|
중앙 은행 및 기타 감독 당국은 부채 취약성에 대한 차용자 수준의 데이터를 수집하기 위해 상당한 노력을 기울였습니다. 그러한 데이터가 집계 측정의 정보에 추가됩니까? 우리는 상환 능력이 낮은 가계 및 비금융 기업 차용자에 대한 통계가 종합 측정에서 놓쳤을 부실 대출 및 파산의 변화를 설명하는 데 도움이 된다는 것을 발견했습니다. 따라서 차용자 수준 데이터는 재정 안정성 평가에 유용할 수 있습니다. 1
JEL 분류: E32, E44, G32, G33, G51.
민간 비금융 부문 부채는 최근 몇 년 동안 크게 증가했습니다(CGFS(2022)). 긴축 통화 정책과 경제 상황이 악화됨에 따라 약한 차입자들은 채무 불이행 또는 그 이상으로 밀려날 수 있습니다. 따라서 일반적인 차용인을 나타내는 집계 측정값 외에도 차용인 간의 취약성 분포에 대한 정보는 미래의 신용 손실에 대한 정보가 될 수 있습니다.
차용인 취약성의 분포를 분석하기 위해서는 개별 차용인에 대한 세분화된 정보가 필요합니다. 그러나 그러한 데이터는 종종 사용할 수 없거나 얻을 수 있는 경우 많은 국가에 대해 제한된 역사적 정보만 제공합니다. 따라서 기존 문헌은 주로 총상환능력 측정이 신용 손실 또는 금융 위기를 설명하거나 예측할 수 있는 방법에 중점을 두었습니다(예: Claessen et al(2012), Drehmann et al(2012), Schularick 및 Taylor(2012), Juselius 및 Tarashev). (2022)). 재정 안정성 평가에 정보를 제공하기 위해 차용자 수준의 취약성이 어떻게 사용될 수 있는지에 대해서는 알려진 바가 훨씬 적습니다.
이 특수 기능은 고유한 국가 간 데이터 세트를 사용하여 차용자 수준의 상환 능력 분포에 대한 정보가 미래의 신용 손실을 설명하는 데 도움이 되는지 여부를 분석합니다. 민간 부문 부채 및 금융 안정성에 관한 CGFS 보고서(CGFS(2022))를 위해 20개 중앙 은행에서 수집한 이 데이터 세트에는 두 가지 일반적인 상환 능력 척도인 부채 대 소득 및 부채 상환 능력 분포에 대한 요약 통계가 포함되어 있습니다. 소득 대비 비율. 이는 가계 및 비금융 기업(NFC) 부문에 대해 별도로 제공됩니다. 요약 통계는 "최저 상환 능력"을 가진 차용인에 대한 정보를 "최소 우려"로 포착합니다.
주요 내용
관심 꼬리에 대한 정보를 신용 손실 예측을 위한 종합 측정을 보완하는 데 사용할 수 있습니까? 이 질문에 답하기 위해 이 꼬리에서 차용인 취약성에 대한 두 가지 메트릭을 구성하는 것으로 시작합니다. 첫 번째는 관심 꼬리 내에서 일반적인 차용인의 취약성이 전체 일반적인 차용인(즉, 중간 차용인)의 취약성( 꼬리 길이 )보다 더 큰 정도를 반영합니다 . 두 번째는 가장 낮은 상환 능력을 가진 차용자 그룹이 관심 꼬리 의 일반적인 차용자보다 취약한 정도에 대한 정보를 전달합니다.. 그런 다음 중앙 차용인의 총 상환 능력과 총 상환 능력을 고려한 후 이 두 가지 지표가 신용 손실을 설명하는 데 도움이 되는지 평가합니다.
우리의 분석은 두 가지 주요 결과를 산출합니다.
첫째, 관심 꼬리에서 차용인의 상환 능력에 대한 두 가지 척도인 길이와 두께는 우리 표본(2006–21)에 대한 해당 총계와 상당히 다르게 발전했습니다. 이는 가구 또는 NFC에 관한 차용자 수준 데이터가 집계 데이터에 포함되지 않은 정보를 제공할 수 있다는 첫 번째 징후를 제공합니다.
둘째, 관심 꼬리에 대한 정보는 미래의 신용 손실을 설명하는 데 도움이 됩니다. 총체적인 취약성을 고려한 후, 꼬리 길이와 꼬리 두께는 모두 은행 부문의 부실채권(NPL)과 향후 3년 동안의 기업 파산을 설명하는 데 유용한 것으로 보입니다. 따라서 간결하지만 두 가지 지표는 재무 안정성 분석에 유용한 것으로 보입니다.
이 특별 기능의 나머지 부분은 다음과 같이 구성됩니다. 첫 번째 섹션에서는 차용인 취약성의 분포가 재무 안정성 평가에 정보를 제공하는 데 어떻게 도움이 되는지에 대한 문헌을 간략하게 조사합니다. 두 번째는 데이터 세트를 설명하고 관심 꼬리에 대한 정보를 캡처하는 방법을 설명합니다. 세 번째는 이 꼬리의 이동이 집계 통계에 나타나지 않는 차용인 취약성의 변화를 반영하는지 여부를 조사합니다. 네 번째는 관심 꼬리가 미래 신용 손실을 예측하는 데 도움이 되는 정도를 분석합니다. 마지막으로 정책적 시사점으로 결론을 맺는다.
부채 분배의 재정적 안정성 영향: 문헌
차용인 취약성의 분포가 신용 손실에 중요하다는 인식이 커지고 있습니다. 중앙 은행과 은행 감독관은 스트레스 테스트에서 취약한 차용인의 상환 능력에 대한 세분화된 데이터를 사용합니다(예: Anderson et al(2014), Bilston et al(2015), Finansinspektionen(2022)). Fuster et al(2018)은 불리한 충격에서 잠재적 손실을 평가할 때 가장 위험한 차용인의 취약성을 설명하는 것의 중요성에 대해 논의합니다. Adelino et al(2016)은 FICO 점수를 사용하여 GFC 이전에 집값이 가장 많이 급등한 지역에서 금융 위기(GFC) 이후 고소득 차용자의 연체 비율이 특히 급격히 증가했음을 보여줍니다.
그러나 데이터 부족은 차용인 취약성의 분포를 실제 신용 손실 또는 금융 위기와 연결하는 연구를 제한했습니다. 길고 포괄적인 과거 데이터 시리즈의 부족은 주로 특정 에피소드나 대기업에 대한 분석을 제한했습니다. 예를 들어, Greenwood and Hanson(2013)은 상장된 기업 중에서 더 위험한 기업에 부채 증가가 더 많이 집중될수록 GDP 성장이 약해지고 경제 활동에 대한 하방 위험이 높아지고 금융 위기가 발생할 확률이 높아진다는 것을 보여줍니다. Brandao-Marques et al(2019)은 상장 기업의 국가 간 패널을 사용하여 유사한 결과를 찾습니다. Gourinchas et al(2020)은 대기업 및 중소기업 표본의 부채에 대한 기업 수준 데이터를 사용하여 Covid-19 충격의 여파로 실현될 수 있는 부실채권(NPL)을 계획합니다. 하지만,
차용인 취약성의 분포 특성화
이 특별 기능은 2006-21년 기간 동안 연간 빈도로 차용자 수준의 취약성에 대한 고유한 국가 간 데이터 세트를 사용합니다. 20개 중앙은행에서 제공한 이 데이터는 가계 및 NFC 부문에 대해 별도로 일반적인 상환 능력 측정 분포에 대한 요약 통계로 구성됩니다. 2 수집된 특정 통계는 차용인에 대한 소득 대비 부채 및 소득 대비 부채 분포의 중앙값과 75번째 및 90번째 백분위수였습니다. 삼 90번째 백분위수를 예로 들면 차용자의 정확히 10%가 초과하는 비율과 같습니다. 따라서 데이터 세트의 요약 통계는 재정적 안정성 관점에서 중앙 차입자의 취약성과 "우려의 꼬리"에 있는 취약성에 대한 정보를 캡처합니다.
우리는 두 가지 방법으로 이 데이터 세트를 보완합니다. 첫째, 동일한 기간 동안 국가 수준의 소득 대비 부채 비율 및 소득 대비 부채 비율을 합산합니다. 둘째, 은행 NPL, 기업 파산 및 GDP 성장에 대한 국가 수준 데이터도 추가합니다.
우리의 분석은 세 가지 메트릭으로 차용자 취약점의 분포를 특성화하는 것으로 시작됩니다. 첫 번째는 분배의 중앙값으로 "평균"(또는 일반적인) 차용인의 상환 능력을 포착합니다. 중앙값의 증가는 전체 분포의 오른쪽 이동에 해당하며, 나머지는 모두 동일합니다( 그래프 1 , 왼쪽 패널). 우리는 이 메트릭이 해당 취약점의 집계 측정에 포함된 것과 유사한 정보를 캡처할 것으로 기대합니다.
그래프 1
모두 닫기
두 번째 메트릭은 관심 꼬리 내에서 일반적인 차용인의 취약성이 중앙값 차용인의 취약성과 다른 정도를 포착합니다. 75번째 백분위수와 중앙값 사이의 거리인 꼬리 길이 와 같습니다 . 꼬리 길이의 증가는 관심 꼬리에서 상환 능력이 특히 크게 악화되었음을 나타냅니다( 그래프 1 , 중앙 패널).
세 번째 메트릭은 가장 위험한 차용자 그룹이 우려의 대상에 있는 일반적인 차용자보다 더 취약한 정도에 대한 정보를 전달합니다. 그것은 90번째와 75번째 백분위수 사이의 거리와 75번째 백분위수와 중앙값 사이의 거리의 비율인 꼬리 두께 와 같습니다 . 꼬리 두께의 증가는 특히 가장 위험한 차용자 사이에서 상환 능력이 악화되었음을 나타냅니다( 그래프 1 , 오른쪽 패널).
분포와 집계의 정보
관심 꼬리를 캡처하는 메트릭에 해당 집계 측정값과 다른 정보가 포함되어 있습니까? 그렇다면 꼬리가 나머지 분포와 다르게 진화할 것으로 예상할 수 있습니다.
첫째, 예상대로 중앙값은 국가 수준에서 상환 능력을 포착하는 총 비율과 밀접하게 움직이는 경향이 있습니다. 예를 들어, 국가 전체를 평균하면 2006년과 2021년 사이에 가계 소득 대비 가계 부채 비율 중앙값이 총계와 함께 꾸준히 증가했음을 알 수 있습니다( 그래프 2 , 왼쪽 패널). NFC의 소득 대비 부채(중앙 패널) 측면에서도 유사한 그림이 분명합니다. 국가 내 변동을 기반으로 한 상관 계수는 동일한 방향을 가리킵니다(오른쪽 패널, 맨 위 행).
그래프 2
모두 닫기
대조적으로, 시계열 프로파일( 그래프 2, 왼쪽 및 중앙 패널) 및 상관 관계(오른쪽 패널)는 한편으로는 꼬리 길이와 두께 사이에 상당한 차이가 있고 다른 한편으로는 집계 측정값 사이에 상당한 차이가 있음을 보여줍니다. 예를 들어, GFC 이후 국가 전체에 걸쳐 총 가계부채 비율이 증가했지만, 가장 취약한 가구가 다른 가구보다 대차대조표를 수리하고 금융 중개자가 더 위험한 대출을 축소함에 따라 해당 꼬리 두께가 감소했습니다. 2017년 이후에는 모기지 증가율과 집값 상승과 함께 꼬리가 다시 두꺼워졌습니다. Covid-19 충격으로 돌아가서 가장 취약한 NFC에 대한 영향은 고객 대면 부문의 기업이 현금 흐름 격차를 메우기 위해 차입함에 따라 꼬리 길이와 두께 모두의 급증에 반영되었습니다(Banerjee et al(2021)). 병행하여,
추가 읽기
차용인 취약성 및 신용 손실 분포
다음으로 미래 신용 손실을 설명하기 위한 꼬리 지표의 정보 값을 조사합니다. 우리는 한 번에 하나의 상환 능력 측정(소득 대비 부채 또는 소득 대비 부채 상환)을 사용하여 가계 및 NFC 부문에 대한 다음 예측 회귀를 개별적으로 추정함으로써 이를 수행합니다.
여기서 i 는 국가이고 t 는 연도를 나타냅니다. 가장 긴 기간인 h 는 3년과 같으며 재정적 어려움에 대한 조기 경보 지표의 신호 품질을 테스트하는 데 자주 사용됩니다. 4 t+h 연도 의 국가 i 에 대한 변수 Outcome it+h 는 t- 1 연도의 총 대출에서 t-1 과 t+h 사이의 은행 부문의 총 신규 NPL의 변화와 동일합니다. 5 또는 t+h 와 t-1 사이의 비즈니스 파산 로그 변화 . 우리의 주요 설명 변수는Tail length it , Tail fatness it , 관심 꼬리에 대한 정보가 신용 손실을 예측하는 데 도움이 되는지 확인합니다. 결과 변수에 대한 영향을 제어하기 위해 해당 Aggregate ratio it 및 Median it 을 포함합니다. 또한 기간 t 또는 그 이전의 통제를 포함합니다. 여기에는 일반 경제 활동을 통제하기 위한 기간 t 의 실질 GDP 성장률 , Covid-19 충격을 설명하기 위해 2020년과 2021년 동안 1의 값을 취하는 지표 변수, 국가 고정 효과가 포함됩니다.
, 시불변의 관측되지 않은 국가 특성을 제어합니다. 데이터의 짧은 시계열로 인해 분석이 샘플에 포함된다는 점에 유의하는 것이 중요합니다. 이것은 우리의 추정이 변수의 동조를 포착하지만 샘플에서 신용 손실도 예측한다는 것을 의미하지는 않습니다.
꼬리 길이에 대한 정보는 집계 데이터와 중앙값 지표만으로는 놓칠 수 있는 신용 손실을 설명하는 데 도움이 되는 것으로 보입니다. 우리의 추정에 따르면 소득 대비 가계 부채 또는 소득 대비 부채 상환 비율의 꼬리 길이가 1 표준편차 증가하면 소득 대비 0.6~1% 포인트(0.3~0.5 표준 편차) 증가와 관련이 있습니다. 2~3년 후 총 대출에서 신규 NPL의 비율( 그래프 3 , 왼쪽 패널). NPL은 NFC 꼬리 길이(중앙 패널)의 유사한 크기 증가에 따라 0.3~1.2% 포인트(0.1~0.6 표준 편차) 증가하는 반면, 비즈니스 파산의 연간 성장률은 -8%(표본 평균)에서 + 16%(0.4 표준 편차 상승)(오른쪽 패널).
그래프 3
모두 닫기
꼬리 두께의 증가는 신용 손실의 증가와도 관련이 있습니다. 예를 들어 소득 대비 가계 부채 분포의 꼬리 두께가 1 표준 편차 증가하면 NPL이 0.5% 포인트(0.3 표준 편차) 증가합니다( 그래프 4 , 왼쪽 패널). NFC 부채-소득 분포의 꼬리 두께의 유사한 크기 증가는 NPL 및 비즈니스 파산(중앙 및 오른쪽 패널)의 1 표준 편차 증가와 관련이 있습니다. 소득 대비 부채 상환 비율로 돌아가면 꼬리 두께의 증가는 비즈니스 파산에 대해서만 상당한 예측력을 갖습니다. 6
관심 꼬리 부분에 대한 설명은 신용 손실 변동성의 중요한 부분을 설명하는 데 도움이 됩니다. 예를 들어, 회귀 사양(1)에 가계 부채-소득 분포의 이러한 메트릭을 포함 하면 향후 3년 동안 새로운 NPL 변동성(조정된 R 2 )의 설명된 부분이 약 8% 포인트 증가합니다. 마찬가지로 NFC 부채-소득 분포에서 파생된 꼬리 측정항목을 포함하면 새로운 NPL 변동성의 설명된 부분이 약 6% 포인트 증가합니다. 사업파산에 대한 설명력의 증가는 약 3%에서 13%로 증가합니다. 전반적으로, 우리의 결과는 우려의 꼬리에 있는 차용자에 대한 정보가 미래의 신용 손실을 설명하는 데 가치를 추가한다는 것을 시사합니다.
그래프 4
모두 닫기
정책 입안자를 위한 요점
세분화된 데이터의 추가 정보 가치는 수집 비용에 대해 설정해야 합니다. CGFS(2022)는 중앙 은행이 이러한 데이터와 관련 개인 정보 보호 문제를 수집하기 위해 많은 노력을 기울였음을 강조합니다. 이 특별 기능은 신용 손실을 예측할 때 가장 취약한 차용인의 상환 능력을 추적하는 것이 중요하다는 점을 강조했습니다. 또한 개인 정보 보호 문제를 극복하는 데 도움이 될 수 있는 간결한 요약 통계가 신용 손실을 설명하는 종합 측정치를 보완할 수 있음을 보여주었습니다.
우리의 결과는 기본 시계열이 짧기 때문에 주의해서 해석해야 합니다. 20개국에 대한 적용 범위가 관찰 횟수를 늘려 이러한 결핍을 완화하는 데 도움이 되지만, 우리의 샘플은 한 번의 위기 에피소드와 함께 하나의 금융 주기만을 다루고 있다는 점에 주목하는 것이 중요합니다. 더 긴 시계열에 기반한 향후 연구는 신용 손실을 예측하는 데 가장 취약한 차용자에 대한 정보의 가치에 대한 유용한 추가 정보를 제공할 수 있습니다. 중요한 것은 그러한 정보가 정책 입안자가 조치를 취할 때 의존해야 하는 실시간(즉, "표본 외") 예측을 개선하는지 여부를 명확히 해야 한다는 것입니다.
참고문헌
Adelino, M, A Schoar 및 F Severino(2016): "모기지 위기의 대출 발생 및 채무 불이행: 중산층의 역할", 재무 연구 검토 vol 29, no 7, 7월, pp 1635–70.
Anderson, G, P Bunn, A Pugh 및 A Uluc(2014): "가계 부문에 대한 고금리의 잠재적 영향: 2014 NMG Consulting Survey의 증거", Bank of England, Quarterly Bulletin (4분기), pp 358–68.
Banerjee, R, J Noss 및 J Vidal-Pastor(2021): " 지급 력 에 대한 유동성: 전환이 취소되거나 연기됩니까? ", BIS 게시판 , 40번.
Bilston, T, R Johnson 및 M 읽기(2015): "HILDA 조사를 사용한 호주 가계 부문의 스트레스 테스트", 호주 중앙 은행 연구 토론 문서 , no 2015-01, 3월.
Brandao-Marques, L, Q Chen, C Raddatz, J Vandenbussche 및 P Xie(2019): "신용 할당 및 재무 안정성의 위험", IMF 작업 문서 , no 2019-207.
Claessens, S, A Kose 및 M Terrones(2012): "비즈니스와 금융 주기는 어떻게 상호 작용합니까?", Journal of International Economics , vol 87, no 1, pp 178–190.
글로벌 금융 시스템 위원회(2022): " 민간 부문 부채와 금융 안정성 ", CGFS 페이퍼 , 67번.
Drehmann, M, C Borio 및 K Tsatsaronis(2012): " 금융 주기 특성화 : 중기적 관점을 잃지 마십시오! ", BIS 작업 문서 , 380번.
Drehmann, M 및 K Tsatsaronis(2014): " 신용 대 GDP 격차 및 경기 순환적 자본 완충 장치: 질문 및 답변 ", BIS Quarterly Review , 3월, pp 55–73.
Finansinspektionen(2022): 스웨덴 모기지 시장 2015 .
Fuster, A, B Guttman-Kenney 및 A Haughwout(2018): "미국 가계 레버리지 추적 및 스트레스 테스트", 뉴욕 연방 준비 은행, 경제 정책 검토 , 9월.
Gourinchas, PO, Ṣ Kalemli-Özcan, V Penciakova 및 N Sander(2020): "실시간으로 중소기업 실패 추정: COVID-19 위기에 대한 적용", NBER Working Papers , no 27877.
Greenwood, R and S Hanson(2013): "발행자 품질 및 회사채 수익률", 재무 연구 검토 , vol 26, no 6, pp 1483–525.
Juselius, M 및 N Tarashev(2022): " 불확실성이 예상 손실과 예상치 못한 손실을 분리할 때 ", BIS Working Papers , no 995.
Schularick, M 및 A Taylor(2012): "신용 붐이 무너졌습니다: 통화 정책, 레버리지 주기 및 금융 위기, 1870–2008", American Economic Review , vol 102, no 2, pp 1029–61.
1 저자는 유용한 논평과 토론에 대해 Claudio Borio, Stijn Claessens, Alessio de Vincenzo, Egemen Eren, Andreas Fuster, Ulf Lewrick, Benoît Mojon, Shin Hyun Song, Nikola Tarashev, Phillip Wooldridge 및 Egon Zakrajšek에게 감사를 표하고 Daniel Heimgartner, Nicolas Lemerci 훌륭한 연구 지원에 대해 Oliver Surbek. 이 기사에 표현된 견해는 저자의 견해이며 국제결제은행, 이탈리아 은행 및 스위스 국립 은행의 견해를 반드시 반영하는 것은 아닙니다.
2 데이터 세트는 AU, BE, BR, CH, DE, ECB, ES, FR, GB, HK, IN, IT, KR, LU, MX, NL, RU, SA, TH 및 US의 중앙 은행 데이터로 구성됩니다. .
3 NFC 부문의 경우 요약 통계는 소득 대 부채 비율 및 이자율 커버리지 비율에 대한 원시 데이터 변환을 기반으로 합니다.
4 예를 들어, Drehmann 및 Tsatsaronis(2014).
5 신규 NPL은 기간 말의 총 NPL에서 기간 시작의 총 NPL을 뺀 값에 관찰 기간 동안의 순 상계를 더한 것으로 정의됩니다.
6 우리는 결과의 견고성을 확인하기 위해 몇 가지 추가 테스트를 실행했습니다. 종속 변수의 시차를 회귀 분석에 추가 제어 변수로 포함하면 광범위한 결과가 실질적으로 변경되지 않습니다. 마찬가지로, 우리의 결과는 회귀 사양에서 Covid-19 충격에 대한 지표 변수와 중앙값 또는 총계 비율을 제외할 정도로 강력합니다.
|