本文運(yùn)用基于集合種群理論思想的元胞自動(dòng)機(jī)方法(CA),分別選取2009年和2017年兩個(gè)典型時(shí)點(diǎn),在不同情景下模擬仿真影子銀行風(fēng)險(xiǎn)在商業(yè)銀行體系中的傳染過程。研究結(jié)果表明:當(dāng)央行不救助時(shí),即使商業(yè)銀行的風(fēng)險(xiǎn)傳染率較低、風(fēng)險(xiǎn)抵御能力較強(qiáng),在模擬期內(nèi)風(fēng)險(xiǎn)迅速蔓延,風(fēng)險(xiǎn)大規(guī)模爆發(fā)仍然不可避免;當(dāng)央行對(duì)風(fēng)險(xiǎn)感染銀行進(jìn)行無差異、高強(qiáng)度救助時(shí),風(fēng)險(xiǎn)爆發(fā)的銀行數(shù)量得以有效控制在較低水平;當(dāng)央行實(shí)施差異化救助時(shí),如果商業(yè)銀行的風(fēng)險(xiǎn)抵御能力較高而央行救助率較低,風(fēng)險(xiǎn)爆發(fā)水平仍然較高,如果商業(yè)銀行的風(fēng)險(xiǎn)抵御能力較低而央行救助率較高,風(fēng)險(xiǎn)爆發(fā)水平則會(huì)較低。上述研究結(jié)果表明,央行救助是阻斷影子銀行風(fēng)險(xiǎn)在商業(yè)銀行體系中傳染、擴(kuò)散的關(guān)鍵要素,而微觀審慎監(jiān)管在應(yīng)對(duì)風(fēng)險(xiǎn)傳染方面的有效性不足。基于上述研究結(jié)論,中央銀行對(duì)受影子銀行風(fēng)險(xiǎn)感染的商業(yè)銀行進(jìn)行救助,應(yīng)該在充分考慮市場(chǎng)主體道德風(fēng)險(xiǎn)因素的前提下及時(shí)采取高強(qiáng)度救助措施,以及時(shí)阻斷風(fēng)險(xiǎn)蔓延;以貫徹執(zhí)行《資管新規(guī)》為抓手,強(qiáng)化對(duì)影子銀行通道類業(yè)務(wù)的監(jiān)管;將影子銀行納入宏觀審慎監(jiān)管框架,防控影子銀行風(fēng)險(xiǎn)向商業(yè)銀行體系的傳染,推進(jìn)金融領(lǐng)域治理體系和治理能力現(xiàn)代化。 

【文章來源】：南方金融. 2019年10期 北大核心

【文章頁數(shù)】：11 頁

【部分圖文】：

二維元胞自動(dòng)機(jī)的鄰域類型

43PAGE10南方金融·總518期2019P4=0.1，央行只選擇救助個(gè)別受風(fēng)險(xiǎn)感染的銀行，其余銀行只能自行吸收損失、化解風(fēng)險(xiǎn)。基于上述元胞自動(dòng)機(jī)的參數(shù)設(shè)定，使用MatlabR2012b軟件編制程序進(jìn)行仿真。設(shè)置網(wǎng)格空間中的d為2000，即二維空間的元胞總數(shù)為2000×2000。初始感染的元胞設(shè)定為100，迭代次數(shù)為200次。表1顯示了不同年份的參數(shù)設(shè)定情況。所有數(shù)據(jù)來源于銀保監(jiān)會(huì)年報(bào)數(shù)據(jù)和Wind數(shù)據(jù)庫。表1元胞自動(dòng)機(jī)模擬仿真核心參數(shù)設(shè)定時(shí)點(diǎn)模擬情景風(fēng)險(xiǎn)承擔(dān)程度（P1）風(fēng)險(xiǎn)傳染概率（P2）風(fēng)險(xiǎn)抵御能力（P3）央行救助強(qiáng)度（P4）2009年央行不救助0.01580.70110.1140央行救助無差異救助0.9差異化救助0.12017年央行不救助0.01740.55970.14230央行救助無差異救助0.9差異化救助0.1四、基于元胞自動(dòng)機(jī)的模擬仿真結(jié)果分析（一）央行不救助的情景分析假設(shè)央行在2009年和2017年不實(shí)施救助，即P4=0，模擬影子銀行風(fēng)險(xiǎn)在商業(yè)銀行系統(tǒng)中傳染的情況。從圖2可以看出，盡管商業(yè)銀行在兩個(gè)時(shí)點(diǎn)的風(fēng)險(xiǎn)傳染率和風(fēng)險(xiǎn)抵御能力存在較大差異，但風(fēng)險(xiǎn)爆發(fā)銀行在整個(gè)模擬期的增速和數(shù)量卻幾乎相同。在模擬期結(jié)束時(shí)，兩個(gè)時(shí)點(diǎn)的風(fēng)險(xiǎn)爆發(fā)銀行數(shù)量均接近1800家，即大多數(shù)商業(yè)銀行均受到風(fēng)險(xiǎn)傳染，而且這些銀行自身的風(fēng)險(xiǎn)抵御安排并沒有奏效，從而最終使得風(fēng)險(xiǎn)爆發(fā)。這意味著一旦出現(xiàn)風(fēng)險(xiǎn)傳染，在沒有央行救助的情形下，無論商業(yè)銀行的風(fēng)險(xiǎn)傳染率和風(fēng)險(xiǎn)抵御能力高低與否，仍然難以避免大多數(shù)商業(yè)銀行集中爆發(fā)風(fēng)險(xiǎn)這一極端情況出現(xiàn)。圖2央行不救助情景下風(fēng)險(xiǎn)爆發(fā)銀行數(shù)量變化趨勢(shì)（二）央行實(shí)施救助的情景分析1．央行實(shí)施無差異救助的情景分析

南方金融·總518期2019PAGE4410在這種情景下，當(dāng)商業(yè)銀行被影子銀行風(fēng)險(xiǎn)傳染后，央行將對(duì)大多數(shù)受風(fēng)險(xiǎn)感染的銀行實(shí)施救助（P4=0.9）。從圖3可以看出，在整個(gè)模擬期，兩個(gè)時(shí)點(diǎn)的風(fēng)險(xiǎn)爆發(fā)銀行數(shù)量均低于10個(gè)，均值為3個(gè)左右，這對(duì)于2000個(gè)銀行的總體數(shù)量而言，幾乎可以忽略不計(jì)。此外，從圖3可以看到，風(fēng)險(xiǎn)爆發(fā)銀行的數(shù)量在模擬迭代期間幾乎沒有很大變化，而在圖2中風(fēng)險(xiǎn)爆發(fā)銀行數(shù)量卻經(jīng)歷了指數(shù)級(jí)快速增長的過程。這表明在整個(gè)模擬迭代期內(nèi)，央行采取無差異救助舉措能夠有效地控制商業(yè)銀行體系的風(fēng)險(xiǎn)蔓延，佐證了央行高強(qiáng)度救助對(duì)維持金融穩(wěn)定的重要性。圖3央行實(shí)施無差異救助情景下風(fēng)險(xiǎn)爆發(fā)銀行數(shù)量變化趨勢(shì)2．央行實(shí)施差異化救助的情景分析央行雖然負(fù)有維護(hù)金融穩(wěn)定的職責(zé)，但是對(duì)商業(yè)銀行實(shí)施救助仍需考慮不同的經(jīng)濟(jì)周期環(huán)境。實(shí)際上，央行更關(guān)注的是對(duì)系統(tǒng)性風(fēng)險(xiǎn)的防控，這也是央行宏觀審慎管理的重點(diǎn)和關(guān)鍵所在。因此，區(qū)分不同的經(jīng)濟(jì)周期環(huán)境、對(duì)央行救助率進(jìn)行差異化設(shè)定，進(jìn)而進(jìn)行模擬分析是很有必要的。鑒于2009年的風(fēng)險(xiǎn)傳染率高于2017年，將2009年和2017年的央行救助率分別設(shè)定為0.9和0.1，分析高傳染率與高救助率、低傳染率與低救助率兩種情景下影子銀行風(fēng)險(xiǎn)在商業(yè)銀行中的傳染態(tài)勢(shì)及特點(diǎn)。從圖4可以看出，2017年風(fēng)險(xiǎn)爆發(fā)銀行的數(shù)量明顯高于2009年的數(shù)量。2017年平均有220家銀行出現(xiàn)風(fēng)險(xiǎn)爆發(fā)，占銀行總數(shù)的10%左右，而2009年風(fēng)險(xiǎn)爆發(fā)的銀行數(shù)量幾乎為零。此外，在2017年的低感染率、低救助率情景下，商業(yè)銀行被風(fēng)險(xiǎn)傳染的速度在初期迅速增加，而在2009年的高感染率、高救助率情景下，商業(yè)銀行被風(fēng)險(xiǎn)傳染的速度始終保持幾乎為零。與2017年相比，商業(yè)銀行在2009年的風(fēng)險(xiǎn)抵御能力應(yīng)該是相對(duì)較低的，然而2009年出現(xiàn)的風(fēng)險(xiǎn)爆發(fā)銀行數(shù)量

【參考文獻(xiàn)】：
期刊論文
[1]基于宏觀審慎監(jiān)管角度的影子銀行風(fēng)險(xiǎn)溢出效應(yīng)研究[J]. 黃曉雯.  南方經(jīng)濟(jì). 2017(07)
[2]商業(yè)銀行同業(yè)資產(chǎn)特性與風(fēng)險(xiǎn)承擔(dān)行為——基于中國銀行業(yè)動(dòng)態(tài)面板系統(tǒng)GMM的實(shí)證分析[J]. 周再清,甘易,胡月.  國際金融研究. 2017(07)
[3]銀行影子的發(fā)展及其運(yùn)作模式探析[J]. 梁琪,涂曉楓.  金融論壇. 2017(04)
[4]商業(yè)銀行同業(yè)業(yè)務(wù)風(fēng)險(xiǎn)傳染特征及因素分析[J]. 王曉楓,廖凱亮.  東北財(cái)經(jīng)大學(xué)學(xué)報(bào). 2017(02)
[5]基于元胞螞蟻算法的商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究[J]. 王周緬.  上海金融. 2017(01)
[6]影子銀行風(fēng)險(xiǎn)傳染機(jī)制[J]. 汪玉凱,戴煒倬.  中國金融. 2016(24)
[7]時(shí)空雙重維度的中國影子銀行系統(tǒng)性風(fēng)險(xiǎn)模型建構(gòu)與測(cè)算[J]. 馮建秀,張國祚.  新疆社會(huì)科學(xué). 2016(03)
[8]我國商業(yè)銀行的系統(tǒng)性風(fēng)險(xiǎn)測(cè)度及影響因素研究——基于CCA-POT-Copula方法的分析[J]. 王擎,白雪,牛鋒.  當(dāng)代經(jīng)濟(jì)科學(xué). 2016(02)
[9]銀行的影子:風(fēng)險(xiǎn)分擔(dān)還是風(fēng)險(xiǎn)傳染[J]. 涂曉楓,李政.  當(dāng)代經(jīng)濟(jì)科學(xué). 2016(02)
[10]影子銀行及其交叉?zhèn)魅撅L(fēng)險(xiǎn)[J]. 方先明,謝雨菲.  經(jīng)濟(jì)學(xué)家. 2016(03)



本文編號(hào)：2930676