经济新常态下我国商业银行信用风险研究

■韩素萍（中国海洋大学经济学院）

目前，经济全球化深入发展，中美贸易摩擦的阴影挥之不去，国内外市场不确定性增加。国内经济增长下行压力持续上升，企业经营风险接连爆发，银行贷款安全受到前所未有的冲击，不良贷款反弹，信贷风险加大，让银行经营发展背上了沉重的包袱。据统计，2018 年1-11 月商业银行信贷增长为13.3%，远大于GDP 增长和通货膨胀率增长之和(6.7%加2.2%),市场的流动性并不缺乏，然2018 年12 月的中央经济工作会议中明显释放出货币政策更为宽松的信号，利率市场化改革不断推进，作为我国金融中心的商业银行，在这样的大环境下，信贷风险防控面临着新的机遇和挑战。因此当下开展宏观经济背景下商业银行信用风险的预警研究，不仅具有重要的理论价值，还对于提高上市公司的质量，提高商业银行对优质客户的筛选，降低信用违约的发生，增强我国商业银行的盈利能力，打造一个规范、透明、开放、有活力、有韧性的金融市场具有重要的现实意义。

一、文献综述

结合国内外专家学者对商业银行信用的研究成果，根据此次研究内容需要，笔者将采用的文献归结为以下三类：

（一）关于商业银行信用风险影响因素的研究

从信息经济学的视角看，信用风险产生的主要原因是信息不对称。Leland 与Pyle（1977）以经济学中的逆向选择和信息不对称为依据建立了信贷模型，认为银行的信用风险产生于放贷决策之前。应嫦薇(2017)从理论上阐述商业银行信用风险的概念和信息不对称问题，指出了我国商业银行防范信用风险的有效措施。周宏（2011）根据中国债券企业的实际情况，建立了包含信息不对称因素的实证研究，认为正是发债企业和投资人间的信息不对称导致了我国债券企业的信用问题。从宏观经济的角度看，Harry Huizinga& Luc Laeven（2015）认为一国的宏观经济发展是否良好影响银行的回款速度和借款人的还款力。Jimenez，G.and Saurina(2005）发现在1984-2003 年西班牙银行不良贷款的影响因素的研究中，国家货币政策对不良贷款率的影响力最大。从企业自身的状况来看，武芳芳[5]将企业的财务指标与非财务指标引入了logistic 回归模型，发现两者对于企业的财务风险同样具有预警作用。

（二）关于商业银行信贷风险管理的实证研究

Altman(1968)构建了 5 变量 Z-Score 模型。同时，于1977年将所利用的变量增加到7 个，建立了Zeta 模型，完善了传统的判别分析技术。Beaver（1966）对30 个财务指标分别建立单变量模型预测企业的违约风险，研究发现，盈利能力的测量指标预测准确率最高。杨淑娥，黄礼(2005)利用180 个上市公司的财务数据，建立了神经网络模型，模型预测准确率达到90%。潘泽清采用2015年上市公司的数据，基于logistic 回归模型对企业违约风险进行预警，发现企业的盈利能力和偿债能力是衡量公司是否违约的重要指标。

（三）关于商业银行信贷风险管理的理论研究

首先，由亚当斯密（1776）在《国富论》中提出了信贷资产管理理论。其次，哈里马克维茨（1952）在计量经济学中引入了资产管理理论，现在是后金融化危机时期，而我国供给侧改革深入发展，许婉莹（2017）通过对现阶段商业银行信贷风险的影响因素进行分析，指出目前利率市场化，互联网金融，产业升级，金融脱媒等外部因素对银行信贷的应先加剧。从银行信贷风险管理的相关措施来看，张明（2018）通过分析现阶段商业银行信贷风险的特征，提出了新常态下我国商业银行信贷风险的防控对策。崔傅成，陶浩（2018）通过分析经济新常态下我国商业银行不良贷款的成因，指出了当前应对信贷风险的具体对策。

综合以上文献来看，我国商业银行信贷风险管理上和国外的商业银行存在一定的差距。尤其是在信贷风险的预警和信用风险的评估方法上，国外的学者采用历史的数据建立预警模型实现对商业银行信用风险的动态评估，研究较为成熟，能较好的实现对未来风险的预警，实际意义更突出。而我国对于信用风险的度量，定量分析的预警模型起步晚，难以实现精准预警。而且能够结合当前经济新常态的背景，建立商业银行信用风险预警模型，据此提出对策建议的文章较少，更增加了本文研究的必要性和重要性。

二、宏观经济下我国商业银行的信用风险的特征

（一）贷款余额整体稳定增长，贷款结构进一步改善

2014-2018 年，全部金融机构各项贷款余额呈逐年增长趋势，由81.7 万亿元逐年增加到136.3 万亿元，年均增长13.7%。从金融机构贷款时间来看，2015 年有明显变化，短期贷款余额增比下降4.6 个百分点，中长期贷款余额增比上升4.5 个百分点，此时正是积极推进实施新常态战略，提出供给侧结构性改革的关键一年，企业努力寻找生存发展的机会，增加对中长期贷款的需求。从金融机构贷款资金的投向看，投资行业主要以制造业，基础设施行业，房地产业为主，截止到2017 年，制造业占当年中长期贷款的比例为18.3%。

（二）不良贷款额和不良贷款率呈增长趋势

2013 年第一季度到2018 年第四季度，我国商业银行不良贷款额呈逐渐增长的态势，由2013 年底的5921 亿元到2018 年底的20254 亿元，而且不良贷款率在2013 年-2015 年上升较快，到2016 年第一季度时，我国商业银行不良贷款率达到1.76 个百分点，在去产能的同时增加了对我国企业负债结构的调整，企业生产经营状况发生不良变化，进而导致商业银行不良贷款也逐渐增多。从不良贷款率来看，我国的次级类贷款率，可疑类贷款率，损失类贷款率，分别由2013 年底的43%,43%,14%上升到2018 年的72%,82%,28%。从商业银行的类型来看，国有商业银行和股份制商业银行的不良贷款的比重要远低于农村商业银行不良贷款的比重，且国有商业银行不良贷款率在2015 年到2017 年间的比重远高于其他年份，

三、样本和变量的选取

（一）样本的选取

本文考虑到我国上市公司财务数据的可得性，真实性和相对客观性，以我国沪深A 股上市制造业企业为研究样本，将上市公司中由于财务状况异常而被特别处理成为ST 公司作为商业银行信用风险的标志，而非ST 上市制造业公司作为财务状况健康的公司。

我们以2017 年和2018 年首次被实施ST 的46 家沪深A 股制造业上市公司作为导致商业银行出现信用风险的公司。根据“同行业，同时期，同一交易所上市”的原则，按照近似1：1 配比，选择46家与ST 公司相对应的非ST 上市公司，考虑到研究的需要，这里将每家公司每个季度的指标数据看作一个样本，这样样本一共368 个，以此作为实证分析的研究样本。本文的数据来源于国泰安数据库，wind 资讯。

1.变量的选取与检验

考虑到收集数据时的可得性，真实性，全面性原则，结合商业银行对上市公司信用风险的财务评价指标体系设计原则主要以系统性，科学合理性以及可操作性为主。本文参照以往的研究文献，第一，初选指标。在选择企业盈利能力、偿债能力、经营能力、发展能力、获现能力，比率结构六个因素作为财务指标，引入治理结构一个非财务指标。第二筛选指标，在初步选取指标以后，在通过统计检验，筛选出比较显著的指标，作为模型的自变量。

2.数据预处理

虽然各个指标都是以“比”的形式存在，但是发现不同指标变量下的数据变化范围相差较大，为了使得数据具有可比性，据标准化为均值0 和标准差为1 的数据，对样本进行标准化处理。

3.指标预选

根据以往学者的研究，我们研究的上市制造业公司的财务指标与非财务指标如下：资产报酬率X11，总资产净利润率X12，净资产收益率X13，营业净利率X14，每股收益X15，每股净资产X16，流动比率X21，速动比率X22，现金比率X23，资产负债率X24，产权比率X25，应收账款周转率X31，存货周转率X32，总资产周转率X33，流动资产周转率X34，固定资产周转率X35，资本积累率X41，总资产增长率X42，全部现金回收率X51，现金再投资比率X52，流动资产比率X61，现金资产比率X62，营运资金比率X63，固定资产比率X64，所有者权益比率X65，流动负债比率X66，公司第一大股东持股比例X71，Herfindahl 指数X72。

（1）指标检验与筛选

首先采用Kolmogorov-Smirnov检验看指标是否服从正态分布，如果指标变量服从正态分布，再进行指标显著性的参数检验，如果指标变量不服从正态分布，则进行指标显著性的非参数检验。K-S检验的原假设是样本变量服从正态分布，如果不拒绝原假设，则说明变量是服从正态分布的，否则，说明变量不服从正态分布的。检验结果可知，所有指标变量的P 值均小于0.05，在5%的显著性水平下拒绝正态分布的零假设，即所有变量均不服从正态分布。

（2）指标显著性检验

为了找出信用健康的公司与信用异常的公司存在显著性差异的指标，对指标进行显著性检验。由于所有变量不服从正态分布，且两组样本独立，所以我们在采用非参数检验--Wilcoxon 秩和检验。Wilcoxon 秩和检验的原假设是某个变量不能区分两样本总体，两独立样本总体不存在均值差异。检验结果知，X24，X25，X31，X61，X65，X66 在1%的显著性水平下没有通过显著性检验，其余变量在1%的显著性水平下均值差异显著。

（3）指标筛选的结果

由前面的分析知，能够筛选出对ST 和非ST 公司呈显著性差异的指标共有22 个，用这些指标来构建商业银行信用风险预警模型。筛选出的这些指标如表所示：资产报酬率X11，总资产净利润率X12，净资产收益率X13，营业净利率X14，每股收益X15，每股净资产X16，流动比率X21，速动比率X22，现金比率X23，存货周转率X32，总资产周转率X33，流动资产周转率X34，固定资产周转率X35，资本积累率X41，总资产增长率X42，全部现金回收率X51，现金再投资比率X52，现金资产比率X62，营运资金比率X63，固定资产比率X64，公司第一大股东持股比例X71，Herfindahl 指数X72。

四、实证分析

（一）因子分析

经变量筛选与检验我们得到了22 个预警指标。但是这22 个指标的数量仍然较多，且存在着较强的相关性，于是我们采用因子分析法，对一系列指标提取公因子，以少数因子来替代众多原始指标的信息量。

1.检验样本数据能否进行因子分析：

采用Bartlett 检验和KMO 检验是否适合做因子分析。原假设各变量之间相互独立，但检验发现在1%的显著性水平下P 值为0，拒绝原假设，适合做因子分析。且采用KMO 值为0.68，大于0.5，也表示适合做因子分析。

2.判断需要提取的公因子数以及提取公因子

根据一般的研究，累计贡献率在60%以上就可以，由碎石图和Kaiser-Harris 准则建议选出主因子7 个，累计贡献率可以达到70%，说明前7 个因子包含了全部指标信息的70%，对原有变量的解释程度高。

3.因子旋转与因子解释

因子1 中载荷量较大的指标包括X11 资产报酬率，X12 总资产净利润率，X13 净资产收益率。因此我们称因子1 为盈利与资产因子。因子2 中载荷量较大的指标包括X32 存货周转率，X33 总资产周转率，X34 流动资产周转率，所以我们称因子2 为经营能力因子。因子3 中载荷量较大的指标包括X71 公司第一大股东持股比例，X72 Herfindal 指数，因此我们称因子3 为治理结构因子。因子4载荷量较大的指标包括X41 资本积累率，X42 总资产增长率，因此我们称因子4 为发展能力因子。因子5 中载荷量较大的指标主要包括X14 营业净利率，X23 现金比率，因此我们称因子5 为现金收入因子。因子6 中载荷量较大的指标X15 每股收益，X16 每股净资产，所以我们称因子6 为每股收益与资产因子。因子7 中载荷量较大的指标包括X64 固定资产比率，X63 营运资金比率，X62 现金资产比率。因此我们称它为比率结构因子。

（二）信用风险预警模型建立

（1）我们对指标进行因子分析，将7 个因子的得分作为自变量，进行商业银行信用风险预警 Logistic 模型的建立。得出以下结果：自变量RC1 和RC4 在5%的显著性水平下通过变量的显著性检验，RC6 在0.1%的显著性水平下通过变量的显著性检验，RC7 在10%的显著性水平下通过变量的显著性检验，即RC1，RC4，RC6 和RC7 对因变量具有较好的解释作用。考虑使用逐步回归剔除不显著的因子，

由表9 得到，如果剔除不显著的因子以后，仅对因子1，因子4，因子6 和因子7 进行logistic 回归，AIC 值由418.13 降到了414.36，说明进行逐步回归保留了相对重要的变量。

（2）解释模型参数

由于在logistic 回归中，响应变量是logit(p)，即Y=1 的对数优势比，而对数优势比的解释性较差，所以可以对回归系数进行指数化，然后得到回归模型进行参数解释。

表1 回归参数指数化的结果

表达式如下：

通过表1 可以看到，RC1，RC4，RC6，RC7 在 0.05 的显著性水平下存在显著的正向影响，表明这四者的增加证明公司为非ST的企业的可能性较大，企业朝着信用健康的方向发展，商业银行的信用风险此时较低。这也是与实际相符合的。而且我们发现保持RC1，RC4，RC7 不变，RC6 每股收益与资产因子每增加一单位，公司为非ST 的优势比乘以3.825237，即上市公司出现财务健康的概率较大，商业银行面临的信用风险较低。当保持RC4，RC6，RC7 不变时，RC1 盈利与资产因子每增加一单位，企业为非ST 的概率上升，公司为非ST 的优势比将乘以2.95，即上市公司出现财务健康的概率较大，商业银行面临的信用风险较小。比较符合实际。在检验显著的因子中，RC1 盈利与偿债因子和RC6 每股收益与资产因子对于上市公司是否为非ST 的影响较大，而每股指标是盈利能力的一部分，可见，盈利能力对于上市公司来说是至关重要的，一般而言，盈利能力与偿债能力是商业银行进行放贷时必须考虑的因素，所以这与实际情况是相符的。

（3）模型系数综合检验

模型各变量通过显著性检验的同时还需确保整个模型是显著的，只有这样才能确保模型是正确的，有意义的。于是，我们对模型进行卡方检验，结果发现，随着变量从第一个到最后一个逐个加入模型，模型最终通过显著性检验。

（4）模型拟合优度检验

为了能够比较模型的预测值与实际值之间的差异情况采用HL统计量进行检验，原假设为“模型的预测值与实际值不存在差异”。发现Hosmer 和 Lemeshow 检验 P 值为 0.14，接受了原假设，实际值与预测值没有明显差异，证明了该模型拟合较好。

（5）模型预测效果检验

将2017年到2018年92家公司构成的368条样本数据代回模型，可得模型预测准确度的百分比，ST 公司赋值0，非ST 公司赋值1。

表1 判别效果表

由于我们这里定义概率值大于0.5的为非ST上市公司，小于0.5的为ST 上市公司。由表4-8 可知，ST 公司仍然被预测为ST 公司的准确率为81%。非ST 公司被预测为非ST 公司的准确率为82%。总体预测准确率为81%。该模型具有相对较好的准确性。

五、经济新常态下商业银行应对信用风险的对策

（一）顺应宏观经济产业结构演变趋势，降低行业性风险

我国之所以进行供给侧结构性改革，说明我国经济下行是由于结构出了问题。由前面的分析我们知道，当前我国商业银行的贷款主要集中在房地产业，基础设施和制造行业。因此商业银行应当加强对信贷企业行业风险的审核，尤其对成长性的新兴产业加强信贷风险的防控。

（二）切实推进去杠杠策略，降低企业债务违约风险

“去杠杆”是要降低企业长期性的债务风险。因此对企业来说，应当积极改善企业债务结构，增加权益资本比重。而银行应当通过完善经营管理制度，规范资产质量，加强贷款管理，降低不良资产形成，切实落实去杠杆的策略。

（三）从流程上防控风险，丰富信用风险管理的手段

无论是企业还是银行，风险出现一定是流程上出现了问题。资金的进进出出，来龙去脉如果清清楚楚，风险管理的手段多种多样，便可以在一定程度上避免风险的发生。因此在经济压力下行的背景下，我国商业银行应当从流程上对信贷资金把关，加强对信贷人员的职业素质培训，实现部门与部门之间的协同监督，多措并举有效防止不良贷款出现，降低不良贷款率。