農(nóng)村商業(yè)銀行不良貸款率影響因素分析

朱家明， 吳毓昱， 袁文靜

(1.安徽財經(jīng)大學(xué) 統(tǒng)計與應(yīng)用數(shù)學(xué)學(xué)院，安徽 蚌埠 233030；2.安徽財經(jīng)大學(xué) 金融學(xué)院，安徽 蚌埠 233030；3.安徽財經(jīng)大學(xué) 會計學(xué)院，安徽 蚌埠 233030)

中國經(jīng)濟發(fā)展步入新常態(tài)。截至2018年年底中國國內(nèi)生產(chǎn)總值增速下跌至6.6%，宏觀經(jīng)濟增速下滑，供給側(cè)結(jié)構(gòu)性改革，淘汰低端、過剩產(chǎn)能給實體企業(yè)發(fā)展帶來巨大壓力，企業(yè)信貸違約風(fēng)險隨之增大，商業(yè)銀行出現(xiàn)不良貸款額和不良貸款率的“雙升”，其中農(nóng)村商業(yè)銀行不良貸款率最高達(dá)3.96%。①作為農(nóng)村金融體系重要組成部分，農(nóng)村商業(yè)銀行信貸投放對中小企業(yè)、“三農(nóng)”發(fā)展有重大影響，分析農(nóng)村商業(yè)銀行不良貸款的影響因素，研究存量化解、增量防范措施，對新常態(tài)背景下保證農(nóng)村金融體系健康運行、促進農(nóng)村經(jīng)濟平穩(wěn)發(fā)展具有重大現(xiàn)實意義。

一、文獻綜述

(一)關(guān)于不良貸款率影響因素的研究

不良貸款率是指金融機構(gòu)不良貸款占總貸款余額的比重，過高時不僅會降低商業(yè)銀行的流動性和經(jīng)營效率，還可能誘發(fā)嚴(yán)重社會道德風(fēng)險和金融危機。以往關(guān)于不良貸款率影響因素的研究成果，大致可以歸納為三類。

1．宏觀經(jīng)濟因素。李麟、索彥峰(2009)利用1994～2008年銀行經(jīng)營數(shù)據(jù)進行實證檢驗，認(rèn)為不良貸款增長與宏觀經(jīng)濟波動存在明顯的Granger因果關(guān)系。[1](P55～63)Louzis等(2012)分別對希臘銀行業(yè)消費貸款、商業(yè)貸款和抵押貸款中增加的不良貸款進行分析，發(fā)現(xiàn)很大程度上都可以由GDP、失業(yè)率、公共債務(wù)等宏觀經(jīng)濟變量來解釋。[2](P1 012～1 027)

2．金融發(fā)展因素。周忠明(2005)提出信貸過快膨脹是不良貸款產(chǎn)生的重要原因。信貸高速增長，營業(yè)狀況不佳的企業(yè)仍能通過借新還舊、轉(zhuǎn)期等方式繼續(xù)獲得貸款，而一旦貸款投放速度下降，大量的不良貸款便會集中顯現(xiàn)出來。[3](P2～8)鄒克、蔡曉春(2017)基于2005～2014年省級面板數(shù)據(jù)，以信貸余額占GDP比例為例實證分析了金融發(fā)展深度對不良貸款率的影響，結(jié)果表明金融發(fā)展深度提高有利于降低不良貸款率。[4](P10～18)

3．銀行特征因素。在外部環(huán)境相同的條件下，銀行自身的貸款集中程度、貸款擔(dān)保方式、多元化經(jīng)營水平等指標(biāo)也會引起不良貸款率的差異。Rossi等(2009)從銀行貸款成本和收益入手，利用澳大利亞大型商業(yè)銀行1997～2003年的數(shù)據(jù)進行實證檢驗發(fā)現(xiàn)，貸款分散雖然增加了，但可以分散銀行經(jīng)營風(fēng)險并帶來收益的提高。[5](P2 218～2 226)胡建光、姚偉強(2015)利用動態(tài)面板數(shù)據(jù)模型研究浙江省銀行機構(gòu)季度不良貸款數(shù)據(jù)后發(fā)現(xiàn)，貸款投向的行業(yè)集中度對不良貸款率有正的顯著性影響，即銀行貸款越集中，不良貸款率水平越高。[6](P50～60)董俊杰(2014)研究發(fā)現(xiàn)，中小企業(yè)在發(fā)展初期常形成聯(lián)合體向銀行申請貸款，而當(dāng)其中一家經(jīng)營出現(xiàn)狀況，風(fēng)險也會依附這種互保、聯(lián)保關(guān)系蔓延。[7](P67～72)Demirguc-Kun等(2010)以101個國家的銀行1997～2007年的銀行數(shù)據(jù)為樣本，研究發(fā)現(xiàn)銀行業(yè)務(wù)多元化水平較高，即非利息收入比重高或依賴非存款渠道融資的銀行，其風(fēng)險水平一般也很高。[8](P626～650)

(二)關(guān)于農(nóng)村商業(yè)銀行的研究

中國農(nóng)村商業(yè)銀行是由農(nóng)村信用社改制而來，定位于服務(wù)“三農(nóng)”、中小企業(yè)和地方經(jīng)濟發(fā)展，以往文獻主要對其經(jīng)營過程中存在的問題和效率進行考察。陸建生(2004)認(rèn)為農(nóng)村商業(yè)銀行經(jīng)營范圍受限、地方產(chǎn)業(yè)結(jié)構(gòu)單一、農(nóng)業(yè)本身弱質(zhì)性使其面臨了較大的經(jīng)營風(fēng)險且無法有效分散。[9](P13～14)蔣定之(2008)指出農(nóng)村商業(yè)銀行存在歷史遺留問題，內(nèi)部管理和風(fēng)險控制制度不完善,可以通過相互競爭達(dá)到革新體制機制的目的。[10](P8～10)肖斌卿、李心丹、顏建曄(2017)為研究農(nóng)村商業(yè)銀行實現(xiàn)財務(wù)可持續(xù)和服務(wù)“三農(nóng)”的雙重目標(biāo)的關(guān)系，分別測算其商業(yè)效率和社會效率后發(fā)現(xiàn)兩者呈U型關(guān)系，農(nóng)村商業(yè)銀行的貸款市場份額、資產(chǎn)經(jīng)營規(guī)模、營運成本是決定商業(yè)效率和社會效率是否同時有效的主要因素。[11](P117～129)宋波、華桂宏(2019)使用省內(nèi)區(qū)域差異具有代表性的江蘇省農(nóng)村商業(yè)銀行的面板數(shù)據(jù)分析支農(nóng)貸款的投放效率，認(rèn)為人口密度較高、第一產(chǎn)業(yè)GDP占比較高是支農(nóng)貸款運用效率較高的一般原因。[12](P22～28，35)

總的來說，上述研究從多個角度考察銀行不良貸款率的影響因素，這為本文研究奠定了堅實的理論基礎(chǔ)，但尚存在可完善之處：第一，現(xiàn)有研究主要基于時間序列數(shù)據(jù)，探究某一家銀行或銀行整體不良貸款率的影響因素，而未考慮到銀行間的差異性；第二，上述文獻的研究對象集中在國有大型商業(yè)銀行，而農(nóng)村商業(yè)銀行作為中國農(nóng)村金融體系的重要組成部分，在發(fā)展歷程和經(jīng)營對象方面具有一定特殊性，其不良貸款率偏高問題卻少被討論到。因此，本文擬利用面板數(shù)據(jù)，從區(qū)域經(jīng)濟狀況、金融發(fā)展?fàn)顩r、銀行經(jīng)營行為方面對農(nóng)村商業(yè)銀行不良貸款率的影響因素進行實證研究?？紤]到農(nóng)村商業(yè)銀行歷史包袱重、業(yè)務(wù)圍繞著服務(wù)“三農(nóng)”和小微企業(yè)開展的特點，在模型回歸分析的基礎(chǔ)上，從政府、金融監(jiān)管部門和銀行自身角度給出合理建議。

二、研究設(shè)計

(一)樣本選取與變量設(shè)定

考慮到數(shù)據(jù)的代表性和可獲得性，本文選取9家不同地域的農(nóng)村商業(yè)銀行作為研究對象，以其2010～2018年的不良貸款率組成的面板數(shù)據(jù)為樣本，定量分析影響農(nóng)村商業(yè)銀行不良貸款率的因素。鑒于宏觀性指標(biāo)只能反映國家總體大環(huán)境的變動，掩蓋了差異性，本文傾向于選取能反映區(qū)域特征的中觀指標(biāo)和銀行個體特征的微觀指標(biāo)作為解釋變量，具體從區(qū)域經(jīng)濟狀況、金融發(fā)展?fàn)顩r、銀行經(jīng)營行為三個方面選取了九個指標(biāo)，其中，區(qū)域狀況指標(biāo)的相關(guān)數(shù)據(jù)整理來源于中經(jīng)網(wǎng)統(tǒng)計數(shù)據(jù)庫和國家統(tǒng)計局網(wǎng)站，銀行特征指標(biāo)數(shù)據(jù)來源于前瞻數(shù)據(jù)庫。變量定義詳見表1。

表1 變量說明

(二)不良貸款影響因素模型設(shè)計

商業(yè)銀行當(dāng)期不良貸款率值對前期水平有很大依賴性，參考Louzis等(2012)的相關(guān)研究成果[2](P1 012～1 027)，本文在上述所列影響因素的基礎(chǔ)上引入了不良貸款率的滯后值作為模型解釋變量，構(gòu)建了動態(tài)面板數(shù)據(jù)模型。

nplrit=ηi+anplri,t-1+βXit′+εit，

(1)

其中，|α|<1，i=1,2…,8，t=1,2…,9，Xit′表示上述所列的影響因素變量觀測值的矩陣，β為Xit′的系數(shù)向量。

考慮到變量差分值能直接反映變量的動態(tài)變化情況，采用不良貸款率差分值建立的模型可能較好識別影響不良貸款率的因素，本文進一步建立了不良貸款率差分值的面板模型。

dnplrit=ηi+αdnplri,t-1+βXit′+εit。

(2)

三、實證分析

(一)描述性分析

由圖1不難看出，農(nóng)村商業(yè)銀行不良貸款率值總體上呈現(xiàn)先下降后上升的變化趨勢。2014年以前，除個別家農(nóng)商行外，不良貸款率水平均有明顯的下降，而到2014～2018年間，各家銀行不良貸款率又都出現(xiàn)了不同程度地上升。對此，本文認(rèn)為這與2008年全球金融危機爆發(fā)后中央政府推出的四萬億投資計劃密切相關(guān)，當(dāng)中央政府釋放出刺激經(jīng)濟的信號后，地方政府也紛紛跟隨，實際入市的資金已遠(yuǎn)遠(yuǎn)超出了四萬億，使得中國經(jīng)濟迅速走出低谷，銀行的不良貸款率相應(yīng)也有所下降，但同時這種高耗費、低效益的增長也帶了巨大的隱患。隨著對經(jīng)濟新常態(tài)的認(rèn)識加深，2015年中央開始實施供給側(cè)結(jié)構(gòu)性改革，提出“三去一降一補”的五大任務(wù)，隱匿的不良資產(chǎn)浮現(xiàn)導(dǎo)致了不良貸款率的回升。

圖1 2010～2018年9家農(nóng)商行不良貸款率變化趨勢

(二)平穩(wěn)性檢驗

依據(jù)平穩(wěn)序列建模原則，對選定的變量執(zhí)行單位根檢驗，判斷數(shù)列平穩(wěn)性，防止出現(xiàn)偽回歸。面板數(shù)據(jù)的單位根檢驗方法分為兩大類，一類是假定各截面序列有相同單位根時的檢驗，包括LLC檢驗、Breitung檢驗、Hadri檢驗；另一類為允許各截面序列有不同單位根的檢驗，包括Im-Pesaran-Shin檢驗、Fisher-ADF檢驗和Fisher-PP檢驗。[13](P78)在本文中，將同時執(zhí)行相同根條件下的LLC檢驗和不同根條件下的Fisher-ADF檢驗，以避免單一方法可能造成的缺點。通過表2中變量原序列的單位根檢驗結(jié)果可知，在1%的顯著性水平下，各變量均存在單位根，是非平穩(wěn)的。因此，考慮對經(jīng)一階差分后的變量序列再次執(zhí)行單位根檢驗，結(jié)果在1%的顯著性水平上均拒絕了原假設(shè)，即都沒有單位根，各變量均為一階單整的，由此為進一步的協(xié)整關(guān)系測試提供了依據(jù)。

表2 單位根檢驗結(jié)果

注：*、**、***分別表示在10%、5%、1%的水平上顯著，下同。

(三)協(xié)整關(guān)系檢驗

非平穩(wěn)變量序列之間存在的長期均衡關(guān)系稱為協(xié)整，有理論表明基于一組非平穩(wěn)但有著協(xié)整關(guān)系的序列直接建立回歸模型，得到的參數(shù)估計量會以更快的速度收斂于真實值，即具有超一致性。[13](P78)表3為運用Kao方法對模型(1)、(2)中所涉及的變量進行協(xié)整關(guān)系檢驗的結(jié)果，其中檢驗統(tǒng)計量的P值均小于1%，應(yīng)在99%置信度下拒絕“不存在協(xié)整關(guān)系”的原假設(shè)，認(rèn)為面板變量間存在長期均衡關(guān)系，可以直接進行參數(shù)估計。

表3 協(xié)整檢驗結(jié)果

(四)動態(tài)面板模型估計結(jié)果分析

采用傳統(tǒng)方法對動態(tài)面板模型進行參數(shù)估計，由于解釋變量中包含被解釋變量滯后值導(dǎo)致的內(nèi)生性問題，將會得到有偏、非一致的結(jié)果，參考以往文獻，本文將采用GMM方法以解決這一問題。在使用GMM方法進行動態(tài)面板回歸過程中，需要運用Sargan統(tǒng)計量對新增工具變量的有效性進行檢驗，并判斷擾動項的差分序列是否存在二階或更高階的自相關(guān)，以保證獲得的是有效、一致的估計，具體的回歸、檢驗結(jié)果見表4。

表4 不良貸款率影響因素回歸結(jié)果

注：L1表示被解釋變量的一階滯后值。

由較高的AR(2)測試值可以認(rèn)為模型擾動項的差分沒有二階及以上自相關(guān)問題，大于10%的Sargan統(tǒng)計量也證明了兩種GMM方法中所選用工具變量的有效性，上述的模型設(shè)置和估計方法是合適的。通過比較變量回歸參數(shù)的顯著性發(fā)現(xiàn)，僅有模型(2)的系統(tǒng)GMM回歸結(jié)果多數(shù)通過了5%的顯著性檢驗，因此本文針對模型(2)的系統(tǒng)GMM回歸結(jié)果做研究分析。

從被解釋變量的滯后項來看，估計參數(shù)顯著為正，一方面表明在模型解釋變量中設(shè)置不良貸款率滯后期值是適當(dāng)?shù)?，另一方面也證明了當(dāng)期不良貸款率值與前期水平的正相關(guān)關(guān)系，大于0.6的回歸系數(shù)也反映出兩者間的依賴關(guān)系較強，倘若銀行前期不良貸款率過快增長會給銀行后續(xù)經(jīng)營造成壓力，這點與現(xiàn)實情況是相符的。

從區(qū)域經(jīng)濟狀況因素來看，生產(chǎn)總值增長率、就業(yè)水平對當(dāng)?shù)剞r(nóng)村商業(yè)銀行不良貸款率變動的影響均不顯著，只有農(nóng)業(yè)產(chǎn)值增速在5%的顯著性水平下通過了檢驗，小于零的回歸系數(shù)表明了兩者間呈反向相關(guān)，即農(nóng)業(yè)產(chǎn)值提高，該地區(qū)農(nóng)村商業(yè)銀行的不良貸款率呈下降趨勢，這是因為農(nóng)村商業(yè)銀行著力于服務(wù)當(dāng)?shù)亍叭r(nóng)”發(fā)展，銀行的資產(chǎn)質(zhì)量與農(nóng)業(yè)行業(yè)狀況關(guān)系更為密切。

從金融因素出發(fā)，回歸結(jié)果顯示信貸規(guī)模擴大對不良貸款率的降低有促進作用，對此的解釋是：雖然信貸過快膨脹意味著銀行會放松信貸準(zhǔn)入條件，由此導(dǎo)致貸款平均違約風(fēng)險增大，但不良貸款顯現(xiàn)的時間通常在幾年以后，即銀行不良貸款額的增加與貸款總額的增加間存在時滯。因此，當(dāng)期的不良貸款率水平隨著分母貸款總額增加有所下降。此外，數(shù)據(jù)顯示金融深度因素對不良貸款率的影響并不顯著。

從銀行特征因素出發(fā)，cl、gt、dl的系數(shù)均為正，即在外部環(huán)境相同的條件下，銀行貸款投向集中、信用貸款及互保聯(lián)保貸款占比過大、多元化經(jīng)營都會增大銀行的經(jīng)營風(fēng)險，使不良貸款率攀升，與前文的總結(jié)較為一致。

四、結(jié)論與啟示

本文較為全面地從三個角度探討影響農(nóng)村商業(yè)銀行不良貸款率的因素，并用2010～2018年9家不同地域農(nóng)村商業(yè)銀行的面板數(shù)據(jù)進行了實證檢驗。通過將不良貸款率和不良貸款率變動趨勢(即差分值)作為解釋變量，運用基于GMM方法的動態(tài)模型進行回歸得出：農(nóng)業(yè)發(fā)展?fàn)顩r、信貸擴張、銀行多元化經(jīng)營水平、貸款的集中程度與擔(dān)保方式都會對農(nóng)村商業(yè)銀行不良貸款率產(chǎn)生顯著性影響。具體看，農(nóng)業(yè)產(chǎn)值增長、信貸規(guī)模擴大對農(nóng)村商業(yè)銀行不良貸款率的降低有正向作用，銀行業(yè)務(wù)范圍過寬、貸款投向集中、信用貸款及互保聯(lián)保貸款占比過大都會增大銀行經(jīng)營壓力，不利于降低不良貸款率水平，而經(jīng)濟總產(chǎn)值增長快、就業(yè)形勢好的地方農(nóng)村商業(yè)銀行不良貸款率無顯著變動趨勢。

基于以上實證檢驗結(jié)果，聯(lián)系農(nóng)村商業(yè)銀行經(jīng)營現(xiàn)狀和中國經(jīng)濟新常態(tài)的發(fā)展背景，得出如下啟示。

第一，政府應(yīng)完善政策，加大支農(nóng)力度。農(nóng)村商業(yè)銀行貼近社區(qū)，在服務(wù)“三農(nóng)”方面發(fā)揮著積極作用。受制于農(nóng)業(yè)固有的弱質(zhì)性，農(nóng)村商業(yè)銀行的支農(nóng)貸款不良率也相對較高，政府部門可以向農(nóng)村商業(yè)銀行投放專項資金用于農(nóng)戶貸款，并就自然災(zāi)害等因素造成的風(fēng)險損失給予銀行一定的補償，從而加大對農(nóng)村商業(yè)銀行、農(nóng)村經(jīng)濟的支持。

第二，銀行監(jiān)管部門應(yīng)強化資本約束，實現(xiàn)貸款平穩(wěn)增長。根據(jù)以上分析，信貸規(guī)模擴張雖然會使當(dāng)期不良貸款率有所下降，但同時會帶來隱性不良貸款的增加，加劇銀行未來的信貸違約風(fēng)險。因此，銀行監(jiān)管部門應(yīng)當(dāng)充分重視對銀行信貸投規(guī)模的監(jiān)督管理。首先，可以使用一些審慎監(jiān)管工具控制經(jīng)濟周期各階段內(nèi)的信貸投放量，避免發(fā)生過度借貸；其次，信貸增速可以被列為銀行不良貸款率的預(yù)警指標(biāo)，幫助監(jiān)管部門提前實施干預(yù)；最后，強化各項風(fēng)險指標(biāo)，將銀行不良貸款率、核心資本充足率嚴(yán)格限定在可控水平范圍內(nèi)，并定期對影響長期經(jīng)營的指標(biāo)進行檢查，全面提高銀行信貸資產(chǎn)質(zhì)量。

第三，農(nóng)村商業(yè)銀行應(yīng)實施精準(zhǔn)管控，增強風(fēng)險抵御能力。從農(nóng)村商業(yè)銀行自身角度來說，可以基于以往積累的業(yè)務(wù)數(shù)據(jù)，依托新興的互聯(lián)網(wǎng)大數(shù)據(jù)、云計算等手段，構(gòu)建小微企業(yè)信用評分模型，實現(xiàn)精準(zhǔn)放貸、實時追蹤。此外，基于前文分析，信貸維度拓寬會加劇經(jīng)營的不穩(wěn)定性，農(nóng)村商業(yè)銀行應(yīng)嚴(yán)格遵守跨區(qū)經(jīng)營限制，把經(jīng)營注意力放在當(dāng)?shù)亍叭r(nóng)”上，把經(jīng)營重心放在當(dāng)?shù)禺a(chǎn)業(yè)經(jīng)濟上，避免盲目的業(yè)務(wù)擴張。最后，新常態(tài)下面對宏觀經(jīng)濟增速放緩、企業(yè)違約風(fēng)險加劇，農(nóng)村商業(yè)銀行應(yīng)努力提高自有資本充足率以及撥備覆蓋率，一旦損失實際發(fā)生，銀行可以依托自身財力化解風(fēng)險。

注 釋：

①數(shù)據(jù)來源于前瞻數(shù)據(jù)庫。