金融机构的系统重要性分析——金融网络中的系统风险衡量与成本分担，本文主要内容关键词为：系统论文,金融机构论文,重要性论文,成本论文,风险论文，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
依据国际经验①，若某一金融机构的倒闭或危机将会损害整个金融系统，并可能造成体系内出现大范围的运行困难，且最终影响了金融系统提供金融服务的能力，则无论这种效应是由该机构的直接影响导致的，还是由其引发的传染效应带来的，我们均可以认定该机构为系统重要性金融机构(SIFIs)。按影响范围的不同，系统重要性机构又可被进一步细分为全球系统重要性金融机构(G-SIFIs)和本国系统重要性金融机构(D-SIFIs)两类。
本次危机的演变历程表明，金融机构间的相互关联性在系统风险的形成、累积与扩散过程中均起到了重要的助推作用。尤其是那些“大而不能倒”的、对系统具有重要影响力的金融机构，由于其具有规模大、网络关联性强、业务复杂、涉及面广以及功能不可替代等特点，使得其单一机构的风险会迅速通过各种渠道影响到其他机构，并进而危及整个金融及经济体系的稳定与安全。正因如此，在宏观审慎政策的构架下，防范系统风险，加强对系统重要性金融机构的识别与监管，解决“大而不能倒”等问题便成为本轮金融监管体系改革的重要组成部分。
分析这一问题的本质，“大而不能倒”②类风险的出现是金融机构行为的“外部效应”的集中体现。历史经验表明，金融机构的行为存在着负向外部效应。即在其他条件不变的情况下，一家银行可以通过扩大其资产负债的比率来增加利润，但这将加大银行流动性风险和资本补偿风险。一旦出现危机，银行资本无力承担全部风险，而是由整个金融体系乃至整个社会经济体系来承担，这一点即为传统金融监管理论的出发点与关注重点之一。然而，金融机构的“外部效应”还不仅如此。随着现代金融体系的发展，金融机构之间的关联度不断上升，金融网络效应亦不断增强。这使得在整个金融网络内，每一家机构都天然的在为整个体系的系统性风险作出自己的“贡献”③。具体表现为，单一个体可能并未出现危机，但由于机构间关联程度的提高，其个体风险会迅速通过资产负债连接、市场预期变化、交易行为改变等多种方式影响到其他机构乃至整个经济体系，并最终形成或增大了系统风险。这种对系统风险的“贡献”能力对每个机构都是不同的，而且在不断变化。反映在“大而不能倒”类金融机构身上，其影响力就近乎等同于出现了系统风险事件，而且由其“外部效应”产生的系统损失成本也非常巨大。
按照福利经济学的观点，外部效应可以通过征收“庇古税”的方式进行补偿和控制，这就要求我们的金融监管与金融宏观调控政策有能力在不损伤效率的条件下，对这样的“外部性”进行调节，而在政策应对力度与方式上，也能够根据对“系统风险贡献”的变化进行差别的调整。然而，无论是对造成全部损失的估计，还是对系统风险贡献的衡量均需要从整个金融系统的角度出发进行分析。而这恰恰是传统的，以维护存款人和公众利益，确保单一个体稳健性为目标的微观监管所不能完全实现的。因此，应从“自上而下”的角度对系统风险进行度量和分配，以此识别系统重要性金融机构，并对其系统重要性程度进行量化分析，这对于建立差别的审慎政策工具具有重要的理论与现实意义。
沿着这样的思路展开，本文将在已有金融网络模型④的基础上，首先尝试将金融网络结构因素纳入到对系统风险⑤的度量中，并在宏观审慎政策的目标导向下，构建“系统风险曲线”，对网络条件下的系统风险进行了重新的衡量；其次，我们从理论上将单一金融机构对整个系统的影响区分为“直接贡献”与“间接参与”两部分，并分别利用网络模型测算出的“冲击损失”与网络合作博弈中的“夏普利值(Shapley-Value)”，反映两种效应所造成的全系统损失；接下来，在金融网络模型的基础上，本文将结合我国2007-2010年的银行间支付结算数据，描述我国金融网络结构，并通过数值模拟的方法，对国内主要银行的系统重要性水平开展综合评测，同时给出系统重要性水平值；最后，在理论模型与实证结论下，进一步分析了“截面维度”上，影响机构系统重要性水平的各种因素，及其对宏观审慎政策工具的设计、选用的影响，并得到结论。
二、相关研究
已有关于金融机构系统重要性问题的研究主要是在宏观审慎政策框架的范畴内逐步展开的，其关注的焦点也大多集中于对系统重要性金融机构的识别与认定方面，只是在理论研究和具体实践上还存在着一定的区别。
从理论研究方面来看，现有的讨论大部分是沿着如何评价单一机构对系统风险的贡献程度这一思路进行的，其差别也主要体现在系统风险的衡量及分配方式上。
Adrian与Brunnermeier(2009)提出应用CoVaR的方式去测算金融机构的系统重要性程度，即计算在特定金融机构存在风险压力条件下整个金融系统的在险值(CoVaR)，并将CoVaR与正常条件下整个金融系统VaR的差，作为对应金融机构对整体系统风险的边际贡献，并以此反映每家机构的系统重要性水平。这种测算方式的关键在于对系统杠杆率的高低、资产规模的大小及久期匹配情况进行了反映。Tarashev(2010)则认为，CoVaR方式的一个主要问题是其不具备可加性，即从某种意义而言，单个机构的系统贡献加总不等于系统风险的总测度。Buiter(2009)则指出，CoVaR测度是使用相关性分析来反映风险的外溢效应，二者并不等同。风险外溢暗含着因果关系，而相关性并不等同于因果性。此外，CoVaR测度，如同风险价值(VaR)衡量一样，危机期与非危机期的表现存在很大差异。而且CoVaR仍然是一个直接风险的衡量手段，很难考量间接影响的效果。
同时，Segoviano and Goodhart's(2009)则提出了另一种测量单一机构系统性影响的方法，即在特定银行倒闭条件下，计算其他银行倒闭的条件概率。Zhou(2010)将这一测度扩展到了多元情形，并提出了“系统性重要性指数”。它计算了在给定银行倒闭的情况下银行系统倒闭数量的期望值，并以此作为机构的系统影响力测度。同样，他也给出了一个相反测度，即在给定其他至少有一个银行倒闭的情况下，特定银行倒闭的概率，并称之为“脆弱性指数”。
再者，Zhu等(2009)构建了以市场为基础的系统性风险指标，定义当金融系统整体困境时为责任损失提供一个假设性保护的保险。Zhu等(2009)还在此基础上提出了与CoVaR或“脆弱性指标”相似的一种方式，并在银行层次上对单一机构的系统性风险贡献进行分配。具体而言，Zhu等(2009)将“系统保费”定义为当整个银行系统处于困境的条件下一家特定银行遭受的损失。同夏普利值(Shapley Value)的方法一样，它具有加总性(即单个银行的系统性风险贡献可加总为系统性风险)。不同于CoVaR及“脆弱性指数”等方法的区别在于，Zhu等(2009)采用的方法在模拟的过程中将资产规模及单一个体的违约风险也考虑到其中了。
还有一类近来备受关注的方法，即将金融系统建模为一个复杂系统。这些研究主要关注于系统复杂度，互联性，非线性，多样性和不确定性(如Hommes 2006，2008，2009；Hommes and Wagener，2009；LeBaron and Tesfatsion，2008)。而且这些模型都是基于有限理性的异质性代理人，且其学习过程影响系统的整体动态过程。
此外，有一些研究在分析金融系统时将其视作一个机构的复杂动态网络，通过银行间市场的相互暴露的直接联系或通过持有相似投资组合或共享存户的非直接联系。比如Lelyveld and Liedorp(2006)通过估计双边和国外暴露的实际程度及网络的实际结构来研究荷兰银行间同业拆借市场的传染风险。Gai、Kapadia(2008)以及Nier等(2008)构建人工同质银行网络，分析了特质冲击对网络适应能力的影响。两方的研究均发现净值和网络联系就蔓延过程的非线性影响(一家银行借给另一家银行的概率)。这些结果说明金融系统具有Robust-Yet-Fragile倾向，比如，更大规模的冲击潜在联系可以降低传染的可能性。
另一个最为重要的方式是自上而下的“贡献法”。此类研究是从整体系统风险的测度开始的，之后识别每个单一机构对系统风险的贡献(Tarashev等，2009)，并以此设计相应政策工具，以校正和阻止源于这些机构的系统性危机的爆发(Huang等，2009)。Acharya et al.(2009)考虑了整个金融部门的“外部性”影响，将极端情况下的系统损失作为系统风险的衡量标准，衡量了单一机构的边际成本，并分析了资产规模、风险头寸等因素对边际成本的影响。Drehmann与Tarashev(2011)进一步将金融网络结构中的机构对系统风险的贡献分为直接贡献与间接贡献两类，使用“Shapley Value”的方式进行了理论上的计算与分析，并对相关的宏观审慎工具设计与运用进行了讨论。
此外，Gauthier等(2010)使用加拿大银行系统的单个银行的贷款规模、风险暴露以及包括OTC等场外交易衍生工具在内的银行间关联数据，比较了几种不同的系统风险分配方法的效果，具体做法上则考虑了一旦银行资本需求发生变化之后整体风险及每家银行风险贡献的变化。Gauthier等(2010)对比的五种不同的方法包括了成分VaR、增量VaR、两种方式的Shapley Value以及CoVaRs。他们发现，从观察到的资本水平来看宏观审慎资本分配的差异可高达50%。他们发现，建立在这五种风险分配机制上的宏观审慎资本缓冲措施，在改善金融稳定方面均得到了类似的结果，只是在程度和效率方面存在差别。
除单一衡量与识别金融机构的系统重要性以外，部分学者亦从机制角度试图理解金融网络条件下的金融机构行为，Allen(2010)、Allen、Babus(2008)等将对银行的行为分析放在了不同的金融网络结构中进行了讨论，发现不同的网络结构与不同的银行行为模式及不同的资产负债约束条件之间存在着较强的相互影响。他们的研究为进一步的理论机制分析奠定了重要的基石。
从金融改革的实践来看，面对着系统重要性金融机构的挑战，各国政府及国际组织对于如何识别与监管系统重要性金融机构方面均进行了积极的尝试，但其思路上则大多采用多指标综合评价类的方法。
FSB、IMF及BIS(2009)在G20的框架内开展了多次针对金融机构、金融市场与金融工具系统重要性的研究。在对30多个主要国家关于“系统重要性”的识别及分析技术进行汇总比较后，他们提出了从规模(Size)、可替代性(Substitutability)和关联性(Interconnectedness)三个方面对机构、市场及工具具有的系统重要性进行评估的建议。GHOS(2011)⑥关于全球系统重要性金融机构的认定上则进一步明确了资产规模、关联性、不可替代性、全球业务的复杂程度几个方面的评价标准。美国2010年7月通过的金融监管改革法案中，采用了专家投票的方式对系统重要性金融机构进行认定。评判过程中考虑的因素则主要包括了金融机构规模、交易对手总的债务暴露程度、与其他金融机构之间的相互依赖关系或相互影响程度等⑦。巴塞尔银行监管委员会(BCBS)在刚刚公布的巴塞尔Ⅲ中也明确了宏观审慎的框架下，加强系统重要性银行监管的目标。方法上，BCBS(2010)提出了两种评估银行系统重要性水平的技术方法：连续排序评估法与接替评估法。思路是依据总资产、银行间资产和银行间负债三项指标或其在整个系统中的占比，赋予相同权重，计算出反映不同银行对应的系统重要性水平的分值，进而得到各家银行系统重要性水平的连续排序。利用排序结果，可以进行聚类分析，进而将银行按系统重要性程度分为若干个类别(或阶梯)。不同的阶梯水平，银行对应的系统重要性程度也不相同。BCBS(2011)公布了关于评估全球系统重要性银行的评估方法与风险吸收能力的额外要求，采用多指标综合评价的方法，确定了以资产规模、跨区域活动能力、关联度、可替代性以及复杂程度五个标准对全球系统重要性银行进行识别和评价的模式。
综上所述可以看出，关于金融网络条件下金融机构行为的研究尚不充足，从理论上对单一机构的全系统影响机制进行深入分析还缺乏足够的理论支持。当前的研究与进展也主要集中于统计意义上对系统重要性的衡量，具体表现出以下特点：一是对系统风险的衡量缺乏新的考虑，传统度量方式亦无法考虑机构之间的关联性及金融网络效应得影响；二是众多风险分配方式缺乏理论依据，无法对影响系统重要性的因素进行判断与分析；三是对系统风险分配的效果欠缺足够的实证检验，对审慎与效率的平衡关系以及宏观审慎政策工具的有效性缺乏准确分析。
三、金融网络中的系统风险度量：“系统风险曲线”
沿着现有研究的基本思路，若对金融体系内单一个体的“系统重要性”进行确认，首先应衡量整体的系统风险。当前研究中大多使用VaR、CoVaR及ES等方式度量系统风险的大小，然而这几种方式在反映机构关联性以及风险外溢方面存在明显的不足。这部分，本文将从金融网络视角出发，在宏观审慎的目标下，讨论如何将网络结构纳入到系统风险的度量中，并引出“系统风险曲线”的概念。
作为宏观审慎政策的调控目标，系统风险的概念再次成为了理论与实践讨论的焦点。新的政策要求对系统风险有新的理解。宏观审慎政策将金融体系视作一个整体，目的是维护整个系统的安全与稳定。
1.宏观审慎政策目标下的系统风险
按照一般定义，系统风险指的是整个金融体系部分或完全丧失功能的可能性。通常具体表现为，金融系统受外部共同冲击(Common Shock)或内部传染效应(Contagion Process)的影响而出现的金融机构大面积倒闭的状态(时间维度与截面维度)。通过图1我们可以更好的理解这一概念。
图1 系统运行路径与系统风险
在图1中，随着时间的推移，金融系统的稳定状态在不断变化，而且其可能运行路径也有很多种。若用“系统损失的程度”作为反映整个系统“功能丧失”情况的指标，则系统损失率越高，系统功能受损的情况就越严重，系统风险也越大。当系统损失率达到100%时，则表明系统完全无法发挥应有的功能，处于“完全危机状态”。由此可以认为，在任意时间点上，整个金融系统都存在着丧失全部或部分功能的可能，只是其程度各不相同。
2.网络条件下系统风险
引发系统风险的因素很多，诱发机制也很复杂。按现有研究，系统风险主要来源于两个方面的主要原因：一是金融体系外的冲击所导致的全系统波动与系统功能的损失，如经济周期波动的影响等；二是由单一机构或某一类机构自身的风险诱发传染效应，进而引起风险扩散与整个系统功能的丧失。这两种系统风险的诱因本质上分别体现了金融体系抗外部风险的“韧性”以及整个体系的网络结构稳定性两个方面的内容。而且，二者在诱发系统风险的过程中，体现出了相互诱发、相互放大、共同作用的特点。
结合我们对系统风险的描述，考虑系统风险诱因后，系统风险可表示为：
共同冲击来源于系统外部风险。如经济周期的变化、资产价格的波动等因素均可以成为诱发金融系统风险的外部诱因(Herring、Wachter，2001与Reinhart、Rogoff，2009)。在本次国际金融危机的演变过程中，房地产价格的大幅下跌成为了冲击金融体系的共同冲击。内部传染效应引发的系统风险则来源于金融系统内部。在金融网络内，单一金融机构的行为会通过机构间的关联关系对其他机构产生影响，造成的系统损失也会不断被放大，而这种“外部效应”不仅是导致了微观个体稳定的汇总并不等同于总体稳定之矛盾的主要原因，而且亦是系统重要性机构分析要解决的重点。因此，讨论网络环境下的系统风险即为本文的关键。在不考虑外部共同冲击诱因的情况下，金融网络条件下的系统风险则可表示为：
3.系统风险曲线
基于以上分析，在任意时点上，对应不同的传染诱因冲击便可以得到对应的系统损失率水平。若我们能够穷尽某一时点上传染效应的全部冲击，则我们可以得到一条冲击强度与系统损失率关系的曲线(见图2)。
图2 不同路径下的系统风险曲线
曲线的横坐标描述了冲击的强度变化，而纵坐标表示了系统的损失率。随着冲击强度的增加，系统的损失率也不断提高。图2描述了不同路径下的“系统风险曲线”。由此，系统风险描述方程可以简化，其系统风险曲线方程为：
在这里我们使用黄聪、贾彦东(2010)构建的金融网络模型中关于金融网络风险的传递机制，计算网络面对不同程度冲击时的系统损失率，即g(·)为金融网络模型中流动性风险传递机制。
曲线描述了随着违约机构数量的增加，系统总损失率不断上升的过程。当网络内全部机构均违约的条件下，则系统完全损失。不同的金融网络结构对应着不同的曲线，而且在任意时点上，我们均用一条曲线描述系统风险，称这条曲线为“系统风险曲线⑧”。
在这里，系统风险曲线上的每一点都对应不同的冲击水平，也就是不同的银行倒闭数量。从风险分布的角度看，系统风险曲线上的每一点均处于金融系统风险分布的尾部。图3给出了系统状态变化的三种不同路径，即路径A、路径B与路径C。
图3 尾部风险分析
路径A中，金融系统的运行始终处于稳定状态，尽管系统可能面对一定程度的系统损失，但均处于安全状态，并不影响系统的正常功能。其对应的风险分布可见图3中的概率分布形态A。若采用VaR值或ES的方式对其尾部进行刻画，则我们依然可以得到“极端”事件的概率。然而这种“极端”事件并不等同于危机。同样，在路径B上，金融系统在t+1与t+3时刻处于危机状态，系统损失率提高，但并未达到完全损失状态，其风险分布则如图3中的路径B。在路径C上，系统在t+2处于了完全危机状态，则其对应的风险分布的尾部更为延长，形态对应如图3中的路径C。
实际金融系统的运行存在着各种可能，危机等极端事件出现的概率是非常有限的。因此，若我们没有经历过危机或不稳定，则依照我们使用的系统风险分布仍然可以得出相应的极端值，但其并不等同于系统风险图3所示。通过系统风险曲线，我们便可以对每一个时间点的尾部风险进行刻画与分析。系统风险曲线打开了尾部风险，弥补了VaR及ES等方式衡量系统风险的不足。
四、系统风险的成本分担⑨
接下来，本文将在系统风险曲线的基础上，讨论每一家机构对整体系统风险的“贡献”，并以此对金融机构的系统重要性进行分析。正如前文提到的，整个金融网络内任何一家机构都天然的在为整个体系的“系统性风险”作出自己的“贡献”，而我们的目标就是对这种“贡献”进行度量。
基于本文对系统风险的理解，在无共同冲击的条件下，系统风险取决于网络传染效应的程度。由于机构间的相互联系，任意机构在金融网络的风险传播过程中都发挥一定的作用。对于任意机构，其“外部性”影响可分为两种情况⑩：其一，传染冲击源于该机构的违约风险。即由于该机构的倒闭或个体风险，不仅导致了其自身功能的丧失，更使其他与之相联机构的运行受到不同程度的影响，这种效应不断在整个系统内传递，并最终损伤了整个系统的功能，造成了系统损失；其二，“风险事件”是由其他机构引发的，但由于机构间存在的相互关联，使得由于该机构的“参与”，影响了风险的扩散与传递效果，并导致了的系统损失的变化。在分析金融机构对截面维度的系统风险的影响中，我们称前者为“直接贡献”(CA)，而后者为“间接参与贡献”(PA)(11)。
1.对“直接贡献”的衡量
沿着金融网络模型(12)的思路，我们同样将整个金融系统视为一种金融网络结构。网络中，机构之间广泛存在着相互的资金联系，包括资金的流入与流出。整个金融体系也发挥着资金融通的功能，在一定的时间内，有的机构为资金的融出方，也有的机构为资金的融入方。假设我们的体系内有n家机构，则它们之间的资金往来构成
2.对“间接参与贡献”的度量
机构行为的“外部效应”还体现在对系统风险扩散传递过程所发挥的推动或减缓作用上。若由于某一机构的参与，可能使得风险事件在系统内扩散的范围更广，波及的深度更深，造成的损失也更大。对这种“外部性”的分配，我们使用合作博弈中的“夏普利值”(Shapley Value)(13)的方式进行确认。
Shapley Value的方法(14)是合作博弈中，用于将整体合作后产生的收益或成本在每一个体间进行公平分配的方法，其分配的标准是根据每一个体对整体贡献的大小来进行的。Shapley Value的方法是可以直接被应用在金融系统内的，因为每家机构都在为系统风险贡献着自己的力量，而且系统内的所有个体在系统风险的生成中也处于合作状态。有学者已采用了该方式对系统重要性问题进行研究，如Tarashev，Borio(2010)及Drehmann(2011)等，其区别就在于衡量系统风险的方式上各不相同。应用Shapley Value的关键在于对博弈过程中“特征函数”(
)的设定，而该特征函数是应该在整个金融网络的任意子集中普遍适用的。依照直接贡献衡量中的系统设定，若金融网络中包含n家银行，则特征函数应在n家银行的所有
个子集中均有效(15)。
五、基于银行间支付结算数据的实证
支付结算数据是金融体系运行情况最为直接和敏感的反映。在前期的研究中，黄聪、贾彦东(2010)已经结合我国银行间支付结算数据对金融网络模型进行了估计，并描述了金融网络的结构特点与稳定状态。在此，本文将结合我们对系统风险的衡量思路，同样利用2007年5月至2010年12月的支付结算数据对我国金融体系的系统风险水平以及金融网络内每家银行对系统风险的贡献水平进行实证衡量。
1.数据说明
本文的数据源于中国人民银行的支付系统银行间支付数据。其中包括：银行间大额支付结算数据、银行间小额支付结算数据、银行间支票影像系统交易数据。具体涵盖支付系统资金流量流向汇总情况月报表，以及每月末的机构清算账户余额统计表两个部分(16)。纳入的银行机构涵盖了所有加入人民银行支付结算体系的各种类别的银行，包括政策性银行、多家国有银行、各股份制银行、城市商业银行、农村信用社、农村商业银行、邮政储蓄银行以及多家外资银行。每年支付结算体系的参与主体数量有所不同，07年为76家，08年为83家，09年为84家，而2010年则达到87家。因此在对系统风险及每一机构的直接与间接贡献的度量中，我们将主要以2010年12月份的数据及包含的机构数量为主，最终结果也将包含87家银行的系统重要性的水平排序。
2.“系统风险曲线”的估计
依照上文所述，我们选择金融网络模型中流动性风险的传递机制，作为“系统风险曲线”的描述方程g(·)的估计。
在具体的实证过程中，本文主要采用了数值计算的方式。在任意时点上，我们不断增加违约银行的数量以反映外部冲击强度的变化，同时分别计算在每一对应冲击下的系统损失率。多次进行随机抽样后，计算系统损失的平均值，则可以得到t时刻对应的一条“系统风险曲线”。此处，我们在每一冲击强度上，进行10000次的随机抽样，通过估计得到2007-2010年的“系统风险曲线”，其走势如图4(17)。
图4 2007-2010年各年度系统风险曲线
从图4可以看出，随着冲击强度的提高，全系统损失水平也在不断的上升，并最终达到完全损失的危机状态。各年度在面对相同程度冲击时，系统损失的水平也各不相同，而曲线的形态也反映了不同网络结构的风险扩散能力。可以发现，自07年以来，系统风险线不断出现下移，倾斜度在下降。与2010年相比，系统风险曲线下降的幅度是非常显著的，尤其是在冲击强度大于20以后，差距更为显著。这部分表明，08年金融危机爆发以来，我国的金融网络在应对传染冲击方面的能力得到了显著的提升，这一点与我们前期的研究结论也是基本吻合的。
3.“直接贡献”的衡量
在金融网络模型的基础上，我们通过计算每一银行违约带来的全系统损失占网络交易总规模的比作为衡量直接贡献的方法。本文分别利用2007年5月至2010年12月的44个月度的支付网络数据，对每一家银行的违约风险进行冲击测试，并计算每一机构在44个月形成系统损失的平均值(18)，以此作为直接影响(CA)的指标。直接贡献较大的前15家银行的主要情况如下(19)：
其中，CA为2007年5月至2010年12月44个月每一机构造成直接损失的平均值，而PA为2010年的间接参与贡献。
4.“间接参与贡献”的度量
对系统风险间接参与贡献的分析是本文的分析重点。上文我们已经提出使用Shapley Value的方式对系统风险进行分配的思路，而且特征函数的选择是该方式的关键。在合作博弈分析中，特征函数不仅满足在任意子集下的有效性，而且还具有可加性、对称性、线性性等性质。
具体而言，我们已经可以得到每一时点上，整个金融网络S对应的一条“系统风险曲线”。当去掉银行i之后，我们可以同样估计得到排除银行i之后的金融网络S-i的一条系统风险曲线。而这两条系统风险曲线之间的差别即为银行i参与后形成的系统风险变化，也就是由于银行i的参与所带来的系统风险的增加或减少。具体情况如图5所示。
图5显示了以2010年12月的金融网络数据为基础，全系统的系统风险曲线与去除银行i之后的系统对应的系统风险曲线的走势关系。图中较高的系统风险曲线为全系统对应的曲线，而较低的为去除银行i后的系统风险曲线。图中阴影部分即为银行i参与和不参与系统风险扩散所带来的系统风险水平的变化。本文实证过程中，在关于如何“排除银行i”的方式上选择不同，因此从图形上看，当全部银行出现违约风险时，排除银行i的系统损失率小于1，但这并不影响评级效果。我们将阴影部分的系统损失差别作为机构i系统风险“间接参与”贡献的度量，即P
。
在同一时点上，本文针对每家银行均进行了不同数量的随机抽样(20)，比较了估计结果对抽样次数的稳定性，并计算了10000次模拟后每家银行的间接参与贡献均值。这一做法是对Shapley Value方法的具体实现。表1给出了间接贡献较大的几家机构的PA情况，网络内87家银行的整体情况并未完全给出。可以看出，间接参与水平的变化与直接贡献的走势相似，但效果上弱于直接影响，约占总体30%左右。
5.金融机构的系统重要性水平分析
在得到不同机构对系统风险的“直接贡献”C与“间接参与贡献”P的基础上，我们将两种原因造成的系统损失简单相加(21)，即可得到每家银行对系统风险的总贡献水平。在表1中，我们分别给出了2010年12月份金融网络内，前15家银行的C、P及加总后的总体系统风险贡献水平，C+P，并依照总量进行了排序，整体结果可参见附表。通过实证结果可以看出，大型国有商业银行、股份制商业银行基本为我国最重要银行。07年以来，各银行的系统重要性排名并未发生大的变化，但系统重要性水平在不断变动，尤其是中小银行及外资银行变化较大。我们可以将每一机构的总贡献展开，可以得到：
从影响各银行系统重要性水平的因素来看，决定银行系统重要性水平的因素主要包括机构自身的流动性情况以及参与金融活动程度等。按照金融网络模型的机制，若金融机构流动性杠杆越低，关联性越小以及可替代性越强则其系统风险贡献就会越低。
此外，通过对间接参与的衡量我们发现，在不同的时点上，每家银行对系统风险贡献的总和并不一定等于总体系统风险的水平。这表明了机构间的网络结构在增大或化解整体系统风险过程中发挥了不同的作用。
六、主要结论
本文在金融网络条件下，对金融机构的系统重要性进行了理论与实证分析。通过将金融网络结构因素纳入到对系统风险的度量中，我们在宏观审慎政策的目标导向下，构建了“系统风险曲线”，对网络条件下的系统风险进行了重新的衡量。
理论上看，我们在将整个金融系统视为一个整体，在对其系统风险进行度量的基础上，重点研究了金融机构间的风险分担机制。这一点与宏观审慎目标下，“自上而下”的系统风险分析思路相一致，并尝试分析回答了微观审慎的加总并不等同于宏观审慎的命题。其次，宏观审慎政策要求新的系统风险识别方式与目标。“系统风险曲线”修正了原有系统风险衡量方法的不足，更适合“截面维度”系统风险的度量以及机构行为的讨论。此外，本文认为机构对整个系统的影响主要体现在直接影响与间接参与两个方面，其系统重要性水平也分为直接贡献与间接参与两部分，宏观审慎政策应分别进行调解和控制。最后，本文在金融网络模型的风险传递机制下，初步讨论了流动性头寸、杠杆率以及网络关联情况等因素在影响金融机构系统重要性水平上的作用机制，为进一步研究机构系统重要性水平变动机制提供了理论平台。
实践上，一方面本文利用我国2007-2010年44个月的支付结算数据，具体估计了不同时点上的“系统风险曲线”，并对金融机构的直接与间接影响进行了实证计算，其结果有利于深入分析和研究金融机构的相互关联行为及其影响机制；另一方面，通过数值计算，我们得到了支付结算体系内，中国各主要商业银行的系统重要性水平及排序，为下一步的宏观审慎工具开发和应用打下了研究基础。从政策的角度看，也为进一步的出台识别系统重要性银行的具体模式提供了重要参考。
注释：
①这一经验认知来自于IMF及FSB等国际组织在G20为主的30多个国家和地区范围内开展的一次针对“系统重要性”问题的调查。具体见：IMF&BIS&FSB(2009)。
②从金融网络的视角出发，网络中的每一个节点都具有系统重要性，只是程度有所不同。若某一机构的个体风险有能力对整个系统的风险产生较大影响，甚至形成系统风险事件时，则该机构应该属于“大而不能倒”类金融机构了。由此可以认为，一般而言，“大而不能倒”一定是系统重要的，而系统重要性金融机构却不一定都达到“大而不能倒”的程度。
③即为机构行为产生的一种“外部性”，所谓“系统重要性”也是针对机构对“系统风险”贡献的程度而言的。这种外部性可能对全系统而言，可能带来正的效应，也可能产生负面影响。
④见黄聪、贾彦东(2010)在对金融网络模型的讨论中对网络内金融风险传递机制的设定和解释。
⑤全文我们对“系统风险”(Systemic Risk)及“系统性风险”(Systematic Risk)进行了区分。前者指的是整个金融体系出现系统性问题，即整个体系全部或部分丧失功能的风险；而后者则主要指金融机构或金融市场所面对的，无法进行分散的一般性风险。
⑥GHOS(2011)."Measures for Global Systemically Important Banks Agreed by the Group of Governors and Heads of Supervision".25 June 2011.
⑦即若金融稳定监督委员会(FSOC)中2/3以上的成员投票赞成，并经过委员会主席确认，则可以认定该金融机构或其活动具有系统重要性。
⑧这种度量系统风险的思路与描述债券的“债券收益率曲线”的模式相似。
⑨在这里，本文将机构对系统风险的分担作为反映其系统重要性的替代，然而还存在所谓的“系统重要性”的相对标准的确定问题，即是相对实体经济重要还是金融系统本身是重要的。本文的分析相当于首先是相对金融体系本身功能的发挥而言。关于这一点，我们将在以后的讨论中进一步予以明确。
⑩需要说明的是，本文对机构单一风险扩散方式的讨论主要集中在资产方与负债方的直接影响上，并未涵盖市场预期及市场信心的改变、羊群效应等其他风险扩散方式。
(11)文中的CA即Contribution Approach；PA为Participation Approach。
(12)可参见黄聪、贾彦东(2010)金融网络模型中对网络内金融风险传递机制的设定和解释。
(13)Shapley Value方法体现了“自上而下”的观念以及宏观审慎视角下对系统风险的理解。
(14)具体参见Mas-Colell等(1995)以及Shapley(1953)相关的研究。
(15)n家银行的2n个子集为：Ф，｛1｝，｛2｝，｛3｝，...，｛n｝，｛1，2｝，｛1，3｝，….，｛n-1，n｝，...，｛1，2，3，...，n｝。
(16)需要说明的是，各银行在支付结算系统中的头寸包括准备金与银行备付金。1995年以后，人民银行取消超额存款准备金比例限制采用单一的法定存款准备金进行管理，同时规定发行存款准备金可以用于支付结算。
(17)在此，我们利用各年12月的数据对各年度的系统风险曲线进行估计，因此各年度的冲击数量略有不同。
(18)直接系统损失的详细测算可参见《2011年中国金融稳定报告》“专栏18”中关于“波及强度指标”的讨论。
(19)在此，本文仅给出排名在前15位的银行，全部的87家银行的系统重要性情况未直接给出。需要说明的是，由于本文的银行机构分类与支付结算系统内的银行名称与分类标准一致，因此，城市商业银行与农村信用合作社被作为一个整体进行分析，且其整体排序在前五位，本文并未进行更详细的区分。
(20)本文在不同的时点上分别进行了1000次、2000次、3000次、5000次、7000次以及10000次以上的随机抽样与数值计算，试图得到相对稳定的系统风险曲线，详细的效果比较可与作者联系获取。
(21)直接贡献与间接贡献应改进行加权平均，而针对其权重也有待进一步研究，可能与两种风险的概率有关。在此，为简化分析我们采用了简单加总的方式。
标签：金融论文; 系统风险论文; 金融机构论文; 银行风险论文; 风险成本论文; 银行系统论文; 审慎监管论文; 直接成本论文; 金融结构论文; 银行论文;