FSAP框架下我國銀行業穩定性壓力測試評估

譚校琴

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

FSAP框架下我國銀行業穩定性壓力測試評估

譚校琴

(湖南大學金融與統計學院，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，在設定的GDP和CPI輕度、重度壓力情景下，對我國銀行業整體穩定性及不同類型銀行機構穩定性進行了壓力測試。壓力測試結果表明：在兩種壓力情景下，銀行業穩定性出現顯著下降；GDP的下降對銀行業穩定性的沖擊比CPI上升所造成的沖擊更大；此外，股份制商業銀行在壓力測試下穩定性下降最為顯著，需引起高度重視。

FSAP框架； 銀行業穩定性；壓力測試

一、引言

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

壓力測試作為FSAP框架的兩大評估方法之一，旨在分析宏觀經濟變量的變動對銀行業穩定性可能產生的影響，評估因宏觀經濟金融聯系而產生的風險和脆弱性。本文的實證研究主要關注整體層面，而不是針對單個銀行機構，對我國銀行業的總體穩定性及不同類型的銀行機構進行壓力測試。嘗試通過設定壓力情景，考察我國銀行業在面對宏觀經濟沖擊時，穩定性狀況是否會發生顯著惡化。

二、宏觀壓力測試基本模型的構建

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 將一些列宏觀經濟變量及股價加入他的模型，對宏觀經濟因素的變動進行建模，并且將資產價格變動等因素引入其違約概率評估模型，這種方法對數據的廣度、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，對一系列宏觀經濟變量的敏感性與各工業部門違約概率直接建模，模擬出在宏觀經濟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，就可以得到資產組合的預期損失，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濟變量與相關的風險指標之間關系進行壓力測試。Virolainen的模型假設金融風險指標會受到宏觀經濟變量的影響，而宏觀經濟變量本身為自回歸模型，因此模型可以揭示在受到宏觀經濟沖擊時，金融風險指標的變化情況。我們運用Logit模型，以銀行體系穩定性系數為因變量，與宏觀經濟等相關變量進行多元線性回歸分析。該模型用數學方程可以表達如下：

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時的金融風險指標；Yt表示t時期銀行體系的金融穩定性系數；Xt表示宏觀經濟變量。ai則代表了各個宏觀經濟變量影響的方向和程度的參數，ri代表金融穩定性系數的參數，a0、b0為截距項，μt和εt為隨機誤差項。在這個模型中，我們假定μt和εt不存在序列相關，并且分別服從方差Σμ、協方差為Σε的正態分布。其中μt和εt相關的方差協方差矩陣為Σμ，ε。公式(1)中將用于pt轉換為Yt，公式5.2中表示銀行體系金融穩定性系數Yt及其滯后項與各宏觀經濟變量當期及滯后期之間存在線性關系。公式(2)中方程的系數可以通過歷史數據估計得出，通過情景設定；然后，構建不同的宏觀經濟沖擊，將壓力情景下所有宏觀經濟變量的估計數值代入公式(2)，從中可得到t時期銀行業穩定性系數的變化情況。公式(3)是關于各宏觀經濟變量的時間序列模型，主要用于壓力測試中，對相關的壓力情景沖擊進行模擬和預測。在實際中，各宏觀經濟因素的時間序列數據有可能存在滯后性，因此，我們分別對它們進行 P 階自回歸分析，以消除模型中的序列相關性。

三、變量的選擇及解釋

2011-2015年期間，貸款質量系數(不良貸款率)在銀行業金融穩定性綜合指數中所占的權重最大，接近50%，是影響我國銀行業金融穩定性的最主要因素。因此，本文以商業銀行不良貸款率這個指標作為金融風險指標，自變量的選取參考華曉龍(2009)、楊柳(2011)、彭建剛(2014，2015)等學者的研究，選取影響8個宏觀經濟變量和金融變量——國內生產總值增速(GDP)、消費物價指數(CPI)、社會消費品零售增速(CON)、凈出口增長率(EXP)、固定資產投資增速(INV)、廣義貨幣供應量增長率(M2)、銀行間一月期同業拆借利率(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、農行、工行、建行、交行)、5家股份制商業銀行(招行、中信、浦發、民生、光大)、5家城市商業銀行(北京銀行、上海銀行、江蘇銀行、南京銀行、寧波銀行)和3家農村商業銀行(重慶農村商業銀行、青島農村商業銀行、無錫農村商業銀行)分別代表不同類型的商業銀行，變量值選取2011 年第1 季度到2015 年第4 季度的季度數據，所有數據均來自wind資訊。

四、模型估計及結果分析

為了避免出現虛假回歸，本文對變量的時間序列進行了相應的平穩化處理。平穩性檢驗得出的結果顯示，商業銀行、大型商業銀行、股份制商業銀行、城市商業銀行和農村商業銀行的不良貸款概率通過logit 模型轉換后產生的部分Yt序列是不平穩的，因此，我們選擇在設定模型時，需要在解釋變量中加入Yt滯后一期的值。模型估計結果如1所示：

表1 模型估計結果

從表1的估計結果可以看出，宏觀經濟變量中，GDP、CPI對銀行業金融風險的影響較大，宏觀經濟變量的影響相對較小。變量GDP的系數全部為負值，表明GDP的增長對不同類型的商業銀行金融風險有顯著的降低作用，這是因為GDP增長預示著宏觀經濟較為景氣，企業盈利能力較強，財務狀況良好，因而銀行的不良貸款也相應下降。而變量CPI的系數則有正有負，總體看為正，即說明CPI的上升將會導致商業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，企業運營成本增加，盈利空間被壓縮，因此銀行不良貸款也相應增加。M2的系數全部為負值，即表明M2的上升會導致不良貸款率的提高，特別是對股份制商業銀行以及大型商業銀行的不良貸款率影響明顯。同業拆借利率對大型商業銀行不良貸款率的影響為負，對其他商業銀行的影響為正，這是因為大型商業銀行資金充足，處于同業拆借市場的拆出方，而其他商業銀行是拆入方，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銀行不良貸款率的影響較小，對不同類型的銀行機構影響正負不一。Yt滯后一期對商業銀行不良貸款率的影響為正。

五、壓力情景設計與壓力測試執行

根據表1的估計結果，本文將壓力測試情景分為兩類：一是GDP出現大幅下滑；二是CPI上升到較高水平。

(一)GDP壓力情景設計

參考前人的研究經驗，結合當前我國宏觀經濟環境，我國經濟正處于L型階段的底部，并且仍將維持一段時間的低谷，未來有可能繼續下行，我們將GDP壓力情景設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壓力情景設計

同理，參考以往的研究，根據當前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年擴大了0.4個百分點。因此，我們將CPI壓力情景設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鍵的問題，即在預測時間段內，我們已設定了GDP、CPI壓力情景，但如何得到其他宏觀經濟變量的估值。也就是說，GDP或CPI的變動，分別對其他宏觀經濟變量造成了什么沖擊。

本文借鑒了華曉龍(2009)關于壓力情景的設定方法，具體步驟如下：首先，以GDP壓力情景為例，通過歷史數據，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行回歸分析。如果GDP的系數統計性不顯著，說明GDP與該宏觀經濟變量不存在線性關系。那么對其他各宏觀經濟變量進行自回歸(即通過對各變量各自獨立的時間序列模型預測出未來趨勢)，從而得到設定壓力情境的發生時其他宏觀經濟變量的預測值，類似人為設定其他宏觀經濟變量值。如果GDP系數的統計性顯著，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系。然后我們就可以將設定的壓力情景下的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濟變量的估計值。在分別得到壓力情境下各宏觀經濟變量估計值后，將這些估計值代入多元線性回歸方程，就能得到Yt，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，需要適當引入各宏觀因素的滯后變量。然后根據t 統計檢驗值、模型擬合優度等檢驗值，來選定各模型中的最優的解釋變量。經實證發現，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于GDP增長率回歸模型，結果如表2所示：

表2 GDP及其滯后項對其他變量的回歸結果

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，各系數的 t 檢驗值以及模型的整體擬合優度比較理想，因此，我們可以用這三個方程來對GDP壓力情景下CPI、INV、CON的值進行預測。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，來構建線性回歸方程，并根據t 統計檢驗值以及模型擬合優度等檢驗值，進而可以選定各模型中的最優、最合適的解釋變量。估計結果如表4所示：

表4 CPI及其滯后項對其他變量的回歸結果

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)壓力測試的執行

通過構建壓力測試情景下銀行業穩定性評估模型，利用前面我們建立的多元線性回歸方程和Logit模型，將所有的宏觀經濟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穩定性系數的變化如下：

1、GDP壓力情景測試結果

GDP壓力情景下的測試結果如表6、表7所示：

表6 GDP壓力情景測試結果(不良貸款率變化)

表7 GDP壓力情景測試結果(Y值變化)

2、CPI壓力情景測試結果

同理，CPI壓力情景下的測試結果如表8、表9所示：

表8 CPI壓力情景測試結果(不良貸款率變化)

表9 CPI壓力情景測試結果(Y值變化)

六、壓力測試結果分析

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

分機構看，國有商業銀行在GDP和CPI壓力情景沖擊下表現最好，在GDP和CPI輕度壓力情景沖擊下，國有商業銀行不良貸款率上升幅度較商業銀行平均水平分別低0.3個和0.33個百分點，穩定性系數下降幅度較商業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，國有商業銀行不良貸款率上升幅度較商業銀行平均水平分別低3.8個和1.9個百分點，穩定性系數下降幅度較商業銀行平均水平分別低4.9個和3.9個百分點。股份制商業銀行則受到GDP和CPI壓力情景的沖擊影響最大，這可能與股份制商業銀行的業務結構、客戶資源等有關，需引起高度重視。在GDP和CPI輕度壓力情景沖擊下，股份制商業銀行的不良貸款率上升幅度較商業銀行平均水平分別高出0.67個和0.45個百分點，穩定性系數下降幅度較商業銀行分別高出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銀行平均水平分別高出3.9個和2.3個百分點，穩定性系數下降幅度較商業銀行平均水平分別下降1.3個和1.4個百分點。城市商業銀行和農村商業銀行在受到GDP和CPI壓力情景沖擊時，不良貸款率上升幅度明顯，穩定性系數下降幅度顯著，僅比股份制商業銀行受到沖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，無論是從商業銀行整體穩定性水平，還是各個不同類型的商業銀行穩定性水平，都出現了顯著的下降，銀行業的金融風險明顯上升，未來值得關注。

[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，Financial Stability Report，2004，(11).

[5] 華曉龍.基于宏觀壓力測試方法的商業銀行體系信用風險評估.數量經濟技術經濟研究[J].2009(4).