商业银行房地产信贷风险的度量与预测——基于多元线性回归分析方法

文/李洪超

引言

自20 世纪80 年代储蓄和贷款危机以来，银行业和住房融资发生了重大变化。在此之前，传统银行市场分散，包含大量小型和专业公司，结构性变化（例如技术和放松管制）缓慢但切实地将分割的银行公司转变为整合的多产品金融机构之一，这也标志着金融服务业的诞生。在这一转型期间，商业银行越来越多地将其产品和资产组合转向消费贷款，这一部分在传统上是储蓄和信用合作社的专长。

随着我国社会的发展和城镇化程度的不断提高，房地产贷款在银行贷款中的比重不断加大。2021 年，天风证券研究所的报告显示，全国主要的16 家银行涉房贷款占据了全部贷款的33%，这在持续推动房地产行业高速发展的同时也为银行带来了巨额利润，但在这种相互促进的美好景象之中不容忽视的是，房地产市场体量大，而且影响房地产市场的因素较为复杂，蕴含了较大的财务风险，进而给银行信贷资产带来了巨大的风险。除了企业经营状况的影响之外，国内整体宏观经济形势也是一大影响因素，而宏观形势对房地产信贷风险影响的两面性使得相关研究变得愈发困难。当宏观经济上行时，房地产行业会利润大增，同时银行会放松对房地产企业的银根，在加大对房地产支持力度的同时减弱监管力度，一方面会刺激房地产行业的繁荣和降低不良贷款率，另一方面也会增加潜在的信用风险。

基于此，本文将从宏观经济视角出发，采用多元线性回归的分析方法，得到能反映房地产信贷风险变化的一揽子指标。此外，本文还会引入非物质性指标（人力资本）以及前瞻性指标（综合领先指数），建立商业银行房地产不良贷款率的预测模型，并据此提出相应的风险控制对策，以便有效地防范房地产行业下行对金融行业的不利影响。

一、国内外文献综述

本研究涉及商业银行信贷风险的界定（计量）、商业银行房地产信贷风险的成因及风险控制对策等三个方面的内容，对于这些内容，理论界均有所研究。

学者曹帅从两个方面（商业银行信贷风险的含义及相关理论、信贷风险现状及成因分析）进行阐述，运用CPV模型证明了CPI、一年期贷款利率LPR 的变动对于商业银行房地产信贷风险的重要影响。[1]学者靳凤菊先从理论上非常透彻地分析了CPV 模型的优势和应用的可行性，[3]然后分部门分行业选取变量，认为国房景气指数对房地产不良贷款率的影响最为显著，且为负相关，最后通过BG 检验验证了自己的结论。[4]学者黄俊杰则将1 年到3 年期的贷款利率引入模型里面，证实该贷款利率与房地产信贷风险成反比，还从政府和银行两个方面提出了一些防范信贷风险的建议。[2]齐雅坤采用CPI 的计算方式消除了各变量的通货膨胀影响，然后通过线性回归得出对房地产信贷风险影响最大的宏观变量为货币供应量M2。[6]王俊籽等人认为房地产企业的经营状况在很大程度上影响着商业银行信贷资产质量，房地产的违约很有可能诱发银行信贷风险进而导致金融风险。他们运用基于24 家上市公司面板数据的logistic 模型证实了降低房地产信贷风险的三种途径：提高股东权益、加强短期偿债能力、增强现金流量。[7]祁树鹏等人采用向量自回归模型（VAR）证实宏观经济变量的波动会对我国商业银行信贷风险产生较大的影响。[5]

房地产市场在最近的金融危机中扮演着重要角色。认识到这一点，一些学者总结了房地产市场动态的四个问题，这四个问题的基本点是如何更好地理解房地产周期中的风险。[13]由于其流动性不足和异质性，房地产投资往往具有不同的风险调整后回报，同时，房地产市场与其他行业相互影响，使得房地产市场成为当地经济的支柱产业。因此，从长远来看，房地产投资的回报往往是稳定和有吸引力的，而在这些投资中，证券化房地产在亚洲国家特别受欢迎，对房地产市场具有重大影响。此外，由于房地产市场容易受到泡沫的影响，学者们有理由相信证券化房地产市场也是如此。[9]与直接房地产投资相比，证券化房地产投资具有相对较高的流动性水平，这使得资产价格波动更大。还有学者认为在蓬勃发展的市场中，资产价格的急剧上涨会不断吸引新的参与者进入市场。[11]学者们甚至认为，一些投资者也意识到了资产定价过高或所谓的泡沫（定义为偏离基本面的非理性价值)现象。[12]有些专家从不同角度出发剖析了不同信贷风险度量模型的不同适应范围。[14]国外学者运用“金融加速器”的概念[8]，阐述了宏观经济、房地产和商业银行之间存在着相互作用，宏观经济下行，房地产市场不景气，房地产企业的资产负债恶化，引发商业银行的系统性风险。有学者则从国家宏观调控的措施入手，深度解析了国家货币政策影响房地产和银行的作用机制。[15]还有学者发现，金融市场和金融服务业各部门的结构性变化，特别是储蓄和贷款部分，会给商业银行带来机会和威胁。[16]许多银行家，尤其是当地社区的银行家，已经将他们的投资组合转向房地产贷款或住房融资。例如，房地产贷款银行的数量从1989 年底的1724 家增加到1996 年底的2835 家，因此，银行业的大幅整合与房地产业的收缩平行尤其值得注意。监管资本套利、联邦存款保险改革以及FHLB 招聘的机会，为银行更多地参与房地产贷款提供了额外的激励。有学者实证评估了2006-2019 年间会计和财务变量对中国传统银行、影子银行以及房地产金融服务的系统性风险水平的影响，通过评估危机时期的影响来进行一些稳定性分析。研究发现，大型金融机构的规模扩大增加了系统性风险，而后者对房地产金融服务的规模不敏感，相反，房地产金融服务对期限错配和杠杆特别敏感，国有和非国有银行的系统性风险也存在不同。[10]

国内外学者的研究理论与研究方法为本文的研究提供了较好的基础。然而，已有研究的变量多集中在GDP 和CPI 上，一些重要但容易忽视的变量并未被纳入模型，致使模型拟合优度不高，因此，本文将会针对这些不足之处展开研究。

二、模型构建

商业银行信贷风险可以采用KMV 模型、CM 模型、CR+模型、CPV 模型等不同的计量模型进行计量，但相较而言，CPV 计量模型具有如下优势：(1)CPV 模型的变量是宏观经济变量，适用范围更广，数据在我国更易获取；(2)CPV 模型考虑了价差风险，既是盯市模型也是违约模型；(3)CPV 模型会随着宏观经济状况的变化改变违约率和信用等级转换矩阵的概率。

信用组合观点模型CPV 是麦肯锡公司在1997 年提出的。CPV 模型既关注是否出现不履约行为，同时还考虑企业或者个人的信用等级的变化，以及当前企业信贷资产的变动。模型利用统计学方法与动力学相结合来作定量分析，不仅依据借款企业信息资料，还考虑到国际宏观经济指标，数据权威性与连续性都能得到保障，模型的建立基础坚实。CPV 模型基本假设如下：（1）各宏观经济变量之间不存在完全共线性；（2）模型残差项不存在自相关性且同方差。

其中：βj= (βj,0,βj,1,βj,2,...,βj,n) 代表参数；

Xj,t=(Xj,1,t,Xj,2,t,...,Xj,n,t)代表n 个宏观经济变量；

µj,t代表残差项，服从正态分布，即µj,t～N(0,σJ)。

三、实证分析

（一）变量选取

本文从国家、商业银行、政府、房地产行业、消费者等与房地产行业相关的各个领域和部门依次选取指标。

首先选取国家宏观层面的指标：

宏观经济一致指数（CI）。该指数反映当前宏观经济的基本走势，当该指数的走势向好时，居民消费和企业投资的热情增加，就业率上升，居民收入和企业利润上升。

综合领先指数（CLI）。该指标用来预测未来几个月的宏观经济状况，当CLI 上升时，意味着未来国家经济发展整体向好，反之则经济有下滑趋势。

实际总人力资本（ATHC）。该指标是一个非物质资本，它涵盖了劳动者的知识、技能、文化以及健康水平等方面，更高的人力资本水平意味着更强的生产能力和更强的盈利能力。

M2 同比增长率（M2GT）。房地产行业的发展很大程度上依赖于金融业的支持，故M2 的变化必然会对房地产行业产生影响，尤其是房价，M2 的增多往往会抬高房价。

贷款基准利率（LPR）。贷款基准利率是各大金融机构制订贷款利率的标准，提高基准利率，会收缩信贷，减少投资。

然后选取房地产行业的指标：

国房景气指数（CERCI）。该指数综合反映了房地产发展状况，CERCI 过高或过低都会对房地产行业产生不利影响。

房地产开发投资增长率（REIGT）。该指标反映了在一定时期内，房地产企业在道路、供电、供热等基础设施的建设和与房地产开发配套的服务设施上的投资的增长情况。

随后选取政府层面的指标：

政府财政支出（TPFE）。政府财政可以推动房地产行业的开发投资，同时，在房地产企业困难时期，积极的财政配合货币政策有利于房地产业发展。

最后选取消费者层面的指标：

消费者价格指数（CPI）。CPI 是衡量通货膨胀非常重要的指标，CPI 上升，意味着物价水平上升、实际工资下降，会对企业投资和居民消费产生不利影响。

房地产信贷风险用不良贷款率P 来衡量，将P 通过logistic 模型转化为宏观经济指标Y，所有的变量采用2011年至2021 年的月度数据，贷款基准利率采用当年的最新报价，当年无最新报价的采用去年最后给出的报价(表1)。

一般情况下，宏观经济变量之间普遍存在着相关关系，但如果变量之间存在着严重的线性相关关系，这种多重共线性就会导致回归结果不准确，产生伪回归。由于选取的变量多达9 个，本文先对变量之间相关性的大小进行检验，然后根据检测结果来判断是否进行多重共线性的筛选。由表2 中的数据可知，各自变量之间的相关系数有的达到了0.8 甚至0.9 以上，存在着严重的相关关系，因此需要对数据进行多重共线性的检验，筛除相关性较强的一些变量，确保回归结果准确。各变量之间的相关系数如表2 所示。

表2 各宏观经济变量之间的相关系数

这里运用SPSS 进行变量的筛选。采用后退法，经过6 次筛选后，剔除了消费者价格指数、宏观经济一致指数、政府财政支出、M2 同比增长率、贷款基准利率等5 个经济变量，保留国房景气指数、综合领先指数、实际总人力资本、房地产开发投资增长率等4 个宏观经济变量.筛选过后，变量的容差明显变大，VIF 明显变小，多重共线性降低，因此，本文将重点研究这4 个变量与房地产不良贷款率之间的关系（表3）。

表3 多重共线性诊断结果

（二）描述性统计分析

表4 为因变量宏观经济指标Y 以及自变量国房景气指数CERCI、综合领先指数CLI、实际总人力资本ATHC 和房地产开发投资增长率REIGT 等5 个变量的描述性统计分析结果。从偏度和峰度来看，Y 和CLI 对应的偏度值全为负数，对应的峰度值大于3，因此数据分布是高峰右偏。其余3 个变量偏度值全部大于0 且峰度值小于3，因此数据分布是低峰左偏。从JB 统计量以及对应的P 值来看，在5%的显著性水平下，5 个变量的JB 统计量对应的P 值全部大于0.05，说明所有变量都是服从正态分布的。

表4 描述性统计分析

（三）平稳性检验

在5%的显著性水平下，自变量的T 统计量所对应的P 值全部大于0.05，因此接受原假设：时间序列存在单位根，不是平稳序列。经一阶差分后的时间序列T 统计量所对应的P 值全部小于0.02，在2%的显著性水平下，拒绝存在单位根的假设，均为平稳序列，5 个变量存在同阶单整的情况。经过协整检验后发现，变量间至少存在一个协整关系，因此数据可用（表5）。

表5 ADF 单位根检验

（四）研究结果

由表6 的回归结果可知：判定系数达到了88.5%，而调整的判定系数也达到80%以上，模型拟合度非常高。在1%的显著性水平下，模型回归的自变量系数是显著的。从回归系数来看，4 个自变量中只有CERCI 与房地产不良贷款率成正比，其余均与其成反比，CLI 对于Y 的影响最为显著，其参数是CERCI 的2 倍多。总体F 统计量对应的P 值小于0.01，说明自变量整体对Y 有显著性影响。此外，DW 值为2.06，根据DW 检验的判断标准，残差序列不存在一阶自相关，自然也就不存在高阶自相关性，这一点通过Q 检验进一步得到了证实。

图1 残差的自相关性检验

表6 线性回归结果

表7 怀特检验

根据怀特检验原理，在P 值较大的情况下接受原假设，即残差项不存在异方差性。

经过残差项的自相关和异方差检验，证明该回归模型可靠，则商业银行房地产不良贷款率的预测表达式为：

Y=34.07717+0.3003356C E R C I-0.628446C L I-0.011201ATHC- 0.107848REIGT

从表达式来看，对房地产不良贷款率产生影响的宏观因素主要有综合领先指数、国房景气指数、实际总人力资本、房地产开发投资增长率这4 个宏观经济变量。

1.综合领先指数。综合领先指数对于房地产不良贷款率的影响最大，而且与其呈负相关。综合领先指数上升，意味着未来国民经济会向着更好的方向发展，本国货币增值，居民消费欲望增加，银行业更多资金流向房地产市场，房地产企业利润增加，不良贷款率随之下降；反之则不良贷款率上升。

2.国房景气指数。国房景气指数是影响房地产信贷风险的第二大因素。与常识相 的是，该指数与房地产信贷违约率呈正相关。可能的原因是：如果国房景气指数过高，说明当前房地产行业热情高涨，可能会导致房地产行业盲目扩大投资，银行对于房地产信贷的审批和监管强度下降，最终会使房地产信贷的风险加大，违约率上升。

3.房地产开发投资增长率和实际总人力资本分别是影响房地产信贷违约率的第三和第四大因素。房地产开发投资增长率的上升，意味着房地产行业的行情变好，企业拥有更多的资金用于基础设施和服务设施的建设，不良贷款违约率会下降。人力资本的增加意味着国民素质和学历、健康状况的提升，更多的人追求更高质量的生活，纷纷由农村走向城市，由三、四线城市走向一、二线城市，使买房的人数增加。更高的人力资本同样也会提升企业的服务质量，推动房地产企业的发展，降低不良贷款率。

四、结论与建议

从宏观角度出发，本文对房地产信贷风险进行了度量，采用CPV 模型预测商业银行房地产不良贷款率，运用计量软件进行数据的筛选、线性回归、结果检验。结果表明：国房景气指数、综合领先指数、房地产开发投资增长率、实际总人力资本这4 个宏观经济变量对房地产不良贷款率有明显影响。从预测模型来看，自变量系数有正有负，宏观经济形势对信贷风险的影响确实呈现出了两面性的特点：当宏观经济形势发生变化时，一方面会降低不良贷款率，另一方面也会增加企业高负债所带来的潜在的信用风险。

总体来说，降低房地产不良贷款率需要银行、政府各个部门的共同努力。政策要有前瞻性，既要看到当前所面临的风险，同时也要防范当前措施所带来的潜在风险，确保国民经济在房地产业下行压力下健康发展。

（一）商业银行方面的控制措施

1.建立预测性风险监督管理机制，加强信用风险控制。基于宏观经济假设，衡量贷款业绩的当前和长期不确定性是对商业银行信贷业务未来亏损可能性的预测。同时，建立一个系统全面的风险应对机制，加强行业处理和应对不确定性的能力。一些国际银行设有风险准备金制度，该制度被用作控制风险的最终保险，然而在中国，这一制度并不完善。因此，合理提高风险准备金，可以有效化解商业银行不良贷款的违约风险。

2.加大贷款前的审批力度。银行须优化信用评价系统，提高企业信用评价的准确性，防止虚假数据带来的信用虚高。银行要对企业的财务报表加强审核，仔细核对企业的资产负债，准确了解企业近几年的资金流动状况，防止虚假财务数据导致贷后风险增加。此外，银行也可利用一些指标评估企业违约概率，如本文所采用的预测模型和变量。

3.做好贷后监管相关事项。贷后要加强对房地产企业经营状况的监管，如果遇到财务状况不佳、经营不善的情况，且在评估后认为该企业状况将长时间难以好转，银行可以通过缩短信贷期限、提高利率等方式来降低违约风险。

（二）政府方面的控制措施

1.各级城乡建设部门在对房地产行业进行相关事项的受理、审查、审批过程中，要加大监管力度，对违反相关法律和规定的房地产企业及人员要给予相应的惩罚。

2.政府相关部门对于房地产部门的监督除了日常的例行检查外，应加大随机抽查的频率，增强信息透明度。

3.银保监会在对房地产贷款方面进行监管时要时刻保持警惕，保证银行房地产贷款率维持在合理范围内，防止银行为赢利而肆意放款，对于违反相关规定的银行要加大处罚力度。