石慧，湖北省社會科學(xué)院 農(nóng)村經(jīng)濟(jì)研究所，湖北 武漢430077

一、引言

在計(jì)劃經(jīng)濟(jì)年代存在的福利性行業(yè)中，住房市場是目前為止改革最徹底的行業(yè)，基本上所有的住房都由市場提供①不過還存在一些福利房，比如國家部位的公務(wù)員以及部分高校。。在房地產(chǎn)市場上，大多采用抵押貸款的方式來融資，房產(chǎn)按揭則在抵押的基礎(chǔ)上進(jìn)行二級擔(dān)保，所以相對于其他貸款，個(gè)人的住房貸款被認(rèn)為是安全性較高的信貸業(yè)務(wù)。但是從上世紀(jì)70年代開始，由于勞動力市場不穩(wěn)定性的增加，抵押貸款的違約風(fēng)險(xiǎn)也急劇上升，并且住房貸款本身比較分散，難于管理，處理不當(dāng)反而容易引發(fā)金融震蕩，比如20 世紀(jì)80年代美國的住房抵押公司風(fēng)波、90年代日本的住房金融案件以及2008年美國的次貸危機(jī)都與住房貸款有關(guān)。

近年來，隨著房地產(chǎn)市場改革和經(jīng)濟(jì)的發(fā)展，個(gè)人住房抵押貸款以年均40% ～50%的速度增長［1］739－752，主要的原因在于商業(yè)銀行對該貸款的前景過度樂觀，與傳統(tǒng)的企業(yè)貸款相比，個(gè)人抵押貸款的風(fēng)險(xiǎn)較低;同時(shí)由于起步較晚，其風(fēng)險(xiǎn)還沒有完全暴露也是增長過快的一個(gè)因素。從圖1 可以看出，2010 和2011年各季度新增的購房貸款占新增消費(fèi)貸款的比重都在60%以上，2010年第一季度甚至高達(dá)90% 以上。雖然該比重變化與國家對房產(chǎn)市場的調(diào)控政策有關(guān)，但基本上可以看出個(gè)人住房抵押貸款是消費(fèi)貸款最主要的投向，并以不同的速度一直正向增加。

圖1 2010－2011年各季度購房信貸增量占新增消費(fèi)信貸的比重

隨著個(gè)人抵押貸款的增長，其違約風(fēng)險(xiǎn)也在上升。比如到2002年，四大國有商業(yè)銀行的違約率在1%左右，到2004年，這一比率上升到1．5%，而農(nóng)行的更高，達(dá)到2%;在金融市場較為發(fā)達(dá)的上海，2004年的違約率還只有0．1%，但到2006年則上升到0．86%［2］34－38。抵押貸款違約率上升一般都是跟宏觀經(jīng)濟(jì)形勢相關(guān)，但在目前宏觀經(jīng)濟(jì)形勢較好的情況下，抵押貸款違約率的上升則很可能是源于商業(yè)銀行盲目擴(kuò)張業(yè)務(wù)，沒有詳細(xì)區(qū)分借貸者的風(fēng)險(xiǎn)類型。本文將試圖從微觀的層面區(qū)分人的異質(zhì)性，特別是要區(qū)分非系統(tǒng)性因素如何影響了違約，如婚姻狀況、年齡、教育、工作，等等;同時(shí)我們的樣本也剔除宏觀經(jīng)濟(jì)的因素，特別是我們區(qū)分了解釋違約的兩種理論:權(quán)益理論(equity theory)和能力支付理論(ability－to－pay theory)。

二、理論及文獻(xiàn)回顧

在涉及抵押貸款的違約方面，主要有兩種相對的理論:一是權(quán)益理論，二是能力支付理論，國內(nèi)也把第一種理論所導(dǎo)致的違約稱為主動違約，把第二種導(dǎo)致的違約叫做被動違約［3］678－690［2］34－38。

假定借款人在t時(shí)刻的平衡為Q(t)，則Q(t)=max{V(t)－M(t)，O}，其中V(t)表示的是在t時(shí)刻抵押資產(chǎn)的市場價(jià)值，這里假定為一個(gè)隨機(jī)變量，并且其密度函數(shù)為ft［V(t)］;M(t)為t時(shí)刻未付的抵押貸款數(shù)量，這里如果Q(t)=0 則表示會違約，反之如果Q(t)=V(t)－M(t)，則表示合同繼續(xù)進(jìn)行，因?yàn)榇藭r(shí)不違約的收益更高。這樣我們可以將違約的概率表示成:Pr［D(t)］=Pr［V(t)≤M(t)］，再利用前面定義的密度函數(shù)，可進(jìn)一步寫為:Pr［D］(t)=。如果是住房按揭貸款，并且每期的按揭數(shù)量固定的話，則M(t)=，其中L/V(0)是貸款價(jià)值比，r是合同規(guī)定的利率，T是合同規(guī)定的按揭期數(shù)，則依次會有三個(gè)結(jié)論:?Pr［D(t)］/?［L/V(0)］≥0①，其他證明參考Jackson and Kaserman(1980)。，?Pr［D(t)］/?r≥0 和?Pr［D(t)］/?T≥0，即權(quán)益理論表明，違約的概率隨著貸款價(jià)值比、利率和貸款的期限的增加而增加。

能力支付理論則是從個(gè)人收入的波動性來考慮。假定I(t)表示借款人在t時(shí)刻剔除支出后的凈收入，該凈收入是一個(gè)隨機(jī)變量，密度函數(shù)為gt［I(t)］，定義P為每期固定償還本金和利息的數(shù)量，則可以定義違約的概率為:Pr［D(t)］=Pr［I(t)≤P］，寫成密度函數(shù)為:這樣在固定按揭的情況下，按揭的數(shù)量應(yīng)該為:P=V(0)［L/V(0)］r［1－(1 +r)－T］－1。與權(quán)益理論相對應(yīng)，這里亦有三個(gè)結(jié)論:?Pr［D(t)］/?［L/V(0)］≥0，?Pr［D(t)］/?r≥0 和?Pr［D(t)］/?T≤0。

由此可見兩種理論的主要差異在于貸款期限的影響，權(quán)益理論認(rèn)為期限越長，違約的可能性越大，而能力支付理論則認(rèn)為期限越長，違約的可能性越小。理論上兩者都成立，這一結(jié)論可以在實(shí)證中進(jìn)行檢驗(yàn)。Jackson 和Kaserman［3］678－690利用美國聯(lián)邦住宅委員會(Federal Housing Administration，F(xiàn)HA)1 736個(gè)橫截面的數(shù)據(jù)發(fā)現(xiàn)權(quán)益理論更能解釋違約現(xiàn)象，這一結(jié)論也在 Foster 和 Order［4］351－372［5］273－291、Waller［6］315－333和Spring 等［7］27－46的研究中得到證實(shí);而王福林等［1］739－752的研究發(fā)現(xiàn)在中國呈現(xiàn)相反的情況，貸款期限越長違約可能性越小，不過該系數(shù)并不顯著，劉洪玉和孫冰［8］124－128的研究發(fā)現(xiàn)貸款期限與違約呈現(xiàn)顯著的負(fù)向關(guān)系。這樣，基本的結(jié)論是，中國的抵押貸款違約更多的是因?yàn)橹Ц赌芰Φ南陆?，而不是借款人主動違約。

國內(nèi)關(guān)于抵押貸款的研究很少，主要的原因還是數(shù)據(jù)的可得性的制約，劉萍［9］105－110的分析指出中國目前的住房抵押貸款的特殊性，住房金融過度承擔(dān)了國家財(cái)政分配職能，住房產(chǎn)業(yè)政策的長期目標(biāo)被短期化，政府片面強(qiáng)調(diào)銀行在房地產(chǎn)市場上的積極作用，再加上個(gè)人征信體系的不完善，使得國內(nèi)抵押貸款的違約風(fēng)險(xiǎn)一直上升。同時(shí)這種抵押貸款也不具可信的威脅，一旦借款人發(fā)生違約，政府不會讓銀行收回房產(chǎn)，以免造成社會動蕩［1］739－752;即使房產(chǎn)因?yàn)檫`約而收回，也會因?yàn)榻灰壮杀咎叨锌赡艿貌粌斒В?］105－110。

一般可以把影響違約的因素分為系統(tǒng)性因素和非系統(tǒng)性因素。前者有地域差異、經(jīng)濟(jì)制度等，如黑人和低收入聚居的地方更容易發(fā)生違約［10］;后者則包括借款人本身的特征，如年齡、性別、收入狀況、信用狀況、供養(yǎng)人口等［11］202－216［3］678－690［12］263－286，還包括貸款本身的特性，如貸款的目的、種類、期限等，以及房屋本身的特征，如住宅類型、住宅的位置等。

三、數(shù)據(jù)、模型與結(jié)果

本文的數(shù)據(jù)來自南京市某商業(yè)銀行，一共有1 000個(gè)樣本①由于涉及個(gè)人隱私問題，個(gè)人貸款的數(shù)據(jù)非常難以獲取，我們目前獲得的這1 000 份數(shù)據(jù)是從全部簽約合同中隨機(jī)抽取的，然后在手動整理成數(shù)據(jù)庫。不過，正如審稿人所說，我們還無法完全保證數(shù)據(jù)的隨機(jī)性，原因是作者并不能直接接觸到原始的資料。，變量包括部分貸款本身的特征和借款人的特征。表1 給出了本文涉及的變量的描述性統(tǒng)計(jì)指標(biāo)。從樣本的違約情況來看，均值為0．2 表明大部分人還是履行了合約。本文涉及的貸款也基本是以長期貸款為主，一手房和二手房的比重基本相同。樣本中的還款比重占月收入的55%，這應(yīng)該是一個(gè)合理的幅度，但是供養(yǎng)人口的負(fù)擔(dān)還是達(dá)到了0．7 的程度。借貸者的教育程度比較高，基本達(dá)到了高中的學(xué)歷水平，平均年齡在35 歲左右，以男性居多，另外已婚地占據(jù)很大的比重。

表1 變量的定義及描述性統(tǒng)計(jì)

我們將變量按照違約與否進(jìn)行區(qū)分，從表2 可以看出，貸款的時(shí)間越長，越不容易違約，這可能是因?yàn)橘J款時(shí)間越長則每月還款的數(shù)量就比較少，對于同樣的風(fēng)險(xiǎn)沖擊更不容易發(fā)生被動違約。一手房相對于二手房更容易違約，兩者的差異非常顯著，主要的原因在于二手房的用途是居住，借款者出于該目的會努力避免因?yàn)檫`約而被強(qiáng)制收回住房;而一手房還具有更多的投資功能，因而風(fēng)險(xiǎn)更大，所以反應(yīng)到合同的履行情況上就更容易發(fā)生違約。月還款占收入的比重越高越不容易違約，并且顯著，這一點(diǎn)比較違反直覺，很可能的因素是這里的還款比是一個(gè)自選擇的變量，即那些選擇更大還款比的個(gè)人的風(fēng)險(xiǎn)偏好更低，同時(shí)其收入水平也更高，因而他們在合同的初始階段就選擇較快地償清貸款，所以還款比越高越不容易違約。供養(yǎng)人口越多反映了負(fù)擔(dān)越重，因而越容易違約。教育程度越高，信用意識越強(qiáng)，所以越不容易違約，不過兩者的差異不是太明顯。年齡越大越容易違約，這有可能反映了新一代的信用意識更強(qiáng)，但也有可能是年齡與收入相關(guān)，由于整體的平均年齡達(dá)到了35 歲，而收入與年齡往往呈現(xiàn)倒U 形關(guān)系，兩者的關(guān)系很可能在35 歲之后開始逆轉(zhuǎn)成負(fù)向的關(guān)系，因而更大的年齡伴隨著更少的收入，最終違約的可能性也較大;性別在違約與否上并沒有體現(xiàn)差異，而已婚居然伴隨著違約的增大，這也可能是因?yàn)橐鸦橐舶殡S著供養(yǎng)人口的增多，因而導(dǎo)致了違約。

表2 違約與否的對比

由于這里的因變量是二分變量，所以采用Probit 模型來估計(jì)，通過以上的分析建立如下模型:

雖然我們在給工作類型賦值的時(shí)候參考《中華人民共和國職業(yè)分類大典》，將所有的職業(yè)分為八大類，但由于這些類別之間并沒有聯(lián)系，因而賦值的大小并沒有意義，所以需要將其拆分成7 個(gè)虛擬變量;同樣的問題也適用于婚姻狀況，該變量需要拆分為兩個(gè)虛擬變量，這樣模型轉(zhuǎn)換為:

我們利用數(shù)據(jù)對模型(1)和模型(2)進(jìn)行估計(jì)，結(jié)果如表3 所示。從表中第二列來看，貸款的期限與違約風(fēng)險(xiǎn)呈負(fù)相關(guān)，不過并不顯著;住房的類型顯著影響了違約風(fēng)險(xiǎn)，在其他條件相同的情況下，二手房比一手房的違約風(fēng)險(xiǎn)小63．5%;家庭月還款占收入的比重與違約風(fēng)險(xiǎn)負(fù)相關(guān)，這很可能是如上文所說，該變量是內(nèi)生的，在貸款合同的初始，收入越高、風(fēng)險(xiǎn)意識越強(qiáng)的人會選擇更高的還款比重;供養(yǎng)人口的數(shù)目、年齡和性別都不顯著影響違約風(fēng)險(xiǎn);教育程度越高，違約風(fēng)險(xiǎn)更低，這可能是因?yàn)榻逃岣吡藗€(gè)人對于信用的重視程度，每多接受一年教育會使得違約風(fēng)險(xiǎn)降低5．4%。第三列是將第二列中的職業(yè)和婚姻狀況進(jìn)行拆分，我們發(fā)現(xiàn)此時(shí)這兩個(gè)變量拆分后也沒有顯著的變化，說明職業(yè)和婚姻狀況不是影響違約的重要因素。

表3 模型估計(jì)結(jié)果變量名

由于Ratio 這個(gè)變量可能是內(nèi)生的，因而模型(1)和模型(2)估計(jì)的系數(shù)都是有偏的，為了糾正這種估計(jì)的有偏，我們采用工具變量法。個(gè)人對于月還款比重的選擇是受收入、家庭負(fù)擔(dān)的影響，而教育、年齡、性別等又直接影響了收入，因而我們選擇這些指標(biāo)作為工具變量，但在具體的操作中，我們分兩步展開研究，首先將Ratio 對所有的變量進(jìn)行回歸，挑選出五個(gè)影響最顯著的變量充當(dāng)工具變量，然后再用這些工具變量對Ratio 進(jìn)行調(diào)整(表3 第三個(gè)回歸);其次，在此基礎(chǔ)之上再將非排序變量轉(zhuǎn)化為二分的虛擬變量(表3 第四個(gè)回歸)。

從計(jì)算的結(jié)果來看，使用了工具變量之后，貸款期限對違約風(fēng)險(xiǎn)的影響變化不大;住房類型依然顯著影響了違約風(fēng)險(xiǎn)，不過其系數(shù)有所降低，二手房比一手房的風(fēng)險(xiǎn)低32．4%;Ratio的系數(shù)變化非常大，其影響方向與不使用工具變量時(shí)的完全相反，從結(jié)果可以看出，在控制了月還款比重的內(nèi)生性之后，該比重每上升1 個(gè)百分點(diǎn)，將使得違約風(fēng)險(xiǎn)上升9．7%，對內(nèi)生性進(jìn)行檢驗(yàn)的Wald 值在1%的顯著性水平下通過檢驗(yàn)，因而這里的Ratio 在統(tǒng)計(jì)意義上也是內(nèi)生的。同樣的道理，我們在模型(4)中對模型(3)的職業(yè)和婚姻狀況進(jìn)行拆分重新賦值，發(fā)現(xiàn)即使將婚姻狀況作為月還款占比的工具變量后，住房的類型依然是一個(gè)重要的影響因素，二手房相對一手房的風(fēng)險(xiǎn)低31．1%。

四、結(jié)論及政策含義

本文對房產(chǎn)抵押貸款違約的因素進(jìn)行了研究，區(qū)分了違約理論中的權(quán)益理論和能力支付理論，并利用中國的微觀數(shù)據(jù)進(jìn)行檢驗(yàn)，四種模型都揭示了貸款的時(shí)間期限與違約風(fēng)險(xiǎn)呈負(fù)向的關(guān)系，這與能力支付理論一致，與權(quán)益理論相左，但是該變量并不顯著。住房類型在所有模型中都顯著，一手房的違約風(fēng)險(xiǎn)相對而言要大很多，潛在的原因可能是房地產(chǎn)市場存在過多的投機(jī)因素。月還款占收入的比重在合同的初始可能是自選擇的，比重越高可能反映的是高收入和強(qiáng)的風(fēng)險(xiǎn)意識，因而在控制內(nèi)生性的前后，該變量與違約概率之間的關(guān)系發(fā)生了改變，月還款比重過高會使得違約的風(fēng)險(xiǎn)變大。

本文的結(jié)論具有一定的政策含義。首先，房地產(chǎn)市場上存在的投機(jī)因素影響了違約的風(fēng)險(xiǎn)，因而銀行在貸出款項(xiàng)時(shí)，可以通過一定的機(jī)制鑒別出具體的投機(jī)因素，這樣可以降低違約的概率，減少損失;其次要控制一定幅度的月還款比重，針對不同的收入水平制定不同的還款比重，以免借款人不堪重負(fù)而被動違約;最后，教育程度的提高能夠降低違約風(fēng)險(xiǎn)，這可能是因?yàn)榻逃岣吡巳藗儗τ谛庞玫恼J(rèn)識，因而可以完善征信系統(tǒng)的建設(shè)，同時(shí)加大對于信用認(rèn)識的宣傳，使得人們主動降低違約的可能性。

［1］王福林、賈生華、邵海華:《個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)影響因素實(shí)證研究:以杭州市為例》，載《經(jīng)濟(jì)學(xué)(季刊)》2005年第3 期。

［2］胡紅星:《我國商業(yè)銀行個(gè)人住房抵押貸款風(fēng)險(xiǎn)及防范》，載《蘇州大學(xué)學(xué)報(bào)》2007年第3 期。

［3］Jerry R．Jackson and David L．Kaserman．1980，“Default risk on home mortgage loans:a test of competing hypotheses”，Journal of Risk and Insurance，47(4)．

［4］Foster，Chester and Robert Van Order．1984，“An option－Based model of mortgage mefault”，Housing Finance Review，3(4)．

［5］Foster，Chester and Robert Van Order．1985，“A prelude to rational mortgage pricing”，AREUEA Journal，13(3)．

［6］Waller，Neil G．1988，“Residential mortgage default:a clarifying analysis”，Housing Financial Review，7．

［7］Spring，Thomas M．a(chǎn)nd Neil G Waller．1993，“Lender forbearance:evidence from mortgage delinquency patterns”，AREUEA Journal，21．

［8］劉洪玉、孫冰:《個(gè)人住房抵押貸款提前還款風(fēng)險(xiǎn)因素實(shí)證研究》，載《同濟(jì)大學(xué)學(xué)報(bào)》2007年第1 期。

［9］劉萍:《個(gè)人住房抵押貸款風(fēng)險(xiǎn)探析》，載《金融研究》2002年第8 期。

［10］Robert F．Cotterman．2001，“Neighborhood effects in mortgage default risk”，Unicon Research Corporation，Santa Monica，3．

［11］Lawrence，Edward C．a(chǎn)nd Nasser Arshadi．1995，“A multinomial logit analysis of problem loan resolution choices in banking”，Journal of Money，Credit and Banking，27(l)．

［12］Deng Yongheng，Quigley John M，Van Order Robert Mac Freddie．1996，“Mortgage default and low down payment loans:The costs of public subsidy”，Regional Science and Urban Economics，Amsterdam，26(34)．