CND D-0058 中国银行信贷业务数据 （附stata处理代码）
▪ 关键词： ▪ 数据来源： ▪ 数据说明 ： 中国银行信贷业务数据库对信贷资产结构，十大贷款客户，贷款行业分布以及贷款担保方式进行了统计、银行重要业务指标对一些重要指标进行了罗列。具体包括正常类贷款、关注类贷款、不良类贷款、贷款余额、抵押贷款余额、保证贷款余额、信用贷款余额、不良贷款余额等指标。▪ 综合评价 ： 中国银行基本信息数据库不仅包括中国目前已经上市的银行机构，还包括大量未上市的银行机构数据，并进行多方位信息来源的综合，并详细列示了与研究相关的大量字段。为确保非上市银行数据的准确性，CNDD进行了逐项、严格的校对工作，采用多种方法进行细致查验，为学者们对中国银行业的研究提供了数据支持。
▪ 常用度： ★★★★ ☆
▪ 稀缺度： ★★★★ ☆
▪ 新颖度： ★★★★
▪ 总体级别： 12颗星
✔ 常用度：是数据市场中需求指标，是指该数据在经济管理类学术论文中使用频率。
✔ 稀缺度：是数据市场中供给指标，是指该数据在其他数据库的出现频率。
✔ 新颖度：是数据市场中生成指标，是指该数据在生成时方法新颖程度和工作量。
（1）银行信贷资产结构
（2）银行十大贷款客户
（3）银行贷款行业分布
（4）银行贷款担保方式
（5）银行重要业务指标
（1）银行信贷资产结构
（2）银行十大贷款客户
（3）银行贷款行业分布
（4）银行贷款担保方式
（5）银行重要业务指标
▪ 清洗与合并数据stata处理代码 ：
▪ 文献来源 ：
祝继高,朱佳信,李天时等.政府会计监督与银行信贷行为研究——基于财政部会计信息质量随机检查的证据[J].管理世界,2023,39(01):157-176+189+177-179.
新时代赋予财会监督新的定位，对会计监督维护市场秩序、防范金融风险提出更高的要求。文章利用财政部会计信息质量随机检查的准自然实验，以2004～2020年中国138家商业银行为研究对象，检验了政府会计监督的效果。 研究发现：（1）银行接受财政部会计信息质量随机检查后，银行的贷款集中度和房地产行业贷款比例显著降低，不良贷款率显著下降，财务业绩显著提升；（2）会计信息质量随机检查通过识别银行信贷管理和信贷核算问题，对银行信贷行为发挥监督效应；（3）在会计信息质量随机检查行政执法力度较强、延伸检查至银行聘请的会计师事务所以及媒体关注较强时，政府会计监督效应更强，并且可以对同地区未接受检查的银行起到警示效果；（4）对处于市场化水平较低地区、未实现跨省经营、非上市和独立董事比例较低的银行，会计信息质量随机检查发挥的监督效应更强。文章的研究结论对完善财会监督体系、防范化解重大金融风险具有积极的启示作用。 （1）制度背景
为落实《中华人民共和国会计法》（1999 修订）、应对政府会计监督由直接监督转为间接监督，从1999年开始，作为会计工作主管机构的国务院财政部门建立了会计信息质量随机检查这一政府会计监督制度。会计信息质量随机检查的检查对象包括金融企业、非金融企业、会计师事务所和行政事业单位等。会计信息质量随机检查依托企业及相关会计主体的财务信息，是政府履行财会监督职能的主要方式之一，也是发挥“三位一体”会计监督体系的重要组成部分。
（2 ）研究框架
我国政府结合金融企业的特点，由政府机构——财政部专员办直接对银行实行检查，既强调银行业务的特殊性，又凸显了政府行政执法的权威性，使得会计信息质量随机检查对银行的信贷行为可以产生监督效应，抑制银行的高风险信贷行为。
文章以我国商业银行为研究样本，包括6家大型商业银行、12家股份制商业银行和120家城市商业银行。文章的样本期间为2004年至2020年，样本实验组包含财政部会计信息质量随机检查公告披露的54家商业银行，同一家银行多次被披露检查则将第一次披露检查的年份视作实验时点。在此基础上，将未披露会计信息质量随机检查的商业银行作为控制组。剔除数据缺失的样本后，最终样本为1737个银行—年度观测值，占商业银行—年度总数的67.85%。 文章运用双重差分模型，检验财政部会计信息质量随机检查对银行的政府会计监督效 果。具体而言，分两步构建变量 Treat 和变量 Post。变量 Treat 用来区分实验组或控制组，即财政部会计信息质量随机检查公告披露过该商业银行检查结果，说明该商业银行接受过财政部会计信息质量随机检查，Treat 取值为 1；财政部会计信息质量随机检查公告未披露过会计信息质量检查的商业银行，Treat 取值为0。变量 Post 为时点变量，用来区分会计信息质量检查前（Post=0）和检查当年及以后年度（Post=1）。Treat_Post为Treat和Post交乘项，是双重差分模型的解释变量。文章采用多元 OLS 回归模型进行分析，模型设定如下：
其中：φ i 表示银行个体固定效应，η t 表示年度固定效应，ε it 表示随机误差项，Controls it 表示控制变量。
（2）主要指标构建方法
文章的被解释变量为银行信贷行为。其中贷款集中度，参考祝继高等（2012）、王秀丽等（2014）、饶等 （2015），由单一客户贷款余额占银行净资本的比例（LC1）衡量；银行的房地产行业贷款行为，由房地产行业贷 款余额占银行贷款余额的比例（Real_Estate）衡量，具体变量定义如下图所示。
下表列示了基本实证结果。第（1）、（2）列的被解释变量是贷款集中度LC1，第（3）、（4）列的被解释变量是房地产行业贷款比例Real_Estate，其中第（1）、（3）列未加入银行资产规模等控制变量。从（2）、（4）列可以看到，Treat_Post与LC1、Real_Estate 的回归系数分别是-0.127 和-0.033，均在1%水平上显著。说明相比于未接受财政部会计信息质量随机检查的银行，银行在接受财政部会计信息质量随机检查后，商业银行的贷款集中度和房地产行业贷款比例会显著下降，信贷行为发生显著变化。
[1]邓伟,宋清华,杨名.经济政策不确定性与商业银行资产避险[J].经济学(季刊),2022,22(01):217-236.
[2]郭丽虹,朱柯达.金融科技、银行风险与经营业绩——基于普惠金融的视角[J].国际金融研究,2021,No.411(07):56-65.
[3]李双建,田国强.银行竞争与货币政策银行风险承担渠道：理论与实证[J].管理世界,2020,36(04):149-168.
以下三种方式三选一
▪ 直接购买
添加客服微信，支付价格为69元。
▪ 朋友圈分享后免费领取（每人限领15份）
持续3小时，集齐5个赞，需要对所有人可见，并且本人关注CNDeepData公众号。
▪ 购买大会员
添加客服微信，购买年度会员149元，三年会员299元，永久会员899元，可享CNDeepData所有数据免费获取。
▪ 朋友圈分享要求：
①分享时间需要在早上7:30到晚上12:30之间。
②请附带一句推荐词，例如“推荐CNDD高质量数据库”。
③请将包含时间内容的截图发给客服。
▪ 添加客服微信方式 ：
扫描下方二维码，或搜索下方微信号。
添加客服微信号：DeepData001 获取更多更新数据
1. 除中国深度数据库（CNDD）特殊声明外，CNDD对基于合法来源的数据的选择、整理和编排具有独创性。任何自然人、法人、其他组织未经CNDD授权，不得以任何目的截取、上传、下载、复制、修改、使用、编译等或者以任何方式任何媒介传播上述作品的任何部分，否则视为侵权。2. 对于存在侵害CNDD上述权利违法行为的主体，CNDD保留依法追究其法律责任的权利。
任何使用CNDD数据等产品的单位和个人，承诺只将CNDD的数据等用于学术研究，并在所得研究成果（包括但不限于学术论文、咨询报告等）中注明数据来源于CNDD。数据来源的注明方式请参考：“本研究数据来源于中国深度数据库CNDD”；英文参考：“We get the data from CNDeepData (CNDD)”。
CNDeepData
中国深度数据库：让精品数据，得以流动。
CNDeepData: Let high-quality data flow without barriers
113篇原创内容
公众号
CNDeepData：Let high-quality data flow without barriers
资源下载 此资源下载价格为69 积分（年度普通会员免费），请先登录 部分图片来源于网络，如涉侵权请告知，本站将第一时间删除。客服微信号：DeepData001
