期限错配、同群效应与银行风险承担

于国才 鲁政 王晨宇

(山东理工大学经济学院，山东 淄博 255000)

一、引言

从2013年6月的“钱荒”，到2016年的“资产荒”与2017年的“负债荒”，再到2019年的包商银行事件，其背后均与银行的过度期限错配有关。为此，2018年颁布的《商业银行流动性风险管理办法》将严控期限错配作为其主要目标之一。尽管学术界与监管部门已经注意到过度期限错配带来的问题，并开始着手处理银行的过度期限错配现象，但是一个值得研究的问题是，商业银行为什么有如此强烈的动机进行过度期限错配？进一步地，过度期限错配又会产生怎样的经济后果？

商业银行作为金融中介利用流动性负债为非流动性资产进行融资，通过期限错配创造流动性并实现利润。然而在金融危机的冲击下，过度期限错配导致的银行挤兑、批发市场断流与资产出售受阻对银行稳健经营与金融稳定都造成了巨大威胁。学者们对银行期限错配已进行了大量研究，讨论的重点主要集中在期限错配与银行脆弱性的关系上，许多研究从理论与实证方面论证了期限错配将加剧银行脆弱性的观点[1-5]，但现有文献研究延续了银行期限错配是银行追求利润最优化的独立决策的假定，忽略了对银行过度期限错配成因的讨论，鲜有文献考虑不同银行期限错配决策之间的相互影响，即期限错配的同群效应。

本文拟从同群效应这一新的视角考察银行期限错配行为。“同群效应”是指受群体行为影响的个体，其行为决策具有随群体决策同向变动的倾向。企业作为经济主体不可能孤立存在于经济社会中，其生产经营行为不可避免地会受到其他企业影响[6]。研究表明，受经济周期、最后贷款人制度等因素影响，银行存在明显的流动性集体减持、相同产业贷款投放等同群行为现象[7-8]。那么，商业银行期限错配是否存在类似的同群行为？对这一问题的回答无疑将有助于加强银行业监管的针对性和有效性。

为进一步深化对银行期限错配同群效应机制的理解，按照财务报表结构将期限错配细分为表内、表外、负债端与资产端期限错配，探究期限错配同群效应的驱动因素。此外，同群效应的社会乘数效应会使个体行为在群体内的正向反馈机制下被放大[9]，考虑到期限错配对银行风险进一步放大与强化的潜在威胁，进一步检验了期限错配同群效应对银行风险承担的影响。

本文拟从两方面对现有文献进行拓展与补充。首先，将同群效应引入期限错配领域。不同于现有研究的银行决策独立性假定，从央行“多而不能倒”导致的银行决策趋同性的角度入手，基于微观银行面板数据检验发现银行期限错配受同群银行影响显著，并进一步结合国内银行业务特点，检验了期限错配内部结构的同群效应现象。其次，丰富了有关银行风险的研究。以往文献大多只关注对银行同群效应存在性的检验，而缺乏对其经济后果的考察，从过度期限错配在银行间模仿的角度出发，实证检验了期限错配同群效应对银行风险承担的影响，为银行风险承担的增加提供新解释。并对期限错配同群效应与银行风险承担的研究可以为防范金融机构道德风险、维护金融系统稳定提供了一定参考。

二、文献综述与研究假设

(一)文献综述

近年来，已有大量研究发现非金融企业会将其他企业的行为纳入决策函数中，然而对金融企业行为的研究则相对较少。Acharya和Yorulmazer(2007)[10]讨论了潜在破产关联度增加时的央行救助策略，认为银行行为具有羊群动机。Acharya和Yorulmazer(2008)[11]从银行贷款政策出发，认为银行为最小化负面消息带来的溢出效应，会选择投资相同产业来增加投资组合的关联性，使外部冲击导致的额外预期成本最小。Ratnovski(2009)[7]在最后贷款人制度框架下对银行流动性管理问题进行研究，认为最后贷款人的担保使银行流动性缓冲出现集体减持现象。Acharya等(2011)[8]考虑到经济周期对银行最优流动性决策的影响，认为银行在经济上行期将集体减持流动性资产。进一步的，Allen等(2012)[12]指出银行投资决策相似将使系统性风险上升，银行违约关联性增加。

目前，期限错配与银行风险的关系已得到诸多文献的讨论。Diamond和Dybvig(1983)[1]的银行挤兑模型从流动性风险角度阐明了银行脆弱性的根源，认为期限错配虽然优化了消费者的跨期选择偏好，但却使银行暴露在流动性风险中。Diamond和Rajan(2001)[2]与Allen和Gale(2004)[3]指出流动性转换是金融稳定失衡的主要原因之一，过高的流动性创造水平或将引致银行破产。在实证方面，Berger和Bouwman(2017)[4]发现金融危机前期的美国银行业存在流动性创造畸高现象。项后军和曾琪(2019)[5]则发现同业业务期限错配显著加剧了银行脆弱性。

通过对现有文献进行梳理，发现当前研究中还存在两点问题。第一，尽管上述文献已从不同角度对银行决策中的策略性互补现象进行了论证，但目前鲜有文献讨论银行期限错配的同群效应。同时，当前研究主要限于理论层面的探讨，缺乏实证结果支持。本文拟对银行期限错配同群效应进行实证研究，为理论分析提供经验支撑。第二，尽管现有文献已从理论与实证两方面论证了期限错配将提高银行风险的观点，但鲜有研究从过度期限错配在银行间的模仿角度分析银行风险及脆弱性增加的成因。因此，本文的研究为银行风险进一步放大提供了新解释。

(二)理论分析与研究假设

银行同群行为动机源自对央行担保的寻租。为避免风险传染造成系统性金融风险，作为风险管理者的中央银行将不得不对出现流动性危机的银行采取紧急救助措施。当银行具有强烈信念认为央行会采取集体救助措施时，个体银行有动机参与集体风险承担策略[10]。事实上，如果银行经理人认为他们极有可能在受到冲击时被央行救助，那么当其他银行增加风险承担时，受到鼓舞的经理人将采取模仿策略并增加本行风险承担，而非逆风向行事。Ratnovski(2009)[7]指出，在均衡中，如果银行预期其他银行会采取次优的流动性管理决策时，银行的风险管理策略会表现出强烈趋同性。从银行个体角度来看，在最后贷款人制度担保下的集体风险承担策略或许是银行的最优决策，因为该策略可以在不增加自身破产概率的同时增加收益。这种“多而不能倒”道德风险所造成的央行救助的时间不一致性特点使银行资产负债结构趋同[10]。除此之外，经理人的相对绩效考核与风险规避倾向还导致了“风险共担效应”，使自身激进的流动性管理策略更具合法性与正当性，即使决策失误、增加银行风险，经理人也可以以模仿为由辩护并逃避追责。综上所述，在道德风险影响下，银行期限错配决策存在模仿倾向的同群效应。据此，本文提出如下假设。

H1银行期限错配存在同群效应。

传统金融中介理论认为期限错配来自银行利用流动性负债为非流动性资产进行融资的经营模式。如果银行期限错配存在同群效应，那么，这种同群行为是由期限错配中的资产侧还是负债侧驱动？在表内方面，商业银行可以通过资产端和负债端的业务、资金调整来增加或减少流动性创造，Uchida和Nakagawa(2007)[13]发现日本贷款市场中的银行信贷决策存在显著的羊群行为，Silva(2019)[14]发现OECD国家的银行同群效应主要集中在表内的资产端。然而与欧美等发达资本主义国家的银行经营理念不同，我国银行具有“重负债，轻资产”的特点，因此期限错配同群效应是否由资产端驱动还有待研究。随着表外业务重要性不断凸显，许多研究指出商业银行既可以通过表内业务活动的调整来创造流动性，也可以利用贷款承诺等表外方式创造流动性[2,15]，所以银行表外业务的调整是否会对其他银行产生影响同样值得做进一步探讨。据此，本文提出如下假设。

H2期限错配同群效应现象由资产端、负债端以及表外流动性创造驱动。

受最后贷款人制度“多而不能倒”道德风险影响的银行，会通过持有共同资产、增加银行间关联性的方式获得联合破产时的救助补贴[10-11]，这种投资决策趋同使银行资产组合的共同风险暴露增加，在遭受流动性冲击时，过度期限错配与银行风险的关系将在银行参与集体风险承担时被进一步恶化[16]。从债务人方面看，资产负债重叠会使银行关联性及违约关联性增加，当银行处于高度联系状态时，系统性流动性短缺或债权人挤兑造成的银行违约风险可以通过复杂的资产负债结构与紧密关联的金融市场得到迅速传染，银行风险随之增加[12]。从债权人方面看，资产重叠代表风险重叠，将银行风险分为特质风险与系统性风险意味着债权人的清算决策来自两种渠道，即银行自身的信息冲击与系统性冲击。因信息不对称而无法获得除本银行外的系统性冲击信息的债权人，会通过其他债权人行为析取信息来改变自身预期，并作出清算决策，这将引发传染效应并造成金融系统的传染性清算，威胁银行稳定[17]。综上所述，在最后贷款人的担保下，如果银行期限错配会增加自身的风险承担，那么期限错配的相互模仿不仅会使银行流动性管理决策更加激进，还会导致风险在银行间更快地传染，威胁自身稳定。据此，提出如下假设。

H3期限错配同群效应会加剧银行风险承担。

三、样本选取与研究设计

(一)样本选取与数据来源

本文以2011—2018年我国商业银行的非平衡面板数据为研究样本，在剔除数据缺失严重以及连续数据少于3年的银行后最终保留了105家商业银行作为样本，其中包括5家大型国有商业银行、11家股份制商业银行、89家城市商业银行与农村商业银行。本文的微观银行数据来自Bank Focus数据库，由于该数据库仍然存在部分数据缺失问题，为此我们收集数据缺失的银行年报进行人工数据补足。本文的宏观经济数据来自中国统计年鉴。在我国的银行体系中，不同类型银行在资产规模与流动性创造方面存在较大差异，为避免受极端值影响，我们对相应数据进行两端1%缩尾处理。

(二)模型设计

1.期限错配同群行为存在性检验

考虑到银行当期期限错配会参考前期财务状况，因此本文在模型中加入财务指标的一阶滞后值，同时引入宏观经济变量当期值作为控制变量，借鉴Silva(2019)[14]的方法构建回归模型(1)

(1)

2.期限错配同群效应的机制分析

为更好地检验何种业务调整方式驱动了银行同群效应，本文将期限错配具体地细分为表内、表外、负债端、资产端期限错配，并对总期限错配进行回归，具体模型如下

(2)

其中，解释变量分别为同群银行表内(LC_on)、表外(LC_off)、负债端(LC_liability)与资产端(LC_asset)期限错配均值，被解释变量取银行表内、表外、负债端与资产端期限错配四个分量指标与银行期限错配总水平(LC)。控制变量的选取与式(1)相同。

3.期限错配同群效应与银行风险承担

过度期限错配提高银行风险是指为实现超额利润造成资产负债期限结构失衡，此时银行过度依赖短期负债支持长期业务发展，使银行风险抵御能力降低、破产概率增加[18-19]。为检验同群效应对银行风险承担的影响，同时鉴于银行风险具有高度持续性特征，本文构建如式(3)的系统GMM模型检验银行期限错配同群行为对银行风险承担的影响

(3)

(三)变量说明

1.银行期限错配度量

商业银行利用资产与负债的期限错配创造流动性，流动性管理最终是资产与负债的联合安排，为此，借鉴Silva(2019)[14]的做法，利用Berger和Bouwman(2009)[15]提出的流动性创造指标作为期限错配的替代变量，通过对财务报表各会计科目赋予不同权重的方式，该指标同时考虑了资产与负债的流动性，全面地反映了银行的期限错配程度。本文借鉴李明辉等(2014)[21]、郭晔等(2018)[22]的方法分三步构造适合我国商业银行的流动性创造指标，即：第一步，根据变现难易程度、交易成本与到期时间将银行的表内与表外业务划分为流动性、半流动性和非流动性三类；第二步，对流动性不同的科目赋予相应权重；第三步，根据前两步的结果加权计算得出流动性创造指标，具体公式如下

流动性创造=0.5*∑(非流动性资产+流动性负债+非流动性表外业务)+0*∑(半流动性资产+半流动性负债+半流动性表外业务)-0.5*∑(流动性资产+非流动性负债+流动性表外业务)

(4)

按照此方法构建的流动性创造指标可以较好地反映我国银行期限错配程度，该值越大，银行创造的流动性越多、期限错配程度越大。此外，本文还分别计算了银行表内、表外、负债端与资产端流动性创造。其中，表内流动性创造等于资产端与负债端流动性创造之和。考虑到我国不同类型银行间资产规模差异巨大，利用单位资产流动性创造代表经规模调整后的流动性创造水平。

2.银行风险承担测度

代表违约距离的Z值(Z-score)能够较好地捕捉商业银行的破产风险[23]，该方法从收益率标准差变动的角度计算损失超过资本的概率，反映单个银行濒临破产的程度，其计算方法为Z=σ(ROA)/(ROA+ETA)，其中ROA表示资产收益率，σ(ROA)表示以算术平均法定义的收益率标准差，ETA表示权益资本比率，该值越大说明银行经营风险越高、破产概率越大。由于Z值分布有偏，为纠正数据偏态，通常对其取对数后以lnz表示银行风险。

3.工具变量构造

本文研究重点为同群银行对银行期限错配的影响，利用模型(1)对同群效应进行识别的困难在于“反射问题”带来的内生性处理要求[6]。目前金融领域的同群效应研究大多借鉴Leary和Roberts(2014)[24]的方法，将从公司股价中提取的特质收益率作为工具变量。遗憾的是，对股票数据的要求限制了该方法对非上市银行的适用性。为此，借鉴Bonfim和Kim(2019)[25]处理同群效应的思路，利用式(1)中的控制变量构造流动性创造影响因素模型，利用同群银行流动性创造估计值作为工具变量进行回归。一方面，同群银行流动性创造估计值的平均水平应与内生变量高度相关，即满足工具变量的相关性约束；另一方面，该估计值不会反向作用于同群银行流动性创造，即满足工具变量的排除性约束。工具变量具体估计公式如下

LCit=λ0+λ1banksizei,t-1+λ2ETAi,t-1+λ3ROAi,t-1+λ4liqi,t-1+λ5nimi,t-1+λ6non_interesti,t-1+λ7net_loani,t-1+μi+εit

(5)

其中，μi代表个体固定效应；εit代表方程的随机扰动项。对式(5)的回归可以得到各控制变量对流动性创造的作用效果，继而可以计算得到流动性创造估计值作为本文的工具变量。

鉴于流动性创造估计值是其影响因素的线性组合，对式(5)回归后的结果表明模型变量对银行流动性创造具有较强的解释能力(结果没有报告)，因此该估计值与流动性创造相关，那么同群银行流动性创造平均水平与其估计值亦相关，故满足工具变量的相关性约束。回归系数来自流动性创造影响因素模型(5)，说明特定银行特征组合对应着特定流动性创造水平，这一水平不受同群其他银行影响，因此，以t-1期银行特征变量估计出的流动性创造估计值不会受到作为被解释变量的第t期银行决策的影响，所以该估计值满足工具变量的排除性约束。综上所述，以期限错配的替代变量，即流动性创造估计值作为工具变量是有效的。

4.控制变量

为了避免遗漏变量偏差，从宏观经济环境与银行个体属性两方面分别加以控制。宏观经济层面利用GDP增速(dgdp)、人均GDP(pgdp)以及广义货币供给增速(M2)反映宏观经济状况与货币政策变化。银行层面控制变量：(1)银行规模(banksize)，以银行资产的自然对数表示；(2)杠杆率(ETA)以权益资本比率表示；(3)银行盈利能力以资产回报率(ROA)和净息差(nim)表示，其中净息差越高则银行盈利能力越强；(4)银行敏感性以非利息收入占比(non_interest)表示，该指标可以较好地反映银行对于金融市场中资管业务与证券业务的参与程度；(5)银行经营模式以净贷款比总资产(net_loan)表示，贷款规模在银行总资产中占比越大说明银行的经营模式更为传统，其风险管理策略也更为保守；(6)流动性(liq)以流动资产比流动负债表示；(7)银行的存款吸收能力以客户存款比总资产(deposit)代表；(8)以贷款总额比存款总额(ltd)表示存贷比。本文全部变量的含义与描述性统计见表1。

表1 变量含义与描述性统计

四、实证结果与分析

(一)期限错配同群效应的存在性检验

为检验期限错配是否存在同群效应，对模型(1)进行回归，回归结果如表2所示。表2列(1)为未加入控制变量的OLS回归结果，同群银行期限错配均值的系数为0.95且在1%的水平下显著，当同群银行的期限错配增加1单位时，目标银行的期限错配将增加0.95单位，这一结果表明同群效应显著存在。模型拟合优度为0.184意味着在本文的样本中，同群效应能够解释18.4%的银行期限错配变动。表2列(2)和列(3)分别报告了引入控制变量后的OLS回归与个体固定效应回归结果，尽管系数水平有所变化，但同群效应依然显著，且模型的拟合优度分别提高至0.525和0.372。

如前文所述，同群效应识别的最大困难在于“反射问题”带来的内生性。利用根据公式(5)计算结果得出的同群银行流动性创造估计值均值作为工具变量进行回归，能够有效缓解同群效应的内生性问题。回归结果如表2列(4)所示，同群效应系数为0.924且在1%的水平下显著，回归结果表明银行间的期限错配存在正向反馈机制，在同群银行影响下，银行将采取更加激进的流动性风险管理策略增加期限错配，以牺牲流动性或安全性的方式换取盈利性，从各变量的系数绝对值水平看，影响银行期限错配最主要的因素来自同群银行期限错配的决策。

表2 同群效应存在性检验

考虑到我国不同性质银行的资产规模、经营范围及风险管理策略差异巨大，银行间的可比性存在差异，将样本划分为国有银行与股份制银行、城市商业银行与农村商业银行两组子样本，分别检验期限错配同群行为的存在性。首先对样本中的16家国有银行与股份制银行进行回归，回归结果见表2列(5)，实验结果显示同群效应不显著，大型商业银行间的期限错配不存在效仿倾向。说明以国有银行与股份制银行为代表的大型商业银行通常缺乏集体风险承担激励。一方面，大型商业银行依靠社会地位与政府背景可以获得稳定的资金来源与利润水平，风险管理策略保守、风险偏好较小，采取激进的流动性创造行为的概率较低；另一方面，其作为系统重要性银行受到最后贷款人制度担保，是否参与集体风险承担都不会改变其在危机时受到救助的概率，其道德风险更多地体现在“大而不能倒”方面。从实践方面看，在我国当前的流动性风险处置框架下，国有银行的角色也在发生转变，在特殊情况下的国有银行承担着对面临流动性危机的城商行的救助任务[26]，银行间相互模仿并过度期限错配的可能性较低。综上所述，我国的大型银行间不存在期限错配同群效应。

进一步对样本中的89家区域性银行进行检验。如表2列(6)结果显示，同群银行期限错配均值的系数为1.18且显著，说明区域性银行的期限错配存在同群效应。就中小银行而言，最后贷款人制度的时间不一致性特点为期限错配同群行为提供了强烈的寻租动机，由于未受到最后贷款人制度的担保，作为非系统重要性的中小型银将采取更加激进的风险承担行为，过度期限错配，增加共同风险暴露[10]。因此，对于中小银行来说，可以在维持自身风险不变的同时提高利润的集体风险承担或许是一种最优选择[7]。

(二)期限错配同群效应的机制分析

为检验同群效应的作用机制，本文依据银行财务报表结构对期限错配进行划分并分类检验模型(2)。首先分别使用表内、表外、负债端和资产端期限错配四个分量指标作为被解释变量进行分析，控制变量与模型(1)保持一致，回归结果见表3的列(1)至(8)。全样本回归结果如列(1)(3)(5)(7)所示，首先从表内与表外两方面进行检验，如列(1)(3)所示，同群银行表内期限错配均值的系数为0.78且在 5%水平下显著，而同群效应在银行表外业务中并不显著。尽管表外业务近年来得到越来越多的发展，但在我国的商业银行体系中，作为银行业务重点的表内业务在银行业务总额中依然占据较大比例，因此同群效应主要体现在银行的表内业务中。进一步地，将表内期限错配划分为负债端与资产端期限错配并检验同群效应，估计结果如列(5)(7)所示，负债端同群银行期限错配均值的系数为0.979且在1%的水平下显著，而资产端并不存在同群效应现象。以城商行与农商行为样本的回归结果如列(2)(4)(6)(8)所示。期限错配同群效应在表内与负债端依然显著，且系数水平有所上升，印证了期限错配同群效应在中小型银行中更加显著的观点。这一结果与我国商业银行长久以来“重负债，轻资产”的经营理念相吻合，同时也与近年来银行积极通过主动负债以实现资产规模弯道超车的经营风格相符合，因此我国商业银行的流动性创造主要集中在资产负债表的负债端。为进一步分析银行期限错配总水平的驱动因素，同时为确保实验结果的稳健性，再次以期限错配总指标为被解释变量进行回归，回归结果显示，无论是在全样本回归还是分样本回归中，银行期限错配同群行为的驱动因素均来自表内业务，尤其是其负债端(结果未报告，留存备索)。综上所述，在我国的银行体系中，期限错配同群效应主要通过银行表内业务，尤其是表内业务的负债端发挥作用。

(三)期限错配同群效应与银行风险承担

为检验期限错配同群效应对银行风险承担的影响，对模型(3)进行回归，回归结果见表4。首先检验模型估计结果的有效性，对于风险承担的一阶滞后项系数而言，系统GMM模型的估计系数(0.849)介于固定效应模型(0.326)和混合OLS模型(1.002)之间，表明系统GMM模型估计结果有效。其次，回归结果表明模型通过二阶自相关检验与过度识别检验，因此可以使用系统GMM进行估计，估计结果见表4列(3)。列(3)中同群效应的系数为17.686且在1%的水平下显著，表明当同群银行期限错配每增加1单位，银行风险承担增加17.686单位。对模型(6)的回归结果可得以下结论。

首先，商业银行作为金融中介具有普遍且持续的信贷扩张冲动，受集体风险承担激励的银行在道德风险庇护下主动改变其风险偏好、加剧期限错配，风险容忍度的提高使银行经营管理策略更加激进，从事高风险高收益项目的意愿增加，最终使得共同风险敞口增加进而银行风险承担加剧。

其次，在严监管和去杠杆的背景下，中小银行风险不断暴露，其未来发展前景令人担忧。那么中小银行风险的积累是否在一定程度上受集体风险承担激励的影响？为此以区域性银行为样本再次回归，回归结果如表4列(4)所示，同群效应的系数表明同群效应对区域性银行风险承担的影响为全样本的1.56倍。随着利率市场化与金融脱媒进程加快，在集体风险承担的刺激下，面临利差收入冲击的区域性银行大规模集体性地进入同业市场，利用同业业务不断增加杠杆、开展期限错配，在实现规模扩张与利润获取的同时也加剧了自身的流动性风险，增加了破产隐患[27]。加之我国区域性银行具有扎根本土的特点，其经营范围通常局限在本省或本市，域内银行是其模仿的主要对象，如果受同群效应影响的商业银行出现经营危机，那么银行间相互持有的共同风险暴露极易使个体风险演变为省级层面的局部风险，并进一步蔓延为系统风险。

表3 同群效应机制分析——期限错配分量指标

(四)稳健性检验

为确保本文估计结果的有效性，本部分从改变估计方法、替换被解释变量、扩充控制变量三方面进行稳健性检验。

1.改变估计方法

如前文所述，城商行与农商行等区域性银行的经营活动具有扎根当地的特点，其主要客户通常为本土中小企业，服务对象高度同质化的特点为银行间相互模仿提供了动机。为避免模型可能带来的估计偏差同时更好地反映期限错配行为的空间相关性，借鉴空间计量经济学方法检验期限错配的地区同群效应。由于空间计量模型要求面板数据平衡，从样本中筛选出了在2014至2018年具有连续数据的69家区域性银行的平衡面板数据作为分析样本，建立空间自回归模型如下

LCit=ρWLCit+γControlit+φWControlit+ηi+θit

(6)

其中，W代表空间权重矩阵，WLCit为被解释变量的空间滞后变量，Control为解释变量，ηi是个体固定效应，θit是随机误差项。本部分重点关注期限错配的区域内相关性，因此权重矩阵构造如下：当银行i与银行j在同一省份时，ωi,j取值为1，否则为0。同时对该空间权重矩阵进行行标准化。回归结果见表5列(1)，空间滞后模型回归结果显示，空间的滞后项WLC估计值为0.096且在10%的水平下显著，故存在空间自回归效应，域内同群银行对银行期限错配具有显著的促进作用，银行期限错配存在同群效应。

表4 同群效应与银行风险承担

考虑到银行期限错配具有连续性特点，为避免模型的估计偏差，再次构建动态面板模型，利用差分GMM与系统GMM模型对同群效应进行检验。回归结果见表5列(2)、(3)，回归结果显示模型通过二阶自相关检验与过度识别检验，因此利用差分GMM模型与系统GMM模型估计是有效的。同群效应系数在两种模型中为0.43和0.365且在1%的水平上显著，进一步证实了本文研究结论的稳健性。

表5 稳健性检验—改变估计方法

2.替换被解释变量

在利率市场化背景下，尽管银行市场业务所占比重不断增加，但贷款业务仍是银行最主要的业务，信贷风险也是银行需要重点关注的风险，不良贷款率依然是银行风险监控的重要指标，因此，本文利用不良贷款率变动值(dnpl)作为银行风险的替代指标之一[28]。风险加权资产比率(rwar)可以反映银行资产中高风险资产所占比重，该值越大说明银行的风险承担意愿越强，因此利用风险加权资产比重(rwar)作为银行风险承担的第二个替代指标[29]。回归结果如表6列(1)、(2)所示，将被解释变量替换为不良贷款率变动值和风险加权资产比率时，同群效应对银行风险承担的影响依然显著。

3.增加控制变量

为缓解遗漏变量造成的内生性干扰，在银行风险承担模型(3)的基础上进一步增加了银行业景气指数(bankdex)与国房景气指数(estdex)两种宏观经济变量，纳入资本充足率(car)、权益资本比率(ETA)及资产回报率(ROA)三种微观个体变量，回归结果如表6列(3)所示，在扩充控制变量后，同群效应依然会显著提高银行的风险承担。综上所述，本文的结论是稳健的。

表6 稳健性检验—替换被解释变量与增加控制变量

五、结论与启示

本文采用2011-2018年我国105家商业银行的样本数据，在克服内生性问题后，基于同群效应视角考察了银行期限错配同群行为的存在性、作用机制及其经济后果。实证结果表明，对最后贷款人制度的寻租动机使我国商业银行的期限错配行为表现出显著的同群效应现象，并且该现象在非系统重要性中小银行中更为显著，这为近年来我国商业银行过度期限错配的成因提供了一个新的解释。本文将银行期限错配分解为表内端、资产端、负债端和表外端期限错配后发现，银行期限错配同群行为主要由表内业务及其负债端业务驱动，这与我国商业银行一直以来“重负债，轻资产”的经营特点相符合。最后，本文实证结果表明，银行期限错配同群行为将刺激银行采取更加激进的流动性管理决策，放松流动性风险管理标准，加剧期限错配程度，通过持有共同资产、增加银行间关联性的方式提高银行风险，且这一影响在区域性银行中更加显著。

本文的研究结论为理解我国银行风险事件频发的成因提供了一个新的视角。商业银行期限错配决策存在显著的同群效应，这意味着激进的风险承担行为在银行间的“传染”或许是造成我国金融风险的重要推力之一。为此，国家有关部门和央行在制定相关政策时应将银行期限错配的同群效应考虑在内，以更加准确地评估政策效果。本文的研究结果表明当前的监管框架中遗漏了对银行间流动性风险管理决策相互作用的考虑。一方面，监管当局对商业银行的监管思路应从以往针对单体银行的审慎监管转变到针对银行集体行为的审慎监管上来，应当充分考虑到银行的集体风险承担激励现象，完善现有的最后贷款人政策执行标准与救助条件，尽可能地降低“多而不能倒”道德风险的负外部性，降低银行体系流动性风险，以维护金融系统稳定。另一方面，监管当局应当从制度上注重对银行流动性管理决策的引导和规范，要求银行强化业务管理，科学合理地制定期限错配决策，确保资产负债期限结构相匹配，避免盲从与跟风。