最优银行集中度之谜，本文主要内容关键词为：之谜论文,最优论文,集中度论文,银行论文，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
在此次全球金融危机中，各国多家大型金融机构出现严重问题，对这些陷入困境的金融机构进行救助不仅成本巨大，而且可能诱发严重的道德风险问题，这使得当局在“救与不救”之间左右为难。在饱受了危机之苦后，如何处置“大而不能倒”(too big to fail)的金融机构成为新一轮金融改革的重要议题。在危机后新的金融监管改革方案中，美国明确表达了对“大而不能倒”的金融机构的警惕，而英国和瑞士央行甚至提议监管机构直接将那些“大而不能倒”的银行分拆为中小银行。
全球银行业真的应该走向中小银行时代吗？从金融研究的角度来看，“分散型”的银行体系(即中小银行体系)和“集中型”的银行体系(几个大银行占主导地位的体系)实际上代表着不同的银行产业结构。若以产业经济学常用的“集中度”的概念来描述此问题，那么，问题的实质是要确定银行集中度(Bank Concentration)和银行体系稳定性之间的关系——如果银行集中度最终被证明与银行体系的稳定性呈现出显著的负相关关系，那么，取消大银行、建立“分散型”银行体系的改革取向就具有合理性。
从既有文献来看，关于银行集中度和银行稳定性之间的关系，理论上尚未达成共识，而实证分析得出的结果也不尽一致。细观这些文献，无论是理论争论还是实证分歧，事先都有一个共同的预设条件或待验假定，即要么认为银行集中度和银行稳定性正相关，要么认为二者负相关。这种类似于“单向”线性相关的假定在很大程度上忽略了二者之间存在更复杂的“非线性”联系的可能①。如果银行集中度和银行稳定性之间的“非线性”关系能够得到确认，那么，既有文献中的很多争论无疑将得到新的解释。
基于上述考虑，本文选取了全球范围内一个代表性的国家样本，尝试将研究思路从过往文献集中于二者存在“单向”相关关系的假定扩展至更深入的非线性相关关系的讨论，这种延伸将有助于我们对银行集中度与银行体系稳定性之间的关系形成更为全面的认识，并为后续研究开辟一个新的起点。本文其余部分的组织结构如下：第二部分对相关文献进行必要的梳理，第三部分进行实证分析和检验，第四部分在实证发现的基础上提出“最优银行集中度之谜”并对此进行初步的解读，文章最后给出一个结论性评价。
二、文献回顾
从理论研究来看，究竟是集中型的银行体系有助于金融稳定还是分散型的银行体系有助于金融稳定，长期以来一直是一个争论不休的问题。支持集中型银行体系的观点认为，在分散型银行体系中，数量过多的银行可能导致银行业的过度竞争，而过度竞争会降低银行的“特许权价值”(Franchise Value)，进而增加银行承担风险的激励，最终降低银行体系的稳定性。相比之下，在一个相对集中的银行体系中，由于大型银行的风险管理能力强于小型银行，能产生更为稳定的收入和现金流，这将增加银行的特许权价值并成为银行应对外部冲击的重要缓冲，从而降低银行承担过度风险的激励，有助于银行体系的稳定性(Hellman et al，2000)。在此方面，Keeley(1990)认为，银行特许权价值相当于银行经营失败的机会成本，竞争的加剧会导致银行特许权价值的下降，从而导致风险承担行为的相应增加，20世纪80年代美国银行失败数量的增加在一定程度上应归因于银行业竞争的加剧。Hellman等(2000)也认为，存款竞争会降低银行的特许权价值，助长银行的冒险行为，从而引发金融不稳定。Demsetz等(1996)在Keeley(1990)的基础上，估计了特许权价值对各种风险衡量标准的影响，结果表明，相对于特许权价值较低的银行而言，特许权价值较高的银行拥有更多的资本并且资产风险也更低。此外，在一个相对集中的银行体系中，市场力量的加强还可以在一定程度上减轻道德风险问题。Petersen和Rajan(1995)建立的局部均衡模型表明，市场集中和垄断使得银行有可能通过设定利率、实施信贷配给、与借款人形成长期关系等方式来缓解信息不对称所引致的逆向选择与道德风险问题，因而市场集中有利于银行稳定。从金融监管方面来看，Allen和Gale(2000)认为，针对几个大型银行的监管比针对若干个小型银行的监管更容易实施，这将提高公司治理的有效性并减少风险传染的可能性，尤其是当银行体系中存在一些大银行并且持有比小银行更多的多样化证券资产时，银行集中度的提高有利于银行体系的稳定。
相比之下，支持分散型银行体系的观点则认为，面对“大而不能倒”的政策悖论，大型银行不仅长期接受来自政府的隐形补贴，而且可能形成一种风险可以“外部化”的特殊预期，从而形成过度承担风险的偏好，最终降低银行体系的稳定性(Mishkin，1999)。同时，由于银行集中度与其所具有的市场势力(Market Power)正相关，因而在一个集中型的银行体系中，大型银行可能利用其强化的市场势力收取更高的利率，而利率水平的提高将诱发逆向选择和道德风险问题(Stiglitz and Weiss，1983)，导致银行贷款向高风险企业和项目集中，从而增加了银行体系的脆弱性(Boyd and De Nicolo，2005)。此外，针对集中型银行体系支持者“大型银行更容易监管”的观点，分散型银行体系的支持者认为，少数大银行并不必然比众多小银行更容易监管，如果银行的规模大小与其结构的复杂性程度正向相关的话，那么，大型银行的组织构架和运作过程将更加不透明，这反而会增加外部监管的难度并降低外部监管的有效性，从而降低银行体系的稳定性。
从实证研究来看，Boyd和Runkle(1993)通过对美国122家银行控股公司的考察发现，银行控股公司的规模与其资产收益的波动性呈现出负向关系，没有证据表明大型银行更容易倒闭。Beck等(2002)以1980-1997年间70个国家的跨国数据为基础，系统考察了银行集中度、银行管制和国家制度对系统性银行危机(Systemic Banking Crisis)发生概率的影响，实证结果表明，银行集中度与系统性银行危机的发生概率呈现出显著的负相关关系，随着银行集中度的提高，系统性银行危机的发生概率显著下降。而De Nicolo等(2003)针对单个金融机构的实证分析几乎得出了相反的结论，他们发现，单个银行的倒闭概率与银行集中度显著正相关，这意味着，随着银行集中度的提高，其稳定性将下降。De Nicolo等(2003)的研究还表明，在具有一定集中度的银行体系中，如果竞争程度较高且具有较为成熟的司法体系，那么其爆发银行危机的概率较低。Schaeck等(2006)从另一个视角分析了银行集中度、银行竞争和银行稳定之间的关系，他们对38个国家1980-2003年的银行数据进行分析后发现，在集中度和监管政策既定的情况下，竞争能够显著降低系统性银行危机的发生概率并延长银行的存活时间。
三、实证分析与检验
(一)研究样本与模型设定
本研究选取了世界范围内一个具有代表性的样本，共包括89组相关数据，涵盖了全球主要的发达国家和发展中国家。按照IMF的分类，这一样本含发达国家数据25组，发展中国家数据64组。较之过往同类型的跨国实证分析，这是一个相对较大的研究样本。样本区间定位在1980-1997年，这一方面是为了便于和过往一些重要的相关研究作比较(如Beck等(2000、2002)的研究)；另一方面，从金融研究的角度来看，在1980-1997这一时间跨度里，不仅大部分国家完成了向现代金融体系的过渡，而且各国基本上都经历了不同形式的金融稳定和效率的变迁，这使得该区间的跨国分析具有较强的可比性和说服力。
根据研究目标，实证分析部分我们主要考察银行集中度(Bank Concentration)对银行体系稳定性的影响。按照研究惯例，一国银行体系的稳定性一般用其“反向指标”银行危机来衡量：越是稳定的银行体系，越不容易发生银行危机。基于此，在我们的模型设定中，被解释变量为银行危机指标，而主解释变量则为银行集中度指标。具体的模型设定如下：
在解释变量方面，B作为银行集中度的替代变量，我们采用世界银行(WB)的方法，即用一国前3大银行的资产在全部银行资产中所占的比重来定义“银行集中度”。根据这一定义，在位于[0，1]的取值区间内，银行集中度水平越高，代表一国的银行业的产业结构越趋于集中和垄断；反之，银行集中度水平越低，则代表一国银行业的产业结构越趋于分散和竞争。
除了作为核心解释变量的银行集中度指标外，我们还适当引入了其他一些解释变量对不同经济体的基本特征进行控制，以消除不同经济体的异质性可能带来的影响，提高模型的稳定性和解释力。部分地参考过往研究，我们主要从三个基本层面对不同经济体的特征进行控制：宏观层面因素(如人均GDP、通货膨胀水平)、产业层面因素(如银行管理成本、银行业资产收益、对私人部门的信贷水平)和制度层面因素(如国家腐败程度、金融开放性程度)。这些用于控制经济体特征的非核心解释变量由模型中的多维向量矩阵X表示。上述各解释变量的来源、说明和经济含义详见表1。模型中各变量的基本统计描述如表2所示。
在本文的模型设定中，根据被解释变量的二元性质，我们主要使用ML-Binary Probit方法进行回归分析，其主要目标在于通过相关系数的符号判断变量之间的相关关系。对于文中使用的各解释变量，相关系数分析表明，用于控制各经济体特征的变量与本文的主要解释变量(即银行集中度B)的相关系数的绝对值最大不超过0.309，这表明在对经济体的其他特征进行控制后，多元回归分析中银行集中度B的系数可以相对独立地反映其对被解释变量(即银行危机Y[，i])的影响。
(二)实证分析
1.对银行集中度与银行危机发生概率之间线性相关的再检验
前面我们已经提及，在Beck等(2002)的研究中，通过对70个国家的实证分析③，得出了银行危机与银行集中度呈负相关关系的结论，这意味着，在那些银行集中度越高的国家，发生银行危机的概率越低。这是一个很强的结论，意味着银行集中度与银行危机的发生概率呈现出显著一致的负线性关系。为对Beck等(2002)得出的负线性结论进行更大样本的检验，我们以“银行集中度”为解释变量，以银行危机(包括“系统性银行危机”和“较大的银行危机”)为被解释变量进行ML-Binary Probit回归，具体结果如表3所示。表3分别显示了以“系统性银行危机”(Systemic Crisis)为被解释变量的回归结果和以“较大的银行危机”(Major Crisis)为被解释变量的回归结果。
从表3的结果可以看出，不论是以“系统性银行危机”为被解释变量，还是以“较大的银行危机”为被解释变量，银行集中度与银行危机的发生概率之间均不存在显著的相关关系。由于本文的样本定位区间与Beck等(2002)相同(1980～1997年)，但具有更大的样本容量，从而更全面地包含了样本区间内的危机分布情况；相比之下，Beck等(2002)的样本国家数不仅少于本研究，而且遗漏了一些重要的危机国家和危机事件，如阿根廷(1980，1989，1995)、巴西(1990，1994)、印尼(1997)、玻利维亚(1994)、拉脱维亚(1995)、巴拉圭(1995)等。鉴于此，结合表3的实证结果，可以认为，在一个包含了更全面的危机国家的样本中，银行集中度与银行危机的发生概率之间的线性关系实际上并不显著。
在初步确认了银行集中度与银行危机的发生概率之间并不存在显著的线性相关关系后，下一步的问题是：银行集中度与银行危机的发生概率之间是否存在非线性相关关系呢？也就是说，虽然总体上二者的线性相关关系不显著，但二者可能存在显著的非线性关系。比如，在某些特定的银行集中度区间内，银行危机的发生概率可能存在集中分布的特征。对此，我们在接下来的部分进行相应的实证检验。
2.银行集中度与银行危机发生概率的非线性相关检验
为了对银行集中度与银行危机的发生概率之间的非线性关系进行检验，本文采用设置分区虚拟变量的方法。根据研究样本银行集中度的分布情况，我们尝试性地将银行集中度从0到1的值域划分为4个取值区间：银行集中度取值位于0至0.4之间的记为“银行集中度区间1”，取值位于0.4至0.6之间的记为“银行集中度区间2”，取值位于0.6至0.8之间的记为“银行集中度区间3”，取值位于0.8至1之间的记为“银行集中度区间4”，所有区间统一保留右边的临界值④。
在变量的赋值方面，我们采用虚拟变量赋值法：如果某个国家的银行集中度落入了相应的区间，则赋值1，否则赋值0。在此基础上，采用与前面类似的方法进行ML-Binary Probit回归，可以通过回归系数的显著性检验，判断落入不同区间的银行集中度是否与银行危机的发生概率存在显著的相关关系。
根据上述设定，在表4中，我们以“系统性银行危机”为被解释变量，以银行集中度的4个区间分布为主解释变量(其他作为控制变量的解释变量如前设定)，对银行集中度的区间分布与银行危机的发生概率之间的关系进行了回归。在表4中，从左至右的4列所示的4个回归结果分别依次显示了以“银行集中度区间1”、“银行集中度区间2”、“银行集中度区间3”和“银行集中度区间4”为主解释变量的回归结果。
表4的实证结果表明，“银行集中度区间3”和“银行集中度区间4”均在1%的置信水平上对系统性银行危机的发生概率产生统计上显著的影响，而“银行集中度区间1”和“银行集中度区间2”对系统性银行危机的发生概率则不存在显著影响。结合回归系数的符号，容易看出：(1)“银行集中度区间3”对系统性银行危机的影响显著为负，说明银行集中度水平落入区间3的国家发生系统性银行危机的概率显著降低；(2)“银行集中度区间4”对系统性银行危机的影响显著为正，说明银行集中度水平落入区间4的国家发生系统性银行危机的概率显著升高。上述结论不仅证明了关于银行集中度和银行危机发生概率之间非线性关系的存在，而且进一步揭示了以下两个具体结论：若以一个国家银行体系中前3大银行的资产占比来计算银行集中度，那么，当银行集中度水平位于(0.6，0.8]之间时，银行体系呈现出很强的稳定性(较少发生危机)；而当银行集中度水平超过0.8，位于(0.8，1]之间时，银行体系的稳定性显著下降(较易发生危机)。
为了对上述结果进行进一步验证，我们使用银行危机的另一个替代变量“较大的银行危机”重复上面的回归过程。当被解释变量为“较大的银行危机”时，实证结果如表5所示。
表5的结果表明，在4个银行集中度区间中，除“银行集中度区间1”外，其余3个区间均与“较大的银行危机”的发生概率存在显著的相关关系，其中(1)“银行集中度区间2”和“银行集中度区间4”均与“较大的银行危机”的发生概率在10%的置信水平上正相关，说明当一国的银行集中度水平位于(0.4，0.6]或者(0.8，1]时，发生较大的银行危机的可能性将明显增加；(2)“银行集中度区间3”与“较大的银行危机”的发生概率在1%的置信水平上负相关，说明当一国的银行集中度水平位于(0.6，0.8]时，发生较大的银行危机的可能性显著降低。
结合表4和表5的结果，不难发现，无论是以系统性银行危机来衡量，还是以较大的银行危机来衡量，就银行集中度和银行体系的稳定性而言，(0.6，0.8]都是一个极强的稳定区域，而(0.8，1]则是一个极不稳定区域。相比之下，银行集中度区间(0.4，0.6]虽然是较大银行危机的高发区域，但并不是系统性银行危机的显著区域。
3.发达国家与发展中国家的情况是否存在差异
我们知道，发展中国家在很多方面表现出与发达国家并不完全一致的特征，因此，将发展中国家从我们的总样本中独立出来作为一个子样本单独进行考察，有助于我们对相关事实进行确认并对不同经济体可能存在的差异进行深入分析⑤。遵循前面的思路，我们分别以代表银行体系稳定性的两个危机指标为被解释变量，以4个银行集中度区间为主解释变量(其余作为控制变量的解释变量与前面相同)，进行ML-Binary Probit回归分析，具体结果如表6和表7所示。
表6和表7的结果表明：(1)在发展中国家样本中，当一国的银行集中度水平位于(0.6，0.8]区间时，系统性银行危机和较大的银行危机的发生概率均显著降低；(2)在发展中国家样本中，当一国的银行集中度水平位于(0.8，1]区间时，发生系统性银行危机的概率会明显上升，但发生较大的银行危机的概率并不显著增加。上述结果表明，虽然发展中国家的银行集中度与银行危机之间的关系较发达国家存在一些差异，但(0.6，0.8]这一区间是一个极强稳定区域的结论仍然没有改变。
4.对呈现显著相关关系的银行集中度区间的进一步细分与确认
在上文中，我们初步确认了银行集中度与银行危机发生概率的非线性关系，基本的结论包括两点：(1)“银行集中度区间3”与银行危机具有显著的负相关关系；(2)“银行集中度区间4”与银行危机具有显著的正相关关系。为了对上述结果进行进一步确认，同时对银行集中度分布情况对金融稳定的影响进行更为细致的区分，我们可以将上述两个呈现显著性的区间进一步细分，即将原来的“银行集中度区间3”细分为“银行集中度区间3A”和“银行集中度区间3B”两个子区间，同时将原来的“银行集中度区间4”细分为“银行集中度区间4A”和“银行集中度区间4B”两个子区间。细分后的子区间定位情况如表8所示。
在上述细分区间的基础上，我们采用与前面同样的虚拟变量赋值方法，对落入相应区间的银行集中度标记为1，其他的标记为0，然后对细分区间分布与银行危机发生概率之间的关系进行回归。当被解释变量为“系统性银行危机”时，回归结果如表9所示；当被解释变量为“较大的银行危机”时，回归结果如表10所示。
将表9和表10的结论与前面的实证结果进行对比，我们可以得出以下结论：(1)“银行集中度区间3”的两个细分区间“银行集中度区间3A”和“银行集中度区间3B”均与银行危机的发生概率呈现出显著的负相关关系，但相比之下，银行集中度区间3B(0.7，0.8]具有更高的统计显著性；(2)在“银行集中度区间4”的两个细分区间和中，“银行集中度区间4A”与银行危机的发生概率呈现出显著的正相关关系，但“银行集中度区间4B”与银行危机的发生概率则不存在显著的相关关系。
四、对实证结果的延伸：“最优银行集中度”之谜
在上一部分中，我们对银行集中度和银行危机发生概率之间的关系进行了较为系统的实证分析，结果表明，如果我们以一个国家银行体系中前3大银行的资产占比来计算银行集中度水平，那么，当一国的银行集中度水平位于区间(0.6，0.8]时，银行体系的稳定性最高，发生危机的概率显著较低；当一国的银行集中度水平位于区间(0.8，0.9]时，银行体系的稳定性最低，发生银行危机的概率显著较高；当一国的银行集中度水平处于除(0.6，0.8]和(0.8，0.9]之外的其他区域时，统计结果并不显著，尚无法得出确切一致的结论。上述结论可以用图1直观地加以表示：图中(0.6，0.8]所代表的银行集中度水平对应上端深色阴影的“高稳定区”，而(0.8，0.9]所代表的银行集中度水平则对应下端浅色阴影的“低稳定区”，其余的银行集中度区间均对应中部灰色阴影的“混合区域”⑥。
图1 银行集中度与银行体系的稳定性
应该指出，虽然在不同的替代变量和样本分类下，具体的结果有一些细小差异，但有一个结论始终是非常稳定的，即当一国的银行集中度水平位于(0.6，0.8]时，银行体系将表现出很强的稳定性，发生危机的概率显著较低。显而易见，根据这一结论，如果我们用“有助于银行体系稳定”来定义“最优银行集中度”的话，那么，(0.6，0.8]无疑是最优的银行集中度区间。由于上述结论在实证上是一个非常清楚的结果，下面我们希望解开的真正谜团在于：为什么最稳定的银行集中度水平恰好处于(0.6，0.8]而不是别的区间呢？
通过进一步的银行集中度分区对比(见表11)，我们发现：一方面，(0.6，0.8]这一子区间具有最小的平均管理成本(Overhead Cost)和净利息收益率(Net Interest Margin)，根据Levine(2000)，较低的管理成本和净利息收益率通常代表着较高的银行业竞争程度；另一方面，(0.6，0.8]这一子区间具有相对适中的盈利水平(ROA和ROE指标居中)，这一水平很可能正好代表了适度的市场结构和竞争程度下的某个合理的盈利水平，因为过高的ROA和ROE可能仅仅是极度垄断的结果，而过低的ROA和ROE则可能代表着低效率的经营管理。这一分析表明，(0.6，0.8]之所以成为最稳定的银行集中度区域，原因很可能在于：在这一区域内，银行业的产业结构很好地平衡了适度竞争和盈利水平。
此外，回忆前面对变量的基本统计描述(见表2)，我们注意到，样本国家的银行集中度均值为0.71，而0.7左右的水平恰好处于“最优银行集中度”区间(0.6，0.8]的中枢位置。这一结果不仅表明最稳定的银行集中度水平恰好收敛在样本均值附近，而且似乎暗示着世界各国的银行集中度水平在“自发地”朝着稳定区域收敛，因为均值本身代表的就是某种集中趋势。
为了进一步验证上述猜想，我们可以从历史的时间序列数据去观察银行集中度的变化情况。从图2可以看出，1990年以后，在包括澳大利亚、奥地利、德国、法国、丹麦、西班牙、墨西哥、巴西等在内的多个国家，银行集中度水平均出现了向(0.6，0.8]这一“最优银行集中度区域”(稳定区域)逐渐收敛的趋势。
饶有意味的是，上述关于银行集中度和银行体系稳定性的关系，在中国银行业的发展过程中也有非常明显的表现。如图3所示，在银行业问题重重的整个20世纪90年代，中国银行业的集中度水平一直处于(0.8，0.9]这一区域，而根据前面的实证分析结果，这一区域恰好是银行体系最不稳定的集中度区间。2000年以来，随着中国银行业市场化改革的加速，银行业集中度逐渐向稳定区域(0.6，0.8]收敛并最终稳定在此区间内，而同一时期，恰好正是中国银行业处于高度稳定和高效率状态的时期。
五、结论性评价
本文以89组跨国数据为基础，对银行集中度和银行体系稳定性(银行危机)之间的关系进行了系统的实证分析。实证结果表明，在一个扩大的跨国样本中，实证结果并不支持银行集中度和银行危机发生概率之间呈现线性相关关系的结论，这表明Beck等(2002)之前提出的“银行集中度和银行危机发生概率负相关”的结论事实上并不稳定。通过进一步研究，我们发现，银行集中度和银行危机发生概率之间的关系并非简单的单向线性特征，因为处于不同区间的银行集中度水平对银行危机的发生概率的影响在方向上并不完全相同。
本文以一个国家银行体系中前3大银行的资产占比来计算银行集中度水平，得出的基本结论是：(1)当一国的银行集中度水平位于区间(0.6，0.8]时，银行体系的稳定性最高，发生危机的概率显著较低；(2)当一国的银行集中度水平位于区间(0.8，0.9]时，银行体系的稳定性最低，发生银行危机的概率显著较大；(3)而当一国的银行集中度水平处于除(0.6，0.8]和(0.8，0.9]之外的其他区域时，由于统计结果不显著，尚无法得出确切结论。
显而易见，根据上述结论，从银行体系的稳定性来看，(0.6，0.8]这一区间定义了“最优的”银行集中度水平，而真正耐人寻味的巧合在于这一稳定区间的中枢和样本的均值(7.1)几乎完全重合。通过进一步分析，我们发现：作为最有利于银行体系稳定的银行集中度区间，在(0.6，0.8]这一区域内，银行业的产业结构能较好地在适度竞争和盈利之间获得平衡；而1990年以来银行集中度的时间序列也表明，很多国家的银行集中度水平似乎在“自发地”朝着位于均值附近的稳定区域收敛。上述事实似乎在启示我们，破解“最优银行度之谜”需要重回自然法则，因为自然界触目可见的“向均值回归”这一基本的统计原理告诉我们：均值本身代表的就是某种集中的趋势和取向，而隐藏在这种趋势背后的很可能正是演化论所要揭示的简单命题——在“优胜劣汰”的生存法则下，事物的发展过程将表现为自发地朝着最优的方向演进，因为从长期来看，只有优化的趋势才会是稳定的趋势。
注释：
①即在一定的银行集中度区间内，银行集中度可能和银行稳定性正相关；而在另一些区间内，二者可能负相关。
②所有样本国家的危机赋值情况及银行集中度见文末附表1。
③Beck等(2002)的研究中列示了79个国家，但由于其中有9个国家的银行集中度的数据缺损，故实际样本共70个国家。
④即银行集中度区间1为(0，0.4]，银行集中度区间2为(0.4，0.6]，银行集中度区间3为(0.6，0.8]，银行集中度区间4为(0.8，1]。
⑤如前所述，按照IMF关于发达国家与发展中国家的分类，本文89组样本中共包括发展中国家样本64组，具体的国家名单详见文末附表1。
⑥在“混合区域”中，有的国家具有较稳定的银行体系，而有的国家则具有不稳定的银行体系。