■ 尹 力，劉 陽

一、引言

2008年爆發(fā)金融危機以來，銀行業(yè)的系統(tǒng)性風險越來越受到人們的關注。我國銀行業(yè)比較特殊，是集中度比較高的，銀行業(yè)結構是整個銀行業(yè)的基礎，銀行業(yè)結構的合理程度直接決定了銀行業(yè)能夠抵御發(fā)生系統(tǒng)性風險的能力。特別是隨著我國民營銀行設立進程的加快，民營銀行的進入必然會改變我國現(xiàn)有的銀行業(yè)結構，因此研究銀行業(yè)結構是務實的，也是有所展望的。行業(yè)集中度是一個行業(yè)中重要的衡量指標，銀行業(yè)也不例外，研究銀行集中度對銀行系統(tǒng)性風險的影響具有很強的現(xiàn)實意義。本文利用動態(tài)面板數(shù)據(jù)通過GMM估計方法，來考察我國銀行集中度對我國銀行業(yè)系統(tǒng)性風險的影響。主要結論是：銀行集中度的提高會增加我國銀行業(yè)脆弱性，我國銀行業(yè)系統(tǒng)性風險變量也存在著一定的滯后效應，最后通過交叉項驗證，說明了各省的銀行業(yè)系統(tǒng)性風險與銀行集中度之間的關系程度也是不同的。

二、文獻回顧

從國內(nèi)最近的實證研究來看，邱兆祥，安世友（2012）利用熵值法分析了銀行集中度，實證結果表明銀行集中度越高，風險就越小，銀行系統(tǒng)就越安全。張藝（2013）基于180個國家1999～2011年的數(shù)據(jù)，利用Z－score衡量銀行穩(wěn)定性，用Boone指數(shù)法度量銀行業(yè)競爭度，得出了集中度越高，銀行體系越穩(wěn)定的結論。王紅 （2005）通過對中國銀行業(yè)1986～2003年時間序列數(shù)據(jù)的回歸分析，發(fā)現(xiàn)銀行較高的集中度對經(jīng)濟增長有負的影響，盡管這種影響不明顯。王勛，趙珍（2011）運用我國各省區(qū)1990～2004年的數(shù)據(jù)，系統(tǒng)考察了金融規(guī)模、銀行集中度、直接融資比例以及其他相關控制變量對各地區(qū)經(jīng)濟增長的影響，發(fā)現(xiàn)降低銀行集中度，會增加銀行業(yè)競爭、促進經(jīng)濟增長。陳剛，馮艷（2008）以1995～2006年中國29個省級單位數(shù)據(jù)為樣本，采用了動態(tài)面板數(shù)據(jù)回歸估計，發(fā)現(xiàn)中國當前較高的銀行集中度阻礙了經(jīng)濟增長。陳雨露，馬勇（2012）通過89組跨國數(shù)據(jù)的實證分析，系統(tǒng)研究了銀行集中度和銀行體系穩(wěn)定性之間的關系，實證結果表明銀行集中度和銀行穩(wěn)定性之間的關系存在著一個最優(yōu)的銀行集中度的區(qū)間（0.6,0.8]。冀志斌，周先平，董迪（2013）利用省級面板數(shù)據(jù)，實證分析了我國銀行集中度和銀行業(yè)穩(wěn)定性的關系，發(fā)現(xiàn)銀行集中度的提高有利于銀行業(yè)穩(wěn)定性的增強，在經(jīng)濟增長率低、財政支出少、社會融資渠道較單一的地區(qū)，銀行集中度的提高更能增強銀行業(yè)的穩(wěn)定性。楊天宇，鐘宇平（2013）基于1995～2010年125家商業(yè)銀行的非平衡面板數(shù)據(jù)，利用Lerner指數(shù)衡量銀行競爭度，研究了我國銀行集中度、競爭度與銀行風險之間的關系，發(fā)現(xiàn)我國銀行集中度和競爭度均與銀行風險呈顯著的正相關關系，在一定程度上支持了“集中度脆弱性假說”。

從國外最近的實證研究來看，Yongil Jeon,Stphen M.Miller(2002)發(fā)現(xiàn)在美國，以州為基礎的銀行集中度與銀行平均盈利能力是正相關關系，因果檢驗表明，銀行集中度是銀行盈利能力的原因，同時建議銀行監(jiān)管者在監(jiān)控過程中要防止壟斷力量的積累。Jorge Tovar,Christian Jaramillo,Carlos Hernandez(2007)探討了風險，銀行集中度和銀行機構市場權力的行使之間的關系。使用哥倫比亞1997－2006年每月資產(chǎn)負債表和利率數(shù)據(jù)，發(fā)現(xiàn)銀行通過更高的中介利潤將風險傳遞給客戶。結果表明，銀行集中度不夠高時，系統(tǒng)性風險并不明顯，當利率處在壓力之下時，較高的銀行集中度會導致較高的系統(tǒng)性風險。Kaniska Da,Marc Escrihuela－Villar,Santiago Sanchez－Pages(2009)在空間競爭的大背景下分析銀行的冒險行為，發(fā)現(xiàn)市場集中度低，銀行投資高風險資產(chǎn)，另一方面當市場集中度足夠高的時候，所有銀行都選擇穩(wěn)健的資產(chǎn)投資。進一步的研究發(fā)現(xiàn)，相鄰銀行的合并增加了謹慎行為的可能性。Asli Demirguc－Kunt,Deniz Anginer,Min Zhu(2014)使用了競爭和銀行相互依賴水平變量，發(fā)現(xiàn)銀行競爭程度和系統(tǒng)性風險是穩(wěn)健的負相關關系，競爭程度的加劇，導致銀行采取更加多樣化的風險，使得銀行系統(tǒng)面臨風險時更加脆弱。在監(jiān)管體系薄弱、私人監(jiān)控、政府對銀行有更大所有權和采取限制競爭的公共政策的國家，這種現(xiàn)象更為突出。Wei Gregor N.F.,Neumann Sascha,Bostandzic Denefa(2014)分析了銀行并購的系統(tǒng)性風險，檢驗了“集中脆弱性”假說，使用了邊際預期不足以及相關股票收益率和有關銀行業(yè)指數(shù)之間的“左尾值”得出收購方對系統(tǒng)性風險的貢獻度，實證分析了國際和國內(nèi)的跨界并購，測算聯(lián)合銀行及其競爭對手并購后對系統(tǒng)性風險的貢獻度，證實了“集中脆弱性”假說。

從現(xiàn)有的研究來看，國內(nèi)外的學者已經(jīng)意識到了銀行集中度對銀行系統(tǒng)性風險、銀行的盈利能力、整體經(jīng)濟增長等都有著顯著的影響，并給出了相應的實證研究。但是，對中國的銀行集中度與銀行系統(tǒng)性風險的情況，學者研究的并不是很多。冀志斌，周先平，董迪（2013）在我國利用省級面板數(shù)據(jù)，實證分析了我國銀行集中度和銀行業(yè)穩(wěn)定性的關系。本文，在其研究的基礎上，對變量的選擇進行更加深入的探討，同時對銀行集中度如何影響我國銀行業(yè)系統(tǒng)性風險，進行更加深入的說明和闡釋，最后對模型進行穩(wěn)定性檢驗，力爭給出具有說服力的結論。

三、數(shù)據(jù)、變量和模型

（一）數(shù)據(jù)

本文選取了我國31個省、直轄市和自治區(qū)的數(shù)據(jù)，利用2006～2013年的平衡面板數(shù)據(jù)，實證分析了我國銀行集中度對我國銀行業(yè)系統(tǒng)性風險的影響。選取跨國的數(shù)據(jù)，受到各個國家金融市場特征、金融市場的發(fā)育程度和金融監(jiān)管的法律法規(guī)的不同程度的影響，得出的結論對我國銀行業(yè)的發(fā)展并沒有很強的指導意義。相比較而言，我國各省份的經(jīng)濟情況和地理位置也截然不同，這是一個很好的研究資源，各省數(shù)據(jù)的巨大差異，也提高了本文結論可信度。省際銀行市場的數(shù)據(jù)來自于中國人民銀行發(fā)布的《中國區(qū)域金融運行報告》和銀監(jiān)會發(fā)布的《中國銀行業(yè)監(jiān)督管理委員會年報》，其他的經(jīng)濟數(shù)據(jù)來自于國家統(tǒng)計局網(wǎng)站和Wind數(shù)據(jù)庫，考慮到數(shù)據(jù)的可得性，本文選取的數(shù)據(jù)區(qū)間是2006～2013年，使用的計量經(jīng)濟學軟件是Stata12.0。

（二）變量選擇

1.集中度指標

在現(xiàn)有的文獻中，銀行集中度的代理指標主要有集中比率（CR）、赫芬達爾—赫希曼指數(shù)(HHI)、H指數(shù)、Lerner指數(shù)等等?？紤]到我國主要的幾大銀行都是國有商業(yè)銀行，加上我國金融機構公布數(shù)據(jù)的可得性，我們天然地選取集中比率（CR）作為我國銀行集中度的代理指標，集中比率（CR）指的是前n家銀行資產(chǎn)(機構，員工人數(shù))之和占整個市場的份額，具體來說我們選擇中國工商銀行、中國農(nóng)業(yè)銀行、中國建設銀行、中國銀行和交通銀行這5家銀行的資產(chǎn)之和的份額 （crasset）、機構之和的份額（cr-branch）和員工人數(shù)之和的份額（crbranch）作為我國銀行集中度的代理指標。

2.系統(tǒng)性風險指標

對于銀行系統(tǒng)性風險的代理變量而言，各個文獻選擇的都不一樣，有的是利用所有商業(yè)銀行股價收益率的變動程度來衡量商業(yè)銀行的系統(tǒng)性風險，有的是選擇了商業(yè)銀行的不良貸款余額和不良貸款比率作為系統(tǒng)性風險的代理變量，還有的是構建一系列的壓力指數(shù)來代表危機是否發(fā)生。基于以上的觀點，本文選擇不良貸款比率作為銀行系統(tǒng)性風險的代理變量（npl），一方面是因為我國股票市場并不完善，股價的波動可能會受到其他因素的影響，并不能很好地代表商業(yè)銀行自身的風險，另一方面構建壓力指數(shù)的方法，在我國沒有發(fā)生過銀行系統(tǒng)性危機的情況下，并不能得到很好的檢驗。因此，我們選擇與銀行經(jīng)營息息相關的不良貸款率作為商業(yè)銀行系統(tǒng)性風險的代理指標。同時我們也使用貸款增長率缺口（LGap）作為銀行系統(tǒng)性風險的代理變量，使用HP濾波法，獲得各省貸款增長的趨勢值，然后計算貸款增長率真實值與趨勢值之差，獲得增長率缺口，缺口越大，證明貸款增長過快，潛在的銀行風險也越大。

3.貨幣政策狀態(tài)指標

本文采用廣義貨幣供給（M2）同比增長率，樣本區(qū)間為 2006年～2013年，并對其進行 Hodrick－Prescott濾波分解，通過平滑方法得到廣義貨幣量的波動成分。

根據(jù)貨幣供給波動成分可以判斷貨幣政策所處的狀態(tài)，當貨幣增長率波動成分大于零時，設定貨幣政策處于擴張狀態(tài)，當貨幣供給增長率波動成分小于零時，設定貨幣政策處于緊縮階段。當時，利率反映的貨幣政策導向與貨幣供應量反映的政策導向相反，利率提高說明了緊縮的貨幣政策，因此我們同時利用經(jīng)過趨勢分解的利率圖形反映貨幣政策的寬松程度，兩者只在2006年有差異，結合其他學者的研究（冀志斌，周先平，董迪，利用一年期貸款基準利率和一周Shibor計算得到的各年度貨幣政策狀態(tài)情況如下：2005～2006 年寬松、2007～2008 年緊縮、2009～2010 年寬松、2011 年緊縮），，我們把 2006年作為貨幣寬松年份處理，同時2007年～2008年為緊縮年份，2009年～2010年為寬松年份，2011年～2013年為緊縮年份。以上面的研究為基礎，設置貨幣政策的虛擬變量MP時，貨幣政策寬松時為MP=1，否則為 MP=0。

4.其他宏觀經(jīng)濟變量

考慮到模型可能會出現(xiàn)的多重共線性的問題，我們選擇RGdp（名義國內(nèi)生產(chǎn)總值增長率）、RExpe（名義財政支出增長率）、CPI（通貨膨脹率）作為其他的控制變量。

5.變量的描述性統(tǒng)計

代表銀行業(yè)系統(tǒng)性風險的NPL變量和LGap變量均值分別為3.64%和0，可以看出，我國銀行業(yè)目前還是處于一個較為穩(wěn)定的狀態(tài)。員工數(shù)量和資產(chǎn)集中度都要大于分支機構的集中度，表明五大行目前利用已有的網(wǎng)點拓展自己的業(yè)務，而不是一味地增加網(wǎng)點。經(jīng)濟增長率和財政支出增長率差異較大，說明各地區(qū)在不同時期所處的經(jīng)濟環(huán)境都有著很大的不同，這也是我們選擇各省作為樣本的一個重要原因。

表1 變量的描述性統(tǒng)計

（三）模型的設定

本文將面板數(shù)據(jù)模型設定為動態(tài)面板數(shù)據(jù)，將模型設定為如下形式：

Riskit=αj＋βRiski，t－k＋δCRit＋λXit＋μit

模型中Risk表示了代表銀行系統(tǒng)性風險的變量 NPL 和 LGap，Riski，t－k表示滯后 K 期的銀行業(yè)系統(tǒng)性風險變量，CR表示銀行集中度的代理變量，X變量表示選取的宏觀經(jīng)濟變量，最后是模型的干擾項。

此外，宏觀經(jīng)濟形式也有可能對銀行業(yè)系統(tǒng)性風險產(chǎn)生重要的影響，這里我們選擇了國內(nèi)生產(chǎn)總值增長率和財政支出增長率之間的差異，來考察集中度與銀行業(yè)系統(tǒng)性風險之間的關系，我們重新設定模型：

重新設定的模型按照GDP和Expe分為兩組，即“高組”和“低組”，分別用High和Low表示，分組方法如下：計算各省在樣本期GDP和Expe的均值，然后與全國的均值進行比較，如果高于全國均值，也就是被歸為“高組”時，則：High=1，Low=0；反之：High=0，Low=1。系數(shù)δ1和δ2衡量了不同區(qū)域的經(jīng)濟環(huán)境中，銀行集中度對銀行業(yè)系統(tǒng)性風險的影響，若兩者不同，則說明銀行集中度對銀行業(yè)系統(tǒng)性風險的關系會受到外部經(jīng)濟環(huán)境的影響。

最后，考慮到選取變量多為宏觀經(jīng)濟變量，這些變量之間會相互影響，模型可能會存在著一定的內(nèi)生性問題，因此本文采用GMM方法來估計動態(tài)面板數(shù)據(jù)模型。

四、實證結果及分析

（一）銀行集中度與銀行穩(wěn)定性關系

表2 銀行集中度與銀行業(yè)系統(tǒng)性風險之間的關系

表2列出了動態(tài)面板數(shù)據(jù)對模型的初步估計結果，由于我們選擇的是GMM估計，因此有必要檢驗模型的過度識別約束，從模型的Hansen值來看，都是為1，這也就意味著估計的模型是穩(wěn)健的，但是模型使用的工具變量是“弱工具變量”，但這并不影響模型估計的穩(wěn)健性。從結果來看，使用NPL和LGap變量代表銀行業(yè)系統(tǒng)性風險，得出的結果截然相反，使用NPL變量，我們得出了“集中脆弱性”的假定，但是使用LGap變量，我們得出了“集中穩(wěn)定性”的結論，因此可以知道關于集中度對銀行業(yè)系統(tǒng)性風險的影響，使用不同的變量也會產(chǎn)生不同的研究結果，這也是這個問題比較復雜的原因之一。

表3 模型的穩(wěn)定性檢驗

為了檢驗模型的穩(wěn)定性，本文針對之前的NPL變量和LGap變量，各自選取了NP（不良貸款余額）和Loan（貸款總量）作為它們的替代變量，進行模型的穩(wěn)定性檢驗，選取的替代變量均可以通過一定的計算得到之前的變量，因此選取它們作為替代變量是合適的。從模型穩(wěn)定性檢驗的結果來看，之前得出的銀行集中度對銀行業(yè)系統(tǒng)性風險的影響基本上是穩(wěn)定的，并沒有出現(xiàn)很大的差異。

從不良貸款來看，銀行集中度的增加加劇了不良貸款的增加，先從各銀行不良貸款的趨勢分析，考慮到數(shù)據(jù)的可得性，選擇中國銀行、建設銀行、工商銀行、交通銀行作為國有銀行，選擇興業(yè)銀行、浦發(fā)銀行、招商銀行、華夏銀行、北京銀行、南京銀行、寧波銀行作為其他性質的商業(yè)銀行，其中，國有銀行的不良貸款率明顯要高于其他類型商業(yè)銀行的不良貸款率，因此銀行集中度的提高勢必會增加整個銀行體系的不良貸款率。國有銀行產(chǎn)權主體為單一的國家所有，導致了經(jīng)營效率低下，銀行信貸組織結構不合理，權責不清，分工不明確，這些都是國有商業(yè)銀行不良貸款率較高的原因。同時，我們發(fā)現(xiàn)GDP和貨幣政策的寬松狀態(tài)減少了不良貸款的發(fā)生，原因在于經(jīng)濟形勢的轉好，借款人的還款能力隨之增加，因而導致了不良貸款率的下降。政府支出的增加和通貨膨脹的發(fā)生增加了不良貸款率，原因在于目前政府債務的加重，信用評級并沒有之前那么高，通貨膨脹率的發(fā)生，導致了整個社會原料成本的高漲，利潤隨之下降，因而這也會影響到借款人的還款能力。

選擇LGap作為銀行穩(wěn)定性的代理變量時，銀行集中度的提高有助于減小銀行業(yè)的系統(tǒng)性風險，滯后二期的LGap系數(shù)為負，表明前期缺口越大，下一期的缺口越小。這主要是因為資本充足率調(diào)節(jié)作用的結果，上期如果貸款發(fā)放過多，必然導致資本消耗量過多，下一期為了資本補充的要求，只能減少貸款的發(fā)放。CR變量系數(shù)的顯著性也不是十分顯著，這也從側面說明了選擇LGap變量的模型沒有選擇不良貸款率的模型具有說服力。集中度的提高，意味著占有很高資本比率的五大行，具有很好的調(diào)節(jié)發(fā)放貸款的能力，這樣一來，不至于使得整個社會的貸款增長過快，風險能夠得到很好的控制。寬松的貨幣狀態(tài)、GDP增長和政府財政的增加都是增加了貸款的偏離度，因為在寬松的貨幣狀態(tài)下，經(jīng)濟的增長必然會帶來企業(yè)投入的增加，這樣貸款的數(shù)量也會增加，政府的財政支出投入到地方建設上來，但是針對目前政府的債務而言，借款也是必須的，這也導致了政府向銀行貸款量的增加。綜合考慮，上述兩種模型的估計結果，運用NPL變量的模型估計系數(shù)的顯著性要明顯好于用LGap變量的模型，并且兩種模型得出了關于集中度與銀行業(yè)系統(tǒng)性風險相反的結論，說明銀行集中度對銀行業(yè)系統(tǒng)性風險的影響較為復雜，而且會受到不同指標體系的影響。

（二）經(jīng)濟環(huán)境對銀行集中度與銀行業(yè)穩(wěn)定性之間關系的影響

表4 個體固定效應檢驗

從模型的個體固定效應檢驗可以看出，使用NPL變量進行模型估計，模型存在著非常顯著的個體固定效應，但是使用LGap變量的時候，得出的固定效應不顯著，這也說明了使用NPL變量得出的結論相對比較可靠。

1.經(jīng)濟增長率的影響

對于使用NPL變量來說，交叉項的系數(shù)依然為正，也就是說銀行集中度的提高增加了整個銀行體系的系統(tǒng)性風險，這與之前使用NPL變量估計出來的結果相一致。對于使用LGap變量來說，各個變量仍為負值，意味著集中度可以減少貸款增長的缺口，有利于銀行體系的穩(wěn)定，這也與之前模型的估計相一致。具體來看，在NPL作為銀行業(yè)穩(wěn)定性的代理變量的時候，銀行集中度對“低組”的作用較為明顯，出現(xiàn)這一現(xiàn)象的原因是經(jīng)濟增長慢的地區(qū)，由于經(jīng)濟發(fā)展緩慢，貸款人收益不一定能得到保障，不良貸款率會升高。在用LGap變量作為代理變量時，則呈現(xiàn)出銀行集中度對銀行穩(wěn)定性的影響在“高組”作用較為明顯，說明在經(jīng)濟發(fā)展比較好的地區(qū)，金融系統(tǒng)也相對完善，銀行調(diào)整貸款的能力也越強，因此可以很好地控制貸款的增長。

表5 經(jīng)濟環(huán)境對銀行業(yè)集中度與銀行穩(wěn)定性關系的影響

2.財政支出的影響

對于使用NPL變量的模型而言，財政支出對銀行集中度與銀行業(yè)系統(tǒng)性風險的影響在 “低組”地區(qū)較為顯著，原因在于在經(jīng)濟發(fā)展相對緩慢的地區(qū)，政府的投資還是起到了很大的作用，政府投資的增加會導致政府借款量的增加，由于政府債務的日益嚴重，導致不良貸款率的提高。對于使用LGap變量的模型而言，財政支出對銀行集中度對銀行業(yè)系統(tǒng)性風險的影響也是在“低組”地區(qū)比較明顯，在經(jīng)濟發(fā)展緩慢和政府支出少的地區(qū)，貸款量相對于其他地區(qū)就會小很多，因此這樣一來，貸款可以相對容易的得到控制，不至于增長得過快。

在2008年以后，通過財政支出分組，屬于“高組”的那一部分地區(qū)的貸款增長率漸漸大于“低組”，并且差距變得越來越大，因此，這驗證了我們關于財政支出增長快的地區(qū)貸款增長也會比較快的結論。

五、結論與政策建議

1.通過兩種不同的變量對比發(fā)現(xiàn)，銀行集中度與銀行業(yè)系統(tǒng)性風險的關系比較復雜，與選取的銀行系統(tǒng)性風險的代理變量也有著很大的關系，因此，對于這個問題的認識，我們不僅要從理論上分析，通過模型求解，更主要的是要利用實際有效可靠的數(shù)據(jù)進行測度和分析。

2.綜合對比來看，通過不良貸款得出的結論，比較讓人信服，因為它的所有系數(shù)的顯著性都要比通過LGap變量計算的要顯著，因此我們大致可以認為和同意“集中脆弱性”的假說，也就是說銀行集中度的提高會導致銀行穩(wěn)定性的降低。

3.我國民營銀行政策的放開，在一定程度上可以增強銀行間的競爭，降低我國現(xiàn)有銀行體系的集中度，這對減小整個銀行的系統(tǒng)性風險是有好處的，但是我們也有必要加強對民營銀行的監(jiān)管，避免出現(xiàn)由于貸款增長過快帶來的信用風險。

4.隨著我國整體GDP增長速度的減緩，銀行不良貸款率可能會有一定的上升，這也要求銀行健全借款人的信用評級制度，從根本上減少不良貸款的發(fā)生。

[1]王勛，趙珍.中國金融規(guī)模、金融結構域經(jīng)濟增長——基于省區(qū)面板數(shù)據(jù)的實證研究[J].財經(jīng)研究，2011，（11）.

[2]王紅.銀行結構域經(jīng)濟發(fā)展：中國銀行業(yè)的實證分析[J].經(jīng)濟學家，2005，（5）.

[3]邱兆祥，安世友.關于中國銀行集中度風險的實證分析[J].經(jīng)濟與管理研究，2012，（4）.

[4]劉柏.我國貨幣政策狀態(tài)的離散選擇分析[J].工業(yè)技術經(jīng)濟，2008，（173）.

[5]李更.商業(yè)銀行的業(yè)務特點與股份制商業(yè)銀行的競爭優(yōu)勢[J].河南金融管理干部學院學報，2004，（2）.

[6]Wei,Neumann,Bostandzic.Systemic risk and bank consolidation:International evidence.Journal of Banking& Finance,Volume 40,March 2014,Pages 165～181.

[7]Deniz Anginer,Asli Demirguc－Kunt,Min Zhu.How does competition affect bank systemic risk?Journal of Financial Intermediation,Volume 23,Issue 1,January 2014,Pages 1～16.

[8]Jorge Tovar,Christian Jaramillo,Carlos Hernandez.Risk,Concentration and Market Power in the Banking Industry:Evidence from the Colombian System(1997－2006).Documentos CEDE,November 2007.

[9]Thorsten Beck,Alsi Demirguc－Kunt,Ross Levine,Bank Concentration,competition and Crisis:First Results,Journal of Banking and Finance,2006.

[10]John Boyd, Gianni De Nicolo, Elena Loukoianova,Banking Crisis and Crisis Dating:Theory and Evidence,IMFWoking Papers,2009.