中國商業銀行體系信用風險評估

摘要：宏觀壓力測試，作為壓力測試方法在宏觀經濟分析中的具體運用，可以提供極端事件對金融體系影響的前瞻性信息。隨著各國金融監管當局對系統性風險的日趨重視，宏觀壓力測試方法逐漸成為檢驗一國銀行體系的脆弱性、維護金融穩定的首選工具。本文主要研究宏觀壓力測試在銀行信用風險評估中的應用，并在已有的模型成果的對比分析基礎上，建立適用于我國的宏觀壓力測試模型并以此進行實證分析。本文以貸款違約率作為評估銀行系統信用風險的指標，選取對銀行信貸違約風險構成沖擊的宏觀經濟變量，通過多元線性回歸模型將其整合成為一個綜合性指標。研究結果發現：名義國內生產總值（NGDP）和通貨膨脹率指標（CPI）對銀行體系的貸款表現沖擊力較強。在此基礎上構建了兩種宏觀經濟極端情境，在關于NGDP大幅下降和CPI驟升的壓力情境設定下，銀行體系的貸款違約率都出現了不同程度的大幅度提高。尤其在關于通貨膨脹率的情境設定下，貸款違約率的增幅高于其在NGDP下降情境下的增幅。

關鍵詞：商業銀行；信用風險；宏觀壓力測試

中圖分類號：F832.2文獻標識碼：A 文章編號：1002-2848-2008（06）-0066-08

一、引 言

自20世紀70年代末到21世紀初，全球有93個國家先后爆發了112次系統性銀行危機。尤其90年代以來頻頻爆發的金融危機——如1987年美國股市崩盤、1994年美國利率風暴及中南美洲比索風暴、1997年亞洲金融危機、1998年俄羅斯政府違約事件，特別是2007年春季開始的次貸危機最終演變為2008年的全球金融風暴，波及范圍之廣，影響程度之大，史無前例。它們不僅使一國多年的經濟發展成果毀于一旦，還危機到一國的經濟穩定，對全球經濟也產生了強大的沖擊。^［1］

收稿日期：2008-07-05

項目資助：本文受到西安交通大學“985工程”二期資助（項目編號：07200701），國家社會科學基金（08DJY156）資助。

作者簡介： 李江（1962-），湖南省湘潭市人，金融學博士，西安交通大學經濟與金融學院副教授，

碩士研究生導師，研究方向：金融風險管理；劉麗平（1982-），女，河北省承德市人，西安交通大學經濟與金融學院碩士研究生，研究方向：財務預警。

金融系統的宏觀壓力測試是一類前瞻性分析的工具，用于模擬“異常但合理” 宏觀經濟沖擊對金融體系穩定性的影響，可以幫助中央銀行識別金融體系的薄弱環節，有助于各方理解金融部門與宏觀經濟之間的聯系，同時提高中央銀行和金融機構的風險評估能力。因此，受到各國金融監管當局的重視，逐漸成為檢驗一國銀行體系的脆弱性，維護金融穩定的首選工具。在金融全球化的趨勢下，隨著我國金融市場的完全開放，我國金融業和國際金融市場的逐步融合，是否擁有一個穩定和富有競爭力的銀行體系對于中國而言顯得非常迫切。對銀行體系進行穩定性評估，尤其是對銀行體系面對的信用風險

進行宏觀層面的壓力測試，對防范和化解系統性金融風險，維護中國金融穩定和安全具有重要意義。

下面研究宏觀壓力測試在銀行信用風險評估中的應用，通過對國外已有的成熟模型理論成果分析比較的基礎上，根據我國的宏觀經濟及金融發展特點，經濟、金融數據統計及披露特點，模型的數據需求深度廣度要求，建立適用于我國的模型并以此進行實證分析。

二、文獻綜述

（一）宏觀經濟因素對銀行信貸違約風險的影響

McKinnon R^［2］認為，宏觀經濟穩定時，銀行經營行為非常保守，不會出現不顧風險單方面追求效益的現象。但在實際匯率波動、通貨膨脹出現等宏觀經濟不穩定的情況下，政府或明或暗的存款擔保，導致銀行會產生以高利率對高風險項目貸款的風險行為。Donald van Deventer^［3］通過線性回歸分析，確定了宏觀因素對銀行股價變動的解釋在統計上是顯著的。

對20 世紀80 年代以來各國銀行不穩定尤其是銀行危機現象， 國際組織和國內外學者進行了大量研究， 積累了十分豐富的實證資料。尤其是來自美國、英國、澳大利亞、芬蘭的許多國外學者， 在對20 世紀80、90 年代全球銀行不穩定事件的實證分析中發現， 宏觀經濟因素波動在各國銀行不穩定中扮演著重要角色。Tom Bernhardsen^［4-5］建立起銀行破產與不良貸款和宏觀經濟因素的關系模型，并且利用歐洲國家的面板數據進行了實證檢驗。Erlenmaier U^［6］和Gersbach H^［7］利用挪威中央銀行的宏觀經濟模型RIMINI對總體審慎指標的趨勢與發展進行預測，并且建立了評估貸款違約率的宏觀信貸方程。Froyland E和Larsen K^［8］利用RIMINI對銀行不良貸款在宏觀經濟波動情境下進行了壓力測試。Pesola J^［9］分析了銀行系統危機對宏觀經濟因素波動的敏感性，并利用芬蘭的數據通過建立模型對兩者之間的關系進行定量分析。Virolainen K^［10］對芬蘭金融風險的實證評估，建立了宏觀信貸模型并進行宏觀壓力測試，揭示了芬蘭銀行系統貸款違約風險與宏觀經濟波動的相關性。

國內對于銀行體系的穩定評估的實證研究，包括陳華，伍志文^［11］運用1978～2000年間的數據對我國銀行體系脆弱性狀況進行了量化分析。結果發現，中國整個銀行體系在1978～2000年之間有11年是不穩定的，尤其是在1992年和1998年前后更為突出，銀行體系出現了不穩健的征兆，存在較大的金融風險。

（二）宏觀壓力測試理論和實踐

在執行宏觀壓力測試使用的宏觀信貸模型的研究領域，有兩個學者的模型框架占據舉足輕重的地位，并為日后的學者不斷的進行模型的拓展研究和實證應用奠定了良好的基礎。他們是Wilson T C^［12-13］和 Merton R^［14］。Wilson對各工業部門違約概率對一系列宏觀經濟變量的敏感度直接建模。模型的思想是對違約概率和宏觀因素的關系進行建模，模擬將來違約概率分布的路徑，就可以得到資產組合的預期異常損失，進而模擬出在宏觀經濟波動沖擊下的違約概率值。相比較而言，Merton模型則多加入了股價對宏觀要素的反映，將資產價格變動整合進違約概率評估模型。因此，前一種模型更直觀，計算量較小；而后一種方法對數據的廣度和深度的要求以及計算量要求都很高，其中有些市場數據也許是信貸風險的噪音指標。

世界各地的學者，運用上述模型框架進行了大量的實證研究。Vlieghe G^［15］對英國銀行體系累加的企業違約概率進行建模估計，發現GDP、實際利率和真實工資水平具有較顯著的解釋能力。Bunn P，Cunningham A和Drehmann M^［16］曾使用probit模型來測算英國企業部門的貸款違約風險。Boss M^［17］針對加總的企業違約概率估計出宏觀經濟信貸模型來分析澳大利亞銀行部門的壓力情境，結論說明工業產值，通貨膨脹率，股票指數，名義短期利率和油價都是違約概率的決定因素。Marco M 、Sorge、KimmoVirolainen^［18］利用Wilson模型框架對芬蘭銀行系統的信貸違約概率進行了宏觀壓力測試分析。結果證明在壓力情境下，違約概率（PD， portability of default）的蒙特卡羅模擬分布明顯異于常態分布，其Var值遠高于基期的測算值。Jim Wong，Ka-fai Choi和 Tom Fong^［19］建立了香港零售銀行面對宏觀經濟波動的信貸風險宏觀壓力測試框架。模型框架中引入的宏觀經濟變量包括：國內生產總值（GDP），利率（HIBOR），房地產價格（RE）和大陸的GDP。同時用宏觀壓力測試評估了香港銀行體系的貸款資產和住房抵押貸款風險暴露。壓力情境的設定模擬了亞洲金融危機時發生的宏觀經濟波動，并分別引入了測試模型。結果表明在置信水平90%時，在所有壓力情境下有些銀行仍然能夠盈利。這意味著目前銀行系統的信用風險較穩和。當VaR取99%的置信水平這一極端情況時，一些銀行出現了巨額損失，但這類事件發生的概率極低。

Hoggarth G和Whitley J^［20］與Drehmann M Hoggarth， G Logan A， Zecchino L^［21］在他們的研究中引入了英國在FSAP框架指引下宏觀壓力測試的執行結果和方法，在壓力情境的設定方面采用在險價值框架下的蒙特卡羅模擬法。Jones M T， Hilbers P和Slack G^［22-23］提供了宏觀壓力測試的更一般的非線性的方法。Worrell D^［24-25］ 討論了一個將早期預警系統，金融健全性指標和宏觀壓力測試整合的方法。

一些學者研究將信用風險和市場風險整合測量，例如 Allen L 和 Saunders A^［26］嘗試將宏觀經濟因素整合進信用風險的測量模型。而最近的一些文獻如Pain D、Vesala J^［27］和Gropp等人^［28-29］則是引用Wilson 的宏觀信用模型分析了宏觀要素對銀行的債務人的信用質量的影響。而Wilson 的模型的一個替代選擇則是Merton 的公司層面的結構模型. Gray D、Merton 和Bodie^［30］將這一框架擴展至研究主權違約風險。Derviz A 和Kadlcakova N ^［31］將商業周期的影響整合進一個具有結構模型和簡化模型特征的復合模型。Drehmann M、Manning M^［32］和Pesaran M H等^［33］在利用Merton模型框架的宏觀壓力測試中研究了違約概率和宏觀經濟變量的非線性關系。Benito A，Whitley J和Young G ^［34］將基于衡量違約概率的Merton模型融入針對模擬個別企業違約的probit模型。他們發現Merton模型方法比僅僅依靠企業的財務數據的模型效果更優。

還有一些文獻使用不良貸款，貸款損失額或者復合指標與宏觀經濟因素整合成矩陣向量來測算金融體系的穩定性。Hanschel E和Monnin P^［35］針對瑞士銀行系統構建了一個復合壓力指標，該指標綜合了金融不穩定的市場指標和銀行資產負債表上的衍生變形指標。Kalirai H 和 Scheicher M^［36］針對對澳大利亞銀行體系累加的貸款損失，通過涉及廣泛的宏觀經濟變量的模型進行了時間序列的回歸估計。這些宏觀經濟變量包括國內生產總值、工業產值缺口、消費者價格指數、貨幣供給增速、利息率、股票市場指數、匯率、出口額和油價。

（三）國內外研究述評

目前國外開展的關于銀行穩定性評估的實證研究十分豐富，其中挪威和芬蘭中央銀行的研究對金融系統的評估最具綜合性。穩定性評估的目的在于，對銀行體系的健全狀況和抵御系統性金融危機的能力進行定量和定性的客觀評價。為此采用了金融穩健指標分析（Financial Sound Indi cators)和壓力測試的方法，對宏觀經濟環境中例外但有可能發生的沖擊（Shock）情境進行模擬，來量度和評估銀行體系在遇到沖擊甚至遇到金融危機時，保持穩定（即銀行保持基本運營不會發生突變）的能力。

而國內對于銀行體系的穩定評估的實證研究都偏重于評價銀行體系的穩定性，對在抵御不確定性風險的能力評估并未涉及。目前我國關于宏觀壓力測試的研究才剛剛涉及，孫連友^［37］，高同裕、陳元富^［38］等學者對宏觀壓力測試進行了理論上的探討，但多為國外文獻的整理或綜述，未能進一步的發展和深入。尤其在模型研究方面，僅僅停留在介紹早期國外學者的模型框架和較為成熟的各國宏觀壓力測試手冊指引中的操作流程。其內容多為宏觀壓力測試的必要性、目的作用、所用方法、國內外的具體實踐等，未能有很系統和深入的介紹，而對多種宏觀壓力測試模型的介紹和分析尚無涉及。

在實證方面，熊波^［39］通過建立宏觀經濟因素的多元Logit回歸分析，并對結果進行假設情境的壓力測試分析。得出的結論是， 國內生產總值和通貨膨脹率這樣的宏觀經濟變量的確是影響中國銀行體系穩定性的重要因素。但是該文只是借鑒了壓力測試的思想，使用傳統的方法，通過模擬情境下宏觀經濟因素異動，由Logit模型最終得出穩定性指標期望值的點估計來評價銀行體系的穩定性。這種方法不能有效地反映出宏觀變動沖擊對銀行體系的影響，不能看出壓力情境下銀行面臨的最主要的信用風險的分布狀況，即貸款違約率的概率分布。

三、宏觀壓力測試方法流程及模型設定

（一）方法流程

宏觀壓力測試是模擬“危機事件”來估計極端卻可能的壓力情境下金融體系的波動。在宏觀壓力測試的框架中，其模型表示為：

Q(t+1｜t+1≥X=f(Xt，Zt)（1）

在（1）中 表示在模擬的壓力情境下評價金融體系的穩定性的指標的表現。在宏觀壓力測試模型中衡量金融部門波動性的最一般的方法是資本的潛在損失率。Q(·)表示衡量金融系統波動性的風險矩陣，衡量違約情況的指標例如貸款損失額主要通過模擬壓力情境下的點估計得到。在這種情況中，該條件概率值表示的風險矩陣較容易計算。而在險價值方法中，在任何給定的壓力情境下，資產組合的損失應產生概率分布，而不是前一種方法中的點估計值。框架中f(·)表示損失方程，該方程模擬了宏觀經濟沖擊對金融體系中加總的資產組合的影響關系。該方程可包含風險暴露，違約概率，相關性，回饋效應，以及宏觀經濟變量變動與系統層面金融穩定性表現的相互關系。

壓力測試的執行方式主要是通過情境設定，根據情境假設下可能的風險因子變動情形重新評估金融商品或投資組合的價值，整個程序通常分為兩大步：一是情境設定；二是重新評估。通常重新評估的方式不會有太大的差異，但是情境設定的方式卻有很多種選擇。情境分析（Scenario Analysis）是目前應用的主流。即利用一組風險因子定義為某種情境，分析在個別情境下的壓力損失，因此此類方法稱為情境分析，情境分析的事件設計方法有兩種：歷史情境分析（Historical Scenario）和假設性情境分析（Hypothetical Scenario）。其他方法還有敏感度分析（Sensitive Analysis）和極值理論法（Extreme Value Theory， EVT）。

本文根據信用風險壓力測試的相關文獻以及世界銀行和國際貨幣基金組織聯合開發的FSAP（financial Sector ass ess ment programme)的手冊，將壓力測試的執行程序見圖1所示。

圖1 壓力測試流程圖

（二）模型的設定

本文將在Wilson、Boss和Virolainen研究框架的基礎上建立適合我國銀行系統信用風險評估的宏觀壓力測試模型。首先借鑒國外研究成果中關于宏觀經濟因素和貸款違約率之間的非線性關系設定。在此基礎上使用Logit方程將貸款違約率轉化為宏觀綜合指標，以指標作為因變量與宏觀經濟因素進行多元線性回歸分析，使得這一指標能夠很好地利用各宏觀經濟指標所提供的信息。在模型中宏觀經濟因素的選擇方面，參考國內外學者實證研究中模型的自變量，結合我國數據統計和披露特點等制約因素選取適合的宏觀經濟變量來構建模型。

yt=ln1-PDt[]PDt（t=1， 2…， N）（2）

yt=α0+α1Xt+…α1+mX1-m+β1yt-1+…+βny1-n+μt（3）

Xt=0+1Xt-1+…+pX1-p+φ1yt-1+…+φqyt-q+εt（4）

PDt代表t年度的貸款的平均違約率，Y是一個反映宏觀經濟狀況的綜合性指標，也可以將它理解為是反映銀行體系違約概率和各宏觀經濟變量的關系的“中介指標”，X代表宏觀經濟變量。在利用歷史數據進行模型估計時，通過處理的違約概率值代入（2）就可以得到估計的綜合指標的估計值。將其帶入（3）就可以估計出宏觀方程的系數，并以此估計出的方程作為進行宏觀壓力測試的基礎。而在執行壓力測試的時候，通過壓力情境的設定，用不同方法得到的各相關宏觀經濟變量值代入估計出的（3）就可以得到壓力情境下的Y，再通過（2）就估計出了壓力情境下的銀行系統的違約概率。

公式（2）就是對貸款違約率進行Logit回歸分析，PDt表示t年度的貸款的平均違約率，yt表示一系列宏觀經濟變量的綜合指標。

公式（3）是反映各宏觀經濟變量與綜合性指標yt的關系的方程，本文采用多元線性回歸的方法來模擬變量之間的關系。其中Xt=(x1，t，x2，t…xl，t)′是L×1階列向量，代表L個宏觀經濟因素構成的列向量；μt是方程的隨機擾動項。截距α0是一個L×1階列向量；系數α1，α2…α1+m分別代表L×1階向量，系數β1…βn是L×n階矩陣向量。

公式（4）是關于各宏觀經濟變量的時間序列模型。考慮到宏觀經濟因素采取的時間序列數據，可能存在變量的滯后性，因此對各宏觀經濟變量進行P階自回歸分析，剔除模型中的序列相關性。在（4）中，0是L×1階的列向量， 1，…，p都是L×1階矩陣向量，φ1，…φq是L×q階矩陣向量，隨機誤差εt都是L×1階列向量。

在這個模型中，假設μt和εt是序列不相關的，并且分別服從方差協方差為矩陣∑μ和∑ε的正態分布。其中μt和εt相關的方差協方差矩陣為∑μ，ε。

在 Wilson（1997）和Virolainen（2004）提出的框架中，yt僅僅與Xt有關，而本文模型的設定更符合實際情況，yt不僅與Xt相關，考慮到宏觀沖擊的時滯效應，yt還與其滯后期的值yt-1，…，yt-n有關。

從（4）可以看出，模型不僅考慮到了宏觀經濟變量值之間的相互影響，模型的設定考慮到了金融體系對宏觀經濟波動的回饋效應。將銀行的表現對經濟的反饋影響通過在宏觀因素變量的自回歸方程中引入綜合變量來實現。通過各行業綜合指標Y的前期值對各宏觀經濟變量的影響設定來反映現實世界中的金融與經濟發展的相互影響關系。

（三）變量選取

1.解釋變量

根據各國的實證研究經驗和我國銀行體系業務發展特點，本文模型的變量選取1990～2006年的年度數據，主要考慮到數據的可得性、宏觀經濟統計的特征以及經濟沖擊發生的持續時間來決定的。鑒于研究的宏觀層面，從數據的可得性及計算量考慮，本文的宏觀模型是基于整個經濟體系的，因此各宏觀經濟變量將不采用各經濟部門的統計值，而是采用本國的整體水平的統計值。

本文選取八個宏觀經濟變量作為解釋變量：

NGDP—國內生產總值名義年增長率；

RGDP—國內生產總值實際年增長率；

NR—一年期存款的名義基準利率；

RR—一年期存款的實際基準利率；

NLR—一年期流動資金貸款的名義平均利率；

RLR—一年期流動資金貸款的實際平均利率；

CPI—居民消費價格指數；

RE—房地產價格指數；

2.被解釋變量

本文選取違約概率作為評估信用風險的指標，銀行系統的信用風險主要表現為貸款資產的違約風險。違約率水平是評估銀行貸款質量的最直接的指標，違約風險可以用借款人在規定期限內的違約概率度量。Virolainen K對芬蘭銀行系統的違約概率進行的宏觀壓力測試分析中，對違約概率指標采取如下方式賦值：在研究時段內，某行業的破產機構數量與總的機構數量的比率為銀行體系面對的違約率。Jim Wong、Ka-fai Choi和Tom Fong^［19］建立的香港零售銀行面對宏觀經濟波動的信貸風險壓力測試框架中，違約概率是逾期3個月以上的貸款額與總貸款額的比率。本文選取四家國有商業銀行和交通銀行、招商銀行、光大銀行等十家股份制商業銀行的信貸數據作為樣本，以平均的逾期貸款率代表貸款違約率，即以年末樣本銀行的總逾期貸款額與總貸款余額的比率。其中，1990、1991、1992三年的各樣本銀行的詳細數據欠缺，因此本文根據各類媒體披露的總的逾期貸款的變動率和貸款額的變動率計算出了這三年的逾期貸款率，其他各年份的詳細數據均來自中國金融年鑒和各銀行的年報。

四、實證結果

（一）模型估計

代入1990～2006年的宏觀經濟數據對上述模型進行多元回歸分析和模型估計，先用宏觀經濟變量的名義指標值和實際值，與引入的綜合指標Y的兩期滯后變量分別對Y進行回歸。從兩個模型的t檢驗指標看出，模型中GDP、LR、R作為解釋變量的參數并不顯著，而引入的Y的二階滯后變量對因變量的解釋性也不顯著。因此模型的參數需要進一步調適剔除。根據經驗和宏觀經濟沖擊的滯后性往往為一年，因此模型中只引入Y的一階滯后變量。雖然兩個模型的擬合優度統計檢驗指標和D-W指標略微下降，但兩個指標值分別為0.987和2，仍是非常理想的檢驗指標值。在剔除掉一年期存款利率后，兩個模型各參數的t檢驗指標都非常顯著。但是以模型解釋變量的參數符號來看，通貨膨脹率CPI在以名義宏觀經濟變量值為自變量的模型中的系數符號為負，這表明隨著CPI的增加，Y值也會減小，經過Logit變換后的違約概率PD將會增大，顯然符合經濟學原理。而在關于實際變量的模型中系數為正號，這是違背經濟學原理的。所以本文確定以名義變量作為模型解釋變量的方程為最佳的宏觀經濟模型（見表1）。這說明我國銀行的信貸違約率對名義的宏觀經濟因素的波動更敏感。Marco Sorge、 Kimmo Virolainen（2004）利用wilson（1997）模型框架對芬蘭銀行系統的違約概率進行了宏觀壓力測試分析，宏觀經濟模型估計結果與我國上述情況類似，即名義的宏觀經濟變量對違約概率的解釋能力更顯著。

根據回歸方程的t檢驗（5%的顯著性水平），各宏觀因素指標的實際值對綜合指標的影響并不顯著，所以剔除不列入表內。從表1中可以看出，綜合經濟指標和各宏觀經濟變量指標的名義值關系顯著。且綜合指標的一期滯后值對各宏觀經濟指標影響均顯著。從關于綜合指標的多元線性回歸方程也可以看出，國內生產總值增長率、貸款利率水平、通貨膨脹率和房地產價格的確是影響到我國銀行體系違約概率的顯著因素，而且綜合指標明顯受其一期滯后值的顯著影響。

（二）宏觀壓力情境的設定及其結果

本文選擇情境分析作為執行壓力測試的方法。針對模型所選取的宏觀經濟變量，我們設定兩個壓力情境：一種是GDP增長突然放緩的情境；一種是CPI上升到較高的水平（5%以上）。對于各種壓力情境下，反映壓力的宏觀經濟變量的變動幅度，可以通過以往的歷史相似情境數據或歷史經驗直接進行人為的設定。而本文在對銀行體系遇到極端情境進行構建之前，利用時間序列模型對解釋變量NGDP、CPI進行了2008～2010年的簡單ARMA模型預測，作為我們構建的參考基準情境（baseline scenario）。

從表2可以看出，在設定的兩種壓力情境下，我國的銀行體系的信貸風險明顯增加，從模型預測估計出的貸款違約率都有不同幅度的增加。隨著國民生產總值增速的大幅降低，貸款違約概率增大，但幅度較緩。而隨著通貨膨脹率的驟增，違約概率出現大幅度的激增。這充分說明在壓力情境下，宏觀經濟變量對銀行系統信貸違約概率的沖擊效應非常顯著。從而判斷，通貨膨脹率的同等幅度波動對銀行體系信貸違約率值的影響更大。

五、結論及建議

本文在對比分析國外成熟模型的基礎上，構建了適合我國經濟環境的宏觀壓力測試模型。首先本文借鑒了國外研究成果中關于宏觀經濟因素和貸款違約率之間的非線性關系設定。在此基礎上使用Logit方程將貸款違約率轉化為宏觀綜合指標Y，以指標Y作為因變量與宏觀經濟因素進行多元線性回歸分析，使得這一指標能夠很好地利用各宏觀經濟指標所提供的信息。在模型中宏觀經濟因素的選擇方面，參考國內外學者實證研究中模型的自變量，結合我國數據統計和披露特點等制約因素選取適合的宏觀經濟變量來構建模型。借鑒已有研究成果中在選擇信貸風險的評估指標方面的做法，以逾期貸款率作為模型中反映銀行體系信貸風險的指標。

結果發現：宏觀經濟變量名義國內生產總值，消費者價格指數，房地產價格指數和名義流動貸款利率對銀行體系貸款違約率影響是顯著的。特別是名義國內生產總值和通貨膨脹率指標，沖擊力較強。在關于名義國內生產總值大幅下降和通貨膨脹率驟升的壓力情境設定下，銀行體系的貸款違約率都出現了不同程度的大幅度提高。尤其在關于通貨膨脹率的壓力情境下，貸款違約率的增長幅度高于名義國內生產總值下降情境下的增幅。

本文研究結果對中國國情有著一定的解釋力，讓我們有信心支持這樣的研究思路的繼續開展。通過分析我們可以看出，中國的銀行體系穩定性還有待進一步加強，在面臨假設的宏觀經濟沖擊時，化解風險的能力就顯得不足。當然我們構建的這些極端情形發生的概率都是極小的，畢竟中國經濟目前來看幾年內保持穩定增長的態勢是確定的。

參考文獻：

［1］ 中國人民銀行金融穩定分析小組.中國金融穩定報告（2005）［EB/OL］. http://www.pbc.gov.cn/detail.asp?col=100ID=2257keyword.

［2］ McKinnon R. Financial growth and macroeconomic dtability in China.1978-1992: implications for Russia and other transitional economies［J］. Journal of Comparative Economics， 1994， 17(2): 438-469.

［3］ Deventer D V， Kenji I. Credit risk models and the Basel Accords［M］. Beijing: RENMIN University of China Press， 2005: 14-56.

［4］ Bernhardsen T. Real-time data for Norway: Challenges for monetary policy［J］. The North American Journal of Economics and Finance， 2005， 19(3): 333-349.

［5］ Bernhardsen T. The relationship between interest rate differentials and macroeconomic variables: a panel data study for European countries［J］. Journal of International Money and Finance， 2000， 18(2): 289-308.

［6］ Erlenmaier U. Correlations models in Credit Risk Managem［D］. Norway: University of Heidelberg， 2004.

［7］ Erlenmaier U. Gersbach H.Default probabilities and default correlations［D］. Norway: University of Heidelberg， 2005.

［8］ Froyland E， Larsen K. How vulnerable are financial institutions to macroeconomic changes? An analysis based on Stress Testing［J］. Economic Bulletin， 2002， 3(11): 127-169.

［9］ Pesola J. The role of macroeconomic shocks in banking crises［J］. Bank of Finland Discussion paper， 2000， 2: 457-504.

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

［11］ 陳華，伍志文．銀行體系脆弱性：理論及基于中國的實證分析［J］．數量經濟技術經濟研究，2004(9)：34-51．

［12］ Wilson T C. Portfolio credit risk I［J］. Risk， 1997， 9(10): 111-170.

［13］ Wilson T C. Portfolio credit risk II［J］. Risk， 1997， 10(10): 56-61.

［14］ Merton R. On the pricing of corporate debt: the risk structure of interest rates［J］. Inance， 1974， 29(7): 449-470.

［15］ Vlieghe G. Indicators of fragility in the UK corporate sector［J］. Bank of England Working Paper: on.146， 2001.

［16］ Bunn P， Cunningham A， Drehmann M. Stress testing as a tool for assessing systemic risk［J］. Financial Stability Review: Bank of England， 2005 (6): 116-260.

［17］ Boss M. A Macroeconomic credit risk model for Stress Testing the Austrian credit portfolio［J］. Financial Stability Report， 2002 (4): 64-82.

［18］ Sorge M， Virolainen K. A comparative analysis of macro stress-testing methodologies with application to Finland［J］. Journal of Financial Stability， 2006， 17(2): 113-151.

［19］ Wong J， Choi K F， Fong T. A framework for macro stress-testing the credit risk of banks in Hong Kong［J］. Hong Kong Monetary Authority Quarterly Bulletin， 2006 (10): 1-38.

［20］ Hoggarth G， Whitley J. Assessing the strength of UK banks through macroeconomic Stress Tests［J］. Financial Stability Review: Bank of England， 2003 (7): 91-103.

［21］ Drehmann M， Hoggarth G， Logan A， et al. Macro stress testing UK banks［R］. Paper presented at the Workshop on Financial Stability in Frankfurt: Bank of England， 2004 (6): 16-17.

［22］ Jones M T， Hilbers P， Slack G. Stress testing financial systems: what to do when the governor calls［J］. IMF Working paper: no.46， 2004: 191-211.

［23］ Jones M T， Saunders A. Have US financial institutions real estate investments exhibited trend chasing behaviour?［J］. The Review of Economics and Statistics， 2004 (11): 248-258.

［24］ Worrell D. Quantitative assessment of the financial sector: an integrated approach［J］. IMF Working paper: on.144， 2004: 1-57.

［25］ Worrell D， Cherebin D， Polius-Mounsey T. Financial system soundness in the Caribbean:an initial assessment［J］. IMF Working Paper: on.123， 2001 (9): 1-57.

［26］ Allen L， Saunders A. Incorporating systemic influences into risk measurements: a survey of the Literature［J］. Journal of Financial Services Research， 2004， 5: 23-46.

［27］ Pain D， Vesala J. Driving factors of credit risk in Europe［C］. Paper presented at ECB: Workshop on Financial Stability， 2004.

［28］ Gropp R， Vesala J. Bank contagion in Europe［C］. mimeo: Frankfurt am Main， 2004.

［29］ Gropp R， Vesala J， Vulpes G. Market indicators， bank fragility and indirect market discipline［J］. Federal Reserve Bank of New York Policy Review， 2004， 10(2) :53-62.

［30］ Gray D， Merton R C， Bodie Z. A new framework for analyzing and managing macrofinancial risks［C］. Conference on Finance and the Macroeconomy: NYU， 2004.

［31］ Derviz A， Kladlcakova N. Business cycle， credit risk and economic capital determination by commercial banks［J］. Czech National Bank， 2003， 11(6): 57-89.

［32］ Drehmann M， Manning M. Systematic factors influencing UK equity returns［C］. Mimeo: Bank of England， 2004.

［33］ Pesaran M H， Schuermann H， Treutler B J， et al. Macroeconomic dynamics and credit risk: a global perspective［J］. Wharton Financial Center Working paper:on.141， 2004 :3-13.

［34］ Benito A，Whitley J，Young G. Analyzing corporate and household sector balance sheets［J］. Bank England Financial Stability Review， 2003 (1): 234-287.

［35］ Hanschel E， Monnin P. Measuring and forecasting stress in the banking sector: evidence from Switzerland［J］. Workpaper of Swiss National Bank: on.118， 2003.

［36］ Kalirai H， Scheicher M. Macroeconomic stress testing: preliminary evidence for Austria［R］. Financial Stability Report: Austrian National Bank， 2002 (3): 77-98.

［37］ 孫連友．金融體系壓力測試-概念與方法［J］．濟南金融，2006(2)：43-50．

［38］ 高同裕，陳元富．宏觀壓力測試及其在我國應用面臨的問題［J］．南方金融，2006(2):8-10．

［39］ 熊波．中國銀行體系穩定性評估－指標分析與壓力測試［D］．成都：西南財經大學，2006．

責任編輯、校對：郭燕慶

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文