基于CPV模型的宏觀壓力測試實(shí)證研究
——以中國農(nóng)業(yè)發(fā)展銀行為例

姜曉兵，巴　歡（西安電子科技大學(xué)　經(jīng)濟(jì)與管理學(xué)院，西安 710071）

基于CPV模型的宏觀壓力測試實(shí)證研究
——以中國農(nóng)業(yè)發(fā)展銀行為例

姜曉兵，巴歡
（西安電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院，西安 710071）

本文以不良貸款率作為評估信用風(fēng)險的指標(biāo)，將不良貸款率轉(zhuǎn)換成中介指標(biāo)，用衡量農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展的代表因子對中介指標(biāo)進(jìn)行多元線性回歸，建立風(fēng)險評估模型，通過自變量自回歸和隨機(jī)擾動項(xiàng)的蒙特卡洛模擬生成壓力情景。結(jié)果表明：中央和地方財(cái)政支出增長率，農(nóng)、林、牧、漁業(yè)新增固定資產(chǎn)投資，第一產(chǎn)業(yè)就業(yè)人員增長率是影響中國農(nóng)業(yè)發(fā)展銀行不良貸款率的顯著因子。在前兩者下降、后者上升的壓力情景下，不良貸款率分布均會右移。

CPV模型；宏觀壓力測試；蒙特卡洛模擬；信用風(fēng)險

我國政策性銀行在進(jìn)行市場化改革之前所面臨的風(fēng)險主要來自政策層面，而在市場化的改革浪潮中，在農(nóng)業(yè)發(fā)展銀行的內(nèi)部轉(zhuǎn)型和業(yè)務(wù)領(lǐng)域拓展過程中，農(nóng)業(yè)發(fā)展銀行不僅面臨宏觀經(jīng)濟(jì)和政策風(fēng)險，還面臨行業(yè)經(jīng)濟(jì)波動帶來的風(fēng)險。研究需要從其風(fēng)險的一般性和特殊性出發(fā)，探討影響農(nóng)發(fā)行信用風(fēng)險的經(jīng)濟(jì)因子，設(shè)置壓力情景，執(zhí)行壓力測試。

目前，關(guān)于信用風(fēng)險影響因素和壓力測試的研究已成為金融機(jī)構(gòu)關(guān)注的焦點(diǎn)。在信用風(fēng)險評估方面，Wilson（1997）提出的信用組合觀點(diǎn)——Credit Portfolio View，首次分析了宏觀經(jīng)濟(jì)變量對違約概率的影響；巴西央行 （2011）采用分位數(shù)回歸方法（Quantile Regression）度量信用風(fēng)險，即信用風(fēng)險同宏觀經(jīng)濟(jì)因子間存在變化的線性關(guān)系。在壓力情景設(shè)置方面，華曉龍（2009）運(yùn)用多元回歸定量分析宏觀經(jīng)濟(jì)因素波動對中國銀行體系貸款違約概率的影響，并通過假設(shè)情景法構(gòu)建極端情景，進(jìn)行宏觀壓力測試，但在變量的估計(jì)中忽略了隨機(jī)擾動項(xiàng)；巴曙松、朱元倩（2010）從壓力測試的定義、國際實(shí)踐規(guī)范、執(zhí)行流程等角度對相關(guān)文獻(xiàn)和監(jiān)管部門的調(diào)查研究報告進(jìn)行了總結(jié)，歸納分析了壓力測試的優(yōu)缺點(diǎn)，討論了壓力測試中的實(shí)際操作細(xì)節(jié)及對于數(shù)據(jù)缺乏的發(fā)展中國家有效實(shí)施壓力測試的方法。

從我國已出版或發(fā)表的相關(guān)著作論文來看，絕大多數(shù)論文將模型運(yùn)用于商業(yè)銀行，較少看到對政策性銀行風(fēng)險進(jìn)行實(shí)證分析。在以往的壓力測試中，往往忽略各個變量的隨機(jī)擾動項(xiàng)及其相關(guān)性，使壓力情景生成不符合實(shí)際情況。本文擬從我國農(nóng)業(yè)發(fā)展銀行的特殊性角度切入，通過CPV模型度量宏觀經(jīng)濟(jì)、行業(yè)經(jīng)濟(jì)對農(nóng)發(fā)行信用風(fēng)險的影響。將各經(jīng)濟(jì)沖擊引入到壓力情景的設(shè)定中，在考慮隨機(jī)擾動項(xiàng)及其相關(guān)性的基礎(chǔ)上生成壓力情景，執(zhí)行壓力測試。

1　模型的構(gòu)建

CPV模型是一個宏觀經(jīng)濟(jì)違約概率模型，它將整體宏觀經(jīng)濟(jì)、行業(yè)經(jīng)濟(jì)構(gòu)造成一套模型，把經(jīng)濟(jì)環(huán)境同整體貸款的違約概率結(jié)合起來。其最大的特點(diǎn)是將宏觀經(jīng)濟(jì)指標(biāo)納入度量信用風(fēng)險的模型中。使用Logit模型將不良貸款率轉(zhuǎn)化為中介指標(biāo)Y，以指標(biāo)Y作為因變量與一系列經(jīng)濟(jì)因子進(jìn)行多元回歸分析，量化經(jīng)濟(jì)因子對不良貸款率的影響；使用影響因子的時間序列模型和蒙特卡洛模擬方法生成宏觀壓力情景，預(yù)測各情景下的不良貸款率。運(yùn)用Logit轉(zhuǎn)換保證不良貸款率取值范圍在0到1之間；采用蒙特卡洛模擬方法保證回歸方程中殘差的隨機(jī)性，避免用不良貸款率期望值代替不良貸款率，將尾部風(fēng)險納入考量范圍，創(chuàng)建相關(guān)性的隨機(jī)情景。

式中：Pt是銀行在t時刻的不良貸款率；Y可以理解為反映銀行不良貸款率和各經(jīng)濟(jì)變量的 “中介指標(biāo)”，Y受宏觀和行業(yè)經(jīng)濟(jì)因子影響。

式（1）、（2）以“中介指標(biāo)”Y為因變量，以各經(jīng)濟(jì)因子為自變量擬合回歸方程，生成風(fēng)險評估模型；式（1）、（3）為自變量的時間序列模型，以各經(jīng)濟(jì)因子歷史數(shù)據(jù)為自變量擬合預(yù)測期基準(zhǔn)數(shù)據(jù)，建立情景設(shè)置模型。從時間序列模型獲得經(jīng)濟(jì)因子基準(zhǔn)數(shù)據(jù)，根據(jù)歷史數(shù)據(jù)，生成壓力情景，帶入風(fēng)險評估模型，執(zhí)行壓力測試。式（1）、（4）反映模型隨機(jī)擾動項(xiàng)不為0，并服從正態(tài)分布，式（1）、（5）說明隨機(jī)擾動項(xiàng)之間存在相關(guān)性，這樣處理的經(jīng)濟(jì)學(xué)意義是保證壓力情景生成的合理性，即經(jīng)濟(jì)因子之間是相關(guān)的，且不良貸款率是由相關(guān)的經(jīng)濟(jì)因子和與經(jīng)濟(jì)因子相關(guān)的殘差項(xiàng)所決定。

2　基于CPV模型的宏觀壓力測試實(shí)證研究

2.1模型中變量的選擇及其經(jīng)濟(jì)學(xué)解釋

考慮到數(shù)據(jù)的可獲得性和樣本容量大小，本文選取不良貸款率作為評估信用風(fēng)險的指標(biāo)。一方面，在我國當(dāng)前數(shù)據(jù)條件下，難以獲取違約率數(shù)據(jù)，在銀行年報中可供選擇的代替變量有貸款遷徙率、不良貸款率。另一方面，鑒于銀行業(yè)績報告從2007年才開始正式公布遷徙率，過少的數(shù)據(jù)難以進(jìn)行實(shí)證研究。因而，我們選取不良貸款率作為評估信用風(fēng)險指標(biāo)。

綜合考慮農(nóng)業(yè)發(fā)展銀行的政策導(dǎo)向性和貸款對象的集中性，擬用反映農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)狀況的指標(biāo)作為解釋變量。作為政策性銀行，農(nóng)業(yè)發(fā)展銀行的貸款對象主要集中于農(nóng)業(yè)，包括棉糧收購企業(yè)、農(nóng)業(yè)小企業(yè)等，其信用風(fēng)險受到農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)影響。鑒于經(jīng)濟(jì)變量的特征，數(shù)據(jù)的可獲得性，解釋變量的選取主要包括4個方向：（1）反映農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展的指標(biāo)，主要包括農(nóng)業(yè)生產(chǎn)總值增長率AGDP，農(nóng)、林、牧、漁業(yè)城鎮(zhèn)新增固定資產(chǎn)NFA；（2）反映政府扶持力度的中央和地方財(cái)政支出增長率FER；（3）反映農(nóng)村居民生活水平的解釋變量主要包括農(nóng)村居民人均純收入增長率RINC，居民消費(fèi)價格指數(shù)增長率RCPI，農(nóng)業(yè)生產(chǎn)資料價格指數(shù)增長率，第一產(chǎn)業(yè)就業(yè)人員增長率RE；（4）反映借貸成本的一年期存貸款利率NR、NLR。

考慮到宏觀經(jīng)濟(jì)統(tǒng)計(jì)特征及經(jīng)濟(jì)沖擊發(fā)生的持續(xù)時間，變量值選取2000年-2012年的年度數(shù)據(jù)。數(shù)據(jù)來源于《金融統(tǒng)計(jì)年鑒》、《中國統(tǒng)計(jì)年鑒》、中國農(nóng)業(yè)發(fā)展銀行官方網(wǎng)站。

2.2風(fēng)險評估模型的估計(jì)

2.2.1回歸系數(shù)的估計(jì)和檢驗(yàn)

代入2000年-2012年農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)變量的數(shù)據(jù)和貸款違約率進(jìn)行模型轉(zhuǎn)換和多元回歸估計(jì)。其中，AGDP、RCPI、NR、NLR均未通過t檢驗(yàn)，但R2和F很大，分別達(dá)到96.1%、12.38，并且NF的VIF為21.53，說明原模型中存在多重共線性問題，通過逐步回歸法，剔除了變量AGDP、NR、NLR、RINC、RCPI后，NFA的顯著性水平大幅提高，F(xiàn)ER、NFA、RE均通過了t檢驗(yàn)，回歸方程通過了F檢驗(yàn)，且R2很高，回歸方程的確定如表1所示。

從表1可以得出以下檢驗(yàn)結(jié)果：模型整體擬合優(yōu)度較好，R2=95.40%，且方程通過了顯著水平α=0.05的F檢驗(yàn)；回歸系數(shù)FER、NFA、RE均通過了顯著水平α=0.05的t檢驗(yàn)，說明解釋變量FER、NFA、RE對模型具有顯著性影響；雖然解釋變量RINC、NR對不良貸款率的解釋力度較強(qiáng)，但它們與RE高度相關(guān)，這是它們從模型中被剔除的原因。

2.2.2風(fēng)險評估模型的經(jīng)濟(jì)學(xué)解釋

從實(shí)證結(jié)果來看，模型中的不良貸款率與農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展?fàn)顩r緊密相聯(lián)。由式（1）知不良貸款率Pt與反映宏觀經(jīng)濟(jì)的“中介指標(biāo)”Yt的變動方向相同，即Yt越大Pt越大。由表2可以看出，F(xiàn)ER、NFA在以Y為因變量的回歸中系數(shù)為負(fù)，RE的系數(shù)為正。

FER、NFA、RE對農(nóng)發(fā)行信用風(fēng)險的影響主要包括以下幾個方面。

（1）中央和地方財(cái)政支出增長率（FER）與不良貸款率（NPLR）變動方向相反。首先，與城鎮(zhèn)經(jīng)濟(jì)發(fā)展水平相比，我國農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展相對落后，對政策的依賴更為強(qiáng)烈，增加財(cái)政投入支持農(nóng)村建設(shè)，提高農(nóng)業(yè)生產(chǎn)技術(shù)，能夠促進(jìn)農(nóng)村經(jīng)濟(jì)發(fā)展，降低農(nóng)發(fā)行不良貸款率；其次，財(cái)政支出還表現(xiàn)在對農(nóng)發(fā)行財(cái)政補(bǔ)貼的到位情況，作為政策性銀行，農(nóng)發(fā)行更多地是為農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展服務(wù)，不像商業(yè)銀行那樣更加注重盈利，因而，通過增加財(cái)政支出有效提高財(cái)政補(bǔ)貼的到位率也可以降低其信用風(fēng)險。

（2）農(nóng)、林、牧、漁業(yè)城鎮(zhèn)新增固定資產(chǎn)（NFA）與不良貸款率（NPLR）變動方向相反。通過增加對農(nóng)業(yè)基礎(chǔ)設(shè)施投入可以提高農(nóng)業(yè)生產(chǎn)效率，降低生產(chǎn)成本，增加農(nóng)業(yè)企業(yè)盈利空間，降低企業(yè)違約概率。通過增加農(nóng)村基礎(chǔ)設(shè)施投入，可以改善企業(yè)投資環(huán)境，提高企業(yè)投資需求，為農(nóng)村居民創(chuàng)造更多農(nóng)業(yè)以外的就業(yè)機(jī)會，增加農(nóng)村居民人均收入，減少信用風(fēng)險。

（3）第一產(chǎn)業(yè)就業(yè)人員增長率（RE）與貸款不良貸款率（NPLR）變動方向相同。主要是因?yàn)檗r(nóng)業(yè)生產(chǎn)技術(shù)水平的提高，減少了對農(nóng)業(yè)勞動力的需求，農(nóng)業(yè)勞動力已過剩。一方面，就業(yè)人員的增加加大了企業(yè)經(jīng)營成本，由經(jīng)營風(fēng)險轉(zhuǎn)化為信用風(fēng)險；另一方面，就業(yè)人員增加降低了農(nóng)村居民人均純收入的增長率，收入通過需求供給效應(yīng)影響農(nóng)產(chǎn)品價格，進(jìn)而影響企業(yè)經(jīng)營利潤。

2.3壓力情景生成與宏觀壓力測試結(jié)果

2.3.1壓力情景生成

本文在對農(nóng)發(fā)行遇到極端情景進(jìn)行構(gòu)造之前，利用時間序列模型對變量FER、NFA、RE進(jìn)行了簡單的ARMA模型預(yù)測，通過公式（1）、（3）和對殘差項(xiàng)進(jìn)行蒙特卡洛模擬生成基準(zhǔn)情景；通過歷史情景數(shù)據(jù)人為設(shè)定中壓和強(qiáng)壓情景下沖擊因子的取值。變量自回歸結(jié)果如下：

分別通過沖擊因子的時間序列模型、歷史較低水平、歷史最低水平和各自隨機(jī)擾動項(xiàng)的蒙特卡洛模擬設(shè)定各經(jīng)濟(jì)因子在2013年的基準(zhǔn)情景、中壓情景、強(qiáng)壓情景，雖然從自回歸過程來看，宏觀和行業(yè)因子只和其歷史值有關(guān)系，和其他因子并無關(guān)系，但是由于殘差項(xiàng)之間的相關(guān)性，使得因子間發(fā)生了聯(lián)系，壓力情景生成更為合理。對每一次模擬：

第一步，產(chǎn)生一個服從標(biāo)準(zhǔn)正態(tài)分布N（0，1）的4階隨機(jī)向量Rt+1；

第二步，對壓力測試模型中殘差項(xiàng)的特征值分解，由∑= AAT得到A，其中AT為A的轉(zhuǎn)置矩陣。

第三步，用隨機(jī)向量Rt+1乘以上一步獲得的矩陣AT，Et+1= AT*Rt+1，Et+1即為式（1）、（5.1）-（5.4）式中誤差項(xiàng)的模擬值。

第四步，將第三步獲得的誤差項(xiàng)模擬值和宏觀和行業(yè)經(jīng)濟(jì)因子的t期值代入（5.1）-（5.4）得到Xt+1，代入式（2）得到Y(jié)t+1，利用式（1）反函數(shù)得t+1期基準(zhǔn)情景下的不良貸款率。

第五步，設(shè)定宏觀和行業(yè)因素沖擊，因素沖擊通過方差—協(xié)方差矩陣在上述模擬過程的第三步對其他變量產(chǎn)生作用，從而得到壓力沖擊下其他經(jīng)濟(jì)變量和不良貸款率的分布，按不同的置信度選取不良貸款率。

2.3.2壓力測試結(jié)果

2013年基準(zhǔn)情景中FER、NFA、RE分別為16.86、8 413.398、-0.028 3，此時，不良貸款率均值達(dá)到0.71%，90%置信度下不良貸款率為0.96%。

在FER沖擊下，中壓情景、強(qiáng)壓情景取值分別為15.57、11.77，不良貸款率均值分別為0.78%、1.02%。由測試結(jié)果可知農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展受政策影響較大，中央和地方財(cái)政支出增長率增幅減少會提高農(nóng)發(fā)信用風(fēng)險，使不良貸款率分布右移。

NFA沖擊下，中壓情景取較低的增長率15%，此時NFA為7 741.129億元，強(qiáng)壓情景按1995年-2012年最低增長率-8.9%計(jì)算，NFA為6 671.55億元，2種情景下的不良貸款率均值分別為0.93%和1.42%。這反映新增固定資產(chǎn)增幅減少，會減少企業(yè)投資需求，影響農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展，從而提高農(nóng)發(fā)行信用風(fēng)險。

在RE沖擊下，中壓情景中第一產(chǎn)業(yè)就業(yè)人員增長率為-0.028 3，強(qiáng)壓情景為1995年-2012年最高值，2種情景下的不良貸款率分別為0.76%和1.09%，隨著農(nóng)業(yè)生產(chǎn)技術(shù)水平提高，勞動人口出現(xiàn)過剩，農(nóng)村居民人均純收入降低，阻礙農(nóng)村經(jīng)濟(jì)發(fā)展，所以，隨著第一產(chǎn)業(yè)就業(yè)人員增長率提高，不良貸款率分布右移。

3　結(jié)論

本文通過對農(nóng)發(fā)行進(jìn)行基于CPV模型的壓力測試研究，篩選出影響農(nóng)發(fā)行信用風(fēng)險的經(jīng)濟(jì)因子，很好地完成了在各種壓力情境下，對農(nóng)發(fā)行信用風(fēng)險的測試。結(jié)果發(fā)現(xiàn)：中央和地方財(cái)政支出增長率（FER），農(nóng)、林、牧、漁業(yè)新增固定資產(chǎn)投資（NFA），第一產(chǎn)業(yè)就業(yè)人員增長率（RE）對農(nóng)發(fā)行不良貸款率的影響是顯著的。其中，中央和地方財(cái)政支出增長率與不良貸款率呈現(xiàn)負(fù)相關(guān)，在降低中央和地方財(cái)政支出增長率的沖擊下，農(nóng)發(fā)行不良貸款率分布因農(nóng)業(yè)經(jīng)濟(jì)發(fā)展緩慢而右移；農(nóng)、林、牧、漁業(yè)城鎮(zhèn)新增固定資產(chǎn)與不良貸款率呈現(xiàn)負(fù)相關(guān)，在降低其增長率的沖擊下，農(nóng)發(fā)行不良貸款率分布右移；第一產(chǎn)業(yè)就業(yè)人員增長率與不良貸款率呈現(xiàn)負(fù)相關(guān)，隨著第一產(chǎn)業(yè)就業(yè)人員的增加，農(nóng)業(yè)企業(yè)經(jīng)營成本增加，農(nóng)村居民人均純收入降低，不良貸款率分布在此沖擊下會右移。

建議農(nóng)發(fā)行關(guān)注農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)發(fā)展、加快數(shù)據(jù)收集、完善內(nèi)部評級制度，通過經(jīng)濟(jì)因子的時間序列回歸和歷史極端數(shù)據(jù)，采用蒙特卡洛模擬方法進(jìn)行壓力測試，提高預(yù)測信用風(fēng)險的能力。

主要參考文獻(xiàn)

［1］華曉龍.基于宏觀壓力測試方法的商業(yè)銀行體系信用風(fēng)險評估［J］.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2009（4）.

［2］巴曙松，朱元倩.壓力測試在銀行風(fēng)險管理中的應(yīng)用［J］.經(jīng)濟(jì)學(xué)家，2010（2）.

［3］徐明東，劉曉星.金融系統(tǒng)穩(wěn)定性評估：基于宏觀壓力測試方法的國際比較［J］.國際金融研究，2008（2）.

［4］方洪全，曾勇.銀行信用風(fēng)險評估方法實(shí)證研究及比較分析［J］.金融研究，2004（1）.

［5］任宇航，孫孝坤.信用風(fēng)險壓力測試方法與應(yīng)用研究［J］.統(tǒng)計(jì)與決策，2007（7）.

10.3969/j.issn.1673-0194.2015.17.062

F832

A

1673-0194（2015）17-0117-03

2015-06-03

陜西省社科界重大理論與現(xiàn)實(shí)問題研究項(xiàng)目（2015Z133）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目（K5051206004）。

姜曉兵（1977-），男，山東成武人，西安電子科技大學(xué)經(jīng)濟(jì)與管理學(xué)院副教授，博士，主要研究方向：金融風(fēng)險管理與決策分析。