經濟新常態下商業銀行資產質量影響因素研究

夏佳佳，王守龍

(安徽商貿職業技術學院，安徽 蕪湖 241002)

近年來，商業銀行杠桿率持續上升，這一現象受到國家及社會的廣泛關注。2016年，習近平總書記提出“三去一降一補”為重點的供給側結構性改革政策。在新常態的經濟發展形式中，我國商業銀行面臨著機遇和挑戰。“三期疊加”期間，商業銀行的資產質量出現了逐年下降的勢頭，2018年我國商業銀行不良貸款率為1.89%[1]。不良貸款率作為衡量資產質量的重要指標，反映了商業銀行資產質量正在逐年下滑，提升商業銀行資產質量變得刻不容緩，稍有閃失將引發銀行系統性風險。因此，分析影響我國商業銀行資產質量的因素，提出提升資產質量的建議，對于打贏金融攻堅戰有著十分重要的意義。

一、文獻回顧及評述

目前國內外對商業銀行資產質量提升的研究主要集中在不良貸款的影響因素上。Leo Onyiriuba認為，企業拖延還貸款的時間是其本性所致，這往往會破壞銀行正常經營秩序，而銀行部分員工違規發放貸款，凸顯了銀行存在的系統性風險，且這些都將使不良貸款發生率大大上升，降低了商業銀行資產質量。[2]David Byrne 和Zivile Zekaite認為,歐洲貨幣政策對貸款利率有著非常重要的影響，實證顯示歐洲企業的融資組合嚴重依賴銀行信貸。[3]陳璐分析了經濟因素對不良貸款率的影響，實證結果顯示宏觀經濟因素對不良貸款影響遠大于其他因素，且選取了多個經濟變量，制定模型，實證分析，找到提升資產質量的方案。[4]許媛媛從發行地方債對于商業銀行資產質量的影響角度進行分析，指出只有完善地方債的發行制度才能合理地進行商業銀行資產配置，將地方債券的價格水平控制在合理范圍之內才可以提升商業銀行資產質量。[5]張玉婷選取了對不良貸款影響最大的經濟指標，構建回歸模型，實證分析結果表明，經濟新常態主要是以GDP等宏觀因素方式影響不良貸款率，且不良貸款率受經濟周期影響較大。[6]

從國內外的研究可以看出，多是選用不良貸款率衡量宏觀及微觀因素。資產質量的傳統評價指標主要有不良貸款率、資本充足率、撥備覆蓋率，而不良貸款率是衡量銀行資產質量最重要的指標。[7]受此啟發，本研究選用不良貸款率作為衡量銀行資產質量的變量，以2008年第一季度到2018年第三季度的季度數據構建VAR模型，將國內生產總值、廣義貨幣供應量、產能利用率、信貸規模、杠桿率、不良貸款率放在研究框架中，實證分析六個變量之間的動態關系，運用脈沖響應分析法分析每個變量的具體影響。

本研究充分考慮經濟新常態下的銀行質量的影響因素，將杠桿率這一內生指標引入模型作為內生變量，考察其對于銀行資產質量的影響。本研究以2016年實施“去杠桿”政策為時間節點，考察“去杠桿”政策是否讓經濟結構產生顯著變化，將時間分為兩個時間段考察經濟模型，描述國內生產總值、貨幣供應量、產能利用率、信貸規模、杠桿率對銀行資產質量的影響。

二、實證分析

本研究運用Stata 15軟件測算VAR模型中國內生產總值、廣義貨幣供應量、產能利用率、信貸規模、杠桿率水平與被解釋變量之間的關系。

(一)變量選擇及說明

1.國內生產總值(GDP)

GDP反映的是某個國家或地區經濟活動的綜合實力，主要用于衡量國內經濟狀況。GDP增長率高，表示該國家或地區經濟發展較為活躍，反之表明經濟發展較為遲緩。因此，本研究選取GDP作為衡量我國經濟狀況的指標。

2.廣義貨幣供應量(M2)

M2即M1加上居民儲蓄和企業定期儲蓄。它是央行用于調控金融市場的重要工具，它的增幅應當控制在一定范圍之內，它是中央銀行重要的貨幣政策操作目標。因此，本研究選擇M2來反映我國貨幣政策的執行。

3.產能利用率(CAP)

CAP是指實際產能和設計產能的比值，它用來反映企業生產產能和設計產能之間的比例關系。本研究選取CAP來衡量企業產能利用的情況，反映企業生產經營能力。[8]

4.信貸規模(CDIM)

參照現有研究成果，本研究選取商業銀行貸款余額反映企業信貸規模，是指一定時點上商業銀行信貸總余額，即總存量。[9]

5.杠桿率水平(LEV)

商業銀行與其他生產企業最大的區別在于商業銀行需要利用負債撬動資產業務從而獲得盈利，其核心資本遠遠小于資產規模，這就導致其杠桿率水平處于高位，隨之也提升了產生不良貸款的風險。杠桿率為權益資本與資產總負債表中總資產的比率，它在一定程度上反映了商業銀行的財務狀況。

6.不良貸款率(NPL)

NPL是指金融機構不良貸款占總貸款余額的比重，是評估銀行貸款質量的主要指標。因此，本研究選擇NPL作為衡量商業銀行資產質量的指標。[10]

(二)數據來源及處理

本研究選取2008年第一季度到2018年第三季度的43組季度數據作為樣本。國內生產總值、廣義貨幣供應量、產能利用率、信貸規模、杠桿率水平、不良貸款率數據分別來源于國家統計局、銀監會、中國人民銀行及Wind數據庫。其中，杠桿率水平是由中國銀行、農業銀行、交通銀行、江蘇銀行、南京銀行、北京銀行等26家上市商業銀行杠桿率加權平均計算得到季度數據，反映我國商業銀行杠桿率水平。

本研究選取的數據頻率為季度，為了使時間序列變化趨勢盡可能少受季節性因素(如天氣、行政、固定假日、移動假日等)變化的影響，本研究運用census X 12進行季節性調整。經過季節性調整后，時間序列已經沒有明顯的季節特征。

(三)VAR模型的建立

1.時間段的劃分

2008年，金融危機對全球影響較大，我國采取了“四萬億計劃”的經濟刺激政策，擴張的貨幣政策導致經濟加杠桿迅速，且范圍廣、力度大。2013年之后，金融行業由于受到經濟政策影響，杠桿率快速上升，這大大增加了金融系統性風險的概率，也使得商業銀行資產規模迅速擴張，資產質量較不穩定，杠桿率大大提升。2016年以來，央行開始實行審慎政策，銀監會開展了“三套利、四不當”等一系列去杠桿行動，金融行業進入了去杠桿階段，緊縮的經濟政策加速了商業銀行資產規模收縮，緩解了商業銀行資產質量快速下滑的情況。基于我國金融系統杠桿政策的轉變，本研究將時間段劃分為2008—2015年、2016—2018年，利用結構變動法觀察杠桿政策因素是否對商業銀行資產質量變化有影響。

對于時間序列而言，模型系數的穩定性很重要。本研究采取虛擬變量法進行基于杠桿政策調整帶來模型結構性變動檢驗，設定虛擬變量，變量定義如下：D在2016年取值為1，D在2008—2016年之間取值為0。得到2016年斷點F值為0.1，該檢驗P值為0.998，所以在1%顯著性水平上接受“沒有結構變動”的原假設，即中國的GDP、M2、CAP、CDIM、LEV、NPL在2016年沒有發生結構性變動，所以可以將時間段合并為2008—2018年。

2.單位根檢驗

VAR模型的前提條件為時間序列是平穩的，所以需要對數據序列的平穩性進行檢驗。[11]本研究選用單位根檢驗對樣本數據進行平穩性檢驗。為了有效降低樣本數據異方差，對樣本數據進行對數化處理。模型中六個內生變量的單位根檢驗結果表明：在5%的顯著性水平下，所有變量都接受存在單位根的原假設，證明樣本數據穩定性較低，但是在一階條件下，在5%的顯著性水平下拒絕原假設，所有變量單整過程均為I(1)過程。

3.構建VAR模型

根據信息準則，將VAR模型滯后階數確定為4階，以lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL六個內生變量構建模型，寫成公式(1)：

(1)

對四階向量自回歸模型進行檢驗估計，回歸結果見表1。

表1 VAR滯后階數檢驗估計結果

由表1可以看出所有特征值均小于1，即所有特征值均落在單位圓之內，滿足VAR模型平穩條件，所有特征值落于圓內，所以VAR系統是穩定的。

4.協整分析

由樣本數據單位根檢驗得知，lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL六個變量均為一階單整序列，且存在時間趨勢[12]，所以滿足協整檢驗的條件，可以進行協整檢驗。協整檢驗結果表明，存在三個線性無關的協整向量，而最大特征值檢驗也表明，在5%的水平上拒絕“協整秩為0”的原假設，所以協整秩為3，見表2和表3。

由表2和表3可知，lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL六個變量存在三個協整關系，由此可以看出lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL之間存在長期均衡關系。

表2 ln GDP、ln M2、ln CAP、ln CDIM、ln LEV、ln NPL

注：時間趨勢不變，樣本數量為38，樣本數據為2009年第二季度至2018年第三季度數據，階數為4

表3 ln GDP、ln M2、ln CAP、ln CDIM、ln LEV、ln NPL

注：時間趨勢不變，樣本數量為38，樣本數據為2009年第二季度至2018年第三季度數據，階數為4

5.格蘭杰因果檢驗

格蘭杰因果檢驗是為了確定變量之間動態相關關系，表明一個變量是否對另一變量有“預測能力”[13]。由于樣本數據為平穩時間序列，所以可以進行格蘭杰因果檢驗，檢驗結果見表4。

表4 格蘭杰因果檢驗結果

由表4可以看出，在5%的顯著性水平下，國內生產總值(lnGDP)、廣義貨幣供應量(lnM2)、產能利用率(lnCAP)、信貸規模(lnCDIM)、杠桿率(lnLEV)的概率值均小于0.05，說明這五個變量均是不良貸款率的格蘭杰原因，五大因素對不良貸款率的影響較為顯著。

6.脈沖響應分析

利用脈沖響應函數可以看出施加一個隨機誤差項且是標準差大小的沖擊，對內生變量的當前和未來的影響程度。五幅圖分別表示的是國內生產總值(lnGDP)、廣義貨幣供應量(lnM2)、產能利用率(lnCAP)、信貸規模(lnCDIM)、杠桿率(lnLEV)對不良貸款率沖擊的脈沖響應函數，滯后期選取為8期，見圖1。

圖1 脈沖響應函數分析結果

(1)國內生產總值對于不良貸款率的脈沖分析。國內生產總值對商業銀行不良貸款率的影響是負向的。原因如下：一方面，我國目前正處于數字金融的經濟新常態下，“互聯網+”的經濟模式滲透到了金融、物流等各個行業，“互聯網+”的行業迅速蓬勃發展帶來了我國經濟發展的良好形勢，經濟的發展為企業創造了更多的生產規模擴張機會，增加了企業對于資金的需求，企業的生產經營效率提升，不良貸款率下降。另一方面，互聯網金融的發展帶動了商業銀行開展互聯網和移動端的金融業務，部分機構選擇進軍商務領域，通過電子平臺為互聯網金融業務反向沉淀消費者數據，由此鞏固了對客戶的信用監管，降低了不良貸款率。因此，GDP的增加會導致商業銀行不良貸款率下降。

(2)廣義貨幣供應量對于不良貸款率的脈沖分析。M2對不良貸款率的影響由正向再轉變為長期負向影響。主要原因如下：從長期來看，寬松的貨幣政策帶來了低利率，投資和貸款得到擴張，企業在市場中得到的機會更多，發展空間更大，競爭使得優質企業存活，這些優質企業會在這種環境中利用融資支撐發展，形成良性循環，從而降低不良貸款率；而從短期來看(第1期)，在迅速擴張的時候，有些企業進行盲目投資，容易發生投資失敗，導致不良貸款率上升。

(3)產能利用率對于不良貸款率的脈沖分析。產能利用率對不良貸款率的影響是負向的。究其原因主要是2008年我國實行的“四萬億”貨幣政策導致后期的產能過剩、產能利用率過低、市場出現供大于求的局面，行業的營利能力大大降低，甚至很多企業出現虧損，難以維持企業生存，導致不良貸款出現。因此，產能利用率的提升將會導致不良貸款率下降。

(4)商業銀行貸款余額對于不良貸款率的脈沖分析。商業銀行貸款余額對不良貸款率短期內呈現正向影響。在經濟新常態下，擴張的貨幣政策增加了貸款數量，但是隨著競爭程度深入，很多企業無法承受風險，面臨倒閉和破產，從而提升了不良貸款率。長期看，隨著企業的優勝劣汰及自身的調整，優質企業被保留，新增貸款數量會使得不良貸款率降低，新增貸款余額增加會導致不良貸款率所占份額減少。因此，短期商業銀行貸款余額對不良貸款率是正向影響，長期商業銀行貸款余額對不良貸款率是負向影響。

(5)杠桿率對于不良貸款率的脈沖分析。杠桿率對不良貸款率的影響如下：短期看，銀行杠桿率水平的上升可以使得其風險偏好轉好，愿意接受的風險總量上升，這使得市場處于積極上升狀態，企業有更多的融資投入生產經營，在資金鏈正常運轉的時候企業更有機會獲得利潤，由此良性循環，杠桿率水平上升降低了企業不良貸款概率；但是長期看，商業銀行為了維持其利潤，將會提高杠桿率，收縮表內業務，降低貸款額度，已經發放過的企業貸款在面臨商業銀行的高杠桿續貸的時候，常常會出現資金鏈無法銜接，從而產生不良貸款的局面。

7.方差分解分析

VAR模型也可以用于預測，利用方差分解確定被解釋變量對解釋變量向前一期的影響程度，滯后期選為8期。從表5可以看出，向前做8個季度的預測，不良貸款率對其自身影響在第1期最高，為70%左右，隨后開始下降，即使在第8期也有53%的預測能力；而GDP對不良貸款率的貢獻率呈現下降的趨勢，最高貢獻率在48%左右，在第7期貢獻率最低，為20%左右；M2對不良貸款影響較為顯著，在第5期達到峰值82%左右，在后幾期保持著46%的貢獻率；CAP對不良貸款貢獻率影響效果不顯著，且呈現持續下降的趨勢，在后三期影響概率穩定在0.3%左右；CDIM的貢獻率在第4期達到峰值，為39%左右，后開始下降；LEV這一指標在第1期貢獻率最高，為56.295%，隨后逐年遞減，在最后一期穩定在8.02%水平上。以上方差分解分析結果和脈沖響應分析結果一致。因此，在所有指標中，應當關注不良貸款率對其自身的影響，以及國內生產總值、廣義貨幣供應量及杠桿率水平對其的影響。

表5 NPL方差分解分析

三、實證結論分析

本研究選取了2008年第一季度到2018年第三季度數據，利用VAR模型實證分析了新常態國內生產總值、廣義貨幣供應量、產能利用率、信貸規模、杠桿率對商業銀行資產質量的影響，選取不良貸款率作為衡量商業銀行資產質量的指標，得出以下結論： 第一，宏觀經濟因素中，GDP對不良貸款率影響為負；M2對不良貸款率的影響短期為正，長期為負。第二，企業經營因素中，企業的產能利用率對不良貸款率的影響長期為負。第三，銀行因素中，商業銀行貸款余額對不良貸款率的影響短期為正，長期為負；銀行杠桿率水平對不良貸款率的影響短期為負，長期為正。

四、提升商業銀行資產質量的建議

(一)把控全球宏觀經濟走勢，善用利率控制行業風險

首先，目前我國正處于中美貿易戰層層夾擊之中，金融市場和經濟形勢時刻變化，商業銀行應當對全球經濟走勢及時做出分析，跟蹤各項指標的動向，并及時制定應對策略，利用大數據算法根據現有數據預測未來經濟走勢，具有前瞻性地制定信貸政策。

其次，房地產行業是杠桿率水平較高的行業，其不良貸款的發生率較高，產能過剩行業由于目前還有潛在未被吸收的產能，也是不良貸款率高發行業，商業銀行可以通過利率水平的調整，轉變信貸導向，嚴控高風險行業的利率管理，從源頭治理，調整利率政策，控制行業風險。

(二)維持適度杠桿率水平，引導銀企合作健康發展

商業銀行利用負債撬動貸款的業務模式導致銀行成為高杠桿行業，然而過高的杠桿率水平將使得企業因為難以承受財務成本無法取得融資，影響企業發展，降低企業貸款意愿，增加風險發生概率，而過低的杠桿率水平將使得商業銀行贏利水平降低，降低其放貸意愿，增加信貸風險。因此，商業銀行應當制定合理的杠桿率水平，創建銀企合作的健康環境。

(三)建立全方位貸前貸中貸后審核、監督機制

為了提升商業銀行資產質量，降低不良貸款發生率，商業銀行應當利用大數據，讓借款主體的信用信息在平臺共享，貸前了解借款主體信息，避免一些信用老賴“騙貸”情形的發生。在貸中和貸后都要做好對借款主體的監督，定期查看企業的財務資料，實地考察企業生產運轉狀況，積極做好貸后管理工作，防范企業發生失信行為。

(四)利用互聯網技術收集更多有效數據，創新信用管理模式

商業銀行可以利用信息平臺挖掘更多優質客戶，此外還可以購買信息技術或者收購互聯網金融公司，讓銀行兼具信息收集和風控職能。信息技術的發展降低了與客戶溝通和業務辦理的成本，利用技術的力量可以為風控系統保駕護航，從多角度創新風控的方式和信用管理模式，更加全面地進行信用管理，有效降低不良貸款發生率。