姜曉兵，巴　歡（西安電子科技大學(xué)　經(jīng)濟(jì)與管理學(xué)院，西安 710071）

基于CPV模型的宏觀壓力測(cè)試實(shí)證研究
——以中國(guó)農(nóng)業(yè)發(fā)展銀行為例

姜曉兵，巴歡
（西安電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院，西安 710071）

本文以不良貸款率作為評(píng)估信用風(fēng)險(xiǎn)的指標(biāo)，將不良貸款率轉(zhuǎn)換成中介指標(biāo)，用衡量農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展的代表因子對(duì)中介指標(biāo)進(jìn)行多元線性回歸，建立風(fēng)險(xiǎn)評(píng)估模型，通過自變量自回歸和隨機(jī)擾動(dòng)項(xiàng)的蒙特卡洛模擬生成壓力情景。結(jié)果表明：中央和地方財(cái)政支出增長(zhǎng)率，農(nóng)、林、牧、漁業(yè)新增固定資產(chǎn)投資，第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率是影響中國(guó)農(nóng)業(yè)發(fā)展銀行不良貸款率的顯著因子。在前兩者下降、后者上升的壓力情景下，不良貸款率分布均會(huì)右移。

CPV模型；宏觀壓力測(cè)試；蒙特卡洛模擬；信用風(fēng)險(xiǎn)

我國(guó)政策性銀行在進(jìn)行市場(chǎng)化改革之前所面臨的風(fēng)險(xiǎn)主要來自政策層面，而在市場(chǎng)化的改革浪潮中，在農(nóng)業(yè)發(fā)展銀行的內(nèi)部轉(zhuǎn)型和業(yè)務(wù)領(lǐng)域拓展過程中，農(nóng)業(yè)發(fā)展銀行不僅面臨宏觀經(jīng)濟(jì)和政策風(fēng)險(xiǎn)，還面臨行業(yè)經(jīng)濟(jì)波動(dòng)帶來的風(fēng)險(xiǎn)。研究需要從其風(fēng)險(xiǎn)的一般性和特殊性出發(fā)，探討影響農(nóng)發(fā)行信用風(fēng)險(xiǎn)的經(jīng)濟(jì)因子，設(shè)置壓力情景，執(zhí)行壓力測(cè)試。

目前，關(guān)于信用風(fēng)險(xiǎn)影響因素和壓力測(cè)試的研究已成為金融機(jī)構(gòu)關(guān)注的焦點(diǎn)。在信用風(fēng)險(xiǎn)評(píng)估方面，Wilson（1997）提出的信用組合觀點(diǎn)——Credit Portfolio View，首次分析了宏觀經(jīng)濟(jì)變量對(duì)違約概率的影響；巴西央行 （2011）采用分位數(shù)回歸方法（Quantile Regression）度量信用風(fēng)險(xiǎn)，即信用風(fēng)險(xiǎn)同宏觀經(jīng)濟(jì)因子間存在變化的線性關(guān)系。在壓力情景設(shè)置方面，華曉龍（2009）運(yùn)用多元回歸定量分析宏觀經(jīng)濟(jì)因素波動(dòng)對(duì)中國(guó)銀行體系貸款違約概率的影響，并通過假設(shè)情景法構(gòu)建極端情景，進(jìn)行宏觀壓力測(cè)試，但在變量的估計(jì)中忽略了隨機(jī)擾動(dòng)項(xiàng)；巴曙松、朱元倩（2010）從壓力測(cè)試的定義、國(guó)際實(shí)踐規(guī)范、執(zhí)行流程等角度對(duì)相關(guān)文獻(xiàn)和監(jiān)管部門的調(diào)查研究報(bào)告進(jìn)行了總結(jié)，歸納分析了壓力測(cè)試的優(yōu)缺點(diǎn)，討論了壓力測(cè)試中的實(shí)際操作細(xì)節(jié)及對(duì)于數(shù)據(jù)缺乏的發(fā)展中國(guó)家有效實(shí)施壓力測(cè)試的方法。

從我國(guó)已出版或發(fā)表的相關(guān)著作論文來看，絕大多數(shù)論文將模型運(yùn)用于商業(yè)銀行，較少看到對(duì)政策性銀行風(fēng)險(xiǎn)進(jìn)行實(shí)證分析。在以往的壓力測(cè)試中，往往忽略各個(gè)變量的隨機(jī)擾動(dòng)項(xiàng)及其相關(guān)性，使壓力情景生成不符合實(shí)際情況。本文擬從我國(guó)農(nóng)業(yè)發(fā)展銀行的特殊性角度切入，通過CPV模型度量宏觀經(jīng)濟(jì)、行業(yè)經(jīng)濟(jì)對(duì)農(nóng)發(fā)行信用風(fēng)險(xiǎn)的影響。將各經(jīng)濟(jì)沖擊引入到壓力情景的設(shè)定中，在考慮隨機(jī)擾動(dòng)項(xiàng)及其相關(guān)性的基礎(chǔ)上生成壓力情景，執(zhí)行壓力測(cè)試。

1　模型的構(gòu)建

CPV模型是一個(gè)宏觀經(jīng)濟(jì)違約概率模型，它將整體宏觀經(jīng)濟(jì)、行業(yè)經(jīng)濟(jì)構(gòu)造成一套模型，把經(jīng)濟(jì)環(huán)境同整體貸款的違約概率結(jié)合起來。其最大的特點(diǎn)是將宏觀經(jīng)濟(jì)指標(biāo)納入度量信用風(fēng)險(xiǎn)的模型中。使用Logit模型將不良貸款率轉(zhuǎn)化為中介指標(biāo)Y，以指標(biāo)Y作為因變量與一系列經(jīng)濟(jì)因子進(jìn)行多元回歸分析，量化經(jīng)濟(jì)因子對(duì)不良貸款率的影響；使用影響因子的時(shí)間序列模型和蒙特卡洛模擬方法生成宏觀壓力情景，預(yù)測(cè)各情景下的不良貸款率。運(yùn)用Logit轉(zhuǎn)換保證不良貸款率取值范圍在0到1之間；采用蒙特卡洛模擬方法保證回歸方程中殘差的隨機(jī)性，避免用不良貸款率期望值代替不良貸款率，將尾部風(fēng)險(xiǎn)納入考量范圍，創(chuàng)建相關(guān)性的隨機(jī)情景。

式中：Pt是銀行在t時(shí)刻的不良貸款率；Y可以理解為反映銀行不良貸款率和各經(jīng)濟(jì)變量的 “中介指標(biāo)”，Y受宏觀和行業(yè)經(jīng)濟(jì)因子影響。

式（1）、（2）以“中介指標(biāo)”Y為因變量，以各經(jīng)濟(jì)因子為自變量擬合回歸方程，生成風(fēng)險(xiǎn)評(píng)估模型；式（1）、（3）為自變量的時(shí)間序列模型，以各經(jīng)濟(jì)因子歷史數(shù)據(jù)為自變量擬合預(yù)測(cè)期基準(zhǔn)數(shù)據(jù)，建立情景設(shè)置模型。從時(shí)間序列模型獲得經(jīng)濟(jì)因子基準(zhǔn)數(shù)據(jù)，根據(jù)歷史數(shù)據(jù)，生成壓力情景，帶入風(fēng)險(xiǎn)評(píng)估模型，執(zhí)行壓力測(cè)試。式（1）、（4）反映模型隨機(jī)擾動(dòng)項(xiàng)不為0，并服從正態(tài)分布，式（1）、（5）說明隨機(jī)擾動(dòng)項(xiàng)之間存在相關(guān)性，這樣處理的經(jīng)濟(jì)學(xué)意義是保證壓力情景生成的合理性，即經(jīng)濟(jì)因子之間是相關(guān)的，且不良貸款率是由相關(guān)的經(jīng)濟(jì)因子和與經(jīng)濟(jì)因子相關(guān)的殘差項(xiàng)所決定。

2　基于CPV模型的宏觀壓力測(cè)試實(shí)證研究

2.1模型中變量的選擇及其經(jīng)濟(jì)學(xué)解釋

考慮到數(shù)據(jù)的可獲得性和樣本容量大小，本文選取不良貸款率作為評(píng)估信用風(fēng)險(xiǎn)的指標(biāo)。一方面，在我國(guó)當(dāng)前數(shù)據(jù)條件下，難以獲取違約率數(shù)據(jù)，在銀行年報(bào)中可供選擇的代替變量有貸款遷徙率、不良貸款率。另一方面，鑒于銀行業(yè)績(jī)報(bào)告從2007年才開始正式公布遷徙率，過少的數(shù)據(jù)難以進(jìn)行實(shí)證研究。因而，我們選取不良貸款率作為評(píng)估信用風(fēng)險(xiǎn)指標(biāo)。

綜合考慮農(nóng)業(yè)發(fā)展銀行的政策導(dǎo)向性和貸款對(duì)象的集中性，擬用反映農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)狀況的指標(biāo)作為解釋變量。作為政策性銀行，農(nóng)業(yè)發(fā)展銀行的貸款對(duì)象主要集中于農(nóng)業(yè)，包括棉糧收購(gòu)企業(yè)、農(nóng)業(yè)小企業(yè)等，其信用風(fēng)險(xiǎn)受到農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)影響。鑒于經(jīng)濟(jì)變量的特征，數(shù)據(jù)的可獲得性，解釋變量的選取主要包括4個(gè)方向：（1）反映農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展的指標(biāo)，主要包括農(nóng)業(yè)生產(chǎn)總值增長(zhǎng)率AGDP，農(nóng)、林、牧、漁業(yè)城鎮(zhèn)新增固定資產(chǎn)NFA；（2）反映政府扶持力度的中央和地方財(cái)政支出增長(zhǎng)率FER；（3）反映農(nóng)村居民生活水平的解釋變量主要包括農(nóng)村居民人均純收入增長(zhǎng)率RINC，居民消費(fèi)價(jià)格指數(shù)增長(zhǎng)率RCPI，農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)增長(zhǎng)率，第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率RE；（4）反映借貸成本的一年期存貸款利率NR、NLR。

考慮到宏觀經(jīng)濟(jì)統(tǒng)計(jì)特征及經(jīng)濟(jì)沖擊發(fā)生的持續(xù)時(shí)間，變量值選取2000年-2012年的年度數(shù)據(jù)。數(shù)據(jù)來源于《金融統(tǒng)計(jì)年鑒》、《中國(guó)統(tǒng)計(jì)年鑒》、中國(guó)農(nóng)業(yè)發(fā)展銀行官方網(wǎng)站。

2.2風(fēng)險(xiǎn)評(píng)估模型的估計(jì)

2.2.1回歸系數(shù)的估計(jì)和檢驗(yàn)

代入2000年-2012年農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)變量的數(shù)據(jù)和貸款違約率進(jìn)行模型轉(zhuǎn)換和多元回歸估計(jì)。其中，AGDP、RCPI、NR、NLR均未通過t檢驗(yàn)，但R2和F很大，分別達(dá)到96.1%、12.38，并且NF的VIF為21.53，說明原模型中存在多重共線性問題，通過逐步回歸法，剔除了變量AGDP、NR、NLR、RINC、RCPI后，NFA的顯著性水平大幅提高，F(xiàn)ER、NFA、RE均通過了t檢驗(yàn)，回歸方程通過了F檢驗(yàn)，且R2很高，回歸方程的確定如表1所示。

從表1可以得出以下檢驗(yàn)結(jié)果：模型整體擬合優(yōu)度較好，R2=95.40%，且方程通過了顯著水平α=0.05的F檢驗(yàn)；回歸系數(shù)FER、NFA、RE均通過了顯著水平α=0.05的t檢驗(yàn)，說明解釋變量FER、NFA、RE對(duì)模型具有顯著性影響；雖然解釋變量RINC、NR對(duì)不良貸款率的解釋力度較強(qiáng)，但它們與RE高度相關(guān)，這是它們從模型中被剔除的原因。

2.2.2風(fēng)險(xiǎn)評(píng)估模型的經(jīng)濟(jì)學(xué)解釋

從實(shí)證結(jié)果來看，模型中的不良貸款率與農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展?fàn)顩r緊密相聯(lián)。由式（1）知不良貸款率Pt與反映宏觀經(jīng)濟(jì)的“中介指標(biāo)”Yt的變動(dòng)方向相同，即Yt越大Pt越大。由表2可以看出，F(xiàn)ER、NFA在以Y為因變量的回歸中系數(shù)為負(fù)，RE的系數(shù)為正。

FER、NFA、RE對(duì)農(nóng)發(fā)行信用風(fēng)險(xiǎn)的影響主要包括以下幾個(gè)方面。

（1）中央和地方財(cái)政支出增長(zhǎng)率（FER）與不良貸款率（NPLR）變動(dòng)方向相反。首先，與城鎮(zhèn)經(jīng)濟(jì)發(fā)展水平相比，我國(guó)農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展相對(duì)落后，對(duì)政策的依賴更為強(qiáng)烈，增加財(cái)政投入支持農(nóng)村建設(shè)，提高農(nóng)業(yè)生產(chǎn)技術(shù)，能夠促進(jìn)農(nóng)村經(jīng)濟(jì)發(fā)展，降低農(nóng)發(fā)行不良貸款率；其次，財(cái)政支出還表現(xiàn)在對(duì)農(nóng)發(fā)行財(cái)政補(bǔ)貼的到位情況，作為政策性銀行，農(nóng)發(fā)行更多地是為農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展服務(wù)，不像商業(yè)銀行那樣更加注重盈利，因而，通過增加財(cái)政支出有效提高財(cái)政補(bǔ)貼的到位率也可以降低其信用風(fēng)險(xiǎn)。

（2）農(nóng)、林、牧、漁業(yè)城鎮(zhèn)新增固定資產(chǎn)（NFA）與不良貸款率（NPLR）變動(dòng)方向相反。通過增加對(duì)農(nóng)業(yè)基礎(chǔ)設(shè)施投入可以提高農(nóng)業(yè)生產(chǎn)效率，降低生產(chǎn)成本，增加農(nóng)業(yè)企業(yè)盈利空間，降低企業(yè)違約概率。通過增加農(nóng)村基礎(chǔ)設(shè)施投入，可以改善企業(yè)投資環(huán)境，提高企業(yè)投資需求，為農(nóng)村居民創(chuàng)造更多農(nóng)業(yè)以外的就業(yè)機(jī)會(huì)，增加農(nóng)村居民人均收入，減少信用風(fēng)險(xiǎn)。

（3）第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率（RE）與貸款不良貸款率（NPLR）變動(dòng)方向相同。主要是因?yàn)檗r(nóng)業(yè)生產(chǎn)技術(shù)水平的提高，減少了對(duì)農(nóng)業(yè)勞動(dòng)力的需求，農(nóng)業(yè)勞動(dòng)力已過剩。一方面，就業(yè)人員的增加加大了企業(yè)經(jīng)營(yíng)成本，由經(jīng)營(yíng)風(fēng)險(xiǎn)轉(zhuǎn)化為信用風(fēng)險(xiǎn)；另一方面，就業(yè)人員增加降低了農(nóng)村居民人均純收入的增長(zhǎng)率，收入通過需求供給效應(yīng)影響農(nóng)產(chǎn)品價(jià)格，進(jìn)而影響企業(yè)經(jīng)營(yíng)利潤(rùn)。

2.3壓力情景生成與宏觀壓力測(cè)試結(jié)果

2.3.1壓力情景生成

本文在對(duì)農(nóng)發(fā)行遇到極端情景進(jìn)行構(gòu)造之前，利用時(shí)間序列模型對(duì)變量FER、NFA、RE進(jìn)行了簡(jiǎn)單的ARMA模型預(yù)測(cè)，通過公式（1）、（3）和對(duì)殘差項(xiàng)進(jìn)行蒙特卡洛模擬生成基準(zhǔn)情景；通過歷史情景數(shù)據(jù)人為設(shè)定中壓和強(qiáng)壓情景下沖擊因子的取值。變量自回歸結(jié)果如下：

分別通過沖擊因子的時(shí)間序列模型、歷史較低水平、歷史最低水平和各自隨機(jī)擾動(dòng)項(xiàng)的蒙特卡洛模擬設(shè)定各經(jīng)濟(jì)因子在2013年的基準(zhǔn)情景、中壓情景、強(qiáng)壓情景，雖然從自回歸過程來看，宏觀和行業(yè)因子只和其歷史值有關(guān)系，和其他因子并無關(guān)系，但是由于殘差項(xiàng)之間的相關(guān)性，使得因子間發(fā)生了聯(lián)系，壓力情景生成更為合理。對(duì)每一次模擬：

第一步，產(chǎn)生一個(gè)服從標(biāo)準(zhǔn)正態(tài)分布N（0，1）的4階隨機(jī)向量Rt+1；

第二步，對(duì)壓力測(cè)試模型中殘差項(xiàng)的特征值分解，由∑= AAT得到A，其中AT為A的轉(zhuǎn)置矩陣。

第三步，用隨機(jī)向量Rt+1乘以上一步獲得的矩陣AT，Et+1= AT*Rt+1，Et+1即為式（1）、（5.1）-（5.4）式中誤差項(xiàng)的模擬值。

第四步，將第三步獲得的誤差項(xiàng)模擬值和宏觀和行業(yè)經(jīng)濟(jì)因子的t期值代入（5.1）-（5.4）得到Xt+1，代入式（2）得到Y(jié)t+1，利用式（1）反函數(shù)得t+1期基準(zhǔn)情景下的不良貸款率。

第五步，設(shè)定宏觀和行業(yè)因素沖擊，因素沖擊通過方差—協(xié)方差矩陣在上述模擬過程的第三步對(duì)其他變量產(chǎn)生作用，從而得到壓力沖擊下其他經(jīng)濟(jì)變量和不良貸款率的分布，按不同的置信度選取不良貸款率。

2.3.2壓力測(cè)試結(jié)果

2013年基準(zhǔn)情景中FER、NFA、RE分別為16.86、8 413.398、-0.028 3，此時(shí)，不良貸款率均值達(dá)到0.71%，90%置信度下不良貸款率為0.96%。

在FER沖擊下，中壓情景、強(qiáng)壓情景取值分別為15.57、11.77，不良貸款率均值分別為0.78%、1.02%。由測(cè)試結(jié)果可知農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展受政策影響較大，中央和地方財(cái)政支出增長(zhǎng)率增幅減少會(huì)提高農(nóng)發(fā)信用風(fēng)險(xiǎn)，使不良貸款率分布右移。

NFA沖擊下，中壓情景取較低的增長(zhǎng)率15%，此時(shí)NFA為7 741.129億元，強(qiáng)壓情景按1995年-2012年最低增長(zhǎng)率-8.9%計(jì)算，NFA為6 671.55億元，2種情景下的不良貸款率均值分別為0.93%和1.42%。這反映新增固定資產(chǎn)增幅減少，會(huì)減少企業(yè)投資需求，影響農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展，從而提高農(nóng)發(fā)行信用風(fēng)險(xiǎn)。

在RE沖擊下，中壓情景中第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率為-0.028 3，強(qiáng)壓情景為1995年-2012年最高值，2種情景下的不良貸款率分別為0.76%和1.09%，隨著農(nóng)業(yè)生產(chǎn)技術(shù)水平提高，勞動(dòng)人口出現(xiàn)過剩，農(nóng)村居民人均純收入降低，阻礙農(nóng)村經(jīng)濟(jì)發(fā)展，所以，隨著第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率提高，不良貸款率分布右移。

3　結(jié)論

本文通過對(duì)農(nóng)發(fā)行進(jìn)行基于CPV模型的壓力測(cè)試研究，篩選出影響農(nóng)發(fā)行信用風(fēng)險(xiǎn)的經(jīng)濟(jì)因子，很好地完成了在各種壓力情境下，對(duì)農(nóng)發(fā)行信用風(fēng)險(xiǎn)的測(cè)試。結(jié)果發(fā)現(xiàn)：中央和地方財(cái)政支出增長(zhǎng)率（FER），農(nóng)、林、牧、漁業(yè)新增固定資產(chǎn)投資（NFA），第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率（RE）對(duì)農(nóng)發(fā)行不良貸款率的影響是顯著的。其中，中央和地方財(cái)政支出增長(zhǎng)率與不良貸款率呈現(xiàn)負(fù)相關(guān)，在降低中央和地方財(cái)政支出增長(zhǎng)率的沖擊下，農(nóng)發(fā)行不良貸款率分布因農(nóng)業(yè)經(jīng)濟(jì)發(fā)展緩慢而右移；農(nóng)、林、牧、漁業(yè)城鎮(zhèn)新增固定資產(chǎn)與不良貸款率呈現(xiàn)負(fù)相關(guān)，在降低其增長(zhǎng)率的沖擊下，農(nóng)發(fā)行不良貸款率分布右移；第一產(chǎn)業(yè)就業(yè)人員增長(zhǎng)率與不良貸款率呈現(xiàn)負(fù)相關(guān)，隨著第一產(chǎn)業(yè)就業(yè)人員的增加，農(nóng)業(yè)企業(yè)經(jīng)營(yíng)成本增加，農(nóng)村居民人均純收入降低，不良貸款率分布在此沖擊下會(huì)右移。

建議農(nóng)發(fā)行關(guān)注農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展、加快數(shù)據(jù)收集、完善內(nèi)部評(píng)級(jí)制度，通過經(jīng)濟(jì)因子的時(shí)間序列回歸和歷史極端數(shù)據(jù)，采用蒙特卡洛模擬方法進(jìn)行壓力測(cè)試，提高預(yù)測(cè)信用風(fēng)險(xiǎn)的能力。

主要參考文獻(xiàn)

［1］華曉龍.基于宏觀壓力測(cè)試方法的商業(yè)銀行體系信用風(fēng)險(xiǎn)評(píng)估［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2009（4）.

［2］巴曙松，朱元倩.壓力測(cè)試在銀行風(fēng)險(xiǎn)管理中的應(yīng)用［J］.經(jīng)濟(jì)學(xué)家，2010（2）.

［3］徐明東，劉曉星.金融系統(tǒng)穩(wěn)定性評(píng)估：基于宏觀壓力測(cè)試方法的國(guó)際比較［J］.國(guó)際金融研究，2008（2）.

［4］方洪全，曾勇.銀行信用風(fēng)險(xiǎn)評(píng)估方法實(shí)證研究及比較分析［J］.金融研究，2004（1）.

［5］任宇航，孫孝坤.信用風(fēng)險(xiǎn)壓力測(cè)試方法與應(yīng)用研究［J］.統(tǒng)計(jì)與決策，2007（7）.

10.3969/j.issn.1673-0194.2015.17.062

F832

A

1673-0194（2015）17-0117-03

2015-06-03

陜西省社科界重大理論與現(xiàn)實(shí)問題研究項(xiàng)目（2015Z133）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（K5051206004）。

姜曉兵（1977-），男，山東成武人，西安電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院副教授，博士，主要研究方向：金融風(fēng)險(xiǎn)管理與決策分析。