中国银行系统稳定性研究

【摘 要】当前，中国银行系统稳定性仍未明显改善，商业银行的不良贷款比例再次上升，债券市场违约事件增加以及股票市场下跌。首先，根据在险价值（CoVaR）模型对中国银行系统稳定性的评估结果显示，在金融去杠杆的影响已传导至实体部门的背景下，在商业银行受到个体性冲击时，单家商业银行的个体损失以及平均风险溢出率均未呈现改善；在商业银行受到系统性冲击时，五大国有商业银行抗击系统性风险的能力虽然依然强于其他银行，但其优势正在缩小。此外，根据网络模型的分析，虽然中国金融机构间同业网络整体稳定性有一定改善，但五大商业银行的稳定性值得特别关注。

【关键词】 金融风险；系统重要性银行；在险价值模型；网络模型

Absrtact： At present， the stability of Chinas banking system is not improved significantly. The proportion of non-performing loans in commercial banks has risen again， the number of defaults in the bond market has been increased and the stock market has fallen. First of all， it is shown from the evaluation results of the stability of Chinas banking system based on the value at risk （CoVaR） model that under the background that the influence of financial deleveraging has been transmitted to the real economy， when commercial banks are subject to individual shocks， the individual losses and the average risk overflow rate of a single commercial bank have not been improved. When commercial banks are systematically impacted， the five major state-owned commercial banks are still better than other banks in resisting systemic risks， but their advantages are diminished. In addition， according to the analysis of network model， although the overall stability of the interbank network among Chinese financial institutions has been improved to some extents， the stability of the five major commercial banks deserves special attention.

Key words： Financial Risk； Systematically Important Banks； CoVaR Model； Network Model2018年以来，国际政治经济环境发生深刻变化，国内经济下行压力加大。此外，2017年以来的金融系统去杠杆和强监管的效应仍在持续，这些都对中国金融系统的稳定运行带来较大挑战，使得中国商业银行的不良贷款比例再次上升，债券市场违约事件增加以及股票市场下跌。针对这些现象，2018年12月召开的中央经济工作会议确定了今后3年的“三大攻坚战”之中的打好防范化解重大风险攻坚战，重点是防控金融风险。由此可见，金融风险的防控在中国未来经济工作中的重要性，而要防控金融风险首先需要精准识别风险点，才能进行有效处置。长期以来银行在中国金融系统中占据主导地位，并且在未来较长时间内仍将维持这一格局，因此，识别金融系统的风险点关键在于识别银行中的潜在风险。

一、风险评估模型

评估和分析各银行间以及金融系统的风险主要有两类模型。一类是简约模型，如在险价值（CoVaR）模型。这类模型主要利用的是较高频的市场数据（如日数据、周数据等），通过分析这些数据的联动性来识别系统重要性银行，其主要优势在于可以利用高频数据来及时发现系统或某些银行的异常情況。但这类简约模型的最大缺点在于假设前提非常强，例如CoVaR模型的隐含假设为市场是“半有效”或“强有效”的，否则如果市场是“弱有效”的，该方法则几乎无效。另一类是结构化模型，如网络模型。该类模型主要是基于金融机构间的关联网络 来识别系统重要性金融机构，从而分析危机传染路径和范围并测算损失程度。这类模型的主要优势在于不要求市场是“半有效”或“强有效”，只要能够较全面和准确地构建出金融机构间网络就可以进行分析和测算。但是这类模型的缺点也很明显，即受制于金融机构财务数据公布频率，无法高频率地观测金融机构间网络的变化，从而及时更新危机传染路径和范围并测算损失程度。由于两类模型各自的优缺点都非常明显，为了准确评估中国金融系统的稳定性并识别系统重要性金融机构，我们分别用两种模型做了定量分析。

二、基于CoVaR模型的分析

我们从WIND的股票数据库中选取了2011年1月1日至2018年12月14日在沪深两市上市至少两年的商业银行，共计16家商业银行 的日度数据作为样本数据。截至2018年三季度，这16家银行的总资产占中国商业银行资产总额的比例达75.4% ，代表性良好。在估计银行系统以及各家银行的VaR和CoVaR系数时，我们用16家上市银行后复权日收盘价来计算的各家银行的日收益率表示各银行的运行情况，用中证沪深300商业银行全收益指数日收盘指数来计算的日收益率表示银行系统的运行情况。表1列出了样本区间内，中证沪深300商业银行全收益指数日收益率以及各家商业银行后复权日收益率的统计描述。

首先，当单家银行受到将使其产生最大损失的外部冲击时，我们估算了每家银行自身将受到的损失，即在险价值（Value at Risk，VaR），但是VaR并没有考虑单个银行风险溢出的影响，即单家银行遭受冲击并发生损失时导致的系统中其他银行产生的损失。为了考察每家银行在遭受冲击时的风险溢出效应，我们还估算了每家银行的条件在险价值（Conditional Value at Risk，CoVaR）。每家银行风险溢出的影响用CoVaR和VaR之差表示，即△CoVaR=CoVaR-VaR。此外，我们还计算了△CoVaR/VaR，来衡量每家银行自身遭受将产生最大损失的外部冲击时，其引发的系统中其他银行的损失与其造成的总损失的比例。

表2列出了在5%的置信水平下每家样本银行自身受到使其产生最大损失的外部冲击时，其自身受到的损失和对整个银行系统的影响。可以看出，中国上市银行中每家银行受到将使其产生最大损失的外部冲击时，如果不考虑风险溢出效应，除了交通银行、光大银行和兴业银行外，其他银行的日均VaR损失均超过了3%，其中日均VaR损失最大的是中信银行，为3.25%，五大国有商业银行和其他银行并不存在显著的差异。在考虑各家银行风险的溢出效应时，风险溢出（即△CoVaR）最大的四家银行恰好为传统的国有四大行（工、农、中、建），交通银行的风险溢出水平也处于第六位。需要指出的是，我们发现随着金融系统内部去杠杆持续推进以及内部监管逐渐加强，上市的股份制银行、城商行和农商行风险溢出造成的损失比例较2017年中有所减小；但各家银行风险溢出造成的损失比例上升到比2017年中更高的水平。当前，中国银行系统的稳定性不但没有改善，其脆弱性再次凸显。从△CoVaR/VaR来看，国有五大行溢出的损失所占其造成的总损失的比例最大，而且工商银行、中国银行和农业银行风险溢出的损失所占比例超过了30%，农业银行甚至高达36%。可见，中国商业银行间的关联程度进一步增强，国有五大行风险溢出影响进一步加大。基于最新数据的分析结果，我们认为股份制银行和区域性银行对银行系统的影响日益增大，不可忽视，但当前保持国有五大行的稳定对于保持中国银行系统的稳定至关重要，应该优先关注国有五大行的稳定性。

其次，我们还考虑了当整个银行系统遭受将使其产生最大损失的外部冲击时，在不考虑各银行会产生反馈式风险溢出的情况下系统性冲击对每家银行造成的损失（即在险价值，VaR），以及在考虑各银行会产生反馈式风险溢出的情况下系统性冲击对各家银行造成的损失（即条件在险价值，CoVaR），并计算了反馈式风险溢出程度（即条件在险价值与在险价值之差，△CoVaR=CoVaR-VaR）和风险溢出率（△CoVaR/VaR）。表3列出了在5%的置信水平下每家样本银行遭受系统性冲击时，其自身受到的损失和对整个银行系统的影响。

从表3可以看出，当整个银行系统遭受将使其产生最大损失的外部冲击时，在不考虑风险的溢出效应时，日均VaR最大的两家银行分别是中信银行和平安银行，均超过4%，损失最小的不再是国有五大银行，而是光大银行。平均而言，国有五大行的日均损失较其他股份制银行和城市商业银行仅小0.18%，即国有五大行抗击系统性风险的能力仅稍强于股份制银行和城市商业银行。在考虑各家银行风险的溢出效应时，风险溢出程度（即△CoVaR）最高的是依然中信银行和平安银行，均超过1%；而风险溢出程度最小的则是光大银行以及兴业银行。从△CoVaR/VaR来看，平均而言，当整个银行系统遭受巨大外部冲击时，国有五大行对系统溢出的风险占其总损失的比例较其他股份制银行、城商行和农商行的该比例仅低1%。也就是说，在出现系统性风险时国有五大行抗击系统性风险的能力虽然依然强于其他银行，但其优势正在缩小。从具体数字上来看，几乎所有银行的风险溢出率较2017年末均呈上升之势，虽然国有五大行的平均上升幅度小于其他全国性股份制银行和区域性银行，但这一指标均上升到20%以上，而在2017年末有一半的银行是低于20%的。2018年以来国有五大行抗击系统性风险的能力虽然依然强于其他银行，但其风险溢出率持续上升，即对稳定银行系统所起到的作用越来越弱。

三、基于网络模型的分析

由于数据的限制，基于CoVaR模型的分析只能考察上市银行与银行系统的关系，而不能对非上市银行进行考察，也不能识别风险传染的路径以及传染范围。因此，我们在上市银行的基础之上，将三家政策性银行6，更多的城市商业银行和农村商业银行，以及其他上市的非银行金融機构纳入了考察范围，构建了金融机构间的关系网络。基于该网络，在假定金融系统整体受到外部冲击并引发金融机构间双边头寸清算的情况下，我们分析了危机传染路径和传染范围并测算了损失程度，从而对整个金融系统的稳定性进行评估并对系统重要性金融机构进行识别。

我们从ORBIS Bank Focus数据库中，剔除了数据缺失的银行和其他金融机构后，选取了2017年末共计251家银行和其他金融机构的相关数据作为样本。其中，包括3家政策性银行、5家大型国有商业银行，11家股份制银行以及176家城市和农村商业银行。此外，由于中国同业市场的参与者不仅限于银行，还包括证券业、保险业等金融机构。因此，为了更为全面地构建中国同业市场网络，我们还将在A股上市的36家证券公司、6家保险公司以及9家其他金融机构纳入考察范围。由于该样本已包括中国所有大中型银行、众多城市和农村商业银行以及主要的证券公司和保险公司，因此我们假设该样本完全代表中国金融机构同业市场的参与者。根据相关文献，银行间的关联网络是通过各家银行在同业市场的双边头寸建立起来的。理想状态是能够获取每家银行与系统中其他各家银行在同业市场的双边头寸，可是在实际操作中，中国的金融机构并不需要披露与其他金融机构在同业市场的双边头寸，而只需在财务报表中披露其在同业市场中拆入和拆出的总头寸数据。因此，我们利用最大熵方法估计出了2017年样本金融机构在同业市场的双边头寸数据，并将其写成了借贷关系矩阵以便分析。

传统文献中，金融机构的同业资产的定义是存放在国内同业的款项和拆放给国内同业的款项之和，同业负债项的定义则是同业存放在本行的款项与同业拆放给本行的款项之和。但随着中国金融系统的快速发展，同业业务的手段已经不再局限于同业拆放，而且监管层也意识到了这一点并对同业业务的定义进行了拓展7，例如央行在2017年二季度货币政策执行报告中宣布拟于2018年一季度将同业存单纳入MPA同业负债占比考核。因此，我们在原有文献的基础之上对金融机构同业资产和同业负债的定义进行了拓展 。其中，拓展的同业资产为存放同业款项、拆出资金净额、买入返售金融资产净额、交易性金融资产、可供出售金融资产净额和持有至到期投资净额之和；而拓展的同业负债为同业及其他金融机构存放款项、拆入资金和卖出回购金融资产之和。另外，我们还假设由于外部冲击引起的各金融机构间同业头寸进行清算将导致银行资本的损失，当某家金融机构的资本损失殆尽时将会倒闭。在本文的分析中，资本定义为金融机构的所有者权益。表4列出了样本金融机构的同业资产、同业负债和资本的统计描述。

如表4所示，2017年末样本金融机构的平均同业资产为2519.8亿元，平均同业负债为1745.9亿元；而同业资产和负债的中位数则分别为471.2亿元和265.3亿元。与2017年末的情况类似，中国金融机构的同业资产和负债的分布严重左偏，但左偏程度已经较2017年有所减弱。可见，中国金融机构的同业资产和同业负债虽然依然主要集中在少数金融机构（如三大政策性银行、大型国有银行、大中型股份制银行、少数城商行以及主要的保险公司），大多数小规模的城市和农村商业银行、证券公司在同业市场的资产和负债的头寸相对而言均较小，但中国金融机构的同业资产的分布正朝更均匀的方向发展。

基于我们所估计的2017年样本金融机构在同业市场的借贷关系矩阵，可以通过模拟由于每家金融机构破产导致对其他金融机构的负债无法偿还，而致使其他金融机构破产的数目和整个金融系统的系统性损失（即所有者权益的损失）是否超过某个临界值来确定其是否为系统重要性金融机构。这里某家金融机构对其他金融机构的违约情况由平均违约率表示8。通过模拟，我们发现，与2016年末不同的是，除了国家开发银行以外，发生兑付危机时也会引发其他金融机构破产的金融机构新增了工商银行和中国银行，但会被引发倒闭的金融机构的数目均只有1家，且不会引起二次传染，这与2017年的情况出现了较大变化。具体地，我们在2017年末发现只有国家开发银行发生兑付危机时会引发其他金融机构破产，但随着平均违约率的上升而破产的金融机构家数快速增加，极端情况下会使得48家金融机构破产。可见，随着金融去杠杆的深入推进，虽然可能引发其他金融机构破产的重要金融机构增加了两家，但发生危机时波及的范围大大缩小了。

如果以引发系统性损失的大小来定义系统重要性金融机构，如下金融机构以括号内的平均违约率违约将会造成1万亿元以上的系统损失：国家开发银行（27%），中国银行（27%），建设银行（30%），工商银行（27%），农业银行（36%），交通银行（28%），兴业银行（31%），浦发银行（35%），民生银行（46%），招行银行（56%），中信银行（54%），光大银行（85%）；有如下金融机构以括号内的平均违约率违约将会造成2万亿元以上的系统损失：国家开发银行（46%），中国银行（55%），建设银行（62%），工商银行（55%），农业银行（73%），交通银行（57%），兴业银行（63%），浦发银行（70%），民生银行（93%）。国家开发银行的平均违约率达到69%时，会造成的系统损失超过3万亿元，其最大会造成4.3万亿元的系统损失。工、农、中、建、交五大国有银行会造成的最大损失分别为3.7万亿、2.7万亿、3.6万亿、3.3万亿和3.5万亿元。

与2017年相比，国家开发银行的安全边际明显提高，造成1万亿元以上损失的平均违约率从10%提高到了30%，而且可能造成的最大损失也从10.5万亿元下降到了4.3万亿元。但需要注意的是，工、农、中、建、交五大国有大型商业银行的安全边际均出现不同程度的下降，以工商银行为例，其造成1万亿元以上损失的平均违约率从47%下降到27%，其可能造成的最大损失也从2.6万亿元上升至3.7万亿元。由此可见，虽然中国金融市场同业网络整体稳定性有一定改善，但五大国有商业银行的稳定性再次值得特别关注。在不考虑信心崩溃、挤兑等因素的情况下，五大国有商业银行平均违约率不超过30%即会造成1万亿元以上的系统损失。但是，不可否认的是，这些大中型金融机构一旦出现违约，势必会在金融市场上形成恐慌，造成挤兑、出逃式抛售等现象，使得资产价格陷入螺旋式下降的情形，在这种情况下会造成的损失则将会是我们所估计的损失的数倍甚至数十倍。

四、总结

2018年以来，国际政治经济环境发生深刻变化，国内经济下行压力加大。此外，2017年以来的金融系统去杠杆和强监管的效应仍在持续。这些都对中国金融系统的稳定运行带来较大挑战，使得中国商业银行的不良贷款比例再次上升，债券市场违约事件增加以及股票市场下跌。首先，根据在险价值（CoVaR）模型对中国银行系统稳定性的评估，我们发现在金融去杠杆的影响已传导至实体部门的背景下，在商业银行受到个体性冲击时，单家商业银行的个体损失以及平均风险溢出率均未改善，尤其是工、农、中、建四大国有银行的风险溢出率已超过30%；在商业银行受到系统性冲击时，五大国有商业银行抗击系统性风险的能力虽然依然强于其他银行，但其优势正在缩小，从数字上来看，几乎所有银行的风险溢出率较2018年中均没有明显变化，而较2017年末则均呈上升之势。

此外，为了更全面准确地评价中国金融系统的稳定性，我们还估计了中国金融机构间同业网络，该网络涵盖了银行、保险、证券等251家金融机构。基于该网络，我们利用网络模型分析，发现中国金融机构间的同业网络的安全性较2017年发生了一些变化。第一，除了国家开发银行以外，发生兑付危机时也会引发其他金融机构破产的金融机构新增了中国工商银行和中国银行，但会被引发倒闭的金融机构的数目均只有1家，且不会引起二次传染。第二，国家开发银行的安全边际明显提高，造成1万亿元以上损失的平均违约率从10%提高至30%，并且可能造成的最大损失也从10.5万亿元下降至4.3万亿元；而五大国有大型商业银行的安全边际则均出现不同程度的下降，以中国工商银行为例，其造成1万亿元以上损失的平均违约率从47%下降至27%，其可能造成的最大损失也从2.6万亿元上升至3.7万亿元。由此可见，虽然中国金融机构间同业网络整体稳定性有一定改善，但五大商业银行的稳定性再次值得特别关注。

参考文献：

[1]马君潞，范小云，曹元涛.中国银行间市场双边传染的风险估测及其系统性特征分布[J].经济研究， 2007（1）.

[2]范小云，王道平，劉澜飚.规模、关联性与中国系统重要性银行的衡量[J].金融研究， 2012（11）.

[3]Upper， Christian and Andreas Worms. Estimating Bilateral Exposures in the German Interbank Market： Is There a Danger of Contagion？[J]. European Economic Review，2004： 48.

（责任编辑：吴思）