金融科技媒體情緒與銀行系統性風險 *

方 意，王晏如

一、引 言

黨的十九大以來，中國防范和化解系統性金融風險的攻堅戰取得了重大成果。特別地，對過往互聯網金融和銀行體系過度創新帶來的風險進行了有效處置，對金融創新發展過程中的監管缺失進行了充分填補，逐步建立金融科技監管規則體系。與之相呼應，學術界對金融科技領域風險的研究也更加深入（李蒼舒和沈艷，2019；楊子暉等，2022）。張皓星和黃益平（2018）、沈艷和王靖一（2021）都從金融科技新業務的公眾情緒視角出發，研究了金融科技領域內部的風險傳染機制。相比之下，目前關于銀行發展金融科技的風險研究仍處于起步階段，特別是鮮有研究從媒體對銀行發展金融科技業務的情緒角度探究其對銀行系統性風險的影響。

本文認為媒體情緒的變化反映了銀行發展金融科技業務的不確定，而這種不確定性可能會通過影響銀行存款負債的穩定性，進而增大銀行業整體的系統性風險①2022 年河南部分村鎮銀行發生的擠兌風險問題事件，與銀行實際控制者利用金融科技手段在互聯網上高息攬儲并非法轉移資金密切相關。這一事件增大了公眾對金融科技相關概念的不確定性以及對廣大中小銀行儲蓄業務的不信任感。隨著利率市場化的逐漸放開，一些民營銀行、中小銀行開始出現這種恐慌擠兌現象，因此對銀行系統性風險的防控應該關注情緒問題。。關于銀行存款的穩定性，中國監管當局當前非常關注。例如，中國銀保監會2021 年初發布了《商業銀行負債質量管理辦法》，即提到了銀行負債來源和結構穩定性的重要性。然而，關于哪些因素可能導致銀行存款負債穩定性的下降，這一問題在學術界的研究中還較少被提及。本文嘗試從媒體對銀行發展金融科技的負向情緒變化為源頭，探究其如何通過影響銀行負債穩定性，進而增大系統性風險的理論機制。

本文的研究與以下兩類文獻直接相關：

第一類文獻關注金融科技發展對銀行風險的影響。這類研究通常以構建金融科技或互聯網金融發展指數為研究基礎，而這些指數大多衡量社會整體的金融科技發展水平或與銀行處于競爭關系的新金融業態的普及程度。邱晗等（2018）利用北京大學數字普惠金融指數（郭峰等，2020）研究了金融科技對傳統銀行的風險承擔行為的影響，指出金融科技發展推動的利率市場化改變了銀行負債成本結構，從而增加了銀行風險承擔。顧海峰和楊立翔（2018）利用因子分析法測度了互聯網金融綜合發展水平，認為互聯網金融通過降低銀行管理成本對銀行風險承擔起到的抑制效應，不足以彌補存貸利差收窄所致的助推效應。郭品和沈悅（2019）、楊望等（2020）均各自利用文本挖掘方法來構建指數，論證了上述金融科技發展通過提高負債端融資成本進而提高銀行的風險承擔。

也有少數研究開始關注銀行自身發展金融科技業務所引發的風險問題。例如，金洪飛等（2020）利用文本挖掘方法構建各家銀行自主運用金融科技的程度指標，并發現金融科技賦能可以顯著降低銀行風險，但是存在大銀行對中小銀行的市場擠出效應。然而，目前鮮有學者從銀行發展金融科技的視角來探究其與銀行系統性風險之間的關聯。一種可能的原因在于，上述研究采用的金融科技指標頻率均較低，且均反映的是長期發展趨勢對銀行的影響。然而，系統性風險度量和監測領域的研究需要更加高頻的數據，且更加關注外部沖擊下通過銀行網絡之間的關聯性所放大的風險。因此，本文旨在構建一個頻率更高的媒體新聞對銀行發展金融科技的情緒指標，以滿足系統性風險研究對高頻數據和外部沖擊的需求，從情緒的視角出發來量化對銀行系統性風險的影響。我們考慮的系統性風險，不僅關注個體銀行的風險承擔，也關注銀行之間的關聯性。

第二類文獻主要圍繞情緒與系統性風險展開。Diamond & Dybvig（1983）將活期存款契約納入分析框架，開創了儲戶情緒恐慌對銀行擠兌風險的研究范式。但是Diamond & Dybvig（1983）構建的模型不能解釋存款人出現恐慌的原因。以Allen & Gale（1994）為代表的后續研究將存款人的恐慌情緒歸因于，在信息不對稱條件下儲戶收到關于存款銀行投資組合回報或者遭遇流動性外部沖擊的負面信息。上述研究均從儲戶情緒本身在銀行之間迅速傳染的視角來討論銀行業系統性危機，因此格外強調存款保險制度的重要性。但是，Iyer & Puri（2012）的研究發現，存款保險制度并不能完全抑制儲戶的存款提取行為，由于銀行與儲戶之間的客戶關系深度存在異質性，存款人依然會根據所獲得的負面信息向銀行提取存款，造成大面積存款的流失。

近年來，隨著文本分析技術的興起，大量研究構建相關情緒指數探究其對存款人信心和提款行為的影響，如Anastasiou & Drakos（2021）。然而，儲戶情緒變化引起銀行存款穩定性的下降，在不足以引發銀行體系整體擠兌的背景下，又將如何影響銀行同業市場的流動性風險以及銀行系統性風險的累積，以往研究并沒有給出明確的分析。此外，還有部分文獻直接利用社交媒體、新聞敘述中的情緒變化來刻畫金融部門或銀行體系的系統性風險演變規律（Borovkova et al.， 2017；Fan et al.， 2021）。這些研究將情緒本身當成系統性風險的代理變量，僅從相關性的角度論證了兩者之間的關系，而沒有給出更為直觀的經濟學機制。

本文的研究貢獻主要有以下三點：第一，本文構建了媒體對銀行業發展金融科技的情緒指數（后文簡稱為“銀行科技情緒指數”）。該指數衡量了銀行發展運用金融科技業務時，新聞媒體文本中表現出的凈悲觀情緒，認為其發展具有較強的不確定性且蘊含著較大的風險隱患。該情緒指數具有高頻的優勢，有利于進行系統性風險的測度研究。

第二，本文給出了銀行科技負向情緒影響銀行系統性風險的經濟學機理。具體地，本文以銀行存款負債的穩定性為核心，結合系統性風險生成中的個體風險和關聯風險兩大要素，實證檢驗了銀行科技負向情緒在短期和長期是如何通過銀行資產負債表行為增大系統性風險發生的可能性，有力地彌補了金融科技與銀行系統性風險、情緒與系統性風險學術研究中機制分析不足的問題。

第三，本文創新性使用雙重△CoVaR模型將銀行科技負向情緒尾部沖擊納入銀行系統性風險的度量過程中，量化得到了時變情緒對系統性風險溢出效應指標（后文簡稱“凈溢出指數”）。傳統對系統性風險影響因素的研究大多采用回歸分析的方法。然而，該方法難以從時間維度分析影響系數的動態演變趨勢。本文的方法更適合為系統性風險的防范和化解提供實時的參考依據。

二、銀行科技媒體情緒指數構建

本文構建的銀行科技情緒指數，主要體現了新聞媒體對銀行應用金融科技賦能資產負債業務的不確定性。該指標也能夠反映公眾對金融科技影響銀行資產收益率、負債付息率的判斷。銀行科技情緒指數的構建流程主要包括，新聞語料庫的選擇與爬取、金融科技及情感關鍵詞的選取、指數編制方法三部分。

（一）新聞語料庫的選擇與爬取

考慮到新聞媒體這一類語料具有受眾廣、范圍大、語料頻率高、數據較多的特點，本文選擇其作為語料來源。具體而言，本文選擇的新聞語料來源于Infobank數據庫。該數據庫是全球最大的中文財經數據庫之一，數據源包括國內外超過1 500家媒體的公開信息。此外，該數據庫每日更新，提供了更高頻率的數據，可以為本文構建銀行業媒體金融科技情緒指數提供一個良好的語料庫。因此，本文在Infobank數據庫的“中國經濟新聞庫”板塊中選取了2013 年1 月至2019 年12 月中與銀行有關的新聞報道。對于每篇新聞語篇，利用Python網絡爬蟲技術將新聞標題、內容、日期等關鍵信息抓取下來，構建了本文的原始新聞語料庫。

（二）金融科技及情感關鍵詞的選取

金融科技的關鍵詞較多。此外，隨著金融科技的快速發展，金融科技的詞庫也在不斷地更新變化，但是主要包括兩類詞語，即底層技術類和應用場景類。底層技術類金融科技關鍵詞，是指金融科技所依靠的基礎信息科技技術，如人工智能、大數據技術、5G 等。應用場景類金融科技關鍵詞，則是指金融科技底層技術運用于金融的具體場景，例如大數據風控、智能投顧等。本文按照兩類詞語分別構建金融科技關鍵詞詞庫（包括64個底層技術類關鍵詞和83個應用場景關鍵詞）①具體關鍵詞可以向作者索取。。進一步地，本文基于所選定的金融科技關鍵詞詞庫搜索和統計了新聞語料庫中每條新聞中出現的金融科技關鍵詞的詞頻。

需要指出的是，金融文本情感的識別不同于一般文本情緒的識別，具有較強的行業特征。目前，對于一般文本的情緒識別，已經具有較為權威的詞典。然而，由于金融領域的專業性較強，當通用類的文本情緒詞典應用于金融領域時，可能會出現詞典詞語遺漏或者詞語不適用的情況。本文的金融情緒詞典主要參考Jiang et al.（2019）構建的中文金融文本情感詞典，其中包含了5 890 個負面詞和3 338 個正面詞。與此同時，本文還進一步將知網情感詞典（HowNet）、大連理工大學中文情感詞典、臺灣大學情感詞典這三個中文類的通用情感詞典融合在一起，形成更為綜合全面的中文金融正負情感詞典。該詞典總計包含6 110 個正向情緒詞和3 550 個負向情緒詞，能夠較為全面地識別新聞中包含的金融科技情感信息。

（三）指數編制

為了形成連續且具有時效性的高頻量化指標來衡量媒體對銀行業金融科技的情緒，本文直接選用“銀行名稱”+“金融科技詞”+“情緒詞”作為判斷媒體對銀行業金融科技情緒的指標。具體做法分為以下幾步：

首先，篩選銀行業金融科技語料庫。本文利用Python軟件的正則表達式算法，篩選了新聞語料庫中包含“銀行名稱（包括其簡稱）”以及包含“金融科技關鍵詞詞庫”中任意關鍵詞的新聞。經過這一步，得到60 余萬條的新聞數據，作為銀行業金融科技語料庫。其次，判斷銀行業金融科技語料庫中的每條新聞的情緒。若銀行業金融科技語料庫中的新聞出現了正負情緒詞典中的情緒詞，則分別計算該條新聞中正、負兩類情緒詞的個數。最后，將其指數化。計算公式如下：

其中，Post、Negt分別代表正向或負向情緒詞在第t 天內的銀行金融科技語料中出現的頻數，T 代表樣本區間的總天數。然后將負向情感除以當天的正向情感，最終得到銀行科技的凈情緒指數TechSentit。該指數越大，代表媒體對銀行發展金融科技的悲觀情緒越強。

由于日度頻率的新聞中會出現沒有金融科技相關內容的情況，后文對銀行科技情緒指數的分析和應用主要利用更低頻率的均值。具體而言，對于銀行科技情緒指數的影響因素分析、短期系統性風險影響機制分析和凈溢出的量化分析中，均采用銀行科技情緒指數的周頻均值進行研究。針對長期系統性風險影響機制的實證分析，由于銀行財務數據頻率的局限性，本文與之對應采用銀行科技情緒指數的季頻均值進行研究。

三、銀行科技媒體情緒影響系統性風險的機制分析

（一）理論機制分析

銀行科技負向情緒如何影響銀行系統性風險？盡管本文構建的銀行科技負向情緒反映的是媒體的情感傾向，但這一傾向會引導儲戶的存款投資情緒。特別地，本文研究的媒體對銀行科技的負向情緒報道，會通過影響儲戶的兩種動機來改變其存款行為。

第一，儲戶要求更安全投資的動機。對于儲戶而言，相對于金融科技運用對銀行資產端的影響，其更關心銀行負債端的金融科技賦能業務。例如，網上銀行賬戶、智能投顧、智能支付等應用場景。當儲戶受媒體對這類銀行科技業務的負向報道影響時，會減少對銀行存款的投資。第二，儲戶要求更高收益投資的動機。當儲戶的投資情緒較為負向時，往往會對銀行存款產品或理財產品要求更高的回報收益率（陳榮達等，2019），而在存款利率市場化程度仍不足的背景下，銀行存款利率的上浮程度依然有限，加劇了儲戶對銀行存款需求的降低程度。可見，在這兩種動機的綜合影響下，銀行科技負向情緒的上升會影響銀行存款負債的穩定性。這種存款負債穩定性的下降，又可以分為短期、長期兩種表現。

在短期，銀行存款負債穩定性的下降主要表現為存款的大量提取和流失。此時，銀行面臨突發的流動性償還需求，被迫需要在銀行間市場融入更多的同業批發性資金以緩解壓力。當這種負向情緒引發的存款流失規模達到一定程度時，銀行間市場資金的需求會大幅超過供給，最終表現為整個市場流動性的緊缺，銀行體系的整體流動性風險上升，進而發生系統性風險的可能性也隨之增大。

在長期，銀行存款負債穩定性的下降主要表現為存款的展期和獲取難度的增大，從而不得不轉向更大比例的同業負債融資。根據方意等（2019）的研究框架，銀行系統性風險的主要來源機制包含機構個體的風險承擔以及機構之間的關聯風險。

首先，銀行科技負向情緒會增大銀行個體風險敞口。由于同業負債的利息支出普遍高于存款負債，因此隨著銀行同業負債比例的被動上升，銀行負債端的融資成本整體抬升。這會倒逼銀行主動調整其資產端的風險結構以獲得更高收益，從而匹配負債端的成本壓力。也即，銀行主動風險承擔的意愿會上升。考慮到銀行科技負向情緒沖擊對存款流失的影響具有持續性，銀行需要維持一定數量的高流動性資產（如現金、準備金、國債等）以滿足存款負債的提取需求。因此，負向情緒沖擊下的銀行主動風險承擔意愿可能更多地通過改變風險資產內部的收益結構來實現，而不是風險資產總量的變化。這種主動風險承擔行為的上升，最終可能會引起銀行在未來遭受資產損失。也即，被動風險承擔的上升，個體銀行在網絡中的風險敞口增大。

其次，銀行科技負向情緒會增大銀行之間的關聯性。有關系統性風險的研究中，銀行之間的關聯性主要分為兩類：通過同業借貸而形成的直接業務關聯性（楊子暉和李東承，2018；王輝等，2021）和通過持有共同資產而形成的間接關聯性（方意和黃麗靈，2019）。銀行科技負向情緒導致的銀行同業負債占比的上升就是直接關聯性增大的直接表現。銀行間接關聯性的影響則主要來自于，負向情緒沖擊下銀行未來持有債券或同業資產的比重上升。銀行出于資產端追求更高收益或保持更高流動性的動機，其會持有更多的債券和同業資產投資。這類資產相較于貸款而言，在金融市場上采取標準化交易。當銀行面臨外部沖擊而拋售資產時，就會通過間接關聯性來放大整個系統的損失程度。

圖1 銀行科技媒體情緒影響系統性風險的理論機制

（二）銀行科技情緒沖擊短期影響的實證分析

1. 實證設計

為了刻畫短期影響機制，本文采用三變量的向量自回歸（VAR）模型來刻畫銀行科技負向情緒沖擊下，銀行體系流動性風險和系統性風險的變化情況。由于此部分主要考慮情緒的短期沖擊影響，因此數據頻率選擇為周頻，樣本區間為2013年1月1日至2019年12月31日。除銀行科技情緒指數為作者自行構建之外，本文的其他數據均來自于WIND數據庫。

由于在周度的數據頻率下，銀行財務數據實難獲取，因此VAR 模型包含的內生變量為：（1）本文構建的銀行科技情緒指標。（2）隔夜銀行間同業拆借利率。該指標刻畫了銀行在同業市場的融資流動性風險，一方面它在某種程度上代表了銀行負債端在流動性需求驅動下的短期結構變化，另一方面銀行間市場流動性的緊缺也普遍被認為是銀行系統性風險的核心表現之一。（3）銀行業系統性風險指數。本文采用16 家上市銀行的各自周頻△CoVaR 指標的市值加權指數代表銀行業系統性風險程度。每家銀行的△CoVaR指標參考Adrian & Brunnermeier（2016）中GARCH—△CoVaR方法計算得到，見下式：

該方法將單家銀行對整個系統的風險溢出貢獻度分解為兩個部分：單家銀行與銀行系統損失率之間的相關系數，以及整個系統損失率的波動率。

本文使用廣義脈沖響應方法來計算銀行科技情緒沖擊的影響。傳統的Cholesky分解計算的脈沖響應函數受內生變量進入VAR模型順序影響，而廣義脈沖響應則避免了這一問題。VAR模型的滯后階數選擇2期，脈沖響應的預測期數選擇16期。

2. 實證結果分析

由于情緒沖擊具有突發性，從更加高頻短期的視角來研究銀行科技情緒對銀行體系風險的影響具有重要意義，這也是本文構建更加高頻的情緒指數的研究優勢。銀行科技負向情緒沖擊的短期影響結果參見圖2。

圖2 銀行科技情緒沖擊脈沖影響分析

可以發現，銀行科技負向情緒的增加整體抬升了銀行間市場同業拆借利率，銀行融資流動性風險上升。具體的響應趨勢表現為，銀行間同業拆借利率在負向情緒沖擊后的1周內先下降，隨后2—6周內拆借利率顯著上升，之后影響緩慢消減。這種變化趨勢的原因可能在于：當銀行面臨公眾負向情緒引發的負債端流動性償還需求時，會首先出售或贖回自己資產端的同業資產以獲取流動性資金。在這一過程中，銀行間同業市場形成了一個短期的賣方市場狀態，因此同業拆借利率在1期內呈現下降趨勢。隨著情緒引發的流動性償還需求逐漸增大，銀行不得不轉向通過負債端融入更多的同業批發性資金以緩解流動性償還壓力。這時，銀行間同業市場便呈現為買方市場的狀態，市場上的流動性資金供給逐漸緊張，銀行體系的流動性風險整體加大。

此外，銀行科技負向情緒的增加會導致銀行系統性風險在未來整體呈上升趨勢。具體表現為情緒沖擊后的當期，銀行系統性風險顯著上升，在第3、4 期系統性風險達到頂峰，隨后影響逐漸消減。銀行體系流動性風險在第2 期開始逐漸上升。這一變化也充分影響了銀行系統性風險，或者說整個銀行體系的流動性風險就是系統性風險中非常重要的一部分。

綜上所述，銀行科技負向情緒在短期內對銀行負債端造成了流動性償還壓力，進而引發銀行機構甚至整個銀行體系流動風險的上升，最后表現為銀行業系統性風險的上升。

（三）銀行科技情緒沖擊中長期影響的實證分析

1. 實證設計

為探究金融科技負向情緒對銀行系統性風險的中長期影響，本文基于2013年第一季度至2019年第四季度16家上市銀行季度面板數據，構建回歸模型如下：

其中，被解釋變量為第i家銀行在第t+h期時的系統性風險水平，同樣采用△CoVaR指標（江婕和王正位，2015），為上文計算周頻△CoVaR 指標的季度內均值。TechSentt為本文構建的銀行科技情緒指數的季度內均值。該指標越大，代表該季度的負向情緒越大，反之則越小。Controlsi，t代表一系列控制變量，μi為銀行個體固定效應，εi，t+h為殘差項。

為了研究銀行科技負向情緒沖擊對未來銀行系統性風險的影響，本文將被解釋變量分別取當期和半年后（未來兩個季度）的系統性風險水平。這一做法的目的主要有以下兩點：（1）緩解內生性問題。具體體現為，利用未來期銀行系統性風險水平對當期的情緒沖擊進行回歸，可以在一定程度上避免反向因果帶來的內生性問題。（2）能進行前瞻性分析。如果銀行科技情緒指標對未來期的銀行系統性風險均具有顯著的正向影響效果，則銀行科技情緒指標可以視作一個較好的前瞻性風險預警指標。

回歸方程中還納入如下的控制變量：（1）銀行個體固定效應；（2）銀行層面特征變量，包括銀行規模、杠桿率、不良貸款率、非利息收入占比；（3）加入年份固定效應以控制其他宏觀層面變量的影響以及整體的時間趨勢。這樣的做法在于，本文核心解釋變量為僅隨時間變化的指標，因此不能加入季度的時間固定效應。

此外，本文根據式（3），將銀行系統性風險分解為兩大影響因素：單家機構與銀行系統之間的關聯性以及單家銀行風險。具體而言，ρit為第t期季度內銀行i與銀行系統損失率之間的相關系數，σit為銀行i在第t 期季度內損失率的標準差。單家銀行損失率為季度內股票收益率均值的相反數，銀行系統損失率為季度內WIND 銀行業指數收益率均值的相反數。本文將被解釋變量拆解為以上兩個指標之后，同樣建立前瞻性的回歸模型如下：

進一步地，本文嘗試實證檢驗當期的銀行科技負向情緒是如何通過改變銀行未來一段時期內的資產負債表行為，進而增大銀行的個體風險和關聯風險，最終表現為系統性風險的累積與實現。

本文延續上文思路從銀行個體風險承擔和銀行與系統之間關聯風險這兩個維度進行考慮，綜合采用4 類銀行財務指標。（1）直接關聯性指標：銀行同業負債占比。由同業批發性融資占計息負債比重計算得到。該指標一方面反映銀行面臨金融科技負向情緒沖擊時，在存款負債流失或難以展期的壓力下，被迫向同業融資的傾斜程度；另一方面，同業負債占比的上升代表著銀行間直接關聯性的上升。（2）主動風險承擔指標：風險加權資產比例，由風險加權資產占總資產的比例計算得到，反映了銀行事前的主動風險承擔意愿（方意，2015），即銀行對資產的數量結構調整。（3）被動風險承擔指標：Z-score①本文計算Z-score時，采用滾動5個季度的窗口計算ROA的波動率。。該指標被學術研究廣泛應用于銀行事后風險損失的刻畫，是銀行被動風險承擔的代理指標。（4）間接關聯性指標。本文選用投資資產占比這一指標作為銀行間接關聯性的代理指標。該指標由銀行生息資產總額減去現金、準備金和貸款及墊款三項資產后，除以總資產得到。相較于貸款資產而言，這類以公允價值計算的投資類資產具有標準化交易的特征，當銀行廣泛地投資于此類資產時，銀行之間就更加表現為持有共同資產的間接關聯性。基于上述4 類資產負債表行為，本文建立回歸模型如下。其中，被解釋變量Behaviori，t+h分別代表4類資產負債表行為的變量。

表4 銀行科技負向情緒與資產負債表行為

2. 實證結果分析

本文首先基于回歸模型來檢驗銀行科技負向情緒對銀行系統性風險的中長期影響關系，回歸結果參見表1，所有回歸均包含控制變量、銀行固定效應和年份固定效應。可以發現，這一影響系數在當期和半年后均在1%的顯著性水平下為正。由于情緒指數代表公眾對銀行發展金融科技的負向情感，因此該系數為正，表明銀行科技的負向情緒越高，銀行的系統性風險水平也越大。平均來看，當銀行科技情緒指數上升1個標準差，單家銀行的系統性風險當期上升約0.46個標準差，半年后上升約0.6個標準差，經濟顯著性較高。

表1 銀行科技負向情緒沖擊與銀行系統性風險

此外，考慮銀行科技情緒指數在季度頻率內取均值后的波動性會有所減弱，因此本文還采用歷史分解法得到的內部影響因子進行變量替代的穩健性分析。具體地，本文選取北京大學數字金融研究中心公開的互聯網金融關注度指數，代表銀行以外金融科技領域的發展狀況；選取該研究中心的互聯網金融情緒指數，代表媒體對銀行以外金融科技領域的情緒狀況；選取“金融監管”一詞的百度搜索指數，代表金融監管的整體強度和監管信息在社會中的整體普及度。歷史分解法可以得到上述三個外部影響因子對銀行科技情緒指數的時變貢獻趨勢，還會同時給出排除三個外部影響因素和歷史趨勢項之后的內部影響因子。將銀行科技情緒指數替換為其內部影響因子之后，負向情緒對半年后銀行系統性風險的正向溢出效果依然顯著。

根據前文，銀行系統性風險由兩個因素驅動：個體波動風險以及單家銀行與銀行系統之間的關聯性，即相關系數。因此，本文接下來將被解釋變量拆解成個體風險和關聯風險，分別對銀行科技情緒指數等相關變量進行前瞻性回歸。以銀行個體風險為被解釋變量的回歸結果參見表2，以銀行與系統的關聯性為被解釋變量的回歸結果參見表3，所有回歸均包含控制變量、銀行固定效應和年份固定效應。可以發現，銀行科技情緒指數的上升，即銀行遭受負向情緒沖擊之后，當期銀行的個體風險和關聯風險均顯著上升，這與本節第一部分短期影響的結果相呼應。也即，突發的情緒沖擊會引起部分存款同時擠兌，銀行迫于負債償還壓力從銀行間同業市場來融入資金，引發自身和整個銀行系統的流動性風險的上升。

表2 銀行科技負向情緒沖擊與銀行個體風險

表3 銀行科技負向情緒沖擊與銀行的關聯性

此外，還可以發現，公眾對銀行科技的負向情緒越大時，銀行的個體風險和關聯風險在兩個季度之后又呈現出顯著上升的結果。總體來講，銀行科技負向情緒不僅在短期會通過流動性風險來影響銀行體系的系統性風險，還會在未來較長的時間里，通過增大銀行個體風險、增大銀行與系統的關聯風險兩個驅動因素，再次影響系統性風險水平的抬升。從另一方面，這也表明，銀行科技情緒指標對系統性風險具有一定的前瞻性預警能力。

上述結果是利用市場數據測算的系統性風險指標作為基礎，而市場數據測算的系統性風險指標較為“黑箱”，機制不是很直觀。為此，本文進一步通過考慮銀行面臨沖擊后資產負債表行為的變化，嘗試對銀行科技負向情緒的長期影響機制進行更為直觀的剖析。具體而言，本文采用同業負債占比、加權風險資產比例、凈息差、Z-score、投資資產占比五個資產負債表指標對銀行科技負向情緒沖擊進行前瞻性回歸分析，分別研究該情緒沖擊對銀行主動風險承擔、被動風險承擔這兩大類個體風險指標和直接關聯性、間接關聯性這兩大關聯指標的長期影響。回歸結果參見表4，所有回歸均包含控制變量、銀行固定效應和年份固定效應。

綜合表4的結果，本文總結負向情緒對銀行系統性風險的長期影響機制如下：當銀行遭受負向情緒沖擊后，以存款為代表的銀行核心負債穩定性下降。銀行在短期可能面臨存量存款的流失，在長期則面臨從公眾吸收存款難度加大的問題。此外，由于銀行可能借助于“金融科技”的噱頭來宣傳其理財等結構性存款產品，銀行科技的負向情緒同時也會對這一部分負債來源造成沖擊。最終，導致銀行不得不加大從同業融入資金的比例。因此，金融科技負向情緒沖擊之后，銀行同業負債比例表現出顯著的持續性上升態勢，銀行間的直接關聯性也隨之上升。

由于銀行同業負債的融資利率相較于存款負債而言整體較高，因此銀行同業負債比例的被動上升會導致銀行負債端成本的上升，這就要求銀行主動改變其資產端的風險結構以匹配負債端的成本壓力。本文發現，在遭遇銀行科技負向情緒沖擊之后，從數量角度刻畫風險承擔意愿的指標（也即調整的加權風險資產比例），僅在當期顯著增大，而在隨后的季度中并沒有發生顯著的變化。當期系數為正值，在一定程度上更多地反映短期負債流動性的償還壓力下，銀行持有現金等無風險資產數量的下降，而不是持有風險資產數量的上升。本文還將銀行凈息差作為被解釋變量，發現凈息差在負向情緒沖擊下呈現逐季度顯著上升的趨勢。這反映了，銀行的主動風險承擔并不是調整風險資產的規模，而是更傾向于調整風險資產的結構（也即將資金投向收益更高的貸款資產和債券投資上）。

這種風險資產結構的變化一般會帶來兩個后果。第1個后果是銀行未來的風險敞口會增大。具體體現為，高收益往往伴隨著高風險，銀行主動風險承擔行為的上升最終可能會引起銀行遭受資產損失。也即，事后被動風險承擔水平的上升。從回歸結果來看，在銀行科技負向情緒沖擊半年之后，銀行Z-score值呈現顯著下降趨勢。由于該值越小代表銀行事后風險承擔水平越高，因此銀行科技負向情緒通過改變銀行主動風險承擔意愿從而導致了事后個體風險的實現。第2個后果是銀行網絡的間接關聯性會增大。具體體現為，銀行從事風險資產業務以持有或投資更多的同業資產和金融債券資產為主。與貸款資產不同，這些類別的資產在金融市場上采取標準化交易。因此，這類資產在銀行資產端比重的上升，也意味著銀行與銀行之間持有相似資產的間接關聯性上升。當銀行面臨外部沖擊拋售資產時，就會通過間接關聯性放大整個系統的損失程度，進而引發系統性風險。

綜上，當銀行面臨負向情緒沖擊時，由于存款負債穩定性的部分喪失，被迫提升同業負債融資比例，加大資產風險投資占比，進而放大未來個體風險敞口及其在銀行網絡中的直接關聯性和間接關聯性，最終表現為系統性風險的上升。

四、銀行科技情緒沖擊的動態凈溢出指數

（一）情緒沖擊影響的時變量化：雙重△CoVaR模型

現有文獻研究外部或內部沖擊下銀行系統性風險的變化，大多利用回歸模型進行分析。然而，回歸分析也存在以下不足：第一，回歸模型只能得到樣本期內平均的影響系數，難以捕捉凈溢出影響的時變特征。第二，回歸模型難以刻畫沖擊的尾部特性，而系統性風險的內涵是更關注極端沖擊下的風險演變過程。

本部分借鑒方意等（2021）構建的改進雙重△CoVaR模型以得到反映銀行科技負向情緒尾部沖擊下的動態銀行業系統性風險指標。然后，通過新建指標與傳統Adrian & Brunnermeier（2016）中分位數模型計算的△CoVaR指標進行差分，得到銀行科技負向情緒對銀行業系統性風險的凈溢出。

雙重△CoVaR模型改進的核心思想在于：

（1）刻畫銀行科技負向情緒自身的壓力情形，以此為基礎刻畫在銀行科技情緒處于壓力情形時單家銀行的壓力水平，這是第一重△CoVaR。在這一重△CoVaR 模型中，與Adrian & Brunnermeier（2016）不同的是，本文將銀行系統對單家銀行的尾部依賴關系替換為單家銀行對銀行科技負向情緒的尾部依賴關系。因此，這一重△CoVaR，代表銀行科技負向情緒變動對銀行機構風險的影響作用。

（2）本文刻畫銀行科技負向情緒和單家銀行同時處于壓力情形下，銀行系統的壓力水平，這是第二重△CoVaR 模型。銀行科技負向情緒對銀行系統風險溢出的作用原理與第一重△CoVaR 類似，這里不再贅述。利用銀行科技負向情緒處于壓力時期的單家銀行對系統風險貢獻度扣減銀行科技負向情緒處于正常時期的單家銀行對系統風險貢獻度，可以得到著重考慮銀行科技負向情緒由正常狀態轉為壓力狀態時單家機構的系統性風險。

（3）將新構建的考慮銀行科技負向情緒尾部沖擊下的系統性風險指標與傳統△CoVaR指標作差，得到本文的研究目標，即銀行科技負向情緒對銀行系統性風險的凈溢出。

依照上述思路，具體實證步驟如下：

第一，刻畫銀行科技負向情緒自身的壓力指標。也即，在90%分位數水平下構建分位數回歸模型得到金融科技負向情緒的壓力指標：其中，TechSentt為上文構建的銀行科技情緒指數，Mt-1為滯后一期的7 個宏觀狀態變量。參照Adrian &Brunnermeier（2016），本文選擇了以下7 個宏觀狀態變量，分別是短期國債收益率、期限價差、短期“TED”價差、信用價差、股市收益率、股市波動率以及房地產市場超額收益率。

第二，計算單家銀行的壓力指標。本文將銀行科技情緒指數納入到計算單家銀行在險價值的分位數回歸模型中，得到負向情緒處于壓力時期單家銀行的在險價值指標：

第三，計算銀行系統的壓力指標。本文以銀行系統損失率為被解釋變量，以單家銀行損失率、銀行科技情緒指數和各狀態變量為解釋變量，在q%的分位數水平下構建分位數回歸模型得到銀行系統的壓力指標：

接下來，利用實際數據對上述式子進行回歸，可以得到如下三個擬合方程：

本文統一將壓力水平定義為90%分位數。因此，著重考慮銀行科技負向情緒由正常狀態轉為壓力狀態時單家機構的系統性風險，計算如下：

此外，根據Adrian & Brunnermeier（2016），傳統不單獨考慮銀行科技情緒尾部沖擊的系統性風險指標計算如下：

式（14）和式（15）相減得到銀行科技負向情緒對銀行i 的系統性風險貢獻凈影響，稱之為銀行科技負向情緒的凈溢出：

將式（16）銀行科技負向情緒對單家機構系統性風險的凈溢出，以市值規模進行加權平均，可以得到時間維度下的總凈溢出指標：

本文進一步將式（16）中銀行科技負向情緒對系統性風險的凈溢出進行分解，可以分解為兩項。每一項中分別包含一個驅動因子，如下所示：

第一個驅動因子主要刻畫銀行科技負向情緒通過改變單家機構i的個體風險而對銀行系統造成的風險凈溢出，本文稱為個體風險溢出因子。第二個驅動因子主要刻畫銀行科技負向情緒通過改變銀行機構與銀行系統之間的關聯性而對銀行系統造成的風險凈溢出，本文稱為關聯風險溢出因子。

可以發現，上述兩個因子對應著傳統系統性風險△CoVaR指標的兩個因素，即單家機構風險水平以及銀行機構與銀行系統之間的尾部關聯性。這兩個因素數值越大，單家機構對銀行系統的風險溢出（即系統性風險）也就越大。而個體風險溢出因子和關聯風險溢出因子正是反映了銀行科技負向情緒的尾部沖擊對這兩個因素的凈增大程度。因此，本文通過對這兩個因子的刻畫，可以精確捕捉外部沖擊下銀行業系統性風險生成的驅動因素，有助于監管當局進行有效的政策制定。

此外，需要說明的是，為了避免前瞻性偏差問題，本文計算雙重△CoVaR 模型時采用滾動窗口的方法。由于滾動窗口法會損失樣本，因此本文在這一部分使用較為高頻的周度數據進行量化分析。具體而言，本文設置200 為窗口期，利用窗口內樣本數據測算雙重△CoVaR 模型，以窗口期內的計算得到末期凈溢出值作為該時點的凈溢出水平。

（二）凈溢出的量化分析

本文進一步量化了2015年1月至2019年12月間周頻傳統△CoVaR指標、考慮銀行科技負向情緒尾部沖擊下的△CoVaR 指標以及銀行科技負向情緒對銀行系統性風險的凈溢出指標。圖3給出了銀行科技負向情緒對銀行系統性風險的加權凈溢出的歷史趨勢（黑色實線），并結合銀行科技負向情緒增長率指標（灰色陰影）進行比對分析。考慮周頻數據波動性較大，直接制圖不便于直觀地總結規律，因此本文將計算得到的周頻數據取月度平均值來制圖，后文相關圖形同理。

圖3 凈溢出走勢和銀行科技負向情緒增長率

本文統計了圖3 中的凈溢出和負向情緒表現出當期同漲同跌現象的時點數為37 個，表現出凈溢出與滯后一期負向情緒同漲同跌現象的時點數為34個，滿足上述任意條件的時點數總計為55個，占整個樣本時點數的5/6。因此，整體來看，在銀行科技負向情緒加劇時期，其對銀行系統性風險的凈溢出也隨之上升；反之，當銀行科技的負向情緒有所緩和時，凈溢出也相應下降。

本文進一步地根據凈溢出指數的變化趨勢，將其劃分為四個階段：第一階段（2015年1月至2015年7 月），凈溢出整體呈加速上升趨勢。第二階段（2015年8 月至2017年12 月），凈溢出呈現出波動下降趨勢。第三階段（2018 年1 月至2018 年10 月），凈溢出表現為大幅抬升態勢，并達到歷史高點。第四階段（2018年10月至2019年12月），凈溢出重啟波動式下降的變化特征。

如上文所述，銀行科技負向情緒對銀行系統性風險的凈溢出可以拆解為兩個驅動因子：個體風險溢出因子與關聯風險溢出因子。接下來，本文將從這兩個因子的角度出發，進一步從時間維度拆解銀行科技負向情緒對銀行系統性風險的溢出途徑。圖4上下兩圖分別展示了個體風險溢出因子和關聯風險溢出因子（實線）與凈溢出指數（虛線）的走勢對比。直觀來看，凈溢出與間接溢出因子之間的走勢高度一致，而凈溢出相較關聯溢出因子而言具有一定的滯后性。基于此，本文測算了凈溢出指數和兩類驅動因子的當期及滯后期相關系數，結果參見表5。

表5 凈溢出指數和兩類驅動因子相關系數

圖4 凈溢出的兩個驅動因子

從表5可以發現，凈溢出效應的當期驅動因素主要來自于個體風險溢出因子，但當期的個體風險溢出因子受關聯風險溢出因子的滯后期影響很大。凈溢出與同期個體風險溢出因子之間的相關系數最大，高達0.98。隨著滯后期的延長，凈溢出與個體風險溢出因子的滯后期水平正相關系數逐漸減弱。然而，關聯風險溢出因子與凈溢出之間的相關系數結果則完全相反：凈溢出與同期關聯溢出因子之間的相關系數較小，但隨著滯后期的延長，凈溢出與關聯風險溢出因子的滯后期水平之間的正相關系數越來越強。從表的第3列可知，關聯溢出因子首先通過影響未來個體風險溢出因子的同向變化，繼而影響未來當期的凈溢出水平。也即，面臨銀行科技負向情緒沖擊時，當期銀行個體風險水平隨之增大，并立即體現為當期系統性風險的上升；而當期銀行網絡之間關聯性的上升不會立即導致系統性風險的實現，而是通過關聯性的不斷累積，在未來風險實現過程中通過傳染鏈條來放大個體的損失水平，從而引發未來系統性風險水平的上升。

五、結論及政策建議

本文通過構建媒體對銀行發展金融科技的情緒指數，從銀行存款負債穩定性視角出發，探究了銀行科技負向情緒沖擊對銀行系統性風險的短期和長期影響機制，并利用雙重△CoVaR 模型量化了時變的情緒溢出效應指數。本文得到的主要研究結論如下：

第一，銀行科技負向情緒沖擊在短期和長期都會增大銀行系統性風險。短期影響主要來自情緒引發的存款擠兌，銀行間同業市場資金壓力上升，進而增大整個銀行體系的流動性風險。長期影響來自于核心負債穩定性下降后，銀行被迫加大同業融資比重和風險資產業務的投資，進而增大了銀行未來的風險損失敞口和銀行間的關聯性，最終表現為系統性風險的上升與釋放。

第二，銀行科技負向情緒尾部沖擊對系統性風險的時變凈溢出指數整體為正，且表現出階段性上升的特征。凈溢出的當期驅動因素主要來自個體風險溢出因子，但沖擊下當期關聯風險溢出因子的上升會增大未來個體風險遭遇沖擊時的風險放大程度。

基于上述結論，本文提出如下政策建議：

第一，要注重公眾對銀行科技負向情緒的演變趨勢，盡可能做好情緒的撫平管理。首先，監管當局應持續規范引導金融科技的發展方向，銀行應用金融科技賦能資產負債業務時要正本清源，避免打著“金融創新”的幌子進行監管套利和損害消費者利益，減弱公眾的信任。其次，要充分關注金融創新演變過程中可能對銀行造成的競爭壓力，銀行應積極與新金融理念、模式、技術合作共贏，從而抑制公眾的負向情緒。最后，金融監管當局要重視金融創新的演變趨勢，及時合理地制定監管約束，避免金融監管過度滯后于金融創新而引發的風險事件和負向情緒。同時，監管部門要格外注重監管信息在公眾中的感知程度，讓有序監管、穿透監管、合理監管的理念在整個社會得到共識。

第二，監管當局應把情緒管理納入宏觀審慎政策框架之中。本文結果發現，以金融科技負向情緒為代表的情緒沖擊對銀行系統性風險具有深刻的影響。監管當局應利用大數據等監管科技手段量化情緒變動指標，以監測和防范系統性金融風險的發生。從防范角度而言，當面臨較大情緒沖擊時，短期內監管當局應注重銀行間市場的流動性緊缺狀況，合理釋放流動性資金。在長期應重點關注銀行因負債穩定性下降而導致的主動風險承擔意愿的上升，做好微觀審慎銀行個體風險管理的同時，加大針對銀行關聯性變化的宏觀審慎管理。

第三，銀行要更加注重日常的負債管理工作。一方面，銀行管理層也要重視外部情緒變化可能帶來的銀行聲譽風險，進而引發核心負債存款的擠兌和流失。銀行管理層在面臨外部情緒沖擊時，要主動安撫公眾信心，增強核心負債的穩定性。另一方面，銀行應當確立與本行負債規模和復雜程度相適應的負債質量管理體系，從負債來源的穩定性、結構的多樣性與資產流動性匹配的合理性、獲取的主動性、成本的適當性等方面加強日常負債管理質量，維護銀行體系安全穩健運行。