基于CoVaR的保險機構系統(tǒng)性風險研究

中央財經大學保險學院

基于CoVaR的保險機構系統(tǒng)性風險研究

鄭夢靈 王麗珍中央財經大學保險學院

本文選取了我國上市保險公司2008—2015年度股票市場周數(shù)據(jù)，基于修正后的CoVaR模型和分位數(shù)回歸方法度量保險機構的系統(tǒng)性風險溢出效應，并進一步建立系統(tǒng)性風險預測模型。實證研究發(fā)現(xiàn)，中國平安的系統(tǒng)性風險最大，中國太保次之，中國人壽最?。?家公司系統(tǒng)性風險溢出值的變動趨勢非常相似，在2008年金融危機和2015年中國股市波動兩個時間段達到最高值；以VaR為基礎的微觀審慎監(jiān)管規(guī)則并不足以準確防范保險機構的系統(tǒng)性風險。預測模型表明，保險公司的自身風險VaR、杠桿率、規(guī)模、保費收入增長率、股價波動率等指標對系統(tǒng)性風險的預測具有顯著影響。從逆周期宏觀審慎監(jiān)管角度對保險機構系統(tǒng)性風險的監(jiān)管工作提出政策建議。

隨著金融全球化進程的加快和市場開放度的提高，單一金融機構的風險能夠通過開放市場的風險波動傳導機制產生（負）風險溢出，引發(fā)系統(tǒng)性風險和金融危機，對整個金融市場造成極大的破壞。2013年7月，中國平安入選首批9家全球系統(tǒng)重要性保險機構（G-SII），一度提高了人們對保險業(yè)系統(tǒng)性風險的關注度。2016年4月，保監(jiān)會啟動國內系統(tǒng)重要性保險機構監(jiān)管制度建設，致力于提升公司的風險管理水平和危機處理能力。因此，準確度量并理性防范保險機構的系統(tǒng)性風險，實施更加有效的監(jiān)管政策，強化對“大而不能倒”公司的監(jiān)管舉措，避免個體保險公司的自身風險造成整個行業(yè)系統(tǒng)的崩潰，對于經濟的穩(wěn)步向前發(fā)展顯得尤為重要。

然而，傳統(tǒng)的風險計量辦法如VaR（Value at Risk）測量的僅是金融機構自身的風險，對于有效估計金融機構系統(tǒng)性風險存在局限性。Adrian和Brunnermeier(2008)首次建立了CoVaR模型，用CoVaR相對于VaR的變化量來表示金融機構對系統(tǒng)的風險溢出，為度量金融機構的系統(tǒng)性風險提供了解決思路。之后，Adrian和Brunnermeier(2011)的工作報告中又引入一系列滯后狀態(tài)變量改進了模型。鑒于國內缺乏對我國保險機構系統(tǒng)性風險計量手段方面的研究，本文決定在改進的CoVaR模型的基礎上測度我國保險公司的系統(tǒng)性風險，并進一步對保險公司未來的系統(tǒng)性風險的預測做出嘗試。

一、文獻綜述

在國外的研究中，除了CoVaR模型，還采用了其他多種研究方法對金融市場銀行、證券、保險進行系統(tǒng)性風險的測度。Tarashev，et al.（2010）提出了系統(tǒng)性風險的夏普利值法，相較于CoVaR模型，該方法下整個體系的風險可以由單個金融機構的系統(tǒng)性風險加總得到。Benoit，et al.(2012)基于美國金融機構的數(shù)據(jù)研究了MES和ES、CoVaR和VaR、ES和CoVaR之間的理論關系，來比較MES和CoVaR兩種方法。Talasli(2013)運用系統(tǒng)預期損失(SES)方法選取2000—2011年銀行業(yè)危機和2007—2009年全球金融危機期間的土耳其金融機構股票市場收益率和資產負債表數(shù)據(jù)度量了金融機構的系統(tǒng)性風險，以此驗證Acharya，et al.(2010)提出的SES方法的有效性，結果表明SES在跟蹤金融股票的潛在風險方面是一個強大的工具。Cummins和Weis(2014)使用指標法，基于保險機構的財務分析、保險業(yè)在經濟中的角色與地位、保險公司之間的相關性等影響系統(tǒng)性風險的主要指標度量美國保險市場引發(fā)系統(tǒng)性風險的可能性。Chen Hua，et al.(2014)利用信用違約掉期利差和股票數(shù)據(jù)度量保險業(yè)的系統(tǒng)性風險，運用壓力測試和格蘭杰因果關系檢驗分析了銀行和保險公司之間的風險關聯(lián)性。Drakos和Kouretas(2015)基于CoVaR模型，結合重要性測試和優(yōu)勢測試，對美國國內和國外金融機構的系統(tǒng)性風險相對貢獻度提供一個正式的比較。Kanno和Masayasu (2016)使用網絡分析法，通過再保險和違約風險的傳遞效應，度量了全球財產保險公司的系統(tǒng)性風險。Jacob和Fernando(2016)利用Copula模型度量了2005—2014年歐洲銀行的系統(tǒng)性風險貢獻度和基于CDS利差的系統(tǒng)性風險敏感度，分析歐洲銀行的系統(tǒng)性風險和傳染的驅動因素。

在國內的研究中，大部分對于系統(tǒng)性風險的研究集中在銀行業(yè)，如高國華和潘英麗（2011）基于GARCH模型的CoVaR方法應用股票測度了我國14家上市銀行的風險溢出情況。周天蕓等人（2012）運用分位數(shù)回歸模型和條件風險價值CoVaR模型研究了中資、港資和外資銀行受到外部沖擊后系統(tǒng)脆弱性的內生性及傳染機理。李志輝等（2011）、陸靜等（2014）和白雪梅等（2014）使用CoVaR和分位數(shù)回歸方法分別衡量了我國商業(yè)銀行和金融機構的風險溢價。之后，關于債券、股票等證券市場的系統(tǒng)性風險的研究也逐漸興起，如謝福座（2009）通過CoVaR檢測法對我國債券和股票市場的系統(tǒng)性風險進行了測量。王永巧和胡浩(2012)針對股票市場，基于Couple的ΔCoVaR方法度量了危急時刻中國內地和美國、中國香港間的極端風險溢出情況。近年來，才出現(xiàn)對保險業(yè)系統(tǒng)性風險的相關研究。林鴻燦等（2012）運用AR-GARCH-CoVaR模型度量了保險機構的系統(tǒng)性風險貢獻度。趙桂芹等（2012）從宏觀和微觀兩個層面分析了保險業(yè)的系統(tǒng)性風險和主要業(yè)務活動的關聯(lián)性。謝遠濤等（2014）從尾部依賴性切入，通過構造SV-t模型和厚尾的SV-GED模型，結合AIC準則和Hit檢驗法篩選出的Copula模型分析保險業(yè)的系統(tǒng)性風險。郭金龍等（2014）對保險業(yè)系統(tǒng)性風險的來源、識別、計量和評估等方面展開詳細的綜述。王麗珍(2015)基于矩陣法研究了我國不同市場結構下再保險業(yè)務的傳染效應。中國人壽保險（集團）公司財務課題組（2015）運用MES、SES和Garch模型計量了我國壽險行業(yè)的系統(tǒng)性風險貢獻度。

總體而言，國內對保險業(yè)系統(tǒng)性風險的研究多集中在傳染機制和關聯(lián)性的分析上，在度量保險業(yè)系統(tǒng)性風險方面缺乏多樣的模型分析和計量方法。

二、理論模型

((一))系統(tǒng)性風險度量方法：CoVaRCoVaRCoVaR是指當單個金融機構處于危機時，它對其他金融機構或金融系統(tǒng)所造成的最大可能損失。金融機構對金融系統(tǒng)的風險溢出表示為ΔCoVaR，是極端情況下的CoVaR減去常態(tài)下的CoVaR，體現(xiàn)了金融機構對金融體系的風險貢獻度。ΔCoVaR的值越大，說明單一機構的系統(tǒng)性風險就越高。CoVaR模型的優(yōu)勢在于能更加有效地捕捉系統(tǒng)性風險的尾部分布，使研究結果更可靠。該模型不僅能夠識別金融機構自身的風險，還能解決兩個金融機構之間的關聯(lián)性量化問題，進而達到度量機構對其他金融機構風險溢出的目的。

定義：當金融機構i出現(xiàn)危機（即Xi≤VaRi），機構j的在險價值VaRj，即，其數(shù)學表達式為：，Xi為金融機構的收益率。那么，金融機構i對機構j的風險貢獻度為：當j表示金融系統(tǒng)時，就意味著金融機構i對系統(tǒng)性風險的貢獻度。

同樣，機構i在中位數(shù)水平下資產收益和CoVaR的值為：

((二))系統(tǒng)性風險預測方法：Forward-ΔCoVaRCoVaR

由上面的度量我們可以得到保險機構的ΔCoVaR值。然而，直接根據(jù)ΔCoVaR測算出來的系統(tǒng)性風險對保險機構進行監(jiān)管存在嚴重的順周期現(xiàn)象，即當保險機構的系統(tǒng)性風險較高時，施加嚴厲的監(jiān)管政策會使得金融機構不能靈活地采取措施處理風險，導致對保險機構的系統(tǒng)性風險貢獻度提高。Forward-ΔCoVaR對金融機構未來一定時期的ΔCoVaR進行預測，代表著向前的ΔCoVaR。通過預測，準確把握機構未來系統(tǒng)性風險的變動趨勢，為解決順周期問題和宏觀審慎監(jiān)管提供合理的政策思路。根據(jù)Adrian和Brunnermeier(2011)、高國華和潘英麗（2011）等的研究，選取金融機構易獲得的自身特征變量，如杠桿率（Leverage）、規(guī)模（Size）、總資產收益率(Roa)、保費收入增長率(Premium)、股價凈值比(MTB)和股價波動率(VIX)等指標來預測金融系統(tǒng)未來的系統(tǒng)性風險，構造的面板模型如下：

三、實證分析

((一))指標含義與數(shù)據(jù)來源

1.指標含義

本文擬采用上市的中國平安、中國太保、中國人壽的收益率數(shù)據(jù)（中國共有5家上市保險公司。中國人保在香港上市，香港股市無論是交易機制、價格波動限制還是開放程度，都和內地有差異，故予以剔除；新華保險于2011年12月16日上市，上市時間短，數(shù)據(jù)較少，研究性不強，故予以剔除），將3家保險公司看作整體保險系統(tǒng)，來度量單個保險公司對保險系統(tǒng)的風險貢獻。由于可度量的上市保險公司的數(shù)量較少，使得研究范圍較為局限，在之后的進一步研究中，將會引入國外保險公司的上市數(shù)據(jù)，與我國保險市場進行比較分析，擴大研究范圍，使研究結果具有更高的可靠性。

選取2008年1月1日至2015年12月25日中國平安、中國太保、中國人壽的A股周收盤價數(shù)據(jù)來測量我國保險體系的系統(tǒng)性風險。周收益率則通過公式計算得到，其中Pt表示的是上市保險機構的周收盤價。保險系統(tǒng)的收益率由所有上市的保險公司的周收益率加權得到，計算公式為為各保險機構的A股股本數(shù)。有關滯后狀態(tài)變量和面板模型的特征變量的描述詳見表1。

2.數(shù)據(jù)來源及處理

本文數(shù)據(jù)包括3家保險公司的財務數(shù)據(jù)（包括總資產、總負債、總權益和保費總收入）、A股交易數(shù)據(jù)（周收盤價和股本數(shù)），上證綜合A股指數(shù)日收盤價和周收盤價、3個月和10年期國債到期收益率、3個月銀行回購利率、10年期AA-級企業(yè)債到期收益率等來源于Wind數(shù)據(jù)庫。研究的時間范圍為2008年1月1日至2015年12月25日，所使用的計量分析軟件為Stata13。狀態(tài)變量的描述性統(tǒng)計結果如表2。

?表1 變量一覽表

?表2 狀態(tài)變量的描述性統(tǒng)計

?表3 ADF檢驗結果

?表4 保險機構的系統(tǒng)性風險ΔCoVaR結果與排名

((二))保險機構系統(tǒng)性風險的度量分析

在用分位數(shù)回歸方法對ΔCoVaR和VaR序列進行分析之前，需要對數(shù)據(jù)進行正態(tài)性檢驗和平穩(wěn)性檢驗。在JB（Jarque-Bera）檢驗中，保險公司收益率的JB統(tǒng)計量的值都很大，最小也達到7.06。中國平安和中國人壽收益率對應的P值都接近于0，中國太保收益率的P值也小于0.05，均拒絕序列服從正態(tài)分布的假設；從收益率的峰度值來看，最小也達到3.62，均大于正態(tài)分布時的值3。以上檢驗結果表示，收益率序列具有尖峰厚尾的特征，因此，用分位數(shù)回歸估計更加準確。為防止出現(xiàn)偽回歸，在分位數(shù)回歸之前還需要對數(shù)據(jù)進行平穩(wěn)性檢驗。假設序列是非平穩(wěn)的，也不存在相關關系，如果兩個變量均隨著時間同上或同下變動，就會呈現(xiàn)出高度相關的偽回歸結果。根據(jù)表3顯示的ADF檢驗結果可以發(fā)現(xiàn)，在含截距項和不含截距項的情況下，各t值都小于1%、5%、10%置信水平下的臨界值，拒絕單位根假設，因此序列是平穩(wěn)的。

?圖1保險公司系統(tǒng)性風險ΔCoVaR時間序列圖（5%）

1.保險機構系統(tǒng)性風險ΔCoVaR的度量結果

風險管理中一般采取0＜q≤0.05，因此本文選取5%和1%不同的分位數(shù)水平進行回歸檢驗。根據(jù)（1）～（7）式，得到保險機構的系統(tǒng)性風險溢出值ΔCoVaR的度量結果。

表4中顯示的Xi、VaRi和ΔCoVaRi的值為各序列的平均值，VaRi和ΔCoVaRi表現(xiàn)為負值，現(xiàn)實意義即危機到來時極端情況下的損失。為了使結果更直觀，本文將二者的值處理為絕對值，二者的值越大，表示在經濟波動中的自身風險和系統(tǒng)性風險溢出越大，對整個保險市場的影響越大。由于5%和1%分位數(shù)回歸的結果一致，為避免重復性的描述，文中僅討論5%分位數(shù)的情況。如表4所示，中國平安的系統(tǒng)性風險溢出值ΔCoVaR最大，為9.67，中國太保次之，為9.58，中國人壽最小，為8.60。從圖1顯示的ΔCoVaR的時間序列圖可以看出，3家公司的系統(tǒng)性風險溢出情況非常相似。宏觀經濟層面，3家公司處于同樣的經濟形勢、市場環(huán)境和監(jiān)管政策中，受到大致相同的外部影響；微觀主體層面，我國的保險市場尚未成熟，且市場集中度高，主要以價格競爭為主，保險公司的經營模式、產品結構、資產投資組合、銷售渠道以及服務創(chuàng)新等多方面具有高度同質現(xiàn)象，因此，3家公司的系統(tǒng)性風險情況也非常相似。

在變動趨勢上，2008年3家公司的系統(tǒng)性風險都很高，中國平安的系統(tǒng)性風險溢出值最高達到27.16，其他兩家最高也達到25.00左右，主要原因是2008年美國次貸危機全面爆發(fā)引起經濟下滑和頻發(fā)的雪災、地震等自然災害，導致中國保險市場的系統(tǒng)性風險迅速增加。由于中國保險業(yè)的開放性程度和國際化程度較低，受到的風險傳染仍相對較小，加上危機期間及時采取防御措施，到2009年中旬，系統(tǒng)性風險在持續(xù)波動中不斷降低，此后各年均穩(wěn)定在一定水平，基本在5～15之間波動。2011年，歐洲主權債務危機爆發(fā)，但對中國保險市場的系統(tǒng)性風險影響較小，原因在于3家公司的業(yè)務和資金主要投放于國內市場，在國際市場的業(yè)務和投資比重微乎其微，因而受國際金融市場波動的影響不大。2015年，中國股票市場出現(xiàn)劇烈波動，大幅上漲和下跌，政策上也經常變動，央行多次降準降息，加上人民幣匯率持續(xù)走低，保險公司所處的外部環(huán)境存在較大的不確定性，投資受到利率風險、市場風險、政策風險和匯率風險等多方面的影響，致使保險市場面臨大量風險的威脅，系統(tǒng)性風險一度上升，直到2015年底經濟形勢相對趨于穩(wěn)定后才有回升。

?圖2 中國平安2015年的VaR和ΔCoVaR變動情況

金融風險監(jiān)管強調防范金融體系的系統(tǒng)性風險?，F(xiàn)行的金融風險監(jiān)管主要是基于VaR的個體監(jiān)管規(guī)則，那么，根據(jù)金融機構的VaR值采取監(jiān)管措施能有效防范金融體系的系統(tǒng)性風險嗎？以中國平安為例，圖2顯示，單個保險機構的風險VaR和系統(tǒng)性風險溢出值ΔCoVaR的變動趨勢很相似，雖然許多關于銀行業(yè)的研究表示VaR和ΔCoVaR之間的相關程度低，但在保險市場中二者呈現(xiàn)為較穩(wěn)定的正相關。從風險大小角度看，VaR的值整體低于ΔCoVaR，說明基于VaR的個體監(jiān)管規(guī)則可能低估了保險機構的系統(tǒng)性風險，不足以準確把握保險機構的系統(tǒng)性風險。因此，采用ΔCoVaR值的宏觀審慎監(jiān)管規(guī)則更適用于我國保險市場的系統(tǒng)性風險的度量。

2.保險機構系統(tǒng)性風險的度量結果分析

CoVaR模型結果顯示，中國平安的系統(tǒng)性風險溢出值最高，中國太保次之，中國人壽最小。3家公司的系統(tǒng)性風險度量結果之所以存在差異，可能有以下幾方面原因：

（1）股權結構的差異性

3家公司的國有股份占比存在差異性，中國人壽的國有股本比例很高且穩(wěn)定，達到68.37%。中國平安和中國太保上市初期存在一定的國有股本，分別在2008年和2010年減持至0的水平。中國平安和中國太保股東份額小、數(shù)量多的現(xiàn)狀，意味著公司一旦遭遇危險極端事件，風險更容易從這分散的股權結構傳染到其他金融企業(yè)和金融系統(tǒng)，導致系統(tǒng)性風險的發(fā)生。再者，3家公司前10名股東持股中境外法人的占比情況為，中國平安42.39%，中國太保31.75%，中國人壽26.00%，一定層面上也能反映出公司對境外金融市場影響和被影響的程度。由此看來，中國人壽很大程度上是國有控股，股權集中，風險外溢的傳導面相對較小，從而導致了比其他兩家公司系統(tǒng)性風險外溢效應更小的局面，這是與模型結論相符的。

（2）業(yè)務經營范圍的差異性

中國平安如今是中國領先的綜合金融集團，通過綜合金融的一體化架構，以保險起家，觸角逐漸伸至銀行、投資和互聯(lián)網金融服務等領域，實行混業(yè)經營的模式，廣泛的業(yè)務開展面是其他兩家公司不可比擬的，同時也意味著經營的業(yè)務對外有著更大的風險敞口。中國太保和中國人壽相對來說是更趨近于單一業(yè)務經營的保險公司，但中國太保除了保險業(yè)務之外，還有資產管理業(yè)務、在線服務科技平臺業(yè)務等等，正在完善保險產業(yè)鏈布局，在保險領域的涉及面較中國人壽也更廣泛，因此有著更高的系統(tǒng)性風險外溢效應。

（3）保費收入增速的差異性

通過對2008—2015年保費收入增長率的計算發(fā)現(xiàn)，中國平安保費增速明顯，年平均增長率達17.68%，中國太保為12.19%，中國人壽這些年市場份額不斷被瓜分，年平均增長率僅3.17%。資產總額增勢方面，中國平安從2008年的6334.36億元總資產增長至如今的46671.13億元，實現(xiàn)增長6.37倍，中國太保和中國人壽分別實現(xiàn)增長1.96倍和1.59倍。從數(shù)據(jù)中可以發(fā)現(xiàn)，中國平安業(yè)務擴張和資本集聚的速度較中國人壽和中國太保都大得多，公司規(guī)模不斷膨脹的同時也帶來了各類風險的與日俱增，存在著更多系統(tǒng)性風險外溢的可能性。

（4）保費投資組合的差異性

保險資金（主要為保費收入）投資資產主要配置在以下四類：固定收益類、權益收益類、投資性房地產和現(xiàn)金及現(xiàn)金等價物。從歷年財務報告中發(fā)現(xiàn)，中國平安和中國太保的權益收益類投資占比相對于中國人壽較高，中國人壽的固定收益類投資穩(wěn)定，始終高居85%左右。固定收益類較權益收益類有著風險較低的優(yōu)勢，說明中國人壽擁有更加穩(wěn)健的投資策略，不僅能夠更好地管控公司自身的風險，也對系統(tǒng)性風險的外溢起到一定的抵御作用，能較好地防范一旦經濟波動導致投資風險較高從而對金融系統(tǒng)的風險傳染。

除了以上原因之外，關聯(lián)交易數(shù)量和金額、企業(yè)的治理結構和情況等因素也可能導致保險公司系統(tǒng)性風險的差異性。風險進行預測，面板回歸分析之前，通過Hausman檢驗結果發(fā)現(xiàn)，滯后一季度、滯后半年的情況下，p值接近于0，均拒絕隨機效應模型的原假設，因此采用固定效應模型。采用季度數(shù)據(jù)，保險公司的VaR、杠桿率、規(guī)模、總資產收益率、保費收入增長率、股價凈值比和股價波動率是回歸分析中的解釋變量，是被解釋變量，和VaR是由保險公司一個季度內的值加總得到?；貧w結果如表5所示。

?表5 面板數(shù)據(jù)模型回歸結果（5%）

?圖3 同期ΔCoVaR和預測ΔCoVaR的變動情況

結果顯示，滯后一季度和滯后半年的回歸結果非常相似，大部分變量具備顯著性。

((三))保險機構系統(tǒng)性風險的預測分析

四、結論與政策建議

本文基于CoVaR和Forward-ΔCoVaR模型，運用分位數(shù)回歸和面板回歸方法對保險機構的系統(tǒng)性風險大小進行度量和預測。研究表明，根據(jù)ΔCoVaR輸出序列平均值，中國平安系統(tǒng)性風險溢出值最大，中國太保次之，中國人壽最小。具體而言，首先，3家公司的系統(tǒng)性風險溢出情況在變動趨勢上非常相似,在2008年金融危機和2015年中國股市波動兩個時間段達到最高值。但是，由于股權結構、業(yè)務經營范圍、保費收入增速、保費投資組合以及其他因素的不同，3家公司的系統(tǒng)性風險溢出情況也存在一定的差異性。監(jiān)管當局應當在采取宏觀審慎監(jiān)管的基礎上，根據(jù)系統(tǒng)性風險的差異對不同的公司實施相應的監(jiān)管政策。其次，保險機構的自身風險VaR和系統(tǒng)性風險溢出值ΔCoVaR具有穩(wěn)定的相關關系，和許多關于銀行業(yè)的研究表示VaR和ΔCoVaR之間相關程度低的情況不同，說明我國保險業(yè)系統(tǒng)性風險具有特殊性。然而VaR整體小于ΔCoVaR，一定程度上低估了保險機構的系統(tǒng)性風險，說明以VaR為基礎的微觀審慎監(jiān)管規(guī)則并不足以準確把握保險機構的系統(tǒng)性風險，采用ΔCoVaR值的宏觀審慎監(jiān)管規(guī)則更適用于我國現(xiàn)實情況。

保險機構系統(tǒng)性風險預測模型結果表明，保險機構向前的系統(tǒng)性風險與VaR、規(guī)模、杠桿率、保費收入增長率、股價波動率顯著正相關，這是符合現(xiàn)實邏輯的。一方面，與任何尾端的風險度量方法一樣，采用高頻數(shù)據(jù)度量ΔCoVaR依賴于較少發(fā)生的極端危機事件，會導致尾端風險大幅增加，降低了測量結果的準確度。相反，用公司自身的特征數(shù)據(jù)來度量系統(tǒng)性風險反而比采取高頻數(shù)據(jù)統(tǒng)計分析更可靠、穩(wěn)健。另一方面，預測ΔCoVaR和同期ΔCoVaR呈負相關關系，說明Forward-ΔCoVaR方法可以很好地解決同期風險度量方法產生的順周期問題。綜上，從逆周期角度，利用季度數(shù)據(jù)來預測保險機構的系統(tǒng)性風險，能夠進行更準確、穩(wěn)健的宏觀審慎監(jiān)管，更加有效地預防保險機構的系統(tǒng)性風險，達到維護保險市場穩(wěn)定的目的。

國家自然科學基金項目（項目批準號：71403305）；教育部人文社科研究項目（項目批準號：14YJC790118）；中財121人才工程青年博士發(fā)展基金（批準號：QBJ1401）。