中國銀行系統穩定性研究

【摘 要】當前，中國銀行系統穩定性仍未明顯改善，商業銀行的不良貸款比例再次上升，債券市場違約事件增加以及股票市場下跌。首先，根據在險價值（CoVaR）模型對中國銀行系統穩定性的評估結果顯示，在金融去杠桿的影響已傳導至實體部門的背景下，在商業銀行受到個體性沖擊時，單家商業銀行的個體損失以及平均風險溢出率均未呈現改善；在商業銀行受到系統性沖擊時，五大國有商業銀行抗擊系統性風險的能力雖然依然強于其他銀行，但其優勢正在縮小。此外，根據網絡模型的分析，雖然中國金融機構間同業網絡整體穩定性有一定改善，但五大商業銀行的穩定性值得特別關注。

【關鍵詞】 金融風險；系統重要性銀行；在險價值模型；網絡模型

Absrtact： At present， the stability of Chinas banking system is not improved significantly. The proportion of non-performing loans in commercial banks has risen again， the number of defaults in the bond market has been increased and the stock market has fallen. First of all， it is shown from the evaluation results of the stability of Chinas banking system based on the value at risk （CoVaR） model that under the background that the influence of financial deleveraging has been transmitted to the real economy， when commercial banks are subject to individual shocks， the individual losses and the average risk overflow rate of a single commercial bank have not been improved. When commercial banks are systematically impacted， the five major state-owned commercial banks are still better than other banks in resisting systemic risks， but their advantages are diminished. In addition， according to the analysis of network model， although the overall stability of the interbank network among Chinese financial institutions has been improved to some extents， the stability of the five major commercial banks deserves special attention.

Key words： Financial Risk； Systematically Important Banks； CoVaR Model； Network Model2018年以來，國際政治經濟環境發生深刻變化，國內經濟下行壓力加大。此外，2017年以來的金融系統去杠桿和強監管的效應仍在持續，這些都對中國金融系統的穩定運行帶來較大挑戰，使得中國商業銀行的不良貸款比例再次上升，債券市場違約事件增加以及股票市場下跌。針對這些現象，2018年12月召開的中央經濟工作會議確定了今后3年的“三大攻堅戰”之中的打好防范化解重大風險攻堅戰，重點是防控金融風險。由此可見，金融風險的防控在中國未來經濟工作中的重要性，而要防控金融風險首先需要精準識別風險點，才能進行有效處置。長期以來銀行在中國金融系統中占據主導地位，并且在未來較長時間內仍將維持這一格局，因此，識別金融系統的風險點關鍵在于識別銀行中的潛在風險。

一、風險評估模型

評估和分析各銀行間以及金融系統的風險主要有兩類模型。一類是簡約模型，如在險價值（CoVaR）模型。這類模型主要利用的是較高頻的市場數據（如日數據、周數據等），通過分析這些數據的聯動性來識別系統重要性銀行，其主要優勢在于可以利用高頻數據來及時發現系統或某些銀行的異常情況。但這類簡約模型的最大缺點在于假設前提非常強，例如CoVaR模型的隱含假設為市場是“半有效”或“強有效”的，否則如果市場是“弱有效”的，該方法則幾乎無效。另一類是結構化模型，如網絡模型。該類模型主要是基于金融機構間的關聯網絡 來識別系統重要性金融機構，從而分析危機傳染路徑和范圍并測算損失程度。這類模型的主要優勢在于不要求市場是“半有效”或“強有效”，只要能夠較全面和準確地構建出金融機構間網絡就可以進行分析和測算。但是這類模型的缺點也很明顯，即受制于金融機構財務數據公布頻率，無法高頻率地觀測金融機構間網絡的變化，從而及時更新危機傳染路徑和范圍并測算損失程度。由于兩類模型各自的優缺點都非常明顯，為了準確評估中國金融系統的穩定性并識別系統重要性金融機構，我們分別用兩種模型做了定量分析。

二、基于CoVaR模型的分析

我們從WIND的股票數據庫中選取了2011年1月1日至2018年12月14日在滬深兩市上市至少兩年的商業銀行，共計16家商業銀行 的日度數據作為樣本數據。截至2018年三季度，這16家銀行的總資產占中國商業銀行資產總額的比例達75.4% ，代表性良好。在估計銀行系統以及各家銀行的VaR和CoVaR系數時，我們用16家上市銀行后復權日收盤價來計算的各家銀行的日收益率表示各銀行的運行情況，用中證滬深300商業銀行全收益指數日收盤指數來計算的日收益率表示銀行系統的運行情況。表1列出了樣本區間內，中證滬深300商業銀行全收益指數日收益率以及各家商業銀行后復權日收益率的統計描述。

首先，當單家銀行受到將使其產生最大損失的外部沖擊時，我們估算了每家銀行自身將受到的損失，即在險價值（Value at Risk，VaR），但是VaR并沒有考慮單個銀行風險溢出的影響，即單家銀行遭受沖擊并發生損失時導致的系統中其他銀行產生的損失。為了考察每家銀行在遭受沖擊時的風險溢出效應，我們還估算了每家銀行的條件在險價值（Conditional Value at Risk，CoVaR）。每家銀行風險溢出的影響用CoVaR和VaR之差表示，即△CoVaR=CoVaR-VaR。此外，我們還計算了△CoVaR/VaR，來衡量每家銀行自身遭受將產生最大損失的外部沖擊時，其引發的系統中其他銀行的損失與其造成的總損失的比例。

表2列出了在5%的置信水平下每家樣本銀行自身受到使其產生最大損失的外部沖擊時，其自身受到的損失和對整個銀行系統的影響。可以看出，中國上市銀行中每家銀行受到將使其產生最大損失的外部沖擊時，如果不考慮風險溢出效應，除了交通銀行、光大銀行和興業銀行外，其他銀行的日均VaR損失均超過了3%，其中日均VaR損失最大的是中信銀行，為3.25%，五大國有商業銀行和其他銀行并不存在顯著的差異。在考慮各家銀行風險的溢出效應時，風險溢出（即△CoVaR）最大的四家銀行恰好為傳統的國有四大行（工、農、中、建），交通銀行的風險溢出水平也處于第六位。需要指出的是，我們發現隨著金融系統內部去杠桿持續推進以及內部監管逐漸加強，上市的股份制銀行、城商行和農商行風險溢出造成的損失比例較2017年中有所減小；但各家銀行風險溢出造成的損失比例上升到比2017年中更高的水平。當前，中國銀行系統的穩定性不但沒有改善，其脆弱性再次凸顯。從△CoVaR/VaR來看，國有五大行溢出的損失所占其造成的總損失的比例最大，而且工商銀行、中國銀行和農業銀行風險溢出的損失所占比例超過了30%，農業銀行甚至高達36%。可見，中國商業銀行間的關聯程度進一步增強，國有五大行風險溢出影響進一步加大。基于最新數據的分析結果，我們認為股份制銀行和區域性銀行對銀行系統的影響日益增大，不可忽視，但當前保持國有五大行的穩定對于保持中國銀行系統的穩定至關重要，應該優先關注國有五大行的穩定性。

其次，我們還考慮了當整個銀行系統遭受將使其產生最大損失的外部沖擊時，在不考慮各銀行會產生反饋式風險溢出的情況下系統性沖擊對每家銀行造成的損失（即在險價值，VaR），以及在考慮各銀行會產生反饋式風險溢出的情況下系統性沖擊對各家銀行造成的損失（即條件在險價值，CoVaR），并計算了反饋式風險溢出程度（即條件在險價值與在險價值之差，△CoVaR=CoVaR-VaR）和風險溢出率（△CoVaR/VaR）。表3列出了在5%的置信水平下每家樣本銀行遭受系統性沖擊時，其自身受到的損失和對整個銀行系統的影響。

從表3可以看出，當整個銀行系統遭受將使其產生最大損失的外部沖擊時，在不考慮風險的溢出效應時，日均VaR最大的兩家銀行分別是中信銀行和平安銀行，均超過4%，損失最小的不再是國有五大銀行，而是光大銀行。平均而言，國有五大行的日均損失較其他股份制銀行和城市商業銀行僅小0.18%，即國有五大行抗擊系統性風險的能力僅稍強于股份制銀行和城市商業銀行。在考慮各家銀行風險的溢出效應時，風險溢出程度（即△CoVaR）最高的是依然中信銀行和平安銀行，均超過1%；而風險溢出程度最小的則是光大銀行以及興業銀行。從△CoVaR/VaR來看，平均而言，當整個銀行系統遭受巨大外部沖擊時，國有五大行對系統溢出的風險占其總損失的比例較其他股份制銀行、城商行和農商行的該比例僅低1%。也就是說，在出現系統性風險時國有五大行抗擊系統性風險的能力雖然依然強于其他銀行，但其優勢正在縮小。從具體數字上來看，幾乎所有銀行的風險溢出率較2017年末均呈上升之勢，雖然國有五大行的平均上升幅度小于其他全國性股份制銀行和區域性銀行，但這一指標均上升到20%以上，而在2017年末有一半的銀行是低于20%的。2018年以來國有五大行抗擊系統性風險的能力雖然依然強于其他銀行，但其風險溢出率持續上升，即對穩定銀行系統所起到的作用越來越弱。

三、基于網絡模型的分析

由于數據的限制，基于CoVaR模型的分析只能考察上市銀行與銀行系統的關系，而不能對非上市銀行進行考察，也不能識別風險傳染的路徑以及傳染范圍。因此，我們在上市銀行的基礎之上，將三家政策性銀行6，更多的城市商業銀行和農村商業銀行，以及其他上市的非銀行金融機構納入了考察范圍，構建了金融機構間的關系網絡。基于該網絡，在假定金融系統整體受到外部沖擊并引發金融機構間雙邊頭寸清算的情況下，我們分析了危機傳染路徑和傳染范圍并測算了損失程度，從而對整個金融系統的穩定性進行評估并對系統重要性金融機構進行識別。

我們從ORBIS Bank Focus數據庫中，剔除了數據缺失的銀行和其他金融機構后，選取了2017年末共計251家銀行和其他金融機構的相關數據作為樣本。其中，包括3家政策性銀行、5家大型國有商業銀行，11家股份制銀行以及176家城市和農村商業銀行。此外，由于中國同業市場的參與者不僅限于銀行，還包括證券業、保險業等金融機構。因此，為了更為全面地構建中國同業市場網絡，我們還將在A股上市的36家證券公司、6家保險公司以及9家其他金融機構納入考察范圍。由于該樣本已包括中國所有大中型銀行、眾多城市和農村商業銀行以及主要的證券公司和保險公司，因此我們假設該樣本完全代表中國金融機構同業市場的參與者。根據相關文獻，銀行間的關聯網絡是通過各家銀行在同業市場的雙邊頭寸建立起來的。理想狀態是能夠獲取每家銀行與系統中其他各家銀行在同業市場的雙邊頭寸，可是在實際操作中，中國的金融機構并不需要披露與其他金融機構在同業市場的雙邊頭寸，而只需在財務報表中披露其在同業市場中拆入和拆出的總頭寸數據。因此，我們利用最大熵方法估計出了2017年樣本金融機構在同業市場的雙邊頭寸數據，并將其寫成了借貸關系矩陣以便分析。

傳統文獻中，金融機構的同業資產的定義是存放在國內同業的款項和拆放給國內同業的款項之和，同業負債項的定義則是同業存放在本行的款項與同業拆放給本行的款項之和。但隨著中國金融系統的快速發展，同業業務的手段已經不再局限于同業拆放，而且監管層也意識到了這一點并對同業業務的定義進行了拓展7，例如央行在2017年二季度貨幣政策執行報告中宣布擬于2018年一季度將同業存單納入MPA同業負債占比考核。因此，我們在原有文獻的基礎之上對金融機構同業資產和同業負債的定義進行了拓展 。其中，拓展的同業資產為存放同業款項、拆出資金凈額、買入返售金融資產凈額、交易性金融資產、可供出售金融資產凈額和持有至到期投資凈額之和；而拓展的同業負債為同業及其他金融機構存放款項、拆入資金和賣出回購金融資產之和。另外，我們還假設由于外部沖擊引起的各金融機構間同業頭寸進行清算將導致銀行資本的損失，當某家金融機構的資本損失殆盡時將會倒閉。在本文的分析中，資本定義為金融機構的所有者權益。表4列出了樣本金融機構的同業資產、同業負債和資本的統計描述。

如表4所示，2017年末樣本金融機構的平均同業資產為2519.8億元，平均同業負債為1745.9億元；而同業資產和負債的中位數則分別為471.2億元和265.3億元。與2017年末的情況類似，中國金融機構的同業資產和負債的分布嚴重左偏，但左偏程度已經較2017年有所減弱。可見，中國金融機構的同業資產和同業負債雖然依然主要集中在少數金融機構（如三大政策性銀行、大型國有銀行、大中型股份制銀行、少數城商行以及主要的保險公司），大多數小規模的城市和農村商業銀行、證券公司在同業市場的資產和負債的頭寸相對而言均較小，但中國金融機構的同業資產的分布正朝更均勻的方向發展。

基于我們所估計的2017年樣本金融機構在同業市場的借貸關系矩陣，可以通過模擬由于每家金融機構破產導致對其他金融機構的負債無法償還，而致使其他金融機構破產的數目和整個金融系統的系統性損失（即所有者權益的損失）是否超過某個臨界值來確定其是否為系統重要性金融機構。這里某家金融機構對其他金融機構的違約情況由平均違約率表示8。通過模擬，我們發現，與2016年末不同的是，除了國家開發銀行以外，發生兌付危機時也會引發其他金融機構破產的金融機構新增了工商銀行和中國銀行，但會被引發倒閉的金融機構的數目均只有1家，且不會引起二次傳染，這與2017年的情況出現了較大變化。具體地，我們在2017年末發現只有國家開發銀行發生兌付危機時會引發其他金融機構破產，但隨著平均違約率的上升而破產的金融機構家數快速增加，極端情況下會使得48家金融機構破產。可見，隨著金融去杠桿的深入推進，雖然可能引發其他金融機構破產的重要金融機構增加了兩家，但發生危機時波及的范圍大大縮小了。

如果以引發系統性損失的大小來定義系統重要性金融機構，如下金融機構以括號內的平均違約率違約將會造成1萬億元以上的系統損失：國家開發銀行（27%），中國銀行（27%），建設銀行（30%），工商銀行（27%），農業銀行（36%），交通銀行（28%），興業銀行（31%），浦發銀行（35%），民生銀行（46%），招行銀行（56%），中信銀行（54%），光大銀行（85%）；有如下金融機構以括號內的平均違約率違約將會造成2萬億元以上的系統損失：國家開發銀行（46%），中國銀行（55%），建設銀行（62%），工商銀行（55%），農業銀行（73%），交通銀行（57%），興業銀行（63%），浦發銀行（70%），民生銀行（93%）。國家開發銀行的平均違約率達到69%時，會造成的系統損失超過3萬億元，其最大會造成4.3萬億元的系統損失。工、農、中、建、交五大國有銀行會造成的最大損失分別為3.7萬億、2.7萬億、3.6萬億、3.3萬億和3.5萬億元。

與2017年相比，國家開發銀行的安全邊際明顯提高，造成1萬億元以上損失的平均違約率從10%提高到了30%，而且可能造成的最大損失也從10.5萬億元下降到了4.3萬億元。但需要注意的是，工、農、中、建、交五大國有大型商業銀行的安全邊際均出現不同程度的下降，以工商銀行為例，其造成1萬億元以上損失的平均違約率從47%下降到27%，其可能造成的最大損失也從2.6萬億元上升至3.7萬億元。由此可見，雖然中國金融市場同業網絡整體穩定性有一定改善，但五大國有商業銀行的穩定性再次值得特別關注。在不考慮信心崩潰、擠兌等因素的情況下，五大國有商業銀行平均違約率不超過30%即會造成1萬億元以上的系統損失。但是，不可否認的是，這些大中型金融機構一旦出現違約，勢必會在金融市場上形成恐慌，造成擠兌、出逃式拋售等現象，使得資產價格陷入螺旋式下降的情形，在這種情況下會造成的損失則將會是我們所估計的損失的數倍甚至數十倍。

四、總結

2018年以來，國際政治經濟環境發生深刻變化，國內經濟下行壓力加大。此外，2017年以來的金融系統去杠桿和強監管的效應仍在持續。這些都對中國金融系統的穩定運行帶來較大挑戰，使得中國商業銀行的不良貸款比例再次上升，債券市場違約事件增加以及股票市場下跌。首先，根據在險價值（CoVaR）模型對中國銀行系統穩定性的評估，我們發現在金融去杠桿的影響已傳導至實體部門的背景下，在商業銀行受到個體性沖擊時，單家商業銀行的個體損失以及平均風險溢出率均未改善，尤其是工、農、中、建四大國有銀行的風險溢出率已超過30%；在商業銀行受到系統性沖擊時，五大國有商業銀行抗擊系統性風險的能力雖然依然強于其他銀行，但其優勢正在縮小，從數字上來看，幾乎所有銀行的風險溢出率較2018年中均沒有明顯變化，而較2017年末則均呈上升之勢。

此外，為了更全面準確地評價中國金融系統的穩定性，我們還估計了中國金融機構間同業網絡，該網絡涵蓋了銀行、保險、證券等251家金融機構。基于該網絡，我們利用網絡模型分析，發現中國金融機構間的同業網絡的安全性較2017年發生了一些變化。第一，除了國家開發銀行以外，發生兌付危機時也會引發其他金融機構破產的金融機構新增了中國工商銀行和中國銀行，但會被引發倒閉的金融機構的數目均只有1家，且不會引起二次傳染。第二，國家開發銀行的安全邊際明顯提高，造成1萬億元以上損失的平均違約率從10%提高至30%，并且可能造成的最大損失也從10.5萬億元下降至4.3萬億元；而五大國有大型商業銀行的安全邊際則均出現不同程度的下降，以中國工商銀行為例，其造成1萬億元以上損失的平均違約率從47%下降至27%，其可能造成的最大損失也從2.6萬億元上升至3.7萬億元。由此可見，雖然中國金融機構間同業網絡整體穩定性有一定改善，但五大商業銀行的穩定性再次值得特別關注。

參考文獻：

[1]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布[J].經濟研究， 2007（1）.

[2]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）.

[3]Upper， Christian and Andreas Worms. Estimating Bilateral Exposures in the German Interbank Market： Is There a Danger of Contagion？[J]. European Economic Review，2004： 48.

（責任編輯：吳思）