何葉榮，范志豪

(安徽建筑大學(xué) 經(jīng)濟(jì)與管理學(xué)院，安徽 合肥 230601)

一、引言

近年來，我國(guó)房地產(chǎn)業(yè)發(fā)展十分迅速，為防止房地產(chǎn)泡沫的出現(xiàn)，政府頒布了一系列限購(gòu)和限貸政策。而房地產(chǎn)業(yè)由于自身資金大、周期長(zhǎng)、風(fēng)險(xiǎn)大等特點(diǎn)受政策影響非常大。調(diào)控政策在一定程度上給房地產(chǎn)市場(chǎng)降了溫，但也給房地產(chǎn)企業(yè)帶來了一定的信用風(fēng)險(xiǎn)。我國(guó)房地產(chǎn)企業(yè)融資渠道較為單一，大多來自于商業(yè)銀行的信用貸款，當(dāng)房地產(chǎn)企業(yè)發(fā)生信用危機(jī)時(shí)，商業(yè)銀行也會(huì)受到波及，進(jìn)而威脅金融市場(chǎng)，引發(fā)更大的危機(jī)。因此，對(duì)商業(yè)銀行房地產(chǎn)信貸風(fēng)險(xiǎn)度量的研究刻不容緩。

早在1968 年，國(guó)外學(xué)者ALTMAN 就利用判別分析法對(duì)企業(yè)的破產(chǎn)概率展開了研究。由于判別分析法存在一些缺陷，MARTIN 首次使用Logistic 模型研究破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)的差別，預(yù)測(cè)銀行的信貸風(fēng)險(xiǎn)，研究結(jié)果表明，Logistic 模型不僅正確率高且可以追蹤主要風(fēng)險(xiǎn)因素[1]；SJUR 等學(xué)者利用企業(yè)的財(cái)務(wù)數(shù)據(jù)，建立Logistic 模型以探索企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的影響因素，結(jié)果表明，企業(yè)規(guī)模、資本結(jié)構(gòu)、資產(chǎn)收益率、短期流動(dòng)性等是主要的風(fēng)險(xiǎn)影響因素[2]；MICHIKO 在使用企業(yè)財(cái)務(wù)數(shù)據(jù)的基礎(chǔ)上，加入銀行多年收集的非財(cái)務(wù)信息，構(gòu)建Logistic模型，研究結(jié)果表明，不僅財(cái)務(wù)信息而且非財(cái)務(wù)信息也是影響企業(yè)信貸違約的風(fēng)險(xiǎn)因素[3]；CONSTANTINESCU 和MIHAI 將Logistic 模型延用至銀行對(duì)個(gè)人信用貸款的評(píng)估，研究結(jié)果表明，除個(gè)人的償債能力外，居住地、居住年限、年齡等基本信息也是影響個(gè)人信用貸款評(píng)級(jí)的重要因素[4]。

國(guó)內(nèi)學(xué)者對(duì)于房地產(chǎn)企業(yè)信貸風(fēng)險(xiǎn)度量的研究可以分為兩個(gè)方面：一是對(duì)企業(yè)信貸風(fēng)險(xiǎn)影響因素的研究。王拉娣等利用VAR 模型對(duì)房?jī)r(jià)與銀行信貸的關(guān)系進(jìn)行了研究，研究證明房?jī)r(jià)的上漲會(huì)加劇商業(yè)銀行的信貸風(fēng)險(xiǎn)[5]；張李登等利用房地產(chǎn)動(dòng)態(tài)隨機(jī)一般均衡（DSGE）模型也得出了同樣的結(jié)論，房?jī)r(jià)波動(dòng)沖擊和利率沖擊是我國(guó)住房信貸的主要風(fēng)險(xiǎn)因素[6]；王蕾等從銀行的內(nèi)部因素分析，認(rèn)為提高銀行對(duì)企業(yè)財(cái)務(wù)指標(biāo)的關(guān)注度，可以有效地抑制銀行信貸風(fēng)險(xiǎn)的發(fā)生[7]。二是對(duì)房地產(chǎn)信貸風(fēng)險(xiǎn)度量的研究。Logistic 模型是常用的分析模型，一般使用主成分分析作為變量篩選手段。王俊籽和劉瀾濤從微觀角度出發(fā)，以企業(yè)財(cái)務(wù)數(shù)據(jù)為樣本，利用主成分分析篩選財(cái)務(wù)數(shù)據(jù)建立Logistic 模型，實(shí)證結(jié)果顯示，提高盈利能力是企業(yè)降低信貸風(fēng)險(xiǎn)的主要方法[8]；胡勝等在采用企業(yè)財(cái)務(wù)報(bào)表作為樣本數(shù)據(jù)的基礎(chǔ)上，加入了宏觀經(jīng)濟(jì)指標(biāo)，以此建立Logistic 模型，模型正確率高達(dá)98.5%，結(jié)果顯示，不僅企業(yè)自身的經(jīng)營(yíng)狀況，而且宏觀經(jīng)濟(jì)的形勢(shì)也是影響房地產(chǎn)企業(yè)信貸風(fēng)險(xiǎn)的主要因素[9]。除了主成分分析外，顏哲等利用獨(dú)立性T 檢驗(yàn)代替主成分分析作為數(shù)據(jù)篩選的手段，建立Logistic 模型，并與主成分分析Logistic 模型的結(jié)果進(jìn)行對(duì)比，認(rèn)為T 檢驗(yàn)比主成分分析更為優(yōu)越，更加適合于我國(guó)房地產(chǎn)公司的財(cái)務(wù)危機(jī)預(yù)測(cè)[10]。也有學(xué)者利用判別分析研究企業(yè)的信貸風(fēng)險(xiǎn)。李紅立等利用37家房地產(chǎn)上市企業(yè)2004 年的財(cái)務(wù)數(shù)據(jù)建立判別分析模型，并以相同企業(yè)2006 年的財(cái)務(wù)數(shù)據(jù)檢驗(yàn)?zāi)Ｐ托Ч?，檢驗(yàn)?zāi)Ｐ驼_率高達(dá)97.3%[11]；徐曉莉、陳佩佩用主成分分析對(duì)24 家地產(chǎn)企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行處理后，再建立判別分析模型，結(jié)果發(fā)現(xiàn)模型效果良好[12]。

通過對(duì)中外文獻(xiàn)的梳理，國(guó)內(nèi)外學(xué)者對(duì)企業(yè)信貸風(fēng)險(xiǎn)度量的研究大多是針對(duì)單一模型效果的評(píng)價(jià)，而對(duì)不同模型優(yōu)劣性的研究相對(duì)較少，在一定程度上會(huì)使模型缺乏說服力。本文基于主成分分析、獨(dú)立性T 檢驗(yàn)、判別分析法、Logistic 回歸法4種方法設(shè)計(jì)4 組模型，通過分析比較各組模型的優(yōu)劣以探尋最佳的房地產(chǎn)信貸風(fēng)險(xiǎn)度量模型。

二、財(cái)務(wù)指標(biāo)的確定

通常情況下，銀行信貸風(fēng)險(xiǎn)主要體現(xiàn)為企業(yè)不遵守合同約定導(dǎo)致銀行利益虧損和企業(yè)不按時(shí)還款導(dǎo)致銀行利益虧損兩種現(xiàn)象，即違約和逾期兩種風(fēng)險(xiǎn)，而違約風(fēng)險(xiǎn)隨逾期風(fēng)險(xiǎn)正向波動(dòng)，因此使用企業(yè)的違約風(fēng)險(xiǎn)即可描述銀行的信貸風(fēng)險(xiǎn)。企業(yè)的違約風(fēng)險(xiǎn)可以從宏觀和微觀兩個(gè)層面進(jìn)行分析。宏觀層面的影響因素主要包括房屋銷售價(jià)格、整體經(jīng)濟(jì)環(huán)境、銀行利率等，宏觀經(jīng)濟(jì)因素是重要的影響因素，但它與企業(yè)違約風(fēng)險(xiǎn)的關(guān)系并不直觀，以此建立模型會(huì)在一定程度上脫離實(shí)際，降低模型的真實(shí)性。而微觀因素主要來源于企業(yè)的財(cái)務(wù)報(bào)表，能夠直觀反映企業(yè)的經(jīng)營(yíng)狀況，是最值得考慮的風(fēng)險(xiǎn)因素。

本文從微觀角度出發(fā)，基于上市企業(yè)的財(cái)務(wù)報(bào)表對(duì)企業(yè)的經(jīng)營(yíng)狀況進(jìn)行分析。對(duì)于具體財(cái)務(wù)指標(biāo)的選取，學(xué)術(shù)界尚無定論，一般需通過對(duì)財(cái)務(wù)比率大量的計(jì)算才能得出，也可從已有的文獻(xiàn)中選取如流動(dòng)速率、產(chǎn)權(quán)比率等具有代表性的財(cái)務(wù)指標(biāo)。本文通過財(cái)務(wù)計(jì)算，綜合相關(guān)文獻(xiàn)[13-17]，選取36 個(gè)財(cái)務(wù)指標(biāo)，對(duì)其進(jìn)行歸納分類，并整合相似性高的指標(biāo)，最終確定23 個(gè)對(duì)企業(yè)違約率有顯著影響的指標(biāo)（如表1 所示），這些指標(biāo)分別反映了企業(yè)的償債能力、盈利能力、營(yíng)運(yùn)能力、發(fā)展能力、現(xiàn)金流狀況等五個(gè)方面。由于財(cái)務(wù)報(bào)表的私密性，本文數(shù)據(jù)選取我國(guó)192 家上市房地產(chǎn)企業(yè)2019 年的財(cái)務(wù)報(bào)表，財(cái)務(wù)數(shù)據(jù)來源于國(guó)泰安數(shù)據(jù)庫(kù)，計(jì)量軟件使用SPSS 25.0。

表1 最初選取的財(cái)務(wù)指標(biāo)

“ST”是我國(guó)公開對(duì)出現(xiàn)經(jīng)營(yíng)異常企業(yè)實(shí)施的一種特殊措施，被加上“ST”的企業(yè)至少連續(xù)出現(xiàn)兩年及以上的虧損或者財(cái)務(wù)異常，違約概率較大，且上市地產(chǎn)公司的違約信息又難以獲得。為此，本文擬定“ST”企業(yè)作為違約企業(yè)，“非ST”企業(yè)為正常企業(yè)。將192 家房地產(chǎn)上市企業(yè)分為兩組，一組是正常經(jīng)營(yíng)的“非ST”企業(yè)，共184 家；一組是財(cái)務(wù)狀況連續(xù)出現(xiàn)虧損的“ST”企業(yè)，共8 家。

三、模型構(gòu)建

（一）判別模型

判別分析模型是企業(yè)常用的財(cái)務(wù)風(fēng)險(xiǎn)度量方法，其計(jì)算速度快、成本低且信用語(yǔ)言穩(wěn)定可靠。假設(shè)Y為上市企業(yè)違約風(fēng)險(xiǎn)的判別值；X(x1,x2,…,xm)為企業(yè)財(cái)務(wù)指標(biāo)；i為財(cái)務(wù)指標(biāo)的數(shù)量；房地產(chǎn)上市公司的樣本數(shù)量為k；γ為常數(shù)項(xiàng)，δ為判別系數(shù)。判別函數(shù)的一般形式為：

（二）Logistic 模型

Logistic 回歸模型是對(duì)數(shù)線性模型的一種特殊形式，不同于普通的線性回歸模型，它可以使用二分類變量作為因變量，無需數(shù)據(jù)滿足正態(tài)分布，是應(yīng)用最為廣泛的風(fēng)險(xiǎn)度量模型。Logistic 模型基本形式為：

式（2）中，S=α0+α1x1+α2x2+…+αnxn,α0表示常數(shù)項(xiàng)，α1,α2,…,αn表示待估計(jì)系數(shù)，x1,x2,…,xn表示解釋變量；被解釋變量P表示企業(yè)違約概率，P的取值在0 到1 之間。為方便分析，一般假設(shè)Y代表是否違約，x1,x2,…,xn為影響Y的自變量。Y與xi的關(guān)系式可表達(dá)為：

以P=0.5 為分界點(diǎn)，P＞0.5 時(shí)，判定該企業(yè)違約風(fēng)險(xiǎn)較高，為“ST”企業(yè)；P＜0.5 時(shí)，判定該企業(yè)違約風(fēng)險(xiǎn)較低，為“非ST”企業(yè)[18]。

四、實(shí)證研究

（一）預(yù)測(cè)變量的選取

為提高模型精確度，需選取相關(guān)性低的財(cái)務(wù)指標(biāo)作為預(yù)測(cè)變量。指標(biāo)初步確定后，分別使用主成分分析和獨(dú)立性T 檢驗(yàn)篩選財(cái)務(wù)指標(biāo)，以減少指標(biāo)間多重共線性，降低相關(guān)性。

1.基于主成分分析法的數(shù)據(jù)篩選

首先對(duì)數(shù)據(jù)進(jìn)行KMO 和巴特利特檢驗(yàn)，以判定樣本能否繼續(xù)主成分分析。KMO 檢驗(yàn)值為0.624，大于標(biāo)準(zhǔn)衡量值0.6，即表示初始指標(biāo)間相關(guān)性較強(qiáng)。巴特利特檢驗(yàn)的sig 值為0.000，小于顯著性水平0.05，即初始指標(biāo)間存在顯著相關(guān)性，說明數(shù)據(jù)適合做主成分分析。累計(jì)貢獻(xiàn)率可表示所提取主成分對(duì)原始數(shù)據(jù)的覆蓋程度，通過計(jì)算得到9 個(gè)主成分因子，其樣本貢獻(xiàn)度為75.709%，即所提取的主成分因子涵蓋了原始指標(biāo)75.709%的信息，可代表原始指標(biāo)作為模型預(yù)測(cè)變量。

由因子荷載矩陣得到9 個(gè)因子分別為：F1主要表達(dá)了流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率等指標(biāo)；F2主要表達(dá)了資產(chǎn)報(bào)酬率、總資產(chǎn)凈利潤(rùn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率等指標(biāo)；F3主要表達(dá)了資產(chǎn)報(bào)酬率、總資產(chǎn)凈利潤(rùn)率、營(yíng)業(yè)毛利率等指標(biāo)；F4主要表達(dá)了資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、凈利潤(rùn)現(xiàn)金凈含量、營(yíng)業(yè)利潤(rùn)現(xiàn)金凈含量等指標(biāo)；F5主要表達(dá)了凈資產(chǎn)收益率增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率；F6主要表達(dá)了凈資產(chǎn)收益率、現(xiàn)金適合比率指標(biāo)；F7主要表達(dá)了總資產(chǎn)增長(zhǎng)率、營(yíng)業(yè)收入增長(zhǎng)率指標(biāo)；F8主要表達(dá)了應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率；F9主要表達(dá)了投資收益率。

2.基于獨(dú)立性T 檢驗(yàn)的數(shù)據(jù)篩選

在獨(dú)立性T 檢驗(yàn)中，若指標(biāo)萊文方差檢驗(yàn)的顯著性水平大于0.05，且該指標(biāo)的均值等同性T 檢驗(yàn)滿足顯著性水平小于0.05 時(shí)，則可認(rèn)為該指標(biāo)在區(qū)別“ST”企業(yè)與“非ST”企業(yè)上有顯著相關(guān)性，可作為模型自變量。通過計(jì)算篩選出資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、凈資產(chǎn)收益率、總資產(chǎn)增長(zhǎng)率四項(xiàng)財(cái)務(wù)指標(biāo)作為預(yù)測(cè)變量。

（二）模型建立

1.判別分析模型

（1）T 獨(dú)立性檢驗(yàn)

使用逐步判別法，對(duì)獨(dú)立性檢驗(yàn)出的4 個(gè)財(cái)務(wù)指標(biāo)進(jìn)行再篩選，得到資產(chǎn)負(fù)債率、凈資產(chǎn)收益率兩個(gè)關(guān)鍵財(cái)務(wù)指標(biāo)。將其作為預(yù)測(cè)變量，企業(yè)違約與否作為分組變量，以構(gòu)建多元判別分析模型。當(dāng)Y1大于Y2時(shí)，該企業(yè)為“非ST”企業(yè)，否則為“ST”企業(yè)。

“非ST”房地產(chǎn)企業(yè)風(fēng)險(xiǎn)度量模型：

Y1=-7.561+19.968 資產(chǎn)負(fù)債率+14.877 凈資產(chǎn)收益率

“ST”房地產(chǎn)企業(yè)風(fēng)險(xiǎn)度量模型：

Y2=-2.589+10.717 資產(chǎn)負(fù)債率-4.325 凈資產(chǎn)收益率

（2）主成分分析

同理，利用逐步判別分析法得出的F1、F4、F63 個(gè)關(guān)鍵指標(biāo)，建立多元判別分析模型。

“非ST”房地產(chǎn)企業(yè)風(fēng)險(xiǎn)度量模型：

Y1=-0.696-0.053F1+0.041F4+0.039F6

“ST”房地產(chǎn)企業(yè)風(fēng)險(xiǎn)度量模型：

Y2=-2.129 +1.228F1-0.951F4-0.896F6

2.Logistic 模型

（1）T 獨(dú)立性檢驗(yàn)

經(jīng)過Logistic 模型篩選，在T 獨(dú)立性檢驗(yàn)得出的4 個(gè)指標(biāo)中，總資產(chǎn)增長(zhǎng)率的顯著性不高，予以剔除。資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、凈資產(chǎn)收益率的顯著性較低，可作為關(guān)鍵財(cái)務(wù)指標(biāo)，如表2 所示。現(xiàn)將這3 個(gè)指標(biāo)做為預(yù)測(cè)變量，企業(yè)違約概率P為被解釋變量，擬合Logistic 回歸模型：

表2 方程中的變量

模型建立后利用Hosmer-Lem show 檢驗(yàn)法對(duì)其擬合優(yōu)度進(jìn)行檢驗(yàn)。該檢驗(yàn)假設(shè)擬合模型與真實(shí)模型沒有偏差，P值小于0.05 時(shí)，拒絕假設(shè)成立。該模型P值為0.999，大于0.05，原假設(shè)成立，檢驗(yàn)通過，同時(shí)卡方值為0.770，說明本文擬合模型與真實(shí)模型偏差小，模型效果好[19]。

（2）使用主成分分析建立

如表3所示，5個(gè)因子F1、F3、F4、F5、F6對(duì)企業(yè)違約有顯著性影響，以其為預(yù)測(cè)變量，企業(yè)違約概率P為被解釋變量，擬合Logistic回歸模型：

表3 方程中的變量

使用Hosmer-Lem show檢驗(yàn)法對(duì)所建模型進(jìn)行檢驗(yàn)，該擬合模型P值為0.985，大于0.05的顯著性水平，原假設(shè)成立，該擬合模型與真實(shí)模型沒有偏差，且卡方值為1.862，說明本文的擬合模型與真實(shí)模型偏差很小，擬合效果好，可代表真實(shí)模型，模型結(jié)果有意義。

（三）模型預(yù)測(cè)正確率

為了更直觀地表現(xiàn)模型預(yù)測(cè)效果，現(xiàn)將各組模型結(jié)果匯總圖形化，見圖1。由圖1 可知，使用判別分析模型的兩組使正確率在85%左右，其中使用主成分分析法的組總體正確率較高，但對(duì)于“ST”企業(yè)的預(yù)測(cè)效果不好，僅為62.5%。使用Logistic模型的兩組正確率在95%左右，同樣，使用主成分分析的組的模型預(yù)測(cè)總體正確率最高為95.8%，對(duì)“非ST”企業(yè)的預(yù)測(cè)正確率高達(dá)99.5%，但對(duì)“ST”企業(yè)的預(yù)測(cè)正確率僅為12.5%。綜合來看，4 組模型的總體預(yù)測(cè)正確率均在84%以上，最高組高達(dá)95.8%，這說明本文的研究對(duì)企業(yè)信貸風(fēng)險(xiǎn)的度量研究具有一定的參考意義。

圖1 模型預(yù)測(cè)匯總直方圖

五、結(jié)論

多數(shù)學(xué)者對(duì)于信貸風(fēng)險(xiǎn)度量方法的研究只是利用單一模型的正確率來分析模型預(yù)測(cè)效果，缺少橫向比較，一定程度上缺乏科學(xué)性。本文在學(xué)者們研究的基礎(chǔ)上，利用企業(yè)財(cái)務(wù)數(shù)據(jù)對(duì)4 組常用模型進(jìn)行橫向?qū)Ρ?，分析比較各組模型的優(yōu)劣性以得出最佳的風(fēng)險(xiǎn)度量模型，使實(shí)證結(jié)果更直觀、更具說服力。實(shí)證結(jié)果顯示，判別分析模型總體的預(yù)測(cè)誤差率高達(dá)15%，這對(duì)投入資金大、項(xiàng)目周期長(zhǎng)的房地產(chǎn)行業(yè)來說是不可接受的。而Logistic 模型的平均誤差率在6%以內(nèi)，整體預(yù)測(cè)效果明顯高于判別模型，高達(dá)95.8%的預(yù)測(cè)正確率能較好地完成風(fēng)險(xiǎn)預(yù)警工作。這可能和判別分析的特性有關(guān)：只有在數(shù)據(jù)滿足正態(tài)分布時(shí)，判別分析模型才能獲得最優(yōu)效果，這給判別分析的使用限制了范圍。而Logistic模型則無需數(shù)據(jù)滿足正態(tài)分布也可取得良好效果，Logistic 模型的使用范圍更廣。

指標(biāo)篩選方面發(fā)現(xiàn)，采用獨(dú)立性檢驗(yàn)作為指標(biāo)特征選擇的模型相對(duì)主成分模型來說，誤差率更大，這說明使用該方法選擇的財(cái)務(wù)指標(biāo)，在一定程度上與企業(yè)違約風(fēng)險(xiǎn)的相關(guān)性較小，并不可靠，不足以描述企業(yè)的違約風(fēng)險(xiǎn)。獨(dú)立性檢驗(yàn)認(rèn)為，影響企業(yè)違約風(fēng)險(xiǎn)的因素是資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、凈資產(chǎn)收益率。而主成分分析則認(rèn)為流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、營(yíng)業(yè)毛利率、凈利潤(rùn)現(xiàn)金凈含量、營(yíng)業(yè)利潤(rùn)現(xiàn)金凈含量、凈資產(chǎn)收益率增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率、凈資產(chǎn)收益率、現(xiàn)金適合比率等指標(biāo)是影響企業(yè)違約風(fēng)險(xiǎn)的因素。顯然，獨(dú)立性檢驗(yàn)得出的影響因素較少，不利于房地產(chǎn)企業(yè)自身的調(diào)整并且與實(shí)際并不相符，缺少了公認(rèn)的影響因素，如代表企業(yè)償債能力的流動(dòng)比率、速動(dòng)比率等相關(guān)指標(biāo)。而主成分分析得出的指標(biāo)則綜合了企業(yè)的償債能力、盈利能力及營(yíng)運(yùn)能力等方面，更貼合實(shí)際，對(duì)于房地產(chǎn)上市企業(yè)的自我改正和銀行信貸對(duì)象選擇方面有重大意義。

通過對(duì)以上4組模型結(jié)果的分析得出一種可靠的風(fēng)險(xiǎn)度量方法：主成分Logistic模型。主成分Logistic模型是四種模型中預(yù)測(cè)誤差率最低，效果最好的模型，它的適用范圍更廣，有高達(dá)95.8%的預(yù)測(cè)正確率，近96%的預(yù)測(cè)正確率對(duì)商業(yè)銀行判斷資金流大、項(xiàng)目周期長(zhǎng)的房地產(chǎn)企業(yè)的違約風(fēng)險(xiǎn)至關(guān)重要。在違約風(fēng)險(xiǎn)因素的篩選方面也更具有優(yōu)勢(shì)，指標(biāo)選擇有普適性，讓銀行能對(duì)風(fēng)險(xiǎn)影響因素進(jìn)行準(zhǔn)確追蹤，使商業(yè)銀行對(duì)于房地產(chǎn)企業(yè)的風(fēng)險(xiǎn)評(píng)估有側(cè)重方向，為后期的企業(yè)信貸風(fēng)險(xiǎn)評(píng)價(jià)做好前期工作。