基于復雜網絡理論的房地產行業信用風險傳染研究

龍劍友, 凌毓秀, 謝 赤,2

(1.湖南大學工商管理學院,湖南長沙 410082;2.湖南大學金融與投資管理研究中心,湖南長沙 410082)

1 引 言

改革開放40年以來,中國經濟體制改革不斷推進,基本建立起了一個統一開放、競爭有序的現代市場體系.一方面,市場的逐步完善促使一家獨大的壟斷經營模式退出歷史舞臺,各企業交流日益緊密,關聯性增強,形成了復雜多元的企業間網絡結構.當某家企業出現信用違約時,網絡結構會加劇關聯企業間的信用風險傳染,甚至影響整個金融市場[1,2].企業在實現協同效應,提高盈利能力和競爭能力的同時,也承擔著隱蔽、復雜且具有傳染性的信用風險.另一方面,國內供給側改革仍處于深化階段,去產能去庫存去杠桿壓力依然較大,外部環境的嚴峻和復雜也導致不確定性增加,宏觀經濟面臨下行壓力.部分造血能力弱且對融資依賴性強的企業面臨資金面緊縮、融資環境惡化的形勢,一旦經營不善則可能發生資金鏈斷裂,觸發信用違約風險事件.

在內部關聯結構變化和外部經濟環境動蕩的雙重作用下,金融市場的信用風險持續發酵.近年來,股票市場和債券市場連環爆雷,違約事件頻發,民營企業和上市公司成為違約和風險的關鍵詞.房地產作為中國經濟的重要產業,資產負債率高且對融資依賴性大,屬于典型的資金密集型行業.資本市場中房地產上市公司近半數為民營企業,行業內發債主體占比超過60%.同時,房地產行業的發展周期與宏觀經濟周期吻合緊密,對經濟增長的驅動性強,與相關行業的關聯度大,牽動著諸如鋼鐵建材、化工家電以及銀行業等上下游行業的發展,行業內外的相關企業具有風險聯動的依存關系.因此,在產業轉型升級、宏觀經濟承壓時期,精準有效地度量房地產行業信用風險并探討其傳染效應,對穩定金融市場秩序、促進經濟健康快速發展具有舉足輕重的作用.

深入考察信用風險傳染的機理,對及時阻斷風險擴散、防范大規模系統性風險的爆發十分關鍵.關于信用風險的傳染渠道,學者們研究的側重點各不相同,Cantia 等[3]指出,企業間的資產關系和貿易關系等是信用風險傳染的主要渠道.Aslam 等[4]則強調宏觀環境的變化對違約傳染的影響,認為它會引起較大的違約傳染概率,且蔓延范圍廣泛.

在信用風險傳染問題的研究方法上,Buchholz 等[5]使用主權信用違約互換息差的動態條件相關性,檢測主權債務市場的信用風險傳染.Lee 等[6]借用粒子濾波和平滑模型對實際違約事件建模,證實信貸傳染具有循環性并且對受感染群體的違約和投資組合損失的尾部估計均有顯著影響.Bo 等[7]采用具有交互違約強度的簡化形式Markov 模型對投資組合樣本的傳染風險建模并進行數值分析,發現高風險實體企業引發的違約強度會強烈地影響投資者的相關策略.王鵬等[8]借助協高階矩方法,對滬港股市的風險傳染進行判定和分析,證實協高階矩能有效且全面地刻畫金融風險的傳染.

近些年,復雜網絡理論被越來越多地應用于經濟和管理領域的復雜系統研究以及對信用風險傳染問題的討論.相較于上述方法,復雜網絡能更好地描述各主體間的相互關系,可視化地描繪風險傳染路徑.于灝等[9]拓展了基于供應鏈的復雜網絡研究,將帶有主觀偏好的特定選擇機制融入權重設定中,優化了供應系統網絡的結構特征.劉曉君等[10]以在線評論為節點,通過Pearson 相關性計算評論間話題關系,構建消費者在線評論復雜網絡,豐富了對在線評論相互關系的研究方法.黃瑋強等[11]構建信息溢出網絡并結合其拓撲結構展開分析,證實節點度、接近中心性及特征向量中心性能有效刻畫金融機構的風險傳染特征.Chen 等[12]和Anagnostou 等[13]應用網絡模型思想,分別以風險規避情緒和流動性、信用風險傳染平均適應性等為切入點,構建信用風險傳染模型和信用壓力傳播網絡.楊海軍等[14]將核心―邊緣網絡與鄰接矩陣結合起來構建傳染模型,并模擬外界沖擊,探討銀行間市場中的風險傳染情況.李永奎等[15]通過平均場理論和復雜網絡上的傳染學原理構建傳染模型,發現企業的資產關聯關系和企業自身的免疫治理能力都將影響信用風險的傳染和免疫效應.

目前, 對于房地產行業信用風險的研究多集中于信用風險度量方面.趙昕等[16]通過模擬各企業現金流量測度房地產行業上市公司的違約概率.尹釗等[17]對比研究Credit Metrics, KMV 以及Credit Portfolio View 模型在房地產信用風險評估上的適用性.可以說,已有文獻中對于房地產行業信用風險傳染問題的研究還相對有限.

綜上所述,本文以房地產行業上市公司作為研究樣本,擬在度量房地產企業信用風險的基礎上構建違約距離時間序列,并基于復雜網絡方法繪制房地產行業信用風險相關網絡圖,探討行業全周期和分年度信用風險傳染及其變化情況,挖掘風險傳染的普遍規律,豐富對房地產行業信用風險傳染的研究,為個人及機構投資者制定投資決策以及相關部門制定監管政策提供有效的參考.

2 基于KMV模型的企業信用風險度量

KMV 模型將企業股權當作看漲期權,并基于期權定價理論計算企業預期資產價值.如果行權日企業債務價值高于資產價值,則不行權,形成實際違約.該模型將行權日企業資產價值與違約點之間的差值設定為企業的違約距離,通過綜合使用公司股票及財務報表相關數據估算違約距離,不需要信用轉移矩陣和歷史違約數據支持.Chen 等[18]眾多學者驗證了KMV 模型在企業信用風險評估中的有效性,因此本文決定選用KMV 模型來度量房地產企業的信用風險.

KMV 公司是通過分析全球范圍內企業違約距離數據來映射出企業經驗違約概率的,但考慮到國內尚未建立完善的企業違約信息庫,故本文將違約距離作為信用風險的度量值,并以理論預期違約概率作為后續數據刪選的依據.

2.1 KMV 模型構建

根據BSM(Black-Scholes-Merton)模型,企業的股權市場價值與資產價值的對應關系為

對式(1)兩邊VA求導再求期望,可以得出VA與σA的關系

模型中,除VA和σA外,其它參數均可以通過相關股票市場、公司財務報表等公開數據計算獲取.其中公司股權價值VE一般用股票市場價值反映,按以下公式計算,即

股權價值VE=股票收盤價×流通股股數+每股凈資產×限售股股數.

股權價值波動率σE可以通過計算公司股票收盤價的波動率獲得,計算公式為

其中σ1為日波動率,n為年(周)實際交易天數.

聯立式(1)和式(2)可計算出VA和σA.KMV 模型中違約距離(distance to default,DD)的計算公式為

其中DP 稱作違約點,一般取值為公司短期負債(STD)與一半長期負債(LTD)的和,即

將VA和σA的值代入式(3)即可得到各公司的違約距離.

根據BSM 模型的假設,在企業資產價值服從正態分布的條件下,其理論預期違約概率(expected default frequency,EDF)可表示為

由式(5)可知,違約距離越大表示預期違約概率越小,反之亦然.

2.2 房地產企業信用風險度量

1)樣本選取與數據描述

根據證監會的行業分類標準, A股市場房地產業截至2018–12–31 共有上市公司123 家, 除去數據缺失過多的公司, 本文初步選取其中107 家作為研究樣本.2015年～2018年, 中國房地產市場經歷了由全面膨脹到急劇收緊的轉變過程, 房屋交易價格和面積均呈現前升后降的態勢, 表現出明顯的行業周期性.這一樣本期對于房地產行業信用風險研究和政策分析具有重要意義, 因此本文選取的具體時間跨度為2015–01–01～2018–02–31,共包含975 個交易日.相關數據來源于Wind 資訊.

2)信用風險計算及分析

本文首先計算中國證券市場2015年～2018年房地產行業107 家上市公司的年度違約距離,并根據4年的平均違約距離由大到小排序,排名越后意味著信用風險越大.

圖1 反映了2015年～2018年房地產行業上市公司年度違約距離和4年平均違約距離的變化情況.可以看出,總體而言2015年各公司違約距離均處于周期內最低水平,意味著該年度房地產行業信用風險最大;2015年～2017年違約距離不斷上升并達到最大值,2017年房地產行業具有周期內最低違約可能;2018年宏觀經濟面收緊,房地產行業迎來下行轉折,違約距離縮短,信用風險又明顯增大.

圖1 房地產行業上市公司年度違約距離Fig.1 Annual default distances of listed companies in the real estate industry

究其原因,自次貸危機發生后,金融風暴席卷全球,2010年以來中國的GDP 增速快速下降并在較長一段時間內呈現L 型走勢,房地產行業受到來自金融去杠桿、調控去庫存的壓力處于低發展水平,部分房地產企業資金流動性緊張,信用風險暗流涌動.為應對房市的低迷,政府實施了先松后緊的政策措施.2014年,“930”政策的出臺開啟了全國性的限貸放松大幕.2015–03–30,五部委聯合發文,政策寬松加碼,但市場仍無明顯復蘇跡象,房地產行業一時間降至冰點,多數企業面臨高位庫存壓力.2015–09–30,多部委聯合央行再出新政,在降低首付比率提高貸款利率優惠的同時再度降準降息,資金逐步回流至房市,但由于市場對信息的反應具有一定的時滯性,因此2015 全年行業內各企業的信用風險均處于較高水平.

2016年,宏觀經濟小幅回升,契稅和營業稅的調整進一步刺激了居民的購房意愿.國家統計局數據顯示,2016年商品房銷售額達11.76 萬億元,同比增長34.77%.熱點城市行情爆發,并向中小城市蔓延.房地產行業普遍回暖明顯,違約距離增大,信用風險降低.2017年是本文所考察的房地產行業周期內由盛轉衰的一年.2016年熱點城市房產投資的活躍和一二線城市限購政策的收緊使得市場內產生羊群效應,資金開始大量涌入暫未限購城市,海南等地銷售增長大幅超過預期,出現由買方市場向賣方市場的轉變.該年全行業商品房銷售額13.37 萬億元,較2016年增長13.67 個百分點.雖然政策收緊導致商品房銷售額增速放緩,但全國絕大多數房企仍具有充裕的現金流.所以,2017年總體違約概率達到周期內最低值,各公司信用水平良好,房地產行業信用風險低掛.

從2017年第4 季度開始,房市行情開始走弱,2018年行業內各公司違約距離縮短.其中少數中小型房企違約距離銳減,信用風險逐步暴露.這是因為一方面,房地產行業的發展深受宏觀經濟水平和增速的制約.2018年GDP 呈現前高后低的變化趨勢,居民購買力下降,同時中美貿易戰的疊加影響導致經濟下行壓力進一步加大,部分房地產公司違約概率增大.另一方面,為應對2016年和2017年房市的非理性繁榮,國內絕大多數省會和熱點城市重啟或加碼限購限貸政策,政府調控的持續縮緊給房地產行業帶來沖擊,同時影響了與之相關的上下游行業,導致整個房地產供應鏈波動頻繁,信用風險加大.

根據房地產行業各公司的年度違約距離數據, 本文繪制周期內違約距離分布情況, 如圖2.可以看出, 超過70% 的公司年度違約距離數據處在1～3 之間.根據式(5)計算可知, 其年度理論預期違約概率處于0.13%～15.86%.參考標準普爾累積違約率對應的信用評級規則, A級對應的平均違約概率在0.08%～1%之間浮動,CC 級對應的平均違約概率為20%左右,因此周期內大部分公司年度信用評級處于A 至CC 級間,易受到外在經濟環境及不利因素變動的影響,部分企業具有較高違約可能性.因此,在本輪房地產周期中,行業信用風險屬于較高水平.部分房地產公司年度違約距離大于3,意味著它們在對應年份出現信用風險的可能性極低,具有優秀的償債能力且受不利因素影響小.

圖2 2015～2018年房地產行業上市公司違約距離分布Fig.2 Listed real estate companies’default distances distribution from 2015 to 2018

背后的原因可能是,房地產作為準入門檻較低的傳統行業,不需要企業具有很強的核心競爭力,它們在面對激烈的市場競爭時容易受到沖擊,進而導致信用風險暴露加速.大部分房地產公司嚴重依賴外部融資,在融資環境收緊和資金回流困難等問題的共同作用下,可能引發流動性風險,導致信用資質進一步惡化,甚至因資不抵債發生信用違約事件.因此,在國家宏觀經濟承壓時期,房地產企業需密切關注自身經營模式和資產結構,防止依賴高杠桿快速擴張的情況發生,只有降低償債壓力、確保融資渠道暢通,才能保證持續經營、防范信用風險.

3 復雜網絡理論基礎及模型構建

信息技術的快速發展和資本市場的逐步完善深化了市場各主體間的交流、滲透與融合,行業內呈現出“一榮俱榮,一損俱損”的生態格局,形成了以各企業為節點,以系統重要性企業為中心向外擴散的網絡結構.行業具有的網絡結構一方面加強了各企業間的互通,提升了資金與資源的合理有效配置,但另一方面也增強了網絡中相連節點間的風險相依性.分析房地產行業的信用風險網絡結構可以幫助投資者穩健高效地開展相關活動,對網絡中各企業規避信用風險傳染,防范金融風險擴散也具有參考價值.

3.1 網絡拓撲性質及節點重要性指標

1)網絡拓撲性質指標

網絡的平均路徑長度(average path length,APL)被定義為網絡中任意兩個節點間的距離的平均值,即

其中K為網絡的節點數,dij代表連接節點i與j之間的最短路徑上的連邊數,也稱作兩個節點間的測地距離或跳躍距離.

網絡中的聚類系數(clustering coefficient,CC)被定義為任意三個節點之間兩兩相連的概率,反映了網絡的緊密程度.節點i的聚類系數可以表達為

其中Ei代表節點i的ki個鄰居節點間實際存在的邊數.CCi=0 時節點i至多只有一個鄰居節點,或者任意兩個鄰居節點間不存在相連邊.

網絡的聚類系數C為網絡中全部節點聚類系數的平均值,即

其中C ∈[0,1],當C=0 時網絡中所有節點的聚類系數均為0;C=1 則說明該網絡為全局耦合網絡,所有節點都相互連通.

2)節點重要性指標

度(degree)是刻畫單個節點屬性的重要概念.網絡中節點i的度ki表示與該節點相聯的連邊數.常見的測度節點重要性的指標主要有度中心性、介數中心性、接近中心性和特征向量中心性等4 種.

度中心性(degree centrality)為反映網絡中單個節點重要程度的基本指標.通常,一個節點的度越大,這個節點就具有的價值就越重要.

介數中心性(betweeness centrality)以經過某個節點的最短路徑的數目來刻畫該節點信息傳遞的效率.當多條最短路徑同時經過某個節點,則該節點具有重要的中介效應,對網絡中的信息傳播有著關鍵的控制和調節作用.

接近中心性(closeness centrality)是指任一節點到網絡中所有節點的距離平均值的倒數.節點的接近中心性越大說明該節點越接近網絡中其它的節點,越處于空間內的中間位置,能更快速地將信息傳遞給其它節點.

特征向量中心性(eigenvector centrality)的基本思想是單個節點的重要性不僅取決于其鄰居節點的數量,也可以通過鄰居節點重要性來度量.鄰居節點的中心度越高,則該節點也越可能處于網絡的中心位置.具體計算公式為

其中xi和xj分別表示節點i和j的重要性度量值,c為常數.若i與j互為鄰居節點,aij=1;否則aij=0.

3)網絡全局效率

網絡全局效率(global efficiency,GE)反應了網絡的整體信息傳輸效率,GE 值越大表示網絡連通性越強.節點間的效率為最短路徑長度的倒數,網絡全局效率則計算了節點間效率的平均值.當網絡中存在不連通節點時,計算網絡全局效率能有效避免節點間最短路徑長度無窮造成的失效情況,具體計算公式為

3.2 最小生成樹網絡構建

最小生成樹(minimum spanning tree,MST)是由距離矩陣生成的一個網絡圖,由K個節點和K ?1 條連邊組成,通過點邊相連構成一個不具環狀結構的網絡.在所有網絡圖形中,MST 網絡具有連邊距離總和最小的特點,是一種高效的組合優化方法.其具體構建步驟如下:

1)根據行業內公司i在時間t的違約距離Di(t),計算周對數違約距離

2)根據全樣本周期的違約距離序列計算任意兩家公司i與j之間的相關系數

其中〈·〉表示交易期間的平均值,即

相關系數ρij ∈[?1,1],ρ的絕對值大小表示企業間信用風險相關性的強弱.通過歐式距離的轉化,可以將企業的相關系數矩陣轉換成網絡的距離矩陣,用以分析房地產行業網絡的空間性質.歐式距離的計算公式為

3.3 平面極大過濾圖構建

平面極大過濾圖(planner maximally filtered graph,PMFG)是由MST 拓展而來的一種網絡構建方法,有K個節點和3K ?6 條連邊,其具體構建方法如下:

1)計算網絡中各節點的相關系數,構建相關系數矩陣后轉化為歐式距離矩陣D;

2)基于矩陣D計算網絡中節點間的權重,并將最大權重的兩個節點連接起來;

3)在剩余的矩陣D中重復上述步驟直至所有節點都被選中.

4 基于復雜網絡理論的信用風險傳染研究

4.1 數據處理與初步計算

為深入探討房地產行業的信用風險傳染情況,選取樣本期內4年平均違約距離較小(即周期內信用風險較大)的上市公司構建信用風險相關網絡.新的樣本選擇標準為4年平均違約距離小于2.33(即預期違約概率大于1%)的公司,其對應的標準普爾信用等級低于BB 級(對應違約概率為0.95%),刪除周數據缺失過多的公司后,剩下28 家.各公司的基本信息和違約距離按4年平均值由大到小排序,如表1.從表1 可以看到,總體上國有房地產公司的違約距離略小于民營房地產公司,前者多分布于序列的靠后部分,較之后者具有更大的信用風險.這可能是因為相對于國有性質企業,民營公司具有更強的靈活性、更多元的業務模式和更廣泛的融資渠道,在行業整體風險較大時期能更好地釋放資金壓力,化解信用危機.

表1 房地產行業28 家上市公司信息及其違約距離Table 1 Information and default distances of 28 listed real estate companies

續表1Table 1 Continues

4.2 房地產企業信用風險網絡結構分析

1)描述性統計與網絡構建思路

計算前述28 家房地產上市公司4年的周違約距離(共計204 周),其描述性統計結果如表2,各年度樣本數量不同是因為計算周數間的差異,其中,2015年為52 周,2016年為50 周,2017 和2018年均為51 周.

表2 房地產行業28 家上市公司周違約距離描述性統計Table 2 Weekly default distances’descriptive statistics of 28 listed real estate companies

可以看出,各年度周違約距離的變化幅度大于前文度量的年度違約距離(年度違約距離均分布于0 至8之間),這是由于樣本周期長度不同所致.部分上市公司在某個時間段經營良好股價波動較小,或因利好消息產生高預期未來收益等,都可能導致它們在短時間內表現出極低的信用風險.反之,如果某公司在短時間內股價暴跌、資產大幅縮水則會使得周違約距離迅速縮小,并且在很大程度上可能觸發信用風險危機.

借助復雜網絡能可視化地討論房地產行業企業間信用風險的傳染現象,并考察網絡中節點,即上市公司的聯動性強弱和網絡拓撲性質變化.考慮到各年度能使用的樣本數量相對較少、時間跨度較短,因此本文采用MST 算法構建年度房地產行業信用風險網絡.同時,MST 網絡在確保連通所有節點的基礎上使得網絡總路徑最短,因此可以反映各時間段房地產行業信用風險的最強傳染路徑.掌握各年度MST 網絡的中心節點有助于攔截信用風險的傳染,降低房地產企業信用風險的影響范圍,同時也可以為投資者在整體信用風險較大的年份更好地規避投資風險提供指導.

基于房地產行業周期性較強的特點,為綜合考慮該行業周期內整體信用風險的傳染情況,本文同時構建全周期信用風險相關網絡,以期為監管部門更高效地開展工作提出政策建議.由于MST 網絡存在過濾掉部分關聯信息的問題,為彌補其缺陷,在構建時間跨度較長的全周期房地產行業信用風險網絡時,使用對連邊約束較弱并允許網絡中存在環狀結構的PMFG 網絡.這樣便可以挖掘出更多隱含的信用風險傳染信息,發現整個周期內傳染效率強和輻射范圍廣的重要節點,以有效防范金融市場內系統性風險的發生.

2)分年度信用風險網絡分析

圖3～圖6 分別展示了2015年～2018年各年度違約距離MST 網絡,其中各年度網絡平均路徑長度分別為3.579 4,4.367 7,4.931 2 和4.195 8,網絡全局效率分別為0.346 9,0.308 0,0.290 7 和0.327 0.

圖3 2015年房地產公司違約距離MST 網絡圖Fig.3 MST network graph of default distance of real estate companies in 2015

圖4 2016年房地產公司違約距離MST 網絡圖Fig.4 MST network graph of default distance of real estate companies in 2016

圖5 2017年房地產公司違約距離MST 網絡圖Fig.5 MST network graph of default distance of real estate companies in 2017

圖6 2018年房地產公司違約距離MST 網絡圖Fig.6 MST network graph of default distance of real estate companies in 2018

在周期內,各年度平均路徑長度與前文中討論的年違約距離(DD)走勢一致,意味著在房地產行業信用風險較高的2015年和2018年,節點間距離更短,聯接更為緊密.網絡全局效率的年度分布也證明了在信用風險較高年份,網絡中信用風險的傳染效率也處于較高水平,各企業間具有更大的違約相關性和傳染可能性.2015年的APL 和GE 值分別為4年中的最低和最高水平,且在對應的MST 網絡中,各節點間的最短距離(即權重)普遍低于其它年份,說明該年度各公司間聯系最為緊密,網絡中信息傳輸速度最快,信用風險關聯性最強.因此,當行業處于下行趨勢時,房地產公司應主動調整自己的經營戰略,確保資金周轉率和現金流的穩定,同時可以適當減少同行業或者母子公司間的擔保等系列關聯交易行為,防范信用風險的傳染.

對比2015～2018 各年度的MST 圖可以發現,2017年華夏幸福與榮盛發展之間具有4年內最小違約距離(0.46),說明它們有著行業內的最大違約相關性.這是因為華夏幸福和榮盛發展同為廊坊市民營房地產公司,均處于快速發展階段,業務輻射范圍大且類型相似,二者間具有很強的違約溢出效應.結合上述4種不同的節點重要性度量方式,本文以各年度綜合排名前4的中心節點房地產公司為例進行計算,結果如表3.

表3 房地產行業上市公司各年度MST 網絡節點重要性參數Table 3 Importance parameters of MST network nodes in each year of listed real estate companies

綜合圖3～圖6 可以發現,房地產行業同類別公司聚集現象較為明顯,如與2015年深物業A、2017年粵宏遠A 以及2018年京能置業鄰接的節點多為國有企業,與2018年榮盛發展相連的節點則基本為民營企業等.同時,各年度網絡的中心節點(系統重要性公司)各不相同但變化不大,部分節點在周期內多次處于中心位置,如珠江實業和榮盛發展兩家公司.珠江實業作為廣州第一批房地產上市公司,屬于總市值較小的國有企業,近年來發展勢頭略顯被動,不僅自身土地儲備匱乏、多處在建項目進展緩慢,同時其對外投資亦遭遇違約,營收銳減.內憂外患的發展壓力致使公司承受較大的信用風險,容易受到市場環境和其它同業公司的影響.

榮盛發展處于MST 網絡的重要節點則反映了快速擴張的民營房地產公司隱藏的信用風險傳染性.該公司近年來戰略激進,在全國多地大興土木,一躍進入房地產“千億俱樂部”.但是,收獲高收益亦要承擔高風險.榮盛發展資產負債率已超過80%的房地產行業紅線,且頻繁遭受業主維權、監管部門處罰和子公司違約等問題困擾,不得不發行短期融資債券用以償還之前的貸款,又無不都暗含信用違約風險.如果榮盛發展的高周轉、高杠桿行為出現偏差,則極有可能導致資金鏈斷裂,出現信用違約,并將風險傳染給本地其它房企和關聯企業,進而影響整個房地產行業的穩定.

此外還可以發現,位于中心節點的公司中絕大多數來自于京津冀及東南沿海地區,這與房地產行業的發展現狀高度契合.中國房地產行業發展具有明顯的集群現象,京津冀、長三角以及珠三角城市群向來是兵家必爭之地,高收益和高地價的特點吸引著大量房企投資于此.隨著城市群的發展,形成了以珠江實業、京能置業、津濱發展為代表的老牌國有房企與諸如榮盛發展、世榮兆業和藍光發展等新生代高競爭力藍籌公司之間的博弈現象.這些公司都具有行業內的系統重要性,對網絡中信息的流動有著極大的控制、傳播和觀察能力.當其中某家公司發生信用違約時,風險會迅速傳染到城市群中的其它公司,并進一步影響整個房地產市場.例如,藍光發展作為中心節點中唯一一家四川籍公司,是成渝城市群的核心地產企業.該公司土地儲備充足且融資渠道多元,擁有超300 家參股或控股公司,關聯交易頻繁,因此在網絡中具有特別重要性,防控其信用風險傳染有益于穩定成渝地區房地產及其上下游行業的穩定性.

3)全周期信用風險網絡分析

圖7 描述了2015年～2018年全樣本周期內房地產行業28家上市公司的違約距離相關系數分布狀況.可以看到, 全周期內房地產行業的違約距離相關系數多分布于0.4 至0.6 之間, 平均值為0.479 8, 最大值為0.693 9,說明行業內違約距離相關性較強,違約距離間正向聯動明顯.這意味著在本輪房地產周期中,信用風險較大的公司其風險程度易形成同增同減的聯動現象.

圖7 2015年～2018年房地產公司違約距離相關系數Fig.7 Real estate companies’default distances correlation coefficient from 2015 to 2018

圖8 展示了4年間房地產行業28 家上市公司的違約距離PMFG 網絡,表4 根據不同的節點重要性度量指標綜合計算出了PMFG 網絡中排名前6 位的中心節點.PMFG 網絡的整體平均路徑長度為1.933 8,聚集系數為0.743 4,網絡傳輸效率和緊密程度均較高,這說明在信用風險網絡中,多數房企可以通過部分重要節點快速建立相互間的聯系.

表4 房地產行業上市公司PMFG 網絡節點重要性參數Table 4 Importance parameters of PMFG network nodes of listed real estate companies

續表4Table 4 Continue

結合圖8 和表4 可以發現,PMFG 網絡中度大節點多為高收益、高市值且發展迅速的民營房地產公司,如華夏幸福、中南建設、陽光城和嘉凱城. 近年來,房地產行業的集中程度越來越高,強者恒強的現實因素日益明顯. 過去國有房企能依托國資背景和集團劃撥的優質低價土地融資和開發項目,但隨著部分大中型民營房地產公司崛起,國有房企面臨巨大發展壓力. 大中型民營房地產公司業務開展的地域分布更加廣泛,融資途徑更為多元,擁有規模和資金的雙重優勢,能大量儲備土地,因此在行業不景氣時期具有更大的靈活性和更強的生存能力. 該類公司發展迅速,對整個房地產市場的影響較大,成為推動行業發展的中堅力量.同時,高收益民營房地產企業更加熱衷于聯合開發、兼并收購,與行業內其它公司關系也更加錯綜復雜. 基于上述原因,快速發展的大中型民營房地產公司在全周期信用風險相關網絡中更多地占據中心位置,具有更為重要的系統重要性,承擔著網絡中信息傳遞的核心作用. 如果它們發生信用風險,則傳染范圍更廣,對行業影響更大.

圖8 全周期違約距離PMFG 網絡Fig.8 Full-cycle default distances PMFG network

光大嘉寶和市北高新雖然是國有企業但市值較大,且均開展了業務創新,對行業內同性質企業具有影響作用.光大嘉寶背靠光大集團,具有資金和運營等方面的優勢,同時著重于產融結合,將地產開發和不動產資管兩種模型并行發展,以物業管理品牌化的方式推動不動產資管業務的輸出.該舉措在實現單一業務轉型升級,有效提升行業競爭力和地位的同時,也通過物業輸出模式連接更多的房地產公司,實現關聯交易.因此,光大嘉寶處于網絡中心位置.市北高新深耕于上海市北高新園區,著力于園區開發經營、企業服務以及產業投資,依托于豐富的園區運營經驗,已成為國內前沿的園區綜合運營商,引領房地產行業的轉型升級新方向.因此,市北高新具有較強的系統重要性,對滬企以及國有房地產企業改革具有重要借鑒意義.若該公司爆發信用風險,不僅會傳染給同地區、同性質企業,也會傳染給所承辦園區的其它相關企業.控制該類企業的信用風險傳染有利于防范整個園區的風險波動,確保區塊經濟的穩健發展.

綜上所述,從全周期角度綜合考慮,防范以大中型民營房地產公司為主的優勢房企信用風險有利于降低整個行業的信用風險,具有控制風險分裂傳染范圍,維系房地產市場乃至整個金融市場穩定的重要作用.

5 結束語

房地產業作為社會經濟的一個重要產業,對推進城市化進程和帶動相關行業發展具有重要意義.但是,強周期性和高資產負債率的行業特征使其具有一定程度的潛在信用風險.尤其是在經濟全球化和網絡化的今天,信用風險傳染具有裂變和擴散性.深入探討房地產行業信用風險及其傳染效應對穩定金融市場秩序,助力中國經濟與社會發展具有不可或缺的關鍵作用.在此背景下,本文運用KMV 模型度量房地產公司信用風險,并基于復雜網絡理論構建全周期及分年度視角下的房地產行業信用風險關聯網絡,分析房地產企業之間的信用風險傳染現象.研究結果表明,2015年～2018年房地產行業信用水平收緊,整體風險越大的年份,行業內信用風險傳染效率越強,說明房地產行業發展深受金融業信貸業務收縮和宏觀經濟下行等因素的影響.從各年度信用風險網絡中可以發現,處于中心節點的系統重要性公司具有明顯的地域分布特征,加強對重點城市群房地產公司的信用風險管理有助于維護房地產行業的穩定發展.在全周期視角的網絡中,顯示度大節點多為高收益且發展迅速的中大型民營房地產公司,防控該類系統性重要公司信用風險有利于長期控制信用風險傳染的范圍,降低系統性風險發生概率.

綜上所述,本文豐富了對房地產行業信用風險傳染的研究,在幫助投資者實現更優投資決策,銀行提高信貸管理效率的同時,也可為監管機構制定相關政策,維護房地產行業的穩健發展提供科學的建議.