基于logistic模型的我國(guó)不動(dòng)產(chǎn)企業(yè)信用風(fēng)險(xiǎn)研究

黃騫 李高高

摘 要：本文基于logistic模型原理，選取106家不動(dòng)產(chǎn)上市企業(yè)數(shù)據(jù)，從財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩個(gè)方面構(gòu)建模型，對(duì)我國(guó)不動(dòng)產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行實(shí)證研究。結(jié)果顯示：凈資產(chǎn)收益率和營(yíng)業(yè)收入增長(zhǎng)率是影響不動(dòng)產(chǎn)企業(yè)違約概率的主要因素，并且模型的預(yù)警準(zhǔn)確率較高，達(dá)到98.1%。

關(guān)鍵詞：信用風(fēng)險(xiǎn);不動(dòng)產(chǎn)企業(yè);logistic模型;財(cái)務(wù)指標(biāo);非財(cái)務(wù)指標(biāo)

中圖分類(lèi)號(hào)：F272 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2021）06（b）--03

隨著我國(guó)不動(dòng)產(chǎn)行業(yè)的快速發(fā)展，投機(jī)性購(gòu)房需求不斷增加，導(dǎo)致房?jī)r(jià)不斷攀升。十九大報(bào)告指出“堅(jiān)持房子是用來(lái)住的，不是用來(lái)炒的”，為減弱不動(dòng)產(chǎn)的投機(jī)屬性、抑制投機(jī)性需求，我國(guó)出臺(tái)了一系列限購(gòu)和限貸措施。而不動(dòng)產(chǎn)企業(yè)具有高資產(chǎn)負(fù)債率和低流動(dòng)性的特征，高額的負(fù)債往往需要源源不斷的營(yíng)業(yè)收入來(lái)償還。因此，控制投機(jī)性購(gòu)房的政策性措施同時(shí)也導(dǎo)致不動(dòng)產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)逐漸顯現(xiàn)。

相比較而言，不動(dòng)產(chǎn)企業(yè)的融資規(guī)模大、使用周期長(zhǎng)，并且不動(dòng)產(chǎn)經(jīng)濟(jì)振幅寬、體量大，一旦不動(dòng)產(chǎn)企業(yè)出現(xiàn)信用危機(jī)，將不利于社會(huì)經(jīng)濟(jì)的健康穩(wěn)定發(fā)展。故本文基于不動(dòng)產(chǎn)上市企業(yè)數(shù)據(jù)，對(duì)不動(dòng)產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行實(shí)證研究。

1 模型理論

logistic模型是一種非線性概率模型，被解釋變量為二分類(lèi)變量，只有發(fā)生與不發(fā)生兩種可能，分別用1和0表示。logistic模型先將取值通過(guò)Logit變化轉(zhuǎn)換為目標(biāo)概率值，然后利用極大似然法進(jìn)行參數(shù)估計(jì)。logistic模型的基本表達(dá)式：

其中;為常數(shù)項(xiàng)，表示回歸系數(shù)，表示解釋變量，被解釋變量Pi表示第i家企業(yè)的違約概率。若公司未來(lái)確實(shí)發(fā)生違約，其P值應(yīng)接近于1，不違約的公司P值應(yīng)接近于0。

1.1 樣本選取

由于非上市公司財(cái)務(wù)數(shù)據(jù)不對(duì)外公布，不容易獲得;而上市公司財(cái)務(wù)報(bào)告相對(duì)齊全，且財(cái)務(wù)年報(bào)經(jīng)過(guò)審計(jì)比較真實(shí)可靠。故本文以2019年我國(guó)不動(dòng)產(chǎn)上市企業(yè)為研究對(duì)象，剔除B股和非不動(dòng)產(chǎn)開(kāi)發(fā)與銷(xiāo)售類(lèi)企業(yè)，共選取106家企業(yè)作為樣本。

將106家企業(yè)分為兩組：一組為經(jīng)營(yíng)業(yè)績(jī)正常的企業(yè)，沒(méi)有被“*ST”或“ST”，共102家，劃為正常組;一組為財(cái)務(wù)狀況出現(xiàn)問(wèn)題的企業(yè)，被“*ST”或“ST”，共4家，劃為違約組。被“ST”及“*ST”的上市企業(yè)一般連續(xù)2～3年虧損，故經(jīng)營(yíng)業(yè)績(jī)較差，相比而言具有更大的信用風(fēng)險(xiǎn)。

1.2 指標(biāo)構(gòu)建與數(shù)據(jù)來(lái)源

本文選取財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)作為自變量。財(cái)務(wù)指標(biāo)具體包括盈利能力、成長(zhǎng)能力、營(yíng)運(yùn)能力和償債能力共計(jì)12個(gè)指標(biāo);非財(cái)務(wù)指標(biāo)主要選取的是企業(yè)規(guī)模和消費(fèi)能力。消費(fèi)能力主要考查不動(dòng)產(chǎn)企業(yè)所在地居民在住房方面的消費(fèi)支出。從理論上講，消費(fèi)支出越多，不動(dòng)產(chǎn)企業(yè)營(yíng)業(yè)收入越多，資金流動(dòng)性越強(qiáng)，違約概率就越低。

本文數(shù)據(jù)均來(lái)源于新浪財(cái)經(jīng)及《2020中國(guó)統(tǒng)計(jì)年鑒》。為消除觀測(cè)量綱和數(shù)量級(jí)差異的影響，通過(guò)SPSS23.0軟件對(duì)樣本觀測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，如表1所示。

2 實(shí)證分析

2.1 描述性分析

運(yùn)行SPSS23.0對(duì)106家企業(yè)的原始財(cái)務(wù)指標(biāo)進(jìn)行描述性統(tǒng)計(jì)，如表2所示，不動(dòng)產(chǎn)企業(yè)應(yīng)收賬款周轉(zhuǎn)率的標(biāo)準(zhǔn)差極大，說(shuō)明企業(yè)間的差距巨大;而在總資產(chǎn)利潤(rùn)率方面，各企業(yè)間的差距最小。

2.2 參數(shù)檢驗(yàn)

2.2.1 正態(tài)性檢驗(yàn)

通過(guò)單樣本K-S檢驗(yàn)判斷解釋變量是否服從正態(tài)分布。結(jié)果如表3所示，12個(gè)財(cái)務(wù)變量和2個(gè)非財(cái)務(wù)指標(biāo)的P值均<0.05，故認(rèn)為均不服從正態(tài)分布。

2.2.2 顯著性檢驗(yàn)

對(duì)不服從正態(tài)分布的變量，運(yùn)用曼-惠特尼U進(jìn)行顯著性檢驗(yàn)。結(jié)果如表4所示，X1、X3、X4、X6、X9、X13的P值均小于0.05，故拒絕原假設(shè)，即認(rèn)為上述6個(gè)變量可以有效區(qū)分ST類(lèi)企業(yè)與非ST類(lèi)企業(yè)，因此予以保留。剩余變量的P值均大于0.05，認(rèn)為不能區(qū)分ST類(lèi)與非ST類(lèi)企業(yè)，故剔除。

2.2.3 多重共線性檢驗(yàn)

當(dāng)自變量間存在顯著多重共線性時(shí)，會(huì)影響模型的擬合效果。因此本文對(duì)剩余變量進(jìn)行多重共線性檢驗(yàn)，結(jié)合容忍度Tol和方差膨脹因子VIF兩個(gè)指標(biāo)予以判斷。結(jié)果顯示，X1、X3、X4、X6、X9、X13的Tol值均>0.1，且其VIF值均<10，故六個(gè)變量均通過(guò)共線性檢驗(yàn)。

2.3 模型擬合回歸

通過(guò)上述檢驗(yàn)，將最終篩選出的X1、X3、X4、X6、X9、X13個(gè)變量帶入logistic模型進(jìn)行擬合回歸，在SPSS23.0中選擇向后Wald方法。經(jīng)過(guò)3步計(jì)算，最后保留X3和X4兩個(gè)解釋變量，結(jié)果如表5所示。

為檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)準(zhǔn)確度，采用錯(cuò)判矩陣對(duì)樣本企業(yè)進(jìn)行回判。如表7所示，102家非ST類(lèi)企業(yè)被預(yù)測(cè)正確的有102家，預(yù)測(cè)準(zhǔn)確率為100%;而4家ST類(lèi)企業(yè)正確預(yù)測(cè)的有2家，預(yù)測(cè)準(zhǔn)確率為50%;模型整體的準(zhǔn)確率達(dá)到98.1%，預(yù)測(cè)結(jié)果較好。

4 結(jié)語(yǔ)

本文對(duì)我國(guó)不動(dòng)產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)通過(guò)logistic模型進(jìn)行了實(shí)證分析，得出以下結(jié)論：

（1）回歸模型總體預(yù)測(cè)準(zhǔn)確率為98.1%，表明logistic模型能較好地度量我國(guó)不動(dòng)產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)，具有一定的預(yù)警作用。

（2）回歸模型對(duì)非違約企業(yè)的預(yù)測(cè)準(zhǔn)確度高于違約企業(yè)。

（3）通過(guò)擬合結(jié)果可知，不動(dòng)產(chǎn)企業(yè)的違約概率與凈資產(chǎn)收益率和營(yíng)業(yè)收入增長(zhǎng)率密切相關(guān)，但非財(cái)務(wù)指標(biāo)對(duì)其是否違約的影響不顯著。

故為防止信用風(fēng)險(xiǎn)的發(fā)生，不動(dòng)產(chǎn)企業(yè)應(yīng)加強(qiáng)內(nèi)部經(jīng)營(yíng)，通過(guò)提高創(chuàng)新能力、提升產(chǎn)品質(zhì)量等多種方式樹(shù)立優(yōu)質(zhì)品牌，不斷提升企業(yè)競(jìng)爭(zhēng)力。此外還應(yīng)注重提高營(yíng)業(yè)收入和凈利潤(rùn)水平，在控制成本的基礎(chǔ)上增加產(chǎn)品銷(xiāo)售，以增強(qiáng)企業(yè)盈利能力與成長(zhǎng)能力，并增強(qiáng)自我“造血”功能，實(shí)現(xiàn)降低債務(wù)違約概率的目的。

參考文獻(xiàn)

胡勝，雷歡歡，胡華強(qiáng).基于logistic模型的我國(guó)房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)度量研究[J].中國(guó)軟科學(xué)，2018（12）：167-164.

吳文茜.基于logistic模型對(duì)河北省上市公司信用風(fēng)險(xiǎn)度量的實(shí)證研究[J].市場(chǎng)論壇，2019（11）：33-37.

高歌.新三板企業(yè)信用風(fēng)險(xiǎn)度量及影響因素分析[D].杭州：杭州電子科技大學(xué)，2019.

王炳杰.基于logistic模型的我國(guó)上市公司信用風(fēng)險(xiǎn)實(shí)證研究[D].太原：山西財(cái)經(jīng)大學(xué)，2016.

Abstract： Based on the principle of logistic model， this paper selects data from 106 listed real estate companies， constructs models from two aspects of financial indicators and non-financial indicators， and conducts an empirical study on the credit risk of real estate companies in China. The result indicates that the ROE and the revenue growth rate are the main factors that affecting the default probability of real estate companies， and the model has high accuracy， which reaches 98.1%.

Keywords： credit risk; real estate enterprise; logistic model; financial index; non-financial index