基于多元線性回歸分析的商業銀行不良貸款率影響因素模型

郭雙雙 王雨晴 孫暢

華北理工大學

引言：尹霞[1]以寧波市商業銀行為研究對象,采用多元線性回歸的實證研究方法,對寧波市商業銀行不良貸款影響因素進行分析并對寧波市商業銀行不良貸款提出防范措施。項燕彪[2]基于浙江金融運行特征,深入分析區域特定因素對于浙江銀行業不良貸款率走勢的影響機制,在此基礎上構建實證模型,測度分析浙江不良貸款率的合理水平。

一、變量的選擇與數據選取建立

根據有關商業銀行不良貸款率的相關理論和文獻，提出影響其規模的因素，并選取合適的指標構建指標體系。本文將選取六個指標來分析影響商業銀行不良貸款率的因素。從微觀的角度上選取商業銀行的撥備覆蓋率，存貸比，流動性比例和資本充足率四個銀行自身因素指標，從宏觀的角度上選取GDP增長率和M2增長率兩個宏觀因素。上面六個因素分別設為X1，X2，X3，X4，X5，X6，商業銀行不良貸款率設為Y。本文數據來自于國家統計局和中國銀保監會，樣本區間為2012年―2019年每一季度的相關數據。

二、模型的建立

根據相關性分析，建立如下多元線性回歸模型：

利用Eviews軟件，OLS估計結果如下所示：

三、模型的修正

（一）多重共線性修正

上述模型可決系數很高，F統計量檢驗顯著，但是依然存在解釋變量的符號與預期不一致，故對此用逐步回歸法進行修正，通過逐步回歸來篩選并剔除引起多重共線性的解釋變量。

對被解釋變量貢獻從大到小的解釋變量分別為X1,X5,X6,X4,X2,X3，從貢獻度最大的變量X1開始引入，添加解釋變量X2后觀察擬合度擬合優度增大，F檢驗同樣通過，繼續對解釋變量進行t檢驗，此時(25)=2.060，X1和X2均通過 t 檢驗，所以保留該解釋變量。再引進X6，該解釋變量引入后雖然對修正后擬合優度有改進，但是t檢不顯著，所以剔除該解釋變量。分別引入X3,X4和X5時，發現雖然擬合優度有了較小的改進，但是t檢驗不顯著，故把這三個解釋變量剔除。因此是X3,X4,X5和X6引起的多重共線性，修正多重共線性后的回歸結果如下：

由以上回歸方程可以看出，修正的可決系數為0.994，說明擬合程度高，F統計量檢驗參數聯合顯著性高。由此得出結論，商業銀行撥備覆蓋率和存貸比是影響商業銀行不良貸款率的主要因素。

（二）誤差修正模型

通過單位根檢驗和協整檢驗可得，X1、X2和Y存在協整關系。但從短期來看，可能會出現失衡，為了增強模型的精度，可以把誤差項看作是均衡誤差，通過建立誤差修正模型把短期行為與長期變化聯系起來。誤差修正模型如下：

商業銀行撥備覆蓋率（X1）、商業銀行存貸比（X2）和不良貸款率（Y）的差分序列如下：

上述估計結果表明，撥備覆蓋率、存貸比對商業銀行不良貸款率的變化有影響，不良貸款率不僅取決于撥備覆蓋率，存貸比這一期的影響，而且還取決于上一期不良貸款率對均衡水平的偏離的影響，誤差項的系數為0.376，當短期波動偏離長期均衡時，將以0.376的調整力度將非均衡狀態拉回到均衡狀態。

四、結論

本文利用Eviews軟件對我國的國內生產總值及其影響因素進行分析，通過多重共線性的修正得出影響國內商業銀行不良貸款率的最主要因素是撥備覆蓋率和存貸比。

撥備覆蓋比和存貸比是影響我國商業銀行不良貸款率的兩個重要因素，撥備覆蓋率每增加1%，不良貸款率平均下降 0.006%。存貸比每增加1%億美元，不良貸款率平均增加0.026%。

最后，本文中雖然剔除了其他的四個變量，但是經過查相關文獻和資料，這四個因素同樣也對商業銀行不良貸款率有重要影響。只是因為不符合多元線性回歸模型和誤差修正模型的建立，但這些依然是影響我國商業銀行不良貸款率的相關因素，在探索我國商業銀行不良貸款率因素的過程中依然是不可以忽視的。