李嘉晨

摘? ?要：本文通過CoES模型，測度了16家中國上市銀行系統(tǒng)風(fēng)險貢獻度大小，并通過面板回歸對影響系統(tǒng)風(fēng)險貢獻度的因素進行分析。研究表明：國有大型商業(yè)銀行的系統(tǒng)重要性普遍高于股份制商業(yè)銀行和城市商業(yè)銀行，中國工商銀行的系統(tǒng)重要性在所有商業(yè)銀行中最高，中信銀行系統(tǒng)重要性位列股份制銀行之首，城商行中則是北京銀行的系統(tǒng)重要性最強;廣義貨幣增長率、對外投資依存度、期限利差、市值規(guī)模、權(quán)益乘數(shù)、資本充足率、總資產(chǎn)收益率、不良貸款率均會顯著影響系統(tǒng)風(fēng)險貢獻度大小。

關(guān)鍵詞：系統(tǒng)風(fēng)險;系統(tǒng)重要性銀行;CoES模型

DOI：10.3969/j.issn.1003-9031.2019.12.002

中圖分類號：F832.33? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ?文章編號：1003-9031（2019）12-0014-13

自2008年次貸危機爆發(fā)以來，人們深刻認識到了金融機構(gòu)間的風(fēng)險傳染可能帶來系統(tǒng)風(fēng)險，學(xué)界與實務(wù)界也圍繞系統(tǒng)風(fēng)險開展了大量研究，一個重要研究方向就是有關(guān)系統(tǒng)風(fēng)險測算及關(guān)于系統(tǒng)重要性機構(gòu)的鑒定。隨著2014年銀監(jiān)會印發(fā)《商業(yè)銀行全球系統(tǒng)重要性評估指標披露指引》及2018年三部委聯(lián)合發(fā)布《關(guān)于完善系統(tǒng)重要性金融機構(gòu)監(jiān)管的指導(dǎo)意見》，我國有關(guān)系統(tǒng)重要性機構(gòu)的監(jiān)管體系不斷完善，相關(guān)評價體系仍在進一步探索。

一、文獻綜述

學(xué)界關(guān)于系統(tǒng)風(fēng)險度量的研究，大體上可以按照數(shù)據(jù)來源的不同，將之分為基于宏觀變量和資產(chǎn)負債表的指標法和基于市場數(shù)據(jù)的衡量法。一般而言，傳統(tǒng)的指標法大多采用資產(chǎn)負債表信息，結(jié)合宏觀變量構(gòu)建指標體系對系統(tǒng)風(fēng)險衡量。近年來主流風(fēng)險度量模型更多的是從資產(chǎn)價格角度出發(fā)，利用市場數(shù)據(jù)對系統(tǒng)風(fēng)險進行度量，其中就包含以在險價值（VaR）為基礎(chǔ)的系統(tǒng)風(fēng)險度量模型和以預(yù)期損失（ES）為基礎(chǔ)的系統(tǒng)風(fēng)險度量模型。

在基于VaR為基礎(chǔ)的風(fēng)險度量模型中，最具代表性的就是條件在險價值（CoVaR）指標，其定義為當(dāng)機構(gòu)i處于極端風(fēng)險時，整體金融系統(tǒng)的在險價值大小。Adrian&Brunnermeier（2009）認為附加條件下系統(tǒng)的在險價值與無條件下系統(tǒng)在險價值大小之差ΔCoVaR是機構(gòu)i對整體系統(tǒng)風(fēng)險的影響。圍繞ΔCoVaR指標，國內(nèi)外學(xué)者對其估計方法和定義展開進一步研究。在估計方法上，Adrian等（2011）主要利用分位數(shù)回歸方法計算了CoVaR的大小;謝福座（2010）最早開始將Copula函數(shù)與CoVaR結(jié)合，對亞洲三大股票市場指數(shù)的風(fēng)險溢出效應(yīng)進行實證檢驗;高國華和潘英麗（2011）提出用AR-GARCH模型，結(jié)合正態(tài)分布及t分布下的分位數(shù)進而得到動態(tài)CoVaR的大小。在定義延申方面，Chan-Lau等（2009）提出一個類似CoVaR的指標Co-Risk，通過計算極端分位數(shù)情況下的機構(gòu)的條件CDS價值，度量機構(gòu)間信用風(fēng)險關(guān)聯(lián)性;國內(nèi)學(xué)者白雪梅、石大龍（2014）從實際監(jiān)管需求的層面出發(fā)，通過面板數(shù)據(jù)回歸且用滯后一期的解釋變量進行預(yù)測，最終得到Forward-ΔCoVaR指標，與ΔCoVaR對比發(fā)現(xiàn)二者呈負相關(guān)關(guān)系，此時基于該指標進行宏觀審慎監(jiān)管則是逆周期的。

在基于ES為基礎(chǔ)的風(fēng)險度量模型中，學(xué)者從定義上做了較多拓展。Acharya等（2009，2010）在預(yù)期損失ES指標的基礎(chǔ)上，提出了系統(tǒng)風(fēng)險預(yù)期損失（SES）和邊際預(yù)期損失（MES）兩個指標，用于表示某一銀行的預(yù)期資本短缺及個體金融機構(gòu)對系統(tǒng)風(fēng)險邊際貢獻度。Engle也先后與Brownlees（2011）和Acharya（2012）合作，提出了系統(tǒng)風(fēng)險指數(shù)SRISK，該指標測度了市場未來一段時間內(nèi)收益率低于某一水平時，某一金融機構(gòu)的預(yù)期資本短缺。Banulescu&Dumitrescu（2015）提出了成分預(yù)期損失（CES）指標，在滿足歐拉可加性定義下，考慮單一銀行在整個銀行系統(tǒng)中的規(guī)模權(quán)重因素，將銀行系統(tǒng)的預(yù)期損失ES根據(jù)單一銀行權(quán)重，分解為不同成分預(yù)期損失。

由于CoVaR指標無法覆蓋超過分位數(shù)點的尾部風(fēng)險，而ES指標無法測度機構(gòu)對于系統(tǒng)的溢出效應(yīng)，Adrian&Brunnermeier（2016）提出條件預(yù)期損失（CoES）指標的構(gòu)想。國內(nèi)學(xué)者李政等（2019）參照前者的構(gòu)想，構(gòu)建了自己的CoES指標。因該指標可以視為是CoVaR與ES交叉融合下的產(chǎn)物，既涵蓋了超過VaR門限的尾部損失，又度量了機構(gòu)風(fēng)險的溢出程度，下文將基于CoES指標對商業(yè)銀行系統(tǒng)風(fēng)險貢獻度進行度量，并以此給出銀行系統(tǒng)重要性排名，并對影響系統(tǒng)風(fēng)險的因素進行實證分析。

二、基于ARMA-EGARCH的CoES模型

學(xué)界關(guān)于系統(tǒng)風(fēng)險的定義雖存在分歧，但都強調(diào)系統(tǒng)風(fēng)險是一種由于個體風(fēng)險導(dǎo)致行業(yè)整體風(fēng)險的情形，系統(tǒng)風(fēng)險具有傳染性及負外部性兩大特點。此外，由于投資者普遍存在一定的正反饋行為，這會致使單一銀行發(fā)生財務(wù)困境時，銀行市場上出現(xiàn)擠兌或資產(chǎn)拋售，致使整個系統(tǒng)遭受損失。同時，銀行往往出于安全性考慮，在經(jīng)濟增長時期不會有太過激進的行為，其正向收益相對平穩(wěn)，而負向損失相對聚集，系統(tǒng)風(fēng)險還存在厚尾性和非對稱性兩大特點。基于幾大特征的考慮，我們選擇在GED分布下的ARMA-EGARCH模型，結(jié)合CoES指標對系統(tǒng)風(fēng)險進行測算。

（一）CoES和下行ΔCoES的定義

根據(jù)Adrian and Brunnermeier（2016）提出的構(gòu)想，CoES指標可以定義在銀行i的收益率小于顯著性水平p所對應(yīng)的分位數(shù)的條件下，銀行系統(tǒng)的收益率的期望大小。

同時，為了構(gòu)造下行風(fēng)險溢出和左尾部依賴性的測度指標，李政等（2019）在參考ΔCoVaR的定義后，給出了下行ΔCoES的定義：

為了方便不同機構(gòu)間系統(tǒng)風(fēng)險貢獻度的比較，進而對系統(tǒng)重要性排名，參照前人對%ΔCoVaR指標的設(shè)計，本文對ΔCoESL指標進行標準化處理：

其中，關(guān)于顯著性水平的選取，考慮到現(xiàn)實中我國商業(yè)銀行一般選擇99%作為其置信水平，故而α此處取值為1%。同時，對于風(fēng)險價值VaR所設(shè)置的持有期也參考商業(yè)銀行標準設(shè)置為1天，而計算CoES指標時則考慮了未來一個月的收益率，兼顧了實時性的要求。

（二）基于GED分布下ARMA-EGARCH模型的CoES估計方法

本文主要采用ARMA-EGARCH模型來估計CoES指標，同時假設(shè)銀行個體的收益率和銀行系統(tǒng)收益率估計中對應(yīng)的殘差序列服從于廣義誤差分布（GED），主要原因如下：一是利用ARMA-EGARCH模型進行估計，不僅有利于解決金融時間序列數(shù)據(jù)的自相關(guān)和異方差問題，還有利于擬合時間序列對利好及利空消息的非對稱反應(yīng)（杠桿效應(yīng)）;二是GED分布的假設(shè)相對正態(tài)分布假設(shè)更能擬合時間序列數(shù)據(jù)普遍存在的尖峰厚尾特征;三是CoES指標及下行ΔCoES指標設(shè)計為對系統(tǒng)風(fēng)險貢獻度的度量，即主要度量了一種溢出效應(yīng)。綜上所述，該模型可以對系統(tǒng)風(fēng)險存在的傳染性、負外部性、非對稱性、厚尾性等特征進行詳細刻畫，也使得度量結(jié)果更加精準。GED分布又可稱作廣義誤差分布，其密度函數(shù)表達式為：

式（4）中，Γ（x）為伽瑪函數(shù)，η為GED分布的自由度，當(dāng)η=2時，GED分布即轉(zhuǎn)為正態(tài)分布，當(dāng)η>2時，GED分布表現(xiàn)出比正態(tài)分布尾部更薄的特征，當(dāng)η<2時，則表現(xiàn)出比正態(tài)分布尾部更厚的特征。

在假設(shè)干擾項ε服從GED分布的前提下，對于CoES指標的估計可以分為以下三個部分進行描述。

1.各大銀行VaR大小的估計

由式（1）可知，計算CoES指標的前提，需要先計量出銀行i的VaR大小。因而對于銀行i，參照高國華和潘英麗（2011）對銀行個體的VaR的估計，我們對ARMA（1，1）-EGARCH模型中的均值方程進行修改①，同時我們參照Nelson（1991）對EGARCH的設(shè)定，對條件方差方程進行一定的修正，進而對個體銀行i建立以下回歸方程：

外，代表RMt時刻的市場收益率，DMt表示t時刻的市場收益的30d滾動方差，加入這兩指標有利于提高方程擬合程度。特別的，方差方程中β反映了外部沖擊帶來的杠桿效應(yīng)。

在GED分布下，進行極大似然估計后即可得出式（6）和（7）的系數(shù)，進而可以求出個體銀行的在險價值VaRiq，t：

其中，是利用以上模型估計出來的銀行預(yù)期收益率，是利用迭代的方法計算出的日收益率標準差，Z為擾動項服從GED分布下的q分位數(shù)。

2.超臨界損失收益率序列模擬

根據(jù)CoES指標的定義，我們需要在各個銀行i的收益率小于或等于VaRiq，t的時候，來求出此場景下的系統(tǒng)收益率的期望。因此，借鑒個體銀行的在險價值的VaRiq，t估計方法，我們給出超出分位數(shù)臨界點的該部分收益率序列Reiq，t的模擬思路：

其中，Z_excessiq，t是超額損失在收益率序列中的發(fā)生概率qeccess所對應(yīng)的分位數(shù)，滿足Z_excessiq，t≤Ziq，t。由于Z_excessiq，t在已知分布參數(shù)值及概率qeccess可得出，在此我們假設(shè)qeccess為均勻分布下生成的隨機數(shù)，滿足條件0≤qeccess≤q。

3.基于超臨界損失收益率序列的CoES估計

首先，對于整個銀行系統(tǒng)我們同樣建立ARMA（1，1）-EGARCH模型：

最后，通過式（2）和（3）即可算出各銀行對應(yīng)的系統(tǒng)風(fēng)險貢獻度，并可以在不同銀行之間進行比較，得出銀行系統(tǒng)重要性排名。

三、實證結(jié)果分析

本文選取個股的股票收益率作為單個金融機構(gòu)系統(tǒng)風(fēng)險貢獻度的測算基礎(chǔ)。具體而言，參照田國強等（2019）設(shè)定①，在估計下行ΔCoES時，以商業(yè)銀行的后復(fù)權(quán)收盤價來計算其日收益率，同時以中證滬深300商業(yè)銀行全收益指數(shù)收盤指數(shù)作為銀行系統(tǒng)收益率。其中日收益率序列計算如下所示：

Rt= （1nPt-1nPt-1）×100%（14）

其中，Rt表示第t天的收益率，1nPt和1nPt-1則表示相鄰兩個交易日收盤價。

本文將選取代表性銀行的系統(tǒng)風(fēng)險貢獻度進行估算，并對系統(tǒng)重要性排序。為保證估算的準確性，我們將盡可能考慮所有上市的國有商業(yè)銀行、股份制銀行及主要的大型城商行。經(jīng)過篩選，本文的研究區(qū)間確定在2011年1月4日—2018年12月28日，共1946個交易日，數(shù)據(jù)來源于Wind數(shù)據(jù)庫。而對于系統(tǒng)重要性排序，我們將選取共計16家上市商業(yè)銀行進行對比②，因16家商業(yè)銀行資產(chǎn)占中國銀行業(yè)資產(chǎn)總額比例約75%，故選取該樣本分析的代表性較好。

（一）收益率序列描述性分析

為刻畫收益率數(shù)據(jù)的特征，我們對銀行指數(shù)及各大銀行收益率進行了描述性統(tǒng)計分析，同時為保證收益率數(shù)據(jù)平穩(wěn)，還對其進行了單位根檢驗（見表1）。各大銀行的日收益率的偏度系數(shù)為均不恒等于0，因而收益率分布略有左偏或右偏，具有輕微的非對稱性;由于峰度系數(shù)也遠大于正態(tài)分布對應(yīng)的系數(shù)3，故具有尖峰厚尾特征;J-B統(tǒng)計量更是達到3600.996，遠大于正態(tài)分布所對應(yīng)0.01顯著性水平下的臨界值9.21。綜上，可以拒絕收益率分布滿足正態(tài)分布的假設(shè)。同時，在對單位根檢驗后可知，所有收益率序列均在1%的水平上顯著，即拒絕收益率序列存在單位根的原假設(shè)，收益率序列平穩(wěn)。因此，采用GED分布下的ARMA-EGARCH模型來擬合收益率序列，并估計CoES模型有其合理性。

（二）商業(yè)銀行系統(tǒng)重要性衡量

通過建立ARMA（1，1）-EGARCH模型對收益率擬合，我們可以計算出各大銀行的動態(tài)ΔCoESL，通過繪制圖形（見圖1），進而可以觀測各大銀行系統(tǒng)風(fēng)險貢獻度變化趨勢?？梢姡蠖鄶?shù)商業(yè)銀行的系統(tǒng)風(fēng)險溢出水平均在2015年及2018年的經(jīng)濟波動期間達到峰值，這也充分體現(xiàn)了系統(tǒng)風(fēng)險的負外部性及傳染性。此外我們觀察到，國有大型商業(yè)銀行的系統(tǒng)風(fēng)險貢獻度盡管較高，但除去危機期間，從長期看其變動幅度相對較小。而股份制商業(yè)銀行和城市商業(yè)銀行的系統(tǒng)風(fēng)險溢出水平雖相對較低，但其波動較大，說明其在日常經(jīng)營中更容易受到內(nèi)外部沖擊因素的干擾，自身穩(wěn)定性較差，也就更容易向整個銀行系統(tǒng)中發(fā)出沖擊，在正常經(jīng)濟運轉(zhuǎn)情況下，更容易成為整個系統(tǒng)中的不穩(wěn)定因素。

由于銀行的系統(tǒng)風(fēng)險貢獻度大小同時是反應(yīng)商業(yè)銀行的系統(tǒng)重要性的重要依據(jù)。此處，我們以標準化后的%ΔCoESL及式（10）中的長期風(fēng)險溢出系數(shù)作為依據(jù)，對各類商業(yè)銀行的系統(tǒng)重要性進行比較（見表2）。

由表2可知，國有制商業(yè)銀行短期收益率波動對于銀行系統(tǒng)的風(fēng)險溢出最大，國有制商業(yè)銀行的系統(tǒng)重要性最高，其中中國工商銀行對銀行系統(tǒng)影響最大。因而危機發(fā)生時，應(yīng)當(dāng)優(yōu)先關(guān)注五大行的穩(wěn)定性，特別注意對中國工商銀行的風(fēng)險防控。此外，我們也注意到，股份制商業(yè)銀行和區(qū)域商業(yè)銀行中也不乏有對系統(tǒng)有較大影響的銀行，如中信銀行、北京銀行、寧波銀行等。

反觀長期風(fēng)險貢獻度指標，銀行個體表現(xiàn)出較強的個體差異。大型商業(yè)銀行中最應(yīng)加以持續(xù)關(guān)注的是中國建設(shè)銀行，其單位自身風(fēng)險能造成65.9%的風(fēng)險溢出;北京銀行應(yīng)作為城商行中的重點監(jiān)管對象;股份制商業(yè)銀行中，招商銀行的系統(tǒng)風(fēng)險貢獻度則遠超其余股份制銀行，這可能與招商銀行長期以來在規(guī)模上的領(lǐng)軍地位以及復(fù)雜的業(yè)務(wù)往來有關(guān)。

四、系統(tǒng)風(fēng)險貢獻度的影響因素

在對銀行系統(tǒng)風(fēng)險貢獻度進行度量之后，本文還試圖尋找對該種溢出效應(yīng)變動起作用的影響因子。正如前述文獻所言，盡管基于宏觀變量和資產(chǎn)負債表的指標法在度量系統(tǒng)風(fēng)險時存在諸多不足，近年來也并非主流的測度方法。但循著這一研究思路，我們可以將系統(tǒng)風(fēng)險貢獻度的起因分為兩類研究：即微觀主要基于資產(chǎn)負債表個體特征的誘因以及宏觀經(jīng)濟層面的影響因素。通過回顧有關(guān)文獻，在微觀方面，金融機構(gòu)機構(gòu)的規(guī)模、杠桿、流動性、盈利水平和資產(chǎn)質(zhì)量仍然是最為廣泛討論的影響因素;在宏觀影響因素可以從貨幣政策、經(jīng)濟景氣程度、經(jīng)濟放開程度三個視角進行研究。

此處，本文將采用上述16家上市銀行2011—2018年的季度財務(wù)數(shù)據(jù)和相應(yīng)季度宏觀數(shù)據(jù)，結(jié)合面板回歸模型對銀行系統(tǒng)風(fēng)險貢獻度的影響因素進行分析，具體回歸方程設(shè)置如下：

表3）。

（一）面板數(shù)據(jù)描述性統(tǒng)計

在進行面板回歸之前，我們首先應(yīng)對以上變量進行描述性統(tǒng)計，并進行單位根檢驗，防止非平穩(wěn)數(shù)據(jù)導(dǎo)致的偽回歸現(xiàn)象（見表4）。其中，不良貸款率（npl）是一階單整，其余變量序列均在5%的顯著性水平上平穩(wěn)。因此，在后續(xù)回歸中，對不良貸款率進行差分處理。

（二）面板模型相關(guān)檢驗

在利用式（15）進行回歸時，還需要進行殘差截面相關(guān)檢驗及異方差檢驗，同時應(yīng)判斷應(yīng)當(dāng)采用固定效應(yīng)還是隨機效應(yīng)模型。由表5可知，殘差在1%的顯著性水平下拒絕個體不存在相關(guān)性和同方差假設(shè)，即殘差截面相關(guān)且存在異方差。因而在估計權(quán)重時，利用相應(yīng)的廣義最小二乘估計進行調(diào)整，并采用white截面方法作為系數(shù)協(xié)方差估計方法。根據(jù)chow檢驗的F統(tǒng)計量及卡方統(tǒng)計量，同樣在1%的顯著性水平上拒絕原假設(shè)，即模型存在個體固定效應(yīng)。

（三）面板模型回歸結(jié)果

建立固定效應(yīng)面板數(shù)據(jù)回歸模型，回歸結(jié)果見表6?？梢钥闯鍪畟€解釋變量中， M2增長率、對外投資依存度、市值規(guī)模、權(quán)益乘數(shù)、資本充足率、總資產(chǎn)收益率、不良貸款率在1%的顯著性水平上顯著，期限利差則在5%的水平上顯著，而GDP同比增長率、對外貿(mào)易依存度則不顯著。

具體而言，國債期限利差越大，銀行系統(tǒng)風(fēng)險貢獻度上升。這是由于利差擴大意味著人們要求更高的流動性溢價，來補償未來將面臨的更大的流動性風(fēng)險，進而使得銀行的風(fēng)險傳染的可能性增大。

廣義貨幣增長率的上升，將會帶來銀行系統(tǒng)風(fēng)險貢獻度上升。這說明了寬松的貨幣政策鼓勵銀行進行風(fēng)險承擔(dān)。同時與期限利差影響相比較，其系數(shù)更大，影響也更為顯著，說明了銀行風(fēng)險承擔(dān)行為對于數(shù)量型貨幣政策調(diào)整更為敏感，這也與我國貨幣政策主要采取數(shù)量型工具的事實相符。

對外投資依存度增加，系統(tǒng)風(fēng)險溢出影響下降?？紤]到雙向投資在經(jīng)濟中占比增加，將有利于從競爭模仿等途徑，促進技術(shù)、資源、人員素質(zhì)等要素決定的經(jīng)濟高質(zhì)量增長，同時，伴隨越來越多的企業(yè)采用新設(shè)具有法人資質(zhì)的子公司的形式對外投資，這一方式提高收益降低成本的同時，還起到多元化經(jīng)營分散風(fēng)險的作用，而境外法人獨立擔(dān)責(zé)又減少了外部風(fēng)險向國內(nèi)傳遞，最終使得企業(yè)也高質(zhì)量增長。雙重作用下，銀行的壞賬概率大大降低，資產(chǎn)質(zhì)量上升，進而系統(tǒng)內(nèi)銀行對于外部的風(fēng)險溢出下降。

此外，GDP同比增長率ΔGDP與對外貿(mào)易依存度DFT盡管影響不顯著，但二者仍與系統(tǒng)風(fēng)險貢獻正相關(guān)。這表明經(jīng)濟增長較快時期，銀行傾向于有更多風(fēng)險承擔(dān)行為，其對系統(tǒng)的潛在溢出風(fēng)險積聚。而貿(mào)易往來越頻繁，對外貿(mào)易依存度越高，關(guān)稅等貿(mào)易壁壘使得國內(nèi)經(jīng)濟波動的可能性越大，傳導(dǎo)至金融市場使得銀行系統(tǒng)的穩(wěn)定性也越差。

從微觀個體變量來看，市值規(guī)模的系數(shù)顯著為正值，且在個體影響因素中，其對系統(tǒng)風(fēng)險溢出程度的貢獻最大。這恰是對規(guī)模越大的銀行，一般系統(tǒng)重要性越高的解釋，也印證國內(nèi)銀行系統(tǒng)存在“太大而不能倒”這一現(xiàn)象。

權(quán)益乘數(shù)代表的財務(wù)杠桿與不良貸款率的增量與系統(tǒng)風(fēng)險溢出程度也呈現(xiàn)出正相關(guān)關(guān)系。由于高杠桿及不良貸款率上升都會使得商業(yè)銀行面臨較高的信用風(fēng)險，根據(jù)前述系統(tǒng)風(fēng)險傳導(dǎo)渠道，當(dāng)企業(yè)違約事件頻發(fā)，銀行的信貸將會萎縮，由于高杠桿的存在可能存在資不抵債，進而拋售資產(chǎn)的情形，使得資產(chǎn)價格降低，進而風(fēng)險在整個系統(tǒng)中傳播開來。因而高杠桿及不良貸款率上升均會導(dǎo)致銀行系統(tǒng)風(fēng)險溢出增大。

衡量銀行流動性的資本充足率的回歸系數(shù)為負，這一點與過往經(jīng)驗并不一致。一般而言銀行流動性越高，其經(jīng)營過程中安全性越高，但過高的流動性并不利于銀行風(fēng)險的降低。如較高的資本充足率說明銀行對于資本的利用并不充分，資產(chǎn)端業(yè)務(wù)并未得到全面發(fā)展，使得其盈利能力較弱，不利于其持續(xù)經(jīng)營。我國銀行業(yè)目前對于資本充足率的監(jiān)管的基本要求是10.5%，樣本測試中16家銀行遠超這一指標，國有大型銀行的資本充足率普遍在15%這一水平，存在一定的效率損失，反倒可能不利于限制風(fēng)險外溢。

在個體銀行的盈利方面，總資產(chǎn)收益率ROA的回歸系數(shù)顯著為負。這說明銀行個體的盈利能力越強，其系統(tǒng)風(fēng)險貢獻度越弱。這是由于其具有較強的能力抵御外部沖擊和內(nèi)部風(fēng)險，發(fā)生破產(chǎn)或財務(wù)困境的概率較小，不易使得自身風(fēng)險向外部傳遞，進而使得其系統(tǒng)風(fēng)險貢獻度較低。

總體而言，除去對外貿(mào)易依存度及總資產(chǎn)收益率外，其余指標與系統(tǒng)風(fēng)險貢獻度均呈正相關(guān)關(guān)系。因此在實踐過程中，監(jiān)管機構(gòu)應(yīng)當(dāng)注意在經(jīng)濟增速較快、期限利差擴大、貨幣供應(yīng)量增加、雙向投資驟縮及貿(mào)易往來頻繁等時期，對規(guī)模較大、財務(wù)杠桿較高、資產(chǎn)質(zhì)量較差、流動性過高、盈利水平較低的商業(yè)銀行進行重點監(jiān)管。

五、結(jié)論及建議

（一）結(jié)論

本文基于Adrian&Brunnermeier（2016）提出CoES方法，借鑒李政等（2019）對這一方法的改進，利用ΔCoESL指標對其系統(tǒng)風(fēng)險貢獻度進行度量，并以標準化后的指標%ΔCoESL對16家上市銀行的系統(tǒng)重要性進行比較。在此基礎(chǔ)上，本文進一步從宏觀和微觀兩個角度入手，通過面板回歸探討了影響系統(tǒng)風(fēng)險貢獻度的因素，得到以下結(jié)論：一是國有大型商業(yè)銀行的系統(tǒng)重要性普遍高于股份制商業(yè)銀行和城市商業(yè)銀行。其中，中國工商銀行的系統(tǒng)重要性在所有銀行中最高，而中信銀行系統(tǒng)重要性位列股份制銀行之首，城商行中則是北京銀行的系統(tǒng)重要性最強。二是期限利差越大、寬松貨幣政策、較大市值規(guī)模、較高財務(wù)杠桿、過量流動性以及不良貸款率劇增都會顯著引起銀行系統(tǒng)風(fēng)險貢獻程度加大，較高的對外投資依存度及總資產(chǎn)收益率會顯著降低銀行的系統(tǒng)風(fēng)險溢出效應(yīng)。另外，較快的國內(nèi)生產(chǎn)總值增速和對外貿(mào)易依存度，可能導(dǎo)致銀行的系統(tǒng)風(fēng)險傳染性增大。

（二）建議

一是監(jiān)管機構(gòu)在考慮傳統(tǒng)評價指標（如機構(gòu)規(guī)模、關(guān)聯(lián)度、復(fù)雜性、可替代性、資產(chǎn)變現(xiàn)等）的同時，還應(yīng)充分發(fā)揮數(shù)據(jù)挖掘功能，建立系統(tǒng)風(fēng)險貢獻度實時評估模型和預(yù)警模型。二是在中美貿(mào)易戰(zhàn)背景下，監(jiān)管機構(gòu)應(yīng)當(dāng)密切關(guān)注外部環(huán)境變動中可能對銀行系統(tǒng)穩(wěn)定性造成影響的因素，包括國內(nèi)經(jīng)濟增長、涉外投資及貿(mào)易及貨幣政策等。三是在現(xiàn)行金融監(jiān)管雙峰模式下，無論是人民銀行的逆周期宏觀審慎政策和銀保監(jiān)會的微觀審慎監(jiān)管，亦或是審計機關(guān)貫徹的全面風(fēng)險管理框架，既應(yīng)注意差異化監(jiān)管，也應(yīng)注意適度監(jiān)管的問題。從長遠看，監(jiān)管過嚴不僅使銀行喪失創(chuàng)新活力，損失效率，還會使其資本運用不充分，進而降低盈利能力，抵御內(nèi)外風(fēng)險能力下降，無法保證長期穩(wěn)定經(jīng)營，進而可能引發(fā)范圍更為廣泛的系統(tǒng)風(fēng)險溢出。

（責(zé)任編輯：孟潔）

參考文獻：

[1]李政，梁琪，方意.中國金融部門間系統(tǒng)性風(fēng)險溢出的監(jiān)測預(yù)警研究——基于下行和上行ΔCoES指標的實現(xiàn)與優(yōu)化[J].金融研究，2019（2）：40-58.

[2]上海財經(jīng)大學(xué)高等研究院“中國宏觀經(jīng)濟形勢分析與預(yù)測”課題組.中國銀行系統(tǒng)穩(wěn)定性研究[J].中國經(jīng)濟報告，2019（2）：110-117.

[3]張冰潔，汪壽陽，魏云捷，趙雪婷.基于CoES模型的我國金融系統(tǒng)性風(fēng)險度量[J].系統(tǒng)工程理論與實踐，2018，38（3）：565-575.

[4]朱波，盧露.不同貨幣政策工具對系統(tǒng)性金融風(fēng)險的影響研究[J].數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2016，33（1）：58-74.

[5]白雪梅，石大龍.中國金融體系的系統(tǒng)性風(fēng)險度量[J].國際金融研究，2014（6）：75-85.

[6]劉生福，李成.貨幣政策調(diào)控、銀行風(fēng)險承擔(dān)與宏觀審慎管理——基于動態(tài)面板系統(tǒng)GMM模型的實證分析[J].南開經(jīng)濟研究，2014（5）：24-39.

[7]孫立行.開放條件下中國金融風(fēng)險預(yù)警指標體系研究[J].世界經(jīng)濟研究，2012（12）：30-37+85.

[8]劉呂科，張定勝，鄒恒甫.金融系統(tǒng)性風(fēng)險衡量研究最新進展述評[J].金融研究，2012（11）：31-43.

[9]陳雨露，馬勇.泡沫、實體經(jīng)濟與金融危機：一個周期分析框架[J].金融監(jiān)管研究，2012（1）：1-19.

[10]高國華，潘英麗.銀行系統(tǒng)性風(fēng)險度量——基于動態(tài)CoVaR方法的分析[J].上海交通大學(xué)學(xué)報，2011，45（12）：1753-1759.

[11]周小川.金融政策對金融危機的響應(yīng)——宏觀審慎政策框架的形成背景、內(nèi)在邏輯和主要內(nèi)容[J].金融研究，2011（1）：1-14.

[12]謝福座.基于GARCH-Copula-CoVaR模型的風(fēng)險溢出測度研究[J].金融發(fā)展研究，2010（12）：12-16.

[13]Acharya V V.A theory of systemic risk and design of prudential bank regulation[J].Journal of financial stability， 2009， 5（3）： 224-255.

[14]Acharya V V，Pedersen L H，Philippon T，et al.Measuring systemic risk[R].Federal Reserve Bank of Cleveland， Working paper， May， 2010.

[15]Acharya V，Engle R，Richardson M.Capital shortfall：A new approach to ranking and regulating systemic risks[J].American Economic Review，2012，102（3）：59-64.

[16]Adrian T，Brunnermeier M K.CoVar：a method for macroprudential regulation[J].Federal Reserve Bank of New York Staff Report，2009，348.

[17]Adrian T，Brunnermeier M K.CoVaR[R].National Bureau of Economic Research， Working paper，October，2011.

[18]Adrian T，Brunnermeier M K.CoVaR[J].The American Economic Review，2016，106（7）：1705-1741.

[19]Banulescu G D，Dumitrescu E I.Which are the SIFIs？A Component Expected Shortfall approach to systemic risk[J].Journal of Banking & Finance，2015，50（1）：575-588.

[20]Brownlees C，Engle R.Volatility，correlation and Tails for Systemic Risk Measurement[R].Social Science Reserch Network，Working paper，June，2011.

[21]Chan-Lau J A，Espinosa M，Giesecke K，et al. Assessing the systemic implications of financial linkages[J].Global Financial Stability Reviews，2009，2（6）：73-110.

[22]張立華，張順順.宏觀審慎框架下系統(tǒng)重要性銀行風(fēng)險評價及其防范路徑研究[J].西南金融，2019（10）.

[23]吳頌.農(nóng)村商業(yè)銀行系統(tǒng)流動性風(fēng)險管理問題研究——以江西省撫州市為例[J].區(qū)域金融研究，2019（3）.

[24]龐麗媛.商業(yè)銀行創(chuàng)新業(yè)務(wù)風(fēng)險分析及監(jiān)管建議[J].黑龍江金融，2018（10）.

[25]包蕾.我國金融控股集團模式下商業(yè)銀行風(fēng)險管理研究[J].北方金融，2018（8）.