论文部分内容阅读
摘 要:灾后重建过程中的资金问题一直是备受关注的问题，地震灾后重建是一项历时久，规模大，耗资巨大的过程，正是由于这个原因所以在重建过程中只靠政府直接的财政支持是不够的，灾区经济要重新的恢复也离不开金融的支持。5.12大地震灾后重建已经历经两年，对于重建过程中个人的金融支持的风险状况，选取了重灾区都江堰作为的调研地点，在充分调研了解灾区个人金融支持中的风险状况进行基于调查的专业的风险分析。
关键词：灾区重建;金融支持;风险
中图分类号:F2
文献标识码:A
文章编号：1672-3198（2011）06-0164-03
1 灾后重建过程中个人金融支持状况的风险调查与风险分析
1.1 灾区重建过程中金融支持风险状况调查背景
风险问题是我们研究的核心问题，它的研究来自于我们极其感兴趣的银行的“趋利的商业性”与“政策的公益性”的矛盾冲突中，金融支持过程中银行大规模的进行具有政策性公益性的支持活动时必然要承担与其趋利商业性相冲突的风险。
2010年5月银监会宣布延长四川地震灾区“四不政策”执行期限。银监会表示，银监会将继续引领银行业金融机构认真做好汶川地震灾区各项金融服务工作，继续做好农房恢复重建信贷支持工作，延长“四不政策”执行期限，切实加强灾后恢复重建贷款贷后管理。
“四不政策”执行的延长，在我们调研之前看来必然会大大的加大银行经营的风险。所以我们重点的进行了风险调查。
通过对中国银行，农业银行的调研笔者了解到，总体上说银行贷出的款项大多是有担保的，风险可控的贷款，并且预期能够收回大部分的贷款。在金融支持过程中非常重视风险的控制。
1.2 针对受灾个人的金融支持的风险调查与分析
1.2.1 针对个人金融支持的风险调查
笔者在都江堰勤勉人家的板房区和已经修建完毕的安置点对受灾群众的采访发现，目前留在板房区的受灾群众大部分是已经获得摇号9月初即将搬入安置点的和还没有获得摇号的受灾群众，这一部分群众对贷款的需求度非常的高，而且我们还获取了他们希望贷款的金额水平，以及如果他们获得了贷款他们将会如何使用贷款
但是当中相当一部分没能贷上款。笔者发现，他们的安置点新房都没有钱装修和购买家具，更别想拿出钱来支付超出政府分发的面积的那部分的房价（每平米3390元）。没能贷上款的原因主要是不符合银行的发放贷款的要求，这些要求中最阻挡他们贷款的即是要有稳定的可见的收入，要有抵押品。结合我们前面在银行调研了解的具体的针对灾区个人的优惠的举措主要是在信贷额度，期限，利率上进行的，并没有降低发放贷款门槛。“毕竟受了那么大的损失，如果明显降低发放针对个人的贷款门槛风险太高，银行毕竟是逐利的，风险太高我们难以承受”，接受我们采访的银行管理人员如是说。安置房目前根本没有进入市场，并且也不能进行再次的抵押，不是市场的东西就不好拿来贷款。等能用来抵押的时候又会耗很长的时间。就算能用它抵押贷款了又有贷款额的限制，并且那个时候银行也许就没有优惠了，没有固定收入的保证还贷风险一样还是很大，这个贷款额的限制就是指这一部分人群大多希望贷款的数额普遍不高，而这安置点今后进入市场中的以后的价值也大大高于他们贷款的数额，这一部分灾民也不会愿意将自己的大资产做担保来贷小款。那政府或者上级银行能否注意到这一点特事特办呢？安置房开始的产权是政府的，那能不能引入政府，让政府来帮助贷款，以后将转让给灾民的产权作为抵押，然后针对他们无固定收入的情况可以通过缓还贷款一定期限，再上岗，或者放宽还款周期，比如变每月还款为季度还款一次，甚至半年还款一次。这样的话可以将金融支持的利惠发散到几乎所有的人群，而且也为银行创造了很大的一块蛋糕，但是风险也将十分巨大，为此我们将运用专业的金融工程，统计，金融知识用数学建模的方法来进行针对采用上述方式进行放贷的风险分析：
然而倘若商业银行真的采信用贷款免抵押的政策，由于目前我国个人基础薄弱、居民控制风险能力有限，将使得银行在信贷的实施过程中面临较大的信用风险。如果个人违约现象不时发生，将严重影响银行的贷款质量，进一步制约银行在企业、市政工程重建等方面的贷款能力。
根据我们这次调研获得的数据，截至2010年6月底，都江堰市各商业银行实际发放给个人的信贷额度累计已达25428万元，如果按五级分类划分，其中不良贷款17693万元，高达69.6%。在这种情况下，倘若进一步延长个人还款期限，或者放宽还款周期，或者将不具备市场资产评估价值的资产——比如政府安置房作为抵押替代品，银行将面临进一步的坏账损失。针对这一情况，我们依据此次调查结果，建立Logit模型对降低个人信贷门槛后，农户的违约概率进行预测。
1.2.2 针对受灾个人金融支持的风险分析
(1)模型的引入。
采用Logit模型的优点在于解决了因变量不连续回归问题，不要求样本数据呈正态分布和等协方差作为前提假设，符合我们此次调研在数据的采集上不够全面的情况。其基本思路如下：
当因变量为0/1二值变量时，用P表示事件发生即Y取值为1的可能的概率，P的取值范围在0～1之间。一般线性回归模型要求被解释变量取值区间为（-∞～+∞），对概率P
作Logit变换处理，使被解释变量取值范围与一般线性回归模型相吻合，即：
Logit（p）=1n（p1-p）（1）
其中P/（1-P）是事件发生的概率与不发生的概率之比，称为发生比或相对风险。经过Logit变换后，就可以利用一般线性回归模型建立被解释变量与解释变量之间的依存模型，
即Logistic回归模型：
Logistic（P）=β0+βixi
结合（1）、（2）两式，于是有：
1n（p1-p）=β0+βixi
即可得到Logistic函数：
p=11+exp［-（β0+βixi）］
Logistic函数回归模型建立起来后，运用极大似然估计法求得估计参数。该模型没有理论上的临界值，需要根据研究目标来选择，一般取0.5作为临界值。
（2）构建信用风险评估模型。
①样本选择与初始指标确定。
我们所用样本来自都江堰市中国银行杨家铺分行提供的资料，通过收集、整理，删除不合格样本24个，确定有效样本194个。按照五级分类标准，逾期三个月以上的贷款为不良贷款，按此标准来确定受灾后个人是否违约，其中不违约样本102个，违约样本92个。
此次我们选取的指标取自银行信用贷款资信等级评定表和个人借款申请书等档案，选取了年龄、性别、人口、劳力、受灾情况、主要收入、其他收入、年总支出、房屋价值、其他资产价值、借款数额、借款用途、借款利率共13个指标，具体描述如表1。
②指标变量筛选。
为了选择对违约个人和非违约个人分能力最强的指标变量，以及消除变量间的多重共线性问题，现在分别进行正态性检验、参数及非参数检验和指标变量之间的多重共线性检验，以此确定建立Logit模型所用指标变量。具体如下：
在进行样本差异性检验之前，利用SPSS软件采用Kolmogorov-Smirnov检验法，对每一个变量分别进行正态性检验。检验结果表明：除年龄变量Age服从正态分布以外，其余变量都不服从正态分布。
对服从正态分布的年龄变量Age采用两独立样本T检验，其他不服从正态分布的变量采用两独立样本K-S检验，检验结果表明在0.05的显著性水平下，年龄Age、受灾情况Situation、主要收入Major income、其他收入Other Income、年总支出Total Expend、固定资产价值Assets Value、贷款数额Loan、借款用途Use、还款期限Return deadline这9个变量在违约和非违约组之间的差异显著，其他变量在两组之间没有显著性的差异，因此在模型建立过程中只保留9个差异显著的变量，而将其他变量予以剔除。
根据模型的要求，在做统计分析时要求变量间尽量保持独立性、不存在多重共线性问题。通过方差扩大因子法进行变量间的多重共线性检验，检验结果发现变量最大的方差扩大因子VIF仅为2.974，远小于规定界限10，表明所选择的9个变量之间并不存在多重共线性问题，可以将这9个变量作为Logit回归模型的指标变量。
③模型建立及检验。
为了消除量纲影响和变量自身变异大小及数值大小的影响，在进行分析前，需在SPSS中采用Z分数法对变量进行标准化处理。
在对原始数据进行处理后，再利用SPSS软件进行Logit回归分析。由于借款用途Use变量为分类变量，需要将其转化成虚拟变量后再参与回归分析。
（3）建立模型。
本文取0.05为阈值，解释变量的筛选采用基于极大似然估计的逐步筛选策略即Forward：LR，解释变量进入回归方程的标准是经回归系数Score检验的概率P值，当P值小于0.05大于0.1时将其剔除出回归方程。经过5步计算，最终有9个变量进入方程。
（4）检验回归系数。
判断一个自变量是否应该包含在模型中，可以使用Wald检验统计量或用其对应的概率P值来检验。经过5步计算，最终模型中各变量P值都小于显著性水平0.05，表明这几个变量对因变量的影响显著，应该保留在方程中。可见在0.05的显著性水平下，主要收入Major income、年总支出Total Expend、受灾情况Situation、固定资产价值Assets Value、贷款数额Loan、还款期限Return deadline这6个变量对违约行为影响显著；年龄Age、借款用途Use、其他收入Other Income对是否违约虽然有区别能力，但影响不大，所以并未进入模型。因此，可建立如下方程对居民的违约概率P进行预测：
回归方程的显著性检验采用了对数似然比卡方检验，模型似然比卡方值概率P值小于0.05的显著性水平，认为该模型中的所有回归系数不同时为零，解释变量全体与因变量LogitP的线性关系显著，模型合理。
(5)检验回归方程的拟合优度。
Hosmer-Lemeshow统计量的概率P值为0.339，大于显著性水平0.05，因此不应拒绝零假设，可以确定因变量的观测值与模型预测值不存在差异，从而表明模型的拟合度较高。
(6)检验模型估计的准确程度。
经检验，Logit模型识别违约个人的准确率为85.9%，不违约个人的准确率为71.6%，总的分类正确率为78.4%。整体来看，模型拟合程度较好，对个人的违约行为有较好的识别能力。
（7）模型结果分析。
从所建模型可以看出，受灾情况严重程度、固定资产价值、贷款数额、还款期限对个人违约概率的影响非常大。通过模型中各参数的系数可以看出，居民年支出、贷款金额、受灾情况、还款期限与个人信用风险呈正相关关系，而主要收入、固定资产价值与农户信用风险呈正相关关系，具体而言：①个人的收入越高，还贷的能力越强，违约的可能性就越低。②个人持有的可用于抵押的固定资产价值越高，越不可能违约。比如，房屋价值在一定程度上反映了居民的经济实力，故房屋价值越高，居民就越不会违约。③随着抵押固定资产价值的降低以及还款期限的延长，个人的违约风险会随之提高。由此可见，如果银行允许居民用取价值较低的安居房作为抵押物，或者延长还款周期，将会使得个人违约概率大大提高，从而加大银行的经营风险。④居民贷款数额越多，其还贷的压力越大，违约的可能性越高。
而在安置点对已经搬入安置点的受灾群众走访发现，他们大多都能贷上款，因为他们绝大部分是本地人，符合贷款的要求，我们看到大多数的新家里都是新装修，新家具。我们了解到他们将贷款主要用于支付超出政府分发住房面积的那部分面积的房价和新房的装修，购置新的家具。针对这部分的人群的信贷资金的使用状况，还款状况，我们发现针对这一部分人群的贷款总体上的违约率较低，甚至低于受灾之前和没有受灾的地方的个人贷款的违约率，风险较低。
参考文献
［1］姜林.灾后重建的金融支持制度设计——以四川绵阳地震灾区为例［J］.西南金融,2008,(8).
［2］吴红军.鼓励新型农村金融机构支持灾后重建［N］.金融时报,2008-07-17.
［3］肖玉淮.灾后重建农村金融服务亟需强化［J］.中国金融,2008,(8).
［4］中国人民银行福州中心支行.金融支持巨灾重建的国际经验与政策启示［J］.福建金融,2008,(8).
注：“本文中所涉及到的图表、公式、注解等请以PDF格式阅读”
关键词：灾区重建;金融支持;风险
中图分类号:F2
文献标识码:A
文章编号：1672-3198（2011）06-0164-03
1 灾后重建过程中个人金融支持状况的风险调查与风险分析
1.1 灾区重建过程中金融支持风险状况调查背景
风险问题是我们研究的核心问题，它的研究来自于我们极其感兴趣的银行的“趋利的商业性”与“政策的公益性”的矛盾冲突中，金融支持过程中银行大规模的进行具有政策性公益性的支持活动时必然要承担与其趋利商业性相冲突的风险。
2010年5月银监会宣布延长四川地震灾区“四不政策”执行期限。银监会表示，银监会将继续引领银行业金融机构认真做好汶川地震灾区各项金融服务工作，继续做好农房恢复重建信贷支持工作，延长“四不政策”执行期限，切实加强灾后恢复重建贷款贷后管理。
“四不政策”执行的延长，在我们调研之前看来必然会大大的加大银行经营的风险。所以我们重点的进行了风险调查。
通过对中国银行，农业银行的调研笔者了解到，总体上说银行贷出的款项大多是有担保的，风险可控的贷款，并且预期能够收回大部分的贷款。在金融支持过程中非常重视风险的控制。
1.2 针对受灾个人的金融支持的风险调查与分析
1.2.1 针对个人金融支持的风险调查
笔者在都江堰勤勉人家的板房区和已经修建完毕的安置点对受灾群众的采访发现，目前留在板房区的受灾群众大部分是已经获得摇号9月初即将搬入安置点的和还没有获得摇号的受灾群众，这一部分群众对贷款的需求度非常的高，而且我们还获取了他们希望贷款的金额水平，以及如果他们获得了贷款他们将会如何使用贷款
但是当中相当一部分没能贷上款。笔者发现，他们的安置点新房都没有钱装修和购买家具，更别想拿出钱来支付超出政府分发的面积的那部分的房价（每平米3390元）。没能贷上款的原因主要是不符合银行的发放贷款的要求，这些要求中最阻挡他们贷款的即是要有稳定的可见的收入，要有抵押品。结合我们前面在银行调研了解的具体的针对灾区个人的优惠的举措主要是在信贷额度，期限，利率上进行的，并没有降低发放贷款门槛。“毕竟受了那么大的损失，如果明显降低发放针对个人的贷款门槛风险太高，银行毕竟是逐利的，风险太高我们难以承受”，接受我们采访的银行管理人员如是说。安置房目前根本没有进入市场，并且也不能进行再次的抵押，不是市场的东西就不好拿来贷款。等能用来抵押的时候又会耗很长的时间。就算能用它抵押贷款了又有贷款额的限制，并且那个时候银行也许就没有优惠了，没有固定收入的保证还贷风险一样还是很大，这个贷款额的限制就是指这一部分人群大多希望贷款的数额普遍不高，而这安置点今后进入市场中的以后的价值也大大高于他们贷款的数额，这一部分灾民也不会愿意将自己的大资产做担保来贷小款。那政府或者上级银行能否注意到这一点特事特办呢？安置房开始的产权是政府的，那能不能引入政府，让政府来帮助贷款，以后将转让给灾民的产权作为抵押，然后针对他们无固定收入的情况可以通过缓还贷款一定期限，再上岗，或者放宽还款周期，比如变每月还款为季度还款一次，甚至半年还款一次。这样的话可以将金融支持的利惠发散到几乎所有的人群，而且也为银行创造了很大的一块蛋糕，但是风险也将十分巨大，为此我们将运用专业的金融工程，统计，金融知识用数学建模的方法来进行针对采用上述方式进行放贷的风险分析：
然而倘若商业银行真的采信用贷款免抵押的政策，由于目前我国个人基础薄弱、居民控制风险能力有限，将使得银行在信贷的实施过程中面临较大的信用风险。如果个人违约现象不时发生，将严重影响银行的贷款质量，进一步制约银行在企业、市政工程重建等方面的贷款能力。
根据我们这次调研获得的数据，截至2010年6月底，都江堰市各商业银行实际发放给个人的信贷额度累计已达25428万元，如果按五级分类划分，其中不良贷款17693万元，高达69.6%。在这种情况下，倘若进一步延长个人还款期限，或者放宽还款周期，或者将不具备市场资产评估价值的资产——比如政府安置房作为抵押替代品，银行将面临进一步的坏账损失。针对这一情况，我们依据此次调查结果，建立Logit模型对降低个人信贷门槛后，农户的违约概率进行预测。
1.2.2 针对受灾个人金融支持的风险分析
(1)模型的引入。
采用Logit模型的优点在于解决了因变量不连续回归问题，不要求样本数据呈正态分布和等协方差作为前提假设，符合我们此次调研在数据的采集上不够全面的情况。其基本思路如下：
当因变量为0/1二值变量时，用P表示事件发生即Y取值为1的可能的概率，P的取值范围在0～1之间。一般线性回归模型要求被解释变量取值区间为（-∞～+∞），对概率P
作Logit变换处理，使被解释变量取值范围与一般线性回归模型相吻合，即：
Logit（p）=1n（p1-p）（1）
其中P/（1-P）是事件发生的概率与不发生的概率之比，称为发生比或相对风险。经过Logit变换后，就可以利用一般线性回归模型建立被解释变量与解释变量之间的依存模型，
即Logistic回归模型：
Logistic（P）=β0+βixi
结合（1）、（2）两式，于是有：
1n（p1-p）=β0+βixi
即可得到Logistic函数：
p=11+exp［-（β0+βixi）］
Logistic函数回归模型建立起来后，运用极大似然估计法求得估计参数。该模型没有理论上的临界值，需要根据研究目标来选择，一般取0.5作为临界值。
（2）构建信用风险评估模型。
①样本选择与初始指标确定。
我们所用样本来自都江堰市中国银行杨家铺分行提供的资料，通过收集、整理，删除不合格样本24个，确定有效样本194个。按照五级分类标准，逾期三个月以上的贷款为不良贷款，按此标准来确定受灾后个人是否违约，其中不违约样本102个，违约样本92个。
此次我们选取的指标取自银行信用贷款资信等级评定表和个人借款申请书等档案，选取了年龄、性别、人口、劳力、受灾情况、主要收入、其他收入、年总支出、房屋价值、其他资产价值、借款数额、借款用途、借款利率共13个指标，具体描述如表1。
②指标变量筛选。
为了选择对违约个人和非违约个人分能力最强的指标变量，以及消除变量间的多重共线性问题，现在分别进行正态性检验、参数及非参数检验和指标变量之间的多重共线性检验，以此确定建立Logit模型所用指标变量。具体如下：
在进行样本差异性检验之前，利用SPSS软件采用Kolmogorov-Smirnov检验法，对每一个变量分别进行正态性检验。检验结果表明：除年龄变量Age服从正态分布以外，其余变量都不服从正态分布。
对服从正态分布的年龄变量Age采用两独立样本T检验，其他不服从正态分布的变量采用两独立样本K-S检验，检验结果表明在0.05的显著性水平下，年龄Age、受灾情况Situation、主要收入Major income、其他收入Other Income、年总支出Total Expend、固定资产价值Assets Value、贷款数额Loan、借款用途Use、还款期限Return deadline这9个变量在违约和非违约组之间的差异显著，其他变量在两组之间没有显著性的差异，因此在模型建立过程中只保留9个差异显著的变量，而将其他变量予以剔除。
根据模型的要求，在做统计分析时要求变量间尽量保持独立性、不存在多重共线性问题。通过方差扩大因子法进行变量间的多重共线性检验，检验结果发现变量最大的方差扩大因子VIF仅为2.974，远小于规定界限10，表明所选择的9个变量之间并不存在多重共线性问题，可以将这9个变量作为Logit回归模型的指标变量。
③模型建立及检验。
为了消除量纲影响和变量自身变异大小及数值大小的影响，在进行分析前，需在SPSS中采用Z分数法对变量进行标准化处理。
在对原始数据进行处理后，再利用SPSS软件进行Logit回归分析。由于借款用途Use变量为分类变量，需要将其转化成虚拟变量后再参与回归分析。
（3）建立模型。
本文取0.05为阈值，解释变量的筛选采用基于极大似然估计的逐步筛选策略即Forward：LR，解释变量进入回归方程的标准是经回归系数Score检验的概率P值，当P值小于0.05大于0.1时将其剔除出回归方程。经过5步计算，最终有9个变量进入方程。
（4）检验回归系数。
判断一个自变量是否应该包含在模型中，可以使用Wald检验统计量或用其对应的概率P值来检验。经过5步计算，最终模型中各变量P值都小于显著性水平0.05，表明这几个变量对因变量的影响显著，应该保留在方程中。可见在0.05的显著性水平下，主要收入Major income、年总支出Total Expend、受灾情况Situation、固定资产价值Assets Value、贷款数额Loan、还款期限Return deadline这6个变量对违约行为影响显著；年龄Age、借款用途Use、其他收入Other Income对是否违约虽然有区别能力，但影响不大，所以并未进入模型。因此，可建立如下方程对居民的违约概率P进行预测：
回归方程的显著性检验采用了对数似然比卡方检验，模型似然比卡方值概率P值小于0.05的显著性水平，认为该模型中的所有回归系数不同时为零，解释变量全体与因变量LogitP的线性关系显著，模型合理。
(5)检验回归方程的拟合优度。
Hosmer-Lemeshow统计量的概率P值为0.339，大于显著性水平0.05，因此不应拒绝零假设，可以确定因变量的观测值与模型预测值不存在差异，从而表明模型的拟合度较高。
(6)检验模型估计的准确程度。
经检验，Logit模型识别违约个人的准确率为85.9%，不违约个人的准确率为71.6%，总的分类正确率为78.4%。整体来看，模型拟合程度较好，对个人的违约行为有较好的识别能力。
（7）模型结果分析。
从所建模型可以看出，受灾情况严重程度、固定资产价值、贷款数额、还款期限对个人违约概率的影响非常大。通过模型中各参数的系数可以看出，居民年支出、贷款金额、受灾情况、还款期限与个人信用风险呈正相关关系，而主要收入、固定资产价值与农户信用风险呈正相关关系，具体而言：①个人的收入越高，还贷的能力越强，违约的可能性就越低。②个人持有的可用于抵押的固定资产价值越高，越不可能违约。比如，房屋价值在一定程度上反映了居民的经济实力，故房屋价值越高，居民就越不会违约。③随着抵押固定资产价值的降低以及还款期限的延长，个人的违约风险会随之提高。由此可见，如果银行允许居民用取价值较低的安居房作为抵押物，或者延长还款周期，将会使得个人违约概率大大提高，从而加大银行的经营风险。④居民贷款数额越多，其还贷的压力越大，违约的可能性越高。
而在安置点对已经搬入安置点的受灾群众走访发现，他们大多都能贷上款，因为他们绝大部分是本地人，符合贷款的要求，我们看到大多数的新家里都是新装修，新家具。我们了解到他们将贷款主要用于支付超出政府分发住房面积的那部分面积的房价和新房的装修，购置新的家具。针对这部分的人群的信贷资金的使用状况，还款状况，我们发现针对这一部分人群的贷款总体上的违约率较低，甚至低于受灾之前和没有受灾的地方的个人贷款的违约率，风险较低。
参考文献
［1］姜林.灾后重建的金融支持制度设计——以四川绵阳地震灾区为例［J］.西南金融,2008,(8).
［2］吴红军.鼓励新型农村金融机构支持灾后重建［N］.金融时报,2008-07-17.
［3］肖玉淮.灾后重建农村金融服务亟需强化［J］.中国金融,2008,(8).
［4］中国人民银行福州中心支行.金融支持巨灾重建的国际经验与政策启示［J］.福建金融,2008,(8).
注：“本文中所涉及到的图表、公式、注解等请以PDF格式阅读”