商业银行个人住房贷款风险管理实证研究

　　个人住房信贷业务如今在国家的政策大力推动下已成为各家银行资产质量最好的业务品种,而且正在对我国银行改善信贷资产质量,产生十分积极的推动作用。事实也证明个人住房贷款的风险远远小于其他贷款品种。以个人贷款业务量最大的建设银行为例，截至2008年底，个人住房贷款不良率仅为0.82%，远低于四家国有独资商业银行全部贷款26%的不良率。但是也应看到不良贷款率之所以能保持较低的相对值，一方面是因为不良贷款余额较小，另一方面是因为贷款余额的快速增长。但是金融机构为争夺个人住房贷款业务的竞争日趋激烈,金融机构放松了对个人住房贷款条件的审查,增加了个人住房贷款形成不良贷款的机率。如果商业银行不能对当前个人住房贷款面临的潜在风险进行有效的识别与控制，那么，未来个人住房贷款的快速扩张反而可能成为商业银行的一个不容忽视的风险源。

　　二、文献综述

　　国外对个人住房贷款风险研究的比较全面，包含着许多的实证研究。Amily(2002)在描述贷款违约风险时，他利用主成分法以及逐步回归的方法对样本数据进行实证研究。研究结论认为借款者职业是决定违约与否的重要因素。Richard(2003)通过实证研究了邻居特征对个人住房抵押贷款违约风险的影响。该研究试图辨别邻居的种族、收入对住房抵押贷款借款人信誉的影响。

　　而我国对个人住房贷款风险的实证研究还没有深入的开展开来，大部分是文字性的描述，胡立波(2006)把住房贷款中的风险分为个人信用风险、操作风险、银行流动性风险以及房地产评估风险，认为在目前应把完善个人信用风险纳入管理重点。吴彬(2007)把住房贷款中的风险归类为信息不对称所产生的风险,认为为了控制风险，商业银行加强内部风险控制制度的建设，然后再加强对银行的合作企业、房产评估机构的监督。

　　三、实证研究

　　本文以北京市建设银行作为商业银行的代表，选取的所有样本均来自于北京市建设银行05-08年这一时间段内。样本资料包含了家庭月收入、贷款金额、贷款期限、贷款利率、住房购买价格、贷款价值比、月还款额占家庭月收入的比例和每月支付本息和这些数据，对这些样本数据进行了主成分分析、因子分析和判别分析，主要研究这些所选变量对个人住房抵押贷款的违约风险的影响的方向性和影响程度的差异性。目的在于对我国商业银行完善个人住房抵押贷款违约风险控制指标体系提供理论依据。

　　在本文中笔者对影响贷款违约因素的8个变量首先进行主成分分析，得出如表1.1的结果：

影响贷款违约因素的8个变量首先进行主成分分析

　　从表1.1中可以看出，变量相关阵有四个最大特征根，即3.237、1.354、1.158和1.009,他们一起解释了总方差的84.486%(累计贡献率)，这说明前四个主成分提供了原始数据的足够信息。基于过程内定取特征值大于一的规则，Factor过程将会提取四个主成分。因为从以上输出的信息及分析结果不能看出这八个变量在四个主成分上的荷重具体是多少，则需要进行因子分析，见表1.2：

因子负荷矩阵

　　从表1.2中可以看出，家庭月收入、贷款金额、每月支付本利和、住房购买价格这四个变量在因子一上具有较高的荷重，理论上认为这些变量组合起来代表了因子一，命名为财务因子;贷款价值比、月还款额占家庭月收入的比例在因子二上具有较高的荷重，这些变量可以代表因子二，命名为财务负担因子;同理，将贷期限归于因子三，命名为期限因子;将贷款利率归于因子四，命名为利率因子。因子荷重代表了原始变量与派生因子之间相关性强弱的一种系数，特定变量在某因子上的荷重越重说明变量与因子之间具有较强的相关性，并对该因子具有较强的解释力。

　　对从影响个人住房抵押贷款违约风险的8个变量中所提取出的四个因子进行赋值，从而生成了4个新的原始变量。赋值后根据因子得分系数矩阵和原始变量的标准化值来计算每个样本在相应因子上的得分(见表1.3)。

因子得分协方差矩阵

　　从表1.3中可以看出，在因子一中，家庭月收入的因子得分系数最大为0.440，说明该自变量对因子一的贡献最大，对因子一具有很强的解释力，其他变量对因子一也具有较强的解释力。至此，我们得到了4个新的因子变量，这四个因子变量既包括了8个原始变量的绝大部分信息，同时又避免了原始变量间的多重线性问题，在因子分析的基础上进行判别分析，将第一、第二、第三、第四主成分与原始变量的关系，用下列四个线性组合关系式表示：

　　Z1=0.526x1+0.484x2-0.01x3-0.137x4+0.218x5+0.487x6+0.053x7+0.203x8

　　Z2=-0.0317x1+0.315x2+0.077x3+0.072x4-0.166x5+0.364x6+0.731x7+0.626x8

　　Z3=-0.002x1+0.19x2+0.863x3-0.131x4+0.365x5-0.187x6+0.231x7-0.318x8

　　Z4=0.076x1-0.032x2-0.102x3+0.908x4+0.475x5-0.036x6+0.128x7-0.16x8

　　这样就将原始数据的自变量变成了典则变量，通过典则判别分析可以得出典则函数：

　　F=-0.6*财务负担因子+0.518*财务因子-0.313*期限因子-0.117*利率因子

　　(其中F是个人住房贷款违约风险量化的表示)

　　在典则判别函数中，财务负担因子的判别系数为-0.6，说明该因子对个人住房贷款违约风险有着显著性的影响。该判别因子的判别符号为负，说明借款人的财务负担越大，个人住房贷款发生违约的可能性越大。财务负担因子对贷款质量的影响也可以从综合考察财务负担因子的因子荷重和该因子判别系数的符号方向得到很好的解释。在财务负担因子中，月还款额占家庭月收入的比例的因子荷重为正的0.729,与判别系数为负刚好相反，说明月还款额占家庭月收入的比例越高，个人住房贷款发生违约的风险越大。

　　四、结论与建议

　　由上述实证研究结果可以得出影响个人住房贷款违约风险的关键因子按照重要性排序依次为：财务因子、财务负担因子、期限因子和利率因子。这一研究成果为建设银行株州分行在向借款人发放个人住房贷款时指明了需要特别关注的指标，为商业银行在贷款发放之初即能实施违约风险管理提供了经验证据。当前我国商业银行在发放个人住房抵押贷款时还应特别重视对下列指标的制定和审核：

　　(1)家庭收入及家庭收入稳定性。虽然商业银行对借款人收入来源及其收入的稳定性比较重视，但由于我国借款人的收入来源证明是由借款人所在单位出具的，且单位的出证行为在现实社会中又不承担应有的法律责任，因而借款人的收入情况存在虚假证明的可能。虽然存在很多不尽如人意的地方，甚至有人对借款人家庭收入审核的必要性产生怀疑，但从本书的实证研究结果看，借款人的家庭收入与个人住房贷款违约风险之间还是存在着很强的负相关关系。因此，商业银行在发放个人住房贷款的时候继续坚持对借款人收入来源及其稳定性的审查。商业银行可以通过人才市场或专业咨询公司收集最新的行业平均收入情况报告，尤其注意不稳定行业的薪酬变化情况，及时对收入波动明显且实际收入出现下降行业中的申请贷款群体做出适当提高授信条件的控制措施。其次，通过分析借款人的住址变化和工作单位的变动情况，对借款人未来的还款能力进行评估，尤其是那些工作单位变动频繁，实际收入在下降的群体，应做好风险防范的预案。

　　(2)月还款额占家庭月收入的比例。贷款月还款额占家庭月收入比例越高，借款人发生违约的可能性越大。当前商业银行在**个人住房抵押贷款时并不太重视月还款额占家庭月收入比例这个关键指标的审核，从国外金融机构实务操作来看，非常重视对借款人负债水平的控制，以防借款人因支付能力不足而发生被动违约。结合本文实证研究结论，笔者认为今后商业银行在发放个人住房抵押贷款时应加强注意对这一指标的审核，并且根据每个市的经济发展状况制定适用于每个市的指标控制范围，以避免因借款人支付能力不足而发生违约。

　　参考文献：

　　[1] Amily.ThepresentAge.LoanRisk.Research[J].Worldfinancialstudy2002,(8):65-67

　　[2] RichardStartz.Microeconomic.8thEdition[M].DongbeiUniversityofFinanceandEconomicsPress,2003,(2)

　　[3] 胡立波.个人住房按揭贷款的风险及其防范[J].华北金融,2006,(7):20-24

　　[4] 吴彬.中国房地产金融体系研究[M].经济科学出版社,2007,(10)