微观视角下征信业金融风险分析.docx

微观视角下征信业对系统性金融风险抑制功
能及实证分析
3.1征信产品开发的种类及风险抑制功能
3.1.1征信产品开发的种类
3.1.1.1征信业务的种类
一、 按业务模式可分为企业征信和个人征信两类
企业征信主要是收集企业信用信息、生产企业征信产品的机构；个人征信主要是收集个人信用信息、生产个人征信产品的机构。有些国家这两种业务类型由一个机构完成，也有的国家是由两个或两个以上机构分别完成，或者在一个国家内既有单独从事个人征信的机构，也有从事个人和企业两种征信业务类型的机构,一般都不加以限制，由征信机构根据实际情况自主决定。
二、 按服务对象可分为信贷征信、商业征信、雇佣征信以及其他征信
信贷征信主要服务对象是金融机构，为信贷决策提供支持；商业征信主要服务对象是批发商或零售商，为赊销决策提供支持;雇用征信主要服务对象是雇主，为雇主用人决策提供支持；另外，还有其他一些征信活动，诸如市场调查，债权处理，动产、不动产鉴定等。各类不同服务对象的征信业务，有的是由一个机构来完成，有的是在围绕具有数据库征信机构上下游的独立企业内来完成。
三、 按征信范围可分为区域征信、国内征信、跨国征信等
区域征信一般规模较小，只在某一特定区域内提供征信服务，这种模式一般在征信业刚起步的国家存在较多，征信业发展到一定阶段后，大都走向兼并或专业细分，真正意义上的区域征信随之逐步消失；国内征信是目前世界范围内最多的机构形式之一，尤其是近年来开设征信机构的国家普遍采取这种形式，但由于每个国家的政治体制、法律体系、文化背景不同，跨国征信的发展也受到一定的制约。
3.1.1.2征信机构的种类
征信机构是负责管理信用信息共享的机构，从事个人或企业信用信息的采集、加工处理，并为用户提供征信报告和其他基于征信系统数据的增值产品。从全球实践来看，征信机构一般分为三类：个人征信机构(creditbureau)、信贷登记系统(creditregistry)禾口企业征信机构(commercialcreditreportingcompany),
类机构的经营模式和目标服务市场各有差异O
一、 个人征信机构
个人征信机构通常是私营的，是按照现代企业制度建立、完全市场化运作的征信机构，主要为商业银行、保险公司、贸易和邮购公司等信息使用者提供服务。美国是典型的私营征信机构模式，商业化征信机构拥有全面的信用信息系统。
个人征信机构主要为信贷机构提供个人借款人以及微型、中小型企业的信用信息。它们从银行、征信卡发行机构和其他非银行金融机构等各类信贷机构采集标准化的信息，同时还采集各类公共信息，如法院判决、破产信息、电话簿信息，或担保物权登记系统等第三方数据库的信息。此外，它们也会采集一些非传统征信数据，如零售商对消费者的赊销信息，以及煤气、水、电等公共事业缴费信息，有线电视、电话、网络等其他先使用服务后付费服务的缴费数据，以便提供更好、更完善的征信报告。对从未与银行发生过信贷关系的个人以及微型、中小型企业而言，不断拓宽信息来源非常有益，可以帮助它们在没有银行信贷记录的情况下建立起征信档案，从而有效解决因为没有征信档案而无法获得银行贷款的难题。
个人征信机构通常采取数据提供者自愿报数(通过签署数据共享互惠协议)的模式，广泛采集各类征信数据，并提供多样化的征信产品和服务，帮助信贷机构做出信贷决策。在一些国家和地区，通常是在征信业的发展初期，法律会强制要求有关各方进行数据共享，并使用征信机构的服务，此外，还会赋予监管机构相应的权利，以督促信贷机构加入征信系统并监控其加入情况。
二、 信贷登记系统
信贷登记系统起源于欧洲。从历史上看，信贷登记系统的建立目的与个人征信机构不同。大多数信贷登记系统最初是作为中央银行的内部数据库而设立，而且目前仍然有很多信贷登记系统用于中央银行的宏观金融监管。根据世界银行的调查，越来越多的国家政府鼓励成立信贷登记系统来监督商业银行的信贷活动。
因此，这些数据库通常采集贷款额度在一定金额以上的大额信贷业务数据。
最初，信贷登记系统的信息仅限于央行内部使用。但随着时间的推移，信贷登记系统也开始向受监管的信贷机构提供征信报告。而且，随着消费信贷的发展,信贷登记系统普遍降低或取消了数据采集门槛。在许多国家，如法国、阿根廷、西班牙、秘鲁、意大利、比利时等，信贷登记系统已经开始提供与个人征信机构类似的产品和服务。通常，法律要求所有受监管的金融机构都要向信贷登记系统报送数据。
信贷登记系统既采集个人信息，也采集企业信息。个人信息通常包括个人的身份验证信息、贷款类型和贷款特征信息、负面信息、担保和保证类信息以及还款记录信息。企业信息通常包括企业的身份标识信息、企业主的信息、贷款类型和贷款特征信息、负面信息和还款记录。
三、企业征信机构
企业征信机构提供关于企业的信息，这些企业包含个人独资企业、合伙企业和公司制企业，并通过公共渠道、直接调查、供货商和贸易债权人提供的付款历史来获取信息。企业征信机构所覆盖的企业在规模和经营收入上都小于信用评级机构所覆盖的企业，其采集的信息一般用于信用风险评估或征信评分，或是用于贸易征信展期等其他用途。
企业征信机构与个人征信机构的差异体现在以下几个方面:企业征信机构采集的信息不包括个人敏感信息，所覆盖的交易的规模也大的多。与个人征信相比,企业征信往往需要采集更多的有关企业借款人的支付信息和财务信息。为了保护个人数据主体的权利，个人征信机构会披露数据提供者的身份，但企业征信机构却不会让企业数据主体知道其数据来源或用户的身份。
企业征信机构也可能会采集小企业的信息，但由于其报告的数据项并不适合小企业，所以采集的信息往往有限。正如前面提到的，由于小企业往往不会公开自身的财务信息，所以其企业主的征信记录对评估小企业的征信情况非常有用。但企业征信机构并不采集个人数据。此外，由于微型或小型企业的信用信息采集成本往往较高。因此，与企业征信机构相比，个人征信机构往往能更好地满足对微型和中小型企业的征信需求。
3.1.1.3征信机构的作用
征信机构的作用是传播信用信息从而起到对失信者惩罚的作用。就征信机构的征信传播作用而言，分为对个人和企业两种，目前对我国征信机构的需求很广。对个人来说：申请工作时，应聘企业通过查询个人征信记录就可以对个人征信情况有详细了解，决定是否雇佣；个人申请征信卡，也可以通过征信记录来判断个人的征信卡额度；与个人交易时可以查询征信记录来判断个人征信情况，从而决定是否继续交易及交易方式；对于注册会计师、律师、教师、证券从业人员、医务人员等进行征信记录，可以促使其遵守职业道德；种类繁多不一一列举。对企业来说：银行对企业授信时可以查询征信记录决定是否贷款和贷款额度、贷款利息等；政府采购选择企业、投标招标选择企业、选拔建设工程企业、通过电子商务交易、选择旅游机构等都可以通过征信系统来选择征信较好的机构进行交易，从而降低交易成本。
由国家发改委和中国人民银行负责一个整体的总征信机构建设，由国家各部门分别负责各领域征信系统的建设，并把各领域的征信情况上报给总的征信机构。由政府负责这个征信机构的信息采集及查询情况，使得信息能够迅速、公正的被采集传播，防止信用信息被滥用。通过征信档案的建立，公民和企业每个人都有一个征信代码，交易双方进行交易时可以事先查询征信代码，失信者会因害怕不良记录而有所顾忌，从而建立一个公平诚信的社会环境。
3.1.2征信产品开发的风险抑制功能
3.1.2.1征信报告产品的风险抑制功能
征信报告主要包括个人征信报告和企业征信报告。个人征信报告本质上是个人过去的征信行为又称为个人征信报告，主要是记录个人征信活动的一个报告展现形式，目前国内金融相关业务认可的主要是人行征信中心的征信报告，其个人信用信息包括了个人基本信息、个人信贷交易信息以及反映个人征信状况的其他信息。下面介绍征信报告的数据来源、报告形态以及后续用途等方面，以此来解读征信报告。
(1) 数据来源。个人信息，即主要是从公安部身份信息核查结果得到的信息，主要包括个人名字、身份证号码信息。个人婚姻、职业、住所信息：每次向金融机构或非金融机构进行办理业务过程提交的信息。征信交易信息：金融机构及非金融机构在每次业务发生后一段时间内向央行进行上报，包括征信贷款、征信卡及其他贷款（如助学贷款）。公共记录：征信中心通过信息主体、企业交易对方、行业协会提供信息，政府有关部门依法已公开的信息，人民法院依法公布的判决、裁定等渠道采集到公共记录信息。查询记录：征信机构对所有查询征信报告的行为进行记录，并在报告中显示。
（2） 报告形态。个人征信报告目前可通过多种渠道去查询，包括个人授权银行或金融机构进行查询、个人主动查询（1、个人登录征信中心网站申请查询；2、到中国人民银行各地分行查询；3、到各银行营业厅中申请查询），无论哪种查询方式，查询都需要得到个人的授权。个人征信报告目前主要有两种形态，个人通过征信中心网站上查询的一般为简单的版本（即行业称的“简版”），银行查询的一般为征信报告详细版（即行业称的“详版”）。
（3） 征信报告的用途。目前，征信报告在所有银行贷款业务、征信卡业务等金融业务中均有直接使用。征信报告的安全等级分为五级：正常、关注、次级、可疑、损失。如若征信报告达到次级以后则无法办理贷款或征信卡，如果被央行列为失信名单，那么在未来乘坐火车、高铁、飞机等交通工具都会有所限制，因此，保护好个人的征信极为重要，采用央行征信的一句话就是：伴您一生的征信记录者。
提及征信报告产品的风险抑制功能，主要通过以下四个方面得以体现。
（1） 防范信用风险。征信降低了交易中参与各方的信息不对称，避免因信息不对称而带来的交易风险，从而起到风险判断和揭示的作用；
（2） 扩大信用交易。征信解决了制约信用交易的瓶颈问题，促成信用交易的达成，促进金融信用产品和商业信用产品的创新，有效扩大信用交易的范围和方式，带动信用经济规模的扩张；
（3） 提高经济运行效率。通过专业化的信用信息服务，降低了交易中的信息收集成本，缩短了交易时间，拓宽了交易空间，提高了经济主体的运行效率,促进经济社会发展；
(4) 推动社会信用体系建设。征信业是社会信用体系建设的重要组成部分，发展征信业有助于遏制不良信用行为的发生，使守信者利益得到更大的保障，有利于维护良好的经济和社会秩序，促进社会信用体系建设的不断发展完善。
3.1.2.2信用评级产品的风险抑制功能
信用评级有利于形成良好的外部征信环境，促进金融机构之间的公平有序竞争。通过评级结果所谓公示，金融机构可以准确地获悉自身在经营发展中存在的问题，通过与其他机构的比较，明确自身的发展方向，走符合自身经营特点的发展变化道路，在激烈的竞争中形成动态、持续的比较竞争优势。如果金融市场上的所有机构都按照这种理性的经营思维方式发展，就能够进一步维护金融市场的公平、公开、公正的竞争秩序，优化金融市场环境，并最终提升金融资源的配置效率。目前，中国人民银行正在积极开展企业征信库建设，逐步建立起全国范围内的征信业，并最终运用于金融市场上各个机构的需求，在征信业建设上，评级公司可以利用自身的优势，帮助政府建立健全征信数据库，搜集整理企业信息资料，依靠共享的数据库系统，使失信者的失信记录在各行业共享，使失信者在社会无法立足。同时研究企业征信资料的运用方式，这也反过来有利于评级机构自身更好的开展评级工作，保证评级结果的准确性。
信用评级产品的风险抑制功能，主要表现为以下三点：
一、 信用风险度量功能
本质上讲，信用评级的功能在于揭示风险，揭示风险的前提就是要对信用评级对象的风险状况做出度量。在20世纪70年代以前，度量信用风险的主要借助于各种报表提供的财务数据，进而通过分析被评对象的各种信息来做出评价。80年代以来，征信市场的发展和信用风险的变化使得风险度量更多的依靠量化分析方法和风险度量模型。总结穆迪和标普对信用评级的定义发现，其定义主要包括两个方面，一是违约率，即违约的可能性，二是违约损失，即违约后可能造成的损失有多大，依据这样的概率模型而做出的评级结果比单纯依靠经验判断的财务分析得出的结果要准确的多，因此，建立一套科学有效的评级模型就显得十分重要。
二、 信用风险预警功能
金融风险预警机制的主要目的是预报和提示金融风险，而要预报风险就要对其进行评级，再根据金融风险的轻重缓急程度，发出相应的预警信号，提醒各金融机构予以高度警惕，并积极采取有效措施，予以控制和防范。预报金融风险是金融风险评级的目标，完成这一任务需要选择合适的预测技术。从操作上讲预测技术可以分为两类：一类是直接预测技术，即直接依据相关监测指标变动的因果联系来进行预测，如VAR模型的应用；一类是间接预测技术，即预测者自己不直接作预测，而是借助于专家的力量，收集整理专家所得出的预测结论，最后给出风险预警。如果条件许可，两类预测技术可以结合使用。
信用资源的整合功能是指信用评级通过风险揭示，为金融市场上信用信息的供需双方提供一个合理的定价和流动机制，从而实现信用资源的有效配置。它由可以具体分为两个方面，即信号传递和证明作用，信号传递是指评级结果包含了新的信息或者将现有的信息加以综合，提供给市场，从而提高发行方的筹资效率或降低投资方的风险水平。证明作用是指特定债务的发行符合一定的条款和条件,例如证监会制定的债券上市条件，基金委托方制定的投资组合战略等。
3.1.2.3关联企业甄别产品的风险抑制功能
所谓关联企业，是指与其他企业之间存在直接或间接控制关系或重大影响关系的企业，相互之间具有联系的各企业互为关联企业。关联企业在法律上可表现为由控制公司和从属公司构成。而控制公司与从属公司的形成主要在于关联公司之间的统一管理关系的存在。这种关系往往借助于控制公司对从属公司实质上的控制而形成。

图3.1关联企业查询产品示意图
Fig.3.1Therelatedcompanyqueryproductschematic

关联企业甄别产品的风险防控方式，主要有以下三点:
一、 加强贷前调查，严格客户准入
树立正确的营销和风险管理理念，新客户准入要充分收集各类内外部信息，利用征信系统平台、银监会披露信息等外部工具，对客户主体进行综合分析，符合集团客户标准的，要摸清其管理体制、组织结构、治理结构，理顺成员之间的法律关系，按照集团客户管理模式进行统一授信、管理，防止过度授信；对刻意隐瞒关联关系、参与民间借贷、多头授信、多业并举、快速扩张、他行退出客户要审慎介入，从源头控制风险。
二、 加强贷后管理，完善担保方式
客户用信后，在贷后监管中发现客户存有隐性关联关系的，要多渠道摸清关联关系，严格落实集团客户管理要求。一是优化担保方式，将企业互保方式逐步转换为抵押担保方式，对现有抵押物确保产权明晰，法律手续完善,抵押物充足，能有效覆盖风险敞口。二是严格控制企业对外担保行为，与企业签订补充协议,要求企业对外担保必须经贷款行书面同意，规避集团成员企业涉诉带来的风险。三是加强对信贷资金的跟踪监测，重点关注无贸易背景的关联交易情况，落实信贷资金归行管理，确保不被关联企业挤占挪用。
三、综合分析风险，适时调整策略
对于符合集团客户定义，但未按集团客户管理的隐性关联客户，要综合分析、判断客户风险，适时调整管理策略，确保措施可行、风险可控。一是对贷前刻意隐瞒关联关系的客户，分析其目的性，属于借壳融资，套取贷款，以及信贷资金被实际控制人挪用于股权投资、民间借贷的，要及时退出；二是借款人生产经营正常，信贷资金使用规范，还款来源充足，无实际风险因素的关联企业，要参照集团客户模式进行管理，确保风险可控；三是存在潜在风险的隐性关联客户，在优化担保方式，落实有效资产抵押的情况下，制订压降计划,逐步压降用信额度，择机退出。
3.1.2.4担保圈识别产品的风险抑制功能
在银行贷款中，担保抵押是关键点，能不能放贷及放贷额度多少均与抵押有关。商业银行从风险控制的角度出发，在企业不能或不愿提供抵质押物的担保情况下，也认为人的担保“有总比没有好二即便对于一些征信等级较高的企业，也要求提供保证担保而不愿发放征信贷款，客观上也导致担保圈的形成，且容易出现“用担保圈垒流动资金贷款"、“用流动资金贷款垒大户”的情况。通过担保征信增级而不是分析企业自身的现金流作为还款能力依据，但现在随着经济的下行，企业经营利润下降，有很多企业资不抵债，企业主跑路的情况很多，担保风险链条不断扩大，其中很多大的担保圈的风险也爆发出来，严重影响了信贷资产的安全。
针对此起彼伏的担保圈风险，商业银行客户经理应该具有防范担保圈贷款风险的风险意识，将化解担保圈贷款风险作为深化信贷管理的重点，以尽快化解已暴露或潜在的担保圈风险。
一、贷款三查节深入仔细，化解担保圈贷款风险
在贷前调查环节，凡向银行申请融资的企业，客户经理在尽职调查时应要求企业如实提供对外担保信息，全面掌握企业的或有负债情况，并了解掌握企业已有他行融资担保情况，分析客户所在担保圈的总体风险状况。在审查审批环节,客户经理应加强授信审查，实行动态管理。通过查询中国人民银行信息征询系统、对保证人情况进行全面尽职调查、分析保证人之间的内在联系、对借款人在他行融资担保情况进行分析判断，全面准确把握担保圈范围；认真分析借款人偿债能力及保证人代偿能力，严格核定客户授信额度和限定使用条件。对有违约记录、过度担保或互保和连环担保现象严重的担保圈内企业新增融资，商业银行要从严审查审批，并尽可能办理有效的抵质押担保。
二、 要尽量避开企业同行业担保圈担保
在商业银行风险分散策略上，往往要求贷款不要集中于特定的一两个行业,而造成相对较大的行业集中度风险。将行业风险分散策略应用到担保圈风险控制上，商业银行可以在具体受理担保贷款业务时，避免让同一个行业的企业进行互保，以避免一个行业出问题，整个担保链条崩盘。温州庄吉集团企业行业内互保，一旦行业龙头企业经营出现问题，其配套的小公司、关联行业内的都受到重大影响，严重影响信贷资产质量。
三、 在贷款企业担保方式置换的注意事项
如果互保企业出现问题，银行从保全资产安全的角度，肯定是先下手为强。当担保圈中保证人保证能力不足，保证人出现偿债能力问题时，商业银行应考虑采用其他的风险缓释手段，将部分担保圈保证贷款置换为合法、足值、有效的抵质押担保贷款，由“人的担保”向“物的担保”方式转化，实现担保方式由高风险向低风险转变。此外，如若企业“物的担保"不足或者有其他原因而只能采取其他企业担保的方式，那么可以要求企业寻找的互保公司不存在任何担保或者被担保行为，以防止担保圈扩大化。
四、 认真摸清行内担保圈贷款风险情况，彻底清查存量担保圈贷款
对于担保圈中一些互保额度较大的融资，商业银行应在审慎进行风险分析判断的前提下，对互保关系进行清理，对借款人征信较好，实际较强的企业，在风险可控的情况下，要求借款人更换贷款担保方式或找其他具有担保能力的企业担保，切断担保圈链的关联。对于互保、连环担保关系复杂，融资总额较大的担保圈，商业银行应绘制担保圈保证关系示意图，厘清担保关系，对形成担保圈的主要保证链条进行切割，实现“大圈化小”，风险降低，或对担保风险传导的高危环节进行预警，建立起有效的“防火墙”，尽快隔离风险，防止风险的传导和扩散。对借款人偿债能力不佳、保证人担保能力不足、关联关系复杂或圈内企业存在违约记录的担保圈贷款，商业银行可以将担保圈贷款风险化解与潜在风险贷款退出和不良贷款清收处置工作相结合，通过多收少贷、只收不贷等措施积极压缩收回担保圈风险融资。
3.1.2.5行业投放余额预警产品的风险抑制功能
金融安全是一国经济安全中最关键的部分，与一国的经济状况与社会发展密切相关。随着金融全球化进程加快，金融工具的不断创新，金融风险逐渐趋于复杂化、多样化，各国之间相似的监管目标及体系、金融机构业务的同质化都加剧了金融业的顺周期性，金融机构之间的相互联系也使得风险在不同机构、不同区域之间更容易传染，一旦系统性重要机构爆发系统性金融风险，危机就会广泛、快速地蔓延开来，极容易引起大规模的金融危机爆发。
2007年下半年，美国爆发次贷危机引发了全球范围内的金融危机，在此之前，系统性金融风险的研究虽已存在，但却一直不是学术界以及监管部门关注的重点。《巴塞尔协议II》是各国金融监管的国际标准，其监管重点一直是以单家商业银行为主的微观审慎管理机制，着重监管单家银行的经营管理状况与风险。次贷危机后，各国意识到系统性金融风险监管的重要性，G20峰会和金融稳定理事会决定对现有监管体制进行改革，各国都认为有必要设立统一的监管机构对金融体系的整体风险进行监管，建立宏观审慎管理架构，防范系统性金融风险。《巴塞尔协议III》要求计提逆周期资本从而对系统性金融风险进行更有效的监管。
在风险管理体系中，一般需要包括风险管理计划、风险识别、风险定性分析、风险定量分析、风险响应和风险监控。另一方面，风险管理的本质是对不确定性的管理，所以这种不确定性不仅会给银行带来威胁，同时也可能意味着机会，因此加强风险管理还可以帮助银行发现新的机会。风险管理贯穿银行各项业务的整个业务过程，包括事前、事中和事后，但越早发现风险、越早采取措施，则风险管理的成本就越低，给企业带来的效益也就越大。按照1：10：100的理论，在如果在第一个阶段控制风险的成本是1,那么如果到了第二个阶段才采取措施,它的成本就会是10,到了第三个阶段时的成本就将是100。因此，在风险管理领域中普遍强调风险管理的计划性和预测性。风险预警系统可以为风险识别、风险分析、风险监控等提供强有力的手段，在整个风险管理体系中具有极其重要的地位。
风险预测需要对大量的信息进行综合分析，落后的人工管理手段已经无法适应，只有依靠高科技手段，结合人工管理，提高分析的自动化水平和处理能力，才能逐步提高风险预测的准确性和及时性。因此，建立一个高度自动化、智能化的风险预警系统，与银行其他系统密切配合，将在银行的风险管理体系中发挥出积极的作用。
3.2征信产品对系统性金融风险抑制功能的度量模型
3.2.1模型量化与指标选取
本章节立足于微观的角度，对征信产品是否会对系统性金融风险起到抑制作用以及如何抑制展开了较为系统的研究。
首先对征信产品进行量化，选取的指标是世界银行发布的经过标准化处理的信用信息深度指数，该指数衡量的是从征信登记处（包含公立征信登记处和私立征信登记处）获得信用信息的情况，包括信用信息涵盖的范围、可获得性以及信用信息的质量。指数共七个层级，依次为0、1、2、3、4、5、6,该指数得分越高，表示信用信息越全面，也就意味着该国征信机构征信产品建设的完善程度越高，可以提供征信产品的种类越多，征信产品信息更全面，征信产品服务更完善。
其次，系统性金融风险量化采用的是不良贷款率这一指标，不良贷款率越高,说明该国的系统性金融风险越大。控制变量选择的是总人口数、通货膨胀率和国内信贷占GDP的百分比等，分别对国家规模、经济稳定情况以及信贷发展情况等多方面的影响因素进行控制。其中，对信用信息深度指数进行标准化处理，对不良贷款率和总人口数进行对数化处理，以消除异方差的影响。由于2015年后世界银行对各国征信产品的信用信息深度指数的衡量方法发生了改变，因此选取的时间跨度为2005-2014年。
3.2.2面板数据回归模型的选择与建立
针对上述量化指标，以下分别建立面板数据混合回归模型、固定效应模型和随机效应模型，并对所建立模型的合理性分别进行检验，进而确定面板数据回归模型的形式，最终研究征信产品对系统性金融风险的抑制机理。
3.2.2.1面板数据混合回归模型的估计与检验
从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，则可以直接把面板数据混合在一起，采用普通最小二乘法
(3.1)
(3.2)
（OLS）估计参数。模型形式为：
Yit=Pl+Sk=2PkXkit+Uit
或者
Y=XP+U
其中，Y=
丫2
,X=
pxjX2
，P=
[PllP2
,u=
FUJU2
o

Yn_
NTxl
XN_
NTXK
_Pn_
KX1
UN_
NTxl

以信用信息深度指数为自变量，不良贷款率为因变量，加入总人口数、通货膨胀率和国内信贷占GDP的百分比等控制变量，建立面板数据混合回归模型，其回归结果见表3.1。
表3.1面板数据混合回归模型计算结果
Table3.1Paneldatahybridregressionmodelcalculationresults
面板数据混合回归模型计算结果
变量
系数
标准误差
广统计量
概率
c
2.008181
0.400419
5.015193
0.0000
zx
-0.005143
0.000783
-6.565593
0.0000
XDZB
-0.001365
0.000546
2.500726
0.0126
CPI
-0.003573
0.007199
-0.496381
0.6198
LOG(RK)
-0.013779
0.024929
-0.552707
0.5806
R方
0.068544
因变量均值
1.398214
调整7?方
0.064291
因变量标准差
0.933543
回归的标准误
0.903036
Akaike信息准则
2.639550
残差平方和
714.3546
Schwarz准则
2.666684
对数似然值
-1157.722
Hannan-Quinn信息准则
2.649926
夕统计量
16.11585
Durbin-Waston统计量
0.290220
概率（夕统计量）
0.000000

为探查面板数据混合回归模型的合理性，即信用信息深度指数对不良贷款率影响的回归结果是否在不同国家以及不同时点之间存在显著差异，假设上述公式中的前《1个解释变量的回归模型在个体和时点间无显著差异，后石2个解释变量的回归模型在个体和时点间有显著差异，从而将矿•分解为两个部分：旗，和茶,，参数但•也相应的分解为岛'和膈,两部分。因而模型被放宽为：
(RRSS-URSS)/(NK2+K1-K)
URSS/(NT—Ki—NK2)
〜F(NI<2+Ki—K,
NT—Ki—NK2)
(3.5)

或者
Yi
=^liPli+^2iP2i+G
(i=1,2,
…，N)
(3.3)

Y=X1p1+X2p2+U

(3.4)

[Vil
[Xid
[X21
0…o_

其中，Y=
丫2
x-Xi2
，A】一 ： ，
X2=0：
X22…0..•'•••
伉=

JN.
NTxl LXin」nTxKi
.0
。 …^2nJnTxNK2

Pii]
'P21
[UJ

牛，02=
P22
TT_u2
，U— . o

Pik』kiX1
-P2N.
NK2X1 LUn」nTx1

如果模型的随机误差项〃服从正态分布，则可以构建Chow检验的夕统计量:

接下来建立原假设:
Ho：p21=p22=…=p2N
(3.6)

(3.7)
(3.8)

并对原假设田进行假设检验。其中，RRSS是有约束模型(3.1)的残差平方和,URSS是无约束模型(3.2)的残差平方和。
这里取77=155,t=10,k=5,们=0,J2=5,以155个国家的时间序列数据
分别进行OLS估计，计算得到155个多元线性回归模型的残差平方和为：
URSS=4.803
从混合回归模型的回归结果得到有约束模型的残差平方和:
RRSS=714.355
将各变量的值代入公式(3.5),得到夕统计量的值为:
F—W"严=148.696>F0.05(770,775)=1-126 (3.9)
从公式(3.9)可以看出夕统计量是显著的，说明有约束模型(3.1)和无约束模型(3.2)回归结果差异较大，直接建立混合回归模型结果并不太准确。
3.222面板数据固定效应模型的估计与检验
一、个体固定效应模型的估计与检验
通过之前对夕统计量的检验，结果显示：回归结果在不同个体与时点间差异显著，首先考察回归结果在不同个体间的差异，即构建反映个体特征的虚拟变量对混合回归模型进行完善，即建立个体固定效应回归模型，其模型的一般形式为:
Yit=人+摄=2施Xkit+Uit (3.10)
或者
Y=(IN®tt)入+X6+U (3.11)

-x2ii
X3il•
..xKil'
rxii
内克积，入=
入2
，Xi=
X2i2
X3i2•
•・xKi2
*•:
,x=
X2

一入N_
Nxl
x2iT
x3iT•
.・XKiT_
TX(K-I)
_XN_
NTX(K-I)

其中，In®tt是0阶单位矩阵In和丁阶列向量Tt=(1，1，…，1)的克洛
rp2i
6=申

_6k」(kt)x1
以信用信息深度指数为自变量，不良贷款率为因变量，加入总人口数、通货膨胀率和国内信贷占GDP的百分比等控制变量，构建面板数据个体固定效应模型，其回归结果见表3.2。
表3.2面板数据个体固定效应模型计算结果
Table3.2Paneldataindividualfixedeffectmodelcalculationresults
面板数据个体固定效应模型计算结果
变量
系数
标准误差
广统计量
概率
c
1.298398
0.711905
1.823836
0.0686
zx
-0.001836
0.000837
-2.194324
0.0285
XDZB
-0.004084
0.000748
-5.458659
0.0000

CPI
-0.018684
0.006207 -3.009879
0.0027
LOG(RK)
0.036547
0.045182 0.808892
0.4188
固定效应（交叉）

_AFG-C
0.321714

_ALB-C
0.804444

_DZA-C
0.765607

_AGO-C
-0.096942

_ARG-C
-0.011051

_VOI-C
1.047003

_VEN-C
0.031713

_VNM-C
-0.121282

效果规范

截面固定（虚拟变量）

R方
0.631513
因变量均值
1.398214
调整7?方
0.569365
因变量标准差
0.933543
回归的标准误
0.612617
Akaike信息准则
1.991433
残差平方和
282.6008
Schwarz准则
2.6866071
对数似然值
-749.2264
Hannan-Quinn信息准则
2.257061
夕统计量
10.16137
Durbin-Waston统计量
0.697899
概率（夕统计量）
0.000000

仍采用有约束模型和无约束模型的回归残差平方和之比构建夕统计量的方法，来检验设定个体固定效应模型的合理性。其原假设为：
Hg:入1=入2=入3=…=入N-1=0 （3.12）
设RRSS是有约束回归模型（3.1）（即混合数据回归模型）的残差平方和，
URSS是无约束模型（3.8）（个体固定效应回归模型）的残差平方和，则在零假设下：
F2=
(RRSS—URSS)/(N—1)
URSS/(NT-N-K+1)
〜F(N—1,N(T-1)-K+1)
(3.13)

由上述回归结果，RRSS=714.355,URSS=282.601,将其代入上式进行计算,
可以得到:
(714.355—282.601)/(155—1)
282.601/(155x10-155-5+1)

=13.800>Fo.o5(154,1391)=1.000(3.14)
从上式夕统计量的检验结果可以看出，这155个国家的面板数据回归结果拒绝了零假设期，说明这些国家的自发性不良贷款率是存在显著差异，因此相对于混合回归模型，选择建立个体固定效应模型是更为合理的。
二、双固定效应模型的估计与检验
双固定效应模型既考虑了回归结果在个体间的差异，同时也考虑了回归结果在不同时间上的差异，是一个对于不同时点的截面、不同个体的时间序列都有不同截距的模型，其一般形式如下：
yit=%+Yt+Sk=2PkXkit+uit (3.15)
或者
Y=(In®tt)A+(tn®It)y+Xp+U (3.16)
其中，，=1,2,...,TV,表75N个个体；*=1,2,...,7,表75已知的N个时点。
以信用信息深度指数为自变量，不良贷款率为因变量，加入总人口数、通货膨胀率和国内信贷占GDP的百分比等控制变量，构建面板数据个体时间双固定效应模型，模型回归结果见表3.3。
表3.3面板数据个体时间双固定效应模型计算结果
Table3.3Paneldataindividualtimedoublefixedeffectmodelcalculationresults
面板数据个体固定效应模型计算结果
变量
系数
标准误差
广统计量
概率
C
1.281467
0.710769
1.802930
0.0718
ZX
-0.001984
0.000838
-2.368322
0.0181
XDZB
-0.004316
0.000755
-5.719813
0.0000
CPI
-0.018259
0.006256
-2.918867
0.0036
LOG(RK)
0.039062
0.045131
0.865510
0.3870

_AFG-C
0.261077

_ALB-C
0.805518

_DZA-C
0.697689

_AGO-C
-0.154571

_ARG-C
-0.073304

2012-C
0.010121

2013-C
-0.025326

2014-C
-0.008465

效果规范

截面固定（虚拟变量）

固定时期（虚拟变量）

R方
0.637738
因变量均值
1.398214
调整7?方
0.571518
因变量标准差
0.933543
回归的标准误
0.611084
Akaike信息准则
1.994829
残差平方和
277.8271
Schwarz准则
2.738307
对数似然值
-741.7220
Hannan-Quinn信息准则
2.279133
夕统计量
9.630598
Durbin-Waston统计量
0.698851
概率（夕统计量）
0.000000

类似于个体固定效应模型的设定检验，双固定效应模型的设定检验也采用Chow检验的夕统计量，检验的原假设为：
储：Y1=丫2=Y3=…=Ytt=0,当入i—0，i=l，2, ,N—1时（3.17）
在此构建夕统计量进行检验的目的是判断在存在个体效应的情况下，模型是否还包含时间效应。其无约束模型的残差平方和是模型（3.13）（双固定效应模型）的残差平方和URSS,而有约束模型的残差平方和为模型（3.8）（个体效应模型）的残差平方和RRSSo
同样的，在假设用下,
F3=
(RRSS—URSS)/(T—1)
URSS/((N-1)(T-1)-K+1)
〜F(T—1,(N-1)(T-1)-K+1)