引入在险价值的中小型房地产企业财务风险监控研究

内容提要：国家宏观调控使中小型房地产企业外部风险显著增大，对企业偿债能力和资金链风险产生严峻挑战。为评估中小型房地产企业财务风险，本文以我国中小型房地产上市公司1998-2013年的年度数据为样本，将在险价值引入财务风险监控指标体系，构建中小型房地产企业财务风险监控模型，经进一步验证，该模型能够有效提高房地产企业财务风险预测的准确性。因此，融入在险价值的财务风险评估体系对中小型房地产上市公司防范和化解财务风险具有一定的参考价值，对外部市场风险因素变化也起到预警作用。

关键词：中小型房地产企业；风险监控；在险价值；预警机制

中圖分类号：F830572 文献标识码：A 文章编号：1001-148X（2017）08-0109-07

收稿日期：2017-03-15

作者简介：王晓燕（1977-），女，河南淅川人，西北大学经济管理学院博士研究生，华北水利水电大学管理与经济学院讲师，研究方向：审计网络。

基金项目：中国博士后科学基金项目，项目编号：2015M580872；河南省高等学校重点科研项目，项目编号：15B630007；河南省教育厅人文社科项目，项目编号：2016-ZD-061。

受限购令、预售款监管趋严、信贷不断收紧、资本市场融资受阻等外部因素的影响，房地产开发企业的经营性现金流显著趋紧、资产负债率明显攀升。对于资金运作主要依托信贷的中小型房地产企业，负债问题尤其突出，部分企业的资产负债率在70%以上，有的甚至高达90%①。随着国家对房地产市场的宏观调控，中小型房地产企业的外部风险将显著增大，这已经成为房地产行业必须面对的经济新常态。

近年来，在险价值作为风险测量工具，主要考察投资人资产的最大损失值，由于具有直观性、简洁性，因此广泛应用于风险损失的量化测量上（Olson & Wu， 2010）。本文选择沪深A股中小型房地产企业为样本，引入衡量公司外部市场风险的在险价值指标，并结合相关财务数据，构建较为合理的财务风险监控模型，提出控制我国中小型房地产企业财务风险的有效策略，为我国中小型房地产企业财务风险控制提供理论基础，以期推动我国中小型房地产企业的健康发展。

一、文献综述

关于房地产企业财务风险监控的方法研究，跨学科的数学模型和评价方法得到了重视。比如，房地产开发企业资金循环系统的动力学模型，该模型对房地产开发企业资金循环系统进行情景模拟和危机识别，显现出“政策实验室”效果（胡援成和张朝洋，2014）。而识别企业财务风险可以灵活运用回避风险法、分散风险法、转移风险法、降低风险法、缓冲风险法（刘平，2007）。房地产风险定量分析和基本评价方法也可以有效分析房地产企业财务风险（李启明，1998）。AHP层次分析法就是一种实用的方法，能够清楚地分析出影响房地产企业财务风险的各种因素（陈桦，2012）。在此基础上，构建房地产开发项目风险动态灰色模糊综合评价模型，运用模糊综合评判的方式可以判定房地产上市公司并购融资风险的风险程度（刘晓君和孟凡文，2005；赵琳，2012）。将RBS和AHP方法引入房地产项目风险管理的全过程中，构建针对房地产项目的动态风险管理模型，也可以运用该模型监控房地产企业财务风险（喻晓艳和王松江，2008）。而基于SVM的房地产投资风险评价模型可以处理分类和回归问题，是对房地产投资风险预测能力的提升（李毅，2012）。

而对于房地产企业财务风险监控的测评研究，评级指标体系的构建是最受学者们关注的主题。国外已有学者引入在险价值来测度企业财务风险，并试图提高在险价值的精度（Lleo，2009）。有三种方法可以用来计算风险价值：方差协方差法、历史模拟法、蒙特卡罗模拟法。然而，这些方法都有不足。方差协方差法低估了风险，历史模拟法可能改变样本大小和蒙特卡罗模拟法可能不正确（索莉斯，2009）。国内有学者采用蒙特卡洛模拟方法，对贷款组合信用风险在险价值进行了计算（邓云胜等，2003）。也有学者基于Copula函数度量组合信用风险原理，模拟出1000种资产的收益率，并在联合分布与边际分布不同假设情况下，统计分析出资产组合的在险价值（白保中等，2009）。还有学者基于KMV模型，引入信用价差的计算，构建了一个改进的KMV模型，该模型可以直接度量样本的在险价值，从而使得相关管理者从量化的角度直接测算信用损失（许清茹，2012）。这些研究为我国中小型房地产企业监控财务风险提供了理论依据、方法和对策（石梦娜，2013）。从长期看，从总体上看，我国近年来房地产价格变化有宏观经济背景的支持，房地产市场风险还不是很大（田成诗和李辉，2008）。

综上所述，关于房地产企业财务风险的研究文献仅采用财务指标分析，虽然也有部分研究考虑到引入在险价值等市场风险因素，但在对在险价值的应用和估计方法时略有不足，尤其是在样本选择时多以ST和非ST来划分，造成样本选择的主观性。本文对传统财务指标提取五个主要因子，并与外部风险在险价值进行聚类分析，得到的样本组与对比组样本相对更加客观，并且样本区间较长，采用Garch模型估计在险价值更能反映市场风险。

二、研究方法

（一）样本选择与数据来源

为构建中小型房地产公司的风险监控模型，本文选择1998-2013年沪深A股中小型房地产公司为研究对象，并且按照总资产规模计算平均值，再排序划分为三组，选择资产规模最小的第三组作为研究样本，包括ST和PT类公司共40家公司。样本年观测值为560个，股票周交易数据为23280个，以便于对建立房地产公司的风险监控模型进行检验。研究样本财务指标和股价数据均来源于锐思数据库（RESSET），对个别指标缺失的公司通过沪深证券交易所及新浪财经网站查找相关数据补充完整。

（二）变量选择与定义

要建立房地产企业风险监控模型，首要的就是对指标的选取，然而目前国内外关于企业风险监控的评价方法绝大部分是基于财务指标局部综合评价。虽然此类指标是评价的必要参考，但随着整个宏观环境的变化，如果仅选择财务指标选择难免有失偏颇，但由于企业面临的金融市场风险是很难衡量，本文采用反映股票收益率波动而产生的最大损失值来衡量企业面临的金融市场风险，从而引入了VAR这个指标。在此基础上结合多元统计方法中的因子分析法对原始指标群所包含的信息进行提取，可以获得少数几个经济上可解释的主因子。再对这些主因子进行风险因素分析，运用逻辑回归对风险损失做出评估。endprint

1.金融市场风险VAR

样本公司的外部影响指金融市场风险用VAR值来度量，VAR被称为风险价值或受险价值，它可以被定义为：在一定的置信水平下预期资产的最大可能损失。计算 VAR 的方法通常假设收益率服从正态分布，但是股票收益率通过大量的历史数据统计显示是不服从正态分布，它的分布呈现出尖峰后尾的现象，条件异方差不是固定值，而是随着时间随机变动的，而GARCH模型就是用来解决残差序列不服从正态分布的一种金融时间序列估计模型，本文通过SAS软件，对对数收益率的正态性进行了检验，发现收益率序列不是正态分布的，出现尖峰后尾的情况。通常VAR的计算方法主要有三种：Monte Carlo模拟法、方差一协方差方法、历史模拟法，这三种方法各有优劣。参考赵会嵩（2011）、李微微（2009）、李凯（2011）等的研究，李永娟（2011）认为采用GARCH模型参数法计算VAR是最佳的方法，因此，结合股票市场收益率的波动性特征，采用GARCH（1，1）模型计算各样本公司股票周收益率的VAR的值，用上市公司的股票周收盘价来衡量股票收益率，利用对数收益率 rt=lnPt-lnPt-1。

利用GARCH模型计算VAR关键要计算出条件标准差，构建GARCH（1，1）模型如下：

均值方程：rt=μ+εt

条件异方差方程：σ2t=α0+α1μ2t-1+βσ2t-1

可以通过SAS软件，生成GARCH条件方差序列，最后将生成的条件方差序列开方后就可以得到条件标准差序列，然后将得到的条件标准差代替VAR计算公式：

VAR=t×μp-Zασpt

如果股票交易周数为50周，那么VAR中的t就等于50，这样计算得到持有期为一年的VAR。因此，可以分别得到样本公司每一年的VAR值。

2.财务指标

与以往研究类似，参考赵会嵩（2011）、李微微（2009）、李凯（2011）、李永娟（2011）等的研究，本文分别从盈利能力、偿债能力、营运能力、成长能力及收益质量等方面选择了相关财务指标。如表1所示。

（三）研究方法

本文在研究中小型房地产行业特征及风险成因的基础上，构建适合我国中小型房地产行业的风险监控模型。首先采用聚类分析将公司进行分类，并界定发生风险的公司。其次采用因子分析从财务指标中提取主要因子，为构建风险监控模型奠定基础。最后采用logit回归方法构建中小型房地产行业的风险监控模型，并进一步验证风险监控模型的有效性。

三、实证分析

（一）描述性统计与分析

表2是样本公司的相关指标的描述性统计分析结果。

由表2可知，金融市场风险VAR的均值和中位数分别为0689和0693，标准差为0063，波动性不大。净资产收益率（AvgROE）、总资产报酬率（ROA）的均值分别为577%和294%。流动比率和速动比率的均值分别为192和102，资产负债率均值为493%，总资产增长率均值为503%，总资产周转率为0385%。扣除非经常性损益后的净利润占比为775%，以及总资产现金回收率为148%，说明资产收益质量还是不错的。

（二）聚类分析

大多数对财务危机预警模型的研究，都是将ST公司作为发生风险公司，未被ST的公司作为没有发生风险的公司。这一方面有利于对ST公司和非ST公司进行配对研究，通过统计分析从而得出一些能够明显区分这两类公司的一些指标进行划分，企业划分界限比较明显，在配对研究时容易进行区分。但是这并不是划分财务危机与财务危机的唯一方法，ST与非ST的划分是按照监管部门标准划分的，难免会插入一些主观的因素。对财务危机的界定也可以有别的方式，实际情况表明，ST公司可能是财务危机企业，但财务危机企业却不一定被ST（特别处理），即非ST公司也可能出现财务危机。我国对上市公司采取特别处理的一个前提是上市公司连续两年财务亏损，在实际情况中，除此之外，还有其他因素也可能导致上市公司被ST。因此，影响企业财务状况的因素是多方面的，反映企业财务状况的标准除了净利润外，还有其他种种指标。根据表1中的财务指标，本文通过聚类分析，将公司进行分类，并界定发生风险的公司（李微微，2009）。

通过对比分析，可以发现加入VAR指标后的聚类效果比不加入VAR指标的聚类效果要好一些，能够把T类公司与非T类公司有效的区分出来，还有一些非T类公司虽然未被ST可是在效果上与T类公司类似，客观上应该属于财务危机公司。因此，一些非T类公司由于总体财务状况与T类公司相似，也同属一类。这也说明运用聚类法较好地排除人为主观经验分类的缺陷。另外在一定程度上证明了加入衡量金融风险的VAR指标对中小型房地产行业风险监控的作用。文后的分析与验证就是基于聚类分析的结果进行的。

（三）因子分析

要进行因子分析，首先要进行无量纲化处理，也就是將数据进行标准化处理。其次分析相关指标是否适合做因子分析，运用KMO检验。KMO检验的系数为089，BartlettS球形检验值较大，在1%的水平上显著，因此适合做因子分析。按照前文选取的19个财务指标，运用SAS软件进行聚类分析，详细结果未列出。因子分子主要根据因子变量的方差贡献（特征值）来确定因子个数，特征值是衡量因子重要性程度的指标，选取特征值大于1的因子作为初始因子。为使因子具有实际经济含义，在因子分析的载荷矩阵中，因子变量可能在许多变量上都有较高的载荷，那么，因子变量的含义就比较模糊。通过使用方差最大的正交旋转法对因子载荷矩阵进行旋转，使得每个因子上具有最高载荷的变量数目最小，从而简化对因子的解释。旋转后的因子贡献率结果和旋转后的因子载荷矩阵分别如表3和表4所示。

由表3可知，选取五个因子能够解释原有变量的87.58%，这说明选择五个因子就能很好代表原有指标的信息，便于后文的分析。由表4可知，因子载荷矩阵可以发现，Factor1与每股收益、每股净资产、净资产收益率、总资产报酬率、销售净利率、营业利润率具有较高的因子载荷，因此命名为盈利能力因子。Factor2与流动比率、速动比率、利息保障倍数、现金流动负债比、资产负债率、权益乘数具有较高的因子载荷系数，因此命名为偿债能力因子。Factor3与存货周转率、应收账款周转率、总资产周转率的载荷系数较高，因此命名为营运能力因子。Factor4与营业收入增长率、总资产增长率因子载荷系数较高，称之为成长能力因子。Factor5与总资产现金回收率、扣除非经常性损益后的净利润占净利润比具有较高的因子载荷，称之为收益质量因子。这与选取财务指标的分析结果很类似。endprint

（四）Logistic回歸分析

运用二元Logistic回归分析，以发生财务风险的概率为因变量，根据聚类分析结果，参照T类企业，定义发生财务风险企业为0，没有发生财务风险企业为1。Logiistic分析方法虽然是一种较为常用且有效的统计学方法，但Logistic回归法的变量筛选及参数估计中，对各变量之间相互独立性要求的要求较高，而有很多研究中各自变量之间并不独立，而是相互之间存在一定程度的线性依存关系，被称作多重共线性。Logistic回归模型与线性回归模型一样，对自变量的多元共线性很敏感。当多元共线性不太严重时，Logistic回归的系数估计基本是无偏且有效的，所以几乎可以忽略其影响。但是当共线性程度增加时，其偏差会增大。在回归分析之前先对其进行相关性的分析。在提出因子分析中我们已经对反映企业内部财务信息变量提取了5个公共因子，由于因子分析的原理，提取的公共因子之间是相互独立的。对于反映外部金融风险的在险价值指标，本文鉴于前人的相关研究，以0.3的Pearson相关系数作为标准，对筛选过的5个公共因子变量与在险价值做了进一步的相关性分析，分析结果见表5所示。

可见在险价值与5个因子之间的Pearson相关系数均小于03，说明在险价值与5个主成份之间的相关性不是很大，可以利用回归模型进行进一步的统计分析。

从理论上而言，在险价值指标和财务类指标一样反映了企业某一个方面的特性，对于房地产行业来说在险价值的反映的特性就是表现在房地产这一特殊的行业所面临的金融市场风险上，主要受利率风险、汇率风险、股票价格变动等外部宏观经济环境以及公司管理决策的影响。由于在险价值与5个公共因子之间的相关性不是很大，可以利用多元Logistic回归模型进行进一步的分析。在采用Logistic回归时，采用逐步加入因子的方法，依次分析F1、F2、F3、F4、F5、VAR的影响，回归结果如表6所示。

从表6中的（1）-（6）的回归结果可知，模型的参数估计都至少在01的显著性水平通过检验，表明得到的参数估计是可靠的，上述六个回归结果其卡方值的显著性水平均为00000，说明模型的整体检验十分显著。表6中的（6）回归结果即是引入在险价值后的中小型房地产企业财务风险监控模型。根据回归结果（6）可得到中小型房地产企业财务风险监控模型：

ln（1-pp）=0254×f1-025×f2-0183×f3+0189×f4+0305×f5+0744×VAR

其中，P为发生财务风险的概率。

为验证模型的有效性，将所有样本原始数据带入模型，计算出P值，将P值与确立的状况进行比，将预测状况与原始分类状况进行比较，本文主要分析了实行新企业会计准则之后2008-2013年各年得出模型的预测精度检验结果如表7所示。由表7可知，在本文只运用很小范围的检验样本的情况下，判别准确率与估计样本所得到的判别准确率相差不是很大，准确率基本上都在80%以上。可见模型具有一定的稳定性，也说明了本文构建的中小型房地产企业的风险监控模型是比较成功的。

（五）假设检验

Logistic回归分析结果表明，在险价值对中小型房地产企业财务风险的回归系数是0744，并在001显著水平上，回归结果其卡方值的显著性水平均为00000，说明模型在险价值对中小型房地产企业财务风险检验十分显著。

四、研究结论

本文以1998-2013年沪深A股中小型房地产企业为研究样本，将衡量公司外部市场风险的在险价值引入风险监控指标体系，构建中小型房地产企业财务风险监控模型，研究表明：盈利能力、成长能力、收益质量皆与企业财务风险显著正相关，表明中小型房地产企业盈利能力不强，过于扩张会导致企业风险控制不足，加大了财务风险。同时，为了与大型房地产企业竞争，销售环节过多的采用应收项目，导致收益质量差增加了财务风险。偿债能力、营造能力与企业财务风险显著负相关，表明中小型房地产鉴于自身盈利能力低，借债规模有限且规模小，可以在现有规模内实现资产的有效运营，降低了财务风险。而在险价值与中小型房地产企业财务风险显著正相关，其回归系数为0744，远远高于以上5个公共因子。这说明，在险价值对中小型房地产企业财务风险十分敏感，非常适合预测中小型房地产企业财务风险，因此，在中小型房地产企业财务风险监控中引入在险价值，必然会大大提高中小型房地产企业财务风险预测的准确性。

尽管在险价值具有广泛的应用和普及，但是也有学者提出了质疑（Artzner et al， 1999； Dowd and Blake， 2006），即在险价值对于一致性风险的度量上有可能会导致误导的风险感知（Nocera， 2009； Einhorn，2008）。此外，在险价值估计不可能捕获投资者所要研究的所有信息（Linsmeier & Pearson，2000），例如流动性风险、人员风险、政治风险、监管风险这几类风险（Beder，1995）。这是后续研究需要注意的问题。

注释：

① 数据来源：http：//financesinacomcn/review/jcgc/20140530shtml

参考文献：

[1] BEAVER，W.H.Financial Ratios as Predictors of Failure[J].Journal of Accounting Research， 1966，（4）：72-102.

[2] GALLINGER G. W. The Current and Quick Ratios： Are They Only Window Dressing？[J].Business Credit，1997，99（5）： 22-23.

[3] BALIi， T.， and N. CAKICI. Value at Risk and Expected Stock Returns[J]. Financial Analysts Journal，2004，60（2）：57-73.endprint

[4] BERKOWITZ， J. and J. OBRIEN. ‘How Accurate Are the Value-at-Risk Models at Commercial Banks？[J].Journal of Finance，2002，57： 1093-1111.

[5] HUANG， Y.， and B. LIN. Value-at-risk Analysis for Taiwan Stock Index Futures： Fat Tails and Conditional Asymmetries in Return Innovations[J].Review of Quantitative Finance and Accounting，2004，22：79-95.

[6] LIM， C.， and P. TAN. Value Relevance of Value-at-risk Disclosure[J].Review of Quantitative Finance and Accounting，2007，29： 353-370.

[7] WOODS， M.， K. DOWD and C. HUMPHREY. The Value of Risk Reporting： a Critical Analysis of Value-at-Risk Disclosures in the Banking Sector[J]. International Journal of Financial Services Management，2008，8（1）：45-64.

[8] POLANSKI， A.， & STOJA， E. Incorporating higher moments into Value at Risk forecasting[J].Journal of Forecasting，2010，29（6）：523-535.

[9] MANCINI， L.， & TROJANI， F. Robust Value at Risk prediction[J]. Journal of Financial Econometrics，2011，9（2）：281-313.

[10]陈桦. 基于层次分析法AHP的房地产投资项目风险分析与评价[J].企业导报，2012（16）：33-34.

[11]葛江松，洪开荣.基于AHP的房地产项目投资风险评价研究[J].企业家天地，2008（12）：186-187.

[12]胡援成，张朝洋. 政策调控下房地产开发企业的资金循环与债务危机识别[J].当代财经，2014（2）：50-64

[13]李立华，张强. 房地产信贷风险的评估与监控[J].统计与决策，2009（20）：113-115.

[14]李毅.基于SVM的房地产投资风险评价及应用[J].统计与决策，2012（1）：70-72.

[15]林乐芬，张越.中国房地产市场与流动性过剩的相关性分析[J].南京社会科学，2007（11）：45-49.

[16]刘晓君，孟凡文. 模糊层次分析法在房地产投资风险评价中的应用[J].西安建筑科技大学学报：自然科学版，2005（1）：135-137.

[17]鲁俊伟. 层次分析法在房地产开发项目风险管理中的应用研究[J]. 产业与科技论坛，2008（10）：236-238

[18]孟强.基于层次分析法的房地产项目风险管理[J].商业经济，2008（6）：15-17.

[19]上官金丽. 基于主成分分析的房地产投资风险评价研究[J].价值工程，2009（5）：158-160.

[20]苏亚莉. 房地产开发项目风险管理研究[J]. 东华理工大学学报：社会科学版，2011（1）：26-29

[21]田成诗，李辉.中国房地产市场风险评价_基于房价与宏观经济协整的分析[J]. 预测，2008（4）：1-5.

[22]杨淑君，王超.基于状态空间模型的我国房地产上市公司财务流动性实证研究[J]. 财政监督，2010（1）：7-9.

[23]喻曉艳，王松江. 房地产动态风险管理模型[J].科学咨询（决策管理），2008（10）：33-34

[24]张羽，张小利.房地产行业上市公司流动性分析[J].上海立信会计学院学报，2007（3）：47-50.

Research on Financial Risk Monitoring Introducing Value at Risk （VaR） of

Small and Medium- Sized Real Estate Enterprises

WANG Xiao-yan1，2

（1.School of Economics and Management， Northwestern University， Xi′an 710069， China；

2.School of Management and Economics， North China University of Water Resources and Electric Power，

Zhengzhou 450046，China）

Abstract：The external risk of small and medium-sized real estate enterprises has been significantly increased by the state macro control， which poses a severe challenge to the enterprise solvency and capital chain risk. To assess the risk of small and medium-sized real estate enterprises， this paper chooses 1998-2013 annual data of small and medium-sized real estate listed companies as research sample， to construct risk monitoring model by introducing the VaR into financial risk monitoring index system， and the model can effectively improve the accuracy of the financial risk prediction of real estate enterprises. Therefore， the integration of financial VaR risk assessment system has certain reference value for real estate companies to prevent and defuse financial risks， which can also play an early warning role to external market risk factors.

Key words：small and medium-sized real estate enterprises； risk monitoring； Value at Risk； early warning mechanism

（责任编辑：周正）endprint