中國(guó)農(nóng)業(yè)銀行不良貸款率影響因素的實(shí)證分析

關(guān) 珊，朱家明

(安徽財(cái)經(jīng)大學(xué) 1.金融學(xué)院； 2.統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院，安徽 蚌埠 233030)

中國(guó)農(nóng)業(yè)銀行不良貸款率影響因素的實(shí)證分析

關(guān) 珊1，朱家明2

(安徽財(cái)經(jīng)大學(xué) 1.金融學(xué)院； 2.統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院，安徽 蚌埠 233030)

針對(duì)中國(guó)農(nóng)業(yè)銀行不良貸款率影響因素，選取了2010年6月至2016年3月我國(guó)農(nóng)業(yè)銀行不良貸款率、資本充足率(CAR)、國(guó)內(nèi)生產(chǎn)總值(GDP)、居民消費(fèi)價(jià)格指數(shù)(CPI)、貸存比、撥備覆蓋率(PCR)的月度數(shù)據(jù)，運(yùn)用EVIEWS軟件建立多元線性回歸模型，并對(duì)模型進(jìn)行了多重共線性、異方差、自相關(guān)檢驗(yàn)等計(jì)量檢驗(yàn)，得出農(nóng)業(yè)銀行的貸存款比率和撥備覆蓋率對(duì)不良貸款率影響程度最為顯著的結(jié)論。最后從不良貸款的增量防范和存量化解兩方面提出了降低農(nóng)業(yè)銀行不良貸款率的措施建議。

不良貸款率；線性回歸；多重共線性；異方差；自相關(guān)

2015年度財(cái)務(wù)報(bào)告指出中國(guó)前六大商業(yè)銀行不良貸款余額合計(jì)接近8000億元人民幣，占中國(guó)全部商業(yè)銀行不良貸款余額的62.22%，嚴(yán)重影響了銀行業(yè)的利潤(rùn)增長(zhǎng)。中國(guó)農(nóng)業(yè)銀行2015年年底不良率繼續(xù)維持上市銀行最高水平，達(dá)到2.39%，同比上漲0.85個(gè)百分點(diǎn)，居四大銀行之首。

不良貸款率大小是商業(yè)銀行盈利能力和核心競(jìng)爭(zhēng)力的反映，它不僅影響著銀行的生存和發(fā)展，更對(duì)一個(gè)國(guó)家金融體系的穩(wěn)定起著不容忽視的作用。因此研究影響中國(guó)農(nóng)業(yè)銀行不良貸款率的因素并提出防范和化解不良貸款的有效措施，有利于中國(guó)農(nóng)業(yè)銀行資產(chǎn)質(zhì)量和核心競(jìng)爭(zhēng)力的提升，是促進(jìn)我國(guó)實(shí)體經(jīng)濟(jì)發(fā)展、防范我國(guó)金融風(fēng)險(xiǎn)的必要舉措。

1 文獻(xiàn)綜述

關(guān)于商業(yè)銀行不良貸款率的影響因素和防范措施，眾多國(guó)內(nèi)外學(xué)者從不同角度進(jìn)行了大量的研究。Jimenez和Gabriel等(2005)選取了1984-2004年間西班牙銀行業(yè)不良貸款的相關(guān)數(shù)據(jù)進(jìn)行探討，發(fā)現(xiàn)GDP增長(zhǎng)率，較高的實(shí)際利率[1]和寬松信貸條件是不良貸款增長(zhǎng)的重要影響因素。Barros C.P.等在對(duì)商業(yè)銀行效率考察時(shí)引進(jìn)不良貸款作為主要因素[2]之一，測(cè)算了日本銀行業(yè)技術(shù)效率和生產(chǎn)率的變動(dòng)情況。王丹娜 (2010)基于我國(guó)現(xiàn)有的不良貸款警戒率模型，[3]比較了1998-2008年國(guó)有商業(yè)銀行和股份制商業(yè)銀行的不良貸款率和不良貸款警戒率，得出主要的商業(yè)銀行不良貸款率基本都達(dá)到一年存貸利率計(jì)算口徑的警戒率水平。賈宏文、顏詠華(2012)實(shí)證研究發(fā)現(xiàn)，銀行風(fēng)險(xiǎn)承擔(dān)與銀行發(fā)行債券、銀行存款數(shù)量呈負(fù)相關(guān)，與銀行次級(jí)信貸呈正相關(guān)變動(dòng)，[4]并提出銀行上市有利于控制信用風(fēng)險(xiǎn)。王光偉、童元松(2014)通過統(tǒng)計(jì)描述分析、多元回歸法和虛擬變量回歸等方法從宏觀角度研究了影響我國(guó)商業(yè)銀行不良貸款率的具體因素，[5]并得出了人民幣升值有利于銀行降低不良貸款率的結(jié)論?？v觀國(guó)內(nèi)外學(xué)者對(duì)于商業(yè)銀行不良貸款率問題的研究，大部分是從宏觀角度出發(fā)，通過建立相關(guān)計(jì)量模型研究不同因素對(duì)不良貸款的影響程度。本文將從宏觀、微觀兩個(gè)方面入手，選取五個(gè)具有代表性的經(jīng)濟(jì)指標(biāo)，深入具體地研究中國(guó)農(nóng)業(yè)銀行不良貸款率的產(chǎn)生原因。

2 實(shí)證分析

2.1 變量的選取和數(shù)據(jù)的處理

本研究從影響農(nóng)業(yè)銀行不良貸款的宏觀經(jīng)濟(jì)因素和銀行自身行為入手，選擇了5個(gè)變量：資本充足率(CAR)、國(guó)內(nèi)生產(chǎn)總值(GDP)、居民消費(fèi)價(jià)格指數(shù)(CPI)、貸存比、撥備覆蓋率(PCR)來解釋農(nóng)業(yè)銀行不良貸款率的變動(dòng)。選取2010年6月至2016年3月每3月一次的月度數(shù)據(jù)，共24個(gè)樣本，數(shù)據(jù)來源于《中國(guó)統(tǒng)計(jì)年鑒》和Wind資訊。

2.2 研究方法

引入解釋變量：資本充足率/%(X2)、GDP當(dāng)季值/億元(X3)、CPI/% (X4)、貸存比/%(X5)、撥備覆蓋率/%(X6)與被解釋變量：不良貸款率/%(Y)，我們初步設(shè)定模型為：

yt=β0+β1x2t+β2x3t+β3x4t+β4x5t+β5x6t+ut

(1)

其中ut為隨機(jī)擾動(dòng)項(xiàng)。

通過EVIEWS軟件建立多元線性回歸模型并利用OLS方法估計(jì)參數(shù)，結(jié)果見表1。

表1 OLS方法下的多元線性模型參數(shù)估計(jì)表

因此我們初步得到農(nóng)業(yè)銀行不良貸款率與各影響因素間的線性回歸方程：

yt=2.590778-0.007390x2t+2.49E-06x3t-0.038442x4t-0.006682x5t-0.005661x6t

t=(3.247380)(-0.236242)(1.166236)(-1.747605)(0.378051)(-16.04259)

由回歸結(jié)果可以得出，農(nóng)行的不良貸款率與存貸比呈正相關(guān)，與資本充足率、撥備覆蓋率呈負(fù)相關(guān)，這與實(shí)際經(jīng)濟(jì)意義相符合；但與GDP呈正相關(guān)、與CPI呈負(fù)相關(guān)，不符合實(shí)際經(jīng)濟(jì)意義。因此，我們對(duì)模型進(jìn)行統(tǒng)計(jì)推斷和計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)。

3 模型的檢驗(yàn)

3.1 統(tǒng)計(jì)推斷檢驗(yàn)

由于資本充足率(X2)、CPI(X4)的經(jīng)濟(jì)意義不合理，除撥備覆蓋率(X6)以外各解釋變量的t檢驗(yàn)均不能通過，我們推斷模型中可能出現(xiàn)了多重共線性，故進(jìn)一步對(duì)模型進(jìn)行計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)。

3.2 計(jì)量經(jīng)濟(jì)學(xué)檢驗(yàn)

3.2.1 多重共線性檢驗(yàn)及修正

(1)模型的多重共線性檢驗(yàn)

運(yùn)用EVIEWS軟件得到各解釋變量之間以及各解釋變量與被解釋變量之間的線性相關(guān)系數(shù)見表2。由表2可以看出，GDP(X3)、存貸比(X5)存在嚴(yán)重的多重共線性，故采用逐步回歸法對(duì)模型進(jìn)行修正。

表2 各變量相關(guān)系數(shù)表

(2)逐步回歸法修正模型

由t檢驗(yàn)得知，解釋變量X6(撥備覆蓋率)對(duì)被解釋變量的影響最為顯著，故以X6為基礎(chǔ)， 分別增加解釋變量X2、X3、X4、X5引入方程，觀察回歸結(jié)果發(fā)現(xiàn)，y、X5、X6進(jìn)行擬合所得到的回歸模型(見表3)R2=0.950209，擬合優(yōu)度最好，且均通過F檢驗(yàn)和t檢驗(yàn)。

表3 基于解釋變量對(duì)存貸比的回歸

因此我們以該模型為基礎(chǔ)，繼續(xù)增加解釋變量X2、X3、X4進(jìn)行逐步回歸，結(jié)果發(fā)現(xiàn)三種情況均通不過統(tǒng)計(jì)推斷檢驗(yàn)，故認(rèn)為y與X5、X6擬合的線性回歸直線最為準(zhǔn)確。在對(duì)模型的多重共線性進(jìn)行修正以后，得到的回歸方程為：

Y=1.185051+0.031473X5-0.005401X6

(0.318873) (0.005412) (0.000271)

T=(3.716374) (5.815214) (-19.92701)

3.2.2 異方差的檢驗(yàn)及修正

(1)異方差的檢驗(yàn)

①運(yùn)用White異方差檢驗(yàn)方法對(duì)模型進(jìn)行異方差檢驗(yàn)，得到表4。表4中，Obs*R-squared=11.96517，相伴概率p=0.035268小于0.05,即該模型存在異方差。

(2)使用加權(quán)最小二乘法修正異方差

加權(quán)最小二乘法就對(duì)原模型加權(quán)以消除模型的異方差，然后采用普通最小二乘法估計(jì)其參數(shù)，對(duì)修正后的模型再次進(jìn)行White異方差檢驗(yàn)得到：Obs*R-squared=2.704878，Probability=0.745372>0.5，說明修正后的模型不存在異方差。

表4 White異方差檢驗(yàn)結(jié)果表

得出無偏、有效的參數(shù)估計(jì)量的方法。運(yùn)行EVIEWS軟件，得到異方差修正結(jié)果見表5。

表5 異方差修正結(jié)果表

3.2.3 自相關(guān)檢驗(yàn)

通過偏相關(guān)系數(shù)檢驗(yàn)，觀察PAC以及Partial Correlation列的圖1可知，偏相關(guān)系數(shù)PAC的絕對(duì)值均小于0.5，表明不良貸款率模型不存在一階、二階及多階的自相關(guān)性。

圖1 偏相關(guān)系數(shù)檢驗(yàn)結(jié)果圖

在對(duì)最初建立的模型進(jìn)行了經(jīng)濟(jì)意義檢驗(yàn)、統(tǒng)計(jì)推斷檢驗(yàn)、多重共線性檢驗(yàn)、異方差檢驗(yàn)和自相關(guān)性檢驗(yàn)，并基于各種檢驗(yàn)修正模型后，我們最終得到農(nóng)業(yè)銀行不良貸款率與各影響因素間的線性回歸方程：

Y=1.782675+0.019965X5-0.005240X6

(0.129201) (0.001854) (3.74E-05)

t= (13.79772) (10.77103) (-140.2703)

4 結(jié)論和建議

根據(jù)最終模型的結(jié)果可知，我國(guó)農(nóng)業(yè)銀行不良貸款率與商業(yè)銀行的撥備覆蓋率、存貸比率密切相關(guān)。不良貸款率與存貸比正相關(guān)，存貸比每增加1%，不良貸款率就會(huì)增加0.019965%；不良貸款率與撥備覆蓋率負(fù)相關(guān)，撥備覆蓋率每增加1%，不良貸款率就會(huì)減少0.00524%。

通過對(duì)中國(guó)農(nóng)業(yè)銀行不良貸款率影響因素的實(shí)證分析，我們發(fā)現(xiàn)中國(guó)農(nóng)業(yè)銀行不良貸款的產(chǎn)生與我國(guó)宏觀經(jīng)濟(jì)發(fā)展形勢(shì)、銀行的經(jīng)營(yíng)管理水平及控制防范信貸風(fēng)險(xiǎn)的能力緊密相關(guān)。其中，農(nóng)業(yè)銀行的撥備覆蓋率和存貸比對(duì)不良貸款率的影響程度最為顯著。要降低中國(guó)農(nóng)業(yè)銀行不良貸款率，需要將增量防范和存量化解二者有機(jī)結(jié)合起來，在提高防范能力、遏制新增不良貸款的同時(shí)，通過合理的途徑化解農(nóng)業(yè)銀行已經(jīng)存在的不良貸款。本研究就如何降低中國(guó)農(nóng)業(yè)銀行的不良貸款率，給出以下建議。

(1)農(nóng)業(yè)銀行應(yīng)合理地預(yù)期宏觀經(jīng)濟(jì)發(fā)展形勢(shì)以實(shí)行配套的信貸管理制度，建立科學(xué)有效的風(fēng)險(xiǎn)預(yù)警機(jī)制，提高對(duì)信貸風(fēng)險(xiǎn)的控制和分散能力。農(nóng)業(yè)銀行在進(jìn)行貸款時(shí)應(yīng)嚴(yán)查企業(yè)的財(cái)務(wù)狀況和盈利能力，加強(qiáng)信貸風(fēng)險(xiǎn)識(shí)別，從源頭上減少呆賬和不良貸款的發(fā)生。

(2)積極推進(jìn)商業(yè)銀行債權(quán)轉(zhuǎn)股權(quán)和不良資產(chǎn)證券化。債轉(zhuǎn)股和資產(chǎn)證券化被稱為供給側(cè)改革的“兩只手”。債轉(zhuǎn)股即把債權(quán)轉(zhuǎn)化為股權(quán)，是一種債務(wù)重組，也是處置不良資產(chǎn)的常用方式之一。我國(guó)政府目前正在積極重啟首批試點(diǎn)規(guī)模約為1萬億的債轉(zhuǎn)股，這將明顯降低商業(yè)銀行不良貸款的下行壓力，改善銀行資產(chǎn)狀況，同時(shí)減輕高負(fù)債企業(yè)的財(cái)務(wù)壓力，大大避免企業(yè)的破產(chǎn)風(fēng)險(xiǎn)。資產(chǎn)證券化是指銀行將缺乏流動(dòng)性但具有未來現(xiàn)金流量的信貸資產(chǎn)，通過結(jié)構(gòu)性重組，層層打包，轉(zhuǎn)變?yōu)榭梢栽诮鹑谑袌?chǎng)上流通的證券。商業(yè)銀行通過將某些貸款證券化可以將這些資產(chǎn)移至表外，提高銀行的資本充足率；同時(shí)也可將信貸資產(chǎn)的風(fēng)險(xiǎn)通過證券化轉(zhuǎn)移給證券市場(chǎng)上具有不同風(fēng)險(xiǎn)偏好的投資者，以分散和化解金融風(fēng)險(xiǎn)。

(3)完善撥備考核方案，根據(jù)農(nóng)行的經(jīng)營(yíng)狀況確定適宜的撥備覆蓋率。根據(jù)銀監(jiān)會(huì)相關(guān)規(guī)定，商業(yè)銀行撥備覆蓋率不能低于150%。此前，已經(jīng)有商業(yè)銀行建議銀監(jiān)會(huì)下調(diào)銀行撥備覆蓋率至100%-120%的水平以緩解商業(yè)銀行的撥備壓力，提升商業(yè)銀行的風(fēng)險(xiǎn)偏好和放貸意愿，提高其盈利能力。

[1]Jimenez, Gabriel, J Saurina . Credit cycles，credit risk，and prudential regulation[J]．Banco de Espana，2005(1):10-28．

[2]Barros C P，Managi S，Matousek R．The technical efficiency of the Japanese banks:Non-radial directional performance meas-urement with undesirable output[J]．Omega，2012，40(1) :1-8．

[3]王丹娜.關(guān)于降低我國(guó)商業(yè)銀行不良貸款率的思考[J].金融與經(jīng)濟(jì),2010(2):26-29．

[4]賈宏文，顏詠華.市場(chǎng)紀(jì)律對(duì)銀行風(fēng)險(xiǎn)承擔(dān)行為的影響研究[J].湖南財(cái)政經(jīng)濟(jì)學(xué)院學(xué)報(bào),2012(8):73-77．

[5]王光偉，童元松.我國(guó)商業(yè)銀行不良貸款率的影響因素研究[J].湖北工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報(bào),2014(3):50-54.

[6]陳亮.中國(guó)農(nóng)業(yè)銀行不良貸款問題及政策分析[J].企業(yè)導(dǎo)報(bào)，2012,32(11)：1-8.

[7]馬振國(guó).新經(jīng)濟(jì)形勢(shì)下我國(guó)商業(yè)銀行不良貸款的影響因素研究[D].吉林大學(xué),2015.

[8]徐曉通.中國(guó)銀行業(yè)不良貸款率的影響因素實(shí)證研究[D].山東財(cái)經(jīng)大學(xué),2015.

[9]陳奕羽.我國(guó)商業(yè)銀行不良貸款率的影響因素分析[D].南京理工大學(xué)，2015.

[10]伍德里奇JM.計(jì)量經(jīng)濟(jì)學(xué)導(dǎo)論:現(xiàn)代觀點(diǎn)[M].費(fèi)劍平,林相森，譯.北京:中國(guó)人民大學(xué)出版社，2003.

[11]張曉峒.計(jì)量經(jīng)濟(jì)學(xué)軟件EVIEWS使用指南[M].天津:南開大學(xué)出版社，2004.

Class No.:F832.4 Document Mark：A

(責(zé)任編輯：宋瑞斌)

Empirical Analysis of Influencing Factors of Non-performing Loan Ratio of Agricultural Bank of China

Guan Shan1，Zhu Jiaming2

(Anhui University of Finance and Economics 1.School of Finance；2.School of Statistics and Applied Mathematics, Bengbu, Anhui 233030，China)

Aimed to the influencing factors of non-performing loan ratio of agricultural bank of China, this paper selects non-performing loans ratio of Agricultural Bank of China, the rate of capital adequacy ratio (CAR), the gross domestic product (GDP), the consumer price index (CPI), loan deposit ratio and provision coverage ratio (PCR) of the monthly data from June 2010 to March 2016, with EVIEWS software, we construct a multiple the linear regression model which is tested by multiple co-linearity, different variance, autocorrelation test, it is concluded that the Agricultural Bank Loan deposit ratio and provision coverage effect on the rate of non-performing loans is the most significant degree of. We puts forward some measures to reduce the non-performing loan ratio as well.

non-performing loan ratio; linear regression; multiple co-linearity; different variance; self correlation

關(guān)珊，本科在讀，安徽財(cái)經(jīng)大學(xué)金融學(xué)院。研究方向：金融學(xué)。 通訊作者：朱家明，碩士，副教授，安徽財(cái)經(jīng)大學(xué)統(tǒng)計(jì)與應(yīng)用數(shù)學(xué)學(xué)院。研究方向：應(yīng)用數(shù)學(xué)與數(shù)學(xué)建模。

國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(編號(hào)：201610378434)；國(guó)家自然科學(xué)基金資助項(xiàng)目(編號(hào)：11601001)。

1672-6758(2017)01-0061-5

F832.4

A