银行业系统性风险外部环境冲击的量化研究——基于中国经验数据的测度，本文主要内容关键词为：银行业论文,中国论文,外部环境论文,风险论文,经验论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
爆发于2007年年底的美国次贷危机扩散、蔓延成为全球性金融危机，对世界经济发展造成了灾难性影响。时至今日，其影响余波依然巨大。因此，防范系统性风险、维护金融稳定，成为各国政府推动经济发展中的一个重要政策目标。当前，我国经济建设正按照党的“十八大”指明的方向阔步前进，维护金融稳定同样十分重要。近年来，我国金融业改革发展取得了辉煌成绩，为经济发展提供了强大动力。其中，银行业资产规模突破百万亿元大关，在金融业中的主导地位更加突出。因此，维护银行业的稳健发展对维护我国金融稳定非常关键，研究银行业的系统性风险无疑具有重要的理论与现实意义。
虽然我们对经济金融运行机制有了长足认识，但对金融危机这类系统性风险的认识还远远不够。从系统论的观点看，金融危机的爆发如同地震一样，其特征就是压力的集中释放：当经济金融体系的内在压力无法被分散和缓慢消解时，一旦遇到内在或外部的应力或压力变化，就会通过类似地层快速断裂的突发方式使整个系统的状态达到新的平衡。虽然金融危机或地震的爆发时点在人类现有的技术水平下无法准确预测，但是我们仍能像地质学家一样，找到金融危机的“地震带”，通过应力监测与判断，有效地提高中期和长期预报的效果。就政策制定而言，这有助于政府将经济金融发展中的风险积聚控制在经济和金融体系所能承受的最大压力限度内，从而更好地实现维护金融稳定的政策目标。
对银行业乃至整个金融业而言，系统性风险很大程度上来自于外部环境的冲击压力。如果我们能将这些压力通过综合性的量化指标反映出来，将会非常有助于分析和研究银行体系系统性风险状况。在度量系统性风险方面，理论界已做了大量研究。美国次贷危机爆发前，对于系统性风险的度量主要沿着综合指数法和早期预警方法两条技术路线展开；危机后，在理论研究与风险管理实践中，对系统性风险的度量转向了依靠市场数据和复杂的金融工程模型的方法。综合起来，理论界对系统性风险的度量与测度方法主要有以下四种类型：
一是综合指数模型。IMF(2001)发布的金融稳健指标体系(FSI)，强调了实体经济部门的运行对金融体系，特别是银行体系的冲击，注重实体经济与金融部门之间的内在联系，考察金融中介对金融风险的影响机制和程度，综合评估不同类型金融风险的演变及其可能产生的后果。Illing和Liu(2003)、Hakkio和Keeton(2009)、Cardarelli(2009)等，分别基于度量系统性风险程度的被解释变量和其他影响系统性风险的解释变量，构建了不同国家或地区的金融系统性风险预警指标体系。
二是早期预警模型和网络传导模型。Frankel和Rose(1996)提出的FR概率模型，利用单位概率模型计算金融危机发生的概率。刘遵义(1995)使用实证比较的数量分析方法和综合模糊评价方法，以墨西哥为参照国家，分析了东南亚地区发生金融危机的可能性；同时，选用了实际GDP增长率等10项经济和金融指标，以“一国表现较差的指标个数与总指标个数之比”作为该国发生金融危机的主观概率。Kaminsky、Lizondo和Reinhart(1998)提出的KLR信号法模型，在选取预警指标的基础上，根据历史数据的分布确定其阈值，超过阈值时便发出预警信号，且信号发出得越多意味着危机爆发的可能性越大。此后，Kaminsky(1999)、Goldstein等(2000)、亚洲开发银行(2006)对KLR指标体系进行了修正、补充和完善。KLR指标体系不仅考虑了国内的金融部门、实体经济部门和政府部门，而且考虑了对外贸易部门和国际经济环境。此外，Sachs、Tornell和Velasco(1996)提出的STV模型，Andrew(1999)针对发展中国家危机提出的DCSD模型，Nag和Mitra(1999)提出的人工神经网络和Abiad(2003)构建的马尔科夫转移模型，也都基于上述指标法的基础数据，通过引入时间序列分析技术进行风险分析。另外，IMF(2009)提出的网络模型则利用银行间相互敞口和交易数据来构建风险网络关系，根据银行间市场的网络形状模拟风险相互传染的情况，从而测算每个银行网络中积累的系统性风险。在国内，李关政和彭建刚(2010)也提出了类似的基于系统性风险的logistic改进模型，在纳入财务因子的基础上，从经济转型和经济周期两个方面引入系统性风险因子。
三是基于市场数据的时间序列模型。其中一类主要是围绕VaR方法及其思想进行的改进和完善，包括Fragnire等(2008)提出的将流动性调整纳入VaR模型的LVaR模型、考虑极端情形并关注尾部风险的极值理论(EVT)和考察尾部损失均值的期望损失(ES)模型；Adrian和Brunnermerier(2008)提出的用以度量单个机构资产组合在其他金融市场或金融机构在危机或高风险条件下的损失，以反映单个机构对整体系统性风险影响的条件风险价值(CoVaR)方法。另一类则是用于捕捉系统性风险因素之间的非线性关系和影响变量结构突变的模型，包括Engle(2002)在自回归条件异方差(ARCH)和广义自回归条件异方差模型(GARCH)基础上发展起来的多元GARCH模型，以及Hamilton和Susumel(1994)构建的状态转换ARCH模型(SWARCH)。前者用来研究变量间的非线性关系和时变相关关系，后者用于捕捉变量在结构上的动态转换。国内学者王书斌和王雅俊(2010)基于资产价格波动的视角，结合博弈论和微观经济学理论，论证了银行体系系统性风险是如何通过资产价格进行传导的，并通过中国银行业的实际数据进行了验证。
四是建立在多市场数据基础上的系统性风险度量模型。这类模型主要基于Copula函数等相关性分析方法，主要包括：Lehar(2003)提出并由Gray和Jobst(2009)发展的未定权益分析模型(CCA)，以及Segoviano和Goodhart(2009)构建的危机联合概率模型(JPoD)。
上述四类方法或模型，虽然大大推进了我们对系统性风险的认识和研究，但仍存在一些突出的问题和不足。一是临界值和风险事件确定困难。就综合指数法而言，阈值的选择比较困难，不同的国家差异也比较大，使其应用受到一定的限制。而在指标构建适当的前提下，早期预警方法预测系统性危机的效果较好，但是其实现准确预警的前提条件是，能够基于其历史上的金融危机，实现对系统性风险触警事件的准确定义。这使得该方法在尚未发生过真正意义上金融危机的发展中国家的应用受到限制。二是分析指标框架涵盖面不足，指标体系往往偏重于某些方面。虽然国内外现有研究构建了多个度量金融危机的指标框架，但大都只是围绕货币危机和金融危机加以讨论，而且在度量银行体系风险时多直接采用银行经营指标，而并没有深入分析宏观经济指标可能对银行带来的外部冲击及影响。三是模型越来越复杂和精巧，对宏观审慎风险监管实践造成了理解和运用上的困难。比如以Copula函数为基础的模型，虽然很好地刻画了各影响变量之间的非线性关系，但模型在参数估计和模拟计算方面非常复杂。四是部分模型主要基于交易信息，对影响系统性风险的市场因素和其他因素的综合考虑不够。这对金融市场不发达的国家而言，存在很大的局限。例如，基于市场数据的模型需要假定价格等关键变量来反映市场的倾向，对于像中国这种利率仍未完全市场化的经济体而言，显然不具备可操作性。
与现有文献相比，本文的贡献主要有以下四个方面。一是综合考虑了宏观因素和微观因素。鉴于导致金融风险的因素是多方面的，本文所构建的度量外部环境冲击的指标体系，不仅包含来自宏观经济和金融市场的冲击，还包括微观经济主体的行为可能对银行体系所产生的影响，使得外部冲击来源的涵盖面更加全面。二是采用层次分析法(AHP)确定了各指标的重要性权重，并结合客观权重法构建了指标体系的复合权重。这既体现了专家团队对银行业系统性风险影响因素及其影响程度的认知和判断，也结合了数据的变化趋势，是一种方法上的尝试。三是在系统分析各影响因素压力传导路径的基础上，选用中国的经验数据构建中国银行业的外部冲击指数(EEI)，用以刻画和研判中国银行业系统性风险的外部压力状况。四是分析框架紧凑明了，综合指数有利于今后在宏观审慎监管实践中的持续跟踪和进一步分析运用。后文的结构为：第二部分，外部环境冲击的分析架构；第三部分，外部环境冲击指标体系的构建；第四部分，外部环境冲击指数：中国的经验数据及其解释；第五部分，未来研究展望。
二、外部环境冲击的分析框架
大量的危机理论和历次金融危机中的实证数据已表明，包括宏观经济因素在内的外部环境变化和银行系统性风险之间存在千丝万缕的联系。Wilson(1998)采用德国公司1960-1994年间的数据样本研究了平均违约率和宏观经济形势之间的关系，发现GDP增长率、失业率等宏观经济变量可以解释平均违约率时间序列变化的90%。来自外部环境的负面冲击主要是从三个方面影响到银行的安全。一是由于宏观经济的波动造成的银行资产质量的下降，带来了信用风险，以及伴随着信用风险可能产生的市场风险和流动性风险；二是由于金融市场的波动带来银行风险敞口的增大，从而带来市场风险、流动性风险以及潜在的操作风险；三是由于微观主体，特别是实体经济中的银行客户的趋同性行为，导致银行资金来源的短缺和不良贷款，可能为银行带来信用风险、挤兑风险和流动性风险等。从冲击来源看，外部环境的冲击主要来自宏观经济环境、金融市场和微观经济主体三个方面。宏观经济环境和金融市场主要引起市场风险、信用风险和流动性风险，微观借贷主体主要会引起信用风险、流动性风险和操作风险。外部环境冲击对银行资产负债表的影响有两种：一种是直接冲击，即影响因素能够直接对银行风险造成影响，并给银行带来损失；另一种是间接冲击，即影响因素或通过影响直接微观借贷主体，或通过第二轮冲击而导致系统性风险(各大影响因素对银行体系冲击的传导路径见图1)。综合现有文献的研究成果和我国银行业发展环境面临的特殊情况，我们选择了12个主要冲击源，分析其冲击的压力传导途径。
图1：外部冲击影响商业银行系统性风险的总体路径
(一)主要宏观经济因素的传导路径
1.经济增长
宏观经济状况是银行赖以生存的外部环境。经济稳健与否决定着银行外部运行环境的好坏，对银行经营活动起着基础性作用。经济增长是对一国宏观经济发展状况最为直观的综合评价指标，通常用GDP增长率来表示。经济增长率对银行系统性风险的影响主要有三个途径：一是经济周期不同阶段银行资产价格和规模的变化，导致银行自身风险的变化；二是经济周期不同阶段银行主观经营模式的转变带来的潜在风险的变化；三是经济周期不同阶段实体经济部门(包括政府、企业和居民三大部门，尤其是企业部门)的不同表现会间接影响银行体系的资产质量，导致信用风险的变化。经济增长冲击与其波动幅度高度正相关，当经济增长过快即超过了正常增长区间(潜在增长率的邻域)时，经济中的泡沫较多，此时因经济增长引发风险的几率亦较高，而当经济增长平缓时风险则相对较低；相反，当经济增长过慢即可能陷入衰退时，也将带来较大的风险。基本传导过程为：经济波动→市场主体的投资偏好和盈利状况变化→市场主体与银行债权/债务的关系变化→银行信贷量变动(银行信贷资金供求失衡)→银行体系风险变化。
2.通货膨胀
维持较低的通货膨胀水平是货币政策的主要目标，也是保持经济稳定增长的重要保障之一。高通胀意味着货币的贬值，这对于经营货币的银行机构来说，不仅会带来直接的资产损失，而且伴随着企业资产负债状况的恶化将增加银行的信用风险和流动性风险。同时，当通货膨胀发生时，政府往往会采取紧缩的货币政策，从而导致利率上升和市场流动性紧缩。这不仅会影响银行的利率，也会加剧银行的流动性风险。
3.投资
在影响产出和经济增长的诸多因素中，资本因素占有相当大的比重。投资作为资本的原始投入，是经济运行中的重要决定性因素，也是经济增长的主要驱动力。投资越多，形成的生产能力越大，国民经济增长就越强劲。但是，过快的投资也会带来潜在的产能过剩风险和资产泡沫。对于银行体系来说，投资的增长会带动银行信贷的增长，但是也增加了不良贷款积累的可能性。
4.房地产市场
房地产业作为资金密集型行业，与银行系统性风险有着十分紧密的联系。银行的信贷资金直接推动了房地产市场的扩张，为房价上涨提供了资金支持。一是随着房地产价格上升，房地产企业的扩张意愿增强，银行放贷意愿和市场投资信心均不断增强，同时也会吸引大量的境外投机资本的流入。但是，作为抵押品的房地产价值出现大幅增长会导致银行更大规模的贷款，房地产企业的杠杆率进一步提高，反过来刺激房地产等资产泡沫进一步膨胀。当房地产泡沫膨胀到超过市场承受能力时，符合条件的购买者减少，市场对房地产的购买力下降，房地产价格可能将在僵持一段时间后直接下跌，使房地产泡沫破裂。此外，当房地产价格高涨而货币政策同时由宽松转为紧缩时，随着货币供给减少、利率上升和信贷收紧，房地产业过度膨胀所隐含的金融风险会迅速通过房价下跌显现出来。房地产价格下降对银行业的影响表现在：一是房地产企业资金链断裂带来的直接信用风险；二是房地产价格下跌会带来银行抵押物价值下跌，并会导致银行因还款意愿下降和贷款违约损失率提高而出现大量坏账的风险；三是房地产企业对其他行业甚至整个宏观经济的冲击，也会反映到银行业(见图2)。
图2：房地产企业冲击的传导路径
5.对外贸易和资本流动
当经济体处于开放经济条件时，对外贸易和国际资本流动都可能将风险传导至银行体系。考虑到其对银行体系风险的传染路径、方式与国内经济变量有所不同，特别是在一个尚未实现完全开放的经济体，其对系统性风险的影响及其大小有独立分析的必要性。对外贸易对银行业的冲击主要包括以下两个路径：一是贸易条件变化和贸易量增减影响出口企业的盈利，进而影响银行业；二是经常项目下国际收支的变化会对汇率造成上升或下降压力，最终通过金融市场传递至商业银行。
(二)主要金融市场因素的传导路径
宏观经济的影响很多是通过金融市场来间接形成的。同样，金融市场的波动不仅会直接影响银行的资产负债表，同时也会对宏观经济产生影响，进而通过微观主体的行为对银行体系的系统性风险产生二次冲击。下面以利率代表的货币市场、汇率代表的外汇市场和股价代表的证券市场作为主要分析对象，详细讨论三类金融市场变化如何冲击银行体系，并分析三类金融市场之间的相互影响。
1.利率
当实际利率上升较快时，借款者还贷和融资成本大幅增加，财务状况恶化，致使借款者可能无力清偿已有债务，导致银行信用风险积聚。如果本国利率超过国外利率，会吸引国际热钱流入。在这种情况下，一旦国际经济形势波动引起资金外逃，国内银行业的流动性风险将会显现。当实际利率下降较快时，银行放贷条件会变得更加宽松，偿债能力较差的借款人获得贷款的比例增加，同时也加速了资产泡沫的形成，银行信用风险隐患增大。此外，贷款利率的下降导致的信贷扩张，还可能引起通货膨胀的升级，从而带来利率风险；同时存款利率下降可能会带来存款来源萎缩，银行的支付能力下降，流动性风险增大。当然，利率的波动并非简单的上调或下降，存款利率与贷款利率不对称的变化会使银行流动性风险更加复杂，其影响很难从宏观的角度准确把握。因此，我们仅观察利率波动对系统性风险的直接冲击。利率波动越大，银行系统面临的冲击越大；反之则相反(见图3)。
图3：利率对银行体系的冲击路径
2.资本市场
资本市场与银行体系共同构成企业的融资渠道。股票市场的理性繁荣有利于缓解银行体系的流动性，其对于银行体系的直接风险主要体现在股价的下降。当然，股票市场过度繁荣时金融体系的杠杆率会升高，也有可能在未来经济反转时成为对银行体系造成毁灭性打击的重要因素。在股市整体低迷或者股价急速下跌的时期，一方面，上市企业资产价值大幅缩水，经营困难，以至无力还贷，银行信用风险随之增大；另一方面。股价下跌导致以股票或相关证券为抵押品的银行资产贬值，银行的市场风险和流动性风险亦陡增。股票市场低迷还会在很大程度上影响投资者的信心和预期，进一步刺激资金的逃离，加剧流动性风险。当然，在螺旋效应的作用下，股票市场和债券市场的不利因素将更深远地引起经济下滑，从而可能引发银行危机或经济危机。如果是股价快速上涨，则会增加股市对投资或投机者的吸引力，刺激部分银行存款资金和国内外投机资本快速进入，从而催生股市泡沫；而当泡沫严重偏离实体经济发展现状并透支未来股价的升值空间时，市场的理性预期将促使风险偏好相对保守的投资者逐渐开始抛售，并在“羊群效应”作用下，推动股价下行甚至快速下跌，导致各方资金纷纷逃离，股价上涨时期埋下的各类风险隐患逐渐暴露出来，并对银行体系造成冲击。也就是说，股价快速上涨累积的风险，最终是通过股价下跌来体现的。但如果股价能伴随实体经济发展稳步上涨，则并不会导致风险的积聚(见图4)。
图4：股价对银行体系的冲击路径
3.外汇市场
与利率风险类似，外汇市场的汇率风险本身就是单家银行面临的主要市场风险之一。这主要体现在外汇买卖中产生的外汇交易风险，以及由于汇率波动而可能给其持有的外汇头寸带来的风险。如果本币出现较大幅度贬值，一方面，国内企业将面临未对冲净外币债务的本币价值增加，加重企业的还债压力，导致企业债务违约乃至破产，并由此带来银行不良贷款的增加和违约率的上升，增大银行体系的信用风险和流动性风险；另一方面，则会推动进口商品成本和本国一般物价水平的上升，导致通货膨胀的上升和实际利率的下降，增加贷款人的还贷和融资成本，使其经营面临更大的困难，银行的信用风险也随之进一步增大。如果本币出现超出一定范围的升值，可能会出现以下两种可能：一是由于出口产品价格上升，贸易逆差加大，从而导致外汇储备的下降。这将使得一国货币当局不得不吸收部分本币流动性以实现对冲，从而可能造成流动性的下降；同时，还将影响国家的债务支付能力，从而增加货币危机或债务危机的可能性。二是本币升值会吸引大量国外资金通过合法或非法途径流入。这可能将推动国内股票或房地产等资产价格的大幅上升，催生资产泡沫，为银行体系埋下风险隐患(见图5)。
图5：汇率变动对银行体系的冲击路径
(三)微观借贷主体的风险传导路径
宏观经济和金融市场的波动，很多是通过企业、居民和政府等微观借贷主体的行为或资产负债状况的改变而间接影响银行体系的。然而，这些微观借贷主体即使在没有受到宏观经济环境或者金融市场的冲击下，也会由于自身的经营、消费、储蓄以及投资行为的变化而对银行体系造成影响。一是企业渠道对银行系统性风险的直接传导，表现为企业的收益和资产流动性直接关系到银行信贷资产的质量。企业的负债结构与银行系统性风险的关系最为密切。在经济扩张的繁荣时期，企业会加快投资，杠杆率不断提高，整个社会投机性融资和庞氏融资的比例也随之不断提高(Minsky，1986)。当经济形势略微偏离预期时，借款企业会改变投资计划或变卖投资资产，导致资产价格下跌，银行发放信贷也会变得谨慎。费雪提出的债务紧缩过程会由此开始：企业的破产倒闭引发资产价值下降，银行不良资产规模迅速上升，对负债的清偿能力下降，信用风险和流动性风险往往会导致银行的破产倒闭。二是居民的实际财务状况或者心理预期的变化，都会对银行造成冲击。当居民的实际可支配收入减少和实际财务状况恶化时，银行的个人贷款违约率上升，信用风险增大；随着银行资金来源的减少，流动性风险可能会上升。当一定比例的人群预期银行存款可能遭受损失时，挤兑危机就会席卷而来。三是政府作为微观经济主体，通过借贷和发行政府债券影响商业银行经营。为了实施基础设施建设等大型公共项目，政府除了从财政调拨资金外，在直接发行债券比较困难的情况下，会更倾向于通过政府控制的经济实体(如中国地方政府融资平台公司)向商业银行融资。这些基础设施建设往往周期长、盈利性差，直接给银行的资产质量造成压力。
三、外部环境冲击指标体系的构建
为了使分析更加明晰和直接，前文分析中提到的间接冲击造成的影响将不予考虑。在借鉴刘春航和朱元倩(2011)分析框架的基础上，本文结合数据的可获得性、有效性以及指标的代表性和区分度，为上述12个主要冲击源各选取一个代表性指标，构成外部环境冲击指标体系，用来编制外部环境冲击指数(External Environmental Index，简称EEI)。该指标体系包括：宏观经济贸易环境指标，用以反映国内外宏观经济贸易环境(包括资本项)的稳定性；金融市场指标，主要包括信贷指标、资金价格指标和资产价格指标，用以反映金融市场的稳定性；微观主体资产负债指标，主要包括政府收支状况指标以及企业资产负债指标，从资产负债表角度反映微观主体的还贷能力(具体指标及指标对银行业的冲击特征见表1)。
权重确定
我们先利用主观赋权法(层次分析法)获得各指标的主观权重，再利用客观赋权法(熵权法)获得客观权重，最后将主观权重和客观权重组合加权形成组合权重。
1.确定主观权重
常用的主观赋权法有层次分析法(AHP)、二项系数法、环比评分法、专家调查法(Delphi法)、最小平方法等。其中，AHP法因为其系统性、层次性以及定性与定量相结合的优点，在经济计划和管理、行为科学、运输、医疗等众多领域得到广泛应用。以下对AHP法的分析步骤做详细介绍(该方法也是本文所选择的度量外部环境指数的构建方法)。AHP法是一种用于多目标、多方案优化决策的层次化、结构化的决策方法。该方法应用的具体步骤如下：
第一步，基于系统中各因素之间的关系，建立层次结构。运用AHP法首先需要将问题结构化、层次化，建立一个层次分明的结构模型。构建原则是，上一层次的指标要能对下一层次的指标起支配作用；一般来说，同一层次中的元素不能超过9个，否则对于元素的两两比较将出现困难。据此构建的外部环境冲击指数层次结构如图6所示。层次化的设计可以将问题简单化、明朗化，避免由于同时对多个指标的重要性进行人为判断而带来的误差。一个好的、合理的层级设计是通过层次分析法解决问题的重要基础。
第二步，基于同一层级元素重要性的两两比较，构造判断矩阵。建立了层次构造模型后，需要对不同层级的指标分别打分判断其重要性，并根据得到的分数构建判断矩阵。打分的标准是将同一层级的指标两两进行比较，根据重要性程度对比值进行打分。这里比较的基础是关于上一层级中的某一准则。例如在图6所示的层次结构中，GDP增速和固定资产投资增速的重要性比较就是基于各自对宏观经济因素的影响，进而对银行体系系统性风险的贡献大小(打分的分值和标准见表2)。例如，假设上述第三层级为C层级，那么对于C层级下的指标
20世纪90年代以来，AHP方法不断改进，包括一致性检验的方法、排序方法、判断矩阵的灵敏度分析以及与其他方法的结合，但其本质上仍没有脱离根据专家主观判断决定权重的基本理念。
最后是AHP问卷分析结果。研究中我们共向有关专家发出调查问卷30份，回收问卷27份。其中，有效问卷24份，无效问卷3份。我们根据每份问卷计算12个二级指标的权重，求得平均权重，并检验其一致性。表5为最后确定的宏观因素冲击权重结果。
从表5的结果可以看出，接受调查的专家认为，在宏观经济指标中，实体经济对银行业的冲击最大，权重占比将近一半；金融市场和经济金融结构各占五分之一；而国际贸易对银行业的冲击最小，权重只有约8%。在所有指标中，GDP增速对银行业冲击最大，其次为信贷/GDP，再次为固定资产投资增速和房地产价格增速，而沪深300指数涨跌幅和人民币实际有效汇率对银行业的冲击最小。
2.确定客观权重
客观赋权法采用的原始数据即各指标在决策方案中的实际数据，根据原始数据之间的关系来确定权重，充分利用实际数据中的信息。常用的客观赋权法有熵值法、主成分分析法、离差及均方差法、因子分析法以及多目标规划法等。其中熵值法能够深度挖掘数据中所含的信息，在权重选择方法中得到广泛应用。熵是对数据中所含信息量多少的度量。通过计算数据的离散程度反映数据中的信息：数据的差异越大，熵值越大，数据所含的信息量越少；反之，熵值越小。熵值法就是通过计算数据的熵值得到指标的权重。熵值法权重的具体计算步骤如下：
第一步，对原始数据矩阵进行标准化。设k个评价指标，n个评价对象，得到的原始数据矩阵如下：
式中，
。离散程度越高的指标熵值越大，包含的信息量越少，对于银行体系的外部冲击效应也较小，因此权重也越小；离散程度越低的指标熵值越小，包含的信息量越大，越能说明该指标对银行体系系统性风险外部冲击的持续作用，权重也越大。我们选取12个指标在2004-2010年的季度数据，根据以上计算步骤，得到熵值法下各指标的权重(见表6)。从表中可以看出，TED利差的数据提供的信息量较大，熵值法认为该时间序列具有较高的效用，因此占有较大的比重；其次为贷款基准利率，这两个指标都会对银行业的信用风险造成直接冲击。GDP增速、房地产价格指数增速、政府杠杆率和贸易顺差/GDP对银行业冲击最小。这一结论与主观赋权法差别较大。这反映了主观和客观赋权法结合使用的必要性，以使专家的经验与客观数据中的信息互为补充。
3.确定最终组合权重
无论是反映决策者主观判断或经验的主观赋权法，还是基于比较完善的数学理论与方法的客观赋权法，都存在其各自的优缺点。为同时兼顾决策者对某些指标的偏好和赋权的客观性，在实践中，常常将两种方法结合起来使用，称为主客观综合赋权法或组合赋权法。结合的方法一般采用简单加权平均的方法。首先，分别用主观赋权法和客观赋权法得到相关指标的权重和；然后，由决策者根据经验、偏好，结合要决策的实际问题，确定二者在综合赋权法中的比重α∈(0，1)；最后，根据以下公式简单加权得到综合赋权法的权重。
四、外部环境冲击指数：中国的经验数据及其解释
我们利用2004-2010年之间中国宏观经济与金融数据，尝试构建中国银行业外部环境冲击指数，以期量化中国银行业经营面临的系统性风险冲击压力大小，为压力监测提供一种观察视角，也为下一步的系统性风险预警研究奠定基础。
根据原始数据折线图，发现有4个指标存在较明显的季节性趋势，分别是沪深300指数涨跌幅(SICH)、信贷/GDP(CGDP)、规模以上工业企业杠杆率(FLRE)和政府杠杆率(LROG)。我们应用Census X12法进行季节性调整。人民币实际有效汇率(REER)略有长期向上趋势，但不明显，不作处理。对于负向影响的指标转化成倒数。最后，统一对处理后的各指标进行标准化。将以上数据标准化后，根据下列公式合成EEI指数：
式中， 
为第j年的第i个指标经过去季节和趋势并标准化后的值。最后得到的EEI指数值见表8。
根据表8的数据，我们绘制了α值水平分别为0、0.5、1的三个EEI指数折线图(见图7、图8、图9)。图中的虚线为正负一倍标准差基线，实线为不同α值水平下的EEI指数。从三个图中可以看出，从2004年开始，外部环境对银行业的冲击逐渐下降，银行业的经营日渐稳健；2005年至2006年期间，外部环境冲击下降到最小；2008年金融危机之后，外部环境冲击对银行业的影响迅速显现，并于2009年前后达到最大值；随后，EEI指数迅速回落，到2010年第四季度时恢复到2007年的水平，表明以金融危机为主的外部环境冲击已经缓解。
利用图7-9的数据，可对主观赋权法与客观赋权法做进一步的分析比较。从两者对冲击认知时间的比较来看，在2004-2006年前后的冲击下降阶段，主观赋权法合成的EEI指数(α=1.0)比客观赋权法合成的EEI指数(α=0)先降到底谷；而在金融危机冲击阶段，主观赋权法合成的EEI指数对危机冲击到来的感知则要落后于客观赋权法得到的EEI指数，且对危机冲击缓解的感知时间同样落后于客观赋权法得到的EEI指数。这表明，客观赋权法合成的EEI指数对外部环境冲击的预警总体上要比主观赋权法合成的EEI指数更加及时。从两者对冲击大小认识的比较来看，在EEI指数低谷时期，主观赋权法合成的指数要小于客观赋权法合成的指数；在金融危机冲击后，主观赋权法合成的EEI指数最高值持续的时间要长于客观赋权法合成的指数，而且持续期的指数值高于客观赋权法。这表明，主观赋权法在外部冲击较小时更加乐观；而在危机冲击下更加悲观，所认知的危机冲击程度比客观实际数据反映的要严重。
综合上述分析，客观赋权法与主观赋权法在合成指数中各有千秋，应综合考虑两者的权重，选择组合赋权法更加科学和合理。
五、未来研究展望
本文利用中国的数据创建了银行业外部冲击指数，为进一步定量讨论冲击大小和强度创造了条件。但该研究与系统性风险早期预警的目标还有非常大的距离，因为冲击压力并不是系统性风险本身，就像地球应力并不是地震爆发概率本身一样。一般情况下，冲击强度越大，系统性风险越高；但由于经济金融各种因素之间的联系异常复杂，不仅有直接的压力传导，也有间接的影响波及，还有经济金融系统之间的反馈和回路机制，“黑天鹅”往往会不期而至。这些都使得对系统性风险本质及其变化规律的认识更为困难，准确预警的难度更可想而知。
下一步的研究，一是要关注系统性风险本身，即要进一步研究什么是系统性风险，以及如何度量或者如何表征。二是要进一步弄清系统性风险与各影响因素之间的相互作用机制，特别是反馈回路机制，以及个体预期对风险的影响。三是要利用样本外数据对有关监测指数或模型进行检验，找出更加稳健、结构明晰和易于理解的模型作为进一步研究的参考。四是在技术层面，要找到解决结构变迁的有效分析方法。目前，有区制转换等方法可以部分解决结构突变的问题，但对于结构渐变的时间序列，仍无很好的分析方法。五是进一步创新建模思路，将自下而上的建模方法与自上而下的方式相结合。在不考虑具体冲击结构的情况下，微观主体按照各自的活动规则(风险偏好和决策函数)应对外部环境的冲击，观察其宏观“涌现”的特征和变化趋势。当然，将DSGE和SVAR模型的优良特性引入系统性风险的研究，也是一条值得考虑的路径。
标签：流动性风险论文; 银行论文; 信用风险论文; 系统性风险论文; 银行风险论文; 经济风险论文; 经济模型论文; 企业经济论文; 量化投资论文; 美国金融危机论文; 金融论文; 企业外部环境论文; 全球金融危机论文; 风险模型论文; 量化管理论文; 量化模型论文; 风险权重论文; 宏观经济论文; 路径分析论文; 风险管理论文;