基于貝葉斯方法的中國商業(yè)銀行同業(yè)借貸網(wǎng)絡(luò)中系統(tǒng)風(fēng)險(xiǎn)研究

嚴(yán) 冠， 劉志東

(1.中央財(cái)經(jīng)大學(xué)管理科學(xué)與工程學(xué)院, 北京 100081；2.麥考瑞大學(xué)商學(xué)院, 新南威爾士 2113)

1 引言

自2013年以來，中國金融市場發(fā)生了諸多系統(tǒng)性風(fēng)險(xiǎn)事件，這使得整個(gè)金融系統(tǒng)的風(fēng)險(xiǎn)獲得了廣泛而持續(xù)的關(guān)注，而銀行作為貨幣創(chuàng)造的重要一環(huán)、資金融通的中介機(jī)構(gòu)，關(guān)系到整個(gè)金融系統(tǒng)的正常運(yùn)轉(zhuǎn)。例如，Mitchener和Richardson[1]的研究發(fā)現(xiàn)，在大蕭條時(shí)期的美國，銀行受恐慌情緒的影響從同業(yè)資產(chǎn)中抽逃資金，它們之間相互借貸的網(wǎng)絡(luò)放大了這種風(fēng)險(xiǎn)，最終引起了顯著的信貸收縮。Billio等[2]的研究發(fā)現(xiàn)在金融危機(jī)發(fā)生前，銀行相較其他金融機(jī)構(gòu)，在風(fēng)險(xiǎn)傳染中處于更為重要的地位。朱曉謙等[3]也發(fā)現(xiàn)在中國，銀行業(yè)對金融行業(yè)系統(tǒng)風(fēng)險(xiǎn)的影響最大。而過去采用的針對金融機(jī)構(gòu)個(gè)體風(fēng)險(xiǎn)的監(jiān)管框架已然無法適應(yīng)新的形勢，金融系統(tǒng)和實(shí)體經(jīng)濟(jì)、金融系統(tǒng)內(nèi)部的聯(lián)系都在日益加深，并形成了潛在的傳染風(fēng)險(xiǎn)。

Benoit等[4]按傳染機(jī)制將系統(tǒng)風(fēng)險(xiǎn)的來源分為三類，分別是對系統(tǒng)性風(fēng)險(xiǎn)的承擔(dān)、金融機(jī)構(gòu)間關(guān)聯(lián)，以及風(fēng)險(xiǎn)擴(kuò)大機(jī)制，其中每一類渠道都有大量相關(guān)研究。系統(tǒng)性風(fēng)險(xiǎn)承擔(dān)方面，Caccioli等[5]聚焦了金融機(jī)構(gòu)之間通過持有相似的資產(chǎn)組合承擔(dān)系統(tǒng)性風(fēng)險(xiǎn)時(shí)可能造成的風(fēng)險(xiǎn)傳染。王超等[6]分析了銀行間通過共同持有資產(chǎn)建立的關(guān)聯(lián)網(wǎng)絡(luò)中，由于承擔(dān)系統(tǒng)性風(fēng)險(xiǎn)而造成的傳染。姚鴻等[7]發(fā)現(xiàn)銀行投資組合的多元化和趨同更容易引發(fā)系統(tǒng)風(fēng)險(xiǎn)，資產(chǎn)減價(jià)出售和銀行間拆借關(guān)系會加劇這種風(fēng)險(xiǎn)。針對機(jī)構(gòu)間相互關(guān)聯(lián)，Acemoglu等[8]關(guān)注銀行間直接的債權(quán)債務(wù)關(guān)系所形成的網(wǎng)絡(luò)中隱藏的系統(tǒng)風(fēng)險(xiǎn)，在理論上給出了不同網(wǎng)絡(luò)結(jié)構(gòu)下，損失的范圍與沖擊規(guī)模之間的大致關(guān)系。李江和李紅剛[9]構(gòu)建了銀行間借貸關(guān)系網(wǎng)絡(luò)，并模擬了流動(dòng)性短缺危機(jī)的傳染過程，強(qiáng)調(diào)了銀行間聯(lián)通性抑制和實(shí)現(xiàn)風(fēng)險(xiǎn)傳染的兩種相反的作用。楊海軍和胡敏文[10]模擬了單個(gè)銀行倒閉以及資產(chǎn)價(jià)格泡沫破滅兩種情況下，具有核心-邊緣結(jié)構(gòu)的銀行網(wǎng)絡(luò)中風(fēng)險(xiǎn)傳染的過程。關(guān)于風(fēng)險(xiǎn)擴(kuò)大機(jī)制，Brunnermeier和Pedersen[11]討論了流動(dòng)性危機(jī)引發(fā)的惡性循環(huán)。方意[12]考慮了銀行破產(chǎn)機(jī)制和去杠桿機(jī)制引起的連鎖反應(yīng)，分析了包括5家大型商業(yè)銀行和12家股份制商業(yè)銀行在內(nèi)的系統(tǒng)風(fēng)險(xiǎn)的傳染和擴(kuò)大。

本文對以Acemoglu等[8]為代表的理論模型進(jìn)行了驗(yàn)證和補(bǔ)充。不同于一般化、標(biāo)準(zhǔn)化的理論設(shè)定，例如黃巖渠等[13]，本文基于中國銀行系統(tǒng)中真實(shí)參與者的特征研究銀行間的風(fēng)險(xiǎn)傳染，產(chǎn)生的結(jié)果對我國目前防范和化解金融系統(tǒng)風(fēng)險(xiǎn)更加具有現(xiàn)實(shí)意義和借鑒價(jià)值；況且我國尚未發(fā)生過大規(guī)模的金融危機(jī)、銀行違約或破產(chǎn)事件，因此采用仿真模擬和壓力測試的方式測度金融系統(tǒng)風(fēng)險(xiǎn)對我國商業(yè)銀行系統(tǒng)來說較為合適，類似的研究有鄧超和陳學(xué)軍[14]以及楊子暉和李東承[15]；不同于基于股票市場價(jià)格數(shù)據(jù)進(jìn)行的研究，例如張冰潔等[16]，由于中國股票市場的有效性有待進(jìn)一步驗(yàn)證[17-18]，本文的研究將采用經(jīng)審計(jì)的資產(chǎn)負(fù)債表數(shù)據(jù)，產(chǎn)生銀行間債權(quán)債務(wù)矩陣的大量樣本，盡可能降低市場數(shù)據(jù)的偏差所帶來的影響。

由于金融機(jī)構(gòu)之間雙邊風(fēng)險(xiǎn)敞口的數(shù)據(jù)無法通過公開渠道獲得，在研究金融機(jī)構(gòu)間關(guān)聯(lián)，尤其是直接的相互借貸聯(lián)系時(shí)，產(chǎn)生了多種估計(jì)雙邊借貸矩陣的方法。例如Upper和Worms[19]提出的最大熵方法，以及Anand等[20]提出的最小密度法。大多數(shù)現(xiàn)有文獻(xiàn)，例如隋聰?shù)萚21-22]，由于當(dāng)時(shí)估計(jì)方法的限制，對金融機(jī)構(gòu)間債權(quán)債務(wù)關(guān)系矩陣的估計(jì)屬于點(diǎn)估計(jì)。而近期的研究表明，以最小交叉熵為代表的點(diǎn)估計(jì)方法得出的結(jié)構(gòu)會低估系統(tǒng)風(fēng)險(xiǎn)[23]，不能完全捕捉銀行間市場潛在的違約可能性。而貝葉斯方法能夠在給定同業(yè)資產(chǎn)以及同業(yè)負(fù)債總和的條件下，根據(jù)不同的分布函數(shù)構(gòu)建吉布斯抽樣器，抽樣出大量不同的債權(quán)債務(wù)關(guān)系矩陣，施加外在沖擊后，能夠給出每個(gè)金融機(jī)構(gòu)在負(fù)面事件發(fā)生后的違約概率及其分布，豐富了風(fēng)險(xiǎn)描述的維度，進(jìn)一步說明了點(diǎn)估計(jì)很可能是極為片面的。

另外，受數(shù)據(jù)可得性的限制，多數(shù)現(xiàn)有文獻(xiàn)在測度金融系統(tǒng)風(fēng)險(xiǎn)時(shí)選取上市的商業(yè)銀行或者規(guī)模較大的多家銀行，例如唐振鵬等[24]，銀行數(shù)量在20至30家。而眾多被忽略的中小型商業(yè)銀行機(jī)構(gòu)也是整個(gè)金融系統(tǒng)不可分割的一部分，對把握整個(gè)商業(yè)銀行系統(tǒng)的整體風(fēng)險(xiǎn)具有不可忽視的意義，大樣本的優(yōu)勢在于可以盡可能地還原中國銀行系統(tǒng)的真實(shí)結(jié)構(gòu)。

為了加深對銀行間市場系統(tǒng)風(fēng)險(xiǎn)的認(rèn)識和理解，把握銀行間市場的風(fēng)險(xiǎn)狀況，識別出較為脆弱和穩(wěn)健的金融主體，本文搜集了中國銀行系統(tǒng)內(nèi)五大全國性商業(yè)銀行、郵儲銀行、全國性股份制銀行、城市商業(yè)銀行、農(nóng)村商業(yè)銀行以及外資銀行共185家銀行的資產(chǎn)負(fù)債表信息，試圖從同業(yè)債權(quán)債務(wù)這一渠道探究系統(tǒng)風(fēng)險(xiǎn)的擴(kuò)散過程，建立這條傳導(dǎo)鏈條上較為完整的風(fēng)險(xiǎn)全景，并采用貝葉斯方法測算銀行間市場的系統(tǒng)風(fēng)險(xiǎn)。全文的內(nèi)容安排如下: 第二部分介紹不同網(wǎng)絡(luò)結(jié)構(gòu)下的模型設(shè)定，第三部分說明利用抽樣器選擇樣本的方法，第四部分基于貝葉斯方法，結(jié)合2013年至2017年中國多家銀行的資產(chǎn)負(fù)債表數(shù)據(jù)，在基準(zhǔn)網(wǎng)絡(luò)、層級網(wǎng)絡(luò)以及適應(yīng)度模型的假設(shè)下，測算了銀行間市場的系統(tǒng)風(fēng)險(xiǎn)，第五部分是對全文的總結(jié)以及相應(yīng)的政策建議。

2 模型設(shè)定

本文采用Gandy和Veraart[25]中的模型分析中國銀行間市場的系統(tǒng)風(fēng)險(xiǎn)。假設(shè)銀行系統(tǒng)由n個(gè)機(jī)構(gòu)組成，它們之間的債權(quán)債務(wù)關(guān)系形成了一個(gè)抽象的網(wǎng)絡(luò)，可以用矩陣L表示，其中Lij代表銀行i對銀行j的債務(wù)，也就是銀行j對銀行i的債權(quán)。如果令這一銀行系統(tǒng)的連接關(guān)系矩陣為A，則當(dāng)Lij>0時(shí)，Aij=1。

考慮到數(shù)據(jù)可得性，每個(gè)機(jī)構(gòu)只有總的同業(yè)債權(quán)以及同業(yè)債務(wù)金額是可知的，即矩陣L的每行金額總和以及每列金額總和是已知的。只有當(dāng)抽樣出的債權(quán)債務(wù)矩陣L符合行和以及列和的要求時(shí)，它才是一個(gè)有效的樣本。顯然，在所有行的加總值等于所有列的加總值，對角線的值為0這兩個(gè)條件下，若只有各行和以及各列和是已知的，估計(jì)矩陣L時(shí)的自由度為n2-n-(2n-1)，即n2-3n+1。

2.1 基準(zhǔn)模型

基準(zhǔn)模型可以用于構(gòu)造基準(zhǔn)網(wǎng)絡(luò)和中心-外圍網(wǎng)絡(luò)兩種結(jié)構(gòu)。在基準(zhǔn)模型中，我們首先構(gòu)造連接關(guān)系矩陣A。根據(jù)Erdos-Renyi模型，從i到j(luò)的有向邊服從參數(shù)為pij的伯努利實(shí)驗(yàn)，而各邊的權(quán)重服從指數(shù)分布，即：

P(Aij=1)=pij

Lij|{Aij=1}～Exp(λij)

其中pij和λij可以是某個(gè)固定值，從而形成典型的Erdos-Renyi網(wǎng)絡(luò)，即本文的基準(zhǔn)網(wǎng)絡(luò)，也可以設(shè)定不同的值使其成為中心-外圍網(wǎng)絡(luò)，即本文中的層級網(wǎng)絡(luò)。

在模擬的過程中，我們關(guān)注的是關(guān)于L的泛函h的分布，最典型的h是顯示違約與否的啞變量。而h的分布沒有解析解，可以用馬爾可夫鏈蒙特卡羅(MCMC)方法來近似。為了在基準(zhǔn)模型中使用吉布斯抽樣器，首先需要計(jì)算特定的條件分布。

2.2 適應(yīng)度模型

在適應(yīng)度模型中，假設(shè)p和由隨機(jī)參數(shù)θ決定，即：

θ～π(θ)

(pij,λij)i,j∈N=f(θ)

其中π是θ的先驗(yàn)分布，f有給定的函數(shù)形式。

由于p和都是隨機(jī)數(shù)值，這使得模擬出的網(wǎng)絡(luò)可以擁有現(xiàn)實(shí)網(wǎng)絡(luò)的特征，如肥尾分布或冪律分布。實(shí)際上，指數(shù)混合模型可以具體化為很多不同的概率分布函數(shù)。根據(jù)Feldmann和Whitt[26]的研究，任何單調(diào)的概率密度函數(shù)都可以看作是指數(shù)模型的一種組合，例如，ParetoⅡ型分布就可以看成指數(shù)分布的Gamma組合。

在這個(gè)網(wǎng)絡(luò)中，節(jié)點(diǎn)i被賦予隨機(jī)的適應(yīng)度xi，xi的概率密度函數(shù)為ρ，而適應(yīng)度為xi和xj的兩個(gè)節(jié)點(diǎn)之間相連的概率為f(xi,xj)。在這一模型中，銀行i的適應(yīng)度xi不僅影響到其建立連接的傾向性p，也影響這種連接的權(quán)重λ。因此在這個(gè)模型生成的網(wǎng)絡(luò)中，度分布和權(quán)重分布均服從冪律。這一假設(shè)符合實(shí)證研究中關(guān)于度分布和權(quán)重分布的實(shí)證結(jié)果，例如Boss等[27]中針對奧地利銀行間相互借貸關(guān)系研究的結(jié)論。

模型的設(shè)定如下：

Xi～Exp(1),i∈Ν,

(ζ,η)～π(ζ,η)

另外，適應(yīng)度模型中的

(1)

構(gòu)造這一連接概率函數(shù)可以使度的分布服從冪律。證明如下：

假設(shè)一個(gè)銀行只能和系統(tǒng)中除自身以外的其他n-1家銀行有借貸關(guān)系，適應(yīng)度為x的節(jié)點(diǎn)的期望出度dout(x)為

其中ρ是適應(yīng)度X的概率密度函數(shù)，根據(jù)概率密度的變換定理，隨機(jī)變量Y=dout(X)的概率密度函數(shù)為

簡化表達(dá)式后有

cdout(x)α?ρ(x)=cdout′(x)dout(x)α

(2)

將(2)式兩邊從0到x積分，

解出dout(x)有

dout(x)

(3)

令z:=x+y，有

對x求導(dǎo)有

即

(4)

3 抽樣方法

在給定行和以及列和的條件下，我們使用MCMC算法即吉布斯抽樣器從債務(wù)矩陣的分布中抽取樣本。這些樣本將用于對系統(tǒng)風(fēng)險(xiǎn)的分析，得出違約銀行數(shù)量的分布，并給出特定銀行的違約概率。

在基準(zhǔn)模型中，吉布斯抽樣器的核心是通過從聯(lián)合條件分布中抽樣來不斷更新一個(gè)或幾個(gè)參數(shù)。通常情況下，一次只更新一個(gè)參數(shù)，但有時(shí)同時(shí)更新幾個(gè)參數(shù)會更有效率。通過不斷更新，隨著更新次數(shù)增加并趨于無窮，得到趨于目標(biāo)分布的馬爾可夫鏈。

正如Robert和Casella[30]所證，為保證抽樣的有效性，應(yīng)該舍棄一段馬爾可夫鏈的前幾個(gè)樣本；為減少自相關(guān)性，應(yīng)該以特定的頻率取樣。本文所關(guān)注的是基于給定樣本的違約指示變量，即：

其中N是估計(jì)中所用的樣本數(shù)量，b是前端舍棄的樣本數(shù)量，δ代表取樣的頻率。

3.1 矩陣中被更新的元素

為了生成吉布斯抽樣器，只更新L中的某個(gè)元素是不可能的，因?yàn)榻o定L中的其他元素，這一元素是唯一確定的，因此需要同時(shí)更新L中的某個(gè)子集。最簡單的子集是一個(gè)2×2的矩陣，在這個(gè)矩陣中，若假設(shè)任意元素都是可變的，由于行和以及列和是確定的，并且所有行和的加總等于所有列和的加總，這就意味著有3個(gè)附加條件，只剩下1個(gè)自由度。但在一個(gè)3×3的矩陣中，若假設(shè)其中2×2的子矩陣是可變的，會導(dǎo)致至少有一個(gè)元素在對角線上，從而使吉布斯采樣更新失效。

因此，更加合理的更新規(guī)則是，對于k∈{2,…,n}，使用不重復(fù)的行編號(i1,i2,…,ik)以及不重復(fù)的列編號(j1,j2,…,jk)，按照以下編號的次序更新L

η=((i1,j1),(i1,j2),(i2,j2),…,(ik,jk),(ik,j1))

令這個(gè)更新環(huán)的長度為k，這個(gè)環(huán)包含了2k個(gè)元素的更新。

為了初始化這個(gè)抽樣的矩陣，若使用最大流量算法，則會得到一個(gè)稀疏矩陣，需要舍棄前端較多的樣本值。因此，我們首先抽樣出一個(gè)連接概率約等于平均度分布，且行和以及列和均小于給定值的Erdos-Renyi隨機(jī)矩陣，然后使用最大流量算法分配剩余的差值。具體來說，吉布斯抽樣器的原理如下，從一個(gè)滿足行和以及列和條件的矩陣L(t)開始，通過選擇一個(gè)上述的更新環(huán)，替換L(t)中對應(yīng)的值，其他元素不變，生成另一個(gè)滿足條件的矩陣L(t+1)。抽樣器的效率很大程度上取決于更新環(huán)的選擇，理論上來說，最好保證所有的環(huán)都有可能被抽樣到。首先，從一個(gè)離散分布中抽取環(huán)的長度k，即對于k∈{2,…,n}，抽到長度為k的環(huán)的概率為2n-k/(2n-1-1)，然后再從自然數(shù)集合中抽取(i1,i2,…,ik)和(j1,j2,…,jk)。

3.2 吉布斯抽樣器中的條件分布

如前所述，為了更新矩陣L，我們選擇長度為k∈{2,…,n}的環(huán)，以及不重復(fù)的行編號(i1,i2,…,ik)和不重復(fù)的列編號(j1,j2,…,jk)，按照η=((i1,j1),(i1,j2),(i2,j2),…,(ik,jk),(ik,j1))編號的次序更新L。令Lη為沿著編號從L中提取出來的2k個(gè)數(shù)值，令函數(shù)g為其相鄰數(shù)值的和，即：

g(x)=(x1+x2,x2+x3,…,x2k-1+x2k,x2k+x1) ?x∈R2k

其中Δ為實(shí)數(shù)。

其中#{i:xi≠0}≤2k-1。

在連續(xù)部分Δ∈(Δlow,Δup)，假設(shè)Δlow≠Δup，那么所有xi(Δ)=Li+siΔ,i=1,…,2k都為正值。隨著接近于(x1(Δ),…,x2k(Δ))的概率是

令g為一個(gè)從2k空間到2k空間的映射，g:2k→2k，且經(jīng)過標(biāo)準(zhǔn)的密度變換，有的密度函數(shù)為f(g-1(M))。因此當(dāng)時(shí)，的密度與下式成比例：

Gandy和Veraart[25]在定理中證明了此吉布斯抽樣器可以重復(fù)取到所有可能的矩陣。

4 對銀行同業(yè)借貸網(wǎng)絡(luò)的壓力測試

4.1 數(shù)據(jù)描述

本文的分析基于商業(yè)銀行的資產(chǎn)負(fù)債表數(shù)據(jù)，主要來自Bank Focus數(shù)據(jù)庫，這個(gè)數(shù)據(jù)庫涵蓋了中國境內(nèi)的銀行類金融機(jī)構(gòu)，包括商業(yè)銀行、投資銀行以及其他類銀行金融機(jī)構(gòu)。受制于數(shù)據(jù)可得性，本文的樣本期是2013年至2017年，分析共涵蓋185家商業(yè)銀行，這些銀行的總資產(chǎn)規(guī)模達(dá)到了194.368萬億人民幣，占中國所有商業(yè)銀行總資產(chǎn)規(guī)模的至少94.45%。根據(jù)表1，本文樣本在樣本區(qū)間內(nèi)具有較好的代表性，避免了以往同類型分析中，樣本不足帶來的“有限樣本問題”。不同類型銀行在樣本區(qū)間內(nèi)資產(chǎn)總額的描述性統(tǒng)計(jì)顯示，大部分農(nóng)村商業(yè)銀行和外資法人銀行的規(guī)模遠(yuǎn)不及大型商業(yè)銀行，甚至是股份制商業(yè)銀行。即便如此，這些銀行也是行業(yè)中不可忽視的參與者，考慮這些銀行可以幫助我們更全面地從動(dòng)態(tài)的視角理解銀行體系。

表1 歷年樣本銀行的代表性(單位：億人民幣)

由于樣本銀行的分布均有不同程度的偏度，因此我們選擇更加具有代表性的中位數(shù)來觀察不同類型樣本銀行的統(tǒng)計(jì)特征。同業(yè)資產(chǎn)占總資產(chǎn)的比重顯示了其在銀行間網(wǎng)絡(luò)風(fēng)險(xiǎn)傳染中的脆弱性，從這個(gè)指標(biāo)來看，外資銀行最有可能受到傳染性風(fēng)險(xiǎn)的沖擊，因?yàn)槠涑钟型瑯I(yè)資產(chǎn)的比重顯著高于行業(yè)平均水平。尤其在其他類型銀行大幅收縮同業(yè)資產(chǎn)的背景下，其同業(yè)資產(chǎn)占比與其他類型銀行的差距更加明顯，例如2014年占比達(dá)到了30.5%，2017年占比仍然有四分之一；而股份制銀行的同業(yè)資產(chǎn)占比則在樣本時(shí)期內(nèi)下降幅度最大，從17.4%下降到4.9%；大型商業(yè)銀行的同業(yè)資產(chǎn)占比則一直低于10%。如果說同業(yè)資產(chǎn)占比代表了因傳染而遭受損失的潛力，那么同業(yè)負(fù)債與資本的比率則代表了某銀行一旦違約，它將此風(fēng)險(xiǎn)傳染給其他銀行的潛力。從這一指標(biāo)來看，股份制商業(yè)銀行的“殺傷力”最強(qiáng)，尤其是在2016年，同業(yè)負(fù)債是資本的近五倍；城市商業(yè)銀行的同業(yè)負(fù)債與資本的比率則逐年上升，2017年達(dá)到了3.68。

參考劉春航和朱元倩[31]，方意[12]以及業(yè)界的一般定義，商業(yè)銀行資產(chǎn)負(fù)債表中的“存放同業(yè)和其他金融機(jī)構(gòu)款項(xiàng)”，“拆出資金”以及“買入返售金融資產(chǎn)”三個(gè)科目屬于同業(yè)往來資產(chǎn)，“同業(yè)和其他金融機(jī)構(gòu)存放款項(xiàng)”，“拆入資金”以及“賣出回購金融資產(chǎn)”三個(gè)科目屬于同業(yè)往來負(fù)債。本文重點(diǎn)分析銀行系統(tǒng)內(nèi)部由于相互借貸關(guān)系隱藏的系統(tǒng)風(fēng)險(xiǎn)，因此將商業(yè)銀行資產(chǎn)負(fù)債表簡化為表2，其中ai=ci(L)表示某銀行的同業(yè)資產(chǎn)數(shù)額，代表債權(quán)債務(wù)矩陣某一列的總和，li=ri(L)表示某銀行的同業(yè)負(fù)債數(shù)額，代表債權(quán)債務(wù)矩陣某一行的總和。圖1顯示了樣本銀行組成的系統(tǒng)中，同業(yè)資產(chǎn)及總資產(chǎn)自2013年至2017年的規(guī)模變化。從圖中可以看出，銀行系統(tǒng)的總資產(chǎn)規(guī)模以較為穩(wěn)定的速度逐年增長，而同業(yè)資產(chǎn)則逐漸收縮。

表2 進(jìn)一步簡化的商業(yè)銀行資產(chǎn)負(fù)債表

4.2 沖擊類型和清算機(jī)制

Φ(c(s))i

4.3 基準(zhǔn)網(wǎng)絡(luò)中參數(shù)的敏感性分析

在本文的分析中，整個(gè)系統(tǒng)是先受到外生沖擊，然后因?yàn)橄嗷ミB接而使初始違約具有了傳染效應(yīng)。在考慮破產(chǎn)成本，即回收率不為1的前提下，沖擊則會引發(fā)更大范圍的損失。這個(gè)過程中共有5個(gè)關(guān)鍵的外生參數(shù)，本節(jié)將對這五個(gè)參數(shù)進(jìn)行敏感性分析，具體的設(shè)定詳見表3。本文所選擇的沖擊規(guī)模與同類型的研究類似。

4.3.1 沖擊的規(guī)模

本節(jié)為了分析銀行違約對沖擊規(guī)模的敏感性程度，設(shè)計(jì)了三種規(guī)模的外生沖擊，分別是2萬億，4萬億和6萬億，其中4萬億大約是2013年全國GDP的6.75%。

表3 基準(zhǔn)網(wǎng)絡(luò)中的參數(shù)設(shè)定

歷年違約銀行的數(shù)量顯示，沖擊規(guī)模對銀行系統(tǒng)中違約機(jī)構(gòu)的數(shù)量有顯著的影響，在其他參數(shù)一定的條件下，規(guī)模較大的沖擊造成的負(fù)面影響不會小于規(guī)模較小的沖擊。以2013年為例，對比6家股份制商業(yè)銀行分別受到2萬億和6萬億的損失沖擊，也可以看出負(fù)面沖擊規(guī)模的上升擴(kuò)大了可能違約的銀行集合。從時(shí)間維度來看，2017年的銀行系統(tǒng)最穩(wěn)健，由于大幅收縮的同業(yè)資產(chǎn)規(guī)模，銀行間通過相互借貸產(chǎn)生的聯(lián)系變少，傳染的可能性下降，因此違約只集中在因外部沖擊而破產(chǎn)的銀行，而極少傳遞到系統(tǒng)內(nèi)的其他機(jī)構(gòu)。反之，2014年的銀行系統(tǒng)十分脆弱，盡管和2013年一樣，受到初始沖擊的銀行都違約了，但是后續(xù)受到影響的銀行變多了。

從2013年6家股份制銀行遭受6萬億沖擊后其他銀行的違約概率可以看出，一開始因?yàn)檫B接概率較小，網(wǎng)絡(luò)較為稀疏，為了能夠完全分配每個(gè)銀行的同業(yè)資產(chǎn)和負(fù)債，初始違約銀行與和其同業(yè)規(guī)模相似的銀行連接的概率更大，因此只有較少的銀行有違約的可能性，但其違約的概率較大。隨著網(wǎng)絡(luò)連接概率的上升，初始違約銀行開始與更多的銀行建立聯(lián)系，從而將違約擴(kuò)散到了更多的銀行。隨著連接概率進(jìn)一步上升，達(dá)到完全網(wǎng)絡(luò)的結(jié)構(gòu)，由于有更多的銀行參與分擔(dān)原始沖擊，因傳染而違約的銀行并沒有變多，但違約概率受到所形成網(wǎng)絡(luò)結(jié)構(gòu)不同的影響，分布出現(xiàn)了明顯的差異。

2016年度6家股份制銀行受到6萬億沖擊后的違約概率顯示出類似的趨勢。但由于同業(yè)規(guī)模的收縮，與初始違約銀行形成債務(wù)關(guān)系的銀行，相比較2013年變化很大，這反映了不同的網(wǎng)絡(luò)結(jié)構(gòu)所帶來了傳染性違約分布的差異。

4.3.2 受沖擊銀行的類型

在本節(jié)中，受沖擊的銀行有三類，分別是大型商業(yè)銀行，股份制銀行和城市商業(yè)銀行。在沖擊規(guī)模和受沖擊的銀行數(shù)量相同的條件下，不同類型銀行受沖擊后違約概率不為0的銀行數(shù)量顯示，大型商業(yè)銀行成為損失銀行后對整個(gè)系統(tǒng)產(chǎn)生的沖擊最小。這是因?yàn)椋环矫妫軌蚴蛊渌麅深愩y行違約的損失有時(shí)不足以使大型銀行違約，尤其是傳統(tǒng)意義上的“五大行”(工行，農(nóng)行，中行，建行，交行)；另一方面，只要受沖擊的銀行不違約，即，只要其資本可以抵補(bǔ)沖擊所產(chǎn)生的損失，銀行間的相互借貸關(guān)系就不會成為風(fēng)險(xiǎn)傳染的渠道，也就不會因?yàn)槠飘a(chǎn)成本引發(fā)新一輪的損失。

但是股份制銀行和城市商業(yè)銀行受到?jīng)_擊后對系統(tǒng)的影響則取決于具體年份里相互借貸資產(chǎn)形成的網(wǎng)絡(luò)結(jié)構(gòu)，例如在2013年至2016年，股份制銀行受到?jīng)_擊后對系統(tǒng)的影響比城市商業(yè)銀行更大，而在2017年，城市商業(yè)銀行卻成為了銀行大面積違約的導(dǎo)火索。這可能與各類銀行同業(yè)負(fù)債和資本的比率有關(guān)，一般來說，如果同業(yè)負(fù)債的規(guī)模較大，此銀行一旦違約產(chǎn)生的負(fù)面影響也會比較大。總的來說，每年的違約情形仍然取決于具體的網(wǎng)絡(luò)結(jié)構(gòu)，例如2013年和2014年的初始違約銀行數(shù)量都是相同的，但是傳染性違約的情況卻大不相同。從時(shí)間維度來看，風(fēng)險(xiǎn)傳染意義上系統(tǒng)最不穩(wěn)健的年份依然是2014年，這可能與外資銀行有關(guān)。外資銀行的同業(yè)資產(chǎn)占比一直顯著高于其他類型的銀行，而其同業(yè)資產(chǎn)占比在2014年又達(dá)到最高，說明這一類銀行比較容易通過同業(yè)資產(chǎn)負(fù)債的關(guān)聯(lián)渠道遭受損失。

2016年6家股份制銀行和6家城市商業(yè)銀行遭受2萬億損失沖擊后傳染性違約概率的對比顯示了不同類型商業(yè)銀行遭受規(guī)模相同的損失沖擊后對整個(gè)系統(tǒng)內(nèi)其他銀行違約概率的影響。如前所述，由于產(chǎn)生債權(quán)債務(wù)關(guān)系的銀行對象不同，沖擊后受到傳染而違約的銀行集合也有所不同，股份制銀行的同業(yè)負(fù)債比率較高，其違約后對系統(tǒng)的負(fù)面影響也較大。相似的是，當(dāng)同業(yè)資產(chǎn)和負(fù)債形成完全網(wǎng)絡(luò)結(jié)構(gòu)之后，有違約可能性的銀行的違約概率在兩種情形下都有下降的趨勢。

4.3.3 受沖擊銀行的數(shù)量

最后一個(gè)與沖擊有關(guān)的參數(shù)是受沖擊的銀行數(shù)量。從違約銀行數(shù)量的結(jié)果來看，6家銀行受到損失沖擊后所產(chǎn)生的影響，在90%情況下，比只有某一家銀行受到同樣規(guī)模的沖擊要大。而12家銀行受到?jīng)_擊與6家銀行受到?jīng)_擊后影響到的銀行數(shù)量則取決于不同的網(wǎng)絡(luò)連接概率以及同業(yè)資產(chǎn)和同業(yè)負(fù)債的分布。

在沖擊產(chǎn)生負(fù)面影響的過程中，一開始受到?jīng)_擊的銀行是否違約十分重要。2016至2017年，遭受初始沖擊的銀行越多，有違約可能性的銀行越多。這是因?yàn)槭艿匠跏紱_擊的銀行越多，可能因此違約的銀行越多，與這些違約相關(guān)的破產(chǎn)成本進(jìn)一步擴(kuò)大了原始沖擊的規(guī)模。與此同時(shí)，和這些受到初始沖擊的銀行有同業(yè)關(guān)系的銀行也變多了，因此有潛在違約風(fēng)險(xiǎn)的銀行就增加了。

不僅是初始違約的銀行數(shù)量，這些銀行的“質(zhì)量”，即受到初始沖擊后第一輪違約的銀行的特征也十分重要，這體現(xiàn)在2013至2015年。雖然當(dāng)12家股份制銀行同時(shí)受到初始沖擊時(shí)，第一輪違約的銀行也較多，但是由于分擔(dān)到每個(gè)銀行的損失減小了，因此違約的銀行就是12家銀行中規(guī)模較小、資本實(shí)力不足的一部分銀行。與這些銀行產(chǎn)生連接的銀行數(shù)量，相比規(guī)模排名靠前的6家銀行而言要少，因此破產(chǎn)后波及的范圍比較小。而當(dāng)6家股份制銀行遭受初始沖擊時(shí)，對象是規(guī)模較大，資本實(shí)力較強(qiáng)的一批銀行，考慮到小于1的資本回收率，這些銀行在違約后的破產(chǎn)成本較大，進(jìn)一步擴(kuò)大了沖擊的規(guī)模。再加上，與這些銀行建立債權(quán)債務(wù)關(guān)系的銀行也比較多，這就是2013年至2015年，6家銀行遭受沖擊要比12家銀行同時(shí)遭受損失更加嚴(yán)重的原因。

4.3.4 銀行系統(tǒng)內(nèi)外資產(chǎn)的回收率

一般來說，資產(chǎn)的回收率越高，銀行的損失越少，越不易引發(fā)其他銀行的損失和違約，違約銀行數(shù)量的結(jié)果證實(shí)了這一關(guān)系。對比系統(tǒng)內(nèi)資產(chǎn)回收率的敏感性分析，系統(tǒng)外資產(chǎn)回收率的變化產(chǎn)生的影響更加顯著。這是因?yàn)橄到y(tǒng)外資產(chǎn)的比例較高，其回收率0.1的變化所對應(yīng)的規(guī)模是系統(tǒng)內(nèi)資產(chǎn)回收率0.1變化的數(shù)倍。

4.4 層級網(wǎng)絡(luò)

眾多實(shí)證研究表明，現(xiàn)實(shí)中的金融網(wǎng)絡(luò)存在層級結(jié)構(gòu)，或者說中心-外圍網(wǎng)絡(luò)結(jié)構(gòu)。因此本節(jié)將區(qū)分系統(tǒng)中的n(l)個(gè)大銀行和n(s)個(gè)小銀行，在更為現(xiàn)實(shí)的假設(shè)下討論中國銀行系統(tǒng)的穩(wěn)健性以及不同銀行的違約概率。

在層級網(wǎng)絡(luò)中，大銀行與其他銀行連接的概率p(l)大于小銀行與其他小銀行連接的概率p(s)。為了使層級網(wǎng)絡(luò)與ER網(wǎng)絡(luò)具有可比性，兩種網(wǎng)絡(luò)結(jié)構(gòu)中期望的連接數(shù)應(yīng)該相同，那么參數(shù)n(l),n(s),p(l),p(ER)必須滿足如下條件：

p(s)={n(n-1)p(ER)-n(l)(n-1)p(l)-n(l)n(s)p(l)}/n(s)(n(s)-1)

表4 層級網(wǎng)絡(luò)下的三組參數(shù)設(shè)定

層級網(wǎng)絡(luò)和基準(zhǔn)網(wǎng)絡(luò)設(shè)定下不同規(guī)模的沖擊后可能違約的銀行數(shù)量顯示，從風(fēng)險(xiǎn)傳染的意義上看，層級網(wǎng)絡(luò)和基準(zhǔn)網(wǎng)絡(luò)中沒有哪一種結(jié)構(gòu)顯著優(yōu)于另一種。

相較于基準(zhǔn)網(wǎng)絡(luò)，層級網(wǎng)絡(luò)中的小銀行之間連接概率小。在某些情況下，股份制銀行因?yàn)槌跏紱_擊而違約，但作為小銀行，與其產(chǎn)生債務(wù)關(guān)系的銀行較少，因此有違約概率的銀行數(shù)量減少，違約概率下降。以2014年6家股份制銀行遭受總規(guī)模為2萬億的沖擊為例，假設(shè)層級網(wǎng)絡(luò)的總體連接概率為0.3，有違約概率的銀行及其在基準(zhǔn)網(wǎng)絡(luò)和層級網(wǎng)絡(luò)中違約概率的對比顯示，系統(tǒng)中有43家銀行存在違約風(fēng)險(xiǎn)。有29家銀行在兩種網(wǎng)絡(luò)結(jié)構(gòu)下一定會違約，其他的14家銀行中，除了北京農(nóng)商銀行、河北銀行以及甘肅銀行外，其他銀行在層級網(wǎng)絡(luò)下的違約概率較基準(zhǔn)網(wǎng)絡(luò)下降了。在另一些情況下，由于初始違約銀行的對手方數(shù)量較少，因此這些對手方分擔(dān)到的損失規(guī)模較大，以致于在層級網(wǎng)絡(luò)下，違約的銀行增多，違約的概率上升。

類似地，當(dāng)不同類型的銀行遭受初始沖擊時(shí)，由于連接概率變化所產(chǎn)生的兩種相反的作用，并不能確定層級網(wǎng)絡(luò)和基準(zhǔn)網(wǎng)絡(luò)哪一種更容易擴(kuò)散風(fēng)險(xiǎn)。層級網(wǎng)絡(luò)和基準(zhǔn)網(wǎng)絡(luò)下不同類型的6家銀行遭受2萬億沖擊時(shí)可能違約的銀行數(shù)量顯示了這種不確定性，由于每年同業(yè)資產(chǎn)負(fù)債的分布所形成的網(wǎng)絡(luò)結(jié)構(gòu)不同，無論受到初始沖擊的是哪類銀行，都無法確定層級網(wǎng)絡(luò)或基準(zhǔn)網(wǎng)絡(luò)中哪一種結(jié)構(gòu)的傳染效應(yīng)更加嚴(yán)重。以城市商業(yè)銀行受到?jīng)_擊為例，2017年城市商業(yè)銀行遭到2萬億損失后總體連接概率為0.7的系統(tǒng)中有30家銀行可能違約，其中，北京農(nóng)商、廣州農(nóng)商、廈門國際、成都農(nóng)商以及吉林銀行在兩類網(wǎng)絡(luò)結(jié)構(gòu)下的違約概率相同，而成都銀行、紫金農(nóng)商、廈門農(nóng)商、科技農(nóng)商、大華中國以及中小企業(yè)銀行則在層級網(wǎng)絡(luò)下更不易違約，其余19家銀行均在層級網(wǎng)絡(luò)下有更高的違約概率。

4.5 適應(yīng)度模型

不同于在層級網(wǎng)絡(luò)中人為選定處于中心位置的機(jī)構(gòu)并賦予較高的連接概率，適應(yīng)度模型更加接近現(xiàn)實(shí)中的銀行間債權(quán)債務(wù)網(wǎng)絡(luò)，因此本節(jié)討論了適應(yīng)度模型下發(fā)生負(fù)面事件后中國銀行系統(tǒng)中有違約概率的機(jī)構(gòu)。在適應(yīng)度模型中，所有銀行的適應(yīng)度值服從指數(shù)分布，而適應(yīng)度也決定了銀行之間產(chǎn)生同業(yè)往來的概率以及它們之間債權(quán)債務(wù)量的規(guī)模。MCMC抽樣器會更新參數(shù)集θ，θ中包括適應(yīng)度x和參數(shù)ζ和η。每一次參數(shù)集的更新，都對應(yīng)著連接矩陣的更新。

參數(shù)α，β和γ描述了借貸網(wǎng)絡(luò)中銀行間的連接概率。α代表節(jié)點(diǎn)出度所服從的冪律分布的參數(shù)，α的值越大，網(wǎng)絡(luò)的平均度越高。但網(wǎng)絡(luò)的平均度對α較為不敏感，保持β=0.2以及γ=1不變，α從-4變化到-2，網(wǎng)絡(luò)的平均度只從0.29增加到0.402。而γ和β則是節(jié)點(diǎn)之間建立連接的概率的上下限，適應(yīng)度最大的銀行有大約γ(n-1)的債權(quán)人銀行，而適應(yīng)度為0的銀行有大約β(n-1)的債權(quán)人銀行。β和γ的值越接近，網(wǎng)絡(luò)中節(jié)點(diǎn)度的同質(zhì)化程度越高。β值越高，網(wǎng)絡(luò)的平均度越高，同時(shí)度的同質(zhì)化程度也在提高。令α=-2.5，γ=1，β從0.1變化到0.7，網(wǎng)絡(luò)的平均度從0.212上升到0.828。相比之下，網(wǎng)絡(luò)的平均度對γ的變化較為不敏感。當(dāng)α=-2.5，β=0.2時(shí),γ從0.5上升到1，平均度只從0.295上升到0.364。這是因?yàn)檫m應(yīng)度模型中只存在很少一部分度值較大的銀行，這些銀行的債權(quán)人增加并不會對整個(gè)網(wǎng)絡(luò)的平均度造成太大的影響，而絕大多數(shù)銀行的度值較小，這些銀行增加債權(quán)人則會影響到整個(gè)網(wǎng)絡(luò)的平均度。

若設(shè)定α=-2.5,β=0.4,γ=0.7，則網(wǎng)絡(luò)的總體連接概率為0.5156。假設(shè)2013年不同類型的六家銀行同時(shí)遭受總規(guī)模為2萬億的沖擊，那么當(dāng)6家大型商業(yè)銀行或股份制商業(yè)銀行遭受沖擊時(shí)，在三類不同的網(wǎng)絡(luò)結(jié)構(gòu)假設(shè)下系統(tǒng)內(nèi)的違約情形很類似。而當(dāng)6家城市商業(yè)銀行遭受總規(guī)模為2萬億的沖擊時(shí)，基準(zhǔn)網(wǎng)絡(luò)下只有2家銀行可能因傳染而違約，層級網(wǎng)絡(luò)下僅有1家，而在適應(yīng)度模型中，城市商業(yè)銀行一旦違約，這種影響可能波及其他17家銀行。雖然其中有9家銀行的違約概率不到1%，但這說明城市商業(yè)銀行即便規(guī)模較小，作為系統(tǒng)中的參與者，其風(fēng)險(xiǎn)防范對整個(gè)系統(tǒng)仍然具有重要意義。

若2013年6家股份制銀行或6家城市商業(yè)銀行遭受2萬億損失沖擊，根據(jù)基準(zhǔn)網(wǎng)絡(luò)、層級網(wǎng)絡(luò)以及適應(yīng)度模型三種不同結(jié)構(gòu)下銀行的違約概率，我們發(fā)現(xiàn)，當(dāng)股份制銀行成為初始違約的機(jī)構(gòu)時(shí)，適應(yīng)度模型下的違約概率更加分散，分擔(dān)了規(guī)模較大的銀行的違約風(fēng)險(xiǎn)，這種效應(yīng)在總體連接概率較低時(shí)尤其明顯。而在總體連接概率較高時(shí)，適應(yīng)度模型下系統(tǒng)的穩(wěn)健性至少是優(yōu)于基準(zhǔn)網(wǎng)絡(luò)的。而當(dāng)初始違約機(jī)構(gòu)是城市商業(yè)銀行時(shí)，基準(zhǔn)網(wǎng)絡(luò)和層級網(wǎng)絡(luò)中的風(fēng)險(xiǎn)集中在郵儲銀行和一些規(guī)模較大的銀行上，而適應(yīng)度模型中的風(fēng)險(xiǎn)則分散在眾多小規(guī)模銀行中。適應(yīng)度模型下，有違約概率的銀行增加了，但這些銀行的違約概率并不高，至多在10%左右。因此在這個(gè)意義上，基準(zhǔn)網(wǎng)絡(luò)、層級網(wǎng)絡(luò)、適應(yīng)度模型中，沒有哪一種網(wǎng)絡(luò)結(jié)構(gòu)是嚴(yán)格最優(yōu)的，需要在一家銀行有極高違約概率和眾多銀行有較低違約概率中權(quán)衡。

5 結(jié)語

本文討論了不同網(wǎng)絡(luò)結(jié)構(gòu)假設(shè)下，銀行的同業(yè)借貸作為金融系統(tǒng)風(fēng)險(xiǎn)的傳導(dǎo)渠道之一，可能帶來的違約效應(yīng)。利用貝葉斯方法抽樣出不同的借貸關(guān)系網(wǎng)絡(luò)，將多家銀行的系統(tǒng)外資產(chǎn)損失作為沖擊事件，本文模擬出2013年至2017年的銀行系統(tǒng)在不同沖擊作用下表現(xiàn)出的違約結(jié)果和傳染效應(yīng)，這些結(jié)果反映了不同銀行的風(fēng)險(xiǎn)信息。在滿足巴塞爾協(xié)議Ⅲ資本充足率水平不足以控制我國銀行違約率在0.1%內(nèi)的背景下[15]，本文所產(chǎn)生的風(fēng)險(xiǎn)測度有助于針對不同銀行制定科學(xué)的額外緩沖資本要求。主要結(jié)論有:

銀行間借貸網(wǎng)絡(luò)的結(jié)構(gòu)能夠在很大程度上影響銀行違約的概率。從本文的分析結(jié)果來看，基準(zhǔn)網(wǎng)絡(luò)、層級網(wǎng)絡(luò)以及適應(yīng)度模型這三種不同設(shè)定下的銀行借貸網(wǎng)絡(luò)產(chǎn)生了截然不同的違約結(jié)果。不同的網(wǎng)絡(luò)結(jié)構(gòu)只是改變了沖擊所造成銀行違約的概率分布的變化，不能確定基準(zhǔn)網(wǎng)絡(luò)和層級網(wǎng)絡(luò)中哪一種結(jié)構(gòu)在風(fēng)險(xiǎn)傳染的意義上是絕對優(yōu)于另一種的。而在適應(yīng)度模型中，風(fēng)險(xiǎn)不再集中于規(guī)模較大的銀行上，尤其是當(dāng)總體連接概率較低時(shí)，眾多小銀行會有潛在的違約可能性。

總體的連接概率是描述網(wǎng)絡(luò)結(jié)構(gòu)的另一個(gè)維度，它對違約概率的影響取決于兩種作用的強(qiáng)弱對比：一種作用是，隨著連接程度上升，普通銀行與破產(chǎn)銀行建立聯(lián)系的概率增加，從而增加了可能違約銀行的數(shù)量以及違約的概率；另一種作用是，由于與破產(chǎn)銀行建立關(guān)系的銀行變多了，分擔(dān)到每個(gè)被連接銀行的損失規(guī)模會減小，從而降低了其他銀行破產(chǎn)的可能性。總之，銀行同業(yè)借貸既可以起到風(fēng)險(xiǎn)分擔(dān)的作用，也成為了風(fēng)險(xiǎn)傳染的一種渠道，這種角色的轉(zhuǎn)換取決于總體連接概率與以下幾類因素之間的相互作用：

1．沖擊涉及的銀行類型。在損失沖擊的規(guī)模不超過其能承受的限度時(shí)，大型商業(yè)銀行成為損失銀行后對整個(gè)系統(tǒng)產(chǎn)生的沖擊最小，因?yàn)樾酆竦馁Y本實(shí)力使其對沖擊的抵御能力最強(qiáng)。而如果是其他類型的銀行遭到初始沖擊，那么當(dāng)這些銀行涉及的資產(chǎn)規(guī)模較大時(shí)，由于破產(chǎn)后回收率不為1，沖擊的規(guī)模會被放大，對系統(tǒng)產(chǎn)生更強(qiáng)的破壞力。

2．銀行自身資產(chǎn)負(fù)債表的特征。一般來說，如果同業(yè)負(fù)債的規(guī)模較大，此銀行一旦違約產(chǎn)生的負(fù)面影響也較大；另一方面，同業(yè)資產(chǎn)占比較高的銀行更容易由于同業(yè)渠道被傳染而遭受損失。因此，對單個(gè)銀行來說，采用更為穩(wěn)健的經(jīng)營策略，提高資本充足性，降低同業(yè)資產(chǎn)占比會降低其違約概率。

3．沖擊對象的數(shù)量。相較于1家銀行被攻擊，6家銀行共同遭受沖擊產(chǎn)生的負(fù)面影響更大。這說明對整個(gè)銀行系統(tǒng)來說，同質(zhì)化的經(jīng)營策略會影響系統(tǒng)的穩(wěn)健性，若一定數(shù)量的銀行由于承擔(dān)類似的市場風(fēng)險(xiǎn)而同時(shí)遭受沖擊，這會比某一家銀行遭受沖擊產(chǎn)生更大的影響。

4．沖擊的規(guī)模。在基準(zhǔn)網(wǎng)絡(luò)和層級網(wǎng)絡(luò)中，規(guī)模較大的沖擊造成的負(fù)面影響不會小于規(guī)模較小的沖擊。也就是說，控制總體的損失風(fēng)險(xiǎn)對減少風(fēng)險(xiǎn)傳染的影響有重要意義。

5．清算時(shí)的資產(chǎn)貶值程度。由于小于1的資產(chǎn)回收率，危機(jī)一旦造成銀行破產(chǎn)就會進(jìn)一步造成更大規(guī)模的損失，擴(kuò)大了影響的范圍。這也成為了眾多有系統(tǒng)重要性的金融機(jī)構(gòu)被政府救助從而無法倒閉的理由。

以上這些結(jié)論與Acemoglu等[8]構(gòu)建的理論模型下的結(jié)論一致，本文則是從實(shí)證的角度，結(jié)合中國銀行系統(tǒng)的實(shí)際情況，提供了更有現(xiàn)實(shí)意義的分析和結(jié)論。此外，從時(shí)間維度來看，2017年的銀行系統(tǒng)最為穩(wěn)健，由于大幅收縮的同業(yè)資產(chǎn)規(guī)模，銀行間通過相互借貸產(chǎn)生的聯(lián)系變少，傳染的可能性下降，因此違約只集中在因外部沖擊而破產(chǎn)的銀行，而極少傳遞到系統(tǒng)內(nèi)的其他機(jī)構(gòu)；而2014年是整個(gè)樣本期內(nèi)系統(tǒng)最脆弱的一年。