商业银行杠杆与宏观经济波动关系研究

李劲娴,杨有振,范 瑞

(山西财经大学 金融学院,山西 太原 030006)

一、引 言

习近平总书记在主持中共中央政治局第四十次集体学习时强调“金融活,经济活;金融稳,经济稳”,可见金融体系与宏观经济之间的关系,不仅影响中国经济发展的大局,更是体现了金融对中国经济的助推作用[1]。2008年金融危机以后,研究商业银行等金融机构的杠杆周期成为学者们预测经济发展形势的新视角[2-3]。关于杠杆周期,可以追溯到Geanakoplos在2010年左右的一系列研究,他认为金融机构这种繁荣期高杠杆、衰退期低杠杆的周期性特征即为杠杆周期,这类加杠杆与去杠杆的过程总是循环往复。目前,传统的中央银行主要关注利率维度,很少关注杠杆维度,才使得金融危机反复出现[2,4-5]。金融杠杆是政府杠杆、企业杠杆与居民杠杆的肇始与源头[6],而中国商业银行又处于中国金融体系的核心位置,因此商业银行杠杆变化必然对中国宏观经济产生深远影响。

很多学者从时域的角度研究了商业银行杠杆与宏观经济之间的关系。一方面,有些学者认为商业银行高杠杆会促进经济增长,而过低的商业银行杠杆由于匮乏的金融资源会影响金融体系的稳定性从而阻碍经济增长。Roulet认为商业银行降低杠杆会减少其贷款规模,较低的贷款规模会阻碍金融的进一步发展,从而影响经济增长[7]。王连军发现金融机构如果不稳定地去杠杆化则会造成银行信贷规模的萎缩,导致实体经济的发展得不到资金的支持,必然对实体经济造成负面冲击[8]。刘喜和和王晶晶利用DSGE模型发现商业银行所降杠杆力度越大,就越会冲击银行间市场的流动性,资产价格因缺乏流动性会形成螺旋式下跌,金融体系的不稳定则会放大经济波动[9]。

另一方面,绝大多数学者认为商业银行过高的杠杆会增加宏观经济的不稳定性,这种不稳定性正是由商业银行杠杆的顺周期效应所导致的。Brunnermeier等认为商业银行的高杠杆会导致资产价格的攀升从而造成流动性危机,一旦市场的流动性紧缺,商业银行业会通过贱卖资产这种去杠杆化的方式保持资产负债表的向好,却导致资产价格进一步下跌,最终导致经济危机的发生[3]。Adrian和Shin利用资产负债表模型,发现金融机构的杠杆行为具有明显的顺周期性,因此银行过高的杠杆会放大经济的波动[4]。Greenwood等认为商业银行降低杠杆会提高其风险承受能力,因此危机发生的可能性就会进一步降低[10]。项后军等通过实证研究表明中国商业银行的杠杆存在明显的顺周期性,但不同类型的商业银行之间存在一些差异。例如,大型国有商业银行的杠杆顺周期性并不十分明显,但对于较小规模的商业银行来说,其杠杆的顺周期性则高于平均水平,对宏观经济的不利影响越大[11]。汪莉认为由于中国的隐性存保比较常见,所以中国商业银行的杠杆顺周期效应会增加商业银行的风险承担,进而影响中国经济的稳定性[12]。王倩和赵铮从商业银行的融资特性解释了商业银行的杠杆顺周期性,并认为中国商业银行的杠杆倍数与经济波动呈显著的正向关系[13]。苏明政等认为中国的金融机构之间在做杠杆决策时具有“同群效应”,正是这种行为放大了金融体系内的风险,从而使经济波动很大[6]。

上述关于商业银行杠杆与宏观经济关系的相关文献得出了不一致的结论,有学者认为之所以产生分歧的原因在于样本时期的选定。何山和彭俞超给出了很好的解释:从长短期出发,商业银行杠杆调整的动态过程会对经济增长产生非对称效应,即商业银行杠杆的提高在短期内会通过增加信贷总量的方式促进经济增长,在长期内则会通过增加银行风险而抑制经济增长[14]。综上可知,仅仅通过时域得出的结果并不全面,毕竟时间序列数据是时间维度和频率维度双重作用的综合表现,因此时域的实证结果可以说是频域中各频率分量共同叠加的结果[15]。尤其对于这类有周期特征的时间序列,例如商业银行杠杆与宏观经济,要想深入探究两者之间的相互影响,就需要从周期的视角进行研究,即通过频域分析方法把握时间序列的周期波动特征。

从时间序列的频域角度探究问题时,商业银行杠杆与宏观经济的周期表现是一致的,同样存在扩张与紧缩。当从频域的角度研究这两者的相关关系时,主要包含两个方面,即共变性和非一致性[16]。一方面,两者具有共变性,即发展趋势一致。例如,经济高增长可以推高商业银行杠杆,而商业银行高杠杆又会进一步促进经济增长;经济的衰退伴随着商业银行低杠杆,商业银行低杠杆又使经济复苏进一步陷入泥潭。因此一些学者认为解决这种危机的方法就是在繁荣期限制商业银行杠杆、衰退期增加商业银行杠杆[2]。另一方面,两者的共变性并不稳定,在特定的经济形势或突发事件下,会表现出非一致性,即出现“商业银行高杠杆—经济低增长”或“商业银行低杠杆—经济高增长”,而“商业银行高杠杆—经济低增长”对经济体系的破坏性是极大的。反思2008年美国次贷危机,影子银行等金融机构的高杠杆促进了美国经济体短期的活跃,但随着金融风险的长期积聚以及经济的持续低迷从而爆发经济危机。纵观历史的绝大多数金融危机,发现该时期的金融系统长期伴随着“建杠杆—去杠杆—增杠杆”的演化过程,其背后更是经济增长与金融稳定之间的博弈与较量[6]。这种共变性和非一致性的复杂情况,使商业银行的杠杆调节在经济健康发展过程中变得尤为重要,其调节的时机和力度都要把握好。Calmès和Théoret采用滤波方法对加拿大商业银行的传统杠杆率进行周期性检验,发现商业银行较高的杠杆会增加经济的波动性[17]。朱凯利用带通滤波法对中国金融部门的杠杆进行周期性分析,认为中国金融部门较高的杠杆并不必然造成金融风险的波动[18]。徐曼和邓创研究发现金融周期是由不同频率的波动成分叠加而成,发现金融周期波动对经济周期波动产生了较高的冲击影响,而经济周期波动对金融周期波动的影响水平明显较低[19]。

通过对文献的梳理,发现在研究商业银行杠杆与宏观经济的相互影响时,文献多数采用时域分析方法,所得结果存在分歧。近年来,一些学者开始使用频域分析方法分析金融与经济的关系,但聚焦在商业银行杠杆与宏观经济之间的相互影响结果是怎样的?现有研究并未给出相应的答案。2008年金融危机以后,中国商业银行杠杆持续攀升,为防止银行体系内部风险的积聚,监管机构在2017年出台了一系列去杠杆措施,这些举措也使中国商业银行贷款规模有所缩减,实体经济的资金支持骤然变少,经济形势变化的阵痛也随之而来。可见,中国商业银行杠杆与宏观经济之间存在非常重要的关系,对商业银行杠杆任何不适的调整都会给宏观经济带来严重的打击,因此准确认识商业银行杠杆与宏观经济的相互影响具有重要意义。鉴于此,本文利用2004年第1季度至2020年第4季度商业银行杠杆与中国宏观经济的相关数据,采用谱分析方法从频域角度实证考察商业银行杠杆变化对中国宏观经济波动的影响。研究发现:商业银行杠杆变化与中国宏观经济波动在短周期上表现为共变性,即商业银行杠杆与宏观经济的周期波动是一致的;在中长周期表现非一致性,即商业银行杠杆与中国宏观经济的周期波动是不一致的;除此之外,利用交叉谱分析方法还发现商业银行杠杆变化领先于宏观经济波动。进一步,通过机制检验发现:在短周期,实体投资是商业银行杠杆影响宏观经济的重要途径;而在中长周期,商业银行风险承担是商业银行杠杆影响宏观经济的重要渠道。

本文的边际贡献主要有以下三个方面:第一,构建宏观经济指数,采用主成分分析法找出对宏观经济指数影响最大的主要因素,并确定这些因素在宏观经济指数中所占的权重,最终构建宏观经济指数;第二,通过谱分析方法从频域角度考察了商业银行杠杆变化与宏观经济波动的关系,并采用Markov转换动态回归模型(MS-DR)从时域角度进行稳健性分析,力图从频域和时域双重维度探究商业银行杠杆变化对中国宏观经济波动的影响,这为提高商业银行服务实体经济的充分性提供经验依据和政策启示;第三,从频域角度研究商业银行杠杆与中国宏观经济相互影响的运行机制,利用交叉谱分析得出实体投资与银行风险是商业银行杠杆影响中国宏观经济的重要方面,也是监管部门今后需要重点关注的领域。

二、理论分析与研究假说

通过梳理文献,发现商业银行杠杆对宏观经济波动的影响并不统一。一方面,商业银行提高杠杆会增加对企业的信贷投放力度,企业融资需求得到满足后会扩大生产,进而提高经济增长;另一方面,商业银行提高杠杆的速度如果远大于企业发展的速度,信贷供给大于信贷需求,企业会以低成本获得更多的资金,从而投资高风险业务,其所产生的道德风险可能会转移到商业银行内部,进而引发系统性风险。可以看出,商业银行杠杆对宏观经济波动的影响离不开企业的行为,企业贷款和企业产出将商业银行杠杆和宏观经济联系起来。因此本文参考Greiner的研究,构建包含商业银行和企业的两部门模型,从而分析商业银行杠杆对宏观经济波动的影响[20]。

(一)模型设定

1.商业银行

商业银行的资金来源包含自有资本和存款人存款两部分,其中商业银行需要向存款人支付存款利息。假设商业银行的资产包括风险资产和无风险资产,风险资产主要向企业发放贷款,无风险资产主要是债券投资,如果商业银行的产出函数服从柯布—道格拉斯生产函数,则具体表达式如下:

(1)

2.企业

宏观经济的增长依靠企业的发展,因此企业产出在很大程度上可以反映宏观经济的情况,为使企业产出最大化,企业追求的一定是利润最大化或成本最小化。假设企业是以成本最小化为目标,且成本最小化以无限期总成本的贴现值衡量,如果贴现系数为ρ,则企业成本最小化的函数表达式如下:

(2)

假设商业银行对企业的贷款资金来源于商业银行的存款资金部分,并且商业银行的存款利息将从商业银行的贷款业务中得到补偿,则关于企业成本的预算约束限制如下:

(3)

关于商业银行贷款资金的预算约束限制如下:

(4)

商业银行不管是风险投资还是无风险投资,资金全部用于支持企业发展,假设商业银行的产出等于企业的产出,则企业产出的具体表达式如下:

(5)

则净产出NY的表达式如下:

NY=(1-τ)Y=(1-τ)AK1-∂B∂

(6)

在均衡情况下,存款利率rD与商业银行自有资本的边际净产出相等,因此对商业银行自有资本K求导得到存款利率rD的具体表达式,即:

rD=(1-τ)(1-∂)AK-∂B∂

(7)

(二)模型求解与结果分析

对企业进行最优化处理,则企业成本增长率为:

(8)

同理,企业股本增长率为:

(9)

同理,贷款增长率为:

(10)

(11)

(12)

(13)

为简化模型,假设在均衡增长的路径下,存款利息等于贷款利息,即rDD=τY。假设g为均衡增长路径下的经济增长率,可得以下等式:

(14)

D=B

(15)

φ=1

(16)

g=gD=gB

(17)

(18)

(19)

(20)

则均衡增长路径上的经济增长率g的具体表达式为:

g=gC=ρ-(1-τ)(1-α)AK-∂B∂

(21)

(22)

=ρ-A(1-τ)1-∂τ∂(1-α)1-∂

(23)

(24)

从式(24)可知,均衡增长路径上的经济增长率g与商业银行杠杆leverage呈“倒U型”。结合以往文献内容,该结论符合预期,即商业银行杠杆与经济增长存在非线性关系。从模型可以看出,商业银行杠杆通过调节自有资本K和债券投资B从而影响企业的产出,进而影响宏观经济,商业银行风险管理技术水平A、贷款比例τ及商业银行自有资本产出弹性α作为中间变量影响了商业银行杠杆和宏观经济增长率的关系。商业银行杠杆对宏观经济增长率有两个方向的作用:一是促进作用,提高商业银行杠杆可以增加商业银行的债券投资B,企业投资数量增加就会促进宏观经济增长率;二是抑制作用,提高商业银行杠杆会降低商业银行债券投资的产出弹性∂,企业投资质量下降会增加企业风险,不利于宏观经济增长。具体分析如下:

第一,短期内,经济繁荣会进一步刺激商业银行逐利的动机,因此商业银行会提高杠杆而增加投资,通过资产负债表内外大规模地扩大信贷投放数量。由于信贷市场的资金供给大于资金需求,信贷门槛和信贷利率有所降低,则企业融资成本降低。企业由于融资环境的改善从而导致企业投资增加,整个实体经济欣欣向荣,最终推动宏观经济上行;若宏观经济下行,整个经济社会的利润率会下降,而商业银行的逐利动机会促使其降低杠杆,这样的举措会带来两个不利影响:一方面,商业银行降低杠杆会导致银行信贷资金的萎缩,整个信贷市场的资金供给小于资金需求,信贷门槛和信贷利率有所上升,从而导致企业融资困难,最终宏观经济下行;另一方面,商业银行降低杠杆会导致其竞相抛售资产,导致资产价格螺旋式下跌,致使银行间市场流动性枯竭,由于金融机构之间的关联性很强,流动性风险的发生可能会导致金融体系的崩溃,最终影响宏观经济的健康运行[8-9]。由此,本文提出第一个待实证检验的假设:

假设1:商业银行杠杆变化与宏观经济波动在短周期表现为共变性。

第二,中长期内,商业银行的高杠杆行为会导致宏观经济的崩盘[3-4,21]。一方面,若在经济繁荣期,当商业银行杠杆的增长幅度远大于宏观经济的增长幅度,此时商业银行加大信贷力度会放松企业的信贷门槛,由于企业无法找到足够多的新增项目进行投资,信贷资金利用效率很低[14],因此企业会更加偏好投资高风险资产期待获得高回报,此时企业的道德风险会向银行转移,最终风险的积聚会导致宏观经济的崩盘;另一方面由于商业银行的高杠杆操作,商业银行为使账面达到监管部门的监管标准,会通过监管套利的方式隐藏风险,致使银行内部风险不断积聚,银行破产概率也不断增加,有可能引发金融危机,最终导致经济危机。由此,本文提出第二个待实证检验的假设:

假设2:商业银行杠杆变化与宏观经济波动在中长周期表现为非一致性。

第三,商业银行杠杆具有顺周期性,加之商业银行的逐利性,其往往会根据宏观经济环境主动调整资产和负债行为,从而导致商业银行杠杆的顺周期效应,增加宏观经济的波动,这与大部分国内外学者的研究结论一致[4,8]。当宏观经济发展态势良好时,商业银行加大杠杆会促进银行资产率的上升,这进一步刺激了经济的发展;当宏观经济发展态势萎靡时,商业银行缩减杠杆会导致银行资产率的下降,对宏观经济产生不良影响。除此之外,有些学者从银行流动性的角度出发解释商业银行杠杆的顺周期性,认为商业银行杠杆在较高的情况下,外部风险冲击会增大银行流动性风险的压力,从而加剧商业银行杠杆的顺周期效应。由此,本文提出第三个待实证检验的假设:

假设3:商业银行杠杆变化领先于宏观经济波动。

三、实证研究设计

(一)模型设定

谱分析把时间序列数据看作是不同周期分量叠加的结果,这些周期分量具有不同的振幅和频率[22]。谱分析可分为单变量谱分析和多变量谱分析两种。单变量谱分析主要研究单个时间序列的周期波动特征,首先对时间序列的周期性成分进行谱估计,然后根据估计出的谱密度函数找出时间序列中主要的频率分量,从而掌握时间序列的周期波动特征。多变量谱分析则是利用互谱分析工具研究两个时间序列中各个频率分量的周期波动关系,例如相关关系和领先、滞后差异。

1.单变量谱分析

假若时间序列{Xt}遵循连续平稳过程,{Xt}的谱密度函数是利用其自协方差函数R(τ)得到的,我们可以通过对这个非随机函数进行傅里叶变换,来达到对平稳过程进行随机频谱分析的目的[15]。其转换形式如下:

(25)

其中,R(τ)是时间序列{Xt}的τ阶自协方差,g(w)为时间序列{Xt}在频率为w的周期分量的谱密度,可以描述为是对时间序列{Xt}波动方差的分解,其基本含义为在某个频率w处出现谱密度峰值,则说明时间序列中{Xt}波动频率为w的周期分量g(w)对{Xt}的波动所起的作用非常显著,即其在时间序列{Xt}的波动方差中占有很大的比例。

2.多变量谱分析

假若两个时间序列{Xt}和{Yt}遵循平稳随机过程,{Xt}和{Yt}的互谱密度函数是利用其自协方差矩阵Rxy(τ)得到的,其傅里叶变换形式如下:

(26)

其中,gxy(w)的主对角元素是时间序列{Xt}和{Yt}各自的谱密度函数,即fx(w)和fy(w),其他元素为互谱密度函数fxy(w)。由于fxy(w)一般用复数表示,本文分别用csxy(w)和qsxy(w)表示复数的实部和虚部,实部csxy(w)称为余谱,表示两个时间序列在同相频率分量上的相关性;虚部qsxy(w)称为正交谱,表示两个时间序列在异相频率分量上的相关性,表达式为:

fxy(w)=csxy(w)+iqsxy(w)

(27)

若两个时间序列{Xt}和{Yt}在波动频率为w处出现谱密度峰值,可进一步采用相干谱和相位谱分析两个时间序列{Xt}和{Yt}之间的相关性和领先、滞后差异。则相干谱函数为:

(28)

相干谱函数Cxy用来测度两个时间序列{Xt}和{Yt}在波动频率为w处的相关程度,其取值在0和1之间。相位谱函数φxy用来测度两个时间序列{Xt}和{Yt}在波动频率为w处的相位偏移,相位谱函数为:

(29)

相位谱峰值的取值在[-π,π],可以依据相位谱值正负情况来判断{Xt}和{Yt}变量的先行滞后关系。若相位谱的峰值为负,则在频率w处{Xt}滞后于{Yt},若相位谱的峰值为正,则在频率w处{Xt}领先于{Yt},其中时差=相位谱值/(2π×频率)。

(二)变量定义

1.商业银行杠杆(leverage)

商业银行杠杆可以从不同的角度定义:从财务的角度常使用资产负债表中的资产与资本的比值[4,11,14,23];从监管的角度常使用资本充足率和杠杆率;从银行业务角度常使用自定义杠杆,如同业杠杆等。本文借鉴Adrian和Shin以及朱凯的研究[4,18],通过计算整理,采用其他存款性公司口径下总资产与实收资本的比值作为商业银行杠杆的代理指标,公式如下:

(30)

采用此类商业银行杠杆,主要有两方面的优势:第一,国内外诸多研究仍采用该种定义方法,因为数据公开且容易获得,同时又不涉及风险加权资产,减少了银行操纵的可能性[11];第二,近年来,中国同业业务发展迅猛,已经完全脱离了其调剂银行间流动性的初衷,中国商业银行的同业业务逐步成为监管套利工具,而其他存款性公司资产负债表中包括了其他存款性公司对其他存款性公司债权和对其他金融性公司债权,在一定程度上反映了金融机构间的同业业务往来[18],可反映中国商业银行目前的实际情况。

2.固定资产投资(fix)

固定资产投资在企业的运营中占有重要位置,它是企业正常运转的保障,也是产业结构转型的重要推动力,其与实体经济的增长息息相关。除此之外,固定资产投资在中国的实体经济中所占比例很大,对中国经济的总产出具有很大的影响。一些学者认为实体投资是商业银行杠杆影响宏观经济的重要途径[14],因此本文选取固定资产额作为实体投资的代理指标。

3.不良贷款率(npl)

信贷业务是中国商业银行的传统业务,也是实体经济资金来源的重要渠道,而信贷业务最容易形成信贷风险。商业银行将贷款按照风险等级划分为正常、关注、次级、可疑和损失五类,而后三者合称为不良贷款,不良贷款率反映了商业银行关于不良贷款在总贷款中的比重,本文选取不良贷款率作为银行风险承担的代理指标。

4.宏观经济指标

通过参照徐曼和邓创、刘金全等人的研究[19,24-25],结合相关数据的可获取性,共选取了15个宏观经济指标来描述中国的宏观经济状况,这些指标涉及实体经济、金融市场和外汇市场,具体指标选取如表1所示。这些宏观经济指标是中国宏观经济的重要组成部分,由于各个宏观经济指标对中国宏观经济的影响不同,且指标之间可能具有相关性,因此可通过主成分分析,利用降维思想构造一个宏观经济指数,这种方法不仅保留了原始指标的主要信息,还消除了指标之间的相关部分。

表1 宏观经济指标选取

(三)数据来源与描述性统计

考虑到数据的有效性和可得性,本文数据选取范围为2004年第1季度至2020年第4季度,所有数据均来自国家统计局官方网站、Wind数据库及《中国金融年鉴》。表2报告了变量的描述性统计结果。

表2 变量的描述性统计

(四)数据处理

时间序列变量一般受季节因素影响较大,因此对上述时间序列变量统一运用X-12进行季节调整,经季节调整后的变量符号后缀加符号_tc,数据处理过程如下:

第一,构建宏观经济指数(ecozs)。由于上述15个宏观经济指标有量纲差异,因此需要对其进行标准化处理从而消除量纲差异。为了验证这些数据是否可以进行主成分分析,需要对数据进行KMO和Bartlett的检验,检验结果如表3所示。由于KMO为0.861,大于0.6,sig为0,小于0.05,说明这些数据可以进行主成分分析[15]。

表3 KMO和Bartlett的检验

表4中列出了主成分分析结果,由于前3个主成分的特征值均大于1,且累计贡献率为90.319%,前3个主成分解释了全部方差的90.319%,说明提取的这3个主成分能够代表原来数据信息的90.319%,因此本文提取前3个主成分。

表4 解释的总方差

主成分分析的具体过程为:首先根据这3个主成分的特征值并结合相关数据计算出线性组合F1、线性组合F2和线性组合F3的得分系数;其次结合相应的方差贡献率计算出综合得分系数;最后利用归一化处理得到各指标的权重,计算结果如表5所示。最终,构建宏观经济指数的计算公式为:

表5 线性组合系数结果

(31)

其中,ecozs代表宏观经济指数,wi代表归一化权重系数,Xi代表15个宏观经济指标。

第二,构建银行杠杆(leverage)。通过其他存款性公司总资产(assets)与其他存款性公司实收资本(capital)的比值即可得到银行杠杆。图1即为商业银行杠杆的趋势图,从图中可知实际商业银行杠杆变动幅度最为剧烈的一次是从2008年第1季度的30.8倍上升至2014年第2季度的49.3倍,升幅60.1%。究其原因:一方面是由于美国发生次贷危机后,中国为避免经济衰退所实施的“四万亿”计划导致资产方面上涨;另一方面是因为危机发生后表内监管收紧,中国银行业借道表外导致同业业务规模迅速扩张,从而使银行杠杆高居不下。直至2014年5月16日由中国人民银行、银监会、证监会、保监会、外汇局联合印发《关于规范金融机构同业业务的通知》(俗称“127号文”)用以规范同业业务的发展,银行杠杆才开始回落。此外,其他时段的银行杠杆都是小幅波动。

图1 实际银行杠杆(leverage)的趋势图

第三,由于谱分析要求变量为平稳时间序列[22,24,26],一般来说,时间序列都不会平稳,因为一个时间序列包含长期趋势、季节波动、循环波动和不规则波动[27]。通过单位根检验可以检验时间序列变量是否平稳,如果时间序列不平稳,可以采用X-12或差分方法等对其进行平稳化处理。目前本文需要使用的变量包括商业银行杠杆(leverage)、宏观经济指数(ecozs_tc)、不良贷款率(npl_tc)和固定资产投资(fix_tc),对其进行ADF单位根检验,发现商业银行杠杆(leverage)和宏观经济指数(ecozs_tc)存在单位根,说明这两个变量为非平稳时间序列,而固定资产投资(fix_tc)和不良贷款率(npl_tc)为平稳时间序列。为使时间序列变量平稳,对商业银行杠杆(leverage)和宏观经济指数(ecozs_tc)求差分得到商业银行杠杆变动(dleverage)和宏观经济指数变动(decozs_tc),经ADF单位根检验为平稳时间序列变量。ADF单位根检验结果如表6所示。

表6 单位根检验结果

图2描绘了宏观经济指数变动(decozs_tc)和商业银行杠杆变动(dleverage)的波动情况,从图中可以看出两者的波动存在某种关联性,时而波动方向趋同,时而波动方向背离,如果从时域的角度研究两者的关系,有可能会因为样本时期选择不同而得到不同的结论。仅仅通过时域得出的结果并不全面,毕竟时间序列数据是时间维度和频率维度双重作用的综合表现[15],因此利用谱分析从频域角度分析两者之间的波动关系具有一定的研究意义。

图2 decozs_tc和dleverage的波动情况

四、实证结果与分析

(一)单谱分析

图3和图4分别给出了宏观经济指数变动(decozs_tc)和商业银行杠杆变动(dleverage)的样本周期图。从图3可以看出宏观经济指数变动的样本周期图在频率0.074 6处出现了主谱峰,这表明宏观经济指数变动存在长度为13.4个季度的主周期波动;在频率0.044 8、0.134 3和0.194 0出现三个次谱峰,分别代表周期为22.33个季度、7.44个季度和5.15个季度的次周期波动。从图4可以看出商业银行杠杆变动的样本周期图在频率0.119 4处出现主谱峰,这表明商业银行杠杆率增长率存在长度为8.38个季度的主周期波动;在频率0.059 7、0.209 0和0.283 6出现三个次谱峰,分别代表周期为16.75个季度、4.79个季度和3.53个季度的次周期波动。

图3 decozs_tc的样本周期图

宏观经济指数变动(decozs_tc)和商业银行杠杆变动(dleverage)的总体谱估计如图5和图6所示。图5显示宏观经济指数变动加窗后谱密度曲线在频率0.059 7处出现最大值,即主波动周期为16.75个季度,接近基钦周期波动(8～16个季度),这一结论与其他学者如刘金全等的研究结论相吻合[24],这与“中国式增长奇迹”的现实是一致的。图6显示商业银行杠杆变动加窗后的主谱峰出现在频率0.104 5处,表明主波动周期为9.57个季度,这一结论与朱凯得出的研究结论相吻合,他认为中国金融部门杠杆在观测期内经历了多个短周期[18]。

图5 decozs_tc的总体谱估计

图6 dleverage的总体谱估计

(二)交叉谱分析

相干谱是互谱分析方法中重要一面,通过宏观经济指数变动(decozs_tc)和商业银行杠杆变动(dleverage)的相干谱,分析这两个时间序列在频率上的相关关系,横轴代表频率,纵轴代表相关系数的平方。由图7可知,该相干谱存在3个波峰,其对应的频率分别为0.074 6、0.223 9和0.403 0处,对应的周期分别为13.40个季度、4.47个季度和2.48个季度,此时相关系数平方分别为0.123 3、0.481 8和0.309 1。可以看出,在周期为4.47个季度时,宏观经济指数变动与商业银行杠杆变动的相关程度最大,相关系数为0.694 1。

图7 相干谱

相位谱是交叉谱分析方法的又一重要方面,用来分析两个时间序列的领先、滞后关系。图8描述了宏观经济指数变动与商业银行杠杆变动的时差图(时差=相位谱值/(2π×频率)),横轴代表频率,纵轴代表时差。在频率0.283 6～0.343 2时,即周期在2.91～3.53个季度时宏观经济指数变动与商业银行杠杆变动的时差基本在0附近,说明两者此周期下几乎处于同步状态;在频率0.358 2～0.432 8时,即周期在2.31～2.79个季度时,时差为正,宏观经济指数变动领先于商业银行杠杆变动;在频率小于0.268 7时,即周期大于3.72个季度时,时差为负,宏观经济指数变动滞后于商业银行杠杆变动。

图8 时差图

我们重点考察在频率0.074 6、0.223 9和0.403 0处,即周期分别为13.40个季度、4.47个季度和2.48个季度时,因为此周期下宏观经济指数变动与商业银行杠杆变动的相关程度很大,而此时的时差分别为-4.24、-1.70和0.99,符号为负说明此时宏观经济指数变动滞后于商业银行杠杆变动,滞后时差分别为4.24个季度和1.7个季度;符号为正说明此时宏观经济指数变动领先于商业银行杠杆变动,领先时差为0.99个季度。说明在周期为4.47个季度和2.48个季度时,宏观经济指数变动与商业银行杠杆变动的相关程度高且两者波动情况基本同步,这验证了假设1,即商业银行杠杆变化与宏观经济波动在短周期表现为共变性;但在周期为13.4个季度时,宏观经济指数变动与商业银行杠杆变动的相关程度高且前者滞后于后者,这验证了假设2和假设3,即商业银行杠杆变化与中国宏观经济波动在中长周期表现为非一致性且商业银行杠杆变化领先于中国宏观经济波动。

(三)稳健性检验

一些学者从时域的角度研究商业银行杠杆与宏观经济波动关系,使用面板模型较多,但并没有形成统一的结论,得到商业银行杠杆可能促进或抑制经济增长的结论。何山和彭俞超参考以往文献,认为结论不一致的原因是因为银行杠杆率与经济增长之间存在非对称关系,通过动态面板模型,构造商业银行杠杆率的五阶滞后项,得出结论:银行杠杆率的提高在短期会促进经济增长,在长期会抑制经济增长[14],而本文利用谱分析所得结论与之相似。

除此之外,本文还利用交叉谱得到两者之间的领先滞后关系,即商业银行杠杆变化领先于中国宏观经济波动,说明商业银行杠杆变化对中国宏观经济波动具有一定的预警能力,该结论并未在现有时域分析方法的面板模型中体现。但时域分析方法中的马尔可夫(Markov)转换动态回归模型(MS-DR)是一种经典的研究经济周期波动特征的分析方法,可以分阶段识别变量的时域规律[16]。已有学者利用马尔科夫区制转移模型发现中国的金融周期领先于宏观经济波动,金融形势的变动有助于预测宏观经济形势的变动[28]。因此MS-DR作为稳健性检验方法,可以很好地检验本文的三个结论。本文从时域角度出发建立宏观经济指数变动(decozs_tc)和商业银行杠杆变动(dleverage)的马尔可夫(Markov)转换动态回归模型(MS-DR),分阶段识别两者的波动特征,估计结果如表7和表8所示。

表7 宏观经济指数变动的MS-DR模型参数估计结果

表8 商业银行杠杆变动的MS-DR模型参数估计结果

假定状态变量st取值为1和2,分别代表低增长和高增长两个区制。表7中的估计结果显示:低增长区制(st=1)的平均增速为0.103 6,高增长区制(st=2)的平均增速为0.003 4。当上一期经济系统处于低增长时,下一期经济继续下滑的概率为0.828 6;当上一期经济系统处于高增长时,下一期经济继续扩张的概率为0.886 9,可见两个区制的维持概率值均很高,显示出较为稳定的特征,但低增长区制的可能性更大。

表8中的估计结果显示:低增长区制(st=1)的平均增速为0.913 2,高增长区制(st=2)的平均增速为-0.272 2。当上一期银行杠杆处于低增长时,下一期银行杠杆继续下降的概率为0.845 0;当上一期银行杠杆处于高增长时,下一期银行杠杆继续增长的概率为0.901 0,可见两个区制的维持概率值均很高,显示出较为稳定的特征,但高增长区制的可能性更大。

表9和表10分别为宏观经济指数变动(decozs_tc)和商业银行杠杆变动(dleverage)在低增长区制和高增长区制的区制转移情况。从平均持续期来看,宏观经济指数变动处于低增长区制的平均持续期为5.84个季度,处于高增长区制的平均持续期为8.85个季度;商业银行杠杆变动处于低增长区制的平均持续期为6.45个季度,处于高增长区制的平均持续期为10.11个季度。从时段划分来看,宏观经济指数变动在高区制而商业银行杠杆变动在低区制的时间段为:2006第1季度—2006年第3季度、2009年第2季度—2009年第4季度、2016年第4季度—2017年第1季度;宏观经济指数变动在低区制而商业银行杠杆变动在高区制的时间段为:2007年第2季度—2008年第3季度、2010年第4季度—2011年第3季度、2017年第3季度—2018年第3季度;以上均表现出非一致性,其余时间段表现为共变性,这验证了假设1和假设2。除此之外,从不同区制的起始时点来看,商业银行杠杆变动不同状态的出现均先行于宏观经济指数变动,之后两者会进入相同的状态,这验证了假设3。以上分析进一步佐证了本文实证研究结果的稳健性。

表9 decozs_tc的MS-DR模型区制转移情况

表10 dleverage的MS-DR模型区制转移情况

五、进一步分析:机制检验

已有研究表明商业银行杠杆变动对中国宏观经济波动的长、短期影响并不相同,何山和彭俞超认为在短期时,提高商业银行杠杆会通过增加信贷总量的方式促进经济增长;在长期时,如果商业银行提高杠杆,由于银行风险的积聚反而会抑制经济增长。因此本文通过频域的角度也可从长短周期入手,对商业银行杠杆与宏观经济的相互影响进行机制分析[14]。

固定资产投资在企业的运营中占有重要位置,它是企业正常运转的保障,也是产业结构转型的重要推动力,其与实体经济的增长息息相关。除此之外,固定资产投资在中国的实体经济中所占比例很大,对经济的总产出具有很大的影响。而企业进行固定资产投资的资金来源主要依赖于商业银行贷款,当商业银行会提高杠杆时,会大规模地扩大信贷投放数量,此时信贷市场的资金供给大于资金需求,信贷门槛和信贷利率有所降低,则企业融资成本降低。企业由于融资环境的改善从而导致企业投资增加,最终推动宏观经济整体上行。因此,本文利用交叉谱分析中的相干谱,从频域的角度探究商业银行杠杆变动和固定资产投资的相关程度。图9为商业银行杠杆变动(dleverage)和固定资产投资(fix_tc)的相干谱,该相干谱存在4个波峰,其对应的频率分别为0.059 7、0.149 3、0.223 9和0.403 0处,即商业银行杠杆变动和固定资产变动相关程度最大时的周期分别为16.75个季度、6.70个季度、4.47个季度和2.48个季度时,相关系数平方分别为0.119 9、0.195 6、0.339 4和0.186 0。可见在周期为6.70个季度、4.47个季度和2.48个季度时,商业银行杠杆变动和固定资产投资的相关程度比较大,从实证的角度证明在短周期内,实体投资是商业银行杠杆影响宏观经济的重要途径。

图9 dleverage和fix_tc的相干谱

有些学者的研究表明商业银行的高杠杆行为会导致宏观经济的崩盘[3-4,23]。一方面,商业银行增加杠杆势必会加大信贷力度,此时银行可能会放松企业的信贷门槛或是降低贷款利率,企业因融资成本降低而获得更多的信贷资金,此时企业会更加偏好高风险高回报的资产,那么企业的道德风险会向银行转移,风险积聚必然会潜藏危机,宏观经济也必然受到影响;另一方面由于商业银行的高杠杆操作,银行内部风险开始加剧,但是商业银行的趋利动机会使银行通过监管套利的方式隐藏风险,银行内部风险不断积聚,最终会引发危机,影响经济健康发展。因此,本文利用互谱分析中的相干谱,从频域的角度探究商业银行杠杆变动和不良贷款率的相关程度。图10为商业银行杠杆变动和不良贷款率的相干谱,该相干谱存在4个波峰,其对应的频率分别为0.044 8、0.134 3、0.223 9和0.403 0处,即商业银行杠杆增长率(dleverage)和不良贷款率(npl_tc)相关程度最大时的周期分别为22.33个季度、7.44个季度、4.47个季度和2.48个季度时,相关系数平方分别为0.248 0、0.266 3、0.349 9和0.183 8。可见在周期为22.33个季度、7.44个季度和4.47个季度时,商业银行杠杆变动和不良贷款率的相关程度比较大,从实证的角度说明在中长周期内,商业银行风险是商业银行杠杆影响宏观经济的重要渠道。

图10 dleverage和npl_tc的相干谱

综上可知,实体投资和银行风险承担是商业银行杠杆影响宏观经济的两个重要方面。短周期内,实体投资是商业银行杠杆影响宏观经济的重要途径;而在长周期内,银行风险承担是商业银行杠杆影响宏观经济的重要渠道,可见实体投资和银行风险承担也是监管部门今后需要重点关注的领域。

六、结论与政策启示

本文主要从频域的角度考察了商业银行杠杆与中国宏观经济波动的相互关系。通过单谱分析方法发现在2004年第1季度到2020年第4季度的样本期内,中国宏观经济波动的主周期为16.75个季度,商业银行杠杆变化的主周期为9.57个季度。利用交叉谱分析方法以及时域分析方法中的Markov转换动态回归模型(MS-DR)得到以下重要结论:(1)商业银行杠杆变化与中国宏观经济波动在周期为4.47个季度和2.48个季度时,二者相关程度高且波动情况基本同步,说明商业银行杠杆变化与中国宏观经济波动在短周期上表现为共变性,即商业银行杠杆与中国宏观经济的周期波动是一致的;(2)商业银行杠杆变化与中国宏观经济波动在周期为13.4个季度时,二者相关程度高且时差为负,说明商业银行杠杆变化与中国宏观经济波动在中长周期表现非一致性,即商业银行杠杆与中国宏观经济的周期波动是非一致的;(3)商业银行杠杆变化领先于中国宏观经济波动,说明商业银行杠杆变化对中国宏观经济波动具有一定的预警能力。进一步利用交叉谱分析进行机制检验发现:在短周期内,实体投资是商业银行杠杆影响中国宏观经济的重要途径;在中长周期内,商业银行风险承担是商业银行杠杆影响中国宏观经济的重要渠道。

以上结论为监管部门在调节银行杠杆时提供参考。第一,中国商业银行是金融体系的中流砥柱,商业银行杠杆的高低不仅对金融稳定有影响,也与宏观经济紧密联系。为清楚地辨识商业银行杠杆与中国宏观经济的相互影响,监管部门在调节商业银行杠杆时还需考虑中国宏观经济的周期位置,合理发挥商业银行杠杆变化对中国宏观经济波动所起的预警功能,通过准确地调整商业银行杠杆变化方向可使金融资源更好地服务于宏观经济的发展;第二,应当重视商业银行杠杆变化和宏观经济变化的周期性以及阶段性波动规律,对不同周期的波动采取具有针对性以及自适应性的管理,从而使中国商业银行杠杆变化在适度的水平下支持宏观经济健康发展,切实发挥商业银行对实体经济增长的助推效应。