基于共同加權網絡的銀企信貸與銀行系統風險

郝清民 張 玲

(天津大學,天津 300072)

一、引言及相關文獻回顧

COVID-19疫情以來，中國經濟下行壓力加大，潛在風險隱患短期內難以消除，局部金融風險加速積累。通過近幾年的結構性去杠桿，商業銀行的貸款數據及其趨勢發生了顯著結構性變化。四川、山西、遼寧多地的城商行出現合并現象。在此背景下，銀企之間的信貸業務對銀行系統風險有哪些影響？銀企貸款的信用網絡對銀行系統風險的影響有多大？基于信用貸款構建的信用網絡，如果再加上銀行內部同業拆借內部網絡，不同層級的金融網絡及其特征對銀行系統風險有哪些影響？對這些問題的研究，對調整信貸結構和抵御金融系統風險具有重要的理論意義和現實參考價值。

國內外通過復雜網絡方法對銀行系統風險的研究主要集中在以下兩方面：

一是基于銀行系統內部體系不同主體的復雜結構性視角，建立銀行同業關聯網絡。相關研究多認為銀行之間的高連通性可分散系統風險。(1)銀行網絡結構的模擬和建模。Allen et al.(2000)運用復雜網絡分析金融體系網絡結構與風險間關系，認為風險傳染與金融系統內部關聯性有關、完全連接型比不完全連接型網絡能夠分擔更多的風險。Battiston et al.(2012)認為銀行體系會出現太中心化而不倒的現象。Long et al.(2017)構建銀行間市場網絡，發現隨機金融網絡比無規模網絡更具彈性。(2)基于銀行實際財務交易等的數據。Glasserman et al.(2015)認為歐洲銀行體系的節點異構、高杠桿、高連通性帶來的系統風險的放大沖擊比溢出效應更重要。Nier et al.(2007)利用銀行資產負債表建立銀行網絡，發現低連通性增強傳染性，而在高連通性下,連通性增強能夠消化傳染性。Bats et al.(2020)認為22國OECD數據銀行端融資結構比市場端融資結構更容易帶來系統風險。

二是基于銀行體系和外部企業的風險傳染性視角，研究銀行和企業的信貸網絡。銀行信用貸款使金融系統相互依賴形成復雜金融網絡(Allen et al.,2009)。銀企之間通過信用貸款業務形成復雜關系。銀企貸款網絡提供風險共擔機制，個體之間容易傳染形成銀行系統風險。企業違約通過貸款網絡傳播，但隨利率和時期具有相對穩定模式。銀行與上市公司之間的復雜信貸網絡具有演化特征與風險傳染特征(張玲,2018)。銀行通過分散對外投資組合、降低銀行拆借比例，逐步緩解銀行系統風險(姚鴻 等,2019)。中國177家銀行數據顯示，銀行系統傳染性風險逐年提高，股份銀行會誘發系統風險；銀行間杠桿增加在面臨外部沖擊時期望損失與風險傳染更大，顯著提高銀行系統風險(楊子暉 等,2018)。

另外，與銀行系統風險有關的文獻方面。De Nicolo et al.(2004)的結論與Martinez-Miera et al.(2010)相似，認為銀行間過度競爭和金融過度自由化容易引發金融危機。Beck et al.(2006)構建邏輯回歸模型，發現業務集中度與銀行危機有關系。Dasgupta(2004)建立銀行風險傳染模型，認為銀行間持有資產同質性降低銀行應對流動性風險能力。Iyer et al.(2011)通過檢驗同業金融機構之間的傳染，認為經營情況較差的銀行受傳染性更大。Acemoglu et al.(2012)認為金融創新一般要早于監管識別，導致監管缺乏和監管放松，加重金融系統性風險。楊子暉等(2018)從網絡建模角度、陶玲等(2016)從指標體系構建等角度，對中國銀行的系統風險進行了研究，將金融系統風險擴散機制歸納為信貸緊縮、流動性緊縮和資產價格波動等機制。貨幣危機和銀行危機具有一定關系(馬恩濤 等,2019)。范小云等(2021)基于2007—2018年中國32家銀行季度數據，探索銀行業網絡的核心-外圍層次結構，實證甄別中國的系統重要性銀行。

綜上，可以發現，由于銀行間實際數據匱乏，已有研究多通過理論模擬或者構建數學網絡模型進行模擬分析。已有部分實證研究中，主要依據十幾家上市銀行的信貸交易數據，無法提供翔實的銀企信貸數據。另外，已有銀行網絡的傳染性研究很少考慮銀行節點間不同權重關系，基于已有上市銀行數據還無法研究銀行系統貸款的網絡聯系特征。諸多限制導致銀行系統風險的研究亟需深入。

本文可能的邊際貢獻在于：(1)從信用貸款關系結構性視角，不同于已有研究主要依賴十幾家上市銀行信貸數據。本文從企業端而不是銀行端，把約1400家上市公司的具體銀行貸款數據，通過歸總得到327家銀行總行級別，拓展了楊子暉等(2018)和范小云等(2021)的樣本空間。通過公司對應銀行貸款關系，構建銀行信貸共同網絡，彌補銀行間缺乏對應實際連接數據的問題。(2)從銀行系統風險的傳染性視角，通過二分網絡方法，把企業和銀行間的借貸次數映射到銀行共同網絡；將銀行與不同企業的合作次數作為權重，為銀行共同網絡邊進行賦值構建加權網絡，延伸傳統復雜網絡的結構特性，加強外部公司貸款對銀行系統沖擊的權重分析。(3)通過分析2007—2016年銀企網絡結構特性的動態演進，探究銀企網絡動態結構對銀行系統風險的影響，以及信貸網絡傳染性對銀行系統風險的作用。

二、網絡模型構建與數據

借鑒Albert et al.(2001)的二分網絡方法，根據公司J從銀行I的貸款數據，由兩類不同性質節點構建信用貸款網絡。用Ii、Jj(i=1,2,3,…,m;j=1,2,3,…,n)分別表示銀行Ii與公司Jj間借貸關系，建立銀企信貸二分網絡，如圖1a所示，并將圖1a銀企兩類節點二分網絡映射到圖1b以銀行為主的加權網絡。

圖1a是包含銀行和企業兩類主體的二分網絡。通過共同企業信貸業務將I1和I2銀行關系鏈接起來。I1和I2銀行通過J2、J4兩家公司4筆貸款業務，形成I1和I2銀行之間共同關系，映射方式到如圖1b所示。因此，兩個銀行間鏈接權重為兩個企業(J2、J4)，數值為2代表銀行共同借貸公司數量，依此構建加權網絡。

在僅含銀行主體的共同貸款網絡(圖1b)中，節點代表銀行，邊代表兩銀行共同貸款關系。兩銀行通過共同的貸款公司計算出的總數作為共同網絡中邊的權值。企業向銀行的借款有固定還款日期，隨著新節點加入和舊節點消失，銀企信貸網絡成為動態演化的銀行共同網絡。

(a)銀企二分網絡 (b)銀行映射單頂點網絡

由于中國的上市銀行只有十幾家，其信貸數據已合并統計，難以具體分攤到獨立的企業。此局限性從楊子暉等(2018)和范小云等(2021)的銀行數據可見。由于難以獲取非上市公司的信貸數據，而上市公司具有信息披露的法定義務，且占據大部分銀行貸款份額，因此選取中國1405家上市公司市場化的銀行貸款，從企業端反過來測算銀行對企業的貸款數據。

信貸數據選自CSMAR數據庫中2007年1月—2016年12月的上市公司的不同銀行分行和下級機構貸款數據，其他數據來自東方財富網站和CNRDS數據。剔除大部分信息缺失的數據；剔除發款方不明確或為非銀行金融機構數據。從法律權責視角，銀行總部對貸款違約負責，因此將分行貸款數據歸總到總行層面。將同年內多家企業向多個銀行的貸款數據合并到總行級別。匯總見表1。

表1 銀企貸款網絡年度統計(2007—2016)

基于圖1的網絡映射方法，通過Kamada-Kaway算法(Albert et al.，2001)，采用Pajek軟件繪制圖2和圖3。可以發現，在信貸業務發展過程中，銀行信貸網絡逐步形成“核心-邊緣”層級結構(范小云 等，2021)，國有商業銀行(菱形)和股份制商業銀行(三角形)處于網絡核心層級，其他銀行(圓形)處于邊緣層級。

(a)2007年銀企信貸網絡

(b)2016年銀企信貸網絡

由圖2a可見，2007年，中國銀企關系逐漸密集聯結，形成不同銀企的簇狀結構，十幾家大型銀行處于簇狀根節點，大多數公司處于簇端。2016年,銀行網絡由簇狀結構發展為更復雜銀企貸款共同網絡,逐步形成很多城商行圍繞同一上市公司的“銀行扎堆的集團貸款模式”。

由圖3a可見，向同一上市公司貸款而形成多銀行間共同信貸，出現以大型銀行為主的密集群落。群落之間的鏈接相比群落內較稀疏。由圖3b可見，大量城商行涌現并向核心層遷移，形成中心銀行和城商行合作貸款的局域群落。銀行共同網絡結構為局部網絡銀行風險的形成帶來一定影響。2007—2016年，隨著時間推移，部分城商行向網絡中心移動，逐步形成新“系統重要性機構”。當遇到外部重大風險沖擊時，處于網絡核心的重要銀行通過高資本充足率可緩沖部分金融系統風險，而處于邊緣的銀行機構，由于彼此的聯系較弱，通過對個別銀行實施破產清算，阻斷部分風險傳播。

(a)2007年銀行共同信貸網絡

(b)2016年銀行共同信貸網絡

三、銀行信貸數據的網絡特征

為進一步細化銀行共同網絡特征，本文將不定期貸款按照月底時點匯總到法人銀行總行層面。對某些缺失月度數據，采用樣條插值方法進行彌補。對銀行共同信貸網絡動態演進特征，通過月度時間序列的網絡特征值進行分析。具體各個復雜網絡特性計算公式不再贅述。

(一)網絡凝聚性

圖5 2007—2016年共同信貸網絡的連通性

銀企共同網絡節點間凝聚性一般用聚集系數、網絡密度、k核等指標來測度。聚集系數描述節點之間結集成團的連接程度。網絡密度用網絡中實際存在的連線與所有可能出現的連線的比例來表示，其與網絡規模負相關。k核代表每個頂點的點度不小于k的最大子網絡(見圖4)。總體而言，銀行共同信貸網絡的凝聚性呈現減弱趨勢。

重要銀行k核上升說明銀行群落增加。銀行共同貸款網絡呈現小世界特性。k核上升加劇局域風險的傳播速度及其在局部群落中的影響程度。

(二)網絡連通性

網絡中任意兩點之間存在直接或間接的連通，將網絡中最大的具有連通特征的節點數量與網絡中節點總數之比稱為網絡連通比。城商行和農村信用社受地理限制，網絡并不完全連通。圖5顯示，2007—2016年中國的銀行和上市公司間銀行共同信貸網絡中最大連通子圖所含節點數從20增長到300多，網絡連通比從2007年的65%增長到2016年的95%。這說明，中國銀行共同信貸網絡日趨復雜，銀行與企業間貸款聯系更加緊密，從而對銀行系統風險傳染帶來巨大影響。

(三)網絡節點中心性

圖6 2007—2016年共同信貸網絡的中心性

在銀行系統中，重要性銀行的“太中心而不倒”比“大而不倒”更重要(Battiston，2012)。網絡中節點的點度中心勢、中介中心勢分別代表節點在網絡中的不同重要程度。如圖6所示，銀企共同網絡中，點度中心勢不斷增大，說明中國銀行系統中銀行數量越來越多，信貸業務量差異明顯。

2007—2016年間，網絡中介中心勢呈下降趨勢，說明由于眾多城商行的成立和加入銀行系統，大銀行的相對系統重要性在減低。貸款共同網絡的系統結構由原來的簇狀結構逐步向“去中心”化演變。

(四)網絡異質性

從網絡的總體角度看，度相關性(Association)考察度值相近節點是否傾向互相連接。如果網絡度較大節點傾向于連接網絡度較大節點，說明網絡具有同質性。總體上，若度大的節點傾向于連接度小的節點，說明網絡具有異質性。銀行網絡度相關系數均小于0，絕對值呈上升趨勢,銀行網絡呈現異質性。實際貸款關系中，大上市公司可獲得不同規模銀行的資金貸款。小規模的城商行主要通過辛迪加貸款滿足大上市公司需求,從而降低貸款的信用風險。

綜上所述，2007—2016年，銀行間連接程度越來越高，范圍越來越廣，網絡連通度在不斷增大。網絡中心勢呈下降趨勢，銀行系統由幾個銀行控制的局面在不斷減弱。大型股份銀行之間存在相互貸款業務競爭，小型城商行之間存在優勢互補，銀行系統存在業務多元化發展趨勢。

四、網絡結構與銀行系統風險

圖7 2008—2019年中國商業銀行不良貸款率

劉曉星等(2012)用信用加總權重法構建中國銀行壓力指數FSI。陶玲等(2016)提出7個維度41個指標金融系統風險指數。本文根據極值法構建銀行系統壓力指數(FSI)，以評估銀行系統風險。由圖7可以看到，次貸危機以來中國銀行不良貸款率呈復雜變化趨勢，而銀行業的系統性風險與銀行不良貸款率相關度較高。

如圖8所示，銀行系統壓力指數(FSI)與實際符合程度較高。在出現金融危機和壓力時，FSI出現不同程度上升。

本文以上述方法構建的銀行業壓力指數(FSI)為因變量，以各項信貸網絡特性值Net分別為自變量，K為相關控制變量，構建模型：

FSIt+1=b0+b1Neti,t+b2Ki,t+εt

其中：FSIt+1為第t+1時期的銀行系統壓力指數；b0為常數項；Neti,t為銀企共同貸款網絡第i種拓撲特性在第t時期特征值，i∈{1,2,3,…}。

動態角度，將網絡集聚性和連通性歸結為傳染性指標。節點在網絡密集程度和鏈接關系中反映不同節點銀行間的關聯程度，代表風險在不同銀行之間的傳染性。

靜態角度，將中心性和異質性歸結為網絡結構性指標。反映網絡結構集散程度和業務多元化程度，代表網絡結構性。

變量匯總見表2。

表2 變量匯總表

為降低趨勢和異方差回歸的影響，各變量取對數處理。描述性統計和相關系數見表3。

表3 描述性統計和相關系數

由表4列(1)可見，在不考慮貸款網絡特征影響時，貨幣市場的貨幣供應和流動性M1、實體經濟的工業增加值IVA的增長顯著降低銀行系統風險，而同業拆借利率SINBOR、房地產指數顯著增加銀行系統壓力。城市發展指數波動對銀行系統風險影響不顯著，銀行理財數量指標對銀行系統風險有顯著加強作用。

由表4列(2)～(6)可見，在加入銀企共同網絡特征值后，滯后一期的銀行系統壓力FSI1相對當期FSI(列(7)～(11))而言，隨著時間遷移，貸款網絡各指標對銀行系統風險影響有逐月降低趨勢。

由表4列(2)、(3)可見，傳染性指標中，網絡連通比Prop降低了銀行系統壓力。這說明貸款占比的增加，加強了銀行與企業的聯系，對銀行系統壓力有緩釋作用，減少了系統傳染性風險。與傳統網絡分析結論不同，本文的網絡集聚系數CC1對銀行系統風險影響不顯著，說明貸款網絡密集度對銀行系統風險的影響有限。

由表4列(4)、(5)可見，結構性指標中，中介中心勢C_Bet和度相關度Asso顯著增加銀行系統壓力。隨著眾多城商行的加入，較大銀行的貸款數相對減少，帶來中介化降低；度相關度Asso加大，異質性貸款增多，顯著增加銀行系統的結構性風險。貸款網絡的去中介化(如P2P貸款)和網絡異質性(不同類型和規模貸款)顯著增加了銀行系統的壓力。

表4 網絡結構與傳染性特征與銀行系統風險回歸結果

由表4列(6)可見，同時考慮四個主要網絡指標時：從網絡傳染視角來看，網絡的聚集系數CC1和連通比Prop與銀行業系統壓力指數FSI負相關。說明貸款網絡的連通和集聚有助于降低銀行系統風險。從網絡結構視角來看，網絡異質性指標Asso顯著加大銀行業系統壓力。說明大型與小型銀行加強業務聯絡，有助于緩解銀行系統壓力,降低銀行系統風險。

經過對各個網絡指標多次回歸嘗試后，連通比Prop和度相關性Asso對銀行系統風險分別有負向和正向的獨立顯著影響。因此，兩指標更適合作為檢測和調控銀行系統性風險的先行指標。

除此之外，利率指標對銀行系統風險的正向作用中，當期影響大于滯后期，具有“立竿見影”的即時影響效果。房地產指數對銀行系統風險有加強作用，時間差別不大，長期的依存關系導致房地產和銀行系統風險同向變動。工業增加值的變化顯著降低銀行系統風險，滯后期比當期更有利于減輕銀行系統風險。公司從銀行貸款對雙方有積極作用，實體工業增長對銀行業非常重要。

五、穩健性檢驗

為了避免數據變量選擇偏差問題，本文選擇不良貸款率NPL1代表銀行系統風險情況下的可能損益；同時，替換解釋變量，用k核替換聚集系數CC1，用最大連通節點數M-gra替換網絡連通比Prop，用點度中心勢C_deg替換中介中心勢C_bet，用同業拆借月度利率SINBOR_1m替換同業隔夜拆借利率SINBOR。回歸結果見表5，可以看到，與表4結論總體一致。單變量回歸分析中，網絡聚集系數、網絡連通比、中介中心勢、度相關性均對不良貸款率有顯著影響。

另外，將樣本區間替換為2009—2019年，以盡可能降低樣本選擇偏誤。回歸結果表明，總體結論沒有顯著差異。

表5 替換變量后的檢驗結果

六、內生性檢驗

首先，為了避免可能存在的內生性問題，前文已經選擇當期FSI的自變量和滯后一期FSI1因變量進行回歸。

其次，以工具變量法檢驗內生性。本文選擇的工具變量為制造業采購經理人指數指標PMI。理論上，PMI影響上市公司的生產經營業務，是國際上通用的監測宏觀經濟走勢的先行性指數。PMI不是金融指標，短期不會對銀行系統風險產生直接影響。采用2SLS方法回歸，結果見表6。總體來看，結論沒有明顯差距。

表6 采用PMI工具變量2SLS方法后的結果

(續表6)

最后，用格蘭杰因果檢驗盡可能排除逆向因果導致的內生性問題。采用滯后3月的數據，結果見表7。可以看到，網絡特征指標或多或少引發銀行壓力變化，并不存在統計意義上的逆向因果關系。

表7 網絡特征與銀行系統風險的格蘭杰因果檢驗

七、結論及建議

銀企之間存在著較強債務依賴關系，形成復雜的信貸網絡關系。貸款網絡在分散風險的同時也為風險提供了傳播路徑。本文的研究發現:

銀企貸款網絡在2007年具有“核心-邊緣”層級結構特征，到2016年逐步演化為共同群落式網絡結構。銀行共同網絡呈現出異質性網絡特性(即同一企業會從多個不同性質銀行貸款)。相比國有和股份制銀行，城商行與上市公司間的信貸債務網絡聯系更緊密。包商銀行事件暴露出部分城商行對風險傳染的影響程度更大。去銀行中介化的P2P暴雷事件顯示短期內去中介中心勢不利于降低銀行系統風險，降低大銀行中介地位的“去中介”化網絡不利于銀行系統的抗風險能力。

2007—2016年，股份制銀行及地方性銀行的信貸總量占比呈上升趨勢。通過調整銀行共同信貸網絡聚集性、連通性、中心性和異質性來有效優化銀行網絡結構。信貸網絡的“小世界性”和“高連通度”越高，越有利于緩解系統風險。說明較密切的銀行和企業間業務關系，可以降低銀行系統風險。這符合金融服務實體經濟初衷。銀行共同信貸網絡的異質性越強，導致銀行體系面臨系統性風險越大。過度發展城商行，降低大型和股份制銀行的業務比重，多元化的貸款趨勢，反而增加了銀行系統風險。

政策方面，信貸網絡中大銀行地位降低的“去中介化”反而降低了銀行系統風險抵抗力。需要規范不同性質和規模的城商行發展，加強對小銀行的監管。通過鼓勵企業向多個銀行分散貸款，使銀行共同信貸網絡中各節點之間聯系更加緊密，促進銀行系統充分服務不同層級的公司。減少房地產依賴，有利于降低銀行系統傳染風險發生的可能性。鼓勵和規范企業加大標準化產品的同質性借款，可以提高銀行系統的抗風險能力，增加銀行系統網絡的穩定性。