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。