1. 引言

党的二十大报告指出，防范化解系统性风险，避免全局性金融危机，就要加强和完善金融监管，强化金融稳定保障体系。第五次全国金融工作会议曾指出，防止发生系统性金融风险是金融工作的永恒主题。要守住不发生系统性金融风险的底线，就要继续加强监管，提高防范化解金融风险能力。继续加快相关法律法规建设，加强互联网金融监管，加强宏观审慎管理制度建设，加强功能监管，重视行为监管。会后，国务院便成立金融稳定发展委员会，并组建中国银行保险监督管理委员会，进一步扩充和强化了人民银行的相关职能。形成了从“一行三会”到“一委一行两会一局 + 地方监管局”的新金融监管格局，为守住不发生系统性风险底线提供强有力的监管体系。2023年中央金融工作会议指出，金融系统有力支撑着经济社会发展的大局，并强调坚持以人民为中心的价值取向，继续防控风险作为金融工作的永恒主题。金融监管是维护宏观经济稳定运行的重要支柱，全面加强金融监管有助于确保金融体系应对各种风险冲击。而在现代金融体系中，商业银行仍旧扮演着至关重要的角色，银行风险仍是重点关注的问题。

商业银行所面临的风险不仅直接影响其自身经营和稳定性，还可能对整个金融系统产生溢出效应，引发金融危机和系统性金融风险。2008年美国的次贷危机就是银行对于房地产行业过度自信放贷，从而出现众多次级贷款，引发金融风险蔓延到整个金融体系。为确保不发生系统性金融风险，金融监管体系审慎性亟需要进一步加强。全球银行业监管机构曾在2011年确定了28家银行作为“全球系统重要性银行”，这些银行关系到全球金融系统的稳定，因此需要具备额外抵御损失的能力。监管机构对它们实施了不同程度的附加资本金要求，以避免金融危机的重演。中国银行、工商银行、农业银行和建设银行相继入选了全球系统重要性银行，交通银行则于2023年进入了全球系统重要性银行的名单，五家银行的进入说明中国商业银行在全球占据着越来越重要的地位。2019年，中国人民银行和中国银行保险监督管理委员会正式发布了《系统重要性银行附加监管规定(试行)》文件和首批19家系统重要性银行名单，这标志着我国系统重要性银行监管框架的基本确立。19家银行被分成五个组别，根据系统重要性分别适用不同附加资本要求。截至2022年，分组情况如下：第一组包括民生银行、光大银行、平安银行、华夏银行、宁波银行、广发银行、江苏银行、上海银行和北京银行；第二组包括中信银行、中国邮政储蓄银行和浦发银行；第三组包括交通银行、招商银行和兴业银行；第四组包括中国工商银行、中国银行、中国建设银行和中国农业银行；第五组暂无银行入选。选择这19家银行作为我国的系统性银行，表达了国家对这些商业银行的高度肯定，因为它们都是我国发展道路上的重要力量，并且这些银行与在规模上、业务上和关联性等方面存在差异，凸显我国微观审慎监管的科学性和合理性。通过引进中国系统重要性银行体系，不仅提升了我国金融体系的竞争力，还有助于提高入选银行的信用评级和创新业务等方面的竞争力，更有助于加强金融监管并防范银行资产质量恶化、股市剧烈波动、信用违约高发等重大风险事件。

当前金融体系中的金融风险呈现出系统性、杠杆性和交叉性等特征。为度量金融风险，有多种方法，包括金融压力指数[1]-[4]、矩阵法[5]、网络分析法[6]和条件在险价值法[7]-[12]等。金融压力指数方法需要获取股票市场、房地产市场等不同市场的数据，侧重于对金融体系的研究，是一种综合性的检测方法，而压力指数在不同时期不同市场的权重会有所不同。矩阵法则需要考虑较多的假设前提，如忽略宏观经济因素在风险传染过程中的影响，这就可能与实际相脱节。网络分析法是将银行划分在不同的网络结构中，通过银行之间的交易数据模拟计算每家银行网络存在的系统性风险，它有一个假设前提是认为金融机构间的风险相互独立，但金融机构的风险往往具有同质性。条件在险价值[13](CoVaR)是Adrian等在价值风险[14](VaR)理论基础上发展起来的，是用于衡量金融机构之间或金融机构与金融系统之间的尾部风险相关性。而动态条件在险价值模型是在原有的条件在险价值模型基础上引入滞后变量(即状态变量)而提出的改进模型，即考虑了时间因素。该方法既可以评估其他金融机构处于高风险状态时对目标金融机构的风险影响，又能够捕捉单个金融机构对系统性风险的边际贡献程度。与传统的风险计量技术相比，CoVaR可以捕捉到各银行对整个银行体系的风险溢出效应，而其余方法更多着眼于金融体系系统性风险的研究上，并不适用于单家金融机构系统性风险的检测。

基于此，本文采用动态条件在险价值方法度量我国14家系统重要性银行¹的系统性风险水平。通过研究这14家系统重要性银行的历史数据和相关金融市场数据进行动态条件在险价值检验，并选择工商银行代表系统性银行指标与宏观经济变量进行格兰杰因果检验。本研究结果将为金融风险管理和监管提供有力的依据，以应对潜在的金融危机和系统性风险。

2. 模型与数据

2.1. 模型构建

2.1.1. 条件在险价值

VaR即Value at Risk，通常被称作“在险价值”，指的是在既定概率水平下，某投资组合在某段时间内可能产生的最大损失，其定义式为：

$P\left(X^i\le Va{R}_q^i\right)=q$(1)

(1)式中，Xⁱ表示的是机构遭受的损失；q为遭受损失的概率， $Va{R}_q^i$表示机构i在概率为q时的极端状况下的预期亏损，其值通常是负的。

CoVaR方法是VaR方法的一个衍生。当金融机构i发生极端事件 $\{X^i\le Va{R}_q^i\}$时，金融机构j(或整个金融体系)的VaR，即为 $CoVa{R}_q^{j|X^i\le Va{R}_q^i}$。其表达式为：

$P\left(X^i\le CoVa{R}_q^{j|X^i\le Va{R}_q^i}\right)=q$(2)

那么，金融机构i对金融机构j的边际系统性风险贡献可表示为 $\Delta CoVa{R}_q^{j|i}$，即金融机构i分别处于正常和困境状态下金融机构j的CoVaR的变化：

$\Delta CoVa{R}_q^{j|i}=CoVa{R}_q^{j|X^i\le Va{R}_q^i}-CoVa{R}_q^{j|X^i\le Va{R}_{median}^i}$(3)

同理，金融机构i对金融系统的系统性风险贡献可以表示为：

$\Delta CoVa{R}_q^{system|i}=CoVa{R}_q^{system|X^i\le Va{R}_q^i}-CoVa{R}_q^{system|X^i\le Va{R}_{median}^i}$(4)

2.1.2. 动态条件在险价值

CoVaR可由分位数回归估计得到，设金融机构收益率为 $X_q^i$，金融系统收益率 $X_q^{system}$。在基本模型中，为CoVaR和VaR添加时间下标t，再引入滞后状态变量 $M_{t-1}$，便有了CoVaR_t模型：

$X_t^i={\alpha }_q^i+{\lambda }_q^i{M}_{t-1}+{\epsilon }_{q,t}^i$(5)

$X_t^{system}={\alpha }_q^{system|i}+{\beta }_q^{system|i}{X}_t^i+{\lambda }_q^{system|i}{M}_{t-1}+{\epsilon }_{q,t}^{system|i}$(6)

根据 $X_t^i=Va{R}_{q,t}^i$，(5)式和(6)式可以改写为：

$Va{R}_{q,t}^i={\hat{\alpha }}_q^i+{\hat{\lambda }}_q^i{M}_{t-1}$(7)

$CoVa{R}_{q,t}^i={\hat{\alpha }}_q^{system|i}+{\hat{\beta }}_q^{system|i}Va{R}_{q,t}^i+{\hat{\lambda }}_q^{system|t}{M}_{t-1}$(8)

于是，便可以计算出每家商业银行的系统性风险贡献:

$\Delta CoVa{R}_{q,t}^i=CoVa{R}_{q,t}^i-CoVa{R}_{median,t}^i$(9)

2.2. 数据说明

2.2.1. 收益率变量

数据说明，本文选取2018年1月1日到2022年12月31日，共14家系统重要性银行的每周最后一个交易日的股票收盘价相对上周最后一个交易日的收盘价的涨跌幅，取其对数并乘以100作为各家银行收益率的代理变量；银行系统的收益率则是将各家银行的收益率根据市值，加权平均作为代理变量。描述性统计如表1所示，数据来自Choice。

Table 1.Descriptive statistics of systemically important banks and banking system returns

表1.系统重要性银行和银行系统收益率描述性统计

2.2.2. 状态变量

本文选取的状态变量包括(1) 市场波动率，本文采用VIX指数。(2) 流动性利差，本文选择3月期SHIBOR利率减去3月期国债到期收益率作为代理变量。(3) 期限利差，本文采用10年期国债到期收益率减去1个月国债到期收益率作为代理变量。(4) 信用利差，本文采用1年期AAA级商业银行普通债到期收益率减去1年期国债到期收益率作为代理变量。状态变量选取2018年1月1日至2022年12月31日周度数据，共计256个数据。数据如下表2，走势如图1，数据来自Choice。

Table2.Descriptive statistics of state variables

表2.状态变量描述性统计

Figure 1.State variable diagram

图1.状态变量走势图

3. 实证分析

3.1. 风险度量

在度量风险前，为避免伪回归出现，首先对收益率序列做平稳性检验，结果表明所有序列ADF检验的t统计量对应的p值均为0，拒绝单位根存在的假设，即所有序列都是平稳序列。此外，根据表1的银行和系统收益率描述性统计，14家银行的Jarque-Bera统计量均显著大于3，对应p值均小于0.05。J-B检验拒绝各收益率正态性的假设；在各银行的股票收益率分布上，各个银行及金融系统的收益率并不服从正态分布，大多数银行的收益率偏度都不为0且呈现左偏，且所有银行收益率数据的峰度均大于正态分布时的峰度3；各家银行收益率的尾部比正态分布的尾部厚，其分布呈现出尖峰厚尾的特征。

将14家银行的收益率变量分别作为(5)式的因变量、状态变量作为自变量，估计q = 95%与q = 50%分位数回归模型。然后将银行系统收益率作为(6)式的因变量，状态变量和银行收益率作为自变量，估计q = 95%分位数回归模型。再将(5)式估计到的VaR和VaR预测值以及代通过到(9)式，便可计算得到这14家银行的动态条件系统性风险价值。因结果均为负数，本文便对数据取绝对值。结果如图2、图3所示。

Figure2.Risk dynamics of Group I and II systemically important banks

图2.第一二组系统重要性银行的风险动态变化

Figure3.Risk dynamics of Group III and Group IV systemically important banks

图3.第三四组系统重要性银行的风险动态变化

从分组情况来看，不同小组内部的走势相似。第四组银行的走势呈逐年下降态势，因为这些银行的附加资本金要求较高，在国内受到较高重视。第二、三组的银行则在一个较为稳定的区间内上下波动。第一组的银行则有些较为平稳，有些波动较大。平安银行的波动区间是最大的，别家银行的波动区间则相对较小。

从时间点来看，2018~2019年多家商业银行的系统性风险呈下降趋势，而到了2020年前后多家商业银行的溢出到达一个较高的位置，一是因为疫情封控，社会面生产停摆，居民失业压力加大，企业职工、个体工商户、应届大学毕业生、服务业人员就业困难。这就意味着居民收入水平的下降，国内消费受限。二是投资意愿有所下降，尤其个体工商户、服务业企业等因疫情而损失惨重，现金流紧张。因此，我国商业银行的信用风险加速恶化、盈利水平持续下滑，我国经济状况也在2020年经历了剧烈波动。我国政府把抗疫作为政策有限目标，最先走出疫情。并随着政府对疫情的控制与大小范围内疫情的影响，2020年到2022年的一些城商行波动较大，其中因为上海22年曾单独发生过较长时间防控，上海银行的系统性风险波动较大。国有银行因为随着国家政策推出一系列利民惠民政策，这些银行的系统性风险波动则相对平稳甚至有下降趋势。

总的来看，在样本期内，各银行的系统性风险呈现出相似的时间序列特征，与中国经济和全球经济金融状况的波动有关。具体而言，在经济下行期间，各银行的系统性风险水平通常会上升；而在经济上行期间，各银行的系统性风险水平则通常呈现下降趋势。此外，在第四组和第一组中都存在一些银行的系统性风险水平较高，而其他银行的系统性风险水平较低。系统性风险水平较高的银行可能是由于其采取高风险的经营策略，过度扩大贷款规模，导致不良资产比率上升，存在潜在的风险隐患概率较高。此外，随着经营规模的扩大，这些银行与其他银行之间的业务联系密切，因此在经济金融波动时，这些银行受到的冲击较大，风险溢出效应也较大，因此其系统性风险水平较高。

对于系统性风险水平较低的银行，可能是由于它们采取稳健的经营策略，不愿承担过多风险，并且具备充足的风险准备金，有能力应对风险冲击。例如，中国银行和工商银行属于这一类别，因此它们发生危机的可能性较低。另外，一些银行可能由于与其他银行的业务联系较少，比如华夏银行和上海银行等。总体而言，大多数股份制银行的系统性风险水平较高，而国有银行的系统性风险水平相对平稳。

3.2. 格兰杰因果检验

本文选择以工商银行的CoVaR代表金融系统，以状态变量作为宏观变量进行格兰杰因果检验。本文采用AIC信息标准来选择最优滞后阶数。结果如表3所示。

Table3.Granger causality test betweenCoVaRchanges and macro variables

表3.CoVaR变化与宏观变量的格兰杰因果关系检验

表3中可以看到，对“CoVaR变化不是引起期限利差变化的格兰杰原因”这一项，AIC给出的最优滞后期是3期，对应的F统计量的统计值为16.799，p值为0.001。可以说，在1%的显著性水平下，我们拒绝了原假设，这表明有证据表明CoVaR变化是引起期限利差变化的格兰杰原因。“CoVaR”与“信用利差”在3阶滞后期互为原因，不符合格兰杰因果检验。其他则是互不为格兰杰原因。

4. 结论与建议

4.1. 研究结论

本文以2018年到2022年的我国14家系统重要性银行的周度数据作为样本，利用分位数回归方法的CoVaR模型度量其系统性风险水平。研究结果显示：在时间趋势方面，商业银行的系统性风险水平与金融市场状态、经济情况密切相关。得出的主要结论如下：国有四大行的系统性风险长期处于行业较高水平，但风险正逐年下降；平安银行和华夏银行的系统性风险波动较大，城商行的风险相对较小，但是波动较为频繁。而且大多数商业银行在2020年前后的风险升高较快，该阶段正是疫情爆发期间，居民就业压力大，企业现金流紧张，政府财政收支不能相抵，导致银行信用风险加速恶化、盈利水平下滑。此外2020年初股市曾多次熔断，发生过剧烈波动，这也会导致商业银行风险加大。但随着时间推移，相应惠民政策的提出，商业银行的系统性风险又慢慢回落。此外，格兰杰因果检验显示系统重要性银行的CoVaR变化与期限利差变化存在相关性，这表明我国商业银行的系统性风险波动可能与期限利差变化有关。

4.2. 政策建议

为了应对错综复杂的金融风险态势，需要全面加强金融监管、完善金融体制，防范化解风险。结合本文测度结果，本文给出以下政策建议：

第一，应充分学习国内外研究成果，利用先进科技手段辅助化解风险。针对我国金融特点，坚持问题导向，构建具有中国特色的金融监管体系。引入先进科技技术化解风险，加强金融治理，切实提高金融监管有效性。全面审视金融监管制度的短板、工具缺失和信息不足等问题，通过宏观审慎压力测试等技术手段发现潜在风险，并加快建立符合我国国情的系统性风险联防联控机制和监测预警体系，如金融机构的资本充足率、拨备覆盖率、流动性状况等，及时发现系统性风险隐患，并采取有力措施进行全面风险防范。

第二，要继续加强对可能引发系统性金融风险的行业重点监管，特别是银行业、保险业等金融领域的监管。科学评估系统重要性金融行业。研究发现，随着时间推移，银行的系统性风险水平发生明显变化，不同银行在不同时点扮演不同重要性的角色。因此，应定期进行系统性风险监测，对不同银行进行差异化监管，并重点加强这些机构的风险缓释能力，增强其资本实力、夯实拨备水平和提升盈利能力，以努力消除机构自身的脆弱性，确保机构能够充分抵御外部冲击。优化债券市场主体结构，鼓励多元化市场参与者，有序推进“打破刚兑”的进程。推动监管创新，加强违约处置机制。

第三，不能忽视中小金融机构引发系统性风险的可能性。继续优化金融资源空间配置和金融机构布局，大力发展中小金融机构，并及时处置中小金融机构风险。尽管股份制银行，特别是城市商业银行等中小银行在规模上与国有大型银行存在差距，但它们在业务创新性和外部关联性等方面更加突出。此外，中小银行在内部经营管理和流动性方面也更容易出现风险。中小金融机构风险处置将有助于提升整个金融业经营稳健性。因此，我们应根据大型银行和中小银行的特点，采取有针对性、差异化的风险防控措施，推动中小金融机构改革，优化公司治理结构，积极应对存量风险，严格控制增量风险。

NOTES

¹剔除数据缺失的银行后，本文将选取14家系统重要性银行进行实证分析。

参考文献