中国农业银行不良贷款率影响因素的实证分析

1 文献综述

关于商业银行不良贷款率的影响因素和防范措施，众多国内外学者从不同角度进行了大量的研究。Jimenez和Gabriel等(2005)选取了1984-2004年间西班牙银行业不良贷款的相关数据进行探讨，发现GDP增长率，较高的实际利率[1]和宽松信贷条件是不良贷款增长的重要影响因素。Barros C.P.等在对商业银行效率考察时引进不良贷款作为主要因素[2]之一，测算了日本银行业技术效率和生产率的变动情况。王丹娜 (2010)基于我国现有的不良贷款警戒率模型，[3]比较了1998-2008年国有商业银行和股份制商业银行的不良贷款率和不良贷款警戒率，得出主要的商业银行不良贷款率基本都达到一年存贷利率计算口径的警戒率水平。贾宏文、颜咏华(2012)实证研究发现，银行风险承担与银行发行债券、银行存款数量呈负相关，与银行次级信贷呈正相关变动，[4]并提出银行上市有利于控制信用风险。王光伟、童元松(2014)通过统计描述分析、多元回归法和虚拟变量回归等方法从宏观角度研究了影响我国商业银行不良贷款率的具体因素，[5]并得出了人民币升值有利于银行降低不良贷款率的结论。纵观国内外学者对于商业银行不良贷款率问题的研究，大部分是从宏观角度出发，通过建立相关计量模型研究不同因素对不良贷款的影响程度。本文将从宏观、微观两个方面入手，选取五个具有代表性的经济指标，深入具体地研究中国农业银行不良贷款率的产生原因。

2 实证分析

2.1 变量的选取和数据的处理

本研究从影响农业银行不良贷款的宏观经济因素和银行自身行为入手，选择了5个变量：资本充足率(CAR)、国内生产总值(GDP)、居民消费价格指数(CPI)、贷存比、拨备覆盖率(PCR)来解释农业银行不良贷款率的变动。选取2010年6月至2016年3月每3月一次的月度数据，共24个样本，数据来源于《中国统计年鉴》和Wind资讯。

2.2 研究方法

引入解释变量：资本充足率/%(X2)、GDP当季值/亿元(X3)、CPI/% (X4)、贷存比/%(X5)、拨备覆盖率/%(X6)与被解释变量：不良贷款率/%(Y)，我们初步设定模型为：

yt=β0+β1x2t+β2x3t+β3x4t+β4x5t+β5x6t+ut

(1)

其中ut为随机扰动项。

通过EVIEWS软件建立多元线性回归模型并利用OLS方法估计参数，结果见表1。

表1 OLS方法下的多元线性模型参数估计表

因此我们初步得到农业银行不良贷款率与各影响因素间的线性回归方程：

yt=2.590778-0.007390x2t+2.49E-06x3t-0.038442x4t-0.006682x5t-0.005661x6t

t=(3.247380)(-0.236242)(1.166236)(-1.747605)(0.378051)(-16.04259)

由回归结果可以得出，农行的不良贷款率与存贷比呈正相关，与资本充足率、拨备覆盖率呈负相关，这与实际经济意义相符合；但与GDP呈正相关、与CPI呈负相关，不符合实际经济意义。因此，我们对模型进行统计推断和计量经济学检验。

3 模型的检验

3.1 统计推断检验

由于资本充足率(X2)、CPI(X4)的经济意义不合理，除拨备覆盖率(X6)以外各解释变量的t检验均不能通过，我们推断模型中可能出现了多重共线性，故进一步对模型进行计量经济学检验。

3.2 计量经济学检验

3.2.1 多重共线性检验及修正

(1)模型的多重共线性检验

运用EVIEWS软件得到各解释变量之间以及各解释变量与被解释变量之间的线性相关系数见表2。由表2可以看出，GDP(X3)、存贷比(X5)存在严重的多重共线性，故采用逐步回归法对模型进行修正。

表2 各变量相关系数表

(2)逐步回归法修正模型

由t检验得知，解释变量X6(拨备覆盖率)对被解释变量的影响最为显著，故以X6为基础，分别增加解释变量X2、X3、X4、X5引入方程，观察回归结果发现，y、X5、X6进行拟合所得到的回归模型(见表3)R2=0.950209，拟合优度最好，且均通过F检验和t检验。

表3 基于解释变量对存贷比的回归

因此我们以该模型为基础，继续增加解释变量X2、X3、X4进行逐步回归，结果发现三种情况均通不过统计推断检验，故认为y与X5、X6拟合的线性回归直线最为准确。在对模型的多重共线性进行修正以后，得到的回归方程为：

Y=1.185051+0.031473X5-0.005401X6

(0.318873) (0.005412) (0.000271)

T=(3.716374) (5.815214) (-19.92701)

3.2.2 异方差的检验及修正

(1)异方差的检验

①运用White异方差检验方法对模型进行异方差检验，得到表4。表4中，Obs*R-squared=11.96517，相伴概率p=0.035268小于0.05,即该模型存在异方差。

(2)使用加权最小二乘法修正异方差

加权最小二乘法就对原模型加权以消除模型的异方差，然后采用普通最小二乘法估计其参数，对修正后的模型再次进行White异方差检验得到：Obs*R-squared=2.704878，Probability=0.745372>0.5，说明修正后的模型不存在异方差。

表4 White异方差检验结果表

得出无偏、有效的参数估计量的方法。运行EVIEWS软件，得到异方差修正结果见表5。

表5 异方差修正结果表

3.2.3 自相关检验

通过偏相关系数检验，观察PAC以及Partial Correlation列的图1可知，偏相关系数PAC的绝对值均小于0.5，表明不良贷款率模型不存在一阶、二阶及多阶的自相关性。

图1 偏相关系数检验结果图

在对最初建立的模型进行了经济意义检验、统计推断检验、多重共线性检验、异方差检验和自相关性检验，并基于各种检验修正模型后，我们最终得到农业银行不良贷款率与各影响因素间的线性回归方程：

Y=1.782675+0.019965X5-0.005240X6

(0.129201) (0.001854) (3.74E-05)

t= (13.79772) (10.77103) (-140.2703)

4 结论和建议

根据最终模型的结果可知，我国农业银行不良贷款率与商业银行的拨备覆盖率、存贷比率密切相关。不良贷款率与存贷比正相关，存贷比每增加1%，不良贷款率就会增加0.019965%；不良贷款率与拨备覆盖率负相关，拨备覆盖率每增加1%，不良贷款率就会减少0.00524%。

通过对中国农业银行不良贷款率影响因素的实证分析，我们发现中国农业银行不良贷款的产生与我国宏观经济发展形势、银行的经营管理水平及控制防范信贷风险的能力紧密相关。其中，农业银行的拨备覆盖率和存贷比对不良贷款率的影响程度最为显著。要降低中国农业银行不良贷款率，需要将增量防范和存量化解二者有机结合起来，在提高防范能力、遏制新增不良贷款的同时，通过合理的途径化解农业银行已经存在的不良贷款。本研究就如何降低中国农业银行的不良贷款率，给出以下建议。

(1)农业银行应合理地预期宏观经济发展形势以实行配套的信贷管理制度，建立科学有效的风险预警机制，提高对信贷风险的控制和分散能力。农业银行在进行贷款时应严查企业的财务状况和盈利能力，加强信贷风险识别，从源头上减少呆账和不良贷款的发生。

(2)积极推进商业银行债权转股权和不良资产证券化。债转股和资产证券化被称为供给侧改革的“两只手”。债转股即把债权转化为股权，是一种债务重组，也是处置不良资产的常用方式之一。我国政府目前正在积极重启首批试点规模约为1万亿的债转股，这将明显降低商业银行不良贷款的下行压力，改善银行资产状况，同时减轻高负债企业的财务压力，大大避免企业的破产风险。资产证券化是指银行将缺乏流动性但具有未来现金流量的信贷资产，通过结构性重组，层层打包，转变为可以在金融市场上流通的证券。商业银行通过将某些贷款证券化可以将这些资产移至表外，提高银行的资本充足率；同时也可将信贷资产的风险通过证券化转移给证券市场上具有不同风险偏好的投资者，以分散和化解金融风险。

(3)完善拨备考核方案，根据农行的经营状况确定适宜的拨备覆盖率。根据银监会相关规定，商业银行拨备覆盖率不能低于150%。此前，已经有商业银行建议银监会下调银行拨备覆盖率至100%-120%的水平以缓解商业银行的拨备压力，提升商业银行的风险偏好和放贷意愿，提高其盈利能力。

[1]Jimenez, Gabriel, J Saurina . Credit cycles，credit risk，and prudential regulation[J]．Banco de Espana，2005(1):10-28．

[2]Barros C P，Managi S，Matousek R．The technical efficiency of the Japanese banks:Non-radial directional performance meas-urement with undesirable output[J]．Omega，2012，40(1) :1-8．

[3]王丹娜.关于降低我国商业银行不良贷款率的思考[J].金融与经济,2010(2):26-29．

[4]贾宏文，颜咏华.市场纪律对银行风险承担行为的影响研究[J].湖南财政经济学院学报,2012(8):73-77．

[5]王光伟，童元松.我国商业银行不良贷款率的影响因素研究[J].湖北工业职业技术学院学报,2014(3):50-54.

[6]陈亮.中国农业银行不良贷款问题及政策分析[J].企业导报，2012,32(11)：1-8.

[7]马振国.新经济形势下我国商业银行不良贷款的影响因素研究[D].吉林大学,2015.

[8]徐晓通.中国银行业不良贷款率的影响因素实证研究[D].山东财经大学,2015.

[9]陈奕羽.我国商业银行不良贷款率的影响因素分析[D].南京理工大学，2015.

[10]伍德里奇JM.计量经济学导论:现代观点[M].费剑平,林相森，译.北京:中国人民大学出版社，2003.

[11]张晓峒.计量经济学软件EVIEWS使用指南[M].天津:南开大学出版社，2004.

Class No.:F832.4 Document Mark：A

(责任编辑：宋瑞斌)

Empirical Analysis of Influencing Factors of Non-performing Loan Ratio of Agricultural Bank of China

Guan Shan1，Zhu Jiaming2

(Anhui University of Finance and Economics 1.School of Finance；2.School of Statistics and Applied Mathematics, Bengbu, Anhui 233030，China)

Aimed to the influencing factors of non-performing loan ratio of agricultural bank of China, this paper selects non-performing loans ratio of Agricultural Bank of China, the rate of capital adequacy ratio (CAR), the gross domestic product (GDP), the consumer price index (CPI), loan deposit ratio and provision coverage ratio (PCR) of the monthly data from June 2010 to March 2016, with EVIEWS software, we construct a multiple the linear regression model which is tested by multiple co-linearity, different variance, autocorrelation test, it is concluded that the Agricultural Bank Loan deposit ratio and provision coverage effect on the rate of non-performing loans is the most significant degree of. We puts forward some measures to reduce the non-performing loan ratio as well.

non-performing loan ratio; linear regression; multiple co-linearity; different variance; self correlation

关珊，本科在读，安徽财经大学金融学院。研究方向：金融学。通讯作者：朱家明，硕士，副教授，安徽财经大学统计与应用数学学院。研究方向：应用数学与数学建模。

国家级大学生创新创业训练计划项目(编号：201610378434)；国家自然科学基金资助项目(编号：11601001)。

1672-6758(2017)01-0061-5

F832.4