中美银行业系统性风险比较研究

杨 霞

（湖北工业大学 经济与政法学院，湖北 武汉 430068）

一、引言

美国金融危机蔓延全球，不断发展演变，至今还深刻地影响着世界经济。此次危机留给金融业的一个重大教训就是即使每个金融机构均健康运行，也不能保证整个金融业系统的安全稳健。以单个金融机构为目标的微观审慎监管体系低估甚至忽视了金融机构的行为及其产生的金融风险的巨大外部性，因此，微观审慎监管无法防范系统性风险的爆发，甚至有可能带来系统性风险的积聚。银行业作为金融体系的主体，也是金融风险最为集中的领域，防范金融危机应从防范和化解银行业系统性风险入手。

科学地设计系统性风险测量指标，正确识别和防范系统性风险，是加强宏观审慎监管的重要基础。美国金融危机之前，对系统性风险的测量与预警研究虽已有之，但由于对系统性风险尚未形成准确定义，关于风险的度量方法也比较零散，而且主要是宏观整体层面的度量，未有从单个金融机构考量对整个银行业系统的影响。危机后的理论发展更加深化，研究视角更为开放，更多从银行体系内机构之间的相互关联性与传染性视角出发，对系统性风险的发展演变路径及方式做了深层次的测度与分析。但是，研究模型的实证效果尚不统一，风险的测量与监管的实施尚未有机结合。本文通过对系统性风险的测量方法进行系统性的回顾和总结，并选取不同测量方法分别对中美两国的银行业系统性风险进行实证研究，不仅有助于探讨适于我国银行业的系统性风险测量方法，也为进一步加强对系统性风险的监管，完善我国的宏观审慎监管体系提供支持。

二、文献综述

（一）银行业系统性风险理论界定

目前，国际上对银行业系统性风险并没有统一的、被普遍接受的定义。这一方面体现出对系统性风险的研究还比较有限，有待进一步探索；另一方面也说明了系统性风险本身是一个复杂的问题。系统性风险（systemic risk）与我们通常讲的系统风险（systematic risk）有着本质的区别。“系统风险”指由共同的或普遍性的因素造成的资产波动性，有时又称为不可分散风险或市场风险。在大量的可随机选择的资产中按分散化原则建立投资组合时，系统风险指该投资组合可以获得的最低水平的风险。根据Kaufman和Scott的研究，系统性风险是指整个系统崩溃的风险或可能性，表现为系统中的大部分或所有组成部分的相关性［1］。De Bandt和Hartmann指出系统性风险的研究应涵盖银行体系、金融市场与支付结算体系领域，包括传染性的风险与共同冲击风险［2］。所以，系统性金融风险中的“系统性”包涵两方面的意义：一方面，是指一个事件影响了整个金融体系的正常运作；另一方面，该事件还影响到看似不相干的第三方。

（二）系统性风险测量的相关研究

对系统性风险的量化是防范和管理风险的前提。在美国金融危机爆发之前，主要采取综合指数法和预警分析法来度量系统性风险。如果对系统性风险的预警指标设计科学，应可以通过指标计算有效地预测风险，防范危机。但是，美国金融危机的最终爆发并大规模蔓延显示出传统的系统性风险测量方法存在致命缺陷。危机之后，对系统性风险的识别与评估方法的研究逐渐深入，金融监管当局以及专家学者们提出了一系列测度系统性风险的新方法。但如上文所言，由于对系统性风险的定义本身就未达成共识，关于系统性风险的测量也未形成统一的方法和体系。

1．系统性风险测量的方法。一类是基于各类财务数据（如资产负债表数据、股票市场数据、债券衍生产品市场数据等）的指标计算法。指标分析法中，一种是通过考察金融机构股票收益率的相关性变化，来衡量金融部门的系统性风险。如Alfred和Lehar运用风险管理方法度量银行系统性风险，该方法使用银行资产间的相关系数测量系统性风险的传染，通过模拟银行资产的波动，考察在满足一定的资产条件和数目条件下，系统性风险发生的概率［3］。另一种是通过金融机构资产收益在统计上的尾部行为（statistical tail behavior）来测度系统性风险。如Adrian和Brunnermeier基于风险价值（value at risk，VaR）提出的条件风险价值（CoVaR）①是度量其他金融市场或金融机构在危机或高风险条件下投资组合损失的方法［4］。与传统VaR方法不同的是，CoVaR方法运用VaR的方法和框架研究风险溢出效应，以条件VaR的数值表示风险溢出强度的大小。还有，Acharya等基于期望损失（expected shortfall，ES）提出的系统性期望损失（systemic expected shortfall，SES）和边际期望损失（marginal expected shortfall，MES）方法，SES和MES考虑了金融机构杠杆率对系统性风险和金融机构的边际风险贡献的影响，并基于微观经济理论模型和极值理论证明了可以通过未发生金融危机时各金融机构的边际期望损失和杠杆率，预测发生系统性金融危机时金融机构对整个系统的边际风险贡献［5］。危机后SES和 MES方法得到了学者们的广泛推崇，如Brownlees和Engle［6］，Tarashev et al［7］。

另一类是基于金融机构之间实际资产负债关联的网络分析法（network analysis approach）。网络分析法利用银行间的双边资产负债敞口，通过模拟银行网络体系中单个或多个银行作为系统性风险诱发因素导致的银行破产数量、破产损失以及诱发系统性危机的难易程度，衡量银行体系的传染风险（Degryse和 Nguyen［8］、Upper［9］［10］、Mistrulli［11］、黄炎，李善民等［12］），以及单个银行对银行部门的系统性风险贡献和相对系统重要性程度（IMF［13］、范小云等［14］）。IMF借鉴Sundararajan的研究成果，选取了36家银行为样本，以1998～2008年的相关数据，从资本充足率、资产质量、流动性、杠杆率、盈利能力和股票市场表现六个方面对监管银行和被监管银行进行了差别比较。研究结果表明，杠杆率是最可靠的预测系统性风险的指标之一；贷款准备金和资产回报率表现出了一定的预测能力，而资本充足率、流动性、非获利贷款和股权收益率均未显示出预测能力［15］。

2．系统性风险测量的难点。系统性风险的测量存在如下的难点：（1）系统性风险的识别与界定。理论界对系统性风险的界定还存在争议，即系统性风险发生与结束的时间难以准确界定。多数文献都承认由于缺乏银行金融活动的可靠数据，通过建立一个时间序列指数来识别银行危机的难度很大。现有的风险界定理论都以事件为基础来界定系统性风险，但事件分析存在一定的缺陷，如事件分析法收集的数据都是事后的数据，无法明确界定风险事件的爆发时间与系统性风险的结束时间，采用的标准不同，得到风险期间则不同。（2）数据可得性。由于银行体系的保密性，如银行相关的数据难以获得，这也导致系统性风险测量存在困难。银行数据的不同，导致测量的方法不同。如风险是否爆发如果采用0，1来表示，那么可以采用Logit模型来进行分析，但由于各国的实际情况以及数据的获得性，在很多条件下，很难采用Logit模型来进行模拟和研究。

综上所述，既有的研究更多将这二者的关系割裂开来，也就不能很好地将银行系统性风险的触发机制与传染机制结合起来，因此，本文将探讨如何将银行的微观风险度量模型（VaR）与银行系统性风险的测度结合起来，以及如何将宏观审慎指标与银行体系微观特征结合起来以共同对银行系统性风险进行测度。

三、美国银行业系统性风险的实证研究

次贷危机的发生及蔓延说明美国金融体系存在巨大的系统性风险。导致美国次贷危机的原因有：宽松的货币政策、发达的金融衍生交易市场、风险管理机制不健全以及金融监管的缺位，这其中最重要的原因是对系统性金融风险防范的忽视导致宏观审慎监管不足。由于数据可得性原因，本文将采用指标体系的研究方法来探讨美国银行业的系统性风险。

（一）数据来源

本部分的数据主要来源于BvD数据库、IMF数据库以及世界银行WDI数据库等。本文收集的样本数据时间段为1995～2010年，所有数据均以年度为单位。本文使用的统计工具为EVIEWS6．0。

（二）变量的选择

本文从系统性风险的微观基础来进行衡量，所以选择如下变量：CREDIT代表银行存款增长率，表示银行的流动性风险。银行存款增长越快，代表银行流动性越强，系统性风险越小。NPR代表不良贷款率，表示银行的信用风险。银行不良贷款率上升越快，代表银行信用风险越高，系统性风险越高。CAR代表资本充足率，表示银行的资本充足的程度。银行资本充足率越高，代表银行抵抗风险的能力越强，系统性风险越低。

（三）实证模型

利用上述变量进行美国银行业系统性风险的衡量，可得到代表系统性风险的指数Z：

其中：Uct代表CREDIT的期望值；Unt代表NPR的期望值；Urt代表CAR的期望值。σct代表CREDIT的方差；σnt代表NPR的方差；σrt代表CREDIT的方差。

（四）计算结果

利用式（1），可得到1995～2010年美国银行业系统性风险的评估值如表1。根据系统性风险指标Z的定义，可以发现美国银行业的系统性风险变化较大，与危机的发展趋势是一致的。1997年受亚洲金融危机的影响，美国银行业系统性风险上升；随着美国经济和全球经济的复苏，美国银行业的系统性风险在1998年后逐渐下降；2004年之后，系统性风险重新集聚，到2007年集中爆发，最终导致美国银行业受到重创；危机之后，经过一系列政策的干预与调整，系统性风险有所好转，但美国银行业仍处于不稳定状态。

表1 美国系统性风险评估值

为了界定系统性风险的值所对应的金融状态，把Z值定义如下：

表2 系统性风险状态临界表

四、中国银行业系统性风险的实证研究

（一）系统性风险测量模型的选择

本文利用CoVaR法来探讨我国银行业系统性风险的影响因素。传统对市场风险的测量主要利用VaR来测量某一资产或投资组合在未来某个时点的可能损失。为了衡量多项资产或投资之间的相互影响及其风险，Adrian和Brunnermeier提出的CoVaR模型表示的是在给定置信水平1－q下，当银行i的损失为VaR时，银行j的损失为CoVa。CoVa的本质是条件VaR［4］。当银行i出现VaR的损失时，其对银行j的影响我们定义为风险溢出值：

在式（2）中，i与j代表任意银行，因此，我们能够利用上式来计算银行之间的系统性风险。

（二）数据来源

本部分选取沪深两市2005年1月1日到2010年12月20日10家上市银行②的收盘价数据作为样本，数据来源于Wind数据库。本文利用Eviews6．0和Stata 10进行数据分析和处理。

（三）系统性风险的测量

首先对上述样本数据进行平稳性检验，结果表明在1%的置信水平下，所有样本银行的收益率数据都拒绝单位根检验，为平稳数据。因此，可以利用GARCH模型来计算各银行的VaR、CoVaR和ΔCoVaR，得到的结果见表3：

表3 我国银行收益率（1%置信水平）

通过表3可知，工商银行、建设银行、中国银行以及农业银行日均VaR损失最小，宁波银行和北京银行日均VaR损失最大。其他股份制银行的日均VaR损失居中，这说明中小银行的潜在风险较高，损失的可能性更高。另外，当工商银行、建设银行、中国银行以及农业银行其中某一家银行发生风险时，其对系统性风险的影响较大，而中小银行发生风险后，其对系统性风险的影响较小。这是因为以资产规模来计算，中农工建四大国有商业银行的资产规模2005年底为191 532．2亿元，产业集中度CR高达55%。2007年我国四大商业银行运用的人民币资金占到整个金融体系人民币资金运用总量的75%③。这四家银行在我国金融市场上占主导地位，发挥着系统性的重要作用。

（四）系统性风险的影响因素分析

1．变量选择。（1）资产收益率（ROA）。银行的系统性风险与银行的资产收益率有关，银行收益率越高，银行的系统性风险相对较小。（2）不良贷款率（NPL）。该指标衡量的是银行贷款违约的风险，银行贷款违约风险上升将导致银行系统性风险上升。（3）杠杆率（存贷款比例，LEVERAGE）。银行存贷款比例代表的是银行的流动性，按照中国人民银行的规定，我国商业银行的贷款与存款比例不能超过75%。存贷款比率的上升将导致银行系统性风险的上升。（4）资产规模（ASSET）。银行资产规模越大，其对系统性风险的影响越大。（5）市场风险（VaR）。单一银行的市场风险的上升将导致银行业整体风险的上升。同时，考虑到风险的滞后效应，我们将引入滞后一期的VaR1作为解释变量。（6）经济增长率（GDP）。为了衡量一个国家或地区经济增长因素对银行业系统性风险的影响，我们引入经济增长率变量。当一个国家或地区经济增长比较快时，银行业利润上升，其系统性风险将会下降。

2．实证模型。根据上文分析，笔者构建如下分析模型：

上式中，αit为截距项，αi（i＝1，…，7）为回归系数，λi代表不可观测的时间效应，它解释了没有被包括在回归模型中和时间有关的效应。εit是随机扰动项。其他变量的含义如上介绍。

3．数据来源。本部分选取沪深两市10家上市银行的季度数据作为样本，数据来源于Wind数据库、银监会的统计数据、BvD数据库、中经数据库、中国人民银行统计季报，时间段为2005年第1季度到2010年第4季度。

4．实证分析结果。利用上述10家上市银行的数据，结合模型（3）我们来进行实证分析。我们使用的统计工具是Eviews6．0和Stata 10。

首先，对数据的平稳性进行检验，发现数据为平稳的。在数据处理过程中，对资产规模（ASSET）取对数进行运算。其次，我们对上述面板数据进行豪斯曼检验（Hausman test）来判断模型是固定效应估计（fixed effects estimates）还是随机效应估计（random effects estimates）的，结果表明，模型是随机效应的。最后，把数据代入模型，得到的结果如下：

表4 系统性风险影响因素实证结果

通过表3的实证结果可以得到，单个银行的VaR值对银行业系统性风险有正的影响，单个银行的市场风险的上升将导致银行业系统性风险的上升，并且由于风险的滞后性，滞后一期VaR值仍然对系统性风险有正的影响。这是由于我国银行经营体制比较类似，单个银行的风险会传递给其他银行。单个银行收益率的上升将导致银行业系统性性风险的下降，因此变量与系统性风险存在负的相关性。单个银行的贷款不良率的上升将导致银行业系统性风险的上升，因此，与系统性风险存在正的相关性。单个银行的存贷款比例（杠杆率）的上升表明银行信贷的扩展，这将导致银行的风险上升，进而导致银行业系统性风险的上升，因此，与系统性风险存在正的相关性。单个银行的资产规模与系统性风险存在正的相关性，即银行规模越大，其对系统性风险的影响也越大，这也与表3研究结果相吻合。我国经济的快速增长将促使银行业快速发展，降低银行业的风险，因此，与系统性风险直接存在负的相关性。

五、结论与政策建议

本文借鉴指标体系的研究方法来测量美国银行业的系统性风险，同时，利用CoVaR法来探讨我国银行业系统性风险的影响因素。实证研究表明美国银行业的系统性风险变化较大，与危机的发展趋势基本一致。在我国，银行业的系统性风险尚在可控范围之内，但也会受到多项指标的影响。比如单个银行市场风险的上升、不良贷款率的提高、存贷款比例扩大、资产的提高都会带来系统性风险的上升，而单个银行收益率的上升、我国经济的快速增长会降低银行业的系统性风险。

此外，我国还应从政策层面上加强监管，防范系统性风险的爆发。一是赋予中国人民银行更大的系统性风险监管职能。在我国，能对金融稳定构成严重威胁的系统性风险可能不多，但中国金融体系仍然难以避免外部风险冲击，要对可能产生的系统性风险予以防范。中国人民银行一直以来承担着防范和化解系统性金融风险、维护金融体系稳定的职责，拥有金融监管的信息、经验、技术和人才等优势，理应成为宏观审慎监管的牵头人。因此，我国应进一步赋予中国人民银行广泛的监管权力，确保其宏观审慎监管的主体地位，使其在金融监管中发挥重要作用，有效防范系统性风险，确保金融体系稳健运行，促进实体经济的发展。

二是要加强系统性风险预警机制的建设。风险预警机制建设是防范系统性风险的重要举措，通过对相关指标的监测，可以提高对系统性风险的识别能力和预测水平。金融监管部门要加强金融统计基础数据的收集整理，尤其关注那些与风险密切相关数据的变化。科学合理地选择系统性风险的表征指标，及时跟踪指标的变化，借鉴国际先进的经验，不断完善对系统性风险的测量及预警机制。

三是对系统重要性银行采取更为严格的监管。首先，应明确界定我国的全球系统重要性金融机构（G-SIFIs）和国内系统重要性金融机构（D-SIFIs），对此的识别、评估除了传统的银行资产规模指标以外，还应考虑复杂性、内外关联性等因素；然后，对由此甄别出来的“系统重要性金融机构”实行附加资本要求、扩大风险资产的覆盖面；此外，还应对大银行的组织架构和业务结构的过度复杂化进行监管，以维持金融系统的稳定。要建立一整套事前防范、事后应急处理的措施，一旦系统性风险爆发，能够迅速限制其外溢效应，降低风险的蔓延。

注释：

① “Co”包含四层含义：条件（conditional）、联动（comovement）、传染（contagion）、贡献（contribution），CoVaR中的“Co”是指条件（conditional）。

②10家银行分别是中国工商银行、建设银行、中国银行、农业银行、交通银行、招商银行、民生银行、中信银行、宁波银行与北京银行。下同。

③ 数据根据《中国金融年鉴》的相关数据计算得到。

［1］Kaufman，G．，Scott，E．．What is Systemic Risk，and Do Bank Regulators Retard or Contribute to It？［J］．The Independent Review，2003，（3）：371—391．

［2］De Bandt O．，Hartmann P．．Systemic Risk：ASurvey［Z］．European Central Bank Working Paper，2000．

［3］Lehar，Alfred．Measuring Systemic Risk：ARisk Management Approach［J］．Journal of Banking ＆Finance，2005，（29）：2577—2603．

［4］Adrian Tobias，Markus Brunnermeier．CoVaR［Z］．Federal Reserve Bank of New York Working Paper No．348，2009．［5］Acharya V．．ATheory of Systemic Risk and Design of Prudential Bank Regulation［J］．Journal of Financial Stability，2009，（5）：224—225．

［6］Brownlees C．T．，R．F．Engle．Volatility，Correlation and Tails for Systemic Risk Measurement［Z］．IMF Working Paper，2010．

［7］Tarashev，Nikola，Claudio Borio，Kostas Tsatsaronis．Attributing Systemic Risk to Individual Institutions［Z］．BIS Working Papers，No．308，2011．

［8］Degryse H．，Nguyen G．．Interbank Exposures：An Empirical Examination of Systemic Risk in the Belgian Banking System［J］．International Journal of Central Banking，2007，（3）：123—171．

［9］Upper，Christian．Using Counterfactual Simulations to Assess the Danger of Contagion in Inter-bank Markets［Z］．Bank for International Settlements Working Paper No．234，2007．

［10］Upper，Christian．Simulation Methods to Assess the Danger of Contagion in Interbank Markets［J］．Journal of Financial Stability，2011，（8）：111—125．

［11］Mistrulli，Paolo Emilio．Assessing Financial Contagion in the Interbank Market：Maximum Entropy Versus Observed Interbank Lending Patterns［J］．Journal of Banking ＆ Finance，2011，35（5）：1114—1127．

［12］黄炎，李善民．美国金融监管改革方案述评［J］．中南财经政法大学学报，2011，（4）：85—89．

［13］范小云，王道平，方意．我国金融机构的系统性风险贡献测度与监管——基于边际风险贡献于杠杆率的研究［J］．南开经济研究，2011，（4）：3—20．

［14］IMF．Global Financial Stability Report：Responding to the Financial Crisis and Measuring Syatemic Risk［Z］．Working Paper，2009．