市場利率波動與銀行信貸結構*

李仲飛，黎智滔，劉京軍

一、引言

利率市場化現如今依然是金融改革的重點。中國的利率市場化進程起始于1996 年6 月，以央行放開銀行間同業拆借利率為標志。2015 年10 月，央行對商業銀行等金融機構不再設置存款利率浮動上限，至此，利率市場化基本完成。利率市場化，對優化資源配置、完善金融市場、提升銀行業競爭力、實現宏觀調控手段轉型都有重要的意義。2018 年5 月，央行發布的《2018 年第1 季度中國貨幣政策執行報告》指出，要推動利率“兩軌”逐步合“一軌”。李克強總理在2019年3月5日第十三屆全國人民代表大會第二次會議中也指出，要“深化利率市場化改革，降低實際利率水平”。因此，實現全面利率市場化，是未來利率市場化改革的趨勢。

在利率市場化環境中，市場利率是會隨時間發生變化的。那么我們自然會問，在我國利率市場化改革進程中，市場利率的波動大嗎？為了討論這一問題，我們繪制了2007—2017 年間銀行間同業拆借利率（7天）的走勢圖，如圖1所示。其中黑色實線代表每一個月銀行間同業拆借利率（7天）的平均值，灰色區域的上邊界和下邊界分別代表每一個月銀行間同業拆借利率（7天）的最大值和最小值。如果從月平均市場利率的走勢來看（黑色實線），我國市場利率的總體走勢是不平穩的，例如在2007 年—2008 年、2010年—2015年期間，月平均市場利率表現出很大的波動；而如果從月內市場利率波動的幅度來看（灰色區域），我國市場利率在某些月份內波動的程度也很大，其中最為突出的是2013年6月，在此期間爆發了著名的“錢荒”事件。因此，無論從月平均市場利率的走勢，還是月內市場利率的波動幅度來看，我國市場利率的波動確實是比較大的。我國市場利率波動的影響因素是比較復雜的，例如金融機構對市場資金的供需狀況、央行貨幣政策調控、季節性因素、資本市場因素以及宏觀經濟因素。但無論如何，巨大的市場利率波動可能會威脅到金融市場的穩定、貨幣政策的順利執行以及實體經濟的發展。因此，維持市場利率穩定具有重要的意義。

圖1 2007—2017年銀行間同業拆借利率（7天）走勢圖

近年來，隨著利率市場化的推進，利率水平不再是不變的，我國商業銀行需要對其經營策略作出適當的調整和改變。對銀行的信貸結構而言，一方面，銀行會根據不同類別的貸款的特點，調整各類貸款的發放數量；另一方面，銀行會從全局的角度分配不同貸款的占比，在整體上控制和分散整個貸款組合的風險，優化自身的信貸結構。因此，市場利率波動對我國商業銀行的信貸結構影響深遠，而銀行信貸結構又與我國產業經濟的發展息息相關，因此研究市場利率波動對我國銀行信貸結構的影響是有重要意義的。市場利率波動如何影響銀行的信貸決策呢？銀行是會擴大信貸規模尋求利潤，還是會減少放貸以規避風險？本文將深入研究這些問題。

關于市場利率波動對銀行影響的文獻大多集中在分析市場利率波動對銀行業績和風險的影響。例如Gambacorta（2008）發現市場利率波動與銀行借貸利率之間存在正相關關系。馮鵬熙和龔樸（2006）發現在利率波動較大的時期內銀行并不能通過資產管理獲得更大的收益。Kasman et al.（2011）的研究表明利率波動是銀行股票收益和波動率的主要影響因素。

關于銀行信貸結構方面的文獻，例如Deyoung et al.（2015）分析了金融危機前后，銀行對小企業發放的貸款量是否發生了變化，并從信用、風險等方面深入分析了銀行對小企業的發放貸款行為；許坤和蘇揚（2016）分析了逆周期資本監管對銀行信貸政策的影響；江曙霞和劉忠璐（2016）研究了資本充足率對銀行不同類別貸款的影響，發現不同資本充足率的銀行在信貸結構上有所差異；劉莉亞等（2017）發現競爭能促進銀行調整其信貸結構。

我們發現也有部分文獻涉及到市場利率波動與某些類別貸款之間的關系。張蕊和呂江林（2017）的研究發現當利率波動上升時，銀行的再定價風險、基準風險、收益率曲線風險、選擇權風險會上升，此時銀行會更偏好于短期貸款，而非長期貸款。劉飛（2014）也發現了在利率市場化改革進程中，銀行資產端對短期貸款的偏好不斷加強。以上文獻大多都只從定性的角度分析市場利率波動對銀行信貸結構的影響，缺乏理論基礎和實證檢驗；此外，這些文獻大多只討論市場利率波動對其中某幾類銀行貸款的影響，分析不夠全面。因此，本文分別從理論和實證角度，考察市場利率波動對銀行信貸結構的影響，且討論的貸款類別相比已有文獻會更多，這也是本文研究的創新點。

本文研究發現市場利率波動對銀行多數類別貸款的新增貸款量有顯著為負的影響，其中公司商業貸款和信用貸款對市場利率波動更為敏感，銀行信貸結構發生變化，在穩健性檢驗下該結論依然成立。進一步我們發現，在不同貨幣政策環境下，以及對不同種類的銀行，市場利率波動對信貸結構的影響有一定差異，銀行有不同的貸款結構調整行為。本文進一步研究了市場利率波動對銀行貸款集中度的影響，結果發現市場利率波動率對銀行貸款的行業集中度無顯著影響，對客戶集中度有顯著為負的影響。基于我國目前銀行業的經營和監管現狀，本文對以上得到的結論均進行了詳細的分析。

與已有文獻相比，本文的研究貢獻體現在：第一，拓展了已有的理論模型，將利率波動因素引入到銀行信貸決策模型中，使模型更符合現實情況。第二，拓展了銀行信貸結構的研究，發現市場利率波動是影響銀行信貸結構的因素之一，并從數據層面上對此進行實證檢驗。第三，提出在利率市場化環境下市場利率波動的重要性，豐富了市場利率波動對金融機構影響的相關研究。本文的研究為監管部門在利率市場化環境下如何對銀行信貸結構進行引導和監管提供了證據。

本文接下來的段落安排如下：第二部分是市場利率波動與銀行信貸結構關系的理論模型構建；第三部分是基于模型得到的結果，對市場利率波動與銀行不同類別貸款的新增貸款量之間關系的實證分析；第四部分是市場利率波動與銀行貸款集中度的關系分析；第五部分是本文的結論以及政策建議。

二、市場利率波動與銀行信貸結構的模型構建

基于Deyoung et al.（2015）和劉莉亞等（2017），本文構建一個考慮市場利率波動的銀行信貸決策模型。假設在利率市場化背景下，存在一個代表性銀行，該銀行可將其可貸資金分配到N個不同的貸款類別中。用Lt，n表示第t年末銀行第n類貸款的貸款存量，NLt，n表示第t年銀行第n類貸款的新增貸款量，則Lt，n=Lt-1，n+NLt，n。該銀行的所有可貸資金的來源為外部客戶存款Dt，滿足假設該銀行從外部獲取存款的成本為市場利率rt。本文假設市場利率rt是隨機的，且服從均值為Mt，方差為的正態分布。對于貸款，我們區分起始于不同時間的貸款在第t年的收益率，假設起始于第t-1 年銀行第n類貸款在第t年獲得的收益率為Rt，n/t-1=1+(1+a)rt+pt-1，n-ηt，n，而起始于第t年銀行第n類貸款在第t年獲得的收益率為Rt，n/t=1+(1+a)rt+pt，n-ηt，n。其中a>0 代表銀行對每單位貸款額外收取的市場利率的倍數，pt-1，n和pt，n分別代表起始于第t-1 年和第t年銀行第n類貸款的信用利差，ηt，n是第t年銀行第n類貸款的單位資金隨機損失率，服從均值為μt，n，方差為的正態分布。同時我們假設ηt，n與rt無關，而各類別貸款的隨機損失率之間是相關的，協方差為σt，nm=cov(ηt，n，ηt，m)。根據以上定義，該銀行在第t年獲得的利潤為

該銀行需要決定在第t年每一類貸款的新增貸款量NLt，n，其目標為最大化在第t年利潤的期望效用。假設該銀行關于利潤的效用函數為U(πt)，滿足Uπ>0和Uππ<0，則該銀行的最優化問題為

求解問題（2）的方法與Deyoung et al.（2015）類似，首先將各字母的定義式代入目標式（2）中，然后令期望效用值E[U(πt)]對銀行各類貸款的新增貸款量NLt，n求導，并令導數等于0，即可解得NLt，n需要滿足的一階條件為：

在式（3）中，第n類貸款的新增貸款量的表達式中出現了其他類別貸款的新增貸款量和上一年末的貸款存量，如果根據該式構建回歸方程進行實證檢驗，會存在聯立性偏誤帶來的內生性問題。為此，我們聯立所有類別貸款新增貸款量的表達式，用聯立方程組求解的方法，消除與其他類別貸款相關的變量，求得各類貸款新增貸款量的簡式表達式：

其中Ω 是一個N×N的矩陣，其第n行第m列元素為而(Ω-1)nm是逆矩陣Ω-1的第n行第m列元素。可以發現，銀行第n類貸款的新增貸款量依然會受到第n類貸款上一年末的貸款存量、總利差、平均損失率、市場利率波動率的影響。此時，市場利率波動出現在逆矩陣Ω-1的每一個元素中，僅憑式（4）很難看出此時市場利率波動對新增貸款量的影響。經過對N取一些具體數值進行分析后，本文發現在簡式表達式中，市場利率波動對貸款新增貸款量的影響依然存在與式（3）相同的兩方面的效應，影響機制沒有發生變化。因此，基于簡式表達式，我們同樣預測，市場利率波動上升時，銀行多數類別貸款的新增貸款量會減少，但不同類別貸款新增貸款量的減少的程度各有不同，貸款結構發生變化。接下來，我們將基于新增貸款量的簡式表達式，構造回歸方程進行實證分析。

三、實證設計與結果

（一）樣本選擇與數據來源

本文研究的數據來自于Wind數據庫，數據時間區間為2007—2017年。在這段時間區間內，我國市場利率波動有大有小，最適合研究市場利率波動。首先，我們剔除了政策性銀行、郵儲銀行、外資銀行、農村信用社、村鎮銀行的樣本。其次，再對數據進行清洗，剔除各類貸款數據缺失較多的樣本，以及剔除各類貸款數額總和與總貸款數額差距較大的樣本。最終進入回歸的樣本銀行共258家，其中包括5家國有控股大型商業銀行、12家股份制商業銀行、108家城市商業銀行以及133家農村商業銀行。此外，本文對主要解釋變量都進行了前后1%的縮尾處理①為了節約篇幅，描述性統計不再列出。，以避免極端值的影響。

（二）回歸方程的設定

基于第n類貸款的新增貸款量的簡式表達式（4），本文構建以下回歸方程：

其中i=1，2，…，I代表銀行個體，t代表樣本所處的年份，n=1，2，…，N代表銀行的每一類貸款。與Dey?oung et al.（2015）相同，被解釋變量NewLoani，t，n等于銀行i第t年第n類貸款的新增貸款量與第t-1 年末的銀行總資產之比，而Loani，t-1，n等于銀行i第t-1 年末第n類貸款的貸款存量與第t-1 年末的銀行總資產之比。銀行貸款的分類有幾種，根據數據的可得性，本文選用了三種貸款分類。第一是按貸款對象分類，可分為公司商業貸款、個人住房貸款和個人消費貸款三類；第二是按擔保類別分類，可分為信用貸款、保證貸款、抵押貸款和質押貸款四類，因為后面三類貸款都具有擔保性質，可合并統稱為擔保貸款，因此可以只分為信用貸款和擔保貸款兩類；第三是按貸款期限分類，可分為短期貸款和中長期貸款兩類。此外數據庫中還有按照貸款行業進行分類的貸款數據，然而完整的數據量很少，不足以回歸使用，因此在這里我們不考慮這種分類方法。

Volt代表第t年市場利率的方差值，是本文關注的主要解釋變量。至于市場利率的選擇，現有文獻大多支持使用銀行間同業拆借利率（CHIBOR）、上海銀行間同業拆借利率（SHIBOR）以及銀行間質押式回購利率（REPOR）。本文選擇7 天銀行間同業拆借利率（CHIBOR）作為市場利率，其他利率則在穩健性檢驗中使用。關于銀行微觀特征變量，首先是利差和貸款損失率指標的選擇。由于數據庫中，關于銀行各類貸款的利差和貸款損失率的數據很少，不足以回歸使用，本文選用整個銀行的利差和貸款損失率代替。其中銀行整體利差指標選用凈利差Spreadi，t-1，貸款損失率指標選用不良貸款率NPLRi，t-1（劉莉亞等，2017）。此外，本文還控制了其他銀行微觀特征變量，包括銀行規模Sizei，t-1、資本資產比率CAPi，t-1。本文將以上四個銀行微觀特征變量進行了滯后一期的處理。最后，我們還控制了宏觀經濟變量，包括實際GDP增長率RGDPRt以及代表寬松貨幣政策環境的虛擬變量Looset。其中當Looset=1時代表第t年是寬松的貨幣政策環境，而當Looset=0時則代表第t年是緊縮的貨幣政策環境。參考已有的文獻，本文選擇了三種方法判斷每一年是寬松貨幣政策環境還是緊縮貨幣政策環境。第一種是索彥峰和陳繼明（2008）、徐明東和陳學彬（2012）提出的M2 增長率HP 濾波判別法；第二種是基于Nguyen &Boateng（2015）提出的Taylor 缺口方法；第三種是陸正飛和楊德明（2011）提出的MP 指標法。最后，綜合以上三種方法，本文選擇占多數的判斷結果，最終界定樣本區間每一年是寬松貨幣政策環境還是緊縮貨幣政策環境。α為常數項，ui，n代表銀行i的個體效應，εi，t，n代表一般隨機擾動項。經過檢驗，本文的數據更適合使用固定效應模型，因此本文將使用固定效應模型進行回歸。

（三）主要回歸結果分析

表1給出了市場利率波動對我國商業銀行信貸結構影響的估計結果。其中列（1）—（3）給出了按貸款對象分類的三類貸款的回歸結果，結果顯示市場利率波動率（Vol）對公司商業貸款和個人住房貸款的新增貸款量有顯著為負的影響，從系數的大小來看，市場利率波動率對公司商業貸款的影響比對個人住房貸款的影響要大，前者的系數大約是后者的6.98倍，這是因為一般情況下，公司商業貸款要比個人住房貸款的貸款數額更大，因此公司商業貸款對市場利率波動的敏感性會更高。而市場利率波動率對個人消費貸款沒有明顯的影響，一方面是由于個人消費貸款的期限和數額在這三類貸款中是最低的，另一方面是因為個人消費貸款的利率一般較高，因此個人消費貸款對市場利率波動并不太敏感。列（4）—（5）則是按擔保類別的兩類貸款的回歸結果，市場利率波動率（Vol）的上升顯著降低了這兩類貸款的新增貸款量，其中信用貸款對市場利率波動率敏感度更高，這是因為在市場利率波動較大的時期內，貸款更容易發生違約，而且相比擔保貸款而言，信用貸款不需要貸款人提供擔保，因此為了避免風險，減少違約損失，銀行更不愿意發放信用貸款。列（6）—（7）為按期限長度分類的兩類貸款的回歸結果，和前面的結果類似，市場利率波動率（Vol）的上升也顯著減少了短期貸款和中長期貸款的新增貸款量。從系數的大小來看，市場利率波動對中長期貸款的影響僅比對短期貸款的影響高約6%，說明這兩類貸款對利率波動的敏感度是接近的。這點似乎與張蕊和呂江林（2017）等文獻的分析不同，他們認為當市場利率波動上升時，銀行更不愿意發放長期貸款；反之，市場利率波動下降時，銀行更傾向發放長期貸款。實際上，他們的邏輯可能會受到當前貨幣政策環境的影響，由于在寬松貨幣政策環境下市場利率波動往往較低，此時銀行偏好中長期貸款的行為可能是由貨幣政策環境導致的。從列（7）變量Loose 的系數我們可以發現，在寬松貨幣政策環境下，銀行中長期貸款的新增貸款量上升，這證實了貨幣政策環境可能會干擾市場利率波動對銀行信貸結構的影響。因此，在控制了貨幣政策環境因素后，我們發現市場利率波動對不同期限結構貸款的新增貸款量都有負向作用，且期限結構沒有發生明顯變化。綜合以上結果來看，銀行對于利率風險是風險厭惡的，因此當市場利率波動上升時，銀行會減少多數類別貸款的新增貸款量，同時公司商業貸款和擔保貸款對市場利率波動的敏感性更高，銀行信貸結構發生變化。

表1 市場利率波動對銀行信貸結構影響的估計結果

不同控制變量對各類貸款的新增貸款量的影響也不同。其中銀行貸款存量（Loan）的系數在所有回歸中均顯著為負，與本文理論模型預測的方向相同，這是因為銀行有一定的目標貸款量，當存量多時則新增貸款量就會少，反之當存量少則新增貸款量就會多。貸款損失率指標——不良貸款率（NPLR）的系數在公司商業貸款、擔保貸款和短期貸款的回歸中顯著為負，而在信用貸款和中長期貸款的回歸中顯著為正，表明當銀行的不良貸款率變大時，銀行傾向于減少公司商業貸款的發放，同時，基于當前不良貸款率偏高的環境，此時信用貸款和長期貸款對銀行而言更為可靠。利差（Spread）的系數在公司商業貸款和擔保貸款的回歸中顯著為正，在信用貸款的回歸中顯著為負，在其余回歸中不顯著，表明銀行利差擴大時，銀行也會調整其貸款結構，其中有部分信用貸款轉移到擔保貸款，有部分中長期貸款轉移到短期貸款但變化不顯著。規模（Size）的系數大多顯著為負，說明規模越大的銀行更難對其貸款進行擴張。資本資產比例（CAP）的系數在公司商業貸款以及兩類不同擔保類別的貸款中顯著為正，表明資本資產比例越高的銀行，會更積極進行資產主動管理，更愿意發放更多的貸款，且以公司商業貸款為主，與馮科和何理（2011）的結論相同。實際GDP 增長率（RGDPR）的系數在住房貸款和信用貸款的回歸中顯著為正，說明了經濟增長會促進這兩類貸款的發放。代表寬松貨幣政策環境的虛擬變量（Loose）的系數在公司商業貸款的回歸中顯著為正，和魏巍等（2016）結論相同，說明在寬松貨幣政策環境下，貨幣供應量增加，流動性充足，銀行更愿意向企業發放貸款，因此公司商業貸款的新增貸款量有所上升。

（四）異質性分析

貨幣政策是影響銀行信貸行為的重要因素之一（魏巍等，2016）。此外，由于規模、營業區域、業務能力等方面的不同，大型商業銀行、城市商業銀行和農村商業銀行在利率風險管理能力以及信貸調整行為也有所差異。為此，本文還探討了在不同貨幣政策環境下，以及對不同種類的銀行，市場利率波動率對銀行信貸結構的影響有何差異。對于不同貨幣政策環境的分析，首先我們沿用前面使用過的虛擬變量Loose，同時還定義一個代表緊縮貨幣政策環境的虛擬變量Tight，滿足Tight=1—Loose。接著，我們將Loose和Tight這兩個虛擬變量分別與市場利率波動率Vol相乘，得到兩個交乘項Vol×Loose和Vol×Tight，將這兩個交乘項替代回歸方程中的Vol，再進行估計。對于不同種類銀行的分析也是類似的，我們根據商業銀行的種類，構造了三個虛擬變量，分別是Large（大型商業銀行，包括5家國有控股大型商業銀行、12家股份制商業銀行）、City（城市商業銀行）和Rural（農村商業銀行），然后將這三個虛擬變量分別與市場利率波動率Vol 相乘，得到三個交乘項Vol×Large、Vol×City 和Vol×Rural，將這三個交乘項替代回歸方程中的Vol，再進行估計。

表2 的Panel A 展示了在不同貨幣政策環境下市場利率波動對銀行信貸結構影響的估計結果。從結果來看，在不同貨幣政策環境下不同類別貸款受市場利率波動的敏感程度有一定差異。首先，無論是在寬松還是緊縮的貨幣政策環境下，當市場利率波動上升時，公司商業貸款的新增貸款量都顯著減少，與表1 結果一致。個人住房貸款的新增貸款量僅在寬松貨幣政策環境下才顯著減少，這是因為寬松的貨幣政策環境能促進個人住房貸款量上升，此時個人住房貸款對利率波動十分敏感；而在緊縮貨幣政策環境下，個人住房貸款量明顯下降，利率波動對新增貸款量的影響就會減弱。其次，從不同擔保類別貸款的結果來看，在寬松的貨幣政策環境下，市場利率波動的上升會導致銀行更偏好信用貸款；而在緊縮貨幣政策環境下，市場利率波動的上升會導致銀行更偏好擔保貸款。這可以通過“貨幣政策傳導的風險承擔渠道”解釋（Borio&Zhu，2012），在寬松的貨幣政策環境下，銀行風險容忍度上升，當市場利率波動上升時，銀行更偏好風險更大的信用貸款；在緊縮的貨幣政策環境下，銀行風險容忍度下降，因此市場利率波動上升時，銀行更愿意持有更多的風險更低的抵押貸款。最后，在不同期限結構貸款的結果方面，我們發現僅在寬松的貨幣政策環境下，市場利率波動上升使得銀行中長期貸款的新增貸款量顯著減少，這是因為在寬松的貨幣政策環境下，收益率曲線比較陡峭（杜金岷和郭紅兵，2008），當市場利率波動上升時，中長期貸款利息收入波動很大，因此銀行會顯著減少中長期貸款的發放。綜上所述，在寬松貨幣政策環境下，銀行信貸結構對市場利率波動更為敏感，一方面是因為銀行風險偏好發生變化，另一方面則是因為各類貸款發放量增加，使得利率波動對銀行收入的影響更為顯著。

表2的Panel B 展示了不同種類銀行的估計結果，結果發現市場利率波動率對大型商業銀行和城市商業銀行的信貸結構的影響更顯著，而對農村商業銀行的信貸結構的影響不太顯著。這是因為，相比于農村商業銀行，大型商業銀行和城市商業銀行的規模更大，經營定位于城市地區，客戶數量更多，業務種類更豐富，競爭力更強，但同時也會更容易受到市場利率波動的沖擊，對利率風險更加敏感，因此在市場利率波動率變大時，這些銀行主動會減少自己各類貸款的新增貸款量，減少風險敞口。而農村商業銀行的地域性更強，業務基本集中在銀行所在地，在當地具有一定的壟斷議價能力，收入來源比較單一，風險感知和抵御利率風險的能力相對較弱（林樂芬和陳旭陽，2013），因而其信貸結構對市場利率波動不太敏感。

表2 不同貨幣政策環境以及不同銀行類別下的估計結果

（五）穩健性檢驗

1.使用不同利率構造市場利率波動率指標

為了說明市場利率波動確實對銀行信貸結構產生影響，本文選用不同利率來構造市場利率波動率指標（Vol）。首先，本文選擇7天上海銀行間同業拆借利率（SHIBOR）和7天銀行間質押式回購利率（RE?POR）。除此之外，我們也選用了1年期存款基準利率和貸款基準利率來構造市場利率波動率。回歸結果顯示，無論使用以上任何一種利率，利率波動的上升都會顯著減少多數類別貸款的新增貸款量，與表1的結果是類似的。

2.使用不同方法構造波動率指標

本文構造的波動率指標是7 天銀行間同業拆借利率日度數據的方差。除此之外，本文還構造了以下兩種市場利率波動率指標，分別是月度數據的方差和日度數據的極差（極差=最大值—最小值）。結果顯示，無論采取哪種波動率指標構造方法，市場利率波動也依然會顯著減少多數類別貸款的新增貸款量，說明本文的結論是穩健的。

3.使用不同回歸方法解決內生性問題

雖然消除了聯立性偏誤，但仍可能有潛在其他內生性問題。例如，可能存在遺漏變量的問題。對于這種內生性問題，本文使用以下三種回歸方法來解決：（1）面板工具變量估計，本文使用7天香港離岸人民幣同業拆借利率（CNHHIBOR）的波動率以及7天香港銀行同業拆借利率（HIBOR）的波動率作為市場利率波動率的工具變量；（2）差分GMM 估計；（3）系統GMM 估計。為了穩健，對于差分GMM 和系統GMM估計，我們選擇兩步穩健方差估計量。結果顯示，即使更換了更穩健的回歸方法，文章的結論并沒有發生變化。

四、利率波動對貸款集中度的影響分析

以上從每一類貸款的新增貸款量的角度分析了市場利率波動對銀行信貸結構的影響，是一種局部、具體的分析視角。為了能更全面考察市場利率波動對銀行信貸結構的影響，本文還研究了市場利率波動對銀行貸款集中度的影響。與新增貸款量不同，銀行貸款集中度刻畫的是銀行信貸結構的全局特征。因此，本節的分析是對本文前面部分的一個補充。國內研究貸款集中度的文獻有很多，但大部分文獻主要集中在分析貸款集中度對銀行風險、收益的影響。然而，目前幾乎沒有文獻研究市場利率波動對銀行貸款集中度的影響。為此，本節將從實證角度探討市場利率波動是否影響銀行的貸款集中度。其中，本文重點考察銀行貸款的行業集中度和客戶集中度兩個方面。參考魏曉琴和李曉霞（2011），行業集中度指標是基于公司商業貸款中各個行業的貸款數據計算的赫芬達爾指數（HHI），客戶集中度指標本文則選用前十大客戶貸款占總貸款的比例Max10th①一般數據庫中的前十大客戶貸款占比的定義是最大十家客戶貸款余額占資本凈額的比重，而不是占總貸款的比重，而本文計算的是前十大客戶貸款占總貸款的比例，因此計算方法為前十大客戶貸款占比*資本凈額/總貸款。。

為了研究銀行貸款集中度和市場利率波動之間的關系，我們的回歸方法如下：把行業集中度指標（HHI）和客戶集中度指標（Max10th）作為被解釋變量，然后把市場利率波動率（Vol）、不良貸款率（NPLR）、利差（Spread）、銀行規模（Size）、資本資產比率（CAP）、實際GDP 增長率（RGDPR）、寬松貨幣政策虛擬變量（Loose）作為解釋變量，使用固定效應模型進行回歸。與前面的回歸方法類似，銀行特征變量都取一期滯后。此外，為了探討在不同貨幣政策環境下，以及對不同種類的銀行的影響差異，類似前面的做法，我們也使用交乘項變量替代市場利率波動率進行回歸。

表3 給出了市場利率波動率對銀行貸款集中度影響的估計結果。從行業集中度的結果來看，市場利率波動率對銀行貸款的行業集中度沒有顯著影響。這可能有兩個原因，第一，因為近年來我國銀行貸款的行業分布已經達到充分分散的程度（王秀國和高薛，2017），因而無論市場利率波動如何，銀行貸款的行業結構能免疫市場利率波動的影響；第二，因為監管部門對銀行某些行業貸款的發放實施著嚴格的監管，銀行不能輕易地改變其貸款的行業集中度。從客戶集中度的結果來看，在市場利率波動較大的時期，銀行的前十大客戶貸款占總貸款的比例會顯著減少。進一步發現，僅在緊縮的貨幣政策環境下，市場利率波動對客戶集中度有顯著的負向影響。這是因為在緊縮的貨幣政策環境下，銀行風險承擔水平下降，傾向于規避風險（Borio&Zhu，2012），因而會降低貸款的客戶集中度。但如果從不同種類銀行的結果來看，我們能得到一個有趣的結論，就是市場利率波動率僅僅只對城市商業銀行的客戶集中度有顯著影響。根據實際數據統計我們發現，大型商業銀行本身的前十大客戶貸款占總貸款的比例本來就很低，而且非常穩定，因此即使這些銀行想要降低大客戶所占的貸款比例，在數字上也不會發生顯著的變化；對農村商業銀行而言，由于風險感知和風險控制的能力比較低，利率波動對其貸款結構幾乎沒有影響，因此利率波動對其客戶集中度也沒有顯著的影響；對于城市商業銀行，其前十大客戶貸款占總貸款的比例比其他兩類銀行的要大，在市場利率波動較大的時期，為了降低風險，這些銀行會使用一些方法分散其客戶貸款，因此前十大客戶貸款比例會有顯著的降低，這同時也表現出城市商業銀行較強的利率風險抵御能力（林樂芬和陳旭陽，2013）。

表3 利率波動對貸款行業集中度與客戶集中度的影響的估計結果

五、結論與政策建議

雖然我國利率市場化改革已經基本完成，但未來仍需進一步深化，推進“兩軌”并“一軌”。而在近十幾年來利率市場化環境下，由于各種因素的影響，我國的市場利率曾發生過較大的波動，這對銀行資產組合配置、風險管理等方面都會造成很大影響。在這背景下，銀行在業務模式、信貸結構方面需要進行調整，以適應新常態下的金融經濟發展。為此，本文重點研究了市場利率波動對我國商業銀行信貸結構的影響。首先，從理論上，本文構建了考慮市場利率波動因素的銀行信貸決策模型，得出市場利率波動與銀行各類貸款新增貸款量之間的關系。隨后，基于這種關系構建了回歸方程，并對我國2007—2017年商業銀行的信貸結構數據進行實證檢驗。通過對結果的分析，本文的結論如下：（1）在市場利率波動較大的時期，銀行多數類別貸款的新增貸款量會減少，而公司商業貸款和信用貸款對市場利率波動更為敏感，信貸結構發生變化，穩健性檢驗的結果也支持以上結論。（2）在不同貨幣政策環境下，對不同種類的銀行而言，市場利率波動對銀行信貸結構的影響具有異質性。（3）市場利率波動對銀行貸款的行業集中度沒有顯著影響，但對客戶集中度有顯著的負向影響。

基于本文得到的結論，我們認為商業銀行應更多關注利率風險。從本文的理論模型和實證分析可知，利率波動會影響商業銀行的信貸決策行為，對銀行信貸結構產生變化。然而，我國中小銀行尤其是農村商業銀行，利率風險管理意識不強，信貸結構不能隨市場利率波動的變化進行調整。此外，我國中小銀行風險計量方法單一，管理手段比較落后，已不能滿足利率市場化新環境下的需求。2017年11月，銀監會就《商業銀行賬簿利率風險管理指引（修訂征求意見稿）》公開征求意見，對利率風險的計量更加精細，增加情景分析、壓力測試，并強化監管檢查的力度。因此，商業銀行關注利率風險，建立健全有效、完善的風險控制體系，對我國商業銀行在未來愈發復雜的金融環境中健康發展具有重要意義。