一、引言

流动性压力是银行业面临危机的重要标志，流动性风险的加剧极可能危及银行业的系统稳定性[1],2008年暴发的国际金融危机即是佐证。灵活运用流动性风险监管指标，完善风险监管体系，增强银行业对系统性风险的抵御性，既是当前及今后较长期限内实现我国稳金融、防风险的重要目标，也是当前及今后较长期限内我国宏观经济调控的主要基调。

净稳定融资比率（NSFR）是危机过后巴塞尔协议III中新增的流动性风险的监管指标，也是微观审慎监管的重要内容。该比率本质上反映了银行资产负债表的流动性，其增大即资产负债表流动性增强。研究净稳定融资比率与系统性风险的关系实质上就是研究流动性与系统稳定性的关系，其重要性不言而喻[2]。

对于银行而言，流动性水平变动对银行业系统性风险的影响是双向的。流动性水平过低，可能带来流动性短缺，进而引发系统性危机；流动性水平过高又有可能抑制银行的盈利能力，银行的逐利行为将促使其承担更多的隐性风险，最终可能引发系统性风险的积聚[3]。因此，每家银行都应当有各自的最适流动性水平。当然，作为当前巴塞尔协议III中长期流动性监管指标的净稳定融资比率，理论上也会存在一个银行最适的目标流动性水平，因此，在满足巴塞尔协议III监管要求的基础上，理论上商业银行将会依据自身运营情况，适时动态调整净稳定融资比率，而不会维持这个数值一成不变。在这里，可以将该比率向目标水平调整的快慢称为指标净稳定融资比率的调整速度。

由此带来的一个问题是，净稳定融资比率的调整速度是否会影响银行业的系统性风险？理论上，由于流动性问题使所有系统性危机升级，这种通过增加稳定资金以应对系统性风险的流动性变化理应反映在每家银行的调整速度中。第一，2008年全球金融危机中，各国银行由于资金市场的错位而导致流动性短缺，进而导致金融系统的全面崩溃。第二，当发生流动性短缺时，如果银行能够迅速调整净稳定融资比率，会降低居民的个人预期损失，那么同时出现流动性短缺的所有银行的联合破产概率将下降，从而降低系统性风险发生的可能性。所以研究NSFR及其调整速度是否对银行业的系统性风险产生影响就非常重要。

二、文献综述

关于净稳定融资比率，国内外学者对该指标进行了效用评价。有的学者认为净稳定融资比率的提升会对经济体发展带来积极的影响。Dietrich(2014）采用欧洲900多家银行的数据发现较低水平的净稳定融资比率会使银行的盈利水平趋向于不稳定[4]。李明辉等（2016）采用中国102家银行2000-2014年的数据分析得出银行NSFR增大会降低银行的信用风险并且提高银行的盈利水平[5]。但也同样存在相反的观点，Angelini等（2011）认为净稳定融资比率增加会使经济产出下滑，从而对经济体造成负面影响[6]。King(2013）采用15个国家的银行数据分析得出了对净稳定融资比率设定下限，银行净息差会随之下降的结论[7]。还有一些学者将净稳定融资比率与其他流动性风险监管工具进行比较分析，诸如李明辉和周边（2018)[8]、陈忠阳和刘志洋（2013)[9]等，研究都表明净稳定融资比率与核心存款比率、存贷比使用效果大体一致，可以相互替代。

调整速度的概念最先由Nsouli等（2005）提出，作者运用这一概念主要是帮助政策制定者衡量经济改革的适度性[10]。Kim等(2017)将调整速度运用到净稳定融资比率中，并据此剖析调整速度对美国近20年银行业系统性风险的影响，结果表明净稳定融资比率的调整速度越快越有利于降低系统性风险发生的可能性，但是这一研究并没有对系统性风险进行维度区分[11]。史燕丽和刘玉廷（2018）运用相同的方法求得我国16家上市银行净稳定融资比率的调整速度，并具体分析了它与银行绩效水平之间的关系[12]。

可以看出，前期学者关于净稳定融资比率的研究，更多集中于净稳定融资比率指标本身亦或是调整速度对银行自身经营行为的影响，很少延伸到整个银行系统。尤其在国内，净稳定融资比率的调整是否会对我国银行业系统稳定性产生影响？如何作用？这些问题都有待进一步深入研究。

三、影响机理、假设条件及指标测算

（一）净稳定融资比率及其调整速度变动对银行业系统性风险的影响机理

银行业的系统性风险包含两个维度，第一个维度是个体银行发生破产对整个银行系统产生的影响，是个体银行对银行系统的风险贡献。第二个维度是银行业系统发生危机后对个体银行正常经营的影响，是银行系统对个体银行的风险溢出。两个维度的风险传导方向完全相反，却反映出单家银行个体风险与银行系统整体风险的不同关系。第一个维度侧重于个体银行的系统脆弱性，第二个维度侧重于个体银行的系统重要性[13]。

净稳定融资比率衡量的是银行的实际流动性水平，利用局部调整模型1，求出各银行的目标净稳定融资比率来衡量银行的目标流动性水平。但是通常情况下，实际比率与目标比率会因为诸多现实因素而存在差距，此时银行为了向目标水平靠近便会调整自身的实际水平，这一调整过程的快慢可以用净稳定融资比率的调整速度来表示。

净稳定融资比率及其调整速度会从两个维度对银行业系统性风险产生影响。如图1所示，净稳定融资比率本质上反映了银行资产负债表的流动性，当单家银行净稳定融资比率及调整速度减小时，该银行流动性下降，带来银行偿付能力减弱，进而使得该银行面临更高的破产可能性，同时会对银行系统造成负的外部影响，继而引发整个银行业的系统性风险。进一步地，银行系统危机暴发又会致使整个系统的流动资金池收缩并带来单个银行流动性不同程度的进一步下降，在系统性风险两种维度的作用下，这种传导形成螺旋效应，循环往复，相互加强。

图1NSFR及其调整速度的变动对系统性风险影响的作用机理

（二）假设条件

首先，多数学者认为巴塞尔协议Ⅲ对净稳定融资比率的监管要求会使银行的流动性水平增加[14]。毋庸置疑，一家银行的流动性越强就越有充足的实力抵御危机带来的冲击，当整个银行系统发生全局危机时其抵御传染的能力将会增强[15]。基于此，提出假设1。

假设1：净稳定融资比率增大会削弱系统性风险发生的可能性。

其次，依据调整速度的相关理论[10,11]，净稳定融资比率的调整速度越快，就越会缩短银行低于目标流动性时的调整时间，从长期而言这也会降低系统性风险发生的可能性。据此提出假设2。

假设2：净稳定融资比率的调整速度越快越有利于降低系统性风险。

（三）基于局部调整模型的净稳定融资比率调整速度的测算

有关净稳定融资比率的测算，相关研究已非常丰富，在此不再赘述。这里将重点介绍基于局部调整模型的净稳定融资比率调整速度的测算方法。

局部调整模型认为在经济活动中，经济变量的实际值会受其目标值的影响。由于各种因素的制约，经济变量一般很难在规定时间实现其目标水平，只能向目标水平调整。该模型认为，经济变量的实际变化仅仅是向目标调整过程的一部分。即将局部调整模型运用于净稳定融资比率指标调整中，银行的实际净稳定融资比率是目标净稳定融资比率的一部分，并且会受上一期实际值的影响。

其中，NSFRi,t表示t期银行i的实际净稳定融资比率，NSFR*i,t表示理想状态下t期银行i的目标净稳定融资比率，λ则表示上一期银行的实际NSFRi,t-1向NSFR*i,t调整的速度，ε是随机误差项，NSFR*由银行多种经济因素决定，见式（2）。

可以看出，目标NSFR*i,t是由银行t-1期的微观特征值决定的。其中，α为待估计系数向量，Xi,t-1为i银行t-1期的银行特征向量。借鉴Kim等(2017)中关于NSFR*的估算模型[11]，银行特征向量X主要包括：是否支付股利（DD）、银行规模（SIZE）、银行的资产收益率（ROA）、核心资本率（T1）以及权益比率（CAP）。

将式(2)代入式(1)可得：

对式（4）进行基本回归可得估算的λ与λαi，再将数值带回到式（2）中，可求得样本银行的NSFR*。

值得注意的是，对式（4）进行基本回归后求得的λ对每家银行在不同的时间段内都是相同的。然而实际情况是，各银行一定会随时间的变化，以不同的调整速度向其目标比率进行调整。因此，为求得逐年不同的λ，这里还需要再次运用局部调整模型。

可以确定的是，与净稳定融资比率的影响因素类似，其调整速度λ必定也由银行多样化的特征因素决定，可得：

式（5）中，Λ为待估计系数向量，Yi,t-1为t-1期银行i特征向量。借鉴Berger(2011)的估算模型，确定影响的银行特征向量（Υ）如下：虚拟变量（BE-LOW），实际比率与目标比率的差值（GAP）,银行规模（SIZE)[16]。各银行特征向量的变动均会引起λ的显著变动。当NSFRt-1<NSFRt*时，BELOW=1；当NSFRt-1≥NSFRt*时，BELOW=0。设定该指标是因为当银行以低于目标比率进行经营时银行会更倾向于快速调整以期达到目标值。实际比率与目标比率的差值GAP=NSFRt*-NSFRt-1，它是影响调整速度的主要因素，在实践中应分为NSFRt*>NSFRt-1与NSFRt*<NSFRt-1两种情况讨论，当NSFRt*>NSFRt-1即GAP为正值时，银行的实际流动性水平低于目标值，实际值与目标值的差距越大，向目标流动性调整的成本就越高，所以GAP越大，λ越小；当NSFRt*<NSFRt-1即GAP为负值时，银行的实际流动性水平高于目标值，此时银行可以通过调整流动性资产负债科目轻易地将实际流动性下调到目标水平，并且实际值与目标值差距越大（负值的GAP越小），银行越有足够的资本去调整到目标水平，表现为调整速度（λ)越大，所以上述两种情况均表现为GAP越大,λ越小。银行规模对调整速度的影响则是双向的。一方面规模较大的银行有实力快速调整银行的流动性以达到目标值；另一方面规模较大的银行则更倾向于保持低的流动性，在短期内允许实际比率与目标比率存在一定的差距，所以银行规模对流动性调整速度的影响可能是正向的，也可能是负向的。

将GAP=NSFRt*-NSFRt-1代入式（5）中可得：

将式(5)代入式(1)的局部调整模型中可得：

再对式（8）进行回归，将Y*GAP作为外生变量估计参数Λ，最后代入到式（6）中，即可求得样本银行i第t年的净稳定融资比率调整速度（λi,t）。

四、模型设定、变量说明与描述性统计

（一）模型设定

本文设定如下面板模型(A)与面板模型(B)研究净稳定融资比率及其调整速度对系统性风险的影响。

式中，系统性风险SysRiski,t由CoVaR1、CoVaR2衡量[17]。CoVaR1衡量的是系统性风险的第一个维度，即个体银行发生财务困境时对整个银行的系统风险溢出效应。CoVaR2衡量的是系统性风险的第二个维度，即整个银行系统发生危机时对个体银行风险溢出的系统性风险。同时，加入银行规模（SIZE）、资产收益率（ROA）、银行核心资本充足率(TIER1）、国内GDP增长率、CPI增长率和货币供给量（M2）作为控制变量。考虑到政策执行的滞后性与延时性，各解释变量与控制变量指标均采用滞后一期值。

（二）数据及变量说明

本文以2008-2017年16家上市银行的微观数据为样本，建立非平衡面板数据2，所有变量均进行了1%水平上的缩尾处理，以去除极端值对回归结果的影响。

1.系统性风险

这里用条件在险值表示系统性风险。CoVaR表示银行的总风险价值，包括无条件风险价值与溢出风险价值[18]。本文借鉴Mainik等（2014）分位数回归的方法估算CoVaR来衡量系统性风险[19]。

2.核心融资比例及其调整速度

作为NSFR的替代变量，核心融资比例（CFR）为银行传统的流动性的衡量指标，借鉴廉永辉、张琳（2015)[20]的方法，CFR可以表示为：

同样地，令核心融资比率的调整速度λcfr，作为净稳定融资比率调整速度的替代变量，其与净稳定融资比率调整速度的估算方式相同。

3.控制变量

银行规模（SIZE）、资本收益率（ROA）、资本充足率（CAR）是银行的异质性特征变量。规模大小（SIZE）体现了企业获利、经营的稳定性，其变动必定会对银行的系统稳定性产生影响；资本收益率（ROA）是银行盈利能力的特征值，也会引发系统性风险的变动。核心资本充足率（TIER1)是银行稳健经营的基石，也可能会对系统性风险产生影响。宏观经济变量中,国内生产总值增长率（GDPP）、消费者物价指数（CPI）、货币供给增长率（M2）均是影响系统性风险的重要因素，引入模型中用以控制宏观经济因素的影响。

各变量的具体含义及其构建方法或来源如表1所示。

表2为各主要变量的描述性统计结果。从表2中可以看出，我国银行系统CoVaR1最小值为-12.8255，最大值为-1.8368，平均值为-4.8851，银行系统包含各上市银行对自身风险溢出在内的总风险价值各不相同。我国各上市银行CoVaR2最小值为-12.7089，最大值为-1.6210，平均值为-4.1730，各上市银行包含银行系统对自身风险溢出在内的总风险价值差异明显。净稳定融资比率数值差异不大，且最小值也高于监管标准最低为1的要求，反映出上市银行的整体流动性较好。调整速度的最小值为-0.0234，最大值为0.1611，反映出不同银行之间调整的正负差异较为明显。λ>0,意味着银行对自身流动性进行正向调节3；λ<0,意味着银行对自身流动性进行反向调节；λ=0，则意味着银行实际净稳定融资比率与目标值接近，银行流动性水平处于最佳状态。

表1研究变量

数据来源：Wind数据库、中国人民银行官网。

表2主要变量描述性统计

进一步地，将样本银行NSFR、NSFR*、λ三者之间的趋势变动进行比较，结果如图2所示。由样本银行目标NSFR*的趋势图可知，国有商业银行的目标NSFR*水平总体呈下降态势，可见国有商业银行的目标流动性水平在逐年降低，较之于股份制银行，国有商业银行在危机发生时有更广的渠道可以快捷便利地获得资金，所以国有商业银行可以降低其目标流动性储备水平。同样的原因，国有商业银行的λ值近似为0，因为国有商业银行更容易从中央银行处获取资金，所以国有商业银行的NSFR基本均达到目标水平，不需要再做过多调整。实际比率与目标比率的重合度也比较高。股份制银行中除中信银行以外其他银行的实际比率也基本围绕目标比率上下波动，我国银行业整体流动性水平达标较好。中信银行的实际比率与目标比率偏离程度最大，所以该行在样本期内需要不停地对实际比率进行调整，调整速度的绝对值与其他银行相比较也较大。

五、实证分析

（一）NSFR对系统性风险影响的实证研究

由Hausman检验结果可知，该样本应采用固定效应面板模型，模型估计结果如表3所示。列（1）、列（2）全样本结果显示，NSFR提升会显著降低系统性风险。从第一维度来看，NSFR每增加100%，个体银行破产引致银行系统暴发的风险溢出将降低4.369；从第二维度来看，NSFR每增加100%，系统暴发危机引发个体银行产生的风险溢出将降低5.282，两个维度下NSFR增大对系统性风险的影响相差不大。

表3NSFR与系统性风险的回归估计结果

注：*、**、***分别表示在10%,5%,1%的水平下显著。

列（3）～列（6）是将样本进行分类后得到的回归结果。列（3）、列（4）是股份制银行的回归结果，其与全样本回归结果几乎一致，即NSFR增大也会使得两类系统性风险显著下降。值得注意的是，列（4）的绝对值较之列（3）要更小，反映出对于股份制银行，NSFR对系统性风险的抑制作用第一维度要比第二维度的效用更大，即对股份制银行样本而言，个体银行相对于银行系统更为脆弱。而列（5）、列（6）国有银行样本回归结果则不再显著，这一点不难理解，国有商业银行更容易通过多种渠道获得充裕的流动性，而不必依赖于通过提升表内资产、负债的流动性来达到提升整体流动性的目的，流动性是否充裕使得其与系统性风险之间并不存在显著关系。

图216家上市银行NSFR、NSFR*、λ趋势

微观控制变量中，SIZE在各次回归中均显著，说明在其他变量被控制的条件下，银行规模与系统性风险均呈正相关关系，银行规模越大，风险溢出可能带来的系统不稳定性就越高，美国次贷危机中大型机构轰然倒闭就是最好的例证。ROA在全样本与股份制银行样本下均显著，说明银行盈利能力的提高会增加系统性风险发生的可能性。这是由于单个银行在提升盈利能力的潜在要求下，会有更强烈的承担高风险业务以获得高收益的欲望，进而增加银行业的系统性风险；但从列（5）、列（6）来看，ROA的提高对维度一的影响显著，而对维度二的影响不显著。这可能是由于拥有更多的流动性资源与资产储备，国有银行相较于股份制银行抵抗系统性风险波及的能力更强，所以提升收益率带来的系统性风险加剧仅会从单个银行显著传递到整个银行系统。TIER1整体不显著，可能是由于资本充足率是银行个体微观审慎监管指标的缘故。宏观控制变量与系统性风险的关系都非常显著。很显然，国内生产总值增长率增加、居民消费价格指数增长的过程都离不开银行加杠杆的行为，当然也就可能带来银行系统性风险的上升。货币供应量M2上升自然也会带来银行业系统性风险的增长。

基于模型(A)及表3的实证结果可以看出，假设1成立，即净稳定融资比率增大会削弱银行业系统性风险发生的可能性，但对于国有银行，NSFR对系统性风险的抑制效应并不明显。

（二）调整速度λnsfr对系统性风险的影响

由Hausman检验结果可知该样本适合固定效应面板模型，模型估计结果如表4所示。由列(1)可知，净稳定融资比率的调整速度对系统性风险影响显著，从单个银行风险溢出到整个银行系统的维度分析，λnsfr每增加100%,CoVaR1下降4.188；从整个银行系统陷入危机对单个银行的影响维度分析，λnsfr每增加100%,CoVaR2下降3.853。净稳定融资比率调整速度越快，银行实际流动性水平偏离目标水平的时间就越短，系统性风险发生的可能性就越低。

同样地，列（3）～列（6）是分样本回归的结果。可以看出，股份制银行的回归结果与全样本银行的回归结果十分接近。国有银行因为更容易多渠道地获得资金，所以系统性风险与流动性调整速度之间的关系并不显著，这一点从列(5)、列(6)的回归结果可以窥见一斑。

SIZE在各次回归中均显著说明系统性风险对银行规模大小更为敏感，规模越大的银行陷入危机时对整个银行系统的溢出影响越大。与表3回归结果类似，ROA在全样本与股份制银行样本下均显著，而无论是系统性风险的第一维度亦或是第二维度，国有银行样本下ROA变动对系统性风险影响都不显著。TIER1总体不显著，说明系统性风险对银行个体的资本充足率约束依赖性不大。GDP、CPI、RATE均显著表明宏观经济形势对银行业的系统性风险也有很大的影响。

表4调整速度（λnsfr）与系统性风险的回归结果分析

注：*、**、***分别表示在10%,5%,1%的水平下显著。

基于模型(B)及表4的实证结果可以看出，假设2成立，即净稳定融资比率调整速度增大会削弱系统性风险发生的可能性，同样的，对于国有银行，这一结果并不显著。

六、稳健性检验

为保证结果的稳健性，本文首先对所有变量进行1%水平的缩尾处理，以去除极端值对回归结果的影响；其次用核心融资比例及其调整速度λcfr作为解释变量的替代指标再次对模型(A)、模型(B)进行回归，结果见表5与表6。

表5是使用固定效应面板得到的实证结果。可以看出，无论是从维度一分析，亦或是维度二分析，全样本下CFR对系统性风险的影响均显著，且CFR的增加均会引起CoVaR1、CoVaR2显著减小。列（3）～列（6）同样是分样本实证结果，与表3结果一致。全样本与分样本下的控制变量的实证结果也与表3结果基本一致。

表6同样是使用固定效应面板模型得到的估计结果。由列（1）、列（2）数据可知，无论是从银行陷入危机时对整个银行系统风险溢出的角度分析，还是从整个银行系统陷入危机时对单个银行风险溢出的角度分析，CFR的调整速度对系统性风险的影响均显著。净稳定融资比率调整速度越快，系统性风险发生的可能性就越低。λcfr与λnsfr回归结果一致，核心融资比率调整速度越快系统性风险发生的可能性越低。λcfr回归结果稳健,验证了调整速度与系统性风险之间存在显著关系。

表5CFR与系统性风险的回归结果分析

注：*、**、***分别表示在10%,5%,1%的水平下显著。

表6核心融资比率调整速度与系统性风险的回归结果分析

注：*、**、***分别表示在10%,5%,1%的水平下显著。

七、结论与政策建议

（一）结论

本文研究了巴塞尔协议Ⅲ中流动性风险指标净稳定融资比率的调整对银行业系统性风险的影响。从系统性风险的两个维度出发，探寻流动性指标净稳定融资比率动态变化对银行业系统稳定性的影响。研究结果表明，无论是从银行系统风险溢出的角度，还是从单个银行风险溢出的角度，净稳定融资比率指标及其调整速度的增大均会有效降低系统性风险，即变动与系统性风险存在关系，NS-FR在降低银行业整体系统性风险方面确实有效，但这一结论对于国有商业银行并不适用。由稳健性检验结果可知净稳定融资比率与核心存款比率在使用效果上存在相似性，可以相互替代，各银行在建立自身流动性监管体系时应兼顾新旧流动性指标。

（二）建议

综合以上结论，本文提出如下政策建议：

第一，商业银行应积极探求自身最优流动性水平及其调整速度。商业银行不应当仅关注于完成流动性监管指标的基本任务，而是需要根据自身实际加快建立健全新的流动性监管体系，测量最优流动性净稳定融资比率指标的同时兼顾其他流动性指标,适时动态调整，实现流动性、安全性与盈利性的最佳协调。

第二，宏观审慎政策应与微观审慎政策统一协调配合，共同作用于银行流动性的监管[21]。监管部门应当意识到维护银行业的系统稳定性是一个动态过程，实证结果也证实了维护银行业系统稳定绝不仅仅是宏观审慎的主要任务，更不是和微观审慎监管相割裂的，只有实现宏微观审慎监管政策的统一协调配合，才能更好地实现金融体系的稳健运行。

第三，监管当局在贯彻实行巴塞尔协议Ⅲ的进程中也应当不断测试其流动性监管指标的有效性及实用性，不断优化我国流动性监管体制，引导商业银行探求最适合自身的流动性水平及调整速度，提高各银行抵抗流动性风险冲击的能力。

第四，对于国有商业银行，尽管实证结果表明样本期内以NSFR为代表的流动性风险监管标准变动对系统性风险并无直接影响，但是同样需要监管者怀有惕厉之心，密切关注在去杠杆的大背景下，债务可能突增带来的系统性风险聚集。

参考文献:

[1]梁枫.金融安全视角下商业银行流动性风险监管路径选择[J].经济问题,2018(7):39-43+110.

[3]刘志洋.流动性风险监管能够有效降低商业银行系统性风险贡献度吗--来自中国上市银行的经验证据[J].南方金融,2018(11):67-74.

[5]李明辉,刘莉亚,黄叶苨.巴塞尔协议Ⅲ净稳定融资比率对商业银行的影响--来自中国银行业的证据[J].国际金融研究,2016(3):51-62.

[8]李明辉,周边.BaselⅢ净稳定融资比率能否替代存贷比?--来自中国上市银行的经验证据[J].财经论丛,2018(1):48-58.

[9]陈忠阳,刘志洋.国有大型商业银行系统性风险贡献度真的高吗--来自中国上市商业银行股票收益率的证据[J].财贸经济,2013,34(9):57-66.

[12]史燕丽,刘玉廷.巴塞尔协议Ⅲ净稳定融资比率对银行绩效的影响研究[J].安徽大学学报,2018(1):150-156.

[13]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(2):100-152.

[14]钟伟,谢婷.巴塞尔协议Ⅲ的新近进展及其影响初探[J].国际金融研究,2011(3):46-55.

[17]郭娜,胡佳琪,周扬.我国系统重要性银行的评估与监管--基于CoVaR方法的研究[J].武汉金融,2017(4):34-38.

[18]杨有振,王书华.中国上市商业银行系统性风险溢出效应分析--基于CoVaR技术的分位数估计[J].山西财经大学学报,2013,35(7):24-33.

[20]廉永辉,张琳.流动性冲击､银行结构流动性和信贷供给[J].国际金融研究,2015(4):64-76.

[21]王俊勇,李心丹.防控系统性金融风险倒逼监管改革路径探析[J].现代经济探讨,2019(7):51-58.

崔婕,王思遥,张晓燕.净稳定融资比率调整对银行业系统性风险的影响研究[J].经济问题,2020(06):41-48+55.