FSAP框架下我國銀行業(yè)穩(wěn)定性壓力測試評估

譚校琴

(湖南大學(xué)金融與統(tǒng)計學(xué)院，湖南 長沙 410006； 中國人民銀行雙峰縣支行，湖南 婁底 417700)

FSAP框架下我國銀行業(yè)穩(wěn)定性壓力測試評估

譚校琴

(湖南大學(xué)金融與統(tǒng)計學(xué)院，湖南 長沙 410006； 中國人民銀行雙峰縣支行，湖南 婁底 417700)

本文基于FSAP框架，在設(shè)定的GDP和CPI輕度、重度壓力情景下，對我國銀行業(yè)整體穩(wěn)定性及不同類型銀行機(jī)構(gòu)穩(wěn)定性進(jìn)行了壓力測試。壓力測試結(jié)果表明：在兩種壓力情景下，銀行業(yè)穩(wěn)定性出現(xiàn)顯著下降；GDP的下降對銀行業(yè)穩(wěn)定性的沖擊比CPI上升所造成的沖擊更大；此外，股份制商業(yè)銀行在壓力測試下穩(wěn)定性下降最為顯著，需引起高度重視。

FSAP框架； 銀行業(yè)穩(wěn)定性；壓力測試

一、引言

歷史實踐表明，正常時期銀行體系的穩(wěn)定并不意味著在市場環(huán)境發(fā)生波動或經(jīng)濟(jì)惡化時，銀行體系依然能經(jīng)受住外部影響的沖擊。2008年全球金融危機(jī)的教訓(xùn)告訴我們，傳統(tǒng)的風(fēng)險管理方法在評估新形勢下銀行業(yè)穩(wěn)定性存在著一定局限性。對于金融監(jiān)管部門來說，不僅要評估正常時期銀行業(yè)的穩(wěn)定性，還應(yīng)關(guān)注在一些可能出現(xiàn)的極端事件沖擊下，銀行業(yè)總體風(fēng)險險承受能力如何，銀行業(yè)穩(wěn)定性出現(xiàn)什么變化，因此，有必要引入壓力測試。1999年，IMF 和世界銀行聯(lián)合推出了“金融部門評估規(guī)劃”(Financial Sector Assessment Program，F(xiàn)SAP)，F(xiàn)SAP將壓力測試作為評判金融體系穩(wěn)定性的重要工具。2007 年以來，銀監(jiān)會相繼發(fā)布《商業(yè)銀行壓力測試指引》、《商業(yè)銀行流動性風(fēng)險管理指引》等，要求各商業(yè)銀行針對自身情況進(jìn)行壓力測試，并要求至少每季度進(jìn)行一次常規(guī)性壓力測試。

壓力測試作為FSAP框架的兩大評估方法之一，旨在分析宏觀經(jīng)濟(jì)變量的變動對銀行業(yè)穩(wěn)定性可能產(chǎn)生的影響，評估因宏觀經(jīng)濟(jì)金融聯(lián)系而產(chǎn)生的風(fēng)險和脆弱性。本文的實證研究主要關(guān)注整體層面，而不是針對單個銀行機(jī)構(gòu)，對我國銀行業(yè)的總體穩(wěn)定性及不同類型的銀行機(jī)構(gòu)進(jìn)行壓力測試。嘗試通過設(shè)定壓力情景，考察我國銀行業(yè)在面對宏觀經(jīng)濟(jì)沖擊時，穩(wěn)定性狀況是否會發(fā)生顯著惡化。

二、宏觀壓力測試基本模型的構(gòu)建

在宏觀壓力測試模型的使用上，主要分為兩個派別——分別由Merton 和Wilson提出。Merton 將一些列宏觀經(jīng)濟(jì)變量及股價加入他的模型，對宏觀經(jīng)濟(jì)因素的變動進(jìn)行建模，并且將資產(chǎn)價格變動等因素引入其違約概率評估模型，這種方法對數(shù)據(jù)的廣度、深度要求高，同時對計算量要求也很高。Wilson則是剔除了股價因素，對一系列宏觀經(jīng)濟(jì)變量的敏感性與各工業(yè)部門違約概率直接建模，模擬出在宏觀經(jīng)濟(jì)波動沖擊下的違約概率值，通過對將來違約率分布路徑的模擬，就可以得到資產(chǎn)組合的預(yù)期損失，這種方法更直觀，計算量小。

本文借鑒了Wilson(1997)，Boss(2002)，以及Virolainen(2004)的模型。該模型基本原理是通過宏觀經(jīng)濟(jì)變量與相關(guān)的風(fēng)險指標(biāo)之間關(guān)系進(jìn)行壓力測試。Virolainen的模型假設(shè)金融風(fēng)險指標(biāo)會受到宏觀經(jīng)濟(jì)變量的影響，而宏觀經(jīng)濟(jì)變量本身為自回歸模型，因此模型可以揭示在受到宏觀經(jīng)濟(jì)沖擊時，金融風(fēng)險指標(biāo)的變化情況。我們運用Logit模型，以銀行體系穩(wěn)定性系數(shù)為因變量，與宏觀經(jīng)濟(jì)等相關(guān)變量進(jìn)行多元線性回歸分析。該模型用數(shù)學(xué)方程可以表達(dá)如下：

公式(1)

Yt=a0+a1xt+…+a1+mxt-m+r1yt-1+…+rnyt-n+μt

公式(2)

Xt=b0+b1xt-1+…+bpxt-p+φ1yt-1+…+φqyt-q+εt

公式(3)

其中，pt表示時間t時的金融風(fēng)險指標(biāo)；Yt表示t時期銀行體系的金融穩(wěn)定性系數(shù)；Xt表示宏觀經(jīng)濟(jì)變量。ai則代表了各個宏觀經(jīng)濟(jì)變量影響的方向和程度的參數(shù)，ri代表金融穩(wěn)定性系數(shù)的參數(shù)，a0、b0為截距項，μt和εt為隨機(jī)誤差項。在這個模型中，我們假定μt和εt不存在序列相關(guān)，并且分別服從方差Σμ、協(xié)方差為Σε的正態(tài)分布。其中μt和εt相關(guān)的方差協(xié)方差矩陣為Σμ，ε。公式(1)中將用于pt轉(zhuǎn)換為Yt，公式5.2中表示銀行體系金融穩(wěn)定性系數(shù)Yt及其滯后項與各宏觀經(jīng)濟(jì)變量當(dāng)期及滯后期之間存在線性關(guān)系。公式(2)中方程的系數(shù)可以通過歷史數(shù)據(jù)估計得出，通過情景設(shè)定；然后，構(gòu)建不同的宏觀經(jīng)濟(jì)沖擊，將壓力情景下所有宏觀經(jīng)濟(jì)變量的估計數(shù)值代入公式(2)，從中可得到t時期銀行業(yè)穩(wěn)定性系數(shù)的變化情況。公式(3)是關(guān)于各宏觀經(jīng)濟(jì)變量的時間序列模型，主要用于壓力測試中，對相關(guān)的壓力情景沖擊進(jìn)行模擬和預(yù)測。在實際中，各宏觀經(jīng)濟(jì)因素的時間序列數(shù)據(jù)有可能存在滯后性，因此，我們分別對它們進(jìn)行 P 階自回歸分析，以消除模型中的序列相關(guān)性。

三、變量的選擇及解釋

2011-2015年期間，貸款質(zhì)量系數(shù)(不良貸款率)在銀行業(yè)金融穩(wěn)定性綜合指數(shù)中所占的權(quán)重最大，接近50%，是影響我國銀行業(yè)金融穩(wěn)定性的最主要因素。因此，本文以商業(yè)銀行不良貸款率這個指標(biāo)作為金融風(fēng)險指標(biāo)，自變量的選取參考華曉龍(2009)、楊柳(2011)、彭建剛(2014，2015)等學(xué)者的研究，選取影響8個宏觀經(jīng)濟(jì)變量和金融變量——國內(nèi)生產(chǎn)總值增速(GDP)、消費物價指數(shù)(CPI)、社會消費品零售增速(CON)、凈出口增長率(EXP)、固定資產(chǎn)投資增速(INV)、廣義貨幣供應(yīng)量增長率(M2)、銀行間一月期同業(yè)拆借利率(IRR)為解釋變量建立計量模型，并選取18家銀行包括5家大型銀行(中行、農(nóng)行、工行、建行、交行)、5家股份制商業(yè)銀行(招行、中信、浦發(fā)、民生、光大)、5家城市商業(yè)銀行(北京銀行、上海銀行、江蘇銀行、南京銀行、寧波銀行)和3家農(nóng)村商業(yè)銀行(重慶農(nóng)村商業(yè)銀行、青島農(nóng)村商業(yè)銀行、無錫農(nóng)村商業(yè)銀行)分別代表不同類型的商業(yè)銀行，變量值選取2011 年第1 季度到2015 年第4 季度的季度數(shù)據(jù)，所有數(shù)據(jù)均來自wind資訊。

四、模型估計及結(jié)果分析

為了避免出現(xiàn)虛假回歸，本文對變量的時間序列進(jìn)行了相應(yīng)的平穩(wěn)化處理。平穩(wěn)性檢驗得出的結(jié)果顯示，商業(yè)銀行、大型商業(yè)銀行、股份制商業(yè)銀行、城市商業(yè)銀行和農(nóng)村商業(yè)銀行的不良貸款概率通過logit 模型轉(zhuǎn)換后產(chǎn)生的部分Yt序列是不平穩(wěn)的，因此，我們選擇在設(shè)定模型時，需要在解釋變量中加入Yt滯后一期的值。模型估計結(jié)果如1所示：

表1 模型估計結(jié)果

從表1的估計結(jié)果可以看出，宏觀經(jīng)濟(jì)變量中，GDP、CPI對銀行業(yè)金融風(fēng)險的影響較大，宏觀經(jīng)濟(jì)變量的影響相對較小。變量GDP的系數(shù)全部為負(fù)值，表明GDP的增長對不同類型的商業(yè)銀行金融風(fēng)險有顯著的降低作用，這是因為GDP增長預(yù)示著宏觀經(jīng)濟(jì)較為景氣，企業(yè)盈利能力較強，財務(wù)狀況良好，因而銀行的不良貸款也相應(yīng)下降。而變量CPI的系數(shù)則有正有負(fù)，總體看為正，即說明CPI的上升將會導(dǎo)致商業(yè)銀行不良貸款率的上升，這是因為CPI上升意味著通貨膨脹有上行壓力，企業(yè)運營成本增加，盈利空間被壓縮，因此銀行不良貸款也相應(yīng)增加。M2的系數(shù)全部為負(fù)值，即表明M2的上升會導(dǎo)致不良貸款率的提高，特別是對股份制商業(yè)銀行以及大型商業(yè)銀行的不良貸款率影響明顯。同業(yè)拆借利率對大型商業(yè)銀行不良貸款率的影響為負(fù)，對其他商業(yè)銀行的影響為正，這是因為大型商業(yè)銀行資金充足，處于同業(yè)拆借市場的拆出方，而其他商業(yè)銀行是拆入方，因此拆借利率的上升有利于拆出方，而不利于拆入方。固定資產(chǎn)投資增速、社會消費品零售總額增速、凈出口增長率等對商業(yè)銀行不良貸款率的影響較小，對不同類型的銀行機(jī)構(gòu)影響正負(fù)不一。Yt滯后一期對商業(yè)銀行不良貸款率的影響為正。

五、壓力情景設(shè)計與壓力測試執(zhí)行

根據(jù)表1的估計結(jié)果，本文將壓力測試情景分為兩類：一是GDP出現(xiàn)大幅下滑；二是CPI上升到較高水平。

(一)GDP壓力情景設(shè)計

參考前人的研究經(jīng)驗，結(jié)合當(dāng)前我國宏觀經(jīng)濟(jì)環(huán)境，我國經(jīng)濟(jì)正處于L型階段的底部，并且仍將維持一段時間的低谷，未來有可能繼續(xù)下行，我們將GDP壓力情景設(shè)計為輕度壓力與重度壓力兩種情景，具體如下：

輕度壓力情景重度壓力情景GDP下降3%下降8%

(二)CPI壓力情景設(shè)計

同理，參考以往的研究，根據(jù)當(dāng)前CPI的走勢，CPI處于緩慢上升階段，2016年我國CPI同比增長2.0%，漲幅較2015年擴(kuò)大了0.4個百分點。因此，我們將CPI壓力情景設(shè)計為輕度壓力和重度壓力兩種情景，具體如下：

輕度壓力情景重度壓力情景CPI上升4%上升8%

(三)其他宏觀變量的賦值

要取得壓力情景，我們需要解決一個關(guān)鍵的問題，即在預(yù)測時間段內(nèi)，我們已設(shè)定了GDP、CPI壓力情景，但如何得到其他宏觀經(jīng)濟(jì)變量的估值。也就是說，GDP或CPI的變動，分別對其他宏觀經(jīng)濟(jì)變量造成了什么沖擊。

本文借鑒了華曉龍(2009)關(guān)于壓力情景的設(shè)定方法，具體步驟如下：首先，以GDP壓力情景為例，通過歷史數(shù)據(jù)，使用最小二乘法，以GDP的增長率為解釋變量分別對模型中其他變量逐一進(jìn)行回歸分析。如果GDP的系數(shù)統(tǒng)計性不顯著，說明GDP與該宏觀經(jīng)濟(jì)變量不存在線性關(guān)系。那么對其他各宏觀經(jīng)濟(jì)變量進(jìn)行自回歸(即通過對各變量各自獨立的時間序列模型預(yù)測出未來趨勢)，從而得到設(shè)定壓力情境的發(fā)生時其他宏觀經(jīng)濟(jì)變量的預(yù)測值，類似人為設(shè)定其他宏觀經(jīng)濟(jì)變量值。如果GDP系數(shù)的統(tǒng)計性顯著，則可以說明 GDP對這些變量具有較好的的解釋能力，表明GDP與這些變量存在線性關(guān)系。然后我們就可以將設(shè)定的壓力情景下的GDP增長率值代入估計出的方程，從而得到作為被解釋變量的宏觀經(jīng)濟(jì)變量的估計值。在分別得到壓力情境下各宏觀經(jīng)濟(jì)變量估計值后，將這些估計值代入多元線性回歸方程，就能得到Y(jié)t，然后通過Logit模型，可以求出不良貸款率的點估計值。

1、GDP壓力情景下其他宏觀變量的賦值

下面，我們以GDP增長率分別下降3%、8%的壓力情景為例，將GDP作為解釋變量，以其他宏觀變量等作為被解釋變量。在模型的估計過程中，需要適當(dāng)引入各宏觀因素的滯后變量。然后根據(jù)t 統(tǒng)計檢驗值、模型擬合優(yōu)度等檢驗值，來選定各模型中的最優(yōu)的解釋變量。經(jīng)實證發(fā)現(xiàn)，GDP增長率對CPI、INV以及CON具有較強的解釋能力，從而，我們最終確定其他宏觀變量關(guān)于GDP增長率回歸模型，結(jié)果如表2所示：

表2 GDP及其滯后項對其他變量的回歸結(jié)果

從表2中我們可以得出，GDP 及其滯后項，對 CPI 、INV和CON具有一定的解釋力，各系數(shù)的 t 檢驗值以及模型的整體擬合優(yōu)度比較理想，因此，我們可以用這三個方程來對GDP壓力情景下CPI、INV、CON的值進(jìn)行預(yù)測。我們將GDP在分別下降3%和 8%的壓力情景下，CPI、INV、CON等變量的估計結(jié)果通過表 3 顯示如下：

表3 GDP壓力情景下的CPI、INV、CON的取值

2、CPI壓力情景下其他宏觀變量的賦值

以CPI及其滯后變量為解釋變量，以其他宏觀變量分別為被解釋變量，來構(gòu)建線性回歸方程，并根據(jù)t 統(tǒng)計檢驗值以及模型擬合優(yōu)度等檢驗值，進(jìn)而可以選定各模型中的最優(yōu)、最合適的解釋變量。估計結(jié)果如表4所示：

表4 CPI及其滯后項對其他變量的回歸結(jié)果

同樣，按照上述方法計算在CPI上升到4%和8%時GDP、NLR的值，得到表5：

表5 CPI壓力情景下的GDP、M2、CON的取值

(四)壓力測試的執(zhí)行

通過構(gòu)建壓力測試情景下銀行業(yè)穩(wěn)定性評估模型，利用前面我們建立的多元線性回歸方程和Logit模型，將所有的宏觀經(jīng)濟(jì)變量估計值代入求出Yt，可以求出不良貸款率的估計值，然后將這些估計值與原值進(jìn)行比較，即可得出壓力情景沖擊的影響。本文測算出壓力情境下的不良貸款率及銀行業(yè)穩(wěn)定性系數(shù)的變化如下：

1、GDP壓力情景測試結(jié)果

GDP壓力情景下的測試結(jié)果如表6、表7所示：

表6 GDP壓力情景測試結(jié)果(不良貸款率變化)

表7 GDP壓力情景測試結(jié)果(Y值變化)

2、CPI壓力情景測試結(jié)果

同理，CPI壓力情景下的測試結(jié)果如表8、表9所示：

表8 CPI壓力情景測試結(jié)果(不良貸款率變化)

表9 CPI壓力情景測試結(jié)果(Y值變化)

六、壓力測試結(jié)果分析

總體來看，在假定GDP大幅下降和CPI大幅上升的壓力情景下，我國銀行業(yè)不良貸款率出現(xiàn)明顯上升，銀行業(yè)穩(wěn)定性顯著下降。在GDP下降3%的輕度壓力情景下，商業(yè)銀行不良貸款率整體上升0.65個百分點，商業(yè)銀行穩(wěn)定性系數(shù)總體下降3.51個百分點；在CPI上升4%的壓力情景下，商業(yè)銀行不良貸款率整體上升0.42個百分點，商業(yè)銀行穩(wěn)定性系數(shù)總體下降0.79個百分點。比較而言，經(jīng)濟(jì)增長率下降的沖擊對商業(yè)銀行不良貸款率的影響及商業(yè)銀行穩(wěn)定性系數(shù)的影響，較CPI上升的沖擊幅度更大。

分機(jī)構(gòu)看，國有商業(yè)銀行在GDP和CPI壓力情景沖擊下表現(xiàn)最好，在GDP和CPI輕度壓力情景沖擊下，國有商業(yè)銀行不良貸款率上升幅度較商業(yè)銀行平均水平分別低0.3個和0.33個百分點，穩(wěn)定性系數(shù)下降幅度較商業(yè)銀行平均水平分別低1個和0.9個百分點；在GDP和CPI重度壓力情景沖擊下，國有商業(yè)銀行不良貸款率上升幅度較商業(yè)銀行平均水平分別低3.8個和1.9個百分點，穩(wěn)定性系數(shù)下降幅度較商業(yè)銀行平均水平分別低4.9個和3.9個百分點。股份制商業(yè)銀行則受到GDP和CPI壓力情景的沖擊影響最大，這可能與股份制商業(yè)銀行的業(yè)務(wù)結(jié)構(gòu)、客戶資源等有關(guān)，需引起高度重視。在GDP和CPI輕度壓力情景沖擊下，股份制商業(yè)銀行的不良貸款率上升幅度較商業(yè)銀行平均水平分別高出0.67個和0.45個百分點，穩(wěn)定性系數(shù)下降幅度較商業(yè)銀行分別高出2個和2.1個百分點；在GDP和CPI重度壓力情景沖擊下，股份制銀行不良貸款率的上升幅度較商業(yè)銀行平均水平分別高出3.9個和2.3個百分點，穩(wěn)定性系數(shù)下降幅度較商業(yè)銀行平均水平分別下降1.3個和1.4個百分點。城市商業(yè)銀行和農(nóng)村商業(yè)銀行在受到GDP和CPI壓力情景沖擊時，不良貸款率上升幅度明顯，穩(wěn)定性系數(shù)下降幅度顯著，僅比股份制商業(yè)銀行受到?jīng)_擊時的影響稍低一點。

總之，在假定的GDP和CPI壓力情景沖擊下，無論是從商業(yè)銀行整體穩(wěn)定性水平，還是各個不同類型的商業(yè)銀行穩(wěn)定性水平，都出現(xiàn)了顯著的下降，銀行業(yè)的金融風(fēng)險明顯上升，未來值得關(guān)注。

[1] Merton R.On the pricing of corporate debt：the risk structure of interest rates.Journal of Finance[J].1974，29(7).

[2] Wilson TC.Portfolio credit risk.Economic policy review，1997，9(10)：111-170.

[3] Virolainen K.Macro stress-testing with a macroeconomic credit risk model for Finland，Bank of Finland[J].2004，19(1)：1-66.

[4] Boss M，Krenn G，Schwaiger M，et al.Stress Testing the Austrian banking system，F(xiàn)inancial Stability Report，2004，(11).

[5] 華曉龍.基于宏觀壓力測試方法的商業(yè)銀行體系信用風(fēng)險評估.數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究[J].2009(4).