軟信息、關系借貸與信貸違約風險度量—基于房地產上市公司的實證研究

■楊 贊 副教授 沈彥皓（清華大學建設管理系恒隆房地產研究中心北京 100084）

軟信息、關系借貸與信貸違約風險度量—基于房地產上市公司的實證研究

■楊 贊 副教授 沈彥皓（清華大學建設管理系恒隆房地產研究中心北京 100084）

本文基于2002-2010年滬深A股市場房地產上市公司銀行貸款數據，從關系借貸的角度間接度量并檢驗軟信息在違約風險模型中的作用。實證結果表明，銀企關系包含了財務數據等硬信息以外有關公司違約的重要信息，與僅采用硬信息的模型相比，同時包含硬信息和軟信息的模型能夠提高違約風險度量的準確性。文章為軟信息和關系借貸理論在公司違約研究領域的應用提供了經驗證據，對于優化違約風險度量模型具有較強的啟示意義。

軟信息 關系借貸 違約風險房地產公司

近年來，我國房地產業進入復雜的調整階段，行業發展面臨諸多不確定性。一方面，房地產公司的經營風險陡然增大；另一方面，銀行信貸對房地產開發的支持力度持續減弱。央行貨幣政策執行報告顯示，房地產開發資金來源國內貸款占比從2009年的19.8%下降到2012年的15.3%。在業績低迷和融資受限的雙重約束下，房地產行業資金鏈日趨緊張，公司違約風險對銀行信貸質量造成了實質性影響。根據銀監會年報，2011年房地產開發不良貸款余額353.2億元，占全部不良貸款的8.3%，不良率為0.97%，無論是絕對額還是不良率在各行業中都處于較高水平。在這一背景下，準確度量我國房地產公司信貸違約風險顯得尤為重要。目前，國內外文獻多采用財務數據等硬信息度量違約風險，而相對忽略了軟信息的作用。本文在以往研究的基礎上，深入分析軟信息在度量信貸違約風險中的重要作用，進一步完善了公司違約風險度量模型。

文獻回顧

表1 模型估計結果

根據可傳遞性的不同，金融市場上存在兩類信息，Stein（2002）將其分別定義為“硬”信息（Hard Information）和“軟”信息（Soft Information）。其中，硬信息是指可以被直接證實的信息，如公司財務信息，這類信息通常可以量化并記錄在紙面或電子文檔中，能夠準確無誤地在市場上傳遞；軟信息則是指除了信息供給者以外無法直接被其他市場參與者證實的信息，如借款公司管理者的品質或能力等，這類信息難以量化和傳遞，具有不可保證性，只能在有限范圍內被熟悉的市場參與者了解和掌握。軟信息的獲取依賴于融資雙方之間長期、密切的接觸，而財務報表等標準化方法在這方面通常無能為力。與軟信息密切相關的一個概念是關系借貸（Relationship Lending）。Masahiko Aoki和Dinc（1997）認為，銀行關于特定借款人的軟信息屬于專有知識，能夠避免其他銀行的“搭便車行為”，因此關系借貸作為一種融資制度，能夠激勵銀行通過生產軟信息來獲取壟斷租金或信息租金。Boot（2000）指出，關系借貸是銀行為獲取借款公司軟信息，并通過長期交易不斷評估這類信息實際價值而進行的一種投資行為。

軟信息和關系借貸理論在銀企間信貸交易領域得到了廣泛應用，但多數文獻聚焦于中小企業融資問題（Chang等，2010），對公司違約的研究較為有限。在少數相關文獻中，Grunert等（2005）針對德國公司的研究表明，相對于財務因素或者銀行內部信用評級中反映的非財務因素，兩者的組合能夠更加準確地預測公司違約。Chang等（2010）對我國某國有商業銀行借貸數據進行實證檢驗，結果顯示借貸關系中包含的軟信息能夠顯著改善違約預測結果，軟信息相對硬信息的重要性取決于借貸關系的深度以及硬信息的可靠程度。目前，國內公司違約研究多基于財務數據等硬信息，而相對忽略了軟信息的作用。本文基于我國房地產上市公司銀行貸款數據，通過設計一種實證研究方法來檢驗軟信息在度量公司信貸違約風險中的作用。

研究設計

（一）研究方法與模型設定

本文在借鑒Kau等（2012）基礎上，設計如下實證檢驗方法：假設銀企關系R由硬信息H和軟信息S決定，對于一個同時包含硬信息H和銀企關系R的違約風險度量模型，如果銀企關系R的回歸系數是顯著的，則說明銀企關系R能夠提供硬信息H以外的有效信息，即軟信息S；如果銀企關系R完全由硬信息H決定，則銀企關系R的回歸系數應該是不顯著的，因為銀企關系R反映的所有信息已經全部包含在硬信息H中。本文采用Logit模型建立公司違約模型，令P表示貸款發生違約的概率，則模型的基本形式可以表示為：

在Logit模型中，解釋變量是二分變量，即貸款違約和非違約，用yi表示貸款狀態，如果公司發生違約，取值為1；如果按期償還貸款，則取值為0。Xi是第i筆貸款的協變量向量，包括所有影響該筆貸款違約風險的因素。為了檢驗軟信息對模型風險度量準確性的影響，本文同時設計了兩個模型，分別稱為模型（I）和模型（II），其中模型（I）采用財務變量等硬信息，而模型（II）在財務變量基礎上進一步加入銀企關系變量。

（二）數據來源與樣本處理

本文根據中國證監會行業分類標準，在滬深A股市場篩選房地產上市公司。在此基礎上，手工翻閱公司公告，得到522筆貸款，貸款期限為2002-2010年，其中違約33筆，占比6.32%。樣本包括82家公司，平均每家公司記錄貸款6.37筆，平均貸款期限2.11年，違約貸款涉及11家企業，占全部樣本的13.4%。本文定義的信貸違約是指未能按期償還本金或到期時未能獲得銀行同意達成貸款展期、延期、續期或勾銷，屬于狹義定義，與是否違反貸款合同的其它條款無關。相關財務數據取自RESSET數據庫。

（三）變量選取

1.銀企關系變量。考慮到數據可得性，本文從以下三個方面選取變量：銀企關系的持續時間（Duration）。關系借貸離不開銀企間的長期交易，保持長期關系有利于雙方增進信任，從而為軟信息的有效傳遞奠定基礎。由于在公開市場上很難直接獲得該變量，本文借鑒隋毅（2012）的做法，采用樣本公司成立時間作為銀行關系持續時間的替代變量；銀企關系的多樣性（Multiplexity）。采用銀行或銀行控股的其他金融機構是否是房地產公司前十大股東作為銀企間多樣性關系的表征變量，如果是取值為1，反之取值為0。銀行與借款公司之間同時存在債權和股權關系，將更加有利于雙方之間的信息交流；企業的政府背景（Background）。如果公司具有較強的政府背景，則往往意味著該公司能夠更方便地獲取和調動所需的政治或政策資源，這對于銀行而言無疑是一種好的軟信息（殷孟波，2012）。在銀行看來，政府的支持表明了政府在項目中的隱性擔保，即便項目最終失敗，政府也會進行救助。因此，本文采用上市公司的國有股比例來反映企業的政府背景。

表2 違約風險度量準確度比較

2.財務變量。本文在總結一般財務分析方法和國內外相關實證研究基礎上，首先從盈利能力、償債能力、成長能力、營運能力和資本結構等方面選取24個備選變量，然后采用統計檢驗方法進行篩選。統計檢驗包括兩個步驟，先采用Wilcoxon秩和檢驗方法來計算特定財務比率在違約樣本和非違約樣本之間差異的顯著性水平，得到初選結果后測算各變量之間的相關系數，最終得到10個財務變量進入模型，包括：凈資產收益率X1，由凈利潤除以股東權益得到；銷售凈利率X2，由凈利潤除以營業收入得到；利息保障倍數X3，由息稅前利潤除以利息費用得到；營業收入增長率X4，由本期營業收入除以去年同期營業收入后減1得到；凈利潤增長率X5，由本期凈利潤除以去年同期凈利潤后減1得到；凈資產增長率X6，由本期凈資產除以去年同期凈資產后減1得到；應收賬款周轉率X7，由主營業務收入除以應收賬款得到；總資產周轉率X8，由主營業務收入除以資產總額得到；資產負債率X9，由負債總額除以資產總額得到；固定資產比率X10，由固定資產凈額除以資產總額得到。為了克服離群值影響，對前述變量進行頭尾各1%的Winsorized縮尾處理。

在數據處理方面，銀企關系變量和公司財務變量均調整為季度數據，本文采用貸款合同約定到期日之前一個季度的數據進入模型。

實證研究與模型有效性檢驗

（一）描述性統計

在樣本中，銀企關系的平均持續時間為10.79年；銀企關系的多樣性指標平均值為0.76；公司國有股比例平均為16.75%。樣本公司的凈資產收益率平均值為5.19%；銷售凈利率平均值為12.61%；利息保障倍數平均值為7.35；營業收入增長率平均值為15.10%；凈利潤增長率平均值為22.12%；凈資產增長率平均值為10.74%；應收賬款周轉率平均值為18.29；總資產周轉率平均值為0.15；資產負債率平均值為66.78%；固定資產比率平均值為1.52%。

（二）模型回歸結果

在模型回歸階段，對模型（I）和（II）分別采用逐步回歸法進行變量篩選和參數估計，只保留顯著性水平低于10%的變量，其他變量自動剔除。從結果來看，對于模型（I），最終有五個財務變量經過篩選，這些變量的系數方向與預計方向均保持一致。在模型（II）中，反映銀企關系的變量Duration、Multiplexity和Background的回歸系數分別在1%、5%和10%的水平下顯著，從而證明了在房地產上市公司違約風險度量中，銀企關系包含了財務數據等硬信息以外的有效信息；同時，上述變量的系數方向均為負，與預期完全一致，說明銀企關系的持續時間、關系的多樣性以及企業的政府背景都是“好”的軟信息，可以顯著降低公司的違約風險，結果如表1所示。

（三）模型有效性檢驗

本文進一步比較模型（I）和（II）的有效性差別。根據模型（I）的回歸結果，違約概率可以表示為：

根據模型（II）的回歸結果，違約概率可以表示為：

本文將樣本貸款到期日之前一個季度的數據分別代入式（2）和式（3），計算得到每一筆貸款的預期違約概率。在此基礎上，把各筆貸款按照違約概率由高到低進行排序，然后將該序列十等分，其中序列越高的部分代表違約概率越高，序列越低的部分表示違約概率越低，之后計算每一部分實際發生違約的貸款占樣本期內全部違約貸款的比重，最終得到結果如表2所示。在表2中，十等分的最高部分（1）代表了對公司違約貸款的正確分類，而最低部分（6-10）則可以視作是犯了第一類錯誤，即對公司違約貸款的錯誤分類。從結果來看，模型（II）在度量違約風險準確度方面明顯優于模型（I）。模型（II）將75.76%的違約貸款歸類到最高風險等級；而模型（I）只能把60.61%的違約貸款歸類到最高風險等級。因此研究結果表明，軟信息有助于提高模型的風險識別和判斷能力。

結論

本文設計了一種實證研究方法，可以從關系借貸的角度間接度量并考察軟信息在度量違約風險中的作用。基于2002-2010年期間我國房地產上市公司銀行貸款數據，本文首先從銀企關系的持續時間、多樣性以及企業的政府背景等方面選取銀企關系變量。在此基礎上，同時構造了兩個可供比較的信貸違約風險度量模型，其中模型（I）采用財務變量等硬信息，模型（II）在財務變量以外進一步納入銀企關系變量。實證結果表明，銀企關系變量包含了財務變量等硬信息以外有關公司違約的重要信息。與僅采用硬信息的模型（I）相比，包含軟信息的模型（II）大大提高了違約風險度量的準確性。

本文的研究結論為軟信息和關系借貸理論在公司違約領域的應用提供了經驗證據。并且發現，軟信息和關系借貸的價值不僅體現在增加資金可得性、降低貸款利率和抵押擔保要求等方面（崔向陽，2007），還有助于提高商業銀行對公司違約風險的判別能力。同時，本文對于改進和優化信貸違約風險度量模型具有較強的啟示意義。銀行信貸行為與證券投資行為存在較大不同，證券投資者可以在任意時間買賣公司證券，很少有動力去監督企業；而銀行貸款流動性較小，為了保障貸款安全性，銀行有足夠的積極性來生產借款公司的軟信息，因此準確的違約風險度量不僅建立在硬信息基礎上，還在很大程度上依賴于軟信息。

1.Stein J C. Information production and capital allocation： Decentralized versus hierarchical firms[J]. The Journal of Finance, 2002, 57(5)

2.Boot A W A. Relationship banking：What do we know? [J]. Journal of financial intermediation, 2000, 9(1)

3.Chang C, Liao G, Yu X, et al. Information from relationship lending： evidence from loan defaults in China [J]. European banking center discussion paper，2010 (2009-10S)

4.Kau J B, Keenan D C, Lyubimov C,et al. Asymmetric information in the subprime mortgage market [J]. Journal of Real Estate Finance and Economics, 2012, 44(1-2)

5.隋敏.企業社會資本研究[D].中國海洋大學博士論文，2012

6.殷孟波.金融業全面開放下的商業銀行信貸行為研究[M].西南財經大學出版社，2012

7.崔向陽.關系融資研究與探索[M].中國財政經濟出版社，2007

沈彥皓（1987年-），清華大學建設管理系恒隆房地產研究中心碩士研究生。

F830

A

楊贊（1968年-），經濟學博士，清華大學建設管理系恒隆房地產研究中心副教授、博士生導師，主要從事房地產經濟與金融研究。