基于逻辑回归模型的我国房地产企业债务违约风险识别研究

班闻颖 冯瑞琳

摘要：本文旨在通过采用定性分析和定量分析相结合的方法，构建适用于我国房地产企业的债务违约风险评价模型，为金融机构进行贷前审查、额度测算、贷后监控等提供常态化支持，为贷款风险防控路径提供依据。

关键词：房地产;财务风险识别;债务违约风险识别

1 问题提出

本文希望借鉴房地产企业债务违约风险识别体系构建已有研究成果，结合触发债务违约风险的成因，识别可能引发房地产企业落入财务困境的因素，以此为依据构建房地产企业债务违约风险识别指标体系。接下来，以已经发生债务违约的房地产企业财务数据为样本，采用统计分析方法构建债务违约风险识别模型，通过实证的定量检验和定性分析，构建适用于我国房地产企业的涵盖其自身特性的债务违约风险评价模型。

2 理论分析与研究假设

2.1 债务违约风险识别的概念

企业债务违约风险识别是指通过运用多种统计分析方法、技术和手段，系统、全面、及时地对企业可能面临的各种债务违约风险或引起风险事故的原因进行分析，进而识别主要的风险因素。在债务违约风险发生前，可以通过对企业的各项影响债务违约风险的相关指标进行统计分析，发现其中的潜在风险，分析企业未来发生债务违约的可能性，从而对高风险企业及时开展相应的防范和控制措施，降低风险发生的概率。

2.2 债务违约风险评价模型研究

在国外，Beaver和Altman先后构建了单变量模型和Z值模型用于财务风险定量衡量。在二十世纪中叶，Beaver（1996）[1]通过对70多家企业进行统计分析，发现资产收益率和资产负债率指标对于企业财务风险大小的评估是比较准确的，但利用单一指标衡量企业整体财务风险相对片面。随后， Altman（1968）[2]在前人有关企业财务指标研究的基础上，建立了Z-Score模型用于衡量企业未来财务状况的发展趋势，并根据Z值模型结果设立不同风险等级的临界值，使企业财务状况评价判断更加直观。

在我国，周首华等学者（1996）[3]最先开始对企业财务风险进行定量度量研究，他们在Z-Score模型基础上进一步考虑了企业现金流对财务风险的影响，通过对1977年到1990年31家公司进行跟踪研究，总结得出F分数模型，该模型对我国企业财务风险预测的准确率达到70%。赵振鲁（2017）针对房地产企业的财务风险定量衡量进行了更加深入的研究，并建立了COX风险衡量模型。齐岳（2019）在构建房地产财务风险评估模型时，结合房地产行业特殊性，首次增加了净利润评价法，并且利用房地产上市企业二十三个财务指标，从中提取九个因子带入Z值财务风险评价模型中，得出结论Z值模型对于房地产企业未来财务状况预测准确率达到78.49%。

3 模型选择与数据分析

3.1 债务违约风险识别指标体系构建

3.1.1 债务违约风险识别指标体系搭建

基于第二章对房地产企业债务违约风险成因的分析，本文按照目前较有代表性的研究，根据引发房地产企业债务违约风险的成因，把房地产企业债务违约风险识别指标涉及的投资风险、筹资风险、收益分配风险和经营风险分别对应于盈利能力指标、偿债能力指标、融资风险指标、营运能力指标，全面构建房地产企业债务违约风险识别指标体系。

3.1.2 债务违约风险识别指标选取

借鉴业界领先科研和实践成果，以房地产上市企业财务报表数据、债务数据为基础，通过衍生变量加工等方式，构建房地产企业债务违约风险识别指标体系，形成风险指标24个，其中偿债能力指标8个，融资风险指标2个，盈利能力指标9个，营运能力指标5个，具体如表1所示。

4 实证结果与分析

4.1 Logistic 模型介绍

若以Prob（event）表示企业发生债务违约的概率，该概率值的取值范围在 0 到 1 之间，1-Prob（event）表示未发生债务违约的概率，对Prob（event） 做logit 转换为In[prob（event）1-pωb（event）]，则回归方程可表示为：

prob（event）=ez1+ez=11+e-z

其中，z可表示为：

z=b0+b1x1+b2x2+...+bpxp（p为自变量的数量）

4.2 研究样本的选取

4.2.1 研究样本选取的依据

本文通过搜集2019-2021年，房地产行业上市企业发生债务违约的公告数据，共搜集发生债务违约的负样本企业15家，并以277家未发生债务违约的房地产上市企业作为正样本进行分析建模。

4.2.2 指標相关性检验

若以γ（X，Y）为变量X，Y的相关系数，Cov（X，Y）为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，则X，Y的相关系数计算公式表示为：

γ（X，Y）=Cov（X，Y）Var[X]Var[Y]

4.3 Logistic 回归模型构建

4.3.1 模型效果分析

基于4.2章节变量筛选结果，以“发生债务违约”为目标变量，利用python工具构建Logistic模型。采用 Logistic回归模型的判断标准，认为Prob（event）值大于 0.5 的企业极有可能发生债务违约，即该企业面临较为严峻的债务违约风险;反之，Prob（event）值小于 0.5 的企业，则被判定为所面临的债务违约风险在可控范围内;最后、将模型识别出来的结果统计后与现实中是否发生债务违约进行比较，以此得到模型的ROC指标为0.97，KS指标为0.89，认为模型具有良好的拟合效果。

4.3.2 模型有效性检验

利用建模以外的数据构建测试集，对模型效果和稳定性进行验证。利用建立的模型对测试集数据进行预测，得到模型结果ROC指标为0.9，KS指标为0.83，测试集模型验证结果指标与训练集模型验证结果指标的差异程度较小，说明模型预测效果较好;PSI指数为0.1，认为模型稳定性较强。

5 结论与启示

本文研究的债务违约数据来源于互联网渠道获取的2019年-2021年15家发生过债务违约的房地产上市企业2020年的财报数据、债务数据，同时选取了277家未发生债务违约的房地产上市企业财报数据、债务数据作为控制样本来研究我国房地产上市企业债务违约风险识别模型。通过搜集分析国内外关于企业债务违约风险识别的相关基础理論研究和房地产企业财务风险的特殊性研究，最终将可能影响我国房地产上市企业债务违约风险的因素通过盈利能力、偿债能力、融资风险、营运能力四个维度，24个具体风险指标来体现。

构建债务违约风险识别模型，根据搜集的房地产上市企业债务违约风险识别指标数据进行回归分析，首先对搜集到的数据进行单样本方差分析，筛选24个出显著性强的指标;接下来采用相关系数检验方法，筛选出了两组相关系数大于0.6的指标;第三步，通过IV值检验方法，对24个指标分别计算IV值，结果发现这24个指标的IV值均大于0.1，说明24个指标均具有一定的预测能力;第四步，对两组相关系数大于0.6的指标，通过分别对比IV值的大小，剔除各组内IV值较小的指标。经过上述处理，最终保留22个入模指标。对筛选出的22个指标进行 Logistic 回归分析，并将回归系数值带入模型方程，构建债务违约风险识别模型，并基于测试集对构建的债务违约风险识别模型进行了稳健性检验，PSI<0.1，说明模型的稳定性较强。

根据模型结果，“现金利息保障倍数”指标与我国房地产上市企业债务违约风险呈负相关，该指标体现偿债能力，说明公司的偿债能力越强，发生财务风险的可能性越小;“销售期间费用率”与我国房地产上市企业债务违约风险呈正相关，该指标反映盈利能力，说明公司的盈利能力越弱，发生债务违约风险的可能越大;“存货/平均预收账款”与我国房地产上市企业债务违约风险呈负相关，该指标反映营运能力，说明公司的营运能力越强，发生债务违约风险的可能越小;“平均融资成本”与我国房地产上市企业发生债务违约风险呈正相关，该指标反映融资风险，说明企业的融资风险越低，发生债务违约风险的可能越小。

参考文献

[1] Beaver W H. Financial ratios as predictors of failure，empirical research in accounting： selected studies[J].Journal of Accounting Research，1966（4）：71-127.

[2] Alman E I.Financial Ratios，Discriminate Analysis and the Prediction of Corporate Failure[J].The Journal of Finance， 1968， 23（4）： 586-609.

[3] 周首华，杨济华，王平. 论财务危机的预警分析——F分数模式， 会计研究，1996（8）： 8-11.

[4] 裴潇，黄玲，陈华. 基于Z值模型的房地产企业财务预警研究，财会通讯，2015（2），42-45.

[5] 李光荣，李风强. 基于几种神经网络方法的公司财务风险判别研究，经济经纬， 2017（2），122-127.

作者简介：班闻颖，（1994.03.13），女，河北，本科，信息管理与信息系统。