笔锋教育

毕业论文代写:我国商业银行不良贷款影响因素实证分析

来源:笔锋教育作者:admin网址:http://www.ibefront.com浏览数:1614 

第四章 我国商业银行不良贷款影响因素实证分析

第一节 模型的构建

无论是从理论上来说,还是从现实意义上来说,我国商业银行的不良贷款率总会受到众多因素和变量的影响,本文主要从宏微观方面来分析商业银行的不良贷款率的影响因素,但由于经济之间往往具有带有因素交织在一起的影响,所以很难列示一个具体的函数关系来诠释我国商业银行不良贷款率与其相关的各个变量之间的关系。因此本文采用多元回归方法,运用计量经济学原理和方法,建立我国商业银行的不良贷款率与其相关变量的多元回归方程进行回归分析。本文所采用的模型是将我国商业银行的不良贷款率与宏微观的因素结合起来建立多元线性回归方程,多元回归模型方程如下所示:


第二节 变量的选取和解释

本文主要研究我国商业银行不良贷款率的影响因素进行实证研究和分析,从中得出更好的影响因素,为我国商业银行今后处理不良贷款提供可靠的意见,所以在本文选择相关因素指标时,结合我国商业银行的现实情况和我国经济的发展现状,结合我国宏观和微观因素对相关影响变量进行全面和系统的分析,考虑影响我国商业银行不良贷款率的影响因素的全面性、综合性和重要性。在本文中主要选取宏观方面的因素指标为社会消费品零售总额、社会固定资产投资总额、GDP增长率、通货膨胀率、名义货币供应量增长率;选取微观方面的因素指标为商业银行资产负债率、商业银行相对规模、商业银行信贷供给总额、资本充足率、存贷比、不良贷款拨备覆盖率、成本收入比、贷款/总负责、资本利润率、资产利润率等指标,通过宏观因素和微观因素对我国商业银行不良贷款率的影响因素进行分析,下面我们需要对各个解释变量和被解释变量进行详细的解释说明:

一、被解释变量

商业银行的不良贷款率(Y):商业银行的不良贷款率是指银行金融机构的不良贷款占总贷款余额的比重。商业银行的不良贷款是指在评估银行贷款质量时,把贷款按风险基础分为正常、关注、次级、可疑和损失五类,其中后三类合称为商业银行的不良贷款。

二、解释变量

1.社会消费品零售总额(SR):社会消费品零售总额批发和零售业、住宿和餐饮业以及其他行业直接售给城乡居民和社会集团的消费品零售额。其中,对居民的消费品零售额是指城乡居民用于生活消费的商品金额;对社会集团的消费品零售额,是指售给机关、社会团体、部队、学校、企事业单位、居委会或村委会等,公款购买的用作非生产、非经使用与公共消费的商品金额。本文假设社会消费品零售总额与不良贷款率呈现出负相关关系,即社会消费品越高,则商业银行不良贷款率越低,选取社会消费品零售总额因素是说明我国宏观经济方面一个发展的突出表现,社会消费者消费越高,手中所持有的货币越高,有利于银行的发展。

2.社会固定资产投资总额(TIFA):全社会固定资产投资是以货币表现的建造和购置固定资产活动的工作量,它是反映固定资产投资规模、速度、比例关系和使用方向的综合性指标。全社会固定资产投资包括基本建设投资、更新改造投资、国有单位其他固定资产投资、房地产开发投资、城镇集体固定资产投资、联营经济、股份制经济、外商投资经济、港澳台投资经济及其他经济类型的固定资产投资,农村集体5万元以上固定资产投资,城镇工矿区私人建房投资和国防、人防基本建设投资。假设社会固定资产投资总额与商业银行不良贷款率呈现出正相关关系,即社会固定投资总额越高,商业银行不良贷款率越高,选取这个因素是因为社会固定资产投资总额主要来自于企业,而商业银行不良贷款率高主要是通过企业导致的不良贷款率高,所以研究这个因素在于国家调整投资结构,从中有利于商业银行的发展壮大。

3.GDP增长率(GDPR):根据国内外相关学者研究的结果看出,GDP增长率与商业银行不良贷款率之间存在着负相关关系,即GDP增长率越高,商业银行的不良贷款率越低;反之,GDP增长率越低,则商业银行的不良贷款率越高;

4.通货膨胀率(CPI):假设通货膨胀率与我国商业银行不良贷款率两者之间呈现出正相关关系,从通货膨胀的公式中可以看出,当消费者物价指数升幅过大时,通货膨胀率已经成为了不稳定的因素,从而经济情景不明朗。

5.名义货币供应量增长率(M1R):本文采用的是广义货币供应量M2增长率作为名义货币供应量增长率,并且结合国内外相关的学者研究的结果得出,假定名义货币供应量增长率与商业银行不良贷款率之间存在着负相关关系;名义货币供给量增长率的增加或是减少也会间接的影响着我国商业银行的不良贷款数量,名义货币供给量的增加可以有效的推动着我国国民经济的发展,GDP也会随着增长,相对来说,企业偿还商业银行的贷款能力也会提高,商业银行的不良贷款率就会下降。

6.商业银行资产负债率(DAR):商业银行资产负债率=商业银行总负债/商业银行总资产,本文假定商业银行的资产负债率与商业银行的不良贷款率两者之间存在着正相关关系,即商业银行资产负债率越低,则商业银行的不良贷款率越低,反之,商业银行资产负债率越高,则商业银行不良贷款率越高;

7.商业银行相对规模(RBS):商业银行的相对规模常被相关学者用来反应商业银行的风险分散能力,即说明商业银行的相对规模越大,越有可能使得商业银行能够平衡不同地域和不同行业的投资风险。本文采用商业银行的相对规模指标来衡量商业银行分散风险的水平,假设商业银行的相对规模和商业银行的不良贷款率两者之间存在着正相关关系,即商业银行的相对规模越大,则商业银行的不良贷款率越高;反之,商业银行的规模越小,则商业银行的不良贷款率越低;

8.资本充足率(CAR):资本充足率=资本净额/(信用风险加权资产+市场风险加权资产+操作风险加权资产+资本底线调整)*100%,我国商业银行的资本充足率是指商业银行资本与风险资产的比例,这一个指标是为了保障商业银行正常经营和发展所必须的资本的比例,这一指标衡量了一家商业银行抵御风险的能力,因此,从理论上来说,商业银行的资本充足率越高,商业银行的不良贷款率就会越低。

9.存贷比(X1):假设商业银行的存贷比与商业银行的不良贷款率两者之间呈现出负相关关系,商业银行的存贷比越高,则说明了商业银行的贷款比例占商业银行总资产的比例越高,商业银行偏好风险,其银行的信贷风险也就越高;

10.不良贷款拨备覆盖率(PCR):拨备覆盖率=贷款损失减值准备金余额/不良贷款余额×100% 。拨备覆盖率能够反映商业银行的贷款风险程度和社会信用情况,这一个指标原则上不应该低于百分之百,否则就会存在着准备金的缺口,拨备覆盖率越高则说明商业银行抵御风险的能力就越大,补偿商业银行贷款的损失程度就会越高,商业银行的不良贷款率就会越低。本文假设不良贷款拨备覆盖率与商业银行不良贷款率呈现出负相关关系,即不良贷款拨备覆盖率越高,则商业银行不良贷款率越低,反之,则越高。

11.成本收入比(X2):成本收入比是商业银行营业费用与营业收入的比率,反映出商业银行每一单位的收入需要支出多少成本,该比率越低,说明商业银行的单位收入成本支出越低,商业银行获取收入的能力也就越强。因此,成本收入比是衡量商业银行盈利能力的重要指标之一。用公式记为:成本收入比=(业务管理费+其他营业支出)/(利息净收入+手续费净收入+其他业务收入+投资收益)×100%。本文假设成本收入比与商业银行不良贷款率呈现出正关系关系,即成本收入比越低,则商业银行不良贷款率越低;反之,成本收入比越高,则商业银行不良贷款率越高。

12.贷款/总负债(X3):贷款/总负债这一指标是衡量我国商业银行资金运用于贷款的比重以及商业银行贷款能力的大小。如果贷款/总负债比例越高,则说明商业银行贷款的规模过于庞大,因而商业银行的贷款风险也就越高;如果贷款/总负债的比例越低,则说明我国商业银行贷款的安全性也就越高,但可能商业银行的盈利能力有所下降。所以,本文假设贷款/总负债与商业银行的不良贷款率两者之间存在着正相关关系,即贷款/总负债比例越高,商业银行的不良贷款率越高;反之,贷款/总负债比例越低,则商业银行的不良贷款率越低;

13.资本利润率(X4):银行资本利润率是指银行净利润比上商业银行平均资产总额。是指企业净利润(即税后利润)与平均资本(即资本性投入及其资本溢价)的比率。用以反映企业运用资本获得收益的能力。也是财政部对企业经济效益的一项评价指标。资本收益率越高,说明企业自有投资的经济效益越好,投资者的风险越少,值得继续投资,对股份有限公司来说,就意味着股票升值。因此,它是投资者和潜在投资者进行投资决策的重要依据。对企业经营者来说,如果资本收益率高于债务资金成本率,则适度负债经营对投资者来说是有利的;反之,如果资本收益率低于债务资金成本率,则过高的负债经营就将损害投资者的利益。

14.资产利润率(X5):商业银行资产利率润反映商业银行资产的多少以及商业银行资产的结构,这也会影响着商业银行的不良贷款率。资产利润率又称投资盈利率、资产所得率、资产报酬率、企业资金利润率,是反映企业资产盈利能力的指标。是指企业在一定时间内实现的利润与同期资产平均占用额的比率。企业资产利润率这项指标能促进使企业全面改善生产经营管理,不断提高企业的经济效益。下表为各个变量的相应的类型和代表符号,如下表所示:

表4-1   各个变量的相应类型和代表符号

变量

符合

单位

类型

不良贷款率

Y

%

被解释变量

社会消费品零售总额

SR

亿元(取log对数)

解释变量

社会固定资产投资总额

TIFA

亿元(取log对数)

解释变量

GDP增长率

GDPR

%

解释变量

通货膨胀率

CPI

%

解释变量

名义货币供应量增长率

M1R

%

解释变量

商业银行资产负债率

DAR

%

解释变量

商业银行相对规模

RBS

亿元(取log对数)

解释变量

资本充足率

CAR

%

解释变量

存贷比

X1

%

解释变量

不良贷款拨备覆盖率

PCR

%

解释变量

成本收入比

X2

%

解释变量

贷款/总负债

X3

%

解释变量

资本利润率

X4

%

解释变量

资产利润率

X5

%

解释变量

(注:上述以亿为单位都必须通过log处理,所以上述以亿为单位的变量数据在下文都通过了log处理得出的数据)

下面我们需要对上述的各个变量进行描述性统计,以观察各个变量的变化情况,反映出各个变量的基本情况,如下表所示:

表4-2   各个变量的描述性统计

变量

均值

标准差

最小值

最大值

Y

1.190271

.3777143

.735

2.3

SR

4.51733

.2618914

4.113776

4.854619

TIFA

4.610986

.469641

3.848711

5.195862

GDPR

10.10833

2.025564

6.6

14.5

CPI

181.2871

58.07231

100

269.47

M1R

19.76729

4.492937

13.56

28.73

DAR

94.65792

.8352706

92.45

96.36

RBS

5.83431

.1987364

5.337006

6.120625

CAR

11.60104

.9989914

10.2

13.25

X1

63.15896

2.159878

59.87

66.56

PCR

152.2708

105.6424

13.2

295.51

X2

28.02042

3.029812

22.19

35.3

X3

90.41833

7.34527

71.78

94.82

X4

16.49229

4.817294

3.9

22.34

X5

1.139167

.2043863

.84

1.43

,第三节 数据的来源和选取

本文的数据来源于中国银监会官方网站(http://www.cbrc.gov.cn/index.html)、中国统计局网站(http://www.stats.gov.cn/tjsj/ndsj/)等,主要根据上文的分析因素选取本文的被解释变量为我国商业银行不良贷款率,解释变量为宏观方面的因素指标为社会消费品零售总额、社会固定资产投资总额、GDP增长率、通货膨胀率、名义货币供应量增长率;选取微观方面的因素指标为商业银行资产负债率、商业银行相对规模、商业银行信贷供给总额、资本充足率、存贷比、不良贷款拨备覆盖率、成本收入比、贷款/总负责、资本利润率、资产利润率等。这些宏微观因素作为解释变量衡量我国商业银行不良贷款率的影响因素。本文的数据主要选取2004年第一季度到2015年的第四季度的季度数据。

第四节 实证结果分析

一、各个变量的相关性分析

我们首先对各个变量运用Stata计量软件进行相关性分析,结果如下表所示:


4-3   各个变量的相关性分析


Y

SR

TIFA

GDPR

CPI

M1R

DAR

RBS

CAR

X1

PCR

X2

X3

X4

X5

Y

1.000















SR

0.0103

1.000














TIFA

0.0286

0.9908

1.000













GDPR

-0.469

-0.722

-0.708

1.000












CPI

-0.092

0.981

0.976

-0.66

1.000











M1R

0.4644

0.1769

0.2419

-0.32

0.111

1.000










DAR

0.1849

0.1829

0.1800

-0.18

0.128

0.244

1.000









RBS

-0.075

0.939

0.933

-0.57

0.886

0.539

-0.52

1.00








CAR

-0.499

0.8124

0.7839

-0.32

0.851

-0.13

0.188

0.70

1.000







X1

-0.474

0.8446

0.8695

-0.26

0.835

0.028

0.138

0.78

0.685

1.000






PCR

-0.962

0.474

0.463

0.148

0.621

-0.39

-0.15

0.13

0.559

0.500

1.000





X2

-0.363

-0.20

-0.24

0.421

-0.19

-0.42

-0.09

-0.4

0.009

-0.06

0.312

1.000




X3

0.5174

-0.37

-0.31

0.017

-0.43

0.501

0.037

-0.2

-0.49

-0.31

-0.53

-0.08

1.000



X4

-0.793

0.075

0.086

0.295

0.272

-0.42

-0.31

-0.2

0.240

0.122

0.843

0.209

-0.52

1.000


X5

-0.80

0.335

0.345

0.39

0.42

-0.4

-0.20

0.095

0.3057

0.3418

0.7544

0.0317

-0.454

0.6797

1.0000


从上表结果中可以看出,我国商业银行的不良贷款率与社会消费品零售总额、社会固定资产投资总额、GDP增长率、通货膨胀率、商业银行相对规模、、商业银行信贷供给总额、资本充足率、存贷比、不良贷款拨备覆盖率、成本收入比、、资本利润率、资产利润率均呈现出负相关关系;而商业银行的不良贷款率与名义货币供应量增长率、商业银行资产负债率、贷款/总负责均呈现出正相关关系。所以,综述我们可以得出,我们所建立的因变量与众多的自变量之间的线性回归模型是合理的。

二、我国宏观经济方面对商业银行不良贷款率的影响

本文宏观方面的因素指标为社会消费品零售总额、社会固定资产投资总额、GDP增长率、通货膨胀率、名义货币供应量增长率。我们首先运用多元线性回归方法对宏观经济方面的因素做回归分析,分析结果如下表所示:

表4-4   宏观经济因素对商业银行不良贷款率的多元线性回归分析

变量

Coef.

Std. Err.

  t

P>|t|

SR

-2.068513

1.172548

-1.76

0.085

TIFA

1.187133

.5569994

2.13

0.039

GDPR

-.1717607

.0242969

-7.07

0.000

CPI

-.0059304

.0018851

-3.15

0.003

M1R

.0312234

.0089096

3.50

0.001

_cons

7.254688

2.97717

2.44

0.019

由上表我们可以得出相应的回归方程,如下所示:

Y=-2.068513SR+1.187133TIFA-.1717607GDPR-.0059304CPI+.0312234M1R

R2=0.6926,调整后的R2=0.6560,R2越接近于1,则表明该模型对样本数据的拟合度越高,对于给定的显著性水平5%,有多元线性回归结果得出F(5,42)=25.27,拒绝原假设,说明该模型的线性关系比较显著。所以可以得出宏观经济方面的五个变量对我国商业银行的不良贷款率的影响都非常显著。我国商业银行的不良贷款与社会消费品零售总额呈现出负相关关系;与GDP增长率呈现出负相关关系;与通货膨胀率呈现出负相关关系;与名义货币供给量增长率呈现出正相关关系。

三、我国微观经济方面对商业银行不良贷款率的影响

微观方面的因素指标为商业银行资产负债率、商业银行相对规模、商业银行信贷供给总额、资本充足率、存贷比、不良贷款拨备覆盖率、成本收入比、贷款/总负责、资本利润率、资产利润率。我们还是首先运用最小二乘估计方法对模型进行计量估计,得出结果如下表所示:

表4-5   微观经济因素对商业银行不良贷款率的多元线性回归分析

变量

Coef.

Std. Err.

t

P>|t|

DAR

.0445054

.083664

0.53

0.598

RBS

1.49011

1.272138

1.17

0.249

CAR

-.278876

.1688997

-1.65

0.107

X1

.0931878

.1095707

0.85

0.400

PCR

.0019722

.0024895

0.79

0.433

X2

.0142253

.0351506

0.40

0.688

X3

.014609

.0120266

1.21

0.232

X4

-.0901426

.0252981

-3.56

0.001

X5

-.5494046

.7324612

-0.75

0.458

_cons

-13.61676

8.673676

-1.57

0.125

由上表我们可以得出相应的回归方程,如下所示:

Y=0.044505DAR+1.49011RBS-0.27887CAR+0.093187X1+0.001972PCR+0.014225X2+0.014609X3-0.09014X4-0.5494X5

R2= 0.4117,调整后的R2=0.2724,R2越接近于1,则表明该模型对样本数据的拟合度越高,对于给定的显著性水平5%,有多元线性回归结果得出F(9,38)=2.96,

拒绝原假设,说明该模型的线性关系不显著。所以可以得出微观经济方面的九个变量对我国商业银行的不良贷款率的影响都非常显著。我国商业银行的不良贷款率与商业银行资产负债率、商业银行相对规模、存贷比、不良贷款拨备覆盖率、成本收入比、贷款/总负责、均呈现出正相关关系;而与资本充足率、资本利润率、资产利润率均呈现出负相关关系。

四、我国宏微观经济相结合对商业银行不良贷款率的影响

我们对宏微观经济因素结合在一起分析我国商业银行的不良贷款率的主要影响因素,我们还是首先通过多元线性回归方法对我国商业银行的不良贷款率的影响因素进行实证分析,得出实证分析结果如下表所示:

表4-6   宏微观经济因素对商业银行不良贷款率的多元线性回归分析

变量

Coef.

Std. Err.

t

P>|t|

SR

-1.764704

1.170932

-1.51

0.141

TIFA

.7129851

.6129578

1.16

0.253

GDPR

-.1452419

.0337127

-4.31

0.000

CPI

-.0105668

.0035145

-3.01

0.005

M1R

.0457411

.0101319

4.51

0.000

DAR

-.0092982

.0452078

-0.21

0.838

RBS

.3403423

1.405111

0.24

0.810

CAR

.3327474

.1132126

2.94

0.006

X1

.1043722

.0610777

1.71

0.097

PCR

-.0041856

.0028043

-1.49

0.145

X2

.0052542

.0241237

0.22

0.829

X3

.009693

.0075304

1.29

0.207

X4

-.0338496

.0315895

-1.07

0.292

X5

1.482287

.5237126

2.83

0.008

_cons

-7.213996

5.99247

-1.20

0.237

由上表我们可以得出相应的回归方程,如下所示:

Y=-1.764704SR+.7129851TIFA-0.145249GDP-0.0105668CPI+0.0457411M1R-0.0092982DAR+.3403423RBS+0.3327474CAR+0.1043722X1-0.0041856PCR+0.005254X2+0.009693X3-0.0338496X4+1.482287X5

R2=0.8681,调整后的R2=0.8121,R2越接近于1,则表明该模型对样本数据的拟合度越高,对于给定的显著性水平5%,有多元线性回归结果得出F(14,33)=15.51,拒绝原假设,说明该模型的线性关系比较显著。所以可以得出宏微观经济方面的十四个变量对我国商业银行的不良贷款率的影响都非常显著。我国商业银行的不良贷款率与社会消费品零售总额、DP增长率、通货膨胀率、商业银行资产负债率、、不良贷款拨备覆盖率、资本利润率均呈现出负相关关系;而商业银行的不良贷款率与商业银行相对规模、社会固定资产投资总额、名义货币供应量增长率、资本充足率、存贷比、成本收入比、贷款/总负债、资产利润率均呈现出正相关关系。

从以上的分析结果我们可以得出一系列有意义的结论。

第一:宏观经济因素来说,在我国范围内,社会零售商品销售总额在短期内对我国商业银行的不良贷款率存在着显著的负相关关系,并且社会零售商品销售总额的贡献率相对较大;而社会固定资产投资总额对我国商业银行的不良贷款率呈现出高度正相关关系,这与有些学者的研究结论是不一致的,可能原因在于社会固定资产投资总额是我国政府财政支出的重要组成部分,固定资产投资的时间周期越长,企业所需要的贷款总额越大,企业偿还银行贷款的周期较长,最终得到的投资收益回报可能越大,从而可能造成我国商业银行的不良贷款量越大,商业银行的不良贷款率相对较大;我国国民经济增长率的各个季度的GDP每增长百分之一,我国商业银行的不良贷款率将会减少0.1452%,GDP增长率与我国商业银行的不良贷款率两者之间存在着较强的负相关关系;而通货膨胀即物价水平CPI与我国商业银行的不良贷款率之间存在着负相关关系,物价水平每提高百分之一时,我国商业银行的不良贷款率将会减少0.01056%;名义货币供给量与我国商业银行的不良贷款率两者之间存在着正相关关系,这在长期中比较显著。

第二:微观经济因素来说,我国商业银行的资产负债率由于涉及到银行的资产和负债两个具体的因素,对我国商业银行的不良贷款率的影响呈现出正负变动波动;而我国商业银行的相对规模对我国商业银行的不良贷款率的影响,短期内两者之间呈现出正相关关系,但是从长期来看,随着我国经济的发展和银行规模的扩大,随后影响呈现出显著的正向影响;我国商业银行的资本充足率与银行的不良贷款率之间呈现出正相关关系,不良贷款拨备覆盖率与我国商业银行的不良贷款率呈现出负相关关系;我国商业银行的不良贷款率与成本收入比呈现出正相关关系;我国商业银行的不良贷款率与资本利润率呈现出负相关关系,而与资产利润率呈现出正相关关系。


第五章 降低商业银行不良贷款率的对策建议

我国商业银行的不良贷款对我国银行业甚至是我国整个金融行业的发展都会产生极大的影响,我国经济正处于高速发展的时期,而我国银行业的发展并没有达到西方发达国家的那样程度,因此,我国各个商业银行和金融监督机构应该积极的采取有效的措施减少我国商业银行的不良贷款率的增长。具体应该完善以下几个方面的措施。

第一节 完善政府监管职能建设

在我国市场经济发展过程中,政府在市场经济发展中起到了积极的作用,政府要切实转变其职能,将政府的职能转变到社会管理职能方面上来,政府必须要明确其自身的职责,严格控制政府的职能范围,做到哪些可以做,哪些不可以做。我国市场经济体制下,我国政府的主要职能是提供市场运行的规则,确保社会体系的正常转变。只有转变政府的职能,才能为解决我国商业银行的不良贷款提供一个良好的政策环境。深化金融监管体制改革,加强金融宏观审慎管理制度建设,

目前银行信贷风险集聚在房地产、工业企业、地方政府融资平台、资源过剩企业。国家在宽松货币环境及政策支持下,加速房市去库存,可以释放房贷信用风险并缓解市场对真实不良率上升的担忧;债务置换稳步推进,疏导地方债务,可以换取信用风险改善;不良资产证券化有望重启,剥离去产能等暴露出的不良资产,为银行“减负”。

第二节 加快相关法律法规建设

完善我国相关的与商业银行不良贷款的相关法律法规,维护金融资产的安全与稳定。我国只有不断的完善相关的法律法规和政策制度,用法律手段进行有效的治理,才可以达到预期的结果。具体表现在以下几个方面:第一,设置专门的法律法规,银行不良资产的经营和处置是一项法律性很强的系统工程,其中必然会涉及到诸如《公司法》、《证券法》、《税法》等相关法律,由于我国商业银行和资产管理公司所采用的一部分处置方法和现行的法律法规相抵触,而企业和个人在商业银行不良贷款处置方面往往会利用法律的漏洞,因此对于我国商业银行有必要专门建立比如《不良资产处置法》等相关法律法规来规范对我国不良资产的处置;银监会2011年的《商业银行贷款损失准备管理办法》规定了不良贷款拨备覆盖率的比例。第二,我国要加强法律法治监督和实行内部惩戒制度建设。对违反法律法规的行为要加以严惩,勒令整改,保证金融体系正常有序发展。

第三节 完善商业银行风险控制制度

第一:严格控制我国商业银行的规模,防止商业银行的盲目扩张。当我国商业银行规模盲目扩张时,就会把重点放在市场增长的份额方面上,因而会降低对贷款人的贷款要求。我国商业银行在扩大规模的同时,一定要注意严格控制风险,提升商业银行管理不良资产的能力;第二:完善我国商业银行的信贷机制,有效的控制商业银行的贷款风险,提高商业银行的贷款质量。建立自身信贷风险管理体系,简单来说就是全流程的风险管理流程、全员的风险管理文化、全新的风险管理手段。风险管理不局限与调查阶段。风险管理在业务的每一个环节均得到体现。沿着流程模块,每一个环节均对不同的风险进行选择、过滤以及管理,以最终达到“风险可控”的目的。第三:完善风险控制组织结构。完善的组织架构是保证内部控制和风险管理的组织保障,而科学的岗位职责设计能够确保每名员工在内控和风险管理工作中权、责、利上的明确分工,进而通过合理的绩效考核和激励机制设计保证分工的有力执行。

第四节 加强商业银行风险预测能力

我们主要从以下几个方面加强对我国商业银行风险预测能力,第一:防范商业银行信贷风险,不仅需要商业银行注意贷款增量可能产生的风险,还需要注意贷款存量中不良资产的处置;第二:密切关注商业银行自身的财务状况指标,比如控制总贷款额,及时排除商业银行贷款资金的隐患,防范商业银行的不良贷款率过高问题的出现。信贷评估是对借款人未来还款的可能性的评估,从这一点来说,财务信息以会计记录为基础,是对企业经营历史的记录,反映的是历史,但非财务信息更多的反映企业的未来,比如我们通过对企业领导及管理团队的素质、产品的市场前景、核心竞争力和技术水平等决定企业未来命运的关键因素进行分析,从而有助于我们对企业的未来进行评估和把握。在结合对企业财务信息的分析和评估,对企业有全方面的了解。第三:建立风险预警系统,利用结算、报表、外部诉讼、媒体报道、外部负面信息等行内行外“大数据”,不断拓展预警信号来源,通过自动化处理方式提高预警信号有效性,减小风险敞口。可以将贷存比、月均入账交易笔数等指标进行多维度结合,找出潜在不良客户,尽早预警防范和化解风险。