基于邏輯回歸模型的我國房地產企業債務違約風險識別研究

班聞穎 馮瑞琳

摘要：本文旨在通過采用定性分析和定量分析相結合的方法，構建適用于我國房地產企業的債務違約風險評價模型，為金融機構進行貸前審查、額度測算、貸后監控等提供常態化支持，為貸款風險防控路徑提供依據。

關鍵詞：房地產;財務風險識別;債務違約風險識別

1 問題提出

本文希望借鑒房地產企業債務違約風險識別體系構建已有研究成果，結合觸發債務違約風險的成因，識別可能引發房地產企業落入財務困境的因素，以此為依據構建房地產企業債務違約風險識別指標體系。接下來，以已經發生債務違約的房地產企業財務數據為樣本，采用統計分析方法構建債務違約風險識別模型，通過實證的定量檢驗和定性分析，構建適用于我國房地產企業的涵蓋其自身特性的債務違約風險評價模型。

2 理論分析與研究假設

2.1 債務違約風險識別的概念

企業債務違約風險識別是指通過運用多種統計分析方法、技術和手段，系統、全面、及時地對企業可能面臨的各種債務違約風險或引起風險事故的原因進行分析，進而識別主要的風險因素。在債務違約風險發生前，可以通過對企業的各項影響債務違約風險的相關指標進行統計分析，發現其中的潛在風險，分析企業未來發生債務違約的可能性，從而對高風險企業及時開展相應的防范和控制措施，降低風險發生的概率。

2.2 債務違約風險評價模型研究

在國外，Beaver和Altman先后構建了單變量模型和Z值模型用于財務風險定量衡量。在二十世紀中葉，Beaver（1996）[1]通過對70多家企業進行統計分析，發現資產收益率和資產負債率指標對于企業財務風險大小的評估是比較準確的，但利用單一指標衡量企業整體財務風險相對片面。隨后， Altman（1968）[2]在前人有關企業財務指標研究的基礎上，建立了Z-Score模型用于衡量企業未來財務狀況的發展趨勢，并根據Z值模型結果設立不同風險等級的臨界值，使企業財務狀況評價判斷更加直觀。

在我國，周首華等學者（1996）[3]最先開始對企業財務風險進行定量度量研究，他們在Z-Score模型基礎上進一步考慮了企業現金流對財務風險的影響，通過對1977年到1990年31家公司進行跟蹤研究，總結得出F分數模型，該模型對我國企業財務風險預測的準確率達到70%。趙振魯（2017）針對房地產企業的財務風險定量衡量進行了更加深入的研究，并建立了COX風險衡量模型。齊岳（2019）在構建房地產財務風險評估模型時，結合房地產行業特殊性，首次增加了凈利潤評價法，并且利用房地產上市企業二十三個財務指標，從中提取九個因子帶入Z值財務風險評價模型中，得出結論Z值模型對于房地產企業未來財務狀況預測準確率達到78.49%。

3 模型選擇與數據分析

3.1 債務違約風險識別指標體系構建

3.1.1 債務違約風險識別指標體系搭建

基于第二章對房地產企業債務違約風險成因的分析，本文按照目前較有代表性的研究，根據引發房地產企業債務違約風險的成因，把房地產企業債務違約風險識別指標涉及的投資風險、籌資風險、收益分配風險和經營風險分別對應于盈利能力指標、償債能力指標、融資風險指標、營運能力指標，全面構建房地產企業債務違約風險識別指標體系。

3.1.2 債務違約風險識別指標選取

借鑒業界領先科研和實踐成果，以房地產上市企業財務報表數據、債務數據為基礎，通過衍生變量加工等方式，構建房地產企業債務違約風險識別指標體系，形成風險指標24個，其中償債能力指標8個，融資風險指標2個，盈利能力指標9個，營運能力指標5個，具體如表1所示。

4 實證結果與分析

4.1 Logistic 模型介紹

若以Prob（event）表示企業發生債務違約的概率，該概率值的取值范圍在 0 到 1 之間，1-Prob（event）表示未發生債務違約的概率，對Prob（event） 做logit 轉換為In[prob（event）1-pωb（event）]，則回歸方程可表示為：

prob（event）=ez1+ez=11+e-z

其中，z可表示為：

z=b0+b1x1+b2x2+...+bpxp（p為自變量的數量）

4.2 研究樣本的選取

4.2.1 研究樣本選取的依據

本文通過搜集2019-2021年，房地產行業上市企業發生債務違約的公告數據，共搜集發生債務違約的負樣本企業15家，并以277家未發生債務違約的房地產上市企業作為正樣本進行分析建模。

4.2.2 指標相關性檢驗

若以γ（X，Y）為變量X，Y的相關系數，Cov（X，Y）為X與Y的協方差，Var[X]為X的方差，Var[Y]為Y的方差，則X，Y的相關系數計算公式表示為：

γ（X，Y）=Cov（X，Y）Var[X]Var[Y]

4.3 Logistic 回歸模型構建

4.3.1 模型效果分析

基于4.2章節變量篩選結果，以“發生債務違約”為目標變量，利用python工具構建Logistic模型。采用 Logistic回歸模型的判斷標準，認為Prob（event）值大于 0.5 的企業極有可能發生債務違約，即該企業面臨較為嚴峻的債務違約風險;反之，Prob（event）值小于 0.5 的企業，則被判定為所面臨的債務違約風險在可控范圍內;最后、將模型識別出來的結果統計后與現實中是否發生債務違約進行比較，以此得到模型的ROC指標為0.97，KS指標為0.89，認為模型具有良好的擬合效果。

4.3.2 模型有效性檢驗

利用建模以外的數據構建測試集，對模型效果和穩定性進行驗證。利用建立的模型對測試集數據進行預測，得到模型結果ROC指標為0.9，KS指標為0.83，測試集模型驗證結果指標與訓練集模型驗證結果指標的差異程度較小，說明模型預測效果較好;PSI指數為0.1，認為模型穩定性較強。

5 結論與啟示

本文研究的債務違約數據來源于互聯網渠道獲取的2019年-2021年15家發生過債務違約的房地產上市企業2020年的財報數據、債務數據，同時選取了277家未發生債務違約的房地產上市企業財報數據、債務數據作為控制樣本來研究我國房地產上市企業債務違約風險識別模型。通過搜集分析國內外關于企業債務違約風險識別的相關基礎理論研究和房地產企業財務風險的特殊性研究，最終將可能影響我國房地產上市企業債務違約風險的因素通過盈利能力、償債能力、融資風險、營運能力四個維度，24個具體風險指標來體現。

構建債務違約風險識別模型，根據搜集的房地產上市企業債務違約風險識別指標數據進行回歸分析，首先對搜集到的數據進行單樣本方差分析，篩選24個出顯著性強的指標;接下來采用相關系數檢驗方法，篩選出了兩組相關系數大于0.6的指標;第三步，通過IV值檢驗方法，對24個指標分別計算IV值，結果發現這24個指標的IV值均大于0.1，說明24個指標均具有一定的預測能力;第四步，對兩組相關系數大于0.6的指標，通過分別對比IV值的大小，剔除各組內IV值較小的指標。經過上述處理，最終保留22個入模指標。對篩選出的22個指標進行 Logistic 回歸分析，并將回歸系數值帶入模型方程，構建債務違約風險識別模型，并基于測試集對構建的債務違約風險識別模型進行了穩健性檢驗，PSI<0.1，說明模型的穩定性較強。

根據模型結果，“現金利息保障倍數”指標與我國房地產上市企業債務違約風險呈負相關，該指標體現償債能力，說明公司的償債能力越強，發生財務風險的可能性越小;“銷售期間費用率”與我國房地產上市企業債務違約風險呈正相關，該指標反映盈利能力，說明公司的盈利能力越弱，發生債務違約風險的可能越大;“存貨/平均預收賬款”與我國房地產上市企業債務違約風險呈負相關，該指標反映營運能力，說明公司的營運能力越強，發生債務違約風險的可能越小;“平均融資成本”與我國房地產上市企業發生債務違約風險呈正相關，該指標反映融資風險，說明企業的融資風險越低，發生債務違約風險的可能越小。

參考文獻

[1] Beaver W H. Financial ratios as predictors of failure，empirical research in accounting： selected studies[J].Journal of Accounting Research，1966（4）：71-127.

[2] Alman E I.Financial Ratios，Discriminate Analysis and the Prediction of Corporate Failure[J].The Journal of Finance， 1968， 23（4）： 586-609.

[3] 周首華，楊濟華，王平. 論財務危機的預警分析——F分數模式， 會計研究，1996（8）： 8-11.

[4] 裴瀟，黃玲，陳華. 基于Z值模型的房地產企業財務預警研究，財會通訊，2015（2），42-45.

[5] 李光榮，李風強. 基于幾種神經網絡方法的公司財務風險判別研究，經濟經緯， 2017（2），122-127.

作者簡介：班聞穎，（1994.03.13），女，河北，本科，信息管理與信息系統。