经济新常态下商业银行资产质量影响因素研究

夏佳佳，王守龙

(安徽商贸职业技术学院，安徽 芜湖 241002)

近年来，商业银行杠杆率持续上升，这一现象受到国家及社会的广泛关注。2016年，习近平总书记提出“三去一降一补”为重点的供给侧结构性改革政策。在新常态的经济发展形式中，我国商业银行面临着机遇和挑战。“三期叠加”期间，商业银行的资产质量出现了逐年下降的势头，2018年我国商业银行不良贷款率为1.89%[1]。不良贷款率作为衡量资产质量的重要指标，反映了商业银行资产质量正在逐年下滑，提升商业银行资产质量变得刻不容缓，稍有闪失将引发银行系统性风险。因此，分析影响我国商业银行资产质量的因素，提出提升资产质量的建议，对于打赢金融攻坚战有着十分重要的意义。

一、文献回顾及评述

目前国内外对商业银行资产质量提升的研究主要集中在不良贷款的影响因素上。Leo Onyiriuba认为，企业拖延还贷款的时间是其本性所致，这往往会破坏银行正常经营秩序，而银行部分员工违规发放贷款，凸显了银行存在的系统性风险，且这些都将使不良贷款发生率大大上升，降低了商业银行资产质量。[2]David Byrne 和Zivile Zekaite认为,欧洲货币政策对贷款利率有着非常重要的影响，实证显示欧洲企业的融资组合严重依赖银行信贷。[3]陈璐分析了经济因素对不良贷款率的影响，实证结果显示宏观经济因素对不良贷款影响远大于其他因素，且选取了多个经济变量，制定模型，实证分析，找到提升资产质量的方案。[4]许媛媛从发行地方债对于商业银行资产质量的影响角度进行分析，指出只有完善地方债的发行制度才能合理地进行商业银行资产配置，将地方债券的价格水平控制在合理范围之内才可以提升商业银行资产质量。[5]张玉婷选取了对不良贷款影响最大的经济指标，构建回归模型，实证分析结果表明，经济新常态主要是以GDP等宏观因素方式影响不良贷款率，且不良贷款率受经济周期影响较大。[6]

从国内外的研究可以看出，多是选用不良贷款率衡量宏观及微观因素。资产质量的传统评价指标主要有不良贷款率、资本充足率、拨备覆盖率，而不良贷款率是衡量银行资产质量最重要的指标。[7]受此启发，本研究选用不良贷款率作为衡量银行资产质量的变量，以2008年第一季度到2018年第三季度的季度数据构建VAR模型，将国内生产总值、广义货币供应量、产能利用率、信贷规模、杠杆率、不良贷款率放在研究框架中，实证分析六个变量之间的动态关系，运用脉冲响应分析法分析每个变量的具体影响。

本研究充分考虑经济新常态下的银行质量的影响因素，将杠杆率这一内生指标引入模型作为内生变量，考察其对于银行资产质量的影响。本研究以2016年实施“去杠杆”政策为时间节点，考察“去杠杆”政策是否让经济结构产生显著变化，将时间分为两个时间段考察经济模型，描述国内生产总值、货币供应量、产能利用率、信贷规模、杠杆率对银行资产质量的影响。

二、实证分析

本研究运用Stata 15软件测算VAR模型中国内生产总值、广义货币供应量、产能利用率、信贷规模、杠杆率水平与被解释变量之间的关系。

(一)变量选择及说明

1.国内生产总值(GDP)

GDP反映的是某个国家或地区经济活动的综合实力，主要用于衡量国内经济状况。GDP增长率高，表示该国家或地区经济发展较为活跃，反之表明经济发展较为迟缓。因此，本研究选取GDP作为衡量我国经济状况的指标。

2.广义货币供应量(M2)

M2即M1加上居民储蓄和企业定期储蓄。它是央行用于调控金融市场的重要工具，它的增幅应当控制在一定范围之内，它是中央银行重要的货币政策操作目标。因此，本研究选择M2来反映我国货币政策的执行。

3.产能利用率(CAP)

CAP是指实际产能和设计产能的比值，它用来反映企业生产产能和设计产能之间的比例关系。本研究选取CAP来衡量企业产能利用的情况，反映企业生产经营能力。[8]

4.信贷规模(CDIM)

参照现有研究成果，本研究选取商业银行贷款余额反映企业信贷规模，是指一定时点上商业银行信贷总余额，即总存量。[9]

5.杠杆率水平(LEV)

商业银行与其他生产企业最大的区别在于商业银行需要利用负债撬动资产业务从而获得盈利，其核心资本远远小于资产规模，这就导致其杠杆率水平处于高位，随之也提升了产生不良贷款的风险。杠杆率为权益资本与资产总负债表中总资产的比率，它在一定程度上反映了商业银行的财务状况。

6.不良贷款率(NPL)

NPL是指金融机构不良贷款占总贷款余额的比重，是评估银行贷款质量的主要指标。因此，本研究选择NPL作为衡量商业银行资产质量的指标。[10]

(二)数据来源及处理

本研究选取2008年第一季度到2018年第三季度的43组季度数据作为样本。国内生产总值、广义货币供应量、产能利用率、信贷规模、杠杆率水平、不良贷款率数据分别来源于国家统计局、银监会、中国人民银行及Wind数据库。其中，杠杆率水平是由中国银行、农业银行、交通银行、江苏银行、南京银行、北京银行等26家上市商业银行杠杆率加权平均计算得到季度数据，反映我国商业银行杠杆率水平。

本研究选取的数据频率为季度，为了使时间序列变化趋势尽可能少受季节性因素(如天气、行政、固定假日、移动假日等)变化的影响，本研究运用census X 12进行季节性调整。经过季节性调整后，时间序列已经没有明显的季节特征。

(三)VAR模型的建立

1.时间段的划分

2008年，金融危机对全球影响较大，我国采取了“四万亿计划”的经济刺激政策，扩张的货币政策导致经济加杠杆迅速，且范围广、力度大。2013年之后，金融行业由于受到经济政策影响，杠杆率快速上升，这大大增加了金融系统性风险的概率，也使得商业银行资产规模迅速扩张，资产质量较不稳定，杠杆率大大提升。2016年以来，央行开始实行审慎政策，银监会开展了“三套利、四不当”等一系列去杠杆行动，金融行业进入了去杠杆阶段，紧缩的经济政策加速了商业银行资产规模收缩，缓解了商业银行资产质量快速下滑的情况。基于我国金融系统杠杆政策的转变，本研究将时间段划分为2008—2015年、2016—2018年，利用结构变动法观察杠杆政策因素是否对商业银行资产质量变化有影响。

对于时间序列而言，模型系数的稳定性很重要。本研究采取虚拟变量法进行基于杠杆政策调整带来模型结构性变动检验，设定虚拟变量，变量定义如下：D在2016年取值为1，D在2008—2016年之间取值为0。得到2016年断点F值为0.1，该检验P值为0.998，所以在1%显著性水平上接受“没有结构变动”的原假设，即中国的GDP、M2、CAP、CDIM、LEV、NPL在2016年没有发生结构性变动，所以可以将时间段合并为2008—2018年。

2.单位根检验

VAR模型的前提条件为时间序列是平稳的，所以需要对数据序列的平稳性进行检验。[11]本研究选用单位根检验对样本数据进行平稳性检验。为了有效降低样本数据异方差，对样本数据进行对数化处理。模型中六个内生变量的单位根检验结果表明：在5%的显著性水平下，所有变量都接受存在单位根的原假设，证明样本数据稳定性较低，但是在一阶条件下，在5%的显著性水平下拒绝原假设，所有变量单整过程均为I(1)过程。

3.构建VAR模型

根据信息准则，将VAR模型滞后阶数确定为4阶，以lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL六个内生变量构建模型，写成公式(1)：

(1)

对四阶向量自回归模型进行检验估计，回归结果见表1。

表1 VAR滞后阶数检验估计结果

由表1可以看出所有特征值均小于1，即所有特征值均落在单位圆之内，满足VAR模型平稳条件，所有特征值落于圆内，所以VAR系统是稳定的。

4.协整分析

由样本数据单位根检验得知，lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL六个变量均为一阶单整序列，且存在时间趋势[12]，所以满足协整检验的条件，可以进行协整检验。协整检验结果表明，存在三个线性无关的协整向量，而最大特征值检验也表明，在5%的水平上拒绝“协整秩为0”的原假设，所以协整秩为3，见表2和表3。

由表2和表3可知，lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL六个变量存在三个协整关系，由此可以看出lnGDP、lnM2、lnCAP、lnCDIM、lnLEV、lnNPL之间存在长期均衡关系。

表2 ln GDP、ln M2、ln CAP、ln CDIM、ln LEV、ln NPL

注：时间趋势不变，样本数量为38，样本数据为2009年第二季度至2018年第三季度数据，阶数为4

表3 ln GDP、ln M2、ln CAP、ln CDIM、ln LEV、ln NPL

注：时间趋势不变，样本数量为38，样本数据为2009年第二季度至2018年第三季度数据，阶数为4

5.格兰杰因果检验

格兰杰因果检验是为了确定变量之间动态相关关系，表明一个变量是否对另一变量有“预测能力”[13]。由于样本数据为平稳时间序列，所以可以进行格兰杰因果检验，检验结果见表4。

表4 格兰杰因果检验结果

由表4可以看出，在5%的显著性水平下，国内生产总值(lnGDP)、广义货币供应量(lnM2)、产能利用率(lnCAP)、信贷规模(lnCDIM)、杠杆率(lnLEV)的概率值均小于0.05，说明这五个变量均是不良贷款率的格兰杰原因，五大因素对不良贷款率的影响较为显著。

6.脉冲响应分析

利用脉冲响应函数可以看出施加一个随机误差项且是标准差大小的冲击，对内生变量的当前和未来的影响程度。五幅图分别表示的是国内生产总值(lnGDP)、广义货币供应量(lnM2)、产能利用率(lnCAP)、信贷规模(lnCDIM)、杠杆率(lnLEV)对不良贷款率冲击的脉冲响应函数，滞后期选取为8期，见图1。

图1 脉冲响应函数分析结果

(1)国内生产总值对于不良贷款率的脉冲分析。国内生产总值对商业银行不良贷款率的影响是负向的。原因如下：一方面，我国目前正处于数字金融的经济新常态下，“互联网+”的经济模式渗透到了金融、物流等各个行业，“互联网+”的行业迅速蓬勃发展带来了我国经济发展的良好形势，经济的发展为企业创造了更多的生产规模扩张机会，增加了企业对于资金的需求，企业的生产经营效率提升，不良贷款率下降。另一方面，互联网金融的发展带动了商业银行开展互联网和移动端的金融业务，部分机构选择进军商务领域，通过电子平台为互联网金融业务反向沉淀消费者数据，由此巩固了对客户的信用监管，降低了不良贷款率。因此，GDP的增加会导致商业银行不良贷款率下降。

(2)广义货币供应量对于不良贷款率的脉冲分析。M2对不良贷款率的影响由正向再转变为长期负向影响。主要原因如下：从长期来看，宽松的货币政策带来了低利率，投资和贷款得到扩张，企业在市场中得到的机会更多，发展空间更大，竞争使得优质企业存活，这些优质企业会在这种环境中利用融资支撑发展，形成良性循环，从而降低不良贷款率；而从短期来看(第1期)，在迅速扩张的时候，有些企业进行盲目投资，容易发生投资失败，导致不良贷款率上升。

(3)产能利用率对于不良贷款率的脉冲分析。产能利用率对不良贷款率的影响是负向的。究其原因主要是2008年我国实行的“四万亿”货币政策导致后期的产能过剩、产能利用率过低、市场出现供大于求的局面，行业的营利能力大大降低，甚至很多企业出现亏损，难以维持企业生存，导致不良贷款出现。因此，产能利用率的提升将会导致不良贷款率下降。

(4)商业银行贷款余额对于不良贷款率的脉冲分析。商业银行贷款余额对不良贷款率短期内呈现正向影响。在经济新常态下，扩张的货币政策增加了贷款数量，但是随着竞争程度深入，很多企业无法承受风险，面临倒闭和破产，从而提升了不良贷款率。长期看，随着企业的优胜劣汰及自身的调整，优质企业被保留，新增贷款数量会使得不良贷款率降低，新增贷款余额增加会导致不良贷款率所占份额减少。因此，短期商业银行贷款余额对不良贷款率是正向影响，长期商业银行贷款余额对不良贷款率是负向影响。

(5)杠杆率对于不良贷款率的脉冲分析。杠杆率对不良贷款率的影响如下：短期看，银行杠杆率水平的上升可以使得其风险偏好转好，愿意接受的风险总量上升，这使得市场处于积极上升状态，企业有更多的融资投入生产经营，在资金链正常运转的时候企业更有机会获得利润，由此良性循环，杠杆率水平上升降低了企业不良贷款概率；但是长期看，商业银行为了维持其利润，将会提高杠杆率，收缩表内业务，降低贷款额度，已经发放过的企业贷款在面临商业银行的高杠杆续贷的时候，常常会出现资金链无法衔接，从而产生不良贷款的局面。

7.方差分解分析

VAR模型也可以用于预测，利用方差分解确定被解释变量对解释变量向前一期的影响程度，滞后期选为8期。从表5可以看出，向前做8个季度的预测，不良贷款率对其自身影响在第1期最高，为70%左右，随后开始下降，即使在第8期也有53%的预测能力；而GDP对不良贷款率的贡献率呈现下降的趋势，最高贡献率在48%左右，在第7期贡献率最低，为20%左右；M2对不良贷款影响较为显著，在第5期达到峰值82%左右，在后几期保持着46%的贡献率；CAP对不良贷款贡献率影响效果不显著，且呈现持续下降的趋势，在后三期影响概率稳定在0.3%左右；CDIM的贡献率在第4期达到峰值，为39%左右，后开始下降；LEV这一指标在第1期贡献率最高，为56.295%，随后逐年递减，在最后一期稳定在8.02%水平上。以上方差分解分析结果和脉冲响应分析结果一致。因此，在所有指标中，应当关注不良贷款率对其自身的影响，以及国内生产总值、广义货币供应量及杠杆率水平对其的影响。

表5 NPL方差分解分析

三、实证结论分析

本研究选取了2008年第一季度到2018年第三季度数据，利用VAR模型实证分析了新常态国内生产总值、广义货币供应量、产能利用率、信贷规模、杠杆率对商业银行资产质量的影响，选取不良贷款率作为衡量商业银行资产质量的指标，得出以下结论： 第一，宏观经济因素中，GDP对不良贷款率影响为负；M2对不良贷款率的影响短期为正，长期为负。第二，企业经营因素中，企业的产能利用率对不良贷款率的影响长期为负。第三，银行因素中，商业银行贷款余额对不良贷款率的影响短期为正，长期为负；银行杠杆率水平对不良贷款率的影响短期为负，长期为正。

四、提升商业银行资产质量的建议

(一)把控全球宏观经济走势，善用利率控制行业风险

首先，目前我国正处于中美贸易战层层夹击之中，金融市场和经济形势时刻变化，商业银行应当对全球经济走势及时做出分析，跟踪各项指标的动向，并及时制定应对策略，利用大数据算法根据现有数据预测未来经济走势，具有前瞻性地制定信贷政策。

其次，房地产行业是杠杆率水平较高的行业，其不良贷款的发生率较高，产能过剩行业由于目前还有潜在未被吸收的产能，也是不良贷款率高发行业，商业银行可以通过利率水平的调整，转变信贷导向，严控高风险行业的利率管理，从源头治理，调整利率政策，控制行业风险。

(二)维持适度杠杆率水平，引导银企合作健康发展

商业银行利用负债撬动贷款的业务模式导致银行成为高杠杆行业，然而过高的杠杆率水平将使得企业因为难以承受财务成本无法取得融资，影响企业发展，降低企业贷款意愿，增加风险发生概率，而过低的杠杆率水平将使得商业银行赢利水平降低，降低其放贷意愿，增加信贷风险。因此，商业银行应当制定合理的杠杆率水平，创建银企合作的健康环境。

(三)建立全方位贷前贷中贷后审核、监督机制

为了提升商业银行资产质量，降低不良贷款发生率，商业银行应当利用大数据，让借款主体的信用信息在平台共享，贷前了解借款主体信息，避免一些信用老赖“骗贷”情形的发生。在贷中和贷后都要做好对借款主体的监督，定期查看企业的财务资料，实地考察企业生产运转状况，积极做好贷后管理工作，防范企业发生失信行为。

(四)利用互联网技术收集更多有效数据，创新信用管理模式

商业银行可以利用信息平台挖掘更多优质客户，此外还可以购买信息技术或者收购互联网金融公司，让银行兼具信息收集和风控职能。信息技术的发展降低了与客户沟通和业务办理的成本，利用技术的力量可以为风控系统保驾护航，从多角度创新风控的方式和信用管理模式，更加全面地进行信用管理，有效降低不良贷款发生率。