软信息、关系借贷与信贷违约风险度量.docVIP

软信息、关系借贷与信贷违约风险度量 　　内容摘要：本文基于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