基于VEC模型對商業銀行不良貸款率影響因素的計量分析

邢澤斌

【摘 要】基于2011-2018年我國商業銀行相關季度數據，從宏觀經濟與商業銀行微觀運營兩方面選擇指標，通過建立向量誤差修正模型對影響商業銀行不良貸款率的相關因素進行計量分析。結果表明：商業銀行不良貸款率與GDP增速、廣義貨幣供應量增長率正相關，與商業銀行存貸比、資本充足率負相關。存貸比為影響商業銀行不良貸款率的主要因素。根據實證結果，為降低商業銀行不良貸款率提出合理建議。

【關鍵詞】不良貸款率；影響因素；VEC模型；脈沖響應

在商業銀行經營過程中，不良貸款率是評價一家銀行風險管理、盈利水平的重要監管指標。如果商業銀行在經營過程中出現貸款風險，容易造成群眾擠兌，進而發生金融危機，危害國民經濟發展與社會安定，因此不良貸款的風險控制尤為重要。充分了解影響商業銀行不良貸款率變化的相關因素，精確地執行防范和解決不良貸款的相關政策，對推動商業銀行穩健發展具有相當價值的現實指導意義。

目前，國內外學者對商業銀行不良貸款率的影響因素有所研究。在國外，Salas和Saurina（2002）[1]通過建立面板數據模型針對西班牙商業銀行進行研究，發現國民經濟增長是影響不良貸款率的重要因素。Allan Kearns（2004）[2]對愛爾蘭商業銀行進行壓力測試，發現失業率對不良貸款率的沖擊最大。Jimenez與Saurina（2005）[3]對西班牙商業銀行實證分析，得出貨幣供應量的變化對不良貸款率起決定性作用。在國內，郭耀中（2012）[4]通過構建多元線性回歸統計模型對中國商業銀行不良貸款率下降的影響因素進行實證分析，結果表明宏觀經濟的健康運行、國有企業利潤、金融體制改革都對商業銀行不良貸款率的下降有正向促進作用。黃琦等（2013）[5]采用縣域的面板數據，建立計量經濟模型，發現縣域商業銀行經營狀況的改善對降低不良貸款率有重大作用。由于在研究中較少考慮滯后影響，因此本文基于上述研究成果，建立向量自回歸修正模型，結合實際對商業銀行不良貸款率影響因素的滯后影響進行計量分析，以期發現商業銀行經營過程中存在的問題并加以解決。

一、指標選取與相關性分析

（一）指標選取

本文將我國商業銀行不良貸款率Y（%）作為被解釋變量。影響商業銀行不良貸款率的解釋變量從宏觀經濟與商業銀行微觀運營兩方面選取。

在宏觀經濟方面，GDP增長率可以反映一個國家或地區宏觀經濟發展的周期變化以及增長速度，是評價國民經濟運行是否穩定、健康的重要指標之一；央行主要通過改變廣義貨幣供應量來實施其貨幣政策，以調節經濟的健康運行，因此選擇GDP當期增長率（%）、廣義貨幣供應量M2的當期增長率（%）作為衡量中國宏觀經濟發展程度的指標，記作X1、X2。

在商業銀行微觀運營方面，選取商業銀行撥備覆蓋率X3（%）、存貸比X4（%）、資產利潤率X5（%）、成本收入比X6（%）、資本充足率X7（%）作為商業銀行經營績效指標，通過這些指標可以大體看出商業銀行在經營過程中的相關情況。

本文數據來源中經網統計數據庫，樣本區間為2011年至2018年的所有季度數據，共32組數據。

（二）相關性分析

利用SPSS軟件對這些數據進行Person相關性分析，以確定影響我國商業銀行不良貸款率的關鍵指標。Person相關性分析結果見表1。

由表1可知，X1、X2、X4、X7是影響商業銀行不良貸款率的高度相關指標。因此保留這4個相關性強的指標，剔除其余指標，以提高模型的擬合精度。

由于本文選取指標數據為季度數據，直接使用建立模型可能會與實際情況發生較大偏離。為消除季節對不良貸款率的影響，特別利用Census X12季節調整方法對數據進行調整，處理后的時間序列分別記為YSA、X1SA、X2SA、X4SA、X7SA。

二、實證分析

（一）ADF平穩性檢驗

為防止出現“偽回歸”現象，首先利用ADF單位根檢驗法對變量數據進行檢驗，若ADF檢驗值大于5%臨界值，表示序列不平穩；反之則表示序列平穩。Eviews檢驗結果見表2。

由表2可知，原序列不平穩。經過一階差分后的△YSA、△X1SA、△X2SA、△X4SA、△X7SA序列平穩。這表明原始序列均是一階單整序列。

（二）最優滯后期定階

基于SC與AIC準則測定模型的最優滯后期，即SC、AIC在各滯后檢驗中的數值最小。檢驗結果見表3。由表可知，VAR模型最優滯后期為3。

（三）向量誤差修正模型的建立

由于商業銀行不良貸款率與各影響因素之間存在著長期均衡關系，因此在研究各變量之間短期波動變化關系的基礎上，通過構造誤差修正項來對商業銀行不良貸款率影響因素的長期波動進行分析。利用Eviews軟件在VAR模型的基礎上增加協整約束，得到VEC模型。結果如下：

△YSA=0.079996ECMt-1-0.00104ECM2t-1+0.0011ECM3t-1+

0.019699△X1SA（-1）+0.045365△X1SA（-2）-0.008△X2SA（-1）-

0.00223△X2SA（-2）-0.00992△X4SA（-1）-0.01492△X4SA（-2）+

0.048147△X7SA（-1）+0.078692△X7SA（-2）+0.166272△YSA（-1）+

0.518585△YSA（-2）+0.020962 （2）

其中，

ECMt-1=X1SA（-1）+0.114967+1.037684YSA（-1）-10.10974 （3）

ECM2t-1=X2SA（-1）+3.040140X7SA（-1）+4.946145YSA（-1）-55.75458 （4）

ECM3t-1=X4SA（-1）-7.176093X7SA（-1）+1.089977YSA（-1）+23.15260 （5）

上述方程的可決系數R2=0.965278，F=32.07736，十分顯著，表明建立的模型較為合理、穩定。

（四）脈沖響應函數分析

利用脈沖響應函數分析商業銀行不良貸款率與各影響因素之間的動態變化關系，結果見圖2。

如圖2所示，當期一單位GDP增速對商業銀行不良貸款率的沖擊表現為正向效應。從第1期沖擊響應程度開始增強，并在第8期達到最大值后趨于平穩。其主要原因可能在于國民經濟發展呈現良好態勢的同時，企業團體、公眾個人對商業貸款的需求量增加，但是由于投資者未能準確判斷未來經濟形勢，當經濟出現波動時，則會引起投資者還款能力減弱，使得商業銀行不良貸款率提高。

當前一單位廣義貨幣供應量增速對不良貸款率的沖擊綜合表現為正效應，但在第二期出現了減小的趨勢，之后又逐漸變大并趨于穩定。造成該現象的原因可能是國家在實行寬松的貨幣政策時，短期內使得投資者的資金周轉能力增強，償還貸款能力有所上升，這可以促使不良貸款率的下降。

當期一單位存貸比對商業銀行不良貸款率的沖擊效應為負，這種現象符合實際情況。

當期一單位資本充足率對商業銀行不良貸款率的沖擊效應表現為起初是負向影響，接著轉變為正向影響，最終轉變為負向影響并趨于平穩。

（五）方差分解

方差分解是分析目標變量發生變化時，由哪些因素決定的方法。方差分解結果詳表6。

由表6可知，滯后10期時，X4SA對YSA預測方差的貢獻率為62.67%，其自身貢獻度為30.74%，X1SA對其貢獻率為3.99%，X2SA對其貢獻率為2.38%，X7SA對其影響僅有0.22%。該現象說明存貸比是決定商業銀行不良貸款率變動的關鍵因素。

三、結論與建議

本文通過建立向量誤差修正模型對中國商業銀行不良貸款率的影響因素進行探究，得到結論：寬松貨幣政策在短期內可以對不良貸款率有所抑制，但是長期來看，不良貸款率仍然會反彈。合理控制存貸比可以有效抑制不良貸款率。資本充足率對不良貸款率的沖擊可能在短期表現為促進作用，但長期來看依然可以抑制不良貸款率的上升。

基于上述結論，為降低商業銀行的不良貸款率，提出以下建議：第一，政府相關部門應該迅速推動國民經濟發展，采取寬松貨幣政策。當國民經濟迅速增長時，企業團體生產經營狀況改善，還款能力增強，從而有效地抑制不良貸款率的上升。因此政府需要積極提高經濟增長率，優化宏觀經濟環境，對在經濟新常態背景下不良貸款率的下降有著重要意義。第二，商業銀行應合理配置存貸規模，適當控制資本充足率。商業銀行對經濟形勢的主觀臆測失誤往往會導致信用風險的發生，因此商業銀行需要建立健全風險管理機制，通過客觀地定量分析經濟指標，從而確定合適的存貸規模以提高商業銀行的信貸質量。

【參考文獻】

[1] Salas V， Saurina J. Credit Risk in Two Institutional Regimes： Spanish Commercial and Savings Banks [J]. Journal of Financial Services Research， 2002，22（3）：203-224.

[2]Kearns A. Loan losses and the macroeconomy： A frame work for stress testing credit institutions' financial well-being[J].Financial Stability Report，2004：111-121.

[3]Jimenez G， Saurina J.Credit Cycles， Credit risk， and prudential regulation[R].Banco de Espana Working Paper， No.0531， 2005.9-11.

[4]郭耀中.商業銀行不良貸款率下降影響因素研究[J].山西財經大學學報，2012，34（S1）：62-63.

[5]黃琦，陶建平，田杰.縣域金融信貸風險的影響因素——基于全國2069個縣（市）的樣本分析[J].金融論壇，2013，18（10）：9-15+57.