基于VEC模型对商业银行不良贷款率影响因素的计量分析

邢泽斌

【摘 要】基于2011-2018年我国商业银行相关季度数据，从宏观经济与商业银行微观运营两方面选择指标，通过建立向量误差修正模型对影响商业银行不良贷款率的相关因素进行计量分析。结果表明：商业银行不良贷款率与GDP增速、广义货币供应量增长率正相关，与商业银行存贷比、资本充足率负相关。存贷比为影响商业银行不良贷款率的主要因素。根据实证结果，为降低商业银行不良贷款率提出合理建议。

【关键词】不良贷款率；影响因素；VEC模型；脉冲响应

在商业银行经营过程中，不良贷款率是评价一家银行风险管理、盈利水平的重要监管指标。如果商业银行在经营过程中出现贷款风险，容易造成群众挤兑，进而发生金融危机，危害国民经济发展与社会安定，因此不良贷款的风险控制尤为重要。充分了解影响商业银行不良贷款率变化的相关因素，精确地执行防范和解决不良贷款的相关政策，对推动商业银行稳健发展具有相当价值的现实指导意义。

目前，国内外学者对商业银行不良贷款率的影响因素有所研究。在国外，Salas和Saurina（2002）[1]通过建立面板数据模型针对西班牙商业银行进行研究，发现国民经济增长是影响不良贷款率的重要因素。Allan Kearns（2004）[2]对爱尔兰商业银行进行压力测试，发现失业率对不良贷款率的冲击最大。Jimenez与Saurina（2005）[3]对西班牙商业银行实证分析，得出货币供应量的变化对不良贷款率起决定性作用。在国内，郭耀中（2012）[4]通过构建多元线性回归统计模型对中国商业银行不良贷款率下降的影响因素进行实证分析，结果表明宏观经济的健康运行、国有企业利润、金融体制改革都对商业银行不良贷款率的下降有正向促进作用。黄琦等（2013）[5]采用县域的面板数据，建立计量经济模型，发现县域商业银行经营状况的改善对降低不良贷款率有重大作用。由于在研究中较少考虑滞后影响，因此本文基于上述研究成果，建立向量自回归修正模型，结合实际对商业银行不良贷款率影响因素的滞后影响进行计量分析，以期发现商业银行经营过程中存在的问题并加以解决。

一、指标选取与相关性分析

（一）指标选取

本文将我国商业银行不良贷款率Y（%）作为被解释变量。影响商业银行不良贷款率的解释变量从宏观经济与商业银行微观运营两方面选取。

在宏观经济方面，GDP增长率可以反映一个国家或地区宏观经济发展的周期变化以及增长速度，是评价国民经济运行是否稳定、健康的重要指标之一；央行主要通过改变广义货币供应量来实施其货币政策，以调节经济的健康运行，因此选择GDP当期增长率（%）、广义货币供应量M2的当期增长率（%）作为衡量中国宏观经济发展程度的指标，记作X1、X2。

在商业银行微观运营方面，选取商业银行拨备覆盖率X3（%）、存贷比X4（%）、资产利润率X5（%）、成本收入比X6（%）、资本充足率X7（%）作为商业银行经营绩效指标，通过这些指标可以大体看出商业银行在经营过程中的相关情况。

本文数据来源中经网统计数据库，样本区间为2011年至2018年的所有季度数据，共32组数据。

（二）相关性分析

利用SPSS软件对这些数据进行Person相关性分析，以确定影响我国商业银行不良贷款率的关键指标。Person相关性分析结果见表1。

由表1可知，X1、X2、X4、X7是影响商业银行不良贷款率的高度相关指标。因此保留这4个相关性强的指标，剔除其余指标，以提高模型的拟合精度。

由于本文选取指标数据为季度数据，直接使用建立模型可能会与实际情况发生较大偏离。为消除季节对不良贷款率的影响，特别利用Census X12季节调整方法对数据进行调整，处理后的时间序列分别记为YSA、X1SA、X2SA、X4SA、X7SA。

二、实证分析

（一）ADF平稳性检验

为防止出现“伪回归”现象，首先利用ADF单位根检验法对变量数据进行检验，若ADF检验值大于5%临界值，表示序列不平稳；反之则表示序列平稳。Eviews检验结果见表2。

由表2可知，原序列不平稳。经过一阶差分后的△YSA、△X1SA、△X2SA、△X4SA、△X7SA序列平稳。这表明原始序列均是一阶单整序列。

（二）最优滞后期定阶

基于SC与AIC准则测定模型的最优滞后期，即SC、AIC在各滞后检验中的数值最小。检验结果见表3。由表可知，VAR模型最优滞后期为3。

（三）向量误差修正模型的建立

由于商业银行不良贷款率与各影响因素之间存在着长期均衡关系，因此在研究各变量之间短期波动变化关系的基础上，通过构造误差修正项来对商业银行不良贷款率影响因素的长期波动进行分析。利用Eviews软件在VAR模型的基础上增加协整约束，得到VEC模型。結果如下：

△YSA=0.079996ECMt-1-0.00104ECM2t-1+0.0011ECM3t-1+

0.019699△X1SA（-1）+0.045365△X1SA（-2）-0.008△X2SA（-1）-

0.00223△X2SA（-2）-0.00992△X4SA（-1）-0.01492△X4SA（-2）+

0.048147△X7SA（-1）+0.078692△X7SA（-2）+0.166272△YSA（-1）+

0.518585△YSA（-2）+0.020962 （2）

其中，

ECMt-1=X1SA（-1）+0.114967+1.037684YSA（-1）-10.10974 （3）

ECM2t-1=X2SA（-1）+3.040140X7SA（-1）+4.946145YSA（-1）-55.75458 （4）

ECM3t-1=X4SA（-1）-7.176093X7SA（-1）+1.089977YSA（-1）+23.15260 （5）

上述方程的可决系数R2=0.965278，F=32.07736，十分显著，表明建立的模型较为合理、稳定。

（四）脉冲响应函数分析

利用脉冲响应函数分析商业银行不良贷款率与各影响因素之间的动态变化关系，结果见图2。

如图2所示，当期一单位GDP增速对商业银行不良贷款率的冲击表现为正向效应。从第1期冲击响应程度开始增强，并在第8期达到最大值后趋于平稳。其主要原因可能在于国民经济发展呈现良好态势的同时，企业团体、公众个人对商业贷款的需求量增加，但是由于投资者未能准确判断未来经济形势，当经济出现波动时，则会引起投资者还款能力减弱，使得商业银行不良贷款率提高。

当前一单位广义货币供应量增速对不良贷款率的冲击综合表现为正效应，但在第二期出现了减小的趋势，之后又逐渐变大并趋于稳定。造成该现象的原因可能是国家在实行宽松的货币政策时，短期内使得投资者的资金周转能力增强，偿还贷款能力有所上升，这可以促使不良贷款率的下降。

当期一单位存贷比对商业银行不良贷款率的冲击效应为负，这种现象符合实际情况。

当期一单位资本充足率对商业银行不良贷款率的冲击效应表现为起初是负向影响，接着转变为正向影响，最终转变为负向影响并趋于平稳。

（五）方差分解

方差分解是分析目标变量发生变化时，由哪些因素决定的方法。方差分解结果详表6。

由表6可知，滞后10期时，X4SA对YSA预测方差的贡献率为62.67%，其自身贡献度为30.74%，X1SA对其贡献率为3.99%，X2SA对其贡献率为2.38%，X7SA对其影响仅有0.22%。该现象说明存贷比是决定商业银行不良贷款率变动的关键因素。

三、结论与建议

本文通过建立向量误差修正模型对中国商业银行不良贷款率的影响因素进行探究，得到结论：宽松货币政策在短期内可以对不良贷款率有所抑制，但是长期来看，不良贷款率仍然会反弹。合理控制存贷比可以有效抑制不良贷款率。资本充足率对不良贷款率的冲击可能在短期表现为促进作用，但长期来看依然可以抑制不良贷款率的上升。

基于上述结论，为降低商业银行的不良贷款率，提出以下建议：第一，政府相关部门应该迅速推动国民经济发展，采取宽松货币政策。当国民经济迅速增长时，企业团体生产经营状况改善，还款能力增强，从而有效地抑制不良贷款率的上升。因此政府需要积极提高经济增长率，优化宏观经济环境，对在经济新常态背景下不良贷款率的下降有着重要意义。第二，商业银行应合理配置存贷规模，适当控制资本充足率。商业银行对经济形势的主观臆测失误往往会导致信用风险的发生，因此商业银行需要建立健全风险管理机制，通过客观地定量分析经济指标，从而确定合适的存贷规模以提高商业银行的信贷质量。

【参考文献】

[1] Salas V， Saurina J. Credit Risk in Two Institutional Regimes： Spanish Commercial and Savings Banks [J]. Journal of Financial Services Research， 2002，22（3）：203-224.

[2]Kearns A. Loan losses and the macroeconomy： A frame work for stress testing credit institutions' financial well-being[J].Financial Stability Report，2004：111-121.

[3]Jimenez G， Saurina J.Credit Cycles， Credit risk， and prudential regulation[R].Banco de Espana Working Paper， No.0531， 2005.9-11.

[4]郭耀中.商業银行不良贷款率下降影响因素研究[J].山西财经大学学报，2012，34（S1）：62-63.

[5]黄琦，陶建平，田杰.县域金融信贷风险的影响因素——基于全国2069个县（市）的样本分析[J].金融论坛，2013，18（10）：9-15+57.