中国商业银行脆弱性指数与资产价格关系研究

徐国祥，刘 璐

(上海财经大学 a.统计与管理学院；b.应用统计研究中心，上海 200433)

一、引言与文献综述

银行体系是中国金融体系的主体，中国银行的脆弱性对金融系统的脆弱性有直接的影响。中国从2015年年底基本实现了利率市场化，近几年来商业银行利息收入占比呈下滑趋势，导致主要依靠存贷款利差收入的商业银行面临巨大挑战。中国商业银行不良贷款率自2012年至今平稳上升，资产利润率自2012年后呈下降走势，商业银行面临的各种风险因素增加，其脆弱性突显。

马克思提出的银行体系内在脆弱性假说是可追溯的关于银行脆弱性的最早研究。1982年，Minsky的“金融不稳定假说”标志着银行体系脆弱性理论的正式提出，系统地阐述了以银行为主体的金融系统不稳定问题[1]13-39。在此之后，国外学者相继提出银行挤兑模型和安全边界说等理论，丰富和发展了银行体系脆弱性理论。

(一)银行体系脆弱性测度研究文献综述

定性指标分析法、历史事件分析法等定性分析方法，是早期测度银行体系脆弱性的常用方法。近年来，更多量化分析方法涌现，定量测度银行脆弱性的方法主要有：Probit模型、Logit模型、STV模型、信号分析法、银行业脆弱性指数等。在衡量银行脆弱性指标的选取方面，1995年国际货币基金组织和世界银行联合启动的金融部门评估计划中，宏观审慎指标包含经济增长、通胀、利率等；微观审慎指标包含盈利性、资产质量、资本充足性等，以此评估金融稳定状况。美国监管当局运用包含资本充足性、资产质量、管理水平、盈利状况、流动性5项考核指标的“骆驼”(CAMEL)评级法评价银行业风险，并在1996年增加了市场风险敏感度，将CAMEL评级系统完善为CAMELS评级体系。Caprio等在测度金融脆弱性时选取不良贷款率1个指标、在判断银行体系是否脆弱时采用贷款损失指标[2]；Bongini等基于会计数据、信用评级和股价3项指标数据，分析了1996—1998年间东亚国家部分银行的脆弱性情况[3]；Ludwig等通过各银行在证券市场上的数据计算平均违约距离，并使用VAR模型进行格兰杰因果检验，研究了2007—2010年间欧元区国家银行间脆弱性联系[4]。

国内的伍志文运用CMAXt指数法、综合指数、偏离度，分析了中国银行体系1978—2000年间脆弱性情况[5]；万晓莉利用动态因子分析法，并选取1987—2006年间中国M2占储蓄存款比率、国内贷款与储蓄存款比率等5个指标的季度数据编制银行稳健性指数，研究了中国金融体系脆弱性[6]；刘飞宇等利用动态因子分析法，选取1998—2007年中国GDP增长率、通胀率、贷款与存款比率等7个指标的季度数据编制银行体系脆弱性指数[7]；陈建新等将1999—2006年间通胀率、GDP增长率、银行不良资产比率等11个指标划分为4个风险状态，对中国银行体系脆弱性进行测度[8]；沈悦等在对系统性金融风险研究时，选取不良贷款率、存贷比等4个指标衡量银行信贷风险[9]；杨洋选取商业银行不良贷款率、通胀率、资产利润率、资本充足率4个指标，使用加权平均合成法构建了银行体系脆弱性指数[10]。

(二)银行体系脆弱性与资产价格关系研究文献综述

国外关于银行脆弱性与资产价格间关系的研究，Minsky指出在资产价格剧烈波动时，信息不对称产生道德风险会使社会中的信贷紧缩，银行资金的流动性降低，进而对银行的稳定产生影响[1]13-38；Wilson等通过研究美国历史上4次金融危机与股价的关系，发现资产价格与金融危机的发生高度相关[11]；Peter研究发现资产价格与信贷的共同影响致使金融不稳定，并指出银行体系需保证一定的资本充足率以维持其自身的稳定[12]；Penas等实证研究了2001年土耳其爆发的金融危机，通过探索股东对银行应对金融脆弱性时的措施反应考察市场的监测能力[13]。

国内关于银行脆弱性与资产价格间关系的研究：单春红等通过实证研究股价波动影响银行经营的机制，发现二者存在关联性[14]；文凤华等编制了中国金融脆弱性综合指数，通过VAR模型并结合脉冲响应、方差分析，研究中国房地产价格与金融脆弱性间的影响关系[15]；舒长江等对其编制的FCI指数和构建的测度商业银行脆弱性的指标BF间建立多元线性回归模型、VAR模型后发现，主要扰动商业银行脆弱性的是房地产价格和人民币汇率价格的波动[16]。

本文通过文献梳理发现，国内外学者已做了大量的研究，但相关的研究存在以下几点不足：第一，从测度中国商业银行脆弱性的指标选取来看，国内文献多从宏观角度选取，部分研究银行内部脆弱性水平和风险的文献中选取的指标或是个数较少或是指标数量较大，因此对监控银行脆弱性的效率较低；第二，国内文献大多使用VAR模型研究银行体系脆弱性与资产价格间关系。对此，本文将从以下几点系统性研究中国商业银行脆弱性指数的构建及其与资产价格间的关系：其一，从信用风险、流动性、效益性以及资本充足性选取相关指标，并采用因子分析法构建季度的中国商业银行脆弱性指数CCFI；其二，首次尝试研究中国资产价格波动对商业银行脆弱性的动态传导效应，建立TVP-VAR模型分析资产价格与CCFI间的动态关联性，并对实证结果运用VAR模型进行稳健性检验。

二、中国商业银行脆弱性指数的构建

(一)指数指标的选取

总结国内外文献中指标的选取，有宏观指标和微观指标。由于难以确定宏观经济变量与银行脆弱性的影响关系，所以本文仅选择微观审慎指标编制中国商业银行脆弱性指数。本文依据银监会发布的商业银行主要监管指标，结合中国商业银行数据的可获得性，分别从信用风险、流动性、效益性、资本充足性4个方面建立中国商业银行脆弱性指标体系(见表1)：

表1 中国商业银行脆弱性指标表

选取不良贷款率、拨备覆盖率2个指标反映银行信用风险。不良贷款率是按风险程度分类，即次级、可疑、损失这3类贷款对总贷款余额的比率，导致银行不良贷款形成原因有其外部的原发因素(如借款人、政策因素)与其内部管理的内生因素(如决策失误、道德因素、贷款结构不合理等)，不良贷款率的增加不仅会使银行的信贷资金供应压力加大，还会阻碍银行经营效益的提高；拨备覆盖率是银行贷款在实际中可能发生呆、坏账准备金的使用比率，不良贷款拨备覆盖率能考察银行财务的稳健与否和风险是否可控，是衡量商业银行贷款损失准备金计提是否充足的一个重要指标。

选取存贷比反映银行流动性。存贷比是银行贷款余额与存款余额的比率，存贷比越高说明银行盈利能力越好。

选取净利润、净息差、成本收入比与非利息收入占比，用以反映银行的效益性。净息差是银行净利息收入与其全部生息资产的比值；非利息收入占比是银行除利差收入之外的营业收入占比。目前，在中国商业银行收入结构中，利息收入占主要位置，非利息收入业务对比利息收入则相对稳定、安全、利润率更高，它的增加可以驱动业绩并降低银行的运营风险；成本收入比是银行营业费用对营业收入占比，该比值越低，对应银行获取收入的能力越强，该指标能有效反映银行的盈利能力。

选取资本充足率反映银行资本充足情况。资本充足率是银行资本总额占比银行风险资产，反映商业银行在存款人与债权人的资产遭到损失前能以自有资本承担损失的程度。

(二)指数的构建方法

梳理国内外编制银行脆弱性指数的文献中，因子分析法、等方差权重法、熵值法等是构建指数时采取的主要方法。本文采用因子分析法、等方差权重法构建2010年第四季度至2017年第一季度的CCFI，对比发现相较于等方差权重法，因子分析法构建的CCFI较优，故本文采用因子分析法编制CCFI。

基于变量间相关性将变量分组，同一组内变量间相关性较高，不同组的变量相关性低或者不相关，每组变量代表一个公因子，较少的相互独立因子变量被用来替代原来变量的大部分信息，本文通过因子分析法编制CCFI，其原理如下：

(1)

其中X1,X2,…,Xp为p个原始变量；F1,F2…,Fm为m个因子变量，m

X=AF+ε

(2)

本文的中国商业银行脆弱性指数，即通过对方差贡献率大的因子的方差贡献率加权后编制而成。

(三)指数的构建结果

本文构建2010年第四季度至2017年第一季度的CCFI，构建指数的指标包含不良贷款率、拨备覆盖率、存贷比、成本收入比、非利息收入占比、净息差、净利润、资本充足率8个指标，数据来源于中经网统计数据库。

由于指标量纲不同，在编制指数前对数据进行标准化处理的方法使用的是最小值-最大值法。正向指标和负向指标分别使用式(3)式(4)进行处理：

(3)

(4)

在建立因子分析模型之前，首先判断经过标准化处理后的指标是否可以进行因子分析，此处对指标使用Bartlett球形检验以及KMO检验，检验发现：Bartlett球形检验和KMO检验的P值分别为0、0.705，表明可以用因子分析模型分析指标数据。根据变量的相关系数阵，选取对应特征根值>1的因子，共提取2个因子，2个因子的方差贡献率分别为67.763%、16.483%；2个因子方差累积贡献率为84.25%，因此这2个因子基本包含原始数据的主要信息。将2个因子按照各自方差贡献率作为权重进行加权，因子F1的权重为0.80，因子F2的权重为0.20，所以中国商业银行脆弱性指数CCFI=0.80×F1+0.20×F2，所得结果见图1。参考伍志文[5]、万晓莉[6]等的处理方法，在样本时间段内，指数均值减去1个标准差值作为商业银行脆弱的阈值，本文计算得到的商业银行脆弱的阈值为0。在某一时点上，若CCFI值为正，表示该时期商业银行不脆弱；若CCFI值为负，则表示该时期商业银行脆弱，CCFI值越小表示商业银行越脆弱。

图1 中国商业银行脆弱性指数走势图

由图1可以看出，CCFI在样本期内走势朝下：在2010年第四季度至2015年第一季度期间CCFI值为正，表明该时期内中国商业银行不脆弱，其中CCFI在2010年第四季度至2013年第四季度期间波动较平稳；在2014年第一季度至2015年第一季度期间商业银行脆弱性骤增；在2015年第一季度至2017年第一季度期间CCFI值为负，表明该时期内中国商业银行脆弱，且指数值朝负向减小，表明商业银行脆弱性情况严峻。

三、中国商业银行脆弱性指数与资产价格关联性分析

经梳理文献发现，商业银行脆弱性与资产价格之间关系紧密。本文将在实证中采用时变参数向量自回归(TVP-VAR)方法分析股票市场、房地产市场、外汇市场与商业银行脆弱性的关系。

(一)TVP-VAR模型

VAR模型假定系数不变、扰动项的方差也不变，该常系数假定无法刻画实际研究中变量间的非线性、时变的结构关系特征，而TVP-VAR模型可以很好地解决这个问题。由Primiceri首次提出了TVP-VAR模型[17]，即：

yt=ct+F1，tyt-1+…+Fp,tyt-p+μt

t=1，2，…，T

(5)

其中yt为研究的变量，ct为时变的常数项，均为n×1的矩阵；Fi,t(i=1,2，…，p)是时变的自回归系数，是一个n×n的矩阵；μt是扰动项。

yt=XtFt+μtt=1,2，…，T

(6)

基于式(6)，假定扰动项μt～N(0，Ωt)，其中协方差矩阵Ωt是时变的，然后找到满足式(7)的At和Σ：

(7)

因此有

(8)

(9)

εt～N(0,In)

(10)

式(6)可以写成：

(11)

假定式(11)中所有的参数服从随机游走过程，则εt、γt、υt、σt均服从正态分布，即：

Ft+1=Ft+γt

(12)

at+1=at+υt

(13)

ht+1=ht+σt

(14)

(15)

其中Im是单位矩阵，ΣY、Συ、Σσ分别是γt、υt、σt的协方差阵。在实证分析中，使用软件Oxmetrics，并采用MCMC算法估计TVP-VAR模型的参数。

(二)实证结果

国房景气指数是选取房地产开发投资、商品房销售价格等指标计算出的综合指数，可综合反映中国房地产运行的情况，故本文选取国房景气指数反映房地产价格，其数据来源于中经网统计数据库，本文将原始月度数据进行算术平均得到季度数据；人民币实际有效汇率指数是人民币对主要国家货币的加权实际汇率，可很好地反映人民币汇率波动情况，本文选取人民币实际有效汇率指数反映外汇，数据来源于中经网统计数据库；股票市场选取的代理变量为上证综合指数，数据来源于万得资讯，选取每季度最后一个交易日的收盘价作为当季度值；国房景气指数、人民币实际有效汇率指数、上证综指、中国商业银行脆弱性指数数据时间段为2010年第四季度至2017年第一季度。在进行分析前，本文对国房景气指数、人民币实际有效汇率指数、上证综指、中国商业银行脆弱性指数作预处理，经参数为1 600的H-P滤波法处理后得到对应的用于实证分析的周期项序列，分别记为es、reer、sz、CCFI。

1.平稳性检验。对国房景气指数、实际有效汇率指数、上证综指以及中国商业银行脆弱指数进行平稳性检验，见表2所示。在10%的显著性水平下，所有变量序列均通过平稳性检验，并根据LR、AIC、SC准则，可以将滞后期数确定为2期。

表2 平稳性检验及滞后阶数判定结果表

表3 MCMC方法模拟结果表

从表3可见，各参数检验的Geweke检验值均在95%的置信度水平下，因此不能拒绝各参数收敛于后验分布的原假设。无效影响越小表示样本越有效，表3中无效影响因子均在100以下，远远小于10 000，模型拟合效果较好。

3.基于TVP-VAR方法的脉冲响应。基于TVP-VAR方法的脉冲响应，图2刻画了分别反映各变量在第4期(短期)、第8期(中期)、第12期(长期)互相影响情况的动态脉冲响应图。

图2 TVP-VAR模型的脉冲响应图

国房景气指数在第4期对中国商业银行脆弱性指数冲击影响为正向冲击、在第8期冲击影响为负向冲击、在第12期冲击影响不显著。短期来看，房地产景气对商业银行稳定性有正向影响，但是房价上涨到一定水平后风险即开始转向银行，所以长期来看房地产会加剧商业银行脆弱性。

实际有效汇率指数在第4期对中国商业银行脆弱性指数冲击影响为负向冲击、在第8期冲击影响为正向冲击、在第12期冲击影响不显著，这说明从短期看，本币升值对商业银行的影响弊大于利，商业银行将受到不利冲击；中长期内，本币升值将有利于银行扩大外汇市场交易并吸引外资以扩大商业银行资产规模，在环境多变的大环境下，商业银行也将会出现更多新的需求、市场、工具等，机遇与挑战并存。

上证综指在第4期对中国商业银行脆弱性指数冲击呈现跌宕式、在2017年短期内呈现较大幅度正向影响关系、在第8期、第12期脆弱指数对上证综指冲击影响不显著，由此可见短期内股市上涨会导致储蓄向股市分流，所以加剧银行脆弱性，但是长期来看股市上涨是由于企业利润增加，企业会扩张经营并吸引部分股市资金回归储蓄，股市的发展带动实体经济中产业结构优化升级，从而对银行稳定有正向作用。

(三)稳健性检验

图3是使用基于VAR模型的脉冲响应对中国商业银行脆弱性指数与资产价格关联性进行的稳健性分析。从图3中可以发现：其一，国房景气指数变动对中国商业银行脆弱性指数短期内主要呈现正向冲击，脆弱性指数在4期达到最大值，长期主要呈现负向冲击；其二，实际有效汇率指数变动前4期对中国商业银行脆弱性指数有负向冲击，其后对中国商业银行脆弱性指数有正向冲击；其三，面对上证综指的冲击，中国商业银行脆弱性指数在8期以前表现为负值，在2期达到负向最大值，其后为正值。VAR模型结论对TVP-VAR模型结论的稳健性进行了验证。

图3 VAR模型的脉冲响应图

四、结论与对策建议

(一)结论

第一，本文使用因子分析法，从信用风险、流动性、效益性、资本充足性4个方面选取不良贷款率、拨备覆盖率、存贷比、资本充足率、成本收入比、净息差、非利息收入占比、净利润8个指标构建CCFI。通过CCFI发现，2010—2015年中国商业银行虽不脆弱但脆弱性在增强，2015—2017年的中国商业银行脆弱，且脆弱性严峻。

第二，本文选取国房景气指数、实际有效汇率指数、上证综合指数分别作为房地产价格、汇率、股价的代理变量，使用TVP-VAR方法分析这3个资产价格指标变动分别对CCFI的影响。具体而言，短期内房地产价格对CCFI有正向引导作用，但是长期有负向引导关系；汇率在短期内对CCFI有着负向引导作用；股票价格在短期内对CCFI有着负向引导作用，长期有正向引导作用,各资产价格与CCFI间的引导关系随着滞后期数增加逐渐减弱。本文实证通过VAR模型结论，进一步验证了TVP-VAR模型结论的稳健性。

(二)对策建议

本文研究结论对中国商业银行稳定有着重要借鉴意义，并建议如下：

第一，加强商业银行自身建设，优化其主体结构，加强对商业银行脆弱性的预警。

第二，加大监管措施调控楼市，遏制房价持续高涨，让房屋回到以居住为主的目的。短期内房价上涨对商业银行的稳定性有正向影响，但是房价上涨到一定水平后风险即开始转向银行；长期来看，房地产会加剧商业银行脆弱性，所以政府应继续加大监管措施调控楼市，遏制房间持续高涨，让房屋回到以居住为主的目的。

第三，在加快人民币国际化进程中，处理好人民币与商业银行的关系。人民币于2016年10月1日被纳入IMF特别提款权(SDR)货币篮子，随着中国金融改革的不断深化和开放程度的增加，将会进一步加深人民币的国际化程度，但由于中国利率、汇率市场、资本项目账户又未完全开放，各种法律法规有待规范完善，人民币国际化进程若过快地被推进则会加剧汇率的波动，进而增加商业银行的脆弱性。所以，在推进人民币国际化进程中，需要健全商业银行监管指标，提高商业银行对汇率波动的承受力。

第四，规范证券市场，打击违规行为，增加证券市场透明度，防止证券市场非正常大幅波动。在证券交易中，信息不对称会误导投资者造成恐慌，从而引起证券市场价格大幅波动，进而加大商业银行脆弱性。