基于CPV模型的我国商业银行信用风险宏观压力测试研究

张志彬， 丁晓莉

(湖南科技大学 商学院， 湖南 湘潭 411201)

当前，我国正处于向高质量发展转型的阶段，经济增速放缓、房地产过热诱发不良贷款隐患增加、地方政府债务违约风险提高、互联网金融爆雷事件频发等问题，势必会对我国金融系统的稳定性形成严峻挑战。谢太峰等认为，商业银行作为经济活动的重要调节器，其稳定运营是实现经济高质量发展的基础[1]。2019年，包商银行破产、锦州银行和恒丰银行债务重组，以及一些地方性商业银行出现的挤兑事件，无不透露出我国商业银行运营风险呈现逐渐增大的趋势。商业银行目前面临的主要经营问题是隐藏不良贷款所引发的债务人信用风险。当宏观经济形势较为稳定，商业银行基于稳健性经营的要求，一般会控制对高收益的过度追求。Mckinnon和Ronald认为，经济增速趋缓，政府为了达到提振经济的目的，支持商业银行向投资主体发放贷款，诱导其采取激进的经营方式，从而引发的信用风险也会显著增加[2]。

1996年，Jorion 建立的VAR模型是构建信用风险压力测试模型的基础[3]。 2000年，Jeffrey设立并修正了期望违约概率模型[4]。2008年，Fong P W等应用MVAR模型对商业银行信用风险进行了评估[5]。2009年，周四军等开始应用死亡概率模型来测算商业银行客户违约率[6]。郭莲丽等则采用定性和定量指标相结合的方法对商业银行的信用风险进行测度[7]。顾海峰利用模糊评判法测度了信用平稳情况下商业银行的信用风险，之后又对信用突变情况下的信用风险进行测算[8][9]。2020年，因子分析模型在测度商业银行信用风险方面得到应用[10]。在信用风险承压指标的选取方面，分别以信贷利差、银行的不良贷款率、逾期贷款占比、股价波动率和逾期违约率等作为信用风险承压指标，这些指标都能较好地衡量商业银行的信用风险[11][12]。当因变量为商业银行的不良贷款率，自变量为国内生产总值或利率时，可以发现商业银行的不良贷款率会受到宏观经济指标的显著影响[13]。在对我国商业银行信用风险进行测度的过程中发现，我国商业银行体系在改革开放后有11年的不稳定期，具有较大的金融风险[14]。经济增长率、货币供应量增长率和消费者价格指数会给商业银行体系带来负向冲击效应，贷款利率则会给商业银行体系带来正向冲击效应[15]。

综上所述，关于商业银行信用风险的研究已取得一定理论成果，但对于如何基于CPV(Credit Portfolio View)模型，并利用最新的宏观经济数据来对我国商业银行的信用风险进行测度，并模拟受到不同宏观压力冲击下信用风险的相应变化情况，进而对当前我国商业银行的抗风险能力进行科学评估，尚存在深入研究的空间。

二、宏观压力测试模型构建、变量选择与数据说明

(一)理论模型说明

在压力测试模型系统的构建方面，可以分为压力传导模型和压力情景生成模型两个部分[16]。

(1)

yt=f(x1,x2,……xn,vt)

(2)

xt=k0+k1xt-1+……+kpxt-p+εt

(3)

(4)

其中，t代表时间，vt、εt为随机扰动项。

在方程(1)中，NPLt代表商业银行在时期t的不良贷款率，使用logit回归将信用风险指标NPLt进行非线性转换，由0-1之间转化成取值为-∞到+∞的中介变量yt，由式(1)可知，yt与NPLt成反比，yt越小，NPLt越大，即商业银行的信用风险状况越差。2011～2021年，我国y与NPL的关系(如图1所示)，宏观经济状况和商业银行不良贷款率呈负相关关系。

图1 2011～2021年我国y与NPL的变化趋势图

方程(2)为风险传导模型。该方程表示转换后的中介变量yt与宏观经济指标x1,x2,……xn的因果关系，采用线性回归方程进行描述。其中，yt代表与时期t的宏观经济状况相关的一个综合指标，也是反映各宏观经济指标和商业银行NPLt关系的一个“中介变量”，x1,x2,……xn表示与商业银行NPLt相关的一组宏观经济指标。

方程(3)为压力情景模型。该模型用于生成极端但合理的宏观经济冲击，引入VAR模型，研究各宏观经济指标之间的相互作用，反映一个宏观经济指标的变动能够通过传导，从而对模型中的其余经济指标产生影响。其中，x表示一系列宏观经济变量，是一个包含t时期n个变量值的n×1维列向量。

联立方程(2)风险传导模型和方程(3)压力情景模型，得到一个从宏观经济指标到NPLt的模型系统，该系统有一个误差向量和协方差矩阵，即方程(4)，其内部方程间存在扰动项的同期相关性,从而保证了压力情景生成的合理性。其中，vt、εt均为(n+1)×1维的列向量。

(二)计量模型构建与变量选择

进行宏观压力测试所要达到的目标是测度宏观经济指标的变动对我国商业银行信用风险状况产生多大程度的影响。基于Wilson的CPV模型，选择相关宏观经济指标和综合经济指标构建如下风险传导模型[17]，用以描述各宏观经济指标与yt的线性关系：

yt=α0+β1G_GDP+β2G_M2+β3CPI+β4ROE+εt

(5)

使用中国银保监会网站公布的不良贷款率作为商业银行信用风险状况的衡量指标。中国银保监会网站公布的不良贷款率涵盖了我国境内各类商业银行，能够比较全面反映我国商业银行体系的信用风险。选取的主要宏观经济指标如下。

(1)国内生产总值增长率(G_GDP) 它体现了国家的经济发展规模，直接影响商业银行的经营表现。G_GDP越低，代表宏观经济形势相对不景气，企业容易出现资金周转困难、财务状况恶化等问题，没有足够的资金偿还债务而引发债务违约。同时，当经济处于低迷时期，企业的抵押物处置困难，或者出现抵押物价值无法完全覆盖所需清偿债务的金额，商业银行的NPL由此上升。

(2)广义货币供应量增长率(G_M2) 它是中央银行货币政策的操作目标，同时也是影响商业银行经营状况的一个重要因素。M2的增加，意味着国内处于相对宽松的货币环境，实体经济流通资金的增加，企业获取资金的成本下降，可获得的融资信贷额增加，有利于其扩大生产规模，从而降低企业违约的可能性，能够间接降低商业银行的NPL。

(3)消费者价格指数(CPI，ConsumerPriceIndex) 它是反映宏观经济的重要指标。从长期来看，消费者价格指数的持续增长会导致居民实际收入下降，降低实际经济增长率，使银行的NPL增加。但是从短期来看，消费者价格指数的温和良性增长表示经济稳定向上，企业倾向于扩大生产规模，有利于其增加营业收益和改善运营状况，从而有效降低商业银行的NPL。

(4)美元兑人民币的汇率(ROE，RateofExchange)ROE的变动，会对进出口贸易和对外投资产生重要影响。ROE上升，意味着人民币相对美元贬值，虽然会促进出口的增长，但是进口商品价格也会相对上升，会导致本国企业进口商品和原材料的成本增加，降低企业的利润率，从而导致商业银行的NPL上升。

G_GDP和ROE的数据来自国家统计局网站。G_M2、CPI的数据来自CSMAR(国泰安数据库)。实证分析所使用的数据为2011～2021年的季度数据，对于非季度数据采用几何平均法进行处理，转换成季度数据。在对数据进行选取时，由于同比增长率数据与原始数据相比而言平稳的可能性更大，所以，广义货币供应量和国内生产总值均使用同比增长率的形式。各变量的描述性统计分析结果，如表1所示。

表1 主要变量的描述性统计

三、数据检验与参数估计

(一)平稳性检验和协整检验

采用VAR模型构建包含各宏观经济指标的压力情景模型。在进行VAR建模之前，为确保指标为平稳序列或者各指标之间具有协整关系，先对各个宏观经济指标进行平稳性检验。采用单位根检验ADF检验来检查序列平稳性，结果见表2。各宏观经济指标都是一阶单整的，可以进行协整检验。

表2 ADF检验结果

使用Johansen检验判断各指标之间是否存在长期的稳定关系，检验结果如表3所示。迹统计量检验和最大特征值统计量检验均表明各宏观经济指标之间存在1个协整关系。因此，指标G_GDP、G_M2、CPI、ROE满足VAR建模的条件。

表3 Johansen协整检验结果

(二)模型形式确定

在建立 VAR 模型之前，确定模型最佳滞后期数十分关键,见表4。表4结果显示，LR、FPE、AIC检验准则确定的最佳滞后期数皆为2阶，SC、HQ检验确定的最佳滞后期数为1阶。因此，在建立VAR模型时确定的滞后期数为2。

表4 滞后阶数检验结果

(三)模型参数估计

从前文的分析中可得，信用风险传导模型(2)中确定的指标为G_GDP、G_M2、CPI、ROE；压力情景模型(3)确定的最佳滞后期数为2。将方程(2)与方程(3)联立构建方程模型系统，使用似无关回归方法(SeeminglyUnrelatedRegression，SUR)对各方程的参数进行估计。方程(2)与方程(3)的SUR估计结果如表5所示。

表5 SUR估计结果

分析结果显示：在1%的显著性水平上，G_GDP、G_M2、CPI、ROE对我国商业银行的信用风险水平均存在显著效应，除ROE对商业银行信用风险为显著负效应外，其余宏观经济指标均反映为显著正效应。G_GDP、G_M2、CPI、ROE与其滞后一期之间都存在显著的正向关系。

从表5的回归分析结果可以看出，宏观经济指标G_GDP、G_M2、CPI的系数为正，ROE系数为负。这意味着当GDP处于较高增长率的情况下，整个宏观经济环境形势向好，企业的经营状况处于相对健康的状况，还贷能力较强，使得NPL相对下降。M2代表着我国货币政策的实施情况，当G_M2处于上升状态时，说明我国实施较为宽松的货币政策，从短期来看有利于刺激企业增加投资，提高企业盈利能力，从而降低NPL；CPI温和上升，从短期来看有利于提高居民的名义收入，发挥通货膨胀的产出效应，降低NPL；汇率的变动对企业的影响有利有弊，随着ROE的增大，人民币贬值，对于从国外进口原材料的企业而言，会导致生产成本上涨，如果企业的生产成本大于其营业利润，就会导致企业存在违约的风险，带动NPL上升。整体而言，上述SUR的实证结果与经济意义上的预期相一致。

四、压力情景模拟及风险评估

为了对商业银行在不同压力情景下的抗压能力进行检验，利用前文所设计的宏观经济压力测试模型体系对不同的宏观经济冲击情形进行模拟。选取的宏观经济指标为G_GDP。假定G_GDP发生了较大幅度的下降，这表明国内的整体经济形势严峻，企业的经营利润面临下降的危险，企业有更大的概率无法按时偿还贷款，商业银行的信用风险也随之提高。而且，G_GDP作为一个最重要的宏观经济指标，其变化会对其余的宏观经济指标产生影响。将不同压力冲击下G_GDP及受其影响的其余宏观经济指标的数值代入压力情景模型，可以得到不同程度的宏观经济冲击对商业银行信用风险产生什么样的影响，从而能够评估商业银行在面临不利宏观经济冲击时抵御风险的能力。

(一)压力测试初始冲击情景的设计

受全球经济增长趋缓和新冠肺炎疫情的冲击，2020年我国国内经济增速放缓，由此带来商业银行信用风险的上升。本研究选取GDP增速下滑这一宏观压力指标作为压力冲击因子。在测试过程中，为了更加准确评估我国商业银行面对宏观经济形势变化的抗压能力，设定了轻度压力、中度压力和极端压力等3种压力情景，并测算对商业银行NPL的影响。压力冲击强度参考中国人民银行发布的《2020年中国金融稳定报告》，压力测试初始冲击情景如表6。

表6 压力测试GDP同比增速

在对宏观经济指标进行赋值时，利用对传统方法的修正[18]，将G_GDP作为解释变量，其余宏观经济指标作为被解释变量，并逐步加入滞后项，发现G_GDP对于G_M2、CPI和ROE具有较强的解释力，由此确定的回归模型如下所示：

G_M2=9.601 3+0.264 3G_GDP(-2)

(6)

CPI=102.542 0-0.157 8G_GDP+0.133 4G_GDP(-2)

(7)

ROE=6.873 8-0.029 9G_GDP-0.023 2G_GDP(-1)

(8)

方程(6)(7)(8)反映了各宏观经济指标与压力冲击因子G_GDP的线性关系，也是对方程(3)压力情景模型的估计。根据其以及G_GDP的自回归模型，能够对在GDP增速下滑压力情境下所对应的其余宏观经济指标的值进行合理的估计。不同压力情景下其余宏观经济指标估计结果见表7。

表7 其余宏观经济指标的取值

由表5得出的风险传导模型的多元回归方程如下所示：

yt=-1.862 7+0.015 5G_GDP+0.036 0G_M2+0.084 0CPI-0.466 0ROE

(9)

方程(9)反映了各宏观经济指标与综合指标yt的线性关系，将表7各宏观经济指标的估计结果代入方程(9)，可以得出不同压力情景下综合指标yt的结果，再通过logit转化获得NPLt的结果(见表8)。假定我国经济处于低迷状态，CPI、G_M2以及ROE等宏观情景指标在G_GDP受到不同强度的冲击时，会相应发生变化，导致中介变量综合经济指标发生变化，最终致使商业银行的NPL也会发生与其相反方向的变化。在商业银行面临轻度、中度和极端三种不同的压力冲击时，其NPL呈现不同程度的上升。受到极端冲击时，商业银行NPL的上升幅度大于受到中度冲击时的上升幅度。这是因为经济衰退是一个逐步演变的过程，当其衰退程度不断加深时，对商业银行NPL的冲击会逐步深化。

表8 宏观压力测试结果

(二)宏观压力测试风险评估结果

为了厘清商业银行在受到不同宏观经济压力冲击下的承压能力，对其进行宏观压力测试。落实到商业银行的日常活动，就需要对其提取的贷款损失准备是否能够抵御受到不同宏观压力冲击造成的信用风险水平进行分析。

固定期间(T)内，变量EAD表示商业银行信用风险暴露状况，变量PD表示商业银行的贷款违约概率，变量LGD表示违约发生后的损失率，根据这三方面来衡量商业银行的信用风险水平。按照巴塞尔新协议框架，T期间内的信用风险水平可由ELT=PDr×LGDr×EADr公式测量。

EAD和LGD设置为两定值，其中EAD使用商业银行T期间内的贷款总额进行衡量，LGD使用巴塞尔新协议关于银行的规定，取值为45%，假设贷款违约概率PD为商业银行的不良贷款率。截至2021年第二季度末，我国商业银行为法人客户所提供的贷款总额达1 590 000亿元，贷款损失准备达54 000亿元。对于不同的宏观经济压力冲击，可以得出压力测试风险评估结果(见表9)。

表9 不同压力情境下的风险评估结果

面对不同的三种宏观压力情景，商业银行所计提的整体贷款损失准备可以抵御在受到轻度、中度和极端压力的冲击时，导致的不良贷款率上升而带来的信用风险损失。也就是说，我国商业银行能够通过提取贷款损失准备来应对在客户出现违约情形下的预期损失。

五、余 论

通过借鉴Wilson的CPV模型对我国商业银行的信用风险状况进行宏观经济压力测试。结果表明：国内生产总值增长率、广义货币供应量增长率、消费者价格指数和美元兑人民币汇率等宏观经济指标会对商业银行的不良贷款率产生显著的影响。其中，美元兑人民币汇率对商业银行的不良贷款率产生正向效应，其余指标与不良贷款率之间存在着负向效应，该结论与经济现实相一致。通过设计不同宏观压力情景冲击，将国内生产总值增长率作为主要发生波动的宏观经济指标，国内生产总值增长率作为一个关键的宏观经济指标会对其余经济指标产生极其重要的影响，把受其影响的各宏观经济指标的结果代入原先估计的多元回归方程中，就能预测出商业银行不良贷款率在受到不同冲击下的变化情况。结果显示：无论受到何种程度的压力冲击，不良贷款率都会产生上升的趋势，特别是发生极端压力冲击时，其上升幅度更为明显。

从分析结果可以看出，我国商业银行体系整体来说比较稳定，商业银行目前所计提的贷款损失准备能够抵御不同压力冲击时带来的风险损失。但本研究只针对全国所有商业银行整体而言，部分中小银行抵御风险的能力较弱。“极端但可能”发生的不利宏观经济冲击会导致我国商业银行的信用风险状况出现明显恶化，给商业银行安全性经营原则的实现造成极大的隐患，从而使得我国商业银行不良贷款率也随之提高。因此，为了及时应对风险变化，商业银行应按时完成各种类型的压力测试，对于可能存在的风险提前做好预警工作，以保证我国商业银行体系能够维持平稳健康经营的态势。虽然压力冲击是不确定性事件，一旦发生却会对银行的稳健经营产生极大的危害。商业银行应保持规范经营，通过批量定向转让不良资产、推动不良资产证券化以及自主核销符合规定的不良资产等方式拓宽不良资产处置渠道，维持经营稳定性。同时，要做好不良贷款可能大幅反弹的应对准备。由于国内生产总值增长率、货币供应量增长率、消费者价格指数和美元兑人民币汇率都会对不良贷款率产生较明显的影响，商业银行在进行风险评估时，应时刻关注这些宏观经济指标的变化，及时对贷款损失准备做出调整，提高抵御风险冲击的能力。