摘要：中美貿(mào)易戰(zhàn)以及今年1月爆發(fā)的新冠疫情進(jìn)一步加大了我國房地產(chǎn)企業(yè)信用風(fēng)險的可能性。基于此，設(shè)計房地產(chǎn)企業(yè)信用評價指標(biāo)體系，共六個方面24個指標(biāo)，通過因子分析法篩選出8個公因子，以此構(gòu)建Logistic模型。研究表明，房地產(chǎn)企業(yè)償債能力、盈利能力及營運能力的提升可以有效降低信用風(fēng)險，構(gòu)建的Logistic模型預(yù)測精確性為100%，能用其進(jìn)行相關(guān)度量及預(yù)警。

關(guān)鍵詞：房地產(chǎn)企業(yè);信用風(fēng)險;因子分析;Logistic模型

中圖分類號：F293.35

文獻(xiàn)標(biāo)識碼：A

文章編號：1001-9138-（2020）10-0015-23

收稿日期：2020-08-30

1引言及文獻(xiàn)綜述

自2018年以來的中美貿(mào)易戰(zhàn)，美國宣布對華多種商品加增關(guān)稅，導(dǎo)致房地產(chǎn)行業(yè)加重資金緊缺可能性，加重了房地產(chǎn)企業(yè)信用風(fēng)險的出現(xiàn)幾率。2020年2月國房景氣指數(shù)（見圖1，100為最理想，小于95為較低，大于105為偏高）從2019年12月的101.13急劇下跌到97.39，房地產(chǎn)市場信用風(fēng)險程度加深。各城市因城施策，在2020年3月起房產(chǎn)景氣指數(shù)逐漸回升到接近100的理想景氣水平。鑒于房地產(chǎn)行業(yè)影響面大、波及面廣、經(jīng)濟(jì)體量大、融資規(guī)模大等特點，對其信用風(fēng)險的評價就尤為關(guān)鍵。

國內(nèi)外不少學(xué)者對房地產(chǎn)企業(yè)信用風(fēng)險評價展開相關(guān)研究，以“房地產(chǎn)”和“信用風(fēng)險”兩個關(guān)鍵詞分別搜索web of science和CNKI數(shù)據(jù)庫。

國內(nèi)文獻(xiàn)方面，共檢索出核心文獻(xiàn)123篇，年發(fā)文量差異較大，其中2008-2013年由于美國次貸危機(jī)影響，發(fā)文量達(dá)到頂峰（見圖2），除2012年外，其他年份均發(fā)文超過11篇，隨后逐年下滑，到2018年又有一定的上升趨勢，主要因為2016年底國家提出“房住不炒”新定位，對房市新調(diào)控方式的研究探討跟上日程，在2018年形成一個小高峰。研究主題方面，信用風(fēng)險的評價和度量一直是學(xué)者們比較關(guān)注的領(lǐng)域，胡勝等（2018）、王慧等（2018）、謝遠(yuǎn)濤等（2018）、申敏等（2017）分別通過Logistic模型、KMV模型、BALQR模型等進(jìn)行研究，董小君等（2020）研究得出我國互聯(lián)網(wǎng)金融風(fēng)險程度較高，且發(fā)達(dá)地區(qū)流動性風(fēng)險是主因，中西部地區(qū)信用風(fēng)險是主因的結(jié)論。也有學(xué)者從法律、宏觀經(jīng)濟(jì)、供應(yīng)鏈金融等領(lǐng)域探討如何降低房地產(chǎn)行業(yè)信用風(fēng)險問題，如巴曙松等（2019）重點探討巴塞爾Ⅲ信用風(fēng)險標(biāo)準(zhǔn)法改革對全球銀行業(yè)的發(fā)展影響;鄭勇（2018）認(rèn)為房地產(chǎn)市場、信用市場良性發(fā)展會加速宏觀經(jīng)濟(jì)市場發(fā)展。

國外文獻(xiàn)方面，以chinese estate和credit risk兩個關(guān)鍵詞共檢索出17篇文獻(xiàn)，Chan S（2016）等通過DAG和SVAR法研究得出中國房地產(chǎn)信用風(fēng)險對其他行業(yè)具有大規(guī)模的溢出效應(yīng)的結(jié)論。HuZJ等（2018）通過計量經(jīng)濟(jì)模型研究中國A股市場對美國EPU的沖擊表現(xiàn)，得出我國制造業(yè)、信息技術(shù)和媒體行業(yè)對美國EPU的沖擊更為敏感，而農(nóng)業(yè)和房地產(chǎn)行業(yè)則相對較小的結(jié)論。Wang CP等（2018）認(rèn)為酒店投資增加了這些公司的房地產(chǎn)價值，進(jìn)而推動了公司在證券市場中價值增長，需要通過嚴(yán)格的土地管理政策來降低其可能帶來的損害酒店業(yè)可持續(xù)發(fā)展的可能性。Lin WY等（2019）通過VAR和GARCH模型探討上海二手房價格指數(shù)和上海股市指數(shù)之間的關(guān)系。

總體來看，國內(nèi)文獻(xiàn)更多對我國房地產(chǎn)信用風(fēng)險的研究和度量展開研究，近年來有下滑趨勢，對其他領(lǐng)域研究涉獵較少。國外文獻(xiàn)研究總量較少，但是研究維度涵蓋房產(chǎn)政策、國際影響、股票市場表現(xiàn)、城市房地產(chǎn)情況等方面，研究主題更為豐富。在新冠疫情防控常態(tài)化背景下，研究我國房地產(chǎn)企業(yè)信用風(fēng)險問題對在疫情背景下更好地甄別失信房產(chǎn)企業(yè)、有針對性地進(jìn)行房市調(diào)控、引導(dǎo)購房者理性購買有積極的意義?；诖?，文章擬構(gòu)建我國房地產(chǎn)企業(yè)信用風(fēng)險評價指標(biāo)體系，搜集2019年中國136家房地產(chǎn)上市企業(yè)相關(guān)數(shù)據(jù)，通過因子分析法和Logistic模型進(jìn)行實證分析，提出相應(yīng)政策建議。

2房地產(chǎn)企業(yè)信用風(fēng)險評價方法簡介及指標(biāo)體系設(shè)計

2.1方法論概述

因子分析法（Factor Analysis）是把一些具有錯綜復(fù)雜關(guān)系的變量歸結(jié)為少數(shù)幾個綜合因子的一種多元統(tǒng)計方法，它通過研究變量之間的相互關(guān)系，試圖用最少個數(shù)的公因子來解釋多個變量之間的原始內(nèi)部結(jié)構(gòu)關(guān)系。其數(shù)學(xué)模型是將每個指標(biāo)Xi用n（n≤10）個公因子F1、F2、……、Fn的線性組合，數(shù)學(xué)表達(dá)式為：

X1=a1，1F1+a1，1F1+…+a1，nFn+ε1

X2=a2，1F1+a2，1F1+…+a2，nFn+ε2

Xn=a10.1F1+a10.2F1+…+a10.nFn+εn

（1）

其中，ai，j表示因子載荷，是每個指標(biāo)Xi在第j個公因子上的負(fù)荷，反映Fj對Xi的影響程度。i=1，2，…10;j=1，2，"'n，εi為特殊因子，僅對Xi起作用。

Logistic回歸模型（Logistic regression）屬于廣義線性回歸模型中的一種，可以用于分析某個問題的影響因素，如房地產(chǎn)企業(yè)風(fēng)險集中產(chǎn)生的影響因素有哪些，也可以用于估計某事件發(fā)生的概率，如冠心病對于胃癌患者死亡率提高的影響。其基本模型表達(dá)為：

P=1/1+e-（β0+β1X1+β2X2+…βkXk）

（2）

β0表示常數(shù)，β1，2，…，k，X1，2，…，k分別代表回歸系數(shù)以及自變量，P為風(fēng)險概率，令a=β0+β1X1+β2X2+…+βkXk，若a趨近于負(fù)無窮時，P趨近于0，表示企業(yè)不存在風(fēng)險，反之，a趨近正無窮時，P無限接近于1，則企業(yè)存在風(fēng)險。

本文采用基于因子分析的Logistic模型，先通過因子分析提煉指標(biāo)，抽取公因子，進(jìn)而選取合適的因子進(jìn)行Logistic模型構(gòu)建，分析2019年136家房地產(chǎn)企業(yè)風(fēng)險情況。

2.2房地產(chǎn)企業(yè)風(fēng)險評價指標(biāo)體系

財務(wù)指標(biāo)可以有效反映房地產(chǎn)企業(yè)經(jīng)營及風(fēng)險情況，同時該行業(yè)又深受宏觀經(jīng)濟(jì)政策影響，故文章設(shè)計六類一級指標(biāo)共24個二級指標(biāo)（見表1），研究136家房地產(chǎn)上市企業(yè)風(fēng)險情況，其中正常經(jīng)營企業(yè)124家，異常企業(yè)12家（包括退市企業(yè)3家，*ST企業(yè)即連續(xù)三年虧損有退市風(fēng)險處于退市預(yù)警的企業(yè)7家，ST企業(yè)即連續(xù)兩年虧損財務(wù)異常特別處理企業(yè)2家）。通過網(wǎng)易財經(jīng)搜集2019年原始數(shù)據(jù)，通過SPSS22.0進(jìn)行原始數(shù)據(jù)描述性統(tǒng)計分析。

3房地產(chǎn)企業(yè)風(fēng)險評價公因子提取

3.1公因子提取

第一，數(shù)據(jù)標(biāo)準(zhǔn)化。為消除變量差異影響，采用ZScore法對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。

第二，適應(yīng)性檢驗。通過KMO檢驗（見表2，值為0.653>0.5）和Bartlett球形檢驗（sig值無限趨近于0<顯著性水平0.05），說明數(shù)據(jù)正態(tài)分布性能良好，適合進(jìn)行主成分分析。

第三，公因子解釋程度。大部分因子可以極強地反映解釋原始變量數(shù)據(jù)，僅主營業(yè)務(wù)收入增長率X11、應(yīng)收賬款周轉(zhuǎn)率X15和固定資產(chǎn)周轉(zhuǎn)率X17三個指標(biāo)低于0.6（見表3），總體建模質(zhì)量較佳。

第四，提取公因子及命名。根據(jù)解釋總方差表4可知，提取8個公因子，解釋總方差累計為77.428%，從碎石圖（見圖3）可知，前兩個公因子解釋能力較強，3-5次之，6-8解釋能力稍弱。將8個公因子分別用F1、F2……F8表示，其中F1高度解釋了凈資產(chǎn)增長率X13、銷售凈利率X2、總資產(chǎn)凈利潤率X1三個因子，命名為盈利能力因子1;F2對速動比率X6、流動比率X5、現(xiàn)金比率X7解釋程度很高，命名為償債能力因子;F3對GDP增幅X22、住宅銷售指數(shù)X24、產(chǎn)權(quán)比率X10、總資產(chǎn)周轉(zhuǎn)率X18解釋程度較高，命名為宏觀經(jīng)濟(jì)及營運能力因子;F4很好地反映了總資產(chǎn)周轉(zhuǎn)率X18、流動資產(chǎn)周轉(zhuǎn)率X19、存貨周轉(zhuǎn)率X16，命名為總資產(chǎn)及流動資產(chǎn)因子;F5集中體現(xiàn)現(xiàn)金流量比率X21、經(jīng)營現(xiàn)金凈流量與凈利潤的比率X20、總資產(chǎn)增長率X14情況，命名為現(xiàn)金流因子;F6體現(xiàn)利息支付倍數(shù)X8及凈利潤增長率X12變化情況，命名為償債及成長因子;F7更多體現(xiàn)凈資產(chǎn)收益率X3和股本報酬率X4，命名為盈利能力因子2;F8反映同定資產(chǎn)周轉(zhuǎn)率X17和應(yīng)收賬款周轉(zhuǎn)率X15指標(biāo)情況，命名為同定資產(chǎn)及應(yīng)收賬款周轉(zhuǎn)因子。

第五，因子得分計算。根據(jù)因子得分系數(shù)表（表略）可以列出8個因子得分及總因子得分的公式：

F1=0.268*ZX1+O.286*ZX2-0.140*ZX3+0.154*ZX4-0.029*ZX5-0.050*ZX6-0.059*ZX7+0.008*ZX8-0.178*ZX9-0.24*ZX10-0.065*ZX11+0.023*ZX12+0.389*ZX13+0.045*ZX14+0.008*ZX15-0.044*ZX16+0.006*ZX17-0.038*ZX18-0.024*ZX19+0.011*ZX20+0.029*ZX21-0.019*ZX22-0.041*ZX23-0.033*ZX24

（3）

F2=.O11*ZX1-.018*ZX2+.079*ZX3-.059*ZX4+.303*ZX5+.304*ZX6+.298*ZX7-.014*ZX8-.176*ZX9+.022*ZX10+.049*ZX11-.032*ZX12-.039*ZXI3_.079*ZX14-.035*ZX15+.006*ZX16-.033*ZX17-.039*ZX18-.030*ZX19+.010*ZX20-.036*ZX21-.007*ZX22-.006*ZX23-.006*ZX24

（4）

F3=-.081*ZX1+.051*ZX2-.042*ZX3_.159*ZX4+.012*ZX5-.003*ZX6+.001*ZX7-.015*ZX8+.031*ZX9+.449*ZX10+.028*ZX11-.127*ZX12-.131*ZX13-.091*ZX14-.021*ZX15-.041*ZX16-.075*ZX17+.002*ZX18+.021*ZX19-.013*ZX20-.035*ZX21+.287*ZX22+.287*ZX23+.287*ZX24

（5）

F4=-.001*ZX1-.048*ZX2-.053*ZX3-.010*ZX4-.085*ZX5-.003*ZX6+.010*ZX7+.012*ZX8-.014*ZX9+.033*ZX10+.029*ZX11+.015*ZX12-.042*ZX13+.154*ZX14-.010*ZX15+.365*ZX16-.007*ZX17+.396*ZX18+.357*ZX19-.039*ZX20+.070*ZX21-.029*ZX22-.030*ZX23-.030*ZX24

（6）

F5=.014*ZX1+.002*ZX2+.038*ZX3_.008*ZX4-.056*ZX5+.010*ZX6+.040*ZX7-.026*ZX8-.066*ZX9-.016*ZX10-.016*ZX11+.010*ZX12-.013*ZX13-.339*ZX14+.048*ZX15-.111*ZX16+.009*ZX17-.005*ZX18+.048*ZX19+.449*ZX20+.434*ZX21+.009*ZX22+.009*ZX23+.009*ZX24

（7）

F6=.020*ZX1-.033*ZX2-.114*ZX3-.031*ZX4+.007*ZX5+.017*ZX6-.029*ZX7-.558*ZX8+.040*ZX9-.133*ZX10-.008*ZX11+.522*ZX12+.019*ZX13+.009*ZX14-.055*ZX15-.002*ZX16+.049*ZX17+.000*ZX18-.003*ZX19+.038*ZX20+.009*ZX21+.027*ZX22_.003*ZX23+.009*ZX24

（8）

F7=.051*ZX1-.160*ZX2+.660*ZX3+.337*ZX4+.035*ZX5+.055*ZX6+.084*ZX7+.196*ZX8+.121*ZX9-.310*ZX10+.048*ZX11-.010*ZX12-.152*ZX13+.101*ZX14-. 103*ZX15-.040*ZX16-.005*ZX17-.029*ZX18-.068*ZX19+.084*ZX20+.028*ZX21+.039*ZX22+.086*ZX23+.069*ZX24

（9）

F8=.018*ZX1-.001*ZX2+.025*ZX3-.068*ZX4+.006*ZX5-.068*ZX6+.023*ZX7+.043*ZX8-.006*ZX9+.020*ZX10+.360*ZX11+.051*ZX12-.004*ZX13-.041*ZX14+.589*ZX15-.070*ZX16+.579*ZX17+.088*ZX18-.002*ZX19-.020*ZX20+.017*ZX21-.032*ZX22-.034*ZX23-.033*ZX24

（10）

根據(jù)各公因子計算公式，結(jié)合旋轉(zhuǎn)后總方差表可以計算總因子F值，即

F=14.357/77.428*F1+13.377/77.428*F2+11.782/77.428*F3+9.961/77.428*F4+8.062/77.428*F5+7.556/77.428*F6+7.165/77.428*F7+5.167/77.428*F8

（11）

3.2結(jié)果分析

因樣本量相對較大，選擇總因子排名前八和末八的企業(yè)進(jìn)行分析（見表5）。企業(yè)信用風(fēng)險最低的3家企業(yè)分別是新大正、中房股份、萬業(yè)企業(yè)，其中，新大正得益于其強大的F4總資產(chǎn)及流動資產(chǎn)因子表現(xiàn)，說明該企業(yè)在2019年營運能力很強，另外F2償債能力因子也表現(xiàn)較佳，與此類似，中房股份F2償債能力因子和F8固定資產(chǎn)及應(yīng)收賬款周轉(zhuǎn)因子、萬業(yè)企業(yè)F2償債能力因子都表現(xiàn)搶眼，綜上，營運能力和償債能力表現(xiàn)較佳的房地產(chǎn)企業(yè)，其信用風(fēng)險也較低。

反之，排名最后的8家企業(yè)多數(shù)為異常企業(yè)，3家退市企業(yè)排名最末，多項指標(biāo)均差強人意。其中，京能置業(yè)排名132位，主要由于其現(xiàn)金流能力較差，F(xiàn)5現(xiàn)金流因子僅為-8.31，其他多數(shù)因子得分也為負(fù)數(shù)，表現(xiàn)不佳，說明該企業(yè)風(fēng)險較高，如不及時調(diào)整，很有可能淪為異常企業(yè)。

在12家異常企業(yè)中，ST宏盛、*ST經(jīng)開兩家表現(xiàn)亮眼，排名分別為第10和第11。ST宏盛F5現(xiàn)金流因子和F2償債能力因子表現(xiàn)亮眼，其他除F7盈利能力因子2表現(xiàn)略差以外，均表現(xiàn)為中上;*ST經(jīng)開F2償債能力因子和F8固定資產(chǎn)及應(yīng)收賬款周轉(zhuǎn)因子遙遙領(lǐng)先，但是F3宏觀經(jīng)濟(jì)及營運能力因子（GDP增幅X22、住宅銷售指數(shù)X24、產(chǎn)權(quán)比率X10、總資產(chǎn)周轉(zhuǎn)率X18）和F4總資產(chǎn)及流動資產(chǎn)因子表現(xiàn)很差，說明兩家公司通過積極調(diào)整，強大的現(xiàn)金流能力、償債能力或營運能力支撐其不斷提高自身抗風(fēng)險能力，如繼續(xù)良好經(jīng)營，未來會逐漸恢復(fù)為正常企業(yè)。

4房地產(chǎn)企業(yè)信用風(fēng)險logistic模型構(gòu)建

以因子分析提取的8個公因子為協(xié)變量，以企業(yè)類型為因變量，探討房地產(chǎn)企業(yè)信用風(fēng)險概率P高低情況，構(gòu)建二元logistic同歸模型。其中，模型中默認(rèn)P以0.5為分割點。

第一，樣本統(tǒng)計處理。樣本總數(shù)為136家（見表6），正常企業(yè)定義為0，異常企業(yè)定義為1。

第二，樣本檢驗。通過模型系數(shù)Omnibus測試可知，卡方檢驗p值無限接近于0（見表7），小于0.05，而Hosmer-Lemeshow檢驗p值為1大于0.05（見表8），模型擬合度非常好。

第三，構(gòu)建回歸模型。模型中8個變量的顯著性均高于0.985，其中5個變量顯著性水平大于0.99（見表9），說明模型各變量對白變量解釋程度均很高，無需剔除變量，構(gòu)建二元Logistic回歸模型為：

P=1/1++e-（-60.142-13.568FAC1+19.779FAC2-106.857FZC3-2.515FAC4+36.595FAC5+11.639FAC6-74.138FAC7-3.328FAC8）

（12）

第四，模型預(yù)測正確性。正常企業(yè)和異常企業(yè)模型正確率均為100%，說明既不存在將有違約情況的公司誤認(rèn)為沒有違約的情況，也不存在將有實際上違約的公司漏判為沒有違約的情況，模型可以很好地反映我國136家房地產(chǎn)企業(yè)的信用風(fēng)險情況。該模型適用于評價現(xiàn)階段我國房地產(chǎn)企業(yè)信用風(fēng)險，可以用模型來進(jìn)行相關(guān)度量以及實現(xiàn)預(yù)警（見表10）。

5結(jié)論與建議

5.1文章結(jié)論

文章分析我國136家上市房地產(chǎn)企業(yè)信用風(fēng)險情況，結(jié)論如下：

（1）采用因子分析法從24個房地產(chǎn)信用風(fēng)險指標(biāo)中提取出8個公因子，其中，F(xiàn)2償債能力因子（反映速動比率X6、流動比率X5、現(xiàn)金比率X7指標(biāo)）、F8固定資產(chǎn)及應(yīng)收賬款周轉(zhuǎn)因子、F5現(xiàn)金流因子（反映現(xiàn)金流量比率X21、經(jīng)營現(xiàn)金凈流量與凈利潤的比率X20、總資產(chǎn)增長率X14）三個公因子對提升房地產(chǎn)企業(yè)抗風(fēng)險能力非常重要。

（2）以提取的8個公因子為自變量構(gòu)建房地產(chǎn)企業(yè)信用風(fēng)險評價Logistic模型，該模型對正常企業(yè)和異常企業(yè)的預(yù)測正確率均為100%。

（3）總體而言，正常經(jīng)營企業(yè)抗風(fēng)險程度高，極少存在信用違約風(fēng)險，而異常經(jīng)營企業(yè)存在信用風(fēng)險情況相對較高。

5.2降低房地產(chǎn)企業(yè)信用風(fēng)險政策建議

第一，企業(yè)方面，大力提高房地產(chǎn)企業(yè)自身償債能力、盈利能力及營運能力。上述能力的提升可有效提升房地產(chǎn)企業(yè)抗風(fēng)險能力，故而各房地產(chǎn)企業(yè)應(yīng)結(jié)合自身情況，加強內(nèi)部管理，提高人員綜合素質(zhì)，通過提升品牌效應(yīng)和產(chǎn)品質(zhì)量，不斷提高自身盈利能力，進(jìn)而提升綜合競爭力。

第二，購買者方面，應(yīng)加大對房產(chǎn)市場的信息了解和甄別，不要盲目聽從中介、賣方、朋友等的推薦信息，基于理性的原則選購最符合自身需求的合適房產(chǎn)，堅持房子是用來住的，不要隨便大批量投機(jī)性購人房產(chǎn)，避免因為自身過度投機(jī)帶來的對自身及房地產(chǎn)企業(yè)的負(fù)面影響。

第三，銀行等相關(guān)行業(yè)方面，房地產(chǎn)企業(yè)往往資金需求較大、周期較長，一旦陷入風(fēng)險可能會導(dǎo)致銀行等相關(guān)行業(yè)產(chǎn)生連帶負(fù)面效應(yīng)，銀行等金融機(jī)構(gòu)應(yīng)該加強對房地產(chǎn)企業(yè)的資信調(diào)查，綜合評審，秉承國家基本定位基礎(chǔ)上給房地產(chǎn)企業(yè)合理提供融資，幫助房地產(chǎn)企業(yè)正常經(jīng)營。鋼鐵等房地產(chǎn)后市場行業(yè)也應(yīng)跟隨基本行情穩(wěn)步發(fā)展。

第四，政府方面，各城市應(yīng)該堅決貫徹中央的房地產(chǎn)定位，根據(jù)城市自身情況合理開展限購、限貸等調(diào)控政策，不斷完善不動產(chǎn)登記制度、提高房地產(chǎn)信息公開程度，保證房地產(chǎn)市場信息的公開與透明。同時，應(yīng)該積極推動個人及房地產(chǎn)企業(yè)信用檔案制度，購房者在購房前可以通過公開途徑查詢房地產(chǎn)企業(yè)是否存在失信行為，以便做出更為精確的購房判斷，銀行、房地產(chǎn)企業(yè)等也可以通過公開途徑查詢購房者是否存在個人失信行為，從而調(diào)整其貸款的比例。

第五，國際方面，整個世界就像是一個命運共同體，中國與國際社會的關(guān)系會對各行各業(yè)產(chǎn)生影響，如中美貿(mào)易戰(zhàn)對中國房地產(chǎn)市場的負(fù)面影響。中國積極推動國際化進(jìn)程，積極開展與其他國家的經(jīng)貿(mào)往來及人文交流活動，通過雙邊及多邊平臺加強與各國的政策溝通，良好的國際環(huán)境可以為中國房地產(chǎn)企業(yè)提供外部支撐。

參考文獻(xiàn)：

1.胡勝 雷歡歡 胡華強.基于Logistic模型的我國房地產(chǎn)企業(yè)信用風(fēng)險度量研究.中國軟科學(xué).2018.12

2.王慧 張國君.KMV模型在我國上市房地產(chǎn)企業(yè)信用風(fēng)險度量中的應(yīng)用，經(jīng)濟(jì)問題.2018.03

3.謝遠(yuǎn)濤 羅潤方 楊娟.基于修正的KMV模型的信用風(fēng)險度量.統(tǒng)計與決策.2018.15

4.申敏 吳和成，宏觀因素對房地產(chǎn)行業(yè)信用風(fēng)險的影響研究——基于BALQR模型的實證.數(shù)學(xué)的實踐與認(rèn)識.2017.07

5.董小君 石濤.“重災(zāi)區(qū)”互聯(lián)網(wǎng)金融風(fēng)險指數(shù)及其影響要素分析.現(xiàn)代經(jīng)濟(jì)探討.2020.03

6.巴曙松 高英.巴塞爾Ⅲ信用風(fēng)險標(biāo)準(zhǔn)法改革對銀行業(yè)的影響.武漢金融.2019.01

7.鄭勇，信用風(fēng)險、房價與宏觀經(jīng)濟(jì)波動.暨南學(xué)報（哲學(xué)社會科學(xué)版）.2018.07

8.Wang CP. Dai SS. Xu HG.Estimating the landopportunism of hotel investment in generating realestate appreciation and firms' market value.LAND USEPOLICY.2018.09

9.Lin WY. Tsai IC.Trader differences in Shanghai'sA-share and B-share markets：Effects on interaction withthe Shanghai housing market. JOURNAL OF ASIANECONOMICS.2019.10

10.陳夢.基于因子分析和聚類分析的各省水運競爭力研究，數(shù)學(xué)的實踐與認(rèn)識.2017.16

作者簡介：陳夢，廈門大學(xué)嘉庚學(xué)院教師、副教授、會計師、經(jīng)濟(jì)師。

基金項目：福建省社會科學(xué)規(guī)劃項目：福建物流產(chǎn)業(yè)創(chuàng)新聯(lián)動轉(zhuǎn)型升級路徑與對策研究（FJ2018B016）、福建地鐵乘客服務(wù)滿意評價體系研究（FJ2019B110）。