中国银行业贷款利率是否反映企业违约风险水平——来自制造业上市公司数据的经验证据

赵 平 孙志峰

浙江工商大学 金融学院，浙江 杭州 310018

一、引言

中国金融业的“十二五”规划，将利率市场化改革目标表述为利率“放得开”、“形得成”和“调得了”。对其中的“形得成”目标而言，落地实现的重要微观基础在于银行须按风险定价原则确定贷款利率。如果银行按借款人风险大小确定贷款利率，那么在竞争性的信贷市场上，微观贷款利率将依据“基准利率+风险溢价”的价格领导定价法(Price Leadership Pricing)形成。微观银行的信贷行为是否遵循风险定价原则，虽然关乎信贷资源配置效率和金融体系稳定大局(Magri，2018[1])，但根据Stiglitz and Weiss(1981)[2]的信贷配给理论，信贷市场上普遍存在的信息不对称现象，却从根本上制约了微观信贷风险定价原则的实施。在中国的现实环境中，诸如利率市场化进程、政府信贷干预等因素，是贷款利率决策偏离风险定价原则的重要原因。目前，有关贷款利率是否反映借款人风险水平的主题性实证工作在国内少见，已有贷款利率与借款人风险关系的经验证据，主要是研究其他主题时带出来的“副产品”(钱龙，2019；张伟华等，2018[4])。国外存在的不少相关研究，大都基于调查数据，以细分的零售信贷市场或者信用社等机构的信贷业务为考察对象，实证检验了少数发达国家微观贷款利率是否按风险定价(Magri and Pico，2011[5])，以及风险定价技术变革(如采用信用评分技术，Credit Scoring Technologies)对信贷市场的多维度影响问题(Walke et al.，2018[6])。

本文利用微观制造业上市公司数据，对贷款利率是否反映借款人风险水平的主题性实证研究，将为中国银行业贷款利率决策是否遵循风险定价原则，提供目前尚处匮乏状态的有益经验证据，这对中国信贷资源配置效率与银行业稳定主题的学术研究，有明显的边际贡献。企业违约风险的两个度量指标均基于期权定价理论确定，也较具特色。这一方面使此核心实证指标的选取具有坚实理论基础，另一方面也会增强不同指标回归结果间的可比性，从而有利于实证稳健性的评判；而已有相关文献对企业违约风险的选择，有的用银行内部信用评级(钱龙，2019；黄璟宜等，2017[7])，有的用Altman(1968)[8]Z评分(张伟华等，2018)，有的用不良贷款率(张岩，2019[9])，有的用某个与违约风险有关联的财务绩效指标代理(孙会霞等，2013[10])。

从中国近年来的现实看，新冠肺炎疫情冲击使小微企业融资约束更加趋紧。要缓解这一状况，除了党和政府强有力的惠普金融政策从外部着力外，还需银行等信贷机构向这一群体“敢贷、能贷、愿贷”的内生性动力机制作支撑，而这一动力机制形成的关键在于银行业是否具备视借款人风险大小确定贷款利率的信贷风险定价能力。如果银行对于小微企业的规模和所有制性质，以及与之密切联系的治理模式、经营理念和运作环境所承载的风险特质无法有效定价时，这类借款人群体的融资将面临Stiglitz and Wess(1981)所称的均衡信贷配给约束，其贷款会陷入“虽有需求但无供给”的金融供给侧结构性困境，亦即银行等信贷机构将“不敢贷、不能贷、不愿贷”。有鉴于此，本文的实证检测工作，将有利于从金融供给侧角度讨论促进普惠型贷款业务发展、缓解小微企业融资约束的政策选择。

本文第二部分是相关文献综述和实证假设；第三部分基于BSM期权定价理论实施企业违约风险测度；第四部分是实证研究设计，确定计量模型、变量与数据；第五部分是对实证结果进行分析；第六部分是基于特定风险冲击事件对银行风险定价行为的反映实施双重差分分析(Differences-in-Differences，简称DID)；第七部分为简要总结并进行政策含义揭示。

二、文献综述与研究假设

(一)文献综述

虽然目前少有中国银行业贷款利率定价与借款人风险关系的实证检测文献，但在一些实际贷款利率估算(刘红忠和秦泰，2013[12])、企业融资成本(张伟华等，2018；钱龙，2019)、贷款定价(孙国峰和栾稀，2019；张岩，2019)、银行业改革(Podpiera，2006[13]；郝项超，2013[14])、信贷配置(孙会霞等，2013)和贷款利率浮动(马亚芳等，2018[15])等主题的实证研究中，都直接或间接涉及到了贷款利率是否反映借款人风险的问题。其中较多文献表明，不同企业的贷款利率水平没有显著差异，借款人的盈利水平在定价决策中没起什么作用(Podpiera，2006)，信贷风险之于定价在理论上的重要性在计量检验时并不显著，甚至还呈负面影响(张伟华等，2018；孙国峰和栾稀，2019；马亚芳等，2018)。但也有文献表明，虽然商业银行对企业信用风险的定价反映总体有限，但在细分样本中，存在股份制商业银行贷款利率对信贷风险敏感的经验证据(孙会霞等，2013；郝项超，2013)。黄璟宜等(2017)基于某股份制商业银行省分行2010—2015年企业贷款数据的实证研究表明，只有中、低风险等级企业的贷款利率，才体现依据风险大小定价的原则。还有一些文献，支持中国银行业能够依据信贷风险定价的观点。例如，刘红忠和秦泰(2013)利用两部门模型，估算了中国2003—2010年间经风险调整之后的实际执行贷款利率水平，发现“高风险企业部门”与“低风险企业部门”的名义利差高达6.1个百分点。张岩(2019)以某地方银行3406个有效微观贷款数据为样本，研究发现风险标识越大的贷款，其利率定价也越高。钱龙(2019)利用中国某省2011—2016年间的近100万笔信贷数据，对利率市场化的企业融资成本效应进行的实证研究发现；无论大型、中型、小型企业，还是不分规模的全样本企业，优良的借款人信用等级都是显著降低贷款利率浮动水平的重要因素。

由于面向家庭的调查数据比较丰富，国外有不少个人抵押和消费信贷市场定价是否遵循风险定价原则的实证文献，但针对公司贷款的研究有限。Duca and Rosenthal(1994)[16]利用美国1983年的消费金融调查数据，研究发现个人抵押贷款利率的确定并不遵循风险定价原则，家庭信用风险的变化没有体现在利率的变化方面。当Getter(2006)[17]在世纪之交用同样来源的数据研究时，情况已大不一样：抵押贷款利率能够显著反映个人信用风险的差异。Edelberg(2006)[18]的研究表明，20世纪90年代的美国消费信贷定价，开始越来越普遍地基于借款人风险确定；1995年之后，高低风险借款人在抵押贷款、汽车贷款和信用卡贷款的利率差异，出现了实质性地显著扩大。Magri and Pico(2011)检验了意大利个人抵押信贷市场的风险定价情况，发现随着信贷机构信用评分技术的广泛使用，进入21世纪以来，意大利的个人抵押信贷利率日益基于风险定价原则而定，当违约率上升1%时，抵押信贷利率提高0.21%。Magri(2018)对意大利消费信贷市场的后续研究表明，2008年金融危机后，利率确定的风险敏感性大为提高，放贷者对借款人的信用风险变得更为关注。目前，国外相关研究的重点已不在银行贷款是否按风险定价的主题，而是利用来自家庭和金融机构较为系统的调查数据，开始聚焦于风险定价技术和行为对信贷可获得性、利率水平、风险状况和客户结构的影响(Berger et al.，2005[19]；Tokle et al.，2015[20]；Walke et al.，2018)。

综上所述，国内目前尚缺乏银行贷款利率是否反映风险的主题性实证研究，相关文献大都基于微观企业或银行数据展开，虽然有不少银行贷款利率不遵循风险定价原则的经验证据，但这些研究并不是为检验贷款利率与借款人风险关系的目的而设计，因此所得经验证据可靠性较弱甚至不足为凭。国外研究利用其丰富的个人信贷市场调查数据，对信贷机构贷款利率是否反映风险的问题，做了不少基于零售信贷业务的实证研究，目前，其关注点已转为银行信贷风险定价行为产生的信贷市场效应问题。

(二)研究假设

中国利率市场化进程的不断深入，《巴塞尔协议》对风险监管政策的推动，以及金融科技在信贷流程中的运用，都会对银行信贷风险定价行为产生影响。近十年来，无论存贷款利率完全放开，还是《巴塞尔协议Ⅲ》在中国落地，抑或信贷业务的智能化、数字化，都使这些因素的影响陡然放大并彼此叠加。在此背景下，“中国银行业贷款利率定价反映借款人违约风险水平”应当是一个合理假设。

1. 利率市场化改革对银行信贷定价的影响。视借款人风险大小确定利率，是中国利率市场化“形得成”目标的内在要求。更为现实的是，利率市场化改革进程及其配套的各种金融自由化政策，将培育并加剧金融市场的竞争，这会对银行遵循信贷风险定价原则的行为产生“倒逼”效应(刘方根，2013[21]；李宏瑾，2015[22])。具体而言，对那些低风险的传统优质信贷客户，在贷款利率下限扩大甚至放开之后，竞争会使银行失去利率管制带来的超额利润(李瑞鹏等，2016[23])，本着“低风险、低利率”原则，对这部分客户的贷款需求重新定价在所难免，否则，高估此类优质客户的风险，会使其逐渐转向广度、深度不断拓展的资本市场融资，这样银行不仅失去了优质客户，而且还会恶化信贷市场的逆向选择问题。对那些相对高风险的非优质客户，银行过去习惯性的排斥态度不得不改变，从排斥到逐步接纳是必然。因为，一方面，随着存款利率上限管制的放松乃至取消，以及来自传统理财市场和互联网理财产品的竞争(如余额宝)，银行资金成本上升、存贷款息差缩小，这将迫使银行增加对这类“高风险、高收益”客户群体的信贷资产配置(刘婷婷，2016[24])；另一方面，金融科技公司小额信贷业务创新迅速发展，这对银行零售金融产生了显著的现实和潜在冲击，作为应对，传统银行不得不依托金融科技手段，加大对原来所谓的非优质“长尾客户”的信贷覆盖(Sheng,2021[25]；金洪飞等，2020[26])。

2. 金融监管与科技对银行信贷风险定价的影响。《巴塞尔协议》围绕资本充足性的银行监管，要求其贷款风险承担与资本计提挂钩。一笔贷款风险越大，其资本消耗越高。通过目标资本收益率的实现机制，这将必然使微观银行贷款定价与风险紧密正相关(李丹，2015[27])，也即贷款应按“高风险、高收益”的原则定价。随着《巴塞尔协议Ⅰ》到《巴塞尔协议Ⅲ》的升级演进，资本充足性的要求在不断地提高，银行微观贷款按风险定价原则确定利率的必要性也越来越迫切。2013年，中国版的《巴塞尔协议Ⅲ》开始逐步实施，形成了中国银行业贷款按风险定价的重要外在推力。就金融科技的影响而言，由于信贷风险定价原则实施的根本制约因素，在于借款人信息的获取与处理技术不足(唐才旭和杜洪涛，2020[28])，但2013年中国互联网金融“元年”以来，以大数据、云计算、人工智能和区块链为代表的金融科技应用呈爆发增长之势，在这种背景下，传统信贷机构业务的金融科技化迅速推进，其风险定价面临的信息约束大为缓解，微观贷款利率决策从过去的价格扭曲状态回归风险定价原则，实属必然。

三、借款人违约风险测度：期权理论视角

(一)违约率的KMV模型估计

本文用KMV模型估计借款人违约率。KMV模型的违约率估计方法，由美国KMV公司于1997年开发。此方法有BSM(Black-Scholes-Merton)期权定价模型支持，理论基础深厚；利用高频股票市场价格信息而非简单的历史数据，所测违约率具有良好的动态性和前瞻性良(李晟和张宇航，2016[29])；当然也很适合公开上市企业的信用风险估计。KMV违约风险模型是信用风险计量技术的重大突破，目前在金融风险管理领域有着广泛应用。其基本思想是把企业贷款视为其股东向银行买入一份欧式看涨期权的行为，借款企业的资产价值为期权标的，到期贷款本利和为期权执行价格。从股东作为看涨期权买入者的决策而言，在贷款到期时，如果企业资产价值小于贷款本息，那么股东将为避免损失放弃行权，这时企业违约不还款；如果企业资产价值大于贷款本息，那么股东将因有利可图而行权，这时企业履约还款。显然，在期权视角下，贷款违约与否是借款企业的主动选择权，至于怎么选择，则取决于资产价值在贷款期间的走势(1)当然，这里有企业除贷款之外没有其他任何负债的隐含假设。。KMV方法在企业资产价值遵从几何布朗运动的随机过程模型基础上，用BSM期权定价模型以公开的企业股价信息反推其资产价值与波动率，最终得到企业资产价值小于贷款本息额(资不抵债，股权价值为零)的概率，亦即借款企业的违约率。

本文利用KMV模型估计中国A股市场制造业上市公司2005—2020年间的违约率。按照KMV的一般程序，具体估计工作依次分三个步骤完成：一是利用上市企业的股价信息求解不可观察的公司资产价值及其波动率；二是计算违约距离；三是根据违约距离得到预期违约率。其中，第一步工作最为关键，数据处理量很大。

Ve=VaN(d1)-De(-rt)N(d2)

(1)

σe=(Va/Ve)*σa*N(d1)

(2)

式(1)为公司股价(Ve)的BSM期权定价表达式，公司股票被视作以其资产价值(Va)为标的，到期时(t)贷款本息(D)为执行价格的欧式看涨期权。式(2)为股权价值波动率(σe)的表达式，通过对式(1)的Ve关于Va求导得到。式(1)、式(2)联立可实现用公司股票价格及其波动率数据求解隐含资产价值及其波动率的目标。

估计时，式(1)的无风险利率(r)采用一年期国债收益率、期限(t)以1年计。本文基于公司股票价格日数据通过MATLAB软件编程，用迭代方法最终得到公司的年度资产价值(Va)及其波动率(σa)。

利用第一步计算的资产价值(Va)及其波动率(σa)，在违约点按常规被设定为“短期债务+0.5*中长期债务”的条件下，进一步先后求得违约距离和预期违约率(EPD)。

(二)资产负债率的违约风险含义

为了稳健起见，本文借鉴杨军(2013[30])的思想，在BSM期权定价理论的框架中，对企业资产负债率的信用风险含义进行揭示，以便将其作为预期违约风险(EPD)的替代变量，在后续的实证检验中，使不同风险变量的回归结果可以相互比对。

具体而言，如果银行在向企业贷款的同时，买入一份以企业资产价值(Va)为标的、执行价格为贷款本息(D)、期限是T的欧式看跌期权，那么，无论放款之后企业资产价值如何变动，亦即借款企业是否会违约，银行都将会收回本息(D)。将贷款本金、买入期权价格和无风险利率分别记为D0、f0和r，则根据跨时无套利均衡原理，必有式(3)成立。

D0+f0=De-rT

(3)

利用式(3)反映的关系，可得式(4)所示贷款对数形式的到期收益率(YTM)：

(4)

将f0的BSM看跌期权定价表达式代入式(4)，YTM的表达式变为式(5)：

(5)

由于1-N(d2)=N(-d2)，Va,T=Va,0erT，故YTM可进一步表示为式(6)：

(6)

经简化整理，YTM的最终形式表示为式(7)：

(7)

式(7)左边是贷款利率的风险溢价部分，在风险偏好不变的情况下，可视作是对违约风险的度量。显然，Va,0/De-rT是贷款发放时借款人资产负债率的倒数，它对贷款风险溢价起主要的决定作用。其值越大，贷款风险溢价越小；也就是说，资产负债率越高，风险溢价则越大，这时贷款风险也就越高。还需提及的是，d1、d2同本文式(1)，是BSM定价模型中的标准表达形式。

上述推导表明，通常作为杠杆率或财务风险指标的资产负债率(DARatio)，在BSM期权定价理论的视角下，直接具有违约风险的含义。如果将所求制造业上市公司在2005—2020年间的KMV预期违约率(EPD)求取组内均值后，进一步与资产负债率的组内均值联立绘制散点图(图1)，可观察到，在2005—2020年间，资产负债率高的公司，其KMV预期违约率亦高，且随着资产负债率的提高，违约率有加快上升之势，说明两者的相关性具有非线性特征。

四、研究设计

(一)模型设定

考虑到贷款利率的滞后效应，根据研究目的和相关文献借鉴，本文建立如式(8)表示的企业微观贷款利率动态面板回归模型。

LoanRatei,t=ui+vt+αLoanRatei,t-1+βDefRiski,t+γX+εi,t

(8)

其中，loanRate为贷款利率；DefRisk是贷款信用风险；X为控制变量；ε为通常的误差项；ui、vt分别是个体固定效应、时间固定效应；i、t表示公司和时间。

1. 被解释变量(LoanRate)。公司贷款利率是被解释变量。由于不能直接获得此数据，本文对其进行了估算，即先把公司“利息支付”科目金额用贷款占负债的比率分割并剥离非贷款负债支付的利息，然后除以负债加以标准化，具体算式为[利息支付*(长短期借款/总负债)]÷总负债。

2. 解释变量(DefRisk，分别用EPD、DARatio两个变量代理)。违约风险是需重点关注的解释变量。根据“贷款利率=基准利率+风险溢价”的定价方法，公司风险是决定微观贷款利率差异的最重要因素，高风险、高利率成为贷款决策的基本原则，贷款利率理应反映借款企业的风险水平。但由于信息不对称、政府干预，以及利率市场化进程等因素的影响，现实贷款利率与借款人风险之间的关系，并不一定具有显著的正相关性。若如此，意味着信贷资源出现了错配，低风险优质借款人“资质”并无助于低成本资金的获得，而高风险“劣质”借款人融资也不必付出应有的额外代价，因此，信贷市场将出现“劣币驱逐良币”的逆向选择效应，信贷资源错配在所难免。这种错配的信贷资源，由于恶化了贷款偿还的“经济基础”，对银行体系的稳定也是一个威胁。本文实证分析的具体风险变量，这里选择基于BSM期权定价理论的两个具体指标，一个是前文用KMV模型估计的公司预期违约率(EPD)；另一个是在BSM框架下具有明确违约风险含义的资产负债率(DARatio)。根据Stigiz and Wess(1981)信贷配给理论，违约风险具有内生性困扰，故本文用GMM估计时，将违约风险设定为内生变量，进而系统会以其滞后项作为工具变量实施估计。

3. 控制变量。本文主要有两大类：宏观经济金融变量——经济增长率(GDPGro)、一年期国债利率(Benchmark)；公司微观经营特征变量——经营性现金流与资产的比例(CF)、资产周转率(ATO)、流动比率(LiqRatio)、资产规模(LnSize)和所有制性质(Ownership)；另外还考虑公司治理变量——机构持股比率(InstHold)，以及公司估值变量——托宾Q(TobinQ)。

宏观经济金融变量将在时间维度上对公司贷款利率产生系统性的影响，较快的经济增长将内生性地引致更多的贷款需求，进而产生贷款利率升高的压力；基准利率的提高，一方面将通过定价的“锚”效应对贷款利率施加向上的推力，但另一方面，其背后的经济金融景气环境，也有可能使贷款利率中的风险溢价部分缩小，则总体贷款利率水平不一定上升。除所有制性质外，公司其他经营特征变量预期对贷款利率的影响为负，规模大、财务良好、资金运营效率高的企业，其贷款利率理应较低；由于政府的隐性担保，因此国有企业相对于民营企业而言，通常贷款利率更为优惠。机构持股是重要的治理变量，较高的机构持股比例，意味着无论控股股东还是管理层，都要受到更多的外部监督，公司的代理问题将因此缓解(Karpavicius and Yu,2017[31])，这最终有利于公司的高效运作并进而降低贷款利率。托宾Q既反映公司的市场估值，也体现资本的预期边际收益(Blundell et al.,1992[32])，较高的托宾Q是降低贷款利率的因素。

4. 变量描述性统计。表1列示了主要变量的描述性统计结果。

表1 主要变量及其描述性统计

(二)数据来源与处理

本文以2015—2020年的中国A股制造业上市公司为样本，原始数据采自国泰安数据库(CSMAR)。从2015年选起，是考虑到2015年之后，中国利率市场化改革完成了“最后一公里”，存款利率管制名义上全部放开。以制造业公司作为样本，是因为制造业企业的经营比较稳定，其上市公司数目超过了全部上市企业家数的50%。选择制造业公司作为样本，既有较好的数据质量，又不失代表性。为了剔除异常公司、异常数据的影响，本文的样本不包括ST、PT和即将退市的公司；在此基础上，还进一步对主要变量数据做了上下两端1%的缩尾处理。

五、“贷款利率—违约风险”关系实证结果分析

本文先基于式(8)，利用A股制造业上市公司数据(2015—2020年)进行企业贷款利率与违约风险的实证分析，以检验“中国银行业贷款利率反映借款人风险水平”的前文假设；然后以企业所有制性质、融资约束程度，以及所在地区利率市场化水平为标准，实施分组回归，以考察违约风险对贷款利率影响的异质性效应。

(一)制造业全样本回归

表2报告了制造业全样本的GMM估计结果。其中，模型Ⅰ用违约风险(EPD)回归，模型Ⅱ用资产负债率(DARatio)回归。

表2 制造企业贷款利率与违约风险：总体回归结果

续表2

由表2可知，公司违约率(EPD)与资产负债率(DARatio)对贷款利率有显著正向影响。这说明银行对公司贷款利率的决策，体现了风险定价原则，风险越大、利率越高。具体而言，当违约率上升一个单位时，贷款利率以5%的显著性水平提高0.0023个单位；当资产负债率上升一个单位时，贷款利率则以5%的显著性水平提高0.0296个单位，前文所提“中国银行业贷款利率反映借款人风险水平”的假设得证。目前，基于中国微观数据的相关主题性实证研究缺乏，与本文较具可比性的是少数企业融资成本类的研究(张伟华等，2018；钱龙，2019)、地方银行贷款定价研究(张岩，2019)，以及黄璟宜等(2017)在企业异质性风险条件下对其贷款利率与违约风险关系的研究。其中，钱龙(2019)采用中国某省大样本的微观贷款数据，其信用风险度量以借款人评级为准，这显然与本文的样本数据和信用风险变量选择很不相同，但两者的实证结果却最为一致，也即银行的微观贷款定价显著反映了借款企业的信用风险。张岩(2019)的数据类型与钱龙类似，但信用风险变量通过贷款所属五级分类类别主观赋值获得，其研究结果支持贷款利率定价体现信用风险的假设，可是他根据与借款企业信用风险有密切关系的担保抵押、经营规模、行业属性等变量的系数估计结果，最后又认为银行“贷款定价的风险溢价功能不充分”。而张伟华等(2018)根据上市公司数据的研究显示，作为信用风险的Z评分代理变量，对上市公司融资成本没有显著影响；黄璟宜等(2017)基于某股份制银行省分行的微观贷款数据检测发现，以中等风险企业为参照，高风险和低风险企业的贷款利率均显著低很多，意味着该股份制银行的贷款利率确定，并没有遵照风险定价原则。

控制变量方面，经济增长率(GDPGrot)在模型Ⅰ、模型Ⅱ的估计中，均显著为正，说明当GDP增长速度加快时，经济体系中旺盛的内生性信贷需求，将会普遍拉升微观贷款利率水平。企业经营性现金流净额(CF)和托宾Q(TobinQ)都是显著而稳健降低贷款利率定价的因素。经营性现金流是企业偿还债务的最可靠资金来源，其流入流出净额越大，贷款利率定价理应越低。而托宾Q通过企业资产价值的资本市场估值信息，揭示了企业前瞻性地发展前景。在完全竞争市场和生产规模报酬不变等假设条件下，托宾Q是企业存量资本的影子价格，其值越大，意味着企业面临的资本约束越紧，边际资本投入的预期收益也就越高(Hayashi,1982[34])。因此，较高的托宾Q值，自然是银行降低贷款定价的一个重要依据。机构持股比率(InstHold)和资产周转率(ATO)的系数符号为负，符合预期，即较高的机构持股比率，通过加强对大股东和管理层面的监督而弱化企业代理问题，最终有利于提高企业的价值；而较快的资产周转速度则直接反映了企业较高的运作效率。不过，这两个变量系数的统计显著性有所不足，在模型Ⅰ、模型Ⅱ的估计中，均只有一个是显著的。所有制性质(OwnerShip)的影响是，民营企业贷款利率定价将更高，这虽然符合相关文献通常的理论假设与经验证据(申广军等，2020[35])，但只在模型Ⅰ的回归中具有统计显著性，因此稳健性不够。

模型估计的可靠性方面，贷款利率滞后变量(LoanRatei,t-1)系数值较高且具有高度统计显著性，说明动态面板数据的设定是恰当的。差分方程随机误差项的AR(1)、AR(2)检测结果以及Hansen过度识别约束检验表明，GMM估计的工具变量选择，符合外生性要求。限于篇幅，这里不再赘述。

(二)异质性检验——分组回归

由于信息不对称、政府干预和利率市场化进程等因素会对银行是否遵循信贷风险定价原则有影响，因此本文按企业融资约束程度、所有制性质和所在地区利率市场化水平对样本企业实施分组回归，以期揭示银行信贷风险定价行为面向不同类型借款企业时的异质性；当然同时也能检验这些因素对银行信贷风险定价行为影响的显著性。按融资约束程度对企业分组，是因为融资约束的根源在于信息不对称，企业融资约束的松紧反映了它与外部金融市场的信息不对称程度(Fazzari et al.，1988[36])。在中国现实的金融环境中，中小微企业无疑属于紧融资约束借款人组别，因此这种分类回归还有检测中国银行业按所有制性质分组，是考虑到国有企业比民营企业在信贷融资方面要受到更多来自政府的直接和间接干预，如直接的信贷投向、金额和利率干预，间接通过“隐性担保”和财政存款“杠杆”影响银行信贷资金配置。至于按企业所在地区利率市场化发展水平分组，是因为不同的利率市场化环境中，信贷市场竞争和银企关系状况存在较大不同；当然，前文提及的政府信贷干预程度也有明显差异。

企业融资约束分组以Hadlock and Pierce(2010)[37]较具外生性的融资约束SA指标，将样本企业划分为两个类别，SA指标大于中位数的为紧融资约束型企业，否则为松融资约束企业。企业所有制性质分组则采用二分类标准，将实际控制人为政府的定义为国有企业，其余视为民营企业。按企业注册地利率市场化水平分组时，本文根据王小鲁等(2019)[38]的中国分省经济市场化指数水平，将港澳台地区和西藏之外的30个省区分为经济市场化程度高、中、低三个组别，然后取注册地分别在高、低两个组别的企业完成分类(2)现有的中国利率市场化水平度量，均是国家宏观层面上的，未见有国内各地区的测定研究。王小鲁等(2019)对中国各地区经济市场化发展水平的评价指数包含了金融市场化程度因子。鉴于地区经济市场化水平与利率市场化程度间的较高正相关性，本文有理由用前者代理后者。。分类的关键在于省区划分，其具体划分是根据2005—2016年各省的经济市场化指数均值，得到的高经济市场化组别省区由浙、沪、苏、粤、京、津、闽、鲁、渝、辽10省组成，低经济市场化组别的10省区则包括琼、陕、蒙、晋、滇、宁、黔、甘、疆、青。

为了节省篇幅，本文表3只报告上述三组回归的违约风险变量(预期违约率EPD和资产负债率DARatio)系数估计结果。

表3 异质性检验：分组回归

表3的结果表明，三类分组回归中两个违约风险变量，回归系数符号均为正，但显著性水平在组内存在差异。当高融资约束组VS低融资约束组时，预期违约风险(EPD)和资产负债率(DARatio)仅在后者对贷款利率有显著正向影响，而在前者的影响不显著。此结果符合Stigiz and Wess(1981)理论预期，也即在高融资约束企业群体与银行之间，存在更为明显的信息不对称情况，银行为了避免由此造成的逆向选择和道德风险后果，将对这一群体实施信贷配给而不是通过风险定价让市场出清。当国有企业对比民营企业时，民营企业贷款显著体现风险定价原则，但国有企业贷款不然，这可视为是对国有企业存在显著信贷干预的验证，与通常的预期一致。当高市场化地区企业对比低市场化地区企业时，高市场化地区的企业贷款利率反映其风险水平；但低市场化地区企业贷款，并不遵循风险定价原则。究其原因，高利率市场化地区的企业所处信贷市场的市场化程度更高，利率形成机制自然体现风险定价原则；而低利率市场化地区的企业贷款，由于信贷市场发育不完善，来自政府的信贷干预更甚，使银行信贷定价行为偏离风险定价轨道。上述分组回归的结果，也说明银企信息不对称、企业所有制性质和利率市场化环境因素，均对银行信贷的风险定价行为具有显著影响。

六、贷款利率与借款风险关系的DID证据——基于民企信用债“违约潮”事件的分析

在前文分析的基础上，本文对2018—2019年民企信用债“违约潮”事件的冲击实施双重差分分析，进一步提供在特定外生事件冲击背景下，银行贷款利率决策是否体现风险定价原则的证据。

2018—2019年间，中国公司债券市场出现了前所未有的大规模集中违约事件，违约主体主要是民营企业，其中相当一部分是民营上市公司，业内将此现象称之为民企信用债的“违约潮”。这次信用债“违约潮”事件，对民企信贷市场的冲击具有显著的外生性特征，其结果反映在贷款定价方面，理应会推高民企借款人群体的风险定价，使民企贷款利率的风险敏感性提高。但如果中国银行业贷款利率原本就不遵循风险定价原则的话，这种结果大概率不会出现。因此，对这次信用债“违约潮”事件的民企贷款定价效应实施双重差分分析(DID)，可进一步验证中国银行业信贷利率是否反映其风险的问题。

双重差分分析的对照组选择国有企业。这是因为“违约潮”主要发生在民营企业，民企信贷市场受到了很大冲击；而由于政府隐性担保以及市场的“钢兑信仰”，国有企业债券市场几乎不受影响，其信贷市场受到的冲击也非常有限。本文实施双重差分分析的目的，是为了检验这一外生性风险事件冲击，是否会对民企贷款定价产生显著不同于国企的影响。如果发现“违约潮”使民企信贷出现了相对于国企的更高定价，则将其视为中国银行业贷款利率遵循风险定价原则的“个案证据”。

双重差分变量DID的构造分三步骤：首先，构造时间虚拟变量D1819，2018年、2019年取1，2018年之前各年份取0；然后，依所有制性质，获得企业截面差异虚拟变量Dps，非国有企业取1，国有企业为0；最后，将两个虚拟变量交乘，得到双重差分虚拟变量DID。式(9)是本文实施双重差分分析的计量模型。

LoanRatei,t=ui+vt+αLoanRatei,t-1+βDID##DefRiski,t+γX+εi,t(3)DID##DefRiski,t=DID+DefRiski,t+DID*DefRiski,t

(9)

(9)式中，t表示2015—2019年间的各年份，除双重差分变量DID外，其他变量与前文(8)式相同。利用2015—2019年制造业上市公司数据，基于式(9)的双重差分实证结果报告见表4。

表4 民企信用债“违约潮“”事件冲击的DID实证结果

续表4

如表4所示，差分回归变量DID在模型Ⅰ、模型Ⅱ的系数分别为0.0022、0.0015，且均具统计显著性。这意味着与此前年份相比，在2018—2019年民企信用债“违约潮”期间，民营制造业上市公司的贷款利率相对于国有上市公司而言，要平均高出0.0022或0.0015个单位。高出的这部分利率，尽管与民企信用债“违约潮”有关，但显然不能作为民企贷款风险定价上升的证据。与“违约潮”前的情况相比，民企贷款风险定价较国企贷款是否提升，应根据双重差分变量DID与违约风险变量交乘项(DID*EPDi,t、DID*DARatioi,t)的回归系数判定。表4报告的结果显示，该系数在模型Ⅰ、模型Ⅱ中的回归数值分别为-0.0009、0.0016，两者都没有统计显著性。这说明民企信用债“违约潮”的爆发，并未使民企贷款的利率风险敏感性变得比国企贷款更高，因此，从这一外生风险事件的冲击分析来看，本文没有发现中国银行业遵循信贷风险定价原则的证据。

究其原因，这应与2018年民企信用债“违约潮”爆发后中国政府所采取的一系列“对冲”政策有关。2018年11月1日，国家主席习近平在民营企业座谈会上的讲话，把解决“融资难、融资贵”问题作为支持民营企业发展的第二大政策举措②。在此前后的岁末年初，国家政策迅速聚焦民营企业融资问题，出台了一系列前所未有的利好支持政策。例如，中共中央办公厅2019年2月14日发布的《关于加强金融服务民营企业的若干意见》，明确提出了银行增量信贷投放中的民营企业贷款比重应进一步提高、同等条件下国企与民企贷

①由于AR(2)检验拒绝差分矩条件方程误差项不存在序列相关的原假设，故进行了AR(3)检验。AR(3)通过检验，提示在滞后工具变量的设定时比通常情况要多滞后一阶。

②详见新华网(http://www.xinhuanet.com/politics/leaders/2018-11/01/c_1123649488.htm)。

款利率保持一致、加快清理政府与国企部门对民营企业账款的托欠等针对性很强的政策。中国人民银行也推出了民营企业债券融资支持工具、中期贷款便利定向货币政策工具(TMLF)等一系列有利于缓解民营企业融资约束的有力举措。

七、结论与政策含义

本文利用微观制造业上市企业贷款数据，实证研究了中国银行业贷款定价是否遵循风险定价原则的问题。研究发现，在2015年银行存贷款利率管制名义上完全放开的背景下，制造业上市公司贷款利率的确定，平均意义上反映了其违约风险水平，亦即遵循信贷风险定价原则。进一步据此实施的分组异质性检验发现，信息约束较弱的松融资约束企业、政府信贷干预较少的民营企业和高利率市场化水平地区的企业，银行贷款定价均显著体现信贷风险定价原则，而三者分别对应的紧融资约束企业、国有企业和低利率市场化水平地区的企业，其贷款利率定价都不反映风险水平。本文基于特定外生性风险事件冲击的双重差分检验还发现，2018—2019年民企信用债“违约潮”的爆发，使民营制造业上市公司贷款利率的风险定价，并未出现相对于国企的显著上升现象。这说明中国银行业贷款利率定价对民企信用债“违约潮”冲击没有做出正确反应。

本文的研究结果意味着，政府把银行信贷风险定价水平的提升作为提高信贷资源配置效率、促进银行业稳健运行的“抓手”，是一个同时颇具宏观与微观价值的政策选择。

银行贷款利率是否遵循风险定价原则的问题关乎信贷资源的优化配置大局，是评判信贷市场价格机制有无失灵的重要标准。按风险定价原则确定贷款利率，亦是银行有效风险管理体系的基石，银行的稳定与这一原则是否得到遵守息息相关。根据本文的研究结果，在2015年利率管制名义上全部放开的背景下，虽然总体的贷款利率水平体现了风险定价原则，但从不同维度考察异质性时，发现大面积的细分信贷市场利率并不遵守信贷风险定价原则。本文基于特定风险事件冲击的双重差分分析，其结果也类似。这意味着中国银行业改善信贷风险定价状况的空间还很大，政府将其作为提高信贷资源配置效率、促进银行业稳健运行的“抓手”，是一个潜在效应大，并颇具宏观与微观价值的政策选择。具体而言，政府一方面应推动金融科技在信贷市场的应用，把旨在解决信息不对称约束的项目作为优先鼓励的发展方向；另一方面需切实减少政府信贷干预，因为无论国有企业还是低利率市场化水平地区企业的贷款，之所以不遵守风险定价原则，均与政府尤其是地方政府的各种信贷干预密切相关。当然，面对一些系统性的风险事件冲击时，政府的直接信贷干预政策必不可少，但也应注意发挥市场机制的基础作用。