北京地區(qū)商業(yè)銀行房屋抵押類(lèi)貸款逾期風(fēng)險(xiǎn)和數(shù)據(jù)質(zhì)量分析

衡 春

（中國(guó)工商銀行股份有限公司 北京市分行風(fēng)險(xiǎn)管理部， 北京 100031）

在我國(guó)，個(gè)人貸款具有貸款穩(wěn)定、期限長(zhǎng)、違約率較低且違約相關(guān)性低的特點(diǎn)，一直是商業(yè)銀行積極拓展的業(yè)務(wù)領(lǐng)域。但隨之而來(lái)的信用風(fēng)險(xiǎn)是目前商業(yè)銀行面臨的最主要也是最基本的風(fēng)險(xiǎn)。銀行在評(píng)估借款人的信用風(fēng)險(xiǎn)的方法有兩種，一種是經(jīng)驗(yàn)判斷法，一種是信用評(píng)價(jià)的定量分析方法。這兩種方法都要求銀行掌握借款人的職業(yè)、還款能力、擔(dān)保等信息。經(jīng)驗(yàn)判斷法是客戶(hù)經(jīng)理根據(jù)貸款規(guī)章流程，在接單或面簽時(shí)憑經(jīng)驗(yàn)對(duì)借款個(gè)人及資料進(jìn)行分析，并據(jù)此做出信貸決策。定量分析方法是指對(duì)資料中的數(shù)據(jù)信息進(jìn)行選擇整理，結(jié)合系統(tǒng)中客戶(hù)賬戶(hù)行為和人行征信報(bào)告，建立有效的信用評(píng)估模型對(duì)借款人的風(fēng)險(xiǎn)做出估測(cè)?？偟膩?lái)說(shuō)，定量分析方法更為科學(xué)，并且符合巴塞爾資本協(xié)議內(nèi)部評(píng)級(jí)法的要求，已成為銀行貸款審批發(fā)放和定價(jià)的重要依據(jù)。但定量分析缺點(diǎn)是需要定期通過(guò)驗(yàn)證，回測(cè)相關(guān)模型的計(jì)量有效性。如果出現(xiàn)模型驗(yàn)證不通過(guò)的情況，需要對(duì)模型設(shè)定進(jìn)行調(diào)整。

對(duì)個(gè)人進(jìn)行信用風(fēng)險(xiǎn)一般需要分析研究客戶(hù)產(chǎn)生風(fēng)險(xiǎn)的因素，影響因素來(lái)源于宏觀(guān)環(huán)境和微觀(guān)環(huán)境。商業(yè)銀行對(duì)于宏觀(guān)因素和微觀(guān)因素的處理是不同的。宏觀(guān)因素，如房地產(chǎn)市場(chǎng)走勢(shì)和利率漲幅，會(huì)對(duì)所有的借款人產(chǎn)生影響。而微觀(guān)分析則是圍繞個(gè)人及與之相關(guān)的一些因素。微觀(guān)因素主要是個(gè)人的“5C”,即品德（Character）、能力（Capacity）、資本（Capital）、擔(dān)保（Collateral）、條件（Condition），還包括貸款期限、貸款利率、還款方式等。[1]但對(duì)于客戶(hù)個(gè)人相關(guān)情況的信息采集往往存在一定的數(shù)據(jù)缺失和失真，在解釋力上存疑。

進(jìn)一步地，微觀(guān)因素可分為兩類(lèi)：客戶(hù)的非經(jīng)濟(jì)因素,表現(xiàn)的是還款意愿和品德問(wèn)題,如性別、年齡、婚姻狀況、受教育程度、有無(wú)違約事件、有無(wú)違法犯罪記錄等；客戶(hù)的經(jīng)濟(jì)因素，主要是圍繞借款人是否有能力償還貸款,如總負(fù)債/總資產(chǎn)、總貸款額/總資產(chǎn)、月還款/穩(wěn)定月收入、貸款額/抵押物價(jià)格等。

2007年美國(guó)次貸危機(jī)引發(fā)了人們對(duì)以房屋抵押方式發(fā)放貸款所引發(fā)信用風(fēng)險(xiǎn)的關(guān)注。盡管我國(guó)個(gè)人貸款作為商業(yè)銀行優(yōu)質(zhì)貸款品種，并沒(méi)有出現(xiàn)過(guò)大面積違約的系統(tǒng)性風(fēng)險(xiǎn)，但其潛在的借款人逾期甚至違約風(fēng)險(xiǎn)仍然值得我們關(guān)注。

本文力圖在借鑒國(guó)內(nèi)外學(xué)者研究成果的基礎(chǔ)上，通過(guò)數(shù)據(jù)分析，建立logistic回歸模型，對(duì)住房按揭貸款逾期風(fēng)險(xiǎn)決定因素進(jìn)行分析，并據(jù)此提出相關(guān)政策建議。

一、模型構(gòu)建與數(shù)據(jù)來(lái)源

一般而言，影響個(gè)人住房按揭貸款逾期風(fēng)險(xiǎn)的因素主要分為兩類(lèi)：一類(lèi)是與借款人個(gè)體及本筆債項(xiàng)相關(guān)的微觀(guān)變量，反映了借款人特征、貸款特征及所購(gòu)買(mǎi)房屋特征，主要包括借款人性別、婚姻狀況、教育程度、年齡、收入、是否有違約記錄、貸款金額、貸款期限、貸款利率、貸款成數(shù)、是否現(xiàn)房、所購(gòu)住房面積等，通過(guò)對(duì)這類(lèi)變量的考察能夠分析出客戶(hù)違約的風(fēng)險(xiǎn)特征；另一類(lèi)是宏觀(guān)經(jīng)濟(jì)變量，反映了整體的經(jīng)濟(jì)狀況，主要包括經(jīng)濟(jì)增長(zhǎng)速度、市場(chǎng)利率水平、貨幣政策、房地產(chǎn)市場(chǎng)供需狀況、房?jī)r(jià)水平等，這部分變量在任一時(shí)點(diǎn)對(duì)所有借款人都是一樣的，通過(guò)對(duì)這類(lèi)變量的考察能夠分析出在什么樣的經(jīng)濟(jì)環(huán)境下，個(gè)人住房按揭貸款的逾期風(fēng)險(xiǎn)更大。

本文主要研究個(gè)人住房按揭貸款逾期風(fēng)險(xiǎn)的微觀(guān)影響因素。使用logistic模型在分析個(gè)人住房按揭貸款逾期風(fēng)險(xiǎn)的影響因素，構(gòu)建與借款人個(gè)體有關(guān)的微觀(guān)變量作為解釋變量，借款人是否逾期過(guò)作為被解釋變量。Logistic模型的最大優(yōu)點(diǎn)在于它解決了因變量不連續(xù)回歸問(wèn)題，特別是因變量為分類(lèi)變量時(shí)非常適合使用該模型進(jìn)行研究，可以較好解決在具體實(shí)際業(yè)務(wù)中客戶(hù)分類(lèi)因子回歸的情況，達(dá)到識(shí)別影響個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)主要因素的目的。[2]

表1 微觀(guān)變量說(shuō)明與變量賦值

構(gòu)建的logistic模型如下：

在上式中，Pi表示住房按揭貸款發(fā)生逾期風(fēng)險(xiǎn)的概率，Pi取值區(qū)間在0與1之間，β是待估計(jì)系數(shù)，X是自變量，μ是隨機(jī)誤差項(xiàng)。

Logistic模型采用極大似然估計(jì)法來(lái)檢驗(yàn)?zāi)Ｐ偷臄M合效果，回歸系數(shù)的檢驗(yàn)采用Wald統(tǒng)計(jì)量檢驗(yàn)，Wald檢驗(yàn)值越大表明該自變量的作用越顯著，檢驗(yàn)結(jié)果可以說(shuō)明回歸的解釋力的情況。

根據(jù)有關(guān)理論和我國(guó)現(xiàn)實(shí)情況，我們選擇借款人的性別、婚姻狀況、受教育程度、年齡、合同貸款金額、合同貸款余額、貸款年限、實(shí)際執(zhí)行利率作為解釋變量，選擇以虛擬變量表示的借款人是否違約作為被解釋變量，違約為1，正常為0。變量說(shuō)明如表1所示。

根據(jù)有關(guān)理論、參考文獻(xiàn)的研究結(jié)果以及現(xiàn)實(shí)數(shù)據(jù)采集情況，本文選擇借款人的性別、婚姻狀況、教育程度、年齡、戶(hù)口是否當(dāng)?shù)厝?、供養(yǎng)人數(shù)、是否有其他違約記錄、其他負(fù)債金額、貸款金額、貸款余額、貸款期限、貸款成數(shù)、月還款額與月收入之比、貸款利率、住房面積及是否現(xiàn)房作為解釋變量，選擇以虛擬變量表示的借款人是否逾期作為被解釋變量，逾期為1，正常為0。

本文所用數(shù)據(jù)來(lái)源于某商業(yè)銀行存量貸款數(shù)據(jù)1，剔除不完整數(shù)據(jù)，共計(jì)126 176條，其中違約數(shù)據(jù)共計(jì)1 193條。

二、實(shí)證分析

（一）房屋抵押貸款逾期風(fēng)險(xiǎn)決定因素的實(shí)證結(jié)果

運(yùn)用SPSS工具對(duì)個(gè)人住房按揭貸款逾期風(fēng)險(xiǎn)決定因素進(jìn)行Logistic回歸，具體回歸結(jié)果見(jiàn)表2。

表2 個(gè)人住房按揭貸款逾期風(fēng)險(xiǎn)決定因素Logistic回歸結(jié)果

從回歸結(jié)果的P值可以看出，所有自變量的回歸系數(shù)P值均小于0.05，即在95%的置信水平下顯著。對(duì)于實(shí)際執(zhí)行利率的P值大于0.01，故實(shí)際執(zhí)行利率水平在99%的置信水平下是不顯著的。由表2我們發(fā)現(xiàn)以下兩方面的情況。

1.借款人基本情況

（1）性別對(duì)違約有顯著的影響，男性借款人的違約可能性高于女性借款人。

（2）婚姻狀況對(duì)違約有顯著的影響，單身狀態(tài)下的借款人（包括單身、離異、喪偶等）的違約可能高于已婚狀態(tài)下的借款人。但值得注意的是，婚姻狀態(tài)的采集往往局限于貸款申請(qǐng)時(shí)，后續(xù)對(duì)于貸款者個(gè)人的家庭狀況難以跟蹤，因此銀行需進(jìn)一步完善相關(guān)數(shù)據(jù)采集工作。

（3）受教育程度的高低與違約可能性成反向關(guān)系，學(xué)歷越高的借款人違約可能性越低。這說(shuō)明借款人受教育程度越高，對(duì)信用越加重視，考慮到違約造成的信譽(yù)影響，他們違約可能性要低于受教育程度低者。

（4）年齡大小與違約可能性成正向關(guān)系，年齡大的借款人相對(duì)于年齡小的借款人容易違約，但從系數(shù)的值來(lái)看，兩者的差異反映較小。這一點(diǎn)與經(jīng)驗(yàn)中的判斷有一定出入，從經(jīng)驗(yàn)來(lái)講，年齡越大的借款人財(cái)務(wù)穩(wěn)健性較高。

2.住房按揭貸款情況

（1）合同貸款金額、合同貸款余額系數(shù)極小，但從P值而言是顯著的。從貸款業(yè)務(wù)實(shí)務(wù)而言，這說(shuō)明合同貸款金額、合同貸款余額對(duì)于違約的影響存在，但極其微小。

（2）貸款期限與違約可能性成反向關(guān)系，期限越長(zhǎng)違約的可能性會(huì)降低。但從系數(shù)的值而言，其影響不大。

（3）實(shí)際利率與貸款違約可能成正向關(guān)系，利率越高違約可能性越大，這符合借款人的財(cái)務(wù)情況。但考慮到銀行個(gè)人業(yè)務(wù)差異化定價(jià)的程度不高，相當(dāng)?shù)目蛻?hù)執(zhí)行的都是當(dāng)期最優(yōu)利率，其區(qū)分意義不明顯。

（二）房屋抵押貸款逾期風(fēng)險(xiǎn)logistic回歸解釋力分析

表3 單變量顯著性分析結(jié)果

從表3給出的自變量的顯著性可以看出，變量“合同貸款金額”的P值大于0.576，說(shuō)明該變量對(duì)違約的影響性不顯著。而其他變量均對(duì)違約有顯著的影響，故可以在后續(xù)分析中剔除“合同貸款金額”變量進(jìn)行l(wèi)ogistic回歸。

表4 模型擬合摘要

模型摘要（表4）中給出最大似然平方的對(duì)數(shù)、Cox＆Snell擬合優(yōu)度以及Nagelkerke擬合優(yōu)度值。最大似然平方的對(duì)數(shù)值（-2loglikelihood=12762.130），用于檢驗(yàn)?zāi)Ｐ偷恼w性擬合效果，該值在理論上服從卡方分布，（查表可知顯著性水平0.05，到自由度數(shù)目df=8，出卡方臨界值為15.5073），因此，最大似然對(duì)數(shù)值檢驗(yàn)不通過(guò)，因變量變動(dòng)中無(wú)法解釋的部分是顯著的。需要注意的是Cox＆Snell擬合優(yōu)度以及Nagelkerke擬合優(yōu)度值越接近1則擬合優(yōu)度越高，而模型給出的值都不高，說(shuō)明所用的變量構(gòu)造logistic模型的對(duì)于違約發(fā)生的解釋力不高。從側(cè)面說(shuō)明，對(duì)于違約發(fā)生的影響因素現(xiàn)有的數(shù)據(jù)采集是不夠的。

該模型雖然擬合優(yōu)度不高，但在一定程度上可以揭示模型變量對(duì)于違約的影響。

三、結(jié)論與啟示

研究結(jié)果表明：借款人性別、婚姻狀況、受教育程度、年齡、貸款期限、執(zhí)行利率等因素對(duì)住房按揭貸款逾期風(fēng)險(xiǎn)具有顯著影響。通過(guò)回歸分析發(fā)現(xiàn)，男性借款人、單身狀態(tài)、較低的學(xué)歷程度、較大的年齡、較短的貸款期限、較高的執(zhí)行利率會(huì)對(duì)客戶(hù)逾期產(chǎn)生正向影響。從貸款審查角度來(lái)看，可以考慮上述各項(xiàng)違約影響因素的基礎(chǔ)上，有針對(duì)性地制定個(gè)人住房抵押貸款政策，以此來(lái)規(guī)范商業(yè)銀行放貸行為，保持穩(wěn)健經(jīng)營(yíng)。本文亦可以較為簡(jiǎn)潔地向貸款審查人員提供風(fēng)險(xiǎn)特征的參考，幫助審查人員進(jìn)行業(yè)務(wù)判斷。[3]

同時(shí)本文探討了模型解釋力并進(jìn)行數(shù)據(jù)質(zhì)量分析，研究表明以現(xiàn)有的信貸審批的個(gè)體特征信息還不足以支持對(duì)貸款違約的解釋?zhuān)瑢?duì)于違約發(fā)生的影響因素以現(xiàn)有的數(shù)據(jù)采集是不夠的。特別是對(duì)于房產(chǎn)信息、相關(guān)抵押品價(jià)值信息的數(shù)據(jù)跟蹤采集的缺失，也很大程度上制約了逾期風(fēng)險(xiǎn)分析進(jìn)一步的數(shù)據(jù)挖掘，采集如何有效選取相關(guān)信息字段提高模型的解釋力，是實(shí)際工作需要解決的問(wèn)題。

［1］劉春紅.上海市個(gè)人住房抵押貸款違約因素實(shí)證分析[J].上海金融，2000（1）：32-34.

［2］王福林.個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)影響因素實(shí)證研究[D].杭州：浙江大學(xué)博士學(xué)位論文，2004.

［3］馬宇.我國(guó)個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)影響因素實(shí)證研究[J].統(tǒng)計(jì)研究，2009（5）：100-107

［4］Calhoun,C.A.,and Deng,Y.A Dynamic Analysis of Fixed and Adjustable Rate Mortgage Terminations[J].Journal of Real Estate Finance and Economics,2002（24）：9-33.

［5］Hendershott,P.H.,and Schultz,W.R.Equity and Non-equity Determinants of FHA Single-family Mortgage Foreclosures in the 1980s[J].Journal of the American Real Estate and Urban Economics Association,1993（21）：405-430.

［6］Phillips,R.A.,and Vanderhoff,J.H..The Conditional Probability of Forceclosure:An Empirical Analysis of Conventional Mortgage Loan Defaults[J].Real Estate Economics， 2004（32）：571-587.