貸款集中度對我國商業(yè)銀行信用風(fēng)險(xiǎn)的影響

余慧倫 華南理工大學(xué)經(jīng)濟(jì)與金融學(xué)院

當(dāng)前背景下，金融市場與實(shí)體經(jīng)濟(jì)密切交織，金融體系的穩(wěn)定與否直接關(guān)系到經(jīng)濟(jì)發(fā)展、工人就業(yè)以及人民生活等方方面面。而在我國，商業(yè)銀行在金融市場中仍處于主體地位，在金融體系中扮演著十分重要的角色，因此商業(yè)銀行的風(fēng)險(xiǎn)問題尤為需要關(guān)注。

今年新冠疫情之下，全球一度停工停產(chǎn)，生產(chǎn)消費(fèi)停滯，實(shí)體經(jīng)濟(jì)受挫，在此背景下，實(shí)體企業(yè)貸款可能爆發(fā)大規(guī)模違約，于是商業(yè)銀行面臨的信用風(fēng)險(xiǎn)成為備受關(guān)注的問題。信用風(fēng)險(xiǎn)是銀行自誕生起就面臨的最大風(fēng)險(xiǎn)。2011 年以來，我國商業(yè)銀行不良貸款率一路上行，增長翻番，商業(yè)銀行面臨的信用風(fēng)險(xiǎn)正嚴(yán)重加劇。而銀行習(xí)慣性“壘大戶”的做法往往使其出現(xiàn)大額風(fēng)險(xiǎn)暴露，最終可能加劇銀行面臨的信用風(fēng)險(xiǎn)。本文擬針對貸款集中度對我國商業(yè)銀行信用風(fēng)險(xiǎn)的影響進(jìn)行探究，以期為銀行信用風(fēng)險(xiǎn)管理提供建議。

一、文獻(xiàn)綜述和研究假設(shè)

關(guān)于貸款集中度對銀行信用風(fēng)險(xiǎn)的影響，學(xué)術(shù)界大多認(rèn)為貸款集中度的提高會通過強(qiáng)化風(fēng)險(xiǎn)聚集，進(jìn)而加大銀行面臨的信用風(fēng)險(xiǎn)。美國經(jīng)濟(jì)學(xué)家馬克維茨（Markowitz）1952 年提出的投資組合理論中，強(qiáng)調(diào)了分散投資的重要性。發(fā)放貸款是商業(yè)銀行的一種投資行為，集中的貸款投放與集中的投資組合一樣，不利于消解個(gè)體風(fēng)險(xiǎn)。在貸款集中的情況下，一旦重要客戶因經(jīng)營不善出現(xiàn)清償困難，銀行的不良貸款就會顯著增多，此時(shí)相對貸款分散的情形，貸款集中會讓銀行面臨更加難以承受的信用風(fēng)險(xiǎn)。巴曙松等（2010[1]）認(rèn)為銀行在授信時(shí)存在“壘大戶”現(xiàn)象，一旦出現(xiàn)經(jīng)濟(jì)下滑，大型企業(yè)的財(cái)務(wù)困境會對未分散風(fēng)險(xiǎn)的銀行造成巨大沖擊。周春喜等（2018[2]）基于我國城市商業(yè)銀行的數(shù)據(jù)，研究發(fā)現(xiàn)貸款集中度對資產(chǎn)質(zhì)量具有負(fù)面影響，其中客戶集中度的影響比較顯著。

此外，也有學(xué)者持相反觀點(diǎn)，認(rèn)為貸款集中度的提高會帶來專業(yè)化效益，從而減小銀行面臨的信用風(fēng)險(xiǎn)。針對貸款集中帶來的專家效應(yīng)和信息優(yōu)勢，Berger 等（2017[3]）進(jìn)行了精準(zhǔn)深入的探究。其基于風(fēng)險(xiǎn)管理協(xié)會（RMA）提供的銀行級別數(shù)據(jù)集，檢驗(yàn)銀行的貸款集中度與其索要的財(cái)務(wù)信息之間的關(guān)系，發(fā)現(xiàn)貸款集中度較高的銀行，收集經(jīng)審計(jì)的借款人財(cái)務(wù)報(bào)表的傾向較小，這意味著銀行貸款集中度與銀行專業(yè)知識緊密相關(guān)，這種專業(yè)知識替代了高質(zhì)量的信息，如經(jīng)審計(jì)的財(cái)務(wù)報(bào)表。Winton（1999[4]）發(fā)現(xiàn)，貸款集中度與不良貸款之間呈負(fù)相關(guān)關(guān)系，其內(nèi)在機(jī)制在于貸款集中化可以有效增強(qiáng)銀行的信息獲取能力，提高銀行的專業(yè)化水平和信貸管理能力，從而優(yōu)化貸款質(zhì)量?；谝陨戏治觯槍J款集中度與商業(yè)銀行信用風(fēng)險(xiǎn)的關(guān)系，本文提出如下對立假設(shè)：

假設(shè)1a：貸款集中度的提高會提升不良貸款率，增大商業(yè)銀行面臨的信用風(fēng)險(xiǎn)。

假設(shè)1b：貸款集中度的提高會降低不良貸款率，減小商業(yè)銀行面臨的信用風(fēng)險(xiǎn)。

二、模型構(gòu)建和實(shí)證分析

本文研究的主題是貸款集中度對我國商業(yè)銀行信用風(fēng)險(xiǎn)的影響。被解釋變量是反映銀行信用風(fēng)險(xiǎn)的不良貸款率，核心解釋變量是反映銀行貸款集中度的單一最大客戶貸款比率和最大十家客戶貸款比率。此外，本文還控制了時(shí)間效應(yīng)，并加入了銀行個(gè)體層面的一些控制變量。本文銀行個(gè)體層面控制變量選取的是反映商業(yè)銀行個(gè)體規(guī)模的總資產(chǎn)，反映商業(yè)銀行風(fēng)險(xiǎn)抵御及償債能力的資本充足率，反映商業(yè)銀行流動(dòng)性風(fēng)險(xiǎn)水平的貸存比，反映商業(yè)銀行周轉(zhuǎn)和營運(yùn)情況的資產(chǎn)周轉(zhuǎn)率，反映商業(yè)銀行凈利息收入水平的凈利差，反映商業(yè)銀行股東投資收益情況的ROE。其中，當(dāng)期的凈利差和ROE 在不同維度上反映了商業(yè)銀行當(dāng)期的盈利能力，而當(dāng)期的不良貸款率通常會比較直接地影響到商業(yè)銀行當(dāng)期的收益，因此為規(guī)避反向因果導(dǎo)致的模型內(nèi)生性問題，對于這兩個(gè)變量，本文選用滯后一期的形式加入模型。本文構(gòu)建了如下所示的控制了時(shí)間效應(yīng)的固定效應(yīng)面板數(shù)據(jù)模型：

其中，NPLit代表的是銀行i 在t 期的不良貸款率，LCit代表的是銀行i 在t 期的貸款集中度，Xit代表的是控制變量向量集，ai代表的是銀行虛擬變量向量集，ut代表的是時(shí)間虛擬變量向量集。本文研究的樣本區(qū)間是2007-2018 年。變量選取和相關(guān)說明如表1 所示。

本文的貸款集中度數(shù)據(jù)是Wind 數(shù)據(jù)庫和國泰安數(shù)據(jù)庫中相關(guān)數(shù)據(jù)互補(bǔ)得到的結(jié)果，不良貸款率數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，銀行個(gè)體層面控制變量數(shù)據(jù)來源于國泰安數(shù)據(jù)庫、Wind 數(shù)據(jù)庫和BankScope 數(shù)據(jù)庫。

表2 展示的是單一最大客戶貸款比率對不良貸款率的影響，表3 展示的是最大十家客戶貸款比率對不良貸款率的影響。從中可看到，逐步加入控制變量之后，貸款集中度對不良貸款率的影響始終顯著為正，于是假設(shè)1a 得到了驗(yàn)證。貸款集中度的提高確實(shí)會顯著增大商業(yè)銀行面臨的信用風(fēng)險(xiǎn)，商業(yè)銀行不應(yīng)采取“壘大戶”的做法，在貸款客戶投向維度，應(yīng)盡量分散化放貸。

由上文可知貸款集中度的提高會提升不良貸款率，下面對這一影響進(jìn)行不同銀行類別的異質(zhì)性分析，方法是加入銀行類別變量以及客戶集中度和銀行類別變量的交乘項(xiàng)。同時(shí)，為保留不同類別間的個(gè)體特征差異，采用了控制時(shí)間效應(yīng)的面板數(shù)據(jù)混合OLS模型。除了控制時(shí)間效應(yīng)之外，還控制了基礎(chǔ)回歸模型中所控制的銀行個(gè)體層面變量。本文將我國商業(yè)銀行劃分為大型銀行、中小型銀行和外資銀行。其中，大型銀行包括國有行和股份行這兩類全國性大型銀行，中小型銀行包括城商行和農(nóng)商行這兩類區(qū)域性中小型銀行。從表4 中模型（3）可看出，外資行的不良貸款率相對較低。從模型（1）、模型（2）可看出，相對于其他銀行，大型銀行的單一最大客戶貸款比率對不良貸款率的影響更小，而中小型銀行的單一最大客戶貸款比率對不良貸款率的影響更大，因此中小型銀行更應(yīng)警惕由于客戶集中度過高而帶來的信用風(fēng)險(xiǎn)。以上結(jié)論對于以最大十家客戶貸款比率代表的客戶集中度而言，盡管顯著程度不高，但仍然適用。

表1 變量選取與說明

表2 單一最大客戶貸款比率對NPL 的影響

表3 最大十家客戶貸款比率對NPL 的影響

探究完貸款客戶集中度對不良貸款率影響的銀行間異質(zhì)性后，本文接著探究這一影響是否存在門限效應(yīng)，即當(dāng)某一變量突破某一閾值之后，這一影響是否將發(fā)生結(jié)構(gòu)性突變。本文利用Stata 的xthreg 命令來檢驗(yàn)門限效應(yīng)是否存在。xthreg 命令要求所使用的數(shù)據(jù)為平衡面板數(shù)據(jù)，本文對年度數(shù)和截面樣本數(shù)進(jìn)行綜合考慮后，決定選用2009-2018 年期間各變量數(shù)據(jù)完整的樣本進(jìn)行門限回歸。同時(shí)為使樣本量盡可能大，門限模型的控制變量中不加入L.凈利差和L.ROE。從表5 門限值檢驗(yàn)中看到，單一最大客戶貸款比率門限模型的門限效應(yīng)不顯著，因此下文僅對最大十家客戶貸款比率門限模型進(jìn)行門限回歸，結(jié)果如表6 所示。從表6 中看到，當(dāng)最大十家客戶貸款比率超過門限值41.42%時(shí)，其對不良貸款率將產(chǎn)生顯著的正向影響，而低于這一門限值時(shí)該影響不顯著。因此，商業(yè)銀行和監(jiān)管當(dāng)局應(yīng)警惕41.42%這一臨界值，當(dāng)最大十家客戶貸款比率超過這一臨界值時(shí)，需要適當(dāng)加以干預(yù)，分散對客戶的貸款，以減少聚集性違約風(fēng)險(xiǎn)的發(fā)生。另外還可看到，考慮門限效應(yīng)后，模型的擬合優(yōu)度大大提升，從表3 模型（3）的0.224 大幅提升至表6 的0.632。

最后，本文對主要模型進(jìn)行穩(wěn)健性檢驗(yàn)。穩(wěn)健性檢驗(yàn)方法之一是采用替換被解釋變量的方法，用同樣象征商業(yè)銀行信用風(fēng)險(xiǎn)的“撥備覆蓋率”替換原先的“不良貸款率”進(jìn)行探究；穩(wěn)健性檢驗(yàn)方法之二是采用替換某一控制變量的方法，用象征銀行杠桿倍數(shù)和償債能力的“權(quán)益乘數(shù)”代替象征銀行風(fēng)險(xiǎn)抵御和償債能力的“資本充足率”進(jìn)行探究。經(jīng)過上述檢驗(yàn)，發(fā)現(xiàn)本文的主要結(jié)論“貸款集中度的提升會提高商業(yè)銀行信用風(fēng)險(xiǎn)”是非常穩(wěn)健的。同時(shí)，經(jīng)過豪斯曼內(nèi)生性檢驗(yàn)，發(fā)現(xiàn)本文的主要模型不存在內(nèi)生性問題。因此，本文的研究成果具備較高的可信度。

表4 貸款集中度對NPL 影響的異質(zhì)性分析

表5 門限值個(gè)數(shù)及其顯著性檢驗(yàn)

表6 最大十家客戶貸款比率對NPL 影響的門限效應(yīng)

三、結(jié)語

本文通過實(shí)證研究，發(fā)現(xiàn)貸款客戶集中度的提高會提升不良貸款率，加大商業(yè)銀行的信用風(fēng)險(xiǎn)。相對于其他銀行，大型銀行的客戶集中度對不良貸款率的影響更小，而中小型銀行的客戶集中度對不良貸款率的影響更大，因此中小型銀行更應(yīng)警惕由于客戶集中度過高而帶來的信用風(fēng)險(xiǎn)。另外，最大十家客戶貸款比率影響不良貸款率的模型存在顯著的門限效應(yīng)，當(dāng)最大十家客戶貸款比率未超過門限值41.42%時(shí)，其對不良貸款率不產(chǎn)生顯著影響，而當(dāng)最大十家客戶貸款比率超過門限值41.42%時(shí)，其對不良貸款率將產(chǎn)生顯著的正向影響。因此，建議監(jiān)管部門重點(diǎn)關(guān)注商業(yè)銀行最大十家客戶貸款比率是否超過41.42%，并對超過這一閾值的銀行加強(qiáng)監(jiān)管，以防范其出現(xiàn)嚴(yán)重的信用違約風(fēng)險(xiǎn)。

注釋

① 指銀行個(gè)體層面的總資產(chǎn)、資本充足率、貸存比、資產(chǎn)周轉(zhuǎn)率、L.凈利差、L.ROE 六個(gè)變量。