龐念偉

摘? ?要：本文構(gòu)建一個格蘭杰因果尾部風(fēng)險網(wǎng)絡(luò)，從整體網(wǎng)絡(luò)關(guān)聯(lián)性視角考察我國系統(tǒng)性金融風(fēng)險的空間結(jié)構(gòu)及時變特征。結(jié)果表明：一是從總體看，2008年以來，金融體系風(fēng)險溢出效應(yīng)波動上升，資管新規(guī)的實施使溢出效應(yīng)由升轉(zhuǎn)降，新冠肺炎疫情導(dǎo)致溢出效應(yīng)短暫上升，但目前已回落至低位;二是從風(fēng)險的空間結(jié)構(gòu)看，房地產(chǎn)部門較高的風(fēng)險出度和入度引發(fā)了風(fēng)險加速機制，使其成為重要的風(fēng)險源和承擔(dān)者;三是從風(fēng)險的時變特征看，保險、證券等業(yè)務(wù)創(chuàng)新多的部門風(fēng)險來源的角色在強化，銀行向信托、證券業(yè)的風(fēng)險溢出近年來有所上升?；谝陨辖Y(jié)論，本文認為，當(dāng)前應(yīng)當(dāng)進一步完善資管新規(guī)，加大對金融創(chuàng)新業(yè)務(wù)的風(fēng)險監(jiān)測，密切關(guān)注房地產(chǎn)部門風(fēng)險。

關(guān)鍵詞：系統(tǒng)性金融風(fēng)險;格蘭杰因果檢驗;時變特征;出入度指數(shù)

中圖分類號：F832.2? 文獻標識碼：A? 文章編號：1674-2265（2021）04-0045-07

DOI：10.19647/j.cnki.37-1462/f.2021.04.007

一、引言

新常態(tài)下我國經(jīng)濟增長放緩，金融風(fēng)險開始在部分金融市場和金融機構(gòu)內(nèi)釋放，甚至傳導(dǎo)至實體經(jīng)濟，威脅經(jīng)濟健康運行。黨的十八大以后，防范化解系統(tǒng)性金融風(fēng)險成為宏觀調(diào)控的重要任務(wù)。關(guān)于系統(tǒng)性金融風(fēng)險目前并沒有一個統(tǒng)一的、普遍接受的定義。大部分學(xué)者認為傳染性是系統(tǒng)性風(fēng)險的核心元素，體現(xiàn)為時間維度和空間維度兩個范疇。時間維度表現(xiàn)為金融風(fēng)險隨時間的演變趨勢，空間維度表現(xiàn)為風(fēng)險在不同金融機構(gòu)之間的網(wǎng)絡(luò)結(jié)構(gòu)及傳染關(guān)系。本文將圖算法中出度和入度概念引入到系統(tǒng)性金融風(fēng)險傳染機制研究中，從時間和空間兩個維度分別測度我國系統(tǒng)性金融風(fēng)險水平，刻畫風(fēng)險在不同金融機構(gòu)之間的傳染機制。

二、文獻綜述

系統(tǒng)性金融風(fēng)險的測度方法概括起來主要有基于宏觀數(shù)據(jù)的指標法和基于金融市場數(shù)據(jù)的模型法兩類。金融危機后，利用金融市場數(shù)據(jù)測度系統(tǒng)性風(fēng)險引起學(xué)術(shù)界和政策界的關(guān)注。代表性方法分別是CoVaR和MES方法。

CoVaR方法由Adrian和Brunnermeier（2011）[1]提出，該方法以一個金融機構(gòu)的倒閉為條件測量金融體系的整體風(fēng)險，可以捕捉一個機構(gòu)系統(tǒng)性風(fēng)險的邊際貢獻，并幫助監(jiān)管者進行逆周期調(diào)控。大量學(xué)者運用這一方法測算系統(tǒng)性金融風(fēng)險（Wong和Fong，2011;Huang等，2012;高國華和潘英麗，2011;白雪梅和石大龍，2014）[2-5]。 MES方法由Acharya等（2012）[6]提出，該方法將金融系統(tǒng)資本不足時某一單個銀行的預(yù)期資本短缺定義為該銀行的SES，將某一單個銀行對金融系統(tǒng)SES的邊際貢獻定義為MES。MES方法得到廣泛應(yīng)用，Idier等（2014）[7]、Derbali和Hallara（2016）[8]分別用該方法測度了美國和歐洲的系統(tǒng)性金融風(fēng)險。范小云等（2011）[9]運用該方法測算了我國的系統(tǒng)性金融風(fēng)險。

CoVaR和MES方法在一定程度上刻畫了系統(tǒng)性金融風(fēng)險的傳染性特征，但忽視了金融風(fēng)險的整體網(wǎng)絡(luò)關(guān)聯(lián)性。隨著現(xiàn)代計量技術(shù)的發(fā)展，從網(wǎng)絡(luò)拓撲的角度考查系統(tǒng)性金融風(fēng)險的關(guān)聯(lián)性成為研究熱點（Schweitzer等，2009）[10]。

國外運用網(wǎng)絡(luò)拓撲方法研究風(fēng)險傳染的相關(guān)文獻較多。Billio等（2012）[11]構(gòu)造一個格蘭杰因果尾部風(fēng)險網(wǎng)絡(luò)研究美國對沖基金、銀行、證券、保險部門的風(fēng)險傳染網(wǎng)絡(luò)，發(fā)現(xiàn)過去10年來四部門之間的聯(lián)系不斷加強，其中，銀行在風(fēng)險傳染過程中扮演最重要的作用。Wang等（2017）[12]運用CARViaR方法和格蘭杰因果檢驗研究84家美國公開上市金融機構(gòu)的風(fēng)險傳染情況，發(fā)現(xiàn)房地產(chǎn)和銀行部門是極端風(fēng)險的發(fā)出者，保險和多元化金融機構(gòu)是風(fēng)險的接受者。Corsi等（2018）[13]運用格蘭杰因果檢驗識別出全球33家系統(tǒng)重要性銀行和36個主權(quán)債務(wù)之間的風(fēng)險傳染網(wǎng)絡(luò)，分析了歐洲主權(quán)債務(wù)危機期間的風(fēng)險傳染情況，發(fā)現(xiàn)他們構(gòu)造的網(wǎng)絡(luò)連接度指標可用于預(yù)測主權(quán)債務(wù)未來的評級情況。Diebold 和Y?lmaz（2014）[14]將向量自回歸模型與網(wǎng)絡(luò)拓撲理論相結(jié)合，運用方差分解方法構(gòu)造波動性溢出網(wǎng)絡(luò)來測度美國金融整體以及金融機構(gòu)兩兩之間的關(guān)聯(lián)性。

國內(nèi)近年來將網(wǎng)絡(luò)拓撲方法用于風(fēng)險傳染的研究不斷涌現(xiàn)。楊子暉等（2019）[15]采用基于混頻的向量自回歸模型檢驗了我國銀行、證券、保險、房地產(chǎn)部門的極端風(fēng)險傳染情況，發(fā)現(xiàn)我國金融部門之間存在顯著的非線性風(fēng)險傳染效應(yīng)。楊子暉和周穎剛（2018）[16]采用有向無環(huán)圖技術(shù)考察了系統(tǒng)性金融風(fēng)險的國際傳導(dǎo)渠道，發(fā)現(xiàn)美國在同期波動傳遞中占據(jù)主導(dǎo)地位，中國內(nèi)地股票市場除了受美國同期影響，還受到來自中國香港、韓國、俄羅斯的沖擊。方意和鄭子文（2016）[17]基于持有共同資產(chǎn)網(wǎng)絡(luò)模型，通過可視化金融網(wǎng)絡(luò)描繪出風(fēng)險在銀行間傳染路徑的數(shù)量和方向，以此分析風(fēng)險生成銀行和風(fēng)險承受銀行的有向關(guān)聯(lián)問題。王曉楓等（2015）[18]利用復(fù)雜網(wǎng)絡(luò)方法構(gòu)造銀行間市場拆借網(wǎng)絡(luò)，采用隨機模擬法分析具有無標度特征的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)對銀行風(fēng)險傳染效應(yīng)的影響，其研究發(fā)現(xiàn)小銀行更容易受到系統(tǒng)性風(fēng)險沖擊并將風(fēng)險傳染給大銀行，銀行數(shù)量的增加有利于弱化銀行間市場的風(fēng)險傳染效應(yīng)。

梳理上述文獻可以發(fā)現(xiàn)，國內(nèi)學(xué)者在運用網(wǎng)絡(luò)拓撲方法研究系統(tǒng)性金融風(fēng)險傳染時存在以下不足：一是在空間維度上，對于系統(tǒng)性金融風(fēng)險傳染的刻畫大多是基于金融部門之間，以及單個行業(yè)內(nèi)部的個體金融機構(gòu)之間，缺乏在一個統(tǒng)一框架下從“整體—部門”的全方位系統(tǒng)性的分析。二是在時間維度上，現(xiàn)有研究大都未考慮風(fēng)險傳染的時變特征，隱含假設(shè)是樣本期不同金融機構(gòu)之間的風(fēng)險傳染渠道是不變的，本文借鑒Billio等（2012）[11]的方法構(gòu)建一個格蘭杰因果尾部風(fēng)險網(wǎng)絡(luò)，對我國銀行、信托、證券、保險、房地產(chǎn)五個部門的風(fēng)險傳染機制進行分析。本文的邊際貢獻主要有以下三點：一是在一個統(tǒng)一的框架下從“整體—部門”角度全方位分析我國金融風(fēng)險的總趨勢以及部門特征。二是在時間維度上，將2018年以來的數(shù)據(jù)劃分為不同的時間段，分析不同發(fā)展階段我國金融風(fēng)險的時變特征，嘗試厘清我國金融業(yè)務(wù)創(chuàng)新與金融風(fēng)險的關(guān)系。三是將圖算法中出度和入度概念引入到金融風(fēng)險刻畫中，進一步將金融風(fēng)險的概念分解為金融風(fēng)險出度和金融風(fēng)險入度，從風(fēng)險來源和承擔(dān)者兩個角度全面地刻畫金融機構(gòu)在風(fēng)險傳染中的作用，有助于提高金融風(fēng)險防范的針對性。

三、系統(tǒng)性金融風(fēng)險的測度

本部分分別采用CoVaR和MES兩種方法測算我國系統(tǒng)性金融風(fēng)險水平，并對兩種方法的測算結(jié)果進行比較。

（一）系統(tǒng)性金融風(fēng)險測算方法介紹

假設(shè)市場上有[N]家金融機構(gòu)，[Xit]表示機構(gòu)[i]在[t]期的股票收益率，通過各機構(gòu)的市值[wit]加權(quán)得到所有機構(gòu)的平均收益率：

MES是機構(gòu)[i]對系統(tǒng)性風(fēng)險的邊際貢獻。系統(tǒng)性風(fēng)險預(yù)期損失ES（Expected Shortfall），表示在[α]%的尾部風(fēng)險下的預(yù)期收益，在ES中引入門限值C，可將系統(tǒng)性的ES定義為：

將ES對機構(gòu)[i]的權(quán)重求導(dǎo)，可以得到機構(gòu)[i]在[t]期的MES：

可見，MES表示機構(gòu)[i]在系統(tǒng)中權(quán)重的提高對系統(tǒng)性風(fēng)險上升的邊際貢獻。

CoVaR是在VaR基礎(chǔ)上提出的概念，表示在一定的概率水平下，當(dāng)某一金融機構(gòu)的風(fēng)險VaR值一定時，其他金融機構(gòu)的最大可能損失。假設(shè)機構(gòu)[i]陷入危機時的損失為[VaRiq]，機構(gòu)[j]的在險價值可以表示為：

其中[Xi]表示機構(gòu)[i]的收益率，[q]為設(shè)定的概率水平。上式的含義是機構(gòu)[i]的收益率為[VaRiq]時，機構(gòu)[j]的收益率小于等于[CoVaRj|iq]的概率為[q]。假設(shè)[j]是整個金融系統(tǒng)，則機構(gòu)[i]對金融系統(tǒng)的風(fēng)險貢獻為：

上式中[CoVaRsystem|Xi=VaRiqq]表示，當(dāng)機構(gòu)[i]出現(xiàn)風(fēng)險時所導(dǎo)致的整個金融系統(tǒng)的風(fēng)險水平，[CoVaRsystem|Xi=Medianiq]表示機構(gòu)[i]正常運行時整個金融系統(tǒng)的風(fēng)險水平，[βsystem|iq]是CoVaR對VaR的回歸系數(shù)。上式計算的單個金融機構(gòu)對系統(tǒng)性風(fēng)險的貢獻不隨時間變化，Adrian 和 Brunnermeier（2011）[1]采用一個包含狀態(tài)變量M的方程來計算單個機構(gòu)系統(tǒng)性風(fēng)險貢獻的時間序列：

單個金融機構(gòu)對系統(tǒng)性風(fēng)險的貢獻為：

（二）風(fēng)險測算結(jié)果說明

本文選取在A股上市的25家金融機構(gòu)及3家房地產(chǎn)機構(gòu)測算其MES和△CoVaR水平。25家金融機構(gòu)包括銀行機構(gòu)13家、保險機構(gòu)3家、信托機構(gòu)3家、證券機構(gòu)6家。樣本區(qū)間為2008年1月—2020年10月。數(shù)據(jù)來自萬得數(shù)據(jù)庫。本文將尾部風(fēng)險的概率設(shè)定為5%。機構(gòu)名單和測算△CoVaR時的狀態(tài)變量分別見表1、表2。

根據(jù)測算結(jié)果，可將2008年以來我國系統(tǒng)性金融風(fēng)險的變化分為以下五個階段（見圖1）：一是2008年1月—2008年9月金融風(fēng)險持續(xù)發(fā)酵期，這一時期，國際金融危機的影響持續(xù)發(fā)酵，MES和△CoVaR在2008年9月達到較高水平。二是2008年10月—2012年10月危機后風(fēng)險回落期，金融危機的影響開始減弱，MES和△CoVaR逐漸下降并趨于平穩(wěn)。三是2012年11月—2014年8月風(fēng)險小幅波動期， 2013年7月銀行間市場出現(xiàn)“錢荒”風(fēng)波，系統(tǒng)性風(fēng)險有所上升，隨后恢復(fù)至正常水平。四是2014年9月—2016年12月股災(zāi)引發(fā)風(fēng)險加劇期，這一時期我國系統(tǒng)性風(fēng)險出現(xiàn)急劇上升，MES和△CoVaR指標超過2008年9月的水平，主要是由股票市場的大幅震蕩引起的，但隨著各項穩(wěn)定政策的實施，系統(tǒng)性風(fēng)險在2016年12月基本回歸至危機前的正常水平。五是2017年1月至今風(fēng)險穩(wěn)中緩升。我國系統(tǒng)性金融風(fēng)險總體呈現(xiàn)低位緩慢上升的趨勢，原因主要有兩個方面：一是房地產(chǎn)市場引發(fā)風(fēng)險，二是對安邦系、明天系等金融控股集團的清理整頓，導(dǎo)致保險部門風(fēng)險上升。

四、系統(tǒng)性金融風(fēng)險傳染的空間結(jié)構(gòu)和時變特征

本部分在測度系統(tǒng)性金融風(fēng)險水平的基礎(chǔ)上，進一步構(gòu)建一個格蘭杰尾部風(fēng)險網(wǎng)絡(luò)模型，從網(wǎng)絡(luò)關(guān)聯(lián)性的角度刻畫金融風(fēng)險在不同金融部門之間的傳染路徑及其變化情況。

（一）系統(tǒng)性金融風(fēng)險傳染機制的刻畫方法

刻畫風(fēng)險在金融系統(tǒng)傳染的動態(tài)機制，一方面需要測度金融機構(gòu)兩兩之間的連接度，另一方面還要測度風(fēng)險在兩兩機構(gòu)之間傳染的方向。為實現(xiàn)以上兩方面目的，本文采用格蘭杰因果檢驗的方法來刻畫金融系統(tǒng)的風(fēng)險傳染情況。Danielsson等（2011）[19]指出，資產(chǎn)收益之間的格蘭杰因果關(guān)系可以看作是市場主體收益溢出效應(yīng)的代理變量。鑒于金融機構(gòu)的△CoVaR和MES具有很強的一致性，因此，在金融風(fēng)險傳染的研究中，我們僅選擇MES作為單家機構(gòu)的風(fēng)險測度方法，然后對不同機構(gòu)之間MES的聯(lián)動關(guān)系進行格蘭杰因果檢驗，以此計算金融部門之間的連接度情況。

假設(shè)存在兩個時間序列變量[i]和[j]，如果變量[j]包含的信息有助于預(yù)測未來的變量[i]，那么變量[j]就是變量[i]的格蘭杰原因。公式如下：

其中，[Rit]和[Rjt]是兩個平穩(wěn)的時間序列，用來衡量單家機構(gòu)的MES值，變量的均值為0，模型滯后期為1，[eit+1]和[ejt+1]是兩個不相關(guān)的白噪聲過程。當(dāng)[bij]不等于0時，變量[Rjt]是變量[Rit]的格蘭杰原因;當(dāng)[bji]不等于0時，變量[Rit]是變量[Rjt]的格蘭杰原因;當(dāng)[bij]和[bji]均不為0時，兩個變量之間互為格蘭杰原因。機構(gòu)[j]將風(fēng)險傳染給機構(gòu)[i]可以表示成如下形式：

其中[j→i]表示機構(gòu)[j]向機構(gòu)[i]的風(fēng)險傳染過程，值為1表示機構(gòu)[j]可以將風(fēng)險傳染至機構(gòu)[i]，值為0表示機構(gòu)[j]無法將風(fēng)險傳染至機構(gòu)[i]。

假設(shè)金融體系中共有N家機構(gòu)，每家機構(gòu)可以看作一個結(jié)點，N家機構(gòu)之間共計N（N-1）對兩兩關(guān)系中，格蘭杰因果檢驗顯著的即為該金融體系的度。將金融體系的度占N（N-1）對兩兩關(guān)系的比重定義為金融體系的連接度指數(shù)（DGC），公式如下：

從金融部門角度看，假設(shè)金融體系中N家金融機構(gòu)分布在M個部門。以部門[α]為結(jié)點，該部門內(nèi)的金融機構(gòu)作為風(fēng)險源與其他部門的兩兩關(guān)系共有[（M-1）N/M]對，其中，格蘭杰因果關(guān)系顯著定義為部門[α]的出度，出度在所有兩兩關(guān)系中的占比定義為出度指數(shù)，表示部門[α]作為風(fēng)險源對其他金融部門的影響，公式為：

其中，[j|α]表示歸屬于部門[α]的機構(gòu)[j]，[S|β]表示歸屬于部門[β]的所有機構(gòu)，[i|β]表示歸屬于部門[β]的機構(gòu)[i]。同理，部門[α]的入度指數(shù)，即部門[α]作為風(fēng)險的承擔(dān)者受其他部門影響的程度，公式為：

部門[α]的出入度指數(shù)，即同時考慮部門[α]作為風(fēng)險源和風(fēng)險承擔(dān)者，公式為：

（二）金融體系DGC連接度指數(shù)的分析

風(fēng)險溢出效應(yīng)的大小受長期和短期兩類因素影響。長期因素主要是金融管理體制、業(yè)務(wù)發(fā)展模式、重大的風(fēng)險事件等長期性、趨勢性因素所導(dǎo)致的機構(gòu)之間關(guān)聯(lián)性的變化;短期因素主要是市場流動性事件、監(jiān)管文件等因素所導(dǎo)致的機構(gòu)之間關(guān)聯(lián)性的暫時變化。圖2中給出2008年以來我國金融體系的DGC指數(shù)。DGC指數(shù)越大，說明金融機構(gòu)之間的聯(lián)系越緊密，風(fēng)險溢出效應(yīng)越明顯。2008年以來，我國的DGC指數(shù)表現(xiàn)出以下特點：

一是從大的周期看，可以分為5個階段。（1）2010年4月以前，DGC指數(shù)總體上升，這主要是2008年國際金融危機的余波。（2）2010年4月—2013年8月DGC指數(shù)處于下行區(qū)間，主要是由于危機以后金融去杠桿的不斷推進。（3）2013年8月—2018年5月，在此期間，我國資管業(yè)務(wù)快速發(fā)展，不同金融部門和機構(gòu)之間的聯(lián)系日益緊密，DGC指數(shù)逐步上升。（4）2018年4月《關(guān)于規(guī)范金融機構(gòu)資產(chǎn)管理業(yè)務(wù)的指導(dǎo)意見》出臺，金融機構(gòu)無序的混業(yè)經(jīng)營行為受到遏制，金融機構(gòu)和部門之間的關(guān)聯(lián)性開始下降。（5）2019年7月份以來，金融體系之間的連接度指數(shù)有所上升，主要是由于金融體系之間的流動性壓力有所加大，但隨后新冠肺炎疫情暴發(fā)，金融壓力開始急劇上升，DGC指數(shù)在2020年6月份達到高點，中央銀行適度調(diào)整貨幣政策，通過定向降準、再貸款再貼現(xiàn)等方式加大流動性投放，金融風(fēng)險隨后開始回落。

二是在大周期中存在著明顯的小波動。DGC指數(shù)大周期的變化主要是由于金融機構(gòu)之間關(guān)聯(lián)性的變化，而DGC指數(shù)暫時性的小幅波動更多是源于金融機構(gòu)之間流動性壓力的傳導(dǎo)。2013年8月—2018年5月，我國資管業(yè)務(wù)快速發(fā)展，監(jiān)管政策的調(diào)整給部分金融機構(gòu)帶來短暫的流動性壓力，造成DGC指數(shù)上升。如2014年1月發(fā)布的《商業(yè)銀行理財產(chǎn)品進入銀行間債券市場有關(guān)事項的通知》、2014年8月發(fā)布的《私募投資基金監(jiān)督管理暫行辦法》等文件導(dǎo)致DGC指數(shù)在2014年12月出現(xiàn)一個小高峰;2016年7月以證監(jiān)會《證券期貨經(jīng)營機構(gòu)私募資產(chǎn)管理業(yè)務(wù)運作管理暫行規(guī)定》為標志的“監(jiān)管風(fēng)暴”，導(dǎo)致DGC指數(shù)在2016年8月出現(xiàn)一個小高峰;2020年6月，在全球新冠肺炎疫情肆虐的背景下，DGC指數(shù)達到歷史高位，但隨后中央銀行加大流動性投放，7月6日7天Shibor創(chuàng)3年新低，DGC指數(shù)隨后開始進入下行區(qū)間。

（三）分部門金融出入度指數(shù)分析

分部門的金融出入度指數(shù)主要測度該部門的金融機構(gòu)與該部門以外的金融機構(gòu)間的風(fēng)險溢出情況。表3給出金融部門之間的出度指數(shù)和入度指數(shù)。

一是從出度指數(shù)看，樣本期間保險部門是最大的風(fēng)險源，64%的非保險類金融機構(gòu)會受到保險部門的影響，即如果保險部門發(fā)生風(fēng)險，非保險部門中有64%的機構(gòu)會受到?jīng)_擊。其中，保險→銀行的出度指數(shù)為82.1%，保險→證券的出度指數(shù)為50%，兩者均處于較高水平，表明保險部門如果發(fā)生風(fēng)險，極易向銀行和證券行業(yè)傳染。這主要由于在我國資管業(yè)務(wù)快速發(fā)展時期，保險業(yè)務(wù)受監(jiān)管約束較少，特別是銀保、證保等業(yè)務(wù)合作模式的快速推廣，成為風(fēng)險傳染的重要渠道。與此同時，銀行和房地產(chǎn)部門的出度指數(shù)也較高，其主要路徑是銀行[→]房地產(chǎn)（出度指數(shù)64.1%）及房地產(chǎn)[→]銀行（出度指數(shù)61.5%），即房地產(chǎn)和銀行部門之間形成了一種正反饋的機制。

二是從入度指數(shù)看，房地產(chǎn)部門是最大的風(fēng)險承擔(dān)者，57.3%的非房地產(chǎn)機構(gòu)會將風(fēng)險傳染至房地產(chǎn)部門，其中證券→房地產(chǎn)、銀行→房地產(chǎn)的出度指數(shù)分別是61.4%、64.1%，說明當(dāng)證券、銀行等部門發(fā)生風(fēng)險以后，很容易傳染至房地產(chǎn)部門。

三是綜合考慮出度指數(shù)和入度指數(shù)后，房地產(chǎn)部門是最大的風(fēng)險部門，其出度指數(shù)和入度指數(shù)的合計值在所有部門中最高。房地產(chǎn)部門在系統(tǒng)性金融風(fēng)險傳染中具有重要作用已經(jīng)成為共識，本文的研究進一步表明在金融風(fēng)險傳染中，房地產(chǎn)部門既是重要的風(fēng)險來源方，同時也是重要的風(fēng)險承擔(dān)者，充當(dāng)了金融加速器的角色。加速路徑是：證券、銀行部門將風(fēng)險傳染至房地產(chǎn)部門，隨后房地產(chǎn)部門將風(fēng)險溢出至銀行和信托部門，而房地產(chǎn)企業(yè)的高杠桿經(jīng)營特征及融資渠道的復(fù)雜性是造成這種加速器機制的主要原因。

（四）分部門金融出入度指數(shù)的時變特征

分部門金融出入度指數(shù)分析給出的是金融部門之間靜態(tài)的風(fēng)險傳導(dǎo)情況，未能刻畫出金融風(fēng)險傳染在不同時期的變化情況。但是，從我國實際情況看，金融深化的步伐持續(xù)推進，監(jiān)管政策也在不斷完善，從2008年以前的嚴格分業(yè)經(jīng)營，到2012—2017年資管業(yè)務(wù)快速發(fā)展，再到2017年以來對監(jiān)管套利和資管業(yè)務(wù)加強約束，我國金融風(fēng)險傳染的路徑處于不斷變化之中。因此，基于時間維度來審視我國系統(tǒng)性風(fēng)險傳染機制的變化很有必要。本部分根據(jù)我國系統(tǒng)性金融風(fēng)險的變化態(tài)勢，將2008年以來劃分為2008—2013年、2014—2016年、2017—2020年三個不同時期，分析各時期金融風(fēng)險傳染特征的動態(tài)變化?？傮w上，2008年以來我國金融機構(gòu)之間的聯(lián)系逐漸加強。2008—2013年，金融機構(gòu)連接度為137，2014—2016年連接度為139，在2017—2020年間金融機構(gòu)之間的連接明顯加強，金融系統(tǒng)連接度上升至207（見表4）。具體來看：

一是從部門的風(fēng)險出度看，不同部門差異明顯。保險、證券、房地產(chǎn)部門的出度隨時間不斷變大，2008—2013年、2014—2016年、2017—2020年保險部門的出度指數(shù)分別為12.7%、13.3%、52%，證券部門的出度指數(shù)分別為4.5%、16.7%、24.6%，房地產(chǎn)部門的出度指數(shù)分別為6%、11.3%、72.7%。這說明隨著我國金融體系的完善，保險、證券、房地產(chǎn)部門作為風(fēng)險來源，對系統(tǒng)性金融風(fēng)險的影響越來越大。其中，保險部門和證券部門風(fēng)險出度的上升，主要由于這兩類金融業(yè)態(tài)的創(chuàng)新業(yè)務(wù)較多，隨著跨部門業(yè)務(wù)的發(fā)展，風(fēng)險溢出效應(yīng)有所增強;房地產(chǎn)部門風(fēng)險出度在2018—2020年間急劇上升，使其成為主要的風(fēng)險來源，主要由于近兩年在房住不炒調(diào)控政策的約束下，房地產(chǎn)企業(yè)資金壓力有所加大，如2020年下半年恒大地產(chǎn)的資金危機就是這一情況的真實寫照。信托部門和銀行部門的風(fēng)險出度先降后升，2008—2013年、2014—2016年、2017—2020年信托部門的風(fēng)險出度分別為5.3%、4%、28.8%，銀行部門出度分別為22.8%、13.3%、46.8%。其中，2014—2016年信托部門風(fēng)險出度下降，主要是由于監(jiān)管部門加強了對信托業(yè)務(wù)的監(jiān)管力度，導(dǎo)致業(yè)務(wù)發(fā)展放緩，2015年信托貸款同比僅增長0.8%，處于較低水平。銀行部門在2014—2016年間風(fēng)險出度下降，2017年以后上升，主要是由于2017年原銀監(jiān)會接連發(fā)布《關(guān)于銀行業(yè)風(fēng)險防控工作的指導(dǎo)意見》《關(guān)于開展銀行業(yè)“監(jiān)管套利、空轉(zhuǎn)套利、關(guān)聯(lián)套利”專項治理工作的通知》等一系列文件，銀行與其他金融部門之間的資金聯(lián)系有所減少，從而導(dǎo)致風(fēng)險壓力向信托部門傳導(dǎo)，風(fēng)險出度有所上升。

二是從各部門的風(fēng)險入度看，保險部門先升后降，顯示資管新規(guī)主要是通過約束保險部門風(fēng)險承擔(dān)者的角色而發(fā)揮作用。房地產(chǎn)部門的入度指數(shù)穩(wěn)中有升。總體來看，房地產(chǎn)部門由于融資渠道高度復(fù)雜，不同渠道之間的融資替代性強，因此，其他部門向其傳染的風(fēng)險較小，體現(xiàn)為房地產(chǎn)部門的風(fēng)險入度基本保持平穩(wěn)。信托和證券行業(yè)的風(fēng)險入度先降后升，2017年以來，信托和銀行承擔(dān)的風(fēng)險有所上升，其風(fēng)險主要分別來自銀行和房地產(chǎn)，而證券部門的風(fēng)險主要來自信托和房地產(chǎn)。由此可見，金融風(fēng)險傳染網(wǎng)絡(luò)是銀行將風(fēng)險傳染至信托，信托將風(fēng)險傳染至證券，據(jù)此可以認為，不良貸款上升導(dǎo)致的銀行風(fēng)險外溢增加，是造成2017年以來信托業(yè)和證券業(yè)風(fēng)險入度上升的主要原因。

五、結(jié)論及政策建議

防范和化解系統(tǒng)性金融風(fēng)險是當(dāng)前宏觀調(diào)控政策的一項重要任務(wù)。本文以金融市場數(shù)據(jù)為基礎(chǔ)測度了2008年以來我國系統(tǒng)性金融風(fēng)險的變化情況，并構(gòu)建一個格蘭杰因果尾部風(fēng)險網(wǎng)絡(luò)，從空間和時間兩個維度研究我國系統(tǒng)性金融風(fēng)險傳染的特征。本文可以得到三個方面研究結(jié)論：首先，從總體看，2008年以來金融體系風(fēng)險溢出效應(yīng)波動上升，資管新規(guī)的實施使溢出效應(yīng)由升轉(zhuǎn)降，新冠肺炎疫情導(dǎo)致溢出效應(yīng)短暫上升，但目前已回落至低位。其次，從風(fēng)險的空間結(jié)構(gòu)看，房地產(chǎn)部門較高的風(fēng)險出度和入度指數(shù)引發(fā)了風(fēng)險加速機制，使其成為重要的風(fēng)險源和承擔(dān)者。再次，從風(fēng)險的時變特征看，保險、證券等業(yè)務(wù)創(chuàng)新多的部門風(fēng)險來源的角色在強化，銀行風(fēng)險溢出對信托、證券影響較大。上述結(jié)論對當(dāng)前我國防范和化解金融風(fēng)險具有一定的啟示：

一是資管新規(guī)這一系統(tǒng)化的重大管理規(guī)定對抑制我國金融系統(tǒng)的風(fēng)險溢出效應(yīng)發(fā)揮了關(guān)鍵作用。因此，當(dāng)前應(yīng)當(dāng)進一步完善、優(yōu)化資管新規(guī)的相關(guān)規(guī)定。一方面，嚴禁多層嵌套、脫實向虛，最大程度抑制風(fēng)險的跨部門、跨周期傳染;另一方面，在推進資管新規(guī)實施過程中應(yīng)當(dāng)關(guān)注金融部門的期限錯配及流動性狀況，防止因資管新規(guī)實施造成次生風(fēng)險事件。

二是保險部門是重要的風(fēng)險源且風(fēng)險出度不斷上升，這說明以金融控股集團（如大型的保險公司）為核心紐帶的金融創(chuàng)新業(yè)務(wù)，很容易聚集金融風(fēng)險。因此，當(dāng)前應(yīng)當(dāng)加大對金融創(chuàng)新業(yè)務(wù)的監(jiān)測和管理力度，盡快出臺對金融控股集團的統(tǒng)計制度，全面摸排國內(nèi)重要的金融控股集團的業(yè)務(wù)關(guān)聯(lián)情況，對跨部門的創(chuàng)新業(yè)務(wù)加大宏觀審慎管理力度。

三是房地產(chǎn)部門是最脆弱的風(fēng)險源和風(fēng)險承擔(dān)者，是我國當(dāng)前金融風(fēng)險防范的重點。房住不炒的調(diào)控政策以及房地產(chǎn)“三條紅線”的監(jiān)管要求導(dǎo)致房地產(chǎn)企業(yè)面臨較大的資金壓力。因此，當(dāng)前應(yīng)重點關(guān)注房地產(chǎn)企業(yè)的風(fēng)險情況。一方面，要逐漸壓降房地產(chǎn)企業(yè)負債規(guī)模，盡快滿足監(jiān)管要求，為長期的防風(fēng)險打下堅實基礎(chǔ);另一方面，也要關(guān)注房地產(chǎn)企業(yè)資金鏈壓力，防范資金鏈斷裂導(dǎo)致風(fēng)險擴散。

參考文獻：

[1]Adrian T，Brunnermeier M K. 2011. CoVaR [R].National Bureau of Economic Research.

[2]Wong A Y T，F(xiàn)ong T P W. 2011. Analysing Interconnectivity Among Economies [J].Emerging Markets Review， 12（4）.

[3]Huang X，Zhou H，Zhu H. 2012. Systemic Risk Contributions [J].Journal of Financial Services Research，42（1-2）.

[4高國華，潘英麗.銀行系統(tǒng)性風(fēng)險度量——基于動態(tài)CoVaR方法的分析 [J].上海交通大學(xué)學(xué)報，2011，（12）.

[5]白雪梅，石大龍.中國金融體系的系統(tǒng)性風(fēng)險度量[J].國際金融研究，2014，（6）.

[6]Acharya V，Engle R，Richardson M. 2012. Capital Shortfall：A New Approach to Ranking and Regulating Systemic Risks [J].American Economic Review，102（3）.

[7]Idier J，Lamé G，Mésonnier J S. 2014. How Useful is the Marginal Expected Shortfall for the Measurement of Systemic Exposure？ A Practical Assessment [J].Journal of Banking & Finance，47（1）.

[8]Derbali A，Hallara S. 2016. Systemic Risk of European Financial Institutions：Estimation and Ranking by the Marginal Expected Shortfall [J].Research in International Business and Finance，37（1）.

[9]范小云，王道平，方意.我國金融機構(gòu)的系統(tǒng)性風(fēng)險貢獻測度與監(jiān)管——基于邊際風(fēng)險貢獻與杠桿率的研究[J].南開經(jīng)濟研究，2011，（4）.

[10]Schweitzer F，F(xiàn)agiolo G，Sornette D. 2009. Economic Networks：The New Challenges [J].Science，325（5939）.

[11]Billio M，Getmansky M，Lo A W. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of Financial Economics，104（3）.

[12]Wang G J，Xie C，He K. 2017. Extreme Risk Spillover Network：Application to Financial Institutions [J].Quantitative Finance，17（9）.

[13]Corsi F，Lillo F，Pirino D. 2018. Measuring the Propagation of Financial Distress with Granger-Causality Tail Risk Networks [J].Journal of Financial Stability，38（1）.

[14]Diebold F X，Y?lmaz K. 2014. On the Network Topology of Variance Decompositions：Measuring the Connectedness of Financial Firms [J].Journal of Econometrics，182（1）.

[15]楊子暉，陳雨恬，陳里璇.極端金融風(fēng)險的有效測度與非線性傳染 [J].經(jīng)濟研究，2019，（ 5）.

[16]楊子暉，周穎剛.全球系統(tǒng)性金融風(fēng)險溢出與外部沖擊 [J].中國社會科學(xué)，2018，（12）.

[17]方意，鄭子文.系統(tǒng)性風(fēng)險在銀行間的傳染路徑研究——基于持有共同資產(chǎn)網(wǎng)絡(luò)模型 [J].國際金融研究，2016，（6）.

[18]王曉楓，廖凱亮，徐金池.復(fù)雜網(wǎng)絡(luò)視角下銀行同業(yè)間市場風(fēng)險傳染效應(yīng)研究 [J].經(jīng)濟學(xué)動態(tài)，2015，（3）.

[19]Danielsson J，Song Shin H，Zigrand J P. 2011. Balance Sheet Capacity and Endogenous Risk [J].2011.