基于CoVaR方法的我国商业银行系统性风险溢出效应测度

叶 莉　李园丰　王远哲

摘要 商业银行系统性风险溢出效应既在宏观层面上表现出对银行体系的风险冲击，也在微观层面上反映了银行之间的风险关联。本文运用部分上市商业银行2007—2017年股票价格数据，采用分位数回归的CoVaR方法对各商业银行系统性风险溢出效应进行测度。研究结果表明，过去十年间，宏观层面上，各商业银行在危机时期对银行体系风险溢出效应明显增加，其中部分股份制银行风险溢出效应高于大型国有银行，而国有银行则通过控制自身风险价值降低了其风险溢出水平。从微观角度看，银行之间的风险溢出效应与风险传染的方向相关，且单家银行对其他银行的风险外溢程度会影响其对银行体系的风险溢出作用。

关 键 词 风险溢出效应;系统性风险;CoVaR方法;分位数回归

中图分类号 F832.33     文献标志码 A

Measurement of systemic risk spillover effect of commercial banks in China based on CoVaR method

YE Li， LI Yuanfeng， WANG Yuanzhe

（School of Economics and Management， Hebei University of Technology， Tianjin 300401， China）

Abstract The systemic risk spillover effect of commercial banks are reflected not only on the impact to the banking system at the macro level， but also on the correlation among banks at the micro level. The stock price data of some stock-listed commercial banks will be used to measure the systemic risk spillover effect of commercial banks which will rely on CoVaR method of quantile regression. The empirical result shows that during the period of the past decade， the systemic risk spillover effect of commercial banks to the banking system increased significantly when the crisis happened. And joint-stock banks had higher risk spillover effect than the state-owned banks， while the systemic risk spillover effect of the state-owned banks can be reduced by controlling their risk level. From the micro perspective， there is a relationship between the systemic risk spillover effect among banks and the direction of risk contagion. Besides， the spillover effect to the banking system of a single bank will be influenced by its risk spillover effect to other banks.

Key words risk spillover effect; CoVaR method;quantile regression; systemic risk

0 引言

银行在金融体系的正常运行中发挥着至关重要的作用。银行间形成的密集风险关联网络是银行系统脆弱的原因之一[1]，因此作为金融体系核心部门的银行业最容易受到风险冲击。单家银行的破产会引发大范围的金融危机[2]，危机事件发生时，商业银行的系统性风险溢出效应会导致单家银行的损失扩散至整个行业，并放大其风险对该体系的冲击作用。我国2013年钱荒事件中，单家银行陷入信托兑付困境导致整个银行体系发生相同的危机，进而反映出银行业内紧密的资产负债关系。随着我国金融自由化、科技化和信息化程度的加深，以及现阶段商业银行不良贷款率和杠杆率的反弹，银行市场内隐含的系统性风险不断加剧，对我国银行业风险监管提出了更高要求。

风险溢出是系统性风险爆发之前的典型特征，国外学者在对相关问题的研究中均指出，单一事件会造成单个或部分金融机构陷入困境，而风险则会通过信贷和资本供给等途径扩散至整个金融体系，导致一定数量的机构同时发生危机[3-5]。在我国银行市场的研究中，国内学者肖璞[6]认为单个银行的风险扩散便是风险溢出效应，对于具有较强风险溢出效应的银行，其倒闭会导致银行体系爆发系统性风险。周天芸[7]通過对我国金融业系统性风险的研究，指出应重点监控商业银行的风险外溢，从而减少其发生风险时对金融体系的冲击作用。由此可见，测度商业银行系统性风险溢出效应对于防控银行业系统性风险具有重要意义。

风险溢出效应的测度始于次贷危机之后，次贷危机之前的风险测度偏重于微观视角，且更多依赖于资产负债表数据，主要有指数法[8]和网络模型法[9]。吴卫星[10]指出上述方法存在两个缺陷：1）金融机构资产负债表数据存在信息时滞性，且数据不易获取;2）两种方法均局限于对微观层面风险的测度，不符合宏观审慎监管的要求。次贷危机之后，IMF[11]在全球金融稳定报告中提出4种方法用于测度系统性风险溢出效应，主要包括：网络分析法，共同风险模型法，压力矩阵法和违约强度模型法。其中网络分析与共同风险模型是近年来较为常见的用于评估风险溢出水平的方法。Borovkova[12]和Klinger[13]运用网络分析法分别测度了不同经济政策下场外衍生交易市场和银行市场的系统性风险溢出效应，该方法借助机构间风险敞口矩阵构建了关联网络，并模拟网络结构中陷入困境的单个或多个金融机构对网络系统产生的影响。共同风险模型法主要利用金融市场交易数据测度单个机构系统性风险溢出效应[11]，相较于风险敞口数据，金融市场数据具有时效性和前瞻性优势，且可以动态体现金融机构在时间上的风险变化特点[14]。共同风险模型方法提出之前，度机构的在险价值（Value at Risk，VaR）方法普遍应用于风险管理领域，其利用金融资产或证券组合收益率数据，在一定置信区间下，计算金融机构的最低收益回报，记为该机构的风险价值。汪冬华[15]运用VaR方法对我国商业银行的整体风险进行度量，并发现正态VaR会忽略银行体系风险溢出效应，从而低估了银行业整体风险价值。Adrian and Brunnermeier[16]在此基础之上提出了CoVaR方法，即于VaR方法基础之上加入前缀Co，代表Conditional，Contagion或者Comovement，中文称为条件在险价值法，该方法运用市场数据计算金融机构在其他机构陷入经营困境条件下的风险价值及风险溢出水平，较VaR方法更能捕捉到金融机构的风险动态联动。Adrian and Brunnermeier [17]基于CoVaR方法，从宏观视角，选取1986—2010年美国1226家金融机构的股票收益率及宏观状态变量数据，计算出其对金融体系的风险溢出值，验证并得出了各金融机构对金融体系的系统性风险溢出效应会提高金融体系的系统性风险水平的结论。近年来CoVaR作为测量风险溢出效应的方法被广泛应用于银行风险研究领域，Bernal and Gnabo [18]运用CoVaR方法分别对欧元区和美国的银行机构系统性风险溢出效应进行测度。Roengpitya and Rungcharoenkitkul[19]采用CoVaR模型量化研究了1996—2009年泰国6家主要商业银行对银行体系的风险溢出水平。运用CoVaR方法的国外文献还有Moreno and López-Espinosa[20]和Drakos and Kouretas[21]等。国内学者亦将CoVaR思想运用到银行体系风险溢出效应的相关研究中，白雪梅[22]和陈守东[23]通过CoVaR模型证明了银行体系的系统性风险溢出效应高于其他金融行业。另有学者基于CoVaR方法测度了各商业银行对我国银行体系的风险溢出水平，均指出其溢出效应对银行业系统性风险的爆发具有一定贡献度[24-25]。

根据现有国际经验，商业银行的系统性风险溢出效应对银行体系具有较大冲击作用。我国银行业现阶段杠杆率、不良贷款率居高不下和银行间关联日益密切，意味着商业银行存在的高风险势必会外溢，极易爆发系统性风险[6]。鉴于银行系统在维持中国金融体系稳定过程中的重要作用，对银行业风险的有效管控势在必行。但上述研究仅大多关注单家银行对银行体系的系统性风险溢出效应，忽视银行间微观层面的风险关联，存在片面性。由于以上两层面同属银行业风险监管的一个有机整体，故应在对银行业进行宏观审慎监管的同时适当结合微观审慎监管，以保证监测体系的完善[26]。有鉴于此，本文从两方面对我国商业银行系统性风险溢出效应进行了测度。由于CoVaR方法不但能够反映银行业风险的实时动态情况，还能够体现银行间的风险联动性，故将CoVaR方法和分位数回归技术相结合，构建测度模型。一方面，测度各银行宏观层面上对银行体系的系统性风险溢出效应，剖析其动态变化及波动中蕴藏的经济原因;另一方面，从微观视角度量银行之间的系统性风险溢出效应，量化银行相互之间的风险关联。基于以上两个层面对我国商业银行系统性风险溢出效应的测度，不仅为银行风险监管部门监测体系的搭建提供更加全面的支撑，同时，有助于提升我国银行业风险监管水平。

1 研究方法与数据描述

1.1 研究方法

1.1.1 CoVaR方法的定义

在传统的风险管理中，VaR是度量风险的主流方法，其基本表达式为[Pr（Xi≤VaRiq）=q]，其中Pr为概率probability缩写，Xi是机构i的收益率序列，q%为机构i收益率的分位数水平。在此基础之上，Adrian and Brunnermeier提出了CoVaR方法，并将[CoVaRjiq]定义为机构j在机构i发生极端事件g（Xi）条件下的VaR值，即q%分位数下的条件分布：

[Pr（Xj≤CoVaRj|g（Xi）q|g（Xi））=q] 。 （1）

为计算机构i处于不同条件下，机构j的风险变化程度，Adrian and Brunnermeier将[ΔCoVaR]定义为机构i陷入困境与正常经营状态下，机构j增加的风险损失，以表示机构i对机构j的风险溢出效应强度

[ΔCoVaRjiq=CoVaRj|Xi=VaRiqq-CoVaRj|Xi=Medianiq] ， （2）

式中：[CoVaRj|Xi=VaRiqq]和[CoVaRj|Xi=Medianiq]分别表示机构i处于不同经营条件下，机构j的风险变化程度，即为[Pr（Xj≤CoVaRj|it|Xi=VaRiq）=q]和[Pr（Xj≤CoVaRj|it|Xi=VaRi50%）=q]。

1.1.2 银行体系[ΔCoVaR]模型的设定

根据上述CoVaR的定义，本节构建ΔCoVaR模型以测度各商业银行对银行体系的系统性风险溢出效应。Adrian and Brunnermeier建立的ΔCoVaR模型划分为无条件CoVaR估计和有条件CoVaR估计，其中基于无条件CoVaR估计得出的结果在时间维度上恒定不变，不能体现风险的时序性，故本文采用后者，将ΔCoVaR作为宏观状态变量的函数，以捕捉其在时间维度上尾部风险的变化。首先需要测算单个银行陷入困境时自身最大可能的损失和正常经营状态下的收益率水平，分别为银行在q%分位数水平和50%分位数水平下的VaR值，并将1%的分位数水平定义为银行陷入困境。

在模型的求解方法方面，Adrian and Brunnermeier結合Koenker and Bassett提出的分位数回归方法计算金融机构的在险价值VaR和金融体系的条件在险价值CoVaR。本文在确定模型求解方法之前，首先对选取的样本银行的股票收益率和银行体系总体收益率序列进行正态性检验。通过检验发现，股票收益率序列的峰度最小为5，最大为32，均大于正态分布的峰度3;Jarque-Bera统计量大于临界值，且P值均为0，说明收益率序列均呈非正态分布。同时股票收益率序列的QQ图均呈“尖峰厚尾”的特征，因此使用传统线性回归方法对模型进行估计时失效。同时，VaR和CoVaR本质上都是分位数。基于此，本文运用分位数回归对ΔCoVaR模型进行估计。

首先，建立单个银行收益率序列分位数回归模型：

[Xit=αi+βiMt-1+εit]  ， （3）

式中：[Xit]表示银行i在t时期的收益率;[αi]为模型的截距项;[εit]为模型的残差项;[Mt-1]为滞后一期的状态变量，其中包括流动性风险Yl、股票市场波动率Yv、利率风险Yr、利率期限结构Yt、信用风险Yc、趋势变量Yq和房地产市场收益率Ye，对于状态变量的选取及描述将在下节进行说明。

其次，对式（3）做1%水平的分位数回归，得到银行i陷入困境时的在险价值VaR序列，用[Vi1%，t]表示：

[Vi1    ，t=αi1    +βi1    Mt-1]  。 （4）

同理对式（3）做50%水平的分位数回归，得到银行i处于正常经营状况下的收益率序列[Vi50%，t]：

[Vi50    ，t=αi50    +βi50    Mt-1] ， （5）

式中：参数[αi1     ]，[αi50     ]分别为式（4）、式（5）的截距项估计值，参数[βi1    ]，[βi50    ]分别为式（4）、式（5）的回归系数估计值。

同理，构建银行体系对银行[i]的分位数回归模型：

[Xst=αsi+βsiMt-1+γsiXit+εtsi] ， （6）

式中：[Xst]是银行体系的整体收益率序列;[αsi]，[βsi]，[γsi]分别为待估参数;[εtsi]为残差项。

为反映银行i陷入经营困境时银行体系的CoVaR值，对式（6）进行1%水平的分位数回归，得到：

[Csit，1    =αsi+βsiMt-1+γsiVi1     ，t]  ， （7）

式中：[Csit，1    ]代表银行i陷入经营困境时银行体系的CoVaR序列;[γsi]表示银行i与银行体系的风险关联系数，衡量银行i陷入经营困境时自身风险对银行体系的溢出比例。最终根据各银行不同状态下的VaR差值和[γsi]，计算银行i对银行体系的ΔCoVaR序列，用[ΔCsit]表示：

[ΔCsi1    ，t=CsXi=VaRiq1    ，t-CsXi=Mediant50    ，t=γsi（Vi1    ，t-Vi50    ，t）]。 （8）

1.1.3 银行间ΔCoVaR模型的设定

将上述ΔCoVaR模型进行修正， 首先构建银行j对银行i的分位数回归模型

[Xjt=αji+βjiMt-1+γjiXit+εtji] ， （9）

式中：[Xjt]和[Xit]分别代表两个银行的收益率序列;[αji]，[βji]和[γji]为模型的待估参数;[Mt-1]为滞后一期状态变量，这里状态变量的选取与银行体系ΔCoVaR模型相同;[εtji]为残差项。

接着，对式（9）做1%分位数水平的回归，得到：

[Cjit，1    =αji+βjiMt-1+γjiVi1    ，t] ， （10）

式中：[αsi]为模型截距项;[βsi]和[γsi]均为变量的参数估计值;[γsi]为银行i和银行j之间的风险关联系数，即银行i陷入困境后自身风险对银行j的溢出比例。

最终可以计算出银行i对银行j的系统性风险溢出效应，计算方法与式（8）相同：

[ΔCjit=γji（Vi1    ，t-Vi50    ，t）] 。 （11）

为进一步研究银行i发生风险时对银行j的影响，引入相对风险溢出指標[ΔCji    ]，以表示当银行i发生风险时银行j风险增加的倍数

[ΔCji    =ΔCjitVj1    ，t]   。 （12）

1.2 样本选取与数据描述

1.2.1 样本选取

考虑到选取的数据应涵盖重要经济时期，故将研究区间设定为2007年7月20日至2017年9月1日。在确定的研究区间，选取的12家商业银行均在2007年7月20日前完成上市。其中国有银行包括中国银行、工商银行以及交通银行;国有控股银行包括浦发、华夏、民生、招商、兴业、中信和平安银行;城市商业银行包括南京银行和宁波银行。股票市场数据与宏观状态变量数据均以周为频率，数据源于同花顺iFinD。

1.2.2 指标选取

银行[i]的收益率[Rit]为

[Rit]=[ln（PitPit-1）] ， （13）

式中：[Pit]、[Pit-1]分别表示银行i在[t]和[t-1]时期的股票收盘价格。

银行体系的收益率[Rst]由样本银行收益率加权求和后得到，其中权重根据各银行同期的A股流通市值占样本银行当期总流通市值比重求得。

[Rst=iMVitjMVjtRit]， （14）

式中：[MVit]为银行i在t时期的A股流通市值;[jMVjt]为所有样本银行在t时期的A股流通总值;[Rit]为银行i的股票收益率。

状态变量有以下7各变量。

1）流动性风险（Yl）。该指标定义为3个月期上海同业拆借利率与3个月期国债利率的差额，以度量短期流动性风险，即银行在短期内无法从金融市场中获得充足资金，以应对资产增长或支付到期债务的风险。

Yl = t3月期shibor – t3月期国债利率。    （15）

2）股票市场波动率（Yv）。股票市场波动率反映股票市场的收益波动情况，由上证A股指数日收益率的周标准差表示。

[Yv=1ni=1nri-μt2] ，            （16）

式中：n为第t周内的交易天数;[ri]为第t周内第i天的股票收益率;[μt]为第t周内的股票日收益率均值。

3）利率风险（Yr）。利率变化会导致银行本期利率的实际收益与上期利率的预期收益发生背离，该指标反映了商业银行发生这种不确定损失的可能性，由3月国债利率的变动量表示。

Yr = t3月期国债利率 -  （t - 1）3月国债利率 。 （17）

4）利率期限结构（Yt）。该指标为10年期国债利率与3个月国债利率利差的变化值，反映了资金在不同时期的供求关系。

Yt = （t10月期国债利率 - t3月期国债利率） - [（t - 1）10月国债利率 - （t - 1）3月国债利率] 。 （18）

5）信用风险（Yc）。信用风险为交易对手未履行约定契约义务而造成经济损失的风险，由10年期AAA级企业债与10年期国债利差的变化量表示。

Yc = （t AAA企债利率 - t 10年国债利率） - [（t - 1） AAA企债利率 - （t - 1）10年国债利率]。 （19）

6）趋势变量（Yq）。该指标用以预测中国经济周期，以10年期国债利率和3月期国债利率利差表示。

Yq = t10年国债利率 - t 3月国债利率。 （20）

2 银行对体系的系统性风险溢出效应测度

实证结果描述：表1数据为各解释变量分位数回归后的参数估计值和标准误差。表1显示，银行i的收益率和各宏观变量的参数估计大多显著，且修正后的拟合优度在合理范围之内，故认为本模型设定合理。

宏观状态变量中，上证综合指数波动率和房地产收益率变量的参数估计显著性较高，具有很强的解释能力。其中指数波动率的回归系数皆小于零，可以看出银行体系收益率与上证指数波动率呈负相关关系，说明股市波动会增加银行体系的风险价值。而房地产市场收益率变量的高显著性则体现了银行业与房地产行业的紧密联系。其余状态变量的回归系数及其显著性水平与不同银行样本有关。

回归结果中银行i与银行体系的风险关联系数[γsi]皆在1%的水平显著，故可用其表示银行i陷入经营困境时对银行体系的风险溢出比例。由表1可知，中国银行、工商银行和交通银行与银行体系的风险关联系数[γsi]最大，分别为0.979 553、0.899 393和0.832 787，表示3家银行的风险每增加1单位，银行体系的风险价值分别增加0.979 553、0.899 393和0.832 787。由于中国银行和工商银行为国有银行，交通银行为国有控股商业银行，故出于资金规模等因素，上述3家银行与银行体系风险关联大于其他商业银行，当其发生风险时，很大程度传递给银行体系属于系统重要性银行。

根据各银行的[γsi]系数和其陷入困境与正常经营的风险价值之差，可得到银行i在各时期的ΔCoVaR序列，以表示银行i对银行体系的系统性风险溢出效应。结果显示，所有银行ΔCoVaR序列均为负数，说明各银行发生危机时均会增加银行体系风险损失。此外，通过将各银行ΔCoVaR序列生成折线图，可以发现ΔCoVaR序列变化具有相似趋势。其中2007至2009年全球金融危机时期，各商业银行对银行体系的ΔCoVaR较大;2009年之后，各银行ΔCoVaR绝对值开始变小，但自2012年，ΔCoVaR绝对值出现小范围回升趋势，华夏、民生以及兴业银行受钱荒等事件的影响，于2013年6月前后出现ΔCoVaR绝对值骤升的现象;2015年的股灾事件亦在ΔCoVaR序列折线图上有所体现。图1呈现了民生银行、工商银行与宁波银行对银行体系的ΔCoVaR动态变化，3家银行分别为股份制商业银行、国有银行和城市商业银行。

表2给出了各银行陷入经营困境的风险价值VaR、风险关联系数[γsi]以及对银行体系的ΔCoVaR均值。ΔCoVaR绝对值越大，表示该银行对银行体系的系统性风险溢出效应越强。按照各銀行ΔCoVaR绝对值由小到大顺序排列，可以发现兴业、民生与浦发银行对银行体系的系统性风险溢出效应最大，其ΔCoVaR均值分别为-0.13452、-0.11515和-0.10759。表2还显示，兴业、民生与浦发的系统性风险关联系数分别为0.63239、0.720905和0.570343，皆小于国有银行的系统性风险关联系数，但由于危机时期国有银行的风险价值较小，分别为-0.08943、-0.09531和-0.11736，故3家国有银行对银行体系的系统性风险溢出效应小于部分股份制商业银行。

3 银行间系统性风险溢出效应测度

上节运用CoVaR方法测度了我国商业银行陷入经营困境时对银行体系的系统性风险溢出效应，该结果是监管部门监测商业银行风险应重点考虑的问题。但伴随金融自由化进程的加快和市场化程度的提高，银行间通过资产、债务等渠道建立的联系亦不容忽视。本节通过构建银行间的风险溢出效应测度模型，量化研究危机时期各银行之间的风险关联性，为银行风险监管提出更加全面建议。

对银行间ΔCoVaR模型进行求解，其回归结果显著性与修正后的拟合程度在合理范围内，故认为模型设定合理。表3中各数据表示其所在列的银行j发生风险时对其所在行的银行i的系统性风险溢出效应均值。如第1列数据表示浦发银行经营陷入困境时，其他11家银行增加的风险损失，其中浦发银行对华夏银行的风险溢出为0.172 38，其余银行间的风险溢出效应皆可通过此表查询。

由表3结果可知，银行j陷入困境对银行i的风险溢出效应不等于银行i陷入困境时对银行j的风险溢出效应，即[ΔCoVaRij≠ΔCoVaRji]。以浦发银行为例，第1列与第1行所对应位置数据均不相等;通过比较数据大小还可发现，除兴业银行的风险溢出强度高于浦发银行的风险溢出强度外，各银行对浦发的风险溢出效应均小于浦发银行的风险外溢程度，说明危机时期，浦发银行会对其他银行造成更大的冲击，这与浦发银行对银行体系的系统性风险溢出效应较大相一致。此外，工商银行和中国银行所在行的[ΔCoVaR]绝对值均小于0.1，表明受其他银行的风险外溢效应较小，体现出国有银行具有较强的抵御同业风险能力。

表4、表5分别表示各银行总风险外溢效应和总风险接收效应，并按照绝对值的降序进行排列。表4结果表明，兴业银行、浦发银行与民生银行的风险外溢效应最大，国有银行的风险外溢效应较小，与表2的ΔCoVaR排名相似;表5反映了各银行接收风险程度的大小，表明兴业、平安和华夏银行的风险接收效应最大，其中兴业银行对其他银行的总风险外溢与接收效应均居于首位。

表6为银行间相对风险溢出指标[ΔCji%]的计算结果，用以衡量危机时期银行i的风险溢出效应对银行j的相对影响程度。表中各个数据代表其所在列的银行经营陷入困境，从而导致所在行的银行风险增加的倍数，如第2行第1列数据表示危机时期浦发银行陷入困境使华夏银行风险损失增加了1.189 617 65倍。可以看出，[ΔCji%]与[ΔCoVaRij]具有相同的性质：一是[ΔCji%]大小与风险溢出方向有关，即[ΔCji%≠ΔCij%];二是[ΔCji%]同样可以反映出银行间存在的风险关联性，亦可作为监测银行间风险溢出效应的指标。与[ΔCoVaRij]不同的是，该指标测度了银行间风险溢出的相对量，而[ΔCoVaRij]测度的是银行间风险溢出的绝对量。结合表3与表6，单从风险溢出绝对量角度看，国有银行受其他银行的风险外溢效应较小，但以风险溢出相对量来说，浦发、民生和兴业银行对其具有较大的相对风险溢出，其中兴业银行对国有银行的相对风险溢出超过1。故应同时考虑风险溢出的绝对与相对量，将[ΔCoVaRij]与[ΔCji%]指标结合测度评估银行间系统性风险溢出效应。

值得注意的是，浦发、民生、南京、兴业及交通银行对其他商业银行的相对风险溢出值均存在大于1的情况。该结果表明在上述银行经营陷入困境时，可能导致部分银行的风险损失增加到自身的2倍以上。具体地，浦发银行对华夏银行、招商银行、交通银行的[ΔCji%]分别为1.189 617 65、1.096 998 04和1.154 655 5;兴业银行对浦发、华夏银行及3家国有银行均存在[ΔCji%]大于1的情况;民生银行和交通银行分别对招商银行和华夏银行的[ΔCji%]大于1;南京银行与宁波银行同处江浙地区，业务联系较为紧密，故南京银行对宁波银行的[ΔCji%]最大，达到1.260 181 1。监管部门与银行管理者应重视[ΔCji%]大于1的情况，尤其是对国有银行具有较强的相对风险溢出效应的浦发银行和兴业银行，二者对国有银行的风险外溢在很大程度上提高了银行业的整体风险水平。

4 结论与政策建议

本文基于CoVaR方法，对我国银行体系中部分银行系统性风险溢出效应进行测度。研究结果表明：1）宏观层面上：各银行对银行体系的系统性风险溢出效应在危机时期会呈显著提高，其中兴业、民生与浦发3家股份制商业银行对银行体系有较大的风险溢出均值;国有银行与银行体系的系统性风险关联系数明显高于其他商业银行，但在危机发生时能够通过降低自身风险价值减少其对银行体系的系统性风险溢出效应。2）微观层面上：银行之间的系统性风险溢出效应会导致单个银行发生的风险极易蔓延至其他银行，从而增加银行的风险损失。由于各银行在规模以及业务关联等方面存在差异性，不同银行之间的风险溢出效应强度不同，相同两家银行之间不同风险溢出方向也会导致溢出强度不等。3）兴业、民生和浦发3家银行对银行体系的风险溢出强度最大，同时其在微观层次上的风险外溢效应显著高于其他商业银行。说明银行对体系的风险溢出效应与银行间风险溢出效应存在较强相关性，相较于风险的接收效应，这种相关性主要体现在风险的外溢作用。

结合以上结论提出如下对策建议：政府和银行风险监管部门应通过构建宏观与微观视角相结合的风险溢出测度体系，对我国商业银行的系统性风险溢出效应进行监测，并在风险溢出强度过大时对商业银行及时进行干预，以防范银行业系统性风险的爆发。从宏观层次来看，经济顺周期时，各银行对银行体系的风险溢出效应维持在低水平，但危机发生时会集中爆发，对银行体系造成严重冲击。巩固银行体系安全防线、完善风险应急处置机制、着力化解银行系统性风险，是我国进行经济逆周期监管所面临的重要问题。具体地，对于国有银行来说，其发生风险对于银行体系造成的影响大于其他银行，应严格控制国有银行风险价值，发生危机时需要首先对其进行资金救助，通过降低系统重要性银行的风险损失，减少其在危机时期对我国银行体系的影响;对于部分对银行体系具有高风险溢出效应的股份制商业银行来说，其系统重要性虽不比大型国有银行，但由于自身较高的风险价值，危机时期对银行体系的冲击强于国有银行，应对其制定更加严格的监管制度，降低此类银行的杠杆率，限制其高风险资产以及不良贷款的持有量，并提出更高的准备金率、动态拨备率和资本充足率要求。银行间的系统性风险溢出效应在银行交叉感染凸显的今日愈加不可忽视，监管部门对单家银行进行风险管控的同时，亦要重视银行间的风险关联。其中银行监管部门可采用银行间CoVaR方法测度单家银行对其他主体的风险溢出值，并对相互存在高风险溢出效应的两银行间业务往来严格把控，降低两者间风险传染;银行管理者可借助相同思路管理自身风险价值，识别与自身具有高风险关联性的银行，并通过降低其他银行对自身的风险溢出效应规避风险联动所带来的负面冲击。

参考文献：

[1]    UPPER C，WORMS A. Estimating bilateral exposures in the German interbank market：Is there a danger of contagion？[J]. European Economic Review，2004，48（4）：827-849.

[2]    OORT C J. Banks and the stability of the international financial system [J]. De Economist，1990，138（4）：451-463.

[3]    Lehar A. Measuring systemic risk：a risk management approach [J]. Journal of Banking & Finance，2005，29（10）：2577-2603.

[4]    ADRIAN T，BRUNNERMEIER M K. Federal reserve Bank of New York staff report 348 [R]. Federal Reserve Bank of New York Staff Reports，2011，55（6）：301-348.

[5]    ACHARYA V V， RICHARDSON M. Causes of the financial crisis [J]. Critical Review，2009，21（2-3）：195-210.

[6]    肖璞，劉轶，杨苏梅. 相互关联性、风险溢出与系统重要性银行识别 [J]. 金融研究，2012（12）：96-106.

[7]    统计究，2014，31（11）：43-49.

[8]    ILLING M，LIU Y. An index of financial stress for Canada [R]. Staff Working Papers，2002，29（3-14）.

[9]    ALLEN F，GALE D. Financial contagion [J]. Journal of Political Economy，2000，108（1）：1-33.

[10]  吴卫星，张琳琬，颜建晔. 金融系统风险的成因、传导机制和度量：一个综述 [J]. 国际商务（对外经济贸易大学学报），2014（1）：34-42.

[11]  IMF. Global financial stability report：Responding to the financial crisis and measuring systemic risk [R]. Washington：IMF，2009.

[12]  BOROVKOVA S，HICHAM L E M. Systemic risk and centralized clearing of OTC derivatives：A network approach [J]. Social Science Electronic Publishing，2013（10）：1-56.

[13]  KLINGER T，TEPL P. Systemic risk of the global banking system - an agent-based network model approach [J]. Prague Economic Papers，2014，23（1）：24-41.

[14]  HUANG X，ZHOU H，ZHU H B. A framework for assessing the systemic risk of major financial institutions [J]. Journal of Banking & Finance，2009，33（11）：2036-2049.

[15]  汪冬華，黄康，龚朴，等. 我国商业银行整体风险度量及其敏感性分析——基于我国商业银行财务数据和金融市场公开数据 [J]. 系统工程理论与实践，2013，33（2）：284-295.

[16]  ADRIAN T，BRUNNERMEIER M. CoVaR：A method for macroprudential regulation [R]. Working Paper，2008.

[17]  ADRIAN T，BRUNNERMEIER M K. CoVaR [J]. American Economic Review，2016，106（7）：1705-1741.

[18]  BERNAL O，GNABO J Y，GUILMIN G. Assessing the contribution of banks，insurance and other financial services to systemic risk [J]. Journal of Banking & Finance，2014，47（1）：270-287.

[19]  ROENGPITYA R，RUNGCHAROENKITKUL P. Measuring systemic risk and financial linkages in the Thai Banking System [EB/OL]. [2011-02-28]. https：//papers. ssrn. com/sol3/papers. cfm？abstract_id=1773208.

[20]  LÓPEZ-ESPINOSA G，MORENO A，RUBIA A，et al. Short-term wholesale funding and systemic risk：A global CoVaR approach [J]. Social Science Electronic Publishing，2012，36（12）：3150-3162.

[21]  DRAKOS A A，KOURETAS G P. Bank ownership，financial segments and the measurement of systemic risk：An application of CoVaR [J]. International Review of Economics & Finance，2015，40（6）：127-140.

[22]  白雪梅，石大龙. 中国金融体系的系统性风险度量 [J]. 国际金融研究，2014（6）：75-85.

[23]  陈守东，王妍. 我国金融机构的系统性金融风险评估——基于极端分位数回归技术的风险度量 [J]. 中国管理科学，2014，22（7）：10-17.

[24]  高国华，潘英丽. 银行系统性风险度量——基于动态CoVaR方法的分析 [J]. 上海交通大学学报，2011，45（12）：1753-1759.

[25]  周天芸，周开国，黄亮. 机构集聚、风险传染与香港银行的系统性风险 [J]. 国际金融研究，2012（4）：77-87.

[26]  BORIO C. Towards a macroprudential framework for financial supervision and regulation？ [J]. Journal of Banking & Finance，2003，49（2）：1-18.

[责任编辑 田 丰]