搜索
-----------------------Page1-----------------------第30卷第3期系统工程理论与实践V01．30，No．32010年3月SystemsEngineering—Theory＆PracticeMar．，2010文章编号：1000-6788(2010)03-0437-10中图分类号：F293．33；F830．572；F833．59文献标志码：A从美国次贷危机透视房地产信用风险防范汪成豪t，黎建强z，董纪昌·(1中国科学院研究生院管理学院，北京100190；2香港城市大学管理科学系，香港)摘要结合2007年美国次贷危机产生的背景与原因，对房地产信用风险的概念、识别等进行了详细的分析，并评述了房地产信用风险评价的一些主要模型、方法以及它们之闻的内在联系．此外，针对我国房地产市场的特点，对一些重点研究问题也进行了讨论．最后，对我国房地产信用风险管理的应用实践进行了分析，并且提出了一些值得关注的研究方向与问题．关键词次贷危机；信用风险；信用评级；房地产ReviewingpreventionofthecreditriskofrealestatesWANGCheng-ha01，LAIKin-keun92，DONGJi．chan91(1．SchoolofManagement，GraduateUniversityofChineseAcademyofSciences，Beijing100190，China；2．DepartmentofManagementSciences，CityUniversityofHongKong，HongKong，China)AbstractTheAmericansubprimelendingcrisisbrokenoutin2007hasterriblyaffectedtheworldeconomywithlossofoverthousandbillionUSdollars．ThispaperdiscussesrealestatecreditriskmanagementandreviewssomemaincreditriskmodeIscombinedwiththecoursesofthissubprimelendingcrisis．Furthermore，basedonthecharactersofChina’Srealestate，weanalyzethepracticalapplicationsofthosetheoriesandSomenewissuesanddirectionsforfuturestudies．suggestKeywordssubprimelendingcrisis；creditrisk；creditrating；realestate1引言2007年爆发的美国次贷危机不仅影响到美国经济，而且在一定程度上也影响了中国经济的发展．国际货币基金会组织(IMF)在2008年5月9日发布的《全球金融稳定报告》中指出，美国次贷危机在全球范围内造成的金融动荡将带来高达近万亿美元的损失，并正在从次贷领域向优质房屋按揭、消费信贷、公司信贷等领域蔓延【l】．次贷危机带给我国房地产金融很多启示，也为其发展敲响了警钟．邹锦吉【2】指出，近两年随着房价上涨，中国抵押贷款大量发放，风险问题逐渐暴露．以上海为例，在2004年一2006年，上海中资银行个人住房不良贷款率在两年多的时间上升了7倍，而商业性房贷逾期违约率更是上升了10倍．出现这些问题主要是因为我国缺乏风险管理意识，以及风险管理工具和技术相比落后所造成的．董琪[3】也指出，次级债危机为我国商业银行风险管理敲响了警钟，它打破了国内房地产市场中认为“住房按揭贷款是优质资产”的神话．在房地产市场价格持续上涨时，过高的房价会把这类缺乏信用的住房按揭贷款的潜在风险掩盖起来，而一旦房地产市场价格出现逆转，其潜在风险必会暴露出来，因此我国同样也面临着类似美国次级债券危机的风险．王亚楠[4】则从信用衍生品的角度阐释了次贷危机给我国的启示，他认为我国开展信用衍生品业务时必须注意以下几条：1．加强CDO这些信用衍生品的信息披露；2．监管者和金融机构要谨慎}平估风险到底分散了还是集中了；3．及时阻止不合理的产品设计和制度缺陷．许海[51、陈超惠【引、林振武【7】等人也分别对我国信贷制度上的不足提出了针对性的风险防范措施．收稿日期：2008-11—25资助项目：香港研究资助局和国家自然科学基金委员会联合资助(N．CityUll0／07)可以说，我国房地产信用风险的系统研究势在必行同时极其紧迫．评级机构Moody[s】在08年将我国房地产市场评级展望定为负面，原因在于它认为我国信用紧缩的状况在未来12—18个月仍将持续．信用紧缩的问题不但会严重地影响到房地产企业的财务状况，更会加剧我国房地产市场价格的大幅跳水从而影响到国民经济的稳定发展．邱磊【9】也从我国房地产市场的现状分析了房地产信用风险研究的重要性，认为我国房地产融资渠道非常单一，其发展离不开金融系统，尤其是商业银行的信贷支持；在我国目前的房地产市场资金链中，银行信贷贯穿于土地储备、交易、房地产开发和房地产销售的整个过程；通过住房消费贷款、房地产开发贷款、建筑企业流动资金贷款和土地储备贷款等各种信贷方式，商业银行直接或间接地承受了房地产市场运行中各个环节的市场风险和信用风险．而由于房地产业的高风险高回报，以及房地产的不可移动性决定了它是优质抵押品的特性，所以无论是房地产开发贷款或者是抵押按揭贷款都促使房地产信贷风险向银行迅速集中．郑冲【lo】和毛文柯【11】也分别从商业银行信贷集中程度上和房地产中介发展现状上阐述了我国开展信用风险研究的重要性．本文首先对房地产信用风险进行了界定，接下来对信用风险的识别、评价、管理与监控进行了详细的综述与分析．然后，对我国房地产信用风险管理的应用实践进行了回顾与思考，并且提出一些值得关注的研究方向与问题．2房地产信用风险的界定及其研究范围Duffle和Singleton[13】认为信用风险是关系到信用质量下的非期望改变的风险变化值；我国学者易远宏【14】认为，房地产信用风险是房地产开发商(借款人)不能按时还清贷款的可能性；陆燕宏【15】将房地产信用风险归为3大类：被迫违约、理性违约和提前还款．总结以上学者的观点，我们可以将房地产信用风险定义为：由于房地产开发商的非期望改变而导致的房地产贷款信用的变化．在研究房地产信用风险时，不但要重点研究被迫违约风险，更要全面系统地研究三类风险对房地产市场的综合影响．房地产信用风险是信用风险的一个子类．所以，深入了解信用风险的研究流程和方法论有利于具体研究房地产信用风险．Syrus[16】认为最优风险管理的过程分为四个阶段．在第一阶段中，需要定义风险．在风险识别后，确定需要优先考虑的风险因子．在第二阶段中，需要收集风险的数据，将其编制成指数或者将其分类，’并且判断减少风险的操作是否有用．在第三阶段，根据上阶段的假定进行仿真测试．最后，在第四阶段，进行实际风险决策，并且总结整个过程的不足以计划一套新的风险识别方法．Doloitte会计事务所[17】也设计了一套类似的综合风险管理流程．上述两种流程的思想基本类似，都是从风险识别、风险评估、风险管理、风险监控的顺序逐步进行研究．本文对房地产信用风险的综述研究也基本遵循这一主线．3风险识别Bisset[18】认为信用风险识别主要分为违约风险和信用退化；郭刚【19】定义房地产风险识别指对在房地产投资过程中存在的风险进行认识与辨析，并对其进行系统的归类分析，以揭示风险本质的过程．其中包含两个阶段，一是感知风险，即识别出客观存在的风险事件；二是分析风险，即分析引起风险事件的各种风险因素．李志辉【20]认为信用风险识别模型研究还可称为企业财务困境研究，从银行角度分析叫做对信用风险识别，从企业角度分析则叫做企业财务困境分析．本文主要从银行角度，介绍房地产信用风险识别的主客观模型．风险识别的主观模型主要包括奥斯提出的头脑风暴法【21]，兰德公司提出的Delphi法[22】，以及Wark提出的情景分析法【23】等．头脑风暴法一般在一个专家小组内进行，以“宏观智能结构”为基础，通过专家会议，诱发专家们产生“思维共振”，以达到互相补充并产生“组合效应”，获取更多的未来信息，使识别的结果更为准确．德尔菲方法进行风险识别的过程是由风险小组选定相关领域的专家，并与这些适当数量的专家建立直接的函询联系，通过函询收集专家意见，然后加以综合整理，再匿名反馈给各位专家，再次征询意见，如此反复四至五次，逐步使专家的意见趋向一致，作为最后识别的根据．而情景分析法主要帮助决策者注意到某种措施或政策可能引起的风险或危机，建议他们需要进行监视的风险范围．上述三种主观模型因为简单易操作，已经被广泛应用于各大机构、公司的项目风险识别中．然而，主管模型大都存在着易受主观因素干扰，过分夸大或者缩小风险范围与程度的特点．鉴于此点，各种客观模型相应产生．早期的模型主要以线性判别模型为主，线性判别模型又以Beaver[24】的单变量模型和Altman[2s]的多元模型影响最为广泛．后来，Ohlson[26】和Zavgren等【27】尝试构造Logit预警模型，该模型实际应用最多，并且精度高于线性判别模型．近年来，随着神经网络技术的飞速发展，并且由于神经网络能够很好地解决传统分类方法不能解决的信用风险与财务指标之间关系非线性、财务指标呈厚尾分布等问题，目前已经成为一个研究的热点方向，例如王春峰f28】将神经网络技术用于信用风险的研究．上述三种客观识别模型各有特点．线性判别方法[29】的基本思想是投影，通过在平面内找一个Y轴，使各组观测值的投影尽可能分开，检验中使用的阈值根据“完全对称分类原则”确定．Logit模型实际上是普通多元线性回归模型的推广，解决了线性判别模型阈值无法从直觉上解释的问题，模型采用极大似然估计法进行参数估计，不要求样本数据呈正态分布，这与现实中企业财务指标的真实情况相吻合．BP神经网络…是一种单向传播的多层前向网络，输入和输出层之间可以有一个或多个隐含层，信号是向前传递的且每层节点的输出只影响下一层节点的输入，由于其良好的逼近非线性函数的映射能力和并行处理等特点，在解决分类问题时得到广泛青睐．在经济解释上，判别模型和Logit模型都有一定经济解释力度，而神经网络是一种“黑箱”技术，因此欠缺经济解释．在模型精度上，神经网络远远高于另外两种模型，Logit模型稍微优于线性判别模型．在风险预测能力上，Logit模型最为优异，而神经网络则易出现概率上的第一类错误．在模型稳定性上，Logit模型更胜线性判别模型，而神经网络模型最弱．4风险评估风险评估是风险管理流程中最重要环节之一．接下来先介绍一些在商业上应用最广的评估方法，再回顾经典的风险评估模型，最后探讨近期有关风险评估的研究热点和难点问题．4．1商业模型目前国际上商业应用最多的几种评估模型【31】包括JP．Morgan．银行开发的CreditMetrics、CSPF的CreditRisk+、KMV公司的KMV模型以及麦肯锡公司的CreditPortfolioView法等．其中CreditMetrics的影响最大，它是基于信用等级迁移模型的方法，具有动态评估的优点．上述四类模型各有特点，出发点也不相同．CreditMetrics和KMV模型是两种结构性模型，相比CreditMetrics而言，KMV不是利用信用评级的统计数据来确定违约概率，而是利用违约距离来确定公司的违约概率，所以包含了更多的市场信息，对于违约概率的预测也更加准确；而CreditRisk+则是一种违约精算方法，它的优点是需要数据少．Gordy[32】比较了CreditRisk+和CreditMetrics两种方法，发现它们的基本数学结构有很大联系，但由于采用了不同的条件、假设、参数，所以实际功能有所不同．Crouhy[33]也用类似方法比较了这四类模型，表1给出了4类模型的特点比较．表1四大商业