4 货币政策对银行风险承担影响的实证分析
4.1 模型选择。
4.1.1 模型设定。
参照 Dell'Ariccia 等（2013）、方意等（2012）、林朝颖等（2014）的研究以及前述相关理论分析，本文首先采用静态面板数据估计方法，加入了银行自身特征、宏观经济环境、银行业市场结构等重要因素，将待估计的基本模型设定为如下形式：
其中，Risk 表示银行风险，作为被解释变量，MP 表示货币政策，Bank 表示银行自身相关特征，例如，盈利能力、资产规模等，Industry 表示银行业市场结构，Macro 表示宏观经济环境。
由于银行的风险可能具有持续性，而且控制变量资产收益率、资本充足率等指标都有可能存在内生性，将导致 OLS 和静态面板模型的估计都是有偏的。而采用动态面板数据模型既可以解决内生性问题也可以兼顾被解释变量滞后期对被解释变量的影响。这样不仅可以进一步进行分析也能验证实证结果的稳健性。因此，随后本文将采用 Arellano 和 Bover（1995）、Blundell 和 Bond（1998）提出的"系统 GMM"估计法进行估计，同时采用 Sargan检验和二阶序列相关检验来判断工具变量选取的合理性。其中 Sargan 检验针对系统 GMM中工具变量的有效性，其原假设为这些工具变量是有效的；AR（2）的原假设为二阶自相关检验，其原假设是差分干扰项不存在二阶序列相关性。
参照 Altunbas 等（2010）、Delis 和 Kouretas（2011）等研究，本文将随后的动态面板数据模型设定为如下形式：
其中，被解释变量为银行风险，本文将选取银行不良贷款率（npls）作为衡量银行风险的主要代理变量，Z 值作为银行风险的辅助代理变量用于检验实证结果的稳定性，这是因为 Z 值作为银行破产概率并不必然适应于我国国情，目前我国银行主营业务依然是存贷款业务，因此，用不良贷款率来衡量银行风险承担可能更为合适。解释变量上，本文参照徐明东和陈学彬（2012）的方法通过 HP 滤波计算出 M2 增长率的波动项，来作为数量型货币政策的代理变量，参照张雪兰和何德旭（2012）的方法取同业拆借 90 天利率经过加权计算获得年度数据后再计算其增长率，作为价格型货币政策的代理变量。控制变量为衡量自身特征的资本充足率、总资产规模以及资产收益率，衡量银行业整体市场结构的银行业资产集中程度，衡量宏观经济环境的国内生产总值增长率。交互项为银行资本充足率、总资产等指标与货币政策的交互，可以用于检验风险转移效应是否存在（Delis 和 Kouretas,2011）。
4.1.2 样本选择及数据说明。
本文选取 2004-2013 年 34 家银行的数据，样本包括了四大国有商业银行、股份制银行以及部分城市商业银行和农商行：工商银行、农业银行、建设银行、中国银行、交通银行、中信银行、招商银行、民生银行、兴业银行、浦发银行、广发银行、光大银行、北京银行、华夏银行、浙商银行、南京银行、平安银行、宁波银行、上海银行、杭州银行、大连银行、汉口银行、恒丰银行、徽商银行、江苏银行、渤海银行、成都银行、哈尔滨银行、东莞银行、盛京银行、天津银行、上海农商行、广州农商行、北京农商行。各家银行的财务数据主要来自 Bankscope 数据库。宏观经济数据主要来自于国家统计局与中国人民银行。之所以选取 2004 至 2013 年作为样本区间基于以下两点：首先，经过第三章我国货币政策实践的分析，能够发现这个区间内货币政策大体上趋于宽松；其次，从 2004 年开始我国银行业开始执行巴塞尔协议，银行监管也较为规范。
根据 Demirguc-Kunt 和 Huizing（a2010）、Laeven 和 Levin（e2009）、Houston et al.（2010）等研究，本文采用 Z 值作为衡量银行风险的辅助代理变量，该指标衡量了银行的偿付能力和破产风险，具体计算公式如下：
其中，ROA 表示银行的总资产收益率（银行净利润/总资产） ;CAR 表示银行的资本充足率，σ（ROA）表示总资产收益率的标准差。根据定义，Z 值越大，表明银行风险厌恶程度越高，破产概率越小；反之 Z 值越小，表明银行风险厌恶程度越小，破产概率越大，银行的冒险倾向越强。为保证结论的准确性，本文采用滚动三年期来计算 σ（ROA），并根据以往的研究，在回归分析中对 Z 值取自然对数 ln（z）。
4.1.3 统计特征。
统计量的描述。lnz 最大为 4.49（宁波银行，2007），最小为-1.32（光大银行，2005）；npls 最大为 26.73（农业银行，2004），最小为 0.01（渤海银行，2006）；roa 最大为2.23（上海农商行，2008），最小为-1.39（渤海银行，2006）；lnasset 最大为 5.78（工商银行，2008），最小为 1.1（天津银行，2007）；trcr 最大为 62.62（渤海银行，2006），最小为-1.47（光大银行，2005）。
Z 值与 npls 在 5%显着性水平下呈现负相关关系。△M2、△I 与 npls 在 5%和 10%显着性水平下分别呈现了正相关关系和负相关关系，它们与 Z 值相关性的显着性水平不是很高。lnasset 仅与 Z 值在 10%显着性水平下呈现负相关关系。而 trcr 与 Z 值、npls 在 1%显着性水平下分别呈现出正相关关系与负相关关系，roa 只与 npls 在 1%显着性水平下呈现负相关关系。此外，可以看到 stru.和△GDP与 Z 值、npls 相关关系均较为显着。
4.2 静态面板数据检验。
为了使用正确的静态面板数据模型来估计参数，必须对混合 OLS 回归、固定效应模型、随机效应模型进行筛选。
所有的 F 检验均拒绝原假设，即本文的样本存在显着的个体效应，各银行间差异是较为明显的。因此，本文在固定效应模型与混合回归模型之间的选择中排除了混合回归模型。
4.2.2 BP 检验。
所有的 BP 检验均拒绝原假设，即本文样本的随机效应较为显着，随机效应模型也优于混合回归模型。因此，本文在随机效应模型与混合回归模型之间的选择中也排除了混合回归模型。
4.2.3 Hausman 检验。
通过上面的 F 检验与 BP 检验均排除 OLS 混合回归，本文将在固定效应模型与随机效应模型中选择。而表 4-8 和表 4-9 显示，所有的 Hausman 检验均拒绝原假设，即本文样本的随机效应不显着。因此，本文将选择固定效应模型。
4.2.4 静态面板数据模型回归结果。
根据上述的检验，本文使用固定效应模型对样本指标进行了一系列的估计。
当分别控制宏观层面变量、银行层面变量以及同时控制银行层面变量和宏观层面变量时，货币供应量增长率（△M2）均与银行风险（npls）呈现显着的正相关关系，说明当期货币供应量越大，npls 越大，即银行承担的风险越大，这表明了宽松的货币可能会导致银行风险承担行为的产生。同样，利率增长率（△I）与银行风险（npls）呈现显着的负相关关系对上面的结论予以验证。可见，我国货币政策可能通过估值收入效应、追逐利益效应、习惯形成效应对银行风险承担行为产生了作用，牛晓健、裘翔（2013）以及林朝颖等（2014）采用静态面板数据模型也得到了类似的结果。此外，资本充足率（trcr）与银行风险（npls）均呈现显着的负相关关系，表示银行的资本充足率越高，则其不良贷款率越低，说明资本较充足的银行其风险可能较低，与当前多数研究相一致。同样，资产收益率（roa）与银行风险（npls）呈现显着的负相关关系，即资产收益率越大，银行不良贷款率 npls 越小，银行承担的风险越小，与方意等（2012）得出的实证结果相同。这是因为资产收益率较高的银行其运用自有资产获得收益的能力越高，其应对银行风险的能力也越强，这类银行可能由于具有较强的盈利能力，在选择投资标的时重视投资质量而非投资数量。而银行的资产规模在六个方程式中只有一个与银行风险呈现显着的负相关关系，从该结果不能完全确定其与银行风险的关系。从宏观层面变量上看，结果同 Dell'Ariccia 等（2013）的实证结论是一致的，银行业集中程度与银行风险呈现显着的负相关关系，由于本文选取的衡量银行集中度指标为四大行资产占银行业总资产的比重，其值越低说明银行业市场集中度越低，市场竞争越为充分。因此，竞争越激烈可能导致银行追逐利益的动机就越大，越容易去投资高风险、高收益的资产。而 GDP 增长率与银行风险呈显着的正相关关系，这是因为在经济景气时，银行对未来的经济发展趋势保持乐观态度，会采用更大的杠杆率，倾向于承担更高的风险，并且资本监管的顺周期性会强化这一点（Adrian 和Shin,2009）。
当分别控制宏观层面变量、银行层面变量以及同时控制银行层面变量和宏观层面变量时，货币供应量增长率（△M2）均与银行风险（lnz）呈现显着的负相关关系，说明货币供应量越大，lnz 越小，即银行承担的风险越大，对表 4-10 中的结论再次予以验证，我国货币政策会对银行风险承担行为产生影响，宽松的货币政策可能引发银行风险承担意愿和行为。但是，利率增长率（△I）与银行风险（lnz）呈现正相关关系却并不显着，无法验证表 4-10 中利率与银行风险呈现的相关关系。此外，资本充足率（trcr）以及资产收益率（roa）均与银行风险（lnz）呈现显着的正相关关系，验证了表 4-10 中的结果。而银行资产规模与银行风险代理变量的关系和表 4-10 的实证结果相同，依然没有呈现显着的相关关系，目前学界对银行资产规模与风险承担关系的认识暂时也未达成一致。
从宏观层面变量上看，银行业资产集中程度（stru.）与银行风险（lnz）呈现显着的正相关关系，其结果与表 4-10 相一致。而 GDP 增长率在六个方程式中只有一个与银行风险（lnz）呈现显着的负相关关系。
4.3 动态面板数据检验。
使用 npls 作为被解释变量相比 Z 值作为被解释变量，产生的实证结果更令人满意。
为了更为准确地检验实证结果的准确性，以及进一步分析风险转移效用是否作用于我国货币政策对银行风险承担的影响，本文需要构建更为准确的实证模型。因此，本文将构建动态面板数据以及引入银行特征值与货币政策的交互项。
Sargan 检验和 AR（2）检验的结果来看：Sargan 检验无法拒绝原假设，二阶序列相关检验也无法拒绝原假设。这表明工具变量是有效的，模型设定是合理的。
当分别以银行不良贷款率（npls）和银行预期破产概率（lnz）作为被解释变量时，可以发现风险代理变量的滞后项回归系数均显着为正，这说明当期的银行风险与上期银行风险之间存在正相关关系，且我国银行风险存在较大的惯性，其调整速度较慢。货币供应量增长率（△M2）与银行不良贷款率（npls）呈现显着的正相关关系，同于一、何维达（2011）得出的实证结果相一致；其与银行预期破产概率（lnz）呈现显着的负相关关系，徐明东、陈学彬（2012）也得到了相同的结果，验证了表 4-10 和表 4-11 中的实证结果。另外，可以发现在采用动态面板数据模型后，△I 与银行风险的相关性也较为显着：与银行不良贷款率（npls）呈现显着的负相关关系，与银行预期破产概率（lnz）呈现显着的正相关关系，验证了表 4-10 中的结果。同样，银行自身特征以及宏观层面的相关因素与银行风险的关系也与前面得出的结果相一致。尤其是银行资产规模在采用动态面板数据模型下，其与银行风险呈现显着的负相关关系，同"大而不能倒"理论相反，徐明东、张雪兰等也得到了同样的实证结果。这是因为在我国规模较大的银行的风险管理和盈利能力较强，加上受到的监管也更为严格，所以导致与风险承担呈现负相关关系。至此，本文验证了我国货币政策与银行风险承担负相关关系显着存在，宽松的货币政策可能会提高银行的风险承担水平，货币政策通过收入估值效应、追逐利益效应、习惯形成效应等影响银行风险承担行为。但是，风险转移效应是否产生了影响？依然未得到验证，下文将加入银行自身特征与货币政策交互项来检验风险转移效应的存在。
交互项的系数与货币政策代理变量的系数符号是相反的，这与 Altunbas等（2010）、Delis 和 Kouretas（2011）等研究得出的实证结果相同，徐明东、陈学彬（2012）也得到了类似的实证结果。说明银行自身特征例如资本充足率、资产规模、资产收益率等会影响到货币政策对银行风险承担的作用，它们可能会抵消货币政策对银行风险承担的影响，例如回归结果（1）中，利率增长率与银行不良贷款率呈现显着的负相关关系，但是当银行资产规模、资产收益率、资本充足率都较高时，由于这三个变量的系数均为正，因此，它们可能削弱利率对银行风险承担的影响。这是因为，资本充足率较高、资产规模较大的银行自身资本投入较多，其特许权价值也较大，当投资失败时承担的代价较高，加上自身较强的盈利能力，降低利率并不必然引发其风险承担意愿及行为。同样其他变量与银行风险之间的相关关系与本文之前得到的实证结果均较为一致，再次验证了实证结果的稳定性。
4.4 实证结果分析。
通过实证检验，本文得到以下实证结论：
首先，货币政策代理变量与银行风险代理变量呈现显着的负相关关系，宽松的货币政策可能引发银行较高的风险承担意愿和行为。这主要是货币政策能够通过收入、估值、现金流效应影响了金融市场上风险资产与无风险资产的价值，同时由于习惯性形成效应的作用使银行自身的投资水平存在惯性，加上追逐利益效应的驱使导致银行一方面改变了原先自身的投资组合，提高了风险资产的投资比率。当资产价格出现负冲击时，银行可能面临较高的市场风险；另一方面放松了信贷标准，导致贷款质量的下降，引发了信贷资产的信用风险。
其次，银行自身特征会影响到货币政策对银行风险承担的作用且由于这种异质性可能产生风险转移效应。从实证结果能够看到不同资本充足率、盈利能力的银行应对宽松的货币政策时，存在不同的反应。这是因为那些自身质量较高的银行，可能其风险管理能力和风险控制的意识较强，加之较强的盈利能力，当货币政策趋于宽松时，其风险承担对货币政策的敏感性可能不高。此外，由于这种异质性的存在，风险转移效应中的抵消作用可能产生。这主要是因为当银行自身投入较多的资本，以及其特许权价值较高时，如果过度承担风险可能导致自身遭受较大的损失，从而抑制了风险承担的意愿及行为。
最后，景气的宏观经济环境和激烈的竞争可能加强货币政策对银行风险承担的影响，这是因为在经济发展较快，整体货币环境较为宽松时强化了习惯性形成效应，使得银行将投资维持在较高的水平，风险投资比率会提高，由于对经济环境的乐观估计也会导致其放松信贷标准，影响信贷资产的质量；同时，银行业市场集中程度较低，竞争程度较高，将使追逐利益效应的影响也更为明显，导致银行会进一步降低风险意识，追求高收益从而过度承担了风险。
