公众预期与不良贷款

【摘要】经济新常态下银行业要充分认识不良贷款反弹的趋势，切实防范化解风险隐患。但是目前还未有从公众预期角度来分析商业银行不良贷款波动趋势的研究。本文借助中国人民银行调查统计司对储户、银行家、企业家等公众的问卷调查季度数据，运用VAR模型进行实证，试图做出尝试。结果表明，公众的就业、收入信心对不良贷款率波动趋势的影响最强；银行家对行业的信心同时影响着商业银行信贷行为的决策，企业的贷款需求与不良贷款率正向相关。为降低商业银行的不良贷款率，应对公众预期进行显性刻画，运用针对性的措施纠正公众的预期偏差以控制商业银行的信贷风险。

【关键词】公众预期 不良贷款 时间序列 协整分析 VAR模型

一、引言

金融资产质量是实体经济运行的风向标。近年来实体经济积累的一些压力已经越来越多反映到银行信贷质量上，典型表现就是银行业不良贷款余额和比率持续“双升”。截至2014年末，我国商业银行不良贷款余额达8426亿元，已连续12个季度上升；不良贷款率为1.25%，较年初上升0.22个百分点。要清醒地认识到，未来一段时期，经济运行中的困难可能在金融领域进一步显现。

衡量商业银行金融资产质量的直接指标就是不良贷款率，然而不良贷款成因与对策的研究始终是业界研究的焦点，许多学者从不同理论与实践角度，分析和阐述了造成商业银行不良贷款形成原因，但是鲜有学者从公众预期层面对不良贷款的影响效应进行分析，故本文的研究角度具有明显的新意。

本文基于中国人民银行调查统计司对储户、银行家、企业家等公众的问卷调查的2009Q1-2015Q3的季度数据，借助时间序列模型，通过实证分析发现：公众对未来的就业信心、收入预期、银行景气信心及企业家对企业未来的发展前景、贷款需求程度、资金周转效率对商业银行的不良贷款率的波动有着明显的影响。进一步地，公众的就业、收入信心对不良贷款率波动趋势的影响最强；银行家对行业的信心同时影响着商业银行信贷行为的决策，企业的贷款需求与不良贷款率正向相关。在实体经济不振情况下，公众行为成为了商业银行经营困境一个重要关注点。

论文的结构安排如下：第二部分进行相关研究回顾；第三部分是变量解释与实证过程；第四部分是结论与启示。

二、相关文献综述

国内外大量的实证研究结果表明，商业银行不良贷款产生的原因是多方面的，既有体制方面的原因，也有经营方面的原因。总体来说，大致分为银行外部因素和内部因素的影响。

（一）外部因素与不良贷款

第一，政府行政干预。李建军等（1998）分析认为，政府主导型经济发展模式是国有商业银行不良信贷资产产生的根源。政治晋升的激励、地方分权和财政分成制的改革构成了政府干预的动机和能力

第二，社会信用基础薄弱，，企业逃废债严重.由于市场经济体制不完善，信用文化在我国一直处于较薄弱的状态，主要表现在商业银行信用风险管理观念的落后、信用评级体系的严重匮乏，整体社会信用道德相对较低等几个方。

第三，金融体系不健全，金融风险过度集中于间接融资体系。尽管社会对信用的需求多样化，但我国的融资体制由国家通过国有银行高度垄断，大多数信用需求最终都只能由银行贷款或间接性贷款来满足。

第四，国家宏观经济结构的调整和经济形势变化的影响。宏观货币政策与银行风险承担呈显著的负相关关系，规模越大、资本越充足的银行抵御风险的能力越强，扩张性的货币政策会刺激银行风险；同时，法律保护水平越高，银行信贷规模越大，银行业绩也更好国内生产总值、财政收入、居民消费价格指数、货币供应量股票价格指数、国有企业利润等宏观经济因素与商业银行的不良贷款率都存在较强的负相关关系房价与银行信贷风险存在着正相关关系在我国，提高利率会推高商业银行不良贷款率

（二）内部因素与不良贷款

第一，国有商业银行产权结构不合理。产权制度的不合理是导致国有商业银行效率低下的一个根本性问题，产权关系不明晰是国有商业银行巨额不良贷款存在的根源目前国有商业银行的产权是以行政授予而非资产授权实现的，其产权为临时产权，国家仍是单一的所有者，，最终导致无约束的信贷管理。其严重后果是信贷在不断扩张的同时，不良贷款也在不断产生此外，股权集中度与不良贷款存在显著的关联关系，相对集中的股权与不良贷款率呈负相关。

第二，银行效率、多元化水平、资本充足率等特征因素也能显著影响上市银行不良贷款水平。更进一步地，银行的利润效率的提高可以显著降低其不良贷款水平，而多元化水平与银行不良贷款之间却存在显著的正相关关系。

尽管以上的研究因素已经涉及到多个方面，却没有与公众预期相关的任何描述，因此还需要新的研究思路。

三、变量解释与实证分析

（一）变量解释

在变量的选择上，本文选取中国人民银行公布的全国商业银行的平均不良贷款率（用B-loan表示）为模型的被解释变量，来反映商业银行的信贷风险状况。解释变量则从中国人民银行调查统计司在每季度对公民所做的调查问卷“城镇储户问卷”、“企业家问卷”、“银行家问卷”中选取了反映公众预期的6个指标：未来收入信心指数、未来就业预期指数、银行业景气指数、贷款总体需求指数、资金周转指数、经营景气指数。由于数据的量差影响了数据的可比性，不便于趋势观察，本文将（各指数-50）作为新的解释变量，即收入信心指数（用income表示）、就业预期指数（用employment表示）、银行景气指数（用bank表示）、贷款需求指数（用loan表示）、资金周转效率（用fund表示）、经营景气程度（用manage表示）。

为排除金融危机对序列的影响，本文样本数据选取了2009年第一季度到2015年第3季度的季度数据。本文收集的商业银行不良贷款率数据均来自中国银行监督委员会的官网。

（二）实证过程

本文运用Eviews7.2软件对样本数据进行分析。

由于选用的样本数据是时间序列，为避免出现伪回归现象，首先要多变量进行平稳性检验。

平稳性检验。 分别对各变量作ADF检验，检验结果见表2。

表1 序列平稳性检验

注：检验类型（C，T，P）中C、T、P分别代表带有常数项、趋势项和所采用的滞后阶数，滞后期根据AIC信息准则取值最小原则确定。

如表1所示，在5%的显著性水平下，所选变量大都不能拒绝原假设，其中bank、loan、manage、B-loan均为非平稳时间序列。

因此，对检验非平稳的时间序列进行一阶差分转换，对各变量的一阶差分序列进行检验，检验结果见表2检验结果显示，在5%的显著性水平下，所有变量的一阶差分序列在ADF检验中都拒绝了存在单位根的假设，说明原序列的一阶差分序列是平稳的，也即原序列是一阶单整时间序列。

表2 一阶差分平稳性检验

协整分析：

（1）协整检验：经过以上的分析，可以看到，B-loan、income、employment、bank、loan、fund、manage存在着一阶差分平稳的现象，而使用差分形式变换为平稳序列会忽略了原序列中所包含的有用信息，使得差分形式的关系式所描述的经济现象只是短期状态，因而需进行协整检验，以判断所研究变量间是否存在长期稳定关系。协整关系确定结果如表3、表4所示：

表3 Johansen协整检验结果（迹检验）

注：None表示不存在协整关系，At most 1表示至多存在一个协整关系，以此类推；*表示在5%显著性水平下拒绝原假设

表4 Johansen协整检验结果（最大特征值检验）

注：None表示不存在协整关系，At most 1表示至多存在一个协整关系，以此类推；*表示在5%显著性水平下拒绝原假设

表3和表4的检验结果表明：在给定5%的显著性水平下，无论是迹检验还是最大特征检验，检验结果都接受B-loan、income、employment、bank、loan、fund、manage 7个变量间至少存在一个协整关系，我们通常取第一个似然比协整关系，协整回归结果如下：

表5 标准化协整回归结果

协整方程为：B-loan=0.001737*manage-0.00271*fund+

0.00048*loan-0.001461*bank-0.003158*employment+0.0046

*income

从协整方程可以看出，employment、bank、fund与B-loan是呈负相关的，manage、loan、income都影响着B-loan。收入信心指数弹性为0.0046，表明收入信心指数每增长一个百分点，不良贷款率将提高0.0046%；其余结果以此类推，不再赘述。6个指标的结果在统计学上具有显著意义，因此它们间存在稳定的长期相关关系，可用VAR模型研究其内在机理。

（2）格兰杰因果检验。为确定变量间是否存在因果关系，对选取的被解释变量与各解释变量进行Granger因果关系检验。

如表6所示，在滞后2期、5%的置信区间的情况下，B-loan与各解释变量间均存在单向因果关系，即income、employment、bank、loan、fund、manage的变化都会引起B-loan的变化。

表6 格兰杰因果关系检验结果

VAR模型：

本文选用VAR模型来具体分析各解释变量对B-loan的影响。VAR模型是通过把系统内每一个变量作为系统中所有内生变量滞后值的函数来构造模型以动态地分析系统内各变量相关关系和动态预测各变量之间的相互关系。

（1）模型滞后阶数的确定。本文采取AIC和SC最小的准则确定滞后阶数，在Eviews7.2中输入最大的滞后阶数，结果如表7所示，表7给出了直至最大滞后阶数的各种信息标准，用*表示从每一列标准中选的滞后阶数。

表7 VAR模型滞后阶数检验结果

由表可知，根据AIC和SC原则，结果都显示合理阶数为2阶，所以本文的VAR模型选用的阶数为2阶。最终得到如下VAR方程：

B-loan=-0.000816*income（-1）-0.000171*income（-2）+

0.000434*employment（-1）+0.000169*employment（-2）+0.000069

*bank（-1）+0.000085*bank（-2）-0.000122*loan（-1）-0.000112

*loan（-2）-0.000331*fund（-1）-0.000066*fund（-2）+0.000178

*manage（-1）-0.000024*manage（-2）+0.238922*B-loan（-1）+

0.633110*B-loan（-2）+0.009867

其中，R-squared为0.994，Adj.R-squared为0.986，Log likelihood为127.666，表明模型拟合良好。

（2）VAR模型的平稳性检验。VAR模型的稳定性要求其所有根模的倒数都小于1，即位于单位圆内，如果模型不满足稳定性的条件，许多VAR分析将会失效。直观起见，本文用Eviews7.2做出了单位圆的图形，如图1所示，满足稳定性条件，说明所建立的VAR模型是可靠的。

图1 VAR模型的平稳性检验

（3）VAR模型方差分解分析。方差分解是通过分析每一个结构冲击对内生变量变化的贡献度，进一步评价不同结构冲击的重要性。本文将利用方差分析的基本思想，分析income、emplo

-yment、bank、loan、fund、manage与B-loan对商业银行不良贷款率变动的贡献程度。运用Eviews7.2进行方差分析得到的结果如下。

表8 方差分解结果

对商业银行不良贷款率影响程度主要受到income、employment、bank的影响，B-loan的自相关性下降明显。Income、bank与B-loan之间的关联性逐渐增强；其中收入信心指数的贡献率超过了50%，是最强的，就业预期指数和银行景气指数次之；而贷款需求指数、资金周转指数、经营景气指数与不良贷款率间的关联性相对较弱，并且呈现逐渐减弱的趋势。

四、结论与启示

（一）实证检验的结论

基于2009Q1-2015Q3我国商业银行不良贷款率及公众预期指标数据分析结果表明：

我国商业银行不良贷款率与未来收入信心指数、未来就业预期指数、银行业景气指数、贷款总体需求指数、资金周转指数、经营景气指数间均存在长期稳定的相关关系。

未来收入信心指数、贷款总体需求指数、企业经营景气指数与商业银行不良贷款率呈正向相关，未来就业预期指数、银行业景气指数、企业资金周转指数与不良贷款率有较强的负相关关系。

收入信心指数对不良贷款率波动的影响最强，就业预期指数和银行景气指数次之；而贷款需求指数、资金周转指数、经营景气指数与不良贷款率间的关联性相对较弱，并且呈现逐渐减弱的趋势。

（二）启示

经济发展仍然是中国未来的主旋律，但要把目标重心从“总量的增长”转换到“人均的增长”，但控制失业率仍然是宏观政策的主要目标。

加快金融业改革，经济新常态下银行业要充分认识到贷款增速回稳、存贷利差收窄、社会融资方式转变、不良贷款反弹、监管“宽进严管”五大趋势，抓住机会，突破困境。

学习国外的先进经验，在宏观经济预测模型中加入公众预期的显性刻画；商业银行应随着公众预期的改变而调整自身的信贷风险管理策略。

参考文献：

[1] 李建军，冯增炜，周学飞.国有商业银行与全球同等规模商业银行绩效比较[J].金融时报，1998，（12）.

[2]陈暮紫.我国不良贷款违约损失率计量模型研究[D].中国科技大学博士论文，2010.

[3]谢冰.商业银行不良贷款的宏观经济影响因素分析[J].财经理论与实践，2009.

[4]郭永济，唐建民.房地产泡沫对商业银行信贷风险的影响研究[J].时代金融，2011，（12）.

[5]刘平，梁瑜.宏观经济因素对商业银行信贷风险的影响分析[J].区域金融研究，2011，（2）.

[6]卢盼盼.利率与商业银行不良贷款率波动研究[J].银行管理，2012，（6）.

[7]王鹏.银行风险、贷款规模与法律保护水平[J].经济研究，2012，（5）.

[8]谭劲松，简宇寅，陈颖.政府干预与不良贷款――以某国有商业银行1988-2005年的数据为例[J].管理世界，2012，（7）.

[9]高宏霞，洪华霖，慕一君.股权集中度、贷款规模与银行不良贷款率关系研究[J].财会研究，2013，（9）.

[10]索有.我国上市银行不良贷款影响因素研究――基于动态面板数据模型[J].社会科学辑刊，2015，（2）.