田静1张骏2
(1.南开大学经济学院财金所，天津300071；2.天津财经大学金融学院，天津300222)
【摘要】影子银行业务对商业银行经营及金融系统稳定具有重要的作用，强化影子银行监管已经成为 我国金融监管部门防范和化解金融风险的工作重点。有鉴于此，本文基于银行风险承担渠道视角，采用
时变参数向量自回归(SV-TVP-VAR)模型探究了影子银行业务与系统性金融风险之间的动态关联效应与作用机制。研究表明：银行开展影子业务虽然短期内可在一定程度上降低银行风险承担水平，但随着时间延长，银行风险承担水平转而升高；银行风险承担的上升可对系统性风险产生明显的推升作用，但随着时间的推移，这一作用有所减弱；影子银行业务对系统性风险的影响也呈现出随时间变化的
先进制造技术应用非线性特征，随着影子银行业务规模持续攀升、高风险属性逐渐暴露，其对系统性风险的影响由负向转为正向。本文研究丰富了影子银行风险溢出的研究结论，对我国影子银行监管及系统性风险防范具有一定政策启示。
【关键词】影子银行；银行风险承担；系统性风险;SV-TVP-VAR模型
【中图分类号】F832【文献标志码】A【文章编号］1003-0166(2021)03-0060-10
doi:10.3969/j.issn.1003-0166.2021.03.010
0引言
2008年国际金融危机爆发后，学术界对于“影子银行”问题的研究逐渐兴起，大量学者通过剖析金融危机深层根源发现，影子银行在贷款发放、资产证券化以及衍生品市场中发挥着不容忽视的作用，进而对国家金融安全与稳定产生了一定负面影响［日阱。中国的影子银行体系与美国不同，它来源于商业银行的监管套利，主要是银行以其他机构为通道的“类信贷”业务，更贴切说法为“银行的影子业务”™o中国式影子银行在最近10年来得到了飞速发展，特别是2010年以来在“监管套利”这一主要动机下，我国影子银行业务不仅绝对规模呈现快速上升趋势，而且在GDP中所占的比重也出现显著上升。根据穆迪公司发布的中国影子银行季度监测报告统计,2016年我国影子银行规模总量达64.5万亿，相当于我国GDP 总量的86.7%①，两项数据均达到历史峰值。
惠普收购康柏影子银行业务对商业银行经营及金融系统稳定来说是一把“双刃剑”：一方面，商业银行通过开展“类信贷”影子业务可以在一定程度上规避表内信贷业务监管指标的限制，从而最大化地将其自有资金投放出去，在提高自身经营效率的同时也为实体经济资金融通开辟了新的途径；另一方面，商业银行开展影子业务的主要动机实际上
收稿日期：2020-10-12
作者简介：田静南开大学经济学院财金研究所博士生，研究方向：风险管理、影子银行、宏观金融张骏天津财经大学金融学院研究生，研究方向：宏观金融、风险管理
为监管套利，这就决定了此类业务主要流向政策限制行业(譬如房地产和产能过剩行业)且缺乏政府的流动性支持。另外，影子业务中普遍存在期限错配和刚性兑付等典型特征，从这方面来看，影子银行业务无疑为银行部门乃至金融系统埋下了巨大隐患。影子银行体系中的风险与乱象也已引起监管当局的关注与担忧。2017年以来，在坚决打好防范化解金融风险攻坚战的政策指引下，降杠杆、去通道、强化影子银行监管成为我国金融监管的工作重点。
在我国以银行为主导的金融体系下，银行部门面临的风险压力无疑是系统性风险的重要诱因。影子业务的开展在对银行经营利润及实体经济资金融通产生积极作用的同时，也使银行部门的潜在风险不断累积。当银行部门受到实体经济下滑或监管政策收紧等不利冲击时，在杠杆机制及关联机制的共同作用下，前期累积的风险将逐渐释放，最终可能导致系统性风险的全面爆发⑷喚近年来，我国政府十分重视金融稳定工作，习近平总书记多次强调“金融活，经济活；金融稳，经济稳”，“防范化解金融风险特别是防止发生系统性金融风险，是金融工作的根本性任务”。在此背景下，考察影子银行业务与银行风险承担之间具有怎样的内在关联效应以及二者如何作用于我国金融系统稳定无论对我国金融体系监
管还是对系统性金融风险防范都至关重要。鉴于此，本文将影子银行业务、银行风险承担和系统性金融风险纳入统一分析框架，并运用时变参数向量自回归(SV-TVP-VAR)模型对变量之间的动态联动关系展开深入探究，以期为我国影子银行监管及系统性风险防范提供有益政策启示。 本文的主要结构安排如下：第一部分为文献综述；第二部分为研究设计；第三部分为实证结果与分析；第四部分为结论与政策建议。
1文献综述
2008年国际金融危机爆发后，影子银行的概念被提出，并迅速成为学术界和金融监管部门关注的重要理论和现实问题。已有不少学者就影子银行的业务职能、属性及体系构成展开了较为全面地探讨，具体体现在以下几个方面。第一，在业务职能方面，影子银行可以通过提供一部分不属于传统银行信贷体系的类似传统银行业务，代替传统银行的信用功能与中介功能，向金融机构与企业等提供金融服务从而获取收益，并发挥杠杆作用wo】；第二，在业务属性方面，影子银行业务具有深刻的“监管套利”属性，存在大量越权审批、违规担保等违规行为，信用风险与操作风险高企能呵；第三，在体系构成方面，与西方国家以非银行金融机构为主体的影子银行体系不同，我国影子银行主要由商业银行发行的理财产品组成。由于我国的资产证券化发展水平较低，发展速度缓慢，传统银行的表外业务是影子银行体系的核心主体，同时还包括商业银行利用其他金融机构提供的通道，与其他金融机构开展合作，以期最终实现信贷发放或者对其他领域投资的目标而进行的经营活动卩27。
国际金融危机的爆发暴露了影子银行对银行体系稳定性的巨大破坏力，已有不少研究认为影子银行的高风险属性威胁到了银行体系的稳定。Bakksimon et al.提出，影子银行资金的大量涌出容易导致银行“挤兑”行为的发生，从而增强了风险的传染性。中国影子银行呈现出典型的“银行中心”特征，使得影子银行风险溢出对商业银行影响的概率大大提高，并进一步威胁到金融稳定［珂。毛泽盛和万亚兰研究发现，影子银行规模与银行体系稳定性之间存在阈值效应，当影子银行规模低于阈值时，影子银行的发展有利于提高银行体系的稳定性，相反则降低银行体系的稳定性卩5］。李丛文和闫世军针对不同类型的商业银行展开研究，发现影子银行风险对股份制银行的影响程度最强，而对国有银行影响程度最小卩鲫。王擎和白雪则研究了区域性的影子银行并指出，区域各异的影子银行与银行体系的稳定性之间存在倒“U”型关系卩叫除此之外，也有部分学者认为影子银行业务自身所具备的高杠杆性，期限错配与监管不透明等特点会积聚风险，从而最终引发系统性金融风险邮5时19］。张宝林和潘焕学研究发现，影子银行业务的发展使得过多的资金流向了房地产行业，增大了房地产泡沫化程度最终导致了系统性金融风险的累积囱性随着影子银行参与信用中介和资本市场程度的加深，其给金融体系和实体经济造成的负面冲击后果也逐渐扩大㈤。除此之外，影子银行的快速发展对我国原有的金融体系进行了重塑，加速了金融结构“影子化”发展，增大了系统性风险发生的概率与金融体系的不稳定性固。
通过梳理前期文献可以看出，在影子银行风险效应方面，现有研究的关注点主要集中于影子银行业务对商业银行风险承担或系统性金融风险的影响，并未就影子银行风险溢出的作用机制和传导路径展开深入研究。虽 然已有部分学者从房地产价格角度探究了影子银行业务
作用于系统性风险的内在机理囱珂羽，但尚未有学者基于银行风险承担视角对这一问题展开研究。由于我国影子银行呈现出典型的“银行中心”特征，商业银行的表外业务构成了影子银行体系的核心主体，因此，银行部门在影子银行风险到系统性金融风险的传导过程中必然扮演着重要角。基于此，本文尝试将影子银行业务、银行风险承担与系统性金融风险置于统一分析框架，以探究影子银行风险对商业银行风险承担的溢出效应以及三者之间的联动强化机制；另外，已有文献关于影子银行风险效应的研究并未充分考虑到影响结果的时变性与非对称特征，导致得出的实证结论不能有效地捕捉到变量间关联效应的动态变化。虽有部分学者涉及到影响关系异质性的研究，但研究视角主要集中于“空间”维度，譬如商业银行类型差异卩鲫、区域差异卩皿，鲜有学者就“时间”维度异质性展开探究。因此，本文创新性地将我国发展历程中经济金融形势的动态变化纳入考量，采用可识别变量间时变关联效应的SV-TVP-VAR模型进行实证研究，以期得出更加丰富的实证结论。
2研究设计
2.1SV-TVP-VAR模型构建
向量自回归(VAR)模型自被提出以来广泛应用于宏观经济变量间联动关系问题的研究，但受限于固定系数假设，传统VAR模型对于经济结构发生突变时模型系数矩阵及协方差矩阵的估计不够准确，以致于不能很好地捕捉到目标变量间可能存在的随时间变化的非线性关系。Na^jinia提出了带有随机波动率
的时变参数向量自回归(SV-TVP-VAR)模型有效地解决了这一问题，该模型通过假定待估参数服从一阶随机游走过程，同时将波动率设定为随机波动率的形式，大大减少了由于波动率时变导致的模型估计偏误，提升了参数估计结果准确性［却。因此，本文将采用该模型进行实证分析。为推导SV-TVP-VAR模型，笔者首先引入一个传统的结构性向量自回归(SVAR)模型，其一般形式如下：
Ayt=”y—+...+F s y^+/x t?t=s+l,...,n(1)公式(1)中，％为由目标变量组成的P维可观察行向量,A，兀…忑均为kxk维系数矩阵。扰动项冷为41维的结构性冲击，假设口厂N(0,22)，其中,2为PxR维对角矩阵，具体形式为：
60L 0
0O O M
2=
M O O0
0L 0<r k
同时，为使模型参数更好被识别，借鉴Nakajima的方法，进一步指定同期关系系数矩阵A为下三角矩阵，即：
10 0
A=
^211••
•・•0
14cr1mora kl^k,k-l1
令人-迟匸12…,s，则公式(1)的SVAR一般形式可改写为以下精简形式：
%=9畑+…+B s y^+A_1S8t，研(0，人)(2)
进一步地，将所有B的行向量进行堆叠，形成新的Psxl维矩阵0，同时定义X尸/©(%_(,...”,)，此时公式(2)可继续缩减为：
y^X t p+AT^s t,t=s+(3)
公式(3)即为SVAR的一般缩减形式，其参数是不可变的，若解除固定参数的限制，则可将模型扩展为时变参数形式：
汁人厂2册尸s+1,…卫(4)此时，公式(4)中仅、均已转化为时变参数。进一步描述时变参数的变动过程，令(如他1，他2,…,％—1)'表示下三角矩阵A t的非0和非1元素按行堆叠形成的向量；令h t=(h lt，其中logout,德国哈芬
s+l,...,n o最后，令待估参数服从一阶随机游走过程，即什产0汁岭、a汁Rat、h讯=h汁口应。
其中血〜N0,
Rat
内幕000
爲00
04o
00爼
0s+i~N(r型,2他)；Q s+i~N(r血,Xc);hs+i〜N®卧2小。至此，我们完成了对SV-TVP-VAR模型的推导。
随机波动的引入使得模型估计变得更加困难，继续采用传统估计方法容易导致参数估计误差过大，为
此，我 们借鉴Nabjima的做法，运用马尔可夫链蒙特卡洛(MCMC)方法对模型进行贝叶斯估计。
2.2变量选取及数据处理
本文的主要研究目标是探讨影子银行业务、银行风险承担以及系统性金融风险之间的动态关联效应与作用
机制。需要特别指出的是，由于目标变量可能存在多个概念口径，本文研究的影子银行和银行风险承担分别选用银行的影子业务和银行破产风险(破产概率)这一口径，下面对变量选取做出具体说明。
影子银行代理变量：与美国以非银行金融机构为主导的影子银行体系不同，我国的影子银行体系是由商业银行主导的，其具体形式主要表现为银行以其他机构为通道的“类信贷”业务。学术界关于我国影子银行的相关研究也大都基于“银行的影子业务”这一维度展开⑸56娜。因此，本文将研究对象聚焦于我国商业银行的影子银行业务。在其代理变量的选取上，考虑到数据的可得性问题，同时借鉴王振和曾辉閃、方先明等固的做法，我们通过银行委托贷款、信托贷款以及未贴现银行承兑汇票之和来近似度量我国影子银行业务规模，记为SB，数据来源于EPS全球统计数据分析平台。
银行风险承担代理变量：关于银行风险承担代理变量，目前采用较多的主要有风险加权资产比率、不良贷款率和Z评分(Z-score)等，本文以Z评分(记为ZSCORE)作为银行风险承担的代理变量，理由如下：
风险加权资产比率主要用于度量银行的主动风险承担水平，可以体现出银行投资高风险资产的意愿，而非银行破产风险的变化；不良贷款率主要用于度量银行的被动风险承担水平，这一比率的变化表示银行已发放贷款违约情况的变动，可见其也不能直接反映银行破产概率的大小；Z评分的含义更加符合本文关注的银行风险承担概念口径，其作为衡量银行总体风险的变量，常被用来测度银行破产风险或破产概率。在Z评分计算方面，参考徐明东和陈学彬何的做法，将银行风险的Z评分定义为如下形式：乙尸R就洸汇，其中ROA,t为银行i在r时期的资产回报率,6(ROAJ为银行i资产回报率的标准差，CAR1>t为银行i在t时期的资本资产比率(股东权益/总资产)。由于该指标计算过程中涉及到的变量均为银行个体层面的数据，计算得出的Z评分也仅为单一银行指标值，而本文的研究视角是基于整个银行行业，故我们参考方意和陈敏閱的处理方法，以我国上市时间较早的商业银行为样本近似反映整个银行行业的相关特征，即对各样本银行Z评分求算术平均值以反映该指标在银行业的整体水平。样本银行共包含14家上市商业银行②(由于中国农业银行和光大银行2010年之后才完成上市，数据缺失比较严重，故本文将其剔除)，这14家上市商业银行的资产规模总和占全国商业银行总资产的份额长期保持在50%以上的较高水平，故可以较好地代表我国银行行业的整体情况。考虑到大部分商业银行2006年之后完成上市，且我们能够获取的最高频率数据为银行季度报表数据，本文将样本区间设定为2006年1季度一2019年4季度。指标计算涉及的变量数据均来源于同花顺iFinD 数据库。
系统性金融风险代理变量：本文参考Brownlees and Engle旳、梁琪等㈤前期研究成果，选择系统性风
险指数一SRISK作为系统性金融风险的代理变量,SRISK方法通过测算金融机构在系统性金融危机发生时的预期资本缺口来反映系统性风险的大小，其使用金融机构规模、杠杆率等公开市场数据，同时将市场关联性这一关键因素纳入分析框架，从而使得客观性及适用性较强。系统性风险指数(SRISK)方法的计算公式为:SRISK^maxtOjkDebti,-(1~k)(1-LRMESJ XEquityJ，其中Deb^和Equity,t分别为第i个金融机构在第r个样本时点的债务面值和股票市值北为第i个金融机构的审慎权益资产比率(资本充足率),LRMESi,t是第i个金融机构在第r个样本时点的长期边际期望损失。SRISK数据来源于纽约大学斯特恩商学院波动实验室(V-Lab)③，本文通过将样本银行的SRISK值进行加总得到系统性金融风险总量数据，并通过求均值的方式将月度数据转换为季度数据。
在数据处理方面，本文首先对影子银行业务规模数据和系统性金融风险总量数据进行了消涨处理。然后，为消除季节因素对模型估计结果的干扰，我们采用Census X-12方法对各变量进行了季节调整。最后，由于系统性金融风险总量数据在样本期内具有典型“存量”特征，为
表1变量平稳性检验
变量名T统计量P值结论SB-1.94920.0498平稳ZSCORE-4.24370.0014平稳SRISK-2.90110.0045平稳
将其转化为“流量”概念，本文首先对原始数据加1，然后
进行对数差分处理，得到系统性金融风险月度变化率，这 也显著提升了指标序列的平稳性。
3实证结果与分析3.1平稳性检验
为避免时间序列数据不平稳带来的伪回归问题，在
进行实证分析之前，我们对各目标变量序列数据进行了
ADF 单位根检验。如表1所示，各变量序列在5%的显著
性水平均平稳。
3.2 MCMC 估计结果
由于SV-TVP -VAR 模型中的矩阵A 为下三角矩
阵，本文首先根据各变量的外生性程度将变量顺序设定
微旋风
为SB 、ZSCORE 、SRISK，同时参考Nakajima 赋初值的方
法，指定U M = U ht =0 ； Spo=SaO =^hO=I，进一步假定(务尸〜
Gamma (40,0.02) A (S M ) _2~Gamma (4,0.02)、一?〜
Gamma(4,0.02)o 基于上述设定，为计算参数的后验分布,
我们利用MCMC 方法进行1万次抽样，其中前1 000次 作为预烧值被舍弃。另外，关于模型最优滞后阶数的选
择，本文参考边际似然函数④将其设定为滞后1期。最终
我们得到SV-TVP-VAR 模型参数的估计结果(如表2 和图1所示)。
表2给出了待估参数后验分布的均值、标准差、95%
的置信区间.Geweke 收敛诊断值以及无效因子。其中，各 参数的Geweke 诊断值均未超过临界值1.96，表明在5%
的显著性水平，我们不能拒绝MCMC 模拟收敛于后验
表2 MCMC 参数估计结果
参数
后验均值标准差
95%下置信区间95%上置信区间
Geweke 值
无效因子
sbl 0.028 80.006 00.019 90.042 80.216
9.00
sb20.027 10.005 20.019 10.039 2
0.0559.85sal 0.048 40.010 1
0.032 80.071 90.12017.39sa2
0.073 70.028 10.039 90.144 80.87017.84
shl 0.132 30.071 20.051 4
0.323 9
0.08039.01sh20.637 1
0.401 9
0.176 8 1.669 5
0.155
168.96
] Sbl
0 0 150 300 450 0 150 300 450
S h2
0 150 300 450 0 150 300 4500 5000 10000
0 5000 10000 0 5000 100000.0250 0.50 0.075 0.0250 0.50 0.0750 5000 10000 0 5000 100000 5000 100000.0250 0.50 0.0750.0250 0.50 0.075 0.0250 0.50 0.0750.0250 0.50 0.075
图1 参数估计结果图
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议