白建琨,魏晓琴*

中国海洋大学经济学院,山东青岛266100



基于CPV模型的城镇化国内贷款信用风险分析

白建琨,魏晓琴*

中国海洋大学经济学院,山东青岛266100

摘要:城镇化是我国重要的发展战略，当前我国城镇化建设最大的问题就是资金不足，我国城镇化资金来源分为自筹资金、国内贷款、国家预算资金、利用外资和其他资金五种。首先，本文分析了城镇化进程中资金的均衡关系，发现我国城镇化建设中资金供应严重不足。其次，设计了解决供求资金缺口的方案——调整资金供应内部结构，增加国内贷款，尤其是增加制造业，交通运输、仓储和邮政业，房地产业这三项行业的贷款。最后，建立CPV模型研究城镇化贷款总量和主要行业贷款的信用风险，证实解决城镇化供求资金缺口方案——增加国内贷款，尤其是三个主要行业的贷款总量——可行性。

关键词:CPV模型;城镇化;国内贷款;信用风险

1　研究背景

1.1城镇化资金供求均衡分析

1.1.1我国城镇化资金需求预测以2012年为基期，通过增长率公式Yn=Y0(1+X)n可以计算得2013～2020年的城镇固定投资需求（固定资产投资增长率以20%计[1]。）。

1.1.2城镇化资金总供给预测我国城镇化资金来源可分为自筹资金、国内贷款、国家预算资金、利用外资和其他资金五种。

国内贷款和自筹资金，需选取自回归方法对其分别进行预测。分别得到回归方程：Ln(Yt)=-2.58+0.66ln(XGDP)+0.45ln(Yt-1)，Ln(Yt)=0.63+0.96ln(Yt-1)。

根据上述分析，代入数据可得2013～2020年城镇化资金供求情况[2,3]：自2013年起，城镇化资金出现供不应求的情况，并在未来持续了这个局面；自筹资金在城镇化建设资金来源中占比约70%，并且有逐年增加的趋势；而国内贷款只占10%左右，并且有逐年被自筹资金挤占的趋势，占比过小。

1.2城镇化供需资金缺口方案设计

1.2.1城镇化资金来源设计针对上文所述供求缺口问题，可以从两方面入手：增加整体资金来源进行；对资金来源的结构进行内部调整，增加总量，达到城镇化建设的供求均衡[4]。如表1所示，根据历年我国资金来源的均值，结合当前国际经济形式，我们可以设计出供求均衡的方案——重点增加国内贷款的部分[5,6]，达到供求均衡。

表1　2003～2012年我国城镇化建设资金供求均衡方案Table 1 Design of the supply and demand of urbanization fund

1.2.2城镇化资金使用方向均衡设计由2003年～2014年历史数据可得，我国固定资产投资比较大的投向是制造业，交通运输、仓储和邮政业，房地产业这三项行业，历年占比均值均超过10%。下文将通过分析信用风险，得出增加向这三个行业发放贷款的可行性。

2　研究方法

2.1CPV模型的基本原理和框架

本文选用Credit Portfolio View模型（以下简称CPV模型），对支持城镇化建设的3项较大的贷款项目进行信用风险的评估。它是一种离散化的多时期计量模型[7]。

CPV与其他几种信用风险度量方法不同的是，在CPV模型中，决定违约概率的不是经验参数或随机的模拟结果，而是宏观经济变量。应用CPV模型可以有效地避开目前应用信用风险模型，管理支持城镇化的贷款信用风险的两个主要困难：一是缺乏数据问题，二是模型的有效性和拟合度难以检验的问题。

模型中Logistic函数的估计结果与实际数据的拟合度相对比较高，应用性强；在Logistic模型中引入宏观因素、行业指标等经济指标，有利于使CPV模型的预测结果更精确、更符合我国的实际情况。

在CPV模型中，违约概率由如下对数方程计算得来，在时期t某特定贷款组合的违约概率为Pj,t：

Yj,t是由如下多因素模型给出的宏观经济指数：

其中，Xj,m,t是j国家（或行业）的m个宏观经济变量，βj,m是j国家（或行业）的m个宏观经济变量的相关系数。uj,t是与宏观经济变量Xj,m,t无关的随机项，要求服从正态分布，并且有ut~N(0，∑u)，ut是指标创新uj,t的堆叠矢量，∑u是uj,t的方差-协方差矩阵。

另外，CPV模型还假定各个宏观经济变量Xj,m,t服从AR（2），即

其中，Xj,m,t是在时间t的第j个区段中第m个宏观变量的值，rj,m,0代表需要估计的对过去信息的敏感度。同样，是服从正态分布的随机项。

上述三个方程定义了一个国家（或行业）贷款违约率和相关宏观变量的联合演变的系统，但它需要进行校准，特别是对于总体创新矢量：

其中Et是整个方程体系的(j+i)*1创新矢量，而Σ是宏观变量预测误差u和区段特定投机性违约率冲击ε的(j+i)*(i+j)协方差矩阵。∑u,ε是交叉相关系数矩阵。校正之后，利用Cholesky分解，即：∑=AAT

为模拟投资级违约概率，首先抽取随机变量Zt~N(0,1)，式中每一个分量都服从正态分布N(0,1)，然后计算Et=ATZt这是误差项ut和ej,m,t的向量。利用误差项的实际值可以推出对应的Y和X的值。

2.2变量的选择及数据来源

由于本文要研究增加城镇化建设贷款的信用风险，选定的宏观指标为：GDP、GDP增长速度、CPI指数、城镇固定资产投资、城镇化率、产业的企业景气指数。数据来源于《中国统计年鉴》、《中国金融年鉴》。

3　商业银行调整投融资结构的实证分析

3.1增加国内贷款的信贷风险分析

3.1.1 Logistic转换首先把统计的实际违约率（由于数据缺乏，本文使用中国银监会网站公布的不良贷款率代替）带入公式（1），进行Logistic转换，将实际违约率Pj,t转换成Yj,t值，得出的结论如表3所示。

表3　通过计算得Yj,t值Table 3 The results of Yj,t

3.1.2回归分析使用eviews6.0，利用Yj,t和GDP、城镇固定资产投资、城镇化率、CPI对（2）式Yj,t=βj,0+βj,1Xj,1,t+βj,2Xj,2,t+…+βj,mXj,m,t+uj,t进行回归，得出的结论如表4所示。

表4　贷款总量信用风险eviews6.0回归结果Table 4 The equation of the risk of loans

根据回归结果显示，R2为0.972547，调整后的R2为0.96078，该回归结果有很好的拟合优度。D-W统计量显示为1.75492，表示时间序列变量没有自相关。F统计量的值为82.66003，表示该模型的显著性较好。由此可以得出：Yj,t=-0.26XGDP+0.21X城镇固定资产投资+0.10XCPI-9.52 3.1.3验证模型2014年，我国GDP、城镇固定资产投资、CPI代入模型，计算得Y=-4.7791814；将Y值带入公式（1）得，P=0.01，与实际值相符。因此，上述回归方程在现实中实用性较强。3.1.4根据模型预测国内贷款的信用风险分别将2015~2020年GDP、城镇固定资产投资、CPI指数预测值代入模型，得到Y2015=-4.24，Y2016=-4.27，Y2017=-4.71，Y2018=-4.88，Y2019=-5.09，Y2020=-5.59；再将Y值带入到（1），分别得到P2015=1.4%，P2016=1.3%，P2017=0.9%，P2019=0.7%，P2019=0.6% P2020=0.4%贷款违约率有逐年递减的趋势。因此，增加国内贷款总量可行。

3.2主要行业贷款的信用风险分析

根据上述方法同理可得制造业，房地产行业，交通运输、仓储和邮政业的贷款信用风险模型。制造业:Yj,t,制造业=-0.22XGDP+0.013X制造业景气指数+0.08XCPI+0.51X城镇化率-29.41，预测得Y2015=-4.33，Y2016=-4.71，Y2017=-5.10，Y2018=-5.61，Y2019=-6.12，Y2020=-6.68，再将Y值带入到公式（1）中，分别得到P2014=1.6%，P2015=1.2%，P2016=0.8%，P2017=0.6%，P2018=0.3%，P2019=0.2%，P2020=0.1%贷款违约率有下降趋势。

房地产业：Yj,t=-0.25XGDP+0.016X房地产业景气指数+0.10XCPI+0.65X城镇化率-37.71，预测得Y2015=-4.98，Y2016=-5.04，Y2017=-5.38，Y2018=-5.85，Y2019=-6.21，Y2020=-6.76；再将Y值带入到公式（1）中，分别得到Y2015=-4.98，Y2016=-5.04，Y2017=-5.38，Y2018=-5.85，Y2019=-6.21，P2020=0.2%。与往年持平，并略有下降。

交通运输、仓储和邮政业：Yj,t=-0.023X企业景气指数+0.027X交通业景气指数+-0.13X城镇固定资产投资+0.29X城镇化率-15.59，预测得Y2015=-5.07，Y2016=-511，Y2017=-5.12，Y2018=-5.16，Y2019=-5.21，Y2020=-5.25；再将Y值带入到公式（1）中，分别得到P2014=0.6%，P2015=0.6%，P2016=0.6%，P2017=0.6%，P2018=0.6%，P2019=0.4%，P2020=0.5%，持续历年来的下降趋势。

综上，上述三个行业应得到国内贷款的资金支持。

3.3城镇化资金国内贷款的信用风险分析总结

根据上文分析随着我国经济的发展和城镇化的不断推进，城镇化建设国内贷款资金违约率并不会增加。其中，城镇化建设中占比比较大的几个行业——制造业、房地产业、交通运输和邮政业——的贷款的违约风险是逐年下降的。影响上述贷款的主要的宏观经济衡量指标有城镇固定资产投资、GDP、企业景气指数、不同行业的企业景气指数、城镇化率和CPI指数，银行应该根据各指标的变化情况，管理贷款投向。

参考文献

[1]杨毓.商业银行支持新型城镇化建设的思考[J].金融纵横,2013(3):4-7

[2]王文波,钟守洋.中国统计摘要[M].北京:中国统计出版社,2013

[3]中华人民共和国国家统计局.中国统计年鉴[M].北京:中国统计出版社,2015

[4]郭全新.农业银行支持城镇化的原则及对策[J].青海金融,2001(3):9-11

[5]宗良.银行应防控城镇化业务潜在风险[N].中国城乡金融报,2013-02-04(A06)

[6]马鹏飞,付强,卜俊丰.新型城镇化建设下商业银行的发展机遇[J].银行家,2014(10):68-71

[7]齐雅坤.基于CPV模型对我国商业银行信用风险的研究[D].长春:吉林大学,2009(5):15-27

Analysis on the Credit Risk of Domestic Loans in Urbanization Construction Based on CPV Model

BAI Jian-kun, WEI Xiao-qin*

College of Economics, Ocean University of China, Tsingdao 266100, China

Abstract:Urbanization is an important development strategy in our country. The biggest problem of urbanization is insufficient funds. The funds of urbanization construction include self-financing, domestic loans, state budget funds, foreign investment and other funds. The issue has a very close relationship with commercial banks. Firstly, the paper analyzed the balance of supply and demand of the capital for urbanization to find that the urbanization construction was in a serious shortage of funds. Secondly, the paper designed a scheme adjusting the internal financing structure and increasing the domestic lending, especially the three main sectors to solve the supply and demand gap. Thirdly, the paper studied the loans’credit risk based on the CPV model, which confirmed the feasibility of the above programs.

Keywords:CPV model; urbanization; domestic loans; credit risk

*通讯作者:Author for correspondence. E-mail:lightningbai@126.com

作者简介:白建琨(1992-),女,回族,硕士研究生. E-mail:xiaobaijk@qq.com

基金项目:2011年教育部人文社科研究规划基金一般项目(11YJA790160)

收稿日期:2015-06-26修回日期: 2015-07-20

中图法分类号:F832.48

文献标识码:A

文章编号:1000-2324(2015)04-0636-04