我国城市商业银行信用风险、流动性影响因素及重要性研究
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
我国城市商业银行信用风险、流动性影响因素及重要性研究
王
硕,张继红,任康钰
(北京外国语大学国际商学院,北京100089)
摘
要:本文首先采用动态模型并利用我国城市商业银行2013—2018年数据实证研究信用风
险的影响因素,同时在考虑流动性、信用风险、盈利绩效潜在的内生关系环境下,以联立方程模型方法分别研究非利息业务、管理效率、宏观因素等对上述经营指标的影响机制。
研究表明,信用风险存在时间序列上的黏性,同时盈利和流动性都对城商行信用风险有显著负向影响,且在增加模型控制变量的基础上证实了负向效应的稳健性。
在联立方程模型中,流动性对城商行信用风险、盈利都有显著负向影响,盈利对流动性的影响较微弱。
同时,探讨了非利息业务、管理效率、宏观因素等对城商行经营指标的作用机制,其中信用风险方程与动态模型的结论大体吻合,表明研究结论对不同模型有很强的稳健性。
最后,文章基于我国银行体系特征引入经营风险指标,通过动态面板模型验证了流动性、信用风险及其联合作用对城商行经营风险的显著效应,同时可参考模型的一阶条件,优化调整城商行的流动性与信用风险。
关键词:城商行流动性;信用风险;动态模型;联立方程模型中图分类号:F830
文献标志码:A
收稿日期:2021-03-27
作者简介:王硕,北京外国语大学国际商学院博士生,研究方向为金融市场与金融机构;张继红,北京外国语大学国际商学院教授、博士生导师。
任康钰,北京外国语大学国际商学院副教授、硕士生导师。
一、引言
城市商业银行来自改制的城市信用社,近年来市场份额逐步提高,在我国区域经济高速发展过程中发挥了很大的作用。
然而,自2014年以来,我国城商行不良贷款率、不良贷款总额持续攀升(银保监会报告),这倒逼城商行积极开展金融风险管理,多手段化解不良贷款。
城商行系统需要探求银行脆弱性的根源。
银行一直面临几种风险的干扰,包括储户大规模提款的可能性(流动性风险);借款者不能按约定偿还贷款进而形成不良贷款的可能性(信用风险);利率将会变化(利率风险);还有运作风险,如银行计算机系统突然崩溃等。
在这些风险中,信用风险和流动性风险最重要,也直接关系到银行的运营及破产可能性。
银行微观经济学经典理论如Monti-Klein 模型和金融中介视角理论阐明了银行的资产和负债结构紧密相关。
在我国,由于地方金融市场起步较晚,更凸显城商行在流动性创造与分配过程中的重要性,城商行的流动性再分配润滑了地方实体经济,
但流动性短缺与错配问题也时有发生,风险问题理应获得重视。
纵观国际商业银行的经营危机,流动性均在其潜伏、发展、蔓延的过程中发挥重要作用,危机前低流动性和高杠杆结构的银行更易遭受破产损失,如美国银行在2007年危机前就是如此。
过去的银行监管机构多借助资本充足率这一指标来平衡流动性风险,但这种模式在2008年的金融危机中被证实失效,许多资本水平充足的银行也因流动性管理不善而陷入困境,这促使各国银行管理者对流动性重新审视。
因此理清城商行流动性、信用风险、盈利之间的内生关系及分析影响因素,对于管理者把握三类指标的相互作用机制、监管层与城商行之间的合理配合显得较为重要。
近年来,国内外学者特别关注金融不稳定对实体经济的负面影响,即金融不稳定不仅受外部环境的干扰也会反作用于实体经济。
对城商行而言,服务的地域性相对五大行更强,更易受区域经济、地方产业机构的影响,银行系统不稳定对地方经济的破坏也更集中、更深远。
因此,研究城商行不同经营
48
指标影响因素对我国地区经济稳定发展意义重大。
文章突出的贡献在于为城商行管理者提供一些工具,通过对信贷、流动性风险的监测及其影响因子的研究,可以更有效地管控银行的经营风险。
文章的第一部分,在逐步添加控制变量的条件下,我们采用动态模型分别测试流动性、盈利及各控制变量对信贷质量的影响。
在文章的第二部分,我们应用面板联立方程模型,将城商行流动性、盈利、信用风险纳入统一框架并研究影响因子的作用机制。
这克服了静态模型易忽视指标本身内生性的弊端,提高了估计的精确度。
文章的最后我们引入经营风险指标,证实了流动性、信用风险及其联合作用对城商行经营风险的显著影响,也间接表明研究城商行流动性、信用风险的重要性及价值。
二、文献综述
对于仍以利差业务为主要盈利模式的我国城商行来说,破产风险与不良贷款、发生挤兑、盈利水平低紧密相关。
在我们有限的研究视野内,尚未发现联立条件下研究我国城商行信用风险、流动性、盈利的影响因子及最终对破产风险的作用效应,但单一指标的影响因子研究却有很多。
Chaibi和Fttiti以法国和德国商业银行为研究样本,发现所有的宏观变量除了通货膨胀率外都对风险有显著的影响,银行无效性、规模、净资产收益率被证明是银行风险的显著影响因素。
刘青松对我国地方性商业银行进行实证研究,发现多元化程度对风险的影响不显著,同时发现风险系数与其经营业绩正相关。
关于银行流动性的讨论也很多。
Singh 和Anil研究了银行特定因素和宏观经济对印度银行流动性的影响,发现银行规模和GDP负向作用于流动性,资产收益率、资本充足率和通货膨胀正向作用于银行流动性,基金和失业对银行流动性的影响不显著。
Madhi研究了所有在阿尔巴尼亚境内经营的银行的流动性风险及其管理效率,指出流动性风险的评估和监控不仅依赖于银行层面的财务指标,还依赖于更广泛的指标如宏观经济指标等,证实了具体研究中添加宏观层面控制变量的重要性。
Melese等研究埃塞俄比亚2007—2013年区间的十家商业银行,指出资本充足率和资产收益对流动性有统计学上显著的影响,银行规模对流动性有正向显著影响,发现不良贷款增长率对流动性的作用不显著。
Moussa调查了2000—2010年期间突尼斯18家银行,通过静态面板法和动态面板法验证流动性的决定因素,发现财务绩效对银行流动性有显著影响,贷款总额/总资产、财务支出/总信贷、存款总额/总资产等指标对银行流动性影响不显著。
识别银行盈利能力的决定因子也是金融研究的一个重要领域。
Teshome等分析埃塞俄比亚八家私有商业银行2007—2016年的数据,研究指出资本充足率、利息收入、银行规模正向显著的影响财务绩效,不良贷款、贷款损失准备金、杠杆率和营运成本效率对财务绩效有显著负向作用。
Gorton和Andrew解释福利效应涉及到一种权衡,因为银行债务是特殊的用于交易目的的资产,但更多的银行资本能够降低破产的风险。
Athanasoglou等将银行影响因子简洁、科学地分解为银行特有、行业层面、宏观经济三个类别,这种方法在后续的研究中被广泛采用。
他们在研究中采用动态模型并证实了显著的盈利持续效应,后续的许多学者将这种延续性考虑进来(Dietrich2011,Alessandri等)。
许多银行层面因子诸如规模、资本、信用风险水平、国有持股比例以及银行业务模式等可能影响银行盈利水平,本文基于现有的文献,分析了诸多银行层面的因素如何影响银行盈利能力。
同时,有大量文献研究商业周期、货币政策等外部宏观环境对银行盈利影响,以Huizinga为代表的部分学者认为,商业银行具有内在的亲周期性,与实体经济有正向反馈机制,盈利水平随着经济活动的繁荣、萎缩而提升、下降。
不过,国内的学者研究发现,商业周期与银行盈利的关系存在很大的不确定性,货币政策的影响研究中也有类似的不确定性。
陈一洪基于我国50家城商行的微观数据,采用动态面板数据模型,研究结论证实:城商行规模对盈利能力并无显著相关关系,一些规模较小的银行业务聚焦在中小客户,具有更主动的定价能力,盈利水平反而更高;GDP、货币政策等宏观因素对城商行的盈利影响不显著。
诸多学者研究了信用风险、流动性对银行稳健性的关键作用,Imbierowicz研究美国商业银行,发现信用、流动性风险联合影响银行的稳健性,同时Vazquez以欧洲和美国银行为样本,发现同时面临信用、流动性风险在危机期间恶化了银行的经营情况。
Mamatzakis以G7和瑞士的银行为样本,研究发现风险、流动性和投资银行费用显著影响银行业绩,Z-score与银行绩效正相关并与流动性呈反相关,最后他们总结得出银行提升资本充足率、流动性能强化银行业绩。
在控制变量中,纵观国内外银行研究相关文献,非利息业务是一大研究热点,众多文献关于银行非利息收入业务对盈利的影响尚未有统一的结论。
许多学者发现多样化提高了银行业绩,使整体
49
收入获得增长,例如Meslier等研究菲律宾39家通用和商业银行,结果证实非利息收入增加了银行利润和风险调整后的利润。
Lee等采用亚洲22国967家独立银行的数据,选取动态面板广义矩方法,结果表明亚洲银行的非利息业务降低了风险但并不增加盈利。
由于所选样本、计量模型、指标代理变量等的不同,关于银行业务多元化能否降低信用分析或盈余的波动性,国内外学者的观点尚存争议。
DeYoung认为,经纪业务和保险销售等以手续费为基础的业务品种会降低银行的整体风险,而基于资产的业务如投行、VC会加剧银行的风险承担。
Kohler研究德国银行业的数据,发现拓展非利息业务会降低以零售为主营业务银行的风险,升高投资为主的银行。
国内学者对此也多有研究,大致分为三类:银行多元化业务与风险之间关系不显著,如张雪兰等;银行收入多元化有效降低银行风险,如刘新宇、曲洪建等;还有学者研究证实创新业务会加剧银行的风险,如翟光宇等。
综上所述,过往文献大都分别研究银行微观因子、宏观变量对流动性风险、信用风险和盈利水平的影响,然而并没有将流动性、风险、盈利纳入统一的体系,综合研究城商行的经营状况,这会忽视三者潜在的内生关系。
本文从流动性风险、信用风险、盈利绩效三个方面衡量城商行的运营情况,并引入经营风险指标,运用动态效应模型方法研究流动性、信用风险对经营风险的影响,并重点关注信用风险与流动性的交互作用对城商行经营风险的影响。
三、实证研究设计
(一)样本描述
本文研究样本的数据主要来源于Bank Focus 数据库、国泰安数据库,缺失数据查找各城市商业银行年报予以补充。
借鉴Cheng的处理方法,剔除关键变量缺失的城商行样本,最终得到我国48家城市商业银行288组平衡面板数据,这是目前城商行研究所能使用的较为全面的数据。
本文选取的48家城商行基本涵盖了我国大部分省市地区,能较好地代表我国城商行的整体状况。
(二)变量选取
1.银行风险与盈利。
根据相关理论分析,实证部分选取银行信用风险、银行流动性综合考虑城商行的风险承担,银行的盈利代理变量选取平均资产收益率(Roaa)。
2.银行经营风险。
利用E(ROA)/σ(ROA)来表征经营风险(谷慎,吴国平),式中,E(ROA)表示资产收益率的期望,σ(ROA)表示资产收益率的波动。
综上,经营风险表示对于每一单位盈利率波动,城商行拥有多少单位盈利期望予以抵补。
3.核心解释变量。
借鉴Michael的做法,选取非利息收入/营业收入(Idiv)作为城商行业务多元化的代理变量。
借鉴国外学者研究,引入管理效率(营运支出/总资产)这一变量作为城商行管理层面的衡量指标。
4.控制变量。
为弱化识别偏差,借鉴吴国平等的做法,将GDP、CPI纳入实证模型,以控制外部宏观环境的波动。
同时,为了研究的精准度以及考虑到城商行的地域特征,文章摒弃研究者多采用的全国平均水平GDP、CPI数据,而采用城商行所在省份的宏观数据;引入银行资产规模、控制规模大小对城商行的影响;引入成本收入比,反映城商行每一单位收入支出的成本,代表银行获取收入的能力。
(三)动态模型设定
为了研究信用风险滞后项、盈利、流动性对信用风险的渐进影响及控制变量逐步加入后关系的方向及显著性改变情况,借鉴changjun zheng等学者的研究,并做了相关改进,将潜在影响因子流动性加入进来,同时考虑到信用风险作用的惯性,即上期银行信用风险高则下期可能也会普遍较高,我们选用动态模型且逐步加入控制变量的方式检验信用风险作用的惯性及影响关系的稳定性。
NPL it=β0+β1NPL it-1+β2ROAA it+εit(1) NPL it=β0+β1NPL it-1+β2ROAA it+β3Liq it+εit(2) NPL it=β0+β1NPL it-1+β2ROAA it+β3Liq it+β4Liq it+εit
(3)
NPL it=β0+β1NPL it-1+β2ROAA it+β3Liq it+β4Coinc it+β5SIZE it+εit(4) NPL it=β0+β1NPL it-1+β2ROAA it+β3Liq it+β4Coinc it+β5SIZE it+β6MagEff it+εit(5) NPL it=β0+β1NPL it-1+β2ROAA it+β3Liq it+β4Coinc it+β5SIZE it+β6MagEff it+β7Idiv it+εit(6) NPL it=β0+β1NPL it-1+β2ROAA it+β3Liq it+β4Coinc it+β5SIZE it+β6MagEff it+β7Idiv it+β8GDP it+β9INF it+εit(7)εit=V i+U it
式中,Vi表示城商行个体固定效应,U it代指随机误差项,NPL it指银行信用风险,ROAA表示银行平均资产收益率,Liq代指城商行流动性,系数β0、β1…β9为模型待估参数。
动态模型回归结果如表1。
模型1表明在动态模型中,不良贷款率的滞后项对其有显著的正向作用,即上期不良贷款率越高则下期的信用风险也越高,信用风险在时间上有显著的黏性,这在加入控制变量后影响关系仍然显
50
注:t statistics in parentheses;*p<0.05,**p<0.01,***p<0.001.
表1动态模型回归结果
著;Roaa对不良贷款率有负向影响且显著性水平较高,另一方面模型3到模型7考虑加入调节变量以增强模型的敏感度。
与我们的预期一致,盈利对城商行风险有显著的负向作用,这也与Zhang et al. (2013)的研究结果一致。
盈利对风险的关系在所有模型中都是持久的,影响系数分别为模型一的-0.576、模型二的-0.554、模型三的-0.714、模型四的-0.823、模型五的-1.307、-1.09模型六以及-1.143模型七。
在模型2,流动性与资产收益率一并解释对银行信用风险的敏感度,流动性对风险水平有负向作用但并不显著。
在模型4—7中变量的负向关系变得显著,这与我们的直观不符,也是文章的创新之处。
综合考量下在此我们采用模型4—7的结论,原因或是更多的有效控制变量会减少扰动项的方差,会使标准误(SEx)减少,进而核心变量解释变显著。
在模型4,额外变量银行规模添加到模型中并且被证明对银行信用风险有显著负向作用,这在模型5、6、7中也得到证实。
这与Haq和Heaney(2012)的研究结果一致,Chaibi et al.(2015);Tan et al.(2013)等研究也发现银行规模是风险的显著影响因子。
较大规模的城市商业银行能通过规模效应和跨区域经营分散风险,同时大的城商行较易吸引到存款和投资,分散了信用和投资风险(尹威等,2017)。
在模型5,另一变量管理
效率添加入模型并与风险显
著负相关,这在模型6与模型
7中得到了一致性检验,证明
结论是稳健的,这与我们的经
济常识吻合。
管理效率提高代
表城商行的管理水平进步,也
包括风险管控水平的发展较
完善,银行更注重从贷款布
局、体制完善等角度精细化风
险管理水平。
模型6包含非利息收入
变量并发现与银行信用风险
正相关且显著,但加入宏观控
制变量后影响趋于不显著,此
结论与以往的研究并不相同,
说明非利息业务会受到宏观
环境的影响,如非利息业务中
对信用风险的解释信息可能
包含在宏观经济波动中。
模型7中我们同时加入宏观因素GDP与通货膨胀率,结果表明GDP和通货膨胀率均与城商行信用风险显著正相关,GDP增长会升高城商行信用风险,这与我们的经济直觉不符,也与已有研究迥异,原因或在于在动态模型的单向因果关系研究中,GDP增长增大了城商行的风险偏好,会加大对高风险资产的持有,且此效应此阶段起主导作用,超过了宏观增长,整体上会改善企业业绩,进而降低企业违约风险对城商行信用风险的正向影响(武博华等,2017),最终城商行的信用风险升高。
Chaibi et al.(2015)研究建议通货膨胀率和银行风险之间的关系为正也可为负。
Hussain 和Hassan(2005)研究证实通货膨胀率对银行风险有正向作用,这在本文得到证实,也与我们的经济常识相符合。
(四)联立方程模型
考虑到动态面板模型虽然能够考量信用风险影响的惯性,但有时会忽视解释变量与被解释变量潜在的内生关系,或会造成结果的有偏性。
此节我们将变量之间潜在的内生性考虑进去,同时考虑到数据的时间长度有限,仅为6期,故选用联立方程模型并参考已有学者研究,重点检验城商行风险、流动性、盈利间的联系及各核心解释变量对银行经营指标的影响机制。
根据面板数据联立方程模型识别的条件,已知
Model(1)(2)(3)(4)(5)(6)(7)
L.Npl 0.476***
(16.17)
0.481***
(16.19)
0.411***
(13.02)
0.385***
(17.78)
0.280***
(7.69)
0.295***
(9.57)
0.394***
(10.82)
Roaa -0.576***
(-8.03)
-0.554***
(-7.80)
-0.714***
(-9.55)
-0.823***
(-14.19)
-1.307***
(-11.79)
-1.230***
(-11.86)
-1.143***
(-9.74)
Liq—-0.000347
(-0.21)
-0.00252
(-1.51)
-0.00394**
(-2.90)
-0.00502***
(-4.12)
-0.00547***
(-4.64)
-0.00570***
(-4.71)
Coinc——0.00972***
(4.47)
0.00487
(1.69)
-0.0113*
(-2.19)
-0.00928
(-1.82)
-0.0126*
(-2.47)
Size———-0.00140***
(-4.98)
-0.00114***
(-3.41)
-0.000897**
(-3.00)
-0.00115***
(-3.67)
MagEff————0.569***
(4.38)
0.569***
(4.41)
0.528***
(3.91)
Idiv—————0.00222*
(2.54)
0.000874
(0.99)
GDP——————0.0457*** (6.31)
CPI——————0.0622** (2.91)
_cons 0.0139***
(12.68)
0.0138***
(12.56)
0.0130***
(13.28)
0.0528***
(6.38)
0.0525***
(5.82)
0.0441***
(5.57)
0.0460***
(5.06)
N24024024024240240240
51
三组方程均为过度识别,故可选取三阶段最小二乘法(3SLS )或两阶段最小二乘法(2SLS )估计方程组。
虽然3SLS 可以同时估计全部联立方程的参数,但如果联立方程组的某一方程有设定误差,则误差项会在3SLS 估计过程中传导给其余的方程,同时
3SLS 可能引致所估参数的高度非线性,因此本文选
择2SLS 估计方法。
SISK it =α0+α2Liq it +α4Coinc it +α5DIV it +α6GDP it +α7INF it +εit (8)
Liq it =γ0+γ2Idivi it +γ3Roaa it +γ4SIZE it +γ5MEff it +w it (9)Roaa it =β0+β3Liq it +β4Coinc it +β5MagEff it +β6INF it +β7GDP it +δit (10)
联立方程估计结果如表2。
信用风险方程中,流动性对信用风险的影响在
1%的水平上显著为负,表明高流动性抑制了信用风
险,这与动态风险模型中的结果相吻合,说明模型
的不同不影响流动性对信用风险此消彼长的关系,因此城商行可以通过适当提高流动性来限制信用风险。
外生变量中,成本收入比、非利息收入对信用风险的影响显著为正,这与动态方程模型部分结论相一致。
表明城商行开展非利息业务提高了信用风险水平,这也与动态模型6的结果吻合。
在考虑内生性后非利息业务影响信用风险的渠道增加了,效应叠加结果也会更显著。
原因可能在于拓展创新业务会增加固定成本(如更多的雇员),这会导致银行经营杠杆风险升高。
此外,对创新业务的监管无资本要求,这也会加剧银行的财务杠杆风险。
GDP 对城商行信用风险的影响则不显著,这也与动态模型视角研究结论不符,与传统研究得出的结论也并不一致。
原因在于考虑了风险、流动性、盈利的联立关系时,GDP 也会通过其他路径如流动性间接降低城
商行的信用风险,导致在联立方程中(相比较动态模型),GDP 对信用风险的作用不显著。
通货膨胀率对信用风险的影响在5%的水平上显著为正,这与动态模型得出的结果相一致,从侧面证实了模型结论的稳健性。
资产收益率方程中,银行流动性对资产收益率的影响为负且在5%的水平上显著,弹性影响系数为-0.0112,表明流动性的提高显著抑制了资产收益率的扩大,这是因为存贷利率差反映了所贷标包含的风险溢价,跨期越长风险愈大。
一般期限长的贷款定价高于短期,同时短期限储蓄比定期存款定价要低,期限的长短与流动性相关。
银行持有流动性必然会降低存贷差额收益,这也与我们的经济直觉吻合,然而这种反向关系为正且并不显著。
从统计和经济视角来看,流动性和资产收益率之间只存在单向因果并没有双向关系,此结论在已有文献中尚未发现。
外生变量中,成本收入比和通货膨胀率对资产收益率的影响显著为负,成本收入比越高表明银行的成本控制能力越差,盈利也就较低,这与国内大部分研究结果一致。
管理效率对资产收益率的影响显著为负,管理效率的适当降低如提高薪酬支出,基于激励理论会大大提升员工的工作动力,进而扩大城商行的盈利率。
GDP 对城商行收益率的影响则不显著。
流动性方程中,资产收益率对流动性的影响为正但不显著,这与我们的预期不符,原因在于银监会对商业银行资本充足率有最低要求,正常水平下银行业系统重要性机构与非重要性机构资本充足率不能低于11.5%和10.5%,这种外在调控会干扰城商行资产收益率对流动性的影响机制。
外生变量
注:Standard errors in parentheses;***p <0.01,**p <0.05,
*p<0.1.
表2
联立方程模型估计结果
VARIABLES
(8)(9)(10)SISK Liq
Roaa Liq -0.0447***—-0.0112**(0.0173)—(0.00492)Coinc 0.0299
***
—-0.0212
***
(0.0111)—
(0.00494)
Idiv 0.0112***0.190***—(0.00420)(0.0452)
—
GDP -0.0210—-0.0163(0.0360)—(0.0135)CPI 0.213**—-0.0837**(0.107)
—
(0.0377)
Roaa — 4.348——(4.460)—Size —-0.0175——(0.0482)—
MagEff —9.622**0.881***—
(4.868)(0.131)10%maximal IV size 24.5826.8726.87Sargan statistic 1.073 1.1639.375p-value
0.784
0.8842
0.0524
Observations 192192192Weak identification test 5.35319.247.396p-value
0.0006020.00009.52e-06Under identification test
19.5959.6630.96Number of bank 48484852
表3城商行经营风险的影响因子中,非利息收入、管理投入对流动性的影响为
正,且分别在1%和5%的水平上显著,说明城
商行推进非利息收入业务有利于保有充足的流
动性。
银行规模对流动性的影响则不显著,表明
不同规模大小的城商行都十分重视流动性的管
理,充足的流动性能减少银行挤兑的风险,是银
行的安全性底线。
(五)流动性、信用风险影响城商行经营风
险
已有学者多以Z-score代指银行破产风
险。
本文借鉴Lepetit等的研究,可将Z值分解
为(μ/σ)和(k/σ),μ表示资产收益率的期望,k
表示资本充足率或银行资本资产比,σ表示资
产收益率的波动。
前者为资产组合风险,度量银行优化资源配置能降低的经营不确定度。
该值越大,表明银行盈利水平越高,能够有效抵御经营风险从而使破产概率越低。
后者代指杠杆风险,表示银行通过提高资本资产比而覆盖的经营不确定性,该值越大,表明银行核心资本充足,能有效覆盖经营波动,破产风险变小。
考虑到我国城市商业银行受到政府的破产保护,同时考虑到资本充足率(CAR)或资本资产比(ETA)会受到严格的监管要求,这会影响人工扭曲Z-score作为破产风险衡量指标的精确度,因此文章重点关注城商行的经营风险,这修正了部分学者过度重视Z-score指数的研究。
借鉴Imbierowicz等的模型,文章采用如下模型度量流动性、信用风险及其联合作用对城商行经营风险的影响:
Z it=β0+β1Z it-1+β2Liq it+β3cred it+β4Liq it·cred it+β5Roaa it+β6size it+β8Meff it+β9leverage it+β10Idiv it+β11gdp it+β12inf it+ξit
(11)
式中,i代表银行(在我们的研究中,有48家城市商业银行),t代表时间区间(我们的时间框架是2013—2018),Z it代表银行的经营风险,Z it-1是因变量的一阶滞后,它代表了银行经营风险在时间上的持续性。
进一步,将Z it对Liq和credit分别求一阶条件,可得:
坠Z it/坠Liq it=β2+β4credit it=0
坠Z it/坠credit it=β3+β4Liq it=0
根据上式可计算出流动性、信用风险影响经营风险的拐点。
据此可以判断现阶段我国城商行的流动性和信用风险是否在合理界限,进而为城商行流动性、信用风险的优化调整提供一定的理论证据。
以下是经营风险动态模型回归结果:
Sargan检验与AR(2)检验均通过,限于篇幅文
章不再列出。
经营风险滞后一期的系数为正且在1%的水平上显著,表明银行经营风险有显著的延续性,同时证实动态模型设定的合理性(Tan)。
资产规模与经营风险有显著的负向关系,这与Furlong等“银行大而不易倒”的观点较为一致,表明城商行规模越大,经营的风险系数越小,稳健性越好。
非利息业务对城商行经营风险的影响不显著,究其原因,可能在于城商行的非存贷业务尚处于初级或成长阶段,对城商行经营风险的影响尚不明显。
宏观环境GDP对城商行经营风险有显著的正向关系,这与我们的经济直觉不符。
原因或在于目前地方经济依靠投资驱动,对银行信贷资源极度依赖。
GDP越高,银行信贷占经济融资的比重越大。
银行经营易受商业周期、宏观政策等因素的扰动。
因此,收益率的波动更大,风险更集中。
通货膨胀率对城商行经营风险有负向影响,这与我们的预期不符。
原因或在于通货膨胀的提高导致城商行平均存款成本上升,同时风险溢价的提升,贷款利率至少以融资成本同样的增速提高,银行利差扩大导致城商行盈利增长。
为了研究银行流动性和信用风险的重要性,我们验证流动性、风险对银行经营风险的影响以及它们的联合效应。
Imbierowicz和Rauch研究指出,许多银行在危机期间破产的原因是流动性危机和信用风险过高的同时发生。
信用风险对Z的影响系数为β3+β4Liq it且在1%的水平上显著;信用风险对Z 的系数随Liq it的变动而变动。
流动性水平对Z的影响为β2+β4credit it且统计上显著,结果证实流动水平对银行的关系也取决于信用风险的大小。
一般来说,如果银行没有持有足量的流动性资产,在面临突发提款危机时就不能低成本的大量将流动资产转换为现金,但流动性资产比例过高也会压缩利润z Coef.Std.Err.z P>|z|[95%Conf.Interval] L1.0.0567720.004774411.890.0000.04741440.0661296 Liq161.532444.34627 3.640.00074.61527248.4495 Npl2339.411612.9489 3.820.0001138.0533540.769
LiqNpl-10100.972744.385-3.680.000-15479.87-4722.08 Coinc159.399836.17081 4.410.00088.50628230.2933 Size25.228198.269857 3.050.0029.01957241.43681 MagEff548.95111263.550.430.664-1927.5613025.463 Idiv11.3896910.3652 1.100.272-8.92572231.7051 GDP-164.278692.64302-1.770.076-345.855617.2984 CPI1117.52255.2695 4.380.000617.20051617.839 _cons-748.0994219.6044-3.410.001-1178.516-317.6826
53。