經(jīng)濟(jì)新常態(tài)下商業(yè)銀行不良貸款影響因素研究

夏佳佳

摘? 要：目前我國正處于“三期疊加”的復(fù)雜時(shí)期，經(jīng)濟(jì)新常態(tài)下金融去杠桿取得了一定的成效，但商業(yè)銀行不良貸款率自2015年以來一直呈現(xiàn)持續(xù)上升態(tài)勢(shì)。實(shí)證結(jié)果顯示：商業(yè)銀行自身互聯(lián)網(wǎng)化程度、信貸余額及國內(nèi)生產(chǎn)總值對(duì)不良貸款率呈現(xiàn)負(fù)相關(guān)影響，成本收入比及杠桿率水平對(duì)不良貸款率呈現(xiàn)正相關(guān)影響。因此，商業(yè)銀行應(yīng)當(dāng)大力發(fā)展數(shù)字科技，擴(kuò)大信貸規(guī)模，利用技術(shù)優(yōu)勢(shì)縮減成本，制定適度杠桿率水平，有效降低不良貸款率從而提升商業(yè)銀行資產(chǎn)質(zhì)量。

關(guān)鍵詞：不良貸款率;多元線性回歸;互聯(lián)網(wǎng)化程度;杠桿率;商業(yè)銀行

中圖分類號(hào)：F830.33? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? 文章編號(hào)：1671-9255（2020）02-0040-04

一、引言

商業(yè)銀行不良貸款主要是指商業(yè)銀行以償付利息的方式出讓資金，但是資金使用者未能按時(shí)償還本金及利息。根據(jù)貸款五級(jí)分類理論，銀行通常將貸款分為正常貸款、關(guān)注貸款、次級(jí)貸款、可疑貸款和損失貸款，不良貸款主要指次級(jí)貸款、可疑貸款和損失貸款。截至2019年年末，我國商業(yè)銀行不良貸款率達(dá)到了1.86%，為2012年以來的最高水平。目前，我國正處于“三期疊加”的期間，經(jīng)濟(jì)也正步入新常態(tài)發(fā)展，商業(yè)銀行不良貸款將直接影響商業(yè)銀行經(jīng)營狀況，不良貸款率越高，銀行經(jīng)營效率就越低，經(jīng)營能力就越差，甚至?xí)硎袌?chǎng)經(jīng)濟(jì)倒退。因此，分析不良貸款影響因素并提出對(duì)降低不良貸款率的有效建議，對(duì)于商業(yè)銀行提升資本效率及促進(jìn)市場(chǎng)經(jīng)濟(jì)發(fā)展有著十分重要的意義。

二、文獻(xiàn)綜述

國內(nèi)外學(xué)者對(duì)于商業(yè)銀行不良貸款的影響因素陸續(xù)進(jìn)行了深入的研究。崔傅成（2018）構(gòu)建VAR模型，通過脈沖響應(yīng)和方差分解方法分析了經(jīng)濟(jì)增長(zhǎng)、貨幣政策、信貸總量、企業(yè)經(jīng)營狀況及不良貸款之間的動(dòng)態(tài)關(guān)系。結(jié)果顯示：經(jīng)濟(jì)增長(zhǎng)和貨幣政策與不良貸款率呈短期負(fù)相關(guān)，而信貸總量和企業(yè)經(jīng)營狀況與不良貸款率呈長(zhǎng)期負(fù)相關(guān)。[1]高藝（2018）利用2014—2017年樣本數(shù)據(jù)建立不良貸款率原值項(xiàng)、波動(dòng)項(xiàng)和GDP增長(zhǎng)率的VAR模型，得到不良貸款率對(duì)于經(jīng)濟(jì)波動(dòng)的影響。結(jié)果表明：經(jīng)濟(jì)波動(dòng)對(duì)于不良貸款率的影響隨著時(shí)間推移減小，且不良貸款率對(duì)經(jīng)濟(jì)波動(dòng)具有反饋?zhàn)饔谩2]金欣雪（2018）采用因子分析及線性回歸模型對(duì)商業(yè)銀行不良貸款因素進(jìn)行分析，研究表明：經(jīng)濟(jì)總量、經(jīng)濟(jì)效益、貿(mào)易發(fā)展及投資發(fā)展均與不良貸款呈負(fù)相關(guān)。[3]孫明哲（2020）采用2008—2017年面板數(shù)據(jù)分析方法建立面板分析模型進(jìn)行多元回歸，結(jié)果表明，失業(yè)率越高則商業(yè)銀行不良貸款率越高，通貨膨脹率越高則商業(yè)銀行不良貸款率越高，而銀行資本越大則商業(yè)銀行不良貸款考慮越低，GDP增長(zhǎng)率越快則商業(yè)銀行不良貸款率越低。[4]

從先前學(xué)者的研究中可以看出，大部分學(xué)者均由宏觀及微觀因素出發(fā)研究不良貸款率的形成原因，宏觀指標(biāo)包括GDP、貨幣供應(yīng)量等，微觀指標(biāo)包括銀行信貸總量、企業(yè)經(jīng)營效益等。隨著我國金融資產(chǎn)泡沫增大，2016年監(jiān)管部門提出“金融去杠桿”相關(guān)政策，雖然已經(jīng)取得一定的成效，但是杠桿率仍為我國商業(yè)銀行系統(tǒng)風(fēng)險(xiǎn)中重要的影響因素。此外，隨著互聯(lián)網(wǎng)金融的迅速崛起，互聯(lián)網(wǎng)技術(shù)的發(fā)展特別是商業(yè)銀行互聯(lián)網(wǎng)技術(shù)的發(fā)展對(duì)于商業(yè)銀行經(jīng)營效益和盈利能力產(chǎn)生了重要的影響。因此，結(jié)合現(xiàn)有研究成果，本文引入商業(yè)銀行互聯(lián)網(wǎng)化程度、杠桿率這兩個(gè)指標(biāo)構(gòu)建多元回歸模型，實(shí)證分析商業(yè)銀行不良貸款率影響因素。[5]

本文創(chuàng)新點(diǎn)包括以下方面：第一，充分考慮數(shù)字技術(shù)對(duì)于商業(yè)銀行經(jīng)營效益的影響，在模型中引入互聯(lián)網(wǎng)化程度這一指標(biāo)考察“經(jīng)濟(jì)新常態(tài)下”數(shù)字技術(shù)的發(fā)展對(duì)于不良貸款率的影響;第二，以2016年實(shí)施“去杠桿”政策為時(shí)間節(jié)點(diǎn)，考察去杠桿政策是否對(duì)不良貸款率產(chǎn)生結(jié)構(gòu)性影響，全面地考察被解釋變量與解釋變量之間的關(guān)系。

三、理論分析

（一）變量選擇

商業(yè)銀行互聯(lián)網(wǎng)化水平（IOC）指商業(yè)銀行利用信息技術(shù)實(shí)現(xiàn)自我互聯(lián)網(wǎng)化的程度，可以用商業(yè)銀行網(wǎng)上銀行業(yè)務(wù)交易額與銀行總資產(chǎn)規(guī)模比值表示，該比值越大表明商業(yè)銀行互聯(lián)網(wǎng)化水平越高，反之，越低。

成本收入比（CIR）指獲得每單位營業(yè)收入需要付出的成本，用商業(yè)銀行營業(yè)成本與營業(yè)凈收入比值表示，該比值越高說明成本占比越大，反之越小。

杠桿率（LEV）指用于反映商業(yè)銀行財(cái)務(wù)狀況和償債能力指標(biāo)。杠桿率過高，則金融機(jī)構(gòu)資金將由實(shí)體經(jīng)濟(jì)流向虛擬經(jīng)濟(jì)，使得企業(yè)負(fù)債累累，阻礙實(shí)體經(jīng)濟(jì)發(fā)展，增加了不良貸款發(fā)生的概率。[6]

信貸余額（CDM）指用于反映商業(yè)銀行某一時(shí)點(diǎn)貸款余額，從數(shù)理角度來看，信貸余額上升則商業(yè)銀行貸款數(shù)量上升，不良貸款被稀釋，則不良貸款率下降。[7]

國內(nèi)生產(chǎn)總值（GDP）指用于衡量國民經(jīng)濟(jì)狀況，GDP增長(zhǎng)率越高則該地區(qū)經(jīng)濟(jì)發(fā)展較快，反之則表明經(jīng)濟(jì)發(fā)展較慢。經(jīng)濟(jì)增長(zhǎng)越快，帶來了社會(huì)需求擴(kuò)大，投資者投資機(jī)會(huì)增多，社會(huì)生產(chǎn)經(jīng)營受到正向影響，商業(yè)銀行不良貸款率也將遞減。

不良貸款率（NPL）指用于衡量商業(yè)銀行資產(chǎn)質(zhì)量的指標(biāo)，不良貸款率越大則商業(yè)銀行資產(chǎn)質(zhì)量越低，不良貸款率越小則商業(yè)銀行資產(chǎn)質(zhì)量越高。

（二）模型設(shè)定

綜合現(xiàn)有研究，本文設(shè)定商業(yè)銀行互聯(lián)網(wǎng)化水平、成本收入比、杠桿率、信貸余額及國內(nèi)生產(chǎn)總值為解釋變量，不良貸款率為被解釋變量，構(gòu)建一個(gè)多元線性回歸模型，如下：

其中，X1為商業(yè)銀行互聯(lián)網(wǎng)化程度，X 2為成本收入比，X 3為杠桿率，X4為信貸余額，X 5為國內(nèi)生產(chǎn)總值，Y為不良貸款率。

四、實(shí)證分析

（一）數(shù)據(jù)來源

選取2008—2019年48組季度數(shù)據(jù)作為樣本，其中，商業(yè)銀行互聯(lián)網(wǎng)化水平、成本收入比、杠桿率、信貸余額、國內(nèi)生產(chǎn)總值、不良貸款率數(shù)據(jù)分別來源于國家統(tǒng)計(jì)局、銀監(jiān)會(huì)、中國人民銀行及Wind數(shù)據(jù)庫。杠桿率是選取我國30家上市商業(yè)銀行杠桿率并按照時(shí)間取其加權(quán)平均中位數(shù)得到，代表我國商業(yè)銀行杠桿率水平。

（二）時(shí)間段的劃分

為了降低高杠桿率給金融系統(tǒng)帶來的負(fù)面影響，自2016年起，銀監(jiān)會(huì)開展了“三套利、四不當(dāng)”等系列去杠桿行動(dòng)，宣告了我國金融行業(yè)正式進(jìn)入去杠桿階段。在此過程中，商業(yè)銀行資產(chǎn)質(zhì)量下降，不良貸款率有所攀升。基于目前的政策轉(zhuǎn)變，本文將時(shí)間段劃分為2008—2015年和2016—2019年兩部分，利用結(jié)構(gòu)變動(dòng)法考察去杠桿政策是否對(duì)商業(yè)銀行不良貸款率的變化有影響。

對(duì)于時(shí)間序列而言，模型系數(shù)的穩(wěn)定性很重要。本文采取虛擬變量法進(jìn)行基于杠桿政策調(diào)整帶來模型結(jié)構(gòu)變動(dòng)的檢驗(yàn)，設(shè)定虛擬變量，變量定義如下：D在2016年之后取值為1，D在2008—2016年之間取值為0。得到2016年斷點(diǎn)F值0.097，該檢驗(yàn)P值為0.988，所以在1%顯著性水平上接受“沒有結(jié)構(gòu)變動(dòng)”的原假設(shè)，即中國的IOC、CIR、LEV、CDM、GDP、NPL在2016年沒有發(fā)生了結(jié)構(gòu)變動(dòng)，因此可以將時(shí)間段合并為2008—2019年。

（三）統(tǒng)計(jì)分析

1.變化趨勢(shì)分析

從2008—2019年季度數(shù)據(jù)可以發(fā)現(xiàn)，商業(yè)銀行不良貸款率在2008年第一季度處于頂峰，在2008年第三季度明顯回落，但從2015年第一季度開始又有小幅上升，直至2019年第四季度仍呈現(xiàn)上升趨勢(shì)，如圖1。

2.描述性統(tǒng)計(jì)分析

數(shù)值描述性統(tǒng)計(jì)分析是由數(shù)據(jù)集計(jì)算得到數(shù)值，并通過分析變量發(fā)現(xiàn)其內(nèi)生性規(guī)律以及數(shù)據(jù)的總體分布形態(tài)，從而更好地分析變量特征。由表1可以發(fā)現(xiàn)，商業(yè)銀行不良貸款率均值為1.71，該值遠(yuǎn)低于5%的監(jiān)管標(biāo)準(zhǔn)，說明我國商業(yè)銀行資產(chǎn)質(zhì)量較為穩(wěn)定。極值分別為0.9和5.78，極值之間相差較大，說明通過金融改革政策實(shí)施，較2008年峰值不良貸款率有了顯著的下降。

（四）相關(guān)性分析

首先，由表2所有變量相關(guān)性分析結(jié)果發(fā)現(xiàn)各變量之間多重共線性問題及變量之間關(guān)系，從變量之間相關(guān)系數(shù)來看，變量之間并未出現(xiàn)嚴(yán)重的共線性問題，因此，可以利用多元線性回歸方式分析變量之間關(guān)系。[8]其次，從表中結(jié)果可以看出，商業(yè)銀行自身互聯(lián)網(wǎng)化程度與不良貸款率之間呈顯著負(fù)相關(guān)，成本收入比與不良貸款呈正相關(guān)，杠桿率與不良貸款率之間呈顯著正相關(guān)，貸款余額與不良貸款率之間呈負(fù)相關(guān)，國內(nèi)生產(chǎn)總值與不良貸款率呈顯著負(fù)相關(guān)。

（五）回歸分析

從表3回歸分析結(jié)果可以看出，商業(yè)銀行互聯(lián)網(wǎng)化程度與不良貸款率之間在1%的顯著性水平下回歸系數(shù)為-0.588，表明商業(yè)銀行互聯(lián)網(wǎng)化的發(fā)展有效降低了不良貸款率。一方面，商業(yè)銀行互聯(lián)網(wǎng)技術(shù)的發(fā)展拓寬了商業(yè)銀行業(yè)務(wù)渠道，并通過技術(shù)管控風(fēng)險(xiǎn)提升了風(fēng)險(xiǎn)管理能力，另一方面，互聯(lián)網(wǎng)技術(shù)的發(fā)展帶來了征信手段的增多，一定程度上降低了“老賴”的產(chǎn)生幾率。因此，商業(yè)銀行自身互聯(lián)網(wǎng)發(fā)展越快，不良貸款發(fā)生的概率則越低。成本收入比與不良貸款率之間在5%的顯著性水平上回歸系數(shù)為0.2002，表明商業(yè)銀行成本占比越大，則發(fā)生不良貸款概率越高。商業(yè)銀行通過較高成本獲取資金，則其流動(dòng)性將受到負(fù)面影響，進(jìn)而降低資產(chǎn)質(zhì)量，提高不良貸款的發(fā)生概率。杠桿率水平與不良貸款率之間在1%顯著性水平上回歸系數(shù)為0.527，說明高杠桿率將導(dǎo)致不良貸款率升高，商業(yè)銀行杠桿率過高，則受信人成本增加，很多企業(yè)將不堪重負(fù)，難以償還貸款，從而帶來不良貸款率的發(fā)生。信貸余額與不良貸款率之間在5%的顯著性水平上回歸系數(shù)為-0.311，表明信貸余額規(guī)模越大，不良貸款發(fā)生概率越小;信貸余額規(guī)模增大，則不良貸款被分?jǐn)倧亩档筒涣假J款率。國內(nèi)生產(chǎn)總值與不良貸款率在1%的顯著性水平上回歸系數(shù)為-0.454，表明國內(nèi)生產(chǎn)總值越大，不良貸款率越小。隨著國內(nèi)生產(chǎn)總值提升，社會(huì)投資需求將上升，企業(yè)可以獲得融資和投資渠道增多，盈利能力增強(qiáng)，從而降低不良貸款率。

從表3中共線性結(jié)果看出，各變量的方差膨脹因子均遠(yuǎn)小于10，因此，變量之間不存在多重共線性。

（六）穩(wěn)健性檢驗(yàn)

為了確保研究結(jié)果的穩(wěn)健性，本文將主要變量進(jìn)行如下替換：用五類分類貸款占貸款總額的比例進(jìn)行衡量不良貸款份額，新選定變量衡量指標(biāo)帶入模型中進(jìn)行再次回歸，回歸結(jié)果見表4。更換衡量指標(biāo)后得到回歸結(jié)果，商業(yè)銀行自身互聯(lián)網(wǎng)化程度、信貸余額及國內(nèi)生產(chǎn)總值與不良貸款份額呈負(fù)相關(guān)，成本收入比及杠桿率水平與不良貸款份額呈正相關(guān)，所得結(jié)論與本文研究結(jié)論基本一致，這說明本文的研究結(jié)論是可靠穩(wěn)健的。

五、結(jié)論及建議

本文運(yùn)用多元回歸方法對(duì)商業(yè)銀行不良貸款率的影響因素進(jìn)行研究，由回歸結(jié)果得到以下結(jié)論：第一，商業(yè)銀行自身互聯(lián)網(wǎng)化程度、信貸余額及國內(nèi)生產(chǎn)總值對(duì)于不良貸款率的影響呈現(xiàn)顯著負(fù)相關(guān);第二，成本收入比及杠桿率水平對(duì)于不良貸款率的影響呈現(xiàn)顯著正相關(guān)。

根據(jù)研究得到的上述結(jié)論，提出如下建議：第一，面對(duì)“互聯(lián)網(wǎng)+”模式的快速發(fā)展，商業(yè)銀行應(yīng)當(dāng)積極發(fā)展數(shù)字技術(shù)，將數(shù)字技術(shù)與商業(yè)銀行業(yè)務(wù)相結(jié)合，牢固銀行風(fēng)險(xiǎn)系統(tǒng)，完善征信體制，拓寬網(wǎng)上銀行業(yè)務(wù)，創(chuàng)新金融產(chǎn)品，從而跟上現(xiàn)代互聯(lián)網(wǎng)化的快速發(fā)展。第二，有效控制商業(yè)銀行經(jīng)營成本，擴(kuò)大商業(yè)銀行借貸規(guī)模，大力發(fā)展中間業(yè)務(wù)。業(yè)務(wù)人員應(yīng)當(dāng)積極拓展相關(guān)業(yè)務(wù)以便有效降低不良貸款概率。第三，引導(dǎo)適度杠桿率水平。過低的杠桿率將使得商業(yè)銀行利潤(rùn)下降，盈利水平降低。間接降低其放款意愿，也使得企業(yè)融資途徑變窄，信貸風(fēng)險(xiǎn)增大。而過高的杠桿率將增加融資企業(yè)的經(jīng)營成本，使得企業(yè)負(fù)債累累，難以維系生產(chǎn)，最終導(dǎo)致企業(yè)破產(chǎn)，增加不良貸款率發(fā)生概率。因此，商業(yè)銀行應(yīng)當(dāng)制定適度的杠桿率，在保證利潤(rùn)的前提下降低企業(yè)融資成本，實(shí)現(xiàn)共贏局面。

參考文獻(xiàn)：

[1]崔傅成，陶浩.經(jīng)濟(jì)新常態(tài)下我國商業(yè)銀行不良貸款的成因及對(duì)策[J].經(jīng)濟(jì)體制改革，2018（4）：139-145.

[2]高藝.我國經(jīng)濟(jì)波動(dòng)與銀行業(yè)不良貸款動(dòng)態(tài)關(guān)系研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué).2018.

[3]金欣雪.經(jīng)濟(jì)新常態(tài)下商業(yè)銀行不良貸款的實(shí)證分析[J].西昌學(xué)院學(xué)報(bào)，2018（6）：78-80.

[4]孫明哲，趙領(lǐng)娣.我國商業(yè)銀行不良貸款的影響因素分析[J].經(jīng)濟(jì)研究導(dǎo)刊，2020（5）：127-133.

[5]謝艷琳.國內(nèi)旅游收入主要影響因素的實(shí)證分析——基于多元線性回歸模型[J].北京印刷學(xué)院學(xué)報(bào)，2020（1）：64-66.

[6]姜闖，蔣靜逸.政治地理、銀行不良貸款對(duì)企業(yè)額杠桿率的影響[J].金融觀察，2018（8）：109-114.

[7]張赫，耿宏艷.我國商業(yè)銀行不良貸款影響因素的實(shí)證分析[J].經(jīng)濟(jì)視角，2016（6）：57-67.

[8]王婷，朱家明.基于多遠(yuǎn)線性回歸分析的商業(yè)銀行盈利能力影響因素研究[J].高師理科學(xué)刊，2018（8）：15-18.