企业高杠杆率一定会引发银行系统性风险吗？

企业高杠杆率一定会引发银行系统性风险吗？
——基于企业资产质量视角的再检验
温博慧1 毕莎莎1 袁铭2

(1.天津财经大学 金融学院，天津 300222; 2.天津财经大学 统计学院，天津 300222)

摘 要： 既有研究关于企业杠杆率对系统性风险的影响存在争论，而以银行资产质量表征企业资产质量存在一定的缺陷。本文基于企业实际经营情况测度资产质量，分别从风险边际贡献和尾部关联两个维度测算中国上市银行系统性风险水平，并最终建立门限面板模型考察企业杠杆率水平和结构对银行系统性风险的非线性影响，以及企业资产质量在其中起到的调节效应。实证检验发现：在研究企业杠杆率对银行系统性风险的影响时需要考虑企业资产质量的作用，并且银行规模使得三者之间的关联关系带有非线性特征；企业杠杆率从边际贡献和关联溢出两维度对银行系统性风险产生不同的影响，且企业资产质量的调节效应亦存在差异。研究结果还表明：在系统性风险不同维度下，企业资产质量的调节效应也会因企业性质不同而存在显著差异性。鉴于企业资产质量所起到的重要调节作用，监管部门可考虑将国有、非国有企业资产质量分别纳入宏观审慎体系实现动态监管，并为防范金融风险提供分类施策工具。

关键词： 企业杠杆率； 企业资产质量； 银行系统性风险； 门限面板模型； 调节效应

一、引言
当前，防范系统性金融风险依然是我国经济工作的三大重点之一。鉴于我国金融结构体系以银行为主体，防范银行系统性风险尤其值得关注。在银行资产负债表中，企业贷款占银行总资产比例最大。因此，企业部门的经营风险会通过企业之间以及企业与金融机构之间极其复杂的关联关系传导至银行，进而通过银行间的关联性在金融体系内扩散[1]。2009年以来，我国监管部门基于经济金融形势的变化相继出台了有关调控企业杠杆率的系列政策，经历了从加杠杆到去杠杆到结构性去杠杆，从稳杠杆到关注去杠杆和防风险两难的逐步转换。特别地，由于新冠肺炎疫情的爆发，在国家纾困政策作用下，企业部门杠杆率水平持续攀升并已超过了实施供给侧结构性改革前的阶段性高点，而国有企业债务趋于收缩，非国有企业资产负债率不断提高也带来了杠杆率主体结构的新变化。

基于上述背景，企业杠杆率发展的水平和结构是否会引发系统性风险？在响应过程中哪些因素会起到调节作用？这类问题备受关注。多数学者根据“债务—金融不稳定”理论提出，非金融企业(以下简称企业)部门债务杠杆的大幅攀升，会推高经济各部门风险水平，并在金融部门逐步累积，进而通过债务和股权两个渠道激发系统性风险的生成和传递[2]。而部分学者认为，单纯的杠杆率上升并不足以解释系统性风险的增加[3-8]，这其中企业资产质量起到了不可或缺的调节作用[9-10]。一方面，如果企业资产质量较高，即使其本身具有较高的杠杆率，引发系统性风险的可能性也可能较低。当受到外部冲击时，企业甚至可以加大杠杆率应对流动性危机。另一方面，如果企业资产质量较差，当外部冲击发生时即使杠杆水平较低，企业也会迅速陷入困境并发生违约，进而对金融机构资产造成损失，发生系统性风险的可能性也随之大幅度升高。而遗憾的是，对于这种调节作用的相关研究国内尚不多见。

与此同时，开展上述研究需要解决两方面关键问题，即企业资产质量和银行系统性风险的测度。对于企业资产质量的测度，目前已有研究普遍使用不良贷款率作为企业资产质量的代理变量。其存在一定的不合理性：首先，不良贷款的确认需满足逾期、呆滞等条件，存在表征滞后性。其次，企业资产质量的变动还会影响到金融机构资产负债表内权益类、债权类等其他类型金融资产，而这些均无法在不良贷款率上得到直接体现。基于此，本文选择根据企业财务数据测算企业资产质量。考虑到我国国有企业和非国有企业在资产质量上差异较大，应分别加以测度。对于系统性风险的测度，目前已有研究主要是基于SRISK[11]和CoVaR[12]两种方法，二者所反映的系统性风险内涵不同，SRISK关注金融机构的杠杆与规模，更倾向于系统性风险初始冲击的测度；CoVaR则关注金融机构的关联关系与风险溢出，更倾向于系统性风险传染测量。上述两种方法往往呈现出不同的实证结果[13]。基于此，本文以SRISK和CoVaR两种方法分别测度系统性风险，同时强调边际贡献和关联性两个维度，更有利于理解杠杆与资产质量对系统性风险的作用机制。此外，考虑到我国商业银行无论在股权结构还是资产规模等方面都具有明显差异，并且在风险承担和系统性风险传染等方面存在异质性[14-17]。因此，本文认为在探讨企业资产质量、杠杆率与系统性风险的关系时也应该考虑这种异质性。

综上所述，本文将依据2009—2021年非金融企业上市公司财务数据测度企业资产质量和杠杆率水平，并结合市场数据与财务数据从边际贡献和尾部风险关联的二维角度来测算我国银行业的系统性风险水平，在此基础上建立门限面板模型考察企业资产质量如何在银行系统性风险形成、演化和传染过程中发挥作用，以及企业资产质量如何与企业杠杆率相互影响。本文可能的边际贡献表现在以下三方面：(1)在杠杆率影响系统性风险的研究中首次引入企业资产质量，并融合实物期权理念来测度、表征企业资产质量，以克服银行不良贷款率作为代理变量的缺陷。(2)考虑资产质量变化对系统性风险的可能影响途径，分别从边际贡献和关联性两个维度测算系统性风险，同时分析了国有、非国有企业资产质量的各自调节效应，相较于仅采用单一测算维度更能体现调节效应的差异。(3)不同于多数研究采用的线性模型，本文建立的门限面板模型对企业资产质量、杠杆率、系统性风险水平之间的非线性关联更具解释力。同时，也突出了大型商业银行和小型商业银行可能存在的门限非对称效果。

二、文献梳理和研究假设
正如引言中所阐述的，企业杠杆率对系统性风险的影响在学界始终存在争论，企业资产质量在其中发挥的作用逐渐被重视。想要厘清企业杠杆率通过企业资产质量的变化对系统性风险产生怎样的影响，需要有效衡量企业资产质量，并对其调节作用的机制途径展开分析。

(一)企业资产质量调节作用的机制分析与维度差异
本文认为企业资产质量在企业杠杆率影响系统性风险的过程中可通过直接渠道和间接渠道实现对影响效果的调节。这两个渠道也分别对应于银行系统性风险的两方面内涵：初始冲击和传染机制。所谓直接渠道是指企业资产质量变动导致银行对系统性风险的边际贡献发生改变。已有研究证明盈利性、成长性、流动性等资产质量指标与企业违约概率高度相关[18-20]。企业资产质量下降通常伴随相应股票、债权等资产价格下挫，杠杆率失衡扩大，从而对持有上述资产的银行等金融机构造成直接损失，最终使银行发生系统性风险的概率增加[21-23]。所谓间接渠道是指企业资产质量变动会对银行尾部风险关联产生影响。银行间通过资产负债表以及同业业务等方式相互关联。在杠杆率影响系统性风险的过程中，关联性的改变将加剧或减弱冲击在系统中的传染。Fink等(2016)[7]指出企业资产质量下降会导致银行资产质量下降，从而对持有该机构同业负债的资本充足率产生影响，形成信贷质量传染。蒋海和张锦意(2018)[24]指出当资产质量下降时，即使不直接造成损失，但为了满足监管要求也会增强资产出售的关联性。隋聪等(2019)[9]也证明了资产质量的下降会增加银行间贷款数量。

上述研究表明企业资产质量与系统性风险存在关联关系，但需要注意的是，企业杠杆率的变动与企业资产质量的变动之间的关系比较复杂：正向或者负向的冲击都有可能提高杠杆率，但显然正向冲击会改善企业盈利情况，提高资产质量，而负向冲击会使企业资产质量恶化[25]。因此企业杠杆率的变动对系统性风险的影响需要充分考虑企业资产质量的调节作用。与此同时，考虑到前文指出的企业资产质量在企业杠杆率影响系统性风险的过程中同时存在直接渠道和间接渠道，因此，需要从两个维度检验企业杠杆率对银行系统性风险的影响，以及在此过程中企业资产质量的调节效应。对此，本文提出假设1和假设2。

H1 企业杠杆率升高不会简单地推动或者抑制银行系统性风险水平，而会受到企业资产质量的影响。

H2 企业杠杆率从边际贡献和关联溢出两维度对银行系统性风险产生影响且这两种影响并不相同，企业资产质量的调节效应亦存在差异。

(二)银行规模的异质性影响
我国商业银行可以分为大型国有银行、股份行和城商行。这些银行的差异除股权结构外，主要体现在银行规模上。目前已有研究证明不同规模银行在风险承担和系统性风险传染等方面存在异质性[14-17]。其背后的原因在于小型商业银行在企业治理、信息公开等方面存在缺陷，且更有从事高风险经营活动的动机[26]；同时，小型商业银行在风险管理领域人才储备不足，相对于大型商业银行，诱发系统性风险的可能性也更高。而在异质性的研究框架选择上，大部分文献考虑建立包含门槛效应的模型[16,27]。由于不同规模银行的业务特征不同，当小型商业银行面对企业资产质量下降时即便企业杠杆率降低也可能引起系统性风险水平上升。因此，在探讨企业资产质量、杠杆率与系统性风险的关系时，大型商业银行和小型商业银行可能呈现非对称结果。对此本文提出假设3。

H3 银行规模使得企业杠杆率、企业资产质量对系统性风险的影响具有门限特征的异质性。

(三)企业资产质量结构性差异带来非对称影响
既有研究表明，中国企业杠杆率水平具有由企业所有制属性引致的结构性特征，表现为国有企业的杠杆率水平基数显著高于非国有企业[5]；国有企业杠杆率水平相对稳定[24]，而非国有企业杠杆率水平受融资约束、资产价格等影响波动较大[28-29]。截至目前，虽然涉及企业所有制属性与企业资产质量关联性的研究文献并不多见，但余汉等(2017)[30]检验证明企业所有制属性对企业绩效具有显著影响。2020年以来，我国企业部门杠杆率水平持续攀升并已超过了实施供给侧结构性改革前的阶段性高点，而国有企业债务趋于收缩，非国有企业资产负债率不断增加也带来了杠杆率主体结构的新变化。因此，在探讨企业杠杆率对系统性风险的影响以及资产质量在其中发挥的调节作用时，对国有企业和非国有企业可能存在的异质性需分别讨论。对此，本文提出假设4。

H4 国有企业和非国有企业杠杆率对银行系统性风险的影响存在异质性，企业资产质量的调节效应具有非对称特征。

三、研究方法和数据选取
(一)企业资产质量测算指标构建
基于不良贷款的测度存在一定滞后，且无法体现企业资产质量对银行表内权益类和债权类资产的关联影响，2006年颁布的《中央企业综合绩效评价管理暂行办法》提出，国有企业要充分利用有效财务指标来分析、评价企业资产质量。但遗憾的是，目前对企业资产质量的研究多停留于单一经济后果分析阶段[31]。因此，本文尝试结合张新民(2014)[32]、张新民等(2019)[33]、唐国平等(2015)[31]的方法，基于实物期权理论测度企业资产质量，该方法能够融合金融市场数据与微观个体财务特征，整体反映企业受内外环境影响下的经济资源利用率、资产安全性以及企业价值，对企业资产质量的测度具有领先性[34]。

具体而言，从真实性、流动性、盈利性、获现性和成长性5个层面中选取12个财务指标(见表1)评价企业资产质量。与唐国平等(2015)[31]采用打分排序测算不同，本文以方差解释百分比为标准对指标提取主成分，以主成分对应的特征值为权重将主成分合成为企业资产质量指数Qualt表征企业资产质量。

表1 企业资产质量测度指标细分内容

width=686,height=287,dpi=110
注：经营性资产=应收账款+存货+固定资产+无形资产；核心利润=营业收入-营业成本-销售费用-管理费用-财务费用-营业税金及附加。

(二)基于SRISK和分位数回归CoVaR的二维银行系统性风险测算模型
根据前文的阐述，由于企业资产质量变动将导致银行对系统性风险的边际贡献发生改变，并对银行关联度产生影响，从而加剧或减弱冲击在系统中的传染。本文从对系统性风险边际贡献的影响和尾部风险关联两维度测算银行系统性风险，以便后文对调节效应差异性的检验。SRISK测算方法包含了规模、杠杆率等资产负债表信息，适用于评价银行对系统性风险的边际贡献[13,35]。尾部风险关联则根据Adrian和Brunnermeier(2016)[12]、杨子晖等(2020)[36]的作法，使用分位数回归和CoVaR方法进行测度。

SRISK方法通常将未来6个月内市场指数跌幅达到40%定义为长期风险，并以LRMES(长期边际期望损失)表示银行股票的跌幅。据此将银行在t时刻的系统性风险贡献可以表示为

SRISKi,t=max[0,k×debti,t-(1-k)(1-LRMESi,t)×equityi,t]

(1)

其中，debti,t和equityi,t分别为银行的负债和权益，k为资本充足率。显然，SRISK的计算依赖于银行资产负债表数据和对LRMES的估计，并且后者是SRISK计算的核心内容。由于本文需计算不同时刻的动态LRMES，为保证估计精度，参考Brownlees和Engle(2016)[11]给出的基于动态Copula模拟技术的估计方法对LRMES进行估计，具体步骤如下。

第一，定义ri,t=log(1+Ri,t)和rmt=log(1+Rmt)分别为t时刻的第i个金融机构与市场对数收益率序列，并且假设二者的边缘密度均服从正态分布，估计得到它们各自的分布参数分别为(μi,σi)和(μm,σm)。

第二，给定Copula模型的函数形式，估计模型参数。

第三，利用前面两步参数估计结果，生成K组(k=1,2,…,K)序列长度为h(6个月或者125个交易日)的模拟收益率序列，并计算相应的h期收益率，即width=214,height=20,dpi=110同理可以得到width=73,height=20,dpi=110

第四，根据公式计算得到LRMES

width=284,height=44,dpi=110
(2)

需要说明的是，在Copula模型设定上Brownlees和Engle(2016)[11]建议使用Gumbel函数，本文也沿用这一设定，并利用中国人民银行公布的年度压力测试结果进行校准。而在后文的实证分析中，令模拟次数K=10 000，从而使对LRMES的估计相对更加准确。

对基于银行尾部风险关联的计算，Adrian和Brunnermeier(2016)[12]提出方法的核心思想是选取宏观状态变量Mt-1作为解释变量，针对每个银行估计收益率的VaR建立分位数回归模型(式(3))，其中宏观状态变量的选取主要借鉴Adrian和Brunnermeier(2016)[12]以及杨子晖等(2020)[36]的做法，并依据我国银行体系的实际情况，选取如下变量：(1)股票市场收益率，由沪深300指数的对数收益率作为代理变量；(2)股票市场波动率，由指数收益率建立GARCH(1,1)估计得到；(3)期限利差，取10年期国债与6个月国债到期收益之差；(4)流动性水平，采用7日同业拆借利率作为代理变量。在得到width=14,height=23,dpi=110和width=14,height=23,dpi=110后，可以计算width=14,height=20,dpi=110的VaR，也就是width=14,height=20,dpi=110对应的τ分位数估计值(式(4))。

width=146,height=20,dpi=110
(3)

width=117,height=26,dpi=110
(4)

width=129,height=20,dpi=110
(5)

width=193,height=23,dpi=110
(6)

定义width=134,height=26,dpi=110为影响第i个银行的股票收益率尾部风险信息集，其中width=41,height=26,dpi=110表示除第i个银行外的股票收益率VaR估计值。从估计τ分位数回归模型(式(5))中，不难看出该回归的含义是考察其他银行的尾部风险对第i个银行尾部风险的影响，也即width=52,height=26,dpi=110从而可以确定银行之间尾部风险的溢出关系。对于一个具有N个银行的系统，可以得到N个分位数回归模型和N组参数估计量，记第i个方程中width=32,height=26,dpi=110前回归系数为width=29,height=20,dpi=110其绝对值width=41,height=23,dpi=110可以表示银行j对银行i的尾部风险溢出水平。在此基础上定义式(6)作为从尾部风险关联维度计算银行系统性风险的指标。基于上述计算步骤，LRMES和width=32,height=20,dpi=110形成了从系统性风险边际贡献的影响和尾部风险关联的溢出两维度分别计算银行系统性风险的指标。

(三)门限面板实证模型
基于门限面板模型构建实证模型，考察企业资产质量、企业杠杆率与银行系统性风险水平之间的非线性影响以及企业资产质量的调节效应。模型具体形式为(1)由于门限数量需要通过检验确定，因此这里仅给出单一门限时的模型形式。

SRit=β0+β1Levt-1+β2Qualt-1+β3Levt-1×Qualt-1+β4Levt-1I(Sizeit-1>c)+β5Qualt-1×I(Sizeit-1>c)+β6Levt-1Qualt-1I(Sizeit-1>c)+β7Sizeit-1+μit

(7)

其中，i和t分别表示银行和所处时期。变量Levt表示企业杠杆率水平，以总资产/所有者权益进行计算；变量Sizeit表示以总资产对数值度量的银行规模；变量SRit表示上述两维度下计算的银行系统性风险水平(包括LRMES和width=46,height=20,dpi=110变量Qualt表示企业资产质量。同时，选择Sizeit作为门限变量，c为待估计门限值。且所有变量均取滞后一期数据，以降低模型内生性风险。在参数估计时，需要首先对模型进行固定效应转换，并利用网格搜索法确定模型门限值并对模型其余估计量进行估计；在此基础上使用自助抽样法构造似然比统计量，给出临界值；最后，使用临界值检验门限效应是否显著，得到门限值c的置信区间。

(四)样本选取与数据预处理
样本数据区间为2009年至2021年1季度。在测度企业资产质量和杠杆率水平时，以我国非金融上市企业为研究对象，共包含上市时间早于2009年1月的公司1 493家，相关指标数据来自这些企业的定期财务报告。在度量银行系统性风险水平时，以14家A股上市银行为样本。计算SRISK时，从wind数据库获得沪深300指数和14家上市银行股票的日度前复权数据，并计算对数收益率；负债和所有者权益数据来自各银行财务报告。在测度基于尾部风险溢出的银行关联度width=32,height=20,dpi=110时，银行股价日度对数收益率计算方法与计算SRISK时相同，在估计式(3)表示的分位数回归模型中，期限利差、流动性水平等宏观状态变量数据也均来自于wind数据库。需要特别指出的是，由于需要动态测度银行系统性风险，因此采用滑窗技术滚动计算SRISK和width=38,height=20,dpi=110并前推2年作为滑窗样本，然后逐次将样本整体向前滑动一个季度计算后续季度指标数值。

四、实证检验与分析
(一)企业杠杆率和资产质量测度结果
图1给出了样本期间我国企业、国有企业以及非国有企业的杠杆率，其中杠杆率按照总资产除以净资产计算。从2009年至2012年底，非国有企业杠杆率水平呈现明显的下降趋势，但同期国有企业杠杆率稳中有升，因此企业总体杠杆率水平基本保持稳定。自2015年我国实施企业杠杆率调整政策后，无论是国有企业还是非国有企业的杠杆率水平都呈现下降趋势，直到2017年底经济下行压力增大以及2018年中美贸易摩擦开始转而上升。值得注意的是，在2017年底杠杆率转升的过程中，国有企业和非国有企业表现截然相反，非国有企业杠杆水平从2017年底的2.06上升至2018年底的2.42。2020年以来，在新冠肺炎疫情后纾困政策作用下，国有企业杠杆率不断下降，非国有企业杠杆率不断攀升。

width=346,height=216,dpi=110
图1 我国企业杠杆率水平的动态变化

根据表1给出的测度指标，以95%方差解释百分比为标准可以将指标提取为3个主成分。以主成分对应的特征值为权重将主成分合成为企业资产质量指数，得到的结果如图2所示。作为对比，图2中还给出了同期我国商业银行不良贷款率数值。从图2可以看出，次贷危机后随着宏观调控政策的逐步实施，企业资产质量逐步回升并在2011年1季度达到样本期间内的峰值。同一时期的银行不良贷款率也明显下降。此后随着国际需求持续低迷，国内企业面临转型升级的压力，企业资产质量有所下降，到2015年1季度有所缓解。而同一时期的银行不良贷款率则表现出不同的趋势，即在2011年2季度至2013年4季度，不良贷款率稳定在1%附近，到2014年1季度开始比较明显的升高。这意味着不良贷款率相对于企业资产质量指标确实存在对企业实际资产质量的滞后反应。在经历2016年3季度至2017年1季度内的短暂改善后，企业资产质量指标仍然呈下降趋势，并且在2018年2季度中美贸易摩擦后加速。2016年1季度至2018年1季度的不良贷款率基本稳定在1.76%左右，2018年2季度后，不良贷款率小幅增加至1.85%左右，并没有反映出企业资产质量的实际变动。

width=346,height=216,dpi=110
图2 企业资产质量与银行不良率指标对比

观察样本期间内企业资产质量和银行不良贷款率的变化趋势可以发现，银行不良贷款率与企业资产质量之间的确存在显著的相关关系，二者相关系数高达-0.82，但前者相对于后者则表现出“积聚-爆发”的模式，难以及时反映企业资产质量。对二者进行格兰杰因果关系检验后发现，当滞后阶数为1时，银行不良贷款率不具有对企业资产质量指标的引致关系，而企业资产质量对银行不良贷款率具有引致关系；当滞后阶数为2阶以及更高阶数时，二者具有双向引致关系。这表明本文所测算的企业资产质量变动领先银行不良贷款率变动1个季度。此外，在样本期间内企业资产质量和不良贷款率的标准差分别为0.51和0.36，显示出本文提出的测度方法蕴含更丰富的信息，从而可能更好地捕捉企业资产质量的变动。

(二)银行系统性风险关联度和贡献度的测度与分析
图3给出了全样本银行以及不同类型样本银行在样本期间的SRISK数值序列图。本文虽然在测算LRMES上采用的方法与梁琪等(2013)[35]存在一定差异，但得出的结果除部分银行排名略有变化外，相同类型银行内部以及不同类型银行之间的排名基本一致，显示出SRISK测算具有较好的稳健性。从动态角度看，2009年1季度至2012年3季度期间内，样本银行的SRISK值基本在一个较低的水平上保持稳定，但从2012年4季度开始，SRISK值开始上升并在2015年1季度达到峰值，表明我国银行系统性风险贡献度在这一时期内不断积聚。在2016年股市熔断后SRISK值逐渐回落，但随着我国经济下行压力逐渐增大和中美贸易摩擦的影响，SRISK值一直在较高的水平震荡，并在2019年4季度达到样本期间内的最高值。在2020年疫情发生后，央行陆续出台了降准、降低政策利率、再贷款等一系列宽松政策。因此SRISK值并没有伴随着资本市场剧烈波动而出现大幅度上升，反而从2019年4季度的高点有所降低。

width=346,height=216,dpi=110
图3 样本银行系统性风险贡献度测算结果

值得注意的是，国有控股商业银行、股份制商业银行以及城商行的SRISK值在样本期间内的动态变化存在很大差异。具体来看，国有控股商业银行SRISK值在样本期间内呈现出震荡的形态，即使是最大值也仅比2009年1季度的初始数值高约47%；相反，股份制商业银行和城商行的SRISK值在样本期间内除个别季度外基本呈现出不断升高的趋势，其中股份制商业银行的SRISK最大值相对于初始值高约151%，城商行的SRISK最大值相对于初始值高约622%。2019年股份制银行中的恒丰银行以及城商行中的包商银行、锦州银行相继出现重大风险性事件则在一定程度上印证了本文SRISK值所表现出的趋势。这说明当面对不利的外部冲击时，股份制银行和城商行受到的影响可能要远大于国有控股商业银行。2020年新冠肺炎疫情爆发以来，国有控股和股份制商业银行的SRISK相对于2019年有一定程度上升，而城商行的SRISK则表现出一定程度的下降。究其原因，可能在于纾困政策提出的金融机构向实体经济让利的执行主体主要涉及国有控股和股份制商业银行，城商行受到的影响相对有限。

图4给出了样本期间从尾部风险关联维度测算的系统性风险指标width=32,height=20,dpi=110平均值序列。其中，国有控股商业银行和股份制商业银行的关联度在2019年2季度后开始下降，而城商行的关联度在进入2019年后不断攀升并接近样本期间内的最高水平，表明城商行的系统性风险在2019年不断积聚，与包商银行、锦州银行等标志性的城商行风险性事件相对应。2020年所有类型银行的width=32,height=20,dpi=110指标相对于2019年均有一定程度的上升。此外，本文还发现width=32,height=20,dpi=110指标在样本期间内具有显著的上升趋势，这可能缘于我国金融发展水平不断提高，因此在下文实证分析中为了进一步保证估计结果的稳健性，将对width=32,height=20,dpi=110指标进行退势处理。

width=346,height=216,dpi=110
图4 样本银行基于尾部风险关联的系统性风险指标测算结果

(三)企业资产质量调节效应与银行规模门限效应的实证结果分析
基于式(7)，依次标记以SRISK和width=32,height=20,dpi=110指标为被解释变量的实证模型为模型1和模型2，对应分析从对系统性风险的边际贡献和尾部风险关联两维度检验企业杠杆率对银行系统性风险的影响差异，以及在此过程中企业资产质量的调节效应。

参照Caner和Hansen(2001)[37]的方法，分别对模型1和模型2进行原假设为不存在门限效应、存在单门限、双门限与三重门限效应的检验。结果表明模型1和模型2均在1%的显著性下拒绝了模型不存在门限、存在单门限与双门限的原假设，但无法拒绝模型不存在三重门限的原假设。使用网格搜索法得到模型1的门限值分别为27.82和30.69，模型2的门限值分别为27.55和28.67。在模型1中，Sizeit-1小于门槛值27.82的观测点共有124个，主要包括绝大部分的城商行以及2009年至2011年的部分股份制商业银行；Sizeit-1介于27.82和30.69的观测点共有443个，包括了绝大部分的股份制商业银行以及2017年至2019年的部分城商行；Sizeit-1大于30.69的观测点为36个，全部为国有控股商业银行。在模型2中，Sizeit-1小于门槛值27.55的观测点共有88个，主要包括城商行以及2009年至2011年的部分股份制商业银行；Sizeit-1介于27.82和30.69的观测点共有184个，包括了2009年至2015年的部分股份制商业银行和2017年至2019年的城商行；Sizeit-1大于28.67的观测点为330个，包含了所有国有控股商业银行和大部分股份制商业银行。可见，本文的门限值具有较明显的经济含义，可以较好地捕捉到模型的异质性特征。

表2给出了模型1和模型2的参数估计结果。不论是以银行的系统性风险边际贡献角度还是以尾部风险关联维度进行测算的系统性风险，变量Sizeit-1与银行系统性风险水平之间均存在显著的正向关系[1,38]。因此，结合门限检验的结果，本文认为银行规模使得企业杠杆率、企业资产质量对系统性风险的影响效果带有门限性质，假设3成立。

从表2可以看出，在两个模型中绝大多数情况下变量Levt-1和Qualt-1均不显著，而交叉项Levt-1*Qualt-1在5%显著性水平下显著。这表明无论是企业杠杆率水平还是企业资产质量都无法单独解释对系统性风险的影响，二者存在很强的交互性，在考察企业杠杆率水平对系统性风险的影响时需要计算变量Levt-1的边际效应。这也意味着企业杠杆率升高不会简单的推动或者抑制银行系统性风险水平，而会受到企业资产质量的影响，从而假设1成立。

表2 企业资产质量调节效应与银行规模门限效应估计结果

width=686,height=504,dpi=110
注：***,**,*分别表示在1%、5%、10%的水平下显著。括号内为稳健标准误。

图5(a)(b)分别给出了样本期间内企业杠杆率对SRISK和width=32,height=20,dpi=110影响边际效应的动态变化结果。从图5中可以看出企业杠杆率对SRISK的边际影响与对width=32,height=20,dpi=110的边际影响在样本期间内存在较大差异，故假设2得到验证，本文分别从银行系统性风险边际贡献和尾部风险溢出两个维度考察企业杠杆率对银行系统性风险水平的影响是合理的。同时，无论是模型1还是模型2，在不同门限区间内企业杠杆率的边际效应也都存在明显差异，这进一步表明了异质性特征影响的存在。

width=693,height=216,dpi=110
图5 企业杠杆率对SRISK和IC影响边际效应的动态变化

在验证上述假设成立的基础上，对不同门限区间内企业杠杆率对SRISK和width=32,height=20,dpi=110的影响差异，以及企业资产质量在其中的调节效应进行进一步分析。图5表明，两模型中门限区间1内企业杠杆率的边际效应绝对值都大于区间3。根据前文给出的门限值与区间划分，可以认为企业杠杆率对规模较小银行的影响要大于规模较大的银行。背后的原因可能包括以下几方面：第一，我国大型商业银行受到的监管均高于中小银行，从而使得大银行在开展业务时更加审慎[39-40]。第二，大银行负债成本更低，运用资金的方式更多元化；而小银行存款利率较高，且资金用途单一[41]。第三，大银行的风险管理系统更加完善[42]。

从基于银行系统性风险边际贡献维度的测算结果看，在模型1的区间2中，无论是变量Levt-1还是交叉项Levt-1*Qualt-1在10%的显著性水平下均不显著，因此可以认为在区间2中，企业杠杆率的变动对SRISK无显著影响。在模型1的区间1内，当企业资产质量较高时，企业杠杆率对SRISK的边际影响为正向，即此背景下企业杠杆率升高会增加银行系统性风险水平；而当企业资产质量较低时，企业杠杆率升高对系统性风险水平有反向作用。区间3内的情况恰相反。本文认为是由不同规模银行的属性特征差异性导致，表现为以下两方面：第一，我国大型商业银行的资金成本较低，使其净息差显著高于小型商业银行；第二，大型商业银行的经营区域和业务范围多样性等方面都优于小型商业银行，其非息收入占比更高。小型商业银行为了追逐利润在开展业务时可能相对较为激进。当企业资产质量较好时，企业的信贷需求通常也较大，企业杠杆率水平会呈现出升高的趋势，小型商业银行必然会大幅度增加信贷投放，导致系统性风险水平上升，因此企业的杠杆率水平与小型商业银行的系统性风险水平是正相关的。而同样情况下，大型商业银行增加信贷投放的动机相对较弱，并且由于企业资产质量较高时债务违约概率较低，相应的拨备覆盖率和资本充足水平得到进一步改善。因此其系统性风险水平下降，这也就表现为企业杠杆率水平与银行系统性风险水平是负相关的。相反，当企业资产质量较差时，企业杠杆率的降低通常伴随着企业债务违约和资产减值，银行处于审慎动机必然压缩信贷规模，从而对其盈利能力产生影响并导致净资产增速的下降。小型商业银行由于前文所述的原因受到的冲击更大，因此其系统性风险水平也相应升高。鉴于2015年后我国企业资产质量存在下降趋势，因此本文的这一研究结论也解释了近年来我国城商行出现一些风险性事件。与此同时，当企业资产质量较差时，大型商业银行作为实际承担政府隐性担保和救助的载体，这一时期的企业信贷需求更多地由大型商业银行来满足，从而使得企业杠杆率的升降更多地表现在大型商业银行信贷规模上。由于较差的企业资产质量通常对应着较高的债务违约概率，因此企业杠杆率的升高会加大系统性风险水平。

从基于银行尾部风险关联维度的测算结果看，模型2中绝大多数情况企业杠杆率对width=32,height=20,dpi=110的边际影响为正向。这表明无论企业资产质量如何，企业杠杆率的升高都会引起银行系统性风险升高。究其原因，当商业银行风险资产增加时，一般会通过银行间市场进行分摊风险，从而与其他银行的关联性加大。模型的异质性主要体现在企业资产质量的影响上。在区间1内，企业杠杆率的正向边际影响会随企业资产质量的升高而增加。这仍然可以解释为小型商业银行为了追逐利润在开展业务时更激进，从更多机构融入资金，导致与其他银行的关联性进一步上升。而在区间3内，企业杠杆率的正向边际影响会随着企业资产质量的升高而降低。这表明大型商业银行利用银行间市场分摊风险的动机会随企业资产质量的升高而减弱。

(四)国有企业和非国有企业影响的异质性检验
为了验证假设4，本文将模型1和模型2中的变量Qual和Lev分别带入国有企业和非国有企业的杠杆率和资产质量并重新估计模型。估计结果显示，模型1和模型2仍然存在三重门限，由表3可知，国有企业和非国有企业在两个模型的门限值估计结果虽然与全部企业模型估计结果有所不同，但门限区间内覆盖的样本观测点并没有显著差异。图6和图7给出的不同类型企业杠杆率对SRISK和width=32,height=20,dpi=110边际影响的动态变化也与图5相似，显示出模型具有一定的稳定性。

width=693,height=216,dpi=110
图7 国有企业和非国有企业杠杆率对width=26,height=17,dpi=110边际效应影响的动态变化

表3 国有和非国有企业模型门限值估计结果

width=686,height=129,dpi=110
在企业杠杆率对SRISK的影响上，根据图6可以发现国有企业杠杆率的边际影响相对于非国有企业更大。例如区间1内国有企业的边际影响绝对值均值为18.40，非国有企业为9.31；区间3内国有企业的边际影响绝对值均值为12.02，非国有企业为3.85。同时，本文还发现非国有企业资产质量的调节效应相对于国有企业更明显。区间1内国有企业和非国有企业杠杆率边际效应中Qual前系数绝对值分别为32.90和38.90；区间3内国有企业和非国有企业杠杆率边际效应中Qual前系数绝对值分别为12.38和16.02。出现这种情况的可能解释是SRISK包含有银行资产规模信息，而银行向国有企业投放信贷额显然多于非国有企业，因此国有企业杠杆率对SRISK的边际影响要高于非国有企业。而在资产质量调节效应方面，由于非国有企业资产质量受宏观经济环境、政策影响较大，波动性更高，因此在给定企业杠杆率的情况下，资产质量变动产生的影响也更大。

width=693,height=216,dpi=110
图6 国有企业和非国有企业杠杆率对SRISK边际效应影响的动态变化

在企业杠杆率对尾部风险关联的影响上，图7表明非国有企业杠杆率的边际影响在区间1内相对于国有企业更大，而在区间3内相对于国有企业更小。具体来说区间1内国有企业的边际影响绝对值均值为4.84，非国有企业为4.95；区间3内国有企业的边际影响绝对值均值为3.16，非国有企业为2.41。与此同时，本文还发现国有企业资产质量的调节效应相对于非国有企业更明显。区间1内国有企业和非国有企业杠杆率边际效应中Qual前系数绝对值分别为6.89和2.84；区间3内国有企业和非国有企业杠杆率边际效应中Qual前系数绝对值分别为5.12和2.12。出现这种情况的可能解释是银行的尾部风险关联一般认为来源于银行的资产共持，而国有企业无论是直接贷款还是发行债券其覆盖面通常要远大于非国有企业，因此其资产质量的变动对尾部风险关联的影响更大。

(五)稳健性检验
为验证结论的稳健性，本文直接以银行不良贷款率作为企业资产质量的代理变量重新估计模型1和模型2，得到的门限估计值、计算得到的边际效应以及国有、非国有企业异质性比较等方面的实证结果并没有产生本质改变，说明实证结果在一定程度上是稳健的。但本文也发现直接以银行不良贷款率作为代理变量的模型拟合程度较低，估计量标准误较高，这进一步证明了本文采用的企业资产质量测度方法具有一定优越性(2)鉴于篇幅所限，以银行不良贷款率作为代理变量的模型估计结果暂不在文中列示，感兴趣的读者可以和作者联系索取。。与此同时，本文还分别以解释变量、门限变量的不同组合估计模型，包括解释变量与门限变量均取滞后两期；解释变量为滞后一期，门限变量为滞后两期；解释变量为滞后一期，门限变量为滞后三期。得到的门限估计值、计算得到的边际效应以及国有、非国有企业异质性比较等方面的实证结果并没有产生本质改变，但模型的拟合程度有所降低，侧面证明了本文选择解释变量与门限变量均为滞后一期的合理性。

五、研究结论与政策启示
本文借助当前研究中基于实物期权理念对企业资产质量形成测度的指标体系，从反映企业实际经营情况的角度衡量企业资产质量，替代传统以银行不良贷款率进行的度量；分别从风险边际贡献和尾部关联两个维度测算中国14家上市银行的系统性风险水平，并最终建立门限面板模型考察企业杠杆率水平和结构对银行系统性风险的非线性影响，以及企业资产质量在其中起到的调节效应。通过实证检验得出如下主要结论。

第一，基于企业实际经营情况测度的资产质量相对于银行不良贷款率具有指标领先性，并且可以更好地捕捉企业资产质量的实际变动。第二，从银行对系统性风险的边际贡献维度来看，企业杠杆率升高并不会简单地推动或者抑制银行系统性风险水平，会受到企业资产质量的影响；但从尾部风险关联维度来看，企业杠杆率的升高会推动银行系统性风险水平，其影响程度仍然受企业资产质量影响。这一研究结论也突出了从不同维度测度银行的系统性风险水平的必要性。第三，银行规模使得企业杠杆率、资产质量对银行系统性风险的影响带有显著异质性，而这主要是由不同规模银行在资金成本、业务范围等方面特征所导致。尤其值得注意的是，当企业资产质量相对较低时，对小型商业银行而言企业杠杆率下降时反而会增加系统性风险水平。第四，无论从边际贡献还是尾部风险关联维度来看，国有企业和非国有企业杠杆率的边际影响以及资产质量产生的调节作用存在明显的异质性。在企业杠杆率对SRISK的影响维度上，由于非国有企业资产质量受宏观经济环境、政策影响较大，波动性更高，因此在给定企业杠杆率的情况下，非国有企业资产质量的调节效应相对于国有企业更明显。而在企业杠杆率对尾部风险关联width=32,height=20,dpi=110的影响维度上，则表现出国有企业资产质量的调节效应相对于非国有企业更明显。

根据上述研究结论得出如下四点政策启示：首先，降低金融系统性风险不能单纯对企业部门采用去杠杆措施，而需要结合企业资产质量情况而定。考虑到目前中小银行的信贷供给总量在银行体系中的占比已经不容小觑，当经济受到不利冲击使企业资产质量大幅度下降时，比较适宜采用稳杠杆措施。但既定企业杠杆率水平下，监管部门要对银行体系尾部风险进行重点监测关注。其次，鉴于企业杠杆率对银行系统性风险的影响具有门限异质性，监管部门可施行差异化监管措施。当经济遭遇重大不利冲击导致企业资产质量下降时，可对中小银行的监管指标适当放松。同时，鉴于企业资产质量在企业杠杆率对银行系统性风险的影响过程起到了重要的调节作用，监管部门可考虑将其纳入宏观审慎体系实现动态监管。最后，鉴于国有企业和非国有企业杠杆率对系统性风险的边际影响及其资产质量这一过程中发挥的调节作用存在异质性，监管部门在构建宏观审慎体系时应将两类企业的指标分别纳入，并且为防范金融风险提供分类施策工具。

参考文献

[1]李政,涂晓枫,卜林.金融机构系统性风险:重要性与脆弱性[J].财经研究,2019,45(2):100-12+52.

[2]苟文均,袁鹰,漆鑫.债务杠杆与系统性风险传染机制——基于CCA模型的分析[J].金融研究,2016(3):74-91.

[3]陈雨露,马勇,徐律.老龄化、金融杠杆与系统性风险[J].国际金融研究,2014(9):3-14.

[4]刘雪松,洪正.金融危机、银行授信与企业流动性管理:中国上市公司的经验证据[J].中国软科学,2017(3):123-39.

[5]谭小芬,徐慧伦,董兵兵.中国非金融企业杠杆率的结构性特征及其演变趋势[J].国际经济评论,2020(2):124-46+7.

[6]杨玉龙,王曼前,许宇鹏.去杠杆、银企关系与企业债务结构[J].财经研究,2020,46(9):138-52.

[7]FINK F,SCHOLL A.A quantitative model of sovereign debt,bailouts and conditionality[J].Journal of International Economics,2016,98:176-190.

[8]KALEMLI-OZCAN S,SORENSEN B,YESILTAS S.Leverage across firms,banks,and countries[J].Journal of International Economics,2012,88(2):284-298.

[9]隋聪,刘青,宗计川.不良资产引发系统性风险的计算实验分析与政策模拟[J].世界经济,2019,42(1):95-120.

[10]BELTRAME F,PREVITALI D,SCLIP A.Systematic risk and banks leverage:the role of asset quality[J].Finance Research Letters,2018,27.

[11]BROWNLEES C,ENGLE R F.SRISK:A conditional capital shortfall measure of systemic risk[J].Esrb Working Paper,2016,30(1):48-79.

[12]ADRIAN T,BRUNNERMEIER M K.CoVaR[J].American Economic Review,2016,106(7):1705-1741.

[13]陈湘鹏,周皓,金涛,等.微观层面系统性金融风险指标的比较与适用性分析——基于中国金融系统的研究[J].金融研究,2019(5): 17-36.

[14]方意,赵胜民,王道平.我国金融机构系统性风险测度——基于DCC-GARCH模型的研究[J].金融监管研究,2012(11):26-42.

[15]黄继承,姚驰,姜伊晴,等.“双支柱”调控的微观稳定效应研究[J].金融研究,2020(7):1-20.

[16]马勇,姚驰.双支柱下的货币政策与宏观审慎政策效应——基于银行风险承担的视角[J].管理世界,2021,37(6):51-69+3.

[17]朱波,卢露.不同货币政策工具对系统性金融风险的影响研究[J].数量经济技术经济研究,2016,33(1):58-74.

[18]陈德球,刘经纬,董志勇.社会破产成本、企业债务违约与信贷资金配置效率[J].金融研究,2013(11):68-81.

[19]迟国泰,于善丽,袁先智.基于LM检验的小型工业企业债信评级模型及实证[J].管理工程学报,2019,33(1):170-81.

[20]李刚,张亚京,王基凡,等.基于Wilcoxon检验的小型工业企业债信评级模型及实证[J].管理评论,2019,31(11):3-19.

[21]HUA Q,XIAO Z,ZHOU H.Right tail information and asset pricing[J].Econometric Reviews,2021,40.

[22]KARGAR M.Heterogeneous intermediary asset pricing[J].Journal of Financial Economics,2021,142(1):482-485.

[23]PALTALIDIS N,GOUNOPOULOS D,KIZYS R,et al.Transmission channels of systemic risk and contagion in the European financial network[J].Social Science Electronic Publishing,2015,61(1): 36-52.

[24]蒋海,张锦意.商业银行尾部风险网络关联性与系统性风险——基于中国上市银行的实证检验[J].财贸经济,2018,39(8):50-65.

[25]耿丹青.需求冲击下制造业资产配置与债务融资关系的计量研究[D].吉林大学,2021.

[26]邱晗,黄益平,纪洋.金融科技对传统银行行为的影响——基于互联网理财的视角[J].金融研究,2018(11): 17-29.

[27]蒋海,黄敏.负债结构对银行风险承担的影响——基于中国上市银行的实证研究[J].国际金融研究,2017(7):54-65.

[28]纪洋,王旭,谭语嫣,等.经济政策不确定性、政府隐性担保与企业杠杆率分化[J].经济学(季刊),2018,17(2):449-70.

[29]汪勇,马新彬,周俊仰.货币政策与异质性企业杠杆率——基于纵向产业结构的视角[J].金融研究,2018(5):47-64.

[30]余汉,杨中仑,宋增基.国有股权、政治关联与公司绩效——基于中国民营控股上市公司的实证研究[J].管理评论,2017,29(4):196-212.

[31]唐国平,郭俊,吴德军.资产质量、实物期权与价值体现[J].管理科学,2015,28(1):83-95.

[32]张新民.资产负债表:从要素到战略[J].会计研究,2014(5):19-28+94.

[33]张新民,钱爱民,陈德球.上市公司财务状况质量:理论框架与评价体系[J].管理世界,2019,35(7):152-66+204.

[34]谭小芬,张文婧.经济政策不确定性影响企业投资的渠道分析[J].世界经济,2017,40(12):3-26.

[35]梁琪,李政,郝项超.我国系统重要性金融机构的识别与监管——基于系统性风险指数SRISK方法的分析[J].金融研究,2013(9):56-70.

[36]杨子晖,陈雨恬,张平淼.股票与外汇市场尾部风险的跨市场传染研究[J].管理科学学报,2020,23(8):54-77.

[37]CANER M,HANSEN B E.Threshold autoregression with a unit root[J].Econometrica,2001,69(6):1555-1596.

[38]方意,郑子文.系统性风险在银行间的传染路径研究——基于持有共同资产网络模型[J].国际金融研究,2016(6):61-72.

[39]梁琪,李政.系统重要性、审慎工具与我国银行业监管[J].金融研究,2014(8):32-46.

[40]徐国祥,王莹.中国上市银行系统重要性指数构建及评估[J].经济管理,2018,40(3):40-56.

[41]张天顶,张宇.模型不确定下我国商业银行系统性风险影响因素分析[J].国际金融研究,2017(3):45-54.

[42]李久林.商业银行规模和收入结构对系统性风险的影响研究[J].金融监管研究,2019(3):39-53.

Does the Rise of Enterprise Leverage Lead to the Systemic Risk of Banks? A Re-examination Based on the Perspective of Enterprise Asset Quality
WEN Bo-hui1, BI Sha-sha1, YUAN Ming2

(1.School of Finance, Tianjin University of Finance and Economics, Tianjin 300222, China;2.School of Statistics, Tianjin University of Finance and Economics, Tianjin 300222, China)

Abstract：Current studies show great different conclusions on the impact of leverage on systemic risk.And bank’s non-perform loan cannot perfectly represent the asset quality of the enterprises either.This paper evaluates the asset quality of the enterprises through their actual facts and measures the systemic risk of listed commercial banks in China from two different dimensions: risk marginal contribution and tail risk spillover.Finally, this paper models the nonlinear dependencies of the level and structure of the enterprises’ leverage and the systemic risk through a threshold panel model, and adds the asset quality in the model to investigate its moderating effects.The empirical results show that: enterprise asset quality plays an important role in capturing the impact of enterprise leverage on bank systemic risk, and the bank size makes the correlation between the three have nonlinear characteristics.Corporate leverage has different effects on bank systemic risk from the two dimensions of marginal contribution and related spillover, and the regulatory effect of corporate asset quality is also different.The paper also finds that under different dimensions of systemic risk, the regulatory effect of enterprise asset quality is also significantly different due to the different nature of enterprises.In view of the important regulatory role played by the asset quality of enterprises, the regulatory authorities should incorporate financial facts of state-owned/non-state-owned enterprise when establishing macro prudential regulation system to realize dynamic supervision and providing different types of policy tools for preventing systemic risk.

Key words：enterprise leverage; enterprise asset quality; bank systemic risk; threshold panel model; moderating effect