【商业银行房地产信贷风险影响因素的实证分析8500字】

商业银行房地产信贷风险影响因素的实证分析 1 1 2 3 3 4 风险已变得十分重要，而信用风险基本上可以看成是房地产企业贷款的违约风分为正常组企业。之所以这样划分是因为“ST”企业是上市公司特别处理的简写，我国两个交易所共同规定，上市公司出现财务状况(连续两年亏损)或其他数据判断企业财务状况是否正常。通过综合前人的研究以及对“ST”具体标准的仔细分析，本文认为将“ST”作为划为正常与非正常组的标准的方法基本可本文选取了在A股上市的房地产公司和非上市中小型房地产企业作为研究样本来进行模型的回归分析，限于ST类型的上市公司较少，便选取了103家房地产上市公司和200家非上市中小型房地产企业的2014-2019年度的财务数据作为随机样本进行分析，上市企业数据从wind数据库取得，非上市中小型房地产(1)选取的公司经营管理趋于稳定，且近几年没有发生严重事故。(2)剔除数据严重缺失的公司。因此，本文最终选取了103家上市房地产公司和非上市中小型房地产企业200家的19个财务指标构建模型，考虑到上市企业和非上市企业的企业性质不同，相关的财务指标不同，最终确定的19个指1.2变量选取本文在查阅国内外商业银行房地产企业信贷风险实证研究中普遍采用的财影响商业银行房地产信贷风险的定量指标选定了以下19个财务指标，反映每家等，然后通过运用SPSS软件进行因子分析和主成分分析，筛选出用作解释变量表所示如表4-1所示：指标名称赋值及计算公式Y企业信贷总额净资产收益率净利润/平均净资产资产报酬率息税前利润/平均资产总额资产净利率投入资本回报率息前税后经营利润/投入资本销售净利率流动比率速动比率产权比率负债总额/股东权益股东权益负债比息税前股东权益负债比息税前股东权益/负债经营现金负债比现金流动负债比经营净现金流量/流动负债净资产增长率股东权益周转率销售现金比率总资产现金回收率经营现金净额/平均总资产资产负债率负债总额/资产总额股东权益资本比资产总额/股东权益总额1.3数据处理及主成分分析受多个因素影响，wind数据库以及商业银行收集的数据并不完整，部分房(1)相关性分析表4-2相关性分析表4-2相关性分析(续表)变量38627173414321222115511510123456789从上表中可以看到各个指标间均有一定的相关性，并且有的相关性很高，如0.881,都十分高，说明这几个财务指标之间有共同的、潜在的信息，可以提取一般来说，累积贡献率要达到80%,特征值要大于1。因此，在本文的实证分析当KMO指标大于0.6时，我们认为可以进行主成分分析，而当该指标小于0.5传达的信息。Bartlett球形检验是衡量各指标之间的相关性是否显著以及相关矩检验结果如表4-3所示：取样足够多的Kaiser-Meyer-Olkin度量从上表中我们可以看到KMO的值是0.731,大于衡量的标准值0.6,说明原成分分析法获得主成分。与此同时Bartlett的球形检验的Sig值为0.000,小于衡量的标准值0.01,因此否定了原假设，意味着本文的指标数据完全符合主成分分(3)主成分的提取在主成分分析中我们主要通过观察特征值和累计贡献率的大小来决定主成分的数量。特征值代表的是主成分影响力的强弱，若主成分的特征值小于1,意味着该主成分的代表性还没有原始数据代表性强，所以特征值一般要求大于1。累计贡献率超过80%时，我们就可以认为合成的主成分能够充分代表样本数据的成分的提取，结果如表4-4:成份提取平方和载入旋转平方和载入合计累积%合计累积%合计累积%123456789从上表可以看到，各指标的初始特征值最大的为5.26,然后依次从大到小排列其中特征值大于1的最后一个为1.003,总共有6个主成分的特征值大于1,而上表的第三列“累计%”是各因子方差的累计百分比，也就是前文所述的累计贡献率，前6个主成分的累计贡献率达到了81.213%,它们总共包含了原始数据的81.213%的信息，能够很好的代替原始数据。因此，为了使得建立的模型直观明了，本文采用6个主成分来代替原有的19个财务指标，这样的模型更清晰简(4)确定因子载荷矩阵通过上文的论述，我们已经得到了我们需要的代表原始数据大部分信息的6个主成分，接下来我们就应该找出这6个主成分中每一个主成分都包括哪些财务指标，这就要使用SPSS进行因子载荷矩阵的分析。因子载荷矩阵分为旋转前的主成分对应某个财务指标的数值高于0.6且数值越高就越说明该主成分越能反映始成分矩阵如表4-5所示：123456X₁=-0.458F₁+0.621F₂-0.324F₃+0.289F₅+0.162F₅-0X₂=0.043F₁+0.810F₂-0.453F₃-0.151F₅-0.434F₅-0X3=0.158F1+0.612F₂-0.489F₃-0.091F₄-0.401F₅-0..成分123456a,旋转在6次迭代后收敛。X14(股东权益周转率)、X19(权益乘数)上有较大载荷，说明这5个指标之动比率)、X9(股东权益负债率)、X17(资产负债率)上FX1(净资产收益率)、X8(产权比率)、X13(净资产增长率)、X14(股东权益周转率)、X19(权益乘数)X6(流动比率)、X7(速动比率)、X9(股东权益负债率)、X17(资产负债率)X11(经营现金负债比)、X12(现金流动负债比)、X16(总资产现金回收率)X2(资产报酬率)、X3(资产净利率)、X4(投入资本回报率)X5(销售净利率)、X15(销售现金比率)X10(税前股东权益负债比)式其实就是其特征向量解与集合X的乘积，即19个指标所对应的特征向量值与原始数据的标准化值的乘积就是其相对应的主成分F值，这里需要注意X是经0根据上表可以得到6个主成分的表达式.上式是主成分的表达式，各自变量的系数是6个主成分各指标对应的特征向量值，X—X是经过标准变换后的指标变量。由以上主成分的表达式，可以求出F值。(1)整体样本房地产企业回归分析固定效应随机效应常数F注释：左右括号内的数字分别为t统计量，*、**、***分别代表在10%,5%,对模型选择进行验证，运用hausman检验判定选择固定效应模型还是随机效应表4-10整体样本房地产企业面板模型检验结果结论随机效应由于P值为0.4211,不能拒绝原假设，采用随机效应模型对变量进行面板回Y=-0.7092F₁-0.5123F₂-0.6912F₃+0.5892F₄-0.5316F₅+0.3624F₆-(F检验)通过，表明模型中的解释变量对被解释变量的解释程度较(2)大型房地产企业的回归分析表4-11大型房地产企业面板回归结果固定效应随机效应-0.0120常数对模型选择进行验证，运用hausman检验判定选择固定效应模型还是随机效应结论随机效应由于P值为0.3998,不能拒绝原假设，采用随机效应模型对变量进行面板Y=-1.1265F₁-0.6357F₂-0.8640F₃+0.7365F₄-0.6645F₅+0.4530F₆-商业银行大型房地产信贷风险的变化中88.40%的部分可以由模型来说明。此外(3)中小型房地产企业的回归分析固定效应随机效应常数F对模型选择进行验证，运用hausman检验判定选择固定效应模型还是随机效应结论随机效应归。回归结果为:Y=-0.8449F₁-0.4781F₂-0.6480F₃+0.5524F₄-0.4984F₅+0.3398F₆-回归分析的结果显示:第一、二、三、五主成分与房地产企业的信贷额成反动关系,其中第二主成分的系数最大,表示着它对房地产信贷额的影响最显著,第五主成分对房地产信贷信贷额次之,而第一、三主成分对房地产信贷信贷额的影响相对较小,第四、六主成分与房地产企业的信贷信贷额成正向变动关系。第二主成分,即企业的偿债能力指标(流动比率、速动比率、股东权益负债比、资产负债率)与房地产企业的违约概率成负向变动关系,表示企业的偿债能力越强,企业的信贷额越低,企业的偿债能力弱,发生信贷违约的概率就大,这是符合经中小型房地产企业面板回归结果显示因子F1的回归系数-0.8449,并显著 的回归系数-0.4781,并显著(P=0.000<0.01),大型房地产回归系数大于中小型果显示因子F6的回归系数0.3398,并显著(P=0.0056<0.01),大型房地产回归但本文在研究过程中却发现一个漏洞,部分财务指标不符合经济学意义,如资产报酬率、资产净利率等,从经济学的角度来看,其与企业的信贷额应该是负相关关系的,即盈利能力越强,信贷额越低,反之就越高。而本文某些财务指标的预测结果却与经济学的解释矛盾,根据学者陆建桥(1999对国内亏损上市公司的实证研究,他的研究结果发现对于那些连续两年亏损的上市公司,为了避免被ST处理,这些公司通常采用各种合法的或者非法的手段来包装自己,比如采用债务重组、关联性交易等