商业银行不良贷款发生概率及影响因素：长三角地区的调查，本文主要内容关键词为：商业银行论文,概率论文,不良贷款论文,长三角地区论文,因素论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、长三角地区某商业银行省级分行近年来信贷投放情况简析
在近年来一系列宏观调控政策措施出台后，某商业银行省级分行的信贷投放出现较为明显的变化。
第一，信贷总量稳步增加，尤其个人贷款发展迅速，而各项政策出台后，对公贷款增速出现明显变化。
如图一所示，在2002年扩大内需、减息和强化贷款营销观念等多方面因素影响下，总体上2003年对公业务及个人贷款业务均稳定增长。在2003年9月21日央行提高存款准备金率之后，对公贷款增速有所放缓。而2004年1月1日扩大贷款利率浮动区间后，对公贷款增长明显加速并在3月末达到一个顶峰。2003年4、5月份开展固定资产投资项目清理以来，对公贷款明显下降，贷款总量的增长主要依靠个人贷款。与2003年初相比，2005年3月末对公贷款占比明显下降，而个人贷款占比显著上升。
第二，2003年以来对公贷款行业集中度有进一步加剧的趋势。
图二是利用赫芬达尔-赫希曼指数①计算该行贷款行业集中度随时间变化的情况，总体呈上升趋势。这主要是由于2004年4、5月份以来，虽然对公贷款增势明显趋缓，甚至一度出现负增长，但贷款占比较高的几个行业(比如制造业、交通运输邮政业、房地产业)的贷款合计占比却继续上升，而其他行业贷款占比却下降。此外，2003年底和2004年底这一指数出现波动有可能是由于年末贷款冲高，从而贷款行业分布出现变化。
就样本数据中不同行业的贷款投放额来看，占比最高的制造业贷款增势趋劲(见图三)，而房地产业基本上变化不大，这与其期限较长有一定关系，交通运输邮政业与批发零售行业总体上一增一降，而租赁和商务服务业的贷款在2003年底出现快速增长，主要是由于一个规模较大的企业增加贷款。
第三，2003年和2004年样本中所有企业年贷款额分布情况显示，少数的企业获取了绝大部分的贷款资源。由于2003年和2004年贷款分布特征基本一致，因此用2004年的贷款分布图为例来说明。
具体特点包括：一是多数企业年贷款额集中在数额相对较小的贷款，且这一类企业数量占比高、贷款总额占比低(见图四)；另外少数企业年贷款额较高，且这一类企业数量占比低、贷款总额占比高。二是企业年贷款额分布中有一个较为明显的大小额贷款分界点，约在1.4亿～1.5亿元。两年中均没有企业其年贷款在这一区间段的，且这一区段间两边的企业贷款呈对称性分布。实际上在数据处理中由于2004年有7家企业的贷款超过了4亿元，其中贷款额最大的一家企业超过了54亿元，而绝大多数的贷款是低于4亿元，因此把低于4亿元的贷款企业(即图四圈中的部分放大)重新进行贷款分布，则较为明显地发现1.4亿～1.5亿元这一临界点。(见图五)。三是如果以1.4亿～1.5亿元为分界点，2003年和2004年高于这一贷款额的企业数量占比分别为10.65％、12.56％，而贷款额占比为84.93％、72.96％。
第四，从新投放贷款企业的规模分布情况来看，中小企业贷款累计发放金额明显增加，其占比也有所增加(见图六)。
样本数据中贷款统计显示，贷款投放的季节性影响因素仍旧较为明显。一般在一年中投放的第一个高峰是第二季度，第二个则是年末。就发放贷款企业的规模来看，特大型客户相对较少，偶然性因素明显；而中小企业自2004年以来的贷款总量及占比均明显增加。
第五，从贷款方式来看，不同规模的企业存在一定的差异。
总体上是企业规模越大，信用贷款和保证贷款占比相对越高(见图七)；而企业规模越小，抵押贷款占比则越高；中等规模企业则主要使用保证贷款和抵押贷款形式。
第六，依照银行对企业的信用评级，不同规模企业的信用等级分布各具特点。
一般规模较大的企业信用等级较高，小企业则相反，而且小企业中的新创企业较多(见图八)。由于新创企业一般经营状况不稳定，难以对其评级，这也就一定程度上影响到银行对其放贷。
第七，不同信用等级、企业性质及贷款性质的贷款不良率存在一定的差异。
基本上企业信用等级越高，不良贷款比例越低(见图九)。按企业性质看，股份有限公司不良贷款比例最低，其次是三资企业，国有企业与其他企业不良贷款比例较高(见图十)。就贷款方式看，不良贷款比例最低的是信用贷款(见图十一)，其次是保证贷款和抵押贷款，而质押贷款虽然成为不良贷款的笔数较少，但由于样本数据中质押贷款总数较少，因而不良贷款率较高。
二、建立不良贷款发生概率的模型
通过上述分析虽然能够看出不同类型企业、不同方式贷款的不良率情况，但实际上贷款的不良率是受多项因素交叉影响的结果。为了更加详细地识别和衡量各因素对不良贷款发生地的单独的影响，可以利用SAS分析数据并建立不良贷款发生概率的模型。
(一)选取相关指标
为较为全面地把握有可能影响不良贷款发生的因素，选出了三个层次的指标。第一层次是经济政策类的相关指标，其中主要是反映货币政策[1]变化的指标。包括人民币基准利率、超额准备金利率、人民币和外币法定存款准备金率。第二层次是反映经济发展总体情况、行业情况等的指标，包括GDP同比增长率[2]、居民消费价格指数、原材料燃料动力购进价格指数、工业品出厂价格指数、行业景气指数。第三层次是企业及其贷款指标[3]，包括企业信用等级②、企业性质、实收资本、贷款金额、贷款方式、币种、期限及贷款已发放日期、贷款企业所属行业的贷款占比。
在前面的分析中可以发现，年贷款额超过1.5亿元的企业数量少，但是贷款合计占比高，而且这一分界点并不是企业规模的分界点。鉴于目前银行业机构信贷资源集中于大额客户的现状，为了缓和比较大额贷款客户和小额贷款客户对于银行贷款风险的影响程度，以1.5亿元为界给贷款企业加上一个大额贷款或小额贷款的指标。
(二)建立数学模型
利用SAS随机抽取样本中70％的数据为训练数据，分析上述一系列指标对发生不良贷款的影响程度，目标是建立不良贷款发生概率的模型，以识别和衡量各种指标对不良贷款发生概率的解释能力。在建立模型时，“是否成为不良贷款”作为因变量是二分变量(数据处理中设不良贷款为1，正常的贷款为0)，而自变量是X[,i]，X[,i]代表对于每一笔贷款第i个指标的数值。利用SAS处理训练数据中每一笔贷款的数据，采用Logistic回归模型估算不良贷款发生的概率。则不良贷款发生的概率为：
Prob(发生不良贷款)=
数据处理后，所建模型显示了各类指标对于不良贷款发生概率的解释能力高低③(见图十二)及作用的方向(见表1)。其中，图十二中的横坐标是各个不同的指标，纵坐标是各指标对发生不良贷款概率解释能力的量化值。表1中把各指标对于发生不良贷款概率的影响作用分为同向和逆向，同向是指如果该指标取值为真或这一指标数值越高，则发生不良贷款的概率越高；逆向则相反。此外，图十二和表1中对其他解释能力相对微弱的指标不再说明。
模型的结果显示：
1．企业信用等级对于发生不良贷款概率的解释能力最强，并且是企业信用状况越好，企业的贷款成为不良贷款的可能性越低。
2.期限短的贷款比中长期贷款成为不良贷款的可能性要高。此外，贷款已发放时间越长，成为不良贷款的可能性越高。
3.企业实收资本越大，该企业的贷款成为不良贷款的概率越低。而大额贷款企业相比小额贷款企业发生不良贷款的概率要低。
4.就贷款方式来看，发生不良贷款的概率从高到低排序为信用贷款、质押贷款、保证贷款、抵押贷款。
5.就企业类型来看，发生不良贷款的概率从高到低排序依次为股份有限公司、三资企业、其他类企业、国有企业。
6.就经济发展指标来看，放款时GDP增长率越高、行业景气指数越低、CPI越低、原材料燃料动力价格指数越高、出厂价格指数越低，贷款成为不良贷款的概率越高。
7.就货币政策指标来看，基准利率和超额存款利率相对较低时，不良贷款发生的概率会较高。
(三)模型的检验
为检验模型的有效性，按照模型中各指标的系数计算样本中其余30％贷款中每一笔贷款成为不良贷款的概率，结果发现抽取发生不良贷款概率最高的前10％的贷款，就能把全部贷款中60％的不良贷款找出(见图十三)；而抽取20％时，就能把95％的不良贷款找出；抽取30％时，就能把97％的不良贷款找出；抽取40%时，就几乎能把全部不良贷款找出。显然这一模型与事实具有较高的拟合度。
(四)分类数据建模
在上述对发生不良贷款概率的影响因素中，由于“企业实收资本”和“贷款是否属于大额贷款”这两项因素排名均在前10位，为了更详细地了解大额贷款企业和小额贷款企业发生不良贷款概率的影响因素是否存在差异，再分别抽取两类贷款建立模型。
首先，无论企业规模大小、实收资本多少，将年贷款额超过1.5亿元的企业视为大额贷款企业，对其重新建立数学模型，看上述多个指标对其发生不良贷款概率的解释能力。
其次，对于小额贷款企业，为使所建模型更鲜明地反映这一类企业的特征，考察年贷款额在5000万元以下的企业贷款分布情况，发现超过2000万元后，企业数量明显减少(见图十四)。同时，以资本额4亿元这一大型企业和中型企业规模的分界点作为所选企业实收资本的上限，即选取的企业仅限于中小企业，然后对这些企业的贷款重新建立模型，看不同指标对不良贷款发生概率的解释能力。
最后，在检验两类企业发生不良贷款概率模型的有效性之后发现，不同指标对于两类贷款的解释能力存在一定的差异(见表2)。
三、研究结果及建议
上述研究和分析的研究结果及相关建议如下：
第一，利用所建立的模型，可以在调整有关指标及其系数的基础上估算每一笔贷款成为不良贷款的概率。由于模型检验与事实具有较高的拟合度，因而利用模型可以快速地找到不良贷款。事实上，在检验模型有效性时发现，用于检验的数据共598笔，其中不良贷款38笔。而在抽取不良贷款发生概率最高的前10%的数据时，所抽取的60笔贷款中有22笔不良贷款，而抽取前20％数据，即120笔贷款时，就找出36笔不良贷款，命中率达94.7％。因此，模型检验的结果表明，就已发生的不良贷款来看，如果商业银行没有进行分类管理，那么监管部门在现场检查时可以利用这一模型缩小抽取贷款的范围，找到较多的不良贷款，这有助于提高监管效率。
第二，利用所建立的模型，计算正常的贷款成为不良贷款的概率，监管部门和商业银行可以筛选出其中的“高风险”贷款。虽然这一类贷款目前仍旧属于正常的贷款，但有可能潜伏着或已经暴露出一定的风险，因而应有针对性地加强风险管理。
第三，利用所建立的模型，揭示出影响贷款成为不良贷款的主要因素。其中排名前几位的主要因素包括：企业信用等级、贷款期限、贷款已发放时间、企业实收资本、行业贷款占比、基准利率、原材料燃料动力价格指数等。显然，企业信用等级是影响贷款成为不良贷款的关键因素，而这又受两方面因素的影响。一方面是企业层面，其经营状况，尤其是相关财务指标状况决定了其信用等级的高低，而且企业向银行反馈信息的及时性、有效性影响到信用等级评定的准确性。另一方面是银行层面，其信用评级制度是否合理规范将直接影响评级结果及风险管理。因此，商业银行应重点加强内部信用评级。而且对于监管部门而言，在不良贷款的检查中，建议将银行对企业的信用评级制度也列入重点检查的范围。
第四，利用所建立的模型，有助于了解贷款行业占比和贷款额度高低对于不良贷款发生概率的影响程度。对于目前贷款愈发集中于部分行业和少数企业的现象，模型研究表明，当贷款行业集中度上升，或者某一行业的贷款占比上升时，该行业贷款成为不良贷款的概率较高，因此银行须加强对这一行业的贷款风险管理。对于大额贷款企业和小额贷款企业，由于各自不良贷款发生的概率受宏观经济波动或货币政策变动的影响程度不同，银行可参考模型中的研究结果，有针对性地加强两类贷款的风险管理。
注释：
①赫芬达尔-赫希曼指数的计算，假设第i个行业的贷款额为f[,i]，则利用赫芬达尔-赫希曼指数，可以定量表示贷款行业组合集中度为：Concentration=H(F)=
②对于企业的信用等级， 以AAA、AA、A、BBB、BB、B、CCC、CC、C、D表示从高到低的信用等级排列，但在数据处理时对其进行赋值，按照信用等级越高，指标取值越小。
③由于模型涉及指标较多，在此模型中各指标的系数就不一一列出。