銀行業(yè)系統(tǒng)性風(fēng)險與商業(yè)銀行貸款客戶集中度研究

岳敏

摘 要：本文應(yīng)用基于GARCH模型的CoVaR方法對我國16家上市銀行的系統(tǒng)性風(fēng)險貢獻度進行了實證分析，發(fā)現(xiàn)銀行遭受沖擊所產(chǎn)生的風(fēng)險將通過各種渠道，增添整個銀行體系的風(fēng)險。另外，實證發(fā)現(xiàn)中國上市商業(yè)銀行貸款客戶集中度與其對系統(tǒng)性風(fēng)險的貢獻度之間存在著負向相關(guān)關(guān)系。商業(yè)銀行應(yīng)優(yōu)化銀行貸款結(jié)構(gòu)，切實防范系統(tǒng)性風(fēng)險，監(jiān)管當(dāng)局也應(yīng)根據(jù)具體情況對銀行貸款結(jié)構(gòu)進行監(jiān)管，妥善安排監(jiān)管標(biāo)準(zhǔn)和導(dǎo)向問題，為建設(shè)和諧的金融環(huán)境奠定基礎(chǔ)。

關(guān)鍵詞：商業(yè)銀行 系統(tǒng)性風(fēng)險 貸款客戶集中度 宏觀審慎監(jiān)管

中圖分類號：F832.33 文獻標(biāo)識碼：A 文章編號：2096-0298（2018）02（c）-028-03

自商業(yè)銀行產(chǎn)生之日起，風(fēng)險管理就備受關(guān)注。伴隨著金融自由化和金融創(chuàng)新，商業(yè)銀行之間的聯(lián)系更加緊密，在促進資金自由流動的同時也加大了風(fēng)險的傳染性和破壞性。2008年的全球性金融危機波及面之廣、危害力之強，足以震撼全世界，將人們關(guān)注的焦點從金融系統(tǒng)中單個機構(gòu)的風(fēng)險轉(zhuǎn)移到機構(gòu)對整個金融體系的風(fēng)險溢出作用上。

目前，我國社會整體融資中銀行信貸占比較高，大型國有商業(yè)銀行的貸款依然是社會融資的主要途徑，信貸資金總體趨緊，使得商業(yè)銀行更為謹慎地決定貸款去向。同時，“羊群效應(yīng)”使得許多商業(yè)銀行的貸款投向存在相似性，這進一步造成銀行系統(tǒng)整體貸款的客戶集中度都較高。正是由于信貸集中于若干客戶使貸款集中度指標(biāo)超過監(jiān)管要求，江陰農(nóng)商銀行經(jīng)過漫長的8年才最終獲批IPO申請，成為全國首家過會的縣域農(nóng)商行。

雖然銀行系統(tǒng)性風(fēng)險一直以來是學(xué)術(shù)界的焦點，目前國內(nèi)還鮮有針對貸款客戶集中度是如何影響銀行系統(tǒng)性風(fēng)險的研究。因此，本文采用基于GARCH的動態(tài)VaR模型，測度我國16家上市銀行的系統(tǒng)性風(fēng)險，以及用CHI值刻畫貸款的客戶集中度，通過實證分析考察二者的關(guān)系，以期為我國監(jiān)管政策的制定提供一定的思路及依據(jù)。

1 文獻綜述

目前文獻主要從系統(tǒng)性風(fēng)險、貸款集中度和二者的關(guān)系三個方面展開。

首先，不同學(xué)者對系統(tǒng)性風(fēng)險的定義有不同的理解，但都強調(diào)其傳染性和負外部性。Kaufman（2001）提出銀行系統(tǒng)性風(fēng)險是指銀行系統(tǒng)內(nèi)某個機構(gòu)未能履約引起其他機構(gòu)違約而引發(fā)“多米諾骨牌效應(yīng)”，最終導(dǎo)致整個金融系統(tǒng)崩潰的可能性。國內(nèi)外學(xué)者對銀行系統(tǒng)性風(fēng)險的測度也從不同角度展開。在風(fēng)險價值模型理論基礎(chǔ)上，Adrian等（2008）提出了CoVaR模型（條件風(fēng)險價值模型），彌補了之前模型在極端情況下操作性不強的缺點，能測度不同金融機構(gòu)間的風(fēng)險溢出效應(yīng)。王玨（2013）構(gòu)造協(xié)同風(fēng)險模型分析我國上市銀行的系統(tǒng)性風(fēng)險貢獻度，為中國系統(tǒng)重要性銀行的識別和階梯監(jiān)管提供了依據(jù)。

目前，對于貸款集中度定義的解釋主要集中在資源配置方面。王海霞和金樁（2010）將貸款集中劃分為貸款行業(yè)集中、地區(qū)集中和客戶集中三大類。

具體而言，國內(nèi)外文獻關(guān)于銀行系統(tǒng)性風(fēng)險與貸款集中二者間的相關(guān)關(guān)系可以歸納為以下三種：（1）正相關(guān)：魏曉琴，張祥娟（2014）指出貸款的行業(yè)集中度、地域集中度以及客戶集中度均對銀行的不良貸款率有正向影響。（2）負相關(guān)：朱元倩等（2012）通過收集15家上市商業(yè)銀行數(shù)據(jù)進行實證檢驗，結(jié)果表明，商業(yè)銀行貸款的客戶集中度越高，面臨的風(fēng)險越小。（3）不相關(guān)：王富華、姜姍姍（2012）實證分析結(jié)果表明，貸款的行業(yè)集中和地域集中對商業(yè)銀行的經(jīng)營風(fēng)險沒有明顯的影響。

雖然目前國內(nèi)外相關(guān)文獻已經(jīng)比較豐富，但是也有不足之處。一方面，風(fēng)險溢出的研究主要集中在商業(yè)銀行系統(tǒng)風(fēng)險溢出效應(yīng)上，而較少對其他領(lǐng)域進行測度。另一方面，國內(nèi)研究應(yīng)用較多的CoVaR模型在測量時常用分位數(shù)回歸法，忽略了時間序列中的GARCH效應(yīng)。貸款客戶集中度可能對商業(yè)銀行系統(tǒng)性風(fēng)險存在潛在影響，而國內(nèi)尚未有文章對此進行針對性的研究。于是本文將主要運用基于GARCH效應(yīng)的CoVaR模型來測算我國上市銀行系統(tǒng)性風(fēng)險，并探究貸款客戶集中度與商業(yè)銀行系統(tǒng)性風(fēng)險之間是否存在聯(lián)系。

2 中國上市商業(yè)銀行系統(tǒng)性風(fēng)險溢出效應(yīng)分析

2.1 研究對象和數(shù)據(jù)的選擇

本文選取16家上市銀行作為研究對象，包括四大國有銀行，9家股份制銀行和3家區(qū)域性地方商業(yè)銀行，時間跨度為2007年10月12日至2017年6月22日，特意囊括了危機前、中、后三個時段，包括2010年12月的經(jīng)濟衰退和兩次金融危機（2008年美國次貸危機和2011年歐洲債務(wù)危機）。數(shù)據(jù)來源為上海證券交易所官方網(wǎng)站和深圳證券交易所官方網(wǎng)站。

2.2 數(shù)據(jù)檢驗

首先對16家上市銀行及大盤指數(shù)進行描述性統(tǒng)計檢驗。J-B檢驗結(jié)果可知所有樣本均值接近于0，符合方差協(xié)方差VaR模型的假設(shè)。而且?guī)缀跛惺找媛市蛄械腏B統(tǒng)計量值很大，且其P值全部為0，拒絕序列服從正態(tài)分布的假設(shè)。這些表明序列呈典型的波動集聚性，具有“尖峰厚尾”特征，故使用GARCH模型較為準(zhǔn)確。

之后進行ADF檢驗。所有序列t值在1%置信水平上拒絕“存在單位根”的原假設(shè)，則可知各金融機構(gòu)收益率序列均為平穩(wěn)序列。這更說明可以選取模型GARCH（1，1）來分析條件風(fēng)險值。

同時，檢驗16家上市銀行收益率序列的36階滯后量求自相關(guān)函數(shù)值和偏自相關(guān)函數(shù)值，得出自相關(guān)系數(shù)和偏自相關(guān)系數(shù)均不顯著，Q統(tǒng)計量也很不顯著，而且P值較大，可以認為序列不存在自相關(guān)。

2.3 實證分析和結(jié)論闡述

首先，用Eviews軟件將序列去均值化，然后再對新的序列構(gòu)建GARCH（1，1）模型。之后，選用1%和5%兩種常用置信水平，分別計算出這兩種置信水平下VaR的值，即金融序列自身的風(fēng)險價值。GARCH（l，1）模型構(gòu)建方法如下：

%CoVaR這一指標(biāo)衡量了某一銀行發(fā)生最大可能損失時，其對整個銀行系統(tǒng)的風(fēng)險溢出值與無條件在險價值的比重。這一指標(biāo)減去了銀行體系無條件風(fēng)險值，并進行了標(biāo)準(zhǔn)化處理從而去除了量綱的影響，可以更加真實準(zhǔn)確地反映某一個銀行對銀行整體系統(tǒng)性風(fēng)險的貢獻度。

根據(jù)以上步驟進行計算，結(jié)果見表1。

2.4 實證結(jié)果分析

總體來看，16家上市銀行風(fēng)險溢出值均為正，這充分說明部分銀行遭受市場沖擊所產(chǎn)生的風(fēng)險將通過各種傳導(dǎo)渠道，增添整個銀行系統(tǒng)的風(fēng)險。因此金融監(jiān)管不僅要關(guān)注機構(gòu)本身的無條件風(fēng)險，還要重視其對整個銀行系統(tǒng)的風(fēng)險傳染和溢出效應(yīng)。

（1）由計算結(jié)果可知，浦發(fā)銀行、中國農(nóng)業(yè)銀行、中國銀行、建設(shè)銀行、工商銀行的日平均VaR損失值較小，表明這些銀行風(fēng)險控制能力較強，經(jīng)營穩(wěn)健。工農(nóng)中建作為我國四大國有銀行，風(fēng)險控制能力較強并不意外。而浦發(fā)銀行作為股份制銀行，也顯示出較小的日平均VaR損失值，表明其在經(jīng)營中也很注重風(fēng)險防范。而在這16家上市銀行中，平安銀行、華夏銀行和興業(yè)銀行的日平均VaR損失值相對較大?？梢?，中小商業(yè)銀行一般擁有較高的潛在風(fēng)險，也有更大的遭受損失的可能。

（2）△CoVaR的計算結(jié)果顯示，農(nóng)業(yè)銀行與中國銀行本身在發(fā)生風(fēng)險時，銀行系統(tǒng)的風(fēng)險溢出值居于前列，說明國有商業(yè)銀行對銀行系統(tǒng)的風(fēng)險溢出較為顯著，也反映出銀行戰(zhàn)略選擇的影響。中國銀行長期奉行國際化戰(zhàn)略和多元化戰(zhàn)略，而農(nóng)業(yè)銀行經(jīng)營穩(wěn)健，一旦遭受市場沖擊，將對整個銀行系統(tǒng)帶來巨大風(fēng)險。北京銀行、光大銀行和浦發(fā)銀行等銀行的風(fēng)險溢出值也較大，說明這些早期成立的股份制商業(yè)銀行經(jīng)過幾十年的探索與創(chuàng)新，在中國乃至世界銀行體系中的重要性不容忽視。

（3）在分析%CoVaR的結(jié)果時，可以明顯看到華夏銀行的這一指標(biāo)在股份制商業(yè)銀行中最大，其次分別是浦發(fā)銀行和興業(yè)銀行，說明這些銀行的股票較為活躍，股價波動較大。華夏銀行和興業(yè)銀行與中信銀行、民生銀行、招商銀行等大型股份制商業(yè)銀行相比，資產(chǎn)規(guī)模和綜合實力并不占據(jù)優(yōu)勢，但是卻擁有較大的系統(tǒng)風(fēng)險溢出值，這可能是由于二者的日均VaR較大，直接導(dǎo)致系統(tǒng)風(fēng)險溢出值也偏大，影響了最終的排序結(jié)果，應(yīng)該結(jié)合發(fā)展現(xiàn)狀具體進行分析。再者，從城市商業(yè)銀行角度來看，北京銀行的資產(chǎn)規(guī)模和系統(tǒng)性風(fēng)險貢獻度遠高于寧波銀行和南京銀行。這說明在分析各商業(yè)銀行對整個銀行系統(tǒng)的影響大小時，要綜合考慮銀行自身的綜合實力、資產(chǎn)組成情況和系統(tǒng)性風(fēng)險內(nèi)部監(jiān)控水平等多種因素。

3 貸款客戶集中度與商業(yè)銀行整體風(fēng)險溢出關(guān)系的研究

在研究貸款客戶集中度與商業(yè)銀行整體風(fēng)險溢出的關(guān)系時，沿用之前16家上市商業(yè)銀行2007年～2016年的相關(guān)數(shù)據(jù)，以相關(guān)監(jiān)管層專題報告和上市公司公告作為補充數(shù)據(jù)的來源。變量說明如表2所示。

對變量進行描述性統(tǒng)計和ADF檢驗。變量描述性統(tǒng)計結(jié)果表明，中國上市商業(yè)銀行對系統(tǒng)性風(fēng)險的邊際貢獻度平均值為0.137 ，最大值為0.393，最小值為0.043。商業(yè)銀行貸款客戶集中度CHI最大值達到0.439，平均值為0.21，貸款信貸資金集中于少數(shù)大客戶、優(yōu)質(zhì)客戶。ADF檢驗結(jié)果顯示CHI變量的一階差分為平穩(wěn)時間序列，即為一階單整過程。

通過Eviews對解釋變量與被解釋變量及控制變量之間的相關(guān)性表述分析，可知控制變量對解釋變量也有一定影響，所以要檢驗這幾個控制變量的影響。相關(guān)系數(shù)檢驗結(jié)果顯示這些變量之間相關(guān)性較弱，幾乎不存在多重共線性，所以本文將這些因素同時作為解釋變量進行回歸分析。經(jīng)Hausman檢驗之后，本文為簡便處理，利用Eviews采用固定效應(yīng)模型進行回歸分析，得到如下的回歸方程：

回歸方程中撥備覆蓋率的系數(shù)絕對值雖較大，但在5%的置信水平下并不顯著，說明銀行個體是否通過撥備覆蓋進行自身風(fēng)險控制與對降低自身系統(tǒng)性風(fēng)險并無多大影響。通過回歸分析，我們發(fā)現(xiàn)中國上市商業(yè)銀行貸款客戶集中度與其對系統(tǒng)性風(fēng)險的貢獻度之間存在負相關(guān)關(guān)系，其可能原因在于企業(yè)關(guān)聯(lián)性影響和銀行對客戶的監(jiān)管效率高低。貸款客戶越集中，銀行可以更容易地在問題貸款惡化之前整頓風(fēng)險，貸款銀行的監(jiān)管效率越高，而銀行貸款多樣化會增加監(jiān)管成本。

4 結(jié)論及建議

本文測算了2007年～2016年16家上市銀行的系統(tǒng)性風(fēng)險溢出值，發(fā)現(xiàn)商業(yè)銀行貸款客戶集中度與其對銀行系統(tǒng)的風(fēng)險溢出值之間存在負相關(guān)關(guān)系?；诖私Y(jié)論，本文建議從國家監(jiān)管、外部環(huán)境建設(shè)、銀行自身管理這三個層面來加強貸款集中度的風(fēng)險管理，從而降低單個銀行對整個銀行系統(tǒng)的風(fēng)險溢出，降低銀行系統(tǒng)性風(fēng)險。

首先，監(jiān)管部門要設(shè)立多層次的貸款集中度監(jiān)管指標(biāo)，建立合理的監(jiān)管指標(biāo)體系。監(jiān)管部門需要根據(jù)各銀行系統(tǒng)重要性程度和發(fā)展情況進行階梯分析，細化對不同性質(zhì)銀行的監(jiān)管要求。同時，監(jiān)管部門可以嚴格銀行審查借款人的程序，建立貸款客戶投向的數(shù)據(jù)庫，加強對大額的風(fēng)險暴露的監(jiān)管，適度地降低系統(tǒng)性重要銀行對單一借款人和集團客戶貸款占資本凈額的比例，降低系統(tǒng)性風(fēng)險。

其次，要加強外部環(huán)境的建設(shè)，提供良好的外部環(huán)境保障。政府應(yīng)該積極引導(dǎo)，大力推動民間資本建設(shè)，引領(lǐng)更多民間資本投入到基礎(chǔ)產(chǎn)業(yè)和社會事業(yè)領(lǐng)域，一定程度上緩解銀行信貸集中的壓力，降低貸款過于集中的風(fēng)險，促進我國經(jīng)濟的全面協(xié)調(diào)發(fā)展。

最后，商業(yè)銀行自身要制定合理的授信額度，結(jié)合實際情況設(shè)置恰當(dāng)?shù)馁J款集中預(yù)警線，制定風(fēng)險預(yù)案。當(dāng)對某一借款人或集團客戶審批通過的貸款資金過多時，要有貸款集中風(fēng)險意識。商業(yè)銀行應(yīng)根據(jù)客戶的不同類型、客戶所處的不同行業(yè)、不同區(qū)域的經(jīng)濟發(fā)展?fàn)顩r，給予適當(dāng)?shù)氖谛蓬~度，從而對其進行有效監(jiān)管，降低風(fēng)險。

參考文獻

[1] Adrian T， Brunnermeier M.CoVaR [R].NBER Working Paper .No.17454，2011.

[2] Kaufman George G. Scott K E. Does bank regulation retard or contribute to systemic risk？ [Z].Working Paper 86，Stanford Institute for Economic Policy Research， Stanford University，2001（04）.

[3] 王富華，姜姍姍.基于風(fēng)險與收益的上市銀行貸款集中度研究[J].經(jīng)濟經(jīng)緯，2012（5）.

[4] 王海霞，金樁.城市商業(yè)銀行客戶貸款集中度研究[J].財會月刊，2010（29）.

[5] 王玨.中國系統(tǒng)重要性銀行的測度與監(jiān)管——基于協(xié)同風(fēng)險法[J].中國投資，2013（9）.

[6] 魏曉琴，李曉霞.我國商業(yè)銀行貸款集中度的測算及效應(yīng)分析[J].金融理論與實踐，2011（4）.

[7] 朱元倩，苗雨峰.關(guān)于系統(tǒng)性風(fēng)險度量和預(yù)警的模型綜述[J].國際金融研究，2012（1）.