我国金融机构的系统重要性评估:基于多元极值理论

李红权，何敏园，黄莹莹

(1.湖南师范大学商学院，湖南 长沙 410081；2.湘南学院数学与金融学院，湖南 郴州 423000)

1 引言

金融全球化和金融自由化是当今国际金融体系的突出特征，具体而言宏观层面全球金融市场之间一直保持较高的联动水平，微观层面而言金融机构之间的业务往来与关联度也在加强并趋于复杂化，单个金融机构的破产可能会通过金融体系的关联网络影响到多个金融机构，进而引发一国乃至国际市场的金融动荡。例如2007-2008年源于美国的次贷危机最终演变成全球金融危机，至今仍对世界各国的金融市场与实体经济有着潜在的影响。在危机爆发和蔓延的过程中，一些大型金融机构的破产危机对金融市场造成了很大的震动，比如雷曼兄弟事件，美林证券被美国银行收购等，这些“大而不能倒”(Too Big to Fail, TBTF)的金融机构在次贷危机中扮演着举足轻重的角色，个体危机引发并加重了整个金融体系的风险，这种风险不是传统意义上的个体风险，而是个体机构通过直接或间接渠道对整个金融体系造成的全局性风风险，并有可能对实体经济形成威胁引发经济震荡甚至衰退，我们称之为系统性金融风险(Systemic Risk)。

在后金融危机时代，如何对这些具有系统重要性的金融机构进行识别与监管就成为了国际学术界和监管部门关注的焦点，其中国际货币基金组织(IMF)、金融稳定理事会(FSB)和巴塞尔委员会(BIS/Basel)等国际金融机构在这方面做出了前期的工作。它们共同的目标是解决太大而不能倒或太关联而不能倒(Too Interconnected to Fail, TITF)等问题，降低金融机构的道德风险与外部性，通过加强监管来实现风险控制，而不是被动地在危机爆发后实行政府紧急救助，从而降低金融市场有效运转的成本并维护纳税人的利益。

一般而言“系统重要性金融机构”(简称SIFIs)是指业务规模较大、业务复杂程度较高、一旦发生风险事件将会对一国乃至整个地区或全球金融体系带来冲击的金融机构。根据二十国集团(G20)戛纳峰会通过的协议，这些具有系统重要性的金融机构将被要求增加额外的资本金，并且金融稳定理事会(FSB)在每年11月负责对全球系统重要性金融机构名单进行审查和更新。2014年11月FSB公布了30家全球系统重要性银行(G-SIBs)和9家全球系统重要性保险机构(G-SIIs)的名单，我国的中国银行、中国工商银行、中国农业银行、中国平安保险被列入其中。

然而，系统重要性金融机构的评估结果严重依赖于所用的评估方法。国际金融监管机构推荐的方法是综合评分方法，有客观指标也有主观赋权，为了易于操作，采用的方法是简单直观的，但精确性和科学性存疑。本文旨在从更加科学和客观的角度发展评估方法，避免识别不足或识别过度的问题，对金融监管提供有效指引并维护金融市场的定与发展。

2 国内外研究现状评述

国内外对于评估系统重要性金融机构的方法主要分为指标法和模型法两大类。指标法由国际监管机构BIS/Basel提出，它具有计算简单、快捷、易于实施等特点，是国际监管机构推荐使用的方法。但该方法的缺陷也很明显，其选取指标和赋予权重的主观性和经验性都很强，指标设计的科学性有待提升。例如，BCBS[1]在原来的基础上更新了G-SIBs的识别指标，更新后的一级指标包括规模、关联性、可替代性、复杂性和跨境业务，其对于每个一级指标均赋予20%的权重，并在五大一级指标下细分了12个辅助指标，对于各级指标的赋权均为主观设定。

中国银监会2011年在《中国银行业实施新监管标准的指导意见》中指出，中国系统重要性银行的评估主要考虑规模、关联性、可替代性和复杂性四项指标。巴曙松和高江健[2]结合中国银行业的实际情况，对G-SIBs评估方法进行了修改，利用指标分析法对中国系统重要性机构进行识别，选取了规模、关联性、可替代性、复杂性、国民信心五个指标，其中国民信心使用储蓄存款来表示，反映银行倒闭时国内公众信心造成的影响。

模型法则是在资产负债表或市场数据的基础上建立评估模型。代表性评估方法主要有以下几类。Acharya等[3-4]将测度单个金融机构风险的方法—期望损失(Expected Shortfall, ES)推广到整个金融系统，提出了利用金融机构的边际期望损失(Marginal Expected Shortfall, MES)和系统性期望损失(Systemic Expected Shortfall, SES)，测度市场在未发生金融危机时和发生系统性危机时金融机构对整个金融系统的风险(或损失)的边际贡献程度。Adrian 和 Brunnermeier[5]提出以条件风险价值法(CoVaR)测度金融机构的系统性风险，并在实证研究中引入金融机构本身的特征变量预测其未来的系统性风险贡献度，结果表明杠杆率越高、期限错配越严重、规模越大的金融机构其系统性风险贡献更高。Brownlees和Engle[6-7]提出系统性风险指数SRISK，通过杠杆率与MES两个指标来捕捉单个机构对整个金融系统在危机期间期望资本短缺的贡献度。Huang等[8]运用系统性金融危机下的困境保费(DIP)来测度系统性风险，并估计了个体银行对系统性风险的边际贡献度，结果表明银行对系统性风险的贡献与违约概率呈现出线性关系，但是与机构规模和资产相关性没有高度的线性关系。Zhou[9]在Adrian 和 Brunnermeier和多元极值理论模型(Extreme Value Theory, EVT)[10]的基础上，结合CoVaR方法和Segoviano和Goodhart[11]提出了条件分位的概率法(Probability that at Least One Bank Becomes Distressed, PAO)，并将单变量测度方法拓展到多维度测度方法，提出了测度SIFIs的另外两个重要指标——系统性影响指数(Systemic Impact Index, SII)和脆弱性指数(Vulnerability Index, VI)。Zhou的研究结果表明“大而不能倒”并不成立的，即规模因子不能替代系统重要性评估方法。Peeters[12]在Zhou的基础上，改进了SII指标，提出了加权附带破坏指数(Collateral Damage Index, CDI)。Gravelle和Li[13]将一个或者一组特定银行股价发生危机后对整个银行系统风险的增加概率作为一个或一组特定银行的系统重要性，通过极值方法来测量条件概率和无条件概率之差，经过实证得到规模并不能作为系统重要性的替代指标。

国内的相关研究：方意等[14]在MES的基础上，采用DCC-GARCH模型及随机模拟法对我国金融机构的系统性风险进行了测度，实证结果得到系统性风险水平有资产规模、杠杆率和边际期望损失决定，且都呈现正相关关系，而我国的风险水平差异主要来源于杠杆率差异。白雪梅等[15]运用CoVaR方法度量了我国27家金融机构的系统性风险，结果表明我国银行业对系统性风险的贡献比较大。严兵等[16]对Zhou和Peeters分别提出的SII指标和CDI指标进行了对比，结果表明CDI更具有参考价值，且国内银行系统重要性的排序虽然和银行资产规模排序不完全一样，但是也基本保持一致。郑鸣等[17]在BCBS和Zhou等基础上认为在评估系统重要性银行时要同时考虑规模和关联传染两方面的因素，并重新构建了一个新的CSII指标，且研究显示：规模是系统重要性银行评估的最重要的因素，但又不是唯一因素。陆静等[18]的结果显示规模对银行的系统重要性有很重要的影响，但是当银行规模达到一定程度后，其影响将被弱化。刘向丽和顾舒婷[19]采用CoVaR方法研究了房地厂行业对于系统性金融风险的影响；杨子晖等[20]运用有向无环图技术方法以及网络拓扑分析方法研究了全球系统性金融风险。方意等[21]采用虚拟机构资产负债表与资产价格传染模型相结合，度量影子银行系统性风险，结果表明影子银行系统性风险较高且波动剧烈。

虽然国内外研究学者关于系统性风险的测度与建模已经取得了不少进展，但仍存在两个方面的问题。一方面相较于理论方法上的不断改进，实践上关于系统性风险的主要影响因素仍未知，例如，“大而不能倒”即规模因子的重要性仍存在争论；另一方面，从评估方法而言，如何准确刻画收益率尾部特征以及尾部行为之间的关联结构是一个关键问题。鉴于此，本文以多元极值理论和copula作为建模方法，引入并扩展zhou的分析框架，以期从多角度全面测度我国金融机构的相对系统重要性，并进一步揭示系统重要性与规模之间的关系。

3 评估模型与方法

假设一个金融体系包含d个金融机构，并将它们的收益率表示为(X1,…,Xd)。当条件Xi>VaRi(p)成立(即损失值大于VaR)时，说明机构i遇到困境或陷入危机。一个尾部概率水平为p的VaR值的定义如下：

P(X1>VaR1(p))=P(X2>VaR2(p))

=…=P(Xd>VaRd(p))=p

(1)

金融机构的特质决定了其面临的风险状况有所不同。但为了方便处理，本文假定每个机构面临的极端困境状态为同一情形。

3.1 系统重要性指标体系构建

系统重要性测度方法是考虑某一个金融机构发生危机时对其他金融机构产生的影响程度。Segoviano和Goodhart提出了一种方法：在一个特定金融机构陷入危机的情况下，至少存在一个其他金融机构也陷入危机的条件概率(记为PAO)，定义如下：

PAOi(p)=P({∃j≠i,s.t.Xj>VaRj(p)}|Xi>VaRi(p))

(2)

PAO度量的是当某一家金融机构出现危机时，系统中其它机构至少一家也发生危机的可能性。但它没有具体说明这种溢出影响的规模，即整个系统中发生危机的金融机构的数量。因此PAO指标不能充分地识别金融机构的重要性。Zhou在Segoviano和Goodhart的基础上，对PAO方法进行了延伸：考虑在一个特定金融机构陷入危机的情况下，系统中陷入危机机构的预期数量。我们称之为系统影响力指数(Systems Impact Index, SII)，其定义如下：

(3)

这里的1A为指示函数，即当A成立时，其值为1；当A不成立时，其值为0。当一个特定机构倒闭时，PAO和SII方法描述了金融系统中其他机构所受冲击的概率和程度。同时，投资者还关心当金融体系出现局部或者全局危机时，某一特定金融机构所受到的影响，我们称之为该金融机构的脆弱性指数(Vulnerability Index, VI)，定义如下：

VIi(p)=p(Xi>VaRi(p)|{∃j≠i,s.t.Xj>VaRj(p)})

(4)

SII虽然考虑了当一个特定机构倒闭时，金融系统中其他机构所受冲击的的程度，但它没有考虑受到冲击的金融机构的资产规模或资本规模等特征。比如，对于SII=4时，受到冲击的可能是三家小规模的金融机构，也可能是三家大规模的金融机构。显然，后面的情况对金融系统造成更大的破坏。因此，Peeters在Zhou提出SII指标的基础上，对其不足之处做了改进，提出了加权附带破坏指数(Collateral Damage Index, CDI)，即对SII指标赋予了权重，将规模因子考虑进来。在本文中，我们用金融机构的总市值来加权，定义如下：

(5)

(6)

不同的指标测度了单个金融机构系统影响力的不同侧面，综合考虑以上几个指标则可以刻画个体与整体关系的全貌，给出更多的评估信息。

3.2 多元极值理论与L函数方法

{P(X1>VaR1(x1p)or…or

Xd>VaRd(xdp))}/p→L(x1,x2,…,xd)

(7)

这里VaRi表示L的在险值，L是一个有限的正函数。L函数描述了当L超过了L时极端事件的联合分布状态。(x1,…,xd)控制了高阈值水平，进而控制了联合极值事件的方向。De Haan证明了L函数的性质。

考虑在特殊点上L函数的值，L是d个金融机构在同一危机情形下的联合极值事件。从(7)的定义，我们有

L(1,1,…,1)=

(8)

计算公式(8)时需要确定系统中金融机构收益率的联合分布函数。设Fi(xi)(i=1,…,d)是各金融机构收益率的分布，F(x1,…,xd)是金融机构收益率的联合分布函数。由Sklar定理，存在唯一的一个连接函数p，使得

F(x1,…,xd)=C(F1(x1),…,Fd(xd))

(9)

这里C(x1,…,xd)的所有边际函数都是标准均匀分布。

由多元EVT理论，对于任意的x1,x2,…,xd>0,p→0,

(10)

由公式(10)可见：一方面，L函数和copula有关，因此它不包含任何边际信息也即L函数与金融机构自身的风险状况无关；同时，公式中的copula反映的是极端概率下的尾部连接结构，所以L也仅包含尾部依赖信息。因此我们可以用L函数来计算系统性指标。

在计算L函数时，我们将全样本数据表示为独立同分布的随机向量，用Xi,1≤Xi,2,…,≤Xi,n来表示i机构的样本顺序统计量，样本容量为n。在计算L函数之前，我们首先要确定p值，从而确定VaR中的高阈值。当p→0时，定义k=k(n)，当n→∞时，k(n)→∞，但是，我们用来替代p值，L函数可用如下公式估计：

(11)

特别的，当x1,x2,…,xd=1,1,…,1时，为

(12)

对于L函数的估计，最重要的是确定k值。De Haan(2006)建议k值选取L(1,1,…,1)第一次降到较为平稳时的值，利用这个准则确定的k值对于L函数的估计误差较小。

3.3 基于多元EVT理论的系统重要性指标的测度公式

由前节多元EVT理论知，可以用L函数计算系统重要性指标。下面给出用L函数计算各个维度系统重要性指标的具体公式。

假设(X1,X2,…,Xd)遵循多元EVT分布。根据(2)中的PAO定义，我们有

=L≠i(1,1,…,1)+1-L(1,1,…,1)

(13)

这里L是描述(X1,X2,…,Xd)的尾部依赖的L函数，是定义在d维上的；L≠i(1,1,…,1)是描述(X1,…,Xi-1,Xi+1,…,Xd)的尾部依赖的L函数，其定义在d-1维上。

在(4)中的VI定义下，我们有

(15)

在(3)中SII的定义，我们有

(16)

公式(16)中Li,j是L函数描述(Xi,Xj)的尾部依赖，其表达式如下：

Li,j(1,1)=L(0,…,0,1,0,…,0,1,0,…,0)

(17)

这里1只出现在第i和第j维。

根据公式(5)、(16)，可以推出：

(18)

总而言之，当L函数是已知的情况下，多元EVT提供了估计系统重要性的具体测度方法。因为L函数描述了整体尾部依赖结构(X1,…,Xd)，因此所有的系统重要性指标都可以被看作是金融机构之间尾部依赖性的一个表征。

4 我国金融机构系统重要性的多维度评价

4.1 样本选择

为了平衡样本个数(涵盖更多上市公司)与样本容量(更长时间区间)，本文选取了2008年1月28日以前上市的26家金融机构作为样本，包括每家上市金融机构的股票日收益率、年末总资产和年末总市值等市场数据和财务数据。总样本包括14家银行、12家保险/证券/信托机构，时间段从2008年1月28到2015年3月31日，共计1478个交易日，描述性统计详见表1。

表1 26家金融机构股票日收益率的描述性统计量

注：本文数据均来源于锐思RESSET金融研究数据库和国泰安CSMAR数据库

在有效市场中，金融机构在金融系统中的作用、地位和相互之间的关联关系就会充分体现在股票市场上的收益率波动模式与关联模式中。就我国金融市场而言，学者基本认同我国股市处于弱式有效，满足适用条件[22-23]。基于这一假定，并借鉴Zhou和Peeters的研究方法，本文选择A股上市银行、保险以及证券信托等26家金融机构的股票日收益率作为研究对象。股票日收益率有易获取、样本量大等特点，而且我国上市金融机构的规模较大，股价不易被人为操纵，其收益率变化能够较好地反映了金融体系的真实状况。

从表1中可以看出，金融机构的股票日收益率的最值为±0.1，这是由我国涨跌板制度所决定的，标准差显示非银行金融机构特别是证券类上市公司的波动性显著大于银行业上市公司的波动性，在银行业内部中小股份制银行的波动性大于国有商业银行的波动性；就收益分布形态而言，所有金融机构的日收益率数据的偏度大于0或趋于0，峰度均远远大于3，呈现金融资产典型的“尖峰厚尾”分布特征，较大的JB统计量的值再次印证了这一点。这说明研究样本具备使用极值分布的条件，也符合稳定尾部相依函数的使用条件。

4.2 系统重要性的多维度静态评价

4.2.1k值的确定

文中 (7)～(10) 公式最终可以归结于L函数的计算，计算L函数首先要确定k值。在此，本文通过选取不同的k值，得到了不同的L(1,…,1)函数值，并通过观察数据得到，CDI值在170以后较为平稳，所以本文截取k值为1～170的函数值，并绘制了趋势图。通过观察图1可以发现L函数在k=35时首次降到较为平稳的水平，依据De Haan提出的准则，当k值为35到67时，L函数值变化甚微，对计算结果的偏差不大，且选取任何一个值都可以，而本文最终选择k=35来计算L函数，如图1中标注的点。本文中k值的计算是通过R软件编程实现。

4.2.2 多维度评价结果

在确定了k=35之后，阈值水平也随之确定，尾部概率水平p=2.4%。在这里我们运用历史模拟法计算VaR值，即对每个机构的数据按从大到小排列，第1443个数值就为对应金融机构的高阈值。随后，通过R语言编程计算得到PAO、SII、VI和SCP值，如表2所示。

表2中PAO的值都处在一个较高的水平，大都在90%以上，其中交通银行、兴业银行、平安银行和南京银行甚至达到了100%，这说明中国金融机构的相关性太强，单个机构发生危机都将会直接或间接影响到系统中其他机构。VI的变化趋势与PAO的变化是一致的，这表明相互的关联结构也同时提升了金融机构本身的脆弱性。表2中SII的指数值在11.43到14.97之间，大多数金融机构的SII指数值超过了13(即SII占比超过50%)，这与Zhou针对美国银行系统的研究的结果相差很大。Zhou对美国银行系统的研究中SII指标的百分比没有超过50%，而且各个银行之间的SII值差异相对较大，说明美国银行业内部的异质性较高。SCP是对SII的补充分析，大部分金融机构的SCP概率都为100%，说明我国金融系统的同质性和关联度非常高，一个金融机构陷入危机极易导致整个金融系统出现崩溃。从细节而言，SII值较大的依次有：华夏银行、北京银行、中国太保、南京银行、宁波银行等，总体而言银行业的SII值较大，且与规模之间的关系不是非常密切。

表2 各金融机构的PAO、SII、VI、SCP值

注：表中PAO和VI数据为百分制的条件概率，SII为金融机构个数。在一个特定机构发生危机的情况下，PAO为至少存在一个其他机构也发生危机的条件概率；SII为系统中机构发生危机的预期数量；SCP是整个金融系统出现崩溃的系统危机概率；而VI是当系统中的其他机构发生危机时，该特定机构也发生危机的条件概率。

本文为了更清晰地考虑规模因素，将SII赋予总市值权重wj和wj*(具体权重省略)计算得出了CDI和CDI*值，如表3所示。依据表2和表3中指标进行多维度排名的结果如表4所示。

当加入金融机构的规模权重后，依据CDI和CDI*的排名发生了巨大的变化。例如，工商银行的SII排名为24，而CDI排名为3，CDI*排名为2。总体而言，银行业的CDI和CDI*值相对于证券、保险和信托都要大些，都在0.5以上，且排在前五位的均为银行类公司。其中，建设银行的CDI和CDI*最大，分别达到0.6450和0.6607，其次分别为招商银行和工商银行，这三家银行的规模也是排在前列的。这说明我国金融体系中银行业仍占据主导地位。

表3 各金融机构的CDI、CDI*值

注：表中所有数值都为百分制的概率。

表4 各金融机构多维度指标排名

注：因为PAO和VI的排名是一样的，因此将它们合并为一列；多维度测度中不再报告基于SCP的排名结果，因为多数金融机构的SCP值均相同，区分度不够。

表4和表5分别给出了依据不同指标的排序结果以及排序结果之间的相关性。总的来说，不同的指标给出系统重要性的信息是不同的，这与指标的定义有关；同时，各个指标排序结果之间均呈现显著的正向相关，这说明测度虽然不同但归根结底都是在衡量同一对象。差异在于PAO和SII排序结果说明某些规模较小的金融机构依然拥有较大的系统重要性，CDI和CDI*排序结果则揭示规模越大的金融机构对系统的破坏力度也越大。总体而言，将金融机构的规模因子考虑进来后，规模大的金融机构在系统中的重要性更突出了，说明CDI和CDI*指标要比SII指标表达出更多信息，在识别系统重要性金融机构时更具代表性。综合表4的各项排名，除了重点关注工商银行、建设银行、中国银行等传统的大型国有银行外，交通银行、招商银行、华夏银行、南京银行、北京银行等部分股份制和城商行以及保险公司中国太保的系统重要性也比较突出，值得监管部门重点关注。

表5 各指标排序结果间的相关性

注：每个小格中的数据为秩相关性测度，括号内的数据为p值。***,**和*分别表示在1%，5%和10%的置信水平上显著。

4.3 系统重要性的动态评价

每个金融机构都有自身的特质与发展路径，同时还会受到金融大环境、经济政策等的影响，其系统重要性会随时间而动态变化。因此，除了整体的静态分析外，我们运用移动时间窗口方法来研究每家金融机构在整体金融生态中影响力的动态变化。本文将子样本的时间周期选为250个交易日，以一个月为单位向后推移，即第一个子样本时期为2008年1月到2009年2月，第二个子样本为2008年2月到2009年3月，依次向后推移。

我们选取了4个典型金融机构来分析随时间窗口的动态变化，招商银行、中国银行、中信证券和中国平安分别作为股份制商业银行、国有商业银行、证券公司和保险机构的代表(其它金融 机构的动态变化跟所选取的各类金融机构的代表性公司的变化情况类似)。然后，根据时序按月推移子样本计算得到SII值和CDI值结果(CDI和CDI*结果相差较小，在这里我们就选用CDI指标研究动态变化)，为了方便，我们将两个指标都用概率来表示。之后，我们将SII值和CDI值的移动窗口数据进行了绘图，这能更直观的体现数据的动态变化，其结果如图2和图3所示。

从图2和图3中可以看出，各金融机构的系统重要性都是时变的，且变化趋势基本一致，这说明我国金融机构的同质性程度较高；另外从图上还可以看出中国银行的变化幅度是最大的，且在2012年年底达到最低，并随时间变化逐渐递增，到了2013年底达到最大，它的的值接近80%，而CDI值甚至超过了80%，这说明中国银行的系统重要性变大了，对整个系统的影响力更大、潜在破坏性越高。这与2013年6月和12月银行业两度发生“钱荒”的现实吻合，钱荒是银行业整体的系统性风险累积的典型表现，同时在震荡恐慌期国有大行如中国银行的系统重要性再次凸显出来。另外，从2014年底开始，每家机构的系统性风险都具有明显的上升趋势，这具有重要的风险警示作用。

4.4 系统重要性与其他因素的相关性分析

本文试图通过金融机构系统重要性排名和经济财务指标的相关性分析来初步判断系统重要性的内在影响因素。采用的指标是总资产(测度规模因子)和资产负债率(测度金融机构经营风险或者破产风险)，我们列出了每个指标2015年第一季度和2008年到2015年的季度平均指标值(篇幅所限省略表格)。从数据表中可以看出各个金融机构的总资产差异非常大，例如工商银行2015年3月的总资产是21.3966万亿元，而太平洋的总资产为0.0089万亿元；资产负债率也有显著不同，最低为30%，最高达95%。

表6展示了金融机构的系统重要性与部分财务指标之间的关系。从PAO、VI和SII的角度分析，金融机构的系统重要性与其自身规模之间的相关关系较弱，但与资产负债率相关性较强；CDI和CDI*值则不仅与金融机构规模指标有较强的正相关性，与资产负债率的关系也非常密切。这说明不仅规模是系统重要性的重要考量，同时还会有其他因素(如破产风险)也会对系统重要性产生显著影响。

表6 相关检验结果

注：每个小格中的数据为秩相关性测度，括号内的数据为p值。***,**和*分别表示在1%，5%和10%的置信水平上显著。

5 结语

本文拓展了Zhou和Peeters的研究，将他们对银行业的研究拓展到整个金融体系，运用PAO、VI、SII和CDI四个指标从多角度综合度量金融机构的系统重要性；测度方法结合了多元极值理论和copula函数，能够更好地捕捉金融机构间的相依关系。实证研究选取了中国26家上市金融机构来构建“代表性”金融系统，并充分利用了26家金融机构的市场数据和财务数据。

研究结果表明：(1)各个金融机构间的关联性和同质性均很强，金融机构的个体危机极易诱发系统性风险。(2)即使考虑到不同的测度指标，结果仍一致性显示银行业上市公司均在系统重要性中占据优势，这说明我国的金融体系仍是银行主导型的。(3)规模和系统重要性的关系。研究结果表明规模是系统重要性的重要考量，但不是全部，还有其他因素也会对系统重要性产生显著影响，部分股份制商业银行和城商行仍然具有不可忽视的系统重要性，也应被纳入金融监管的重要关注对象。

综上评估我国金融机构的系统重要性时，不能只依赖某一个指标来给出评估，应同时考虑其它不同侧面的指标，以期对我国金融机构的系统重要性给出一个综合的、稳健性的评估。对于金融监管实践而言，不仅要重点关注那些具有系统重要性的传统大型国有商业银行，同时还须对那些资产规模虽然不够大，但脆弱性较高、潜在破坏性大、负债率高的金融机构加强监管。