经济核心期刊论文发表基于关系借贷的软信息在违约风险模型

来源：核心期刊咨询网核心期刊论文2014-09-29 17:291

摘要：摘要：此论文主要基于2002-2010年沪深A股市场房地产上市公司银行贷款数据，从关系借贷的角度间接度量并检验软信息在违约风险模型中的作用。实证结果表明，银企关系包含了财务数据等硬信息以外有关公司违约的重要信息，与仅采用硬信息的模型相比，同时包含硬

　　摘要：此论文主要基于2002-2010年沪深A股市场房地产上市公司银行贷款数据，从关系借贷的角度间接度量并检验软信息在违约风险模型中的作用。实证结果表明，银企关系包含了财务数据等硬信息以外有关公司违约的重要信息，与仅采用硬信息的模型相比，同时包含硬信息和软信息的模型能够提高违约风险度量的准确性。文章为软信息和关系借贷理论在公司违约研究领域的应用提供了经验证据，对于优化违约风险度量模型具有较强的启示意义。

　　关键词：软信息 关系借贷 违约风险 房地产公司

　　近年来，我国房地产业进入复杂的调整阶段，行业发展面临诸多不确定性。一方面，房地产公司的经营风险陡然增大;另一方面，银行信贷对房地产开发的支持力度持续减弱。央行货币政策执行报告显示，房地产开发资金来源国内贷款占比从2009年的19.8%下降到2012年的15.3%。在业绩低迷和融资受限的双重约束下，房地产行业资金链日趋紧张，公司违约风险对银行信贷质量造成了实质性影响。根据银监会年报，2011年房地产开发不良贷款余额353.2亿元，占全部不良贷款的8.3%，不良率为0.97%，无论是绝对额还是不良率在各行业中都处于较高水平。在这一背景下，准确度量我国房地产公司信贷违约风险显得尤为重要。目前，国内外文献多采用财务数据等硬信息度量违约风险，而相对忽略了软信息的作用。本文在以往研究的基础上，深入分析软信息在度量信贷违约风险中的重要作用，进一步完善了公司违约风险度量模型。

　　文献回顾

　　根据可传递性的不同，金融市场上存在两类信息，Stein(2002)将其分别定义为“硬”信息(Hard Information)和“软”信息(Soft Information)。其中，硬信息是指可以被直接证实的信息，如公司财务信息，这类信息通常可以量化并记录在纸面或电子文档中，能够准确无误地在市场上传递;软信息则是指除了信息供给者以外无法直接被其他市场参与者证实的信息，如借款公司管理者的品质或能力等，这类信息难以量化和传递，具有不可保证性，只能在有限范围内被熟悉的市场参与者了解和掌握。软信息的获取依赖于融资双方之间长期、密切的接触，而财务报表等标准化方法在这方面通常无能为力。与软信息密切相关的一个概念是关系借贷(Relationship Lending)。Masahiko Aoki和Dinc(1997)认为，银行关于特定借款人的软信息属于专有知识，能够避免其他银行的“搭便车行为”，因此关系借贷作为一种融资制度，能够激励银行通过生产软信息来获取垄断租金或信息租金。Boot(2000)指出，关系借贷是银行为获取借款公司软信息，并通过长期交易不断评估这类信息实际价值而进行的一种投资行为。

　　软信息和关系借贷理论在银企间信贷交易领域得到了广泛应用，但多数文献聚焦于中小企业融资问题(Chang等，2010)，对公司违约的研究较为有限。在少数相关文献中，Grunert等(2005)针对德国公司的研究表明，相对于财务因素或者银行内部信用评级中反映的非财务因素，两者的组合能够更加准确地预测公司违约。Chang等(2010)对我国某国有商业银行借贷数据进行实证检验，结果显示借贷关系中包含的软信息能够显著改善违约预测结果，软信息相对硬信息的重要性取决于借贷关系的深度以及硬信息的可靠程度。目前，国内公司违约研究多基于财务数据等硬信息，而相对忽略了软信息的作用。本文基于我国房地产上市公司银行贷款数据，通过设计一种实证研究方法来检验软信息在度量公司信贷违约风险中的作用。

　　研究设计

　　(一)研究方法与模型设定

　　本文在借鉴Kau等(2012)基础上，设计如下实证检验方法：假设银企关系R由硬信息H和软信息S决定，对于一个同时包含硬信息H和银企关系R的违约风险度量模型，如果银企关系R的回归系数是显著的，则说明银企关系R能够提供硬信息H以外的有效信息，即软信息S;如果银企关系R完全由硬信息H决定，则银企关系R的回归系数应该是不显著的，因为银企关系R反映的所有信息已经全部包含在硬信息H中。本文采用Logit模型建立公司违约模型，令P表示贷款发生违约的概率，则模型的基本形式可以表示为：

　　(1)

　　在Logit模型中，解释变量是二分变量，即贷款违约和非违约，用yi表示贷款状态，如果公司发生违约，取值为1;如果按期偿还贷款，则取值为0。Xi是第i笔贷款的协变量向量，包括所有影响该笔贷款违约风险的因素。为了检验软信息对模型风险度量准确性的影响，本文同时设计了两个模型，分别称为模型(I)和模型(II)，其中模型(I)采用财务变量等硬信息，而模型(II)在财务变量基础上进一步加入银企关系变量。

　　(二)数据来源与样本处理

　　本文根据中国证监会行业分类标准，在沪深A股市场筛选房地产上市公司。在此基础上，手工翻阅公司公告，得到522笔贷款，贷款期限为2002-2010年，其中违约33笔，占比6.32%。样本包括82家公司，平均每家公司记录贷款6.37笔，平均贷款期限2.11年，违约贷款涉及11家企业，占全部样本的13.4%。本文定义的信贷违约是指未能按期偿还本金或到期时未能获得银行同意达成贷款展期、延期、续期或勾销，属于狭义定义，与是否违反贷款合同的其它条款无关。相关财务数据取自RESSET数据库。

　　(三)变量选取

　　1.银企关系变量。考虑到数据可得性，本文从以下三个方面选取变量：银企关系的持续时间(Duration)。关系借贷离不开银企间的长期交易，保持长期关系有利于双方增进信任，从而为软信息的有效传递奠定基础。由于在公开市场上很难直接获得该变量，本文借鉴隋毅(2012)的做法，采用样本公司成立时间作为银行关系持续时间的替代变量;银企关系的多样性(Multiplexity)。采用银行或银行控股的其他金融机构是否是房地产公司前十大股东作为银企间多样性关系的表征变量，如果是取值为1，反之取值为0。银行与借款公司之间同时存在债权和股权关系，将更加有利于双方之间的信息交流;企业的政府背景(Background)。如果公司具有较强的政府背景，则往往意味着该公司能够更方便地获取和调动所需的政治或政策资源，这对于银行而言无疑是一种好的软信息(殷孟波，2012)。在银行看来，政府的支持表明了政府在项目中的隐性担保，即便项目最终失败，政府也会进行救助。因此，本文采用上市公司的国有股比例来反映企业的政府背景。

　　2.财务变量。本文在总结一般财务分析方法和国内外相关实证研究基础上，首先从盈利能力、偿债能力、成长能力、营运能力和资本结构等方面选取24个备选变量，然后采用统计检验方法进行筛选。统计检验包括两个步骤，先采用Wilcoxon秩和检验方法来计算特定财务比率在违约样本和非违约样本之间差异的显著性水平，得到初选结果后测算各变量之间的相关系数，最终得到10个财务变量进入模型，包括：净资产收益率X1，由净利润除以股东权益得到;销售净利率X2，由净利润除以营业收入得到;利息保障倍数X3，由息税前利润除以利息费用得到;营业收入增长率X4，由本期营业收入除以去年同期营业收入后减1得到;净利润增长率X5，由本期净利润除以去年同期净利润后减1得到;净资产增长率X6，由本期净资产除以去年同期净资产后减1得到;应收账款周转率X7，由主营业务收入除以应收账款得到;总资产周转率X8，由主营业务收入除以资产总额得到;资产负债率X9，由负债总额除以资产总额得到;固定资产比率X10，由固定资产净额除以资产总额得到。为了克服离群值影响，对前述变量进行头尾各1%的Winsorized缩尾处理。

　　在数据处理方面，银企关系变量和公司财务变量均调整为季度数据，本文采用贷款合同约定到期日之前一个季度的数据进入模型。