林业政策对林权抵押贷款信用风险影响的实证分析(2)

　　(三)指标定义与模型选择根据以上分析，笔者在构建林权抵押贷款林业政策风险因素的计量模型时初始选定5个自变量，分别为林权登记管理政策、限额采伐管理政策(x2)、林权交易管理政策( )、林地管理政策(蜀)、天然林资源保护政策。把林权抵押贷款信用风险界定为因变量，记作乃，为顺序变量，取3个类别，第1、第2、第3类别分别表示信用风险小、一般、大。由于 是顺序型变量，故多类别逻辑回归模型和序数回归模型均可采用。有序数据比类别数据含有更多的信息量，从理论上说前者应该比后者回归的效果更好。但从实际应用效果看，有序数据因变量的效果往往不尽如人意，其回归模型也正在研究和发展中。从实际分析的结果看，采用序数回归效果不甚理想，故笔者最终选定的模型为多类别逻辑回归模型，同时为了使分析结果简明、有力，采用向前选择的逐步回归方法，剔除掉不显着的自变量

　　三、模型结果及分析

　　(一)模型结果对上述变量进行逐步回归最终模型的拟合优度信息给出了所构建回归模型有效性的检验结果。原假设是回归模型无效，所有回归系数都是0，显着性概率(sig．)为0．000，拒绝原假设，说明模型整体检验十分显着。逐步回归最终模型的变量显着性检验显示，在0．05的显着性水平下，所构建的最终模型接收了3个自变量，分别为林权登记管理政策、限额采伐管理政策、林权交易管理政策，对应的显着性水平皆为0．000。此处所显示的自变量显着性水平是指其取值作为一个整体时的检验结果，整体显着并不意味着每个取值都显着。回归参数显示(表3)，笔者所选取的因变量)，在回归过程中以第3类别信用风险大作为基准，回归系数取做0。对第1类别和第2类别，每个类别都需要确定一个线性回归函数，因此每个自变量都有2个回归系数，自由度合计为2。5个定性自变量要用其类别数减1个示性变量表示，林权登记管理政策( )、林地管理政策(蜀)、天然林资源保护政策(墨)等3个变量有3个取值，要用2个示性量表示，因此总共有4个回归系数，把其作为一个整体时其自由度为4。限额采伐管理政策( )、林权交易管理政策( )2个变量有5个取值，要用4个示性变量表示，因此总共有8个回归系数，把其作为一个整体时其自由度为8。对比表2和表3可见，尽管在0．05的显着性水平下，表2显示林权登记管理政策( )、限额采伐管理政策( )、林权交易管理政策(X3)等3个自变量回归结果呈显着状态；表3则显示对因变量取值为“信用风险小”时，在林权登记管理政策为1．00，限额采伐管理政策为1．00、2．00、3．00，林权交易管理政策为1．00这5个位置均呈现出不显着的状况，即其所对应的显着性水平0．997、0．99、0．998、0．205和0．996，均大于0．05的标准；对因变量取值为“信用风险一般”时，在林权登记管理政策为1．00和限额采伐管理政策为 2．00、3．00这3个位置均呈现出不显着的状况，即其所对应的显着性水平为0．998、0．998和0．056，均大于0．05的标准，表4是逐步回归最终模型所做的预测结果，对每个样本计算出因变量 取第 个类别的概率 ，因变量的预测值是 最大的类别。根据表4预测效果如下：第1类别的44个观测值中，有36个预测正确，正确率为81．8％ ；第2类别的58个观测值中，有46个预测正确，正确率为79．3％；第3类别的96个观测值中，有82个预测正确，正确率为85．4％；总正确率是82．8％。如果没有任何信息资料，对每个类别的预测概率应该都是1／3，预测的总正确率为33．3％。如果对现有资料仅做频数分析，第3类别出现94次，频率为47．5％ ，现在通过回归分析，预测的总正确率是82．8％ ，分别提高了49．5％和35．3％。值绳一提的是，此预测效果非常理想，说明现在的自变量能够很好地解释因变量。

　　(二)模型结果分析

　　1．最终自变量选定原因剖析。通过逐步回归最终确定的自变量有3个，即林权登记管理政策、限额采伐管理政策、林权交易管理政策。剔除调查过程中可能出现的误差因素，笔者认为可以对这3个自变量的最终人选进行解释。林权登记管理政策包括3个类别，即林权登记管理政策为1、林权登记管理政策为2和林权登记管理政策为3，其分别指代林权登记管理政策完善、一般、不完善；限额采伐管理政策与林权交易管理政策包括5个类别，第1至第5类别分别指代的是其对林权抵押贷款信用风险的影响特别完善、完善、一般、不完善、特别不完善。在0．05的显着性水平下，各因素对林权抵押贷款信用风险的影响系数为：对因变量取值为“信用风险小”时，截距为一22．118，林权登记管理政策为2．00，限额采伐管理政策为4．00，林权交易管理政策为2．00、3．00对林权抵押贷款信用风险的影响系数分别为4．010、2．062、18．944、17．649；对因变量取值为“信用风险一般”时，截距为一21．998，林权登记管理政策为2．00，限额采伐管理政策为4．00，林权交易管理政策为2．00、3．00对林权抵押贷款信用风险的影响系数分别为2．875、2．478、21．128、20．223。这说明林权登记管理政策、限额采伐管理政策越完善，林权交易市场越成熟，银行抵押森林资源安全性越能得到有效维护，林权抵押贷款信用风险也就越小。

　　2．模型参数估计效果评价。在对模型进行参数估计时，由于所选的因变量参考类别设置为信用风险大，表3所体现的参数估计输出结果仅给出了另外2个类别的信息。对于因变量的信用风险小(1．00)与信用风险一般(2．00)类别，其参数估计的显着性水平都为0．001，低于0．05的显着性水平。对于因变量的信用风险小(1．00)与信用风险一般(2．00)类别，其参数估计的结果有的显着、有的不显着，参数估计的结果在显着性程度上表现出明显的不一致，笔者认为对于因变量不同类别的取值显着性，参数估计的结果显着性程度差异与模型所选择的变量有关。总之，所构建的模型能够合理地解释林业政策对林权抵押贷款信用的影响，但是，对于不同的政策性因子对林权抵押贷款信用风险大小的影响差异性难以充分解释。

　　3．模型预测效果评价。对不确定性进行预测，这是构建模型的基本目标之一。从上述分析可知，林业政策对林权抵押贷款信用风险的影响较大，而其中林权登记管理政策、限额采伐管理政策、林权交易管理政策对林权抵押贷款信用风险的影响尤其明显，评判的标准取决于模型超高的预测准确性。

　　四、政策建议与研究展望

　　(一)政策建议