夏佳佳,朱芬华
(安徽商贸职业技术学院 金融科技学院,安徽 芜湖 241002)
近年来,由于受到全球经济环境及突发性公共卫生事件的影响,我国房地产企业信用违约风险激增。2022年我国债券市场中房地产行业是违约高发行业,占我国债券违约市场的67.5%,其中18只债券的违约规模超过10亿元。[1]房地产由于其相关行业较多,供应链不仅涉及家具家电、装潢装修等多个行业,其风险将影响银行、政府土地财政等多个方面,因此信用违约风险呈现出显著的传染效应,成为系统性金融风险的重要影响因素之一。而房地产供应链风险涉及面广,与金融风险关联度高,因此,探索有效的房地产供应链信用违约风险防范与化解方法,对于把握“稳定大局、统筹协调、分类施策、精准拆弹”方针,守住预防系统性风险底线有着重要的意义。
我国房地产行业由于起步较晚,对商业银行信贷依赖程度高等因素,在受到外部冲击时极易引起金融系统风险[2]。此外,房地产行业为顺周期行业,当宏观经济发展较好时,房地产行业也会向好发展,由于其涉及到的上下游企业较多,如钢铁、公共设施及建筑等行业,与相关行业的关联度较大,因此,当房地产供应链因外部因素导致信用风险时,其传染性较为显著。龙剑友等[3]利用2015—2018年行业内上市公司数据,构建房地产复杂网络模型研究信用风险的传染性,研究发现:企业信用风险网络结构越紧密,则信用风险传染性越强,此外实证结果显示可以通过限制中大型民营房地产公司的信用风险来控制风险传染范围及效率。张卓群等[4]以ARIMA-R-Vine Couple模型为工具,分析中国城市房地产价格与风险传染相关性,研究表明:我国城市房地产风险传染关联性受到经济和地理因素的影响,此外各城市之间房价上涨的传染风险较为显著。范青松[5]利用复杂网络理论为基础构建房地产金融风险演化网络,确定了关键风险演化中介包括:房价快速上涨、房地产投资增长过快、银行房地产信贷规模扩张等,确立了4条风险演化渠道。
当房地产行业发生信用风险后,其供应链相关行业将会受其影响产生信用风险传导效应,政府通常会采取一系列的疏导政策,防范金融系统性风险,目前,学者们对于企业特别是房地产相关企业的纾困和救助主要集中在制度、政策及法律制定上。姚珂[6]系统梳理分析了美国2008年金融危机期间所采取的纾困措施,结合我国目前国情提出了建立“三道防火墙”,合理甄别救助对象等措施。Brupbacher[7]利用整套工具对英国和瑞士的企业救助程序进行分析,研究表明,以市场为主导的企业救助方法是稳健的,鉴于参与救助的各方之间存在利益分歧,建议通过问责制、专业化和自律机制进行约束。Godwin[8]认为从司法角度看,在制定法律制度时应首先考虑债权人发起救助的程度,债务人公司管理层对其在公司中作用的关注程度,外国投资者和债权人的权利在多大范围内得到政府机构和法院的承认和支持。
供应链企业信用危机救助本质上是优化决策问题,Tversky等[9]指出当搜索空间巨大时,暴力搜索在计算上过于昂贵。Payne等[10]提出启发式搜索是目前解决大空间决策问题的有效方法之一,使用启发式搜索方法来简化决策,可以通过减少选择和线索的数量来降低决策复杂性和计算难度。Sun等[11]基于法国的道路网络建立了基于Agent的模型,以研究地震后发生风险时灾后应急响应的策略选择。灾后应急响应代理分为2个部分进行分析和研究。结果表明,前瞻性启发式搜索是最有效的应急响应策略。从现有研究成果可以发现房地产供应链信用违约危机救助研究仍存在一定的不足,一方面没有提出较为明确的房地产相关行业救助策略办法,另一方面未考虑到在房地产供应链企业间的相关性,对企业的纾困停留在单一企业的层面,缺乏系统性和动态性。
综上所述,本文以房地产供应链为研究样本,提出可行性的模型框架,该模型充分考虑供应链企业间相互关联性,将房地产供应链信用违约企业网络化整体化,研究分析具有回路性的信用违约网络恢复,研究结果表明该模型是缓释房地产供应链信用违约风险的有效工具,这对于政府充分考虑选择策略效果,制定合理的符合市场运行规律的纾困政策提供了有效的参考。
房地产供应链企业由于存在商业信用、关联担保、交叉持股等关系,导致信用违约网络中企业间存在着较强的关联性,当信用违约网络中某家企业出现信用违约时,信用违约风险将会通过关联路径蔓延至网络中其他企业,即企业信用违约传染性[12]。
为了更具体地描述房地产供应链企业间的关联关系,本文参考单汨源等[13]的研究,首先利用KMV模型测量企业信用风险水平,得到违约概率及日违约距离,后利用关联规则经典Apriori算法挖掘供应链企业同一时期的信用风险传染路径,基于产业链企业日违约距离构建数据库DD={S1,S2,…,Sn},其中Si表示数据库中第i只股票日违约时间序列,设定日违约距离di≤di-1时,第i个交易日为TURE,否则为FALSE,最后对数据进行关联规则挖掘,得到企业间信用关联规则及置信度(即关联概率),置信度值越大,表明二者关联度越大,即企业间风险传染强度越强。
本文将政府视为一个进行信用违约网络恢复的决策智能体,对于具有传染性的信用违约网络来说,进行有序恢复并非易事。本研究借鉴英国人类学家布朗提出的社会网络分析方法[14],将信用违约网络中企业间关联关系描述为网络拓扑结构,每个节点代表不同的企业,不同企业间的相互关系称为边,参考Pérez-Ortiz等[15]的研究结果,将企业间关联概率(置信度)的倒数作为边长距离,即企业间关联性越大则边长越短,反之边长越长。考虑到拓扑结构中的企业关联性[16],政府对濒临违约企业的救助将受到违约企业恢复状态的影响,即如果违约企业救助不能被政府有效快速完成,则与之关联的濒临违约企业的救助将面对严重的瓶颈。另一方面,如果濒临违约企业长期得不到救助,则其经营状态不会得到改善甚至走向破产最终导致违约,这将使得违约企业救助变得被动,即使政府加大对该企业的救助和扶持力度,由于关联企业无法恢复,或违约企业由于供应商或销售商枯竭而仍然面临较大的经营困境,从而导致救助无效。为了考察上述具有回路依存性的企业信用违约网络,一种具有良好适应性的针对巨型社会经济系统的计算方法被提出,用于建立企业信用违约救助的策略网络。
税收是财政收入重要组成部分,为政府的正常运转及保障民生起到了举足轻重的支撑作用,稳定的税收收入能促进经济高质量发展,增强政府抵抗外界风险的能力[17]。当企业面临经营困难导致信用违约甚至破产时,政府将无法获得税收收入,在企业信用违约网络恢复过程中政府将面临不同程度的税收损失,直至所有企业恢复正常生产经营,政府才能获得正常税收收入,因此本文将政府对企业纾困过程中的税收总损失STL及恢复时间T作为房地产供应链信用违约网络恢复的总体优化目标,税收损失定义为:
(1)
式中:i为需要救助企业的个数;RDi为第i个企业在日均单位税收;Nb为需要纾困企业数量;Tf为所有企业完成恢复的时间;Ci为第i个企业税收折扣因子,设定企业状态为违约时Ci=1,当企业状态为濒临违约时Ci=0.5,即当企业发生违约时,政府将损失全部税收,当企业濒临违约时,政府将损失一半税收。STL为第i个企业的税收总损失,当T=0时,由于所有违约和濒临违约企业均未得到救助,因此在该时间内税收总损失最大,随着救助慢慢推进,税收总损失将逐渐降低直至STL=0,政府力求在损失最小及用时最短的情况下实现企业违约网络恢复,因此,将税收总损失STL及总时间T最小化作为企业信用违约网络恢复的优化目标。
启发式搜索适应于强大且复杂的社会信息系统,通过所描述问题中的启发信息进行搜索,简化复杂问题,适用于搜索空间巨大的一种搜索技术[18-19]。启发式搜索算法是将动态规划问题转化为状态空间的路径求解问题,其关键问题在于估值函数的设置,通过合理的估值函数可以高效迅速地找到搜索节点,提高搜索效率[20-21]。
当市场遇到危机时,房地产供应链中各企业将受到不同程度的冲击,企业生产经营将受到不同程度的影响。生产规模大,创新能力强,核心技术过硬的企业往往受到冲击能力小于规模小,抗风险能力弱的企业,因此,本文将受危机影响后的企业分为违约企业、濒临违约企业、无违约企业3组,分别描述供应链中企业需要政府的救助程度。参考Altman[22]的研究结果,设定信用评级值Z,当Z∈(-∞,1.8)时,该企业为违约企业,当Z∈[1.81,2.675]时,该企业为濒临违约企业,当Z∈(2.675,+∞)时,该企业为无违约企业,将违约企业状态设定为DS2,濒临违约企业状态设定为DS1,无违约状态设定为DS0。
在启发式搜索过程中,主要问题是如何确定具有强针对性的下一个搜索目标,为了提高搜索效率,确定合理的搜索策略是重中之重,本文参考Sun等[11]提出的策略制定方法,提出总资产、总负债及主营业务收入3个指标作为启发式搜索策略准则,其中总资产反映企业总规模,总负债反映企业总体负债规模,主营业务收入反映企业的销售收入情况[23-24]。通常情况下,资产规模越大,负债总额越大,销售收入越好的企业在供应链中地位及影响力往往越大,对其他企业影响程度越高,该部分企业越早得到纾困和救助将越有效促进整体网络高效恢复,因此,将启发式搜索准则确定为3项指标的降序排列,即政府首先对资金总资产和总负债规模大、销售收入大的企业进行救助,以此确定救助次序。
在违约网络中单个企业的状态恢复由随即恢复函数决定的(见图1),RPDS1(t)和RPDS2(t)恢复函数是恢复阶段时间的S形函数,表示为对数正态概率分布函数,以满足边界和单调性要求。参考Sun等[25]的研究结果,在企业信用违约网络恢复过程中任意时间点t0上生成随机数r∈[0,1],如果某企业状态为DS1,则当r< RPDS1(t0)时该企业被成功救助,如果某企业状态属于DS2时,通过救助该企业状态将被部分恢复或者全部恢复,因此,状态为DS2企业的恢复面临3种情况:当r< RPDS2(t0)时,企业完全恢复正常经营;当 RPDS2(t0)
图1 房地产供应链信用违约网络中单个企业恢复函数
鉴于企业信用违约网络存在高自相关性,单个企业状态变化会影响其关联企业救助时间变动,因此将单个企业恢复时间定义为:
(2)
在对信用违约网络进行恢复开始时,决策者随机生成3组状态企业(违约、濒临违约及无违约),根据特定的启发式搜索策略对需要救助的企业进行排序,按照排列顺序依次选择救助企业,依据拓扑结构网络分析寻找到每个企业的关联企业,并根据式(2)判断t时刻各关联企业状态对该企业救助时间的影响,再通过随机恢复函数设定恢复阈值,得到单个企业救助结果。随后,根据启发式搜索策略逐步完成企业网络中逐个企业状态恢复,最终实现整体网络救助确定单次模拟的结果,得到单个策略下信用违约网络救助总损失,基于启发式搜索模型框架见图2。
图2 基于启发式搜索的企业信用违约网络恢复框架
蒙特卡洛法是基于概率论及数理统计的一种数理方法,用于解决可以被描述为事件的发生频率或某个随机变量的均值的问题[26]。蒙特卡洛法的基本原理主要是确定变量的概率分布,根据概率分布在计算机上生成随机数,以这些随机数作为抽样值,依据所设置的模型进行逻辑关系运算,得到安全绩效的估值结果,并以概率分布的形式呈现出来[27]。蒙特卡洛法以概率统计为基础,求事件发生的频率或者求某个随机变量的均值,将单次结果作为蒙特卡洛模拟的随机变量,进行1 000次模拟实验结果均值,提升了模拟结果的稳定性。
房地产行业由于其高资产负债率,重资产等特征,为我国重要的经济产业,其关联行业多且关联度较强,从上游建材到下游的家电家具,建筑装修等,均依靠该链条核心产业即房地产产业的发展刺激需求,信用风险在供应链内部呈现出显著的传染性,因此本文选择以中国房地产企业为核心样本[28-29]。综合上下游关联企业包括建材、钢铁、批发零售、公共设施、汽车制造共涉及6个行业中60家企业为研究对象,考察当危机到来后,信用违约风险在企业网络中的蔓延路径[30],寻找政府在对企业实行救助时的最优策略选择,数据均来自于CSMAR数据库。
本文选取了2021年房地产产业链上市A股60家企业市场数据为研究样本,见表1。通过KMV模型测量企业信用风险水平,得到违约概率及日违约距离[31],将数据导入SPSS Clementine 12.0软件进行关联规则挖掘。设定最大前项数量为1,最低置信度阈值60%。得到企业间信用关联规则,置信度即关联概率,从关联规则置信度的统计意义角度解释,置信度值越大,表明二者关联概率越大,关联度越大,即企业间风险传染强度越强。
表1 部分样本企业
通过KMV模型计算得到日违约距离,再通过Apriori算法进行关联关系挖掘得到60家企业关联关系,共175条关联规则及关联概率,本文将关联概率,即置信度结果的倒数设为拓扑结构企业之间的相关距离,即关联概率越大,两企业间拓扑距离越近,反之越远,由此构建了企业信用违约传染路径的拓扑结构,见表2。
表2 房地产供应链部分关联企业拓扑距离
表3 不同分位数水平下恢复时间
当房地产供应链遭受冲击时,供应链中各企业将受到不同程度的影响,此时,根据上述2.3所描述,决策者将企业按照违约程度不同分为DS0,DS1和DS23组,由3.1实验结果得到房地产供应链信用违约网络拓扑结构,随即决策者将依据不同的启发式搜索策略对各企业实施救助,得到基于拓扑结构的3种救助次序。决策者首先将选择排序第一的企业进行救助,在企业经营恢复之前,先考察该企业相关联企业状态,根据式(2)更新当前企业恢复时间,救助时间CT被修复后,利用2.3中随机恢复函数判断企业是否被成功救助,根据随机恢复函数理论,随着恢复时长的增加,企业恢复概率逐渐增大,直至救助成功,企业被成功救助时其状态将由DS2或DS1转变为DS0,直至全部企业得到成功救助,最后考察当所有企业状态为DS0时,根据式(1)计算得到税收总损失STL及救助时间T,通过比较分析1 000次蒙特卡洛模拟结果得到最优策略。
图3显示了房地产供应链信用违约救助的在不同策略下启发式搜索结果,3条曲线走势接近,但是策略曲线的阴影面积有所差异,图3(a)显示的是基于总资产的策略曲线政府总损失(即阴影部分面积)为1 252亿元,图3(b)为基于违约率的策略曲线政府总损失为2 718亿元,图3(c)为基于销售利润率策略曲线政府总损失为1 977亿元,可以得到政府基于总资产策略的启发式搜索产生的税收总损失最小,较违约率策略总损失减少了54%,较销售利润率策略总损失减少了36.67%。
(a)总资产策略曲线下税收总损失
基于1 000次模特卡罗模拟结果,3种不同策略结果还可以从概率密度视角进行对比分析,将模拟结果进行对数正态分布模拟,得到概率密度函数,结果如图4所示,基于资产概率密度曲线峰值均早于其他2个策略,且在极端情况下基于资产策略的恢复时效性也均较强。
图4 房地产信用违约网络恢复时间概率密度函数
此外,在不同分位数水平下,各策略之间结果差异也较为显著。由表5可以得到,基于总资产的策略在不同分位数下企业恢复时间均最短,基于违约率的策略需要花费时间最长,救助时效性最差。具体而言,在50%分位数水平上,总资产策略下恢复时间为443 d,较违约率策略下降71.8%,较销售利润率策略下降13.3%;在80%分位数水平上,总资产策略下的恢复时间较违约率和销售利润率策略分别下降54.8%和0.64%。由此说明,基于总资产的启发式搜索策略在任何分位数水平下均为恢复效率最高的策略。
本文提出了一套适用于在冲击事件下复杂企业网络下信用违约网络恢复的模型框架,用于巨大的搜索空间,特别是启发式搜索算法,能够帮助决策者以快速高效的方式完成救助。据此提出了3种基于启发式搜索策略,为政府实施信用违约救助提供参考。在庞大的现实企业网络中,既要考虑到企业间动态关联性,又要考虑到如何正确面对这种关联性,不同的启发式策略将带来救助结果较大的差距。通过分析得到以下实验结果:
1)基于启发式搜索算法的信用违约网络恢复模型为房地产供应链企业提供了一套完整的救助策略,该框架模型考虑到了企业间的相互关联性,即单个企业的状态变化对整个网络系统状态的动态影响,正如上文所述,违约企业的状态变化通过关联拓扑网络结构影响濒临违约企业的状态,同理,濒临违约企业状态的好转也正向促进了违约企业状态的快速好转。
2)通过比较分析各启发式搜索策略,得到了企业救助的最优策略——基于总资产降序排列准则。在其他条件不变的情况下,基于总资产恢复策略无论是政府总税收损失还是救助时间上均为最小。
3) 对于企业信用违约网络来说,网络节点与其他企业特别是违约企业的相关性越强,其恢复的时效性越差,政府纾困的损失也会越大,因此,信用违约企业的网络拓扑结构对于网络恢复产生显著的影响。
当房地产供应链面临信用风险时,政府作为救助及企业纾困主体,一方面应当重视资产规模较大的房地产及相关行业企业经营及信用违约状况,在信用风险出现初期给予及时政策扶持,以此将房地产供应链信用风险蔓延造成的损失降至最低;另一方面,政府在纾困政策制定层面上,应当充分考虑房地产供应链信用风险恢复资金及时间成本,制定合理政府财政预算,根据搜索策略效果,制定符合市场运行规律的救助政策。利用启发式搜索算法探索信用违约网络恢复最优策略是基于资产、违约率及销售利润率3种准则实现的,下一步可以以各节点在信用违约拓扑网络中重要程度为准则,考察违约网络的恢复效率。