方意 鄭子文 顏茹云

摘要：本文以新常態(tài)作為切入點(diǎn)，首次從行業(yè)信貸視角探究新常態(tài)時期經(jīng)濟(jì)增速下行壓力對銀行風(fēng)險的影響，進(jìn)而研究2007年至2015年宏觀經(jīng)濟(jì)特征在銀行風(fēng)險形成過程中的一般作用。研究發(fā)現(xiàn)：（1）新常態(tài)下經(jīng)濟(jì)增速放緩對中國銀行業(yè)的風(fēng)險影響程度有限。從行業(yè)信貸來看，順周期行業(yè)的信貸風(fēng)險高于逆周期行業(yè)的信貸風(fēng)險；（2）在銀行風(fēng)險的形成機(jī)理方面，物價變動引起的“貨幣幻覺”效應(yīng)長期存在；銀行自身特征引起的風(fēng)險放大效應(yīng)主要存在于金融危機(jī)時期；經(jīng)濟(jì)增速放緩引起的信貸需求摩擦在非危機(jī)時期更突出。上述因素對不同周期性行業(yè)信貸風(fēng)險的影響與總體情況基本一致；（3）基于銀行風(fēng)險形成機(jī)理，本文發(fā)現(xiàn)貨幣政策比匯率政策治理銀行風(fēng)險的效果更好。此外，危機(jī)時期應(yīng)使用宏觀審慎政策抑制銀行風(fēng)險的自我放大。

關(guān)鍵詞：銀行風(fēng)險形成機(jī)理；行業(yè)信貸；新常態(tài)；宏觀壓力測試

文獻(xiàn)標(biāo)識碼：A文章編號：100228482017（05）000115

一、 引言及文獻(xiàn)評述

隨著我國經(jīng)濟(jì)步入新常態(tài)階段，經(jīng)濟(jì)增長速度逐漸由高速增長轉(zhuǎn)變?yōu)橹懈咚僭鲩L，2015年國內(nèi)生產(chǎn)總值增長率降至69%，創(chuàng)造了自1991年以來的新低。與以往經(jīng)濟(jì)周期性波動現(xiàn)象不同的是，此次經(jīng)濟(jì)增速放緩更多是由于經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型等實(shí)體經(jīng)濟(jì)因素引起。經(jīng)濟(jì)增速放緩對金融領(lǐng)域的一個重要負(fù)面影響是會降低銀行業(yè)的資產(chǎn)質(zhì)量，由于我國銀行業(yè)的貸款業(yè)務(wù)占比較大，因此貸款資產(chǎn)受到波及的可能性更大。2016年第二季度我國銀行體系的不良貸款率攀升至181%，創(chuàng)造近七年來的新高，僅次于2009年金融危機(jī)時期第一季度末的204%。漸行漸遠(yuǎn)的國際金融危機(jī)仍然警示著監(jiān)管當(dāng)局需要密切關(guān)注銀行業(yè)風(fēng)險水平，防范銀行資產(chǎn)質(zhì)量下降導(dǎo)致的金融危機(jī)爆發(fā)。為此，系統(tǒng)地研究經(jīng)濟(jì)增速放緩對銀行業(yè)風(fēng)險的影響以及銀行業(yè)風(fēng)險的形成的一般機(jī)理顯得尤為重要。

在銀行風(fēng)險的構(gòu)成上，銀行風(fēng)險主要包括信用風(fēng)險、市場風(fēng)險、操作風(fēng)險、法律風(fēng)險、國家風(fēng)險、流動性風(fēng)險、聲譽(yù)風(fēng)險、戰(zhàn)略風(fēng)險等8大類。其中，信用風(fēng)險是商業(yè)銀行面臨的主要風(fēng)險，且由于我國銀行業(yè)的貸款業(yè)務(wù)占銀行全部資產(chǎn)比重較大，銀行面臨的信用風(fēng)險又主要體現(xiàn)為信貸風(fēng)險[1]。影響信貸風(fēng)險的因素通常包括微觀因素和宏觀因素兩個層面。微觀因素對信貸風(fēng)險影響主要從銀企間的信息不對稱、企業(yè)異質(zhì)性[2]、銀行資本結(jié)構(gòu)[3]等方面加以研究。由此可見，微觀角度更多關(guān)注的是銀企之間的關(guān)系以及銀行自身各類指標(biāo)對信貸風(fēng)險的影響。宏觀因素對信貸風(fēng)險的影響則主要通過產(chǎn)出、物價、就業(yè)等宏觀經(jīng)濟(jì)指標(biāo)加以研究[4]。因此，研究經(jīng)濟(jì)增速放緩對銀行信貸風(fēng)險的影響以及風(fēng)險的形成機(jī)理更適合從宏觀角度入手。

經(jīng)濟(jì)增速下行壓力對信貸風(fēng)險的影響可以利用宏觀壓力測試方法加以研究。根據(jù)BIS[5]的定義，宏觀壓力測試是評估可能發(fā)生的宏觀經(jīng)濟(jì)沖擊對銀行體系脆弱性影響的方法總稱。宏觀壓力測試方法主要分為兩種方法：“自下而上”和“自上而下”[6]。“自下而上”方法的優(yōu)點(diǎn)在于考慮了個體風(fēng)險，利用該方法得到的結(jié)果更為精確，但其對數(shù)據(jù)要求較高，需要銀行微觀層面的數(shù)據(jù)。與之相比，“自上而下”方法采取總量數(shù)據(jù)進(jìn)行測試，對數(shù)據(jù)的要求相對較低，更適合應(yīng)用到對中國銀行業(yè)的壓力測試上。

銀行業(yè)風(fēng)險形成的一般機(jī)理在某種意義上是宏觀壓力測試的“歷史化”和“一般化”。就“歷史化”而言，宏觀壓力測試關(guān)注的是給定宏觀壓力情境下的銀行風(fēng)險，壓力情境是人為設(shè)定的，而銀行風(fēng)險形成機(jī)理更注重在不同歷史時期宏觀經(jīng)濟(jì)因素對銀行風(fēng)險的實(shí)際影響。由于不同時期的經(jīng)濟(jì)運(yùn)行特點(diǎn)不同，宏觀經(jīng)濟(jì)因素在不同時期對銀行風(fēng)險的影響也不盡相同。國外學(xué)者Boss等[7]發(fā)現(xiàn)奧地利銀行的銀行信貸風(fēng)險存在季節(jié)性周期關(guān)系。國內(nèi)方面，張雪蘭等[8]選取我國8家上市商業(yè)銀行2006—2011年的數(shù)據(jù)作為樣本對象，利用廣義矩估計的方法進(jìn)行實(shí)證分析，結(jié)果表明宏觀經(jīng)濟(jì)周期性波動會顯著影響銀行風(fēng)險。結(jié)合中國實(shí)際情況來看，自2008年以來，中國先后遭遇了國際金融危機(jī)、政府為恢復(fù)經(jīng)濟(jì)出臺四萬億刺激計劃，以及經(jīng)濟(jì)增速放緩等多個重要時期。在研究銀行風(fēng)險形成的一般規(guī)律時，應(yīng)將這些時期納入考察范圍。

就“一般化”而言，宏觀壓力測試主要研究產(chǎn)出增速下降對銀行風(fēng)險的影響，而銀行風(fēng)險形成機(jī)理涉及的影響因素更多，不但包括產(chǎn)出等宏觀經(jīng)濟(jì)因素，還包括政策等因素。在政策因素方面，已有研究大多是關(guān)于貨幣政策對銀行風(fēng)險承擔(dān)的影響。盡管大部分學(xué)者同意貨幣政策會影響中國銀行業(yè)的風(fēng)險承擔(dān)，但他們研究的角度不盡相同。例如，方意等[9]認(rèn)為，資本充足率在其中起到重要作用。張雪蘭等[8]認(rèn)為，市場結(jié)構(gòu)和商業(yè)銀行資產(chǎn)負(fù)債表特征同樣具有重要作用。

在銀行風(fēng)險的度量模型方面，Borio等[10]認(rèn)為，包含內(nèi)生變量的模型更有優(yōu)勢，因?yàn)槠淠軌蚍治鲎兞块g的相互影響關(guān)系（即變量間具有反饋效應(yīng)）。向量誤差修正模型（VECM）實(shí)現(xiàn)了變量內(nèi)生化，因而是較理想的選擇。在該模型的應(yīng)用上，Simons等[11]構(gòu)建銀行風(fēng)險與宏觀經(jīng)濟(jì)變量的VECM模型，并測算連續(xù)兩個季度GDP增長率為零情景下的銀行信貸風(fēng)險。Rinaldi等[12]通過VECM模型研究歐洲各國后發(fā)現(xiàn)，可支配收入、失業(yè)率、貨幣等因素對銀行信貸風(fēng)險有顯著影響。值得關(guān)注的是，目前大部分基于VECM模型的銀行信貸風(fēng)險研究在識別同期因果關(guān)系時利用Choleski分解結(jié)果，而這種識別結(jié)果具有主觀性和非現(xiàn)實(shí)性[13]。幸運(yùn)的是，Spirtes等[14]提出的“有向無環(huán)圖”（DAG）分析方法由于能較好地解決VECM模型的識別問題，因而被廣泛應(yīng)用于金融問題研究[15]。

盡管上述研究較好地解釋了不同經(jīng)濟(jì)時期和經(jīng)濟(jì)因素對銀行風(fēng)險形成的影響，但這類研究的共同缺點(diǎn)是只關(guān)注宏觀因素和政策因素對銀行整體風(fēng)險的影響，而沒能區(qū)分對不同類別貸款風(fēng)險的影響。例外的是，Louzis等[16]對此做出一定改進(jìn)，將貸款分為消費(fèi)貸款、企業(yè)貸款以及抵押貸款等類型，然而該研究仍然沒有將貸款細(xì)化至行業(yè)層面，以研究銀行的行業(yè)貸款風(fēng)險特征。一方面，行業(yè)的經(jīng)營狀況與經(jīng)濟(jì)時期存在相關(guān)性。根據(jù)相關(guān)性的方向不同，可以將行業(yè)分為順周期行業(yè)和逆周期行業(yè)。順周期行業(yè)的經(jīng)營狀況與經(jīng)濟(jì)存在同向性。其同向性表現(xiàn)為在經(jīng)濟(jì)增速加速（放緩）時期，市場需求增加使企業(yè)生產(chǎn)規(guī)模擴(kuò)大（縮小），從而改善（惡化）行業(yè)經(jīng)營狀況。逆周期行業(yè)則主要表現(xiàn)出較強(qiáng)的抗經(jīng)濟(jì)衰退能力。逆周期行業(yè)在經(jīng)濟(jì)增速放緩時會通過創(chuàng)新等途徑擺脫經(jīng)營困境。另一方面，行業(yè)經(jīng)營狀況又會直接影響銀行的行業(yè)信貸風(fēng)險水平，行業(yè)經(jīng)營狀況越好，銀行在該行業(yè)放貸的風(fēng)險越低。誠然，研究總體貸款風(fēng)險可以較好地把握銀行風(fēng)險的整體走勢，為宏觀政策調(diào)控提供大致方向。但僅考慮總體風(fēng)險而忽略行業(yè)層面的風(fēng)險，會忽視行業(yè)信貸風(fēng)險與總體信貸風(fēng)險的差異，使用“一碗水端平”的政策可能會不利于國家重點(diǎn)扶持行業(yè)的發(fā)展。endprint

綜上所述，本文將有向無環(huán)圖（DAG）方法納入到向量誤差修正模型（VECM）中，并運(yùn)用此模型開創(chuàng)性地進(jìn)行新常態(tài)下的宏觀壓力測試，研究經(jīng)濟(jì)增速放緩對銀行風(fēng)險的影響。在此基礎(chǔ)上，將研究視角“歷史化”和“一般化”，研究金融危機(jī)時期以來中國銀行業(yè)風(fēng)險形成的一般機(jī)理。風(fēng)險形成機(jī)理著重研究了不同時期的宏觀經(jīng)濟(jì)因素對銀行信貸風(fēng)險的影響差異。本文除了研究整體銀行業(yè)的風(fēng)險形成機(jī)理外，還首次將銀行風(fēng)險細(xì)化至行業(yè)貸款層面。在洞悉中國銀行業(yè)風(fēng)險形成機(jī)理的基礎(chǔ)上，本文試圖納入貨幣政策、匯率政策、宏觀審慎政策等多領(lǐng)域政策，以構(gòu)建一個綜合性的政策框架，并在此框架中給出抑制銀行風(fēng)險的政策使用建議。

二、 模型構(gòu)建

（一）基本模型

在銀行風(fēng)險的代理指標(biāo)選取上，由于我國銀行業(yè)的貸款業(yè)務(wù)占銀行全部資產(chǎn)比重較大，銀行體系的資產(chǎn)風(fēng)險主要體現(xiàn)為信貸風(fēng)險，而信貸風(fēng)險又主要體現(xiàn)為不良貸款的生成。因此，本文借鑒方意等[1]以不良貸款率作為銀行信貸風(fēng)險和銀行業(yè)風(fēng)險的代理指標(biāo)。其中，銀行體系總體不良貸款率代表銀行體系總體信貸風(fēng)險，銀行體系的行業(yè)不良貸款率代表銀行體系的行業(yè)信貸風(fēng)險。[WTBX]

本文構(gòu)建9組誤差修正模型（VECM），每個模型包含5類指標(biāo)。每組模型的差異在于不良貸款率指標(biāo)，其中包括1組含有銀行體系總體不良貸款率（i=0）的模型，以及8組含有銀行體系行業(yè)i不良貸款率（i=1，…，8）[JP2]的模型（模型包含的具體指標(biāo)和不良貸款率種類詳見數(shù)據(jù)說明部分），模型形式如下：[JP]

ΔXi，t=[WTHX]Π[WTBX]iXi，t-1+∑[DD（]4[]j=1[DD）][WTHX]Γ[WTBX]i，jΔXi，t-j+μi+ei，t[JY]（1）

Xi，t為向量單位根過程，[WTHX]Γ[WTBX]i，j為系數(shù)矩陣，μi為截距向量。參數(shù)矩陣[WTHX]Π[WTBX]i=αiβ′[KG-*3]i的秩為協(xié)整向量個數(shù)，包含了向量間的長期關(guān)系信息，協(xié)整向量個數(shù)可由Johansen協(xié)整檢驗(yàn)得到。

VECM模型中傳統(tǒng)的識別方法是Choleski分解，但該方法具有主觀性等缺陷，有向無環(huán)圖（DAG）方法可以解決該問題，故本文用DAG方法進(jìn)行識別。DAG本質(zhì)上是一種利用無條件相關(guān)系數(shù)和偏相關(guān)系數(shù)確定變量之間同期因果關(guān)系的重要方法。它通過有向邊刻畫每對變量之間是否存在因果關(guān)系。在計算出不良貸款率與宏觀經(jīng)濟(jì)指標(biāo)和政策指標(biāo)間的相關(guān)系數(shù)矩陣后，可以利用PC算法得到描述變量間同期因果關(guān)系的有向無環(huán)圖（DAG），具體計算步驟參見趙勝民等（2011）。

將DAG得到的變量間同期因果關(guān)系代入VECM模型后，即可得到本文的核心模型，其表達(dá)式如下：

[WTHX]B[WTBX]iXi，t=∑[DD（]4[]j=1[DD）]Γi，jXi，t-j+μi+εi，t[JY]（2）

其中[WTHX]B[WTBX]i是行業(yè)i的約束矩陣，εi，t是行業(yè)i的白噪聲向量，其他變量意義與（1）式相同。

為對比各因素在不同時期對不良貸款率的相對貢獻(xiàn)，需借助歷史分解方法，該方法可以對整個歷史區(qū)間上各個影響因素的相對貢獻(xiàn)進(jìn)行量化分析。歷史分解方法首先需要將因素s的時間序列Xs（s=1，…，S）重新整理為如下表達(dá)式：

Xs，T+k=∑[DD（]4[]j=0[DD）]Ψs，jεs，t+k-j+[JB<2[]Xs，T+kγs+

∑[DD（]∞[]j=k[DD）]Ψs，jεs，T+k-j[JB>2]][JY]（3）

其中，第一個求和項(xiàng)是T+1到T+k時期Xs，T+k中的新息之和。括號項(xiàng)是給定T時期數(shù)據(jù)后對Xs，T+k的預(yù)測部分。歷史分解方法過程如下：（1）將每一時期的殘差通過映射矩陣F轉(zhuǎn)化為結(jié)構(gòu)殘差ηt=F-1εt；（2）對于每一個i和t，通過公式Fe（i）e（i）′ηt得到結(jié)構(gòu)殘差對殘差的貢獻(xiàn)ε（s）t；（3）將ε（s）t作為因素s的沖擊，并利用T+1到T+k時刻的數(shù)據(jù)進(jìn)行預(yù)測，然后從預(yù)測結(jié)果中減去主成分即可得到因素s的累積貢獻(xiàn)。

另一方面，本文重要創(chuàng)新之處是將銀行體系的信貸風(fēng)險細(xì)化到行業(yè)層面。為進(jìn)一步對比樣本期內(nèi)行業(yè)信貸風(fēng)險與總體信貸風(fēng)險之間的波動關(guān)系以區(qū)分行業(yè)信貸風(fēng)險特征，本文借鑒Sharpe[17]用β系數(shù)評估證券系統(tǒng)性風(fēng)險的方法，提出了行業(yè)貸款的系統(tǒng)性風(fēng)險指標(biāo)（Systematic Risk in Industry Loan，簡稱SRIL）。銀行體系對行業(yè)i貸款產(chǎn)生的系統(tǒng)性風(fēng)險計算方法如下：

SRILi=[SX（]cov（RBi，RBm）[]σ2m[SX）][JY]（4）

式中，RBm（Risk of Bank）是樣本期內(nèi)銀行體系總體信貸風(fēng)險，本文以銀行體系總體不良貸款率表示；RBi是銀行體系對行業(yè)i放貸產(chǎn)生的信貸風(fēng)險，[JP2]本文以銀行體系在行業(yè)i的不良貸款率表示；σ2m是銀行體系在行業(yè)i的不良貸款率的方差；cov（RBi，RBm）[JP]是銀行體系在行業(yè)i的風(fēng)險與銀行體系總信貸風(fēng)險的協(xié)方差。利用SRIL可以衡量銀行體系行業(yè)信貸風(fēng)險相對于整體信貸風(fēng)險的波動情況。若SRILi>1，說明行業(yè)i信貸風(fēng)險與總體信貸風(fēng)險的波動方向正相關(guān)，且該行業(yè)不良貸款率的波動率大于總體不良貸款率的波動率；若0

（二）數(shù)據(jù)說明

本文選取16家上市商業(yè)銀行的不良貸款率數(shù)據(jù)加權(quán)加總計算銀行體系不良貸款率，這些銀行包括：平安銀行、寧波銀行、浦發(fā)銀行、華夏銀行、民生銀行、招商銀行、南京銀行、興業(yè)銀行、北京銀行、農(nóng)業(yè)銀行、交通銀行、工商銀行、光大銀行、建設(shè)銀行、中國銀行、中信銀行。與之相對，銀行體系在行業(yè)i的不良貸款率主要通過對每家樣本銀行j在行業(yè)i的不良貸款率進(jìn)行加權(quán)得到，權(quán)重為銀行j資產(chǎn)規(guī)模占所有樣本銀行資產(chǎn)比例。具體而言，行業(yè)i不良貸款率的計算方式如下：

銀行體系在行業(yè)的不良貸款率=

[SX（]∑[DD（X]j[DD）]銀行j在行業(yè)i上的不良貸款率×銀行j資產(chǎn)[]∑[DD（X]j[DD）]銀行j資產(chǎn)[SX）][JY]（5）

綜合考慮數(shù)據(jù)完整性及行業(yè)重要性，本文選取8個行業(yè)的不良貸款率數(shù)據(jù)進(jìn)行分析。這些行業(yè)分別為：制造業(yè)；電力、熱力、燃?xì)饧八a(chǎn)和供應(yīng)業(yè)（后文簡稱能源供應(yīng)業(yè)）；房地產(chǎn)業(yè)；建筑業(yè)；交通運(yùn)輸、倉儲和郵政業(yè)（后文簡稱運(yùn)輸業(yè)）；批發(fā)和零售業(yè)；信息傳輸業(yè)；采礦業(yè)

[ZW（DY]為簡潔起見，后文總體均指銀行體系總體信貸風(fēng)險，各行業(yè)均指銀行體系在行業(yè)上的信貸風(fēng)險。[ZW）]

。此外，16家上市商業(yè)銀行在8個行業(yè)不良貸款率數(shù)據(jù)上存在不同程度的缺失現(xiàn)象。因此，在計算銀行體系在行業(yè)i的不良貸款率時，本文采取如下規(guī)則：若銀行j擁有行業(yè)i的不良貸款率數(shù)據(jù)，則將銀行j納入到計算行業(yè)i不良貸款率的樣本銀行中。

基于Castro[4]研究經(jīng)驗(yàn)并結(jié)合我國實(shí)際情況，本文共設(shè)有三種類型變量，政策變量（利率和匯率）、宏觀經(jīng)濟(jì)變量（物價、產(chǎn)出）、銀行風(fēng)險變量（不良貸款率）。其中利率是貨幣政策的代理變量，匯率是匯率政策代理變量。根據(jù)所用指標(biāo)，本文將銀行風(fēng)險的結(jié)構(gòu)性沖擊劃分為物價因素、產(chǎn)出因素、利率因素、匯率因素、銀行自身因素等5類因素的沖擊。需要指出的是，銀行自身因素沖擊等同于不良貸款率沖擊，原因在于，當(dāng)不良貸款率上升后，通過銀行體系自身的特征會導(dǎo)致銀行不良貸款率的進(jìn)一步提高。因此，后文將這種引起銀行風(fēng)險自我放大的因素稱為銀行自身因素。

由于VECM模型對數(shù)據(jù)的樣本數(shù)量有較高要求，因此本文將數(shù)據(jù)頻率定為月度頻率，以擴(kuò)大樣本量。在代理指標(biāo)的選取上，將同業(yè)拆借利率作為利率的代理指標(biāo)，將人民幣實(shí)際有效匯率指數(shù)作為匯率的代理指標(biāo)，將消費(fèi)者物價同比指數(shù)作為物價的代理指標(biāo)。在產(chǎn)出代理指標(biāo)選取上，一般會選取國內(nèi)生產(chǎn)總值增長率作為代理指標(biāo)，但由于國內(nèi)生產(chǎn)總值沒有月度數(shù)據(jù)，而工業(yè)增加值與國內(nèi)生產(chǎn)總值有顯著的線性關(guān)系（詳見宏觀壓力測試部分），因此本文將工業(yè)增加值作為產(chǎn)出的代理指標(biāo)。

需要注意的是，銀行體系的總體和行業(yè)不良貸款率沒有月度數(shù)據(jù)，只能獲得半年頻率的數(shù)據(jù)。為統(tǒng)一數(shù)據(jù)頻率，需要將半年頻率的不良貸款率數(shù)據(jù)轉(zhuǎn)換為月度數(shù)據(jù)。在數(shù)據(jù)增頻方法的選擇上，雖然插值法簡單易行，但這種方法使不良貸款率的估計值完全脫離宏觀經(jīng)濟(jì)指標(biāo)，從而嚴(yán)重地割裂銀行風(fēng)險與宏觀經(jīng)濟(jì)指標(biāo)之間的聯(lián)系。方意[15]使用的期望最大化（EM）方法為解決該問題提供較好思路。在時間序列中僅存在一組低頻數(shù)據(jù)、其他均為高頻數(shù)據(jù)的情況下，利用EM方法可將這一組低頻數(shù)據(jù)轉(zhuǎn)化為高頻數(shù)據(jù)。EM方法的思想可以簡單概括為以下兩步：（1）以不良貸款率作為被解釋變量，宏觀經(jīng)濟(jì)變量和政策變量作為解釋變量，構(gòu)造線性回歸方程，并代入半年頻率的數(shù)據(jù)估計方程系數(shù)；（2）將政策變量和宏觀經(jīng)濟(jì)變量的月度數(shù)據(jù)代入線性回歸方程，估計出不良貸款率的月度數(shù)據(jù)。

為防止估計出的月度不良貸款率出現(xiàn)負(fù)值，本文借鑒Logit思想

[ZW（DY]本文半年頻率的原始數(shù)據(jù)有5個解釋變量和16組觀測值，數(shù)據(jù)量不滿足Logit模型的要求，因此只能借鑒其思想。[ZW）]

，對銀行體系在行業(yè)i的不良貸款率進(jìn)行如下變換：

Logit（NPLi）=ln[JB（（][SX（]NPLi[]1-NPLi[SX）][JB））][JY]（6）

由此，待估計的線性方程變?yōu)椋?/p>

[HS2]＼ ＼ Logit（NPLi）=ηi+∑[DD（]4[]s=1[DD）]βi，sYs+εi[JY]（7）

這里ηi為截距項(xiàng)，Ys為政策變量（利率和匯率）和宏觀經(jīng)濟(jì)變量（物價、產(chǎn)出），βi，s為行業(yè)i待估計變量系數(shù)，εi為殘差項(xiàng)。[WTBZ]

為研究銀行風(fēng)險形成的一般機(jī)理，本文將樣本期間劃分為金融危機(jī)時期（2007年4月至2009年2月）、經(jīng)濟(jì)恢復(fù)時期（2009年3月至2011年12月）、新常態(tài)時期

[ZW（DY]雖然官方定義新常態(tài)為經(jīng)濟(jì)由高速增長轉(zhuǎn)變?yōu)橹懈咚僭鲩L，但沒具體給出閥值。本文將國內(nèi)生產(chǎn)總值同比增長持續(xù)在8%以下的時期定義為新常態(tài)時期，根據(jù)該定義，我國在2013年第一季度開始進(jìn)入新常態(tài)時期。[ZW）]

（2012年1月至2015年12月）這三個時期。劃分依據(jù)如下：金融危機(jī)時期從季度GDP增速出現(xiàn)持續(xù)下滑開始；經(jīng)濟(jì)恢復(fù)時期從央行實(shí)施寬松貨幣政策開始（這一時期同業(yè)拆借利率從25%持續(xù)下降至088%）；新常態(tài)時期為GDP增速持續(xù)在8%以下開始。在原始數(shù)據(jù)選取區(qū)間上，本文不良貸款率的原始數(shù)據(jù)區(qū)間為2007年第四季度至2015年第二季度，經(jīng)濟(jì)指標(biāo)原始數(shù)據(jù)區(qū)間為2007年1月至2015年12月。本文所用數(shù)據(jù)全部來自于Wind數(shù)據(jù)庫。

（三）基本結(jié)果

根據(jù)EM思想，利用低頻數(shù)據(jù)構(gòu)造的回歸方程結(jié)果如表1所示。由表中調(diào)整R2可以看出，模型整體擬合程度較好： 從總體回歸方程來看，[JY]其調(diào)整R2為0328；從行業(yè)回歸看，能源供應(yīng)業(yè)、房地產(chǎn)業(yè)、建筑業(yè)、信息傳輸業(yè)的調(diào)整R2達(dá)到076以上。這說明選取的宏觀經(jīng)濟(jì)指標(biāo)對銀行風(fēng)險具有較強(qiáng)的解釋力，因此該方法能較合理地估計月度不良貸款率數(shù)據(jù)。從經(jīng)濟(jì)指標(biāo)的系數(shù)來看，宏觀經(jīng)濟(jì)變量中的產(chǎn)出與大部分行業(yè)不良貸款率負(fù)相關(guān)，物價與大部分行業(yè)不良貸款率正相關(guān)。政策變量中的利率與匯率不僅對各行業(yè)不良貸款率的解釋程度顯著，而且?guī)缀蹙守?fù)相關(guān)，這表明利率上升和人民幣升值都可以降低銀行信貸風(fēng)險，后文還將通過分析進(jìn)一步論證該估計的合理性。

為檢驗(yàn)回歸方程的合理性，將不良貸款率的原始數(shù)據(jù)和用EM思想估計得到的半年頻率數(shù)據(jù)繪制成如圖A1所示的散點(diǎn)圖。從圖中不難看出，估計數(shù)據(jù)與原始數(shù)據(jù)在趨勢上保持一致。銀行體系整體信貸風(fēng)險在危機(jī)前較高，危機(jī)后處于較低水平，但2014年以來整體信貸風(fēng)險有所上升。在行業(yè)層面，能源供應(yīng)業(yè)、房地產(chǎn)業(yè)、建筑業(yè)、運(yùn)輸業(yè)、信息傳輸業(yè)不良貸款率具有下降趨勢，而制造業(yè)、批發(fā)和零售業(yè)、采礦業(yè)不良貸款率則先下降后上升。需要指出的是，進(jìn)一步對比兩類數(shù)據(jù)的基本統(tǒng)計量可以發(fā)現(xiàn)，波動率、中位數(shù)以及峰度指標(biāo)都表明用EM算法得到的數(shù)據(jù)波動相對更小，這與方意[15]利用EM算法的結(jié)果類似。從偏度以及與經(jīng)濟(jì)變量的相關(guān)性指標(biāo)可以看出，兩類數(shù)據(jù)較為一致?？梢姡迷摲椒ü烙嫷玫降恼w和行業(yè)月度不良貸款率數(shù)據(jù)比較合理。endprint

在利用月度數(shù)據(jù)構(gòu)建VECM模型前，需要先對各數(shù)據(jù)進(jìn)行X12季節(jié)調(diào)整以消除數(shù)據(jù)的季節(jié)性特征。然后對數(shù)據(jù)進(jìn)行單位根檢驗(yàn)，檢驗(yàn)結(jié)果表明，所有時間序列均服從I（1）單整。接下來確定模型的滯后期并檢驗(yàn)變量間是否存在協(xié)整關(guān)系。在綜合考慮滯后期檢驗(yàn)的LR、FPE、AIC、SC、HQ等標(biāo)準(zhǔn)后，除在房地產(chǎn)業(yè)和建筑業(yè)選取3階滯后外，其他行業(yè)均選取2階滯后。在此基礎(chǔ)上，應(yīng)用Johanson協(xié)整檢驗(yàn)方法檢驗(yàn)各變量之間的協(xié)整關(guān)系，檢驗(yàn)結(jié)果表明，房地產(chǎn)業(yè)存在1個協(xié)整關(guān)系，電力、熱力、燃?xì)饧八a(chǎn)和供應(yīng)業(yè)、建筑業(yè)、交通運(yùn)輸、倉儲和郵政業(yè)以及信息傳輸業(yè)存在2個協(xié)整關(guān)系，總體行業(yè)、制造業(yè)、批發(fā)和零售業(yè)、采礦業(yè)存在3個協(xié)整關(guān)系。由此得出包括總體和8個行業(yè)在內(nèi)9組方程均存在協(xié)整關(guān)系的結(jié)論，表明可以構(gòu)建誤差向量修正模型（VECM）①。

將VECM模型中的殘差方差協(xié)方差矩陣結(jié)果代入DAG算法，得到在1%顯著性水平下不良貸款率與各經(jīng)濟(jì)指標(biāo)間的同期關(guān)系，結(jié)果如下：產(chǎn)出在同期影響總體，制造業(yè)、能源供應(yīng)業(yè)、房地產(chǎn)業(yè)、建筑業(yè)、批發(fā)和零售業(yè)、信息傳輸業(yè)、采礦業(yè)的不良貸款率；物價在同期影響總體行業(yè)、制造業(yè)、房地產(chǎn)業(yè)、建筑業(yè)、信息傳輸業(yè)、采礦業(yè)的不良貸款率；匯率在同期影響能源供應(yīng)業(yè)、運(yùn)輸業(yè)、信息傳輸業(yè)、采礦業(yè)的不良貸款率；利率在同期影響總體、制造業(yè)、批發(fā)和零售業(yè)的不良貸款率；貨幣供給在同期影響建筑業(yè)、運(yùn)輸業(yè)的不良貸款率。最后，將變量間同期因果關(guān)系再代入VECM模型中即能正確地識別模型。由于以DAG為基礎(chǔ)的VECM模型克服了識別結(jié)果的主觀性和非現(xiàn)實(shí)性缺點(diǎn)，因此比傳統(tǒng)模型結(jié)果更客觀合理。

三、 新常態(tài)下銀行風(fēng)險宏觀壓力測試

探究新常態(tài)時期可能出現(xiàn)的經(jīng)濟(jì)增速放緩所導(dǎo)[LL]致的銀行風(fēng)險上升問題，是當(dāng)前金融監(jiān)管者最重要的任務(wù)之一。為實(shí)現(xiàn)該目的，需要借助宏觀壓力測試方法加以研究。由于本文所用數(shù)據(jù)為總量數(shù)據(jù)，因此，本文在前文構(gòu)建的VECM模型基礎(chǔ)上，采用“自上而下”法進(jìn)行宏觀壓力測試②。

本文使用的產(chǎn)出增速下行沖擊參考《中國金融穩(wěn)定報告（2015）》[18]的中度沖擊（GDP增長率下降至55%）和重度沖擊（GDP增長率下降至4%）兩類壓力情景。需要強(qiáng)調(diào)的是，《中國金融穩(wěn)定報告（2015）》中給出的產(chǎn)出增速代理指標(biāo)是國內(nèi)生產(chǎn)總值增長率（GDP增長率），其最高頻率數(shù)據(jù)僅為季度數(shù)據(jù)，而本文在構(gòu)建模型時需要使用月度頻率的工業(yè)增加值數(shù)據(jù)。因此，需要將GDP增長率沖擊的壓力情景轉(zhuǎn)化為工業(yè)增加值沖擊的壓力情景。

為實(shí)現(xiàn)轉(zhuǎn)化，首先將季度GDP增長率作為季度工業(yè)增加值的解釋變量進(jìn)行回歸。在回歸時期的選擇上，由于本文在宏觀壓力測試部分主要關(guān)注經(jīng)濟(jì)新常態(tài)時期以來產(chǎn)出增速下降對銀行風(fēng)險的影響，因此選取經(jīng)濟(jì)新常態(tài)時期（2012年第一季度至2015年第四季度）作為回歸期。回歸結(jié)果顯示，DW檢驗(yàn)值為153，落在du（137）與2的區(qū)間內(nèi)，表明方程沒有殘差序列相關(guān)問題，F(xiàn)統(tǒng)計量和回歸系數(shù)均在1%置信水平下顯著，表明回歸方程擬合較好，工業(yè)增加值與國內(nèi)生產(chǎn)總值存在明顯的線性關(guān)系，回歸方程的線性表達(dá)式為：工業(yè)增加值=456×GDP增長率-2536③。然后，[JP2]代入GDP增長率的中度沖擊和重度沖擊壓力情景，從而得到工業(yè)增加值在兩個壓力情景下的沖擊分別是-028%和-712%。[JP]

表2給出銀行體系的不良貸款率在兩種壓力情景下的結(jié)果。從銀行體系總體信貸風(fēng)險看，兩種壓力情景下銀行體系的總體不良貸款率顯著上升。其中，在中度沖擊下總體不良貸款率上升075%，在重度沖擊下總體不良貸款率上升161%。由此可見，[JY]新常態(tài)時期的經(jīng)濟(jì)增速放緩對銀行風(fēng)險的影響①由于篇幅原因，總體和8個行業(yè)的VECM模型結(jié)果在此不一一列出，結(jié)果備索。

②前文所使用數(shù)據(jù)最后日期為2015年12月，因此本文以2016年1月作為宏觀壓力測試預(yù)測基準(zhǔn)期。

③為使回歸式簡潔起見，公式中的國內(nèi)生產(chǎn)總值增長率和工業(yè)增加值沒有加百分號。

程度有限，整體銀行風(fēng)險屬于可控范圍內(nèi)。

從銀行體系在行業(yè)信貸風(fēng)險上來看，制造業(yè)、批發(fā)零售業(yè)不良貸款率上升程度較大，兩個行業(yè)的不良貸款率在中度沖擊下分別上升083%和12%，超過中度沖擊下總體不良貸款率上升幅度。兩個行業(yè)的不良貸款率在重度沖擊下分別上升178%和258%，同樣超過重度沖擊下總體不良貸款率上升幅度。其余6個行業(yè)在面臨產(chǎn)出增速壓力下表現(xiàn)出較強(qiáng)的抗壓能力，這6個行業(yè)的不良貸款率上升幅度小于總體不良貸款率上升幅度。值得關(guān)注的是，信息傳輸業(yè)不良貸款率在面臨產(chǎn)出增速下降后，反而出現(xiàn)較大幅度下降，其原因可能與新常態(tài)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整有關(guān)。在新常態(tài)背景下，國家主動開展供給側(cè)結(jié)構(gòu)性改革，大力扶持新興高科技產(chǎn)業(yè)。信息傳輸業(yè)素有“第四產(chǎn)業(yè)”之稱，包括了計算機(jī)和通訊設(shè)備行業(yè)為主體的IT產(chǎn)業(yè)，屬于典型的高科技高附加值產(chǎn)業(yè)，是供給側(cè)結(jié)構(gòu)性改革政策的重點(diǎn)傾斜對象。因此，即使產(chǎn)出增速面臨下行壓力，信息傳輸業(yè)也能實(shí)現(xiàn)高速發(fā)展，從而降低銀行對該行業(yè)的放貸風(fēng)險。

宏觀壓力測試結(jié)果表明，產(chǎn)出增速面臨下行壓力會雖然對中國銀行業(yè)風(fēng)險產(chǎn)生一定影響，但仍屬于可控范圍內(nèi)。雖然這一結(jié)論對我國當(dāng)前銀行業(yè)面臨的風(fēng)險形勢給出了一定的解釋，但宏觀壓力測試預(yù)測的是新常態(tài)階段的銀行風(fēng)險，并且只探討了產(chǎn)出因素對銀行風(fēng)險的影響。這種研究結(jié)果固然有重要的研究價值，但是對于這種結(jié)果的內(nèi)在機(jī)理并不清楚，是一種典型的“知其然，而不知其所以然”。因此，本文后續(xù)研究將擴(kuò)充樣本區(qū)間，并討論更多因素對銀行風(fēng)險的影響，從而洞悉中國銀行業(yè)風(fēng)險形成的一般機(jī)理。

四、 中國銀行業(yè)風(fēng)險形成機(jī)理

（一）整體信貸風(fēng)險

風(fēng)險形成機(jī)理可以從不同因素對銀行體系信貸風(fēng)險的影響程度以及影響路徑兩方面入手。其中，前者主要研究風(fēng)險驅(qū)動因素①

對信貸風(fēng)險的貢獻(xiàn)程度，貢獻(xiàn)程度越大，表明該因素的重要程度越高；而后者主要研究風(fēng)險驅(qū)動因素通過何種途徑作用至信貸風(fēng)險，[JY]也可稱其為銀行風(fēng)險驅(qū)動因素的作用機(jī)理[LL]研究。endprint

接下來，本文首先度量風(fēng)險驅(qū)動因素對銀行信貸風(fēng)險的影響程度，各風(fēng)險驅(qū)動因素對信貸風(fēng)險的影響分為正向貢獻(xiàn)和負(fù)向貢獻(xiàn)。正向貢獻(xiàn)表示該因素對銀行風(fēng)險起到放大作用，而負(fù)向貢獻(xiàn)則表示對風(fēng)險起到抑制作用。本文將各時期對信貸風(fēng)險具有最大正向貢獻(xiàn)的驅(qū)動因素稱為風(fēng)險重要驅(qū)動因素。

由于歷史分解法能夠量化各結(jié)構(gòu)沖擊對內(nèi)生變量的影響程度，進(jìn)而可以度量樣本期間各風(fēng)險驅(qū)動因素對銀行體系信貸風(fēng)險貢獻(xiàn)度的動態(tài)趨勢[18]。因此，本文采用歷史分解法研究風(fēng)險驅(qū)動因素對信貸風(fēng)險的貢獻(xiàn)程度。圖1給出銀行體系總體不良貸款率以及各風(fēng)險驅(qū)動因素（銀行自身因素、物價因素、產(chǎn)出因素）對不良貸款率的歷史分解結(jié)果。

在金融危機(jī)初期（2007年年中），總體不良貸款率短期內(nèi)從2%升至3%以上。與此同時，物價因素對總體不良貸款率的貢獻(xiàn)同樣呈現(xiàn)上升趨勢?？梢姡鹑谖C(jī)初期物價因素對總體不良貸款率的提高起到重要作用；在金融危機(jī)中期（2008年初），銀行自身因素對總體不良貸款率的貢獻(xiàn)程度迅速擴(kuò)大，遠(yuǎn)超過物價和產(chǎn)出因素。在金融危機(jī)末期（2008年底），總體不良貸款率在短期內(nèi)出現(xiàn)大幅反彈， 除銀行因素外，產(chǎn)出因素對這一輪反彈的貢獻(xiàn)也較大。這表明：在金融危機(jī)末期，除了銀行自身因素加劇信貸風(fēng)險外，實(shí)體經(jīng)濟(jì)惡化對銀行信貸風(fēng)險的影響也逐漸凸顯。

在經(jīng)濟(jì)恢復(fù)時期（2009年后），銀行自身因素對總體不良貸款率基本為負(fù)向貢獻(xiàn)。2009年4萬億投資政策出臺后，中國實(shí)體經(jīng)濟(jì)形勢逐漸向好，總體不良貸款率隨之降低，[JP2]并維持在05%至3%區(qū)間內(nèi)。

在此期間，產(chǎn)出因素對總體不良貸款率呈現(xiàn)負(fù)向貢獻(xiàn)，這說明經(jīng)濟(jì)基本面的改善是總體不良貸款率降低的主要推動力量，此時銀行信貸風(fēng)險處于歷史較低水平。

經(jīng)濟(jì)恢復(fù)時期以后，產(chǎn)出因素和物價因素對總體不良貸款率的影響呈上升趨勢，特別是在新常態(tài)時期（2012年后），產(chǎn)出因素對總體不良貸款率具有正向貢獻(xiàn)，表明在新常態(tài)時期銀行信貸風(fēng)險主要由產(chǎn)出因素主導(dǎo)，這與宏觀壓力測試所得結(jié)論一致。

綜上所述，本文認(rèn)為危機(jī)時期銀行自身因素和物價因素是導(dǎo)致銀行風(fēng)險擴(kuò)大的重要驅(qū)動因素，而危機(jī)后產(chǎn)出因素和物價因素是銀行風(fēng)險擴(kuò)大的重要驅(qū)動因素。其中，物價因素在整個樣本期間均起重要作用。銀行自身因素主要在金融危機(jī)時期起作用。產(chǎn)出因素主要在經(jīng)濟(jì)恢復(fù)的后期和新常態(tài)時期起作用。需要強(qiáng)調(diào)的是，這里雖然給出了不同時期銀行風(fēng)險的重要驅(qū)動因素，但卻沒有闡述其影響銀行風(fēng)險的內(nèi)在作用機(jī)理，對這一部分的闡述將在后文給出。

（二）行業(yè)信貸風(fēng)險

為驗(yàn)證整體信貸風(fēng)險重要驅(qū)動因素的結(jié)論是否適用于行業(yè)信貸風(fēng)險，接下來將分析8個行業(yè)的信貸風(fēng)險特征以及歷史分解結(jié)果。

本文通過行業(yè)信貸的系統(tǒng)性風(fēng)險指標(biāo)（SRIL）判斷不同行業(yè)信貸風(fēng)險與整體信貸風(fēng)險的關(guān)系，SRIL在全部樣本時期以及各經(jīng)濟(jì)時期的結(jié)果如表3所示。從全部樣本時期來看，各行業(yè)貸款系統(tǒng)性風(fēng)險均處于0到1之間的較低水平，但從各個時期來看，同一時期不同行業(yè)以及同一行業(yè)在不同時期的貸款系統(tǒng)性風(fēng)險均存在較大差異。

＼ ＼ 從同一時期不同行業(yè)的橫向角度來看，雖然大多數(shù)行業(yè)SRIL指標(biāo)處于0至1之間，但仍有例外。在金融危機(jī)時期，能源供應(yīng)業(yè)、運(yùn)輸業(yè)和信息傳輸業(yè)的SRIL指標(biāo)小于0；在經(jīng)濟(jì)恢復(fù)時期，信息傳輸業(yè)的SRIL指標(biāo)小于0；在新常態(tài)時期，制造業(yè)和批發(fā)零售業(yè)的SRIL指標(biāo)均大于1。從同一行業(yè)在不同時期的縱向角度來看，不同行業(yè)信貸風(fēng)險與整體信貸風(fēng)險走勢存在差異。制造業(yè)、房地產(chǎn)業(yè)、批發(fā)零售業(yè)和采礦業(yè)的信貸風(fēng)險的SRIL指標(biāo)呈現(xiàn)出不斷擴(kuò)大的趨勢，其中制造業(yè)和批發(fā)零售業(yè)的SRIL指標(biāo)增長迅速，在新常態(tài)時期SRIL指標(biāo)甚至大于1，表明這兩個行業(yè)的信貸風(fēng)險與整體信貸風(fēng)險關(guān)聯(lián)最大。能源供應(yīng)業(yè)、運(yùn)輸業(yè)和信息傳輸業(yè)SRIL指標(biāo)較低，甚至出現(xiàn)負(fù)值，表明這些行業(yè)與整體信貸風(fēng)險關(guān)聯(lián)較小。

本文在引言部分對周期性行業(yè)做出詳細(xì)闡述，即行業(yè)中存在順周期行業(yè)和逆周期行業(yè)，順周期行業(yè)的經(jīng)營狀況與經(jīng)濟(jì)存在同向性，逆周期行業(yè)則主要在經(jīng)濟(jì)增速放緩時表現(xiàn)出穩(wěn)健的經(jīng)營能力。根據(jù)這一表述，再結(jié)合SRIL指標(biāo)結(jié)果，本文將SRIL指標(biāo)在所有時期均為正的行業(yè)稱為順周期行業(yè)，將SRIL在金融危機(jī)時期小于0的行業(yè)歸為逆周期行業(yè)。此外，本文還進(jìn)一步將SRIL指標(biāo)在新常態(tài)時期大于1的順周期行業(yè)歸為強(qiáng)勢順周期行業(yè)，將SRIL在所有時期均在0至1之間的行業(yè)歸為弱勢順周期行業(yè)。按照該劃分方法，將制造業(yè)、批發(fā)零售業(yè)劃入強(qiáng)勢順周期行業(yè)，將房地產(chǎn)業(yè)、建筑業(yè)、采礦業(yè)劃入弱勢順周期行業(yè)，將能源供應(yīng)業(yè)、運(yùn)輸業(yè)、信息傳輸業(yè)劃分為逆周期行業(yè)。

接下來，按照上述劃分的三類周期性行業(yè)來研究行業(yè)信貸風(fēng)險的具體走勢以及其重要影響因素。仿照總體信貸風(fēng)險的分析思路，將各行業(yè)歷史分解得到的銀行自身因素、物價因素、產(chǎn)出因素與行業(yè)信貸風(fēng)險繪制在一起，結(jié)果如圖2所示。

強(qiáng)勢順周期行業(yè)的信貸風(fēng)險在金融危機(jī)期間迅速擴(kuò)大（圖21，圖26），金融危機(jī)過后又逐漸恢復(fù)至危機(jī)前水平。其中制造業(yè)不良貸款率在非金融危機(jī)時期保持在2%至4%區(qū)間內(nèi)，在金融危機(jī)期間有所上升，最高達(dá)到6%。批發(fā)和零售業(yè)不良貸款率在非金融危機(jī)時期保持在2%至6%區(qū)間內(nèi)，金融危機(jī)期間一度升至10%。銀行自身因素和產(chǎn)出因素的歷史分解與總體行業(yè)結(jié)果基本一致。需要注意的是，在金融危機(jī)末期（2008年底），強(qiáng)勢順周期行業(yè)的的信貸風(fēng)險同樣出現(xiàn)回升，且回升幅度更高，甚至超過金融危機(jī)時期的最高水平，這一輪反彈過程中產(chǎn)出因素的作用不容忽視，其對信貸風(fēng)險的貢獻(xiàn)程度超過銀行自身因素。

弱勢順周期行業(yè)的銀行風(fēng)險總體上低于強(qiáng)勢順周期行業(yè)（圖23，圖24，圖28），樣本期間的不良貸款率在4%以下。其中，房地產(chǎn)業(yè)和建筑業(yè)不良貸款率在金融危機(jī)時期最高達(dá)到4%。采礦業(yè)在金融危機(jī)前處于極低水平，金融危機(jī)爆發(fā)后迅速攀升，最高至15%。在經(jīng)濟(jì)恢復(fù)時期以后不良貸款率有所下降，維持在05%至2%區(qū)間內(nèi)。但采礦業(yè)例外，其信貸風(fēng)險在新常態(tài)時期再次上升，2015年甚至超過金融危機(jī)時期的最高水平。在風(fēng)險重要驅(qū)動因素方面，弱勢順周期行業(yè)信貸風(fēng)險的重要驅(qū)動因素與總體信貸風(fēng)險情況類似，銀行自身因素在金融危機(jī)期間對弱勢順周期行業(yè)影響較大。其中，采礦業(yè)的銀行自身因素在2015年迅速上升，表現(xiàn)出與金融危機(jī)時期相同的特征，監(jiān)管部門應(yīng)對此給予高度重視，防范采礦業(yè)貸款的大規(guī)模違約。另外，物價因素對建筑業(yè)和采礦業(yè)信貸風(fēng)險影響極大，這種影響不僅體現(xiàn)在危機(jī)初期，而且體現(xiàn)在金融危機(jī)中期對風(fēng)險的巨大貢獻(xiàn)。在金融危機(jī)中期物價因素對采礦業(yè)信貸風(fēng)險的貢獻(xiàn)甚至超過銀行自身因素。endprint

逆周期行業(yè)（圖22， 圖25，圖27）存在一種相似特征，即在金融危機(jī)前的信貸風(fēng)險就已處于樣本期內(nèi)的最高水平，金融危機(jī)對這類行業(yè)影響相對較小。這一特征在能源供應(yīng)業(yè)和運(yùn)輸業(yè)上表現(xiàn)最明顯，3個逆周期行業(yè)的信貸風(fēng)險始終處于緩慢的下行態(tài)勢，從2007年初的2%下降到2015年底的025%左右，即使在金融危機(jī)時期，也沒有出現(xiàn)反彈升高現(xiàn)象。在金融危機(jī)時期的銀行風(fēng)險驅(qū)動因素方面，物價因素對銀行風(fēng)險的貢獻(xiàn)極低。銀行自身因素雖然略高于同期物價和產(chǎn)出因素，但仍處于較低水平，說明金融危機(jī)期間銀行自身因素沒有加劇逆周期行業(yè)的違約風(fēng)險；產(chǎn)出因素在金融危機(jī)末期也沒有出現(xiàn)反彈，說明實(shí)體經(jīng)濟(jì)增速下降并沒有加劇逆周期行業(yè)的風(fēng)險。由此可以看出，逆周期行業(yè)在金融危機(jī)期間具有較強(qiáng)的抗風(fēng)險能力。非金融危機(jī)時期，各因素表現(xiàn)與總體情況基本一致。

綜上所述，銀行自身因素、物價因素、產(chǎn)出因素在不同行業(yè)中的表現(xiàn)與在總體信貸風(fēng)險中的表現(xiàn)大致相同，但存在一定差異，這些差異主要表現(xiàn)在金融危機(jī)期間。第一，金融危機(jī)末期產(chǎn)出因素對銀行風(fēng)險貢獻(xiàn)上升的現(xiàn)象在強(qiáng)勢順周期行業(yè)表現(xiàn)更顯著，這一現(xiàn)象表明，實(shí)體經(jīng)濟(jì)增速下滑對強(qiáng)勢順周期行業(yè)信貸風(fēng)險影響尤為顯著；第二，物價因素對銀行風(fēng)險貢獻(xiàn)在弱勢順周期行業(yè)較高，表明弱勢順周期行業(yè)信貸風(fēng)險在金融危機(jī)中易受物價變動的影響；第三，銀行自身因素對逆周期行業(yè)信貸風(fēng)險的貢獻(xiàn)較小，甚至低于銀行因素對總體信貸風(fēng)險的貢獻(xiàn)。對于以上差異，后文會進(jìn)一步通過重要驅(qū)動因素的作用機(jī)理加以解釋。

（三）銀行風(fēng)險驅(qū)動因素的作用機(jī)理

在給出風(fēng)險驅(qū)動因素對銀行風(fēng)險的歷史貢獻(xiàn)后，本文還進(jìn)一步研究各風(fēng)險驅(qū)動因素對銀行風(fēng)險的作用機(jī)理。本文將銀行風(fēng)險驅(qū)動因素的作用機(jī)理分為作用路徑和作用時滯兩部分。作用路徑是指各風(fēng)險驅(qū)動因素的變動方向與銀行風(fēng)險變動方向的關(guān)系，作用時滯是指從風(fēng)險驅(qū)動因素發(fā)生變動到對銀行風(fēng)險產(chǎn)生影響的時間。

風(fēng)險驅(qū)動因素的作用機(jī)理可利用脈沖響應(yīng)加以研究，圖3給出銀行體系的總體和各行業(yè)不良貸款率對銀行自身因素、產(chǎn)出因素、物價因素的脈沖響應(yīng)結(jié)果?？v觀全局后發(fā)現(xiàn)，不良貸款率在受到物價因素和產(chǎn)出因素沖擊后首先劇烈波動，隨后波動開始放緩，最后趨于平穩(wěn)。另一方面，銀行自身因素的沖擊對銀行風(fēng)險幾乎沒有影響。

具體而言，產(chǎn)出因素對銀行體系總體不良貸款率的脈沖響應(yīng)結(jié)果表明，產(chǎn)出增速的提高首先在前4期降低銀行體系總體不良貸款率，并在第2期達(dá)到最大，這與前文EM方法所得結(jié)果一致。在第4期后總體不良貸款率又開始攀升。在產(chǎn)出對各行業(yè)不良貸款率的影響方面，大部分順周期行業(yè)的表現(xiàn)與總體情況相同，但逆周期行業(yè)（能源供應(yīng)業(yè)、運(yùn)輸業(yè)、信息傳輸業(yè)）與總體情況相反。

產(chǎn)出增速變化對信貸風(fēng)險的這種影響可能來源于信貸需求摩擦[19]。信貸需求摩擦理論主要關(guān)注企業(yè)等借款者的資產(chǎn)負(fù)債表，認(rèn)為借款者的抵押品資產(chǎn)價值與貸款可得性相聯(lián)系。當(dāng)經(jīng)濟(jì)增速提高后，企業(yè)的抵押品凈值會隨之增加，使得銀行愿意擴(kuò)大放貸規(guī)模，進(jìn)而改善企業(yè)經(jīng)營狀況，企業(yè)經(jīng)營狀況的改善反過來又會降低銀行信貸風(fēng)險。在行業(yè)信貸風(fēng)險方面，提高產(chǎn)出增速可以在短期內(nèi)降低順周期行業(yè)信貸風(fēng)險，但中長期效果較弱。原因可能在于，經(jīng)濟(jì)增速提高在短期內(nèi)可以增加企業(yè)收入，改善企業(yè)經(jīng)營情況，從而降低企業(yè)違約率。但企業(yè)收入增加可能會引起其他企業(yè)過度進(jìn)入該行業(yè)，由此降低該行業(yè)收入水平，導(dǎo)致企業(yè)違約率有所回升。值得關(guān)注的是，逆周期行業(yè)信貸風(fēng)險表現(xiàn)與順周期行業(yè)信貸風(fēng)險相反，即經(jīng)濟(jì)增速下行會在短期內(nèi)降低逆周期行業(yè)的信貸風(fēng)險。該結(jié)論與宏觀壓力測試的結(jié)果一致，表明逆周期行業(yè)是新常態(tài)時期的重要經(jīng)濟(jì)增長點(diǎn)。

物價因素對銀行體系總體不良貸款率的脈沖響應(yīng)結(jié)果表明，物價上升會降低不良貸款率，并在第4期達(dá)到峰值。大約在第12期趨近于0，在12期以后不良貸款率開始上升。此外，從行業(yè)結(jié)果來看，物價上升對不同行業(yè)不良貸款率的影響存在較大差異。物價正向沖擊使強(qiáng)勢順周期行業(yè)（制造業(yè)和批發(fā)零售業(yè)）不良貸款率下降最多。與此同時，物價正向沖擊對部分弱勢順周期行業(yè)（房地產(chǎn)業(yè)和建筑業(yè)）不良貸款率影響較小。[JP2]逆周期行業(yè)（能源供應(yīng)業(yè)、運(yùn)輸業(yè)、信息傳輸業(yè)）的不良貸款率隨物價上升而增加。[JP]

物價對信貸風(fēng)險的影響可能來源于“貨幣幻覺”效應(yīng)。“貨幣幻覺”效應(yīng)是指居民只對貨幣的名義價值變化做出反應(yīng)，而忽視貨幣實(shí)際購買力變化的一種心理錯覺。當(dāng)物價上升，由于居民的“貨幣幻覺”效應(yīng)，居民部門會感到自己更加富有，因此會增加對產(chǎn)品的消費(fèi)，企業(yè)經(jīng)營狀況由此改善，從而使銀行信貸風(fēng)險下降。此外，銀行體系總體信貸風(fēng)險在第12期后開始上升。其原因可能是隨著時間的推移，人們逐漸意識自己的實(shí)際購買力未變，開始緊縮消費(fèi)，從而使企業(yè)經(jīng)營惡化，違約率增加。居民對不同行業(yè)產(chǎn)品的“貨幣幻覺”可能存在較大差異。居民對強(qiáng)勢順周期行業(yè)產(chǎn)品的“貨幣幻覺”程度更高，即物價上升在更大程度上增加居民對強(qiáng)勢順周期行業(yè)產(chǎn)品和服務(wù)的消費(fèi)。居民在部分弱勢順周期行業(yè)產(chǎn)品上的貨幣幻覺程度較弱。從逆周期角度來看，物價降低后居民反而會增加對逆周期行業(yè)產(chǎn)品的消費(fèi)，這可能是逆周期行業(yè)信貸風(fēng)險在經(jīng)濟(jì)下滑后仍然保持較低水平的重要原因。

銀行自身因素對銀行體系總體不良貸款率的脈沖響應(yīng)結(jié)果顯示，銀行自身因素沖擊并不能直接加劇不良貸款率，乍看之下，該結(jié)論與歷史分解部分給出的危機(jī)時期銀行自身因素是風(fēng)險重要驅(qū)動因素的結(jié)論存在矛盾。其實(shí)不然，歷史分解結(jié)果給出的是金融危機(jī)時期銀行自身因素對銀行信貸風(fēng)險的歷史貢獻(xiàn)，而脈沖響應(yīng)結(jié)果綜合考慮了金融危機(jī)、經(jīng)濟(jì)恢復(fù)、新常態(tài)三個時期的情況。因此，進(jìn)一步說明銀行自身因素只在金融危機(jī)時期會大幅影響銀行風(fēng)險，在非金融危機(jī)時期對銀行風(fēng)險的影響甚微。

銀行自身因素對信貸風(fēng)險的影響可能來源于銀行的風(fēng)險放大機(jī)制[20]，銀行風(fēng)險放大機(jī)制主要是通過杠桿機(jī)制和傳染機(jī)制實(shí)現(xiàn)的。杠桿機(jī)制是銀行根據(jù)內(nèi)在風(fēng)險管理和外在金融監(jiān)管的要求，銀行需要維持目標(biāo)杠桿[21]，金融機(jī)構(gòu)在管理資本金時采用VaR約束，進(jìn)而導(dǎo)致杠桿順周期特征[22]。傳染機(jī)制是由銀行間的直接或間接業(yè)務(wù)關(guān)聯(lián)引起的損失擴(kuò)大過程。在信貸風(fēng)險上升后，銀行為避免損失會拋售信貸資產(chǎn)，由于流動性折扣使資產(chǎn)在拋售時會出現(xiàn)折價現(xiàn)象，由此導(dǎo)致銀行的信貸風(fēng)險進(jìn)一步上升。另一方面，該銀行拋售的信貸資產(chǎn)可能也被其他銀行共同持有（間接關(guān)聯(lián)性）。因此，折價還會導(dǎo)致其他持有該類信貸資產(chǎn)的銀行遭受損失，從而觸發(fā)其他銀行的拋售行為，其他銀行拋售產(chǎn)生的折價也會反過來導(dǎo)致該銀行的信貸風(fēng)險繼續(xù)上升。endprint

在論證銀行風(fēng)險驅(qū)動因素的作用機(jī)理后，接下來通過作用機(jī)理進(jìn)一步闡述歷史分解結(jié)果的合理性。將總體信貸風(fēng)險的歷史分解結(jié)果和重要驅(qū)動因素的作用機(jī)理相結(jié)合可以發(fā)現(xiàn)，物價因素產(chǎn)生的“貨幣幻覺”效應(yīng)存在于所有時期，銀行自身因素產(chǎn)生的風(fēng)險放大效應(yīng)主要存在于金融危機(jī)時期，而產(chǎn)出因素導(dǎo)致的信貸需求機(jī)制在非危機(jī)時期作用更突出。

同理，將行業(yè)信貸風(fēng)險歷史分解結(jié)果與重要驅(qū)動因素的作用機(jī)理結(jié)合，所得結(jié)論與總體情況基本一致，這里僅對上一節(jié)提出的三個例外情況加以解釋。其一，實(shí)體經(jīng)濟(jì)增速下滑對強(qiáng)勢順周期行業(yè)信貸風(fēng)險影響尤為顯著?？梢?，在強(qiáng)勢順周期企業(yè)遭受產(chǎn)出增速下降的沖擊后，由于信貸需求摩擦導(dǎo)致沖擊被更大幅度地放大；其二，物價因素對弱勢順周期行業(yè)信貸風(fēng)險貢獻(xiàn)較高。這表明居民對弱勢順周期行業(yè)的“貨幣幻覺”效應(yīng)最弱，持續(xù)時間最短；其三，銀行因素對逆周期行業(yè)信貸風(fēng)險貢獻(xiàn)較小。這表明銀行對逆周期行業(yè)的風(fēng)險放大效應(yīng)可能較弱，因此，銀行可以為逆周期行業(yè)提供相對寬松的融資還貸條件。

五、 銀行業(yè)風(fēng)險的政策治理

[JP2]在洞悉宏觀經(jīng)濟(jì)因素和銀行自身因素對銀行風(fēng)險影響機(jī)理的基礎(chǔ)上，本文試圖將利率和匯率指標(biāo)納入進(jìn)來，進(jìn)一步探討貨幣政策和匯率政策對銀行風(fēng)險的影響。接下來，本文首先研究2007年至2015年貨幣政策和匯率政策抑制銀行風(fēng)險的效果。然后，結(jié)合現(xiàn)有理論研究貨幣和匯率政策在當(dāng)前中國實(shí)踐中的有效性。最后，給出抑制銀行風(fēng)險的策略。[JP]

政策指標(biāo)抑制銀行風(fēng)險的能力同樣由歷史分解給出。若政策指標(biāo)對銀行風(fēng)險的歷史分解貢獻(xiàn)為負(fù)，則說明該政策指標(biāo)能夠有效抑制銀行風(fēng)險。通過圖4歷史分解結(jié)果可以發(fā)現(xiàn)，一方面，利率因素在2013年以前對不良貸款率幾乎沒有負(fù)向貢獻(xiàn)，可見在2013年以前貨幣政策抑制銀行風(fēng)險的效果較差。2013年后利率的歷史分解貢獻(xiàn)開始由正轉(zhuǎn)負(fù)，貨幣政策抑制銀行風(fēng)險的效果正逐漸增強(qiáng)。值得注意的是，2013年正是我國利率市場化改革的加速階段，這一時期我國進(jìn)一步擴(kuò)大利率浮動區(qū)間。由此表明，利率市場化改革有助于提高貨幣政策的有效性。另一方面，匯率因素在絕大部分時期對銀行風(fēng)險的歷史貢獻(xiàn)為正，表明匯率政策抑制銀行風(fēng)險的效果較差。這一結(jié)果可能是由于我國匯率機(jī)制仍處于管理浮動，資本賬戶開放程度較低等原因造成的。因此，目前在抑制銀行風(fēng)險的有效性上，貨幣政策相對匯率政策更為有效。

本文首先給出貨幣政策和匯率政策影響信貸風(fēng)險的理論。然后利用信貸風(fēng)險對利率和匯率的脈沖響應(yīng)結(jié)果（圖5），分別檢驗(yàn)當(dāng)前貨幣政策和匯率政策抑制銀行信貸風(fēng)險的實(shí)際效果，并結(jié)合實(shí)際情況給出理論解釋。

從理論上看，貨幣政策對信貸風(fēng)險的影響既可以是直接的，也可以是間接的。貨幣政策對銀行信貸風(fēng)險的直接影響可由銀行貸款標(biāo)準(zhǔn)理論解釋[23]。銀行貸款標(biāo)準(zhǔn)理論指的是，貨幣政策中的利率中介指標(biāo)代表銀行的風(fēng)險容忍度，由于中國銀行業(yè)持有的風(fēng)險資產(chǎn)主要是信貸資產(chǎn)，這種風(fēng)險容忍度對于中國銀行業(yè)而言，主要體現(xiàn)在信貸標(biāo)準(zhǔn)上。利率越高，銀行的風(fēng)險容忍度越低，銀行的貸款標(biāo)準(zhǔn)越嚴(yán)格，從而越有利于抑制銀行風(fēng)險。貨幣政策對銀行信貸風(fēng)險的間接影響表現(xiàn)在利率傳導(dǎo)渠道機(jī)制上。在既定的邊際投資傾向下，利率上升會降低投資，并通過乘數(shù)效應(yīng)導(dǎo)致產(chǎn)出增速和物價水平下降。而根據(jù)前文機(jī)理所述，產(chǎn)出增速和物價水平下降均會使銀行風(fēng)險擴(kuò)大。綜上所述，緊縮貨幣政策既可以通過銀行貸款標(biāo)準(zhǔn)理論降低銀行風(fēng)險，也可以通過利率傳導(dǎo)渠道擴(kuò)大銀行風(fēng)險。

在貨幣政策的實(shí)證方面，利率上升最初會降低銀行體系總體不良貸款率，并在第2期達(dá)到最大效果，隨后效果逐漸減弱。這一結(jié)果表明，緊縮的貨幣政策可以在短期內(nèi)降低信貸風(fēng)險，但在長期幾乎沒有效果。結(jié)合理論本文發(fā)現(xiàn)，緊縮貨幣政策導(dǎo)致的銀行貸款標(biāo)準(zhǔn)效應(yīng)在短期內(nèi)大于利率傳導(dǎo)渠道效應(yīng)，在長期二者幾乎相同。

同樣，匯率政策對信貸風(fēng)險影響的理論影響也可分為直接和間接兩方面。其中，匯率政策對銀行風(fēng)險的直接影響可通過外匯信貸需求理論來解釋。人民幣升值會擴(kuò)大企業(yè)和居民的外匯貸款的需求，為滿足于外匯貸款需求，銀行外匯資產(chǎn)向貸款集中，導(dǎo)致銀行信貸資產(chǎn)易受外匯波動的影響，從而增大信貸風(fēng)險。匯率還可以通過產(chǎn)出和物價渠道間接影響銀行風(fēng)險。人民幣升值會擴(kuò)大消費(fèi)和投資，使本國的產(chǎn)出增速上升。人民幣升值還會通過增強(qiáng)本國的國際購買力使進(jìn)口商品價格降低，并推動本國物價水平走低①，而根據(jù)前文的作用機(jī)理所述，產(chǎn)出增速上升會使銀行信貸風(fēng)險下降，物價下降會使銀行信貸風(fēng)險上升。綜上，人民幣升值可以通過外匯信貸需求效應(yīng)和物價渠道擴(kuò)大銀行風(fēng)險，也可以通過產(chǎn)出渠道降低銀行風(fēng)險。

在匯率政策的實(shí)證方面，人民幣升值首先提高銀行體系總體不良貸款率，并在第3期達(dá)到峰值，在第7期后不良貸款率開始持續(xù)下降。這表明本幣升值的匯率政策在短期內(nèi)效果甚微，但在長期有一定效果。對比實(shí)證結(jié)果可以發(fā)現(xiàn)，人民幣升值的匯率政策在短期內(nèi)主要通過外匯信貸需求效應(yīng)和物價渠道提高銀行風(fēng)險，在長期則主要通過產(chǎn)出渠道降低銀行風(fēng)險。

以上結(jié)果表明，緊縮貨幣政策和人民幣升值的匯率政策都可以降低銀行風(fēng)險，這與前文EM估計方法所得結(jié)果一致。但需要注意的是，兩種政策降低銀行風(fēng)險發(fā)揮作用的時滯不同，貨幣政策在短期內(nèi)能降低銀行風(fēng)險，長期效果較?。欢鴧R率政策短期效果不明顯，但可以在中長期發(fā)揮更大作用。

最后，本文將政策因素、宏觀經(jīng)濟(jì)因素、銀行自身因素對銀行信貸風(fēng)險的作用機(jī)理歸納為如圖6所示。在此基礎(chǔ)上，本文給出治理銀行風(fēng)險的政策使用方法。由于當(dāng)前貨幣政策比匯率政策抑制銀行風(fēng)險的效果更好，因此，在使用政策時應(yīng)明確貨幣政策的主要地位，將匯率政策作為抑制銀行風(fēng)險的輔助手段。

在政策的使用上，不同經(jīng)濟(jì)時期應(yīng)搭配不同的政策來治理銀行風(fēng)險。具體來講，在危機(jī)時期，主要從銀行自身結(jié)構(gòu)入手，通過提高銀行的資本充足率要求、限制銀行間的關(guān)聯(lián)性業(yè)務(wù)等宏觀審慎政策，抑制銀行風(fēng)險的自我放大。此外，危機(jī)時期的第一要義是迅速降低銀行風(fēng)險，而貨幣政策的短期效果較好，因此，貨幣政策應(yīng)作為此時期對抗銀行風(fēng)險的“撒手锏”。在非危機(jī)時期，由于人民幣升值的匯率政策具有長期降低銀行風(fēng)險的效果，可以適當(dāng)使用。但鑒于匯率政策抑制銀行風(fēng)險能力有限，因此此時期仍需格外重視貨幣政策。endprint

此外，不同行業(yè)信貸風(fēng)險有不同的監(jiān)管重點(diǎn)。強(qiáng)勢順周期行業(yè)信貸風(fēng)險易受產(chǎn)出影響，特別是在金融危機(jī)末期產(chǎn)出增速下降使銀行風(fēng)險大幅上升，因此應(yīng)密切關(guān)注強(qiáng)勢順周期行業(yè)的經(jīng)營狀況，必要時給予企業(yè)一定補(bǔ)貼；[JY]弱勢順周期行業(yè)信貸風(fēng)險在

[FL）0]

[CD13][HT6SS]

①本文通過產(chǎn)出增速對匯率的脈沖響應(yīng)，以及物價對匯率的脈沖響應(yīng)結(jié)果同樣證實(shí)以上結(jié)論。為節(jié)省文章篇幅，本文不再展示兩個脈沖響應(yīng)結(jié)果。讀者如有需要，可向作者索取。

金融危機(jī)中期對物價更敏感，為此穩(wěn)定弱勢順周期企業(yè)的商品物價顯得尤為重要；逆周期行業(yè)信貸風(fēng)險在金融危機(jī)時期較小，銀行可以適當(dāng)放松對該類行業(yè)的信貸要求，并降低對該行業(yè)的融資成本。

六、 結(jié)論

本文將有向無環(huán)圖（DAG）方法納入到向量誤差修正模型（VECM）中，運(yùn)用該模型在銀行體系總體信貸和行業(yè)信貸兩個層面上，研究新常態(tài)下宏觀壓力測試以及中國銀行業(yè)風(fēng)險形成機(jī)理。在此基礎(chǔ)上，給出有效抑制銀行風(fēng)險的策略。具體而言，本文得到以下結(jié)論：

（1） 在新常態(tài)環(huán)境下，產(chǎn)出增速下降的壓力情景會對中國銀行業(yè)總體風(fēng)險產(chǎn)生一定影響，但仍屬于可控范圍。經(jīng)濟(jì)增速放緩對不同行業(yè)信貸風(fēng)險的影響程度不同，順周期行業(yè)遭受沖擊后信貸風(fēng)險上升程度較大，而逆周期行業(yè)的信貸風(fēng)險會出現(xiàn)一定程度下降。其原因可能與新常態(tài)時期產(chǎn)業(yè)結(jié)構(gòu)調(diào)整有關(guān)，在新常態(tài)背景下，國家主動開展供給側(cè)結(jié)構(gòu)性改革，大力扶持科技產(chǎn)業(yè)為代表的逆周期行業(yè)。因此，即使產(chǎn)出面臨下行壓力，也能實(shí)現(xiàn)逆周期行業(yè)的高速發(fā)展，從而降低銀行對該行業(yè)的放貸風(fēng)險。

（2） 將研究的時期和因素進(jìn)一步拓展，進(jìn)而研究中國銀行業(yè)風(fēng)險形成的一般機(jī)理。從風(fēng)險驅(qū)動因素對銀行總體信貸風(fēng)險的影響來看，物價因素導(dǎo)致的“貨幣幻覺”效應(yīng)存在于金融危機(jī)與非危機(jī)時期；銀行自身因素產(chǎn)生的風(fēng)險放大效應(yīng)主要存在于金融危機(jī)時期；產(chǎn)出因素的信貸需求摩擦效應(yīng)在非危機(jī)時期對銀行風(fēng)險有較大影響。與總體情況相比，各驅(qū)動因素對不同周期性行業(yè)信貸風(fēng)險的影響基本一致，區(qū)別主要有三點(diǎn)。其一，產(chǎn)出增速下滑對強(qiáng)勢順周期行業(yè)信貸風(fēng)險影響尤為顯著；其二，弱勢順周期行業(yè)引發(fā)的“貨幣幻覺”效應(yīng)較弱；其三，逆周期行業(yè)引起的風(fēng)險放大效應(yīng)較弱，因此逆周期行業(yè)的融資還貸條件相對寬松。

（3） 實(shí)證發(fā)現(xiàn)，[JP2]當(dāng)前貨幣政策比匯率政策能更有效地抑制銀行風(fēng)險。因此，治理銀行風(fēng)險時應(yīng)明確貨幣政策的主導(dǎo)地位，將匯率政策作為抑制銀行風(fēng)險的輔助手段。此外，應(yīng)針對不同經(jīng)濟(jì)時期的特點(diǎn)使用相應(yīng)政策。具體而言，在金融危機(jī)時期，主要從銀行自身結(jié)構(gòu)入手，[JP]通過更嚴(yán)格的宏觀審慎政策抑制銀行風(fēng)險的自我放大，并配以緊縮性的貨幣政策。在非危機(jī)時期，人民幣升值在長期具有降低銀行風(fēng)險的效果，但鑒于匯率政策對銀行風(fēng)險的抑制能力有限，此時期仍需重視貨幣政策。在不同周期性行業(yè)的信貸風(fēng)險治理方面，對于強(qiáng)勢順周期行業(yè)，應(yīng)密切關(guān)注該行業(yè)的經(jīng)營狀況，必要時給予一定行業(yè)補(bǔ)貼；對于弱勢順周期行業(yè)，應(yīng)以穩(wěn)定產(chǎn)品物價為主；逆周期行業(yè)信貸風(fēng)險較小，銀行可適當(dāng)放松對該類行業(yè)的信貸要求。

[WT][HT5H]參考文獻(xiàn)：[HT5”SS]

[1][ZK（#]方意， 方明. 中國貨幣市場基準(zhǔn)利率的確立及其動態(tài)關(guān)系研究 [J]. 金融研究， 2012（7）： 8497.

[2]尹志超， 甘犁. 信息不對稱、企業(yè)異質(zhì)性與信貸風(fēng)險 [J]. 經(jīng)濟(jì)研究， 2011（9）： 121132.

[3]Hackbarth D， Miao J， Morellec E. Capital structure， credit risk， and macroeconomic conditions [J]. Journal of Financial Economics， 2006， 82（3）： 519550.

[4]Castro V. Macroeconomic determinants of the credit risk in the banking system： the case of the GIPSI [J]. Economic Modelling， 2013， 31： 672683.

[5]Bank for International Settlements. Stress testing by large financial institutions： current practice and aggregation issues [M]. Basel： Committee on the Global Financial System， 2013.

[6]Quagliariello M. Stresstesting the banking system： methodologies and applications [M]. Cambridge University Press， 2009.

[7]Boss M， Fenz G， Pann J， Puhr C， Schneider M， Ubl E. Modeling credit risk through the Austrian business cycle： An update of the OeNB model [J]. Financial Stability Report， 2009， 17： 85101.

[8]張雪蘭， 何德旭. 貨幣政策立場與銀行風(fēng)險承擔(dān)——基于中國銀行業(yè)的實(shí)證研究（2000—2010） [J]. 經(jīng)濟(jì)研究， 2012（5）： 3144.

[9]方意， 趙勝民， 謝曉聞. 貨幣政策的銀行風(fēng)險承擔(dān)分析——兼論貨幣政策與宏觀審慎政策協(xié)調(diào)問題 [J]. 管理世界， 2012（11）： 919+56+187.[ZK）]endprint

[10][ZK（#]Borio C， Drehmann M， Tsatsaronis K. Stresstesting macro stress testing： Does it live up to expectations？ [J]. Journal of Financial Stability， 2014（12）： 315.

[11]Simons D， Rolwes F. Macroeconomic default modeling and stress testing [J]. International Journal of Central Banking， 2009， 5（3）： 177204.

[12]Rinaldi L， SanchisArellano A. Household debt sustainability： What explains household nonperforming loans？ An empirical analysis [R]. ECB Working Paper， 2006.

[13]趙勝民， 方意， 王道平. 金融信貸是否中國房地產(chǎn)、股票價格泡沫和波動的原因——基于有向無環(huán)圖的分析 [J]. 金融研究， 2011（12）： 6276.

[14]Spirtes P， Glymour C， Scheines R. Causation， prediction， and search [M]. MIT Press， 2000.

[15]方意. 貨幣政策與房地產(chǎn)價格沖擊下的銀行風(fēng)險承擔(dān)分析 [J]. 世界經(jīng)濟(jì)， 2015（7）： 7398.

[16]Louzis D P， Vouldis A T， Metaxas V L. Macroeconomic and bankspecific determinants of nonperforming loans in Greece： A comparative study of mortgage [J]. Business and Consumer Loan Portfolios， Journal of Banking & Finance， 2012， 36（4）： 10121027.

[17]Sharpe W F. Capital asset prices： A theory of market equilibrium under conditions of risk [J]. The Journal of Finance， 1964， 19（3）： 425442.

[18]中國人民銀行金融穩(wěn)定分析小組. 中國金融穩(wěn)定報告（2015） [M]. 中國金融出版社， 2015.

[19]劉宗明. 投資效率演進(jìn)與中國總產(chǎn)出波動 [J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2013（1）： 5470.

[20]方意. 宏觀審慎政策有效性研究 [J]. 世界經(jīng)濟(jì)， 2016（8）： 2549.

[21][ZK（]方意， 鄭子文. 系統(tǒng)性風(fēng)險在銀行間的傳染路徑研究——基于持有共同資產(chǎn)網(wǎng)絡(luò)模型 [J]. 國際金融研究， 2016（6）： 6172. [ZK）]

[22]Greenwood R， Landier A， Thesmar A. Vulnerable Banks [J]. Journal of Financial Economics， 2015， 115（3）： 471485.

[23]Adrian T， Shin H S. Liquidity and financial contagion [J]. Banque de France Financial Stability Review： Special Issue on Liquidity， 2008（11）： 17.

[24]Maddaloni A， Peydró J L. Bank risktaking， securitization， supervision， and low interest rates： evidence from the Euroarea and the US lending standards [J]. Review of Financial Studies， 2011， 24（6）： 21212165.[ZK）]

[HT5K][JY]責(zé)任編輯、 校對： 李再揚(yáng)endprint