论文部分内容阅读
摘要：近年，国内资产证券化业务蓬勃发展。文章引入我国商业银行动态面板数据，采用2SLS估计、差分GMM估计及系统GMM估计三种方式，实证检验我国商业银行不良贷款率与证券化变量之间的内在关系。结果表明，不良贷款率与证券化变量之间的系数不显著，表明目前我国商业银行在发行资产证券化产品时不存在逆向选择、“以次充好”的现象。这主要是由于我国商业证券化发展还处于起步阶段，银行更多地会按照行业、地域、分散度、利率、期限等出发筛选贷款进行产品结构设计。文章最后建议为了防范证券化业务中的逆向选择，应加强相关机构的信息披露监管要求。
关键词：资产证券化；不良贷款率；动态面板模型
一、引言
对监管机构来说.事后探索已发生危机的信用风险诱导因素是一个非常重要的议题。众所周知.银行的不良贷款率是银行体系内最重要的指标之一.不良贷款的一些特征可用来观测潜在的银行危机。在许多宏观经济或银行相关问题的研究中.也常把银行不良贷款率作为其中一个解释变量。
2008年次贷危机之后.银行体系的金融稳定性问题引起广泛关注.其中证券化和不良贷款率之间的微妙关系十分值得商榷。许多人认为证券化是引发次贷危机的元凶.一些学者的研究结果表明.在危机前银行就已经观测到了贷款不良率的上升.但依然会选择将资产进行证券化操作，这种操作进一步加大了体系内风险。进一步地，假设银行已知晓贷款质量发生恶化.是否会在具备天然信息优势的情况下.倾向于选择这类低质贷款进行证券化操作。由于资产证券化业务产品结构相对复杂.目前仅能依靠评级机构、律师事务所等专业的中介机构进行发行前尽调.同时评级机构出具评级报告的尽调、评估及模拟计算过程对于大多数投资者来说又是“黑匣子”。因此.这个问题目前从操作层面无法取得令人满意的答案。很多文献尝试从数据分析的角度.佐证银行是否在证券化操作中存在这类“逆向选择”的问题。
2015年之后.证券化业务在我国发展如火如荼。信贷资产证券化经过近10年的稳步发展和近两年的爆发式增长.2016年信贷资产化的总体发行规模达到了3868.73亿元.截至2015年.信贷资产证券化一直是发行量最大的品种。以CLO为代表的银行资产证券化业务.近几年也呈现出基础资产愈发丰富的现象.囊括了个人住房抵押贷款支持证券（RMBS）、个人汽车抵押贷款支持证券（Auto-ABS）、租赁ABS、消费性贷款ABS、信用卡贷款ABS和不良贷款ABS等几大类型。
因此.研究我国银行信贷资产证券化业务中.不良率与资产证券化指标的逻辑关系、商业银行是否在证券化操作中存在“逆向选择”问题具备一定的现实意义。美国数据显示.使用差分GMM估计方法对银行不良贷款率与银行证券化资产的关系进行的实证研究研究结果显示.美国的中小型银行不良贷款率与证券化资产总额存在显著负相关.即美国的中小银行更倾向于选择低质贷款进行证券化：而美国的大型银行则并没有这种情况。本文则结合动态面板数据模型.引入我国商业银行不良贷款率及证券化数据.分析我国银行证券化操作与不良贷款率的相关性。
本文结构安排如下：第一部分为引言：第二部分为模型构建：第三部分为实证结果与分析：第四部分为结论与政策建议。
二、动态面板模型的构建
有关银行逆向选择问题的论证.一方面可以通过微观视角即借款企业的角度来分析。一方面可以通过宏观视角即贷款整体质量来分析。但考虑到企业内部信息获取难度较大.因此此类分析一般也都采用从贷款质量的角度人手.分析逆向选择和道德风险问题的存在。
在分析贷款质量时.可以直接对比证券化后的贷款质量和非证券化的贷款质量。还有一种方法是从时间维度.探索银行证券化变量对于银行不良贷款的内在影响机制。
第一種量化思路即直接对比证券化后的贷款质量和非证券化的贷款质量.这类方法首先需要对比标的证券化贷款质量在证券化操作前后的变化.但这一分析无法直接得出贷款质量的变化是由于证券化操作等外生因素导致.还是由于银行在发现贷款质量下降后倾向于将这类贷款资产证劵化的结论。因此.还同时需要比较分析证劵化的贷款质量与同类非证券化的贷款质量。这种研究逻辑的难点在于，很难找到同质且可比的贷款.且贷款层面仍需要企业的一些微观数据。因此.本文选取第二种研究思路.引入动态面板数据模型.研究银行证券化业务是否存在逆向选择。
1.模型的构建。动态面板模型中.解释变量包含了被解释变量的滞后值。一般地，动态面板模型可以刻画为：
如果将水平方程（1）与差分方程（2）作为一个方程系统进行GMM估计，则成为“系统GMM”估计。假设前提是利率变动率.选取一个资产证券化变量.即可以构建如下动态面板模型：
2.样本选择与数据。本研究从我国商业银行中选取了提供有效的不良贷款率数据且开展表外证券化资产的13家银行2014年至2016年的季度数据作为样本进行研究.数据均来自Wind数据库。不良贷款率NPL选择了标的银行所披露的季度不良贷款率.具体算法为该银行当期逾期90天以上的贷款额除以当期贷款总额。由于只有年度数据.因此我们按照国内研究的惯例.采用工业增加值作为替代。失业率变量UN选取我国城镇登记失业率。市场利率采用短期贷款利率：6个月（含）。同时，作为最为重要的资产证券化变量.考虑到我国并没有现成的资产证券化数据，因此我们将各银行近年来发行的企业贷款、消费贷款、不良贷款等数据加总作为各银行表内的资产证券化总量。
这些证券化参与度较高的银行不良贷款率的描述性统计变量如表1。结果显示我国商业银行不良率在国有银行、股份制银行、城商行中呈现阶梯型下降的趋势。这与美国商业银行的情况截然相反。从直观上判断.由于不良率会随着贷款数量的增加而增长，最终到达稳态。我国国有商业银行从历史上看一直在市场中处于垄断地位.整体贷款的体量较大。而无论是股份制银行还是城商行，由于都处于贷款数量上升阶段.不良贷款率仍处于低位水平。而美国大型商业银行的垄断程度较低.因此在不良贷款分布上与我国情况有所出入。 考虑到我国银行开展证券化的历史年限较短.银行数量体量较小.且目前并非所有大中小型银行均有开展表内证券化业务。因此结合我国的数据体量很难将数据分为大型、中型、小型银行三类建立动态面板模型进行研究。并且.考虑到不良贷款率与各期滞后宏观经济指标的相关性并不是本文重点.且依据作者多次回归的比较结果得出.加入各宏观经济变量滞后变量对模拟回归结果并无裨益.因此本文基于以上原因对模型进行调整.即：
三.实证结果
1.模型的构建。为了观察不同估计下参数的差异.我们采用2SLS估计、差分GMM估计及系统GMM估计。相关系数估计结果见表2。结果表明.依据我国目前的数据来看.三种估计方法计算得出的银行证券化指标与不良贷款率指标均不存在显著的相关性。这也就意味着.目前我国商业银行在资产证券化业务中并不存在逆向选择、“以次充好”的现象。从估计结果来看，不良贷款变量ANPL与银行资产证券化指标SECi的当期值、滞后一阶值均呈负向的相关关系.说明我国商业银行的不良贷款率会随着证券化规模的扩大而减小.这表明.银行有可能通过证券化剥离了一部分质量较低的贷款.从而降低银行的不良率。但由于系数并不显著.因此.基于目前我国的已有数据该判断无法成为定论。
从估计结果来看.三种方法各个系数的估计值差距不大。2SLS估计、差分GMM估计中，不良贷款率指标ANPL。与其一阶滞后值ANPL系数显著且为负.这与美国数据的实证结果一致.我们认为这也与银行控制不良贷款率的动机及机制相关。一般地.如果某商业银行当期不良贷款率相对较低，银行会倾向于放松贷款放贷标准、扩大信贷规模，这就会导致下一期的不良贷款率有一定程度的上升：如果银行当期不良贷款率较高.银行信贷部门会基于监管考核的压力收紧信贷.从而降低下一年的不良贷款率指标。前一期坏账冲销处理.也会使得当期不良贷款率降低。
从其他宏观变量的系數估计结果来看.不良贷款变量ANPL与AGDP的系数为正，说明随着我国GDP的增长.企业贷款数量和体量会随之增加.在其他变量不变的情况下.不良贷款率会随之上升.这也与我们对信贷业务的直觉判断基本相符。△UN与ANPL。的系数均不显著且系数绝对值较小，说明不良贷款率与失业率的关系较弱。AINR与不良贷款变量AINR估计得到的系数为负，即贷款利率的上升，会导致不良率的下降。
2.检验。那么，以上三种估计枋法是否均适用？为了验证这个问题，我们对估计方法进行了自相关检验。从Arel-lano-Bond检验的估计结果来看.采用2SLS这种估计方法更为合适。三中估计方法下所有变量均通过Sargan检验.表明工具变量的选择是合适的.不存在过度识别的问题。
四、结论与政策建议
本研究采用动态面板模型.引入我国商业银行不良贷款率及资产证券化数据.通过2SLS估计、差分GMM估计及系统GMM估计三种估计方法.研究我国商业银行不良贷款率与资产证券化指标的内在关系.深入探讨我国商业银行在资产证券化操作中是否存在“逆向选择”的问题。估计结果表明.我国商业银行证券化指标与不良贷款率指标不存在显著的相关性。这也就意味着.目前我国商业银行在资产证券化业务中并不存在逆向选择、“以次充好”的现象。
作者认为.这一方面是由于我国资产证券化业务处于起步阶段.各银行在发行信贷资产证券化、信用卡资产证券化、住房抵押贷款资产证券化等产品时.更多地会从行业、地域、分散度、利率、期限等出发筛选贷款进行产品结构设计：另一方面也由于目前参与资产证券化的银行相对较少、资产证券化开展年份相对较短、体量较小，因此“逆向选择”的问题在目前的数据规模中并不凸显。
尽管目前我国商业银行在发行证券化产品时.并没有“以次充好”的现象。为防患于未然.我国监管机构已经采取多方措施进一步规范资产证券化业务的信息披露。银行间交易商协会4月19日和5月11日分别发布《不良贷款资产支持证券信息披露指引（试行）》和《信贷资产支持证券信息披露工作评价规程（征求意见稿）》，10月14日又再次发布了《微小企业贷款资产支持证券信息披露指引（试行）》。要求相关承销商及中介机构，在注册环节、发行环节及存续期等环节充分披露贷款资产支持证券相关信息。可见我国监管机构在加强商业银行的相关监管、提高证券化操作过程中的透明度方面的决心。未来.监管当局应继续提高评级、律师等中介机构的尽调要求.规范信贷资产证券化业务信息披露的操作准则.促进信贷资产证券化市场健康有序发展。
关键词：资产证券化；不良贷款率；动态面板模型
一、引言
对监管机构来说.事后探索已发生危机的信用风险诱导因素是一个非常重要的议题。众所周知.银行的不良贷款率是银行体系内最重要的指标之一.不良贷款的一些特征可用来观测潜在的银行危机。在许多宏观经济或银行相关问题的研究中.也常把银行不良贷款率作为其中一个解释变量。
2008年次贷危机之后.银行体系的金融稳定性问题引起广泛关注.其中证券化和不良贷款率之间的微妙关系十分值得商榷。许多人认为证券化是引发次贷危机的元凶.一些学者的研究结果表明.在危机前银行就已经观测到了贷款不良率的上升.但依然会选择将资产进行证券化操作，这种操作进一步加大了体系内风险。进一步地，假设银行已知晓贷款质量发生恶化.是否会在具备天然信息优势的情况下.倾向于选择这类低质贷款进行证券化操作。由于资产证券化业务产品结构相对复杂.目前仅能依靠评级机构、律师事务所等专业的中介机构进行发行前尽调.同时评级机构出具评级报告的尽调、评估及模拟计算过程对于大多数投资者来说又是“黑匣子”。因此.这个问题目前从操作层面无法取得令人满意的答案。很多文献尝试从数据分析的角度.佐证银行是否在证券化操作中存在这类“逆向选择”的问题。
2015年之后.证券化业务在我国发展如火如荼。信贷资产证券化经过近10年的稳步发展和近两年的爆发式增长.2016年信贷资产化的总体发行规模达到了3868.73亿元.截至2015年.信贷资产证券化一直是发行量最大的品种。以CLO为代表的银行资产证券化业务.近几年也呈现出基础资产愈发丰富的现象.囊括了个人住房抵押贷款支持证券（RMBS）、个人汽车抵押贷款支持证券（Auto-ABS）、租赁ABS、消费性贷款ABS、信用卡贷款ABS和不良贷款ABS等几大类型。
因此.研究我国银行信贷资产证券化业务中.不良率与资产证券化指标的逻辑关系、商业银行是否在证券化操作中存在“逆向选择”问题具备一定的现实意义。美国数据显示.使用差分GMM估计方法对银行不良贷款率与银行证券化资产的关系进行的实证研究研究结果显示.美国的中小型银行不良贷款率与证券化资产总额存在显著负相关.即美国的中小银行更倾向于选择低质贷款进行证券化：而美国的大型银行则并没有这种情况。本文则结合动态面板数据模型.引入我国商业银行不良贷款率及证券化数据.分析我国银行证券化操作与不良贷款率的相关性。
本文结构安排如下：第一部分为引言：第二部分为模型构建：第三部分为实证结果与分析：第四部分为结论与政策建议。
二、动态面板模型的构建
有关银行逆向选择问题的论证.一方面可以通过微观视角即借款企业的角度来分析。一方面可以通过宏观视角即贷款整体质量来分析。但考虑到企业内部信息获取难度较大.因此此类分析一般也都采用从贷款质量的角度人手.分析逆向选择和道德风险问题的存在。
在分析贷款质量时.可以直接对比证券化后的贷款质量和非证券化的贷款质量。还有一种方法是从时间维度.探索银行证券化变量对于银行不良贷款的内在影响机制。
第一種量化思路即直接对比证券化后的贷款质量和非证券化的贷款质量.这类方法首先需要对比标的证券化贷款质量在证券化操作前后的变化.但这一分析无法直接得出贷款质量的变化是由于证券化操作等外生因素导致.还是由于银行在发现贷款质量下降后倾向于将这类贷款资产证劵化的结论。因此.还同时需要比较分析证劵化的贷款质量与同类非证券化的贷款质量。这种研究逻辑的难点在于，很难找到同质且可比的贷款.且贷款层面仍需要企业的一些微观数据。因此.本文选取第二种研究思路.引入动态面板数据模型.研究银行证券化业务是否存在逆向选择。
1.模型的构建。动态面板模型中.解释变量包含了被解释变量的滞后值。一般地，动态面板模型可以刻画为：
如果将水平方程（1）与差分方程（2）作为一个方程系统进行GMM估计，则成为“系统GMM”估计。假设前提是利率变动率.选取一个资产证券化变量.即可以构建如下动态面板模型：
2.样本选择与数据。本研究从我国商业银行中选取了提供有效的不良贷款率数据且开展表外证券化资产的13家银行2014年至2016年的季度数据作为样本进行研究.数据均来自Wind数据库。不良贷款率NPL选择了标的银行所披露的季度不良贷款率.具体算法为该银行当期逾期90天以上的贷款额除以当期贷款总额。由于只有年度数据.因此我们按照国内研究的惯例.采用工业增加值作为替代。失业率变量UN选取我国城镇登记失业率。市场利率采用短期贷款利率：6个月（含）。同时，作为最为重要的资产证券化变量.考虑到我国并没有现成的资产证券化数据，因此我们将各银行近年来发行的企业贷款、消费贷款、不良贷款等数据加总作为各银行表内的资产证券化总量。
这些证券化参与度较高的银行不良贷款率的描述性统计变量如表1。结果显示我国商业银行不良率在国有银行、股份制银行、城商行中呈现阶梯型下降的趋势。这与美国商业银行的情况截然相反。从直观上判断.由于不良率会随着贷款数量的增加而增长，最终到达稳态。我国国有商业银行从历史上看一直在市场中处于垄断地位.整体贷款的体量较大。而无论是股份制银行还是城商行，由于都处于贷款数量上升阶段.不良贷款率仍处于低位水平。而美国大型商业银行的垄断程度较低.因此在不良贷款分布上与我国情况有所出入。 考虑到我国银行开展证券化的历史年限较短.银行数量体量较小.且目前并非所有大中小型银行均有开展表内证券化业务。因此结合我国的数据体量很难将数据分为大型、中型、小型银行三类建立动态面板模型进行研究。并且.考虑到不良贷款率与各期滞后宏观经济指标的相关性并不是本文重点.且依据作者多次回归的比较结果得出.加入各宏观经济变量滞后变量对模拟回归结果并无裨益.因此本文基于以上原因对模型进行调整.即：
三.实证结果
1.模型的构建。为了观察不同估计下参数的差异.我们采用2SLS估计、差分GMM估计及系统GMM估计。相关系数估计结果见表2。结果表明.依据我国目前的数据来看.三种估计方法计算得出的银行证券化指标与不良贷款率指标均不存在显著的相关性。这也就意味着.目前我国商业银行在资产证券化业务中并不存在逆向选择、“以次充好”的现象。从估计结果来看，不良贷款变量ANPL与银行资产证券化指标SECi的当期值、滞后一阶值均呈负向的相关关系.说明我国商业银行的不良贷款率会随着证券化规模的扩大而减小.这表明.银行有可能通过证券化剥离了一部分质量较低的贷款.从而降低银行的不良率。但由于系数并不显著.因此.基于目前我国的已有数据该判断无法成为定论。
从估计结果来看.三种方法各个系数的估计值差距不大。2SLS估计、差分GMM估计中，不良贷款率指标ANPL。与其一阶滞后值ANPL系数显著且为负.这与美国数据的实证结果一致.我们认为这也与银行控制不良贷款率的动机及机制相关。一般地.如果某商业银行当期不良贷款率相对较低，银行会倾向于放松贷款放贷标准、扩大信贷规模，这就会导致下一期的不良贷款率有一定程度的上升：如果银行当期不良贷款率较高.银行信贷部门会基于监管考核的压力收紧信贷.从而降低下一年的不良贷款率指标。前一期坏账冲销处理.也会使得当期不良贷款率降低。
从其他宏观变量的系數估计结果来看.不良贷款变量ANPL与AGDP的系数为正，说明随着我国GDP的增长.企业贷款数量和体量会随之增加.在其他变量不变的情况下.不良贷款率会随之上升.这也与我们对信贷业务的直觉判断基本相符。△UN与ANPL。的系数均不显著且系数绝对值较小，说明不良贷款率与失业率的关系较弱。AINR与不良贷款变量AINR估计得到的系数为负，即贷款利率的上升，会导致不良率的下降。
2.检验。那么，以上三种估计枋法是否均适用？为了验证这个问题，我们对估计方法进行了自相关检验。从Arel-lano-Bond检验的估计结果来看.采用2SLS这种估计方法更为合适。三中估计方法下所有变量均通过Sargan检验.表明工具变量的选择是合适的.不存在过度识别的问题。
四、结论与政策建议
本研究采用动态面板模型.引入我国商业银行不良贷款率及资产证券化数据.通过2SLS估计、差分GMM估计及系统GMM估计三种估计方法.研究我国商业银行不良贷款率与资产证券化指标的内在关系.深入探讨我国商业银行在资产证券化操作中是否存在“逆向选择”的问题。估计结果表明.我国商业银行证券化指标与不良贷款率指标不存在显著的相关性。这也就意味着.目前我国商业银行在资产证券化业务中并不存在逆向选择、“以次充好”的现象。
作者认为.这一方面是由于我国资产证券化业务处于起步阶段.各银行在发行信贷资产证券化、信用卡资产证券化、住房抵押贷款资产证券化等产品时.更多地会从行业、地域、分散度、利率、期限等出发筛选贷款进行产品结构设计：另一方面也由于目前参与资产证券化的银行相对较少、资产证券化开展年份相对较短、体量较小，因此“逆向选择”的问题在目前的数据规模中并不凸显。
尽管目前我国商业银行在发行证券化产品时.并没有“以次充好”的现象。为防患于未然.我国监管机构已经采取多方措施进一步规范资产证券化业务的信息披露。银行间交易商协会4月19日和5月11日分别发布《不良贷款资产支持证券信息披露指引（试行）》和《信贷资产支持证券信息披露工作评价规程（征求意见稿）》，10月14日又再次发布了《微小企业贷款资产支持证券信息披露指引（试行）》。要求相关承销商及中介机构，在注册环节、发行环节及存续期等环节充分披露贷款资产支持证券相关信息。可见我国监管机构在加强商业银行的相关监管、提高证券化操作过程中的透明度方面的决心。未来.监管当局应继续提高评级、律师等中介机构的尽调要求.规范信贷资产证券化业务信息披露的操作准则.促进信贷资产证券化市场健康有序发展。