【我国宏观审慎政策工具的有效性分析6500字】

我国宏观审慎政策工具的有效性分析摘要：本文以全国13家商业银行作为研究对象，提取了13家银行2008-2020年间的微观动态面板数据，以法定存款准备金作为宏观审慎政策工具的代表，以商业银行的信贷增速作为系统性风险的代表，通过建立系统GMM模型得出结论。实证结果表明宏观审慎政策工具对系统性风险具有显著的抑制作用，同时商业银行本身对其承担的风险也具有一定的调节。最后，针对本文的结论提出了一些相关的政策建议。关键词：宏观审慎政策工具；系统GMM；有效性引言2008年全球性金融危机的爆发给世界各国都敲响了一个警钟：微观层面的金融风险管理对于维护金融体系的稳定是远远不够的，国际开始加快了对宏观审慎管理的研究。虽然人们早在二十世纪七十年代就开始了对宏观审慎管理的讨论，但对宏观审慎管理的深入研究却是在这次金融危机爆发之后。2009年，我国首次提出“要将宏观审慎管理制度纳入宏观调控政策框架”，随后又明确：要研究建立宏观审慎管理制度，有效防范和化解各类潜在的金融风险。基于对宏观审慎管理政策的研究，国际上将宏观审慎政策工具大体上分为两类：一类是控制系统性金融风险顺周期性的时间维度上的政策工具，另一类是从截面维度上控制跨部门粘连性系统性风险的宏观审慎政策工具。随着对宏观审慎管理的深入研究，世界各国从对宏观审慎政策工具建立的研究转向研究建立的宏观审慎政策工具是否有效地发挥了抑制系统性风险的作用。本文以法定存款准备金作为宏观审慎政策工具的代表，通过建立系统广义矩估计模型来研究宏观审慎政策工具的有效性。文献综述相较于其他国家，我国对于宏观审慎管理相关政策与工具的研究起步较晚，但近年来也有了一些较为深入的研究。苏明政等（2017）从单一工具、联合工具、异质性、非线性四个方面，对宏观审慎政策工具的有效性进行了全面检验，结果表明，存款准备金率是最有效的宏观审慎政策工具，联合工具对信贷扩张的控制较差，大银行、东部银行和国有银行对政策工具的传导更有利，挤占效应降低了联合工具的有效性。梁琪等（2015）以97家商业银行为样本，采用系统GMM方法检验了宏观审慎政策工具的有效性，研究显示存款准备金率和LTV上限能够有效影响商业银行的贷款增速和杠杆率变动。周晔等（2021）通过对114家商业银行的实证检验发现，单一的宏观审慎政策工具和这些工具的综合指标都能对信贷增速和房价增长产生显著的抑制作用。王爱俭和王璟怡（2014）以DSGE模型分析了宏观审慎政策与货币政策之间的关系，结果表明宏观审慎政策对货币政策有辅助作用，在宏观经济管理中二者可以相互配合使用，以便发挥更大的作用。研究设计（一）理论基础与微观审慎管理制度只关注个体金融机构的稳定和安全不同，宏观审慎管理制度从整个金融体系的宏观角度出发，通过对贷款限制、资本要求、流动性要求等方面进行监管控制，采取一系列逆经济周期的措施，从时间和空间两方面来维护金融体系的稳定。2008年金融危机以来，人们意识到仅从微观层面对金融风险进行管理是远远不够的，各国监管机构加快了对宏观审慎管理的研究，并开始探究更为有效的管理工具。由于各国的经济发展情况和背景有所不同，每个国家所实施的宏观审慎管理政策工具也不尽相同。在世界各国的积极探索和不懈努力下，国际货币基金组织（IMF）归纳出十七种世界各国主要运用的宏观审慎管理政策工具。我国是世界上宏观审慎管理政策工具使用较多、也较为全面的国家。由于系统性金融风险有跨时间和跨空间两个维度，基于此我国将宏观审慎管理政策工具分为两大类型。差异化存款准备金的动态调整、以抵押品为主进行贷款价值比动态调整、动态拨备要求以及逆周期的资本缓冲属于时间维度的工具。截面维度的工具则包括：系统重要性银行附加资本要求和流动性要求、以逆周期调节为目标的资本充足率和杠杆率要求、以及早期预警系统和国内信贷增长限制[5]。据里姆和克拉森斯（Lim，2011；Claessens，2013）统计，目前我国主要使用的宏观审慎工具有五种：存款准备金率（RRR）、贷款价值比上限（LTV上限）、债务收入比上限（DTI上限）、逆周期资本要求和系统重要性银行附加资本要求、贷款限额控制。其中，法定存款准备金率和贷款价值比上限这两种工具的使用最为频繁[1]。法定存款准备金率的提高会导致商业银行等部门缴存的存款准备金增多，那么其可用来发放贷款的资金就会变少，从而社会上的信贷总量和货币供应量就会减少。存款准备金制度通过这一机制来约束银行商业银行的整体信贷规模。在信贷繁荣和信用极度扩张的时期，极易产生系统性金融风险，信贷增速既可以反映金融体系的稳健程度，也可以用来检验法定存款准备金率这一宏观审慎政策工具的有效性。商业银行信用贷款的增长虽然在一定程度上刺激了经济的增长，但过度增长的信贷也会为银行带来更多的不良贷款，使得银行面临较大的风险，影响金融发展和社会的稳定；除此以外，目前我国处于地区经济增长不平衡的状态，过度扩张的信贷会引发资产价格的快速上涨，从而可能会引发房地产资产价格泡沫的发生。基于以上分析，银行信贷增速可以用来检验宏观审慎政策工具的实施效果。（二）构建计量模型本文借鉴梁琪（2015）等人的研究方法，构建了下面的基准模型来检验宏观审慎管理政策工具在约束信贷扩张方面的作用：BL在这个基准模型中，BLi,t为商业银行i在t年的贷款增长率，μi,t为个体效应，εi,t为随机扰动项。BLi,t−1为商业银行信贷增速的滞后一阶，该滞后一阶的加入是为了控制商业银行信贷增长率本身的反馈效应和惯性。数据来源与数据预处理变量选择宏观审慎政策工具变量（解释变量）基于上述研究理论和对我国宏观审慎管理政策工具的分析，本文选用法定存款准备金率（RRR）作为宏观审慎管理政策工具的代表，来研究它的有效性。我国从2004年开始实施差别存款准备金制度，2008年中国人民银行对大型银行和中小型银行要求的存款准备金率不再相同。2008年至2020年，央行对法定存款准备金率调整共计四十余次。2008年至2011年间，对法定存款准备金率的调整一直呈上升趋势，从2008年初的14.50%一直调整至19.50%；2012年开始，央行对存款准备金率实行下调政策，准备金率相应从2011年的19.50%降至2020年的10.50%。宏观审慎政策检验变量（被解释变量）基于信贷扩张对资产质量和资产价格的影响分析，同时考虑到数据可得性，本文选择商业银行的贷款增速（BL）作为宏观审慎管理政策工具有效性的检验变量。控制变量宏观控制变量本文选用经济增长变量和利率变量这两个变量作为宏观控制变量。基于周晔（2021）和刘澜飚（2019）的研究分析，本文借鉴他们的变量选择方法，选取商业银行主要经营省份的GDP增长率作为经济增长变量，而利率变量则选取六个月至一年的贷款基准利率作为代理变量。银行微观特征变量银行微观特征变量的选取参考梁琪（2015）和周晔（2021）的研究方法，以银行规模（SIZE）、资本充足率（CAP）和不良贷款率（NPL）作为微观控制变量的代表变量。其中，反映银行个体规模差异的银行规模（SIZE）采用商业银行总资产的自然对数来表示；资本充足率（CAP）和不良贷款率（NPL）均在数据库中提取到数据，无需二次计算。文中所使用的各个变量展示在表4-1中。其中信贷增速用BL表示，存款准备金率用RRR表示，经济增速用GDP表示，利率用i表示，银行规模用SIZE表示，资本充足率用CAP表示，不良贷款率用NPL表示。表4-1.变量含义变量类型变量符号变量名称变量解释变量来源被解释变量BL信贷增速商业银行贷款增长率RESSET金融研究数据库解释变量RRR存款准备金率大小银行差额存款准备金率CEIC数据库控制变量GDP经济增速商业银行所在省份GDP增长率中经网统计数据库i利率贷款基准利率RESSET金融研究数据库SIZE银行规模商业银行总资产的对数国泰安经济金融研究数据库CAP资本充足率商业银行的资本充足率Wind资讯金融终端NPL不良贷款率商业银行的不良贷款率Wind资讯金融终端资料来源：本研究整理计算样本选择及描述性统计分析基于数据的可得性和时间问题，本文采用了2008-2020年间全国13所商业银行的非平衡面板数据作为研究样本，其中有北京银行、华夏银行、浦发银行、招商银行、民生银行5家已上市的全国性股份制商业银行，其余8家银行为普通的城市商业银行和农村商业银行。其中，商业银行的资本充足率和不良贷款率数据来自Wind资讯金融终端，体现商业银行规模的总资产数据来自国泰安经济金融研究数据库。鉴于我国施行大中小银行的差别存款准备金制度，且法定存款准备金率在一年中有多次调整，本文将来自CEIC数据库的存款准备金率按照实际使用的天数进行了年度加权平均。作为被解释变量的商业银行的贷款增长率和宏观控制变量贷款基准利率来自锐思金融研究数据库，代表经济增长速度的各省GDP增长率则来自中经网统计数据库。各个变量的描述性统计分析如表4-2所示。其中，信用贷款的增长速度（BL）共有155个观测值，商业银行信用贷款的平均增速为18.67%，最小值为-0.86%，最大值为42.17%，标准差为0.0823，标准差较小表示各个商业银行间的信贷增速差别不大，且商业银行信贷扩张的波动幅度较小。宏观审慎政策工具存款准备金率（RRR）共有169个观测值，标准差为0.0248，存款准备金率的平均值为15.36%。宏观控制变量经济增速（GDP）和利率（i）的平均数分别为7.95%和5.24%，他们的标准差都很小。三个银行微观控制变量银行规模（SIZE）、资本充足率（CAP）、不良贷款率（NPL）的平均值分别为27、12.42%和1.76%。其中资本充足率和不良贷款的标准差都很小，而银行规模的标准差为1.6896，这表明我们选择的银行样本之间的规模是有一定的大小差距的。表4-2.变量的描述性统计变量名称观测值平均数标准差最小值最大值信贷增速（BL）1550.18670.0823-0.00860.4217存款准备金率（RRR）1690.15360.02480.10510.1858经济增速（GDP）1690.07950.02620.00500.1430利率（i）1690.05240.01000.04350.0644银行规模（SIZE）15027.00001.689622.433129.7547资本充足率（CAP）1660.12420.01890.05850.1940不良贷款率（NPL）1680.01760.01440.00360.0935资料来源：本研究计算整理实证分析单位根检验本文选取的变量之间可能存在相关性，造成“伪回归”现象。因此本文对选取的各个解释变量进行了单位根检验，以保证模型估计的有效性。面板数据的单位根检验结果如表5-1所示。由检验结果可知，所有解释变量经过一阶差分后均在1%的水平上显著平稳。表5-1.面板数据的单位根检验变量水平值一阶差分值结论LLC检验IPS检验LLC检验IPS检验RRR4.93034.4462-7.0963***-3.9485***平稳GDP6.41506.3689-1.3602*-2.3650***平稳i-1.5627*0.9468-4.9115***-5.1529***平稳SIZE-11.9844***-4.7167***-5.5921***-2.5411***平稳CAP-6.7639***-4.1554***-11.2881***-8.3963***平稳NPL-2.7586***-1.8383**-7.2162***-5.3791***平稳注：*、**、***分别表示结果在10%、5%、1%的水平上显著资料来源：本研究整理计算模型设定受数据可得性和作者知识所限，本文所选择的模型以及各解释变量之间可能存在如下的内生性问题：第一，本文所选择的宏观审慎管理政策工具的检验变量——商业银行的贷款增速具有顺周期性的特点，当用存款准备金率这个宏观审慎工具对其进行逆周期性调节时，会产生一定的反馈效应，文章构建的实证模型可能会产生内生性问题；第二，利率作为一种货币政策的工具，本身就具有内生性；第三，本文选取的三个银行微观特征变量银行规模、资本充足率、不良贷款率和被解释变量信贷增速之间可能具有一定的同期相关性。考虑到上述内生性问题，本文在估计模型时采用了系统GMM方法对设定模型进行估计。除此之外，在进行模型设定的时候，本文将被解释变量贷款增速的滞后一阶引入模型以控制变量本身的反馈效应和惯性；对于商业银行的微观特征变量本文并没有直接将其引入模型，而是选择将三个变量的滞后一期值引入了模型之中，以减小他们和被解释变量贷款增速之间的同期影响。模型检验为保证GMM模型估计的有效性，需对模型进行过度识别检验和扰动项检验。本文选择采用Sargan的检验结果来判断工具变量的选择是否合理有效。Sargan检验的原假设为“模型中选择的所有工具变量都是有效的”，本文的Sargan检验P值为0.4176，大于0.05，则在5%的显著性水平下不能拒绝原假设，表明模型选择的工具变量均是有效的。除此以外，本文模型的扰动项不存在二阶自相关，证明模型的估计是有效的。检验结果分析表5-2.宏观审慎政策工具对信贷增速的影响变量被解释变量BL备注BL（t-1）0.1148**（-2.6409）RRR-0.4172***（-3.6065）GDP0.2167*（-2.1805）i-3.1757**（-2.7156)SIZE（t-1）-0.1201***（-7.0049）CAP（t-1）0.0787（-0.143）NPL（t-1）-2.5621***（-3.3839）注：括号内为各个变量的t值，*、**、***分别表示结果在10%、5%、1%的水平上显著资料来源：本研究计算整理宏观审慎政策工具对信贷增速的影响结果如表5-2所示。被解释变量信贷增速（BL）滞后一期变量的系数在5%的水平下显著为正，这表明商业银行的信贷扩张的确具有一定程度的累积效应。宏观审慎政策工具存款准备金率（RRR）与信贷增速呈显著的负相关关系，这表明法定存款准备金率的提高能够在一定程度上对商业银行的信贷扩张产生约束，避免发生系统性风险。经济增长与信贷增速之间具有显著的正相关性，这表明经济增长会促使信用贷款扩张，与信贷增速具有顺周期性的理论相一致。贷款利率具有显著的负向系数，贷款利率的提高会增加社会企业的融资成本，从而商业银行的贷款业务也会随之减少。此外，银行规模和不良贷款率均与信贷增速之间具有显著的负相关性。资产规模大的银行更愿意实施较为稳健的管理经营策略，其信贷增速不会很快；而不良贷款的增加会影响商业银行的资产质量，较高的不良贷款率会降低银行的信贷增速，这也表明商业银行会自发对其承担的风险进行调节。稳健性检验为了验证系统GMM模型回归结果的稳健性，本文采用固定效应回归对模型进行稳健性检验，固定效应回归模型的检验结果如表5-3所示。检验结果显示，宏观审慎政策工具变量和控制变量（资本充足率除外）在１％的显著性水平下均显著，且相关系数的方向与系统GMM模型的系数方向一致，模型方程的基本结构相一致，从而验证了研究结论的稳健性。表5-3.固定效应模型被解释变量贷款增速BL变量固定效应RRR-0.5195（-1.9051）***GDP0.9309（3.5155）*i-1.6643（-1.4579）***SIZE-4.3587（-2.6998）***CAP-0.5245（-1.6221）NPL-2.2548（-4.1286）***注：括号内为固定效应的t值，*、**、***分别表示结果在10%、5%、1%的水平上显著资料来源：本研究计算整理研究结论与建议本文利用全国13家商业银行2008-2020年的微观动态面板数据，将法定存款准备金率作为宏观审慎管理政策工具，将商业银行的信用贷款增长速度作为代表银行体系系统性风险的被解释变量，采用系统GMM方法对构建的模型进行了估计，并得出以下结论：第一，以法定存款准备金率为代表的宏观审慎政策工具能够有效抑制信用贷款的增长，这一结果表明存款准备金率能够对信贷增速的顺周期性实施有效的逆周期性调节；第二，信