基于复杂网络的商业银行流动性风险评价*

任英华，谢佳汇，周金龙，张洁莹

(湖南大学 金融与统计学院，湖南 长沙 410079)

流动性风险具有破坏性、隐蔽性、内生性的特点，是宏微观审慎监管的重点之一。2008年次贷危机表明，流动性风险是引发全球系统性风险的导火索，由一家银行或大量金融机构出现的流动性危机往往会导致无法估量的系统损失。目前，我国系统性金融风险的潜在表现之一便是流动性风险，集中体现在银行间市场，表现为“资产荒”和“负债荒”并存，个别银行的流动性风险可能通过银行间的交互联系而相互传染，影响金融体系的稳定。因此，商业银行流动性风险传染机制和网络特征研究对管理和防控流动性风险、守住不发生系统性金融风险的底线具有重要意义。

一 文献综述

已有关于商业银行流动性风险的研究主要涵盖风险水平评估和银行间风险传染两个方面。流动性风险水平的评估主要源于银行业压力测试，即通过测算银行在遇到假定的小概率事件等极端不利情况下可能发生的风险，分析这些风险可能对银行带来的损失，进而对银行脆弱性做出评估和判断。[1][2][3]我国银行体系由于起步较晚，尚未形成完善的压力测试系统，基于宏观审慎管理的金融压力测试研究仍需作进一步的深入拓展。[4][5]鉴于压力测试模型建模和应用条件的复杂性，虽然综合评价的流动性风险评估在风险研究中有较广泛的应用，但评价体系尚不统一。在评价方法上金融数据分析逐步高要求化，风险评价方法从主观赋权,如层次分析法[6]等，逐渐转变为客观赋权,如主成分分析[7]、因子分析[8]等，但此类客观赋权相较熵权法而言并不具有普适性，对指标和样本不具有高度解释能力。

在银行间风险传染研究方面，复杂网络技术作为一种新兴的统计建模方法，近年来备受国内外关注。在网络结构与传染机理上，大多数研究认为互联互通在风险传播中有着重要的作用。[9][10]Glasserman等基于网络结构信息最少的情况，运用欧洲银行系统的数据，实证分析了金融网络的传染效应和溢出效应。[11]国内学者李守伟等基于复杂网络理论研究了银行间市场随机网络、小世界网络和无标度网络中银行间传染风险特征及其差异，指出无标度网络面对冲击具有最高的稳定性。[12]林砚等利用金融机构主体属性和金融机构间复杂网络特性，构建风险传染性评估模型，提出对具有不同风险传染性的金融机构实行差异化监管的建议。[13]总的来看，现有文献在重视金融一体化发展的基础上，将金融市场中个体间相互影响的复杂关系纳入了风险传染研究，主要关注了金融网络结构及其功能特征。相较而言，现有研究对具有复杂性的某一类风险(如流动性风险)研究尚显不足，已有相关文献主要有吴念鲁等采用单一同业债权指标体系和最大熵法估算网络双边联系，研究了不同冲击下商业银行流动性风险传染；[14]姚登宝等利用模拟估算数据对流动性风险无标度网络进行仿真实验；[15]但这些研究的网络联系大多基于模拟的同业间双边头寸数据，在指标选取上也没有充分考虑最新的监管指标。

与以往研究不同，本文认为从宏微观审慎视角来看，单个指标难以有效监控流动性风险。本文依据国际准则《巴塞尔协议Ⅲ》和国内流动性相关管理办法，同时吸收“逆周期监管理念”，从流动性资产、流动性负债、资产负债匹配程度、资产安全性四个维度构建商业银行流动性风险评价指标体系，更利于流动性风险的评估。在风险网络矩阵的构建上，大多数国家由于不公布银行双边头寸直接关系，故无法获取能够直接衡量银行间关系的同业拆借数据。与现有多数文献采用模拟的同业间双边头寸数据不同，本文首次将万有引力模型应用到银行流动性风险传染研究中，通过银行流动性风险综合指标得分和银行间距离，计算得到反映银行间流动性风险传染关系的联系强度矩阵，该方法得到的银行流动性风险传染网络与现实更为贴近。从政策意义看，本文通过最大连通子图法和风险联系强度矩阵的元素分布确定高低阈值，构建经济繁荣和经济衰退时的风险传染网络，深入研究不同经济状况下流动性风险网络性质，可为有针对性地防范商业银行流动性风险传染提供政策参考。

二 商业银行流动性风险传染网络模型构建

理论模型的构建主要涉及流动性风险联系强度矩阵和不同经济状况的风险网络两个部分。

(一)流动性风险联系强度矩阵

在商业银行流动性风险评价指标体系的基础上，首先利用熵权法计算反映商业银行流动性风险水平的综合指标，再由股票收益率相关系数表示银行间的距离，然后运用万有引力模型，通过银行的综合指标得分和银行间的距离计算，得到反映银行间流动性风险传染关系的联系强度矩阵。

1.商业银行流动性风险评价指标体系

为有效进行流动性风险水平的管控，本文根据国际监管标准《巴塞尔协议Ⅲ》(2010)和国内《商业银行流动性风险管理办法》试行版(2014)及修订版(2018)(以下统一简称《流动性办法》)，从流动性资产、流动性负债、资产负债匹配程度、资产安全性四个维度选取指标来全面反映商业银行流动性风险，评价指标体系如表1所示。

为保证充足的样本进行实证研究，同时确保数据口径的一致性及可比性，本文最终选取在沪深上市且上市时间不晚于2018年1月31日的22家商业银行作为样本，数据来自银行2018年年报。其中包括中农工建交5家大型国有银行，浦发、光大、民生、兴业、招商、中信、平安、华夏8家股份制银行，北京、成都、贵阳、杭州、江苏、南京、宁波、上海8家城商银行，以及常熟农村1家农商银行。

需要指出的是，评价体系的资产维度中原应包含《巴塞尔协议Ⅲ》的“净稳定资产比例”这个流动性重要监管指标，但根据银保监会《商业银行净稳定资金比例信息披露办法》(2019)的指示，商业银行在2019年第二季度首次披露时仅要求披露最早为2018年第四季度净稳定资金比例的相关信息，银行皆未披露2018年前三季度的数据，因而未纳入该指标。

表1 商业银行流动性风险评价指标体系

2.指标权重确定

逆向指标正向化处理后，本文对由22家样本银行和8个指标构成的样本矩阵，运用熵权法得到各指标权重如表2所示。

表2 指标权重

其中，最大十家客户贷款比例的指标权重最大，说明各银行间这一指标差异较大。流动性覆盖率、流动性比例的指标权重则较小，说明这两个指标受各银行重视，指标均在标准线之上，因此差异较小。

3.银行间流动性风险联系强度矩阵的构建

万有引力定律表明，空间上任何两个物体间的联系是由其自身的质量属性和物体间距离决定的。本文借鉴万有引力定律的思想，运用银行自身流动性风险水平综合指标和银行间的距离来计算两个银行间的流动性风险联系强度，公式如下：

(1)

其中，Fij为银行i对银行j的流动性风险联系强度；Mi,Mj分别为由熵权法计算得到的银行i和银行j的流动性风险水平综合指标；dij表示银行i和银行j之间的距离；k为衰减指数，表示银行间的流动性风险联系强度会随着银行间的相关性减弱而变小，本文根据相关经验将衰减指数定为2。对于银行间距离dij，利用银行的股票收盘价计算银行间相关系数，并对相关系数进行调整最终得到两个银行间的空间距离，即：

Ri(t)=lnPi(t)-lnPi(t-1)

(2)

(3)

(4)

(二)不同经济状况下商业银行流动性风险网络的确定

依据“逆周期监管理念”，在经济繁荣时期，商业银行应累积较多的资本以应对经济衰退的需要；在经济衰退时期，可以适当降低对商业银行资本的监管标准，促使商业银行增加信贷投放，推进经济的复苏。因此，经济繁荣时，银行的资本金水平较高，抵御流动性风险的能力较强，只有其他银行对某主体传染可能性高时，该主体才可能被传染，此时传染网络对应高阈值网络；经济衰退时，银行的资本金水平较低，抵御流动性风险的能力较弱，即便其他银行对某主体传染可能性低，该主体也可能会被传染，此时传染网络对应低阈值网络。

考虑到不同阈值下网络拓扑结构的不同，本部分在流动性风险联系强度矩阵的基础上，分别使用高阈值和低阈值进行二值化处理，建立高阈值网络和低阈值网络研究不同经济状况下流动性风险的网络性质。

1.高阈值网络

本文借鉴宋宁宁等采用最大连通子图法确定高阈值点[16]。在不同阈值情况下，网络的最大连通子图大小变化情况如图1所示。

图1 不同阈值情况下网络的最大连通子图大小变化图

当阈值在(0.002,0.003)取值时，最大连通子图的节点个数发生了最大幅度的陡降，陡降之后又趋于平稳，因此选择使最大连通子图的节点个数发生最大陡降的阈值，结果为θh=0.002397。由于该值大于阈值中位数，因此将其视为高阈值，并基于此值构建网络，以研究经济繁荣时银行间流动性风险的传染关系。高阈值网络如图2所示。

图2 高阈值网络

2.低阈值网络

为选择一个合适的低阈值点，本文考察流动性风险联系强度矩阵中元素分布情况，并绘制频数分布直方图，如图3所示。

图3 流动性风险联系强度值的频数分布直方图

由图3可知，各银行间的流动性风险联系强度呈现出明显的右偏特征，并不服从正态分布。为获得更精确的结果，本文对各银行间流动性风险联系强度的分布进行拟合，结果显示各银行间的流动性风险联系强度Y服从尺度参数为0.000371，形状参数为4的Erlang分布，即Y～Erlang(4,0.000371)，其概率密度函数如图4。

图4 概率密度图

因此，最终确定的低阈值点θl应满足P{Y≤θl}=0.1587，解得θl=0.0007738。低阈值网络如图5所示。

三 实证分析

本部分基于构建的高阈值网络和低阈值网络，结合2018年22家商业银行的样本数据，实证研究商业银行流动性风险的网络结构特性和传染机制。

(一)高、低阈值网络结构特征分析

高阈值下银行流动性风险传染网络中的节点的出度近似幂律分布(如图6)，因此可以认为银行流动性风险传染网络具有无标度特性。根据无标度网络的鲁棒性和脆弱性，可知在经济繁荣时，传染网络面临随机性的流动性风险具有一定的抵抗能力，但如果网络中处于关键节点位置的银行发生流动性危机，则流动性风险容易传染至整个银行网络，引发整个银行业的流动性危机。

图6 高阈值网络的出度分布直方图

为探究低阈值网络结构，本文模拟了1000个与低阈值传染网络同等规模的随机网络。低阈值网络的平均路径长度(1.136)大小接近等规模的1000个随机网络的平均路径均值(1.175)，同时低阈值网络的聚类系数(0.9078)较高于随机网络聚集系数(0.8248)。因此，低阈值的银行流动性风险传染网络符合小世界特性。这表明经济衰退时，流动性风险传染较快，且少量改变几个银行间的联系，就可以剧烈地改变网络的性能，若能对流动性风险加强监管，控制银行之间的联系，即可显著改善流动性风险传染状况。

(二)节点特性

1.节点中心性特征

高阈值网络和低阈值网络的节点中心性特征见表3。在高阈值网络的节点排名里，兴业银行、华夏银行和平安银行的出度、入度、中间中心度均排名靠前，这说明在经济繁荣时，兴业银行、华夏银行和平安银行处于网络中心位置，其面临的流动性风险较大。同理，在经济衰退时，华夏银行、光大银行处于网络中心位置，其面临的流动性风险较大。由出度、入度的排名结果知，在高阈值网络中，兴业银行、华夏银行和平安银行的流动性风险的传染性和被传染性较强；在低阈值网络中，光大银行、华夏银行和中信银行的流动性风险的传染性和被传染性较强。由中间中心度的排名结果知，在高阈值网络中，兴业银行、华夏银行、平安银行和光大银行的排名靠前，是较为突出的流动性风险传染中介；在低阈值网络中，华夏银行、光大银行和兴业银行的流动性风险传染中介能力较显著。

表3 高阈值网络和低阈值网络节点中心性特征

2.节点易受攻击性

节点易受攻击性是指某银行节点在传染网络中容易积累风险，从而易受到流动性风险带来的冲击。本文采用PageRank算法，通过对指向某银行节点的其他银行节点的数量和风险传染累积程度，衡量各银行的易受攻击性，结果如表4所示。

表4 节点易受攻击性排名

在高阈值网络中，工商银行、中国银行、建设银行和华夏银行排名靠前，这表明在经济繁荣时，多数国有银行在银行网络中处于易受攻击的地位。这可能是因为在经济繁荣背景下，银行流动性充裕，尤其是国有银行规模大，交易复杂，存在较多高风险行为，同时与许多中小银行存在业务关联，具有易受攻击的特征。因此，在经济繁荣时，监管部门需要着重稳定国有银行的流动性水平，为其他中小银行提供良好发展的条件，让整个金融市场充满活力。

在低阈值网络中，华夏银行、兴业银行、交通银行和中信银行等股份制银行排名靠前，这表明在经济衰退时，这些银行处于易受攻击地位。这可能是因为在外部环境不稳定时，大型国有银行由于规模大，有国家信用支持，具有“大而不倒”的特点，而股份制银行相较国有银行抗风险的能力稍显逊色，享有的政府担保较弱，易受总体经济环境变化的影响。此时，需加强监测和管理股份制银行的流动性状况，及时发现异常并加以处理，避免流动性风险在整个银行体系内传染。

此外，中国农业银行的易受攻击性在高低阈值网络中排名均靠后，这与中国农业银行在样本银行中流动性风险水平综合指标较低(0.0287)有关，其值仅高于宁波银行(0.0222)，且远小于样本银行风险水平最高的上海银行(0.0702)。实际上，中国农业银行乡镇网点远超其他银行，县域金融优势明显。随着中国城市化进程的加速，农村经济迅速发展，农民收入不断提升。而中国农业银行不断强化三农服务，注重农户的储蓄和消费需要，吸引了广大农户群体存款，这使得即使在大多数银行存款压力较大的情况下，中国农业银行仍具有很大的存款成本优势，更能保证自身流动性的充足，提高自身抵御流动性风险传染的能力。

(三)子群研究

1.块模型分析

对流动性风险联系强度原矩阵运用块模型分析(CONCOR)，输出R2为0.627(>0.5)，说明分群效果良好，分块结果见表5。根据大型国有银行、股份制银行、城商银行、农商银行4种银行属性，本文将8个子群划分为4类：1号为国有银行、5号为股份制银行、2和8号为城商银行、其他为包含不同属性银行子群。分块结果说明，2018年部分大型国有银行以及部分城商银行偏向内部联系，但也存在部分大型国有银行、股份制银行、城商银行、农商银行的结合群体，具有结构对等性，即在网络中具有相似的流动性传染机会，由此说明不同性质之间的部分银行保持着传染联系。

表5 CONCOR子群

表6 像矩阵

同时，计算得到块模型密度矩阵的平均值为0.0014，并输出像矩阵如表6。像矩阵说明1、2、3、5、6号子群均有内部风险传染联系，且1号大型国有银行对3号国有和股份制银行结合的子群有风险传染联系，3号依次通过4、5号子群传染风险至6号，继而6号子群对7、8号有明显的风险传染作用。同时，1号国有银行子群和包含交通银行这一国有银行的3号子群均受4、5、6号子群的流动性风险传染。综上可知，我国商业银行流动性风险传染的机制一环扣一环，大致传染路径为大型国有银行→股份制银行→城商银行→农商银行，且其他性质银行会反作用于国有银行。

2.E-I指数分析

本部分引入E-I分派指数，对未来不同经济状况下不同银行性质的单类网络进行子群内外关系的分析，构造E-I指数如下：

(5)

其中，EL代表不同性质银行子群体之间的传染流动性风险强度，IL代表同一性质银行群体内部的传染流动性风险强度。E-I指数取值范围在[-1，1]之间。当该值越靠近1，表示传染关系越趋向于发生在子群体之外；当该值越靠近-1，表示子群体之间的相对关系越少，传染关系越趋向于发生在群体之内。考虑到农商银行样本较少，本文在子群研究中偏重于其他属性的银行。E-I指数的结果如表7、表8。

表7 单类网络整体分析

表8 单类网络群体层次关系

由表7可知，单类网络的子群内部关系以及子群间的关系在高低阈值情况下存在较大差异。高阈值时不同性质银行群体密度较低，说明商业银行在经济繁荣时风险联系不紧密；低阈值时不同性质银行群体密度较高，说明在经济不景气时银行间联系紧密，且高、低阈值下E-I指数均为0.429(>0)，说明流动性风险偏向在不同性质银行群体之间传染。

由表8可知，高阈值下股份制银行相较国有制银行、城商银行，更偏向在不同性质银行间传染流动性风险，这说明经济繁荣时，股份制银行在整体网络中较为活跃，与不同性质的银行间联系相对群体自身内部联系更多；低阈值下大型国有银行更多偏向在不同性质的银行间传染流动性风险，其次为股份制银行和城商银行。

3.凝聚力子群分析

建立在互惠性基础上的凝聚力子群主要是派系。对于二值有向网络来说，“派系”指在同一团体中，成员之间的关系都是互惠的。由于研究的是互惠性，即两成员的联系是相互的，所以此处需将高低阈值的二值矩阵处理为以最小数为矩阵值的对称方法。在经济繁荣(高阈值)或不景气(低阈值)时，若某一群体风险联系紧密，风险监管主体应给予足够重视。

高阈值的凝聚力子群共得到3个派系，分别为{兴业、北京、华夏、平安、浦发}、{交通、兴业、华夏、光大}和{招商、兴业、平安}，上述3个派系中包含较多股份制银行，这说明股份制银行应成为经济繁荣时风险监管的重视对象，且3个派系都含有兴业银行，表明在经济繁荣时，管控此类银行对防范风险传染具有重要作用。

低阈值的凝聚力子群共得到7个派系，规模为14或13，由群体共享成员方法可产生两个群体，包括集合{中行、交通、招商、中信、兴业、民生、北京、常熟、华夏、江苏、南京、平安、浦发、光大、贵阳、工商、建设、上海、农业}以及{杭州、宁波、成都}，这说明在低阈值时，除3家城商银行，大部分银行风险联系紧密，任两家银行传染均可达。

结合图7、8互惠关系树形图可知，在经济繁荣时，兴业银行处于风险传染中枢位置，风险监管应予以重视；在经济不景气时，因保留了大量联系强度矩阵信息，互惠关系较多，风险监管应着重控制联系紧密的中枢群体{兴业、华夏、招商、中信、平安、浦发、交通、光大}。综上可知，无论未来经济繁荣还是衰退，监管部门都需要关注作为中枢银行的股份制银行，降低流动性风险传染强度，维护经济稳定发展。

图7 高阈值互惠关系树形图

图8 低阈值互惠关系树形图

四 结论及建议

鉴于商业银行流动性风险具有破坏性、隐蔽性、内生性的特点，本文基于复杂网络理论，构建商业银行流动性风险传染的网络模型，以弥补传统计量方法无法刻画风险传染的网络特性的缺陷，使研究更贴近现实。本文以2018年我国22家商业银行的样本数据为基础，分别对高阈值网络(经济繁荣)和低阈值网络(经济衰退)下的商业银行流动性风险的传染机制和网络特征进行了实证分析，得到如下结论。

第一，商业银行流动性风险传染机制具有层次传染和反传染性。块模型分析显示，子群之间传染联系显著，风险传染一环扣一环，具有层次性。以传染源为大型国有银行为例，层次传染性表现在如下传染路径：大型国有银行→股份制银行→城商银行→农商银行，且风险具有反传染性，即股份制等银行也能将流动性风险反传染给大型国有银行。就此两类风险传染性质而言，监管部门若不加以政策干预，会导致恶性循环。

第二，高阈值网络符合无标度特性，低阈值网络符合小世界特性。根据网络结构分析，在经济繁荣时，流动性风险传染网络具有无标度特性，即面对随机攻击的稳健性及蓄意攻击的脆弱性时，监管部门需要格外重视易受攻击对象；在经济不景气时，流动性风险传染网络具有小世界特性，其群体联系紧密且中介银行作用大，监管部门既要关注易受攻击对象，也要重视中枢作用群体和中介银行。

第三，PageRank算法结果说明，高阈值网络下多数国有银行易受攻击，低阈值网络下股份制银行易受攻击。通过节点易受攻击性高低排序，经济繁荣时多数大型国有银行排名靠前，这说明其被传染流动风险的可能性越大；经济不景气时股份制银行排名靠前，则说明其易感染风险。

第四，E-I分派指数表明不同性质银行更偏向于群体之间联系。高阈值网络下股份制银行与其他性质银行的业务联系频繁，在整体网中活跃性较大，监管重点应在股份制银行与其他性质银行的业务联系上；低阈值网络下国有银行与其他性质银行的业务联系频繁，传染关系偏向在它与其他性质群体中发生，监管重点应在国有银行与其他性质银行的业务联系上。

第五，股份制银行具有传染性和易感性，并在群体间充当传染中介角色。节点中心性及凝聚力子群分析表明，无论经济状况如何，股份制银行既易主动传染风险，又易感染风险，且其个体及群体均具有中枢作用。因此，经济繁荣时可重点监控兴业银行，经济衰退时重点监控{兴业、华夏、招商、中信、平安、浦发、交通、光大}群体，以严防流动性风险，即可根据经济状况缩小或扩大严格监管范围。

综合上述结论，为加强流动性风险管理，本文提出如下三点建议。

第一，尤其加强监管股份制银行的流动性风险，将《巴塞尔协议Ⅲ》的监管要求同我国国情相结合，要求银行完善信息披露制度，加强对其行为监管和信息化监管。对不满足流动性要求的股份制银行，监督部门应要求其整改，以有效预防银行个体的流动性危机。第二，根据经济状况不同，相关部门应对特定性质银行采取相应保护措施以应对流动性风险危机。经济繁荣时可通过丰富管理手段，实施主动资产负债管理等方法重点关注国有银行以防御风险；经济不景气时可通过扩宽资本补足渠道，改变传统盈利模式等方法着重关注股份制银行。同时，政府应要求央行采取相应补救措施以分别应对风险冲击后的国有银行和股份制银行。第三，相关部门应注重对银行外部业务联系的监管，以防群体间的风险传染，即在经济繁荣时管控股份制银行外部业务联系，在经济不景气时则管控国有银行，并实时关注其资金状况。