商業(yè)銀行同業(yè)業(yè)務(wù)風(fēng)險傳染特征及因素分析

王曉楓,廖凱亮(1.東北財經(jīng)大學(xué) 金融學(xué)院，遼寧 大連 116025；2.東北財經(jīng)大學(xué) 應(yīng)用金融研究中心，遼寧 大連 116025；.寧波銀行股份有限公司，浙江 寧波 15100)

商業(yè)銀行同業(yè)業(yè)務(wù)風(fēng)險傳染特征及因素分析

王曉楓1,2,廖凱亮3
(1.東北財經(jīng)大學(xué) 金融學(xué)院，遼寧 大連 116025；2.東北財經(jīng)大學(xué) 應(yīng)用金融研究中心，遼寧 大連 116025；3.寧波銀行股份有限公司，浙江 寧波 315100)

本文基于2007—2015年我國16家上市商業(yè)銀行的資產(chǎn)負(fù)債表數(shù)據(jù)，運(yùn)用信息熵最大化法構(gòu)建了銀行間的同業(yè)網(wǎng)絡(luò)，根據(jù)所估計的商業(yè)銀行受傳染的資產(chǎn)損失，選取資產(chǎn)規(guī)模、資本充足率、銀行間拆借利率價差及國內(nèi)生產(chǎn)總值等既反映商業(yè)銀行個體行為的變化對風(fēng)險傳染的影響，同時也反映宏觀經(jīng)濟(jì)環(huán)境變化對風(fēng)險傳染的影響的變量，構(gòu)建了商業(yè)銀行同業(yè)業(yè)務(wù)風(fēng)險傳染的計量模型。結(jié)果表明：在同業(yè)市場上，風(fēng)險傳染損失與國有銀行的同業(yè)業(yè)務(wù)占比負(fù)相關(guān)，當(dāng)國有商業(yè)銀行的同業(yè)業(yè)務(wù)占比越大時，股份制銀行和城市商業(yè)銀行的同業(yè)業(yè)務(wù)占比越小，銀行之間因?yàn)轱L(fēng)險傳染而造成的損失會減少。同業(yè)市場上，銀行之間發(fā)生風(fēng)險傳染與違約損失率有關(guān)，一般來說，違約損失率越大，銀行系統(tǒng)的資產(chǎn)損失比例越大。銀行風(fēng)險傳染損失大小與銀行總體的資本充足率密切相關(guān)，資本充足越高，銀行的風(fēng)險傳染損失越小。

商業(yè)銀行;風(fēng)險傳染;同業(yè)資產(chǎn);同業(yè)負(fù)債；順周期

一、引 言

近年來，我國商業(yè)銀行的經(jīng)營環(huán)境發(fā)生了巨大的變化，銀行的同業(yè)業(yè)務(wù)快速發(fā)展。中國人民銀行2016年金融穩(wěn)定報告顯示，2015年同業(yè)拆借累計成交量為64.200萬億元，同比增長70.500%，遠(yuǎn)高于同期銀行業(yè)金融機(jī)構(gòu)貸款增長水平。同時，納入同業(yè)存放、拆出資金和賣出回購金融資產(chǎn)項(xiàng)下核算的同業(yè)負(fù)債也快速增多，截至2015年末，銀行業(yè)金融機(jī)構(gòu)同業(yè)負(fù)債比重為14.480%，比上年末上升2.100個百分點(diǎn)。遠(yuǎn)高于同期銀行業(yè)金融機(jī)構(gòu)存款增長的水平。

同業(yè)業(yè)務(wù)的快速發(fā)展，一方面為商業(yè)銀行借貸短期流動性資金提供了便利，另一方面也可能成為銀行風(fēng)險傳染的渠道[1]。理論上，風(fēng)險傳染是指一個銀行的財務(wù)困難會外溢給國內(nèi)的其他銀行[2]，風(fēng)險傳染使得商業(yè)銀行在應(yīng)對宏觀環(huán)境的不利變動時顯得更加脆弱。同業(yè)業(yè)務(wù)的擴(kuò)張使得銀行之間的債權(quán)債務(wù)關(guān)系日益復(fù)雜，銀行的財務(wù)杠桿逐漸增大，外界對單個銀行的沖擊會引起關(guān)聯(lián)銀行的資產(chǎn)受損，銀行資本可能不足以沖抵資產(chǎn)損失，風(fēng)險可能會傳染到整個銀行體系，容易形成系統(tǒng)性風(fēng)險[3]。因此，深入研究我國商業(yè)銀行同業(yè)業(yè)務(wù)風(fēng)險的傳染特征及因素，對于預(yù)防銀行間風(fēng)險傳染，發(fā)揮同業(yè)市場的積極作用，減少系統(tǒng)性風(fēng)險的發(fā)生，從而維護(hù)金融系統(tǒng)的穩(wěn)定具有重要的理論價值和現(xiàn)實(shí)意義。

二、文獻(xiàn)綜述

近年來，國內(nèi)外關(guān)于銀行間風(fēng)險傳染的研究相對成熟，為本文的研究提供了重要的借鑒。結(jié)合本文的研究需要，本文從三個方面總結(jié)了相關(guān)的研究。

(一)對銀行間風(fēng)險傳染影響因素的研究

李宗怡和李玉海[4]模擬我國銀行同業(yè)風(fēng)險頭寸分布狀況,估計了銀行體系內(nèi)的“傳染”風(fēng)險。他們發(fā)現(xiàn)銀行同業(yè)資產(chǎn)和負(fù)債與銀行的類型和規(guī)模相關(guān)，國有銀行的同業(yè)頭寸占全部同業(yè)頭寸的70%以上，但其同業(yè)資產(chǎn)占比有逐年下降趨勢；銀行體系內(nèi)風(fēng)險傳染的概率非常低，同時風(fēng)險傳染的概率及其導(dǎo)致的損失在逐年下降。馬君潞等[5]估計了我國銀行雙邊傳染風(fēng)險，分析了不同損失水平下單個銀行倒閉及多個銀行倒閉所引起的傳染性，發(fā)現(xiàn)銀行是決定傳染程度的關(guān)鍵；多家銀行同時破產(chǎn)會降低系統(tǒng)性危機(jī)發(fā)生的門檻；提高系統(tǒng)性風(fēng)險發(fā)生的概率，損失率的大小是決定傳染是否發(fā)生及危害程度的一個重要變量。Ladley[6]建立了包含銀行行為和利率的數(shù)值模型，分析發(fā)現(xiàn)外界沖擊的大小影響了同業(yè)市場的功能。當(dāng)大的外界環(huán)境沖擊來臨時，商業(yè)銀行間的聯(lián)系將會使系統(tǒng)性事件更加惡化，但是當(dāng)商業(yè)銀行面臨較小沖擊時，銀行之間的借貸卻會使系統(tǒng)更加穩(wěn)定。銀行間市場與系統(tǒng)的穩(wěn)定間不存在一致的關(guān)系。陳超[7]對不同的宏觀經(jīng)濟(jì)因素與銀行所有者權(quán)益之間建立模型，通過回歸分析考察宏觀經(jīng)濟(jì)因素沖擊對銀行償付能力，選擇國內(nèi)生產(chǎn)總值、股票價格指數(shù)、房地產(chǎn)價格指數(shù)和一年期存貸款利差作為情景模擬中的宏觀經(jīng)濟(jì)沖擊因素，結(jié)果發(fā)現(xiàn)GDP和股票指數(shù)相較于利率和房地產(chǎn)價格指數(shù)對銀行同業(yè)市場風(fēng)險傳染的影響較大。鄭長軍和王光俊[8]使用ΔCoVaR來衡量銀行的系統(tǒng)性風(fēng)險并建立了聯(lián)立方程模型，結(jié)果表明，單個銀行的資本變動與其系統(tǒng)風(fēng)險貢獻(xiàn)度變動呈顯著的正相關(guān)；最低資本金率要求對銀行系統(tǒng)風(fēng)險貢獻(xiàn)度有一定的積極影響；資產(chǎn)規(guī)模大的銀行投資機(jī)會更多，有利于分散資產(chǎn)風(fēng)險；經(jīng)濟(jì)的快速增長有利于資本補(bǔ)充，資本充足率上升。

(二)對風(fēng)險傳染估計方法的研究

Lee[9]通過數(shù)值模擬的方法建立了銀行系統(tǒng)模型，刻畫了銀行流動性風(fēng)險在銀行間的傳染機(jī)制，結(jié)果表明銀行流動性頭寸的不平衡會加劇流動性風(fēng)險的傳染。李守偉和何建敏[10]模擬了銀行間市場有向隨機(jī)網(wǎng)絡(luò)、小世界網(wǎng)絡(luò)和無標(biāo)度網(wǎng)絡(luò)，進(jìn)而通過描述銀行資產(chǎn)負(fù)債表建立了銀行間傳染風(fēng)險分析模型，結(jié)論認(rèn)為銀行間市場無標(biāo)度網(wǎng)絡(luò)面對沖擊具有最高的穩(wěn)定性。陳庭強(qiáng)和何建敏[11]基于復(fù)雜網(wǎng)絡(luò)理論，模擬了信用風(fēng)險在銀行網(wǎng)絡(luò)中的傳播，通過仿真實(shí)驗(yàn)，發(fā)現(xiàn)社會網(wǎng)絡(luò)平均度越大，信用風(fēng)險的傳染概率越大和社會網(wǎng)絡(luò)異質(zhì)性越大，信用風(fēng)險的傳染概率越小。Wells[12]使用矩陣法估計了英國銀行間同業(yè)雙邊暴露的分布，結(jié)果發(fā)現(xiàn)，單個銀行的倒閉不太可能引發(fā)其他銀行的倒閉，但卻有可能減弱銀行的風(fēng)險抵御能力。當(dāng)銀行真的引發(fā)銀行的連鎖反應(yīng)時，損失程度與銀行間貸款的分布和違約損失率相關(guān)。鄒薇和李娜[13]使用矩陣法模型測算了我國銀行同業(yè)風(fēng)險頭寸分布狀況,估計了我國銀行體系內(nèi)的傳染風(fēng)險，結(jié)果表明我國銀行間市場上系統(tǒng)性風(fēng)險發(fā)生的可能性增大，表現(xiàn)為風(fēng)險傳染源銀行數(shù)量的增加和風(fēng)險傳遞范圍的擴(kuò)大。Jorion和Zhang[14]使用不同行業(yè)的CDS價差建立回歸模型，結(jié)果發(fā)現(xiàn)，突發(fā)事件會引起傳染效應(yīng)，截面分析顯示行業(yè)數(shù)據(jù)能夠用來預(yù)測傳染效應(yīng)的發(fā)生。周天蕓等[15]運(yùn)用分位數(shù)回歸模型，通過測量香港銀行體系的條件風(fēng)險價值，判斷香港銀行的系統(tǒng)性風(fēng)險，研究發(fā)現(xiàn)，金融機(jī)構(gòu)間的傳染和風(fēng)險溢出效應(yīng)會導(dǎo)致系統(tǒng)性風(fēng)險的增加，規(guī)模較大銀行的溢出效應(yīng)較為明顯。

(三)對銀行風(fēng)險傳染渠道的研究

Diamond和Dybvig[16]提出了經(jīng)典的D-D模型，分析了儲戶的擠兌可能導(dǎo)致銀行面臨流動性風(fēng)險，認(rèn)為商業(yè)銀行可以通過存款保險或者政府對市場的干預(yù)防止市場的擠兌行為，從而維護(hù)市場的穩(wěn)定。Arinaminpathy等[17]刻畫了流動性儲存(liquidity hoarding)、資產(chǎn)價格傳導(dǎo)和對手方的違約這三種渠道對銀行之間風(fēng)險傳染的影響，研究認(rèn)為市場的信心可能會通過影響銀行所持資產(chǎn)的市場價格來影響風(fēng)險傳染的速度。牛晨等[18]通過研究存款準(zhǔn)備金率與支付系統(tǒng)流動性需求的關(guān)系，以及在支付系統(tǒng)中引入優(yōu)化算法對流動性需求和系統(tǒng)效率的作用，結(jié)果表明隨著存款準(zhǔn)備金率的不斷上調(diào)，支付系統(tǒng)中的參與者面臨越來越大的流動性需求壓力。Acharya和Yorulmazer[19]研究發(fā)現(xiàn)，信息傳染導(dǎo)致以利潤最大化為目標(biāo)的銀行開始與其他銀行一致行動，當(dāng)銀行貸款受到共同的系統(tǒng)性因素影響時，商業(yè)銀行的借款成本會因其他銀行的壞消息而受到影響。如果商業(yè)銀行的貸款收益相關(guān)性越小，商業(yè)銀行因?yàn)閴南⒍黾拥某杀颈纫驗(yàn)楹孟⒍鴾p少的成本要多。

從上述研究可以看到，對于影響銀行風(fēng)險傳染因素的分析，大多數(shù)學(xué)者更多地關(guān)注商業(yè)銀行的個體行為對銀行風(fēng)險傳染的影響，而忽視宏觀經(jīng)濟(jì)環(huán)境的變化對銀行風(fēng)險傳染的影響。對于風(fēng)險傳染估計方法的運(yùn)用比較廣泛，即有數(shù)值法、計量模型法，也有矩陣法等，但從數(shù)據(jù)的采用及研究結(jié)論來看，數(shù)值法中的數(shù)據(jù)來源于模擬，結(jié)論可信度較差；計量模型法對數(shù)據(jù)的要求度高，現(xiàn)有的數(shù)據(jù)庫卻難以滿足模型的需要；而矩陣法雖然能夠估計銀行的傳染損失，但得出的結(jié)論不具有一般性。

綜合以上考慮，本文結(jié)合我國商業(yè)銀行同業(yè)業(yè)務(wù)發(fā)展的實(shí)際，選擇將同業(yè)業(yè)務(wù)作為銀行風(fēng)險傳染的渠道，綜合考慮商業(yè)銀行個體行為以及宏觀經(jīng)濟(jì)環(huán)境變化對商業(yè)銀行風(fēng)險傳染的影響，在運(yùn)用信息熵最大化法估計出同業(yè)業(yè)務(wù)雙邊交易量的基礎(chǔ)上，測算銀行的受傳染銀行的資產(chǎn)損失，建立計量模型，分析同業(yè)業(yè)務(wù)風(fēng)險傳染的基本特征及其影響因素，本文得出的結(jié)論較為真實(shí)可信，可以為商業(yè)銀行的審慎監(jiān)管提供一定的參考。

三、銀行間風(fēng)傳染模型的構(gòu)建

(一)同業(yè)網(wǎng)絡(luò)的構(gòu)建

銀行之間的借貸網(wǎng)絡(luò)可以表示成矩陣的形式，假設(shè)一共有N家銀行，銀行之間的同業(yè)網(wǎng)絡(luò)可以由N×N的矩陣表示。即：

X=

?

ai

?

aN

l1…lj…lN

其中，xij表示第j家銀行持有的第i家銀行的資產(chǎn)量占銀行業(yè)全部資產(chǎn)的比例。lj表示銀行j的同業(yè)資產(chǎn)占銀行同業(yè)總資產(chǎn)的比例，ai表示銀行i的同業(yè)負(fù)債占銀行同業(yè)負(fù)債的比例，且有：

(1)

所有商業(yè)銀行的同業(yè)資產(chǎn)負(fù)債比例之和等于1。

(二)銀行之間風(fēng)險傳染的違約算法

違約算法描述了商業(yè)銀行之間因?yàn)橥瑯I(yè)業(yè)務(wù)交易而可能發(fā)生風(fēng)險傳染的具體過程。曾麗[20]從便于銀行監(jiān)管的角度，提出了將核心資本充足率低于6%作為銀行間發(fā)生傳染的判定條件，但由于我國銀行數(shù)據(jù)公開程度較低，難以獲得上市銀行每個季度的一級核心資本和風(fēng)險加權(quán)資產(chǎn)，本文將風(fēng)險傳染的條件設(shè)為當(dāng)銀行在同業(yè)市場遭遇的損失超過其所有者權(quán)益時，銀行會將風(fēng)險傳染給持有風(fēng)險暴露的對手方。

風(fēng)險傳染具體過程如圖1所示，圖中箭頭指向?yàn)轱L(fēng)險傳染的方向。為了便于說明，本文將銀行資產(chǎn)負(fù)債表中的科目用字母表示，其中，用IAi表示第i家銀行持有的同業(yè)資產(chǎn)，ILi表示第i家銀行持有的同業(yè)負(fù)債，其他流動性資產(chǎn)和長期資產(chǎn)分別用LAi和EAi表示，儲戶存款和所有者權(quán)益分別用Di和Ei表示，違約損失率用θ表示。

如圖1所示，銀行A通過同業(yè)市場向銀行B借入資金，形成銀行B的同業(yè)資產(chǎn)，為了敘述的方便，本文假定銀行A借得的資金全部來源于銀行B，銀行B的所有同業(yè)資產(chǎn)均是由借款給銀行A形成的，也即ILA=IAB，銀行A與銀行B不存在交叉借貸的情況。如圖2所示，銀行A可能會因?yàn)槭袌霏h(huán)境的變化導(dǎo)致資產(chǎn)損失，當(dāng)損失額超過擁有的資本金時，銀行A便會破產(chǎn)，銀行A從銀行B借來的資金便無法償還，銀行B也會面臨資產(chǎn)的損失。如圖3所示，當(dāng)銀行B的資產(chǎn)損失小于銀行B的資本金時，銀行B的剩余資本金為EB-θ×ILB，銀行B仍能正常運(yùn)營，但當(dāng)銀行B遭受的損失超過銀行B的資本金時，假定此時銀行B無法從外界迅速籌集資金以彌補(bǔ)損失，銀行B便會破產(chǎn)，銀行B的破產(chǎn)又會導(dǎo)致其關(guān)聯(lián)銀行的損失，并將風(fēng)險不斷傳染下去，直到所有銀行在遭遇沖擊后資本金仍為正值。

圖1 銀行的風(fēng)險傳染圖

圖2 銀行A破產(chǎn)過程 圖3 銀行B破產(chǎn)過程

(三)同業(yè)業(yè)務(wù)雙邊交易量的估計[21]

(2)

(3)

從各銀行的財務(wù)報表中，可以獲得D2和l1，…，lN的值，由(2)式可以得到X0的值,再根據(jù)Blien和Graef[23]提出的RAS算法便可以求出銀行同業(yè)業(yè)務(wù)雙邊交易量矩陣X*。

(四)違約損失率與銀行的資產(chǎn)損失

銀行的資產(chǎn)負(fù)債行為會隨著經(jīng)濟(jì)環(huán)境的變化不斷發(fā)生改變，因而，銀行間的風(fēng)險傳染特征可能也會因此而改變[24]。為了反映銀行風(fēng)險的歷史動態(tài)傳染過程，本文首先根據(jù)Degryse和Nguyen[25]的做法，將因傳染而倒閉的銀行資產(chǎn)計為受傳染的資產(chǎn)損失，并將受傳染的資產(chǎn)損失與系統(tǒng)中銀行的總資產(chǎn)之比定義為資產(chǎn)損失率，將被傳染銀行的資產(chǎn)損失率可能達(dá)到的最大值作為衡量銀行間風(fēng)險傳染大小的指標(biāo)，銀行的資產(chǎn)損失率越大，銀行間風(fēng)險傳染的能力越強(qiáng)；反之，風(fēng)險傳染能力越弱。然后采用李宗怡和李玉海[4]的假設(shè)，將違約損失率固定為0.800，考察在違約損失率為0.800的情況下銀行風(fēng)險傳染情況，如圖4所示。

圖4 不同年份受傳染的資產(chǎn)損失率 根據(jù)圖4所示，從資產(chǎn)損失率的變動來看，2007—2015年，我國商業(yè)銀行間風(fēng)險傳染不斷發(fā)生變化：從2007年第二季度到2009年第三季度，銀行間受傳染的資產(chǎn)損失率逐漸減小，銀行抵御風(fēng)險傳染的能力增強(qiáng)，而從2009年第三季度到2012年第二季度，銀行受傳染的資產(chǎn)損失率逐漸增大，銀行抵御風(fēng)險傳染的能力減弱，但是從2012年第二季度到2015年第四季度，銀行受傳染的資產(chǎn)損失率又開始逐漸減小，并且在2013—2015年在銀行體系內(nèi)未發(fā)生風(fēng)險傳染，說明銀行體系抵御風(fēng)險傳染的能力增強(qiáng)。

馬君潞等[5]研究發(fā)現(xiàn)，違約損失率越大,則銀行的資產(chǎn)損失越大；反之，違約損失率越小,則銀行的資產(chǎn)損失也就越小。為了進(jìn)一步分析不同違約損失率下銀行的風(fēng)險傳染特征，本文考察違約損失率為0—1時商業(yè)銀行的傳染損失情況。

研究發(fā)現(xiàn)，當(dāng)違約損失率不超過0.800時，銀行在不同的違約損失率下對應(yīng)的受傳染的資產(chǎn)損失與所處的階段大體相對應(yīng)，具體表現(xiàn)為，在銀行抵御風(fēng)險傳染能力增強(qiáng)的時期，相同的違約損失率下對應(yīng)的受傳染的資產(chǎn)損失率大體依次減小；反之，在銀行抵御風(fēng)險能力減弱的時期，相同違約損失率下對應(yīng)的受傳染的資產(chǎn)損失率依次增加。對任一時期的銀行風(fēng)險傳染而言，隨著違約損失率的加大，銀行的資產(chǎn)損失率越大，而且當(dāng)違約損失率達(dá)到某一閾值時，系統(tǒng)中某一銀行的破產(chǎn)會引起銀行的資產(chǎn)損失呈現(xiàn)跳躍式增長，而且在其后即使違約損失率增大，銀行的違約損失比例并未隨之加大。當(dāng)違約損失率大于0.800時，處于第一階段和第二階段的銀行的資產(chǎn)損失率曲線的相對次序發(fā)生了改變，結(jié)合李宗怡和李玉海[4]的研究結(jié)論，本文選擇在違約損失不大于0.800時，研究商業(yè)銀行的風(fēng)險傳染效應(yīng)。

不同的銀行風(fēng)險違約損失率能夠影響受傳染銀行的資產(chǎn)損失率的大小,而受傳染銀行的資產(chǎn)損失率的變化反映了風(fēng)險傳染的深度和廣度隨之發(fā)生了變化。

四、銀行同業(yè)業(yè)務(wù)風(fēng)險傳染的實(shí)證分析

(一)樣本選擇及數(shù)據(jù)來源

本文銀行同業(yè)資產(chǎn)、同業(yè)負(fù)債、資產(chǎn)總額和資本金數(shù)據(jù)來源于16家上市商業(yè)銀行披露的2007年第一季度到2015年第四季度的季報，根據(jù)違約算法，利用MATLAB軟件估計出銀行的傳染損失。樣本銀行包括：5家國有商業(yè)銀行(中國工商銀行、中國農(nóng)業(yè)銀行、中國銀行、中國建設(shè)銀行和交通銀行)，8家全國性股份制銀行(招商銀行、中信銀行、浦發(fā)銀行、中國民生銀行、興業(yè)銀行、中國光大銀行、平安銀行、華夏銀行)，3家城市商業(yè)銀行(北京銀行、寧波銀行和南京銀行)。另外，我國政策型銀行也開始參與到銀行的同業(yè)市場中來，但是考慮到政策性銀行一般只公布年度數(shù)據(jù)，政策性銀行倒閉的概率較前面18家上市銀行低，中國郵政儲蓄銀行的數(shù)據(jù)公開程度也相對較低，因此，本文并未將政策性銀行和中國郵政儲蓄銀行考慮在內(nèi)。本文同業(yè)資產(chǎn)項(xiàng)下包括銀行的存放同業(yè)、拆出資金和買入返售，同業(yè)負(fù)債包括同業(yè)存放、拆入資金和買入返售。本文同業(yè)拆借利率數(shù)據(jù)來源于上海銀行間同業(yè)拆放利率網(wǎng)站，季度國內(nèi)生產(chǎn)總值增長率數(shù)據(jù)來源于中經(jīng)網(wǎng)統(tǒng)計數(shù)據(jù)庫。本文對商業(yè)銀行個別季度缺少的數(shù)據(jù)進(jìn)行了插值處理，同業(yè)季度平均利率是由日度數(shù)據(jù)取算術(shù)平均數(shù)得到。同業(yè)拆借矩陣由Lingo11軟件運(yùn)算得到，回歸模型使用Eviews8.0軟件估計得到。

(二)計量模型的建立

為了研究影響銀行風(fēng)險傳染的因素，本文參考Degryse和Nguyen[25]的研究，建立回歸模型如式(4)所示。Degryse和Nguyen在考慮比利時銀行同業(yè)市場時，還考慮了外資銀行對比利時銀行風(fēng)險傳染的影響，但由于數(shù)據(jù)的缺乏，以及我國同業(yè)市場現(xiàn)狀，本文并未考慮外資銀行的風(fēng)險傳染的影響。

(4)

其中，WSCt表示最壞情景下的銀行資產(chǎn)損失率，WSCt越大表明銀行體系因?yàn)轱L(fēng)險傳染而導(dǎo)致的損失越大；LBt表示國有銀行的同業(yè)業(yè)務(wù)所占的比例，LBt越大，表明國有銀行的同業(yè)業(yè)務(wù)所占比重越大，股份制銀行和城商行所占比例越小。CAPt表示銀行平均資本充足率，RATIOt表示銀行的平均同業(yè)資產(chǎn)占比，D1表示國有銀行資本充足虛擬變量，GDPt表示季度國內(nèi)生產(chǎn)總值增長率，INTt表示一年期和一個月的銀行間拆借利率價差，D2、D3和D4為季節(jié)性虛擬變量，以表示不同季度銀行的風(fēng)險傳染損失間的差異。其中，季度國內(nèi)生產(chǎn)總值增長率、利率價差和季節(jié)性虛擬變量代表宏觀經(jīng)濟(jì)環(huán)境因素，國有銀行的同業(yè)業(yè)務(wù)所占的比例、銀行平均資本充足率和國有銀行資本充足虛擬變量代表個體行為因素。

由于不同的違約損失率影響銀行在同業(yè)市場上的資產(chǎn)損失，從而會影響風(fēng)險傳染的深度和廣度，使估計結(jié)果產(chǎn)生偏差。為了能使本文的估計結(jié)果可靠，本文運(yùn)用線性回歸，選取違約損失率分別為0.400、0.600和0.800時，考察在不同的違約損失率下銀行的資產(chǎn)損失WSC，且將不同損失率下的WSC分別記WSC40t、WSC60t、WSC80t。

(三)實(shí)證結(jié)果與分析

對式(4)中的回歸方程中的參數(shù)進(jìn)行估計，結(jié)果如表1所示。表1中第一行列出了各個因變量，并分別列出了在不同違約損失率(LGD)的條件下，各個參數(shù)的估計結(jié)果和顯著性，括號內(nèi)結(jié)果為各個參數(shù)對應(yīng)的t值。

表1 不同違約損失率(LGD)下的回歸結(jié)果

注：*和**分別表示在10%和5%水平上顯著。由于回歸結(jié)果中，除D2以外其他虛擬變量均不顯著，且正負(fù)號發(fā)生變化，故本文未予列出。

如表1所示，在不同的違約損失率下，調(diào)整的R2較大，最大值為0.674，最小值為0.443。對于參數(shù)的聯(lián)合性檢驗(yàn)，本文均拒絕原假設(shè)，各參數(shù)聯(lián)合不為零，說明參數(shù)的選擇正確，自變量對因變量有較好的解釋能力。觀察對單個參數(shù)的顯著性檢驗(yàn)結(jié)果，可以發(fā)現(xiàn)，LB在違約損失率為0.600下顯著，但在違約損失為0.400和0.800下不顯著。GDPt、RATIOt和在違約損失率為0.400和0.600下顯著，但在違約損失為0.800下不顯著，CAPt在各違約損失率均不顯著。各參數(shù)的符號均未發(fā)生改變，說明因變量對自變量的影響方向是一致的，模型結(jié)果較為穩(wěn)定。通過考察表1的結(jié)果，我們可以發(fā)現(xiàn)：

第一，三次回歸中LB前面的系數(shù)為負(fù)，說明受傳染的資產(chǎn)損失與國有銀行的同業(yè)業(yè)務(wù)占比負(fù)相關(guān)，這表示當(dāng)國有商業(yè)銀行的同業(yè)業(yè)務(wù)占比越大，股份制銀行和城市商業(yè)銀行的同業(yè)業(yè)務(wù)占比越小，銀行之間因?yàn)轱L(fēng)險傳染而造成的損失會減少。因?yàn)?，國有銀行的資產(chǎn)規(guī)模比股份制銀行和城市商業(yè)銀行大，償債能力較強(qiáng)，因而同業(yè)業(yè)務(wù)向國有銀行集中有利于銀行系統(tǒng)抵御風(fēng)險傳染。

第二，銀行系統(tǒng)的資產(chǎn)損失與宏觀經(jīng)濟(jì)變量GDP之間均呈正相關(guān)關(guān)系，說明銀行的風(fēng)險傳染是順周期的，即在經(jīng)濟(jì)增速加快，經(jīng)濟(jì)持續(xù)增長時，風(fēng)險傳染造成的可能損失更大，在經(jīng)濟(jì)增速減小，銀行系統(tǒng)風(fēng)險傳染造成的損失較少。這可能是因?yàn)?，我國商業(yè)銀行的信貸行為表現(xiàn)出較強(qiáng)的親周期性[26]，在經(jīng)濟(jì)高漲時期，銀行的資產(chǎn)也同時擴(kuò)張，銀行的風(fēng)險暴露也開始增加，銀行可能能夠因?yàn)轱L(fēng)險傳染導(dǎo)致的損失增加，當(dāng)經(jīng)濟(jì)增速減慢時，銀行的資產(chǎn)收縮，銀行可能能夠因?yàn)轱L(fēng)險傳染導(dǎo)致的損失減少。而且，近年來，雖然我國經(jīng)濟(jì)增速放緩，但銀行的資本金充足水平有了明顯的提高*詳見中國銀行業(yè)監(jiān)督管理委員會2014年報。，銀行抵御風(fēng)險的能力增強(qiáng)。

第三，CAP前面的系數(shù)均為負(fù)，說明銀行的風(fēng)險傳染引起的資產(chǎn)損失與銀行體系的平均資本充足率之間存在負(fù)相關(guān)關(guān)系。說明商業(yè)銀行的資本充足率越高，商業(yè)銀行之間因?yàn)轱L(fēng)險傳染造成的損失就會越小。

第四，由于在所建模型中，在對季節(jié)性虛擬變量進(jìn)行顯著性檢驗(yàn)時，顯著且符號為正，說明銀行風(fēng)險傳染具有季節(jié)效應(yīng)，第一季度銀行風(fēng)險傳染造成的損失較大。

五、結(jié)論及啟示

本文基于16家上市銀行2007—2015年的季度數(shù)據(jù)，建立了銀行同業(yè)風(fēng)險傳染計量模型，得到如下結(jié)論：

第一，同業(yè)市場上，銀行抵御風(fēng)險傳染的能力隨著時間的推移而改變。由于我國銀行市場正在面臨著不斷地變革，銀行市場的結(jié)構(gòu)、單個銀行的系統(tǒng)重要性和銀行的資產(chǎn)負(fù)債行為也都在發(fā)生著變化，這就會使得銀行間風(fēng)險傳染的影響效果也會隨著時間的推移而不斷發(fā)生變化。在銀行同業(yè)資產(chǎn)相對于銀行資本增長較快的年份，往往對應(yīng)著銀行的資產(chǎn)損失較大，銀行體統(tǒng)抵御風(fēng)險的能力減弱，相反，當(dāng)銀行的同業(yè)資產(chǎn)相對于銀行資本增長較慢的年份，對應(yīng)的銀行資產(chǎn)損失較大，銀行體系抵御風(fēng)險傳染的能力增強(qiáng)。在銀行的資本金一定的情況下，應(yīng)適當(dāng)控制銀行同業(yè)業(yè)務(wù)的規(guī)模，防止同業(yè)業(yè)務(wù)擴(kuò)張可能引發(fā)系統(tǒng)性風(fēng)險。

第二，銀行的風(fēng)險傳染行為是順周期的。這主要是說明，隨著經(jīng)濟(jì)增長率的加快，銀行會因?yàn)閭魅径鴮?dǎo)致的資產(chǎn)損失擴(kuò)大，這主要是由于經(jīng)濟(jì)擴(kuò)張時期，銀行的資本增長率低于同業(yè)資產(chǎn)增長率導(dǎo)致的，商業(yè)銀行的監(jiān)管者應(yīng)該建立和完善逆周期的監(jiān)管機(jī)制，以熨平因風(fēng)險傳染可能帶來的經(jīng)濟(jì)波動。當(dāng)然，這一結(jié)論并未考慮到，在經(jīng)濟(jì)增長的不同時期，銀行資產(chǎn)實(shí)際發(fā)生違約概率的大小，從而無法估計不同時期的銀行的期望損失水平。

第三，銀行之間發(fā)生風(fēng)險傳染與違約損失率有關(guān)，違約損失率決定了風(fēng)險傳染是否發(fā)生及違約損失的大小。一般來說，違約損失率越大，銀行系統(tǒng)的資產(chǎn)損失比例越大。在銀行的風(fēng)險傳染過程中，存在一個違約損失率的閾值，當(dāng)違約損失率小于閾值時，銀行的資產(chǎn)損失率較小，但是當(dāng)違約損失率超過閾值時，銀行的資產(chǎn)損失率發(fā)生了跳躍式的變化，銀行的資產(chǎn)損失大大增加，這也說明銀行的風(fēng)險傳染行為并不是簡單線性的，而是非線性的，銀行系統(tǒng)的總體損失并不僅僅是單個銀行損失的簡單加總，而是在銀行風(fēng)險擴(kuò)散后，各個銀行的各輪傳染損失之和。這也說明當(dāng)危機(jī)發(fā)生時，中央銀行應(yīng)該在市場上積極干預(yù)，防止資產(chǎn)大幅度的貶值可能會引起的風(fēng)險在銀行間迅速擴(kuò)散。

第四，銀行的風(fēng)險傳染程度與國有銀行的同業(yè)業(yè)務(wù)占比有關(guān)，國有商業(yè)銀行的同業(yè)占比增加可以減少因?yàn)轱L(fēng)險傳染而導(dǎo)致的資產(chǎn)損失，因?yàn)閲秀y行的資本實(shí)力較強(qiáng)，能夠抵御較大的外界沖擊，商業(yè)銀行之間發(fā)生風(fēng)險傳染的可能性也因此降低。這說明國有銀行的發(fā)展過程中同業(yè)資產(chǎn)的擴(kuò)張與風(fēng)險承擔(dān)較為匹配，監(jiān)管者應(yīng)適度關(guān)注股份制銀行和城商行的同業(yè)業(yè)務(wù)交易中可能存在的風(fēng)險。

第五，銀行總體的資本充足率越高，銀行的傳染損失越小。這一結(jié)論與理論相符，因?yàn)殂y行的資本充足率越高，銀行能夠用來沖抵外來沖擊的資本越多，銀行發(fā)生財務(wù)困難的可能性降低，銀行的資產(chǎn)損失也就鎖定在單個銀行的內(nèi)部，整個系統(tǒng)的資產(chǎn)損失減小。這說明商業(yè)銀行應(yīng)該為同業(yè)資產(chǎn)計提與其風(fēng)險水平相對應(yīng)的資本，以防止資產(chǎn)的違約風(fēng)險向?qū)κ帚y行的傳染。

[1] 王曉楓,廖凱亮,徐金池.復(fù)雜網(wǎng)絡(luò)視角下銀行同業(yè)間市場風(fēng)險傳染效應(yīng)研究[J].經(jīng)濟(jì)學(xué)動態(tài),2015,(3):71-81.

[2] Furfine,C.H. Interbank Exposures: Quantifying the Risk of Contagion[J].Journal of Money, Credit and Banking, 2003,35(1):111-128.

[4] 李宗怡,李玉海.我國銀行同業(yè)拆借市場“傳染”風(fēng)險的實(shí)證研究[J].財貿(mào)研究, 2005,(6):51-58.

[5] 馬君潞,范小云,曹元濤.中國銀行間市場雙邊傳染的風(fēng)險估測及其系統(tǒng)性特征分析[J].經(jīng)濟(jì)研究, 2006,(1):68-78.

[6] Ladley, D. Contagion and Risk-Sharing on the Inter-Bank Market[R].University of Leicester Working Paper, No. 11/10, 2011.

[7] 陳超.宏觀經(jīng)濟(jì)因素沖擊下我國銀行間市場的風(fēng)險傳染效應(yīng)研究[D].杭州：浙江工商大學(xué)碩士學(xué)位論文，2011.

[8] 鄭長軍，王光俊.基于銀行系統(tǒng)風(fēng)險視角的銀行資本充足監(jiān)管——來自中國上市銀行的經(jīng)驗(yàn)數(shù)據(jù)[J].湖南大學(xué)學(xué)報,2014，(1):58-61.

[9] Lee,S.H. Systemic Liquidity Shortages and Interbank Network Structures[J]. Journal of Financial Stability, 2013, 9(1):1-12.

[10] 李守偉，何建敏.不同網(wǎng)絡(luò)結(jié)構(gòu)下銀行間傳染風(fēng)險研究[J].管理工程學(xué)報, 2012，(4):72-99.

[11] 陳庭強(qiáng)，何建敏.基于復(fù)雜網(wǎng)絡(luò)的信用風(fēng)險傳染模型研究[J].軟科學(xué), 2014，(2):111-117.

[12] Wells, S. Financial Inter Linkages in the United Kingdom’s Interbank Market and the Risk of Contagion[R].Bank of England Working Paper, No.230, 2004.

[13] 鄒薇，李娜.基于矩陣法的我國銀行間市場風(fēng)險傳遞效應(yīng)實(shí)證研究[J].經(jīng)濟(jì)經(jīng)緯,2014，(5):139-144.

[14] Jorion, P.,Zhang, G.Y. Credit Contagion from Counterparty Risk[J].The Journal of Finance,2009,64(5):2053-2087.

[15] 周天蕓，周開國，黃亮.機(jī)構(gòu)集聚、風(fēng)險傳染與香港銀行的系統(tǒng)性風(fēng)險[J].國際金融研究, 2012，(4):77-87.

[16] Diamond, D.W. ，Dybvig, P.H. Bank Runs, Deposit Insurance, and Liquidity[J].Journal of Political Economy, 1983, 91(3):401-419.

[17] Arinaminpathy,N., Kapadia, S. ,May, R. M. Size and Complexity in Model Financial Systems[J]. PNAS, 2012, 109(45):18338-18343.

[18] 牛晨，魏先華，潘松.我國大額支付系統(tǒng)中的流動性風(fēng)險[J].系統(tǒng)工程，2008，(11):23-28.

[19] Acharya,V.V. ,Yorulmazer ,T. Information Contagion and Bank Herding[J].Journal of Money, Credit and Banking, 2008,40(1):215-231.

[20] 曾麗.我國商業(yè)銀行風(fēng)險傳染的計量分析及相關(guān)對策研究[D].長沙：湖南大學(xué)碩士學(xué)位論文，2011.

[21] 范小云.繁榮的背后——金融系統(tǒng)性風(fēng)險的本質(zhì)、測度與管理[M].北京：中國金融出版社，2006.

[22] Sheldon,G., Maurer, M. Interbank Lending and Systemic Risk: An Empirical Analysis for Switzerland[J].Swiss Journal of Economics and Statistics, 1998,134(4):685-704.

[23] Blien, U. ，Graef, F. Entropy Optimization in Empirical Economic Research [J].Classification, Data Analysis and Data Highways, 1997，208(4):3-15.

[24] 彭壽康，陳超.我國銀行間市場的風(fēng)險傳染效應(yīng)研究[J].哈爾濱商業(yè)大學(xué)學(xué)報( 社會科學(xué)版)，2011,(6)：57-62.

[25] Degryse H., G.Nguyen, Interbank Exposures: An Empirical Examination of Contagion Risk in the Belgian Banking System[J].International Journal of Central Banking, 2007, 3(2):123-171.

[26] 孫志娟.關(guān)于我國商業(yè)銀行逆周期信貸路徑研究[J].統(tǒng)計與決策，2012，(5)：158-161.

(責(zé)任編輯：孟 耀)

2017-01-06基金項(xiàng)目：國家社會科學(xué)基金項(xiàng)目“新常態(tài)下中央銀行流動性管理改革與創(chuàng)新研究”(15BJY180)；遼寧省教育廳人文社會科學(xué)研究基地項(xiàng)目“新常態(tài)下中央銀行流動性管理:路徑選擇與工具創(chuàng)新”(ZJ2015015)

王曉楓(1961-),女,遼寧大連人，教授，博士,主要從事金融機(jī)構(gòu)管理研究。E-mail:xfwang9796@163.com廖凱亮(1992-)，男，安徽安慶人，碩士，主要從事金融機(jī)構(gòu)管理研究。

F830.33

A

1008-4096(2017)02-0067-08