楊希

摘要：三農(nóng)發(fā)展一直以來都是國家重點關(guān)注的領(lǐng)域。服務(wù)于三農(nóng)和小微企業(yè)的村鎮(zhèn)銀行經(jīng)過十余年的發(fā)展在促進農(nóng)村經(jīng)濟改革，改善農(nóng)村金融環(huán)境等方面做出了重要的貢獻。但是近年來我國經(jīng)濟發(fā)展下行趨勢明顯，銀行不良貸款激增，村鎮(zhèn)銀行風(fēng)險防控面臨著巨大的壓力。我國非上市中小企業(yè)財務(wù)信息很難獲得，本文通過調(diào)研山東省某村鎮(zhèn)銀行，以其21家企業(yè)貸款客戶2015-2018年度財務(wù)數(shù)據(jù)為樣本，運用Logistic模型對影響村鎮(zhèn)銀行信用風(fēng)險的因素進行分析，結(jié)果顯示流動比率、現(xiàn)金比率、營業(yè)利潤率以及凈資產(chǎn)收益率等財務(wù)指標對村鎮(zhèn)銀行信用風(fēng)險有著顯著影響。

關(guān)鍵詞：村鎮(zhèn)銀行 信用風(fēng)險 Logistic模型 金融科技

一、引言

農(nóng)村經(jīng)濟發(fā)展歷來受到黨和國家的重視，中央一號文件連續(xù)多年提出要加大對“三農(nóng)”領(lǐng)域的投入，加大金融支持力度，改善農(nóng)村金融環(huán)境。為此，服務(wù)于農(nóng)民、個體工商戶和中小微企業(yè)的村鎮(zhèn)銀行應(yīng)運而生。經(jīng)過十余年發(fā)展，村鎮(zhèn)銀行靈活、快捷的服務(wù)己經(jīng)為農(nóng)村經(jīng)濟發(fā)展做出了重要的貢獻。以山東省為例，相關(guān)統(tǒng)計數(shù)據(jù)顯示，村鎮(zhèn)銀行存款吸收和貸款投放的力度逐年加大，2018年第三季度，山東省村鎮(zhèn)銀行吸收各項存款856.47億元，發(fā)放各項貸款總額為646.56億元，其中91.7%投放于農(nóng)戶和中小企業(yè)，為支持山東省三農(nóng)經(jīng)濟發(fā)展做出了重要貢獻。與此同時，相關(guān)數(shù)據(jù)顯示第三季度村鎮(zhèn)銀行的不良貸款率為3.27%，遠超其他商業(yè)銀行。當前我國經(jīng)濟發(fā)展增速減緩，企業(yè)違約事件頻發(fā)，擔保圈風(fēng)險暴露嚴重，銀行不良貸款激增，在此背景下做好村鎮(zhèn)銀行風(fēng)險防控工作刻不容緩。

二、文獻綜述

國外對于類似村鎮(zhèn)銀行的中小社區(qū)銀行信用風(fēng)險研究側(cè)重于建立模型進行實證分析，研究成果被大量運用于銀行的信用風(fēng)險管理之中。Martin（1977）選擇了58家瀕臨破產(chǎn)的美國銀行，使用8個有代表性的財務(wù)指標構(gòu)建Logistic模型來預(yù)測企業(yè)的違約概率。West（1985）證明了Logistic模型適合用來研究銀行信貸風(fēng)險。此外還有眾多知名的風(fēng)險度量模型，如KMV模型、BP神經(jīng)網(wǎng)絡(luò)算法和Credit Metrics模型等皆可以幫助銀行預(yù)測違約概率。

國內(nèi)對銀行信用風(fēng)險的研究，多以大型國有控股銀行和股份制商業(yè)銀行為樣本進行研究，如賈云赟（2012）構(gòu)建Logistic模型，研究了影響商業(yè)銀行信貸風(fēng)險的11個指標。Zhang Neng-Fu （2014）使用不良貸款率作為主要指標，構(gòu)建Logit模型對我國商業(yè)銀行信用風(fēng)險進行壓力測試，為我國商業(yè)銀行信用風(fēng)險管理提供參考?？傮w而言，較少考量到村鎮(zhèn)銀行等新型農(nóng)村金融機構(gòu)的風(fēng)險防控以及新常態(tài)下的宏觀經(jīng)濟發(fā)展對村鎮(zhèn)銀行的影響。

三、模型構(gòu)建與指標選取

（一）模型構(gòu)建

根據(jù)現(xiàn)代金融理論，衡量商業(yè)銀行信用風(fēng)險最常見的指標就是商業(yè)銀行不良貸款比率和企業(yè)違約概率。本文選取企業(yè)違約概率來衡量村鎮(zhèn)銀行信用風(fēng)險的大小。為了便于進行回歸分析，引入定性變量Y作為解釋變量，假設(shè)研究存在兩種不同情況，銀行存在信用風(fēng)險即企業(yè)出現(xiàn)信貸違約時，令Y=1;反之信貸違約不發(fā)生則Y=0。模型表述如下：

被解釋變量Y代表銀行信用風(fēng)險是否存在，取值0或1;Xi代表解釋變量，是銀行信用風(fēng)險的影響因素;α是隨機參數(shù);βi為待估計系數(shù)，則Y與X的關(guān)系可表示為：

P表示銀行貸款發(fā)生損失即信用風(fēng)險的概率，即Y=1的情形，1-P表示沒有發(fā)生損失的概率，即Y=0的情形，0≦P≦1，P越接近1，銀行貸款發(fā)生損失的概率越大，即銀行信用風(fēng)險越大，反之亦然。進一步簡化得：

（二）指標選取

本文在解釋變量的設(shè)計方面，選擇了與企業(yè)財務(wù)狀況聯(lián)系緊密的16個指標作為分析對象，按照性質(zhì)歸納為償債能力指標、盈利能力指標、經(jīng)營能力指標和發(fā)展能力指標等四大指標體系。模型最初選取的16個財務(wù)指標如表1所示。

（三） 數(shù)據(jù)來源與處理

村鎮(zhèn)銀行的貸款客戶以農(nóng)戶和未上市的小微企業(yè)為主，目前我國中小企業(yè)的信息披露機制尚不健全，非上市的中小企業(yè)財務(wù)信息很難獲得。為了使數(shù)據(jù)真實可靠，本文對山東省某村鎮(zhèn)銀行進行實地調(diào)研，經(jīng)過研究選取了該銀行21家企業(yè)貸款客戶2015-2018年的相關(guān)財務(wù)數(shù)據(jù)作為樣本，運用SPSS 22.0軟件進行分析處理。

四、實證檢驗

（一）主成分分析

本文對初選的16個財務(wù)指標進行主成分分析。首先進行了KMO檢驗和Bartlett球形檢驗，檢驗結(jié)果表明適合采用主成分分析方法，詳細結(jié)果見表2。經(jīng)檢驗提取了特征值大于1的5個主成分，其累計貢獻率達到了80.72%，效果較好。由于篇幅有限，特征值小于1的項目此處略。主成分提取結(jié)果如表3所示，旋轉(zhuǎn)成份矩陣如表4所示。

通過表4可知，提取的5個主成分代表了多個財務(wù)指標，factor1表示企業(yè)的盈利能力，代表了 X10， X11， X12， X13四個指標的信息量;factor2表示企業(yè)的償債能力，代表了 X1， X2， X3， X4等四個指標的信息量;factor3表示企業(yè)的發(fā)展能力，代表了 X14， X15， X16三個指標的信息;factor4表示企業(yè)的經(jīng)營能力，表達了變量 X7， X9等兩個指標的信息量;factor5代表了變量 X6，反應(yīng)了企業(yè)償付借款利息的能力。通過表5可以得到factor1-factor5的表達式，此處略。

（二）Logistic模型回歸分析

將上述提取出的5個主成分作為自變量，將企業(yè)違約率Y作為因變量，整理調(diào)研所獲得的企業(yè)數(shù)據(jù)，將企業(yè)正常貸款記為Y=0，關(guān)注類及以下貸款記為Y=1，運用SPSS22.0軟件進行Logistic模型回歸及穩(wěn)定性檢驗，結(jié)果如下，見表6：

由表6可見，factor1，factor2通過了顯著性檢驗，即企業(yè)償債能力和盈利能力對村鎮(zhèn)銀行的信用風(fēng)險具有顯著影響。結(jié)合表5最終得到的Logistic模型表達式如下：