论文部分内容阅读
商业银行非利息收入是指银行利息收入之外的营业收入，主要包括中间业务收入，咨询及投资等活动产生的收入。在发达国家，非利息收入是其银行业收入的主要组成部分，约占其总收入的80％，而中国的商业银行至今仍以存贷利差为主要收入来源。但随着中国经济、金融业的脱媒，非利息收入增长迅速。尤其是近几年，利率市场化改革加速，且在2012年至2013年宏观经济增长放缓的背景之下，市场需求不足导致存款增长乏力，审慎投放贷款，银行面临着存贷利差逐步收窄的挑战。因此，中国商业银行为了转型原有的粗放单调的经营模式，正在大力发展中间业务，试图增加非利息业务收入，拓宽盈利渠道。而非利息业务收入的增加对银行系统性风险的影响究竟如何一直是学界争论不休的话题。
现有的国内文献更多研究的是中国银行风险和非利息收入的关系，且多以破产风险来度量银行风险。破产风险是从银行偿付能力的角度来对银行风险进行量化，从一定程度上衡量了单个银行所面临的风险全貌。然而，随着现代金融业的发展，金融机构之间的关联程度不断增强并日趋复杂，个体机构风险表现出较强的外部性，因此更需要关注单个机构的系统性风险溢出效应，测度单个银行的系统性风险。
边际期望损失(MES)是指当整体市场大幅下跌时，单个金融机构股权价值的预期损失，通过计算银行机构的资产收益在统计上的尾部特征来测度系统性风险，从而测度银行机构对整个系统或其它机构的风险贡献度。该方法能够较好的地度量单个机构的系统性风险溢出效应，并且都是对市场交易数据处理和分析，方法较为简单和可行。MES可分为长期MES和短期MES。
短期MES测度的是一天之内市场收益率下跌2％时单个机构的边际期望损失，而长期MES(LRMES)测度市场收益率在3个月或者6个月内下跌40％时机构的边际期望损失。短期MES能够反映金融机构的短期风险暴露，但在测度机构系统性风险方面表现出一定的局限性，对系统性风险的测度应该从更长一段时期来考察，且从监管者的角度来说，相较于短期震荡，其实更应该重视金融机构系统性风险潜在的长期隐患，因此从经济学角度来说，使用长期MES（LRMES）来测度系统性风险较为合理。其次，从计量模型角度来说，由于本文的主要研究对象是银行非利息收入，数据来自银行季度报表，为了与季度报表数据相对应建立面板数据模型，将长期边际期望损失(LRMES)作为中国商业银行系统性风险的测度指标，分析中国商业银行系统性风险与非利息收入占比之间的关系也更加科学。使用LRMES方法来测度中国银行业系统性风险，以及将计算出的LRMES与银行业非利息收入建立模型来分析中国商业银行系统性风险和非利息收入在国内是首次，是本文的贡献所在。
本文的结构如下:第一部分阐述了本文的研究背景、研究方法、本文的创新点以及本文结构安排。第二部分为已有方法的综述，主要从系统性风险测度方法、MES方法和非利息收入与银行风险关系这三方面进行阐述。早期国外文献指出，非利息业务在发展之初，大多数银行的非利息收入业务比利息收入来源更为稳定，具有稳定收入的作用，在增加银行收益的同时，能够降低银行风险，而中国银行业非利息业务发展的时间较短，实际情况与早期发达国家银行类似。基于此，本文提出的假设是:(1)中国银行业系统性风险和非利息收入占比关系模型，假说一:非利息收入占比和长期边际期望损失（LRMES）呈负相关性关系，即非利息收入占比越大，银行长期边际期望损失（LRMES）的值越小，即非利息收入占比越大对整个银行体系的风险影响度越小。(2)中国银行业系统性风险和非利息收入不同组成部分占比关系模型，假说二:中国银行业非利息收入不同组成部分和长期边际期望损失（LRMES）呈负相关性关系，手续费及佣金收入占比和其他非利息收入占比越大，银行长期边际期望损失（LRMES）的值越小，即手续费及佣金收入占比和其他非利息收入占比越大对整个银行系统的风险影响度就越小。
第三部分介绍了非利息收入的概念和定义，并分析了中国银行业非利息收入业务的发展现状。
第四部分主要介绍了系统性风险的定义以及国内外系统性风险的主要测度方法，以便对本文系统性风险的测度方法——LRMES法有更为深入的了解。
第五部分为研究设计，主要说明了系统性风险测度指标LRMES的理论推导和测度方法，阐述了如何通过波动率、相关系数以及尾部期望测度单个银行的短期边际期望损失，进而测算出单个银行各个季度的长期边际期望损失LRMES。
第六部分建立了中国商业银行非利息收入与系统性风险的实证模型，包括变量的设定、样本和数据以及模型的设定。本文的被解释变量即为LRMES，主要的解释变量包括非利息收入占比(N2I)、手续费和佣金收入占比(F2I)以及其他非利息收入占比(O2I);控制变量为总资产(LNAT)、股权市账比(M2B)、杠杆率(LEV)、不良贷款率(NPL)、贷款与资产比(L2A)、资产净利率(ROA)、GDP增长率(gGDP)、系统性重要银行哑变量(D)。样本和数据方面，选择中国14家上市商业银行2007年10月7日至2013年3月31日每日收益率数据计算出了样本银行的每日边际期望损失（短期MES），然后利用短期MES的值计算出样本银行各个季度的系统性风险指标值——LRMES，最后将样本银行各个季度LRMES与非利息收入占比等财务指标建立面板数据模型，来分析中国银行业非利息业务收入与系统性风险的关系。
第七部分展示了实证结果。第八部分为本文的小结和政策建议
通过实证分析，本文得出的结论是:第一，本文计算得出的系统性风险测度指标——LRMES比较符合实际情况，即在2008年下半年至2009年年初，受到全球金融危机的影响，中国银行业系统性风险在2009年增大，后随着金融危机的影响不断退却，系统性风险逐渐降低。因此，使用LRMES方法基本符合经济运行周期，与系统性风险发生的规律相一致。第二，LRMES与银行非利息收入等财务指标以及其它宏观经济变量建立回归模型后发现，LRMES与非利息收入以及其他控制变量之间的关系均符合预期。股权市账比(M2B)、杠杆率(LEV)、不良贷款率(NPL)、贷款和总资产比(L2A)和LRMES呈现显著正向关系。这一结论表明，为了降低LRMES，需要对股权市账比大、杠杆率和不良贷款率高、发放贷款占比多的银行加强监管。宏观经济方面，GDP增速和LRMES为显著负向关系，说明宏观经济发展越好，银行业内系统性风险越小。系统重要性银行哑变量和LRMES为正相关，但是实证结果不显著，说明本文所选取的这四家系统重要性银行对系统性风险的影响并不显著，可以在银监会公布系统重要性金融机构名单的基础之上再做深入研究。第三，LRMES和银行非利息收入及其不同组成部分的实证结果表明，中国商业银行非利息收入业务及非利息收入的不同组成部分都起到了分散系统性风险的作用，实证结果和本文假说一致。该结果也与发达国家早期的类似文献基本一致，可以推测这是由于中国商业银行现阶段非利息收入占比较低所造成的。最后，本文利用美国银行业2000年至2013年相关数据，简单分析了银行系统性风险和非利息收入占比，结果发现两者呈现出U型关系，说明非利息业务在发展初期确实能起到分散系统性风险的作用，但随着非利息业务的不断发展，其分散风险的边际效应在逐渐减少，当非利息收入占比超过拐点之后，系统性风险会增加。而目前中国非利息收入占比平均为0.22在U型图拐点左侧，因此呈现分散系统性风险的效应，然而当非利息收入占比增加到拐点及拐点之后，本文推测可能会增加中国银行业系统性风险。因此，建议监管者随着中国银行业非利息收入业务的发展，尤其是当其占比达到拐点之后，应该对此问题给予持续的关注和重视。
现有的国内文献更多研究的是中国银行风险和非利息收入的关系，且多以破产风险来度量银行风险。破产风险是从银行偿付能力的角度来对银行风险进行量化，从一定程度上衡量了单个银行所面临的风险全貌。然而，随着现代金融业的发展，金融机构之间的关联程度不断增强并日趋复杂，个体机构风险表现出较强的外部性，因此更需要关注单个机构的系统性风险溢出效应，测度单个银行的系统性风险。
边际期望损失(MES)是指当整体市场大幅下跌时，单个金融机构股权价值的预期损失，通过计算银行机构的资产收益在统计上的尾部特征来测度系统性风险，从而测度银行机构对整个系统或其它机构的风险贡献度。该方法能够较好的地度量单个机构的系统性风险溢出效应，并且都是对市场交易数据处理和分析，方法较为简单和可行。MES可分为长期MES和短期MES。
短期MES测度的是一天之内市场收益率下跌2％时单个机构的边际期望损失，而长期MES(LRMES)测度市场收益率在3个月或者6个月内下跌40％时机构的边际期望损失。短期MES能够反映金融机构的短期风险暴露，但在测度机构系统性风险方面表现出一定的局限性，对系统性风险的测度应该从更长一段时期来考察，且从监管者的角度来说，相较于短期震荡，其实更应该重视金融机构系统性风险潜在的长期隐患，因此从经济学角度来说，使用长期MES（LRMES）来测度系统性风险较为合理。其次，从计量模型角度来说，由于本文的主要研究对象是银行非利息收入，数据来自银行季度报表，为了与季度报表数据相对应建立面板数据模型，将长期边际期望损失(LRMES)作为中国商业银行系统性风险的测度指标，分析中国商业银行系统性风险与非利息收入占比之间的关系也更加科学。使用LRMES方法来测度中国银行业系统性风险，以及将计算出的LRMES与银行业非利息收入建立模型来分析中国商业银行系统性风险和非利息收入在国内是首次，是本文的贡献所在。
本文的结构如下:第一部分阐述了本文的研究背景、研究方法、本文的创新点以及本文结构安排。第二部分为已有方法的综述，主要从系统性风险测度方法、MES方法和非利息收入与银行风险关系这三方面进行阐述。早期国外文献指出，非利息业务在发展之初，大多数银行的非利息收入业务比利息收入来源更为稳定，具有稳定收入的作用，在增加银行收益的同时，能够降低银行风险，而中国银行业非利息业务发展的时间较短，实际情况与早期发达国家银行类似。基于此，本文提出的假设是:(1)中国银行业系统性风险和非利息收入占比关系模型，假说一:非利息收入占比和长期边际期望损失（LRMES）呈负相关性关系，即非利息收入占比越大，银行长期边际期望损失（LRMES）的值越小，即非利息收入占比越大对整个银行体系的风险影响度越小。(2)中国银行业系统性风险和非利息收入不同组成部分占比关系模型，假说二:中国银行业非利息收入不同组成部分和长期边际期望损失（LRMES）呈负相关性关系，手续费及佣金收入占比和其他非利息收入占比越大，银行长期边际期望损失（LRMES）的值越小，即手续费及佣金收入占比和其他非利息收入占比越大对整个银行系统的风险影响度就越小。
第三部分介绍了非利息收入的概念和定义，并分析了中国银行业非利息收入业务的发展现状。
第四部分主要介绍了系统性风险的定义以及国内外系统性风险的主要测度方法，以便对本文系统性风险的测度方法——LRMES法有更为深入的了解。
第五部分为研究设计，主要说明了系统性风险测度指标LRMES的理论推导和测度方法，阐述了如何通过波动率、相关系数以及尾部期望测度单个银行的短期边际期望损失，进而测算出单个银行各个季度的长期边际期望损失LRMES。
第六部分建立了中国商业银行非利息收入与系统性风险的实证模型，包括变量的设定、样本和数据以及模型的设定。本文的被解释变量即为LRMES，主要的解释变量包括非利息收入占比(N2I)、手续费和佣金收入占比(F2I)以及其他非利息收入占比(O2I);控制变量为总资产(LNAT)、股权市账比(M2B)、杠杆率(LEV)、不良贷款率(NPL)、贷款与资产比(L2A)、资产净利率(ROA)、GDP增长率(gGDP)、系统性重要银行哑变量(D)。样本和数据方面，选择中国14家上市商业银行2007年10月7日至2013年3月31日每日收益率数据计算出了样本银行的每日边际期望损失（短期MES），然后利用短期MES的值计算出样本银行各个季度的系统性风险指标值——LRMES，最后将样本银行各个季度LRMES与非利息收入占比等财务指标建立面板数据模型，来分析中国银行业非利息业务收入与系统性风险的关系。
第七部分展示了实证结果。第八部分为本文的小结和政策建议
通过实证分析，本文得出的结论是:第一，本文计算得出的系统性风险测度指标——LRMES比较符合实际情况，即在2008年下半年至2009年年初，受到全球金融危机的影响，中国银行业系统性风险在2009年增大，后随着金融危机的影响不断退却，系统性风险逐渐降低。因此，使用LRMES方法基本符合经济运行周期，与系统性风险发生的规律相一致。第二，LRMES与银行非利息收入等财务指标以及其它宏观经济变量建立回归模型后发现，LRMES与非利息收入以及其他控制变量之间的关系均符合预期。股权市账比(M2B)、杠杆率(LEV)、不良贷款率(NPL)、贷款和总资产比(L2A)和LRMES呈现显著正向关系。这一结论表明，为了降低LRMES，需要对股权市账比大、杠杆率和不良贷款率高、发放贷款占比多的银行加强监管。宏观经济方面，GDP增速和LRMES为显著负向关系，说明宏观经济发展越好，银行业内系统性风险越小。系统重要性银行哑变量和LRMES为正相关，但是实证结果不显著，说明本文所选取的这四家系统重要性银行对系统性风险的影响并不显著，可以在银监会公布系统重要性金融机构名单的基础之上再做深入研究。第三，LRMES和银行非利息收入及其不同组成部分的实证结果表明，中国商业银行非利息收入业务及非利息收入的不同组成部分都起到了分散系统性风险的作用，实证结果和本文假说一致。该结果也与发达国家早期的类似文献基本一致，可以推测这是由于中国商业银行现阶段非利息收入占比较低所造成的。最后，本文利用美国银行业2000年至2013年相关数据，简单分析了银行系统性风险和非利息收入占比，结果发现两者呈现出U型关系，说明非利息业务在发展初期确实能起到分散系统性风险的作用，但随着非利息业务的不断发展，其分散风险的边际效应在逐渐减少，当非利息收入占比超过拐点之后，系统性风险会增加。而目前中国非利息收入占比平均为0.22在U型图拐点左侧，因此呈现分散系统性风险的效应，然而当非利息收入占比增加到拐点及拐点之后，本文推测可能会增加中国银行业系统性风险。因此，建议监管者随着中国银行业非利息收入业务的发展，尤其是当其占比达到拐点之后，应该对此问题给予持续的关注和重视。