不同股权结构商业银行信用风险分析——基于宏观经济因素视角

霍源源　　李　江　　冯宗宪

(西安交通大学 经济与金融学院，陕西 西安710061)



不同股权结构商业银行信用风险分析
——基于宏观经济因素视角

霍源源李江冯宗宪

(西安交通大学 经济与金融学院，陕西 西安710061)

运用CPV(Credit Portfolio View)模型度量中国商业银行的信用风险，以分析宏观经济因素对国有商业银行、股份制商业银行和城市商业银行等不同股权结构商业银行信用风险的影响差异。结果表明：国有银行信贷风险的产生与政府行为过多干预相关，而其他商业银行不良贷款的发生则对宏观经济运行状况指标的变动更为敏感；在经济下行周期，过多依赖信贷规模扩张的盈利方式不利于商业银行对信用风险的防范。

信用风险；宏观经济因素；商业银行股权结构

随着中国经济增长结构的调整以及对外开放程度的提高，商业银行经营管理正面临着越来越复杂的宏观经济环境，宏观经济因素可以通过多种宏观政策路径向微观经济传导，从而对信贷个体的信用状况产生影响。因此，商业银行信用风险管理不仅需要对商业银行自身财务指标微观数据进行监管，还需要将宏观经济指标纳入考察范围。此外，由于经历了股份制改革，现阶段中国商业银行呈等出现多种股权结构，分析多样化股权结构商业银行的经营特征不仅是完善商业银行公司治理的基础，也是厘清商业银行信用风险来源的前提。因此，在宏观经济不确定条件下，探讨中国不同股权结构商业银行信用风险产生的差异具有重要的理论及现实意义。

一、相关文献综述

信用风险度量模型的发展主要经历了两个阶段：20世纪90年代之前，传统的商业银行信用风险度量主要依赖具有丰富审批经验的贷款核准人，结合贷款公司的财务现状进行分析判断并给出信用风险的评估结果。典型的衡量方法包括专家法、Z评分模型法以及ZETA模型等。这一阶段的方法不可避免地具有较大的主观性，不能对信用风险的大小进行准确的度量(Altman et al.，1997 )。根据国际清算机构的要求以及计量经济学的发展，国外一些大型金融机构开始将工程化的思维与数量经济学的原理应用于商业银行信用风险控制领域，信用风险度量模型的发展也因为众多量化模型的出现而进入第二阶段。具有代表性的现代信用风险模型包括：JP Morgan提出的Credit Metrics模型、由美国KMV公司建立的KMV模型、CSFP(Credit Suiss Financial Products)构建的Credit Risk+模型以及Mckinsey公司提出的CPV模型(Crouhy et al.，2000；Alam et al.，2010；汪办兴，2007)。其中，CPV模型结合计量经济学和基本动力学理论提出了信用组合观点，并独创性地从宏观经济环境的角度探究了商业银行信用风险状况。在CPV模型的实证研究方面：Jarrow et al.(2005) 通过对银行股价波动与宏观经济变化进行线性回归分析，验证了两者之间的相关关系在统计上是显著的。Tom et al.(2005)、Kimmo(2006)和Wong et al.(2008) 分别根据挪威中央银行、芬兰银行业和中国香港银行体系数据，构建了宏观经济变量与商业银行信贷违约率的数量模型，结果均表明该模型对商业银行信用风险度量的适用性。Creal et al.(2014)针对混合频率的面板数据建立了动态因素计量模型用以计量宏观经济和信用风险，该模型的优势在于其不用通过均值模拟可以直接获得形式接近的似然函数，从而能直接获得参数的估计。

与此同时，国内外不少研究从宏观经济因素角度对商业银行整体信用风险展开讨论。Micco(2006)利用1995—2002年的商业银行数据，研究发现，贷款规模的变化与经济增长直接相关，平均而言，GDP增长率每增加 1个百分点，商业银行信贷规模便有1.8个百分点的同方向变化，其中，工业化国家的信贷规模受GDP冲击的的影响比发展中国家要小，只有0.9个百分点，因此，发展中国家的商业银行应该更加重视宏观经济因素对银行风险的影响。Matsuyama(2004)认为信贷市场会受到经济周期的影响，通过单因素理论模型的推导，其发现，投资方式的改变、发展陷阱的出现、贫富差距的增加或下降、持续性的衰退、经济周期性下滑以及国际资本的流失等都会对信贷市场造成直接影响。Dovern et al.(2010) 采用德国近40年的商业银行收入及损失数据，通过VAR模型研究了宏观货币政策对商业银行的冲击影响，证实中央银行关注金融市场的危机是合理和必要的。Dell′Ariccia et al.(2012) 以美国次级债务危机的发生为背景，实证研究发现，宏观经济波动会对商业银行产生直接影响：在宏观经济上行周期，扩张性的信贷政策可以缓解企业的债务负担，增加抵押品价值并提高还款的可能性，从而降低商业银行引发信用风险的概率；在宏观经济下行周期，则会出现相反结果。Love et al.(2014)利用埃及1993—2010年的数据，实证研究发现，境外资本流入以及国内生产总值的提高等宏观经济因素有利于商业银行贷款组合质量的提升，从而降低了银行不良贷款比率。Buch et al.(2014)利用FAVAR模型分析了美国1500家商业银行受到宏观经济因素影响时的情况，认为：伴随着扩张性经济的一次冲击，商业银行信贷总量便会提升；利用以历史数据为参考的后向风险(Back-looking risk)度量方法，可以发现中等规模的银行不良贷款数额会下降；同时，银行规模、资产证券化程度、消费贷款数量、流动性等异质性对宏观经济的冲击表现不一。在国内，华晓龙(2009)通过宏观压力测试模型构建了两种极端宏观经济情景，通过实证分析，认为，当名义国内生产总值大幅下降和通货膨胀率骤升时，银行体系的贷款违约率会大幅提高，从而进一步证明了宏观经济因素对中国商业银行信用体系的影响。高杰英等(2013)通过对中长期经济背景下发达国家和发展中国家银行业信贷规模进行比较与实证分析，认为，在经济下行周期，投资需求减少，银行信贷需求减少，银行信贷规模随之减小，这一现象表明银行信贷受到外部经济周期冲击的直接影响。

此外，亦有一些文献就股权结构差异对商业银行信用风险承担水平的影响进行了研究。Boubakri et al.(2005)通过分析22个发展中国家的81家商业银行历史数据，发现，民营化的商业银行通常具有较低的经济效率，且偿付能力也低于国有银行，但是民营化商业银行的效率及其风险暴露程度取决于其实际控股权的属性；而实证研究表明，一些当地集团控股的民营银行会承担较多的信用风险。Micco(2006)认为，国有银行具有稳定的信贷储备，相比私人银行，受到宏观经济的冲击要小，因此，不如私人银行在顺周期特性上表现得那么明显。Iannotta et al.(2007)采用15个国家181家商业银行的数据，通过实证分析发现，国有银行往往拥有较差的贷款质量和较高的违约率，而风险共担的互助银行(Mutual Bank)在这些方面明显优于私人银行和国有银行，且较为集中的股权结构一般会带来较好的贷款质量和较低的资产风险。Garcia et al.(2008)使用1993—2000年西班牙商业银行和储蓄银行数据，通过动态面板模型分析这两类在股权结构上具有明显差异的银行在风险承担上的区别，结果表明，西班牙商业银行比西班牙储蓄银行更具有风险偏好，而股权集中度与风险的发生率有负的相关性。Barry et al.(2011)使用欧洲商业银行相关数据，分析发现，不同所有权结构的商业银行受风险影响的程度存在差别，公共持股的银行机构往往具有较低的信用风险和违约率的特点。Brei et al.(2015)从理论角度考察国有银行和私人银行在金融危机事件发生时的反应，结果发现，公共银行会给实体部门提供更多的贷款，而私人银行为了增加流动性会缩减贷款规模，据此，其认为，公共银行的经营目标不仅仅是在给定的风险下扩大经营利润，还要稳定和促进经济恢复。钱先航等(2011)以中国城市商业银行为研究样本，发现，由于地方官员的晋升压力，地方政府拥有实际控制权的一些城市商业银行会提高建筑项目的贷款集中度以提升当地GDP增长率，从而增加了这种控股权过于集中的城市商业银行不良贷款的发生。祝继高等(2012)基于2004—2009年商业银行数据，认为股权结构是影响中国城市商业银行信贷行为和经营业绩的重要因素，进一步证明了合理的股权结构对贷款风险防范以及金融安全维护的重要性。王连军(2011)以多任务委托代理模型为基础，发现国有商业银行因为过多的政府干预容易产生信贷扩张，从而导致不良贷款率的上升。

综上，不难发现，现代信用风险度量模型因为各自关注的潜在风险变量的不同而各有优势，但信用评级的转移一般取决于经济状态，因而以CPV模型考察宏观经济因素变动对商业银行信用风险的影响更为适合；同时，国内研究大都对单一股权结构的商业银行进行信用风险分析，多股权结构商业银行之间的信用风险及差异研究则较为鲜见。因此，本文将通过CPV模型探讨宏观经济因素对国有商业银行、股份制商业银行及城市商业银行信用风险的影响差异，并估算极端宏观经济情况下三种商业银行可能发生信用风险的概率，旨在为中国商业银行信用风险的防范及提升银行业核心竞争力提供理论依据。

二、模型设定

(一) CPV模型设定

由于违约率和信用转移概率与宏观经济状况密切相关，因此，本文选择考虑这类因素的CPV模型对商业银行信用风险进行计量分析。

1.违约预测模型

本文利用logit函数对违约概率建模，函数中的变量Y为国家宏观经济指数，该指数取决于当前和滞后的宏观经济变量：

(1)

其中：Pj,t是国家(行业)j处于时期t的债务人的条件违约概率；Yj,t是多因子模型中第j个国家(行业)在时期t时的宏观经济指数值，其可以表示为：

(2)

宏观经济变量对于每个国家(行业)都是特定的，CPV模型假设每个宏观经济变量都服从二阶自回归模型：

(3)

2.条件转移矩阵

为了推导条件转移矩阵，这里引入Moody信用评级的无条件转移矩阵，并将其记为φM*无条件转移矩阵φM为国际信用评级公司Moody通过采集20多年来多个国家、多种行业的历史数据计算得出的历史平均值。。通常情况下，在经济衰退周期，非投资级债务人的违约概率高于平均违约概率，这时信用降级事件增加，而信用升级的事件减少；在经济上行周期，则情况相反。可以用下述比率来表述：

经济衰退周期：

(4)

经济上行周期：

(5)

(二) 样本描述

根据需要，本文选取2005年1季度至2014年3季度共39个季度的15个主要宏观经济变量进行实证研究，具体包括：国内生产总值、国内生产总值增长率、CPI、进出口总额、固定资产投资完成额增速、广义货币供应量、社会消费品零售总额增速、实际有效汇率指数、一年期存款基准利率、一年期贷款基准利率、公共财政支出、宏观经济景气指数、城镇居民人均可支配收入、沪深300指数、国房景气指数。此外，由于不良贷款的大量出现是导致商业银行信用风险发生的主要原因，因此，模型中需要的信用违约率数据以商业银行不良贷款率替代*商业银行不良贷款率数据来源于中国银监会官网，GDP和GDP增长率取自中国国家统计局官网，存贷基准利率取自中国人民银行官网，国房景气指数取自锐思数据库，其余变量均来自Wind数据库。。

由于国内生产总值、进出口总额、实际广义货币供应量、公共财政支出和城镇居民人均可支配收入均会受到物价指数的干扰，因此，需要剔除通货膨胀因素的影响。以2004年12月数据为基期，确定出定基CPI值，进而通过名义指标值比定基CPI值剔除通货膨胀因素得到实际指标值。

表1　样本描述性统计

经过CPI指数调整后，国内生产总值、进出口总额、公共财政支出和城镇居民人均可支配收入等指标仍呈现出明显的季节性特征，在每年固定的季度均会呈现规律性的骤增，为保证后续所构建模型回归的准确性，本文采用移动平均法对上述数据进行了季节调整。经调整后的样本描述性统计见表1。

三、实证分析

(一)参数估计及筛选

1.平稳性检验

为了避免虚假回归现象出现，需要保证所选取时间序列数据的平稳性。本文通过ADF检验分别对各变量的原序列及各变量的一阶差分序列进行平稳性检验，结果显示，各变量的原序列在5%的显著性水平下存在单位根，均为非平稳序列，各变量的一阶差分序列在5%的显著性水平下都是平稳的(根据SIC准则选取滞后阶数)，因此，所有变量都为一阶单整序列。

2.参数估计

表2　初步回归结果

根据前述CPV模型设定中的式(2)，建立不良贷款率(NLR)与初步选取的15个宏观经济指标的回归模型，结果如表2所示。

可以看到，模型整体显著，拟合结果较好。但是绝大多数解释变量在10%的显著性水平下都不显著，没有通过t检验。这可能与所选的宏观经济变量都和宏观经济运行状况密切相关，从而导致变量不可避免地会出现一定的多重共线性。为了解决该问题，通过向后选择法对此前初步选取的15个宏观经济变量进行筛选，最终的回归结果如表3所示。

可以看出，剔除多重共线性后的模型保留了国内生产总值(GDP)、固定资产投资完成额增速(FIG)、广义货币供应量(M2)、

表3　最终回归结果

一年期贷款基准利率(BIR)、公共财政支出(FEX)、宏观经济景气指数(MAI)等六个解释变量。回归结果显示，在5%的显著性水平下，这些解释变量均能通过t检验。此外，本文还做了异方差检验及残差的相关系数、偏相关系数检验，结果表明，模型的随机误差项不存在异方差，残差序列非自相关。因此，最终的CPV模型将采用这六个宏观经济指标对不良贷款率(NLR)进行解释。

(二)回归结果分析

1.整体样本回归结果分析

从各变量的回归系数可知，一年期贷款基准利率(BIR)、宏观经济景气指数(MAI)、固定资产投资完成额增速(FIG)、公共财政支出(FEX)、国内生产总值(GDP)、广义货币供应量(M2)对不良贷款率的影响程度依次递减。其中，不良贷款率(NLR)与一年期贷款基准利率(BIR)及广义货币供应量(M2)呈现正相关关系，而与其余四个宏观经济指标呈负相关关系。

由于贷款利率是影响不良贷款率(NLR)最为直接的因素，贷款基准利率的提升会增加贷款企业的融资成本，短期内，在企业利润不变的情况下，财务成本的上升将有可能造成企业还款困难，致使商业银行不良贷款率升高。因此，不良贷款率与贷款基准利率呈现显著的正相关关系符合一般宏观经济实际情况。

不良贷款率与广义货币供应量(M2)的相关系数为正，可以解释为货币供应量的增加会导致物价上涨，造成一定程度的通货膨胀：一方面，物价上涨的同时意味着债务人需要付出更高的信贷成本，可能导致贷款人违约率升高；另一方面，通货膨胀率的不断上升会给整个社会营造出一种虚假繁荣的景象，在这种经济形势下，商业银行往往会选择降低贷款门槛并加大相关行业的贷款投放力度，大量的不良贷款在商业银行体系内不断聚积，实体经济一旦出现调整，不良贷款率便会迅速攀升，致使整个商业银行体系的信用危机发生。

不良贷款率与宏观经济景气指数(MAI)、固定资产投资完成额增速(FIG)、公共财政支出(FEX)和GDP的相关系数为负，说明它们对商业银行不良贷款率的增加具有反向作用。

宏观经济景气指数(MAI)的上升，代表宏观经济整体走势向好，企业的生产经营情况较好，资金流动性较强，能够很顺利地偿还商业银行贷款，从而使得整个银行体系的信贷违约率降低；反之，当宏观经济不景气时，企业的生产经营面临销售量下降、利润率走低等诸多困难，容易产生资金链断裂现象，从而导致商业银行不良贷款率的上升。

固定资产投资完成额增速(FIG)提升会使得不良贷款率降低。某一时期固定资产投资完成额增速提高，表明实体经济十分活跃并处于上涨预期，与该投资相关的各个产业会扩大其生产经营业务，带动实体经济的繁荣，为商业银行信贷业务的安全性及盈利性提供了保证，从而降低了商业银行不良贷款率。

政府财政支出规模的扩大预示着政府用于基础经济建设及各项公共事业项目的资金投放力度加大，这直接给相关行业及企业经营注入活力。与此同时，公共财政支出中购买性支出大部分用于国家重点扶持的项目建设，所需信贷资金往往由政府提供担保，因此也降低了不良贷款率。

商业银行不良贷款率随GDP升高而降低。这与大多数实证研究结果一致。同宏观经济景气指数(MAI)一样，GDP反映着一国宏观经济整体的景气程度和增长状况。GDP的增加代表整个社会生产力水平的提升，从宏观角度看，必然伴随着企业经营收入和居民可支配收入的增加，于是，无论企业还是居民的还款能力均会提高，使得商业银行不良贷款率下降。

2.不同股权结构样本回归结果分析

接下来分别对国有商业银行、股份制商业银行和城市商业银行的不良贷款率受宏观经济指标影响的变动状况进行对比分析，结果如表4～6所示。

表4　国有商业银行回归结果

表5　股份制商业银行回归结果

表6　城市商业银行回归结果

可以发现，宏观经济变量对于中国不同股权结构商业银行不良贷款率的影响具有明显差异，主要表现为：(1)一年期贷款基准利率(BIR)对三种股权结构商业银行的不良贷款率的影响程度都最为突出，而广义货币供应量(M2)的影响程度最小；(2)国内生产总值(GDP)和宏观经济景气指数(MAI)的变化对国有商业银行、股份制商业银行和城市商业银行不良贷款率的影响程度依次增加；(3)固定资产投资完成额增速(FIG)和财政支出(FEX)的变化对国有商业银行、股份制商业银行和城市商业银行不良贷款率的影响程度依次下降。

具体来看，相较于股份制商业银行和城市商业银行，国有商业银行的总资产规模更大*根据2014年度中国银监会数据统计，中国国有商业银行、股份制商业银行和城市商业银行月均总资产规模分别为608789.83亿元、296488.58亿元和165633.58亿元。，拥有较高的资本充足率和较为充足的贷款风险准备金，抵御风险的能力也相应较强，经营活动受宏观经济因素波动的影响较小，其不良贷款率受国内生产总值(GDP)和宏观经济景气指数(MAI)的影响呈现出较小幅度的变动，而股份制商业银行和城市商业银行不良贷款率受这两个宏观经济变量的影响程度相对较大。

固定资产投资完成额增速(FIG)和公共财政支出(FEX)的数值变化对国有商业银行、股份制商业银行和城市商业银行的不良贷款率的影响程度依次下降。受股权结构的影响*中国国有商业银行的实际控股股东均为中央汇金投资有限责任公司，该公司是由国家出资设立的国有独资公司。，中国国有银行参与国家固定资产投资以及公共财政支出等政府行为相关项目多于股份制商业银行和城市商业银行，因此，其不良贷款率受到固定资产投资完成额增速(FIG)和公共财政支出(FEX)的影响也更为敏感。与此同时，过度参与政府相关项目，可能会降低国有商业银行经营绩效，从而直接影响银行信贷质量，使得这类商业银行的不良贷款率高于股份制商业银行和城市商业银行。

此外，贷款基准利率(BIR)变化对国有商业银行、股份制商业银行和城市商业银行的不良贷款率的影响程度都较为明显，且依次降低。大型国有商业银行由于机构庞杂，运营效率较低，经营成本较大，阻碍了其利润率的提升，为了扩大获利空间，国有商业银行在中央银行对贷款基准利率进行上浮时也会随之较大幅度地调整贷款利率，这将直接影响债务人的还款能力，造成不良贷款率的上升；而股份制商业银行和城市商业银行会通过小幅上调贷款利率的方式减小债务人的还款压力，争取更多客户的青睐，以扩大信贷市场规模，提高银行的市场竞争力，贷款基准利率的浮动对于股份制商业银行和城市商业银行不良贷款率的影响也相应减小。

(三)宏观压力测试

这里根据假定的极端宏观经济情景，计算不同股权结构的商业不良贷款率，判断中国商业银行系统所能承受的宏观经济波动幅度。

1.压力情境设定

根据表4中六个宏观经济变量对商业银行不良贷款率(NLR)的总体回归结果，选取对不良贷款率影响最大的指标一年期贷款基准利率(BIR)，设置宏观压力测试情境。根据中国人民银行近10年来该指标的数据统计，可以得到其历史最高值出现在2007年12月21日时的调整，为7.47%。因此，本文假设一年期贷款基准利率突然出现不同幅度的上升——分别上升200个基点(即9.5%，轻度)、400个基点(即11.5%，中度)和600个基点(即13.5%，重度)，进而判断2015年第3季度商业银行不良贷款率的变化情况。

2.相关性压力测试及结果分析

由于需要进行压力测试的风险因子是宏观经济变量，它们的变动会受到其他变量及自身滞后期值的影响，因此，本文将解释变量之间的相互影响纳入计量过程中，通过相关性压力测试方法考察商业银行风险承受能力。首先，利用最小二乘法以一年期贷款基准利率为解释变量分别对其余五个宏观经济变量做回归分析，同时在此过程中引入滞后变量，根据解释变量的显著性水平及回归模型的拟合优度调整一年期贷款基准利率与各变量之间以及各变量与其自身滞后值之间的线性关系。通过该计量过程，可以发现，一年期贷款基准利率(BIR)能够很好地解释固定资产投资完成额增速(FIG)和广义货币供给量(M2)，而其余宏观变量(国内生产总值、公共财政支出和宏观经济景气指数)则可以通过自回归得到2015年第3季度的预测值。表7列出了一年期贷款基准利率分别上升至9.5%(轻度)、11.5%(中度)、13.5%(重度)时各个宏观经济变量的估计值。

表7　不同压力情境下各宏观经济变量估计值

表8　相关性压力测试估计结果

然后，将不同压力情境下各宏观经济变量估计值代入表4～6的回归模型中，并通过式(1)分别计量商业银行总体、国有商业银行、股份制商业银行和城市商业银行的不良贷款率，结果见表8。

从相关性压力测试的结果可以看出，商业银行总体的不良贷款率在一年期贷款基准利率为中度和重度压力情景下上升较快，分别达到7.35%和14.78%，这种严重的不良贷款率的出现加大了商业银行信用风险的发生概率，同时还会对金融系统的稳定性产生冲击。

此外，三种不同股权结构的商业银行在压力测试中表现出了显著差异。值得注意的是，国有商业银行不良贷款率的变化幅度最为明显，而这也进一步证实了贷款基准利率的变动对国有商业银行不良贷款率的影响程度要高于股份制商业银行和城市商业银行，由贷款基准利率调整引发的信用风险事件在国有银行体系内出现的概率更大。

四、结论与启示

本文首先对可能引起中国商业银行信用风险的宏观经济因素通过CPV模型进行了实证分析；其次，揭示出中国不同股权结构的商业银行受到相同宏观经济变量影响时的信用风险差异；最后，采用相关性压力测试方法，测算了在贷款基准利率出现极端波动情景下的国有商业银行、股份制商业银行和城市商业银行的不良贷款率发生水平。具体结论如下：

第一，国内生产总值和宏观经济景气指数、固定资产投资完成额增速和公共财政支出会对商业银行不良贷款率产生反向影响作用，而广义货币供应量的增加和贷款基准利率的提高会加剧商业银行不良贷款率的发生。

第二，对于不同股权结构的商业银行来说，与政府行为相关的指标(固定资产投资完成额增速与公共财政支出)的变动对国有商业银行的影响程度大于股份制商业银行和城市商业银行，而直接反映宏观经济走势的相关变量(国内生产总值与宏观经济景气指数)的波动对国有商业银行的影响较小，股份制商业银行和城市商业银行的敏感程度则更高。

第三，贷款基准利率的浮动对国有商业银行不良贷款发生的影响最大，股份制商业银行次之，而城市商业银行最小。由于中国人民银行已全面放开金融机构贷款利率管制，商业银行可以根据贷款基准利率自主确定贷款利率水平，因此，为了提高自身的市场竞争力，获取更多的客户资源，非国有商业银行比国有商业银行的上调幅度小，客户所负担的资金压力也相应减少，从而降低了不良贷款发生的概率。

以上结果表明，中国国有商业银行由于 “预算软约束”的影响，容易受到政府意志和行为的干扰，从而会降低商业银行对风险事件的抵抗能力*例如中国政府于2008年11月9日正式宣布推出的“4万亿”经济刺激计划，除1.18万亿元由中央政府财政出资以外，其余部分的45.8%由地方政府依靠国有银行贷款解决。李国栋(2015)认为，这一行为直接导致国有银行竞争度显著下降，损害了银行信贷的正常竞争，导致体系内部效率损失及风险的累积。。而股份制商业银行和城市商业银行囿于产品同质性较强，利润增长过多依赖于信贷规模的扩张，在经济下行周期，这很可能引起低水平信贷资产风险的暴露加剧，导致不良贷款率上升，信用风险逐渐累积。因此，健全商业银行公司治理结构，多元化商业银行盈利模式，适当增加商业银行民营资产的注入，减少宏观经济政策对银行信贷决策的干扰，提高其全面风险管理能力，是中国商业银行持续发展及金融系统平稳运行的保障。

高杰英，杜正中. 2013. 中长期经济背景下国际银行信贷规模比较与实证[J]. 国际金融研究(8):60-66.

华晓龙. 2009. 基于宏观压力测试方法的商业银行体系信用风险评估[J]. 数量经济技术经济研究(4):117-128.

李国栋. 2015. 基于Boone指数的中国银行业贷款市场竞争度估计[J]. 数量经济技术经济研究(5):131-146.

钱先航，曹廷求，李维安. 2011. 晋升压力、官员任期与城市商业银行的贷款行为[J]. 经济研究(12):72-85.

王连军. 2011. 金融危机背景下政府干预与银行信贷风险研究[J]. 财经研究(5):112-122.

祝继高，饶品贵，鲍明明. 2012. 股权结构、信贷行为与银行绩效：基于我国城市商业银行数据的实证研究[J]. 金融研究(7):48-62.

ALAM M, HAO C, CARLING K. 2010. Review of the literature on credit risk modeling: Development of the past 10 years [J]. Banks and Bank Systems， 5(3):43-60.

ALTMAN E I， SAUNDERS A. 1997. Credit risk measurement: Developments over the last 20 years [J]. Journal of Banking and Finance，21(11-12):1721-1742.

BARRY T A, LEPETIT L， TARAZI A. 2011. Ownership structure and risk in publicly held and privately owned banks [J]. Journal of Banking and Finance， 35(5):1327-1340.

BERNHARDSEN T, EITRHEIM O, JORE A S， et al. 2005. Real-time data for Norway: Challenges for monetary policy [J]. The North American Journal of Economics and Finance, 16(3):333-349.

BOUBAKRI N, COSSET J-C, FISCHER K, et al. 2005. Privatization and bank performance in developing countries [J]. Journal of Banking and Finance, 29(8):2015-2041.

BREI M, SCHCLAREK A. 2015. A theoretical model of bank lending: Does ownership matter in times of crisis [J]. Journal of Banking and Finance, 50:298-307.

BUCH C M, EICKMEIER S, PRIETO E. 2014. Macroeconomic factors and micro level bank behavior [J]. Journal of Money, Credit and Banking, 46(4):715-751.

CREAL D, SCHWAAB B, KOOPMAN S J, et al. 2014. Observation-driven mixed-measurement dynamic factor models with an application to credit risk [J]. Review of Economics and Statistics, 96(5):898-915.

CROUHY M, GALAI D, MARK R. 2000. A comparative analysis of current credit risk models [J]. Journal of Banking and Finance, 24(1):59-117.

DELL'ARICCIA G, IGAN D, LAEVEN L U. 2012. Credit booms and lending standards: Evidence from the subprime mortgage market [J]. Journal of Money, Credit and Banking, 44(2-3):367-384.

DOVERN J, MEIER C-P, VILSMEIER J. 2010. How resilient is the German banking system to macroeconomic shocks [J]. Journal of Banking & Finance, 34(8):1839-1848.

GARCIA-MARCO T, ROBLES-FERNANDEZ M D. 2008. Risk-taking behaviour and ownership in the banking industry: The Spanish evidence [J]. Journal of Economics and Business, 60(4):332-354.

IANNOTTA G, NOCERA G, SIRONI A. 2007. Ownership structure, risk and performance in the European banking industry [J]. Journal of Banking and Finance, 31(7):2127-2149.

JARROW R, VAN DEVENTER D. 2005. Estimating default correlations using a reduced-form model [J]. Risk, 18(1):83-88.

LOVE I, ARISS R T. 2014. Macro-financial linkages in Egypt: A panel analysis of economic shocks and loan portfolio quality [J]. Journal of International Financial Markets, Institutions and Money, 28(1):158-181.

MATSUYAMA K. 2008. Aggregate implications of credit market imperfections [M]. Chicago :University of Chicago Press.

MCKINNON R I. 1994. Financial growth and macroeconomic stability in China, 1978-1992: implications for Russia and other transitional economies [J]. Journal of Comparative Economics, 18(3):438-469.

MICCO A, PANIZZA U. 2006. Bank ownership and lending behavior [J]. Economics Letters, 93(2):248-254.

SORGE M, VIROLAINEN K. 2006. A comparative analysis of macro stress-testing methodologies with application to Finland [J]. Journal of Financial Stability, 2(2):113-151.

WILSON T C. 1998. Portfolio credit risk [J]. Economic Policy Review, 4(3):71-82.

WONG J, CHOI K F, FONG T. 2008. A framework for stress testing banks' credit risk [J]. The Journal of Risk Model Validation, 2(1):3-23.

(责任编辑刘志炜)

Credit Risk Analysis of Commercial Banks with Different Ownership Structure：Based on Macro Economic Factors

HUO YuanYuanLI JiangFENG ZongXian

(School of Economics and Finance, Xi′an Jiaotong University, Xi′an 710061)

The paper measures the credit risk of commercial banks by CPV (Credit Portfolio View) model and investigates the influence of different macroeconomic factors on credit risk of three kinds of commercial banks, state-owned commercial bank, joint stock commercial banks and city commercial banks, etc., with different ownership structure. Empirical studies shows that generation of credit risk in state-owned banks are related to excessive interference from government. the emergence of non-performing loans in other banks are more sensitive to the indices which direct response to economic situation. Meanwhile, to rely too much on credit expansion is not good for prevention against the commercial bank credit risk in economic downturn cycle.

credit risk; macroeconomic factors; ownership structure of commercial banks

2016-04-01

霍源源(1986--)，女，陕西西安人，西安交通大学经济与金融学院博士生。

国家社会科学基金项目“防范新形势下的银行信贷风险”(09BJY105)。

F832.4

A

1001-6260(2016)04-0085-10

李江(1962--)，男，湖南湘潭人，西安交通大学经济与金融学院副教授，硕士生导师。

冯宗宪(1954--)，男，浙江宁波人，西安交通大学经济与金融学院教授，博士生导师。

财贸研究2016.4