宏观杠杆率、影子银行规模与银行体系稳定性

内容提要：“去杠杆”、“强监管”和“防风险”是新时期经济社会发展中的关键任务。本文选取2010-2018年季度数据构建微观审慎监管视角下的银行体系稳定性指数，分析检验我国宏观杠杆率、影子银行规模对银行体系稳定性的时变影响机制。研究显示：我国银行体系稳定性总体呈震荡向下趋势，由稳定阶段逐渐转向当前高度不稳定阶段。进一步地，采用时变参数向量自回归模型（TVP-VAR）实证研究发现：我国宏观杠杆率与影子银行规模对银行体系稳定性的冲击响应具有时变特征和时滞效应。宏观杠杆率与影子银行规模之间存在相互促进的非线性动态关系，二者叠加会对银行体系产生不利冲击。中长期内，宏观杠杆率过快攀升会加重银行体系不稳定，杠杆率适度波动一定程度上有利于银行体系稳定;短中期内，影子银行的适当扩张给稳定银行体系产生积极影响，但过度膨胀会形成长期持久的负向冲击。鉴于此，现阶段我国应加强经济去杠杆、影子银行监管及银行风险防范多重政策目标之间的有效协同，以维护金融体系稳定。

关键词：宏观杠杆率;影子银行;银行体系稳定;主成分分析;TVP-VAR

中图分类号：F830.1文献标识码：A文章编号：1001-148X（2020）03-0074-11

收稿日期：2019-10-14

作者简介：吴立力（1982-），男，重庆北碚人，四川大学经济学院金融经济学博士研究生，研究方向：金融理论与实践。

基金项目：国家社科基金项目，项目编号：18XJY020。

一、引言

2008年国际金融危机以来，受“四万亿”经济刺激计划影响，我国宏观杠杆率持续飙升、影子银行规模急剧扩张，已成为当前影响银行业稳定乃至金融系统安全的重要因素。相关数据显示：2018年末，我国非金融部门杠杆率为254%，较2008年上升78.3%，远高于全球同期的2.5%①;影子银行存量规模高达48万亿元，2008年以来年复合增长率约25%[1]。与此同时，我国银行业稳健经营能力正逐年弱化、行业风险开始积聚。2018年末，我国银行业资产利润率与不良贷款率分别为0.9%、1.83%，已连续7年出现下降和上升②;2019年以来，包商银行因严重信用风险被接管、锦州银行因流动性风险被迫战略重组等风险事件的爆发，加剧了各界对银行业风险承担水平的担忧。实体经济高杠杆是宏观金融脆弱性的根源，而跨市场、跨业态、跨区域的影子银行是我国面临的一个重要金融风险[2]。

事实上，我国杠杆率上升与过度依赖银行间接融资、资金使用效率偏低、过剩产能占压大量资金以及货币信贷政策过度工具化等因素密切相关[3]，高杠杆率可能引发流动性风险和偿付性风险，增加银行业危机发生概率。中国式影子银行本质上是与银行贷款相同的信用货币创造行为[4]，具有期限错配、结构复杂、产品嵌套、监管套利、过度创新、高关联性等高风险特征，广泛且密切的同业资金往来更增加了影子银行与商业银行之间系统性风险的溢出传染效应[5]。为应对债务杠杆率与影子银行规模螺旋式上升对金融稳定的负面冲击，近年来中国政府出台了一系列针对性措施。2015年底，中央经济工作会议提出将“去杠杆”作为供给侧结构性改革重要任务，守住不发生系统性金融风险和区域性风险的底线;2017年初，政府工作报告指出要积极稳妥推进去杠杆，把降低企业杠杆率作为重中之重;2018年4月，中央财经委员会以“结构性去杠杆”思路分部门、分债务类型提出不同要求，实现宏观杠杆率稳定和逐步下降。为防止影子银行的风险溢出传染，国务院及金融监管部门颁布先后实施了“国务院107号文”、“券商资管33号文”、“信托99号文”、“人民银行127号文”等政策措施，逐步将影子银行纳入监管体系。2018年12月，中央经济工作会议确定“三大攻坚战”的首要任务就是要打好防范化解重大风险攻坚战，重点要防控金融风险。

种种迹象表明，“去杠杆”、“强监管”和“防风险”仍然是新时期经济社会发展中的热点问题和关键任務。那么，在外部风险因素不断积聚的背景下，我国银行体系内生稳定性究竟如何，呈现什么样的运行轨迹和演进趋势？宏观杠杆率与影子银行规模“双高”现象背后具有怎样的交互机制和联动特征，二者对银行体系稳定性的动态影响和冲击效应具体如何，在不同经济发展阶段和政策环境下是否存在结构性突变？上述问题的研究，有助于认识和把握当前结构性去杠杆、影子银行监管与银行风险防范等多重政策目标之间的内在逻辑关系，能够为相关部门的决策提供借鉴参考，具有一定的理论价值和实践意义。

二、文献回顾

基于对全球金融危机产生根源的反思，学术界及政策当局逐渐认识到宏观债务及影子银行风险传染的严重危害，围绕杠杆率、影子银行对金融（银行）稳定的影响，从宏观和微观两个视角，通过定性分析、定量分析及计量检验等多种方法进行了广泛研究，相关文献梳理如下：

（一）宏观杠杆率对银行稳定性的影响

从全球范围看来，学者们普遍认为适度的杠杆率可以通过优化全社会金融资源配置来降低金融体系风险，但高杠杆率及经济长期繁荣之后的去杠杆容易引起周期性的“繁荣-崩溃”现象，甚至触发金融危机，因而对金融体系稳定性具有显著的负面影响[6-8]。就中国而言，宏观杠杆率绝对值过高、增长速度过快，对银行业稳定及金融风险防范产生了不利影响。如陆婷（2015）[9]认为中国非金融企业债务占GDP之比大幅提升，已成为金融稳定的隐患，使得金融体系对外生冲击敏感，显著增加了债务危机概率;苟文均等（2016）[10]利用扩展的CCA模型，对债务杠杆与系统性风险传染机理进行分析，发现债务杠杆率上升会推高宏观经济各部门的风险水平，使风险积聚于金融部门;董小君等（2017）[11]指出在经济下行周期背景下，高杠杆率会导致系统性风险，作用机制表现为风险放大效应、逆向淘汰效应和风险传导效应。

（二）影子银行规模对银行体系稳定性的影响

影子银行通过期限转换、信用转换和流动性转换与商业银行各类业务之间交叉形成复杂关系，其对正规银行体系的影响效应不能简单判定。一方面，由于监管模式滞后、资金过度投向高风险领域、资金期限错配问题等，影子银行会加剧银行体系的不稳定性。如Krugman等（2008）[12]认为影子银行复杂多样的金融创新产品，规避传统监管，增加了银行业风险;Gorton等（2010）[13]认为影子银行的期限错配及高杠杆操作，加大了流动性风险和信用违约风险，应加强资产证券化等引导和监管来防范金融体系可能出现的风险;李向前等（2013）[14]基于我国2000-2012年经济数据，运用VAR模型研究发现影子银行系统使我国金融稳定性有所降低;郭娜等（2018）[15]发现影子银行融资利差增大、房地产需求扩张等会使商业银行资金转向影子银行，加大银行业系统性风险。另一方面，影子银行与银行体系稳定性之间不是简单线性关系，可能存在“阈值效应”和“期限效应”。如毛泽盛等（2012）[16]发现影子银行发展之初，能增加银行体系稳定性，超过阈值后又会降低银行体系稳定性;张亦春等（2014）[17]指出影子银行发展在短期内会增强商业银行的稳健性，但长期效应影响程度较小;涂晓枫等（2016）[18]认为在影子银行业务规模较小和银行间关联度较低时，影子银行可通过风险共担降低系统性风险，但规模扩张会通过风险传染效应增加银行系统性风险;方先明等（2017）[19]通过TVP-VAR模型发现影子银行规模扩张有利于金融资源均衡配置，短期内有利于金融稳定，对金融稳定的负面溢出效应具有时滞性。

（三）宏观杠杆率与影子银行规模之间的关系

相比之下，学者们对宏观债务与影子银行的相互关系问题关注较少，研究尚不充分。实际上，影子银行系统作为传统银行信贷的替代，与债务杠杆率紧密相联。作为一种信用中介，影子银行运用与正规银行类似的期限转换和相对更高的杠杆率为实体经济融资，推动了实体经济的发展[20]。胡志鵬（2016）[21]认为影子银行业务是与商业贷款等量齐观的信用形式;林琳等（2016）[22]发现贷款融资的杠杆率远低于社会融资的杠杆率，在传统信贷之外存在较大的影子银行信贷规模，通过建立包含影子银行的DSGE 模型的研究表明，影子银行以资产和资金转移的方式从商业银行获得信贷，使风险传递路径更加复杂，而宽松的信贷政策会激发商业银行进一步扩大影子银行规模;汤铎铎（2017）[23]认为影子银行体量过大推高了全社会杠杆率，要加强对影子银行业务和金融创新的监管达到去杠杆目的;刘澜飚等（2018）[24]认为影子银行通过更快的信贷扩张，导致私人部门杠杆率增加，加剧了后金融危机时期的债务积压。

总的来看，已有研究从理论和实证两方面，就宏观杠杆率、影子银行如何影响金融或银行稳定的相关问题展开了充分讨论，但仍存在以下不足：一是偏重于考察三者中两两间的单向联系，鲜有文献对我国宏观杠杆率上升与影子银行扩张之间的关系进行探讨，更没有文献系统研究二者联动对于银行稳定性的影响机制;二是研究方法上以线性模型和静态分析为主，对变量间非线性、时变性等特征因素考虑不足，未能从不同时期和特定背景下识别变量间的动态关联机制。鉴于此，本文可能的边际贡献如下：第一，基于我国银行业盈利放缓、风险上升的特征事实，构建微观审慎监管视角下的银行业体系稳定性指数，聚焦于银行业经营管理层面的内生稳定性受宏观债务与影子银行双重冲击的响应机制;第二，首次采用TVP-VAR模型从时变演化视角，对宏观杠杆率与影子银行之间的动态关联关系加以刻画，系统考察二者联动对银行稳定性的冲击响应，并解析该非线性影响效应的时变特征和期限效应，为“去杠杆”、“强监管”和“防风险”等政策措施之间的有效协同提供经验支持;第三，将杠杆率波动作为内生变量引入模型，从宏观杠杆率的静态水平和动态波动两个维度对比冲击效应的差异，有利于客观评价去杠杆政策的实施效果。

三、我国银行体系稳定性指数的测度及分析

（一）指标体系构建

在评价银行稳定性或脆弱性时，多数学者选用宏观经济金融因素和银行业财务绩效相结合的综合指标体系，但由于宏观经济变量对银行稳定性的影响符号难以确定，指标数量过多又导致对银行业内生稳定性的评价效果不佳。为克服以上不足，本文从银保监会对银行业微观审慎监管视角出发，立足商业银行“盈利性、安全性、流动性”三性原则，从信用风险、市场风险、流动性风险、盈利能力、资本充足水平五个维度选取13个二级指标构建银行体系稳定性指数（BSSI），通过银行业微观层面经营管理行综合反映银行业内生稳定性，指标详见表1。银行体系稳定性指数的拟合方法包括主成分分析法、因子分析法、方差权重法、熵值法、赋值法等。为避免多元回归分析的多重共线性，摈弃指标权重赋值主观性，利用SPSS软件通过主成分分析法实现指数拟合。样本区间为2010年第4季度至2018年第4季度，共33期，数据来源于中国银行保险业监督管理委员会③和Wind数据库。

（二）拟合银行体系稳定性指数

第一步，相关数据的标准化处理。由于不同数据之间存在量纲差异，为确保BSSI获得更好的拟合效果，选择Min-Max方法对基础性指标数据进行“标准化”处理，将其转换为 ＼[0，1＼]之间的变动序列，进而统一指标量纲。转换函数表达式如下，对于正向指标和负向指标分别使用（1）式和（2）式进行转换。

yit=xit-minxjmaxxj-minxj（1）

yit=maxxj-xitmaxxj-minxj （2）

（1in，1jn）

yit为指标i标准化后t期的数值，minxj和maxxj分别为样本指标i的最大值和最小值。

第二步，模型适应性评价及主成分提取。对我国银行体系稳定性水平综合评价时序数据表中各变量的相关系数矩阵进行分析，采用具有Kaiser标准化的正交旋转法，使因子载荷值尽量向 0和1两极偏离，经4次迭代后，结果趋于收敛。KMO检验和Bartlett球体检验结果显示P值分别为0.764和0.000，表明适合主成分分析模型。按照累计方差贡献度和特征值大于1的原则提取3个主成分，其方差贡献率分别为69.579%、11.107%、8.017%，方差累积贡献率达到88.703%，充分反映了13个指标的主要信息，因此保留3个主成分。

第三步，确定银行稳定性指数的拟合公式。利用3个主成分（F1、F2、F3）各自方差贡献率除以方差累积贡献率，得到相应权重分别为0.78、0.16、0.09。因此，银行稳定性指数BSSI=0.78F1+0.16F2+0.09F3，以此计算出2010-2018年季度BSSI值，结果详见表2 。

（三）我国银行体系稳定性水平的变动趋势

参考刘金全等（2017）[25]的判别基准，本文运用主成分均值加上0.5倍标准差的方式，得到银行体系稳定状态的阈值为0，BSSI指数为正向指标，数值越大意味银行业稳定程度越高。同时，借鉴Kibiritcioglu（2002）[26]对银行业稳定程度临界区间划分标准：即BSSI指数在（-0.5，0）时，银行体系处于轻度不稳定时期;在（-1，-0.5）时，银行体系处于中度不稳定时期;在（-∞，-1）时，银行体系处于高度不稳定时期。与之相反，BSSI指数在（0，0.5）时，银行体系处于轻度稳定时期;在（0.5，1）时，银行体系处于中度稳定时期;在（1，∞）时，银行体系处于高度稳定时期。此外，对季度BSSI值使用Census X-12方法进行季节调整，然后取平滑参数λ=10000，进行H-P滤波法去缺口分析。如图1，BSSI曲线表示季节调整过的季度银行业稳定指数曲线，Trend曲线表示趋势线，Cycle曲线表示银行业稳定指数缺口，即实际银行业稳定指数与趋势之间的差异，反映了银行业稳定性的周期波动水平。

如表2，样本期内，我国银行体系有12个季度处于不稳定时期，高度不稳定时期有4个季度;另外21个季度处于稳定时期，其中2个季度处于高度稳定时期。从动态变化轨迹来看，我国银行业BSSI值总体呈现出震荡向下的发展趋势，银行体系逐渐由稳定阶段转向不稳定阶段，但具有明显的阶段性特征。2010年4季度至2012年3季度BSSI值为正，该时期内银行体系穩定性较强，以国有银行股份制改革为核心的金融改革红利效应的充分释放，使得银行业盈利水平和风险抵御能力处于历史上最好时期。BSSI值在2012年4季度至2017年1季度期间正负交替，我国经济进入“新常态”发展阶段，“三期叠加”矛盾开始显现，银行稳定性出现双向波动态势。BSSI值在2017年2季度至2018年4季度期间始终为负且不断扩大，随着宏观经济下行压力加大，银行体系逐渐进入高度不稳定阶段，防范化解金融风险成为当前金融工作重点。

从图1可以看出，趋势项（Trend）呈现一条斜率为负的曲线，银行业稳定性处于逐季降低的变化趋势中;周期性成分（Cycle）显示BSSI缺口波动水平逐渐增大，分别在2012年4季度、2014年4季度及2017年4季度有一个高点，在2011年3季度、2014年4季度及2018年3季度有一个低点。本文采用主成分分析法拟合的BSSI指数较好反映了我国银行业经营发展实际，与经验事实基本相符，具有较强的应用价值。

四、宏观杠杆率、影子银行规模对银行体系稳定性的时变影响机制

宏观杠杆、影子银行对银行体系稳定性的影响具有非线性特征，随着经济金融形势变化及宏观调控政策变迁，影响效应呈现异质性和阶段性，在时变框架下考察上述变量间的作用关系更有实践价值。为此，本文选择Primiceri（2005）[27]提出的时变参数向量自回归模型（TVP-VAR）进行实证研究。该方法假设模型中的参数均服从一阶随机游走过程，其系数矩阵、随机扰动项的方差协方差矩阵均具有时变性，可以计算任意时点上的冲击反应，以捕捉模型滞后结构的时变特征和非线性结构变动，并估计出所有时点变量间的同期关联系数及脉冲响应路径。同时，该模型不区分内生与外生变量，能够避免传统模型设定上的先验错误。

（一）TVP-VAR模型

TVP-VAR模型的一般设定形式为：

yt=Xtβt+A-1t∑tεt，t=s+1，…，n（3）

Xt=Ik（y′t-1，…，y′t-s），表示克罗内克积（4）

其中，相关系数βt（N2 S*1维向量），联立参数At（N * N维向量）和随机波动的协方差矩阵∑t（N * N维向量）均随时间变化而变化。

根据Primiceri（2005）和Nakajima（2011）[28]的方法对时变参数进行处理，以σt表示∑t对角元素矩阵，使αt表示At中非0和非1元素矩阵（At按行堆积），即αt=（α21，α31……αn，n-1）′，同时ht=（h1t，……hnt）′且hjt=logσ2jt，j=1，…，n， t=s+1，…，n。

假设参数服从随机游走过程：βt+1=βt+μβt，αt+1=αt+μαt，ht+1=ht+μht，且

εtμβtμαtμht～N0，I，0，0，00，∑β，0，00，0，∑α，00，0，0，∑h，t=s+1，…，n（5）

其中，βs+1～N（μβ0，∑β0），αs+1～（μα0，∑α0），hs+1～N（μh0，∑h0）。

参考Nakajima（2011）做法，将参数初始值设定为μβ0=μα0=μh0=0，

Σβ0=Σα0=Σh0=10*I，设置对应的参数先验分布为（Σβ）-2i～Gamma（20，10-4），（Σα）-2i～Gamma（4，10-4），（Σh）-2i～Gamma（4，10-4），其中，（Σβ）i、（Σα）i、（Σh）i分别为方差对角矩阵中的第i个元素;βt 刻画滞后项对于当前项的非线性影响，αt刻画变量之间同期影响的时变性，ht刻画外生的随机扰动。对于模型估计方法，Nakajima（2011）认为采用马尔科夫链蒙特卡罗（MCMC）方法估计更为有效，能够克服由于随机波动为非线性导致似然函数难以获取的问题。

（二）指标选取及数据说明

本文涉及四个代理变量，分别为宏观杠杆率（FL）、宏观杠杆率波动率（FVOL）、影子银行规模（SB）、银行体系稳定性（BSSI）。为确保变量量纲上统一，均进行了定基化处理，样本期为2010年第4季度至2018年第4季度。

1.宏观杠杆率（FL）。作为衡量经济主体负债水平和债务可持续性的评价指标，常用测算方法包括国内私人部门债务余额/GDP 、社会融资余额/GDP、M2/GDP等，以上三种杠杆率是相通的，它们的增长路径较为类似[29]。鉴于数据权威性和连续性，选取国际清算银行（BIS）数据库中的“国内私人部门债务余额/GDP”作为宏观杠杆率代理变量。

2.宏观杠杆率波动率（FVOL）。首先对宏观杠杆率绝对值（FL）求HP滤波，得到其周期波动项（CYCLE）后取绝对值得到宏观杠杆率波动率（FVOL）=|CYCLE|，FVOL数值越大表示对应杠杆率波动程度越大，以此来分析去杠杆对银行稳定性的溢出效应。

3.影子银行规模（SB）。综合我国影子银行组成部分的代表性和数据可得性，参照穆迪公司对我国影子银行核心构成的测算方式，借鉴温信祥和苏乃芳（2018）[30]的研究，用委托贷款、信托贷款与未贴现银行承兑汇票之和表示影子银行存量规模，并以“影子银行规模存量/社会融资规模存量”作为影子银行规模代理变量。需要说明的是，中国人民银行于2002年开始公布社会融资规模增量，本文将2002年以来各期影子银行规模增量加总后得到存量规模，数据来源于中国人民银行网站。

4.银行体系稳定性（BSSI）。选用前文拟合的银行体系稳定性指数作为代理变量。

（三）实证结果分析

借助Oxmetrics6软件，将宏观杠杆率（FL）、杠杆率波动率（FVOL）、影子银行规模（SB）与银行业稳定性指数（BSSI）四个变量同时纳入TVP-VAR模型进行回归估计。采用Nakajima（2011）的估计方法，利用MCMC法连续抽样10000次，其中前1000次作为预烧（burn-in）阶段抽样。根据AIC信息准则及SC准则，确定模型最优滞后阶数为2阶。

1.参数估计结果

为避免实证模型出现伪回归，先对各变量进行平稳性检验。如表3，ADF检验显示，四个原序列均不平稳，但经一阶差分后四个变量均在1%的显著性水平上平稳，即宏观杠杆率（FL）、杠杆率波动率（FVOL）、影子银行规模（SB）和银行业稳定性指数（BSSI）四个序列是I（1）过程。

图2中给出了样本的自相关图、样本路径和后验分布的密度函数。自相关图表明在舍弃了最初的1000次抽样后，样本自相关系数下降并且在0附近波动，可以判定样本取值方法能有效产生不相关的样本。另外，样本路径比较稳定，MCMC算法有效模拟了参数分布状况。

表4中列出参数估计结果，包括后验分布均值、标准差、95%置信区间以及收敛诊断值（Geweke）和无效因子（Inef.）。各参数的后验均值均在95%的置信区间里，收敛诊断值（Geweke）均小于5%显著性水平下的临界值1.96，表明收敛于后验分布的零假设不能被拒绝，预烧期已能够使马尔科夫链趋于集中。无效因子最大值为42.03，即进行的10000次有效模拟相当于至少有个不相关样本（10000/42.03≈237.92），充分满足后验推断要求。以上检验表明TVP-VAR模型估计结果可信，即宏观杠杆率及波动率、影子银行规模和银行业稳定性指数之间存在时变影响关系。

2.脉冲响应函数分析

TVP-VAR模型的参数具有时变特征，可以生成等间隔脉冲响应函数和时点脉冲响应函数。等间隔脉冲响应函数用于观察在特定时间间隔条件下，给予自变量1单位标准正向冲击后因变量的变化情况;时点脉冲响应函数侧重于观察某个特定时点给予自变量1单位标准正向冲击后，因变量随时间推移的变化情况。本文选取4期（1年）滞后、8期（2年）滞后和12期（3年）滞后三个等时间段，代表短期、中期和长期的等间隔脉冲响应。此外，时点脉冲响应函数选取了2014年第1季度和 2016年第1季度作为特定时点，主要基于以下考虑，一是2013年以来银监会“8号文”和国务院“107号文”的下发，使得中国影子银行模式由以理财产品、通道业务、非标资产等为主转变为以同业业务、委外投资、债券等标准化资产为主的模式，2014年初正是影子银行新旧模式的切换点;二是中央经济工作会议2015年底明确将“去杠杆”作为供给侧结构性改革的重要任务，杠杆率增速自2016年开始放缓。以上两个时点充分反映了特定背景下宏观杠杆率及影子银行对银行稳定性的影响效应。

（1）宏观杠杆率与影子银行规模间的脉冲响应分析。由图3a和图3c的等间隔脉冲响应函数所示，在不同滞后期内，宏观杠杆率对影子银行规模（εFL→SB）的脉冲响应系数以及影子银行规模对宏观杠杆率 （εSB→FL）的脉冲响应系数均为正值，影响程度随时间间隔不同有所差异，长期的正向效应最为强烈、中期次之，短期最弱。从时点脉冲响应函数看来，如图3b和图3d，在两个特定时点下，宏观杠杆率与影子银行规模相互冲击的效应均为正向，动态演进路径基本相似，效应强度随时间推移而加速扩大。相比而言，宏观杠杆率对影子银行规模的正向冲击比影子银行规模对宏观杠杆率的正向冲击更为明显。同时可以看到，2010年至2014年期间，宏观杠杆率与影子银行规模之间的促进作用处于不断扩大阶段，原因主要是该时期扩张性的货币政策、刺激性的信贷政策以及相对温和的金融监管环境;2015年至2018年期间，经济去杠杆的推进及影子银行业务的规范，宏观杠杆率和影子银行规模的上涨势头均得到抑制，二者的正向效应逐渐减弱并趋于平稳。

综上可知，我国宏观杠杆率与影子银行规模之间存在相互促进的非线性动态关系，并且呈现出显著的期限效应和阶段性特征。具体影响机制可以从两方面进行解释：一方面，宏观杠杆率上升对影子银行规模扩张具有“溢出效应”。杠杆率升高时，金融监管部门会严格限制贷款流向房地产行业、地方融资平台等高杠杆领域，商业银行则通过腾挪表内外资产等方式绕道监管进行套利，上述机制使得影子银行的需求和供给均会增加。另一方面，影子银行的“加速效应”又推高了宏观杠杆率。影子银行作为实体经济融资渠道时，资产平均回报率高于正规金融体系中的资产回报率，导致影子银行贷款利率与銀行传统信贷正常利率之间存在融资溢价，因此，影子银行体系的财务成本会加重宏观部门的债务总额。以企业部门为例，融资约束使得高风险企业在高预期利润驱动下倾向于影子银行融资，但财务费用和利息支出的增加降低了企业的净值，加快企业杠杆率上升速度。

（2）宏观杠杆率对银行体系稳定性的脉冲响应分析。由图4a的等间隔脉冲响应函数可见，宏观杠杆率对银行体系稳定性冲击（εFL→BSSI）的短期脉冲响应系数接近于0，影响关系极不敏感;中期与长期的脉冲响应系数均为负，滞后12期的长期负向效应最为强烈，两个时期内均表现为“U”型趋势，响应值从2010到2015年急剧下降，在2015年末达到极小值后到2018年之间开始缓慢上升。进一步观察时点脉冲响应函数，如图4b，两个不同时点的响应系数在第2期衰减至0后随时间的推移持续扩大，这与等间隔脉冲响应函数的结果一致，即宏观杠杆率对银行体系的负面影响主要体现在中长期。因此，我国宏观经济杠杆率过高总体上不利于银行业稳定，冲击响应存在时变性和时滞性。

产生时变性原因主要在于宏观经济形势变化和去杠杆政策的实施，使得宏观杠杆率对银行体系稳定性的负向冲击效应发生结构性改变。2010-2015年期间，我国宏观杠杆率累计上升56.3个百分点，债务规模激增使得部分行业产能过剩、地方隐性债务、房地产泡沫等风险因素不断积累，加剧了银行机构信贷风险聚敛程度;但2015年末供给侧结构性改革实施以来，宏观杠杆率高速上扬势头得到抑制，2018年较2015年仅增长了14.7个百分点，对银行体系稳定性的负面影响逐渐减弱。此外，我国为应对金融危机采取的信贷刺激在短期内避免了经济陷入衰退，但杠杆率大幅上升使实体经济债务积压、还本付息的偿债成本不断加大，企业债务违约风险概率显著提升，长此以往，高杠杆率会对银行体系稳定性造成严重的负面冲击。

（3）宏观杠杆率波动率对银行体系稳定性的脉冲响应分析。如图5a的等间隔脉冲响应函数，由宏观杠杆率波动率对银行体系稳定性的冲击（εFVOL→BSSI）可以发现：短期脉冲响应较小，以2015年为分界点实现由负向效应向正向效应的转换，但两阶段的影响程度均非常微弱;在中长期内，脉冲响应系数总体为正，运行轨迹表现为“先上升后下降”的“驼峰”态势，响应在2016年达到最大，2017年以来趋向于0，正向效应开始边际递减。从两个时点的脉冲响应来看，如图5b所示，宏观杠杆率波动率对银行体系稳定性的冲击效应在0到4期处于正负交替过程中，自第4期后保持稳定的正向效应，并随时间推移持续扩大。由此可见，中长期内我国杠杆率波动一定程度上有利于银行体系稳定，影响效应同样存在时变性和时滞性。

理论上讲，杠杆率波动反映了债务与产出比值对于均衡水平的偏离程度，杠杆率双向宽幅波动会造成经济系统失衡，损害银行体系稳定性。从全球经验来看，如果整个金融体系陷入“去杠杆化”进程，则有可能导致持续的信贷紧缩和流动性枯竭，继而发生经济和金融危机[31]。但我国宏观杠杆率波动并未引致银行业危机，一定程度上促进了银行体系稳定，产生这一现象的原因可能在于中央政府坚持将“去杠杆”、“防风险”与“稳增长”作为兼顾的政策目标统筹推进，一方面，对预算软约束的地方融资平台、国有企业以及房地产行业等高风险领域坚决压降杠杆率，“坏杠杆率”的降低有效减缓了银行业外部风险的冲击压力;另一方面，加强金融体系宏观审慎与微观监管，通过偿付性风险与流动性风险的前瞻性管理，抑制去杠杆过程中银行机构与实体经济之间风险交叉传染，防止产生了“处置风险的风险”。

（4）影子银行规模对银行体系稳定性的脉冲响应分析。如图6a，在不同滞后期，影子银行规模对银行体系稳定性（εSB→BSSI）的等间隔脉冲响应曲线的运行走势基本相同，而脉冲响应的冲击方向有所区别，短期和中期表现为正向响应，长期则为负向响应，脉冲响应在2013-2015年期间出现了时变波动幅度较大的情况，并于2015年后趋于平稳。如图6b，两个时点的脉冲响应曲线具有非常相似的动态路径，均呈先升后降的倒“V”形态势，在第2期达到峰值后从第10期开始迈入负向区域。由此可见，影子银行扩张在短中期内能够促进银行体系稳定，其规模过度膨胀的负向效应体现在长期。

从我国影子银行发展实践来看，影子银行体系为实体经济注入了大量流动性，通过传统表内信贷和债券以外的融资尤其是“信贷出表”模式，中短期内无疑缓解了银行业的资产负债压力，对银行稳健经营具有积极作用。但影子银行无序发展和规模过度膨胀，会密切金融机构之间的风险交织，弱化宏观经济政策传导的有效性，其高昂的成本还会引发逆向选择和道德风险等问题，这些都不利于银行体系长期稳定。同时，影子银行基础资产期限一般在3个月以上，银证、银信、银基、银保等“类信贷”产品从发行到兑付大多在2年以上，固有的期限错配增大了流动性风险，其对正规银行体系的风险传染具有一定时滞性。此外，2014年以来监管当局为厘清影子银行业务边界，密集实施了多项影子银行监管政策，进一步细化同业业务政策以及明确理财资金投向和风险拨备要求，这在一定程度上规范了影子银行发展，使其长期负面影响随时间推移逐步收敛。

（5）稳定性检验。为确保实证结果的稳健性，首先是采取替换变量法，将反映杠杆率水平的核心变量替换为“非金融企业部门债务余额/GDP”进行验证;此外，为验证时点脉冲响应函数的稳健性，随机选择2015年第1季度和2017年第1季度两个时点进行脉冲响应分析。两种方法重复上述实证检验得到的结果与前文基本一致，因此，TVP-VAR模型估算结果稳定可信④。

五、结论及启示

本文选取2010-2018年的季度数据，运用主成分分析法拟合了微观审慎监管视角下的银行体系稳定性指数，并通过时变参数向量自回归模型，实证检验了我国宏观杠杆率、影子银行规模对银行体系稳定性的时变影响机制，主要结论如下：

（1）样本期内，我国银行体系有12个季度处于不稳定时期，21个季度处于稳定时期，稳定性总体呈震荡向下趋势，稳定性逐渐由稳定阶段转向高度不稳定阶段，BSSI值自2017年第2季度以来持续为负且不断扩大，当前阶段银行业稳健经营形势尤为严峻。（2）宏观杠杆率与影子银行规模之间存在相互促进的非线性动态关系，但宏观杠杆率对影子银行规模的正向效应强度更为明显，二者叠加的负面冲击会加重银行体系不稳定。（3）宏观杠杆率及波动率、影子银行规模对银行体系稳定性的冲击响应具有时变特征和时滞效应。中长期内，宏观杠杆率过高会增加实体企业债务违约概率，给银行体系稳定性带来负面影響;杠杆率适度波动尤其是降低低效率、高风险部门的“坏杠杆率”，一定程度上有利于银行体系稳定。短中期内，影子银行规模的适当扩张对银行体系稳定具有积极影响，但过度膨胀的长期负面效应仍然显著，适宜的监管政策通过规范影子银行发展使得负面冲击趋向于收敛。

本文的政策启示在于：第一，银行业自身要完善公司治理机制，加强资产负债的匹配管理，实施全面风险管理策略，提升服务实体经济效率，不断增强抵御外部风险冲击的经营能力。第二，中央政府应保持去杠杆政策的稳定性和持续性。严防政府融资平台、房地产行业以及国有企业等高杠杆领域的债务风险，不断提升经济杠杆利用效率，抑制杠杆率持续攀升对银行业稳定的长期负面冲击。同时，坚持以注册制改革为核心加快发展多层次的直接融资体系，打破我国长期以来的金融抑制困局，通过社会融资渠道多元化，实现宏观杠杆率总量稳定和结构优化。第三，监管部门要充分认识影子银行风险传导的时滞效应，持续推进影子银行的穿透式管理。在打破刚性兑付、强化信息披露、建立风险预警机制等前提下，引導影子银行资金合理流动，发挥影子银行在拓宽投融资渠道、完善市场化定价、优化金融资源配置等方面的积极作用，推动银行体系长期健康发展。最后，要防范“经济去杠杆”与“影子银行监管”相互促进的叠加效应对银行体系的负面冲击。决策层应兼顾不同银行的风险承受能力、实体经济的融资需求及宏观经济金融形势变化，避免因监管过严、流动性收紧影响银行业稳健经营。

注释：

① 资料来源：国际清算银行（https：//www.bis.org/）。

② 资料来源：中国银行保险业监督管理委员会（http：//www.cbirc.gov.cn）。

③ 中国银监会从2010年第4季度开始公布季度商业银行主要监管指标情况表（法人），数据权威性和代表性较好，该时期正好覆盖了稳健货币政策实施以来时间范围。

④ 限于篇幅，未罗列相关图表。

参考文献：

[1] 李文喆.中国影子银行的经济学分析：定义、构成和规模测算[J].金融研究，2019（3）：53-71.

[2] 周小川.守住不发生系统性金融风险的底线[M]//党的十九大报告辅导读本.北京：人民出版社，2017.

[3] 马建堂，董小君，时红秀，等.中国的杠杆率与系统性金融风险防范[J].财贸经济，2016（1）：5-21.

[4] 孙国峰，贾君怡.中国影子银行界定及其规模测算—基于信用货币创造的视角[J].中国社会科学，2015 （11）：92-110.

[5] 李丛文，闫世军.我国影子银行对商业银行的风险溢出效应—基于 GARCH-时变 Copula-CoVaR 模型的分析[J].国际金融研究，2015（10）：64-75.

[6] Reinhart， C.and Rogoff，K.Debt and Growth Revisted[R].MPRA Paper， 2010b， No.24376.

[7] Bhattacharya S，Goodhart C，Tsomocos D，et al.Minskys Financial Instability Hypothesis and the Leverage Cycle[J].Electronic Journal，2011（2）.

[8] Avgouleas E.Bank Leverage Ratios and Financial Stability： A Micro and Macroprudential Perspective[R].Levy Economics Institute Working Paper，2015.No.849.

[9] 陆婷.中国非金融企业债务：风险、走势及对策[J].国际经济评论，2015（5）：54-65.

[10]苟文均，袁鹰，漆鑫.债务杠杆与系统性风险传染机制—基于 CCA 模型的分析[J].金融研究，2016（3）：74-91.

[11]董小君.我国杠杆率水平、系统性风险与政策体系设计[J].理论探索，2017（2）：5-15.

[12]Krugman，P.The Return Of Depression Economies and the Crisis Of 2008[M].New York，W.W，Norton&Co.，2008.

[13]Gorton，G.，Metrick，A.，Tarullo，D.K.Regulating the Shadow Banking System[J].Brooking Papers on Economic Activity，2010.41（2）：261-312.

[14]李向前，诸葛瑞英，黄盼盼.影子银行系统对中国货币政策和金融稳定的影响[J].经济学动态， 2013（5）：81-87.

[15]郭娜，马莹莹，张宁.我国影子银行对银行业系统性风险影响研究—基于内生化房地产商的DSGE模型分析[J].南方经济，2018 （8）：29-46.

[16]毛泽盛，万亚兰.中国影子银行与银行体系稳定性阈值效应研究[J].国际金融研究，2012（11）：65-73.

[17]张亦春，彭江.影子银行对商业银行稳健性和经济增长的影响—基于面板VAR 模型的动态分析，投资研究[J]，2014 （5）：22-33.

[18]涂晓枫，李政.银行的影子：风险分担还是风险传染[J].当代经济科学，2016 （2）：20-29.

[19]方先明，谢雨菲，肖寒.影子银行规模波动对金融稳定的溢出效应[J].经济学家，2017（1）： 79- 87.

[20]Stein J.C..Incorporating Financial Stability Considerations into a Monetary Policy Framework：A Speech at the International Research Forum on Monetary Policy＼[R＼].Board of Governors of the Federal Reserve System （US）， 2014，No.796.

[21]胡志鹏.“稳增长”与“控杠杆”双重目标下的货币当局最优政策设定[J].经济研究，2014（12）：60-71..

[22]林琳，曹勇，肖寒.中国式影子银行下的金融系统脆弱性[J].经济学（季刊），2016（2）：1113-1136.

[23]汤铎铎，张莹.实体经济低波动与金融去杠杆—2017 年中国宏观经济中期报告[J].经济学动态，2017（8）：4-17.

[24]刘澜飚、马珊珊.金融危机、影子银行与债务问题[J].南开学报（哲学社科版），2018（2）：42-49.

[25]刘金全，潘长春，刘达禹.经济增长、货币供给对银行体系脆弱性的时变影响机制研究[J].社会科学战线，2015（12）：51-55.

[26]Aykut， Kibritcioglu.Excessive risk-taking， banking sector fragility， and banking crises[R].NBER Working Paper Series，2002：266.

[27]Primiceri， G.E. Time Varying Structural Vector Autoregressions and Monetary Policy[J]. Review of Economic Studies，2005， 72（3）：821-852.

[28]Nakajima，J. Time-varying Parameter VAR Model with Stochastic Volatility： Anoverview of Methodology and Empirical Applications[J]. Monetary and Economic Studies，2011（29）：107-142.

[29]劉晓光，张杰平.中国杠杆率悖论—兼论货币政策“稳增长”和“降杠杆”真的两难吗？ [J].财贸经济，2016 （8）：5-19.

[30]温信祥，苏乃芳.大资管、影子银行与货币政策传导[J].金融研究，2018（10）：38-54.

[31]马勇，田拓，阮卓阳，等.金融杠杆、经济增长与金融稳定[J].金融研究，2016（6）：37-51.

Macro Leverage Ratio， Shadow Banking Scale and Banking System Stability：

An Empirical Study based on TVP-VAR Model

WU Li-li

（School of Economics， Sichuan University， Chengdu 610065，China）

Abstract：“Deleveraging”， “strong supervision” and “risk prevention” are the key tasks in the economic and social development in the new era.This paper selects the quarterly data of 2010-2018 to construct the banking system stability index from the perspective of micro prudential regulation， and analyzes and tests the time-varying impact mechanism of China′s macro leverage ratio and shadow bank scale on the banking system stability.The research shows that the overall stability of China′s banking system shows a downward trend of shocks， from the stable stage to the current highly unstable stage.Furthermore， the empirical study of TVP-VAR shows that the impact response of macro leverage ratio and shadow bank scale on the stability of banking system has time-varying characteristics and time lag effect.There is a non-linear dynamic relationship between macro leverage and shadow banking scale， and the combination of them will have an adverse impact on the banking system.In the medium and long term， the excessive rise of macro leverage will aggravate the instability of the banking system， and the moderate fluctuation of leverage will be conducive to the stability of the banking system to a certain extent; in the short and medium term， the appropriate expansion of shadow banks will have a positive impact on the stability of the banking system， but the excessive expansion will form a long-term negative impact.In view of this， at this stage， China should strengthen the effective coordination among the multiple policy objectives of economic deleveraging， shadow banking supervision and bank risk prevention in order to maintain the stability of the financial system.

Key words：macro leverage ratio; shadow banking; banking system stability; principal component analysis; TVP-VAR

（责任编辑：周正）