双向反馈视角下银行业系统性风险评估与防范

摘 要：银行系统性风险不仅在金融机构內部传染，更有可能源于实体经济的外部冲击。鉴于此，本文将实体行业纳入银行系统性风险分析框架，基于26家银行2008-2019年年报数据，采用DebtRank算法对银行-实体双向传染风险进行研究，探讨二者间风险反馈传导机理，评估系统性风险大小，识别系统重要性与系统脆弱性机构。研究表明，在银行系统性风险评估中，忽略实体行业与银行间的双向反馈关系将低估风险，可能导致决策错误；中、农、工、建、交均为系统重要性银行，部分股份制银行兼具系统重要性与系统脆弱性属性，需监管部门重点关注；制造业、房地产业、建筑业等为系统重要性行业，而此类行业的最大债权银行也恰为系统重要性银行。防范银行业系统性风险不仅要加强银行内部风险控制，更要立足经济金融全局视角精准施策，从源头防范系统性风险的发生。

关键词：DebtRank算法；实体行业；复杂网络；系统性风险

作者简介：翟永会（1982-），女，河南新乡人，博士，河南师范大学商学院副教授，河南省产业结构转型升级软科学研究基地研究员，主要从事金融风险管理等相关研究。

基金项目：国家社会科学基金项目（18BJY247）；河南省高校科技创新人才支持计划（人文社科类）（2020-cx-024）；河南省软科学研究项目（232400411122）

中图分类号：F830  文献标识码：A  文章编号：1000-2359（2023）04-0042-07  收稿日期：2022-02-05

一、问题的提出及文献回顾

2023年3月，由美国硅谷银行破产而引发的全球系统性金融风险事件再次引起各界关注，中国早在十九大会议上就已提出，要守住不发生系统性金融风险这一底线。系统性风险的显著特点是传染性，即一个金融机构遭受严重损失会通过机构间关联网络迅速波及其他机构，最终冲击整个金融系统。银行业作为金融体系的重要机构，发挥着资源调配、保证实体经济稳步发展的作用，因此防控银行业系统性风险对维持金融稳定至关重要。多次金融危机事件表明，银行间拆借市场是银行业系统性风险传染的重要渠道。同时，银行系统性风险亦有可能来自外部实体行业冲击。若重要性行业因遭遇经营困境出现衰退，其债权银行的资产价值将遭受直接冲击，进而通过银行间网络蔓延，导致银行业信贷紧缩，反过来加剧实体行业衰退，最终形成“恶魔回路”。基于此，本文认为，银行系统性风险的研究应该加强，重点关注实体行业与银行间的风险传导效应，以构建应对风险的有效隔离机制。既有文献表明，造成银行的系统性风险主要可分为内部因素和外部因素。部分学者认为金融的脆弱性、市场主体有限理性及资产价格波动性等内部因素决定了金融体系的内在不稳定性，如Minsky的“金融不稳定假说”Minsky H.The Financial Instability Hypothesis： A Restatement.Thames Papers in Political Economy，1979.和Stiglitz and Weiss的“信贷市场信息不对称”假说均认为资产价格波动、信息不对称和金融自由化是造成金融脆弱性的主要根源Stiglitz J，Weiss A. Credit Rationing in Markets with Imperfect Information. The American Economic Review， 1981（71）.，而Gramlich et al.提出金融机构业务间的高度关联是造成系统性风险的重要成因Gramlich et al. SAFE： An Early Warning System for Systemic Banking Risk. Federal Reserve Bank of Cleveland， Working Paper，2011.。有别于上述观点，有些学者认为政策干预和经济周期等外部因素是系统性风险的重要来源，如谢平和邹传伟认为经济下滑时，实体行业偿债能力下降，金融机构不良贷款攀升，这会降低储户和投资者信心，甚至引发银行挤兑，最终演化为系统性风险谢平，邹传伟：《金融危机后有关金融监管改革的理论综述》，《金融研究》，2010年第2期。。

为建立有效的系统性风险测量框架，学者们提出众多度量方法。Adrian and Brunnermeier在VaR基础上提出条件风险价值（CoVaR），用于测度某家金融机构遭受损失给其他金融机构带来的风险溢出Adrian T， Brunnermeier M. CoVaR. Federal Reserve Bank of New York， Working Paper， 2009.。Acharya et al.提出了边际期望损失（MES）和系统性期望损失（SES），分别用于测度市场在未发生金融危机和发生金融危机情形下机构对系统风险的边际贡献Acharya et al. Measuring Systemic Risk. NYU Working Paper，2010.。由于传统经济学方法在分析系统内部结构方面的乏力，复杂网络理论为度量系统性金融风险提供了新视角，采用复杂网络模型时具有代表性的传染算法有EN算法、传染指数法及DebtRank算法，其中EN算法由Eisenberg and Noe提出，但该方法在银行破产情形下才会引发传染，这会严重低估风险。为拟补此算法的不足，Battiston et al.提出了DebtRank算法，解决了EN算法中银行破产才能引发传染的局限，能更为准确地捕捉银行系统性风险传染的过程，此外DebtRank算法下个体对系统损失的贡献可以加总，而该特性CoVaR等方法均不满足Battiston et al. DebtRank：Too Central to Fail？ Financial Networks， The FED and Systemic Risk. Scientific Reports，2012（8）.。在此基础上，Thurner and  Poledna从管理角度出发，认为监管当局可以建立基于DebtRank值的逆向选择机制，有效降低系统性风险Thurner S， Poledna S. DebtRank-transparency：Controlling Systemic Risk in Financial Network.Scientific Reports，2013（3）.。

通过上述文献梳理发现，基于DebtRank算法的复杂网络模型在度量系统性风险方面独具优势，而国内外学者运用该方法评估系统性风险时多局限于金融系统内部，未将实体行业对金融机构的风险传导纳入考量。而实体部门和金融业尤其是银行业间存在复杂网络关联，二者间风险传导不容忽视。鉴于此，本文采用DebtRank算法，构建实体和银行间双向反馈网络对系统性风险进行研究，在银行借贷关联网络基础上，加入实体部门构建实体和银行间网络模型，全面评估银行系统性风险，为从源头控制风险提供新视角。

二、理论框架

基于金融加速器理论，可知信贷市场遭遇外部负面冲击时，会有循环放大冲击的作用，鉴于此，本文认为，当来自政策、技术或市场等方面的外部冲击对实体行业造成影响时，部分行业可能陷入衰退状态，导致资产贬值，无法按时偿还银行债务，而违约风险则会通过信贷渠道向银行系统蔓延。若行业违约导致银行面临较高的坏账水平，为满足监管要求，银行将缩减信贷规模，这将通过金融加速器反馈至实体行业，从而给实体行业带来更大的经营压力，更大规模的信贷违约接踵而至，并不断循环扩大。依据上述分析，建构实体与银行之间的系统性风险双向反馈传导机制（见图1）。

三、研究设计

（一）构建银行间关联网络

为尽可能准确地刻画样本银行间的微观借贷网络结构，参考国内外学者在相关文献中做法，运用最大信息熵与最小叉熵理论模拟构建银行间网络。假设各银行同业资产和负债的概率分布足够分散且相互独立，由N家银行构成的银行间关联网络可用N阶方阵X表示：

四、模拟结果分析

（一）银行业系统性风险时变特征

本文假定初始外部冲击为一家样本银行破产清算，并将26次模拟得到的DebtRank指数值以银行规模为权重加权平均求得银行网络DebtRank指数。基于差分DebtRank模型，可得到2008年至2019年银行网络DebtRank指数值时序变化，如图2。

根据图2所示，自2008年金融危机爆发至2012年期间，我国银行业所面临的系统性风险呈现出温和上升的趋势。但是，2013年银行系统性风险水平突然攀升到10多年來的最高水平，分析2013年第一季度银行业统计数据可知，当时中国银行业资产和负债规模增长迅速，而不良贷款率也增加了2个基点，流动比率降至45.36%，同比下降30个基点，说明银行业经营风险正在积聚，当年6月份“钱荒”事件发生，市场流动性进一步收紧。2015年6月份我国股市发生股灾后，金融市场陷入一片混乱之中，这是导致2013-2015年DebtRank指数居高不下的根本原因。在股灾事件之后，我国采取了一系列强有力的监管措施，使银行保持了充足的流动性，从而使得银行系统性风险值在2018年和2019年两年间重新回到了低水平状态。

（二）实体行业对银行业系统性风险的贡献

为考察实体行业对银行系统性风险的贡献，下文采用基于实体反馈的DebtRank模型测度银行系统性风险，并与基于差分DebtRank模型作对比分析，结果如图2所示。根据图2可知，若不考虑实体行业的反馈效应，将会导致银行业系统性风险被低估，而在2019年，风险低估的比值达到71.23%。由此可知，在低风险时期，不考虑实体行业的风险反馈效应，更容易造成风险低估，造成这一结果的原因主要在于银行低风险时期流动性更为充足，与实体行业信贷业务更多，联系亦更加紧密，此时一旦一家银行破产，所有与其有借贷关系的实体企业都将受到影响，在金融加速器的作用下，通过陷入困境的行业向其他债权银行传递，并在银行网络中扩散，从而进一步加剧了风险。两种模型对系统性风险测度结果的差异证实了仅考虑银行间风险传导会低估系统性风险的观点。

（三）银行的系统重要性与系统脆弱性分析

本文采用单个样本银行破产后给系统造成的损失大小衡量银行的系统重要性。将上文计算出的系统性风险值，乘以银行规模衡量的权重，得到26家银行的DR值，2008-2019年历年各银行的DR值均可由此得到。由于历年排名差异不大，且受篇幅所限，仅列出2019年各银行系统重要性排名，结果如表1所示。根据研究结果，工商银行、建设银行、农业银行、中国银行和交通银行在银行系统重要性排名中均位于前列，且它们的DR值远高于其他上市银行，这表明这五家银行具有较高的系统重要性，这与五大国有银行的规模庞大和业务繁多的特点相符合。而部分中等规模的股份制银行，如兴业银行、浦发银行、民生银行、中信银行、招商银行等，在系统重要性排名中位列前十。根据资产负债表的观察结果，这些银行的同业资产和负债相对于其自身所有者权益而言具有较高的价值，与其他银行之间的债权债务关系紧密，因此在银行网络中扮演着至关重要的角色，其系统的重要性也相应更高。

（四）系统重要性行业及其与系统重要性银行的关联

系统重要性行业即指那些对银行系统稳定性影响更大的实体行业。在识别系统重要性行业时，假设初始外部冲击首先影响某个行业，考虑到该行业内通常有数以万计的企业，因此设定初始外部冲击为某个行业破产是不切实际的，相比之下，对行业压力增加带来的银行系统性风险的边际影响进行评估更有价值。因此提出以下假设，即行业在受到初始外部冲击时，可能会受到一定程度的压力，但并不至于面临破产的风险。基于上述分析，将行业压力水平分别设定为0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09、0.10，据此分别模拟11个样本行业10次不同程度的压力冲击，记录每次模拟中样本银行全部违约时的传染轮数，并算出10次模拟结果的平均传染轮数。通过模拟结果可知，2017-2019年行业系统重要性排名如表3所示：

由表3可知，制造业的冲击给银行业带来的系统性风险最大，位居11个样本行业首位且排名稳定。而房地产业、建筑业、交运仓储业与批发零售业系统重要性排名虽偶有变动但历年均居于前列，这表明以上行业系统重要性较强。

可见，上述行业在系统性风险传导中的贡献较大，体现出更强的系统重要性。依据样本行业贷款数据可知，自2008年至2019年间，26家样本银行向制造业提供的贷款余额均居于各行业首位，而贷款余额最少的正是农林牧渔业、住宿餐饮业和信息传输业三个行业，这恰与表3所示的行业系统重要性排名一致，这表明实体行业对银行系统性风险的贡献与银行对该行业的风险敞口规模相关度很高。此外，产业特性也对系统重要性产生了影响。众所周知，制造业、建筑业、房地产业皆属资本密集型行业，资产规模庞大且专用资金周转时间长，一旦受到外部冲击，造成债务违约，对整个经济金融体系的影响更大。因此在系统性风险传递中扮演的角色也更为重要，而交运仓储业具有短贷长投特性，大量贷款期限为中短期，且该行业的投资回报期较长，债务与资产期限错配造成其高风险特征，其系统重要性排名也位居前列。

为了深入研究系统重要性银行与系统重要性行业之间的联系，首先需要识别出2008年至2019年12年中以平均传染轮数所衡量的系统重要性行业前五名，这些行业包括制造业、房地产业、交运仓储业、其他服务业和批发零售业。接着，计算上述行业分别向样本银行借款的平均余额，按照借款规模大小对样本银行进行顺序排列。可得排名前五的系统重要性行业与各自5大债权银行的借款余额均值如表4所示：

五、结论与建议

本文通过构建差分DebtRank模型和基于反馈的DebtRank模型，对银行业的系统性风险进行评估，并通过模拟考察了样本银行的系统重要性与系统脆弱性排名，同时得到了11个实体行业的系统重要性排名。研究结果表明：第一，在对银行业的系统性风险进行评估时，应考虑实体行业对银行业的风险反馈效应，仅局限于银行业内部分析框架会导致风险低估。第二，国有商业银行和股份制银行的系统重要性普遍高于城市商业银行，城市商业银行的系统脆弱性则高于国有商业银行和股份制银行。第三，国有商业银行的系统重要性相对较高而系统脆弱性相对较低，少数股份制银行和城市商业银行同时具有较高的系统重要性与脆弱性。第四，我国制造业、房地产业、交运仓储业、其他服务业和批发零售业位列系统重要性行业排名前列，且系统重要性排名前五的银行均为这五个行业的最大债权银行。因此，要加强对系统重要性与系统脆弱性银行的监管。考虑到系统重要性银行的破产极易引发系统性风险，而系统脆弱性银行又极难抵御外部冲击，因此应基于微观审慎角度严格监管措施，以隔绝系统脆弱性银行向系统重要性銀行传递风险的渠道。同时，将系统重要性行业纳入风险监管框架。随着金融实体间关联日渐紧密，实体行业和银行间相互作用不断增强，我国应严防实体行业风险向金融行业的溢出传递，将实体行业风险监测纳入监管框架。

Abstract：

The systemic risk of banks is not limited to internal contagion within financial institutions， but is more likely to originate from external shocks to the real economy. In view of this， this paper incorporates the physical industry into the framework of banking systemic risk analysis. Based on the annual report data of 26 banks from 2008 to 2019， the DebtRank algorithm is used to study the bidirectional contagion risk between banks and entity industries.This paper explores the risk feedback transmission mechanism between the entity industries and banks， evaluates the magnitude of systemic risk， and identifies institutions with systemic importance and vulnerability. Research has shown that in the systemic risk assessment of banks， ignoring the two-way feedback relationship between the entity industries and banks will underestimate risk and may lead to decision-making errors. The five major state-owned banks are all systemically important banks， and some joint-stock banks have both systemic importance and systemic fragility attributes， which require regulatory authorities to focus on. Manufacturing， real estate， and construction industries are systemically important industries， and the largest creditor banks in these industries are also systemically important banks. To prevent systemic risks in the banking industry， it is not only necessary to strengthen internal risk control within banks， but also to implement precise policies from the perspective of the overall economy and finance， and prevent the occurrence of systemic risk from the source.

Key words：DebtRank algorithm；entity industry；complex network；systemic risk  ［责任编校 陈浩天］