收稿日期：2023-10-20；修回日期：2023-11-27

基金項(xiàng)目： 國(guó)家社科基金重大項(xiàng)目（21ZDA114）；國(guó)家自然科學(xué)基金項(xiàng)目（71971079， 72271087， 71871088）；湖南省自然科學(xué)基金優(yōu)秀青年項(xiàng)目（21JJ20019）；湖湘青年支持計(jì)劃項(xiàng)目

作者簡(jiǎn)介：龍劍友（1975—），男，湖南郴州人，湖南大學(xué)工商管理學(xué)院博士研究生，研究方向：企業(yè)投融資管理。

摘要：基于Credit Metrics模型動(dòng)態(tài)度量房地產(chǎn)貸款信用風(fēng)險(xiǎn)，運(yùn)用雙重ΔCoVaR模型分析框架量化其對(duì)單家銀行風(fēng)險(xiǎn)的影響，以及對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出，將總體溢出分解為直接溢出和間接溢出，考量房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的傳導(dǎo)途徑。結(jié)果顯示：一方面，房地產(chǎn)貸款信用風(fēng)險(xiǎn)近年來(lái)整體呈上升趨勢(shì)，且對(duì)銀行業(yè)風(fēng)險(xiǎn)溢出顯著，尤其是大規(guī)模債務(wù)違約和新冠疫情的爆發(fā)加劇了溢出效應(yīng)。另一方面，房地產(chǎn)貸款信用風(fēng)險(xiǎn)的間接溢出大于直接溢出，且高（低）系統(tǒng)重要性銀行產(chǎn)生了更大的間接（直接）溢出，表明高系統(tǒng)重要性銀行由于與其他銀行的業(yè)務(wù)聯(lián)系密切，其貸款信用風(fēng)險(xiǎn)更易引發(fā)銀行業(yè)內(nèi)的連鎖反應(yīng)從而間接刺激風(fēng)險(xiǎn)爆發(fā)；低系統(tǒng)重要性銀行因?yàn)橐蕾嚿贁?shù)大型客戶貸款，面臨信用丟失時(shí)缺乏強(qiáng)勁的風(fēng)險(xiǎn)緩沖能力，更可能直接對(duì)銀行業(yè)的穩(wěn)定造成顯著破壞。

關(guān)鍵詞： 房地產(chǎn)貸款；信用風(fēng)險(xiǎn)；銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)；風(fēng)險(xiǎn)溢出效應(yīng)；系統(tǒng)重要性銀行

中圖分類號(hào)：F299．23；F832．3文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-7217（2024）02-0112-09

一、引言

房地產(chǎn)作為國(guó)民經(jīng)濟(jì)的重要產(chǎn)業(yè)之一，資金密集程度高，開(kāi)發(fā)企業(yè)的自有資金通常不能滿足需求，于是銀行貸款便成為其獲得資金的主要渠道[1]。同時(shí)，在銀行信貸資產(chǎn)結(jié)構(gòu)中房地產(chǎn)貸款的占比一般都很高，甚至達(dá)到20%至30%[2]。正因?yàn)槿绱耍康禺a(chǎn)企業(yè)與銀行之間的資金流動(dòng)頻密而復(fù)雜，一旦出現(xiàn)房地產(chǎn)貸款違約，將對(duì)相關(guān)銀行乃至銀行業(yè)造成嚴(yán)重影響，進(jìn)而波及整個(gè)金融市場(chǎng)和實(shí)體經(jīng)濟(jì)。這種情況發(fā)生后反過(guò)來(lái)又可能導(dǎo)致房地產(chǎn)市場(chǎng)流動(dòng)性下降，從而引發(fā)更大規(guī)模的貸款違約，進(jìn)一步對(duì)銀行業(yè)造成二次沖擊……如此惡性循環(huán)，極易引致金融危機(jī)的爆發(fā)[3]。

關(guān)于信用風(fēng)險(xiǎn)評(píng)估，學(xué)者們開(kāi)展了多個(gè)方面的探索。劉洪波和劉俊瑩采用Logistic模型、隨機(jī)森林算法和XGBoost算法，分別建立房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型，發(fā)現(xiàn)應(yīng)收賬款周轉(zhuǎn)率和凈利潤(rùn)增長(zhǎng)率是房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)的主要影響因素[4]。Cheng等使用基于遺傳算法的GA-KMV模型衡量上市房地產(chǎn)公司的信用風(fēng)險(xiǎn)，發(fā)現(xiàn)它們?yōu)榱藨?yīng)對(duì)周期性市場(chǎng)需求波動(dòng)并推進(jìn)新項(xiàng)目開(kāi)發(fā)，普遍依賴于外部融資，尤其是非標(biāo)準(zhǔn)化渠道，顯著增加了企業(yè)的違約風(fēng)險(xiǎn)并引發(fā)對(duì)其財(cái)務(wù)穩(wěn)定性的擔(dān)憂[5]。朱滿德和張酈云通過(guò)簡(jiǎn)化違約概率模型計(jì)算房地產(chǎn)企業(yè)的違約概率，證實(shí)宏觀審慎政策可以間接減輕其違約風(fēng)險(xiǎn)[6]。龍劍友等借助KMV模型計(jì)算房地產(chǎn)企業(yè)的違約距離，并將違約距離作為信用風(fēng)險(xiǎn)的度量指標(biāo)[7]。上述文獻(xiàn)集中于對(duì)房地產(chǎn)企業(yè)本身進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，但企業(yè)的信用狀況并不能真實(shí)反映其貸款質(zhì)量。雖然房地產(chǎn)企業(yè)的總體信用風(fēng)險(xiǎn)的評(píng)估可以為銀行提供發(fā)放貸款的決策依據(jù)，但由于該類貸款一般周期都較長(zhǎng)，之后一旦企業(yè)經(jīng)營(yíng)不善或外部環(huán)境變化致使其信用評(píng)級(jí)下調(diào)，貸款質(zhì)量將立刻降低，甚至出現(xiàn)違約。學(xué)者們認(rèn)為，Credit Metrics模型能將信用等級(jí)變化的概率和貸款質(zhì)量的變化結(jié)合起來(lái)，進(jìn)而科學(xué)評(píng)估貸款組合的信用風(fēng)險(xiǎn)，即遠(yuǎn)期價(jià)值的不確定性[8]。岳上植和劉燕飛采用該模型量化中小企業(yè)的信用風(fēng)險(xiǎn)，在此基礎(chǔ)上確定它們的應(yīng)收賬款價(jià)值[9]。Jiang基于該模型計(jì)算某政府投資集團(tuán)發(fā)行的債券在未來(lái)面臨的最大損失，發(fā)現(xiàn)雖然其債務(wù)處于相對(duì)安全狀態(tài)，但如果繼續(xù)擴(kuò)大投資，會(huì)顯著加重企業(yè)債務(wù)負(fù)擔(dān)[10]。因此，本文擬使用Credit Metrics模型動(dòng)態(tài)衡量房地產(chǎn)貸款投放后，其質(zhì)量隨時(shí)間變化而帶來(lái)的信用風(fēng)險(xiǎn)。相較于傳統(tǒng)的靜態(tài)評(píng)估，此方法可以對(duì)貸款信用風(fēng)險(xiǎn)進(jìn)行更加精準(zhǔn)的動(dòng)態(tài)定量模擬，有利于貸后的持續(xù)監(jiān)測(cè)和管理。

信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的影響極為顯著。一些文獻(xiàn)著重探討房地產(chǎn)貸款規(guī)模對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)。李世澤等以房地產(chǎn)貸款占銀行總貸款的比例來(lái)刻畫其對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)，指出房地產(chǎn)貸款對(duì)銀行業(yè)穩(wěn)定性的沖擊很大[11]。馬理等分析房地產(chǎn)貸款規(guī)模變化對(duì)銀行風(fēng)險(xiǎn)的影響，發(fā)現(xiàn)存在一個(gè)臨界點(diǎn)，超過(guò)這個(gè)臨界點(diǎn)繼續(xù)增加貸款，雖然可以提升銀行的收益，但也會(huì)抬高風(fēng)險(xiǎn)[12]。李守偉等發(fā)現(xiàn)，融資總額越大的企業(yè)其違約越會(huì)擴(kuò)大風(fēng)險(xiǎn)傳染效應(yīng)，進(jìn)而引發(fā)越大范圍的系統(tǒng)性風(fēng)險(xiǎn)[13]。然而總的來(lái)看，上述研究忽略了貸款質(zhì)量本身的變化對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)的影響，也未使用房地產(chǎn)企業(yè)實(shí)際數(shù)據(jù)衡量其質(zhì)量變化帶來(lái)的信用風(fēng)險(xiǎn)。同時(shí)，房地產(chǎn)市場(chǎng)與銀行業(yè)已經(jīng)形成一個(gè)利益共同體關(guān)系，貸款違約不僅會(huì)對(duì)銀行業(yè)產(chǎn)生直接沖擊，還會(huì)通過(guò)銀行間的業(yè)務(wù)關(guān)聯(lián)將其放大[14，15]。雙重ΔCoVaR模型作為一種先進(jìn)的風(fēng)險(xiǎn)評(píng)估工具，其核心優(yōu)勢(shì)在于不只是能夠?qū)⒎康禺a(chǎn)貸款質(zhì)量及其變化納入對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)溢出的分析中，以揭示貸款質(zhì)量變化對(duì)銀行業(yè)風(fēng)險(xiǎn)水平的溢出效應(yīng)；也強(qiáng)調(diào)風(fēng)險(xiǎn)溢出存在直接渠道和間接渠道雙重渠道，有利于清晰描述風(fēng)險(xiǎn)傳導(dǎo)至銀行業(yè)的具體途徑以及溢出程度[16]。

本文將Credit Metrics模型與雙重ΔCoVaR模型相結(jié)合，評(píng)估貸款質(zhì)量隨時(shí)間變化產(chǎn)生的信用風(fēng)險(xiǎn)及其對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生的溢出效應(yīng)。同時(shí)，揭示系統(tǒng)重要性銀行作為銀行業(yè)中的核心力量，是如何通過(guò)不同渠道加劇系統(tǒng)性風(fēng)險(xiǎn)溢出的。

二、研究方法

本文首先運(yùn)用Credit Metrics模型來(lái)動(dòng)態(tài)衡量房地產(chǎn)貸款的信用風(fēng)險(xiǎn)，確保風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性和可靠性。進(jìn)而使用雙重ΔCoVaR模型評(píng)估房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)單家銀行風(fēng)險(xiǎn)水平的影響，動(dòng)態(tài)地跟蹤該影響隨時(shí)間的變化；為量化銀行在常態(tài)和壓力狀態(tài)下對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)提供了一個(gè)獨(dú)特的視角，即在不同市場(chǎng)條件下，單個(gè)銀行如何影響整個(gè)金融系統(tǒng)的穩(wěn)定性。此外，將房地產(chǎn)貸款的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)一步分解為直接和間接風(fēng)險(xiǎn)溢出，揭示貸款對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)溢出的具體路徑。

（一）房地產(chǎn)貸款信用風(fēng)險(xiǎn)度量方法

使用Credit Metrics模型動(dòng)態(tài)評(píng)估房地產(chǎn)貸款價(jià)值變動(dòng)所帶來(lái)的信用風(fēng)險(xiǎn)，包括以下3個(gè)步驟。

1．估計(jì)貸款在每個(gè)時(shí)期的價(jià)值。本文采用信用等級(jí)轉(zhuǎn)移概率矩陣來(lái)捕捉貸款信用評(píng)級(jí)的動(dòng)態(tài)變化，并反映這些變化對(duì)貸款價(jià)值的影響。具體來(lái)說(shuō)，假設(shè)一家銀行發(fā)放了一筆貸款i （i=1， 2， …， N），其可能出現(xiàn)的信用等級(jí)為l （l=AAA， AA+， …， BBB），且在時(shí)期t （t=1， 2， …， T）的利息為C （常數(shù)），并在時(shí)期T償還本金，則該貸款的價(jià)值Vli，t為：

其中，rlt和Slt分別為企業(yè)處于信用評(píng)級(jí)l時(shí)零息債券無(wú)風(fēng)險(xiǎn)利率和信用息差，F(xiàn)為貸款本金，Rt為考慮利息再投資收益后的投資價(jià)值：

其中，R0=0，R1=C。本文使用LPR，即貸款市場(chǎng)報(bào)價(jià)利率作為再投資收益率，因?yàn)長(zhǎng)PR的市場(chǎng)化和透明化能夠更好反映市場(chǎng)利率水平以及供求關(guān)系和資金成本的變化。

2．動(dòng)態(tài)計(jì)算貸款的信用風(fēng)險(xiǎn)敞口。確定貸款i的價(jià)值之后，即可得到它的標(biāo)準(zhǔn)差σi，t，于是該筆貸款的信用風(fēng)險(xiǎn)敞口CRi，t為：

其中，zα為在置信水平α下標(biāo)準(zhǔn)正態(tài)分布的臨界值。

3．確定銀行的相對(duì)信用風(fēng)險(xiǎn)。以單家銀行為例，為了使結(jié)果具有可比性，本文使用時(shí)期t所持有的N筆房地產(chǎn)貸款信用風(fēng)險(xiǎn)敞口之和與其貸款余額之和的比率作為信用風(fēng)險(xiǎn)的代理變量，并稱其為相對(duì)信用風(fēng)險(xiǎn)，以反映銀行的信用風(fēng)險(xiǎn)水平，即：

其中，Debti，t為貸款余額。

（二）房地產(chǎn)貸款信用風(fēng)險(xiǎn)溢出度量方法

計(jì)算房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出具體按照如下5個(gè)步驟執(zhí)行。

1．設(shè)計(jì)銀行房地產(chǎn)貸款相對(duì)信用風(fēng)險(xiǎn)壓力指標(biāo)。本文考慮k （k=1， 2， …， K）個(gè)影響銀行尾部風(fēng)險(xiǎn)相依性的主要因素，并在某一分位水平下構(gòu)建分位數(shù)回歸模型：

其中，Mk，t-1為滯后一期的第k個(gè)狀態(tài)變量，fk為系數(shù)，εt為殘差。本文納入的5個(gè)（即K=5）主要因素分別為：① 用收益率曲線斜率的差分衡量市場(chǎng)對(duì)未來(lái)走勢(shì)的預(yù)期；② 用短期國(guó)債利率與同期限隔夜銀行拆借利率的差反映銀行信用風(fēng)險(xiǎn)的變化；③用信用價(jià)差代表企業(yè)債券的信用風(fēng)險(xiǎn)水平；④ 用三月期國(guó)債到期收益率的差分測(cè)度市場(chǎng)對(duì)短期利率變化的預(yù)期；⑤ 用股票指數(shù)損失率作為量度市場(chǎng)風(fēng)險(xiǎn)的指標(biāo)。

2．計(jì)算單家銀行的壓力指標(biāo)。本文以銀行損失率Xt作為被解釋變量，以相對(duì)信用風(fēng)險(xiǎn)和各狀態(tài)變量作為解釋變量，構(gòu)建分位數(shù)回歸模型：

其中，a為常數(shù)項(xiàng)，b和ck為系數(shù)。

3．確定銀行業(yè)的壓力指標(biāo)。本文將單家銀行損失率按照其市值進(jìn)行加權(quán)求和，得到銀行業(yè)損失率Xts，并將其作為被解釋變量，再以單家銀行損失率、相對(duì)信用風(fēng)險(xiǎn)和各狀態(tài)變量作為解釋變量，構(gòu)建分位數(shù)回歸模型：

其中，α為常數(shù)項(xiàng)，β和δk為系數(shù)。

接下來(lái)，利用式（5）～式（7）的回歸結(jié)果，得到房地產(chǎn)貸款信用風(fēng)險(xiǎn)與單家銀行Xt和銀行業(yè)風(fēng)險(xiǎn)Xts之間的關(guān)系。當(dāng)分位數(shù)水平為q%時(shí)，進(jìn)一步計(jì)算考慮了房地產(chǎn)貸款之后，單家銀行對(duì)銀行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)：

其中，CR_VaRqt為在q%置信水平下房地產(chǎn)貸款的預(yù)期最大信用風(fēng)險(xiǎn)。

將式（8）代入式（9）和式（10），可以分別測(cè)度貸款信用風(fēng)險(xiǎn)對(duì)單家銀行和銀行業(yè)的影響：Bank_VaRtq為單家銀行的在險(xiǎn)價(jià)值；CR_ΔCoVaRt為房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)。

式（5）至式（10）構(gòu)建了一個(gè)雙重ΔCoVaR模型分析框架，借以精準(zhǔn)量化房地產(chǎn)貸款信用風(fēng)險(xiǎn)首先對(duì)單一銀行，進(jìn)而對(duì)銀行業(yè)風(fēng)險(xiǎn)水平的增量影響，從而辨別哪些銀行的貸款問(wèn)題可能對(duì)銀行業(yè)產(chǎn)生更大風(fēng)險(xiǎn)溢出效應(yīng)。

4．為了消除狀態(tài)變量的影響，更清晰體現(xiàn)房地產(chǎn)貸款信用風(fēng)險(xiǎn)這一外部因素對(duì)銀行業(yè)產(chǎn)生的溢出，根據(jù)Adrian和Brunnermrier的做法，并結(jié)合前述狀態(tài)變量開(kāi)展以下分位數(shù)回歸[17]：

其中，VaRtq為單家銀行在不考慮房地產(chǎn)貸款信用風(fēng)險(xiǎn)、僅基于各狀態(tài)變量影響時(shí)的在險(xiǎn)價(jià)值；而Xs，tq則表示在考慮單家銀行風(fēng)險(xiǎn)和所有狀態(tài)變量影響下，整個(gè)銀行業(yè)的在險(xiǎn)價(jià)值。因此，單家銀行對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出Base_ΔCoVaRt為：

其中，q反映了單家銀行對(duì)銀行業(yè)的風(fēng)險(xiǎn)溢出程度，即當(dāng)該銀行房地產(chǎn)貸款信用風(fēng)險(xiǎn)增加，即處于VaRtq狀態(tài)時(shí)，其對(duì)整個(gè)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)溢出的增量。

5．將式（10）與式（13）相減，即得到房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)產(chǎn)生的風(fēng)險(xiǎn)溢出：

（三）房地產(chǎn)貸款信用風(fēng)險(xiǎn)直接溢出和間接溢出的定義和計(jì)量方法

為了更細(xì)致地觀測(cè)房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出機(jī)理，本文將上述總體溢出，即ΔCoVaRt，分解為直接溢出和間接溢出，以探究風(fēng)險(xiǎn)在金融體系傳播的具體路徑，從而為銀行風(fēng)險(xiǎn)監(jiān)管提供更為科學(xué)的依據(jù)。

1．直接風(fēng)險(xiǎn)溢出。指房地產(chǎn)貸款價(jià)值變動(dòng)產(chǎn)生的信用風(fēng)險(xiǎn)直接對(duì)銀行業(yè)造成的風(fēng)險(xiǎn)溢出：

其中，q反映了房地產(chǎn)貸款信用風(fēng)險(xiǎn)作為外部變量對(duì)銀行業(yè)的直接影響，即當(dāng)貸款信用風(fēng)險(xiǎn)提高時(shí)，其對(duì)整個(gè)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的增加的貢獻(xiàn)。

2．間接風(fēng)險(xiǎn)溢出。指房地產(chǎn)貸款信用風(fēng)險(xiǎn)首先作用單家銀行，而后通過(guò)銀行間關(guān)聯(lián)產(chǎn)生風(fēng)險(xiǎn)傳染，最后對(duì)整個(gè)銀行業(yè)形成風(fēng)險(xiǎn)溢出：

四、實(shí)證分析

（一）樣本選擇與數(shù)據(jù)來(lái)源

選擇所有上市房地產(chǎn)企業(yè)2017年一季度至2022年四季度的相關(guān)數(shù)據(jù)作為實(shí)證研究樣本。該時(shí)間段內(nèi)，房地產(chǎn)企業(yè)紛紛遇困，市場(chǎng)調(diào)控持續(xù)強(qiáng)化，融資管理更加嚴(yán)格，以此作為樣本期考察房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)溢出具有較強(qiáng)的代表性。剔除無(wú)效數(shù)據(jù)（貸款信息、信用評(píng)級(jí)缺失等）后，一共得到972條數(shù)據(jù)，涉及41家房地產(chǎn)企業(yè)。其中，房地產(chǎn)貸款數(shù)據(jù)取自于國(guó)泰安數(shù)據(jù)庫(kù)，房地產(chǎn)企業(yè)股票收盤價(jià)和信用等級(jí)轉(zhuǎn)移概率矩陣來(lái)源于萬(wàn)德數(shù)據(jù)庫(kù)。

中國(guó)人民銀行和國(guó)家金融監(jiān)督管理總局根據(jù)商業(yè)銀行與金融體系的關(guān)聯(lián)性，以及它們對(duì)經(jīng)濟(jì)金融運(yùn)行的系統(tǒng)性影響，確定并發(fā)布了系統(tǒng)重要性銀行名單，總共包括4組20家銀行[18]。去除貸款數(shù)據(jù)缺失較多者，最后剩下16家銀行。按照銀行系統(tǒng)重要性程度，對(duì)其從高到低排序并重新分組：第一組為工商銀行（ICBC）、中國(guó)銀行（BOC）、建設(shè)銀行（CCB）和農(nóng)業(yè)銀行（ABC）；第二組為交通銀行（BCM）、招商銀行（CMB）、興業(yè)銀行（CIB）、中信銀行（CITIC）和浦發(fā)銀行（SPBD）；第三組為光大銀行（CEB）、民生銀行（CMBC）、平安銀行（SPA）、華夏銀行（HXB）、江蘇銀行（BOJS）、上海銀行（SHCB）和北京銀行（BOB）。

（二）房地產(chǎn)貸款信用風(fēng)險(xiǎn)度量結(jié)果及分析

房地產(chǎn)貸款相對(duì)信用風(fēng)險(xiǎn)在觀察期內(nèi)整體呈上升態(tài)勢(shì)。2017至2019年期間，房地產(chǎn)行業(yè)融資需求持續(xù)增高，表現(xiàn)在貸款余額顯著增加，而對(duì)應(yīng)的相對(duì)信用風(fēng)險(xiǎn)則維持在1.5%左右，即這時(shí)銀行每發(fā)放100萬(wàn)元貸款，就有1.5萬(wàn)元處于風(fēng)險(xiǎn)之中。這一現(xiàn)象表明房地產(chǎn)貸款增長(zhǎng)與信用風(fēng)險(xiǎn)之間存在非一致性關(guān)系，暗示著銀行可能采取了有效的風(fēng)險(xiǎn)管理措施。2019年底，新冠疫情爆發(fā)，給房地產(chǎn)市場(chǎng)帶來(lái)多重挑戰(zhàn)：交易下滑、供需失衡、融資困難、投資萎縮……，房地產(chǎn)企業(yè)隨之遭遇資金鏈緊張。房地產(chǎn)貸款余額此時(shí)停止了上升趨勢(shì)，繼而開(kāi)始下降，房地產(chǎn)貸款信用風(fēng)險(xiǎn)則上升至約5%，并在隨后的2020年一季度至2021年三季度之間保持這種高風(fēng)險(xiǎn)狀態(tài)。從2021年四季度起，貸款余額急速下降，房地產(chǎn)貸款信用風(fēng)險(xiǎn)卻再次開(kāi)始攀升，甚至達(dá)到6.5%。該時(shí)期由于政府繼續(xù)實(shí)施嚴(yán)格的房地產(chǎn)調(diào)控政策，包括限制貸款和控制價(jià)格等，限制了市場(chǎng)的過(guò)熱，導(dǎo)致房地產(chǎn)企業(yè)的銷售額和現(xiàn)金流減少，進(jìn)而影響到銀行對(duì)房地產(chǎn)行業(yè)的貸款投放，導(dǎo)致貸款余額下降。與此同時(shí)，恒大集團(tuán)先后出現(xiàn)商票逾期、理財(cái)失敗、債務(wù)違約等，成為房地產(chǎn)行業(yè)最大的一頭“灰犀牛”，而華夏幸福、藍(lán)光發(fā)展和當(dāng)代置業(yè)等也陸續(xù)發(fā)生信用評(píng)級(jí)下調(diào)。伴隨而來(lái)的是房地產(chǎn)企業(yè)銷售的日益疲軟，加上多元化擴(kuò)張?jiān)斐少Y金鏈承壓甚至斷裂，違約事件持續(xù)爆發(fā)。據(jù)不完全統(tǒng)計(jì)，2022年全年超過(guò)60家房企相繼發(fā)生違約和倒閉等。面對(duì)房地產(chǎn)市場(chǎng)的不確定性和風(fēng)險(xiǎn)增加，銀行采取了更加謹(jǐn)慎的貸款策略，這些因素共同帶來(lái)了房地產(chǎn)貸款余額的下降和相對(duì)信用風(fēng)險(xiǎn)的上升。

由此可見(jiàn)，房地產(chǎn)貸款的信用風(fēng)險(xiǎn)與貸款余額之間并非簡(jiǎn)單的正相關(guān)關(guān)系，而是受到行業(yè)市場(chǎng)環(huán)境、企業(yè)經(jīng)營(yíng)狀況和銀行風(fēng)險(xiǎn)管理等多重因素的影響，并表現(xiàn)出復(fù)雜的動(dòng)態(tài)特征。這不僅影響單一銀行的信用風(fēng)險(xiǎn)狀況，而且通過(guò)貨幣市場(chǎng)和資本市場(chǎng)，在銀行間形成風(fēng)險(xiǎn)的系統(tǒng)性傳播。

（三）房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行系統(tǒng)性風(fēng)險(xiǎn)溢出結(jié)果及分析

1．第一組系統(tǒng)重要性銀行。

總體來(lái)看，4大國(guó)有商業(yè)銀行的風(fēng)險(xiǎn)溢出趨勢(shì)和程度非常一致，基本上都對(duì)銀行業(yè)產(chǎn)生正向作用，僅在2019年第二季度時(shí)個(gè)別銀行出現(xiàn)了程度較小的負(fù)向溢出，如圖1所示。由于溢出衡量的是房地產(chǎn)貸款信用風(fēng)險(xiǎn)的狀態(tài)變化（從正常到壓力狀態(tài)）對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的影響程度，因此正的風(fēng)險(xiǎn)溢出表示某銀行貸款會(huì)顯著增加銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)水平；而負(fù)值則表明銀行貸款在壓力狀態(tài)下對(duì)銀行業(yè)的風(fēng)險(xiǎn)貢獻(xiàn)度低于正常狀態(tài)，即銀行采用了有效的風(fēng)險(xiǎn)管理策略，這種策略使得銀行能夠通過(guò)內(nèi)部機(jī)制降低房地產(chǎn)貸款產(chǎn)生的信用風(fēng)險(xiǎn)，從而對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)水平的影響有限。圖1的結(jié)果也從側(cè)面表明，第一組銀行在風(fēng)險(xiǎn)敞口和資產(chǎn)配置方面是類似的，即在執(zhí)行宏觀貨幣政策方面的一致性導(dǎo)致在業(yè)務(wù)活動(dòng)上的相似性，彼此間風(fēng)險(xiǎn)關(guān)聯(lián)性顯著，當(dāng)房地產(chǎn)貸款處于壓力狀態(tài)時(shí)它們受到差不多的風(fēng)險(xiǎn)沖擊。

具體來(lái)看，4家銀行的房地產(chǎn)貸款信用風(fēng)險(xiǎn)在三個(gè)不同時(shí)間段產(chǎn)生了較為強(qiáng)烈的溢出。第一段是2018年一季度至四季度，期間出現(xiàn)債務(wù)逾期從而導(dǎo)致違約事件頻發(fā)。違約數(shù)量由2017年的34個(gè)增加至2018年的126個(gè)，違約金額也同時(shí)增加了3.85倍。其中，華業(yè)資本、中弘股份和上陵集團(tuán)等首次發(fā)生違約，而中弘股份及其子公司累積的大量逾期債務(wù)造成財(cái)務(wù)狀況惡化，最終退市。大規(guī)模債務(wù)違約引發(fā)的一系列連鎖反應(yīng)致使房地產(chǎn)企業(yè)償付困難，引發(fā)流動(dòng)性風(fēng)險(xiǎn)，進(jìn)一步對(duì)銀行業(yè)構(gòu)成系統(tǒng)性風(fēng)險(xiǎn)威脅，因此這組銀行此時(shí)期對(duì)整個(gè)銀行業(yè)產(chǎn)生的風(fēng)險(xiǎn)溢出達(dá)到峰值。第二段是2020年前兩個(gè)季度，受到新冠疫情爆發(fā)、“三條紅線”政策頒布和中美貿(mào)易摩擦加劇等影響，房地產(chǎn)企業(yè)的盈利和償債能力下降，貸款違約風(fēng)險(xiǎn)增加，進(jìn)一步加大對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的沖擊。第三段是2022年一季度，融創(chuàng)控股、陽(yáng)光城集團(tuán)、龍光集團(tuán)、祥生集團(tuán)、大發(fā)地產(chǎn)、禹洲集團(tuán)等均發(fā)生流動(dòng)性危機(jī)進(jìn)而債務(wù)違約，而整個(gè)行業(yè)全年破產(chǎn)房企達(dá)308家，再次加劇房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出。

2．第二組系統(tǒng)重要性銀行。

總體而言，本組大部分銀行房地產(chǎn)貸款信用風(fēng)險(xiǎn)產(chǎn)生的正向溢出比其負(fù)向溢出更為突出，見(jiàn)圖2。交通銀行和興業(yè)銀行在2018年和2022年都分別經(jīng)歷了顯著的風(fēng)險(xiǎn)溢出事件，這與債務(wù)逾期頻發(fā)的時(shí)期相吻合。作為市場(chǎng)上的主要債券承銷商，這兩家銀行購(gòu)入了大量企業(yè)債券。當(dāng)企業(yè)債務(wù)逾期事件頻發(fā)時(shí)，不僅直接影響了銀行的資產(chǎn)質(zhì)量，還觸發(fā)了市場(chǎng)范圍內(nèi)的連鎖反應(yīng)，削弱了整體市場(chǎng)的信心和流動(dòng)性。在這種信用緊縮的背景下，房地產(chǎn)貸款的信用風(fēng)險(xiǎn)隨之升高，不僅加大了這兩家銀行的風(fēng)險(xiǎn)負(fù)擔(dān)，也對(duì)整個(gè)銀行系統(tǒng)的穩(wěn)定性構(gòu)成了顯著的威脅，從而在上述兩個(gè)時(shí)期引發(fā)了系統(tǒng)性風(fēng)險(xiǎn)的顯著溢出效應(yīng)。

中信銀行和浦發(fā)銀行對(duì)銀行業(yè)產(chǎn)生的風(fēng)險(xiǎn)溢出強(qiáng)度和溢出趨勢(shì)類似。具體來(lái)說(shuō)，它們分別在2018年和2022年對(duì)銀行業(yè)產(chǎn)生了較為強(qiáng)烈的正向沖擊，其程度僅次于交通銀行和興業(yè)銀行，說(shuō)明這兩家銀行也受到債務(wù)違約事件的影響。然而，在新冠疫情爆發(fā)時(shí)期，它們對(duì)銀行業(yè)產(chǎn)生的溢出效應(yīng)卻大于該組其他銀行。由此可見(jiàn)，不同銀行由于其業(yè)務(wù)性質(zhì)的不同，當(dāng)環(huán)境變化時(shí)會(huì)受到程度各異的影響，進(jìn)而對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生差異性的溢出效應(yīng)。

值得注意的是，招商銀行在大部分時(shí)間產(chǎn)生了負(fù)向風(fēng)險(xiǎn)溢出。招商銀行對(duì)公開(kāi)發(fā)貸的投向堅(jiān)持“優(yōu)選客戶、優(yōu)選區(qū)域，聚焦開(kāi)發(fā)貸并嚴(yán)格管理”的原則，且對(duì)房地產(chǎn)貸款采取嚴(yán)格的風(fēng)險(xiǎn)控制措施。同時(shí)，招商銀行向招商蛇口發(fā)放的貸款占其總貸款額的60%，而后者作為一家重要央企，扮演著“風(fēng)險(xiǎn)緩沖器”的角色。即便貸款組合中存在其他風(fēng)險(xiǎn)暴露，但由于主要借款客戶具備較高（強(qiáng)）的信用質(zhì)量（償債能力），該銀行仍能維持業(yè)績(jī)的穩(wěn)健。

3．第三組系統(tǒng)重要性銀行。

從圖3可以看出，民生銀行房地產(chǎn)貸款產(chǎn)生的風(fēng)險(xiǎn)溢出最為顯著，說(shuō)明其信用風(fēng)險(xiǎn)影響銀行系統(tǒng)性風(fēng)險(xiǎn)水平的程度最大。恒大集團(tuán)從該銀行的借款超過(guò)290億元，當(dāng)其貸款處于壓力狀態(tài)時(shí)，銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)敏感地受到?jīng)_擊。光大銀行和平安銀行的信用風(fēng)險(xiǎn)雖然在觀察期內(nèi)也對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)形成了推動(dòng)作用，但溢出波動(dòng)較為平緩，且程度也較小。此外，三家城市商業(yè)銀行的風(fēng)險(xiǎn)溢出水平和趨勢(shì)基本一致，但江蘇銀行在債務(wù)違約和新冠疫情爆發(fā)時(shí)期產(chǎn)生的溢出效應(yīng)略大。

（四）房地產(chǎn)貸款對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的直接溢出和間接溢出度量結(jié)果及分析

如前所述，將房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出分解為直接溢出和間接溢出，進(jìn)一步探討溢出效應(yīng)發(fā)生的機(jī)理和路徑，圖4～圖6分別展示了三組銀行的情況。綜合來(lái)看，大多數(shù)銀行貸款直接溢出小于間接溢出，說(shuō)明單家銀行面臨信用風(fēng)險(xiǎn)時(shí)，能通過(guò)一些管理手段緩解加以緩解，從而在一定程度上減弱對(duì)銀行業(yè)產(chǎn)生的直接沖擊。而間接溢出與總體溢出（圖1～圖3）的走勢(shì)則基本相同，二者之間的平均相關(guān)性達(dá)0.87，意味著貸款主要是通過(guò)間接渠道對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生溢出的。也就是說(shuō)，當(dāng)房地產(chǎn)貸款信用風(fēng)險(xiǎn)爆發(fā)時(shí)，首先對(duì)單家銀行產(chǎn)生沖擊，隨后通過(guò)銀行間的相互關(guān)聯(lián)向其他銀行傳播，進(jìn)而導(dǎo)致銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)發(fā)生。

1．第一組系統(tǒng)重要性銀行。

高系統(tǒng)重要性銀行貸款產(chǎn)生的直接溢出非常小，如圖4所示。具體來(lái)看，中國(guó)銀行和建設(shè)銀行幾乎在整個(gè)觀察期內(nèi)都產(chǎn)生正向直接溢出，說(shuō)明其房地產(chǎn)貸款信用風(fēng)險(xiǎn)直接對(duì)整個(gè)銀行業(yè)產(chǎn)生沖擊，不過(guò)程度非常小。而農(nóng)業(yè)銀行和工商銀行風(fēng)險(xiǎn)的直接溢出在大部分時(shí)間段為負(fù)。式（14）的回歸結(jié)果顯示，當(dāng)兩家銀行的房地產(chǎn)貸款信用風(fēng)險(xiǎn)上升1個(gè)單位時(shí)，它們對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的直接溢出分別增加0.20和0.29個(gè)單位。這表明，雖然農(nóng)業(yè)銀行和工商銀行貸款對(duì)銀行業(yè)風(fēng)險(xiǎn)水平有一定的正向貢獻(xiàn)，但在極端壓力條件下產(chǎn)生的風(fēng)險(xiǎn)價(jià)值仍低于正常狀態(tài)下的風(fēng)險(xiǎn)價(jià)值。這可能是因?yàn)殂y行采取了額外的風(fēng)險(xiǎn)管理措施，如提高資本充足率、增強(qiáng)流動(dòng)性儲(chǔ)備、或?qū)嵤└鼮楸Ｊ氐馁J款策略，從而有效地緩沖了潛在風(fēng)險(xiǎn)。因此，即便是房地產(chǎn)貸款信用風(fēng)險(xiǎn)處于高壓力狀態(tài)，這些銀行通過(guò)這些措施也能有效控制風(fēng)險(xiǎn)溢出。

但是，4家銀行房地產(chǎn)貸款信用風(fēng)險(xiǎn)的間接溢出卻很大，且溢出的程度相近，在前述的三個(gè)時(shí)間段內(nèi)同樣作用突出。這類銀行在金融系統(tǒng)中規(guī)模最大、重要性最強(qiáng)，與其他銀行之間的關(guān)系復(fù)雜，當(dāng)它們的房地產(chǎn)貸款發(fā)生信用風(fēng)險(xiǎn)時(shí)，更容易通過(guò)關(guān)聯(lián)渠道傳播，進(jìn)而對(duì)整個(gè)銀行業(yè)造成更大的影響。

2．第二組系統(tǒng)重要性銀行。

在本組中，中信銀行和興業(yè)銀行風(fēng)險(xiǎn)直接溢出較為顯著，且程度大于它們的間接溢出，說(shuō)明這類銀行貸款的信用風(fēng)險(xiǎn)主要通過(guò)直接渠道作用整個(gè)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)。而交通銀行和浦發(fā)銀行的情況卻相反，表明它們主要通過(guò)影響銀行之間的共同風(fēng)險(xiǎn)敞口以及關(guān)聯(lián)關(guān)系從來(lái)對(duì)銀行業(yè)產(chǎn)生風(fēng)險(xiǎn)溢出，見(jiàn)圖5。

值得注意的是，中信銀行和浦發(fā)銀行的風(fēng)險(xiǎn)間接溢出類似，只在前面提到的三個(gè)時(shí)期內(nèi)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)產(chǎn)生較強(qiáng)作用。這兩家銀行同時(shí)與新華聯(lián)控股、金科股份、華發(fā)股份、首開(kāi)股份和中南建設(shè)等房企具有借貸關(guān)系，擁有一定重疊的客戶群體使得風(fēng)險(xiǎn)可能在共同敞口中擴(kuò)散和傳遞，進(jìn)而影響整個(gè)銀行業(yè)。興業(yè)銀行和招商銀行則僅在2018年和2022年大規(guī)模債券違約時(shí)期對(duì)整個(gè)銀行業(yè)產(chǎn)生較大的風(fēng)險(xiǎn)間接溢出，在其他時(shí)期呈現(xiàn)出正負(fù)交替的情況，從側(cè)面說(shuō)明它們發(fā)放貸款的房地產(chǎn)企業(yè)與債券違約企業(yè)之間存在一定的關(guān)聯(lián)，后者導(dǎo)致前者陷入財(cái)務(wù)困境。由此可以看出，如果多家銀行面臨相同的貸款風(fēng)險(xiǎn)敞口，可能導(dǎo)致違約事件在銀行業(yè)內(nèi)引發(fā)風(fēng)險(xiǎn)傳播效應(yīng)。交通銀行在房地產(chǎn)債券大規(guī)模違約時(shí)期產(chǎn)生的間接風(fēng)險(xiǎn)溢出最大，進(jìn)一步證實(shí)它與其余銀行有著復(fù)雜的業(yè)務(wù)關(guān)系，自身風(fēng)險(xiǎn)上升會(huì)直接擴(kuò)大它行的風(fēng)險(xiǎn)敞口。

3．第三組系統(tǒng)重要性銀行。

如圖6所示，華夏銀行、北京銀行和江蘇銀行產(chǎn)生了較大的直接風(fēng)險(xiǎn)溢出，且大于其間接溢出，而光大銀行、平安銀行和上海銀行的直接風(fēng)險(xiǎn)溢出卻較小，但間接溢出略大。其中，江蘇銀行2018年的直接溢出較大，說(shuō)明債務(wù)違約事件加大了它的房地產(chǎn)貸款信用風(fēng)險(xiǎn)，進(jìn)而對(duì)銀行業(yè)形成一定的風(fēng)險(xiǎn)溢出效應(yīng)。北京銀行風(fēng)險(xiǎn)直接溢出大于間接溢出，這是由于該行的系統(tǒng)重要性較弱，當(dāng)其房地產(chǎn)貸款產(chǎn)生信用風(fēng)險(xiǎn)時(shí)，風(fēng)險(xiǎn)通過(guò)銀行之間的關(guān)聯(lián)發(fā)生擴(kuò)散的可能性較小。

值得注意的是，民生銀行的風(fēng)險(xiǎn)間接溢出效應(yīng)最強(qiáng)，甚至超過(guò)了第一組銀行。前面已經(jīng)提到，民生銀行是貸款給恒大集團(tuán)最多的銀行，樣本銀行中還有另外10家也是該企業(yè)的重要往來(lái)銀行，意味著民生銀行與其他銀行之間的共同風(fēng)險(xiǎn)敞口很高，因此其間接風(fēng)險(xiǎn)溢出很大。另外需要說(shuō)明的是，城市商業(yè)銀行對(duì)銀行業(yè)的風(fēng)險(xiǎn)間接溢出都呈現(xiàn)正負(fù)交替的態(tài)勢(shì)，這是由于它們的系統(tǒng)重要性均不強(qiáng)，業(yè)務(wù)相對(duì)單一，與其他銀行的關(guān)聯(lián)較弱，故其通過(guò)間接效應(yīng)產(chǎn)生風(fēng)險(xiǎn)溢出的機(jī)會(huì)較小。其中，江蘇銀行和上海銀行在債務(wù)違約和新冠疫情時(shí)產(chǎn)生了較大的正向間接溢出，這表明它們?cè)诿鎸?duì)市場(chǎng)波動(dòng)時(shí)需要減少與其他銀行共同客戶的貸款暴露。而北京銀行在整個(gè)觀察期內(nèi)的負(fù)向間接溢出都較為平穩(wěn)，表明它內(nèi)部風(fēng)險(xiǎn)管理能力較強(qiáng)，從而抑制了由于單體風(fēng)險(xiǎn)事件的發(fā)生而給其他銀行帶來(lái)的影響。

五、結(jié)論與建議

本文基于Credit Metrics模型和雙重ΔCoVaR模型探討了2017年至2022年期間，考慮政策調(diào)控加強(qiáng)、疫情沖擊以及大型房地產(chǎn)企業(yè)財(cái)務(wù)危機(jī)等情況下，房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)的溢出效應(yīng)，得到如下結(jié)論：

1．房地產(chǎn)貸款信用風(fēng)險(xiǎn)在整個(gè)觀察期呈上升趨勢(shì)，債券集中違約和新冠疫情爆發(fā)加大了銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)。系統(tǒng)重要性最高的4家國(guó)有大型商業(yè)銀行的風(fēng)險(xiǎn)溢出趨勢(shì)和程度較為一致，而其他銀行對(duì)系統(tǒng)性風(fēng)險(xiǎn)的貢獻(xiàn)呈現(xiàn)出較大差異。其中，交通銀行和興業(yè)銀行由于自身的業(yè)務(wù)特點(diǎn)，對(duì)債務(wù)違約事件較為敏感，在債務(wù)逾期高發(fā)的特定時(shí)期風(fēng)險(xiǎn)溢出尤為顯著；民生銀行和招商銀行盡管同樣依賴于少數(shù)關(guān)鍵客戶，但由于在信用風(fēng)險(xiǎn)評(píng)估和審查過(guò)程上的差異，風(fēng)險(xiǎn)溢出呈現(xiàn)兩極化；其他低系統(tǒng)重要性銀行的總體溢出較小，反映了它們風(fēng)險(xiǎn)傳播能力有限的事實(shí)。

2．高系統(tǒng)重要性銀行與其他銀行業(yè)務(wù)合作關(guān)系緊密，其房地產(chǎn)貸款產(chǎn)生的信用風(fēng)險(xiǎn)會(huì)使后者受到連帶影響，因此它們對(duì)銀行業(yè)產(chǎn)生的間接溢出效應(yīng)較強(qiáng)。另一方面，這類大型銀行本身的風(fēng)險(xiǎn)管理能力較強(qiáng)，從而減少了貸款信用風(fēng)險(xiǎn)對(duì)銀行業(yè)的直接風(fēng)險(xiǎn)傳遞。正是由于上述原因，這類銀行房地產(chǎn)貸款信用風(fēng)險(xiǎn)產(chǎn)生的間接溢出大于直接溢出，是總體溢出的主要驅(qū)動(dòng)因素。

3．低系統(tǒng)重要性銀行與其他銀行的關(guān)聯(lián)性相對(duì)較弱，其房地產(chǎn)貸款信用風(fēng)險(xiǎn)對(duì)外的傳遞行為并不活躍，通常不會(huì)通過(guò)間接的方式引發(fā)銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)。與此同時(shí)，小型銀行資本規(guī)模有限，業(yè)務(wù)范圍和貸款對(duì)象較為集中，當(dāng)其遇到房地產(chǎn)貸款信用風(fēng)險(xiǎn)時(shí)，自身沒(méi)有足夠的能力來(lái)沖抵損失，從而直接對(duì)整個(gè)銀行業(yè)造成沖擊。

建議：第一，縮小銀行共同風(fēng)險(xiǎn)敞口。系統(tǒng)重要性銀行應(yīng)通過(guò)多元化資產(chǎn)內(nèi)容避免業(yè)務(wù)過(guò)度集中在特定資產(chǎn)或行業(yè)，并加強(qiáng)流動(dòng)性管理和維持充足的資本儲(chǔ)備，增強(qiáng)應(yīng)對(duì)風(fēng)險(xiǎn)的能力。第二，推動(dòng)銀行業(yè)結(jié)構(gòu)轉(zhuǎn)變。政府應(yīng)通過(guò)提供稅收減免、利率優(yōu)惠和資本金補(bǔ)貼等政策，支持中小型銀行降低運(yùn)營(yíng)成本，提升競(jìng)爭(zhēng)力，實(shí)現(xiàn)銀行業(yè)構(gòu)成多樣化，弱化少數(shù)銀行的市場(chǎng)支配地位，降低其失敗對(duì)整個(gè)系統(tǒng)的影響。第三，強(qiáng)化風(fēng)險(xiǎn)傳染監(jiān)測(cè)預(yù)警?？紤]到間接溢出在總溢出效應(yīng)中占核心地位，監(jiān)管部門應(yīng)加強(qiáng)對(duì)銀行間關(guān)聯(lián)關(guān)系和風(fēng)險(xiǎn)傳染路徑的監(jiān)測(cè)，及時(shí)識(shí)別和評(píng)估系統(tǒng)性風(fēng)險(xiǎn)傳播的早期信號(hào)，并建立跨機(jī)構(gòu)和跨部門信息共享機(jī)制，采取協(xié)調(diào)一致的風(fēng)險(xiǎn)應(yīng)對(duì)措施。

參考文獻(xiàn)：

［1］王慧， 張國(guó)君. KMV模型在我國(guó)上市房地產(chǎn)企業(yè)信用風(fēng)險(xiǎn)度量中的應(yīng)用[J]. 經(jīng)濟(jì)問(wèn)題， 2018 （3）： 36-40.

[2]陳衛(wèi)東， 熊啟躍， 蓋新哲. 我國(guó)房地產(chǎn)企業(yè)風(fēng)險(xiǎn)特征與化解機(jī)制研究[J]. 社會(huì)科學(xué)輯刊， 2023 （2）： 152-162.

[3]方意， 趙勝民， 黃麗靈， 荊中博. 房地產(chǎn)市場(chǎng)與銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)[J]. 管理科學(xué)學(xué)報(bào)， 2021， 24（11）： 26-43.

[4]劉洪波， 劉俊瑩. 我國(guó)房地產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)評(píng)價(jià)研究[J]. 征信， 2023， 41（3）： 66-72.

[5]Cheng X， Sun Z， Bao W. Study on credit risk of real estate industry based on genetic algorithm KMV model [C]. Proceedings of 2020 2nd International Conference on Applied Machine Learning and Data Science， 2020： 517-524.

[6]朱滿德， 張酈云. “雙支柱”調(diào)控框架、金融資產(chǎn)投資與違約風(fēng)險(xiǎn)防范研究——基于房地產(chǎn)上市公司的實(shí)證分析[J]. 價(jià)格理論與實(shí)踐， 2022（7）： 99-103.

[7]龍劍友， 凌毓秀， 謝赤. 基于復(fù)雜網(wǎng)絡(luò)理論的房地產(chǎn)行業(yè)信用風(fēng)險(xiǎn)傳染研究[J]. 系統(tǒng)工程學(xué)報(bào)， 2022， 37（3）： 289-302.

[8]Malhotra Y. Framework of credit metrics methodology for computing credit VaR [J]. IUP Journal of Financial Risk Management， 2022， 19（3）： 38-49.

[9]岳上植， 劉燕飛. 基于供應(yīng)鏈金融的應(yīng)收賬款價(jià)值評(píng)估[J]. 商業(yè)經(jīng)濟(jì)， 2020（5）： 166-169.

[10]Jiang Z. Risk management of local government investment and financing platform： evidence from China [J]. Forest Chemicals Review， 2022 （May-June）：2185-2202.

[11]李世澤， 馬家麗， 朱書(shū)尚. 房地產(chǎn)信貸對(duì)我國(guó)銀行體系系統(tǒng)性風(fēng)險(xiǎn)的影響——基于銀行體系內(nèi)部借貸網(wǎng)絡(luò)的模擬實(shí)證研究[J]. 中山大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2019， 59（3）： 186-196.

[12]馬理， 陳潤(rùn)秋， 李甲翔， 等. 房地產(chǎn)貸款對(duì)商業(yè)銀行風(fēng)險(xiǎn)的影響效應(yīng)研究[J]. 金融監(jiān)管研究， 2021， （1）： 12-28.

[13]李守偉， 王虎， 劉曉星. 系統(tǒng)性風(fēng)險(xiǎn)：金融系統(tǒng)與實(shí)體經(jīng)濟(jì)間反饋效應(yīng)[J]. 管理科學(xué)學(xué)報(bào)， 2022， 25（11）： 25-42.

[14]方意.系統(tǒng)性風(fēng)險(xiǎn)的傳染渠道與度量研究——兼論宏觀審慎政策實(shí)施[J].管理世界，2016，（8）：32-57.

［15］馬若微，周萌，丁鑫.危機(jī)時(shí)接管銀行的選擇與比較——基于銀行間市場(chǎng)復(fù)雜網(wǎng)絡(luò)模型的研究［J］.財(cái)經(jīng)理論與實(shí)踐，2023，44（2）：2-8.

[16]Wang L， Hao Y， Jing Z， Zhang J. Spillover effects of Asian banking sector on systemic risk in the insurance sector： based on a double-CoVaR model [J]. The Singapore Economic Review， 2022， 66（3）： 1-28.

[17]Adrian T， Brunnermeier M K. CoVaR [J]. American Economic Review， 2016， 106（7）： 1705-1741.

[18]中國(guó)人民銀行， 國(guó)家金融監(jiān)督管理總局. 我國(guó)系統(tǒng)重要性銀行名單[EB/OL]. （2023-9-22） [2023-10-24]. http：// www.pbc.gov.cn/goutongjiaoliu/113456/113469/5076882/index.html.

（責(zé)任編輯：鐘瑤）