房地產調控與房企違約風險

蔡真 林菁 薄棟

摘 要：2005年至2021年，我國房地產政策經歷了三輪“放松收緊”的過程。文章基于20082021年第三季度我國A股103家上市房企股票日交易數據和財務數據，運用KMV模型估算出違約距離以度量其違約風險，進一步采用面板模型在控制住房企微觀因素的基礎上分析了房地產調控政策對房企違約風險的影響。研究發現：從長周期視角看，房地產調控政策有利于降低房企違約風險，也有利于房地產市場健康平穩發展。異質性分析表明，調控政策存在明顯的結構效應，調控政策對資產規模最大組別的風險抑制效果并不好，對民營企業和其他所有制性質企業產生負向效果，即會導致違約風險增加。除在政策層面繼續堅持“房住不炒”精神、貫徹執行房地產金融審慎管理制度外，還應采取相應的結構性對策：一是針對大型房企應采取“一企一策”措施，防止資本無序擴張；二是監管層應鼓勵銀行按照運營效率、經營能力等指標開展房企貸款評估，減少放款過程中的所有制歧視現象。

關鍵詞：房地產調控；房企違約風險；KMV模型；面板回歸分析

中圖分類號：F830.573文獻標識碼：A

文章編號：1673-8268（2023）05-0115-13

近年來，我國房企違約風險激增。根據Wind數據庫的統計，2018年房企違約債券數量為6只，2021年前三季度，房企違約債券數量分別為14只、19只和57只；違約金額占比也逐漸上升，分別為2.30%、4.51%、10.68%和31.29%，房企債券成為債券違約的主力。銀行方面，上市公司年報顯示，房地產開發貸的不良率逐漸上升，2019年，工商銀行開發貸不良率為1.71%；2021年前兩個季度，工商銀行開發貸不良率分別為2.32%和4.29%。同期，中信銀行開發貸不良率分別為1.19%、3.35%和3.31%。一些城商行的開發貸不良率更高，2021年上半年，重慶銀行的這一指標高達6.28%。除正規金融體系出現了房企違約風險外，影子銀行以及非正規金融體系也是房企爆雷的重災區，根據用益信托的統計，2021年110月，房地產信托共發生66起違約事件，違約規模約489億元，占比近六成。私募理財方面，恒大財富、錦恒財富（為房企佳兆業提供融資）等機構產品也相繼出現了兌付危機。

房企違約影響重大，因為房地產關聯上下游行業、銀行、土地財政等多個方面，是爆發系統性金融風險的源頭之一^[1]。對于房企違約的原因，既往研究多從微觀視角進行探討，如房企財務不健康、內部治理機制薄弱、公司戰略激進、盲目擴張等；宏觀層面則主要探討調控政策對房價的影響^[2-3]。一些學術論文探討了限貸限購政策對房企違約風險的影響，但研究方法多限于政策前后對比、配對T檢驗，未研究其他控制因素；且限購、限貸是區域政策，而大部分房企布局是面向全國的，因此關于兩者關系結論的可靠性有待進一步檢驗。

自2020年7月房地產金融審慎管理制度實施以來，房企普遍反映因政策收緊使得融資不暢而導致了風險，這一影響是直接的。從人民銀行2021年第三季度金融統計數據新聞發布會的表述來看，這一點得到了驗證：“部分金融機構對于30家試點房企‘三線四檔融資管理規則也存在一些誤解……原本應該合理支持的新開工項目得不到貸款，也一定程度上造成了一些企業資金鏈緊繃?！比欢?，一些研究表明，房地產調控對降低房企風險有積極作用。房地產調控到底是降低還是提高了房企違約風險？這是本文要回答的核心問題。相較于既往文獻，本文的邊際貢獻體現在以下三個方面。一是研究視角上，從長周期的視角展開，研究時段為2008年1月1日至2021年9月30日，覆蓋了政策“從放松到收緊”三個完整階段，使研究結論接受檢驗的時期更長。二是研究方法上，構建了全國性的房地產調控變量值，避免了過往區域政策與房企全域布局不匹配的問題，增強了研究結論的可靠性。三是政策含義上，一方面要堅持“房住不炒”精神，

從總量上保持調控定力；另一方面也應注意調控產生的結構性效應，減少房地產金融審慎管理制度執行中的所有制歧視現象，避免民營房企的違約風險增加，防止出現傳染效應。

一、文獻綜述

與本研究相關的文獻包括兩個分支：一是公司違約風險的度量，二是房地產調控對房企風險的影響。

關于公司違約風險的度量可以分為兩類：一類是基于計量方法的判別模型。這類模型最早可追溯到Altman的Z值模型，該模型選取流動資金/資產、保留盈余/資產、息稅前盈余/資產、權益市值/長期債務面值、銷售額/資產五個財務指標構建Z值^[4]。隨著計量技術的發展，尤其是Logit模型的出現，早期的線性判別模型被逐漸取代，因為Logit模型無須對違約的先驗概率和樣本分布做任何假設，具有更大優勢。Ohlson首次應用Logit模型對企業違約進行研究，他以19701976年間105家破產企業及2 058家非破產企業為樣本，選擇九個解釋變量構建Logit模型，其結果表明模型準確率達92%以上^[5]。另一類模型為結構模型，是將公司違約率與公司因果結構（資本結構）相關變量聯系在一起的一種信用風險度量方法。這類模型構建的基本思想是基于Merton的期權定價思想，即將公司的違約看作一項或有期權^[6]。結構模型中應用最廣的當屬KMV模型，該模型很簡單，即公司是否會違約取決于公司總資產未來的市場價值是否小于負債總值，并據此計算違約概率。1993年后，KMV公司和穆迪公司陸續發布多篇KMV模型相關研究成果和白皮書，介紹KMV模型的理論基礎、模型框架、參數設定等內容^[7]。近年來，隨著計算機技術的發展，一些機器學習方法如神經網絡、向量支持機等也被用于信用違約的計算。Chen等基于卷積神經網絡將風險因子轉換成非結構化數據，使得對多個行業信用風險的識別率達到80%以上^[8]。Sariev等基于支持向量機（support vector machines，SVM）的最大距離原則提出了一種新的繞封方法用于度量違約概率，該方法的實證結果優于Logit回歸的結果^[9]。文本挖掘技術也被用于預測信用風險，Matin等應用上市公司年報中的管理層陳述內容構建公司壓力指數以預測違約風險^[10]，Li等應用新浪新聞構建公司財務狀況指數預測信用風險^[11]，Daniel等應用企業社會責任報告中的文本構建指數，比較了多種方法對信用風險的預測準確度，結果表明隨機森林方法最優^[12]。這類方法具有較強的學習能力，故有效降低了違約率預測中犯第一類錯誤和第二類錯誤的可能性。然而，也正是由于其優點太過突出，這些方法的缺點也很明顯：一個樣本內很有解釋力的模型在樣本外卻可能表現極差，即存在過度擬合問題，這是由于計算方法的指標之間缺乏內在的經濟邏輯，正如Daniel等在文中所言，企業社會責任并不能系統性地反映信用評級結果。正因為如此，本文計算所使用的結構模型的違約含義十分清晰，即公司未來資產價值落入違約點以下的可能性，而違約距離則是很好的刻畫指標。

關于房地產調控對房企違約風險影響的文獻分為兩類：一類持負面觀點，即房地產調控會導致房企違約風險增加。張玉梅等分析了緊縮調控導致房地產信托違約的原因，包括銷售回款困難、融資成本過高、委托代理中的道德風險等^[13]。袁海霞等從債券融資視角討論了調控對房企信用風險的影響，緊縮調控導致房企融資、住房按揭收緊，同時房企債務集中到期，這兩個因素共同導致了房企信用風險的增加^[14]。以上文獻都是基于對直接原因的分析，缺少實證方面的檢驗。周陽敏采用計量方法研究了限購令、房產稅和新土管政策對房企風險的影響，結果表明上市房企整體抗風險能力都很弱，其中限購令的政策沖擊最強^[15]。但該研究存在一定缺陷：一是被解釋變量為凈利潤增長率，回歸模型中因子系數為負，這僅能說明凈利潤增長放緩，并不代表風險增加；二是研究樣本只限定于2011年，研究結論可靠性不強。Jiang考察了房地產調控是否降低了對銀行的風險，結果表明調控政策并沒有起到降低風險的作用^[16]。另一類文獻持正面觀點，即房地產調控有利于控房價和促進房地產市場的可持續增長，有利于防范系統性風險，進而有利于降低房企違約風險。馬草原等從貸款價值比（loan to value，LTV）視角切入并構建了DSGE模型進行探討^[17]。楊源源等同樣構建了DSGE模型，探討了在不同情形下應該使用房產稅政策還是宏觀審慎政策^[18]。與DSGE模型不同，Su等應用向量自回歸模型發現，土地融資導致房價上升，貨幣政策可以起到抑制房價的作用^[19]。彭中文等應用實證方法探討了宏觀調控對房企信用風險的影響機制，認為宏觀調控越嚴厲，越有利于降低房企信用風險^[20]。該文樣本時間跨度為20032012年，對結論可靠性有一定支撐。作者認為宏觀調控政策包括從緊、適中、寬松三種，但何為適中則具有明顯主觀性，且并未進行穩健性檢驗。

梳理上述文獻可知，現有討論房地產調控與房企違約風險的文獻存在如下不足：持負面觀點的文獻缺少計量檢驗的支持；持正面觀點的文獻有的混淆了系統性風險與房企違約風險，兩者并不存在必然因果關系；有的宏觀調控政策賦值存在主觀性，且研究跨度較短。相較于既往文獻，本文采取如下研究策略：第一，應用KMV模型度量房企的違約風險。這么做的好處是，一方面違約風險來自于企業資產價值與債務之間的違約距離，是市場交易直接給出的評估結果，這就避免了內生性問題。第二，以國務院、住建部、人民銀行、銀保監會的政策性文件為基準，按時間段確定政策松緊程度，構建了全國性房地產調控政策變量，避免區域性政策與房企全國布局之間的矛盾。第三，在控制住房企規模、運營、財務等條件下分析房地產調控對房企違約風險的影響，并進行了穩健性檢驗和異質性分析。

二、研究設計（一）研究思路及房地產宏觀調控政策賦值

本文的具體研究思路包括三步：一是應用KMV模型計算房企的違約距離（違約距離越大，違約風險越?。?，二是給房地產宏觀調控政策賦值，三是應用面板計量模型分析房地產調控對房企違約距離的影響。

KMV模型的建模思想如下：從股東的視角來看，當公司借入負債時，可以將這一行為視為買入以公司總資產市場價值為標的資產的歐式看漲期權，期權的執行價格為負債的價值，期限是負債的期限。當期末公司總資產的市場價值低于期末負債價值時，公司的股權價值為零，公司所有人會選擇不執行該歐式看漲期權，即會對債權人違約。依據這一建模思想，KMV模型的主要目標是估算違約距離（distance to default，DD）和預期違約概率（expected default frequency，EDF）。模型將公司總資產市場價值與公司負債價值相等的情況定義為違約點（default point，DPT），將預期總資產價值偏離違約點的相對距離定義為DD（為使不同規模公司間具有可比性，該指標是一個標準化指標）。圖1中，DD表示未來資產市場價值的均值與違約點的距離，EDF為未來資產市場價值曲線落入違約點以下的陰影部分面積，T表示負債的期限。違約距離越大，公司的信用風險越小，也即EDF越小。

對全國性房地產調控政策松緊程度的界定如下。收緊以國務院、住建部、央行等部委出臺限貸、限售、限購等標志性收縮政策為依據，放松以國務院、部委出臺降低首付比例、首套房認定標準、降低交易稅費等標志性放松政策為依據。2005年以來，房地產調控政策經歷了三輪“放松收緊”過程（見表1）。

核心解釋變量房地產調控政策（real estate control policy，RECP）的賦值方法如下：在收緊時間段內RECP賦值為1，在放松時間段內RECP賦值為0，對于年度內房地產調控政策既經歷收緊又經歷放松的情況，按照收緊時間段占年度的比重賦值。表2為房地產調控變量的賦值結果。

對于影響房企違約距離的因素，除房地產調控政策外，需從規模、資產結構、經營效率、盈利能力、短期償債能力等方面控制房企的微觀差異，因為這些因素顯著影響房企違約風險，故設定如下面板回歸模型

DD_it=α₀+∑β_jX_it，j+γRECP_t+λ_t+μ_i+ε_{it ???}（1）

式（1）中：i表示各上市房企；t表示年份；DD為違約距離變量，作為被解釋變量；α₀為常數項；X_j為上市房企的總資產等房企自身變量，作為控制變量；β_j為控制變量的系數，j（j=1，2，…，n）為標識不同解釋變量的下標；RECP為房地產調控政策變量，作為核心解釋變量；γ為其系數；λ_t為時間固定效應控制變量的系數；μ_i為個體固定效應控制變量的系數；ε_it為隨機誤差項。

由于企業的所有制性質影響融資成本及融資難易程度，進而導致房地產調控政策不同的響應效果，對此筆者以企業所有制性質設立調節變量。具體的分類標準如下：國有企業，指出資股份在51%以上或第一大股東或實控人為國有資產監督管理機構的情況；民營企業，指出資股份在51%以上或第一大股東或實控人為民營資本的情況；外資企業，指出資股份在51%以上、或第一大股東或實控人為外資資本的情況；其他企業，除上述企業之外所有的情形，主要包括集體企業或公眾企業，公眾企業一般指沒有實控人的企業。

本文選取的研究變量具體如表3所示。

（二）樣本選取及數據來源

本文選取上海、深圳證券交易所所有上市房地產開發公司作為初選樣本，樣本數據選取期間為2008年1月1日至2021年9月30日，依據Wind行業分類標準進行分類，所屬行業明細為房地產—房地產Ⅱ—房地產管理和開發—房地產開發。樣本篩選的原則如下：（1）剔除數據缺失樣本；（2）剔除數據異常值。最終得到103個上市房企作為樣本，各變量的描述性統計如表4所示。

三、房地產調控對房企違約風險的實證分析

（一）KMV模型的計算結果

在KMV模型的計算中，涉及股權市場價值E、股權價值年波動率σ_E、債務期限T、違約點DPT以及無風險利率r五個參數。股權市值E取每年度或季度最后一個交易日的股票總市值，數據來自Wind數據庫。股權價值波動率σ_E計算方法如下：以股票日收盤價格的變化計算股票價格日均波動率標準差σ_y，再由公式σ_E=σ_yn得到年波動率。債務期限取一年，違約點為短期債務與0.5倍長期債務之和，無風險利率取一年期固定國債利率。以上計算所需房企債務數據以及國債利率數據全部來源于Wind數據庫。

根據上述計算方法，得到103家上市房企每年度的違約距離。從描述性統計來看，整體平均值為2.41，最小值為0.32（2021年第三季度的泰禾集團），最大值為10.12（2017年中房股份），違約距離主要集中在[2，3]區間。違約距離的時間變化趨勢如圖2所示。

從圖2可以看出，2015年出臺的棚改貨幣化政策整體改善了房企違約風險，房企違約距離上升較大；但2017年“房住不炒”政策提出后，房企違約距離整體上并沒有明顯下降，其影響僅體現為房企尾部風險加大。由此可見，房企違約風險表現出時序特征，但房地產調控政策影響的具體表現還有待后續面板回歸的考察。

在房地產金融審慎管理制度實施后的這段時間內出現了大型房企違約的現象。表5按規模分組內統計表明，1 000億以上規模房企的平均違約距離是所有分組中最小的，且標準差較小，說明其整體違約風險最高，理論違約概率的最大值達到37.52%，與現實基本一致。在后續的面板回歸分析中，筆者將重點考察不同規模分組的房企受房地產調控政策的影響情況。

（二）面板回歸基本估計結果

為了避免多重共線性問題，應用上文面板模型，通過逐步回歸分析法，以控制時間和個體變量的方式來研究影響違約距離的各個因素。表6給出了逐步回歸的每步基本統計結果，剔除未通過顯著性檢驗的因素后，可得如下基準回歸方程

DD_it=-1.13+0.000 805×TA_it－0.000 010×TL_it－0.000 529×NDR_it+0.015 3×ITR_it+0.000 398×NPMS_it+0.000 090×CSDR_it+3.94×RECP_t+λ_t+μ_i+ε_it（2）

根據回歸方程，可得出以下結論：總資產的系數為正，即隨著房企總資產的增加，違約距離越大，違約概率越??；總負債的系數為負，即隨著房企總負債的增加，違約距離越小，違約概率越大。因為總資產的系數大于總負債的系數，所以房企凈資產的規模越大，違約風險反而降低。凈負債率是一個結構指標，其系數為負，反映了負債水平越高，房企違約距離越?。ㄟ`約風險越大）。存貨周轉率、銷售凈利率和現金短債比三個指標的系數都為正，說明經營效率越高、盈利能力以及短期償債能力越強，則違約距離越大（違約風險越?。?。在控制住上述微觀解釋變量后，房地產調控政策對房企違約風險的影響為正。這說明從長周期視角看，緊縮的房地產調控有效遏制了房企的規?？焖贁U張，降低了杠桿水平，使得房企違約距離擴大，房企違約風險降低。

（三）穩健性檢驗

借鑒Altman^[4][21]的研究成果，按照式（3）構造Z值。

Z-Score=1.2X₁+1.4X₂+3.3X₃+0.6X₄+0.999X₅（3）

式（3）中：X₁=營運資金/總資產，反映資產的變現能力和規模特征；X₂=留存收益/總資產，反映公司的累積盈利能力；X₃=EBIT/總資產，EBIT表示息稅前利潤，反映資產的盈利能力；X₄=權益的市場價值/總負債的賬面價值，是衡量一家公司財務結構、表明所有者權益和債權人權益相對關系的比率，可以反映一家公司的償債能力；X₅=營業收入/總資產，反映企業資金周轉情況，用來衡量公司利用資產的效率情況。Z值越大，表明公司財務狀況越良好；Z值越小，表明公司違約風險越高。

借鑒Ohlson^[5]的研究成果，按照式（4）構造O值。

O-Score=-1.32-0.407SIZE+6.03TLTA-1.43WCTA+0.075 7CLCA-2.37NITA-1.83FUTL+0.285INTWO-1.72OENEG-0.521CHIN ???（4）

式（4）中：SIZE=Ln（總資產）；TLTA=總負債/總資產；WCTA=營運資金/總資產；CLCA=流動負債/流動資產；NITA=凈利潤/總資產；FUTL=經營性凈現金流/總負債；INTWO=如過去兩年凈利潤均為負數則為1，否則為0；OENEG=如總負債>總資產為1，否則為0；CHIN=（NI_t-NI_t-1）/（|NI_t|+|NI_t-1|），NI表示凈利潤。O值越大表明公司違約風險越大，破產概率越高。

被解釋變量房企違約距離（DD）基于KMV模型進行度量，為確保研究結論的可靠性，引入替換變量O值（O-Score）和Z值（Z-Score）對模型進行回歸。替換被解釋變量后的回歸結果如表7中（1）和（2）所示，系數符號方向與基準回歸結果一致，兩個替換變量均在10%水平上顯著，說明檢驗結果均保持一致，研究結論具有穩健性和可靠性。

為克服可能存在的小樣本偏誤問題，使用傾向匹配得分法（propensity score matching，PSM）為受到房地產調控的樣本匹配與之特征相近的、未受到調控的樣本作為對照組進行回歸分析。匹配完成后，利用新的樣本對模型進行回歸，結果如表7中（3）違約距離所示?？梢钥吹?，房地產調控與房企違約距離之間仍然存在1%顯著性水平上的正向相關關系，與本文結論一致。

（四）異質性分析

為進一步考察房地產調控對不同規模房企違約風險的影響，本文將上市房企按如下規模分成5組，比較各分組情況下房地產調控對房企違約距離的影響。表8為資產規模分組的異質性分析，其估計結果表明，房地產調控對房企違約距離的影響成倒U型（對房企違約風險的影響成U型），即房地產調控政策對500億～1 000億資產規模房企風險的調控風險降低最明顯。對于資產規模大于1 000億的房企房地產調控降低風險的效果并不明顯，這可能是因為大型房企利用其市場勢力采取“大而不倒”的經營策略，逆市加杠桿，因而調控效果不明顯，這一點以恒大的表現最為典型。對于資產規模小于500億的房企，房地產調控的效果也不明顯，這可能是因為小型房企本身就難以從銀行獲得貸款。

房企所有制性質的異質性分析如表9所示。

為進一步考察房地產調控對不同所有制房企違約風險的影響，本文根據房企所有制性質生成國有企業、民營企業、外資企業、其他企業四個虛擬變量，以國有企業為基準組，將其余三個所有制性質虛擬變量與房地產調控政策變量做交互后，加入計量模型中重復基準回歸。對房企所有制性質所做的異質性分析報告的估計結果表明，盡管統計并不顯著，但房地產調控政策對民營企業和其他企業相對于國有企業造成的負面影響要大，導致其違約距離減少（違約風險增加）；房地產調控政策對外資企業比國有企業造成的正面影響要大，導致其違約距離增加（違約風險減少）。這說明房地產調控政策在不同所有制企業中存在結構差異（見表9）。

四、結論與政策建議

本文基于20082021年第三季度我國A股103家上市房企股票日交易數據和財務數據，運用KMV模型估算出的違約距離來度量其違約風險，進一步地，本文采用面板模型在控制住房企微觀因素的基礎上分析了房地產調控政策對房企違約風險的影響。從實證結果來看，筆者有如下發現：（1）房企違約風險整體上表現出時序性特征，在截面上也有明顯分化，以2021年前三季度為例，規模1 000億以上房企的違約風險最高；（2）在微觀層面，房企違約風險與以下因素有關：房企凈資產規模越大違約風險越低，經營效率越高、盈利水平越強則違約風險越小，凈負債率越低、短期償債能力越強違約風險越??；（3）在宏觀層面，緊縮的房地產調控政策有利于降低房企違約風險，異質性分析表明調控政策存在明顯的結構效應，調控政策對規模在500億～1 000億的房企的風險抑制效果最好，對民營企業和其他所有制性質企業產生負向效果，即會導致違約風險增加。

本文研究結果表明，從長周期視角看，房地產調控政策有利于降低房企違約風險，有利于房地產市場健康平穩發展。盡管2021年出現了較多房企違約事件，但絕大部分是市場自我出清的結果，因此在政策上應繼續堅持“房住不炒”精神，貫徹執行房地產金融審慎管理制度。本文的異質性分析表明，房地產調控政策存在結構效應：一方面，房地產調控對資產規模最大組別的風險抑制效果并不好，這可能是因為大型房企利用“大而不倒”策略逆市加杠桿所導致，因此針對大型房企應采取“一企一策”措施，防止資本無序擴張。另一方面，房地產調控政策在客觀上導致民營房企和其他所有制性質房企的違約風險加大，在政策層面，監管層應鼓勵銀行按照運營效率、經營能力等指標開展貸款評估，減少放款過程中的所有制歧視現象。同時，監管層也應關注民營房企的違約是流動性風險導致的還是資不抵債導致的，對于前一種情況應注入流動性、防止出現傳染效應，對于后一種情況在處置問題資產時應注意隔離風險。

參考文獻：

[1]蔡真.我國系統性金融風險與房地產市場的關聯、傳染途徑及對策[J].中國社會科學院研究生院學報，2018（5）：44-63.

[2]張建同，方陳承，何芳.上海市房地產限購限貸政策評估：基于斷點回歸設計的研究[J].科學決策，2015（7）：1-23.

[3]黃昕，董興，平新喬.地方政府房地產限購限貸限售政策的效應評估[J].改革，2018（5）：107-118.

[4]ALTMAN E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The Journal of Finance，1968（4）：589-609.

[5]OHLSON J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of Accounting Research，1980（18）：109-131.

[6]ROBERT C， MERTON. On the pricing of corporate debt： The risk structure of interest rates[EB/OL].（2009-12-28）[2022-02-07].http：//www.doc88.coml p_805989972768.html.

[7]

STEPHEN K. Quantifying credit risk i： Default prediction[J]. Financial Analysts Journal，2003（59）：30-44.

[8]CHEN J H，ZHENG D W，HAO Y H，et al. Research on extraction method of credit risk analysis of corporate bonds based on convolutional neural network[J]. Frontiers in Artificial Intelligence and Applications，2018（309）：516-523.

[9]SARIEV E， GERMANO G. An innovative feature selection method for support vector machines and its test on the estimation of the credit risk of default[J]. Review of Financial Economics，2019（37）：404-427.

[10]MATIN R， HANSEN C， HANSEN C，et al. Predicting distresses using deep learning of? text segments in annual reports[J]. Expert Systems with Applications，2019（132）：199-208.

[11]LI C， LIU Q， HUANG L. Credit risk management of scientific and technological enterprises based on text mining[J]. Enterprise Information Systems，2020（15）：1-17.

[12]DANIEL F V， ANDREAS G. Corporate social irresponsibility and credit risk prediction： A machine learning approach[J].Credit and Capital Markets-Kredit und Kapital，2020（53）：513-554.

[13]張玉梅，王子柱，李穎.緊縮調控政策下房地產信托違約風險及防范[J].深圳大學學報（人文社會科學版），2013（6）：127-131.

[14]袁海霞，王秋鳳.債券融資視角下的房地產信用風險[J].金融市場研究，2019（7）：125-136.

[15]周陽敏.房地產企業風險壓力測試實證研究：限購令、房產稅、新土管政策的持續性沖擊影響[J].管理評論，2014（9）：58-68.

[16]JIANG J H. Can real estate regulatory policies constrain real estate risks to banks？ Evidence from China

[J]. Journal of Chinese Economic and Business Studies，2021（19）：35-53.

[17]馬草原，李宇淼.宏觀審慎政策工具LTV調控房地產市場的有效性分析[J].南開經濟研究，2020（6）：122-141.

[18]楊源源，賈鵬飛，高潔超.中國房地產長效調控范式選擇：房產稅政策還是宏觀審慎政策[J].財貿經濟，2021（8）：53-66.

[19]SU L， LIN L， CHEN S Z，et al. Effect analysis of real estate price and monetary policy： An empirical study based on China macroeconomic data[J]. Applied Economics and Finance，2018（5）：158-167.

[20]彭中文，李力，文磊.宏觀調控、公司治理與財務風險——基于房地產上市公司的面板數據[J].中央財經大學學報，2014（5）：52-59.

[21]ALTMAN E I. Predicting financial distress of companies： Revisiting the Z-Score and Zeta[J]. Handbook of Research Methods and Applications in Empirical Finance，2013（5）：428-456.

Real estate regulation and default risk of real estate enterprises：

An analysis of KMV model and panel regression

CAI Zhen¹， LIN Jing²， BO Dong³

（1. Institute of Finance and Banking， Chinese Academy of Social Sciences， Beijing 100710， China;

2. School of Economics， University of Chinese Academy of Social Sciences， Beijing 102488， China;

3. Guolian Securities Co. LTD， Wuxi? 214003， China）

Abstract：From 2005 to 2021， Chinas real estate policies have gone through three rounds of “loosening and tightening” processes. Based on daily trading data and financial data of 103 listed real estate enterprises in Chinas A-share market in the third quarter of 20082021， this paper applies the KMV model to estimate the default distance to measure their default risk. At the same time， it uses panel model to analyze the impact of real estate regulatory policies on the default risk of real estate enterprises on the basis of controlling the micro-factors of housing enterprises. It is found that further analysis of real estate regulation policies from the perspective of long-term cycle is conducive to reducing the default risk of real estate enterprises and promoting the healthy and stable development of the real estate market. Heterogeneity analysis shows that there are significant structural effects in regulatory policies. The regulation policy does not have a good effect on the risk inhibition of the largest group of assets， and has a negative effect on private enterprises and other ownership enterprises， resulting in the increase of default risk. At the policy level， while continuing to adhere to the spirit of “housing without speculation” and implementing a prudent management system of real estate finance， we should also take corresponding structural measures. First， we should adopt a “one enterprise， one policy” approach for large real estate enterprises to prevent disordered capital expansion. Second， the regulatory authorities should encourage banks to conduct credit assessment for housing enterprises according to their operational efficiency， operating capabilities and other indicators， so as to reduce ownership discrimination in the lending process.

Keywords：real estate regulation; real estate enterprise default risk; KMV model; panel regression analysis

（編輯：段明琰）