非利息收入对商业银行系统性风险的影响研究——基于风险分解视角

陈　潇　宋加山

非利息收入对商业银行系统性风险的影响研究——基于风险分解视角

陈潇宋加山

（西南科技大学经济管理学院四川绵阳621010）

本文使用ΔCoVaR度量商业银行系统性风险，将其分解为尾部风险（alpha）、基本宏观经济和金融因素（beta）和银行间关联性（gamma），进一步研究非利息收入对beta的影响。结果显示：目前非利息收入业务规模较小，适当扩展其规模有利于降低商业银行系统性风险，但会增加基本宏观经济和金融因素风险敞口；此外，手续费及佣金对商业银行ΔCoVaR影响显著。基于此，本文从银行非利息收入规模、业务结构平衡、行业个体差异等方面提出对策建议。

非利息收入；系统性风险；ΔCoVaR

2008年，全球金融危机让世界经济遭受沉重打击，也给我国金融体系建设及风险防范工作敲响了一记警钟。十八大以来，防范化解重大金融风险得到政府、企业、金融机构等社会主体的更多关注，被放到了越来越重要的地位。“十四五”规划指出，要妥善处理好金融发展、金融稳定和金融安全的关系，防范化解系统性风险。

在金融危机爆发之前，银行就已经开始从中间代理业务中盈利，收入类型包括汇兑收益、资产证券化、咨询费、佣金服务费等。随着金融改革深化和现代信息技术发展，银行传统业务盈利能力遭到巨大冲击，商业银行开始大力发展咨询、代理产品、汇兑业务等非利息收入业务，综合化经营程度愈来愈高。紧扣“十四五”规划精神，实现商业银行高质量发展，《2021年度经济金融展望报告》指出银行业将持续加大综合化经营力度。可以看出，非利息业务也是未来银行重点发展的方向之一。

目前，已有学者对银行系统性风险进行整体测度，分析其与非息收入之间的关系，但尚未形成统一研究结论。在我国银行业转型发展背景下，多元化经营模式会对系统性风险产生怎样的影响？非息收入是否会加剧基本宏观经济和金融因素波动？这些问题仍然值得研究。

一、文献综述与理论分析

随着现代科技进步，银行各类创新业务层出不穷。中间代理业务能提高银行服务能力，有助于提高盈利水平，扩大经营规模。随着中间业务范围的扩展，业务类型变得更加多元化，非利息收入对商业银行的影响也与日俱增。因此，非利息收入也逐渐成为国内外学者的研究热点。

然而，关于非利息收入与系统性风险的关系至今尚未形成统一定论。一方面，根据马科维茨资产组合理论，非利息业务不依赖利率波动，商业银行可以通过发展非利息业务，建立利率与非利率资产组合，降低风险；根据范围经济理论，非利息业务覆盖范围广，商业银行可以在扩展非利息业务提供多元化的金融产品和服务的同时降低业务平均成本，因此部分学者认为非利息收入可以提升经营效益，增强商业银行经营能力从而提高风险应对能力[1]。另一方面，也有学者认为非利息收入来源于政治、经济、社会环境等宏观因素，其波及范围广，传播速度快，且银行间非利息业务也有一定同质性，会增加银行共同风险敞口，从而加剧银行系统性风险[2]。还有学者认为非利息收入对银行的影响与收入结构、银行类型有关，且这种影响是非线性的[3]。

在系统性风险衡量方面，学者们主要使用的方法有CoVaR模型、MES模型等。其中，CoVaR模型的估计方法主要包括分位数回归[4]、DCC- GARCH[5]、Copula[6]等；MES模型主要使用边际期望损失和杠杆率进行计量[7]，后衍生出DMES、LRMES等模型。此外，学者们通过构建指标，对系统性风险进行进一步刻画[8]，但这些方法都仅将系统性风险看作一个整体指标，并未对其进行深入挖掘。因此，本文将立足风险分解视角进行研究。

尽管关于非利息收入和系统性风险研究已取得许多成果，但仍然存在不足：第一，由于银行样本数据限制，无法更深入分析非利息业务具体构成对系统性风险的影响；第二，分析不够深入。大部分研究仅对整体风险进行分析，没有对系统性风险进行更深入挖掘。因此，本文将银行系统性风险大致划分为尾部风险（alpha）、对宏观经济金融因素敏感度（beta）和银行间相互关联程度（gamma），探究非利息收入是否会对系统性风险及基本宏观经济和金融因素敞口产生影响。

二、研究设计

（一）系统性风险的测度

1.ΔCoVaR计算模型

并将alpha、beta和gamma解释如下：alpha表示银行i的尾部风险，与市场宏观状态变量Z独立；beta表示由宏观经济和金融风险因素驱动的风险，可以衡量商业银行对宏观经济因素的敏感程度；gamma衡量银行间相互联系程度。

2. 变量选取

（1）商业银行日度收益率及系统收益率

本文以上市商业银行在A股市场上每日收盘价为原始数据，计算出日度收益率，以单个银行市场价值为权重，运用加权法，计算得到银行业的系统收益率。

以个体商业银行市场价值为权重，进行加权计算得到银行系统收益率：

（2）状态变量

本文选取市场收益率、市场波动率、流动性、利率风险和期限结构作为状态变量。其中，市场收益率采用上证指数收盘价的对数收益率进行计算；市场波动率采用上证指数收盘价滚动标准差计算；流动性选择6月期SHIBOR与国债即期利率之差进行衡量；利率风险为1年期SHIBOR与国债即期利率之差；期限结构选用10年期国债与1年期国债即期利率之差。

3. 模型设定

为了检验非利息收入与系统性风险的关系，本文设定面板数据进行分析，具体模型如下：

其中，ΔCoVaR为核心被解释变量，非利息收入为核心解释变量，利息收入占比、总资产、杠杆率、市值账面比与流动性为控制变量。

（二）样本和数据

本文选取2010-2020年37家上市商业银行的股票价格、资产规模、收入结构、不良贷款率等数据进行分析，由于数据缺陷，剔除21家2011年之后上市的商业银行，最终选取16家上市商业银行作为样本进行分析。商业银行股票市场收盘价来自wind数据库，银行资产规模、收入结构、杠杆率等数据来源于各商业银行财务报告。

（三）样本的选取与定义

（1）非利息收入占比（NIR）。NIR可以反映银行业务结构。本文用非利息业务产生的利润与总资产之比计算NIR。根据商业银行利润表可以看出，手续费及佣金费是规模最大的非利息收入来源。因此，在实证分析中，本文进一步把NIR分为手续费及佣金收入（FNIR）、除该部分以外的其他非利息收入（ONIR）两部分。

（2）利息收入占比（IIR）。本文用利息收入与总资产之比计算IIR。该指标以利息收入规模大小来度量商业银行的多元化收入结构。

（3）总资产（TA）。总资产在一定程度上可以表示商业银行的规模大小。为保持数据平稳性，本文对商业银行资产总额进行取对数处理。

（4）杠杆率（Leverage）。杠杆率可以反映出商业银行的资产结构和经营风险。杠杆率越高说明银行负债率越高，可能面临更高的非流动风险，但也说明该银行有较强的偿债能力。

（5）市值账面比（Book-Market Ratio）。市值账面比可以反映出商业银行经营质量。如果一家银行的市值账面比越高，则说明其股票价值越高，经营质量越好。但是市值账面比越高，其股价被高估的可能性更大，会增加商业银行系统性风险[1]。

（6）流动性比率（Liquidity）。流动性可以反映商业银行在短期内应对债务等流动风险的能力。本文选择根据商业银行流动性较强的资产总和与总资产之比计算流动性比率。

（7）不良贷款率（BLR）。不良贷款率是银行重点管控的指标。不良贷款率越高，说明银行可能无法收回的贷款越多，将面临更高的违约风险[10]。

三、实证分析

（一）描述性统计分析

由表1可以看出，整个样本期间，ΔCoVaR均值为0.002，低于Brunnermeier[9]2020年研究得出的美国ΔCoVaR均值（0.008）。此外，ΔCoVaR在0.005之间波动，标准差为0.001，可以看出样本银行间系统性风险波动较大。就规模而言，我国银行业非利息业务规模较小，均值仅有0.006，但不同银行间非利息收入占比差距较大，NIR最小值仅0.003，最大值高达0.018；TA最小值为26.946，最大值为31.141，说明本文选取的样本银行规模存在一定差异，但整体相对稳定；从银行杠杆率来看，我国银行杠杆率整体处于较高水平，高杠杆率可能导致银行资不抵债，表明我国银行业日常经营都存在一定风险；BLR最大值为2.4，最小值为0.65，差异较大，表明各个银行经营模式存在不同。

表1 描述性统计分析

均值方差最小值最大值 ΔCoVaR0.0020.0010.0000.005 NIR0.0060.0030.0000.018 FNIR0.0040.0020.0000.012 ONIR0.0010.001-0.0020.011 IIR0.0240.0110.0080.055 TA29.3191.01926.94631.142 Leverage14.3911.80711.18519.437 Book-Market Ratio0.8760.2690.3431.804 Liquidity0.2380.1200.0520.512 BLR1.4140.3440.6502.4

（二）数据检验及模型确定

在使用面板模型进行回归分析之前，本文对所有变量进行平稳性检验，并选择回归模型。

1. 数据平稳性检验及协整检验

本文同时采用LLC检验、IPS检验、ADF检验和PP检验四种常用方式对相关变量进行平稳性检验，结果显示相关变量均不存在单位根，具有良好的平稳性，故可以使用面板模型进行分析。

2. 模型形式确定

常用面板模型主要分为固定效应模型和随机效应模型，为了确定采用哪种模型，本文通过Hausman检验对式（5）所列示模型进行判别，根据检验结果本文选择使用固定效应模型进行实证分析。

（三）非利息收入与系统性风险归回结果

本文首先使用面板固定效应模型进行面板回归分析，其中，ΔCoVaR为被解释变量，NIR为核心解释变量。根据表2所示结果可以看出，我国的商业银行NIR与ΔCoVaR显著负相关，即随着NIR增加，ΔCoVaR会减少。虽然非利息业务收入来源不稳定，容易受到市场众多因素影响产生剧烈波动，但是其盈利水平高，可以提高商业银行经营能力，有助于扩大商业银行规模。目前我国银行NIR水平较低，其规模扩张带来的收益大于风险。因此，NIR的增加有利于提高商业银行盈利水平，增强其风险抵御能力，从而起到分散系统性风险的作用。此外，TA、Liquidity与ΔCoVaR相关系数为负，说明目前商业银行可以通过扩大资产规模、增持流动性资产的方式抵御风险。市值账面比与ΔCoVaR相关系数为正值，查阅文献发现，高市值账面比意味着股价被高估的可能性也较高，商业银行市值受到许多因素影响，时刻处于变动之中，存在较大不确定性，致使系统性风险增加。

（四）非利息收入与beta回归结果

本文将系统性风险分解为尾部风险（alpha）、基本宏观经济和金融因素敞口（beta）和银行间关联度（gamma）三个部分。继续检验NIR与beta之间的关系，结果如表2所示（由于篇幅限制，文中仅列示核心解释变量结果）。研究发现，NIR与beta正相关，说明非利息收入增加会导致基本宏观经济和金融因素敞口。虽然非利息收入总体上与系统性风险负相关，但是由于非利息收入中包含的资产证券化、服务费及佣金等收入与宏观经济中众多因素联系紧密，因此会增加基本宏观经济和金融因素风险敞口。结合前文分析，NIR增加会减少商业银行ΔCoVaR，而ΔCoVaR由alpha、beta和gamma三部分构成，因此可以推断，商业银行NIR对alpha和gamma均有影响。

表2　非利息收入与银行系统性风险回归结果

ΔCoVaRbeta NIR-0.020**（-2.42）0.102**（2.55） IIR0.007***（3.39）0.001（0.11） TA-0.001*（-1.82）0.003**（2.03） Leverage-0.001**（-2.62）0.001**（2.45） Book-Market Ratio0.001***（4.49）-0.005***（-7.50） BLR0.000（0.57）0.000（1.85） Liquidity-0.001（-1.39）0.004**（1.85） 时间效应控制控制 个体效应控制控制 样本总量432432 0.2720.223

注：***、**、*分别表示在1%、5%、10%水平上显著

（五）稳健性检验

本文从两方面进行稳健性检验：一是改变NIR定义，检验重新定义下的NIR与ΔCoVaR的关系；二是通过加入NIR平方项，检验其与ΔCoVaR之间是否存在非线性关系。

1. 改变非利息收入占比定义

本文通过计算非利息收入与营业收入的比率，重新定义NIR。实证结果如表3所示（仅列示部分结果）。可以看出，NIR与ΔCoVaR依然显著负相关，与beta显著正相关，这与表2中得出的回归结果基本一致。

表3 改变非利息收入占比定义的稳健性检验

ΔCoVaRbeta NIR-0.001**（-2.16）0.004*（1.98） IIR0.001（1.62）0.028***（3.47） 0.2710.228

注：***、**、*分别表示在1%、5%、10%水平上显著

2. 非线性检验

如表4所示，本文通过加入NIR平方项来检验非利息收入与系统性风险间是否存在非线性关系。结果显示，NIR与ΔCoVaR显著负相关，而NIR平方项与ΔCoVaR显著正相关。随着中间业务规模快速扩大，商业银行从中获得的边际效益逐渐减少，风险却逐渐增大，当超过一定临界值时，其规模扩张带来的风险将超过收益。因此，非利息收入与系统性风险之间是一种非线性关系（仅列示部分结果）。

表4 非线性检验结果

ΔCoVaRbeta NIR-0.022**（-2.59）0.113**（2.57） NIR^20.830***（3.31）-4.452***（-4.60） IIR0.008***（3.96）-0.006（-0.54） R20.2790.238

注：***、**、*分别表示在1%、5%、10%水平上显著

（六）不同非利息收入对系统性风险的影响

1. 不同类型非利息收入与ΔCoVaR

如表5所示，FNIR与ΔCoVaR显著负相关，而ONIR与系统性风险没有明显相关性。具体进行分析可以发现，商业银行服务类业务与传统存贷业务具有较高关联性，较强的替代效应可能增加系统性风险[11]。此外，汇兑损益、公允价值变动损益等非利息收入具有来源不稳定、易波动的特点，加剧了系统性风险。在本文实证结果中，ONIR与ΔCoVaR之间并无明显关系，结合我国银行的实际情况分析，可能是由于其他非利息收入占比太小，业务种类较少，尚且无法对系统性风险产生显著影响。

表5 不同非利息收入类型与系统性风险的回归结果

ΔCoVaRbeta FNIR-0.043**（-2.56）0.164*（1.72） ONIR-0.007（-0.49）0.068（1.17） IIR0.009***（3.69）-0.006（-0.49） R20.2740.229

2. 不同类型非利息收入与beta的回归结果

同理，如表 5所示，FNIR与beta显著正相关；ONIR与beta不存在显著相关关系。说明手续费和佣金收入对商业银行系统性风险影响更显著；其他非利息收入对基本宏观经济和金融因素敞口没有显著影响。

结语

本文采用分位数回归方法分别计算了我国16家上市银行系统性风险贡献度ΔCoVaR，衡量商业银行系统性风险，并继续将系统性风险分解为尾部风险（alpha）、基本宏观经济和金融因素敞口（beta）和银行间关联性（gamma），进一步研究商业银行非利息收入对ΔCoVaR及beta的影响。研究结果表明：1.总体来说，目前我国商业银行所面临的系统性风险较低，但是国内不同银行在系统性风险贡献度、非利息收入规模、杠杆率等方面个体差异较大；2.目前我国商业银行的非利息收入业务规模相对较小。商业银行可以利用非利息业务，提高盈利能力，进而达到分散系统性风险的目的。但是随着商业银行中间业务规模的不断扩大，可能会出现非利息收入加剧系统性风险的情况；3.由于银行股票可能存在高估值现象，市值账面比提升可能会加大商业银行的经营风险和资产安全风险，从而导致银行系统性风险增加；总资产规模增加和流动性提高可以减少风险，目前商业银行可以通过扩大经营规模和增加流动性资产占比的方式分散系统性风险；4.基于分解视角进行研究，本文认为非利息收入与基本宏观经济和金融因素联系紧密，NIR提高会显著提高基本宏观经济和金融因素敞口。但是由于NIR增加显著减少了ΔCoVaR，因此可以推测，非利息收入对尾部风险、银行间关联度也会产生影响。5.通过对非利息收入进行分类研究发现，只有手续费和佣金收入会显著增加商业银行系统性风险，而其他非利息收入对系统性风险的影响较弱。

因此，本文提出以下启示：第一，重视商业银行业务和收入结构，非利息收入规模增长速度快，未来可能加剧银行系统性风险。第二，鉴于非利息业务规模增加会显著增加基本宏观经济和金融因素敞口，应该重视商业银行业务与基本宏观经济和金融因素之间的联系。第三，注重对商业银行中间代理业务与传统业务之间的平衡关系，缓解这类业务与传统业务之间的替代效应，推动商业银行维持好业务创新与风险控制的动态平衡。第四，虽然目前商业银行可以通过扩大经营规模的方式增强风险抵御能力，但是也要注意防范“大而不倒”问题。

[1] 张晓玫, 毛亚琪. 我国上市商业银行系统性风险与非利息收入研究——基于LRMES方法的创新探讨[J]. 国际金融研究, 2014(11): 23-35.

[2] BRUNNERMEIER M K, DONG G N, PALIA D. Banks’ Noninterest Income and Systemic Risk[J]. The Review of Corporate Finance Studies, 2020, 9(02): 229-255.

[3] 朱波, 杨文华, 邓叶峰. 非利息收入降低了银行的系统性风险吗?——基于规模异质的视角[J]. 国际金融研究, 2016(04): 62-73.

[4] TOBIAS A, BRUNNERMEIER M K. CoVaR[J]. The American Economic Review, 2016, 106(07): 1705.

[5] CHRISTIAN BROWNLEES, AND ROBERT F. ENGLE. SRISK: A Conditional Capital Shortfall Measure of Systemic Risk[J]. Review of Financial Studies, 2017, 30(01): 48-79.

[6] KARIMALIS E N, NOMIKOS N K. Measuring Systemic Risk in the European Banking Sector: A Copula CoVaR approach[J]. The European Journal of Finance, 2018, 24(11): 944-975.

[7] ACHARYA V.V., PEDERSEN L.H., PHILIPPON T. ET AL. Measuring Systemic Risk[J]. The Review of Financial Studies, 2016, 30(01): 2-47.

[8] 何青, 钱宗鑫, 刘伟. 中国系统性金融风险的度量——基于实体经济的视角[J]. 金融研究, 2018(04): 53-70.

[9] MARKUS K BRUNNERMEIER, GANG NATHAN DONG, DARIUS PALIA. The Review of Corporate Finance Studies, 2020, 9(02): 229–255.

[10] GREENWOOD R, LANDIER A, THESMAR D. VULNERABLE Banks[J]. Journal of Financial Economics, 2015(03): 471-485.

[11] YOUNG D, ROBERT, TORNA G. Non-traditional Banking Activities and Bank Failures during the Financial Crisis[J]. Journal of Financial Intermediation, 2013(03): 397-421.

A Study on the Impact of Non-interest Income on the Systemic Risk of Banks——Based on Risk Decomposition Perspective

CHEN Xiao, SONG Jiashan

（School of Economics and Management, Southwest University of Science and Technology, Mianyang 621010, Sichuan, China）

This paper uses ΔCoVaR to measure the systemic risk of commercial banks, decomposes it into tail risk (alpha), fundamental macroeconomic and financial factors (beta) and interbank correlation (gamma), and further investigates the impact of noninterest income on beta. The results show that the current scale of non-interest income business is small, and the appropriate expansion of its scale is conducive to reducing commercial banks’ systemic risk, but will increase the exposure to fundamental macroeconomic and financial factors; in addition, fees and commissions have a significant impact on commercial banks’ΔCoVaR. Based on this, this paper proposes countermeasures in terms of the scale of banks’ non-interest income, business structure balance, and individual industry differences.

non-interest income, systemic risk, ΔCoVaR

F832.33

A

1672-4860（2023）02-0034-06

2022-04-03

2022-07-06

陈潇（1996-），女，汉族，四川凉山人，硕士在读。研究方向：金融风险。

宋加山（1979-），男，汉族，四川内江人，教授，博士，硕士生导师。研究方向：金融科技、金融风险管理。

·感谢匿名审稿人对本文的建议，作者文责自负。