中国银行业风险形成机理及压力测试研究：基于行业信贷视角

方意 郑子文 颜茹云

摘要：本文以新常态作为切入点，首次从行业信贷视角探究新常态时期经济增速下行压力对银行风险的影响，进而研究2007年至2015年宏观经济特征在银行风险形成过程中的一般作用。研究发现：（1）新常态下经济增速放缓对中国银行业的风险影响程度有限。从行业信贷来看，顺周期行业的信贷风险高于逆周期行业的信贷风险；（2）在银行风险的形成机理方面，物价变动引起的“货币幻觉”效应长期存在；银行自身特征引起的风险放大效应主要存在于金融危机时期；经济增速放缓引起的信贷需求摩擦在非危机时期更突出。上述因素对不同周期性行业信贷风险的影响与总体情况基本一致；（3）基于银行风险形成机理，本文发现货币政策比汇率政策治理银行风险的效果更好。此外，危机时期应使用宏观审慎政策抑制银行风险的自我放大。

关键词：银行风险形成机理；行业信贷；新常态；宏观压力测试

文献标识码：A文章编号：100228482017（05）000115

一、 引言及文献评述

随着我国经济步入新常态阶段，经济增长速度逐渐由高速增长转变为中高速增长，2015年国内生产总值增长率降至69%，创造了自1991年以来的新低。与以往经济周期性波动现象不同的是，此次经济增速放缓更多是由于经济结构转型等实体经济因素引起。经济增速放缓对金融领域的一个重要负面影响是会降低银行业的资产质量，由于我国银行业的贷款业务占比较大，因此贷款资产受到波及的可能性更大。2016年第二季度我国银行体系的不良贷款率攀升至181%，创造近七年来的新高，仅次于2009年金融危机时期第一季度末的204%。渐行渐远的国际金融危机仍然警示着监管当局需要密切关注银行业风险水平，防范银行资产质量下降导致的金融危机爆发。为此，系统地研究经济增速放缓对银行业风险的影响以及银行业风险的形成的一般机理显得尤为重要。

在银行风险的构成上，银行风险主要包括信用风险、市场风险、操作风险、法律风险、国家风险、流动性风险、声誉风险、战略风险等8大类。其中，信用风险是商业银行面临的主要风险，且由于我国银行业的贷款业务占银行全部资产比重较大，银行面临的信用风险又主要体现为信贷风险[1]。影响信贷风险的因素通常包括微观因素和宏观因素两个层面。微观因素对信贷风险影响主要从银企间的信息不对称、企业异质性[2]、银行资本结构[3]等方面加以研究。由此可见，微观角度更多关注的是银企之间的关系以及银行自身各类指标对信贷风险的影响。宏观因素对信贷风险的影响则主要通过产出、物价、就业等宏观经济指标加以研究[4]。因此，研究经济增速放缓对银行信贷风险的影响以及风险的形成机理更适合从宏观角度入手。

经济增速下行压力对信贷风险的影响可以利用宏观压力测试方法加以研究。根据BIS[5]的定义，宏观压力测试是评估可能发生的宏观经济冲击对银行体系脆弱性影响的方法总称。宏观压力测试方法主要分为两种方法：“自下而上”和“自上而下”[6]。“自下而上”方法的优点在于考虑了个体风险，利用该方法得到的结果更为精确，但其对数据要求较高，需要银行微观层面的数据。与之相比，“自上而下”方法采取总量数据进行测试，对数据的要求相对较低，更适合应用到对中国银行业的压力测试上。

银行业风险形成的一般机理在某种意义上是宏观压力测试的“历史化”和“一般化”。就“历史化”而言，宏观压力测试关注的是给定宏观压力情境下的银行风险，压力情境是人为设定的，而銀行风险形成机理更注重在不同历史时期宏观经济因素对银行风险的实际影响。由于不同时期的经济运行特点不同，宏观经济因素在不同时期对银行风险的影响也不尽相同。国外学者Boss等[7]发现奥地利银行的银行信贷风险存在季节性周期关系。国内方面，张雪兰等[8]选取我国8家上市商业银行2006—2011年的数据作为样本对象，利用广义矩估计的方法进行实证分析，结果表明宏观经济周期性波动会显著影响银行风险。结合中国实际情况来看，自2008年以来，中国先后遭遇了国际金融危机、政府为恢复经济出台四万亿刺激计划，以及经济增速放缓等多个重要时期。在研究银行风险形成的一般规律时，应将这些时期纳入考察范围。

就“一般化”而言，宏观压力测试主要研究产出增速下降对银行风险的影响，而银行风险形成机理涉及的影响因素更多，不但包括产出等宏观经济因素，还包括政策等因素。在政策因素方面，已有研究大多是关于货币政策对银行风险承担的影响。尽管大部分学者同意货币政策会影响中国银行业的风险承担，但他们研究的角度不尽相同。例如，方意等[9]认为，资本充足率在其中起到重要作用。张雪兰等[8]认为，市场结构和商业银行资产负债表特征同样具有重要作用。

在银行风险的度量模型方面，Borio等[10]认为，包含内生变量的模型更有优势，因为其能够分析变量间的相互影响关系（即变量间具有反馈效应）。向量误差修正模型（VECM）实现了变量内生化，因而是较理想的选择。在该模型的应用上，Simons等[11]构建银行风险与宏观经济变量的VECM模型，并测算连续两个季度GDP增长率为零情景下的银行信贷风险。Rinaldi等[12]通过VECM模型研究欧洲各国后发现，可支配收入、失业率、货币等因素对银行信贷风险有显著影响。值得关注的是，目前大部分基于VECM模型的银行信贷风险研究在识别同期因果关系时利用Choleski分解结果，而这种识别结果具有主观性和非现实性[13]。幸运的是，Spirtes等[14]提出的“有向无环图”（DAG）分析方法由于能较好地解决VECM模型的识别问题，因而被广泛应用于金融问题研究[15]。

尽管上述研究较好地解释了不同经济时期和经济因素对银行风险形成的影响，但这类研究的共同缺点是只关注宏观因素和政策因素对银行整体风险的影响，而没能区分对不同类别贷款风险的影响。例外的是，Louzis等[16]对此做出一定改进，将贷款分为消费贷款、企业贷款以及抵押贷款等类型，然而该研究仍然没有将贷款细化至行业层面，以研究银行的行业贷款风险特征。一方面，行业的经营状况与经济时期存在相关性。根据相关性的方向不同，可以将行业分为顺周期行业和逆周期行业。顺周期行业的经营状况与经济存在同向性。其同向性表现为在经济增速加速（放缓）时期，市场需求增加使企业生产规模扩大（缩小），从而改善（恶化）行业经营状况。逆周期行业则主要表现出较强的抗经济衰退能力。逆周期行业在经济增速放缓时会通过创新等途径摆脱经营困境。另一方面，行业经营状况又会直接影响银行的行业信贷风险水平，行业经营状况越好，银行在该行业放贷的风险越低。诚然，研究总体贷款风险可以较好地把握银行风险的整体走势，为宏观政策调控提供大致方向。但仅考虑总体风险而忽略行业层面的风险，会忽视行业信贷风险与总体信贷风险的差异，使用“一碗水端平”的政策可能会不利于国家重点扶持行业的发展。endprint

综上所述，本文将有向无环图（DAG）方法纳入到向量误差修正模型（VECM）中，并运用此模型开创性地进行新常态下的宏观压力测试，研究经济增速放缓对银行风险的影响。在此基础上，将研究视角“历史化”和“一般化”，研究金融危机时期以来中国银行业风险形成的一般机理。风险形成机理着重研究了不同时期的宏观经济因素对银行信贷风险的影响差异。本文除了研究整体银行业的风险形成机理外，还首次将银行风险细化至行业贷款层面。在洞悉中国银行业风险形成机理的基础上，本文试图纳入货币政策、汇率政策、宏观审慎政策等多领域政策，以构建一个综合性的政策框架，并在此框架中给出抑制银行风险的政策使用建议。

二、 模型构建

（一）基本模型

在银行风险的代理指标选取上，由于我国银行业的贷款业务占银行全部资产比重较大，银行体系的资产风险主要体现为信贷风险，而信贷风险又主要体现为不良贷款的生成。因此，本文借鉴方意等[1]以不良贷款率作为银行信贷风险和银行业风险的代理指标。其中，银行体系总体不良贷款率代表银行体系总体信贷风险，银行体系的行业不良贷款率代表银行体系的行业信贷风险。[WTBX]

本文构建9组误差修正模型（VECM），每个模型包含5类指标。每组模型的差异在于不良贷款率指标，其中包括1组含有银行体系总体不良贷款率（i=0）的模型，以及8组含有银行体系行业i不良贷款率（i=1，…，8）[JP2]的模型（模型包含的具体指标和不良贷款率种类详见数据说明部分），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为向量单位根过程，[WTHX]Γ[WTBX]i，j为系数矩阵，μi为截距向量。参数矩阵[WTHX]Π[WTBX]i=αiβ′[KG-*3]i的秩为协整向量个数，包含了向量间的长期关系信息，协整向量个数可由Johansen协整检验得到。

VECM模型中传统的识别方法是Choleski分解，但该方法具有主观性等缺陷，有向无环图（DAG）方法可以解决该问题，故本文用DAG方法进行识别。DAG本质上是一种利用无条件相关系数和偏相关系数确定变量之间同期因果关系的重要方法。它通过有向边刻画每对变量之间是否存在因果关系。在计算出不良贷款率与宏观经济指标和政策指标间的相关系数矩阵后，可以利用PC算法得到描述变量间同期因果关系的有向无环图（DAG），具体计算步骤参见赵胜民等（2011）。

将DAG得到的变量间同期因果关系代入VECM模型后，即可得到本文的核心模型，其表达式如下：

[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是行业i的约束矩阵，εi，t是行业i的白噪声向量，其他变量意义与（1）式相同。

为对比各因素在不同时期对不良贷款率的相对贡献，需借助历史分解方法，该方法可以对整个历史区间上各个影响因素的相对贡献进行量化分析。历史分解方法首先需要将因素s的时间序列Xs（s=1，…，S）重新整理为如下表达式：

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，第一个求和项是T+1到T+k时期Xs，T+k中的新息之和。括号项是给定T时期数据后对Xs，T+k的预测部分。历史分解方法过程如下：（1）将每一时期的残差通过映射矩阵F转化为结构残差ηt=F-1εt；（2）对于每一个i和t，通过公式Fe（i）e（i）′ηt得到结构残差对残差的贡献ε（s）t；（3）将ε（s）t作为因素s的冲击，并利用T+1到T+k时刻的数据进行预测，然后从预测结果中减去主成分即可得到因素s的累積贡献。

另一方面，本文重要创新之处是将银行体系的信贷风险细化到行业层面。为进一步对比样本期内行业信贷风险与总体信贷风险之间的波动关系以区分行业信贷风险特征，本文借鉴Sharpe[17]用β系数评估证券系统性风险的方法，提出了行业贷款的系统性风险指标（Systematic Risk in Industry Loan，简称SRIL）。银行体系对行业i贷款产生的系统性风险计算方法如下：

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

式中，RBm（Risk of Bank）是样本期内银行体系总体信贷风险，本文以银行体系总体不良贷款率表示；RBi是银行体系对行业i放贷产生的信贷风险，[JP2]本文以银行体系在行业i的不良贷款率表示；σ2m是银行体系在行业i的不良贷款率的方差；cov（RBi，RBm）[JP]是银行体系在行业i的风险与银行体系总信贷风险的协方差。利用SRIL可以衡量银行体系行业信贷风险相对于整体信贷风险的波动情况。若SRILi>1，说明行业i信贷风险与总体信贷风险的波动方向正相关，且该行业不良贷款率的波动率大于总体不良贷款率的波动率；若0

（二）数据说明

本文选取16家上市商业银行的不良贷款率数据加权加总计算银行体系不良贷款率，这些银行包括：平安银行、宁波银行、浦发银行、华夏银行、民生银行、招商银行、南京银行、兴业银行、北京银行、农业银行、交通银行、工商银行、光大银行、建设银行、中国银行、中信银行。与之相对，银行体系在行业i的不良贷款率主要通过对每家样本银行j在行业i的不良贷款率进行加权得到，权重为银行j资产规模占所有样本银行资产比例。具体而言，行业i不良贷款率的计算方式如下：

银行体系在行业的不良贷款率=

[SX（]∑[DD（X]j[DD）]银行j在行业i上的不良贷款率×银行j资产[]∑[DD（X]j[DD）]银行j资产[SX）][JY]（5）

综合考虑数据完整性及行业重要性，本文选取8个行业的不良贷款率数据进行分析。这些行业分别为：制造业；电力、热力、燃气及水生产和供应业（后文简称能源供应业）；房地产业；建筑业；交通运输、仓储和邮政业（后文简称运输业）；批发和零售业；信息传输业；采矿业

[ZW（DY]为简洁起见，后文总体均指银行体系总体信贷风险，各行业均指银行体系在行业上的信贷风险。[ZW）]

。此外，16家上市商业银行在8个行业不良贷款率数据上存在不同程度的缺失现象。因此，在计算银行体系在行业i的不良贷款率时，本文采取如下规则：若银行j拥有行业i的不良贷款率数据，则将银行j纳入到计算行业i不良贷款率的样本银行中。

基于Castro[4]研究经验并结合我国实际情况，本文共设有三种类型变量，政策变量（利率和汇率）、宏观经济变量（物价、产出）、银行风险变量（不良贷款率）。其中利率是货币政策的代理变量，汇率是汇率政策代理变量。根据所用指标，本文将银行风险的结构性冲击划分为物价因素、产出因素、利率因素、汇率因素、银行自身因素等5类因素的冲击。需要指出的是，银行自身因素冲击等同于不良贷款率冲击，原因在于，当不良贷款率上升后，通过银行体系自身的特征会导致银行不良贷款率的进一步提高。因此，后文将这种引起银行风险自我放大的因素称为银行自身因素。

由于VECM模型对数据的样本数量有较高要求，因此本文将数据频率定为月度频率，以扩大样本量。在代理指标的选取上，将同业拆借利率作为利率的代理指标，将人民币实际有效汇率指数作为汇率的代理指标，将消费者物价同比指数作为物价的代理指标。在产出代理指标选取上，一般会选取国内生产总值增长率作为代理指标，但由于国内生产总值没有月度数据，而工业增加值与国内生产总值有显著的线性关系（详见宏观压力测试部分），因此本文将工业增加值作为产出的代理指标。

需要注意的是，银行体系的总体和行业不良贷款率没有月度数据，只能获得半年频率的数据。为统一数据频率，需要将半年频率的不良贷款率数据转换为月度数据。在数据增频方法的选择上，虽然插值法简单易行，但这种方法使不良贷款率的估计值完全脱离宏观经济指标，从而严重地割裂银行风险与宏观经济指标之间的联系。方意[15]使用的期望最大化（EM）方法为解决该问题提供较好思路。在时间序列中仅存在一组低频数据、其他均为高频数据的情况下，利用EM方法可将这一组低频数据转化为高频数据。EM方法的思想可以简单概括为以下两步：（1）以不良贷款率作为被解释变量，宏观经济变量和政策变量作为解释变量，构造线性回归方程，并代入半年频率的数据估计方程系数；（2）将政策变量和宏观经济变量的月度数据代入线性回归方程，估计出不良贷款率的月度数据。

为防止估计出的月度不良贷款率出现负值，本文借鉴Logit思想

[ZW（DY]本文半年频率的原始数据有5个解释变量和16组观测值，数据量不满足Logit模型的要求，因此只能借鉴其思想。[ZW）]

，对银行体系在行业i的不良贷款率进行如下变换：

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

由此，待估计的线性方程变为：

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

这里ηi为截距项，Ys为政策变量（利率和汇率）和宏观经济变量（物价、产出），βi，s为行业i待估计变量系数，εi为残差项。[WTBZ]

为研究银行风险形成的一般机理，本文将样本期间划分为金融危机时期（2007年4月至2009年2月）、经济恢复时期（2009年3月至2011年12月）、新常态时期

[ZW（DY]虽然官方定义新常态为经济由高速增长转变为中高速增长，但没具体给出阀值。本文将国内生产总值同比增长持续在8%以下的时期定义为新常态时期，根据该定义，我国在2013年第一季度开始进入新常态时期。[ZW）]

（2012年1月至2015年12月）這三个时期。划分依据如下：金融危机时期从季度GDP增速出现持续下滑开始；经济恢复时期从央行实施宽松货币政策开始（这一时期同业拆借利率从25%持续下降至088%）；新常态时期为GDP增速持续在8%以下开始。在原始数据选取区间上，本文不良贷款率的原始数据区间为2007年第四季度至2015年第二季度，经济指标原始数据区间为2007年1月至2015年12月。本文所用数据全部来自于Wind数据库。

（三）基本结果

根据EM思想，利用低频数据构造的回归方程结果如表1所示。由表中调整R2可以看出，模型整体拟合程度较好： 从总体回归方程来看，[JY]其调整R2为0328；从行业回归看，能源供应业、房地产业、建筑业、信息传输业的调整R2达到076以上。这说明选取的宏观经济指标对银行风险具有较强的解释力，因此该方法能较合理地估计月度不良贷款率数据。从经济指标的系数来看，宏观经济变量中的产出与大部分行业不良贷款率负相关，物价与大部分行业不良贷款率正相关。政策变量中的利率与汇率不仅对各行业不良贷款率的解释程度显著，而且几乎均呈负相关，这表明利率上升和人民币升值都可以降低银行信贷风险，后文还将通过分析进一步论证该估计的合理性。

为检验回归方程的合理性，将不良贷款率的原始数据和用EM思想估计得到的半年频率数据绘制成如图A1所示的散点图。从图中不难看出，估计数据与原始数据在趋势上保持一致。银行体系整体信贷风险在危机前较高，危机后处于较低水平，但2014年以来整体信贷风险有所上升。在行业层面，能源供应业、房地产业、建筑业、运输业、信息传输业不良贷款率具有下降趋势，而制造业、批发和零售业、采矿业不良贷款率则先下降后上升。需要指出的是，进一步对比两类数据的基本统计量可以发现，波动率、中位数以及峰度指标都表明用EM算法得到的数据波动相对更小，这与方意[15]利用EM算法的结果类似。从偏度以及与经济变量的相关性指标可以看出，两类数据较为一致。可见，用该方法估计得到的整体和行业月度不良贷款率数据比较合理。endprint

在利用月度数据构建VECM模型前，需要先对各数据进行X12季节调整以消除数据的季节性特征。然后对数据进行单位根检验，检验结果表明，所有时间序列均服从I（1）单整。接下来确定模型的滞后期并检验变量间是否存在协整关系。在综合考虑滞后期检验的LR、FPE、AIC、SC、HQ等标准后，除在房地产业和建筑业选取3阶滞后外，其他行业均选取2阶滞后。在此基础上，应用Johanson协整检验方法检验各变量之间的协整关系，检验结果表明，房地产业存在1个协整关系，电力、热力、燃气及水生产和供应业、建筑业、交通运输、仓储和邮政业以及信息传输业存在2个协整关系，总体行业、制造业、批发和零售业、采矿业存在3个协整关系。由此得出包括总体和8个行业在内9组方程均存在协整关系的结论，表明可以构建误差向量修正模型（VECM）①。

将VECM模型中的残差方差协方差矩阵结果代入DAG算法，得到在1%显著性水平下不良贷款率与各经济指标间的同期关系，结果如下：产出在同期影响总体，制造业、能源供应业、房地产业、建筑业、批发和零售业、信息传输业、采矿业的不良贷款率；物价在同期影响总体行业、制造业、房地产业、建筑业、信息传输业、采矿业的不良贷款率；汇率在同期影响能源供应业、运输业、信息传输业、采矿业的不良贷款率；利率在同期影响总体、制造业、批发和零售业的不良贷款率；货币供给在同期影响建筑业、运输业的不良贷款率。最后，将变量间同期因果关系再代入VECM模型中即能正确地识别模型。由于以DAG为基础的VECM模型克服了识别结果的主观性和非现实性缺点，因此比传统模型结果更客观合理。

三、 新常态下银行风险宏观压力测试

探究新常态时期可能出现的经济增速放缓所导[LL]致的银行风险上升问题，是当前金融监管者最重要的任务之一。为实现该目的，需要借助宏观压力测试方法加以研究。由于本文所用數据为总量数据，因此，本文在前文构建的VECM模型基础上，采用“自上而下”法进行宏观压力测试②。

本文使用的产出增速下行冲击参考《中国金融稳定报告（2015）》[18]的中度冲击（GDP增长率下降至55%）和重度冲击（GDP增长率下降至4%）两类压力情景。需要强调的是，《中国金融稳定报告（2015）》中给出的产出增速代理指标是国内生产总值增长率（GDP增长率），其最高频率数据仅为季度数据，而本文在构建模型时需要使用月度频率的工业增加值数据。因此，需要将GDP增长率冲击的压力情景转化为工业增加值冲击的压力情景。

为实现转化，首先将季度GDP增长率作为季度工业增加值的解释变量进行回归。在回归时期的选择上，由于本文在宏观压力测试部分主要关注经济新常态时期以来产出增速下降对银行风险的影响，因此选取经济新常态时期（2012年第一季度至2015年第四季度）作为回归期。回归结果显示，DW检验值为153，落在du（137）与2的区间内，表明方程没有残差序列相关问题，F统计量和回归系数均在1%置信水平下显著，表明回归方程拟合较好，工业增加值与国内生产总值存在明显的线性关系，回归方程的线性表达式为：工业增加值=456×GDP增长率-2536③。然后，[JP2]代入GDP增长率的中度冲击和重度冲击压力情景，从而得到工业增加值在两个压力情景下的冲击分别是-028%和-712%。[JP]

表2给出银行体系的不良贷款率在两种压力情景下的结果。从银行体系总体信贷风险看，两种压力情景下银行体系的总体不良贷款率显著上升。其中，在中度冲击下总体不良贷款率上升075%，在重度冲击下总体不良贷款率上升161%。由此可见，[JY]新常态时期的经济增速放缓对银行风险的影响①由于篇幅原因，总体和8个行业的VECM模型结果在此不一一列出，结果备索。

②前文所使用数据最后日期为2015年12月，因此本文以2016年1月作为宏观压力测试预测基准期。

③为使回归式简洁起见，公式中的国内生产总值增长率和工业增加值没有加百分号。

程度有限，整体银行风险属于可控范围内。

从银行体系在行业信贷风险上来看，制造业、批发零售业不良贷款率上升程度较大，两个行业的不良贷款率在中度冲击下分别上升083%和12%，超过中度冲击下总体不良贷款率上升幅度。两个行业的不良贷款率在重度冲击下分别上升178%和258%，同样超过重度冲击下总体不良贷款率上升幅度。其余6个行业在面临产出增速压力下表现出较强的抗压能力，这6个行业的不良贷款率上升幅度小于总体不良贷款率上升幅度。值得关注的是，信息传输业不良贷款率在面临产出增速下降后，反而出现较大幅度下降，其原因可能与新常态产业结构调整有关。在新常态背景下，国家主动开展供给侧结构性改革，大力扶持新兴高科技产业。信息传输业素有“第四产业”之称，包括了计算机和通讯设备行业为主体的IT产业，属于典型的高科技高附加值产业，是供给侧结构性改革政策的重点倾斜对象。因此，即使产出增速面临下行压力，信息传输业也能实现高速发展，从而降低银行对该行业的放贷风险。

宏观压力测试结果表明，产出增速面临下行压力会虽然对中国银行业风险产生一定影响，但仍属于可控范围内。虽然这一结论对我国当前银行业面临的风险形势给出了一定的解释，但宏观压力测试预测的是新常态阶段的银行风险，并且只探讨了产出因素对银行风险的影响。这种研究结果固然有重要的研究价值，但是对于这种结果的内在机理并不清楚，是一种典型的“知其然，而不知其所以然”。因此，本文后续研究将扩充样本区间，并讨论更多因素对银行风险的影响，从而洞悉中国银行业风险形成的一般机理。

四、 中国银行业风险形成机理

（一）整体信贷风险

风险形成机理可以从不同因素对银行体系信贷风险的影响程度以及影响路径两方面入手。其中，前者主要研究风险驱动因素①

对信贷风险的贡献程度，贡献程度越大，表明该因素的重要程度越高；而后者主要研究风险驱动因素通过何种途径作用至信贷风险，[JY]也可称其为银行风险驱动因素的作用机理[LL]研究。endprint

接下来，本文首先度量风险驱动因素对银行信贷风险的影响程度，各风险驱动因素对信贷风险的影响分为正向贡献和负向贡献。正向贡献表示该因素对银行风险起到放大作用，而负向贡献则表示对风险起到抑制作用。本文将各时期对信贷风险具有最大正向贡献的驱动因素称为风险重要驱动因素。

由于历史分解法能够量化各结构冲击对内生变量的影响程度，进而可以度量样本期间各风险驱动因素对银行体系信贷风险贡献度的动态趋势[18]。因此，本文采用历史分解法研究风险驱动因素对信贷风险的贡献程度。图1给出银行体系总体不良贷款率以及各风险驱动因素（银行自身因素、物价因素、产出因素）对不良贷款率的历史分解结果。

在金融危机初期（2007年年中），总体不良贷款率短期内从2%升至3%以上。与此同时，物价因素对总体不良贷款率的贡献同样呈现上升趋势。可见，金融危机初期物价因素对总体不良贷款率的提高起到重要作用；在金融危机中期（2008年初），银行自身因素对总体不良贷款率的贡献程度迅速扩大，远超过物价和产出因素。在金融危机末期（2008年底），总体不良贷款率在短期内出现大幅反弹， 除银行因素外，产出因素对这一轮反弹的贡献也较大。这表明：在金融危机末期，除了银行自身因素加剧信贷风险外，实体经济恶化对银行信贷风险的影响也逐渐凸显。

在经济恢复时期（2009年后），银行自身因素对总体不良贷款率基本为负向贡献。2009年4万亿投资政策出台后，中国实体经济形势逐渐向好，总体不良贷款率随之降低，[JP2]并维持在05%至3%区间内。

在此期间，产出因素对总体不良贷款率呈现负向贡献，这说明经济基本面的改善是总体不良贷款率降低的主要推动力量，此时银行信贷风险处于历史较低水平。

经济恢复时期以后，产出因素和物价因素对总体不良贷款率的影响呈上升趋势，特别是在新常态时期（2012年后），产出因素对总体不良贷款率具有正向贡献，表明在新常态时期银行信贷风险主要由产出因素主导，这与宏观压力测试所得结论一致。

综上所述，本文认为危机时期银行自身因素和物价因素是导致银行风险扩大的重要驱动因素，而危机后产出因素和物价因素是银行风险扩大的重要驱动因素。其中，物价因素在整个样本期间均起重要作用。银行自身因素主要在金融危机时期起作用。产出因素主要在经济恢复的后期和新常态时期起作用。需要强调的是，这里虽然给出了不同时期银行风险的重要驱动因素，但却没有阐述其影响银行风险的内在作用机理，对这一部分的阐述将在后文给出。

（二）行业信贷风险

为验证整体信贷风险重要驱动因素的结论是否适用于行业信贷风险，接下来将分析8个行业的信贷风险特征以及历史分解结果。

本文通过行业信贷的系统性风险指标（SRIL）判断不同行业信贷风险与整体信贷风险的关系，SRIL在全部样本时期以及各经济时期的结果如表3所示。从全部样本时期来看，各行业贷款系统性风险均处于0到1之间的较低水平，但从各个时期来看，同一时期不同行业以及同一行业在不同时期的贷款系统性风险均存在较大差异。

＼ ＼ 从同一時期不同行业的横向角度来看，虽然大多数行业SRIL指标处于0至1之间，但仍有例外。在金融危机时期，能源供应业、运输业和信息传输业的SRIL指标小于0；在经济恢复时期，信息传输业的SRIL指标小于0；在新常态时期，制造业和批发零售业的SRIL指标均大于1。从同一行业在不同时期的纵向角度来看，不同行业信贷风险与整体信贷风险走势存在差异。制造业、房地产业、批发零售业和采矿业的信贷风险的SRIL指标呈现出不断扩大的趋势，其中制造业和批发零售业的SRIL指标增长迅速，在新常态时期SRIL指标甚至大于1，表明这两个行业的信贷风险与整体信贷风险关联最大。能源供应业、运输业和信息传输业SRIL指标较低，甚至出现负值，表明这些行业与整体信贷风险关联较小。

本文在引言部分对周期性行业做出详细阐述，即行业中存在顺周期行业和逆周期行业，顺周期行业的经营状况与经济存在同向性，逆周期行业则主要在经济增速放缓时表现出稳健的经营能力。根据这一表述，再结合SRIL指标结果，本文将SRIL指标在所有时期均为正的行业称为顺周期行业，将SRIL在金融危机时期小于0的行业归为逆周期行业。此外，本文还进一步将SRIL指标在新常态时期大于1的顺周期行业归为强势顺周期行业，将SRIL在所有时期均在0至1之间的行业归为弱势顺周期行业。按照该划分方法，将制造业、批发零售业划入强势顺周期行业，将房地产业、建筑业、采矿业划入弱势顺周期行业，将能源供应业、运输业、信息传输业划分为逆周期行业。

接下来，按照上述划分的三类周期性行业来研究行业信贷风险的具体走势以及其重要影响因素。仿照总体信贷风险的分析思路，将各行业历史分解得到的银行自身因素、物价因素、产出因素与行业信贷风险绘制在一起，结果如图2所示。

强势顺周期行业的信贷风险在金融危机期间迅速扩大（图21，图26），金融危机过后又逐渐恢复至危机前水平。其中制造业不良贷款率在非金融危机时期保持在2%至4%区间内，在金融危机期间有所上升，最高达到6%。批发和零售业不良贷款率在非金融危机时期保持在2%至6%区间内，金融危机期间一度升至10%。银行自身因素和产出因素的历史分解与总体行业结果基本一致。需要注意的是，在金融危机末期（2008年底），强势顺周期行业的的信贷风险同样出现回升，且回升幅度更高，甚至超过金融危机时期的最高水平，这一轮反弹过程中产出因素的作用不容忽视，其对信贷风险的贡献程度超过银行自身因素。

弱势顺周期行业的银行风险总体上低于强势顺周期行业（图23，图24，图28），样本期间的不良贷款率在4%以下。其中，房地产业和建筑业不良贷款率在金融危机时期最高达到4%。采矿业在金融危机前处于极低水平，金融危机爆发后迅速攀升，最高至15%。在经济恢复时期以后不良贷款率有所下降，维持在05%至2%区间内。但采矿业例外，其信贷风险在新常态时期再次上升，2015年甚至超过金融危机时期的最高水平。在风险重要驱动因素方面，弱势顺周期行业信贷风险的重要驱动因素与总体信贷风险情况类似，银行自身因素在金融危机期间对弱势顺周期行业影响较大。其中，采矿业的银行自身因素在2015年迅速上升，表现出与金融危机时期相同的特征，监管部门应对此给予高度重视，防范采矿业贷款的大规模违约。另外，物价因素对建筑业和采矿业信贷风险影响极大，这种影响不仅体现在危机初期，而且体现在金融危机中期对风险的巨大贡献。在金融危机中期物价因素对采矿业信贷风险的贡献甚至超过银行自身因素。endprint

逆周期行业（图22， 图25，图27）存在一种相似特征，即在金融危机前的信贷风险就已处于样本期内的最高水平，金融危机对这类行业影响相对较小。这一特征在能源供应业和运输业上表现最明显，3个逆周期行业的信贷风险始终处于缓慢的下行态势，从2007年初的2%下降到2015年底的025%左右，即使在金融危机时期，也没有出现反弹升高现象。在金融危机时期的银行风险驱动因素方面，物价因素对银行风险的贡献极低。银行自身因素虽然略高于同期物价和产出因素，但仍处于较低水平，说明金融危机期间银行自身因素没有加剧逆周期行业的违约风险；产出因素在金融危机末期也没有出现反弹，说明实体经济增速下降并没有加剧逆周期行业的风险。由此可以看出，逆周期行业在金融危机期间具有较强的抗风险能力。非金融危机时期，各因素表现与总体情况基本一致。

综上所述，银行自身因素、物价因素、产出因素在不同行业中的表现与在总体信贷风险中的表现大致相同，但存在一定差异，这些差异主要表现在金融危机期间。第一，金融危机末期产出因素对银行风险贡献上升的现象在强势顺周期行业表现更显著，这一现象表明，实体经济增速下滑对强势顺周期行业信贷风险影响尤为显著；第二，物价因素对银行风险贡献在弱势顺周期行业较高，表明弱势顺周期行业信贷风险在金融危机中易受物价变动的影响；第三，银行自身因素对逆周期行业信贷风险的贡献较小，甚至低于银行因素对总体信贷风险的贡献。对于以上差异，后文会进一步通过重要驱动因素的作用机理加以解释。

（三）银行风险驱动因素的作用机理

在给出风险驱动因素对银行风险的历史贡献后，本文还进一步研究各风险驱动因素对银行风险的作用机理。本文将银行风险驱动因素的作用机理分为作用路径和作用时滞两部分。作用路径是指各风险驱动因素的变动方向与银行风险变动方向的关系，作用时滞是指从风险驱动因素发生变动到对银行风险产生影响的时间。

风险驱动因素的作用机理可利用脉冲响应加以研究，图3给出银行体系的总体和各行业不良贷款率对银行自身因素、产出因素、物价因素的脉冲响应结果。纵观全局后发现，不良贷款率在受到物价因素和产出因素冲击后首先剧烈波动，随后波动开始放缓，最后趋于平稳。另一方面，银行自身因素的冲击对银行风险几乎没有影响。

具体而言，产出因素对银行体系总体不良贷款率的脉冲响应结果表明，产出增速的提高首先在前4期降低银行体系总体不良贷款率，并在第2期达到最大，这与前文EM方法所得结果一致。在第4期后总体不良贷款率又开始攀升。在产出对各行业不良贷款率的影响方面，大部分顺周期行业的表现与总体情况相同，但逆周期行业（能源供应业、运输业、信息传输业）与总体情况相反。

产出增速变化对信贷风险的这种影响可能来源于信贷需求摩擦[19]。信贷需求摩擦理论主要关注企业等借款者的资产负债表，认为借款者的抵押品资产价值与贷款可得性相联系。当经济增速提高后，企业的抵押品净值会随之增加，使得银行愿意扩大放贷规模，进而改善企业经营状况，企业经营状况的改善反过来又会降低银行信贷风险。在行業信贷风险方面，提高产出增速可以在短期内降低顺周期行业信贷风险，但中长期效果较弱。原因可能在于，经济增速提高在短期内可以增加企业收入，改善企业经营情况，从而降低企业违约率。但企业收入增加可能会引起其他企业过度进入该行业，由此降低该行业收入水平，导致企业违约率有所回升。值得关注的是，逆周期行业信贷风险表现与顺周期行业信贷风险相反，即经济增速下行会在短期内降低逆周期行业的信贷风险。该结论与宏观压力测试的结果一致，表明逆周期行业是新常态时期的重要经济增长点。

物价因素对银行体系总体不良贷款率的脉冲响应结果表明，物价上升会降低不良贷款率，并在第4期达到峰值。大约在第12期趋近于0，在12期以后不良贷款率开始上升。此外，从行业结果来看，物价上升对不同行业不良贷款率的影响存在较大差异。物价正向冲击使强势顺周期行业（制造业和批发零售业）不良贷款率下降最多。与此同时，物价正向冲击对部分弱势顺周期行业（房地产业和建筑业）不良贷款率影响较小。[JP2]逆周期行业（能源供应业、运输业、信息传输业）的不良贷款率随物价上升而增加。[JP]

物价对信贷风险的影响可能来源于“货币幻觉”效应。“货币幻觉”效应是指居民只对货币的名义价值变化做出反应，而忽视货币实际购买力变化的一种心理错觉。当物价上升，由于居民的“货币幻觉”效应，居民部门会感到自己更加富有，因此会增加对产品的消费，企业经营状况由此改善，从而使银行信贷风险下降。此外，银行体系总体信贷风险在第12期后开始上升。其原因可能是随着时间的推移，人们逐渐意识自己的实际购买力未变，开始紧缩消费，从而使企业经营恶化，违约率增加。居民对不同行业产品的“货币幻觉”可能存在较大差异。居民对强势顺周期行业产品的“货币幻觉”程度更高，即物价上升在更大程度上增加居民对强势顺周期行业产品和服务的消费。居民在部分弱势顺周期行业产品上的货币幻觉程度较弱。从逆周期角度来看，物价降低后居民反而会增加对逆周期行业产品的消费，这可能是逆周期行业信贷风险在经济下滑后仍然保持较低水平的重要原因。

银行自身因素对银行体系总体不良贷款率的脉冲响应结果显示，银行自身因素冲击并不能直接加剧不良贷款率，乍看之下，该结论与历史分解部分给出的危机时期银行自身因素是风险重要驱动因素的结论存在矛盾。其实不然，历史分解结果给出的是金融危机时期银行自身因素对银行信贷风险的历史贡献，而脉冲响应结果综合考虑了金融危机、经济恢复、新常态三个时期的情况。因此，进一步说明银行自身因素只在金融危机时期会大幅影响银行风险，在非金融危机时期对银行风险的影响甚微。

银行自身因素对信贷风险的影响可能来源于银行的风险放大机制[20]，银行风险放大机制主要是通过杠杆机制和传染机制实现的。杠杆机制是银行根据内在风险管理和外在金融监管的要求，银行需要维持目标杠杆[21]，金融机构在管理资本金时采用VaR约束，进而导致杠杆顺周期特征[22]。传染机制是由银行间的直接或间接业务关联引起的损失扩大过程。在信贷风险上升后，银行为避免损失会抛售信贷资产，由于流动性折扣使资产在抛售时会出现折价现象，由此导致银行的信贷风险进一步上升。另一方面，该银行抛售的信贷资产可能也被其他银行共同持有（间接关联性）。因此，折价还会导致其他持有该类信贷资产的银行遭受损失，从而触发其他银行的抛售行为，其他银行抛售产生的折价也会反过来导致该银行的信贷风险继续上升。endprint

在论证银行风险驱动因素的作用机理后，接下来通过作用机理进一步阐述历史分解结果的合理性。将总体信贷风险的历史分解结果和重要驱动因素的作用机理相结合可以发现，物价因素产生的“货币幻觉”效应存在于所有时期，银行自身因素产生的风险放大效应主要存在于金融危机时期，而产出因素导致的信贷需求机制在非危机时期作用更突出。

同理，将行业信贷风险历史分解结果与重要驱动因素的作用机理结合，所得结论与总体情况基本一致，这里仅对上一节提出的三个例外情况加以解释。其一，实体经济增速下滑对强势顺周期行业信贷风险影响尤为显著。可见，在强势顺周期企业遭受产出增速下降的冲击后，由于信贷需求摩擦导致冲击被更大幅度地放大；其二，物價因素对弱势顺周期行业信贷风险贡献较高。这表明居民对弱势顺周期行业的“货币幻觉”效应最弱，持续时间最短；其三，银行因素对逆周期行业信贷风险贡献较小。这表明银行对逆周期行业的风险放大效应可能较弱，因此，银行可以为逆周期行业提供相对宽松的融资还贷条件。

五、 银行业风险的政策治理

[JP2]在洞悉宏观经济因素和银行自身因素对银行风险影响机理的基础上，本文试图将利率和汇率指标纳入进来，进一步探讨货币政策和汇率政策对银行风险的影响。接下来，本文首先研究2007年至2015年货币政策和汇率政策抑制银行风险的效果。然后，结合现有理论研究货币和汇率政策在当前中国实践中的有效性。最后，给出抑制银行风险的策略。[JP]

政策指标抑制银行风险的能力同样由历史分解给出。若政策指标对银行风险的历史分解贡献为负，则说明该政策指标能够有效抑制银行风险。通过图4历史分解结果可以发现，一方面，利率因素在2013年以前对不良贷款率几乎没有负向贡献，可见在2013年以前货币政策抑制银行风险的效果较差。2013年后利率的历史分解贡献开始由正转负，货币政策抑制银行风险的效果正逐渐增强。值得注意的是，2013年正是我国利率市场化改革的加速阶段，这一时期我国进一步扩大利率浮动区间。由此表明，利率市场化改革有助于提高货币政策的有效性。另一方面，汇率因素在绝大部分时期对银行风险的历史贡献为正，表明汇率政策抑制银行风险的效果较差。这一结果可能是由于我国汇率机制仍处于管理浮动，资本账户开放程度较低等原因造成的。因此，目前在抑制银行风险的有效性上，货币政策相对汇率政策更为有效。

本文首先给出货币政策和汇率政策影响信贷风险的理论。然后利用信贷风险对利率和汇率的脉冲响应结果（图5），分别检验当前货币政策和汇率政策抑制银行信贷风险的实际效果，并结合实际情况给出理论解释。

从理论上看，货币政策对信贷风险的影响既可以是直接的，也可以是间接的。货币政策对银行信贷风险的直接影响可由银行贷款标准理论解释[23]。银行贷款标准理论指的是，货币政策中的利率中介指标代表银行的风险容忍度，由于中国银行业持有的风险资产主要是信贷资产，这种风险容忍度对于中国银行业而言，主要体现在信贷标准上。利率越高，银行的风险容忍度越低，银行的贷款标准越严格，从而越有利于抑制银行风险。货币政策对银行信贷风险的间接影响表现在利率传导渠道机制上。在既定的边际投资倾向下，利率上升会降低投资，并通过乘数效应导致产出增速和物价水平下降。而根据前文机理所述，产出增速和物价水平下降均会使银行风险扩大。综上所述，紧缩货币政策既可以通过银行贷款标准理论降低银行风险，也可以通过利率传导渠道扩大银行风险。

在货币政策的实证方面，利率上升最初会降低银行体系总体不良贷款率，并在第2期达到最大效果，随后效果逐渐减弱。这一结果表明，紧缩的货币政策可以在短期内降低信贷风险，但在长期几乎没有效果。结合理论本文发现，紧缩货币政策导致的银行贷款标准效应在短期内大于利率传导渠道效应，在长期二者几乎相同。

同样，汇率政策对信贷风险影响的理论影响也可分为直接和间接两方面。其中，汇率政策对银行风险的直接影响可通过外汇信贷需求理论来解释。人民币升值会扩大企业和居民的外汇贷款的需求，为满足于外汇贷款需求，银行外汇资产向贷款集中，导致银行信贷资产易受外汇波动的影响，从而增大信贷风险。汇率还可以通过产出和物价渠道间接影响银行风险。人民币升值会扩大消费和投资，使本国的产出增速上升。人民币升值还会通过增强本国的国际购买力使进口商品价格降低，并推动本国物价水平走低①，而根据前文的作用机理所述，产出增速上升会使银行信贷风险下降，物价下降会使银行信贷风险上升。综上，人民币升值可以通过外汇信贷需求效应和物价渠道扩大银行风险，也可以通过产出渠道降低银行风险。

在汇率政策的实证方面，人民币升值首先提高银行体系总体不良贷款率，并在第3期达到峰值，在第7期后不良贷款率开始持续下降。这表明本币升值的汇率政策在短期内效果甚微，但在长期有一定效果。对比实证结果可以发现，人民币升值的汇率政策在短期内主要通过外汇信贷需求效应和物价渠道提高银行风险，在长期则主要通过产出渠道降低银行风险。

以上结果表明，紧缩货币政策和人民币升值的汇率政策都可以降低银行风险，这与前文EM估计方法所得结果一致。但需要注意的是，两种政策降低银行风险发挥作用的时滞不同，货币政策在短期内能降低银行风险，长期效果较小；而汇率政策短期效果不明显，但可以在中长期发挥更大作用。

最后，本文将政策因素、宏观经济因素、银行自身因素对银行信贷风险的作用机理归纳为如图6所示。在此基础上，本文给出治理银行风险的政策使用方法。由于当前货币政策比汇率政策抑制银行风险的效果更好，因此，在使用政策时应明确货币政策的主要地位，将汇率政策作为抑制银行风险的辅助手段。

在政策的使用上，不同经济时期应搭配不同的政策来治理银行风险。具体来讲，在危机时期，主要从银行自身结构入手，通过提高银行的资本充足率要求、限制银行间的关联性业务等宏观审慎政策，抑制银行风险的自我放大。此外，危机时期的第一要义是迅速降低银行风险，而货币政策的短期效果较好，因此，货币政策应作为此时期对抗银行风险的“撒手锏”。在非危机时期，由于人民币升值的汇率政策具有长期降低银行风险的效果，可以适当使用。但鉴于汇率政策抑制银行风险能力有限，因此此时期仍需格外重视货币政策。endprint

此外，不同行业信贷风险有不同的监管重点。强势顺周期行业信贷风险易受产出影响，特别是在金融危机末期产出增速下降使银行风险大幅上升，因此应密切关注强势顺周期行业的经营状况，必要时给予企业一定补贴；[JY]弱势顺周期行业信贷风险在

[FL）0]

[CD13][HT6SS]

①本文通过产出增速对汇率的脉冲响应，以及物价对汇率的脉冲响应结果同样证实以上结论。为节省文章篇幅，本文不再展示两个脉冲响应结果。读者如有需要，可向作者索取。

金融危机中期对物价更敏感，为此稳定弱势顺周期企业的商品物价显得尤为重要；逆周期行业信贷风险在金融危机时期较小，银行可以适当放松对该类行业的信贷要求，并降低对该行业的融资成本。

六、 结论

本文将有向无环图（DAG）方法纳入到向量误差修正模型（VECM）中，运用该模型在银行体系总体信贷和行业信贷两个层面上，研究新常态下宏观压力测试以及中国银行业风险形成机理。在此基础上，给出有效抑制银行风险的策略。具体而言，本文得到以下结论：

（1） 在新常态环境下，产出增速下降的压力情景会对中国银行业总体风险产生一定影响，但仍属于可控范围。经济增速放缓对不同行业信贷风险的影响程度不同，顺周期行业遭受冲击后信贷风险上升程度较大，而逆周期行业的信贷风险会出现一定程度下降。其原因可能与新常态时期产业结构调整有关，在新常态背景下，国家主动开展供给侧结构性改革，大力扶持科技产业为代表的逆周期行业。因此，即使产出面临下行压力，也能实现逆周期行业的高速发展，从而降低银行对该行业的放贷风险。

（2） 将研究的时期和因素进一步拓展，进而研究中国银行业风险形成的一般机理。从风险驱动因素对银行总体信贷风险的影响来看，物价因素导致的“货币幻觉”效应存在于金融危机与非危机时期；银行自身因素产生的风险放大效应主要存在于金融危机时期；产出因素的信贷需求摩擦效应在非危机时期对银行风险有较大影响。与总体情况相比，各驱动因素对不同周期性行业信贷风险的影响基本一致，区别主要有三点。其一，产出增速下滑对强势顺周期行业信贷风险影响尤为显著；其二，弱势顺周期行业引发的“货币幻觉”效应较弱；其三，逆周期行业引起的风险放大效应较弱，因此逆周期行业的融资还贷条件相对宽松。

（3） 实证发现，[JP2]当前货币政策比汇率政策能更有效地抑制银行风险。因此，治理银行风险时应明确货币政策的主导地位，将汇率政策作为抑制银行风险的辅助手段。此外，应针对不同经济时期的特点使用相应政策。具体而言，在金融危机时期，主要从银行自身结构入手，[JP]通过更严格的宏观审慎政策抑制银行风险的自我放大，并配以紧缩性的货币政策。在非危机时期，人民币升值在长期具有降低银行风险的效果，但鉴于汇率政策对银行风险的抑制能力有限，此时期仍需重视货币政策。在不同周期性行业的信贷风险治理方面，对于强势顺周期行业，应密切关注该行业的经营状况，必要时给予一定行业补贴；对于弱势顺周期行业，应以稳定产品物价为主；逆周期行业信贷风险较小，银行可适当放松对该类行业的信贷要求。

[WT][HT5H]参考文献：[HT5”SS]

[1][ZK（#]方意， 方明. 中国货币市场基准利率的确立及其动态关系研究 [J]. 金融研究， 2012（7）： 8497.

[2]尹志超， 甘犁. 信息不对称、企业异质性与信贷风险 [J]. 经济研究， 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]張雪兰， 何德旭. 货币政策立场与银行风险承担——基于中国银行业的实证研究（2000—2010） [J]. 经济研究， 2012（5）： 3144.

[9]方意， 赵胜民， 谢晓闻. 货币政策的银行风险承担分析——兼论货币政策与宏观审慎政策协调问题 [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]赵胜民， 方意， 王道平. 金融信贷是否中国房地产、股票价格泡沫和波动的原因——基于有向无环图的分析 [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. 货币政策与房地产价格冲击下的银行风险承担分析 [J]. 世界经济， 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]中国人民银行金融稳定分析小组. 中国金融稳定报告（2015） [M]. 中国金融出版社， 2015.

[19]刘宗明. 投资效率演进与中国总产出波动 [J]. 数量经济技术经济研究， 2013（1）： 5470.

[20]方意. 宏观审慎政策有效性研究 [J]. 世界经济， 2016（8）： 2549.

[21][ZK（]方意， 郑子文. 系统性风险在银行间的传染路径研究——基于持有共同资产网络模型 [J]. 国际金融研究， 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]責任编辑、 校对： 李再扬endprint