我國房地產行業(yè)信用風險預測的實證研究

許婉，劉勝題

[摘要]為促進房地產行業(yè)平穩(wěn)發(fā)展，本文以上市房地產企業(yè)數據為背景，融合ADASYN技術及Stacking算法構建性能表現優(yōu)異、數據集適應度強的預測模型，旨在測度相關信用風險，為我國防范化解房地產重大金融風險盡綿薄之力。創(chuàng)新之處在于：一是從宏觀角度引入與房地產業(yè)息息相關的經濟增長風險（GDP同比-預期GDP同比）、利率風險（10年期國債收益率）、通脹風險（0.3*PPI+0.7*CPI）等指標；二是基于融合模型思想構建預測模型，從實踐層面為解決傳統信用風險預測模型單一問題提供新思路。實證結果表明：1、Stacking-BPNN均超越單一模型取得性能指標最優(yōu)結果；2、結果依然存在較高風險值的原因在于房地產相關人口及購買力存在動力不足現象與企業(yè)自身“亞健康”現象，風險企業(yè)主要集中于財務風險型房企、戰(zhàn)略錯位型房企以及缺乏競爭力型房企。

[關鍵詞] 房地產信用風險；Stacking融合算法；自適應綜合過采樣

[中圖分類號] F293.3? ［文獻標識碼］A? ?［文章編號］1000-4211（2023）03-0050-18

一、引 言

2022年6月，自社交媒體曝光業(yè)主的《強制停貸告知書》后，全國多個省份200多個問題房地產項目的購房者加入集體停止還貸的行列。停貸事件是涉險房企原有項目風險的集中釋放，其中以爆雷房企項目為主，相關涉及數量占比約58％。隨后，國家金融與發(fā)展實驗室在官網發(fā)布的2022年第二季度房地產金融研究報告顯示稱，房企爆雷勢頭未得到徹底遏制，購房者集體停貸事件是房企違約、停工等問題進一步發(fā)酵、擴散的結果。受“斷供潮”影響，即使在中報業(yè)績的加持下，銀行板塊在7月仍然持續(xù)走弱，整體42家上市銀行全線飄綠，無一上漲。整個邏輯鏈條在于，房價負面波動引起違約增加，銀行不可避免會蒙受巨額損失，體現了信用風險的傳遞效應。

據克而瑞地產研究中心數據顯示，截至2022年11月末，百強房企累計實現銷售金額57847.2億元，相比去年同期減少了42.6%。數據及“停貸”風波事件說明房企存在早期激進拿地且高債務杠桿經營特征、居民個體購房信心整體偏悲觀導致銷售下滑引起的資金鏈斷裂風險。

在融資受阻、銷售疲軟、償債壓力較大的環(huán)境下，具備慢回款特征的房企難以實現資金的快速回籠，內生現金流仍然緊張且未出現明顯改善，債務危機持續(xù)蔓延。部分房企抗風險能力較弱，大而不倒信仰崩塌，開啟危機爆發(fā)的前奏。根據人民法院公告網顯示，2022年已有395家房地產相關企業(yè)相繼申請破產或清算，其中多為二、三線城市的中小型房地產開發(fā)企業(yè)。但知名上市房企也難逃厄運，如龍頭房企恒大于2021年9月正式宣告爆雷；融創(chuàng)于2022年3月美元債展期宣告爆雷；世茂于2022年3月公告60億信托展期宣告爆雷；陽光城于2021年公司理財未兌付宣告爆雷，等等。房地產行業(yè)的現狀說明其面臨信用風險潛在危機的暴露及擴大化，風險的不確定性正在逐步上升。

經過2018年出臺的資管新規(guī)導致前融受限、2020年的“三道紅線”導致信貸受限、2021年下半年的預售資金監(jiān)管收緊等多項政策的共同作用，房地產行業(yè)引來信用緊縮，爆雷現象頻發(fā)，沖擊了需求端的信心。因此2022年末，中央經濟工作會議定調2023年房地產工作主旋律仍是“確保房地產市場平穩(wěn)發(fā)展，扎實做好保交樓、保民生、保穩(wěn)定各項工作”，從實際行動上保持房地產融資平穩(wěn)有序、全力維護房地產市場穩(wěn)健運行。

與信用深度綁定的房地產行業(yè)既是國民經濟的支柱性產業(yè)，又是資金密集型行業(yè)。若其遭受重大損失，資產價格泡沫通過信貸渠道傳遞至金融機構，造成信貸資產質量下降，發(fā)生大概率違約事件，導致金融機構破產從而引發(fā)金融危機。房地產信用風險不僅會向金融部門傳遞，甚至會蔓延至公共部門，致使經濟中的流動性與活躍度均大幅下降。嚴重的話會引起其他行業(yè)資金鏈斷裂乃至破產，總需求下降，國民經濟陷入衰退。由此可見，房地產信用危機對國家經濟安全及金融穩(wěn)定構成威脅。

隨著房地產企業(yè)規(guī)模數量的擴大及其關聯鏈條的復雜性，使得信用風險日趨復雜，加大了度量的困難程度。因此，如何有效識別和測度房地產信用風險成為風險控制的關鍵問題?；谏鲜霰尘?，本文以上市房地產企業(yè)數據為背景融合機器學習模型反映測度我國房地產信用風險，進一步拓展風險量化思路，為我國防范化解房地產重大金融風險盡綿薄之力。

二、文獻綜述

房地產信用風險預測模型本質上隸屬二分類模型，其構建流程核心點如下：一是非平衡數據集問題。鑒于房地產信用數據集中違約樣本數量遠大于非違約樣本數量，存在類別不平衡現象。大多數分類算法在面對非平衡數據時往往傾向于擬合非違約樣本，從而導致預測模型對關鍵的違約樣本識別不足，現實應用性較差?；谏鲜鰡栴}，Chawla N. V.、Bowyer K. W.等（2002）發(fā)現對少數類進行SMOTE（Synthetic Minority Over-sampling Technique）過采樣可以提升分類器性能。由于該方法常忽略臨近樣本的分布特征，從而生成少數類樣本重疊信息。因此國外學者Tran K. D.、Thanh C. T.等（2021）與國內學者楊蓮、石寶峰等（2022）等及柳培忠、洪銘等（2017）為了避免該缺陷，在研究中使用ADASYN采樣提高少數類樣本在邊界區(qū)域的密度，避免小樣本偏誤，以此提高非平衡數據中違約樣本的識別力；

二是模型選擇問題?，F有國內外研究均證實了機器學習領域模型的優(yōu)越性，例如傳統機器學習領域國外學者Li Z、Tian Y.等（2017）及Danenas P.、Garsva G.等（2015）與國內學者周穎與蘇小婷（2021）為避免信用風險評估中的樣本偏移，提出構建支持向量機模型，將預測違約樣本推論結果納入評分系統，結合外部評估和滑動窗口測試，以期提高預測的準確性。而霍源源、姚添譯等（2019）與方匡南、逯宇鐸等在信用評估領域發(fā)現Probit、Logistic模型更能抓住影響信用風險的關鍵因素；除傳統方法外，Mushava J.、Murray M.等（2022）與Vassallo D.、Jha S. B.、Qin C.等（2020）提出構建集成學習XGBoost用于匹配具有高維和復雜相關性的信用數據，研究表明其可顯著提高召回率及降低總體誤差?？紤]到XGBoost的優(yōu)越性，周永圣、崔佳麗等（2020）提出了以XGBoost為基礎，融合隨機森林為代表的Bagging算法（XGBoost-RF）對個人信用風險評估領域進行預測，實驗效果顯示融合算法具有顯著的優(yōu)越性。同時，針對相同領域的預測，Zhou X.、Zhang W.等（2020）卻選擇構建卷積神經網絡，并體現了99%AUC的超優(yōu)性能。此外，王鑫與王瑩（2022）采用LSTM-CNN融合模型的方法解決了傳統領域中無法對時序數據進行動態(tài)預測的問題。

針對信用風險預測問題，國內外學者利用統計分析及機器學習技術構建了眾多預測模型，涌現出大量優(yōu)秀研究成果，其中SVM、Logistic、XGBoost、RF、CNN、BPNN具備顯著的優(yōu)越性。然而通過文獻梳理，本文發(fā)現當前研究尚且存在以下幾點不足：一是預測模型在非平衡數據集中易表現不佳。鑒于房地產信用數據集中違約樣本數量遠大于非違約樣本數量，且存在較高的類別不平衡現象。大多數分類算法在面對非平衡數據時往往傾向于擬合非違約樣本，從而導致預測模型對關鍵的違約樣本識別不足，現實應用性較差。二是普遍傾向于單一模型且精度較低。目前大多數模型仍然依賴于單一的統計機器學習，無法多維度深刻把握指標與預測結果之間存在的復雜映射關系。而周永圣、崔佳麗等（2020）與王鑫與王瑩（2022）提出融合模型可顯著提高預測精度，降低誤差，但其均運用同類融合。因此針對以往研究的不足，本文基于ADASYN過采樣技術及Stacking融合算法，分別從數據層面把握不平衡特征及算法層面融合異類模型，構建性能表現優(yōu)異、數據集適應度強的房地產信用風險預測模型。

本文的創(chuàng)新性在于：①針對現有信用風險指標體系進行多角度擴充。現有文獻以生產者物價指數、人均GDP、利率、貨幣供給等宏觀經濟變量為解釋變量，探討中國宏觀經濟波動對房地產波動的影響。研究顯示宏觀經濟變量與房價波動息息相關。因此除基本面財務數據及常用宏觀經濟指標以外，額外引入經濟增長風險（GDP同比-預期GDP同比）、利率風險（10年期國債收益率）、通脹風險（0.3*PPI+0.7*CPI）等一系列指標。從數據層面擴展寬度，克服丟失有用信息。②本文基于融合模型思想構建信用風險預測模型，從實踐層面為解決傳統信用風險預測模型單一問題提供了新思路。融合模型解決了現有方法體系中單一模型較難充分提取原始數據中隱藏有效信息的困境，可以在主模型的基礎上對基分類器進行擴充。

三、信用風險預測模型構建

（一）建立信用預測海選指標集

房地產行業(yè)信用風險預測的前提在于如何構建一組科學、完善的指標體系，從而全面把握整體信用違約風險。本文在結合券商行業(yè)研報以及國內外文獻的基礎上，綜合考量各項因素，總結了適用于房地產行業(yè)的相關指標體系，主要海選指標如表1所示。

本文針對現有信用風險指標體系進行多角度擴充。除了基本面財務數據及常用指標以外，額外引入宏觀風險指標旨在探索基本經濟因素的不確定性，從而對系統風險作出識別判斷。首先，在宏觀形勢中對房地產運行產生重大影響的是經濟循環(huán)周期，本文采取GDP同比-預期GDP同比衡量經濟增長風險，其差值大于0說明經濟呈現超預期增長，經濟處于正常上升通道，房價高概率穩(wěn)步回升，房企現金流壓力緩解，信用風險下降。反之，其差值小于0，說明經濟增長不及預期，房企信用風險上升；其次，利率作為控制房產價格至穩(wěn)定區(qū)間、維護市場穩(wěn)定的重要工具。由圖1所示，2017年以后，10年期國債收益率與房企融資規(guī)模增速走勢基本一致，該現象的背后是房企融資通過改變金融機構資金流向影響了銀行間市場流動性結構，進一步使債市產生被動調整。因此本文以10年期國債收益率度量利率風險，收益率水平高低與利率風險呈正比。利率波動顯著影響房企的財務成本及盈利能力，財務成本增加進一步影響資金周轉，從而誘發(fā)資金鏈風險；最后，基于理性預期與價格黏性假設，通過以產出類為指標的總量邏輯研判物價走勢。本文采取網格優(yōu)化算法對PPI與CPI之間的權重進行尋參，約束條件為二者權重之和為1。在其他條件不變的情況下，最優(yōu)參數輸出為0.3*PPI+0.7*CPI。而隨著通貨膨脹的持續(xù)，土拍價格、人力成本、施工成本的走高必然侵蝕價格的上升，而為避免經濟過熱所導致的信貸收緊、融資受阻對房地產而言無疑是重大利空，信用風險陡然上升。

（二）基于ADASYN的信用預測數據均衡化處理

ADASYN （adaptive synthetic sampling）自適應合成抽樣，通過對不同的少數類樣本賦予不同的權重，從而生成不同數量的樣本。具體流程如下：

Step 1.計算不平衡度

（1）

記違約樣本集為，非違約樣本集為，為的第個違約樣本，。

Step 2.計算需新生成的違約樣本數

（2）

當時，即等于違約樣本類和非違約樣本類的差值，此時合成數據后的非違約樣本類和違約樣本類數據正好平衡。因此本文中取。

Step 3.計算每個違約樣本的近鄰中非違約樣本占比

（3）

對每個屬于違約樣本類的用歐式距離計算個鄰居，為個鄰居中屬于非違約樣本類的數目，記比例為的近鄰中非違約樣本占比。

Step 4.對標準化，得到分布函數

（4）

用分布函數去計算每個違約類樣本的周圍非違約樣本類的情況。

Step 5.根據分布函數，計算違約樣本需要新生成的樣本數

（5）

Step 6.根據計算每個違約樣本需生成的數目，利用SMOTE算法生成樣本

（6）

為新生成的違約樣本，為的近鄰中隨機選取的一個違約樣本，的隨機數。

上述ADASYN過程既可以保證新生成的違約類樣本蘊含原房地產信用預測數據的基本特征，也彌補了正負樣本不均衡致使預測模型性能下降的不足。

（三）基于Stacking的信用風險預測模型

Stacking又稱堆棧法，通過元分類器對多個異質基分類器的預測結果進行再度訓練，從而提升模型能力。數學表達式如下所示：

（7）

其中表示k個基分類器所組成的向量，表示關于的估計值，，。

Stacking集成算法作為融合模型可分為兩部分，首先是對異質基分類器進行訓練，隨后得到各組分類器的預測結果，將其作為新的特征傳入元分類器從而得到最終預測結果。實際上若直接經過基學習器的結果輸入進原學習器，極易造成過擬合現象，解決方法在于采用K-fold交叉驗證，其考慮了樣本集合的特點，因此模型的魯棒性更強。將原始訓練數據集設為，原始測試集數據設為，本文采用四種不同的基分類器（）于第一層進行模型訓練，以五折交叉驗證為例其具體實現步驟如下：

Step 1.將原始訓練集做五等均分，分別獲得五個子集：

Step 2.依次將Step 1中的五個子集之一設為測試集，剩余四項子集仍然作為訓練集用于四大基模型的訓練，當模型訓練完成后對測試集采取預測操作并獲得相應結果，并將基分類器對的預測結果記作。

Step 3.將基分類器所得到的四項結果通過順序拼接作為元分類器的新的訓練集。因本文探討問題本質上是分類問題，因此將預測結果求投票作為元分類器的測試集。

Step 4.新的數據集對原分類器進行訓練，輸出最終預測結果。

（四）對比模型精度檢驗標準

混淆矩陣是用來總結一個分類器結果的矩陣，本文用其作為信用違約判別模型分類效果的評價基礎，其表現形式如表2所示：

準確度（Accuracy）表示為非違約客戶被模型判為非違約的數量與違約客戶被判定為違約的數量之和（判定準確的數目和）占總客戶數的比，即

（8）

召回率（Recall）表示為正確預測為非違約客戶的數量占實際非違約客戶數量的比，即

（9）

第一類錯誤（TypeⅠ-Error）是指將非違約樣本錯判為違約樣本的比，即

（10）

第二類錯誤（TypeⅡ-Error）是指將違約樣本錯判為非違約樣本的比，即

（11）

幾何平均值（G-Mean）因其同時考慮了非違約客戶和違約客戶的判對率，所以在信用風險領域常被用作判別模型好壞的標準。

（12）

AUC被定義為ROC曲線下的面積，其作為評價標準可以彌補ROC曲線不能明確說明哪個模型效果更好的缺陷，AUC越大說明模型鑒別房地產企業(yè)信用違約狀態(tài)的性能越強。

四、實證分析

（一）數據來源與預處理

本文通過國泰安數據庫（CSMAR）、同花順iFinD選取2000年至2021年期間我國房地產行業(yè)137家上市企業(yè)作為研究樣本，構建信用違約風險預測模型。ST（Special Treated）股是指企業(yè)經營連續(xù)兩年虧損被中國證監(jiān)會給予特別處理，* ST股則指企業(yè)經營連續(xù)三年虧損被中國證監(jiān)會給予退市警告，這兩類企業(yè)往往是因為經營不善出現違約狀況的企業(yè)，因此本文以是否被標ST 或* ST將房地產企業(yè)的信用狀態(tài)分為違約與非違約。

參照已有研究方法，剔除指標數據缺失嚴重或異常值較多的樣本，最終選擇10438個原始樣本作為此次研究的實證對象，其中有信用風險類樣本673個，編碼為1；正常類樣本9765個，編碼為0。為避免財務報表時間點問題的發(fā)生，本文參考周穎與蘇小婷（2021）的處理對樣本企業(yè)的-2季度（以某年第季度為當前時間點，往前數2個季度間隔的時間點為-2）的指標數據與季度的違約狀態(tài)進行建模，利用-2季度的數據來預測企業(yè)第季度是否存在信用違約風險。上述原因在于若企業(yè)發(fā)生信用風險時，其數據發(fā)布往往具有延遲性。

（二）統計分析與指標篩選

1.統計分析

由于部分統計方法只適用于正態(tài)分布或近似正態(tài)分布數據，因此在統計分析前期應先對指標數據進行K-S正態(tài)性檢驗，結果表明在給定顯著性水平0.05條件下，房地產行業(yè)115個指標p值均小于0.05，全體指標數據特征分布不服從正態(tài)分布，無法滿足使用t檢驗統計方法的條件，因此采取Mann-Whitney U秩和非參數檢驗對基分類器間以及特征選擇間差異進行顯著性檢驗，其原假設為特征指標分配在有信用違約風險和無信用違約風險的類別間具有一致性。顯著性水平為0.05的情況下，應付賬款周轉率TTM、內部控制是否存在缺陷等13個指標未能通過顯著性檢驗，予以剔除，據此減少類間重疊?？紤]到指標之間可能存在潛在相關性，剔除Spearman相關系數絕對值大于0.8且p值小于0.05的冗余指標，優(yōu)先祛除經濟學含義較差的指標，若含義無法比較，則進行隨機刪除，避免自相關及多重共線性對后續(xù)預測產生干擾。最終形凈值債務率等22個指標未能通過檢驗予以刪除。

2.隨機森林指標篩選

（1）短期指標重要性分析

近二十年來，中國房地產市場呈現出較為明顯的短周期現象，基本每三年左右為一次短周期，主要驅動因素為房地產開發(fā)、投資驅動與政策影響。表3為隨機森林以各年度指標為輸入，每個特征對最終結果的預期貢獻率為輸出（即指標重要性）。由表可知，對應期間指標重要性排序凸顯出異質特點，有必要結合房地產市場發(fā)展特點及周期背景進行相關分析。

2000—2002年小周期以母公司資本積累率及母公司資本保值增值率為代表的指標凸顯該時期企業(yè)發(fā)展?jié)摿Φ闹匾浴Ｗ?998年國務院發(fā)布公文做出了截斷住房實物福利分配，實行住房分配貨幣化的決定，房地產行業(yè)呈現穩(wěn)定發(fā)展的態(tài)勢，房地產投資總量每年增幅已達20%以上（源自2002年8月13日《房地產時報》），詮釋了發(fā)展?jié)摿σ殉蔀樵摃r期重點關注領域。

2003—2005年小周期以市盈率及Z值為代表，表明該時期不僅需關注收益情況，還應結合風險指標共同權衡房地產企業(yè)狀況。原因在于2003年后，房價上升幅度過快，2004年與2005年商品房平均銷售增長率為17.76%、14.03%，顯著高于同年城鎮(zhèn)居民家庭人均收入增長率。數據證明該時期的房地產市場含有適當的泡沫存在，因此國務院發(fā)布《關于切實穩(wěn)定住房價格的通知》公文旨在抑制房價上漲過快，也從側面提示應納入收益風險指標防患于未然。

2006—2008小周期與2009—2011年小周期指標方面呈現相似特征，均以風險因子與相關系數所代表的貝塔系數同市場相關性為重點評釋指標。2007年政府先后五次上調住房信貸利率以嚴厲打擊房地產投機行為，由于加大宏觀調控力度與次貸危機雙重影響導致2008年房地產市場低迷甚至給部分地區(qū)帶來些許金融沖擊。因此2009年政府大幅度放寬了企業(yè)信貸政策，房市出現反彈，報復性上升的價格在該階段創(chuàng)立新高。2010年與2011年出臺的一系列調控政策遏制房價上漲幅度，局部地區(qū)出現降價趨勢。由此可知，風險衡量指標一定程度上闡釋了整個周期市場環(huán)境的動蕩。

2012—2014年小周期并未有明顯指標傾向。2012年雖承接2010—2011年所帶來的強勢壓制，但房地產銷售量僅略微下降且房價依舊處于高位，因此該年市場風險相關指標雖仍保持高位但重要性有所下降。2013年在政府調控弱化且相關政策趨于寬松、經濟向好發(fā)展以及國內需求上升的背景下，許多地區(qū)樓王記錄頻繁刷新，說明房企逐漸回暖、現金周轉加快、利潤快速上漲。而2014年房地產市場庫存量創(chuàng)新高，與其相關的銷售管理費用率以及固定資產周轉率重要性開始大幅提升，為解決庫存問題，國家再度出臺大量利好政策推動市場回暖。

與過去幾輪短周期呈現的“快升快降”的態(tài)勢相比，2015—2018年短周期的下行時間明顯拉長且與資金密切相關，籌資活動及投資收益相關指標重要性也顯著上升。上一輪周期結束，在穩(wěn)增長與去庫存的要求下，限購限貸等政策逐漸寬松，但市場復蘇并未呈現理想態(tài)勢，因此2015年證監(jiān)會《公司債券發(fā)行與交易管理辦法》的發(fā)布拓寬了房企境內融資渠道，使得房企公司債發(fā)行出現井噴態(tài)勢。同時出臺非限購城市首付比例進一步降低、二套房首付比例降低、全面推行異地貸等寬松政策，并且強調去庫存，棚改貨幣化力度加大。2016年開始轉向調控政策，由需求端向供給端發(fā)展，且規(guī)定發(fā)債募集資金不得購置土地。2017年國家外匯管理局允許內保外貸下資金調回境內使用，由于境內融資壓力上漲 ，因此美元債市場引來高速發(fā)展，促使美元債作為房企融資渠道構成的重要性迅速上升。2018年政府層面實施窗口指導，規(guī)定發(fā)行新債募集資金僅限于借新還舊及長租公寓領域。雖受到相關限制措施，但與“三道紅線”等政策相比，2015—2018年短周期融資環(huán)境還是相對寬松，對房地產市場形成了有力支撐。

而在2019—2021年短周期占據重要性比例最高的是現金及現金等價物周轉率，說明在該時期流動性是影響房地產的核心因素。期間隨著調控深化、融資收緊，資產端與負債端同時帶來的壓力外加公司債的集中到期，使得企業(yè)流動性不足，引發(fā)中小房企違約潮。2020年以來，新冠疫情爆發(fā)外加“三道紅線”的限制，房地產融資端的債券額度及募集資金用途進一步收緊，降杠桿成為該短周期房地產調控重點。流動性問題導致高杠桿且經營回款較慢的房企出現大規(guī)模違約，爆發(fā)信用風險。房地產行業(yè)狀態(tài)急轉直下出現負向螺旋效應，引發(fā)大規(guī)模負反饋，無論內生還是融資現金流均遭受嚴重承壓。

（2）長期指標重要性遴選

經過短期指標分析可知，隨機森林重要性度量能夠幫助篩選出符合實際情況且對房地產影響程度較大的指標?；陂L期指標，本文傾向于剔除重要性小于0.01的指標變量，排序圖如下所示。

研究發(fā)現：①重要性排名前五的指標分別為母公司資本保值增值率、母公司資本積累率、市凈率（PB）、風險因子－流通市值加權、Z值，表明長期角度房企自身發(fā)展?jié)摿σ约笆找骘L險狀態(tài)是反映信用風險的重要因素。②滯后指數、業(yè)績預告發(fā)布次數等12項指標重要性均小于0.01，予以剔除。

（一）模型預測與分析

由于違約樣本與正常樣本二者之比約為1：14.5。明顯存在極端不平衡現象，為避免后續(xù)建模偏向正常樣本類數據，需對訓練集進行ADASYN平衡化處理，結果如圖3所示。

1.模型分析

（1）單一模型

將2000—2020年房地產信用風險數據集作為訓練集樣本、2021年數據作為測試集樣本，分別使用邏輯回歸（Logistic）、支持向量機（SVM）、極度梯度提升樹（XGBoost）、隨機森林（RF）、后向傳播神經網絡（BPNN）、卷積神經網絡（CNN）進行訓練。模型調參的目的在于尋找全局最優(yōu)解或較好的局部最優(yōu)解使得期望風險最小化，但源于該過程的復雜性，多數最優(yōu)化算法較易陷入局部最小陷阱。而遺傳算法（GA）以生物進化為原型，使用隨機性的概率機制進行迭代，可較好避免陷入上述問題。本文各模型基于遺傳算法的參數設置如下表所示。

對于分類問題，本論文在實證板塊以AUC為主，Accuracy、Recall、G-mean、TypeⅠ-Error、TypeⅡ-Error為輔以判別模型表現效果，如表5所示，從Accuracy、Recall的角度出發(fā)，RF在有效識別非違約企業(yè)及分類正確覆蓋率方面表現最為優(yōu)異。但為了對不平衡樣本的分類性能進行評估，應采用AUC、G-Mean兩項指標綜合考慮模型的判別能力，其值越大則說明模型表現效果越好。其中排名第一的均是BPNN，其在具有較好的分類性能的同時能進一步有效提升房地產行業(yè)信用違約風險樣本的預測效果。從TypeⅠ-Error、TypeⅡ-Error角度出發(fā)，RF在將非違約企業(yè)判定為違約企業(yè)的錯誤率上最低，有利于非違約企業(yè)的識別預測。而在將違約企業(yè)判定為非違約企業(yè)的錯誤率上BPNN與CNN擁有更好的表現。實踐中信用風險預測更傾向于識別違約企業(yè)，降低TypeⅡ-Error能避免給金融機構或企業(yè)政府帶來巨額損失，因此單一預測模型更適宜于選擇BPNN。

（2）融合模型

對比單一分類器的表現效果，以TypeⅡ-Error為信用風險重要指標的情況下，BPNN與CNN為Stacking元分類器的最佳選項。同時，Logistic、SVM、RF、XGBoost作為基分類器采用五折交叉驗證構建兩類融合模型。

表6為匯總的模型精度對比結果展示，經過Stacking融合后的模型與單一模型相比，在Accuracy、Recall、AUC、G-Mean四項評價標準下均有顯著提升，Stacking-BPNN甚至均超越單一模型取得最優(yōu)結果。其中，Accuracy、Recall比RF分別高了0.6與0.2個百分點，達到了95.82%與96.23%；AUC、G-Mean比BPNN分別上升了1與1.9個百分點，提升至96.84%與91.76%。由此可見，模型在有效識別與非平衡數據集分類方面綜合取得了顯著改善效果，初步驗證了融合模型的有效性。而在TypeⅠ-Error、TypeⅡ-Error指標下，Stacking-BPNN比單一BPNN降低了15.47%的一類錯誤率，但在二類錯誤率上上漲了12.5%。這可能是因為基分類器對于TypeⅡ錯誤的識別不足所引起整體融合模型效果降低。

Stacking-CNN雖表現不足Stacking-BPNN，但對比CNN模型，其在Accuracy、Recall上分別上漲了16.93%與18.41%；在AUC、G-Mean上同樣分別提高了0.6與3.6個百分點。而TypeⅠ-Error也降低了18.41%。結果證明Stacking融合模型相較于單一模型能顯著提高模型性能，同時提升分類精度。

2.預測結果分析

（1）預測結果

在算法建模中一般會選取上述指標來衡量模型好壞，stacking融合模型在多項量化指標上均有其優(yōu)越性，但模型評價指標只應作為決策的部分內容，結合分析其預測結果也同樣重要，能為實際運用提供橋梁。因此，2021年房地產信用風險預測結果如表7所示。為便于展示，本文選擇將季度數據轉化為年度數據，規(guī)則如下：若四個季度中有一個季度被預測為1（有信用風險），則年度取值為1；若四個季度均被預測為0，則年度取值為0。

由結果可知，2021年共126家上市房企，其中違約房企為12家，占比近10%。而模型預測占比均高于真實值，其中Stacking-BPNN最接近真實情況，隨機森林表現次優(yōu)。結合歷年來違約房企占比情況可以發(fā)現，2000后違約占比呈現上漲趨勢，并于2007—2008次貸危機后以21%高值達到頂峰，隨后經過國家宏觀調控救市、放寬信貸政策，比值呈現好轉信號逐步下跌，房企逐漸回暖、現金周轉加快，2014年房地產市場庫存量創(chuàng)新高。因此2015年以0%的違約占比達到低谷。此后隨著調控深化、融資收緊、疫情影響等因素，違約房企占比再次呈現上升趨勢，并于2021年漲至10%。

結合模型普遍偏高預測，從現實環(huán)境分析來看，依然存在較高信用風險的原因可能在于：一是房地產需求硬上限的人口及購買力存在動力不足現象。居民收入增速放緩引導堆積于房地產的大量資金回歸其他領域；而人口周期斷檔及出生率斷崖式下跌也將從中長期維度對房地產產生相關影響；二是企業(yè)自身“亞健康”現象。雖目前政策釋放紅利有力穩(wěn)定房地產市場，促使供需結構改善，但基本面及政策僅僅是影響房企風險暴露的外在因素，主要源頭還是在于房企近年來經營戰(zhàn)略的失誤及長期累積的杠桿風險，使其呈現“亞健康”經營模式。

（2）違約樣本

分析違約房企樣本發(fā)現，風險企業(yè)主要存在以下三種類型：

財務風險型

此類企業(yè)的現金流依賴于籌資維系資金鏈，易追隨市場波動周期。以財務指標為例，部分房企的籌資性現金流入持續(xù)大于經營性現金流入，反映出其內生性經營能力不足，導致較難利用銷售回款來實現本企健康穩(wěn)定發(fā)展。若全面依賴籌資渠道便會導致其敏感性上漲，經濟周期、政策變向便極易引致信用風險。

其次，違約房企“三道紅線”踩線較多。某龍頭房企甚至連續(xù)7年觸及紅檔，2021年一季度剔除預收賬款后的資產負債率達到80.99%，凈負債率為117.99%。呈現出杠桿率高的共有特點，高杠桿高周轉極易引發(fā)流動性危機。

最后，違約房企存貨周轉率持續(xù)偏低。當前在業(yè)績增速放緩疊加償債高峰，房企經營普遍遭受牽制的背景下，該財務指標說明違約房企存貨變現困難，原因可能在于前期過度關注下沉三、四線城市的戰(zhàn)略失誤，致使財務雪上加霜。

戰(zhàn)略布局錯位型

此類主要集中于在經營戰(zhàn)略錯判的房地產企業(yè)。比如其集中布局文旅地產、以及如1）所說的布局三、四線城市等，該類項目難去化會使資金長期承壓，過于消耗財務資源，伴隨著行業(yè)下行的大環(huán)境便極難維持。此外，近一兩年資本支出占比較高、新增土儲規(guī)模較大的房地產企業(yè)說明其大量購買高價地，可預期后期償債壓力上漲，提前消耗流動性累積風險。

缺乏核心競爭力型

在房地產經歷過寒冬時刻，市場容量大幅萎縮、需求持續(xù)支撐不足的環(huán)境下必然會導致市場競爭加劇，那么盈利能力較弱、缺乏核心競爭力的房企便會逐步暴露風險。即使其目前并未預測出信用風險，但其也會在行業(yè)趨勢下面臨淘汰。

總的來說，雖然目前行業(yè)風險程度依然偏高，但整體行業(yè)指標層面有好轉現象。比如2020年A股房企經營性現金流入平均占比51.39%，籌資性平均占比41.22%。表明在杠桿時代的紅利退散后眾多房企開始傾向于精細經營以實現穩(wěn)健增長。如某科、某地、某利等龍頭企業(yè)在風險指標的表現下依然穩(wěn)健優(yōu)異，其長期來看具備更強周期駕馭能力及更強的市場競爭力。而對于風險暴露的違約房企也會逐步退場，優(yōu)質資源更易向優(yōu)良房企傾斜，信用格局重構，風險也較難蔓延至全市場。

五、結 論

通過統計檢驗剔除反映信息重復、統計與經濟學意義均不顯著的指標，經過隨機森林重要性遴選對房企違約狀態(tài)影響顯著的指標，建立了房地產信用風險評估指標體系。在此基礎上，利用ADASYN過采樣技術消除不平衡樣本影響，構建基于Stacking融合算法的預測模型，并對中國137家上市房地產企業(yè)樣本進行實證，得出如下結論：

（一）Stacking-BPNN在模型設定合理、數據構造得當的前提下性能表現最優(yōu)。相較于單一模型，其在Accuracy、Recall、AUC、G-Mean上均有顯著提升，能夠更加及時、準確地了解房企的違約概率，進而防范風險。

（二）違約房企仍處于上漲趨勢，信用風險緩釋未達預期。預測結果顯示模型違約占比均高于真實值，除在模型設定時以降低第二類錯誤（將違約樣本錯判為非違約樣本）為主的影響外，受制于疫情和地產行業(yè)景氣下行、內生融資疲軟等因素是結論的核心。但隨著經濟基本面整體改善，在寬財政基調下地產鏈條有望底部企穩(wěn)，局面極可能扭轉。

本文所采取的指標體系僅僅也是冰山一角，隨著人工智能技術的應用逐漸成熟，未來數據維度也逐漸突破傳統特征限制傾向于高維化，因此如何利用海量高維數據協助進行房地產信用風險預測分析應成為下一步研究目標。

參考文獻：

[1]Maldonado， Sebastian， Bravo， et al. Integrated framework for profit-based feature selection and SVM classification in credit scoring[J]. Decision Support Systems， 2018. 104（Dec.）：113-121.

[2]Chawla N V， Bowyer K W， Hall L O， et al. SMOTE： synthetic minority over-sampling technique[J]. 2011.

[3]Tran K D， Thanh C T， Luc M T， et al. Machine learning based on resampling approaches and deep reinforcement learning for credit card fraud detection systems[J]. 2021.

[4]Li Z， Tian Y， Li K， et al. Reject inference in credit scoring using semi-supervised Support Vector Machines[J]. Expert Systems with Applications， 2017， 74：105-114.

[5]Danenas P， Garsva G. Selection of Support Vector Machines based classifiers for credit risk domain[J]. Expert Systems with Applications， 2015， 42（6）：3194-3204.

[6]Golbayani P， Florescu I， Chatterjee R. A comparative study of forecasting Corporate Credit Ratings using Neural Networks， Support Vector Machines， and Decision Trees[J]. The North American Journal of Economics and Finance， 2020， 54（1）：101251.

[7]Mushava J， Murray M. A novel XGBoost extension for credit scoring class-imbalanced data combining a generalized extreme value link and a modified focal loss function[J]. Expert Systems with Applications， 2022.

[8]Vassallo D， Vella V， Ellul J. Application of Gradient Boosting Algorithms for Anti-money Laundering in Cryptocurrencies[J]. SN Computer Science， 2021， 2（3）.

[9]Bai M， Zheng Y， Shen Y. Gradient boosting survival tree with applications in credit scoring[J]. Journal of the Operational Research Society， 2021（1）：1-17.

[10]Jha S B， Babiceanu R F， Pandey V， et al. Housing market prediction problem using different machine learning algorithms： A Case Study[J]. 2020.

[11]Qin C， Zhang Y， Bao F， et al. XGBoost optimized by adaptive particle swarm optimization for credit scoring[J]. Mathematical Problems in Engineering， 2021.

[12]Zhou X， Zhang W， Jiang Y. personal credit default prediction model based on convolution neural network[J]. Mathematical Problems in Engineering， 2020.

[13]Gao J， Sun W， Sui X. Research on default prediction for credit card users based on XGBoost-LSTM model[J]. Discrete Dynamics in Nature and Society， 2021.

[14]石寶峰， 王靜. 基于ELECTRE III的農戶小額貸款信用評級模型[J]. 系統管理學報， 2018， 27（05）：854-862.

[15]楊蓮， 石寶峰. 基于Focal Loss修正交叉熵損失函數的信用風險評價模型及實證[J]. 中國管理科學， 2022， 30（05）：65-75.

[16]張雷， 王家琪， 費職友， 羅帥， 隋京岐. 基于RF-SMOTE-XGBoost下的銀行用戶個人信用風險評估模型[J]. 現代電子技術， 2020， 43（16）：76-81.

[17]陳剛， 郭曉梅. 基于時間序列模型的非平衡數據的過采樣算法[J]. 信息與控制， 2021， 50（05）：522-530.

[18]柳培忠， 洪銘， 黃德天， 駱炎民， 王守覺. 基于ADASYN與AdaBoostSVM相結合的不平衡分類算法[J]. 北京工業(yè)大學學報， 2017， 43（03）：368-375.

[19]周穎， 蘇小婷. 基于最優(yōu)指標組合的企業(yè)信用風險預測[J]. 系統管理學報， 2021， 30（05）：817-838.

[20]霍源源， 姚添譯， 李江. 基于Probit模型的中國制造業(yè)企業(yè)信貸風險測度研究[J]. 預測， 2019， 38（04）：76-82.

[21]方匡南， 章貴軍， 張惠穎. 基于Lasso-Logistic模型的個人信用風險預警方法[J]. 數量經濟技術經濟研究， 2014， 31（02）：125-136.

[22]逯宇鐸， 金艷玲. 基于Lasso-Logistic模型的供應鏈金融信用風險實證研究[J]. 管理現代化， 2016， 36（02）：98-100.

[23]周永圣， 崔佳麗， 周琳云， 孫紅霞， 劉淑芹. 基于改進的隨機森林模型的個人信用風險評估研究[J]. 征信， 2020， 38（01）：28-32.

[24]王鑫，王瑩.基于LSTM-CNN的中小企業(yè)信用風險預測[J].系統科學與數學，2022，42（10）：2698-2711.

[25]陳學彬， 武靖， 徐明東. 我國信用債個體違約風險測度與防范——基于LSTM深度學習模型[J]. 復旦學報（社會科學版）， 2021， 63（03）：159-173.

[26]李保林. 宏觀經濟波動對房價走勢的影響——來自中國31個省市的經驗證據[J].西南金融，2019，No.452（03）：36-43.

An empirical study on credit risk prediction of China's real estate industry

—Based on Stacking Model

Xu Wan， Liu Shengti

（School of Management，University of Shanghai for Science and Technology，200093）

Abstract： In order to promote the steady development of the real estate industry， this paper combines ADASYN technology and Stacking algorithm to build a prediction model with excellent performance and strong fitness of the data set against the background of the data of the listed real estate enterprises， aiming to measure the relevant credit risks and make a modest contribution to China's prevention and resolution of major financial risks in real estate. The innovation lies in： firstly， from a macro perspective， the introduction of indicators closely related to the real estate industry， such as economic growth risk （GDP year-on-year - expected GDP year-on-year）， interest rate risk （10-year treasury bond bond yield）， inflation risk （0.3 * PPI+0.7 * CPI）， etc; The second is to construct a prediction model based on the fusion model idea， providing new ideas from a practical perspective to solve the problem of single traditional credit risk prediction models. The empirical results show that： 1. Stacking BPNN outperforms the single model to obtain the optimal performance index; 2. The reason why there is still a high risk value is due to the lack of motivation in the real estate related population and purchasing power， as well as the phenomenon of "sub health" of the enterprise itself. Risk enterprises are mainly concentrated in financial risk oriented real estate enterprises， strategic dislocation oriented real estate enterprises， and lack of competitiveness oriented real estate enterprises.

Key words： Real Estate Credit Risk; Stacking; ADASYN