商业银行信用风险与商业地产行业周期关系的实证研究

王海涛

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

（1）H-P滤波

由于原始数据包含长期趋势项和短期隨机波动项，因此采用H-P滤波法，去除长期趋势项，对随机波动项进行量化，得到新的一组数据YN、X1N、X2N、X3N，并进行以下分析。

（2）单位根（ADF）检验

在对原数据建立VAR模型时使用非平稳序列进行OLS回归会造成虚假回归。为了保证回归结果的无偏性、有效性，我们利用ADF（Augmented Dickey-Fuller）单位根检验对样本数据的时间序列特征的平稳性进行检验，结果见表1。

ADF检验结果显示，YN，X1N和X3N序列在水平值检验未拒绝原假设（原假设：序列具有单位根，是不平稳的），而一阶差分后的X1N、X2N、X3N拒绝原假设，序列中含有一个单位根，是一阶单整I（1），这说明变量之间可能存在协整关系。

（3）Johansen协整检验

Johansen协整检验是基于VAR模型的检验回归系数特征的方法，用于分析多个经济指标之间是否存在协整关系。协整检验是基于非平稳序列之上的，对各序列的ADF检验表明各变量都为I（1）序列，符合协整检验的条件。应用Johansen检验方法对YN，X1N，X2N，X3N指标之间的协整关系进行特征根迹检验（Trace检验）得到表2。

表2中的Trace Statistic即为特征根迹统计量，依次将特征根与5%显著性水平下的Johansen分布临界值进行比较。由于是右边假设检验，若η0>临界值，则拒绝原假设H00（不存在协整关系），表明各指标之间存在着协整关系；若η1>临界值，则拒绝原假设H01（至多存在1个协整关系），表明至少有1个协整向量，依次进行下去。

由表2可知，第一行TS=112.2431>47.8561，即在5%的显著水平下拒绝原假设，表明YN，X1N，X2N，X3N存在协整关系。第二行TS=55.38498>29.7971，即在5%的显著水平下拒绝原假设，说明该模型中不止存在1个协整向量；第三行14.50021<15.49471，接受了原假设，说明不良贷款率（Y）、全国商业地产开发投资额（X1）、全国商品房销售额（X2）和GDP增长率（X3）之间存在两个协整向量，具有长期均衡关系。接着进行Granger检验，检验变量之间存在的因果关系。

（4）Granger因果关系检验

Granger提出，若X是Y的原因，则X应有助于预测Y，即在Y与Y滞后变量的回归方程中，添加X的若干期滞后变量能够显著地提高Y预测的精度。Granger因果关系就是从预测角度定义的因果关系。Granger因果关系检验用于检验相关变量之间的依赖性。对于X1N、X2N、X3N是否是YN变动的格兰杰原因，进行格兰杰因果关系检验，结果见表3。

通过表3，可以得到如下结果：滞后阶数为3时，接受原假设，即X1N、X2N、X3N和YN均不是Granger原因；滞后阶数为1，2，4时，拒绝X1N、X2N、X3N不是YN的Granger原因，但都接受YN不是X1N、X2N、X3N的Granger原因，即X1N、X2N、X3N是YN单向格兰杰因果关系。由此可知，全国商业地产开发投资额、全国商品房销售额、GDP增速对不良贷款率冲击明显；不良贷款率对全国商业地产开发投资额、全国商品房销售额、GDP增速冲击不明显。

3.实证模型的建立

（1）建立实证模型

通过单位根检验、Johansen协整检验及Granger因果关系检验，探究了原时间序列数据的平稳性、各变量之间的协整关系和因果关系，符合VAR模型建立的假设，因此建立了无约束的商业银行信用风险与商业地产行业周期波动VAR模型。

则P阶的VAR模型，即VAR（P）为：

（3）式中，C表示4×1维常数向量；表示4×4维自回归系数矩阵；εt表示4×1维的向量白噪音。

（2）滞后阶数的确定

选择合适的滞后阶数对VAR模型的正确建立起着关键作用。滞后项过少，模型不能反映理想的动态运动特征；但滞后项过多，所估计的变量参数就越多，模型的自由度越小。因此滞后阶数应保证在一个合理的范围内。本文运用AIC（Akaike Information Criterion）和SC（Schwarz Criterion）信息准则来选择VAR模型的滞后阶数。

运行EVIEWS 6.0得到所建立的模型滞后阶数的判断结果见表4。

AIC和SC信息准则要求AIC和SC的值越小越好，故结合表4的结果，确定了最优滞后阶数为3阶，即p=3。接下来下文的分析均建立在VAR（3）模型的基础上。

（3）模型的稳定性检验

VAR模型稳定性的条件满足：

（4）式中，j定义的是Yt在第j期的自协方差矩阵。对于具体的VAR（p）模型，其平稳性条件是逆特征方程：

解出的特征根全部落在单位圆外，或者特征方程：

解出的特征根全部落在单位圆内。

运用EVIEWS6.0得到单位根分布图如图2所示。

由图2可以清晰地看出，VAR（3）模型的单位根全部落在单位圆内，模型是平稳的，可以进行脉冲响应和方差分解分析。

4.脉冲响应函数

在对VAR模型进行分析时，并不关注某个变量的变化对其他变量的影响，而是分析当随机误差项发生变动时，即模型受到某种程度的冲击时系统的动态变化。这种分析方法即脉冲响应函数方法（Impulse Response Function，IRF），它能够比较全面地反映各个变量之间的动态关系。

利用脉冲效应函数分析了商业地产行业的周期波动数据，即全国商业地产开发投资额（X1）、全国商品房销售额（X2）和GDP增长率（X3）对商业银行不良贷款率（Y）的变动影响。分别给X1、X2、X3一个正的冲击，运用广义脉冲方法得到了关于商业银行不良贷款率（Y）的脉冲响应图如图3所示。在图3中，实线表示商业银行不良贷款率（Y）的脉冲响应函数，反映了不良贷款率对商业地产行业周期波动的反应程度，虚线表示正负两倍标准差偏离带。

从图3可以看出，当在本期给全国商业地产开发投资额（X1）一个正冲击后，商业银行的不良贷款率在前10期先下降后上升，并在第10期达到最高點，此后一直稳定下降。这表明当全国商业地产开发投资额受到市场的正冲击后，会使商业银行的不良贷款率呈现显著的负向冲击并具有较长的持久性。当在本期给全国商品房销售额（X2）一个正冲击后，商业银行的不良贷款率在前9期呈逐渐上升的趋势，并在第9期达到最大，随后开始持续下降。但整体来看，全国商品房销售额在受到外部某一冲击后，会给不良贷款率带来正向冲击。当在本期给GDP增长率（X3）一个正冲击后，商业银行的不良贷款率在第3期达到最低点后，一直趋于幅度不大的上下波动，说明GDP增长率受到冲击对商业银行不良贷款率的影响较小，仅有微小的正向冲击。

同时得到了全国商业地产开发投资额（X1）、全国商品房销售额（X2）和GDP增长率（X3）对商业银行不良贷款率（Y）变动的综合影响函数如图4所示。

由图4可知，由于商业地产市场的繁荣程度与银行信贷的发展密切相关，影响商业地产行业周期波动的因子如全国商业地产开发投资额、全国商品房销售额一旦受到外部的冲击，就会引起商业银行信用水平一定程度的波动，且综合来看这种波动表现为正向的促进作用。

5.方差分解

方差分解（Variance Decomposition）是在脉冲响应的基础上，更进一步地分析每一个结构变动对内生变量变化的贡献程度（用方差来度量），从而评价不同因子对系统冲击的重要性。运用EVIEWS对商业银行的不良贷款率（Y）进行方差分析，得到表5。

通过表5可以发现，全国商业地产开发投资额和全国商品房销售额对商业银行的不良贷款率均有一定的影响。以全国商品房销售额（X2）来看，尽管前几期对不良贷款率的影响甚微，但从11期开始以较快的速度持续上升，到第15季影响最大。

四、结论与建议

本文基于我国商业地产周期行业波动和商业银行不良贷款率2010年-2016年的季度数据，在对原始时间序列进行了ADF单位根检验、Johansen协整检验和Granger因果关系检验后建立了3阶滞后期的VAR模型并对其平稳性、模型中各个因变量间的传递效应和贡献度进行了分析探究，最终得出商业地产行业中全国商业地产开发投资额和商品房销售额对我国商业银行的信用风险影响较大，相对而言，GDP增速对商业银行的不良贷款率贡献程度较小。

從相关关系上看，商业银行的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，综合而言，我国商业地产行业的周期波动对商业银行的信用水平存在着持久的正向冲击。从时间关系上看，不良贷款率与商业地产行业的主要宏观经济变量之间具有相对稳定的滞后期，一般不良贷款率的变化滞后于经济运行3到4期。

基于上述分析可以看出，银行信贷业务集中的商业地产行业对商业银行信用风险的水平有着一定的影响。商业地产市场的良性发展，有利于减少商业银行的不良贷款隐患，降低其信贷风险。随着政府关于商业地产新政的不断出台，促进商业地产行业健康合理发展成为政府当前的重要目标。本文就政府如何管理监控商业地产行业的发展、降低商业的不良贷款率提出了相关政策建议。

首先，在经济新常态下，商业地产市场出现了非理性繁荣。一线城市房价飙升，购房需求量激增，并开始向二三线城市蔓延。政府必须采取中性偏紧的政策来为楼市降温，如出台限购令，并对商品房许可证、投机性买房、购房资金来源等问题进行严格的限定，以抑制商业地产泡沫的产生，控制商业地产信贷风险的滋生和积聚。同时，商业银行要加强房产信贷管理，积极调整信贷范围。完善房贷的相关法律法规，并严格监管信贷的数量、质量。发放住房按揭贷款时应注意核实贷款人的资产情况和购房原因，以首套刚性需求住房为主，并将更多的信贷资源偏向一、二线房价坚挺的发达城市。

参考文献：

[1]刘研.我国商业银行不良贷款成因及相关因素分析[J].系统工程，2007，5：66-74.

[2]李麟.经济波动、不良贷款与银行业系统性风险[J].数理统计与管理，2007，26（1）：149-157.

[3]郭毅，马慧.从美国次贷危机看中国房地产金融法律的完善[J].高等函授学报（哲学社会科学版），2010，（04）：28-30.

[4]张碧英：银行不良贷款的博弈分析[J]统计与决策，2007，5：103-105.

[5]张琳.基于VAR模型的商业银行信用风险与经济周期关系的实证研究[J].时代金融，2014，（08）：130-131+140.

[6]白玉华，吴艳文.基于VAR模型的广西就业结构演进影响因素分析[J].现代管理科学，2014，（02）：90-92+101.

[7]董彦岭，朱兴婷，刘然.热钱流入对我国一、二线城市房价影响差异的实证分析[J].山东经济，2011，（04）：37-44.

[8]高铁梅，王金明，梁云芳.计量经济分析方法与建模.[M].北京：清华大学出版社，2009.5.

[9]刘璐，吴洪鹏.我国国际资本流动影响因素的实证分析：1982-2004[J].哈尔滨商业大学学报（社会科学版），2006，（06）：70-73.

[10]周跃辉，周定根.基于M_2/GDP视角的中国货币化进程问题研究[J].经济研究参考，2015，（41）：79-82+86.

[11]郭啟阳.物流业对区域经济增长的推动作用研究[D].西南大学，2013.

[12]吴文忠.房地产行业周期变化与银行不良贷款相关性增强，警惕房市调控对银行资产的冲击[J].赤子（上中旬），2016，（21）：136.