基于影子银行视角的我国系统性金融风险测度及预警研究

摘 要：本文编制了我国影子银行部门的资产负债表，准确识别我国影子银行规模，分析影子银行基于资产负债表渠道的系统性金融风险传染机制。基于蒙特卡洛模拟构建了以影子银行为中心节点的金融机构间网络模型，得出三种不同集中度金融机构间网络的系统性金融风险损失的VaR和ES值，对我国影子银行违约引发的系统性金融风险进行测度。基于此，划分了“绿色可控区”、“橙色预警区”和“红色风险区”三类级别的系统性风险区间，构建了以影子银行资产规模/GDP为核心，同时考虑经济增速和货币环境的风险预警指标，并以美国次贷危机前后影子银行资产规模占GDP比重作为参照系，得出我国金融业系统性风险预警指标区间值，并据此提出加强对影子银行管理与隔离、做好影子银行风险识别与监测、将影子银行纳入广义宏观审慎管理体系、建立影子银行风险预警和处置机制的政策建议。

关键词：影子银行；资产负债表；网络模型；风险预警指标

中图分类号：F832.35 文献标识码：A 文章编号：1674-2265（2018）11-0013-10

DOI：10.19647/j.cnki.37-1462/f.2018.11.002

一、引言及文献综述

金融安全是国家安全的重要组成部分，是经济平稳健康发展的重要保证。习近平总书记在第五次全国金融工作会议上强调，防止发生系统性金融风险是金融工作的永恒主题，要把主动防范化解系统性金融风险放在更加重要的位置。2008年国际金融危机以来，由影子银行领域引发的金融风险和金融安全问题受到高度关注。我国的影子银行具有较强的内生特质，银行、信托、证券等金融机构通过银信合作、银证合作、理财、回购等业务，使金融机构间资产负债产生关联，同时通过金融产品与互联网金融、民间融资等业态相互交织。同时，影子银行创新速度快、信用关系复杂、信息透明度低，与金融部门关联度高，且大部分影子银行业务游离于金融监管体系之外，由此决定了影子银行的高风险传染特征。一旦某一机构资产状况发生异常，就会影响到其他机构负债的违约概率，进而影响交易对手方资产质量，会计账户之间的风险传导机制由此产生，并成为影子银行业务风险在金融体系最主要的风险传染渠道（Castren和Kavonius，2009；Pozsar，2010）。因此，如何剥离纷繁复杂、千丝万缕的联系，探索构建我国影子银行部门的资产负债表，准确识别影子银行部门规模，测度影子银行引发的系统性金融风险并进行预警，具有十分重要的理论意义和现实意义。

本轮国际金融危机以来，关于影子银行风险形成了一系列的研究成果：一是影子银行的系统性风险传染机制。IMF（2008）认为，影子银行体系引发次贷危机并使危机进一步恶化的关键原因在于高杠杆率，以及由此带来的高经营风险。孙国峰（2015）研究认为，非银行金融机构进行的“通道”业务并没有分散信用风险，刚性兑付普遍存在，影子银行风险会转嫁到银行业金融机构。王永钦（2016）认为影子银行对金融体系带来了深刻变化，增加了金融体系的脆弱性，金融体系变得“太关联而不倒”（too connected to fail）。二是系统性金融风险的度量。国际上比较成熟的系统性风险度量方法主要有四大类：（1）网络分析法，主要由机构间资产负债表相互敞口、支付结算体系结构或者某种信息层面的关系构成。Zawadowski（2013）、Acharya和 Bisin（2014）以及 Duf?e和Zhu（2011）都探讨了结算对手方风险的传染，并认为当支付结算体系的网络结构中只存在一个中央对手方时，系统性风险最小。Cespa和Foucault（2014）指出，某一资产流动性匮乏的信息将传染给相关资产，并造成其市场价格的下跌，从而恶化机构的资产负债表。（2）尾部度量法，该方法通过金融机构资产收益在统计上的尾部特征来测度系统性风险。目前国际上最流行的四种尾部度量法分别是边际期望损失法（Marginal Expected Shortfall， MES）、系统损失预期法（Systemic Expected Shortfall，SES）、系统风险指数法（Systemic Risk Measure，SRISK）以及条件在险价值法（CoVaR）。（3）或有权益分析法，Gray和Jobst（2011）利用的是经风险调整后的资产负债表。（4）宏观压力测试法。Hirtle、Schuermann和Stiroh（2009）在监管资本评估项目的压力情景中使用了诸如GDP 增长率、失业率、房地产价格等宏观经济变量。三是系统性金融风险的预警方法。IMF和FSB共同建立了一个系统性风险早期预警测试系统（Early Warning Exercise，EWE），采用定性和定量分析相结合的方式，加强对风险因素和传导路径的研究。各国监管当局开发和运用多种预警系统对系统性风险进行整体评估和预警，如奥地利中央银行的SRM系统、英格兰银行开发的系统性机构风险评估模型（RAMSI）、墨西哥银行的系统性风险系统以及荷兰中央银行的系统性风险系统。我国金融管理部门也在积极建立金融风险监测预警體系。人民银行定期发布《中国金融稳定报告》，对金融体系稳定状况进行全面评估，探索建立我国系统性金融风险预警指标体系。（原）银监会建立了银行风险早期预警系统（REASS），证监会建立了证券市场系统性风险监测指标体系，（原）保监会建立了保险业宏观风险监测指标体系（陶玲，2016）。

二、我国影子银行资产负债表的构建及风险传染机制

本文借鉴已有研究经验，结合我国影子银行发展实际，将我国影子银行界定为银行信贷业务以外，具有“类银行信贷”特点、发挥债务融资功能的业务活动和信用中介机构，主要包括三类：一是存在银行系统内的“银行影子”业务，常见于银行理财、未贴现的银行承兑汇票、委托贷款等表外业务；二是具备“类银行”特点的非银行金融机构业务，主要包括证券、保险、信托、金融租赁、消费金融、汽车金融、小贷、典当等；三是非正规金融活动，包括私募基金和民间借贷等。

（一）我国影子银行资产负债表的构建

本文综合运用直接法和间接法两种方法，构建了2010—2015年我国影子银行的资产负债表（见表1）①。本文测算结果与其他各机构测算结果基本相当。以2012年中国影子银行的资产规模数据为例，2012年瑞银测算的中国影子银行规模为24.4万亿元，穆迪测算的中国影子银行规模为29万亿元，中金公司测算的影子银行（广义）规模为27万亿，本文测算结果为26.44万亿。

（二）影子银行的系统性金融风险传染机制

1. 资产负债表的直接渠道。影子银行与银行等金融机构之间相互持有资金和产品，资产负债直接关联，形成资产负债表之间的风险传导机制。当影子银行体系某一机构资产状况恶化，发生违约，则持有该机构产品的金融机构资产负债表中的资产就会减少，当影响到当期负债偿还时，银行等金融机构将发生信用违约或流动性风险。当这种违约通过影子银行体系波及多家银行等金融机构时，就会引发系统性风险，甚至会对央行资产负债表产生影响。

2. 共同的存贷款人通过规模挤占和羊群效应形成间接风险传染渠道。首先，影子银行挤占了存款人本打算存入银行或投向资本市场的资金，影子银行资产负债表的扩表一定程度上挤占了银行体系的资产负债资源，导致银行出现流动性短缺，扩大银行流动性风险，甚至出现挤兑危机。其次，影子银行拓宽了借款人的融资渠道，借款人可利用资金可能流入高风险经营领域。一旦借款人陷入经营困境，无力偿还银行借款，银行信用损失增加。最后，影子银行体系涉及的主体也包含银行机构、证券机构和保险机构，一旦这些机构的影子银行产品出现问题，使借款人对机构的其他产品也失去信心，引发羊群效应，形成系统性风险。

三、影子银行的系统性风险传染模型——金融机构间网络模型

影子银行和金融机构之间业务频繁往来，相互交叉持有资产负债，由此构成了复杂的债权债务网络——金融机构间网络。一旦影子银行受到外部冲击，风险（危机）将以影子银行为中心节点迅速向各类金融机构蔓延传播，进而形成系统性风险。

（一）影子银行违约

首先假设来自外部的一个冲击，使影子银行遭受较大损失，导致影子银行资不抵债。影子银行违约表示为：

[E?SB=A?SB-L?SB<0] （1）

其中[E?SB]表示受到外部冲击后的影子银行股东权益，[A?SB]表示受到外部冲击后的影子银行总资产，[L?SB]表示受到外部冲击后的影子银行总负债，式（1）称为影子银行违约条件。

（二）正规金融机构违约

影子银行违约会导致其他金融部门资产遭受损失。由于我国影子银行的产品通常受到正规银行类金融机构的隐性担保，那么影子银行的损失最终将导致正规金融机构的损失。因此，当该部分损失大于其债权和金融机构股东权益（[Ei]，[i=1，2，…，N]）时，该金融机构将出现资不抵债而被迫发生违约。

假设一共存在N家金融机构。每家金融机构的资产包括金融体系内部各金融机构之间相互持有的资产，称作相互间资产（Internal Assets，IA）；金融机构持有的金融体系之外经济主体的资产，称作外部资产（External Assets，EA）；负债包括金融体系内部各金融机构之间相互借欠的债务，称作相互间负债（Internal Liability，IL）和金融机构借欠金融体系之外经济主体的债务，称作外部负债（External Liability，EL）以及股东权益（Equity，E）。金融机构间的债权债务联系将整个金融系统构成一个相互交织的金融机构间网络。这种债务双边结构可以用矩阵表示。债务矩阵L可表示为：

[L=0l12...l1Nl210...l2N............lN1lN2...0] （2）

其中，[lij]表示金融机构[j]向金融机构[i]借的债务数额。另外，有[IAi=j=1Nlij]，表示金融机构[i]贷给其他金融机构的总资产；有[ILj=i=1Nlij]，表示金融机构[j]欠其他金融机构的总负债。

当金融机构[i]由于影子银行违约而出现的损失大于其股东权益（[Ei]）时，金融机构[i]也将被迫违约，本文将其称为初次违约。初次违约可表示为：

[E?i=IA?i+EAi-ILi-ELi<0] （3）

由于金融机构间业务往来和交叉持有产品，影子银行和金融机构[i]出现违约，会进一步造成其债权金融机构[j]贷给其他金融机构的总资产[IAj]遭受损失。当金融机构[j]的损失大于其[Ej]时，金融机构[j]将违约，本文称为传染违约。传染违约表示为：

[E?j=IA?j+EAj-ILj-ELj<0] （4）

（三）金融机构间的违约清算

当网络中同时存在初次违约和传染违约时，确定金融机构间的清算支付额度就变得非常困难。参照Eisenberg和Noe（2001）、隋聪（2016）的做法，設定金融机构违约时按债务比例进行偿还，因此债务矩阵中的每笔[lij]除以其总的[ILj]，可以得到一个偿还比例矩阵[M]，其元素为：

[mij=lijILjILj>00ILj=0] （5）

影子银行和其他金融机构违约后，金融机构能够从其他金融机构收回的总资产[IA?i]，取决于其他金融机构能够偿还的[IL?]，即：

[IA?i=i=1NmijIL?j] （6）

因此计算能够收回的[IA?]就转换为计算能够偿还多少[IL?]。金融机构[i]的偿还支付可表示为：

[IL?j=minILj，max（IA?j+E?j，0）] （7）

式（7）表明金融机构[j]对债务的清偿取决于其支付能力。如果[IL?j

（四）系统性风险测度

通常，发生系统性金融风险是小概率事件，因此分析金融机构间网络损失分布的尾部特征尤为重要。在广泛了解现有研究基础上，本文将选择风险价值（Value at Risk，VaR）和期望损失（Expected Shortfall，ES）两类指标来测度我国金融机构系统性风险，以更好地体现系统性风险往往只有在极端情形下发生的小概率特征。同时，利用违约金融机构数量衡量金融机构间网络的损失状况。其中，风险价值（VaR）的含义为：在某一概率水平下，金融机构间网络的最大可能损失，即最坏条件下金融机构间的损失。具体可表示为：

[Q=（x≤VaRα）=1-α] （8）

其中，x为金融机构间网络损失的统计量，[α]为显著性水平，[1-α]则为置信水平。式（8）的含义为金融机构间网络损失小于[VaRα]的可能性为[1-α]。

由于VaR不满足次可加性，且表现并不稳定，本文同时还构建另一个度量指标——期望损失（ES）。其含义为，当金融机构间网络损失超过VaR阈值时所遭受的平均损失承担。ES在VaR的基础上进一步考察出现极端情况时的平均损失承担。其公式可表示為：

[ESα=1α0αVaRudu] （9）

金融机构系统性风险VaR和ES衡量了金融机构间网络的极端损失风险，符合我国金融发现系统性风险是小概率事件的特点。

四、影子银行违约引发的系统性金融风险测度：基于蒙特卡洛模拟

研究小概率事件往往需要大量的样本，而在现实中很难获取这么多的样本量。本文将利用蒙特卡洛模拟方法来研究影子银行违约所引发的我国金融机构间网络遭受冲击的多种情景，以此探讨出现系统性风险的极端事件。

（一）蒙特卡洛实验模拟

进行蒙特卡洛模拟实验，首先需要确定外部资产损失变动的随机过程和分布。借鉴Iori等（2006）和隋聪等（2016）研究的基础上，设定我国金融机构外部资产损失变动服从半正态分布（不能是负值），即：

[EA*i=EAi-λiEAi，其中λi～（0，θ2i）] （10）

其中，[λi]为金融机构[i]的外部资产的损失比例，[λi]服从标准差为[θi]的正态分布。那么，[θi]可看作金融机构资产波动率，它反映金融系统遭受的外部冲击的大小。

为简化分析，在不影响最终结论的情况下，假设每家金融机构的[θi]是独立且同分布的，那么式（10）等价于：

[EA*i=EAi-λiEAi，其中λi～（0，θ2）] （11）

接下来，我国金融机构间网络风险传染的蒙特卡洛实验模拟步骤如下：

1. 确定外部冲击大小（即标准差[θ]值），然后根据式（10）对每家金融机构的外部资产[EAi]进行随机抽样。

2. 根据式（7）计算每家金融机构的偿还支付，然后分步根据式（3）和（4）判断是初次违约还是传染违约，进而统计总违约金融机构数量、初次违约金融机构数量、传染违约金融机构数量，用以衡量金融系统的损失。

3. 重复上述步骤10000次，获得10000个金融机构间网络损失的样本。

（二）参数校准

金融机构间风险传染是通过彼此间的债权债务网络关联的，因此进行实验模拟之前需要对金融机构间债权债务网络的有关参数进行设置和校准。首先，构造符合我国金融机构间网络特征的网络结构，即确定邻接矩阵；其次，确定各家金融机构与其他金融机构的[IA]和[EA]总量；再则，根据各家金融机构的[IA]和[EA]及其与总资产、股东权益的统计关系，确定各家金融机构的总资产、股东权益、外部资产、外部负债等资产负债表数据；最后，根据邻接矩阵、[IA]和[EA]，利用交叉熵估计金融机构间债务矩阵。

1. 金融机构间网络结构。设置三种规模为200家金融机构的无标度的不规则随机网络，并利用邻接矩阵分别表示三种金融机构间网络的结构，根据网络集中度从小到大排列，三种网络的基本特征参数如表2所示。本文以网络集中度来区别三种网络的差异，从表2可以发现，三种网络的差异主要体现在聚集系数和集中度方面。

表2：三种网络的特征参数

[特征参数 网络1 网络2 网络3 平均度 12.1 12.21 12.52 平均半径 2.85 2.66 2.42 聚集系数 0.0934 0.1194 0.1379 集中度 0.2653 0.3411 0.4397 ]

2. 相互间资产[IA]和外部资产[EA]估算。Barrat等（2004）把与一个节点的所有连线的权重之和定义为节点强度，借鉴隋聪等（2016）的做法，用金融机构[i]的债务金融机构数量和债权金融机构数量表示金融机构[i]的出度和入度，节点度为出度和入度之和。另外，Soramaki等（2007）的研究表明银行间网络中节点度和节点强度符合下面幂函数关系：

[y=βkb]，[k∈[1，+∞）] （12）

其中，[y]为节点强度，[k]为节点度，并将[b]的估计值设为[b=1.9]、标准差为[σb=0.001]。

由于我国金融机构网络主要表现为银行间同业业务网络，因此本文参照隋聪等（2016）的做法，利用式（12）估算得到我国金融机构间网络中的相互间资产[IAi]和相互间负债[EAi]。

3. 总资产和股东权益。利用隋聪等（2016）基于Bankscope的2012年我国110家商业银行数据得出的总资产与同业资产之间函数关系及其系数取值，本文将金融机构总资产与相互资产之间的具体关系设定为：

[lnTAi=2.1814+0.8782×ln（IAi+ILi）] （13）

同时设定股东权益与总资产之间的具体函数关系为：

[Ei=0.0641×TAi] （14）

其中，[TAi]为总资产，[IAi]、[ILi]分别为金融机构间相互资产和相互负债，[Ei]为股东权益。这样可以根据式（13）和式（14）确定我国金融机构间网络中每家机构的总资产和股东权益。然后进一步确定机构的外部资产和外部负债，从而得出我国金融体系中各家机构的完整资产负债表数据。

4. 债务矩阵的估计。根据前文设定的三种网络的邻接矩阵、金融机构间相互资产和负债数据，利用交叉熵法可以估计债务矩阵，即式（2）。交叉熵法可以表示为以下优化问题：

[minf（L，M）=i，j=1Nlijln（lijmij）] （15）

同时满足以下约束条件：

[IAi=j=1NlijILj=i=1Nlij] （16）

其中，[L]为要估计的债务矩阵，且[lij∈L]；[M]为金融机构间网络的邻接矩阵，[mij∈M]，且[mij]等0或1，其中[mij=0]表示金融机构[i]与金融机构[j]没有债权债务关系，[mij=1]表示金融机构[i]与金融机构[j]存在着债权债务关系。

利用信息熵中的RAS算法求解式（15）和式（16），進而得出金融机构间债务矩阵。另外，交叉熵法引入了邻接矩阵，可以保证校准后的金融机构间网络是无标度网络，避免了最大熵法只能获得完全结构网络的不足。

（三）实验模拟结果

1. 金融机构间网络违约的传染概率及其损失。基于前文设定的三种金融机构间网络，首先根据不同的金融机构外部资产损失的标准差[θ]，设定20种外部冲击情景，其中[θ∈（0，0.1]]；其次，针对每一种冲击情景，根据式（10）对每家金融机构的外部资产[EAi]进行10000次随机抽样，并利用清算支付向量式（7）、违约类型判别式（3）和（4），统计每次冲击的总违约金融机构数量、初次违约金融机构数量和传染违约金融机构数量；最后，统计三种网络在20种外部冲击情景下的损失分布。

借鉴隋聪等（2016）作法，将传染违约金融机构数量达到10家（5%）以上，确定为金融系统发生了违约传染连锁反应。在10000次模拟中统计出现违约传染连锁反应的频率，并将其定义为违约传染概率。图1展示了三种网络结构在20种外部冲击情景下的违约传染概率。

从图1可知，当外部冲击较小时（[θ≤0.03]），金融机构间出现违约传染概率很小，但随着外部冲击的加大（[0.04≤θ≤0.07]），金融机构间出现违约传染概率快速提升，特别是当外部冲击较大时（[θ≥0.07]），几乎可以确定金融机构间必然出现违约传染连锁反应。同时，本文还发现，网络集中度越高，出现违约传染越低。

另外，本文也对三种金融机构间网络的平均损失程度（包括初次违约金融机构数量平均值、传染违约金融机构数量平均值和总违约金融机构数量平均值）进行了比较（见表3）。不难发现，三种金融机构间网络损失程度差别非常小，因此金融机构发生系统性违约风险与网络集中度不存在显著性关系。

2. 金融机构间系统性风险的VaR和ES估计结果。本文运用两种系统性风险测度方法（VaR和ES）对我国金融机构间系统性风险进行测度。根据每种外部冲击下10000次随机模拟的金融机构间网络损失结构，可以估计出置信水平下系统性金融风险VaR值和ES值。表4和表5分别给出部分98%置信水平下的VaR估计结果和ES估计结果。

表4列示的是三种网络下金融机构间系统性风险的VaR估计值。其中，1—3列为三种网络下总违约金融机构数量，其含义为98%置信水平下三种网络发生系统性风险所引发的最大损失程度；4—6列为三种网络下初次违约金融机构数量，其表示的是98%置信水平下三种网络发生系统性风险所引发的初次损失程度；7—9列为三种网络下传染违约金融机构数量，其含义为98%置信水平下三种网络发生系统性风险所引发的传染损失程度。例如，第4行的第1、4、7列的数值分别为21、18、3，其表示在第一种金融机构间网络中的98%概率水平下，最多会有21家金融机构出现违约，其中初次违约的金融机构数量为18家，传染违约的金融机构数量为3家。

表5列示的是三种网络下金融机构间系统性风险的ES估计值。其含义是在98%置信水平下三种金融机构间网络损失超过VaR阈值时平均损失程度，其中1—3列为超过VaR阈值时的平均总违约金融机构数量，而4—6列、7—9列分别为超过VaR阈值时的平均初次违约金融机构数量和平均传染违约金融机构数量。比如，表5第5行第1、4、7列的数值为79、41、38，其表示在第一种金融机构间网络中的98%概率水平下，超过VaR阈值时平均有79家金融机构发生违约，其中初次违约和传染违约的机构数量分别为41家和38家。

为了更加直观，本文同时通过图形来展示我国金融行业系统性风险VaR值和ES值的估计结果（见图2和图3）。在图2和图3中，横坐标反映的是外部冲击变动区间，纵坐标对应的是金融机构间系统性风险估计结果。图中菱形、矩形和三角形符号分别代表网络1、网络2和网络3三种网络。

从表4、5和图2、3可以发现，当外部冲击较小时（[θ≤0.03]），金融机构间网络损失很小，且在不同网络中的差异非常小。其中，[θ=0.02]时，三种网络均最多1家机构违约；[θ=0.03]时，三种网络的最多违约机构为6—7家。随着外部冲击的加大（[0.04≤θ≤0.08]），金融机构间网络总违约损失快速增加，且在不同网络中的损失差异明显，具体表现为金融机构间网络越集中，损失越大。这种变化规律在ES值上表现得更加稳定和明显。但当外部冲击较大时（[θ≥0.08]），在三种网络中的损失差异又逐步趋小，违约损失也趋于平稳。同时从图2和图3还可以发现，不同网络下金融行业系统性风险的差异主要来自传染违约的差异，其在[θ=0.06]时达到峰值。

本研究可以得出以下三方面结论：（1）网络越集中，金融机构间系统性风险越大（VaR值和ES值越大）；（2）金融机构间系统性风险的差异主要来自传染违约的影响差异，同时由于传染违约呈现一个先加速上升后緩慢下降过程，这也使得我国金融行业系统性风险变化呈“S”形；（3）当外部冲击[θ=0.06]时，金融系统内违约传染影响力达到最大，如果外部冲击再提高就会直接导致金融机构违约，因此传染违约机构数量反而下降，但不代表违约传染影响力下降。

五、我国影子银行违约引发的系统性金融风险预警：风险区间和预警阈值

（一）划分系统性风险预警区间

为更加准确地对我国系统性金融风险进行预警，首先需要对风险区间进行科学划分。在借鉴国内外已有研究成果并结合本文所估测出的金融机构间系统性风险值的基础上，将我国金融行业系统性风险区间划分为“绿色可控区”、“橙色预警区”和“红色风险区”三个级别。其中，“绿色可控区”表明金融系统整体状况良好，风险处于安全区域之内；“橙色预警区”表明金融系统已出现一定的风险，存在几家金融机构违约情况，但整体风险尚未超过设定的警戒线；“红色风险区”则表明金融系统的债务状况已面临严重问题，发生系统性风险的概率很高，甚至爆发金融危机的可能性很大。有关三个风险等级区间划分见表6。

（二）选取预警指标

在对我国金融业系统性风险的预警区间进行科学划分后，如何选取或构建合理有效的前期预警指标，是实现准确及时预警的关键。由第三部分的理论模型可知，本文系统性风险测度指标VaR和ES值均是基于金融机构间双边债务矩阵L的推算得出，且金融机构i是否最终发生违约并向其他金融机构传染，与金融机构i所欠其他金融机构的债务密切相关。因此，我国影子银行资产规模与金融机构间负债总额高度相关②。本部分以影子银行规模作为系统性金融风险的触发条件，构建影子银行视角下的我国系统性金融风险预警指标。

影子银行规模扩张往往会带来风险的积聚：一方面是期限错配规模越来越大，与之相对应的流动性风险不断增加；另一方面是规模扩张意味着影子银行资金运用主体不断增加，低级别借款人等绕过监管获得廉价的信用资源，信用泡沫不断加大，信用风险暴露的概率将大幅增加。但系统性风险的最终爆发除了受风险积累程度影响外，还与一个经济体的风险承受能力紧密相关。通常该经济体经济规模越大，经济增速越快，其风险承受能力越强。另外，考虑到货币发行量的影响，将出现系统性风险的阈值（[Γ]）设定为：

[Γ=ρ（x）SBAGDP-gt-gM2] （17）

其中，[SBA]为影子银行规模，[GDP]为国民生产总值，[gt]为经济增速，[gM2]为[M2]增速，[ρ（x）]为折算系数，而将那些未考虑到的因素（如制度、金融结构等）的影响通过折算系数进行调整。

那么，在系统性风险阈值[Γ]取值一定情况下，则有：

[SBAGDP=ρ（x）?（Γ+gt+gM2）] （18）

由此，设定我国金融系统性风险预警指标为：

[ΛCt=SBACtGDPCt=ρ（C）?（ΓCt+gCt+gCM2t）] （19）

（三）风险预警阈值

为进行系统性风险预警，还需相应的预警标准。在对国内外相关文献进行了全面检索情况下，未能找到一个国际通用或者广泛认可的参考标准，因此本文依据现实事件来设定一个相应的参照标准。2008年，美国正是因为影子银行规模高速扩张而爆发系统性风险，最终引发国际金融危机。因此，本文以美国影子银行资产规模作为参照系来设定我国影子银行引发系统性金融风险的预警标准。当然中美之间经济结构、经济周期波动、风险承受能力以及货币流通范围等实际情况存在较大差异，如果完全依据美国情况来确定我国金融部门系统性风险预警阈值，其科学性、客观性不足，因此本文通过折算系数取值来加以调整。

由图4可知，2008年美国爆发金融危机时，其影子银行资产占GDP比重为152.27%。于是，本文在将美国的折算系数设定为[ρ（U）=1]的基础上，可以得出美国系统性金融风险的阈值为：

[ΓU=ρ（U）SBAU2008GDPU2008-gU2008-gUM22008=152.27%+0.29%-8.03%=144.53%] （20）

注：美国影子银行资产数据来源于纽联储报告和万得数据库。

图4：中美影子银行资产占GDP比重

考虑到中国经济体量约占美国经济体量的75%，但美国经济结构更加完善、经济波动区间更窄以及美元是世界通用货币，其风险承受能力要高于中国，因此设定中国的折算系数[ρ（C）=0.7]，进而得出我国系统性金融风险预警指标的上限值为：

[Λupt=SBAuptGDPupt=ρ（C）?（Γ+gt+gM2t）=101.045%+0.7（gt+gM2t）]

（21）

在确定当年经济增速（[gCt]）和货币供应量增速（[gCM2t]）情况下，就能得出我国金融系统性风险预警区间的上限值。

同理，本文以危机爆发前2006年的美国影子银行资产规模占GDP比重作为参照标准，设定我国系统性金融风险的预警指标的一个下限值，得出：

[Λdownt=SBAdowntGDPdownt=ρ（C）?（ΓU2006+gt+gM2t）] （22）

而有

[ΓU2006=ρ（U）SBAU2006GDPU2006-gU2006-gUM22006=132.31%-2.67%-9.03%=120.61%]

这样可以得出我国系统性金融风险预警区间的一个下限值：

[Λdownt=ρ（C）?（ΓU2006+gt+gM2t）=84.427%+0.7（gt+gM2t）] （23）

这样，就能够确定现阶段我国各年度系统性金融风险的预警区间。现在以2017年为例，年初政府工作报告预设经济增速为6.50%、货币供应量[M2]增速为12.0%，那么2017年我国金融系统性风险预警指标的上、下限值分别为：

[Λup2017=101.045%+0.7×（6.5%+12.0%）=113.995%]

[Λdown2017=84.427%+0.7×（6.5%+12.0%）=97.377%]

由此，我国2017年系统性金融风险预警指标区间为：[97.377%，113.995%]。当然，随着制度和金融结构等有关因素的发展完善，折现系数[ρ（C）]也将调整变化。

六、结论与政策建议

（一）结论与创新

本文创新性地建立了2010—2015年影子银行部门的资产负债表，在测算影子银行规模的基础上，分析影子银行基于资产负债表渠道的系统性风险传染机制。为测度影子银行的系统性风险，基于蒙特卡洛模拟构建了以影子银行为中心节点的金融机构间网络风险传染模型，度量由影子银行违约引发的系统性金融风险，得出三种网络结构下我国系统性金融风险的VaR和ES值。最后将系统性风险区间划分为绿色、橙色和红色三个级别，构建了以影子银行资产规模/GDP为基础的调整的风险预警指标，并分别以2006年美国次贷危机爆发前和2008年危机爆发时的影子银行资产规模占GDP比重作为风险预警临界值，得出我国系统性金融风险的预警区间。

本文的创新有四个方面：一是创新性地构建了我国影子银行部门的资产负债表，分析了影子银行基于资产负债表渠道的系统性金融风险传染机制。二是构建了以影子银行为中心节点的金融机构间网络风险传染模型。三是选取VaR和ES两种风险度量指标，运用蒙特卡洛模拟方法对我国影子银行违约引发的系统性金融风险进行测度。四是构建出以影子银行资产规模/GDP为基础的考虑经济增长率和货币发行量影响的风险预警指标，同时在缺乏相应的国际通用或者广泛认可的参考标准条件下，分别以2006年美国次贷危机爆发前和2008年危机爆发时的影子银行资产规模占GDP比重作为风险预警临界值，设定我国系统性金融风险的预警区间并以此进行风险预警。

（二）政策建议

1. 加强对影子银行的管理与隔離。一是强化风险隔离，成立独立子公司或设立专营事业部，实施大额风险头寸限额，在影子银行业务与传统银行业务之间建立“防火墙”。二是实施“穿透式监管”，根据金融产品的功能、性质和法律属性，明确监管主体，统一监管标准，对金融机构业务和行为实施全流程监管。三是提高损失吸收能力，科学测度影子银行风险头寸，提足覆盖各类影子银行业务的资本拨备，确认和抵补金融机构实际承担的风险。

2. 做好对影子银行风险的识别与监测。一是建立影子银行的统计体系。制定影子银行的统计标准和规范，构建全国性影子银行信息报送和统计系统，确保统计信息的统一性、完整性和准确性。二是建立全面覆盖、无缝衔接的影子银行风险监测体系。由人民银行牵头汇总各金融行业影子银行的风险头寸，实施影子银行风险头寸的定期监测、报告和披露制度。

3. 将影子银行纳入广义宏观审慎管理体系。建议在宏观系统性视角下统筹考虑影子银行风险的防范和化解，根据不同类别的影子银行业务，探索运用多种宏观审慎工具，对各类金融市场加杠杆行为进行逆周期调控。该框架与监管部门微观审慎监管、货币政策相互配合，共同形成完整的影子银行监管体系。

4. 建立影子银行的风险预警和处置机制。建议基于资产负债数据指标和模型的综合指标法，以金融体系中各指标的历史表现与金融危机之间的相关性作为指标定量构建的主要依据，通过对指标的分析，判断金融体系的安全水平和发展趋势。根据金融机构间、金融产品间的相互交叉以及金融体系各子系统间关联性不断加大的趋势，将系统关联性和风险传染性指标纳入综合指标法中。加强各金融管理部门的协作与配合，及时制定影子银行风险处置预案，坚决守住不发生系统性金融风险的底线。

注：

①关于我国影子银行资产负债表的构建过程，详见《我国影子银行的系统性金融风险测度与防范研究——基于影子银行资产负债表的视角》，中国人民银行西安分行课题组，《金融发展研究》年2017年11月。

②我国影子银行的主力仍是商业银行及非银行金融机构，主要表现为银信合作、银保合作、银证合作、银证信合作，银行与小额贷款公司、融资担保公司合作等形式，这正好构成了我国金融机构内部双边债权债务。

参考文献：

[1]Castren O，Kavonius I. 2009. Balance Sheet Interlinkages and Macro-Financial Risk Analysis in the Euro Area[J].Social Science Research，（43）.

[2]Pozsar Z，Adrian T，Ashcraft A，Boesky H. 2013. Shadow Banking[J].FRBNY Economic Policy Review，（12）.

[3]IMF. 2014. Risk Taking，Liquidity，and Shadow Banking：Curbing Excess While Promoting Growth[R]. Global Financial Stability Report.

[4]Acharya V，Bisin A. 2014. Counterparty risk externality：Centralized versus over-the-counter markets[J]. Journal of Economic Theory，149（1）.

[5]Cespa G，Foucault T. 2014. Illiquidity Contagion and Liquidity Crashes[J].Social Science Electronic Publishing，27（6）.

[6]Gray D F，Jobst A A. 2011. Systemic contingent claim analysis -A model approach to systemic risk[M].Islamic Finance and Economic Development：Risk Management，Regulation，and Corporate Governance. John Wiley &Sons;，Inc. 2011.

[7]Alfaro R，Drehmann M. 2009. Macro stress tests and crises：what can we learn？[J].BIS Quarterly Review，（12）.

[8]Hirtle B，Schuermann T，Stiroh K J. Macroprudential Supervision of Financial Institutions：Lessons from the SCAP[R].Federal Reserve Bank of New York Staff Reports，No. 409.

[9]Eisenberg L，Noe T H. 2001. Systemic Risk in Financial Systems[J].Management Science，47（2）.

[10]Iori G，Jafarey S，Padilla F G. 2006. Systemic risk on the interbank market[J].Journal of Economic Behavior & Organization，61（4）.

[11]Barrat A，Barthélemy M，Pastor-Satorras R，et al. 2004. The architecture of complex weighted networks[J]. Proceedings of the National Academy of Sciences of the United States of America，101（11）.

[12]Soram?ki K，Bech M L，Arnold J，et al. 2006. The topology of interbank payment flows[J].Physica A Statistical Mechanics & Its Applications，379（1）.

[13]中國人民银行西安分行课题组.我国影子银行的系统性金融风险测度与防范研究——基于影子银行资产负债表的视角[J].金融发展研究，2017，（11）.

[14]孙国峰，贾君怡.中国影子银行界定及其规模测算——基于信用货币创造的视角[J].中国社会科学， 2015，（11）.

[15]王永钦，高鑫，袁志刚，杜巨澜.金融发展、资产泡沫与实体经济：一个文献综述[J].金融研究，2016，（5）.

[16]隋聪， 谭照林，王宗尧.基于网络视角的银行业系统性风险度量方法[J].中国管理科学，2016，24（5）.