浦發銀行不良貸款率影響因素研究

黃海文

【摘要】近年來我國金融行業發展迅速，特別是銀行這一重要的金融機構，其在調節社會資金余缺，實現資源合理配置，促進經濟發展的同時，也存在著不良貸款率逐年走高的風險。本文首先通過對浦發銀行自身不良貸款的分析，發現浦發銀行存在著這樣不良貸款和不良貸款率雙升的趨勢，且比較其他同性質商業銀行，可得出浦發銀行不良貸款太過密集;然后選擇GDP增長率、M2增長率、撥備覆蓋率、成本收入比、最大10家客戶貸款比例、存貸比這六個因素作為解釋變量，建立多元線性回歸模型進行分析，可得到如下結論：GDP增長率、撥備覆蓋率跟不良貸款率為負相關的，存貸比跟不良貸款率為正相關的，而M2增長率、成本收入比、最大10家客戶貸款比對不良貸款率的影響并不明顯。

【關鍵詞】浦發銀行? 不良貸款率? 多元線性回歸分析? 影響因素

一、引言

眾所周知，商業銀行是一個能調整整個社會資金，實現社會資源合理配置的金融中介機構，其對于一個國家的作用可想而知。但是，商業銀行運營的業務很特別，導致其在運營的過程中會碰到很多種類的風險。而浦發銀行與其他同性質的商業銀行之中不良率為最高，這大大的損害了浦發銀行的市場核心競爭力和形象力。 本文主要是：通過探索和分析浦發銀行現在面臨的不良貸款現實狀況，因此可以從理論上得出影響其不良貸款率的可能因素。通過對可能會影響浦發銀行不良貸款率的各個變量構建多元線性回歸進行統計分析，可以得到具體影響不良率的變量。

從國家的角度上來說，商業銀行作為一個十分重要的金融中介機構，降低其不良貸款率不僅能保持其在金融市場的核心地位，還能維持國家的金融穩定和促進經濟的發展。從銀行本身角度上而言，銀行對不良貸款的管理能力是其生存與發展的最關鍵的能力之一，對商業銀行的不良貸款率的影響因素進行統計分析并提出相對合理的解決方案對于控制銀行的流動性風險以及信用風險具有重大的意義，減少商業銀行的不良貸款的比例除了能增加商業銀行的收益之外，還可以有效的減少金融風險發生的可能性，從而使其促進實體經濟更快的向好的方向成長。

二、浦發銀行不良貸款現狀

2016年浦發銀行的各種類型的貸款額都在比上一年增多，而且各類不良貸款占的比例也較上年上升。2015年不良貸款率為1.56%，但是2016年不良貸款率是1.89%，升0.33個百分點。尤其是損失類貸款上升所占的比重很大，比2015年上升了177.24%。因此，從近兩年貸款五級分類來看，浦發銀行不良貸款數值和比率都在上升。然后從浦發銀行2016年的財務報告數據可以發現，企業類貸款占總貸款的62.66%，由此可見其貸款的對象主要是企業貸款，浦發銀行對于公司類貸款比較密集，主要表現于制造業、批發零售業、以及房地產業，這些行業的不良貸款率分別為4.87%、5.48%、0.27%，雖然采礦業占比不高，但是不良率為5.93%，遠遠超過了浦發銀行不良貸款比例2.39%這一比例，說明了浦發銀行貸款不夠分散，而且這些行業特別是采礦業具有很大的違約可能性。

從收集的數據可以看出浦發銀行在2011-2016年的最大客戶貸款比例雖然每年都下降，但是比重都在10%以上，比重較高，說明浦發銀行的貸款過于集中，這很有可能導致銀行貸款損失較大，從而使得不良貸款的比例上升。

下面將對浦發銀行不良貸款比例從橫向和縱向進行比較。在各大同性質商業銀行中，浦發銀行不良率較高，為2.35%，遠遠超過其他商業銀行，這對于浦發銀行作為國內知名的較大型商業銀行是非常不利的，不良貸款率過高意味著其競爭力較弱，這也在某些方面也說明其內部管理機制很脆弱和貸款政策比較寬松。

上表反映了浦發銀行2011-2016年的不良貸款以及不良率呈現雙升態勢，近些年的不良貸款絕對值升的幅度大，遠遠超過了前幾年的水平，而且不良率上升較快。

三、 浦發銀行不良貸款率影響因素實證分析

本文采用線性回歸模型，把浦發銀行各個季度的不良貸款率設因變量，GDP的增長率、M2增長率、成本收入比、撥備覆蓋率、最大10家客戶貸款比例以及存貸比設自變量。本文的實證研究以2012年第4個季度到2017年第3季度的浦發銀行財報中展示的數據作為樣本。影響因素檢驗結果如下：為了書寫簡便，將設定的浦發銀行各季度的不良貸款率作為因變量，記為，GDP增長率、M2增長率、成本收入比、撥備覆蓋率、最大10家客戶貸款比例以及存貸比作為自變量，分別記為X1、X2、X3、X4、X5、X6，下面使用R軟件（該軟件主要功能是進行數據探究、處理和分析的一種實用性較強的軟件）進行操作，采用逐步回歸選擇合適的變量。

從圖1可得，各個變量的系數p值均小于0.05，通過了顯著性檢驗，且可決系數為0.9954，整個方程通過了擬合優度檢驗。因此，最后模型為： Y=-0.0583162*X1-0.0033556*X4+ 0.0348631*

X6，接下來對模型Y=-0.0583162*X1-0.0033556*X4+ 0.0348631*

X6 進行回歸診斷。經過進一步的殘差分析，殘差的齊性檢驗，殘差的異方差檢驗，發現該回歸模型不存在異方差。通過計算，解釋變量相關系數矩陣的條件數為99.84367，小于100，認為多重共線性程度很小。因此，最后選擇的模型為：Y=-0.0583162*X1-0.0033556

*X4+0.0348631*X6

該模型表明：若GDP增長率增加1單位，不良貸款率就降0.0583162個單位;若撥備覆蓋率增加1單位，不良貸款率就降0.0033556個單位;倘若存貸比增加1單位，那么不良貸款率就增加0.0348631個單位。

四、 結論

本文先對浦發銀行貸款五級分類情況、不良貸款行業分布情況運用圖表分析，比較分析等一系列的分析方法對不良貸款的現狀進行分析，最后我發現銀行的不良貸款率和不良貸款絕對值都在向上增大，且貸款較過于集中。其次構建回歸分析模型對影響著浦發銀行不良貸款率的一些變量做了分析，挑選了6個解釋變量，但是最后只有3個變量通過了檢驗，其是GDP增長率、撥備覆蓋率和存貸比。其中，GDP增長率跟撥備覆蓋率與不良貸款率之間是負相關的，而存貸比與其顯現正相關。這三個因素和不良貸款率之間的關系驗證了理論的正確性，對于浦發銀行解決不良率問題具有現實意義。

參考文獻：

[1]劉藝川.中國農業銀行不良貸款率影響因素分析[J].市場研究，2019，（05）.

[2]屠宇航.我國商業銀行不良貸款率的影響因素研究[J].生產力研究，2018，（12）.

[3]黃冬登.中國農業銀行不良貸款率變動影響因素分析[D].安徽農業大學，2018.

[4]魏莉.我國商業銀行不良貸款影響因素分析[J].現代經濟信息，2018，（09）.