基于MCLP模型的個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)研究

陳　瑩，武志偉，李心丹，翁炳辰

(1. 南京大學(xué) 工程管理學(xué)院，江蘇 南京　210093；2. 南京大學(xué) 商學(xué)院，江蘇 南京　210093)

基于MCLP模型的個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)研究

陳瑩1，武志偉2，李心丹1，翁炳辰1

(1. 南京大學(xué) 工程管理學(xué)院，江蘇 南京210093；2. 南京大學(xué) 商學(xué)院，江蘇 南京210093)

[摘要]個(gè)人住房抵押貸款一旦出現(xiàn)大規(guī)模的違約便會(huì)對(duì)金融體系的穩(wěn)定和宏觀經(jīng)濟(jì)的平穩(wěn)運(yùn)行帶來(lái)很大的負(fù)面影響。通過(guò)對(duì)我國(guó)商業(yè)銀行個(gè)人住房抵押貸款真實(shí)數(shù)據(jù)進(jìn)行分析，分離出可能對(duì)貸款履約產(chǎn)生影響的個(gè)人基本情況、個(gè)人信用狀況以及貸款合約等15項(xiàng)指標(biāo)。在此基礎(chǔ)上，使用MCLP模型構(gòu)建了個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)模型，并比較了MCLP模型與傳統(tǒng)Logistic模型的預(yù)測(cè)結(jié)果，發(fā)現(xiàn)前者具有更高的準(zhǔn)確度。最后，基于研究結(jié)論提出了相關(guān)建議。

[關(guān)鍵詞]住房抵押貸款；貸款違約風(fēng)險(xiǎn)；MCLP模型；商業(yè)銀行；貸款影響因素；個(gè)人住房貸款；房地產(chǎn)按揭貸款

一、 引言

近十年來(lái)，我國(guó)房地產(chǎn)市場(chǎng)經(jīng)過(guò)了迅速的發(fā)展歷程，房地產(chǎn)行業(yè)已經(jīng)成為國(guó)民經(jīng)濟(jì)的支柱行業(yè)。進(jìn)入2014年以來(lái)，我國(guó)房地產(chǎn)市場(chǎng)的走勢(shì)出現(xiàn)了明顯的變化，主要表現(xiàn)為很多城市的商品房成交量出現(xiàn)明顯萎縮，以杭州、廣州等城市為代表的房產(chǎn)商開(kāi)始降價(jià)出售房屋，繼而引發(fā)了國(guó)內(nèi)很多城市房產(chǎn)商競(jìng)相跟風(fēng)降價(jià)，持續(xù)上漲多年的房地產(chǎn)價(jià)格首次出現(xiàn)了主動(dòng)回調(diào)的態(tài)勢(shì)。

作為商業(yè)銀行最主要的貸款品種之一，我國(guó)個(gè)人住房抵押貸款的余額從2003年的1.2萬(wàn)億元上升到了2013年的9萬(wàn)億元。由于我國(guó)個(gè)人住房抵押貸款開(kāi)展較晚，對(duì)于個(gè)人住房抵押貸款的風(fēng)險(xiǎn)防控措施還比較有限，因此個(gè)人住房抵押貸款一旦由于房地產(chǎn)價(jià)格下跌而出現(xiàn)大規(guī)模的違約，便會(huì)給金融體系的穩(wěn)定和宏觀經(jīng)濟(jì)的平穩(wěn)運(yùn)行帶來(lái)很大的不利影響。

本文通過(guò)對(duì)我國(guó)商業(yè)銀行個(gè)人住房抵押貸款真實(shí)數(shù)據(jù)進(jìn)行分析，分離出可能會(huì)導(dǎo)致貸款客戶違約風(fēng)險(xiǎn)的因素，并在此基礎(chǔ)上基于MCLP模型構(gòu)建了個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)模型，實(shí)證檢驗(yàn)了影響貸款履約的因素，且對(duì)模型的有效性進(jìn)行分析和比較，提出了有效識(shí)別個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的相關(guān)建議，以期對(duì)我國(guó)商業(yè)銀行風(fēng)險(xiǎn)管理實(shí)踐的改進(jìn)有所裨益。

二、 相關(guān)文獻(xiàn)與研究方法

(一) 個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的相關(guān)研究

國(guó)外早期的研究中，Morton分析了美國(guó)個(gè)人住房抵押貸款客戶的違約情況，發(fā)現(xiàn)供養(yǎng)人數(shù)、職業(yè)以及貸款價(jià)值比對(duì)履約情況的影響比較大[1]。Campbell和Dietrich用多因素logit回歸的方法發(fā)現(xiàn)抵押率、就業(yè)水平對(duì)于抵押貸款的違約情況有著顯著影響[2]。Gardner和Mills發(fā)現(xiàn)，過(guò)去有過(guò)多次逾期經(jīng)歷的客戶其違約可能性是普通客戶的兩倍，而過(guò)去出現(xiàn)多次逾期的原因也是值得關(guān)注的[3]。Lawrence和Arshadi也發(fā)現(xiàn)，如果客戶違約所受到的懲罰小于不違約的機(jī)會(huì)成本，則客戶會(huì)選擇違約，當(dāng)客戶因短期的資金周轉(zhuǎn)困難而出現(xiàn)逾期的時(shí)候，貸款延期對(duì)于客戶和銀行來(lái)說(shuō)都是更好的選擇，另外，他還認(rèn)為貸款價(jià)值比(LTV，即抵押率和月還款額占家庭月收入的比率)是影響借款人還款狀態(tài)的最主要因素[4]。Burrows通過(guò)對(duì)13個(gè)變量的研究，發(fā)現(xiàn)就業(yè)情況是客戶是否違約的最重要因素，貸款金額的大小對(duì)違約可能性也有影響，而婚姻狀況、是否有子女等也是不能忽視的因素[5]。Berry和Dalton在研究澳大利亞金融機(jī)構(gòu)的客戶貸款資料后發(fā)現(xiàn)，婚姻狀況、家庭成員的長(zhǎng)期失業(yè)、家庭收入的突然下降是導(dǎo)致違約風(fēng)險(xiǎn)的重要因素[6]。

國(guó)內(nèi)的研究中，徐遙君定性分析了我國(guó)多家商業(yè)銀行的住房貸款履約情況以及各大城市的個(gè)人住房貸款相關(guān)情況，指出商業(yè)銀行貸款制度、居民可支配收入、房?jī)r(jià)水平和利率水平對(duì)住房抵押貸款違約風(fēng)險(xiǎn)有較大影響[7]。楊星和麥元?jiǎng)撞捎肕erton結(jié)構(gòu)化模型對(duì)住房貸款的風(fēng)險(xiǎn)進(jìn)行分析，發(fā)現(xiàn)住房?jī)r(jià)格的波動(dòng)率、LTV與風(fēng)險(xiǎn)正相關(guān)，無(wú)風(fēng)險(xiǎn)利率與信用風(fēng)險(xiǎn)負(fù)相關(guān)[8]。胡鵬、鐘叔平和苗維亞認(rèn)為按揭比例、交易稅費(fèi)、房?jī)r(jià)跌幅與違約風(fēng)險(xiǎn)正向相關(guān)，已還款期數(shù)、按揭利率、按揭年限和新購(gòu)置籌資比率與違約風(fēng)險(xiǎn)負(fù)向相關(guān)[9]。徐巖巖和趙正龍運(yùn)用BP濾波法實(shí)證分析了交通銀行不良貸款率的波動(dòng)與GDP之間的關(guān)系[10]。龍海明、唐海龍和歐陽(yáng)娟對(duì)中國(guó)銀行某分行的個(gè)人住房抵押貸款數(shù)據(jù)進(jìn)行分析后發(fā)現(xiàn)，學(xué)歷、婚姻狀況、貸款期限和利率是影響客戶違約的關(guān)鍵因素[11]。王騰江對(duì)山東煙臺(tái)和安徽亳州多家銀行和信用社的數(shù)據(jù)進(jìn)行研究，發(fā)現(xiàn)國(guó)家住房政策對(duì)個(gè)人住房貸款違約的影響很大，但就業(yè)率、利率、收入水平變化對(duì)違約率影響不大[12]。

(二) MCLP：信用風(fēng)險(xiǎn)判別的新方法

最早用來(lái)分析銀行信用風(fēng)險(xiǎn)的常用工具是判別分析[13-14]，其后的研究中，學(xué)者們開(kāi)始使用多重線性回歸和Probit分析等更為準(zhǔn)確的方法[15]。進(jìn)入20世紀(jì)90年代以后，Glover進(jìn)一步擴(kuò)大了線性判別分析模型的適用范圍和靈活性，從此更多的方法被用于對(duì)信用風(fēng)險(xiǎn)的判別當(dāng)中[16]。其中，多因素線性回歸分析(MCLP)是一種被認(rèn)為在信用評(píng)分領(lǐng)域有潛力可以超越現(xiàn)有方法的信用分析方法，并且這種方法已經(jīng)被成功地用在了對(duì)信用卡客戶的分析上。

相較于傳統(tǒng)的模型，MCLP模型的準(zhǔn)確性、靈敏度等各項(xiàng)指標(biāo)都要更好。對(duì)于MCLP來(lái)說(shuō)，b是區(qū)分“好客戶”和“壞客戶”的分界線，b的取值對(duì)于MCLP模型的準(zhǔn)確率有著重大的影響。Li、YU和Liu使用了UCI數(shù)據(jù)庫(kù)中的德國(guó)信用卡客戶信息，對(duì)b的取值會(huì)如何影響分類準(zhǔn)確率進(jìn)行了敏感性分析，最后得出結(jié)論為：b=1是分類準(zhǔn)確率最高的取值[17]。Shi、Wise和Luo等將MCLP運(yùn)用于信用卡客戶的違約風(fēng)險(xiǎn)研究，根據(jù)其存在違約風(fēng)險(xiǎn)的大小，把信用卡持卡人分為了“好客戶”和“壞客戶”兩類[18]。Kou、Liu和Peng等擴(kuò)展了這一方法，按違約風(fēng)險(xiǎn)的大小將客戶進(jìn)行了進(jìn)一步細(xì)分[19]。上述研究都認(rèn)為MCLP可以產(chǎn)生比其他方法更好的結(jié)果。Li、Shi和He采用了三種基于MCLP的方法來(lái)提高找出“壞客戶”的準(zhǔn)確率[20]。

(三) 小結(jié)

通過(guò)上面的分析我們可以發(fā)現(xiàn)，個(gè)人住房抵押貸款的各項(xiàng)影響因素與信用卡客戶極為相似，因此將MCLP模型用于對(duì)個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的研究將有助于提升模型預(yù)測(cè)結(jié)果的準(zhǔn)確率。

本文在使用MCLP模型分析影響個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)因素的同時(shí)，也使用了Logistic回歸模型對(duì)樣本銀行個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的影響因素進(jìn)行了檢驗(yàn)，然后通過(guò)對(duì)MCLP模型與Logistic回歸模型的分析結(jié)果進(jìn)行比較，試圖證明MCLP模型對(duì)于個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)研究的適用性。

三、 個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)影響因素的描述性分析

本文選取了個(gè)人基本情況、個(gè)人信用狀況和貸款合約等三類因素，通過(guò)分析其對(duì)個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的影響，最終篩選出對(duì)樣本客戶違約風(fēng)險(xiǎn)存在顯著影響的因素。本文的數(shù)據(jù)來(lái)自某商業(yè)銀行一級(jí)分行2006—2013年的個(gè)人住房抵押貸款數(shù)據(jù)和資料。由于樣本銀行的個(gè)人住房抵押貸款整體違約率較低，因此為了使違約客戶數(shù)據(jù)不被正常履約客戶數(shù)據(jù)所淹沒(méi)，本文在樣本抽取過(guò)程中提高了違約客戶樣本的抽取比例。本文最終抽取了210組客戶數(shù)據(jù)，并根據(jù)違約率模型的最優(yōu)樣本配比要求，選擇了違約客戶59組，正常履約客戶151組[21]。

(一) 個(gè)人基本情況及其對(duì)違約風(fēng)險(xiǎn)的影響

客戶的個(gè)人基本情況包括年齡、性別、學(xué)歷、工作情況、婚姻狀況、戶籍和家庭月收入7個(gè)方面。表1分析了樣本銀行貸款客戶的個(gè)人基本情況對(duì)貸款違約率的影響。

表1　個(gè)人基本情況與違約風(fēng)險(xiǎn)統(tǒng)計(jì)

注：小分類項(xiàng)冒號(hào)前面的數(shù)字為之后實(shí)證分析中對(duì)各項(xiàng)定性指標(biāo)的賦值情況，下同。

1. 年齡對(duì)違約風(fēng)險(xiǎn)的影響

從表1中可以看出，隨著借款人年齡的增長(zhǎng)，其貸款違約風(fēng)險(xiǎn)逐步升高。20歲以下的客戶樣本數(shù)只有1個(gè)，結(jié)果說(shuō)服力不強(qiáng)；20—30歲的客戶貸款違約率為20%；30—40歲的客戶其違約可能性相對(duì)較高；40—50歲的客戶違約的可能性是最高的；50歲以上客戶，由于銀行對(duì)此類客戶的審批較為嚴(yán)格，故一般不會(huì)出現(xiàn)違約情況。

2. 性別對(duì)違約風(fēng)險(xiǎn)的影響

女性客戶的違約風(fēng)險(xiǎn)要明顯小于男性客戶。

3. 學(xué)歷對(duì)違約風(fēng)險(xiǎn)的影響

學(xué)歷較高客戶的收入穩(wěn)定性一般更高，其還款來(lái)源相對(duì)穩(wěn)定，且其受到更好的教育，對(duì)于個(gè)人信用的重視程度、風(fēng)險(xiǎn)的敏感性和投資的理性程度更高，其違約風(fēng)險(xiǎn)就相對(duì)較小。樣本數(shù)據(jù)的分析結(jié)果也支持這一觀點(diǎn)。

4. 工作情況對(duì)違約風(fēng)險(xiǎn)的影響

在樣本銀行的貸款客戶中，國(guó)企、公務(wù)員及事業(yè)單位員工的違約率明顯低于其他職業(yè)的客戶。

5. 婚姻狀況對(duì)違約風(fēng)險(xiǎn)的影響

婚姻狀況對(duì)違約風(fēng)險(xiǎn)的影響不明顯。

6. 戶籍對(duì)違約風(fēng)險(xiǎn)的影響

戶籍對(duì)違約風(fēng)險(xiǎn)具有明顯的影響，本地城市人口的違約率比鄉(xiāng)村及外來(lái)人口要低很多。

7. 家庭月收入對(duì)違約風(fēng)險(xiǎn)的影響

由表1中可以看出，隨著收入的增加，違約客戶占比逐漸降低。

(二) 個(gè)人信用狀況及其對(duì)違約風(fēng)險(xiǎn)的影響

表2　個(gè)人信用狀況與違約風(fēng)險(xiǎn)統(tǒng)計(jì)

個(gè)人信用狀況是客戶以往貸款行為的反映，也直接影響違約風(fēng)險(xiǎn)的水平。表2統(tǒng)計(jì)了個(gè)人信用記錄和有無(wú)未還完貸款等因素對(duì)樣本銀行貸款人履約情況的影響。

1. 個(gè)人信用記錄對(duì)違約風(fēng)險(xiǎn)的影響

從表2中可以看出，個(gè)人歷史信用記錄較好的客戶違約風(fēng)險(xiǎn)相對(duì)較低，但由于銀行對(duì)于歷史信用記錄的審查比較嚴(yán)格，有不良信用記錄的客戶很難貸到款，故數(shù)據(jù)中有不良?xì)v史的客戶較少。

2. 有無(wú)未還完貸款對(duì)違約風(fēng)險(xiǎn)的影響

從表2可以看出，沒(méi)有其他未還完貸款客戶的履約情況明顯好于有未還完貸款的客戶。

(三) 貸款合約及其對(duì)違約風(fēng)險(xiǎn)的影響

本文嘗試從貸款總額、期限、月還款額、月還款額占家庭月收入比重、首付比率和抵押率6個(gè)方面來(lái)考察貸款合約中的關(guān)鍵信息與樣本銀行貸款人違約風(fēng)險(xiǎn)的關(guān)系(表3)。

表3　貸款合約與違約風(fēng)險(xiǎn)統(tǒng)計(jì)

1. 貸款總額對(duì)違約風(fēng)險(xiǎn)的影響

一般認(rèn)為，當(dāng)貸款總額增大時(shí)，客戶需要還款的金額也隨之增加，其違約風(fēng)險(xiǎn)就相應(yīng)變大。但表3結(jié)果顯示，隨著客戶還款金額的增加，違約率反而隨之降低。20萬(wàn)以下的客戶履約情況最差，100萬(wàn)以上的客戶履約情況最好。

2. 期限對(duì)違約風(fēng)險(xiǎn)的影響

從表3的實(shí)際數(shù)據(jù)來(lái)看，貸款期限在10年以內(nèi)的客戶違約率最高；11年至20年之間的客戶履約情況是最好；21年至30年期限客戶的違約風(fēng)險(xiǎn)顯著高于11年至20年的客戶。

3. 月還款額對(duì)違約風(fēng)險(xiǎn)的影響

一般而言，月還款額高的客戶，還款壓力較大，違約的可能性也會(huì)增加。但表3結(jié)果顯示，月還款額和履約率之間并沒(méi)有很明顯的關(guān)聯(lián)。月還款額最低的一組違約率反而最高，還款金額最高的一組履約情況反而最好。

4. 月還款額占家庭月收入比重對(duì)違約風(fēng)險(xiǎn)的影響

從表3可以看出，月還款額占家庭月收入比重高于50%的客戶的履約情況明顯不如比重低于50%的客戶。但是值得注意的是，比重在25%以下的客戶的違約率也相對(duì)比較高。

5. 首付比率對(duì)違約風(fēng)險(xiǎn)的影響

首付比率越高，客戶需要貸款金額就越少，其違約風(fēng)險(xiǎn)也就小。但表3結(jié)果卻與此不符，首付比例最低的一組違約率也最低，而首付在30%—50%的客戶違約率是最高的。

6. 抵押率對(duì)違約風(fēng)險(xiǎn)的影響

表3中可以看出，抵押率最低的一組違約率最高，而抵押率在50%到80%之間的時(shí)候，客戶履約情況是最好的。

(四) 小結(jié)

個(gè)人基本情況對(duì)違約風(fēng)險(xiǎn)的影響是比較顯著的，學(xué)歷、工作狀況、戶籍情況和家庭月收入對(duì)履約情況的影響最為明顯；個(gè)人信用狀況中，是否有其他未歸還貸款對(duì)違約風(fēng)險(xiǎn)有一定影響；貸款合約對(duì)違約風(fēng)險(xiǎn)也存在一定影響，但情況相對(duì)來(lái)說(shuō)比較復(fù)雜。因此，如何綜合三個(gè)方面的影響因素，形成對(duì)個(gè)人貸款客戶違約風(fēng)險(xiǎn)的綜合判斷，成為理論和實(shí)踐中必須解決的重要問(wèn)題。

四、 基于MCLP模型的客戶違約風(fēng)險(xiǎn)綜合判別分析

(一) MCLP的建模方法

MCLP模型主要用于分析客戶信用行為分類問(wèn)題。首先，本文假設(shè)所有客戶可以被分為兩類，B代表“壞”的客戶，G代表“好”的客戶。其次，本文給出一個(gè)關(guān)于客戶的有r個(gè)變量的集A=(a1,a2,…,ar)，對(duì)于客戶i，Ai=(ai1,ai2,…,air)代表了其過(guò)去的行為或信息，比如ai1代表“收入”，ai2代表“是否有住房”等。定義X=(x1,x2,…,xr)為變量參數(shù)的子集，b為區(qū)分兩組的分界。所以AiX是客戶i的評(píng)分，b是評(píng)分的邊界，通過(guò)兩者的比較可以對(duì)客戶進(jìn)行分類。為方便研究，本文設(shè)定B區(qū)間在邊界的左邊，G區(qū)間在邊界的右邊。

當(dāng)我們把噪音數(shù)據(jù)和現(xiàn)實(shí)情況納入考慮時(shí)，經(jīng)常會(huì)發(fā)現(xiàn)“好”客戶和“壞”客戶會(huì)出現(xiàn)重疊。所以我們采用放松的線性規(guī)劃模型來(lái)反映有重疊的二分類問(wèn)題。

設(shè)αi為重疊部分客戶的分?jǐn)?shù)到邊界b的距離，其他情況下αi為0。βi為不在重疊部分客戶的分?jǐn)?shù)到邊界b的距離，其他情況下βi為0。我們的目標(biāo)是同時(shí)使αi最小，βi最大，于是可以得到：

min∑iαi，max∑iβi

s.t.AiX=b+αi-βiAi∈B

AiX=b-αi+βiAi∈G

(1)

其中，Ai是給定的，X，B是無(wú)約束的，αi≥0，βi≥0。

一般情況下，我們把多目標(biāo)線性規(guī)劃問(wèn)題轉(zhuǎn)化為單目標(biāo)來(lái)解。我們?cè)O(shè)α*>0為-αi和的理想值，β*為βi和的理想值，得到：

(2)

進(jìn)一步簡(jiǎn)化得

(3)

最后，得到簡(jiǎn)化后的MCLP模型為：

s.t.AiX=b+αi-βiAi∈B

AiX=b-αi+βiAi∈G

(4)

(二) 參數(shù)選擇

本文使用SPSS軟件對(duì)所有的210組數(shù)據(jù)進(jìn)行處理，把“履約情況”作為因變量，其他各項(xiàng)參數(shù)為自變量，進(jìn)行單變量Logistic回歸，剔除顯著性≥0.05與違約情況明顯不相關(guān)的變量?；貧w結(jié)果如下頁(yè)表4所示，學(xué)歷、工作狀況、家庭月收入、戶籍以及是否有其他未還完貸款這五項(xiàng)指標(biāo)與違約情況顯著相關(guān)，而另外10項(xiàng)指標(biāo)與違約情況不顯著相關(guān)，應(yīng)被剔除。

表4　MCLP模型參數(shù)選擇

(三) MCLP模型分析

從所有210組客戶中，本文隨機(jī)抽取了180組客戶作為訓(xùn)練集，用于建立模型，剩下30組客戶作為測(cè)試組，用于對(duì)模型的準(zhǔn)確率進(jìn)行測(cè)試。把180組訓(xùn)練集中的數(shù)據(jù)里與履約情況相關(guān)的指標(biāo)代入MCLP模型中。使用Lingo軟件對(duì)模型進(jìn)行計(jì)算，其中α*應(yīng)取大于零的盡量小的值，這里設(shè)α*=0.001，β*應(yīng)取盡量大的值，這里設(shè)β*=99999。根據(jù)Li、YU和Liu研究得出的b的最優(yōu)取值為b=1[17]。

Lingo計(jì)算結(jié)果如表5。其中，D1為dα-，D2為dα+，D3為dβ-，D4為dβ+，X1為學(xué)歷，X2為工作狀況，X3為家庭月收入，X4為戶籍，X5為是否有其他未還完貸款。結(jié)果表明，是否有其他未還完貸款與借款人履約情況沒(méi)有明顯的相關(guān)性。

表5　MCLP模型的分析結(jié)果

模型為：P=0.2X1+0.4X2+0.2X3+0.6X4

(5)

(四) 模型檢驗(yàn)

1. 預(yù)測(cè)準(zhǔn)確率

我們將之前隨機(jī)選出的30組測(cè)試集中的數(shù)據(jù)代入模型，對(duì)模型預(yù)測(cè)的準(zhǔn)確程度進(jìn)行檢驗(yàn)。若所得P值大于等于1，則認(rèn)為該客戶將會(huì)正常履約；反之，則認(rèn)為該客戶可能會(huì)出現(xiàn)違約的情況。結(jié)果如表6。我們發(fā)現(xiàn)對(duì)履約客戶的預(yù)測(cè)準(zhǔn)確率為83.3%，違約客戶預(yù)測(cè)準(zhǔn)確率為75%，總體準(zhǔn)確率為80%，模型總體預(yù)測(cè)準(zhǔn)確率較好。

2. ROC曲線

對(duì)MCLP模型的結(jié)果做ROC曲線(圖1)，其AUC值為0.868，遠(yuǎn)大于0.7，P值為0.001，說(shuō)明MCLP模型對(duì)客戶違約情況的預(yù)測(cè)準(zhǔn)確率較好。

表6　MCLP模型檢驗(yàn)結(jié)果

3. K-S檢驗(yàn)

K-S檢驗(yàn)中，MCLP模型的K-S值為0.583，大于0.4，P為0.002，小于0.05，說(shuō)明MCLP模型對(duì)于履約客戶和違約客戶的區(qū)分度較好。

(五) 與Logistic模型的比較

圖1　MCLP模型的ROC曲線

1. Logistic模型的分析結(jié)果

從下頁(yè)表7中可以看出，通過(guò)五步選擇，學(xué)歷、工作狀況、家庭月收入、戶籍以及是否有其他未還完貸款等指標(biāo)進(jìn)入了模型中，說(shuō)明這五項(xiàng)指標(biāo)與客戶履約情況顯著相關(guān)。從結(jié)果來(lái)看，Logistic模型的結(jié)果與MCLP模型存在一定的差異，主要表現(xiàn)在進(jìn)入Logistic模型的自變量數(shù)量多于MCLP模型，且是否有其他未還完貸款也進(jìn)入了預(yù)測(cè)模型。

由分析結(jié)果得出，樣本估計(jì)的Logistic模型為：

(6)

表8　Logistic模型的檢驗(yàn)結(jié)果

表8為使用30組測(cè)試樣本對(duì)模型預(yù)測(cè)準(zhǔn)確率的檢驗(yàn)，Logistic模型的預(yù)測(cè)準(zhǔn)確率明顯低于MCLP模型，說(shuō)明本研究采用的MCLP方法能夠更為準(zhǔn)確地對(duì)個(gè)人住房抵押貸款的違約情況進(jìn)行分析和預(yù)測(cè)。

五、 總結(jié)與建議

根據(jù)實(shí)證結(jié)果，住房抵押貸款者的學(xué)歷、工作狀況、家庭月收入和戶籍等幾個(gè)因素是導(dǎo)致客戶違約的最主要因素。其中，借款人學(xué)歷越低，越有可能出現(xiàn)貸款違約情況；國(guó)企、事業(yè)單位員工以及公務(wù)員的履約情況明顯好于其他職業(yè)者；家庭收入越高，其違約可能性就越低；本地城市戶口的借款人還款情況要明顯好于其他借款人。特別是，本文將貸款合約的相關(guān)要素納入違約風(fēng)險(xiǎn)的研究中，表明還款期限、月還款額占家庭月收入比重等因素對(duì)違約風(fēng)險(xiǎn)存在直接影響。

基于本文的研究結(jié)論，我國(guó)商業(yè)銀行在個(gè)人住房抵押貸款審批過(guò)程中應(yīng)著重注意借款人在以上幾個(gè)方面的特征，從中篩選出違約風(fēng)險(xiǎn)較大的客戶群予以重點(diǎn)關(guān)注，并采取相對(duì)應(yīng)的措施，以便有效地降低貸款違約的風(fēng)險(xiǎn)。如在審批中銀行應(yīng)控制學(xué)歷為高中及以下借款人的數(shù)量；適當(dāng)提高工作狀況較為不穩(wěn)定、過(guò)去一段時(shí)間多次換工作借款者的貸款門檻；客戶經(jīng)理在還款期限、月還款額占家庭月收入比重等方面向客戶提供合理建議將有效降低違約風(fēng)險(xiǎn)；此外，在貸款的后續(xù)管理中要重視對(duì)家庭月收入穩(wěn)定性的調(diào)查，若借款人收入出現(xiàn)劇烈的動(dòng)蕩；在同等條件下，對(duì)本地區(qū)的借款客戶可以適當(dāng)提供優(yōu)惠措施等。

與以往研究使用的方法不同，本文將MCLP模型引入對(duì)個(gè)人住房抵押貸款違約影響因素的研究中，發(fā)現(xiàn)MCLP模型預(yù)測(cè)的準(zhǔn)確率明顯高于Logistic模型等方法。因此，本文使用的分析模型對(duì)于準(zhǔn)確把握我國(guó)個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)具有重要的現(xiàn)實(shí)意義?；诒狙芯康慕Y(jié)論，結(jié)合國(guó)外先進(jìn)的信用評(píng)價(jià)模型，將有助于商業(yè)銀行建立適合自身經(jīng)營(yíng)特點(diǎn)的信用評(píng)價(jià)模型，形成一套更加成熟合理的信用評(píng)價(jià)體系，從而提高風(fēng)險(xiǎn)評(píng)價(jià)和管理水平。

參考文獻(xiàn)：

[1]Morton T G. A discriminant function analysis of residential mortgage delinquency and foreclosure[J]. Real Estate Economics,1975,3(1):73-88.

[2]Campbell T S, Dietrich J K. The determinants of default on insured conventional residential mortgage loans[J]. The Journal of Finance,1983,38(5):1569-1581.

[3]Gardner M J, Mills D L. Evaluating the likelihood of default on delinquent loans[J]. Financial Management,1989，18(1):55-63.

[4]Lawrence E C, Arshadi N. A multinomial logit analysis of problem loan resolution choices in banking[J]. Journal of Money, Credit and Banking,1995,27(1):202-216.

[5]Burrows R. Mortgage indebtedness in England: an epidemiology[J]. Housing Studies,1998,13(1):5-21.

[6]Berry M, Dalton T. Home ownership into the new millennium: a view from the margin[J]. Urban Policy and Research,2000,18(4):435-454.

[7]徐遙君.淺析我國(guó)商業(yè)銀行個(gè)人住房貸款的違約風(fēng)險(xiǎn)[J].對(duì)外經(jīng)貿(mào),2013(3):93-96.

[8]楊星,麥元?jiǎng)?個(gè)人住房貸款信用風(fēng)險(xiǎn)管理實(shí)證研究——Merton模型在信用評(píng)估中的應(yīng)用[J].南方金融,2003(3):20-23.

[9]胡鵬,鐘叔平,苗維亞.房地產(chǎn)按揭貸款違約風(fēng)險(xiǎn)分析[J].四川建筑科學(xué)研究,2003,29(4):125-126.

[10]徐巖巖,趙正龍.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)親周期性的實(shí)證分析與對(duì)策研究[J].新金融,2011(2):40-44.

[11]龍海明,唐海龍,歐陽(yáng)娟.住房抵押貸款風(fēng)險(xiǎn)控制實(shí)證研究——基于中國(guó)銀行某分行的數(shù)據(jù)分析[J].財(cái)經(jīng)理論與實(shí)踐,2010(5):29-33.

[12]王騰江.個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的宏觀經(jīng)濟(jì)分析[J].山東工商學(xué)院學(xué)報(bào),2013,27(2):93-96.

[13]Nelson O.D, Pellegrino, Mary K. Using credit scorecards to assess the credit risk of consumer abroad[J]. The Journal of European Business,1991，2(1):22-26.

[14]Klein B, Leffler K B. The role of market forces in assuring contractual performance[J]. The Journal of Political Economy,1981,89(4):615-641.

[15]Myers J H, Forgy E W. The development of numerical credit evaluation systems[J]. Journal of the American Statistical Association,1963，303(58):799-806.

[16]Glover F, Laguna M. Tabu search[M]. US: Springer US,1999.

[17]Li A, Yu Y, Liu Z. Sensitivity Analysis of b in MCLP model for credit card-holders classification[J]. Procedia Computer Science,2013，17(1):1023-1031

[18]Shi Y, Wise M, Luo M, et al. Data mining in credit card portfolio management: a multiple criteria decision making approach[M]. US: Springer Berlin Heidelberg,2001.

[19]Kou G, Liu X, Peng Y, et al. Multiple criteria linear programming approach to data mining: models, algorithm designs and software development[J]. Optimization Methods and Software,2003,18(4):453-473.

[20]Li A, Shi Y, He J. MCLP-based methods for improving “bad” catching rate in credit cardholder behavior analysis[J]. Applied Soft Computing,2008，8(2):1259-1265.

[21]賈生華,李,航.噪聲交易者預(yù)期與房地產(chǎn)泡沫——基于35個(gè)大中城市的實(shí)證研究[J].審計(jì)與經(jīng)濟(jì)研究,2014(3):85-92.

[責(zé)任編輯：楊志輝]

Loan Breach Risk of Personal House Mortgage Based on MCLP Model

CHEN Ying1, WU Zhiwei2, LI Xindan1, WENG Bingchen1

(1. School of Engineering Management, Nanjing University, Nanjing 210093, China；2. School of Business, Nanjing University, Nanjing 210093, China)

Abstract:As one of the main loans of commercial banks, it will bring about a great negative effect on the stability of financial system and stable operation of macro-economy if the large-scale of personal house mortgage loan breach takes place. By analyzing the real data of personal house mortgage loan of China commercial banks, we sort out about 15 indices on such factors as personal basic conditions, personal credit positions and loan contract which will affect the performance of the contract. On the basis of this, we use the MCLP model to set up a risk model of personal house mortgage loan and compare it with the prediction results of traditional Logistic model, and we find that the former has a higher degree of accuracy, and finally we put forward some proposals based on this conclusion.

Key Words:house mortgage loan; breach risk of loan; MCLP model; commercial banks; loan affecting factars; personal house mortgage; real estate mortgage loans

[中圖分類號(hào)]C812

[文獻(xiàn)標(biāo)識(shí)碼]A

[文章編號(hào)]1004-4833(2015)01-0105-08

[作者簡(jiǎn)介]陳瑩(1977— )，女，江蘇泰州人，南京大學(xué)工程管理學(xué)院副教授，博士，從事金融工程、家庭金融研究；武志偉(1972— )，山西太原人，南京大學(xué)商學(xué)院副教授，博士，從事實(shí)驗(yàn)經(jīng)濟(jì)學(xué)、計(jì)量經(jīng)濟(jì)學(xué)研究；李心丹(1966— )，湖南湘潭人，南京大學(xué)工程管理學(xué)院教授，博士生導(dǎo)師，從事公司金融、行為金融研究；翁炳辰(1989— )，江蘇蘇州人，南京大學(xué)工程管理學(xué)院碩士研究生，從事家庭金融研究。

[基金項(xiàng)目]國(guó)家自然科學(xué)基金項(xiàng)目(71173098;71203091，71203144)

[收稿日期]2014-07-07