| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 金融/投资 |
| 绿色金融、数字普惠金融对商业银行系统性风险的影响 |
| 第760期 作者：□文/朱小莹 时间：2025/9/1 16:50:45 浏览：56次 |
［提要］ 防范化解金融风险特别是防止发生系统性金融风险是金融工作的根本性任务。绿色金融和数字普惠金融是加速推进我国经济高质量发展的核心驱动力和新质生产力。本文以我国12家上市银行作为研究对象，以绿色金融发展评价指标和商业银行数字普惠金融发展评价指标作为解释变量，构建面板模型，分析二者对商业银行系统性风险的影响。
关键词：绿色金融；数字普惠金融；商业银行系统性风险
中图分类号：F83 文献标识码：A
收录日期：2025年3月25日
随着“做好科技金融、绿色金融、普惠金融、养老金融、数字金融五篇大文章”在2023年中央金融工作会议上被首次提出，绿色金融和数字普惠金融被推向新的战略高度。在绿色金融和数字普惠金融发展背景下，二者会对商业银行系统性风险产生怎样的影响？
一、文献综述
在商业银行系统性风险文献研究方面，高国华、潘英丽（2011）以CoVaR测量系统性风险，对我国14家上市商业银行的系统性风险贡献度及其影响因素进行测算分析发现，银行的溢出风险ΔCoVaR、自身风险VaR水平、不良贷款率以及宏观经济波动对于预测银行系统性风险的边际贡献具有显著影响。
在绿色金融文献研究方面，顾海峰、卞雨晨（2022）通过对我国22家上市银行进行实证分析，结果表明绿色信贷对银行系统性风险具有抑制作用，且对银行系统性风险的影响存在异质性特征。风险承担与盈利能力在绿色信贷与银行系统性风险的关系中承担着双重中介作用。
在数字普惠金融研究方面，顾海峰、卞雨晨（2022）认为数字金融发展会对银行业务产生挤占效应，对银行系统性风险具有促进作用。朱小莹（2023）通过DEA-Malmquist模型实证分析，认为建设银行数字普惠金融指数对建设银行绿色信贷效率存在显著的正向影响关系，数字普惠金融的大力发展能够有效推动建设银行绿色信贷效率的提升，但影响程度还有极大的提升空间。
通过对研究文献的梳理不难发现，目前学术界对于商业系统性风险、绿色金融、数字普惠金融的研究非常丰富，但是研究角度相对集中或单一，如仅针对商业银行系统性风险一个研究对象分析，或仅加入绿色金融或数字普惠金融某一变量与商业银行系统性风险进行关系研究。本文的创新点在于：将绿色金融、数字普惠金融同时加入回归模型探讨二者对商业银行系统性风险的影响。
二、研究设计
（一）指标的测度
1、商业银行绿色金融发展指标的测度。绿色金融是助力我国实现“碳达峰、碳中和”的重要途径。2016年由中国人民银行牵头制定并发布了《关于构建绿色金融体系的指导意见》，明确了构建绿色金融体系，加快我国经济向绿色化转型。截至2023年末，我国绿色信贷余额占绿色金融资金的比重超过95%，绿色信贷占比远远大于其他绿色金融产品。由此，可以认为绿色信贷仍为我国金融机构核心绿色金融工具，在绿色金融发展中有着显著地位。考虑到绿色信贷在绿色金融发展中的重要性和研究数据的可获取性，本文以12家上市商业银行绿色信贷余额作为衡量商业银行绿色金融发展的指标。
2、商业银行数字普惠金融发展指标的测度。北京大学数字普惠金融指数由北京大学数字金融研究中心课题组编制，是目前引用最为广泛、在国内学术界得到普遍认可的数字普惠金融衡量指标。本文以北京大学数字普惠金融指数为基础，选取该评价指标体系中总指数、覆盖广度指数、使用深度指数、数字化程度和信贷使用指数作为基础，构建3个层次5个指标的商业银行数字普惠金融发展评价指标。为获得各商业银行各年的数字普惠金融指数，以各商业银行各年度资产规模占总资产规模的比重为权重，加权得到该商业银行当年在各省市的指数，对各省市指数数据汇总后得到该商业银行当年数字普惠金融发展评价指标。（图1）
3、商业银行系统性风险指标的测度。通过文献研究发现，依据不同的维度，对商业银行系统性风险存在多种方法的测度，包括前瞻性评估法、宏观经济分析法、多元密度法、综合指数法、横截面法等，本文选取相对成熟的横截面法中的CoVaR模型分析商业银行系统性风险。CoVaR涵盖无条件风险价值和溢出风险价值，以ΔCoVaRiq衡量风险溢出价值，公式表示为：
ΔCoVaR■■＝CoVaR■■-VaR■■ （1）
假设i表示某商业银行，sys表示商业银行系统，当i发生危机时，i对sys的q分位数风险贡献可表示为：
X■■=?坠+βX■■+ε （2）
X■■和X■■表示商业银行系统整体收益率序列和单个商业银行收益率序列，表示通过对公式（2）进行分位数回归，可得到参数估计值■和■。根据VaR的定义，可推导出X■■的估计值：
V■R■■=■■■=■+■X■■ （3）
当i在q概率下发生极端情况时，X■■=VaR■■，根据CoVaR的定义可推导出：
Co■aR■■=■+■VaR■■ （4）
ΔCoVaR■■=Co■aR■■-V■R■■ （5）
在数据选取方面，本文选取2013～2022年12家上市银行（工商银行、建设银行、农业银行、中国银行、交通银行、招商银行、浦发银行、中信银行、兴业银行、光大银行、民生银行、华夏银行）的个股日不复权收盘价衡量单一商业银行收益率，以银行业指数作为商业银行整体收益率（中信建投上证银行）的表征指标，数据来源于同花顺数据中心和中信建投个股历史数据。为提升计算准确度，对每个收益率取对数并乘100，计算公式如下：
X■■=ln（P■■/P■■）×100 （6）
X■■=ln（P■■/P■■）×100 （7）
式中，X■■表示第t日单一商业银行个股日收益率，X■■表示第t日商业银行系统整体日收益率，P■■表示第t日收益率。
首先对所有数据进行ADF平稳性检验及正态分布检验，在ADF检验中所有数据检验P值均小于0.05，即在0.05水平下拒绝原假设序列不平稳，即所有数据均为平稳序列；在正态分布检验中，KS检验结果显示数据均不服从正态分布。综上，所有数据均可采用分位数回归方式进行参数估计。
在q=0.05条件下，建立公式（3）的分位数回归模型，得到各银行2013～2021年每年的■和■估计值，通过对各银行和银行板块收益率进行升序排列，以q=0.05的各银行收益率的近似值作为单个商业银行VaR，以q=0.5银行板块收益率的近似值作为商业银行系统无条件风险价值，最终计算得到各商业银行的ΔCoVaR■■值。
（二）样本与数据来源。在相关性研究方面，本文以2013～2021年我国12家上市银行作为研究对象，首先以分位数回归方式计算各商业银行在险价值和条件在险价值，并测算出各商业银行对商业银行系统性风险的贡献度，即银行风险溢出效应作为被解释变量；再以12家商业银行各年绿色信贷余额构建绿色金融发展评价指标，以北京大学数字普惠金融评价指数为基础构建商业银行数字普惠金融发展指标，将二者作为解释变量；加入控制变量后，构建面板数据，分析商业银行绿色金融发展指标和数字普惠金融发展评价指标对商业银行系统性风险的影响。
各银行微观数据以及绿色金融发展指标数据来源于各商业银行各年年报数据的手工整理。数字普惠金融指数相关数据来源于北京大学数字普惠金融指数，对指标进行加权处理后得到研究数据。宏观控制变量数据来源于人民银行、中国统计年鉴。数据处理和分析工具为Excel和Spssau。
（三）变量选取与定义（表1）
1、被解释变量。本文通过以分位数回归方式计算各商业银行在险价值Var和条件在险价值Covar，并测算出各商业银行对商业银行系统性风险的贡献度ΔCoVar，以ΔCoVar衡量商业银行系统性风险。由于ΔCoVar通常为负数，因此对数据取绝对值，绝对值越大，表明该商业银行对商业银行系统性风险贡献度越高，风险溢出效应越显著。
2、解释变量。本文以12家上市商业银行2013～2021年绿色信贷余额衡量商业银行绿色金融发展指标（LnGCB），并作为解释变量。对其做取对数处理以提高计算精准度。本文以北京大学数字普惠金融指数为基础，以各商业银行资产规模占比为权重计算各商业银行2013～2021年总指数（LnTI）、覆盖广度指数（LnCPI）、使用深度指数（LnSDI）和数字化程度指数（LnDDI）以及信贷使用指数（LnCI）3个层次5个指标的指数作为衡量商业银行数字普惠金融发展的评价指标，并以此作为解释变量分析其对商业银行风险溢出效应产生的影响。
3、控制变量。本文参照顾海峰、卞雨晨（2022）等的研究，选取商业银行资产规模（LnSIZE）、存贷比（LDR）作为微观控制变量，以货币供应量（LnM2）、国内生产总值（LnGDP）作为宏观控制变量，通过增加控制变量以提升模型研究结果的准确性和有效性。
（四）实证结果分析
1、模型的设定
假设H1a：绿色金融发展会增强商业银行系统性风险
假设H1b：绿色金融发展会降低商业银行系统性风险
假设H2a：数字普惠金融发展会增强商业银行系统性风险
假设H2b：数字普惠金融发展会降低商业银行系统性风险
为证实以上假设，设定以下模型：
ΔCoVaRit=αit+β1LnGCBit+β2LnTIit+β3CPIit+β4SDIit+β5LnDDIit+β6CIit+β7LnSIZEit+β8LDRit+β9LnM2it+β10LnGDPit+εit （8）
式中，i表示单个商业银行，t表示时间，被解释变量为ΔCoVarit，解释变量为LnGCBit，以资产规模（LnSIZEit）、成本收入比（CIRit）和存贷比（LDRit）为控制变量。
考虑到商业银行系统性风险存在滞后性，因此在模型中加入被解释变量滞后一期数据作为自变量，提升模型精确度，调整后的模型如下：
ΔCoVaRit=αit+β1LnGCBit+β2ΔCoVaRit-1+β3LnTIit+β4CPIit+β5SDIit+β6LnDDIit+β7CIit+β8LnSIZEit+β9LDRit+β10LnM2it+β11LnGDPit+εit （9）
2、实证结果分析。对假设H1和H2进行验证。因面板模型一般包含三种类型，分别是混合POOL模型、固定效应FE模型，随机效应RE模型，因此首先需要进行模型检验以找出最优模型。从表2中可以看出，F检验结果为F（11，84）=1.441，p=0.170，不显著，说明相对FE模型而言，POOL模型更优。BP检验结果为χ2（1）=0.146，p=0.351，不显著，表明相对RE模型而言，POOL模型更优；Hausman检验并未呈现出显著性，χ2（10）=0.253，p=1.000，说明相对FE模型而言，RE模型更优。综合上述分析，选取POOL混合效应模型作为面板回归模型。（表2）
通过对模型9进行回归分析，结果如表3所示。在POOL模型一列，模型拟合优度达到94.4%，说明模型拟合度较高，模型对数据的解释力较好，预测结果准确性较高。绿色金融发展指标LnGCB回归系数为-0.055，且在p＜0.05的置信水平上显著，说明每提升1个单位绿色金融发展，就能减少0.05个单位的商业银行系统性金融风险，表明绿色金融发展与商业银行系统性风险存在显著负相关关系，即绿色金融发展能降低商业银行系统性风险，对风险溢出效应产生抑制作用，与假设H1b相符；数字普惠金融总指数LnTI回归系数达到了57.871，且在p＜0.01的置信水平上显著，说明数字普惠金融总指数与商业银行系统性风险存在显著正相关关系，每增加1个单位数字普惠金融发展，会提升57.871个单位的商业银行系统性风险，影响程度高，该结论与假设H2a相一致。从数字普惠金融细分层面来看，覆盖广度指数LnCPI回归系数为-33.107，说明该指标与商业银行系统性风险呈现负相关关系，覆盖广度的提升会降低商业银行系统性风险，与假设H2b结论相一致；使用深度指数LnSDI的回归系数-11.217，且在p＜0.01的置信水平上显著，说明使用深度指数的提升会降低商业银行系统性风险，与假设H2b相一致；数字化程度指数LnDDI回归系数为-1.900且并不显著，说明与商业银行系统性风险的相关性不高。从数字普惠金融信贷使用指数LnCI来看，其回归系数为-9.087，且在p＜0.01的置信水平上显著，说明每增加1个单位数字普惠金融信贷使用指数，会显著降低商业银行系统性金融风险，与假设H2b结论相一致。（表3）
其他变量方面滞后一期的商业银行系统性风险ΔCoVaRt-1回归系数为0.128，且在p＜0.01的置信水平上显著，说明该解释变量与被解释变量之间存在显著正向关系，商业银行系统性风险通常存在影响范围广、时间长、程度深等特点，传导路径错综复杂，难以在短期内消除，故风险事件一旦发生，其导致的冲击力必然对市场产生持续的影响，甚至可能在后期引发新的风险事件。从微观控制变量来看，资产规模LnSIZE的回归系数为-2.426，与商业银行系统性风险呈现显著的负相关关系，通常情况下，资产规模越大的商业银行可开展种类丰富的金融业务，实现资源的优化配置，资产规模越大，抵御风险的缓冲资金也充足，抵御风险能力越强。从存贷比LDR来看，每增加1个单位会使ΔCoVaR提升0.222个单位，但二者正相关性并不显著。从宏观控制变量来看，广义货币供应量M2对商业银行系统性风险呈现显著的正相关关系，一般情况下，M2的增加会促进商业银行信贷业务发展，但信贷业务中面临的各种不确定性会提升商业银行系统性风险。GDP每增长1个单位，可显著减少商业银行系统性风险7.871个单位。说明在宏观市场层面，良好的经济增长能够带动商业银行的良性发展，从各方面提升抵御风险的能力。
三、政策建议
从抑制商业银行系统性风险角度来看，商业银行应大力发展绿色金融，提升绿色融资占比。绿色金融抑制商业银行系统性风险的逻辑在于：一是受政策驱动和市场需求端拉动，绿色金融涉及的环保、绿色产业近年来发展趋势良好，不论是新兴绿色产业还是寻求绿色转升级型的传统产业，平均利润率较高，因此融资违约率低。二是国家提供了一系列绿色融资激励政策，如贴息、再贷款、定向降准等鼓励企业进行绿色融资，通过鼓励绿色融资推动绿色产业发展，进而通过绿色产业发展反哺金融系统，并为其创造新的发展机遇，形成良性循环。因此，商业银行持续加码绿色金融发展，不仅与我国绿色低碳经济高质量发展的核心战略相适应，还能提升风险管理质效，带来经济效益的显著提升，形成良性发展。当然，在发展过程中，商业银行应加强对产业绿色属性和转型属性的识别，提升绿色融资投放精准度。
从数字普惠金融发展的角度来看，数字化赋能普惠金融的发展是必然趋势，商业银行应把握当下数字化发展机遇，推进数字化与普惠金融的深度融合，利用数字化打破传统金融时间和空间的局限性、扩大普惠金融的辐射面和纵深面。当然，在数字普惠金融发展的过程中不能忽略风险的存在。商业银行在发展数字普惠金融提升经营绩效的同时，应做好风险控制，运用金融科技手段建立数字普惠金融风险识别、测度、监控和控制等一系列风险管控机制，实现全流程监控，以期达到提升盈利和控制风险的平衡点。
（作者单位：中国建设银行股份有限公司重庆渝中支行）
主要参考文献：
［1］高国华，潘英丽.银行系统性风险度量——基于动态CoVaR方法的分析［J］.上海交通大学学报，2011.45（12）.
［2］顾海峰，卞雨晨.绿色信贷能否缓解银行系统性风险——基于中国22家上市银行的证据［J］.经济理论与经济管理，2022（11）.
［3］朱小莹.基于DEA-Tobit模型的数字普惠金融对绿色信贷效率影响研究——以中国建设银行为例［J］.吉林金融研究，2023（01）.
［4］程丽娟.基于CoVaR方法的商业银行系统性风险度量［D］.太原：山西财经大学，2013.
|
|
|
|
