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(cái)務(wù)數(shù)據(jù)，運(yùn)用KMV模型估算出違約距離以度量其違約風(fēng)險(xiǎn)，進(jìn)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(duì)房企違約風(fēng)險(xiǎn)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(xiǎn)，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(duì)資產(chǎn)規(guī)模最大組別的風(fēng)險(xiǎn)抑制效果并不好，對(duì)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(huì)導(dǎo)致違約風(fēng)險(xiǎn)增加。除在政策層面繼續(xù)堅(jiān)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(duì)策：一是針對(duì)大型房企應(yīng)采取“一企一策”措施，防止資本無序擴(kuò)張；二是監(jiān)管層應(yīng)鼓勵(lì)銀行按照運(yùn)營效率、經(jīng)營能力等指標(biāo)開展房企貸款評(píng)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(xiǎn)；KMV模型；面板回歸分析

中圖分類號(hào)：F830.573文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-8268（2023）05-0115-13

近年來，我國房企違約風(fēng)險(xiǎn)激增。根據(jù)Wind數(shù)據(jù)庫的統(tǒng)計(jì)，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(bào)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(gè)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(dá)6.28%。除正規(guī)金融體系出現(xiàn)了房企違約風(fēng)險(xiǎn)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(jì)，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(cái)方面，恒大財(cái)富、錦恒財(cái)富（為房企佳兆業(yè)提供融資）等機(jī)構(gòu)產(chǎn)品也相繼出現(xiàn)了兌付危機(jī)。

房企違約影響重大，因?yàn)榉康禺a(chǎn)關(guān)聯(lián)上下游行業(yè)、銀行、土地財(cái)政等多個(gè)方面，是爆發(fā)系統(tǒng)性金融風(fēng)險(xiǎn)的源頭之一^[1]。對(duì)于房企違約的原因，既往研究多從微觀視角進(jìn)行探討，如房企財(cái)務(wù)不健康、內(nèi)部治理機(jī)制薄弱、公司戰(zhàn)略激進(jìn)、盲目擴(kuò)張等；宏觀層面則主要探討調(diào)控政策對(duì)房價(jià)的影響^[2-3]。一些學(xué)術(shù)論文探討了限貸限購政策對(duì)房企違約風(fēng)險(xiǎn)的影響，但研究方法多限于政策前后對(duì)比、配對(duì)T檢驗(yàn)，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(jìn)一步檢驗(yàn)。

自2020年7月房地產(chǎn)金融審慎管理制度實(shí)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(xiǎn)，這一影響是直接的。從人民銀行2021年第三季度金融統(tǒng)計(jì)數(shù)據(jù)新聞發(fā)布會(huì)的表述來看，這一點(diǎn)得到了驗(yàn)證：“部分金融機(jī)構(gòu)對(duì)于30家試點(diǎn)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(xiàng)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。”然而，一些研究表明，房地產(chǎn)調(diào)控對(duì)降低房企風(fēng)險(xiǎn)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(xiǎn)？這是本文要回答的核心問題。相較于既往文獻(xiàn)，本文的邊際貢獻(xiàn)體現(xiàn)在以下三個(gè)方面。一是研究視角上，從長周期的視角展開，研究時(shí)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(gè)完整階段，使研究結(jié)論接受檢驗(yàn)的時(shí)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(qiáng)了研究結(jié)論的可靠性。三是政策含義上，一方面要堅(jiān)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(xiǎn)增加，防止出現(xiàn)傳染效應(yīng)。

一、文獻(xiàn)綜述

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

關(guān)于公司違約風(fēng)險(xiǎn)的度量可以分為兩類：一類是基于計(jì)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(dòng)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(gè)財(cái)務(wù)指標(biāo)構(gòu)建Z值^[4]。隨著計(jì)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?yàn)長ogit模型無須對(duì)違約的先驗(yàn)概率和樣本分布做任何假設(shè)，具有更大優(yōu)勢(shì)。Ohlson首次應(yīng)用Logit模型對(duì)企業(yè)違約進(jìn)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(gè)解釋變量構(gòu)建Logit模型，其結(jié)果表明模型準(zhǔn)確率達(dá)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(xiǎn)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(jià)思想，即將公司的違約看作一項(xiàng)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(huì)違約取決于公司總資產(chǎn)未來的市場價(jià)值是否小于負(fù)債總值，并據(jù)此計(jì)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(jì)算機(jī)技術(shù)的發(fā)展，一些機(jī)器學(xué)習(xí)方法如神經(jīng)網(wǎng)絡(luò)、向量支持機(jī)等也被用于信用違約的計(jì)算。Chen等基于卷積神經(jīng)網(wǎng)絡(luò)將風(fēng)險(xiǎn)因子轉(zhuǎn)換成非結(jié)構(gòu)化數(shù)據(jù)，使得對(duì)多個(gè)行業(yè)信用風(fēng)險(xiǎn)的識(shí)別率達(dá)到80%以上^[8]。Sariev等基于支持向量機(jī)（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(shí)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(cè)信用風(fēng)險(xiǎn)，Matin等應(yīng)用上市公司年報(bào)中的管理層陳述內(nèi)容構(gòu)建公司壓力指數(shù)以預(yù)測(cè)違約風(fēng)險(xiǎn)^[10]，Li等應(yīng)用新浪新聞構(gòu)建公司財(cái)務(wù)狀況指數(shù)預(yù)測(cè)信用風(fēng)險(xiǎn)^[11]，Daniel等應(yīng)用企業(yè)社會(huì)責(zé)任報(bào)告中的文本構(gòu)建指數(shù)，比較了多種方法對(duì)信用風(fēng)險(xiǎn)的預(yù)測(cè)準(zhǔn)確度，結(jié)果表明隨機(jī)森林方法最優(yōu)^[12]。這類方法具有較強(qiáng)的學(xué)習(xí)能力，故有效降低了違約率預(yù)測(cè)中犯第一類錯(cuò)誤和第二類錯(cuò)誤的可能性。然而，也正是由于其優(yōu)點(diǎn)太過突出，這些方法的缺點(diǎn)也很明顯：一個(gè)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(jì)算方法的指標(biāo)之間缺乏內(nèi)在的經(jīng)濟(jì)邏輯，正如Daniel等在文中所言，企業(yè)社會(huì)責(zé)任并不能系統(tǒng)性地反映信用評(píng)級(jí)結(jié)果。正因?yàn)槿绱耍疚挠?jì)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(jià)值落入違約點(diǎn)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(duì)房企違約風(fēng)險(xiǎn)影響的文獻(xiàn)分為兩類：一類持負(fù)面觀點(diǎn)，即房地產(chǎn)調(diào)控會(huì)導(dǎo)致房企違約風(fēng)險(xiǎn)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(xiǎn)等^[13]。袁海霞等從債券融資視角討論了調(diào)控對(duì)房企信用風(fēng)險(xiǎn)的影響，緊縮調(diào)控導(dǎo)致房企融資、住房按揭收緊，同時(shí)房企債務(wù)集中到期，這兩個(gè)因素共同導(dǎo)致了房企信用風(fēng)險(xiǎn)的增加^[14]。以上文獻(xiàn)都是基于對(duì)直接原因的分析，缺少實(shí)證方面的檢驗(yàn)。周陽敏采用計(jì)量方法研究了限購令、房產(chǎn)稅和新土管政策對(duì)房企風(fēng)險(xiǎn)的影響，結(jié)果表明上市房企整體抗風(fēng)險(xiǎn)能力都很弱，其中限購令的政策沖擊最強(qiáng)^[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(xiǎn)增加；二是研究樣本只限定于2011年，研究結(jié)論可靠性不強(qiáng)。Jiang考察了房地產(chǎn)調(diào)控是否降低了對(duì)銀行的風(fēng)險(xiǎn)，結(jié)果表明調(diào)控政策并沒有起到降低風(fēng)險(xiǎn)的作用^[16]。另一類文獻(xiàn)持正面觀點(diǎn)，即房地產(chǎn)調(diào)控有利于控房價(jià)和促進(jìn)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(xiǎn)，進(jìn)而有利于降低房企違約風(fēng)險(xiǎn)。馬草原等從貸款價(jià)值比（loan to value，LTV）視角切入并構(gòu)建了DSGE模型進(jìn)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(jià)上升，貨幣政策可以起到抑制房價(jià)的作用^[19]。彭中文等應(yīng)用實(shí)證方法探討了宏觀調(diào)控對(duì)房企信用風(fēng)險(xiǎn)的影響機(jī)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(xiǎn)^[20]。該文樣本時(shí)間跨度為20032012年，對(duì)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(jìn)行穩(wěn)健性檢驗(yàn)。

梳理上述文獻(xiàn)可知，現(xiàn)有討論房地產(chǎn)調(diào)控與房企違約風(fēng)險(xiǎn)的文獻(xiàn)存在如下不足：持負(fù)面觀點(diǎn)的文獻(xiàn)缺少計(jì)量檢驗(yàn)的支持；持正面觀點(diǎn)的文獻(xiàn)有的混淆了系統(tǒng)性風(fēng)險(xiǎn)與房企違約風(fēng)險(xiǎn)，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(xiàn)，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(xiǎn)。這么做的好處是，一方面違約風(fēng)險(xiǎn)來自于企業(yè)資產(chǎn)價(jià)值與債務(wù)之間的違約距離，是市場交易直接給出的評(píng)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(huì)的政策性文件為基準(zhǔn)，按時(shí)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(yùn)營、財(cái)務(wù)等條件下分析房地產(chǎn)調(diào)控對(duì)房企違約風(fēng)險(xiǎn)的影響，并進(jìn)行了穩(wěn)健性檢驗(yàn)和異質(zhì)性分析。

二、研究設(shè)計(jì)（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(jì)算房企的違約距離（違約距離越大，違約風(fēng)險(xiǎn)越小），二是給房地產(chǎn)宏觀調(diào)控政策賦值，三是應(yīng)用面板計(jì)量模型分析房地產(chǎn)調(diào)控對(duì)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(shí)，可以將這一行為視為買入以公司總資產(chǎn)市場價(jià)值為標(biāo)的資產(chǎn)的歐式看漲期權(quán)，期權(quán)的執(zhí)行價(jià)格為負(fù)債的價(jià)值，期限是負(fù)債的期限。當(dāng)期末公司總資產(chǎn)的市場價(jià)值低于期末負(fù)債價(jià)值時(shí)，公司的股權(quán)價(jià)值為零，公司所有人會(huì)選擇不執(zhí)行該歐式看漲期權(quán)，即會(huì)對(duì)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(jià)值與公司負(fù)債價(jià)值相等的情況定義為違約點(diǎn)（default point，DPT），將預(yù)期總資產(chǎn)價(jià)值偏離違約點(diǎn)的相對(duì)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(gè)標(biāo)準(zhǔn)化指標(biāo)）。圖1中，DD表示未來資產(chǎn)市場價(jià)值的均值與違約點(diǎn)的距離，EDF為未來資產(chǎn)市場價(jià)值曲線落入違約點(diǎn)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(xiǎn)越小，也即EDF越小。

對(duì)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(tái)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(tái)降低首付比例、首套房認(rèn)定標(biāo)準(zhǔn)、降低交易稅費(fèi)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(shí)間段內(nèi)RECP賦值為1，在放松時(shí)間段內(nèi)RECP賦值為0，對(duì)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(shí)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(duì)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?yàn)檫@些因素顯著影響房企違約風(fēng)險(xiǎn)，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(xiàng)；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(shí)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(shí)間固定效應(yīng)控制變量的系數(shù)；μ_i為個(gè)體固定效應(yīng)控制變量的系數(shù)；ε_it為隨機(jī)誤差項(xiàng)。

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(jìn)而導(dǎo)致房地產(chǎn)調(diào)控政策不同的響應(yīng)效果，對(duì)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(jī)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(shí)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(jìn)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(gè)上市房企作為樣本，各變量的描述性統(tǒng)計(jì)如表4所示。

三、房地產(chǎn)調(diào)控對(duì)房企違約風(fēng)險(xiǎn)的實(shí)證分析

（一）KMV模型的計(jì)算結(jié)果

在KMV模型的計(jì)算中，涉及股權(quán)市場價(jià)值E、股權(quán)價(jià)值年波動(dòng)率σ_E、債務(wù)期限T、違約點(diǎn)DPT以及無風(fēng)險(xiǎn)利率r五個(gè)參數(shù)。股權(quán)市值E取每年度或季度最后一個(gè)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(jià)值波動(dòng)率σ_E計(jì)算方法如下：以股票日收盤價(jià)格的變化計(jì)算股票價(jià)格日均波動(dòng)率標(biāo)準(zhǔn)差σ_y，再由公式σ_E=σ_yn得到年波動(dòng)率。債務(wù)期限取一年，違約點(diǎn)為短期債務(wù)與0.5倍長期債務(wù)之和，無風(fēng)險(xiǎn)利率取一年期固定國債利率。以上計(jì)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(jì)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(jì)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(tuán)），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(shí)間變化趨勢(shì)如圖2所示。

從圖2可以看出，2015年出臺(tái)的棚改貨幣化政策整體改善了房企違約風(fēng)險(xiǎn)，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(xiǎn)加大。由此可見，房企違約風(fēng)險(xiǎn)表現(xiàn)出時(shí)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(shí)施后的這段時(shí)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(jì)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(xiǎn)最高，理論違約概率的最大值達(dá)到37.52%，與現(xiàn)實(shí)基本一致。在后續(xù)的面板回歸分析中，筆者將重點(diǎn)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(jì)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(shí)間和個(gè)體變量的方式來研究影響違約距離的各個(gè)因素。表6給出了逐步回歸的每步基本統(tǒng)計(jì)結(jié)果，剔除未通過顯著性檢驗(yàn)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?yàn)榭傎Y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(xiǎn)反而降低。凈負(fù)債率是一個(gè)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?。ㄟ`約風(fēng)險(xiǎn)越大）。存貨周轉(zhuǎn)率、銷售凈利率和現(xiàn)金短債比三個(gè)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(qiáng)，則違約距離越大（違約風(fēng)險(xiǎn)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(duì)房企違約風(fēng)險(xiǎn)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(kuò)張，降低了杠桿水平，使得房企違約距離擴(kuò)大，房企違約風(fēng)險(xiǎn)降低。

（三）穩(wěn)健性檢驗(yàn)

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(yùn)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(jià)值/總負(fù)債的賬面價(jià)值，是衡量一家公司財(cái)務(wù)結(jié)構(gòu)、表明所有者權(quán)益和債權(quán)人權(quán)益相對(duì)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(cái)務(wù)狀況越良好；Z值越小，表明公司違約風(fēng)險(xiǎn)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(yùn)資金/總資產(chǎn)；CLCA=流動(dòng)負(fù)債/流動(dòng)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(xiǎn)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(jìn)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(duì)模型進(jìn)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(hào)方向與基準(zhǔn)回歸結(jié)果一致，兩個(gè)替換變量均在10%水平上顯著，說明檢驗(yàn)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(duì)照組進(jìn)行回歸分析。匹配完成后，利用新的樣本對(duì)模型進(jìn)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(jìn)一步考察房地產(chǎn)調(diào)控對(duì)不同規(guī)模房企違約風(fēng)險(xiǎn)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(duì)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(jì)結(jié)果表明，房地產(chǎn)調(diào)控對(duì)房企違約距離的影響成倒U型（對(duì)房企違約風(fēng)險(xiǎn)的影響成U型），即房地產(chǎn)調(diào)控政策對(duì)500億～1 000億資產(chǎn)規(guī)模房企風(fēng)險(xiǎn)的調(diào)控風(fēng)險(xiǎn)降低最明顯。對(duì)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(xiǎn)的效果并不明顯，這可能是因?yàn)榇笮头科罄闷涫袌鰟?shì)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(diǎn)以恒大的表現(xiàn)最為典型。對(duì)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?yàn)樾⌒头科蟊旧砭碗y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(jìn)一步考察房地產(chǎn)調(diào)控對(duì)不同所有制房企違約風(fēng)險(xiǎn)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(gè)虛擬變量，以國有企業(yè)為基準(zhǔn)組，將其余三個(gè)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(jì)量模型中重復(fù)基準(zhǔn)回歸。對(duì)房企所有制性質(zhì)所做的異質(zhì)性分析報(bào)告的估計(jì)結(jié)果表明，盡管統(tǒng)計(jì)并不顯著，但房地產(chǎn)調(diào)控政策對(duì)民營企業(yè)和其他企業(yè)相對(duì)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(xiǎn)增加）；房地產(chǎn)調(diào)控政策對(duì)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(xiǎn)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(cái)務(wù)數(shù)據(jù)，運(yùn)用KMV模型估算出的違約距離來度量其違約風(fēng)險(xiǎn)，進(jìn)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(duì)房企違約風(fēng)險(xiǎn)的影響。從實(shí)證結(jié)果來看，筆者有如下發(fā)現(xiàn)：（1）房企違約風(fēng)險(xiǎn)整體上表現(xiàn)出時(shí)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(xiǎn)最高；（2）在微觀層面，房企違約風(fēng)險(xiǎn)與以下因素有關(guān)：房企凈資產(chǎn)規(guī)模越大違約風(fēng)險(xiǎn)越低，經(jīng)營效率越高、盈利水平越強(qiáng)則違約風(fēng)險(xiǎn)越小，凈負(fù)債率越低、短期償債能力越強(qiáng)違約風(fēng)險(xiǎn)越??；（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(xiǎn)，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(duì)規(guī)模在500億～1 000億的房企的風(fēng)險(xiǎn)抑制效果最好，對(duì)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(huì)導(dǎo)致違約風(fēng)險(xiǎn)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(xiǎn)，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(jiān)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(duì)資產(chǎn)規(guī)模最大組別的風(fēng)險(xiǎn)抑制效果并不好，這可能是因?yàn)榇笮头科罄谩按蠖坏埂辈呗阅媸屑痈軛U所導(dǎo)致，因此針對(duì)大型房企應(yīng)采取“一企一策”措施，防止資本無序擴(kuò)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(xiǎn)加大，在政策層面，監(jiān)管層應(yīng)鼓勵(lì)銀行按照運(yùn)營效率、經(jīng)營能力等指標(biāo)開展貸款評(píng)估，減少放款過程中的所有制歧視現(xiàn)象。同時(shí)，監(jiān)管層也應(yīng)關(guān)注民營房企的違約是流動(dòng)性風(fēng)險(xiǎn)導(dǎo)致的還是資不抵債導(dǎo)致的，對(duì)于前一種情況應(yīng)注入流動(dòng)性、防止出現(xiàn)傳染效應(yīng)，對(duì)于后一種情況在處置問題資產(chǎn)時(shí)應(yīng)注意隔離風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]蔡真.我國系統(tǒng)性金融風(fēng)險(xiǎn)與房地產(chǎn)市場的關(guān)聯(lián)、傳染途徑及對(duì)策[J].中國社會(huì)科學(xué)院研究生院學(xué)報(bào)，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(píng)估：基于斷點(diǎn)回歸設(shè)計(jì)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(píng)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(xiǎn)及防范[J].深圳大學(xué)學(xué)報(bào)（人文社會(huì)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(xiǎn)[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(xiǎn)壓力測(cè)試實(shí)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(píng)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(jì)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(cái)貿(mào)經(jīng)濟(jì)，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(cái)務(wù)風(fēng)險(xiǎn)——基于房地產(chǎn)上市公司的面板數(shù)據(jù)[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，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）