房地產(chǎn)調(diào)控與房企違約風(fēng)險

蔡真 林菁 薄棟

摘 要：2005年至2021年，我國房地產(chǎn)政策經(jīng)歷了三輪“放松收緊”的過程。文章基于20082021年第三季度我國A股103家上市房企股票日交易數(shù)據(jù)和財務(wù)數(shù)據(jù)，運用KMV模型估算出違約距離以度量其違約風(fēng)險，進一步采用面板模型在控制住房企微觀因素的基礎(chǔ)上分析了房地產(chǎn)調(diào)控政策對房企違約風(fēng)險的影響。研究發(fā)現(xiàn)：從長周期視角看，房地產(chǎn)調(diào)控政策有利于降低房企違約風(fēng)險，也有利于房地產(chǎn)市場健康平穩(wěn)發(fā)展。異質(zhì)性分析表明，調(diào)控政策存在明顯的結(jié)構(gòu)效應(yīng)，調(diào)控政策對資產(chǎn)規(guī)模最大組別的風(fēng)險抑制效果并不好，對民營企業(yè)和其他所有制性質(zhì)企業(yè)產(chǎn)生負(fù)向效果，即會導(dǎo)致違約風(fēng)險增加。除在政策層面繼續(xù)堅持“房住不炒”精神、貫徹執(zhí)行房地產(chǎn)金融審慎管理制度外，還應(yīng)采取相應(yīng)的結(jié)構(gòu)性對策：一是針對大型房企應(yīng)采取“一企一策”措施，防止資本無序擴張；二是監(jiān)管層應(yīng)鼓勵銀行按照運營效率、經(jīng)營能力等指標(biāo)開展房企貸款評估，減少放款過程中的所有制歧視現(xiàn)象。

關(guān)鍵詞：房地產(chǎn)調(diào)控；房企違約風(fēng)險；KMV模型；面板回歸分析

中圖分類號：F830.573文獻標(biāo)識碼：A

文章編號：1673-8268（2023）05-0115-13

近年來，我國房企違約風(fēng)險激增。根據(jù)Wind數(shù)據(jù)庫的統(tǒng)計，2018年房企違約債券數(shù)量為6只，2021年前三季度，房企違約債券數(shù)量分別為14只、19只和57只；違約金額占比也逐漸上升，分別為2.30%、4.51%、10.68%和31.29%，房企債券成為債券違約的主力。銀行方面，上市公司年報顯示，房地產(chǎn)開發(fā)貸的不良率逐漸上升，2019年，工商銀行開發(fā)貸不良率為1.71%；2021年前兩個季度，工商銀行開發(fā)貸不良率分別為2.32%和4.29%。同期，中信銀行開發(fā)貸不良率分別為1.19%、3.35%和3.31%。一些城商行的開發(fā)貸不良率更高，2021年上半年，重慶銀行的這一指標(biāo)高達6.28%。除正規(guī)金融體系出現(xiàn)了房企違約風(fēng)險外，影子銀行以及非正規(guī)金融體系也是房企爆雷的重災(zāi)區(qū)，根據(jù)用益信托的統(tǒng)計，2021年110月，房地產(chǎn)信托共發(fā)生66起違約事件，違約規(guī)模約489億元，占比近六成。私募理財方面，恒大財富、錦恒財富（為房企佳兆業(yè)提供融資）等機構(gòu)產(chǎn)品也相繼出現(xiàn)了兌付危機。

房企違約影響重大，因為房地產(chǎn)關(guān)聯(lián)上下游行業(yè)、銀行、土地財政等多個方面，是爆發(fā)系統(tǒng)性金融風(fēng)險的源頭之一^[1]。對于房企違約的原因，既往研究多從微觀視角進行探討，如房企財務(wù)不健康、內(nèi)部治理機制薄弱、公司戰(zhàn)略激進、盲目擴張等；宏觀層面則主要探討調(diào)控政策對房價的影響^[2-3]。一些學(xué)術(shù)論文探討了限貸限購政策對房企違約風(fēng)險的影響，但研究方法多限于政策前后對比、配對T檢驗，未研究其他控制因素；且限購、限貸是區(qū)域政策，而大部分房企布局是面向全國的，因此關(guān)于兩者關(guān)系結(jié)論的可靠性有待進一步檢驗。

自2020年7月房地產(chǎn)金融審慎管理制度實施以來，房企普遍反映因政策收緊使得融資不暢而導(dǎo)致了風(fēng)險，這一影響是直接的。從人民銀行2021年第三季度金融統(tǒng)計數(shù)據(jù)新聞發(fā)布會的表述來看，這一點得到了驗證：“部分金融機構(gòu)對于30家試點房企‘三線四檔融資管理規(guī)則也存在一些誤解……原本應(yīng)該合理支持的新開工項目得不到貸款，也一定程度上造成了一些企業(yè)資金鏈緊繃?！比欢恍┭芯勘砻鳎康禺a(chǎn)調(diào)控對降低房企風(fēng)險有積極作用。房地產(chǎn)調(diào)控到底是降低還是提高了房企違約風(fēng)險？這是本文要回答的核心問題。相較于既往文獻，本文的邊際貢獻體現(xiàn)在以下三個方面。一是研究視角上，從長周期的視角展開，研究時段為2008年1月1日至2021年9月30日，覆蓋了政策“從放松到收緊”三個完整階段，使研究結(jié)論接受檢驗的時期更長。二是研究方法上，構(gòu)建了全國性的房地產(chǎn)調(diào)控變量值，避免了過往區(qū)域政策與房企全域布局不匹配的問題，增強了研究結(jié)論的可靠性。三是政策含義上，一方面要堅持“房住不炒”精神，

從總量上保持調(diào)控定力；另一方面也應(yīng)注意調(diào)控產(chǎn)生的結(jié)構(gòu)性效應(yīng)，減少房地產(chǎn)金融審慎管理制度執(zhí)行中的所有制歧視現(xiàn)象，避免民營房企的違約風(fēng)險增加，防止出現(xiàn)傳染效應(yīng)。

一、文獻綜述

與本研究相關(guān)的文獻包括兩個分支：一是公司違約風(fēng)險的度量，二是房地產(chǎn)調(diào)控對房企風(fēng)險的影響。

關(guān)于公司違約風(fēng)險的度量可以分為兩類：一類是基于計量方法的判別模型。這類模型最早可追溯到Altman的Z值模型，該模型選取流動資金/資產(chǎn)、保留盈余/資產(chǎn)、息稅前盈余/資產(chǎn)、權(quán)益市值/長期債務(wù)面值、銷售額/資產(chǎn)五個財務(wù)指標(biāo)構(gòu)建Z值^[4]。隨著計量技術(shù)的發(fā)展，尤其是Logit模型的出現(xiàn)，早期的線性判別模型被逐漸取代，因為Logit模型無須對違約的先驗概率和樣本分布做任何假設(shè)，具有更大優(yōu)勢。Ohlson首次應(yīng)用Logit模型對企業(yè)違約進行研究，他以19701976年間105家破產(chǎn)企業(yè)及2 058家非破產(chǎn)企業(yè)為樣本，選擇九個解釋變量構(gòu)建Logit模型，其結(jié)果表明模型準(zhǔn)確率達92%以上^[5]。另一類模型為結(jié)構(gòu)模型，是將公司違約率與公司因果結(jié)構(gòu)（資本結(jié)構(gòu)）相關(guān)變量聯(lián)系在一起的一種信用風(fēng)險度量方法。這類模型構(gòu)建的基本思想是基于Merton的期權(quán)定價思想，即將公司的違約看作一項或有期權(quán)^[6]。結(jié)構(gòu)模型中應(yīng)用最廣的當(dāng)屬KMV模型，該模型很簡單，即公司是否會違約取決于公司總資產(chǎn)未來的市場價值是否小于負(fù)債總值，并據(jù)此計算違約概率。1993年后，KMV公司和穆迪公司陸續(xù)發(fā)布多篇KMV模型相關(guān)研究成果和白皮書，介紹KMV模型的理論基礎(chǔ)、模型框架、參數(shù)設(shè)定等內(nèi)容^[7]。近年來，隨著計算機技術(shù)的發(fā)展，一些機器學(xué)習(xí)方法如神經(jīng)網(wǎng)絡(luò)、向量支持機等也被用于信用違約的計算。Chen等基于卷積神經(jīng)網(wǎng)絡(luò)將風(fēng)險因子轉(zhuǎn)換成非結(jié)構(gòu)化數(shù)據(jù)，使得對多個行業(yè)信用風(fēng)險的識別率達到80%以上^[8]。Sariev等基于支持向量機（support vector machines，SVM）的最大距離原則提出了一種新的繞封方法用于度量違約概率，該方法的實證結(jié)果優(yōu)于Logit回歸的結(jié)果^[9]。文本挖掘技術(shù)也被用于預(yù)測信用風(fēng)險，Matin等應(yīng)用上市公司年報中的管理層陳述內(nèi)容構(gòu)建公司壓力指數(shù)以預(yù)測違約風(fēng)險^[10]，Li等應(yīng)用新浪新聞構(gòu)建公司財務(wù)狀況指數(shù)預(yù)測信用風(fēng)險^[11]，Daniel等應(yīng)用企業(yè)社會責(zé)任報告中的文本構(gòu)建指數(shù)，比較了多種方法對信用風(fēng)險的預(yù)測準(zhǔn)確度，結(jié)果表明隨機森林方法最優(yōu)^[12]。這類方法具有較強的學(xué)習(xí)能力，故有效降低了違約率預(yù)測中犯第一類錯誤和第二類錯誤的可能性。然而，也正是由于其優(yōu)點太過突出，這些方法的缺點也很明顯：一個樣本內(nèi)很有解釋力的模型在樣本外卻可能表現(xiàn)極差，即存在過度擬合問題，這是由于計算方法的指標(biāo)之間缺乏內(nèi)在的經(jīng)濟邏輯，正如Daniel等在文中所言，企業(yè)社會責(zé)任并不能系統(tǒng)性地反映信用評級結(jié)果。正因為如此，本文計算所使用的結(jié)構(gòu)模型的違約含義十分清晰，即公司未來資產(chǎn)價值落入違約點以下的可能性，而違約距離則是很好的刻畫指標(biāo)。

關(guān)于房地產(chǎn)調(diào)控對房企違約風(fēng)險影響的文獻分為兩類：一類持負(fù)面觀點，即房地產(chǎn)調(diào)控會導(dǎo)致房企違約風(fēng)險增加。張玉梅等分析了緊縮調(diào)控導(dǎo)致房地產(chǎn)信托違約的原因，包括銷售回款困難、融資成本過高、委托代理中的道德風(fēng)險等^[13]。袁海霞等從債券融資視角討論了調(diào)控對房企信用風(fēng)險的影響，緊縮調(diào)控導(dǎo)致房企融資、住房按揭收緊，同時房企債務(wù)集中到期，這兩個因素共同導(dǎo)致了房企信用風(fēng)險的增加^[14]。以上文獻都是基于對直接原因的分析，缺少實證方面的檢驗。周陽敏采用計量方法研究了限購令、房產(chǎn)稅和新土管政策對房企風(fēng)險的影響，結(jié)果表明上市房企整體抗風(fēng)險能力都很弱，其中限購令的政策沖擊最強^[15]。但該研究存在一定缺陷：一是被解釋變量為凈利潤增長率，回歸模型中因子系數(shù)為負(fù)，這僅能說明凈利潤增長放緩，并不代表風(fēng)險增加；二是研究樣本只限定于2011年，研究結(jié)論可靠性不強。Jiang考察了房地產(chǎn)調(diào)控是否降低了對銀行的風(fēng)險，結(jié)果表明調(diào)控政策并沒有起到降低風(fēng)險的作用^[16]。另一類文獻持正面觀點，即房地產(chǎn)調(diào)控有利于控房價和促進房地產(chǎn)市場的可持續(xù)增長，有利于防范系統(tǒng)性風(fēng)險，進而有利于降低房企違約風(fēng)險。馬草原等從貸款價值比（loan to value，LTV）視角切入并構(gòu)建了DSGE模型進行探討^[17]。楊源源等同樣構(gòu)建了DSGE模型，探討了在不同情形下應(yīng)該使用房產(chǎn)稅政策還是宏觀審慎政策^[18]。與DSGE模型不同，Su等應(yīng)用向量自回歸模型發(fā)現(xiàn)，土地融資導(dǎo)致房價上升，貨幣政策可以起到抑制房價的作用^[19]。彭中文等應(yīng)用實證方法探討了宏觀調(diào)控對房企信用風(fēng)險的影響機制，認(rèn)為宏觀調(diào)控越嚴(yán)厲，越有利于降低房企信用風(fēng)險^[20]。該文樣本時間跨度為20032012年，對結(jié)論可靠性有一定支撐。作者認(rèn)為宏觀調(diào)控政策包括從緊、適中、寬松三種，但何為適中則具有明顯主觀性，且并未進行穩(wěn)健性檢驗。

梳理上述文獻可知，現(xiàn)有討論房地產(chǎn)調(diào)控與房企違約風(fēng)險的文獻存在如下不足：持負(fù)面觀點的文獻缺少計量檢驗的支持；持正面觀點的文獻有的混淆了系統(tǒng)性風(fēng)險與房企違約風(fēng)險，兩者并不存在必然因果關(guān)系；有的宏觀調(diào)控政策賦值存在主觀性，且研究跨度較短。相較于既往文獻，本文采取如下研究策略：第一，應(yīng)用KMV模型度量房企的違約風(fēng)險。這么做的好處是，一方面違約風(fēng)險來自于企業(yè)資產(chǎn)價值與債務(wù)之間的違約距離，是市場交易直接給出的評估結(jié)果，這就避免了內(nèi)生性問題。第二，以國務(wù)院、住建部、人民銀行、銀保監(jiān)會的政策性文件為基準(zhǔn)，按時間段確定政策松緊程度，構(gòu)建了全國性房地產(chǎn)調(diào)控政策變量，避免區(qū)域性政策與房企全國布局之間的矛盾。第三，在控制住房企規(guī)模、運營、財務(wù)等條件下分析房地產(chǎn)調(diào)控對房企違約風(fēng)險的影響，并進行了穩(wěn)健性檢驗和異質(zhì)性分析。

二、研究設(shè)計（一）研究思路及房地產(chǎn)宏觀調(diào)控政策賦值

本文的具體研究思路包括三步：一是應(yīng)用KMV模型計算房企的違約距離（違約距離越大，違約風(fēng)險越?。?，二是給房地產(chǎn)宏觀調(diào)控政策賦值，三是應(yīng)用面板計量模型分析房地產(chǎn)調(diào)控對房企違約距離的影響。

KMV模型的建模思想如下：從股東的視角來看，當(dāng)公司借入負(fù)債時，可以將這一行為視為買入以公司總資產(chǎn)市場價值為標(biāo)的資產(chǎn)的歐式看漲期權(quán)，期權(quán)的執(zhí)行價格為負(fù)債的價值，期限是負(fù)債的期限。當(dāng)期末公司總資產(chǎn)的市場價值低于期末負(fù)債價值時，公司的股權(quán)價值為零，公司所有人會選擇不執(zhí)行該歐式看漲期權(quán)，即會對債權(quán)人違約。依據(jù)這一建模思想，KMV模型的主要目標(biāo)是估算違約距離（distance to default，DD）和預(yù)期違約概率（expected default frequency，EDF）。模型將公司總資產(chǎn)市場價值與公司負(fù)債價值相等的情況定義為違約點（default point，DPT），將預(yù)期總資產(chǎn)價值偏離違約點的相對距離定義為DD（為使不同規(guī)模公司間具有可比性，該指標(biāo)是一個標(biāo)準(zhǔn)化指標(biāo)）。圖1中，DD表示未來資產(chǎn)市場價值的均值與違約點的距離，EDF為未來資產(chǎn)市場價值曲線落入違約點以下的陰影部分面積，T表示負(fù)債的期限。違約距離越大，公司的信用風(fēng)險越小，也即EDF越小。

對全國性房地產(chǎn)調(diào)控政策松緊程度的界定如下。收緊以國務(wù)院、住建部、央行等部委出臺限貸、限售、限購等標(biāo)志性收縮政策為依據(jù)，放松以國務(wù)院、部委出臺降低首付比例、首套房認(rèn)定標(biāo)準(zhǔn)、降低交易稅費等標(biāo)志性放松政策為依據(jù)。2005年以來，房地產(chǎn)調(diào)控政策經(jīng)歷了三輪“放松收緊”過程（見表1）。

核心解釋變量房地產(chǎn)調(diào)控政策（real estate control policy，RECP）的賦值方法如下：在收緊時間段內(nèi)RECP賦值為1，在放松時間段內(nèi)RECP賦值為0，對于年度內(nèi)房地產(chǎn)調(diào)控政策既經(jīng)歷收緊又經(jīng)歷放松的情況，按照收緊時間段占年度的比重賦值。表2為房地產(chǎn)調(diào)控變量的賦值結(jié)果。

對于影響房企違約距離的因素，除房地產(chǎn)調(diào)控政策外，需從規(guī)模、資產(chǎn)結(jié)構(gòu)、經(jīng)營效率、盈利能力、短期償債能力等方面控制房企的微觀差異，因為這些因素顯著影響房企違約風(fēng)險，故設(shè)定如下面板回歸模型

DD_it=α₀+∑β_jX_it，j+γRECP_t+λ_t+μ_i+ε_{it ???}（1）

式（1）中：i表示各上市房企；t表示年份；DD為違約距離變量，作為被解釋變量；α₀為常數(shù)項；X_j為上市房企的總資產(chǎn)等房企自身變量，作為控制變量；β_j為控制變量的系數(shù)，j（j=1，2，…，n）為標(biāo)識不同解釋變量的下標(biāo)；RECP為房地產(chǎn)調(diào)控政策變量，作為核心解釋變量；γ為其系數(shù)；λ_t為時間固定效應(yīng)控制變量的系數(shù)；μ_i為個體固定效應(yīng)控制變量的系數(shù)；ε_it為隨機誤差項。

由于企業(yè)的所有制性質(zhì)影響融資成本及融資難易程度，進而導(dǎo)致房地產(chǎn)調(diào)控政策不同的響應(yīng)效果，對此筆者以企業(yè)所有制性質(zhì)設(shè)立調(diào)節(jié)變量。具體的分類標(biāo)準(zhǔn)如下：國有企業(yè)，指出資股份在51%以上或第一大股東或?qū)嵖厝藶閲匈Y產(chǎn)監(jiān)督管理機構(gòu)的情況；民營企業(yè)，指出資股份在51%以上或第一大股東或?qū)嵖厝藶槊駹I資本的情況；外資企業(yè)，指出資股份在51%以上、或第一大股東或?qū)嵖厝藶橥赓Y資本的情況；其他企業(yè)，除上述企業(yè)之外所有的情形，主要包括集體企業(yè)或公眾企業(yè)，公眾企業(yè)一般指沒有實控人的企業(yè)。

本文選取的研究變量具體如表3所示。

（二）樣本選取及數(shù)據(jù)來源

本文選取上海、深圳證券交易所所有上市房地產(chǎn)開發(fā)公司作為初選樣本，樣本數(shù)據(jù)選取期間為2008年1月1日至2021年9月30日，依據(jù)Wind行業(yè)分類標(biāo)準(zhǔn)進行分類，所屬行業(yè)明細(xì)為房地產(chǎn)—房地產(chǎn)Ⅱ—房地產(chǎn)管理和開發(fā)—房地產(chǎn)開發(fā)。樣本篩選的原則如下：（1）剔除數(shù)據(jù)缺失樣本；（2）剔除數(shù)據(jù)異常值。最終得到103個上市房企作為樣本，各變量的描述性統(tǒng)計如表4所示。

三、房地產(chǎn)調(diào)控對房企違約風(fēng)險的實證分析

（一）KMV模型的計算結(jié)果

在KMV模型的計算中，涉及股權(quán)市場價值E、股權(quán)價值年波動率σ_E、債務(wù)期限T、違約點DPT以及無風(fēng)險利率r五個參數(shù)。股權(quán)市值E取每年度或季度最后一個交易日的股票總市值，數(shù)據(jù)來自Wind數(shù)據(jù)庫。股權(quán)價值波動率σ_E計算方法如下：以股票日收盤價格的變化計算股票價格日均波動率標(biāo)準(zhǔn)差σ_y，再由公式σ_E=σ_yn得到年波動率。債務(wù)期限取一年，違約點為短期債務(wù)與0.5倍長期債務(wù)之和，無風(fēng)險利率取一年期固定國債利率。以上計算所需房企債務(wù)數(shù)據(jù)以及國債利率數(shù)據(jù)全部來源于Wind數(shù)據(jù)庫。

根據(jù)上述計算方法，得到103家上市房企每年度的違約距離。從描述性統(tǒng)計來看，整體平均值為2.41，最小值為0.32（2021年第三季度的泰禾集團），最大值為10.12（2017年中房股份），違約距離主要集中在[2，3]區(qū)間。違約距離的時間變化趨勢如圖2所示。

從圖2可以看出，2015年出臺的棚改貨幣化政策整體改善了房企違約風(fēng)險，房企違約距離上升較大；但2017年“房住不炒”政策提出后，房企違約距離整體上并沒有明顯下降，其影響僅體現(xiàn)為房企尾部風(fēng)險加大。由此可見，房企違約風(fēng)險表現(xiàn)出時序特征，但房地產(chǎn)調(diào)控政策影響的具體表現(xiàn)還有待后續(xù)面板回歸的考察。

在房地產(chǎn)金融審慎管理制度實施后的這段時間內(nèi)出現(xiàn)了大型房企違約的現(xiàn)象。表5按規(guī)模分組內(nèi)統(tǒng)計表明，1 000億以上規(guī)模房企的平均違約距離是所有分組中最小的，且標(biāo)準(zhǔn)差較小，說明其整體違約風(fēng)險最高，理論違約概率的最大值達到37.52%，與現(xiàn)實基本一致。在后續(xù)的面板回歸分析中，筆者將重點考察不同規(guī)模分組的房企受房地產(chǎn)調(diào)控政策的影響情況。

（二）面板回歸基本估計結(jié)果

為了避免多重共線性問題，應(yīng)用上文面板模型，通過逐步回歸分析法，以控制時間和個體變量的方式來研究影響違約距離的各個因素。表6給出了逐步回歸的每步基本統(tǒng)計結(jié)果，剔除未通過顯著性檢驗的因素后，可得如下基準(zhǔn)回歸方程

DD_it=-1.13+0.000 805×TA_it－0.000 010×TL_it－0.000 529×NDR_it+0.015 3×ITR_it+0.000 398×NPMS_it+0.000 090×CSDR_it+3.94×RECP_t+λ_t+μ_i+ε_it（2）

根據(jù)回歸方程，可得出以下結(jié)論：總資產(chǎn)的系數(shù)為正，即隨著房企總資產(chǎn)的增加，違約距離越大，違約概率越?。豢傌?fù)債的系數(shù)為負(fù)，即隨著房企總負(fù)債的增加，違約距離越小，違約概率越大。因為總資產(chǎn)的系數(shù)大于總負(fù)債的系數(shù)，所以房企凈資產(chǎn)的規(guī)模越大，違約風(fēng)險反而降低。凈負(fù)債率是一個結(jié)構(gòu)指標(biāo)，其系數(shù)為負(fù)，反映了負(fù)債水平越高，房企違約距離越小（違約風(fēng)險越大）。存貨周轉(zhuǎn)率、銷售凈利率和現(xiàn)金短債比三個指標(biāo)的系數(shù)都為正，說明經(jīng)營效率越高、盈利能力以及短期償債能力越強，則違約距離越大（違約風(fēng)險越小）。在控制住上述微觀解釋變量后，房地產(chǎn)調(diào)控政策對房企違約風(fēng)險的影響為正。這說明從長周期視角看，緊縮的房地產(chǎn)調(diào)控有效遏制了房企的規(guī)?？焖贁U張，降低了杠桿水平，使得房企違約距離擴大，房企違約風(fēng)險降低。

（三）穩(wěn)健性檢驗

借鑒Altman^[4][21]的研究成果，按照式（3）構(gòu)造Z值。

Z-Score=1.2X₁+1.4X₂+3.3X₃+0.6X₄+0.999X₅（3）

式（3）中：X₁=營運資金/總資產(chǎn)，反映資產(chǎn)的變現(xiàn)能力和規(guī)模特征；X₂=留存收益/總資產(chǎn)，反映公司的累積盈利能力；X₃=EBIT/總資產(chǎn)，EBIT表示息稅前利潤，反映資產(chǎn)的盈利能力；X₄=權(quán)益的市場價值/總負(fù)債的賬面價值，是衡量一家公司財務(wù)結(jié)構(gòu)、表明所有者權(quán)益和債權(quán)人權(quán)益相對關(guān)系的比率，可以反映一家公司的償債能力；X₅=營業(yè)收入/總資產(chǎn)，反映企業(yè)資金周轉(zhuǎn)情況，用來衡量公司利用資產(chǎn)的效率情況。Z值越大，表明公司財務(wù)狀況越良好；Z值越小，表明公司違約風(fēng)險越高。

借鑒Ohlson^[5]的研究成果，按照式（4）構(gòu)造O值。

O-Score=-1.32-0.407SIZE+6.03TLTA-1.43WCTA+0.075 7CLCA-2.37NITA-1.83FUTL+0.285INTWO-1.72OENEG-0.521CHIN ???（4）

式（4）中：SIZE=Ln（總資產(chǎn)）；TLTA=總負(fù)債/總資產(chǎn)；WCTA=營運資金/總資產(chǎn)；CLCA=流動負(fù)債/流動資產(chǎn)；NITA=凈利潤/總資產(chǎn)；FUTL=經(jīng)營性凈現(xiàn)金流/總負(fù)債；INTWO=如過去兩年凈利潤均為負(fù)數(shù)則為1，否則為0；OENEG=如總負(fù)債>總資產(chǎn)為1，否則為0；CHIN=（NI_t-NI_t-1）/（|NI_t|+|NI_t-1|），NI表示凈利潤。O值越大表明公司違約風(fēng)險越大，破產(chǎn)概率越高。

被解釋變量房企違約距離（DD）基于KMV模型進行度量，為確保研究結(jié)論的可靠性，引入替換變量O值（O-Score）和Z值（Z-Score）對模型進行回歸。替換被解釋變量后的回歸結(jié)果如表7中（1）和（2）所示，系數(shù)符號方向與基準(zhǔn)回歸結(jié)果一致，兩個替換變量均在10%水平上顯著，說明檢驗結(jié)果均保持一致，研究結(jié)論具有穩(wěn)健性和可靠性。

為克服可能存在的小樣本偏誤問題，使用傾向匹配得分法（propensity score matching，PSM）為受到房地產(chǎn)調(diào)控的樣本匹配與之特征相近的、未受到調(diào)控的樣本作為對照組進行回歸分析。匹配完成后，利用新的樣本對模型進行回歸，結(jié)果如表7中（3）違約距離所示?？梢钥吹?，房地產(chǎn)調(diào)控與房企違約距離之間仍然存在1%顯著性水平上的正向相關(guān)關(guān)系，與本文結(jié)論一致。

（四）異質(zhì)性分析

為進一步考察房地產(chǎn)調(diào)控對不同規(guī)模房企違約風(fēng)險的影響，本文將上市房企按如下規(guī)模分成5組，比較各分組情況下房地產(chǎn)調(diào)控對房企違約距離的影響。表8為資產(chǎn)規(guī)模分組的異質(zhì)性分析，其估計結(jié)果表明，房地產(chǎn)調(diào)控對房企違約距離的影響成倒U型（對房企違約風(fēng)險的影響成U型），即房地產(chǎn)調(diào)控政策對500億～1 000億資產(chǎn)規(guī)模房企風(fēng)險的調(diào)控風(fēng)險降低最明顯。對于資產(chǎn)規(guī)模大于1 000億的房企房地產(chǎn)調(diào)控降低風(fēng)險的效果并不明顯，這可能是因為大型房企利用其市場勢力采取“大而不倒”的經(jīng)營策略，逆市加杠桿，因而調(diào)控效果不明顯，這一點以恒大的表現(xiàn)最為典型。對于資產(chǎn)規(guī)模小于500億的房企，房地產(chǎn)調(diào)控的效果也不明顯，這可能是因為小型房企本身就難以從銀行獲得貸款。

房企所有制性質(zhì)的異質(zhì)性分析如表9所示。

為進一步考察房地產(chǎn)調(diào)控對不同所有制房企違約風(fēng)險的影響，本文根據(jù)房企所有制性質(zhì)生成國有企業(yè)、民營企業(yè)、外資企業(yè)、其他企業(yè)四個虛擬變量，以國有企業(yè)為基準(zhǔn)組，將其余三個所有制性質(zhì)虛擬變量與房地產(chǎn)調(diào)控政策變量做交互后，加入計量模型中重復(fù)基準(zhǔn)回歸。對房企所有制性質(zhì)所做的異質(zhì)性分析報告的估計結(jié)果表明，盡管統(tǒng)計并不顯著，但房地產(chǎn)調(diào)控政策對民營企業(yè)和其他企業(yè)相對于國有企業(yè)造成的負(fù)面影響要大，導(dǎo)致其違約距離減少（違約風(fēng)險增加）；房地產(chǎn)調(diào)控政策對外資企業(yè)比國有企業(yè)造成的正面影響要大，導(dǎo)致其違約距離增加（違約風(fēng)險減少）。這說明房地產(chǎn)調(diào)控政策在不同所有制企業(yè)中存在結(jié)構(gòu)差異（見表9）。

四、結(jié)論與政策建議

本文基于20082021年第三季度我國A股103家上市房企股票日交易數(shù)據(jù)和財務(wù)數(shù)據(jù)，運用KMV模型估算出的違約距離來度量其違約風(fēng)險，進一步地，本文采用面板模型在控制住房企微觀因素的基礎(chǔ)上分析了房地產(chǎn)調(diào)控政策對房企違約風(fēng)險的影響。從實證結(jié)果來看，筆者有如下發(fā)現(xiàn)：（1）房企違約風(fēng)險整體上表現(xiàn)出時序性特征，在截面上也有明顯分化，以2021年前三季度為例，規(guī)模1 000億以上房企的違約風(fēng)險最高；（2）在微觀層面，房企違約風(fēng)險與以下因素有關(guān)：房企凈資產(chǎn)規(guī)模越大違約風(fēng)險越低，經(jīng)營效率越高、盈利水平越強則違約風(fēng)險越小，凈負(fù)債率越低、短期償債能力越強違約風(fēng)險越小；（3）在宏觀層面，緊縮的房地產(chǎn)調(diào)控政策有利于降低房企違約風(fēng)險，異質(zhì)性分析表明調(diào)控政策存在明顯的結(jié)構(gòu)效應(yīng)，調(diào)控政策對規(guī)模在500億～1 000億的房企的風(fēng)險抑制效果最好，對民營企業(yè)和其他所有制性質(zhì)企業(yè)產(chǎn)生負(fù)向效果，即會導(dǎo)致違約風(fēng)險增加。

本文研究結(jié)果表明，從長周期視角看，房地產(chǎn)調(diào)控政策有利于降低房企違約風(fēng)險，有利于房地產(chǎn)市場健康平穩(wěn)發(fā)展。盡管2021年出現(xiàn)了較多房企違約事件，但絕大部分是市場自我出清的結(jié)果，因此在政策上應(yīng)繼續(xù)堅持“房住不炒”精神，貫徹執(zhí)行房地產(chǎn)金融審慎管理制度。本文的異質(zhì)性分析表明，房地產(chǎn)調(diào)控政策存在結(jié)構(gòu)效應(yīng)：一方面，房地產(chǎn)調(diào)控對資產(chǎn)規(guī)模最大組別的風(fēng)險抑制效果并不好，這可能是因為大型房企利用“大而不倒”策略逆市加杠桿所導(dǎo)致，因此針對大型房企應(yīng)采取“一企一策”措施，防止資本無序擴張。另一方面，房地產(chǎn)調(diào)控政策在客觀上導(dǎo)致民營房企和其他所有制性質(zhì)房企的違約風(fēng)險加大，在政策層面，監(jiān)管層應(yīng)鼓勵銀行按照運營效率、經(jīng)營能力等指標(biāo)開展貸款評估，減少放款過程中的所有制歧視現(xiàn)象。同時，監(jiān)管層也應(yīng)關(guān)注民營房企的違約是流動性風(fēng)險導(dǎo)致的還是資不抵債導(dǎo)致的，對于前一種情況應(yīng)注入流動性、防止出現(xiàn)傳染效應(yīng)，對于后一種情況在處置問題資產(chǎn)時應(yīng)注意隔離風(fēng)險。

參考文獻：

[1]蔡真.我國系統(tǒng)性金融風(fēng)險與房地產(chǎn)市場的關(guān)聯(lián)、傳染途徑及對策[J].中國社會科學(xué)院研究生院學(xué)報，2018（5）：44-63.

[2]張建同，方陳承，何芳.上海市房地產(chǎn)限購限貸政策評估：基于斷點回歸設(shè)計的研究[J].科學(xué)決策，2015（7）：1-23.

[3]黃昕，董興，平新喬.地方政府房地產(chǎn)限購限貸限售政策的效應(yīng)評估[J].改革，2018（5）：107-118.

[4]ALTMAN E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The Journal of Finance，1968（4）：589-609.

[5]OHLSON J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of Accounting Research，1980（18）：109-131.

[6]ROBERT C， MERTON. On the pricing of corporate debt： The risk structure of interest rates[EB/OL].（2009-12-28）[2022-02-07].http：//www.doc88.coml p_805989972768.html.

[7]

STEPHEN K. Quantifying credit risk i： Default prediction[J]. Financial Analysts Journal，2003（59）：30-44.

[8]CHEN J H，ZHENG D W，HAO Y H，et al. Research on extraction method of credit risk analysis of corporate bonds based on convolutional neural network[J]. Frontiers in Artificial Intelligence and Applications，2018（309）：516-523.

[9]SARIEV E， GERMANO G. An innovative feature selection method for support vector machines and its test on the estimation of the credit risk of default[J]. Review of Financial Economics，2019（37）：404-427.

[10]MATIN R， HANSEN C， HANSEN C，et al. Predicting distresses using deep learning of? text segments in annual reports[J]. Expert Systems with Applications，2019（132）：199-208.

[11]LI C， LIU Q， HUANG L. Credit risk management of scientific and technological enterprises based on text mining[J]. Enterprise Information Systems，2020（15）：1-17.

[12]DANIEL F V， ANDREAS G. Corporate social irresponsibility and credit risk prediction： A machine learning approach[J].Credit and Capital Markets-Kredit und Kapital，2020（53）：513-554.

[13]張玉梅，王子柱，李穎.緊縮調(diào)控政策下房地產(chǎn)信托違約風(fēng)險及防范[J].深圳大學(xué)學(xué)報（人文社會科學(xué)版），2013（6）：127-131.

[14]袁海霞，王秋鳳.債券融資視角下的房地產(chǎn)信用風(fēng)險[J].金融市場研究，2019（7）：125-136.

[15]周陽敏.房地產(chǎn)企業(yè)風(fēng)險壓力測試實證研究：限購令、房產(chǎn)稅、新土管政策的持續(xù)性沖擊影響[J].管理評論，2014（9）：58-68.

[16]JIANG J H. Can real estate regulatory policies constrain real estate risks to banks？ Evidence from China

[J]. Journal of Chinese Economic and Business Studies，2021（19）：35-53.

[17]馬草原，李宇淼.宏觀審慎政策工具LTV調(diào)控房地產(chǎn)市場的有效性分析[J].南開經(jīng)濟研究，2020（6）：122-141.

[18]楊源源，賈鵬飛，高潔超.中國房地產(chǎn)長效調(diào)控范式選擇：房產(chǎn)稅政策還是宏觀審慎政策[J].財貿(mào)經(jīng)濟，2021（8）：53-66.

[19]SU L， LIN L， CHEN S Z，et al. Effect analysis of real estate price and monetary policy： An empirical study based on China macroeconomic data[J]. Applied Economics and Finance，2018（5）：158-167.

[20]彭中文，李力，文磊.宏觀調(diào)控、公司治理與財務(wù)風(fēng)險——基于房地產(chǎn)上市公司的面板數(shù)據(jù)[J].中央財經(jīng)大學(xué)學(xué)報，2014（5）：52-59.

[21]ALTMAN E I. Predicting financial distress of companies： Revisiting the Z-Score and Zeta[J]. Handbook of Research Methods and Applications in Empirical Finance，2013（5）：428-456.

Real estate regulation and default risk of real estate enterprises：

An analysis of KMV model and panel regression

CAI Zhen¹， LIN Jing²， BO Dong³

（1. Institute of Finance and Banking， Chinese Academy of Social Sciences， Beijing 100710， China;

2. School of Economics， University of Chinese Academy of Social Sciences， Beijing 102488， China;

3. Guolian Securities Co. LTD， Wuxi? 214003， China）

Abstract：From 2005 to 2021， Chinas real estate policies have gone through three rounds of “l(fā)oosening and tightening” processes. Based on daily trading data and financial data of 103 listed real estate enterprises in Chinas A-share market in the third quarter of 20082021， this paper applies the KMV model to estimate the default distance to measure their default risk. At the same time， it uses panel model to analyze the impact of real estate regulatory policies on the default risk of real estate enterprises on the basis of controlling the micro-factors of housing enterprises. It is found that further analysis of real estate regulation policies from the perspective of long-term cycle is conducive to reducing the default risk of real estate enterprises and promoting the healthy and stable development of the real estate market. Heterogeneity analysis shows that there are significant structural effects in regulatory policies. The regulation policy does not have a good effect on the risk inhibition of the largest group of assets， and has a negative effect on private enterprises and other ownership enterprises， resulting in the increase of default risk. At the policy level， while continuing to adhere to the spirit of “housing without speculation” and implementing a prudent management system of real estate finance， we should also take corresponding structural measures. First， we should adopt a “one enterprise， one policy” approach for large real estate enterprises to prevent disordered capital expansion. Second， the regulatory authorities should encourage banks to conduct credit assessment for housing enterprises according to their operational efficiency， operating capabilities and other indicators， so as to reduce ownership discrimination in the lending process.

Keywords：real estate regulation; real estate enterprise default risk; KMV model; panel regression analysis

（編輯：段明琰）