產企業信用評價方法研究

李 楠 劉志杰

1 研究意義

現代商業銀行經營管理的核心內容之一就是風險管理。在我國,信用風險度量和管理方面的研究和運用相當滯后,信用風險度量和評級主要是定性方法,方法簡單而粗糙,缺乏一致性和有效性。近幾年,房地產業成為我國國民經濟的支柱產業之一。由于房貸資產質量相對較高,房地產信貸業務中所產生的金融風險較其他種類的信貸業務而言相對較小,商業銀行普遍大力發展房地產信貸,加大了金融風險的存在。因此我國商業銀行房地產信貸面臨著比較大的風險,制定必要的防范措施,是我國商業銀行必須完成的任務[1]。

2 房地產企業信用評價指標體系的確立

指標選取如表1所示。

表1 指標體系

3 評價模型的選擇及應用

Logistic函數(羅吉斯蒂函數)又稱增長函數。Logistic回歸在信用評價領域應用已經相對比較成熟,并被認為在諸多統計學方法中精確性和穩健性較高,關鍵在于Logistic回歸可以克服其他統計學模型的很多缺點,在分類中具有較好的特性[2]。

3.1 Logistic回歸模型基本原理

本文將是否獲得貸款 y與指標變量xi之間通過pi(給定 xi條件下y=1的概率)發生關系。該模型可表示為 f(x)=ln[pi/(1-pi)],建立回歸模型方程為:

給定一組客戶樣本{(xi,yi),其中,xi為企業的指標變量;yi為一個二分類的屬性變量,yi∈[0,1](yi=0表示第 i個企業違約,yi=1表示第 i個企業不違約),使用 Logistic回歸模型可以用來判斷一個企業是否違約,公式如下:

其中,X為m維向量;β為維待求的系數。通過極大似然估計法進行求解:

設從總體中隨機抽取n個樣本,分別表示為y1,y2,…,yn,設Pi=P(yi=1|X),在給定的 xi條件下,yi=1的概率。同理可得,yi=0的概率可表示為:P(yi)=( 1-Pi)1-yi。

因為各項觀測相互獨立,其充分必要條件就是其聯合概率分布,設為L(θ)等于各邊界分布的乘積:

其中,L(θ)為n個觀測值的似然函數。對于確定的標本值yi(i=1,2,…,n)來說,它是 β0和 β1(i=1,2,…,n)的函數,即我們的目的是求出參數的估計量,且應使 L(θ)最大,選擇使 ln[L(θ)]最大,根據 Logistic函數,可以得到式(4):

分別對 βi(i=0,1,…,m)求偏導數,并令其為0,得到公式:

式(5)與式(6)得出的βi為極大似然估計,而相應的條件概率估計值為Pi,這個值是指在給定的 xi的條件下yi=1的概率估計值,其代表了Logistic回歸模型的擬合值或預測值[3]。

3.2 指標數據的選擇和處理

主要選取上市的房地產公司與本地的房地產企業截至2008年12月的財務及其他指標數據,其中上市的公司股票包括ST股票與*ST股票。對指標進行無量綱化處理,使指標介于[0,1]之間,所謂無量綱化處理就是對評價指標數值的標準化、正規化處理,它是通過一定的數學變化來消除原始數據量綱影響的方法。

3.3 Logistic模型的應用

采用軟件SPSS13.0對數據進行處理,經過對變量篩選方法的逐個實驗,使用多元逐步回歸分析(step wise)方法對 Logistic回歸模型進行變量篩選。表2中,R為判定系數,它是回歸方程擬合優度的一個度量,估計值的標準差越小,估計值代表的線性就越大,相關點的離散程度就越大。判定系數與調整判定系數越高說明模型的擬合程度越好[4]。從表2可以看出,經過10步擬合樣本的判定系數為1,調整后的判定系數也為1,說明該模型有較好的整體擬合性,已經達到了模型建立的要求。

表2 模型總結

表3是指標變量經過9次篩選,最終保留了 x1,x2,x3,x4,x5,x6,x8,x9,x109個變量,變量 x7被剔除。在回歸方程中變量被逐一挑選進入回歸模型,最后指標 x7被保留,說明指標 x7未進入回歸模型,已被剔除。并給出了經過擬合后的模型的指標系數。

通過上面的計算和SPSS分析我們可以得到檢驗樣本的回歸模型方程的表達式為:

表3 擬合后的模型指標系數

3.4 應用結果分析

從最終回歸模型式(7)的回歸系數可以看出,主營業務利潤率、凈利潤率、速動比率、資產負債率、應收賬款周轉率、土地儲備、信用記錄、項目市場評估這9項指標會對房地產企業是否違約的概率有較大的影響,這些因素在一定程度上可以反映出企業的還款能力及信用程度。重新選取新的樣本帶入回歸模型檢驗該模型的穩定性和精確性,模型的準確度均達到了90%以上,可見,模型對樣本的穩健性和適應性較好。

4 結語

通過文章的分析,商業銀行對房地產企業的信用分析在商業銀行信用風險管理中具有重要的作用和意義,所得到的評價結果也就有一定的解釋性,但同時由于數據選取的完善性和全面性受到實際情況的制約,這就需要我國建立一個更加規范化的數據庫系統,這樣才能使信用評價結果更加準確和適用。希望通過本文的研究能使商業銀行貸款的信用風險降到最低的同時房地產業能得到最大的收益。

[1]王希迎,丁建臣,陸桂娟.房地產企業融資新解[M].北京:中國經濟出版社,2005:94-95.

[2]楊 軍.銀行信用風險——理論、模型和實證分析[M].北京:中國財政經濟出版社,2004:79-82.

[3]許承德,張池平.工科大學數學教程[M].哈爾濱:哈爾濱工業大學出版社,1997:221-229.

[4]呂振通,張凌云.Spss統計分析與應用[M].北京:機械工業出版社,2009:103-209.