夏佳佳

經(jīng)濟(jì)新常態(tài)下商業(yè)銀行不良貸款影響因素研究——基于多元線性回歸模型

夏佳佳

（安徽商貿(mào)職業(yè)技術(shù)學(xué)院 財(cái)務(wù)金融，安徽 蕪湖 241002）

目前我國(guó)正處于“三期疊加”的復(fù)雜時(shí)期，經(jīng)濟(jì)新常態(tài)下金融去杠桿取得了一定的成效，但商業(yè)銀行不良貸款率自2015年以來(lái)一直呈現(xiàn)持續(xù)上升態(tài)勢(shì)。實(shí)證結(jié)果顯示：商業(yè)銀行自身互聯(lián)網(wǎng)化程度、信貸余額及國(guó)內(nèi)生產(chǎn)總值對(duì)不良貸款率呈現(xiàn)負(fù)相關(guān)影響，成本收入比及杠桿率水平對(duì)不良貸款率呈現(xiàn)正相關(guān)影響。因此，商業(yè)銀行應(yīng)當(dāng)大力發(fā)展數(shù)字科技，擴(kuò)大信貸規(guī)模，利用技術(shù)優(yōu)勢(shì)縮減成本，制定適度杠桿率水平，有效降低不良貸款率從而提升商業(yè)銀行資產(chǎn)質(zhì)量。

不良貸款率；多元線性回歸；互聯(lián)網(wǎng)化程度；杠桿率；商業(yè)銀行

一、引言

商業(yè)銀行不良貸款主要是指商業(yè)銀行以償付利息的方式出讓資金，但是資金使用者未能按時(shí)償還本金及利息。根據(jù)貸款五級(jí)分類理論，銀行通常將貸款分為正常貸款、關(guān)注貸款、次級(jí)貸款、可疑貸款和損失貸款，不良貸款主要指次級(jí)貸款、可疑貸款和損失貸款。截至2019年年末，我國(guó)商業(yè)銀行不良貸款率達(dá)到了1.86%，為2012年以來(lái)的最高水平。目前，我國(guó)正處于“三期疊加”的期間，經(jīng)濟(jì)也正步入新常態(tài)發(fā)展，商業(yè)銀行不良貸款將直接影響商業(yè)銀行經(jīng)營(yíng)狀況，不良貸款率越高，銀行經(jīng)營(yíng)效率就越低，經(jīng)營(yíng)能力就越差，甚至?xí)?lái)市場(chǎng)經(jīng)濟(jì)倒退。因此，分析不良貸款影響因素并提出對(duì)降低不良貸款率的有效建議，對(duì)于商業(yè)銀行提升資本效率及促進(jìn)市場(chǎng)經(jīng)濟(jì)發(fā)展有著十分重要的意義。

二、文獻(xiàn)綜述

國(guó)內(nèi)外學(xué)者對(duì)于商業(yè)銀行不良貸款的影響因素陸續(xù)進(jìn)行了深入的研究。崔傅成（2018）構(gòu)建VAR模型，通過(guò)脈沖響應(yīng)和方差分解方法分析了經(jīng)濟(jì)增長(zhǎng)、貨幣政策、信貸總量、企業(yè)經(jīng)營(yíng)狀況及不良貸款之間的動(dòng)態(tài)關(guān)系。結(jié)果顯示：經(jīng)濟(jì)增長(zhǎng)和貨幣政策與不良貸款率呈短期負(fù)相關(guān)，而信貸總量和企業(yè)經(jīng)營(yíng)狀況與不良貸款率呈長(zhǎng)期負(fù)相關(guān)。[1]高藝（2018）利用2014—2017年樣本數(shù)據(jù)建立不良貸款率原值項(xiàng)、波動(dòng)項(xiàng)和增長(zhǎng)率的模型，得到不良貸款率對(duì)于經(jīng)濟(jì)波動(dòng)的影響。結(jié)果表明：經(jīng)濟(jì)波動(dòng)對(duì)于不良貸款率的影響隨著時(shí)間推移減小，且不良貸款率對(duì)經(jīng)濟(jì)波動(dòng)具有反饋?zhàn)饔?。[2]金欣雪（2018）采用因子分析及線性回歸模型對(duì)商業(yè)銀行不良貸款因素進(jìn)行分析，研究表明：經(jīng)濟(jì)總量、經(jīng)濟(jì)效益、貿(mào)易發(fā)展及投資發(fā)展均與不良貸款呈負(fù)相關(guān)。[3]孫明哲（2020）采用2008—2017年面板數(shù)據(jù)分析方法建立面板分析模型進(jìn)行多元回歸，結(jié)果表明，失業(yè)率越高則商業(yè)銀行不良貸款率越高，通貨膨脹率越高則商業(yè)銀行不良貸款率越高，而銀行資本越大則商業(yè)銀行不良貸款考慮越低，增長(zhǎng)率越快則商業(yè)銀行不良貸款率越低。[4]

從先前學(xué)者的研究中可以看出，大部分學(xué)者均由宏觀及微觀因素出發(fā)研究不良貸款率的形成原因，宏觀指標(biāo)包括、貨幣供應(yīng)量等，微觀指標(biāo)包括銀行信貸總量、企業(yè)經(jīng)營(yíng)效益等。隨著我國(guó)金融資產(chǎn)泡沫增大，2016年監(jiān)管部門(mén)提出“金融去杠桿”相關(guān)政策，雖然已經(jīng)取得一定的成效，但是杠桿率仍為我國(guó)商業(yè)銀行系統(tǒng)風(fēng)險(xiǎn)中重要的影響因素。此外，隨著互聯(lián)網(wǎng)金融的迅速崛起，互聯(lián)網(wǎng)技術(shù)的發(fā)展特別是商業(yè)銀行互聯(lián)網(wǎng)技術(shù)的發(fā)展對(duì)于商業(yè)銀行經(jīng)營(yíng)效益和盈利能力產(chǎn)生了重要的影響。因此，結(jié)合現(xiàn)有研究成果，本文引入商業(yè)銀行互聯(lián)網(wǎng)化程度、杠桿率這兩個(gè)指標(biāo)構(gòu)建多元回歸模型，實(shí)證分析商業(yè)銀行不良貸款率影響因素。[5]

本文創(chuàng)新點(diǎn)包括以下方面：第一，充分考慮數(shù)字技術(shù)對(duì)于商業(yè)銀行經(jīng)營(yíng)效益的影響，在模型中引入互聯(lián)網(wǎng)化程度這一指標(biāo)考察“經(jīng)濟(jì)新常態(tài)下”數(shù)字技術(shù)的發(fā)展對(duì)于不良貸款率的影響；第二，以2016年實(shí)施“去杠桿”政策為時(shí)間節(jié)點(diǎn)，考察去杠桿政策是否對(duì)不良貸款率產(chǎn)生結(jié)構(gòu)性影響，全面地考察被解釋變量與解釋變量之間的關(guān)系。

三、理論分析

（一）變量選擇

成本收入比（）指獲得每單位營(yíng)業(yè)收入需要付出的成本，用商業(yè)銀行營(yíng)業(yè)成本與營(yíng)業(yè)凈收入比值表示，該比值越高說(shuō)明成本占比越大，反之越小。

杠桿率（）指用于反映商業(yè)銀行財(cái)務(wù)狀況和償債能力指標(biāo)。杠桿率過(guò)高，則金融機(jī)構(gòu)資金將由實(shí)體經(jīng)濟(jì)流向虛擬經(jīng)濟(jì)，使得企業(yè)負(fù)債累累，阻礙實(shí)體經(jīng)濟(jì)發(fā)展，增加了不良貸款發(fā)生的概率。[6]

信貸余額（指用于反映商業(yè)銀行某一時(shí)點(diǎn)貸款余額，從數(shù)理角度來(lái)看，信貸余額上升則商業(yè)銀行貸款數(shù)量上升，不良貸款被稀釋，則不良貸款率下降。[7]

國(guó)內(nèi)生產(chǎn)總值（）指用于衡量國(guó)民經(jīng)濟(jì)狀況，增長(zhǎng)率越高則該地區(qū)經(jīng)濟(jì)發(fā)展較快，反之則表明經(jīng)濟(jì)發(fā)展較慢。經(jīng)濟(jì)增長(zhǎng)越快，帶來(lái)了社會(huì)需求擴(kuò)大，投資者投資機(jī)會(huì)增多，社會(huì)生產(chǎn)經(jīng)營(yíng)受到正向影響，商業(yè)銀行不良貸款率也將遞減。

不良貸款率（）指用于衡量商業(yè)銀行資產(chǎn)質(zhì)量的指標(biāo)，不良貸款率越大則商業(yè)銀行資產(chǎn)質(zhì)量越低，不良貸款率越小則商業(yè)銀行資產(chǎn)質(zhì)量越高。

（二）模型設(shè)定

綜合現(xiàn)有研究，本文設(shè)定商業(yè)銀行互聯(lián)網(wǎng)化水平、成本收入比、杠桿率、信貸余額及國(guó)內(nèi)生產(chǎn)總值為解釋變量，不良貸款率為被解釋變量，構(gòu)建一個(gè)多元線性回歸模型，如下：

（1）

其中，為商業(yè)銀行互聯(lián)網(wǎng)化程度，為成本收入比，為杠桿率，為信貸余額，為國(guó)內(nèi)生產(chǎn)總值，為不良貸款率。

四、實(shí)證分析

（一）數(shù)據(jù)來(lái)源

選取2008—2019年48組季度數(shù)據(jù)作為樣本，其中，商業(yè)銀行互聯(lián)網(wǎng)化水平、成本收入比、杠桿率、信貸余額、國(guó)內(nèi)生產(chǎn)總值、不良貸款率數(shù)據(jù)分別來(lái)源于國(guó)家統(tǒng)計(jì)局、銀監(jiān)會(huì)、中國(guó)人民銀行及Wind數(shù)據(jù)庫(kù)。杠桿率是選取我國(guó)30家上市商業(yè)銀行杠桿率并按照時(shí)間取其加權(quán)平均中位數(shù)得到，代表我國(guó)商業(yè)銀行杠桿率水平。

在熱氮吹硫過(guò)程中，氮?dú)饬髁恳恢北３衷?000 m3/h，根據(jù)克勞斯一、二級(jí)反應(yīng)器床層、加氫反應(yīng)器床層溫升、急冷塔塔頂氫含量，逐漸提高工廠風(fēng)量，反應(yīng)器床層、系統(tǒng)設(shè)備未出現(xiàn)超溫現(xiàn)象，急冷塔出口H 2體積分?jǐn)?shù)控制在1.5%以上，急冷水p H值大于8，排放煙氣中SO2質(zhì)量濃度低于600 mg/m3。關(guān)鍵操作參數(shù)見(jiàn)表2。

（二）時(shí)間段的劃分

為了降低高杠桿率給金融系統(tǒng)帶來(lái)的負(fù)面影響，自2016年起，銀監(jiān)會(huì)開(kāi)展了“三套利、四不當(dāng)”等系列去杠桿行動(dòng)，宣告了我國(guó)金融行業(yè)正式進(jìn)入去杠桿階段。在此過(guò)程中，商業(yè)銀行資產(chǎn)質(zhì)量下降，不良貸款率有所攀升?；谀壳暗恼咿D(zhuǎn)變，本文將時(shí)間段劃分為2008—2015年和2016—2019年兩部分，利用結(jié)構(gòu)變動(dòng)法考察去杠桿政策是否對(duì)商業(yè)銀行不良貸款率的變化有影響。

對(duì)于時(shí)間序列而言，模型系數(shù)的穩(wěn)定性很重要。本文采取虛擬變量法進(jìn)行基于杠桿政策調(diào)整帶來(lái)模型結(jié)構(gòu)變動(dòng)的檢驗(yàn)，設(shè)定虛擬變量，變量定義如下：在2016年之后取值為1，在2008—2016年之間取值為0。得到2016年斷點(diǎn)F值0.097，該檢驗(yàn)P值為0.988，所以在1%顯著性水平上接受“沒(méi)有結(jié)構(gòu)變動(dòng)”的原假設(shè)，即中國(guó)的在2016年沒(méi)有發(fā)生了結(jié)構(gòu)變動(dòng)，因此可以將時(shí)間段合并為2008—2019年。

（三）統(tǒng)計(jì)分析

1．變化趨勢(shì)分析

從2008—2019年季度數(shù)據(jù)可以發(fā)現(xiàn)，商業(yè)銀行不良貸款率在2008年第一季度處于頂峰，在2008年第三季度明顯回落，但從2015年第一季度開(kāi)始又有小幅上升，直至2019年第四季度仍呈現(xiàn)上升趨勢(shì)，如圖1。

圖1 不良貸款率季度變化趨勢(shì)圖

2．描述性統(tǒng)計(jì)分析

數(shù)值描述性統(tǒng)計(jì)分析是由數(shù)據(jù)集計(jì)算得到數(shù)值，并通過(guò)分析變量發(fā)現(xiàn)其內(nèi)生性規(guī)律以及數(shù)據(jù)的總體分布形態(tài)，從而更好地分析變量特征。由表1可以發(fā)現(xiàn)，商業(yè)銀行不良貸款率均值為1.71，該值遠(yuǎn)低于5%的監(jiān)管標(biāo)準(zhǔn)，說(shuō)明我國(guó)商業(yè)銀行資產(chǎn)質(zhì)量較為穩(wěn)定。極值分別為0.9和5.78，極值之間相差較大，說(shuō)明通過(guò)金融改革政策實(shí)施，較2008年峰值不良貸款率有了顯著的下降。

表1 不良貸款率描述性統(tǒng)計(jì)表

（四）相關(guān)性分析

首先，由表2所有變量相關(guān)性分析結(jié)果發(fā)現(xiàn)各變量之間多重共線性問(wèn)題及變量之間關(guān)系，從變量之間相關(guān)系數(shù)來(lái)看，變量之間并未出現(xiàn)嚴(yán)重的共線性問(wèn)題，因此，可以利用多元線性回歸方式分析變量之間關(guān)系。[8]其次，從表中結(jié)果可以看出，商業(yè)銀行自身互聯(lián)網(wǎng)化程度與不良貸款率之間呈顯著負(fù)相關(guān)，成本收入比與不良貸款呈正相關(guān)，杠桿率與不良貸款率之間呈顯著正相關(guān)，貸款余額與不良貸款率之間呈負(fù)相關(guān)，國(guó)內(nèi)生產(chǎn)總值與不良貸款率呈顯著負(fù)相關(guān)。

表2 經(jīng)濟(jì)變量相關(guān)性分析表

注：*表示變量關(guān)系的顯著性水平為10%；**表示變量關(guān)系的顯著性水平為5%；***表示變量關(guān)系水平為1%。

（五）回歸分析

從表3回歸分析結(jié)果可以看出，商業(yè)銀行互聯(lián)網(wǎng)化程度與不良貸款率之間在1%的顯著性水平下回歸系數(shù)為-0.588，表明商業(yè)銀行互聯(lián)網(wǎng)化的發(fā)展有效降低了不良貸款率。一方面，商業(yè)銀行互聯(lián)網(wǎng)技術(shù)的發(fā)展拓寬了商業(yè)銀行業(yè)務(wù)渠道，并通過(guò)技術(shù)管控風(fēng)險(xiǎn)提升了風(fēng)險(xiǎn)管理能力，另一方面，互聯(lián)網(wǎng)技術(shù)的發(fā)展帶來(lái)了征信手段的增多，一定程度上降低了“老賴”的產(chǎn)生幾率。因此，商業(yè)銀行自身互聯(lián)網(wǎng)發(fā)展越快，不良貸款發(fā)生的概率則越低。成本收入比與不良貸款率之間在5%的顯著性水平上回歸系數(shù)為0.2002，表明商業(yè)銀行成本占比越大，則發(fā)生不良貸款概率越高。商業(yè)銀行通過(guò)較高成本獲取資金，則其流動(dòng)性將受到負(fù)面影響，進(jìn)而降低資產(chǎn)質(zhì)量，提高不良貸款的發(fā)生概率。杠桿率水平與不良貸款率之間在1%顯著性水平上回歸系數(shù)為0.527，說(shuō)明高杠桿率將導(dǎo)致不良貸款率升高，商業(yè)銀行杠桿率過(guò)高，則受信人成本增加，很多企業(yè)將不堪重負(fù)，難以償還貸款，從而帶來(lái)不良貸款率的發(fā)生。信貸余額與不良貸款率之間在5%的顯著性水平上回歸系數(shù)為-0.311，表明信貸余額規(guī)模越大，不良貸款發(fā)生概率越小；信貸余額規(guī)模增大，則不良貸款被分?jǐn)倧亩档筒涣假J款率。國(guó)內(nèi)生產(chǎn)總值與不良貸款率在1%的顯著性水平上回歸系數(shù)為-0.454，表明國(guó)內(nèi)生產(chǎn)總值越大，不良貸款率越小。隨著國(guó)內(nèi)生產(chǎn)總值提升，社會(huì)投資需求將上升，企業(yè)可以獲得融資和投資渠道增多，盈利能力增強(qiáng)，從而降低不良貸款率。

從表3中共線性結(jié)果看出，各變量的方差膨脹因子均遠(yuǎn)小于10，因此，變量之間不存在多重共線性。

表3 多元回歸及多重共線性分析結(jié)果

注：估計(jì)系數(shù)下方括號(hào)內(nèi)的數(shù)字為系數(shù)估計(jì)值的T統(tǒng)計(jì)量，其中*表示變量關(guān)系的顯著性水平為10%；**表示變量關(guān)系的顯著性水平為5%；***表示變量關(guān)系水平為1%。

（六）穩(wěn)健性檢驗(yàn)

為了確保研究結(jié)果的穩(wěn)健性，本文將主要變量進(jìn)行如下替換：用五類分類貸款占貸款總額的比例進(jìn)行衡量不良貸款份額，新選定變量衡量指標(biāo)帶入模型中進(jìn)行再次回歸，回歸結(jié)果見(jiàn)表4。更換衡量指標(biāo)后得到回歸結(jié)果，商業(yè)銀行自身互聯(lián)網(wǎng)化程度、信貸余額及國(guó)內(nèi)生產(chǎn)總值與不良貸款份額呈負(fù)相關(guān)，成本收入比及杠桿率水平與不良貸款份額呈正相關(guān)，所得結(jié)論與本文研究結(jié)論基本一致，這說(shuō)明本文的研究結(jié)論是可靠穩(wěn)健的。

表4 穩(wěn)健性檢驗(yàn)結(jié)果

注：估計(jì)系數(shù)下方括號(hào)內(nèi)的數(shù)字為系數(shù)估計(jì)值的T統(tǒng)計(jì)量，其中*表示變量關(guān)系的顯著性水平為10%；**表示變量關(guān)系的顯著性水平為5%；***表示變量關(guān)系水平為1%。

五、結(jié)論及建議

本文運(yùn)用多元回歸方法對(duì)商業(yè)銀行不良貸款率的影響因素進(jìn)行研究，由回歸結(jié)果得到以下結(jié)論：第一，商業(yè)銀行自身互聯(lián)網(wǎng)化程度、信貸余額及國(guó)內(nèi)生產(chǎn)總值對(duì)于不良貸款率的影響呈現(xiàn)顯著負(fù)相關(guān)；第二，成本收入比及杠桿率水平對(duì)于不良貸款率的影響呈現(xiàn)顯著正相關(guān)。

根據(jù)研究得到的上述結(jié)論，提出如下建議：第一，面對(duì)“互聯(lián)網(wǎng)+”模式的快速發(fā)展，商業(yè)銀行應(yīng)當(dāng)積極發(fā)展數(shù)字技術(shù)，將數(shù)字技術(shù)與商業(yè)銀行業(yè)務(wù)相結(jié)合，牢固銀行風(fēng)險(xiǎn)系統(tǒng)，完善征信體制，拓寬網(wǎng)上銀行業(yè)務(wù)，創(chuàng)新金融產(chǎn)品，從而跟上現(xiàn)代互聯(lián)網(wǎng)化的快速發(fā)展。第二，有效控制商業(yè)銀行經(jīng)營(yíng)成本，擴(kuò)大商業(yè)銀行借貸規(guī)模，大力發(fā)展中間業(yè)務(wù)。業(yè)務(wù)人員應(yīng)當(dāng)積極拓展相關(guān)業(yè)務(wù)以便有效降低不良貸款概率。第三，引導(dǎo)適度杠桿率水平。過(guò)低的杠桿率將使得商業(yè)銀行利潤(rùn)下降，盈利水平降低。間接降低其放款意愿，也使得企業(yè)融資途徑變窄，信貸風(fēng)險(xiǎn)增大。而過(guò)高的杠桿率將增加融資企業(yè)的經(jīng)營(yíng)成本，使得企業(yè)負(fù)債累累，難以維系生產(chǎn)，最終導(dǎo)致企業(yè)破產(chǎn)，增加不良貸款率發(fā)生概率。因此，商業(yè)銀行應(yīng)當(dāng)制定適度的杠桿率，在保證利潤(rùn)的前提下降低企業(yè)融資成本，實(shí)現(xiàn)共贏局面。

[1]崔傅成，陶浩.經(jīng)濟(jì)新常態(tài)下我國(guó)商業(yè)銀行不良貸款的成因及對(duì)策[J].經(jīng)濟(jì)體制改革，2018（4）：139-145.

[2]高藝.我國(guó)經(jīng)濟(jì)波動(dòng)與銀行業(yè)不良貸款動(dòng)態(tài)關(guān)系研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué).2018.

[3]金欣雪.經(jīng)濟(jì)新常態(tài)下商業(yè)銀行不良貸款的實(shí)證分析[J].西昌學(xué)院學(xué)報(bào)，2018（6）：78-80.

[4]孫明哲，趙領(lǐng)娣.我國(guó)商業(yè)銀行不良貸款的影響因素分析[J].經(jīng)濟(jì)研究導(dǎo)刊，2020（5）：127-133.

[5]謝艷琳.國(guó)內(nèi)旅游收入主要影響因素的實(shí)證分析——基于多元線性回歸模型[J].北京印刷學(xué)院學(xué)報(bào)，2020（1）：64-66.

[6]姜闖，蔣靜逸.政治地理、銀行不良貸款對(duì)企業(yè)額杠桿率的影響[J].金融觀察，2018（8）：109-114.

[7]張赫，耿宏艷.我國(guó)商業(yè)銀行不良貸款影響因素的實(shí)證分析[J].經(jīng)濟(jì)視角，2016（6）：57-67.

[8]王婷，朱家明.基于多遠(yuǎn)線性回歸分析的商業(yè)銀行盈利能力影響因素研究[J].高師理科學(xué)刊，2018（8）：15-18.

Study on the Factors Influencing Non-Performing Loans of Commercial Banks under the Economic New Normal: Based on the Multiple Linear Regression Model

XIA Jia-jia

China is now in the phase of “3-period overlapping”, with certain effect in the financial de-leveraging under the new economic normal. However, the non-performing loan rate of commercial banks has been on the rise since 2015. The results of the empirical study show that the internetization of commercial banks, credit balance and GDP have negative influence on non-performing loan rate, while the cost-income ratio and level of leverage have positive influence on the non-performing loan rate. Therefore, it is suggested that commercial banks should vigorously develop digital technology, expand credit scale, reduce costs via technological advantages, set a moderate leverage level, thus effectively reduce non-performing loan rate to improve the quality of commercial banks' assets.

non-performing loan rate; multiple linear regression; internetization; leverage; commercial bank

2020-03-22

安徽商貿(mào)職業(yè)技術(shù)學(xué)院科研項(xiàng)目（2019ZDF18）

夏佳佳（1986－），女，安徽蕪湖人，安徽商貿(mào)職業(yè)技術(shù)學(xué)院財(cái)務(wù)金融系助教，碩士。

10.13685/j.cnki.abc. 000483

F830.33

A

1671-9255（2020）02-0040-04