資產證券化對銀行動機扭曲影響的實證分析

張曉嵐，楊 默

（西安交通大學 經濟與金融學院，西安 710061）

0 引言

我國資產證券化起步較晚，而且品種單一，產品主要集中在信貸資產證券化方面。但近來年得到快速的發展，目前已有的交易數據，不管在數量上還是質量上，均可以展開一定程度上的實證研究[1,2]。有關資產證券化的實證研究進展較快。巴曙松（2013）[3]和李佳（2015）[4]實證研究了商業銀行資產證券化業務開展，能否降低成本，增加利潤，提高銀行的抗風險能力。高保中（2010）[5]和郭桂霞（2014）[6]利用商業銀行的財務數據來研究資產證券化對于銀行個體以及對銀行系統風險傳染的沖擊影響，不過定性描述過多，定量研究不足。倪志凌（2011）[7]對資產證券化影響銀行風險傳染途徑進行了深入研究，推斷出資產證券化提高了銀行資產流動性是銀行系統風險傳染的一個重要途徑。從已有的文獻來看，國內深入的實證研究較少，多數也只是利用國外的數據?；诖耍疚牟捎脟鴥壬虡I銀行數據，從流動性視角構建面板數據模型，來探討資產證券化對銀行動機扭曲的影響。

1 模型構建與變量選取

1.1 模型構建

由于樣本數據的特點，本文采用面板數據模型進行分析。面板數據模型通常可以表示為：

式（1）中，αi表示第i個個體的截距項，βi為解釋變量Xit的系數，uit是動態隨機誤差項，滿足正態分布。K為解釋變量的個數。選擇不同αi和βi值，模型可以分為三種不同類型：

（1）無個體影響的不變系數模型。即αi=αj和βi=βj同時得到滿足。

（2）變截距模型。即是αi≠αj并且βi=βj。

（3）變系數模型。即滿足αi≠αj并且βi≠βj。滿足這一條件的模型稱之為變系數模型或無約束模型。

1.2 變量選取

（1）被解釋變量。本文選擇商業銀行的風險承受水平為被解釋變量。根據已有文獻分析，可用銀行風險調整資產占總資產的比率來測度風險承受水平[8]，這一指標簡寫為RB。

（2）解釋變量。本文考察銀行資產證券化會對銀行的風險承擔水平產生怎樣的影響，因此選取流動資產比率、證券化貸款比率、資產支持證券的利差這三個變量作為解釋變量，分別簡寫為LIAR、SLR和ILLI。

（3）控制變量。對控制變量的選擇，本文采用了可決系數決定法。通過處理，選取風險資本比率和壞賬費用比率為控制變量，分別簡寫為RCR、ALR。

根據以上分析，對式（1）展開并具體化，相應方程的表達式為：

隨機效應估計模型：

固定效應估計模型：

混合二乘估計模型：

在三種模型方程中，各變量的下標i表示不同的商業銀行，各變量下標t代表時間，時間長度為季度。μi是滿足任意分布的動態隨機變量，ci是常數項，uit是殘差項，滿足動態分布。

2 實證分析

2.1 樣本數據的選擇與處理

本文選取的樣本主要是國內商業銀行季度資產證券化數據和銀行季度財務數據，數據來源于Wind資訊。選取樣本數據的時間跨度為2010年1季度到2015年2季度。文中對季度數據進行了適當的處理，從中剔除了季度數據嚴重缺失的公司，以及在樣本期間證券化程度太低的公司，最后梳理得到了46家銀行控股公司的完整季度財務數據。

目前，在造紙工藝中所選擇的纖維素原料類型較多，包括雜草纖維如龍須草、荻、葦，農業秸稈纖維如玉米稈、棉稈[6]等，也有采用麻類[7-9]、木材、廢紙等纖維素原料[10-11]。不同類型的纖維直接影響最終產品的性能和價格，如草纖維和農業秸稈纖維，不但來源豐富而且價格便宜，但是纖維強度較低，不利于提高增強紙地膜的機械強度，不利于機械化操作。麻類纖維的纖維長度和強度均好于普通秸稈纖維，但是原材料來源和成本是限制其推廣應用的基本因素。

在建立面板數據模型之前，為了避免出現偽回歸，首先對數據進行面板數據單位根檢驗。通過逐一對總體樣本進行單位根檢驗，從分析的結果來看，在1%的置信水平上，被解釋變量、解釋變量和控制變量拒絕了存在單位根的假設，選擇變量滿足回歸模型要求的平穩性條件。

本文將總體樣本按資產規模分為兩個子樣本，一是資產規模較大，包括23家銀行；二是資產規模較小，包括23家銀行。從兩個子樣本的檢驗結果分析，絕大多數變量在1%的置信水平下是平穩的，所有變量在10%的置信水平下都是平穩的，因此可以假定子樣本的所有變量也都是平穩的。分析結果由于篇幅所限不再贅述。

2.2 總體樣本的實證結果及分析

由于面板模型的特點，在實證之前需要對數據進行分析，判斷是否滿足模型的要求。表1是對相關變量進行描述性統計分析的結果。表2是采用三種面板模型擬合的結果。

表1 樣本數據統計

本文在選擇模型之前，首先使用了假設檢驗Redundant Fixed Effect和Hausman進行檢驗。Hausman隨機效應檢驗結果顯著，概率p取值為1，也就表明隨機效應模型相對于固定效應模型更適用，Redundant固定效應檢驗的p值為0。證券化貸款比率（SLR值）的擬合估計系數為0.018883，正相關，和預期基本一致。流動資產比率（LIAR值）對被解釋變量的擬合系數為-0.701092，LIAR的擬合系數為負，負相關，并在1%的置信水平上顯著，說明證券化造成了經營資產流動性增強，在擬合模型中LIAR值降低。在本文的擬合模型中，LIAR代表的是流動資產比率，是用來測度開展資產證券化業務后，商業銀行資產流動性的變化情況，SLR代表的是證券化貸款比率，是用來測度商業銀行開展證券化業務后，銀行的各類風險（主要是信用風險）轉移出去的程度，轉移成本是否下降。

2.3 子樣本的實證結果及分析

將46家銀行控股公司的總體樣本按照其資產規模，分為資產規模較大的23家銀行控股公司和資產規模較小的23家銀行控股公司兩個子樣本。本文在表3中列出了資產規模較大的公司相關分析變量的描述性統計。表4中列出了資產規模靠后的銀行控股公司相關分析變量的描述性統計。下頁表5和表6分別是采用資產規模較大的銀行控股公司子樣本數據，以及資產規模較小的銀行控股公司子樣本數據，采用三種面板數據模型擬合的結果。

表2 總樣本數據的擬合統計

表3 資產規模較大的銀行相關變量的統計分析

表4 資產規模較小的銀行相關變量的統計分析

從表5可以看出，Redundant固定效應檢驗的結果顯著，概率值p取0，說明對樣本數據來說，固定效應模型更適合。Hausman隨機效應檢驗的結果也顯著，概率值p取0，和Redundant固定效應檢驗的結果相同，也就是固定效應模型更適用，因此文中以固定效應模型分析為主。SLR的擬合系數為0.01291，并在5%的置信水平上顯著，進一步發現其符號為正。LIAR的擬合系數為-0.6101，符號為負，并在1%的置信水平上顯著，與預期基本吻合。另外也可以看出，代表市場流動性狀況（ILLI）的回歸系數為0.000152，結果并不顯著，這說明對于資產規模較大的銀行而言，銀行行為動機受市場流動性的總體狀況影響不大，主要還是根據銀行自身的情況合理地調整風險承擔水平。

表5 資產規模較大的銀行相關變量的擬合統計

表6 資產規模較小的銀行相關變量的擬合統計

從表6可以看出，Redundant固定效應檢驗的p值為0，Hausman隨機效應檢驗的p值為0.0146，固定效應模型更適用。證券化貸款比率（SLR）的擬合結果在1%的置信水平顯著，擬合系數為0.211882。LIAR的擬合結果在1%的置信水平上也顯著，擬合系數為-0.69371，呈負相關。和資產規模較大的銀行的回歸結果相比，LIAR的回歸系數絕對值較大，說明商業銀行開展資產證券化業務后，資產流動性將會增強，這會導致規模較小的銀行增加更大的風險承受水平。另外，ILLI的擬合系數為負，并在1%置信水平上顯著，這和預期也基本吻合。說明對于資產規模較小的銀行來說，證券化市場的總體狀況較為顯著地影響其行為動機，證券化資產在市場上越容易出售，資產規模較小的銀行的風險承擔水平就會越高。

綜合分析發現，不管商業銀行資產規模是大是小，銀行從事證券化后，其風險承擔水平都會受到影響，影響路徑通常有兩種：一是資產證券化提高經營資產的流動性，降低轉移成本，進而對銀行風險承受水平產生影響；二是商業銀行信用風險進行轉移可以通過資產證券化業務來實現，進而會影響銀行風險承受水平。表6的分析結果表明，SLR對被解釋變量的回歸系數的絕對值較小，LIAR對被解釋變量的回歸系數的絕對值最大，ILLI對被解釋變量的回歸系數的絕對值最小。這表明銀行的資產證券化主要是通過改變銀行資產流動性來影響銀行風險承受水平。

3 結論

本文從商業銀行風險承受水平的視角，探討資產證券化業務對銀行動機扭曲的影響，結果表明：

（1）商業銀行開展資產證券化業務會扭曲銀行的行為動機，進而給銀行個體經營造成負面影響。主要有兩條路徑造成銀行行為的動機扭曲：一是證券化轉移了銀行風險；二是證券化提高了資產的流動性。文中實證表明資產證券化是通過提高了資產的流動性，造成了銀行行為的動機扭曲。盡管通過第一條途徑也會對銀行的行為動機造成影響，但是影響甚微。

（2）商業銀行開展資產證券化業務，增強了銀行資產的流動性，造成了銀行的動機扭曲。通過限制風險轉移，增加風險敞口，來解決銀行的動機扭曲問題是困難的。