張慶君，馬紅亮

（天津財經(jīng)大學(xué)金融學(xué)院，天津300222）

一、引 言

隨著我國經(jīng)濟(jì)從高速增長向高質(zhì)量發(fā)展轉(zhuǎn)變，轉(zhuǎn)變發(fā)展方式、優(yōu)化經(jīng)濟(jì)結(jié)構(gòu)和轉(zhuǎn)換增長動力是當(dāng)前經(jīng)濟(jì)工作的重要內(nèi)容。在這一過渡時期，上市公司因不能履行債務(wù)支付責(zé)任而產(chǎn)生的債務(wù)違約問題日益突出，由此可能帶來的風(fēng)險引起了各界高度關(guān)注。從WIND數(shù)據(jù)庫資料看，近年來我國上市公司債務(wù)違約數(shù)量和金額均呈現(xiàn)逐漸升高態(tài)勢，表明隨著我國宏觀經(jīng)濟(jì)步入調(diào)整期，我國上市公司將面臨越來越嚴(yán)峻的流動資金不足和債務(wù)償還壓力，債務(wù)違約可能會愈演愈烈，違約風(fēng)險也將成為我國金融領(lǐng)域密切關(guān)注的重點話題。十九大報告指出“將防范化解重大風(fēng)險，列為當(dāng)前全面建成小康社會決勝階段首要解決的問題?！边@些債務(wù)違約情形極大地影響了我國金融市場穩(wěn)定，如果金融生態(tài)環(huán)境惡化及行業(yè)約束政策收緊，將加速積累風(fēng)險暴露，對金融市場和經(jīng)濟(jì)活動進(jìn)一步造成沖擊，甚至演變成金融危機(jī)的導(dǎo)火索。當(dāng)前企業(yè)債務(wù)違約研究主要關(guān)注于如何通過構(gòu)建模型預(yù)測企業(yè)債務(wù)違約并降低違約風(fēng)險，忽視了上市公司在債務(wù)違約可能導(dǎo)致破產(chǎn)清算時，股權(quán)償付順序低于債權(quán)，給投資者造成的巨大損失，因此上市公司債務(wù)違約是一項非常嚴(yán)重的負(fù)面事件。如果上市公司債務(wù)違約狀況惡化，資不抵債，甚至破產(chǎn)清算，可能會誘發(fā)上市公司相關(guān)股價崩盤，造成債券市場風(fēng)險向商業(yè)銀行系統(tǒng)和股票市場跨領(lǐng)域傳遞，一旦股價崩盤觸發(fā)大股東股權(quán)質(zhì)押平倉風(fēng)險，又將進(jìn)一步加劇股票市場風(fēng)險，并將更多風(fēng)險傳遞給商業(yè)銀行系統(tǒng)，形成負(fù)反饋的連鎖反應(yīng)。在我國經(jīng)濟(jì)的資源配置中，銀行貸款依然是最重要的外部融資方式，以銀行為主導(dǎo)的金融中介在我國經(jīng)濟(jì)活動中處于重要的樞紐地位。債務(wù)違約企業(yè)因為自身失去造血功能，其居高不下的負(fù)債不僅會加重自身的債務(wù)風(fēng)險，而且因為與眾多銀行存在著千絲萬縷的信貸聯(lián)系，可能會將企業(yè)的債務(wù)違約風(fēng)險傳導(dǎo)至銀行體系，造成銀行體系的系統(tǒng)性風(fēng)險，進(jìn)一步威脅我國經(jīng)濟(jì)體系的健康發(fā)展。從這個視角來看，在我國經(jīng)濟(jì)轉(zhuǎn)型升級的重要階段，研究上市公司債務(wù)違約風(fēng)險對銀行體系的風(fēng)險關(guān)聯(lián)和風(fēng)險溢出日益重要。

研究重點在于考察債務(wù)違約上市公司和商業(yè)銀行之間因為資金借貸關(guān)系而產(chǎn)生的關(guān)聯(lián)性，以及由此導(dǎo)致上市公司債務(wù)違約風(fēng)險對商業(yè)銀行的外溢效應(yīng)。可能的增量貢獻(xiàn)在于手工篩選了債務(wù)違約上市公司的違約數(shù)據(jù)以及商業(yè)銀行的貸款數(shù)據(jù)，將上市公司債務(wù)違約情形，經(jīng)由借貸關(guān)系和金融領(lǐng)域的銀行系統(tǒng)性風(fēng)險有機(jī)結(jié)合起來，通過網(wǎng)絡(luò)分析方法，找出了處于關(guān)鍵節(jié)點的債務(wù)違約上市公司以及系統(tǒng)重要性銀行，定量研究了債務(wù)違約上市公司對這些銀行的風(fēng)險溢出效應(yīng)，拓寬了上市公司債務(wù)違約和商業(yè)銀行系統(tǒng)性風(fēng)險溢出的研究領(lǐng)域。

二、文獻(xiàn)綜述與機(jī)制分析

（一）文獻(xiàn)綜述

鑒于債務(wù)違約數(shù)據(jù)獲取方面的問題，上市公司債務(wù)違約的相關(guān)研究相對較少，從現(xiàn)有文獻(xiàn)看，主要集中在兩個方面。一個方面關(guān)注上市公司債務(wù)違約風(fēng)險預(yù)測以及影響因素的分析。Chih 等利用美國工業(yè)公司數(shù)據(jù)，研究了展期風(fēng)險（Rollover Risk）和債務(wù)違約風(fēng)險之間的關(guān)系，他們發(fā)現(xiàn)在依賴銀行融資的公司中，債務(wù)違約風(fēng)險和展期風(fēng)險之間呈現(xiàn)正相關(guān)關(guān)系。［1］吳世農(nóng)和盧賢義以陷入財務(wù)困境和財務(wù)正常上市公司為樣本，研究了兩類公司在出現(xiàn)財務(wù)困境五年內(nèi)財務(wù)指標(biāo)方面的差異，并對如何預(yù)測“違約風(fēng)險”提出了參考性的建議。［2］張澤京等運用KMV 模型對我國中小型上市公司信用風(fēng)險進(jìn)行了識別，發(fā)現(xiàn)資產(chǎn)規(guī)模對上市公司信用風(fēng)險有顯著影響，股權(quán)分置改革引起了中小型上市公司信用風(fēng)險的波動，造成短期內(nèi)違約風(fēng)險升高。［3］宮曉莉和莊新田將雙指數(shù)分布跳躍擴(kuò)散模型引入違約風(fēng)險分析，來識別上市公司資產(chǎn)價格跳躍風(fēng)險，研究表明在跳躍情形下資產(chǎn)價值距離違約門檻更近，短期內(nèi)跳躍風(fēng)險對違約概率影響具有異質(zhì)性，長期內(nèi)跳躍風(fēng)險下積累的違約概率高于無跳躍風(fēng)險情形。［4］另一方面主要關(guān)注上市公司債務(wù)違約和某一特定經(jīng)濟(jì)、管理現(xiàn)象的關(guān)系，例如，和公司投資、社會關(guān)系網(wǎng)絡(luò)、審計收費和企業(yè)避稅行為等。Sudheer和Michael探討了債務(wù)契約如何影響公司的投資行為并進(jìn)而影響公司控制權(quán)的問題，結(jié)果顯示當(dāng)債權(quán)人通過加速貸款威脅（the threat of accelerating the loan）來干預(yù)公司管理時，資本投資將會急劇下降。［5］許浩然和荊新考察了社會關(guān)系網(wǎng)絡(luò)對上市公司債務(wù)違約的影響，認(rèn)為社會關(guān)系網(wǎng)絡(luò)能夠降低公司發(fā)生債務(wù)違約的概率，社會關(guān)系網(wǎng)絡(luò)越富足，公司發(fā)生債務(wù)違約的概率越小。［6］陳婧等系統(tǒng)研究了債務(wù)違約曝光前后審計收費的變化，結(jié)果表明審計師對上市公司債務(wù)違約具有敏感性和謹(jǐn)慎性，能夠?qū)鶆?wù)違約曝光事件進(jìn)行反應(yīng)。［7］后青松等對上市公司銀行債務(wù)契約和企業(yè)避稅行為的關(guān)系進(jìn)行了研究，研究顯示我國商業(yè)銀行能夠通過債務(wù)契約識別企業(yè)避稅行為，并采取相應(yīng)措施提高避稅企業(yè)的融資成本，從而對企業(yè)的銀行貸款成本造成影響。［8］

關(guān)于風(fēng)險溢出的研究，現(xiàn)有文獻(xiàn)主要關(guān)注于宏觀金融體系內(nèi)的風(fēng)險溢出，比如金融機(jī)構(gòu)間的風(fēng)險溢出。［9］2008年的國際金融危機(jī)后，諸多學(xué)者利用市場數(shù)據(jù)建立全新的金融風(fēng)險模型進(jìn)行風(fēng)險溢出分析，包括基于收益率尾部依賴關(guān)系的條件在險價值CoVaR［10］、邊際期望損失MES［11］和系統(tǒng)性風(fēng)險指數(shù)SRISK［12］；這些基于股票市場數(shù)據(jù)，極大提高了系統(tǒng)性風(fēng)險測度的前瞻性和準(zhǔn)確性。［13］李志輝等利用CoVaR 方法，衡量了我國商業(yè)銀行系統(tǒng)性風(fēng)險溢出效應(yīng)，實證結(jié)果顯示國有銀行系統(tǒng)性風(fēng)險溢出效應(yīng)大于股份制商業(yè)銀行。［14］高國華等對商業(yè)銀行系統(tǒng)性風(fēng)險溢出貢獻(xiàn)度和影響因素進(jìn)行了測算分析，發(fā)現(xiàn)國有銀行風(fēng)險溢出效應(yīng)最顯著，股份制銀行相對較小。［15］陳建青等對我國金融行業(yè)系統(tǒng)性金融風(fēng)險溢出的邊際效應(yīng)和總溢出效應(yīng)進(jìn)行了實證分析，結(jié)果顯示金融行業(yè)系統(tǒng)性風(fēng)險溢出效應(yīng)具有正向性和非對稱性。［16］嚴(yán)偉祥等通過構(gòu)建DCC-GARCH 模型研究了銀行業(yè)、證券業(yè)、保險業(yè)、信托業(yè)以及金融期貨之間的風(fēng)險溢出效應(yīng)，并解析了當(dāng)某一金融行業(yè)陷入困境時對其他金融行業(yè)的風(fēng)險溢出貢獻(xiàn)。［17］部分學(xué)者關(guān)注了實體行業(yè)與金融行業(yè)間風(fēng)險溢出的研究。王輝等通過構(gòu)建擴(kuò)張的矩陣模型分析了房地產(chǎn)業(yè)和銀行間的風(fēng)險溢出與傳染，結(jié)果表明房地產(chǎn)業(yè)和銀行業(yè)組成的系統(tǒng)明顯比單獨的銀行系統(tǒng)更加脆弱，風(fēng)險傳染速度更加明顯。［18］翟永會通過時變t-Copula-CoVaR模型剖析了房地產(chǎn)業(yè)、交通運輸業(yè)、采掘業(yè)、鋼鐵業(yè)等對銀行系統(tǒng)的風(fēng)險傳遞和溢出，結(jié)果顯示房地產(chǎn)業(yè)對銀行系統(tǒng)風(fēng)險溢出效應(yīng)最大。他認(rèn)為管理銀行業(yè)系統(tǒng)性風(fēng)險不僅要加強(qiáng)銀行內(nèi)部風(fēng)險控制，更要關(guān)注系統(tǒng)重要性行業(yè)、系統(tǒng)脆弱性行業(yè)對銀行業(yè)的風(fēng)險溢出。［19］

（二）機(jī)制分析

當(dāng)上市公司面臨嚴(yán)重流動性困難并發(fā)生債務(wù)違約時，最終可能導(dǎo)致公司破產(chǎn)清算。由于股權(quán)償付順序落后于債權(quán)，因此債務(wù)違約上市公司股票投資者將首先面臨巨大損失，造成債券市場和證券市場嚴(yán)重震蕩。債務(wù)違約上市公司和銀行系統(tǒng)之間有密切的信貸業(yè)務(wù)聯(lián)系，一旦發(fā)生大規(guī)模債務(wù)違約情形，會給我國銀行系統(tǒng)帶來重大影響。同時大規(guī)模上市公司債務(wù)違約極易誘發(fā)股價崩盤風(fēng)險［20］，造成資不抵債的破產(chǎn)清算風(fēng)險向證券市場和銀行系統(tǒng)跨領(lǐng)域溢出。債務(wù)違約風(fēng)險在債券市場、證券市場和銀行系統(tǒng)之間進(jìn)行積累和激蕩，并產(chǎn)生連鎖反應(yīng)，進(jìn)一步加深金融系統(tǒng)風(fēng)險積聚和傳遞。一旦宏觀經(jīng)濟(jì)增速放緩，逆向選擇和道德風(fēng)險升高，信貸融資成本增加，銀行系統(tǒng)會進(jìn)一步收縮信貸，各行業(yè)經(jīng)營風(fēng)險將大幅上升，上市公司債務(wù)違約事件會逐年增多。債務(wù)違約風(fēng)險將通過資金鏈接、業(yè)務(wù)鏈接等產(chǎn)生“多米諾效應(yīng)”導(dǎo)致不良信貸鏈條加長，最終演化成大面積債務(wù)違約風(fēng)險爆發(fā)的局面［19］，形成更大危害，并將風(fēng)險嫁接到商業(yè)銀行。數(shù)次金融危機(jī)表明，系統(tǒng)性風(fēng)險雖然表現(xiàn)在金融領(lǐng)域，但其源頭和觸發(fā)事件可能在實體經(jīng)濟(jì)［21］。

在我國，商業(yè)銀行是眾多企業(yè)間接融資的主要載體，處于資金信貸鏈條的中心。一旦外部沖擊使大量上市公司出現(xiàn)債務(wù)違約，不僅直接影響銀行系統(tǒng)和股市系統(tǒng)，也會通過因為資金和業(yè)務(wù)關(guān)聯(lián)的上下游企業(yè)間接影響銀行系統(tǒng)和股市系統(tǒng)，引起銀行信貸進(jìn)一步收縮。當(dāng)銀行體系內(nèi)部風(fēng)險累積到一定程度，將產(chǎn)生風(fēng)險共振，當(dāng)共振幅度超過某一閾值時，商業(yè)銀行系統(tǒng)積聚的風(fēng)險會溢出至整個金融體系。面對債務(wù)違約上市公司出現(xiàn)的過高債務(wù)壓力，商業(yè)銀行或債權(quán)人將拒絕提供新融資貸款支持，可能導(dǎo)致上市公司控制權(quán)轉(zhuǎn)移。為了避免出現(xiàn)控制權(quán)轉(zhuǎn)移，上市公司會盡力掩蓋真實的資金鏈壓力，進(jìn)一步加劇信息不對稱程度，提升風(fēng)險積累和爆發(fā)的可能。由此可見，作為信貸市場上重要參與方，商業(yè)銀行會不可避免地成為債務(wù)違約企業(yè)風(fēng)險外溢的重要載體。若將來遭遇到的外部沖擊超過某一極限或風(fēng)險累積到一定程度，聚集的潛在風(fēng)險將不可避免地轉(zhuǎn)化為現(xiàn)實風(fēng)險，并對實體經(jīng)濟(jì)、銀行系統(tǒng)和金融系統(tǒng)造成嚴(yán)重影響。

三、模型設(shè)定與估計方法

（一）社會網(wǎng)絡(luò)分析法

債務(wù)違約企業(yè)與銀行之間緊密而交錯的債務(wù)關(guān)系形成一個復(fù)雜的網(wǎng)絡(luò)體系，這種網(wǎng)絡(luò)關(guān)聯(lián)將大幅增加風(fēng)險傳染的可能及傳染程度。李政等認(rèn)為社會網(wǎng)絡(luò)分析法（Social Network Analysis，SNA）能夠解構(gòu)金融網(wǎng)絡(luò)總體關(guān)聯(lián)性，反映部門內(nèi)和部門間的關(guān)聯(lián)特征。［9］基于銀行貸款數(shù)據(jù)庫，對照上市公司債務(wù)違約數(shù)據(jù)，通過建立貸款關(guān)系矩陣，利用SNA 方法分析債務(wù)違約上市公司與銀行間的關(guān)聯(lián)強(qiáng)度，研究二者之間的風(fēng)險傳染關(guān)系。

采用社會網(wǎng)絡(luò)分析法將債務(wù)違約上市公司和與其有借貸關(guān)系的商業(yè)銀行作為社會網(wǎng)絡(luò)節(jié)點，構(gòu)建2-模網(wǎng)絡(luò)矩陣。將各債務(wù)違約上市公司設(shè)為矩陣行變量，與其發(fā)生過借貸關(guān)系的商業(yè)銀行設(shè)為矩陣列變量；若債務(wù)違約上市公司與商業(yè)銀行之間存在貸款關(guān)系那么相應(yīng)矩陣項賦值為1，否則為0。通過手工收集并整理債務(wù)違約上市公司的銀行貸款數(shù)據(jù)，構(gòu)建債務(wù)違約上市公司和商業(yè)銀行貸款關(guān)系的2-模網(wǎng)絡(luò)矩陣。然后分別計算該網(wǎng)絡(luò)中反映各節(jié)點中心性的度中心性（Degree Centrality）、介數(shù)中心性（Between Centrality）和接近中心性（Closeness Centrality）①限于篇幅，以上三種中心性的詳細(xì)定義及計算，見汪小帆等：《網(wǎng)絡(luò)科學(xué)導(dǎo)論》，高等教育出版社2012年版，第158-162頁。，利用2-模網(wǎng)絡(luò)矩陣中心性數(shù)據(jù)對債務(wù)違約上市公司與商業(yè)銀行風(fēng)險之間的關(guān)聯(lián)關(guān)系進(jìn)行量化分析。中心性指標(biāo)的計算方法如表1。

表1 中心性分析指標(biāo)

（二）金融風(fēng)險的動態(tài)相關(guān)識別

為了捕捉債務(wù)違約上市公司和商業(yè)銀行收益率風(fēng)險的動態(tài)相關(guān)關(guān)系，構(gòu)建擾動項服從t分布的動態(tài)條件相關(guān)GARCH 模型（Dynamic Conditional Correlation GARCH，簡稱DCC-GARCH）檢驗二者之間的相關(guān)關(guān)系及風(fēng)險溢出。Engle通過將條件協(xié)方差矩陣分解成條件方差對角矩陣和條件相關(guān)系數(shù)矩陣，使該模型待估參數(shù)更加簡潔，具有更好的計算優(yōu)勢，同時能夠更好地反映不同金融變量之間的風(fēng)險溢出。［22］其關(guān)系式可以表示為：Ht=，其中Ht為條件協(xié)方差矩陣，Dt為條件方差對角矩陣，Rt為條件相關(guān)系數(shù)矩陣。進(jìn)一步，，hi，t為單個金融變量通過GARCH模型擬合得到的條件方差：

其中，φi為滯后p階的殘差平方項系數(shù)，ψi為滯后q階的條件方差系數(shù)，ωi、φi和ψi均為需要通過GARCH模型擬合并回歸得到的參數(shù)。對于兩個金融變量采用DCC-GARCH（1，1）模型進(jìn)行估計，兩個金融變量的動態(tài)條件相關(guān)系數(shù)ρ12,t可以通過以下公式得出：

其中，α、β為DCC-GARCH 模型的殘差平方項系數(shù)；動態(tài)條件相關(guān)系數(shù)ρ12,t越大，表示兩種金融資產(chǎn)的波動性越一致，由于共振的影響，風(fēng)險將會被放大，同時意味著風(fēng)險溢出程度較高。

（三）條件在險價值的估計

將Xi定義為債務(wù)違約上市公司i 的損失率，表示債務(wù)違約上市公司i 在q%概率水平下的損失，一般情況下VaR 為負(fù)數(shù)。同理定義為商業(yè)銀行j在債務(wù)違約上市公司i發(fā)生尾部事件C(Xi)條件下，既定持有期內(nèi)在q%概率水平下的VaR 值，即為條件在險價值CoVaR。CoVaRj|C(X)q是條件概率分布的q%分位數(shù)，關(guān)系式可以表示為：

如果要描述債務(wù)違約上市公司對商業(yè)銀行的風(fēng)險溢出效應(yīng)，需計算債務(wù)違約上市公司出現(xiàn)最大損失時造成的商業(yè)銀行風(fēng)險增加值關(guān)系表達(dá)式為：

通過DCC-GARCH 模型擬合得到的動態(tài)條件相關(guān)系數(shù)矩陣和條件方差-協(xié)方差矩陣，將其標(biāo)準(zhǔn)化處理，構(gòu)建均值為零，損失服從二元正態(tài)分布概 率 密 度 函 數(shù) ， 資 產(chǎn) i 在 險 價 值。結(jié)合（3）式可以得到當(dāng)金融資產(chǎn)j在資產(chǎn)i發(fā)生風(fēng)險時，動態(tài)的計算公式為：

q表示收益率序列的不同分位數(shù)，當(dāng)取不同值時表示債務(wù)違約上市公司遭受的不同置信水平損失，由此可以得到債務(wù)違約上市公司對商業(yè)銀行風(fēng)險溢出效應(yīng)。

四、樣本選取與實證結(jié)果分析

（一）樣本選取與數(shù)據(jù)來源

關(guān)鍵數(shù)據(jù)為公司債務(wù)違約數(shù)據(jù)，從WIND數(shù)據(jù)庫中選取2010—2017 年我國滬深A(yù) 股上市公司（剔除了金融類和ST 類公司）中披露的訴訟數(shù)據(jù)，手工整理并篩選“案件名稱”中包含“欠款糾紛”“貨款糾紛”“借款糾紛”“借款合同糾紛”“票據(jù)糾紛”“企業(yè)借貸糾紛”“金融借款糾紛”“債務(wù)糾紛”“債權(quán)債務(wù)糾紛”的樣本，剔除數(shù)據(jù)披露方作為原告的情形，從31 470 個上市公司數(shù)據(jù)中，篩選出581個上市公司債務(wù)違約數(shù)據(jù)。從整理的債務(wù)違約涉案金額看，涉案金額波動幅度較大，最小的涉案金額為3.37萬元，最大為10.72億元。為了在后面的分析中通過網(wǎng)絡(luò)分析法對債務(wù)違約上市公司和銀行借款進(jìn)行關(guān)聯(lián)，以涉案金額為條件進(jìn)行篩選，選取涉案金額大于等于1 000萬上市公司為樣本，作為下文分析的基礎(chǔ)，共計186條債務(wù)違約數(shù)據(jù)，涉及95 家上市公司①這186條債務(wù)違約數(shù)據(jù)涉案金額為281.4億元，占總債務(wù)違約涉案金額82.23%，基本包含影響較大的債務(wù)違約情形。。上市公司和商業(yè)銀行貸款數(shù)據(jù)來自國泰安（CSMAR）銀行貸款數(shù)據(jù)庫，從2010—2017 所有上市公司69 400 個貸款數(shù)據(jù)中提取涉及95 家債務(wù)違約上市公司貸款數(shù)據(jù)共計15 204 個數(shù)據(jù)，剔除外國銀行以及外國銀行分行的貸款數(shù)據(jù)，共整理出貸款商業(yè)銀行為99家。

（二）債務(wù)違約風(fēng)險傳染的關(guān)系網(wǎng)絡(luò)分析

根據(jù)研究需要將2-模矩陣轉(zhuǎn)換為反映企業(yè)對應(yīng)銀行貸款關(guān)系95×95 和銀行對應(yīng)企業(yè)借款關(guān)系99×99 兩個1-模矩陣，這兩個矩陣反映出任何兩家債務(wù)違約上市公司申請貸款的銀行數(shù)目和任何兩家商業(yè)銀行共同提供貸款的債務(wù)違約上市公司數(shù)目。表2 是截取了銀行對應(yīng)企業(yè)貸款關(guān)系1-模矩陣的一部分，表格中數(shù)字是商業(yè)銀行為債務(wù)違約上市公司提供貸款銀行數(shù)目，其中主對角線數(shù)目為該商業(yè)銀行為債務(wù)違約上市公司提供貸款的公司數(shù)目，非主對角線數(shù)目為任意兩個商業(yè)銀行共同為債務(wù)違約上市公司提供貸款的公司數(shù)目。從主對角線的數(shù)目可以看出在當(dāng)前表格中工商銀行為43 家債務(wù)違約上市公司提供了銀行貸款，工商銀行和光大銀行共同提供貸款的債務(wù)違約上市公司是18 家，該矩陣客觀上反映了因為債務(wù)違約上市公司申請商業(yè)銀行貸款業(yè)務(wù)而產(chǎn)生銀行間的相互關(guān)聯(lián)性，顯然工商銀行因為自身提供貸款的債務(wù)違約上市公司數(shù)目較多，而處于比較中心的位置。

表3截取了部分債務(wù)違約上市公司申請商業(yè)銀行貸款1-模矩陣，同理，主對角線的數(shù)字表示為該公司提供貸款的商業(yè)銀行數(shù)目，非主對角線數(shù)字表示共同為該兩個公司提供貸款的商業(yè)銀行數(shù)目。

進(jìn)一步對債務(wù)違約上市公司和商業(yè)銀行關(guān)系網(wǎng)絡(luò)的中心性分析指標(biāo)進(jìn)行分析，表4列出了債務(wù)違約上市公司和商業(yè)銀行中心性指標(biāo)排名前十的企業(yè)名稱，左側(cè)為債務(wù)違約上市公司，右側(cè)為商業(yè)銀行。度中心性數(shù)值表示一個企業(yè)或銀行發(fā)生過資金借貸關(guān)系對應(yīng)銀行或企業(yè)個數(shù)標(biāo)準(zhǔn)化處理后的相對值。表4數(shù)據(jù)顯示，在債務(wù)違約上市公司中，申華控股度中心性、介數(shù)中心性和接近中心性最高，分別為0.4545、0.0080和0.0947，表示申華控股從45 家銀行取得了貸款，處于貸款關(guān)系網(wǎng)絡(luò)的中心，一旦出現(xiàn)資不抵債破產(chǎn)清算情形，將會給銀行系統(tǒng)帶來較大影響。商業(yè)銀行中，大型國有商業(yè)銀行中心性指標(biāo)普遍較高，其中工商銀行度中心性、介數(shù)中心性和接近中心性最高，分別為0.4343、0.0114和0.0939。整個數(shù)據(jù)顯示大型國有商業(yè)銀行和股份制商業(yè)銀行與城市商業(yè)銀行相比，處于借貸關(guān)系網(wǎng)絡(luò)更中心位置，將承受債務(wù)違約上市公司可能帶來更多的風(fēng)險溢出效應(yīng)。

表2 商業(yè)銀行借款關(guān)系1-模矩陣

表3 債務(wù)違約上市公司貸款關(guān)系1-模矩陣

中糧糖業(yè) 14 14 13 13 12 17 14 13 17 29

表4 借貸款數(shù)據(jù)的2-模中心性分析結(jié)果

（三）債務(wù)違約上市公司的風(fēng)險溢出效應(yīng)

經(jīng)過上述分析發(fā)現(xiàn)大型國有商業(yè)銀行和股份制商業(yè)銀行處于借貸網(wǎng)絡(luò)中心，將承受債務(wù)違約上市公司帶來的更大的風(fēng)險溢出效應(yīng)。為了衡量債務(wù)違約上市公司對銀行系統(tǒng)帶來的風(fēng)險溢出效應(yīng)，選取中心性排名靠前的16 家大型國有商業(yè)銀行和股份制商業(yè)銀行作為承受債務(wù)違約上市公司風(fēng)險溢出效應(yīng)的銀行樣本，中心性排名前30 的債務(wù)違約上市公司為風(fēng)險溢出債務(wù)違約上市公司樣本，對風(fēng)險溢出效應(yīng)進(jìn)一步分析。從萬得數(shù)據(jù)庫提取上述公司2010—2017 年日股票收盤價，取對數(shù)收益率，每個樣本共得到1 943 個數(shù)據(jù)，共計89 378 個有效數(shù)據(jù)，按總市值占比對收益率進(jìn)行加權(quán)處理，分別得到商業(yè)銀行收益率Rb和債務(wù)違約上市公司收益率Rd；另外為了檢驗債務(wù)違約上市公司對大型國有銀行和股份制商業(yè)銀行的風(fēng)險溢出效應(yīng)，分別將5 家大型國有銀行和11 家股份制商業(yè)銀行的收益率按總市值占比進(jìn)行了加權(quán)處理，得到Rg和Rh。

表5 列出了描述性統(tǒng)計、JB 統(tǒng)計量、ADF 值（ADF檢驗滯后階數(shù)選取為25階）和ARCH效應(yīng)檢驗（ARCH 效應(yīng)檢驗為LM 檢驗，滯后階數(shù)為20階）。從收益率偏度和峰度看，各收益率偏度均小于零，存在左偏情形；峰度均大于3，存在尖峰特征，其中國有銀行峰度最大。JB統(tǒng)計量在1%顯著性水平上拒絕符合正態(tài)分布原假設(shè)，呈現(xiàn)出明顯的“尖峰厚尾”特征。ADF平穩(wěn)性檢驗1%顯著水平臨界值為-2.580，ADF值均小于臨界值，拒絕存在單位根的原假設(shè)。ARCH效應(yīng)檢驗發(fā)現(xiàn)債務(wù)違約上市公司收益率和商業(yè)銀行收益率存在ARCH 效應(yīng)，其收益率特點符合DCC-GARCH模型要求。

表6列示了通過DCC-GARCH模型得到的債務(wù)違約上市公司和商業(yè)銀行收益率之間參數(shù)估計，無論α 和β 均在1%的置信水平上顯著，同時符合模型參數(shù)的限制要求（α+β＜1）。兩者之間的相關(guān)系數(shù)ρ 的估計值為0.69342，說明債務(wù)違約上市公司和商業(yè)銀行收益率之間的動態(tài)條件相關(guān)系數(shù)值比較高，二者間的風(fēng)險溢出效應(yīng)相對比較明顯。進(jìn)一步分析，α 估計值為0.04524，表明滯后一期標(biāo)準(zhǔn)化殘差乘積對動態(tài)條件相關(guān)系數(shù)的影響較小，β 估計值為0.93176 比較接近1，表明債務(wù)違約上市公司與商業(yè)銀行收益率之間相關(guān)系數(shù)受前期影響較大，其相關(guān)性具有較強(qiáng)持續(xù)性。進(jìn)一步將商業(yè)銀行樣本分為大型國有銀行和股份制銀行，可以得到國有銀行收益率和債務(wù)違約上市公司收益率之間相關(guān)系數(shù)ρ 為0.71416，大于股份制銀行的0.57671（二者均在1%的水平上顯著），表明債務(wù)違約上市公司風(fēng)險溢出效應(yīng)在國有銀行較股份制銀行上更明顯，顯示出大型國有銀行不僅處于借貸網(wǎng)絡(luò)中心，同時也承擔(dān)著更多風(fēng)險外溢效應(yīng)。

圖1顯示了債務(wù)違約上市公司收益率序列與商業(yè)銀行金融風(fēng)險收益率序列的動態(tài)相關(guān)系數(shù)變化情況，從趨勢上看，二者的動態(tài)相關(guān)系數(shù)大部分時間均大于0.5，顯示二者收益率序列的聯(lián)動變化比較明顯，波動相關(guān)性較顯著，客觀反映出債務(wù)違約上市公司對商業(yè)銀行有較強(qiáng)的金融風(fēng)險溢出。依據(jù)DCC-GARCH 模型回歸的結(jié)果，將時變條件相關(guān)系數(shù)和時變條件方差帶入式（5）和式（6）可得到債務(wù)違約上市公司收益率在不同分位數(shù)點對商業(yè)銀行系統(tǒng)的CoVaR和dCoVaR值。

表5 描述性統(tǒng)計分析結(jié)果

表6 DCC-GARCH模型參數(shù)估計結(jié)果

圖1 債務(wù)違約上市公司與商業(yè)銀行金融風(fēng)險動態(tài)相關(guān)系數(shù)示意圖

表7 顯示出不同分位數(shù)的CoVaR 和dCoVaR 描述性統(tǒng)計結(jié)果。以5%分位數(shù)為例，CoVaR均值為0.02979，表示當(dāng)債務(wù)違約上市公司收益率發(fā)生5%分位數(shù)損失時，給商業(yè)銀行系統(tǒng)收益率帶來的最大損失均值為2.979%，結(jié)合前面商業(yè)銀行收益率的統(tǒng)計性描述，該影響對商業(yè)銀行而言是比較大的。同時dCoVaR 均值為0.0119，表示在5%分位數(shù)水平上，債務(wù)違約上市公司對商業(yè)銀行系統(tǒng)風(fēng)險溢出為1.19%。當(dāng)分位數(shù)從5%向1%變化時，CoVaR由2.979%變?yōu)?.206%，dCoVaR由1.19%變?yōu)?.68%，表明隨著債務(wù)違約上市公司危機(jī)程度的加深，收益率出現(xiàn)極端虧損值時，其對商業(yè)銀行系統(tǒng)風(fēng)險溢出效應(yīng)也隨之增加，同時商業(yè)銀行收益率損失也更大。對比債務(wù)違約上市公司對國有大型銀行和股份制銀行的風(fēng)險溢出效應(yīng)，發(fā)現(xiàn)對國有大型銀行的風(fēng)險溢出貢獻(xiàn)率最大，表明在防控債務(wù)違約風(fēng)險時，應(yīng)該著重關(guān)注國有大型銀行的風(fēng)險溢出效應(yīng)。

表7 DCC-GARCH計算得到的不同分位數(shù)下的CoVaR和dCoVaR

（四）穩(wěn)定性檢驗

為了檢驗DCC-GARCH 模型得到的風(fēng)險溢出效應(yīng)，利用分位數(shù)回歸模型求解CoVaR 和dCoVaR，并對風(fēng)險溢出效應(yīng)進(jìn)行穩(wěn)定性分析。和上文的結(jié)果比較，由分位數(shù)回歸模型得到的CoVaR和dCoVaR 變化趨勢與之完全相同。當(dāng)分位數(shù)從5%到1%變化時，CoVaR和dCoVaR數(shù)值均在不同程度上增大，表明隨著債務(wù)違約上市公司收益率出現(xiàn)極端虧損值時，它對商業(yè)銀行體系風(fēng)險溢出程度也隨之增加。同時從債務(wù)違約上市公司對國有大型銀行和股份制商業(yè)銀行的風(fēng)險溢出看，債務(wù)違約上市公司對國有大型銀行的風(fēng)險溢出效應(yīng)最高，客觀上表明國有大型銀行處于債務(wù)違約上市公司風(fēng)險溢出中心環(huán)節(jié)，得到的結(jié)論與DCCGARCH模型一致。限于篇幅，模型和估計結(jié)果略去，如需要可向作者索取。

五、結(jié)論與啟示

采用SNA 方法構(gòu)建了債務(wù)違約上市公司和商業(yè)銀行借貸款關(guān)系2-模網(wǎng)絡(luò)矩陣，分析了債務(wù)違約上市公司和商業(yè)銀行之間的關(guān)聯(lián)，并通過構(gòu)建DCC-GARCH 模型研究了債務(wù)違約上市公司對商業(yè)銀行系統(tǒng)的風(fēng)險傳染關(guān)系。根據(jù)對中心性指標(biāo)分析發(fā)現(xiàn)，國有大型銀行和股份制商業(yè)銀行的中心性指標(biāo)相對靠前，反映出國有大型銀行和股份制商業(yè)銀行處于債務(wù)違約上市公司的網(wǎng)絡(luò)中心。同時，根據(jù)債務(wù)違約上市公司不同分位數(shù)尾部風(fēng)險溢出效應(yīng)的估計結(jié)果，顯示債務(wù)違約上市公司收益率序列和商業(yè)銀行收益率序列的動態(tài)相關(guān)系數(shù)較高，表明債務(wù)違約上市公司對銀行系統(tǒng)存在較明顯的風(fēng)險溢出效應(yīng)，國有大型銀行尤其突出。在不同分位數(shù)水平下對商業(yè)銀行風(fēng)險溢出效應(yīng)做出的分析顯示，隨著債務(wù)違約上市公司收益率出現(xiàn)極端虧損值，其對商業(yè)銀行的風(fēng)險溢出效應(yīng)也出現(xiàn)了更大程度的溢出。基于上述結(jié)論，得出以下啟示和建議：

第一，當(dāng)受到不可抗拒外部事件沖擊時，上市公司債務(wù)違約風(fēng)險可能通過風(fēng)險溢出給銀行系統(tǒng)帶來風(fēng)險積累和風(fēng)險沖擊。大規(guī)模上市公司債務(wù)違約會給處于網(wǎng)絡(luò)借貸中心的系統(tǒng)重要性銀行帶來較大的風(fēng)險溢出。監(jiān)管當(dāng)局應(yīng)當(dāng)重點關(guān)注處于借貸網(wǎng)絡(luò)中心可能導(dǎo)致嚴(yán)重債務(wù)違約后果的上市公司，密切留意其資金流動性和融資渠道狀況，加強(qiáng)負(fù)債約束，注意可能導(dǎo)致的銀行不良貸款問題，采取可控可防的手段積極有序處置，降低風(fēng)險外溢效應(yīng)的影響程度。

第二，隨著眾多上市公司新一輪債券期限陸續(xù)到期，以及當(dāng)前新冠肺炎疫情對商業(yè)零售、酒店餐飲、文化旅游以及石油貿(mào)易等的影響，上市公司償付貸款和債券的壓力會進(jìn)一步加大，流動資金將極為緊張。為此，監(jiān)管部門應(yīng)重視可能集中出現(xiàn)的大面積債務(wù)違約情形，對負(fù)債高的領(lǐng)域、平臺和公司資金流動性進(jìn)行排查，堅決遏制債務(wù)違約風(fēng)險從實體經(jīng)濟(jì)擴(kuò)散至金融領(lǐng)域，防止由“點”狀風(fēng)險演化成“鏈”狀或“面”狀風(fēng)險。

第三，通過網(wǎng)絡(luò)借貸分析發(fā)現(xiàn)，雖然大量的城市商業(yè)銀行和城鄉(xiāng)銀行在借貸網(wǎng)絡(luò)中并不處于中心的關(guān)鍵地位，但是它們構(gòu)成了大型國有銀行和股份制商業(yè)銀行的有效補(bǔ)充，為眾多民營企業(yè)和中小企業(yè)提供了舉足輕重的信貸支持。新冠肺炎疫情給我國的經(jīng)濟(jì)產(chǎn)生了不利影響，為了避免因為經(jīng)營資金鏈斷裂而導(dǎo)致的公司倒閉破產(chǎn)情形，建議監(jiān)管部門加大對為民營企業(yè)和中小企業(yè)提供貸款的城市商業(yè)銀行和城鄉(xiāng)銀行提供流動性支持，妥善運用穩(wěn)健的貨幣政策，降低企業(yè)融資成本，保持流動性合理充裕。