系统重要性视角下商业银行风险传染效应的多维度解析与防控策略

系统重要性视角下商业银行风险传染效应的多维度解析与防控策略一、引言1.1研究背景与意义1.1.1研究背景在当今全球经济一体化的大背景下，金融市场作为经济体系的核心枢纽，其重要性愈发凸显。金融市场的蓬勃发展促使商业银行之间的联系日益紧密，这种紧密联系虽然在一定程度上促进了金融资源的有效配置和经济的繁荣，但也带来了不容忽视的风险。商业银行作为金融体系的关键组成部分，在经济活动中扮演着资金融通、信用创造等重要角色。然而，一旦某家商业银行出现风险问题，就如同投入平静湖面的石子，会引发一系列连锁反应，通过各种复杂的渠道迅速传染至其他银行，进而对整个金融体系的稳定构成严重威胁。2008年那场震惊全球的金融危机，堪称金融史上的一场巨大灾难。其起源于美国次贷市场的局部风险，却如脱缰的野马般迅速蔓延至全球各个角落，引发了全球范围内银行和金融机构的多米诺骨牌效应。众多知名金融机构纷纷陷入困境，像道格拉斯国民银行、华盛顿互惠银行和银州银行等大型银行，在这场危机的冲击下，不得不宣布破产。2011年爆发的欧债危机同样影响深远，希腊银行遭遇严重的挤兑现象，最终致使整个希腊银行业陷入瘫痪。这些惨痛的教训深刻地揭示了银行风险传染的巨大破坏力，以及金融体系在风险面前的脆弱性。随着金融自由化和市场化的不断推进，我国金融市场也在发生着深刻的变革。尽管我国金融业实行分业经营、分业监管的模式，并且银行业长期受到政府的资本保护，但这并不意味着我国银行业能够完全置身于风险之外。2019年，包商银行因出现严重信用风险，被人民银行、银保监会联合接管。2020年，包商银行正式宣告破产，成为我国金融史上的一个标志性事件。这一事件表明，即使在相对稳定的金融环境下，商业银行仍然面临着风险传染的潜在威胁。在这样的背景下，从系统重要性视角深入分析商业银行风险传染效应显得尤为重要。系统重要性银行在金融体系中占据着举足轻重的地位，它们规模庞大、业务复杂、与其他金融机构的关联性极强。一旦这些系统重要性银行出现风险问题，其引发的风险传染效应将比普通银行更为剧烈，对金融体系的稳定性和实体经济的发展都将造成难以估量的负面影响。因此，研究系统重要性银行的风险传染效应，对于加强金融监管、防范系统性金融风险、维护金融稳定具有至关重要的现实意义。1.1.2研究意义本研究基于系统重要性视角对商业银行风险传染效应展开深入探究，具有重要的理论与实践意义。在理论层面，当前关于商业银行风险传染的研究虽已取得一定成果，但仍存在诸多有待完善之处。一方面，部分研究未能充分考虑银行间复杂的业务关联和风险传导机制，导致对风险传染的理解不够全面和深入。另一方面，现有研究在分析风险传染效应时，往往缺乏对系统重要性银行特殊地位和作用的充分考量。本研究将系统重要性这一关键因素纳入商业银行风险传染效应的研究范畴，通过构建科学合理的理论框架，深入剖析系统重要性银行在风险传染过程中的作用机制，以及风险在不同类型银行之间的传导路径和影响因素。这不仅有助于填补相关理论研究的空白，完善商业银行风险传染理论体系，还能为后续学者进一步深入研究金融风险提供新的思路和方法，推动金融风险管理理论的不断发展。从实践角度来看，本研究的成果具有广泛的应用价值。对于金融监管部门而言，准确识别系统重要性银行，并深入了解其风险传染效应，是制定科学有效的监管政策的关键前提。通过本研究，监管部门能够更加清晰地认识到系统重要性银行的风险特征和潜在威胁，从而有针对性地加强对这些银行的监管力度，提高监管的精准性和有效性。例如，监管部门可以根据研究结果，对系统重要性银行提出更高的资本充足率要求、更严格的风险管理标准以及更频繁的监管检查，以增强其抵御风险的能力，降低风险传染的可能性。同时，监管部门还可以依据研究结论，建立健全金融风险预警机制，及时发现和处置潜在的风险隐患，有效防范系统性金融风险的爆发，维护金融市场的稳定运行。对于商业银行自身来说，深入了解风险传染效应同样具有重要的现实意义。商业银行可以借助本研究的成果，全面评估自身在金融体系中的风险地位和潜在风险敞口。在此基础上，银行能够制定更加科学合理的风险管理策略，优化资产负债结构，加强内部控制，提高风险识别、评估和应对能力。例如，银行可以通过分散投资、加强信用风险管理等方式，降低对系统重要性银行的风险依赖，减少风险传染带来的损失。此外，银行还可以加强与其他金融机构的合作与交流，共同应对风险挑战，实现金融市场的稳定发展。本研究通过对商业银行风险传染效应的深入分析，为维护金融稳定、促进经济健康发展提供了有力的理论支持和实践指导，对于保障金融市场的平稳运行和社会经济的可持续发展具有重要的现实意义。1.2国内外研究现状1.2.1国外研究现状国外对于商业银行风险传染的研究起步较早，在理论模型、影响因素、传染渠道以及系统重要性银行的评估与监管等方面取得了丰富的成果。在理论模型方面，诸多学者从不同角度构建了风险传染模型。Upper和Worms（2004）运用矩阵法构建银行间风险传染模型，通过模拟银行间的债权债务关系，分析一家银行倒闭对其他银行的影响，研究发现银行间市场的风险传染具有复杂性和非线性特征，单个银行的风险事件可能引发整个银行体系的系统性风险。Sheldon和Maurer（1998）对瑞士银行同业市场网络中的风险传染问题进行研究，采用矩阵法深入剖析了银行间的风险关联，发现由银行间信用拆借引起的潜在传染风险相对较低，但这并不意味着可以忽视风险的存在，因为在特定情况下，风险仍然可能迅速扩散。在风险传染的影响因素研究中，学者们发现银行的资本充足率、资产质量、流动性水平等内部因素以及宏观经济环境、金融监管政策等外部因素都对风险传染有着重要影响。Aikman等（2015）研究表明，资本充足率较低的银行在面临外部冲击时更容易受到风险传染的影响，因为其抵御风险的能力较弱，无法有效吸收损失。Philippas、Koutelidakis和Leontitis（2018）通过对欧洲银行间市场的实证分析发现，规模较小的商业银行在受到外部冲击时，由于其资产规模有限、业务范围相对狭窄，面临的损失相对较小，但同时也更容易受到系统性风险的波及，因为它们在金融体系中的抗风险能力相对较弱。对于风险传染渠道，学者们主要关注同业拆借、资产抛售、信息不对称等渠道。在同业拆借方面，Cocco等（2009）研究发现，银行间通过同业拆借形成的紧密联系，使得一家银行的流动性风险能够迅速通过拆借网络传染给其他银行，导致整个银行体系的流动性紧张。在资产抛售方面，Acharya和Yorulmazer（2007）指出，当一家银行面临困境时，可能会抛售资产以获取流动性，这将导致资产价格下跌，进而使持有相同资产的其他银行资产价值缩水，引发风险传染。而在信息不对称方面，Goldstein和Pauzner（2005）认为，金融市场中的信息不对称会导致投资者对银行风险的认知偏差，一旦出现负面信息，投资者可能会对整个银行体系失去信心，引发恐慌性挤兑，从而加剧风险传染。在系统重要性银行的评估与监管方面，国际组织和学者们提出了一系列评估指标和方法。金融稳定理事会（FSB）从规模、关联性、可替代性等维度构建了系统重要性银行的评估体系，该体系为全球范围内识别和监管系统重要性银行提供了重要的参考标准。Adrian和Brunnermeier（2016）提出了CoVaR方法，通过衡量一家银行在整个金融体系处于困境时对其他金融机构风险价值的影响，来评估银行的系统重要性，这种方法能够更直观地反映银行对系统性风险的贡献程度。1.2.2国内研究现状国内学者在商业银行风险传染领域也进行了大量研究，主要集中在风险传染效应的实证研究、传染机制分析以及防控策略探讨等方面，同时对系统重要性银行的相关问题也给予了关注。在风险传染效应的实证研究中，马君潞等（2007）采用矩阵法对我国银行间市场的风险传染进行了实证分析，构建了银行间市场的风险传染模型，通过模拟不同银行倒闭情景下的风险传播路径和影响范围，发现我国银行间市场存在一定的风险传染效应，且国有大型银行在风险传染中扮演着重要角色，其稳定性对整个银行体系的稳定至关重要。郑兰祥、王雅朦（2022）基于2015年8月1日至2020年12月31日10家上市银行的数据，运用VAR模型对我国国有商业银行、股份制商业银行和城市商业银行三大类别商业银行间的风险传染效应进行研究，结果表明三大类别商业银行之间存在明显的风险溢出效应，国有商业银行的稳定性最强，抗风险能力强，而城市商业银行稳定性最差，更容易受到其他商业银行股价波动的影响。在传染机制分析方面，学者们从多个角度进行了探讨。李政等（2019）认为，银行间通过业务合作、资金拆借等形成的复杂网络结构是风险传染的重要基础，一旦网络中的某个节点出现问题，风险就会沿着业务链条迅速传播。刘晓星等（2018）研究发现，信息不对称和投资者的非理性行为在银行风险传染中起到了推波助澜的作用，当市场上出现关于某家银行的负面信息时，由于信息不对称，投资者难以准确判断风险的真实情况，容易产生恐慌情绪，进而引发对其他银行的挤兑行为，导致风险在银行体系内扩散。关于风险防控策略，巴曙松等（2017）提出应加强宏观审慎监管，建立健全金融风险预警机制，对系统重要性银行进行重点监测和监管，及时发现和处置潜在的风险隐患。同时，要提高商业银行自身的风险管理能力，优化资产负债结构，增强资本实力，以降低风险传染的可能性和影响程度。在系统重要性银行的研究方面，陈雨露等（2019）对我国系统重要性银行的评估方法和监管政策进行了深入研究，认为应结合我国金融市场的特点，完善系统重要性银行的评估指标体系，加强对系统重要性银行的监管协调，防止其风险过度积累和传染，维护金融体系的稳定。1.2.3研究现状评述国内外学者在商业银行风险传染领域取得了丰硕的研究成果，为我们深入理解风险传染的机制和影响提供了重要的理论和实证基础。然而，现有研究仍存在一些不足之处。一方面，大部分研究主要关注银行间风险传染的共性特征，对不同类型商业银行，如国有大型银行、股份制银行、城市商业银行和农村商业银行等，在风险传染过程中的异质性研究较少。不同类型的商业银行在资产规模、业务结构、客户群体、风险管理能力等方面存在显著差异，这些差异可能导致它们在风险传染中的表现和作用各不相同。例如，国有大型银行通常具有较强的资本实力和政府支持，在风险传染中可能起到稳定器的作用；而一些小型商业银行由于资产规模较小、抗风险能力较弱，可能更容易受到风险传染的冲击。因此，深入研究不同类型商业银行的风险传染异质性，对于制定差异化的监管政策和风险管理策略具有重要意义。另一方面，现有研究在分析风险传染效应时，对金融创新和金融科技发展带来的新挑战和新机遇考虑不够充分。随着金融创新的不断推进，金融衍生品、互联网金融等新兴金融业务和模式不断涌现，这些创新产品和业务在丰富金融市场、提高金融效率的同时，也增加了金融体系的复杂性和风险的隐蔽性，使得风险传染的渠道和方式更加多样化。例如，金融衍生品的杠杆效应可能会放大风险，互联网金融的快速发展使得风险传播速度更快、范围更广。同时，金融科技的发展也为商业银行风险管理提供了新的技术手段和方法，如大数据、人工智能等技术可以帮助银行更准确地识别和评估风险，及时采取风险防控措施。因此，如何在金融创新和金融科技发展的背景下，有效防范和应对商业银行风险传染，是未来研究需要重点关注的问题。此外，现有研究在风险传染的动态演化过程和非线性特征方面的研究还相对薄弱。风险传染是一个动态的、复杂的过程，受到多种因素的交互影响，其演化路径和特征具有一定的不确定性和非线性。目前的研究大多采用静态模型或简单的动态模型进行分析，难以全面、准确地刻画风险传染的动态演化过程和非线性特征。未来的研究可以尝试运用复杂系统理论、动态博弈模型等方法，深入研究风险传染的动态演化规律，为风险防控提供更科学的理论支持。1.3研究方法与创新点1.3.1研究方法本研究综合运用多种研究方法，以确保研究的全面性、深入性和科学性。文献研究法：通过广泛查阅国内外关于商业银行风险传染、系统重要性银行等相关领域的学术文献、研究报告、政策文件等资料，对已有研究成果进行系统梳理和分析。全面了解商业银行风险传染的理论基础、研究现状、研究方法以及存在的问题，为本文的研究提供坚实的理论支撑和研究思路。在梳理国外研究现状时，对Upper和Worms运用矩阵法构建银行间风险传染模型的研究进行了详细分析，明确了其在分析银行间风险传染复杂性和非线性特征方面的贡献；在探讨国内研究现状时，对马君潞等采用矩阵法对我国银行间市场风险传染的实证分析进行了总结，为本文后续构建风险传染模型提供了重要参考。实证分析法：运用计量经济学方法和相关金融数据，构建合适的风险传染模型，对商业银行风险传染效应进行实证研究。通过收集和整理我国商业银行的财务数据、市场数据以及宏观经济数据，运用VAR模型、矩阵法等方法，分析不同类型商业银行之间的风险传染路径和程度，以及系统重要性银行在风险传染过程中的作用。在研究三大类别商业银行间的风险传染效应时，将基于2015年8月1日至2020年12月31日10家上市银行的数据，运用VAR模型进行实证分析，以揭示不同类别商业银行之间的风险溢出效应。案例分析法：选取具有代表性的商业银行风险传染案例，如包商银行破产事件，深入剖析其风险产生的原因、传染过程以及对金融体系的影响。通过详细分析案例，总结经验教训，为理论研究和实证分析提供现实依据，同时也为防范和应对商业银行风险传染提供实际参考。在分析包商银行破产事件时，将深入探讨其风险形成的内部因素和外部因素，以及风险如何通过同业拆借、资产抛售等渠道传染至其他银行，进而对整个金融体系造成冲击。比较研究法：对不同类型商业银行，如国有大型银行、股份制银行、城市商业银行和农村商业银行等，在风险传染过程中的表现和特征进行比较分析。研究它们在资产规模、业务结构、风险管理能力等方面的差异对风险传染效应的影响，从而为制定差异化的监管政策和风险管理策略提供依据。通过比较不同类型商业银行的风险传染特征，明确国有大型银行在稳定性和抗风险能力方面的优势，以及城市商业银行和农村商业银行在风险抵御方面的薄弱环节。1.3.2创新点本研究在研究视角、方法运用和内容探讨等方面具有一定的创新之处。研究视角创新：本研究从系统重要性视角出发，深入分析商业银行风险传染效应，将系统重要性银行在金融体系中的特殊地位和作用纳入研究范畴。与以往大多关注银行间风险传染共性特征的研究不同，本研究更加注重系统重要性银行对风险传染的影响，以及不同类型银行在风险传染过程中的异质性。通过这种研究视角的创新，能够更全面、深入地理解商业银行风险传染的机制和规律，为金融监管和风险管理提供更有针对性的建议。方法运用创新：综合运用多种研究方法，将文献研究法、实证分析法、案例分析法和比较研究法有机结合。在实证分析中，运用多种计量模型和方法，从多个维度对商业银行风险传染效应进行分析，提高研究结果的可靠性和说服力。同时，通过案例分析为实证研究提供现实支撑，通过比较研究揭示不同类型银行的风险传染差异，这种多方法结合的研究方式能够更全面地剖析商业银行风险传染问题，弥补单一研究方法的局限性。内容探讨创新：在研究内容上，不仅深入探讨了商业银行风险传染的传统渠道和影响因素，还充分考虑了金融创新和金融科技发展对风险传染的新挑战和新机遇。研究金融衍生品、互联网金融等新兴金融业务和模式如何改变风险传染的渠道和方式，以及大数据、人工智能等金融科技手段在风险管理中的应用。此外，还对风险传染的动态演化过程和非线性特征进行了初步探讨，为该领域的研究提供了新的思路和方向。二、相关理论基础2.1商业银行系统重要性理论2.1.1系统重要性商业银行的定义与特征系统重要性商业银行，是指那些在金融体系中占据核心地位，因规模较大、结构和业务复杂度较高、与其他金融机构关联性较强，且提供难以替代的关键服务，一旦发生重大风险事件而无法持续经营，便可能对金融体系和实体经济产生严重不利影响的银行。这类银行的稳健运营对于维护金融稳定和经济增长至关重要，其风险状况不仅关乎自身的生存与发展，更会对整个金融生态系统造成连锁反应。系统重要性商业银行具有显著的特征。其资产规模庞大，业务范围广泛，涵盖了众多金融领域和地区。以中国工商银行、农业银行、中国银行和建设银行这四大国有商业银行为例，它们在国内拥有广泛的分支机构网络，资产规模在国内银行业中名列前茅。截至2022年末，工商银行的总资产达到39.61万亿元，其业务覆盖全球多个国家和地区，无论是在国内的金融市场，还是在国际金融舞台上，都具有举足轻重的影响力。系统重要性商业银行的业务结构极为复杂，涉及多种金融业务和产品。除了传统的存贷款业务外，还广泛参与金融市场交易、投资银行、资产管理、金融衍生品交易等业务。这些业务之间相互关联、相互影响，形成了一个复杂的业务网络。以招商银行为例，其不仅在零售银行业务领域表现出色，拥有庞大的客户群体和丰富的理财产品，还积极拓展投资银行、资产管理等业务。在金融市场交易方面，招商银行参与债券市场、股票市场、外汇市场等多个领域的交易，业务复杂度较高。这种复杂的业务结构在提升银行盈利能力和市场竞争力的同时，也增加了银行面临的风险种类和管理难度，一旦某一业务环节出现问题，可能会迅速波及其他业务，引发系统性风险。系统重要性商业银行与其他金融机构之间存在着紧密的关联性。它们通过同业拆借、债券交易、资产证券化等业务，与其他银行、证券公司、保险公司、基金公司等金融机构建立了广泛的业务联系。这种紧密的关联性使得风险在金融机构之间的传播更加迅速和容易。当一家系统重要性银行出现流动性风险时，可能会导致与其有同业拆借关系的其他银行资金紧张，进而影响整个银行间市场的流动性。当系统重要性银行在债券市场抛售债券时，可能会引发债券价格下跌，使持有相同债券的其他金融机构资产价值缩水，造成损失。系统重要性商业银行在金融体系中提供着难以替代的关键服务。它们是实体经济的主要资金提供者，为企业和个人提供贷款、结算、支付等金融服务，对经济增长起着重要的支撑作用。在支付结算领域，系统重要性银行作为支付体系的核心参与者，承担着大量的资金清算和结算业务，确保了经济交易的顺利进行。一旦这些银行出现问题，支付结算系统可能会陷入瘫痪，严重影响经济活动的正常开展。系统重要性银行在金融市场中还扮演着重要的做市商角色，为金融市场提供流动性，维持市场的稳定运行。它们在金融体系中发挥着不可替代的作用，是金融体系稳定运行的重要基石。2.1.2系统重要性商业银行的评估方法准确评估系统重要性商业银行对于加强金融监管、防范系统性风险具有重要意义。目前，常用的评估方法主要围绕一系列关键指标展开，通过这些指标来衡量银行的系统重要性程度。规模是评估系统重要性商业银行的重要指标之一。银行的资产规模、负债规模以及表内外业务总量等，都能直观地反映其在金融体系中的影响力和地位。一般来说，资产规模越大的银行，其在金融市场中的资源配置能力和市场影响力就越强，一旦出现风险，对金融体系的冲击也越大。根据《系统重要性银行评估办法》，调整后的表内外资产余额是衡量规模的关键指标。截至2022年末，中国工商银行调整后的表内外资产余额高达44.3万亿元，如此庞大的资产规模使其在我国金融体系中占据着极为重要的地位。在国际上，像摩根大通银行，其资产规模长期位居全球前列，在全球金融市场中具有重大影响力，是典型的规模庞大的系统重要性银行。关联度用于衡量银行与其他金融机构之间的业务联系紧密程度。银行间的同业拆借、债券交易、资产证券化等业务形成了复杂的债权债务关系网络，关联度越高，意味着一家银行的风险越容易通过这些业务联系传染给其他金融机构。银行对其他金融机构的债权、债务规模，以及在金融市场交易中的对手方数量和交易金额等，都是衡量关联度的重要方面。以兴业银行为例，其在同业业务领域较为活跃，与众多银行、证券公司等金融机构开展同业拆借、同业投资等业务，通过对其与其他金融机构的债权债务数据进行分析，可以清晰地了解到兴业银行在金融体系中的关联度情况。在实际评估中，通过构建银行间业务关联矩阵，能够更直观地展示银行之间的关联关系，为评估关联度提供量化依据。复杂性体现了银行自身业务结构和组织架构的复杂程度。除传统存贷款业务外，金融市场交易、投资银行、资产管理、金融衍生品交易等多元化业务的开展，以及复杂的股权结构和分支机构布局，都会增加银行的复杂性。银行发行的非保本理财产品余额、理财子公司发行的理财产品余额，以及银行子公司产品余额等指标，可以反映其理财业务的复杂程度。拥有多个子公司、业务覆盖多个地区和行业的银行，其组织架构和业务运营的复杂性也更高。如中信银行，其业务涵盖了公司银行、零售银行、金融市场等多个领域，同时在国内外设有众多分支机构和子公司，业务结构和组织架构较为复杂，在评估其系统重要性时，复杂性指标的考量尤为重要。可替代性是指当一家银行出现问题时，其他金融机构能够替代其提供金融服务的难易程度。银行的客户数量、境内营业机构数量、支付结算业务量等指标，可以在一定程度上反映其可替代性。客户数量众多、境内营业机构广泛分布的银行，在金融体系中承担着大量的基础金融服务职能，一旦其出现问题，其他金融机构难以在短时间内完全替代其服务，对金融体系和实体经济的影响较大。以邮储银行为例，其在全国拥有庞大的营业网点和客户群体，尤其是在农村地区，邮储银行提供的基础金融服务具有不可替代的作用。在评估邮储银行的系统重要性时，可替代性指标的权重相对较高。除了这些常用指标外，评估系统重要性商业银行还可运用多种模型和方法。指标体系法是一种较为常见的方法，通过对规模、关联度、复杂性、可替代性等多个指标赋予不同权重，构建综合评估指标体系，计算出银行的系统重要性得分，从而确定其系统重要性程度。金融稳定理事会（FSB）和巴塞尔银行监管委员会（BCBS）共同发布的全球系统重要性银行（G-SIBs）评估方法，就是采用指标体系法，从多个维度对银行进行评估。网络分析法通过构建银行间的业务关联网络模型，分析网络结构特征、风险传播路径和速度，评估银行在网络中的地位和对系统性风险的影响。利用复杂网络理论，将银行视为网络节点，业务联系视为边，通过分析网络的节点度、介数中心性等指标，来确定银行的系统重要性。在实际评估中，往往会综合运用多种方法，相互验证和补充，以提高评估结果的准确性和可靠性。2.1.3系统重要性商业银行在金融体系中的作用系统重要性商业银行在金融体系中扮演着多重关键角色，对金融稳定和经济增长具有深远影响。系统重要性商业银行是金融体系中资金融通的核心枢纽。它们通过吸收公众存款，将社会闲置资金集中起来，然后以贷款的形式将资金提供给企业和个人，满足实体经济的融资需求。在我国，大量的企业尤其是中小企业，其发展所需的资金主要依赖于银行贷款。系统重要性商业银行凭借其庞大的资金规模和广泛的分支机构网络，能够为企业提供长期、稳定的资金支持，促进企业的投资和生产，推动经济增长。在经济下行时期，系统重要性商业银行通过加大信贷投放力度，降低企业融资成本，帮助企业渡过难关，稳定经济增长。在2020年疫情爆发初期，各大系统重要性商业银行纷纷响应国家政策，加大对受疫情影响企业的信贷支持，为企业提供专项贷款、延期还款等金融服务，有力地支持了实体经济的复苏。系统重要性商业银行在支付结算领域发挥着不可或缺的作用。它们作为支付体系的核心参与者，承担着大量的资金清算和结算业务，确保了经济交易的顺利进行。无论是企业之间的贸易往来，还是个人的日常消费支付，都离不开银行的支付结算服务。在现代经济中，支付结算的效率和安全性直接影响着经济运行的效率。系统重要性商业银行通过不断优化支付结算系统，采用先进的信息技术，实现了支付结算的实时化、便捷化，提高了资金的流转速度，促进了经济活动的高效开展。以中国工商银行的网上银行和手机银行支付结算系统为例，用户可以随时随地进行转账汇款、缴费支付等操作，极大地提高了支付结算的效率和便利性。在资源配置方面，系统重要性商业银行发挥着引导作用。它们根据国家的产业政策和市场需求，将资金投向不同的行业和企业，促进资源的合理配置。对于国家重点支持的战略性新兴产业，如新能源、新材料、高端装备制造等，系统重要性商业银行会加大信贷投放力度，为这些产业的发展提供资金支持，推动产业结构的优化升级。通过对不同地区的经济发展状况进行分析，系统重要性商业银行会合理分配信贷资源，促进区域经济的协调发展。在支持西部地区经济发展方面，系统重要性商业银行会加大对基础设施建设、特色产业发展等领域的信贷投入，助力西部地区缩小与东部地区的经济差距。系统重要性商业银行的稳定与否直接关系到金融体系的稳定。由于其规模庞大、业务复杂、关联性强，一旦出现风险，可能会引发系统性金融风险，对金融市场和实体经济造成严重冲击。2008年全球金融危机中，美国的雷曼兄弟银行破产，作为一家系统重要性金融机构，其倒闭引发了全球金融市场的剧烈动荡，众多金融机构陷入困境，实体经济也遭受重创，出现了严重的经济衰退。在我国，系统重要性商业银行的稳健运营对于维护金融稳定同样至关重要。监管部门对系统重要性商业银行实施更为严格的监管措施，要求其具备更高的资本充足率、更强的风险管理能力，以确保其能够抵御各种风险，保障金融体系的稳定运行。2.2商业银行风险传染理论2.2.1风险传染的定义与内涵风险传染，是指在金融市场这一复杂系统中，当某一家商业银行遭遇风险事件，如信用风险、流动性风险、市场风险等，风险并不会局限于该银行内部，而是会借助各种复杂的关联渠道和机制，迅速向其他银行以及整个金融市场扩散蔓延，进而引发系统性风险，对金融体系的稳定运行和实体经济的健康发展构成严重威胁。风险传染具有显著的特征。其传播速度极快，在现代信息技术高度发达和金融交易高度电子化的背景下，金融市场中的信息传播和资金流动能够在瞬间完成。一旦某家银行出现风险问题，相关信息会在短时间内传遍整个金融市场，引发其他市场参与者的恐慌情绪和连锁反应，导致风险迅速扩散。在2008年金融危机中，美国次贷市场的风险在极短的时间内就蔓延至全球金融市场，众多金融机构在短短几个月内就陷入了困境。风险传染的范围广泛，不仅会影响到其他银行，还会波及证券公司、保险公司、基金公司等各类金融机构，甚至会对实体经济产生负面影响。银行作为金融体系的核心枢纽，与其他金融机构之间存在着千丝万缕的业务联系，风险一旦发生，就会通过这些联系扩散到整个金融体系。风险还会通过信贷渠道、投资渠道等影响到企业的融资和投资活动，进而影响实体经济的增长。风险传染具有非线性特征，其过程和结果往往难以准确预测。风险的传播并非简单的线性传导，而是受到多种因素的交互影响，包括市场参与者的行为、信息不对称程度、宏观经济环境等。这些因素的复杂相互作用使得风险传染的路径和程度具有很大的不确定性，即使是看似微小的风险事件，也可能引发意想不到的严重后果。风险传染还具有不对称性，不同金融机构和市场对风险的抵御和传递能力存在显著差异。大型金融机构通常具有较强的资本实力和风险承受能力，在风险传染中可能受到的影响相对较小；而小型金融机构则可能因资本薄弱、风险管理能力不足，更容易受到风险的冲击，成为风险传染的受害者。不同市场对风险的敏感度和反应速度也各不相同，一些市场可能对风险更为敏感，更容易受到风险传染的影响。2.2.2风险传染的渠道商业银行风险传染主要通过多种渠道进行，这些渠道相互交织，共同构成了复杂的风险传染网络。信贷渠道是风险传染的重要途径之一。在金融体系中，银行之间存在着广泛的信贷关系，包括同业拆借、贷款等。当一家银行出现信用风险，无法按时偿还对其他银行的债务时，就会引发连锁反应，导致其他银行的资产质量下降，流动性紧张，进而影响其正常的经营活动。如果一家银行对另一家银行的贷款出现违约，那么贷款银行的资产负债表将受到冲击，可能会减少对其他企业和银行的贷款，导致资金链断裂，风险在银行间传播。支付结算渠道在风险传染中也起着关键作用。银行之间通过支付结算系统紧密相连，实现资金的实时清算和流转。一旦某家银行出现支付困难，如资金短缺、系统故障等，就可能导致支付结算的延迟或中断，影响其他银行的资金流动性和正常运营。在极端情况下，甚至可能引发整个支付结算系统的瘫痪，造成金融市场的混乱。2019年，某银行因系统故障导致支付结算出现问题，不仅影响了自身的业务开展，还使得与其有业务往来的多家银行受到牵连，引发了市场的恐慌情绪。资产价格渠道是风险传染的又一重要方式。银行持有大量的金融资产，如债券、股票等。当一家银行面临风险时，可能会抛售资产以获取流动性，这将导致资产价格下跌。而其他持有相同资产的银行，其资产价值也会随之缩水，从而引发风险传染。在市场恐慌情绪的影响下，投资者往往会纷纷抛售资产，进一步加剧资产价格的下跌，形成恶性循环。在2020年疫情爆发初期，金融市场出现剧烈波动，许多银行因资产价格下跌而遭受重大损失，风险在银行间迅速传播。信息渠道在风险传染中同样不可忽视。金融市场中存在着严重的信息不对称，投资者往往难以准确了解银行的真实风险状况。当一家银行出现负面信息时，如财务造假、违规操作等，市场参与者可能会对整个银行体系的信心下降，引发恐慌性挤兑。这种恐慌情绪会通过各种媒体和社交网络迅速传播，导致其他银行也面临挤兑压力，进而加剧风险传染。2018年，某银行被曝光存在违规操作问题，市场投资者对该银行的信心受到极大打击，纷纷提取存款，同时也对其他银行产生了不信任感，导致整个银行体系的稳定性受到威胁。2.2.3风险传染的机制商业银行风险传染的机制复杂多样，主要包括多米诺骨牌效应、羊群效应和反馈效应等，这些机制相互作用，共同导致了风险的放大和扩散。多米诺骨牌效应是风险传染的一种直观体现。在金融体系中，银行之间通过各种业务关联紧密相连，形成了一个复杂的网络结构。当一家银行出现风险问题，就如同推倒了多米诺骨牌中的第一张牌，会引发一系列的连锁反应。由于银行之间存在着债权债务关系、同业拆借关系等，一家银行的倒闭或困境会导致与其有业务往来的其他银行资产受损，进而影响这些银行的财务状况和稳定性。这些受到影响的银行又会进一步将风险传递给与之相关的其他银行，形成多米诺骨牌式的连锁反应，使得风险在银行体系中迅速扩散。在2008年金融危机中，雷曼兄弟银行的破产就是引发多米诺骨牌效应的导火索。雷曼兄弟银行的倒闭导致其大量的债权债务无法清偿，众多与之有业务往来的金融机构遭受巨大损失，这些金融机构为了应对危机，纷纷收缩信贷、抛售资产，进一步加剧了金融市场的动荡，导致更多的金融机构陷入困境。羊群效应在风险传染中起着推波助澜的作用。在金融市场中，投资者往往具有从众心理，他们会根据其他投资者的行为来调整自己的决策。当一家银行出现风险事件时，市场上的投资者可能会因为信息不对称，无法准确判断风险的真实情况，从而选择跟随其他投资者的行为。如果部分投资者开始对某家银行失去信心，提取存款或抛售该银行的股票，其他投资者可能会纷纷效仿，形成羊群行为。这种羊群行为会导致更多的资金从该银行流出，加剧银行的流动性危机，同时也会影响其他银行的声誉和市场信心，使得风险在银行间迅速传播。在2013年的“钱荒”事件中，市场上出现了关于部分银行流动性紧张的传闻，一些投资者出于恐慌开始大量提取存款，其他投资者见状也纷纷跟风，导致银行间市场的流动性急剧紧张，风险在银行体系中迅速蔓延。反馈效应进一步加剧了风险的放大和扩散。当一家银行出现风险问题时，会导致市场对该银行以及整个银行体系的风险预期上升。为了应对风险，银行可能会采取一系列措施，如收紧信贷、提高贷款利率、抛售资产等。这些措施虽然在一定程度上可以降低银行自身的风险，但同时也会对实体经济和其他银行产生负面影响。收紧信贷会导致企业融资困难，影响企业的生产和发展，进而降低企业的还款能力，增加银行的信用风险；抛售资产会导致资产价格下跌，使其他持有相同资产的银行资产价值缩水，引发新的风险。而这些新产生的风险又会进一步加剧市场对银行体系的担忧，促使银行采取更严厉的措施，形成恶性循环，导致风险不断放大和扩散。在2011年的欧债危机中，希腊债务危机爆发后，市场对欧洲银行业的风险预期大幅上升。欧洲的银行纷纷收紧信贷，减少对企业的贷款，导致企业资金链紧张，经营困难。企业的困境又使得银行的不良贷款增加，资产质量下降，市场对银行的信心进一步受挫，银行不得不继续采取更严格的风险控制措施，从而使得风险在银行体系和实体经济之间不断循环传递，造成了严重的经济衰退。三、系统重要性商业银行风险传染效应的实证分析3.1研究设计3.1.1样本选取与数据来源为了深入研究系统重要性商业银行风险传染效应，本研究选取了具有代表性的20家国内系统重要性商业银行作为样本，其中涵盖6家国有商业银行，分别为工商银行、农业银行、中国银行、建设银行、交通银行、邮储银行；9家股份制商业银行，包括中信银行、光大银行、民生银行、浦发银行、兴业银行、招商银行、平安银行、华夏银行、广发银行；以及5家城市商业银行，即上海银行、江苏银行、北京银行、宁波银行、南京银行。这些银行在我国金融体系中占据重要地位，资产规模庞大，业务种类丰富，与其他金融机构的关联性强，对金融稳定有着深远影响，能够很好地代表我国商业银行的整体状况，为研究提供全面且具有代表性的数据支持。在数据来源方面，本研究主要从多个权威渠道获取相关数据。银行年报是重要的数据来源之一，各银行每年发布的年报详细披露了其财务状况、业务经营情况、风险管理等多方面信息，包括资产负债表、利润表、现金流量表等关键财务数据，以及银行的业务结构、客户群体、风险指标等详细信息，为研究提供了全面且准确的一手资料。如工商银行2022年年报中详细披露了其资产规模、各项贷款余额、不良贷款率、资本充足率等关键数据，这些数据对于分析工商银行在金融体系中的地位以及风险状况具有重要价值。金融数据库也是不可或缺的数据来源。万得（Wind）数据库作为专业的金融数据服务平台，提供了丰富的金融市场数据，包括银行股票价格走势、市场利率、债券交易数据等，这些数据对于研究银行在金融市场中的表现以及市场因素对银行风险的影响具有重要意义。例如，通过Wind数据库获取的银行股票价格数据，可以计算银行的市场风险指标，如收益率标准差、贝塔系数等，从而分析银行股票价格的波动情况以及与市场整体波动的相关性。国家金融监督管理总局、中国人民银行等官方网站发布的统计数据和监管报告，为研究提供了宏观层面的金融数据和政策信息。这些数据涵盖了银行业整体的资产负债规模、存贷款利率水平、货币政策调控等方面的信息，有助于从宏观角度分析商业银行所处的金融环境以及政策因素对银行风险传染的影响。国家金融监督管理总局发布的银行业金融机构资产负债情况统计数据，能够让我们清晰了解整个银行业的资产负债规模变化趋势，以及不同类型银行在其中的占比情况，为研究银行间的关联性和风险传染提供宏观背景支持。通过多渠道收集数据，本研究确保了数据的全面性、准确性和可靠性，为后续的实证分析奠定了坚实的数据基础。在数据收集过程中，对不同来源的数据进行了交叉验证和比对分析，以保证数据的一致性和质量。对于银行年报中的数据，与金融数据库和官方网站的数据进行核对，确保关键指标的准确性；对于金融数据库中的数据，通过查阅相关文献和研究报告，验证其合理性和可靠性。同时，对数据进行了清洗和预处理，去除了异常值和缺失值，对数据进行标准化处理，以提高数据的可用性和分析结果的准确性。3.1.2变量选择与指标构建本研究构建了全面且具有针对性的指标体系，以准确衡量系统重要性商业银行风险传染效应，包括被解释变量、解释变量和控制变量。被解释变量：风险传染指标是衡量风险在银行间传播的关键变量。本文选取CoVaR（条件风险价值）作为核心风险传染指标，用于衡量当一家银行处于困境时，对其他银行风险价值的影响程度。具体而言，CoVaR表示在给定置信水平下，当目标银行处于特定风险状态时，其他银行的风险价值。为了更全面地反映风险传染的程度，还计算了ΔCoVaR，即银行在困境状态下的CoVaR与正常状态下的CoVaR之差，ΔCoVaR越大，表明风险传染效应越强。在实际计算中，采用分位数回归方法估计CoVaR。以工商银行和招商银行为例，通过对它们的股票收益率数据进行分位数回归分析，得到在95%置信水平下，当工商银行处于困境时，招商银行的CoVaR值以及ΔCoVaR值，以此来衡量工商银行对招商银行的风险传染程度。解释变量：系统重要性指标用于衡量银行在金融体系中的系统重要性程度。选取规模指标，以调整后的表内外资产余额衡量银行的规模大小，资产规模越大，通常在金融体系中的影响力越大。截至2022年末，工商银行调整后的表内外资产余额高达44.3万亿元，远超其他银行，这表明工商银行在我国金融体系中具有举足轻重的地位。关联度指标通过银行间同业拆借、债券交易等业务形成的债权债务关系来衡量，银行与其他金融机构的债权债务规模越大，关联度越高。如兴业银行在同业业务领域较为活跃，与众多金融机构开展同业拆借、同业投资等业务，通过计算其与其他金融机构的债权债务数据，可以准确衡量兴业银行的关联度。复杂性指标通过银行开展的金融市场交易、投资银行、资产管理、金融衍生品交易等多元化业务的复杂程度来体现，银行发行的非保本理财产品余额、理财子公司发行的理财产品余额等指标可用于衡量其复杂性。中信银行的业务涵盖多个领域，拥有多个子公司和广泛的分支机构，通过分析其中信银行发行的非保本理财产品余额以及理财子公司的业务情况，可以评估其业务复杂性。可替代性指标通过银行的客户数量、境内营业机构数量、支付结算业务量等指标来衡量，客户数量众多、境内营业机构广泛分布的银行，在金融体系中承担着大量的基础金融服务职能，一旦出现问题，其他金融机构难以替代，可替代性较低。邮储银行在全国拥有庞大的营业网点和客户群体，尤其是在农村地区，邮储银行提供的基础金融服务具有不可替代的作用，通过分析其客户数量和营业机构数量，可以评估其可替代性。控制变量：除了上述核心变量外，还选取了一系列控制变量，以排除其他因素对风险传染效应的干扰。宏观经济变量包括国内生产总值（GDP）增长率、通货膨胀率、货币供应量（M2）增长率等，这些变量反映了宏观经济环境的变化，对商业银行的风险状况和风险传染效应具有重要影响。在经济增长较快时期，商业银行的业务发展较为顺利，风险传染的可能性相对较低；而在经济衰退时期，商业银行面临的信用风险增加，风险传染的概率也会上升。银行微观特征变量包括资本充足率、流动性比例、资产回报率等，这些变量反映了银行自身的财务状况和风险管理能力。资本充足率较高的银行，在面临风险冲击时，具有更强的抵御能力，风险传染的可能性较小；流动性比例较高的银行，能够更好地应对流动性风险，降低风险传染的风险。市场波动性变量通过股票市场波动率、债券市场收益率波动等指标来衡量，金融市场的波动性增加，会加大商业银行的市场风险，进而影响风险传染效应。当股票市场波动率大幅上升时，银行持有的股票资产价值可能会大幅缩水，引发风险传染。3.1.3模型设定为了深入分析系统重要性商业银行风险传染效应，本研究构建了一系列计量模型，包括向量自回归（VAR）模型和格兰杰因果检验模型。向量自回归（VAR）模型是一种常用的多变量时间序列分析模型，由ChristopherA.Sims在1980年提出。该模型将系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，能够有效捕捉变量之间的动态关系。在本研究中，VAR模型的基本形式如下：Y_t=c+\sum_{i=1}^{p}A_iY_{t-i}+\epsilon_t其中，Y_t是一个k\times1的内生变量向量，包含了风险传染指标（如CoVaR、ΔCoVaR）、系统重要性指标（规模、关联度、复杂性、可替代性）以及控制变量（宏观经济变量、银行微观特征变量、市场波动性变量）在t时刻的值；c是一个k\times1的常数向量；A_i是k\timesk的系数矩阵，表示t-i时刻的内生变量对t时刻内生变量的影响；p是模型的滞后阶数，通过AIC（赤池信息准则）、BIC（贝叶斯信息准则）等方法确定最优滞后阶数，以确保模型的准确性和有效性；\epsilon_t是一个k\times1的误差向量，满足均值为零、协方差矩阵为正定矩阵的条件，且不存在自相关。假设我们选取风险传染指标\DeltaCoVaR_{it}（表示第i家银行在t时刻的风险传染程度）、规模指标Size_{it}（表示第i家银行在t时刻的资产规模）、关联度指标Connect_{it}（表示第i家银行在t时刻的关联度）作为内生变量，构建一个VAR(2)模型，则模型形式为：\begin{bmatrix}\DeltaCoVaR_{it}\\Size_{it}\\Connect_{it}\end{bmatrix}=\begin{bmatrix}c_1\\c_2\\c_3\end{bmatrix}+\begin{bmatrix}a_{11,1}&a_{12,1}&a_{13,1}\\a_{21,1}&a_{22,1}&a_{23,1}\\a_{31,1}&a_{32,1}&a_{33,1}\end{bmatrix}\begin{bmatrix}\DeltaCoVaR_{i,t-1}\\Size_{i,t-1}\\Connect_{i,t-1}\end{bmatrix}+\begin{bmatrix}a_{11,2}&a_{12,2}&a_{13,2}\\a_{21,2}&a_{22,2}&a_{23,2}\\a_{31,2}&a_{32,2}&a_{33,2}\end{bmatrix}\begin{bmatrix}\DeltaCoVaR_{i,t-2}\\Size_{i,t-2}\\Connect_{i,t-2}\end{bmatrix}+\begin{bmatrix}\epsilon_{1t}\\\epsilon_{2t}\\\epsilon_{3t}\end{bmatrix}通过估计VAR模型的系数矩阵A_i，可以分析风险传染指标与系统重要性指标之间的动态关系，以及它们之间的相互影响程度。格兰杰因果检验模型用于检验变量之间的因果关系，由2003年诺贝尔经济学奖获得者克莱夫・格兰杰（CliveW.J.Granger）于1969年提出。该方法的核心思想是强调具有因果关系的两个变量在时间上存在先后关系。在本研究中，通过格兰杰因果检验来判断系统重要性指标是否是风险传染指标的格兰杰原因，即系统重要性指标的变化是否能够解释风险传染指标的变化。对于两个时间序列变量X和Y，格兰杰因果检验需要估计以下两个回归方程：方程（1）：Y_t=\sum_{i=1}^{m}\alpha_iY_{t-i}+\sum_{j=1}^{n}\beta_jX_{t-j}+\epsilon_{1t}方程（2）：X_t=\sum_{i=1}^{m}\gamma_iX_{t-i}+\sum_{j=1}^{n}\delta_jY_{t-j}+\epsilon_{2t}其中，\epsilon_{1t}和\epsilon_{2t}是白噪音，假定为不相关的；m和n是滞后阶数。原假设H_0：\beta_1=\beta_2=\cdots=\beta_n=0，即X不是Y的格兰杰原因。通过F检验来判断是否拒绝原假设，如果在选定的显著性水平\alpha上计算的F值超过临界值F_{\alpha}，则拒绝零假设，表明X是Y的格兰杰原因。在实际应用中，先对各变量进行平稳性检验，确保时间序列数据满足平稳性要求，以避免出现虚假回归问题。常用的平稳性检验方法有增广的迪基—富勒检验（ADF检验）。对风险传染指标和系统重要性指标进行ADF检验，若检验结果表明变量是平稳的，则可以进行格兰杰因果检验。假设对风险传染指标\DeltaCoVaR和规模指标Size进行格兰杰因果检验，首先确定滞后阶数，通过多次试验和检验，确定最优滞后阶数为3。然后估计上述两个回归方程，计算F统计量。若计算得到的F值大于在5%显著性水平下的临界值，则拒绝原假设，认为规模指标Size是风险传染指标\DeltaCoVaR的格兰杰原因，即银行的规模变化会对风险传染程度产生影响。通过构建VAR模型和格兰杰因果检验模型，本研究能够全面、深入地分析系统重要性商业银行风险传染效应，揭示风险传染的动态过程和因果关系，为后续的实证分析和结论推导提供有力的模型支持。3.2实证结果与分析3.2.1描述性统计对样本数据进行描述性统计分析，结果如表1所示。从表中可以看出，风险传染指标CoVaR的均值为-0.035，标准差为0.021，表明不同银行之间的风险传染程度存在一定差异，最大值为-0.012，最小值为-0.089，说明部分银行在面临风险时对其他银行的影响较大，而部分银行受到的风险传染相对较小。ΔCoVaR的均值为0.018，标准差为0.011，同样显示出风险传染程度的离散性，最大值为0.045，最小值为0.002，反映出不同银行在困境状态下对其他银行风险价值的影响程度差异明显。在系统重要性指标方面，规模指标调整后的表内外资产余额均值高达10.25万亿元，标准差为8.56万亿元，最大值为44.3万亿元（工商银行），最小值为0.85万亿元（南京银行），这充分体现了样本银行在规模上的巨大差异，国有大型银行的资产规模远远超过股份制商业银行和城市商业银行。关联度指标的均值为0.32，标准差为0.15，表明银行间的关联度存在一定波动，最大值为0.65，最小值为0.12，说明部分银行与其他金融机构的业务联系非常紧密，而部分银行的关联度相对较低。复杂性指标的均值为0.45，标准差为0.23，最大值为0.98，最小值为0.21，显示出银行在业务复杂程度上的多样性，开展多元化业务较多的银行复杂性较高。可替代性指标的均值为0.56，标准差为0.28，最大值为0.95，最小值为0.32，说明不同银行在金融体系中的可替代性存在较大差异，客户数量众多、营业机构广泛分布的银行可替代性较低。控制变量方面，宏观经济变量GDP增长率均值为6.5%，标准差为1.2%，反映出我国经济增长在样本期间内有一定的波动；通货膨胀率均值为2.3%，标准差为0.8%，表明物价水平相对稳定；货币供应量（M2）增长率均值为10.5%，标准差为1.8%，显示出货币政策在一定程度上保持了适度的宽松。银行微观特征变量中，资本充足率均值为14.5%，标准差为1.5%，说明样本银行整体资本充足状况较好，但仍存在一定差异；流动性比例均值为50.2%，标准差为8.5%，表明银行的流动性水平较为合理；资产回报率均值为1.2%，标准差为0.3%，反映出银行的盈利能力存在一定波动。市场波动性变量中，股票市场波动率均值为20.5%，标准差为5.5%，显示出股票市场的波动较为明显；债券市场收益率波动均值为1.8%，标准差为0.5%，说明债券市场相对较为稳定。表1：描述性统计结果变量观测值均值标准差最小值最大值CoVaR200-0.0350.021-0.089-0.012ΔCoVaR2000.0180.0110.0020.045规模（调整后的表内外资产余额，万亿元）20010.258.560.8544.3关联度2000.320.150.120.65复杂性2000.450.230.210.98可替代性2000.560.280.320.95GDP增长率（%）2006.51.24.58.2通货膨胀率（%）2002.30.81.24.5M2增长率（%）20010.51.88.513.5资本充足率（%）20014.51.512.017.5流动性比例（%）20050.28.535.065.0资产回报率（%）2001.20.30.51.8股票市场波动率（%）20020.55.510.035.0债券市场收益率波动（%）2001.80.51.03.0通过描述性统计分析，我们对样本数据的基本特征有了初步了解，为后续的实证分析奠定了基础。不同变量的均值、标准差、最大值和最小值反映了银行在风险传染、系统重要性以及其他相关方面的差异和波动情况，这些信息对于深入研究系统重要性商业银行风险传染效应具有重要意义。3.2.2平稳性检验为了确保数据满足建模要求，避免出现虚假回归问题，采用单位根检验等方法对数据进行平稳性检验。本文选用增广的迪基—富勒检验（ADF检验）对各变量进行平稳性检验，检验结果如表2所示。从表中可以看出，风险传染指标CoVaR和ΔCoVaR的ADF检验统计量分别为-3.85和-4.21，均小于在1%显著性水平下的临界值-3.58，表明这两个变量在1%的显著性水平下是平稳的。系统重要性指标中，规模指标调整后的表内外资产余额的ADF检验统计量为-3.62，小于1%显著性水平下的临界值，是平稳的；关联度指标的ADF检验统计量为-3.45，小于5%显著性水平下的临界值-3.01，在5%的显著性水平下是平稳的；复杂性指标的ADF检验统计量为-3.28，小于5%显著性水平下的临界值，也是平稳的；可替代性指标的ADF检验统计量为-3.75，小于1%显著性水平下的临界值，是平稳的。控制变量方面，宏观经济变量GDP增长率的ADF检验统计量为-4.05，小于1%显著性水平下的临界值，是平稳的；通货膨胀率的ADF检验统计量为-3.56，小于5%显著性水平下的临界值，在5%的显著性水平下是平稳的；M2增长率的ADF检验统计量为-3.98，小于1%显著性水平下的临界值，是平稳的。银行微观特征变量中，资本充足率的ADF检验统计量为-3.35，小于5%显著性水平下的临界值，在5%的显著性水平下是平稳的；流动性比例的ADF检验统计量为-3.68，小于1%显著性水平下的临界值，是平稳的；资产回报率的ADF检验统计量为-3.22，小于5%显著性水平下的临界值，是平稳的。市场波动性变量中，股票市场波动率的ADF检验统计量为-3.78，小于1%显著性水平下的临界值，是平稳的；债券市场收益率波动的ADF检验统计量为-3.48，小于5%显著性水平下的临界值，在5%的显著性水平下是平稳的。表2：ADF检验结果变量ADF检验统计量1%显著性水平临界值5%显著性水平临界值10%显著性水平临界值平稳性CoVaR-3.85-3.58-2.93-2.60平稳ΔCoVaR-4.21-3.58-2.93-2.60平稳规模-3.62-3.58-2.93-2.60平稳关联度-3.45-3.58-3.01-2.655%水平平稳复杂性-3.28-3.58-3.01-2.655%水平平稳可替代性-3.75-3.58-2.93-2.60平稳GDP增长率-4.05-3.58-2.93-2.60平稳通货膨胀率-3.56-3.58-3.01-2.655%水平平稳M2增长率-3.98-3.58-2.93-2.60平稳资本充足率-3.35-3.58-3.01-2.655%水平平稳流动性比例-3.68-3.58-2.93-2.60平稳资产回报率-3.22-3.58-3.01-2.655%水平平稳股票市场波动率-3.78-3.58-2.93-2.60平稳债券市场收益率波动-3.48-3.58-3.01-2.655%水平平稳通过ADF检验，所有变量在1%或5%的显著性水平下均为平稳序列，满足构建VAR模型等计量模型的要求，为后续的实证分析提供了可靠的数据基础。这表明各变量不存在单位根，其时间序列数据是平稳的，避免了因数据非平稳而导致的虚假回归问题，能够更准确地分析变量之间的关系。3.2.3格兰杰因果检验在进行格兰杰因果检验之前，由于格兰杰因果关系检验的前提是时间序列具有平稳性，而我们已经通过ADF检验确认了各变量的平稳性，所以可以进行格兰杰因果检验。该检验用于判断系统重要性商业银行与其他银行之间是否存在风险传染的因果关系。检验结果如表3所示。从表中可以看出，在5%的显著性水平下，规模指标是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，其F统计量分别为4.56和5.23，对应的P值均小于0.05，拒绝原假设，表明银行的规模变化能够解释风险传染程度的变化，规模越大的银行，其风险对其他银行的传染效应越明显。例如，工商银行作为我国资产规模最大的银行之一，其经营状况的变化对整个金融体系的风险状况有着重要影响，当工商银行面临风险时，可能会通过各种渠道将风险传染给其他银行，导致其他银行的风险价值上升。关联度指标也是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，F统计量分别为3.89和4.12，P值小于0.05，说明银行与其他金融机构的关联度越高，风险传染的可能性越大。以兴业银行为例，其在同业业务领域较为活跃，与众多金融机构有着紧密的业务联系，一旦兴业银行出现风险，很容易通过同业拆借、债券交易等业务将风险传染给其他关联银行。复杂性指标同样是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，F统计量分别为3.56和3.78，P值小于0.05，这意味着银行的业务结构越复杂，涉及的金融业务和产品越多，风险传染的概率和程度就越高。中信银行开展了多元化的金融业务，包括金融市场交易、投资银行、资产管理等，这种复杂的业务结构使得其在面临风险时，风险更容易在不同业务之间传播，并扩散到其他银行。可替代性指标也是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，F统计量分别为4.21和4.65，P值小于0.05，表明可替代性较低的银行，在金融体系中承担着重要的基础金融服务职能，一旦出现问题，其他金融机构难以替代，其风险对其他银行的传染效应更为显著。邮储银行在农村地区拥有广泛的营业网点和庞大的客户群体，提供着不可替代的基础金融服务，若邮储银行出现风险，将对农村金融体系以及与之相关的其他银行产生较大的冲击。表3：格兰杰因果检验结果原假设F统计量P值是否拒绝原假设规模不是CoVaR的格兰杰原因4.560.003是CoVaR不是规模的格兰杰原因1.250.295否规模不是ΔCoVaR的格兰杰原因5.230.001是ΔCoVaR不是规模的格兰杰原因1.180.321否关联度不是CoVaR的格兰杰原因3.890.012是CoVaR不是关联度的格兰杰原因1.050.395否关联度不是ΔCoVaR的格兰杰原因4.120.009是ΔCoVaR不是关联度的格兰杰原因1.080.376否复杂性不是CoVaR的格兰杰原因3.560.021是CoVaR不是复杂性的格兰杰原因0.980.432否复杂性不是ΔCoVaR的格兰杰原因3.780.015是ΔCoVaR不是复杂性的格兰杰原因1.020.408否可替代性不是CoVaR的格兰杰原因4.210.008是CoVaR不是可替代性的格兰杰原因1.120.354否可替代性不是ΔCoVaR的格兰杰原因4.650.005是ΔCoVaR不是可替代性的格兰杰原因1.150.338否通过格兰杰因果检验，我们明确了系统重要性指标与风险传染指标之间存在显著的因果关系，系统重要性银行的规模、关联度、复杂性和可替代性等因素是导致风险传染的重要原因。这一结果为深入理解商业银行风险传染机制提供了有力的实证支持，也为金融监管部门制定针对性的监管政策提供了重要依据。3.2.4VAR模型估计结果在进行VAR模型估计之前，首先需要确定模型的滞后阶数。通过AIC（赤池信息准则）、BIC（贝叶斯信息准则）等方法进行滞后阶数选择，结果如表4所示。从表中可以看出，根据AIC准则，最优滞后阶数为2；根据BIC准则，最优滞后阶数也为2。因此，确定本研究的VAR模型滞后阶数为2。表4：VAR模型滞后阶数选择结果滞后阶数LogLLRFPEAICBICHQ0-456.23NA1.25e+084.684.754.711-325.68245.682.36e+073.453.623.532-289.5672.341.02e+073.123.403.253-278.4522.121.05e+073.153.533.33确定滞后阶数后，对VAR模型进行估计，估计结果如表5所示。从表中可以看出，在VAR(2)模型中，风险传染指标CoVaR的滞后一期和滞后二期系数在统计上均显著，表明前期的风险传染程度对当前的风险传染具有显著的影响。具体来说，CoVaR(-1)的系数为0.35，表明上一期CoVaR每增加1个单位，本期CoVaR将增加0.35个单位；CoVaR(-2)的系数为0.21，表明3.3实证结果的稳健性检验3.3.1替换变量法为了验证实证结果的稳健性，采用替换变量法对模型进行重新估计。在风险传染指标方面，选用MES（边际期望损失）替代CoVaR和ΔCoVaR。MES表示当金融体系处于困境时，单个银行的预期损失，它反映了银行在系统性风险事件中的风险暴露程度。MES越大，说明银行在系统性风险发生时的损失越大，对整个金融体系的风险贡献也越大。在计算MES时，首先需要确定金融体系处于困境的状态，通常可以通过设定市场指数收益率的阈值来定义。当市场指数收益率低于该阈值时，认为金融体系处于困境。然后，计算在这种困境状态下单个银行的预期损失。以工商银行为例，通过对工商银行股票收益率和市场指数收益率的历史数据进行分析，确定困境状态下工商银行的MES值。在系统重要性指标方面，选用总资产增长率替代调整后的表内外资产余额来衡量规模，总资产增长率反映了银行资产规模的增长速度，增长速度越快，说明银行在市场中的扩张能力越强，其系统重要性可能也越高。用银行间同业负债占总负债的比例替代银行间同业拆借、债券交易等业务形成的债权债务关系来衡量关联度，该比例越高，表明银行对同业资金的依赖程度越高，与其他金融机构的关联度也就越高。用金融衍生产品业务收入占总收入的比例替代银行发行的非保本理财产品余额、理财子公司发行的理财产品余额等指标来衡量复杂性，金融衍生产品业务收入占比越高，说明银行在金融衍生品交易领域的参与度越高，业务复杂性也就越高。用企业客户贷款占总贷款的比例替代银行的客户数量、境内营业机构数量、支付结算业务量等指标来衡量可替代性，企业客户贷款占比越高，说明银行对企业客户的重要性越高，一旦银行出现问题，企业客户的融资渠道将受到较大影响，其可替代性也就越低。基于替换后的变量，重新构建VAR模型和格兰杰因果检验模型。在构建VAR模型时，将新的风险传染指标MES、系统重要性指标（总资产增长率、银行间同业负债占总负债的比例、金融衍生产品业务收入占总收入的比例、企业客户贷款占总贷款的比例）以及控制变量纳入模型中，按照之前确定的方法确定滞后阶数，进行模型估计。在进行格兰杰因果检验时，对新的系统重要性指标与风险传染指标MES之间的因果关系进行检验，判断系统重要性指标的变化是否能够解释风险传染指标的变化。重新估计的结果显示，在5%的显著性水平下，总资产增长率是MES的格兰杰原因，其F统计量为4.32，对应的P值小于0.05，表明银行资产规模的增长速度与风险传染程度之间存在显著的因果关系，资产规模增长越快的银行，其风险对其他银行的传染效应越明显。银行间同业负债占总负债的比例也是MES的格兰杰原因，F统计量为3.95，P值小于0.05，说明银行对同业资金的依赖程度越高，风险传染的可能性越大。金融衍生产品业务收入占总收入的比例同样是MES的格兰杰原因，F统计量为3.68，P值小于0.05，这意味着银行在金融衍生品交易领域的参与度越高，业务复杂性越高，风险传染的概率和程度就越高。企业客户贷款占总贷款的比例也是MES的格兰杰原因，F统计量为4.18，P值小于0.05，表明银行对企业客户的重要性越高，其风险对其他银行的传染效应更为显著。这些结果与之前使用原变量的实证结果基本一致，说明研究结论具有一定的稳健性。3.3.2改变样本区间为进一步检验实证结果的稳定性，采用改变样本区间的方法进行稳健性检验。考虑到金融市场的波动以及宏观经济环境的变化可能对实证结果产生影响，将样本区间缩短至2018-2022年，同时也延长至2010-2022年，分别重新进行实证分析。在缩短样本区间至2018-2022年的情况下，重新收集和整理该时间段内20家样本银行的数据，包括风险传染指标（CoVaR、ΔCoVaR）、系统重要性指标（规模、关联度、复杂性、可替代性）以及控制变量（宏观经济变量、银行微观特征变量、市场波动性变量）。对这些数据进行描述性统计分析，结果显示，风险传染指标CoVaR的均值为-0.032，标准差为0.023，与原样本区间的结果相比，均值和标准差略有变化，但整体波动范围相似。ΔCoVaR的均值为0.019，标准差为0.012，也与原结果相近。系统重要性指标方面，规模指标调整后的表内外资产余额均值为12.5万亿元，标准差为9.2万亿元，由于样本区间缩短，部分银行的资产规模增长情况可能有所不同，但整体上仍能反映出银行规模的差异。关联度指标的均值为0.35，标准差为0.18，复杂性指标的均值为0.48，标准差为0.25，可替代性指标的均值为0.58，标准差为0.30，这些指标的均值和标准差与原样本区间相比，也在合理的波动范围内。对缩短样本区间后的数据进行平稳性检验，采用ADF检验方法，结果表明所有变量在1%或5%的显著性水平下均为平稳序列，满足构建VAR模型等计量模型的要求。进行格兰杰因果检验，结果显示，在5%的显著性水平下，规模指标是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，F统计量分别为4.45和5.12，对应的P值均小于0.05，与原样本区间的检验结果一致。关联度指标、复杂性指标和可替代性指标也同样是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，F统计量和P值的结果与原样本区间的检验结果相近，表明在缩短样本区间后，系统重要性指标与风险传染指标之间的因果关系依然显著。在延长样本区间至2010-2022年的情况下，重新收集和整理该时间段内的数据，进行描述性统计分析。风险传染指标CoVaR的均值为-0.038，标准差为0.020，ΔCoVaR的均值为0.017，标准差为0.010，与原样本区间的结果相比，均值和标准差略有差异，但整体趋势一致。系统重要性指标方面，规模指标调整后的表内外资产余额均值为9.8万亿元，标准差为8.1万亿元，由于样本区间延长，涵盖了更多银行发展的历史数据，资产规模的均值和标准差也有所变化，但仍能体现出银行规模的差异。关联度指标的均值为0.30，标准差为0.13，复杂性指标的均值为0.42，标准差为0.21，可替代性指标的均值为0.54，标准差为0.26，这些指标的均值和标准差与原样本区间相比，也在合理的波动范围内。对延长样本区间后的数据进行平稳性检验，结果表明所有变量在1%或5%的显著性水平下均为平稳序列。进行格兰杰因果检验，结果显示，在5%的显著性水平下，规模指标、关联度指标、复杂性指标和可替代性指标仍然是风险传染指标CoVaR和ΔCoVaR的格兰杰原因，F统计量和P值的结果与原样本区间的检验结果基本一致，说明在延长样本区间后，实证结果依然稳定。通过缩短和延长样本区间进行稳健性检验，结果均表明系统重要性指标与风