房地产企业信用风险评价研究

摘要：中美贸易战以及今年1月爆发的新冠疫情进一步加大了我国房地产企业信用风险的可能性。基于此，设计房地产企业信用评价指标体系，共六个方面24个指标，通过因子分析法筛选出8个公因子，以此构建Logistic模型。研究表明，房地产企业偿债能力、盈利能力及营运能力的提升可以有效降低信用风险，构建的Logistic模型预测精确性为100%，能用其进行相关度量及预警。

关键词：房地产企业;信用风险;因子分析;Logistic模型

中图分类号：F293.35

文献标识码：A

文章编号：1001-9138-（2020）10-0015-23

收稿日期：2020-08-30

1引言及文獻综述

自2018年以来的中美贸易战，美国宣布对华多种商品加增关税，导致房地产行业加重资金紧缺可能性，加重了房地产企业信用风险的出现几率。2020年2月国房景气指数（见图1，100为最理想，小于95为较低，大于105为偏高）从2019年12月的101.13急剧下跌到97.39，房地产市场信用风险程度加深。各城市因城施策，在2020年3月起房产景气指数逐渐回升到接近100的理想景气水平。鉴于房地产行业影响面大、波及面广、经济体量大、融资规模大等特点，对其信用风险的评价就尤为关键。

国内外不少学者对房地产企业信用风险评价展开相关研究，以“房地产”和“信用风险”两个关键词分别搜索web of science和CNKI数据库。

国内文献方面，共检索出核心文献123篇，年发文量差异较大，其中2008-2013年由于美国次贷危机影响，发文量达到顶峰（见图2），除2012年外，其他年份均发文超过11篇，随后逐年下滑，到2018年又有一定的上升趋势，主要因为2016年底国家提出“房住不炒”新定位，对房市新调控方式的研究探讨跟上日程，在2018年形成一个小高峰。研究主题方面，信用风险的评价和度量一直是学者们比较关注的领域，胡胜等（2018）、王慧等（2018）、谢远涛等（2018）、申敏等（2017）分别通过Logistic模型、KMV模型、BALQR模型等进行研究，董小君等（2020）研究得出我国互联网金融风险程度较高，且发达地区流动性风险是主因，中西部地区信用风险是主因的结论。也有学者从法律、宏观经济、供应链金融等领域探讨如何降低房地产行业信用风险问题，如巴曙松等（2019）重点探讨巴塞尔Ⅲ信用风险标准法改革对全球银行业的发展影响;郑勇（2018）认为房地产市场、信用市场良性发展会加速宏观经济市场发展。

国外文献方面，以chinese estate和credit risk两个关键词共检索出17篇文献，Chan S（2016）等通过DAG和SVAR法研究得出中国房地产信用风险对其他行业具有大规模的溢出效应的结论。HuZJ等（2018）通过计量经济模型研究中国A股市场对美国EPU的冲击表现，得出我国制造业、信息技术和媒体行业对美国EPU的冲击更为敏感，而农业和房地产行业则相对较小的结论。Wang CP等（2018）认为酒店投资增加了这些公司的房地产价值，进而推动了公司在证券市场中价值增长，需要通过严格的土地管理政策来降低其可能带来的损害酒店业可持续发展的可能性。Lin WY等（2019）通过VAR和GARCH模型探讨上海二手房价格指数和上海股市指数之间的关系。

总体来看，国内文献更多对我国房地产信用风险的研究和度量展开研究，近年来有下滑趋势，对其他领域研究涉猎较少。国外文献研究总量较少，但是研究维度涵盖房产政策、国际影响、股票市场表现、城市房地产情况等方面，研究主题更为丰富。在新冠疫情防控常态化背景下，研究我国房地产企业信用风险问题对在疫情背景下更好地甄别失信房产企业、有针对性地进行房市调控、引导购房者理性购买有积极的意义。基于此，文章拟构建我国房地产企业信用风险评价指标体系，搜集2019年中国136家房地产上市企业相关数据，通过因子分析法和Logistic模型进行实证分析，提出相应政策建议。

2房地产企业信用风险评价方法简介及指标体系设计

2.1方法论概述

因子分析法（Factor Analysis）是把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多元统计方法，它通过研究变量之间的相互关系，试图用最少个数的公因子来解释多个变量之间的原始内部结构关系。其数学模型是将每个指标Xi用n（n≤10）个公因子F1、F2、……、Fn的线性组合，数学表达式为：

X1=a1，1F1+a1，1F1+…+a1，nFn+ε1

X2=a2，1F1+a2，1F1+…+a2，nFn+ε2

Xn=a10.1F1+a10.2F1+…+a10.nFn+εn

（1）

其中，ai，j表示因子载荷，是每个指标Xi在第j个公因子上的负荷，反映Fj对Xi的影响程度。i=1，2，…10;j=1，2，""n，εi为特殊因子，仅对Xi起作用。

Logistic回归模型（Logistic regression）属于广义线性回归模型中的一种，可以用于分析某个问题的影响因素，如房地产企业风险集中产生的影响因素有哪些，也可以用于估计某事件发生的概率，如冠心病对于胃癌患者死亡率提高的影响。其基本模型表达为：

P=1/1+e-（β0+β1X1+β2X2+…βkXk）

（2）

β0表示常数，β1，2，…，k，X1，2，…，k分别代表回归系数以及自变量，P为风险概率，令a=β0+β1X1+β2X2+…+βkXk，若a趋近于负无穷时，P趋近于0，表示企业不存在风险，反之，a趋近正无穷时，P无限接近于1，则企业存在风险。

本文采用基于因子分析的Logistic模型，先通过因子分析提炼指标，抽取公因子，进而选取合适的因子进行Logistic模型构建，分析2019年136家房地产企业风险情况。

2.2房地产企业风险评价指标体系

财务指标可以有效反映房地产企业经营及风险情况，同时该行业又深受宏观经济政策影响，故文章设计六类一级指标共24个二级指标（见表1），研究136家房地产上市企业风险情况，其中正常经营企业124家，异常企业12家（包括退市企业3家，*ST企业即连续三年亏损有退市风险处于退市预警的企业7家，ST企业即连续两年亏损财务异常特别处理企业2家）。通过网易财经搜集2019年原始数据，通过SPSS22.0进行原始数据描述性统计分析。

3房地产企业风险评价公因子提取

3.1公因子提取

第一，数据标准化。为消除变量差异影响，采用ZScore法对原始数据进行标准化。

第二，适应性检验。通过KMO检验（见表2，值为0.653>0.5）和Bartlett球形检验（sig值无限趋近于0<显著性水平0.05），说明数据正态分布性能良好，适合进行主成分分析。

第三，公因子解释程度。大部分因子可以极强地反映解释原始变量数据，仅主营业务收入增长率X11、应收账款周转率X15和固定资产周转率X17三个指标低于0.6（见表3），总体建模质量较佳。

第四，提取公因子及命名。根据解释总方差表4可知，提取8个公因子，解释总方差累计为77.428%，从碎石图（见图3）可知，前两个公因子解释能力较强，3-5次之，6-8解释能力稍弱。将8个公因子分别用F1、F2……F8表示，其中F1高度解释了净资产增长率X13、销售净利率X2、总资产净利润率X1三个因子，命名为盈利能力因子1;F2对速动比率X6、流动比率X5、现金比率X7解释程度很高，命名为偿债能力因子;F3对GDP增幅X22、住宅銷售指数X24、产权比率X10、总资产周转率X18解释程度较高，命名为宏观经济及营运能力因子;F4很好地反映了总资产周转率X18、流动资产周转率X19、存货周转率X16，命名为总资产及流动资产因子;F5集中体现现金流量比率X21、经营现金净流量与净利润的比率X20、总资产增长率X14情况，命名为现金流因子;F6体现利息支付倍数X8及净利润增长率X12变化情况，命名为偿债及成长因子;F7更多体现净资产收益率X3和股本报酬率X4，命名为盈利能力因子2;F8反映同定资产周转率X17和应收账款周转率X15指标情况，命名为同定资产及应收账款周转因子。

第五，因子得分计算。根据因子得分系数表（表略）可以列出8个因子得分及总因子得分的公式：

F1=0.268*ZX1+O.286*ZX2-0.140*ZX3+0.154*ZX4-0.029*ZX5-0.050*ZX6-0.059*ZX7+0.008*ZX8-0.178*ZX9-0.24*ZX10-0.065*ZX11+0.023*ZX12+0.389*ZX13+0.045*ZX14+0.008*ZX15-0.044*ZX16+0.006*ZX17-0.038*ZX18-0.024*ZX19+0.011*ZX20+0.029*ZX21-0.019*ZX22-0.041*ZX23-0.033*ZX24

（3）

F2=.O11*ZX1-.018*ZX2+.079*ZX3-.059*ZX4+.303*ZX5+.304*ZX6+.298*ZX7-.014*ZX8-.176*ZX9+.022*ZX10+.049*ZX11-.032*ZX12-.039*ZXI3_.079*ZX14-.035*ZX15+.006*ZX16-.033*ZX17-.039*ZX18-.030*ZX19+.010*ZX20-.036*ZX21-.007*ZX22-.006*ZX23-.006*ZX24

（4）

F3=-.081*ZX1+.051*ZX2-.042*ZX3_.159*ZX4+.012*ZX5-.003*ZX6+.001*ZX7-.015*ZX8+.031*ZX9+.449*ZX10+.028*ZX11-.127*ZX12-.131*ZX13-.091*ZX14-.021*ZX15-.041*ZX16-.075*ZX17+.002*ZX18+.021*ZX19-.013*ZX20-.035*ZX21+.287*ZX22+.287*ZX23+.287*ZX24

（5）

F4=-.001*ZX1-.048*ZX2-.053*ZX3-.010*ZX4-.085*ZX5-.003*ZX6+.010*ZX7+.012*ZX8-.014*ZX9+.033*ZX10+.029*ZX11+.015*ZX12-.042*ZX13+.154*ZX14-.010*ZX15+.365*ZX16-.007*ZX17+.396*ZX18+.357*ZX19-.039*ZX20+.070*ZX21-.029*ZX22-.030*ZX23-.030*ZX24

（6）

F5=.014*ZX1+.002*ZX2+.038*ZX3_.008*ZX4-.056*ZX5+.010*ZX6+.040*ZX7-.026*ZX8-.066*ZX9-.016*ZX10-.016*ZX11+.010*ZX12-.013*ZX13-.339*ZX14+.048*ZX15-.111*ZX16+.009*ZX17-.005*ZX18+.048*ZX19+.449*ZX20+.434*ZX21+.009*ZX22+.009*ZX23+.009*ZX24

（7）

F6=.020*ZX1-.033*ZX2-.114*ZX3-.031*ZX4+.007*ZX5+.017*ZX6-.029*ZX7-.558*ZX8+.040*ZX9-.133*ZX10-.008*ZX11+.522*ZX12+.019*ZX13+.009*ZX14-.055*ZX15-.002*ZX16+.049*ZX17+.000*ZX18-.003*ZX19+.038*ZX20+.009*ZX21+.027*ZX22_.003*ZX23+.009*ZX24

（8）

F7=.051*ZX1-.160*ZX2+.660*ZX3+.337*ZX4+.035*ZX5+.055*ZX6+.084*ZX7+.196*ZX8+.121*ZX9-.310*ZX10+.048*ZX11-.010*ZX12-.152*ZX13+.101*ZX14-. 103*ZX15-.040*ZX16-.005*ZX17-.029*ZX18-.068*ZX19+.084*ZX20+.028*ZX21+.039*ZX22+.086*ZX23+.069*ZX24

（9）

F8=.018*ZX1-.001*ZX2+.025*ZX3-.068*ZX4+.006*ZX5-.068*ZX6+.023*ZX7+.043*ZX8-.006*ZX9+.020*ZX10+.360*ZX11+.051*ZX12-.004*ZX13-.041*ZX14+.589*ZX15-.070*ZX16+.579*ZX17+.088*ZX18-.002*ZX19-.020*ZX20+.017*ZX21-.032*ZX22-.034*ZX23-.033*ZX24

（10）

根据各公因子计算公式，结合旋转后总方差表可以计算总因子F值，即

F=14.357/77.428*F1+13.377/77.428*F2+11.782/77.428*F3+9.961/77.428*F4+8.062/77.428*F5+7.556/77.428*F6+7.165/77.428*F7+5.167/77.428*F8

（11）

3.2结果分析

因样本量相对较大，选择总因子排名前八和末八的企业进行分析（见表5）。企业信用风险最低的3家企业分别是新大正、中房股份、万业企业，其中，新大正得益于其强大的F4总资产及流动资产因子表现，说明该企业在2019年营运能力很强，另外F2偿债能力因子也表现较佳，与此类似，中房股份F2偿债能力因子和F8固定资产及应收账款周转因子、万业企业F2偿债能力因子都表现抢眼，综上，营运能力和偿债能力表现较佳的房地产企业，其信用风险也较低。

反之，排名最后的8家企业多数为异常企业，3家退市企业排名最末，多项指标均差强人意。其中，京能置业排名132位，主要由于其现金流能力较差，F5现金流因子仅为-8.31，其他多数因子得分也为负数，表现不佳，说明该企业风险较高，如不及时调整，很有可能沦为异常企业。

在12家异常企业中，ST宏盛、*ST经开两家表现亮眼，排名分别为第10和第11。ST宏盛F5现金流因子和F2偿债能力因子表现亮眼，其他除F7盈利能力因子2表现略差以外，均表现为中上;*ST经开F2偿债能力因子和F8固定资产及应收账款周转因子遥遥领先，但是F3宏观经济及营运能力因子（GDP增幅X22、住宅销售指数X24、产权比率X10、总资产周转率X18）和F4总资产及流动资产因子表现很差，说明两家公司通过积极调整，强大的现金流能力、偿债能力或营运能力支撑其不断提高自身抗风险能力，如继续良好经营，未来会逐渐恢复为正常企业。

4房地产企业信用风险logistic模型构建

以因子分析提取的8个公因子为协变量，以企业类型为因变量，探讨房地产企业信用风险概率P高低情况，构建二元logistic同归模型。其中，模型中默认P以0.5为分割点。

第一，样本统计处理。样本总数为136家（见表6），正常企业定义为0，异常企业定义为1。

第二，样本检验。通过模型系数Omnibus测试可知，卡方检验p值无限接近于0（见表7），小于0.05，而Hosmer-Lemeshow检验p值为1大于0.05（见表8），模型拟合度非常好。

第三，构建回归模型。模型中8个变量的显著性均高于0.985，其中5个变量显著性水平大于0.99（见表9），说明模型各变量对白变量解释程度均很高，无需剔除变量，构建二元Logistic回归模型为：

P=1/1++e-（-60.142-13.568FAC1+19.779FAC2-106.857FZC3-2.515FAC4+36.595FAC5+11.639FAC6-74.138FAC7-3.328FAC8）

（12）

第四，模型预测正确性。正常企业和异常企业模型正确率均为100%，说明既不存在将有违约情况的公司误认为没有违约的情况，也不存在将有实际上违约的公司漏判为没有违约的情况，模型可以很好地反映我国136家房地产企业的信用风险情况。该模型适用于评价现阶段我国房地产企业信用风险，可以用模型来进行相关度量以及实现预警（见表10）。

5结论与建议

5.1文章结论

文章分析我国136家上市房地产企业信用风险情况，结论如下：

（1）采用因子分析法从24个房地产信用风险指标中提取出8个公因子，其中，F2偿债能力因子（反映速动比率X6、流动比率X5、现金比率X7指标）、F8固定资产及应收账款周转因子、F5现金流因子（反映现金流量比率X21、经营现金净流量与净利润的比率X20、总资产增长率X14）三个公因子对提升房地产企业抗风险能力非常重要。

（2）以提取的8个公因子为自变量构建房地产企业信用风险评价Logistic模型，该模型对正常企业和异常企业的预测正确率均为100%。

（3）总体而言，正常经营企业抗风险程度高，极少存在信用违约风險，而异常经营企业存在信用风险情况相对较高。

5.2降低房地产企业信用风险政策建议

第一，企业方面，大力提高房地产企业自身偿债能力、盈利能力及营运能力。上述能力的提升可有效提升房地产企业抗风险能力，故而各房地产企业应结合自身情况，加强内部管理，提高人员综合素质，通过提升品牌效应和产品质量，不断提高自身盈利能力，进而提升综合竞争力。

第二，购买者方面，应加大对房产市场的信息了解和甄别，不要盲目听从中介、卖方、朋友等的推荐信息，基于理性的原则选购最符合自身需求的合适房产，坚持房子是用来住的，不要随便大批量投机性购人房产，避免因为自身过度投机带来的对自身及房地产企业的负面影响。

第三，银行等相关行业方面，房地产企业往往资金需求较大、周期较长，一旦陷入风险可能会导致银行等相关行业产生连带负面效应，银行等金融机构应该加强对房地产企业的资信调查，综合评审，秉承国家基本定位基础上给房地产企业合理提供融资，帮助房地产企业正常经营。钢铁等房地产后市场行业也应跟随基本行情稳步发展。

第四，政府方面，各城市应该坚决贯彻中央的房地产定位，根据城市自身情况合理开展限购、限贷等调控政策，不断完善不动产登记制度、提高房地产信息公开程度，保证房地产市场信息的公开与透明。同时，应该积极推动个人及房地产企业信用档案制度，购房者在购房前可以通过公开途径查询房地产企业是否存在失信行为，以便做出更为精确的购房判断，银行、房地产企业等也可以通过公开途径查询购房者是否存在个人失信行为，从而调整其贷款的比例。

第五，国际方面，整个世界就像是一个命运共同体，中国与国际社会的关系会对各行各业产生影响，如中美贸易战对中国房地产市场的负面影响。中国积极推动国际化进程，积极开展与其他国家的经贸往来及人文交流活动，通过双边及多边平台加强与各国的政策沟通，良好的国际环境可以为中国房地产企业提供外部支撑。

参考文献：

1.胡胜 雷欢欢 胡华强.基于Logistic模型的我国房地产企业信用风险度量研究.中国软科学.2018.12

2.王慧 张国君.KMV模型在我国上市房地产企业信用风险度量中的应用，经济问题.2018.03

3.谢远涛 罗润方 杨娟.基于修正的KMV模型的信用风险度量.统计与决策.2018.15

4.申敏 吴和成，宏观因素对房地产行业信用风险的影响研究——基于BALQR模型的实证.数学的实践与认识.2017.07

5.董小君 石涛.“重灾区”互联网金融风险指数及其影响要素分析.现代经济探讨.2020.03

6.巴曙松 高英.巴塞尔Ⅲ信用风险标准法改革对银行业的影响.武汉金融.2019.01

7.郑勇，信用风险、房价与宏观经济波动.暨南学报（哲学社会科学版）.2018.07

8.Wang CP. Dai SS. Xu HG.Estimating the landopportunism of hotel investment in generating realestate appreciation and firms" market value.LAND USEPOLICY.2018.09

9.Lin WY. Tsai IC.Trader differences in Shanghai"sA-share and B-share markets：Effects on interaction withthe Shanghai housing market. JOURNAL OF ASIANECONOMICS.2019.10

10.陈梦.基于因子分析和聚类分析的各省水运竞争力研究，数学的实践与认识.2017.16

作者简介：陈梦，厦門大学嘉庚学院教师、副教授、会计师、经济师。

基金项目：福建省社会科学规划项目：福建物流产业创新联动转型升级路径与对策研究（FJ2018B016）、福建地铁乘客服务满意评价体系研究（FJ2019B110）。