银行在危机中的作用研究*

郭红玉，皓 星，杨景陆

（对外经济贸易大学金融学院， 北京 100029）

一、引言

2008 年全球金融危机引发学术界与政策制定者对系统性风险、宏观审慎监管、银行风险承担等议题的广泛关注。 部分学者认为，银行业过度风险承担行为是金融危机爆发的重要推手，而危机前长期宽松的货币政策是主要原因之一。自Borio and Zhu（2012）首次提出货币政策的风险承担渠道后，学者对该机制展开广泛的理论与实证研究，国内学者的研究多证实宽松货币政策会增加银行风险承担，由于金融系统内存在网络关联，银行业积累的风险又会通过关联网络传导至其他金融子部门，造成金融系统内风险的整体放大。然而，随着对系统性风险研究的不断深入，又有学者发现，中国经济金融系统中的风险源头在于实体经济， 包括银行在内的金融体系则具有风险吸收的作用。 2008 年全球金融危机是由金融系统风险引发的，而2020 年新冠肺炎疫情危机则是由黑天鹅事件对实体经济的负面冲击引发的，在此背景下，研究银行在金融危机与经济危机中究竟是放大风险还是吸收了风险，具有重要现实意义与政策价值。

系统性风险的准确识别与度量是研究上述问题的前提。 2008 年金融危机后，学术界对系统性风险的度量展开广泛研究，CoVaR 和MES 方法成为度量系统性风险的主流方法，然而这两种方法存在无法捕捉极端事件中的尾部风险与无法反映单个机构风险特征的问题，且主要度量单家机构的系统性风险贡献程度而非金融系统的整体风险。 为弥补上述缺陷，许多学者基于copula 方法构建不同的系统性风险度量指标， 精确捕捉在极端事件下金融系统尾部风险的变化。 然而，上述方法在分析样本区间内的系统性风险变化时，多采用滚动窗口计算系统性风险序列，并结合系统性风险时变图进行描述性分析， 这种方法只能识别系统性风险变化的方向， 无法识别变化的显著性与结构性， 容易误将随机扰动与不显著的方向变化识别为系统重要性结构变化， 使得政策应用价值大打折扣。

本文的贡献主要体现在以下两方面：第一，本文以EVT-copula 方法为基础，引入时间序列门槛模型，能够同时识别系统性风险变化的显著性与结构性，具有实时监测系统性风险变化的政策应用价值。 第二，本文研究发现，在2008 年全球金融危机期间，金融系统整体风险被放大，在2020 年新冠肺炎疫情期间，系统性风险则主要向银行业集中，对其他金融机构起保护作用。

二、文献综述与研究假设

国内学者的研究证实，在次贷危机期间，中国金融系统内各部门风险均出现不同程度的上升，而银行业风险激增是金融系统整体风险上升的主要原因。朱晓谦等（2018）发现在次贷危机期间，中国银行业的境外投资损失给银行带来负面冲击， 系统性风险显著上升，同时证券行业的风险也有所上涨，保险行业风险则始终维持在高位， 银行业对金融系统整体风险的影响始终高于其他行业。 王辉等（2020）证实次贷危机影响了国内金融市场的稳定性， 国内银行系统性风险事件出现的概率激增。 李政等（2020）检验了中国经济系统中各部门间的网络关联特征， 发现相较于与实体行业的关联性，金融行业内部的关联更为密切，金融行业内部通过多种形式的金融创新开展业务合作， 混业经营趋势明显，具有更为丰富的传导渠道，即中国金融系统内部呈现网络关联性。全球金融危机期间，银行业风险激增会通过关联网络传导至整个金融系统， 造成金融系统整体风险的放大。 基于此，本文提出假设1：

假设1：全球金融危机期间，金融系统内各部门间系统性风险均显著上升，金融系统整体风险放大。

近年来，部分学者探讨了银行的风险吸收功能。贾妍妍等（2020）认为系统性风险的实际源头在于实体经济，而金融系统则具有风险吸收的作用，体现了金融体系的专业风险管理功能，并将风险吸收定义为包含银行在内的金融体系降低实体经济风险的作用，为辩证看待银行风险承担提供了新视角。张甜迪和余雪飞（2021）基于贝叶斯网络与copula R 藤的树形拓扑结构测度风险传染过程，也得出系统性风险源头来自实体经济的结论。 Naceur et al.（2018） 则提出一种银行风险吸收机制： 银行通过信贷活动增强其风险吸收能力。 银行期限错配的贷款业务必然伴随风险承担， 这种机制就建立了银行风险承担与银行风险吸收间的联系： 银行风险承担增加使实体部门获得更多的流动性支持，从而降低企业破产的概率，而在企业破产实际发生时，银行可能无法收回全部贷款，与企业共同承担全部损失。 即银行风险承担越多，银行通过贷款业务与其他部门建立联系， 通过流动性补充与风险共担机制吸收了其他部门的风险， 银行风险吸收能力越强。

对货币政策风险承担渠道的研究表明，宽松型货币政策会增加银行风险承担，货币政策通过调控利率进而通过多种渠道影响银行风险承担行为，如估值效应渠道、利效应渠道等。 江曙霞等（2012）将存款准备金率纳入货币政策风险承担渠道的理论模型，并进行实证检验，证明准备金率政策与利率政策对银行风险承担的影响方向一致。 在新冠肺炎疫情暴发前夕，准备金率由2017 年的16.5%逐步下调至9.9%， 如图1所示，2019 年 8 月 LPR 改革后，LPR 利率也不断下调。 数量型与价格型货币政策均表明，新冠肺炎疫情暴发前夕我国正处于宽松货币政策区间，根据货币政策的风险承担渠道，银行风险承担将显著增加，从而银行风险吸收能力也会增加，在新冠肺炎疫情期间可能对其他部门提供保护作用。 殷秀仙等（2020）发现，LPR 改革后，高风险中小企业增加的银行贷款显著更多，说明银行风险承担行为确实显著增加。基于此，本文提出假设2：

图1 LPR 改革以来我国LPR：1 年变化情况

假设2：新冠疫情期间，系统性风险主要向银行业集中，银行风险吸收为其他金融机构提供保护作用。

综上所述，银行业在不同类型的危机中可能具有异质性作用，两种危机的关键差异在于危机的传导起点不同。在2008 年的系统性金融危机中，中国银行业的境外投资损失给银行带来负面冲击 （朱晓谦等，2018）， 此时银行业的系统性风险通过金融系统的网络关联传导至其他部门（李政等，2020），金融系统整体风险放大。 在这种危机中，银行业的风险传染具有“火上浇油”的影响。 而在2020 年的新冠肺炎疫情危机中，其他实体经济部门首先受到冲击，银行业则稳健经营，银行业与其他部门间的贷款业务联系缓冲了危机对这些部门的影响，此时银行业吸收了来自其他部门的风险。 在这种危机中，银行业的风险吸收具有“雪中送炭”的作用。 具体逻辑链条如图2 所示。

图2 银行业在不同类型的危机中的异质性作用

三、模型设定与数据描述

（一）模型设定

在极端事件发生时，系统性风险度量指标应当精准捕捉风险变化的方向性与显著性，以及时防范与化解系统性危机，而传统的线性相关系数在危机期间捕捉风险变化的效果甚微。 赵宁等（2019）对比发现，在2008 年全球金融危机期间， 线性相关系数始终保持低位，无显著的方向性变化，而EVT-copula 模型构建的下尾相关系数则在危机期间出现明显攀升，证明该方法能够精确捕捉极值事件中的风险变化。为识别全球金融危机与新冠肺炎疫情期间中国金融系统各部门间的风险变化情况， 本文以Wind 行业指数日收盘价数据为基础， 沿用EVT-copula 方法构建系统性风险度量指标，并引入时间序列门槛模型同时识别系统性风险变化的显著性与结构性。

首先采用样本数据计算出相应的对数收益率序列，对数收益率的计算公式为：

由于金融数据的尖峰厚尾特性， 相比于正态分布，广义极值分布拟合收益率数据边缘分布的效果更好，广义极值分布的表达式为：

其中，μ 是位置参数，σ 是尺度参数，ξ 是形状参数。

在估计出边缘分布后， 用Clayton copula 函数拟合联合违约概率，Clayton copula 的生成函数是：

最后用极大似然法估计出copula 参数的值作为系统性风险的估计值，称为下尾相关系数（LTDC）：

由于系统性风险是实时变化的，本文通过窗口滚动过程，实现下尾相关系数值的时变滚动，最终得到数据区间内的下尾相关系数的序列数据。 借鉴Diebold 等（2014）的处理方法，选择窗口宽度为100个数据单位， 并分别用75 和125 个数据单位的滚动窗口进行稳健性检验。

但是， 尾部相关性虽然以条件概率的方式提出，却暗含了两个变量趋向于极限时的条件概率相等的假设，相当于丧失了变量间的因果关系。因此，下尾相关系数只体现两部门间的风险相关性， 不具有方向性，无法识别部门间风险传导方向。因此，为识别金融系统的风险放大与风险吸收，需要采用如下组合识别策略：

估计银行间下尾相关系数序列A、银行与其他金融机构间下尾相关系数序列B 以及其他金融机构间下尾相关系数序列C。

（1）如果在样本区间内，A、B、C 同时显著增加，说明金融系统整体风险上升；

（2）如果在样本区间内，A 显著上升，B 与 C 同时显著下降，说明系统性风险主要累积在银行业，银行风险吸收对其他金融机构起保护作用。

为进一步识别系统性风险变化的显著性与结构性，本文引入Hansen（2000）的时间序列门槛模型，选定区制变量， 以残差平方和最小化为条件确定门槛值，根据搜寻到的门槛值将样本分为多个区间分别进行回归，得到每个区间的回归方程，通过样本自抽样（Bootstrap）方法构造LM 统计量，检验不同区间的系数是否显著不同。 该模型设定为：

其中，Yt表示下尾相关系数，t 表示时间， 系数估计值θ 就表示下尾相关系数的变化率，区制变量设定为时间t，T 表示相应的时间门槛值。

邹检验等方法也可以识别时间序列数据的结构性变动，可作为稳健性检验，本文通过设置虚拟变量的方法， 使用邹检验、Wald 检验、LR 检验以及 LM 检验来检验不同区间内下尾相关系数的变化趋势是否存在显著差异。 具体的模型设置如下：

其中，D0和D1表示两个虚拟变量，若样本期在区间1，则D0和D1取值都为1，若样本期在区间2，则D0和D1取值都为0。

（二）数据选取与描述性统计

本文研究全球金融危机及新冠肺炎疫情期间中国金融系统内部风险变化的异质性特征，因此样本数据涵盖两个区间段：（1）2005 年 1 月 1 日-2013 年 12月31 日， 此区间涵盖了2008 年金融危机的全过程，包括了危机的前夕、 爆发与平息；（2）2019 年 1 月 1日-2020 年 10 月 31 日， 此区间涵盖了 LPR 改革、疫情的全面暴发以及疫情在中国基本得到控制。通过考察两个区间中国金融系统内部各部门间下尾相关系数的动态变化得出研究结论。

选取Wind 四级行业指数中的多元化银行指数和区域性银行指数来测度银行间系统性风险， 同时选取Wind 中国行业指数中的银行指数、多元金融指数、 券商指数及保险指数以测度金融系统各部门间系统性风险，选用指标为各指数的日收盘价数据。 其中，由于区域性银行指数从2007 年起才开始有数据，对银行间系统性风险的测度从2007 年开始， 但由于金融危机的全面爆发也始于2007 年， 因此不影响本文结论。

根据公式（1）计算出相应的对数收益率序列，最终根据公式（4）计算银行间下尾相关系数、银行与其他金融机构间下尾相关系数，以及其他金融机构间下尾相关系数。然后对样本区间内的下尾相关系数进行初步的描述性统计，描述性统计结果见表1。

表1 下尾相关系数描述性统计

从表1 中可以发现，纵观两次危机区间，下尾相关系数的最小值也高达0.5649，说明整个金融系统内部均存在很强的风险相关性。 银行间下尾相关系数均值最大，说明银行业系统性风险集聚效应最强， 银行业与保险行业间下尾相关系数均值次之，说明银行业与保险行业间的风险相关性最强。 李绍芳等（2018）的研究发现银行和保险机构是受系统性风险影响最为显著的部门，描述性统计结果很好地支持了这一结论。 对比两次危机期间系统性风险的异质性特征，券商与银行业、券商与保险行业间的下尾相关系数在全球金融危机期间均值更大，说明金融危机期间券商行业与其他金融部门间的风险联动性更强；其他行业间的下尾相关系数则在新冠肺炎疫情期间均值更大，随着金融体系不断发展完善，金融系统各部门间系统性风险关联性有所上升；与全球金融危机期间相比，近年来各部门间系统性风险的波动性也明显增加， 除券商与保险行业， 各部门间下尾相关系数的标准差均明显增加。整体来看，近年来金融系统各部门风险网络的相关性与波动性均明显上升。

四、实证研究

（一）下尾相关系数描述性分析

系统性风险需从时间与空间两个维度体现。 本文利用滚动时间窗口估计的方法， 刻画尾部依赖的动态变化。 当下尾相关系数变大时， 二者相依性变强，系统性风险升高，下尾相关系数下降则代表二者尾部依赖性变小， 系统性风险亦变小。 参照以往研究， 首先对样本区间内的下尾相关系数进行描述性分析。

图3 显示了2008 年全球金融危机期间中国金融系统各部门间系统性风险的动态演变。 从图中可以看出，在阴影区间内金融危机的全面爆发时期，金融系统各部门间的系统性风险均呈现不同幅度的上升，其中银行业的系统性风险由0.77 飙升至0.8 的高位， 银行业与其他金融机构间的系统性风险也均呈现不同幅度的上升， 银行业与多元金融行业间的风险上升较为温和，由0.64 上升至0.68，而银行业与保险行业间的风险涨幅最大，由0.68 上升至0.76，涨幅接近0.1， 说明银行业与保险行业的风险关联性最强。 多元金融、券商与保险行业间的系统性风险也大幅上升。2010 年起危机逐渐平息后，各部门间系统性风险才开始下降，但整体风险仍高于危机前水平。 根据第三部分的判别条件，金融系统整体风险上升，假设1 成立，即危机期间中国金融系统受到来自美国极端流动性窘迫、若干企业濒临破产的影响风险上升，并通过网络关联传导至金融系统各部门， 造成整体风险上升。

图3 全球金融危机期间中国金融系统各部门间风险时变图

图4 显示了新冠肺炎疫情期间中国金融系统各部门间系统性风险的动态演变。与全球金融危机中的风险演变不同之处在于， 新冠肺炎疫情暴发前夕，中国处于宽松货币政策区间，根据货币政策的风险承担渠道，银行风险承担会显著上升，银行风险的增加会通过金融系统关联网络传导至其他部门，从图中可以看出，从 2019 年 8 月中旬 LPR 改革至 2020 年 1 月下旬新冠肺炎疫情全面暴发的时间区间内，金融系统内各部门间系统性风险均不同程度上升，说明银行风险承担的增加在一般时期表现为金融系统整体风险的上升。然而，根据第二部分的分析可知，银行风险承担增加也为银行风险吸收能力创造前提，通过流动性补充与风险共担机制吸收其他部门的风险，会降低其他部门在实体经济极端负面冲击中爆发系统性风险的概率。 在阴影区间内新冠肺炎疫情全面暴发时期，只有银行业系统性风险震荡上升，其他部门间系统性风险均不同程度下降。 需要注意，当下尾相关系数高于0.8 以后， 继续攀升已经非常困难， 银行业看似仅有0.02 幅度的增长，事实上孕育着大量的风险聚积。 银行与多元金融及券商行业间的风险值则急剧下降，其中，银行业与多元金融行业间的系统性风险由0.8 迅速下降至0.65，银行业与券商行业间的系统性风险由0.7 迅速下降至0.62， 银行业与保险行业间的系统性风险下降幅度较小。 多元金融、券商与保险行业间的系统性风险也大幅下降。根据判别条件可知假设2 成立， 即疫情冲击带来的风险聚集主要由银行业所吸收，从而对其他金融机构存在一定的缓冲保护作用。

图4 新冠疫情期间中国金融系统各部门间风险时变图

从以上分析中可以得出如下重要结论： 第一，银行业在不同类型的危机中具有异质性作用，在系统性金融危机中， 银行业与其他金融部门风险均显著上升，通过金融系统网络联结关系造成金融系统整体风险增加，并容易引发经济危机，而在黑天鹅事件的负面冲击造成的实体经济危机中，由于银行业对其他部门的流动性补充与风险共担机制，吸收了其他部门的部分风险，降低了其他部门在危机中爆发系统性风险的概率；第二，银行风险承担的增加具有两面性，一方面使银行业的系统性风险上升并通过关联网络传导至整个金融系统，另一方面也增加了银行的风险吸收能力， 在实体经济负面冲击为其他部门提供保护；第三，银行风险吸收功能有效发挥的前提是银行体系的稳健性，银行风险吸收虽然在实体经济危机中降低了其他部门的系统性风险，但也造成系统性风险在银行业的大量积聚，如果银行始终保持经营稳健，则能够成为其他部门的保护伞，一旦银行系统崩塌，整个经济将牵一发而动全身。因此，加强宏观审慎监管，建设稳健的银行体系尤为重要。

（二）实证结果分析

对系统性风险的序列分析能有效识别危机期间系统性风险的变化方向，却无法体现风险变化的显著性与结构性，为进一步验证两次危机期间风险变化是否具有显著性，以及风险方向的改变是由于随机扰动还是由于危机引起的结构性变化，本小节采用时间序列门槛模型对两次危机中的下尾相关系数序列数据进行实证检验，具体检验结果分别见表2 至表4。

表2 门槛效应检验结果

表3 区间（1）时间序列门槛结果

表4 区间（2）时间序列门槛结果

由表2 的门槛效应检验结果可知，对两次危机区间内各组下尾相关系数的变化进行LM 检验的结果均拒绝不存在门槛效应的原假设，各组下尾相关系数在区间内均存在单一门槛，因此可以认为系统性风险在两次危机期间均发生了显著结构性变化。同时也说明门槛模型能够精准识别由危机引发的系统性风险结构性变化，而不会将区间内下尾相关系数随机的微小方向变动误识别为结构性变动，具有实时监测系统性风险结构性变化的政策应用价值。

从表3 中可以发现，在全球金融危机期间，金融系统各部门间系统性风险均显著上升，假设1 得到支持。在越过门槛时点后，危机的影响逐渐减弱，各部门系统性风险显著下降。 从门槛时点来看，银行业最先从危机中恢复，2009 年2 月起银行业系统性风险就开始下降，这与危机期间积极的财政与货币刺激政策有关，银行业的率先恢复也带动了其他金融部门逐步走出危机的影响，从2009 年11 月开始，各部门系统性风险开始下降，到2010 年低，金融系统各部门系统性风险均步入下降区间，金融系统整体风险逐步下降。

从表4 可以看出，各部门间的门槛时点均在新冠肺炎疫情初期，这说明金融行业系统性风险的结构性突变确实与新冠疫情息息相关。 在门槛时点前，由于宽松货币政策使银行风险承担增加，并通过关联网络传导至整个金融系统，各部门间系统性风险均显著上升。越过门槛时点后，新冠肺炎疫情全面暴发，此时银行业的系统性风险仍显著上升，而其他部门间系统性风险均显著下降，假设2 得到支持。与前文分析一致，疫情冲击带来的风险主要向银行业集中，银行风险吸收对其他金融部门存在一定的缓冲保护作用。

（三）稳健性检验

为进一步说明本文的实证结论的可靠性，通过公式（7）的方法设置虚拟变量进行稳健性检验，具体的检验结果如表5、表6 所示。

表5 区间（1）稳健性检验

表6 区间（2）稳健性检验

从表5、表6 的结果中可以看出，邹检验、Wald 检验、LR 检验以及LM 检验的结果均拒绝了下尾相关系数在样本区间内未发生结构性变动的原假设， 可以认为区间内系统性风险确实出现了显著性变化， 并且系数估计值的大小和符号与时间序列门槛的估计结果基本一致。 因此，可以认为本文的研究结论具有稳健性。

为进一步检验滚动窗口长度的选择是否会影响结论，参照Diebold 等（2014）的处理方法，分别用75和125 个数据单位的滚动窗口进行稳健性检验，结果见图5、图6。从图中可以看出，更换窗口长度后，本文的主要结论未发生变化：新冠肺炎疫情期间系统性风险主要向银行业聚集。边缘分布类型的选取也可能影响结论，采用正态分布拟合收益率边缘分布进行稳健性检验，结果见图7。 从图中可以看出，copula 方法构建的系统性风险指标对边缘分布的选取不敏感，本文主要结论亦未发生变化。

图5 窗口长度75 的稳健性检验

图6 窗口长度125 的稳健性检验

图7 正态分布的稳健性检验

（四）其他机制排除

非银金融机构间系统性风险的显著下降也可能是由新冠肺炎疫情本身引发的，积极的财政货币政策也可能导致系统性风险的显著下降。 为进一步排除新冠肺炎疫情本身以及相关财政货币政策对研究结论的影响， 本文选取样本区间内MSCI 发达国家二级行业指数的日收盘价数据测算系统性风险。 从图8 中可以看出，在2020 年之前，系统性风险基本维持不变，说明在此区间内发达国家未发生影响金融系统整体风险的重大事件， 在2020 年1月，受到疫情全面暴发的影响，系统性风险出现断崖式上升，而在2020 年3 月后，新冠肺炎疫情给发达国家带来多方面的影响。 如市场恐慌情绪造成2020 年3 月美股在10 天内罕见发生四次熔断，分别发生在 9 日、12 日、16 日及 18 日；再如疫情大暴发造成欧洲多国封城；又如，虽然国外并未像我国一样采取严格的防控政策停工停产，但各国GDP 的锐减也均反映了疫情带来的 “减产减工”。 与此同时，发达国家在疫情暴发后，相继出台了宽松的货币政策和积极的财政政策， 且程度较我国明显更甚。 但在这些因素的叠加影响下，发达国家金融系统各部门间系统性风险均未出现显著下降，从而排除了新冠肺炎疫情与积极的财政货币政策会导致系统性风险显著下降的机制。

图8 发达国家非银金融机构间系统性风险时变图

（五）进一步分析

上述实证结果表明，新冠肺炎疫情期间，系统性风险主要向银行业集中， 金融行业其他子行业间系统性风险均不同程度下降， 说明银行风险吸收功能确实在黑天鹅事件引发的实体经济危机中对其他金融机构起保护作用。 然而，贾妍妍等（2020）认为系统性风险的实际源头在于实体经济， 银行系统具有降低实体经济风险的作用。 为了进一步验证新冠疫情期间银行风险吸收功能是否显著降低了实体经济部门的系统性风险，本文选用Wind 一级行业指数测算新冠疫情期间实体经济重要行业的系统性风险变化情况，结果见图9。

从图9 中可以看出，在新冠肺炎疫情全面暴发期间，工业、可选消费与信息技术等实体经济重要行业间系统性风险均保持平稳或出现不同程度的下降，说明银行风险吸收功能确实具有降低实体经济风险的作用。 但与图4 对比可以发现，银行业对非银金融机构的风险吸收作用要强于对其他实体经济部门的风险吸收作用。 此外，在LPR 改革后，银行风险承担显著增加，表现为银行业与各部门间系统性风险均显著上升，在新冠肺炎疫情暴发前夕，银行业的系统性风险通过金融系统的网络关联传导至其他部门，导致其他金融子行业间系统性风险均不同程度上升。然而如图9 所示，在这一期间，实体经济重要部门间系统性风险则始终处于下降的区间，这一结果验证了李政等（2020）的观点：在一般时期，银行业系统性风险传染的网络关联渠道主要在金融系统内发挥作用，对实体经济的影响较小。Naceur et al.（2018）提出的银行风险吸收机制表明，银行风险承担是银行风险吸收的重要前提，这就解释了新冠肺炎疫情期间银行业对非银金融机构的风险吸收作用要强于对其他实体经济部门的风险吸收作用的原因。

图9 新冠疫情期间中国实体经济重要行业间风险时变图

四、总结与思考

本文以EVT-copula 模型为基础， 引入时间序列门槛模型， 采用Wind 行业指数数据研究全球金融危机与新冠疫情危机期间中国金融行业内各部门间系统性风险的动态变化情况。 结果显示，银行业在不同类型的危机中具有异质性作用， 在系统性金融危机中，银行业与其他金融部门风险均显著上升，通过金融系统网络联结关系造成金融系统整体风险增加；而在黑天鹅事件的负面冲击造成的实体经济危机中，由于银行业对其他部门的流动性补充与风险共担机制，吸收了其他部门的部分风险，降低了其他部门在危机中爆发系统性风险的概率。

银行风险承担与银行风险吸收是一枚硬币的两面，银行风险承担行为的增加虽然会通过金融系统网络关联使整体风险增加，但也增加了银行的风险吸收能力，在实体经济遭受负面冲击时能够为其他部门提供保护。 然而，银行风险吸收功能有效发挥的前提是银行体系始终保持经营稳健，银行风险吸收造成系统性风险在银行业的大量积聚，如果银行始终保持经营稳健，则能够成为其他部门的保护伞，一旦银行系统崩塌，整个经济将牵一发而动全身。因此，加强宏观审慎监管，建设稳健的银行体系尤为重要。