軟信息、關(guān)系借貸與信貸違約風(fēng)險(xiǎn)度量—基于房地產(chǎn)上市公司的實(shí)證研究

■楊 贊 副教授 沈彥皓（清華大學(xué)建設(shè)管理系恒隆房地產(chǎn)研究中心北京 100084）

軟信息、關(guān)系借貸與信貸違約風(fēng)險(xiǎn)度量—基于房地產(chǎn)上市公司的實(shí)證研究

■楊 贊 副教授 沈彥皓（清華大學(xué)建設(shè)管理系恒隆房地產(chǎn)研究中心北京 100084）

本文基于2002-2010年滬深A(yù)股市場(chǎng)房地產(chǎn)上市公司銀行貸款數(shù)據(jù)，從關(guān)系借貸的角度間接度量并檢驗(yàn)軟信息在違約風(fēng)險(xiǎn)模型中的作用。實(shí)證結(jié)果表明，銀企關(guān)系包含了財(cái)務(wù)數(shù)據(jù)等硬信息以外有關(guān)公司違約的重要信息，與僅采用硬信息的模型相比，同時(shí)包含硬信息和軟信息的模型能夠提高違約風(fēng)險(xiǎn)度量的準(zhǔn)確性。文章為軟信息和關(guān)系借貸理論在公司違約研究領(lǐng)域的應(yīng)用提供了經(jīng)驗(yàn)證據(jù)，對(duì)于優(yōu)化違約風(fēng)險(xiǎn)度量模型具有較強(qiáng)的啟示意義。

軟信息 關(guān)系借貸 違約風(fēng)險(xiǎn)房地產(chǎn)公司

近年來(lái)，我國(guó)房地產(chǎn)業(yè)進(jìn)入復(fù)雜的調(diào)整階段，行業(yè)發(fā)展面臨諸多不確定性。一方面，房地產(chǎn)公司的經(jīng)營(yíng)風(fēng)險(xiǎn)陡然增大；另一方面，銀行信貸對(duì)房地產(chǎn)開(kāi)發(fā)的支持力度持續(xù)減弱。央行貨幣政策執(zhí)行報(bào)告顯示，房地產(chǎn)開(kāi)發(fā)資金來(lái)源國(guó)內(nèi)貸款占比從2009年的19.8%下降到2012年的15.3%。在業(yè)績(jī)低迷和融資受限的雙重約束下，房地產(chǎn)行業(yè)資金鏈日趨緊張，公司違約風(fēng)險(xiǎn)對(duì)銀行信貸質(zhì)量造成了實(shí)質(zhì)性影響。根據(jù)銀監(jiān)會(huì)年報(bào)，2011年房地產(chǎn)開(kāi)發(fā)不良貸款余額353.2億元，占全部不良貸款的8.3%，不良率為0.97%，無(wú)論是絕對(duì)額還是不良率在各行業(yè)中都處于較高水平。在這一背景下，準(zhǔn)確度量我國(guó)房地產(chǎn)公司信貸違約風(fēng)險(xiǎn)顯得尤為重要。目前，國(guó)內(nèi)外文獻(xiàn)多采用財(cái)務(wù)數(shù)據(jù)等硬信息度量違約風(fēng)險(xiǎn)，而相對(duì)忽略了軟信息的作用。本文在以往研究的基礎(chǔ)上，深入分析軟信息在度量信貸違約風(fēng)險(xiǎn)中的重要作用，進(jìn)一步完善了公司違約風(fēng)險(xiǎn)度量模型。

文獻(xiàn)回顧

表1 模型估計(jì)結(jié)果

根據(jù)可傳遞性的不同，金融市場(chǎng)上存在兩類信息，Stein（2002）將其分別定義為“硬”信息（Hard Information）和“軟”信息（Soft Information）。其中，硬信息是指可以被直接證實(shí)的信息，如公司財(cái)務(wù)信息，這類信息通?？梢粤炕⒂涗浽诩埫婊螂娮游臋n中，能夠準(zhǔn)確無(wú)誤地在市場(chǎng)上傳遞；軟信息則是指除了信息供給者以外無(wú)法直接被其他市場(chǎng)參與者證實(shí)的信息，如借款公司管理者的品質(zhì)或能力等，這類信息難以量化和傳遞，具有不可保證性，只能在有限范圍內(nèi)被熟悉的市場(chǎng)參與者了解和掌握。軟信息的獲取依賴于融資雙方之間長(zhǎng)期、密切的接觸，而財(cái)務(wù)報(bào)表等標(biāo)準(zhǔn)化方法在這方面通常無(wú)能為力。與軟信息密切相關(guān)的一個(gè)概念是關(guān)系借貸（Relationship Lending）。Masahiko Aoki和Dinc（1997）認(rèn)為，銀行關(guān)于特定借款人的軟信息屬于專有知識(shí)，能夠避免其他銀行的“搭便車(chē)行為”，因此關(guān)系借貸作為一種融資制度，能夠激勵(lì)銀行通過(guò)生產(chǎn)軟信息來(lái)獲取壟斷租金或信息租金。Boot（2000）指出，關(guān)系借貸是銀行為獲取借款公司軟信息，并通過(guò)長(zhǎng)期交易不斷評(píng)估這類信息實(shí)際價(jià)值而進(jìn)行的一種投資行為。

軟信息和關(guān)系借貸理論在銀企間信貸交易領(lǐng)域得到了廣泛應(yīng)用，但多數(shù)文獻(xiàn)聚焦于中小企業(yè)融資問(wèn)題（Chang等，2010），對(duì)公司違約的研究較為有限。在少數(shù)相關(guān)文獻(xiàn)中，Grunert等（2005）針對(duì)德國(guó)公司的研究表明，相對(duì)于財(cái)務(wù)因素或者銀行內(nèi)部信用評(píng)級(jí)中反映的非財(cái)務(wù)因素，兩者的組合能夠更加準(zhǔn)確地預(yù)測(cè)公司違約。Chang等（2010）對(duì)我國(guó)某國(guó)有商業(yè)銀行借貸數(shù)據(jù)進(jìn)行實(shí)證檢驗(yàn)，結(jié)果顯示借貸關(guān)系中包含的軟信息能夠顯著改善違約預(yù)測(cè)結(jié)果，軟信息相對(duì)硬信息的重要性取決于借貸關(guān)系的深度以及硬信息的可靠程度。目前，國(guó)內(nèi)公司違約研究多基于財(cái)務(wù)數(shù)據(jù)等硬信息，而相對(duì)忽略了軟信息的作用。本文基于我國(guó)房地產(chǎn)上市公司銀行貸款數(shù)據(jù)，通過(guò)設(shè)計(jì)一種實(shí)證研究方法來(lái)檢驗(yàn)軟信息在度量公司信貸違約風(fēng)險(xiǎn)中的作用。

研究設(shè)計(jì)

（一）研究方法與模型設(shè)定

本文在借鑒Kau等（2012）基礎(chǔ)上，設(shè)計(jì)如下實(shí)證檢驗(yàn)方法：假設(shè)銀企關(guān)系R由硬信息H和軟信息S決定，對(duì)于一個(gè)同時(shí)包含硬信息H和銀企關(guān)系R的違約風(fēng)險(xiǎn)度量模型，如果銀企關(guān)系R的回歸系數(shù)是顯著的，則說(shuō)明銀企關(guān)系R能夠提供硬信息H以外的有效信息，即軟信息S；如果銀企關(guān)系R完全由硬信息H決定，則銀企關(guān)系R的回歸系數(shù)應(yīng)該是不顯著的，因?yàn)殂y企關(guān)系R反映的所有信息已經(jīng)全部包含在硬信息H中。本文采用Logit模型建立公司違約模型，令P表示貸款發(fā)生違約的概率，則模型的基本形式可以表示為：

在Logit模型中，解釋變量是二分變量，即貸款違約和非違約，用yi表示貸款狀態(tài)，如果公司發(fā)生違約，取值為1；如果按期償還貸款，則取值為0。Xi是第i筆貸款的協(xié)變量向量，包括所有影響該筆貸款違約風(fēng)險(xiǎn)的因素。為了檢驗(yàn)軟信息對(duì)模型風(fēng)險(xiǎn)度量準(zhǔn)確性的影響，本文同時(shí)設(shè)計(jì)了兩個(gè)模型，分別稱為模型（I）和模型（II），其中模型（I）采用財(cái)務(wù)變量等硬信息，而模型（II）在財(cái)務(wù)變量基礎(chǔ)上進(jìn)一步加入銀企關(guān)系變量。

（二）數(shù)據(jù)來(lái)源與樣本處理

本文根據(jù)中國(guó)證監(jiān)會(huì)行業(yè)分類標(biāo)準(zhǔn)，在滬深A(yù)股市場(chǎng)篩選房地產(chǎn)上市公司。在此基礎(chǔ)上，手工翻閱公司公告，得到522筆貸款，貸款期限為2002-2010年，其中違約33筆，占比6.32%。樣本包括82家公司，平均每家公司記錄貸款6.37筆，平均貸款期限2.11年，違約貸款涉及11家企業(yè)，占全部樣本的13.4%。本文定義的信貸違約是指未能按期償還本金或到期時(shí)未能獲得銀行同意達(dá)成貸款展期、延期、續(xù)期或勾銷，屬于狹義定義，與是否違反貸款合同的其它條款無(wú)關(guān)。相關(guān)財(cái)務(wù)數(shù)據(jù)取自RESSET數(shù)據(jù)庫(kù)。

（三）變量選取

1.銀企關(guān)系變量?？紤]到數(shù)據(jù)可得性，本文從以下三個(gè)方面選取變量：銀企關(guān)系的持續(xù)時(shí)間（Duration）。關(guān)系借貸離不開(kāi)銀企間的長(zhǎng)期交易，保持長(zhǎng)期關(guān)系有利于雙方增進(jìn)信任，從而為軟信息的有效傳遞奠定基礎(chǔ)。由于在公開(kāi)市場(chǎng)上很難直接獲得該變量，本文借鑒隋毅（2012）的做法，采用樣本公司成立時(shí)間作為銀行關(guān)系持續(xù)時(shí)間的替代變量；銀企關(guān)系的多樣性（Multiplexity）。采用銀行或銀行控股的其他金融機(jī)構(gòu)是否是房地產(chǎn)公司前十大股東作為銀企間多樣性關(guān)系的表征變量，如果是取值為1，反之取值為0。銀行與借款公司之間同時(shí)存在債權(quán)和股權(quán)關(guān)系，將更加有利于雙方之間的信息交流；企業(yè)的政府背景（Background）。如果公司具有較強(qiáng)的政府背景，則往往意味著該公司能夠更方便地獲取和調(diào)動(dòng)所需的政治或政策資源，這對(duì)于銀行而言無(wú)疑是一種好的軟信息（殷孟波，2012）。在銀行看來(lái)，政府的支持表明了政府在項(xiàng)目中的隱性擔(dān)保，即便項(xiàng)目最終失敗，政府也會(huì)進(jìn)行救助。因此，本文采用上市公司的國(guó)有股比例來(lái)反映企業(yè)的政府背景。

表2 違約風(fēng)險(xiǎn)度量準(zhǔn)確度比較

2.財(cái)務(wù)變量。本文在總結(jié)一般財(cái)務(wù)分析方法和國(guó)內(nèi)外相關(guān)實(shí)證研究基礎(chǔ)上，首先從盈利能力、償債能力、成長(zhǎng)能力、營(yíng)運(yùn)能力和資本結(jié)構(gòu)等方面選取24個(gè)備選變量，然后采用統(tǒng)計(jì)檢驗(yàn)方法進(jìn)行篩選。統(tǒng)計(jì)檢驗(yàn)包括兩個(gè)步驟，先采用Wilcoxon秩和檢驗(yàn)方法來(lái)計(jì)算特定財(cái)務(wù)比率在違約樣本和非違約樣本之間差異的顯著性水平，得到初選結(jié)果后測(cè)算各變量之間的相關(guān)系數(shù)，最終得到10個(gè)財(cái)務(wù)變量進(jìn)入模型，包括：凈資產(chǎn)收益率X1，由凈利潤(rùn)除以股東權(quán)益得到；銷售凈利率X2，由凈利潤(rùn)除以營(yíng)業(yè)收入得到；利息保障倍數(shù)X3，由息稅前利潤(rùn)除以利息費(fèi)用得到；營(yíng)業(yè)收入增長(zhǎng)率X4，由本期營(yíng)業(yè)收入除以去年同期營(yíng)業(yè)收入后減1得到；凈利潤(rùn)增長(zhǎng)率X5，由本期凈利潤(rùn)除以去年同期凈利潤(rùn)后減1得到；凈資產(chǎn)增長(zhǎng)率X6，由本期凈資產(chǎn)除以去年同期凈資產(chǎn)后減1得到；應(yīng)收賬款周轉(zhuǎn)率X7，由主營(yíng)業(yè)務(wù)收入除以應(yīng)收賬款得到；總資產(chǎn)周轉(zhuǎn)率X8，由主營(yíng)業(yè)務(wù)收入除以資產(chǎn)總額得到；資產(chǎn)負(fù)債率X9，由負(fù)債總額除以資產(chǎn)總額得到；固定資產(chǎn)比率X10，由固定資產(chǎn)凈額除以資產(chǎn)總額得到。為了克服離群值影響，對(duì)前述變量進(jìn)行頭尾各1%的Winsorized縮尾處理。

在數(shù)據(jù)處理方面，銀企關(guān)系變量和公司財(cái)務(wù)變量均調(diào)整為季度數(shù)據(jù)，本文采用貸款合同約定到期日之前一個(gè)季度的數(shù)據(jù)進(jìn)入模型。

實(shí)證研究與模型有效性檢驗(yàn)

（一）描述性統(tǒng)計(jì)

在樣本中，銀企關(guān)系的平均持續(xù)時(shí)間為10.79年；銀企關(guān)系的多樣性指標(biāo)平均值為0.76；公司國(guó)有股比例平均為16.75%。樣本公司的凈資產(chǎn)收益率平均值為5.19%；銷售凈利率平均值為12.61%；利息保障倍數(shù)平均值為7.35；營(yíng)業(yè)收入增長(zhǎng)率平均值為15.10%；凈利潤(rùn)增長(zhǎng)率平均值為22.12%；凈資產(chǎn)增長(zhǎng)率平均值為10.74%；應(yīng)收賬款周轉(zhuǎn)率平均值為18.29；總資產(chǎn)周轉(zhuǎn)率平均值為0.15；資產(chǎn)負(fù)債率平均值為66.78%；固定資產(chǎn)比率平均值為1.52%。

（二）模型回歸結(jié)果

在模型回歸階段，對(duì)模型（I）和（II）分別采用逐步回歸法進(jìn)行變量篩選和參數(shù)估計(jì)，只保留顯著性水平低于10%的變量，其他變量自動(dòng)剔除。從結(jié)果來(lái)看，對(duì)于模型（I），最終有五個(gè)財(cái)務(wù)變量經(jīng)過(guò)篩選，這些變量的系數(shù)方向與預(yù)計(jì)方向均保持一致。在模型（II）中，反映銀企關(guān)系的變量Duration、Multiplexity和Background的回歸系數(shù)分別在1%、5%和10%的水平下顯著，從而證明了在房地產(chǎn)上市公司違約風(fēng)險(xiǎn)度量中，銀企關(guān)系包含了財(cái)務(wù)數(shù)據(jù)等硬信息以外的有效信息；同時(shí)，上述變量的系數(shù)方向均為負(fù)，與預(yù)期完全一致，說(shuō)明銀企關(guān)系的持續(xù)時(shí)間、關(guān)系的多樣性以及企業(yè)的政府背景都是“好”的軟信息，可以顯著降低公司的違約風(fēng)險(xiǎn)，結(jié)果如表1所示。

（三）模型有效性檢驗(yàn)

本文進(jìn)一步比較模型（I）和（II）的有效性差別。根據(jù)模型（I）的回歸結(jié)果，違約概率可以表示為：

根據(jù)模型（II）的回歸結(jié)果，違約概率可以表示為：

本文將樣本貸款到期日之前一個(gè)季度的數(shù)據(jù)分別代入式（2）和式（3），計(jì)算得到每一筆貸款的預(yù)期違約概率。在此基礎(chǔ)上，把各筆貸款按照違約概率由高到低進(jìn)行排序，然后將該序列十等分，其中序列越高的部分代表違約概率越高，序列越低的部分表示違約概率越低，之后計(jì)算每一部分實(shí)際發(fā)生違約的貸款占樣本期內(nèi)全部違約貸款的比重，最終得到結(jié)果如表2所示。在表2中，十等分的最高部分（1）代表了對(duì)公司違約貸款的正確分類，而最低部分（6-10）則可以視作是犯了第一類錯(cuò)誤，即對(duì)公司違約貸款的錯(cuò)誤分類。從結(jié)果來(lái)看，模型（II）在度量違約風(fēng)險(xiǎn)準(zhǔn)確度方面明顯優(yōu)于模型（I）。模型（II）將75.76%的違約貸款歸類到最高風(fēng)險(xiǎn)等級(jí)；而模型（I）只能把60.61%的違約貸款歸類到最高風(fēng)險(xiǎn)等級(jí)。因此研究結(jié)果表明，軟信息有助于提高模型的風(fēng)險(xiǎn)識(shí)別和判斷能力。

結(jié)論

本文設(shè)計(jì)了一種實(shí)證研究方法，可以從關(guān)系借貸的角度間接度量并考察軟信息在度量違約風(fēng)險(xiǎn)中的作用?；?002-2010年期間我國(guó)房地產(chǎn)上市公司銀行貸款數(shù)據(jù)，本文首先從銀企關(guān)系的持續(xù)時(shí)間、多樣性以及企業(yè)的政府背景等方面選取銀企關(guān)系變量。在此基礎(chǔ)上，同時(shí)構(gòu)造了兩個(gè)可供比較的信貸違約風(fēng)險(xiǎn)度量模型，其中模型（I）采用財(cái)務(wù)變量等硬信息，模型（II）在財(cái)務(wù)變量以外進(jìn)一步納入銀企關(guān)系變量。實(shí)證結(jié)果表明，銀企關(guān)系變量包含了財(cái)務(wù)變量等硬信息以外有關(guān)公司違約的重要信息。與僅采用硬信息的模型（I）相比，包含軟信息的模型（II）大大提高了違約風(fēng)險(xiǎn)度量的準(zhǔn)確性。

本文的研究結(jié)論為軟信息和關(guān)系借貸理論在公司違約領(lǐng)域的應(yīng)用提供了經(jīng)驗(yàn)證據(jù)。并且發(fā)現(xiàn)，軟信息和關(guān)系借貸的價(jià)值不僅體現(xiàn)在增加資金可得性、降低貸款利率和抵押擔(dān)保要求等方面（崔向陽(yáng)，2007），還有助于提高商業(yè)銀行對(duì)公司違約風(fēng)險(xiǎn)的判別能力。同時(shí)，本文對(duì)于改進(jìn)和優(yōu)化信貸違約風(fēng)險(xiǎn)度量模型具有較強(qiáng)的啟示意義。銀行信貸行為與證券投資行為存在較大不同，證券投資者可以在任意時(shí)間買(mǎi)賣(mài)公司證券，很少有動(dòng)力去監(jiān)督企業(yè)；而銀行貸款流動(dòng)性較小，為了保障貸款安全性，銀行有足夠的積極性來(lái)生產(chǎn)借款公司的軟信息，因此準(zhǔn)確的違約風(fēng)險(xiǎn)度量不僅建立在硬信息基礎(chǔ)上，還在很大程度上依賴于軟信息。

1.Stein J C. Information production and capital allocation： Decentralized versus hierarchical firms[J]. The Journal of Finance, 2002, 57(5)

2.Boot A W A. Relationship banking：What do we know? [J]. Journal of financial intermediation, 2000, 9(1)

3.Chang C, Liao G, Yu X, et al. Information from relationship lending： evidence from loan defaults in China [J]. European banking center discussion paper，2010 (2009-10S)

4.Kau J B, Keenan D C, Lyubimov C,et al. Asymmetric information in the subprime mortgage market [J]. Journal of Real Estate Finance and Economics, 2012, 44(1-2)

5.隋敏.企業(yè)社會(huì)資本研究[D].中國(guó)海洋大學(xué)博士論文，2012

6.殷孟波.金融業(yè)全面開(kāi)放下的商業(yè)銀行信貸行為研究[M].西南財(cái)經(jīng)大學(xué)出版社，2012

7.崔向陽(yáng).關(guān)系融資研究與探索[M].中國(guó)財(cái)政經(jīng)濟(jì)出版社，2007

沈彥皓（1987年-），清華大學(xué)建設(shè)管理系恒隆房地產(chǎn)研究中心碩士研究生。

F830

A

楊贊（1968年-），經(jīng)濟(jì)學(xué)博士，清華大學(xué)建設(shè)管理系恒隆房地產(chǎn)研究中心副教授、博士生導(dǎo)師，主要從事房地產(chǎn)經(jīng)濟(jì)與金融研究。