新冠疫情背景下央行貨幣政策與銀行系統(tǒng)性風(fēng)險之間的關(guān)系研究

袁金霞

（池州經(jīng)濟(jì)技術(shù)開發(fā)區(qū)管委會 投資促進(jìn)局，安徽 池州 247000）

1 問題的提出

近年來，新冠疫情導(dǎo)致全球經(jīng)濟(jì)的大幅衰退，同時也導(dǎo)致了金融領(lǐng)域出現(xiàn)諸多的風(fēng)險事件。面對疫情后，中國政府采取果斷的措施遏制了疫情蔓延，即使如此，中國的經(jīng)濟(jì)也遭受了相當(dāng)大的損失，據(jù)國家統(tǒng)計局發(fā)布的統(tǒng)計數(shù)據(jù)顯示，2020年一季度中國的GDP同比下降6.8%，面臨的經(jīng)濟(jì)環(huán)境更為復(fù)雜，經(jīng)濟(jì)發(fā)展的各個方面都受到嚴(yán)重的影響。防范和化解國民經(jīng)濟(jì)中的重大風(fēng)險最主要的一條就是要保證不發(fā)生系統(tǒng)性風(fēng)險。

從現(xiàn)有的文獻(xiàn)可以看到[1-7]，國內(nèi)外學(xué)者就貨幣政策對銀行業(yè)的系統(tǒng)性風(fēng)險的影響具有較為一致的結(jié)論，即貨幣政策能夠抑制銀行業(yè)系統(tǒng)性風(fēng)險。在疫情背景下，中國采取多項貨幣政策和宏觀審慎政策穩(wěn)定經(jīng)濟(jì)，研究貨幣政策對銀行業(yè)的系統(tǒng)性風(fēng)險的影響，這樣既能保證中國采取的貨幣政策的有效性，為其他國家的經(jīng)濟(jì)復(fù)蘇提供借鑒，還能從理論上揭示在重大突發(fā)事件的影響下，貨幣政策對系統(tǒng)性風(fēng)險的影響機理。

2 模型構(gòu)建與數(shù)據(jù)來源

2.1 ARMA-GARCH

為了能對系統(tǒng)性風(fēng)險進(jìn)行合理的度量，采用ARMA-GARCH模型對各家銀行的收益率建模，以此得到較為準(zhǔn)確的系統(tǒng)性風(fēng)險。模型分為兩部分建模，一是對均值方程進(jìn)行建模，即公式（1），二是對波動率方程進(jìn)行建模，即公式（2），均值方程建模采用ARMA模型，波動率方差建模采用GARCH模型。同時假設(shè)標(biāo)準(zhǔn)化殘差服從student t分布，由ARMA-GARCH模型對均值和波動率進(jìn)行合理的模型構(gòu)建。

2.2 系統(tǒng)性風(fēng)險建模

在對收益率進(jìn)行建模之后，利用VaR(在險價值)度量每個銀行自身面臨的風(fēng)險，在VaR的基礎(chǔ)上利用CoVaR（條件在險價值）來度量在單個銀行出現(xiàn)風(fēng)險時，系統(tǒng)性風(fēng)險產(chǎn)生的變化。利用下面的公式（4）和（5）對單個銀行的風(fēng)險和系統(tǒng)性風(fēng)險進(jìn)行度量。

2.3 回歸模型

為了考察貨幣政策與系統(tǒng)性風(fēng)險之間的關(guān)系，選取一定的指標(biāo)作為貨幣政策的替代變量與系統(tǒng)性風(fēng)險建立回歸模型，考察貨幣政策對銀行業(yè)系統(tǒng)性風(fēng)險的影響。

2.3.1 被解釋變量 被解釋變量為系統(tǒng)性風(fēng)險；各個銀行的系統(tǒng)性風(fēng)險由前述模型可以計算得到，將系統(tǒng)性風(fēng)險作為被解釋變量，考察貨幣政策對其產(chǎn)生的影響。

2.3.2 核心變量 核心變量的選擇主要用來對貨幣政策進(jìn)行量化，參考王妍等（2019）和陳國進(jìn)等(2020)的研究[8-9]，央行采取的貨幣政策大致分為以下幾類：一是通過釋放貨幣，直接通過向市場投入更多的貨幣以提高貨幣的流動性來對市場進(jìn)行調(diào)節(jié)；二是對準(zhǔn)備金的調(diào)節(jié)，央行通過對各個銀行的準(zhǔn)備金進(jìn)行調(diào)節(jié)，以對流動性進(jìn)行控制；三是對基準(zhǔn)利率進(jìn)行調(diào)節(jié)，通過對基準(zhǔn)利率對市場利率進(jìn)行調(diào)節(jié)；四是公開市場操作，包括正回購和逆回購。因此在選擇核心變量來代替貨幣政策時，通過M2、金融機構(gòu)存款準(zhǔn)備金率，一年期存款基準(zhǔn)利率、正回購和逆回購量等方面的指標(biāo)來對篩選變量。

在核心變量的設(shè)置中，為了突顯新冠疫情的背景，采用虛擬變量（Variable）區(qū)分新冠疫情發(fā)生前后，即新冠疫情發(fā)生前記為0，新冠疫情發(fā)生后記為1，以2020年1月作為新冠疫情發(fā)生的時間節(jié)點。

2.3.3 控制變量 方意等人（2012）的研究認(rèn)為宏觀經(jīng)濟(jì)因素在銀行業(yè)系統(tǒng)性風(fēng)險中起到較為重要的作用，參考他們的研究，在模型中為了考慮宏觀因素對系統(tǒng)性風(fēng)險的影響，將消費者價格指數(shù)（CPI）加入到模型中；消費者價格指數(shù)反映的是宏觀經(jīng)濟(jì)中的通貨膨脹水平，能夠反映經(jīng)濟(jì)的整體狀況[10]。

同時加入宏觀經(jīng)濟(jì)景氣指數(shù)（Index），以考慮宏觀經(jīng)濟(jì)的狀況對銀行業(yè)系統(tǒng)性風(fēng)險的影響。此外，為了反映經(jīng)濟(jì)發(fā)展過程中的就業(yè)水平，采用中國制造業(yè)采購經(jīng)理指數(shù)中的從業(yè)人員指數(shù)（Employ）來反映就業(yè)狀況。

2.4 數(shù)據(jù)來源

研究選取2015年1月到2020年5月的數(shù)據(jù)，選取16家上市銀行的股票收盤價格，對股票價格的收益率進(jìn)行對數(shù)化，選取滬深300的銀行業(yè)指數(shù)作為銀行業(yè)系統(tǒng)性風(fēng)險的替代變量，也進(jìn)行對數(shù)收益化的處理。數(shù)據(jù)來源于國泰安和wind數(shù)據(jù)庫。在分析的過程中，將2015年1月到2019年12月的數(shù)據(jù)定義為疫情發(fā)生前，將2020年1月到2020年5月的數(shù)據(jù)定義為疫情發(fā)生后的數(shù)據(jù)，以此分別考察疫情發(fā)生前后的貨幣政策與系統(tǒng)性風(fēng)險之間的關(guān)系。相關(guān)變量的描述性統(tǒng)計量見表1。

表1 描述性統(tǒng)計

3 實證分析

3.1 系統(tǒng)性風(fēng)險度量結(jié)果

利用ARMA-GARCH模型對股票收益率進(jìn)行建模，并根據(jù)建模結(jié)果得到系統(tǒng)性風(fēng)險的大小，為了討論的便利，將系統(tǒng)性風(fēng)險設(shè)為正值，即數(shù)值越大則表示系統(tǒng)性風(fēng)險越大。圖1給出了八家銀行的系統(tǒng)性風(fēng)險隨時間變化的曲線圖，從圖中可以看到，2015年之后到疫情發(fā)生前，大部分單個銀行對銀行業(yè)系統(tǒng)性風(fēng)險的貢獻(xiàn)呈現(xiàn)平穩(wěn)波動的趨勢，但是自疫情發(fā)生后，大部分銀行對銀行業(yè)系統(tǒng)性風(fēng)險的貢獻(xiàn)出現(xiàn)上升的趨勢，說明疫情發(fā)生后，銀行業(yè)的系統(tǒng)性風(fēng)險在不斷的增加，各個銀行自身面臨的風(fēng)險加劇了整個行業(yè)的風(fēng)險，在此背景下需要運用貨幣政策來化解系統(tǒng)性風(fēng)險。

表2 新冠疫情發(fā)生前后系統(tǒng)性風(fēng)險對比

3.2 新冠疫情背景下的貨幣政策對銀行業(yè)系統(tǒng)性風(fēng)險的影響

在疫情發(fā)生前，為了適應(yīng)經(jīng)濟(jì)發(fā)展的需要，央行也不斷對貨幣政策進(jìn)行調(diào)整，在這一時期央行實行的是穩(wěn)健的貨幣政策。疫情發(fā)生滯后，中央銀行根據(jù)疫情對經(jīng)濟(jì)的沖擊，不斷調(diào)整貨幣政策，如2020年5月中央銀行發(fā)布了第一季度貨幣政策執(zhí)行的報告，報告透露新冠疫情發(fā)生以來央行采取了降低基準(zhǔn)利率，擴(kuò)大再貼現(xiàn)規(guī)模等貨幣政策手段。為了考察新冠疫情背景下的貨幣政策與系統(tǒng)性風(fēng)險之間的關(guān)系，利用面板數(shù)據(jù)進(jìn)行分析，具體的模型形式如下：

由于M2的數(shù)值較大，對其取對數(shù)化處理，最終得到的結(jié)果，如表3所示。為了對比新冠疫情發(fā)生前后的不同，先去除虛擬變量進(jìn)行回歸，回歸模型為模型1，加入虛擬變量的回歸模型為模型2。

表3 模型回歸結(jié)果

為了對模型1和模型2的面板回歸模型進(jìn)行選擇，采用Hausman檢驗對固定效應(yīng)和隨機效應(yīng)進(jìn)行檢驗，從檢驗結(jié)果中可以看到，兩個模型都應(yīng)采用隨機效應(yīng)模型。

從表3的回歸結(jié)果中可以看到，在模型1中，在10%的顯著性水平下，除了流動性指標(biāo)M2對系統(tǒng)性風(fēng)險的影響不顯著之外，其他的涉及到貨幣政策的變量都能對系統(tǒng)性風(fēng)險有著顯著的影響。在回歸結(jié)果中可以看到，金融機構(gòu)的存款準(zhǔn)備金和基準(zhǔn)利率對系統(tǒng)性風(fēng)險是正向的影響，說明降低存款準(zhǔn)備金和基準(zhǔn)利率將會使得系統(tǒng)性風(fēng)險降低，央行回購行為的原理是一致的，降低存款準(zhǔn)備金也會釋放一部分流動性，從而降低系統(tǒng)性風(fēng)險，而降低基準(zhǔn)利率，將減少銀行的成本，從而改善銀行的經(jīng)營條件，降低風(fēng)險。

在模型2中，當(dāng)加入虛擬變量時，可以看到，在貨幣政策中的流動性指標(biāo)M2在5%的顯著性水平下對銀行系統(tǒng)性風(fēng)險有著顯著的負(fù)向的影響，這相對于模型1的不顯著來說，加入虛擬變量，提高了變量的解釋能力。在兩個模型的控制變量中除了就業(yè)人數(shù)變量不顯著，其他變量均顯著，說明了宏觀經(jīng)濟(jì)變量也會對銀行系統(tǒng)性風(fēng)險產(chǎn)生影響，CPI和宏觀經(jīng)濟(jì)景氣指數(shù)都對銀行系統(tǒng)性風(fēng)險產(chǎn)生負(fù)向的影響，說明了宏觀經(jīng)濟(jì)狀況越好，越能降低銀行系統(tǒng)性風(fēng)險。同時從模型的整體效果中也可以看到，模型2的R2相較于模型1的R2有所提高，說明模型的解釋能力有所增強，加入虛擬變量后模型的估計效果更好。

3.3 穩(wěn)健性檢驗

從表4的結(jié)果中可以看到，剔除國有四大行后整體模型并沒有發(fā)生顯著的變化，模型中各個變量在10%的顯著性水平下依然顯著，同時整個模型的解釋力也沒有下降，反而在一定程度上模型的解釋力有所上升，因此可以說明模型整體上是穩(wěn)健的，并不受銀行類型不同的影響。穩(wěn)健性結(jié)果與模型2的結(jié)果基本一致，但在具體的變量系數(shù)上可以看到，核心變量中的流動性指標(biāo)M2，存款準(zhǔn)備金和基準(zhǔn)利率對銀行系統(tǒng)性風(fēng)險的影響有所加強，說明這些指標(biāo)對于其他銀行的影響更大，更應(yīng)值得關(guān)注。

4 結(jié)論及政策建議

基于新冠疫情發(fā)生前后的相關(guān)數(shù)據(jù)分析，得出以下結(jié)論：（1）疫情的發(fā)生增大了銀行業(yè)的系統(tǒng)性風(fēng)險；（2）貨幣政策對減低銀行業(yè)系統(tǒng)性風(fēng)險有著較為顯著的作用。應(yīng)對銀行業(yè)系統(tǒng)性風(fēng)險還可以從下幾個方面入手：一是繼續(xù)加強市場的流動性，貨幣政策的最主要的作用就是釋放市場的流動性，保障銀行在應(yīng)對風(fēng)險沖擊時有足夠的流動性；二是要發(fā)揮各種貨幣政策的作用，運用多種手段應(yīng)對系統(tǒng)性風(fēng)險；三是保障宏觀經(jīng)濟(jì)的平穩(wěn)運行。