资产证券化对银行动机扭曲影响的实证分析

张晓岚，杨 默

（西安交通大学 经济与金融学院，西安 710061）

0 引言

我国资产证券化起步较晚，而且品种单一，产品主要集中在信贷资产证券化方面。但近来年得到快速的发展，目前已有的交易数据，不管在数量上还是质量上，均可以展开一定程度上的实证研究[1,2]。有关资产证券化的实证研究进展较快。巴曙松（2013）[3]和李佳（2015）[4]实证研究了商业银行资产证券化业务开展，能否降低成本，增加利润，提高银行的抗风险能力。高保中（2010）[5]和郭桂霞（2014）[6]利用商业银行的财务数据来研究资产证券化对于银行个体以及对银行系统风险传染的冲击影响，不过定性描述过多，定量研究不足。倪志凌（2011）[7]对资产证券化影响银行风险传染途径进行了深入研究，推断出资产证券化提高了银行资产流动性是银行系统风险传染的一个重要途径。从已有的文献来看，国内深入的实证研究较少，多数也只是利用国外的数据。基于此，本文采用国内商业银行数据，从流动性视角构建面板数据模型，来探讨资产证券化对银行动机扭曲的影响。

1 模型构建与变量选取

1.1 模型构建

由于样本数据的特点，本文采用面板数据模型进行分析。面板数据模型通常可以表示为：

式（1）中，αi表示第i个个体的截距项，βi为解释变量Xit的系数，uit是动态随机误差项，满足正态分布。K为解释变量的个数。选择不同αi和βi值，模型可以分为三种不同类型：

（1）无个体影响的不变系数模型。即αi=αj和βi=βj同时得到满足。

（2）变截距模型。即是αi≠αj并且βi=βj。

（3）变系数模型。即满足αi≠αj并且βi≠βj。满足这一条件的模型称之为变系数模型或无约束模型。

1.2 变量选取

（1）被解释变量。本文选择商业银行的风险承受水平为被解释变量。根据已有文献分析，可用银行风险调整资产占总资产的比率来测度风险承受水平[8]，这一指标简写为RB。

（2）解释变量。本文考察银行资产证券化会对银行的风险承担水平产生怎样的影响，因此选取流动资产比率、证券化贷款比率、资产支持证券的利差这三个变量作为解释变量，分别简写为LIAR、SLR和ILLI。

（3）控制变量。对控制变量的选择，本文采用了可决系数决定法。通过处理，选取风险资本比率和坏账费用比率为控制变量，分别简写为RCR、ALR。

根据以上分析，对式（1）展开并具体化，相应方程的表达式为：

随机效应估计模型：

固定效应估计模型：

混合二乘估计模型：

在三种模型方程中，各变量的下标i表示不同的商业银行，各变量下标t代表时间，时间长度为季度。μi是满足任意分布的动态随机变量，ci是常数项，uit是残差项，满足动态分布。

2 实证分析

2.1 样本数据的选择与处理

本文选取的样本主要是国内商业银行季度资产证券化数据和银行季度财务数据，数据来源于Wind资讯。选取样本数据的时间跨度为2010年1季度到2015年2季度。文中对季度数据进行了适当的处理，从中剔除了季度数据严重缺失的公司，以及在样本期间证券化程度太低的公司，最后梳理得到了46家银行控股公司的完整季度财务数据。

目前，在造纸工艺中所选择的纤维素原料类型较多，包括杂草纤维如龙须草、荻、苇，农业秸秆纤维如玉米秆、棉秆[6]等，也有采用麻类[7-9]、木材、废纸等纤维素原料[10-11]。不同类型的纤维直接影响最终产品的性能和价格，如草纤维和农业秸秆纤维，不但来源丰富而且价格便宜，但是纤维强度较低，不利于提高增强纸地膜的机械强度，不利于机械化操作。麻类纤维的纤维长度和强度均好于普通秸秆纤维，但是原材料来源和成本是限制其推广应用的基本因素。

在建立面板数据模型之前，为了避免出现伪回归，首先对数据进行面板数据单位根检验。通过逐一对总体样本进行单位根检验，从分析的结果来看，在1%的置信水平上，被解释变量、解释变量和控制变量拒绝了存在单位根的假设，选择变量满足回归模型要求的平稳性条件。

本文将总体样本按资产规模分为两个子样本，一是资产规模较大，包括23家银行；二是资产规模较小，包括23家银行。从两个子样本的检验结果分析，绝大多数变量在1%的置信水平下是平稳的，所有变量在10%的置信水平下都是平稳的，因此可以假定子样本的所有变量也都是平稳的。分析结果由于篇幅所限不再赘述。

2.2 总体样本的实证结果及分析

由于面板模型的特点，在实证之前需要对数据进行分析，判断是否满足模型的要求。表1是对相关变量进行描述性统计分析的结果。表2是采用三种面板模型拟合的结果。

表1 样本数据统计

本文在选择模型之前，首先使用了假设检验Redundant Fixed Effect和Hausman进行检验。Hausman随机效应检验结果显著，概率p取值为1，也就表明随机效应模型相对于固定效应模型更适用，Redundant固定效应检验的p值为0。证券化贷款比率（SLR值）的拟合估计系数为0.018883，正相关，和预期基本一致。流动资产比率（LIAR值）对被解释变量的拟合系数为-0.701092，LIAR的拟合系数为负，负相关，并在1%的置信水平上显著，说明证券化造成了经营资产流动性增强，在拟合模型中LIAR值降低。在本文的拟合模型中，LIAR代表的是流动资产比率，是用来测度开展资产证券化业务后，商业银行资产流动性的变化情况，SLR代表的是证券化贷款比率，是用来测度商业银行开展证券化业务后，银行的各类风险（主要是信用风险）转移出去的程度，转移成本是否下降。

2.3 子样本的实证结果及分析

将46家银行控股公司的总体样本按照其资产规模，分为资产规模较大的23家银行控股公司和资产规模较小的23家银行控股公司两个子样本。本文在表3中列出了资产规模较大的公司相关分析变量的描述性统计。表4中列出了资产规模靠后的银行控股公司相关分析变量的描述性统计。下页表5和表6分别是采用资产规模较大的银行控股公司子样本数据，以及资产规模较小的银行控股公司子样本数据，采用三种面板数据模型拟合的结果。

表2 总样本数据的拟合统计

表3 资产规模较大的银行相关变量的统计分析

表4 资产规模较小的银行相关变量的统计分析

从表5可以看出，Redundant固定效应检验的结果显著，概率值p取0，说明对样本数据来说，固定效应模型更适合。Hausman随机效应检验的结果也显著，概率值p取0，和Redundant固定效应检验的结果相同，也就是固定效应模型更适用，因此文中以固定效应模型分析为主。SLR的拟合系数为0.01291，并在5%的置信水平上显著，进一步发现其符号为正。LIAR的拟合系数为-0.6101，符号为负，并在1%的置信水平上显著，与预期基本吻合。另外也可以看出，代表市场流动性状况（ILLI）的回归系数为0.000152，结果并不显著，这说明对于资产规模较大的银行而言，银行行为动机受市场流动性的总体状况影响不大，主要还是根据银行自身的情况合理地调整风险承担水平。

表5 资产规模较大的银行相关变量的拟合统计

表6 资产规模较小的银行相关变量的拟合统计

从表6可以看出，Redundant固定效应检验的p值为0，Hausman随机效应检验的p值为0.0146，固定效应模型更适用。证券化贷款比率（SLR）的拟合结果在1%的置信水平显著，拟合系数为0.211882。LIAR的拟合结果在1%的置信水平上也显著，拟合系数为-0.69371，呈负相关。和资产规模较大的银行的回归结果相比，LIAR的回归系数绝对值较大，说明商业银行开展资产证券化业务后，资产流动性将会增强，这会导致规模较小的银行增加更大的风险承受水平。另外，ILLI的拟合系数为负，并在1%置信水平上显著，这和预期也基本吻合。说明对于资产规模较小的银行来说，证券化市场的总体状况较为显著地影响其行为动机，证券化资产在市场上越容易出售，资产规模较小的银行的风险承担水平就会越高。

综合分析发现，不管商业银行资产规模是大是小，银行从事证券化后，其风险承担水平都会受到影响，影响路径通常有两种：一是资产证券化提高经营资产的流动性，降低转移成本，进而对银行风险承受水平产生影响；二是商业银行信用风险进行转移可以通过资产证券化业务来实现，进而会影响银行风险承受水平。表6的分析结果表明，SLR对被解释变量的回归系数的绝对值较小，LIAR对被解释变量的回归系数的绝对值最大，ILLI对被解释变量的回归系数的绝对值最小。这表明银行的资产证券化主要是通过改变银行资产流动性来影响银行风险承受水平。

3 结论

本文从商业银行风险承受水平的视角，探讨资产证券化业务对银行动机扭曲的影响，结果表明：

（1）商业银行开展资产证券化业务会扭曲银行的行为动机，进而给银行个体经营造成负面影响。主要有两条路径造成银行行为的动机扭曲：一是证券化转移了银行风险；二是证券化提高了资产的流动性。文中实证表明资产证券化是通过提高了资产的流动性，造成了银行行为的动机扭曲。尽管通过第一条途径也会对银行的行为动机造成影响，但是影响甚微。

（2）商业银行开展资产证券化业务，增强了银行资产的流动性，造成了银行的动机扭曲。通过限制风险转移，增加风险敞口，来解决银行的动机扭曲问题是困难的。