楊亞峰

（陜西秦農(nóng)農(nóng)村商業(yè)銀行股份有限公司閻良支行，陜西 西安 710089）

隨著我國商業(yè)銀行的規(guī)模的發(fā)展壯大，貸款占比也在不斷增加，同時不良貸款率也在不斷增大。截至2018年底，我國商業(yè)銀行不良貸款總額為2萬億元，不良貸款率1.89%，為十年新高，不良貸款率的不斷上升將會影響商業(yè)銀行的正常營業(yè)。本文以QN農(nóng)村商業(yè)銀行為研究對象，根據(jù)某一級支行的不良貸款數(shù)據(jù)為樣本，分析影響不良貸款率的影響因素，并提出相應的改進措施。

一、QN銀行不良貸款現(xiàn)狀

QN銀行全稱為陜西QN農(nóng)村商業(yè)銀行股份有限公司，是在西安市新城區(qū)、碑林區(qū)、蓮湖區(qū)、雁塔區(qū)、灞橋區(qū)、未央?yún)^(qū)農(nóng)村信用合作聯(lián)社（以下簡稱西安市城六區(qū)聯(lián)社）合并重組基礎上，通過增資擴股、優(yōu)化股權(quán)、財務重組、機制再造等，組建起的符合現(xiàn)代企業(yè)制度要求的農(nóng)村商業(yè)銀行。自2015年重組之后，QN銀行總資產(chǎn)規(guī)模快速增加，與此同時不良貸款率也在不斷增大，2015年QN銀行總資產(chǎn)926.7億元，不良貸款率1.32%；2016年QN銀行總資產(chǎn)1148.2億元，不良貸款率1.63%；2017年QN銀行總資產(chǎn)1711.2億元，不良貸款率2.85%；截止到2018年9月，QN銀行總資產(chǎn)1977.74億元，不良貸款率3.06%。QN銀行的不良貸款率逐年攀升，在2018年9月更是達到了3.06%，不良貸款率的上升使得QN銀行面臨著經(jīng)營的風險。

本文選取QN銀行某一級支行2015年和2016年的貸款數(shù)據(jù)作為樣本，進行影響因素分析。

二、影響不良貸款的因素建模分析

我國經(jīng)濟發(fā)展速度和通脹等因素都是能影響我國商業(yè)銀行不良貸款率。但是，我國經(jīng)濟形勢今年來都畢竟穩(wěn)定，QN是處于內(nèi)陸的農(nóng)村商業(yè)銀行，面對的客戶相對穩(wěn)定，不良貸款率的上升更多的是本身經(jīng)營帶來的問題。

（一）影響因素分類說明

1、貸款利率

貸款利率的高低關(guān)系到貸款人需要還款的金額高低，貸款利率越高，還款人到期時的還款壓力越大，有可能因為資金緊張導致在還款日沒有足夠的資金進行還款，從而造成逾期。正常情況下，借款人借貸時的貸款利率越低，還款時的壓力越小，形成逾期的概率越小。因此本文假設QN銀行的貸款利率與不良貸款率成正相關(guān)關(guān)系。

2、貸款金額

不管是企業(yè)還是個人，貸款金額越大，還款時需要還的利息越高，從而借貸到期時的資金壓力越大，造成逾期的可能性越大。因此，本文假設貸款總額與不良貸款率成正相關(guān)關(guān)系。

3、貸款期限

一般情況下，貸款期限越短，還款時的利息越少，還款壓力也較小，出現(xiàn)不良貸款的次數(shù)也會相對少一些。因此，本文假設貸款期限與不良貸款率成正相關(guān)關(guān)系。

4、貸款用途

貸款用途的不同也是影響不良貸款的因素，根據(jù)QN銀行自身放貸特點，其貸款用途主要分為農(nóng)業(yè)貸款、住房貸款、消費貸款、經(jīng)營周轉(zhuǎn)貸款。其中消費貸款包括商用車消費貸款和普通消費貸款，一般消費貸款借款金額不高，借款周期不長，違約概率??；住房貸款包括購買新房、購買二手房和裝修等，一般住房貸款周期長，貸款利率較低，貸款人的還款壓力較小可控，所以一般住房貸款的違約概率較低；農(nóng)業(yè)貸款包括傳統(tǒng)種植業(yè)、購買農(nóng)業(yè)生產(chǎn)資料、農(nóng)產(chǎn)品加工、特色農(nóng)業(yè)和養(yǎng)殖業(yè)等，農(nóng)業(yè)貸款的客戶一般為農(nóng)戶，由于農(nóng)業(yè)生產(chǎn)的周期長，同時受自然災害等外界因素影響大，客戶發(fā)生逾期的可能性較大；并且由于貸款人在長周期內(nèi)也會發(fā)生不可抗力因素，因此也存在較高的違約風險；經(jīng)營周轉(zhuǎn)貸款一般是指企業(yè)或者個體商戶在經(jīng)營過程由于缺乏資金進行的借款，企業(yè)或者商戶的運營具有很高的風險，由于經(jīng)營失敗造成的違約概率高。

（二）影響因素建模分析

QN銀行下屬某一級支行2015年和2016年的貸款數(shù)據(jù)作為數(shù)據(jù)來源，這兩年共貸款2479次，貸款種類眾多，樣本數(shù)據(jù)充足。

1、不良貸款影響因素的量化

不良貸款的量化：根據(jù)銀監(jiān)會規(guī)定，貸款一般分為損失、可疑、次級、關(guān)注和正常五個級別。其中正常和關(guān)注為非不良貸款，損失、可疑和次級類別為不良貸款，本文將不良貸款（Y）進行量化，不良貸款賦值為1，非不良貸款賦值為0。

貸款利率(X1)的量化：將貸款利率5%以下、5%-6%、6%-7%、8%-9%和9%以上的不同貸款利率分別賦值為0、1、2、3、4。

貸款金額（X2）的量化：將貸款金額1萬元以下、1萬-5萬、5萬-10萬、10萬-20萬和20萬元以上分別量化為0、1、2、3、4。

貸款期限（X3）的量化：根據(jù)貸款人的實際貸款期限，將6個月及以下、6個月到12個月、12個月到36個月、36個月到60個月和60個月以上的不同貸款期限分別量化賦值為0、1、2、3、4。

貸款用途（X4）的量化：根據(jù)上述貸款用途的分類，并且一般情況下消費貸款、住房貸款、農(nóng)業(yè)貸款和經(jīng)營周轉(zhuǎn)貸款造成違約的可能性逐漸增大，所以本文將其分別量化賦值為0、1、2、3。

2、建模分析

根據(jù)該支行2015年至2016年的2479比貸款的數(shù)據(jù)，建立如下的多元線性模型：

上述模型中的Ci（i=0、1、2、3、4）自變量（不良貸款影響因素）的系數(shù)，u為殘差項。

首先將該支行的數(shù)據(jù)進行整理，分別將自變量進行量化賦值，然后通過ECIEWS軟件建立了多元線性回歸模型，回歸分析結(jié)果見表1。

表1 多元線性模型回歸分析結(jié)果

根據(jù)表1 多元線性回歸分析結(jié)果可知，可決系數(shù)R2=0.851122，而調(diào)整后得可決系數(shù)R2=0.843525，一般認為可決系數(shù)大于0.8，擬合效果就是擬合度可信的，本文的可決系數(shù)大于0.8，所以認為擬合程度較好，多元模型中的自變量與因變量存在線性關(guān)系。另外通過F統(tǒng)計量的相隨概率P值來判定該方程的整體顯著性水平，在本文中F統(tǒng)計量的相隨概率P值為0.00000＜0.01，因此在0.01的水平上通過F檢驗。而D.W統(tǒng)計值為1.704814＞R2，說明該模型建立是有效，具有后續(xù)研究意義。具體各個系數(shù)的擬合結(jié)果如表2所示。

表2 自變量系數(shù)擬合結(jié)果

根據(jù)表2所得到的自變量系數(shù)及檢驗值可知，在假設顯著性水平為0.05，則X1、X2、X3的P值都小于0假設顯著性水平0.05，這三個變量通過了t檢驗，但是X4的P值大于0.05，沒有通過顯著性檢驗，但是整個模型的顯著性檢驗是通過，說明X4不影響整個模型的顯著性水平。說明貸款利率、貸款期限和貸款金額對不良貸款有顯著的線性影響，而貸款對象對不良貸款影響不顯著。根據(jù)回歸分析數(shù)據(jù)得到多元線性回歸方程如下：

3、結(jié)果分析

根據(jù)多元線性回歸分析結(jié)果，貸款利率和貸款金額與不良貸款成正相關(guān)關(guān)系，貸款用途也正反饋的影響不良貸款。在放經(jīng)營性貸款時，對其貸款利率、期限和擔保方式進行綜合考慮，這樣才能降低不良貸款。

（三）QN銀行減少不良貸款的建議

1、堅決杜絕信貸資料造假行為。舊體制下的冒名貸款、關(guān)聯(lián)多頭、評級授信不真實、擔保人資質(zhì)不足等信貸風險問題嚴重影響了信貸種類的選擇與信貸利率的使用，直接增加了不良貸款出現(xiàn)的風險。因此要強化制度建設，加強信貸真實行管理，嚴肅處理信貸造假行為，在搭建風控甄別體系和中小微企業(yè)以及個人客戶信用信息查控平臺，有效提升業(yè)務辦理效率的同時，最大化防控信貸資料造假引發(fā)的信用風險，從而降低不良貸款率。

2、根據(jù)行業(yè)投向細分信貸政策。根據(jù)國家最新產(chǎn)業(yè)政策制定信貸行業(yè)投向指引，將信貸投向行業(yè)細分為“優(yōu)先支持”“適度支持”“審慎介入”和“壓縮退出”四類，實施差異化管理要求。對“優(yōu)先支持”行業(yè)要優(yōu)先配置營銷及信貸資源，適當調(diào)整信貸種類與貸款利率，加大優(yōu)質(zhì)市場開拓力度，增加綜合收益。原則上不受理“壓縮退出”行業(yè)客戶，努力規(guī)避政策和市場風險帶來的不良貸款。