［提要］ 影子银行是目前经济发展的主要风险来源，因此测度其风险状况、探究风险影响因素非常重要。本文选取13项评价指标，计算我国影子银行风险综合指数，对我国2004～2020年影子银行风险程度进行度量；并利用Lasso回归和逐步回归两种方法对影响影子银行风险因素进行筛选。研究结果表明：2012年以前，影子银行体系的风险在均值线以上波动，2012年之后风险状况基本维持在一个平稳的状态内；Lasso和逐步回归方法均筛选出对影子银行风险程度影响显著的变量，所以在调控影子银行风险状况的同时，对于造成风险的相关变量应给予高度重视。
关键词：影子银行；风险综合指数；Lasso回归；逐步回归
中图分类号：F832.3 文献标识码：A
收录日期：2022年10月12日
多年来，我国金融发展形势良好，风险可控。但由于自身和外部两方面的双重影响，我国的金融发展面临着巨大的风险和挑战。再加上网络金融蓬勃发展、金融手段创新、金融监管滞后等原因，使影子银行这一好坏兼备的机构不断露出水面并逐渐盛行。所以，对影子银行的风险状况作出估算，明确造成风险的影响因素，对于影子银行风险的有效防范大有裨益。
一、模型介绍
（一）Lasso回归原理介绍。Lasso回归是以拟合广义线性模型的同时进行变量筛选和复杂度调整。由此，无论因变量是否为连续、二元、多维离散的，均可采用该回归模型，并进行预测。关于复杂性调节就是用一组参数来控制模型的复杂性，以防止过度拟合。
Lasso回归是一种替代最小二乘法的压缩估计方法，全名为最小绝对值选择与收缩算子。假设有线性回归模型如下：Yi=αi+■βjxij+εi，εi～N（0，σ2）。在一般的回归结构中，假设观测值彼此独立，或者Yi在观测值给定的情况下独立，即Yi关于Xi条件独立，同时假设Xij是标准化的，也就是■■xij=0，■■xij2＝1，Lasso估计为：■，这里t≥0，它为调和参数。此时对于一切t，对α的估计为■=y。不失一般性，假定y=0，这样就省略了α。调和参数t的控制使得回归系数总体变小，若令t0=■βj，t≤t0就会使一些回归系数缩小并趋于0，一些系数甚至就会等于0。
（二）逐步回归原理介绍。逐步回归是针对多个变量的共线性问题，以变量解释性为基础来进行特征提取的回归方法。其基本方法是将各个变量逐一导入模型，先观察该变量对模型的影响程度（F检验），如果出现明显的改变，则对所有变量进行t检验；在原有的引入变量中，如果后面引入的变量使它没有显著的变化，那么该变量就被排除，以保证在每一次引入新的变量之前回归方程中的变量都具有显著性，确保没有将显著的解释变量排除或将不显著的变量引入，以得到一个最优的变量集合。
具体步骤为：（1）建立每个自变量与因变量的一元回归方程，y=aiXi+bi，i＝1，2，…，m；（2）分别计算m个一元回归方程中的回归系数的检验统计量F，并求出最大值为Fk■1=max｛F11，F21，…，Fm1｝，若Fk■1≤Fα（1，n-2），停止筛选，否则将xk■选入变量集，此时可将xk■看作x1，进入步骤3；（3）分别将自变量组（x1，x2），（x1，x3），…，（x1，xm）与因变量建立二元回归方程（此时x1是步骤2中的xk■），计算方程中x2，x3，…，xm的回归系数检验统计量F，若Fk■1≤Fα（1，n-2-1）则停止筛选，否则将xk■看作x2…，如此迭代直到自变量的最大F值小于临界值，此时回归方程就是最优的回归方程。
二、影子银行风险度量及影响因素分析
（一）构建风险度量指标体系。影子银行是一个复杂的金融体系，对其进行风险度量需要更全面、更具有综合性的影响因素。考虑到影子银行的隐蔽性强、关联性强等特点，本文从内外部环境方面选取了13个影响影子银行体系风险的因素作为评价指标，包括GDP增长率（X1）、固定资产投资增长率（X2）、国家债务依存度（X3）、社会融资规模（X4）、金融机构人民币存贷比（X5）、商业银行资本充足率（X6）、商业银行不良贷款率（X7）、商业银行拨备覆盖率（X8）、证券化率（X9）、股票市盈率（X10）、未贴现银行承兑汇票占比（X11）、企业债券融资占比（X12）、非金融企业股票融资占比（X13）。所选数据的时间跨度为2004～2020年，主要来自于国家统计局网站、前瞻数据库、中国宏观经济数据库以及各年的金融年鉴等。
（二）风险测度分析。利用主成分分析计算中国影子银行风险情况，量化风险程度。首先，检验KMO和Bartlett，分析研究数据是否可以进行主成分分析。从检验结果来看，KMO为0.588，满足主成分分析KMO值大于0.5的基本要求，且p值接近于0，水平上呈现显著性，拒绝原假设，各变量间具有相关性，主成分分析有效，可以进行主成分分析。主成分分析结果显示，前三个主成分的方差解释率分别为42.350%、27.377%、12.238%、16.391%，累积方差解释率为86.118%。即这3个主成分可以解释13个风险指标中86.118%的信息，从而实现了变量降维和信息完整的双重目标，因此本文选择保留3个主成分。根据系数矩阵可以写出各主成分和变量间的线性关系式：
F1＝0.169X1+0.17X2-0.122X3-0.173X4+0.141X5-0.151X6+0.111X7-0.024X8-0.056X9+0.08X10+0.032X11-0.115X12+0.019X13
F2＝0.037X1-0.024X2+0.191X3-0.021X4-0.008X5+0.067X6+0.06X7-0.252X8+0.218X9+0.228X10-0.126X11-0.085X12+0.219X13
F3＝0.079X1+0.075X2-0.049X3+0.031X4+0.256X5+0.071X6-0.323X7+0.05X8+0.218X9+0.04X10+0.382X11+0.193X12+0.21X13
根据主成分分析法计算权重，确立主成分和研究项之间的关联性，得到各主成分得分，再得到综合得分，采用综合评分法对我国影子银行体系风险进行量化描述。为了方便比较风险的大小，采用公式Ti=10Zi+50，将综合得分Z进一步转化为T分数，然后生成影子银行体系风险综合指数（SBRCI），如表1所示。（表1）
表1显示了中国影子银行体系内2004～2020年的风险变化趋势，从2010年开始风险呈现下降趋势，逐渐达到平稳状态，再到2017年往后风险逐渐变小。此外，中国的影子银行存在的风险每年都在发生变化，其成因主要有内外环境的改变和影子银行自身的发展。从主成分分析结果来看，在经济增长过程中，GDP增长率、固定资产投资增长率、社会融资规模这三个指标的变动会给影子银行的风险带来一定的波动；金融市场方面的风险管控与商业银行拨备覆盖率、股票市盈率、证券化率等指标密切关联；应时刻关注这些因素的变化；从影子银行自身来看，未贴现银行承兑汇票占比、商业银行不良贷款率这两个变量与影子银行自身的风险程度紧密相连，应着重注意它们的变化状态，以杜绝更大风险情况的发生。
三、实证分析
（一）Lasso回归进行实证分析。Lasso回归是用于解决共线性问题的有偏估计回归，其基本思想是建立一个L1正则化模型，在模型建立过程中会压缩一些系数和设定一些系数为零，当模型训练完成后，这些权值等于0的参数就可以舍去，从而使模型更为简单，并且有效防止模型过拟合，被广泛用于存在多重共线性数据的拟合和变量选择。
1、确定λ值。交叉验证是对数据进行反复利用，将样本数据进行分割，组合成不同的训练集和测试集，利用训练集对模型进行训练，并利用测试集对模型进行评价。本文通过交叉验证方法确定λ值。λ值的选择原则是要使得Lasso模型的均方误差最小。图1展示了使用交叉验证选择λ值的情况，纵坐标为模型均方误差，横坐标为λ的对数值。为使得均方误差最小，确定λ=0.02，log（λ）=-3.902。（图1）
2、确定变量筛选情况。通过λ和回归系数图，确定模型筛选的变量情况，其中标准化系数为零的变量可以认为被Lasso回归模型剔除。图2显示了随着λ的对数值变化，模型系数变化的情况，结合模型系数表发现：当模型中标准化变量系数为0时，代表这个变量被排除出模型。回归结果显示：变量截距项、GDP增长率、固定资产投资增长率、国家债务依存度、商业银行资本充足率、商业银行不良贷款率、商业银行拨备覆盖率、证券化率、股票市盈率、企业债券融资占比、非金融企业股票融资占比被保留，变量：社会融资规模、金融机构人民币存贷比、未贴现银行承兑汇票占比被删除。（图2）
模型的标准化公式为：
Y＝40.383-0.092X1+0.733X2-0.066X3-0X4+0.59X6-0.466X7-0.033X8+0.04X9-0.111X10-0.174X12+1.3X13
3、Lasso回归模型预测值和真实值对比情况。根据计算结果可知，R2为0.984，再结合图3可得，利用Lasso回归进行影子银行风险综合指数真实值和预测值对比，拟合情况良好，模型精确度较高。（图3）
（二）逐步回归进行实证分析。逐步回归是通过将变量中存在必要低又和其他变量高度相关的变量剔除，从而降低多重共线性程度。
1、通过逐步回归模型结果确定经过逐步回归被筛选和被保留的变量。本次模型保留变量有：商业银行拨备覆盖率、固定资产投资增长率、未贴现银行承兑汇票占比、非金融企业股票融资占比、商业银行不良贷款率、企业债券融资占比、国家债务依存度。舍弃变量有：GDP增长率、社会融资规模、金融机构人民币存贷比、商业银行资本充足率、证券化率、股票市盈率。
2、分析X对Y的影响程度，根据表2可得该模型的公式为：
Y＝48.218+0.642X2-0.082X3-0.608X7-0.035X8+0.021X11-0.141X12+1.364X13
回归结果显示R2为0.983，调整后的R2为0.981，说明模型拟合程度高。（表2）
四、结论
根据以上分析，可以得到如下结论：（一）中国影子银行在2007～2009年三年内有较高的风险，2009年之后风险逐渐降低，这说明2007～2008年中国人民银行针对银行体系流动性过剩、价格涨幅上升的趋势，将货币政策逐步从“稳健”转为“从紧”，这种做法给影子银行体系带来一定的风险发生概率，加之2008年银行间市场债券回购交易规模增长迅速，以此为媒介的影子银行业务关联性加强，系统性风险提高。2009年后，货币政策较为宽松，债券回购交易规模减小，系统性风险回落。（二）利用Lasso回归和逐步回归两种方法进行影响因素筛选，从拟合精度来看，两种方法都能达到较高的准确性，都一致将非金融企业股票融资占比、固定资产投资增长率、商业银行不良贷款率、企业股票融资占比、国家债务依存度、商业银行拨备覆盖率这六个因素判断为有显著影响，且对影子银行风险综合指数影响程度排名靠前的均为非金融企业股票融资占比和固定资产投资增长率；说明这两个因素与影子银行风险综合指数的高低紧密相关。所以，在控制影子银行风险过程中，可以着重关注以上指标进行调控，减少风险发生。
（作者单位：西安财经大学统计学院）
主要参考文献：
［1］陈昆亭，周炎.防范化解系统性金融风险——西方金融经济周期理论货币政策规则分析［J］.中国社会科学，2020（11）.
［2］张兴凤.基于Lasso的我国股票价格影响因素分析［D］.成都：西南财经大学，2016.
［3］宋巍.我国影子银行风险预警模型的建立与实证研究［J］.商业研究，2015（12）.
［4］张颖珏.我国影子银行风险预警机制研究［D］.上海：上海外国语大学，2019.
［5］安起光，王聪聪，邵明新.基于综合指数法的商业银行系统性金融风险度量与分析——以山东省商业银行为例［J］.经济与管理评论，2018.34（03）.
［6］刘任重，刘冬冬，贡晓红.影子银行风险度量及预警体系构建［J］.哈尔滨商业大学学报（社会科学版），2016（04）.
|
