农村商业银行不良贷款率影响因素分析

朱家明， 吴毓昱， 袁文静

(1.安徽财经大学 统计与应用数学学院，安徽 蚌埠 233030；2.安徽财经大学 金融学院，安徽 蚌埠 233030；3.安徽财经大学 会计学院，安徽 蚌埠 233030)

中国经济发展步入新常态。截至2018年年底中国国内生产总值增速下跌至6.6%，宏观经济增速下滑，供给侧结构性改革，淘汰低端、过剩产能给实体企业发展带来巨大压力，企业信贷违约风险随之增大，商业银行出现不良贷款额和不良贷款率的“双升”，其中农村商业银行不良贷款率最高达3.96%。①作为农村金融体系重要组成部分，农村商业银行信贷投放对中小企业、“三农”发展有重大影响，分析农村商业银行不良贷款的影响因素，研究存量化解、增量防范措施，对新常态背景下保证农村金融体系健康运行、促进农村经济平稳发展具有重大现实意义。

一、文献综述

(一)关于不良贷款率影响因素的研究

不良贷款率是指金融机构不良贷款占总贷款余额的比重，过高时不仅会降低商业银行的流动性和经营效率，还可能诱发严重社会道德风险和金融危机。以往关于不良贷款率影响因素的研究成果，大致可以归纳为三类。

1．宏观经济因素。李麟、索彦峰(2009)利用1994～2008年银行经营数据进行实证检验，认为不良贷款增长与宏观经济波动存在明显的Granger因果关系。[1](P55～63)Louzis等(2012)分别对希腊银行业消费贷款、商业贷款和抵押贷款中增加的不良贷款进行分析，发现很大程度上都可以由GDP、失业率、公共债务等宏观经济变量来解释。[2](P1 012～1 027)

2．金融发展因素。周忠明(2005)提出信贷过快膨胀是不良贷款产生的重要原因。信贷高速增长，营业状况不佳的企业仍能通过借新还旧、转期等方式继续获得贷款，而一旦贷款投放速度下降，大量的不良贷款便会集中显现出来。[3](P2～8)邹克、蔡晓春(2017)基于2005～2014年省级面板数据，以信贷余额占GDP比例为例实证分析了金融发展深度对不良贷款率的影响，结果表明金融发展深度提高有利于降低不良贷款率。[4](P10～18)

3．银行特征因素。在外部环境相同的条件下，银行自身的贷款集中程度、贷款担保方式、多元化经营水平等指标也会引起不良贷款率的差异。Rossi等(2009)从银行贷款成本和收益入手，利用澳大利亚大型商业银行1997～2003年的数据进行实证检验发现，贷款分散虽然增加了，但可以分散银行经营风险并带来收益的提高。[5](P2 218～2 226)胡建光、姚伟强(2015)利用动态面板数据模型研究浙江省银行机构季度不良贷款数据后发现，贷款投向的行业集中度对不良贷款率有正的显著性影响，即银行贷款越集中，不良贷款率水平越高。[6](P50～60)董俊杰(2014)研究发现，中小企业在发展初期常形成联合体向银行申请贷款，而当其中一家经营出现状况，风险也会依附这种互保、联保关系蔓延。[7](P67～72)Demirguc-Kun等(2010)以101个国家的银行1997～2007年的银行数据为样本，研究发现银行业务多元化水平较高，即非利息收入比重高或依赖非存款渠道融资的银行，其风险水平一般也很高。[8](P626～650)

(二)关于农村商业银行的研究

中国农村商业银行是由农村信用社改制而来，定位于服务“三农”、中小企业和地方经济发展，以往文献主要对其经营过程中存在的问题和效率进行考察。陆建生(2004)认为农村商业银行经营范围受限、地方产业结构单一、农业本身弱质性使其面临了较大的经营风险且无法有效分散。[9](P13～14)蒋定之(2008)指出农村商业银行存在历史遗留问题，内部管理和风险控制制度不完善,可以通过相互竞争达到革新体制机制的目的。[10](P8～10)肖斌卿、李心丹、颜建晔(2017)为研究农村商业银行实现财务可持续和服务“三农”的双重目标的关系，分别测算其商业效率和社会效率后发现两者呈U型关系，农村商业银行的贷款市场份额、资产经营规模、营运成本是决定商业效率和社会效率是否同时有效的主要因素。[11](P117～129)宋波、华桂宏(2019)使用省内区域差异具有代表性的江苏省农村商业银行的面板数据分析支农贷款的投放效率，认为人口密度较高、第一产业GDP占比较高是支农贷款运用效率较高的一般原因。[12](P22～28，35)

总的来说，上述研究从多个角度考察银行不良贷款率的影响因素，这为本文研究奠定了坚实的理论基础，但尚存在可完善之处：第一，现有研究主要基于时间序列数据，探究某一家银行或银行整体不良贷款率的影响因素，而未考虑到银行间的差异性；第二，上述文献的研究对象集中在国有大型商业银行，而农村商业银行作为中国农村金融体系的重要组成部分，在发展历程和经营对象方面具有一定特殊性，其不良贷款率偏高问题却少被讨论到。因此，本文拟利用面板数据，从区域经济状况、金融发展状况、银行经营行为方面对农村商业银行不良贷款率的影响因素进行实证研究。考虑到农村商业银行历史包袱重、业务围绕着服务“三农”和小微企业开展的特点，在模型回归分析的基础上，从政府、金融监管部门和银行自身角度给出合理建议。

二、研究设计

(一)样本选取与变量设定

考虑到数据的代表性和可获得性，本文选取9家不同地域的农村商业银行作为研究对象，以其2010～2018年的不良贷款率组成的面板数据为样本，定量分析影响农村商业银行不良贷款率的因素。鉴于宏观性指标只能反映国家总体大环境的变动，掩盖了差异性，本文倾向于选取能反映区域特征的中观指标和银行个体特征的微观指标作为解释变量，具体从区域经济状况、金融发展状况、银行经营行为三个方面选取了九个指标，其中，区域状况指标的相关数据整理来源于中经网统计数据库和国家统计局网站，银行特征指标数据来源于前瞻数据库。变量定义详见表1。

表1 变量说明

(二)不良贷款影响因素模型设计

商业银行当期不良贷款率值对前期水平有很大依赖性，参考Louzis等(2012)的相关研究成果[2](P1 012～1 027)，本文在上述所列影响因素的基础上引入了不良贷款率的滞后值作为模型解释变量，构建了动态面板数据模型。

nplrit=ηi+anplri,t-1+βXit′+εit，

(1)

其中，|α|<1，i=1,2…,8，t=1,2…,9，Xit′表示上述所列的影响因素变量观测值的矩阵，β为Xit′的系数向量。

考虑到变量差分值能直接反映变量的动态变化情况，采用不良贷款率差分值建立的模型可能较好识别影响不良贷款率的因素，本文进一步建立了不良贷款率差分值的面板模型。

dnplrit=ηi+αdnplri,t-1+βXit′+εit。

(2)

三、实证分析

(一)描述性分析

由图1不难看出，农村商业银行不良贷款率值总体上呈现先下降后上升的变化趋势。2014年以前，除个别家农商行外，不良贷款率水平均有明显的下降，而到2014～2018年间，各家银行不良贷款率又都出现了不同程度地上升。对此，本文认为这与2008年全球金融危机爆发后中央政府推出的四万亿投资计划密切相关，当中央政府释放出刺激经济的信号后，地方政府也纷纷跟随，实际入市的资金已远远超出了四万亿，使得中国经济迅速走出低谷，银行的不良贷款率相应也有所下降，但同时这种高耗费、低效益的增长也带了巨大的隐患。随着对经济新常态的认识加深，2015年中央开始实施供给侧结构性改革，提出“三去一降一补”的五大任务，隐匿的不良资产浮现导致了不良贷款率的回升。

图1 2010～2018年9家农商行不良贷款率变化趋势

(二)平稳性检验

依据平稳序列建模原则，对选定的变量执行单位根检验，判断数列平稳性，防止出现伪回归。面板数据的单位根检验方法分为两大类，一类是假定各截面序列有相同单位根时的检验，包括LLC检验、Breitung检验、Hadri检验；另一类为允许各截面序列有不同单位根的检验，包括Im-Pesaran-Shin检验、Fisher-ADF检验和Fisher-PP检验。[13](P78)在本文中，将同时执行相同根条件下的LLC检验和不同根条件下的Fisher-ADF检验，以避免单一方法可能造成的缺点。通过表2中变量原序列的单位根检验结果可知，在1%的显著性水平下，各变量均存在单位根，是非平稳的。因此，考虑对经一阶差分后的变量序列再次执行单位根检验，结果在1%的显著性水平上均拒绝了原假设，即都没有单位根，各变量均为一阶单整的，由此为进一步的协整关系测试提供了依据。

表2 单位根检验结果

注：*、**、***分别表示在10%、5%、1%的水平上显著，下同。

(三)协整关系检验

非平稳变量序列之间存在的长期均衡关系称为协整，有理论表明基于一组非平稳但有着协整关系的序列直接建立回归模型，得到的参数估计量会以更快的速度收敛于真实值，即具有超一致性。[13](P78)表3为运用Kao方法对模型(1)、(2)中所涉及的变量进行协整关系检验的结果，其中检验统计量的P值均小于1%，应在99%置信度下拒绝“不存在协整关系”的原假设，认为面板变量间存在长期均衡关系，可以直接进行参数估计。

表3 协整检验结果

(四)动态面板模型估计结果分析

采用传统方法对动态面板模型进行参数估计，由于解释变量中包含被解释变量滞后值导致的内生性问题，将会得到有偏、非一致的结果，参考以往文献，本文将采用GMM方法以解决这一问题。在使用GMM方法进行动态面板回归过程中，需要运用Sargan统计量对新增工具变量的有效性进行检验，并判断扰动项的差分序列是否存在二阶或更高阶的自相关，以保证获得的是有效、一致的估计，具体的回归、检验结果见表4。

表4 不良贷款率影响因素回归结果

注：L1表示被解释变量的一阶滞后值。

由较高的AR(2)测试值可以认为模型扰动项的差分没有二阶及以上自相关问题，大于10%的Sargan统计量也证明了两种GMM方法中所选用工具变量的有效性，上述的模型设置和估计方法是合适的。通过比较变量回归参数的显著性发现，仅有模型(2)的系统GMM回归结果多数通过了5%的显著性检验，因此本文针对模型(2)的系统GMM回归结果做研究分析。

从被解释变量的滞后项来看，估计参数显著为正，一方面表明在模型解释变量中设置不良贷款率滞后期值是适当的，另一方面也证明了当期不良贷款率值与前期水平的正相关关系，大于0.6的回归系数也反映出两者间的依赖关系较强，倘若银行前期不良贷款率过快增长会给银行后续经营造成压力，这点与现实情况是相符的。

从区域经济状况因素来看，生产总值增长率、就业水平对当地农村商业银行不良贷款率变动的影响均不显著，只有农业产值增速在5%的显著性水平下通过了检验，小于零的回归系数表明了两者间呈反向相关，即农业产值提高，该地区农村商业银行的不良贷款率呈下降趋势，这是因为农村商业银行着力于服务当地“三农”发展，银行的资产质量与农业行业状况关系更为密切。

从金融因素出发，回归结果显示信贷规模扩大对不良贷款率的降低有促进作用，对此的解释是：虽然信贷过快膨胀意味着银行会放松信贷准入条件，由此导致贷款平均违约风险增大，但不良贷款显现的时间通常在几年以后，即银行不良贷款额的增加与贷款总额的增加间存在时滞。因此，当期的不良贷款率水平随着分母贷款总额增加有所下降。此外，数据显示金融深度因素对不良贷款率的影响并不显著。

从银行特征因素出发，cl、gt、dl的系数均为正，即在外部环境相同的条件下，银行贷款投向集中、信用贷款及互保联保贷款占比过大、多元化经营都会增大银行的经营风险，使不良贷款率攀升，与前文的总结较为一致。

四、结论与启示

本文较为全面地从三个角度探讨影响农村商业银行不良贷款率的因素，并用2010～2018年9家不同地域农村商业银行的面板数据进行了实证检验。通过将不良贷款率和不良贷款率变动趋势(即差分值)作为解释变量，运用基于GMM方法的动态模型进行回归得出：农业发展状况、信贷扩张、银行多元化经营水平、贷款的集中程度与担保方式都会对农村商业银行不良贷款率产生显著性影响。具体看，农业产值增长、信贷规模扩大对农村商业银行不良贷款率的降低有正向作用，银行业务范围过宽、贷款投向集中、信用贷款及互保联保贷款占比过大都会增大银行经营压力，不利于降低不良贷款率水平，而经济总产值增长快、就业形势好的地方农村商业银行不良贷款率无显著变动趋势。

基于以上实证检验结果，联系农村商业银行经营现状和中国经济新常态的发展背景，得出如下启示。

第一，政府应完善政策，加大支农力度。农村商业银行贴近社区，在服务“三农”方面发挥着积极作用。受制于农业固有的弱质性，农村商业银行的支农贷款不良率也相对较高，政府部门可以向农村商业银行投放专项资金用于农户贷款，并就自然灾害等因素造成的风险损失给予银行一定的补偿，从而加大对农村商业银行、农村经济的支持。

第二，银行监管部门应强化资本约束，实现贷款平稳增长。根据以上分析，信贷规模扩张虽然会使当期不良贷款率有所下降，但同时会带来隐性不良贷款的增加，加剧银行未来的信贷违约风险。因此，银行监管部门应当充分重视对银行信贷投规模的监督管理。首先，可以使用一些审慎监管工具控制经济周期各阶段内的信贷投放量，避免发生过度借贷；其次，信贷增速可以被列为银行不良贷款率的预警指标，帮助监管部门提前实施干预；最后，强化各项风险指标，将银行不良贷款率、核心资本充足率严格限定在可控水平范围内，并定期对影响长期经营的指标进行检查，全面提高银行信贷资产质量。

第三，农村商业银行应实施精准管控，增强风险抵御能力。从农村商业银行自身角度来说，可以基于以往积累的业务数据，依托新兴的互联网大数据、云计算等手段，构建小微企业信用评分模型，实现精准放贷、实时追踪。此外，基于前文分析，信贷维度拓宽会加剧经营的不稳定性，农村商业银行应严格遵守跨区经营限制，把经营注意力放在当地“三农”上，把经营重心放在当地产业经济上，避免盲目的业务扩张。最后，新常态下面对宏观经济增速放缓、企业违约风险加剧，农村商业银行应努力提高自有资本充足率以及拨备覆盖率，一旦损失实际发生，银行可以依托自身财力化解风险。

注 释：

①数据来源于前瞻数据库。