銀行網絡對銀行穩健性影響的實證分析

辜子寅

（常熟理工學院 數學與統計學院，江蘇 常熟 215500）

銀行網絡對銀行穩健性影響的實證分析

辜子寅

（常熟理工學院 數學與統計學院，江蘇 常熟 215500）

文章以2005—2014年55家銀行為樣本，應用社會網絡分析法對我國銀行網絡結構進行了研究，同時模擬了銀行間風險傳染效應，并采用面板負二項回歸方法分析了銀行網絡對銀行穩健性的影響。實證結果表明，我國銀行網絡逐漸趨于密集，國有商業銀行仍居于核心位置，但中心度在下降；風險源來自以中國銀行和工商銀行為首的五大國有商業銀行，但一般不會發生多輪次、大面積的風險傳染；網絡密度、中心度均與銀行風險呈現顯著的正相關關系，表明我國銀行網絡風險傳染機制效應強于風險分擔機制。

銀行網絡；銀行穩健；社會網絡分析；面板負二項回歸

0　引言

在我國，銀行作為金融體系的核心部門，近年來業務模式發生了較大轉變。一些銀行借助同業渠道騰挪信貸資產，通過投資類項目隱匿信貸規模，部分同業資金在體內循環，導致同業業務快速增長，增速超過了機構貸款、存款增長水平，部分中小股份制商業銀行的同業資產占總資產比重已經超過30%，銀行間的聯系越來越密切。由于同業業務在一定程度上繞開了貸款規模限制，規避了利率管制，導致銀行體系貨幣創造能力得到提高，宏觀調控和金融監管政策的實施效果受到干擾，削弱了金融服務于實體經濟的能力。可見，我國銀行同業資產風險日益凸顯，新的特征對銀行穩健性提出了更高要求。本文從動態的角度，運用社會網絡分析方法對銀行網絡結構的變遷進行分析，應用矩陣法對銀行間的風險進行測度，并結合上述分析結果，通過建立面板負二項回歸模型以探索銀行網絡與銀行穩健的關系。

1　銀行網絡結構特征分析

1.1樣本選擇

本文樣本共涉及55家銀行，包括3家政策性銀行、5家國有商業銀行、11家股份制商業銀行、29家城市商業銀行、7家農村商業銀行。本文銀行樣本歷年資產總額占當年銀行業金融機構總資產的比重為80%左右，規模較大，樣本代表性較強。

我國各銀行在其財務報表中并不公布銀行同業市場詳細的交易數據，僅披露與其他銀行債權債務的總量信息。為保證補充數據的合理性，本文假設我國銀行同業市場為完全的市場結構，即銀行間風險頭寸的概率分布盡可能分散，采用矩陣法對銀行同業市場風險頭寸進行估計。

以此55家銀行為研究對象，搜集2005—2014年相關信息，銀行同業往來數據取自資產負債表，單家銀行對其他所有銀行同業資產頭寸選取指標為存放同業與拆放同業之和，對其他所有銀行同業負債頭寸選取指標為同業存放與同業拆放之和，數據來源于Chinascope數據庫及各銀行年報。

1.2銀行網絡密度分析

社會網絡分析法是一種社會學研究方法，通過對多元關系的量化研究，揭示網絡結構及其屬性特點。本文運用社會網絡分析法，利用Ucinet軟件對2005—2014年55家銀行通過同業市場構成的銀行網絡進行深入分析，探索銀行網絡的內部結構特征及變動趨勢，以期為完善銀行監管政策提供理論支持。

定量分析則用網絡密度來度量。網絡密度為網絡中各成員間實際存在的關系數與理論上擁有的最大關系數之比值，是社會網絡分析中最基本的測度指標。銀行網絡為有向關系網，密度用于刻畫網絡中各銀行之間的緊密程度，密度值越大，銀行之間的業務關聯越密切。

為計算銀行網絡密度，參照Huang et al.（2009）[1]的做法，采用閾值法將銀行同業市場風險頭寸矩陣X=(xij)n×n轉化為二值矩陣Z=(zij)n×n，其中xij表示銀行i對銀行 j持有的資產頭寸占銀行同業市場風險頭寸的比例，則網絡密度為當 ε=10-6時，網絡密度計算結果見表1（當ε分別取值10-5、10-7、10-8、10-9時，盡管網絡密度的計算結果有差異，但其變動趨勢卻是一致的，不影響本文分析結論）。

表1　2005—2014年我國銀行網絡密度

表1的結果顯示，2005—2014年期間，我國銀行網絡密度呈現明顯提高的趨勢，2011年密度達到峰值0.7663，盡管近兩年有小幅回落，但一直維持著較高的密度值，2014年網絡密度為0.6175。這表明隨著同業業務量的迅速擴張，我國銀行間的聯系日益密切，相互間的合作、競爭和作用影響越來越大，網絡逐漸趨于密集。網絡密度值越高，銀行間所能實現的傳遞和交互功能就越強，這樣一方面有利于發揮整體優勢，協調資源使之高效配置，但另一方面，一旦有銀行發生危機，金融風險也可能通過銀行網絡迅速蔓延。

1.3銀行網絡中心性分析

對中心性進行測量是社會網絡分析的研究重點，用于判斷個體在網絡中所處的地位和作用，量化指標為中心度，在有向網絡中，又分為點入度和點出度。在銀行網絡中，中心度用于衡量各銀行的相對重要性，中心度數值大，說明該銀行在網絡中處于相對中心的位置，擁有更強的影響力。

從銀行網絡點入度來看，主要特征有以下三點。第一，五大國有商業銀行和興業銀行的點入度遠高于平均水平，顯示這六家銀行同業負債水平相當高，核心地位凸顯。但除興業銀行與交通銀行外，其他四大國有商業銀行的點入度呈現明顯下降趨勢。第二，浦發銀行、招商銀行、中信銀行、民生銀行和光大銀行的點入度穩步增長，長期高于平均水平，表明這五家股份制銀行在網絡中處于相對中心的位置，在整個銀行網絡中業務活動比較活躍，同業負債規模龐大。第三，平安銀行、國家開發銀行、中國進出口銀行、北京銀行、華夏銀行、廣發銀行、恒豐銀行和上海銀行的點入度增長極為迅速，近年來均已處于中等水平，表明其在同業市場中吸收了一定比例的資金，已經占據一席之地。相比之下，其他銀行的點入度長期低于平均水平，同業負債較少，與中心銀行以及相互之間的業務聯系相對較弱。

從銀行網絡點出度來看，五大國有商業銀行和國家開發銀行點出度明顯高于其他銀行，是銀行網絡的核心。浦發銀行、中國進出口銀行、中信銀行、民生銀行、光大銀行、招商銀行、北京銀行和興業銀行的點出度長期高于平均水平，是網絡的副中心。其他銀行的同業資產所占比例非常少，在網絡中僅為一般節點，網絡中心性較低。

此外，結合點入度與點出度，從總體分布來看，銀行網絡點出度的離散系數大于點入度的離散系數，說明銀行間相互持有的同業資產所占比例差異更大，而同業負債則分布相對均衡。通過對個體銀行歷年點入度與點出度的比較，不難發現，一方面，兩者具有較強的一致性，線性相關系數在0.8以上，呈現顯著的正相關關系。根據帕累托的二八原則，可以認為排名前11位的銀行作用影響較大。在點入度和點出度分別排名前11位的銀行中，有9家銀行是相同的，分別是中國銀行、中國工商銀行、中國農業銀行、中國建設銀行、交通銀行、浦發銀行、中信銀行、民生銀行和光大銀行，這一結果既顯示出這些銀行的重要性，也揭示出銀行網絡的中心度和銀行類型、規模的關聯性。另一方面，從點入度與點出度的差異來看，中國農業銀行、國家開發銀行、中國銀行和中國工商銀行的點出度遠高于點入度，近年來兩者差異在0.02以上，同時，中國建設銀行、中國進出口銀行、江西省農商銀行、江蘇銀行、盛京銀行、北京農商銀行的點出度與點入度差值在0.01左右，這些銀行同業資產所占比例明顯高于同業負債，成為同業資金的重要供給方。另外九家銀行則恰恰相反，點入度值均大幅超過點出度，相差幅度高于0.01，這9家銀行分別是興業銀行、交通銀行、平安銀行、恒豐銀行、招商銀行、浦發銀行、廣發銀行、華夏銀行和民生銀行。從資金凈流向綜合來看，同業資金主要由國有商業銀行和政策性銀行流向股份制商業銀行。

2　銀行網絡風險傳染模擬

2.1模擬方法

一家銀行可能因經營失敗或某一外部事件而發生危機，在無金融安全網的條件下，信用違約風險、流動性風險乃至銀行擠兌沖擊會通過資產負債表、資產價格變動等渠道波及至其他銀行，傳染效應的擴大可能會使多家銀行同時處于危機之中，甚至最終導致系統性風險的產生。因此，對銀行間風險沖擊與傳染效應進行模擬顯得尤為重要。

具體模擬過程為：僅考慮信用違約風險情形下，假設銀行 j陷入危機，若表示銀行i對銀行 j持有的資產頭寸，θ為銀行 j因危機而導致外部資產的損失率，θ∈[0，1]，ci為銀行i可用于最后清償的資本，根據《巴塞爾協議Ⅲ》，核心資本比總資本更具備吸收損失能力及抗風險能力，本文則采用核心資本凈額這一指標進行度量），即銀行i由于持有銀行 j的資產頭寸產生的損失大于銀行i的核心資本凈額，表示由于銀行 j發生危機，通過同業市場導致銀行i也出現危機，此為第一輪風險傳染。若，表示銀行k因受銀行i和銀行 j的同時沖擊，累計損失超過自身核心資本而面臨危機，此為第二輪風險傳染。多輪傳染效應的模擬過程依此類推。

2.2風險傳染模擬結果

參照Furfine（2003）[2]的做法，本文模擬在資產損失率為100%的極端情況下，2005—2014年銀行間風險傳染的多米諾骨牌效應，結果見表2所示。可見，風險源來自以中國銀行和中國工商銀行為中心的五大國有商業銀行。只有國有商業銀行的倒閉才可能導致其他銀行同樣陷入倒閉的危機，其中，中國銀行和中國工商銀行長期具有風險傳染效應。從風險傳染輪次來看，在2005年、2006年、2008年、2009年和2011年這5年中出現了第二輪連鎖反應，而多數情況下傳染效應局限于第一輪。一旦風險源陷入危機，波及到的銀行僅在2005年數量較多，其中，中國銀行的倒閉可引發其他9家銀行同時倒閉。而在其他年份，受波及的銀行數量通常控制在2家及以下，且均不會出現大面積的危機傳染，表明僅考察信用違約風險時，我國銀行間的市場風險傳染性較小。從受傳染銀行的損失來看，核心資本凈額損失超過10%的銀行數量較多，最多可達49家，最少也有21家，而核心資本凈額損失超過40%的銀行數量能夠得到有效控制。從資本損失率來看，中國工商銀行在2006年和2007年間導致樣本銀行核心資本損失率最高，分別達到14.30%和19.15%，其他年份則是中國銀行引發最高比例的核心資本損失率，最高為2005年的22.92%。從動態角度觀察，樣本銀行核心資本損失率在2011年有一個明顯的小高峰，這一風險的提高或許與2011年銀行間業務量急劇增加有關。

表2　2005—2014年銀行間風險傳染效應模擬結果

3　實證分析

3.1模型設定

本文通過建立面板數據回歸模型探討銀行網絡結構對銀行穩健的影響。通過參考高國華和潘英麗（2012）[3]的研究，選取單家銀行破產導致核心資本凈額損失超過10%的銀行數量來反映單家銀行對其他銀行穩健性的影響程度，記為Y1；選取單家銀行在歷次風險模擬中，其核心資本凈額損失超過10%的次數來反映銀行個體穩健性，記為Y2。

銀行穩健的影響因素從如下幾個方面來考慮。

銀行網絡可以通過兩種截然相反的渠道對銀行穩健產生影響。一方面，銀行間市場具有流動性轉換功能，遭遇危機的個體銀行可通過銀行網絡尋求其他銀行的援助以緩解危機，那么，銀行網絡則起到了分擔風險的作用，有助于銀行業的穩定。但另一方面，由于復雜的網絡關聯，一旦市場缺乏流動性，資產價格大幅下跌，單家銀行的風險就容易通過銀行網絡迅速蔓延到其他銀行，甚至導致整個銀行業的崩潰[4]。這兩種效應的強弱在理論上無法給出答案，只能通過實證分析以揭示出在中國銀行市場，銀行網絡是通過風險分擔促進了銀行穩健，還是通過風險擴散阻礙了銀行穩健。本文選取兩個變量來反映銀行網絡特征，一是網絡密度，從整體上測度網絡結構，判斷銀行間業務關聯的緊密程度帶來的影響，記為Densityt；二是中心度，判斷個體銀行在網絡中所處地位對穩健性的影響，具體用銀行點入度與點出度之和表示，記為Centerit。

銀行調整行為的影響[5]。銀行可能會根據前一期或若干期風險水平、經濟周期、貨幣政策來調整自身的業務，以降低風險或追求更高的利潤，即銀行可能具有平滑風險承擔的行為[6]。從銀行個體穩健性來看，降低風險可能需要收縮業務規模，銀行面臨著穩健和效率的博弈。而從對其他銀行穩健性的影響來看，若個體銀行在銀行系統中并不占據重要地位，基于發展的需要，銀行會盡量擴大業務，增加盈利，提高影響；反之，若個體銀行在銀行網絡中占據核心位置，則極可能成為系統重要性銀行，那么，在銀監會等部門的監管下，為了防范系統性金融風險，會對系統重要性銀行實施更嚴格的監管要求，個體銀行則根據相關標準不得不對自身業務進行調整，以達到監管要求。本文選用Y1i，t-1、Y1i，t-2、Y2i，t-1、Y2i，t-2反映銀行調整行為的影響。

為有效識別銀行網絡的影響，必須控制其他影響銀行穩健的重要變量，從微觀銀行特征和宏觀經濟狀況兩方面來考慮。不同的銀行承擔著不同的風險，對銀行系統穩健性的影響也不同，即個體銀行的異質性特征會影響其信貸總量的擴張和收縮，進而對潛在風險產生影響，因此，選取銀行特征變量作為控制變量。

銀行規模，具體用銀行總資產占當年銀行業資產總額的比重來表示，記為SIZEit。銀行規模與其穩健性之間的關系沒有確定性結論，因為大型銀行通常擁有更好的投資、融資機會，有能力通過多元化的經營分散風險以提高穩健性，但同時也面臨“大而不能倒”的道德風險問題，大型銀行可能為獲得高額利潤而采取高風險的經營策略。

銀行資本水平，用核心資本充足率代表，記為Tier1 Ratioit。資本水平體現了銀行的風險管理策略和風險偏好程度，擁有較高資本水平的銀行通常具備較強的清償能力和較弱的風險承擔意愿[7]。因此，Tier1Ratioit預期符號為負。

銀行資產質量，選用不良貸款率來衡量[8]，記為NPLit。不良貸款是銀行信貸業務損失的重要來源，不良貸款率越高，消耗利潤越多，銀行資產質量越低。同時，根據高收益、高風險的邏輯，較高的不良貸款率反映銀行可能采取了高風險的經營策略。因此，NPLit預期符號為正。

參考大多數學者的做法，宏觀經濟方面的控制變量選用GDP增長率來衡量，記為GDPt。經濟繁榮時期，企業違約率下降、儲戶還款能力提高，這直接降低了銀行的債務風險。但由于對經濟前景的樂觀，銀行風險容忍度通常會上升，傾向于提高杠桿水平，從事更高風險的活動，促使新增貸款質量下降，不利于銀行的穩健。經濟處于下行周期時亦如此，經濟波動通過兩種途徑對銀行風險產生影響。無論是理論研究還是實證分析，經濟波動對銀行穩健影響的結論存在較大分歧。

因此，計量模型設定為：

其中，ηi用于捕捉和控制各個銀行由于個體異質性的影響，εit為隨機誤差項。

3.2回歸結果分析

由于被解釋變量為計數變量，則考慮用面板計數模型對回歸方程進行估計。在計數模型中，應用較廣泛的是泊松回歸模型和負二項回歸模型。泊松分布的期望與方差是相等的，即具有均等分散特征，這一特征決定了泊松回歸模型的適用性。首先計算得到var(Y1)/mean(Y1)=24.43，var(Y2)/mean(Y2)=3.82，初步判斷被解釋變量方差明顯大于期望。然后利用軟件stata14.0對兩個模型分別進行混合負二項回歸，并使用聚類穩健標準誤，得到運用LR檢驗方法對“H0:α=0”進行檢驗的結果，模型（1）與模型（2）的過度分散參數α的95%置信區間分別為[0.66，1.73]和[0.25，0.62]，則拒絕原假設，表明其存在過度分散特征，應選用負二項回歸模型進行估計。

運用LR檢驗方法在混合負二項回歸模型和隨機效應負二項回歸模型之間進行選擇，得到模型（1）相伴概率接近于0，表明隨機效應模型優于混合模型。運用Hausman檢驗方法在固定效應和隨機效應的負二項回歸模型之間進行選擇，相伴概率為0.79，則不能拒絕原假設，應用隨機效應面板負二項回歸模型更合適。估計結果顯示（見表3第2列），Y1i，t-1回歸系數并不顯著，則刪除該解釋變量重新建立回歸模型，并運用LR檢驗方法和Hausman檢驗方法重新選擇模型，仍然支持隨機效應模型的建立，結果見表3第3列。

同理，對模型（2）進行參數估計，LR檢驗和Hausman檢驗結果顯示適合建立隨機效應模型，結果見表4第4列。待逐一刪除不顯著的解釋變量Y1i，t-2、GDPt后，Hausman檢驗結果支持建立固定效應面板負二項回歸模型，結果見表3第5列。

表3　負二項回歸模型估計結果

負二項回歸模型估計結果顯示，從銀行網絡的影響來看，網絡密度與銀行風險呈現顯著的正相關關系。這說明在我國銀行市場，無論從銀行自身容易遭遇沖擊的程度看，還是從對其他銀行的風險波及程度看，相互之間聯系越密切，越容易傳播風險，而不是分擔風險，即網絡密度的提高不利于銀行體系的穩健。同時，銀行中心度也對銀行風險產生顯著正向影響。中心度越高，銀行則持有較大規模的風險頭寸，在網絡中越處于中心支付地位，與其他銀行業務關聯越頻繁，風險暴露程度越高，則更容易受到風險傳染，個體風險也更容易擴散到其他銀行。實證分析結果揭示了我國銀行網絡風險傳染機制效應強于風險分擔機制，原因可能來自于銀行業務具有較強的同質性。風險分擔機制適用于陷入危機的銀行對銀行市場整體風險影響有限的狀況下，那么，該銀行通過同業拆借市場向其他正常經營的銀行短期融資以渡過危機。但就目前我國銀行業的發展來看，隨著商業銀行市場化改革的推進，銀行業競爭日益加劇，市場定位趨同，銀行經營行為易被同行模仿，其核心服務功能各大銀行都具備，特別是伴隨著創新工具的不斷涌現，銀行業務同質性增強。一旦失去了多樣化，當環境惡化時，銀行體系脆弱性增加，單家銀行的倒閉很可能轉化為連鎖性的銀行危機。

從調整行為的影響來看，Y1i，t-1對Y1it、Y2i，t-2對Y2it均沒有顯著影響，Y1i，t-2對Y1it產生顯著的負向影響，Y2i，t-1對Y2it產生顯著的正向影響。這表明銀行經營以盈利為首要目的，從自身穩健性來看，如果前期風險高，那么當期風險也會高，其風險在短期內的影響為正，長期影響并不顯著。而從單家銀行對其他銀行穩健性的影響來看，單家銀行在銀行同業市場中占據的地位在短期內通常難以立刻變動，但長期來看，若以往對系統性風險貢獻較大，則銀行會采取調整行為以降低其對系統性風險的貢獻。

從銀行特征變量來看，規模越大，同業業務交易量就越大，與其他銀行聯系更加密切，該銀行對系統穩健性的影響就越大，會更容易對其他銀行帶來風險沖擊；但另一方面，銀行規模的提高，可以提升自身的抗風險能力。而核心資本充足率越高、不良貸款率越低，這不僅可以降低銀行自身的脆弱性，還可以降低對其他銀行風險的貢獻程度，與預期假設一致。

從宏觀經濟環境的影響來看，單家銀行對其他銀行的風險沖擊與GDP增長率之間呈現負相關關系，而GDP增長率對銀行個體穩健性有正向影響。這表明在良好的經濟增長態勢和有利的投資環境下，銀行更容易擴大融資以提高核心資本，銀行間市場整體受到單家銀行風險波及的程度會下降。但個體銀行是否更容易遭遇風險傳染與經濟增長也關聯緊密，這主要與銀行信貸行為的周期性有關。因為經濟上行時期，從現金流的角度來看，違約率下降有利于銀行降低風險，相反，當經濟蕭條時，企業經營困難，這通常會降低銀行個體穩健性。

4　結論

社會網絡分析結果顯示，我國銀行間的聯系日益密切，網絡逐漸趨于密集。銀行的中心度與銀行類型呈現出一定的關聯，國有商業銀行仍居于核心位置，但中心度在下降，而以興業銀行為首的股份制商業銀行中心度明顯增強，在銀行間市場中的重要性逐漸提升。從風險傳染模擬結果來看，風險源來自以中國銀行和工商銀行為首的五大國有商業銀行，但一般不會發生多輪次、大面積的風險傳染。從銀行網絡與銀行穩健的關系來看，網絡密度、中心度均與銀行風險呈現顯著的正相關關系，表明銀行之間聯系越密切、個體銀行持有越大的風險頭寸，則越不利于銀行體系的穩健，我國銀行網絡風險傳染機制效應強于風險分擔機制。

[1]Huang W Q,Zhuang X T,Yao S.A Network Analysis of the Chinese Stock Market[J].Physica A,2009,388(14).

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

[3]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].管理工程學報，2012，(4).

[4]Acharya V V,David S.A Model of Liquidity Hoarding and Term Pre?mia in Inter-Bank Markets[J].Journal of Monetary Economics,2011, 58(5).

[5]Rime B.Capital Requirements and Bank Behaviour:Empirical Evi?dence for Switzerland[J].Journal of Banking and Finance,2001,25(4).

[6]牛曉健，裘翔.利率與銀行風險承擔——基于中國上市銀行的實證研究[J].金融研究，2013，(4).

[7]徐明東，陳學彬.貨幣政策、資本充足率與商業銀行風險承擔[J].金融研究，2012，(7).

[8]許坤，殷孟波.信用風險轉移創新是否改變了銀行風險承擔行為[J].國際金融研究，2014，(7).

（責任編輯/劉柳青）

F832.33

A

1002-6487（2016）22-0151-05

國家社會科學基金資助項目（12BTJ003）

辜子寅（1980—），女，湖北武漢人，博士，講師，研究方向：經濟統計。