【房屋空置率对商业银行不良信贷率的实证探究5300字（论文）】

房屋空置率对商业银行不良信贷率的实证研究目录TOC\o"1-2"\h\u11477房屋空置率对商业银行不良信贷率的实证研究 1324791.1研究假设 172171.2实证模型构建 3196091.2.1变量说明及数据来源 367121.2.2实证模型建立 4279061.3回归结果分析 5310081.3.1变量的平稳性检验 5248391.3.2多重共线性的检验 7305941.3.3异方差检验 7124631.3.4自相关性检验 965841.3.5最终回归结果及结论 101.1研究假设根据理论基础研究，使用不良信贷率来衡量银行信贷风险，分析房屋空置率与商业银行不良信贷率之间的作用机制，提出如下研究假设：随着地产行业的快速发展，房价泡沫逐渐堆积，开发商过度开发，导致许多房屋并不具备入住条件，房屋因追求高周转快运营导致的工程质量低劣等，均导致大量房产去化困难销售不畅。进而造成投资预期反转，房屋流通性变差，房屋空置率上升。房屋空置进一步导致地产企业现金流紧张，资源盘活困难，大型地产盈利困难，中小型地产企业面临破产，无法偿还贷款。且房产作为抵押物价值缩水，变现困难，进而也造成了商业银行不良信贷率上升。因此，关于房屋空置率对不良信贷率的影响提出如下假设：假设H1：房屋空置率对于不良信贷率有正向影响，即银行不良信贷率随着房屋空置率的提高而上升。此外，银行经营状况、银行借贷规模、地产价格波动、地产企业资产负债率、宏观经济水平也可能会对银行不良信贷率造成一定影响，因此作为控制变量纳入回归模型中进行探究。银行贷款比属于一种评价指标，用于评价银行的盈利程度，它等于贷款总额与存款总额的比值。就银行而言，该数值越大越好，因为对于存款额来说，银行需要向存款者支付利息，而对于贷款额来说，银行则可以向贷款者收取利息。银行主要通过其中的差价来盈利。因此，如果一家银行的存款多，而贷款少，那它所需要支出的成本就高，盈利能力就会变差。但从抗风险的角度来看，存贷比并不是越高越好，如果存贷比过高，就会导致银行的现金流不足，不能满足客户的现金支取，以及日常结算等服务内容，导致银行进行风险增大。这时候商业银行为了减少支付危机带来的影响，则会在短期内大量的发放信贷，会导致对信贷风险的把控力度降低，进而提升不良信贷率。因此，关于银行经营状况对不良信贷率的影响提出如下假设：假设H2：银行经营状况对于不良信贷率有正向影响，即银行不良信贷率随着银行存贷比的提高而上升。商业银行借贷规模包含了开发商贷款余额与个人住房贷款余额，过度的借贷规模将导致不良信贷率累加。银行出于业绩需求，在市场良好的情况下会增加地产借贷的额度，加大地产信贷规模。但是从概率的角度上来看，借贷金额、数量越多，出现不良信贷率的概率也就越大。因为庞大的借贷规模对银行风险把控、客户背调的能力提出了更高的要求，一旦出现黑天鹅事件或者市场行情逆转时，银行抵押物的价值将大幅缩水，形成连锁反应。因此，关于借贷规模对不良信贷率的影响提出如下假设：假设H31：银行借贷规模对于不良信贷率有正向影响，即银行不良信贷率随着开发商贷款余额与个人住房贷款余额之和的提高而上升。胡恒川[66]的观点如下，随着房价的的上升，不良贷款率上升。因为借款人通过抵押房屋获得的贷款会增加。这部分贷款的一部分会继续流入房地产市场，导致房价继续上涨。在这个过程中，大量资金的进入，打破房地产市场原有的供需关系，房屋的价值脱离了原本的价值，房地产泡沫越来越大。形成一个恶性循环，因此，一旦出现房价的快速下降，整个循环就会停止，银行的不良贷款率就会快速上升。所以，他们认为房价的持续升高，以及房地产泡沫的扩大都会提升银行的不良贷款率。因此，关于地产价格波动对不良信贷率的影响提出如下假设：假设H4：地产价格波动对于不良信贷率有正向影响，银行不良信贷率随着地产平均销售价格的提高而上升。房地产企业目前存在过度追求规模化，而信贷杠杆则是帮助房地产企业快速扩张，形成规模效应的最佳捷径。目前越来越多的地产在逐渐加大银行信贷杠杆的使用，但是着其中存在巨大的风险。地产企业资产负债率越高，说明其使用的信贷杠杆越大，对信贷的依赖度更高，资金体系抗风险能力弱。一旦出现盲目投资，经营状况差强人意等问题，导致资金链断裂，造成银行产生坏账，不良信贷率随之提升。因此，关于地产企业资产负债率对不良信贷率的影响提出如下假设：假设H5：地产企业资产负债率对于不良信贷率有正向影响，即银行不良信贷率随着资产负债率的提高而上升。宏观方面，目前我国经济发展速度放缓，并且国家短期内密集的颁布了各项政策进行调控。社会的最初经济环境很重要，不同的初始经济环境对应了不同的抗风险能力。如果社会的初始经济环境良好，表现为负债率低，以及资金流正常，那么就算房地产价格出现明显下降，也不会影响家庭，以及公司的正常运转，不会出现金融危机等情况，造成不良信贷率提升。因此，关于宏观经济水平对不良信贷率的影响提出如下假设：假设H6：宏观经济水平对于不良信贷率有负向影响，即银行不良信贷率随着GDP的提高而下降。1.2实证模型构建1.2.1变量说明及数据来源本文以具有代表性的16家商业银行数据为例，选取了1个核心解释变量，5个控制变量，采用GMM方法进行回归分析。被解释变量银行信贷风险用商业银行的不良信贷率来衡量，核心解释变量为房屋空置率，着重探究这两者之间的关系。此外，银行经营状况、房地产信贷借贷规模、地产价格波动、地产企业财务状况以及宏观经济环境也可能对不良信贷率产生影响，因此作为控制变量纳入模型中。将这几个经济指标并用相应的符号表示，探究对于中国商业银行不良贷款率的影响。表4-1变量定义表符号维度指标单位NPL银行信贷风险银行不良信贷率%HVR地产经营状况房屋空置率%LTD银行经营状况银行存贷比—SCA银行借贷规模开发商贷款余额与个人住房贷款余额之和亿元PRI地产价格波动地产平均销售价格万元ALR地产财务状况资产负债率%GDP宏观经济发展GDP变化率%本文选取了16家商业银行、20家上市地产企业2010年至2019年的数据作为样本，原始数据来源于Wind数据库及国家统计局。1.2.2实证模型建立根据研究假设，随着地产行业的快速发展，房价泡沫逐渐堆积，开发商过度开发，导致许多住宅、写字楼并不具备入住条件，例如内外部的市政基础设施、公共配套设施不完善，房屋因追求高周转快运营导致的工程质量低劣等，均导致大量房产去化困难销售不畅。进而造成投资预期反转，房屋流通性变差，房屋空置率上升。房屋空置进一步导致地产企业现金流紧张，资源盘活困难，大型地产盈利困难，中小型地产企业面临破产，无法偿还贷款。且房产作为抵押物价值缩水，变现困难，进而也造成了商业银行不良信贷率上升。建立银行不良信贷率以及房屋空置率之间的相关模型如下：(1)式(1)中，Y是不良信贷率，K是对其有影响作用的房屋空置率，一般指商品房房屋空置率，包含住宅及写字楼的空置率，At是其他控制因素影响。α是\t"/item/%E6%9F%AF%E5%B8%83-%E9%81%93%E6%A0%BC%E6%8B%89%E6%96%AF%E7%94%9F%E4%BA%A7%E5%87%BD%E6%95%B0/_blank"弹性系数，μ表示\t"/item/%E6%9F%AF%E5%B8%83-%E9%81%93%E6%A0%BC%E6%8B%89%E6%96%AF%E7%94%9F%E4%BA%A7%E5%87%BD%E6%95%B0/_blank"随机干扰的影响，μ≤1。去对数则可得模型如下：(2)另外参考有关文献，银行不良信贷率还会受到银行经营状况、房地产信贷借贷规模、地产价格波动、地产企业财务状况以及宏观经济环境等因素的影响，因此将这些因素作为控制变量纳入模型之中，同时考虑到房屋空置率有一定的时滞性，当前的不良信贷率会受到前期房屋空置率的滞后影响，因此模型中加入因变量的滞后项，得如下动态回归模型：(3)为方便计算，将变量符号替换为下式：(4)其中μi=lnA=μ+vi。A为常数项，i为截面观测单元，t为时间序列，εit为误差项。NPLit表示商业银行i在时期t的银行不良信贷率，HVRit表示商业银行i在时期t对应的房屋空置率，LTDit表示商业银行i在时期t的银行存贷比，SCAit表示商业银行i在时期t的地产信贷规模，PRLit表示商业银行i在时期t对应的地产平均销售价格，ALRit表示商业银行i在时期t对应的地产资产负债率，GDPit表示商业银行i在时期t的宏观经济环境，α是\t"/item/%E6%9F%AF%E5%B8%83-%E9%81%93%E6%A0%BC%E6%8B%89%E6%96%AF%E7%94%9F%E4%BA%A7%E5%87%BD%E6%95%B0/_blank"弹性系数，μ表示\t"/item/%E6%9F%AF%E5%B8%83-%E9%81%93%E6%A0%BC%E6%8B%89%E6%96%AF%E7%94%9F%E4%BA%A7%E5%87%BD%E6%95%B0/_blank"随机干扰的影响，μ≤1，εit为误差项。1.3回归结果分析1.3.1变量的平稳性检验本文使用的数据属于时间序列，对时间序列而言，要检验其平稳性，以保证统计特征不会随着时间推移而变动。首先运用单位根检验法，依次对被解释变量、解释变量、控制变量进行平稳性检验。根据单位根检验及一阶差分的结果，整理出下表：表4-2各变量的ADF检验结果变量ADF值5%水平下的临界值结论NPL-1.157651-3.004861非平稳D（NPL）-1.249121-2.986225平稳HVR-1.210996-2.998064非平稳D（HVR）-1.206536-3.020686平稳LTD-2.578224-2.981038非平稳D（LTD）-8.680308-2.986225平稳SCA-1.976149-2.991878非平稳D（SCA）-8.085952-2.991878平稳PRI-2.464667-2.981038非平稳D（PRI）-6.256683-2.986225平稳ALR-2.485846-2.981038非平稳D（ALR）-1.517655-2.986225平稳GDP-5.236024-2.986225平稳D（GDP）-5.976312-3.004861平稳从上表结果看出，被解释变量NPL与解释变量HVR存在单位根，属于非平稳序列，而被解释变量与解释变量、控制变量的一阶差分数据都属于平稳序列，即NPL、HVR、LTD、SCA、PRI、ALR、GDP是一阶单整序列，满足协整检验前提。可以进行协整检验，以检验各变量间是否存在长期均衡关系。表4-3初步回归结果VariableCoefficientStd.Errort-StatisticProb.NPL2.4460238.9891210.2721090.7890HVR0.1908600.2805340.6803460.5060LTD0.0686180.0275402.4916200.0241SCA0.0053770.0003731.424070.0000PRI0.3050080.0932783.2699010.0048ALR0.0356670.0560830.6359670.5338GDP-0.0038180.007126-0.5357610.5995AR(1)0.7687760.2405163.1963640.0056AR(2)-0.3058710.167904-1.8217010.0872R-squared0.989193Meandependentvar1.661200AdjustedR-squared0.983789S.D.dependentvar0.417735S.E.ofregression0.053187Akaikeinfocriterion-2.756288Sumsquaredresid0.045262Schwarzcriterion-2.317492Loglikelihood43.45359Hannan-Quinncriter.-2.634584F-statistic183.0590Durbin-Watsonstat1.886694Prob(F-statistic)0.000000表4-4残差序列E的ADF检验结果NullHypothesis:EhasaunitrootExogenous:ConstantLagLength:1(Automatic-basedonSIC,maxlag=5)t-StatisticProb.*AugmentedDickey-Fullerteststatistic-5.1175910.0004Testcriticalvalues:1%level-3.7529465%level-2.99806410%level-2.638752由表4-4、4-5可知，ADF=-5.1176，小于不同检验水平的三个临界值，因此残差序列E为平稳序列。所以被解释变量与解释变量之间存在协整关系，即各变量间有长期均衡关系。1.3.2多重共线性的检验回归中的多重共线性是一个当模型中一些预测变量与其他预测变量相关时发生的条件。严重的多重共线性可能会产生问题，因为它可以增大回归系数的方差，使它们变得不稳定。因此，为保证回归结果的可靠性，首先要对模型中的变量进行多重共线性的检验：表4-5相关系数矩阵HVRLTDSCAPRIALRGDPHVR1.000000LTD-0.1856771.000000SCA0.3325270.0027021.000000PRI0.3727490.2817910.3751751.000000ALR-0.384878-0.204827-0.321317-0.4652241.000000GDP0.347258-0.1070280.0702420.0196120.0471241.000000由相关系数矩阵可以看出，解释变量不存在多重共线性，但是控制变量中PRI、ALR间的相关系数较高，模型存在多重共线性，因此需使用GMM方法进行回归，来消除多重共线性带来的影响。1.3.3异方差检验怀特检验是通过建立辅助回归模型的方式来判断异方差性。下面为White检验结果。表4-6异方差检验F-statistic1.293238Prob.F(20,5)0.0565Obs*R-squared21.56930Prob.Chi-Square(20)0.2184ScaledexplainedSS12.32769Prob.Chi-Square(20)0.9043Std.Errort-StatisticProb.NPL 0.0117600.0047862.4571520.0574HVR 0.6387940.206711-3.0902850.0272HVR^2 7.0666352.5617082.7585640.0399HVR*LTD 0.0766110.1836010.4172680.6938HVR*SCA 0.0173410.0074182.3377260.0666HVR*PRI-2.0999611.350630-1.5548010.1807HVR*GDP-0.0487230.032707-1.4896870.1965LTD-0.0015900.007817-0.2034190.8468LTD^20.0060800.0032881.8488780.1237LTD*SCA0.0001930.0002140.9040400.4074LTD*PRI-0.0472300.027925-1.6913120.1516LTD*GDP0.0059530.0052681.1301930.3097SCA-0.0004650.000159-2.9288720.0327SCA^2-9.71E-065.72E-06-1.6974440.1504SCA*PRI0.0013840.0008751.5820570.1745SCA*GDP-9.82E-056.37E-05-1.5403670.1841PRI0.0417180.0393251.0608440.3373PRI^20.1087220.0747961.4535740.2058PRI*GDP0.0075520.0104460.7229360.5021GDP0.0027720.0014621.8959340.1165GDP^20.0004620.0004341.0650920.3355R-squared0.944973Meandependentvar0.005124AdjustedR-squared0.724866S.D.dependentvar0.006805S.E.ofregression0.003570Akaikeinfocriterion-8.466021Sumsquaredresid6.37E-05Schwarzcriterion-7.449866Loglikelihood131.0583Hannan-Quinncriter.-8.173405F-statistic1.293238Durbin-Watsonstat1.528769Prob(F-statistic)0.056489根据表格怀特检验的F检验值及其相伴概率，在显著性水平为5%情况下，nR²=12.327＜X20.05(20)=31.41，因此接受原假设，模型不存在异方差。1.3.4自相关性检验根据下表，模型的回归估计结果，DW=1.2667，给定显著性水平α=0.05的情况下，样本数n为26，k为3，查DW统计表，得到下限临界值dl为1.143，上限临界值du为1.652。Dl＜DW=1.2478＜du，无法判断是否存在自相关。因此，进行LM乘数检验。表4-7自相关检验回归结果VariableCoefficientStd.Error Prob.HVR0.4570170.028704 0.1269LTD1.8652710.791629 0.0288SCA0.0411270.023363 0.0936PRI0.0055760.000876 0.0000ALR0.2750340.130476 0.0479GDP-0.0068710.008991 -0.4537R-squared0.831570Meandependentvar-0.020000AdjustedR-squared0.789462S.D.dependentvar0.177876S.E.ofregression0.081618Akaikeinfocriterion-1.974371Sumsquaredresid0.133228Schwarzcriterion-1.684041Loglikelihood31.66683Hannan-Quinncriter.-1.890767F-statistic19.74869Durbin-Watsonstat1.247758Prob(F-statistic)0.000000由表4-8可知，LM（2）=nr²=2.6775X20.05(2)=5.9915，模型不存在高阶自相关性。表4-8LM乘数检验结果Breusch-GodfreySerialCorrelationLMTest:F-statistic1.033218 Prob.F(2,18)0.3760Obs*R-squared2.677473 Prob.Chi-Square(2)0.26221.3.5最终回归结果及结论本文使用Stata15.0软件，运用系统GMM的方法对数据按照模型进行回归，得到了如表所示的结果。模型(1)-(7)中Hansen过度识别约束检验均不拒绝原假设，说明所有工具变量均有效。Arellano-Bond差分后的AR(1)检验均拒绝原假设而AR(2)检验均不拒绝原假设，说明差分后的残差存在一阶自相关但不存在二阶自相关。并且工具变量选取的个数均不超过截面个数。因此可以看出，在统计意义下，设定的该模型是较为理想的模型。表4-9最终回归结果(1)(2)(3)(4)(5)(6)(7)1.117***1.106***1.033***0.988***0.975***0.981***1.015***(45.9)(32.28)(17.77)(55.53)(106.91)(42.59)(33.93)0.131***0.163***0.175***0.178**0.175***0.151***(93.72)(193.75)(67.87)(12.49)(68.2)(12.02)0.055***0.077***0.050***0.053***0.007**(50.43)(37.43)(2