信貸熱潮加劇了我國銀行脆弱性嗎？

李夢花

摘要：本文采用我國105家商業(yè)銀行的微觀數(shù)據(jù)實證分析了信貸熱潮對我國銀行脆弱性的影響，分析結(jié)果表明信貸熱潮及股票、基金、債券等市場的發(fā)展會顯著影響我國銀行脆弱性；信貸熱潮還通過銀行市場結(jié)構(gòu)、銀行部門提供的信貸占比加劇其對銀行脆弱性的負面影響，相反虛擬經(jīng)濟的適度發(fā)展弱化了這一負面影響。這啟示我們制定政策時應(yīng)盡量避免信貸熱潮的發(fā)生，并密切關(guān)注其持續(xù)性；改變目前過高的銀行集中度及過度依賴商業(yè)銀行配置資源的局面，降低銀行準入限制，發(fā)展直接融資市場，例如適度發(fā)展股票、基金、債券等市場，同時加大監(jiān)督管理，使這些市場的發(fā)展能有效分擔(dān)銀行承擔(dān)的風(fēng)險，降低銀行脆弱性。

關(guān)鍵詞：金融體系；銀行脆弱性；信貸熱潮；虛擬經(jīng)濟

中圖分類號：F830 文獻標識碼：A 文章編號：1003-854X（2016）10-0022-07

一、引言

2008年，美國爆發(fā)的次貸危機最終演變?yōu)橐粓鱿硎澜绲膰H金融危機。危機期間，大量金融機構(gòu)陷入流動性短缺、資不抵債等漩渦，甚至一些行業(yè)翹楚，如雷曼兄弟宣告破產(chǎn)。此后危機的影響擴展到世界經(jīng)濟的各個方面，實體經(jīng)濟受到嚴重拖累。各國GDP增速放緩，甚至負增長，貿(mào)易額大幅下滑，致使各國不得不無休止地采取各種寬松的刺激政策，而這又帶來一系列新的問題，比如通脹，甚或滯脹。時至今日世界經(jīng)濟仍然不可以說已經(jīng)走出這場源于金融體系的災(zāi)難。這使得金融脆弱尤其是銀行體系的脆弱性成為各國學(xué)界、政界關(guān)注的焦點。

在過去的數(shù)十年間，世界各國經(jīng)歷了不同程度的金融深化。一方面金融中介機構(gòu)數(shù)量和規(guī)模持續(xù)擴大，資本市場上衍生產(chǎn)品相繼涌現(xiàn)，衍生鏈條不斷延伸，資產(chǎn)交易額和市值迅速攀升，使得經(jīng)濟虛擬化程度加深；另一方面各國信貸出現(xiàn)持續(xù)的快速擴張過程。Tomell&Westermann指出信貸繁榮多數(shù)會逐漸減速，但有時會強化金融系統(tǒng)脆弱性，引發(fā)貨幣和金融雙危機。成思危通過理論分析認為虛擬經(jīng)濟是一把雙刃劍，對實體經(jīng)濟的發(fā)展，一方面可能是加速器，另一方面也可能是破壞者，而隨著經(jīng)濟虛擬化的不斷加深，它最大的危害是造成金融危機。劉駿民和張國慶通過對美國數(shù)據(jù)的實證分析指出虛擬經(jīng)濟的不穩(wěn)定性與敏感性成為誘發(fā)金融危機的因素。以上分析表明隨著經(jīng)濟虛擬化程度的提升，以及信貸膨脹的涌現(xiàn)，新興經(jīng)濟體金融體系的不穩(wěn)定性逐漸凸顯。我國作為世界第二大經(jīng)濟體，經(jīng)濟發(fā)展取得持續(xù)的高速增長，而金融體系仍然是以金融中介機構(gòu)為主導(dǎo)，這使得銀行脆弱性成為各界關(guān)注的焦點。伴隨中國經(jīng)濟的高速發(fā)展，一方面經(jīng)濟虛擬化程度不斷攀升，由1999年的0.92到2013年18.80；另一方面信貸持續(xù)增長，金融機構(gòu)各項貸款由1999年9.37萬億元增長到2013年的71.9萬億元。但目前已有的銀行體系脆弱性問題研究從信貸繁榮視角考察的還很不充分，而將銀行脆弱性與信貸繁榮及經(jīng)濟虛擬化結(jié)合起來的就更少。

目前我國正處在經(jīng)濟虛擬化初期，自20世紀90年代分別在上海和深圳設(shè)立兩大證券交易所（下文簡稱滬深兩市）以來，截止2015年10月，深市上市公司由最初的5家增長到1729家，滬市上市公司總數(shù)由最初的8家增加到1071家，滬深兩市總市值達到47.67萬億，A股累計成交額為214.19萬億，債券累積成交額100.60萬億，基金累計成交金額為12.74萬億，分別為2014年國內(nèi)生產(chǎn)總值的74%、337%、158%、20%，由此我國的虛擬經(jīng)濟在國民經(jīng)濟發(fā)展中已經(jīng)具有重要地位。盡管2008年美國金融危機源于虛擬經(jīng)濟，卻并不代表虛擬經(jīng)濟面臨終結(jié)，相反未來虛擬經(jīng)濟的發(fā)展仍是經(jīng)濟發(fā)展的主題，只不過將以更規(guī)范的方式增長。因此從經(jīng)濟虛擬化視角研究信貸熱潮對銀行脆弱性的影響具有很強的現(xiàn)實意義。

二、研究設(shè)計與樣本選擇

1.樣本選擇及數(shù)據(jù)來源

我國自1998年開始取消信貸規(guī)模的計劃管理模式，因此本文研究樣本的年度區(qū)間為1999—2013年。由于各銀行在樣本期間均有不同程度的數(shù)據(jù)缺失，故本文使用數(shù)據(jù)為非平衡的面板數(shù)據(jù)。結(jié)合本文研究，我們借鑒劉曉欣和王飛的研究剔除了以下幾類個體：證券公司、政策性銀行、信托公司和國際銀行，同時對樣本期內(nèi)發(fā)生重組或合并的銀行采用合并銀行數(shù)據(jù)。最終的樣本包括中國銀行、中國農(nóng)業(yè)銀行、中國工商銀行、中國建設(shè)銀行、交通銀行5家大型商業(yè)銀行：浦發(fā)銀行、中信銀行、興業(yè)銀行、華夏銀行、北京銀行、渤海銀行等100家中小型商業(yè)銀行。因此本文最終的研究樣本確定為1999—2013年的我國105家商業(yè)銀行。本文使用的各項銀行數(shù)據(jù)來源于bankscope數(shù)據(jù)庫及各銀行年報，而宏觀指標等均來源于國家統(tǒng)計局各年統(tǒng)計年鑒及ccer數(shù)據(jù)庫。

2.主要變量選取及度量指標的選擇

（1）銀行脆弱性。關(guān)于銀行脆弱性的測度指標主要有資本充足率、不良貸款率、加權(quán)的銀行脆弱性指數(shù)以及銀行穩(wěn)定性指標z_score。本文借鑒Bertay等研究成果引入z_score來測度銀行脆弱性。計算公式如下：

其中，roa為銀行資產(chǎn)收益率，car為銀行資本充足率，sd（roa）為資產(chǎn)收益率的標準差，本文由3年移動平均來計算，同時為了盡可能全面真實地反映樣本信息，減少數(shù)據(jù)的損失，文中對樣本期內(nèi)第1年及最后1年的sd（roa）均采用兩年移動平均。具體來說，1999年的標準差采用1999年和2000年兩年的移動平均；2013年的標準差采用2012年和2013年兩年的移動平均。

（2）信貸熱潮。信貸的快速增長通常有三個原因：金融深化、正常的周期性上升和異常的周期性上升，只有異常的周期上升可以構(gòu)成信貸熱潮。實證研究中.有關(guān)信貸熱潮的識別，Gourinchas，Landerretche&Valdes認為信貸熱潮是名義信貸占比（信貸額/GDP）對其趨勢一定程度的偏離⑥。他們提出這一偏離應(yīng)該達到某一門限閾值，并定義了相對和絕對兩種偏離，相對偏離將信貸增加的規(guī)模與銀行體系規(guī)模聯(lián)系起來，用銀行信貸額占比是否超過10%來識別：而絕對偏離將其與經(jīng)濟體大小聯(lián)系。用真實的信貸增長率對其趨勢的絕對偏離來識別。Te～ones&Mendoza認為，在一個給定國家，若信貸膨脹超過給定的門限閾值（相當于信貸對其長期趨勢偏離值標準差的1.75倍），則認為發(fā)生熱潮。本文借鑒Gourinchas，Landerretche&Valdes（2001）的分析，分別通過絕對和相對兩種門限閾值識別我國的信貸熱潮。絕對門限閾值借鑒Barajas，Dell Ariccia&Levchenko（2007）的研究方法，首先引入Bcp（credit/adp）指標來度量信貸增長。由于信貸是一個存量指標，而gdp是流量指標，同上參考Baraias，Dell Ariccia&Levchenko（2007），文中采用gdp，和gdp_t+1的幾何平均作為GDP的代理變量。借鑒Mendoza，Terrones&Mendoza（2008）運用標準型HP過濾器（由于采用年度數(shù)據(jù)，平滑指數(shù)設(shè)為100）估計Bcp的長期趨勢，如下圖1所示。然后，對數(shù)化Bcp（1nbcp）及其長期趨勢，計算二者的偏離值，定義為d。，繼而我們求取該序列的標準差，記為σ（d_t），當一期或連續(xù)多期滿足條件：

（df）≥λσ（d_t），說明年正在經(jīng)歷信貸熱潮（λ為信貸熱潮閾值）。文中λ設(shè)定為1.25。為檢驗λ的穩(wěn)健型，本文也驗證了λ=1.5、2時的結(jié)論，發(fā)現(xiàn)不改變本文的實證結(jié)果。

文中依據(jù)中國人民銀行的劃分標準，將樣本按照銀行規(guī)模變量分為三組，第一組為所有銀行，第二組為大型銀行，第三組為中、小型銀行，這是由于規(guī)模特征是決定銀行行為的基礎(chǔ)因素。

為進一步分析信貸熱潮期間，各因素是如何影響銀行脆弱性的，本文借鑒Delis（2011）的方法，建構(gòu)含交叉項的估計模型：

（1）銀行規(guī)模。本文采用銀行資產(chǎn)對數(shù)值Inas-set代理銀行規(guī)模，學(xué)界對銀行規(guī)模與其脆弱性之間的關(guān)系并無共識。學(xué)者Delis（2011）采用18000家銀行2003—2008年的數(shù)據(jù)進行實證分析，認為銀行規(guī)模與脆弱性呈負向相關(guān)關(guān)系，這主要是由于規(guī)模增大，可使投資越發(fā)分散，從而降低銀行風(fēng)險。而Aikman，Haldane&Nelson提出銀行規(guī)模越大.風(fēng)險管理技術(shù)越高，然而這也不過只會使風(fēng)險轉(zhuǎn)移而不會消失，相反會使風(fēng)險累加，且伴隨規(guī)模的擴張，委托代理問題會出現(xiàn)，從而增加銀行風(fēng)險，脆弱性提升。

（2）銀行集中度。銀行集中度cr是衡量銀行業(yè)市場結(jié)構(gòu)的度量指標，通過計算銀行體系最大的前幾個銀行資產(chǎn)額占整個體系資產(chǎn)額的比例來反映銀行體系的集中度，該比例越高，表示銀行業(yè)集中度越高。最初這一指標選用最大的前三個銀行資產(chǎn)額占比來計算，但考慮到我國長期以來的四大國有商業(yè)銀行的主導(dǎo)支配地位，本文選取最大的前四個銀行資產(chǎn)額占比來反映集中度，即cr_4，t。

（3）經(jīng)濟增長率gw。為了解宏觀經(jīng)濟環(huán)境對銀行脆弱性的影響，文中選取經(jīng)濟增長率gw指標作為代理變量。學(xué)者Schulafick & Taylor認為寬松的宏觀經(jīng)濟下，伴隨經(jīng)濟景氣上升，形成樂觀預(yù)期，各銀行均有擴張信貸的沖動，從而提高銀行自身的脆弱性。

（4）信貸占比。McKinnon&Pill認為存款保障制度使銀行部門形成樂觀預(yù)期，傾向放松借款條件，借款條件的放松勢必帶來過度的消費、投資及過度的借款，而這一系列變化使貸款提供部門即銀行機構(gòu)的信貸迅速增長，會導(dǎo)致銀行脆弱性惡化。文中bcp為信貸占比。

三、實證結(jié)果與分析

本文采用動態(tài)面板的估計模型，這一模型的典型特征是解釋變量含有被解釋變量的滯后項。借鑒Holtz-Eakin，Newey&Rosen（1988）的研究，認為系統(tǒng)GMM的估計算法可以提高動態(tài)面板估計效率，但為了確認估計的有效性，需要對擾動項的差分序列進行相關(guān)性檢驗及對估計過程中的工具變量進行過度識別的檢驗。

1.模型一的估計結(jié)果與分析

表1為模型一的實證結(jié)果。表中顯示擾動項差分序列二階自相關(guān)的Abond檢驗及工具變量過度識別問題的Sargan檢驗均滿足。表明本文采用的系統(tǒng)GMM估計算法合理可用。

（1）信貸熱潮對銀行脆弱性的影響分析。表1的估計結(jié)果表明：信貸熱潮與銀行脆弱性之間呈現(xiàn)正相關(guān)。在所有銀行分組的回歸結(jié)果中，信貸熱潮與z_Score的估計系數(shù)均為負值，即信貸熱潮期，z_score下降，銀行脆弱性上升。這與Dell′ Ariccia&Marquez的結(jié)論是一致的。但進一步分析，我們發(fā)現(xiàn)大銀行樣本回歸中二者之間的影響系數(shù)并不顯著，導(dǎo)致這一結(jié)果可能有以下幾個原因：一是我國長期以來形成的四大國有商業(yè)銀行的主導(dǎo)地位，這使得它們的貸款對象相對中小銀行來說更為優(yōu)質(zhì)。違約風(fēng)險更小，即使在信貸熱潮期，銀行面臨的風(fēng)險仍然可控。二是我國國有銀行（大銀行）不僅具有商業(yè)銀行的屬性，還承擔(dān)了一定的行政性指標。因而在國有銀行體系中必須存在大量為支持國有經(jīng)濟發(fā)展的信貸，也正因為如此，使國有大銀行部分資金無法參與到信貸熱潮中來，相應(yīng)受到的沖擊也較小，從而使大銀行的脆弱性對信貸熱潮的反應(yīng)并不那么敏感。

（2）經(jīng)濟虛擬化發(fā)展對銀行脆弱性的影響。經(jīng)濟虛擬化發(fā)展與銀行脆弱性是正相關(guān).表1顯示f_t與z_score負向相關(guān)，即經(jīng)濟越是虛擬化，銀行體系穩(wěn)健性越是下滑，脆弱性問題凸顯。經(jīng)濟虛擬化初期，股票、債券、基金等市場的適度發(fā)展對降低銀行脆弱性是有利的，而且推動了經(jīng)濟發(fā)展。而我國正處在虛擬化初期卻出現(xiàn)相反情形.主要是由于近些年資本市場發(fā)展迅速，而相應(yīng)的法律規(guī)范及成熟監(jiān)管并不到位，致使其發(fā)展過程中存在很多問題，沒有很好地起到分擔(dān)商業(yè)銀行資本配置的壓力。虛擬化后期，f_t與z_score的負向關(guān)系顯現(xiàn)，這與劉駿民提出的“經(jīng)濟的虛擬化為當代世界經(jīng)濟埋下了金融危機的種子”觀點一致。進一步分析發(fā)現(xiàn)，大銀行子樣本回歸結(jié)果中f_t與z_score正向相關(guān)，這主要是由于大銀行擁有優(yōu)質(zhì)高效的管理監(jiān)督團隊及有效的風(fēng)險分散渠道，從而導(dǎo)致其風(fēng)險偏小。

（3）銀行集中度對脆弱性的影響。由表1可知，銀行集中度與脆弱性呈正相關(guān)，本文的實證分析結(jié)果支持了“集中脆弱論”。這與Schaeck and Cikak、Soedarmono等的實證分析結(jié)論一致。這主要是因為：一是銀行集中雖然能夠帶來壟斷收益，但同時集中也提高了利率，這增加了借款人的逆向選擇概率，使銀行資產(chǎn)質(zhì)量惡化。二是大銀行雖然更容易實現(xiàn)分散化，但分散化也同時降低了銀行的管理效率，而且同時加大了監(jiān)管難度。此外L.z_score的估計系數(shù)顯示，銀行脆弱性具有明顯的持續(xù)慣性，這一點在每個銀行分組中都得到體現(xiàn)。

（4）信貸占比對銀行脆弱性的影響。表1的估計結(jié)果顯示：信貸占比與銀行脆弱性為正相關(guān)，即信貸增長越快，銀行脆弱性越高。這與Ivashina，Cihak，Demirguc-Kunt & Feyen等的研究結(jié)論一致。這主要是由于信貸繁榮時，會形成對未來收入及資產(chǎn)價格的樂觀預(yù)期，從而加劇信貸繁榮及其持續(xù)，且繁榮期銀行在選擇策略時傾向于降低貸款標準，這一反應(yīng)策略成為信貸繁榮提升銀行脆弱性的內(nèi)在機制。

（5）宏觀經(jīng)濟環(huán)境對銀行脆弱性的影響。實證結(jié)果顯示：不同組別的銀行，其脆弱性對宏觀經(jīng)濟環(huán)境的反應(yīng)并不一致。大型銀行中二者呈現(xiàn)顯著的正相關(guān)，即gw越高，z_score越低，脆弱性越高；而中小銀行中二者呈現(xiàn)顯著的負相關(guān)。這主要是因為：一是經(jīng)濟景氣期，大銀行形成相對更高的樂觀預(yù)期，從而面臨更大的風(fēng)險；二是中小銀行在風(fēng)險控制管理上更加謹慎，即使在經(jīng)濟景氣期，仍絲毫未放松對謹慎原則的貫徹。

2.模型二的估計結(jié)果與分析

模型二的估計結(jié)果如表2所示，表中顯示擾動項差分序列二階自相關(guān)的Abond檢驗及工具變量過度識別問題的Sargan檢驗均滿足，表明本文采用的系統(tǒng)GMM估計算法合理可用。

首先，銀行集中度對脆弱性依然呈現(xiàn)正相關(guān)，其與信貸熱潮的交叉項對脆弱性的影響仍是正相關(guān)，這表明銀行集中度對脆弱性的影響方向固定，即使在信貸熱潮的經(jīng)濟環(huán)境下這一影響仍然穩(wěn)健。這一結(jié)論與已通過相關(guān)實證驗證的“集中脆弱論”一致。信貸熱潮期集中度對脆弱性的影響為正，可能的原因有：熱潮期加劇了銀行業(yè)競爭，在信貸市場普遍存在信息不對稱的情形下，銀行傾向于降低貸款發(fā)放條件，這為銀行資產(chǎn)質(zhì)量帶來隱患，增加銀行面臨的不確定性。這與Boyd&De Nicolo的實證分析結(jié)論一致。

其次，信貸占比指標bcp對銀行脆弱性的影響呈正相關(guān)，且其與信貸熱潮的交叉項對脆弱性的影響依然為正相關(guān)。這表明加入其他變量并未改變信貸占比對銀行脆弱性的影響，且熱潮期更加劇了這一影響，給銀行穩(wěn)健經(jīng)營帶來隱患，伴隨時間推移，傾向于提升銀行脆弱性。這與Dell′Ariccia & Marquez（2006）的研究結(jié)論一致。由此表明：銀行部門提供的貸款額增長越快，信貸熱潮持續(xù)越長，銀行脆弱性越發(fā)突出。進一步分析，大銀行樣本中二者的正向關(guān)系并不顯著，可能由于大銀行經(jīng)營的各種優(yōu)勢，例如優(yōu)質(zhì)資產(chǎn)、隱性擔(dān)保等使二者之間的反應(yīng)并不敏感。

再次，信貸熱潮與銀行脆弱性呈正相關(guān)，這表明其他變量的加入并未改變信貸熱潮對銀行脆弱性的影響方向。然而表2顯示，經(jīng)濟虛擬化度與信貸熱潮的交叉項對銀行脆弱性呈負相關(guān)，這表明經(jīng)濟虛擬化發(fā)展弱化了熱潮期對銀行脆弱性的不利影響。伴隨信貸熱潮的推進，房地產(chǎn)、股票、基金、債券等市場的發(fā)展傾向降低銀行脆弱性。這主要是因為房地產(chǎn)、股票、基金、債券等虛擬資產(chǎn)的發(fā)展可以對實體經(jīng)濟的發(fā)展起到一個緩沖的保護帶作用，使銀行資產(chǎn)質(zhì)量得到隱形的保障，從而降低銀行脆弱性。這一結(jié)果與表2回歸結(jié)果的表述似乎矛盾。事實上，按照成思危的理論分析，認為虛擬經(jīng)濟是一把雙刃劍，同時具有正向和負向功能。經(jīng)濟虛擬化初期，股票、債券、基金等市場的適度發(fā)展對降低銀行脆弱性是有利的，而我國正處在虛擬化初期，實證結(jié)論卻出現(xiàn)相反情形，可能的原因主要是由于近些年資本市場發(fā)展迅速，而相應(yīng)的法律規(guī)范及成熟監(jiān)管并不到位，致使其發(fā)展過程中存在很多問題.沒有很好地起到分擔(dān)商業(yè)銀行資本配置的壓力。而在信貸熱潮期，虛擬經(jīng)濟的存在為激增的資金提供了投資渠道，從而對實體經(jīng)濟的發(fā)展起到一個緩沖的保護帶作用，使銀行資產(chǎn)質(zhì)量得到隱形的保障，從而降低銀行脆弱性，這一理論結(jié)論在信貸熱潮期間得到體現(xiàn)。這也從側(cè)面證實了成思危先生的經(jīng)濟虛擬化初期，股票、債券、基金等市場的適度發(fā)展對降低銀行脆弱性是有利的結(jié)論。

最后，模型一與模型二中控制變量GDP增長率gw對銀行脆弱性有顯著影響，說明銀行體系脆弱性與宏觀經(jīng)濟環(huán)境密切相關(guān)，但不同分組中該影響并非一致。這表明GDP增長率gw對銀行脆弱性的影響與銀行自身微觀特征相關(guān)。所有銀行分組中GDP增長率gw對銀行脆弱性呈負向影響，說明良好的經(jīng)濟運行環(huán)境有利于銀行的穩(wěn)健經(jīng)營行為的持續(xù)。大銀行分組中，GDP增長率gw對銀行脆弱性呈正向影響，這主要由于經(jīng)濟景氣期大銀行形成相對更高的樂觀預(yù)期，從而傾向面臨更大的風(fēng)險。

3.穩(wěn)健性估計

本文采用銀行穩(wěn)健性的另一計算公式對模型一和模型二估計結(jié)果進行穩(wěn)健性分析，受篇幅所限文中僅列示模型二的穩(wěn)健性分析結(jié)果。

表3顯示，信貸熱潮與銀行集中度、信貸占比的交叉變量對銀行脆弱性的影響均呈正相關(guān)，與經(jīng)濟虛擬化度的交叉變量呈負相關(guān)。這與模型二的估計結(jié)果相同，表明模型二的估計結(jié)果是具有穩(wěn)健性的，結(jié)論可靠。進一步分析，我們發(fā)現(xiàn)大銀行分組估計結(jié)果顯示三個交叉項變量對銀行脆弱性的影響均不顯著，表明我國大銀行經(jīng)營受信貸熱潮的影響較小，且其在經(jīng)營過程中很小概率能做到隨時調(diào)整自身經(jīng)營策略。而中、小銀行的反應(yīng)則不同，它們在面臨外部環(huán)境變化時，能夠及時快速調(diào)整自身的經(jīng)營策略。

四、研究結(jié)論及政策啟示

本文采用我國1999—2013年105家商業(yè)銀行的微觀數(shù)據(jù)，運用系統(tǒng)GMM方法對經(jīng)濟虛擬化視角下信貸熱潮對銀行脆弱性的影響及影響機理進行了實證的研究。本文主要研究結(jié)論表明：

1.信貸熱潮及經(jīng)濟虛擬化對我國銀行業(yè)的脆弱性存在顯著影響

模型一的估計結(jié)果表明，信貸熱潮會顯著影響銀行脆弱性。模型一的分組回歸中，大型銀行與中小銀行對信貸熱潮的反應(yīng)存在不同，大型銀行脆弱性受信貸熱潮的影響系數(shù)不顯著，而中小銀行脆弱性對信貸熱潮存在較為敏感的反應(yīng)，表明中小銀行較大銀行更易受到信貸熱潮的沖擊。這警示我們制定相關(guān)政策時，要盡量避免信貸熱潮的發(fā)生，并且一旦發(fā)生，需盡量縮短其持續(xù)期。我國經(jīng)濟虛擬化初期就對銀行脆弱性產(chǎn)生負面影響，主要由于近些年資本市場發(fā)展迅速，而相應(yīng)的法律規(guī)范及成熟監(jiān)管并不到位，致使其發(fā)展過程中存在很多問題，沒有很好地分擔(dān)商業(yè)銀行資本配置的壓力。

2.信貸熱潮通過銀行市場結(jié)構(gòu)、銀行部門提供的信貸占比及經(jīng)濟虛擬化度影響銀行脆弱性

模型二通過引入交叉項揭示了銀行市場結(jié)構(gòu)、銀行部門提供的信貸占比及經(jīng)濟虛擬化度在信貸熱潮期間對銀行脆弱性的影響方向及程度大小。我國長期以來形成的銀行市場集中度高的問題對銀行脆弱性產(chǎn)生顯著影響，回歸結(jié)果顯示信貸熱潮加劇了這一負面影響。這啟示我國進行金融體系改革時.應(yīng)著力改變目前銀行集中度過高的情形，降低銀行準入限制，同時加大監(jiān)督管理力度。銀行部門提供的信貸占GDP的比重越高，說明資本配置過度依賴商業(yè)銀行，而這同時導(dǎo)致商業(yè)銀行所承擔(dān)的風(fēng)險加大，經(jīng)營的穩(wěn)健性下降，信貸熱潮放大了這一消極影響，使得熱潮期間銀行承擔(dān)的風(fēng)險更大。因此，需要改變我國目前過度依賴商業(yè)銀行配置資源的局面，適度發(fā)展其他配置資源的形式，例如發(fā)展直接融資市場。經(jīng)濟虛擬化度是衡量我國股票、基金、債券、房地產(chǎn)市場的發(fā)展指標，由于我國長期以來對間接融資的依賴，資本市場規(guī)模較小，但近些年資本市場發(fā)展迅速，而相應(yīng)的法律規(guī)范及成熟監(jiān)管并不到位，致使其發(fā)展過程中存在很多問題，沒有很好地分擔(dān)商業(yè)銀行資本配置的壓力，但信貸熱潮期間，這些市場的發(fā)展對銀行承擔(dān)風(fēng)險的分擔(dān)作用顯現(xiàn)。這提示我們在今后的市場化改革中，應(yīng)注意股票、基金、債券等市場的適度發(fā)展，同時也應(yīng)警惕其過度發(fā)展帶來類似美國的次貸危機，這樣才能有效降低商業(yè)銀行所承擔(dān)的風(fēng)險，減少銀行脆弱性，使銀行業(yè)更加穩(wěn)健發(fā)展。

（責(zé)任編輯 陳孝兵）