不同股權結構商業銀行信用風險分析
——基于宏觀經濟因素視角

霍源源　　李　江　　馮宗憲

(西安交通大學 經濟與金融學院，陜西 西安710061)

?

不同股權結構商業銀行信用風險分析
——基于宏觀經濟因素視角

霍源源李江馮宗憲

(西安交通大學 經濟與金融學院，陜西 西安710061)

運用CPV(Credit Portfolio View)模型度量中國商業銀行的信用風險，以分析宏觀經濟因素對國有商業銀行、股份制商業銀行和城市商業銀行等不同股權結構商業銀行信用風險的影響差異。結果表明：國有銀行信貸風險的產生與政府行為過多干預相關，而其他商業銀行不良貸款的發生則對宏觀經濟運行狀況指標的變動更為敏感；在經濟下行周期，過多依賴信貸規模擴張的盈利方式不利于商業銀行對信用風險的防范。

信用風險；宏觀經濟因素；商業銀行股權結構

隨著中國經濟增長結構的調整以及對外開放程度的提高，商業銀行經營管理正面臨著越來越復雜的宏觀經濟環境，宏觀經濟因素可以通過多種宏觀政策路徑向微觀經濟傳導，從而對信貸個體的信用狀況產生影響。因此，商業銀行信用風險管理不僅需要對商業銀行自身財務指標微觀數據進行監管，還需要將宏觀經濟指標納入考察范圍。此外，由于經歷了股份制改革，現階段中國商業銀行呈等出現多種股權結構，分析多樣化股權結構商業銀行的經營特征不僅是完善商業銀行公司治理的基礎，也是厘清商業銀行信用風險來源的前提。因此，在宏觀經濟不確定條件下，探討中國不同股權結構商業銀行信用風險產生的差異具有重要的理論及現實意義。

一、相關文獻綜述

信用風險度量模型的發展主要經歷了兩個階段：20世紀90年代之前，傳統的商業銀行信用風險度量主要依賴具有豐富審批經驗的貸款核準人，結合貸款公司的財務現狀進行分析判斷并給出信用風險的評估結果。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，不能對信用風險的大小進行準確的度量(Altman et al.，1997 )。根據國際清算機構的要求以及計量經濟學的發展，國外一些大型金融機構開始將工程化的思維與數量經濟學的原理應用于商業銀行信用風險控制領域，信用風險度量模型的發展也因為眾多量化模型的出現而進入第二階段。具有代表性的現代信用風險模型包括：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模型結合計量經濟學和基本動力學理論提出了信用組合觀點，并獨創性地從宏觀經濟環境的角度探究了商業銀行信用風險狀況。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濟變化進行線性回歸分析，驗證了兩者之間的相關關系在統計上是顯著的。Tom et al.(2005)、Kimmo(2006)和Wong et al.(2008) 分別根據挪威中央銀行、芬蘭銀行業和中國香港銀行體系數據，構建了宏觀經濟變量與商業銀行信貸違約率的數量模型，結果均表明該模型對商業銀行信用風險度量的適用性。Creal et al.(2014)針對混合頻率的面板數據建立了動態因素計量模型用以計量宏觀經濟和信用風險，該模型的優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，從而能直接獲得參數的估計。

與此同時，國內外不少研究從宏觀經濟因素角度對商業銀行整體信用風險展開討論。Micco(2006)利用1995—2002年的商業銀行數據，研究發現，貸款規模的變化與經濟增長直接相關，平均而言，GDP增長率每增加 1個百分點，商業銀行信貸規模便有1.8個百分點的同方向變化，其中，工業化國家的信貸規模受GDP沖擊的的影響比發展中國家要小，只有0.9個百分點，因此，發展中國家的商業銀行應該更加重視宏觀經濟因素對銀行風險的影響。Matsuyama(2004)認為信貸市場會受到經濟周期的影響，通過單因素理論模型的推導，其發現，投資方式的改變、發展陷阱的出現、貧富差距的增加或下降、持續性的衰退、經濟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年的商業銀行收入及損失數據，通過VAR模型研究了宏觀貨幣政策對商業銀行的沖擊影響，證實中央銀行關注金融市場的危機是合理和必要的。Dell′Ariccia et al.(2012) 以美國次級債務危機的發生為背景，實證研究發現，宏觀經濟波動會對商業銀行產生直接影響：在宏觀經濟上行周期，擴張性的信貸政策可以緩解企業的債務負擔，增加抵押品價值并提高還款的可能性，從而降低商業銀行引發信用風險的概率；在宏觀經濟下行周期，則會出現相反結果。Love et al.(2014)利用埃及1993—2010年的數據，實證研究發現，境外資本流入以及國內生產總值的提高等宏觀經濟因素有利于商業銀行貸款組合質量的提升，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家商業銀行受到宏觀經濟因素影響時的情況，認為：伴隨著擴張性經濟的一次沖擊，商業銀行信貸總量便會提升；利用以歷史數據為參考的后向風險(Back-looking risk)度量方法，可以發現中等規模的銀行不良貸款數額會下降；同時，銀行規模、資產證券化程度、消費貸款數量、流動性等異質性對宏觀經濟的沖擊表現不一。在國內，華曉龍(2009)通過宏觀壓力測試模型構建了兩種極端宏觀經濟情景，通過實證分析，認為，當名義國內生產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，從而進一步證明了宏觀經濟因素對中國商業銀行信用體系的影響。高杰英等(2013)通過對中長期經濟背景下發達國家和發展中國家銀行業信貸規模進行比較與實證分析，認為，在經濟下行周期，投資需求減少，銀行信貸需求減少，銀行信貸規模隨之減小，這一現象表明銀行信貸受到外部經濟周期沖擊的直接影響。

此外，亦有一些文獻就股權結構差異對商業銀行信用風險承擔水平的影響進行了研究。Boubakri et al.(2005)通過分析22個發展中國家的81家商業銀行歷史數據，發現，民營化的商業銀行通常具有較低的經濟效率，且償付能力也低于國有銀行，但是民營化商業銀行的效率及其風險暴露程度取決于其實際控股權的屬性；而實證研究表明，一些當地集團控股的民營銀行會承擔較多的信用風險。Micco(2006)認為，國有銀行具有穩定的信貸儲備，相比私人銀行，受到宏觀經濟的沖擊要小，因此，不如私人銀行在順周期特性上表現得那么明顯。Iannotta et al.(2007)采用15個國家181家商業銀行的數據，通過實證分析發現，國有銀行往往擁有較差的貸款質量和較高的違約率，而風險共擔的互助銀行(Mutual Bank)在這些方面明顯優于私人銀行和國有銀行，且較為集中的股權結構一般會帶來較好的貸款質量和較低的資產風險。Garcia et al.(2008)使用1993—2000年西班牙商業銀行和儲蓄銀行數據，通過動態面板模型分析這兩類在股權結構上具有明顯差異的銀行在風險承擔上的區別，結果表明，西班牙商業銀行比西班牙儲蓄銀行更具有風險偏好，而股權集中度與風險的發生率有負的相關性。Barry et al.(2011)使用歐洲商業銀行相關數據，分析發現，不同所有權結構的商業銀行受風險影響的程度存在差別，公共持股的銀行機構往往具有較低的信用風險和違約率的特點。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事件發生時的反應，結果發現，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模，據此，其認為，公共銀行的經營目標不僅僅是在給定的風險下擴大經營利潤，還要穩定和促進經濟恢復。錢先航等(2011)以中國城市商業銀行為研究樣本，發現，由于地方官員的晉升壓力，地方政府擁有實際控制權的一些城市商業銀行會提高建筑項目的貸款集中度以提升當地GDP增長率，從而增加了這種控股權過于集中的城市商業銀行不良貸款的發生。祝繼高等(2012)基于2004—2009年商業銀行數據，認為股權結構是影響中國城市商業銀行信貸行為和經營業績的重要因素，進一步證明了合理的股權結構對貸款風險防范以及金融安全維護的重要性。王連軍(2011)以多任務委托代理模型為基礎，發現國有商業銀行因為過多的政府干預容易產生信貸擴張，從而導致不良貸款率的上升。

綜上，不難發現，現代信用風險度量模型因為各自關注的潛在風險變量的不同而各有優勢，但信用評級的轉移一般取決于經濟狀態，因而以CPV模型考察宏觀經濟因素變動對商業銀行信用風險的影響更為適合；同時，國內研究大都對單一股權結構的商業銀行進行信用風險分析，多股權結構商業銀行之間的信用風險及差異研究則較為鮮見。因此，本文將通過CPV模型探討宏觀經濟因素對國有商業銀行、股份制商業銀行及城市商業銀行信用風險的影響差異，并估算極端宏觀經濟情況下三種商業銀行可能發生信用風險的概率，旨在為中國商業銀行信用風險的防范及提升銀行業核心競爭力提供理論依據。

二、模型設定

(一) CPV模型設定

由于違約率和信用轉移概率與宏觀經濟狀況密切相關，因此，本文選擇考慮這類因素的CPV模型對商業銀行信用風險進行計量分析。

1.違約預測模型

本文利用logit函數對違約概率建模，函數中的變量Y為國家宏觀經濟指數，該指數取決于當前和滯后的宏觀經濟變量：

(1)

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

(2)

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

(3)

2.條件轉移矩陣

為了推導條件轉移矩陣，這里引入Moody信用評級的無條件轉移矩陣，并將其記為φM*無條件轉移矩陣φM為國際信用評級公司Moody通過采集20多年來多個國家、多種行業的歷史數據計算得出的歷史平均值。。通常情況下，在經濟衰退周期，非投資級債務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；在經濟上行周期，則情況相反。可以用下述比率來表述：

經濟衰退周期：

(4)

經濟上行周期：

(5)

(二) 樣本描述

根據需要，本文選取2005年1季度至2014年3季度共39個季度的15個主要宏觀經濟變量進行實證研究，具體包括：國內生產總值、國內生產總值增長率、CPI、進出口總額、固定資產投資完成額增速、廣義貨幣供應量、社會消費品零售總額增速、實際有效匯率指數、一年期存款基準利率、一年期貸款基準利率、公共財政支出、宏觀經濟景氣指數、城鎮居民人均可支配收入、滬深300指數、國房景氣指數。此外，由于不良貸款的大量出現是導致商業銀行信用風險發生的主要原因，因此，模型中需要的信用違約率數據以商業銀行不良貸款率替代*商業銀行不良貸款率數據來源于中國銀監會官網，GDP和GDP增長率取自中國國家統計局官網，存貸基準利率取自中國人民銀行官網，國房景氣指數取自銳思數據庫，其余變量均來自Wind數據庫。。

由于國內生產總值、進出口總額、實際廣義貨幣供應量、公共財政支出和城鎮居民人均可支配收入均會受到物價指數的干擾，因此，需要剔除通貨膨脹因素的影響。以2004年12月數據為基期，確定出定基CPI值，進而通過名義指標值比定基CPI值剔除通貨膨脹因素得到實際指標值。

表1　樣本描述性統計

經過CPI指數調整后，國內生產總值、進出口總額、公共財政支出和城鎮居民人均可支配收入等指標仍呈現出明顯的季節性特征，在每年固定的季度均會呈現規律性的驟增，為保證后續所構建模型回歸的準確性，本文采用移動平均法對上述數據進行了季節調整。經調整后的樣本描述性統計見表1。

三、實證分析

(一)參數估計及篩選

1.平穩性檢驗

為了避免虛假回歸現象出現，需要保證所選取時間序列數據的平穩性。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行平穩性檢驗，結果顯示，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的(根據SIC準則選取滯后階數)，因此，所有變量都為一階單整序列。

2.參數估計

表2　初步回歸結果

根據前述CPV模型設定中的式(2)，建立不良貸款率(NLR)與初步選取的15個宏觀經濟指標的回歸模型，結果如表2所示。

可以看到，模型整體顯著，擬合結果較好。但是絕大多數解釋變量在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濟變量都和宏觀經濟運行狀況密切相關，從而導致變量不可避免地會出現一定的多重共線性。為了解決該問題，通過向后選擇法對此前初步選取的15個宏觀經濟變量進行篩選，最終的回歸結果如表3所示。

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

表3　最終回歸結果

一年期貸款基準利率(BIR)、公共財政支出(FEX)、宏觀經濟景氣指數(MAI)等六個解釋變量。回歸結果顯示，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系數、偏相關系數檢驗，結果表明，模型的隨機誤差項不存在異方差，殘差序列非自相關。因此，最終的CPV模型將采用這六個宏觀經濟指標對不良貸款率(NLR)進行解釋。

(二)回歸結果分析

1.整體樣本回歸結果分析

從各變量的回歸系數可知，一年期貸款基準利率(BIR)、宏觀經濟景氣指數(MAI)、固定資產投資完成額增速(FIG)、公共財政支出(FEX)、國內生產總值(GDP)、廣義貨幣供應量(M2)對不良貸款率的影響程度依次遞減。其中，不良貸款率(NLR)與一年期貸款基準利率(BIR)及廣義貨幣供應量(M2)呈現正相關關系，而與其余四個宏觀經濟指標呈負相關關系。

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

不良貸款率與廣義貨幣供應量(M2)的相關系數為正，可以解釋為貨幣供應量的增加會導致物價上漲，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人需要付出更高的信貸成本，可能導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，在這種經濟形勢下，商業銀行往往會選擇降低貸款門檻并加大相關行業的貸款投放力度，大量的不良貸款在商業銀行體系內不斷聚積，實體經濟一旦出現調整，不良貸款率便會迅速攀升，致使整個商業銀行體系的信用危機發生。

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

宏觀經濟景氣指數(MAI)的上升，代表宏觀經濟整體走勢向好，企業的生產經營情況較好，資金流動性較強，能夠很順利地償還商業銀行貸款，從而使得整個銀行體系的信貸違約率降低；反之，當宏觀經濟不景氣時，企業的生產經營面臨銷售量下降、利潤率走低等諸多困難，容易產生資金鏈斷裂現象，從而導致商業銀行不良貸款率的上升。

固定資產投資完成額增速(FIG)提升會使得不良貸款率降低。某一時期固定資產投資完成額增速提高，表明實體經濟十分活躍并處于上漲預期，與該投資相關的各個產業會擴大其生產經營業務，帶動實體經濟的繁榮，為商業銀行信貸業務的安全性及盈利性提供了保證，從而降低了商業銀行不良貸款率。

政府財政支出規模的擴大預示著政府用于基礎經濟建設及各項公共事業項目的資金投放力度加大，這直接給相關行業及企業經營注入活力。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，所需信貸資金往往由政府提供擔保，因此也降低了不良貸款率。

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

2.不同股權結構樣本回歸結果分析

接下來分別對國有商業銀行、股份制商業銀行和城市商業銀行的不良貸款率受宏觀經濟指標影響的變動狀況進行對比分析，結果如表4～6所示。

表4　國有商業銀行回歸結果

表5　股份制商業銀行回歸結果

表6　城市商業銀行回歸結果

可以發現，宏觀經濟變量對于中國不同股權結構商業銀行不良貸款率的影響具有明顯差異，主要表現為：(1)一年期貸款基準利率(BIR)對三種股權結構商業銀行的不良貸款率的影響程度都最為突出，而廣義貨幣供應量(M2)的影響程度最?。?2)國內生產總值(GDP)和宏觀經濟景氣指數(MAI)的變化對國有商業銀行、股份制商業銀行和城市商業銀行不良貸款率的影響程度依次增加；(3)固定資產投資完成額增速(FIG)和財政支出(FEX)的變化對國有商業銀行、股份制商業銀行和城市商業銀行不良貸款率的影響程度依次下降。

具體來看，相較于股份制商業銀行和城市商業銀行，國有商業銀行的總資產規模更大*根據2014年度中國銀監會數據統計，中國國有商業銀行、股份制商業銀行和城市商業銀行月均總資產規模分別為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險準備金，抵御風險的能力也相應較強，經營活動受宏觀經濟因素波動的影響較小，其不良貸款率受國內生產總值(GDP)和宏觀經濟景氣指數(MAI)的影響呈現出較小幅度的變動，而股份制商業銀行和城市商業銀行不良貸款率受這兩個宏觀經濟變量的影響程度相對較大。

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

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

(三)宏觀壓力測試

這里根據假定的極端宏觀經濟情景，計算不同股權結構的商業不良貸款率，判斷中國商業銀行系統所能承受的宏觀經濟波動幅度。

1.壓力情境設定

根據表4中六個宏觀經濟變量對商業銀行不良貸款率(NLR)的總體回歸結果，選取對不良貸款率影響最大的指標一年期貸款基準利率(BIR)，設置宏觀壓力測試情境。根據中國人民銀行近10年來該指標的數據統計，可以得到其歷史最高值出現在2007年12月21日時的調整，為7.47%。因此，本文假設一年期貸款基準利率突然出現不同幅度的上升——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)，進而判斷2015年第3季度商業銀行不良貸款率的變化情況。

2.相關性壓力測試及結果分析

由于需要進行壓力測試的風險因子是宏觀經濟變量，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，通過相關性壓力測試方法考察商業銀行風險承受能力。首先，利用最小二乘法以一年期貸款基準利率為解釋變量分別對其余五個宏觀經濟變量做回歸分析，同時在此過程中引入滯后變量，根據解釋變量的顯著性水平及回歸模型的擬合優度調整一年期貸款基準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系。通過該計量過程，可以發現，一年期貸款基準利率(BIR)能夠很好地解釋固定資產投資完成額增速(FIG)和廣義貨幣供給量(M2)，而其余宏觀變量(國內生產總值、公共財政支出和宏觀經濟景氣指數)則可以通過自回歸得到2015年第3季度的預測值。表7列出了一年期貸款基準利率分別上升至9.5%(輕度)、11.5%(中度)、13.5%(重度)時各個宏觀經濟變量的估計值。

表7　不同壓力情境下各宏觀經濟變量估計值

表8　相關性壓力測試估計結果

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

從相關性壓力測試的結果可以看出，商業銀行總體的不良貸款率在一年期貸款基準利率為中度和重度壓力情景下上升較快，分別達到7.35%和14.78%，這種嚴重的不良貸款率的出現加大了商業銀行信用風險的發生概率，同時還會對金融系統的穩定性產生沖擊。

此外，三種不同股權結構的商業銀行在壓力測試中表現出了顯著差異。值得注意的是，國有商業銀行不良貸款率的變化幅度最為明顯，而這也進一步證實了貸款基準利率的變動對國有商業銀行不良貸款率的影響程度要高于股份制商業銀行和城市商業銀行，由貸款基準利率調整引發的信用風險事件在國有銀行體系內出現的概率更大。

四、結論與啟示

本文首先對可能引起中國商業銀行信用風險的宏觀經濟因素通過CPV模型進行了實證分析；其次，揭示出中國不同股權結構的商業銀行受到相同宏觀經濟變量影響時的信用風險差異；最后，采用相關性壓力測試方法，測算了在貸款基準利率出現極端波動情景下的國有商業銀行、股份制商業銀行和城市商業銀行的不良貸款率發生水平。具體結論如下：

第一，國內生產總值和宏觀經濟景氣指數、固定資產投資完成額增速和公共財政支出會對商業銀行不良貸款率產生反向影響作用，而廣義貨幣供應量的增加和貸款基準利率的提高會加劇商業銀行不良貸款率的發生。

第二，對于不同股權結構的商業銀行來說，與政府行為相關的指標(固定資產投資完成額增速與公共財政支出)的變動對國有商業銀行的影響程度大于股份制商業銀行和城市商業銀行，而直接反映宏觀經濟走勢的相關變量(國內生產總值與宏觀經濟景氣指數)的波動對國有商業銀行的影響較小，股份制商業銀行和城市商業銀行的敏感程度則更高。

第三，貸款基準利率的浮動對國有商業銀行不良貸款發生的影響最大，股份制商業銀行次之，而城市商業銀行最小。由于中國人民銀行已全面放開金融機構貸款利率管制，商業銀行可以根據貸款基準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，非國有商業銀行比國有商業銀行的上調幅度小，客戶所負擔的資金壓力也相應減少，從而降低了不良貸款發生的概率。

以上結果表明，中國國有商業銀行由于 “預算軟約束”的影響，容易受到政府意志和行為的干擾，從而會降低商業銀行對風險事件的抵抗能力*例如中國政府于2008年11月9日正式宣布推出的“4萬億”經濟刺激計劃，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)認為，這一行為直接導致國有銀行競爭度顯著下降，損害了銀行信貸的正常競爭，導致體系內部效率損失及風險的累積。。而股份制商業銀行和城市商業銀行囿于產品同質性較強，利潤增長過多依賴于信貸規模的擴張，在經濟下行周期，這很可能引起低水平信貸資產風險的暴露加劇，導致不良貸款率上升，信用風險逐漸累積。因此，健全商業銀行公司治理結構，多元化商業銀行盈利模式，適當增加商業銀行民營資產的注入，減少宏觀經濟政策對銀行信貸決策的干擾，提高其全面風險管理能力，是中國商業銀行持續發展及金融系統平穩運行的保障。

高杰英，杜正中. 2013. 中長期經濟背景下國際銀行信貸規模比較與實證[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銀行體系信用風險評估[J]. 數量經濟技術經濟研究(4):117-128.

李國棟. 2015. 基于Boone指數的中國銀行業貸款市場競爭度估計[J]. 數量經濟技術經濟研究(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銀行的貸款行為[J]. 經濟研究(12):72-85.

王連軍. 2011. 金融危機背景下政府干預與銀行信貸風險研究[J]. 財經研究(5):112-122.

祝繼高，饒品貴，鮑明明. 2012. 股權結構、信貸行為與銀行績效：基于我國城市商業銀行數據的實證研究[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，西安交通大學經濟與金融學院博士生。

國家社會科學基金項目“防范新形勢下的銀行信貸風險”(09BJY105)。

F832.4

A

1001-6260(2016)04-0085-10

李江(1962--)，男，湖南湘潭人，西安交通大學經濟與金融學院副教授，碩士生導師。

馮宗憲(1954--)，男，浙江寧波人，西安交通大學經濟與金融學院教授，博士生導師。

財貿研究2016.4