张润驰　杜亚斌　薛立国　徐源浩　孙明明

摘要：相比于传统宏观经济指标，央行的微观调查数据是否更加适合作为我国商业银行不良贷款率的预测指标？本文首先提出了利用微观调查数据进行预测的相关理论，接着基于适合解决混频数据预测问题的MIDAS模型进行了实证研究。研究发现：央行微观指标在平均样本外预测误差等多个方面均优于传统的宏观指标，同时人民币名义有效汇率指数、基金及理财投资意愿比例、房价过高难以接受比例等指标尤其适合作为预测指标。本文的结论是：央行的微观调查数据更加适合作为不良贷款率的预测指标。

关键词：央行微观调查数据；不良贷款率；MIDAS模型；预测；预测指标

文献标识码：A 文章编号：1002-2848-2017（03）-0001-11

一、引言

近年来，我国商业银行的不良贷款率持续攀升，信用风险在商业银行体系内不断积累。研究并建立适合于我国发展现状的不良贷款率预测指标体系，有助于及早提供信用风险预警并制定相应对策，对保证我国银行业健康发展、维持金融业稳定具有重要作用，对提升企业与居民对中国经济的信心、助力中国经济走出“L”形周期也具有重要意义。

国外有不少学者对不良贷款率的预测指标进行了一定的研究。Messai等人根据意大利、希腊与西班牙三国在2004-2008年间的经济发展面板数据，研究了不良贷款率的解释因素，发现三国的不良贷款率与GDP增长率、失业率、实际利率有较大关系。Beck等人基于全球75个国家过去10年的宏观经济数据，研究了不良贷款率与宏观经济因素的关系，发现实际GDP增长、股票价格、汇率等宏观经济指标能够显著影响贷款的质量。Farhan等人研究了巴基斯坦银行业不良贷款率问题，结果表明巴基斯坦银行业的不良贷款率可以被GDP、失业率、利率、能源危机、通胀、汇率等指标所解释。Makfi等则研究了欧洲银行业在2000-2008年间的银行业不良贷款率决定因素，发现GDP、失业率、公共债务等宏观指标的解释力明显。

国内学者相比之下对这一问题的研究较少，谭劲松等研究了国内某国有商业银行在1988-2005年间的全部剥离不良资产数据后发现：政府干预是银行不良贷款产生的主要原因。刘妍选取房地产行业作为研究对象，构建不良贷款率模型以分析不良贷款率的影响因素。结果显示不良贷款率同GDP、房屋销售面积等指标呈负相关，与地产投资额、CPI等指标呈正相关。谢冰基于2004-2009年的经济数据，运用相关分析、共线性诊断、主成分回归分析等方法建立模型，实证发现社会消费品零售总额、进出口总额对降低商业银行不良贷款的贡献度最大，宏观经济因素对降低不良贷款有正向促进作用。韩笑等则基于VAR模型，就我国宏观经济对商业银行不良贷款影响进行了实证分析，发现不良贷款率与货币供应量、社会消费品零售总额存在负相关关系，与总贷款额存在正相关关系，而国内生产总值与财政支出的影响结果长短期不一致。

然而，现有国内外研究的共同不足之处在于：①研究时期大多在2008年金融危机之前。由于危机后我国的经济结构、金融监管及银行业经营模式都发生了很大变化，基于危机前样本的研究结论对当前的指导意义有待商榷。②研究指标大多直接选取宏观经济发展数据，如GDP、M2、CPI、失业率等，缺乏对微观层面数据的适用性探究。③大多采用面板回归、VAR等传统同频计量工具展开研究，缺乏对混频样本指标信息的深度挖掘。

近年来，中国人民银行通过大范围问卷调查，每季度公布一系列微观经济金融指数，涵盖了居民收入与消费、企业经营与贷款、银行放贷审批与信心等多个领域，其相比于传统宏观经济指标，是否更加适合于不良贷款率的预测？又有哪些指标的适应性最高？本文对这一系列问题展开了深入的研究。

本文的创新主要在于：①首次对中国人民银行微观调查数据预测不良贷款率的可行性及适用性进行研究，这在国内外文献中尚无先例；②使用2008年金融危机后至今的样本进行研究，研究结论对当前时期也具有指导意义；③就微观指标在预测不良贷款率问题中的优势进行了理论猜测；④使用较为新颖的MIDAS模型展开研究。MIDAS模型能够处理混频指标数据，适用于我国不同频度的各项宏微观指标并存的特征，同时现有研究亦表明其更加适合研究经济金融领域的预测问题；⑤在验证央行微观指标是否优于传统宏观指标之外，也对实证结果进行了详细的经济含义分析。

研究发现：央行微观指标在样本外预测误差等多个方面均优于传统的宏观指标，同时人民币名义有效汇率指数、基金及理财投资意愿比例、房价过高难以接受比例等指标尤其适合作为预测指标。本文的结论是：相比于现有宏观经济指标，央行的微观调查数据更加适合作为不良贷款率的预测指标。

二、理论分析与研究数据来源

（一）理论分析

预测指标从规模及性质角度出发，大体可以分为宏观指标与微观指标两类。宏观指标主要描述一国的宏观经济运行情况，如GDP、M2、进出口额等，而微观指标则着重描述某一类经济主体的当前行为与未来预期，一般通过抽样调查的方式获取相应数据。国内外现有关于不良贷款率预测的相关研究，大多仅使用宏观指标。然而本文认为微观指标至少在以下两个方面优于宏观指标：

（1）指标关联性。在过去我国金融体系发展初期，居民与企业一般以储蓄的形式将多余资金存入商业银行，生产及消费融资基本也只能依靠银行贷款。然而近年来，随着我国金融体系的不断深化，互联网金融、普惠金融、消费金融以及股票、债券、资产证券化市场持续发展，居民消费与企业生产的融资渠道不断开拓，GDP中包含了更多其它融资渠道的贡献，因而GDP是否依然能在较大程度上与商业银行的贷款融资相关联值得商榷。同时，“货币迷失”的現象不断出现也使得M2的调控力度渐渐削弱，有时甚至与央行的调控目的背道而驰，因此，M2与经济发展、不良贷款的直接关系是否依然密切，亦值得研究。

理论上来说，选择的预测指标应当是能够影响被预测指标的重要因素，或是这些重要影响因素的代理变量，从而提高预测的精度。我国商业银行的不良贷款率虽然是一个宏观指标，但其在微观层面却是由借款者行为及银行家决策共同决定。相比于使用最直接的微观指标，宏观指标往往因涵盖了大量与不良贷款率关联性较弱的冗余信息，难免会导致预测效果不佳。endprint

（2）信息不对称与微观信息价值。企业主对于未来经济形势的判断、自身经营情况的预期，往往来自经营过程中获取的第一手资料，能够反映未来市场发展与整体经济形势的最可能趋势；居民在当期的收入、物价水平以及对未来预期，决定了当期与未来的消费、储蓄与投资行为；商业银行作为贷款的发放主体，尽管在信息不对称的博弈中处于劣势地位，但依然可以根据长期放贷活动积累下的大量经验，结合当前的贷款热度与同业竞争情况，对未来经营形势进行合理预测。因此，微观指标往往涵盖了一些宏观指标不易察觉的信息，具有独特的微观价值。

综上我们认为：就预测我国商业银行不良贷款率的问题而言，使用恰当的微观指标，预测结果可能会优于传统的宏观指标。

（二）研究数据来源

近年来，为了更好地把握我国经济发展脉络，中国人民银行面向国内企业家、城镇储户、银行家等经济金融主体，从宏观经济、生产消费、资金供求等多角度出发，推出了一系列问卷调查，并编制成表在其官网上公开。其中，与本文研究关联程度较大的主要有企业家问卷调查、城镇储户问卷调查及银行家问卷调查3类。

企业家问卷调查的对象为全国范围内的5000多户工业企业，调查内容主要包括企业总体生产状况、生产要素状况、市场需求状况等7个方面，从微观层面很好地反映了不同企业主体在生产、销售过程中的负担情况；城镇储户问卷调查，由央行每季度在全国50个调查城市展开，选择共20000名储户作为调查对象。调查内容包括储户对经济运行的总体判断、储蓄及负债情况、消费情况、储户基本情况等四个方面，一定程度上较为客观地反映了居民个体在不同经济状况下的金融行为；银行家问卷调查，则对我国境内地市级以上的各类银行机构采取全面调查，对农村信用合作社采用分层PPS抽样调查，全国共调查各类银行机构3100家左右。调查对象为全国各类银行机构的总部负责人及其一级、二级分支机构的行长或主管信贷业务的副行长。调查具有较高的权威性与覆盖面，所含信息价值较大。

相比于其他基于微观层面的问卷调查，央行的上述三类问卷调查具有调查主体的权威性、调查方法的科学性以及调查对象的广泛性，研究价值较大。同时，央行统计调查司也根据相应的原始调查数据，归纳总结成指数形式，方便查阅与使用。因此，本文选择央行上述三类问卷调查结果中的各类微观指数展开研究。

三、实证研究

（一）研究数据处理

本文旨在研究央行的微观调查数据能否作为我国商业银行不良贷款率的预测指标，因此目标预测变量选择中国银行业监督管理委员会每季度定期公布的全国商业银行不良贷款率指标。同时，搜集了央行调查统计司编纂的各季度银行家问卷调查报告、企业家问卷调查报告及城镇储户问卷调查报告，从中分别提取相应的微观指标，并剔除诸如银行竞争力指数、实业投资意愿比例等含缺失值较多的指标。此外，参照刘妍等人的做法，我们引入GDP、M2、CPI等现有文献中常用宏观指标作为对比，宏观指标除GDP与金融机构人民币贷款加权平均利率为季度数据外，其余均为月度数据。上述指标均来自Wind数据库。最后，对于少数存在缺失值的指标，采用移动平均法进行填补。最终选择宏观指标包括GDP、M2、CPI等9个，央行微观调查数据指标41个，共计50个宏微观预测指标。

本文选择2009年第一季度至2016第二季度作为研究的时间区间，基于MIDAS（Mixed Data Sam-pling）模型展开研究。MIDAS模型由Ghysels等人提出，最初用于金融市场的波动预测。此后，随着其对混频数据的较好利用以及展现出较高的预测精度，逐渐被用于宏观经济金融预测领域。我国学者郑挺国等人，利用MIDAS模型研究了我国经济增长等一系列预测问题，取得了不错的效果，且发现该模型优于现有的各类僅能处理同频数据的预测模型。

（二）MIDAS（m，K，h）模型的初步分析

我们首先研究各单一指标的预测效果。在预测问题中，现有研究一般将整体数据集划分为模型内拟合样本与模型外检验样本，前者用以构建模型并拟合模型参数，后者用于检验模型在未知样本上的预测精度。本文选择2009年第一季度一2015年第一季度样本作为模型内拟合样本，2015年第二季度一2016年第二季度样本为模型外检验样本。在参数选取方面。由于样本数量不多，我们选择高频数据的最大滞后阶数K=8。在实际的预测问题中，一般向前预测的步数越小，即预测期与当期越近，预测精度越高，同时考虑到在下一季不良贷款率公布前，本文所选用的各项宏微观指标均可在当季之后不久得到，故本文选择向前预测步长h=1。同时，由于各指标频度仅分为季度与月度两种，故取m=3。

图1与图2分别展示了本文选取的50个宏微观指标，在不同最大滞后阶数下的样本内拟合R方与样本外预测误差（标准差）。从中明显看出，诸多指标根据反映建模阶段拟合程度的R方与样本外预测误差的变化趋势不同，大体可以分为3类：第一类是诸如GDP、M2、企业经营景气指数等指标，其拟合R方与样本外预测误差在不同滞后阶数下基本保持相同的趋势，较为稳健；第二类是诸如当期收入感受指数、更多投资意愿比例指数等指标，其拟合R方与样本外预测误差在不同滞后阶数下呈现背离的趋势，表明可能随着滞后阶数的提高，该指标在模型中存在过度拟合的现象；第三类是诸如企业家宏观经济热度指数、出口订单指数等指标，在较低的滞后阶数下呈现出第一类指标的特征，而在滞后阶数逐渐上升时又表现出第二类指标的特征，表明这类指标比较敏感于滞后阶数的选取。

对预测模型而言，其样本外预测精度往往比样本内拟合R方更具意义。我们进一步分析相比于各宏观指标，央行的微观指标是否具有更好的预测能力？

首先将宏观指标的预测结果与央行微观指标的预测结果分成两个子集，接着分别计算在两个子集中，各单一指标在所有滞后阶数下的平均样本外预测误差与最优样本外预测误差，之后分别根据两种（平均与最优）样本外预测误差的结果，对各属性进行升序排序（误差越小，排序越前），构成“平均指标误差上升序列”与“最优指标误差上升序列”两个序列。显然，两个序列均具有非递减的特征，且在序列中排名越靠前的指标，其样本外预测性能越优。同时，我们亦对两类指标序列的累积平均误差情况进行了测算。以计算“累积平均指标误差上升序列”为例，设在含有n个指标的平均指标误差上升序列中，各位置指标的样本外预测误差记为E_i（i∈{1，2，…，n}）。则在累积平均指标误差上升序列Q中，第i位的累积平均指标误差值Qi=∑E_i/i，同理可根据最优指标误差上升序列计算出累积平均最优指标误差上升序列。平均指标误差上升序列与最优指标误差上升序列，分别度量了该类中各单一指标在不同滞后阶数下，预测结果的平均精度与最优精度；而累积平均指标误差上升序列与累积平均最优指标误差上升序列，则反映了该类中各指标累积平均的预测精度与最优精度。endprint

图3反映了传统宏观指标体系与央行微观指标体系下的8个序列测算结果。其中，反映传统宏观指标预测误差的4类曲线，明显位于根据央行微观指标预测结果对应曲线的上方，表明仅基于传统宏观指标构筑的不良贷款率预测模型，弱于仅基于央行微观指标构筑的预测模型，且前者的最优单一指标预测结果误差，比后者高约0.2左右，相对较大。同时，就累积平均最优结果而言，央行微观指标的累积平均指标误差上升序列与累积平均最优指标误差上升序列明显较为平稳，表明其稳健性较好，而宏观预测指标的结果则显得上升幅度较大。

（三）MIDAS（m，K，h）-AR（p）模型的深入论证

上一节的研究并不能充分说明央行微观指标一定比现有诸宏观指标更加适合预测不良贷款率，原因在于不良贷款率具有较为明显的趋势特征，因此应当在方程中加入不良贷款率的自回归滞后项，以在消去自回归特征的同时，提高模型预测精度。与一般金融领域预测时常用的无限滞后特征不同，郑挺国等人的研究认为我国的经济指标大多在滞后4阶的范围内有较好的解释力，故出于保守起见，本文选择不良贷款率指标的最大自回归滞后阶数为5，其余参数与上一节相同，构建MIDAS（3，8，1）-AR（5）模型。类似于图1和图2，图4与图5展示了本文选取的50个宏微观指标，在不同滞后阶数下的样本内拟合R方与样本外预测误差。其中x轴代表各指标的滞后阶数，），轴代表不良贷款率的自回归滞后阶数。

从图4与图5中可明显看出，拟合R方与样本外预测误差在不同滞后阶数下，与不含自回归滞后项的情况相似，可以分为趋势相同、趋势背离、趋势分段三种f青况。但值得注意的是，相比于图1与图2不含自回归滞后项时的结果，含有自回归滞后项能显著提升各指标样本内的拟合R方，同时降低样本外预测误差，且上述两项误差指标大多能始终保持在0.2以下，表明通過在方程中添加待预测指标的自回归项，能有效地进一步降低样本外预测误差。同时，在模型参数的估计阶段，含有待预测指标自回归项的MIDAS模型，能够较好地保持样本外预测误差处于较平稳的低误差水平，表现为图4与图5中样本外预测误差指标曲面更为平稳。

我们进一步比较传统宏观指标与央行微观指标的预测能力差异。首先分别计算在所有单一指标滞后阶数及所有不良贷款率指标自回归滞后阶数下，各单一指标的平均样本外预测误差与最优预测误差，之后根据结果对各属性分别进行升序排序（误差越小，排序越前），构成新的“平均指标误差上升序列”与“最优指标误差上升序列”。同时，我们亦对含自回归项的两类指标的累积平均误差上升隋况进行了测算。以计算“累积平均指标误差上升序列”为例，设在含有n个指标的平均指标误差上升序列E中，各位置所代表的指标在含有j阶不良贷款率自回归滞后项的模型中，其样本外预测误差记为E_u（i∈{1，2，…，n}j∈{1，2，…，p}）。则在累积平均指标误差上升序列中，第i位的值Q_i=∑∑E_I/（ixp），同理可根据最优指标误差上升序列计算出累积平均最优指标误差上升序列。图6展示了两类指标的8个序列在MIDAS（3，8，1）-AR（5）模型中的预测能力。

对比图6与图3，我们发现宏观指标与央行微观指标在MIDAS（3，8，1）与MIDAS（3，8，1）-AR（5）模型下的结果存在一定的差异。首先在图6中，宏观指标的平均指标误差上升序列曲线与微观指标的平均指标误差上升序列曲线在横轴为5处存在一个交叉，表明就平均指标误差上升序列而言，平均误差最小的前5个央行微观指标，其性能不及平均误差最小的前5个宏观指标，但排名第5位之后的微观指标，其平均误差均小于剩余的传统宏观预测指标，两类指标在预测方面相互存在优势。

其次，就最优指标比较情况而言，宏观指标的最优指标误差上升序列曲线仅在序号为l的情况下位于微观指标的最优指标误差上升序列曲线下方，其余情形中均在后者上方，表明仅有一个宏观最优指标优于所有的微观最优指标，其余情况下，均存在至少一个最优滞后阶数下的微观指标，其预测误差小于所有滞后阶数情形下的宏观最优指标。此外，两类指标的累计平均指标误差上升序列曲线与累计平均最优指标误差上升序列曲线的分布与非累积的情况相似。综上，就稳健型而言，各滞后阶数下的微观指标优于宏观指标。

（四）C-MIDAS（m，K，h）-AR（p）模型的全面比较

最后，考虑到即使在单一指标的MIDAS模型中加入待预测指标的自回归滞后项，仅能说明在单一指标的MIDAS预测模型中，使用央行微观指标普遍优于传统宏观指标，但不能保证在结合使用多个同类指标的情况下，央行微观指标依然优于传统宏观指标。同时，如果结合使用两类指标，其预测性能相比于仅使用单一指标又会如何？本节对这些问题进行了研究。

在使用多指标进行预测时，现有预测模型大多采用将多个指标同时置于同一模型中，之后进行参数拟合，即所谓“多元预测模型”。然而，由于2009年第一季度2015年第一季度的建模样本集中，仅含有25条样本，数量较少，考虑到各预测指标及其滞后项，一旦在同一方程中加入更多指标，极易导致模型参数的方差变大，模型预测精准程度下降，甚至出现模型方程中指标总数大于样本数的情况，从而导致模型参数无法预测。因此，就本文所研究问题面临的实际样本量限制而言，不宜采用多元MIDAS模型，故本文使用组合MIDAS模型展开研究。郑挺国等人的研究亦表明，组合MIDAS模型相比于多元MIDAS模型，其样本外预测精度更高。

除单一指标的预测性能外，影响组合MIDAS模型性能的另一因素是各MIDAS（3，8，1）-All（5）模型结果的权重组合方式。现有文献中通常采用的方式归结起来共有4种：基于样本外预测误差的权重组合、基于AIC信息准则的权重组合、基于BIC信息准则的权重组合以及等权重组合。为了验证稳健性，本文分别采用上述四种组合方式，对两类指标在不同组合方式下的MIDAS（3，8，1）一AR（5）模型性能进行检验。我们首先根据上一小节计算的含不良贷款率自回归滞后项的两类指标最优指标误差上升序列，逐一取出序列中最优的前个指标，构建隶属于同一类型指标集的C—MIDAS（3，8，1）-AR（5）模型。此外，为了进一步验证综合使用宏观与微观指标是否优于仅使用单一类型的指标，我们同时也将两类指标混合，构建出混合指标集的最优指标误差上升序列，之后逐一取出序列中最优的前k个指标，迭代构建同时使用两类指标的C-MIDAS（3，8，1）-APt（5）模型。三个模型在四种权重组合方式下的样本外预测误差比较结果如图7所示。endprint

首先分析仅基于传统宏观指标构建的组合模型与仅基于央行微观指标构建的组合模型在样本外预测误差方面的差异。从图7可以看出，除了在基于样本外预测误差权重组合方式下含有2个同类指标构建的组合模型中，传统宏观指标组合的预测误差小于微观指标组合之外，在其余任一属性规模、任一权重组合方式下，基于微观指标构建的模型其误差均小于传统宏观指标模型组合。然而，考虑到在面向应用的组合模型构建过程中，由于无法在事前获得样本真实值从而推算出样本外预测误差，因此以样本外预测误差为权重的组合方式的实用性不高。同时，AIC与BIC信息准则可在模型的样本内拟合阶段轻松得到，因此完全能够根据各单一指标在模型训练阶段的表现，选择构建组合模型的指标。由此，我们可根据基于AIC信息准则、BIC信息准则、等权重三种权重组合方式构建的组合模型，同时参考基于样本外预测误差构建的组合模型，充分地得出结论：基于央行微观指标构建的组合模型，在样本外预测误差方面优于基于传统宏观指标构建的组合模型，央行微观指标相比于传统宏观指标，更加适合于我国不良贷款率的预测。

此外，尽管两类指标均表现出了一定的预测指标优势，但综合使用两类指标构建的C-MIDAS（3，8，1）-AR（5）模型，其样本外预测误差能够进一步降低。从两类指标的性质上来说，宏观预测指标自顶向下地反映了整体经济层面的发展趋势，而微观指标则着重从贷款主体行为的角度，自底向上地对还款压力进行了有效地评估，因此，结合宏观与微观指标，能够兼顾实体经济发展现状、资金市场供需关系与不同经济主体的未来预期，提高预测精度。

（五）经济含义分析

进一步研究在使用两类指标的C-MIDAS（3，8，1）-AR（5）模型中，样本外预测误差最低时所选的指标的经济含义。当选择指标的数量为8时，基于BIC信息准则权重的C-MIDAS（3，8，1）-AR（5）模型取得了最低的样本外预测误差，表1首先列出了选择的8个指标的具体回归结果统计，我们尝试逐一分析表l中8个指标可能的经济含义。

首先发现在传统宏观指标中，仅有人民币汇率有效指数这一指标入选。GDP、M2等指标尽管在现有文献中被认为与不良贷款率有较大关联，但并不被认为最适合作为MIDAS模型中不良贷款率的预测指标。人民币汇率有效指数由国际清算银行编制发行，其剔除了通胀的影响，反映的是一国货币的实际购买力。人民币汇率有效指数上升，代表本国货币相对价值的上升，下降则表示本币贬值。表1中的结果显示最大滞后3阶的人民币汇率有效指数适合作为我国不良贷款率的预测指标，其系数为正。我们认为：当当期的人民币汇率有效指数上升时，本国货币相对于外币升值，有利于进口而不利于出口，由于出口是中国经济长期以来增长动力的“三驾马车”之一，因此当出口减缓时，企业产品滞销，现金流被削弱，从而导致了未来还款期的还款能力下降，导致不良贷款率上升。这一发现也表明：我国经济发展模式必须尽快由“出口导向型”向“内需拉动型”进行转变，否则，较大的汇率或出口波动可能会引发国内银行业信用风险的集中暴露。

最大滞后5阶的基金及理财意愿投资比例、最大滞后2阶的房价过高难以接受比例、最大滞后3阶的旅游意愿比例、最大滞后5阶的房价预期上涨比例四个指标是央行面向城镇储户的调查问卷结果指标。其中，房价过高难以接受比例指标的系数为负，其余3个为正。我们将逐一分析这4个指标背后的经济理论含义。

对于基金及理财意愿投资比例指标，当其上升时，意味着更多城镇居民会选择将原本的储蓄资金转化为购买基金及理财产品。此时，一方面以股市为代表的各类投资市场中的资金积累增多，但其对实体经济的发展影响有限；另一方面，储蓄减少使得商业银行存贷比例恶化，商业银行可能会进一步提高贷款利率以减少贷款需求，但高利率亦会直接导致高违约风险，从而不良贷款率上升。从预期的角度出发，当潜在的经济形势较好时，居民的闲置资金可能会更多用于实业投资，刺激经济增长，而当潜在经济形势较差时，居民可能会选择将资金由实体经济转移至投资市场，次贷危机后美国的实体经济下滑，但股票市场并未暴跌，反而屡创新高便是例证之一。因此，基金及理财意愿投资意愿上升，亦有可能是民众理性预计未来实体经济下滑的征兆。

房价过高难以接受比例指标与不良贷款率存在负相关关系，同时房价预期上涨比例指标与不良贷款率呈正相关关系。事实上，现有许多研究已表明，房地产价格持续攀升是推动近年来中国经济增长的重要因素之一，但同时，房地产行业的过度膨胀，也会挤占农业、轻工业和公共服务业的发展空间。首先，由于房地产行业利润较高，银行乐于将资金贷给房地产开发商，房地产行业与银行业存在一定程度的“兴衰捆绑”。当当期的房价过高以致居民“难以承受”时，房地产企业的高利润也使得其现金流充足，因此不良贷款率相对较低。而当居民预期房价上涨比例提升时，事实上暗示了预期未来市场资金会更多地涌入房地产行业，农业、轻工业和公共服务业等其它行业可能会出现衰退，尽管房地产行业违约风险较小，但不能弥补由此造成的其他行业信用风险加大。我们也注意到这两个与房地产相关的指标，其最大滞后阶数分别为2阶及5阶，这意味着在短期内，房地产市场的繁荣确实能降低商业银行不良贷款率，但中长期有所偏颇的信贷政策，则可能会引致其他行业发展困难，整体信用风险上升。

旅游意愿比例指标与不良贷款率存在正向关系，这与我们的常识相悖。一般来说，旅游意愿比例上升往往出现在经济形势较好的时期，此时居民收入较高，储蓄结余较多，在旅游景点的购买行为能够在短期内提高消费，长期内拉动当地就业，促进GDP进一步增长，且現有文献已表明GDP增长对不良贷款率有抑制作用。对于这一结果，我们查阅了相关资料，携程旅游网在2014年公布的《旅游者调查报告》中指出，有56%的受访者表示：住房消费是影响旅游支出的重要因素。我们据此合理推测：房地产价格可能是影响旅游意愿比例的重要因素，当当期的房地产价格上升、居民预期房价未来会进一步上涨时，居民在当期的旅游意愿会降低，即旅游意愿比例与当期和预期的房地产价格可能呈相反变动关系。endprint

接着分析剩余的最大滞后5阶银行贷款审批指数、最大滞后5阶银行家宏观经济热度指数与最大滞后1阶的非制造业贷款需求指数三个指标，这三个指标均来自央行的银行家问卷调查统计。其中，银行贷款审批指数与不良貸款率呈正相关，其余两个指数均为负相关。银行贷款审批指数衡量了银行贷款审批严格程度的高低，指数越低，意味着银行贷款审批越宽松。不难想到，当期较宽松的贷款审批政策，实际上加剧了潜在的信用风险，为未来信用风险的阶段性集中爆发埋下了隐患。银行家宏观经济热度指数反映了银行家对当期经济发展状况的认知，编制方法为首先分别计算认为本季经济“偏热”和“正常”的银行家占比，再分别赋予权重1和0.5，求和得出指数值。指数值越高，表明银行家认为当期的经济发展越偏热。当当期经济发展正常时，商业银行正常放贷；而在认为当期经济发展过热时，商业银行预期未来经济增长幅度可能会下滑调整，一般选择谨慎贷款，提高贷款审核要求，因而未来时期的不良贷款率较低。对于非制造业贷款需求指数，其上升意味着本季非制造业贷款需求提高。非制造业一般以服务业为代表，近年来，我国服务业不断发展，2016年服务业占GDP比重更是超过50%，呈现不断上升的势头。因此，非制造业由于近年来发展迅猛，可能其贷款信用风险较低，从而与不良贷款率有着负向联系。

最后，发现在取得最低样本外预测误差结果的C-MIDAs（3，8，1）-AR（5）模型中，并未包含央行企业家调查问卷结果中的指标，这并不能表明企业家调查的相关指标不重要，研究过程中我们列出了所有50个指标在C-MIDAS（3，8，1）-AR（5）模型中的排序，事实上有不少企业家调查问卷所含指标位居前列，只是未被最优的C-MIDAS（3，8，1）-AR（5）模型涵盖。

四、结论与展望

本文利用适用于混频数据预测问题的MIDAS模型，研究相比于传统宏观经济指标，央行的微观调查统计指标是否更加适合作为我国商业银行不良贷款率的预测指标。研究发现无论是在单变量MI—DAs模型、带因变量自回归的单变量MIDAS模型，还是多变量组合MIDAS模型中，央行微观指标在平均样本外预测误差、最优样本外预测误差等多个方面，均优于传统的宏观指标，表现出了较强的适用性。此外，人民币名义有效汇率指数、基金及理财投资意愿比例、房价过高难以接受比例、旅游意愿比例、银行贷款审批指数、房价预期上涨比例、银行家宏观经济热度指数、非制造业贷款需求指数等指标尤其适合作为不良贷款率的预测指标。

本文的结论是：相比于传统宏观经济指标，央行的微观调查统计指标更加适合作为我国商业银行不良贷款率的预测指标。研究结论有助于更好地预测我国银行业信用风险，从而可以及早防范，保证我国金融体系的稳定。

责任编辑、校对：郑雅妮endprint