商业银行融资平台类信贷风险实证研究*

昆明理工大学管理与经济学院

柴正猛 陈彦冰

商业银行融资平台类信贷风险实证研究*

昆明理工大学管理与经济学院

柴正猛 陈彦冰

政府融资平台信贷风险主要源于地方政府债务的增加，表现在融资平台还款不及时、到期无法偿还债务等，给信贷授信主体的商业银行带来很大的经营风险。为了研究政府融资平台信贷风险及防范对策，本文以部分地方商业银行信贷数据为例，利用计量的分析方法，建立政府融资平台对商业银行信贷风险的影响模型，来揭示政府融资平台过多的信贷额度对于商业银行信贷风险的影响程度，并以此提出缓解融资平台债务膨胀、降低银行信贷风险的建议。

商业银行；政府融资平台；信贷风险

一、引言

政府融资平台作为地方政府城市基础设施建设的融资主体，对地方经济的发展起到了举足轻重的作用。从审计署2013年12月30日发布的《全国政府性债务审计结果》看，截至2013年6月底，地方政府负有偿还责任的债务有10.89万亿元。其中，融资平台负有偿还责任的债务4.08万亿元，占地方政府债务总额的37%。地方政府债务中融资平台债务所占比例过大，给授信主体的商业银行带来了很大的潜在风险。据统计，2013年湖南省某市地方商业银行总的新增贷款中，融资平台贷款占到了80%以上，也就是说，地方商业银行将几乎所有的信贷都交给了政府作为“收益保证”。虽然商业银行与融资平台关联度高，但事实上，双方并没有达到互赢互利的效果。一系列盲目的城市基础设施建设所带来的资金利用率的低下，平台所依托的地方政府财政收入增长不足以支撑贷款偿还，普遍采用借新债还旧债的方式来规避现实还款风险，这在商业银行与融资平台之间形成了一个巨大的合作隐患和信贷障碍。

因此，商业银行出于自身利益的考虑，有必要对融资平台信贷风险进行评估和研究，制定相应的措施进行风险的控制。本文基于商业银行信贷风险的模型，分析银行融资平台类客户信贷风险的大小，对银行控制信贷风险提出相关建设性意见和建议。

二、机理分析

在具体进行实证分析之前，有必要对不良贷款指标所代表的风险含义与各解释变量的作用机理进行说明。本文所研究的对象是商业银行的信贷风险，所选取的衡量信贷风险的指标是不良贷款率。而本文重点关注的是解释变量中融资平台贷款的份额对于不良贷款的影响程度。融资平台贷款虽然是一件极其平常的金融业务过程，但可能会引起一系列的相关问题和指标的变动。图1就本文想要论证的两个变量之间的关系做出了阐释。

在理想状态下，受市场调节、银行自我风险管理以及融资平台公司内部风险控制等一系列因素的综合制约，融资平台信贷的过程是很正常的金融业务。但是由于现行法规体系下地方政府的不破产性，中央政府对地方政府偿债义务的连带性，导致银行对融资平台信贷风险产生集体忽略，加之以政府担保或支持的融资平台具有信贷获取的易得性，形成融资平台信贷规模不受控制急速扩大。而融资平台进行信贷担保的抵押或质押物，有相当部分是公共资产，不具有变现性，银行信贷风险不可避免地发生和扩大。在核算信贷风险指标中，不良贷款是非常重要的指标，本文选择研究融资平台信贷与不良贷款率之间的关系，并提出假设：融资平台信贷比率对商业银行不良贷款率有较为重要的影响。

三、融资平台信贷风险实证分析

基于以上分析及假定的检验命题，通过建立计量经济学的经典模型，运营Stata12.0软件对银行信贷风险进行实质分析，找出影响融资平台带来信贷风险的显著变量，为商业银行控制信贷风险提供依据与参考。

(一)模型变量的选取和解析。

选取的样本来自20个不同地州市的20家商业银行的年报与资料，由于融资平台的发展历史并不长，再加地方融资平台向银行进行信贷业务的时间参差不齐，所以选定了20家不同银行2008～2012年的相关数据资料作为样本。

X1反映的是商业银行的总资产中有多大比例是通过借债来筹资的，也可以衡量银行在清算时保护债权人利益的程度。

X2反映的是银行资金的流动性比例。一般说来，流动性比率越高，企业偿还短期债务的能力越强。

X3反映的是银行对同一贷款人的贷款余额与银行资本余额之间的比例。单一客户贷款过多易造成风险过于集中。

X4是净利润与平均股东权益的百分比，该指标反映股东权益的收益水平，用以衡量公司运用自有资本的效率。

X5反映的是银行每年贷款的增长幅度。它反映了银行信贷水平的高低。

X6反映的是企业运用资本获得收益的能力。资本收益率越高，说明企业自有投资的经济效益越好，投资者的风险越少。

X7反映的是地方政府融资平台在银行所做的信贷业务占到银行信贷总额的百分比。目前国家相关机构与法律法规没有制定具体的规范指标与合理的区间范围来衡量其合理性与风险性。

X8是企业利用抵押担保的方式取得信贷数额占银行信贷总额的比率。它反映的是企业利用抵押担保的方式取得信贷的能力，以及银行接受抵押贷款的水平。由于当前融资平台纷纷利用不属于本单位的公共土地、房产、路桥等国有资产进行抵押，所以本文针对的对象融资平台的抵押贷款数额，研究其对于银行信贷所带来的风险大小。

X9是反映银行与政府的依存度的关系。政府投资控股的比率高，说明银行与政府依存度高，反之则低。

(二)模型的构建与分析。

1.方程总体回归以及模型的选择：

lnY=α×ln(X7)+β×Control+μ

其中，Y为不良贷款率，X7为别是贷款增长率以及融资平台贷款所占比例，这个变量是我们重点关注的变量；control为控制变量，即剩下几个与被解释变量相关的变量；μ为残差。

本文运用的是Stata12.0软件，先采用普通最小二乘法输入最初的九个解释变量，进行初步回归及检验。

首先，在处理面板数据时，选择使用固定效应模型还是随机效应模型是一个基本的问题。固定效应模型是指实验结果只想比较每一自变项之特定类目或类别间的差异及其与其他自变项之特定类目或类别间交互作用效果，而不想依此推论到同一自变项未包含在内的其他类目或类别的实验设计。随机效应模型(random effects models)是经典的线性模型的一种推广，就是把原来(固定)的回归系数看做是随机变量，一般都是假设来自正态分布。在进行分析数据时选择这两个模型之中的哪种模型，一般采取的方法是进行豪斯曼(Hausman)检验。

由计算结果可知，p值为0.9971，故接受原假设，认为应该使用随机效应模型，而非固定效应模型。传统的豪斯曼检验假定，在h成立的情况下，随机效应模型是最有效率的，因此确定选择随机效应模型。

2.初步回归检验。根据上述给出的变量，基于面板数据的随机效应模型(Re)，采取逐次放入变量的方法，对Y与各个变量的关系做回归检验，所得的结果如表1 所示。

从表1我们可以看到，无论怎么样增加控制变量，融资平台贷款比率以及贷款增长率这两个关注变量与银行不良贷款比率都存在着显著的相关性。融资平台贷款比率与不良贷款成正相关性，而贷款增长率与不良贷款呈负相关性。证明了之前我们所重点关注的这两个变量确实与被解释变量之间存在的很大程度上的相关性，对被解释变量有很大程度的影响，能够对其产生进行很好的解释。

3.克服内生性检验。政府融资平台在作用和影响银行信贷风险时可能存在内生性问题，这主要表现在政府融资平台贷款的增加会导致贷款总额的提高以及不良贷款风险的增大，而贷款总额的变化也会影响融资平台贷款的需求等，因此我们需要采取计量经济学中的相关方法来克服内生性所引起的估计偏误。在这里，我们运用GMM广义据估计法来检验。根据我们运用差分GMM进行检验的结果，显示扰动项的差分不存在一阶自相关，也不存在二阶自相关，所以接受“扰动项无自相关”的假设。同时过度识别是有效的，即无法拒绝“所有工具变量均有效”的原假设，因为p值0.074是大于0.05的。同样我们运用系统GMM，结果显示扰动项的差分不存在一阶自相关，也不存在二阶自相关，所以接受“扰动项无自相关”的假设。同时过度识别是有效的，即无法拒绝“所有工具变量均有效”的原

表1

123456bdbdbdbdbdbdrzptdkbl0.0329***-3.250.0310***-3.050.0301***-2.940.0310***-3.020.0310***-2.960.0305***-2.82dkzzl-0.0745**(-2.01)-0.0771**(-2.05)-0.0887**(-2.26)-0.0927**(-2.33)-0.0923**(-2.27)-0.0902**(-2.14)ld0.0246-1.560.0212-1.320.0244-1.490.024-1.470.0237-1.40.0238-1.39zblrl-0.111(-1.46)-0.107(-1.41)-0.0949(-1.23)-0.096(-1.23)-0.0996(-1.25)ztzkg0.0487-0.930.0482-0.920.0475-0.880.0427-0.74zfz-0.083(-0.88)-0.0817(-0.86)-0.0821(-0.85)jzcsy-0.00199(-0.09)-0.00181(-0.08)dykhxd0.00583-0.23_cons1.4213.667*2.39510.039.9939.859-1.26-1.92-1.02-1.12-1.1-1.08N100100100100100100

假设，因为p值=0.07463，是大于0.05的。

最后在进行变量处理之后，我们得出如下的结果(见表2)。

4.数据结果分析。根据上面数据结果分别解释几个重要变量与被解释变量的关系。

首先，融资平台信贷占银行贷款比率这个变量很显著，能够很好地解释与不良贷款的关系，即融资平台贷款比例高对于银行来说风险会有所加大，因为一家或者某几家信贷方的额度过大或者金额过高，都会给银行造成潜在的信贷危机。再加之当今融资平台的贷款经常性存在只贷不还的情况或者用“拆东墙补西墙”来偿还银行贷款，导致银行坏账的出现以及不良贷款比率的上升。

表2

123bdbdbdL.bd0.162***-5.640.188***-6.870.188***-6.87rzptdkbl0.0175***-4.10.0122***-3.260.0122***-3.26dkzzl-0.009(-0.78)0.00572-0.730.00572-0.73ld0.00146-0.32-0.0131***(-6.63)-0.0131***(-6.63)jzcsy-0.00762(-0.60)-0.0178*(-1.70)-0.0178*(-1.70)dykhxd0.0142-1.22-0.000604(-0.11)-0.000604(-0.11)_cons0.19-0.21.585***-5.271.585***-5.27N608080

t statistics in parentheses.

*plt;0.1，**plt;0.05，***plt;0.01。

其次，流动性比率在后两次检验中均有较好的显著性，并且与被解释变量存在负相关性，即流动性比率越高，银行不良贷款风险就越低。

再次，净资产收益率在后两次检验中也均有较好的显著性，并且也与被解释变量存在负相关性，即净资产收益率越高，银行不良贷款风险就越低。

四、结论与对策

从上述分析结果来看，地方政府融资平台对于商业银行信贷风险的问题上存在着一定的影响，并且商业银行自身在控制信贷风险上也存在问题，结合实证分析，我们对控制商业银行信贷风险提出如下建议。

第一，长远方向选择。总结地方政府债务自发自还试点经验，全面推行地方政府市政建设直接面向市场自主发债融资方式，剥离融资平台政府融资职能。以深化财税体制改革为契机，调整完善预算法，建立地方政府信用评价机制、市政建设债务限额指标体系，将地方政府债务纳入全口径预算管理，建立公开透明的现代预算管理制度，让地方政府能公开、透明、规则地在市场自主融资，减轻地方政府对银行信贷的过度依赖。

第二，业务范围界定。允许地方政府自主发债后，将融资平台业务范围界定在有固定收益来源的市政建设项目融资上；对没有固定收益来源，不能实现收支平衡的项目主要采取政府信用担保、市场发债的方式融资。同时，对融资平台融资建设项目注重引入民营资本，积极推行PPP方式，实现公私合作，提高投资和经营效益。

第三，银行风险管控。在信息公开方面，建立全国统一的融资平台债务信息定期公开披露制度，由地方各级政府按规定做好信息公开工作，让负债完整反映，让隐形的负债公开化，让银行能及时查询了解融资平台的运营情况与负债情况。在信贷审查方面，银行要加大规范信贷程序、分析信贷对象的力度，建立一套适合自身的信贷客户分析机制，较为全面地分析、评估信贷对象的盈利能力和整体水平，根据信贷对象自身的情况以及自身能力给予相应的贷款额度与比例。在银行合作方面，对融资平台贷款信息实行银行之间共享，最大限度解决信息不对称问题；积极开展银行合作贷款，共担信贷风险。在抵押方面，不允许融资平台用不能变现的公共资产和设施抵押。在还款约束方面，不允许融资平台借新钱还旧债，防止还款风险累积。

第四，历史包袱处理。在清理融资平台地方公益市政基础设施负债的基础上，要从立法层面明确规定：地方政府自主融资要与地方财力和上级相关转移支付有机结合，用于融资平台承贷的没有固定收益项目贷款的置换，释放虚假抵押，妥善处理融资体制改革中的融资平台历史遗留问题，化解银行风险。

[1]国家审计署：《关于2013年度全国政府性债务审计结果的工作报告》，http://www.audit.gov.cn/n1992130/n1992150/n1992500/3432077.html.2013.

[2]于海峰、崔迪：《防范和化解地方政府债务风险问题研究》，载于《财政研究》2010年第6期。

[3]于凌云：《经济增长过程中的地方政府债务风险化解机制研究》，载于《财政研究》2008年第3期。

云南省教育厅重点课题：云南省地方政府债务风险预警控制研究(KKJD201208012)。

F832.33

A

2095-3151(2014)64-0055-05