企業高杠桿率一定會引發銀行系統性風險嗎？
——基于企業資產質量視角的再檢驗

溫博慧 畢莎莎 袁銘

(1.天津財經大學 金融學院，天津 300222; 2.天津財經大學 統計學院，天津 300222)

一、引言

當前，防范系統性金融風險依然是我國經濟工作的三大重點之一。鑒于我國金融結構體系以銀行為主體，防范銀行系統性風險尤其值得關注。在銀行資產負債表中，企業貸款占銀行總資產比例最大。因此，企業部門的經營風險會通過企業之間以及企業與金融機構之間極其復雜的關聯關系傳導至銀行，進而通過銀行間的關聯性在金融體系內擴散[1]。2009年以來，我國監管部門基于經濟金融形勢的變化相繼出臺了有關調控企業杠桿率的系列政策，經歷了從加杠桿到去杠桿到結構性去杠桿，從穩杠桿到關注去杠桿和防風險兩難的逐步轉換。特別地，由于新冠肺炎疫情的爆發，在國家紓困政策作用下，企業部門杠桿率水平持續攀升并已超過了實施供給側結構性改革前的階段性高點，而國有企業債務趨于收縮，非國有企業資產負債率不斷提高也帶來了杠桿率主體結構的新變化。

基于上述背景，企業杠桿率發展的水平和結構是否會引發系統性風險？在響應過程中哪些因素會起到調節作用？這類問題備受關注。多數學者根據“債務—金融不穩定”理論提出，非金融企業(以下簡稱企業)部門債務杠桿的大幅攀升，會推高經濟各部門風險水平，并在金融部門逐步累積，進而通過債務和股權兩個渠道激發系統性風險的生成和傳遞[2]。而部分學者認為，單純的杠桿率上升并不足以解釋系統性風險的增加[3-8]，這其中企業資產質量起到了不可或缺的調節作用[9-10]。一方面，如果企業資產質量較高，即使其本身具有較高的杠桿率，引發系統性風險的可能性也可能較低。當受到外部沖擊時，企業甚至可以加大杠桿率應對流動性危機。另一方面，如果企業資產質量較差，當外部沖擊發生時即使杠桿水平較低，企業也會迅速陷入困境并發生違約，進而對金融機構資產造成損失，發生系統性風險的可能性也隨之大幅度升高。而遺憾的是，對于這種調節作用的相關研究國內尚不多見。

與此同時，開展上述研究需要解決兩方面關鍵問題，即企業資產質量和銀行系統性風險的測度。對于企業資產質量的測度，目前已有研究普遍使用不良貸款率作為企業資產質量的代理變量。其存在一定的不合理性：首先，不良貸款的確認需滿足逾期、呆滯等條件，存在表征滯后性。其次，企業資產質量的變動還會影響到金融機構資產負債表內權益類、債權類等其他類型金融資產，而這些均無法在不良貸款率上得到直接體現。基于此，本文選擇根據企業財務數據測算企業資產質量。考慮到我國國有企業和非國有企業在資產質量上差異較大，應分別加以測度。對于系統性風險的測度，目前已有研究主要是基于SRISK[11]和CoVaR[12]兩種方法，二者所反映的系統性風險內涵不同，SRISK關注金融機構的杠桿與規模，更傾向于系統性風險初始沖擊的測度；CoVaR則關注金融機構的關聯關系與風險溢出，更傾向于系統性風險傳染測量。上述兩種方法往往呈現出不同的實證結果[13]。基于此，本文以SRISK和CoVaR兩種方法分別測度系統性風險，同時強調邊際貢獻和關聯性兩個維度，更有利于理解杠桿與資產質量對系統性風險的作用機制。此外，考慮到我國商業銀行無論在股權結構還是資產規模等方面都具有明顯差異，并且在風險承擔和系統性風險傳染等方面存在異質性[14-17]。因此，本文認為在探討企業資產質量、杠桿率與系統性風險的關系時也應該考慮這種異質性。

綜上所述，本文將依據2009—2021年非金融企業上市公司財務數據測度企業資產質量和杠桿率水平，并結合市場數據與財務數據從邊際貢獻和尾部風險關聯的二維角度來測算我國銀行業的系統性風險水平，在此基礎上建立門限面板模型考察企業資產質量如何在銀行系統性風險形成、演化和傳染過程中發揮作用，以及企業資產質量如何與企業杠桿率相互影響。本文可能的邊際貢獻表現在以下三方面：(1)在杠桿率影響系統性風險的研究中首次引入企業資產質量，并融合實物期權理念來測度、表征企業資產質量，以克服銀行不良貸款率作為代理變量的缺陷。(2)考慮資產質量變化對系統性風險的可能影響途徑，分別從邊際貢獻和關聯性兩個維度測算系統性風險，同時分析了國有、非國有企業資產質量的各自調節效應，相較于僅采用單一測算維度更能體現調節效應的差異。(3)不同于多數研究采用的線性模型，本文建立的門限面板模型對企業資產質量、杠桿率、系統性風險水平之間的非線性關聯更具解釋力。同時，也突出了大型商業銀行和小型商業銀行可能存在的門限非對稱效果。

二、文獻梳理和研究假設

正如引言中所闡述的，企業杠桿率對系統性風險的影響在學界始終存在爭論，企業資產質量在其中發揮的作用逐漸被重視。想要厘清企業杠桿率通過企業資產質量的變化對系統性風險產生怎樣的影響，需要有效衡量企業資產質量，并對其調節作用的機制途徑展開分析。

(一)企業資產質量調節作用的機制分析與維度差異

本文認為企業資產質量在企業杠桿率影響系統性風險的過程中可通過直接渠道和間接渠道實現對影響效果的調節。這兩個渠道也分別對應于銀行系統性風險的兩方面內涵：初始沖擊和傳染機制。所謂直接渠道是指企業資產質量變動導致銀行對系統性風險的邊際貢獻發生改變。已有研究證明盈利性、成長性、流動性等資產質量指標與企業違約概率高度相關[18-20]。企業資產質量下降通常伴隨相應股票、債權等資產價格下挫，杠桿率失衡擴大，從而對持有上述資產的銀行等金融機構造成直接損失，最終使銀行發生系統性風險的概率增加[21-23]。所謂間接渠道是指企業資產質量變動會對銀行尾部風險關聯產生影響。銀行間通過資產負債表以及同業業務等方式相互關聯。在杠桿率影響系統性風險的過程中，關聯性的改變將加劇或減弱沖擊在系統中的傳染。Fink等(2016)[7]指出企業資產質量下降會導致銀行資產質量下降，從而對持有該機構同業負債的資本充足率產生影響，形成信貸質量傳染。蔣海和張錦意(2018)[24]指出當資產質量下降時，即使不直接造成損失，但為了滿足監管要求也會增強資產出售的關聯性。隋聰等(2019)[9]也證明了資產質量的下降會增加銀行間貸款數量。

上述研究表明企業資產質量與系統性風險存在關聯關系，但需要注意的是，企業杠桿率的變動與企業資產質量的變動之間的關系比較復雜：正向或者負向的沖擊都有可能提高杠桿率，但顯然正向沖擊會改善企業盈利情況，提高資產質量，而負向沖擊會使企業資產質量惡化[25]。因此企業杠桿率的變動對系統性風險的影響需要充分考慮企業資產質量的調節作用。與此同時，考慮到前文指出的企業資產質量在企業杠桿率影響系統性風險的過程中同時存在直接渠道和間接渠道，因此，需要從兩個維度檢驗企業杠桿率對銀行系統性風險的影響，以及在此過程中企業資產質量的調節效應。對此，本文提出假設1和假設2。

H1企業杠桿率升高不會簡單地推動或者抑制銀行系統性風險水平，而會受到企業資產質量的影響。

H2企業杠桿率從邊際貢獻和關聯溢出兩維度對銀行系統性風險產生影響且這兩種影響并不相同，企業資產質量的調節效應亦存在差異。

(二)銀行規模的異質性影響

我國商業銀行可以分為大型國有銀行、股份行和城商行。這些銀行的差異除股權結構外，主要體現在銀行規模上。目前已有研究證明不同規模銀行在風險承擔和系統性風險傳染等方面存在異質性[14-17]。其背后的原因在于小型商業銀行在企業治理、信息公開等方面存在缺陷，且更有從事高風險經營活動的動機[26]；同時，小型商業銀行在風險管理領域人才儲備不足，相對于大型商業銀行，誘發系統性風險的可能性也更高。而在異質性的研究框架選擇上，大部分文獻考慮建立包含門檻效應的模型[16,27]。由于不同規模銀行的業務特征不同，當小型商業銀行面對企業資產質量下降時即便企業杠桿率降低也可能引起系統性風險水平上升。因此，在探討企業資產質量、杠桿率與系統性風險的關系時，大型商業銀行和小型商業銀行可能呈現非對稱結果。對此本文提出假設3。

H3銀行規模使得企業杠桿率、企業資產質量對系統性風險的影響具有門限特征的異質性。

(三)企業資產質量結構性差異帶來非對稱影響

既有研究表明，中國企業杠桿率水平具有由企業所有制屬性引致的結構性特征，表現為國有企業的杠桿率水平基數顯著高于非國有企業[5]；國有企業杠桿率水平相對穩定[24]，而非國有企業杠桿率水平受融資約束、資產價格等影響波動較大[28-29]。截至目前，雖然涉及企業所有制屬性與企業資產質量關聯性的研究文獻并不多見，但余漢等(2017)[30]檢驗證明企業所有制屬性對企業績效具有顯著影響。2020年以來，我國企業部門杠桿率水平持續攀升并已超過了實施供給側結構性改革前的階段性高點，而國有企業債務趨于收縮，非國有企業資產負債率不斷增加也帶來了杠桿率主體結構的新變化。因此，在探討企業杠桿率對系統性風險的影響以及資產質量在其中發揮的調節作用時，對國有企業和非國有企業可能存在的異質性需分別討論。對此，本文提出假設4。

H4國有企業和非國有企業杠桿率對銀行系統性風險的影響存在異質性，企業資產質量的調節效應具有非對稱特征。

三、研究方法和數據選取

(一)企業資產質量測算指標構建

基于不良貸款的測度存在一定滯后，且無法體現企業資產質量對銀行表內權益類和債權類資產的關聯影響，2006年頒布的《中央企業綜合績效評價管理暫行辦法》提出，國有企業要充分利用有效財務指標來分析、評價企業資產質量。但遺憾的是，目前對企業資產質量的研究多停留于單一經濟后果分析階段[31]。因此，本文嘗試結合張新民(2014)[32]、張新民等(2019)[33]、唐國平等(2015)[31]的方法，基于實物期權理論測度企業資產質量，該方法能夠融合金融市場數據與微觀個體財務特征，整體反映企業受內外環境影響下的經濟資源利用率、資產安全性以及企業價值，對企業資產質量的測度具有領先性[34]。

具體而言，從真實性、流動性、盈利性、獲現性和成長性5個層面中選取12個財務指標(見表1)評價企業資產質量。與唐國平等(2015)[31]采用打分排序測算不同，本文以方差解釋百分比為標準對指標提取主成分，以主成分對應的特征值為權重將主成分合成為企業資產質量指數Qualt表征企業資產質量。

表1 企業資產質量測度指標細分內容

(二)基于SRISK和分位數回歸CoVaR的二維銀行系統性風險測算模型

根據前文的闡述，由于企業資產質量變動將導致銀行對系統性風險的邊際貢獻發生改變，并對銀行關聯度產生影響，從而加劇或減弱沖擊在系統中的傳染。本文從對系統性風險邊際貢獻的影響和尾部風險關聯兩維度測算銀行系統性風險，以便后文對調節效應差異性的檢驗。SRISK測算方法包含了規模、杠桿率等資產負債表信息，適用于評價銀行對系統性風險的邊際貢獻[13,35]。尾部風險關聯則根據Adrian和Brunnermeier(2016)[12]、楊子暉等(2020)[36]的作法，使用分位數回歸和CoVaR方法進行測度。

SRISK方法通常將未來6個月內市場指數跌幅達到40%定義為長期風險，并以LRMES(長期邊際期望損失)表示銀行股票的跌幅。據此將銀行在t時刻的系統性風險貢獻可以表示為

SRISKi,t=max[0,k×debti,t-(1-k)(1-LRMESi,t)×equityi,t]

(1)

其中，debti,t和equityi,t分別為銀行的負債和權益，k為資本充足率。顯然，SRISK的計算依賴于銀行資產負債表數據和對LRMES的估計，并且后者是SRISK計算的核心內容。由于本文需計算不同時刻的動態LRMES，為保證估計精度，參考Brownlees和Engle(2016)[11]給出的基于動態Copula模擬技術的估計方法對LRMES進行估計，具體步驟如下。

第一，定義ri,t=log(1+Ri,t)和rmt=log(1+Rmt)分別為t時刻的第i個金融機構與市場對數收益率序列，并且假設二者的邊緣密度均服從正態分布，估計得到它們各自的分布參數分別為(μi,σi)和(μm,σm)。

第二，給定Copula模型的函數形式，估計模型參數。

第四，根據公式計算得到LRMES

(2)

需要說明的是，在Copula模型設定上Brownlees和Engle(2016)[11]建議使用Gumbel函數，本文也沿用這一設定，并利用中國人民銀行公布的年度壓力測試結果進行校準。而在后文的實證分析中，令模擬次數K=10 000，從而使對LRMES的估計相對更加準確。

(3)

(4)

(5)

(6)

(三)門限面板實證模型

基于門限面板模型構建實證模型，考察企業資產質量、企業杠桿率與銀行系統性風險水平之間的非線性影響以及企業資產質量的調節效應。模型具體形式為(1)由于門限數量需要通過檢驗確定，因此這里僅給出單一門限時的模型形式。

SRit=β0+β1Levt-1+β2Qualt-1+β3Levt-1×Qualt-1+β4Levt-1I(Sizeit-1>c)+β5Qualt-1×I(Sizeit-1>c)+β6Levt-1Qualt-1I(Sizeit-1>c)+β7Sizeit-1+μit

(7)

(四)樣本選取與數據預處理

四、實證檢驗與分析

(一)企業杠桿率和資產質量測度結果

圖1給出了樣本期間我國企業、國有企業以及非國有企業的杠桿率，其中杠桿率按照總資產除以凈資產計算。從2009年至2012年底，非國有企業杠桿率水平呈現明顯的下降趨勢，但同期國有企業杠桿率穩中有升，因此企業總體杠桿率水平基本保持穩定。自2015年我國實施企業杠桿率調整政策后，無論是國有企業還是非國有企業的杠桿率水平都呈現下降趨勢，直到2017年底經濟下行壓力增大以及2018年中美貿易摩擦開始轉而上升。值得注意的是，在2017年底杠桿率轉升的過程中，國有企業和非國有企業表現截然相反，非國有企業杠桿水平從2017年底的2.06上升至2018年底的2.42。2020年以來，在新冠肺炎疫情后紓困政策作用下，國有企業杠桿率不斷下降，非國有企業杠桿率不斷攀升。

圖1 我國企業杠桿率水平的動態變化

根據表1給出的測度指標，以95%方差解釋百分比為標準可以將指標提取為3個主成分。以主成分對應的特征值為權重將主成分合成為企業資產質量指數，得到的結果如圖2所示。作為對比，圖2中還給出了同期我國商業銀行不良貸款率數值。從圖2可以看出，次貸危機后隨著宏觀調控政策的逐步實施，企業資產質量逐步回升并在2011年1季度達到樣本期間內的峰值。同一時期的銀行不良貸款率也明顯下降。此后隨著國際需求持續低迷，國內企業面臨轉型升級的壓力，企業資產質量有所下降，到2015年1季度有所緩解。而同一時期的銀行不良貸款率則表現出不同的趨勢，即在2011年2季度至2013年4季度，不良貸款率穩定在1%附近，到2014年1季度開始比較明顯的升高。這意味著不良貸款率相對于企業資產質量指標確實存在對企業實際資產質量的滯后反應。在經歷2016年3季度至2017年1季度內的短暫改善后，企業資產質量指標仍然呈下降趨勢，并且在2018年2季度中美貿易摩擦后加速。2016年1季度至2018年1季度的不良貸款率基本穩定在1.76%左右，2018年2季度后，不良貸款率小幅增加至1.85%左右，并沒有反映出企業資產質量的實際變動。

圖2 企業資產質量與銀行不良率指標對比

觀察樣本期間內企業資產質量和銀行不良貸款率的變化趨勢可以發現，銀行不良貸款率與企業資產質量之間的確存在顯著的相關關系，二者相關系數高達-0.82，但前者相對于后者則表現出“積聚-爆發”的模式，難以及時反映企業資產質量。對二者進行格蘭杰因果關系檢驗后發現，當滯后階數為1時，銀行不良貸款率不具有對企業資產質量指標的引致關系，而企業資產質量對銀行不良貸款率具有引致關系；當滯后階數為2階以及更高階數時，二者具有雙向引致關系。這表明本文所測算的企業資產質量變動領先銀行不良貸款率變動1個季度。此外，在樣本期間內企業資產質量和不良貸款率的標準差分別為0.51和0.36，顯示出本文提出的測度方法蘊含更豐富的信息，從而可能更好地捕捉企業資產質量的變動。

(二)銀行系統性風險關聯度和貢獻度的測度與分析

圖3給出了全樣本銀行以及不同類型樣本銀行在樣本期間的SRISK數值序列圖。本文雖然在測算LRMES上采用的方法與梁琪等(2013)[35]存在一定差異，但得出的結果除部分銀行排名略有變化外，相同類型銀行內部以及不同類型銀行之間的排名基本一致，顯示出SRISK測算具有較好的穩健性。從動態角度看，2009年1季度至2012年3季度期間內，樣本銀行的SRISK值基本在一個較低的水平上保持穩定，但從2012年4季度開始，SRISK值開始上升并在2015年1季度達到峰值，表明我國銀行系統性風險貢獻度在這一時期內不斷積聚。在2016年股市熔斷后SRISK值逐漸回落，但隨著我國經濟下行壓力逐漸增大和中美貿易摩擦的影響，SRISK值一直在較高的水平震蕩，并在2019年4季度達到樣本期間內的最高值。在2020年疫情發生后，央行陸續出臺了降準、降低政策利率、再貸款等一系列寬松政策。因此SRISK值并沒有伴隨著資本市場劇烈波動而出現大幅度上升，反而從2019年4季度的高點有所降低。

圖3 樣本銀行系統性風險貢獻度測算結果

值得注意的是，國有控股商業銀行、股份制商業銀行以及城商行的SRISK值在樣本期間內的動態變化存在很大差異。具體來看，國有控股商業銀行SRISK值在樣本期間內呈現出震蕩的形態，即使是最大值也僅比2009年1季度的初始數值高約47%；相反，股份制商業銀行和城商行的SRISK值在樣本期間內除個別季度外基本呈現出不斷升高的趨勢，其中股份制商業銀行的SRISK最大值相對于初始值高約151%，城商行的SRISK最大值相對于初始值高約622%。2019年股份制銀行中的恒豐銀行以及城商行中的包商銀行、錦州銀行相繼出現重大風險性事件則在一定程度上印證了本文SRISK值所表現出的趨勢。這說明當面對不利的外部沖擊時，股份制銀行和城商行受到的影響可能要遠大于國有控股商業銀行。2020年新冠肺炎疫情爆發以來，國有控股和股份制商業銀行的SRISK相對于2019年有一定程度上升，而城商行的SRISK則表現出一定程度的下降。究其原因，可能在于紓困政策提出的金融機構向實體經濟讓利的執行主體主要涉及國有控股和股份制商業銀行，城商行受到的影響相對有限。

圖4 樣本銀行基于尾部風險關聯的系統性風險指標測算結果

(三)企業資產質量調節效應與銀行規模門限效應的實證結果分析

參照Caner和Hansen(2001)[37]的方法，分別對模型1和模型2進行原假設為不存在門限效應、存在單門限、雙門限與三重門限效應的檢驗。結果表明模型1和模型2均在1%的顯著性下拒絕了模型不存在門限、存在單門限與雙門限的原假設，但無法拒絕模型不存在三重門限的原假設。使用網格搜索法得到模型1的門限值分別為27.82和30.69，模型2的門限值分別為27.55和28.67。在模型1中，Sizeit-1小于門檻值27.82的觀測點共有124個，主要包括絕大部分的城商行以及2009年至2011年的部分股份制商業銀行；Sizeit-1介于27.82和30.69的觀測點共有443個，包括了絕大部分的股份制商業銀行以及2017年至2019年的部分城商行；Sizeit-1大于30.69的觀測點為36個，全部為國有控股商業銀行。在模型2中，Sizeit-1小于門檻值27.55的觀測點共有88個，主要包括城商行以及2009年至2011年的部分股份制商業銀行；Sizeit-1介于27.82和30.69的觀測點共有184個，包括了2009年至2015年的部分股份制商業銀行和2017年至2019年的城商行；Sizeit-1大于28.67的觀測點為330個，包含了所有國有控股商業銀行和大部分股份制商業銀行。可見，本文的門限值具有較明顯的經濟含義，可以較好地捕捉到模型的異質性特征。

表2給出了模型1和模型2的參數估計結果。不論是以銀行的系統性風險邊際貢獻角度還是以尾部風險關聯維度進行測算的系統性風險，變量Sizeit-1與銀行系統性風險水平之間均存在顯著的正向關系[1,38]。因此，結合門限檢驗的結果，本文認為銀行規模使得企業杠桿率、企業資產質量對系統性風險的影響效果帶有門限性質，假設3成立。

從表2可以看出，在兩個模型中絕大多數情況下變量Levt-1和Qualt-1均不顯著，而交叉項Levt-1*Qualt-1在5%顯著性水平下顯著。這表明無論是企業杠桿率水平還是企業資產質量都無法單獨解釋對系統性風險的影響，二者存在很強的交互性，在考察企業杠桿率水平對系統性風險的影響時需要計算變量Levt-1的邊際效應。這也意味著企業杠桿率升高不會簡單的推動或者抑制銀行系統性風險水平，而會受到企業資產質量的影響，從而假設1成立。

表2 企業資產質量調節效應與銀行規模門限效應估計結果

圖5 企業杠桿率對SRISK和IC影響邊際效應的動態變化

從基于銀行系統性風險邊際貢獻維度的測算結果看，在模型1的區間2中，無論是變量Levt-1還是交叉項Levt-1*Qualt-1在10%的顯著性水平下均不顯著，因此可以認為在區間2中，企業杠桿率的變動對SRISK無顯著影響。在模型1的區間1內，當企業資產質量較高時，企業杠桿率對SRISK的邊際影響為正向，即此背景下企業杠桿率升高會增加銀行系統性風險水平；而當企業資產質量較低時，企業杠桿率升高對系統性風險水平有反向作用。區間3內的情況恰相反。本文認為是由不同規模銀行的屬性特征差異性導致，表現為以下兩方面：第一，我國大型商業銀行的資金成本較低，使其凈息差顯著高于小型商業銀行；第二，大型商業銀行的經營區域和業務范圍多樣性等方面都優于小型商業銀行，其非息收入占比更高。小型商業銀行為了追逐利潤在開展業務時可能相對較為激進。當企業資產質量較好時，企業的信貸需求通常也較大，企業杠桿率水平會呈現出升高的趨勢，小型商業銀行必然會大幅度增加信貸投放，導致系統性風險水平上升，因此企業的杠桿率水平與小型商業銀行的系統性風險水平是正相關的。而同樣情況下，大型商業銀行增加信貸投放的動機相對較弱，并且由于企業資產質量較高時債務違約概率較低，相應的撥備覆蓋率和資本充足水平得到進一步改善。因此其系統性風險水平下降，這也就表現為企業杠桿率水平與銀行系統性風險水平是負相關的。相反，當企業資產質量較差時，企業杠桿率的降低通常伴隨著企業債務違約和資產減值，銀行處于審慎動機必然壓縮信貸規模，從而對其盈利能力產生影響并導致凈資產增速的下降。小型商業銀行由于前文所述的原因受到的沖擊更大，因此其系統性風險水平也相應升高。鑒于2015年后我國企業資產質量存在下降趨勢，因此本文的這一研究結論也解釋了近年來我國城商行出現一些風險性事件。與此同時，當企業資產質量較差時，大型商業銀行作為實際承擔政府隱性擔保和救助的載體，這一時期的企業信貸需求更多地由大型商業銀行來滿足，從而使得企業杠桿率的升降更多地表現在大型商業銀行信貸規模上。由于較差的企業資產質量通常對應著較高的債務違約概率，因此企業杠桿率的升高會加大系統性風險水平。

(四)國有企業和非國有企業影響的異質性檢驗

圖7 國有企業和非國有企業杠桿率對邊際效應影響的動態變化

表3 國有和非國有企業模型門限值估計結果

在企業杠桿率對SRISK的影響上，根據圖6可以發現國有企業杠桿率的邊際影響相對于非國有企業更大。例如區間1內國有企業的邊際影響絕對值均值為18.40，非國有企業為9.31；區間3內國有企業的邊際影響絕對值均值為12.02，非國有企業為3.85。同時，本文還發現非國有企業資產質量的調節效應相對于國有企業更明顯。區間1內國有企業和非國有企業杠桿率邊際效應中Qual前系數絕對值分別為32.90和38.90；區間3內國有企業和非國有企業杠桿率邊際效應中Qual前系數絕對值分別為12.38和16.02。出現這種情況的可能解釋是SRISK包含有銀行資產規模信息，而銀行向國有企業投放信貸額顯然多于非國有企業，因此國有企業杠桿率對SRISK的邊際影響要高于非國有企業。而在資產質量調節效應方面，由于非國有企業資產質量受宏觀經濟環境、政策影響較大，波動性更高，因此在給定企業杠桿率的情況下，資產質量變動產生的影響也更大。

圖6 國有企業和非國有企業杠桿率對SRISK邊際效應影響的動態變化

在企業杠桿率對尾部風險關聯的影響上，圖7表明非國有企業杠桿率的邊際影響在區間1內相對于國有企業更大，而在區間3內相對于國有企業更小。具體來說區間1內國有企業的邊際影響絕對值均值為4.84，非國有企業為4.95；區間3內國有企業的邊際影響絕對值均值為3.16，非國有企業為2.41。與此同時，本文還發現國有企業資產質量的調節效應相對于非國有企業更明顯。區間1內國有企業和非國有企業杠桿率邊際效應中Qual前系數絕對值分別為6.89和2.84；區間3內國有企業和非國有企業杠桿率邊際效應中Qual前系數絕對值分別為5.12和2.12。出現這種情況的可能解釋是銀行的尾部風險關聯一般認為來源于銀行的資產共持，而國有企業無論是直接貸款還是發行債券其覆蓋面通常要遠大于非國有企業，因此其資產質量的變動對尾部風險關聯的影響更大。

(五)穩健性檢驗

為驗證結論的穩健性，本文直接以銀行不良貸款率作為企業資產質量的代理變量重新估計模型1和模型2，得到的門限估計值、計算得到的邊際效應以及國有、非國有企業異質性比較等方面的實證結果并沒有產生本質改變，說明實證結果在一定程度上是穩健的。但本文也發現直接以銀行不良貸款率作為代理變量的模型擬合程度較低，估計量標準誤較高，這進一步證明了本文采用的企業資產質量測度方法具有一定優越性(2)鑒于篇幅所限，以銀行不良貸款率作為代理變量的模型估計結果暫不在文中列示，感興趣的讀者可以和作者聯系索取。。與此同時，本文還分別以解釋變量、門限變量的不同組合估計模型，包括解釋變量與門限變量均取滯后兩期；解釋變量為滯后一期，門限變量為滯后兩期；解釋變量為滯后一期，門限變量為滯后三期。得到的門限估計值、計算得到的邊際效應以及國有、非國有企業異質性比較等方面的實證結果并沒有產生本質改變，但模型的擬合程度有所降低，側面證明了本文選擇解釋變量與門限變量均為滯后一期的合理性。

五、研究結論與政策啟示

本文借助當前研究中基于實物期權理念對企業資產質量形成測度的指標體系，從反映企業實際經營情況的角度衡量企業資產質量，替代傳統以銀行不良貸款率進行的度量；分別從風險邊際貢獻和尾部關聯兩個維度測算中國14家上市銀行的系統性風險水平，并最終建立門限面板模型考察企業杠桿率水平和結構對銀行系統性風險的非線性影響，以及企業資產質量在其中起到的調節效應。通過實證檢驗得出如下主要結論。

根據上述研究結論得出如下四點政策啟示：首先，降低金融系統性風險不能單純對企業部門采用去杠桿措施，而需要結合企業資產質量情況而定。考慮到目前中小銀行的信貸供給總量在銀行體系中的占比已經不容小覷，當經濟受到不利沖擊使企業資產質量大幅度下降時，比較適宜采用穩杠桿措施。但既定企業杠桿率水平下，監管部門要對銀行體系尾部風險進行重點監測關注。其次，鑒于企業杠桿率對銀行系統性風險的影響具有門限異質性，監管部門可施行差異化監管措施。當經濟遭遇重大不利沖擊導致企業資產質量下降時，可對中小銀行的監管指標適當放松。同時，鑒于企業資產質量在企業杠桿率對銀行系統性風險的影響過程起到了重要的調節作用，監管部門可考慮將其納入宏觀審慎體系實現動態監管。最后，鑒于國有企業和非國有企業杠桿率對系統性風險的邊際影響及其資產質量這一過程中發揮的調節作用存在異質性，監管部門在構建宏觀審慎體系時應將兩類企業的指標分別納入，并且為防范金融風險提供分類施策工具。