基于Logistic模型的村鎮銀行信用風險實證分析

楊希

摘要：三農發展一直以來都是國家重點關注的領域。服務于三農和小微企業的村鎮銀行經過十余年的發展在促進農村經濟改革，改善農村金融環境等方面做出了重要的貢獻。但是近年來我國經濟發展下行趨勢明顯，銀行不良貸款激增，村鎮銀行風險防控面臨著巨大的壓力。我國非上市中小企業財務信息很難獲得，本文通過調研山東省某村鎮銀行，以其21家企業貸款客戶2015-2018年度財務數據為樣本，運用Logistic模型對影響村鎮銀行信用風險的因素進行分析，結果顯示流動比率、現金比率、營業利潤率以及凈資產收益率等財務指標對村鎮銀行信用風險有著顯著影響。

關鍵詞：村鎮銀行 信用風險 Logistic模型 金融科技

一、引言

農村經濟發展歷來受到黨和國家的重視，中央一號文件連續多年提出要加大對“三農”領域的投入，加大金融支持力度，改善農村金融環境。為此，服務于農民、個體工商戶和中小微企業的村鎮銀行應運而生。經過十余年發展，村鎮銀行靈活、快捷的服務己經為農村經濟發展做出了重要的貢獻。以山東省為例，相關統計數據顯示，村鎮銀行存款吸收和貸款投放的力度逐年加大，2018年第三季度，山東省村鎮銀行吸收各項存款856.47億元，發放各項貸款總額為646.56億元，其中91.7%投放于農戶和中小企業，為支持山東省三農經濟發展做出了重要貢獻。與此同時，相關數據顯示第三季度村鎮銀行的不良貸款率為3.27%，遠超其他商業銀行。當前我國經濟發展增速減緩，企業違約事件頻發，擔保圈風險暴露嚴重，銀行不良貸款激增，在此背景下做好村鎮銀行風險防控工作刻不容緩。

二、文獻綜述

國外對于類似村鎮銀行的中小社區銀行信用風險研究側重于建立模型進行實證分析，研究成果被大量運用于銀行的信用風險管理之中。Martin（1977）選擇了58家瀕臨破產的美國銀行，使用8個有代表性的財務指標構建Logistic模型來預測企業的違約概率。West（1985）證明了Logistic模型適合用來研究銀行信貸風險。此外還有眾多知名的風險度量模型，如KMV模型、BP神經網絡算法和Credit Metrics模型等皆可以幫助銀行預測違約概率。

國內對銀行信用風險的研究，多以大型國有控股銀行和股份制商業銀行為樣本進行研究，如賈云赟（2012）構建Logistic模型，研究了影響商業銀行信貸風險的11個指標。Zhang Neng-Fu （2014）使用不良貸款率作為主要指標，構建Logit模型對我國商業銀行信用風險進行壓力測試，為我國商業銀行信用風險管理提供參考。總體而言，較少考量到村鎮銀行等新型農村金融機構的風險防控以及新常態下的宏觀經濟發展對村鎮銀行的影響。

三、模型構建與指標選取

（一）模型構建

根據現代金融理論，衡量商業銀行信用風險最常見的指標就是商業銀行不良貸款比率和企業違約概率。本文選取企業違約概率來衡量村鎮銀行信用風險的大小。為了便于進行回歸分析，引入定性變量Y作為解釋變量，假設研究存在兩種不同情況，銀行存在信用風險即企業出現信貸違約時，令Y=1;反之信貸違約不發生則Y=0。模型表述如下：

被解釋變量Y代表銀行信用風險是否存在，取值0或1;Xi代表解釋變量，是銀行信用風險的影響因素;α是隨機參數;βi為待估計系數，則Y與X的關系可表示為：

P表示銀行貸款發生損失即信用風險的概率，即Y=1的情形，1-P表示沒有發生損失的概率，即Y=0的情形，0≦P≦1，P越接近1，銀行貸款發生損失的概率越大，即銀行信用風險越大，反之亦然。進一步簡化得：

（二）指標選取

本文在解釋變量的設計方面，選擇了與企業財務狀況聯系緊密的16個指標作為分析對象，按照性質歸納為償債能力指標、盈利能力指標、經營能力指標和發展能力指標等四大指標體系。模型最初選取的16個財務指標如表1所示。

（三） 數據來源與處理

村鎮銀行的貸款客戶以農戶和未上市的小微企業為主，目前我國中小企業的信息披露機制尚不健全，非上市的中小企業財務信息很難獲得。為了使數據真實可靠，本文對山東省某村鎮銀行進行實地調研，經過研究選取了該銀行21家企業貸款客戶2015-2018年的相關財務數據作為樣本，運用SPSS 22.0軟件進行分析處理。

四、實證檢驗

（一）主成分分析

本文對初選的16個財務指標進行主成分分析。首先進行了KMO檢驗和Bartlett球形檢驗，檢驗結果表明適合采用主成分分析方法，詳細結果見表2。經檢驗提取了特征值大于1的5個主成分，其累計貢獻率達到了80.72%，效果較好。由于篇幅有限，特征值小于1的項目此處略。主成分提取結果如表3所示，旋轉成份矩陣如表4所示。

通過表4可知，提取的5個主成分代表了多個財務指標，factor1表示企業的盈利能力，代表了 X10， X11， X12， X13四個指標的信息量;factor2表示企業的償債能力，代表了 X1， X2， X3， X4等四個指標的信息量;factor3表示企業的發展能力，代表了 X14， X15， X16三個指標的信息;factor4表示企業的經營能力，表達了變量 X7， X9等兩個指標的信息量;factor5代表了變量 X6，反應了企業償付借款利息的能力。通過表5可以得到factor1-factor5的表達式，此處略。

（二）Logistic模型回歸分析

將上述提取出的5個主成分作為自變量，將企業違約率Y作為因變量，整理調研所獲得的企業數據，將企業正常貸款記為Y=0，關注類及以下貸款記為Y=1，運用SPSS22.0軟件進行Logistic模型回歸及穩定性檢驗，結果如下，見表6：

由表6可見，factor1，factor2通過了顯著性檢驗，即企業償債能力和盈利能力對村鎮銀行的信用風險具有顯著影響。結合表5最終得到的Logistic模型表達式如下：