宏微观审慎监管对系统性金融风险冲击的时变特征与协同效应

毛泽盛 付 丹

（南京财经大学金融学院，江苏 南京 210023）

一、引言

党的十九大报告强调，要“健全金融监管体系，守住不发生系统性金融风险的底线”。“十四五”规划也提出，完善现代金融监管体系，提高监管透明度和法治化水平。宏观审慎管理和微观审慎监管是现代金融监管体系的两大重要组成部分，二者虽然有着共同的监管目标，即通过防范风险来维护金融稳定，但也存在区别，前者主要通过预测和防范系统性金融风险来直接实现金融系统的稳定，后者则重在通过防范单个金融机构风险以为金融系统稳定构筑微观基础。因此，在当前金融风险易发、高发、多发的背景下，宏观审慎管理和微观审慎监管必须相融共生、相互协调。问题是，虽然宏观审慎管理和微观审慎监管都具有防范系统性金融风险的功能，但二者对系统性金融风险的影响存在差异吗？这种差异是否与当时的经济背景相关？二者如何协调才能更好地降低系统性金融风险？本文将在构建我国系统性金融风险指数的基础上，运用时变参数向量自回归（TVP-SV-VAR）模型和系统GMM方法对这些问题进行解答。

二、文献综述

在美国次贷危机以前，人们主要关注的是微观审慎监管，即对单个金融机构进行监管，以实现局部均衡。次贷危机后，宏观审慎监管得到越来越多国家的重视和关注。近年来，微观审慎管理和宏观审慎管理逐渐走向协同，二者相互依存、相互渗透。目前，有关二者协调性的研究主要围绕协调必要性和协调方式两个方面展开。

（一）宏观审慎管理与微观审慎监管协调必要性

次贷危机的爆发使微观审慎监管在防控系统性金融风险方面的不足暴露无遗，保证单个金融机构的安全已经不能维持整个金融体系的稳定（周小川，2011）。随着对宏观审慎管理的深入研究，学术界也达成了共识：有必要强化宏观审慎管理，构建完善的宏观审慎管理框架，以防范系统性金融风险和实现金融稳定（李妍，2009；张智富等，2020；叶思晖等，2020）。虽然二者的监管手段有所不同，但宏观审慎政策不会与微观审慎政策相冲突，两者的协调可以有效降低系统性金融风险（Angelini 等，2012）。Alessandri 等（2015）在分析欧洲的宏观审慎管理和微观审慎监管时提到，在微观审慎发挥作用时，会使信贷从微小金融机构向大型金融机构转移，抵消宏观审慎所发挥的作用，因此，宏观审慎管理应与微观审慎监管相互配合，共同维护金融稳定发展，而不是顾此失彼。

近年来，国内学者对二者协调的必要性也进行了大量探索和研究。巴曙松等（2010）分析了微观审慎监管对顺周期性的无能为力，提出要发挥宏观审慎和微观审慎之间的互补作用，对不同类型、不同区域的金融机构实行差异化监管。范小云和王道平（2012）从微观审慎和宏观审慎有机结合的视角，探讨了巴塞尔协议Ⅲ对中国银行业的影响并提出中国银行业的改革意见。史永奋等（2014）认为传统的微观审慎监管在面对金融体系的顺周期性时表现不足，需要依靠宏观审慎管理的配合来提高监管效率。刘超和周亮（2020）提出，为了更好地保障金融体系的稳定运行，应将宏观审慎管理理念加入微观审慎监管中，如金融机构贷款拨备制度和逆周期资本缓冲。总体而言，为有效监控和防范系统性金融风险，确保金融体系的稳定，在传统微观审慎监管的基础上完善宏观审慎管理、建立宏观审慎管理框架已成为大势所趋。

（二）宏观审慎管理与微观审慎监管的协调方式

随着宏观审慎管理方式和工具的不断完善，学者们关于微观审慎监管和宏观审慎管理是否应该协调配合这一问题已经逐渐达成共识，学术界研究的重点也逐渐转移到如何实现二者的协调以及协调方式的选择上。Tchikanda（2017）出于宏观审慎目的将微观审慎工具的校准合法化，以衡量和管理系统性金融风险，这一做法对设计和实施新法规以改善金融体系的稳定性具有重要的政策意义。Tenten等（2017）利用M-PRESS-CreditRisk 这个新的自上而下的宏观压力测试框架，帮助监管机构评估与信用风险相关的银行资本充足率，首次在统一的框架中将微观审慎资本要求和宏观审慎缓冲器的校准进行了结合。Małgorzata 和Kowalska（2017）发现，宏观审慎工具和微观审慎工具对非危机时期杠杆的顺周期性有着显著影响，宏观审慎工具在非危机时期降低了流动性的顺周期性，而在危机期间增加了杠杆的顺周期性，限制银行开展活动的范围可以降低非危机时期流动性风险的周期性。

在国内，王忠生和黄伦章（2011）提出从流动性监管角度协调微观审慎监管和宏观审慎管理，认为要通过调控资产和负债期限的错配期来控制微观层面的流动性风险，同时关注资本流动的数量和方向以避免资本市场上的流动性危机。潘凌遥（2012）认为微观审慎监管可以较为精确地计量系统性金融风险，从而能为宏观审慎管理的实施节约经济成本。刘超和马玉洁（2019）基于PVAR模型提出，微观审慎监管中的不良贷款率指标和宏观审慎管理中的广义信贷/GDP偏离度与银行业集中度指标都能影响银行业的稳定性，但实施单一的监管工具可能会对金融体系带来冲击，只有二者协调才能维持长期稳定。

截至目前，虽然学术界有关宏观审慎管理和微观审慎监管协调的研究成果较为丰富，但值得注意的是，已有研究从防范系统性金融风险的视角研究二者的协调效果时，大多只考虑政策与风险之间的静态关系，而忽略了动态效应。现实中，系统性金融风险是一个不断累积、不断反复的过程，因此，考察政策与风险的关系如何随时间的推移而变化，将是一个重要的研究方向。据此，本文将首次采用时变参数模型研究宏微观审慎监管与系统性金融风险的时变相关性，为政策实施提供理论依据。同时，现有研究对二者协调搭配的探讨大多集中在定性层面，主要从理论上分析二者在监管工具层面的有效性和搭配方式，较少通过定量分析研究使用单一审慎政策和二者协调使用时对降低系统性金融风险水平的具体数量影响。据此，本文将实证检验宏观审慎管理与微观审慎监管协调对系统性金融风险的调控作用。基于此，本文研究的具体思路是：首先，构建我国的系统性金融风险指数，并结合现实解释其变化特征；其次，采用带有时变参数的TVP-SV-VAR模型，实证分析宏微观审慎监管对系统性金融风险影响的长短期效应，以及在经济周期的不同阶段系统性金融风险对不同政策冲击的反应程度和持续时间的差异性；最后，采用系统GMM 方法，利用银行微观数据进一步研究二者的协同效应，即比较单一的审慎监管政策和协调搭配的审慎监管政策对系统性金融风险的影响差异。

三、我国系统性金融风险指数（CSRI）构建

系统性金融风险是指使金融系统部分或全部受到损失并对实体经济产生严重负面影响的风险。为了研究宏观审慎管理和微观审慎监管对系统性金融风险的影响，先要对系统性金融风险进行具体测度，构建符合我国国情的风险指数。IMF（2009）建议金融市场不发达的发展中国家应采用综合指数法构建稳健的金融指标，其最大优点是不注重金融危机的历史和系统性金融风险的具体成因，并且利用该方法构建的指标变量可以引入其他模型中。国内实证研究也表明，运用综合指数法构建的系统性金融风险指数与我国经济实际运行情况相符合，能较为准确地描述我国系统性金融风险水平。因此，本文采用综合指数法来构建我国的系统性金融风险指数。

（一）指标选取及数据处理

本文综合考察了国内外学者关于系统性金融风险的定义、影响因素和度量方法，并借鉴陶玲和朱迎（2016）关于风险指数的构建方法，考虑到数据的可获得性和准确性，对测度维度和选取的基础指标进行了改进。结合本文的研究目的，主要基于以下几个维度选取指标：一是货币市场维度。在金融波动中，货币市场往往会成为金融风险发生的主要场所。以往货币市场维度选取的指标主要是银行间市场七天回购定盘利率、一周SHIBOR 和LIBOR 利差、一周和一年SHIBOR 利差，本文首次加入了贷款同比增速和短期贷款余额/总贷款两个指标。二是资本市场维度。股票市场的过度繁荣和中长期信贷的过度扩张，使得大量资金涌入资本市场，这极易形成资产泡沫，导致市场波动不断加剧，会较大程度地影响银行业系统性金融风险水平，故本文首次选取上证所周转率、上证所平均市盈率、上证综指收益率、深证综指收益率和中长期贷款/总贷款作为资本市场的基础指标。三是政府部门维度。在宏观经济下行时期，会出现政府部门债务风险向银行系统转移的现象，从而会导致银行业风险水平上升，据此本文选取工业增加值累计增长和固定资产投资额累计增长等指标。四是外汇市场维度。政府在调节本国货币的供求关系以规避风险时，极易导致汇率风险，形成系统性金融风险。指标选取时，除了经常使用的实际有效汇率指数、国家外汇储备同比增长和进出口总额同比增长，本文创新性地加入了进口总额同比增长、出口总额同比增长和外汇占款同比增长。五是房地产市场维度。房价持续上涨会使房地产市场累积一定程度的风险，而房地产市场与银行资金之间有着千丝万缕的联系，因此，不可避免地会造成银行业风险上升，本文借鉴以往的研究选取了房地产开发投资额增长、商品房销售额同比增长和商品住宅房销售额同比增长等指标。由此，本文主要从货币市场、资本市场、政府部门、外汇市场和房地产市场选取了22 个基础指标来构建我国的系统性金融风险指数，数据来源于万得数据库，样本区间为2009年1月—2020年12月。具体指标如表1所示。

表1：系统性金融风险指标体系

上述系统性金融风险测度指标按照性质可以分为正向指标和负向指标，正向指标越大会导致系统性金融风险升高，负向指标则相反。为了避免综合指数偏差，需要对指标进行正向化处理，即正向指标保持不变，负向指标取相反数转变成正向指标。另外，由于所选指标的数据类型和计量单位不统一，为统一量纲，需要对指标进行归一化处理，具体方法是：Y=(X-minX)/(maxX-minX)。

（二）系统性金融风险指数构建

首先，对基础指标进行KMO 和Bartlett 球形检验，以确定数据是否适合进行主成分分析，检验结果如表2 所示。从表中可看出，KMO 值为0.659，大于0.6，Bartlett 检验的卡方值为5540.147，显著性为0.000，小于0.05。因此，可以判断各变量之间具有共同因子，适合进行主成分分析。

表2：KMO和Bartlett球形检验

其次，利用SPSS23.0 软件对指标进行主成分分析，得到的主成分特征根和方差贡献率如表3 所示。从表3中可以看出，前6个因子的特征根都大于1，且累计方差贡献率达到88.158%，大于80%，说明前6个因子对系统性金融风险的解释能力较强，因此，接下来选取前6个主成分进行进一步分析。

表3：主成分特征根和方差贡献率

表4为前6个主成分的成分矩阵，利用该矩阵可以建立每个主成分与原始指标之间的线性关系，得到各个主成分得分，接着将主成分得分除以初始特征值方差的平方根得到标准化的主成分得分，将标准化后的主成分得分赋予对应的方差贡献率为权重：

表4：成分矩阵

最后，合成系统性金融风险指数，如图1 所示。从图1 可以看出，我国系统性金融风险的变化不具有无限期累积特征，而表现为一个不断反复的过程，因此，可以通过适当的政策来对其进行合理调控。如果一国政府不能有效地抑制系统性金融风险，最终将引发金融危机。从图1 中可以看出，2009年初，受国际金融危机爆发的影响，我国金融系统和实体经济遭受严重打击，银行业深受影响，系统性金融风险水平达到顶峰。2009—2010年期间，各国政府相继出台政策以刺激经济，我国也实行了积极的财政政策和适度宽松的货币政策，并安排4 万亿资金扩大内需，促进经济增长，使得宏观经济形势逐渐好转，系统性金融风险指数也呈现明显下降的趋势。2011年1月—2013年7月，由于贷款增速过快，我国债务额度水平攀升，同时宏观经济出现产能过剩问题，加之2013年银行业的“钱荒”事件，使系统性金融风险水平出现小幅度上升。2015年，我国股票市场爆发严重的股灾危机，导致上证指数接连下跌，由于银行业也间接参与了股票市场的资金投放，在这次股灾中也受到不小的损失，由此导致2015年底系统性金融风险指数不断上升，达到较高水平。随后，在国家多部门强力调控下，股灾影响逐渐减弱，系统性金融风险得以缓解。此后，我国开始逐渐认识到宏观审慎管理政策对调控系统性金融风险的重要性，并逐渐加大宏观审慎政策的力度，中国人民银行于2016年初启动宏观审慎评估体系（MPA），同时原银监会也加强了表外理财业务的监管力度。受此影响，我国经济增速虽然持续放缓，但金融系统保持稳定，最终导致系统性金融风险指数逐渐下降。直到2020年1月，受到新冠肺炎疫情的影响，国内消费市场停滞，证券市场千股齐跌，系统性金融风险指数上升到样本区间的最大值。综上可见，系统性金融风险指数的走势与我国经济实际运行情况相符合，对国内外的负面金融事件比较敏感，能够准确描述我国的系统性金融风险水平。

图1：系统性金融风险指数变化趋势

四、宏微观审慎监管对系统性金融风险冲击的时变特征

本文采用TVP-SV-VAR 模型分别考察我国宏观审慎政策和微观审慎政策对银行业系统性金融风险冲击的时变特征，研究在经济周期的不同阶段系统性金融风险对不同政策冲击的反应程度和持续时间的差异性，并通过等间隔脉冲响应函数和等时点脉冲响应函数分析两类监管政策各自对系统性金融风险的调控效果。

（一）实证模型

在模型设计上，为了基于时变视角构建宏观审慎管理和微观审慎监管协调框架，本文采用了具有随机波动性的TVP-SV-VAR 模型（Primiceri，2005）。TVP-SV-VAR 模型可以刻画变量之间的时变特征，并解释变量之间的非线性关系。具体来说，在解释宏观审慎政策、微观审慎政策与系统性金融风险的时变相关性时，TVP-SV-VAR 模型可以有效捕捉变量之间的结构变化，准确地反映宏观审慎政策与微观审慎政策对系统性金融风险的影响，以及政策与风险之间的关系如何随着时间的推移而变化。

传统SVAR模型为：

其中， y是一个可观测到的内生变量的k×1 矩阵， A,F,…,F代表k×k 阶系数矩阵， A 表示变量之间的同期关系，F表示滞后s 期和当前期变量之间的关系，随机扰动项μ是k×1 维结构性冲击项。

式（2）可以简化为：

在该模型中，所有参数均不随时间发生变化，显然这是不符合经济运行的基本规律的。在实际经济背景下，经济政策、经济结构等因素都会随着时间的推移而发生变化，因此，模型的参数也应该产生变化，在模型中考虑时变的因素，将做出更符合实际的预测。基于式（3），在模型中加入随机波动率，将模型拓展为TVP-SV-VAR模型：

其中， y、 A和∑都是随时间变化的， A和∑表示为：

假设TVP-SV-VAR 模型中的所有时变参数均服从随机游走过程，即：

其中， h=(h,…,h)′， h=log(σ)。假设外部冲击服从联合正态分布：

其中， β~N(μ,∑) ， α~N(μ,∑) ，h~N(μ,∑)。假设时变参数的冲击不相关，∑、∑和∑都是对角矩阵。本文将采用马尔科夫蒙特卡洛模拟算法（MCMC）对模型进行贝叶斯估计，从而提高参数估计的有效性和精确性。

（二）变量选取与数据说明

资本充足率是商业银行资本与其风险加权资产的比率，代表银行的偿付能力。中国人民银行于2011年实行差别准备金动态调整机制，核心是将信贷增长和准备金水平挂钩；于2016年开始实行宏观审慎评估体系（MPA），核心是将贷款增长和资本水平挂钩，这二者都强调了资本充足率是宏观审慎管理的核心。实行资本充足率的逆周期监管，就是允许银行在经济周期的不同阶段持有不同数量的资本，以缓解资本监管的顺周期效应，是一种有效的逆周期监管机制。此外，已有大量文献从实证角度探讨了资本充足率作为宏观审慎管理代理变量的合理性（谢平和邹传伟，2010；严佳佳和康志鑫，2020；王紫薇和王海龙，2020）。因此，本文以商业银行资本充足率（CAR）作为我国宏观审慎政策的代表指标。

不良贷款率是不良贷款占总贷款的比重，能反映商业银行的资产质量和风险管控能力。不良贷款率越高说明银行风险越高。监管部门通过跟踪银行不良贷款率指标的变化来监测单个金融机构可能存在的风险，并采取各项措施达到保证金融机构稳健运营的目标，对这一指标进行监控能够体现政府对银行的监管态度和力度。胡利琴等（2012）、方意（2015）等人的研究也证实了不良贷款率作为微观审慎监管代理变量的合理性。因此，本文以商业银行不良贷款率（NPL）作为我国微观审慎政策的代表指标。

考虑到2008年国际金融危机后，宏观审慎管理才真正开始引起各国监管当局的重视，众多学者也正是在这一事件之后才开始展开对宏观审慎管理和系统性金融风险的深入研究，因此，本文选取的样本区间为2009年第一季度—2020年第四季度，数据主要来源于万得数据库。

（三）实证结果与分析

1.平稳性检验。构建TVP-SV-VAR 模型要求的变量数据必须是平稳时间序列，否则可能会造成“伪回归”问题。本文采用ADF 单位根检验对系统性金融风险指数（CSRI）、资本充足率（CAR）和不良贷款率（NPL）进行平稳性检验。检验结果如表5 所示，三个变量均是不平稳时间序列，在对变量进行一阶差分后，各变量均表现为平稳时间序列。因此，本文使用一阶差分后的数据构建TVP-SV-VAR模型。

表5：平稳性检验结果

2.参数估计。本文将模型的滞后期设定为2，利用马尔科夫蒙特卡洛模拟算法（MCMC）对模型进行10000 次抽样，舍弃前1000 次抽样作为预烧（burnin）。模型的参数估计结果如表6所示，其中参数的后验均值均位于95%置信区间内，Geweke检验的CD收敛诊断值均小于5%显著性水平下的临界值1.96，表明10000 次的模拟次数已经足够使马尔科夫蒙特卡洛模拟算法（MCMC）模拟趋于集中。同时，所有参数估计结果的无效因子都小于200，因此，可以确认马尔科夫蒙特卡洛模拟算法（MCMC）抽样有效。

表6：参数估计结果

3.等间隔脉冲响应函数。TVP-SV-VAR 模型通过模拟不同滞后阶数的脉冲响应冲击，得到等间隔脉冲响应函数，从而捕捉出在不同提前期时系统性金融风险受宏观审慎和微观审慎政策冲击的时变特征，并且能分别反映这两类政策对系统性金融风险的短期、中期和长期效应。本文设定提前期分别为4 个月、8 个月和12个月，以反映变量响应的动态变化过程。

图2a表示系统性金融风险对不同提前期宏观审慎政策冲击的脉冲响应，可以看出不同提前期的宏观审慎政策冲击对系统性金融风险的脉冲响应表现有所差异。样本期间内，系统性金融风险对宏观审慎政策冲击的响应显著为负，且负向响应随着时间的推移逐渐增大，因此，可以看出宏观审慎管理能有效降低我国的系统性金融风险水平，并且这种负向调控具有长期持续性。值得注意的是，宏观审慎政策冲击对系统性金融风险的影响具有明显的时变特征，不同提前期的影响程度不同，其中，提前4 期的脉冲响应函数变化幅度最大，提前12 期的脉冲响应函数变化幅度最小，说明宏观审慎政策对系统性金融风险的影响随着时间的推移会逐渐减弱。另外，不同提前期的曲线在2016年后都出现了较大幅度的下降，因为在2016年中国人民银行将差别准备金动态调整机制升级为MPA，从多个方面对金融机构的行为进行多维度的引导，此后我国全面加强了宏观审慎管理，因此，系统性金融风险水平显著降低。

图2：系统性金融风险对宏微观审慎政策冲击的等间隔脉冲响应

图2b 表示系统性金融风险对不同提前期微观审慎政策冲击的脉冲响应，可以看出样本期间微观审慎政策冲击对系统性金融风险的影响具有明显的时变特征，不同提前期的影响程度不同。具体来说，在2015年之前微观审慎政策冲击对系统性金融风险的脉冲响应值在短期、中期和长期内都基本保持为正值，其中提前4 期的脉冲响应值最大，说明微观审慎政策施行4 期后对系统性金融风险的调控效果最明显，8 期后调控效果有所减弱，12期后基本为零，说明微观审慎政策对系统性金融风险的作用会逐渐减弱。但提前8期和提前12 期的脉冲响应值在2015年后转为负值，提前4期的脉冲响应值在2017年后转为负值，此后微观审慎政策对系统性金融风险具有小幅度的负向影响。这是因为自2017年1月以后我国高度重视宏观审慎管理，监管格局与系统性金融风险的关系发生了明显的变化，更重要的是，宏观审慎管理政策的实施会对微观审慎监管的调控效果产生影响。

4.时点脉冲响应函数。TVP-SV-VAR 模型能通过模拟在不同时间点的脉冲响应冲击，得到时点脉冲响应函数，从而刻画宏观审慎政策和微观审慎政策在不同经济阶段对系统性金融风险影响的差异性。为了探讨不同时期宏观和微观审慎政策对系统性金融风险的影响，本文选取了三个不同的时间点的脉冲响应函数：2010年第四季度、2016年第一季度和2019年第一季度。这是因为：首先，2010年12月的G20 峰会上，各成员国批准了巴塞尔协议Ⅲ的基本框架，并就宏观审慎定义达成共识，提出要加强宏观审慎管理，增强逆周期调节；其次，2016年中国人民银行将差别准备金动态调整机制升级为宏观审慎评估体系（MPA），从资本和杠杆、资产负债、流动性等七大方面对金融机构的行为进行多维度的引导；最后，2019年2月中国人民银行设立宏观审慎管理局，负责牵头建立宏观审慎政策框架和基本制度。

图3a为系统性金融风险对不同时点的宏观审慎政策冲击的脉冲响应函数，在给系统性金融风险指数一个来自宏观审慎政策的正向冲击后，三个不同时点在当期都出现了较大的正向脉冲反应，其中2019年9月的响应强度最大，此后1 期出现小幅度下降后又反弹到样本期的峰值水平，之后迅速下降，并于第3 期后在零线附近呈现上下波动趋势。因此，在三个代表时点下，宏观审慎管理政策在整个样本期内会导致系统性金融风险出现正向累积现象，在短期内这种现象更为明显。值得注意的是，三个时点的宏观审慎政策冲击在第4 期都对系统性金融风险有显著的负向影响，这与图2的等间隔脉冲响应函数展现的规律相一致。

图3：系统性金融风险对宏微观审慎政策冲击的时点脉冲响应

图3b 为系统性金融风险对不同时点的微观审慎政策冲击的脉冲响应函数，可以看出系统性金融风险面对不同时点的微观审慎政策冲击的脉冲响应函数走势大体上保持一致，前3 期曲线基本重合，之后开始出现细微的差别。在不同时点给予微观审慎政策一单位的正向冲击会显著影响银行业系统性金融风险水平，并在冲击当期达到样本期间的最大值，随后迅速回落，在经历了几次波动后在第8 期后趋于0，此后一直在零线附近小幅度波动。这意味着不同时点的微观审慎政策能在短期内表现较强的调控效果，但随着时间的推移效果会逐渐减弱。

比较系统性金融风险对宏观审慎政策和微观审慎政策的时点脉冲响应可以看出，两种政策冲击对系统性金融风险的影响程度和持续时间不同。其一，系统性金融风险对宏观审慎政策冲击的反应不同于对微观审慎政策的冲击，特别是在短期内，宏观审慎政策对系统性金融风险的调控效果大于微观审慎政策；其二，宏观审慎政策对系统性金融风险的抑制作用主要体现在短期，长期效应比较微弱，而微观审慎政策在危机时期会造成系统性金融风险累积，只有在经济繁荣时期会对风险产生负向影响。总体来看，宏观审慎管理在抑制系统性金融风险方面比微观审慎监管的效果更加显著，但仍然存在不足之处，要想在经济发展的各个阶段都能有效抑制系统性金融风险，需要将宏观审慎管理与微观审慎监管搭配协调使用。

五、宏微观审慎监管防范系统性金融风险的协调效应

宏观审慎管理与微观审慎监管对系统性金融风险影响的时变特征表明两类监管政策存在协调的可能。为此，本部分将利用银行微观数据进一步研究二者的协同效应，即通过建立动态面板模型，比较研究在使用单一的审慎监管政策时和两者协调搭配时对系统性金融风险的影响是否存在差异。具体做法是，通过在模型中加入宏微观审慎监管代理变量的交叉项，研究分析变量之间的相互作用，以期为宏观审慎管理和微观审慎监管如何协调使用提供实证支持。

（一）模型设计

基准模型设定如下：

其中，CSRI为第i 家银行在t 时期的系统性金融风险水平， X表示核心解释变量，即宏观审慎管理或微观审慎监管代理变量， Macrocon表示宏观经济控制变量， Bankcon表示银行微观控制变量， ν表示银行个体效应，ε表示随机扰动项。

为了考察宏观审慎管理与微观审慎监管对系统性金融风险影响的协调效果，以证明“宏观审慎管理+微观审慎监管”的调控框架在抑制系统性金融风险方面的显著作用，在基准模型中引入宏观审慎管理代理变量和微观审慎监管代理变量的交叉项，拓展模型为：

在实证分析中，主要考察宏观审慎政策与微观审慎政策的交叉项系数α的符号、大小及显著性，以期检验宏观审慎管理与微观审慎监管的协同作用。

（二）变量选取与数据说明

为了保证研究结论的准确性和一致性，本文选取单个银行机构的不良贷款率（NPL）作为微观审慎监管的代理变量。由于不同宏观审慎政策工具与微观审慎政策协调可能具有不同的效果，本文参照Rubio 和Carrasco（2015）的做法，将宏观审慎政策工具分为资本类、信贷类和流动类，分别研究其与微观审慎监管政策的协调效果。其中，资本类宏观审慎政策工具选取资本充足率（CAR）作为代理变量；信贷类宏观审慎政策工具选取贷款价值比（LTV）作为代理变量，贷款价值比是贷款价值与抵押品价值的比例，常见于商业银行住房抵押贷款的风险管理，目前已经成为我国防止房地产资产泡沫、抑制银行风险的有效逆周期宏观审慎调控工具，本文用“1-二套房首付比例”来代表贷款价值比；流动类宏观审慎政策工具选取法定存款准备金率（DRR）作为代理变量，这是我国最重要的宏观审慎工具之一，中国人民银行从2011年建立差别存款准备金率制度，至今共对其进行了十多次调整，呈现从渐趋严格到稳健发展的态势。此外，宏观经济控制变量主要包括GDP 季度同比增长率（GDP）和CPI 指数（CPI），银行微观控制变量主要包括银行总资产规模的对数值（SIZE）、资产收益率（ROA）和非利息收入占比（NIR）。具体变量定义与说明如表7所示。

表7：变量定义与说明

本文研究样本为2009—2020年16家上市商业银行的季度数据，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、浦发银行、招商银行、中信银行、兴业银行、华夏银行、北京银行、南京银行、民生银行、宁波银行、光大银行和平安银行。数据来源于万得数据库和各银行季报、年报。

（三）实证结果与分析

本文设计的实证模型中包含了被解释变量的滞后项，此类动态面板数据在估计时变量之间可能存在内生性问题，且政策工具变量以及银行微观变量有可能导致异方差问题。为了克服模型的内生性以及可能的异方差等问题，本文选择系统GMM 方法进行参数估计，以避免模型估计结果出现较大的误差，并使用内生变量的滞后变量和差分变量作为工具变量，从而提高模型的可信度和估计效率。使用系统GMM 进行参数估计时，需要通过AR 检验来判定被解释变量的滞后阶数，原假设是扰动项不存在自相关；需要通过Hansen检验来检验工具变量的有效性，原假设是所有工具变量都是外生变量。

1.资本类宏观审慎政策与微观审慎政策协调。表8 显示了资本类宏观审慎政策和微观审慎政策调控系统性金融风险的实证结果。其中，模型（1）、（2）、（3）分别表示单独实施宏观审慎政策、单独实施微观审慎政策、宏观审慎政策和微观审慎政策联合使用时对系统性金融风险的影响程度。从表中可以看出，AR（1）表示拒绝一阶差分不存在自相关的原假设，AR（2）表示不能拒绝二阶差分不存在自相关的原假设，Hansen统计量表示所有工具变量都是外生的，因此，本文采用GMM估计方法是合理的。

表8：资本类宏观审慎政策和微观审慎政策影响系统性金融风险的检验结果

从回归结果来看，在3 个模型中，系统性金融风险的一阶滞后项CSRI（-1）的系数在1%的显著性水平下都显著为正，说明银行的系统性金融风险在时间上具有明显的黏性特征，即上一期的系统性金融风险水平会对当期的系统性金融风险产生重要的影响。另外，从表中观察银行微观控制变量和宏观经济控制变量与系统性金融风险水平的关系可发现：银行资产收益率的系数显著为正，说明银行的盈利能力与风险水平呈正相关，这与银行投资的资产组合的高风险高收益特点相吻合；银行规模与系统性金融风险之间的关系为正，但是不显著，意味着银行规模越大，会承担越多的系统性金融风险，原因在于资产规模较大的银行可能会更倾向于采取高风险的行为以获得高收益，并且规模越大的银行与其他金融机构之间的关联性越强，更易造成风险传染和风险累积；非利息收入占比的回归系数为正，但是不显著；宏观经济控制变量中的GDP增长率和CPI指数的系数均为负值，说明经济快速增长会降低银行的系统性金融风险。这些结果不再赘述，下面重点分析宏微观审慎监管政策对系统性金融风险的影响。

其一，模型（1）中的宏观审慎政策变量资本充足率的系数在1%的水平下显著为负，表明适度紧缩的宏观审慎政策可以有效降低系统性金融风险水平。这是因为：一方面，当资本充足率要求提高时，受到监管的银行会减少放贷和高风险行为，能够有效地控制经济中的贷款总量；另一方面，提高资本充足率会强化宏观审慎管理对银行资本的要求，有利于对系统性金融风险的事前防范，增加金融机构抵御风险的能力。其二，模型（2）中的微观审慎政策变量不良贷款率的系数为0.18，在5%的水平下显著为正，表明银行的不良贷款率每下降1 个百分点，系统性金融风险会降低0.18个单位，这意味着紧缩性微观审慎政策能降低银行的系统性金融风险水平。其三，模型（3）中两种政策工具交互项的系数为-0.03，在5%的水平上显著负相关，这意味着金融监管部门可以通过权衡宏微观审慎政策的影响及两者的协调来有效地缓解单一政策造成的不利影响。具体来说，当监管部门采取宽松性宏观审慎政策时，系统性金融风险将面临上升压力，此时金融监管部门可以要求资本充足率较低且资产质量状况较差的银行严格把控信贷资产质量，通过降低不良贷款率来降低系统性金融风险，以抵消宽松性宏观审慎政策的影响。相反，在宽松的微观审慎环境下，监管部门可以实施有差别的资本充足率调整机制，要求信贷投放节奏过快、不良贷款率较高的银行提高资本充足率，来抑制这些银行的信贷投放冲动，进而降低系统性金融风险水平。

2.信贷类宏观审慎政策与微观审慎政策协调。表9 显示了信贷类宏观审慎政策工具和微观审慎政策调控系统性金融风险的实证结果。模型（4）和模型（5）分别表示单独实施信贷类宏观审慎政策和微观审慎政策时对系统性金融风险的影响，模型（6）表示二者联合使用时对系统性金融风险的影响程度，AR检验和Hansen检验的结果表明，模型是合理有效的。

表9：信贷类宏观审慎政策和微观审慎政策影响系统性金融风险的检验结果

模型（4）中的宏观审慎政策变量贷款价值比的系数为0.005，在1%的水平下显著为正，表明贷款价值比每降低1 个百分点，银行的系统性风险会下降0.005 个单位，适度紧缩的贷款价值比可以小幅度抑制系统性金融风险水平。降低贷款价值比上限可以减少贷款人偿还贷款的压力，减小银行信贷资产质量劣变的可能性，从而降低银行的系统性风险水平。因此，通过降低贷款价值比上限，即增加首付比能有效抑制购房需求，降低购房热度，减缓房价上涨，抑制房地产市场泡沫化，从而间接降低银行信贷增速，防范银行对房地产市场的风险敞口过度暴露，达到降低金融市场系统性风险水平的目的。最近十几年来，为了对房地产价格的迅猛增长及频繁波动进行有效调控，我国曾十余次对贷款价值比进行调整，以防范房地产市场风险的过度积累，降低银行的系统性金融风险。

模型（6）中宏观审慎政策和微观审慎政策同时使用时，贷款价值比和不良贷款率的系数均显著为负，两种政策的交互项系数为-0.008，相比单独使用某一种政策，此时的政策效果不佳，存在政策效果被互相抵消的现象。当监管部门采取宽松的微观审慎政策时，商业银行风险水平将有增加的趋势，此时中央银行如果通过降低贷款价值比上限进行调整，可能会使风险进一步扩大。因此，以贷款价值比作为监管指标的信贷型宏观审慎政策与微观审慎政策的协调效果不佳，存在政策冲突和抵消现象。

3.流动类宏观审慎政策与微观审慎政策协调。表10显示了流动类宏观审慎政策工具法定存款准备金率和微观审慎政策调控系统性金融风险的实证结果，系统性金融风险指数的一阶滞后项和控制变量的系数符号及显著性与之前的结果也基本一致。

表10：流动类宏观审慎政策和微观审慎政策影响系统性金融风险的检验结果

模型（7）中的宏观审慎政策变量法定存款准备金率的系数显著为-0.03，表明法定存款准备金率每增加1 个百分点，银行的系统性风险会下降0.03 个单位，与资本充足率的系数-0.02 和贷款价值比的系数0.005 相比，可见资本类和流动类宏观审慎政策对系统性金融风险的调控效果比信贷类强，表明中央银行可以通过调整法定存款准备金率来抑制银行的系统性金融风险水平。当经济处于上行期时，中央银行上调商业银行的存款准备金率，从而减少其可贷资金，降低其信贷供给能力，显著减慢银行的信贷扩张步伐，降低银行风险。中国人民银行自2003年起调整法定存款准备金率40 余次，后来又引入宏观审慎要求，实行差别准备金动态调整机制，使其成为我国重要的宏观审慎管理工具之一。

模型（9）中，法定存款准备金率的系数在1%的显著性水平下为-0.05，相比单独实施宏观审慎政策时的-0.03，对系统性金融风险的约束作用增强，说明在微观审慎政策环境下宏观审慎政策效果被进一步加强。宏观审慎政策工具贷款价值比和微观审慎政策工具不良贷款率交互项的系数为-0.03，意味着通过加强对商业银行不良贷款率指标的监管，会强化提高法定存款准备金率对系统性金融风险的约束作用，法定存款准备金率这一宏观审慎工具与微观审慎工具共同作用，能够对系统性金融风险产生显著抑制作用。中央银行在宽松的微观审慎政策环境下实施差别准备金动态调整机制，提高那些信贷投放节奏过快、不良贷款率较高的银行的存款准备金率，这对各商业银行起到了威慑作用，银行出于长远利益考虑，不得不对自身的资产结构进行调整，减少不良资产数量，降低加权风险资产，从而有效地降低了系统性金融风险。

（四）稳健性检验

为了确保实证结果的准确性和有效性，本文通过替换代理变量的方法来检验实证结果的稳健性，选用拨备覆盖率（PC）代替不良贷款率作为微观审慎监管的代理变量，构建新的模型。回归结果如表11所示。

表11：宏观审慎政策和微观审慎政策影响系统性金融风险的稳健性检验结果

从回归结果来看，采用替代变量后，Sargan 检验和AR 检验均在5%水平下显著，表明工具变量有效且不存在二阶自相关，模型是合理的。银行的系统性风险在时间上仍然具有黏性特征，宏微观审慎监管代理变量的系数符号和显著性也与之前的结果一致，因此，本文的结论是稳健有效的。

六、结论与建议

首先，本文从货币市场、资本市场、政府部门、外汇市场和房地产市场选取22 个基础指标，利用综合指数法构建了我国的系统性金融风险指数；其次，运用TVP-SV-VAR 模型，从时变的角度刻画了我国宏观审慎政策和微观审慎政策在调控系统性金融风险上的政策效果，捕捉了政策与风险之间的动态变化关系；最后，运用系统GMM 方法，比较单独使用一项政策和两种政策搭配使用时降低系统性金融风险水平的效果，从而验证了“宏观审慎管理+微观审慎监管”调控模式的有效性。研究结果表明：第一，利用综合指数法构建的系统性金融风险指数与我国经济实际运行情况相符合，能够准确描述我国的系统性金融风险水平，我国系统性金融风险不是无限期累积的，而是一个不断反复的过程；第二，宏观审慎管理和微观审慎监管影响系统性金融风险的程度和时机存在显著的差异，但在抑制系统性金融风险方面前者比后者更有效，且前者的抑制作用主要体现在短期，长期效应则比较微弱；第三，为有效控制系统性金融风险的累积，有必要将宏观审慎管理与微观审慎监管进行搭配和协调；第四，信贷类宏观审慎管理政策与微观审慎政策的协调效果不佳，存在政策冲突和抵消现象，而资本类和流动类宏观审慎政策能与微观审慎政策发挥更好的协调效果，具体表现为在宽松的宏观审慎政策环境下，微观审慎政策的实施可抑制系统性金融风险上升，相反在宽松的微观审慎环境下，实施有差别的资本充足率调整机制也能达到同样的效果。

基于以上研究，本文提出以下政策建议：第一，完善微观审慎监管制度。微观审慎监管是防范系统性金融风险的基础，相关部门应与时俱进，对现有的微观审慎监管制度加以补充和完善，增强金融机构风险防范能力，促进金融机构的稳健经营。第二，进一步加强宏观审慎政策研究和实践。宏观审慎管理对系统性金融风险的调控效果已经初见成效，但历时较短，应进一步加强理论研究和实践检验，提高对系统性金融风险的认识水平，丰富宏观审慎政策工具，完善宏观审慎管理政策。第三，加强宏微观审慎监管政策的协调配合。要将宏观审慎管理政策与微观审慎监管政策纳入同一个监管体系，加强金融监管部门的合作，加大政策目标和工具的协调，强化逆周期金融调控，提高政策协同效应。