多层网络视阈下银行业系统性风险跨网络传染研究

贾凯威,王艺霖,李伯华

(辽宁工程技术大学 工商管理学院,辽宁 葫芦岛 125105)

一、引言

防范金融系统性风险是现阶段中国金融工作的根本性任务。银行竞争加剧背景下,各银行间的关联呈现多重性与复杂性不断上升的趋势,银行系统性风险是沿单层网络传染还是跨网络传染?该问题的研究对于厘清系统性风险形成机理与传染路径具有重要意义。当前,大多数学者基于单层网络审视银行网络结构对系统性风险的影响机制,忽视了银行间关联的多重性,这与银行在不同属性的网络中扮演不同角色的事实不符,可能会遗漏银行间的关联信息,导致研究结果偏误及模型风险[1-3]。仅有的多层网络研究多基于银行股票价格的多维相关性构建银行业多层网络[4],该种方式下的系统性风险测算主要基于股票价格,而各网络的属性不清晰,缺乏明确的经济含义,回归模型易陷入以“股价波动”解释“股价波动”的困境,模型内生性问题较突出,不利于分析银行股价关联的内在机制。因此,基于多层网络研究系统性风险的形成与传染机制就显得尤其重要。需要指出的是,随着数据可得性的上升及计算能力的提升,银行节点之间多层关联性是可以捕捉的,且多层次的关联既有明确的界限划分,又存在显著的互动效应,金融系统性风险有可能在某一单层网络传染的同时,也会在不同层次网络间形成立体式传染,这无疑使得系统性金融风险的传染路径更加复杂多变但也为审视系统性风险提供了新视角,形成了本文的研究动机。鉴于此,利用中国16家上市商业银行2010年第三季度至2020年第四季度数据,构建动态决策层网络(基于共同股东形成的共同股东网络)与动态经营层网络(基于共同贷款形成的债权网络与基于共同持股房地产公司形成的股权网络),在多层网络特征及系统性风险的基础上,实证检验银行系统性风险传染的多层复杂网络特征及作用机制。

二、文献述评

(一)银行业系统性风险的测度

关于银行业系统性风险的测度,现有研究主要从四个角度切入。第一,基于银行资产负债表信息,通过对银行微观数据与宏观指标赋权重相结合的方式构建综合指数模型测度系统性风险。早期研究多集中于该视角,如Illing和Ying结合加拿大银行业资产负债信息构建金融综合压力指数,为预测金融危机提供先决条件[5]。该方法虽然可综合测度银行系统性风险,但时效性较弱,数据准确性要求严格,对系统性风险的测度能力有待商榷。第二,从银行风险敞口出发测度系统性风险。隋聪等从银行不良资产视角切入,运用计算实验测度系统性风险[6]。第三,通过上市银行的股票价格数据构建风险预警模型进而测度系统性风险。运用的主要算法模型包括条件在险价值法(CoVaR)、边际期望损失(MES)以及系统性风险指数(SRISK),其中CoVaR模型因其普遍适用性获得国内外学者认可;白雪梅和石大龙基于CoVaR方法测度2008年以来中国金融业系统性风险,验证了银行业是中国金融风险最大的传染源[7]。Adrian和Brunnermeier进一步改进CoVaR模型,提出ΔCoVaR模型,分解出系统承担的风险量,该模型因捕捉金融机构尾部风险能力较强,获得了学界的广泛应用[8]。第四,现有研究基于金融机构“太连接而不能倒”的经验事实,采用网络连通性表征系统性金融风险[9]。

(二)银行业系统性风险传染机制研究:从计量经济学到复杂网络科学

关于银行业系统性风险的影响机制,现有研究经历了由计量经济学模型为主导向计量经济学与网络科学交叉融合的演变历程。前者主要分为两类:第一类研究从银行体系内部出发,认为内部因素是系统性风险的主要来源。张琳等认为,银行业体系竞争的加剧会提高商业银行批发性融资进而诱发系统性风险[10];第二类研究基于银行体系外部视角,探究外部因素对系统性风险的影响。黄秀路和葛鹏飞识别了货币政策调整对银行系统的外部冲击[11]。上述研究各有侧重,但均忽略了银行在实际经营过程中复杂联系直接影响风险传导这一事实。随着网络科学的兴起,现有学者将复杂网络分析范式扩展至系统性风险领域,即探究银行复杂网络对系统性风险的影响,其中,基于单层复杂网络的研究较为丰富。目前学界主要从以下四个方向开展:

第一,通过银行资产负债表的双边借贷联系构建同业拆借网络,探讨信用风险对网络的冲击。国内早期,马君潞等利用矩阵法构建中国银行间拆借网络,进而研究银行双边风险传染机制[12],该文较为完备的运用银行表内业务构建系统网络,受到国内学者的一致认可。黄玮强等在此基础上引入最小密度约束方法间接推断银行业同业拆借网络,发现构建的网络风险传染能力更强、更具预警意义[13];第二,通过银行间的支付系统渠道构建银行业网络模型,探究流动性风险传染路径。现有研究多以Diamond等提出的银行挤兑模型为基础,运用仿真模拟与实际数据结合的方式刻画网络结构特征[14]。如王鹏等在此基础上采用随机动态模型与代数动力学方法探讨系统性风险及其概率演化规律,论证了中国银行网络易遭受尾部冲击的观点[15];第三,通过上市银行股价波动的关联性构建网络,侧重于评估银行在系统中的位置优势。Demirer等运用150家全球上市银行公开交易的高维网络,测度全球银行业静态与动态网络连通性进而探讨网络位置对系统性风险的影响[1]。王子丰和周晔运用中美上市银行股价交易数据,刻画中美银行间的风险传染途径[2];第四,通过银行共同董事、共同股东、共同贷款等产生的社会网络,重点分析银行经营行为的网络传播对系统性风险的影响。王海林和高颖超以中国僵尸企业为例,通过银行业对僵尸企业的共同贷款构建网络,发现共同贷款行为显著增加了银行业整体风险[3]。

从单层网络角度出发,对银行业单层复杂网络领域进行研究,为本文研究奠定了扎实的文献基础。但要指出的是,现有研究忽略了银行实际经营过程中动态、多样、复杂的关联性特征,用单层网络建模可能会引发研究结果偏误及模型风险,导致风险错估[16]。甚至有学者认为,基于单层联系的网络不能正确地表征和解释银行复杂系统[17]。因此,基于多层网络识别银行系统的动态关联性逐步被学界所认可。

Poledna等通过构建墨西哥银行信用、衍生品、外汇和证券四个层面的金融契约收益率关联网络模型,刻画多层网络结构下系统性风险的传导机制,研究表明,基于单层网络的银行系统重要性会被严重低估[18]。Aldasoro引用欧洲大型银行之间的风险敞口数据集,按照期限结构与衍生品类型分解进而构建风险敞口多层网络,发现欧洲系统重要性银行网络呈现显著的鲁棒性与脆弱性[17]。Ali等应用伊朗资本市场中的银行收益、交易量和市值三个层次构建多层网络,验证多层网络结构下的银行系统稳定性与连通性较单层网络更加稳健[19]。上述研究表明,基于单层网络的研究确实存在“偏差甚至失真”问题。目前为止,国外基于复杂性科学的单层网络分析较为多见,多层金融网络研究则刚刚起步,而国内该领域的研究更少。国内学者李守伟等利用中国上市银行三种股票收益率构建关联网络,进一步分析银行业多层网络结构对系统性风险的影响,发现度中心性显著影响对系统的风险溢出[4]。李守伟等在原有研究的基础上,将研究范式拓展至金融机构多层网络模型,重点分析收益层网络之间的关联性演化规律特征,进一步论证了多层网络研究范式的广泛适用性[20]。这一系列文章丰富了国内现有研究内容,得到了学者们的一致认可。

综上可知,学术界对银行业单层网络以及系统性风险进行了深入系统的研究,主要的不足在于:第一,现有研究多基于单层复杂网络理论,忽略了银行间联系的复杂性、多重性,对系统性风险传染的研究较为片面,建立在网络连通性基础上的系统性风险测度可能存在偏差甚至失真,事实上,系统性风险可能在共同股东构成的决策层网络内扩散与传染,也可能在共同贷款网络(债权投资网络)与共同持股企业网络(股权投资网络)内扩散与传染,还有可能在不同层网络之间传染,需要进一步实证检验;第二,在为数不多的多重网络研究中,银行多层网络的建立多基于股价(收益)相关性,银行多层网络的建立较为简单,银行间多重关联的具体经济含义不清晰,从而无法为防范和化解系统性风险提供可操作性建议;第三,基于股价相关性建立的多层网络仅能表征投资者对各银行基本面的共同感知与情绪趋同,对于揭示系统性风险的传染机制仍然处于黑盒状态;第四,随着数据可得性的提高,准确识别银行节点间实际关联的可能性上升,例如银行间共同股东关联、银行间共同贷款关联以及银行间共同持股上市公司关联等(1)虽然中国1995年发布并于2003年修订的《中华人民共和国商业银行法》第43条规定,禁止商业银行直接参与非金融企业的股权投资业务,即直接对外进行股权投资的方式受法律限制,但近年来随着金融产品创新速度的加快,监管力度也有所调整,越来越多的银行开始进行“综合化经营”的尝试。目前,商业银行多采取变通方式完成对目标企业的股权投资,如通过银行系基金公司、嵌套资产管理计划、嵌套信托基金、债转股等方式进行投资,使银行能够成为上市公司的“股东”。上述通道模式增加了银行与上市公司的关联路径,进而形成银行“持股”上市公司网络。。

与现有研究相比,本文的边际贡献:第一,构建银行业多层网络,探索多层网络结构对系统性风险的影响机制。基于银行的共同股东数据、共同贷款数据以及共同持股房地产数据构建三层网络,网络联系更为真实客观,具有明确的经济含义,可解释性强,能够更清晰地揭示银行业系统性风险的形成与传染机制;第二,重点分析多层网络的拓扑结构与聚类特征,对多层网络进行社团分割探讨网络内在演化规律;第三,将银行间的关联网络分为决策层网络与经营层网络,前者为银行间共同股东网络,后者分别为共同贷款网络(债权投资网络)与共同持股房地产网络(股权投资网络),并实证检验了银行业决策层网络分别通过共同贷款网络(债权投资网络)、共同持股房地产网络(股权投资网络)最终影响系统性风险的作用机制;第四,检验多层网络间风险传染的作用渠道,探讨了银行多层网络影响系统性风险溢出的作用机理,填补了现有研究的空缺。

三、研究设计

(一)银行业系统性风险

基于ΔCoVaR理论对系统性风险进行测度,现有研究主要分为两类:第一类是通过GARCH-CoVaR模型进行估计,第二类是通过分位数CoVaR模型进行估计。第二类研究相较于第一类,引入了状态变量,使得模型结果更具适应力。本文基于Adrian和Brunnermeier提出的改进ΔCoVaR理论,采用分位数回归模型,对中国16家上市银行系统性风险进行测度[8]。首先计算各上市银行股票价格日收益率,如式(1):

(1)

其中Pt为上市银行当日股票收盘价,Pt-1为前一日股票收盘价。进一步进行分位数模型回归,具体公式如下:

(2)

(3)

(4)

其中,Mt为状态变量。通过式(2)～(4)可计算出每家上市银行正常状态下(q=0.5)以及在处于极端风险状态下(q=0.05)不同的CoVaR值,进而测算出银行处于极端风险状态条件下,对系统贡献的风险溢出净值(ΔCoVaR),如式(5):

(5)

(二)多层银行网络的构建

利用中国16家上市银行2010年第三季度至2020年第四季度多维数据,构建动态多层网络:基于银行间共同股东构建的上层(决策层)网络及基于银行间共同贷款业务、对房地产行业的共同持股构建的下层(经营层)网络。

1.上层(决策层)网络

查找各银行前10大股东,若两银行间具有共同股东,则两银行间存在连边,否则不存在连边,由此形成银行间1-模邻接矩阵,进而构建上层共同股东网络。需要说明的是,为了反映网络中各银行间的连接强度,这里以任意两家银行的共同股东数量占总共同股东数量的比重作为权重,从而构建权重网络。

2.下层(经营层)网络——共同贷款网络

建立由银行与上市公司为网络节点的2-模网络。具体地,若样本期内银行向上市公司贷款,则存在连边,否则不存在。需要说明的是,为了反映银行与上市公司间的连接强度,这里以银行与上市公司间贷款笔数占总贷款笔数的比重作为权重,构建权重网络。根据任意两家银行是否存在共同的贷款客户,将以上2-模网络转化为1-模网络,建立银行业共同贷款网络。

3.下层(经营层)网络——共同持股房地产企业网络

需要特别说明的是,本文选择房地产业构建银行业经营层网络(股权投资网络)主要原因如下:(1)从贷款集中度看,银行业对房地产业的贷款占总贷款的39%,相较于其他单个行业而言占比较高,房地产业经营风险与房地产市场风险均会诱发银行业风险,房地产泡沫破裂,进而引发系统性金融风险[21];(2)从关联角度看,房地产业在银行业(金融)与实体经济间的双向复杂关联中起着“桥梁作用”,呈现“过度连接而不能倒”,传染的中枢作用日益明显[22];(3)从金融化角度看,房地产市场日趋金融化,房地产价格波动的金融传染效应不容忽视[23]。从以上角度,本文选择房地产业作为典型样本,构建银行业经营层网络(股权投资网络)更有代表性。

建立由银行与房地产公司为网络节点的2-模网络。具体地,样本期内某银行若持股某房地产企业,则该银行与房地产企业间存在连边,否则不存在。由此生成银行与地产公司间的2-模网络。需要说明的是,为了反映银行与房地产业间的连接强度,这里以银行持股房地产企业的数量占总数量比重作为权重,构建为权重网络。根据任意两家银行是否共同持股同一家房地产企业,将以上2-模网络转化为1-模网络,建立银行业共同持股房地产业网络。

4.多层网络综合度中心性的测算

分别提取三层网络的各银行节点的度中心性,详见式(6):

(6)

(7)

除了采用以上方法测算多重网络的综合中心性外,还采用主成分分析法对三层网络的度中心性进行降维,以第一主成分F1表示多层网络复合度中心性。

(三)模型设定

基于双向固定效应面板数据模型,采用全面可行广义最小二乘(FGLS)模型进行基准回归。以季频ΔCoVaR作为被解释变量,多层网络度中心性Dmul为核心解释变量,主模型设定见式(8)。其中Control表示控制变量,Banki与Quartert分别表示银行个体效应与时间效应,εi,t表示误差项。

(8)

为细致考察各单层网络对系统性风险溢出的影响,比较各单层网络与多层网络的外溢差异,以厘清多层网络作用机理,基于单层网络构建了如下三个回归模型,具体如式(9)～(11)。其中Holder、Loan、Property分别表示共同股东网络的度中心性、共同贷款网络的度中心性与持股地产企业网络的度中心性。

(9)

(10)

(11)

四、实证分析

(一)样本选择

为获得平稳面板数据并兼顾样本的代表性,将研究区间设定为2010年第三季度至2020年第四季度。样本为16家中国上市商业银行,包括中国五大国有商业银行(工商银行、农业银行、建设银行、中国银行、交通银行),8家股份制商业银行(中信银行、浦发银行、兴业银行、民生银行、光大银行、华夏银行、招商银行、平安银行)和3家城市商业银行(北京银行、南京银行、宁波银行)。截至2020年末,16家上市银行的资产总计占整个银行业总资产的比重达到73.17%(2)结果基于国泰安数据库银行业2020年资产总计测算得出。,具有较强的代表性。

(二)ΔCoVaR的测算

日频ΔCoVaR的获取基于2010年7月1日至2020年12月31日共计2 594个交易日内各股收盘价格数据、沪深300银行成分股收盘价格数据,通过式(1)计算收益率。在状态变量的选取上,结合白雪梅和石大龙的研究[7],考虑到以下四个方面:第一,市场波动程度。运用GARCH模型对沪深300指数收益率进行估计,提取条件方差作为市场波动程度的代理变量。第二,流动性利差。用3个月期限的SHIBOR利率与3个月国债到期收益率的差值作为流动性利差的代理变量。第三,期限利差。用10年期限国债到期收益率与1个月期限国债到期收益率之差作为期限利差的代理变量。第四,信用利差。用1年期AAA级商业银行普通债到期收益率与1年期国债到期收益率之差作为信用利差的代理变量。进一步采用分位数模型回归,计算出日频ΔCoVaR数据,具体见图1。由图1所示,中国16家银行日频ΔCoVaR数据走势基本趋同,在2015年股灾期间呈现出较大幅度的波动,其余时点一直围绕均值上下浮动,表明中国银行稳定性受外部冲击时有较强的恢复能力。受新冠病毒感染疫情冲击,各银行对系统性风险溢出的贡献有较大幅度的波动,并且出现显著性差异,系统重要性银行相对于其他银行的风险外溢更强。

图1 中国日频CoVaR波动图

(三)银行业多层网络分析

基于2010年第三季度至2020年第四季度16家银行季度数据构建三层银行网络,分别构建上层(决策层)共同股东网络、下层(经营层)共同贷款网络与下层(经营层)持股房地产企业网络。图2～4分别展示了银行系统2010q3、2015q3以及2020q4银行系统多层网络图,发现2010q3至2015q3中国银行多层网络边的数量有显著提升,多层网络的规模不断扩大,网络连接趋向复杂化;2015q3至2020q4共同贷款层网络无明显变化,但是共同股东层网络中边的规模进一步扩增(网络密度由0.470变为0.491),且共同持股房地产企业网络中节点的连接方式有一定变化。进一步观察发现,各层网络均有显著差异,各个银行节点通过共同股东、共同贷款进行的联系增多,而通过共同持股房地产企业的联系却是显著下降。

图2 2010q3银行系统多层网络图

图3 2015q3银行系统多层网络图

图4 2020q4银行系统多层网络图

注:holder layer表示银行共同股东层网络,loan layer表示银行共同贷款层网络,property layer表示银行共同持股房地产企业层网络,数据源于国泰安数据库,经过R软件处理后成图。

为进一步捕捉银行系统多层网络的时变特征及规律,提取各层网络在2010—2020年间的密度、聚类系数以及平均路径长度。图5～7展示了银行系统多层网络的动态网络特征。通过观察不难发现:银行各层网络呈现出显著的小世界特征,即平均路径长度较短但聚类系数较高。在网络密度方面,共同股东网络密度与共同贷款网络密度均呈现波动上升的趋势,银行通过交叉持股行为与共同贷款行为建立的联系越来越紧密,特别是共同贷款网络,已贴近全局耦合网络。值得注意的是,2015q2后共同股东网络密度有较大幅度的跃迁,可能的原因是,2015年股灾的发生使各银行股价急剧下挫,各银行的系统性风险急剧攀升(由图1可知)。为提升金融系统稳定性,国有资本的增持成为重要的风险防范手段,这在提高各行资本充足率的同时也提高了各行之间的网络密度。银行持股房地产企业网络的密度呈震荡下降态势,表明银行业正在逐步脱离对房地产行业的股权投资业务。在网络聚类系数方面,共同股东层网络与共同贷款层网络的聚类系数均呈波动上升趋势,但持股地产企业网络的聚类性在样本期内走势较为复杂,先波动下降再显著上升。在网络效率方面,各层网络的效率显著提高,表现为平均路径长度波动下降。说明中国银行业网络整体效率提高,网络信息传递速度增快,但风险的传播速度加快,范围也显著扩大。

图5 多层网络密度变迁

图6 多层网络聚类系数变迁

图7 多层网络平均路径长度

综上,银行系统多层网络呈现小世界特性,网络密度、集聚性以及信息传递效率逐年增高。多层网络为优质信息与资源提供高效便利的共享渠道,也为系统性风险的传播与扩散提供了温床,使系统性风险爆发时跨层次的传播能力大幅增长,银行网络的“双刃剑”效应更加突出。

为探究银行业内部节点聚类情况,采用快速贪婪优化算法对银行系统多层网络进行社团分割。其中共同贷款层网络贴近全局耦合网络,聚类分割无实际意义,因此本文只对共同股东网络与共同持股地产企业网络进行社团分割。具体结果如图8和图9所示。

图8 共同股东网络社团分割图

图9 持股地产企业网络社团分割图

由图8和图9可知,共同股东网络与共同持股地产企业网络呈现出两种截然不同的聚类情况。在共同股东网络中,最初由工商银行、建设银行等几家系统重要性银行作为枢纽节点,将网络分为三个社团,并维持整个银行体系的连通性,随后社团的规模不断上升,最终形成一个接近全局的大社团,这与现实相符,系统重要性银行分别连接着各个银行节点,并通过四大商业银行之间的联系将整个银行系统串联起来,后因中国股灾事件的发生使交叉持股成本大大降低,共同股东网络由此越发贴近全局耦合网络,整体形成一个极大社团。受疫情冲击,2020q1银行股东网络分裂成两个规模趋于一致的大型子社团,但随后又逐渐复原,印证银行网络的鲁棒性较为良好;而共同持股地产企业网络的社团规模逐年减小,并逐渐收敛至由几家系统重要性银行构成的子网络,说明系统重要性银行因风险承受能力强、维持地产行业稳定等缘故,依旧与地产企业保持着较为稳定的联系。一方面,维持地产行业的稳定需要银行系统的信贷支持;另一方面,地产行业的信贷存量会倒逼银行系统为其提供新一轮的信贷增量,易发生“大而不倒”的情况,造成系统性银行的巨额隐性坏账。综上所述,系统重要性银行作为网络的枢纽节点,对银行多层网络的连通性有着至关紧要的作用。从上述角度论证了防范系统风险,需重点把控系统重要性银行的风险溢出路径。

图10 多层网络间异质性

图11 多层网络间相似性

(四)银行业网络结构对系统性风险影响实证检验

1.数据说明与检验

季频ΔCoVaR为对日频ΔCoVaR按季度取均值。ΔCoVaR测算中所用数据的测算来源于国泰安数据库、中国外汇交易中心暨全国银行间同业拆借中心与中国债券信息网等;解释变量均源于国泰安数据库;控制变量除非利息收入、不良贷款率来源于Wind数据库与国泰安数据库。数据描述性统计与平稳性检验如表1所示。表1表明,除了公司年龄与规模为一阶单整变量外,其他变量均为平稳变量。

表1 描述性统计表

2.基准回归结果

(1)基于单层网络的系统性风险分析

表2列(1)～(4)分别检验了银行共同股东网络、共同贷款网络以及持股地产企业网络对系统性风险的溢出效应。

表2 单层网络回归结果表

由表2列(1)可知,银行共同股东层网络度中心性的系数为0.097 2,在1%置信水平上显著为正。说明银行股东通过交叉持股带来资源与信息便利的同时,也扩大了金融风险的传染。若持股的银行受到极端尾部风险事件冲击时,该银行的风险会通过共同持股关联路径迅速扩散外溢。直觉上共同股东网络越接近中心位置,对银行系统的风险溢出能力越强。

由表2列(2)和(3)可看出,当模型设定为线性函数时,银行在共同贷款网络中的度中心性对系统性风险并无显著影响,在加入中心性的二次项后,参数显著为正,表明系统性风险与共同贷款网络度中心性呈正U型关系。可能的解释在于,当银行度中心性较低时,随着银行与其他银行共同贷款客户数量的上升,即银行在共同贷款网络中的度中心性的上升,银行业网络连通性趋于上升,但度中心性上升带来的风险暴露相对较小,某一银行受到冲击时,这种冲击被连接较为紧密的若干银行吸收,从而能够通过银行业网络有效分散,从而降低银行系统性风险。然而,随着共同贷款客户数量进一步上升,银行在网络中的度中心性上升,网络连通性进一步上升,所有银行的风险暴露快速上升,此时某一银行受到冲击后,冲击不能由少数银行吸收或分散,而是迅速传染至整个网络,导致系统性风险上升。基于以上分析,共同贷款网络中心性与系统性风险呈U型关系。

通过表2列(4)可知,银行持股房地产网络的度中心性系数为0.088 9,在1%置信水平上显著为正。这与预期一致。银行持股房地产企业增强了银行业绩对于房地产企业的敏感性,房地产企业破产将对持股银行形成直接威胁,形成银行向所持股房企的被迫授信与持续授信,从而进一步增强了银行的风险暴露。一旦地产泡沫破灭,风险会迅速蔓延至整个银行系统。

(2)基于多层网络的系统性风险分析

多层网络基准回归结果如表3所示。表3的列(1)～(5)以多重网络综合度中心性为解释变量,列(6)与列(7)则以各层网络度中心性的第一主成分为解释变量。具体地,列(1)展示了基准普通最小二乘法(OLS)回归模型结果;列(2)与列(3)为基于固定效应与随机效应模型的基准回归结果;列(4)和(5)为采用全面FGLS进行的基准回归,两者区别在于列(4)默认每个银行截面的自回归系数均相等,而列(5)设定为每个银行截面的自回归系数均异质。

表3 多层网络基准回归结果表

由表3列(1)可知,基准模型经过OLS回归后,综合中心性的系数在10%显著性水平上显著为正。列(2)与列(3)给出了固定效应模型与随机效应模型估计结果;在两种模型设定形式下,银行多层网络综合中心性与系统性风险均在5%显著性水平上显著为正,即银行多重网络综合中心性的上升会增加系统性风险。由列(4)和列(5)可知,基于全面FGLS的估计结果表明在假设截面相关性相等与不相等两种情况下,多层网络度中心性对系统性风险溢出的回归结果分别为0.251与0.254,在1%置信水平上显著为正,且系数大小相较于单层网络有一定的提升,与李守伟等的研究基本一致[4]。可能的解释在于,多层网络中的银行与其他银行间的关联性是多维的、多属性的,信息传递途径更多更复杂,这无疑增加了各银行之间决策与经营的一致性,面对外部冲击采取一致性行动的可能性上升,系统性风险传染显著提升。

由表3列(6)和(7)可知,基于主成分分析法进行中心性的降维,银行多层网络复合中心性始终显著正向影响系统性风险。总的来说,多层网络模型解释变量系数的大小与显著性水平相较于单层网络均有一定程度的提升,表明只考虑单层网络建模回归会导致信息损漏,不足以表征多层次、广联系的银行复杂系统。多层网络能更好地表征和解释系统性风险的传染,进而能合理刻画与识别系统性风险溢出。此外,相比于已有文献,本文并未基于股价数据构建网络,避免陷入以“股价波动”解释“股价波动”的困境;模型设定较为丰富全面,各网络属性较为清晰,存在明确的经济含义,便于提出具有操作意义的政策建议。

3.内生性检验

本文可能存在的内生性问题主要包括两个方面:第一,样本选择偏差问题。选取了16家上市商业银行,未上市银行或上市较晚的银行未纳入多层网络中,但这些银行对系统性风险也可能存在显著影响,造成样本选择偏差问题;第二,双向因果问题。银行在网络中的度中心性提高可显著增加对系统的风险溢出,相反,系统性风险较高的银行势必受到监管部门的强管控,银行业务会受到限制(如系统重要性银行被要求提高资本充足率,或受到更严格的房地产贷款集中度限制等等),银行在共同股东网络、共同贷款网络或共同持股房地产网络中的位置会发生变化,从而影响了网络度中心性。

针对样本选择偏差问题,采用Heckman二阶段模型进行修正。在选择方程中,采用资产规模(Dsize)、年龄(Age)、资产负债率(Lev)、前十大股东股权占比(TOP10)以及不良资产率(Bad)作为影响银行节点是否处于多层网络中的决定变量,具体如式(12)。其中Select为银行是否处于多层网络中的虚拟变量,是为1,否则为0,其他变量含义均与上文保持一致。通过该模型计算出逆米尔斯比率(λ)并作为控制变量带入到结果方程中,具体见式(13)。回归结果见表4中列(1)和(2),可知λ在1%水平上显著,说明存在样本选择偏差问题。经过Heckman模型修正后的变量系数方向均与原模型保持一致,结果未发生改变,即银行多层网络会显著正向影响系统性风险溢出。

Selecti,t=α0+β1Dsizei,t+β2Agei,t+β3Levi,t+β4TOP10i,t+β5Badi,t+Banki+Quartert+εi,t

(12)

(13)

针对双向因果问题,采用代理变量两阶段回归法进行模型修正。对核心解释变量多层网络综合中心性Dmul进行回归预测,一阶段预测如式(14)所示;进一步对该模型提取残差,将残差作为内生变量多层网络综合中心性Dmul的工具变量进行二阶段回归。该方法实质是将核心解释变量受被解释变量影响的部分予以剔除与提纯,使用式(14)得到的残差作为主回归的工具变量。回归结果见表4中列(3)和(4),由列(3)可知,ΔCoVaR的参数在5%水平上显著为负,印证了系统性风险的提高会负向影响银行多层网络位置。在经过二阶段的工具变量法修正后,核心解释变量的方向与原有研究保持一致(列(4))。虽然变量系数发生变化但在可接受范围内,印证了结果的稳健性。

Dmuli,t=α0+β1ΔCoVaRi,t+β2Dsizei,t+β3Agei,t+β4Levi,t+β5TOP10i,t+β6Badi,t+Banki+Quartert+εi,t

(14)

4.稳健性检验

论文的稳健性主要分为以下几种:第一,考察系统重要性银行多层网络中心性与非系统重要性银行度中心性对系统性风险的影响;第二,探讨不同性质银行多层网络度中心性对系统性风险的影响;第三,新冠病毒感染疫情前后银行网络度中心性对系统性风险的影响。以上稳健性检验结果见表5。第四,用综合中介中心性与综合接近中心性替代综合程度中心性进行回归,中介中心性与接近中心性的定义如下:

表4 内生性修正结果

(15)

(16)

第五,调整样本期,将样本期从2010—2020年调整至2012—2020年进行回归;第六,采用DCC-GARCH模型重新测算ΔCoVaR,替代采用分位数模型测算的系统性风险进行回归;第七,将银行共同贷款网络替换对地产上市公司的贷款网络,试探究银行向地产企业的共同贷款网络对系统性风险的影响。以上稳健性检验结果见表6。

表5 稳健性分析(一)

由表5可知,无论是系统重要性银行还是非系统重要性性银行,无论是国有银行还是股价制银行或城市商业银行,无论是疫情前还是疫情后,银行业多层网络的综合度中心性均对银行系统性风险具有显著的正影响,即银行与其他银行关联程度的上升以及关联属性的增加很大程度上加剧了银行业的系统性风险,这与现有的“太连接而不能倒”的观点是一致的[9],再次印证了前文的结论。

表6 稳健性检验(二)

由表6可知,在将度中心性更换为中介中心性(列(1))、接近中心性(列(2))后,多重网络中心性对系统性风险的影响仍然在1%的显著性水平上显著。此外,在将基于分位数回归得到的ΔCoVaR替换为基于DCC-GARCH模型重新测算的ΔCoVaR(列(3))后,以及调整样本期(列(4))后,Dmul的参数仍然在1%显著性水平上显著。将共同贷款网络替换为面向房地产企业的共同贷款网络后,Dmul的参数仍然在1%显著性水平上显著。表明多层网络综合中心性对银行系统性风险具有显著正向影响,且结果具有较强的稳健性。

五、系统性风险的多重网络间传染渠道检验

前文已经证实,银行业系统性风险存在多层网络传染,那么,多重网络之间是什么关系?银行业系统性风险的传染是否存在跨网络立体式传染?前文分析表明,银行间的关联具有多重属性,不同属性的连通构成了不同层次的网络。银行间决策层网络关联程度的上升在带来资源、信息优势的同时,也通过同行效应(Peer Effect)提高了各银行间决策的一致性,进而提高了经营层网络的相似性,如共同贷款网络与共同持股层网络。直观上,决策层网络中银行节点互动频次的提升,银行之间互相模仿学习概率会提高,即提高银行间的决策一致性,可能导致银行间业务相似性显著提高,不利于银行分散风险。不理性的过度模仿与趋同行为不仅会增加银行业务脆弱性,也会增强银行系统对极端风险的传染。综合来看,银行系统可能存在因决策层网络的一致性促进经营层网络的相似性这一影响渠道,进而增强对系统性风险的溢出或传染。因此无论是基于共同贷款业务形成的网络还是通过共同持股房地产形成的网络,银行在这些网络中的度中心性的提高均意味着银行业经营相似性的上升以及共同风险暴露或敞口的上升,这在提高各银行系统性风险的同时,无疑增加了风险传染的渠道。

基于以上分析,为厘清银行系统性风险在多层网络间的传染路径,将银行多层网络分为决策层网络与经营层网络,检验是否存在银行决策层网络影响银行经营层网络这一作用渠道,若上述渠道成立,则表明存在跨网络立体式传染。基于以上研究目的,参考江艇的研究(4)江艇认为现有研究对因果推断中的中介效应检验确存在滥用与误用的情况[25]。鉴于现有学界关于中介效应模型内生性问题的争议,论文仅检验是否存在决策层网络影响经营层网络这一作用渠道,并未对中介效应进行深入探讨。,设定如下传染渠道检验模型[25]:

(17)

(18)

渠道检验结果见表7。由表7估计结果可知,所有方程的参数估计值均在1%显著性水平上显著。观察列(1)及列(2)中C_Holder的参数估计值发现,共同股东网络度中心性对共同贷款层网络与共同持股房地产网络的度中心性均具有显著性影响,分别为0.075 8及0.151 8。据此得出以下结论:存在共同股东网络影响共同贷款网络与共同持股房地产网络的作用渠道,系统性风险存在跨网立体式传染。可能的解释在于,银行尤其是系统重要性银行在决策层网络中的行动会迅速传递至其他银行,使得各银行在经营过程中的一致性显著上升,具体表现为银行信贷业务的相似性与股权投资业务的相似性。银行同质性经营不断趋强,银行系统性风险不断上升,使得银行在所遭受的极端尾部事件冲击超出自身抗险能力时,极端风险事件将通过多种渠道、多层网络蔓延,演化为系统性风险。在多层网络中,银行越接近网络中心位置,极端风险的扩散与覆盖范围越广泛,风险的“回荡效果”越明显,整个金融系统的稳定性面临重大考验。

此外,基于各层网络的程度中心性构建面板向量自回归模型(PVAR),进行脉冲响应(IRF)分析,以更加直观地刻画出各单层网络间程度中心性的动态交互趋势。估计4阶面板向量自回归模型(5)基于AIC、BIC和HQIC最优化准则采用4阶滞后。,经500次蒙特卡洛(Monte-Carlo)模拟,滞后时区间选择0～8期,得到的各变量间脉冲响应如图12所示。其中横轴为滞后期数,纵轴为脉冲响应大小。

图12 各层网络中心性脉冲响应

图12中,子图(a)至(c)分别展示了股东网络中心性对自身、贷款网络中心性以及持股地产网络中心性的脉冲响应关系,结果表明:共同股东网络中心性对共同贷款网络中心性以及共同持股房地产网络中心性均有着显著的正向影响,印证了决策层股东网络中心性提高会显著促进经营层持股地产网络中心性上升,进而诱发系统性风险的跨网络传染;子图(d)至(f)展示了贷款网络中心性对股东网络中心性、自身以及持股地产网络中心性的脉冲响应关系,结果表明:共同贷款网络中心性对房地产网络中心性的变化存在显著的正向传染效应,并于第2期达到峰值,随后趋向平稳;贷款网络中心性对股东网络中心性存在正向的影响路径,但从置信区间来看,只有第3期冲击显著;子图(g)至(i)展示了地产网络中心性对股东网络中心性、贷款网络中心性以及自身的脉冲响应关系,结果表明:房地产网络对贷款网络存在显著的正向传染效应,但在第4期后置信区间包括0,说明房地产网络对贷款网络之间的传染效应为短期效应。以上分析再次提供了银行业系统性风险跨网络传染的证据。

六、结论与政策建议

刻画并捕捉银行间多层、复杂网络对厘清系统性风险作用机理与传染路径具有重要意义。论文利用中国16家上市商业银行2010年第三季度至2020年第四季度数据,构建动态决策层网络(基于共同股东形成的共同股东网络)与动态经营层网络(基于共同贷款形成的债权网络与基于共同持股房地产公司形成的股权网络),在多层网络特征及系统性风险的基础上,实证检验了银行系统性风险传染的多层复杂网络特征及作用机制。结果表明:银行多层网络中心性与系统性风险显著正相关,相较于单层网络,多层网络结构能够捕捉更多的系统性风险信息,对系统性风险有更强的解释力;银行系统性风险传染具有显著的网络间传染与网络内传染的立体式传染特征,为系统性风险防范提出新思路;在银行业多层网络间,存在决策层网络至经营层的风险传染渠道,系统性风险呈现跨网络立体式传染特征。

针对上述结论提出如下政策建议:第一,重视银行尤其是系统重要性银行多层网络的复杂性与多重性特征。金融风险爆发时不仅通过单层网络传播,而是通过多层网络立体式传染,银行机构应建立起以多层网络为基础的风险预警和识别机制,防范金融系统性风险跨层次的传染;第二,完善和强化商业银行尤其是系统重要性银行内外部治理。严格管控银行间的共同股东,尤其是共同大股东数量与特征,通过加强银行大股东资格审查、限制银行间共同大股东数量等措施增强银行间的决策独立性,减少对银行系统的风险溢出路径;第三,高度重视银行业共同贷款网络与共同股权网络的动态监管,强化银行业差异化竞争对策,抑制同质性竞争,规范银行对实体经济的股权投资,加强对产融结合的监管;第四,加强对共同贷款企业尤其是行业龙头企业、产业链核心企业的监管、财务预警与信用评级的披露,重视贷款客户集中度管理,提高企业尤其是上市公司(行业龙头企业、产业链核心企业)信用评级质量,降低共同贷款企业的信用风险;第五,进一步加强和完善银行业对地产行业贷款集中度管理制度的建设,通过市场化手段优化银行业对房地产业的持股,在盈利性与资产安全性间寻求更大平稳;第六,稳步实现银行业资产在传统产业资产(两高行业)与绿色产业资产间的动态均衡,大力发展绿色金融,保证金融资产的安全性,将企业是否进行ESG投资以及ESG报告质量纳入授信根据,降低由于共同贷款企业及所持股企业的特质风险在网络中的传染;第七,在现有限制单家银行对地产企业的贷款集中度的基础上,应进一步限制多家银行对同家地产企业的贷款数量以及向同一家地产企业贷款的银行数量,设立地产企业贷款银行数量上限,有效降低风险传播路径,维持银行业、房地产业的健康稳定发展;第八,尝试建立系统重要性非金融公司动态评价、监督、预警机制,在防止金融波动与系统性风险影响实体经济的同时,高度重视实体经济波动通过共同股东网络、共同贷款网络等向金融系统的传递。