肖崎，廖鸿燕

（华南理工大学，广东广州510006）

一、引言

2008年次贷危机后，我国的利率市场化改革快速推进，银行业过度依赖传统存贷款业务的同质化状况发生了改变，但同时也使得银行对外部冲击的反应更加敏感。为了应对利率风险，商业银行开展多元化资产配置分散风险，如大力拓展财富管理、投资银行等市场化业务，造成银行之间持有的资产组合相似度极高，形成一种新的银行业同质化趋势。次贷危机后，很多学者对银行业同质性问题进行研究。国外学者通过构建理论模型研究银行同质性可能带来的影响，如Allen et al.（2010）和Ibragimov et al.（2011）的研究均表明，对于金融机构个体而言，进行分散化的资产配置是有利的，但是如果金融机构之间持有类似的资产组合，则会加深金融机构对风险的共同暴露程度，增加系统性风险爆发的可能。Cai et al.（2018）研究发现，随着银行业资产组合相似度的提升，银行系统受到同一危机冲击的可能性增大，受系统性风险的扰动也会愈发明显。Huang et al.（2012）通过主成分分析，测算美国上市银行股票收益率之间的动态相关系数，衡量银行资产配置的同质化程度。Helbing（2013）构建银行网络模型，发现银行网络中银行数量越多，系统性风险爆发时导致的损失越大；并且如果银行有相似的分散投资策略，那么同时陷入危机的概率会大大增加。国内学者的研究更多停留在定性分析上，如董裕平（2009）分析了2008年金融危机时，商业银行为完成信贷扩张任务短期内大规模扩张信贷的现象，认为这为同质化行为种下了风险隐患。刘春航等（2012）借鉴生态学中对生物同质性和多样化的研究方法，从理论上分析银行业同质性对金融稳定的影响。朱小军（2012）通过数据搜集和实地调查，认为银行业同质化竞争在短期内会导致金融服务单一、价格战和资源配置不当，长期会导致系统性风险的增加、银行业发展后劲不足。李泽广等（2017）从业务紧密关联视角测试了我国上市银行经营同质化水平。

综上所述，目前国内文献关于银行业同质性对金融稳定的研究基本是定性分析，尚未有文献就相关问题进行实证检验。基于此，本文研究内容及结构安排如下：第二部分为我国银行业同质性的测度与分析； 第三部分为我国金融稳定状况的测度；第四部分考察银行业同质性对金融稳定的影响；第五部分为结论和政策建议。

二、我国银行业同质性的测度与分析

（一）模型建立

目前，测度银行业同质性的主要方法有主成分分析法和估计相关系数的方法。Huang et al.（2012）通过主成分分析，测算美国上市银行股票收益率之间的动态相关系数，以此来衡量银行资产配置的同质化程度。林澍和任志娟（2016）利用我国上市银行的收益率数据，通过主成分分析和DCC-MGARCH 模型测度我国银行业同质化程度。本文选择DCC-MGARCH 模型进行建模，所用的数据为日度数据。

用qij，t（i≠j）表示商业银行股票收益率两两之间的动态相关系数，并以银行j 的市值为权重，将银行i 与其他银行j（i≠j）之间的动态相关系数进行加权平均，得到银行i 与其他上市银行之间的动态相关系数，即：

其中，qij，t（i≠j）表示银行i 与银行j 的动态相关系数；corri，t表示银行i 与其他上市银行在t 时期的动态相关系数；mvj表示2017年12月31日银行j 的市值。在求出银行i 与其他上市银行之间的动态相关系数之后，进一步以公司市值为权重，求得银行业整体同质化程度Corr。

（二）样本选取与数据处理

为了保证样本时间跨度长度和研究的可靠性，本文数据样本为14 家上市商业银行2008年4月1日至2017年12月31日的日收益率数据。数据来源为Wind 数据库。股票市场的日收益率Rt为Rt=ln（Pt/Pt-1），其中，Pt是股票每日收盘价。上市银行的日收益率序列代码见表1。

表1 样本商业银行日收益率序列代码

（三）我国银行业同质性测度与分析

1.数据检验

为了避免出现伪回归，在用DCC-MGARCH 模型进行参数估计前，先对数据进行异方差检验、序列自相关检验和平稳性检验。由表2可知，14 家上市银行的日收益率均值都趋近于0，偏度均异于0，峰度均大于3，呈现明显的“尖峰厚尾”现象。由Jarque-Bera统计量可知，在1%的显著性水平下，所有银行的收益率都异于正态分布。根据ARCH（6）统计量，在1%的显著性水平下，各银行的股票收益率序列都存在明显的ARCH 效应。Q（6）统计量显示，在1%的显著性水平下，各银行的股票收益率序列的滞后一阶回归残差平方存在自相关现象。由ADF 检验可知，各银行收益率序列都具有平稳性。

表2 样本商业银行日收益率检验结果

注：*、**、*** 分别表示10%、5%、1%的显著性水平。

2.单变量GARCH 模型估计

在对DCC-MGARCH 模型进行估计之前，先对各银行股票日收益率的单变量GARCH 过程进行估计。本文利用GARCH（1，1）模型来估计每家银行收益率序列，估计结果见表3，发现残差序列已无自相关现象和ARCH 效应。

表3 GARCH（1，1）参数估计结果

3.合成银行业同质性指标

在完成对各银行日收益率的单变量GARCH 模型建模之后，利用DCC 模型对银行两两之间的动态相关系数进行估计，得到105 组序列。利用式（1）和式（2）求得银行i 与其他上市银行之间的动态相关系数，并进一步以公司市值为权重求得银行业整体同质化程度Corr（如图1所示）。

图1 我国银行业同质性指标Corr 的变化趋势

由图1可知，2008-2015年，我国银行业同质性指标表现出先降后升的趋势，这说明次贷危机后，我国利率市场化改革快速推进，银行业过去依赖传统存贷款业务的同质化状况有所下降。但随着改革的深入，在应对利率风险进行资产配置时，商业银行持有的资产组合相似度增加，共同的风险暴露增加，同质化程度进一步加深。本文通过Wind 数据库搜集14 家上市银行同时间段的财务数据。从盈利结构来看，2015年银行净利息收入占比较2008年下行10.55%，而表外理财业务发展迅速，2015年中间业务收入在总收入中的占比较2008年增加12.09%。银行理财产品数量从2008年的千余款增长至2015年的6 万多款。因此，利率市场化改革确实降低了银行由于依赖存贷款业务引致的同质性，而银行业持有相似的资产组合，共同风险暴露增加，形成一种新的银行业同质化趋势。

三、我国金融稳定状况测度

（一）模型选择及指标选取

金融稳定性测度方法主要包括宏观压力测试法、金融危机预警模型和金融稳定状况指数法。本文基于IMF 金融稳健性指标评估体系，并借鉴印重（2014）的指标构建方法，综合考虑我国金融深化程度、金融机构资产质量、房地产市场、金融市场流动性、资本充足程度和外汇风险六个方面，选取基础指标构建我国金融稳定指数。所选指标和指标属性如表4所示。正向指标的增大有利于金融体系的稳定，而负向指标的增大会使金融风险增大，不利于金融体系的稳定。选取的样本时间区间为2008年4月至2017年12月，样本频率为月度。不良贷款率数据来源为中国银保监会网站，其他数据来源均为Wind 数据库。基础指标包括：第一，金融深化程度，用M2/GDP 衡量，该指标数值越高，市场的流动性越充足，金融稳定性也就越高。第二，银行资产质量，其中，存贷款比例越高，银行系统中的信贷比例越高，越不利于金融稳定；不良贷款率是反映资产质量的重要指标，该指标越高，金融机构面临的信用风险越大，越不利于金融稳定。第三，房地产市场状况，用国房景气指数来衡量，该指标数值越高，资产泡沫化越明显，不利于金融稳定。第四，金融市场流动性，其中，股票市盈率与金融稳定呈负向关系； 银行同业拆借利率可以反映金融市场的流动性，且数值越高，表明资金成本越高，越不利于金融稳定；沪深两市平均价差越高，说明证券市场的交易密度越高，越不利于金融稳定。第五，资本充足程度，用资本/总资产表示，该指标越高，说明金融机构的资本充足程度越好，越有利于金融稳定。第六，外汇风险，其中，实际有效汇率越大，国家所承受的外汇风险越高；外汇储备量与金融稳定性成正向关系；外币贷款/总贷款的增大会增加信用风险，尤其是当本国货币的币值出现波动时，信用风险会被进一步放大。

表4 金融稳定指数

（二）主成分分析

1．数据处理

由于基础指标的数据存在属性和量纲量级的差异，本文对其进行预处理，主要包括两步：第一步是对基础指标进行同向化处理，即对负指标取相反数，使其性质逆转，与正指标同向；第二步是对数据进行标准化处理，计算公式如下：

其中，Xit为t 时刻i 指标的变量实际值；表示i 指标的算术平均值；σi表示i 指标的标准差；X*it为标准化后的指标值。对于标准化处理后的指标，本文在变量名之前加“S”进行标记，如MGDP 序列标准化后为SMGDP。

2．主成分分析法确定权重

使用主成分分析法确定基础指标的权重结果如表5、表6所示。表5显示前四个主成分的累积方差贡献率为90.46%，超过了经验值标准85%，因此选取这四个为主成分。根据各个基础指标在选定的四个主成分上的载荷和方差贡献率，计算基础指标的权重。因此，我国金融稳定指数FSCI 的构建公式为：

从式（4）中可以看出，M2/GDP（SMGDP）、国房景气指数（SNHCI）、外币贷款/总贷款（SRFT）的系数较大，均大于0.2，表明我国金融稳定状况与这三者有较强的相关性；不良贷款率（SNPL）和外汇储备（SFER）的系数较小，均为0.005 以下，说明我国金融稳定状况与这两者的相关性较弱。

表5 前四个主成分对总方差的解释

表6 基础指标权重计算表

（三）我国金融稳定指数的HP 滤波分析

在计算出权重之后，可以利用式（4）求得我国金融稳定指数。本文用HP 滤波法分离我国金融稳定指数的波动成分和趋势成分，结果如图2所示。

图2 我国金融稳定指数及其波动和趋势成分

由图2可知，我国金融稳定状况呈阶段性变化：2008年初至2010年末，我国金融稳定指数呈现下降趋势，并且存在剧烈波动，出现了2008年的波峰和2010年底的波谷。一方面，2008年美国金融危机对我国造成巨大冲击，使得我国金融稳定指数出现巨大波动。另一方面，为应对金融危机而推出的“四万亿计划”虽然使大幅波动的状况得到及时控制，但长期看来存在着明显弊端，这也是2010年我国金融稳定指数波动加剧的原因。2010年末至2014年初，我国的金融稳定指数维持整体平稳，波动较小。这与我国监管当局的政策有关。这一阶段，央行采取逐步收紧的货币政策，2010年央行六次上调存款准备金率，存款准备金率曾一度达到21.5%。受货币政策的影响，国房景气指数在这一时期一直处于下降的过程。另外，银监会以《巴塞尔协议III》为基础，于2012年颁布《商业银行资本管理办法》，积极构建宏观审慎监管体系。2014年初至2016年初，我国金融稳定指数不断下滑，这与前一阶段银行同业业务快速发展有关。同业业务作为我国影子银行的一种创新业务，增强了银行与非银行金融机构之间的相互关联性，增大了系统性风险。另外，2015年股市和外汇市场都出现较大的波动，也加剧了金融市场的不稳定。2016年初至2017年末，我国金融稳定指数再次呈现较为平稳的状态。2016年，央行正式推出宏观审慎管理体系（MPA），把银行机构的表外理财业务纳入监管。这一举措有效控制了影子银行的规模扩张，打击了商业银行资产管理方面的同质性行为。此外，政府针对房地产出台的严格的限购、限贷、限售的调控政策也对金融稳定起到正面作用。

四、银行业同质性对金融稳定的影响

（一）数据处理与检验

利用上文实证结果得到的2008年4月至2017年12月银行业同质性指标Corr 和金融稳定指数FSCI，通过SVAR 模型研究我国银行业同质性对金融稳定的影响。上文计算得到的银行业同质性指标为日度数据，因此选取每月最后一个交易日的数据作为当月数据，与金融稳定指数一致。

在进行SVAR 模型估计之前，需要对Corr 和FSCI 进行单位根检验和格兰杰因果关系检验。单位根检验结果如表7所示。在1%的显著性水平下，Corr 平稳，FSCI 不平稳。对FSCI 进行一阶差分后再次进行ADF 检验，此时DFSCI（FSCI 的一阶差分）在1%的显著性水平下平稳。

表7 单位根检验结果

由于格兰杰因果关系检验对滞后阶数的选择很敏感，本文先对滞后阶数进行选择。如表8所示，有多个准则选择了滞后4 阶，因此将滞后阶数设定为4。根据格兰杰因果检验的结果（如表9所示），在5%的显著性水平下认为DFSCI 是Corr 的格兰杰原因； 在1%的显著性水平下认为Corr 是DFSCI 的格兰杰原因。因此可以认为Corr和DFSCI 之间存在双向影响，可以建立SVAR 模型。

表8 滞后阶数选择

表9 格兰杰因果关系检验结果

（二）SVAR 模型的建立与分析

建立SVAR 模型时确定滞后阶数的过程与格兰杰因果关系检验时相同，同样选择滞后4 阶。如图3所示，SVAR 模型所有单位根均落在单位圆内，说明模型系统稳定。

图3 模型系统平稳性检验结果

（三）脉冲响应分析

利用上述SVAR 模型对Corr 和DFSCI 进行脉冲响应分析，结果如图4、图5所示。由图4可知，金融稳定指数DFSCI 对其自身的一个标准差新息立刻做出了响应，在第一期达到最大值10.4%，第二期立刻下降到-0.7%，第三期为-2.2%，之后冲击的影响逐渐减弱。而金融稳定指数对来自银行业同质性的冲击在第一期和第二期出现1.3%的正向变动，第三期下降为-0.5%，第五期达到最大负影响-2.9%，之后缓慢减弱。由图5可知，银行业同质性Corr 对其自身的一个标准差冲击立刻有较强的反应，第一期达4%，第二期迅速变为1.9%，之后波动减弱。银行同质性对来自金融稳定指数的一个标准差新息在第一期没有反应，第二期为-0.03%，第三期为-0.06%，第四期达到最大负影响-0.1%，之后渐渐减弱。

图4 DFSCI 的脉冲响应曲线

图5 Corr 的脉冲响应曲线

脉冲响应分析表明，金融稳定指数对银行业同质性一个标准差的冲击在第一期和第二期有正向的响应，第三期及以后的响应都为负向。说明银行业同质性行为在短期内可能会对金融稳定产生一定的正面影响，银行机构通过金融创新和资产配置提高了自身的盈利能力，同时推动经济增长。从长期看来，银行业同质性行为会给实体经济和资本市场注入大量流动性，在提升资产市场价格的同时，助长金融市场的泡沫，对金融稳定产生负面影响。同时银行业同质性所造成的风险具有一定的藏匿期间，因此负面影响具有时滞性和持续性。而金融稳定指数对银行业同质性指标的解释性较弱，金融稳定指数一个标准差的冲击对银行同质性造成的影响一直都在1%以内。

（四）方差分解

本文使用Cholesky 分解法对变量进行方差分解，结果如图6、图7所示。由图6可知，在第一期预测中，金融稳定指数预测方差的98.42%是由其自身扰动引起的。随着预测期的推移，金融稳定指数预测方差中由其自身扰动引起的部分减少，由银行业同质性扰动引起的部分增加，但由其自身扰动引起的部分所占比重较大。大约在第九期左右，金融稳定指数分解结果基本稳定，其预测方差有12%是由银行业同质性扰动引起的，88%是由其自身扰动引起的。由图7可知，随着预测期的推移，银行业同质性预测方差中由其自身扰动引起的部分占比缓慢下降，但比重一直较大，到第九期开始稳定在94%左右。而由金融稳定指数扰动引起的部分占比则缓慢增加，但是比重不大，在第九期开始保持在6%左右。

图6 DFSCI 的方差分解曲线

图7 Corr 的方差分解曲线

五、结论和政策建议

近年来，我国银行业同质化呈现新的表现形式。本文测度了我国银行业同质性水平，并基于主成分分析法构建了金融稳定指数，运用SVAR 模型研究了我国银行业同质性对金融稳定的影响。主要结论如下：

首先，次贷危机后，我国利率市场化改革加速推进，银行业过去依赖传统存贷款业务的同质化状况有所下降。但随着改革的深入，商业银行在进行资产配置时会持有相似的资产组合，共同风险暴露增加，形成银行业新的同质化趋势。

其次，现阶段，我国银行业同质性对金融稳定在短期内会有一定的正面影响，但长期看来，银行业的同质性行为对金融体系的稳定产生的影响是负面的，并且这种负面影响具有时滞性和持续性。

根据上述结论，为了降低银行业同质性对金融稳定的负面影响，本文从监管当局和商业银行两个角度分别提出以下政策建议：

（一）监管当局角度

第一，监管当局应当鼓励银行开展差异化经营，降低银行业共同风险敞口的暴露程度。鼓励银行根据自身特征，制定不同的经营目标和发展战略，采取多元化的资产配置方式。在保证风险可控的前提下，适当降低部分新兴业务的准入门槛，积极鼓励银行进行金融创新。第二，监管部门对待不同类别商业银行可以实施差异化监管。不同类别商业银行的风险控制和风险承受能力是有差异的。因此，监管部门应该根据各类商业银行的实际情况设立不同的预警指标和阈值，通过差异化监管引导商业银行开展差异化经营。

（二）商业银行角度

商业银行应采取差异化的经营战略，不同类型的银行应该明确自身在行业中所处位置和自身特色，进而做出精准的市场定位，制定差异化的经营策略，并提供有针对性的金融服务。例如民生银行聚焦于小微企业，可以继续加大对小微企业业务的投入力度，有效利用国家对小微企业的扶持政策，通过探索与小微企业的新型合作模式发挥自身优势。而招商银行将高端客户作为主要目标客户，其业务应注重发展私人银行，争取为客户提供全方位、个性化的金融服务，包括财富管理、保险保障、子女教育、高端社交等。此外，商业银行应培育健康良好的风险管理理念，强化自身的风险管理水平，对于风险的识别、计量、报告和处置要有清晰明确的流程规定，还要对流程执行情况进行定期审查，从根源上防止系统性风险的发生。