基于Logistic模型的村镇银行信用风险实证分析

来源:用户上传      作者:

　　摘要：三农发展一直以来都是国家重点关注的领域。服务于三农和小微企业的村镇银行经过十余年的发展在促进农村经济改革，改善农村金融环境等方面做出了重要的贡献。但是近年来我国经济发展下行趋势明显，银行不良贷款激增，村镇银行风险防控面临着巨大的压力。我国非上市中小企业财务信息很难获得，本文通过调研山东省某村镇银行，以其21家企业贷款客户2015-2018年度财务数据为样本，运用Logistic模型对影响村镇银行信用风险的因素进行分析，结果显示流动比率、现金比率、营业利润率以及净资产收益率等财务指标对村镇银行信用风险有着显著影响。
　　关键词：村镇银行 信用风险 Logistic模型 金融科技
　　一、引言
　　农村经济发展历来受到党和国家的重视，中央一号文件连续多年提出要加大对“三农”领域的投入，加大金融支持力度，改善农村金融环境。为此，服务于农民、个体工商户和中小微企业的村镇银行应运而生。经过十余年发展，村镇银行灵活、快捷的服务己经为农村经济发展做出了重要的贡献。以山东省为例，相关统计数据显示，村镇银行存款吸收和贷款投放的力度逐年加大，2018年第三季度，山东省村镇银行吸收各项存款856.47亿元，发放各项贷款总额为646.56亿元，其中91.7%投放于农户和中小企业，为支持山东省三农经济发展做出了重要贡献。与此同时，相关数据显示第三季度村镇银行的不良贷款率为3.27%，远超其他商业银行。当前我国经济发展增速减缓，企业违约事件频发，担保圈风险暴露严重，银行不良贷款激增，在此背景下做好村镇银行风险防控工作刻不容缓。
　　二、文献综述
　　国外对于类似村镇银行的中小社区银行信用风险研究侧重于建立模型进行实证分析，研究成果被大量运用于银行的信用风险管理之中。Martin（1977）选择了58家濒临破产的美国银行，使用8个有代表性的财务指标构建Logistic模型来预测企业的违约概率。West（1985）证明了Logistic模型适合用来研究银行信贷风险。此外还有众多知名的风险度量模型，如KMV模型、BP神经网络算法和Credit Metrics模型等皆可以帮助银行预测违约概率。
　　国内对银行信用风险的研究，多以大型国有控股银行和股份制商业银行为样本进行研究，如贾云赟（2012）构建Logistic模型，研究了影响商业银行信贷风险的11个指标。Zhang Neng-Fu （2014）使用不良贷款率作为主要指标，构建Logit模型对我国商业银行信用风险进行压力测试，为我国商业银行信用风险管理提供参考。总体而言，较少考量到村镇银行等新型农村金融机构的风险防控以及新常态下的宏观经济发展对村镇银行的影响。
　　三、模型构建与指标选取
　　（一）模型构建
　　根据现代金融理论，衡量商业银行信用风险最常见的指标就是商业银行不良贷款比率和企业违约概率。本文选取企业违约概率来衡量村镇银行信用风险的大小。为了便于进行回归分析，引入定性变量Y作为解释变量，假设研究存在两种不同情况，银行存在信用风险即企业出现信贷违约时，令Y=1;反之信贷违约不发生则Y=0。模型表述如下：
　　被解释变量Y代表银行信用风险是否存在，取值0或1;Xi代表解释变量，是银行信用风险的影响因素;α是随机参数;βi为待估计系数，则Y与X的关系可表示为：
　　P表示银行贷款发生损失即信用风险的概率，即Y=1的情形，1-P表示没有发生损失的概率，即Y=0的情形，0≦P≦1，P越接近1，银行贷款发生损失的概率越大，即银行信用风险越大，反之亦然。进一步简化得：
　　（二）指标选取
　　本文在解释变量的设计方面，选择了与企业财务状况联系紧密的16个指标作为分析对象，按照性质归纳为偿债能力指标、盈利能力指标、经营能力指标和发展能力指标等四大指标体系。模型最初选取的16个财务指标如表1所示。
　　（三） 数据来源与处理
　　村镇银行的贷款客户以农户和未上市的小微企业为主，目前我国中小企业的信息披露机制尚不健全，非上市的中小企业财务信息很难获得。为了使数据真实可靠，本文对山东省某村镇银行进行实地调研，经过研究选取了该银行21家企业贷款客户2015-2018年的相关财务数据作为样本，运用SPSS 22.0软件进行分析处理。
　　四、实证检验
　　（一）主成分分析
　　本文对初选的16个财务指标进行主成分分析。首先进行了KMO检验和Bartlett球形检验，检验结果表明适合采用主成分分析方法，详细结果见表2。经检验提取了特征值大于1的5个主成分，其累计贡献率达到了80.72%，效果较好。由于篇幅有限，特征值小于1的项目此处略。主成分提取结果如表3所示，旋转成份矩阵如表4所示。
　　通过表4可知，提取的5个主成分代表了多个财务指标，factor1表示企业的盈利能力，代表了 X10， X11， X12， X13四个指标的信息量;factor2表示企业的偿债能力，代表了 X1， X2， X3， X4等四个指标的信息量;factor3表示企业的发展能力，代表了 X14， X15， X16三个指标的信息;factor4表示企业的经营能力，表达了变量 X7， X9等两个指标的信息量;factor5代表了变量 X6，反应了企业偿付借款利息的能力。通过表5可以得到factor1-factor5的表达式，此处略。
　　（二）Logistic模型回归分析
　　将上述提取出的5个主成分作为自变量，将企业违约率Y作为因变量，整理调研所获得的企业数据，将企业正常贷款记为Y=0，關注类及以下贷款记为Y=1，运用SPSS22.0软件进行Logistic模型回归及稳定性检验，结果如下，见表6：
　　由表6可见，factor1，factor2通过了显著性检验，即企业偿债能力和盈利能力对村镇银行的信用风险具有显著影响。结合表5最终得到的Logistic模型表达式如下： 　　（三） Logistic模型的检验
　　对于模型的拟合优度检验，本文使用Hosmer和Lemeshow检验，如表7所示，P值为0.801大于标准值0.05，表明该模型具有良好的拟合效果。
　　从表8可知75组实际为正常的样本有73组被正确地识别了出来，准确率为97.3%，9组实际为违约的样本有6组被识别出来，准确率为66.7%，总预测准确率达到了93.5%，说明该模型的预测结果比较理想。
　　五、结论及建议
　　（一）结论
　　通过上述实证分析，可以得出如下结论：
　　第一，企业的盈利能力与村镇银行信用风险呈负相关的关系。
　　盈利能力反映了企业的发展前景和创造现金的实力，现金是偿还债务与利息的重要保障。盈利能力越强代表着企业偿还贷款本息的资金越有保障，从而发生违约的概率较低，因此村镇银行面临的信用风险较低，反之亦然。
　　第二，企业的偿债能力与村镇银行信用风险的发生呈负相关的关系，偿债能力越强信贷违约风险越低，这与其经济学意义相一致。通常用现金比率、流动比率以及速动比率等财务指标表示企业的償债能力，在规定范围内，这些指标越高意味着企业有充足的的流动资金，则企业偿还债务的能力越强，发生违约的概率较低;反之，企业偿债能力越弱，发生债务违约的概率就越大。
　　（二）对策建议
　　根据上述研究结论，本文从村镇银行角度提出如下对策建议：
　　1. 提高风险防范意识，健全村镇银行内控机制。村镇银行立足于广大农村地区及偏远山区，作为中小型农村金融机构，其整体规模较小，设立门槛较低，在乡镇一级设立村镇银行注册资本金要求仅为100万元人民币。大多数村镇银行的信贷人员学历不高，合规操作和风险防范意识较差，担保抵押品的缺失使得村镇银行的贷款缺乏实质性的保障。同时村镇银行的贷款对象主要是中低收入和贫困居民、小微企业等弱势群体和弱势产业，贷款额度虽然不高但是贷款频繁且分散，加之三农行业的高风险、低收益特性决定了村镇银行面临着巨大的信用风险。因此，村镇银行必须健全内控机制，防止监督制度形同虚设。提高员工合规操作意识，严格贷款的审批流程，强化贷款的催收管理，严禁信贷人员违规发放贷款，制定有效的风险应急处理措施。
　　2.推进多元化经营，提高村镇银行核心竞争力。从资产结构的角度来看，目前村镇银行将贷款作为其最主要的资产业务，结构单一，风险巨大。面对激烈的市场竞争，村镇银行想要获得立足之地就必须开展多元化经营，优化资产结构，提升非信贷资产比例，增加利润增长点，扩大村镇银行非利息收入来源，进而降低信用风险。例如，针对农业经济高风险、低收益的特点，村镇银行可以与金融科技企业合作，发展基于大数据的农业供应链融资，沿产业链挖掘与核心企业交易频繁的上下游小微农企、农户等机构或个人，通过专业的金融信息服务平台更加精准的获取客户的征信情况、财务数据以及担保情况等信息，为客户提供高效便捷的贷款和理财服务。
　　3. 结合金融科技创新，建立全面高效的风控管理模式。目前我国村镇银行的信用风险评估以静态和定性分析为主，运用简单的财务分析和信贷评分等方法对客户进行贷前评估，缺乏现代化的计量建模量化分析手段。我国农民的文化水平普遍较低，信用意识差，征信系统的不健全和信息不对称使得村镇银行信用信息采集成本提高，进一步加大了村镇银行信用风险管理的难度。
　　以大数据为代表的新技术兴起对村镇银行而言是个契机，村镇银行想要创立全面高效的风控和信贷管理模式，不可避免的要和金融科技公司以及互联网大数据平台进行深入合作。他们可以帮助村镇银行更加科学的进行信息的采集和分类，提高其风险监控能力。农户和中小微企业普遍存在担保抵押品不足的问题，通过大数据挖掘和分析可以掌握企业真实的经营状况以及联保、互保等情况，进行贷后的跟踪监测，建立风险预警机制和危机处理制度使村镇银行能够及时采取相应措施，减少甚至防止损失的发生。
　　参考文献：
　　[1]Martin D.Early warning of bank failure：a logit regression approach[J].Journal of Banking and Finance，1977，（03）.
　　[2]RC West.A factor-analytic approach to bank condition[J].Journal of Banking and Finance，1985，（9）.
　　[3]贾云赟.商业银行房地产开发信贷风险的统计分析[J].统计与决策，2012，（15）.
　　[4]Zhang Neng Fu，Kang Xiang.The application of stress testing and applied technology in credit risk management[C].Advanced Materials Research，2014，（8） .
　　[5]钱水土，陈鑫云.农村信用社区域性风险影响因素分析—基于面板数据Logit模型[J].金融研究，2016，（9）.
　　[6]杨懋劼.村镇银行小微业务风险防范研究[J].金融监管研究，2017，（3）.
转载注明来源:https://www.xzbu.com/3/view-14755244.htm