论文部分内容阅读
摘要:文章运用了Logistic模型对商业银行政府融资平台类公司信贷风险进行了实证研究,研究显示,偿债率、债务-收入比、区域、公司盈利模式、担保方式和净资产收益率对政府融资平台公司信贷风险影响显著,并基于实证研究提出了商业银行政府融资平台公司信贷风险控制的建议。
关键词:政府融资平台;信贷风险;Logistic模型
一、引言
2008年末以来,随着国家保增长、扩内需政策的贯彻落实,商业银行贷款加速增长。截至2009年12月末,全国金融机构本外币各项贷款余额合计为42.56万亿元,较2008年末新增10.55万亿元,增长率为32.98%。据业内人士统计,自2008年末以来激增的天量银行贷款(剔除票据)中,有大半投向了基础设施行业,大量银行资金集中涌向各级地方政府的融资平台。一时之间,政府融资平台贷款成为备受关注的热点话题。
据财政部科学研究所所长贾康的估算,截至2009年底我国地方投融资平台负债超过6万亿元,其中地方债务总余额在4万亿元以上,约相当于GDP的16.5%,财政收入的80.2%,地方财政收入的174.6%,且地方负债80%都是通过银行信贷获得的资金。随着政府融资平台的数量和融资规模呈现飞速发展的趋势,越来越多的专家质疑,由于地方政府投融资平台责任主体不清晰,操作程序不规范,同时,地方政府往往通过多个融资平台从多家银行获得信贷资金,形成多头举债,一旦融资平台的项目投资收益不能覆盖成本,这些“隐性债务”就必然显性化,给地方政府的财政造成巨大压力,甚至最后不得不由中央财政和商业银行买单,这必然对银行业的经营风险形成显著的潜在压力。
为了探讨政府融资平台类贷款究竟存在着哪些风险以及面对这些风险银行应该如何应对与控制,本文通过建立Logistic模型,综合考虑平台公司自身的财务经营状况、政府的偿债能力、偿债意愿以及平台公司所在区域的地方经济发达程度等因素来度量其信贷风险状况,并得出具有实践意义的结论与建议。
二、实证分析
(一)模型构建
采用Logit方法主要原因是解释变量是二分变量,即违约/非违约,所以对二分变量的分析采用非线性函数更符合实际。假设y代表违约与否事件,由于事件发生的条件概率P=(yi=1|xi)与xi之间的非线性关系通常是单调函数,一个自然的选择便是值域在(0,1)之间有着S形状的曲线,这个函数形式通常是Logistic分布。
公司信贷违约发生,其取值为1;公司信贷正常,其取值为0。建立多变量Logistic回归模型,设Y是一个取值为1或0的两分类随机变量,x1,x2…,xm,是可能影响Y的确定变量,通过观测n组观测值(xi1,xi2,…,xim,Yi)(i=1,2,…,n),则结果变量与影响自变量的对数模型为:
其中:p表示“Y=1”发生的概率,(1-p)表示“Y=0”发生的概率;模型中参数a是常数项,表示自变量取值全为0时,βi参数为待估计系数,εi表示随机误差项,p表示“Y=1”发生的概率,(1-p)表示“Y=0”发生的概率。公式变形得出发生违约的概率如下:
通过Logit模型计算出公司的违约概率大于或等于0.5,则将公司判定为高风险企业,否则判定为低风险企业。
(二)样本来源及变量定义
本文数据来源湖南省某国有商业银行在湖南省范围内的政府融资平台类公司信贷资料,以该行从2000-2009年共授信的50家公司做为研究样本,剔除资料不完整数据,共取得47家公司为有效样本,其中正常样本39个,违约样本8个。
变量的选取上,基于政府融资平台类客户风险因素的分析并结合实际数据的可取得性、因素的可量化性,本文从衡量政府财政能力、区域经济发展状况、行业盈利模式、公司的财务状况及担保措施等四个维度,选取偿债率、债务收入、区域、公司盈利模式、担保方式、发放金额、流动比率、净资产收益率和资产负债率9个变量来度量融资平台贷款的信贷风险状况,变量的定义及其赋值如表1所示。
(三)建立模型及其分析
将原始样本数据进行赋值处理后用SPSS16.0软件进行Logistic全变量模型回归分析,模型的分析结果如表2所示。
采用Wald来进行系数显著性检验,由表2可知,偿债率x1、债务-收入比x2、区域x3、公司盈利模式x4、担保方式x5和净资产收益率x8六个变量在0.05的显著水平下显著,即这六个变量对政府融资平台公司的信贷风险影响显著,具体分析如下。
变量x1的系数为负,即偿债率与违约机率呈负相关。偿债率指标本是用来分析、衡量外债规模和一个国家偿债能力大小的重要指标,后来被逐渐延伸至各级政府,用以反映了各级政府短期的偿债能力。变量x2的系数为负,即债务-收入比与违约机率呈负相关。债务-收入比率指标反映了政府的长期偿债能力。从理论上讲,偿债率越低、债务-收入比越低,表明政府的偿债能力越强,相应的平台公司发生违约的概率应越低。但就湖南省的实际情况和上文的实证分析来看,长沙市的偿债率、债务-收入比指标相较大部分地级市、县的指标值要高,但实际长沙市的财政实力较地级市、县的财政实力更为雄厚。在此可以解释为经济发达的城市,其财政收入高,相应的基础设施建设等城市发展的步伐越快,导致政府债务增高,影响了其偿债能力指标。变量x3的系数为正,即区域与违约机率呈正相关,说明区域赋值越大的,违约的机率越大。因样本量的选取在湖南,所有平台公司均分别在湖南各市县,从整体经济发展情况及当地政府实力综合考虑,长沙作为湖南省会城市,区域经济最为发达,长沙市政府实力在湖南各市县中也最为雄厚;其次便是各二级城市,主要集中在株洲、湘潭、岳阳、永州等地;最后是县级区域,如望城、浏阳等。由上可知,公司所在城市为二级城市和三级城市的,较一级城市更容易发生违约。变量x4的系数为正,即公司盈利模式与违约机率呈正相关,说明公司盈利模式赋值越大的,违约的机率越大。在此,盈利模式分为经营性、准经营性和公益性三类(其具体内涵在上文中已介绍)。盈利模式为公益性(其赋值为3)的公司,容易发生违约。变量x5的系数为正,即担保方式与违约机率呈正相关,说明担保方式赋值越大的,违约的机率越大。担保是对平台公司贷款还款来源的有效保证,通常被视为贷款的第二还款来源。对于平台类公司的贷款,商业银行一般采取的担保方式有土地(房产)抵押、收费权质押、保证担保、财政担保及信用担保。显而易见,其他条件同等的情况下,信用担保的违约概率最大。变量x8的系数为负,即净资产收益率与违约机率呈负相关,说明净资产收益率越高,违约机率越小。净资产收益率高,说明公司盈利能力强,越不容易违约。
根据表3模型参数估计结果构建政府融资平台公司信贷风险评估模型(由于变量x6的系数接近于0,于是在构建模型中将其剔除了)如下:
将经赋值处理后的样本数据带入模型,即可得出其发生违约的概率。通过Logistic回归模型的估计结果,可以对样本公司是否违约进行预测,通过比较预测结果和实际结果的符合程度,可以对模型的预测能力进行评价。模型对因变量贷款类别Y的分类预测结果见表3,可见模型对正常还款的公司分类准确率为97.4%,只将1家正常还款公司判为违约公司,对违约公司的分类准确率为87.5%,只将1家违约公司判为正常还款公司,总的分类准确率达到95.7%,这个结果相对来说是很好的,说明该Logistic回归模型在政府融资平台公司信贷风险上应用的效果理想。
注:临界值为0.5
Logistic回归模型拟合检验的最佳方法是极大似然估计法,从模型的整体拟合情况来看,Nagelkerke R Square为0.798,表示整个模型的拟合优度很好。Hosmer and Lemeshow检验卡方分布统计量的显著水平为0.991>0.05,不显著,表示因变量的实际值与预测值的分布没有显著差异,说明模型拟合较好。
三、结论与建议
(一)基本结论
本文采用47家政府融资平台公司信贷数据,选取偿债率、债务收入、区域、公司盈利模式、担保方式、发放金额、流动比率、净资产收益率和资产负债率9个变量,构建了Logistic回归模型进行分析,结果表明偿债率、债务-收入比、区域、公司盈利模式、担保方式和净资产收益率对政府融资平台公司信贷风险影响显著。模型对正常还款的公司分类准确率为97.4%,,对违约公司的分类准确率为87.5%,总的分类准确率达到95.4%,具有良好的预测性,说明该模型对商业银行政府融资平台公司信贷风险评估具有一定指导意义。
(二)政府融资平台贷款风险控制的建议
第一,面对当前的政策环境及政府融资平台类客户的行业环境,商业银行对政府融资平台的整体授信策略应该坚持商业化和差异化原则,全面客观地分析政府的信用状况及举债能力,合理确定授信总规模,同时坚持有保有压,优化总量内业务结构,支持优质业务的信贷需求,及时退出不符合信贷要求的业务。第二,商业银行应该进一步加强风险控制意识,在贷款审批、贷后管理等各个环节严格把关。另外,商业银行在衡量政府财政实力、平台公司经营能力及贷款项目的运作与盈利方式等各方面评估第一还款来源的同时,必须重视第二还款来源,有效落实担保条件。第三,加强银行间的合作。一方面对地方政府融资平台贷款,要尽可能采用银团贷款方式,从而降低单家银行的贷款额度,避免贷款集中度风险。另一方面各个银行之间应加强沟通和联系,共同防范地方政府融资平台授信和业务风险。
参考文献:
1、巴曙松.地方政府投融资平台的发展及其风险评估[ED/OL].中国金融经济网,2010-03-12.
2、石晓军,肖远文,任若恩.Logistic违约率模型的最优样本配比和分界点研究[J].财经研究,2005(9).
3、王济川,郭志刚.Logistic回归模型——方法与应用[M].高等教育出版社,2001.
4、中国工商银行上海市分行课题组.关于国有商业银行信贷资产风险管理的战略思考[J].金融论坛,2004(7).
5、张文彤.SPSS11统计分析教程[M].希望电子出版社,2002.
(作者单位:中南大学商学院)
关键词:政府融资平台;信贷风险;Logistic模型
一、引言
2008年末以来,随着国家保增长、扩内需政策的贯彻落实,商业银行贷款加速增长。截至2009年12月末,全国金融机构本外币各项贷款余额合计为42.56万亿元,较2008年末新增10.55万亿元,增长率为32.98%。据业内人士统计,自2008年末以来激增的天量银行贷款(剔除票据)中,有大半投向了基础设施行业,大量银行资金集中涌向各级地方政府的融资平台。一时之间,政府融资平台贷款成为备受关注的热点话题。
据财政部科学研究所所长贾康的估算,截至2009年底我国地方投融资平台负债超过6万亿元,其中地方债务总余额在4万亿元以上,约相当于GDP的16.5%,财政收入的80.2%,地方财政收入的174.6%,且地方负债80%都是通过银行信贷获得的资金。随着政府融资平台的数量和融资规模呈现飞速发展的趋势,越来越多的专家质疑,由于地方政府投融资平台责任主体不清晰,操作程序不规范,同时,地方政府往往通过多个融资平台从多家银行获得信贷资金,形成多头举债,一旦融资平台的项目投资收益不能覆盖成本,这些“隐性债务”就必然显性化,给地方政府的财政造成巨大压力,甚至最后不得不由中央财政和商业银行买单,这必然对银行业的经营风险形成显著的潜在压力。
为了探讨政府融资平台类贷款究竟存在着哪些风险以及面对这些风险银行应该如何应对与控制,本文通过建立Logistic模型,综合考虑平台公司自身的财务经营状况、政府的偿债能力、偿债意愿以及平台公司所在区域的地方经济发达程度等因素来度量其信贷风险状况,并得出具有实践意义的结论与建议。
二、实证分析
(一)模型构建
采用Logit方法主要原因是解释变量是二分变量,即违约/非违约,所以对二分变量的分析采用非线性函数更符合实际。假设y代表违约与否事件,由于事件发生的条件概率P=(yi=1|xi)与xi之间的非线性关系通常是单调函数,一个自然的选择便是值域在(0,1)之间有着S形状的曲线,这个函数形式通常是Logistic分布。
公司信贷违约发生,其取值为1;公司信贷正常,其取值为0。建立多变量Logistic回归模型,设Y是一个取值为1或0的两分类随机变量,x1,x2…,xm,是可能影响Y的确定变量,通过观测n组观测值(xi1,xi2,…,xim,Yi)(i=1,2,…,n),则结果变量与影响自变量的对数模型为:
其中:p表示“Y=1”发生的概率,(1-p)表示“Y=0”发生的概率;模型中参数a是常数项,表示自变量取值全为0时,βi参数为待估计系数,εi表示随机误差项,p表示“Y=1”发生的概率,(1-p)表示“Y=0”发生的概率。公式变形得出发生违约的概率如下:
通过Logit模型计算出公司的违约概率大于或等于0.5,则将公司判定为高风险企业,否则判定为低风险企业。
(二)样本来源及变量定义
本文数据来源湖南省某国有商业银行在湖南省范围内的政府融资平台类公司信贷资料,以该行从2000-2009年共授信的50家公司做为研究样本,剔除资料不完整数据,共取得47家公司为有效样本,其中正常样本39个,违约样本8个。
变量的选取上,基于政府融资平台类客户风险因素的分析并结合实际数据的可取得性、因素的可量化性,本文从衡量政府财政能力、区域经济发展状况、行业盈利模式、公司的财务状况及担保措施等四个维度,选取偿债率、债务收入、区域、公司盈利模式、担保方式、发放金额、流动比率、净资产收益率和资产负债率9个变量来度量融资平台贷款的信贷风险状况,变量的定义及其赋值如表1所示。
(三)建立模型及其分析
将原始样本数据进行赋值处理后用SPSS16.0软件进行Logistic全变量模型回归分析,模型的分析结果如表2所示。
采用Wald来进行系数显著性检验,由表2可知,偿债率x1、债务-收入比x2、区域x3、公司盈利模式x4、担保方式x5和净资产收益率x8六个变量在0.05的显著水平下显著,即这六个变量对政府融资平台公司的信贷风险影响显著,具体分析如下。
变量x1的系数为负,即偿债率与违约机率呈负相关。偿债率指标本是用来分析、衡量外债规模和一个国家偿债能力大小的重要指标,后来被逐渐延伸至各级政府,用以反映了各级政府短期的偿债能力。变量x2的系数为负,即债务-收入比与违约机率呈负相关。债务-收入比率指标反映了政府的长期偿债能力。从理论上讲,偿债率越低、债务-收入比越低,表明政府的偿债能力越强,相应的平台公司发生违约的概率应越低。但就湖南省的实际情况和上文的实证分析来看,长沙市的偿债率、债务-收入比指标相较大部分地级市、县的指标值要高,但实际长沙市的财政实力较地级市、县的财政实力更为雄厚。在此可以解释为经济发达的城市,其财政收入高,相应的基础设施建设等城市发展的步伐越快,导致政府债务增高,影响了其偿债能力指标。变量x3的系数为正,即区域与违约机率呈正相关,说明区域赋值越大的,违约的机率越大。因样本量的选取在湖南,所有平台公司均分别在湖南各市县,从整体经济发展情况及当地政府实力综合考虑,长沙作为湖南省会城市,区域经济最为发达,长沙市政府实力在湖南各市县中也最为雄厚;其次便是各二级城市,主要集中在株洲、湘潭、岳阳、永州等地;最后是县级区域,如望城、浏阳等。由上可知,公司所在城市为二级城市和三级城市的,较一级城市更容易发生违约。变量x4的系数为正,即公司盈利模式与违约机率呈正相关,说明公司盈利模式赋值越大的,违约的机率越大。在此,盈利模式分为经营性、准经营性和公益性三类(其具体内涵在上文中已介绍)。盈利模式为公益性(其赋值为3)的公司,容易发生违约。变量x5的系数为正,即担保方式与违约机率呈正相关,说明担保方式赋值越大的,违约的机率越大。担保是对平台公司贷款还款来源的有效保证,通常被视为贷款的第二还款来源。对于平台类公司的贷款,商业银行一般采取的担保方式有土地(房产)抵押、收费权质押、保证担保、财政担保及信用担保。显而易见,其他条件同等的情况下,信用担保的违约概率最大。变量x8的系数为负,即净资产收益率与违约机率呈负相关,说明净资产收益率越高,违约机率越小。净资产收益率高,说明公司盈利能力强,越不容易违约。
根据表3模型参数估计结果构建政府融资平台公司信贷风险评估模型(由于变量x6的系数接近于0,于是在构建模型中将其剔除了)如下:
将经赋值处理后的样本数据带入模型,即可得出其发生违约的概率。通过Logistic回归模型的估计结果,可以对样本公司是否违约进行预测,通过比较预测结果和实际结果的符合程度,可以对模型的预测能力进行评价。模型对因变量贷款类别Y的分类预测结果见表3,可见模型对正常还款的公司分类准确率为97.4%,只将1家正常还款公司判为违约公司,对违约公司的分类准确率为87.5%,只将1家违约公司判为正常还款公司,总的分类准确率达到95.7%,这个结果相对来说是很好的,说明该Logistic回归模型在政府融资平台公司信贷风险上应用的效果理想。
注:临界值为0.5
Logistic回归模型拟合检验的最佳方法是极大似然估计法,从模型的整体拟合情况来看,Nagelkerke R Square为0.798,表示整个模型的拟合优度很好。Hosmer and Lemeshow检验卡方分布统计量的显著水平为0.991>0.05,不显著,表示因变量的实际值与预测值的分布没有显著差异,说明模型拟合较好。
三、结论与建议
(一)基本结论
本文采用47家政府融资平台公司信贷数据,选取偿债率、债务收入、区域、公司盈利模式、担保方式、发放金额、流动比率、净资产收益率和资产负债率9个变量,构建了Logistic回归模型进行分析,结果表明偿债率、债务-收入比、区域、公司盈利模式、担保方式和净资产收益率对政府融资平台公司信贷风险影响显著。模型对正常还款的公司分类准确率为97.4%,,对违约公司的分类准确率为87.5%,总的分类准确率达到95.4%,具有良好的预测性,说明该模型对商业银行政府融资平台公司信贷风险评估具有一定指导意义。
(二)政府融资平台贷款风险控制的建议
第一,面对当前的政策环境及政府融资平台类客户的行业环境,商业银行对政府融资平台的整体授信策略应该坚持商业化和差异化原则,全面客观地分析政府的信用状况及举债能力,合理确定授信总规模,同时坚持有保有压,优化总量内业务结构,支持优质业务的信贷需求,及时退出不符合信贷要求的业务。第二,商业银行应该进一步加强风险控制意识,在贷款审批、贷后管理等各个环节严格把关。另外,商业银行在衡量政府财政实力、平台公司经营能力及贷款项目的运作与盈利方式等各方面评估第一还款来源的同时,必须重视第二还款来源,有效落实担保条件。第三,加强银行间的合作。一方面对地方政府融资平台贷款,要尽可能采用银团贷款方式,从而降低单家银行的贷款额度,避免贷款集中度风险。另一方面各个银行之间应加强沟通和联系,共同防范地方政府融资平台授信和业务风险。
参考文献:
1、巴曙松.地方政府投融资平台的发展及其风险评估[ED/OL].中国金融经济网,2010-03-12.
2、石晓军,肖远文,任若恩.Logistic违约率模型的最优样本配比和分界点研究[J].财经研究,2005(9).
3、王济川,郭志刚.Logistic回归模型——方法与应用[M].高等教育出版社,2001.
4、中国工商银行上海市分行课题组.关于国有商业银行信贷资产风险管理的战略思考[J].金融论坛,2004(7).
5、张文彤.SPSS11统计分析教程[M].希望电子出版社,2002.
(作者单位:中南大学商学院)