*与银行风险承担宋科李振赵宣凯［提要］本文基于中国227家商业银行2005-2016年非平衡面板数据，实证检验中国宏
观审慎政策实施对于银行风险承担的影响。结果表明：宏观审慎政策增强会在一定程度上抑制银
行风险承担，而且这种显著的负向关系并不随着银行风险代理变量、经营辐射范围以及是否有外 资入股等条件的改变而发生变化。经济周期会对宏观审慎政策的有效性产生非对称性影响，即相 比在经济上行时期，在经济下行时期的宏观审慎政策对银行风险承担的抑制作用更强且更为显
著。就可能的影响机制而言，本文发现宏观审慎政策通过提高银行盈利能力，从而降低银行风险
承担。［关键词］ 宏观审慎政策；银行风险；经济周期；影响机制于此.2008年国际金融危机以来，在现行宏观经
一、引言与文献回顾20世纪70年代以来，无论是在发达国家还是
济政策框架当中进一步纳入“宏观维度”成为共 识。以抑制系统性风险、实现金融稳定为目标的宏
观审慎政策，在被提出30年后重回理论视野.而
发展中国家.即便是在现行宏观经济政策框架运行
良好的条件下.金融摩擦和市场不完全性等导致的
且还成为英美等主要发达国家金融监管体制改革的
主要内容。外部性和市场失灵，进而引发金融不稳定也无法避 免(Claessens, 2014)。一方面.价格稳定无法保
障金融稳定。传统理论所认为的金融稳定是价格稳
当前，宏观审慎政策框架的必要性与基本内容 等方面的研究已经取得很大进展.但是其政策有效
性问题还处于起步阶段。大多数研究集中于分析宏
定的“副产品”，对于20世纪70年代末期以来普 观审慎政策对金融体系乃至宏观经济的影响(如产
出增长与波动、金融危机形成)，或对相关经济金 融部门层面的影响(如信贷、房地产或其他资产价
遍出现的“金融不稳定悖论”缺乏足够的解释力
(Demirguc-Kunt 8»- Detragiache, 1997)。另一方
面.个体稳健无法保障系统稳健。危机前偏重个体 格)等中间目标的影响，较少从微观主体行为的视 角来研究政策工具对金融部门或者金融体系系统性
而忽略系统性的微观审慎监管与维护金融稳定的需
求并不匹配，现实当中无论是发达国家还是发展中
风险等最终目标的影响，特别缺少对于中国相关问 题的研究(Claessens, 2014)。就有限的微观视角国家均在过去的半个多世纪难逃危机的侵蚀。有鉴
*宋科、李振.中国人民大学财政金融学院、中国财政金融政策研究中心国际货币研究所；赵宣凯(通讯作者)，中
央财经大学中国互联网经济研究院、中国人民大学国际货币研究所.邮政编码：100081.电子信箱：xuankaizhao@
126.com。感谢匿名评审人提出的修改建议.笔者已做了相应修改.本文文责自负。43经济理论与经济管理 2()19年第1期研究来看，主要基于银行或者居民信贷的微观数据 进行政策有效性分析。Igan &• Kang (2011)利用
调查数据检验韩国贷款价值比(LTV)和债务收
入比(DTI)对房价和居民杠杆的影响。Gauthier
etal (2012)基于加拿大银行业数据，发现宏观审
慎资本要求会降低银行违约概率以及系统性危机发
生概率。巴塞尔银行监管委员会(BCBS)的研究 发现，全球系统重要性银行额外资本要求会抑制银
行规模增长，同时在一定程度上推动产出增长并降
低系统性金融危机发生概率(BCBS, 2013)。
Claessens &. Ghosh (2012)基于 2000—2010 年
170个国家的4 673家银行样本，检验LTV和 DTI、信贷增长限制、存款准备金率、动态拨备以
及国外贷款限制等对杠杆增长、资产增长以及非核
心对核心负债增长率等银行变量的影响，结果表明 DTI能够有效降低新兴市场国家金融部门的脆弱
性。Wang &• Sun (2013)通过对中国171家银行
的实证分析发现，尽管存款准备金要求、房地产政
策等具有一定有效性.但无法确保当前不发生系统
性风险。Claessens et al. (2014)实证检验48个
国家的宏观审慎政策对于2 800家银行资产负债表 的影响，结果发现.LTV和DTI、信贷增长和外
币贷款限制能够有效降低银行资产增长率。Aiyar
etal. (2016)、马勇和姚驰(2017)的研究强调，
较高的资本要求会帮助银行抑制贷款增长和增加资
本缓冲。不难看出，上述政策有效性分析还是集中于宏 观审慎政策对于信贷增长等中介目标的影响，缺乏
对于最终风险目标的研究；而且整体偏重于宏观视 角，微观视角研究相对较少。事实上，从银行风险 承担角度来评估宏观审慎政策的有效性.不仅可以
从银行行为的微观视角来审视政策工具的有效性， 而且可以将政策评估延伸至系统性风险目标.具有
非常重要的理论价值和现实意义。危机以来，与传 统信贷渠道和货币渠道不同，银行在货币政策周期
中的主动风险承担行为成为焦点。Borio &• Zhu (2008)较早地提出货币政策的风险承担渠道，认 为货币政策可以通过改变金融机构的风险认知和风
险容忍度.进而最终影响其信贷投放和投资行为。
很多国内外文献对此进行了详细讨论(Adrian &
44Shin, 2009；王晋斌和李博，2017)。事实上，宏
观审慎政策与货币政策的传导机制在一定程度上非
常相似，都是通过信贷和资产负债表渠道改变银行
个体行为，进而实现政策目标(Beau et al., 2012)。而且无论从时间维度还是从跨行业维度的
系统性风险来源来看.银行风险承担行为均扮演着
重要的角色。一方面，由于信息不对称，银行会出
于追逐利润、风险管理等需要而产生与经济周期同 向的行为趋势，从而导致实体经济“繁荣一萧条周
期”的“波幅”增大，形成金融体系顺周期性问
题。在经济上行期，银行会犯“一类信贷政策错
误”，扩张资产负债表，推高杠杆率；反之在经济
下行期犯“二类信贷政策错误”，缩表并降低杠杆。
由于“损失螺旋”的资产价格效应以及“保证金螺
旋”的存在，去杠杆化的收缩效应会使损失进一步 放大(Brunnermeier &- Pedersen. 2009)„ 此夕卜，
资本充足率监管、公允价值计量、贷款拨备制度、
存款保险制度等制度性约束，被证明能够加剧上述 银行的内生性顺周期效应(Manconi “ a/. , 2015；
宋科，2015)。另一方面，由于银行持有大量的共
同风险敞口，导致风险冲击会在银行间迅速传导， 从而引发系统性风险。在此过程当中，系统重要性 银行扮演着非常重要的角色。当然，上述两个维度
并不能完全解释宏观审慎政策的有效传导机制.银
行风险承担行为所引起的在金融体系内部，以及金 融部门与实体经济之间形成的风险外部性等问题同
样值得关注(De Nicolo et al. , 2012)。有鉴于此.在既有研究基础上，本文所做的创
新与拓展在于：一是从微观银行主体行为视角出
发，将宏观审慎政策有效性评估的对象从中间目标 延伸至银行系统性风险层面.实证分析中国宏观审
慎政策对银行风险承担的影响；二是从非对称性效
应分析.在经济周期的不同时期.检验宏观审慎政
策有效性存在的显著差异；三是从盈利能力角度系 统评估宏观审慎政策与银行风险承担之间的潜在影
响机制。本文其余部分的结构如下：第二部分是研
究设计.包括变量说明、模型设定和样本选择；第 三部分实证分析宏观审慎政策能否抑制商业银行的
风险承担行为，并在考虑经济周期的基础上进行异 质性分析；第四部分重点从盈利能力角度评估潜在的影响机制；第五部分是稳健性检验，首先解决基
准模型的内生性问题，然后对本文结论进行稳健性
检验；最后总结全文并提出相关政策建议。二、研究设计在本部分，笔者对本文所用变量、基准模型和
所选样本进行重点考察。首先，笔者对选用变量进
行定义并进行描述性统计；其次，基准模型给出宏
观审慎政策对银行风险承担影响的回归方程；最 后，笔者对初始样本进行处理，获得中国227家商
业银行2005-2016年非平衡面板数据。(-)变量说明1. 银行风险承担的代理变量。参考Laeven &• Levine (2009)的做法，本文选取Z值的自然对数
衡量商业银行的偿付能力和违约风险。Z值的具体
计算公式如下：Z-score = (ROA+Equity ToAsset) / S cl RO A(1)
式中，ROA表示商业银行的资产利润率；Equity-
ToAsset表示权益资产比；SdROA表示ROA的3 年移动标准差。Z值越大，表示银行偿付能力越
强，违约风险越小，银行越稳定。为避免尖峰后尾
的性质对回归结果的影响，笔者对计算得到的Z
值取自然对数，即In (Z-score) a本文也分别使用
资产利润率2年、4年和5年移动标准差计算Z 值，所得指标用作稳健性检验。同时，笔者也使用
资产利润率3年移动标准差(SdROA)作为商业
银行风险承担的代理变量，SdROA的数值越大. 表示银行风险承担越高。2. 宏观审慎政策的代理变量。宏观审慎政策
既包括防范系统性风险属性的专门工具，还有被赋
予宏观审慎职能的微观审慎工具和货币政策工具。
目前国际上较为权威的界定是由IMF组织的三次 跨国调查，第三次调查数据库于2018年4月公布，
本文也使用该次调查的数据(Dm et al. . 2011； Cerutti etal. , 2015)o中国是较早进行宏观审慎
政策实践的国家，尽管目前官方并没有明确的有关
宏观审慎政策的界定，但是大量政策已经在实践当 经济理论与经济管理 2019年第1期中被证明行之有效。有鉴于此，本文基于IMF调
查数据库构建宏观审慎政策指数(MPI),逐年对
13个可能使用的宏观审慎政策工具进行简单得分 加总，具体而言，包括存款准备金率、对金融机构
征税、资产负债表集中度限制、存贷比、时变/动
态准备金、贷款价值比、债务收入比、杠杆率、系 统重要性金融机构额外资本要求、流动性要求、差
别准备金动态调整机制及其升级版宏观审慎评估体
系、外汇贷款限制、外汇流动和跨境资金流动宏观
审慎政策框架等(Cerutti “a/. , 2015)。为增强本文分析结果的稳健性，笔者选取中国
使用频率较高的两类工具-一存款准备金率(De- positToReserve)和贷款价值比(LoanToValue), 共同作为宏观审慎政策的代理变量。其中，贷款价
值比是全球范围内使用频率最高的工具之一，在中
国也被频繁作为逆周期操作的工具。一般而言，首
套房是为满足居民住房的刚性需求，二套房是为满
足居民住房的改善型置业需求，监管当局对购买首
套房要求较为宽松，购房享有不同程度的按揭贷款
利率优惠，但对居民的二套房需求要求较为严格，
一般不存在购房的按揭贷款利率优惠。因此，为更
好地反映贷款价值比要求的政策影响.本文选用二
套房最低首付比要求的月度均值作为宏观审慎政策
的代理变量。2005—2016年，中国对全国范围内
的二套房最低首付比进行了多达8次的调整。存款
准备金率既可以作为货币政策工具又可以纳入宏观
审慎政策的范畴。作为货币政策工具，存款准备金
率一般会被设置在较低的水平上，经常被其他货币
政策工具替代；作为宏观审慎政策时，会被盯住且
保持在较高的水平上，已经被很多发展中国家用来
防范流动性风险与过度信贷扩张(Lim et al.,
2011； Gray. 2011)。2005—2016 年，中国对人民
币存款准备金率进行了多达40次的调整。3.控制变量。为避免遗漏变量的影响，本文 控制一系列宏微观变量。参考Jiang et al. (2017) 对控制变量的选择，本文使用的银行特质变量有总
资产(万元)的自然对数(TotalAssets)、权益资 产比(EquityToAsset),存款资产比(Deposit-
ToAsset),贷款资产比(LoanToAsset)。一般而 言.资产规模越大.权益资产比、存款资产比越
45经济理论与经济管理 2019年第1期高，贷款资产比越低，商业银行的风险承担越小。
担的影响。一般而言，银行业集中度越高、经济增 长越缓慢，商业银行承担的风险也越高。在稳健性 检验部分，本文还使用面板工具变量（IV）模型
但资产规模对于银行风险承担影响的结论要持谨慎
的态度.规模越大的商业银行可能面临更强的监管 规制（Delis & Kouretas, 2011）。本文选取四大
国有商业银行总资产占银行业金融机构比重
和固定效应（FE）模型解决可能存在的遗漏变量
问题。表1是本文主要变量的符号及含义，表2给 出这些变量的描述性统计。（CR4a）、实际GDP同比增速（RGDPG）分别控
制银行业集中度和宏观经济环境对商业银行风险承
表1
本文主要变量的符号及含义变量名称具体说明被解释变量：银行风险承担Z~score（资产利润率+权益资产比）/资产利润率3年移动标准差SdROASdROENPLRatio资产利润率（R（）A） 3年移动标准差资本利润率（R（）E） 3年移动标准差不良贷款率=不良贷款余额/贷款总额LLRToNPL不良贷款拨备覆盖率=贷款减值准备/不良贷款余额解释变量：宏观审慎政策MPI宏观审慎政策指数取自然对数.用当年采用的宏观审慎政策匸具数量作为代理变量Deposit T（）Reserve人民币存款准备金率，用人民币存款准备金率的月度均值作为代理变量Loa?iToValue贷款价值比.用二套房最低首付比要求的月度均值作为代理变量控制变量TotalAssets总资产（万元）的自然对数EquityTo Asset权益资产比=股东权益/总资产存款资产比=存款总额/总资产贷款资产比=贷款总额/总资产DepositToAssetLoa?iToAssetCR4a四大国有商业银行总资产占银行业金融机构的比重实际GDP同比增速=（1+GDP同比增速）/ （1+GDP平减指数）一1RGDPG其他变量PoliticalCycleROA政治周期虚拟变量.中国共产党全国代表大会召开当年取值为1,即2007年和2012年取值为1.其他 年份取值为0资产利润率=净利润/总资产期初期末均值资本利润率=净利润/净资产期初期末均值ROE（-）模型设定为评估宏观审慎政策对银行风险承担的影响.
+0”+q”皿 （2）本文使用OLS估计建立如下基准回归方程：Bank Riski„ml =a+R、XMP, +/z X X,„„„ +0,”46式中•被解释变量Bank Risk；表示银行类型m所
在省份\"的商业银行\"在/时期的风险承担，主要
包括取自然对数的Z值（Zsere）、资产利润率3年经济理论与经济管理 2019年第1期表2
描述性统计变量样本数均值标准差最小值最大值中位数Z-scoreSdROA1 5054. 050 10. 002 10. 030 60.013 90. 868 42. 240 50. 000 10. 002 00. 000 00. 558 41. 945 96. 560 80. 008 13. 971 40. 001 60. 023 20. 011 91 5051 5051 4460. 001 60. 025 4SdROE0. 129 90. 061 9NPLRatio0.010 1LLRToNPLMPIDepositToReserueLoanToValue1 4221 5053. 210 52. 360 60. 174 40. 421 73. 451 90. 225 50. 022 90. 115 826.717 92. 564 90. 198 30. 508 32. 300 92. 484 90. 175 01 5051 5051 5051 5051 5050. 080 40. 200 013. 235 40. 483 315.814 20. 070 70. 725 60. 474 8Total AssetsEquity To Asset16. 072 41.592 50. 042 50. 131 20. 113 10. 047 10. 020 60. 330 020. 698 70. 303 20. 922 70. 694 60. 537 60. 095 51. 000 00. 080 80.712 50. 034 20. 313 1DepositToAssetLoanToAssetCR4a1 5051 5050. 462 20.419 90. 180 90. 356 60.414 40. 054 9RGDPGPoliticalCycle1 5051 5050. 054 60.124 30.010 60. 151 40. 012 10. 000 00. 000 50. 003 00. 000 00.010 60. 153 6ROA1 5051 5050. 004 50. 072 50. 022 80. 346 4ROE移动标准差(SdROA)。核心解释变量MP,表示
宏观审慎政策，具体包括宏观审慎政策指数
业银行2005—2016年非平衡面板数据。所用银行
特征数据均来源于Wind数据库、BankScope及其
(MPZ).人民币存款准备金率(DepositToRe- 改版ORBIS Bank Focus全球银行和金融机构分析 库，以及商业银行年报。初始数据时间为2003-
seee)、贷款价值比(LoanToValue)。控制变量
X®,,”包括银行层面的总资产(万元)的自然对数
2016年，由于计算资产利润率3年移动标准差，
本文损失两年数据.实际数据期是2005—2016年。
笔者剔除基准模型所用变量存在缺失值的银行样 本。同时，为消除离群值对回归结果的影响，笔者
(.TotalAssets'),权益资产比(EquityToAsset)、存
款资产比(DepositToAsset) x贷款资产比(.Loan- ToAsset)，银行业层面的四大国有商业银行总资产
占银行业金融机构的比重(CR4a),宏观经济层面 的实际GDP同比增速(RGDPG)。0,”是银行类型
对选用银行特征变量在上下1%分位点进行缩尾处 理。笔者也对银行特征变量在上下5%分位点进行
效应，其中银行类型包括国有大型商业银行、股份 制商业银行、城市商业银行、农村商业银行和外资
法人银行，仇是省份效应，a是截距项，％”,是误 差项。为检验宏观审慎政策对银行风险承担的影
缩尾处理，所得结果与本文主要结论保持一致。在
剔除政策性银行以及数据连续期少于3年的商业银
行后，按照2017年中国银行业监督管理委员会公
布的商业银行分类，227家样本银行包括5家国有 大型商业银行、12家股份制商业银行、113家城市 商业银行、68家农村商业银行、29家外资法人银
响.本文把注意力放在&的符号方向和显著性水 平。在分析中，笔者报告异方差稳健标准误并在银 行层面进行聚类。行，本文使用的详细银行样本如表3所示。截至 2016年底，所用银行样本的总资产占银行业金融
机构总资产的比例为74.9%。因此，本文所选取
47(三)样本选择基于数据的可获得性，本文使用中国227家商
经济理论与经济管理 2019年第1期的银行样本覆盖国内主要商业银行，是一个具有较 强代表性的商业银行样本。宏观审慎政策指数和贷 款价值比的数据来自世界货币基金组织全球宏观审
表3 年份慎政策调查以及中国人民银行网站，人民币存款准 备金率以及其他银行业和宏观经济控制变量数据均
来自Wind数据库。本文使用的商业银行样本国有大型商业银行股份制商业银行城市商业银行农村商业银行外资法人银行合计2005200620072008444346022361520233991019142510142245520091212126476161910720102011555126150889423252729292520122013201420152016合计121212284068686632416418722722722055510311311311280712125561122061 505的水平上显著负相关。具体而言，模型(1)和模
三、实证估计与结果分析本部分的实证分析分两步进行：第一步，对宏 观审慎政策与银行风险承担的关系进行实证分析;
型(4)表明，采取的宏观审慎政策强度越大，商
业银行风险承担越小，这与Altunbas et al. (2017)的结果保持一致。模型(2)和模型(5)、 模型(3)和模型(6)表明，随着人民币存款准备
第二步，在基准模型的基础上，根据经济周期划分
样本，对宏观审慎政策影响银行风险承担进行异质 性分析。金率和贷款价值比水平的提高，商业银行风险承担
越小。在表4中，从控制变量的符号及显著水平可
以发现，商业银行资产规模(TotalAssets)的变
大，存款资产比(DepositToAsset)和实际GDP
(-)宏观审慎政策与银行风险承担基于回归方程(2),如表4回归结果所示，加
增长率(RGDP)的提高.均会显著降低商业银行 的风险承担。此外，在模型(1)〜模型(3)中，
强宏观审慎政策会显著降低银行风险承担。表4中 使用两个不同的风险指标作为被解释变量，模型
(1)〜模型(3)使用Z值(Zscore),模型(4)〜模
作为Z值重要组成部分的权益资产比(Equity ToAsset)在1%水平上显著正相关，表明权益资 产比的变大会增强银行稳定性。原因在于根据资本
缓冲理论，银行资本可以吸收不利冲击，从而降低 银行风险承担。在表4中，笔者使用聚类稳健标准 误并在银行层面进行聚类，同时控制银行类型效应
型(6 )使用资产利润率3年移动标准差
(SdROA) Q同时.笔者使用三种宏观审慎政策代理
变量：宏观审慎政策指数(MPD、人民币存款准备
金率(DepositTbReserue )、贷款价值比(Loan- TbValue)作为核心解释变量。如表4所示，在所
有情况下，宏观审慎政策与银行风险承担均在1%
48和省份效应。总体而言，相关证据表明，随着宏观
审慎政策的加强，商业银行风险承担会显著下降。经济理论与经济管理 2019年第1期表4
基准模型：宏观审慎政策对银行风险承担的影响模型(1)(2)(3)(4)(5)SdROA(6)被解释变量Z-score1.257 3***—MPI-0. 002 0***(0. 000 4)
(0. 183 7)——DepositToReserve一7. 303 1 ***(1.553 6)—一1.433 7***(0. 201 4)
—-0. 009 6*(0.002 4)一LoanToValue—0. 210 2**\"(0. 038 5)7. 670 7***(0. 885 9)一——0. 000-0. 002 1*(0. 000 3)TotalAssets0. 194 8***0. 196 0***(0. 037 8)
-0. 000 4***(0. 000 1)-0. 000 4***(0. 000 1)(0.037 3)(0. 000 1)EquityToAsset7. 356 4***(0.877 7)
7. 334 1***(0.872 5)0. 001 80. 002 2(0. 002 0)
0. 002 3(0. 002 0)(0. 001 9)—0. 001 9**Deposit ToAsset0. 759 5**(0. 308 4)
0. 619 0*0. 614 6**(0. 310 8)0. 583 5*—0. 001 7**-0. 001 7**(0. 000 8)(0.314 6)0. 549 7(0. 350 9)(0. 000 8)—0. 000 3(0. 000 8)—o. 003 r(0. 000 8)—0. 000 4LoanToAsset0. 509 5(0.345 6)—0. 000 4(0. 000 8)(0. 345 3)(0. 000 8)
CR^a2. 942 4***(0.975 5)
-0. 776 2(0. 683 9)—1. 794 7***(0. 659 1)0. 003 0**0. 004 3***(0.001 3)
(0. 001 8)—0. 004 9***(0. 001 4)—0. 007 3***RGDPG2. 239 0**(1.055 4)-4. 981 8***4. 373 7***(1. 076 5)5. 092 3***(1.088 7)-0. 008 9***(0. 001 9)
(0. 001 9)(0. 001 9)0.010 3***常数项类型效应— 1.502 0(0. 992 6)控制控制-0. 515 9(0. 886 7)控制控制0.016 r**0. 009 1***(1. 163 1)控制控制(0.002 4)控制控制(0. 001 9)
控制控制
(0. 001 8)控制省份效应控制R2样本数0.210 51 5050. 210 30. 225 61 5050. 258 90. 253 91 5050. 265 41 5052271 5052271 505227和分别表银行数227227227说明：表4使用（）LS模型，表内数字为变量的回归系数，对应括号内为银行层面的聚类稳健标准误/
示在10%, 5%和1%水平上显著。下表同。（-）宏观审慎政策、经济周期与银行风险承担 价值比（LoanToValue）的经济下行时期银行子样
本，模型（2）、模型（4）和模型（6）使用对应的
如表5所示，笔者使用Z值（Zscor）作为 被解释变量，模型（1）、模型（3）和模型（5）使 用的解释变量分别为宏观审慎政策指数（MPI）、 人民币存款准备金率（DepositToReserve）、贷款
经济上行时期银行子样本。本文参考马勇和姚驰
（2017）的做法计算经济周期，即对GDP同比增速
进行HP滤波处理取得周期波动项，当周期波动项49经济理论与经济管理 2019年第1期小于零时为经济下行期，否则为经济上行期。在表
5中，从宏观审慎政策(MPI, DepositloReserue ,
LoanToValue)系数显著性水平可以看出，经济下
行时期的银行子样本均在1%的水平上显著，经济
上行时期的银行子样本的显著性水平较弱。从宏观 审慎政策系数大小可以发现，经济下行时期的银行
子样本的系数均大于经济上行时期的银行子样本。 为进一步验证系数差异在统计意义上的显著性，笔 者使用经验P值进行检验。经由Bootstrap法计算 得到的经验P值分别为0. 000, 0. 000和0. 000, 均至少在1%水平上显著，即组间系数的估计值存
在显著性差异。经济周期对宏观审慎政策有效性存在非对称性
效应，可能的原因在于：从政策制定部门来看，在
经济下行时期，宏观审慎政策制定者更易于做出及
时且强有力的逆周期政策调整以应对经济下行可能
带来的风险，其政策有效性会显著增强。在经济上 行期.由于普遍受到增长“假象”迷惑且管理机制
权责不对称等问题的制约，宏观审慎政策制定者难 以及时采取逆周期操作.以抑制泡沫化增长所积累
的风险。从银行部门来看，在经济下行时期.商业 银行对宏观审慎政策的敏感性变大，更容易受到监
管政策的影响。商业银行会更加敏感保守，主动降 低自身风险，以应对监管政策和经济环境可能带来
的负面影响。反之亦反。笔者以房地产市场为例进
行说明。在经济上行时期，对于旨在稳定房价的宏 观审慎政策，虽然减少了房地产交易量，但出于刺
破泡沫的政策“恐惧”，政策执行效力并不明显，
从以往政策执行的情况看，较少有证据表明这些政 策能抑制房价上涨(IMF. 2014)。房价的持续上 涨会导致信贷扩张、抵押品价值和信贷风险增加，
因此，在经济上行时期，宏观审慎政策对于抑制房 地产市场过度繁荣和降低银行风险承担的影响较小 甚至不显著。但在经济下行时期.为防止经济下行
程度加深，政策制定部门更容易在相关政策调整上 达成一致.其政策执行效力会更加及时有效，能够
有效防止房地产市场紧缩，避免由于抵押物价值下
降所导致的银行资产质量的下降和盈利能力的恶化
(Crowe et al. , 2011)。此外，笔者使用资产利润率3年移动标准差50(SdROA)作为被解释变量，所得回归结果与表5
完全保持一致。总之，经济周期会对宏观审慎政策
的有效性产生非对称性影响，即相比在经济上行时
期.在经济下行时期的宏观审慎政策对银行风险承
担的抑制作用更强且更为显著。四、影响机制分析在本部分，本文进一步分析宏观审慎政策与银
行风险承担之间的潜在影响机制，重点考察宏观审
慎政策如何通过盈利能力影响银行风险承担行为。
由Z值计算公式可知，涉及Z值的3
个重要组成部分分别是商业银行的权益资产比
(EquityToAsset)、资产利润率(ROA)、资产利润
率3年移动标准差(SdROA)。资产利润率3年移
动标准差是银行风险承担的代理变量，其数值越
大，银行风险承担越大。从前文表4回归结果可
知，权益资产比与银行风险承担显著负相关，权益 资产比越大，银行承担的风险越小。通常而言，银 行的盈利能力越高，其承担的风险也越低，从Z 值的计算公式以及资产利润率和风险指标的皮尔森
相关系数符号显著性也可以得到此结论。因此，本
文只需要验证宏观审慎政策与银行盈利能力的正相
关关系，就可以说明宏观审慎政策通过改变盈利能
力从而影响银行风险承担。笔者使用资产利润率(ROA)、资本利润率
(ROE)作为银行盈利能力的代理变量，同样使用 宏观审慎政策指数(MPI)、人民币存款准备金率 (Def>ositT(>Reserve )、贷款价值比(LoanToValue )
作为核心解释变量。如表6所示，在所有情况下，
宏观审慎政策与银行盈利能力均在1%的水平上显
著正相关，表明随着宏观审慎政策的加强，商业银
行盈利能力会显著上升。一方面原因可能在于宏观 审慎政策的加强，会促使银行更加聚焦主营业务.
提高资产质量和风险管理水平，从而直接提高银行
的盈利能力。另一方面原因可能是由于宏观审慎政 策降低信息不对称带来的负面效应。商业银行为追
求利益最大化可能存在过度风险行为，由于信息不
对称的存在使得银行债权人索取风险补偿，从而提
高银行的筹资成本并降低盈利能力。在宏观审慎政经济理论与经济管理 2019年第1期表5
宏观审慎政策、经济周期与银行风险承担模型(1)(2)(3)(4)(5)(6)被解释变量Z-score下行期上行期子样本下行期一上行期下行期一上行期MPI3. 182 2如(0. 620 7)一0. 488 9*(0. 256 9)———Deposit T()Reserve17. 147 1***(2. 692 3)
-11. 298 1(11.785 9)—一—LoanToValue一一—1. 856 0***-2. 333 7(2. 190 0)
(0. 284 3)0. 253 4***TotalAssets0. 253 2***(0. 042 4)0. 106(0. 051 4)7. 212 8***(1. 154 5)0. 252 4***(0. 041 9)0. 103 7**(0. 051 7)0. 103 2**(0. 042 0)(0. 051 8)
EquityToAsset& 096 1 ***(1.061 3)7. 973 4***(1.058 0)0. 848 7**(0. 339 2)
7. 259 2***(1. 137 9)
7. 967 6***(1.057 8)7. 243 0***(1. 141 2)
DepositToAsset0. 863 1**(0. 340 8)0. 489 3(0. 461 7)0. 445 5(0.466 8)
0. 855 4**(0. 339 6)0. 437 4(0.466 6)0. 410 0LoanToAsset0. 580 1(0. 395 9)
0. 399 3(0. 458 8)0. 183 3(1.360 5)0. 557 9(0. 394 4)0. 405 4(0. 456 4)0. 536 2(0.394 7)—0. 404 4(0.455 3)—0. 630 3CR\\a13. 020 5 …(3. 243 9)4.498 3**(1.865 4)
0. 249 1(0. 971 6)-4.691 5(3. 299 6)(0. 913 3)(1.288 4)-15. 829 7(12. 801 7)RGDPG-0. 060 9(2. 919 7)6. 892 8***(1. 924 7)-19. 069 0(17. 446 5)
7. 223 9***(1. 946 1)—3. 281 8***常数项经验p值类型效应— 15. 458 6***(2.898 1)-0. 530 6(1.468 4)-5.759 8***(1.159 6)0. 000***5. 366 9(4.211 6)2. 600 3*(1. 522 0)
(0. 959 2)0. 000***控制
0. 000 ***控制控制
控制控制控制控制
控制控制控制省份效应控制控制R2样本数0. 223 80. 153 55542220. 234 19510. 150 25542220. 234 79512270. 150 7554222951227银行数227说明：经验〃值用于检验组间宏观审慎政策(MPI、DepositToReserue * LoanToValue)系数差异的显著性，通过自体抽样(Bootstrap) 1 000 次取得。策加强后，商业银行会更加严格地约束自身可能的 间的不信任，从而降低银行融资成本并提高盈利过度风险行为，这会间接通过缓解债权人和银行之 能力。51经济理论与经济管理 2019年第1期表6
模型被解释变量宏观审慎政策与银行盈利能力(1)(2)ROA(3)(4)(5)(6)ROEMPI0. 005 6\"**(0.000 7)—0. 057 1 …(0. 005 8)一-0. 052 2出(0.011 6)——-Deposit T()Reserue—0. 662 2 …(0.095 5)-LoanToValue—0. 000 5\"(0. 000 2)一0. 000 3(0. 000 2)0. 008 3 ***(0. 000 7)一o. 006 r*(0. 003 0)—0. 362—0. 004 3(0. 003 0)0. 090 2小(0.011 6)0. 005 0\"TotalAssets0. 000 4(0. 000 2)(0. 003 0)
EquityToAsset0. 024 6 g(0. 007 3)0. 020 7***(0. 007 1)0. 022 L-0.411(0. 076 5)-0. 392 5 …(0. 075 1)0. 024 0(0. 007 1)0. 001 3(0. 073 6)Depos itToAsset0. 002 20. 000 8(0. 002 3)0. 035 1(0. 023 4)0.017 9(0. 024 7)(0. 002 1)0. 000 8(0. 002 2)0. 001 4(0. 002 3)(0. 024 1)LoanToAsset0. 001 5(0. 002 4)-0. 061 6*(0. 031 5)—0. 052 8*(0. 031 3)-0. 054 7#(0. 031 4)0. 437 7 …(0. 002 3)0. 039 7***(0. 004 7)—0. 025CR4a0. 028 1 …(0. 003 3)
0.019 2***(0.003 5)0. 625 1 …(0.067 3)—0. 387 9小(0. 066 8)0. 542 4 ⑷(0.045 6)(0. 048 9)—0. 177 6 …RGDPG—0. 003 9(0. 004 1)-0.018 r**-0. 007 V(0.004 2)-0. 123 5#,(0. 061 2)(0. 004 3)(0. 064 9)—0. 109 6常数项—0. 028 5##,-0. 009 2(0. 005 8)控制—0. 283 2***(0. 083 2)
控制控制-0. 214 5***(0. 070 5)控制控制(0. 006 5)控制控制(0. 005 9)控制(0. 069 7)控制控制类型效应省份效应控制控制R2样本数银行数0. 328 60. 367 00. 359 81 5050. 499 10. 522 30.515 71 5051 5052271 5052271 5051 505227227227227商业银行风险承担，但所得结果可能面临内生性问
五、稳健性检验在本部分，笔者首先使用面板工具变量估计方
题。笔者分别使用面板工具变量广义矩估计方法、
自变量滞后一期和固定效应模型，试图消除对可能
存在的内生性问题的关注。法、自变量滞后一期和固定效应模型，解决基准模
型可能存在的内生性问题。然后，使用不同的银行
解释变量与扰动项不相关是OLS成立的关键 条件，否则会导致()LS估计的不一致。为解决基 准模型中可能存在的内生性问题，笔者使用政治周
风险代理变量和不同的样本选择标准.对基准模型 进行稳健性检验。(―)内生性检验基准模型表明宏观审慎政策的加强会显著降低52期(PoliticalCycle)作为宏观审慎政策的工具变
量。与Levitt (1997)做法类似，政治周期是虚拟
变量，中国共产党全国代表大会召开当年(2007经济理论与经济管理 2019年第1期年和2012年）取值为1,其他年份取值为0。中国
周期与宏观审慎政策均在1%的水平上显著正相 关，即在中国共产党全国代表大会召开当年，中国
人民银行会加强监管，强化宏观审慎政策的使用。 当第一阶段F统计量小于10以及偏疋接近0时，
共产党全国代表大会每五年举行一次，是中国政治 生活的标志性事件。在党代会召开当年，中国人民
银行往往会加强宏观审慎监管，以降低金融机构风 险，维护宏观经济金融稳定。同时，该工具变量对
意味着存在弱工具变量问题（Bound era/. , 1995；
银行风险承担具备完全的外生性。Staiger & Stock, 1997）O表7中F统计量远大于 10和偏應不接近0,表明不存在弱工具变量的问
题。此外，笔者使用两阶段最小二乘法（2SLS）
表7使用面板工具变量广义矩（IV-GMM）估
计方法，报告宏观审慎政策对银行风险承担的回归 结果。Panel A汇报了第二阶段回归结果，从模型
（1）〜模型（6）可以看出，宏观审慎政策与银行
和有限信息最大似然值（LIML）检验结果的稳健 性，主要结论仍没有发生改变。总之，考虑基准模 型可能存在的内生性问题，笔者使用面板工具变量
风险承担均在5%的水平上显著负相关，即加强宏
观审慎政策会降低商业银行风险承担，这与基准模
估计后发现，宏观审慎政策与银行风险承担的负向
型回归结果保持一致。Panel B汇报了第一阶段回 归结果，从模型（7）〜模型（9）可以看出，政治表7
关系依然显著存在。内生性检验：IV-GMMPanel A：第二阶段模型
(1)(2)Z-score(3)(4)(5)(6)被解释变量SdROA—-o. 003 r#MPI1.945 4**(0. 784 9)
一(0. 001 6)
—一—DepositToReserveLoanToValue控制变量类型效应——控制控制控制9. 080 8**(3. 730 4)—-0.014 7**(0. 007 3)
—控制控制控制
一—控制控制控制1. 114 2**(0. 456 9)
控制控制控制
—控制
-0. 001 8,#(0. 000 9)控制控制控制控制控制省份效应样本数1 5052271 5052271 5051 5052271 5052271 505227银行数227Panel B：第一阶段模型被解释变量(7)(8)DepositToReserve(9)MPI0. 068 7 …(0. 003 6)LoanToValuePoliticalCycle0.014 7-(0. 000 5)0. 120 0\"(0. 002 8)1 793.087(0. 000 0)
F统计量（P值）偏疋364.642 3(0. 000 0)729. 039 5(0. 000 0)0. 042 90. 074 50. 112 3说明：表7使用面板IV-GMM模型给出宏观审慎与银行风险关系的结果。工具变量是政治周期（PoliticalCycle）。53经济理论与经济管理 2019年第1期被解释变量和自变量的相互影响可能导致内生 性问题的产生。作为前定变量的自变量，与当期自 变量相关，但较少受到当期被解释变量的影响，使
于不同银行样本选择标准的稳健性。在表8中.基于不同银行风险代理变量进行稳 健性检验.这些代理变量包括分別使用资产利润率
2年、4年和5年移动标准差计算的Z值(Z
用自变量的滞后一期可以较好地解决被解释变量和
自变量相互影响可能导致的内生性问题。因此，本
文使用解释变量和控制变量的滞后一期进行回归。
score 2, Z-score 4, Z-score 5 )、资本利润率 3 年移
动标准差(SdROE)、不良贷款率(NPLRatio)
所得回归结果与基准模型保持一致。和不良贷款拨备覆盖率(LLRToNPL)。SdROE
和NPLRatio的数值越大，表明商业银行风险承
虽然本文参考已有文献对可能影响银行风险承 担的变量进行控制，但本文的基准模型设定不能控
制影响银行风险承担的所有潜在的因素。为避免可
担水平越高；LLRToNPL数值越大，商业银行有
更多的贷款减值准备以应对可能的风险，表明商业 银行风险承担水平越低。笔者分别使用宏观审慎政 策指数(MPI)、人民币存款准备金率(Deposit-
能存在的遗漏变量问题对回归结果的影响.笔者使
用面板固定效应模型进行回归。所得回归结果与基
准模型完全保持一致。ToReserve)、贷款价值比(LoanToValue)作为核
(二)进一步检验心解释变量。从宏观审慎政策(MPI、Deposit-
为进一步增强基准模型实证结果的稳定性.本
文主要从以下两个方面进行稳健性检验：第一，基
ToReserve, LoanToValue)系数显著性水平可以
看出，在所有情况下.宏观审慎政策与商业银行风 险承担均至少在5%水平上显著负相关，即随着宏
于不同的银行风险代理变量进行回归，考察回归结 果对于不同银行风险代理变量的稳健性；第二.基 于不同的样本选择标准进行回归，考察回归结果对表8
观审慎政策的加强.商业银行风险承担会显著下
降。所得回归结果与基准模型完全保持一致。稳健性检验：不同银行风险变量被解释变量解释变量Z-score 20. 577 2”(0. 278 6)Z-score 41.029 7\"**(0. 160 0)
Z-score 51. 125 1 …SdROENPLRatio—0. 010 4 …LLRToNPLMPI-0. 032 7-(0. 007 2)—0. 192 O**\"3. 893 I*\"(0.753 7)(0.236 0)7. 960 7***(0. 002 4)Deposit T()Reserve5. 895 3***(1.823 9)7. 007 3 …(1.535 9)
-0. 193 7小(0. 020 7)25. 332 2\"(5. 293 3)(1.882 2)2. 823 5***(0. 041 8)
Loa?iToValue2. 144 6,-(0. 628 1)2. 675 6 …(0. 406 2)
—0. 085 0*,#-0. 029 r*w(0. 005 9)9. 857 4 …(1.812 3)(0. 601 5)(0.017 3)
基于不同银行样本选择标准进行稳健性检验。 模型(4)和模型(6)使用对应的全国银行子样
在表9中.笔者将样本划分为全国银行和地方银行 子样本进行稳健性检验。其中，全国银行包括国有 大型商业银行、股份制商业银行；地方银行包括城 市商业银行、农村商业银行、外资法人银行。如表
9所示，笔者使用Z值(Z-score)作为被解释变
本。从宏观审慎政策(MPI, DepositToReserve,
LoanToValue)系数显著性水平可以看出，在绝大 部分情况下.宏观审慎政策与商业银行风险承担显
著负相关。从宏观审慎政策系数大小可以发现，地
方银行子样本的系数与全国银行子样本相差不大。
量，模型(1)、模型(3)和模型(5)使用解释变 量分别为宏观审慎政策指数(MP?)、人民币存款
为进一步验证系数差异在统计意义上的显著性.经
由Bootstrap法计算得到的经验p值分别为0. 493.
准备金率(Deposit ToReserve )、贷款价值比 0. 298和0. 121,即组间系数的估计值不存在显著
(LoanToValue)的地方银行子样本，模型(2)、54性差异。此外，笔者使用资产利润率3年移动标准经济理论与经济管理 2019年第1期差（SdROA）作为被解释变量，所得回归结果与 银行风险承担，同时，这种影响不存在显著性表9完全保持一致。总之.无论是地方银行子样本
差异。还是全国银行子样本.宏观审慎政策均会显著降低表9
稳健性检验：地方银行与全国银行模型(1)(2)(3)(4)(5)(6)被解释变量Z-score子样本地方全国地方全国地方全国MPI1. 267 9***1.214 4**(0. 198 3)(0.473 7)—一——Deposit ToReserve——7. 348 2***5. 066 2(1. 757 7)(3.819 7)——Loa?iToValue一——一1.358 3***1. 950 7***(0. 213 1)(0. 569 9)经验p值0.4930. 2980. 121控制变量控制控制控制控制控制控制类型效应控制控制控制控制控制控制省份效应控制控制控制控制控制控制
R20. 169 80. 363 70. 166 90. 354 30. 181 10. 408 1样本数1 3371681 3371681 337168银行数210172101721017在表10中，笔者将样本划分为外资未入股银 Bootstrap法计算得到的经验p值分别为0. 192,
行与外资入股银行子样本进行稳健性检验。如表
0. 482和0. 032,即组间系数的估计值在大部分情
10所示，笔者使用Z值（Zscwe）作为被解释变
况下不存在显著性差异。此外，笔者使用资产利润
量，模型（1）、模型（3）和模型（5）使用解释变
率3年移动标准差（SdROA）作为被解释变量,
量分别为宏观审慎政策指数（MPI）、人民币存款 所得回归结果与表10完全保持一致。总之，无论
准备金率（DepositToReserve ）、贷款价值比 外资是否入股商业银行，宏观审慎政策均会显著降
（LoanToValue）的外资未入股银行子样本，模型 低银行风险承担，同时，这种影响不存在显著性 （2）、模型（4）和模型（6）使用对应的外资入股
差异。银行子样本。从宏观审慎政策（MP?, DepositToReserve, LoanToValue-）系数显著性水平可以
六、主要结论与政策启示看出，在所有情况下，宏观审慎政策与商业银行风
险承担均至少在10%的水平上显著负相关。从宏 本文使用中国227家商业银行2005—2016年 观审慎政策系数大小可以发现，外资未入股银行子
非平衡面板数据，实证检验中国宏观审慎政策实施
样本的系数与外资入股银行子样本相差不大。为进
对于银行风险承担行为的影响。在充分讨论内生性
一步验证系数差异在统计意义上的显著性，经由问题的基础上.本文还使用不同的银行风险代理变55经济理论与经济管理 2019年第1期表10
稳健性检验：外资未入股银行与外资入股银行模型(1)(2)(3)Z-score(4)(5)(6)被解释变量子样本未入股入股未入股一入股未入股入股一MPI1. 128 5***1. 545 4***(0.204 8)(0. 431 2)
—De posit ToReserve—6. 645 7***6. 468 9*(3. 305 4)(1.615 2)——LoanToValue经验p值控制变量类型效应一—0. 192—1. 203 9***(0.215 5)1. 968 2***(0.499 8)0. 482控制控制
0. 032**控制控制控制控制控制
控制控制控制控制控制控制控制控制省份效应控制控制控制R2样本数银行数0. 146 70. 316 83440. 145 11 1610. 300 60. 156 61 1610. 341 71 161188344393443939188188量和不同的银行子样本等方法对基准模型进行稳健
性检验，结果表现出较强的稳健性与一致性。具体
政策传导中的重要作用，更为重要的是，在党的十
九大报告中明确提出要“健全货币政策和宏观审慎
结论如下：第一，宏观审慎政策与银行风险承担存 政策双支柱调控框架”，将宏观审慎政策提升到同
货币政策并列的地位，而且旨在加强金融监管协调
在显著的负向关系。宏观审慎政策的增强会在一定 程度上抑制银行风险承担，反之亦反。这种显著的
负向关系并不随着银行的风险承担代理变量、经营
的国务院金融稳定发展委员会也于2017年全国金
融工作会议上宣布设立，在此情况下，加强并完善
宏观审慎政策框架势在必行。在此过程中，要特别
辐射范围以及是否有外资入股等条件的改变而发生
变化。第二，经济周期会对宏观审慎政策的有效性 产生非对称性影响，即相比在经济上行时期，在经
济下行时期的宏观审慎政策对银行风险承担的抑制
注意宏观审慎政策实施对于银行体系系统性风险的
影响。一方面，要注重宏观审慎政策的协调搭配, 以及区分经济上行时期与下行时期的政策选择，同
时，通过对政策的预调微调来改善银行的风险承担
作用更强且更为显著。第三，宏观审慎政策会通过
盈利能力来改变银行的风险承担行为。加强宏观审 慎监管政策，会导致银行盈利能力的显著提升，进 而抑制银行风险承担。从银行风险承担的角度来理解宏观审慎政策的
行为，以确保守住不发生系统性金融风险的底线。
另一方面，在宏观审慎政策实施过程当中，不仅要
注重银行风险指标的变化，更要考虑银行盈利能力 等指标变化及其影响银行风险承担行为的内在传导
有效性对于中国具有重要的现实意义和政策启示。 机制，并在此基础上尽快完善宏观审慎政策框架的
不仅仅考虑到银行在中国金融体系结构和宏观经济参考文献中间目标和最终目标体系。马勇、姚驰.2017：《监管压力、经济周期与宏观审慎政策效果》，《经济理论与经济管理》第1期。56经济理论与经济管理 2019年第1期宋科，2015：《金融体系制度性顺周期机制：理论与实证分析》，《经济理论与经济管理》第1期。王晋斌、李博.2017：《中国货币政策对商业银行风险承担行为的影响研究》，《世界经济》第1期。Adrian, T. , and H. S. Shin, 2009, \"Money, Liquidity, and Monetary Policyn, American Economic Revi(ruu^ 99 (2)： 600 - 605.Aiyar, S. , C. W. Calomiris, and T. Wieladek, 2016, \"How Does Credit Supply Respond to Monetary Policy and Bank
Minimum Capital Requirements?n, European Economic Review, 82 (8): 142 - 165.Altunbas, Y. , M. Binici, and L. Gambacorta, 2017, uMacroprudential Policy and Bank Risk”，BIS Working Paper
No. 646.Basel Committee on Banking Supervision (BCBS), 2013, \"Basellll： The Liquidity Coverage Ratio and Liquidity Risk Monitoring Tools\", Basel: Bank for International Settlements.Beau, D. , L. Clerc, and B. Mojon, 2012, uMacro-prudential Policy and the Conduct of Monetary Policy\", Banque de
France Working Paper No. 390.Borio, C. , and H. Zhu, 2008, uCapital Regulation, Risk-taking and Monetary Policy： A Missing Link in the Transmission Mechanism? n, BIS Working Paper No. 26&Bound, J. , D. A. Jaeger, and R. M. Baker, 1995, \"Problems with Instrumental Variables Estimation When the Correla
tion between the Instruments and the Endogenous Explanatory Variable Is Weak”，Journal of the American Statistical Asso- ciation , 90 (430)： 443 - 450.Brunnermeier, M. K. , and L. H. Pedersen, 2009, 14 Market Liquidity and Funding Liquidityn, Review of Financial Studies, 22 (6)： 2201 - 2238.Cerutti, E. , S. Claessens, and L. Laeven, 2015, \"The Use and Effectiveness of Macroprudential Policies： New Evi- dence^^, Journal of Financial Stability, 28 (2): 203 - 224.Claessens, S. , 2014, \"An Overview of Macroprudential Policy Tools”，IMF Working Paper No. WP/14/214.Claessens, S. , and S. R. Ghosh, 2012, uMacro-prudential Policies： Lessons for and from Emerging Markets”，University of Hawaii Working Paper.Claessens, S. , S. R. Ghosh, and R. Mihet, 2014, uMacro-prudential Policies to Mitigate Financial System Vulnerabili
ties\ IMF Working Paper No. WP/14/155・Gray J. , 2011, uWhat Is Systemic Risk and What Can Be Done about It? A Legal Perspective0, EUI-RSCAS Working Paper No. 55.Crowe, C. W. , G. Dell' Ariccia, D. Igan, and P. Rabanal, 2011、“How to Deal with Real Estate Booms： Lessons from Country Experiences”，IMF Working Paper No. 11/91.De Nicolo, G. , G. Favara, and L. Ratnovski・ 2012, uExternalities and Macroprudential Policy”，IMF Staff Discussion Notes No. 12/05.Delis, D. , and G. P. Kouretas, 2011, u Interest Rates and Bank Risk-takingn, Journal of Banking & Finance, 35 (4)： 840 - 855.Demirguc-Kunt, A. , and E. Detragiache, 1997, \"The Determinants of Banking Crises： Evidence from Industrial and Developing Countries\ World Bank Policy Research Working Paper No. 1828.Gauthier, G. , A. Lehar, and M. Souissie, 2012, 14Macroprudential Capital Requirements and Systemic Risk'', Journal of Financial Intermediation » 21 (4) : 594 - 618.Igan, D. , and H. Kang, 2011, “Do Loan-tcrvalue and Debt-to-income Limits Work? Evidence from Korea”，IMF Working
Paper No. 11/297.IMF, 2014, uSelected Issues Paper on Sweden\", IMF Country Report No. 14/262.Jiang, I,, R. Levine, and C. Lin, 2017, \"Does Competition Affect Bank Risk?'\\ NBER Working Paper No. w23080.Laeven, L. , and R. Levine, 2009, 11 Bank Governance, Regulation and Risk Taking”，Journal of Financial Economics ,93 (2): 259 - 275.57经济理论与经济管理 2019年第1期Levitt, S. D. , 1997, “Using Electoral Cycles in Police Hiring to Estimate the Effect of Police on Crime'', American Economic Review, 87 (4): 1244 - 1250.Lim, H. , F. Columba, A. Costa, P. Kongsamut, A. Otani, M. Saiyid» T. Wezel, and X. Wu, 2011, 14Macroprudential Policy： What Instruments and How Are They Used? Lessons from Country Experiences\" , IMF Working Paper No. WP/
11/238.Manconi, A. , M. Massa, and L. Zhang, 2015, uBondholder Concentration and Credit Risk： Evidence from a Natural
Experimentn, Review of Finance» 20 (1) ： 127 - 159.Staiger, D. , and J. H. Stock, 1997, 11 Instrumental Variables Regression with Weak Instrumentsn, Econometrica, 65 (3)： 557- 586.Wang, B. , and T. Sun, 2013, uHow Effective Are Macroprudential Policies in China?IMF Working Paper No. WP/ 13/75.(责任编辑：付敏)MACRO-PRUDENTIAL POLICY, BUSINESS CYCLE
AND BANK RISK-TAKINGSONG Ke1 LI Zhen1 ZHAO Xuan-kai112(1. Renmin University of China； 2. China Center for Internet Economy Research,Central University of Finance and Economics)Abstract: This paper empirically studies the effects of macro-prudential policy on commercial bank
risk-taking based on the unbalanced panel data of 227 Chinese commercial banks from the year 2005 to 2016. The results show that an intensification of macro-prudential policy materially reduces bank risk. Moreover, this significant negative relationship does not change with the changes of bank's risk-taking measures, business scope, and cross-border acquisition. The business cycle has an asymmetric impact on
the effectiveness of macro-prudential policy. That is, macro-prudential policy has a stronger and more pro
nounced inhibitory effect on bank risk-taking during economic downturn. With respect to the mechanism, we find that macro-prudential policy increases bank profits that reduce bank risk-taking.Key words: macro-prudential policy； bank risk； business cycle； mechanism58
因篇幅问题不能全部显示，请点此查看更多更全内容