經(jīng)濟新常態(tài)下我國商業(yè)銀行信用風險研究

■韓素萍（中國海洋大學經(jīng)濟學院）

目前，經(jīng)濟全球化深入發(fā)展，中美貿(mào)易摩擦的陰影揮之不去，國內(nèi)外市場不確定性增加。國內(nèi)經(jīng)濟增長下行壓力持續(xù)上升，企業(yè)經(jīng)營風險接連爆發(fā)，銀行貸款安全受到前所未有的沖擊，不良貸款反彈，信貸風險加大，讓銀行經(jīng)營發(fā)展背上了沉重的包袱。據(jù)統(tǒng)計，2018 年1-11 月商業(yè)銀行信貸增長為13.3%，遠大于GDP 增長和通貨膨脹率增長之和(6.7%加2.2%),市場的流動性并不缺乏，然2018 年12 月的中央經(jīng)濟工作會議中明顯釋放出貨幣政策更為寬松的信號，利率市場化改革不斷推進，作為我國金融中心的商業(yè)銀行，在這樣的大環(huán)境下，信貸風險防控面臨著新的機遇和挑戰(zhàn)。因此當下開展宏觀經(jīng)濟背景下商業(yè)銀行信用風險的預警研究，不僅具有重要的理論價值，還對于提高上市公司的質(zhì)量，提高商業(yè)銀行對優(yōu)質(zhì)客戶的篩選，降低信用違約的發(fā)生，增強我國商業(yè)銀行的盈利能力，打造一個規(guī)范、透明、開放、有活力、有韌性的金融市場具有重要的現(xiàn)實意義。

一、文獻綜述

結(jié)合國內(nèi)外專家學者對商業(yè)銀行信用的研究成果，根據(jù)此次研究內(nèi)容需要，筆者將采用的文獻歸結(jié)為以下三類：

（一）關(guān)于商業(yè)銀行信用風險影響因素的研究

從信息經(jīng)濟學的視角看，信用風險產(chǎn)生的主要原因是信息不對稱。Leland 與Pyle（1977）以經(jīng)濟學中的逆向選擇和信息不對稱為依據(jù)建立了信貸模型，認為銀行的信用風險產(chǎn)生于放貸決策之前。應嫦薇(2017)從理論上闡述商業(yè)銀行信用風險的概念和信息不對稱問題，指出了我國商業(yè)銀行防范信用風險的有效措施。周宏（2011）根據(jù)中國債券企業(yè)的實際情況，建立了包含信息不對稱因素的實證研究，認為正是發(fā)債企業(yè)和投資人間的信息不對稱導致了我國債券企業(yè)的信用問題。從宏觀經(jīng)濟的角度看，Harry Huizinga& Luc Laeven（2015）認為一國的宏觀經(jīng)濟發(fā)展是否良好影響銀行的回款速度和借款人的還款力。Jimenez，G.and Saurina(2005）發(fā)現(xiàn)在1984-2003 年西班牙銀行不良貸款的影響因素的研究中，國家貨幣政策對不良貸款率的影響力最大。從企業(yè)自身的狀況來看，武芳芳[5]將企業(yè)的財務指標與非財務指標引入了logistic 回歸模型，發(fā)現(xiàn)兩者對于企業(yè)的財務風險同樣具有預警作用。

（二）關(guān)于商業(yè)銀行信貸風險管理的實證研究

Altman(1968)構(gòu)建了 5 變量 Z-Score 模型。同時，于1977年將所利用的變量增加到7 個，建立了Zeta 模型，完善了傳統(tǒng)的判別分析技術(shù)。Beaver（1966）對30 個財務指標分別建立單變量模型預測企業(yè)的違約風險，研究發(fā)現(xiàn)，盈利能力的測量指標預測準確率最高。楊淑娥，黃禮(2005)利用180 個上市公司的財務數(shù)據(jù)，建立了神經(jīng)網(wǎng)絡模型，模型預測準確率達到90%。潘澤清采用2015年上市公司的數(shù)據(jù)，基于logistic 回歸模型對企業(yè)違約風險進行預警，發(fā)現(xiàn)企業(yè)的盈利能力和償債能力是衡量公司是否違約的重要指標。

（三）關(guān)于商業(yè)銀行信貸風險管理的理論研究

首先，由亞當斯密（1776）在《國富論》中提出了信貸資產(chǎn)管理理論。其次，哈里馬克維茨（1952）在計量經(jīng)濟學中引入了資產(chǎn)管理理論，現(xiàn)在是后金融化危機時期，而我國供給側(cè)改革深入發(fā)展，許婉瑩（2017）通過對現(xiàn)階段商業(yè)銀行信貸風險的影響因素進行分析，指出目前利率市場化，互聯(lián)網(wǎng)金融，產(chǎn)業(yè)升級，金融脫媒等外部因素對銀行信貸的應先加劇。從銀行信貸風險管理的相關(guān)措施來看，張明（2018）通過分析現(xiàn)階段商業(yè)銀行信貸風險的特征，提出了新常態(tài)下我國商業(yè)銀行信貸風險的防控對策。崔傅成，陶浩（2018）通過分析經(jīng)濟新常態(tài)下我國商業(yè)銀行不良貸款的成因，指出了當前應對信貸風險的具體對策。

綜合以上文獻來看，我國商業(yè)銀行信貸風險管理上和國外的商業(yè)銀行存在一定的差距。尤其是在信貸風險的預警和信用風險的評估方法上，國外的學者采用歷史的數(shù)據(jù)建立預警模型實現(xiàn)對商業(yè)銀行信用風險的動態(tài)評估，研究較為成熟，能較好的實現(xiàn)對未來風險的預警，實際意義更突出。而我國對于信用風險的度量，定量分析的預警模型起步晚，難以實現(xiàn)精準預警。而且能夠結(jié)合當前經(jīng)濟新常態(tài)的背景，建立商業(yè)銀行信用風險預警模型，據(jù)此提出對策建議的文章較少，更增加了本文研究的必要性和重要性。

二、宏觀經(jīng)濟下我國商業(yè)銀行的信用風險的特征

（一）貸款余額整體穩(wěn)定增長，貸款結(jié)構(gòu)進一步改善

2014-2018 年，全部金融機構(gòu)各項貸款余額呈逐年增長趨勢，由81.7 萬億元逐年增加到136.3 萬億元，年均增長13.7%。從金融機構(gòu)貸款時間來看，2015 年有明顯變化，短期貸款余額增比下降4.6 個百分點，中長期貸款余額增比上升4.5 個百分點，此時正是積極推進實施新常態(tài)戰(zhàn)略，提出供給側(cè)結(jié)構(gòu)性改革的關(guān)鍵一年，企業(yè)努力尋找生存發(fā)展的機會，增加對中長期貸款的需求。從金融機構(gòu)貸款資金的投向看，投資行業(yè)主要以制造業(yè)，基礎設施行業(yè)，房地產(chǎn)業(yè)為主，截止到2017 年，制造業(yè)占當年中長期貸款的比例為18.3%。

（二）不良貸款額和不良貸款率呈增長趨勢

2013 年第一季度到2018 年第四季度，我國商業(yè)銀行不良貸款額呈逐漸增長的態(tài)勢，由2013 年底的5921 億元到2018 年底的20254 億元，而且不良貸款率在2013 年-2015 年上升較快，到2016 年第一季度時，我國商業(yè)銀行不良貸款率達到1.76 個百分點，在去產(chǎn)能的同時增加了對我國企業(yè)負債結(jié)構(gòu)的調(diào)整，企業(yè)生產(chǎn)經(jīng)營狀況發(fā)生不良變化，進而導致商業(yè)銀行不良貸款也逐漸增多。從不良貸款率來看，我國的次級類貸款率，可疑類貸款率，損失類貸款率，分別由2013 年底的43%,43%,14%上升到2018 年的72%,82%,28%。從商業(yè)銀行的類型來看，國有商業(yè)銀行和股份制商業(yè)銀行的不良貸款的比重要遠低于農(nóng)村商業(yè)銀行不良貸款的比重，且國有商業(yè)銀行不良貸款率在2015 年到2017 年間的比重遠高于其他年份，

三、樣本和變量的選取

（一）樣本的選取

本文考慮到我國上市公司財務數(shù)據(jù)的可得性，真實性和相對客觀性，以我國滬深A 股上市制造業(yè)企業(yè)為研究樣本，將上市公司中由于財務狀況異常而被特別處理成為ST 公司作為商業(yè)銀行信用風險的標志，而非ST 上市制造業(yè)公司作為財務狀況健康的公司。

我們以2017 年和2018 年首次被實施ST 的46 家滬深A 股制造業(yè)上市公司作為導致商業(yè)銀行出現(xiàn)信用風險的公司。根據(jù)“同行業(yè)，同時期，同一交易所上市”的原則，按照近似1：1 配比，選擇46家與ST 公司相對應的非ST 上市公司，考慮到研究的需要，這里將每家公司每個季度的指標數(shù)據(jù)看作一個樣本，這樣樣本一共368 個，以此作為實證分析的研究樣本。本文的數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，wind 資訊。

1.變量的選取與檢驗

考慮到收集數(shù)據(jù)時的可得性，真實性，全面性原則，結(jié)合商業(yè)銀行對上市公司信用風險的財務評價指標體系設計原則主要以系統(tǒng)性，科學合理性以及可操作性為主。本文參照以往的研究文獻，第一，初選指標。在選擇企業(yè)盈利能力、償債能力、經(jīng)營能力、發(fā)展能力、獲現(xiàn)能力，比率結(jié)構(gòu)六個因素作為財務指標，引入治理結(jié)構(gòu)一個非財務指標。第二篩選指標，在初步選取指標以后，在通過統(tǒng)計檢驗，篩選出比較顯著的指標，作為模型的自變量。

2.數(shù)據(jù)預處理

雖然各個指標都是以“比”的形式存在，但是發(fā)現(xiàn)不同指標變量下的數(shù)據(jù)變化范圍相差較大，為了使得數(shù)據(jù)具有可比性，據(jù)標準化為均值0 和標準差為1 的數(shù)據(jù)，對樣本進行標準化處理。

3.指標預選

根據(jù)以往學者的研究，我們研究的上市制造業(yè)公司的財務指標與非財務指標如下：資產(chǎn)報酬率X11，總資產(chǎn)凈利潤率X12，凈資產(chǎn)收益率X13，營業(yè)凈利率X14，每股收益X15，每股凈資產(chǎn)X16，流動比率X21，速動比率X22，現(xiàn)金比率X23，資產(chǎn)負債率X24，產(chǎn)權(quán)比率X25，應收賬款周轉(zhuǎn)率X31，存貨周轉(zhuǎn)率X32，總資產(chǎn)周轉(zhuǎn)率X33，流動資產(chǎn)周轉(zhuǎn)率X34，固定資產(chǎn)周轉(zhuǎn)率X35，資本積累率X41，總資產(chǎn)增長率X42，全部現(xiàn)金回收率X51，現(xiàn)金再投資比率X52，流動資產(chǎn)比率X61，現(xiàn)金資產(chǎn)比率X62，營運資金比率X63，固定資產(chǎn)比率X64，所有者權(quán)益比率X65，流動負債比率X66，公司第一大股東持股比例X71，Herfindahl 指數(shù)X72。

（1）指標檢驗與篩選

首先采用Kolmogorov-Smirnov檢驗看指標是否服從正態(tài)分布，如果指標變量服從正態(tài)分布，再進行指標顯著性的參數(shù)檢驗，如果指標變量不服從正態(tài)分布，則進行指標顯著性的非參數(shù)檢驗。K-S檢驗的原假設是樣本變量服從正態(tài)分布，如果不拒絕原假設，則說明變量是服從正態(tài)分布的，否則，說明變量不服從正態(tài)分布的。檢驗結(jié)果可知，所有指標變量的P 值均小于0.05，在5%的顯著性水平下拒絕正態(tài)分布的零假設，即所有變量均不服從正態(tài)分布。

（2）指標顯著性檢驗

為了找出信用健康的公司與信用異常的公司存在顯著性差異的指標，對指標進行顯著性檢驗。由于所有變量不服從正態(tài)分布，且兩組樣本獨立，所以我們在采用非參數(shù)檢驗--Wilcoxon 秩和檢驗。Wilcoxon 秩和檢驗的原假設是某個變量不能區(qū)分兩樣本總體，兩獨立樣本總體不存在均值差異。檢驗結(jié)果知，X24，X25，X31，X61，X65，X66 在1%的顯著性水平下沒有通過顯著性檢驗，其余變量在1%的顯著性水平下均值差異顯著。

（3）指標篩選的結(jié)果

由前面的分析知，能夠篩選出對ST 和非ST 公司呈顯著性差異的指標共有22 個，用這些指標來構(gòu)建商業(yè)銀行信用風險預警模型。篩選出的這些指標如表所示：資產(chǎn)報酬率X11，總資產(chǎn)凈利潤率X12，凈資產(chǎn)收益率X13，營業(yè)凈利率X14，每股收益X15，每股凈資產(chǎn)X16，流動比率X21，速動比率X22，現(xiàn)金比率X23，存貨周轉(zhuǎn)率X32，總資產(chǎn)周轉(zhuǎn)率X33，流動資產(chǎn)周轉(zhuǎn)率X34，固定資產(chǎn)周轉(zhuǎn)率X35，資本積累率X41，總資產(chǎn)增長率X42，全部現(xiàn)金回收率X51，現(xiàn)金再投資比率X52，現(xiàn)金資產(chǎn)比率X62，營運資金比率X63，固定資產(chǎn)比率X64，公司第一大股東持股比例X71，Herfindahl 指數(shù)X72。

四、實證分析

（一）因子分析

經(jīng)變量篩選與檢驗我們得到了22 個預警指標。但是這22 個指標的數(shù)量仍然較多，且存在著較強的相關(guān)性，于是我們采用因子分析法，對一系列指標提取公因子，以少數(shù)因子來替代眾多原始指標的信息量。

1.檢驗樣本數(shù)據(jù)能否進行因子分析：

采用Bartlett 檢驗和KMO 檢驗是否適合做因子分析。原假設各變量之間相互獨立，但檢驗發(fā)現(xiàn)在1%的顯著性水平下P 值為0，拒絕原假設，適合做因子分析。且采用KMO 值為0.68，大于0.5，也表示適合做因子分析。

2.判斷需要提取的公因子數(shù)以及提取公因子

根據(jù)一般的研究，累計貢獻率在60%以上就可以，由碎石圖和Kaiser-Harris 準則建議選出主因子7 個，累計貢獻率可以達到70%，說明前7 個因子包含了全部指標信息的70%，對原有變量的解釋程度高。

3.因子旋轉(zhuǎn)與因子解釋

因子1 中載荷量較大的指標包括X11 資產(chǎn)報酬率，X12 總資產(chǎn)凈利潤率，X13 凈資產(chǎn)收益率。因此我們稱因子1 為盈利與資產(chǎn)因子。因子2 中載荷量較大的指標包括X32 存貨周轉(zhuǎn)率，X33 總資產(chǎn)周轉(zhuǎn)率，X34 流動資產(chǎn)周轉(zhuǎn)率，所以我們稱因子2 為經(jīng)營能力因子。因子3 中載荷量較大的指標包括X71 公司第一大股東持股比例，X72 Herfindal 指數(shù)，因此我們稱因子3 為治理結(jié)構(gòu)因子。因子4載荷量較大的指標包括X41 資本積累率，X42 總資產(chǎn)增長率，因此我們稱因子4 為發(fā)展能力因子。因子5 中載荷量較大的指標主要包括X14 營業(yè)凈利率，X23 現(xiàn)金比率，因此我們稱因子5 為現(xiàn)金收入因子。因子6 中載荷量較大的指標X15 每股收益，X16 每股凈資產(chǎn)，所以我們稱因子6 為每股收益與資產(chǎn)因子。因子7 中載荷量較大的指標包括X64 固定資產(chǎn)比率，X63 營運資金比率，X62 現(xiàn)金資產(chǎn)比率。因此我們稱它為比率結(jié)構(gòu)因子。

（二）信用風險預警模型建立

（1）我們對指標進行因子分析，將7 個因子的得分作為自變量，進行商業(yè)銀行信用風險預警 Logistic 模型的建立。得出以下結(jié)果：自變量RC1 和RC4 在5%的顯著性水平下通過變量的顯著性檢驗，RC6 在0.1%的顯著性水平下通過變量的顯著性檢驗，RC7 在10%的顯著性水平下通過變量的顯著性檢驗，即RC1，RC4，RC6 和RC7 對因變量具有較好的解釋作用?？紤]使用逐步回歸剔除不顯著的因子，

由表9 得到，如果剔除不顯著的因子以后，僅對因子1，因子4，因子6 和因子7 進行l(wèi)ogistic 回歸，AIC 值由418.13 降到了414.36，說明進行逐步回歸保留了相對重要的變量。

（2）解釋模型參數(shù)

由于在logistic 回歸中，響應變量是logit(p)，即Y=1 的對數(shù)優(yōu)勢比，而對數(shù)優(yōu)勢比的解釋性較差，所以可以對回歸系數(shù)進行指數(shù)化，然后得到回歸模型進行參數(shù)解釋。

表1 回歸參數(shù)指數(shù)化的結(jié)果

表達式如下：

通過表1 可以看到，RC1，RC4，RC6，RC7 在 0.05 的顯著性水平下存在顯著的正向影響，表明這四者的增加證明公司為非ST的企業(yè)的可能性較大，企業(yè)朝著信用健康的方向發(fā)展，商業(yè)銀行的信用風險此時較低。這也是與實際相符合的。而且我們發(fā)現(xiàn)保持RC1，RC4，RC7 不變，RC6 每股收益與資產(chǎn)因子每增加一單位，公司為非ST 的優(yōu)勢比乘以3.825237，即上市公司出現(xiàn)財務健康的概率較大，商業(yè)銀行面臨的信用風險較低。當保持RC4，RC6，RC7 不變時，RC1 盈利與資產(chǎn)因子每增加一單位，企業(yè)為非ST 的概率上升，公司為非ST 的優(yōu)勢比將乘以2.95，即上市公司出現(xiàn)財務健康的概率較大，商業(yè)銀行面臨的信用風險較小。比較符合實際。在檢驗顯著的因子中，RC1 盈利與償債因子和RC6 每股收益與資產(chǎn)因子對于上市公司是否為非ST 的影響較大，而每股指標是盈利能力的一部分，可見，盈利能力對于上市公司來說是至關(guān)重要的，一般而言，盈利能力與償債能力是商業(yè)銀行進行放貸時必須考慮的因素，所以這與實際情況是相符的。

（3）模型系數(shù)綜合檢驗

模型各變量通過顯著性檢驗的同時還需確保整個模型是顯著的，只有這樣才能確保模型是正確的，有意義的。于是，我們對模型進行卡方檢驗，結(jié)果發(fā)現(xiàn)，隨著變量從第一個到最后一個逐個加入模型，模型最終通過顯著性檢驗。

（4）模型擬合優(yōu)度檢驗

為了能夠比較模型的預測值與實際值之間的差異情況采用HL統(tǒng)計量進行檢驗，原假設為“模型的預測值與實際值不存在差異”。發(fā)現(xiàn)Hosmer 和 Lemeshow 檢驗 P 值為 0.14，接受了原假設，實際值與預測值沒有明顯差異，證明了該模型擬合較好。

（5）模型預測效果檢驗

將2017年到2018年92家公司構(gòu)成的368條樣本數(shù)據(jù)代回模型，可得模型預測準確度的百分比，ST 公司賦值0，非ST 公司賦值1。

表1 判別效果表

由于我們這里定義概率值大于0.5的為非ST上市公司，小于0.5的為ST 上市公司。由表4-8 可知，ST 公司仍然被預測為ST 公司的準確率為81%。非ST 公司被預測為非ST 公司的準確率為82%?？傮w預測準確率為81%。該模型具有相對較好的準確性。

五、經(jīng)濟新常態(tài)下商業(yè)銀行應對信用風險的對策

（一）順應宏觀經(jīng)濟產(chǎn)業(yè)結(jié)構(gòu)演變趨勢，降低行業(yè)性風險

我國之所以進行供給側(cè)結(jié)構(gòu)性改革，說明我國經(jīng)濟下行是由于結(jié)構(gòu)出了問題。由前面的分析我們知道，當前我國商業(yè)銀行的貸款主要集中在房地產(chǎn)業(yè)，基礎設施和制造行業(yè)。因此商業(yè)銀行應當加強對信貸企業(yè)行業(yè)風險的審核，尤其對成長性的新興產(chǎn)業(yè)加強信貸風險的防控。

（二）切實推進去杠杠策略，降低企業(yè)債務違約風險

“去杠桿”是要降低企業(yè)長期性的債務風險。因此對企業(yè)來說，應當積極改善企業(yè)債務結(jié)構(gòu)，增加權(quán)益資本比重。而銀行應當通過完善經(jīng)營管理制度，規(guī)范資產(chǎn)質(zhì)量，加強貸款管理，降低不良資產(chǎn)形成，切實落實去杠桿的策略。

（三）從流程上防控風險，豐富信用風險管理的手段

無論是企業(yè)還是銀行，風險出現(xiàn)一定是流程上出現(xiàn)了問題。資金的進進出出，來龍去脈如果清清楚楚，風險管理的手段多種多樣，便可以在一定程度上避免風險的發(fā)生。因此在經(jīng)濟壓力下行的背景下，我國商業(yè)銀行應當從流程上對信貸資金把關(guān)，加強對信貸人員的職業(yè)素質(zhì)培訓，實現(xiàn)部門與部門之間的協(xié)同監(jiān)督，多措并舉有效防止不良貸款出現(xiàn)，降低不良貸款率。