中國銀行系統(tǒng)風險影響因素的實證

韓周瑜，陳少煒

（四川大學 經(jīng)濟學院，成都 610065）

中國銀行系統(tǒng)風險影響因素的實證

韓周瑜，陳少煒

（四川大學 經(jīng)濟學院，成都 610065）

文章采用中國14家上市銀行1999—2015年的日收盤價數(shù)據(jù)估計出相應(yīng)的beta系數(shù)，使用簡單面板OLS模型、固定個體或時間效應(yīng)模型以及隨機個體或時間效應(yīng)模型，對中國銀行系統(tǒng)風險的影響因素進行分析。實證結(jié)果顯示：銀行系統(tǒng)風險與金融杠桿、貸款資產(chǎn)率以及盈利能力有正相關(guān)關(guān)系，與銀行規(guī)模和流動性比率有負相關(guān)關(guān)系。

銀行；系統(tǒng)風險；beta；會計指標

0 引言

銀行部門是現(xiàn)代金融體系的重要組成部分，銀行業(yè)系統(tǒng)風險及其影響因素被認為是銀行研究方面最有價值的問題之一。系統(tǒng)風險最為常見的度量方式是beta系數(shù)，它也被稱為“股票beta系數(shù)”或者“市場風險”，是度量個股回報與金融市場整體回報敏感度的工具。經(jīng)典資本資產(chǎn)定價模型（CAPM Model）表明，任何股票的預期收益率與它的beta系數(shù)之間存在正的線性相關(guān)關(guān)系[1]。從公司的角度來看，個股預期收益率也是權(quán)益成本的組成部分，那些影響公司系統(tǒng)風險的因素也間接影響到公司的資金成本及其市場價值。從投資者的角度來看，beta系數(shù)也具有其重要性，系統(tǒng)風險的估計對于投資者分析不同投資組合的風險以及認識投資組合策略間的風險回報關(guān)系都是極為有益的。鑒于資本資產(chǎn)定價模型和beta系數(shù)在金融分析中的重要性和實用性，用其探討銀行系統(tǒng)風險的影響因素，對于保護投資者權(quán)益，規(guī)范銀行主體行為，加強銀行風險控制和完善金融體系建設(shè)都具有重要的現(xiàn)實意義。

關(guān)于系統(tǒng)風險及其影響因素，國內(nèi)外的學者從不同的方面進行了廣泛的研究。在國外，Haugen和Baker（1996）[2]以及Asl等（2012）[3]構(gòu)建了不同的模型分別分析了基本會計指標與證券收益之間的關(guān)系；Demsetz和Strahan（1997）[4]具體分析了美國銀行業(yè)資產(chǎn)規(guī)模與系統(tǒng)風險的關(guān)系；Vennet等（2005）[5]在研究歐洲銀行機構(gòu)系統(tǒng)風險和特殊風險影響因素的基礎(chǔ)上，分析了資本水平、貸款及核心存款占總資產(chǎn)比重與銀行系統(tǒng)風險的關(guān)系；Yang和Tsatsaronis（2012）[6]則是以經(jīng)合組織國家50家全球性銀行1990—2009年的歷史數(shù)據(jù)為分析基礎(chǔ)，研究了銀行市場風險的影響因素。在國內(nèi)，部分學者利用現(xiàn)有的銀行系統(tǒng)風險測評方法進行推演，或構(gòu)建新的評價模型，如文獻[7-9]部分學者對國內(nèi)銀行業(yè)的系統(tǒng)風險進行了實證研究；或分析國內(nèi)不同類型銀行系統(tǒng)風險的差別，如文獻[10-12]；或分析不同因素對國內(nèi)銀行業(yè)系統(tǒng)風險和非系統(tǒng)風險的影響，如文獻[13，14]等；或以系統(tǒng)風險變動作為衡量標準討論國內(nèi)銀行業(yè)資本監(jiān)管制度的有效性，如文獻[9,15]等。但不難發(fā)現(xiàn)，國內(nèi)現(xiàn)有的研究對于銀行系統(tǒng)風險與銀行系統(tǒng)性風險的區(qū)分還不夠清晰準確，且探討銀行系統(tǒng)風險影響因素方面的研究依舊相對較少。因此，本文采用中國14家上市銀行1999—2015年的面板數(shù)據(jù)，著力探討影響銀行系統(tǒng)風險的相關(guān)因素。

1 模型選擇、變量選取和數(shù)據(jù)說明

1．1 模型選擇

本文擬采用五種面板回歸模型來分析銀行系統(tǒng)風險與所選解釋變量之間的影響關(guān)系，分別是簡單面板OLS估計模型（POLS）、單向固定效應(yīng)模型（one-way fixed effect model,FE1）、單向隨機效應(yīng)模型（one-way random effect model,RE1）、雙向固定效應(yīng)模型（tow-way fixed effect model,FE2）以及雙向隨機效應(yīng)模型（tow-way random effect model,RE2），將通過相關(guān)檢驗從中選擇最佳估計模型。

簡單面板OLS估計模型不會考慮個體效應(yīng)或時間效應(yīng)的異質(zhì)性，在這一假設(shè)條件下，每一個觀測量都被看作是獨立的變量，其模型形式如下：

其中，β代表被解釋變量beta，α是截距項，x’是解釋變量的行向量，b是估計參數(shù)的列向量，ε是隨機擾動項，下標i和t分別表示不同銀行和年份。POLS估計忽略了數(shù)據(jù)的面板結(jié)構(gòu)，當且僅當觀測量不存在個體效應(yīng)或時間效應(yīng)的異質(zhì)性時，其估計結(jié)果才是一致有效的。

如果之前的假設(shè)不能成立，那么單向固定或隨機效應(yīng)模型則會是更好的選擇，因為它使得每家銀行的個體效應(yīng)能夠得到估計。在單向固定或隨機效應(yīng)模型中，隨機擾動項（εi,t）可以被分為兩個部分：不隨時間變化的個體效應(yīng)（λi）以及受觀測單位和時間影響的特殊誤差（μi,t）。單向固定效應(yīng)或隨機效應(yīng)估計的主要差異在于對λi的假設(shè)，單向固定效應(yīng)模型（FE1）認為每一家銀行都擁有一個固定不變的個體效應(yīng)，會使得自變量上升或下降某一固定數(shù)額，即λi是常數(shù)項的一部分，其回歸模型形式如下：

其中，常數(shù)項變成了常數(shù)α與每個銀行的個體效應(yīng)λi之和，即在解釋變量估計參數(shù)全部一致的情況下，允許每家銀行擁有不同的截距項。

固定效應(yīng)模型將個體效應(yīng)（λi）看作是與回歸量相關(guān)的可變量，而在單向隨機效應(yīng)回歸中，假設(shè)沒有觀察到的個體異質(zhì)性（λi）是獨立分布于解釋變量之外的隨機可變量，因此，在單向隨機效應(yīng)模型中個體效應(yīng)被當作是隨機誤差的組成部分，模型形式可寫為：

鑒于單向固定或隨機效應(yīng)回歸估計不能完全排除變量遺漏偏差的可能性，本文進一步考慮允許同時估計銀行個體效應(yīng)和時間效應(yīng)的雙向固定或隨機效應(yīng)模型。在雙向回歸估計中，隨機擾動項（εi,t）被分為三個組成部分：個體效應(yīng)（λi）、時間效應(yīng)（δt）以及特殊誤差（μi,t）。在雙向固定效應(yīng)模型（FE2）中，個體效應(yīng)和時間效應(yīng)都被假設(shè)成常數(shù)，分別取決于不同的銀行和年份，且都是常數(shù)項的組成部分，模型的具體形式如下：

與之相反，在RE2中，個體效應(yīng)和時間效應(yīng)都被包含在誤差項的構(gòu)成里，都被假設(shè)成是與回歸量不相關(guān)的隨機可變量，模型的具體形式寫為：

1．2 變量選取

本文考察銀行系統(tǒng)風險的相關(guān)影響因素，銀行系統(tǒng)風險用上市銀行的beta值來衡量，解釋變量主要包括銀行規(guī)模、金融杠桿、多元化經(jīng)營、流動性、無形資產(chǎn)、貸款質(zhì)量以及盈利能力。

其中，銀行規(guī)模以銀行的總資產(chǎn)額來衡量，用SIZE表示；金融杠桿以總負債與所有者權(quán)益之比來衡量，用LEV表示，依據(jù)M-M定理和CAPM模型的聯(lián)合假設(shè)，可以預期beta和金融杠桿之間有正的相關(guān)關(guān)系；多元化經(jīng)營程度，以貸款總額與總資產(chǎn)之比來衡量，用LTA表示。理論上看，銀行不同投資活動所產(chǎn)生的現(xiàn)金流之間不是完全相關(guān)的，多元化經(jīng)營應(yīng)該會使得收入穩(wěn)步增加，進而降低銀行的系統(tǒng)風險暴露；流動性以貨幣資金與總資產(chǎn)之比來衡量，用LIQ表示，預期銀行的流動性越高，其出現(xiàn)金融困境的風險越小，即流動性比率對銀行的市場風險具有負向影響；無形資產(chǎn)以無形資產(chǎn)與總資產(chǎn)之比來衡量，用INTA表示；貸款質(zhì)量以貸款損失率來衡量，即貸款損失與總貸款額的比值（由于銀行貸款損失相關(guān)數(shù)據(jù)的缺失，貸款損失率以銀行資產(chǎn)減值損失與總貸款額的比值作為替代量），用LLR表示，預期貸款組合質(zhì)量與銀行beta系數(shù)之間呈負相關(guān)關(guān)系；盈利能力以每股收益來衡量，用EPS表示，因為高盈利能力的銀行通常收益較為穩(wěn)定，所以預期銀行總體盈利能力和它的系統(tǒng)風險之間呈負相關(guān)關(guān)系。

1．3 數(shù)據(jù)描述

本文選取了我國14家上市銀行1999—2015年的日收盤價數(shù)據(jù)估計出相應(yīng)的beta系數(shù)，再使用簡單面板OLS模型、固定個體或時間效應(yīng)模型以及隨機個體或時間效應(yīng)模型，主要從會計指標方面進行實證分析，探討影響銀行部門系統(tǒng)風險的相關(guān)因素。數(shù)據(jù)來源于聚源數(shù)據(jù)庫，表1給出了主要變量的描述性統(tǒng)計。

表1 主要變量描述性統(tǒng)計

2 實證結(jié)果及分析

表2顯示了所有回歸模型的估計結(jié)果。

表2 模型回歸結(jié)果

五種回歸模型均顯示變量LEV和LTA與beta之間呈正相關(guān)關(guān)系，且回歸估計系數(shù)都是統(tǒng)計顯著的；而變量SIZE和LLR與beta之間則呈負相關(guān)關(guān)系，其中LLR的估計系數(shù)基本上都是統(tǒng)計顯著的，但SIZE的估計系數(shù)僅在POLS模型的回歸中統(tǒng)計顯著。此外，在POLS模型中，變量LIQ和EPS分別對beta有正向和負向影響，但估計系數(shù)統(tǒng)計不顯著，在考慮個體效應(yīng)和時間效應(yīng)之后，兩者估計系數(shù)的符號均發(fā)生了改變且在統(tǒng)計上顯著。最后，模型估計結(jié)果表明，沒有證據(jù)顯示INTA和beta能夠相互影響。

由于個別模型的回歸結(jié)果存在一定差異，為了更準確地得到解釋變量之間的關(guān)系，本文對五種回歸模型進行了一系列相關(guān)檢驗（見表3），進一步選出了最佳的估計模型。

表3 模型選擇的相關(guān)檢驗

第一，使用F檢驗對面板OLS估計模型和單向固定效應(yīng)模型進行判斷。第二，使用Breusch-Pagan檢驗檢查面板OLS估計模型和單向隨機效應(yīng)模型，兩者的原假設(shè)均認為POLS是更合適的估計模型，Test I和Test II的檢驗結(jié)果在1%的顯著性水平下各自拒絕了原假設(shè)，則單項固定或隨機效應(yīng)模型被證實是較POLS更適合的回歸模型。第三，使用Wald檢驗來確實固定或隨機效應(yīng)模型的回歸中是否需要時間啞變量，其原假設(shè)是所有的年份系數(shù)均等于0，即不需要時間效應(yīng)，Test III和Test IV檢驗結(jié)果均接受了原假設(shè)，則單向固定或隨機效應(yīng)模型較雙向固定或隨機效應(yīng)模型也是更合適的。第四，為了判斷選擇固定效應(yīng)還是隨機效應(yīng)模型，本文進行了Hausman檢驗，檢驗結(jié)果在1%的顯著性水平下拒絕了隨機效應(yīng)與解釋變量不相關(guān)的原假設(shè)，故應(yīng)采用固定效應(yīng)回歸模型。鑒于以上檢驗結(jié)果，本文將單向固定效應(yīng)模型作為主要估計模型，其回歸方程的結(jié)構(gòu)形式如下：

由此，本文以單向固定效應(yīng)模型（FE1）的估計結(jié)果為主，并結(jié)合其他回歸模型的估計結(jié)果進行分析，從表2中可以看出單向固定效應(yīng)模型（FE1）的估計結(jié)果和本文對解釋變量系數(shù)的預期基本一致。

金融杠桿（LEV）和貸款資產(chǎn)率（LTA）都對beta有正向影響，金融杠桿（LEV）和銀行市場風險之間的關(guān)系是實證檢驗的主要關(guān)注對象之一，主要估計模型（FE1）顯示LEV的回歸系數(shù)為正，且在1%的置信水平上統(tǒng)計顯著，這與預期一致，且與傳統(tǒng)公司金融理論相符，可見金融杠桿是我國銀行系統(tǒng)風險的重要影響因素之一。而貸款資產(chǎn)率（LTA）則在5%的顯著水平下與beta成正相關(guān)關(guān)系，LTA是作為銀行多元化經(jīng)營水平的代理變量，貸款資產(chǎn)在總資產(chǎn)中所占比重越大，則其在非利差收益活動中的多元化經(jīng)營水平越低。因此，本文的回歸模型間接證實了銀行系統(tǒng)風險與收入多元化水平呈負相關(guān)關(guān)系。

銀行規(guī)模（SIZE）和系統(tǒng)風險之間則具有負的相關(guān)關(guān)系。一方面大型銀行具有更高的多元化經(jīng)營水平，能夠降低系統(tǒng)風險；另一方面，政府的信用背書也會降低對于大型銀行的風險預期。但是SIZE的估計系數(shù)很小，且僅有POLS模型在10%的置信水平上統(tǒng)計顯著，這表明銀行規(guī)模并不是我國銀行部門系統(tǒng)風險的主要影響因素。

此外，流動性率（LIQ）和貸款損失比率（LLR）對系統(tǒng)風險也會產(chǎn)生負向影響。流動性率變大，則銀行流動性水平提高，進而能夠降低其系統(tǒng)風險，這與預期相一致。然而，對于貸款總體質(zhì)量的代理變量貸款損失比率而言，在某一特定貸款水平下，銀行的貸款損失越高，則其貸款組合的質(zhì)量越低。因此，本文預期LLR和beta之間有正的相關(guān)關(guān)系，但是FE1的估計結(jié)果給出了一個負的回歸系數(shù)，且在5%的置信水平上統(tǒng)計顯著。這應(yīng)當是由于使用資產(chǎn)減值損失對貸款損失進行替代所導致的，使得估計結(jié)果與預期相反。

最后，關(guān)于無形資產(chǎn)和盈利能力的代理變量，無形資產(chǎn)率（INTA）和每股收益（EPS），沒有證據(jù)能夠表明其會對銀行系統(tǒng)風險產(chǎn)生影響。

3 結(jié)論

本文采用五種回歸模型以及最新數(shù)據(jù)來評價相關(guān)會計指標對我國銀行市場風險的預測能力，在進行一系列相關(guān)檢驗之后，選擇單向固定效應(yīng)模型作為主要估計模型。實證結(jié)果顯示銀行系統(tǒng)風險與金融杠桿和貸款資產(chǎn)率具有顯著的正相關(guān)關(guān)系，與銀行規(guī)模、流動性比率以及貸款損失率之間具有較為顯著的負相關(guān)關(guān)系，而無形資產(chǎn)和盈利能力對銀行系統(tǒng)風險的影響則不夠明顯。進一步來說，從系統(tǒng)風險的角度考慮，銀行應(yīng)當提高多元化經(jīng)營水平，使得收入來源多元化，并保持較高的資金流動性，以降低可能發(fā)生的系統(tǒng)風險。此外，不應(yīng)盲目擴大規(guī)模和追求高杠桿率。

[1]Sharpe W F.Capital Asset Prices:A Theory of Market Equilibrium Under Conditions of Risk[J].The Journal of Finance,1964,19(3).

[2]Haugen R A,Baker N L.Commonality in the Determinants of Expected Stock Returns[J].Journal of Financial Economics,1996,41(3).

[3]Asl H G,Karimi M,Eghbali E.Studying Liquidity Premium Pricing,Size,Value and Risk of Market in Tehran Stock Exchange[J].International Journal of Economics and Finance,2012,4(9).

[4]Demsetz R,Strahan P.Diversification,Size,and Risk at Bank Holding Companies[J].Journal of Money,Credit and Banking,1997,29(3).

[5]Vander V R,Baele L,De Jonghe O.Determinants of Systematic and Idiosyncratic Banking Risk in Europe[J].Working paper,Ghent University,2005.

[6]Yang J,Tsatsaronis K.Bank Stock Returns,Leverage and the Business Cycle[J].Bank for International Settlements,2012.

[7]陳耀輝.銀行系統(tǒng)風險評估方法研究[J].科研管理，2003,24(2).

[8]劉聰，姚秋.系統(tǒng)風險下的銀行破產(chǎn)傳導機制分析[J].天津商業(yè)大學學報，2008，28(6).

[9]王忠生,趙泫珠.中國銀行業(yè)實施逆周期資本緩沖工具研究[J].財經(jīng)理論與實踐，2015,(9).

[10]楊瑾淑.基于單一指數(shù)模型的銀行業(yè)系統(tǒng)風險實證研究[J].會計之友，2010,(8).

[11]宋琴.銀行系統(tǒng)風險測度——基于中國14家上市銀行面板數(shù)據(jù)的實證分析[J].蘭州學刊，2011,(4).

[12]劉志洋.規(guī)模大的銀行風險真的高嗎？——基于中國上市銀行的實證分析[J].金融論壇，2015,(1).

[13]鄭長軍,王光俊.基于銀行系統(tǒng)風險視角的銀行資本充足監(jiān)管——來自中國上市銀行的經(jīng)驗數(shù)據(jù)[J].湖南大學學報，2014,28(1).

[14]李文峰,勞芬.利率市場化能激化銀行業(yè)非系統(tǒng)風險嗎？——來自我國上市商業(yè)銀行的數(shù)據(jù)[J].投資研究，2013,(12).

[15]張英奎，馬茜，姚水洪.基于復雜網(wǎng)絡(luò)的銀行系統(tǒng)風險傳染與防范[J].統(tǒng)計與決策，2013,(10).

Demonstration of Systematic Risk Factors in Chinese Banking System

Han Zhouyu,Chen Shaowei

(School of Economics,Sichuan University,Chengdu 610065,China)

This paper adopts the daily closing prices of 14 listed banking companies from 1999 to 2015 to calculate the beta coefficient,and employs simple panel OLS model,fixed individual or time effect model and random individual or time effect model to analyze the influencing factors on the systematic risk of Chinese banking system.The study results show that the systematic risk has positive correlation with financial leverage,loan asset ratio and profitability,but has a negative correlation with the bank size and the liquidity radio.

banking system;systematic risk;beta;accounting indicator

F832.5

A

1002-6487（2017）20-0154-03

中央高校基本科研業(yè)務(wù)費專項資金資助項目（skyb201202）；廣義虛擬經(jīng)濟研究專項資助（GX2012-1011（M））

韓周瑜（1986—），女，四川綿陽人，博士研究生，研究方向：世界經(jīng)濟。

陳少煒（1987—），男，陜西商洛人，博士，講師，研究方向：宏觀經(jīng)濟、國際金融。

(責任編輯/劉柳青)