□張 瑞，張 巖，楊海芬，趙增鋒

（河北農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院，河北 保定 071000）

1 研究背景

負(fù)債管理是銀行業(yè)經(jīng)營管理體系的重點(diǎn)內(nèi)容，處于我國金融體系末梢的農(nóng)村金融機(jī)構(gòu)，受自身發(fā)展能力和外部市場(chǎng)競(jìng)爭挑戰(zhàn)的雙重制約，面臨的壓力和挑戰(zhàn)更為嚴(yán)峻。2014 年以來，農(nóng)村金融機(jī)構(gòu)的資產(chǎn)擴(kuò)張能力日益減弱，“負(fù)債決定資產(chǎn)”的經(jīng)營理念一直占主導(dǎo)地位，一些農(nóng)村金融機(jī)構(gòu)不顧區(qū)域經(jīng)濟(jì)發(fā)展實(shí)際，過度強(qiáng)調(diào)存款和貸款的市場(chǎng)份額，導(dǎo)致其財(cái)務(wù)風(fēng)險(xiǎn)相對(duì)較高，回落的農(nóng)村金融機(jī)構(gòu)負(fù)債出現(xiàn)增長趨勢(shì)。農(nóng)村金融機(jī)構(gòu)是我國農(nóng)村金融服務(wù)體系重要組成部分之一，有力地支持了農(nóng)村地區(qū)經(jīng)濟(jì)和社會(huì)的發(fā)展，通過預(yù)測(cè)其負(fù)債金額的大小，對(duì)提高農(nóng)村金融機(jī)構(gòu)負(fù)債管理具有重要意義。

銀行負(fù)債主要包括存款、同業(yè)負(fù)債和主動(dòng)性借入資金，并以存款為主體。從宏觀角度來看，近幾年商業(yè)銀行負(fù)債發(fā)展特點(diǎn)總體表現(xiàn)為負(fù)債總量增長放緩、負(fù)債結(jié)構(gòu)變化明顯以及負(fù)債成本上升壓力凸顯。程樂硯（2014）認(rèn)為，存款是我國商業(yè)銀行資金來源的主要途徑，在審慎政策背景下，銀行存款波動(dòng)加劇，流動(dòng)性壓力增加。辛兵海等（2018）發(fā)現(xiàn)，貨幣政策收緊會(huì)影響大型上市銀行的負(fù)債融資結(jié)構(gòu)，進(jìn)而對(duì)整體銀行業(yè)的負(fù)債融資結(jié)構(gòu)產(chǎn)生影響。弘毅（2020）從哲學(xué)視角出發(fā)，探討銀行負(fù)債和資產(chǎn)業(yè)務(wù)，認(rèn)為銀行負(fù)債業(yè)務(wù)是其他業(yè)務(wù)的基礎(chǔ)。從微觀角度來看，徐煜程（2017）應(yīng)用ARIMA 模型對(duì)我國金融機(jī)構(gòu)存款進(jìn)行分析，比較準(zhǔn)確的預(yù)測(cè)出2016 年11 月的金融機(jī)構(gòu)存款。張會(huì)榮和鄒泉（2020）選取2000—2018 年我國金融機(jī)構(gòu)各項(xiàng)存款總和按月統(tǒng)計(jì)的數(shù)據(jù)，應(yīng)用ARIMA 模型對(duì)我國金融機(jī)構(gòu)存款進(jìn)行了短期預(yù)測(cè)，預(yù)測(cè)結(jié)果良好。由此可以發(fā)現(xiàn)，學(xué)術(shù)界大多從整體對(duì)銀行業(yè)負(fù)債管理進(jìn)行研究，在一定程度上為此研究提供了思路，但已有的研究主觀性較強(qiáng)，不能具體反映負(fù)債過大對(duì)銀行的影響。同時(shí)，學(xué)術(shù)界針對(duì)銀行業(yè)負(fù)債金額進(jìn)行預(yù)測(cè)研究少有涉及，從農(nóng)村金融機(jī)構(gòu)角度來研究負(fù)債金額的幾乎沒有。

因此，通過研究我國農(nóng)村金融機(jī)構(gòu)負(fù)債金額的發(fā)展趨勢(shì)，依據(jù)2014 年1 月到2021 年10 月共94 個(gè)月度數(shù)據(jù)，運(yùn)用ARIMA 時(shí)間序列模型進(jìn)行預(yù)測(cè)。其中，農(nóng)村金融機(jī)構(gòu)包括農(nóng)村銀行、農(nóng)村合作銀行、農(nóng)村信用社和新型農(nóng)村金融機(jī)構(gòu)。以期通過研究農(nóng)村金融機(jī)構(gòu)負(fù)債金額的數(shù)據(jù)波動(dòng)，使農(nóng)村金融機(jī)構(gòu)能夠準(zhǔn)確研判形勢(shì)，對(duì)經(jīng)濟(jì)新常態(tài)下農(nóng)村金融機(jī)構(gòu)發(fā)展及加強(qiáng)其資產(chǎn)負(fù)債管理提供依據(jù)。

2 模型選擇

常用的預(yù)測(cè)模型主要有灰色預(yù)測(cè)模型、BP 神經(jīng)元網(wǎng)絡(luò)、回歸預(yù)測(cè)模型、時(shí)間序列預(yù)測(cè)模型4 種。相較于其他預(yù)測(cè)模型，時(shí)間序列預(yù)測(cè)模型是通過使用過去的事件特征來預(yù)測(cè)依賴于事件順序的未來事件。對(duì)農(nóng)村金融機(jī)構(gòu)的負(fù)債金額進(jìn)行預(yù)測(cè)，要基于其過去的數(shù)據(jù)，該方法適合對(duì)我國農(nóng)村金融機(jī)構(gòu)負(fù)債金額的短期預(yù)測(cè)。

時(shí)間序列預(yù)測(cè)模型可分為簡單移動(dòng)平均法、指數(shù)平滑法以及平穩(wěn)時(shí)間序列法等。其中，平穩(wěn)時(shí)間序列法適用于小規(guī)模、單變量的短期預(yù)測(cè)，受外界干擾因素少，所以最終采用時(shí)間序列分析模型中的ARIMA模型。ARIMA 模型可分為自回歸模型（AR）、移動(dòng)平均模型（MA）和自回歸移動(dòng)平均模型（ARIMA）3 類，其中自回歸模型（AR）、移動(dòng)平均模型（MA）只是ARIMA模型的兩個(gè)特殊形式，簡記為ARIMA（p，d，q），其結(jié)構(gòu)如下。

其中，X表示時(shí)間序列數(shù)據(jù)，E表示殘差項(xiàng)，為延遲算子，表示自回歸階數(shù)，表示移動(dòng)平均階數(shù)，表示差分階數(shù)，▽表示差分算子，滿足該結(jié)構(gòu)的模型為ARIMA（p，d，q）。

3 我國農(nóng)村金融機(jī)構(gòu)負(fù)債金額趨勢(shì)預(yù)測(cè)實(shí)證分析

3.1 數(shù)據(jù)的選取及描述性統(tǒng)計(jì)分析

為了保證數(shù)據(jù)的權(quán)威性和可得性，選取中國銀保監(jiān)會(huì)統(tǒng)計(jì)數(shù)據(jù)中我國農(nóng)村金融機(jī)構(gòu)負(fù)債金額為數(shù)據(jù)來源，收集整理出2014 年1 月到2021 年10 月共94 個(gè)月度數(shù)據(jù)。

《巴塞爾協(xié)議》規(guī)定，商業(yè)銀行風(fēng)險(xiǎn)資本核心充足率為8%，也就是銀行的資產(chǎn)負(fù)債率在92%以下是正常的水平。為了更好地分析農(nóng)村金融機(jī)構(gòu)負(fù)債金額，將資產(chǎn)和負(fù)債的對(duì)比通過資產(chǎn)負(fù)債率體現(xiàn)。通過計(jì)算農(nóng)村金融機(jī)構(gòu)年平均負(fù)債率，農(nóng)村金融機(jī)構(gòu)資產(chǎn)負(fù)債率從2014 年開始下降，到2016 年達(dá)到最高點(diǎn)，發(fā)現(xiàn)其資產(chǎn)負(fù)債率逐漸降低后又出現(xiàn)增長的趨勢(shì)。也就是說，農(nóng)村金融機(jī)構(gòu)負(fù)債雖然整體增速放緩，但負(fù)債增速仍超資產(chǎn)增速，具體可分為4 個(gè)階段。

2014—2015 年，負(fù)債率逐漸降低。受錢荒時(shí)期影響，銀行資產(chǎn)規(guī)模從快速擴(kuò)張轉(zhuǎn)向減速慢行，監(jiān)管層開始了一系列管控，銀行和企業(yè)都出現(xiàn)缺錢的狀況，致使負(fù)債率逐漸降低。2015—2016 年，高負(fù)債率階段。我國宏觀經(jīng)濟(jì)增長放緩，國家金融改革措施以及央行采取了一系列政策，農(nóng)村金融機(jī)構(gòu)的盈利水平直接受到影響，處于高負(fù)債率水平。2016—2019 年，負(fù)債率逐漸降低。國家對(duì)金融業(yè)開始嚴(yán)監(jiān)管，2017 年銀監(jiān)會(huì)專項(xiàng)部署了“三三四”檢查，在資產(chǎn)端亦受到結(jié)構(gòu)調(diào)整壓力，使得融資需求適當(dāng)減弱，農(nóng)村金融機(jī)構(gòu)資產(chǎn)負(fù)債率呈下降趨勢(shì)。2019 年至今，負(fù)債率呈現(xiàn)增高趨勢(shì)。受新冠肺炎疫情影響，農(nóng)村金融機(jī)構(gòu)開辟的信貸“綠色通道”，易產(chǎn)生“放得出去、收不回來”的風(fēng)險(xiǎn)，農(nóng)村金融機(jī)構(gòu)資產(chǎn)負(fù)債率呈現(xiàn)增高趨勢(shì)。

3.2 平穩(wěn)性處理

我國農(nóng)村金融機(jī)構(gòu)2014—2021 年月度負(fù)債金額一直增加，呈現(xiàn)快速上升的趨勢(shì)，初步判斷該序列為不平穩(wěn)時(shí)間序列，為在消除數(shù)據(jù)異方差的同時(shí)又不改變數(shù)據(jù)的相對(duì)關(guān)系，故對(duì)原始數(shù)據(jù)差分進(jìn)行平穩(wěn)化處理。經(jīng)過一階差分處理后，該序列已基本平穩(wěn)且在零均值附近波動(dòng)，可初步判定農(nóng)村金融機(jī)構(gòu)負(fù)債金額一階差分序列是平穩(wěn)的，并使用單位根檢驗(yàn)法進(jìn)一步對(duì)其進(jìn)行驗(yàn)證。其ADF-T 檢驗(yàn)值為-1.762 870，在1%、5%和10%顯著性水平下均不能拒絕原假設(shè)，即判斷原始數(shù)據(jù)不平穩(wěn)。經(jīng)過一階差分處理后，ADF-t 檢驗(yàn)值為-13.625 18，差分后的序列為平穩(wěn)的時(shí)間序列，可以進(jìn)行ARIMA 模型的構(gòu)建。

3.3 模型的識(shí)別和定階

ARIMA 模型識(shí)別通過自相關(guān)函數(shù)圖（ACF）和偏自相關(guān)圖（PACF）來判定模型階數(shù)p 和q。一階差后的ACF 和PACF 圖截尾和拖尾的特征不明顯，故通過對(duì)p 和q 進(jìn)行取值來確定模型階數(shù)，多次嘗試后建立了不同的AR 模型、MA 模型和ARIMA 模型，并根據(jù)信息準(zhǔn)則值進(jìn)行模型選擇，對(duì)比發(fā)現(xiàn)ARIMA（1，1，2）的擬合效果最好，最終確定模型ARIMA（1，1，2）。

3.4 參數(shù)估計(jì)與模型檢驗(yàn)

通過對(duì)模型的識(shí)別與定階，認(rèn)為ARIMA（1，1，2）模型進(jìn)行擬合效果最好，并通過最小二乘估計(jì)法對(duì)模型進(jìn)行參數(shù)估計(jì)，其值均小于0.05，通過檢驗(yàn)。ARIMA（1，1，2）模型的最終估計(jì)結(jié)果為如下。

對(duì)模型進(jìn)行殘差序列白噪聲檢驗(yàn)，即統(tǒng)計(jì)量檢驗(yàn)，結(jié)果如表1。模型殘差的自相關(guān)和偏自相關(guān)值都小于臨界值，對(duì)應(yīng)統(tǒng)計(jì)量的值大于0.05，即接受原始假設(shè)，在5%的有效性水平下，表明模型可以較好地描述數(shù)據(jù)。

表1 X 的殘差自相關(guān)檢驗(yàn)

3.5 模型預(yù)測(cè)

數(shù)據(jù)通過檢驗(yàn)后，以我國農(nóng)村金融機(jī)構(gòu)2014—2021 年月度數(shù)據(jù)為基礎(chǔ)進(jìn)行預(yù)測(cè)，并與實(shí)際值進(jìn)行對(duì)比，實(shí)際值和預(yù)測(cè)值之間相對(duì)差異在0.007%～0.49%，絕對(duì)差異較小，在可接受范圍內(nèi)。因此，構(gòu)建的ARIMA（1，1，2）模型具有良好的可信度。

運(yùn)用ARIMA（1，1，2）模型進(jìn)行預(yù)測(cè)，我國2021 年11 月到2022 年4 月，農(nóng)村金融機(jī)構(gòu)負(fù)債金額預(yù)測(cè)結(jié)果分別為422 711.905 4 億元、425 373.978 2 億元、428 037.798 3億元、430 703.366 8 億元以及433 370.684 9 億元、436 039.753 7 億元。由此可以發(fā)現(xiàn)，未來我國農(nóng)村金融機(jī)構(gòu)的負(fù)債金額仍然保持快速增長的趨勢(shì)。

4 結(jié)論與建議

4.1 結(jié)論

處理我國農(nóng)村金融機(jī)構(gòu)2014 年1 月到2021 年10 月共94 個(gè)月的數(shù)據(jù)，構(gòu)建了ARIMA 模型，并對(duì)未來6 個(gè)月農(nóng)村金融機(jī)構(gòu)的負(fù)債金額進(jìn)行估計(jì)。結(jié)果顯示，我國農(nóng)村金融機(jī)構(gòu)負(fù)債金額呈現(xiàn)快速增長的趨勢(shì)，且每月增速在0.65%以上，過高的負(fù)債會(huì)給農(nóng)村金融體系帶來風(fēng)險(xiǎn)隱患。由于我國農(nóng)村金融機(jī)構(gòu)種類較多，且時(shí)間序列預(yù)測(cè)模型是以過去數(shù)據(jù)進(jìn)行預(yù)測(cè)，未考慮其他外界環(huán)境因素，且農(nóng)村金融機(jī)構(gòu)本身存在存款占比低、負(fù)債成本高、負(fù)債質(zhì)量管理體系不健全等問題，僅用過去數(shù)據(jù)進(jìn)行預(yù)測(cè)不可避免地存在一定誤差。

4.2 建議

未來農(nóng)村金融機(jī)構(gòu)負(fù)債仍會(huì)增長，為控制我國農(nóng)村金融機(jī)構(gòu)負(fù)債增速，提出以下建議。

4.2.1 控制借貸金額與期限，堅(jiān)持規(guī)律化發(fā)展

短期內(nèi)，農(nóng)村金融機(jī)構(gòu)需要注意貸款金額與期限的管理，要分散貸款的期限和計(jì)劃量，以減少流動(dòng)性過剩的壓力。盡量協(xié)調(diào)存款增長規(guī)律和貸款的時(shí)間、額度，將其控制在自身能夠承受的范圍內(nèi)，用存款的增長滿足某些貸款的流動(dòng)性需求。

4.2.2 優(yōu)化資產(chǎn)與負(fù)債結(jié)構(gòu)，堅(jiān)持精細(xì)化發(fā)展

在負(fù)債端，結(jié)合農(nóng)村現(xiàn)實(shí)情況調(diào)優(yōu)負(fù)債結(jié)構(gòu)，創(chuàng)新傳統(tǒng)服務(wù)項(xiàng)目，使負(fù)債端產(chǎn)品與附加服務(wù)逐漸走向高端。在資產(chǎn)端，要提高資產(chǎn)質(zhì)量，從產(chǎn)業(yè)發(fā)展的角度把準(zhǔn)信貸投放方向，推動(dòng)穩(wěn)健經(jīng)營和可持續(xù)發(fā)展。此外，要圍繞國家金融政策和地方經(jīng)濟(jì)特點(diǎn)，明確重點(diǎn)支持類、適度支持類、審慎介入類等不同客戶群的準(zhǔn)入條件、授信方式和管理要求，靈活推出存款類產(chǎn)品。

4.2.3 擁抱金融科技，堅(jiān)持創(chuàng)新化發(fā)展

農(nóng)村金融機(jī)構(gòu)要加強(qiáng)資產(chǎn)負(fù)債管理系統(tǒng)建設(shè)，積極通過金融科技進(jìn)行轉(zhuǎn)型創(chuàng)新，實(shí)現(xiàn)傳統(tǒng)與現(xiàn)代的有機(jī)結(jié)合，構(gòu)建“金融科技+資產(chǎn)負(fù)債管理”機(jī)制，建立一個(gè)完善的資產(chǎn)負(fù)債管理系統(tǒng)。一方面，有效地監(jiān)測(cè)并預(yù)防系統(tǒng)性、流動(dòng)性、操作性等風(fēng)險(xiǎn)，提高自身風(fēng)險(xiǎn)防范水平；另一方面，實(shí)現(xiàn)資產(chǎn)負(fù)債管理模式的變革，強(qiáng)化自身負(fù)債管理。

4.2.4 發(fā)揮自身優(yōu)勢(shì)，堅(jiān)持差異化發(fā)展

農(nóng)村金融機(jī)構(gòu)要找準(zhǔn)自身定位，充分服務(wù)“三農(nóng)”，發(fā)揮自身網(wǎng)點(diǎn)多、覆蓋廣、機(jī)制靈活的特點(diǎn)，重塑差異化競(jìng)爭優(yōu)勢(shì)，加強(qiáng)對(duì)自身的監(jiān)管，從而降低負(fù)債成本和風(fēng)險(xiǎn)，使負(fù)債規(guī)模控制在一個(gè)合理的范圍。