如何提升金融系统性风险监测的前瞻性？

中央金融工作会议要求，“统筹发展和安全，牢牢守住不发生系统性金融风险的底线，坚定不移走中国特色金融发展之路，加快建设中国特色现代金融体系“，其中的关键在于如何提高系统性风险监测的前瞻性、全面性和强化宏观审慎监管的深入性、有效性。为此，我们结合前期研究，推出了“系统性风险监管”分享系列。本文是系列研究的第二篇。

经济金融发展是“融资—投资—盈利—偿债”不断循环反复的过程，金融系统性风险很大程度上是实体经济主体债务违约在金融体系的“映射”，且在时间顺序上先于金融风险的变化。为了提高风险防控的前瞻性和全面性，金融系统性风险监测需要前置到实体经济，增加实体经济债务规模、债务结构、偿债能力等方面的变化监测。这样也有助于更好滴把握金融系统性风险的来源，评估风险的大小，理清风险传导的路径。‍

前文（金融系统性风险监管框架需要重构）的研究表明，经济金融发展是“融资—投资—盈利—偿债”不断循环反复的过程，从根源上看，金融体系的风险很大程度上是信贷资金在实体经济的错误配置导致的，最终来自于实体经济主体的债务违约；系统性金融风险防控的主体虽然是金融机构和监管部门，但系统性金融风险监管不能只局限在金融体系，需要前移到监测防控实体部门的债务变化和债务风险上。

具体到提高金融系统性风险的前瞻性上，金融系统性风险的监测还需要前置到实体经济部门，增加实体经济债务规模、债务结构、偿债能力等方面的监测。

前置增加实体经济的债务规模变化监测

相对于“广义信贷/GDP”，“实体经济债务/GDP”对于监测和识别银行业系统性风险具有两方面的显著优势。

一方面，在测算范围上，相对于广义信贷/GDP，实体经济债务/GDP的范围更大，还包括政府债务和非正规借贷。在我国，近年来地方政府债务特别是各种隐性地方政府债务快速增长，民间借贷较为活跃，互联网金融快速发展，政府债务和非正规借贷风险对我国金融体系风险的影响不可忽视。

另一方面，在监测对象上，“实体经济债务/GDP”监测的是信贷需求方——实体经济主体的债务，而“广义信贷/GDP”监测的是信贷供给方——金融机构的资产。信用风险的暴露最终来自信贷需求方的债务违约，因此“实体经济债务/GDP”监测有利于更好把握系统性风险的根源和提高系统性风险监测的前瞻性、全面性。

在方法上，当前宏观审慎监管中采用的“广义信贷/GDP”类似，“实体经济债务/GDP”监测的也是“实体经济债务/GDP”相对于其趋势值的偏离度。具体实施过程中，通过历史数据计算“实体经济债务/GDP”偏离度的安全区间和风险区间，进而划定不同程度的预警信号。

增加实体经济的债务结构变化监测

在实体经济债务规模一定的情况下，债务在企业部门、家庭部门、政府部门之间的不同分布，债务在各个实体行业的不同分布，都会影响到实体经济债务风险的暴露和向金融体系的传染。静态地看，这是因为不同部门、不同行业在不同时期的收入增长、抵押品价值等存在差异，即债务偿付能力不同，决定了金融体系风险的分布结构。动态地看，这是因为银行信贷等资金流向不同部门、不同行业，意味着不同的资金产出效率，决定了整个实体经济未来的潜在增长率和整个金融体系的潜在系统性风险。

在国外，国际清算银行Borio 等（2015）的研究发现，随着金融体系的信贷扩张，房地产行业和基础设施行业的贷款和债务会快速上升，并对抵押物不足的制造业、R&D等行业的债务融资产生挤出效应，最终导致实体经济产出效率的下降和金融体系脆弱性的上升；国际货币基金组织在2018年4月发布的《全球金融稳定报告》研究指出，信贷在不同行业、企业的不合理配置是金融体系脆弱性的重要来源（IMF，2018）。在国内，朱太辉等（2018）分析了金融资源在不同行业企业的分布对企业公平竞争和金融体系稳定的影响机制。

因此，金融系统性风险监测体系应该增加对实体经济债务结构变化的监测。具体而言，可以一下监测模型：‍‍‍‍‍‍‍‍

在具体的监测方法上，可以参照现有的“广义信贷/GDP”监测，但要体现结构性。一方面，不同部门、不同行业的负债率指标从可比性上考虑可以选择GDP作为分母，但也应同时考虑该部门、行业的产出或者收入；另一方面，不同部门、不同行业的负债率偏离度的安全区间和风险区间设置要充分考虑该部门、行业的自身特征，如发展阶段、收入增速、抵押物状况等。

增加实体经济的偿债压力变化监测

虽然债务规模和负债率是影响债务人是否债务违约的重要因素之一，但债务违约与否最直接的影响因素是债务人的偿债压力或偿债率（Debt Service Ratio，DSR），如（2）所示。BIS的研究发现，经济衰退前私营部门的偿债率（DSR）变化会导致产出下降，并提前1—2年预警银行业系统性风险；在银行业危机爆发前1年左右，DSR预警的可信度要高于信贷/GDP缺口，是表现最好的早期预警指标，而信贷/GDP缺口更适用于较长经济周期的情况，两者具有一定的互补性（Drehmann and Juselius，2012）。因此，在监测实体经济债务规模变化的同时，增加实体经济偿债压力监测，有利于提高系统性风险监测的有效性。

在这方面，一个可以选择的监测指标是“隐含不良贷款率”。隐含不良贷款率（implied NPL ratio），最初由高盛公司和国际货币基金组织（IMF）在20世纪末、21世纪初的研究所提出（Ramos et al.，1998；Heytens and Karacadag，2001），是在计算实体企业息税前利润EBITDA（Earning Before Interest, Tax, Depreciation and Amortization，扣除利息、所得税、折旧和摊销前的营业利润）的基础上，进一步比较EBITDA与利息支出的大小，进而对企业的债务违约风险进行判断。

隐含不良贷款率的计算公式如（3）所示。该指标从企业财务角度入手，比较企业盈利情况和付息成本，可以用来前瞻性地判断银行贷款的坏账率。熊利平和蔡幸（2012）的研究表明，隐含不良贷款率具有多方面的优越性：该指标简单直观地反映了企业的贷款质量，从微观企业获取的数据比银行信贷数据更具前瞻性，具有不错的预警效果。

另一个可选择的监测指标是企业“破产距离”。“破产距离”是指企业潜在负债率（潜在资产和负债的百分比偏差）与资产波动的比率，一般用来衡量企业陷入财务困境的程度。其值越大，表明企业资产价值距离破产点越远，财务稳健性越大，企业出现偿债压力和债务违约概率越小。破产距离DI的计算公式如下：

Andrew et al.（2013）根据企业间破产距离的分布特征度量了美国金融市场的稳健性，发现度量结果所预警的破产危机与美国1926-2012年间的三次大萧条在时间上完全吻合。企业破产距离的优势在于，它不像结构化信用风险模型估计违约距离指标那样复杂，可以通过监测企业股价波动来实现，且便于长时间不间断地跟踪监测。

此外，相对于监测银行等金融机构“违约距离”的或有权益分析法（Contingent Claims Analysis，CCA）（Gray and Malone，2008；Gray and Jobst，2010；范小云、方意和王道平，2013），通过监测银行等金融机构的债务人——负债企业的破产距离，可以更加前瞻性地把握金融系统性风险的变化。在金融系统性风险监测的实践中，可以将企业DI分析法和金融机构CCA分析法结合起来应用，相互补充和印证。

本文来自微信公众号“太辉研究”（ID：taihuiyanjiu202308），作者：朱太辉，36氪经授权发布。