新常态下商业银行不良贷款率的影响因素

2022-08-12孙佳怡

经济研究导刊 2022年21期

孙佳怡

（上海工程技术大学，上海 201620）

一、研究背景

当前，中国宏观经济正在从高速增长期转移到中高速增长期。商业银行的不良贷款有上升趋势，不良贷款涉及经济周期性变动和经济发展水平，与两者同处于反向变化趋势，同时与经济的周期性繁荣、产业链位置、产业竞争力和中国家庭的产业政策密切相关，还与企业自身管理和商业银行运营机制有关。中国经济已经进入“新常态”了，经济的转换和产业结构的调整导致了不良贷款的增加。这不仅会影响商业银行的流动性、利润和安全程度，还不利于我国的金融系统稳定。

我国改革开放已经进入深水期，经济上升速度已经明显放缓，并且国家在井然有序地调整经济架构，供给侧改革也日渐深入。商业银行的日常运营工作受不良贷款问题影响严重，经常性地会引发银行危机。在经济发展转换、换代期间，我国经济体由于相关制度和技术的原因，产生了大量的不良贷款。受我国国情和目前的经济发展状况影响，商业银行的不良贷款率持续上升，影响了整个金融行业。目前，如何解决不良贷款问题成为商业银行发展的瓶颈。应尽快制定应对风险的对策，增强金融部门快速发展的能力。

时值2016 年年底，15 123 亿元的不良贷款是由我国所给出，这还导致了1.81%的不良贷款率，这是近7年来的最高金额。截至2018 年年底，中国商业银行的不良贷款率正在逐步迈向2%水平线，这是十分危险的信号。我国商业银行贷款中，正常类贷款占比95.31%、剩余占比4.69%是余下四类不良贷款率的总和。在2019 年年末，我国商业银行不良贷款已经高达2.41 万亿元，较上季度上升463 亿元，商业银行不良贷款率达到1.86%。近年来，中国商业银行的不良贷款比例不断上升。预防金融危害的首要方法就是要减少不良贷款，这也是确保改革能够有效推行的重要因素。本文从银行日常经营管理出发，分析市场法则，探究为何近年来不良贷款率逐渐上升，背后是哪些因子在起作用，只有这样，才能有的放矢，解决不良贷款率的问题。

二、实证分析

（一）变量选取

为了进行商业银行不良贷款率的影响成因实证分析，本文摘取2011—2018 年间，16 家上市商业银行的各项数据，采用平衡面板数据建立回归模型，同时对所有数据取对数以更准确地得出回归结果。本文以2011—2018 年的季度数据为样本，共计1 392 个观测数据，进行平均化处理。实际操作方法是，把16 家上市银行的不良贷款率平均化处理后用作被解释变量NPL，以制造业贷款需求指数INDEX、存贷比LDR、拨备覆盖率PCR、成本收入比CIR、资本充足率CAR、净息差NIM、货币供给增长率M2、汇率水平EXRATE、总资产SIZE、GDP 增长率作为解释变量，创建回归模型以此研究，这些因子的变动是否会对不良贷款率产生影响。在这些数据里，制造业贷款需求指数、货币供给增加量M2 数据来源于中国人民银行官网，GDP 数据来源于中国统计局官网，其他数据均来自16 家银行年报和半年报，见下页表1。

表1 变量与指标选取

解释变量1：国内生产总值增长率。本文选择国内生产总值增长率，用这个标志来量度国内国民经济。国内生产总值增长率越大，那么不良贷款率越小。

解释变量2：货币供应量增长率。选择这一标志是用来量度国民经济政策变化的一个指标。

解释变量3：拨备覆盖率。如果一个银行本身的风险防范意识较弱，那么不良贷款就会乘虚而入，悄然形成。所以，本文选择拨备覆盖率作为量度银行防范危险的一个标志。

解释变量4：资本充足率。资本水平较弱的银行更容易产生较大的不良贷款。所以，本文用一个量度资本水平的标志，那就是资本充足率。

解释变量5：成本收入比。不良贷款的提高一定程度上受到银行成本效能变小的作用。所以本文采用成本收入比作为量度商业银行的管理效率的指标。

解释变量6：存贷比。有一些喜好风险的银行，它的不良贷款率往往会大于不喜欢风险的银行的不良贷款率。所以，本文选取存贷比作为量度银行风险喜好的指标。

解释变量7：净息差。净息差越大，不良贷款率越小。

解释变量8：银行规模。如果一个银行只顾追求拓宽自身规模，却忽视对于自己风险的防控，那么它一定会导致不良贷款的增大。所以，本文选取银行资产规模，用来表示银行资产规模的大小。

解释变量9：汇率水平，即每单位美元可兑换的人民币数额。如果汇率水平下降了，就表明人民币将升值。如果国家的经济发展前景十分良好，那么不良贷款将变小，不良贷款率就会下降。

解释变量10：制造业贷款需求指数。制造业贷款数额占比最大且连年上升。

（二）模型建立

本文选取的都是平衡面板数据，通过这些数据，建立相关模型如下：

本文利用此模型，对于所选取的数据进行多元回归分析，研究各类影响因子对于不良贷款率的作用程度。

（三）多元回归分析

经由Eviews 软件，选择OLS 最小二乘法对32 个样本点数据进行回归分析，具体的回归结果如表2 所示。

表2 多元回归分析结果

在显著水平=5%的情况下，PCR、LDR、SIZE、GDP增长率、货币供应量增长率M2，共5 项数据的收尾值从上表中可以看出，分别是0.0000、0.0048、0.0250、0.0162、0.0001，都比0.1 小，基本上都检验合格，但是汇率水平、成本收入比、净息差、资本充足率、制造业贷款需求指数收尾值分别为0.6693、0.4355、0.3170、0.1750、0.8307，这些数值都比0.1 大，没有承受住显著性差异的检验。不过根据这个模型的整体回归情况判断，P 值比0.1小。因此，虽然这5 个解释变量并没有经受住检验，但它们5 个并没有影响到这个模型整体的准确程度。

本文在保持其他的几个变量不变动的情形下，可以发现解释变量广义货币M2 增长率、银行规模、国内生产总值增长率、存贷比、拨备覆盖率、分别对解释变量“不良贷款率”有着明显有关的线性关系。而另外5个解释变量，资本充足率、成本收入比、净息差、汇率水平、制造业贷款需求指数相较而言对不良贷款率这一被解释变量没有作用因素。

由本文表2 中变量的估值系数可以得出多元线性回归模型如下：

从所得到的回归方程来看，PCR、M2 与GDP 的相关影响系数分别为-0.005419、-0.300361、-0.088963。即拨备覆盖率、货币供应量增长率和GDP 增长率与不良贷款率变现出负面有关这样一个情况，也就是说，当这3 个变量加大的时候，不良贷款率开始逐步慢慢减小。LDR 和SIZE 的相关影响系数分别为0.931886和0.007264，也就是说，存贷比和银行规模与不良贷款率表现为正面有关；资本充足率CAR、成本收入比CIR和净息差NIM 对不良贷款率NPL 有着正面作用，汇率水平EXRATE 对不良贷款率NPL 起到负影响。

（四）实证结果分析

通过对影响我国商业银行不良贷款率的成因进行理论分析和实证研究，本文发现变现宏观经济政策和国民经济的影响因子，微观程度上银行的经营管理影响因子和存在于制造业需求指数对制造市场的反应，这些因素都与商业银行不良贷款的产生和加速有相关。因此，各个因素对不良贷款率具有以下影响。

宏观经济因素层面上，人民币汇率与银行的不良贷款率呈不显著负相关关系；广义货币供应量、GDP 增长率和商业银行不良贷款率表现为负面有关。银行层面上，拨备覆盖率和商业银行不良贷款率表现为负面有关也影响程度很大，银行规模SIZE、存贷比LDR 和不良贷款率表现出来正面有关。制造业市场这一层面上，制造业贷款需求指数与不良贷款率呈不显著正相关关系。

但成本收入比CIR、净息差NIM 和资本充足率CAR对于商业银行不良贷款率没有发现较为明显的影响。

综上所述，国家宏观经济发展和经济政策的变动，商业银行日常经营管理和防范化解风险的能力以及制造业需求都会对商业银行产生对应程度的影响。通过整理各影响因子对不良贷款率的不同程度的变动，可以发现，宏观经济调控和发展作用与不良贷款率的影响程度整体较大。不过对于有效控制不良贷款率这一方面，商业银行主要得从自我出发，着重关注自身影响不良贷款率的因素，及时调度和控制影响因子以达到削弱不良贷款率的目的。

三、政策建议

（一）完善企业的贷款制度结构

商业银行最主要的收益方法就是通过赚取银行客户存取和贷款的利益差。第十九次人民代表大会上，明确提出要去产能、去杠杆、去库存、降成本以及把推动发展绿色企业这一观点植入人心，也就意味着原来这些行业的企业政策导向减弱，政策推动力度肯定受到影响。对高污染的企业贷款过多，保有的利益只有减弱的趋势，进一步影响到商业银行的经营管理业绩。商业银行应清理“两高一剩”类型的企业，选择效益高或者是由政府援助的绿色企业，继续改善完备贷款制度。