上市銀行不良貸款研究——基于面板數據模型

文/龍思思

?

上市銀行不良貸款研究——基于面板數據模型

文/龍思思

上海大學

近年來，中國宏觀經濟形勢下行、房地產剛性泡沫、利率市場化和社會杠桿率大，眾多商業銀行的不良貸款率又呈現回升趨勢。首先，本文介紹了不良貸款，再而通過對上市銀行的現狀分析，選取了制造業采購經理人指數PMI、廣義M2增長率、凈利差和銀行撥備覆蓋率作為解釋變量進行實證分析。分析結果表明，除制造業采購經理人指數PMI對上市銀行不良貸款率不產生顯著性影響，其他解釋變量皆與不良貸款率呈負相關關系且顯著，即廣義M2增長率越大、凈利差越大和銀行撥備覆蓋率越大，銀行的不良貸款率就越低，反之越高。最后，在理論和實證分析的基礎上，結合當代經濟形勢和金融背景，從存量化解和風險防范的角度提出解決措施。

不良貸款率；固定效應面板模型；不良資產證券化

1 緒論

盡管中國各銀行的不良貸款被政府一直高度重視,但是從目前來看，不良貸款的問題依然是值得我們高度重視的。尤其是近幾年，經濟形勢下行，鋼鐵、紡織和有色金屬等眾多行業的過剩產能，制造業低迷，都在一定程度上使我國銀行的不良貸款出現新的“回升”。截至2015年末,商業銀行不良貸款問題依然十分顯目,尤其是農業銀行不良貸款問題尤其突出。

不良貸款的現狀和所處的宏觀環境與以往相比較而言，其現狀更為嚴重，所處宏觀環境更為復雜。經濟形勢下行、行業過剩產能、房地產泡沫、制造業低迷、利率市場化、國企改革和社會、企業、政府去杠桿等宏觀復雜經濟環境。

表1 變量的屬性

變量符號變量名稱頻率單位數據來源更新時間屬性 BLR不良貸款率年%WIND2017/3/8被解釋變量 PMI制造業采購經理人指數年%WIND2017/3/8解釋變量 GPCR對數撥備覆蓋率年%WIND2017/3/8解釋變量 NIM凈利差年%WIND2017/3/8解釋變量 M2M2年度增長率年%WIND2017/3/8解釋變量

2 我國上市銀行不良貸款現狀分析

本文選擇其中18家上市銀行為樣本，以行業分類的方式對上市銀行貸款結構進行分析。發現我國銀行貸款主要集中于制造業，其次是交通運輸、倉儲和郵政業行業以及房地產業

并且基本了解到，我國股份制商業銀行的不良貸款從規模和比率上均低于我國五大行；我國上市銀行的貸款主要分布于制造業，其次是交通運輸、倉儲和郵政業和房地產業。

3 實證分析

本文數據主要來源于WIND金融客戶端，基于數據的可得性和可比性，本文選取近8年的年度數據進行一個實證分析。為了驗證各種宏觀因素與微觀因素對不良貸款率的關系與影響程度，本文選取面板模型來進行實證分析，分析各變量對不良貸款的影響關系。

不良貸款率:不良貸款率=不良貸款/總貸款

制造業采購經理人指數：PMI是一項比較全面的經濟指標，代表了就業、制造業整體狀況及物價表現，在全球是最受關注的經濟變量之一。如果指數低于50%，特別是非常接近40%時，則會有經濟蕭條的憂慮。一般在40~50之間的時候，說明制造業正處于衰退，但是整體經濟還是在擴張。

廣義貨幣M2年度增長率：廣義貨幣M2年度增長率=本期M2貨幣總量/上年M2貨幣總量

對數撥備覆蓋率：對數撥備覆蓋率=ln(撥備覆蓋率)，撥備覆蓋率=(一般準備+專項準備+特種準備)/(次級類貸款+可疑類貸款+損失類貸款)×100%

凈利差：凈利差=生息率-付息率

建立面板模型：

BLRi,t=αi+β1iPMIt+β2iM2t+β3iGPCRi,t+β4iNIMi,t+εi,t

(i=其中i=1,2,3...N,i表示研究銀行的樣本數，t=1,2...T表示年度數，εi,t為隨機誤差)

3.1 描述性統計

我國上市銀行的不良貸款率近8年來平均為1.38%，更有銀行不良貸款率達到23.57%。上市銀行的凈利差在近8年平均為2.56%，最小為1.38%，最大為4.49%，各大銀行凈利差相差較大；對數撥備覆蓋率平均為5.42%，最小為3.98%，最大為6.42%；PMI平均為51.30%，最小為49.91%，最大達到53.76%；廣義M2增長率平均為16.55%，最小為12.32%，最大為26.50%，近年來M2增長速度不斷放緩。

3.2 平穩性檢驗

（1）首先對被解釋變量不良貸款率進行單位根檢驗，被解釋變量t統計值的概率小于0.05，拒絕原假設，被解釋變量水平平穩。（2）對解釋變量凈利差進行單位根檢驗，凈利差t值概率小于0.05，拒絕原假設，凈利差變量水平平穩。（3）對解釋變量對數撥備覆蓋率進行單位根檢驗，對數撥備覆蓋率t值概率小于0.05，拒絕原假設，對數撥備覆蓋率變量水平平穩。（4）對解釋變量制造業采購經理人指數進行單位根檢驗，制造業采購經理人指數t值概率小于0.05，拒絕原假設，制造業經理人指數變量水平平穩。（5）對解釋變量廣義M2增長率進行單位根檢驗，M2增長率的t值概率小于0.05，拒絕原假設，廣義M2增長率水平平穩。解釋變量和被解釋變量皆水平平穩，無需進一步做協整檢驗，則繼續進行后面的模型選擇。

3.3 模型選擇

1）首先判斷面板模型是固定效應模型還是混合模型，采用F檢驗的方法。如下圖所示，原假設假定模型為混合模型，而F檢驗值概率小于0.05，故拒絕原假設，該模型為固定效應模型。

2）判斷模型是固定效應還是隨機效應，采用豪斯曼檢驗法。如下圖所示，原假設假定模型為隨機效應，檢驗的概率小于0.05，拒絕原假設，模型為固定效應模型。

綜合以上檢驗，我們接下來建立固定效應面板模型。

3.4 模型估計

建立固定效應面板模型，進行回歸， F統計值概率為2.9889e-05，說明模型顯著。除了PMI（制造業采購經理人指數）其他解釋變量的t統計值的均小于0.05，系數顯著，并且各變量的估計系數都為負數，說明對被解釋變量存在負相關關系。

3.5 實證結論

通過F檢驗和豪斯曼檢驗，本文建立固定效應面板模型。固定效應面板模型估計結果顯示，各解釋變量對被解釋變量皆存在負相關關系，除了PMI變量不顯著外，其他皆顯著，與我們前面的理論分析的結果基本一致。PMI系數不顯著可能是因為各大上市銀行貸款最大的行業并不都是制造業，前文在分析銀行貸款的行業分布的時候，發現絕大多數銀行貸款規模最大的為制造業，但是也有一部分銀行貸款規模最大的并非是制造業，而是礦業等其他行業，故PMI對不良貸款率沒有顯著的負相關關系也是具有一定道理的。其他解釋變量對解釋變量相關關系為負且顯著，凈利差越大，銀行盈利能力越強，內部風險管控標準相應更加嚴格，不良貸款率相應變低；每增加1%的凈利差，貸款不良率降低1.76%。撥備覆蓋率越大，對銀行的貸款的覆蓋程度越強，防范貸款不良化的效果更明顯；每增加對數撥備覆蓋率的1%，銀行貸款不良率降低1.36%。廣義貨幣M2增長率越大，銀行信貸供給越大，企業貸款利率相對較低，負債壓力減少，盈利能力增強，更具有一定的能力保障其償還貸款，從而降低銀行不良貸款率；M2增長率每增加1%，銀行不良貸款率降低0.17%。銀行應該更加完善風險預警、風險評估和風險防范機制，在合理的范圍內擴大其表外業務，增加其盈利能力。

4 措施與建議

1、三大存量化解措施。可以通過債轉股（銀行主導型市場化債轉股模式）、不良資產證券化（多方合作共贏應最優模式）以及在銀行內部打造專業化的信貸風險管理團隊等措施來化解存量不良貸款問題。

2、三大防范措施。從銀行內部角度：建立前瞻性的主動信貸風險管理系統。其次，積極開展中間業務，提升自身盈利水平。最后，從銀行外部角度：優化不良貸款宏觀環境。

[1]Rajan R,Sarat C.Dhal. Nonperforming loans and terms of credit of public sector banks in india :an empirical assessment[J],occasional paper ,2003.

[2]李松青.國有銀行信貸風險管理研究.2005

[3]閻炯智.我國商業銀行不良資產證券化研究.2010

龍思思（1994-）女，湖南衡陽人，上海大學2016級金融專業碩士研究生，研究方向：金融。