宏观因素对贷款企业违约率影响的实证分析

贾海涛　邱长溶

摘要：文章从巴塞尔新资本协议视角选取GDP增长率、失业率、财政支出、消费指数、人力资本、总储蓄率六个因素作为研究各地企业违约率的解释变量，探讨各地区宏观因素与违约率之间的内在关系，实证结果表明，GDP增长率、财政支出、失业率与违约率呈负相关关系，居民消费价格指数、人力资本与违约率呈正相关关系，而总储蓄率对违约率并没有产生显著影响。

关键词：违约率；宏观因素；巴塞尔新资本协议

一、引言

巴塞尔新资本协议是国际银行界的“游戏规则”，2004年6月26日在经过长达5年的修订后，最终定稿。中国银监会推动我国银行业实施新资本协议的步伐正在加快，根据银监会的部署，我国的大型商业银行应从2010年底开始实施新资本协议，如果届时不能达到银监会规定的最低要求，经批准可暂缓实施新资本协议。但不得迟于2013年底。对于我国银行业来说。目前最为关键的是如何建立科学的评估模型对贷款企业违约概率进行测度以及探讨宏观因素如何影响贷款企业的违约概率。

目前国外学术界和金融界对违约概率的测度与评估的研究概括起来有：一是学术界对违约概率测度研究，集中于影响违约率的关键变量探寻，并利用企业历史样本建立企业违约率分类判别模型来估计企业违约的可能性。违约率评估模型可从对单个资产评估和对整个信贷组合评估两方面进行考虑。近些年来，在对单个资产违约率评估模型的构建上，主要有经验法、线性模型、Logistic模型、结构化模型和复合模型。对整个信贷组合违约率评估的模型主要有Credit Metrics模型、KMV模型、Credit Portfolio Vi-ew模型、Credit Risk+模型等。二是巴塞尔委员会新资本协议与国际知名金融机构推出的高级信用风险模型，主要针对企业违约概率数值如何测算问题的研究，这些模型也是巴塞尔委员会推荐的在资本金及经济资本方面计算的依据。这两个渠道的研究相互补充，相互促进，不断深化。

宏观因素对违约率如何影响的研究相对较少。对于违约率的周期性变动，穆迪(2001)的研究结果认为可以解释为宏观经济波动造成的。Fama(1986)和Wilson(1997)发现违约概率的周期性，尤其在经济衰退时期，显著增加。Altman和Brady(2001)证明违约概率与宏观经济状况的关系。根据Atlmam等对违约概率和宏观经济条件之间关系所作出的实证分析和研究，可以得出，相对于1993年～1998年经济繁荣期较低的违约率，美国经济在2000年进入衰退期后，违约率也有一个显著增加的过程，甚至在1990年～1991年的衰退期，违约率超过10％。Grohy，Galai和Mark(2001)研究表明。经济周期对违约风险的影响是非对称的，即经济衰退时违约概率显著增加，但经济扩张时违约概率不会显著减少。总之，经济周期宏观因素在研究企业违约率方面起着不可或缺的作用。

目前宏观因素对违约率的影响研究中遇到的问题是：(1)信用损失计量范围的确定出现了两种不同的理解。从传统观点出发，认为只有当违约实际发生后信用资产才发生损失，而在此之前，借款人信用状况的变化并不直接影响信用资产的价值；但是新的观点认为在观察期限内。借款人信用等级的下降会使信用资产的价值相应降低，即信用损失在违约实际发生之前也会产生，这样就造成了对违约损失确定的两种不同的标准。(2)模型的参数估计复杂且困难。模型的参数估计是建立信用风险量化模型尤为关键而且最艰难的任务。模型所涉及的参数规模庞大且复杂。如在违约模式下，建模者需要估计资产组合中每项贷款违约的概率及违约情况下贷款损失率的概率分布和每两项贷款间违约的相关系数。(3)模型数据的缺乏。即使银行很多贷款周期较长，很多银行所不具备横跨多个周期历时很多年的历史数据。正是由于以上所述规模与数据的制约，不少银行在建模时采用了许多简化问题的假设和主观判断，比如假设随机变量呈正态分布，参数稳定等。这些主观假设对模型所估测的结果有很大影响，在一定程度上影响了模型的有效性(高艳，2003)。(4)大多数模型缺乏对宏观经济变量的考虑。目前现有的绝大多数企业违约概率测度方法和模型并没有将宏观经济变量纳入其中，也没有过多的考虑度量结果受到的宏观经济变化的影响程度。一方面因为宏观经济变量的加入会使模型的复杂程度更加加剧：另一方面是因为这些方法和模型把绝大多数精力放在了如何在同一时点上或同一截面数据中，如何利用企业的违约风险程度将企业加以区分。

目前国内的相关研究存在以下缺陷：(1)都只是针对企业是否违约进行的预测，并没有提升或聚焦到违约概率这个核心指标上来。众所周知，是否违约是个事件，违约率则是这个事件发生的可能性，研究未来事件和研究事件发生的可能性是一个问题两个不同的层面。对应信用违约或财务危机预测，目前大多数研究建立的都是确定性模型，而我们对未来的预测只可能是建立在事件发生可能性的基础上的。如何将定性指标(违约)转化为定量指标(违约率)在现有研究中很少有人提及，也缺乏专门针对违约率的测度模型研究。(2)大多数模型缺乏对宏观经济变量考虑的原因。目前现有的绝大多数企业违约概率测度方法和模型并没有将宏观经济变量纳入其中，也没有过多的考虑度量结果受到宏观经济变化的影响程度，故很难全面考虑企业违约影响的内外部因素。

针对以上不足，本文拟进行以下创新和改进：实证分析宏观因素对违约率的影响，即将各地区的违约率与宏观经济变量构建模型，判断该宏观因素是否对违约率起影响作用，若存在作用，分析该因素的变化情况对违约率产生何种变动趋势。

二、我国商业银行贷款企业违约率多维度分析

1企业贷款违约行业分布。从这几年的情况看，银行业存在的不良贷款有相当一部分就是由于行业的衰落而引起的。比如。工商银行前几年投在纺织、煤炭等行业的贷款。由于行业收缩，有相当部分贷款转化为不良资产。因此，行业分析应成为今后商业银行信贷分析的重要内容。通常，行业的成熟水平高低制约着该行业中企业的经营发展状况。例如，在一个成熟的行业。由于市场饱和、新技术机会缺乏、收益水平普遍下降等等，都会给企业的生产经营活动带来不利的影响。按目前国家颁布的行业分类，我们收集的某国有商业银行内部信贷台账系统2003年～2005年具有短期贷款的51 344家样本企业中，批发和零售业不良贷款所占比重最大，2003年～2005年平均为44.65％，尤以商贸业居多；其次是制造业平均为36.40％，房地产为5.42％，采矿业比重较小，仅为1.63％，表明该银行的不良贷款主要来自于批发和零售业和制造业这两个行业。2003年～2005年不良贷款违约的行业分布。

2企业贷款违约地区分布。从不良贷款产生的区域

看，不良贷款的形成与地区差别有很大关系，尤以东北和西北地区较为突出，3年的总不良贷款占东北地区和西北地区贷款总额的百分比分别是14％和15.2％左右，超过全国不良贷款率好几个百分点：不良贷款率最少的是华东地区，三年平均值低于8％，故本文构建违约率测度模型时考虑地区因素。不良贷款企业的区域分布如图2。

3企业贷款违约的所有制性质分布。从贷款违约的企业性质看，国有企业是不良贷款的主要来源。占不良贷款总额的44.77％，占国有企业贷款总额的13.48％：其次是私营企业占不良贷款总额的24.15％，占私营企业贷款总额的36.43％，表明私营企业的贷款回收率很低，信贷风险非常大：集体企业占12.10％。占集体企业贷款总额的18.67％；股份制企业占12.06％。占股份制企业贷款总额仅为3.1％，表明股份制企业内部治理结构和风险管理机制都优于其他所有制企业，详见图3。

三、宏观因素对贷款企业违约率影响的实证分析

1宏观因素的选取。对于如何处理宏观经济周期性波动因素，大多数模型都采用“外推”(Extrapolate)的方法。即如果当前的经济状态是好的，则意味着未来也是向好的方向发展，如果当前的经济状态是坏的，则意味着未来也将变坏，但是这个方法没有考虑实际经济周期波动的影响。结合我国国情。我国在由计划经济向市场经济转轨的过程中，资金并不是充分自由流动的，不同地区由于地区分割、经济发展水平差异以及地区信用环境的不同，企业信用存在很大的差异，因此地区之间的风险差异是不可忽视的。如东部沿海开放城市经济发展程度高。地方政府更加注重本地区信用体系建设，强调本地区的企业客户要讲究诚信，要更好地建设地区信用环境，企业的信用意识相对来说好一些，这些地区的企业违约率相应的也要小一些。而西部欠发达地区。经济发展相对落后。企业信用意识较差，企业违约严重程度相对高一些。鉴于我国区域经济发展如此不平衡，宏观经济周期波动对不同地区的影响程度也存在较大的差异。因此，我们在度量宏观经济周期对违约率的影响时纳入区域因素。

对于宏观经济因素变量的选择，在参考了国内外对宏观经济因素对违约率影响的研究之后，剔除各个地区相同的汇率和利率因素，选取GDP增长率、失业率、财政支出、消费指数、人力资本、总储蓄率6个因素作为研究影响各地企业违约率的解释变量。

2样本数据的选取。由于模型涉及变量较多，仅对全国3年数据进行时间序列分析的论证性不强，而仅把全国30个地区的横截面数据做截面分析也难以充分说明问题，因此结合时间与截面数据的面板数据(Panel Data)分析方法认为更适合本文研究的数据特点。此外，面板数据分析既扩大了样本容量，又有效地防止了多重共线性，能够更好地解决忽略变量与解释变量相关性的问题，从而使得参数估计结果更加可信。分析更加深入。本文中利用我国31个省份、直辖市、自治区(北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆)的相关数据，在时间趋势方向有3个值，每个截面有31个单元，样本容量为93。通过整理得到六个指标，其中GGDP表示各地区GDP的增长率，CPI表示消费指数，GOV表示政府财政支出，SAVING表示总储蓄率、UNJOB表示失业率、HC表示人力资本，其中GOV的单位为人民币万元，HC的单位为年数。其它指标均为百分比。将这六个指标作为解释变量；同时PD表示各地的违约率，作为被解释变量。PD的值由前章测算所得。其他解释变量采用的样本数据自2003年，至2005年，数据取自《中国统计年鉴》(2004卷、2005卷、2006卷)。

3理论假设。在构建模型时。主要验证H₀假设，即失业率、消费指数、人力资本、GDP增长率、财政支出、总储蓄率六大宏观因素对违约率有显著影响。从经济意义上看，宏观环境经济运行状况对违约率的变动均有着重大影响，该假设也是对传统模型的补充和改进，是本文的核心与重心。失业率越高，违约率越高；消费指数越大，违约率越高；人力资本年数越长，违约率越低；GDP增长率越高，违约率越低；财政支出越高，违约率越低；总储蓄率越高，违约率越高。

为了验证该假设，本文通过选取中国31个省份、自治区和直辖市的六大指标，构建模型。力求通过不同地区不同宏观环境来分析违约率的变化情况。因此，以上假设可以转换为六个具体模型的假设。对于该假设的操作是，找出决定违约率的六个关键指标，发现其分别与违约率呈正或者负相关关系。

H₁：失业率与违约率呈正相关关系；

H₂：居民消费价格指数与违约率呈正相关关系；

H₃：人力资本年数与违约率呈负相关关系；

H₄：GDP增长率与违约率呈负相关关系；

H₅：财政支出与违约率呈负相关关系；

H₆：总储蓄率与违约率呈负相关关系。

4实证结果及分析。本文选用Panel Data回归模型实证分析宏观经济变量对违约率的影响，Panel Data又有固定效应和随机效应模型之分。如果模型中的系数为确定性变量，即模型中省略因素对个体的差异影响是固定不变的，则认为模型是固定效应模型。如果为随机变量。即模型中省略因素对个体的差异影响是随机的，则认为模型是随机模型。因此需要进行检验从而确定模型是固定效应还是随机效应。由于本文的样本取自全国的31个省市自治区，不是随机抽样。因此该模型属于固定影响模型。回归结果如表1所示。

根据检验结果，可以得出两个结论：

(1)失业率、居民消费价格指数、人力资本、GDP增长率、财政支出均对违约率有显著影响，直接效应明显。在这些指标中，其t统计量均大于临界值。且P值较小，这种结果表明失业率、居民消费价格指数、人力资本、GDP增长率、财政支出的变化将对违约率产生显著影响。从各个指标的系数可以看出，GDP增长率与违约率呈负相关关系，财政支出与违约率呈负相关关系，居民消费价格指数与违约率呈正相关关系，均符合理论假设。其中消费价格指数影响较大。其系数为8.94，说明居民消费价格指数增长1％，将导致违约率上升8.94％，表明通货膨胀对企业经营产生较大的压力，在通胀时期企业更加容易选择违约。GDP增长率的变化也显示了当它下降1％时，经济不景气，大多数的企业经营状况不佳，盈利减少，企业融资困难。因此企业信用等级下降，违约概率升高0.37％。财政支出的负相关性说明了随着财政支出的增加，政府更加能够集中足够的财力。为整个社会提供更多的公共产品、基础设施，通过自己的支出活动，直接刺激需求，同时把社会资源配置到经济和社会效益均较好的环节中去而促进经济增长。当财政支出上升1％时。企业违约率相应地减少0.39％。而人力资本与违约率呈正相关关系，违背H₃假设。失业率与违约率呈负相关关系，违背H₁假设。人力资本对违约率成正相关关系十分令人费解。按照测算，人力资本越高。受到教育年限越长，受教育年数愈多，劳动力工作技能就愈熟练，劳动生产率就愈容易提高，从而促进经济增长。人力资本的不断增长。势必会给经济的发展提供强大的动力和支撑力，给投资者信心，预期经济环境将朝更好的方向发展，从而减少违约的可能性。但是测算出来的违约率却越高。失业率与人力资本这两个与劳动力相关的指标同时违背假设，均对违约率产生相反的效果，提示劳动力对违约率的影响关系值得进一步探讨。

(2)总储蓄率的作用对违约率的贡献并不明显。从数值来看，总储蓄率的t统计值小于临界值，P值极大，表明，不符合H₆假设。意味着中国不满足现代经济理论所谓的高储蓄高投资增加经济发展从而减少违约率的假设。虽然总储蓄率在中国并没有得到经验证据支持，但是总储蓄率与违约率的关系还是值得进一步分析。