夏旭 南京財(cái)經(jīng)大學(xué)

違約風(fēng)險(xiǎn)影響因素實(shí)證研究

夏旭 南京財(cái)經(jīng)大學(xué)

上市商業(yè)銀行的違約風(fēng)險(xiǎn)會(huì)受到特定因素的影響，其違約風(fēng)險(xiǎn)除了受傳統(tǒng)的反映公司償債能力的資產(chǎn)負(fù)債率，反映公司成長(zhǎng)能力的總資產(chǎn)增長(zhǎng)率等因素的影響外，還與其具體的貸款業(yè)務(wù)有著相當(dāng)大的關(guān)聯(lián)，因此本文選取了總不良貸款比率，投放房地產(chǎn)行業(yè)貸款的不良貸款率，信用貸款占總貸款的比例，貸存比及資產(chǎn)總額五個(gè)指標(biāo)，利用面板數(shù)據(jù)回歸模型，企圖識(shí)別及驗(yàn)證商業(yè)銀行的信用風(fēng)險(xiǎn)影響因素。

違約風(fēng)險(xiǎn) 商業(yè)銀行 面板數(shù)據(jù)

一、實(shí)證結(jié)果及分析

運(yùn)用Stata統(tǒng)計(jì)軟件，針對(duì)非平衡面板數(shù)據(jù)分別運(yùn)行個(gè)體固定效應(yīng)模型和個(gè)體隨機(jī)效應(yīng)模型，得到的統(tǒng)計(jì)分析結(jié)果如下，其中Rnpl代表總不良資產(chǎn)率，Rctl代表信用貸款占總貸款的比例，Asset代表總資產(chǎn)，Rdtl代表貸存比，Rrenpl代表投放房地產(chǎn)行業(yè)貸款的不良貸款率：

1.個(gè)體隨機(jī)效應(yīng)模型結(jié)果

表1 隨機(jī)效應(yīng)結(jié)果表

2.個(gè)體固定效應(yīng)模型結(jié)果

表2 固定效應(yīng)結(jié)果表

3.由hausman 檢驗(yàn)結(jié)果中P值低于5%可以知道，應(yīng)該拒絕個(gè)體隨機(jī)效應(yīng)模型，選擇個(gè)體固定效應(yīng)模型。在個(gè)體固定效應(yīng)模型結(jié)果中，整體擬合度41.88%，F(xiàn)統(tǒng)計(jì)量和P值分別為19.69和0.0000，表明參數(shù)整體上比較顯著。再看每個(gè)解釋變量的估計(jì)系數(shù)、標(biāo)準(zhǔn)差、t統(tǒng)計(jì)量及95%的置信區(qū)間，可以得知，只有總資產(chǎn)及房地產(chǎn)業(yè)的不良貸款率通過了顯著性檢驗(yàn)，即商業(yè)銀行違約距離與投放到房地產(chǎn)業(yè)貸款的不良貸款率呈負(fù)相關(guān)，與銀行的資產(chǎn)規(guī)模呈正相關(guān)。

二、結(jié)論

第一，從經(jīng)濟(jì)學(xué)意義上也非常容易解釋，房地產(chǎn)業(yè)是風(fēng)險(xiǎn)較大的行業(yè)之一，也是商業(yè)銀行發(fā)放貸款比重比較大的行業(yè)，其貸款質(zhì)量對(duì)商業(yè)銀行違約風(fēng)險(xiǎn)的大小影響關(guān)鍵，2008年的金融危機(jī)印證了這一點(diǎn)。

第二，總資產(chǎn)規(guī)模對(duì)違約風(fēng)險(xiǎn)的影響更易理解，一般認(rèn)為當(dāng)資產(chǎn)總值小于負(fù)債價(jià)值時(shí)企業(yè)即發(fā)生違約，當(dāng)企業(yè)資產(chǎn)規(guī)模大，資本雄厚時(shí)，自然違約風(fēng)險(xiǎn)就小。

第三，對(duì)于總不良貸款率和貸存比的系數(shù)未通過顯著性檢驗(yàn)這一結(jié)果，本文猜想可能的原因有兩個(gè)，一是本文選取的樣本數(shù)量有限，這會(huì)一定程度地影響面板回歸結(jié)果，二是不良貸款率與貸存比本身就是備受關(guān)注且有一定標(biāo)準(zhǔn)規(guī)范的指標(biāo)。

第四，對(duì)于貸存比，目前規(guī)定商業(yè)銀行最高的貸存比例為75%，通過大量吸收存款也可以對(duì)貸存比進(jìn)行控制。因此，總不良貸款率及貸存比指標(biāo)也許并不能真實(shí)描述現(xiàn)實(shí)經(jīng)濟(jì)的狀況，使得樣本回歸模型的系數(shù)不太顯著。

第五，信用貸款是風(fēng)險(xiǎn)較大的貸款，其占總貸款的比率影響不顯著本文猜想主要與這一指標(biāo)的選取本身有關(guān)。

［1］張紹敏.基于違約距離的財(cái)務(wù)預(yù)警模型［D］.北京大學(xué).2007（06）

［2］宋曉麗.基于違約距離的財(cái)務(wù)危機(jī)預(yù)警模型實(shí)證研究［D］.浙江大學(xué).2010（12）

［3］孫小麗.基于商業(yè)銀行信用風(fēng)險(xiǎn)管理的KMV模型研究理論評(píng)述［J］.現(xiàn)代商業(yè).2011（36）:24-25

［4］ P.Crosbie， J.R.Bohn. Modeling default risk［R］.White Paper: Moody’s KMV Revised December 18.2003

［5］KMVCorporation. Credit Monitor Overview［M］ .San Francisco California.2003.37（8）:189-201