趙 平 孫志峰

浙江工商大學(xué) 金融學(xué)院，浙江 杭州 310018

一、引言

中國(guó)金融業(yè)的“十二五”規(guī)劃，將利率市場(chǎng)化改革目標(biāo)表述為利率“放得開(kāi)”、“形得成”和“調(diào)得了”。對(duì)其中的“形得成”目標(biāo)而言，落地實(shí)現(xiàn)的重要微觀(guān)基礎(chǔ)在于銀行須按風(fēng)險(xiǎn)定價(jià)原則確定貸款利率。如果銀行按借款人風(fēng)險(xiǎn)大小確定貸款利率，那么在競(jìng)爭(zhēng)性的信貸市場(chǎng)上，微觀(guān)貸款利率將依據(jù)“基準(zhǔn)利率+風(fēng)險(xiǎn)溢價(jià)”的價(jià)格領(lǐng)導(dǎo)定價(jià)法(Price Leadership Pricing)形成。微觀(guān)銀行的信貸行為是否遵循風(fēng)險(xiǎn)定價(jià)原則，雖然關(guān)乎信貸資源配置效率和金融體系穩(wěn)定大局(Magri，2018[1])，但根據(jù)Stiglitz and Weiss(1981)[2]的信貸配給理論，信貸市場(chǎng)上普遍存在的信息不對(duì)稱(chēng)現(xiàn)象，卻從根本上制約了微觀(guān)信貸風(fēng)險(xiǎn)定價(jià)原則的實(shí)施。在中國(guó)的現(xiàn)實(shí)環(huán)境中，諸如利率市場(chǎng)化進(jìn)程、政府信貸干預(yù)等因素，是貸款利率決策偏離風(fēng)險(xiǎn)定價(jià)原則的重要原因。目前，有關(guān)貸款利率是否反映借款人風(fēng)險(xiǎn)水平的主題性實(shí)證工作在國(guó)內(nèi)少見(jiàn)，已有貸款利率與借款人風(fēng)險(xiǎn)關(guān)系的經(jīng)驗(yàn)證據(jù)，主要是研究其他主題時(shí)帶出來(lái)的“副產(chǎn)品”(錢(qián)龍，2019；張偉華等，2018[4])。國(guó)外存在的不少相關(guān)研究，大都基于調(diào)查數(shù)據(jù)，以細(xì)分的零售信貸市場(chǎng)或者信用社等機(jī)構(gòu)的信貸業(yè)務(wù)為考察對(duì)象，實(shí)證檢驗(yàn)了少數(shù)發(fā)達(dá)國(guó)家微觀(guān)貸款利率是否按風(fēng)險(xiǎn)定價(jià)(Magri and Pico，2011[5])，以及風(fēng)險(xiǎn)定價(jià)技術(shù)變革(如采用信用評(píng)分技術(shù)，Credit Scoring Technologies)對(duì)信貸市場(chǎng)的多維度影響問(wèn)題(Walke et al.，2018[6])。

本文利用微觀(guān)制造業(yè)上市公司數(shù)據(jù)，對(duì)貸款利率是否反映借款人風(fēng)險(xiǎn)水平的主題性實(shí)證研究，將為中國(guó)銀行業(yè)貸款利率決策是否遵循風(fēng)險(xiǎn)定價(jià)原則，提供目前尚處匱乏狀態(tài)的有益經(jīng)驗(yàn)證據(jù)，這對(duì)中國(guó)信貸資源配置效率與銀行業(yè)穩(wěn)定主題的學(xué)術(shù)研究，有明顯的邊際貢獻(xiàn)。企業(yè)違約風(fēng)險(xiǎn)的兩個(gè)度量指標(biāo)均基于期權(quán)定價(jià)理論確定，也較具特色。這一方面使此核心實(shí)證指標(biāo)的選取具有堅(jiān)實(shí)理論基礎(chǔ)，另一方面也會(huì)增強(qiáng)不同指標(biāo)回歸結(jié)果間的可比性，從而有利于實(shí)證穩(wěn)健性的評(píng)判；而已有相關(guān)文獻(xiàn)對(duì)企業(yè)違約風(fēng)險(xiǎn)的選擇，有的用銀行內(nèi)部信用評(píng)級(jí)(錢(qián)龍，2019；黃璟宜等，2017[7])，有的用Altman(1968)[8]Z評(píng)分(張偉華等，2018)，有的用不良貸款率(張巖，2019[9])，有的用某個(gè)與違約風(fēng)險(xiǎn)有關(guān)聯(lián)的財(cái)務(wù)績(jī)效指標(biāo)代理(孫會(huì)霞等，2013[10])。

從中國(guó)近年來(lái)的現(xiàn)實(shí)看，新冠肺炎疫情沖擊使小微企業(yè)融資約束更加趨緊。要緩解這一狀況，除了黨和政府強(qiáng)有力的惠普金融政策從外部著力外，還需銀行等信貸機(jī)構(gòu)向這一群體“敢貸、能貸、愿貸”的內(nèi)生性動(dòng)力機(jī)制作支撐，而這一動(dòng)力機(jī)制形成的關(guān)鍵在于銀行業(yè)是否具備視借款人風(fēng)險(xiǎn)大小確定貸款利率的信貸風(fēng)險(xiǎn)定價(jià)能力。如果銀行對(duì)于小微企業(yè)的規(guī)模和所有制性質(zhì)，以及與之密切聯(lián)系的治理模式、經(jīng)營(yíng)理念和運(yùn)作環(huán)境所承載的風(fēng)險(xiǎn)特質(zhì)無(wú)法有效定價(jià)時(shí)，這類(lèi)借款人群體的融資將面臨Stiglitz and Wess(1981)所稱(chēng)的均衡信貸配給約束，其貸款會(huì)陷入“雖有需求但無(wú)供給”的金融供給側(cè)結(jié)構(gòu)性困境，亦即銀行等信貸機(jī)構(gòu)將“不敢貸、不能貸、不愿貸”。有鑒于此，本文的實(shí)證檢測(cè)工作，將有利于從金融供給側(cè)角度討論促進(jìn)普惠型貸款業(yè)務(wù)發(fā)展、緩解小微企業(yè)融資約束的政策選擇。

本文第二部分是相關(guān)文獻(xiàn)綜述和實(shí)證假設(shè)；第三部分基于BSM期權(quán)定價(jià)理論實(shí)施企業(yè)違約風(fēng)險(xiǎn)測(cè)度；第四部分是實(shí)證研究設(shè)計(jì)，確定計(jì)量模型、變量與數(shù)據(jù)；第五部分是對(duì)實(shí)證結(jié)果進(jìn)行分析；第六部分是基于特定風(fēng)險(xiǎn)沖擊事件對(duì)銀行風(fēng)險(xiǎn)定價(jià)行為的反映實(shí)施雙重差分分析(Differences-in-Differences，簡(jiǎn)稱(chēng)DID)；第七部分為簡(jiǎn)要總結(jié)并進(jìn)行政策含義揭示。

二、文獻(xiàn)綜述與研究假設(shè)

(一)文獻(xiàn)綜述

雖然目前少有中國(guó)銀行業(yè)貸款利率定價(jià)與借款人風(fēng)險(xiǎn)關(guān)系的實(shí)證檢測(cè)文獻(xiàn)，但在一些實(shí)際貸款利率估算(劉紅忠和秦泰，2013[12])、企業(yè)融資成本(張偉華等，2018；錢(qián)龍，2019)、貸款定價(jià)(孫國(guó)峰和欒稀，2019；張巖，2019)、銀行業(yè)改革(Podpiera，2006[13]；郝項(xiàng)超，2013[14])、信貸配置(孫會(huì)霞等，2013)和貸款利率浮動(dòng)(馬亞芳等，2018[15])等主題的實(shí)證研究中，都直接或間接涉及到了貸款利率是否反映借款人風(fēng)險(xiǎn)的問(wèn)題。其中較多文獻(xiàn)表明，不同企業(yè)的貸款利率水平?jīng)]有顯著差異，借款人的盈利水平在定價(jià)決策中沒(méi)起什么作用(Podpiera，2006)，信貸風(fēng)險(xiǎn)之于定價(jià)在理論上的重要性在計(jì)量檢驗(yàn)時(shí)并不顯著，甚至還呈負(fù)面影響(張偉華等，2018；孫國(guó)峰和欒稀，2019；馬亞芳等，2018)。但也有文獻(xiàn)表明，雖然商業(yè)銀行對(duì)企業(yè)信用風(fēng)險(xiǎn)的定價(jià)反映總體有限，但在細(xì)分樣本中，存在股份制商業(yè)銀行貸款利率對(duì)信貸風(fēng)險(xiǎn)敏感的經(jīng)驗(yàn)證據(jù)(孫會(huì)霞等，2013；郝項(xiàng)超，2013)。黃璟宜等(2017)基于某股份制商業(yè)銀行省分行2010—2015年企業(yè)貸款數(shù)據(jù)的實(shí)證研究表明，只有中、低風(fēng)險(xiǎn)等級(jí)企業(yè)的貸款利率，才體現(xiàn)依據(jù)風(fēng)險(xiǎn)大小定價(jià)的原則。還有一些文獻(xiàn)，支持中國(guó)銀行業(yè)能夠依據(jù)信貸風(fēng)險(xiǎn)定價(jià)的觀(guān)點(diǎn)。例如，劉紅忠和秦泰(2013)利用兩部門(mén)模型，估算了中國(guó)2003—2010年間經(jīng)風(fēng)險(xiǎn)調(diào)整之后的實(shí)際執(zhí)行貸款利率水平，發(fā)現(xiàn)“高風(fēng)險(xiǎn)企業(yè)部門(mén)”與“低風(fēng)險(xiǎn)企業(yè)部門(mén)”的名義利差高達(dá)6.1個(gè)百分點(diǎn)。張巖(2019)以某地方銀行3406個(gè)有效微觀(guān)貸款數(shù)據(jù)為樣本，研究發(fā)現(xiàn)風(fēng)險(xiǎn)標(biāo)識(shí)越大的貸款，其利率定價(jià)也越高。錢(qián)龍(2019)利用中國(guó)某省2011—2016年間的近100萬(wàn)筆信貸數(shù)據(jù)，對(duì)利率市場(chǎng)化的企業(yè)融資成本效應(yīng)進(jìn)行的實(shí)證研究發(fā)現(xiàn)；無(wú)論大型、中型、小型企業(yè)，還是不分規(guī)模的全樣本企業(yè)，優(yōu)良的借款人信用等級(jí)都是顯著降低貸款利率浮動(dòng)水平的重要因素。

由于面向家庭的調(diào)查數(shù)據(jù)比較豐富，國(guó)外有不少個(gè)人抵押和消費(fèi)信貸市場(chǎng)定價(jià)是否遵循風(fēng)險(xiǎn)定價(jià)原則的實(shí)證文獻(xiàn)，但針對(duì)公司貸款的研究有限。Duca and Rosenthal(1994)[16]利用美國(guó)1983年的消費(fèi)金融調(diào)查數(shù)據(jù)，研究發(fā)現(xiàn)個(gè)人抵押貸款利率的確定并不遵循風(fēng)險(xiǎn)定價(jià)原則，家庭信用風(fēng)險(xiǎn)的變化沒(méi)有體現(xiàn)在利率的變化方面。當(dāng)Getter(2006)[17]在世紀(jì)之交用同樣來(lái)源的數(shù)據(jù)研究時(shí)，情況已大不一樣：抵押貸款利率能夠顯著反映個(gè)人信用風(fēng)險(xiǎn)的差異。Edelberg(2006)[18]的研究表明，20世紀(jì)90年代的美國(guó)消費(fèi)信貸定價(jià)，開(kāi)始越來(lái)越普遍地基于借款人風(fēng)險(xiǎn)確定；1995年之后，高低風(fēng)險(xiǎn)借款人在抵押貸款、汽車(chē)貸款和信用卡貸款的利率差異，出現(xiàn)了實(shí)質(zhì)性地顯著擴(kuò)大。Magri and Pico(2011)檢驗(yàn)了意大利個(gè)人抵押信貸市場(chǎng)的風(fēng)險(xiǎn)定價(jià)情況，發(fā)現(xiàn)隨著信貸機(jī)構(gòu)信用評(píng)分技術(shù)的廣泛使用，進(jìn)入21世紀(jì)以來(lái)，意大利的個(gè)人抵押信貸利率日益基于風(fēng)險(xiǎn)定價(jià)原則而定，當(dāng)違約率上升1%時(shí)，抵押信貸利率提高0.21%。Magri(2018)對(duì)意大利消費(fèi)信貸市場(chǎng)的后續(xù)研究表明，2008年金融危機(jī)后，利率確定的風(fēng)險(xiǎn)敏感性大為提高，放貸者對(duì)借款人的信用風(fēng)險(xiǎn)變得更為關(guān)注。目前，國(guó)外相關(guān)研究的重點(diǎn)已不在銀行貸款是否按風(fēng)險(xiǎn)定價(jià)的主題，而是利用來(lái)自家庭和金融機(jī)構(gòu)較為系統(tǒng)的調(diào)查數(shù)據(jù)，開(kāi)始聚焦于風(fēng)險(xiǎn)定價(jià)技術(shù)和行為對(duì)信貸可獲得性、利率水平、風(fēng)險(xiǎn)狀況和客戶(hù)結(jié)構(gòu)的影響(Berger et al.，2005[19]；Tokle et al.，2015[20]；Walke et al.，2018)。

綜上所述，國(guó)內(nèi)目前尚缺乏銀行貸款利率是否反映風(fēng)險(xiǎn)的主題性實(shí)證研究，相關(guān)文獻(xiàn)大都基于微觀(guān)企業(yè)或銀行數(shù)據(jù)展開(kāi)，雖然有不少銀行貸款利率不遵循風(fēng)險(xiǎn)定價(jià)原則的經(jīng)驗(yàn)證據(jù)，但這些研究并不是為檢驗(yàn)貸款利率與借款人風(fēng)險(xiǎn)關(guān)系的目的而設(shè)計(jì)，因此所得經(jīng)驗(yàn)證據(jù)可靠性較弱甚至不足為憑。國(guó)外研究利用其豐富的個(gè)人信貸市場(chǎng)調(diào)查數(shù)據(jù)，對(duì)信貸機(jī)構(gòu)貸款利率是否反映風(fēng)險(xiǎn)的問(wèn)題，做了不少基于零售信貸業(yè)務(wù)的實(shí)證研究，目前，其關(guān)注點(diǎn)已轉(zhuǎn)為銀行信貸風(fēng)險(xiǎn)定價(jià)行為產(chǎn)生的信貸市場(chǎng)效應(yīng)問(wèn)題。

(二)研究假設(shè)

中國(guó)利率市場(chǎng)化進(jìn)程的不斷深入，《巴塞爾協(xié)議》對(duì)風(fēng)險(xiǎn)監(jiān)管政策的推動(dòng)，以及金融科技在信貸流程中的運(yùn)用，都會(huì)對(duì)銀行信貸風(fēng)險(xiǎn)定價(jià)行為產(chǎn)生影響。近十年來(lái)，無(wú)論存貸款利率完全放開(kāi)，還是《巴塞爾協(xié)議Ⅲ》在中國(guó)落地，抑或信貸業(yè)務(wù)的智能化、數(shù)字化，都使這些因素的影響陡然放大并彼此疊加。在此背景下，“中國(guó)銀行業(yè)貸款利率定價(jià)反映借款人違約風(fēng)險(xiǎn)水平”應(yīng)當(dāng)是一個(gè)合理假設(shè)。

1. 利率市場(chǎng)化改革對(duì)銀行信貸定價(jià)的影響。視借款人風(fēng)險(xiǎn)大小確定利率，是中國(guó)利率市場(chǎng)化“形得成”目標(biāo)的內(nèi)在要求。更為現(xiàn)實(shí)的是，利率市場(chǎng)化改革進(jìn)程及其配套的各種金融自由化政策，將培育并加劇金融市場(chǎng)的競(jìng)爭(zhēng)，這會(huì)對(duì)銀行遵循信貸風(fēng)險(xiǎn)定價(jià)原則的行為產(chǎn)生“倒逼”效應(yīng)(劉方根，2013[21]；李宏瑾，2015[22])。具體而言，對(duì)那些低風(fēng)險(xiǎn)的傳統(tǒng)優(yōu)質(zhì)信貸客戶(hù)，在貸款利率下限擴(kuò)大甚至放開(kāi)之后，競(jìng)爭(zhēng)會(huì)使銀行失去利率管制帶來(lái)的超額利潤(rùn)(李瑞鵬等，2016[23])，本著“低風(fēng)險(xiǎn)、低利率”原則，對(duì)這部分客戶(hù)的貸款需求重新定價(jià)在所難免，否則，高估此類(lèi)優(yōu)質(zhì)客戶(hù)的風(fēng)險(xiǎn)，會(huì)使其逐漸轉(zhuǎn)向廣度、深度不斷拓展的資本市場(chǎng)融資，這樣銀行不僅失去了優(yōu)質(zhì)客戶(hù)，而且還會(huì)惡化信貸市場(chǎng)的逆向選擇問(wèn)題。對(duì)那些相對(duì)高風(fēng)險(xiǎn)的非優(yōu)質(zhì)客戶(hù)，銀行過(guò)去習(xí)慣性的排斥態(tài)度不得不改變，從排斥到逐步接納是必然。因?yàn)椋环矫?，隨著存款利率上限管制的放松乃至取消，以及來(lái)自傳統(tǒng)理財(cái)市場(chǎng)和互聯(lián)網(wǎng)理財(cái)產(chǎn)品的競(jìng)爭(zhēng)(如余額寶)，銀行資金成本上升、存貸款息差縮小，這將迫使銀行增加對(duì)這類(lèi)“高風(fēng)險(xiǎn)、高收益”客戶(hù)群體的信貸資產(chǎn)配置(劉婷婷，2016[24])；另一方面，金融科技公司小額信貸業(yè)務(wù)創(chuàng)新迅速發(fā)展，這對(duì)銀行零售金融產(chǎn)生了顯著的現(xiàn)實(shí)和潛在沖擊，作為應(yīng)對(duì)，傳統(tǒng)銀行不得不依托金融科技手段，加大對(duì)原來(lái)所謂的非優(yōu)質(zhì)“長(zhǎng)尾客戶(hù)”的信貸覆蓋(Sheng,2021[25]；金洪飛等，2020[26])。

2. 金融監(jiān)管與科技對(duì)銀行信貸風(fēng)險(xiǎn)定價(jià)的影響?！栋腿麪枀f(xié)議》圍繞資本充足性的銀行監(jiān)管，要求其貸款風(fēng)險(xiǎn)承擔(dān)與資本計(jì)提掛鉤。一筆貸款風(fēng)險(xiǎn)越大，其資本消耗越高。通過(guò)目標(biāo)資本收益率的實(shí)現(xiàn)機(jī)制，這將必然使微觀(guān)銀行貸款定價(jià)與風(fēng)險(xiǎn)緊密正相關(guān)(李丹，2015[27])，也即貸款應(yīng)按“高風(fēng)險(xiǎn)、高收益”的原則定價(jià)。隨著《巴塞爾協(xié)議Ⅰ》到《巴塞爾協(xié)議Ⅲ》的升級(jí)演進(jìn)，資本充足性的要求在不斷地提高，銀行微觀(guān)貸款按風(fēng)險(xiǎn)定價(jià)原則確定利率的必要性也越來(lái)越迫切。2013年，中國(guó)版的《巴塞爾協(xié)議Ⅲ》開(kāi)始逐步實(shí)施，形成了中國(guó)銀行業(yè)貸款按風(fēng)險(xiǎn)定價(jià)的重要外在推力。就金融科技的影響而言，由于信貸風(fēng)險(xiǎn)定價(jià)原則實(shí)施的根本制約因素，在于借款人信息的獲取與處理技術(shù)不足(唐才旭和杜洪濤，2020[28])，但2013年中國(guó)互聯(lián)網(wǎng)金融“元年”以來(lái)，以大數(shù)據(jù)、云計(jì)算、人工智能和區(qū)塊鏈為代表的金融科技應(yīng)用呈爆發(fā)增長(zhǎng)之勢(shì)，在這種背景下，傳統(tǒng)信貸機(jī)構(gòu)業(yè)務(wù)的金融科技化迅速推進(jìn)，其風(fēng)險(xiǎn)定價(jià)面臨的信息約束大為緩解，微觀(guān)貸款利率決策從過(guò)去的價(jià)格扭曲狀態(tài)回歸風(fēng)險(xiǎn)定價(jià)原則，實(shí)屬必然。

三、借款人違約風(fēng)險(xiǎn)測(cè)度：期權(quán)理論視角

(一)違約率的KMV模型估計(jì)

本文用KMV模型估計(jì)借款人違約率。KMV模型的違約率估計(jì)方法，由美國(guó)KMV公司于1997年開(kāi)發(fā)。此方法有BSM(Black-Scholes-Merton)期權(quán)定價(jià)模型支持，理論基礎(chǔ)深厚；利用高頻股票市場(chǎng)價(jià)格信息而非簡(jiǎn)單的歷史數(shù)據(jù)，所測(cè)違約率具有良好的動(dòng)態(tài)性和前瞻性良(李晟和張宇航，2016[29])；當(dāng)然也很適合公開(kāi)上市企業(yè)的信用風(fēng)險(xiǎn)估計(jì)。KMV違約風(fēng)險(xiǎn)模型是信用風(fēng)險(xiǎn)計(jì)量技術(shù)的重大突破，目前在金融風(fēng)險(xiǎn)管理領(lǐng)域有著廣泛應(yīng)用。其基本思想是把企業(yè)貸款視為其股東向銀行買(mǎi)入一份歐式看漲期權(quán)的行為，借款企業(yè)的資產(chǎn)價(jià)值為期權(quán)標(biāo)的，到期貸款本利和為期權(quán)執(zhí)行價(jià)格。從股東作為看漲期權(quán)買(mǎi)入者的決策而言，在貸款到期時(shí)，如果企業(yè)資產(chǎn)價(jià)值小于貸款本息，那么股東將為避免損失放棄行權(quán)，這時(shí)企業(yè)違約不還款；如果企業(yè)資產(chǎn)價(jià)值大于貸款本息，那么股東將因有利可圖而行權(quán)，這時(shí)企業(yè)履約還款。顯然，在期權(quán)視角下，貸款違約與否是借款企業(yè)的主動(dòng)選擇權(quán)，至于怎么選擇，則取決于資產(chǎn)價(jià)值在貸款期間的走勢(shì)(1)當(dāng)然，這里有企業(yè)除貸款之外沒(méi)有其他任何負(fù)債的隱含假設(shè)。。KMV方法在企業(yè)資產(chǎn)價(jià)值遵從幾何布朗運(yùn)動(dòng)的隨機(jī)過(guò)程模型基礎(chǔ)上，用BSM期權(quán)定價(jià)模型以公開(kāi)的企業(yè)股價(jià)信息反推其資產(chǎn)價(jià)值與波動(dòng)率，最終得到企業(yè)資產(chǎn)價(jià)值小于貸款本息額(資不抵債，股權(quán)價(jià)值為零)的概率，亦即借款企業(yè)的違約率。

本文利用KMV模型估計(jì)中國(guó)A股市場(chǎng)制造業(yè)上市公司2005—2020年間的違約率。按照KMV的一般程序，具體估計(jì)工作依次分三個(gè)步驟完成：一是利用上市企業(yè)的股價(jià)信息求解不可觀(guān)察的公司資產(chǎn)價(jià)值及其波動(dòng)率；二是計(jì)算違約距離；三是根據(jù)違約距離得到預(yù)期違約率。其中，第一步工作最為關(guān)鍵，數(shù)據(jù)處理量很大。

Ve=VaN(d1)-De(-rt)N(d2)

(1)

σe=(Va/Ve)*σa*N(d1)

(2)

式(1)為公司股價(jià)(Ve)的BSM期權(quán)定價(jià)表達(dá)式，公司股票被視作以其資產(chǎn)價(jià)值(Va)為標(biāo)的，到期時(shí)(t)貸款本息(D)為執(zhí)行價(jià)格的歐式看漲期權(quán)。式(2)為股權(quán)價(jià)值波動(dòng)率(σe)的表達(dá)式，通過(guò)對(duì)式(1)的Ve關(guān)于Va求導(dǎo)得到。式(1)、式(2)聯(lián)立可實(shí)現(xiàn)用公司股票價(jià)格及其波動(dòng)率數(shù)據(jù)求解隱含資產(chǎn)價(jià)值及其波動(dòng)率的目標(biāo)。

估計(jì)時(shí)，式(1)的無(wú)風(fēng)險(xiǎn)利率(r)采用一年期國(guó)債收益率、期限(t)以1年計(jì)。本文基于公司股票價(jià)格日數(shù)據(jù)通過(guò)MATLAB軟件編程，用迭代方法最終得到公司的年度資產(chǎn)價(jià)值(Va)及其波動(dòng)率(σa)。

利用第一步計(jì)算的資產(chǎn)價(jià)值(Va)及其波動(dòng)率(σa)，在違約點(diǎn)按常規(guī)被設(shè)定為“短期債務(wù)+0.5*中長(zhǎng)期債務(wù)”的條件下，進(jìn)一步先后求得違約距離和預(yù)期違約率(EPD)。

(二)資產(chǎn)負(fù)債率的違約風(fēng)險(xiǎn)含義

為了穩(wěn)健起見(jiàn)，本文借鑒楊軍(2013[30])的思想，在BSM期權(quán)定價(jià)理論的框架中，對(duì)企業(yè)資產(chǎn)負(fù)債率的信用風(fēng)險(xiǎn)含義進(jìn)行揭示，以便將其作為預(yù)期違約風(fēng)險(xiǎn)(EPD)的替代變量，在后續(xù)的實(shí)證檢驗(yàn)中，使不同風(fēng)險(xiǎn)變量的回歸結(jié)果可以相互比對(duì)。

具體而言，如果銀行在向企業(yè)貸款的同時(shí)，買(mǎi)入一份以企業(yè)資產(chǎn)價(jià)值(Va)為標(biāo)的、執(zhí)行價(jià)格為貸款本息(D)、期限是T的歐式看跌期權(quán)，那么，無(wú)論放款之后企業(yè)資產(chǎn)價(jià)值如何變動(dòng)，亦即借款企業(yè)是否會(huì)違約，銀行都將會(huì)收回本息(D)。將貸款本金、買(mǎi)入期權(quán)價(jià)格和無(wú)風(fēng)險(xiǎn)利率分別記為D0、f0和r，則根據(jù)跨時(shí)無(wú)套利均衡原理，必有式(3)成立。

D0+f0=De-rT

(3)

利用式(3)反映的關(guān)系，可得式(4)所示貸款對(duì)數(shù)形式的到期收益率(YTM)：

(4)

將f0的BSM看跌期權(quán)定價(jià)表達(dá)式代入式(4)，YTM的表達(dá)式變?yōu)槭?5)：

(5)

由于1-N(d2)=N(-d2)，Va,T=Va,0erT，故YTM可進(jìn)一步表示為式(6)：

(6)

經(jīng)簡(jiǎn)化整理，YTM的最終形式表示為式(7)：

(7)

式(7)左邊是貸款利率的風(fēng)險(xiǎn)溢價(jià)部分，在風(fēng)險(xiǎn)偏好不變的情況下，可視作是對(duì)違約風(fēng)險(xiǎn)的度量。顯然，Va,0/De-rT是貸款發(fā)放時(shí)借款人資產(chǎn)負(fù)債率的倒數(shù)，它對(duì)貸款風(fēng)險(xiǎn)溢價(jià)起主要的決定作用。其值越大，貸款風(fēng)險(xiǎn)溢價(jià)越小；也就是說(shuō)，資產(chǎn)負(fù)債率越高，風(fēng)險(xiǎn)溢價(jià)則越大，這時(shí)貸款風(fēng)險(xiǎn)也就越高。還需提及的是，d1、d2同本文式(1)，是BSM定價(jià)模型中的標(biāo)準(zhǔn)表達(dá)形式。

上述推導(dǎo)表明，通常作為杠桿率或財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)的資產(chǎn)負(fù)債率(DARatio)，在BSM期權(quán)定價(jià)理論的視角下，直接具有違約風(fēng)險(xiǎn)的含義。如果將所求制造業(yè)上市公司在2005—2020年間的KMV預(yù)期違約率(EPD)求取組內(nèi)均值后，進(jìn)一步與資產(chǎn)負(fù)債率的組內(nèi)均值聯(lián)立繪制散點(diǎn)圖(圖1)，可觀(guān)察到，在2005—2020年間，資產(chǎn)負(fù)債率高的公司，其KMV預(yù)期違約率亦高，且隨著資產(chǎn)負(fù)債率的提高，違約率有加快上升之勢(shì)，說(shuō)明兩者的相關(guān)性具有非線(xiàn)性特征。

四、研究設(shè)計(jì)

(一)模型設(shè)定

考慮到貸款利率的滯后效應(yīng)，根據(jù)研究目的和相關(guān)文獻(xiàn)借鑒，本文建立如式(8)表示的企業(yè)微觀(guān)貸款利率動(dòng)態(tài)面板回歸模型。

LoanRatei,t=ui+vt+αLoanRatei,t-1+βDefRiski,t+γX+εi,t

(8)

其中，loanRate為貸款利率；DefRisk是貸款信用風(fēng)險(xiǎn)；X為控制變量；ε為通常的誤差項(xiàng)；ui、vt分別是個(gè)體固定效應(yīng)、時(shí)間固定效應(yīng)；i、t表示公司和時(shí)間。

1. 被解釋變量(LoanRate)。公司貸款利率是被解釋變量。由于不能直接獲得此數(shù)據(jù)，本文對(duì)其進(jìn)行了估算，即先把公司“利息支付”科目金額用貸款占負(fù)債的比率分割并剝離非貸款負(fù)債支付的利息，然后除以負(fù)債加以標(biāo)準(zhǔn)化，具體算式為[利息支付*(長(zhǎng)短期借款/總負(fù)債)]÷總負(fù)債。

2. 解釋變量(DefRisk，分別用EPD、DARatio兩個(gè)變量代理)。違約風(fēng)險(xiǎn)是需重點(diǎn)關(guān)注的解釋變量。根據(jù)“貸款利率=基準(zhǔn)利率+風(fēng)險(xiǎn)溢價(jià)”的定價(jià)方法，公司風(fēng)險(xiǎn)是決定微觀(guān)貸款利率差異的最重要因素，高風(fēng)險(xiǎn)、高利率成為貸款決策的基本原則，貸款利率理應(yīng)反映借款企業(yè)的風(fēng)險(xiǎn)水平。但由于信息不對(duì)稱(chēng)、政府干預(yù)，以及利率市場(chǎng)化進(jìn)程等因素的影響，現(xiàn)實(shí)貸款利率與借款人風(fēng)險(xiǎn)之間的關(guān)系，并不一定具有顯著的正相關(guān)性。若如此，意味著信貸資源出現(xiàn)了錯(cuò)配，低風(fēng)險(xiǎn)優(yōu)質(zhì)借款人“資質(zhì)”并無(wú)助于低成本資金的獲得，而高風(fēng)險(xiǎn)“劣質(zhì)”借款人融資也不必付出應(yīng)有的額外代價(jià)，因此，信貸市場(chǎng)將出現(xiàn)“劣幣驅(qū)逐良幣”的逆向選擇效應(yīng)，信貸資源錯(cuò)配在所難免。這種錯(cuò)配的信貸資源，由于惡化了貸款償還的“經(jīng)濟(jì)基礎(chǔ)”，對(duì)銀行體系的穩(wěn)定也是一個(gè)威脅。本文實(shí)證分析的具體風(fēng)險(xiǎn)變量，這里選擇基于BSM期權(quán)定價(jià)理論的兩個(gè)具體指標(biāo)，一個(gè)是前文用KMV模型估計(jì)的公司預(yù)期違約率(EPD)；另一個(gè)是在BSM框架下具有明確違約風(fēng)險(xiǎn)含義的資產(chǎn)負(fù)債率(DARatio)。根據(jù)Stigiz and Wess(1981)信貸配給理論，違約風(fēng)險(xiǎn)具有內(nèi)生性困擾，故本文用GMM估計(jì)時(shí)，將違約風(fēng)險(xiǎn)設(shè)定為內(nèi)生變量，進(jìn)而系統(tǒng)會(huì)以其滯后項(xiàng)作為工具變量實(shí)施估計(jì)。

3. 控制變量。本文主要有兩大類(lèi)：宏觀(guān)經(jīng)濟(jì)金融變量——經(jīng)濟(jì)增長(zhǎng)率(GDPGro)、一年期國(guó)債利率(Benchmark)；公司微觀(guān)經(jīng)營(yíng)特征變量——經(jīng)營(yíng)性現(xiàn)金流與資產(chǎn)的比例(CF)、資產(chǎn)周轉(zhuǎn)率(ATO)、流動(dòng)比率(LiqRatio)、資產(chǎn)規(guī)模(LnSize)和所有制性質(zhì)(Ownership)；另外還考慮公司治理變量——機(jī)構(gòu)持股比率(InstHold)，以及公司估值變量——托賓Q(TobinQ)。

宏觀(guān)經(jīng)濟(jì)金融變量將在時(shí)間維度上對(duì)公司貸款利率產(chǎn)生系統(tǒng)性的影響，較快的經(jīng)濟(jì)增長(zhǎng)將內(nèi)生性地引致更多的貸款需求，進(jìn)而產(chǎn)生貸款利率升高的壓力；基準(zhǔn)利率的提高，一方面將通過(guò)定價(jià)的“錨”效應(yīng)對(duì)貸款利率施加向上的推力，但另一方面，其背后的經(jīng)濟(jì)金融景氣環(huán)境，也有可能使貸款利率中的風(fēng)險(xiǎn)溢價(jià)部分縮小，則總體貸款利率水平不一定上升。除所有制性質(zhì)外，公司其他經(jīng)營(yíng)特征變量預(yù)期對(duì)貸款利率的影響為負(fù)，規(guī)模大、財(cái)務(wù)良好、資金運(yùn)營(yíng)效率高的企業(yè)，其貸款利率理應(yīng)較低；由于政府的隱性擔(dān)保，因此國(guó)有企業(yè)相對(duì)于民營(yíng)企業(yè)而言，通常貸款利率更為優(yōu)惠。機(jī)構(gòu)持股是重要的治理變量，較高的機(jī)構(gòu)持股比例，意味著無(wú)論控股股東還是管理層，都要受到更多的外部監(jiān)督，公司的代理問(wèn)題將因此緩解(Karpavicius and Yu,2017[31])，這最終有利于公司的高效運(yùn)作并進(jìn)而降低貸款利率。托賓Q既反映公司的市場(chǎng)估值，也體現(xiàn)資本的預(yù)期邊際收益(Blundell et al.,1992[32])，較高的托賓Q是降低貸款利率的因素。

4. 變量描述性統(tǒng)計(jì)。表1列示了主要變量的描述性統(tǒng)計(jì)結(jié)果。

表1 主要變量及其描述性統(tǒng)計(jì)

(二)數(shù)據(jù)來(lái)源與處理

本文以2015—2020年的中國(guó)A股制造業(yè)上市公司為樣本，原始數(shù)據(jù)采自國(guó)泰安數(shù)據(jù)庫(kù)(CSMAR)。從2015年選起，是考慮到2015年之后，中國(guó)利率市場(chǎng)化改革完成了“最后一公里”，存款利率管制名義上全部放開(kāi)。以制造業(yè)公司作為樣本，是因?yàn)橹圃鞓I(yè)企業(yè)的經(jīng)營(yíng)比較穩(wěn)定，其上市公司數(shù)目超過(guò)了全部上市企業(yè)家數(shù)的50%。選擇制造業(yè)公司作為樣本，既有較好的數(shù)據(jù)質(zhì)量，又不失代表性。為了剔除異常公司、異常數(shù)據(jù)的影響，本文的樣本不包括ST、PT和即將退市的公司；在此基礎(chǔ)上，還進(jìn)一步對(duì)主要變量數(shù)據(jù)做了上下兩端1%的縮尾處理。

五、“貸款利率—違約風(fēng)險(xiǎn)”關(guān)系實(shí)證結(jié)果分析

本文先基于式(8)，利用A股制造業(yè)上市公司數(shù)據(jù)(2015—2020年)進(jìn)行企業(yè)貸款利率與違約風(fēng)險(xiǎn)的實(shí)證分析，以檢驗(yàn)“中國(guó)銀行業(yè)貸款利率反映借款人風(fēng)險(xiǎn)水平”的前文假設(shè)；然后以企業(yè)所有制性質(zhì)、融資約束程度，以及所在地區(qū)利率市場(chǎng)化水平為標(biāo)準(zhǔn)，實(shí)施分組回歸，以考察違約風(fēng)險(xiǎn)對(duì)貸款利率影響的異質(zhì)性效應(yīng)。

(一)制造業(yè)全樣本回歸

表2報(bào)告了制造業(yè)全樣本的GMM估計(jì)結(jié)果。其中，模型Ⅰ用違約風(fēng)險(xiǎn)(EPD)回歸，模型Ⅱ用資產(chǎn)負(fù)債率(DARatio)回歸。

表2 制造企業(yè)貸款利率與違約風(fēng)險(xiǎn)：總體回歸結(jié)果

續(xù)表2

由表2可知，公司違約率(EPD)與資產(chǎn)負(fù)債率(DARatio)對(duì)貸款利率有顯著正向影響。這說(shuō)明銀行對(duì)公司貸款利率的決策，體現(xiàn)了風(fēng)險(xiǎn)定價(jià)原則，風(fēng)險(xiǎn)越大、利率越高。具體而言，當(dāng)違約率上升一個(gè)單位時(shí)，貸款利率以5%的顯著性水平提高0.0023個(gè)單位；當(dāng)資產(chǎn)負(fù)債率上升一個(gè)單位時(shí)，貸款利率則以5%的顯著性水平提高0.0296個(gè)單位，前文所提“中國(guó)銀行業(yè)貸款利率反映借款人風(fēng)險(xiǎn)水平”的假設(shè)得證。目前，基于中國(guó)微觀(guān)數(shù)據(jù)的相關(guān)主題性實(shí)證研究缺乏，與本文較具可比性的是少數(shù)企業(yè)融資成本類(lèi)的研究(張偉華等，2018；錢(qián)龍，2019)、地方銀行貸款定價(jià)研究(張巖，2019)，以及黃璟宜等(2017)在企業(yè)異質(zhì)性風(fēng)險(xiǎn)條件下對(duì)其貸款利率與違約風(fēng)險(xiǎn)關(guān)系的研究。其中，錢(qián)龍(2019)采用中國(guó)某省大樣本的微觀(guān)貸款數(shù)據(jù)，其信用風(fēng)險(xiǎn)度量以借款人評(píng)級(jí)為準(zhǔn)，這顯然與本文的樣本數(shù)據(jù)和信用風(fēng)險(xiǎn)變量選擇很不相同，但兩者的實(shí)證結(jié)果卻最為一致，也即銀行的微觀(guān)貸款定價(jià)顯著反映了借款企業(yè)的信用風(fēng)險(xiǎn)。張巖(2019)的數(shù)據(jù)類(lèi)型與錢(qián)龍類(lèi)似，但信用風(fēng)險(xiǎn)變量通過(guò)貸款所屬五級(jí)分類(lèi)類(lèi)別主觀(guān)賦值獲得，其研究結(jié)果支持貸款利率定價(jià)體現(xiàn)信用風(fēng)險(xiǎn)的假設(shè)，可是他根據(jù)與借款企業(yè)信用風(fēng)險(xiǎn)有密切關(guān)系的擔(dān)保抵押、經(jīng)營(yíng)規(guī)模、行業(yè)屬性等變量的系數(shù)估計(jì)結(jié)果，最后又認(rèn)為銀行“貸款定價(jià)的風(fēng)險(xiǎn)溢價(jià)功能不充分”。而張偉華等(2018)根據(jù)上市公司數(shù)據(jù)的研究顯示，作為信用風(fēng)險(xiǎn)的Z評(píng)分代理變量，對(duì)上市公司融資成本沒(méi)有顯著影響；黃璟宜等(2017)基于某股份制銀行省分行的微觀(guān)貸款數(shù)據(jù)檢測(cè)發(fā)現(xiàn)，以中等風(fēng)險(xiǎn)企業(yè)為參照，高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)企業(yè)的貸款利率均顯著低很多，意味著該股份制銀行的貸款利率確定，并沒(méi)有遵照風(fēng)險(xiǎn)定價(jià)原則。

控制變量方面，經(jīng)濟(jì)增長(zhǎng)率(GDPGrot)在模型Ⅰ、模型Ⅱ的估計(jì)中，均顯著為正，說(shuō)明當(dāng)GDP增長(zhǎng)速度加快時(shí)，經(jīng)濟(jì)體系中旺盛的內(nèi)生性信貸需求，將會(huì)普遍拉升微觀(guān)貸款利率水平。企業(yè)經(jīng)營(yíng)性現(xiàn)金流凈額(CF)和托賓Q(TobinQ)都是顯著而穩(wěn)健降低貸款利率定價(jià)的因素。經(jīng)營(yíng)性現(xiàn)金流是企業(yè)償還債務(wù)的最可靠資金來(lái)源，其流入流出凈額越大，貸款利率定價(jià)理應(yīng)越低。而托賓Q通過(guò)企業(yè)資產(chǎn)價(jià)值的資本市場(chǎng)估值信息，揭示了企業(yè)前瞻性地發(fā)展前景。在完全競(jìng)爭(zhēng)市場(chǎng)和生產(chǎn)規(guī)模報(bào)酬不變等假設(shè)條件下，托賓Q是企業(yè)存量資本的影子價(jià)格，其值越大，意味著企業(yè)面臨的資本約束越緊，邊際資本投入的預(yù)期收益也就越高(Hayashi,1982[34])。因此，較高的托賓Q值，自然是銀行降低貸款定價(jià)的一個(gè)重要依據(jù)。機(jī)構(gòu)持股比率(InstHold)和資產(chǎn)周轉(zhuǎn)率(ATO)的系數(shù)符號(hào)為負(fù)，符合預(yù)期，即較高的機(jī)構(gòu)持股比率，通過(guò)加強(qiáng)對(duì)大股東和管理層面的監(jiān)督而弱化企業(yè)代理問(wèn)題，最終有利于提高企業(yè)的價(jià)值；而較快的資產(chǎn)周轉(zhuǎn)速度則直接反映了企業(yè)較高的運(yùn)作效率。不過(guò)，這兩個(gè)變量系數(shù)的統(tǒng)計(jì)顯著性有所不足，在模型Ⅰ、模型Ⅱ的估計(jì)中，均只有一個(gè)是顯著的。所有制性質(zhì)(OwnerShip)的影響是，民營(yíng)企業(yè)貸款利率定價(jià)將更高，這雖然符合相關(guān)文獻(xiàn)通常的理論假設(shè)與經(jīng)驗(yàn)證據(jù)(申廣軍等，2020[35])，但只在模型Ⅰ的回歸中具有統(tǒng)計(jì)顯著性，因此穩(wěn)健性不夠。

模型估計(jì)的可靠性方面，貸款利率滯后變量(LoanRatei,t-1)系數(shù)值較高且具有高度統(tǒng)計(jì)顯著性，說(shuō)明動(dòng)態(tài)面板數(shù)據(jù)的設(shè)定是恰當(dāng)?shù)?。差分方程隨機(jī)誤差項(xiàng)的AR(1)、AR(2)檢測(cè)結(jié)果以及Hansen過(guò)度識(shí)別約束檢驗(yàn)表明，GMM估計(jì)的工具變量選擇，符合外生性要求。限于篇幅，這里不再贅述。

(二)異質(zhì)性檢驗(yàn)——分組回歸

由于信息不對(duì)稱(chēng)、政府干預(yù)和利率市場(chǎng)化進(jìn)程等因素會(huì)對(duì)銀行是否遵循信貸風(fēng)險(xiǎn)定價(jià)原則有影響，因此本文按企業(yè)融資約束程度、所有制性質(zhì)和所在地區(qū)利率市場(chǎng)化水平對(duì)樣本企業(yè)實(shí)施分組回歸，以期揭示銀行信貸風(fēng)險(xiǎn)定價(jià)行為面向不同類(lèi)型借款企業(yè)時(shí)的異質(zhì)性；當(dāng)然同時(shí)也能檢驗(yàn)這些因素對(duì)銀行信貸風(fēng)險(xiǎn)定價(jià)行為影響的顯著性。按融資約束程度對(duì)企業(yè)分組，是因?yàn)槿谫Y約束的根源在于信息不對(duì)稱(chēng)，企業(yè)融資約束的松緊反映了它與外部金融市場(chǎng)的信息不對(duì)稱(chēng)程度(Fazzari et al.，1988[36])。在中國(guó)現(xiàn)實(shí)的金融環(huán)境中，中小微企業(yè)無(wú)疑屬于緊融資約束借款人組別，因此這種分類(lèi)回歸還有檢測(cè)中國(guó)銀行業(yè)按所有制性質(zhì)分組，是考慮到國(guó)有企業(yè)比民營(yíng)企業(yè)在信貸融資方面要受到更多來(lái)自政府的直接和間接干預(yù)，如直接的信貸投向、金額和利率干預(yù)，間接通過(guò)“隱性擔(dān)?！焙拓?cái)政存款“杠桿”影響銀行信貸資金配置。至于按企業(yè)所在地區(qū)利率市場(chǎng)化發(fā)展水平分組，是因?yàn)椴煌睦适袌?chǎng)化環(huán)境中，信貸市場(chǎng)競(jìng)爭(zhēng)和銀企關(guān)系狀況存在較大不同；當(dāng)然，前文提及的政府信貸干預(yù)程度也有明顯差異。

企業(yè)融資約束分組以Hadlock and Pierce(2010)[37]較具外生性的融資約束SA指標(biāo)，將樣本企業(yè)劃分為兩個(gè)類(lèi)別，SA指標(biāo)大于中位數(shù)的為緊融資約束型企業(yè)，否則為松融資約束企業(yè)。企業(yè)所有制性質(zhì)分組則采用二分類(lèi)標(biāo)準(zhǔn)，將實(shí)際控制人為政府的定義為國(guó)有企業(yè)，其余視為民營(yíng)企業(yè)。按企業(yè)注冊(cè)地利率市場(chǎng)化水平分組時(shí)，本文根據(jù)王小魯?shù)?2019)[38]的中國(guó)分省經(jīng)濟(jì)市場(chǎng)化指數(shù)水平，將港澳臺(tái)地區(qū)和西藏之外的30個(gè)省區(qū)分為經(jīng)濟(jì)市場(chǎng)化程度高、中、低三個(gè)組別，然后取注冊(cè)地分別在高、低兩個(gè)組別的企業(yè)完成分類(lèi)(2)現(xiàn)有的中國(guó)利率市場(chǎng)化水平度量，均是國(guó)家宏觀(guān)層面上的，未見(jiàn)有國(guó)內(nèi)各地區(qū)的測(cè)定研究。王小魯?shù)?2019)對(duì)中國(guó)各地區(qū)經(jīng)濟(jì)市場(chǎng)化發(fā)展水平的評(píng)價(jià)指數(shù)包含了金融市場(chǎng)化程度因子。鑒于地區(qū)經(jīng)濟(jì)市場(chǎng)化水平與利率市場(chǎng)化程度間的較高正相關(guān)性，本文有理由用前者代理后者。。分類(lèi)的關(guān)鍵在于省區(qū)劃分，其具體劃分是根據(jù)2005—2016年各省的經(jīng)濟(jì)市場(chǎng)化指數(shù)均值，得到的高經(jīng)濟(jì)市場(chǎng)化組別省區(qū)由浙、滬、蘇、粵、京、津、閩、魯、渝、遼10省組成，低經(jīng)濟(jì)市場(chǎng)化組別的10省區(qū)則包括瓊、陜、蒙、晉、滇、寧、黔、甘、疆、青。

為了節(jié)省篇幅，本文表3只報(bào)告上述三組回歸的違約風(fēng)險(xiǎn)變量(預(yù)期違約率EPD和資產(chǎn)負(fù)債率DARatio)系數(shù)估計(jì)結(jié)果。

表3 異質(zhì)性檢驗(yàn)：分組回歸

表3的結(jié)果表明，三類(lèi)分組回歸中兩個(gè)違約風(fēng)險(xiǎn)變量，回歸系數(shù)符號(hào)均為正，但顯著性水平在組內(nèi)存在差異。當(dāng)高融資約束組VS低融資約束組時(shí)，預(yù)期違約風(fēng)險(xiǎn)(EPD)和資產(chǎn)負(fù)債率(DARatio)僅在后者對(duì)貸款利率有顯著正向影響，而在前者的影響不顯著。此結(jié)果符合Stigiz and Wess(1981)理論預(yù)期，也即在高融資約束企業(yè)群體與銀行之間，存在更為明顯的信息不對(duì)稱(chēng)情況，銀行為了避免由此造成的逆向選擇和道德風(fēng)險(xiǎn)后果，將對(duì)這一群體實(shí)施信貸配給而不是通過(guò)風(fēng)險(xiǎn)定價(jià)讓市場(chǎng)出清。當(dāng)國(guó)有企業(yè)對(duì)比民營(yíng)企業(yè)時(shí)，民營(yíng)企業(yè)貸款顯著體現(xiàn)風(fēng)險(xiǎn)定價(jià)原則，但國(guó)有企業(yè)貸款不然，這可視為是對(duì)國(guó)有企業(yè)存在顯著信貸干預(yù)的驗(yàn)證，與通常的預(yù)期一致。當(dāng)高市場(chǎng)化地區(qū)企業(yè)對(duì)比低市場(chǎng)化地區(qū)企業(yè)時(shí)，高市場(chǎng)化地區(qū)的企業(yè)貸款利率反映其風(fēng)險(xiǎn)水平；但低市場(chǎng)化地區(qū)企業(yè)貸款，并不遵循風(fēng)險(xiǎn)定價(jià)原則。究其原因，高利率市場(chǎng)化地區(qū)的企業(yè)所處信貸市場(chǎng)的市場(chǎng)化程度更高，利率形成機(jī)制自然體現(xiàn)風(fēng)險(xiǎn)定價(jià)原則；而低利率市場(chǎng)化地區(qū)的企業(yè)貸款，由于信貸市場(chǎng)發(fā)育不完善，來(lái)自政府的信貸干預(yù)更甚，使銀行信貸定價(jià)行為偏離風(fēng)險(xiǎn)定價(jià)軌道。上述分組回歸的結(jié)果，也說(shuō)明銀企信息不對(duì)稱(chēng)、企業(yè)所有制性質(zhì)和利率市場(chǎng)化環(huán)境因素，均對(duì)銀行信貸的風(fēng)險(xiǎn)定價(jià)行為具有顯著影響。

六、貸款利率與借款風(fēng)險(xiǎn)關(guān)系的DID證據(jù)——基于民企信用債“違約潮”事件的分析

在前文分析的基礎(chǔ)上，本文對(duì)2018—2019年民企信用債“違約潮”事件的沖擊實(shí)施雙重差分分析，進(jìn)一步提供在特定外生事件沖擊背景下，銀行貸款利率決策是否體現(xiàn)風(fēng)險(xiǎn)定價(jià)原則的證據(jù)。

2018—2019年間，中國(guó)公司債券市場(chǎng)出現(xiàn)了前所未有的大規(guī)模集中違約事件，違約主體主要是民營(yíng)企業(yè)，其中相當(dāng)一部分是民營(yíng)上市公司，業(yè)內(nèi)將此現(xiàn)象稱(chēng)之為民企信用債的“違約潮”。這次信用債“違約潮”事件，對(duì)民企信貸市場(chǎng)的沖擊具有顯著的外生性特征，其結(jié)果反映在貸款定價(jià)方面，理應(yīng)會(huì)推高民企借款人群體的風(fēng)險(xiǎn)定價(jià)，使民企貸款利率的風(fēng)險(xiǎn)敏感性提高。但如果中國(guó)銀行業(yè)貸款利率原本就不遵循風(fēng)險(xiǎn)定價(jià)原則的話(huà)，這種結(jié)果大概率不會(huì)出現(xiàn)。因此，對(duì)這次信用債“違約潮”事件的民企貸款定價(jià)效應(yīng)實(shí)施雙重差分分析(DID)，可進(jìn)一步驗(yàn)證中國(guó)銀行業(yè)信貸利率是否反映其風(fēng)險(xiǎn)的問(wèn)題。

雙重差分分析的對(duì)照組選擇國(guó)有企業(yè)。這是因?yàn)椤斑`約潮”主要發(fā)生在民營(yíng)企業(yè)，民企信貸市場(chǎng)受到了很大沖擊；而由于政府隱性擔(dān)保以及市場(chǎng)的“鋼兌信仰”，國(guó)有企業(yè)債券市場(chǎng)幾乎不受影響，其信貸市場(chǎng)受到的沖擊也非常有限。本文實(shí)施雙重差分分析的目的，是為了檢驗(yàn)這一外生性風(fēng)險(xiǎn)事件沖擊，是否會(huì)對(duì)民企貸款定價(jià)產(chǎn)生顯著不同于國(guó)企的影響。如果發(fā)現(xiàn)“違約潮”使民企信貸出現(xiàn)了相對(duì)于國(guó)企的更高定價(jià)，則將其視為中國(guó)銀行業(yè)貸款利率遵循風(fēng)險(xiǎn)定價(jià)原則的“個(gè)案證據(jù)”。

雙重差分變量DID的構(gòu)造分三步驟：首先，構(gòu)造時(shí)間虛擬變量D1819，2018年、2019年取1，2018年之前各年份取0；然后，依所有制性質(zhì)，獲得企業(yè)截面差異虛擬變量Dps，非國(guó)有企業(yè)取1，國(guó)有企業(yè)為0；最后，將兩個(gè)虛擬變量交乘，得到雙重差分虛擬變量DID。式(9)是本文實(shí)施雙重差分分析的計(jì)量模型。

LoanRatei,t=ui+vt+αLoanRatei,t-1+βDID##DefRiski,t+γX+εi,t(3)DID##DefRiski,t=DID+DefRiski,t+DID*DefRiski,t

(9)

(9)式中，t表示2015—2019年間的各年份，除雙重差分變量DID外，其他變量與前文(8)式相同。利用2015—2019年制造業(yè)上市公司數(shù)據(jù)，基于式(9)的雙重差分實(shí)證結(jié)果報(bào)告見(jiàn)表4。

表4 民企信用債“違約潮“”事件沖擊的DID實(shí)證結(jié)果

續(xù)表4

如表4所示，差分回歸變量DID在模型Ⅰ、模型Ⅱ的系數(shù)分別為0.0022、0.0015，且均具統(tǒng)計(jì)顯著性。這意味著與此前年份相比，在2018—2019年民企信用債“違約潮”期間，民營(yíng)制造業(yè)上市公司的貸款利率相對(duì)于國(guó)有上市公司而言，要平均高出0.0022或0.0015個(gè)單位。高出的這部分利率，盡管與民企信用債“違約潮”有關(guān)，但顯然不能作為民企貸款風(fēng)險(xiǎn)定價(jià)上升的證據(jù)。與“違約潮”前的情況相比，民企貸款風(fēng)險(xiǎn)定價(jià)較國(guó)企貸款是否提升，應(yīng)根據(jù)雙重差分變量DID與違約風(fēng)險(xiǎn)變量交乘項(xiàng)(DID*EPDi,t、DID*DARatioi,t)的回歸系數(shù)判定。表4報(bào)告的結(jié)果顯示，該系數(shù)在模型Ⅰ、模型Ⅱ中的回歸數(shù)值分別為-0.0009、0.0016，兩者都沒(méi)有統(tǒng)計(jì)顯著性。這說(shuō)明民企信用債“違約潮”的爆發(fā)，并未使民企貸款的利率風(fēng)險(xiǎn)敏感性變得比國(guó)企貸款更高，因此，從這一外生風(fēng)險(xiǎn)事件的沖擊分析來(lái)看，本文沒(méi)有發(fā)現(xiàn)中國(guó)銀行業(yè)遵循信貸風(fēng)險(xiǎn)定價(jià)原則的證據(jù)。

究其原因，這應(yīng)與2018年民企信用債“違約潮”爆發(fā)后中國(guó)政府所采取的一系列“對(duì)沖”政策有關(guān)。2018年11月1日，國(guó)家主席習(xí)近平在民營(yíng)企業(yè)座談會(huì)上的講話(huà)，把解決“融資難、融資貴”問(wèn)題作為支持民營(yíng)企業(yè)發(fā)展的第二大政策舉措②。在此前后的歲末年初，國(guó)家政策迅速聚焦民營(yíng)企業(yè)融資問(wèn)題，出臺(tái)了一系列前所未有的利好支持政策。例如，中共中央辦公廳2019年2月14日發(fā)布的《關(guān)于加強(qiáng)金融服務(wù)民營(yíng)企業(yè)的若干意見(jiàn)》，明確提出了銀行增量信貸投放中的民營(yíng)企業(yè)貸款比重應(yīng)進(jìn)一步提高、同等條件下國(guó)企與民企貸

①由于AR(2)檢驗(yàn)拒絕差分矩條件方程誤差項(xiàng)不存在序列相關(guān)的原假設(shè)，故進(jìn)行了AR(3)檢驗(yàn)。AR(3)通過(guò)檢驗(yàn)，提示在滯后工具變量的設(shè)定時(shí)比通常情況要多滯后一階。

②詳見(jiàn)新華網(wǎng)(http://www.xinhuanet.com/politics/leaders/2018-11/01/c_1123649488.htm)。

款利率保持一致、加快清理政府與國(guó)企部門(mén)對(duì)民營(yíng)企業(yè)賬款的托欠等針對(duì)性很強(qiáng)的政策。中國(guó)人民銀行也推出了民營(yíng)企業(yè)債券融資支持工具、中期貸款便利定向貨幣政策工具(TMLF)等一系列有利于緩解民營(yíng)企業(yè)融資約束的有力舉措。

七、結(jié)論與政策含義

本文利用微觀(guān)制造業(yè)上市企業(yè)貸款數(shù)據(jù)，實(shí)證研究了中國(guó)銀行業(yè)貸款定價(jià)是否遵循風(fēng)險(xiǎn)定價(jià)原則的問(wèn)題。研究發(fā)現(xiàn)，在2015年銀行存貸款利率管制名義上完全放開(kāi)的背景下，制造業(yè)上市公司貸款利率的確定，平均意義上反映了其違約風(fēng)險(xiǎn)水平，亦即遵循信貸風(fēng)險(xiǎn)定價(jià)原則。進(jìn)一步據(jù)此實(shí)施的分組異質(zhì)性檢驗(yàn)發(fā)現(xiàn)，信息約束較弱的松融資約束企業(yè)、政府信貸干預(yù)較少的民營(yíng)企業(yè)和高利率市場(chǎng)化水平地區(qū)的企業(yè)，銀行貸款定價(jià)均顯著體現(xiàn)信貸風(fēng)險(xiǎn)定價(jià)原則，而三者分別對(duì)應(yīng)的緊融資約束企業(yè)、國(guó)有企業(yè)和低利率市場(chǎng)化水平地區(qū)的企業(yè)，其貸款利率定價(jià)都不反映風(fēng)險(xiǎn)水平。本文基于特定外生性風(fēng)險(xiǎn)事件沖擊的雙重差分檢驗(yàn)還發(fā)現(xiàn)，2018—2019年民企信用債“違約潮”的爆發(fā)，使民營(yíng)制造業(yè)上市公司貸款利率的風(fēng)險(xiǎn)定價(jià)，并未出現(xiàn)相對(duì)于國(guó)企的顯著上升現(xiàn)象。這說(shuō)明中國(guó)銀行業(yè)貸款利率定價(jià)對(duì)民企信用債“違約潮”沖擊沒(méi)有做出正確反應(yīng)。

本文的研究結(jié)果意味著，政府把銀行信貸風(fēng)險(xiǎn)定價(jià)水平的提升作為提高信貸資源配置效率、促進(jìn)銀行業(yè)穩(wěn)健運(yùn)行的“抓手”，是一個(gè)同時(shí)頗具宏觀(guān)與微觀(guān)價(jià)值的政策選擇。

銀行貸款利率是否遵循風(fēng)險(xiǎn)定價(jià)原則的問(wèn)題關(guān)乎信貸資源的優(yōu)化配置大局，是評(píng)判信貸市場(chǎng)價(jià)格機(jī)制有無(wú)失靈的重要標(biāo)準(zhǔn)。按風(fēng)險(xiǎn)定價(jià)原則確定貸款利率，亦是銀行有效風(fēng)險(xiǎn)管理體系的基石，銀行的穩(wěn)定與這一原則是否得到遵守息息相關(guān)。根據(jù)本文的研究結(jié)果，在2015年利率管制名義上全部放開(kāi)的背景下，雖然總體的貸款利率水平體現(xiàn)了風(fēng)險(xiǎn)定價(jià)原則，但從不同維度考察異質(zhì)性時(shí)，發(fā)現(xiàn)大面積的細(xì)分信貸市場(chǎng)利率并不遵守信貸風(fēng)險(xiǎn)定價(jià)原則。本文基于特定風(fēng)險(xiǎn)事件沖擊的雙重差分分析，其結(jié)果也類(lèi)似。這意味著中國(guó)銀行業(yè)改善信貸風(fēng)險(xiǎn)定價(jià)狀況的空間還很大，政府將其作為提高信貸資源配置效率、促進(jìn)銀行業(yè)穩(wěn)健運(yùn)行的“抓手”，是一個(gè)潛在效應(yīng)大，并頗具宏觀(guān)與微觀(guān)價(jià)值的政策選擇。具體而言，政府一方面應(yīng)推動(dòng)金融科技在信貸市場(chǎng)的應(yīng)用，把旨在解決信息不對(duì)稱(chēng)約束的項(xiàng)目作為優(yōu)先鼓勵(lì)的發(fā)展方向；另一方面需切實(shí)減少政府信貸干預(yù)，因?yàn)闊o(wú)論國(guó)有企業(yè)還是低利率市場(chǎng)化水平地區(qū)企業(yè)的貸款，之所以不遵守風(fēng)險(xiǎn)定價(jià)原則，均與政府尤其是地方政府的各種信貸干預(yù)密切相關(guān)。當(dāng)然，面對(duì)一些系統(tǒng)性的風(fēng)險(xiǎn)事件沖擊時(shí)，政府的直接信貸干預(yù)政策必不可少，但也應(yīng)注意發(fā)揮市場(chǎng)機(jī)制的基礎(chǔ)作用。