李仲飞，黎智滔，刘京军

一、引言

利率市场化现如今依然是金融改革的重点。中国的利率市场化进程起始于1996 年6 月，以央行放开银行间同业拆借利率为标志。2015 年10 月，央行对商业银行等金融机构不再设置存款利率浮动上限，至此，利率市场化基本完成。利率市场化，对优化资源配置、完善金融市场、提升银行业竞争力、实现宏观调控手段转型都有重要的意义。2018 年5 月，央行发布的《2018 年第1 季度中国货币政策执行报告》指出，要推动利率“两轨”逐步合“一轨”。李克强总理在2019年3月5日第十三届全国人民代表大会第二次会议中也指出，要“深化利率市场化改革，降低实际利率水平”。因此，实现全面利率市场化，是未来利率市场化改革的趋势。

在利率市场化环境中，市场利率是会随时间发生变化的。那么我们自然会问，在我国利率市场化改革进程中，市场利率的波动大吗？为了讨论这一问题，我们绘制了2007—2017 年间银行间同业拆借利率（7天）的走势图，如图1所示。其中黑色实线代表每一个月银行间同业拆借利率（7天）的平均值，灰色区域的上边界和下边界分别代表每一个月银行间同业拆借利率（7天）的最大值和最小值。如果从月平均市场利率的走势来看（黑色实线），我国市场利率的总体走势是不平稳的，例如在2007 年—2008 年、2010年—2015年期间，月平均市场利率表现出很大的波动；而如果从月内市场利率波动的幅度来看（灰色区域），我国市场利率在某些月份内波动的程度也很大，其中最为突出的是2013年6月，在此期间爆发了著名的“钱荒”事件。因此，无论从月平均市场利率的走势，还是月内市场利率的波动幅度来看，我国市场利率的波动确实是比较大的。我国市场利率波动的影响因素是比较复杂的，例如金融机构对市场资金的供需状况、央行货币政策调控、季节性因素、资本市场因素以及宏观经济因素。但无论如何，巨大的市场利率波动可能会威胁到金融市场的稳定、货币政策的顺利执行以及实体经济的发展。因此，维持市场利率稳定具有重要的意义。

图1 2007—2017年银行间同业拆借利率（7天）走势图

近年来，随着利率市场化的推进，利率水平不再是不变的，我国商业银行需要对其经营策略作出适当的调整和改变。对银行的信贷结构而言，一方面，银行会根据不同类别的贷款的特点，调整各类贷款的发放数量；另一方面，银行会从全局的角度分配不同贷款的占比，在整体上控制和分散整个贷款组合的风险，优化自身的信贷结构。因此，市场利率波动对我国商业银行的信贷结构影响深远，而银行信贷结构又与我国产业经济的发展息息相关，因此研究市场利率波动对我国银行信贷结构的影响是有重要意义的。市场利率波动如何影响银行的信贷决策呢？银行是会扩大信贷规模寻求利润，还是会减少放贷以规避风险？本文将深入研究这些问题。

关于市场利率波动对银行影响的文献大多集中在分析市场利率波动对银行业绩和风险的影响。例如Gambacorta（2008）发现市场利率波动与银行借贷利率之间存在正相关关系。冯鹏熙和龚朴（2006）发现在利率波动较大的时期内银行并不能通过资产管理获得更大的收益。Kasman et al.（2011）的研究表明利率波动是银行股票收益和波动率的主要影响因素。

关于银行信贷结构方面的文献，例如Deyoung et al.（2015）分析了金融危机前后，银行对小企业发放的贷款量是否发生了变化，并从信用、风险等方面深入分析了银行对小企业的发放贷款行为；许坤和苏扬（2016）分析了逆周期资本监管对银行信贷政策的影响；江曙霞和刘忠璐（2016）研究了资本充足率对银行不同类别贷款的影响，发现不同资本充足率的银行在信贷结构上有所差异；刘莉亚等（2017）发现竞争能促进银行调整其信贷结构。

我们发现也有部分文献涉及到市场利率波动与某些类别贷款之间的关系。张蕊和吕江林（2017）的研究发现当利率波动上升时，银行的再定价风险、基准风险、收益率曲线风险、选择权风险会上升，此时银行会更偏好于短期贷款，而非长期贷款。刘飞（2014）也发现了在利率市场化改革进程中，银行资产端对短期贷款的偏好不断加强。以上文献大多都只从定性的角度分析市场利率波动对银行信贷结构的影响，缺乏理论基础和实证检验；此外，这些文献大多只讨论市场利率波动对其中某几类银行贷款的影响，分析不够全面。因此，本文分别从理论和实证角度，考察市场利率波动对银行信贷结构的影响，且讨论的贷款类别相比已有文献会更多，这也是本文研究的创新点。

本文研究发现市场利率波动对银行多数类别贷款的新增贷款量有显著为负的影响，其中公司商业贷款和信用贷款对市场利率波动更为敏感，银行信贷结构发生变化，在稳健性检验下该结论依然成立。进一步我们发现，在不同货币政策环境下，以及对不同种类的银行，市场利率波动对信贷结构的影响有一定差异，银行有不同的贷款结构调整行为。本文进一步研究了市场利率波动对银行贷款集中度的影响，结果发现市场利率波动率对银行贷款的行业集中度无显著影响，对客户集中度有显著为负的影响。基于我国目前银行业的经营和监管现状，本文对以上得到的结论均进行了详细的分析。

与已有文献相比，本文的研究贡献体现在：第一，拓展了已有的理论模型，将利率波动因素引入到银行信贷决策模型中，使模型更符合现实情况。第二，拓展了银行信贷结构的研究，发现市场利率波动是影响银行信贷结构的因素之一，并从数据层面上对此进行实证检验。第三，提出在利率市场化环境下市场利率波动的重要性，丰富了市场利率波动对金融机构影响的相关研究。本文的研究为监管部门在利率市场化环境下如何对银行信贷结构进行引导和监管提供了证据。

本文接下来的段落安排如下：第二部分是市场利率波动与银行信贷结构关系的理论模型构建；第三部分是基于模型得到的结果，对市场利率波动与银行不同类别贷款的新增贷款量之间关系的实证分析；第四部分是市场利率波动与银行贷款集中度的关系分析；第五部分是本文的结论以及政策建议。

二、市场利率波动与银行信贷结构的模型构建

基于Deyoung et al.（2015）和刘莉亚等（2017），本文构建一个考虑市场利率波动的银行信贷决策模型。假设在利率市场化背景下，存在一个代表性银行，该银行可将其可贷资金分配到N个不同的贷款类别中。用Lt，n表示第t年末银行第n类贷款的贷款存量，NLt，n表示第t年银行第n类贷款的新增贷款量，则Lt，n=Lt-1，n+NLt，n。该银行的所有可贷资金的来源为外部客户存款Dt，满足假设该银行从外部获取存款的成本为市场利率rt。本文假设市场利率rt是随机的，且服从均值为Mt，方差为的正态分布。对于贷款，我们区分起始于不同时间的贷款在第t年的收益率，假设起始于第t-1 年银行第n类贷款在第t年获得的收益率为Rt，n/t-1=1+(1+a)rt+pt-1，n-ηt，n，而起始于第t年银行第n类贷款在第t年获得的收益率为Rt，n/t=1+(1+a)rt+pt，n-ηt，n。其中a>0 代表银行对每单位贷款额外收取的市场利率的倍数，pt-1，n和pt，n分别代表起始于第t-1 年和第t年银行第n类贷款的信用利差，ηt，n是第t年银行第n类贷款的单位资金随机损失率，服从均值为μt，n，方差为的正态分布。同时我们假设ηt，n与rt无关，而各类别贷款的随机损失率之间是相关的，协方差为σt，nm=cov(ηt，n，ηt，m)。根据以上定义，该银行在第t年获得的利润为

该银行需要决定在第t年每一类贷款的新增贷款量NLt，n，其目标为最大化在第t年利润的期望效用。假设该银行关于利润的效用函数为U(πt)，满足Uπ>0和Uππ<0，则该银行的最优化问题为

求解问题（2）的方法与Deyoung et al.（2015）类似，首先将各字母的定义式代入目标式（2）中，然后令期望效用值E[U(πt)]对银行各类贷款的新增贷款量NLt，n求导，并令导数等于0，即可解得NLt，n需要满足的一阶条件为：

在式（3）中，第n类贷款的新增贷款量的表达式中出现了其他类别贷款的新增贷款量和上一年末的贷款存量，如果根据该式构建回归方程进行实证检验，会存在联立性偏误带来的内生性问题。为此，我们联立所有类别贷款新增贷款量的表达式，用联立方程组求解的方法，消除与其他类别贷款相关的变量，求得各类贷款新增贷款量的简式表达式：

其中Ω 是一个N×N的矩阵，其第n行第m列元素为而(Ω-1)nm是逆矩阵Ω-1的第n行第m列元素。可以发现，银行第n类贷款的新增贷款量依然会受到第n类贷款上一年末的贷款存量、总利差、平均损失率、市场利率波动率的影响。此时，市场利率波动出现在逆矩阵Ω-1的每一个元素中，仅凭式（4）很难看出此时市场利率波动对新增贷款量的影响。经过对N取一些具体数值进行分析后，本文发现在简式表达式中，市场利率波动对贷款新增贷款量的影响依然存在与式（3）相同的两方面的效应，影响机制没有发生变化。因此，基于简式表达式，我们同样预测，市场利率波动上升时，银行多数类别贷款的新增贷款量会减少，但不同类别贷款新增贷款量的减少的程度各有不同，贷款结构发生变化。接下来，我们将基于新增贷款量的简式表达式，构造回归方程进行实证分析。

三、实证设计与结果

（一）样本选择与数据来源

本文研究的数据来自于Wind数据库，数据时间区间为2007—2017年。在这段时间区间内，我国市场利率波动有大有小，最适合研究市场利率波动。首先，我们剔除了政策性银行、邮储银行、外资银行、农村信用社、村镇银行的样本。其次，再对数据进行清洗，剔除各类贷款数据缺失较多的样本，以及剔除各类贷款数额总和与总贷款数额差距较大的样本。最终进入回归的样本银行共258家，其中包括5家国有控股大型商业银行、12家股份制商业银行、108家城市商业银行以及133家农村商业银行。此外，本文对主要解释变量都进行了前后1%的缩尾处理①为了节约篇幅，描述性统计不再列出。，以避免极端值的影响。

（二）回归方程的设定

基于第n类贷款的新增贷款量的简式表达式（4），本文构建以下回归方程：

其中i=1，2，…，I代表银行个体，t代表样本所处的年份，n=1，2，…，N代表银行的每一类贷款。与Dey⁃oung et al.（2015）相同，被解释变量NewLoani，t，n等于银行i第t年第n类贷款的新增贷款量与第t-1 年末的银行总资产之比，而Loani，t-1，n等于银行i第t-1 年末第n类贷款的贷款存量与第t-1 年末的银行总资产之比。银行贷款的分类有几种，根据数据的可得性，本文选用了三种贷款分类。第一是按贷款对象分类，可分为公司商业贷款、个人住房贷款和个人消费贷款三类；第二是按担保类别分类，可分为信用贷款、保证贷款、抵押贷款和质押贷款四类，因为后面三类贷款都具有担保性质，可合并统称为担保贷款，因此可以只分为信用贷款和担保贷款两类；第三是按贷款期限分类，可分为短期贷款和中长期贷款两类。此外数据库中还有按照贷款行业进行分类的贷款数据，然而完整的数据量很少，不足以回归使用，因此在这里我们不考虑这种分类方法。

Volt代表第t年市场利率的方差值，是本文关注的主要解释变量。至于市场利率的选择，现有文献大多支持使用银行间同业拆借利率（CHIBOR）、上海银行间同业拆借利率（SHIBOR）以及银行间质押式回购利率（REPOR）。本文选择7 天银行间同业拆借利率（CHIBOR）作为市场利率，其他利率则在稳健性检验中使用。关于银行微观特征变量，首先是利差和贷款损失率指标的选择。由于数据库中，关于银行各类贷款的利差和贷款损失率的数据很少，不足以回归使用，本文选用整个银行的利差和贷款损失率代替。其中银行整体利差指标选用净利差Spreadi，t-1，贷款损失率指标选用不良贷款率NPLRi，t-1（刘莉亚等，2017）。此外，本文还控制了其他银行微观特征变量，包括银行规模Sizei，t-1、资本资产比率CAPi，t-1。本文将以上四个银行微观特征变量进行了滞后一期的处理。最后，我们还控制了宏观经济变量，包括实际GDP增长率RGDPRt以及代表宽松货币政策环境的虚拟变量Looset。其中当Looset=1时代表第t年是宽松的货币政策环境，而当Looset=0时则代表第t年是紧缩的货币政策环境。参考已有的文献，本文选择了三种方法判断每一年是宽松货币政策环境还是紧缩货币政策环境。第一种是索彦峰和陈继明（2008）、徐明东和陈学彬（2012）提出的M2 增长率HP 滤波判别法；第二种是基于Nguyen &Boateng（2015）提出的Taylor 缺口方法；第三种是陆正飞和杨德明（2011）提出的MP 指标法。最后，综合以上三种方法，本文选择占多数的判断结果，最终界定样本区间每一年是宽松货币政策环境还是紧缩货币政策环境。α为常数项，ui，n代表银行i的个体效应，εi，t，n代表一般随机扰动项。经过检验，本文的数据更适合使用固定效应模型，因此本文将使用固定效应模型进行回归。

（三）主要回归结果分析

表1给出了市场利率波动对我国商业银行信贷结构影响的估计结果。其中列（1）—（3）给出了按贷款对象分类的三类贷款的回归结果，结果显示市场利率波动率（Vol）对公司商业贷款和个人住房贷款的新增贷款量有显著为负的影响，从系数的大小来看，市场利率波动率对公司商业贷款的影响比对个人住房贷款的影响要大，前者的系数大约是后者的6.98倍，这是因为一般情况下，公司商业贷款要比个人住房贷款的贷款数额更大，因此公司商业贷款对市场利率波动的敏感性会更高。而市场利率波动率对个人消费贷款没有明显的影响，一方面是由于个人消费贷款的期限和数额在这三类贷款中是最低的，另一方面是因为个人消费贷款的利率一般较高，因此个人消费贷款对市场利率波动并不太敏感。列（4）—（5）则是按担保类别的两类贷款的回归结果，市场利率波动率（Vol）的上升显著降低了这两类贷款的新增贷款量，其中信用贷款对市场利率波动率敏感度更高，这是因为在市场利率波动较大的时期内，贷款更容易发生违约，而且相比担保贷款而言，信用贷款不需要贷款人提供担保，因此为了避免风险，减少违约损失，银行更不愿意发放信用贷款。列（6）—（7）为按期限长度分类的两类贷款的回归结果，和前面的结果类似，市场利率波动率（Vol）的上升也显著减少了短期贷款和中长期贷款的新增贷款量。从系数的大小来看，市场利率波动对中长期贷款的影响仅比对短期贷款的影响高约6%，说明这两类贷款对利率波动的敏感度是接近的。这点似乎与张蕊和吕江林（2017）等文献的分析不同，他们认为当市场利率波动上升时，银行更不愿意发放长期贷款；反之，市场利率波动下降时，银行更倾向发放长期贷款。实际上，他们的逻辑可能会受到当前货币政策环境的影响，由于在宽松货币政策环境下市场利率波动往往较低，此时银行偏好中长期贷款的行为可能是由货币政策环境导致的。从列（7）变量Loose 的系数我们可以发现，在宽松货币政策环境下，银行中长期贷款的新增贷款量上升，这证实了货币政策环境可能会干扰市场利率波动对银行信贷结构的影响。因此，在控制了货币政策环境因素后，我们发现市场利率波动对不同期限结构贷款的新增贷款量都有负向作用，且期限结构没有发生明显变化。综合以上结果来看，银行对于利率风险是风险厌恶的，因此当市场利率波动上升时，银行会减少多数类别贷款的新增贷款量，同时公司商业贷款和担保贷款对市场利率波动的敏感性更高，银行信贷结构发生变化。

表1 市场利率波动对银行信贷结构影响的估计结果

不同控制变量对各类贷款的新增贷款量的影响也不同。其中银行贷款存量（Loan）的系数在所有回归中均显著为负，与本文理论模型预测的方向相同，这是因为银行有一定的目标贷款量，当存量多时则新增贷款量就会少，反之当存量少则新增贷款量就会多。贷款损失率指标——不良贷款率（NPLR）的系数在公司商业贷款、担保贷款和短期贷款的回归中显著为负，而在信用贷款和中长期贷款的回归中显著为正，表明当银行的不良贷款率变大时，银行倾向于减少公司商业贷款的发放，同时，基于当前不良贷款率偏高的环境，此时信用贷款和长期贷款对银行而言更为可靠。利差（Spread）的系数在公司商业贷款和担保贷款的回归中显著为正，在信用贷款的回归中显著为负，在其余回归中不显著，表明银行利差扩大时，银行也会调整其贷款结构，其中有部分信用贷款转移到担保贷款，有部分中长期贷款转移到短期贷款但变化不显著。规模（Size）的系数大多显著为负，说明规模越大的银行更难对其贷款进行扩张。资本资产比例（CAP）的系数在公司商业贷款以及两类不同担保类别的贷款中显著为正，表明资本资产比例越高的银行，会更积极进行资产主动管理，更愿意发放更多的贷款，且以公司商业贷款为主，与冯科和何理（2011）的结论相同。实际GDP 增长率（RGDPR）的系数在住房贷款和信用贷款的回归中显著为正，说明了经济增长会促进这两类贷款的发放。代表宽松货币政策环境的虚拟变量（Loose）的系数在公司商业贷款的回归中显著为正，和魏巍等（2016）结论相同，说明在宽松货币政策环境下，货币供应量增加，流动性充足，银行更愿意向企业发放贷款，因此公司商业贷款的新增贷款量有所上升。

（四）异质性分析

货币政策是影响银行信贷行为的重要因素之一（魏巍等，2016）。此外，由于规模、营业区域、业务能力等方面的不同，大型商业银行、城市商业银行和农村商业银行在利率风险管理能力以及信贷调整行为也有所差异。为此，本文还探讨了在不同货币政策环境下，以及对不同种类的银行，市场利率波动率对银行信贷结构的影响有何差异。对于不同货币政策环境的分析，首先我们沿用前面使用过的虚拟变量Loose，同时还定义一个代表紧缩货币政策环境的虚拟变量Tight，满足Tight=1—Loose。接着，我们将Loose和Tight这两个虚拟变量分别与市场利率波动率Vol相乘，得到两个交乘项Vol×Loose和Vol×Tight，将这两个交乘项替代回归方程中的Vol，再进行估计。对于不同种类银行的分析也是类似的，我们根据商业银行的种类，构造了三个虚拟变量，分别是Large（大型商业银行，包括5家国有控股大型商业银行、12家股份制商业银行）、City（城市商业银行）和Rural（农村商业银行），然后将这三个虚拟变量分别与市场利率波动率Vol 相乘，得到三个交乘项Vol×Large、Vol×City 和Vol×Rural，将这三个交乘项替代回归方程中的Vol，再进行估计。

表2 的Panel A 展示了在不同货币政策环境下市场利率波动对银行信贷结构影响的估计结果。从结果来看，在不同货币政策环境下不同类别贷款受市场利率波动的敏感程度有一定差异。首先，无论是在宽松还是紧缩的货币政策环境下，当市场利率波动上升时，公司商业贷款的新增贷款量都显著减少，与表1 结果一致。个人住房贷款的新增贷款量仅在宽松货币政策环境下才显著减少，这是因为宽松的货币政策环境能促进个人住房贷款量上升，此时个人住房贷款对利率波动十分敏感；而在紧缩货币政策环境下，个人住房贷款量明显下降，利率波动对新增贷款量的影响就会减弱。其次，从不同担保类别贷款的结果来看，在宽松的货币政策环境下，市场利率波动的上升会导致银行更偏好信用贷款；而在紧缩货币政策环境下，市场利率波动的上升会导致银行更偏好担保贷款。这可以通过“货币政策传导的风险承担渠道”解释（Borio&Zhu，2012），在宽松的货币政策环境下，银行风险容忍度上升，当市场利率波动上升时，银行更偏好风险更大的信用贷款；在紧缩的货币政策环境下，银行风险容忍度下降，因此市场利率波动上升时，银行更愿意持有更多的风险更低的抵押贷款。最后，在不同期限结构贷款的结果方面，我们发现仅在宽松的货币政策环境下，市场利率波动上升使得银行中长期贷款的新增贷款量显著减少，这是因为在宽松的货币政策环境下，收益率曲线比较陡峭（杜金岷和郭红兵，2008），当市场利率波动上升时，中长期贷款利息收入波动很大，因此银行会显著减少中长期贷款的发放。综上所述，在宽松货币政策环境下，银行信贷结构对市场利率波动更为敏感，一方面是因为银行风险偏好发生变化，另一方面则是因为各类贷款发放量增加，使得利率波动对银行收入的影响更为显著。

表2的Panel B 展示了不同种类银行的估计结果，结果发现市场利率波动率对大型商业银行和城市商业银行的信贷结构的影响更显著，而对农村商业银行的信贷结构的影响不太显著。这是因为，相比于农村商业银行，大型商业银行和城市商业银行的规模更大，经营定位于城市地区，客户数量更多，业务种类更丰富，竞争力更强，但同时也会更容易受到市场利率波动的冲击，对利率风险更加敏感，因此在市场利率波动率变大时，这些银行主动会减少自己各类贷款的新增贷款量，减少风险敞口。而农村商业银行的地域性更强，业务基本集中在银行所在地，在当地具有一定的垄断议价能力，收入来源比较单一，风险感知和抵御利率风险的能力相对较弱（林乐芬和陈旭阳，2013），因而其信贷结构对市场利率波动不太敏感。

表2 不同货币政策环境以及不同银行类别下的估计结果

（五）稳健性检验

1.使用不同利率构造市场利率波动率指标

为了说明市场利率波动确实对银行信贷结构产生影响，本文选用不同利率来构造市场利率波动率指标（Vol）。首先，本文选择7天上海银行间同业拆借利率（SHIBOR）和7天银行间质押式回购利率（RE⁃POR）。除此之外，我们也选用了1年期存款基准利率和贷款基准利率来构造市场利率波动率。回归结果显示，无论使用以上任何一种利率，利率波动的上升都会显著减少多数类别贷款的新增贷款量，与表1的结果是类似的。

2.使用不同方法构造波动率指标

本文构造的波动率指标是7 天银行间同业拆借利率日度数据的方差。除此之外，本文还构造了以下两种市场利率波动率指标，分别是月度数据的方差和日度数据的极差（极差=最大值—最小值）。结果显示，无论采取哪种波动率指标构造方法，市场利率波动也依然会显著减少多数类别贷款的新增贷款量，说明本文的结论是稳健的。

3.使用不同回归方法解决内生性问题

虽然消除了联立性偏误，但仍可能有潜在其他内生性问题。例如，可能存在遗漏变量的问题。对于这种内生性问题，本文使用以下三种回归方法来解决：（1）面板工具变量估计，本文使用7天香港离岸人民币同业拆借利率（CNHHIBOR）的波动率以及7天香港银行同业拆借利率（HIBOR）的波动率作为市场利率波动率的工具变量；（2）差分GMM 估计；（3）系统GMM 估计。为了稳健，对于差分GMM 和系统GMM估计，我们选择两步稳健方差估计量。结果显示，即使更换了更稳健的回归方法，文章的结论并没有发生变化。

四、利率波动对贷款集中度的影响分析

以上从每一类贷款的新增贷款量的角度分析了市场利率波动对银行信贷结构的影响，是一种局部、具体的分析视角。为了能更全面考察市场利率波动对银行信贷结构的影响，本文还研究了市场利率波动对银行贷款集中度的影响。与新增贷款量不同，银行贷款集中度刻画的是银行信贷结构的全局特征。因此，本节的分析是对本文前面部分的一个补充。国内研究贷款集中度的文献有很多，但大部分文献主要集中在分析贷款集中度对银行风险、收益的影响。然而，目前几乎没有文献研究市场利率波动对银行贷款集中度的影响。为此，本节将从实证角度探讨市场利率波动是否影响银行的贷款集中度。其中，本文重点考察银行贷款的行业集中度和客户集中度两个方面。参考魏晓琴和李晓霞（2011），行业集中度指标是基于公司商业贷款中各个行业的贷款数据计算的赫芬达尔指数（HHI），客户集中度指标本文则选用前十大客户贷款占总贷款的比例Max10th①一般数据库中的前十大客户贷款占比的定义是最大十家客户贷款余额占资本净额的比重，而不是占总贷款的比重，而本文计算的是前十大客户贷款占总贷款的比例，因此计算方法为前十大客户贷款占比*资本净额/总贷款。。

为了研究银行贷款集中度和市场利率波动之间的关系，我们的回归方法如下：把行业集中度指标（HHI）和客户集中度指标（Max10th）作为被解释变量，然后把市场利率波动率（Vol）、不良贷款率（NPLR）、利差（Spread）、银行规模（Size）、资本资产比率（CAP）、实际GDP 增长率（RGDPR）、宽松货币政策虚拟变量（Loose）作为解释变量，使用固定效应模型进行回归。与前面的回归方法类似，银行特征变量都取一期滞后。此外，为了探讨在不同货币政策环境下，以及对不同种类的银行的影响差异，类似前面的做法，我们也使用交乘项变量替代市场利率波动率进行回归。

表3 给出了市场利率波动率对银行贷款集中度影响的估计结果。从行业集中度的结果来看，市场利率波动率对银行贷款的行业集中度没有显著影响。这可能有两个原因，第一，因为近年来我国银行贷款的行业分布已经达到充分分散的程度（王秀国和高薛，2017），因而无论市场利率波动如何，银行贷款的行业结构能免疫市场利率波动的影响；第二，因为监管部门对银行某些行业贷款的发放实施着严格的监管，银行不能轻易地改变其贷款的行业集中度。从客户集中度的结果来看，在市场利率波动较大的时期，银行的前十大客户贷款占总贷款的比例会显著减少。进一步发现，仅在紧缩的货币政策环境下，市场利率波动对客户集中度有显著的负向影响。这是因为在紧缩的货币政策环境下，银行风险承担水平下降，倾向于规避风险（Borio&Zhu，2012），因而会降低贷款的客户集中度。但如果从不同种类银行的结果来看，我们能得到一个有趣的结论，就是市场利率波动率仅仅只对城市商业银行的客户集中度有显著影响。根据实际数据统计我们发现，大型商业银行本身的前十大客户贷款占总贷款的比例本来就很低，而且非常稳定，因此即使这些银行想要降低大客户所占的贷款比例，在数字上也不会发生显著的变化；对农村商业银行而言，由于风险感知和风险控制的能力比较低，利率波动对其贷款结构几乎没有影响，因此利率波动对其客户集中度也没有显著的影响；对于城市商业银行，其前十大客户贷款占总贷款的比例比其他两类银行的要大，在市场利率波动较大的时期，为了降低风险，这些银行会使用一些方法分散其客户贷款，因此前十大客户贷款比例会有显著的降低，这同时也表现出城市商业银行较强的利率风险抵御能力（林乐芬和陈旭阳，2013）。

表3 利率波动对贷款行业集中度与客户集中度的影响的估计结果

五、结论与政策建议

虽然我国利率市场化改革已经基本完成，但未来仍需进一步深化，推进“两轨”并“一轨”。而在近十几年来利率市场化环境下，由于各种因素的影响，我国的市场利率曾发生过较大的波动，这对银行资产组合配置、风险管理等方面都会造成很大影响。在这背景下，银行在业务模式、信贷结构方面需要进行调整，以适应新常态下的金融经济发展。为此，本文重点研究了市场利率波动对我国商业银行信贷结构的影响。首先，从理论上，本文构建了考虑市场利率波动因素的银行信贷决策模型，得出市场利率波动与银行各类贷款新增贷款量之间的关系。随后，基于这种关系构建了回归方程，并对我国2007—2017年商业银行的信贷结构数据进行实证检验。通过对结果的分析，本文的结论如下：（1）在市场利率波动较大的时期，银行多数类别贷款的新增贷款量会减少，而公司商业贷款和信用贷款对市场利率波动更为敏感，信贷结构发生变化，稳健性检验的结果也支持以上结论。（2）在不同货币政策环境下，对不同种类的银行而言，市场利率波动对银行信贷结构的影响具有异质性。（3）市场利率波动对银行贷款的行业集中度没有显著影响，但对客户集中度有显著的负向影响。

基于本文得到的结论，我们认为商业银行应更多关注利率风险。从本文的理论模型和实证分析可知，利率波动会影响商业银行的信贷决策行为，对银行信贷结构产生变化。然而，我国中小银行尤其是农村商业银行，利率风险管理意识不强，信贷结构不能随市场利率波动的变化进行调整。此外，我国中小银行风险计量方法单一，管理手段比较落后，已不能满足利率市场化新环境下的需求。2017年11月，银监会就《商业银行账簿利率风险管理指引（修订征求意见稿）》公开征求意见，对利率风险的计量更加精细，增加情景分析、压力测试，并强化监管检查的力度。因此，商业银行关注利率风险，建立健全有效、完善的风险控制体系，对我国商业银行在未来愈发复杂的金融环境中健康发展具有重要意义。