一、研究背景与问题

2007年美国次贷危机的爆发使影子银行成为各界关注的热点问题，影子银行带来的金融过度创新和监管缺失被归咎为金融危机产生的主要原因。不同于欧美影子银行模式，中国影子银行主要从事信贷融资活动，在金融创新与监管跟进的往复过程中，先后经历了银信合作、银证合作等通道类业务模式，并逐步向买入返售金融资产等同业业务模式扩展^[1]。无论商业银行参与影子银行业务的具体形式如何变化，其实质依然是商业银行通过与不同的过桥方进行合作，对接理财产品、资管计划等影子银行业务，绕开信贷监管和利率限制等外部约束，达到变相发放贷款的目的。

大量针对次贷危机的研究表明：单个金融机构的风险控制并不能有效防范系统性风险的生成和积累，系统性风险在空间上就表现为风险在机构之间进行传染，而非银行金融机构则更容易产生风险传染效应^[2]。美国以资产证券化为基础的影子银行加强了商业银行等金融机构之间的关联性，危机期间影子银行机构抛售资产证券化产品等行为使风险在金融机构之间蔓延，最终导致商业银行遭受巨大的系统性风险和资产损失。从资金供给的视角看，在中国影子银行体系的运行中，商业银行不仅承担了代销影子银行产品、管理资金等职能，更是通过应收款项类投资等非信贷科目持有大量影子银行资产，向影子银行部门提供资金，成为整个影子银行体系最主要的资金供给者之一。目前有大量研究计量分析了中国影子银行发展对商业银行盈利能力和个体经营风险产生的影响，也有部分研究刻画了影子银行对商业银行的风险传染效应，但尚未有研究将中国商业银行参与影子银行业务的行为与金融风险传染效应的产生相联系。因此，本文基于2007—2017年上市金融机构数据，在对商业银行条件在险价值CoVaR进行计算之后，实证分析了商业银行参与影子银行业务与金融风险传染效应之间的关系。

相比于现有研究，本文的工作体现在以下两个方面：一是当前研究很少讨论影子银行向商业银行进行风险传染的原因，而本文重点关注商业银行参与影子银行业务对其受到风险传染造成的影响，为更好地理解中国系统性金融风险如何产生提供了新的经验证据；二是有别于现有微观研究使用的理财产品等数据，本文沿用祝继高等的研究思路^[3]，从影子银行体系资金供给方的角度出发，使用商业银行应收款项类投资等资产负债表数据进行实证研究，对正确理解商业银行在影子银行体系中扮演的角色进行了有益探索。

二、文献回顾 (一) 影子银行运作模式

欧美影子银行具有高度的技术复杂性。Pozsar等认为影子银行的职能包括将高风险、长期限的金融资产进行打包，提供期限转换和信用转换功能，组合成为信用风险较低、期限较短的金融产品，并出售给消费者^[4]。Gorton等认为欧美影子银行系统的三大主要业务包括将银行资产从资产负债表进行剥离的ABS业务、货币市场共同基金和为证券化提供支撑服务的回购业务^[5]。

中国影子银行技术复杂程度相对较低，主要从事信贷类业务。王喆等详细梳理了影子银行发展历程，认为商业银行参与影子银行业务的实质在于隐藏信贷行为、变相发放信贷资金，通过寻求不同的过桥方和延长业务链条来规避监管，而其业务模式目前正从通道类业务向同业业务扩展^[1]。Chen Kaiji等认为商业银行在金融监管和货币政策的双重约束下，为提高经营利润，将原本计入信贷科目的资产移入非信贷科目，最终扩大了实际放贷规模，成为影子银行体系的主要资金来源之一^[6]。

(二) 影子银行发展与商业银行风险

鉴于次贷危机的经验教训，关于影子银行的研究从一开始就聚焦于对金融体系产生的风险冲击。Acharya等认为以ABCP业务为代表的影子银行是次贷危机较早阶段的风险核心部门，商业银行以资产支持的商业票据为管道，将数以万亿计的资产进行证券化，并为其提供了明确的担保来降低监管的资本要求，但并未使风险向外部转移，资产损失仍由商业银行进行承担，并为外部投资者提供了追索权，导致持有这些影子银行产品的商业银行资产回报率降低^[7]。Nesvetailova通过案例分析，认为CDO等影子银行业务在次贷危机期间导致的流动性短缺造成了投资者恐慌和信任危机，使商业银行遭受重大资产损失^[8]。

国内研究主要从宏观上分析影子银行发展对商业银行风险的影响。毛泽盛和万亚兰计算了商业银行稳定性指标，并建立非线性方程，对影子银行影响商业银行体系稳定性进行计量分析，提出影子银行发展对商业银行稳定性具有倒U型的阈值效应^[9]。王擎和白雪使用省级面板数据，实证检验了区域影子银行发展对商业银行不良贷款率的影响，主要结论认为影子银行发展最终会提高商业银行不良贷款率^[10]。极少数研究使用微观数据讨论了商业银行参与影子银行业务时所承受的个体经营风险，如祝继高等使用商业银行买入返售金融资产规模作为商业银行从事影子银行业务的指标，研究发现商业银行通过同业业务进行资金融出的行为能够显著增加个体经营风险，而对利润的追逐是其从事影子银行业务的根本动机^[3]。高蓓等以理财产品活跃程度为指标，实证分析了商业银行发行理财产品、参与影子银行业务对自身经营稳定性的影响，发现理财产品的发行能够降低商业银行盈利能力，最终为商业银行带来更高的经营风险，且各种理财产品都会带来这种效应^[11]。上述研究讨论了影子银行与商业银行风险之间的关系，但均以不良贷款率、经营稳健性等传统风险作为考察对象，未涉及风险传染效应等系统性风险相关问题。

(三) 风险传染效应的刻画

次贷危机以后产生了一批受到广泛认可的系统性风险测算方法，如边际期望损失模型(MES)、条件在险价值模型(CoVaR)、指标法等。而这些研究方法也经常用于刻画影子银行对商业银行的风险传染效应，如Pellegrini等使用CoVaR模型，对英国以货币市场基金为基础的影子银行进行了实证研究，认为货币市场基金的流动性错配增大了金融体系的系统性风险^[12]。

在国内，李建军和薛莹基于投入产出法，建立了包含影子银行和商业银行在内的双边风险矩阵，计算了各部门的非预期损失边际转化率期望值，结论显示当前商业银行已受到影子银行的风险冲击，但目前风险仍处在可控程度^[13]。李丛文和闫世军使用时变的copula函数计算CoVaR值，计算了中国影子银行对商业银行的风险传染程度，认为当前影子银行对商业银行的风险传染程度较低，但仍需要加强防范^[14]。马亚明和宋羚娜将影子银行分为信托、证券和民间借贷三类，使用拓展的GARCH-CoVaR模型对影子银行的风险传染程度进行实证研究，认为当前影子银行与商业银行的关联性正逐步加强，风险传染的效应已经初步形成，应当加强对影子银行业务的监管^[15]。上述研究虽然刻画了影子银行对商业银行的风险传染效应，但未就其产生原因进行讨论。

综上所述，现有研究回答了影子银行发展对商业银行个体经营风险的影响，也回答了影子银行与商业银行之间是否存在风险传染效应，但尚未从微观上验证这种金融机构之间的风险传染是否由商业银行参与影子银行业务所引起，本文将重点围绕这一问题展开研究。

三、商业银行参与影子银行业务的典型模式与风险传染的生成机制 (一) 应收款项类投资与买入返售金融资产

当前中国影子银行业务主要包括理财业务、银信或银证等合作类理财业务、委托贷款、资产管理计划等，商业银行在这一过程中表面上仅从事产品代销、资金管理等非资产类业务，但从影子银行体系资金供给的主体看，商业银行实际上通过非信贷科目持有影子银行资产，为影子银行体系提供资金，其典型模式主要包括“应收款项类投资”和“买入返售金融资产”等。

“应收款项类投资”模式是指限于监管要求，商业银行减少信贷业务，转而购买委托贷款受益权、信托受益权或资产管理计划受益权等，并放在资产负债表内应收款项类投资科目下，以此隐蔽地直接参与影子银行业务。尹劲桦和刘旻雁的研究显示^①，中国26家上市银行中，应收款项类投资在2015年规模已达人民币10.5万亿元，占这26家上市银行资产总额的8.4%，该类资产中68%为信托受益权和资管计划受益权，13%为理财产品，19%为政府、金融机构和企业发行的债券^[16]。可见应收款项类投资科目主要用于持有影子银行资产，向信托公司等影子银行机构融出资金，通过延长信贷链条，绕过金融监管，最终为企业提供信贷支持。

① 该文数据来自于穆迪投资者服务公司报告，所提供数据具有较高可信性。

相比之下，“买入返售金融资产”模式出现得更早且加入了更长的业务链条。以商业银行A为例：由于监管规则限制，A难以通过常规手段向信托、证券等影子银行机构直接融出资金，转而引入商业银行B和商业银行C分别作为新的过桥方和担保方，并对接信托计划、资产管理计划等影子银行业务。商业银行A提供资金，由商业银行B出面直接向影子银行机构购买影子银行产品受益权，并最终将受益权回让给商业银行A。由于过桥方B的加入，商业银行A能够间接向影子银行机构融出资金，所获得的影子银行产品受益权不计入信贷科目，转而作为同业业务计入买入返售金融资产科目下^[3]。

(二) 基于资产负债关联的风险传染效应

中国商业银行在整个影子银行体系运行的过程中，不仅承担了代销、代管影子银行产品的职能，而且直接参与了影子银行活动，通过购买信托受益权、委托贷款受益权等，隐藏于资产端应收款项类投资或买入返售金融资产等科目下，最终实现向影子银行部门提供资金，间接向企业进行融资。商业银行成为影子银行体系事实上的资金供给者，影子银行的负债对应于商业银行的资产，从而形成了商业银行与影子银行之间的资产负债关联。

金融机构间的风险传染效应一般被定义为一个金融机构的破产违约导致其他金融机构的破产违约，传染的过程主要有资产负债关联和信息传导等方式。其中资产负债关联又称为会计账户关联，是风险传染最直接和最主要的形式^[13]。在商业银行与影子银行机构建立了资产负债关联之后，影子银行机构的资产状况将直接影响其违约概率，进而影响商业银行的资产状况。当影子银行机构受到非预期损失时，其违约概率将明显提高，使得商业银行作为债权人也受到非预期损失，从而使风险从影子银行向商业银行传导，最终造成系统性风险的产生与积聚。

四、研究设计 (一) 样本选取与数据说明

本文选用上市时间较长，且涉及影子银行业务相关财务数据相对完整的14家商业银行作为商业银行机构样本^②，选取25家非银行金融机构作为影子银行机构样本^③。所选样本的时间区段为2007—2017年的年度数据，时间范围包括了中国银信理财、银证理财和同业业务等影子银行业务的产生和发展。另外在风险传染指标的计算中使用了所选样本在2007—2017年期间的日度股市收益率数据，各金融机构的日对数收益率为：${r_{i{\rm{t}}}} = 100 \times \ln \left( {\frac{{{p_{i{\rm{t}}}}}}{{{p_{i, {\rm{t}} - 1}}}}} \right)$，p_it为机构i在第t日的收盘价，参考李丛文和闫世军^[14]的研究方法，影子银行部门的总体收益率序列为25家影子银行机构收益率序列的算数平均值。全部数据均来自Wind数据库。

② 14家作为样本的商业银行包括平安银行、浦发银行、华夏银行、交通银行、宁波银行、南京银行、北京银行、建设银行、农业银行、光大银行、民生银行、招商银行、工商银行和中国银行。

③ 作为影子银行样本的25家非银行金融机构中，民生控股、新力金融、华鑫股份、绿庭投资和太平洋作为资产管理类影子银行的代表；国投资本、陕国投A、安信信托和中航资本作为信托类影子银行的代表；渤海金控、鲁信创投和香溢融通作为民间金融类影子银行的代表；另外包含13家上市证券公司作为证券类影子银行的代表。

(二) 风险传染指标ΔCoVaR的测度

当前计算风险传染效应的主流方法包括矩阵法和CoVaR模型等。矩阵法的计算要求提供机构间完整的资产负债规模，往往会因为得不到真实的财务数据而使用最大熵值法或假设各机构间平均持有债务来进行估算，最终可能难以真实反映机构之间的风险传染程度。因此本文采用Adrian和Brunnermeier^[17]提出的条件在险价值模型(CoVaR)，该方法用于刻画在考虑机构A在险价值VaR的情况下，机构B面临的条件在险价值CoVaR，并将ΔCoVaR定义为机构A对机构B的风险贡献度，即机构A对B的风险传染程度。该方法一经提出就受到广泛认可，被大量用于实证分析机构之间、市场之间、机构与市场之间的风险传染效应，并在此基础上进行了一定的发展和完善。相比于CoVaR模型早期使用的分位数回归计算方式，高国华和潘英丽认为基于GARCH模型进行拟合的CoVaR能够考虑发生极端事件时的风险特征，同时假设收益率残差项服从t分布，计算得到的CoVaR效果更好^[18]。王周伟等在比较各种方法的优缺点与适用性后，认为基于GARCH模型的CoVaR计算方法有效性更高^[19]。同时，考虑到在金融市场中，资产价格的变动往往存在非对称的杠杆效应，即好消息对资产价格波动的影响要弱于坏消息的影响，而带有杠杆的GARCH模型比一般的GARCH模型更能描述上述现象。

综上所述，本文使用带杠杆的GARCH-CoVaR模型计算影子银行部门对商业银行的风险传染程度，参考高国华和潘英丽等人的研究，设计计算步骤如下(以商业银行i受到的风险传染为例)。

第一，检验商业银行i的收益率序列是否存在ARCH效应，并选择合适的标准GARCH、EGARCH或TARCH模型对该收益率序列进行拟合，设定均值方程为：

$ {r_{i{\rm{t}}}} = {\beta _0} + {\beta _1}{r_{m{\rm{t}}}} + A\left( L \right){r_{i{\rm{t}}}} + B\left( L \right){u_{i{\rm{t}}}} $

(1)

均值方程中的r_it表示商业银行i的日对数收益率，r_mt为市场指数的日对数收益率，A(L)和B(L)描述残差项中的一阶自相关情况。EGARCH、TARCH与标准GARCH的均值方程一致，方差方程作出一定修正。模型选择和ARMA项选择根据各模型拟合优度和显著性水平进行比较确认。

第二，根据拟合均值和条件方差结果，计算出商业银行i的在险价值VaR，计算公式为：

$ {\rm{Va}}{{\rm{R}}_{i{\rm{t}}}} = {{\hat R}_{i{\rm{t}}}} - Q\left( q \right){{\hat \sigma }_{i{\rm{t}}}} $

(2)

其中${{\hat R}_{i{\rm{t}}}}$为所选GARCH类模型的一步向前预测均值，${{\hat \sigma }_{i{\rm{t}}}}$为一步向前预测的条件方差，Q(q)为q置信水平下的分位数。

第三，选择合适的GARCH模型对商业银行i的收益率序列和影子银行部门的VaR序列进行拟合，GARCH模型的均值方程为：

$ r_{i{\rm{t}}}^{{\rm{sbs}}} = {\beta _0} + {\beta _1}{\rm{Va}}{{\rm{R}}_{{\rm{sbs, t}}}} + A\left( L \right){r_{i{\rm{t}}}} + B\left( L \right){u_{i{\rm{t}}}} $

(3)

其中VaR_{sbs, t}为整个影子银行部门的在险价值，与商业银行i的在险价值VaR_it一样，根据上述步骤，使用影子银行部门收益率序列计算得到。

第四，根据得到的拟合均值和条件方差计算出CoVaR_it，计算公式如下：

$ {\rm{CoVaR}}_{i{\rm{t}}}^{{\rm{sbs}}} = \mathit{\hat R}_{i{\rm{t}}}^{{\rm{sbs}}} - Q\left( q \right)\hat \sigma _{i{\rm{t}}}^{{\rm{sbs}}} $

(4)

第五，定义ΔCoVaR_it^sbs=CoVaR_it^sbs－VaR_it。根据公式(2)得到的VaR_it序列和公式(4)得到的CoVaR_it序列，计算出影子银行部门对商业银行i的风险传染程度ΔCoVaR_it。

根据上述步骤，分别计算得到14家商业银行的ΔCoVaR序列，并取年度中位数作为实证研究中影子银行对商业银行的风险传染指标^④。由于CoVaR通常表示负的收益率(即损失率)^[20]，因此ΔCoVaR一般为负值，为便于观察计算结果，参考郭晔和赵静^[21]的做法，将所得到的ΔCoVaR做乘以-1的处理，处理后的ΔCoVaR值越大，则表示影子银行对商业银行的风险传染程度越大。

④使用年度中位数可消除个别异常数据对结果的影响。

表 1报告了影子银行部门对14家商业银行风险传染程度的年度中位数，结果显示各商业银行在大部分年份的ΔCoVaR值都大于0，表明作为样本的各商业银行都显著受到来自影子银行的风险传染，影子银行是重要的风险传染源。当影子银行受到非预期损失时，商业银行同样将受到非预期损失。

(三) 计量模型构建

为探讨商业银行参与影子银行业务与金融风险传染之间的动态关系，本文基于面板VAR(PVAR)模型进行实证研究。面板VAR模型与传统VAR模型相同的是将系统内的变量全部视为内生变量，可以考察各变量不同滞后期下的互相影响，能够更加真实地反映变量之间的关系。不同的是面板VAR还可以观测到不同样本之间的异质性。借鉴严太华和刘松涛^[22]、陈晓玲和张毅^[23]等人的研究，构建面板VAR模型简写如下：

$ {Z_{i{\rm{t}}}} = {\Gamma _0} + {\Gamma _1}{Z_{i, {\rm{t - }}1}} + {\mu _i} + {\varepsilon _{i{\rm{t}}}} $

(5)

其中Z_it是包含三变量的列向量(ΔCoVaR_it，ARI_it，RMCS_it)′，ΔCoVaR_it为t时期影子银行部门对商业银行i的风险传染程度，由上一小节计算得到。如理论分析所述，目前“应收款项类投资”模式和“买入返售金融资产”模式为商业银行参与影子银行业务的两种主要模式，且所涉及的财务数据都较为完整，因此面板VAR模型中用ARI_it和RMCS_it分别代表商业银行通过上述两种模式参与影子银行业务的程度，ARI_it以应收款项类投资科目余额除以当期资产总额表示，RMCS_it以买入返售金融资产科目余额除以当期资产总额表示。

五、实证结果与分析 (一) 描述性统计分析

表 2报告了变量的描述性统计。从影子银行对商业银行的风险传染程度看，ΔCoVaR的均值为0.425 7，表明商业银行普遍受到影子银行部门正向的风险传染。从商业银行通过不同模式参与影子银行业务的程度看，不同银行在不同年份的差距较大。

(二) 数据平稳性检验

由于本文面板数据并不具备显著的“大N小T”特征，因此有必要对变量进行单位根检验，以避免“伪回归”现象。采用Fisher-ADF方法对ΔCoVaR、ARI、RMCS三变量进行单位根检验，结果如表 3所示，各变量均在1%的置信水平下显著，表明数据是平稳的，可进行下一步的实证分析。通过MBIC、MAIC、MQIC准则以及经验法综合判断，确认模型的最佳滞后期为1期。因此，本文采用三变量一阶滞后的面板VAR模型来考察商业银行参与影子银行业务与金融风险传染效应之间的动态关系。

(三) 基于面板VAR的格兰杰因果检验

为了检验三变量面板VAR系统中各变量之间的因果关系，可以在面板VAR框架下进行格兰杰因果检验，主要结果报告于表 4中。

根据表 4所显示的变量间格兰杰因果关系，可以得到以下结论：在1%的显著性水平下，变量ARI与变量ΔCoVaR存在双向格兰杰因果关系；在1%的显著性水平下，变量RMCS是变量ΔCoVaR的格兰杰原因，上述结果表明商业银行通过“应收款项类投资”模型和“买入反售金融资产”模式来参与影子银行业务，是其受到影子银行风险传染的原因。同时，变量ΔCoVaR不是变量RMCS的格兰杰原因，表明商业银行没有根据所受风险传染的大小来增持或减持所有类型的影子银行资产，提示商业银行在作出投资策略的过程中，可能部分忽视了因参与影子银行业务而带来的系统性风险，没有根据所受风险传染的大小来调整其参与影子银行业务的程度。

(四) 模型估计结果

由于面板VAR模型使用动态面板数据，易产生因滞后项与随机误差项相关而引起的内生性问题，因此本文采用系统GMM的方法来进行参数估计，估计结果报告于表 5中。

从参数估计结果看，大部分变量系数均显著，说明使用系统GMM方法进行参数估计是合适的。本文重点关注变量ARI和RMCS对ΔCoVaR的影响。估计结果显示变量ARI的系数在滞后一期为正，即ARI的增加将导致ΔCoVaR的上升，表示商业银行持有应收款项类投资类资产的增加会加大其受到来自影子银行的风险传染。变量RMCS的系数在滞后一期为正，即RMCS的增加也将导致ΔCoVaR的上升，表示商业银行持有买入返售金融资产类资产的增加同样会加大其受到来自影子银行机构的风险传染。参数估计结果表明，商业银行参与影子银行业务，向影子银体系提供资金，能够导致影子银行向商业银行进行风险传染。

(五) 脉冲响应结果

为了进一步检验变量之间的动态关系，本文进行了脉冲响应分析。图 1和图 2中横轴表示响应期数，纵轴表示响应强度，上下两侧虚线为置信区间。

ΔCoVaR对ARI的脉冲响应结果如图 1所示，给ARI一个标准差的冲击，ΔCoVaR会立刻产生一个较激烈的正向反应，并大约在第三期左右达到最大，随后影响程度趋于减弱，总体上呈现出正向影响关系。ΔCoVaR对RMCS的脉冲响应结果如图 2所示，给RMCS一个标准差的冲击，ΔCoVaR会立刻产生正向反应，大约在第三期达到最大，随后影响程度趋于减弱，最终向0值靠近，总体上看还是呈现出正向影响关系^⑤。

⑤ ΔCoVaR对ARI和RMCS的累积响应强度均为正值，限于篇幅，不详细列出。

综上所述，脉冲响应结果与参数估计结果一致，都显示商业银行通过“应收款项类投资”模式和“买入返售金融资产”模式来参与影子银行体系运行，向影子银行体系提供资金，能够提高影子银行对商业银行的风险传染。商业银行在非信贷科目下持有影子银行资产，与影子银行建立了资产负债关联，当影子银行受到风险冲击时，对商业银行的违约概率增加，从而导致商业银行也面临非预期损失。

(六) 方差分解结果

为明确商业银行参与影子银行业务对其受到风险传染的影响重要性，对模型进行方差分解。方差分解主要描述一个内生变量对另外一个内生变量波动的贡献百分比，表 6是变量ΔCoVaR波动的方差分解结果。

从表 6可以看出，ΔCoVaR在第1期只受自身影响。在第1期以后，ARI和RMCS对ΔCoVaR预测方差的贡献度开始攀升，在第10期分别达到14.69%和43.05%左右。方差分解结果说明商业银行通过应收款项类投资和买入返售金融资产科目持有影子银行资产，是造成影子银行向其进行风险传染的主要原因，且不同业务模式的影响程度存在显著差异。更进一步地，上述分析结果也说明，尽管中国影子银行与欧美影子银行在业务类型和运行模式上存在较大区别，但同样都能通过建立资产负债关联，最终导致影子银行向商业银行进行风险传染，中国金融机构间的资产负债关联仍然是金融风险传染的主要形式。

六、结论与政策建议

本文基于中国2007—2017年上市商业银行和非银行金融机构的微观数据，首先使用带杠杆的GARCH-CoVaR模型就影子银行部门对商业银行的风险传染效应进行了计算；然后建立面板VAR模型，对商业银行参与影子银行业务与风险传染效应进行了实证分析。实证结果显示：中国影子银行部门是重要的风险传染源，对商业银行具有显著的风险传染效应；商业银行通过应收款项类投资和买入返售金融资产等非信贷科目融出资金，直接参与了影子银行业务，最终提高了来自影子银行的风险传染。

针对本文结论，提出以下政策建议：一是应充分关注商业银行通过非信贷科目参与影子银行业务的行为。商业银行表面上只承担产品销售、资金管理等职能，但实际上通过应收款项类投资等科目持有影子银行资产，向影子银行部门融出资金，并在一定程度上忽视了由此带来的风险传染效应。因此，要对商业银行持有影子银行资产的比重进行严格限制，加强商业银行信息披露，建立更为有效的风险隔离措施，防止商业银行通过该类行为过度扩张实际信贷规模，降低影子银行向商业银行的风险传染程度，积极防范系统性金融风险的产生；二是应加强监管部门之间的协调。从商业银行不断创新影子银行业务、规避金融监管的过程看，中国分业监管模式为商业银行提供了监管套利空间，商业银行能够通过寻求新的合作对象，将影子银行资产计入不同的资产科目，实现变相发放贷款。因此，要充分发挥“一委一行两会”金融监管新架构的优势，加强金融稳定发展委员会的统筹协调作用，减少监管重复，填补监管空白，提高监管效率，防范商业银行通过影子银行进行监管套利的行为。