宏观经济不确定性、银行异质性和信贷供给

张 琳，廉永辉，辛兵海

（南开大学经济学院，天津 300071）

宏观经济不确定性、银行异质性和信贷供给

张 琳，廉永辉，辛兵海

（南开大学经济学院，天津 300071）

本文研究了宏观经济不确定性对银行信贷供给的影响。首先基于GARCH模型构造出我国宏观经济不确定性指标，在此基础上应用89家商业银行1998－2012年非平衡面板数据，实证检验了宏观经济不确定性对不同银行信贷供给的异质性影响。分析表明，无论在统计意义还是在经济意义上，宏观经济不确定性增加均会显著降低银行信贷增速，并且资本越充足、资产流动性越高、规模越大的银行受影响越小。

宏观经济不确定性;资本充足率;资产流动性;银行规模

一、引 言

金融危机期间，尽管各国政府向市场注入大量流动性，但不少国家银行体系仍出现流动性囤积现象。除交易对方风险上升外，导致流动性囤积的另一个原因在于当时宏观经济不确定性较高，银行无法准确掌握信贷资产的风险收益分布，因而采取更为保守的经营策略［1］。事实上，除反映宏观经济状况的一阶矩变量（如经济增长和货币政策）可作用于银行信贷供给［2－3］，宏观经济的二阶矩变量即宏观经济不确定性也对其具有重要影响［4］。然而，目前有关宏观经济不确定性影响的文献主要集中在探讨其对非金融类企业的资本结构、流动性管理和投资决策等方面的影响［5－7］，明确探讨其对银行信贷行为影响的文献仍属少数。较有代表性的研究包括:Talavera et al.［8］从宏观经济不确定性会降低贷款质量的假设出发，通过一个企业价值最大化模型证明宏观经济不确定性较高时银行的最优策略是降低贷款投放。Valencia［9］的模型则表明，宏观经济不确定性增加了银行破产的概率，风险中立的商业银行将启动自我保险机制、降低信贷增速。两篇文献分别采用了乌克兰和美国银行业数据实证检验了模型推论，结果均表明宏观经济不确定性上升能显著抑制银行信贷供给。值得注意的是，不同微观特征的银行对宏观经济不确定性的反应程度存在差异。Talavera et al.［8］通过将银行按规模分组，发现小银行组对宏观经济不确定性的反应更强烈。Valencia［9］则考察了资本充足水平不同的银行对宏观经济不确定性的异质性反应，结果发现资本充足率越低的银行信贷紧缩程度越大。

近年来也有国内学者注意到宏观经济不确定性对商业银行的影响，如邱兆祥和刘远亮［10］研究了宏观经济不确定性在银行资产配置中所起的作用，发现宏观经济不确定性增加时，银行贷款占资产比率截面分布方差减小。这说明我国银行业在宏观经济不确定性上升时会呈现群体性的信贷供给降低现象，但邱兆祥和刘远亮［10］缺乏对不同微观特征商业银行异质性反应的详细分析。鉴于此，本文将研究我国商业银行贷款供给对宏观经济不确定性的异质性反应。首先通过对月度工业增加值增速和宏观经济景气指数中的领先指数建立自回归条件异方差模型，利用模型预测的条件方差构造了宏观经济不确定性指标;然后应用我国89家商业银行1998－2012年的非平衡面板数据，实证检验了宏观经济不确定性对银行信贷供给的影响。结果表明，随着宏观经济不确定性增加，银行信贷增速显著减缓，并且宏观经济不确定性对银行信贷供给的解释能力约为货币政策解释能力的一半，说明宏观经济不确定性因素同时具有经济意义上的显著性。最后，为识别出贷款增长中的供给方因素，本文考察了银行微观特征变量与宏观经济不确定性的交互影响，研究发现银行资本越充足、资产流动性越高、规模越大，宏观经济不确定性对信贷供给的抑制作用越弱。

本文的贡献和特点主要体现在以下两个方面:第一，首次从宏观经济不确定的角度研究宏观经济状况对我国银行信贷的影响，不仅对其进行了统计意义上的定性分析，还就其影响力度进行了经济意义上的定量分析;第二，通过银行微观特征与宏观经济不确定性的交互项识别出了宏观经济不确定性对信贷供给产生影响的银行贷款渠道，明确了宏观经济不确定性对信贷增速的边际效应如何受银行微观特征影响。本文结论与研究货币政策“银行信贷渠道”的文献具有相通之处，一般认为较高的银行资本、流动性和较大的规模能减弱货币政策对信贷供给的影响［6，11］，本文则发现上述微观特征也有助于银行抵抗宏观经济不确定性带来的负面冲击，这说明资产负债表较为稳健的银行受货币政策、宏观经济不确定性等外部冲击的影响较小。本文研究不仅丰富了宏观经济不确定性相关的文献，也提醒相关部门重视对我国宏观经济不确定性的管理工作，并从资本充足率、流动性等方面进一步加强我国商业银行的稳健性。

文章的结构安排如下:第二部分梳理了相关文献并提出了研究假设;第三部分对计量模型设定、变量构造、样本选取进行描述说明;第四部分报告了回归结果，并进行多组稳健性的检验;最后是结论和政策建议。

二、文献综述和理论分析

（一）宏观经济不确定对银行信贷供给的影响

理论研究方面，Talavera et al.［8］借鉴企业投资理论的托宾Q模型，构造了一个代表性商业银行最大化企业价值的动态局部均衡模型，其中企业价值等于未来各期股息的贴现值加总。在假设信贷回收率是宏观经济不确定性的减函数的前提下，推出宏观经济不确定性增加，银行贷款占资产比率下降的结论。Valencia［9］构造了一个与借款人和储户签订既定信用契约的商业银行实现自身利益最大化的模型，其中借款人的产出受一个代表宏观经济不确定性的随机参数的影响。模型在有限责任和信息不对称的前提下推出，宏观经济不确定性增加了银行破产概率，风险中立的商业银行将启动自我保险机制，降低信贷增速。归纳起来，宏观经济不确定性增加时，一方面银行和企业间信息不对称程度加剧，信贷资产定价准确性下降，可能出现的较大偏差会给银行带来严重损失;另一方面企业在经济形势不明朗时，较易出现投资决策或经营方向失误，银行面临的违约风险增加，不良贷款率会有所提高，出于维持良好业绩的目的，商业银行在不确定性加大时倾向于采取稳健经营的保守策略。

实证研究方面，Talavera et al.［8］通过对乌克兰货币指标、物价指数、股票指数构造GARCH模型，获得了8个宏观经济不确定性指标，然后采用乌克兰商业银行2001－2005年的季度数据进行了实证检验，发现以货币指标和物价指数构造的不确定性指标对银行贷款占比具有显著负向影响。Valencia［9］利用专家预测报告中对实际GDP增长率的预测数据和信贷客户经理意见报告中对是否提高信贷标准的预期数据，计算出预测值的截面离差作为衡量宏观经济不确定的指标，并结合美国商业银行1984－2010年的季度数据进行了计量分析，发现宏观经济不确定性显著降低信贷增速。

综合两方面研究，本文提出假说H1:宏观经济不确定性增加时，商业银行会降低信贷供给。

（二）宏观经济不确定性、银行异质性与银行信贷行为

一是银行资本。银行资本对银行信贷决策的重要性体现在以下三个途径:第一，融资便利途径。资本充足的银行破产概率低，更容易从市场获得融资［12］。宏观经济不确定性增大时，信息不对称更加严重，资本对商业银行维持债权人信心的价值更大，因而资本充足银行能更好规避融资约束对其信贷业务的不利影响。第二，风险抵御途径。Valencia［9］指出不确定性增加时，银行为减少破产风险、抵御经营环境的剧烈波动需要提高最优资本水平，在调整到新目标的过程中，银行信贷有所减少。银行初始资本低于目标值越多，信贷调整时间越长，紧缩程度越大。第三，资本监管途径。宏观经济不确定性增加时，商业银行不良贷款率上升，盈余途径提取的资本金有限，加之投资者判断银行盈利前景的难度加大，银行也很难通过资本市场补充资本金，资本不足的银行被迫更大幅度地放缓信贷投放以避免未达监管要求而带来的高昂成本［13］。综上所述，我们提出假说H2a:银行资本越充足，宏观经济不确定性对信贷增速的放缓效应越小。

二是银行的流动性①银行流动性包括资产方流动性、负债方流动性和综合考虑资产负债表的结构流动性，但既有实证研究如Kashyp和Stein［3］、Valencia［9］仅关注资产方流动性。与这些文献一致，本文关注资产方流动性。。一方面，流动性充裕的银行资产变现更方便。银行持有现金、证券等流动性高、收益率低的资产，主要是考虑到它们较强的“无损失变现”能力。当出现有利的贷款机会时，银行可以迅速将流动性资产变现以支持业务发展，特别是当银行外部融资约束增大时，流动性资产的缓冲库存作用更加重要［14］。另一方面，与银行资本的作用相似，较高的流动性有助于降低银行违约风险和破产风险［15－16］，在市场约束机制有效的情况下，流动性充裕的银行较容易筹措资金。尤其是在不确定的宏观经济环境中，债权人和投资者会用脚投票，将资金投向安全的银行（flight to quality）。由此我们提出假说H2b:银行资产流动性越高，宏观经济不确定性对其信贷增速的放缓效应越小。

三是银行规模。规模因素对银行信贷决策的影响体现在以下三个方面:第一，大而不倒效应。大型银行受到政府较强的隐性担保，并且由“大而不倒”导致的市场约束扭曲使大银行更具融资优势［17］，所以与中小银行相比可能在不确定性环境中承担较多风险，表现为贷款供给降低幅度较小。第二，风险管理能力。大银行具备先进的软硬件设施（如网络系统、风控模型等），风险管理水平较高，能更好地利用丰富的市场经验和信息优势甄别客户类型、准确定价，在宏观经济不确定上升时大幅降低对所有客户的信贷供给的可能性较小。第三，客户资源质量。大型银行更多服务于大型企业，而大型企业具有更多优质抵押品，并且宏观经济不确定性对大企业的影响较小［18］，因此大银行信贷资产质量更为稳定。综上，我们提出H2c:银行规模越大，宏观经济不确定性对其信贷增速的放缓效应越小。

三、研究设计

（一）模型设定

1.基准模型

实证部分首先探讨宏观经济不确定性对商业银行信贷行为的影响，基本计量模型设定如下:

其中 i=1，2，…N 表示银行个体，t=1，2，…T表示年份。不可观测的随机变量αi代表个体异质性，ui，t为随个体和时间而改变的扰动项。与Valencia［9］一致，本文以贷款增长率lending反映商业银行信贷供给，定义为第t年贷款增量与第t－1年贷款余额的比值，核心解释变量为宏观经济不确定性unc，具体构造方法见下文。我们感兴趣的参数是β的符号及显著性，如果β显著为负，说明在控制了其他因素的条件下，宏观经济不确定性增加会抑制信贷供给。Zmir代表银行微观层面的控制变量。按照“camel法则”，我们控制了银行资产规模、流动性、资本充足率、经营效率和盈利能力。资产规模size以银行总资产的自然对数衡量，大银行信贷基数大，一般增速较低，预期size符号为负。资产流动性lr以流动性资产占总资产的比例衡量，流动性资产作为银行的缓冲库存（buffer stock）有助于银行抓住有利的投资机会，预期其系数为正。鉴于样本中仅少数银行具有较长时段的资本充足率指标，为减少样本损失，我们借鉴 Altunbas et al.［19］的做法，以银行权益资产比eta作为资本充足率的替代指标。eta越高意味着银行信贷扩张时受监管限制的可能性越低，预期其系数为正。成本收入比cti为营业费用与营业收入之比，营业费用增加或营业收入下降均可导致cti上升，但营业费用增加可能由于银行扩张业务，而营业收入下降则可能由于银行缩减业务，所以cti与lending的关系不确定。盈利能力以资产收益率roa衡量，银行为维持较高盈利必须保证一定的放款速度，预期其系数为正。除此之外，资产质量也是银行放贷必须考虑的因素，为此我们控制了不良贷款率npl，不良贷款率上升时，银行为控制风险会更为谨慎，预期其系数为负。考虑到信贷供给还受到资金来源的制约，我们还控制了存款增速depo，预期其系数为正。最后，银行上市后融资渠道拓宽，有利于信贷业务发展，故设置虚拟变量list，如果t时期银行已上市取1，否则取0，预期其系数为正。为减轻模型可能存在的内生性问题，除list外的微观特征变量均取一期滞后。

Zmac代表宏观层面的控制变量集合，主要包括实际经济增长率gdp和广义货币M2增长率m2。既有文献多采用gdp作为信贷需求的替代变量［20］，由于贷款需求的顺周期性，预期其系数为正。根据货币政策的“银行贷款渠道”理论，扩张性的货币政策将增加银行信贷投放，故预期m2符号为正。

为进一步减轻模型可能存在的遗漏变量问题，我们还控制了另外两个变量。一是银行业市场集中度指标cr4，以工、农、中、建四大国有商业银行总资产占银行业总资产比重衡量。二是时间趋势项。由于模型中已经包含了经济增长率、M2增长率和宏观经济不确定性等宏观变量，而这些变量已经在一定程度上控制了时间效应［6］，因此本文没有加入年度虚拟变量来估计双向固定模型①由于unc、gdp、m2可以写成年度虚拟变量的线性组合，加入年度虚拟变量后，这些变量的估计系数显著性降低。，而是通过加入时间趋势项t控制其他未考虑的、随时间改变的因素。

2.交互项模型

模型（1）中显著为负说明宏观经济不确定性可以抑制信贷投放，但信贷投放的降低既可能是出于银行本身对经济形势不明朗的主动应对行为（供给方途径），也可能是宏观经济的不确定性降低了企业和家户的信贷需求所致（需求方途径）。在基础模型中引入unc与的交互项有助于识别出供给方因素的影响。在信贷仅由需求方主导的情况下，不同微观特征银行的信贷行为对宏观经济不确定性的反应应该没有明显差异，但如果交互项系数显著不为零，说明了供给因素确实在起作用［9］。

在考察中国货币政策的“银行贷款渠道”时，徐明东和陈学彬［20］考虑了资本充足状况、流动性水平和银行规模与货币政策指标的交互影响。我们也在基础模型中引入权益资产比、资产流动性和银行规模与不确定性指标的交互项，扩展模型如下:

我们关注的参数是ω1、ω2和ω3，它们反映了不同微观特征银行的信贷供给对宏观经济不确定性的反应程度，若三个参数显著大于零则假说H2a、H2b和H2c分别成立。

（二）宏观经济不确定性指标

宏观经济不确定性的常见测度方法有三种:一是标准差法，即以宏观经济变量的标准差（或方差）测度不确定性［21］。二是模型法，即利用宏观经济变量的时间序列构建计量模型估计不确定性，最常使用的是GARCH或ARCH模型［22］。三是调查法，即通过调查人们对宏观经济的预期，以期望值分布的离差测度不确定性［9］。其中标准差法简单易行，但没有剔除波动率中可预测部分;调查法得到的结果最符合不确定性的定义，但数据较难获得，且往往因预测者的主观因素易造成较大测量误差。相比之下，使用GARCH或ARCH模型得到的条件方差利用了上一期的信息集，是不确定性较为理想的代理变量［22］②对于GARCH模型得到的不确定性指标也有一定的批评意见，如Jurado et al.［23］就认为这种基于模型测度不确定性的方法实际上是度量了波动而非不确定性。本文与Talavera et al.［8］一致，不具体区分宏观经济波动性与宏观经济不确定性。。相关研究中 GARCH（1，1）模型能够较好地刻画时间序列数据，因此本文也采用其模型预测得到的条件方差测度宏观经济不确定性。

获得。如果模型估计结果中GARCH项和ARCH项系数（即α0和α1）均显著，则h^t可以作为宏观经济不确定的代理变量。本文样本区间为1998年到2012年，与邱兆祥和刘远亮［10］一致，我们对月度工业增加值序列dipi估计了具有不同水平方程的GARCH（1，1）模型③月度工业增加值增速在2007年之后缺失每年一月份的数据，按照EIU Country Data数据库的处理办法，将其取值赋为当年二月工业增加值增速。，结果显示水平方程设为AR（2）时模型ARCH项和GARCH项均显著（见表1），故我们使用 AR（2）－GARCH（1，1）模型的预测条件方差dipih作为宏观经济不确定性的代理变量。此外，考虑到银行根据事前不确定性做出信贷决策，使用含有预期因素的宏观经济序列得到的宏观经济不确定性指标可能更具吸引力。为此我们对宏观经济景气指数中的先行指数lead估计了GARCH（1，1）模型，从而获得了反映宏观经济不确定性的第二个指标leadh①正文选择的是AR（1/2）－GARCH（1，1）模型，其它情况下（如水平方程设为AR（1）、lag（1）、lag（1，2））也可得到显著的ARCH项和GARCH项，且预测得到的条件方差序列走势基本一致。篇幅所限，未将具体估计结果列出。。图1显示，两个指标走势基本一致（相关系数为0.815，在1%的水平上显著），其中2003年和2009年出现的高峰值反映了“非典”和本次金融危机带来的较大不确定性，而1998年leadh的大幅上升一定程度反映了1998年亚洲金融危机的影响。

表1 dipi序列的GARCH（1，1）模型估计结果

图1 月度宏观经济不确定性:1998－2012

（三）样本选择和数据描述

本文在数据整理的过程中，首先采用银行年报补充了Bankscope数据库的相关缺失值，并且在此基础上剔除了缺乏连续四年总资产观测值的银行，最终选取1998－2012年间的89家商业银行的年度非平衡面板数据作为研究样本。按照银监会的分类标准，研究样本包括5家大型国有银行，10家全国性股份制商业银行，60家城市商业银行，14家农村商业银行和农村合作银行。从样本银行的地理分布范围来看，样本涵盖了全国20个省、自治区和直辖市;从样本银行总体规模上看，截至2012年底，样本银行占所有银行类金融机构总资产的70.86%、总负债的71.03%，因此，本文所选样本具有良好的代表性。实际GDP增速和M2增长率的年度数据、月度工业增加值增长率和月度宏观经济景气指数均来自中经网。

我们应用Eviews7.0对月度宏观经济不确定性指标进行频率转换，得到年度宏观经济不确定性指标。为防止异常值对估计结果的干扰，对所有连续型变量在其分布的1%和99%的位置上进行缩尾处理，表2为主要变量的描述性统计。银行平均贷款增速为21.24%，最小值为负则表明一些银行出现过信贷紧缩的情况;不良贷款率最大值高出平均值近20倍，表明一些银行资产质量差、信用风险高;流动性资产占比均值为25.84%，大于加拿大和美国一共65家商业银行样本的流动性资产占比均值19.26%［16］，整体而言我国银行资产流动性较高。客户存款增速均值为22.85%，略高于贷款增速;作为银行主要的稳定资金来源，存款增长大体能满足信贷业务发展需求;权益资产比极差为30.81%，表明银行资本金补给能力差异较大。此外，银行成本收入比最大值高达88.98%，资产收益率最小值为－1.385，表明一些银行经营效率和盈利能力较差。此外我们考察了变量之间的相关系数②本文变量较多，篇幅所限，未将相关系数矩阵报出。，发现解释变量之间相关系数的绝对值多数在0.4以下，因此 基准模型中的多重共线性问题并不严重。

表2 全样本变量统计性描述

四、实证结果和分析

本节将首先估计模型（1）以检验宏观经济不确定性对银行贷款的影响，其次通过模型（2）探讨银行资本、流动性和规模所起的调节作用。最后稳健性检验部分则主要考虑核心变量的不同度量方式、核心变量的滞后效应和样本范围变更的影响。

（一）基准模型

首先，选择估计方法。比较极端的策略是要求所有个体都拥有完全相同的回归方程，即采用混合回归（Pooled－OLS）;相比而言，较为常见的方法假定每个个体的回归方程中斜率相同，但截距不同。进一步地，如果表征个体异致性的ai与某个解释变量相关，则适用于固定效应模型（FE）;如果ai与所有解释变量均不相关，则应使用随机效应模型（RE）。本文先通过最小二乘虚拟变量方法（LSDV）估计模型，构造F统计量检验ai=0（i=1，2，…n），结果拒绝了原假设，说明模型存在固定效应。其次，通过估计随机效应模型，通过用于检验过度识别约束的Wald统计量，发现个体异质性与解释变量不相关 E（Xi，tai）=0，（i=1，2，…n）这一约束不成立，说明随机效应模型不适用①固定效应模型要求模型扰动项与解释变量不相关。相比之下，随机效应模型还要求个体异质性与解释变量不相关，因此可以通过检验这一多余的约束是否成立来选择模型估计方法。相比传统的hausman检验，这种方法在面板数据存在异方差条件下仍然稳健。。因此，本文最终选择了固定效应模型。为减少扰动项不规则带来的问题，所有回归均采用了聚类稳健的标准差。

表3列示了两种度量指标下模型（1）的估计结果，其中第1、3列仅控制与银行异质性无关的市场结构变量与宏观经济变量，第2、4列进一步加入了银行微观特征变量。四组回归中，我们最为关注的unc符号均显著为负，且控制银行微观特征后宏观经济不确定性对银行信贷的抑制作用更强。结果表明，宏观经济不确定性增加时，商业银行会放缓信贷增速，假说H1得到验证。

宏观层面控制变量中，gdp对信贷增速有负向影响，但估计系数均不显著。其原因是我国银行业信贷投放一定程度上受到中央及各地政府的干预，承担着部分逆周期调控责任，所以信贷增速表现出经济周期上行时下降、下行时提高的逆周期现象［24］。m2对信贷增速有显著的正向影响，与经济理论相符。cr4符号显著为负，原因是较高的市场集中度意味着大部分银行所占市场份额低，信贷业务受制于有限的客户资源因而增长缓慢;随着市场集中度的下降，银行业竞争程度不断提升，为争夺市场份额提升盈利水平，商业银行会放松信贷标准以加快信贷投放。此外，时间趋势变量符号为负，但并不显著。

表3 基本模型估计结果

微观特征变量方面，eta和lr对银行信贷增速的影响显著为正，在银行和债权人及投资者间信息不对称情况下，资本充足程度和流动性水平具有显示银行风险状况的信号发送作用。随着利率管制放松、银行次级债市场发展等改革因素的推动，市场约束机制在不断强化，流动性及资本充足状况良好的商业银行更易为信贷等业务发展筹措资金，表现出更高的信贷增速。size的系数显著为负，表明大银行由于资产基数大信贷增速低于小银行，从而表现出“大银行资产多、小银行发展快”的特点，黄宪和熊启跃［25］、潘敏和张依茹［26］也得出类似结果。cti系数为正，但不显著，虽然成本收入比过高意味着银行经营管理效率低下，但成本费用中用于布置网点、构建信息系统的资本开支和用于提高员工积极性、增加企业人力资本的人工成本开支对扩展银行业务、提升银行效率非常重要，特别是目前大部分银行均处于成长期，增加的成本收入比更可能显示了银行不断增强的业务发展能力，所以对信贷增速有一定正向影响。鉴于信贷是商业银行的主要盈利资产，高盈利水平会激励银行更多放贷，所以roa符号为正［27］。npl与信贷增速显著负相关，不良贷款过多降低了银行资产质量和盈利能力，也会使银行承受较大监管压力，而不得不放缓信贷投放以避免更多损失和监管惩罚。depo与信贷增速显著正相关与商业银行“以存定贷”的经营策略有关。list系数为正（不过这一关系并不显著），其原因可能在于公开上市有助于银行补充资本金进而扩张信贷。

从unc估计系数的方向和显著程度上，可以发现宏观经济不确定性对银行贷款增速具有显著的负向影响。这种负向影响是否同时具有经济意义上的显著性?一种方法是计算其他变量不变的情况下，unc指标增加一个标准差对银行信贷行为指标影响的大小。表4显示，unc一个标准差带给lending的变动超过全样本lending均值的11%和标准差的18%，说明宏观经济不确定性确实对银行贷款供给具有较大程度的影响。

在明确了宏观经济不确定性对银行贷款增速影响的“绝对额”之后，可以进一步得到宏观经济不确定性影响的相对大小。我们借鉴Israeli［28］、Huettner and Sunder［29］，采取基于夏普里分解的方法量化了宏观经济不确定性因素和其他因素对拟合优度的贡献。将影响银行贷款增速的因素分为宏观经济不确定性、宏观经济因素（具体又分为货币政策和其他宏观经济因素）、微观特征因素和其他因素（对应于模型的扰动项）四类，分别针对表3各列的组内R2进行分解①固定效应模型得到组内估计量，故我们对组内R2进行分解。，结果见表5。

表4 宏观经济不确定性对银行贷款增速的影响程度

表5 宏观经济不确定性对银行贷款增速的贡献度（%）

表5显示，解释变量中银行微观特征因素对银行信贷增速的解释力较大（超过25%），这与表3中加入银行微观特征的模型R2较高相对应。货币政策的作用次之（超过22%），其次是宏观经济不确定性因素（超过11%）。通过比较四组模型下宏观经济不确定性因素和货币政策因素的解释力，可知宏观经济不确定性因素对银行贷款增速的解释力约为货币政策解释力的50%。综上可知，宏观经济不确定性对银行信贷供给的负向影响同时具有统计意义和经济意义上的显著性。

（二）交互项模型

在表6中各控制变量符号与基准模型基本一致，故不予重复讨论。在第1－6列中，我们分别加入了 unci，t× etai，t－1、unci，t× lri，t－1和 unci，t× sizei，t－1，发现资本越充足、流动性越高、规模越大的银行，宏观经济不确定性对其信贷供给的影响越小，从而分别验证了假说H2a、H2b和H2c。表6第7－8列则同时控制了三组交互项，发现与基础模型相比，各变量系数大小发生了一定变化，但符号基本保持不变。们关注的参数 ω1（unci，t× etai，t－1的系数）、ω2（unci，t× lri，t－1的系数）和 ω3（unci，t× sizei，t－1的系数）显著为正，表明资本充足、资产流动性高和规模较大的银行对宏观经济不确定性的敏感度较低。根据表6的第7列和第8列估计结果，我们绘制了宏观经济不确定性对银行贷款增速的边际影响随银行微观特征变化的图像（图2和图3），更为直观地验证了假说H2a－H2c。以图2中第一幅小图为例，直线上下方的柱形确定了边际影响95%的置信区间，其中直线斜率为正，表示随着银行权益资产比上升（横轴数字分别为 etai，t－1的1%、10%、25%、50%、75%、90%和99%分位数），宏观经济不确定性对银行信贷增速的负向影响越来越小。

图3 lending受leadh的影响随银行微观特征的变化

（三）稳健性检验

在上文计量模型的构建和回归中，我们同时采用了两组宏观经济不确定性指标，一定程度上保证了结果的稳健性。为了进一步表明本文估计结果是可靠的，我们从以下三个方面进行稳健性检验。

1.分组回归

上文使用交互项模型发现，资本越充足、流动性越高、规模越大的银行，宏观经济不确定性对其信贷供给的影响越小。为确保结论的稳健性，我们根据银行微观特征分组后进行回归。交互项方法和分组回归方法各有优缺:交互项方法对样本截面数要求较小，而且不存在分组标准的主观性问题。而分组回归方法的优点在于就我们感兴趣的一项特征而言，通过按照该特征分组回归能够得到更为清晰的结论，而且不要求各组模型具有同样的扰动项结构，但当涉及到多个特征从而需要多重分组时，需要大量的横截面数据。就本文样本而言，如果单独考察资本充足率、流动性或规模，可以使用分组方法（分为2组）;但同时考察三类微观特征的影响时，使用分组方法（分为8组）将导致各组内截面数较少而无法得到有效的统计结果。因此，此处的稳健性检验主要针对表6第1－6列进行。以按资本充足率分组为例进行说明，我们首先计算了各银行样本期间内的平均资本充足率，按照平均资本充足率由低到高的顺序排列后，再将样本等分为两组。然后对两组子样本分别估计基准模型，并检验宏观经济不确定性在两组模型中的估计系数是否相同。为节约篇幅，表7汇报了以dipih为核心解释变量的估计结果。结果表明，资本充足率较高的组、流动性较高的组和规模较大的组，受宏观经济不确定性的影响显著弱于资本充足率较低、流动性较低和规模较小的组，与交互项模型得到的结论一致。

表6 交互项模型估计结果

2.指标替换

我们从被解释变量和核心解释变量两个方面检验上文结论是否依赖于指标选择。对于被解释变量，我们以贷款增量与上期资产规模之比替换lending以反映银行信贷供给行为;对于核心解释变量，则基于标准差法利用dipi和lead序列重新计算了两个宏观经济不确定性指标dipisd和leadsd。表8列示了相关估计结果，宏观经济不确定性估计系数显著为负，而三个交叉项符号显著为正（除第一列中unct× lri，t－1在14% 的水平上边际显著）。可见，更换核心解释变量和被解释变量的度量指标并不改变基本结论，显示估计结果比较稳健。

表8 替换核心变量的稳健性检验

表9 考虑银行贷款行为滞后的动态面板估计

3.滞后效应

由于银行的风险平滑行为，贷款供给可能存在一定的持续性，因此有必要加入被解释变量的滞后项，从而得到动态面板模型。由于本文样本呈现“大N小T”的特征，因此适合采用差分GMM或系统GMM方法。由于差分GMM法会造成一定的样本信息损失，系数估计的有效性降低，而系统GMM方法同时估计包含变量水平值的原估计方程与进行一阶差分后的方程，较之差分GMM更有效，故本文将采用系统GMM估计方法。此外，本文还遵循Windmeijer［30］的建议采用两步纠偏 GMM 进行估计。为方便比较，我们还列出了Pooled－OLS和FE的估计结果。表9显示，虽然GMM方法下被解释变量一阶滞后项的估计系数处于Pooled－OLS和FE估计系数形成的区间之内，但系数并不显著。此外，尽管模型通过了干扰项自相关检验，但并未通过Sargan检验。综合上述情况，我们认为本文样本可能不适合使用动态面板模型。重要的是，即使考虑被解释变量的滞后效应，使用不同估计方法得到的结果中三个交叉项均显著为正（只有第三列unci，t×sizei，t－1系数显著性较差，p 值为16%）。结果再次表明宏观经济不确定性对银行信贷供给有负向影响，并且资本充足率、资产流动性和规模越大的银行受影响越小。

五、研究结论和启示

本文基于我国89家商业银行1998－2012年的面板数据，以GARCH（1，1）模型所得条件异方差度量宏观经济不确定性，探讨了商业银行信贷行为与宏观经济不确定性间的关系，并深入考察了银行资本状况、资产流动性和规模因素对二者关系的影响，主要研究结论及启示如下:

第一，宏观经济不确定性对商业银行信贷供给的负向影响不仅在统计意义上显著，就影响力度而言也是不容忽视的。在我国以间接融资为主的金融体系下，银行信贷是企业主要的外部融资来源，对经济发展至关重要。虽然对单个银行而言，在经济形势难以预测时放缓信贷投放避免较大亏损是一种自我保护的个体理性行为，但从银行业整体来看这种集体性的信贷收缩会危害实体经济的健康发展，最终也会影响银行业甚至整个金融体系的稳定。为此，宏观经济决策部门须尽可能减少宏观经济的不确定性:首先，构建完善的经济预警系统，密切追踪各类冲击源，尽快识别可能会对宏观经济造成不利冲击的因素;其次，积极运用货币政策和财政政策等宏观调节手段保证经济平稳运行，同时注意保持政策的连续稳定，避免政策本身成为经济不确定的来源;最后，进行全面透明及时的信息披露，为经济主体提供良好的决策环境，防止信息偏差、遗漏及延迟加剧经济的不确定性。

第二，商业银行资本越充足，资产流动性越高，规模越大，其信贷投放受宏观经济不确定性的影响越小。这一结论为银行业资本及流动性监管提供了经验证据的支持。首先，自银监会2004年颁布实施《商业银行资本充足率管理办法》以来，我国商业银行的资本状况逐渐改善，风险吸收能力不断增强;“中国版巴塞尔协议3”则进一步要求系统性重要银行达到更高标准的资本充足率要求，这对在宏观经济不确定环境下维护金融系统稳定具有积极作用。其次，2008年金融危机期间许多金融机构因遭遇融资市场挤兑陷入流动性困境，促使流动性监管被提到了和资本监管同等重要的地位，我国也将《巴塞尔协议3》中新提出的流动性覆盖率纳入了2013年10月颁布的《商业银行流动性风险管理办法（试行）》，这有助于商业银行避免经济形势不稳定导致的流动性紧缺干扰信贷业务正常运转。最后，规模较小的地方性商业银行更容易受到宏观经济不确定性的影响，鉴于它们是中小企业的重要资金来源，在地方经济发展中发挥关键作用，银行监管部门和地方政府应特别注意防范这类银行的潜在风险。同时，还应积极扶持小型城商行及农商行快速成长、增强实力，从而提高它们对宏观经济不确定性的抵御能力。

［1］Gorton G.Information，liquidity and the（ongoing）panic of2007［J］.American Economic Review，2009，99（2）:567－572.

［2］Bernanke B，Gertler M.Inside the black box:the credit channel of monetary policy transmission［J］.Journal of E－conomic Perspectives，1995（9）:27 –48.

［3］Kashyap A，Stein J.The impact of monetary policy on bank balance sheets［C］.Carnegie － Rochester Conference Series on Public Policy，1995，42（1）:151 －195.

［4］Baum C，Caglayan M，Ozkan N.The second moments matter:the response of bank lending behavior to macroeconomic uncertainty［J］. Economics Letters，2009（102）:87－89.

［5］Baum C，Stephan A，Talavera O.Macroeconomics uncertainty and firm leverage［C］.Money Macro and Finance（MMF）Research Group Conference，2005.

［6］刘博研，韩立岩.公司治理、不确定性与流动性管理［J］.世界经济，2010（2）:141 －160.

［7］王义中，宋敏.宏观经济不确定性、资金需求与公司投资［J］.经济研究，2014（2）:4－17.

［8］Talavera O，Tsapin A，Zholud O.Macroeconomic uncertainty and bank lending:The case of Ukraine［J］.Economic Systems，2012，36（2）:279 －293.

［9］Valencia F.Aggregate uncertainty and the supply of credit［R］.IMF Working Paper，2013.

［10］邱兆祥，刘远亮.宏观经济不确定性与银行资产组合行为:1995－2009［J］.金融研究，2010（11）:34－44.

［11］Kishan R，Opiela T.Bank size，bank capital，and the bank lending channel［J］.Journal of Money，Credit and Banking，2000，32（1）:121 －41.

［12］Berger A.The relationship between capital and earnings in banking［J］.Journal of Money，Credit and Banking，1995，27（2）:432 －56.

［13］蒋海，罗贵君，朱滔.中国上市银行资本缓冲的逆周期性研究:1998－2011［J］.金融研究，2012（9）:34－47.

［14］索彦峰，陈继明.资产规模、资本状况与商业银行资产组合行为——基于中国银行业面板数据的实证分析［J］.金融研究，2008（6）:21－36.

［15］Morris S，Shin H.Illiquidity component of credit risk［R］.Princeton University Working Paper，2009.

［16］Bordeleau É，Graham C.The impact of liquidity on bank profitability［R］.Bank of Canada Working Paper，2010.

［17］Kroszner R.A review of bank funding cost differentials［R］.Business Faculty Working Paper，Chicago Booth School，2013.

［18］Cobham A.Making bad decisions:Firm size and investment under uncertainty［R］.Queen Elizabeth House Working Paper，2000.

［19］Altunbas Y，Fazylov O，Molyneux P.Evidence on the bank lending channel in Europe［J］.Journal of Banking and Finance，2002，26（11）:2093 －2110.

［20］徐明东，陈学彬.中国微观银行特征与银行贷款渠道检验［J］.管理世界，2011（5）:24－38.

［21］Ghosal V，Loungani P.The differential impact of uncertainty on investment in small and large businesses［J］.Review of Economics and Statistics，2000，82（2）:338 －343.

［22］Baum C，Wan C.Macroeconomic uncertainty and credit default swap spreads［J］.Applied Financial Economics，2010，20（15）:1163 －1171.

［23］Jurado K，Ludvigson S，Ng S.Measuring uncertainty［R］.NBER Working Paper，2013.

［24］邢天才，孙进，鄢莉莉.经济周期战略对商业银行盈利能力的影响［J］.国际金融研究，2013（5）:88－96.

［25］黄宪，熊启跃.银行资本缓冲、信贷行为与宏观经济波动——来自中国银行业的经验证据［J］.国际金融研究，2013（1）:52－65.

［26］潘敏，张依茹.股权结构会影响商业银行信贷行为的周期性特征吗——来自中国银行业的经验证据［J］.金融研究，2013（4）:29－42.

［27］Bouvatier V，Lepetit L.Banks’Pro－cyclical Behavior:Does provisioning matter［J］.Journal of International Financial Markets，Institutions and Money，2008，18（5）:513－526.

［28］Israeli O.A Shapley－based decomposition of the RSquare of a linear regression［J］.Journal of Economic Inequality，2007，5（2）:199 －212.

［29］Huettner F，Sunder M.Axiomatic arguments for decomposing goodness of fit according to Shapley and Owen values［J］.Electronic Journal of Statistics，2012（6）:1239－1250.

［30］Windmeijer F.A finite sample correction for the variance of linear two step GMM estimators［J］.Journal of Econometrics，2005，126（1）:25 －51.

Macroeconomic Uncertainty，Banks'Heterogeneity and Credit Supply

ZHANG Lin，LIAN Yong－hui，XIN Bing－hai
（School of Economics，Nankai University，Tianjin300071，China）

This paper studies the impacts of macroeconomic uncertainty on the credit supply of banks.Firstly，macroeconomic uncertainty indicators are created based on GARCH model.Then，the unbalanced panel data of89 Chinese commercial banks from1998 to2012 are used to empirically test the heterogeneous effects of macroeconomic uncertainty on the credit supply of different banks.The analysis indicates that both statistatically and economically，the rise of macroeconomic uncertainty significantly reduces bank credit growth，and the effects aresmaller for banks with higher capitaladequacyratio，higher asset liquidity ratio and bigger scale.

Macroeconomic Uncertainty;Capital Adequacy Ratio;Asset Liquidity;Bank Scale

A

1002－2848－2015（04）－0060－12

2014－11－24

张琳（1991－），女，河南省新乡市人，南开大学经济学院博士研究生，研究方向:商业银行管理;廉永辉（1990－），山东省菏泽市人，南开大学经济学院博士研究生，研究方向:公司金融、商业银行管理;辛兵海（1982－），河北省保定市人，南开大学经济学院博士研究生，研究方向:财政学。

责任编辑、校对:郭燕庆