上市银行不良贷款研究——基于面板数据模型

2018-12-08龙思思

新商务周刊 2018年10期

文/龙思思

文/龙思思

上海大学

近年来，中国宏观经济形势下行、房地产刚性泡沫、利率市场化和社会杠杆率大，众多商业银行的不良贷款率又呈现回升趋势。首先，本文介绍了不良贷款，再而通过对上市银行的现状分析，选取了制造业采购经理人指数PMI、广义M2增长率、净利差和银行拨备覆盖率作为解释变量进行实证分析。分析结果表明，除制造业采购经理人指数PMI对上市银行不良贷款率不产生显著性影响，其他解释变量皆与不良贷款率呈负相关关系且显著，即广义M2增长率越大、净利差越大和银行拨备覆盖率越大，银行的不良贷款率就越低，反之越高。最后，在理论和实证分析的基础上，结合当代经济形势和金融背景，从存量化解和风险防范的角度提出解决措施。

不良贷款率；固定效应面板模型；不良资产证券化

1 绪论

尽管中国各银行的不良贷款被政府一直高度重视,但是从目前来看，不良贷款的问题依然是值得我们高度重视的。尤其是近几年，经济形势下行，钢铁、纺织和有色金属等众多行业的过剩产能，制造业低迷，都在一定程度上使我国银行的不良贷款出现新的“回升”。截至2015年末,商业银行不良贷款问题依然十分显目,尤其是农业银行不良贷款问题尤其突出。

不良贷款的现状和所处的宏观环境与以往相比较而言，其现状更为严重，所处宏观环境更为复杂。经济形势下行、行业过剩产能、房地产泡沫、制造业低迷、利率市场化、国企改革和社会、企业、政府去杠杆等宏观复杂经济环境。

表1 变量的属性

变量符号变量名称频率单位数据来源更新时间属性 BLR不良贷款率年%WIND2017/3/8被解释变量 PMI制造业采购经理人指数年%WIND2017/3/8解释变量 GPCR对数拨备覆盖率年%WIND2017/3/8解释变量 NIM净利差年%WIND2017/3/8解释变量 M2M2年度增长率年%WIND2017/3/8解释变量

2 我国上市银行不良贷款现状分析

本文选择其中18家上市银行为样本，以行业分类的方式对上市银行贷款结构进行分析。发现我国银行贷款主要集中于制造业，其次是交通运输、仓储和邮政业行业以及房地产业

并且基本了解到，我国股份制商业银行的不良贷款从规模和比率上均低于我国五大行；我国上市银行的贷款主要分布于制造业，其次是交通运输、仓储和邮政业和房地产业。

3 实证分析

本文数据主要来源于WIND金融客户端，基于数据的可得性和可比性，本文选取近8年的年度数据进行一个实证分析。为了验证各种宏观因素与微观因素对不良贷款率的关系与影响程度，本文选取面板模型来进行实证分析，分析各变量对不良贷款的影响关系。

不良贷款率:不良贷款率=不良贷款/总贷款

制造业采购经理人指数：PMI是一项比较全面的经济指标，代表了就业、制造业整体状况及物价表现，在全球是最受关注的经济变量之一。如果指数低于50%，特别是非常接近40%时，则会有经济萧条的忧虑。一般在40~50之间的时候，说明制造业正处于衰退，但是整体经济还是在扩张。

广义货币M2年度增长率：广义货币M2年度增长率=本期M2货币总量/上年M2货币总量

对数拨备覆盖率：对数拨备覆盖率=ln(拨备覆盖率)，拨备覆盖率=(一般准备+专项准备+特种准备)/(次级类贷款+可疑类贷款+损失类贷款)×100%

净利差：净利差=生息率-付息率

建立面板模型：

BLRi,t=αi+β1iPMIt+β2iM2t+β3iGPCRi,t+β4iNIMi,t+εi,t

(i=其中i=1,2,3...N,i表示研究银行的样本数，t=1,2...T表示年度数，εi,t为随机误差)

3.1 描述性统计

我国上市银行的不良贷款率近8年来平均为1.38%，更有银行不良贷款率达到23.57%。上市银行的净利差在近8年平均为2.56%，最小为1.38%，最大为4.49%，各大银行净利差相差较大；对数拨备覆盖率平均为5.42%，最小为3.98%，最大为6.42%；PMI平均为51.30%，最小为49.91%，最大达到53.76%；广义M2增长率平均为16.55%，最小为12.32%，最大为26.50%，近年来M2增长速度不断放缓。

3.2 平稳性检验

（1）首先对被解释变量不良贷款率进行单位根检验，被解释变量t统计值的概率小于0.05，拒绝原假设，被解释变量水平平稳。（2）对解释变量净利差进行单位根检验，净利差t值概率小于0.05，拒绝原假设，净利差变量水平平稳。（3）对解释变量对数拨备覆盖率进行单位根检验，对数拨备覆盖率t值概率小于0.05，拒绝原假设，对数拨备覆盖率变量水平平稳。（4）对解释变量制造业采购经理人指数进行单位根检验，制造业采购经理人指数t值概率小于0.05，拒绝原假设，制造业经理人指数变量水平平稳。（5）对解释变量广义M2增长率进行单位根检验，M2增长率的t值概率小于0.05，拒绝原假设，广义M2增长率水平平稳。解释变量和被解释变量皆水平平稳，无需进一步做协整检验，则继续进行后面的模型选择。

3.3 模型选择

1）首先判断面板模型是固定效应模型还是混合模型，采用F检验的方法。如下图所示，原假设假定模型为混合模型，而F检验值概率小于0.05，故拒绝原假设，该模型为固定效应模型。

2）判断模型是固定效应还是随机效应，采用豪斯曼检验法。如下图所示，原假设假定模型为随机效应，检验的概率小于0.05，拒绝原假设，模型为固定效应模型。

综合以上检验，我们接下来建立固定效应面板模型。

3.4 模型估计

建立固定效应面板模型，进行回归， F统计值概率为2.9889e-05，说明模型显著。除了PMI（制造业采购经理人指数）其他解释变量的t统计值的均小于0.05，系数显著，并且各变量的估计系数都为负数，说明对被解释变量存在负相关关系。

3.5 实证结论

通过F检验和豪斯曼检验，本文建立固定效应面板模型。固定效应面板模型估计结果显示，各解释变量对被解释变量皆存在负相关关系，除了PMI变量不显著外，其他皆显著，与我们前面的理论分析的结果基本一致。PMI系数不显著可能是因为各大上市银行贷款最大的行业并不都是制造业，前文在分析银行贷款的行业分布的时候，发现绝大多数银行贷款规模最大的为制造业，但是也有一部分银行贷款规模最大的并非是制造业，而是矿业等其他行业，故PMI对不良贷款率没有显著的负相关关系也是具有一定道理的。其他解释变量对解释变量相关关系为负且显著，净利差越大，银行盈利能力越强，内部风险管控标准相应更加严格，不良贷款率相应变低；每增加1%的净利差，贷款不良率降低1.76%。拨备覆盖率越大，对银行的贷款的覆盖程度越强，防范贷款不良化的效果更明显；每增加对数拨备覆盖率的1%，银行贷款不良率降低1.36%。广义货币M2增长率越大，银行信贷供给越大，企业贷款利率相对较低，负债压力减少，盈利能力增强，更具有一定的能力保障其偿还贷款，从而降低银行不良贷款率；M2增长率每增加1%，银行不良贷款率降低0.17%。银行应该更加完善风险预警、风险评估和风险防范机制，在合理的范围内扩大其表外业务，增加其盈利能力。