黃璟宜+邱兆祥+許坤

摘要：通過某股份制商業(yè)銀行2010-2015年貸款數(shù)據(jù)，討論不同風(fēng)險貸款企業(yè)、貸款利率與信貸違約之間的關(guān)系。結(jié)果表明：貸款利率與貸款違約之間呈現(xiàn)U型關(guān)系；高風(fēng)險等級企業(yè)與貸款違約之間正相關(guān)且顯著；無論是高風(fēng)險等級企業(yè)還是低風(fēng)險等級企業(yè)與銀行貸款利率之間均呈現(xiàn)負(fù)相關(guān)且顯著，說明貸款利率的抑制現(xiàn)象依然存在。從參數(shù)估計值來看，低風(fēng)險等級企業(yè)貸款利率要低于高風(fēng)險等級企業(yè)；高風(fēng)險企業(yè)與貸款利率交叉項與違約之間呈現(xiàn)負(fù)相關(guān)且顯著，說明高風(fēng)險企業(yè)通過貸款利率渠道確實可以降低信貸違約概率。

關(guān)鍵詞：貸款利率；違約風(fēng)險；信用評級

中圖分類號：F832.3文獻標(biāo)識碼：A文章編號：10037217（2017）06001508

一、引言

銀行貸款仍是我國企業(yè)的主要融資模式。根據(jù)中國人民銀行金融統(tǒng)計數(shù)據(jù)，截至2016年11月，我國金融機構(gòu)的各類貸款總計150.56萬億元，規(guī)模遠(yuǎn)超過2015年67.67萬億元GDP。如此龐大的信貸市場，如何控制信貸風(fēng)險是金融體系安全運行面臨的重大問題。同時，信貸系統(tǒng)的健康穩(wěn)定運行也關(guān)系到貨幣政策、企業(yè)信用體系管理以及制造業(yè)等其他行業(yè)管理政策的效率。近五年的數(shù)據(jù)顯示，銀行貸款中的呆壞賬有上升趨勢，銀行不良貸款率從2012年的0.95%上升至2016年的1.74%。這和當(dāng)前時期我國正處于經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型升級和金融雙向開放改革關(guān)鍵時期，重點行業(yè)和重點區(qū)域金融風(fēng)險有所上升有密切關(guān)系。因此，研究銀行貸款違約問題具有重要而深遠(yuǎn)的意義。

企業(yè)風(fēng)險、貸款利率與信貸違約之間存在一定關(guān)系。在信息不對稱情況下，Stiglitz（2000）指出，若貸款利率過高，低風(fēng)險企業(yè)將不會貸款，而高風(fēng)險企業(yè)因道德風(fēng)險會更偏好選擇貸款，從而導(dǎo)致信貸違約風(fēng)險上升；相反，若貸款利率過低，高風(fēng)險企業(yè)因逆向選擇獲得貸款偽裝，從而也使得銀行違約風(fēng)險上升[1]。Kaplin等（2009）發(fā)現(xiàn)，貸款利率變動與違約率之間呈現(xiàn)顯著負(fù)向關(guān)系，短期利率變動與違約率之間負(fù)向關(guān)系也非常顯著[2]。Magri等（2011）使用意大利住房按揭貸款數(shù)據(jù)研究了貸款利率與違約風(fēng)險之間的關(guān)系，結(jié)果顯示高貸款利率往往伴隨著高違約率[3]。Daglish（2009）的研究表明，在低利率環(huán)境下，企業(yè)信用升級可能會減少違約風(fēng)險，而且違約風(fēng)險對貸款利率非常敏感[4]。國內(nèi)學(xué)者尹志超和甘犁（2011）的研究發(fā)現(xiàn)，在考慮企業(yè)異質(zhì)性后，抵押品對信貸違約的影響不同。相對中等信用等級的企業(yè)，高信用等級和低信用等級的企業(yè)都更愿意提供抵押品作為貸款的擔(dān)保。從事后違約來看，在抵押貸款中，高信用等級的企業(yè)違約率低于中等信用等級企業(yè)，低信用等級企業(yè)違約率高于中等信用等級企業(yè)[5]。馬九杰等（2004）的研究顯示，貸款利率與我國縣域中小企業(yè)違約率之間關(guān)系不明顯[6]。此外，方匡南和吳見彬（2013）、錢爭鳴等（2014）研究了住房抵押貸款市場、貸款利率與違約風(fēng)險之間的關(guān)系[7，8]。

縱觀國內(nèi)外研究，學(xué)者們從不同角度實證分析了企業(yè)異質(zhì)性、貸款利率與信貸違約風(fēng)險之間的關(guān)系，并得出了一定的研究結(jié)論。這些研究設(shè)計和模型構(gòu)建為后續(xù)研究提供了重要的參考。這些研究大多對住房抵押貸款進行分析，而利用借款企業(yè)實際發(fā)生的貸款數(shù)據(jù)分析企業(yè)異質(zhì)性、貸款利率與信貸違約風(fēng)險關(guān)系的文獻非常有限。因此，本文在金融雙向深化改革背景下，通過銀行微觀企業(yè)貸款數(shù)據(jù)，分析企業(yè)貸款利率與違約風(fēng)險之間非線性關(guān)系，并探討風(fēng)險企業(yè)異質(zhì)性在貸款利率及其信貸違約方面的差異化影響。

二、理論模型及研究設(shè)計

借鑒有關(guān)貸款利率與信貸配給模型[1]，本文進一步放寬模型假設(shè)，以研究銀行貸款利率設(shè)定與違約風(fēng)險之間的關(guān)系。

考慮到有n個風(fēng)險中性借款人，每個借款人擁有一個可投資項目，項目初始投資額為I=1，并產(chǎn)生隨機收益為X，其中X∈{R，0}。令p∈[0，1]表示X=R概率。借款人沒有初始財富，必須依靠外部資金為項目融資。借款人有兩種不同類型：安全型（Safe）和風(fēng)險型（Risky），分別用s和r表示，即i=s，r。第i借款人所獲得項目收益為（Ri|pi），預(yù)期收益為piRi=m，其中ps>pr，Rsmax{β，1-β}，目的是避免把某一種類型的借款人完全排除在外。

在對稱信息情況下，銀行可以完全識別貸款人風(fēng)險類型，銀行應(yīng)該把所有的單位資金α全部貸出去，并且根據(jù)借款人的風(fēng)險類型設(shè)定貸款利率，即對類型i借款人規(guī)定Li還款利率，Li=Ri，借款人以pi概率獲得Ri。貸款給每種類型借款人對于銀行來說是無差異的，只要滿足piRi=m>1（I=1），此條件說明了銀行貸款事前違約風(fēng)險為0，事后貸款違約風(fēng)險是1-pr。

在信息不對稱情況下，銀行不能有效識別安全借款人和風(fēng)險借款人?？紤]到我國銀行信貸合同中有關(guān)貸款利率靈活性并不高，現(xiàn)在只考慮這樣一種合同，銀行針對不同貸款卻只收取一個固定的利率L。假設(shè)第i借款人當(dāng)且僅當(dāng)L≤Ri才向銀行申請貸款。如果L>Rs，只有風(fēng)險借款人會向銀行申請貸款，在這種情況下，很容易得到銀行最優(yōu)解條件是L=Rr，則銀行利潤是：

（1-β）（m-1）（1）

式（1）表明：銀行并沒有充分地使用所有資金α，只有1-β部分貸給了風(fēng)險借款人項目，而安全借款人被排除在外，無法獲得貸款。對銀行來說，只貸款給風(fēng)險借款人，而把安全借款人排除在外是不明智的。因為風(fēng)險借款人違約風(fēng)險1-pr顯然是要高于安全借款人1-ps的。

如果L≤Rs，安全借款人和風(fēng)險借款人都會向銀行申請貸款。假設(shè)每個類型借款人獲得貸款機會是相同的，在這種情況下，很容易得到銀行最優(yōu)解條件是L=Rs，則銀行利潤是：

β（m-1）+（1-β）（prRs-1）（2）

式（2）表明：銀行充分地使用了所有資金α，β部分貸給了安全借款人項目，1-β部分貸給了風(fēng)險借款人項目。這種狀態(tài)并不是最優(yōu)的，因為銀行無法有效識別安全借款人和風(fēng)險借款人，其對于風(fēng)險借款人收取的貸款利率僅為Rs，但卻承擔(dān)了更高的違約風(fēng)險1-pr。

式（1）和（2）哪一個更大，取決于參數(shù)pr和β的大小。其他情況都相同時，如果pr較大，以至于接近ps的話，式（2）將比式（1）大，此種情況很難滿足，更多的是1-β足夠的小。如果確實是這樣，那么問題就出現(xiàn)了，風(fēng)險借款人將很難得到銀行貸款。因為項目收益Ri>L（L=Rs），為了獲得更多剩余Ri-L，風(fēng)險借款人更愿意接受更高L。但是銀行卻發(fā)現(xiàn)提高L不是最優(yōu)的，因為這樣會失去更多安全借款人，即使項目違約風(fēng)險1-pr下降，銀行也不會提高貸款利率L。

如果改變原piRi=m>1假設(shè)，令psRs=ms>1，prRr=mr<1，即風(fēng)險借款人項目預(yù)期收益要低于起初投資，風(fēng)險借款人貸款事前事后違約風(fēng)險都是1。在信息不對稱情況下，銀行貸款利率最優(yōu)選擇肯定不是L=Rr，因為如果這樣做的話，銀行貸款的借款人都是風(fēng)險借款人，且100%是違約風(fēng)險借款人。銀行最優(yōu)貸款利率只能是L=Rs，銀行希望避免貸款給那些風(fēng)險借款人，但卻無法做到。安全借款人和風(fēng)險借款人都得到了銀行貸款，則銀行利潤是：

β（mS-1）+（1-β）（prRs-1）（3）

因為Rs

三、實證分析

（一）樣本與數(shù)據(jù)

銀行信貸實證研究最大的困難是難以獲得高質(zhì)量的微觀數(shù)據(jù)[5]。本文選取2010-2015年某股份制商業(yè)銀行某省分行每筆企業(yè)貸款數(shù)據(jù)。該銀行在股份制商業(yè)銀行的排名在前10%以內(nèi)，信貸業(yè)務(wù)具有較強的代表性，而且股份制商業(yè)銀行在貸款利率自主定價方面比國有商業(yè)銀行及其他商業(yè)銀行更具有代表性。該省分行位于我國經(jīng)濟發(fā)展水平前20%的省份，經(jīng)濟交易活躍，又處于西部地區(qū)，銀行信貸是其重要融資方式。因此，本文數(shù)據(jù)具有較好的代表性。我們使用的數(shù)據(jù)是該分行最近六年的真實貸款交易記錄，總計108 390筆。由于本文主要解釋變量之一是貸款利率，故刪除數(shù)據(jù)中缺失貸款利率的貸款記錄，因此，最后的分析樣本數(shù)據(jù)為7063條。

（二）變量定義與解釋

1.貸款合約特征。（1）DEFAULT：企業(yè)貸款違約，虛擬變量。根據(jù)銀監(jiān)會貸款五級分類法及其規(guī)定，正常、關(guān)注為正常類貸款，次級、可疑、損失歸為不良類貸款。引入貸款違約的啞變量，當(dāng)某筆貸款狀態(tài)為次級、可疑、損失三類時，貸款違約的啞變量取值1，否則為0[5]。（2）LOANRATE：企業(yè)貸款利率，連續(xù)變量。該變量來源于樣本中變量“放款初始利率”。貸款利率不宜過高，也不宜過低。貸款利率越高，企業(yè)還款壓力越大，逆向選擇和道德風(fēng)險越嚴(yán)重；貸款利率越低，供求矛盾凸出，信貸配給問題越嚴(yán)重。（3）SECUREDLOAN：擔(dān)保貸款，虛擬變量。該貸款為信用貸款時，啞變量取值為0；其他貸款擔(dān)保方式取值為1，包括質(zhì)押、保證+質(zhì)押、保證、保證+質(zhì)押+抵押。信貸市場信息不對稱易產(chǎn)生逆向選擇和道德風(fēng)險①?？傮w來看，抵押貸款違約率不低于信用貸款違約率，但若考慮到企業(yè)異質(zhì)性后，抵押對違約的影響是不同的[5]。（4）MATURITIES：貸款期限，連續(xù)變量。該變量來源于樣本中的變量“借據(jù)到期日”與“起息日”之間的差。根據(jù)利率期限結(jié)構(gòu)理論，貸款期限越長，不確定性因素越多，違約風(fēng)險越高。（5）LOANTOTAL：貸款金額，連續(xù)變量。該變量來源于樣本中的變量“借據(jù)本金金額”。一般來說，貸款金額越大，利息支出越高，企業(yè)面臨的還款壓力越大，這與尹志超等（2011）[5]有關(guān)貸款金額與違約率之間正相關(guān)關(guān)系研究結(jié)論相符。但是，貸款金額越高，銀行會加大貸前審查和貸后監(jiān)督，從違約角度來說，并不一定呈現(xiàn)簡單的一次線性關(guān)系，很可能是二次拋物線關(guān)系。（6）PAYMENT：還款方式，虛擬變量。樣本中付息方式包括按計劃還款、等額本金、等額本息、定期付息到期還本、放款付息到期還本和一次性還本付息。本文引入還款方式的啞變量，當(dāng)某筆貸款還款方式為“定期付息到期還本”，還款方式的啞變量取值1，否則為0。（7）RATETYPE：利率類型，虛擬變量。樣本中利率類型包括浮動利率和固定利率。本文引入利率類型的啞變量，當(dāng)某筆貸款利率類型為“固定利率”，利率類型的啞變量取值1，否則為0。固定利率的借款企業(yè)會受到經(jīng)濟波動影響而違約，當(dāng)經(jīng)濟正在經(jīng)歷通縮時，對固定利率借款企業(yè)是不利的，而浮動利率則可避免此類影響。

2.借款企業(yè)特征。（1）RISKYTYPE：企業(yè)信用評級，虛擬變量。根據(jù)銀行內(nèi)部信用評級，把借款企業(yè)信用劃分為高風(fēng)險企業(yè)、一般風(fēng)險企業(yè)和低風(fēng)險企業(yè)三類[5]，信用評級會影響貸款違約概率。信用評級高的借款人資質(zhì)較好，貸款違約可能性較低。但在使用信用評級識別借款人時，貸款違約概率可能更高[9]。（2）FIRMNO.：企業(yè)從業(yè)人員數(shù)，連續(xù)變量。企業(yè)從業(yè)人員數(shù)量不多，并不能說明該企業(yè)規(guī)模和實力，但是企業(yè)從業(yè)人員數(shù)量較多卻可以部分反映出企業(yè)規(guī)模和實力較強，特別是對于那些勞動密集型行業(yè)。（3）ASSET/LIABRATIO：企業(yè)資產(chǎn)/負(fù)債比率，連續(xù)變量。企業(yè)總資產(chǎn)-總負(fù)債=所有者權(quán)益，因此，該財務(wù)指標(biāo)常常用來衡量企業(yè)償債能力，該值大于1，債務(wù)可以足額清償，不會違約，且該值越高，說明企業(yè)償債能力越強；該值小于1，債務(wù)不能足額清償，出現(xiàn)違約，且該值越低，說明債務(wù)違約損失越高。

控制變量主要包括兩類：一類是貸款合約特征，包括借款金額、借款期限、擔(dān)保方式、還款方式、利率類型等；另一類是借款企業(yè)信息，包括企業(yè)資產(chǎn)、企業(yè)負(fù)債、從業(yè)人員等。此外，為了控制諸多宏觀經(jīng)濟變量和時間趨勢的影響，本文引入了年份時間啞變量。

（三）模型方法

根據(jù)Jiménez和Saurina（2004）、尹志超等（2014）對銀行貸款違約研究的相關(guān)文獻[5，10]，考慮到銀行貸款利率與違約之間非線性關(guān)系，構(gòu)建計量模型如下：

Pr（Default=1）=α1Loanrate+α2Loanrate2+

Xβ+u（4）

式（4）中，Default為啞變量，當(dāng)該筆貸款出現(xiàn)違約時，取值為1，否則取0。Loanrate為該筆貸款對應(yīng)的利率值，X為控制變量，u為殘差項。

采用線性概率模型（LPM）和Logit非線性模型估計式（4），結(jié)果發(fā)現(xiàn)：銀行違約率與貸款利率之間呈現(xiàn)出U型關(guān)系，即信貸違約隨著利率上升，出現(xiàn)先下降，再上升的過程。

為了檢驗不同風(fēng)險企業(yè)對于銀行違約影響，以一般信用等級的企業(yè)為參照組，將企業(yè)分為高信用等級和低信用等級，高信用等級為低風(fēng)險企業(yè)（SafeE），低信用等級為高風(fēng)險企業(yè)（RiskyE），并引入這兩個啞變量，構(gòu)建如下計量模型：

Pr（Default=1）=ψ1Safe+ψ2Risky+

Xψ+ε（5）

式（5）中，如果銀行違約概率對于不同風(fēng)險企業(yè)是無差別的，則ψ1和ψ2應(yīng)該為0，即借款企業(yè)風(fēng)險等級不是影響銀行貸款違約的因素。如果銀行貸款違約概率對于不同風(fēng)險企業(yè)是有差別的，則ψ1和ψ2不為0。

為了檢驗貸款利率是否體現(xiàn)了不同風(fēng)險企業(yè)的差異化定價，需估計不同風(fēng)險企業(yè)對于貸款利率的影響：

Loanrate=γ0+γ1Safe+γ2Risky+X+ω（6）

如果銀行貸款利率對于不同風(fēng)險企業(yè)沒有差別，則γ1和γ2應(yīng)該為0；但如果銀行貸款利率考慮了不同風(fēng)險企業(yè)進行了差別定價，則γ1和γ2不為0，而且還可以通過參數(shù)估計值比較影響大小。

進一步，研究不同風(fēng)險企業(yè)的貸款利率與違約概率的差異，計量模型為：

Pr（Default=1）=α1Loanrate+α2Loanrate+

α3Loanrate×Safe+α4Loanrate×Risky+

Xβ+η（7）

式（7）中引入了高風(fēng)險企業(yè)和低風(fēng)險企業(yè)與貸款利率的交叉項。如果銀行貸款利率對于不同風(fēng)險級別借款企業(yè)是無差別的，則α3和α4應(yīng)該為0，即不同風(fēng)險借款企業(yè)貸款利率對銀行違約概率影響是無差別；如果銀行貸款利率對于不同風(fēng)險借款企業(yè)是有差別的，則α3和α4不為0，即不同風(fēng)險級別借款企業(yè)的貸款利率對銀行違約概率影響是有差別的。

（四）統(tǒng)計量描述

表1為描述性統(tǒng)計分析，包含了樣本數(shù)、均值、中位數(shù)、上下四分位數(shù)、最大小值。因貸款期限（MATURITIES）、企業(yè)貸款金額（LOANTOTA）、企業(yè)從業(yè)人員數(shù)（FIRMNO.）、企業(yè)資產(chǎn)/負(fù)債比率（ASSET/LIABRATIO）存在左偏現(xiàn)象，因此，加入了對數(shù)的貸款期限（LOG（MATURITIES））、對數(shù)的企業(yè)貸款金額（LOG（LOANTOTA））、對數(shù)的企業(yè)從業(yè)人員數(shù)（FIRMNO）和對數(shù)的企業(yè)資產(chǎn)/負(fù)債比率（LOG（ASSET/LIABRATIO））變量。

從表1可以看出，貸款利率均值是6.833，與中位數(shù)6.9較為接近，最高貸款利率是均值的3倍左右。貸款期限最長有25年，最短半月不到，1年期居多，中位數(shù)和均值相差較大，具有明顯偏度，對其對數(shù)化處理，得到貸款期限平均值是0.24年。貸款金額均值是3000萬元，與中位數(shù)1500萬元相差較大，具有明顯偏度，對其對數(shù)化處理，得到貸款金額均值是2.755。貸款企業(yè)從業(yè)人員均值是1282，與中位數(shù)300人相差較大，具有明顯偏度，對其對數(shù)化處理，得到企業(yè)從業(yè)人員均值5.6。貸款企業(yè)資產(chǎn)/負(fù)債比率均值是4.116，與中位數(shù)1.820相差較大，具有明顯偏度，對其對數(shù)化處理，得到貸款企業(yè)資產(chǎn)/負(fù)債均值0.720。從描述性統(tǒng)計可以看出，貸款利率基本集中在中央銀行基準(zhǔn)利率左右，且期限較短。

從2可以看出，樣本中企業(yè)貸款違約概率百分比是2.22，這與銀監(jiān)會公布的銀行業(yè)不良率2%浮動基本相近，說明樣本具有很好的代表性。非信用貸款占總貸款百分比是89.58，說明銀行貸款中近九成是抵押、質(zhì)押或其他擔(dān)保類貸款。從還款方式來看，近九成銀行貸款采用了定期付息到期還本。從利率類型來看，近三成的貸款采用固定利率，而近七成貸款采用浮動利率方式。從企業(yè)風(fēng)險性質(zhì)來看，高風(fēng)險企業(yè)占比為11.21，高于低風(fēng)險企業(yè)的3.54，說明高風(fēng)險企業(yè)相對較多一些。

四、實證結(jié)果及討論

（一）貸款利率與違約之間關(guān)系

由表3的LPM估計結(jié)果和Probit模型估計結(jié)果可知：貸款利率與信貸違約概率之間呈現(xiàn)出U型關(guān)系，說明貸款利率過高或者過低都不好，二者都會導(dǎo)致銀行貸款違約概率上升。在信息不對稱情況下，利率過低，信貸市場逆向選擇問題嚴(yán)重；利率過高，信貸市場道德風(fēng)險問題嚴(yán)重，最終結(jié)果是企業(yè)違約概率上升。這種信息不對稱現(xiàn)象的存在可以通過抵押物與貸款違約之間的正向關(guān)系得到佐證。在控制變量中，抵押物與貸款違約之間呈現(xiàn)正向顯著關(guān)系②，符合道德風(fēng)險模型預(yù)測，表明在信貸市場抵押物運用不是緩解貸款之前信息不對稱，而是解決貸款發(fā)放后由于信息不對稱引發(fā)的道德風(fēng)險。

在控制變量方面，除了抵押物變量外，貸款規(guī)模、利率類型變量與貸款違約之間存在顯著關(guān)系。貸款規(guī)模與貸款違約概率之間在1%的置信水平上呈現(xiàn)倒U型關(guān)系，說明違約概率隨著貸款規(guī)模增加上升，當(dāng)貸款規(guī)模達(dá)到某一個閥值之后，違約概率卻開始下降了。二者之間的非線性倒U型關(guān)系告訴我們，貸款規(guī)模相對較少，或者相對較多，違約概率越低。原因可能是貸款規(guī)模較少，企業(yè)還款壓力較小，貸款規(guī)模越高，銀行監(jiān)管動力越大，這都會使得違約發(fā)生的可能性降低。利率類型與貸款違約概率之間在1%置信水平上呈現(xiàn)負(fù)關(guān)系，說明固定利率與銀行貸款違約之間負(fù)相關(guān)，貸款采用固定利率比采用浮動利率更加有利于降低信貸違約概率。endprint

可見，銀行貸款利率不是越低越好，太低的利率也會導(dǎo)致違約概率上升。

（二）不同風(fēng)險企業(yè)與違約之間關(guān)系

由表4的OLS估計結(jié)果和Logit模型估計結(jié)果可知：高風(fēng)險企業(yè)模型回歸的參數(shù)估計值顯著且不為0，說明高風(fēng)險企業(yè)對信貸違約概率存在影響。高風(fēng)險企業(yè)與信貸違約概率之間呈現(xiàn)出正相關(guān)關(guān)系，說明銀行向高風(fēng)險企業(yè)貸款會提高貸款違約的概率；低風(fēng)險企業(yè)貸款與銀行信貸違約之間關(guān)系并不顯著，且呈負(fù)相關(guān)，說明低風(fēng)險企業(yè)可能有助于降低銀行信貸違約概率，但是這種關(guān)系并不顯著。

在控制變量方面，貸款利率與違約概率之間呈現(xiàn)出U型關(guān)系且顯著；貸款規(guī)模與違約概率之間呈現(xiàn)出倒U型關(guān)系且顯著；固定利率更有利于降低銀行信貸違約概率。是否抵押與貸款違約之間呈現(xiàn)正向相關(guān)關(guān)系，說明與信用貸款相比，抵押會顯著提高銀行違約風(fēng)險，抵押并沒有顯著降低銀行貸款違約風(fēng)險，銀行想通過抵押降低貸款違約風(fēng)險效果不是十分有效，抵押貸款企業(yè)較差信用決定了其貸款違約概率比信用較好企業(yè)貸款違約的可能性高。

（三）不同風(fēng)險企業(yè)與貸款利率關(guān)系

由表5的OLS估計結(jié)果可知：無論是高風(fēng)險企業(yè)還是低風(fēng)險企業(yè)，與銀行貸款違約之間參數(shù)估計值顯著且不為0，說明不同風(fēng)險企業(yè)對于銀行貸款利率高低均存在影響，且均負(fù)相關(guān)。但低風(fēng)險企業(yè)對于貸款利率影響要大于高風(fēng)險企業(yè)，即銀行對于低風(fēng)險企業(yè)貸款利率下調(diào)要高于高風(fēng)險企業(yè)貸款利率下調(diào)幅度。這是因為相對于低風(fēng)險企業(yè)，高風(fēng)險企業(yè)畢竟違約風(fēng)險較高，相應(yīng)的風(fēng)險溢價肯定要高一些。那么，為什么不同風(fēng)險企業(yè)對于貸款利率影響都是負(fù)關(guān)系，主要是我國當(dāng)前時期貸款利率雖已實現(xiàn)了市場化，但卻是政策層面的市場化，并未完全由市場主導(dǎo)，政策對貸款利率的管控在一定程度上還存在，因此，承擔(dān)高風(fēng)險而獲得高收益并沒有在銀行信貸市場完全體現(xiàn)。銀行仍然不能自主根據(jù)企業(yè)風(fēng)險等級而科學(xué)制定貸款利率，貸款利率仍然不能突破監(jiān)管指導(dǎo)利率浮動范圍[11]。這種現(xiàn)象會隨著利率市場化形成機制的不斷推進，得到逐步改善，銀行貸款定價方式會更加合理。

在控制變量方面，企業(yè)雇傭規(guī)模與貸款利率之間關(guān)系負(fù)相關(guān)且顯著，說明企業(yè)規(guī)模越大貸款利率越低；企業(yè)資產(chǎn)/負(fù)債比率與貸款利率之間呈現(xiàn)倒U型非線性顯著關(guān)系，說明貸款利率隨著企業(yè)資產(chǎn)/負(fù)債比率出現(xiàn)先上升再下降過程；貸款規(guī)模與貸款利率之間呈現(xiàn)出U型顯著關(guān)系，說明貸款利率隨著貸款規(guī)模出現(xiàn)先下降后上升過程。定期付息到期還本還款方式與貸款利率之間呈現(xiàn)正相關(guān)關(guān)系且顯著，說明與采用其他還款方式相比，定期付息到期還本的還款方式相對利率更高；利率類型與貸款利率之間負(fù)相關(guān)且顯著，說明與浮動利率相比，固定利率貸款利率相對較低；是否擔(dān)保與貸款利率之間呈現(xiàn)正關(guān)系且顯著，說明擔(dān)保貸款的利率要高于信用貸款，這也反映了擔(dān)保抵押貸款企業(yè)本身所存在的高風(fēng)險問題。

（四）不同風(fēng)險企業(yè)貸款利率與違約關(guān)系

為了區(qū)別高風(fēng)險企業(yè)和低風(fēng)險企業(yè)貸款利率對違約概率的不同影響，將貸款利率與風(fēng)險等級變量交叉相乘，構(gòu)成高風(fēng)險等級企業(yè)啞變量與貸款利率的交叉項，以及低風(fēng)險等級企業(yè)啞變量與貸款利率的交叉項。然后，采用Logit模型進行分別估計，結(jié)果見表6。

從表6的估計結(jié)果可知，高風(fēng)險企業(yè)以及高風(fēng)險企業(yè)與貸款利率的交叉項的估計系數(shù)非常顯著且負(fù)相關(guān)，說明高風(fēng)險企業(yè)通過貸款利率溢價可一定程度降低事后貸款違約發(fā)生的概率。這說明銀行可以通過高風(fēng)險企業(yè)貸款差異實現(xiàn)高風(fēng)險企業(yè)違約概率的降低，這有助于銀行在面對高風(fēng)險企業(yè)申請貸款時作出應(yīng)對。但是對于低風(fēng)險企業(yè)來說，低風(fēng)險企業(yè)與貸款利率交叉項與違約風(fēng)險之間負(fù)相關(guān)但不顯著，說明通過低利率來實現(xiàn)低風(fēng)險企業(yè)更低違約風(fēng)險操作空間有限。

在控制變量方面，貸款利率與違約概率之間呈現(xiàn)出U型關(guān)系且顯著，貸款規(guī)模與違約概率之間呈現(xiàn)出倒U型關(guān)系且顯著，固定利率更有利于降低銀行信貸違約概率，是否抵押與貸款違約之間呈現(xiàn)正向相關(guān)關(guān)系。這些都與表3和表4中的結(jié)論基本一致。

五、結(jié)論

以上研究顯示：（1）貸款利率與貸款違約之間呈現(xiàn)U型關(guān)系，即貸款利率不能過高，也不能過低，在信貸市場信息不對稱情況下，過高貸款利率容易產(chǎn)生道德風(fēng)險，過低貸款利率容易產(chǎn)生逆向選擇，從而提高了違約風(fēng)險。（2）高風(fēng)險等級企業(yè)與貸款違約之間正相關(guān)且顯著，說明企業(yè)風(fēng)險越高，貸款違約的可能性越大。實證研究還發(fā)現(xiàn)，低風(fēng)險等級企業(yè)與貸款違約之間負(fù)相關(guān)但并不顯著。（3）無論是高風(fēng)險等級企業(yè)還是低風(fēng)險等級企業(yè)，與銀行貸款利率之間均呈現(xiàn)負(fù)相關(guān)且顯著，說明利率抑制現(xiàn)象依然存在。從估計參數(shù)值來看，相對于高風(fēng)險等級企業(yè)，企業(yè)低風(fēng)險等級越低，貸款利率越小。對于貸款利率與低風(fēng)險企業(yè)之間負(fù)相關(guān)關(guān)系很容易理解，企業(yè)風(fēng)險越低，溢價越小，貸款利率越低；而相對于高風(fēng)險企業(yè)，與貸款利率之間的負(fù)相關(guān)說明我國貸款利率并沒有反映企業(yè)應(yīng)該所具有的風(fēng)險，貸款利率的管制依然存在。（4）高風(fēng)險企業(yè)與貸款利率交叉項與違約之間呈現(xiàn)負(fù)關(guān)系且顯著，說明高風(fēng)險企業(yè)通過貸款利率渠道確實可以降低信貸違約概率。因此，只有加快推進利率市場化，特別是貸款利率市場形成機制，才能使得銀行可以根據(jù)市場需求確定高風(fēng)險企業(yè)貸款利率，并通過貸款利率差別定價降低企業(yè)貸款違約概率。

注釋：

① 逆向選擇認(rèn)為，抵押物可以作為一個信號來顯示借款人類型，高質(zhì)量借款人通過提供抵押品來作為顯示自己信用好的信號，并以較低的利率獲得貸款；低質(zhì)量的借款人以較高利率獲得貸款，不提供抵押品。道德風(fēng)險認(rèn)為，銀行在借款人獲得貸款后無法監(jiān)督其行為，高質(zhì)量借款人道德風(fēng)險低，低質(zhì)量借款人道德風(fēng)險高，必須提供抵押品。

② 這與Ono和Uesugi（2009）用日本數(shù)據(jù)、Menkhoff等（2006）用泰國數(shù)據(jù)的研究結(jié)論一致，也與國內(nèi)尹志超和甘犁（2011）、劉彬（2006）、平新喬和楊慕云（2009）等的研究結(jié)論一致。

參考文獻：endprint

[1]J Stiglitz. Liberalization， moral hazard in banking， and prudential regulation： are capital requirements enough？ [J].American Economic Review，2000，90：147-165.

[2]A Kaplin， A Levy， S Qu，D Wang， Y Wang， J Zhang.The relationship between default risk and interest rates： An empirical study[J].Moody's Analytics，2009，10（2）：1-17.

[3]Magri S， Pico R.The rise of riskbased pricing of mortgageinterest rates in Italy[J].Journal of banking and finance，2011，35（5）：1277-1290.

[4]Daglish T.What motivates a subprime borrower to default？ [J].Journal of Banking and Finance，2009，33（4）：681-693.

[5]尹志超，甘犁.信息不對稱、企業(yè)異質(zhì)性與信貸風(fēng)險[J].經(jīng)濟研究，2011（9）：121-132.

[6]馬九杰，郭宇輝，朱勇.縣域中小企業(yè)貸款違約行為與信用風(fēng)險實證分析[J].管理世界，2004（5）：58-87.

[7]方匡南，吳見彬.個人住房貸款違約預(yù)測與利率政策模擬[J].統(tǒng)計研究，2013（10）：54-60.

[8]錢爭鳴，李海波，于艷萍.個人住房按揭貸款違約風(fēng)險研究[J].經(jīng)濟研究（增刊），2010（S1）：143-152.

[9]Augustin Landier，David Thesmar. Financial contracting with optimistic entrepreneurs[J]. The Review of Financial Studies， 2009，22（1）：117-150.

[10]Gabriel Jiménez ，Jesús Saurina. Credit cycles， credit risk and prudential regulation[R].Working Paper， 2004.

[11] 龍海明，張伍.商業(yè)銀行信貸風(fēng)險管理：歷史變遷與發(fā)展[J].財經(jīng)理論與實踐，2001（5）：40-43.

（責(zé)任編輯：寧曉青）

Abstract：This paper discusses the relationship between loan interest rate and default of different risk loan enterprises through the loan data of a shareholding commercial bank in 20102015. The empirical results show that： there is a Utype relationship between the loan interest rate and the loan default； there is a positive correlation between the highrisk enterprise and the loan default； whether the highrisk enterprise or the lowrisk enterprise. And bank lending rates are negatively correlated and significant， indicating that the loan interest rate control still exists. There is a negative correlation between the highrisk enterprise and the loan interest rate crossterm and the default， which indicates that highrisk enterprises through the lending rate channels can really reduce the probability of default credit.

Key words：loan interest rate； credit default risk； credit ratingendprint