新冠疫情對個人住房貸款風(fēng)險的影響

周凡 許蕾 季文軒

文章基于38家上市銀行2010-2020年的面板數(shù)據(jù)，利用動態(tài)系統(tǒng)GMM模型，引入虛擬變量研究新冠疫情對個人住房貸款的影響。結(jié)果表明新冠疫情的爆發(fā)對個人住房貸款的風(fēng)險存在顯著的負向影響。鑒于此本文提出如下建議：加大對信用風(fēng)險的防范，求同存異地管理各地區(qū)個人住房貸款業(yè)務(wù)，同時提高內(nèi)部管理機制，致力推動個人住房貸款業(yè)務(wù)的發(fā)展。

人民銀行召開2021年金融法治工作電視會議中強調(diào)“目前應(yīng)當(dāng)統(tǒng)籌推進金融立法，積極參與防范化解重大金融風(fēng)險。”信貸業(yè)務(wù)是推動我國經(jīng)濟發(fā)展的重要動力。受疫情沖擊，商業(yè)銀行如何管理違約風(fēng)險是有待解決的問題。研究新冠疫情對個人住房貸款業(yè)務(wù)的影響有重要的現(xiàn)實意義。動態(tài)系統(tǒng)GMM模型控制變量間的因果關(guān)系，對內(nèi)生性問題提供了幫助。本文擬用38家上市銀行2010-2020年的面板數(shù)據(jù)，利用動態(tài)系統(tǒng)GMM模型探析新冠疫情對個人住房貸款業(yè)務(wù)的影響。不僅在理論上填補研究空白，同時引導(dǎo)商業(yè)銀行在發(fā)展個人住房貸款業(yè)務(wù)同時做好應(yīng)對突發(fā)事件的準備。

影響個人住房貸款的因素有很多。如年收入、年齡、性別等與個人住房貸款風(fēng)險有相關(guān)關(guān)系。除此之外還有國內(nèi)生產(chǎn)總值、房價等。

產(chǎn)生風(fēng)險的方面主要有銀行內(nèi)部不盡責(zé)導(dǎo)致的信息不對稱。員工管理不規(guī)范，業(yè)務(wù)審查不到位等造成的操作風(fēng)險，以及不同地區(qū)房貸政策的改變導(dǎo)致市場風(fēng)險的產(chǎn)生。綜上，個人住房貸款業(yè)務(wù)不成熟暗含諸多風(fēng)險，多數(shù)學(xué)者研究均以某行為對象，對突發(fā)事件所帶來的影響研究較少。故本文利用GMM模型在學(xué)者基礎(chǔ)上研究疫情對個人住房貸款的影響。由此提出以下假設(shè)及疑問：1.疫情對個人住房貸款的影響不顯著。2.國內(nèi)生產(chǎn)總值、居民可支配收入、商品房銷售面積和銷售額對個人住房貸款風(fēng)險的影響如何。

變量測度

1.銀行個人住房貸款風(fēng)險

本文利用不良貸款率作為銀行個人住房貸款風(fēng)險的指標(biāo)。選擇不良貸款率作為衡量風(fēng)險的指標(biāo)原因有三。一，不良貸款率是關(guān)于不良貸款最直接的反應(yīng)。二，為研究結(jié)果普遍性，需選取一個代表性的指標(biāo)。三，不良貸款率是金融機構(gòu)不良貸款占總貸款余額的比重。目前我國個人住房貸款占金融機構(gòu)各項貸款余額約18.98%，個人住房貸款占比較大。

2.疫情

本文將疫情生成為虛擬變量。

3.其他控制變量

國內(nèi)生產(chǎn)總值、商品房銷售面積、銷售額和房價、居民可支配收入。

實證設(shè)計

其中Y代表不良貸款率，z為核心解釋量疫情，控制變量X為國內(nèi)生產(chǎn)總值、居民可支配收入、商品房銷售面積和銷售額，μ為個體固定效應(yīng)，？為隨機誤差項。

數(shù)據(jù)來源與描述性統(tǒng)計分析

1.數(shù)據(jù)來源

本文中數(shù)據(jù)來源于wind數(shù)據(jù)庫，國泰安經(jīng)濟金融數(shù)據(jù)庫及國家統(tǒng)計局。共包含了38個上市銀行從2010年到2020年總共10年間的季度不良貸款率的數(shù)據(jù)，及10年間全國的國內(nèi)生產(chǎn)總值、居民可支配收入、商品房銷售面積和銷售額。因數(shù)據(jù)中存在空缺值，對空缺部分用同一指標(biāo)其余數(shù)據(jù)的均值代替，同時因原始數(shù)據(jù)相差較大，為了平滑數(shù)據(jù)采用取對數(shù)代替。總共為1672個數(shù)據(jù)的平衡面板。

2.描述性統(tǒng)計分析

表1為數(shù)據(jù)的描述性統(tǒng)計。由表1可以看出商品房銷售面積的最大值為12.91479，最小值為9.878431，方差為0.9263778，商品房銷售額最大值為12.91346，最小值為9.247569，方差為0.996099，二者10年間的變化是比較大的。

表2的前6行是GMM模型的結(jié)果，為了保證模型的實用性，本文進行了過度識別檢驗和自相關(guān)檢驗。Sargan的p值為0.000，Hansen的p值為1.000，選用Hansen檢驗結(jié)果，工具變量選取有效。自相關(guān)檢驗顯示在5%的顯著性水平下具有一階自相關(guān)，但不具有二階自相關(guān)，模型合適。

同時表2前6行可得出疫情與不良貸款率存在關(guān)系，且為負向。商品房銷售面積與不良貸款率存在負向影響，而居民可支配收入、商品房銷售額與不良貸款率存在正向影響。

綜上所述，疫情對不良貸款率存在顯著影響，即在其他條件不變的情況下，疫情發(fā)生不良貸款率下降。疫情對不良貸款率的影響顯著，結(jié)果與假設(shè)不符。

注：***、**、*分別表示在1%、5%、 10%的顯著水平下呈現(xiàn)顯著性

實證分析對個人住房貸款業(yè)務(wù)穩(wěn)定發(fā)展具有重要啟示。

第一，加強對信用風(fēng)險的防范。完善風(fēng)險管理機制，對風(fēng)險進行警示。在應(yīng)對突發(fā)情況同時兼顧貨幣政策等宏觀環(huán)境影響，以便商業(yè)銀行提前做好防控準備。

第二，對不同地區(qū)的個人住房貸款采取求同存異的管理。不同城市經(jīng)濟發(fā)展水平不同，個人收入受疫情影響程度不同。建議采取因地制宜的方法，對各地個人住房貸款的管控采取不同的手段。

第三，完善商業(yè)銀行內(nèi)部機制，提高隊伍質(zhì)量。加強各部門信息交流，完善商業(yè)銀行內(nèi)部人員監(jiān)管，杜絕內(nèi)部人員與開發(fā)商或客戶“狼狽為奸，走關(guān)系”等現(xiàn)象發(fā)生。

[本文系基金項目：“中華女子學(xué)院 2020年市級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目“新冠疫情對個人住房貸款風(fēng)險的影響”（202014）的研究成果。]

（中華女子學(xué)院金融系）

參考文獻：

[1]顏新秀.個貸違約率與宏觀經(jīng)濟指標(biāo)相關(guān)性研究[J].國際金融研究，2009（10）：59-67.

[2]平新喬，楊慕云.信貸市場信息不對稱的實證研究———來自中國國有商業(yè)銀行的證據(jù)[J].金融研究2009（3）：1-18.

[3]張亦春，許文彬.風(fēng)險與金融風(fēng)險的經(jīng)濟學(xué)再考察[J].金融研究，2002（03）：65-73.

[4]秦芳菲.A銀行濟南分行個人住房貸款風(fēng)險管理研究[D].長春工業(yè)大學(xué)，2020.

[5]滿媛媛.收入多元化、金融自由化對商業(yè)銀行績效和風(fēng)險的影響[J].宏觀經(jīng)濟研究，2016（01）：130-143.