论文部分内容阅读
[摘 要] 本文以不良贷款率作为评估信用风险的指标，将不良贷款率转换成中介指标，用衡量农业农村经济发展的代表因子对中介指标进行多元线性回归，建立风险评估模型，通过自变量自回归和随机扰动项的蒙特卡洛模拟生成压力情景。结果表明：中央和地方财政支出增长率，农、林、牧、渔业新增固定资产投资，第一产业就业人员增长率是影响中国农业发展银行不良贷款率的显著因子。在前两者下降、后者上升的压力情景下，不良贷款率分布均会右移。
[关键词] CPV模型；宏观压力测试；蒙特卡洛模拟；信用风险
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2015 . 17. 062
[中图分类号] F832 [文献标识码] A [文章编号] 1673 - 0194（2015）17- 0117- 03
我国政策性银行在进行市场化改革之前所面临的风险主要来自政策层面，而在市场化的改革浪潮中，在农业发展银行的内部转型和业务领域拓展过程中，农业发展银行不仅面临宏观经济和政策风险，还面临行业经济波动带来的风险。研究需要从其风险的一般性和特殊性出发，探讨影响农发行信用风险的经济因子，设置压力情景，执行压力测试。
目前，关于信用风险影响因素和压力测试的研究已成为金融机构关注的焦点。在信用风险评估方面，Wilson（1997）提出的信用组合观点——Credit Portfolio View，首次分析了宏观经济变量对违约概率的影响；巴西央行（2011）采用分位数回归方法（Quantile Regression）度量信用风险，即信用风险同宏观经济因子间存在变化的线性关系。在压力情景设置方面，华晓龙（2009）运用多元回归定量分析宏观经济因素波动对中国银行体系贷款违约概率的影响，并通过假设情景法构建极端情景，进行宏观压力测试，但在变量的估计中忽略了随机扰动项；巴曙松、朱元倩（2010）从压力测试的定义、国际实践规范、执行流程等角度对相关文献和监管部门的调查研究报告进行了总结，归纳分析了压力测试的优缺点，讨论了压力测试中的实际操作细节及对于数据缺乏的发展中国家有效实施压力测试的方法。
从我国已出版或发表的相关著作论文来看，绝大多数论文将模型运用于商业银行，较少看到对政策性银行风险进行实证分析。在以往的压力测试中，往往忽略各个变量的随机扰动项及其相关性，使压力情景生成不符合实际情况。本文拟从我国农业发展银行的特殊性角度切入，通过CPV模型度量宏观经济、行业经济对农发行信用风险的影响。将各经济冲击引入到压力情景的设定中，在考虑随机扰动项及其相关性的基础上生成压力情景，执行压力测试。
1 模型的构建
CPV模型是一个宏观经济违约概率模型，它将整体宏观经济、行业经济构造成一套模型，把经济环境同整体贷款的违约概率结合起来。其最大的特点是将宏观经济指标纳入度量信用风险的模型中。使用Logit模型将不良贷款率转化为中介指标Y，以指标Y作为因变量与一系列经济因子进行多元回归分析，量化经济因子对不良贷款率的影响；使用影响因子的时间序列模型和蒙特卡洛模拟方法生成宏观压力情景，预测各情景下的不良贷款率。运用Logit转换保证不良贷款率取值范围在0到1之间；采用蒙特卡洛模拟方法保证回归方程中残差的随机性，避免用不良贷款率期望值代替不良贷款率，将尾部风险纳入考量范围，创建相关性的随机情景。
式中：Pt是银行在t时刻的不良贷款率；Y可以理解为反映银行不良贷款率和各经济变量的“中介指标”，Y受宏观和行业经济因子影响。
式（1）、（2）以“中介指标”Y为因变量，以各经济因子为自变量拟合回归方程，生成风险评估模型；式（1）、（3）为自变量的时间序列模型，以各经济因子历史数据为自变量拟合预测期基准数据，建立情景设置模型。从时间序列模型获得经济因子基准数据，根据历史数据，生成压力情景，带入风险评估模型，执行压力测试。式（1）、（4）反映模型随机扰动项不为0，并服从正态分布，式（1）、（5）说明随机扰动项之间存在相关性，这样处理的经济学意义是保证压力情景生成的合理性，即经济因子之间是相关的，且不良贷款率是由相关的经济因子和与经济因子相关的残差项所决定。
2 基于CPV模型的宏观压力测试实证研究
2.1 模型中变量的选择及其经济学解释
考虑到数据的可获得性和样本容量大小，本文选取不良贷款率作为评估信用风险的指标。一方面，在我国当前数据条件下，难以获取违约率数据，在银行年报中可供选择的代替变量有贷款迁徙率、不良贷款率。另一方面，鉴于银行业绩报告从2007年才开始正式公布迁徙率，过少的数据难以进行实证研究。因而，我们选取不良贷款率作为评估信用风险指标。
综合考虑农业发展银行的政策导向性和贷款对象的集中性，拟用反映农业农村经济状况的指标作为解释变量。作为政策性银行，农业发展银行的贷款对象主要集中于农业，包括棉粮收购企业、农业小企业等，其信用风险受到农业农村经济影响。鉴于经济变量的特征，数据的可获得性，解释变量的选取主要包括4个方向：①反映农业农村经济发展的指标，主要包括农业生产总值增长率AGDP，农、林、牧、渔业城镇新增固定资产NFA；②反映政府扶持力度的中央和地方财政支出增长率FER；③反映农村居民生活水平的解释变量主要包括农村居民人均纯收入增长率RINC，居民消费价格指数增长率RCPI，农业生产资料价格指数增长率，第一产业就业人员增长率RE；④反映借贷成本的一年期存贷款利率NR、NLR。
考虑到宏观经济统计特征及经济冲击发生的持续时间，变量值选取2000年-2012年的年度数据。数据来源于《金融统计年鉴》、《中国统计年鉴》、中国农业发展银行官方网站。
2.2 风险评估模型的估计
2.2.1 回归系数的估计和检验 代入2000年-2012年农业农村经济变量的数据和贷款违约率进行模型转换和多元回归估计。其中，AGDP、RCPI、NR、NLR均未通过t检验，但R2和F很大，分别达到96.1%、12.38，并且NF的VIF为21.53，说明原模型中存在多重共线性问题，通过逐步回归法，剔除了变量AGDP、NR、NLR、RINC、RCPI后，NFA的显著性水平大幅提高，FER、NFA、RE均通过了t检验，回归方程通过了F检验，且R2很高，回归方程的确定如表1所示。
从表1可以得出以下检验结果：模型整体拟合优度较好，R2=95.40%，且方程通过了显著水平α=0.05的F检验；回归系数FER、NFA、RE均通过了显著水平α=0.05的t检验，说明解释变量FER、NFA、RE对模型具有显著性影响；虽然解释变量RINC、NR对不良贷款率的解释力度较强，但它们与RE高度相关，这是它们从模型中被剔除的原因。
2.2.2 风险评估模型的经济学解释
从实证结果来看，模型中的不良贷款率与农业农村经济发展状况紧密相联。由式（1）知不良贷款率Pt与反映宏观经济的“中介指标”Yt的变动方向相同，即Yt越大Pt越大。由表2可以看出，FER、NFA在以Y为因变量的回归中系数为负，RE的系数为正。
FER、NFA、RE对农发行信用风险的影响主要包括以下几个方面。
（1）中央和地方财政支出增长率（FER）与不良贷款率（NPLR）变动方向相反。首先，与城镇经济发展水平相比，我国农业农村经济发展相对落后，对政策的依赖更为强烈，增加财政投入支持农村建设，提高农业生产技术，能够促进农村经济发展，降低农发行不良贷款率；其次，财政支出还表现在对农发行财政补贴的到位情况，作为政策性银行，农发行更多地是为农业农村经济发展服务，不像商业银行那样更加注重盈利，因而，通过增加财政支出有效提高财政补贴的到位率也可以降低其信用风险。
（2）农、林、牧、渔业城镇新增固定资产（NFA）与不良贷款率（NPLR）变动方向相反。通过增加对农业基础设施投入可以提高农业生产效率，降低生产成本，增加农业企业盈利空间，降低企业违约概率。通过增加农村基础设施投入，可以改善企业投资环境，提高企业投资需求，为农村居民创造更多农业以外的就业机会，增加农村居民人均收入，减少信用风险。
（3）第一产业就业人员增长率（RE）与贷款不良贷款率（NPLR）变动方向相同。主要是因为农业生产技术水平的提高，减少了对农业劳动力的需求，农业劳动力已过剩。一方面，就业人员的增加加大了企业经营成本，由经营风险转化为信用风险；另一方面，就业人员增加降低了农村居民人均纯收入的增长率，收入通过需求供给效应影响农产品价格，进而影响企业经营利润。
2.3 压力情景生成与宏观压力测试结果
2.3.1 压力情景生成
本文在对农发行遇到极端情景进行构造之前，利用时间序列模型对变量FER、NFA、RE进行了简单的ARMA模型预测，通过公式（1）、（3）和对残差项进行蒙特卡洛模拟生成基准情景；通过历史情景数据人为设定中压和强压情景下冲击因子的取值。变量自回归结果如下：
FERt=9.523 0.48FERt-1 ε1，t（6）
NFAt=-68.247 1.26NFAt-1 ε2，t（7）
REt=-0.002 0.852REt-1 ε3，t（8）
Et=（μt，ε1，t，ε2，t，ε3，t）（9）
分别通过冲击因子的时间序列模型、历史较低水平、历史最低水平和各自随机扰动项的蒙特卡洛模拟设定各经济因子在2013年的基准情景、中压情景、强压情景，虽然从自回归过程来看，宏观和行业因子只和其历史值有关系，和其他因子并无关系，但是由于残差项之间的相关性，使得因子间发生了联系，压力情景生成更为合理。对每一次模拟：
第一步，产生一个服从标准正态分布N（0，1）的4阶随机向量Rt 1；
第二步，对压力测试模型中残差项的特征值分解，由=AAT得到A，其中AT为A的转置矩阵。
第三步，用随机向量Rt 1乘以上一步获得的矩阵AT，Et 1=AT*Rt 1，Et 1即为式（1）、（6）-（9）式中误差项的模拟值。
第四步，将第三步获得的误差项模拟值和宏观和行业经济因子的t期值代入（6）-（9）得到Xt 1，代入式（2）得到Yt 1，利用式（1）反函数得t 1期基准情景下的不良贷款率。
第五步，设定宏观和行业因素冲击，因素冲击通过方差—协方差矩阵在上述模拟过程的第三步对其他变量产生作用，从而得到压力冲击下其他经济变量和不良贷款率的分布，按不同的置信度选取不良贷款率。
2.3.2 压力测试结果
2013年基准情景中FER、NFA、RE分别为16.86、8 413.398、-0.028 3，此时，不良贷款率均值达到0.71%，90%置信度下不良贷款率为0.96%。
在FER冲击下，中压情景、强压情景取值分别为15.57、11.77，不良贷款率均值分别为0.78%、1.02%。由测试结果可知农业农村经济发展受政策影响较大，中央和地方财政支出增长率增幅减少会提高农发信用风险，使不良贷款率分布右移。
NFA冲击下，中压情景取较低的增长率15%，此时NFA为7 741.129亿元，强压情景按1995年-2012年最低增长率-8.9%计算，NFA为6 671.55亿元，2种情景下的不良贷款率均值分别为0.93%和1.42%。这反映新增固定资产增幅减少，会减少企业投资需求，影响农业农村经济发展，从而提高农发行信用风险。
在RE冲击下，中压情景中第一产业就业人员增长率为-0.028 3，强压情景为1995年-2012年最高值，2种情景下的不良贷款率分别为0.76%和1.09%，随着农业生产技术水平提高，劳动人口出现过剩，农村居民人均纯收入降低，阻碍农村经济发展，所以，随着第一产业就业人员增长率提高，不良贷款率分布右移。
3 结 论
本文通过对农发行进行基于CPV模型的压力测试研究，筛选出影响农发行信用风险的经济因子，很好地完成了在各种压力情境下，对农发行信用风险的测试。结果发现：中央和地方财政支出增长率（FER），农、林、牧、渔业新增固定资产投资（NFA），第一产业就业人员增长率（RE）对农发行不良贷款率的影响是显著的。其中，中央和地方财政支出增长率与不良贷款率呈现负相关，在降低中央和地方财政支出增长率的冲击下，农发行不良贷款率分布因农业经济发展缓慢而右移；农、林、牧、渔业城镇新增固定资产与不良贷款率呈现负相关，在降低其增长率的冲击下，农发行不良贷款率分布右移；第一产业就业人员增长率与不良贷款率呈现负相关，随着第一产业就业人员的增加，农业企业经营成本增加，农村居民人均纯收入降低，不良贷款率分布在此冲击下会右移。
建议农发行关注农业农村经济发展、加快数据收集、完善内部评级制度，通过经济因子的时间序列回归和历史极端数据，采用蒙特卡洛模拟方法进行压力测试，提高预测信用风险的能力。
主要参考文献
[1]华晓龙.基于宏观压力测试方法的商业银行体系信用风险评估[J].数量经济技术经济研究，2009（4）.
[2]巴曙松，朱元倩.压力测试在银行风险管理中的应用[J].经济学家，2010（2）.
[3]徐明东，刘晓星.金融系统稳定性评估： 基于宏观压力测试方法的国际比较[J].国际金融研究，2008（2）.
[4]方洪全，曾勇.银行信用风险评估方法实证研究及比较分析[J].金融研究，2004（1）.
[5]任宇航，孙孝坤.信用风险压力测试方法与应用研究[J].统计与决策，2007（7）.
[关键词] CPV模型；宏观压力测试；蒙特卡洛模拟；信用风险
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2015 . 17. 062
[中图分类号] F832 [文献标识码] A [文章编号] 1673 - 0194（2015）17- 0117- 03
我国政策性银行在进行市场化改革之前所面临的风险主要来自政策层面，而在市场化的改革浪潮中，在农业发展银行的内部转型和业务领域拓展过程中，农业发展银行不仅面临宏观经济和政策风险，还面临行业经济波动带来的风险。研究需要从其风险的一般性和特殊性出发，探讨影响农发行信用风险的经济因子，设置压力情景，执行压力测试。
目前，关于信用风险影响因素和压力测试的研究已成为金融机构关注的焦点。在信用风险评估方面，Wilson（1997）提出的信用组合观点——Credit Portfolio View，首次分析了宏观经济变量对违约概率的影响；巴西央行（2011）采用分位数回归方法（Quantile Regression）度量信用风险，即信用风险同宏观经济因子间存在变化的线性关系。在压力情景设置方面，华晓龙（2009）运用多元回归定量分析宏观经济因素波动对中国银行体系贷款违约概率的影响，并通过假设情景法构建极端情景，进行宏观压力测试，但在变量的估计中忽略了随机扰动项；巴曙松、朱元倩（2010）从压力测试的定义、国际实践规范、执行流程等角度对相关文献和监管部门的调查研究报告进行了总结，归纳分析了压力测试的优缺点，讨论了压力测试中的实际操作细节及对于数据缺乏的发展中国家有效实施压力测试的方法。
从我国已出版或发表的相关著作论文来看，绝大多数论文将模型运用于商业银行，较少看到对政策性银行风险进行实证分析。在以往的压力测试中，往往忽略各个变量的随机扰动项及其相关性，使压力情景生成不符合实际情况。本文拟从我国农业发展银行的特殊性角度切入，通过CPV模型度量宏观经济、行业经济对农发行信用风险的影响。将各经济冲击引入到压力情景的设定中，在考虑随机扰动项及其相关性的基础上生成压力情景，执行压力测试。
1 模型的构建
CPV模型是一个宏观经济违约概率模型，它将整体宏观经济、行业经济构造成一套模型，把经济环境同整体贷款的违约概率结合起来。其最大的特点是将宏观经济指标纳入度量信用风险的模型中。使用Logit模型将不良贷款率转化为中介指标Y，以指标Y作为因变量与一系列经济因子进行多元回归分析，量化经济因子对不良贷款率的影响；使用影响因子的时间序列模型和蒙特卡洛模拟方法生成宏观压力情景，预测各情景下的不良贷款率。运用Logit转换保证不良贷款率取值范围在0到1之间；采用蒙特卡洛模拟方法保证回归方程中残差的随机性，避免用不良贷款率期望值代替不良贷款率，将尾部风险纳入考量范围，创建相关性的随机情景。
式中：Pt是银行在t时刻的不良贷款率；Y可以理解为反映银行不良贷款率和各经济变量的“中介指标”，Y受宏观和行业经济因子影响。
式（1）、（2）以“中介指标”Y为因变量，以各经济因子为自变量拟合回归方程，生成风险评估模型；式（1）、（3）为自变量的时间序列模型，以各经济因子历史数据为自变量拟合预测期基准数据，建立情景设置模型。从时间序列模型获得经济因子基准数据，根据历史数据，生成压力情景，带入风险评估模型，执行压力测试。式（1）、（4）反映模型随机扰动项不为0，并服从正态分布，式（1）、（5）说明随机扰动项之间存在相关性，这样处理的经济学意义是保证压力情景生成的合理性，即经济因子之间是相关的，且不良贷款率是由相关的经济因子和与经济因子相关的残差项所决定。
2 基于CPV模型的宏观压力测试实证研究
2.1 模型中变量的选择及其经济学解释
考虑到数据的可获得性和样本容量大小，本文选取不良贷款率作为评估信用风险的指标。一方面，在我国当前数据条件下，难以获取违约率数据，在银行年报中可供选择的代替变量有贷款迁徙率、不良贷款率。另一方面，鉴于银行业绩报告从2007年才开始正式公布迁徙率，过少的数据难以进行实证研究。因而，我们选取不良贷款率作为评估信用风险指标。
综合考虑农业发展银行的政策导向性和贷款对象的集中性，拟用反映农业农村经济状况的指标作为解释变量。作为政策性银行，农业发展银行的贷款对象主要集中于农业，包括棉粮收购企业、农业小企业等，其信用风险受到农业农村经济影响。鉴于经济变量的特征，数据的可获得性，解释变量的选取主要包括4个方向：①反映农业农村经济发展的指标，主要包括农业生产总值增长率AGDP，农、林、牧、渔业城镇新增固定资产NFA；②反映政府扶持力度的中央和地方财政支出增长率FER；③反映农村居民生活水平的解释变量主要包括农村居民人均纯收入增长率RINC，居民消费价格指数增长率RCPI，农业生产资料价格指数增长率，第一产业就业人员增长率RE；④反映借贷成本的一年期存贷款利率NR、NLR。
考虑到宏观经济统计特征及经济冲击发生的持续时间，变量值选取2000年-2012年的年度数据。数据来源于《金融统计年鉴》、《中国统计年鉴》、中国农业发展银行官方网站。
2.2 风险评估模型的估计
2.2.1 回归系数的估计和检验 代入2000年-2012年农业农村经济变量的数据和贷款违约率进行模型转换和多元回归估计。其中，AGDP、RCPI、NR、NLR均未通过t检验，但R2和F很大，分别达到96.1%、12.38，并且NF的VIF为21.53，说明原模型中存在多重共线性问题，通过逐步回归法，剔除了变量AGDP、NR、NLR、RINC、RCPI后，NFA的显著性水平大幅提高，FER、NFA、RE均通过了t检验，回归方程通过了F检验，且R2很高，回归方程的确定如表1所示。
从表1可以得出以下检验结果：模型整体拟合优度较好，R2=95.40%，且方程通过了显著水平α=0.05的F检验；回归系数FER、NFA、RE均通过了显著水平α=0.05的t检验，说明解释变量FER、NFA、RE对模型具有显著性影响；虽然解释变量RINC、NR对不良贷款率的解释力度较强，但它们与RE高度相关，这是它们从模型中被剔除的原因。
2.2.2 风险评估模型的经济学解释
从实证结果来看，模型中的不良贷款率与农业农村经济发展状况紧密相联。由式（1）知不良贷款率Pt与反映宏观经济的“中介指标”Yt的变动方向相同，即Yt越大Pt越大。由表2可以看出，FER、NFA在以Y为因变量的回归中系数为负，RE的系数为正。
FER、NFA、RE对农发行信用风险的影响主要包括以下几个方面。
（1）中央和地方财政支出增长率（FER）与不良贷款率（NPLR）变动方向相反。首先，与城镇经济发展水平相比，我国农业农村经济发展相对落后，对政策的依赖更为强烈，增加财政投入支持农村建设，提高农业生产技术，能够促进农村经济发展，降低农发行不良贷款率；其次，财政支出还表现在对农发行财政补贴的到位情况，作为政策性银行，农发行更多地是为农业农村经济发展服务，不像商业银行那样更加注重盈利，因而，通过增加财政支出有效提高财政补贴的到位率也可以降低其信用风险。
（2）农、林、牧、渔业城镇新增固定资产（NFA）与不良贷款率（NPLR）变动方向相反。通过增加对农业基础设施投入可以提高农业生产效率，降低生产成本，增加农业企业盈利空间，降低企业违约概率。通过增加农村基础设施投入，可以改善企业投资环境，提高企业投资需求，为农村居民创造更多农业以外的就业机会，增加农村居民人均收入，减少信用风险。
（3）第一产业就业人员增长率（RE）与贷款不良贷款率（NPLR）变动方向相同。主要是因为农业生产技术水平的提高，减少了对农业劳动力的需求，农业劳动力已过剩。一方面，就业人员的增加加大了企业经营成本，由经营风险转化为信用风险；另一方面，就业人员增加降低了农村居民人均纯收入的增长率，收入通过需求供给效应影响农产品价格，进而影响企业经营利润。
2.3 压力情景生成与宏观压力测试结果
2.3.1 压力情景生成
本文在对农发行遇到极端情景进行构造之前，利用时间序列模型对变量FER、NFA、RE进行了简单的ARMA模型预测，通过公式（1）、（3）和对残差项进行蒙特卡洛模拟生成基准情景；通过历史情景数据人为设定中压和强压情景下冲击因子的取值。变量自回归结果如下：
FERt=9.523 0.48FERt-1 ε1，t（6）
NFAt=-68.247 1.26NFAt-1 ε2，t（7）
REt=-0.002 0.852REt-1 ε3，t（8）
Et=（μt，ε1，t，ε2，t，ε3，t）（9）
分别通过冲击因子的时间序列模型、历史较低水平、历史最低水平和各自随机扰动项的蒙特卡洛模拟设定各经济因子在2013年的基准情景、中压情景、强压情景，虽然从自回归过程来看，宏观和行业因子只和其历史值有关系，和其他因子并无关系，但是由于残差项之间的相关性，使得因子间发生了联系，压力情景生成更为合理。对每一次模拟：
第一步，产生一个服从标准正态分布N（0，1）的4阶随机向量Rt 1；
第二步，对压力测试模型中残差项的特征值分解，由=AAT得到A，其中AT为A的转置矩阵。
第三步，用随机向量Rt 1乘以上一步获得的矩阵AT，Et 1=AT*Rt 1，Et 1即为式（1）、（6）-（9）式中误差项的模拟值。
第四步，将第三步获得的误差项模拟值和宏观和行业经济因子的t期值代入（6）-（9）得到Xt 1，代入式（2）得到Yt 1，利用式（1）反函数得t 1期基准情景下的不良贷款率。
第五步，设定宏观和行业因素冲击，因素冲击通过方差—协方差矩阵在上述模拟过程的第三步对其他变量产生作用，从而得到压力冲击下其他经济变量和不良贷款率的分布，按不同的置信度选取不良贷款率。
2.3.2 压力测试结果
2013年基准情景中FER、NFA、RE分别为16.86、8 413.398、-0.028 3，此时，不良贷款率均值达到0.71%，90%置信度下不良贷款率为0.96%。
在FER冲击下，中压情景、强压情景取值分别为15.57、11.77，不良贷款率均值分别为0.78%、1.02%。由测试结果可知农业农村经济发展受政策影响较大，中央和地方财政支出增长率增幅减少会提高农发信用风险，使不良贷款率分布右移。
NFA冲击下，中压情景取较低的增长率15%，此时NFA为7 741.129亿元，强压情景按1995年-2012年最低增长率-8.9%计算，NFA为6 671.55亿元，2种情景下的不良贷款率均值分别为0.93%和1.42%。这反映新增固定资产增幅减少，会减少企业投资需求，影响农业农村经济发展，从而提高农发行信用风险。
在RE冲击下，中压情景中第一产业就业人员增长率为-0.028 3，强压情景为1995年-2012年最高值，2种情景下的不良贷款率分别为0.76%和1.09%，随着农业生产技术水平提高，劳动人口出现过剩，农村居民人均纯收入降低，阻碍农村经济发展，所以，随着第一产业就业人员增长率提高，不良贷款率分布右移。
3 结 论
本文通过对农发行进行基于CPV模型的压力测试研究，筛选出影响农发行信用风险的经济因子，很好地完成了在各种压力情境下，对农发行信用风险的测试。结果发现：中央和地方财政支出增长率（FER），农、林、牧、渔业新增固定资产投资（NFA），第一产业就业人员增长率（RE）对农发行不良贷款率的影响是显著的。其中，中央和地方财政支出增长率与不良贷款率呈现负相关，在降低中央和地方财政支出增长率的冲击下，农发行不良贷款率分布因农业经济发展缓慢而右移；农、林、牧、渔业城镇新增固定资产与不良贷款率呈现负相关，在降低其增长率的冲击下，农发行不良贷款率分布右移；第一产业就业人员增长率与不良贷款率呈现负相关，随着第一产业就业人员的增加，农业企业经营成本增加，农村居民人均纯收入降低，不良贷款率分布在此冲击下会右移。
建议农发行关注农业农村经济发展、加快数据收集、完善内部评级制度，通过经济因子的时间序列回归和历史极端数据，采用蒙特卡洛模拟方法进行压力测试，提高预测信用风险的能力。
主要参考文献
[1]华晓龙.基于宏观压力测试方法的商业银行体系信用风险评估[J].数量经济技术经济研究，2009（4）.
[2]巴曙松，朱元倩.压力测试在银行风险管理中的应用[J].经济学家，2010（2）.
[3]徐明东，刘晓星.金融系统稳定性评估： 基于宏观压力测试方法的国际比较[J].国际金融研究，2008（2）.
[4]方洪全，曾勇.银行信用风险评估方法实证研究及比较分析[J].金融研究，2004（1）.
[5]任宇航，孙孝坤.信用风险压力测试方法与应用研究[J].统计与决策，2007（7）.