近年来，受国内外众多因素影响，我国经济增速放缓，商业银行不良贷款反弹，同业融资规模日益增大，潜在风险不断累积，这些状况严重威胁着我国银行体系的安全和稳定，影响我国金融体系的健康和经济的高质量发展。党的十九大要求“健全货币政策和宏观审慎政策双支柱调控框架，健全金融监管体系，守住不发生系统性金融风险的底线”。在我国金融体系中，商业银行依然是主要参与者，银行业对实体经济的贷款规模占全社会融资规模70%以上（王连军，2018），加之银行“大而不能倒”的特性及其固有脆弱性，银行系统成为我国金融体系系统性风险中最重要的一环。2008年金融危机后，《巴塞尔协议III》要求把银行杠杆率纳入宏观审慎监管体系。引入杠杆率监管目的之一就是要避免银行体系过度依赖杠杆手段发展业务，同时减少在去杠杆过程中金融体系对实体经济的冲击。为此，我国银监会分别于2011年和2015年发布和修订《商业银行杠杆率管理办法》，完善我国银行的杠杆率监管框架。据Wind金融客户端数据显示，2016年以来，我国商业银行杠杆率缓步上升，商业银行为适应金融市场新常态，采取了积极、稳妥、渐进的方式去杠杆。同时，考虑到经济增长、市场环境以及去杠杆面临的信贷增长减弱、信贷资金枯竭等不利影响，监管部门在稳步推进商业银行去杠杆同时，还通过货币政策调控来确保银行体系流动性合理充裕，保持内部均衡与外部均衡之间的平衡。为推动经济供给侧结构性改革，自2015年起，我国央行在国内外宏观经济环境和金融市场动荡变化的情形下，数次下调了存款准备金率，激励商业银行调整信贷结构，更好地支持实体经济发展（见图1）。

图  1  2016−2019年我国商业银行杠杆率和存款准备金率变化情况

2017年央行正式使用宏观审慎评估体系（MPA），从资本和杠杆情况、资产负债情况、流动性、定价行为、资产质量、外债风险、信贷政策执行七方面，全面考核商业银行的业务经营。2018年中央经济会议提出“稳健的货币政策要松紧适度，保持流动性合理充裕，改善货币政策传导机制，提高直接融资比重，解决好民营企业和小微企业融资难融资贵问题”。在经济增速放缓、金融环境恶化和市场流动性趋紧情形下，从杠杆率视角研究货币政策影响银行系统性风险机制有效性，实现货币政策和杠杆率监管在稳增长、调结构和防风险方面的协调，是当前我国银行领域和金融领域需要重点关注和研究的课题。

金融危机前，各国央行主要通过调整存贷款利率等常规货币政策工具对经济活动进行调节，常规货币政策工具在低通胀、高增长经济发展时期发挥了重要的功效，但在危机中不仅未能预防由于大规模资产价格泡沫破灭引发的系统性危机，反而因为“流动性陷阱”无法有效刺激经济复苏，促进有效需求回升。在常规货币政策工具失效、经济增长停滞不前情形下，各国央行开始尝试通过量化宽松货币政策、负利率政策和政策承诺等非常规货币政策来调节资产负债结构和规模，为经济注入流动性。随着我国经济进入新常态，结构性问题日益凸显，常规货币政策效力逐渐减弱（潘成夫和刘刚，2012）。2013年起，我国央行逐渐开始效仿国外央行在金融危机之后的做法，陆续推出了定向降准、再贷款、常备借贷便利、中期借贷便利及抵押补充贷款等非常规货币政策工具。央行每季度发布的货币政策执行报告中显示，从政策频率与资金规模来看，非常规货币政策逐渐成为我国央行干预宏观经济运行的主要手段，并在填补中短期流动性缺口方面发挥着重要作用。由于非常规货币政策也是通过改变金融中介机构的资产负债表规模和结构来调整中短期流动性缺口，因此也会造成金融中介机构风险偏好和风险容忍的改变，进而改变金融风险。在实施非常规货币政策时，需要关注因为政策调整引起的金融中介杠杆的改变及其对货币政策效力的传导。本文借鉴常规货币政策、银行杠杆和系统性风险的分析框架，在进一步的讨论中加入了非常规货币政策和系统性风险关系的探讨。

本文主要围绕以下问题展开研究，货币政策、银行杠杆与银行系统性风险之间的关系如何？货币政策影响银行系统性风险的杠杆机制是否存在？进一步，货币政策影响银行系统性风险的杠杆机制是否存在门槛效应？本文试图通过对时间维度的银行系统性风险进行测度，使用面板回归模型和门槛回归模型对上述问题逐一分析。 本文的拓展和创新在于：第一，在常规货币政策基础上，引入非常规货币政策，考察杠杆率视角下常规和非常规货币政策对银行系统性风险的影响；第二，从银行杠杆率视角对货币政策影响银行系统性风险杠杆机制有效性进行实证检验，发现货币政策对银行系统性风险的影响效果随着银行杠杆增大而增加；第三，进一步验证货币政策对银行系统性风险的影响效果随银行杠杆的变化并不是线性关系，而随着银行杠杆大小存在结构上突变，即货币政策对银行系统性风险的影响存在着非线性的门槛效应。 文章结构安排如下：第二部分为文献回顾，主要梳理了现有文献的主要观点；第三部分为研究假设，根据现有文献中的观点和不足，分析并提出了研究假设；第四部分为模型构建和数据描述；第五部分为计量结果和分析；最后是结论与启示。

关于货币政策和银行系统性风险关系的研究，Jiménez等（2014）研究了低利率货币政策、银行杠杆和系统性风险之间的关系，认为较低的利率环境会引起商业银行杠杆的扩张，从而使商业银行更偏好于将资产配置在期限较长、风险更高的贷款上，并最终影响金融稳定，增大系统性金融风险发生的可能。Maddaloni和Peydro（2011）认为，长期宽松的货币政策会降低银行发放信贷的标准，使有不良信用史的高风险借款人获得贷款，增加未来贷款违约风险，由此可能带来系统性风险积累。Laséen等（2017）通过构建DSGE模型，模拟分析紧缩性货币政策冲击对系统性风险的影响，发现在经济不景气的环境下，紧缩性货币政策冲击不一定会降低系统性风险，由于盈利能力的下降，相反有可能诱发系统性风险，建议货币政策和宏观审慎监管政策协调使用。牛晓健和裘翔（2013）将预期违约率作为度量银行系统性风险的指标，检验了低利率的货币环境同样会增加中国上市银行的系统性风险。汪莉（2017）在D-L-M模型基础上，考察了货币环境改变作用于银行风险的理论传导机制，发现在非完全垄断的市场结构下，当银行资本高于临界水平时，低利率的货币环境可以通过银行杠杆的“顺周期”调整效应增加银行系统性风险。朱波和卢露（2016）运用内生性网络模型和仿真模拟技术考察了不同货币政策工具实施下的系统性金融风险演变，发现由于银行自身存在异质性，各银行自身系统性风险对不同货币政策工具的反应存在差异，建议通过差别性的监管政策配合宏观审慎工具来降低其对系统性金融风险的不利影响。以上文献均从商业银行个体风险对货币政策的反应角度考虑货币政策与金融稳定的关系，忽视了从银行系统性风险角度探讨该问题。

也有学者研究了杠杆率和银行系统性风险的关系。Brunnermeier和Pedersen（2009）在分析此次金融危机时提出了固定杠杆约束理论，认为商业银行有固定的杠杆率目标，当资产价格或利润发生变动时，银行将通过买卖资产头寸被动地调整资产负债表规模，从而触发杠杆周期性变化的恶性螺旋（spiral），导致流动性大幅变化，加大银行系统性风险。Adrian和Shin（2010）针对经济周期中杠杆率变化对银行系统性风险的影响展开研究，认为由于商业银行在资产负债管理中普遍使用风险价值方法，要求商业银行根据风险价值大小来改变杠杆乘数，导致在经济繁荣时，资产净值和抵押物价值上涨，降低了银行对潜在违约概率和违约损失率的估计，致使银行降低风险定价、放松信贷标准和过度发放贷款，银行系统性风险开始聚集；而在经济萧条时，抵押物价值和资产净值下降，商业银行据此过度夸大了潜在违约概率和违约损失率，引起银行信贷的过度收缩，市场流动性不足，银行系统性风险开始爆发。Frenkel和Rudolf（2010）利用德国商业银行的数据，发现杠杆率限制将导致银行信贷供给降低，有可能加大银行系统性风险水平。Michalak和Boateng（2012）认为较低的利率环境会引起商业银行杠杆的扩张，并最终影响银行稳定，增加银行系统性风险。王爱俭和孙强（2017）从商业银行去杠杆的内涵和目标出发，分析了去杠杆进程对银行系统脆弱性的影响，发现如果去杠杆不当可能引发去杠杆化危机并导致系统性风险。

非常规货币政策的研究是近两年开始的，主要集中在政策提出的背景、效果以及可能的影响等方面。刘元春等（2017）结合全球各大央行提出的货币政策新实践，对非常规货币政策工具产生的背景及作用做出了系统介绍，结合我国转型时期的非常规货币政策实践提出了建议。邓伟和袁小惠（2016）针对我国陆续推出的常备借贷便利、中期借贷便利和抵押补充贷款三种货币政策创新工具进行了详细分析和比较，认为这些非常规货币政策工具的运用，一方面可以减少市场利率波动和降低流动性风险，另一方面非常规货币政策容易引起金融中介贷款余额的大幅波动，不利于央行对货币供应量的控制，一定程度上加大了经济波动的可能性。李威和朱太辉（2018）运用DSGE模型从货币供给的角度对非常规货币政策的效果进行了衡量，认为美日欧等主要经济体的非常规货币政策实践从供给方增加了货币供给，短时间可能有助于稳定金融市场，抑制经济下滑，但是长期来看，并不能有效刺激总需求，推动经济的长期持续增长。

综上可见，以往的研究大多从利率和信贷渠道考虑货币政策实施对商业银行风险的影响，忽视了从杠杆率角度审视货币政策在系统性风险产生和防范过程中的重要作用。杠杆率是宏观审慎监管的指标，联合考虑货币政策、银行杠杆和银行系统性风险，可以丰富货币政策与宏观审慎政策“双支柱”调控协调配合的相关理论研究。本文在分析检验货币政策、银行杠杆和银行系统性风险关系基础上，进一步实证检验货币政策通过银行杠杆影响银行系统性风险的杠杆机制。研究有助于考证货币政策、银行杠杆及其联合作用下对银行系统性风险的影响机制，有助于检验货币政策影响银行系统性风险杠杆机制的有效性，有助于拓展货币政策实施和银行系统性风险研究方面的相关文献。

本文研究杠杆率视角下货币政策对银行系统性风险防范及其影响，货币政策是我国中央银行进行宏观调控的重要手段，它的变化对金融机构和微观企业的经营活动会产生重大影响。金融危机之后，业内反思危机发生的原因，普遍认为杠杆率监管是资本充足率监管的有效补充，当发生系统性危机时，低杠杆率银行抵御危机风险的能力较强。从经营角度看，杠杆率监管能够更有效地减少金融机构通过加杠杆而产生的冒险行为，降低银行破产概率，防范银行系统性风险的发生。朱波和卢露（2016）认为，宽松的货币政策将导致金融体系杠杆变大，体系内的非流动资产比例升高，银行间的资产负债关联增加，促进系统性风险形成；相反，紧缩性货币政策将导致体系内的非流动资产比例和网络关联降低，抑制系统性风险的形成。Jiménez等（2014）认为较低的利率环境会引起商业银行杠杆的扩张，并最终影响银行稳定，增加银行系统性风险。宽松的货币政策环境会助推各类资产价格上涨，导致银行等金融中介不断提高杠杆，承担风险意愿不断升高，致使金融风险过度累积；经济出现隐患后，货币环境收缩和资产价格下降，导致基于价格测量的风险上升，金融中介部门开始过度风险厌恶，降低杠杆收缩信贷规模，最终促使系统性风险爆发。综上，本文提出假设1。

假设1：货币政策和银行杠杆之间存在正向关系，宽松性货币政策会增加银行杠杆，同时货币政策与银行系统性风险之间存在显著的负相关关系。

国内外众多学者总结了货币政策影响银行风险的估值机制、逐利机制、央行沟通机制和杠杆机制四个渠道（Dell’Ariccia等，2010；江曙霞和陈玉婵，2012），对于杠杆机制渠道，目前仅停留在定性分析层面。对于货币政策影响银行系统性风险的杠杆机制到底是正向还是负向，业内还未形成一致意见。Bruno和Shin（2015）认为扩张性货币政策能够导致银行间的资本流动增加，引起银行杠杆增加，可能增加银行系统性风险。Lamers等（2016）研究认为，当中央银行实施降低政策利率或者扩张资产负债表等行为时，该行为将通过市场利率的变化影响净息差（Net Income Margin），增加商业银行间共同资产的暴露，一定程度上会增加银行系统性风险。为了验证货币政策能否通过杠杆效应来影响银行系统性风险，本文通过构建货币政策、银行杠杆和银行系统性风险的中介效应模型，考察银行杠杆在货币政策影响银行系统性风险中的传导效果。综上，本文提出假设2。

假设2：货币政策可以通过银行杠杆机制来影响银行系统性风险，即货币政策可以通过银行杠杆的中介效应来影响银行系统性风险。

如果假设2成立，那么货币政策通过银行杠杆影响银行系统性风险的中介效应是线性的还是非线性的，是否存在结构上的突变，需要进一步研究。本文基于面板门槛效应分析模型研究货币政策和银行系统性风险之间可能存在的非线性门槛效应。为了考察货币政策效果是否会因为银行杠杆的大小而对系统性风险产生不同的结构性影响，在检验银行杠杆的传导机制后，把整个样本按照门限变量将银行杠杆分解成若干子样本分别进行门槛效应检验，考察货币政策代理变量系数是否大致相同。综上，进一步提出假设3。

假设3：货币政策对银行系统性风险的影响存在门槛效应，并且这种门槛效应和银行杠杆密切相关，当银行杠杆小于某一门槛值时，货币政策对银行系统性风险的影响作用较小，当银行杠杆大于某一门槛值时，货币政策对银行系统性风险的影响作用较大。

结合前面提出的研究假设，根据研究目的，在汪莉（2017）研究的基础上，本文建立如下面板数据分析模型，用来考察货币政策如何作用于银行杠杆以及银行杠杆的调整对银行系统性风险的影响。为了克服同期被解释变量和解释变量之间的内生性问题，借鉴徐明东和陈学彬（2012）处理的方法，将解释变量滞后一期作为解释变量的代理变量。

其中，i=1，2，$\cdots$，16代表样本所包含的银行个数，t为时间变量。Srisk为度量银行系统性风险的被解释变量；核心解释变量为银行杠杆（Lev）和货币政策代理变量（Mp）。模型（1）用于检验货币政策对银行杠杆的影响，重点关注货币政策代理变量前系数α₁及其显著性。模型（2）中的其他解释变量为控制商业银行特质因素的变量BankVar和控制其他宏观市场因素的向量变量MarketVar，模型（2）重点关注货币政策代理变量Mp前的系数β₁，通过估计得到的系数值和显著性来判断货币政策代理变量对商业银行系统性风险的影响。模型（3）用于检验货币政策和银行杠杆对银行系统性风险的综合影响，模型（1）−（3）主要用来检验假设1。进一步，本文结合模型（1）−（3）的结果，参考温忠麟等（2004）关于中介效应检验程序，探究基于中介效应模型的货币政策传导银行系统性风险的银行杠杆机制是否存在，并且通过回归系数的分析，进一步判断银行杠杆的中介效应是完全的中介效应还是部分的中介效应，以此来检验假设2。

为了避免人为划分门槛带来的偏误，本文选择用Hansen（1999）的面板门槛模型来考察货币政策是否会因为银行杠杆大小而对银行系统性风险产生不同的传导效果，在模型（1）的基础上，本文引入模型（4）来检验假设3。

其中，θ₁₁和θ₁₂是货币政策代理变量的回归系数，$\eta $是银行杠杆的门槛值，I（.）为示性函数，当括号内条件满足时取1，否则取0。BankVar和MarketVar含义与（1）式相同。为了表达式方便，此处仅假设了一个门槛值，在实证分析部分，本文会对实际门槛值的数量进行检验，并进行分析。采用面板门槛回归分析的目的，就是为了检验以下原假设：

如果原假设成立，则说明不存在门槛效应。那么此时模型（4）就可以简化为模型（3），表示货币政策对系统性风险的影响不会因为银行杠杆的大小而有结构性的变化。

1. 被解释变量：银行系统性风险（Srisk）

本文采用Brownlees和Engle（2017）提出的Srisk来衡量银行系统性风险。该方法可以涵盖很多对系统性风险有重要影响的变量，既考虑了金融机构因为“相互关联而不能倒（TITF）”的特征，又捕捉了因为规模等“太大而不能倒（TBTF）”的特点。Srisk的计算需要先计算整体市场大幅下降时，单个金融机构股权价值的预期损失，包括短期边际期望损失（MES）和长期边际期望损失（LRMES）。为了使得对银行业的系统性风险测度方法更具有针对性，本文使用权重收益率计算银行业内的市场收益率（赵进文和韦文彬，2012；苏明政等，2013）。

Brownlees和Engle（2017）、Acharya等（2012）提出了系统性风险指数Srisk。Srisk是指当出现系统性危机时，金融机构预期的资本短缺，在其文献中，将系统性危机定义为六个月内金融系统机构股票价格下跌40%及以上。他们将Srisk定义为：

其中，D是金融机构的债务，MV是金融机构的权益，LRMES是长期边际期望损失，k是金融机构审慎权益资本比率，在Brownlees和Engle（2017）的文章中，建议参考巴塞尔协议关于最低资本充足率要求，将8%作为金融机构审慎权益资本比率参考值，且认为该值比较符合大多数国家的实践。梁琪等（2013）在计算我国金融机构Srisk时，取8%作为参考值，本文参考以上做法，取k为8%。从上式可以看出，Srisk反映的是如果爆发一场系统性金融危机，单个金融机构所产生的预期资本缺口，Srisk值越高，表示当出现危机性冲击时，单个金融机构的系统性风险越大。

2. 核心解释变量之一：货币政策代理变量（Mp）

本文选取法定存款准备金率（Res）作为数量型工具的代理变量，一年期存款利率（Cr）、一年期贷款利率（Lr）和7天银行间同业银行拆借利率（Shibor）作为价格型工具的代理变量，并将广义货币增速（M2）作为备选货币政策代理变量用作稳定性分析。法定存款准备金率（Res）、一年期存款利率（Cr）、一年期贷款利率（Lr）和7天银行间同业银行拆借利率（Shibor）越大，表示中央银行实施紧缩性货币政策的力度越大。

3. 核心解释变量之二：银行杠杆（Lev）

本文使用资产负债表杠杆作为银行杠杆代理变量。资产负债表杠杆用银行资产账面价值与股权账面价值之比表示，可以理解为杠杆倍数，是我们通常说的杠杆率的倒数，它反映了权益撬动资产的能力。

4. 银行特质控制变量

文章选取如下变量作为银行特质的控制变量：（1）资产净利率（ROA），该指标反映了银行的盈利能力，较高的资产净利率意味着银行能较好地抵御风险，当出现危机时能及时弥补银行亏损，因此，资产净利率很可能对银行系统性风险产生影响。（2）贷款资产比（La），由于当前我国银行的主要收入来源仍然集中在贷款业务上，因此该指标衡量了传统业务对于银行系统性风险的影响。（3）股权市账比（M2B），该指标反映了银行的经营能力，Adrian等（2011）认为，较高股权市账比的银行，股价被高估的可能性越高，投资者面临的风险也越大。（4）银行规模增长率（Dass），该指标用银行账面资产相对于上一期的增长率来衡量。

5. 宏观市场控制变量

本文选取上证综合指数（Stock）、全社会固定资产投资增长率（Fai）作为控制金融市场情况和固定资产投资情况对银行系统性风险的影响。为了反映全国性银行和城市商业银行的差异，全国性的商业银行采用了国家层面的固定资产投资增长率，而城市商业银行采用了所在地市的固定资产投资增长率。所有变量均参见表1。

本文选取的是我国16家上市商业银行，样本期间为2010年8月18日至2018年9月28日，首先，在计算银行系统性风险Srisk值时，需要各家上市银行每日收益率数据，且通过各上市银行市值权重来计算银行业的市场收益率，数据来源于Wind数据库。其次，解释变量法定存款准备金率、一年期存贷款利率和7天银行间同业银行拆借利率来自Wind数据库，银行杠杆数据，银行规模增长率来自国泰安（CSMAR）数据库，资产净利率，贷款与总资产比，股权市账比来自中经网数据库，上证综合指数和固定资产投资增长率来自Wind数据库。以上数据均取季度数据，Srisk取季度均值对数值（见表2）。

在控制了银行层面和宏观层面的相关变量后，采用固定效应模型（FE）对模型（1）和模型（2）进行面板回归分析，从表3模型（1）可以看出，货币政策代理变量的系数为负值，表明宽松的货币政策将会增加银行杠杆水平，这点与假设1的结论一致。朱波和卢露（2016）认为，宽松的货币政策环境将导致金融体系杠杆高于无货币政策干预的水平。一年期存款利率和贷款利率对银行杠杆的影响差别不大，且都在10%的水平上显著。银行间同业银行拆借利率对银行杠杆的影响在5%的水平上显著。表3模型（2）对银行系统性风险和货币政策的关系进行了检验，表明银行系统性风险与货币政策代理变量之间存在着负相关关系，且在5%水平上显著，表明实施宽松的货币政策将会加深银行系统性风险，该结论和理论分析的结果一致，验证了假设1。其他货币政策代理变量也在不同显著性水平上和银行系统性风险存在不同程度的负相关关系。具体回归结果如表3所示：

为了验证货币政策影响银行系统性风险的杠杆机制有效性，按照中介效应检验程序进行以下三步分析。第一步对模型（2）进行回归，检验货币政策代理变量的回归系数β₁是否显著，如果β₁显著，意味着货币政策对银行系统性风险造成了影响；第二步对模型（1）进行回归，检验货币政策对银行杠杆（中介变量）的影响效应，如果α₁显著，说明货币政策会对银行杠杆造成影响；第三步，对模型（3）进行回归，对比模型（2）中的系数β₁和模型（3）中的系数γ₁的绝对值，如果绝对值相比出现了下降，表明存在部分性质的中介效应。如果模型（3）中系数γ₂显著、系数γ₁不显著，则可能意味着银行杠杆扮演了完全中介的作用，如果模型（3）中系数γ₂和系数γ₁均显著，则表明银行杠杆在传导货币政策影响银行系统性风险的过程中扮演着部分中介作用。分别对模型（1）（2）（3）进行回归，结果整理如表4。

表4显示了中介效应检验的估计结果。模型（3）的估计结果显示，货币政策代理变量的系数均显著为负，并且通过了1%的显著性检验；对比模型（2）和模型（3）中货币政策代理变量的系数的绝对值，发现模型（3）中的系数γ₁绝对值明显小于模型（2）的系数β₁的绝对值，验证了银行杠杆确实起到了部分中介效果的作用。这也意味着，货币政策可以通过银行杠杆的中介作用对银行系统性风险造成进一步的抑制效应。总的来说，中介效应模型验证了货币政策通过银行杠杆传导至银行系统性风险所产生的抑制作用，即揭示了货币政策−银行杠杆−银行系统性风险的传导机制。

表4中，货币政策代理变量系数均在1%或5%的水平上显著，表示货币政策改变会显著影响银行系统性风险。由于该货币政策代理变量系数均为负值，说明银行系统性风险与货币政策代理变量之间存在负相关关系，宽松性货币政策会提升银行系统性风险，而紧缩性货币政策会降低银行系统性风险。无论采取哪种货币政策代理变量，银行杠杆Lev的系数均在不同的水平上显著为正，表明银行系统性风险和银行杠杆密切相关，且银行系统性风险随着银行杠杆增大而升高，随着银行杠杆减小而降低，这和近年来我国银行监管部门通过逐步降低银行杠杆而稀释银行系统性风险的思路相契合。同时，数量型货币政策工具和价格型货币政策工具在传导货币政策效果时也存在不同的机制，具体表现在，央行在运用数量型货币政策工具时，导致市场利率降低的因素来自央行对所有银行流动性的调控，商业银行会根据自身资产流动性以及收益率的不同，在银行系统内改变资产配置，调节资产负债表结构，进而引起银行杠杆的变化和系统性风险的改变。而价格型货币政策工具的运用，将直接引起市场利率的变动，进而致使银行贷款意愿变化和居民投资偏好改变，此时商业银行通过调节向央行借款的意愿来改变资产负债表结构，影响银行杠杆和系统性风险。

在银行特质控制变量中，资产净利率和银行系统性风险呈负相关关系，并在1%的水平上显著，意味着资产净利率越高，银行的盈利能力越好。当银行出现系统性风险时，其抵御风险的能力越强，银行系统性风险越低。贷款资产比和银行系统性风险呈负相关关系，且在1%的水平上显著，表明我国商业银行在盈利模式上还着重依赖于传统的贷款模式。股权市账比和银行系统性风险是正相关关系，且在1%的水平上显著，主要是因为股权市账比反映的是银行的经营能力，股权市账比较高的银行经营能力相对较高，造成股票被高估的可能性增大，反而会加大股票购买者面临的风险，因此，银行系统性风险可能更高。银行系统性风险和银行资产增长率的滞后一期呈负相关关系，并在1%的水平上显著，表示随着银行规模增长率的升高，银行系统性风险会降低。其背后原因可能是规模大的银行资产规模基数较大，资产增长率较低，反之，资产规模较小的银行，通常资产增长率较高。该系数反映了资产规模较大的银行，在银行系统性风险上高于规模较小银行。在宏观市场层面，银行系统性风险和上证指数对数值的滞后一期呈正相关关系，并且显著，表明随着整个A股市场指数的高涨，非理性情绪会弥漫在整个市场，此时进入股市的投资者可能存在过度乐观的情绪，会助推股市泡沫的形成。一旦经济回归基本面，或者市场遭遇意外波动，就会造成市场指数的短时间暴跌，并加剧银行系统性风险。这点和很多学者的分析相符合。同时，固定资产投资增长率对银行系统性风险有负向影响，且在1%的水平上显著，其原因在于当前我国靠固定资产投资拉动经济增长的态势并没有发生根本的转变，固定资产投资增速较大，说明固定资产投资比较旺盛，经济也稳定增长，上市商业银行的系统性风险就比较小。

进一步分析，货币政策对银行系统性风险的影响关系是线性关系，还是存在结构性的突变？本文通过模型（4）的面板门槛回归来分析银行杠杆是否存在门槛值，为了避免人为认定门槛值个数的局限，先假设存在单一门槛值，面板模型存在结构性的突变。经回归如表5、表7第（1）列所示。

回归结果显示，在假定存在一个门槛值的情况下，在95%的置信水平进行bootstrap1000次抽样，得到门槛值为20.7515，F统计量为46.21，大于95%水平下的32.2934，p值为2.3%，因此，在5%的水平上通过一个门槛值的显著性检验。根据面板门槛回归理论，此时不排除依然存在两个甚至更多门槛值的情况，为此假定存在两个门槛值，分别对第一门槛值和第二门槛值进行1000次抽样，得到结果如表6、表7第（2）列所示，可以看到第二门槛值的F统计量33.21，小于10%水平下的44.1295，因此第二门槛值在10%的显著性水平上未通过检验，拒绝存在第二个门槛值。由此得到该面板门槛模型存在唯一门槛值，门槛值为20.7515。表7第（1）列Threshold1回归的结果显示：第一，模型（4）存在面板门槛效应，门槛值和置信区间分别为20.7515和[20.4908 21.0012]；第二，当银行杠杆小于门槛值20.7515时，此时Res滞后一期的系数为−2.3794，当银行杠杆大于门槛值20.7515时，Res滞后一期的系数为−5.3452，分别在5%和1%的水平上著；第三，随着银行杠杆大小的不同，货币政策的效果会存在显著的差异，当银行杠杆大于门槛值时，货币政策代理变量（Res）的抑制作用会更加有效，该结论进一步验证了货币政策对影响银行系统性风险的杠杆机制是有效的。表7中，Res0表示银行杠杆小于第一门槛值时，货币政策代理变量Res的回归系数；Res1表示银行杠杆大于第一门槛值（且小于第二门槛值）时Res的回归系数；Res2表示银行杠杆大于第二门槛值时Res的回归系数。

1. 其他货币政策代理变量的稳健性检验

为了与其他货币政策代理变量方向保持一致，取广义货币增速M2的相反数作为代理变量进行稳定性分析。得到结果如表8所示，第一列和第二列分别是对模型（1）和模型（3）进行的回归，第三列增加了广义货币增速M2与银行杠杆交互项LevXM2对货币政策的影响（见进一步讨论中的模型6），得到的结论与前文一致。

2. 其他货币政策门槛效应的稳健性检验

经检验，除Res外，Cr、Lr和Shibor均存在单一门槛效应，限于篇幅在此省略。对M2的面板门槛回归分析结果显示，M2存在双重门槛效应，第一门槛值是13.9649，并在1%的水平上显著，第二门槛值是20.5752，在5%的水平上显著，回归的门槛估计量和F统计量如表9所示：

1. 关于数量型和价格型货币政策工具交互影响的进一步讨论

在上文的基准回归中，我们分别讨论了不同货币政策工具对上市商业银行系统性风险的影响，发现上述货币政策工具都在不同程度上和银行系统性风险呈现反向的变化关系，并且这种反向关系通过银行杠杆机制的作用会呈现不同的门槛效应。在央行进行货币政策操作中，往往同时结合数量型和价格型两种货币政策工具。在这两种货币政策工具调整作用下，他们将如何影响银行系统性风险？两种货币政策工具之间是否存在交互作用？如果存在，该交互作用是否会产生乘数效应，使货币政策效果成倍增大？为了检验数量型和价格型货币政策工具的交互作用，在模型（3）的基础上，引入法定存款准备金率和存款基准利率的交互项ResXCr，构造新的模型（6），重点关注ResXCr的系数的显著性，结果如表10所示。

在表10的第（4）列中，法定存款准备金率和存款准备金率的交互项系数在1%的水平上显著为正^①，说明数量型和价格型货币政策工具对银行系统性风险的影响显著，并且有强化的趋势，表明当央行实施“双升”的紧缩性货币政策时，对银行系统性风险的抑制作用会成倍增加；而当央行实施“双降”的宽松型货币政策时，对银行系统性风险的促进作用也会成倍增加。另外，表10的第（5）和（6）列给出了国有银行、股份制银行和城商行回归的结果，表明国有银行、股份制银行和城商行在货币政策工具影响系统性风险上存在比较显著的差异，显然国有银行的反应要明显大于股份制及城商行，可能的原因在于国有银行对央行的货币政策调控信息更加敏感。

2. 关于非常规货币政策的进一步讨论

为了有效应对市场流动性复杂情形，调整经济结构性问题，自2013年开始，中国人民银行效仿国外央行在金融危机之后的做法，陆续推出了定向降准、再贷款、常备借贷便利、中期借贷便利以及抵押补充贷款等非常规货币政策工具。这些创新性货币政策工具的运用增强了基础货币的供给能力，扩充了商业银行流动性，提高了货币政策调控的针对性和灵活性（陈长石和刘晨晖，2019）。从政策调整频率和资金规模看，非常规货币政策已逐渐成为央行干预宏观经济的主要手段。尽管在操作方式上和常规货币政策有很大不同，但其作为货币政策的本质并没有改变，从这个角度看，探讨非常规货币政策与银行杠杆和银行系统性风险的关系很有必要。为此，依据前面的论述和建立的模型，选取自2013年每季度常备借贷便利和中期借贷便利期末余额之和（数据源自央行货币政策执行报告），取对数值作为非常规货币政策的替代变量，记做Lf；银行杠杆和非常规货币政策的交互项记做LevXLf，对模型（1）（3）（6）进行回归，结果如表11所示。

从回归结果可以看出，银行杠杆和非常规货币政策代理变量成正比变化，并且在1%的水平上显著。从模型（3）全样本回归的结果看，非常规货币政策代理变量和银行杠杆对银行系统性风险的影响分别在5%和1%的水平上显著，且均为正数，表示非常规货币政策余额增加和银行杠杆增加时，银行系统性风险增大，符合市场预期。分样本进行回归时，国有银行部分不显著，可能跟样本数量较少有关。模型（6）增加了银行杠杆和非常规货币政策代理变量的交互项，且交互项系数显著为正，表明货币政策对银行系统性风险的影响效果随着银行杠杆值的增加而增加，结论和前文一致。

本文采用我国上市商业银行2010−2018年间的季度数据，研究了杠杆率视角下我国货币政策对银行系统性风险的影响，研究结果表明，无论是常规货币政策还是非常规货币政策，均与银行杠杆之间存在正相关关系，而银行杠杆的提高将显著增加银行系统性风险；货币政策工具可以通过银行杠杆机制影响银行系统性风险；同时货币政策通过银行杠杆来影响银行系统性风险存在着门槛效应，当银行杠杆小于该门槛值时，货币政策对银行系统性风险的影响作用相对较小，当银行杠杆大于该门槛值时，货币政策对银行系统性风险影响作用较大。为此，本文得出以下启示和建议：

第一，无论常规货币政策工具还是非常规货币政策工具均对银行系统性风险有显著影响。在当前新冠疫情引起全球性经济大衰退背景下，一方面要重视发挥常规货币政策中数量型货币政策工具的调节作用，完善价格型货币政策工具的形成机制，优化流动性结构，强化流动性管理，另一方面要密切关注疫情给我国经济带来的冲击，适时采取非常规货币政策，避免资金链大面积断裂，确保供应链、产业链和就业稳定。针对新冠疫情导致的民营企业、中小企业经营回款困难、资金链断裂、融资难举债难等问题，央行应该综合运用定向降准、再贷款、再贴现等非常规货币政策工具，加大对为民营企业和中小企业提供贷款的城市和农村商业银行提供流动性支持，加强流动性引导，缓解资金链压力，降低企业融资成本，保持流动性合理充裕。

第二，银行杠杆是货币政策影响银行系统性风险的重要作用途径，货币政策影响银行系统性风险的银行杠杆机制是有效的。当前我国银行系统中中小银行间通过同业业务主动以短期负债支持长期资产、做大表内外资产规模等杠杆行为依然居高不下，如果货币政策调控过度，可能造成市场利率分层更加明显、同业融资条件相对收紧，引发局部性、结构性流动性风险，威胁金融体系的稳定。建议监管部门在实施稳健货币政策的同时，实施力度适中的持续的去杠杆监管政策，有计划、分步骤，合理安排，协调引导银行做好去杠杆任务，逐步压缩同业负债比例。

第三，货币政策对银行系统性风险的整体作用效果受到银行杠杆大小的影响，这种影响表现出明显的门槛特征。通过货币政策工具来调节市场流动性和融资流动性，在复杂的外部环境下货币政策效果可能被强化和放大，因此，在实施货币政策时要充分考虑银行杠杆传导机制带来的影响。在宏观审慎监管的大背景下，改善货币政策传导机制，完善货币政策和宏观审慎政策“双支柱”调控框架，强化二者间的联动和协调，在货币政策解决经济结构性问题的同时，防止过多流动性流入房地产市场，防止流动性在银行间市场徘徊。