房地产信贷对我国银行体系系统性风险的影响*——基于银行体系内部借贷网络的模拟实证研究

李世泽, 马家丽, 朱书尚

一、引 言

2018年政府工作报告指出“做好金融体制改革的关键是把握好防范系统性金融风险这条主线”。金融业的发展对经济发展的质量和效率都起着至关重要的作用，随着市场经济的发展，我国金融市场不断壮大并走向世界前列，但随之而来的金融问题也不断涌现。比如不良贷款增加、贷款相对集中、影子银行规模迅速扩大。银行贷款中相当大的部分进入了房地产领域和一些地方政府的融资平台，增加了资产价格泡沫调控的难度。世界范围内，美国次贷危机也对中国金融发展发出了预警，防范系统性金融风险成为我国金融工作的一项主题。

系统性金融风险的内涵是金融系统的稳定性，金融机构间的风险传染是系统不稳定的关键原因，这在2008年美国金融危机中体现得尤为明显。为了防范系统性金融风险，我们需要更好地理解风险传染的发生机制和它得以积累的金融环境。金融体系系统性风险表现为金融风险的传染是否发生及金融风险传染范围的大小，传染发生意味着风险得以扩张，传染范围越大说明系统性风险越大。

目前我国金融体系中，商业银行(以下简称银行)占据重要地位，银行贷款约占总融资量的百分之八十以上，是主导融资的核心市场。我国银行体系对房地产业的投资力度非常大，银行对房地产业贷款占据了其贷款总额的很大比例。因此，房地产风险敞口对银行体系系统性风险具有决定性影响。银行间风险传染归因于银行机构业务的特殊性：一方面为满足流动资金需求，银行间存在相互借贷，另一方面银行在发放贷款时面临同样的资金需求者，存在贷款重叠的情况。对相关银行和房地产企业的贷款都是银行的资产。某个银行破产势必导致相关银行贷款无法收回甚至引起相关银行破产，从而发生风险传染。房地产市场的发展与银行贷款息息相关，银行缩减对房地产贷款会引起房地产市场萎缩，进而加剧银行对房地产贷款违约，导致银行资产减损乃至破产，由此循环往复，加之银行间相互借贷可能导致的银行间传染，银行体系系统性风险发生的概率将进一步增加。

本文在已有研究的基础上，试图利用实际数据综合考虑银行内部相互借贷及房地产贷款对我国银行体系系统性风险大小的影响进行量化分析。具体而言，利用2008—2016年我国196家银行资产负债表数据，选用加权无标度网络模型恢复银行体系内部相互借贷数据。基于此，本文在网络模型的框架下分析银行体系内部相互借贷和房地产贷款单独及联合作用下我国银行体系系统性风险的大小，并由此得出房地产行业对我国银行体系系统性风险影响的变动情况，具有一定的实践指导意义。

本文余下内容如下：第二部分为文献综述，总结已有研究，阐述本文研究基础；第三部分为银行体系内部相互借贷网络的生成；第四部分为风险传染建模，可据此分析两种渠道分别在单独和联合作用下银行体系系统性风险的传染强度；第五部分为模拟实证研究，基于银行年度报表数据，模拟测度我国银行体系系统性风险，重点研究房地产业风险敞口对我国银行体系系统性风险贡献的变化情况；第六部分为结论及建议。

二、国内外研究现状

近年来，金融体系系统性风险的研究逐年快速增加。系统性风险的主要特征是风险传染，已有研究分别对金融风险传染的识别与测度、传染渠道和机制等进行了大量的研究。然而，总体而言在我国从银行体系风险传染渠道和机制出发，考虑银行体系系统性风险的文章较少。以下从几个方面对相关文献进行综述。

(一)金融传染的界定

顾名思义，金融传染意味着金融机构或市场间发生了某种导致损失的交互影响。这种现象不一定都发生在经济萧条时期，但金融传染很可能会促发金融危机，甚至导致经济危机的出现。对于金融传染的定义至今没有统一的定义，对此，Pei & Zhu (2017) 在关于金融传染的文献综述中总结了金融传染主要有以下三种定义：

1.波动溢出：在金融动荡中，资产价格经常表现出更大的波动率。这一定义着眼于一个市场向另一个市场的波动溢出效应(Karmann，2014)。此定义可理解为不确定性在国际金融市场间的传播。

2.资产回报率的过度联动：这一定义注意到金融危机中资产回报率显著增加的联动效应(Romero-Meza et al.，2015)，正如美国次贷危机中全球市场的表现。这一定义强调某种标准下过度的联动效应。

3.多米诺效应导致的系统不稳定性：在复杂的金融市场中，某个参与者的危机，尤其是大机构的破产，可能极大地影响与其关联的参与者，并且释放危机信号，进而引起一系列的违约(Eisenberg & Noe，2001; Caccioli et al., 2014)。以银行系统为例，银行通过同业拆借联系在一起，当某家银行违约，会增加其交易伙伴的坏账，影响这些银行的运营甚至导致更多银行的破产(Eisenberg et al.，2006)。与此同时，处于财务困境的银行会甩卖其资产，导致相应资产价值下降，影响其他银行的资产，从而导致进一步的违约(Caccioli et al.，2014)。本文在第三种定义下，研究银行系统内部相互借贷及房地产业风险敞口对我国银行体系系统性风险的影响效应。

(二)银行体系系统性风险传染渠道

自Allen & Gale(2000)应用网络模型刻画银行系统内部相互借贷对银行体系系统性风险进行研究后，对于银行体系系统性风险的传染渠道的研究不断涌现。相关研究可分为以下三类：

1.银行间相互借贷：银行之间在资产负债表上的直接关联是银行系统的基本特征，同时也构成了风险传染的最基本渠道。Allen & Gale(2000)的研究结果表明银行间市场风险传染是一种均衡现象。银行间拆借关系在维持市场流动性平稳中发挥了重要的作用，通过拆借关联流动性盈余的银行可以为流动性短缺的银行提供流动性，保持银行间市场的流动性平稳，对银行间市场的繁荣发挥积极作用(Cocco et al.，2009)。而另一方面，银行间拆借关联为银行间市场风险传染提供了潜在的路径(Krause & Giansante，2012)。

2.资产重叠：除了直接联系，持有相同或相似资产也是风险传染的重要渠道。当某些资产价值下降，市场预期或财务困境会使金融机构甩卖更多的这些资产，从而引起资产价格的进一步下降(Caccioli et al.，2014)，这在2008年次贷危机中体现尤为明显。

3.其他渠道：信息溢出渠道等。比如，银行破产产生的信息溢出效应会增加为破产银行的再融资成本，同时可能引起市场恐慌导致未破产银行缺乏流动性，进而折价出售资产以换取流动性，形成恶性循环。通过信息溢出渠道的银行间市场风险传染还表现在信息不对称情况下所形成的银行储户的挤兑行为(Kodres & Pritsker，2002)。

由于我国政府为银行系统提供了隐性担保，市场恐慌和挤兑现象一般不会发生，因此本文主要研究前两种渠道及其对银行体系系统性风险的联合影响。

(三)银行体系内部相互借贷的网络结构

对银行体系内部相互借贷网络的研究主要有：Boss et al.(2004)对银行体系内部相互借贷数据进行研究,发现奥地利银行间市场网络具有小世界和多个群聚结构特征。Upper & Worms(2004)揭示德国银行间市场存在分层结构。Cajueiro et al.(2008)基于复杂网络方法研究巴西银行间市场网络结构特征，发现巴西银行间市场网络具有群体结构。Raddant(2014)利用意大利1999—2006年隔夜市场的借贷数，发现意大利银行间市场网络具有高网络密度，并且存在拆借偏好。

(四)银行体系系统性风险

有关银行体系系统性风险的研究中，国际上已有不少文献通过构建系统内部的风险暴露矩阵，以网络模型为基础模拟风险传染过程来研究银行间直接或者间接联系带来的风险传染(Eisenberg & Noe，2001；Summer，2013；Caccioli et al.,2014)。

对我国银行体系系统性风险的研究主要有：梁琪等(2013)适当改进了SRISK指数，并计算了我国34 家上市金融机构的资本短缺度，由此识别出我国系统重要性金融机构。陈守东和王妍(2014)利用极端分位数回归得到我国银行体系系统性风险的CoVaR。陶玲和朱迎(2016)通过分析系统性金融风险的成因，构建系统性风险指数对我国系统性金融风险进行监测和评估。隋聪等(2017)利用随机网络模型，模拟了银行体系内部相互借贷及不同资产重叠情况对银行体系系统性风险的影响。杨子晖和李东承(2018)采用“去一法”分析我国银行体系系统性风险。

(五)房地产业与银行体系风险

房地产业与银行体系风险之间关系的相关研究中，国外文献主要对房价与银行信贷之间的关系进行了探讨，如Hott(2011)认为房地产价格、按揭贷款以及银行利润之间存在正向反馈效应，导致银行在房地产市场下行时遭受较高利润损失。国内对房地产与银行体系风险的研究主要有：叶欣等(2013)讨论了房价和信贷的关系；王志诚(2004)讨论了银行的房地产贷款信用风险管理问题；刘翔宇(2018)选取银行业和房地产业各12 家公司，使用KMV模型和Apriori算法，研究了房地产市场与银行系统的风险关联性。

目前，基于银行内部相互相借贷网络对我国银行体系系统性风险的实证研究尚缺乏。此外，各方就房地产行业对银行体系系统性风险有较大贡献这一点上虽然有较高共识，但以定性分析居多，定量分析亟待加强。以上两点构成了此文的研究动机。

三、银行体系内部相互借贷网络的生成

考虑银行体系内部相互借贷网络具有小世界网络的特点(Boss et al.，2004；Raddant，2014)，首先生成内部相互借贷网络的权重矩阵，在此基础上再根据银行的拆入资金规模得到初始的内部相互借贷网络L0。为保证银行相互借贷网络的行和列满足银行拆入资金拆出资金总和的要求，应用“最小调整”原则对初始的网络进行调整得到内部相互借贷的网络。本文基于Barrat et al.(2004)构建的加权无标度复杂网络模型来构建相互借贷网络的权重矩阵。权重矩阵呈现如下特征。第一，系统内部是否存在资产负债往来关系满足：只有少量银行与周围大量的银行有连接(度较高)，而大多数银行的连接很少(度较低)；第二，存在相互借贷的银行间相互借贷资金额满足：大型银行与大型银行之间的债权债务联系应当大于大型银行与小型银行的联系，大型银行与小型银行的联系大于小型银行与小型银行的联系。

由于银行内部借网络为加权的有向网络，因此，我们通过两个加权无标度网络来构成，首先生成权重矩阵的上三角部分元素，即生成元素wij,∀i

Step 1.初始情况下，按照系统中银行规模的大小选取n0个规模最大的银行作为初始节点，将其构成一个全局耦合网络(银行之间两两相互联系)，两两联系形成网络中的边，对网络中的每条边均赋予权值w0。

Step 4.回到Step 2，重复上述步骤直到规模达到n。由此得到的权重wij按照下标对应得到矩阵的上三角部分元素。重复上述上三角矩阵元素的生成过程生成权重矩阵的下三角矩阵部分元素。

通过上述步骤生成银行内部相互借贷网络的权重网络W=(wij)满足小世界网络的特征。在整个银行网络演化过程中，常量k为新加入网络的银行节点对原来的银行节点的增幅效果。当k<1时，表示网络中加入一个新的节点并不会导致网络中原有的节点间的联系更加紧密；当k=1的情况通常出现在交通网络中，一个新加入的交通站会给网络中原有的交通枢纽带来相应的交通客流量；k>1表示新加入的网络节点为旧节点里带来的权重增量倍增。可以通过改变的大小来调整加权无标度网络的结构以适应不同的研究需求。

基于上述生成的W，依据权重大表示相互借贷多的原则产生初始的内部相互借贷网络(矩阵数据)：

上述问题可以转化为易于求解的线性规划问题。

最后，应该说明的是对于银行内部相互借贷网络数据恢复的方法文献中大量选用最大信息熵法(Eisenberg et al.，2006)，但该方法的缺点是忽略了银行体系内部相互借贷网络的小世界特征，本文在恢复的过程中考虑了该特征。本文的实证研究取w0=2,k=1,这两个数据的不同选取对研究结论的影响不大。

四、系统性风险传染建模

本文从银行的资产负债表出发，主要考虑银行体系内部相互借贷及房地产市场价格变动两种风险传染渠道对银行体系系统性风险的影响。风险传染的起因主要表现为：1.银行体系受到初始冲击，单个或者多个银行破产引发其他相关银行的银行间贷款无法收回从而资不抵债而破产；2.房地产市场价格下降导致部分房地产企业破产及个人涉房贷款违约率上升，使银行对房地产贷款的不良贷款比例上升由此引发银行破产。

考虑银行体系初始冲击分为单个(多个)银行的破产或房地产价格下降，系统性风险传导过程为图1所示。需要强调的是银行破产和房地产市场价格下降会相互影响，螺旋式增大传染效应。

图1 银行体系与房地产行业系统性风险传导

为方便研究银行间的风险传染，本文引入如下假设：

1.银行在风险传染过程中不能根据情况调整资产投资组合。

2.银行资产价值变动只来自于银行内部相互借贷引发的银行资产损失及对房地产贷款损失。

3.银行出现资不抵债则宣告破产。

4.银行破产则完全无法偿还其债务，即若银行i破产，则银行i欠银行j的钱无法偿还,从而导致银行j损失lij。

如上假设具有其合理性。首先，当经济危机发生时，金融机构往往没有时间或能力调整其持有的资产组合。其次，在银行出现破产的情况下，破产清算需要相当长的一段时间，在此期间相关银行无法收回其对破产银行的债权。最后，本文旨在分析银行体系内部相互借贷及银行体系对房地产业的贷款重叠对银行体系系统性风险的影响，因此本文只考虑二者变动对银行资产的影响。

记qi为银行i对房地产行业的贷款总额。若有银行由于对房地产贷款损失而发生破产，则银行体系对房地产的贷款支持减少，从而影响涉房资产市场价格，并可能引起更多的房地产违约事件。另外，破产房地产企业低价出售其资产及银行拍卖个人违约抵押资产会使房地产价格进一步下跌。本文假设由于房地产价格下降引发的破产房地产企业低价出售房地产相关资产及银行拍卖的个人抵押房地产相关资产之和占房地产市场相关资产总额的比重rd与破产银行对房地产贷款额占银行体系对房地产贷款总额的比重成正比，即：

其中c为大于0的常数。

为分析房地产市场价格与银行体系之间的关系，引入逆需求函数f(递减函数)来刻画房地产价格变化。本文假设房地产价格p(相对价格)是低价出售房地产资产及拍卖的抵押房地产资产总额与房地产市场总额之比的函数：

其中β为大于0的常数。房地产价格下跌引起的银行对房地产贷款损失率上升，由此导致的银行资产减少量为：

Δi=qirl

上述假设将银行对房地产贷款损失与涉房资产价格下降有机地结合在一起。房地产市场的破产违约会导致涉房资产的贱卖和可能的银行破产，从而导致涉房资产价格的进一步下跌和可能更多银行的破产，动态循环往复以至于形成银行体系的系统性风险。具体风险传染测算模拟算法如下：

Step 1.初始化参数设置，并设定某家银行破产或银行体系受到房地产市场波动的冲击。

Step 3.如果有新的银行破产，则重复Step 2直至没有新的银行破产出现。

五、模拟实证研究

(一)数据

本文利用的数据之一为国泰安数据库中2008—2016年间所有数据可得的我国196家银行年末资产负债表数据。在相互借贷网络的构建中，实际使用数据包括银行间资产使用拆出资金净额和存放同业款项、银行间负债使用拆入资金。该196银行包含了我国主要的国有控股大型商业银行、股份制商业银行、城市商业银行、农村商业银行和外资商业银行。由此构建的银行间相互借贷网络基本能够代表我国真实的商业银行体系的相互借贷网络。

由于各银行对于房地产市场的贷款具体数据无法直接获得，本文根据中国人民银行发布的2009—2017各年度《中国金融稳定报告》中2008—2016全国房地产贷款占总贷款比例数据(具体数据如表1所示)加以推算。

表1 房地产贷款占总贷款的比例

由于中农工建四大行在我国是资产规模最大的四家银行，故将其作为银行体系中的核心银行，即n0=4。利用第三节中银行体系内部相互借贷网络的生成方法随机生成银行内部相互借贷网络。下图2是利用以上数据一次随机生成的我国197银行(其中一家为虚拟银行)之间的相互借贷网络，其中的大的圆点对应着大的银行。从此图可以看出前述借贷网络生成算法符合现实要求。本文的模拟实证均在Matlab软件环境下编程实现。

图2 随机生成(复原)的197家银行相互借贷网络

(二)模拟实证结果

我们考虑了两种初始冲击下的风险传染效应，一是某家银行破产，二是涉房资产贬值。当初始冲击为某家银行破产时，我们重点关注内部相互借贷、对房地产风险敞口单独及联合作用下对银行体系系统性风险的影响。当初始冲击为房地产价格下降时，在综合考虑银行内部相互借贷及对房地产风险敞口下分析我国房地产市场对银行体系系统性风险的影响。在模拟中，假定房地产相对价格的市场反应函数为：

f(rd)=e-αrd

其中a表示房地产市场价格的需求价格弹性。本文实证研究中取a=1.05。

1.初始冲击为某家银行破产

和传染范围

这两个指标均在0到1之间取值，取值越大说明传染程度越强。

为了得到稳定的结果，本文采用1000次模拟的平均值进行分析。这一做法也在一定程度上减轻了由于真实详细数据不可得带来的模型风险。根据模拟结果，可以通过分析仅考虑直接传染(内部相互借贷传染)、仅考虑间接传染(房地产市场价格传染)以及考虑联合传染三种情况下传染概率及传染范围的不同，来考察直接传染和间接传染及其联合情况下对银行体系系统性风险影响。具体结果如图3所示。我们发现直接传染和间接传染对风险传染的影响呈现了不同的结果。仅考虑直接传染或间接传染时，传染概率与传染范围都相对较低，但这两种风险传染的作用方式共振后可以产生很强的联合效应。特别是房地产市场的间接传染效应单独看起来最低，但从趋势上看却具有很强的主导联合传染效应的作用。

上述发现在实际中较好解释。银行很容易分散直接的资产负债联系带来的风险，只要保证对单一银行的风险暴露不要过高(在我们的风险传染模型中，只要每家银行对其他任意一家银行的风险暴露低于其权益，就不易发生风险传染)，在有些国家，如德国和澳大利亚，这一点甚至写入法律。这种分散化的银行系统虽然分散了违约风险，但却使银行之间的联系更为紧密和复杂，从而使这一传染方式可以强化其它形态的风险传染(比如说资产重叠投资)。这表明风险监管机制的设计需要从整个系统的视角来加以考量。

图3 初始冲为银行破产下的传染效应(c=1,β=1,α=1.05)

2.初始冲击为涉房资产贬值

该部分考察涉房资产价格变动对银行体系系统性风险的影响。考虑初始冲击为房地产价格变动比例，变动比例用λ表示。由于在初始冲击为单个银行破产时已经区分考虑了直接、间接传染渠道及其组合情况下对银行体系系统性风险的影响。因此当初始冲击为房地产价格变动，我们用仅考虑联合情况下破产银行比例(破产银行数/银行总数)这一指标，以此分析房地产市场对我国银行体系系统性风险的影响。

如图4所示，随着房地产价格变动比例λ上升，银行破产比例上升，不难发现各年的图形有着相似的特点，即当λ较小时，曲线很平缓，当增加到一定程度，曲线会骤然上升至一个很高的比例。利用这一特点，我们提出“安全边界”来评价系统的稳定性，其中“安全边界”被定义为破产比例为0.5时λ的取值。银行破产比例在安全边界附近增长极快，安全边界越大意味着系统更稳定。经过1000次模拟得到的2008—2016年间我国银行体系对房地行业的安全边界平均值如表2所示。安全边界在2015年之前都处于较低的水平，银行系统对房地产市场非常敏感，而2015、2016两年的安全边界大幅上升，虽然我们使用的是模拟的银行系统，但仍可说明我国近年来对房地产市场调控和对金融市场系统性风险的防范取得了一定成效。

图4 涉房资产贬值对银行体系破产比例的影响(c=1,β=1,α=1.05)

表2 房地产价格变化比例安全边界

六、结论及建议

本文旨在利用已有的银行数据，对我国银行体系系统性风险做一个评估。重点考虑了我国银行体系内部相互借贷及其在房地产行业的风险敞口对银行体系系统性风险的联合影响。在较为合理的假设下，创新地将银行对房地产贷款损失与房地产市场价格变动有机、动态地结合在系统性风险评估模型之中，得到了测度房地产市场风险敞口对我国银行体系系统性风险影响大小的方法。通过模拟实证研究，得出以下两个主要结论：

第一，单独考虑银行体系内部相互借贷对风险传染的影响时，该影响不大。引入对房地产贷款重叠后，发现二者对风险传染具有很大的联合共振效应。这一结论不仅再次印证了已有的一些理论研究结果，而且启示了新形势下银行体系风险监管机制的设计需要从整个经济系统的视角来加以考量。

第二，利用房地产价格变动安全边界研究银行体系对房地产市场的风险暴露情况可知， 2015和2016年安全边界大幅上升。这表明我国银行系统对房地产行业的风险暴露在一定意义下有较大下降，由此可推测2008 年金融危机后，特别是近几年来，国家采取的相关调控政策和监管措施在遏制系统性风险方面取得了一定成效。

由于本文数据仅考虑了房地产市场的贷款，而非所有与房地产相关联的资产，实际上房地产市场对银行系统稳定性的影响比文中模拟的可能更大。加之我国房地产市场可能存在多种不稳定因素，一旦发生较大的波动，有相对较大可能导致银行系统的崩溃。鉴于此，我国对房地产有较大依赖的经济结构亟待转型升级，金融市场发展与监管的改革之路任重而道远。

由于涉及到商业秘密等原因，各种详实的实际数据无法获得，本文的结果不具有“精确性”。若要对我国银行体系系统性风险进行更加精确的量化评估，可以从以下几方面进行改进：

第一，风险传染过程只考虑了房地产市场的重复贷款。事实上银行系统对于制造业等行业也有较大的风险敞口，另外外汇风险无疑也是值得考虑的。在后续的研究中可全面考虑银行体系资产重叠的情况。

第二，银行体系内部相互借贷为模拟数据，并不能完全真实地反应现实情况，由此急需寻求更多的数据支撑及数据还原的方法来改进模拟数据对现实的还原的真实度。

第三，对于涉及房地产的资产未进行分类处理，房地产企业的贷款主要以违约的形式影响银行资产，而相关的资产证券化资产则更符合文中设定的资产贬值过程，如能得到更精细的数据，则可改善这一点。