基于复杂网络的银行同业拆借系统性金融风险传染研究.pdf

135No.42023Gen.No.240NINGXIASOCIALSCIENCES宁夏社会科学2023年第4期总第2 40 期基于复杂网络的银行同业拆借系统性金融风险传染研究冯文芳，穆晓阳（兰州理工大学经济管理学院，甘肃兰州7 30 0 5 0）摘要：由银行系统中各机构相互借贷所产生的网络关系是系统性金融风险的重要来源，也是发生金融风险传染的关键渠道。运用2 0 1 6 一2 0 2 1 年间我国42 家上市银行的同业拆借数据，首先采用最小密度法搭建银行之间的网络结构，其次通过DebtRank模型识别网络结构中的系统重要性机构和系统脆弱性机构，并在此基础上剖析银行系统性金融风险的影响因素。结果表明，我国系统重要性银行与系统脆弱性银行在整个银行体系中的位置相对固定且系统脆弱性银行数量呈现逐年递减趋势；风险口、净资产以及银行贷款损失准备均对银行系统性金融风险产生显著影响。关键词：系统性金融风险；复杂网络；银行同业拆借中图分类号：F830文献标志码：A文章编号：1 0 0 2-0 2 9 2(2 0 2 3)0 4-0 1 35-0 6一、引言党的十九大以来“防范化解重大风险”成为新时代国家安全工作的中心任务，而坚持打赢这一攻坚战的关键内容就是做好对系统性金融风险的防控。近年来影响规模大、波及范围广的金融危机，往往是由个别金融机构发生风险且风险通过各机构构成的网络进行大规模传染后，最终引发了系统性金融风险而致。随着我国对银行和信贷资金管理体制的不断优化，以及金融创新的飞速发展，银行同业拆借业务成为金融机构减少资本占用、增加经营收益的重要业务。银行之间的同业拆借关系网络虽然可以保证各金融机构存款准备金充足率及资金的流动性，但也增加了系统性金融风险发生的概率。在各银行机构基于同业拆借而形成的复杂关系网络中，一家银行遭受风险冲击会通过直接或者间接传染渠道波及体系中其他银行门，银行各机构间的网络关联关系会成为系统性风险传染的载体，作者简介：冯文芳，女，兰州理工大学经济管理学院副教授，博士，主要研究方向为金融风险管理和大数据金融；穆晓阳，女，兰州理工大学经济管理学院硕士研究生，主要研究方向为金融工程与风险管理。基金项目：国家自然科学基金地区科学基金“基于金融杠杆视角的资产价格泡沫形成机理和监控系统研究”（项目编号：72161026）；甘肃省科学计划项目重点项目“甘肃省打造千亿级产业集群的方向与路径研究（项目编号：2021ZD001)136进而引发“多米诺骨牌”效应，因此各银行机构通过同业拆借网络引致的风险传染可能会成为系统性金融风险产生的根源 2 关于系统性金融风险传染的已有研究，从研究思路来看，一般通过假设单个银行违约对整个系统的影响进行分析，但实际中由单个银行机构违约所引发的系统性金融风险的概率很低,研究结果准确性有待考量，同时这些研究较少考虑银行体系网络结构关联所引起的风险传染效应和级联效应。从研究内容来看，系统性金融风险包括风险口与风险贡献两方面的内容，前者反映系统脆弱性，意味着哪些银行面临冲击时风险最大，而后者反映系统重要性，即表明哪些银行陷人困境容易导致系统性金融风险。系统重要性银行和系统脆弱性银行是2008年国际金融危机后针对风险贡献提出的新概念，为了加强宏观审慎管理，强化系统重要性银行监管，我国在2 0 2 1 年1 0 月首次评估并认定了1 9 家国内系统重要性银行，这一举措也标志着我国系统重要性银行监管框架基本确立和落地。从研究视角来看，学者们对系统性金融风险传染的研究较多集中于违约、资产抛售和挤兑等因素上，除了上述因素，系统性金融风险主要影响因素还包括银行间资产与银行资本金的比例以及银行间借贷关系网络结构，银行间的相互拆借程度会在很大程度上决定发生系统性金融风险的概率，以及该风险导致的损失程度 3-5 本文基于改进DebtRank模型和与实际情况更为贴合的最小密度法构建金融体系网络拓扑结构，评估金融体系网络结构所产生的风险传染效应和级联效应，识别系统重要性银行与系统脆弱性银行，同时剖析金融体系同业拆借市场产生系统性金融风险的影响因素二、银行网络结构构建原理（一）银行网络结构构建原理本文基于复杂网络理论，采用最小密度法对银行之间的拓扑结构进行构建，同时运用Debt-Rank算法对银行系统由于拆借所产生的系统性金融风险进行研究 6-7 。假定系统由n家银行构成，不同银行用网络中不同节点表示，银行间的拆借关系由网络中节点的连边表示，矩阵A，即为银行拓扑结构的拆借矩阵，如（1)式。a1n.(1)aainaaanjnn其中，a,0表示银行i与银行j的拆借关系，拆借金额为aj。由于我国银行间同业拆借市场的双边拆借数据难以获取，需要借助算法对已知各银行拆借数据进行估算构建拆借矩阵。假设银行之间交易存在一定的交易成本为c，在完全理性情况下为了达到利益最大化目标，会尽可能减少银行间的交易数量以降低交易成本，所以在此基础上建立的银行同业拆借矩阵具备稀疏性和不协调性等特点。运用运筹学中的最优路径求解问题，建立银行系统拓扑网络实际上就成为矩阵A，约束优化问题，如（2）式。nnmin(ci=1 j=l=1n(2）S.t.j=1ZL=ZA,i=,.nnj=1i=1a02a,=Lai=A/=1j=l其中，l表示整数函数，当银行i与j之间建立借贷关系时，其值为1，L表示银行i的同业负债，A则表示银行的同业资产（二）数据选取本文所用数据均来源于iFinD，为保证数据连续性对数据进行了预处理。如表1 所示，通过剔除同业资产、同业负债、所有者权益为0 的银行，选取GICS行业分类中42 家商业银行，按2 0 1 6 2 0 2 1 年间各银行资产规模平均值降序排列得到银行序号，结果表明工商银行的资产规模最大，瑞丰银行资产规模最小。由上述原理、方法及数据构建的拓扑网络结构中，不同节点代表不同银行，银行向银行产生137的借款行为通过有向箭头j表示，此时银行i为银行i的债权人。网络中节点大小由节点的度中心度指标决定，度中心度越大表示节点在网络中越重要，在拓扑网络结构图中所展示的大小越大。2021年银行拓扑网络结构如图1 所示表1银行序号银行序号银行序号银行序号工商银行1上海银行16青农商银行31建设银行2江苏银行17兰州银行32农业银行3浙商银行18齐鲁银行33中国银行4南京银行19西安银行34邮储银行5宁波银行20厦门银行35交通银行6渝农商行21紫金银行36招商银行7杭州银行22常熟银行37兴业银行8沪农商行23无锡银行38浦发银行9长沙银行24江阴银行39中信银行10成都银行25张家港银行40民生银行11贵阳银行26苏农银行41光大银行12重庆银行27瑞丰银行42平安银行13郑州银行28华夏银行14青岛银行29北京银行15苏州银行30数据来源：iFinD苏农重废苏无锡平安瑞丰江都招商西安杭州工商上海苏州北京中信民生便门青岛青农商浦发中行建设张家港南京华夏交通贵阳常熟农业邮储紫金兰州浙商郑州农商业齐鲁渝农商长沙图12021年银行拓扑网络结构从图1 可以清楚看出各个银行在网络拓扑结构中所占的权重。其中，中国工商银行、中国银行、中国农业银行、中国建设银行及中国交通银行等五大国有银行的节点在图示网络中最大，表示其在银行网络中的地位更为重要；中国邮政储蓄银行、招商银行、民生银行、兴业银行及光大银行等规模较大的股份制商业银行节点的度仅次于五大国有银行，其资金雄厚、发展迅速并且地域属性弱，是我国银行体系中极富活力的生力军，在银行拆借系统中拥有举足轻重的地位；青岛银行、南京银行及西安银行等股份制商业银行一般由政府财政及其他多个法人共同持股，该类银行一般为地方性银行，资产规模较小，业务辐射范围小，信贷投资及同业拆借等资产负债关系少，因此在银行系统中的节点度最小。三、实证结果分析（一）系统重要性银行与系统脆弱性银行识别1.系统重要性银行本文采用DebtRank模型修正后的风险值作为评估系统重要性银行的指标，风险值越大，在系统中越重要；同时选取金融机构风险相关网络测量方法中的影响易感性（ImpactSusceptibility）指标对系统脆弱性银行进行辨别 8-9 。当一个银行的违约导致另一个银行机构违约时，脆弱性矩阵V反映了金融机构负债相对于周边可用资本缓冲的重要性，如（3）式。1,if1,V.：E(3)0,otherwise.其中，L,为银行i对银行i负债，E,表示银行j的缓冲资本，当j的缓冲资本不足以抵挡由于违约给其造成的影响时，V,=1。网络拓扑结构和拓扑结构中银行节点的可用资本缓冲是决定银行是否为系统脆弱性银行的重要因素年份420182019202020218风险值8151618OO5101520银行序号图22016一2 0 2 1 年银行风险值（DebtRank值）图2 为2 0 1 6 2 0 2 1 年银行序号在前2 0 的银行138的风险值(DebtRank值）。纵向看，各银行风险值呈逐年下降趋势，且各银行2 0 1 6 年风险值明显高于2017年风险值。究其原因，首先，2 0 1 6 年2 月国务院取消银行同业拆借市场行政许可，意味着更多实力不雄厚的小型银行有机会跨人资金拆借的大门，拆借风险加大；其次，由于我国银行一级资本管理办法在该时段内还不够完善，部分银行内源融资无法支撑风险资本的膨胀，一级资本不足问题相对突出，这也加重了2 0 1 6 年同业拆借风险传染效应。2017一2 0 1 9 年相邻两年风险变化幅度较小，未超过0.2。这是因为，2 0 1 7 年被称为金融界“史上最严”监管年，共出台监管文件2 0 多个，对金融乱象、违规和违法等行为进行行政处罚超过2 7 0 0 件，罚款金额高达8 0 亿元，这些强有力的措施使得各银行风险值总体上不断减小，银行发生系统性金融风险的概率也大大降低。2 0 2 0 年银行业内各机构风险值变化不同于前几年不断下降的趋势，发生系统性金融风险的可能性加大。究其原因，主要是受2 0 1 9年底发生的新冠肺炎疫情影响，为了刺激经济上行，央行向市场投放的大量流动性导致银行同业拆借利率大幅度下降，各银行借此机会通过拆借大幅扩张其资金规模，但这同时也增大了系统性金融风险传染的概率。2 0 2 1 年各银行风险值创历史新低，从侧面证明我国通过加强宏观政策跨周期调节，保持流动性合理充裕以抵御新冠肺炎疫情所带来的经济下行压力取得了成效横向看，银行资产规模的减小使其承担风险值不断减小，影响力较弱。从图1 可以清楚看出，资产规模越小的银行节点越小，说明其与其他银行关联相对疏松，在系统内的地位也较低，这进一步表明资产规模大小能够影响银行在系统中的风险值大小。从总体趋势分析，五大国有银行资产规模最大，其在网络系统中最为重要且风险值也最大。其次，部分股份制商业银行虽在网络系统的地位较五大国有银行偏低，但其角色不容忽视。较其他资产规模更低的城市商业银行来说，这些银行风险水平更为突出，但用于抵御风险的资产规模无法与五大国有银行相提并论，一旦违约，引起的系统性风险传染的范围可能更广，后果更严重。因此对这类股份制商业银行必须加强监管力度，预防因其违约所造成或加重系统性金融风险2.系统脆弱性银行表2 为2 0 1 6 一2 0 2 1 年系统性脆弱银行的测度结果，未在表中出现的银行在这五年内未被测度为系统脆弱性银行。“0 表示该银行在当年为非系统脆弱性银行，这类银行的资产状况能够应对部分甚至全部外生风险冲击进而确保自身不会面临破产风险。“1 表示此银行为系统脆弱性银行，该类银行在银行系统中更容易遭受或者更没有能力应对已经产生的系统性金融风险。由于在系统中表现出较强的脆弱性，这类银行一旦遭受风险冲击便极易破产，而与之有直接联系的银行应当对自己资产走向加大关注力度，系统内其他银行也应当防止与系统脆弱性银行建立过于紧密的资产负债关系表2系统脆弱性银行银行2016年2017年2018年2019年2020年2021年光大银行10000华夏银行100000北京银行100000浙商银行100000渝农商行111100杭州银行100100沪农商行011111成都银行110000重庆银行101100苏州银行010000兰州银行000001西安银行100000紫金银行111000从表2 可知，2 0 1 6 一2 0 2 1 年间系统脆弱性银行个数逐年递减，表明银行业遭受风险冲击时内部发生破产的概率降低。这一结果证明党的十九大以来，我国对于健全货币政策和宏观审慎政策双支柱调控框架的重要部署取得了显著成效，不仅保持了我国经济的平稳运行，也对我国防控和化解系统性金融风险产生了积极效用，在我国防范系统性金融风险的各种措施下，银行业正在平稳发展。值得关注的是，在我国防范化解重大风险不断取得成就的新形势下，沪农商行和兰州银行在2 0 2 1 年成为系统脆弱性银行。沪农商行存贷双萎缩和因未按规定识别、保存客户身份资料以及未按规定报送可疑报告等被监管部门天价罚款，创农商行之最。兰州银行净资产收益率仅为5.7 6%，同时资产风险较高，2 0 2 1 年单一集团客户授信集中度达1 4.5 2%，逼近1 5%监管红线，最大十家客户贷款集中度达44.52%，也接近5 0%监管红线139（二）银行网络结构及系统性金融风险影响因素研究1.系统性金融风险的影响因素研究被解释变量为不同冲击条件下各银行对应风险值(DebtRank值）的平均值，解释变量为风险口和净资产规模。风险口用单家银行同业拆借规模与所有银行同业拆借规模的比值表示。风险口与净资产规模对风险值存在一定影响，风险口越大的银行违约时，其对系统所能产生的风险值越大，净资产越大的银行可以较好地抵御风险带来的不良影响。同时将资产负债率和贷款损失准备作为控制变量，这两个变量也是国家加强宏观审慎监管和增强银行风险防范能力的工具。将银行网络结构进行风险冲击仿真模拟后测算的风险值作为解释变量，探究可能的风险影响因素对风险值产生的影响关系，回归模型构建如（4)式。R,=,RE,+,NA,+,RL,+,AR,+n,+8.(4)其中，R.作为被解释变量，表示银行i在t年产生违约时给银行系统所带来的系统性金融风险，即风险值(DebtRank值）。RE、NA i、R L i t、A R i分别表示银行i在t年的风险口、净资产、资产负债率以及银行贷款损失准备，n.代表的是回归模型的时间固定效应，8 则代表随机误差项。系统性金融风险影响因素回归结果如表3所示。表3系统性金融风险影响因素回归结果变量模型A模型B模型C2.953*2.949*2.588*风险散口(15.31)(15.28)(10.60)-0.085*-0.084*-0.079*净资产(-7.74)(-7.59)(-7.17)0.0020.000资产负债率(0.95)(0.01)0.007*银行贷款损失准备(2.38)0.063*.-0.1590.034常量(10.50)(-0.68)(0.14)样本量252252252R20.7670.7680.773F检验91.6491.6491.64注：括号内为稳健标准差；*、*、*分别表示在1 0%、5%、1%的水平上显著。由表3可知，（1)风险口对风险值呈显著线性正相关。当系统内某银行遭受风险冲击，该银行将通过拓扑网络把风险传染到其他银行，由于系统中风险口大的机构与其他机构建立的资产负债关系较多，更容易受到影响，因此其风险值更高(2)净资产与风险值呈显著负相关，银行在遭受风险冲击时，净资产规模越大，越可以有效抵御负面影响，对系统中其他银行的影响程度也越小。（3)模型B加人了资产负债率变量，表示在其他影响因素的共同作用下，资产负债率这一指标对由拆借关系建立的银行系统的系统性金融风险的影响程度很小，不能作为银行系统性金融风险的影响变量。（4）模型C显示银行贷款损失准备与风险值呈显著正相关。商业银行贷款损失准备管理办法指出，银行贷款损失准备可以增强银行风险防范能力，但不同于一般风险准备从利润计提，贷款损失准备要算作资产减项。大量文献表明银行贷款损失准备计提的顺周期性可能增加系统性金融风险 1-1 。2.稳健性检验为了保证研究结论的可靠性以及回归结果的稳健性，对上述变量分别滞后一期生成工具变量，回归结果如表4所示。该回归结果与表3当期面板数据回归结果基本一致，同样是风险口和银行贷款损失准备与风险值呈显著正相关，净资产与风险值呈显著负相关，资产负债率在模型中影响不显著。综上所述，滞后一期的回归结果显示了回归模型及结果的稳健性以及上文所提结论的可靠性。表4系统性金融风险影响因素滞后一期回归结果变量模型A模型B模型C3.183*3.188*2.660*风险口(13.73)(13.74)(9.56)-0.089*-0.089*-0.083*净资产(-6.97)(-6.90)(-6.54)0.003-0.001资产负债率(0.87)(-0.34)0.011*银行贷款损失准备(3.27)0.061*-0.1850.118常量(9.59)(-0.65)(0.41)样本量210210210R20.7690.7700.782F检验90.0490.0490.04注：括号内为稳健标准差；*、*、*分别表示在1 0%、5%、1%的水平上显著。四、结论及建议（一）某单个银行产生的金融风险能够通过各银行机构所建立的同业关系网传播进而对系统中其他参与者产生关联影响和级数效应同业拆借是无担保的信用交易，隐藏着较大140王宇恒（责任编辑的风险。针对银行通过同业拆借系统网络出现的系统性金融风险及传染等问题，首先，中央银行必须对同业拆借市场和风险冲击实施动态监测，将常规检查和持续监控相结合，把监管任务重点聚焦于风险级别较高的金融机构，通过集中关注风险使资源集约化；其次，虽然目前轻监管成为同业拆借市场监管的新风向，简化了拆借市场的进入流程，但对金融机构风控门槛却要求更高，并且强调信息的完整性和及时性。银行应该通过有效信息的披露加强同业网络的清晰度和完整度，避免由于信息披露不完整、不及时所造成的风险传染对银行业造成大规模风险冲击（二）系统重要性银行的系统风险值排序靠前，是银行业最主要的系统性风险来源，而系统脆弱性银行个数呈现逐年递减趋势金融体系内不同机构的系统重要性与系统脆弱性的互异性特征说明针对不同类型的银行要有与之相匹配的管理办法。系统重要性银行规模大，复杂性高，在网络系统中与之建立资产负债关系的机构多，这类银行产生的金融风险一旦外溢，会对系统中的多数银行产生关联影响，引发较为严重的金融危机。此类机构不但需要健全风险管理制度与体系，而且必须降低风险外溢力度和概率。首先，持续完善对系统重要性银行的附加监管，比如附加资本要求、附加杠杆率的要求、资本内在约束机制建立、流动性和大额风险暴露评估等。其次，打造“宏观审慎管理+微观审慎监管两位一体的监管框架。宏观审慎管理重点在于关注金融体系的系统性风险，是一种自上而下的监管模式，而微观审慎管理着眼于单个银行的个体性风险，形成了自下而上的监管模式，两者合力共同筑牢系统性金融风险的生命线（三）从影响系统性金融风险的因素来看，风险敬口与风险值呈显著正相关，而净资产和银行贷款损失准备却相反，在各种因素共同作用下，资产负债率对银行风险值影响微弱基于上述分析，我国银行业各机构应当通过增强主营业务及其他主要业务的营收能力来增加核心资本，以此抵御自身遭受的风险，进而减小风险在系统网络中的传染规模或者截断风险在系统内的传播路径。增强机构自身风险抵御能力的根本，要求银行挖掘自身潜力，对现有管理模式、盈利模式进行创新性改进，增加银行营收能力以储备更多核心资本抵御系统性金融风险。银行还可以通过调节银行风险口及贷款损失准备以增加银行抵御风险冲击的能力。同时，贷款损失准备要在合理的范围内计提，计提规模太大反而会增加系统性金融风险发生概率。银行业各主体可以通过充分了解其他金融机构的风险构成，优化信贷结构，提高信贷资产质量，实时把控调整信贷投资领域和方向，降低系统性金融风险发生的概率参考文献1CACEIOLI F,FARMER J D,FOTI N,et al.Over-lapping porfolios,contagion,and financial stabilityJ.Jour-nal of Economic Dynamics and Control,2015,51(2).2黄玮强，范铭杰，庄新田.基于借贷关联网络的我国银行间市场风险传染 J.系统管理学报，2 0 1 9,2 8（5).3马若微，王立辰，丁鑫.有限理性下银行间拆借市场网络的风险传染 J.系统工程，2 0 2 3，41（1).4李江，王一鸣.银行同业及投资资产关联的风险传染 J.技术经济与管理研究，2 0 2 1（1 05范小云，王道平，刘澜飚.规模、关联性与中国系统重要性银行的衡量 J.金融研究，2 0 1 2，（1 1).6BATTISTON S,PULIGAM,KAUSHIK R,etal.Debtrank:too central to fail:financial networks,the fed andsystemic riskJ.Scientific reports,2012.7BARDOSCIA M,BATTISTON S,CACCILLI F,etal.DebtRank:a microscopic foundation for shock propaga-tionJ.PloS one,2015.8李政，刘淇，梁琪.基于经济金融关联网络的中国系统性风险防范研究 J.统计研究，2 0 1 9,36(2).9SILVA T C,SOUZA S R S,TABCK B M.Monitor-ing vulnerability and impact diffusion in financial net-works J.Journal of Economic Dynamics and Control,2017,76(3).1oAGENOR P R,ZILBERMAN R.Loan loss provi-sioning rules,procyclicality,and financial volatility J.Jour-nal of Banking&Finance,2015(61).11申宇，任美旭，赵静梅.经济政策不确定性与银行贷款损失准备计提 J.中国工业经济，2 0 2 0（4）.