一、监管沙盒的最终目标在于推动创新与监管的良性互动

为有效应对金融科技创新等带来的监管挑战，妥善应对监管在支持创新和防控风险上的冲突，英国监管当局创新金融监管理念和模式，于2016年率先实施了“监管沙盒”制度，并得到了新加坡、澳大利亚、香港、日本、泰国、马来西亚、印度尼西亚等国家和地区金融监管当局的响应推广，成为了国际上金融科技等金融创新监管的新趋势。与此同时，近年来监管科技（Regtech）随着金融科技创新的快速发展而兴起，监管沙盒也成为了连接金融科技、金融创新与金融监管的重要抓手。

1、监管沙盒的重点是为金融创新提供安全快捷的测试环境

英国、新加坡、澳大利亚、香港等国家和地区的“监管沙盒”在运作模式、适用对象、准入标准等方面存在一定的差异，但理念都与计算机中的沙盒类似。计算机语境下的沙盒（Sandbox）是一种维护计算机安全的虚拟技术，是指在受限的安全环境中运行应用程序，并通过限制授予应用程序的代码访问权限，为一些来源不可信、具备破坏力或无法判定程序意图的程序提供试验环境。与此相应，监管沙盒的核心是为金融创新提供安全快捷的测试环境，通过限定条件、有限空间、全程监控的创新测试，既前瞻性地理解、识别和把控金融创新的潜在风险和负面影响，又通过及时有效的创新测试审查缩短金融创新的上市时间、减少所承担的监管成本，为金融企业开展负责任的、真正让社会获益的金融创新提供有效激励。

具体而言，英国等金融监管部门提出的“监管沙盒”，是在消费者保护的前提下，简化企业的金融创新审批程序，并通过“无异议函”、“个别指导意见”、限定范围内的法律“豁免”或者“限制性授权”（Restricted Authorisation，即范围有限的“行政许可”）等沙盒工具，允许企业在一定范围内测试金融创新活动，监管部门对测试过程进行全程监控，并对结果进行评估，进而判定对金融创新是否给予正式的监管授权，并在更大的市场范围推广。除监管沙盒外，英国还建设性地创设了适用于行业自律管理的伞形沙盒和虚拟沙盒，并联合50个国家或地区的金融监管机构和市场组织，组建全球性的监管沙盒——金融创新监管网络（Global Financial Innovation Network，GFIN），促进跨界的金融科技创新监管。

在机理上，监管沙盒类似于中国的改革试点：两者都是为了鼓励创新提高效率，通过设定“观察期”和限定范围来管控试点风险和保护消费者，然后总结经验教训和转件推广；不同之处在于，监管沙盒是一种常态化、规范化的制度安排，相关市场主体可以随时申请入盒测试，而改革试点大多是一事一议，新设试点和试点政策需要相关部门审批通过。正因如此，两者在稳定预期、市场引导和影响范围上存在一定的差异。

2、监管沙盒有助于防控金融风险和服务实体经济的统一

金融创新监管的关键在于推动创新与监管的良性互动，监管沙盒实现了支持创新和监管有效的有机统一。近些年来，我国金融科技快速发展，相关产品和服务创新不断推出，当前推出监管沙盒的意义不言而喻。但对监管沙盒的全面理解，需要放在国际金融监管演变的大背景下，以下三个方面值得关注：一是监管沙盒创新的不仅是监管工具，也是一种监管理念和模式。监管沙盒是次贷金融危机后“寻找监管新平衡”的有益探索，即在危机前的“轻触式监管”与危机后的监管全面强化之间寻求平衡，既不增加被监管者的合规成本，又提高了监管有效性。二是监管沙盒有利于监管者更好地履行双重职能。在我国的金融监管实践中，监管部门不仅要防控风险和维护金融稳定，也要促进金融体系提高服务实体经济的效率。上述双重职责在传统的监管模式下短期难以有效兼顾，但在金融沙盒模式下得到了有机统一。三是监管沙盒有利于促进理性金融创新。金融沙盒模式大大降低了金融创新的申请时间和合规成本，使得企业理性创新的成本收益比远高于不合理的监管套利，有利于减少金融创新乱象。

从监管沙盒的国际实践来看，监管沙盒的实施在提高监管效率的同时，也对监管部门提出了新的要求：一是监管部门要有足够的人才积累和过硬的专业能力，监管者需要及时更新监管知识，对各种创新技术、产品服务、商业模式具有深刻的理解力；二是监管部门要有相应的资源配置，针对不同的创新企业制定不同的监管测试方案，并持续进行跟踪评估，都需要大量的监管资源投入；三是要有完善的监督评价机制，监督评估机制要兼顾沙盒的标准、流程设计和监管人员的具体实施，避免监管沙盒准入审批“歧视”、沙盒测试“黑盒化”导致新的监管不公平，也要打消监管者“不敢作为”的顾虑。

二、我国监管沙盒设计需要做好三方面协调

在地方试点推出监管沙盒，其设计需要跟国家的顶层部署与实践的底层探索结合起来，重点处理好与竞争中性原则、技术中性原则、央地监管分工三个方面的协调问题。

1、监管沙盒与竞争中性原则有机协调

从国际经验来看，各个国家和地区的监管沙盒的适用对象和准入标准各不相同，但都明确了监管沙盒的准入标准和实施要求，且准入标准非常注重覆盖面和公平性。近年来，党中央、国务院在产业政策制定、国有企业改革和深化对外开放中都非常强调竞争中性原则。2019年12月，中共中央、国务院发布《关于营造更好发展环境 支持民营企业改革发展的意见》进一步强调了竞争中性原则，要求坚持公平竞争，对各类市场主体一视同仁，营造公平竞争的市场环境、政策环境、法治环境，确保权利平等、机会平等、规则平等，注重采用市场化手段，通过市场竞争实现企业优胜劣汰和资源优化配置。

就监管沙盒的设计而言，竞争中性原则的重点在沙盒的申请主体上，关注的焦点在于是不是金融机构、准金融机构和金融科技企业都可以申请，金融科技企业可以独立申请还是必须要跟金融机构合作申请？对于金融科技创新而言，不管是由金融科技企业发起，还是金融机构发起，只要有利于促进金融供给侧结构性改革和金融高质量发展，有利于改善金融体系的风险防控，有利于提升金融服务实体经济和人民大众的质效，那么都应该支持。按照竞争中性原则的实质，对于同样的创新项目或产品，金融机构可以申请入盒测试，金融科技企业应该也可以申请入盒测试。事实上，持牌金融机构的业务创新是有申报渠道的，可以报请监管部门审批，目前的重点是金融科技企业创新缺乏申报机制。

因此，监管沙盒准入设计应重点关注创新项目或产品，而非创新主体。考虑到我国目前的监管架构仍然是基于金融机构的分业监管，同时出于试点稳健起步的考虑，监管沙盒的准入一开始可以限定为金融机构申请、金融机构与金融科技公司合作申请，但在经过一段时间的经验积累后，应放开到金融科技公司等非金融持牌企业也可以单独申请。

2、监管沙盒与技术中性原则有机协调

随着金融科技和互联网信息技术的发展，技术中性原则越来越受到国家和地区的重视。我国2019年1月开始实施的《电子商务法》中也明确了这一原则，即法律对电子商务的技术手段一视同仁，不限定使用或不禁止使用何种技术，也不对特定技术在法律效力上进行区别对待。2019年8月，人民银行发布的《金融科技（FinTech）发展规划（2019—2021年）》 提出加强监管科技应用，也体现了技术中性原则。

金融科技领域中的技术中性原则大致是指，技术本身并没有好坏和风险大小之分，金融科技监管关注的并不是信息科技本身，而是信息科技应用于金融业务可能产生的风险。就此而言，金融科技中的技术中性原则应该包括两个层次，一个是金融科技——信息科技应用于金融业务，另一个监管科技——信息科技应用于金融监管。事实上，近年来金融监管部门也高度重视监管科技的发展，在2019年12月的中央经济工作会议之后，银保监会提出加强监管科技建设，重视技术在金融业的赋能；证监会新设科技金融监管局，推进科技与业务深度融合，以提升证券监管的科技化、智能化水平。

就监管沙盒的设计而言，金融科技创新试点和监管科技创新试点两类工作都已经在北京启动，都可以考虑通过监管沙盒进行测试和遴选。具体而言，监管沙盒也可以测试基于信息科技创新的监管方法和监管技术，从而更好地促进监管规则的修订和监管改革的实施，提高金融监管的适应性和有效性；同时，也有助于推动金融监管部门更好地处理海量金融数据和改善金融风险监测，减少监管滞后和失误。十九届四中全会提出，要提高金融体系的适应性、竞争力和普惠性，其中的适应性一方面是金融体系发展要更好地适应实体经济的需求，另一方面也包括金融监管体系要更好地适应金融创新发展，特别是适应金融科技创新发展。监管沙盒的设计，可以考虑同时促进这两个层次的适应性发展，既测试金融机构、金融科技企业的金融创新，也可以测试一些监管技术、监管工具的创新以及监管规则、监管政策的调整。

3、监管沙盒与央地监管分工有机协调

监管沙盒是多方参与的试验型动态监管机制，申请测试企业、各地方监管部门和中央监管部门的权力、责任和义务需要提前设定好。在我国中央—地方的双层监管架构下，地方政府监管的主要是准金融机构，中央监管部门监管的持牌金融机构，两者在监管职责分工、金融风险处置等方面存在较大差异。地方性监管沙盒的设计需要切实考虑我国中央—地方的双层监管架构以及各个监管部门的职责分工，并建立顺畅高效的监管协调机制。

在沙盒测试前，当前很多问题和政策在中央监管部门层面还没有得到明确，比如个人金融信息数据如何征集、使用和交互，地方性银行是否可以基于互联网和第三方支持开展跨区域助贷，相关的金融科技创新项目或业务可不可以在地方性监管沙盒里面先行先试，以及中央金融监管部门监管范畴内的业务是否可以申请进入沙盒测试。在沙盒测试后，地方性监管沙盒测试通过的产品和业务，能否得到中央金融监管部门的认可，是否可以在其他地方政府管理的范围、区域推广。此外，监管沙盒测试认可的金融科技创新可能会与现有的金融监管法规产生冲突，是否需要中央监管部门给出“监管豁免”“限制性授权”，中央监管部门是否应该修改监管政策。

如果监管沙盒在设计上能解决好这些问题，无疑有助于促进金融科技创新和金融监管发展的良性互动，避免出现监管双轨制，从而大幅提高金融监管的质效。同时，如何改革完善中央和地方监管协调机制一直是我国金融监管改革中的一块硬骨头，监管沙盒在设计解决好上述问题，也无疑有助于改革完善我国的地方与中央金融监管协调机制，推动我国地方金融立法体系进一步完善，为中央与地方金融监管部门的职责划分、风险处置、上下联动等方面探索一些好方案、好机制、好措施。

三、我国监管沙盒实施需要解决三个重点问题

结合我国金融监管体系的现状和监管沙盒的本质，地方性监管沙盒的实施需要重点解决好与现有创新监管机制区分、规范专业推进测试评估、风险处置防控衔接等具体问题。

1、监管沙盒与产品认证、项目审批的区分统筹

在监管沙盒推出之前，我国金融监管部门已经推出金融科技产品认证、金融科技应用项目审批等创新监管机制。2019年10月底，人民银行与市场监管总局发布《金融科技产品认证规则》和第一批的《金融科技产品认证目录》，明确了11项具体金融科技产品的认证规则。同时，人民银行还推出了金融科技应用试点审批机制，2019年11月人民银行营管部批准了77个市场主体共同申报的46个金融科技产品，涉及金融、医疗、社保、养老、三农等多个领域，期限为一年。监管沙盒和金融科技产品认证、金融科技应用项目审批都是针对金融科技创新，但在管理机制和适用对象存在差异。后续哪些产品和创新可以进入监管沙盒，哪些产品和创新应该转为产品认证和项目审批，已进入产品认证和项目审批的能否再转入监管沙盒测试，都有待地方政府与人民银行等中央管理部门进一步明确。

2、标准实施和测试评估的规范专业

监管沙盒测试的准入标准、测试标准和退出标准的设计是基础，但具体的标准实施和测试评估同样重要。具体而言，在沙盒准入阶段，金融机构、金融科技企业、准金融机构向监管沙盒提交产品或者项目测试申请后，谁来评定是否可以入盒测试。在沙盒测试阶段，创新产品或项目实施的总体风险状况和对消费者利益、金融体系稳定的影响效应，由谁来评估。在沙盒测试完成后，谁来评估决定这个产品是终止还是推广？这些评估实施主体是监管部门，还是组建评审专家委员会？如是专家委员会，其组建应遵循什么程序，对委员有什么要求？对此，可借鉴各国货币政策委员会、财政政策委员会、存款保险治理委员会等的治理机制，建立金融科技的产学研专家库，监管沙盒负责部门针对不同的创新产品和项目，从专家库中随机挑选相应的产学研专家组成评审委员会，由评审委员会来评估决定产品或项目是否准入、实施成效和退出应用。与此同时，建立公开透明的测试公开机制，适时对外公开评估结果和理由，接受公众监督，确保监管沙盒实施的公正、公平、公开。此外，还应注意监管沙盒的评估实施对标准设计的反馈，促进评估实施和标准制定的互动迭代。

3、企业风险处置和监管风险防控的无缝衔接

监管沙盒是要平衡好金融创新和风险防控，消费者保护是核心关键，落实好风险处置责任和风险补偿机制非常重要。虽然监管沙盒有准入要求，但测试产品和项目也会出现风险。测试申请机构作为风险处置的第一责任者，需要在测试前设计好消费者保护和风险补偿方案，涉及资金运作的项目还必须设置风险保证金，以补偿消费者的不合理损失。比如，英国行为监管局推出的监管沙盒明确要求，创新测试申请企业需要确保已经投入了足够的资源做好相应准备，包括了解金融法规、研发投入、潜在风险应对措施等，并且出现纠纷争端时，消费者可向金融申诉服务机构（FOS）和金融服务补偿计划（FSCS）求助。

在沙盒测试过程中，沙盒实施机构要确保测试主体的风险防控和补偿机制覆盖测试的全部流程，若测试企业不能满足风险控制和消费者保护要求，即可采取“摁暂停键”或退出沙盒的措施。此外，沙盒实施机构还要建立相应的风险防控机制，以防测试企业无法承担所有的风险责任或者做好所有的风险防控，如消费者的数据征集、使用和安全保护，避免金融风险的跨产品、跨机构和跨市场传染。概括而言，监管沙盒的实施需要明确入盒测试机构与金融监管部门之间、地方与地方金融监管部门之间以及地方与中央监管部门之间的风险防控责任，完善金融监管信息平台建设，构建金融风险实时监测预警机制，提升监管快速反应能力，加强跨市场、跨业态、跨区域金融风险的识别、预警和处置能力，避免风险在更大大范围传染和扩散。

一、事件

中国人民银行发布公告〔2019〕第30号，就存量浮动利率贷款的定价基准转换为LPR有关事宜（以下简称“切换规则”）进行公告，主要内容如下：

（1）存量浮动利率贷款的定价基准转换为LPR，自2020年1月1日起不得签订参考贷款基准利率定价的浮动利率贷款合同。已处于最后一个重定价周期的存量浮动利率贷款可不转换；

（2）2020年3月1日至8月31日期间，金融机构应与存量浮动利率贷款客户就定价基准转换条款进行协商，将原定价方式转换为以LPR为定价基准加点形成，也可转换为固定利率；

（3）商业性个人住房贷款的加点数值应等于原合同最近的执行利率水平与2019年12月发布的相应期限LPR的差值，且重定价周期不得短于一年；

（4）其他贷款的转换条款由双方自由协商。此外，央行还在答记者问中指出“大多数存量商业性个人住房贷款的重定价周期为1年且重定价日为每年1月1日”。

二、点评：切换本身不会明显影响利率

我们大致匡算切换规则对银行贷款收益率以及净息差的影响。我们的分析分为两部分，本部分先厘清切换规则对定价机制的影响；下一部分我们再进一步延伸，分析2020年LPR进一步下降的情景假设下，银行净息差的下降幅度及其对净利润增长的影响。

注意，下文中所提及的全部百分比，均为该项贷款占贷款总额的比例。

首先，结合《存款类金融机构人民币信贷收支表》《2018年金融机构贷款投向统计报告》，银行的存量贷款结构如下：30%短期贷款，20%房贷，50%其他中长期贷款（其中中长期消费贷占2%，一般是固定利率定价，但考虑到占比很低，故我们将其计入其他中长期贷款）。

以2018年末16家老上市银行数据为例，其贷款大约有40%会在一年内到期（这其中包括30%的短期贷款和10%剩余期限不足一年的长期贷款），这部分贷款不受切换规则影响，原因是这些贷款在到期后重新投放，即便没有切换规则，也会在明年到期且自然变为以LPR定价的贷款；

在剩余60%贷款中，我们进一步假设其各类贷款占比跟全部中长期贷款中各类贷款占比一致，则有17%为房贷（房贷占中长期贷款的29%，从而占剩余60%贷款的17%），43%为其他中长期贷款；

由于房贷一般是按1年重定价且重定价日为1月1日，我们假设这一行业习惯保持不变，则全部房贷在切换为LPR之后，不仅切换前后利率保持不变，而且即便2020年LPR下降，也要到2021年才会影响到房贷的定价。而对于其他中长期贷款，由于需要合同双方自由协商，我们假设其利率自切换之日起就直接反映LPR下降幅度。

按照前述分析，本次切换规则在2020年将影响中长期其他贷款（占贷款总额的43%），在2021年则对占比17%的房贷也产生影响，即相当于2021年贷款基准利率彻底消失，LPR取而代之。

根据上述贷款结构，我们测算规则切换对明后年贷款收益率的影响很小。谨慎起见，对不确定的变量采取偏保守的假设。

对2020年而言，受影响的是占贷款总额43%的中长期其他贷款。其受到的影响测算如下：从2018年末上市银行贷款到期日来看，5年期以上到期的贷款占比38%（按前文估算，其中房贷占比为17%），1~5年的24%；我们进一步假设贷款原始期限的分布规律跟到期日分布规律相同，则中长期其他贷款中有47%[47%=（38-17）%÷（38-17+24）%]为5年期以上贷款，53%为1~5年期贷款。考虑到95%的贷款都会在一年内重定价，因此这些贷款目前都是按最新贷款基准利率定价的，即5年以上4.90%，1~5年期4.75%，所以目前这部分中长期其他贷款的加权平均定价基准利率为4.82%(4.90×47%+4.75×53%)，跟最新4.80%的五年期LPR基本一致。也就是说，如果仅仅是将原本的贷款基准利率换为最新的LPR，那么切换规则对这部分贷款收益率基本没有影响。

对2021年而言，则是房贷进一步受到影响。由于央行规定房贷利率要保持切换前后不变，因此如果明年LPR不发生变动，则中长期房贷收益率也不受切换规则影响。

综上来看，我们认为切换规则本身对银行贷款收益率基本没有影响，因而也不会影响银行净息差。

需要注意的是，我们前述测算是假设切换过程中直接用LPR替换原来的贷款基准利率。由于央行规定中长期其他贷款在切换过程中可以自由商定条款，而目前信贷需求偏弱，因此有可能商定的结果是定价水平下行，这将对贷款收益率有一些负面影响，但具体影响程度难以量化。

三、延伸分析：假设未来LPR下降，对净息差影响几何？

对于明年银行净息差如何变，重要的不是切换规则，而是明年LPR会不会大幅下降（类似于过去的降息）？我们无法预判明年LPR下降的频次、幅度以及时点，但是由于目前市场普遍预期LPR会有所下调，因此我们进行简单的情景分析，以了解不同LPR下降情景下，银行净息差受影响的程度。

除了占比17%的房贷外，剩余83%贷款将在明年受到新LPR影响；而100%的贷款将在2021年受新LPR影响。我们以一种情形展示测算过程，其余情形仅展示结果。我们以一年期和五年期LPR均在2020年1月份下降5bps为例：

假设全部贷款将在明年中到期或切换为LPR，且切换为LPR的部分在切换当日就按最新LPR定价。考虑到几乎全部贷款在一年内重定价，因此可以认为前述83%的贷款均受到LPR下降影响，影响时长为6/12年（因为我们是假设年中到期或切换为LPR从而下降定价基准，所以仅下半年受影响），影响幅度为5bps（不考虑议价能力带来的上下浮比例或基点数变化）。

按上述假设，2020年全部贷款收益率将下降5bps*83%*6/12=2.1bps；因为贷款占生息资产的约55%，因此净息差将下降2.1bps*55%=1.1bps（这里我们不考虑LPR下降对其他资产的联动影响，也不考虑负债成本等的变动）。按2019年前三季度数据静态测算，这一变动幅度将拖累上市银行净利润增长0.8个百分点，影响不大。

按上述假设，由于2021年全部贷款将受到影响，且在1月1日即受到影响，则2021年贷款收益率将较2020年再下降5bps*100%*12/12-2.1bps=2.9bps，净息差将较2020年再下降2.9bps*55%=1.6bps。

如果是多次下降LPR，则可以将影响累加。比如考虑如下情形：假设从明年1月份开始，每隔一个月LPR下降5bps（即累计下降30bps，略高于过去的一次降息），则对2020年净息差的影响是1.1+1.1+1.1+1.0+0.6+0.2≈5bps，对2021年净息差的影响是1.6+1.6+1.6+1.7+2.1+2.5≈11bps。我们测算这一变动幅度将拖累上市银行净利润增长3.7个百分点；由于我们在年度策略中预计明年银行净利润增长大概在6~7%之间，这一影响幅度就比较大了。

因此我们认为，如果明年LPR下降幅度不大（比如下降5bps），则对净利润影响可以忽略；但如果LPR持续大幅下降（比如下降30bps），则对银行净利润增长的不利影响难以忽略。考虑到LPR未来的变动存在很大的不确定性（包括下降幅度以及下降时点），我们暂时维持年度策略观点不变，但需要密切注意后续LPR变动情况。

需要特别指出的是，前述测算依赖于很多假设，也没有考虑LPR调整对银行其他资产收益率和负债付息率的联动影响。而现实情形则复杂很多，因此误差在所难免，结果仅供参考。

四、投资建议（略）

考虑到LPR未来的变动存在不确定性，我们暂时维持年度策略观点不变，即预计2020年银行业整体盈利增速与今年持平，板块整体估值不会有太大变动。

五、风险提示

若宏观经济下行，可能影响企业偿债能力，进而对银行资产质量产生较大冲击；若LPR大幅下降，可能会对银行净息差产生更多不利影响，我们将密切关注；测算过程中存在大量假设和简化，因此测算结果与实际情况相比可能存在很大误差，结果仅供参考。

2009年以后，中国的债务水平持续攀升，尤其是企业部门的财务杠杆，一直保持着较快的增速。但与此同时，实体经济的增长则从2012年以后持续下滑。债务的不断累积，对应着的却是投资回报的逐步降低，企业的利润难以产生足够的现金回流以覆盖融资成本，导致企业的偿债压力开始增大，这对银行意味着信用风险的持续上升。

一、中小银行信用风险的现状

2012年以来，中国经济进入了增长速度换挡期、结构调整阵痛期、前期刺激政策消化期的“三期叠加”阶段。与实体经济的下行与结构调整相对应，银行业的信用风险也从2011年第四季度开始持续上升，不良率和不良贷款出现“双升”，并一直持续至今。截至 2019 年第二季度末，商业银行不良贷款总额达2.24万亿元，接近2011年末数据的6倍，不良贷款率1.8%，较2011年末上升了0.81个百分点。

从增速上看，银行业整体信用风险在2017年之后趋于平稳，但不同类型银行之间的分化日益明显。国有大型商业银行和股份制银行，在2017年以来，信用风险稳中有降，尤其是国有大型银行，不良贷款和不良率出现了小幅的“双降”，股份制银行则“一升一降”，不良贷款余额小幅上升，但不良率出现了下降。而与此同时，以城商行和农商行为代表的中小银行，信用风险的压力还在持续上升。城商行不良率从2016年末的1.48%上升至2019年6月末的2.3%，上升了85个基点（BP），同期不良余额则从1498亿元上升到3771亿元，翻了一番还多；农商行不良率从2016年末的2.49%上升至2019年6月末的3.95%，并曾在2018年中达到过4.29%，同期不良余额则从2349亿元大幅上升至5866亿元。

二、中小银行面临更大的信用风险挑战

一是受所在区域的经济运行状况影响。本轮银行业的信用风险上升，主要源自于实体经济增速的下行和经济结构调整，风险暴露有着较为明显的区域和行业特征，主要集中于产能过剩行业以及这些行业相对聚集的区域，从上市银行的数据来看，批发零售业（不良率9.75%）、制造业（不良率4.8%）和住宿餐饮（不良率2.93%）是信用风险相对突出的几个行业。中小银行业务开展的地域范围相对狭窄，如果区域经济调整剧烈，必然造成银行信用风险的上升。目前来看，中小银行内部的信用风险存在较为明显的地区分化，结构调整较大、经济下行压力大的区域，中小银行信用风险压力较为突出，而实体经济运行良好的地区，中小银行的运行状况则相对较好，信用风险已显著改善，部分银行已出现不良的“双降”。

二是受中小银行自身经营理念的影响。在实体经济持续下行的同时，少数中小银行仍抱有“规模至上”的发展理念，在实践中，脱离自身的管控能力，盲目扩张异地业务，更有少数银行，出于对短期利益的追求，利用同业、理财等“影子银行”业务来规避监管、扩张规模，“金融空转”“脱实向虚”愈演愈烈，埋下诸多隐患。2019年以来的几起中小银行风险事件，就是这些机构之前脱离外部环境和自身能力约束，盲目追求规模和利润增长所造成的结果。

三是受监管政策的影响。为引导银行充分暴露信用风险，推动存量风险的处置，银保监会于2017年出台了《关于调整商业银行贷款损失准备监管要求的通知》，明确要求银行将逾期90天以上贷款划入不良，并对银行拨备覆盖率采取差异化的监管措施。在监管的有力推动下，截至2018年末，大部分银行已经按照要求压缩了逾贷比（逾期90天贷款占不良贷款比例），多数银行逾贷比均压缩到了100%以内。对于中小银行而言，早期的信用风险暴露不真实，实际不良要远高于账面数据，导致逾贷比大大超过了监管的要求。也正因此，中小银行的不良率数据从2017年之后开始显著上升。需要指出的是，监管强化导致中小银行不良率和不良贷款余额大幅上升，并不意味着银行实际风险的增加，而是让存量风险更为充分暴露，推动中小银行加速存量风险的处置。

四是受中小银行自身风险管理能力的影响。控制信用风险最为重要的环节是从源头上控制不良贷款的形成。近年来，国有大型银行和股份制银行随着管理精细化以及风控系统的逐步完善，信用风险的生成已得到了较为有效的控制。但以城商行和农商行为主的中小银行，在信贷风险管理方面，仍存在诸多的不足，比如，缺乏对宏观经济金融政策和区域产业结构调整的研究，无法制定有效的信贷政策以防止系统性的信用风险；内部管理薄弱，“重抵押、轻管理”，对信贷管理体系和风险处置流程建设的投入不足；客户信用风险评级系统不健全，对客户的风险评级大多参考客户经理的主观判断，由此带来了诸多的风险隐患。

五是受中小银行风险处置能力的制约。除防范风险的生成外，存量风险的及时有效处置，也是降低信用风险的重要途径。在过去几年中，国有大型银行和股份制银行信用风险平稳向好，在很大程度上也与其加大了不良资产处置力度有关。在实践中，银行处置不良贷款主要有核销、转让、重组以及自主清收等方式。大型银行凭借自身能力的优势，并积极探索体制机制的创新，在不良资产处置方面已经形成了较为成熟和高效的模式。而绝大多数的中小银行，由于理念和能力的缺乏，在不良资产处置方面存在较为严重的瓶颈，内部处置速度慢、流程长，往往会贻误最佳的处置时机，导致最终的贷款本金损失率较大。缺乏消化存量不良资产的能力，也是中小银行信用风险居高不下的一个重要原因。

三、打造核心能力，化解中小银行信用风险

聚焦主业，回归本源。金融是经营风险的行业，换句话说，风险其实是银行经营管理的结果。因此，要从源头上实现对金融风险的合理有效管控，银行就必须要树立稳健、可持续的经营理念。从2012年以来，在实体经济持续下行的同时，金融机构出于对短期利益的追求，利用同业、理财等“影子银行”业务来规避监管、扩张规模，“金融空转”“脱实向虚”愈演愈烈，埋下诸多隐患。信用风险、流动性风险的频频暴露，就是部分机构之前脱离外部环境和自身能力约束，过度追求规模和利润增长的结果。在回归主业、支持实体经济的大背景下，银行要实现可持续发展，必须顺应经济、金融形势，及时调整经营发展理念，从规模至上转向质量至上，健全资本约束机制，制约风险资产的过快扩张，与此同时，优化资产负债结构，探索适合自身特点的可持续发展的模式。

精细化管理，控制信用风险。预计随着经济下行和结构调整的持续，部分行业的产能过剩还将持续存在，并成为银行信用风险最主要的来源。针对这类信用风险，银行需要做好以下几个方面的工作：一是做好客户分类管理，优化行业客户结构。对于产能过剩行业客户，银行应根据自身行业政策标准和客户实际情况，及时调整和夯实客户分类名单，加强对客户分类管理相关工作的监控和检查。同时实现对产能过剩行业的精细化分类，准确辨识风险所在，实现风险的有效分类管理。二是做好行业信贷限额管理，控制行业总量性风险。三是防范产能过剩行业相关行业风险。在产能过剩行业风险开始出现后，银行应当及时关注产能过剩行业的相关行业，及时采取增补抵押担保、总量控制和各种风险缓释措施，对严重产能过剩行业的上下游行业采取压缩融资，实现有序退出等方式以合理控制风险。四是关注产业政策的变动。产能过剩行业受政策变动的影响较大。银行应当及时跟踪产能过剩政策，对产能过剩政策所针对的行业和企业尽快采用压缩、转让、控制等措施防控风险。

加强内部协调，提升信用风险处置能力。信用风险的管理涉及从授信到不良贷款处置的全部过程，其间会涉及不同的业务条线、不同的业务部门。要提升管理效率，中小银行在内部管理上的提升和核心能力的建设必不可少。首先，进一步提升不良资产处置工作的定位。金融供给侧结构性改革背景下，信用风险已成为中小银行业务经营的约束和短板。不良资产处置不仅有稳定资产质量重要作用，在创造利润、释放拨备资源方面也具有十分重要的价值。中小银行要在强力遏制不良贷款增量的同时，将不良资产处置工作作为风险管控工作中的重中之重，统一思想认识，增强不良资产处置队伍配置，优化考核激励机制，确保实现资产质量管控目标。其次，强化行内部各部门的协同。积极协调资产处置、风险管理、信贷管理、授信执行、法律合规以及各前台客户部门，建立前后台协同互补、部门间联动合作的风险处置机制。第三，建立团队合作机制，共同化解复杂客户信用风险。对列入重点管理名单的大额不良贷款，针对某一处置项目组建一个专门的处置团队，团队成员由前中后台各部门人员共同组成，在确保信息传递通畅的基础上，各司其职、各展其长、团结协作、密切配合，共同化解大额不良贷款风险，能够更好地提高处置成效。第四，加强与外部机构的合作，积极探索不良资产处置的新渠道。一是加强与地方金融资产管理公司、专业服务商的合作，创新交易模式和交易结构；二是探索运用“互联网+”模式处置抵债资产（如：阿里拍卖平台等），提高处置透明度，提升处置价值。

10月主要经济数据都已经公布，工业增加值、固定资产投资和社会消费品零售总额的增速，都低于前值和预期，经济数据再现季末跳升而季初走弱。

经济供需两弱，核心原因有三个。一是生产端季末效应消失，加之出口交货值增速再度回落，共同拖累生产。二是地产新开工、施工和销售等数据都不差，可能受土地购置费用增速拖累，地产投资增速高位下滑了0.2%。三是双“11”导致部分消费需求后移，对10月的社会消费品零售有一定负面影响。

下面从生产和需求两个角度，对10月经济数据做进一步分析。

先来看反映生产的工业增加值。10月增速4.7%，相比于9月增速下滑了1.1个百分点，创下年内次低。三大门类中，采矿业的增加值增速下滑幅度最大，从8.1%到3.9%。产业链上看，下游的电气机械和器材制造业、计算机、通信和其他电子设备制造业的增速均较9月放缓，这两者的出口依存度较高，和10月出口交货值增速从-0.7%下滑到-3.8%的趋势一致。

10月汽车产量增速-2.1%，汽车行业增加值增速4.9%，相比于9月增速都明显改善。有一定的基数原因，也和部分省市执行国六排放标准后车企和经销商补库存有关。月度汽车产量的增量已经回落，在汽车终端零售不强的情况下，国六汽车补库周期可能将放缓，成为拖累工业生产的因素。

再来看需求端。今年1-10月固定资产投资增速5.2%，相比于前值下滑了0.2个百分点，创下年内新低。三大分项中，制造业投资增速回升，房地产和基建投资增速回落。

全口径基建投资累计增速从3.4%小幅下滑到3.3%，但单月增速从4.9%大跌到2.0%，各类基建补短板的政策效果并不显著。这也意味着制约基建投资的核心因素——融资难，并没有得到实质性的改善。

11月13日国务院常务会议，降低部分基建项目的资本金要求，同时允许发行权益型、股权型金融工具筹集资本金。此次降低资本金要求的五大行业，2018年投资额12.83万亿，按资本金最大下调比例5%计算，最多可以减少资本金6417亿。根据联讯证券建筑建材组的估算，理论上最多可撬动基建投资增长7.4%。

政策此前已经允许专项债所募集资金作为部分重大基建项目的资本金，本次国务院常务会议进一步放松资本金要求。后续稳基建的重点，可能转向解决配套资金问题，包括政策性银行加大贷款支持等。

2015年9月下调部分基建项目资本金的比例要求后，相关基建领域的投资增速止跌企稳或回升。随着政策着手解决基建融资难的问题，后续基建投资增速可能逐步回升。

今年1-10月，制造业投资累计增速2.6%，相比于前值提高了0.1个百分点。与之同步性很高的民间固定资产投资增速，则从前9个月的4.7%下滑到4.4%，显示制造业投资回升的动力并不足。

去年四季度至今，出台了诸多扶持民企的政策。央行数据也显示，9月末制造业企业中长期贷款余额增速11.3%，比去年同期提高了5.2个百分点，融资环境在改善。但在终端需求和预期改善前，制造业投资可能都难以有趋势性的改观，而是处于筑底阶段。

房地产方面，继续维持了很强韧性。前10个月商品房销售面积增速和销售金额增速，在“房住不炒”的调控基调下继续逆势回升，分别从-0.1%和7.1%，提高到0.1%和7.3%，其中销售面积增速还是今年首次转正。

商品房销售继续好转，可能的原因，一是开发商加大了促销以价换量；二是部分城市在“因城施策”框架下，变相放松了地产调控。

投资完成额增速从10.5%下滑到10.3%，在施工面积增速从8.7%上升到9.0%的情况下，投资增速回落可能的原因一是土地购置费用的拖累，二是PPI生产资料同比从-2.0%下滑到-2.6%，降低了单位施工面积的成本。

往后看，地产投资依然有很强韧性，短期不宜悲观。一是1-10月新开工增速10.0%，增速加快1.4个百分点，其中住宅新开工面积增速从8.8%提高到10.5%。二是房地产竣工面积增速从-8.6%快速回升到-5.5%，房企继续在赶工期，短期投资有支撑。

最后来看消费。10月社消名义增速7.2%，前值7.8%。实际社消增速下滑得更快，从5.8%下降到4.9%。两者的缺口从2.0%上升到2.3%，创下今年的新高，显示实物性消费品的通胀压力有所增加。

10月社消增速回落，和双“11”促销，导致10月部分消费需求后移有关。限额以上批发和零售中，化妆品类增速从13.4%下降到6.2%，家用电器和音像器材类增速从5.4%下降到0.7%，服装鞋帽针纺织品类增速从3.6%下降到-0.8%。这几个消费品类在双“11”中的促销力度大，我们认为10月它们的销售增速放缓与此有关。

从MLF利率下调和放松部分基建项目资本金要求来看，逆周期调控力度在加码。在GDP增速触及6.0%后，预计后续还将出台政策来托底经济。稳固投依然是下一阶段的重点，包括引导对重点领域的信贷投放、政策性银行加大对基建项目配套资金的支持等，预计将呈现基建投资回升、制造业筑底、房地产投资缓慢回落的格局，经济短期底部可能已经出现，对经济无需过度悲观。

今年双11刚开场1小时03分59秒，天猫成交额就突破了1000亿元，比去年提前了43分钟，全天成交额更是达到了2684亿元。与此同时，另一组数据更应引起注意：今年由于天猫向商家全面开放了消费信贷能力，开通花呗分期后，商家销售额同比增长超过90%。

这是一个消费金融扩大内需、拉动消费的力证。

过去几年中，与经济结构调整和居民财富增加相适应，我国消费金融市场迎来了快速的发展：一是中国经济快速增长，服务业等第三产业占比不断提高，消费升级加速，带动了消费贷款等零售金融业务快速发展；二是人均可支配收入不断提升，居民消费意愿增强，为消费贷款需求提供了支撑；三是金融科技与消费信贷业务的融合极大拓展了金融机构的服务半径、提高了服务效率、提高了业务处理能力等，有效降低了金融机构的业务成本，加快了消费信贷业务的发展。

经济的发展为消费金融提供了广阔的空间，而反过来，消费金融的健康发展，也能让金融更好地服务实体经济和民生，推动金融供给侧结构性改革不断深化。无论基于政策理论，还是国际经验分析，健康的消费金融在一国经济转型过程中具有极重要的作用，在我国经济结构调整与升级过程中，也不例外。从过去一段时间的发展来看，我国消费金融发展的价值体现在以下几个方面：一是扩大内需，拉动消费；二是促进消费升级，带动产业结构调整；三是践行普惠金融，实现共享发展。许文涛绘

扩大内需，拉动消费

2018年4月23日，中央政治局会议要求，“要坚持积极的财政政策取向不变，保持货币政策稳健中性，注重引导预期，把加快调整结构与持续扩大内需结合起来。”这是继2014年12月之后，中央政治局会议再提“扩大内需”。

扩大内需包括扩大投资需求和扩大消费需求。在企业杠杆率高企的背景下，扩大投资需求受到越来越多的制约，而扩大消费需求则大有可为。发达国家发展经验表明，一国经济在走向成熟的过程中，居民消费的数量和质量的提高将成为经济增长和结构升级的重要推动力。世界主要经济体的居民消费对于GDP的贡献长期在50%以上，美国接近70%。在全球经济增长放缓，国内经济处于结构转型升级的大背景下，由投资主导的经济增长模式难以为继，出口需求日渐疲乏，消费需求较好地发挥了对经济发展的稳定作用，居民消费将成为主导今后较长时期经济增长的持续动力，并由此推动经济加快转型，助力经济增长方式转变。

适度发展消费金融有助于拉动消费增长。自2009年开展试点以来，我国消费金融由点及面，全面铺开，国家相继出台了一系列政策鼓励、支持和引导消费金融的健康发展。随着相关政策体系的不断完善，消费金融在顶层设计中有了更清晰的定位，消费金融市场也得到快速增长，有力地促进了消费，为经济稳定增长提供了有力的支撑。2019年1-9月，消费对GDP增长的贡献率达到60.5%，远高于同期投资和净出口的贡献度（分别为19.8%和19.6%），消费金融在其中发挥了重要的作用。

促进消费升级，带动产业结构调整

对于消费者来说，消费金融能够增加其当前可以使用的资金，使得其面临的流动性约束得以缓解，进而促进消费者增加消费。而且，消费信贷对消费者消费的影响不仅体现在消费数量上，还体现在消费结构的变化上。从国际经验来看，在人均收入达到一定水平后，居民部门的消费结构会逐渐升级，表现为对非耐用品的消费占比下降，对服务的消费占比上升。

从国际经验看，美国从20世纪60年代以来，在居民消费中，非耐用品消费占比从1965年的36.9%下降至2018年的20.64%，耐用品消费占比从1965年的15.0%小幅下降至2018年的10.54%，而服务消费占比从1965年的48.1%上升至2018年的68.82%。如果中国的消费结构演进遵循类似的路径，意味着服务消费仍有极其广阔的发展空间，耐用品消费则会保持相对较快增长。

从中国的实际情况看，相关数据显示，消费金融不仅增加了消费者对耐用消费品的消费，近年来还开始更多向个人成长、自我提升的领域延伸，与健康、养老、教育、旅游等“非传统”商品相关的消费信贷规模不断扩大。

在推动消费升级的过程中，消费金融通过增加消费者对于高附加值产品的需求，促进高附加值产业的发展，从而进一步淘汰低端落后产能，从而带动产业结构调整。尤其是在投资和进出口贸易对于经济增长的贡献出现乏力的情况下，推动我国经济高质量发展，推动我国产业结构向中高端迈进。

践行普惠金融，实现共享发展

随着金融业的快速发展，很多机构和个人都已获得了充分的，在一定程度上甚至过度的金融服务。但是，仍有相当数量的普通居民和弱势领域（如小微企业、民营企业和“三农”领域）难以获得有效、充分的金融支持，有些甚至还面临着金融服务的空白。有鉴于此，金融供给侧结构性改革提出，“以市场需求为导向，积极开发个性化、差异化、定制化的金融产品”。其指向就在于优化金融机构体系与产品结构，解决服务对象不匹配的痼疾，使之更好地服务于实体经济与民生。

消费金融是普惠金融的重要组成部分。在我国，尽管消费金融发展历程并不短，但在很长时间里，银行消费信贷主要服务于央行征信体系覆盖的高净值、高收入人群，主要产品是信用卡与汽车贷款，许多潜在客户群体未被有效覆盖，尤其是年轻人群以及三线及以下城市或农村居民。一般而言，他们因较低的（或不稳定）的个人收入水平、不稳定的工作性质以及居住地较落后的金融发展状况难以得到消费信贷，无法缓解短期流动性缺乏，更提不上平滑消费。近年来，在政策不断推动与互联网快速发展的背景下，与场景相结合的消费金融创新，有效缓解了此类客户消费需求与消费能力存在缺口的问题，极大激发了年轻人群以及三线及以下城市居民的消费能力。一方面，通过释放长尾群体的消费能力，为经济稳增长提供了有力的支持；另一方面则大大促进了消费平权，将共享发展理念落到了实处。

切实保护金融消费者合法权益

从行业整体发展空间来看，预计我国消费金融行业整体仍会有一段时间的高速成长期，预计消费信贷占总信贷的比重仍有一定的上升空间。当然，在金融供给侧结构性改革的大背景下，消费金融行业的运营也将趋于规范，在这个过程中，贴近消费场景、合规经营的消费金融机构，竞争优势会愈发明显。从长远看，要实现消费金融的健康可持续发展，需要坚持以下几个重点：

第一，深挖有效的消费场景。相关金融机构应根植于有效的消费场景，根据客户的个性化需求调整和完善业务内容，同时在消费场景进行直接营销。通过对消费者喜爱场景进行深入挖掘，提升对相应金融产品对于消费者的吸引力。

第二，提高行业自律水平。从长远看，消费金融应真正立足于“以客户为中心”，围绕客户真实、合理的需求进行产品创新和营销，并加强贷后管理、监控资金流向，严格控制过度放贷以及资金挪用可能引发的风险。此外，还应严格遵守金融监管的要求，规范各类机构之间的合作，并切实保护金融消费者合法权益。有鉴于此，消费金融机构应在授信额度、利率定价、数据使用、贷后管理、机构合作以及守法合规等方面，加强行业自律，以确保消费金融的可持续发展，并真正为客户创造价值。

和9月2.2万亿和1.69万亿的社融信贷数据相比，10月份不足7000亿的数据让市场大跌眼镜，在低增量的冲击下，全口径的存量社融增速下滑了0.1%。

数据公布后，十年国开活跃券下行了近4个BP，多头的情绪再次被点燃。

我们认为10月的数据在总量上缺乏亮点，但腰斩是常态，不要因为实际值和预期及9月的环比对比相差太大而太过悲观

1、不能否认，由于专项债迟迟未下发、地产融资受到限制、制造业企业投资信心缺乏等原因，实体的有效融资需求还偏弱。

我们在10月密集走访了多家银行，得到的反馈和数据表现基本相符。

监管机构在稳增长的政策要求下，给银行给予了较大的政策压力，要求银行加大对实体经济尤其是中小企业（普惠金融）的信贷支持。

但在区域内，实际有效的融资需求相当有限，多数地区在依靠基建项目（或置换债务）和当地优势产业的龙头企业支撑，所以融资需求和地方政府的行为与基建投资的进度关系紧密。

如今专项债迟迟未发，银行在政策压力下的放贷选择十分纠结：优质企业不缺流动性，缺流动性的企业不敢放。部分地区的中小行甚至还面临大行下沉资质开展普惠业务抢夺客户的竞争压力。

很多银行在压力下，只能各谋出路，利用多种渠道与手段来实现监管的政策要求。这是今年前三季度信贷与社融底部回升，金融底筑稳的重要原因之一。

2、但需注意，10月金融数据腰斩是常态。近五年，每一年金融数据发布后，数据腰斩的报告与消息都会出现，背后有特殊原因。

1）季节性因素。每逢季末月，银行都会利用增加短期贷款等形式来增加存款，造成季末月的企业短期贷款高增，而这些冲存款的短贷在下个月会陆续到期，从而造成季末月过后的月份，短贷出现明显的负增长，拖累信贷增长。

今年这种现象尤其明显：10月企业短期贷款负增长-1100亿，4月与7月分别负增长-1400亿与-2100亿，或许与今年各家银行要规模，吸储压力更大有关。

此外，每逢季末月，银行都会将各种信贷项目集中释放，10月的各项信贷均大幅低于9月，这是历史规律。

由于今年监管机构将对制造业企业的中长期贷款纳入至MPA考核项中，银行在季末集中释放项目，冲贷款的诉求会进一步加深，对季末月过后月份的拖累与损耗也会加大。

2）工作日偏少。10月有国庆7天的假期拖累，银行放贷工作的时间更短。

3）从历史上来看，为了备战明年年初，四季度银行的信贷增长都会偏低，社融和信贷很难出现前三季度的高增长。

今年形势比较微妙。经济增速已经触及6%的政策底线，稳增长的压力加大，专项债在四季度是否下发仍然迷雾重重。

如果提前下发，并在四季度加大稳增长的力度，那么银行表内可对接的有效融资需求可能就会出现好转，年内社融和信贷的表现依然值得期待。

退一步讲，如果四季度稳增长的力度低于预期，社融增速继续超预期下行，可能会带来交易，快进快出做波段的好机会，但中期来看，对债券市场也许并不是一件好事。

今年四季度经济周期继续向下，只会意味着明年一季度稳增长的力度会更大，专项债发行与基建项目下发落地的速度会更快，社融和信贷超预期的概率更大。

再加上快速上涨达到高点的通胀，届时债市的环境可能会更加严峻。

3、分项来看，表外融资项（尤其是未贴现银行承兑汇票）环比出现了超预期的下滑，和信贷一起构成了10月社融低增长的主要拖累。

在表外融资项中，信托贷款新增-620亿，和过去三个月的新增规模基本一致。房地产信托实行余额管控，部分信托公司不让新增房地产信托业务仍是主要原因。

根据用益信托网的数据，10月份集合信托投向房地产、工商企业类规模环比下降60%，而基础产业信托则环比增加了50%。

委托贷款在经历了连续两三个月的环比好转后，10月份再度大跌，新增-660亿。

在委贷新规没有放松的监管环境下，委贷出现大波动，实际原因仍然不明确，猜测与到期规模的变化，或者监管执法强度的变化等因素有关。

未贴现银行承兑汇票新增-1000亿，环比大幅恶化；表内票据受此影响，环比也明显恶化，10月仅低增了214亿，创年内新低。

从我们调研了解的原因来看，票据的异常，一在于监管机构加强了对票据真实贸易背景的审查，严查票据套利现象；

二在于对房地产行业的票据融资属于对房地产行业的信贷支持，在当前严调控的环境下，有些银行很难再新增，部分银行担忧房企的信用资质，也有意收紧了相应的票据业务；

三在于10月份在局部发生了关于票据的事件，可能影响了部分银行票据业务的开展。

国家统计局11月9日公布了10月份CPI（居民消费价格指数）、PPI（工业生产者出厂价格指数）数据。10月份CPI同比涨幅进一步扩大至3.8％，而PPI同比继续下降，至负的1.6％。CPI和PPI的“剪刀差”进一步扩大。

联讯证券首席经济学家李奇霖点评称：

1、CPI同比3.8％，明显高于市场预期的3.4％。主要由猪肉和替代品涨价贡献，畜肉影响CPI同比2.92个百分点，其中猪肉影响了2.43个百分点，贡献率为63.9％。非食品同比从1.0％下降到0.9％，核心CPI同比持平于1.5％。

2、从生猪存栏和仔猪价格看，受非洲猪瘟和补贴不到位影响，生猪供给缺口将继续扩大，带动猪肉和替代品涨价。由于去年低基数，11月CPI同比可能突破4％。

3、PPI环比0.1％，同比-1.6％，工业品通缩，CPI与PPI裂口扩大。房地产调控加码，出口负增长，制造业投资低迷，基建对冲力度不够，总需求拖累生产资料同比从-2.0％下降到-2.6％。

4、CPI同比上涨主要由猪肉贡献，但猪肉涨价涉及民生，而且有向其它商品传导的风险，仍会限制货币政策宽松空间。应对CPI与PPI的裂口扩大，预计后续将以引导LPR报价下降为主，降低实体融资成本。短期将控制总量货币工具的使用，避免刺激全社会对物价上涨的预期。与此同时，财政政策扩大逆周期调节力度托底经济。

物价事关千家万户，是最基本的民生问题，维持物价稳定，是中央银行四大目标之首。对资本市场而言，物价问题的重要性也不言而喻，经典的美林投资时钟理论，根据经济和物价的组合，将经济划分为不同阶段，每个阶段对应着不同的最优投资策略。

物价指标众多，经常用的有CPI和PPI，其中CPI的关注度又最高。本报告以CPI为主，主要介绍CPI的基本概况、分析和预测方法等。在文中对比CPI与其它物价指标时，也会介绍一些常用物价指标的情况。

一、CPI基本概况

CPI全称是Consumer Price Index，中文意思是居民消费价格指数，度量居民生活消费品和服务价格水平随着时间变动的相对数，综合反映居民购买的生活消费品和服务价格水平变动情况。

（一）CPI调查方法和统计范围

CPI采用抽样调查方法抽选确定调查网点，按照 “定人、定点、定时” 的原则，直接派人到调查网点采集原始价格。数据来源于全国31个省（区、市）500个市县、8.8万余家价格调查点，包括商场（店）、超市、农贸市场、服务网点和互联网电商等。

CPI统计的是典型消费者，所消费的一揽子商品和服务。根据国家统计局分类，CPI统计调查涵盖的全国城乡居民生活消费的商品和服务，可以分为食品烟酒、衣着、居住、生活用品及服务、交通和通信、教育文化娱乐、医疗保健、其他用品和服务等8大类、262个基本分类。

和CPI关系密切，但统计范围又有所不同的物价指标有核心CPI和RPI。核心CPI是在统计CPI调查中，除食品和能源两个项目以外所有其他项目的价格数据。RPI全称是Retail Price Index，即商品零售价格指数，只统计实物性的城乡商品零售价格，不包括各类服务价格。

（二）基期轮换

CPI反映的是典型消费者，所购买的一揽子商品和服务价格变动情况。由于收入水平、消费习惯、商品供需结构变动等原因，典型消费者购买的一揽子商品和服务也会变化。为了让CPI调查所涉及到的商品和服务更具代表性，更及时准确反映居民消费结构的新变化和物价的实际变动，需要定期更新一揽子商品和服务的分类和权重。

在现行统计制度下，中国每五年进行一次基期轮换。和多数国家相比，中国的基期轮换周期较长。在基期轮换年份，根据《居民消费支出分类》和全国城乡居民消费支出数据，对CPI的分项和权重做一次大调整。在非基期调整年份，各分项的权重也会根据居民支出结构的变化而微调。

最近的一次基期轮换在2016年，以2015年作为新一轮的对比基期，新的基期使用年份为2016年到2020年。这一次基期轮换，各个分项的调整变化如表所示。

（三）估算权重

国家统计局没有公布CPI8个大类、262个基本分类的权重，在分析、预测时需要估算主要分项的权重。可以通过以下两种方法的结合，大致估算一些分项的权重。

一是国家统计局每个月发布的物价通稿中，会公布一些分项的同比（环比）和它对整体CPI同比（环比）的拉动值，据此可以估算出这些分项的权重。公布对整体CPI同比或环比拉动值的，主要是食品烟酒和它的部分分项，食品烟酒外的七大分项涉及较少。

以2019年9月CPI食品烟酒项为例。根据国家统计局物价通稿，9月食品烟酒价格同比上涨8.4%，影响CPI上涨约2.49个百分点，那么据此可以算出食品烟酒在CPI一揽子商品和服务中的权重为2.49%÷8.4%=29.64%。同样根据9月食品烟酒价格环比上涨2.6%、影响CPI上涨约0.80个百分点，可算出食品烟酒在CPI一揽子商品和服务中的权重为30.76%。

使用相同方法，可以估算出2019年9月其它有同比（环比）拉动数据分项的权重。

金融数据终端Wind资讯上有部分分项的权重，每月更新一次。将其最新的权重，与上面我们根据同比和对CPI同比整体拉动值计算的权重做比较，发现两者数值一致。可以推算Wind资讯，也是用这些项的同比和对CPI同比的拉动值来估算权重的。

用这种方法估算权重，有两个显而易见的问题。第一，使用同比数据和环比数据，所计算的结果有较大差异，9月份在畜肉和猪肉这两项上体现得很明显。第二，使用相同分项不同月份的同比（环比）数据，计算的权重也不一样，比如今年的猪肉项。

一个相对可行的解决方案是，取当年已经公布数据的月份，使用同比数据所计算的权重的平均值，作为该年某个分项在CPI中的权重，以此来平滑月度数据的波动。比如现在可以取1-9月根据猪肉项同比和它对CPI同比的拉动，所计算出的各月猪肉项权重的平均值2.29%，作为2019年CPI猪肉项权重。

使用同比数据，而不是环比，主要是因为环比和它对CPI环比的拉动值，通常比相同月份的同比数据更小，因而通过环比数据计算的权重误差更大。

二是使用“全国居民人均消费支出”、“城镇居民人均年度消费支出”数据，估算主要分项的权重。

CPI统计范围是典型消费者所消费的一揽子商品和服务，各个商品和服务的权重，是对应项的支出占一揽子商品和服务总支出的比例。从统计意义上看，一个支出结构和全国居民人均消费支出结构相同的消费者，可以认为是一个典型消费者。实际上，CPI各个分项的权重，确实也是根据全国居民人均消费支出结构来确定的。

2015年到2018年，全国居民人均消费支出的八大项占比，如表所示。

下一步估算部分CPI二级分类的权重。面临的问题，一是全国居民人均消费支出数据，只公布了八个一级分类，没有公布更细致的二级分类数据，因而无法直接计算。二是国家统计局没有公布所有的CPI二级分类数据，比如居住项，除了租赁房房租和水电燃料外，还有建筑及装潢材料、自有住房，但建筑及装潢材料、自有住房这两个CPI二级分类的数据不再公布，这导致使用线性拟合的方法来测算CPI二级分类权重，会产生很大误差。

城镇居民人均年度消费支出，包含了一部分消费二级分类支出的数据，可用它来代替全国居民人均消费支出数据。但它面临着数据时效性的问题，2013年后不再公布了。

假定2013年至今居民消费中，食品烟酒以外的消费结构没有发生大变化，结合前面计算的全国居民人均消费支出占比和食品烟酒部分分项的权重，可大致估算出2019年全国CPI一级分类和部分二级分类的权重。

（四）翘尾和新涨价

可以将CPI同比，拆分为翘尾因素和新涨价。根据定义，CPI同比指的是典型消费者所购买的一揽子商品和服务，价格相对于上一年相同月份的变动情况。价格变化包括两部分，一是上年这个月到上年12月的价格变化，二是当年1月到当年这个月的价格变化。前者就是翘尾因素，反映了上一年商品和服务价格变动，对CPI同比的影响。后者就是新涨价，反映了当年商品和服务价格变动，对CPI同比的影响。

以今年9月全国CPI为例。翘尾因素是去年10月到去年12月价格的变动，这3个月的全国CPI环比分别为0.2%、-0.3%和0.0%，可以计算出翘尾是（1+0.2%）（1-0.3%）（1+0.0%）-1=-0.10%。

新涨价是今年1月到9月价格的变动，这9个月的全国CPI环比分别为0.5%、1.0%、-0.4%、0.1%、0.0%、-0.1%、0.4%、0.7%和0.9%，可计算得新涨价为（1+0.5%）（1+1.0%）（1-0.4%）（1+0.1%）（1+0.0%）（1-0.1%）（1+0.4%）（1+0.7%）（1+0.9%）-1=3.13%。

翘尾因素-0.10%加上新涨价3.13%是3.03%，和公布的9月CPI同比3.0%一致。

用同样方法，可以计算出今年1-12月的CPI翘尾，以及今年1-9月的CPI新涨价。

（五）为何PPI难向CPI传导

PPI全称是Producer Price Index for Industrial Products，指的是工业生产者出厂价格指数，反映工业企业产品第一次出售时的出厂价格的变化趋势和变动幅度。PPI统计调查涵盖1638个基本分类的20000多种工业产品的价格，它的组成可从大类（7类）、工业部门（15类）和工业行业（39类）三个层次来划分。

和PPI概念相近的有PPIRM，即Purchasing Price Indices of Raw Material，指的是工业生产者购进价格指数，反映工业企业作为中间投入产品的购进价格的变化趋势和变化幅度。它的统计调查涵盖900多个基本分类的10000多种工业产品的价格。

PPI指数反映的是一揽子工业品出厂价格，CPI指数反映的是一揽子消费品和服务的价格，工业品位于产业链的上游，因而理论上存在着PPI对CPI的传导。

但实际上，PPI同比对CPI同比，并没有很明显的领先性。2015年之前两者更像是同步指标，2015年之后PPI同比的变化幅度远大于CPI同比，且两者走势不再同步。

2015年之前，PPI同比和CPI同比之间的同步性，源于PPI和CPI之间相互影响。PPI影响CPI的渠道，一是通过生活资料价格直接影响CPI；二是通过生产资料价格影响消费品价格；三是生产资料价格先影响生活资料价格，再影响消费品价格。而CPI影响PPI的渠道，一是CPI中的部分消费品是PPI中的原材料，比如农副产品；二是CPI中消费品与PPI中的生产资料有相同的原材料，消费需求变动影响价格，从而传导到PPI。

2015年之后，供给成为主导PPI的因素。但终端需求不强，PPI难以向CPI传导，两者之间的同步性趋于消失。

PPI的波动难以向CPI传导，主要原因有两个。一是统计口径不同，CPI中至少有55%的分项和PPI无关，包括属于服务的35%和食品（农产品）的20%。二是波动因素不同，CPI核心波动分项是食品，PPI核心波动分项是生产资料，而两者交集，即CPI中的工业消费品（权重约为30%）和PPI的生活资料（权重约为25%）价格相对稳定。

二、CPI分析和预测

这部分从两个维度来分析和预测CPI。一是自上而下视角，主要是定性分析影响CPI的宏观因素。二是自下而上视角，主要是定量测算CPI同比。

（一）自上而下分析

从自上而下的视角看，影响CPI的宏观因素主要有产出缺口、货币政策和输入性因素。

1、产出缺口

单一商品的价格，由供给和需求两个因素共同决定，通过价格机制平衡供需。从宏观视角看，典型消费者所购买的一揽子商品和服务的价格，同样由供需决定。当需求大于供给时，CPI有通胀压力，反之当供过于求时，CPI有通缩压力。

可以用经济的实际产出，即实际GDP，来表征经济体的总需求。而一个经济体的供给能力，即潜在产出，由技术水平、资本和劳动力等生产要素共同决定，但这些因素都难以量化。因此，不能直接对比经济的供需情况。

可以通过HP滤波来解决这个问题。假定经济体的实际产出，围绕经济体的潜在产出波动，而经济体的潜在产出变动是平滑的。通过HP滤波方法，可以将实际产出分解为趋势项和扰动项，趋势项就是潜在产出，扰动项就是产出缺口。

使用2006年以来的季度数据分析，可以发现产出缺口对CPI同比走势有很强领先性，领先时间在半年左右。

今年两者走势有所分化。GDP增速持续下台阶后，二、三季度产出缺口有所收窄。但CPI同比由于猪肉供给短缺，中枢不断上移。剔除猪肉这个单一因素的影响后，物价通缩的压力更大，和产出缺口收窄的趋势一致。

2、货币政策

货币政策影响CPI的传导链条是货币扩张→经济加快→需求扩张→CPI上涨，通过提振总需求来影响物价水平。这意味着基本面因素更为重要，它决定了CPI对货币的弹性，如果货币宽松没有提振总需求，CPI对货币政策的反映可能较弱。

衡量货币因素的指标很多，包括基础货币、M1、M2和社融等。但近年这些货币指标，和CPI通胀之间的关系都在减弱，货币因素在中国CPI中的重要性越来越不显著。

我们认为，导致这一现象的原因，主要有以下几个。

第一，监管因素的扰动。比如M1同比，2015年之前对CPI同比有明显的领先性，但2015年之后这种领先滞后关系消失了，一个重要原因是2015年地方债务置换开始，对非金融企业活期存款有扰动，但这对实体需求的影响很小，使得M1和CPI之间的关系脱钩。

再比如M2同比，在2012年—2016年和CPI同比有很强同步性，但2017年后金融监管趋严，同业渠道派生的流动性减少，M2增速持续回落，但这对实体经济的影响，没有M2回落那样明显。

第二，资产通胀在CPI中体现得不多。吸收货币的不只是消费品和服务，还有各类资产，比如房地产就是中国最大的信用加速器。但房价并不直接进入CPI，CPI居住项里面的自有住房，没有采取房产交易价格，而是根据房贷利率、物业管理费、维修费涨幅加权得到的虚拟房租而定。

第三，货币政策主要通过需求来影响CPI，但供给因素有时是CPI的主导因素。比如今年的CPI通胀上升，就主要是猪肉供给短缺引起的。

但又不能完全忽视货币因素对通胀的影响。诸多货币指标中，社融相对而言更值得关注。社融体现了金融体系对实体部门（居民与非金融企业）的支持情况，也反映了实体的融资需求，历史经验显示它领先于经济半年左右。货币政策通过需求端来影响通胀，社融是一个相对直观，也更合乎逻辑的中介指标。

3、输入性因素

输入性因素对国内CPI的影响，主要有进口商品和汇率这两个渠道。

一是进口商品。进口商品价格变动，也会影响国内的物价水平。2014年之前进口价格指数的统计以美元为计价标准，可以发现进口价格指数和CPI同比之间的同步性较高。2014年开始进口价格指数的统计调整为以人民币作为计价标准，两个的同步性消失。

计价货币调整后，两者相关性逐渐减弱和消失，可能原因是当以人民币计价的进口商品价格涨幅更大时，国内产品消费替代，减少一部分进口，反之当以人民币计价的进口商品涨幅更慢，或者跌幅更大时，会加大进口。这导致的结果是，进口商品会平抑国内的物价波动，使得CPI同比变化幅度小于以人民币计价的进口商品价格波动。

二是汇率。人民币贬值，会增加一部分进口商品的成本。正如前面分析，当进口商品价格涨幅更大时，会有一部分国内商品的消费替代。从数据上看也是如此，人民币有效汇率指数，和CPI同比之间，没有很明显的反向关系。

可以认为，当前人民币汇率对国内CPI的影响并不显著。核心逻辑是汇率主要影响工业品和易储存农产品的进口价格，但国内工业消费品的价格相对稳定，而食品中价格变化较大的是猪肉和蔬菜，中国进口的猪肉量占消费比例不到5%，受汇率的影响小，蔬菜价格则主要受天气和节日因素影响，和汇率的关系也不大。

（二）自下而上分析

从自下而上的角度，可以通过环比均值法、环比+高频指标法和波动预测法，来定量测算CPI同比。

1、环比均值法

环比均值法估算CPI同比，是利用CPI环比具有明显季节性规律这一特点。因食品涨价、出行成本上升等原因，通常春节所在月份的CPI环比是年内高点。春节所在月份的次月，由于春节影响消退、天气逐步转暖等，肉类和蔬菜等降价，CPI环比下滑至年内低点。4月到6月的CPI环比在多数年份保持平稳，数值围绕0小幅波动。7月到9月由于暑假交通出行需求增加，以及雨水天气影响蔬菜的种植和运输等，CPI环比上升。10月回落，11月到次年1月因严寒天气影响冬季蔬菜运输、圣诞和元旦的季节性消费需求增加，CPI环比逐步上升。

基于季节性规律，可以取前三年，或者前五年对应月份的CPI环比平均值，作为当年某月的CPI环比，再用环比累乘法，计算出同比。

使用环比均值法时，需要注意春节错月的影响。多数年份的春节在2月，但也有在1月的，比如2017年和2020年。使用前三年的CPI环比均值，来计算2020年1月的CPI环比时，应该取2017年1月、2018年2月和2019年2月这三个月CPI环比的平均值，相应2020年2月的CPI环比应该取2017年2月、2018年1月和2019年1月这三个月CPI环比的平均值。

举个例子。2016年到2018年这三年10月CPI环比分别为-0.12%、0.11%和0.20%，平均值为0.06%。那么计算今年10月CPI同比的步骤是，先用去年11月到今年9月的CPI环比+1，然后这11个数累乘，再乘以1+0.06%，最后减去1得到10月CPI同比为2.89%。

使用环比累乘法计算CPI同比时，有几个缺陷：

一是环比均值使用的是往年数据，不能体现当月新出现因素对CPI的影响。比如非洲猪瘟导致猪肉涨价、洪涝灾害对菜价的推动等。后面要讲的环比+高频指标法，尝试着去解决这一缺陷。

二是环比均值法自身的技术性问题。国家统计局公布的CPI环比，只保留了一位小数点，即使是用官方公布的环比累乘所得到的同比，和国家统计局公布的同比数据之间，也有差异。CPI环比数据精确度不够所产生的计算误差，是环比均值法难以避免的。

三是虽然CPI环比具有季节性规律，但在不同年份，仍然是有波动的，而环比均值法平抑了实际环比的波动，预测时间越长影响越明显。

2、环比+高频指标法

环比+高频指标法，将CPI统计的商品和服务，拆分为食品和非食品两大类，食品项的环比用高频指标拟合，非食品项的环比采用历史均值。

估算食品项的环比时，一是可以用农业部农产品批发价格200指数的环比，对其做整体拟合。

两者回归时的拟合优度为0.75，根据回归方程可以估算CPI食品项环比。

二是对于有高频指标的食品项，比如蔬菜、水果、猪肉、牛肉、鸡蛋等，可以用高频指标各自单独拟合，而没有高频指标的食品项，则用往年环比均值。

估算CPI非食品项环比，以环比均值为基础。使用高频指标来拟合时，面临两个问题：一是CPI非食品项权重的信息较少，所估算的权重和实际权重可能有较大出入，即使是能通过高频指标得到较好的拟合，在加权计算CPI环比时，也容易产生误差；二是高频指标和对应CPI分项环比的走势不一致，如全国城市住房租赁价格指数环比和CPI租赁房房租之间的同步性并不强。

2019年CPI食品项的权重约为19.3%，非食品权重为80.7%。10月农业部农产品批发价格指数环比为1.8%，根据上文的回归方程计算得10月CPI食品项环比为0.88%。前三年10月CPI非食品项的环比均值为0.17%。加权计算得10月CPI环比为0.31%，环比累乘法计算出10月CPI同比为3.1%。

如果使用猪肉、鸡蛋、鲜果、鲜菜的高频指标估算环比，其它项取前三年的CPI环比均值，计算得10月CPI环比约为0.43%，同比为3.3%。

3、波动预测法

波动预测法测算CPI同比的思路是，找出CPI中同比波动较大的分项，根据供需状况，对其单独作分析。由于其它项的同比波动较小，可以将其当成一个整体来考虑，同比取前期的移动平均值。

从统计学角度看，标准差能够反映一列数据的离散程度，标准差越大，这列数据分布得越零散。通俗一点来讲，就是一列数的标准差越大，它的波动率越高。

使用2016年1月到2019年9月的数据，计算CPI食品烟酒项的各个子项和7个非食品烟酒项同比的标准差。发现猪肉、鲜菜、鲜果、畜肉、蛋类这几项的标准差，要明显高于其它项。由于CPI畜肉项同比的高波动，主要来自于猪肉，因此可以认为猪肉、鲜菜、蛋类和鲜果这四项，是CPI同比的波动之源。在预测CPI通胀时，需要对这四项做重点分析。

油价对CPI的影响也较为明显，而且关注度很高，还需要重点分析油价。国际油价对CPI的影响，主要有三个渠道：

一是通过交通工具用燃料。使用2016年1月到2019年9月的数据，以滞后一期的WTI原油期货价格月度同比作为自变量，CPI交通工具用燃料作为因变量，回归分析的拟合优度达到了0.86。

通过回归可知，CPI交通工具用燃料对WTI油价的弹性为0.34，乘以它的权重2%，可以估算出WTI油价每变动1个百分点时，通过交通工具用燃料这一项影响后一个月的CPI同比0.0068个百分点。

二是通过居住项中的水电燃料。同样将2016年1月以来的滞后一期WTI原油期货价格月度同比作为自变量，CPI居住项的水电燃料作为因变量，做回归的拟合优度为0.50。

回归分析发现，CPI居住中的水电燃料项对WTI油价的弹性为0.03，乘以它的权重5.2%，可以估算出WTI油价每变动1个百分点时，通过水电燃料这一项影响后一个月的CPI同比0.0016个百分点。

三是通过交通成本影响蔬菜价格。据统计蔬菜零售价格中物流成本占比约为50%-60%，而物流成本中油费占比在40%左右，前面已经计算过交通工具用燃料对油价变动的弹性为0.34，再乘以鲜菜项在CPI中的权重2.55%，可以计算得通过运费——蔬菜这一渠道，油价对后一个月CPI同比的影响弹性为0.0019。

当前PPI向CPI的传导并不强，通过中间化工品的渠道来影响CPI的幅度有限，这里不做具体分析。综合考虑上述三个渠道，CPI同比对国际油价的弹性为0.0103，即国际油价每变动1个百分点，将造成后一个月CPI同比同向变动0.0103个百分点。

因此，对CPI同比的观察最终可以分为三部分：一是猪肉、鲜菜、蛋类、鲜果，二是油价，三是其他项。

利用上述分类将2017年1月-2019年9月的CPI同比数据进行拆解，可以发现，除了每年1-2月存在春节错位因素，导致其他项同比出现较大波动外，在大多数时期其他项对于CPI同比的拉动是较为稳定的。

基于这一事实，我们可以取某月前6个月其它项同比的移动平均值，作为其它项在这个月对CPI同比的拉动，以简化之后的测算思路。而把分析的重点，放在猪肉、鲜菜、鲜果、蛋类和油价等几大重要分项上。

（1）猪肉

和大多数商品价格变动同时受供、需两端变化的影响不同，猪肉消费的需求比较稳定。根据国家统计局数据，2013-2017年中国人均猪肉年消费在20kg左右，2018年有所增加，但总的来说猪肉需求基本平稳。

相比之下，猪肉的供给波动更为剧烈。商务部此前公布过季度的生猪供给指数和猪肉需求指数，可以看到生猪供给指数波动幅度明显大于猪肉需求指数。

因此猪肉价格变化主要受供给因素影响，我们对猪肉的分析也集中于供给端。

衡量猪肉供给能力，最常用的指标是中国政府网公布的能繁母猪和生猪存栏数据。但在规模化养殖程度提高、生猪出栏率提升背景下，这些指标所反映的生猪供给能力，和实际情况之间的偏差越来越大。例如2012-2018年生猪存栏数据在持续下滑，但是出栏数据基本维持稳定。

与之相对应的是生猪定点企业屠宰量，这一数据不受生猪养殖出栏率提高的影响，是反映猪肉供给最直接的指标。12个月移动平均生猪定点企业屠宰量同比，和22省市猪肉价格走势之间，有较强的负相关性。

而12个月移动平均的能繁母猪存栏同比，领先于12个月移动平均的生猪屠宰量同比6个月左右。能繁母猪存栏同比到目前为止还是快速下行的，这意味着至少到明年上半年，生猪供给缺口都面临较大压力。

猪肉是中国居民最主要的肉类消费品，中国消费的猪肉超过全球一半，而且以国内养殖为主，2018年进口猪肉量占我国猪肉消费的比例不到3%。从全球猪肉出口数据看，在极限情况下也只能解决10%的缺口。

当前由于非洲猪瘟的高致死率、高传染性和财政补贴不到位，即使单头出栏高利润，养殖户补栏的积极性也并不强。猪肉高价可能会抑制一部分猪肉需求，未来涨幅将放缓，但是受限于供给缺口，至少2020年上半年的猪肉绝对价格水平将持续处在高位。

（2）鲜菜

CPI鲜菜项同比波动很大，仅次于猪肉项，但从历史数据看，它的环比却有很强季节性。春节所在月份是年内高点，春节所在月份的次月环比大幅下降，2季度由于蔬菜上市多数年份的CPI鲜菜项环比为负，3季度则因雨水天气影响运输蔬菜环比也较高，4季度容易受天气影响季节性规律不如其它时间明显。

CPI鲜菜项环比的强季节性规律，源于鲜菜的生长周期短。小白菜、空心菜、生菜的生长周期不到一个月，油麦菜、小油菜、大白菜、豌豆、青蒜的生长周期在40-50天。这使得即使是遭遇大范围的洪涝灾害，鲜菜供应也能在2个月内恢复。从2010年后遭遇洪灾的年份看，在遭遇洪灾冲击后，CPI鲜菜项环比在2个月的超季节性上涨后，就开始恢复到或低于季节性了。

因此，我们可以通过鲜菜的季节性判断其环比趋势，然后通过环比来计算同比。

（3）蛋类

判断鸡蛋价格走势时有一个很关键指标——蛋料比价。从历史上看，除少数时期外，蛋料比价跌破盈亏平衡点后，蛋料比价都有一轮强劲反弹。今年也是如此，2月中旬至3月中旬，蛋料比价低于平衡点，养殖户出现亏损，3月中旬开始鸡蛋价格和蛋料比价都快速反弹。

预计未来鸡蛋可能会有进一步的涨价压力。第一是因为随后的元旦、春节等都是传统消费旺季；第二是猪肉涨价产生消费替代，进而带动鸡蛋涨价；第三是饲料成本的上升，豆粕和玉米占自配饲料成本的近8成，玉米由于农业供给侧改革目前库存处于低位，而今年以来豆粕价格持续窄幅震荡，其对中美经贸关系的反应趋于钝化。

因此，在消费旺季、猪肉涨价替代效应和饲料成本三个因素共同作用情况下，未来鸡蛋有进一步涨价的可能。

（4）鲜果

水果也是今年二季度市场关注度较高的食品分项。由于去年山东、陕西等苹果主产区减产使得今年苹果低库存，苹果大幅涨价。而作为中国消费量最大的水果品种，苹果涨价又带动了其他水果涨价。加之今年春季海南、广东等热带水果产区遭遇了异常天气，两个原因共同导致今年四月开始水果价格出现大涨。

对比历史数据，可以发现水果价格具有季节性规律。在短期供给冲击消退后，恢复正常趋势。因此，在判断鲜果价格未来趋势时，以CPI鲜果项的环比均值为基础，根据供需情况对环比进行加成。

（5）油价

原油作为特殊的大宗商品，受供给、需求和地缘政治的影响。供给方面，呈现OPEC、美国和俄罗斯三足鼎立的局面。需求方面，OECD国家和非OECD国家的需求，大约各占一半。

地缘政治短期会扰动油价，但只有在原油供需缺口本身就在收窄时，地缘政治冲突才会持续推升油价，比如1973年中东战争和2003年的伊拉克战争。如果国际原油整体处于供过于求时，各类地缘政治冲突，即使是中东战争，对国际油价的冲击也很难持续，因为此时国际原油市场的供给能够得到保障，短期情绪推升油价后又恢复正常。2014年伊拉克内战，2015年也门内战，今年10月沙特阿美油厂遭袭，油价也都只是在短暂跳升后又恢复正常。

因此，供需是判断中期油价趋势的基础。根据美国能源信息署（EIA）预测，2020年全球原油供给将增加160万桶/天，另一方面，随着全球经济放缓，需求仅增加130万桶/天。2020年除四季度外，原油整体将处于供过于求的状态。

从价格方面来看，EIA预测2019年WTI原油期货结算均价为56.26美元/桶，2020年为54.43美元/桶。从EIA公布的月度预测数据看，WTI原油价格月度同比于今年12月短暂转正后开始回落，2020年4月见底后开始回升。

前面分析过油价对国内CPI同比的影响渠道，这里可以利用EIA预测的国际油价月度同比，来定量测算国际油价对国内CPI的影响。

（6）其它项

前面已经提到过，基于CPI其它项的同比变动相对稳定，取前6个月的移动均值，作为CPI其它项的同比。

（7）定量测算CPI同比

定量测算的步骤如下：

第一，对猪肉、鲜菜、蛋类、鲜果这四项，在2016年到2018年对应月份环比均值的基础上，根据供需状况进行加成，得到今年对应项的环比。用环比均值法计算出各项的同比后，再乘以对应的权重，计算出各项对CPI同比的拉动。

第二，取前6个月CPI其它项同比的移动平均值，作为今年10月-2020年12月CPI其它项的同比。再乘以权重，得到其它项对CPI同比的拉动。

第三，使用EIA做的WTI油价预测结果，计算出WTI油价的同比，再乘以弹性系数0.0103，得到油价对CPI同比的影响。

第四，将上述三个步骤的结果加总，得到2019年10月-2020年12月的CPI同比，如图所示。

测算结果显示，10月CPI同比在3.5%左右。由于低基数，11月继续跳升。因春节错位，2020年1月CPI同比可能突破4.5%。

截止目前，我国已经有多家纯线上运营的互联网银行，经过几年经营，其模式已得到初步验证，但其未来发展前景仍有待观察。本报告首先详细介绍其业务模式、风控模式，分析其2018年经营成果，然后讨论该模式对整个银行业可能的影响。

一、银行业舞于浪潮之巅

互联网银行是现代信息技术在银行业应用的最新阶段，而在过去半个多世纪以来，技术应用一直在进步。自上世纪后半叶以来，银行业持续引进计算机技术、信息技术等科技手段，不断实现自身的业务技术升级（整个金融业的技术进程也是类似，但本报告聚焦于银行业）。我们大致将银行业引进信息技术的过程分为以下三个阶段：

电子银行阶段：大约始于上世纪六七十年代，我国银行电子化进程略晚于西方，但差距并不算大。随着二战后全球经济快速增长，金融交易的金额和笔数日益增加，原先的手工处理逐渐不堪重负，出错率还高，西方发达国家的银行业开始尝试引进计算机技术，替代一些手工操作，其划时代的发明即为自动取款机。前台用计算机处理业务，后台有存储设备，内部由专用网络联接，并逐步建立了内部信息管理系统，这基本上构成了银行计算机系统的标准配置。除了高效处理业务外，还能使管理层、监管层能够更高效地掌握数据，便于更科学的经营和监管决策。后来，计算机在银行业中的应用逐渐深入，最终成为了行业基本配置。

网络银行时代：大约从1990年代开始，计算机网络技术——尤其是后来的互联网技术开始应用于银行业，不但全国银行业实现了互联互通，还使很多标准化程度较高的业务逐渐实现了网络化、在线化办理。我国于1995年由中国银行推出了内地第一例网上银行，随后各银行持续跟进，接入渠道有的是网银软件，有的是直接在网页上登陆网银。随着手机功能增强，2001年之后，手机等移动终端开始接入互联网，出现了移动互联网，随之很快便有银行在移动互联网上推出网上银行服务，又称手机银行（但在智能手机成熟之前，以WAP等方式接入手机银行体验不佳，未得推广）。

目前网上银行、手机银行已成为各家银行的基本配置。网上银行、手机银行极大便利了客户，实现随时随地业务办理，且大幅降低了单笔业务办理成本，使一家银行实现了对大量零售客群的高效服务。但由于当时技术条件所限，并无法实现所有业务的网络化，只能办理查询、理财、支付、转账等之类的标准化业务，但开户、贷款等业务仍然无法纯线上办理，办理放贷业务，银行仍然需要在线下审核贷款申请人。

互联网银行时代：进入21世纪之后，互联网技术日渐成熟、普及，开始在各行各业应用，互联网应用不再是早期网站主办方向互联网用户单方向提供内容，而是开始出现各种由客户参与交互的应用，比如论坛社交、电子商务、资料共享、作品发布等。大约在2004年前后，Web2.0概念被提出，又称UGC（User Generated Content，即用户创造内容），泛指各种用户主动参与的互联网应用。而与之对应的，就是Web1.0，即由网站主办方向用户单方向提供内容。在UGC模式下，用户的各种参与行为使数据、信息、内容的生产创造速度大幅度提高，各种互联网应用平台开始快速积累数据。经过多年积累，至2008年前后，开始形成“大数据”概念，用于形容维度丰富、总量巨大的海量数据。

几乎所有人都意识到了大数据深藏巨大的价值，但价值密度很低，有用的信息被淹没在巨大的数据量中，更像金矿，而不是现成的金子，需要采矿、提炼等工序才能得到金子，即有用的信息。于是，部分互联网企业开始进一步挖掘数据价值，尝试数据的其他应用，包括在商业、金融领域的应用。最后，互联网金融（具体到银行业则是互联网银行）的概念被提了出来，通过大数据刻画客户特征、辨别风险，最终开始尝试纯线上放贷，从而突破了网络银行时代的局限。因此，“互联网金融”一名显得有些不够准确，网络技术在第二阶段便已成熟了，第三阶段的创新之处在于大数据。

我国最早尝试纯线上放贷的机构是大型银行，它们拥有巨大的客群和数据，为了更好地服务客户，开始探索纯线上放贷。但后来以蚂蚁微贷为代表的互联网小贷公司则将其作为主要业务，进行了更大力度的开发和推广。而当纯线上放贷业务趋于成熟之后，才诞生了真正意义的、与客户可以自始自终不用见面的互联网银行。

当然，以上三个阶段的划分是非常粗略的。比如，第一阶段在银行内部其实也已经有了网络技术。再比如在第二个阶段，即网络银行阶段，就已经有了互联网银行的尝试，1995年，全球第一家无物理网点的互联网银行安全第一网络银行（Security First Network Bank）在美国成立，但并没有类似现在的大数据等资源和技术，也只能实现类似传统银行的网上银行的服务功能，因此经营效果并不理想，后来被其他传统银行收购。

从以上三个历史发展阶段，我们发现，银行业在新科技的应用上非常积极，在各行各业中居于较为领先的水平。同时，很多新应用的普及程度也较快，大部分卓有成效的技术最后都会变成行业基本配置，实现技术普及。目前，传统银行和互联网银行均已进入第三阶段，先后推出纯线上放贷业务，极大拓展了原先的信贷客群，挖掘了新的业务空间，是银行史上革命性的技术突破。

二、纯线上放贷的主要技术原理

纯线上放贷是指不与客户见面，完全依靠所掌握的数据和信息，在线上就实现了客户拓展与营销、完成风险定价（信用评价）实现放贷。传统银行和无物理网点的互联网银行均可从事这样的业务，但传统银行是将其作为自己传统业务的补充，而互联网银行则将此作为主营业务。本报告主要以互联网银行为样本，介绍这种纯线上放贷业务。

互联网银行并无精确定义，我国的银行监管分类上也无互联网银行一类，本报告所指的互联网银行，是指无物理网点（或虽有个别物理网点，但并不在全行业务中起主要作用，只是起到类似旗舰店的形象功能，比如新网银行、苏宁银行），并且依靠大数据风控，实现纯线上放贷经营的银行。我国目前主要有深圳前海微众银行、浙江网商银行、四川新网银行、江苏苏宁银行、中信百信银行等。除百信银行外，其余几家均为近几年先后成立的新民营银行，监管分类上归为城商行。

这些银行均依靠互联网、大数据实现客户的拓展和风险评价，但根据其主要客户、数据是来源于体系内和体系外，又可区分为专属客群模式和全客群模式。以微众银行、网商银行为代表，它们的客户主要来源于股东单位的互联网平台、生态圈，一般是互联网平台上的存量客户，本身已积累了较多大数据，同时也会从外部获取一些数据，相互结合，最终完成风险评价，我们将这一模式称为专属客群模式。这一模式下，由于机构本身便已对客户非常熟悉，因此事先精选了优质客群来定向推介信贷产品，更像是“邀请制”，而不是任何人都能主动申请贷款，未被选中的客户甚至在APP界面上都看不到申请贷款的链接。

而其他银行，股东或关联方不能提供类似的资源（或仅能少量提供），主要客群、数据均来自体系之外，则属于全客群模式。当然，两者之间也不是泾渭分明的，专属客群模式的机构也可以在自己体系之外拓展客户。但很显然，全客群模式更具可推广性，因此是我们研究的重点。

大数据主要用于客户拓展与营销、信用风险评价，本报告主要讨论信用风险评价及授信决策。任何授信决策必然包括对客户还款能力、还款意愿的分析，同时还要关注完成上述分析所花费的成本，成本合理才能实现商业可持续。因此，核心问题是还款意愿分析、还款能力分析和成本优化控制。

还款意愿：这类纯线上放贷，目标客群往往是无法获取常规银行信贷服务的人群，信用水平一般较为下沉，很多人没有纳入央行征信系统，而征信报告是传统上评判一个人还款意愿的重要依据。由于缺乏征信报告，因此需要银行借助其他数据来分析这些客户的还款意愿。由于这类客户单笔金额较小，真正还不起钱的可能性较低，分析其还款意愿更为重要，这主要依赖于反欺诈系统，排除恶意申请贷款的人。反欺诈系统不是互联网时代的新生事物，银行传统信用卡业务已经建有这一系统，但新时代的技术大幅提高了反欺诈系统的功能。它本质上是一个通过观察客户的行为来识别坏人的系统，主要是观察客户的各种异常行为，来判断用户是不是“坏人”，甚至是不是有坏人冒充用户。比如客户在表格输入信息的指法习惯、上网的时间、设备或地点等行为信息，一旦出现异常，则可能遇上恶意申贷的坏人，需要及时拒绝。

还款能力：利用大数据预判客户的还款能力，即大数据信用风险评价（有时简称大数据风控），原理上主要是一个个回归模型。这一过程大致划分为前后相连的三个阶段：首先是建模期，先选定一些变量（包括原始变量和组合变量，组合变量就是由其他原始变量相互计算而成的新变量），以过去的变量的历史数据为基础，与后来的信用结果（还款情况）之间寻找相关性，找到与信用水平最为相关的变量，并以此构建征信模型；然后是验证期，用以测试验证模型，代入不同于建模样本的历史变量数据，得到模型预测的信用结果，再与最终真实的信用结果比对，观察模型预测的信用结果是否有效；最后，在实战中运用该模型，将新客户的这些变量输入，得到对信用的预判，即信用评价。

以上为整个过程中最为关键的三个阶段，此外还包括数据采集和处理、模型的跟踪与优化提高等相关工作。比如，在后来的模型使用过程中，还会持续跟踪实际运用的结果，不断迭代优化这些模型。如果长期不优化模型，不排除某些较为专业的不法分子能逐渐大致猜测出哪几个变量是最为重要的，于是针对性地“刷分”，获取贷款。我们把整个完整流程体现为下图：

过去，征信专家凭经验寻找变量，收集并处理数据，构建模型，并测试模型的有效性。但现在各类技术发展后，开始使用机器学习等方式，自动从海量数据中找到相关性显著的变量，有时出来的模型结果不一定具有可解释性（无法解释该变量和信用的相关性）但却是有效的。而且，即使不考虑不法分子“刷分”的原因，该模型也不是一成不变的，可能随着客户样本、时间的不同，模型需要不断迭代更新。

起初，放贷机构面对的可能是从未获取贷款的客群（是指整个群体都未获得过贷款），那么也没有代表还款情况的因变量可用来构建模型，此时一般只能先由征信专家挑选可能与还款相关的变量，尝试性地放款，看到信用结果后，再慢慢积累经验、完善模型。

成本优化：由于获取变量的数据是要付出一定成本的，因此，面对新申请贷款的客户，不能一口气把模型中全部可能涉及的变量数据都买来，而是会准备不同的优化模型，购买少量关键数据，便能排除一大部分客户，然后剩余的客户再购买其他数据，再排除一批，依次进行下去，直至产生最后的征信结果。以此，便尽可能在被拒绝贷款申请的客户身上节省数据费用。

通过上述几项系统，银行或其他放贷机构便可以客户的大数据为基础，以合理成本，实现对陌生客户的风险评价，完成授信决策。专属客群模式的原理也是一样的，只是其数据来源可能更好一些。上述模式的主要成本包括营销成本、数据获取成本、模型或系统开发成本等，由于该模式兴起年限还不算长，因此整体成本水平不算低，这也导致了现有的几家互联网银行放贷利率均较高，我们在后续的财务分析中分析这一点。

三、样本银行的财务分析

我国目前有多家互联网银行从事（或主要从事）纯线上放贷业务，也有传统银行从事这一业务。我们以披露了2018年年报的互联网银行为样本，基于他们的财务报告数据，分析这一商业模式的财务经营效果。同时，我们将A股上市银行的合计值作为全行业的平均水平，用来对比。

目前，列入样本的是微众银行、网商银行、新网银行、苏宁银行。前两家完全无物理网点，且属于专属客群模式，后两家有一家总行网点，但并不在全行业务中起主要作用，且属于全客群模式（当然股东方也会有一定的资源支持）。这四家成立时间都不算久，各银行的基本信息如下：

以下我们从资产负债结构、盈利情况两个方面，分析互联网银行的财务经营效果。

3.1 资产负债结构分析

首先，我们对比互联网银行与行业的2018年末资产负债结构：

从资产结构上看，大部分互联网银行的贷款占比与全行业较为接近，均在50%左右。但是其他非信贷资产的配置则较为多样。有些银行积极参与金融投资，主要是包括各种债券等，这一点与全行业类似，也是银行流动性管理的常规操作。但同时，互联网银行留存的现金与准备金普遍较多（有些银行还有较高比例的同业资产），可能是流动性管理需要，当然也可能是由于成立时间不长，资产投放能力还在建设过程中，因此有富余流动性。但整体而言，与全行业比，资产结构并不算非常异常。

负债结构上，则发现大部分互联网银行存款占比较低，有些甚至大幅低于行业水平（68%），而同业融资占比更高。这突出反映了互联网银行由于无网点优势，也无基础客户积累和结算网络优势，无法大量吸收低成本的结算存款，只能靠一些收益率较高的存款产品来吸收存款，此外还要依赖同业融资，所以整体负债成本必然不低，这会深刻反映在银行的利息收支上。

3.2 盈利能力分析

接着，我们根据互联网银行的盈利情况。以下是它们2018年利润表的杜邦分解：

从以上数据上看，互联网银行普遍资产收益率较高，部分贷款产品收益率甚至达到10%以上，远超行业平均水平。这也意味着，申请这类贷款的客群，主体是不被传统银行贷款产品覆盖的客群，比如职场新人、小白领、蓝领、小生意主、微型企业等，收入水平不算特别高，在手头紧的时候需要周转资金（其他高收入人群主要从传统银行处获取信贷服务，利率更低）。这类贷款大部分体现为个人消费贷、个人经营贷或者小微企业贷款，属于普惠金融范畴，受政策鼓励，主要竞争对手是一些仍有法律争议的现金贷、民间借贷等，相当于将“灰色信贷”纳入正规银行信贷服务，积极意义巨大。但是，由于也导致了一些中低收入人群过度借贷，在贷款伦理上也引起一些争议。总体上看，这是一个积极意义较为明显的业务品种，是向长尾客群推广普惠金融的有力举措。

但同时，负债成本率也不低，尤其是在很难吸收结算存款、主要依靠高成本负债的情况下，总的负债付息率明显超出行业水平。利息收入与利息支出相抵后，几家互联网银行的净息差水平显著高过行业。但除利息支出外，业务及管理费也不低，“业务及管理费/平均资产”在1.1~4.5%之间，而行业平均水平仅0.76%，高出非常多，显示出互联网银行在数据购买、技术研发投入方面成本并不低。然后，“资产减值损失/平均资产”也高于行业，主要是这些客群本身信用水平低于传统银行，但整体不良率还是维持在了可控的水平，甚至低于行业。

最后，大部分互联网银行获得了超过行业水平的ROA、ROE，不良率控制在相对合理的水平，因此，初步验证了这一商业模式的有效性和盈利性。整体而言，互联网银行走的是一种“高收益、高成本、高风险”的发展道路，与传统小微信贷银行非常类似，虽然资产收益率较高（甚至部分品种可以说是非常高），但其负债成本、业务成本、风险成本也较高，尤其是技术研发投入很高，因此最终虽然可以实现较好盈利，但也并非极不合理的暴利，只是在行业中属于中等偏上水平（部分优秀的传统银行也能达到这水平，比如台州银行等）。

3.3 主要结论与问题

由于我国互联网银行经营时限不长，最早的微众银行、网商银行成立于2015年，最迟的苏宁银行成立于2017年，上述财务结构与经营成果可能并非是未来的稳态，因此还需等待实践的进一步检验。展望未来，其盈利性可能有以下几点变动方向：

随着业务规模扩大，技术研发成本会被进一步摊薄，成本收入比下降，因而盈利水平有可能还会提升。因为与传统业务不同，互联网银行的很多技术研发成本属于“固定成本”（但数据购买成本属于变动成本），承接新业务的边际成本很低，因而业务规模扩大后，能降低成本收入比，提高盈利性。

但是，贷款收益率可能会有所下降，不一定能永远保持这么高收益率。目前，我国银行业正处于快速转型的过程中，随着经济结构转型，传统对公客户的业务空间变小，很多大小不等的银行均有向零售客户进军的态势，参考互联网银行的做法，利用大数据技术进军原先不被传统银行覆盖的草根客群，是这些银行的共同目标。因此，这一领域的参与者必然越来越多，竞争会加剧，贷款收益率可能下降。

以上两个因素一正一负，最终尚不能准确判断未来的盈利变化。而再往更长远展望，我们认为还可能有以下几个问题需要重点关注：

未来大数据成本有可能显著下降。因为，政府已经意识到大数据对社会的价值，开始推动大数据在个人征信上的应用，开始组织整合各方面所掌握的数据，建立健全大数据风控，同时打击个人数据的非法获取。这些工作最终将使放贷机构获取征信所需大数据的成本下降，从而有望降低最终的放贷利率。更为关键的是，国家主导的大数据更为成熟后，不同机构间获取的大数据有可能趋于雷同，除部分拥有专属数据的机构外，大多数机构之间比拼的将是建模能力、数据处理能力。

跟前几次银行信息化浪潮中的结局一样，新技术应用可能在未来普及，互联网银行、传统银行都将逐渐掌握类似的模型和数据处理技术，届时机构之间比拼的就只能是客户基础、资金成本等因素了。资金成本低廉，客户基础雄厚的大型零售银行反而优势凸显。当然，我们目前尚无法知晓这一天何时到来。

四、投资建议（略）

本报告主要介绍互联网银行的情况，但A股并无直接可投资的个股，只有新网银行的股东红旗连锁、苏宁银行的股东苏宁云商等。但是，正如上文所述，传统银行也在从事类似的纯线上放贷业务，并且也取得了一定的效果，并且是大大小小的不同类型银行均有参与。在数据成本、行业竞争等情况未发生重大变化的情况下，基于大数据风控的纯线上放贷业务，盈利水平还是要超过行业水平。因此，各类传统银行进入这一领域，短期内还是能够提高盈利水平的。当然，长远看，这一领域的盈利水平有可能最终会回归至行业水平。

五、风险提示

由于我国互联网银行经营时限普遍不长，其经营尚处于早期阶段，因而相关财务数据波动性很大、稳定性不足，导致有关分析指标的代表性可能不够；

前述对新兴互联网银行分析的样本数较少，因此类比分析其他互联网银行或从事相关业务的机构时可能会有偏差。

在缺乏市场预期管理的情况下，央行下调MLF利率，主要是因为银行负债成本制约，银行缺乏足够的意愿继续压缩利差来主动调降LPR，在短期经济增长触及政策底线、稳增长压力较大的形势下，央行下调定价基准MLF利率来引导LPR调整更具时效性，能更快达到降低实体融资成本，稳就业、稳投资的目的。

OMO利率调整的可能性不大。从2017Q2-2019Q2的经验来看，OMO利率变化，通过市场短端利率（资金利率），再传导至银行资产端贷款定价的效果不佳，调整OMO利率，形成低资金利率环境反而会助长金融机构加杠杆。

现在实体企业融资成本过高的主要矛盾也并不是市场利率过高，调整短端利率的定价基准OMO利率，对实体帮助有限。但对债市而言，短端的资金利率是基准，是长端利率下行的底线，底线不降，收益率进一步向下突破的空间就会有限。

关注MLF利率调降后的央行操作。猪肉供给收缩对通胀形成的压力有增无减，未来两个季度内，物价上涨的压力都会是实体与民生面临的重要问题，央行宽松容易助长通胀预期的形成，后续不排除央行会把控好流动性的闸门，来中和调降利率对市场形成的宽松预期。

不建议过度参与事件情绪推动的交易行情。当前投资者负债成本偏高，交易博取资本利得增厚收益的意愿较强，利率调降给了高负债成本机构与交易盘做多释放情绪的机会，持续多日的调整，期限利差走扩，也形成了一定的安全边际。

但从中期的角度来看，债市所面临的政策风险（基本面可能触底企稳）依然存在，高通胀环境下，货币政策的基调是否真正转向也有待进一步观察，因此建议投资者仍需谨慎。