非利息收入降低了银行的系统性风险吗?，本文主要内容关键词为：利息论文,收入论文,风险论文,银行论文,降低了论文，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。
加强宏观审慎监管、维护金融体系稳定和防范系统性风险已成为全球共识，银行“太大而不能倒”和“太关联而不能倒”等问题受到高度重视。Ibragimov et al.(2011)认为，金融机构多元化发展在分散自身风险的同时却导致风险在整个金融系统内扩散，从而诱发系统性风险。美国2010年出台的《多德—弗兰克法案》中的“沃尔克法则”对银行的活动范围进行了限制。非利息收入作为衡量银行业务关联性的重要指标，其对系统性风险的影响受到了众多学者的广泛关注，但不同研究得出的结论并不一致。随着我国利率市场化改革步伐的加快，商业银行非利息收入业务迅速发展，这一方面拓宽了银行的盈利渠道；另一方面也使得银行间业务关联网络日趋复杂，其对金融系统稳定性的潜在影响不容忽视(Baele et al.，2007；Maudos & Soils，2009；Saunders，2014)。 现有文献侧重于研究非利息收入与银行个体风险之间的关系(张羽等，2010；周开国等，2012)。随着金融机构间业务关联不断增强，部分学者逐渐关注非利息收入对银行系统性风险的影响，但目前尚未达成一致结论(De，2010；Brunnermerier et al.，2012)。张晓玫等(2014)认为，银行非利息收入对系统性风险的影响与该业务发展水平密切相关。在我国利率市场化改革不断深化的背景下，银行非利息收入业务的发展对我国银行系统性风险有着怎样的影响?这种影响在不同类型的银行之间是否存在显著差异?相关影响与银行信息披露质量是否相关?对这些问题进行深入研究具有重要的理论意义和现实意义。 本文在Banulescu et al.(2015)系统性风险测度方法的基础上，运用面板门槛模型考察非利息收入与系统性风险之间的关系。与既有文献不同的是，我们不仅实证分析了非利息收入与系统性风险之间的非线性关系，还将非利息收入分解为手续费和佣金收入及其他非利息收入，分别考察它们与系统性风险的关系，最后基于信息披露质量的视角对这种非线性关系进行解释。 本文的结构安排如下：第一部分回顾文献并阐述研究的内容和出发点；第二部分介绍研究设计，包括数据来源、系统性风险的测度、变量的定义和计算过程、面板门槛模型等；第三部分进行实证分析；第四部分给出结论和政策建议。 一、文献综述 2008年国际金融危机爆发后，全球在改革金融监管体系和维护金融体系稳定方面进行了积极探索，加强宏观审慎监管已成为金融监管改革的重要内容之一。宏观审慎监管政策有效实施的关键是系统性风险的合理测度和对顺周期效应的深入分析。在商业银行转型的过程中，随着非利息收入占比不断提高，银行非传统业务的顺周期效应逐步显现，因此有必要深入分析非利息收入对银行系统性风险的影响及其深层次原因。 (一)系统性风险及测度 系统性风险是指可能导致金融体系部分或全部受损进而致使大范围金融服务紊乱并给实体经济造成严重影响的风险(FSB，2011；BIS，2011)，具有外部性、复杂性和传染性等特征。Alessandri et al.(2009)认为，不能有效地评估和测度系统性风险是金融危机发生的原因之一。诸多学者基于不同视角发展了数量众多的系统性风险测度方法，这些方法大致可以分为两类。① 一类方法是基于银行财务数据和银行间双边敞口数据的测度方法，包括指标法(BCBS，2011；郭卫东，2013)和网络模型法(Mistrulli & Paolo，2011；Gauthier et al.，2012；范小云等，2012；隋聪等，2014；李程枫等，2015)。前者简单直观，但存在指标选取随意性和权重确定主观性等问题，系统性风险贡献也无法直接测度。后者考虑了银行间的网络关联效应，但难以获取数据，一般只对银行倒闭情景下导致的系统性风险进行分析，很少关注源于市场风险因子冲击而产生的系统性风险，因而在实践应用中存在诸多困难。 另一类方法是基于金融市场收益率数据的测度方法，包括保险溢价法(Huang et al.，2009)、Shapley值法(Tarashev et al.，2010)、ΔCoVaR方法(Adrian et al.，2011；Girardi & Ergun，2013)、MES和SRISK方法(Acharya et al.，2011)等。在这些方法中，ΔCoVaR和MES的使用频率较高。尽管如此，Jiang(2012)和Benoit et al.(2013)等认为，ΔCoVaR只考虑了收益率分布的α分位数，不能很好地捕捉尾部传染风险；MES虽能兼顾“太大而不能倒”和“太关联而不能倒”两个维度，但忽视了金融机构风险特质的影响，也无法直接判定金融机构的系统重要性(Banulescu & Dumitrescu，2015)。 (二)非利息收入与系统性风险 现有研究对非利息收入与银行系统性风险之间的关系尚未得出一致结论。Thakor(2007)认为，基于交易的银行经营活动会导致较高的系统性风险，但这一影响是否来自非传统的银行经营活动并不明确。Ivashina & Lerner(2010)认为，非利息收入中的投资银行业务呈现顺周期性，从而导致系统性风险。De(2010)基于极值理论方法测度了系统性风险并对其与非利息收入间的关系进行了考察，发现银行非利息收入有助于银行系统性风险的降低。Brunnermerier et al.(2012)基于ΔCoVaR方法测度系统性风险得出的结论是，银行非利息收入业务的发展会导致系统性风险的上升。DeYoung(2013)认为，非利息收入的不同组成部分对银行系统性风险有着不同的影响，而Wagner(2010)和Ibragimov et al.(2011)基于社会福利视角构造了一个均衡模型来分析银行分散化经营对系统性风险的影响，得出的结论是前者对后者的影响存在一个最优值。 De Jonghe et al.(2015)认为，银行非利息收入与系统性风险之间存在非线性关系，两者之间的关系与银行规模和制度环境等因素有关。一方面，小银行由于信息透明度较差、公司治理不完善，更有动力从事高风险的经营活动，从而诱发系统性风险(Flannery et al.，2004)。另一方面，小银行缺乏复杂的风险管理技术和经验丰富的风险管理人员，在开展多元化业务时更容易产生系统性风险(Milbourn et al.，1999)。此外，与大银行不同的是，小银行更少受到监管层和投资者关注，在从事冒险活动时受到的制约相对较小(Freixas et al.，2007)。 综上所述，在我国利率市场化改革不断深化的背景下，准确度量系统性风险并深入研究其与银行非利息收入之间的关系对我国宏观审慎监管政策的实施和金融体系稳定的维护都有着重大的意义。ΔCoVaR和MES等常用方法在测度系统性风险方面存在一定的局限性，银行非利息收入与系统性风险之间关系的相关研究还未取得一致结论。本文基于成分预期损失(CES)方法测度了银行系统性风险，在此基础上运用面板门槛模型对其与非利息收入之间的非线性关系进行分析，并从银行信息披露质量视角进行了解释，以期为宏观审慎监管政策的制定和实施提供参考。 二、研究设计 (一)样本和数据 本文选取2008—2014年期间14家上市商业银行的财务数据来分析银行非利息业务与系统性风险之间的关系。由于农业银行和光大银行上市较晚，故在样本中予以剔除。银行体系收益率由各家银行收益率使用市值加权的方法计算得到，银行季度系统性风险值是每日数据的平均值。股票市场交易数据和银行财务数据来自锐思数据库，不良贷款率数据由上市银行季报和年报信息整理得到，个别缺失数据使用三次样条插值方法补齐。 (二)系统性风险的测度 Banulescu & Dumitrescu(2015)认为，成分预期损失方法(CES)不仅考虑了银行规模、市值和杠杆率对系统性风险度量的潜在影响，还对未来的系统性风险具有良好的预测功能，因而在系统风险度量方面较ΔCoVaR和MES方法更具优势。此外，我们也能据此对金融机构的系统重要性程度进行排序。因此，本文也使用CES方法来度量我国金融机构的系统性风险。 假设银行系统包含n家银行，
为银行i在t时刻的收益率，
为银行体系在t时刻的市值加权收益率，
为市值权重。银行体系的整体风险可以用预期损失(ES)来度量，ES定义为当金融体系市场收益率
低于门槛值C时银行的预期损失：
其中，
在这里表示门槛值，我们将其设定为市场收益率分布的5%分位数，h为非参数高斯核估计的窗宽，Scaillet(2005)认为，最优窗宽为
，Φ为高斯核函数。 (三)变量的选取与定义 1.非利息收入。非利息收入主要反映银行的经营结构，这里用非利息收入业务占总营业收入的比率来测度。非利息收入还可以进一步分解为手续费和佣金收入及其他非利息收入，其中手续费及佣金收入比较稳定，是银行非利息收入的主要组成部分。 2.银行规模。大多数学者认为，规模与银行系统性风险之间存在较强的关系，规模较大的银行可以通过多元化经营来分散个体风险，但业务复杂性和关联性的上升也可能导致银行系统性风险上升(Moore & Zhou，2013)。此外，规模越大的银行越容易受到政府的隐形担保，道德风险的频繁发生致使系统性风险增大(Huang et al.，2012)。 3.股权市账比。该指标反映了银行的经营能力，高股权市账比意味着银行经营质量较好，但股价被高估的可能性也较高，投资者面临的市场风险较大。部分研究得出的结论是，股权市账比高的银行系统性风险也较高(Adrian et al.，2011；张晓玫和毛亚琪，2014)。 4.负债权益比。该指标反映了银行的资产结构，可以用来表示银行杠杆率的高低。Dell et al.(2014)认为，过高的杠杆率往往带来较高的系统性风险，而Berger et al.(2006)得出的结论是，若银行杠杆率降低，在业绩排名压力下银行高管有动机从事高风险业务，违约概率增加有可能导致银行系统性风险增加。 5.不良贷款率。该指标衡量的是银行信贷质量。不良贷款率越高，银行面临的违约风险越大。Greenwood et al.(2015)认为，在信贷网络存在的条件下，单家银行违约风险的上升会导致银行体系系统性风险的上升。 6.贷款比率。该指标反映了银行的收入结构。贷款比率越高，银行传统业务的占比就越高，银行受经济波动影响的幅度就越大，但这反过来又降低了业务复杂性。朱波和卢露(2014)得出的结论是，贷款比率与银行系统性风险紧密相关。 7.净资产收益率。该指标反映的是银行盈利能力。较高的净资产收益率意味着银行能较好地抵御风险，及时吸收潜在损失。刘春志和范尧熔(2015)认为，高净资产收益率会降低银行系统性风险。 (四)实证模型与估计方法 基于上述分析，银行非利息收入与系统性风险可能存在非线性门槛效应，为了避免人为划分门槛带来的偏误，我们选择Hansen(1999)的面板门槛模型来考察两者之间的关系：
为了得到参数的估计值，首先，我们对模型进行固定效应转换，利用“格点搜索法”确定模型门槛值γ并进行参数估计；其次，使用“自助抽样法”构造似然比统计量，给出其临界值；最后，使用这些临界值来检验门槛效应是否显著，得到门槛值γ的置信区间。 三、实证分析 (一)系统性风险度量及时变性分析 基于CES方法度量的银行系统性风险的平均值如图1所示。银行体系系统性风险时变性特征较为显著，系统性风险在2008—2012年期间整体上呈下降趋势，但在2013—2014年期间则呈上升态势。2013年年中银行间市场出现的“钱荒”事件和2014年以来宏观经济低迷导致的银行不良贷款率持续上升使得银行系统性风险有所上升。②表1给出的是14家上市银行在危机前(2008年1月—2008年12月)和危机后(2009年1月—2014年12月)两个时期中的系统重要性排序结果，两个时期中的排序具有较强的一致性，工商银行、建设银行、中国银行和交通银行基本上都位于较为靠前的位置。这与现实情况较为吻合，因此CES方法是我国银行系统性风险度量较为合适的方法。③
图1 上市银行CES的均值
表1还报告了两个时期中各家银行的系统性风险贡献度。金融危机前四大国有商业银行的系统性风险贡献度占比为73.9%，股份制银行的贡献度占比为26.1%；而在危机后的贡献度占比分别为64.6%和35.4%。由于股份制银行在银行间市场等业务中的占比逐渐增加，规模对我国银行业系统性风险的影响呈下降态势，而网络关联程度则呈上升态势。因此，对我国商业银行的系统性风险监管而言，既要注重规模效应，也要注意新兴业务网络关联程度的潜在影响。 (二)变量计算及描述性统计分析 由表2可以看出，我国银行业的系统性风险差异较大，整个样本期的最小值为0.0021，最大值却达到0.0151。就非利息收入而言，我国上市银行的占比均不高，但银行间差距较大，且非利息收入主要来自于手续费和佣金收入。负债权益比最小值为7.1011，最大值为42.3746，均值为16.7776，标准差为4.6753，表明我国银行业的负债权益比个体差异性较大。用于衡量银行信贷风险的不良贷款率最小值为0.3400，最大值为5.1500，均值为0.9727，表明我国银行业信贷风险存在一定的个体差异。反映银行盈利能力的净资产收益率最小值为-0.0057，最大值为28.7100，标准差为3.2228，说明我国银行盈利能力的个体差异性较明显。
(三)门槛模型的估计与检验 为了确定模型的具体形式，需要确定门槛值的个数。参照Hansen的方法，我们分别对模型一(方程7)、模型二(方程8)和模型三(方程9)设定为不存在门槛效应、存在单一门槛效应、双重门槛效应和三重门槛效应四种情形，然后进行模型的估计与检验。由表3可以看出，模型一中的单一门槛效应在1%的置信水平下显著，双重门槛效应在10%置信水平下显著，而三重门槛效应不显著；模型二无论是单一门槛效应还是双重门槛效应和三重门槛效应均在1%的置信水平下显著；模型三中的单一门槛效应在5%的置信水平下显著，双重门槛效应和三重门槛效应均不显著。因此，我们将模型一和模型三设置为单一门槛模型，模型二设置为三重门槛模型。
使用格点搜索法得到模型一的门槛值为29.895(0.962万亿元)，模型二的门槛值分别为29.183(0.472万亿元)、29.872(0.940万亿元)和30.216(1.331万亿元)，模型三的门槛值为29.653(0.755万亿元)。因此，我们可以对银行的规模大小进行如下划分：(1)在2008-2009年期间，仅工商银行属于大规模银行，其余13家银行均属于小规模银行；(2)在2010-2014年期间，工商银行、建设银行和中国银行都位于大规模银行之列，其余11家银行都属于小规模银行。这种划分方法与2014年1月中国银监会公布《商业银行全球系统重要性评估指标披露指引》中的划分结果较为吻合。④ (四)实证结果及分析 在确定门槛值的基础上，表4分别对模型一、模型二和模型三进行门槛效应回归。上述结果表明，规模与银行系统性风险存在正向关系，这与大多数的研究结论相一致。股权市账比和不良贷款率参数估计值均在1%水平下显著为正，说明较高的股权市账比和不良贷款率会增加银行的系统性风险，较高的股权市账比意味着该银行的价值被明显高估，投资者面临较大的市场风险，由此增加了金融市场的不稳定性。较高的不良贷款率则意味着银行存在较大的信贷风险，在信贷网络存在的情况下，这会增大银行的系统性风险。负债权益比、贷款比率和净资产收益率的回归系数均在1%水平下显著为负，这与高国华等(2011)的研究结论类似。
从核心解释变量来看，当银行规模小于29.895时，非利息收入与银行系统性风险正相关，当银行规模大于29.895时，非利息收入与银行系统性风险负相关。可能是由于规模大的银行具有较好的风险管理能力、较高的信息披露质量，因此非利息收入在增加大规模银行收益的同时并未带来风险的显著增加，从而有助于金融体系的稳定。 模型进一步将银行的非利息收入分解为手续费和佣金收入及其他非利息收入。结果表明，当银行的规模在29.183至29.872之间时，手续费和佣金收入与银行的系统性风险呈正相关，当规模大于29.872时，手续费和佣金收入与系统性风险表现出负相关关系。DeYoung(2013)认为，银行的手续费和佣金收入来源比较稳定，可以减少宏观经济波动对银行的冲击，降低银行系统性风险，但该业务与传统业务的关联性也可能导致系统性风险的上升。就我国的实际情况而言，⑤大规模银行的存款替代效应比较小，增加手续费和佣金收入有助于银行的收入稳定，从而降低银行系统性风险，中小银行存款替代效应较大，这种业务的叠加增加了银行间的网络关联，导致银行的系统性风险上升。无论是大规模银行还是小规模银行，其他非利息收入与系统性风险均呈负相关。这和已有的研究结论不同，可能的原因在于其他非利息收入在我国银行体系的总收入中占比极小，业务种类较少，风险较为可控，其他非利息收入业务的发展在增加银行收入的同时分散了银行的系统性风险。上述结果表明，银行非利息收入与系统性风险的非线性效应主要来自手续费和佣金收入。 (五)基于信息披露质量视角的解释 为深入探讨非利息收入与系统性风险间的非线性关系，本文基于信息披露质量的视角深入考察非线性关系的产生原因。Ellis(2014)认为，较高的信息披露质量能够使公众和监管当局及时了解银行的风险程度，便于投资者和监管当局根据银行的信息披露做出相关决策，增强了对银行冒险行为的外部约束，从而有利于金融系统的稳定。Vauhkoen(2012)实证研究表明，资本要求稳定金融系统作用的发挥依赖于信息披露质量，信息披露质量越高，则提高资本要求对稳定金融系统的作用就越大。由于我国上市商业银行的信息披露存在差异，其对银行风险承担的约束也不尽相同。鉴于此，我们分别考察不同信息披露质量下大规模银行和小规模银行的非利息收入与系统性风险之间的关系。采用Kim & Verrechia(2001)提出的KV指数法度量银行的信息披露质量，⑥将我国上市银行的信息披露质量分为高信息披露质量和低信息披露质量，依据上文中银行规模门槛值29.895将上市银行划分为大规模银行和小规模银行，使用固定效应对面板模型一(方程(7))重新进行估计，结果如表5所示。 由表5可以发现，在高信息披露质量下，大规模银行和小规模银行的非利息收入与系统性风险均呈负相关，但小规模银行的负相关关系不显著；在低信息披露质量下，无论大规模银行还是小规模银行其非利息收入与系统性风险均呈正相关。这是因为在信息披露质量较高时，市场约束的增强迫使银行从事稳健的经营活动，从而降低了系统性风险；而在信息披露质量较低时，市场约束难以发挥作用，银行往往倾向于从事投资与交易等高风险经营活动，容易导致金融系统的不稳定。因此，银行信息披露质量差异是非利息收入与系统性风险间存在非线性关系的重要原因。
图2 上市银行KV值 我们进一步依据规模门槛值将KV指数划分为两组，结果如图2所示。由图2可以看出，我国上市银行的信息披露质量波动较大，尤其是2012-2013年信息披露质量较差，但2014年情况有所好转，可能是因为我国2014年1月推出了《商业银行全球系统重要性评估指标披露指引》，该指引明确了商业银行的信息披露主体和要求，提高了商业银行的信息披露质量。大规模银行的信息披露质量明显高于小规模银行信息披露质量，这进一步论证了大规模银行非利息收入与银行系统性风险负相关的重要原因在于大规模银行的信息披露质量较高，使得外部监督更加容易，避免了银行从事高风险的经营活动。 四、结论和启示 本文基于CES方法计算了我国14家上市银行的系统性风险，对银行非利息收入与系统性风险之间的关系进行了考察，结果表明：(1)CES能够捕捉到极端情况下银行的尾部风险，较好地反映银行系统性风险的时变特征，是一个理想的系统性风险测度指标。(2)规模、股权市账比及不良贷款率对系统性风险的影响显著为正，负债权益比、贷款比率和净资产收益率的影响则显著为负。(3)非利息收入及其组成部分与系统性风险存在非对称关系。具体来说，小规模银行非利息收入与系统性风险呈正相关，大规模银行非利息收入则与系统性风险呈负相关，这种非线性关系主要来自手续费和佣金收入。(4)非利息收入对银行系统性风险存在非线性影响的重要原因在于不同规模的银行信息披露质量存在差异。 本文的研究对于我国当前的银行监管具有重要启示：首先，监管当局需要考虑政策对个体银行影响的差异。利率市场化虽然有助于银行的转型，但这一过程中可能产生的金融体系系统性风险不容忽视。其次，监管当局不仅要重视银行规模，还要密切关注银行业务范围对系统性风险的影响。对于中小银行来说，风险管理能力不足，非利息收入占比过高并不利于金融系统的稳定。⑦最后，监管当局应强化银行的信息披露要求，同时设计激励机制鼓励银行自愿披露相关信息，强化外部监督等软约束，切实防范银行的系统性风险。 ①Acharya et al.(2010)认为，监管当局更加关注发生金融危机时个体银行对整个金融系统的风险贡献，以便加强对风险贡献大的金融机构的监管，本文所说的系统性风险和Huang et al.(2009)、范晓云等(2011)提出的系统性风险贡献意义相同。 ②根据中国银监会发布的信息，我国2014年银行体系的季度不良贷款率分别为1.04%、1.08%、1.16%和1.25%，同比增加8.33%、3.85%、7.41%和7.76%，环比增加8.33%、12.51%、19.59%和25.01%。 ③张晓玫和毛亚琪使用长期边际预期损失(LRMES)方法来测度系统性风险得出的结论是，金融危机后我国银行系统性风险一直呈递减趋势，这与我们的结论不同。 ④《商业银行全球系统重要性评估指标披露指引》规定，上一年度被巴塞尔委员会认定为全球重要性银行的商业银行或上一年年末调整后表内外资产余额为1.6万亿元人民币以上的商业银行为国内系统重要性银行。 ⑤根据各上市公司的年报，我们发现2008-2014年间，我国三大国有商业银行(除农业银行)平均手续费与佣金收入占非利息收入业务的比重为84.41%，其他商业银行占比83.23%，这表明相对于三大国有商业银行，其他商业银行的投资与交易等顺周期业务占比可能更高。我们进一步发现，2008-2014年我国三大国有商业银行的平均同业拆借率为107.9395，其他商业银行平均同业拆借率为119.1237，这也意味着其他商业银行的网络关联程度更加复杂，风险的传染效应可能更强。 ⑥关于KV指数的详细介绍和季度KV值的计算详见Kim & Verrechia(2001)、周开国等(2011)、翟光宇等(2014)，KV值越大，意味着信息披露质量越低。 ⑦截至2014年，我国国有上市银行的非利息收入占比、手续费与佣金收入占比及其他非利息收入占比分别为0.28、0.21、0.07；上市股份制银行占比分别为0.29、0.24、0.05；城市商业银行占比分别为0.16、0.15、0.01；其中占比最高的是招商银行，分别为0.35、0.28、0.07，最低的是宁波银行，分别为0.12、0.17、0.05。
标签：银行论文; 利息收入论文; 系统性风险论文; 银行风险论文; 银行系统论文; 银行上市论文; 风险模型论文; 不良贷款率论文; 风险管理论文;
