基于Logistic模型的我國房地產企業信用風險度量研究

胡 勝，雷歡歡，胡華強

(1.九江學院，江西 九江 332005；2.鄭州航空工業管理學院，河南 鄭州 450000 )

一、引言

近十年來，我國房地產行業快速發展，其投資及其投機性質已經成為社會關注的熱點問題。十九大報告中指出“堅持房子是用來住的、不是用來炒的”，我們將要加快保障房供給，減弱房地產的投機屬性，加強住宅的消費品屬性，推進房地產稅立法和實施，建立以法律控制手段為支撐的房地產市場長效調控機制。出臺的一系列限購和限貸調控政策雖然抑制了發展過熱的房地產市場，但也使房地產企業信用風險開始慢慢暴露和顯現。

房地產企業的信用風險主要體現在房地產借款企業是否有能力償還所借款項、是否有主動承擔還款義務的責任感等相關方面。一般來說，房地產企業融資具有資金規模大、使用周期較長等特性[1]，且房地產經濟體量大、振幅寬。一旦房地產企業出現危機，就影響金融穩定，甚至會不利于社會經濟的健康發展。

在美國、日本等一些國家及香港地區，已經出現了因房地產泡沫破裂導致房地產投資者損失慘重、國家經濟危機發生。其中2007年的美國次貸危機就是因為房地產次級抵押貸款市場出現信用風險，大量借款者不能按期償還住房抵押貸款而引起，美國十幾家次級抵押貸款銀行一時間紛紛被迫申請破產保護，且從次貸領域迅速轉向優質房貸按揭、公司信貸、消費信貸等，蔓延至全球金融市場及實體經濟領域，導致2008年全球金融危機開始全面爆發[2]；到2008年11月,美國就業率急劇下降，新增失業人數超過75萬人；2009年3月2日，道瓊斯指數已經從危機前的14000多點跌到6800點，跌幅超過50%。20 世紀 80 年代末日本也發生了因房地產價格泡沫問題重創日本經濟。日本的房地產價格1986-1991 年平均地價增長 207.1%，商業地價更是增長3倍，日本房地產價格泡沫急劇膨脹；日本政府通過提高政府貼現率、停止房地產企業貸款等系列“電擊療法”措施遏制房地產價格的飛速上漲，到1997年名義平均地價比 1991年下降 21.8%，商業地價下降 34.1%，全國土地市值縮水30%[3]。日本房地產泡沫的破裂使日本需求下降、產業抑制、經濟萎縮等，日本經濟此10年間沒有發展，史稱“失去的日本十年”。

國內外學者不斷應用Logistic 模型于信用風險度量研究。Martin(1977)依據投資主體的風險偏好，基于Logistic 模型探討公司的違約率、風險警戒線及破產等[4]。Ohlson(1980)通過增加財務變量及虛擬變量構建Logistic回歸模型，判別準確率高達96.12%[5]。Sjur W (2001)通過Logit回歸分析認為企業規模、資本結構、資產收益率、短期流動性等因素能有效識別公司財務風險度及破產率[6]。國內喬卓(2002)等運用 Logistic 模型分析我國上市公司的違約風險，驗證Logistic 模型有較好的應用性[7]；龐素琳(2006)通過精選相關變量及樣本數量，建立的Logistic回歸信用評價模型的判別準確率高達了99.06%[8]；張春偉(2012)選取116家房地產企業及16個指標數據構建Logistic模型，模型擬合效果良好，對企業信用風險的判別準確率達到了96.2%[9]；王俊籽等(2017)通過比較不同類型信貸風險度量模型在房地產信用風險的預警運用[10]，顯示Logistic模型相對準確率較高，企業提高股東權益、現金流量以及短期償債能力等都能夠有效降低房地產信貸風險。本文在借鑒國內外學者的研究基礎上，結合我國實際情況建立Logistic模型探討我國房地產企業信用風險。

二、樣本選取及初始財務指標選取

Logistic模型使用最大似然估計法對參數進行估計，它對樣本數據是否存在正態分布要求不高，所需的參數也較少。Logistic模型表達式形式為：

其中Z=β0+β1x1+β2x2+…+βnxn；β0表示常數項，β1,2…n表示回歸系數，x1,2…n表示財務指標自變量，因變量P表示企業違約概率，當Z趨于-∞時，P趨近于0，定義為企業不存在信用風險；當Z趨近于+∞時，P趨近于1，定義為存在信用風險企業[11]。

本文樣本選取我國2015年131家房地產上市企業，樣本指標分為償債能力指標、獲利能力指標、營運能力指標、發展能力指標、宏觀經濟指標等五個方面共20個指標(見表1)。未上市企業的財務數據不對外公布，不易獲得，而上市企業的財務報告比較齊全，數據經過審計比較真實可靠，容易獲得[12]。財務指標數據主要來源wind數據庫及中國統計年鑒。

把131家房地產企業分成兩組，一組是公司經營業績良好，沒有被“ST”及“*ST”的企業，共126家，是正常組企業；一組是財務狀況出現問題，被“ST”及“*ST”的企業，共5家企業，是非正常組企業?！癝T”是指證監會宣布對連續兩年虧損、出現財務狀況異常的上市公司實行特別處理的簡稱，“*ST”是指證監會宣布對連續三年虧損，有退市風險的上市公司作出退市預警的簡稱[13]。被“ST”及“*ST”的上市公司一般來說因為連續虧損、公司業績較差、財務問題嚴重等，違約概率大，被視作違約企業風向標。

表1 選取指標及分類

三、Logistic模型建立

(一)主成分分析

運用spss19.0軟件對131家財務數據進行主成分分析，提取主成份因子。為了消除觀測量綱和數量級差異的影響，需要對樣本觀測數據進行標準化處理。

(1)樣本數據處理與檢驗

表2所示樣本數據中并沒有存在數據丟失的情況，有效樣本數為131個。經過標準化處理的數據可以提高回歸分析的準確性。數據標準化處理后還得檢驗數據是否適合進行因子分析以及來自于正態分布總體，為此選擇使用KMO和Bartlett檢驗方法對數據進行檢驗。

表2 描述統計量

表3所示KMO度量值為0.618，大于0.5，sig值為0.000，小于顯著性水平0.05，表示數據比較適合進行因子分析，符合正態分布性能較好[14]。

(2)公因子解釋程度分析

表3 KMO 和 Bartlett 的檢驗

表4 公因子方差

由表4可以看出大部分初始因子的被反映解釋程度都很高，只有銷售凈利率、存貨周轉率等解釋程度相對較低，遺失信息相對多些，但不影響本文所建模型質量。

(3)主成分因子提取。為了降低所選20個財務指標的多重相關性，運用主成分分析法線性變換成少量的不相關綜合變量。碎石圖是反映各個因子的重要程度，因子越重要，特征值越大，直線也就越陡峭(見圖1)。顯而易見，前3個因子的特征值最高，作用最明顯，從第10個因子開始作用力越來越小，且取值都小于1可以忽略不計。依據總方差及旋轉成份矩陣綜合計算分析，提取9個主成分因子分別定義為FAC1、FAC2、FAC3、FAC4、FAC5、FAC6、FAC7、FAC8、FAC9，這9個因子共同解釋了總方差的76.553%，總的來說因子信息比較完整，9個因子基本上包含了所有指標的信息[15]。這9個因子分別定義：

圖1 碎石圖

FAC1主要表達了流動比率、速動比率、現金比率等指標，反映了企業的償債能力；FAC2主要表達了主營業務收入增長率、凈資產增長率、總資產增長率等指標，反映了企業的發展能力；FAC3主要表達了資產報酬率、凈資產收益率、銷售凈利率等指標，反映了企業的獲利能力；FAC4主要表達了存貨周轉率等指標，反映了公司的營運能力；FAC5主要表達了房屋銷售價格指數，反映了宏觀經濟指標中的房價因素；FAC6主要表達了應收賬款周轉率指標，反映了公司的營運能力；FAC7主要表達了利息保障倍數和GDP變動率指標，反映了企業的償債能力和所處的宏觀環境；FAC8主要表達了國房景氣指數，反映了企業宏觀經濟指標中的發展因素；FAC9主要表達了長期貸款利率，反映了企業宏觀經濟指標中的利率因素。經過標準化處理后，各因子表達式如下(見表5)：

FAC1=0.309X1+0.303X2+0.301X3+0.005X4-0.121X5+0.028X6-0.006X7-0.002X8-0.076X9+0.025X10-0.063X11-0.071X12+0.051X13-0.063X14+0.042X15+0.01X16-0.026X18-0.009X19-0.006X20

FAC2=0.018X1+0.018X2+0.017X3-0.036X4-0.004X5-0.044X6-0.022X7-0.04X8-0.001X9+0.01X10+0.011X11+0.069X12+0.285X13+0.208X14+0.312X15+0.325X16+0.049X17-0.041X18+0.00X19-0.003X20

FAC3=-0.017X1+0.017X2+0.018X3+0.117X4+0.031X5+0.315X6+0.348X7+0.358X8+0.051X9+0.007X10-0.043X11+0.255X12-0.071X13+0.067X14-0.053X15-0.049X16-0.113X17-0.014X18+0.048X19-0.016X20

FAC4=-0.095X1-0.045X2-0.032X3-0.23X4-0.405X5-0.133X6-0.071X7+0.141X8+0.253X9-0.144X10+0.610X11-0.052X12-0.042X13+0.074X14+0.037X15-0.003X16+0.217X17+0.132X18-0.007X19+0.066X20

FAC5=0.00X1-0.002X2-0.013X3+0.017X4+0.014X5-0.03X6-0.081X7+0.035X8-0.357X9+0.112X10+0.106X11+0.29X12-0.069X13+0.043X14-0.083X15-0.026X16+0.066X17+0.793X18+0.003X19-0.019X20

FAC6=0.025X1-0.016X2-0.004X3-0.128X4-0.057X5+0.008X6+0.015X7-0.011X8+0.293X9+0.87X10-0.174X11-0.076X12+0.008X13-0.007X14+0.042X15+0.011X16+0.089X17+0.148X18-0.008X19+0.044X20

FAC7=0.00X1+0.011X2+0.015X3+0.707X4+0.041X5-0.026X6+0.099X7-0.055X8+0.111X9-0.034X10+0.007X11-0.124X12+0.025X13-0.018X14+0.03X15+0.013X16+0.619X17+0.097X18+0.005X19-0.001X20

FAC8=-0.005X1-0.003X2+0.003X3-0.132X4+0.044X5+0.117X6-0.003X7-0.01X8-0.034X9-0.006X10+0.009X11-0.076X12+0.00X13+0.021X14+0.001X15+0.009X16+0.13X17+0.002X18+0.965X19+0.019X20

FAC9=-0.003X1-0.001X2-0.003X3+0.163X4-0.005X5-0.016X6+0.016X7-0.014X8-0.075X9+0.056X10+0.08X11+0.015X12-0.006X13+0.009X14-0.014X15+0.001X16-0.154X17-0.043X18+0.018X19+0.961X20

表5 主成分子得分系數矩陣

(二)Logistic模型建立

以上述提取的9個主成分因子作為協變量，企業違約概率作為因變量建立二元logistic回歸模型。因研究實際問題需要該模型以P=0.5為分割點，即P>0.5，則該企業為ST企業，為非正常組企業，信用風險大；P<0.5，則該企業為非ST企業，為正常組企業，沒有違約風險。樣本總數是131家，缺失樣本數為0，并且將被ST的企業定義值為1，非ST企業定義值為0(見表6及表7)。

表6 案例處理匯總

表7 因變量編碼

表8 Hosmer-Lemeshow 檢驗

Hosmer-Lem show檢驗的卡方值為21.423，df(自由度)為8，P值為0.467，說明模型整體擬合度較高(見表8)。

FAC4、FAC5、FAC6、FAC7、FAC9這五個變量的系數顯著性都不高，應該剔除后再進行分析(見表9)。FAC1、FAC2、FAC3、FAC8為較影響顯著因子，結合本文實際問題研究需要，可引入本文模型協變量(見表10)，變量 P表示企業的違約概率，建立Logistic回歸模型：

表 9 方程式中的變量

a.在步驟 1 中輸入的變量：FAC1，FAC2，FAC3，FAC4，FAC5，FAC6，FAC7，FAC8，FAC9。

表10 方程式中的變量

a.在步驟1中輸入的變量：FAC1，FAC2，FAC3，FAC8。

(三)模型預測正確率

Logistic模型檢驗出兩種情況，第一種情況是將沒有存在違約情況的公司誤判成存在違約；第二種是將實際存在違約情況的公司誤判成不存在違約。第一種情況會高估企業的信用風險，第二種情況剛好相反，會低估企業的信用風險。由表11可以看出，總體預測的正確率達到98.5%，其中ST公司被預測正確的概率只有60%，非ST公司被預測正確的概率達到100%，也就是說在這次實驗中出現第一種情況的概率是0，出現第二種情況的概率是40%(見表11)[16]。該模型對ST企業預測效果不是很好，這可能跟ST企業樣本量較少及本文假設有關，且我國實際上有的ST企業財務狀況到了第三年在政府幫助下轉化盈利可能性很大，“ST”及“*ST”的上市公司并非都是一定違約，符合國內實際情況。

總體而言，Logistic模型對于企業信用風險預測的準確度還是很高的，比較適用于我國房地產企業信用風險的判別、度量及預警。

表11 Logistic模型檢驗結果a

a.切割值為 0.500。

四、結論及建議

本文運用主成分分析法篩選主要影響因子指標，基于Logistic模型原理構建我國上市房地產企業信用風險度量模型，該模型總體預測的正確率為98.5%，這表明Logistic模型能夠適用于我國房地產企業信用風險度量及預警。通過該模型對我國2017年房地產上市企業信用風險進行判別分析，除了三家*ST企業有較大違約可能外，其余房地產上市企業都不會有違約風險，房地產上市企業是我國房地產市場的主力軍，說明我國目前整體房地產企業市場信用風險狀態還是良好。

依據所建模型回歸結果顯示，判別我國房地產企業信用風險的主要因子是企業獲利能力因子FAC3、企業發展能力因子FAC2、企業償債能力因子FAC1及宏觀經濟的發展因素FAC8，其主要具體對應相關財務指標分別是流動比率、現金比率、銷售凈利率、資產報酬率、主營業務收入增長率、凈資產增長率、總資產增長率、國房景氣指數等。

一般來說，房地產企業產生信用風險的原因可以分為企業內部經營和外部環境兩個方面，企業內部經營原因是房地產投資負債規模過大、房地產銷售不景氣、企業之間的擔保違約連鎖反應、企業還款責任意識強度等；外部環境原因主要是世界經濟危機、房地產嚴厲調控政策、利率與匯率不利于房地產企業的變化等。2017年3月份我國已有十幾個大、中城市實施限購，2018年中美發生貿易關稅戰，美國方面將可能對中國幾千億美元商品的加征關稅。中美貿易戰可能導致匯率和貨幣政策的調整，會使房地產和樓市的流動性出現緊缺，房地產開發商融資難度加大，房價可能加速下跌，使房地產市場萎靡[17]，導致房地產企業信用風險加劇。

為了防止我國房地產企業信用風險的出現，結合本文模型分析，提出如下政策建議：

(1)大力提高房地產企業自身盈利能力。房地產企業要在新環境背景下加強內部經營與內部控制能力，提高企業盈利能力，企業就有足夠利潤償還債務，企業違約風險就越小。樹立優良產品理念，加強房地產企業內部管理與監督，積極通過多種途徑提升員工技術專業水平、創新能力、道德水平，形成優秀企業文化，創立優質企業品牌，不斷提升房地產企業競爭力，使企業盈利能力與償債能力不斷加強。

(2)積極推廣不動產登記制度，在不動產登記系統增設信用檔案等級欄目，完善房地產企業信用管理制度，增強企業還款意愿強度。不動產登記制度能使歸屬產權明確清晰，有利于權利人的財產保護，有利于房地產市場的交易安全。構建一個全國互聯網的不動產登記系統，保證房地產市場信息準確與透明，在不動產登記系統增設信用等級檔案欄目，一旦發現存在失信行為，就納入信用檔案。消費者在進行消費前可以先查詢該公司在信用檔案中是否有不良記錄，有利于完善房地產企業信用管理制度，保護消費者權益[18]。不斷提高不動產統一登記質量，就可以逐步抑制房地產市場圈房、炒房等行為，提升房地產市場的規范性與秩序性，迫使房地產企業自覺維護信用等級。

(3)測算我國小康水平的基本人均必需居住面積及商品房基本價格，實施“平均空間，超住多交，不超不交，少住多補”房產稅征收與補貼政策，促進房地產市場健康發展。本文模型分析指出宏觀經濟發展環境是房地產企業信用能力的重要影響因素之一，國家要基于人均國內生產總值發展軌跡、人均房地產需求量及社會主義商品市場體系，發揮計劃經濟與市場調節功能，依據中國社會發展長期趨勢及房地產市場的短期特點[19]，測算我國小康水平基本人均居住面積，測算社會主義生產關系下的商品住房基本價格。進而制定各種相關政策，加強宏觀調控，迎接中美貿易戰，不斷深化改革與頂層設計，完善房地產市場社會主義分配機制，實施“平均空間，超住多交，不超不交，少住多補”房產稅征收與補貼政策，增強廣大普通人民的住房購買能力，促進房地產銷售，提升國房景氣指數，提高廣大人們的生活水平，落實“房子是用來住不是用來炒的”，減少國有資源在房地產市場上過度大量的不合理浪費，加強房地產信貸風險監控與預警能力，防范房地產企業信貸違約發生，促進房地產企業及我國經濟穩定發展，促進社會主義小康水平全面實現。