银行网络对银行稳健性影响的实证分析

辜子寅

（常熟理工学院 数学与统计学院，江苏 常熟 215500）

银行网络对银行稳健性影响的实证分析

辜子寅

（常熟理工学院 数学与统计学院，江苏 常熟 215500）

文章以2005—2014年55家银行为样本，应用社会网络分析法对我国银行网络结构进行了研究，同时模拟了银行间风险传染效应，并采用面板负二项回归方法分析了银行网络对银行稳健性的影响。实证结果表明，我国银行网络逐渐趋于密集，国有商业银行仍居于核心位置，但中心度在下降；风险源来自以中国银行和工商银行为首的五大国有商业银行，但一般不会发生多轮次、大面积的风险传染；网络密度、中心度均与银行风险呈现显著的正相关关系，表明我国银行网络风险传染机制效应强于风险分担机制。

银行网络；银行稳健；社会网络分析；面板负二项回归

0　引言

在我国，银行作为金融体系的核心部门，近年来业务模式发生了较大转变。一些银行借助同业渠道腾挪信贷资产，通过投资类项目隐匿信贷规模，部分同业资金在体内循环，导致同业业务快速增长，增速超过了机构贷款、存款增长水平，部分中小股份制商业银行的同业资产占总资产比重已经超过30%，银行间的联系越来越密切。由于同业业务在一定程度上绕开了贷款规模限制，规避了利率管制，导致银行体系货币创造能力得到提高，宏观调控和金融监管政策的实施效果受到干扰，削弱了金融服务于实体经济的能力。可见，我国银行同业资产风险日益凸显，新的特征对银行稳健性提出了更高要求。本文从动态的角度，运用社会网络分析方法对银行网络结构的变迁进行分析，应用矩阵法对银行间的风险进行测度，并结合上述分析结果，通过建立面板负二项回归模型以探索银行网络与银行稳健的关系。

1　银行网络结构特征分析

1.1样本选择

本文样本共涉及55家银行，包括3家政策性银行、5家国有商业银行、11家股份制商业银行、29家城市商业银行、7家农村商业银行。本文银行样本历年资产总额占当年银行业金融机构总资产的比重为80%左右，规模较大，样本代表性较强。

我国各银行在其财务报表中并不公布银行同业市场详细的交易数据，仅披露与其他银行债权债务的总量信息。为保证补充数据的合理性，本文假设我国银行同业市场为完全的市场结构，即银行间风险头寸的概率分布尽可能分散，采用矩阵法对银行同业市场风险头寸进行估计。

以此55家银行为研究对象，搜集2005—2014年相关信息，银行同业往来数据取自资产负债表，单家银行对其他所有银行同业资产头寸选取指标为存放同业与拆放同业之和，对其他所有银行同业负债头寸选取指标为同业存放与同业拆放之和，数据来源于Chinascope数据库及各银行年报。

1.2银行网络密度分析

社会网络分析法是一种社会学研究方法，通过对多元关系的量化研究，揭示网络结构及其属性特点。本文运用社会网络分析法，利用Ucinet软件对2005—2014年55家银行通过同业市场构成的银行网络进行深入分析，探索银行网络的内部结构特征及变动趋势，以期为完善银行监管政策提供理论支持。

定量分析则用网络密度来度量。网络密度为网络中各成员间实际存在的关系数与理论上拥有的最大关系数之比值，是社会网络分析中最基本的测度指标。银行网络为有向关系网，密度用于刻画网络中各银行之间的紧密程度，密度值越大，银行之间的业务关联越密切。

为计算银行网络密度，参照Huang et al.（2009）[1]的做法，采用阈值法将银行同业市场风险头寸矩阵X=(xij)n×n转化为二值矩阵Z=(zij)n×n，其中xij表示银行i对银行 j持有的资产头寸占银行同业市场风险头寸的比例，则网络密度为当 ε=10-6时，网络密度计算结果见表1（当ε分别取值10-5、10-7、10-8、10-9时，尽管网络密度的计算结果有差异，但其变动趋势却是一致的，不影响本文分析结论）。

表1　2005—2014年我国银行网络密度

表1的结果显示，2005—2014年期间，我国银行网络密度呈现明显提高的趋势，2011年密度达到峰值0.7663，尽管近两年有小幅回落，但一直维持着较高的密度值，2014年网络密度为0.6175。这表明随着同业业务量的迅速扩张，我国银行间的联系日益密切，相互间的合作、竞争和作用影响越来越大，网络逐渐趋于密集。网络密度值越高，银行间所能实现的传递和交互功能就越强，这样一方面有利于发挥整体优势，协调资源使之高效配置，但另一方面，一旦有银行发生危机，金融风险也可能通过银行网络迅速蔓延。

1.3银行网络中心性分析

对中心性进行测量是社会网络分析的研究重点，用于判断个体在网络中所处的地位和作用，量化指标为中心度，在有向网络中，又分为点入度和点出度。在银行网络中，中心度用于衡量各银行的相对重要性，中心度数值大，说明该银行在网络中处于相对中心的位置，拥有更强的影响力。

从银行网络点入度来看，主要特征有以下三点。第一，五大国有商业银行和兴业银行的点入度远高于平均水平，显示这六家银行同业负债水平相当高，核心地位凸显。但除兴业银行与交通银行外，其他四大国有商业银行的点入度呈现明显下降趋势。第二，浦发银行、招商银行、中信银行、民生银行和光大银行的点入度稳步增长，长期高于平均水平，表明这五家股份制银行在网络中处于相对中心的位置，在整个银行网络中业务活动比较活跃，同业负债规模庞大。第三，平安银行、国家开发银行、中国进出口银行、北京银行、华夏银行、广发银行、恒丰银行和上海银行的点入度增长极为迅速，近年来均已处于中等水平，表明其在同业市场中吸收了一定比例的资金，已经占据一席之地。相比之下，其他银行的点入度长期低于平均水平，同业负债较少，与中心银行以及相互之间的业务联系相对较弱。

从银行网络点出度来看，五大国有商业银行和国家开发银行点出度明显高于其他银行，是银行网络的核心。浦发银行、中国进出口银行、中信银行、民生银行、光大银行、招商银行、北京银行和兴业银行的点出度长期高于平均水平，是网络的副中心。其他银行的同业资产所占比例非常少，在网络中仅为一般节点，网络中心性较低。

此外，结合点入度与点出度，从总体分布来看，银行网络点出度的离散系数大于点入度的离散系数，说明银行间相互持有的同业资产所占比例差异更大，而同业负债则分布相对均衡。通过对个体银行历年点入度与点出度的比较，不难发现，一方面，两者具有较强的一致性，线性相关系数在0.8以上，呈现显著的正相关关系。根据帕累托的二八原则，可以认为排名前11位的银行作用影响较大。在点入度和点出度分别排名前11位的银行中，有9家银行是相同的，分别是中国银行、中国工商银行、中国农业银行、中国建设银行、交通银行、浦发银行、中信银行、民生银行和光大银行，这一结果既显示出这些银行的重要性，也揭示出银行网络的中心度和银行类型、规模的关联性。另一方面，从点入度与点出度的差异来看，中国农业银行、国家开发银行、中国银行和中国工商银行的点出度远高于点入度，近年来两者差异在0.02以上，同时，中国建设银行、中国进出口银行、江西省农商银行、江苏银行、盛京银行、北京农商银行的点出度与点入度差值在0.01左右，这些银行同业资产所占比例明显高于同业负债，成为同业资金的重要供给方。另外九家银行则恰恰相反，点入度值均大幅超过点出度，相差幅度高于0.01，这9家银行分别是兴业银行、交通银行、平安银行、恒丰银行、招商银行、浦发银行、广发银行、华夏银行和民生银行。从资金净流向综合来看，同业资金主要由国有商业银行和政策性银行流向股份制商业银行。

2　银行网络风险传染模拟

2.1模拟方法

一家银行可能因经营失败或某一外部事件而发生危机，在无金融安全网的条件下，信用违约风险、流动性风险乃至银行挤兑冲击会通过资产负债表、资产价格变动等渠道波及至其他银行，传染效应的扩大可能会使多家银行同时处于危机之中，甚至最终导致系统性风险的产生。因此，对银行间风险冲击与传染效应进行模拟显得尤为重要。

具体模拟过程为：仅考虑信用违约风险情形下，假设银行 j陷入危机，若表示银行i对银行 j持有的资产头寸，θ为银行 j因危机而导致外部资产的损失率，θ∈[0，1]，ci为银行i可用于最后清偿的资本，根据《巴塞尔协议Ⅲ》，核心资本比总资本更具备吸收损失能力及抗风险能力，本文则采用核心资本净额这一指标进行度量），即银行i由于持有银行 j的资产头寸产生的损失大于银行i的核心资本净额，表示由于银行 j发生危机，通过同业市场导致银行i也出现危机，此为第一轮风险传染。若，表示银行k因受银行i和银行 j的同时冲击，累计损失超过自身核心资本而面临危机，此为第二轮风险传染。多轮传染效应的模拟过程依此类推。

2.2风险传染模拟结果

参照Furfine（2003）[2]的做法，本文模拟在资产损失率为100%的极端情况下，2005—2014年银行间风险传染的多米诺骨牌效应，结果见表2所示。可见，风险源来自以中国银行和中国工商银行为中心的五大国有商业银行。只有国有商业银行的倒闭才可能导致其他银行同样陷入倒闭的危机，其中，中国银行和中国工商银行长期具有风险传染效应。从风险传染轮次来看，在2005年、2006年、2008年、2009年和2011年这5年中出现了第二轮连锁反应，而多数情况下传染效应局限于第一轮。一旦风险源陷入危机，波及到的银行仅在2005年数量较多，其中，中国银行的倒闭可引发其他9家银行同时倒闭。而在其他年份，受波及的银行数量通常控制在2家及以下，且均不会出现大面积的危机传染，表明仅考察信用违约风险时，我国银行间的市场风险传染性较小。从受传染银行的损失来看，核心资本净额损失超过10%的银行数量较多，最多可达49家，最少也有21家，而核心资本净额损失超过40%的银行数量能够得到有效控制。从资本损失率来看，中国工商银行在2006年和2007年间导致样本银行核心资本损失率最高，分别达到14.30%和19.15%，其他年份则是中国银行引发最高比例的核心资本损失率，最高为2005年的22.92%。从动态角度观察，样本银行核心资本损失率在2011年有一个明显的小高峰，这一风险的提高或许与2011年银行间业务量急剧增加有关。

表2　2005—2014年银行间风险传染效应模拟结果

3　实证分析

3.1模型设定

本文通过建立面板数据回归模型探讨银行网络结构对银行稳健的影响。通过参考高国华和潘英丽（2012）[3]的研究，选取单家银行破产导致核心资本净额损失超过10%的银行数量来反映单家银行对其他银行稳健性的影响程度，记为Y1；选取单家银行在历次风险模拟中，其核心资本净额损失超过10%的次数来反映银行个体稳健性，记为Y2。

银行稳健的影响因素从如下几个方面来考虑。

银行网络可以通过两种截然相反的渠道对银行稳健产生影响。一方面，银行间市场具有流动性转换功能，遭遇危机的个体银行可通过银行网络寻求其他银行的援助以缓解危机，那么，银行网络则起到了分担风险的作用，有助于银行业的稳定。但另一方面，由于复杂的网络关联，一旦市场缺乏流动性，资产价格大幅下跌，单家银行的风险就容易通过银行网络迅速蔓延到其他银行，甚至导致整个银行业的崩溃[4]。这两种效应的强弱在理论上无法给出答案，只能通过实证分析以揭示出在中国银行市场，银行网络是通过风险分担促进了银行稳健，还是通过风险扩散阻碍了银行稳健。本文选取两个变量来反映银行网络特征，一是网络密度，从整体上测度网络结构，判断银行间业务关联的紧密程度带来的影响，记为Densityt；二是中心度，判断个体银行在网络中所处地位对稳健性的影响，具体用银行点入度与点出度之和表示，记为Centerit。

银行调整行为的影响[5]。银行可能会根据前一期或若干期风险水平、经济周期、货币政策来调整自身的业务，以降低风险或追求更高的利润，即银行可能具有平滑风险承担的行为[6]。从银行个体稳健性来看，降低风险可能需要收缩业务规模，银行面临着稳健和效率的博弈。而从对其他银行稳健性的影响来看，若个体银行在银行系统中并不占据重要地位，基于发展的需要，银行会尽量扩大业务，增加盈利，提高影响；反之，若个体银行在银行网络中占据核心位置，则极可能成为系统重要性银行，那么，在银监会等部门的监管下，为了防范系统性金融风险，会对系统重要性银行实施更严格的监管要求，个体银行则根据相关标准不得不对自身业务进行调整，以达到监管要求。本文选用Y1i，t-1、Y1i，t-2、Y2i，t-1、Y2i，t-2反映银行调整行为的影响。

为有效识别银行网络的影响，必须控制其他影响银行稳健的重要变量，从微观银行特征和宏观经济状况两方面来考虑。不同的银行承担着不同的风险，对银行系统稳健性的影响也不同，即个体银行的异质性特征会影响其信贷总量的扩张和收缩，进而对潜在风险产生影响，因此，选取银行特征变量作为控制变量。

银行规模，具体用银行总资产占当年银行业资产总额的比重来表示，记为SIZEit。银行规模与其稳健性之间的关系没有确定性结论，因为大型银行通常拥有更好的投资、融资机会，有能力通过多元化的经营分散风险以提高稳健性，但同时也面临“大而不能倒”的道德风险问题，大型银行可能为获得高额利润而采取高风险的经营策略。

银行资本水平，用核心资本充足率代表，记为Tier1 Ratioit。资本水平体现了银行的风险管理策略和风险偏好程度，拥有较高资本水平的银行通常具备较强的清偿能力和较弱的风险承担意愿[7]。因此，Tier1Ratioit预期符号为负。

银行资产质量，选用不良贷款率来衡量[8]，记为NPLit。不良贷款是银行信贷业务损失的重要来源，不良贷款率越高，消耗利润越多，银行资产质量越低。同时，根据高收益、高风险的逻辑，较高的不良贷款率反映银行可能采取了高风险的经营策略。因此，NPLit预期符号为正。

参考大多数学者的做法，宏观经济方面的控制变量选用GDP增长率来衡量，记为GDPt。经济繁荣时期，企业违约率下降、储户还款能力提高，这直接降低了银行的债务风险。但由于对经济前景的乐观，银行风险容忍度通常会上升，倾向于提高杠杆水平，从事更高风险的活动，促使新增贷款质量下降，不利于银行的稳健。经济处于下行周期时亦如此，经济波动通过两种途径对银行风险产生影响。无论是理论研究还是实证分析，经济波动对银行稳健影响的结论存在较大分歧。

因此，计量模型设定为：

其中，ηi用于捕捉和控制各个银行由于个体异质性的影响，εit为随机误差项。

3.2回归结果分析

由于被解释变量为计数变量，则考虑用面板计数模型对回归方程进行估计。在计数模型中，应用较广泛的是泊松回归模型和负二项回归模型。泊松分布的期望与方差是相等的，即具有均等分散特征，这一特征决定了泊松回归模型的适用性。首先计算得到var(Y1)/mean(Y1)=24.43，var(Y2)/mean(Y2)=3.82，初步判断被解释变量方差明显大于期望。然后利用软件stata14.0对两个模型分别进行混合负二项回归，并使用聚类稳健标准误，得到运用LR检验方法对“H0:α=0”进行检验的结果，模型（1）与模型（2）的过度分散参数α的95%置信区间分别为[0.66，1.73]和[0.25，0.62]，则拒绝原假设，表明其存在过度分散特征，应选用负二项回归模型进行估计。

运用LR检验方法在混合负二项回归模型和随机效应负二项回归模型之间进行选择，得到模型（1）相伴概率接近于0，表明随机效应模型优于混合模型。运用Hausman检验方法在固定效应和随机效应的负二项回归模型之间进行选择，相伴概率为0.79，则不能拒绝原假设，应用随机效应面板负二项回归模型更合适。估计结果显示（见表3第2列），Y1i，t-1回归系数并不显着，则删除该解释变量重新建立回归模型，并运用LR检验方法和Hausman检验方法重新选择模型，仍然支持随机效应模型的建立，结果见表3第3列。

同理，对模型（2）进行参数估计，LR检验和Hausman检验结果显示适合建立随机效应模型，结果见表4第4列。待逐一删除不显著的解释变量Y1i，t-2、GDPt后，Hausman检验结果支持建立固定效应面板负二项回归模型，结果见表3第5列。

表3　负二项回归模型估计结果

负二项回归模型估计结果显示，从银行网络的影响来看，网络密度与银行风险呈现显著的正相关关系。这说明在我国银行市场，无论从银行自身容易遭遇冲击的程度看，还是从对其他银行的风险波及程度看，相互之间联系越密切，越容易传播风险，而不是分担风险，即网络密度的提高不利于银行体系的稳健。同时，银行中心度也对银行风险产生显著正向影响。中心度越高，银行则持有较大规模的风险头寸，在网络中越处于中心支付地位，与其他银行业务关联越频繁，风险暴露程度越高，则更容易受到风险传染，个体风险也更容易扩散到其他银行。实证分析结果揭示了我国银行网络风险传染机制效应强于风险分担机制，原因可能来自于银行业务具有较强的同质性。风险分担机制适用于陷入危机的银行对银行市场整体风险影响有限的状况下，那么，该银行通过同业拆借市场向其他正常经营的银行短期融资以渡过危机。但就目前我国银行业的发展来看，随着商业银行市场化改革的推进，银行业竞争日益加剧，市场定位趋同，银行经营行为易被同行模仿，其核心服务功能各大银行都具备，特别是伴随着创新工具的不断涌现，银行业务同质性增强。一旦失去了多样化，当环境恶化时，银行体系脆弱性增加，单家银行的倒闭很可能转化为连锁性的银行危机。

从调整行为的影响来看，Y1i，t-1对Y1it、Y2i，t-2对Y2it均没有显著影响，Y1i，t-2对Y1it产生显著的负向影响，Y2i，t-1对Y2it产生显著的正向影响。这表明银行经营以盈利为首要目的，从自身稳健性来看，如果前期风险高，那么当期风险也会高，其风险在短期内的影响为正，长期影响并不显著。而从单家银行对其他银行稳健性的影响来看，单家银行在银行同业市场中占据的地位在短期内通常难以立刻变动，但长期来看，若以往对系统性风险贡献较大，则银行会采取调整行为以降低其对系统性风险的贡献。

从银行特征变量来看，规模越大，同业业务交易量就越大，与其他银行联系更加密切，该银行对系统稳健性的影响就越大，会更容易对其他银行带来风险冲击；但另一方面，银行规模的提高，可以提升自身的抗风险能力。而核心资本充足率越高、不良贷款率越低，这不仅可以降低银行自身的脆弱性，还可以降低对其他银行风险的贡献程度，与预期假设一致。

从宏观经济环境的影响来看，单家银行对其他银行的风险冲击与GDP增长率之间呈现负相关关系，而GDP增长率对银行个体稳健性有正向影响。这表明在良好的经济增长态势和有利的投资环境下，银行更容易扩大融资以提高核心资本，银行间市场整体受到单家银行风险波及的程度会下降。但个体银行是否更容易遭遇风险传染与经济增长也关联紧密，这主要与银行信贷行为的周期性有关。因为经济上行时期，从现金流的角度来看，违约率下降有利于银行降低风险，相反，当经济萧条时，企业经营困难，这通常会降低银行个体稳健性。

4　结论

社会网络分析结果显示，我国银行间的联系日益密切，网络逐渐趋于密集。银行的中心度与银行类型呈现出一定的关联，国有商业银行仍居于核心位置，但中心度在下降，而以兴业银行为首的股份制商业银行中心度明显增强，在银行间市场中的重要性逐渐提升。从风险传染模拟结果来看，风险源来自以中国银行和工商银行为首的五大国有商业银行，但一般不会发生多轮次、大面积的风险传染。从银行网络与银行稳健的关系来看，网络密度、中心度均与银行风险呈现显著的正相关关系，表明银行之间联系越密切、个体银行持有越大的风险头寸，则越不利于银行体系的稳健，我国银行网络风险传染机制效应强于风险分担机制。

[1]Huang W Q,Zhuang X T,Yao S.A Network Analysis of the Chinese Stock Market[J].Physica A,2009,388(14).

[2]Furfine C H.Interbank Exposures:Quantifying the Risk of Contagion [J].Journal of Money,Credit and Banking,2003,35(1).

[3]高国华，潘英丽.基于资产负债表关联的银行系统性风险研究[J].管理工程学报，2012，(4).

[4]Acharya V V,David S.A Model of Liquidity Hoarding and Term Pre⁃mia in Inter-Bank Markets[J].Journal of Monetary Economics,2011, 58(5).

[5]Rime B.Capital Requirements and Bank Behaviour:Empirical Evi⁃dence for Switzerland[J].Journal of Banking and Finance,2001,25(4).

[6]牛晓健，裘翔.利率与银行风险承担——基于中国上市银行的实证研究[J].金融研究，2013，(4).

[7]徐明东，陈学彬.货币政策、资本充足率与商业银行风险承担[J].金融研究，2012，(7).

[8]许坤，殷孟波.信用风险转移创新是否改变了银行风险承担行为[J].国际金融研究，2014，(7).

（责任编辑/刘柳青）

F832.33

A

1002-6487（2016）22-0151-05

国家社会科学基金资助项目（12BTJ003）

辜子寅（1980—），女，湖北武汉人，博士，讲师，研究方向：经济统计。