姜明輝，陳昊潔，袁天琪

(哈爾濱工業(yè)大學(xué) 管理學(xué)院，黑龍江哈爾濱 150001)

基于SEM模型的個(gè)人住房抵押貸款違約影響因素實(shí)證研究

姜明輝，陳昊潔，袁天琪

(哈爾濱工業(yè)大學(xué) 管理學(xué)院，黑龍江哈爾濱 150001)

將結(jié)構(gòu)方程(SEM)模型引入到個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)影響因素的研究，改進(jìn)基于線性、回歸方法中只針對違約風(fēng)險(xiǎn)與影響因素之間(潛變量與顯變量)的關(guān)系的研究，增加影響因素之間(顯變量與顯變量之間)的相互路徑分析，在一個(gè)更全面的路徑系統(tǒng)中找出主要的影響因素，提出預(yù)防和控制違約風(fēng)險(xiǎn)的方法。

個(gè)人住房抵押貸款，違約，結(jié)構(gòu)方程模型

一、引言

作為居民住房資金重要組成部分之一的個(gè)人住房抵押貸款，逐漸成為金融機(jī)構(gòu)特別是銀行機(jī)構(gòu)的重要信貸資產(chǎn)，但是高居不下的不良貸款率限制了金融業(yè)的發(fā)展。對于商業(yè)銀行而言，對消費(fèi)者還貸進(jìn)行評估，將能更有效地規(guī)避風(fēng)險(xiǎn)，對提高消費(fèi)信貸發(fā)放的積極性具有重要意義。而運(yùn)用實(shí)效、科學(xué)的評估方法鞏固完善評估體系至關(guān)重要。

本文在分析國內(nèi)外個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)影響因素發(fā)展現(xiàn)狀及其方法應(yīng)用的基礎(chǔ)上，參考國內(nèi)外已有的指標(biāo)體系，構(gòu)建適合中國國情的個(gè)人住房抵押貸款違約影響因素結(jié)構(gòu)模型。結(jié)合目前我國商業(yè)銀行業(yè)務(wù)系統(tǒng)中所獲取的實(shí)際數(shù)據(jù)情況，確定所使用的指標(biāo)，建立結(jié)構(gòu)方程模型。并根據(jù)實(shí)證結(jié)果分析，從商業(yè)銀行個(gè)人住房抵押貸款違約影響因素控制和提高風(fēng)險(xiǎn)管理兩個(gè)層面探討了如何加強(qiáng)和改善我國個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)管理措施。

應(yīng)用結(jié)構(gòu)方程模型來研究個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)，建立個(gè)人住房抵押貸款違約意向概念模型，通過分析軟件Amos修正、擬合模型，找出反映違約意向的潛變量和顯變量，針對違約意向的復(fù)雜性特點(diǎn)，增加了單一指標(biāo)的多路徑指向性，通過路徑分析，得出最優(yōu)的政策保障體系。在計(jì)算過程中，結(jié)構(gòu)方程模型分析方法特有的信度和效度檢驗(yàn)，也確保了方法的科學(xué)性和有效性。

二、文獻(xiàn)回顧

該理論最早于上世紀(jì)60年代由西方學(xué)者Allen Jung F首先提出，運(yùn)用實(shí)證領(lǐng)域統(tǒng)計(jì)和計(jì)量的方法研究違約風(fēng)險(xiǎn)影響因素。隨后，各種方法被使用到該領(lǐng)域。例如:回歸分析 Roger Burrows(1998)［1］及 Quercia、Roberto G. 和 Michael A.Stegman(1992)［2］;方差分析劉春紅(2000)［3］;Logistic分析 Lawrence、Edward C.和 Nasser Arshadi(1995)［4］及王福林(2005)［5］、馬宇(2011)［6］;博弈分析施錫銼、張森(2002)［7］等。

研究的趨勢和角度主要集中在借款人特征、家庭財(cái)務(wù)負(fù)擔(dān)、貸款特征等方面。Webb Bruce G.(1998)［8］及王震勤、王維才、李秋妍(2008)［9］等分析不同借款人特征對逾期風(fēng)險(xiǎn)的影響，得出反映借款人特征的個(gè)人特征因素，包括年齡、受教育程度、職業(yè)等對消費(fèi)者是否違約占很大的權(quán)重。而具有代表性的 Santos Silva J和 J.Murteira(2000)［10］及汪利娜(2001)［11］在衡量體現(xiàn)家庭財(cái)務(wù)負(fù)擔(dān)特征的主要因素借款人收入，借款人家庭成員數(shù)量、貸款總金額等后，發(fā)現(xiàn)家庭財(cái)務(wù)負(fù)擔(dān)對貸款違約的影響最大。而另一個(gè)重要影響因素便是貸款特征，可以用貸款價(jià)值比、還款期限、還款方式、擔(dān)保方式等因素來衡量。其中貸款價(jià)值比LTV(Loan To Valuation)是最為重要的因素。Nothaft，F(xiàn)rank E. 和 Gcorge H. K.Wang(1993)［12］及劉萍(2002)［13］在運(yùn)用多種數(shù)學(xué)方法比較討論后，得出貸款因素比對違約風(fēng)險(xiǎn)最具解釋力。

從國內(nèi)外的相關(guān)文獻(xiàn)內(nèi)容可以看出，國外學(xué)者從不同的角度對個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)進(jìn)行了大量的研究，實(shí)證領(lǐng)域的統(tǒng)計(jì)和計(jì)量的方法被廣泛應(yīng)用。在研究個(gè)人住房抵押貸款違約風(fēng)險(xiǎn)的決定性因素方面主要從貸款特征、借款人特征、住房特征等進(jìn)行探討，得出了許多適合國家信用保障的方法。

本文運(yùn)用結(jié)構(gòu)方程模型討論個(gè)人住房抵押貸款違約影響因素，有效地避免了使用回歸方法而產(chǎn)生的參數(shù)估計(jì)的偏差，增加了因子分析、路徑分析等特征，在分析中既處理了測量誤差，同時(shí)又可以分析潛變量、顯變量之間的結(jié)構(gòu)關(guān)系。更好地說明借款人特征、家庭財(cái)務(wù)負(fù)擔(dān)、貸款特征3個(gè)潛變量如何影響個(gè)人住房抵押貸款違約意向，及早規(guī)避風(fēng)險(xiǎn)。

考慮到當(dāng)?shù)亟?jīng)濟(jì)文化背景以及實(shí)務(wù)操作上的影響，選取不同城市的多家商業(yè)銀行的實(shí)際信貸檔案資料中的部分資料進(jìn)行實(shí)證研究。由于選取的樣本多為離散變量，未能完全徹底地刻畫客戶的特征，因此計(jì)算結(jié)果會(huì)出現(xiàn)一定的誤差，因此，在選取樣本時(shí)通過增加樣本的數(shù)量來彌補(bǔ)這一不足。

三、結(jié)構(gòu)方程模型的應(yīng)用及假設(shè)

(一)結(jié)構(gòu)方程的應(yīng)用

作為統(tǒng)計(jì)分析方法的一個(gè)重要發(fā)展方向，建立結(jié)構(gòu)方程模型求解越來越被廣泛的使用。結(jié)構(gòu)方程模型的應(yīng)用實(shí)質(zhì)是使用聯(lián)立方程求解的過程，整個(gè)建模分析過程都是動(dòng)態(tài)的形式。通過每次模型計(jì)算的結(jié)果推理模型建造的合理性，再根據(jù)以往經(jīng)驗(yàn)和原有模型的擬合度結(jié)果分析去修正模型，最終得到最符合實(shí)際、最合理的模型。

結(jié)構(gòu)方程模型的原理體現(xiàn)在建立聯(lián)立方程組中，包括測量方程與結(jié)構(gòu)方程兩類方程［14］。

(1)測量方程。測量方程是表示觀測變量x，y與潛變量η，ξ之間關(guān)系的方程組。

其中:x－:由外生指標(biāo)組成的向量

y－:由內(nèi)生指標(biāo)組成的向量

Λx－:外生指標(biāo)與外生潛變量之間的關(guān)系

Λy－:內(nèi)生指標(biāo)與內(nèi)生潛變量之間的關(guān)系

δ－:外生指標(biāo)的誤差項(xiàng)

ε－:內(nèi)生指標(biāo)的誤差項(xiàng)

η－:內(nèi)生潛變量

(2)結(jié)構(gòu)方程。結(jié)構(gòu)方程是表示潛變量與潛變量之間關(guān)系的方程組。其中，ξ－:外生潛變量

B－:內(nèi)生潛變量之間的關(guān)系

Γ－:外生潛變量對內(nèi)生潛變量的影響

ζ－:結(jié)構(gòu)方程的殘差項(xiàng)

根據(jù)兩組方程，設(shè)定模型并計(jì)算各個(gè)參數(shù)。

(二)模型的假設(shè)

1.構(gòu)建模型的假設(shè)條件

通過對國內(nèi)外學(xué)者的研究結(jié)果進(jìn)行歸類分析，結(jié)合我國銀行系統(tǒng)實(shí)際情況，本文假設(shè)借款人特征、家庭財(cái)務(wù)負(fù)擔(dān)、貸款特征對違約意向有路徑影響。

2.模型應(yīng)用軟件Amos計(jì)算時(shí)的假設(shè)條件［15］

如果滿足以下的前提假設(shè):線性關(guān)系(linearity of relationships)，觀察值獨(dú)立(即甲樣本的選取獨(dú)立于乙樣本的選取，換句話說就是，樣本的選擇隨機(jī)的)，觀察值必須滿足正態(tài)分布的要求，那么，Amos就會(huì)產(chǎn)生“漸進(jìn)結(jié)論”(asymptotic conclusions)，即獲得的結(jié)論是“幾乎正確”(approximately true)。

四、變量篩選與樣本數(shù)據(jù)的處理及檢驗(yàn)

(一)變量的選擇

從理論上確定違約風(fēng)險(xiǎn)的可能影響因素主要依據(jù)以下3方面:一是充分借鑒國外以往研究的經(jīng)驗(yàn)和類似研究的結(jié)果;二是結(jié)合國內(nèi)實(shí)務(wù)界在實(shí)際操作中的直接經(jīng)驗(yàn);三是充分利用有限的樣本數(shù)據(jù)。變量選擇主要集中在如下3個(gè)特征:借款人特征、家庭財(cái)務(wù)負(fù)擔(dān)和貸款特征。設(shè)借款人特征為F1，家庭財(cái)務(wù)負(fù)擔(dān) F2，貸款特征 F3，違約意向?yàn)镕4。

(二)變量的量化

表1為變量量化的處理。處理后變量的數(shù)值類型，多數(shù)為離散型數(shù)據(jù)，部分為連續(xù)型數(shù)據(jù)。

(三)樣本數(shù)據(jù)的處理

1.樣本篩選 本文數(shù)據(jù)是以銀行信貸系統(tǒng)中實(shí)際搜集調(diào)查而來，將已搜集到的多家商業(yè)銀行2010年四季度住房貸款數(shù)據(jù)為備選樣本。由于結(jié)構(gòu)方程所處理的變量之間的關(guān)系較為復(fù)雜，因此為了維持統(tǒng)計(jì)假設(shè)不違反，必須使用較大的樣本數(shù)。為得到穩(wěn)定的結(jié)構(gòu)方程分析結(jié)果，本文最終選取1.5萬個(gè)樣本為分析樣本。

表1 變量的量化

2.缺失值處理 缺失值的存在，在很大程度上影響分析的結(jié)果，所以必須對缺失值進(jìn)行處理。本文采取了表列刪除法，即在一條記錄中，只要存在一項(xiàng)缺失，則刪除該記錄。使用SPSS18.0進(jìn)行操作處理，經(jīng)過檢驗(yàn)，本文選取的數(shù)據(jù)中有缺失值的共有2340個(gè)，將這部分有缺失值的樣本刪除，并基于剩下的12660個(gè)樣本做異常值剔除分析。

3.異常值篩選 運(yùn)行 AMOS18.0，計(jì)算每個(gè)觀察值遠(yuǎn)離重心(centroid)的 Mahalanobis d_squared(Mahalanobis)距離，并以大小加以排序。輸出結(jié)果中觀察p1和p2值。當(dāng)p2值很小時(shí)，即p2＜0.05表示該觀察值為異常值。經(jīng)過篩選發(fā)現(xiàn)總體樣本中有2590個(gè)異常值，將其剔除后，留下10070個(gè)符合建立結(jié)構(gòu)方程要求的有效樣本。

(四)樣本數(shù)據(jù)信度檢驗(yàn)

信度(reliability)指測量結(jié)果(數(shù)據(jù))一致性或穩(wěn)定性的程度。對于Cronbach Alpha值，當(dāng)0.35≤Cronbach α ＜0.70 時(shí)，屬于尚可;當(dāng) Cronbach α＜0.35時(shí)則為低信度?；谝陨舷拗茥l件，本文的數(shù)據(jù)均達(dá)到了有效地標(biāo)準(zhǔn)，為信度良好的數(shù)據(jù)。

五、結(jié)構(gòu)方程模型的建立

(一)初始模型建立

根據(jù)所設(shè)計(jì)的基本路徑假設(shè)，由此構(gòu)造結(jié)構(gòu)路徑圖，如圖1。

圖1 結(jié)構(gòu)方程初始模型

在AMOS中，進(jìn)行正態(tài)性檢驗(yàn)，得出c.r.值為52.79，而當(dāng)c.r.＞2時(shí)則暗示有單變量具有異常值。當(dāng)c.r.＞1.96表示有些單變量違反正態(tài)分布的假設(shè)。若違反多變量正態(tài)分布的條件會(huì)導(dǎo)致高估及低估參數(shù)估計(jì)值的標(biāo)準(zhǔn)。同時(shí)在當(dāng)數(shù)據(jù)滿足正態(tài)分布時(shí)，偏度系數(shù)skew與峰度系數(shù)kurtosis均要接近于0，如果skew＞3，kurtosis＞8需要引起注意。在初始模型中，變量還款方式的兩個(gè)參考系數(shù)偏度系數(shù)skew和峰度系數(shù)kurtosis分別為4.65＞3，19.60＞8，均超過了標(biāo)準(zhǔn)值。變量擔(dān)保方式的峰度系數(shù)kurtosis分別為15.70也都大于標(biāo)準(zhǔn)值，因此，樣本的2個(gè)變量均沒有通過正態(tài)檢驗(yàn)，在結(jié)構(gòu)方程中，將此2個(gè)變量剔除。因此結(jié)構(gòu)方程調(diào)整為圖2。

(二)模型的擬合度分析

擬合度Model fit summary，對絕對擬合指數(shù)χ2，GFI，RMR，SRMR，RMSEA 等數(shù)值能說明模型的擬合度程度，實(shí)證結(jié)果見表2所示

圖2 結(jié)構(gòu)方程優(yōu)化模型

表2 擬合度分析

CMIN是差異(discrepancy)的宏函數(shù)。差異表示卡方值(Chi－square)可以檢查模型是否適合數(shù)據(jù)。當(dāng)完全適合數(shù)據(jù)時(shí)，差異值為0。根據(jù)表2中數(shù)據(jù)，本文建立的模型的差異為68.546，說明該模型擬合度不好。P是指顯著性。顯著性大于0.05，即可認(rèn)定該模型與數(shù)據(jù)擬合適度;當(dāng)顯著性小于0.05即可認(rèn)定該模型與數(shù)據(jù)擬合不適度。表2中P值是0.000＜0.05，可以判斷模型不適合數(shù)據(jù)。RMR越接近0表示模型擬合度越好，通常采用RMR＜0.05。表2中RMR=0.91表示配合不夠理想。RMSEA是指平均平方誤差平方根?？尚拚傮w差異值受到估計(jì)參數(shù)值影響的缺點(diǎn)。RMSEA＜0.05時(shí)，模型擬合度良好。RMSEA＞0.1時(shí)，表示模型擬合度差，應(yīng)調(diào)整模型。當(dāng)0.05＜RMSEA＜0.1時(shí)，表示模型處于灰色地帶，不滿意但尚可接受。表2中RMSEA值是0.06，0.05＜0.06＜0.1，不是完美擬合，但還是在可接受的范圍之內(nèi)。因此模型不必做出相應(yīng)調(diào)整。

通過上述對模型擬合指數(shù)的分析，可以判斷圖2中的結(jié)構(gòu)方程模型擬合度指數(shù)有部分?jǐn)M合度比較高，也有部分?jǐn)M合度偏低。針對擬合度不佳的情況，下面對模型進(jìn)行修正，修正指標(biāo)為M.I.值，若將 e2與 e5關(guān)聯(lián)，將使 Chi－square減少60.90。說明受教育程度與貸款期限的殘差存在相關(guān)關(guān)系，關(guān)聯(lián)e2和e5得到修正模型，見圖3。

(三)模型修正

修正結(jié)構(gòu)方程模型，主要通過卡方值、P值和RMSEA擬合指標(biāo)的變化來體現(xiàn)(圖3)。

圖3 結(jié)構(gòu)方程修正模型

修正模型的擬合度分析見表3所示。

表3 擬合度分析

通過表3可以看出，擬合指數(shù)都得到了改善。該模型的各個(gè)參數(shù)在0.01的水平下都仍然是顯著的，結(jié)構(gòu)方程模型適配數(shù)據(jù)不僅擁有高擬合度，而且各方程對應(yīng)的測定系數(shù)相對增大了。

(四)實(shí)證結(jié)果分析

從實(shí)證結(jié)果可以看出，3個(gè)潛變量貸款特征、借款人特征及家庭財(cái)務(wù)負(fù)擔(dān)對個(gè)人住房抵押貸款的影響力度是逐漸減少的。同時(shí)測出與貸款特征相對應(yīng)的顯變量:貸款價(jià)值比、貸款期限、及還款方式、擔(dān)保方式對貸款特征的影響力是逐漸減弱的;與借款人特征相對應(yīng)得顯變量:受教育程度、年齡、單位性質(zhì)、職業(yè)和對借款人特征的影響是依次減少。針對上述分析結(jié)果可以從以下幾個(gè)方面預(yù)防和控制個(gè)人住房貸款抵押貸款違約風(fēng)險(xiǎn)。

1.潛變量對個(gè)人住房抵押貸款違約影響的路徑分析

在圖3中，潛變量貸款特征、借款人特征與家庭財(cái)務(wù)負(fù)擔(dān)對個(gè)人住房抵押貸款的影響是不同的。與借款人特征和家庭財(cái)務(wù)負(fù)擔(dān)相比，貸款特征的影響力最大。通過結(jié)構(gòu)方程的路徑系數(shù)，可以很直觀地判斷出貸款特征具有更大的影響力，貸款特征對違約意向的路徑系數(shù)為3.16，而借款人特征對違約意向的路徑系數(shù)為2.46，家庭財(cái)務(wù)負(fù)擔(dān)對違約意向的路徑系數(shù)為1.86。此時(shí)，結(jié)構(gòu)方程的擬合系數(shù)均達(dá)到了擬合度較高的程度。說明模型很吻合數(shù)據(jù)的要求，所測算出的結(jié)果很符合實(shí)際情況。

2.顯變量對潛變量影響分析

潛變量貸款特征所對應(yīng)的顯變量有4個(gè)，分別是貸款價(jià)值比、貸款期限及還款方式、擔(dān)保方式。對于還款方式、擔(dān)保方式兩個(gè)顯變量，由于他們沒有通過正態(tài)檢驗(yàn)，并不能準(zhǔn)確地反映對顯變量貸款特征的影響力。而另外的兩個(gè)變量貸款價(jià)值比、貸款期限，以高擬合度通過了正態(tài)檢驗(yàn)。通過修正模型圖3可得出，貸款價(jià)值比對貸款特征的路徑系數(shù)為4.24;貸款期限對貸款特征的路徑系數(shù)為1。因此可以看出，貸款價(jià)值比對于個(gè)人住房抵押貸款的違約有最直接的影響，也就是說，貸款價(jià)值比的多少會(huì)很大程度上影響借款人最終是否違約。

潛變量借款特征所對應(yīng)的顯變量有4個(gè)，分別是年齡、受教育程度、職業(yè)和單位性質(zhì)。通過修正模型圖3可得出，年齡對借款人特征的路徑系數(shù)為1，受教育程度對借款人特征的路徑系數(shù)為3.5，職業(yè)對借款人特征的路徑系數(shù)為0.75，單位性質(zhì)對借款人特征的路徑系數(shù)為0.56，從結(jié)構(gòu)方程的最終的結(jié)構(gòu)圖可以看出，受教育程度對于借款人是否會(huì)選擇違約的影響最大。而借款人的年齡在一定程度上也會(huì)影響其選擇違約。而職業(yè)和單位性質(zhì)對于借款人來說影響很小，不是其選擇違約的影響因素之一。

潛變量家庭財(cái)務(wù)負(fù)擔(dān)所對應(yīng)的顯變量有3個(gè)，分別是月均收入、貸款金額和婚姻狀況。圖3可以看出，月均收入對潛變量家庭財(cái)務(wù)負(fù)擔(dān)的路徑系數(shù)為1，貸款金額對潛變量家庭財(cái)務(wù)負(fù)擔(dān)的路徑系數(shù)為3.56，婚姻狀況對潛變量家庭財(cái)務(wù)負(fù)擔(dān)的路徑系數(shù)為0.66。說明貸款金額對家庭財(cái)務(wù)負(fù)擔(dān)的影響最大。也就是說，貸款金額的多少會(huì)很大程度上影響借款人最終是否違約。針對實(shí)證結(jié)果，本文將提出減少我國個(gè)人住房抵押貸款違約的預(yù)防和控制措施。

六、結(jié)論與政策建議

貸款價(jià)值比的多少是影響借款人是否會(huì)選擇違約的主要影響因素。銀行在對借款人進(jìn)行審批的過程中，對于貸款價(jià)值比比較低的借款人，應(yīng)該采取謹(jǐn)慎的態(tài)度。避免造成不必要的損失。貸款期限對違約的影響力是有的，但是影響不大。對于貸款期限，當(dāng)貸款期限長時(shí)，貸款后的每期還款壓力相對較高，借款人違約的概率也高。銀行應(yīng)該采取相應(yīng)措施控制借款人的貸款期限，以期減小風(fēng)險(xiǎn)。

我國商業(yè)銀行在發(fā)放個(gè)人住房抵押貸款時(shí)特別應(yīng)重視對下列指標(biāo)的審核。受教育程度對借款人的影響往往是最大的。在實(shí)證研究的結(jié)果中可以看出，受教育程度的影響系數(shù)為3.5，說明受教育程度越高的人越不容易選擇違約。在確信借款人誠實(shí)的基礎(chǔ)上，銀行應(yīng)對借款人未來創(chuàng)造收入能力的評價(jià)進(jìn)行審核。年齡同樣在借款人特征中占有的權(quán)重比較大。中年型購房群體的違約風(fēng)險(xiǎn)最低，銀行對于年齡偏大或者偏小的顧客應(yīng)更嚴(yán)格的審查。以避免其違約的風(fēng)險(xiǎn)。借款人職業(yè)在一定程度上反映出了借款人收入穩(wěn)定性。職業(yè)對借款人的影響很小，收入越穩(wěn)定，違約概率越低。銀行對于借款人單位性質(zhì)的考察可作為一個(gè)衡量指標(biāo)，對于從事高風(fēng)險(xiǎn)行業(yè)的借款人，工作單位相對缺乏穩(wěn)定性，銀行在進(jìn)行審查市應(yīng)加以控制。

貸款金額的多少是影響借款人是否會(huì)選擇違約的主要影響因素。當(dāng)貸款金額高，首付款低時(shí)，意味著借款人在該房產(chǎn)上的權(quán)益低，貸款后的每期還款壓力也高，借款人違約的概率也較高。月均收入是影響家庭財(cái)務(wù)負(fù)擔(dān)的主要因素，往往收入越穩(wěn)定，違約概率越低，銀行在發(fā)放個(gè)人住房抵押貸款時(shí)繼續(xù)堅(jiān)持對借款人收入來源及其穩(wěn)定性的審查?；橐鰻顩r對家庭財(cái)務(wù)負(fù)擔(dān)的影響最小，其中已婚的購房群體的違約風(fēng)險(xiǎn)最低，是當(dāng)前我國商業(yè)銀行應(yīng)積極發(fā)展的優(yōu)質(zhì)客戶群。

［1］Roger Burrows.Mortgage Indebtedness in England:An‘epidemiology'［J］.Housing Studies，1998(13):5 －23．

［2］Quercia，Roberto G，Michael A Stegman.Residential Mortgage Default［J］.Journal of Housing Research，1992(3):341．

［3］劉春紅.上海市個(gè)人住房抵押貸款違約因素實(shí)證分析［J］. 上海金融，2000(1):32－34．

［4］Lawrence，Edward C，Nasser Arshadi.A Multinomial Logit Analysis of Problem Loan Resolution Choices in Banking［J］.Journal of Money，1995(27):202 －216．

［5］王福林，賈生華.個(gè)人住房貸款違約風(fēng)險(xiǎn)影響因素實(shí)證研究［J］.經(jīng)濟(jì)學(xué)，2005:739－751．

［6］馬 宇.中國個(gè)人住房抵押貸款提前償付風(fēng)險(xiǎn)影響因素的實(shí)證研究［J］.統(tǒng)計(jì)與信息論壇，2011:94－100．

［7］施錫銼，張 森.我國住房抵押貸款提前還款的博弈分析［J］. 財(cái)經(jīng)研究，2002(10):35．

［8］Webb Bruce G.Borrower Risk under Alternative Mortgage Instruments［J］.The Journal of Finanace.1998，37:169 －183．

［9］王震勤，王維才，李秋妍.個(gè)人住房抵押貸款風(fēng)險(xiǎn)防范機(jī)制分析［J］.北京科技大學(xué)學(xué)報(bào)，2008:2

［10］Santos Silva J，J Murteira.Estimation of Default Probabilities Using in Complete Contracts Data［J］.Univers Data Coimb，2000(7):22－27．

［11］汪利娜.北美、西歐的信用風(fēng)險(xiǎn)防范［J］.中外房地產(chǎn)導(dǎo)報(bào)，2001(l):1－3．

［12］Nothaft，F(xiàn)rank E，Gcorge H K Wang.Modeling Dynamic Processes of Home Mortgage Delinquency and Foreclosure［J］.Financial Management Association Annual Meeting，1993:125－345．

［13］劉 萍.個(gè)人住房抵押貸款風(fēng)險(xiǎn)探析［J］.金融研究，2002(8):6．

［14］Arbuckle，James L.Amos 18.0 User's Gride［M］.SC:Amos Develop Corporation，2010:1－120．

［15］吳明隆.結(jié)構(gòu)方程模型－AMOS的操作與應(yīng)用［M］.重慶:重慶大學(xué)出版社，2009:8 －100．

Empirical Research on the Defaults Influence Factors upon Mortgage Loans for Existing Houses Based on Structural Equation Model

JIANG Ming － hui，CHEN Hao－ jie，YUAN Tian － qi

(School of Management，Harbin Institute of Technology，Harbin150001，China)

Structural equation model(SEM)is used in defaults impact factors study on mortgage loans on existing houses.Compared with linearization method or logistic method which are used to study the relationship on default risk and impact factors(between latent variables and manifest variables)，SEM increased path analysis between each manifest variable.Results，the main factors from model analysis are accurate and comprehensive.Policies relating prevention and control of the risks are proposed．

mortgage loans on existing houses;defaults;SEM model

F832

A

1002－9753(2012)01－0170－06

2011－08－26

2011－12－20

國家自然科學(xué)基金項(xiàng)目(HGQQ24601142)

姜明輝(1967－)，男，黑龍江牡丹江人，哈爾濱工業(yè)大學(xué)管理學(xué)院教授，博士研究生導(dǎo)師，研究方向:商業(yè)銀行風(fēng)險(xiǎn)管理。

(本文責(zé)編:海 洋)