［摘 要］隨著商業(yè)銀行的住房按揭貸款業(yè)務(wù)總量的迅速增加，住房按揭貸款逾期風險已成為商業(yè)銀行在住房按揭貸款管理中經(jīng)常遇到的重要信用風險之一。在回顧國內(nèi)外有關(guān)住房按揭貸款逾期風險研究的理論基礎(chǔ)上，建立Logistic函數(shù)回歸模型，應(yīng)用因子分析、判別分析等技術(shù)，剖析了影響住房按揭貸款產(chǎn)生逾期風險的因素，并對商業(yè)銀行的正常與逾期按揭貸款樣本進行了計量分析，提出了加強住房按揭貸款逾期風險預警管理的對策建議。�
?。坳P(guān)鍵詞］住房按揭貸款；逾期風險；住房貸款；逾期風險預警模型；貸款違約風險；房地產(chǎn)市場�
?。壑袌D分類號］F830.2 ［文獻標識碼］A ［文章編號］10044833(2012)01010607��
一、 引言�
從我國住房按揭貸款業(yè)務(wù)的發(fā)展來看，在1998年實施城鎮(zhèn)住房制度改革以前，該項業(yè)務(wù)發(fā)展比較緩慢，規(guī)模有限，但自1998年開始，我國的住房按揭貸款業(yè)務(wù)呈快速增長態(tài)勢。人民銀行統(tǒng)計數(shù)據(jù)顯示：1997年末全國銀行系統(tǒng)個人住房按揭貸款余額僅為190億元，占銀行全部貸款余額的比重不到0.3%；經(jīng)過1998年以后的快速發(fā)展，到2010年末，全國銀行機構(gòu)的個人住房按揭貸款余額已達到62000億元。經(jīng)推算，個人住房按揭貸款占全部貸款余額的比重達13.59%，占比提高了13.29個百分點。按揭貸款已成為商業(yè)銀行個人貸款業(yè)務(wù)的重要品種之一。與此同時，受各種宏微觀因素影響，作為長期貸款品種的個人住房按揭貸款的逾期風險開始大量顯現(xiàn)，這對商業(yè)銀行的資金配置和風險管理提出了新的要求。如何有效防控逾期違約風險已成為商業(yè)銀行個人信貸業(yè)務(wù)發(fā)展中亟需研究的重要課題。�
二、 文獻回顧�
?。ㄒ唬?國內(nèi)外對按揭貸款逾期風險的研究�
美國等西方國家開展住房按揭貸款業(yè)務(wù)較早，對住房按揭貸款風險的研究也較多，研究的視角也多種多樣。Campbell和Dietrich認為，在任何時候，住房按揭貸款借款人的行為都可以歸入以下四種選擇中的一種：逾期（還款延遲）；違約；提前還款（通過出售財產(chǎn)或再融資）；持續(xù)還款[1]。自此國外學者開始將逾期風險、違約風險、提前償付風險等分開研究，研究對象進一步細化。但在他們的研究中，大量的實證研究主要集中在對住房按揭貸款違約風險的探討，對逾期風險的研究比較少。�
Furstenberg、Morton、Campbell和Dietrich等對引起住房按揭貸款逾期風險的決定因素進行了分析[13]。Campbell和Dietrich認為，違約和逾期在動機上有本質(zhì)上的區(qū)別，同時他們還發(fā)現(xiàn)大多數(shù)引發(fā)違約的關(guān)鍵因素同樣也會對逾期有影響，因此他們將引起住房按揭貸款逾期的關(guān)鍵因素與違約率進行了比較。該研究顯示：在影響住房按揭貸款逾期方面，家庭收入和貸款利率比權(quán)益值影響更大[1]。Waller認為，如果貸款發(fā)生逾期，并不必然會形成違約，但長時間的逾期會造成借款人拖欠大量的應(yīng)付款項，以至不可避免地會引起違約。造成逾期的原因包括：第一，借款人在經(jīng)濟上無力支付，其后采取延遲支付，或者將抵押資產(chǎn)出售，又或者繼續(xù)逾期直至違約；第二，借款人經(jīng)濟上可以承受，但仍然選擇放棄抵押的產(chǎn)權(quán)；第三，借款人在喪失抵押品贖回權(quán)之前，以逐利為目的通過居住在免收房租的房子來獲利[4]。Canner、Gabriel和Woolley認為，就像那些難以預測的事情會引發(fā)信用問題一樣，對逾期風險的預測必須包括很多無法解釋的隨機因素[5]。Teo將逾期現(xiàn)象定義為按揭借款人沒有能力或不愿定期履行合同規(guī)定的定期支付。他通過運用危險函數(shù)分析法，從貸款特征、產(chǎn)權(quán)特征、借款人特征和環(huán)境特征四個方面對引起住房按揭貸款逾期風險的決定性因素進行實證分析發(fā)現(xiàn)，由于（在模型分析中）不可控制因素表現(xiàn)顯著，因而貸款銀行在降低按揭貸款逾期風險方面的能力是有限的[6]。�
從國內(nèi)研究文獻看，國內(nèi)學者從多個角度對銀行按揭貸款的風險進行了分類、定義，并開始對住房按揭貸款的違約風險進行研究，但大部分是定性分析，運用實際數(shù)據(jù)和經(jīng)濟計量模型進行分析的還較少。如，彭小泉根據(jù)博弈理論，分別建立了個人借款和個人還款博弈模型，對個人住房按揭貸款違約風險進行了研究[7]；陸勇依據(jù)抽樣數(shù)據(jù)對上海市的個人住房抵押貸款違約因素進行了實證分析[8]。�
（二） 本文研究視角�
本文借鑒國外學者研究按揭貸款違約風險的方法，利用我國銀行機構(gòu)的按揭貸款歷史數(shù)據(jù)，對按揭貸款的逾期風險進行計量分析研究。將逾期風險從一般違約風險中分離出來單獨進行研究，因而該研究具有一定的理論價值和實踐意義。本文在研究中將逾期風險定義為，借款人在一段時期內(nèi)由于臨時性財務(wù)困難而不能或不愿按期償還按揭貸款本息的違約行為。為研究方便，本文將逾期不超過90天的違約貸款納入逾期風險貸款。�
三、 模型構(gòu)建�
本文通過借款人、房產(chǎn)、貸款、區(qū)域經(jīng)濟等方面的一系列特征數(shù)據(jù)，在檢驗變量是否滿足正態(tài)分布的基礎(chǔ)上，選擇合理的建模方法建立逾期風險的預警模型，并評價模型的預測效果，提出模型對于住房按揭貸款風險管理的借鑒意義。�
?。ㄒ唬?風險預警評價指標體系構(gòu)建�
本文構(gòu)建的風險預警評價指標體系選擇了涵蓋借款人特征、房產(chǎn)特征、貸款特征和區(qū)域特征四個方面的20個變量，并以正常還款（0）、逾期（1）為離散型二變量的因變量。具體指標見表1。�
1. 借款人特征變量。包括借款人年齡、性別、戶口所在地、受教育程度、單位性質(zhì)、職業(yè)類型、婚姻狀況、家庭月收入、月還本金、月還本金占家庭月收入比例等變量，這些是反映一個人自然屬性、社會屬性特征的代表性變量，通過這些變量可以綜合判斷一個借款人的品質(zhì)和能力。如，借款人受教育程度，該變量的高低對一個人能否順利就業(yè)、在相同的行業(yè)背景下其收入及穩(wěn)定性的高低、考慮問題是否全面、理財能力強弱、職業(yè)生涯和家庭發(fā)展規(guī)劃等均有影響，因此，受教育程度變量對于判斷借款人的貸款逾期風險大小具有一定價值。�
2. 房產(chǎn)特征變量。包括房屋現(xiàn)狀、建筑面積、房屋總價、房屋單價等變量，這些是反映按揭房產(chǎn)特征的代表性變量，在不斷變化的社會、經(jīng)濟、文化等背景下，這些變量對借款人的還款心理會有影響。如，房屋現(xiàn)狀，指期房或現(xiàn)房，如果是期房，從借款人辦理按揭貸款到真正擁有房產(chǎn)還有一段時間，此間會有許多不確定性因素影響借款人對房產(chǎn)的期待和還款意愿，房屋現(xiàn)狀不同，借款人在面臨同樣的問題時可能會做出截然不同的決策。又如房屋單價，這個變量綜合反映了按揭借款人對住房戶型、結(jié)構(gòu)、朝向、建筑質(zhì)量、區(qū)位環(huán)境、鄰里、社區(qū)文化等方面的舒適度判斷，如果這些感知和預期中的部分發(fā)生重大背離時，則借款人發(fā)生逾期違約的可能性就會增加。�
3. 貸款特征變量。包括貸款種類、貸款金額、貸款成數(shù)、貸款期限、還款方式等變量，這些反映了針對不同借款人購買的不同房產(chǎn)設(shè)計的按揭貸款特征要素，對分析逾期等違約風險有一定價值。如，貸款金額，反映了借款人為購房而承擔的絕對債務(wù)量。一般而言，在借款人收入狀況及預期不發(fā)生重大變化的情況下，貸款金額越大，借款人面臨財務(wù)危機時貸款逾期的可能性就越大，銀行產(chǎn)生損失的可能性和損失的絕對額也越大。�
4. 區(qū)域特征變量。該變量采用房價指數(shù)反映房地產(chǎn)市場綜合變化情況。房產(chǎn)升值將導致借款人住房權(quán)益的增加，借款人財務(wù)負擔能力也同樣增強，因此在一個房價上漲的環(huán)境里，借款人的按揭貸款發(fā)生逾期違約的可能性會下降。本文在實證研究中，選取了南京市的商品房銷售價格定基增長指數(shù)作為反映不同時期借款人貸款的區(qū)域特征變量。�
（二） 逾期風險預警模型的建立�
本文逾期風險預警模型的核心思想是首先建立包含正常還款客戶和貸款逾期客戶信息的樣本數(shù)據(jù)庫，根據(jù)樣本特征數(shù)據(jù)所反映出來的信息建立判別模型，以此模型來預測發(fā)生逾期風險的概率，從而判斷逾期風險的大小。 �
逾期風險預警模型研究可以采用多種方法，如多元判別分析（MDA）、Logit回歸分析、Probit回歸分析、神經(jīng)網(wǎng)絡(luò)等，其中多元判別分析要求各變量服從聯(lián)合正態(tài)分布，這一假設(shè)條件在現(xiàn)實情況下一般很難得到滿足。本文運用Logistic函數(shù)建立回歸分析模型，該模型是由Logit模型變換而來的。研究表明，在樣本變量正態(tài)性假設(shè)條件得不到滿足的情況下，Logit模型的效果強于或者等同于多元判別分析的效果。本文首先運用Kolmogorov�Smirnov適應(yīng)性檢驗方法對變量分別進行了正態(tài)性檢驗，得出所有變量均不服從正態(tài)分布的結(jié)論。�
在Logistic回歸模型中，一般以0.5作為預測概率（P�i）的分割點，如果預測概率大于0.5，則預測發(fā)生逾期，即某筆按揭貸款可能發(fā)生逾期風險，反之則不發(fā)生，即按揭貸款發(fā)生逾期風險的可能性較小。�
Logit模型采用的是邏輯概率分布函數(shù)，具體形式如下：�
�P�i=11+e��-Z�i��（1）�
經(jīng)過一系列變換，得到Logistic模型：�
��ln�P�i1-P�i=β�0+β�1X�1+β�2X�2+…+β�nX�n+μ�i�（2）�
上式中：�P�i表示住房按揭貸款發(fā)生逾期風險的概率，取值區(qū)間在0與1之間；β�i是待估計系數(shù)；X�i是自變量；μ�i�是隨機誤差項。�
四、 實證算例�
?。ㄒ唬?樣本選擇與數(shù)據(jù)來源�
本文在實證研究中，樣本總體范圍是某國有控股商業(yè)銀行南京地區(qū)分支機構(gòu)自1998年1月1日至2002年12月31日五年間發(fā)放的（購買普通住房或商用房）住房按揭貸款中符合條件的樣本，共篩選出正常貸款樣本1340筆、逾期貸款樣本2676個在篩選逾期貸款樣本時，剔除了實質(zhì)性違約的貸款，以及變量信息不全或明顯失真的樣本。。�
（二） 因子分析�
通過對自變量之間的相關(guān)性進行檢驗，發(fā)現(xiàn)原有自變量之間的獨立性差，具有較強的相關(guān)關(guān)系，本文通過技術(shù)方法進行了適當處理，在保留自變量的大部分有用解釋信息的同時，消除了自變量間的多重共線性。同時，KMO樣本測度分析表明，樣本是可以容忍的，可以對數(shù)據(jù)進行因子分析樣本充分性KMO系數(shù)為0.672，樣本分布的球形Bartlett卡方檢驗值為29108.548，sig.值為0.000。。�
利用SPSS13.0軟件對有效樣本數(shù)據(jù)進行分析后，通過軟件中的主成分分析法和方差最大旋轉(zhuǎn)法，最終從20個變量中篩選出8個主因子，提取的8個主因子對原始變量信息的累計解釋率為�65.11%�。根據(jù)旋轉(zhuǎn)后的因子荷重矩陣分析，第一個因子包含的變量有房屋總價、貸款金額、月還本金、建筑面積、購房單價和家庭月收入，命名為絕對財務(wù)狀況因子（F�1）。貸款成數(shù)、貸款期限、房屋現(xiàn)狀這三個變量歸為因子2，命名為貸款狀況因子（F�2）?；橐鰻顩r、借款人年齡這兩個變量歸為因子3，命名為婚姻年齡因子（F�3）。月還本金占家庭月收入比例、職業(yè)類型這兩個變量歸為因子4，命名為財務(wù)負擔因子（F�4）。受教育程度、單位性質(zhì)這兩個變量歸為因子5，命名為學歷就業(yè)因子（F�5）。性別、貸款種類這兩個變量歸為因子6，命名為性別因子（F�6）。還款方式、房價指數(shù)這兩個變量歸為因子7，命名為財務(wù)預期因子（F�7）。戶口所在地歸為因子8，命名為戶籍因子（F�8）。�
根據(jù)因子得分系數(shù)矩陣表，可以分析每個變量對因子的貢獻大小。如在因子1中，房屋總價的因子得分系數(shù)最大，為0.241，說明該變量對因子1的貢獻較大，對因子1具有很強的解釋力；月還本金、貸款金額、建筑面積的因子得分系數(shù)分別為0.239、0.231、0.231，略小于房屋總價的因子得分系數(shù)，這三個變量對因子1也有較強的解釋力；家庭月收入、購房單價的因子得分系數(shù)分別為0.124、0.1，這兩個變量對因子1的解釋力則較弱。�
根據(jù)因子得分系數(shù)矩陣和原始變量的標準化值選用Z分數(shù)法對原始變量進行標準化處理。，可以計算出每個樣本在相應(yīng)因子上的得分，生成的8個因子變量不僅包含了原始變量的絕大多數(shù)信息量，又避免了原始變量存在的多重共線性，而且服從標準正態(tài)分布。�
（三） 判別分析�
采用自變量全部進入的分析方法本文在實證研究中還按照逐步代入法進行了判別分析，8個因子變量中僅有3個（因子1、因子2、因子5）被選作自變量進行判別分析，判別函數(shù)的預測準確率為56.5%，與全部進入法的判別函數(shù)預測效果相差無幾。本文僅列出全部代入法的具體判別結(jié)果。進行判別分析。根據(jù)SPSS13.0軟件運算得到的典則判別函數(shù)系數(shù)，得出住房按揭貸款逾期還款風險的典則判別函數(shù)式如下：�
�Y=0.357×F�1+0.786×F�2+0.162×F�3+0.038×F�4-0.397×F�5+0.136×F�6+0.180×F�7+0.165×F�8�（3）�
根據(jù)各因子判別系數(shù)絕對值的大小，可以簡單比較各因子變量對按揭貸款逾期風險的相對重要性。從式（3）可以看出，貸款狀況因子（F�2）的影響最大，其系數(shù)絕對值為0.786；學歷就業(yè)因子（F�5）和絕對財務(wù)狀況因子（F�1）的影響居其次，其系數(shù)絕對值分別為0.397、0.357；財務(wù)預期因子（F�7）、戶籍因子（F�8）、婚姻年齡因子（F�3）、性別因子（F�6）的系數(shù)絕對值較接近，影響相差不大；財務(wù)負擔因子（F�4）的影響最小，其系數(shù)絕對值僅0.038。從影響重要性程度看，判別系數(shù)絕對值最大的貸款狀況因子比判別系數(shù)絕對值最小的財務(wù)負擔因子重要約20倍。雖然各個因子在重要性上有差別，但這只是相對的，預判某筆住房按揭貸款是否發(fā)生逾期違約風險，應(yīng)是這些因子、變量共同作用的結(jié)果。典則判別函數(shù)式檢驗Wilks的Lambda值為0.985，卡方值為60.725，自由度為8，Sig.值為0.000，說明典則判別函數(shù)擬合效果很好，可以用該函數(shù)進行逾期還款風險分析預測。�
應(yīng)用SPSS分析軟件對判別函數(shù)預測的準確性進行驗證，如表3所示，樣本數(shù)據(jù)中，正常貸款1340個樣本，逾期還款2676個樣本。通過判別分析，共有699個正常還款樣本歸入正常還款組，有641個正常還款樣本歸入逾期還款組，分類的正確率為52.16%；共有1582個逾期還款樣本歸入逾期還款組，有1094個逾期還款樣本歸入正常還款組，分類的正確率為59.12%。在總共4016個樣本中，共有2281個樣本分類正確，總體的正確率為56.80%。�
五、 分析結(jié)論�
根據(jù)對計量模型測算的判別函數(shù)系數(shù)和因子荷重的分析，結(jié)合樣本數(shù)據(jù)特征，可以得到以下幾個影響因素與逾期風險的關(guān)系：�
?。ㄒ唬?借款人自身特征影響因素�
從借款人自身特征看，借款人受教育程度越低、單位性質(zhì)越差，相對來講收入較少、穩(wěn)定性較差，其按揭貸款發(fā)生逾期的可能性越大；女性借款人的按揭貸款發(fā)生逾期的可能性高于男性借款人的按揭貸款發(fā)生逾期的可能性；外地借款人的按揭貸款發(fā)生逾期的可能性大于本地借款人的按揭貸款發(fā)生逾期的可能性；而年齡大小與按揭貸款是否發(fā)生逾期之間不是單純的正向或反向相關(guān)關(guān)系，婚姻狀況對按揭貸款發(fā)生逾期風險的影響方向不能確定。�
（二） 借款人職業(yè)類型影響因素�
從借款人的職業(yè)類型看，在某些類型上，借款人職業(yè)類型對其按揭貸款逾期風險有正向影響關(guān)系。這與通常意義上的理解有差異，但描述性統(tǒng)計分析部分支持根據(jù)因子荷重和判別系數(shù)做出的分析。描述性統(tǒng)計分析顯示，貸款逾期類借款人職業(yè)類型均值高于正常還款類借款人的職業(yè)類型均值職業(yè)類型賦值是按職業(yè)穩(wěn)定性由低到高賦予由少到多的變量值，這兩類人員在定量分析中賦值較高。，職業(yè)軍人、管理人員在貸款逾期類借款人中的占比高于其在正常還款類借款人中的占比。 �
?。ㄈ?借款人家庭經(jīng)濟狀況影響因素�
從借款人家庭經(jīng)濟狀況看，借款人的家庭月收入越高，其所對應(yīng)的住房按揭貸款發(fā)生逾期的可能性越大；在一定范圍內(nèi)，借款人月還本金占家庭月收入比例大小對其按揭貸款逾期風險有反向影響，月還本金占家庭月收入比例在35%以下和在100%以上的兩個檔次在逾期樣本中的占比均高于各自在正常還款類樣本中的占比。這兩個指標的分析結(jié)果與通常意義上的理解略有差異?？梢越忉尀?，家庭月收入較高，家庭投資等支出項目會較多，因此一旦家庭月收入下降或資金周轉(zhuǎn)出現(xiàn)問題，貸款出現(xiàn)逾期的可能性反而較財務(wù)狀況一般的借款人要大。月還本金比例在35%以下的貸款逾期也可以這樣理解，還款支出在整個家庭月收入中的比例較低，家庭月收入的大部分被用于投資等支出項目，一時資金周轉(zhuǎn)困難出現(xiàn)逾期還款的可能性還是較大的。月還本金比例在100%以上的貸款逾期，則可能是借款人短期資金周轉(zhuǎn)真正產(chǎn)生問題導致的。而借款人月還本金越高，在家庭收入穩(wěn)定的情況下家庭支出負擔越重，其所對應(yīng)的住房按揭貸款發(fā)生逾期的可能性越大。�
?。ㄋ模?借款人住房和貸款影響因素�
從住房和貸款特征看，貸款金額、建筑面積均與逾期風險呈正相關(guān)關(guān)系，即借款人的貸款金額或所購住房的建筑面積越大，其所對應(yīng)的住房按揭貸款發(fā)生逾期的可能性越大；期房按揭發(fā)生逾期的可能性大于現(xiàn)房按揭發(fā)生逾期的可能性；商用房按揭貸款發(fā)生逾期的可能性高于普通住房按揭貸款發(fā)生逾期的可能性；按揭貸款成數(shù)越大、期限越長，發(fā)生逾期風險的可能性也越大；采用等額本金還款法的按揭貸款發(fā)生逾期的可能性大于采用等額本息還款法的按揭貸款發(fā)生逾期的可能性。�
（五） 地區(qū)房地產(chǎn)市場影響因素�
從地區(qū)房地產(chǎn)市場看，房價指數(shù)越高，按揭貸款發(fā)生逾期的可能性越小。這說明房地產(chǎn)市場不斷發(fā)展，房產(chǎn)不斷增值而貸款余額不斷減少，借款人的住房權(quán)益不斷增加，正常還款的意愿應(yīng)大于逾期還款，甚至在家庭收入條件允許的情況下，提前還款的意愿也會大大增強。�
六、 管理建議�
防范和控制住房按揭貸款逾期風險，是一項涉及政府相關(guān)機構(gòu)、貸款銀行、借款人、中介機構(gòu)等各方的系統(tǒng)性工作，本文根據(jù)實證研究提出以下管理建議：�
?。ㄒ唬?商業(yè)銀行要加強研究分析，不斷改進內(nèi)部貸前調(diào)查和審查方法�
第一，可以延續(xù)本文的分析思路，對樣本做進一步的聚類分析，將樣本根據(jù)風險大小再細分為不同的類，總結(jié)提煉出不同類的特征，作為按揭貸款審查審批時的參考；第二，根據(jù)歷史數(shù)據(jù)形成的判別模型，對新的貸款申請進行預先判別試驗，可預測借款人提前還款的概率大小，從而為貸款決策和方案設(shè)計提供參考依據(jù)；第三，根據(jù)本文分析結(jié)論的啟示，設(shè)計兩個評分模型，在貸前分別對借款人和債項申請進行綜合評分，根據(jù)借款人評分、債項申請評分的高低，綜合考慮各類因素，決定是否同意貸款、確定合理貸款成數(shù)以及貸款風險定價等。第四，加強內(nèi)部風險控制管理，如健全貸前調(diào)查中的雙人見面談話制度、嚴格員工行為管理以防止內(nèi)外串通操作假按揭等。�
（二） 商業(yè)銀行在貸款審查中要設(shè)定并執(zhí)行嚴格的標準�
第一，要設(shè)定不同檔次的貸款成數(shù)，要根據(jù)人民銀行的信貸政策及借款人、按揭住房、申請貸款的具體情況合理確定每一筆申請貸款的成數(shù)。第二，要提高逾期違約的交易成本，在貸款合約中進行具體設(shè)定，此舉主要防范故意違約、主動違約。一是可以針對多次、不連續(xù)逾期情況收取懲罰性違約金，累計1―3次以內(nèi)不收取違約金，3次以上則隨違約記錄增加收取遞增的違約金；二是可以將累計逾期違約次數(shù)與每年初重新設(shè)定的利率掛鉤，多次、不連續(xù)逾期次數(shù)越多，設(shè)定的融資利率越高，甚至要求客戶提供更多的抵押擔保，那么某些本來可能發(fā)生的主動逾期違約就得以避免，銀行的貸款逾期風險也就相應(yīng)得到控制。�
?。ㄈ?建立按揭貸款風險分散和轉(zhuǎn)移機制�
通過金融創(chuàng)新，促使按揭貸款證券化，向二級市場轉(zhuǎn)移和分散風險，是全社會共同防范和控制按揭貸款逾期違約風險的重要手段之一。證券化后的按揭貸款不再保留在商業(yè)銀行的資產(chǎn)負債表上。這種操作雖不能讓逾期違約風險根本消失，但可以將原先集中在商業(yè)銀行的風險轉(zhuǎn)移、分散到更多的投資者身上，由眾多的投資者在不同的時間段內(nèi)來承擔并獲得投資收益，最主要的是可以解決商業(yè)銀行“存短貸長”的矛盾。這對于商業(yè)銀行和眾多投資者而言是雙贏的。�
?。ㄋ模?完善全社會的經(jīng)濟金融法制環(huán)境�
借鑒發(fā)達國家個人信用管理的經(jīng)驗，可以通過立法強制推行個人信用制度，將個人在各方面的交易信用記錄，包括銀行貸款履約、商業(yè)投資合同、信用卡交易、遵紀守法等，逐步納入借款人的征信記錄，商業(yè)銀行在貸款審查前可把征信記錄作為參考，使貸款發(fā)放、貸后管理與處置等相關(guān)環(huán)節(jié)均有法可依。此外，建立健全政策性的住房按揭貸款保險。借款人在借款時投保按揭貸款履約保險，一旦借款發(fā)生逾期，首先由保險公司先行賠付，再由貸款銀行和保險公司共同追討債權(quán)。通過這個途徑，轉(zhuǎn)移和分散銀行按揭貸款的還款風險，部分減少貸款逾期風險給銀行帶來的損失。�
