不同網絡結構下銀行間風險傳染研究

邵洲洲

摘要：基于我國商業銀行的同業業務數據，文章綜合運用傾向于得到完全型網絡的最大熵法和傾向于得到聯系稀疏型網絡的最小密度法估計同業業務網絡，進而應用網絡傳導分析法考察了兩類網絡中的風險傳染問題。結果表明：（1）平均而言，最小密度網絡中的風險傳染較最大熵網絡更為嚴重；（2）在兩類網絡中，國有銀行均具有較強的傳染性，城商行和農商行均容易受到傳染；（3）在最小密度網絡中，股份制銀行和少數城商行及農商行也具有較強的傳染性，并且當違約損失率較高時股份制銀行也會受到傳染。文章研究對完善我國銀行同業業務風險監管具有重要的政策啟示意義。

關鍵詞：銀行同業業務；風險傳染；網絡結構

一、 引言

近年來，我國商業銀行的同業業務呈快速發展趨勢。根據央行2014年發布的金融穩定報告，我國銀行業金融機構同業資產和同業負債在2009年～2013年間分別增長246%和236%，遠高于同期貸款和存款的增速。一方面，開展同業業務有助于商業銀行緩解資本約束、提高盈利能力，一定程度上起到了優化金融資源配置、推進利率市場化進程的正面作用（廖為鼎、陳一非，2014）。但另一方面，快速發展的同業業務也導致銀行體系的內在關聯性急劇提升，單個銀行違約很可能通過“多米諾骨牌效應”引發和放大系統性風險，危及整個銀行體系和金融系統（Memmel & Sachs，2013）。在此背景下，研究同業業務導致的銀行間風險傳染對于防范我國銀行業系統性風險具有重要意義。

目前國內研究銀行間風險傳染的文獻均采用最大熵方法估計銀行雙邊交易頭寸（李宗怡、李玉海，2005；馬君潞等，2007；高國華、潘英麗，2012）。在此基礎上得到的結論大多表明，國有銀行倒閉會對銀行系統造成較大沖擊，而其他銀行倒閉的影響幾乎可以忽略不計。換言之，“大銀行”具有系統性重要性，而“小銀行”不具有系統重要性。這一結論雖然有符合直覺的一面，但范小云等（2012）的分析表明，與銀行資產規模相比，銀行間負債關聯程度是決定銀行系統重要性的更為關鍵的因素，簡單地把資產規模作為衡量銀行系統重要性的首要因素可能具有誤導性。我們認為，應用最大熵法的文獻實際上隱含了我國銀行同業網絡為完全型網絡的前提，而基于完全型網絡進行的分析很可能低估風險傳染的嚴重性（Allen & Gale，2000），尤其是一些“小銀行”倒閉帶來的風險可能被低估。此外，既有文獻側重于分析銀行的系統重要性，對銀行面臨風險傳染的脆弱性分析較少。通過確定系統重要性銀行從而對其加強監管固然有助于增強金融體系的穩健性，但提高易受傳染銀行的風險抵御能力也不容忽視。

本文分別在完全型網絡和聯系稀疏型網絡的前提下考察了我國銀行同業業務的風險傳染效應。具體地，本文應用2013年我國118家銀行的同業頭寸數據，分別采用最大熵法和最小密度法估計了銀行同業網絡，對網絡整體特征的分析表明：最大熵網絡中銀行間聯系密切，有明顯聚集和中心化特征；最小密度中銀行間聯系稀疏，整體呈現出離散型特征。在此基礎上利用網絡傳導分析法模擬了兩種網絡結構下銀行間風險傳染情況，結果顯示：總體而言，最小密度網絡中風險傳染的嚴重程度比最大熵網絡更高，表現為最小密度網絡中風險傳染的廣度（受波及銀行數目）和強度（受波及銀行資產占樣本銀行總資產比率）均大于最大熵網絡。分銀行類型的進一步研究發現：在兩種網絡結構下，國有銀行均具有較強的傳染性，而城商行和農商行均容易受到風險傳染；最小密度網絡中，股份制銀行和少數城商行及農商行具有較高的傳染性，極端情況下股份制銀行具有較高的易受傳染性。

二、 銀行同業業務網絡的估計方法和網絡特征分析

1. 估計方法介紹。在由N家銀行組成的同業市場中，銀行間借貸關系可以表示為N階方陣X，元素xij表示銀行i對銀行j的資產頭寸。矩陣X等價于反映銀行同業網絡關系的有向賦權網絡，因此估計銀行同業網絡，實際上就是估計矩陣X中的未知元素。

最大熵法（Maximum Entropy Method）要求選擇使銀行同業頭寸分布的不確定性即信息熵最大化的分布。在最大熵方法下，任意單家銀行會盡可能將同業頭寸平均分布于其他所有銀行，從而傾向于形成完全型網絡，而現實中銀行間網絡具有聯系稀疏性特征。最大熵法假定銀行最大化分散其同業頭寸，因而無法有效反映銀行間市場相對集中的現實特征。Wells（2004）、Mistrulli（2011）對銀行間市場真實網絡和估計網絡的對比分析發現，最大熵法估計的銀行間網絡在完全性和連通性方面均大于真實市場結構，van Lelyveld和Liedorp（2006）的研究則表明最大熵法不適用于估計瑞士、荷蘭、比利時等同業頭寸集中度較高國家的銀行網絡。

相比之下，Anand等（2014）從維持交易關系需要成本這一基本經濟事實出發，通過最小化同業網絡中的聯系數來確定了一個更具經濟效率的同業業務分布。Anand等（2014）指出，在不了解銀行同業網絡其他任何特征的情況下，從信息理論的角度使用最大熵法是最優選擇，但是在已知現實中銀行同業網絡因交易成本等因素而具有稀疏特征后，就應該將這一事實與已知的銀行同業頭寸信息結合起來進行估計，此時最小密度法是更具合理性的選擇。形式上，最小密度法就是在同業頭寸總量的約束下最小化矩陣X中非零元素的總數。

2. 同業網絡特征分析。按照銀監會的分類口徑，本文樣本的118家包括了5家國有大型商業銀行、12家全國性股份制銀行、72家城市商業銀行、26家農村商業銀行、1家政策性銀行（郵儲銀行）和2家外資銀行（渣打銀行和匯豐銀行）。我們分別估計得到了最大熵網絡XME和最小密度網絡XMD后，統計了兩種網絡結構下同業網絡的各項關鍵性特征，發現最大熵網絡中存在的聯系數遠高于最小密度網絡。相應地，最大熵網絡的網絡密度遠高于最小密度網絡，說明最大熵方法下銀行間的交易更普遍。但是也要注意到，即便是最大熵網絡也與完全型網絡（網絡密度接近為1）相差較遠，說明我國銀行間市場確實存在聯系稀疏性特征。從度數中心度可知，平均而言一家銀行會與2（最小密度法下）到10（最大熵法下）家左右的其他銀行發生同業業務往來。最大熵網絡的中心勢遠高于最小密度網絡，說明最大熵方法下網絡的中心化特征更明顯，即一些交易密切的銀行構成網絡中心，其他銀行與中心銀行進行交易。最后，最大熵網絡聚集系數的均值為0.74，最小密度網絡僅為0.03。最大熵法中銀行聯系密集，較易形成多家銀行之間都存在業務往來的“抱團”特征，而最小密度法僅保留最有可能的少數聯系，網絡整體結構較為松散，聚集度低。

三、 銀行同業網絡風險傳染效應的模擬分析

基于估計所得的最大熵網絡和最小密度網絡，可以應用網絡傳導分析法評估我國銀行間市場的風險傳染效應。在網絡傳導分析法中，ci為銀行i的核心資本，α∈[0，1]為同業資產違約損失率。假設銀行j因某種突發事件而倒閉，銀行i持有銀行j的同業資產為xij，若銀行i同業資產損失導致清償力不足（即αxij>ci），則發生首輪風險傳染；銀行k持有銀行i和銀行j的同業資產分別為xki和xkj，若銀行k的損失為αxki+xkj>ck，則發生第二輪風險傳染。依次類推，直至初始和前m輪倒閉的銀行不再引發新的銀行倒閉，風險傳染結束。

1. 整體層面的風險傳染效應。本文在模擬過程中設定同業資產違約損失率α分別為0.1、0.2、…、1，在不同的損失率下考察任意一家銀行倒閉引發的其他銀行倒閉數目（風險傳染的廣度）及倒閉銀行資產占樣本銀行總資產比重（風險傳染的強度）。

我們分別列示了單家銀行倒閉所引發的最嚴重情形和平均情形。通過對比分析可以得出以下結論：①隨著損失率的上升，銀行間市場風險傳染效應均呈逐漸增強趨勢。不過對于最大熵網絡，風險傳染的平均效應增長較為平緩；而對于最小密度網絡，當損失率由0.8變為0.9時，風險傳染的最嚴重情形和平均效應都有一個跳躍式上升，這是因為此時引發了幾家規模較大的國有及股份制銀行倒閉。②總體而言，平均情形下風險傳染效應較小，僅在損失率達到0.9后，最小密度網絡表現出較強的平均風險傳染效應。但最嚴重情形下風險傳染效應較大，如損失率為1時，單家銀行倒閉最多可引發66家其他銀行倒閉（最大熵網絡），倒閉銀行資產占比最高可達66.93%（最小密度網絡）。③最小密度網絡的風險傳染效應大于最大熵網絡。盡管最嚴重情形下，最大熵網絡中倒閉的銀行數高于最小密度網絡，但就平均情況看，最小密度網絡倒閉銀行的平均數和倒閉銀行資產占比的平均數均遠高于最大熵網絡。

2. 分銀行類型的風險傳染效應。

（1）不同類型銀行的傳染性分析。首先來看銀行倒閉是否具有傳染性（即至少造成一家其他銀行倒閉）。在最大熵網絡中，5家國有銀行在違約損失率高于0.6時全部具有傳染性，12家股份制銀行在違約率為1時只有4家具有傳染性，而城商行和農商行即便在違約率為1時也不具有傳染性。與之形成鮮明對比的是，在最小密度網絡中，當違約率達到0.2時，一些城商行和農商行就具備了傳染性，并且隨著違約率上升，各類銀行中具有傳染性的銀行均呈上升趨勢。總之，在同樣的違約率下，最小密度網絡中具有傳染性的股份制銀行、城商行和農商行數目均高于最大熵網絡。這說明，在聯系稀疏型網絡中，由于單個聯系承載的頭寸相對較高，發生風險傳染所要求的違約損失率閾值較低。不過需要注意的是，最小密度網絡中具有傳染性的國有銀行數目反而低于最大熵網絡。其原因在于，國有銀行同業頭寸的絕對數額較高，為了盡量降低和其他銀行發生的聯系數，國有銀行主要和其他國有銀行發生聯系，剩余的同業負債頭寸太小而不足以引起其他銀行倒閉。

在明確了不同類型銀行中具有傳染性的銀行數目后，我們進一步考察不同類型銀行傳染性的強度。通過考察各類銀行中單家銀行倒閉引起的其他銀行倒閉的平均數目，發現：在最大熵網絡中，國有銀行的傳染性最強，當損失率處于[0.5，1]區間時，一家國有銀行倒閉平均可傳染10家～20家銀行。不過，在最小密度網絡中，股份制銀行同樣具有較高的傳染性，在極端情況（違約率為1）時，平均一家股份制銀行和國有銀行均可傳染33家銀行。此外，最小密度網絡中的城商行和農商行的傳染性也不容小覷，在違約率達到0.7后，一家城商行（農商行）倒閉平均波及超過2（1）家的其他銀行。

（2）不同類型銀行的易受傳染性分析。應用網絡傳導分析法考察同業業務的風險傳染效應，不僅可以用于判斷不同銀行的系統重要性，還可以在模擬過程中找出容易受到傳染的銀行。在最大熵網絡中，國有銀行即便在極端情況下也不受傳染，股份制銀行也僅有一家銀行（浙商銀行）受到傳染。城商行和農商行的表現則較為脆弱，在極端情況下，大約80%的城商行和農商行均受到波及。與最大熵網絡相比，最小密度網絡中各類銀行被傳染的數目均有所增加，其中股份制銀行中受傳染銀行數目增加最為明顯（最多可達11家）。需要注意的是，在最小密度網絡中，當違約率超過0.9之后，有三家國有銀行（工商銀行、建設銀行和交通銀行）也會受到傳染，這說明“同業頭寸分布較為集中”和“同業資產違約損失率較高”兩個條件同時滿足時，規模較大的銀行也會陷入破產。

進一步考察不同類型銀行的平均受傳染次數發現，在最大熵網絡中，國有銀行不受傳染，股份制銀行中的浙商銀行在損失率高于0.6之后會受到2次傳染，城商行和農商行易受傳染性相對較高。在最小密度網絡中，當損失率處在[0.1，0.8]區間時，各類銀行易受傳染情況與最大熵網絡基本一致，表現為城商行和農商行較容易受到傳染；但在極端情況下（損失率超過0.9），股份制銀行反超城商行和農商行成為平均受傳染次數最高的銀行。

綜上可知，不同網絡結構下的銀行同業業務的風險傳染特征存在明顯差異。從傳染性方面看，最大熵網絡中，城商行和農商行絕對不具有傳染性，股份制銀行傳染效應也很小；而小密度網絡中，城商行和農商行大部分具有傳染性，股份制銀行傳染效應甚至高于國有銀行。從易受傳染性看，最大熵網絡中，國有銀行絕對不會被傳染，股份制銀行被傳染概率也微乎其微；而最小密度網絡中，國有銀行在高損失率下會被傳染，股份制銀行受傳染概率也顯著提高。最大熵法和最小密度法的分析結論為真實情況提供了可能的區間，有助于更準確地判別系統性重要銀行和風險傳染脆弱性銀行。

四、 結論與啟示

本文利用最大熵法和最小密度法估計了我國118家商業銀行的同業市場結構，分別得到聯系密集和聯系稀疏兩種網絡。在此基礎上利用網絡傳導分析法模擬了我國銀行間市場風險傳染過程，并分析了不同類型銀行的傳染性和易受傳染性。本文的結論是：（1）最小密度法下銀行同業網絡更具風險傳染性；（2）在兩種網絡結構下，國有銀行均具有較強的傳染性，而城商行和農商行均容易受到風險傳染；（3）最小密度網絡中，股份制銀行和少數城商行及農商行具有較高的傳染性，極端情況下股份制銀行具有較高的易受傳染性。基于上述研究結論，可以得到如下政策啟示：

第一，我國同業業務確實存在交叉性風險傳染隱患，因此應基于宏觀審慎視角加強對銀行同業業務的規范和監管，包括明確同業業務的定義和口徑、規范同業業務操作流程、加強同業業務信息披露核實、完善相關統計和會計制度等。除了通過設置監管指標控制同業業務發展，還應在明確同業業務快速發展背后動因的基礎上有針對性地采取一些疏導措施，如改革存貸比和信貸規模監管，降低銀行通過開展同業業務進行監管套利的激勵；推進資產證券化進程，為銀行提供同業業務之外的改善資產負債結構和減輕資本壓力的途徑。

第二，國有銀行在同業網絡中與其他銀行聯系密切、風險傳染性強、系統性重要程度高，確實有必要適當提高對國有銀行的金融監管標準。另一方面，除國有銀行倒閉會對銀行系統造成較大沖擊外，其他銀行倒閉的影響也并非可以忽略不計。在最小密度法下，股份制銀行和少數城商行及農商行也具有較高的傳染性。因此，重視股份制銀行及其他中小銀行倒閉可能帶來的風險傳染、強化對于這些銀行同業業務的監管有助于防范系統性風險。

第三，城商行、農商行以及損失率較高時的股份制銀行容易受到傳染，基于微觀審慎視角應提高其抵御外部風險傳染的能力。除限制其同業業務參與程度外，還應要求商業銀行按照同業業務的實質適當計提資本和撥備。與此相關的一項配套措施是完善商業銀行資本補充機制，2013年我國開始實施的《商業銀行資本管理辦法（試行）》加強了資本監管要求，在此背景下拓寬銀行資本補充渠道有助于降低同業業務的監管資本套利動機，并增強銀行對同業風險的抵補能力。

參考文獻：

[1] 范小云，王道平，劉瀾飚.規模、關聯性與中國系統重要性銀行的衡量[J].金融研究，2012，（11）：16-30.

[2] 高國華，潘英麗.基于資產負債表關聯的銀行系統性風險研究[J].管理工程學，2012，（4）：162-168.

[3] 李宗怡，李玉海.我國銀行同業拆借市場“傳染”風險的實證研究[J].財貿研究，2005，（6）：50-58.

[4] 廖為鼎，陳一非.基于網絡分析法的我國銀行間風險傳染效應研究[J].金融監管研究，2014，（10）：59-75.

[5] 馬君潞，范小云，曹元濤.中國銀行間市場雙邊傳染的風險估測及其系統性特征分析[J].經濟研究，2007，（1）：68-78.

[6] Allen F.，Gale D.Financial Contagion[J].the Journal of Political Economy，2000，108（1）：1-33.

[7] Anand K.，Craig B.，von Peter G.Filling in the Blanks： Network Structure and Interbank Contagion[R].BIS Working Papers， 2014.

[8] Memmel C.， Sachs A.Contagion in the Interbank Market and Its Determinants[J]. Journal of Financial Stability，2013，9（1）： 46-54.

[9] Mistrulli， P.E.，Assessing Financial Contagion in the Interbank Market： Maximum Entropy versus Observed Interbank Lending Patterns[J].Journal of Banking and Finance，2011，35（5）：1114-1127.

[10] Upper C.Simulation Methods to Assess the Danger of Contagion in Interbank Markets [J]. Journal of Financial Stability，2011，7（3）：111-125.