信贷热潮加剧了我国银行脆弱性吗？
2016-12-09李梦花
李梦花
摘要：本文采用我国105家商业银行的微观数据实证分析了信贷热潮对我国银行脆弱性的影响，分析结果表明信贷热潮及股票、基金、债券等市场的发展会显著影响我国银行脆弱性；信贷热潮还通过银行市场结构、银行部门提供的信贷占比加剧其对银行脆弱性的负面影响，相反虚拟经济的适度发展弱化了这一负面影响。这启示我们制定政策时应尽量避免信贷热潮的发生，并密切关注其持续性；改变目前过高的银行集中度及过度依赖商业银行配置资源的局面，降低银行准入限制，发展直接融资市场，例如适度发展股票、基金、债券等市场，同时加大监督管理，使这些市场的发展能有效分担银行承担的风险，降低银行脆弱性。
关键词：金融体系；银行脆弱性；信贷热潮；虚拟经济
中图分类号：F830 文献标识码：A 文章编号：1003-854X（2016）10-0022-07
一、引言
2008年，美国爆发的次贷危机最终演变为一场席卷世界的国际金融危机。危机期间，大量金融机构陷入流动性短缺、资不抵债等漩涡，甚至一些行业翘楚，如雷曼兄弟宣告破产。此后危机的影响扩展到世界经济的各个方面，实体经济受到严重拖累。各国GDP增速放缓，甚至负增长，贸易额大幅下滑，致使各国不得不无休止地采取各种宽松的刺激政策，而这又带来一系列新的问题，比如通胀，甚或滞胀。时至今日世界经济仍然不可以说已经走出这场源于金融体系的灾难。这使得金融脆弱尤其是银行体系的脆弱性成为各国学界、政界关注的焦点。
在过去的数十年间，世界各国经历了不同程度的金融深化。一方面金融中介机构数量和规模持续扩大，资本市场上衍生产品相继涌现，衍生链条不断延伸，资产交易额和市值迅速攀升，使得经济虚拟化程度加深；另一方面各国信贷出现持续的快速扩张过程。Tomell&Westermann指出信贷繁荣多数会逐渐减速，但有时会强化金融系统脆弱性，引发货币和金融双危机。成思危通过理论分析认为虚拟经济是一把双刃剑，对实体经济的发展，一方面可能是加速器，另一方面也可能是破坏者，而随着经济虚拟化的不断加深，它最大的危害是造成金融危机。刘骏民和张国庆通过对美国数据的实证分析指出虚拟经济的不稳定性与敏感性成为诱发金融危机的因素。以上分析表明随着经济虚拟化程度的提升，以及信贷膨胀的涌现，新兴经济体金融体系的不稳定性逐渐凸显。我国作为世界第二大经济体，经济发展取得持续的高速增长，而金融体系仍然是以金融中介机构为主导，这使得银行脆弱性成为各界关注的焦点。伴随中国经济的高速发展，一方面经济虚拟化程度不断攀升，由1999年的0.92到2013年18.80；另一方面信贷持续增长，金融机构各项贷款由1999年9.37万亿元增长到2013年的71.9万亿元。但目前已有的银行体系脆弱性问题研究从信贷繁荣视角考察的还很不充分，而将银行脆弱性与信贷繁荣及经济虚拟化结合起来的就更少。
目前我国正处在经济虚拟化初期，自20世纪90年代分别在上海和深圳设立两大证券交易所（下文简称沪深两市）以来，截止2015年10月，深市上市公司由最初的5家增长到1729家，沪市上市公司总数由最初的8家增加到1071家，沪深两市总市值达到47.67万亿，A股累计成交额为214.19万亿，债券累积成交额100.60万亿，基金累计成交金额为12.74万亿，分别为2014年国内生产总值的74%、337%、158%、20%，由此我国的虚拟经济在国民经济发展中已经具有重要地位。尽管2008年美国金融危机源于虚拟经济，却并不代表虚拟经济面临终结，相反未来虚拟经济的发展仍是经济发展的主题，只不过将以更规范的方式增长。因此从经济虚拟化视角研究信贷热潮对银行脆弱性的影响具有很强的现实意义。
二、研究设计与样本选择
1.样本选择及数据来源
我国自1998年开始取消信贷规模的计划管理模式，因此本文研究样本的年度区间为1999—2013年。由于各银行在样本期间均有不同程度的数据缺失，故本文使用数据为非平衡的面板数据。结合本文研究，我们借鉴刘晓欣和王飞的研究剔除了以下几类个体：证券公司、政策性银行、信托公司和国际银行，同时对样本期内发生重组或合并的银行采用合并银行数据。最终的样本包括中国银行、中国农业银行、中国工商银行、中国建设银行、交通银行5家大型商业银行：浦发银行、中信银行、兴业银行、华夏银行、北京银行、渤海银行等100家中小型商业银行。因此本文最终的研究样本确定为1999—2013年的我国105家商业银行。本文使用的各项银行数据来源于bankscope数据库及各银行年报，而宏观指标等均来源于国家统计局各年统计年鉴及ccer数据库。
2.主要变量选取及度量指标的选择
（1）银行脆弱性。关于银行脆弱性的测度指标主要有资本充足率、不良贷款率、加权的银行脆弱性指数以及银行稳定性指标z_score。本文借鉴Bertay等研究成果引入z_score来测度银行脆弱性。计算公式如下：
其中，roa为银行资产收益率，car为银行资本充足率，sd（roa）为资产收益率的标准差，本文由3年移动平均来计算，同时为了尽可能全面真实地反映样本信息，减少数据的损失，文中对样本期内第1年及最后1年的sd（roa）均采用两年移动平均。具体来说，1999年的标准差采用1999年和2000年两年的移动平均；2013年的标准差采用2012年和2013年两年的移动平均。
（2）信贷热潮。信贷的快速增长通常有三个原因：金融深化、正常的周期性上升和异常的周期性上升，只有异常的周期上升可以构成信贷热潮。实证研究中.有关信贷热潮的识别，Gourinchas，Landerretche&Valdes认为信贷热潮是名义信贷占比（信贷额/GDP）对其趋势一定程度的偏离⑥。他们提出这一偏离应该达到某一门限阈值，并定义了相对和绝对两种偏离，相对偏离将信贷增加的规模与银行体系规模联系起来，用银行信贷额占比是否超过10%来识别：而绝对偏离将其与经济体大小联系。用真实的信贷增长率对其趋势的绝对偏离来识别。Te～ones&Mendoza认为，在一个给定国家，若信贷膨胀超过给定的门限阈值（相当于信贷对其长期趋势偏离值标准差的1.75倍），则认为发生热潮。本文借鉴Gourinchas，Landerretche&Valdes（2001）的分析，分别通过绝对和相对两种门限阈值识别我国的信贷热潮。绝对门限阈值借鉴Barajas，Dell Ariccia&Levchenko（2007）的研究方法，首先引入Bcp（credit/adp）指标来度量信贷增长。由于信贷是一个存量指标，而gdp是流量指标，同上参考Baraias，Dell Ariccia&Levchenko（2007），文中采用gdp，和gdpt+1的几何平均作为GDP的代理变量。借鉴Mendoza，Terrones&Mendoza（2008）运用标准型HP过滤器（由于采用年度数据，平滑指数设为100）估计Bcp的长期趋势，如下图1所示。然后，对数化Bcp（1nbcp）及其长期趋势，计算二者的偏离值，定义为d。，继而我们求取该序列的标准差，记为σ（dt），当一期或连续多期满足条件：
（df）≥λσ（dt），说明年正在经历信贷热潮（λ为信贷热潮阈值）。文中λ设定为1.25。为检验λ的稳健型，本文也验证了λ=1.5、2时的结论，发现不改变本文的实证结果。
文中依据中国人民银行的划分标准，将样本按照银行规模变量分为三组，第一组为所有银行，第二组为大型银行，第三组为中、小型银行，这是由于规模特征是决定银行行为的基础因素。
为进一步分析信贷热潮期间，各因素是如何影响银行脆弱性的，本文借鉴Delis（2011）的方法，建构含交叉项的估计模型：
（1）银行规模。本文采用银行资产对数值Inas-set代理银行规模，学界对银行规模与其脆弱性之间的关系并无共识。学者Delis（2011）采用18000家银行2003—2008年的数据进行实证分析，认为银行规模与脆弱性呈负向相关关系，这主要是由于规模增大，可使投资越发分散，从而降低银行风险。而Aikman，Haldane&Nelson提出银行规模越大.风险管理技术越高，然而这也不过只会使风险转移而不会消失，相反会使风险累加，且伴随规模的扩张，委托代理问题会出现，从而增加银行风险，脆弱性提升。
（2）银行集中度。银行集中度cr是衡量银行业市场结构的度量指标，通过计算银行体系最大的前几个银行资产额占整个体系资产额的比例来反映银行体系的集中度，该比例越高，表示银行业集中度越高。最初这一指标选用最大的前三个银行资产额占比来计算，但考虑到我国长期以来的四大国有商业银行的主导支配地位，本文选取最大的前四个银行资产额占比来反映集中度，即cr4，t。
（3）经济增长率gw。为了解宏观经济环境对银行脆弱性的影响，文中选取经济增长率gw指标作为代理变量。学者Schulafick & Taylor认为宽松的宏观经济下，伴随经济景气上升，形成乐观预期，各银行均有扩张信贷的冲动，从而提高银行自身的脆弱性。
（4）信贷占比。McKinnon&Pill认为存款保障制度使银行部门形成乐观预期，倾向放松借款条件，借款条件的放松势必带来过度的消费、投资及过度的借款，而这一系列变化使贷款提供部门即银行机构的信贷迅速增长，会导致银行脆弱性恶化。文中bcp为信贷占比。
三、实证结果与分析
本文采用动态面板的估计模型，这一模型的典型特征是解释变量含有被解释变量的滞后项。借鉴Holtz-Eakin，Newey&Rosen（1988）的研究，认为系统GMM的估计算法可以提高动态面板估计效率，但为了确认估计的有效性，需要对扰动项的差分序列进行相关性检验及对估计过程中的工具变量进行过度识别的检验。
1.模型一的估计结果与分析
表1为模型一的实证结果。表中显示扰动项差分序列二阶自相关的Abond检验及工具变量过度识别问题的Sargan检验均满足。表明本文采用的系统GMM估计算法合理可用。
（1）信贷热潮对银行脆弱性的影响分析。表1的估计结果表明：信贷热潮与银行脆弱性之间呈现正相关。在所有银行分组的回归结果中，信贷热潮与z_Score的估计系数均为负值，即信贷热潮期，z_score下降，银行脆弱性上升。这与Dell′ Ariccia&Marquez的结论是一致的。但进一步分析，我们发现大银行样本回归中二者之间的影响系数并不显著，导致这一结果可能有以下几个原因：一是我国长期以来形成的四大国有商业银行的主导地位，这使得它们的贷款对象相对中小银行来说更为优质。违约风险更小，即使在信贷热潮期，银行面临的风险仍然可控。二是我国国有银行（大银行）不仅具有商业银行的属性，还承担了一定的行政性指标。因而在国有银行体系中必须存在大量为支持国有经济发展的信贷，也正因为如此，使国有大银行部分资金无法参与到信贷热潮中来，相应受到的冲击也较小，从而使大银行的脆弱性对信贷热潮的反应并不那么敏感。
（2）经济虚拟化发展对银行脆弱性的影响。经济虚拟化发展与银行脆弱性是正相关.表1显示ft与z_score负向相关，即经济越是虚拟化，银行体系稳健性越是下滑，脆弱性问题凸显。经济虚拟化初期，股票、债券、基金等市场的适度发展对降低银行脆弱性是有利的，而且推动了经济发展。而我国正处在虚拟化初期却出现相反情形.主要是由于近些年资本市场发展迅速，而相应的法律规范及成熟监管并不到位，致使其发展过程中存在很多问题，没有很好地起到分担商业银行资本配置的压力。虚拟化后期，ft与z_score的负向关系显现，这与刘骏民提出的“经济的虚拟化为当代世界经济埋下了金融危机的种子”观点一致。进一步分析发现，大银行子样本回归结果中ft与z_score正向相关，这主要是由于大银行拥有优质高效的管理监督团队及有效的风险分散渠道，从而导致其风险偏小。
（3）银行集中度对脆弱性的影响。由表1可知，银行集中度与脆弱性呈正相关，本文的实证分析结果支持了“集中脆弱论”。这与Schaeck and Cikak、Soedarmono等的实证分析结论一致。这主要是因为：一是银行集中虽然能够带来垄断收益，但同时集中也提高了利率，这增加了借款人的逆向选择概率，使银行资产质量恶化。二是大银行虽然更容易实现分散化，但分散化也同时降低了银行的管理效率，而且同时加大了监管难度。此外L.z_score的估计系数显示，银行脆弱性具有明显的持续惯性，这一点在每个银行分组中都得到体现。
（4）信贷占比对银行脆弱性的影响。表1的估计结果显示：信贷占比与银行脆弱性为正相关，即信贷增长越快，银行脆弱性越高。这与Ivashina，Cihak，Demirguc-Kunt & Feyen等的研究结论一致。这主要是由于信贷繁荣时，会形成对未来收入及资产价格的乐观预期，从而加剧信贷繁荣及其持续，且繁荣期银行在选择策略时倾向于降低贷款标准，这一反应策略成为信贷繁荣提升银行脆弱性的内在机制。
（5）宏观经济环境对银行脆弱性的影响。实证结果显示：不同组别的银行，其脆弱性对宏观经济环境的反应并不一致。大型银行中二者呈现显著的正相关，即gw越高，z_score越低，脆弱性越高；而中小银行中二者呈现显著的负相关。这主要是因为：一是经济景气期，大银行形成相对更高的乐观预期，从而面临更大的风险；二是中小银行在风险控制管理上更加谨慎，即使在经济景气期，仍丝毫未放松对谨慎原则的贯彻。
2.模型二的估计结果与分析
模型二的估计结果如表2所示，表中显示扰动项差分序列二阶自相关的Abond检验及工具变量过度识别问题的Sargan检验均满足，表明本文采用的系统GMM估计算法合理可用。
首先，银行集中度对脆弱性依然呈现正相关，其与信贷热潮的交叉项对脆弱性的影响仍是正相关，这表明银行集中度对脆弱性的影响方向固定，即使在信贷热潮的经济环境下这一影响仍然稳健。这一结论与已通过相关实证验证的“集中脆弱论”一致。信贷热潮期集中度对脆弱性的影响为正，可能的原因有：热潮期加剧了银行业竞争，在信贷市场普遍存在信息不对称的情形下，银行倾向于降低贷款发放条件，这为银行资产质量带来隐患，增加银行面临的不确定性。这与Boyd&De Nicolo的实证分析结论一致。
其次，信贷占比指标bcp对银行脆弱性的影响呈正相关，且其与信贷热潮的交叉项对脆弱性的影响依然为正相关。这表明加入其他变量并未改变信贷占比对银行脆弱性的影响，且热潮期更加剧了这一影响，给银行稳健经营带来隐患，伴随时间推移，倾向于提升银行脆弱性。这与Dell′Ariccia & Marquez（2006）的研究结论一致。由此表明：银行部门提供的贷款额增长越快，信贷热潮持续越长，银行脆弱性越发突出。进一步分析，大银行样本中二者的正向关系并不显著，可能由于大银行经营的各种优势，例如优质资产、隐性担保等使二者之间的反应并不敏感。
再次，信贷热潮与银行脆弱性呈正相关，这表明其他变量的加入并未改变信贷热潮对银行脆弱性的影响方向。然而表2显示，经济虚拟化度与信贷热潮的交叉项对银行脆弱性呈负相关，这表明经济虚拟化发展弱化了热潮期对银行脆弱性的不利影响。伴随信贷热潮的推进，房地产、股票、基金、债券等市场的发展倾向降低银行脆弱性。这主要是因为房地产、股票、基金、债券等虚拟资产的发展可以对实体经济的发展起到一个缓冲的保护带作用，使银行资产质量得到隐形的保障，从而降低银行脆弱性。这一结果与表2回归结果的表述似乎矛盾。事实上，按照成思危的理论分析，认为虚拟经济是一把双刃剑，同时具有正向和负向功能。经济虚拟化初期，股票、债券、基金等市场的适度发展对降低银行脆弱性是有利的，而我国正处在虚拟化初期，实证结论却出现相反情形，可能的原因主要是由于近些年资本市场发展迅速，而相应的法律规范及成熟监管并不到位，致使其发展过程中存在很多问题.没有很好地起到分担商业银行资本配置的压力。而在信贷热潮期，虚拟经济的存在为激增的资金提供了投资渠道，从而对实体经济的发展起到一个缓冲的保护带作用，使银行资产质量得到隐形的保障，从而降低银行脆弱性，这一理论结论在信贷热潮期间得到体现。这也从侧面证实了成思危先生的经济虚拟化初期，股票、债券、基金等市场的适度发展对降低银行脆弱性是有利的结论。
最后，模型一与模型二中控制变量GDP增长率gw对银行脆弱性有显著影响，说明银行体系脆弱性与宏观经济环境密切相关，但不同分组中该影响并非一致。这表明GDP增长率gw对银行脆弱性的影响与银行自身微观特征相关。所有银行分组中GDP增长率gw对银行脆弱性呈负向影响，说明良好的经济运行环境有利于银行的稳健经营行为的持续。大银行分组中，GDP增长率gw对银行脆弱性呈正向影响，这主要由于经济景气期大银行形成相对更高的乐观预期，从而倾向面临更大的风险。
3.稳健性估计
本文采用银行稳健性的另一计算公式对模型一和模型二估计结果进行稳健性分析，受篇幅所限文中仅列示模型二的稳健性分析结果。
表3显示，信贷热潮与银行集中度、信贷占比的交叉变量对银行脆弱性的影响均呈正相关，与经济虚拟化度的交叉变量呈负相关。这与模型二的估计结果相同，表明模型二的估计结果是具有稳健性的，结论可靠。进一步分析，我们发现大银行分组估计结果显示三个交叉项变量对银行脆弱性的影响均不显著，表明我国大银行经营受信贷热潮的影响较小，且其在经营过程中很小概率能做到随时调整自身经营策略。而中、小银行的反应则不同，它们在面临外部环境变化时，能够及时快速调整自身的经营策略。
四、研究结论及政策启示
本文采用我国1999—2013年105家商业银行的微观数据，运用系统GMM方法对经济虚拟化视角下信贷热潮对银行脆弱性的影响及影响机理进行了实证的研究。本文主要研究结论表明：
1.信贷热潮及经济虚拟化对我国银行业的脆弱性存在显著影响
模型一的估计结果表明，信贷热潮会显著影响银行脆弱性。模型一的分组回归中，大型银行与中小银行对信贷热潮的反应存在不同，大型银行脆弱性受信贷热潮的影响系数不显著，而中小银行脆弱性对信贷热潮存在较为敏感的反应，表明中小银行较大银行更易受到信贷热潮的冲击。这警示我们制定相关政策时，要尽量避免信贷热潮的发生，并且一旦发生，需尽量缩短其持续期。我国经济虚拟化初期就对银行脆弱性产生负面影响，主要由于近些年资本市场发展迅速，而相应的法律规范及成熟监管并不到位，致使其发展过程中存在很多问题，没有很好地分担商业银行资本配置的压力。
2.信贷热潮通过银行市场结构、银行部门提供的信贷占比及经济虚拟化度影响银行脆弱性
模型二通过引入交叉项揭示了银行市场结构、银行部门提供的信贷占比及经济虚拟化度在信贷热潮期间对银行脆弱性的影响方向及程度大小。我国长期以来形成的银行市场集中度高的问题对银行脆弱性产生显著影响，回归结果显示信贷热潮加剧了这一负面影响。这启示我国进行金融体系改革时.应着力改变目前银行集中度过高的情形，降低银行准入限制，同时加大监督管理力度。银行部门提供的信贷占GDP的比重越高，说明资本配置过度依赖商业银行，而这同时导致商业银行所承担的风险加大，经营的稳健性下降，信贷热潮放大了这一消极影响，使得热潮期间银行承担的风险更大。因此，需要改变我国目前过度依赖商业银行配置资源的局面，适度发展其他配置资源的形式，例如发展直接融资市场。经济虚拟化度是衡量我国股票、基金、债券、房地产市场的发展指标，由于我国长期以来对间接融资的依赖，资本市场规模较小，但近些年资本市场发展迅速，而相应的法律规范及成熟监管并不到位，致使其发展过程中存在很多问题，没有很好地分担商业银行资本配置的压力，但信贷热潮期间，这些市场的发展对银行承担风险的分担作用显现。这提示我们在今后的市场化改革中，应注意股票、基金、债券等市场的适度发展，同时也应警惕其过度发展带来类似美国的次贷危机，这样才能有效降低商业银行所承担的风险，减少银行脆弱性，使银行业更加稳健发展。
（责任编辑 陈孝兵）
