銀行集中度與銀行系統性風險——基于動態面板數據模型的實證分析

■ 尹 力，劉 陽

一、引言

2008年爆發金融危機以來，銀行業的系統性風險越來越受到人們的關注。我國銀行業比較特殊，是集中度比較高的，銀行業結構是整個銀行業的基礎，銀行業結構的合理程度直接決定了銀行業能夠抵御發生系統性風險的能力。特別是隨著我國民營銀行設立進程的加快，民營銀行的進入必然會改變我國現有的銀行業結構，因此研究銀行業結構是務實的，也是有所展望的。行業集中度是一個行業中重要的衡量指標，銀行業也不例外，研究銀行集中度對銀行系統性風險的影響具有很強的現實意義。本文利用動態面板數據通過GMM估計方法，來考察我國銀行集中度對我國銀行業系統性風險的影響。主要結論是：銀行集中度的提高會增加我國銀行業脆弱性，我國銀行業系統性風險變量也存在著一定的滯后效應，最后通過交叉項驗證，說明了各省的銀行業系統性風險與銀行集中度之間的關系程度也是不同的。

二、文獻回顧

從國內最近的實證研究來看，邱兆祥，安世友（2012）利用熵值法分析了銀行集中度，實證結果表明銀行集中度越高，風險就越小，銀行系統就越安全。張藝（2013）基于180個國家1999～2011年的數據，利用Z－score衡量銀行穩定性，用Boone指數法度量銀行業競爭度，得出了集中度越高，銀行體系越穩定的結論。王紅 （2005）通過對中國銀行業1986～2003年時間序列數據的回歸分析，發現銀行較高的集中度對經濟增長有負的影響，盡管這種影響不明顯。王勛，趙珍（2011）運用我國各省區1990～2004年的數據，系統考察了金融規模、銀行集中度、直接融資比例以及其他相關控制變量對各地區經濟增長的影響，發現降低銀行集中度，會增加銀行業競爭、促進經濟增長。陳剛，馮艷（2008）以1995～2006年中國29個省級單位數據為樣本，采用了動態面板數據回歸估計，發現中國當前較高的銀行集中度阻礙了經濟增長。陳雨露，馬勇（2012）通過89組跨國數據的實證分析，系統研究了銀行集中度和銀行體系穩定性之間的關系，實證結果表明銀行集中度和銀行穩定性之間的關系存在著一個最優的銀行集中度的區間（0.6,0.8]。冀志斌，周先平，董迪（2013）利用省級面板數據，實證分析了我國銀行集中度和銀行業穩定性的關系，發現銀行集中度的提高有利于銀行業穩定性的增強，在經濟增長率低、財政支出少、社會融資渠道較單一的地區，銀行集中度的提高更能增強銀行業的穩定性。楊天宇，鐘宇平（2013）基于1995～2010年125家商業銀行的非平衡面板數據，利用Lerner指數衡量銀行競爭度，研究了我國銀行集中度、競爭度與銀行風險之間的關系，發現我國銀行集中度和競爭度均與銀行風險呈顯著的正相關關系，在一定程度上支持了“集中度脆弱性假說”。

從國外最近的實證研究來看，Yongil Jeon,Stphen M.Miller(2002)發現在美國，以州為基礎的銀行集中度與銀行平均盈利能力是正相關關系，因果檢驗表明，銀行集中度是銀行盈利能力的原因，同時建議銀行監管者在監控過程中要防止壟斷力量的積累。Jorge Tovar,Christian Jaramillo,Carlos Hernandez(2007)探討了風險，銀行集中度和銀行機構市場權力的行使之間的關系。使用哥倫比亞1997－2006年每月資產負債表和利率數據，發現銀行通過更高的中介利潤將風險傳遞給客戶。結果表明，銀行集中度不夠高時，系統性風險并不明顯，當利率處在壓力之下時，較高的銀行集中度會導致較高的系統性風險。Kaniska Da,Marc Escrihuela－Villar,Santiago Sanchez－Pages(2009)在空間競爭的大背景下分析銀行的冒險行為，發現市場集中度低，銀行投資高風險資產，另一方面當市場集中度足夠高的時候，所有銀行都選擇穩健的資產投資。進一步的研究發現，相鄰銀行的合并增加了謹慎行為的可能性。Asli Demirguc－Kunt,Deniz Anginer,Min Zhu(2014)使用了競爭和銀行相互依賴水平變量，發現銀行競爭程度和系統性風險是穩健的負相關關系，競爭程度的加劇，導致銀行采取更加多樣化的風險，使得銀行系統面臨風險時更加脆弱。在監管體系薄弱、私人監控、政府對銀行有更大所有權和采取限制競爭的公共政策的國家，這種現象更為突出。Wei Gregor N.F.,Neumann Sascha,Bostandzic Denefa(2014)分析了銀行并購的系統性風險，檢驗了“集中脆弱性”假說，使用了邊際預期不足以及相關股票收益率和有關銀行業指數之間的“左尾值”得出收購方對系統性風險的貢獻度，實證分析了國際和國內的跨界并購，測算聯合銀行及其競爭對手并購后對系統性風險的貢獻度，證實了“集中脆弱性”假說。

從現有的研究來看，國內外的學者已經意識到了銀行集中度對銀行系統性風險、銀行的盈利能力、整體經濟增長等都有著顯著的影響，并給出了相應的實證研究。但是，對中國的銀行集中度與銀行系統性風險的情況，學者研究的并不是很多。冀志斌，周先平，董迪（2013）在我國利用省級面板數據，實證分析了我國銀行集中度和銀行業穩定性的關系。本文，在其研究的基礎上，對變量的選擇進行更加深入的探討，同時對銀行集中度如何影響我國銀行業系統性風險，進行更加深入的說明和闡釋，最后對模型進行穩定性檢驗，力爭給出具有說服力的結論。

三、數據、變量和模型

（一）數據

本文選取了我國31個省、直轄市和自治區的數據，利用2006～2013年的平衡面板數據，實證分析了我國銀行集中度對我國銀行業系統性風險的影響。選取跨國的數據，受到各個國家金融市場特征、金融市場的發育程度和金融監管的法律法規的不同程度的影響，得出的結論對我國銀行業的發展并沒有很強的指導意義。相比較而言，我國各省份的經濟情況和地理位置也截然不同，這是一個很好的研究資源，各省數據的巨大差異，也提高了本文結論可信度。省際銀行市場的數據來自于中國人民銀行發布的《中國區域金融運行報告》和銀監會發布的《中國銀行業監督管理委員會年報》，其他的經濟數據來自于國家統計局網站和Wind數據庫，考慮到數據的可得性，本文選取的數據區間是2006～2013年，使用的計量經濟學軟件是Stata12.0。

（二）變量選擇

1.集中度指標

在現有的文獻中，銀行集中度的代理指標主要有集中比率（CR）、赫芬達爾—赫希曼指數(HHI)、H指數、Lerner指數等等?？紤]到我國主要的幾大銀行都是國有商業銀行，加上我國金融機構公布數據的可得性，我們天然地選取集中比率（CR）作為我國銀行集中度的代理指標，集中比率（CR）指的是前n家銀行資產(機構，員工人數)之和占整個市場的份額，具體來說我們選擇中國工商銀行、中國農業銀行、中國建設銀行、中國銀行和交通銀行這5家銀行的資產之和的份額 （crasset）、機構之和的份額（cr-branch）和員工人數之和的份額（crbranch）作為我國銀行集中度的代理指標。

2.系統性風險指標

對于銀行系統性風險的代理變量而言，各個文獻選擇的都不一樣，有的是利用所有商業銀行股價收益率的變動程度來衡量商業銀行的系統性風險，有的是選擇了商業銀行的不良貸款余額和不良貸款比率作為系統性風險的代理變量，還有的是構建一系列的壓力指數來代表危機是否發生。基于以上的觀點，本文選擇不良貸款比率作為銀行系統性風險的代理變量（npl），一方面是因為我國股票市場并不完善，股價的波動可能會受到其他因素的影響，并不能很好地代表商業銀行自身的風險，另一方面構建壓力指數的方法，在我國沒有發生過銀行系統性危機的情況下，并不能得到很好的檢驗。因此，我們選擇與銀行經營息息相關的不良貸款率作為商業銀行系統性風險的代理指標。同時我們也使用貸款增長率缺口（LGap）作為銀行系統性風險的代理變量，使用HP濾波法，獲得各省貸款增長的趨勢值，然后計算貸款增長率真實值與趨勢值之差，獲得增長率缺口，缺口越大，證明貸款增長過快，潛在的銀行風險也越大。

3.貨幣政策狀態指標

本文采用廣義貨幣供給（M2）同比增長率，樣本區間為 2006年～2013年，并對其進行 Hodrick－Prescott濾波分解，通過平滑方法得到廣義貨幣量的波動成分。

根據貨幣供給波動成分可以判斷貨幣政策所處的狀態，當貨幣增長率波動成分大于零時，設定貨幣政策處于擴張狀態，當貨幣供給增長率波動成分小于零時，設定貨幣政策處于緊縮階段。當時，利率反映的貨幣政策導向與貨幣供應量反映的政策導向相反，利率提高說明了緊縮的貨幣政策，因此我們同時利用經過趨勢分解的利率圖形反映貨幣政策的寬松程度，兩者只在2006年有差異，結合其他學者的研究（冀志斌，周先平，董迪，利用一年期貸款基準利率和一周Shibor計算得到的各年度貨幣政策狀態情況如下：2005～2006 年寬松、2007～2008 年緊縮、2009～2010 年寬松、2011 年緊縮），，我們把 2006年作為貨幣寬松年份處理，同時2007年～2008年為緊縮年份，2009年～2010年為寬松年份，2011年～2013年為緊縮年份。以上面的研究為基礎，設置貨幣政策的虛擬變量MP時，貨幣政策寬松時為MP=1，否則為 MP=0。

4.其他宏觀經濟變量

考慮到模型可能會出現的多重共線性的問題，我們選擇RGdp（名義國內生產總值增長率）、RExpe（名義財政支出增長率）、CPI（通貨膨脹率）作為其他的控制變量。

5.變量的描述性統計

代表銀行業系統性風險的NPL變量和LGap變量均值分別為3.64%和0，可以看出，我國銀行業目前還是處于一個較為穩定的狀態。員工數量和資產集中度都要大于分支機構的集中度，表明五大行目前利用已有的網點拓展自己的業務，而不是一味地增加網點。經濟增長率和財政支出增長率差異較大，說明各地區在不同時期所處的經濟環境都有著很大的不同，這也是我們選擇各省作為樣本的一個重要原因。

表1 變量的描述性統計

（三）模型的設定

本文將面板數據模型設定為動態面板數據，將模型設定為如下形式：

Riskit=αj＋βRiski，t－k＋δCRit＋λXit＋μit

模型中Risk表示了代表銀行系統性風險的變量 NPL 和 LGap，Riski，t－k表示滯后 K 期的銀行業系統性風險變量，CR表示銀行集中度的代理變量，X變量表示選取的宏觀經濟變量，最后是模型的干擾項。

此外，宏觀經濟形式也有可能對銀行業系統性風險產生重要的影響，這里我們選擇了國內生產總值增長率和財政支出增長率之間的差異，來考察集中度與銀行業系統性風險之間的關系，我們重新設定模型：

重新設定的模型按照GDP和Expe分為兩組，即“高組”和“低組”，分別用High和Low表示，分組方法如下：計算各省在樣本期GDP和Expe的均值，然后與全國的均值進行比較，如果高于全國均值，也就是被歸為“高組”時，則：High=1，Low=0；反之：High=0，Low=1。系數δ1和δ2衡量了不同區域的經濟環境中，銀行集中度對銀行業系統性風險的影響，若兩者不同，則說明銀行集中度對銀行業系統性風險的關系會受到外部經濟環境的影響。

最后，考慮到選取變量多為宏觀經濟變量，這些變量之間會相互影響，模型可能會存在著一定的內生性問題，因此本文采用GMM方法來估計動態面板數據模型。

四、實證結果及分析

（一）銀行集中度與銀行穩定性關系

表2 銀行集中度與銀行業系統性風險之間的關系

表2列出了動態面板數據對模型的初步估計結果，由于我們選擇的是GMM估計，因此有必要檢驗模型的過度識別約束，從模型的Hansen值來看，都是為1，這也就意味著估計的模型是穩健的，但是模型使用的工具變量是“弱工具變量”，但這并不影響模型估計的穩健性。從結果來看，使用NPL和LGap變量代表銀行業系統性風險，得出的結果截然相反，使用NPL變量，我們得出了“集中脆弱性”的假定，但是使用LGap變量，我們得出了“集中穩定性”的結論，因此可以知道關于集中度對銀行業系統性風險的影響，使用不同的變量也會產生不同的研究結果，這也是這個問題比較復雜的原因之一。

表3 模型的穩定性檢驗

為了檢驗模型的穩定性，本文針對之前的NPL變量和LGap變量，各自選取了NP（不良貸款余額）和Loan（貸款總量）作為它們的替代變量，進行模型的穩定性檢驗，選取的替代變量均可以通過一定的計算得到之前的變量，因此選取它們作為替代變量是合適的。從模型穩定性檢驗的結果來看，之前得出的銀行集中度對銀行業系統性風險的影響基本上是穩定的，并沒有出現很大的差異。

從不良貸款來看，銀行集中度的增加加劇了不良貸款的增加，先從各銀行不良貸款的趨勢分析，考慮到數據的可得性，選擇中國銀行、建設銀行、工商銀行、交通銀行作為國有銀行，選擇興業銀行、浦發銀行、招商銀行、華夏銀行、北京銀行、南京銀行、寧波銀行作為其他性質的商業銀行，其中，國有銀行的不良貸款率明顯要高于其他類型商業銀行的不良貸款率，因此銀行集中度的提高勢必會增加整個銀行體系的不良貸款率。國有銀行產權主體為單一的國家所有，導致了經營效率低下，銀行信貸組織結構不合理，權責不清，分工不明確，這些都是國有商業銀行不良貸款率較高的原因。同時，我們發現GDP和貨幣政策的寬松狀態減少了不良貸款的發生，原因在于經濟形勢的轉好，借款人的還款能力隨之增加，因而導致了不良貸款率的下降。政府支出的增加和通貨膨脹的發生增加了不良貸款率，原因在于目前政府債務的加重，信用評級并沒有之前那么高，通貨膨脹率的發生，導致了整個社會原料成本的高漲，利潤隨之下降，因而這也會影響到借款人的還款能力。

選擇LGap作為銀行穩定性的代理變量時，銀行集中度的提高有助于減小銀行業的系統性風險，滯后二期的LGap系數為負，表明前期缺口越大，下一期的缺口越小。這主要是因為資本充足率調節作用的結果，上期如果貸款發放過多，必然導致資本消耗量過多，下一期為了資本補充的要求，只能減少貸款的發放。CR變量系數的顯著性也不是十分顯著，這也從側面說明了選擇LGap變量的模型沒有選擇不良貸款率的模型具有說服力。集中度的提高，意味著占有很高資本比率的五大行，具有很好的調節發放貸款的能力，這樣一來，不至于使得整個社會的貸款增長過快，風險能夠得到很好的控制。寬松的貨幣狀態、GDP增長和政府財政的增加都是增加了貸款的偏離度，因為在寬松的貨幣狀態下，經濟的增長必然會帶來企業投入的增加，這樣貸款的數量也會增加，政府的財政支出投入到地方建設上來，但是針對目前政府的債務而言，借款也是必須的，這也導致了政府向銀行貸款量的增加。綜合考慮，上述兩種模型的估計結果，運用NPL變量的模型估計系數的顯著性要明顯好于用LGap變量的模型，并且兩種模型得出了關于集中度與銀行業系統性風險相反的結論，說明銀行集中度對銀行業系統性風險的影響較為復雜，而且會受到不同指標體系的影響。

（二）經濟環境對銀行集中度與銀行業穩定性之間關系的影響

表4 個體固定效應檢驗

從模型的個體固定效應檢驗可以看出，使用NPL變量進行模型估計，模型存在著非常顯著的個體固定效應，但是使用LGap變量的時候，得出的固定效應不顯著，這也說明了使用NPL變量得出的結論相對比較可靠。

1.經濟增長率的影響

對于使用NPL變量來說，交叉項的系數依然為正，也就是說銀行集中度的提高增加了整個銀行體系的系統性風險，這與之前使用NPL變量估計出來的結果相一致。對于使用LGap變量來說，各個變量仍為負值，意味著集中度可以減少貸款增長的缺口，有利于銀行體系的穩定，這也與之前模型的估計相一致。具體來看，在NPL作為銀行業穩定性的代理變量的時候，銀行集中度對“低組”的作用較為明顯，出現這一現象的原因是經濟增長慢的地區，由于經濟發展緩慢，貸款人收益不一定能得到保障，不良貸款率會升高。在用LGap變量作為代理變量時，則呈現出銀行集中度對銀行穩定性的影響在“高組”作用較為明顯，說明在經濟發展比較好的地區，金融系統也相對完善，銀行調整貸款的能力也越強，因此可以很好地控制貸款的增長。

表5 經濟環境對銀行業集中度與銀行穩定性關系的影響

2.財政支出的影響

對于使用NPL變量的模型而言，財政支出對銀行集中度與銀行業系統性風險的影響在 “低組”地區較為顯著，原因在于在經濟發展相對緩慢的地區，政府的投資還是起到了很大的作用，政府投資的增加會導致政府借款量的增加，由于政府債務的日益嚴重，導致不良貸款率的提高。對于使用LGap變量的模型而言，財政支出對銀行集中度對銀行業系統性風險的影響也是在“低組”地區比較明顯，在經濟發展緩慢和政府支出少的地區，貸款量相對于其他地區就會小很多，因此這樣一來，貸款可以相對容易的得到控制，不至于增長得過快。

在2008年以后，通過財政支出分組，屬于“高組”的那一部分地區的貸款增長率漸漸大于“低組”，并且差距變得越來越大，因此，這驗證了我們關于財政支出增長快的地區貸款增長也會比較快的結論。

五、結論與政策建議

1.通過兩種不同的變量對比發現，銀行集中度與銀行業系統性風險的關系比較復雜，與選取的銀行系統性風險的代理變量也有著很大的關系，因此，對于這個問題的認識，我們不僅要從理論上分析，通過模型求解，更主要的是要利用實際有效可靠的數據進行測度和分析。

2.綜合對比來看，通過不良貸款得出的結論，比較讓人信服，因為它的所有系數的顯著性都要比通過LGap變量計算的要顯著，因此我們大致可以認為和同意“集中脆弱性”的假說，也就是說銀行集中度的提高會導致銀行穩定性的降低。

3.我國民營銀行政策的放開，在一定程度上可以增強銀行間的競爭，降低我國現有銀行體系的集中度，這對減小整個銀行的系統性風險是有好處的，但是我們也有必要加強對民營銀行的監管，避免出現由于貸款增長過快帶來的信用風險。

4.隨著我國整體GDP增長速度的減緩，銀行不良貸款率可能會有一定的上升，這也要求銀行健全借款人的信用評級制度，從根本上減少不良貸款的發生。

[1]王勛，趙珍.中國金融規模、金融結構域經濟增長——基于省區面板數據的實證研究[J].財經研究，2011，（11）.

[2]王紅.銀行結構域經濟發展：中國銀行業的實證分析[J].經濟學家，2005，（5）.

[3]邱兆祥，安世友.關于中國銀行集中度風險的實證分析[J].經濟與管理研究，2012，（4）.

[4]劉柏.我國貨幣政策狀態的離散選擇分析[J].工業技術經濟，2008，（173）.

[5]李更.商業銀行的業務特點與股份制商業銀行的競爭優勢[J].河南金融管理干部學院學報，2004，（2）.

[6]Wei,Neumann,Bostandzic.Systemic risk and bank consolidation:International evidence.Journal of Banking& Finance,Volume 40,March 2014,Pages 165～181.

[7]Deniz Anginer,Asli Demirguc－Kunt,Min Zhu.How does competition affect bank systemic risk?Journal of Financial Intermediation,Volume 23,Issue 1,January 2014,Pages 1～16.

[8]Jorge Tovar,Christian Jaramillo,Carlos Hernandez.Risk,Concentration and Market Power in the Banking Industry:Evidence from the Colombian System(1997－2006).Documentos CEDE,November 2007.

[9]Thorsten Beck,Alsi Demirguc－Kunt,Ross Levine,Bank Concentration,competition and Crisis:First Results,Journal of Banking and Finance,2006.

[10]John Boyd, Gianni De Nicolo, Elena Loukoianova,Banking Crisis and Crisis Dating:Theory and Evidence,IMFWoking Papers,2009.