| 第二，银行不良资产的增加反向影响银行贷款规模。
（一）研究样本、数据来源及变量说明
本文选择的样本个体为我国境内的12家商业银行，包括中国工商银行(ICBC)、中国银行(BOC)、中国建设银行(CCB)三家国有商业银行，和交通银行(BOCom)、中信银行(CITIC)、招商银行(CMB)、浦东发展银行(PDB)、福建兴业银行(FIB)、民生银行（CMBC）、华夏银行（HXB）七家全国性股份制商业银行以及北京银行（BBJ）和南京银行（BNJ）两家已上市的城市商业银行。数据来源于上海证券交易所公开发布的上市公司定期公告，具体公告时间是从2006年末到2009年第一季度。
本文计量模型所涉及的变量如表1和表2所示，其中表1给出了模型中涉及的变量名称、标识、含义及其预期符号。表2给出了各变量的描述性统计结果。如表2所示，对各变量本文选取了12家银行3年共158个观测值。
表1自变量经济含义及符号预测
|
变量
|
标识
|
含义和预期符号
|
|
贷款量
|
loan
|
季度内贷款和垫款总量的自然对数值，此变量为因变量。
|
|
存款量
|
save
|
季度内客户存款总量的自然对数值，此变量预期符号为不定。
|
|
不良资产量
|
lose
|
季度内贷款损失准备的自然对数值，此变量预期符号为负号。
|
|
现金量
|
cbank
|
季度内现金与中央银行存款的自然对数值，此变量预期符号为不定。
|
表2：变量的描述性统计量
|
|
loan
|
save
|
lose
|
cbank
|
|
Mean
|
11.81718
|
11.96025
|
10.18346
|
11.21013
|
|
Median
|
11.80753
|
11.92830
|
10.12753
|
11.17005
|
|
Maximum
|
12.78267
|
13.01421
|
11.16643
|
12.30478
|
|
Minimum
|
9.038764
|
9.842422
|
8.829438
|
9.594383
|
|
Std. Dev.
|
0.604465
|
0.609442
|
0.584362
|
0.597262
|
|
Observations
|
158
|
158
|
158
|
158
|
|
Cross sections
|
12
|
12
|
12
|
12
|
(二)建模方法
1.单位根检验。首先对相关序列进行单位根检验，以确定其平稳性。其结果显示lose和cbank是一阶协整变量loan和save是零阶协整。值得一提的是lose变量和cbank与其他变量不同，对于LLC检验和FisherADF检验的结果并不是在1%的水平上保持稳定，也就是说与其他变量相比稳定程度不是很强。计量模型需要引入lose和cbank的一阶滞后变量。
2.模型形式。按照理论部分的讨论，本文建立如下的面板数据模型：
其中 为非观测效应误差项， 为随机误差项。
3.模型选择过程。面板数据涉及的模型主要有以下三种：混合估计模型、固定效应模型和随机效应模型。规范的计量模型选择步骤为：首先，通过F检验在混合估计模型与固定效应模型中做出选择，固定效应模型的F检验给出F=1.12，相伴概率为0.34，表明模型误差项不为0，因此将固定效应模型作为另一备选模型，其次，通过LM检验在混合估计模型与随机效应模型之间做出选择，对于非观测效应误差项的Breusch&PaganLM检验表明，卡方统计量χ=13.42，相伴概率为0.26因此该误差项具有随机性，确定随机效应模型作为备选模型之一；最后，通过Hausman检验在随机效应模型和固定效应模型中做出选择。经检验，选择随机效应模型。Hausman检验结果表明卡方统计量值为χ=8.02，伴随概率为0.15，说明模型的自变量序列与非观测效应误差项序列正交，因此最终检定模型为随机效应模型：应用Eviews6软件动态面板板数据进行回归分析，结果如下表3所示。残差的面板检验表明，残差是平稳序列，说明协整关系成立，回归方程估计结果是可信的。
表3：动态面板数据检验结果
|
|
随机效应
|
固定效应
|
混合
|
|
C
|
1.376856***
(3.03)
|
6.229280***
(2.32)
|
1.376856***
(3.01)
|
|
save
|
0.004339
(0.05)
|
0.016575
(0.09)
|
0.004339
(0.04)
|
|
lose
|
1.150165*
(1.70)
|
1.065153
(1.46)
|
1.150165*
(1.69)
|
|
lose(-1)
|
-1.308387**
(-1.96)
|
-1.242563*
(-1.69)
|
-1.308387**
(-1.95)
|
|
cbank
|
0.353613
(1.19)
|
0.143455
(0.44)
|
0.353613
(1.18)
|
|
cbank(-1)
|
0.716572***
(2.38)
|
0.498105
(1.56)
|
0.716572***
(2.37)
|
|
R
|
0.83
|
0.84
|
0.83
|
|
N
|
144
|
144
|
144
|
|
Hausman检验
|
8.02
|
|
|
3.模型结果分析。从实证结果可以看到，商业银行是基于上期的资产减值数据来调整短期信贷行为，滞后一期的资产减值与贷款数量存在显著的负相关，其结果与郭友和莫倩（2006）的实证结果相近似，也就是没有发生系统性风险时期与发生系统性风险时期的银行贷款都是上期的资产减值情况负相关的。这一点和我们理论的预期是一致的。说明银行不良资产的增加反向影响银行贷款规模。而对于当期资产减值的预期出现不一样的情况，其与贷款数量的显著程度下降，并且它们之间存在正相关。换句话说，在银行发生系统性风险时期，尽管本期的资产减值在增加，银行依旧在本期增加贷款数量。当期和滞后一期对于银行贷款的解释符号上是矛盾的。为什么会出现这样的情况？笔者的理由是在银行业系统性风险威胁下，滞后一期不良资产减少了当期的贷款数量，可是金融环境恶化，本期的不良资产减值持续增加，在下一期贷款发生时，本期为滞后一期的资产减值数量，其结果将会持续减少贷款数量。这里就验证了银行不良资产是影响银行系统性风险的重要因素，为银行系统性风险的传染机制的三阶段理论提供了有利的证据。商业银行的存款与贷款数量的不相关，这与存款增长率与贷款增长率之间的正相关（郭伟，2009）的观点相反。其原因在于美国金融危机以来，我国实行积极的货币政策和宽松的财政政策，社会的储蓄总量在不断上升。相反，贷款数量并没有受益，次级债券造成我国银行资产价格下降，资产减值增加。而且各家银行根据监管的资本要求，大幅提高资本充足率，减少贷款投放，增加风险的抵抗能力。另一方面，现金和中央银行存款的滞后一期与贷款的数量显著正相关，即商业银行滞后一期的流动性增强，当期的银行贷款数量就会增加，而本期的现金和中央银行存款数量与贷款数量没有任何关系。这说明充裕的银行流动性在一定程度上改变了银行资产价格，提高企业的贷款能力，也为银行系统性风险的传染机制的三阶段理论提供了有利的证据。
四、结论和政策启示
本文从微观银行的视角，阐述了一个银行系统性风险的传染机制的三阶段理论，得出银行不良资产是影响银行系统性风险的重要因素以及银行不良资产的增加反向影响银行贷款规模两个假设，并采用动态面板数据模型对我国2006-2010年数据进行实证，检验在美国金融危机的影响下，我国银行业系统性风险的传染机制。 4/5 首页 上一页 2 3 4 5 下一页 尾页 |
