商业银行信用风险与商业地产行业周期关系的实证研究
———基于 VAR模型 王海涛 安徽财经大学金融学院
摘 要:商业地产市场的繁荣程度与商业银行信贷的发展密切相关。以不良贷款率(Y)作为信用风险指标,选取全国商业地产开发投资额(X1)和全国商品房销售额(X2)来反映商业地产行业周期性,选取 GDP增长率(X3)代表国民经济增长指标构建VAR 模型,并进行脉冲响应和方差分解探究各经济变量对信用风险水平的传递效应和贡献度。结果显示,不良贷款率受全国商业地产开发投资额的负向冲击,受全国商品房销售额较大的正向冲击,综合来看,不良贷款率受到二者的正向冲击,符合实际。
关键词:信用风险;商业地产行业周期;VAR;脉冲响应;方差分解
一、引言
近些年伴随着银行业的急剧膨胀、信贷行业的快速发展、金融改革和创新的推进,商业银行的信用风险(credit risk)逐渐暴露出来。信用风险是商业银行面临的各种风险中危害最大、处置最为棘手的一类。过高的信用风险不利于商业银行的稳健运营,也阻碍着我国金融体系的健康高效发展。
作为存贷款的媒介,商业银行受所贷款企业的周期性波动影响较大。商业地产行业的高利性、商行的逐利性决定了商业地产开发贷款及个人住房贷款是商业银行贷款的主要类型。2016年全年,主要金融机构的人民币商业地产开发贷款额迅猛增长,使得商业银行的信用风险不断积聚。
2008年金融危机之后,我国商业地产行业受商业银行信贷政策的变化,经历了一个由萎靡不振到欣欣向荣的波动周期。2012年时,被银行信贷催生出来的商业地产、矿产等行业次级贷款激增,楼市崩盘,景气度下跌。随后 2014 年央行全面放开限贷,商业地产行业开始复苏,到2016年底房贷增量已经达到5万亿,楼市一片繁荣景象。
因此,针对我国商业银行信用风险水平与商业地产行业周期关系进行分析研究,是防范系统性金融风险、促进国民经济又好又快发展的关键举措,也是经济新常态下商业银行加强风险管理调控、降低不良贷款率的必然要求。
本文选取了 2010 年到 2016年的季度数据,利用向量自回归模型(VAR)中的“正交”脉冲响应函数(IRF)分析经济变量对商业银行信用风险影响的传递效应;运用方差分解(VD)得出各经济变量对信用风险水平的贡献度,并为商业银行提供了防控信用风险的政策建议。
二、基本原理
VAR模型常用于分析和预测多个相关的经济指标,从而解释经济冲击对经济变量带来的影响。自 1980 年西姆斯(C.A.
Sims)提出了 VAR 模型的概念与基本原理后,VAR模型就广泛地运用于经济系统的动态分析中。
滞后阶数为P阶的VAR(p)模型的数学表达式为:
其中,yt 是 k 维内生变量列向量,xt是 d维外生变量列向量, k×k 维矩阵 和 k×d 维矩阵H是待估计的系数矩阵, εt 是 k维扰动列向量。由于VAR中的滞后期变量皆在等式右边,故模型不存在同期自相关的问题,用普通最小二乘法就能得出一致有效的估计量。
为了简化VAR模型,我们定义一个n×1的时间序列向量:
本文将用式(1)中不含外生变量的非限制性向量自回归模型来分析房地产行业周期波动对商业银行信用水平的传递效应与贡献度。
三、实证分析
1.样本数据选取由于商业银行的信用风险水平很大程度上取决于其不良贷款率的高低,且二者呈正相关变动,因此本文将商业银行不良贷款率指标(Y)作为商业银行信用风险的代理变量。从中国银监会网站选取了 2010 年第一季度到 2016年第四季度商业银行不良贷款率的样本数据。
在商业地产行业指标的选取时,考虑到应能够充分体现房地产行业经济周期变化的特征,最终确定了GDP、全国商业地产开发投资额、全国商品房销售额作为主要的经济变量,并搜集了自 2010 年至 2016年三个指标的季度数据,样本容量为28。
2.数据分析与处理