霍源源　　李　江　　馮宗憲

(西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院，陜西 西安710061)

?

不同股權(quán)結(jié)構(gòu)商業(yè)銀行信用風(fēng)險分析
——基于宏觀經(jīng)濟(jì)因素視角

霍源源李江馮宗憲

(西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院，陜西 西安710061)

運用CPV(Credit Portfolio View)模型度量中國商業(yè)銀行的信用風(fēng)險，以分析宏觀經(jīng)濟(jì)因素對國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行等不同股權(quán)結(jié)構(gòu)商業(yè)銀行信用風(fēng)險的影響差異。結(jié)果表明：國有銀行信貸風(fēng)險的產(chǎn)生與政府行為過多干預(yù)相關(guān)，而其他商業(yè)銀行不良貸款的發(fā)生則對宏觀經(jīng)濟(jì)運行狀況指標(biāo)的變動更為敏感；在經(jīng)濟(jì)下行周期，過多依賴信貸規(guī)模擴(kuò)張的盈利方式不利于商業(yè)銀行對信用風(fēng)險的防范。

信用風(fēng)險；宏觀經(jīng)濟(jì)因素；商業(yè)銀行股權(quán)結(jié)構(gòu)

隨著中國經(jīng)濟(jì)增長結(jié)構(gòu)的調(diào)整以及對外開放程度的提高，商業(yè)銀行經(jīng)營管理正面臨著越來越復(fù)雜的宏觀經(jīng)濟(jì)環(huán)境，宏觀經(jīng)濟(jì)因素可以通過多種宏觀政策路徑向微觀經(jīng)濟(jì)傳導(dǎo)，從而對信貸個體的信用狀況產(chǎn)生影響。因此，商業(yè)銀行信用風(fēng)險管理不僅需要對商業(yè)銀行自身財務(wù)指標(biāo)微觀數(shù)據(jù)進(jìn)行監(jiān)管，還需要將宏觀經(jīng)濟(jì)指標(biāo)納入考察范圍。此外，由于經(jīng)歷了股份制改革，現(xiàn)階段中國商業(yè)銀行呈等出現(xiàn)多種股權(quán)結(jié)構(gòu)，分析多樣化股權(quán)結(jié)構(gòu)商業(yè)銀行的經(jīng)營特征不僅是完善商業(yè)銀行公司治理的基礎(chǔ)，也是厘清商業(yè)銀行信用風(fēng)險來源的前提。因此，在宏觀經(jīng)濟(jì)不確定條件下，探討中國不同股權(quán)結(jié)構(gòu)商業(yè)銀行信用風(fēng)險產(chǎn)生的差異具有重要的理論及現(xiàn)實意義。

一、相關(guān)文獻(xiàn)綜述

信用風(fēng)險度量模型的發(fā)展主要經(jīng)歷了兩個階段：20世紀(jì)90年代之前，傳統(tǒng)的商業(yè)銀行信用風(fēng)險度量主要依賴具有豐富審批經(jīng)驗的貸款核準(zhǔn)人，結(jié)合貸款公司的財務(wù)現(xiàn)狀進(jìn)行分析判斷并給出信用風(fēng)險的評估結(jié)果。典型的衡量方法包括專家法、Z評分模型法以及ZETA模型等。這一階段的方法不可避免地具有較大的主觀性，不能對信用風(fēng)險的大小進(jìn)行準(zhǔn)確的度量(Altman et al.，1997 )。根據(jù)國際清算機(jī)構(gòu)的要求以及計量經(jīng)濟(jì)學(xué)的發(fā)展，國外一些大型金融機(jī)構(gòu)開始將工程化的思維與數(shù)量經(jīng)濟(jì)學(xué)的原理應(yīng)用于商業(yè)銀行信用風(fēng)險控制領(lǐng)域，信用風(fēng)險度量模型的發(fā)展也因為眾多量化模型的出現(xiàn)而進(jìn)入第二階段。具有代表性的現(xiàn)代信用風(fēng)險模型包括：JP Morgan提出的Credit Metrics模型、由美國KMV公司建立的KMV模型、CSFP(Credit Suiss Financial Products)構(gòu)建的Credit Risk+模型以及Mckinsey公司提出的CPV模型(Crouhy et al.，2000；Alam et al.，2010；汪辦興，2007)。其中，CPV模型結(jié)合計量經(jīng)濟(jì)學(xué)和基本動力學(xué)理論提出了信用組合觀點，并獨創(chuàng)性地從宏觀經(jīng)濟(jì)環(huán)境的角度探究了商業(yè)銀行信用風(fēng)險狀況。在CPV模型的實證研究方面：Jarrow et al.(2005) 通過對銀行股價波動與宏觀經(jīng)濟(jì)變化進(jìn)行線性回歸分析，驗證了兩者之間的相關(guān)關(guān)系在統(tǒng)計上是顯著的。Tom et al.(2005)、Kimmo(2006)和Wong et al.(2008) 分別根據(jù)挪威中央銀行、芬蘭銀行業(yè)和中國香港銀行體系數(shù)據(jù)，構(gòu)建了宏觀經(jīng)濟(jì)變量與商業(yè)銀行信貸違約率的數(shù)量模型，結(jié)果均表明該模型對商業(yè)銀行信用風(fēng)險度量的適用性。Creal et al.(2014)針對混合頻率的面板數(shù)據(jù)建立了動態(tài)因素計量模型用以計量宏觀經(jīng)濟(jì)和信用風(fēng)險，該模型的優(yōu)勢在于其不用通過均值模擬可以直接獲得形式接近的似然函數(shù)，從而能直接獲得參數(shù)的估計。

與此同時，國內(nèi)外不少研究從宏觀經(jīng)濟(jì)因素角度對商業(yè)銀行整體信用風(fēng)險展開討論。Micco(2006)利用1995—2002年的商業(yè)銀行數(shù)據(jù)，研究發(fā)現(xiàn)，貸款規(guī)模的變化與經(jīng)濟(jì)增長直接相關(guān)，平均而言，GDP增長率每增加 1個百分點，商業(yè)銀行信貸規(guī)模便有1.8個百分點的同方向變化，其中，工業(yè)化國家的信貸規(guī)模受GDP沖擊的的影響比發(fā)展中國家要小，只有0.9個百分點，因此，發(fā)展中國家的商業(yè)銀行應(yīng)該更加重視宏觀經(jīng)濟(jì)因素對銀行風(fēng)險的影響。Matsuyama(2004)認(rèn)為信貸市場會受到經(jīng)濟(jì)周期的影響，通過單因素理論模型的推導(dǎo)，其發(fā)現(xiàn)，投資方式的改變、發(fā)展陷阱的出現(xiàn)、貧富差距的增加或下降、持續(xù)性的衰退、經(jīng)濟(jì)周期性下滑以及國際資本的流失等都會對信貸市場造成直接影響。Dovern et al.(2010) 采用德國近40年的商業(yè)銀行收入及損失數(shù)據(jù)，通過VAR模型研究了宏觀貨幣政策對商業(yè)銀行的沖擊影響，證實中央銀行關(guān)注金融市場的危機(jī)是合理和必要的。Dell′Ariccia et al.(2012) 以美國次級債務(wù)危機(jī)的發(fā)生為背景，實證研究發(fā)現(xiàn)，宏觀經(jīng)濟(jì)波動會對商業(yè)銀行產(chǎn)生直接影響：在宏觀經(jīng)濟(jì)上行周期，擴(kuò)張性的信貸政策可以緩解企業(yè)的債務(wù)負(fù)擔(dān)，增加抵押品價值并提高還款的可能性，從而降低商業(yè)銀行引發(fā)信用風(fēng)險的概率；在宏觀經(jīng)濟(jì)下行周期，則會出現(xiàn)相反結(jié)果。Love et al.(2014)利用埃及1993—2010年的數(shù)據(jù)，實證研究發(fā)現(xiàn)，境外資本流入以及國內(nèi)生產(chǎn)總值的提高等宏觀經(jīng)濟(jì)因素有利于商業(yè)銀行貸款組合質(zhì)量的提升，從而降低了銀行不良貸款比率。Buch et al.(2014)利用FAVAR模型分析了美國1500家商業(yè)銀行受到宏觀經(jīng)濟(jì)因素影響時的情況，認(rèn)為：伴隨著擴(kuò)張性經(jīng)濟(jì)的一次沖擊，商業(yè)銀行信貸總量便會提升；利用以歷史數(shù)據(jù)為參考的后向風(fēng)險(Back-looking risk)度量方法，可以發(fā)現(xiàn)中等規(guī)模的銀行不良貸款數(shù)額會下降；同時，銀行規(guī)模、資產(chǎn)證券化程度、消費貸款數(shù)量、流動性等異質(zhì)性對宏觀經(jīng)濟(jì)的沖擊表現(xiàn)不一。在國內(nèi)，華曉龍(2009)通過宏觀壓力測試模型構(gòu)建了兩種極端宏觀經(jīng)濟(jì)情景，通過實證分析，認(rèn)為，當(dāng)名義國內(nèi)生產(chǎn)總值大幅下降和通貨膨脹率驟升時，銀行體系的貸款違約率會大幅提高，從而進(jìn)一步證明了宏觀經(jīng)濟(jì)因素對中國商業(yè)銀行信用體系的影響。高杰英等(2013)通過對中長期經(jīng)濟(jì)背景下發(fā)達(dá)國家和發(fā)展中國家銀行業(yè)信貸規(guī)模進(jìn)行比較與實證分析，認(rèn)為，在經(jīng)濟(jì)下行周期，投資需求減少，銀行信貸需求減少，銀行信貸規(guī)模隨之減小，這一現(xiàn)象表明銀行信貸受到外部經(jīng)濟(jì)周期沖擊的直接影響。

此外，亦有一些文獻(xiàn)就股權(quán)結(jié)構(gòu)差異對商業(yè)銀行信用風(fēng)險承擔(dān)水平的影響進(jìn)行了研究。Boubakri et al.(2005)通過分析22個發(fā)展中國家的81家商業(yè)銀行歷史數(shù)據(jù)，發(fā)現(xiàn)，民營化的商業(yè)銀行通常具有較低的經(jīng)濟(jì)效率，且償付能力也低于國有銀行，但是民營化商業(yè)銀行的效率及其風(fēng)險暴露程度取決于其實際控股權(quán)的屬性；而實證研究表明，一些當(dāng)?shù)丶瘓F(tuán)控股的民營銀行會承擔(dān)較多的信用風(fēng)險。Micco(2006)認(rèn)為，國有銀行具有穩(wěn)定的信貸儲備，相比私人銀行，受到宏觀經(jīng)濟(jì)的沖擊要小，因此，不如私人銀行在順周期特性上表現(xiàn)得那么明顯。Iannotta et al.(2007)采用15個國家181家商業(yè)銀行的數(shù)據(jù)，通過實證分析發(fā)現(xiàn)，國有銀行往往擁有較差的貸款質(zhì)量和較高的違約率，而風(fēng)險共擔(dān)的互助銀行(Mutual Bank)在這些方面明顯優(yōu)于私人銀行和國有銀行，且較為集中的股權(quán)結(jié)構(gòu)一般會帶來較好的貸款質(zhì)量和較低的資產(chǎn)風(fēng)險。Garcia et al.(2008)使用1993—2000年西班牙商業(yè)銀行和儲蓄銀行數(shù)據(jù)，通過動態(tài)面板模型分析這兩類在股權(quán)結(jié)構(gòu)上具有明顯差異的銀行在風(fēng)險承擔(dān)上的區(qū)別，結(jié)果表明，西班牙商業(yè)銀行比西班牙儲蓄銀行更具有風(fēng)險偏好，而股權(quán)集中度與風(fēng)險的發(fā)生率有負(fù)的相關(guān)性。Barry et al.(2011)使用歐洲商業(yè)銀行相關(guān)數(shù)據(jù)，分析發(fā)現(xiàn)，不同所有權(quán)結(jié)構(gòu)的商業(yè)銀行受風(fēng)險影響的程度存在差別，公共持股的銀行機(jī)構(gòu)往往具有較低的信用風(fēng)險和違約率的特點。Brei et al.(2015)從理論角度考察國有銀行和私人銀行在金融危機(jī)事件發(fā)生時的反應(yīng)，結(jié)果發(fā)現(xiàn)，公共銀行會給實體部門提供更多的貸款，而私人銀行為了增加流動性會縮減貸款規(guī)模，據(jù)此，其認(rèn)為，公共銀行的經(jīng)營目標(biāo)不僅僅是在給定的風(fēng)險下擴(kuò)大經(jīng)營利潤，還要穩(wěn)定和促進(jìn)經(jīng)濟(jì)恢復(fù)。錢先航等(2011)以中國城市商業(yè)銀行為研究樣本，發(fā)現(xiàn)，由于地方官員的晉升壓力，地方政府擁有實際控制權(quán)的一些城市商業(yè)銀行會提高建筑項目的貸款集中度以提升當(dāng)?shù)谿DP增長率，從而增加了這種控股權(quán)過于集中的城市商業(yè)銀行不良貸款的發(fā)生。祝繼高等(2012)基于2004—2009年商業(yè)銀行數(shù)據(jù)，認(rèn)為股權(quán)結(jié)構(gòu)是影響中國城市商業(yè)銀行信貸行為和經(jīng)營業(yè)績的重要因素，進(jìn)一步證明了合理的股權(quán)結(jié)構(gòu)對貸款風(fēng)險防范以及金融安全維護(hù)的重要性。王連軍(2011)以多任務(wù)委托代理模型為基礎(chǔ)，發(fā)現(xiàn)國有商業(yè)銀行因為過多的政府干預(yù)容易產(chǎn)生信貸擴(kuò)張，從而導(dǎo)致不良貸款率的上升。

綜上，不難發(fā)現(xiàn)，現(xiàn)代信用風(fēng)險度量模型因為各自關(guān)注的潛在風(fēng)險變量的不同而各有優(yōu)勢，但信用評級的轉(zhuǎn)移一般取決于經(jīng)濟(jì)狀態(tài)，因而以CPV模型考察宏觀經(jīng)濟(jì)因素變動對商業(yè)銀行信用風(fēng)險的影響更為適合；同時，國內(nèi)研究大都對單一股權(quán)結(jié)構(gòu)的商業(yè)銀行進(jìn)行信用風(fēng)險分析，多股權(quán)結(jié)構(gòu)商業(yè)銀行之間的信用風(fēng)險及差異研究則較為鮮見。因此，本文將通過CPV模型探討宏觀經(jīng)濟(jì)因素對國有商業(yè)銀行、股份制商業(yè)銀行及城市商業(yè)銀行信用風(fēng)險的影響差異，并估算極端宏觀經(jīng)濟(jì)情況下三種商業(yè)銀行可能發(fā)生信用風(fēng)險的概率，旨在為中國商業(yè)銀行信用風(fēng)險的防范及提升銀行業(yè)核心競爭力提供理論依據(jù)。

二、模型設(shè)定

(一) CPV模型設(shè)定

由于違約率和信用轉(zhuǎn)移概率與宏觀經(jīng)濟(jì)狀況密切相關(guān)，因此，本文選擇考慮這類因素的CPV模型對商業(yè)銀行信用風(fēng)險進(jìn)行計量分析。

1.違約預(yù)測模型

本文利用logit函數(shù)對違約概率建模，函數(shù)中的變量Y為國家宏觀經(jīng)濟(jì)指數(shù)，該指數(shù)取決于當(dāng)前和滯后的宏觀經(jīng)濟(jì)變量：

(1)

其中：Pj,t是國家(行業(yè))j處于時期t的債務(wù)人的條件違約概率；Yj,t是多因子模型中第j個國家(行業(yè))在時期t時的宏觀經(jīng)濟(jì)指數(shù)值，其可以表示為：

(2)

宏觀經(jīng)濟(jì)變量對于每個國家(行業(yè))都是特定的，CPV模型假設(shè)每個宏觀經(jīng)濟(jì)變量都服從二階自回歸模型：

(3)

2.條件轉(zhuǎn)移矩陣

為了推導(dǎo)條件轉(zhuǎn)移矩陣，這里引入Moody信用評級的無條件轉(zhuǎn)移矩陣，并將其記為φM*無條件轉(zhuǎn)移矩陣φM為國際信用評級公司Moody通過采集20多年來多個國家、多種行業(yè)的歷史數(shù)據(jù)計算得出的歷史平均值。。通常情況下，在經(jīng)濟(jì)衰退周期，非投資級債務(wù)人的違約概率高于平均違約概率，這時信用降級事件增加，而信用升級的事件減少；在經(jīng)濟(jì)上行周期，則情況相反?？梢杂孟率霰嚷蕘肀硎觯?/p>

經(jīng)濟(jì)衰退周期：

(4)

經(jīng)濟(jì)上行周期：

(5)

(二) 樣本描述

根據(jù)需要，本文選取2005年1季度至2014年3季度共39個季度的15個主要宏觀經(jīng)濟(jì)變量進(jìn)行實證研究，具體包括：國內(nèi)生產(chǎn)總值、國內(nèi)生產(chǎn)總值增長率、CPI、進(jìn)出口總額、固定資產(chǎn)投資完成額增速、廣義貨幣供應(yīng)量、社會消費品零售總額增速、實際有效匯率指數(shù)、一年期存款基準(zhǔn)利率、一年期貸款基準(zhǔn)利率、公共財政支出、宏觀經(jīng)濟(jì)景氣指數(shù)、城鎮(zhèn)居民人均可支配收入、滬深300指數(shù)、國房景氣指數(shù)。此外，由于不良貸款的大量出現(xiàn)是導(dǎo)致商業(yè)銀行信用風(fēng)險發(fā)生的主要原因，因此，模型中需要的信用違約率數(shù)據(jù)以商業(yè)銀行不良貸款率替代*商業(yè)銀行不良貸款率數(shù)據(jù)來源于中國銀監(jiān)會官網(wǎng)，GDP和GDP增長率取自中國國家統(tǒng)計局官網(wǎng)，存貸基準(zhǔn)利率取自中國人民銀行官網(wǎng)，國房景氣指數(shù)取自銳思數(shù)據(jù)庫，其余變量均來自Wind數(shù)據(jù)庫。。

由于國內(nèi)生產(chǎn)總值、進(jìn)出口總額、實際廣義貨幣供應(yīng)量、公共財政支出和城鎮(zhèn)居民人均可支配收入均會受到物價指數(shù)的干擾，因此，需要剔除通貨膨脹因素的影響。以2004年12月數(shù)據(jù)為基期，確定出定基CPI值，進(jìn)而通過名義指標(biāo)值比定基CPI值剔除通貨膨脹因素得到實際指標(biāo)值。

表1　樣本描述性統(tǒng)計

經(jīng)過CPI指數(shù)調(diào)整后，國內(nèi)生產(chǎn)總值、進(jìn)出口總額、公共財政支出和城鎮(zhèn)居民人均可支配收入等指標(biāo)仍呈現(xiàn)出明顯的季節(jié)性特征，在每年固定的季度均會呈現(xiàn)規(guī)律性的驟增，為保證后續(xù)所構(gòu)建模型回歸的準(zhǔn)確性，本文采用移動平均法對上述數(shù)據(jù)進(jìn)行了季節(jié)調(diào)整。經(jīng)調(diào)整后的樣本描述性統(tǒng)計見表1。

三、實證分析

(一)參數(shù)估計及篩選

1.平穩(wěn)性檢驗

為了避免虛假回歸現(xiàn)象出現(xiàn)，需要保證所選取時間序列數(shù)據(jù)的平穩(wěn)性。本文通過ADF檢驗分別對各變量的原序列及各變量的一階差分序列進(jìn)行平穩(wěn)性檢驗，結(jié)果顯示，各變量的原序列在5%的顯著性水平下存在單位根，均為非平穩(wěn)序列，各變量的一階差分序列在5%的顯著性水平下都是平穩(wěn)的(根據(jù)SIC準(zhǔn)則選取滯后階數(shù))，因此，所有變量都為一階單整序列。

2.參數(shù)估計

表2　初步回歸結(jié)果

根據(jù)前述CPV模型設(shè)定中的式(2)，建立不良貸款率(NLR)與初步選取的15個宏觀經(jīng)濟(jì)指標(biāo)的回歸模型，結(jié)果如表2所示。

可以看到，模型整體顯著，擬合結(jié)果較好。但是絕大多數(shù)解釋變量在10%的顯著性水平下都不顯著，沒有通過t檢驗。這可能與所選的宏觀經(jīng)濟(jì)變量都和宏觀經(jīng)濟(jì)運行狀況密切相關(guān)，從而導(dǎo)致變量不可避免地會出現(xiàn)一定的多重共線性。為了解決該問題，通過向后選擇法對此前初步選取的15個宏觀經(jīng)濟(jì)變量進(jìn)行篩選，最終的回歸結(jié)果如表3所示。

可以看出，剔除多重共線性后的模型保留了國內(nèi)生產(chǎn)總值(GDP)、固定資產(chǎn)投資完成額增速(FIG)、廣義貨幣供應(yīng)量(M2)、

表3　最終回歸結(jié)果

一年期貸款基準(zhǔn)利率(BIR)、公共財政支出(FEX)、宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)等六個解釋變量?；貧w結(jié)果顯示，在5%的顯著性水平下，這些解釋變量均能通過t檢驗。此外，本文還做了異方差檢驗及殘差的相關(guān)系數(shù)、偏相關(guān)系數(shù)檢驗，結(jié)果表明，模型的隨機(jī)誤差項不存在異方差，殘差序列非自相關(guān)。因此，最終的CPV模型將采用這六個宏觀經(jīng)濟(jì)指標(biāo)對不良貸款率(NLR)進(jìn)行解釋。

(二)回歸結(jié)果分析

1.整體樣本回歸結(jié)果分析

從各變量的回歸系數(shù)可知，一年期貸款基準(zhǔn)利率(BIR)、宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)、固定資產(chǎn)投資完成額增速(FIG)、公共財政支出(FEX)、國內(nèi)生產(chǎn)總值(GDP)、廣義貨幣供應(yīng)量(M2)對不良貸款率的影響程度依次遞減。其中，不良貸款率(NLR)與一年期貸款基準(zhǔn)利率(BIR)及廣義貨幣供應(yīng)量(M2)呈現(xiàn)正相關(guān)關(guān)系，而與其余四個宏觀經(jīng)濟(jì)指標(biāo)呈負(fù)相關(guān)關(guān)系。

由于貸款利率是影響不良貸款率(NLR)最為直接的因素，貸款基準(zhǔn)利率的提升會增加貸款企業(yè)的融資成本，短期內(nèi)，在企業(yè)利潤不變的情況下，財務(wù)成本的上升將有可能造成企業(yè)還款困難，致使商業(yè)銀行不良貸款率升高。因此，不良貸款率與貸款基準(zhǔn)利率呈現(xiàn)顯著的正相關(guān)關(guān)系符合一般宏觀經(jīng)濟(jì)實際情況。

不良貸款率與廣義貨幣供應(yīng)量(M2)的相關(guān)系數(shù)為正，可以解釋為貨幣供應(yīng)量的增加會導(dǎo)致物價上漲，造成一定程度的通貨膨脹：一方面，物價上漲的同時意味著債務(wù)人需要付出更高的信貸成本，可能導(dǎo)致貸款人違約率升高；另一方面，通貨膨脹率的不斷上升會給整個社會營造出一種虛假繁榮的景象，在這種經(jīng)濟(jì)形勢下，商業(yè)銀行往往會選擇降低貸款門檻并加大相關(guān)行業(yè)的貸款投放力度，大量的不良貸款在商業(yè)銀行體系內(nèi)不斷聚積，實體經(jīng)濟(jì)一旦出現(xiàn)調(diào)整，不良貸款率便會迅速攀升，致使整個商業(yè)銀行體系的信用危機(jī)發(fā)生。

不良貸款率與宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)、固定資產(chǎn)投資完成額增速(FIG)、公共財政支出(FEX)和GDP的相關(guān)系數(shù)為負(fù)，說明它們對商業(yè)銀行不良貸款率的增加具有反向作用。

宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)的上升，代表宏觀經(jīng)濟(jì)整體走勢向好，企業(yè)的生產(chǎn)經(jīng)營情況較好，資金流動性較強(qiáng)，能夠很順利地償還商業(yè)銀行貸款，從而使得整個銀行體系的信貸違約率降低；反之，當(dāng)宏觀經(jīng)濟(jì)不景氣時，企業(yè)的生產(chǎn)經(jīng)營面臨銷售量下降、利潤率走低等諸多困難，容易產(chǎn)生資金鏈斷裂現(xiàn)象，從而導(dǎo)致商業(yè)銀行不良貸款率的上升。

固定資產(chǎn)投資完成額增速(FIG)提升會使得不良貸款率降低。某一時期固定資產(chǎn)投資完成額增速提高，表明實體經(jīng)濟(jì)十分活躍并處于上漲預(yù)期，與該投資相關(guān)的各個產(chǎn)業(yè)會擴(kuò)大其生產(chǎn)經(jīng)營業(yè)務(wù)，帶動實體經(jīng)濟(jì)的繁榮，為商業(yè)銀行信貸業(yè)務(wù)的安全性及盈利性提供了保證，從而降低了商業(yè)銀行不良貸款率。

政府財政支出規(guī)模的擴(kuò)大預(yù)示著政府用于基礎(chǔ)經(jīng)濟(jì)建設(shè)及各項公共事業(yè)項目的資金投放力度加大，這直接給相關(guān)行業(yè)及企業(yè)經(jīng)營注入活力。與此同時，公共財政支出中購買性支出大部分用于國家重點扶持的項目建設(shè)，所需信貸資金往往由政府提供擔(dān)保，因此也降低了不良貸款率。

商業(yè)銀行不良貸款率隨GDP升高而降低。這與大多數(shù)實證研究結(jié)果一致。同宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)一樣，GDP反映著一國宏觀經(jīng)濟(jì)整體的景氣程度和增長狀況。GDP的增加代表整個社會生產(chǎn)力水平的提升，從宏觀角度看，必然伴隨著企業(yè)經(jīng)營收入和居民可支配收入的增加，于是，無論企業(yè)還是居民的還款能力均會提高，使得商業(yè)銀行不良貸款率下降。

2.不同股權(quán)結(jié)構(gòu)樣本回歸結(jié)果分析

接下來分別對國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行的不良貸款率受宏觀經(jīng)濟(jì)指標(biāo)影響的變動狀況進(jìn)行對比分析，結(jié)果如表4～6所示。

表4　國有商業(yè)銀行回歸結(jié)果

表5　股份制商業(yè)銀行回歸結(jié)果

表6　城市商業(yè)銀行回歸結(jié)果

可以發(fā)現(xiàn)，宏觀經(jīng)濟(jì)變量對于中國不同股權(quán)結(jié)構(gòu)商業(yè)銀行不良貸款率的影響具有明顯差異，主要表現(xiàn)為：(1)一年期貸款基準(zhǔn)利率(BIR)對三種股權(quán)結(jié)構(gòu)商業(yè)銀行的不良貸款率的影響程度都最為突出，而廣義貨幣供應(yīng)量(M2)的影響程度最小；(2)國內(nèi)生產(chǎn)總值(GDP)和宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)的變化對國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行不良貸款率的影響程度依次增加；(3)固定資產(chǎn)投資完成額增速(FIG)和財政支出(FEX)的變化對國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行不良貸款率的影響程度依次下降。

具體來看，相較于股份制商業(yè)銀行和城市商業(yè)銀行，國有商業(yè)銀行的總資產(chǎn)規(guī)模更大*根據(jù)2014年度中國銀監(jiān)會數(shù)據(jù)統(tǒng)計，中國國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行月均總資產(chǎn)規(guī)模分別為608789.83億元、296488.58億元和165633.58億元。，擁有較高的資本充足率和較為充足的貸款風(fēng)險準(zhǔn)備金，抵御風(fēng)險的能力也相應(yīng)較強(qiáng)，經(jīng)營活動受宏觀經(jīng)濟(jì)因素波動的影響較小，其不良貸款率受國內(nèi)生產(chǎn)總值(GDP)和宏觀經(jīng)濟(jì)景氣指數(shù)(MAI)的影響呈現(xiàn)出較小幅度的變動，而股份制商業(yè)銀行和城市商業(yè)銀行不良貸款率受這兩個宏觀經(jīng)濟(jì)變量的影響程度相對較大。

固定資產(chǎn)投資完成額增速(FIG)和公共財政支出(FEX)的數(shù)值變化對國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行的不良貸款率的影響程度依次下降。受股權(quán)結(jié)構(gòu)的影響*中國國有商業(yè)銀行的實際控股股東均為中央?yún)R金投資有限責(zé)任公司，該公司是由國家出資設(shè)立的國有獨資公司。，中國國有銀行參與國家固定資產(chǎn)投資以及公共財政支出等政府行為相關(guān)項目多于股份制商業(yè)銀行和城市商業(yè)銀行，因此，其不良貸款率受到固定資產(chǎn)投資完成額增速(FIG)和公共財政支出(FEX)的影響也更為敏感。與此同時，過度參與政府相關(guān)項目，可能會降低國有商業(yè)銀行經(jīng)營績效，從而直接影響銀行信貸質(zhì)量，使得這類商業(yè)銀行的不良貸款率高于股份制商業(yè)銀行和城市商業(yè)銀行。

此外，貸款基準(zhǔn)利率(BIR)變化對國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行的不良貸款率的影響程度都較為明顯，且依次降低。大型國有商業(yè)銀行由于機(jī)構(gòu)龐雜，運營效率較低，經(jīng)營成本較大，阻礙了其利潤率的提升，為了擴(kuò)大獲利空間，國有商業(yè)銀行在中央銀行對貸款基準(zhǔn)利率進(jìn)行上浮時也會隨之較大幅度地調(diào)整貸款利率，這將直接影響債務(wù)人的還款能力，造成不良貸款率的上升；而股份制商業(yè)銀行和城市商業(yè)銀行會通過小幅上調(diào)貸款利率的方式減小債務(wù)人的還款壓力，爭取更多客戶的青睞，以擴(kuò)大信貸市場規(guī)模，提高銀行的市場競爭力，貸款基準(zhǔn)利率的浮動對于股份制商業(yè)銀行和城市商業(yè)銀行不良貸款率的影響也相應(yīng)減小。

(三)宏觀壓力測試

這里根據(jù)假定的極端宏觀經(jīng)濟(jì)情景，計算不同股權(quán)結(jié)構(gòu)的商業(yè)不良貸款率，判斷中國商業(yè)銀行系統(tǒng)所能承受的宏觀經(jīng)濟(jì)波動幅度。

1.壓力情境設(shè)定

根據(jù)表4中六個宏觀經(jīng)濟(jì)變量對商業(yè)銀行不良貸款率(NLR)的總體回歸結(jié)果，選取對不良貸款率影響最大的指標(biāo)一年期貸款基準(zhǔn)利率(BIR)，設(shè)置宏觀壓力測試情境。根據(jù)中國人民銀行近10年來該指標(biāo)的數(shù)據(jù)統(tǒng)計，可以得到其歷史最高值出現(xiàn)在2007年12月21日時的調(diào)整，為7.47%。因此，本文假設(shè)一年期貸款基準(zhǔn)利率突然出現(xiàn)不同幅度的上升——分別上升200個基點(即9.5%，輕度)、400個基點(即11.5%，中度)和600個基點(即13.5%，重度)，進(jìn)而判斷2015年第3季度商業(yè)銀行不良貸款率的變化情況。

2.相關(guān)性壓力測試及結(jié)果分析

由于需要進(jìn)行壓力測試的風(fēng)險因子是宏觀經(jīng)濟(jì)變量，它們的變動會受到其他變量及自身滯后期值的影響，因此，本文將解釋變量之間的相互影響納入計量過程中，通過相關(guān)性壓力測試方法考察商業(yè)銀行風(fēng)險承受能力。首先，利用最小二乘法以一年期貸款基準(zhǔn)利率為解釋變量分別對其余五個宏觀經(jīng)濟(jì)變量做回歸分析，同時在此過程中引入滯后變量，根據(jù)解釋變量的顯著性水平及回歸模型的擬合優(yōu)度調(diào)整一年期貸款基準(zhǔn)利率與各變量之間以及各變量與其自身滯后值之間的線性關(guān)系。通過該計量過程，可以發(fā)現(xiàn)，一年期貸款基準(zhǔn)利率(BIR)能夠很好地解釋固定資產(chǎn)投資完成額增速(FIG)和廣義貨幣供給量(M2)，而其余宏觀變量(國內(nèi)生產(chǎn)總值、公共財政支出和宏觀經(jīng)濟(jì)景氣指數(shù))則可以通過自回歸得到2015年第3季度的預(yù)測值。表7列出了一年期貸款基準(zhǔn)利率分別上升至9.5%(輕度)、11.5%(中度)、13.5%(重度)時各個宏觀經(jīng)濟(jì)變量的估計值。

表7　不同壓力情境下各宏觀經(jīng)濟(jì)變量估計值

表8　相關(guān)性壓力測試估計結(jié)果

然后，將不同壓力情境下各宏觀經(jīng)濟(jì)變量估計值代入表4～6的回歸模型中，并通過式(1)分別計量商業(yè)銀行總體、國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行的不良貸款率，結(jié)果見表8。

從相關(guān)性壓力測試的結(jié)果可以看出，商業(yè)銀行總體的不良貸款率在一年期貸款基準(zhǔn)利率為中度和重度壓力情景下上升較快，分別達(dá)到7.35%和14.78%，這種嚴(yán)重的不良貸款率的出現(xiàn)加大了商業(yè)銀行信用風(fēng)險的發(fā)生概率，同時還會對金融系統(tǒng)的穩(wěn)定性產(chǎn)生沖擊。

此外，三種不同股權(quán)結(jié)構(gòu)的商業(yè)銀行在壓力測試中表現(xiàn)出了顯著差異。值得注意的是，國有商業(yè)銀行不良貸款率的變化幅度最為明顯，而這也進(jìn)一步證實了貸款基準(zhǔn)利率的變動對國有商業(yè)銀行不良貸款率的影響程度要高于股份制商業(yè)銀行和城市商業(yè)銀行，由貸款基準(zhǔn)利率調(diào)整引發(fā)的信用風(fēng)險事件在國有銀行體系內(nèi)出現(xiàn)的概率更大。

四、結(jié)論與啟示

本文首先對可能引起中國商業(yè)銀行信用風(fēng)險的宏觀經(jīng)濟(jì)因素通過CPV模型進(jìn)行了實證分析；其次，揭示出中國不同股權(quán)結(jié)構(gòu)的商業(yè)銀行受到相同宏觀經(jīng)濟(jì)變量影響時的信用風(fēng)險差異；最后，采用相關(guān)性壓力測試方法，測算了在貸款基準(zhǔn)利率出現(xiàn)極端波動情景下的國有商業(yè)銀行、股份制商業(yè)銀行和城市商業(yè)銀行的不良貸款率發(fā)生水平。具體結(jié)論如下：

第一，國內(nèi)生產(chǎn)總值和宏觀經(jīng)濟(jì)景氣指數(shù)、固定資產(chǎn)投資完成額增速和公共財政支出會對商業(yè)銀行不良貸款率產(chǎn)生反向影響作用，而廣義貨幣供應(yīng)量的增加和貸款基準(zhǔn)利率的提高會加劇商業(yè)銀行不良貸款率的發(fā)生。

第二，對于不同股權(quán)結(jié)構(gòu)的商業(yè)銀行來說，與政府行為相關(guān)的指標(biāo)(固定資產(chǎn)投資完成額增速與公共財政支出)的變動對國有商業(yè)銀行的影響程度大于股份制商業(yè)銀行和城市商業(yè)銀行，而直接反映宏觀經(jīng)濟(jì)走勢的相關(guān)變量(國內(nèi)生產(chǎn)總值與宏觀經(jīng)濟(jì)景氣指數(shù))的波動對國有商業(yè)銀行的影響較小，股份制商業(yè)銀行和城市商業(yè)銀行的敏感程度則更高。

第三，貸款基準(zhǔn)利率的浮動對國有商業(yè)銀行不良貸款發(fā)生的影響最大，股份制商業(yè)銀行次之，而城市商業(yè)銀行最小。由于中國人民銀行已全面放開金融機(jī)構(gòu)貸款利率管制，商業(yè)銀行可以根據(jù)貸款基準(zhǔn)利率自主確定貸款利率水平，因此，為了提高自身的市場競爭力，獲取更多的客戶資源，非國有商業(yè)銀行比國有商業(yè)銀行的上調(diào)幅度小，客戶所負(fù)擔(dān)的資金壓力也相應(yīng)減少，從而降低了不良貸款發(fā)生的概率。

以上結(jié)果表明，中國國有商業(yè)銀行由于 “預(yù)算軟約束”的影響，容易受到政府意志和行為的干擾，從而會降低商業(yè)銀行對風(fēng)險事件的抵抗能力*例如中國政府于2008年11月9日正式宣布推出的“4萬億”經(jīng)濟(jì)刺激計劃，除1.18萬億元由中央政府財政出資以外，其余部分的45.8%由地方政府依靠國有銀行貸款解決。李國棟(2015)認(rèn)為，這一行為直接導(dǎo)致國有銀行競爭度顯著下降，損害了銀行信貸的正常競爭，導(dǎo)致體系內(nèi)部效率損失及風(fēng)險的累積。。而股份制商業(yè)銀行和城市商業(yè)銀行囿于產(chǎn)品同質(zhì)性較強(qiáng)，利潤增長過多依賴于信貸規(guī)模的擴(kuò)張，在經(jīng)濟(jì)下行周期，這很可能引起低水平信貸資產(chǎn)風(fēng)險的暴露加劇，導(dǎo)致不良貸款率上升，信用風(fēng)險逐漸累積。因此，健全商業(yè)銀行公司治理結(jié)構(gòu)，多元化商業(yè)銀行盈利模式，適當(dāng)增加商業(yè)銀行民營資產(chǎn)的注入，減少宏觀經(jīng)濟(jì)政策對銀行信貸決策的干擾，提高其全面風(fēng)險管理能力，是中國商業(yè)銀行持續(xù)發(fā)展及金融系統(tǒng)平穩(wěn)運行的保障。

高杰英，杜正中. 2013. 中長期經(jīng)濟(jì)背景下國際銀行信貸規(guī)模比較與實證[J]. 國際金融研究(8):60-66.

華曉龍. 2009. 基于宏觀壓力測試方法的商業(yè)銀行體系信用風(fēng)險評估[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究(4):117-128.

李國棟. 2015. 基于Boone指數(shù)的中國銀行業(yè)貸款市場競爭度估計[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究(5):131-146.

錢先航，曹廷求，李維安. 2011. 晉升壓力、官員任期與城市商業(yè)銀行的貸款行為[J]. 經(jīng)濟(jì)研究(12):72-85.

王連軍. 2011. 金融危機(jī)背景下政府干預(yù)與銀行信貸風(fēng)險研究[J]. 財經(jīng)研究(5):112-122.

祝繼高，饒品貴，鮑明明. 2012. 股權(quán)結(jié)構(gòu)、信貸行為與銀行績效：基于我國城市商業(yè)銀行數(shù)據(jù)的實證研究[J]. 金融研究(7):48-62.

ALAM M, HAO C, CARLING K. 2010. Review of the literature on credit risk modeling: Development of the past 10 years [J]. Banks and Bank Systems， 5(3):43-60.

ALTMAN E I， SAUNDERS A. 1997. Credit risk measurement: Developments over the last 20 years [J]. Journal of Banking and Finance，21(11-12):1721-1742.

BARRY T A, LEPETIT L， TARAZI A. 2011. Ownership structure and risk in publicly held and privately owned banks [J]. Journal of Banking and Finance， 35(5):1327-1340.

BERNHARDSEN T, EITRHEIM O, JORE A S， et al. 2005. Real-time data for Norway: Challenges for monetary policy [J]. The North American Journal of Economics and Finance, 16(3):333-349.

BOUBAKRI N, COSSET J-C, FISCHER K, et al. 2005. Privatization and bank performance in developing countries [J]. Journal of Banking and Finance, 29(8):2015-2041.

BREI M, SCHCLAREK A. 2015. A theoretical model of bank lending: Does ownership matter in times of crisis [J]. Journal of Banking and Finance, 50:298-307.

BUCH C M, EICKMEIER S, PRIETO E. 2014. Macroeconomic factors and micro level bank behavior [J]. Journal of Money, Credit and Banking, 46(4):715-751.

CREAL D, SCHWAAB B, KOOPMAN S J, et al. 2014. Observation-driven mixed-measurement dynamic factor models with an application to credit risk [J]. Review of Economics and Statistics, 96(5):898-915.

CROUHY M, GALAI D, MARK R. 2000. A comparative analysis of current credit risk models [J]. Journal of Banking and Finance, 24(1):59-117.

DELL'ARICCIA G, IGAN D, LAEVEN L U. 2012. Credit booms and lending standards: Evidence from the subprime mortgage market [J]. Journal of Money, Credit and Banking, 44(2-3):367-384.

DOVERN J, MEIER C-P, VILSMEIER J. 2010. How resilient is the German banking system to macroeconomic shocks [J]. Journal of Banking & Finance, 34(8):1839-1848.

GARCIA-MARCO T, ROBLES-FERNANDEZ M D. 2008. Risk-taking behaviour and ownership in the banking industry: The Spanish evidence [J]. Journal of Economics and Business, 60(4):332-354.

IANNOTTA G, NOCERA G, SIRONI A. 2007. Ownership structure, risk and performance in the European banking industry [J]. Journal of Banking and Finance, 31(7):2127-2149.

JARROW R, VAN DEVENTER D. 2005. Estimating default correlations using a reduced-form model [J]. Risk, 18(1):83-88.

LOVE I, ARISS R T. 2014. Macro-financial linkages in Egypt: A panel analysis of economic shocks and loan portfolio quality [J]. Journal of International Financial Markets, Institutions and Money, 28(1):158-181.

MATSUYAMA K. 2008. Aggregate implications of credit market imperfections [M]. Chicago :University of Chicago Press.

MCKINNON R I. 1994. Financial growth and macroeconomic stability in China, 1978-1992: implications for Russia and other transitional economies [J]. Journal of Comparative Economics, 18(3):438-469.

MICCO A, PANIZZA U. 2006. Bank ownership and lending behavior [J]. Economics Letters, 93(2):248-254.

SORGE M, VIROLAINEN K. 2006. A comparative analysis of macro stress-testing methodologies with application to Finland [J]. Journal of Financial Stability, 2(2):113-151.

WILSON T C. 1998. Portfolio credit risk [J]. Economic Policy Review, 4(3):71-82.

WONG J, CHOI K F, FONG T. 2008. A framework for stress testing banks' credit risk [J]. The Journal of Risk Model Validation, 2(1):3-23.

(責(zé)任編輯劉志煒)

Credit Risk Analysis of Commercial Banks with Different Ownership Structure：Based on Macro Economic Factors

HUO YuanYuanLI JiangFENG ZongXian

(School of Economics and Finance, Xi′an Jiaotong University, Xi′an 710061)

The paper measures the credit risk of commercial banks by CPV (Credit Portfolio View) model and investigates the influence of different macroeconomic factors on credit risk of three kinds of commercial banks, state-owned commercial bank, joint stock commercial banks and city commercial banks, etc., with different ownership structure. Empirical studies shows that generation of credit risk in state-owned banks are related to excessive interference from government. the emergence of non-performing loans in other banks are more sensitive to the indices which direct response to economic situation. Meanwhile, to rely too much on credit expansion is not good for prevention against the commercial bank credit risk in economic downturn cycle.

credit risk; macroeconomic factors; ownership structure of commercial banks

2016-04-01

霍源源(1986--)，女，陜西西安人，西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院博士生。

國家社會科學(xué)基金項目“防范新形勢下的銀行信貸風(fēng)險”(09BJY105)。

F832.4

A

1001-6260(2016)04-0085-10

李江(1962--)，男，湖南湘潭人，西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院副教授，碩士生導(dǎo)師。

馮宗憲(1954--)，男，浙江寧波人，西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院教授，博士生導(dǎo)師。

財貿(mào)研究2016.4