我國逆周期超額資本釋放機制研究

摘 要：逆周期超額資本釋放機制的良好與否與這一宏觀審慎工具的作用效果息息相關，因此建立良好的逆周期超額資本釋放機制具有非常重要的意義。文章提出一種基于KLR危機預警模型篩選理想預警指標并評估危機發生概率的方法，進而以理想預警指標為核心建立逆周期資本釋放機制。同時，運用我國1980～2013年的數據進行實證分析后得出我國2～5年后發生銀行危機的概率約為46.97%，沒有必要進行逆周期超額資本的釋放。

關鍵詞：逆周期超額資本釋放機制 KLR模型 實證分析

中圖分類號：F830

文獻標識碼：A

文章編號：1004-4914（2015）12-015-02

逆周期超額資本是監管當局可以運用的一系列宏觀審慎工具之一，在金融繁榮期的計提能夠降低銀行因信貸過度投放而積累的系統性風險，并在金融衰退期通過釋放在保證銀行清償能力的前提下防止銀行信貸過度緊縮。逆周期超額資本的釋放作用機制為：在金融衰退期監管當局通過釋放逆周期超額資本以彌補貸款損失和降低信貸投放成本，從而降低銀行信貸緊縮造成實體經濟狀況惡化給銀行帶來的風險。然而，我國《商業銀行資本管理辦法（試行）》中并未明確說明逆周期超額資本的釋放機制，因此有必要對這一問題進行研究。

一、文獻綜述

《巴塞爾協議Ⅲ》提出逆周期超額資本的計提要求后，國內外相關學者進行了大量研究，然而對逆周期超額資本釋放的研究并不多見，多數學者進行了預警指標法的研究。預警指標法指通過選擇對衰退期或銀行危機有較好預警效果的指標作為預警指標或掛鉤變量來為逆周期超額資本的釋放提供指示的方法。Drehmann等（2011）提出，逆周期超額資本釋放的指示變量應當能夠準確識別金融衰退期，并對宏觀經濟、銀行部門行為、融資成本三方面的指標進行實證分析后發現識別效果均不理想。Drehmann和Juselius（2012）首次引入負債比率這一指標，研究發現負債比率在系統性銀行危機前提供了可靠的預警信號。這為本文采用負債比率作為逆周期超額資本釋放的備擇預警指標之一提供了支持。Drehmann和Juselius（2013）采用受試者工作特征曲線的檢驗法對一系列預警指標用26個國家自1980年至2012年的數據進行了評估，發現信貸/GDP和負債比率這兩個指標滿足作為系統性銀行危機預警指標的要求。Drehmann和Tsatsaronis（2014）指出，逆周期超額資本是應對金融周期的工具，其作用是減少銀行所受銀行危機而非經濟衰退的影響。因此，逆周期超額資本的計提與釋放不必考慮所處的經濟周期，而預警指標的選擇也應當以能夠準確預測銀行危機為準。

綜上所述，研究逆周期超額資本釋放機制的文獻并不多見。本文將提出一種基于KLR危機預警模型篩選理想預警指標并評估危機發生概率的方法，進而以理想預警指標為核心建立逆周期資本釋放機制。

二、逆周期超額資本釋放時機的確定與KLR模型

正確把握釋放逆周期超額資本的時機的關鍵在于能夠正確預測銀行危機，Kaminsky等建立的金融危機預警的信號分析模型（KLR模型）提供了一種很好的方法。KLR模型的原理是選擇一系列指標并根據其歷史數據確定臨界值，當預警指標突破臨界值時就發出未來一段時間內將要發生危機的信號，這段未來的時間區間稱為信號區間。由于預警信號發出的太早會使應對措施變得高費且低效，發出的太晚則會使效果嚴重受制于生效時滯，因此筆者采用Drehmann（2013）的標準，選擇信號區間為預警信號發出后2～5年。

KLR模型的關鍵在于預警信號的識別， 而預警信號識別的關鍵在于臨界值的設定?？梢愿鶕肼?信號比最小化原則來確定臨界值。如果發出預警信號后2～5年內發生了銀行危機就認為預警指標發出了正確信號，否則認為發出了錯誤的信號。在某個觀察期內，設A為預警指標發出正確信號的次數，B為發出錯誤信號的次數，C為應發出而未發出信號的次數，D為不應發出也未發出信號的次數。A/（A+C）表示預警指標發出正確信號的概率，B/（B+D）表示預警指標發出錯誤信號的概率。定義噪聲-信號比為[B/B+D]/[A/（A+C）]，找到使這一比率達到最小的臨界值就是預警指標的最佳臨界值。

預警指標的取值與危機的發生之間一般存在正相關、負相關和不相關三種關系。正相關關系表示預警指標取值越大則未來發生危機的可能性越大，負相關關系則相反，不相關或相關性較小的指標不宜作為預警指標。

由于各個國家金融結構的差異，相同的預警指標在不同國家的表現可能相差甚遠，因此正確選擇和使用適合本國實際情況的預警指標非常重要。筆者選擇GDP增長率、廣義信貸增長率、信貸/GDP、負債比率、房地產價格指數和股票價格指數這六個最能反映我國經濟金融狀況的指標作為備擇預警指標，下面將分別予以介紹：GDP增長率即國內生產總值增長率，異常的高于長期趨勢的GDP增長率背后很可能是激增的信貸，這表明銀行業已經積聚了很高的系統性風險。廣義信貸即包括私人部門的所有債務資金來源，由于銀行危機爆發前往往經歷著信貸持續高增長，因此信貸增長率可能會成為針對銀行業危機的十分有效的預警變量。信貸/GDP是用于計提逆周期超額資本的參考指標，它對于金融繁榮期的識別效果較好，但對于金融危機衰退期，尤其是銀行危機的預警效果有待檢驗。負債比率這一指標最早用于銀行危機預警指標的檢驗。負債比率表達式為DSR=i*D/Y。i表示平均貸款利率，D表示總貸款存量，Y表示總收入。這一復合指標可以反映融資成本，從而體現銀行所面臨的壓力狀況，高于長期趨勢的負債比率可能意味著銀行存在較高的系統性風險。房地產價格指數反映房地產價格在不同時期的漲跌幅，股票價格指數用于描述股票市場總的價格水平變化，它們都可以反映金融的繁榮或衰退。以上6個指標相對長期趨勢的偏離度與危機的發生之間都存在正相關關系。

根據噪聲—信號比最小化原則確定臨界值之后，將預測正確率表示為R=A/（A+B）。預警指標應當達到2/3以上的預測正確率，這是為了保證銀行危機預測的準確性和穩定性。選擇滿足這個要求的備擇預警指標作為逆周期超額資本釋放機制的預警指標之一。因為預測正確率反映的是某指標突破臨界值后未來銀行危機發生的頻率，所以當樣本較多時可以將其看作是對未來銀行危機發生的概率P的近似，即P=A/（A+B）。

筆者建立逆周期超額資本釋放機制如下：當滿足條件的預警指標有k個時，設它們反映未來發生銀行危機的概率分別為P1、P2，…，Pk。則將各預警指標結合預測未來銀行危機的發生概率為P*=1-（1-P1）（1-P2）…（1-Pk）。

三、實證分析

因數據的可得性，筆者采用年度數據進行實證分析。在本文中認為我國發生銀行危機的日期為1998年。筆者選取中國1980-2013年的GDP增長率、廣義信貸增長率、信貸/GDP、負債比率、房地產價格指數、股票價格指數六個指標進行篩選。數據來源于Wind數據庫和世界銀行網站，由筆者計算整理。將各指標進行平滑因子為100的HP濾波處理得到其長期趨勢，并用各指標取值減去對應時間的趨勢值得到偏離度后計算確定臨界值。

經過計算，GDP增長率的臨界值為0.062，廣義信貸增長率的臨界值為-0.002，信貸/GDP的臨界值為-0.14，負債比率的臨界值為0.016，房地產價格指數的臨界值為-8.5，股票價格指數的臨界值為-570。其中滿足預測正確率要求的指標只有GDP增長率與負債比率。因此，筆者選擇GDP增長率與負債比率兩個指標構建我國的逆周期超額資本釋放機制。因為每次新加入數據后HP濾波趨勢會發生改變，所以每次進行預測時都要在加入當年數據后結合歷史數據重新進行HP濾波處理篩選預警指標。

根據上文所述方法，我國逆周期超額資本釋放機制設計為：設P1為GDP增長率預測的銀行危機發生率，P2為負債比率預測的銀行危機發生率，那么未來2～5年內發生危機的概率可以估計為P*=1-（1-P1）（1-P2）。根據計算，2013年GDP增長率偏離度為-0.02，預測危機發生概率約為1/6，負債比率偏離度為0.025，預測危機發生概率約為4/11。于是得到2013年后2-5年發生銀行危機的概率P*=1-（1-1/6）（1-4/11）=31/66=46.97%，說明未來發生銀行危機的可能性不大，監管當局可以保持觀察而不采取行動。

四、結論

逆周期超額資本的作用是在金融繁榮期通過計提一定的超額資本降低銀行因信貸過度投放而積聚的系統性風險。當銀行危機前銀行已受到壓力時，通過已釋放出的逆周期資本吸收損失，并降低因信貸供給減少而帶來的風險，從而提高銀行的抗風險能力和生存率。

本文提出一種基于KLR模型篩選理想預警指標和評估未來銀行危機發生概率的方法，并以滿足預測正確率要求的預警指標為核心建立我國的逆周期資本釋放機制。在采用本文方法對逆周期超額資本釋放的必要性進行判斷時，有條件者可采用季度數據進行分析，這樣可以提高臨界值的精確度與預測正確率，以助于更好地對未來發生銀行危機的概率進行評估。另外，監管當局在進行決策時還需要綜合考察其他相關信息，以利于做出正確的決策。

參考文獻：

[1] Drehmann，M， C Borio and K Tsatsaronis， Anchoring countercyclical capital buffers： the role of credit aggregates[EB/OL]， International Journal of Central Banking， no 7， November， 2011.

[2] Drehmann，M and M Juselius， Do debt service costs affect macroeconomic and financial stability [EB/OL]， BIS Quarterly Review， 21-34， September， 2012.

[3] Drehmann，M and M Juselius， Evaluating early warning indicators of banking crises： satisfying policy requirements[EB/OL]， International Journal of Forecasting， forthcoming （also BIS Working Papers， no 421）， August， 2013.

[4] Drehmann，M and K Tsatsaronis， The credit-to-GDP gap and countercyclical capital buffers： questions and answers[EB/OL]， BIS Quarterly Review， 55-73， March， 2014.

[5] Laeven， L and F Valencia， Systemic banking crises database： An update[EB/OL]， IMF Working Paper， WP/12/163， June， 2012.

（作者單位：山西財經大學財政金融學院 山西太原 030006）

（作者簡介：范瀚文（1990—），男，山西太原人，研究方向：金融工程與風險管理）

（責編：李雪）