摘要近来中国的房地产市场“高烧不退”,近期国家推出了一系列为房地产市场降温的消息。高房价下到底隐藏着哪些风险?本文通过还款能力风险和还款意愿风险两方面对商业银行面临的风险进行分析,并通过决策树技术对某商业银行房贷客户的样本数据进行分析,得出影响客户违约情况的因素,并提出防范措施。
关键词:风险管理:房地产:住房贷款:决策树 一、背景近年来,个人住房贷款在房地产市场快速发展的带动下获得了迅猛发展,个人住房贷款在银行资产中的比例迅速上升,政府也出台了一系列措施抑制房价的过快增长。然而,越来越高的房价仍让很多人望尘莫及,同时也将很多风险隐藏起来。但是,美国次贷危机的经验已经告诉我们,要有危机意识,尤其是在大量的风险都已被疯长的房价遮挡的时候,风险管理更要重视。
房地产业是我国国民经济的重要支柱产业之一,中国房地产市场发展对经济增长贡献的重要作用是不容忽视的。2009年我国GDP增长率为8.7%,房地产对2009年GDP的贡献率超过了13%;房地产业又是资金密集型产业,与金融体系关系密切,甚至过度依赖银行贷款。
与企业贷款、个人消费贷款等其他贷款相比,个人住房贷款呈现以下特点:
1.贷款人数众多,人均贷款金额较企业贷款小。据估计,在所有的买房人中,80%的买房人都需要借助银行按揭,而个人住房贷款的金额一般在在20万到100万之间,但伴随着房地产的不断升温,总的金额积累越来越多,已经成为很多银行扩大规模的重要手段。但由于贷款者过于分散,增大了银行管理的难度。
2.贷款期限较长。个人住房贷款一般为中长期贷款,期限在10年到30年之间,比一般的企业贷款期限要长的多。资金的长期占用性大大增加了银行的资金压力,降低了银行资产的流动性。
3.投资性。由于房地产的保值增值性,不少投资者把从银行贷款买房当成一种投资手段,集体涌入房地产市场,助推房价上涨。高涨的房价可以将房贷的风险暂时隐藏起来,同时吸引更多的投资者,这也是为什么房价一直居高不下的原因之一。 二、国内外发展动态美国的住房抵押贷款市场发展较为成熟,其风险管理的最有特色之处在于风险转移机制(包括住房抵押贷款证券化和保险机制)、个人信贷评估和风险计量等[1]。但是2008年由美国次贷危机引发的全球金融危机充分暴露了美国住房抵押贷款市场的过度证券化带来的危害。适度的证券化可以加速资金的流动性,分散风险;过度的次级抵押贷款证券化则会把风险传播到整个金融体系。
我国的个人住房贷款起步较晚,2000年之后才开始真正发展,但其发展速度却是惊人的。截至2008年底,个人按揭贷款为3573亿元,较1997年底增长150倍,到2009年底,这一数字更是达到了8403亿元,个人住房贷款占个人消费贷款的比重高达75%-97%。
但是目前我国个人征信系统的发展还不完善,尚未形成一个完整的个人信用风险管理体系,基本上都是依靠专家对借款者目前的经济状况和还款能力作一分析,直接做出决定。征信系统的内容太过简单,只包括客户与银行打交道的情况,其他如税务,保险,商业交易等方面的信息均未涉及,因此,征信系统只能作为个人信用状况评估时的一个参考。
风险计量方面,国外一些学者有过一些研究,较为普遍的有信用矩阵模型(Credit Metrics)和KMV模型等。Jung(1962)利用金融机构原始资料分析得知,贷款价值比(Loan-to-value ratio)和个人住房抵押贷款利率与违约风险之间存在正相关关系,即个人住房抵押贷款利率越高,违约风险就越大,贷款价值比越高,违约风险也越大。而Santos Silva(2000)利用借款人的特征变量,认为贷款月供还款额占家庭月收入的比例越高,借款人发生违约的可能性越大。
在国内,王福林[2](2004)通过因子分析和判别分析得出了房产投资特性、区域经济和住房面积对个人住房抵押贷款违约风险影响最大的结论。 三、个人住房贷款风险识别本文所指的个人住房贷款风险主要是指借款人违约的风险,即因购房者不能按时归还贷款本金和利息而给银行造成损失的风险。国外多数学者认为个人住房贷款违约风险影响因素有:借款人特征维度,贷款特征维度,房产特征维度和地域经济维度等。其中,贷款价值比、月还款额占家庭收入的比例、贷款利率、离婚率、失业率等变量与违约风险成正相关关系,而房价指数、家庭收入等变量与违约风险呈负相关关系[3]。
在参考国内外诸多研究的基础上,本文认为,在个人住房贷款市场上,借款人的风险主要来源于还款能力风险和还款意愿风险。 文章将从这两方面分析借款人的违约风险。 (一)、还款能力风险还款能力风险导致的结果即是“被迫违约”。在一定的宏观环境背景下,商业银行在发放贷款前,通常会对借款人还款能力进行一系列的审查,通过对借款人的年龄,学历,收入,工作状况等借款人个人特征的审查,结合借款人所购房屋的特征,如面积,单价,总价,首付比例等,判断借款人的还款能力,给与借款人一定的贷款额度。本文通过SPSS13.0统计软件的决策树技术,对某商业银行陕西省分行一段时间的34624名个人住房贷款客户分析,得到客户各方面因素对其还款能力的影响。
由于本文的数据样本来源是西安地区某段时间的贷款客户,所以不考虑地域及时间的影响,即假设宏观环境未发生重大变化。样本数据的属性如表1所示:
表1 样本数据属性特征 影响因素 具体指标 借款人特征维度
贷款特征维度 性别,年龄,婚姻状况,个人年收入,最高学历,工作单位,职业类型
贷款期限,还款方式,担保方式,贷款余额,违约月数,累计逾期期数 另外,由于条件限制,未收集到客户所购买房屋的信息,如面积,单价,总价及月供占比。通过对缺失数据和无效数据的筛选,最终我们得到有效样本34624个。其中,违约样本6345个,占总数的18.3%,正常样本23279个,占总数的81.7%。
由于决策树分类要求数据服从正态分布,而通过对数据的预处理,我们发现个人年收入,贷款余额两个变量和其他变量在数量级上有很大差异(过大的差异可能使其他变量的影响被忽略,使分类结果产生严重偏差),且不服从正态分布。所以先对这两个变量取自然对数,得到LN个人年收入,LN合同贷款余额,其P-P图如图1,图2所示,可以认为近似服从正态分布。经过这样的处理后,同时满足了数量级一致和正态性的要求。
图1 LN个人年收入P-P图 图2合同贷款余额P-P图
根据处理后的样本数据,使用SPSS13.0的CART分类方法进行分析。树的最大深度设为4,父子节点的最小样本数分别设为400,200,验证方法为交叉验证(K=10)。经过多次试验,我们得到的最优树如图3。分类回归树重替代估计量与交叉验证估计量分别为0.176与0.177,两者相差不多,而且它们的标准误差均为0.002,非常小,说明分类树的效果非常好。