收稿日期：2023-08-25

作者簡介：胡依依（1996-），女，浙江寧波人，浙江工商大學(xué)金融學(xué)院碩士研究生。

①數(shù)據(jù)來源：前瞻經(jīng)濟學(xué)人.2023年中國金融科技行業(yè)發(fā)展現(xiàn)狀及市場規(guī)模分析 2022年市場規(guī)模突破5000億元[EB/OL].[2023-04-22].https：//www.qianzhan.com/analyst/detail/220/230421-5c26e4d1.html.

摘? ?要：近年來，市場設(shè)施類金融科技行業(yè)蓬勃發(fā)展，各類高新技術(shù)廣泛應(yīng)用于構(gòu)建金融設(shè)施，推動了金融業(yè)數(shù)字化轉(zhuǎn)型，也帶來新的風(fēng)險管理挑戰(zhàn)。本文基于2012—2023年47家上市公司公開數(shù)據(jù)，使用VaR計算市場設(shè)施類金融科技、銀行、證券和保險四個行業(yè)的系統(tǒng)風(fēng)險，用TVP-VAR-DY模型測度行業(yè)間風(fēng)險溢出效應(yīng)，并考察影響風(fēng)險溢出的宏觀因素。結(jié)果發(fā)現(xiàn)：金融科技具有較大系統(tǒng)風(fēng)險隱患，與金融業(yè)各部門呈現(xiàn)風(fēng)險正相關(guān)性；金融科技和證券部門具有較強風(fēng)險溢出，溢出持續(xù)增長并表現(xiàn)“風(fēng)險積聚”特點；近年來尾部經(jīng)濟事件中，金融科技和證券是主要風(fēng)險溢出中心，銀行是主要流入中心；貨幣供應(yīng)量、同業(yè)拆借利率和消費者預(yù)期對于金融科技、銀行、保險和證券的溢出效應(yīng)和溢入效應(yīng)會產(chǎn)生不同程度的顯著影響。

關(guān)鍵詞：金融科技；系統(tǒng)性風(fēng)險；跨部門風(fēng)險傳染；風(fēng)險溢出網(wǎng)絡(luò)；風(fēng)險管理

DOI：10.3969/j.issn.1003-9031.2023.10.002

中圖分類號：F832? ? ? ? ? ? 文獻標(biāo)識碼：A? ? ?文章編號：1003－9031（2023）10－0018－21

一、引言

近年來，我國金融科技行業(yè)發(fā)展迅速。2022年，中國金融科技整體市場規(guī)模達到5423億元，同比增長約17%①。金融科技行業(yè)提供的人工智能、機器學(xué)習(xí)和云計算等信息技術(shù)業(yè)務(wù)與各類金融業(yè)務(wù)跨界融合嵌套，新型技術(shù)風(fēng)險與傳統(tǒng)金融風(fēng)險交織融合，金融業(yè)不穩(wěn)定性持續(xù)增加，給金融監(jiān)管及風(fēng)險防范帶來了前所未有的挑戰(zhàn)。如何在順應(yīng)全球金融發(fā)展的同時，守住不發(fā)生系統(tǒng)性金融風(fēng)險底線，成為“十四五”期間的金融監(jiān)管部門的重要課題。因此，深入研究我國金融科技與金融業(yè)間的風(fēng)險溢出效應(yīng)，有助于政府部門進一步完善金融風(fēng)險預(yù)警機制，防范化解金融風(fēng)險。

市場設(shè)施類金融科技企業(yè)是指專注于為金融行業(yè)提供基礎(chǔ)設(shè)施和技術(shù)解決方案的科技公司。這類金融科技企業(yè)主要業(yè)務(wù)包括客戶身份認(rèn)證、物聯(lián)網(wǎng)等跨行業(yè)通用的基礎(chǔ)技術(shù)服務(wù)，也包括分布式賬戶、大數(shù)據(jù)、云計算等技術(shù)基礎(chǔ)設(shè)施，滿足了不同行業(yè)的需求（BCBS，2018；IMF，2018）。鑒于此類業(yè)務(wù)明顯的科技屬性，監(jiān)管機構(gòu)普遍將其納入金融機構(gòu)外包風(fēng)險的監(jiān)管范疇。如法國、新加坡和南非，在監(jiān)管方面，除了關(guān)注操作風(fēng)險和信息安全，還重視金融機構(gòu)外包流程的合規(guī)性和科學(xué)性，以及外包服務(wù)供應(yīng)商道德和操作風(fēng)險的防控（FSB，2017；BCBS，2018）。在我國，此類金融科技通常被界定為針對金融機構(gòu)提供的第三方服務(wù)，并隨著科技與金融的深度融合，金融科技對于持牌金融機構(gòu)的穩(wěn)健運營將產(chǎn)生越來越重要的影響，因此監(jiān)管機構(gòu)需要更加重視這一領(lǐng)域（李文紅，2015；胥愛歡，2022）。劉光緒等（2019）認(rèn)為，金融科技關(guān)鍵技術(shù)在金融基礎(chǔ)設(shè)施中被廣泛應(yīng)用，有效促進了金融效率的提升，促進了新興準(zhǔn)金融基礎(chǔ)設(shè)施的崛起。其業(yè)務(wù)不可避免地兼具金融與科技雙重屬性，并與以銀行、證券和保險為主的金融業(yè)逐漸呈現(xiàn)出日漸緊密的關(guān)聯(lián)關(guān)系（曹齊芳等，2021）。較少文獻對此類金融科技的影響進行深入研究。因此，本文選擇研究對象為，符合巴塞爾委員會定義的、以構(gòu)建金融市場設(shè)施為主要業(yè)務(wù)的、具有較強技術(shù)屬性的金融科技企業(yè)。

本文研究的金融業(yè)部門選擇了銀行、保險和證券，原因如下：第一，銀行、保險和證券是金融業(yè)的三大支柱，擔(dān)任了金融業(yè)的融資、風(fēng)險管理和資本市場服務(wù)等方面的作用；第二，三個行業(yè)的業(yè)務(wù)活動涉及大量數(shù)據(jù)記錄和統(tǒng)計，擁有豐富和完善的歷史數(shù)據(jù)，對于實證分析提供較為便利的基礎(chǔ)；第三，有實證表明它們之間及與金融科技行業(yè)存在關(guān)聯(lián)性及風(fēng)險傳染關(guān)系。

本文的創(chuàng)新和貢獻主要體現(xiàn)在以下幾點：第一，本文使用在險價值（VaR）測度金融科技、銀行、證券和保險四個部門的系統(tǒng)風(fēng)險，基于時變向量自回歸模型（TVP-VAR）和廣義預(yù)測誤差方差分解（DY）構(gòu)建風(fēng)險溢出網(wǎng)絡(luò)，分析各部門間溢出效應(yīng)的非對稱性和時變特征；第二，本文以“錢荒事件”“股災(zāi)事件”“中美貿(mào)易沖突”和“新冠疫情”為例，考察各部門風(fēng)險溢出水平和溢出方向的差異；第三，探討了四部門風(fēng)險溢出和溢入的影響因素，豐富了跨部門風(fēng)險傳染的研究。

二、文獻綜述

金融業(yè)系統(tǒng)風(fēng)險跨部門溢出研究主要分為兩種。第一種文獻圍繞風(fēng)險在銀行、保險和證券等金融部門間的溢出效應(yīng)展開研究，通過對風(fēng)險傳染路徑分析，刻畫不同金融機構(gòu)的風(fēng)險傳染力度或者關(guān)聯(lián)程度。Laeven et al.（2016）研究發(fā)現(xiàn)，金融危機期間大型銀行系統(tǒng)性風(fēng)險增長更快且更容易被低估，金融監(jiān)管部門應(yīng)減少“大而不能倒”補貼以限制銀行規(guī)模。Adams et al.（2014）研究顯示，在市場動蕩期間對沖基金行業(yè)在經(jīng)濟沖擊傳遞給商業(yè)銀行、投資銀行和保險等金融機構(gòu)過程中起到重要作用，可能是金融風(fēng)險傳染主要源頭。H？覿rdle et al.（2016）實證顯示存款機構(gòu)在其他金融機構(gòu)中接受和傳遞更多的風(fēng)險。李政等（2016）測度系統(tǒng)關(guān)聯(lián)性后發(fā)現(xiàn)，我國金融機構(gòu)關(guān)聯(lián)網(wǎng)絡(luò)中證券部門的關(guān)聯(lián)密度更高，存在較大系統(tǒng)風(fēng)險溢出隱患。另一種文獻認(rèn)為只關(guān)注金融行業(yè)間風(fēng)險溢出和傳染問題已不能滿足當(dāng)下金融風(fēng)險來源復(fù)雜多樣的現(xiàn)實。因此他們將金融風(fēng)險跨部門溢出效應(yīng)研究拓展到了與金融行業(yè)業(yè)務(wù)聯(lián)系密切的其他經(jīng)濟領(lǐng)域，如房地產(chǎn)、石油和貴金屬（楊子暉等，2018；xiao et al.，2018；You et al.，2017；袁薇等，2021）。

與此同時，在大數(shù)據(jù)、云計算、人工智能等新興技術(shù)迅速改變金融生態(tài)背景下，金融科技對金融機構(gòu)系統(tǒng)風(fēng)險影響日漸增長（曹齊芳和孔英，2021），信息技術(shù)已成為一種新的財富，金融科技可能具備與房地產(chǎn)和石油部門同樣的金融系統(tǒng)重要性。早期文獻主要將金融科技作為一種為傳統(tǒng)金融行業(yè)產(chǎn)品與服務(wù)賦能加勢的技術(shù)影響因素進行研究，其測度方法主要有基于phython爬蟲技術(shù)構(gòu)建的金融科技發(fā)展指數(shù)（沈悅和郭品，2015）和北京大學(xué)數(shù)字普惠金融指數(shù)（郭峰等，2020）。此類文獻著重于探究金融機構(gòu)本身金融科技水平對系統(tǒng)風(fēng)險的影響（Lapavitsas et al，2008；金洪飛等，2020；Khalil et al.，2020；王道平等，2020）。隨著金融科技行業(yè)的日漸發(fā)展，監(jiān)管機構(gòu)對金融科技企業(yè)的逐步厘定，現(xiàn)有文獻開始從機構(gòu)視角研究金融科技對風(fēng)險的影響。方意等（2021a）理論總結(jié)了互聯(lián)網(wǎng)科技公司的業(yè)務(wù)模式，并在此基礎(chǔ)上分析其可能引發(fā)的金融風(fēng)險隱患。曹齊芳等（2021）運用TENET搭建了金融科技機構(gòu)、銀行和證券的風(fēng)險傳染網(wǎng)絡(luò)，研究發(fā)現(xiàn)金融科技機構(gòu)對主營業(yè)務(wù)和市值相近的機構(gòu)易產(chǎn)生較強的風(fēng)險溢出影響。還有部分文獻從理論分析角度探討整體金融科技行業(yè)對金融業(yè)帶來的風(fēng)險隱患和可能變革（Shim and Shin，2016；Rainer et al.，2018；李文紅和蔣則沈，2017）。

近年來，在跨市場、跨部門溢出效應(yīng)研究中，常用的方法是Diebold and Yilmaz （2009，2014）所提出溢出網(wǎng)絡(luò)分析法。它基于矢量自回歸（VAR）和廣義預(yù)測誤差方差分解（DY），并采用滾動窗口來度量不同市場、不同部門、不同機構(gòu)間的時變連通性，以此來研究它們之間的溢出效應(yīng)，如波動溢出效應(yīng)（Diebold and Yilmaz，2014；周云龍和胡良劍，2019）、商業(yè)周期溢出效應(yīng)（馬永談等，2023；Strohsal et al.，2019）等。該方法對高頻數(shù)據(jù)研究具有較好的適用性，有效解決了研究數(shù)據(jù)滯后的問題。然而，這個研究框架也存在一些問題。第一，傳統(tǒng)VAR模型采用線性最小二乘估計法，而各變量間關(guān)系可能是非線性的，因此也許會得到有偏的參數(shù)估計（Enders and Granger，1998）；第二，滾動窗口大小會對溢出效應(yīng)的度量結(jié)果產(chǎn)生影響，窗口太小時，參數(shù)不穩(wěn)定，窗口太大時，參數(shù)又過于平坦；第三，設(shè)置滾動窗口時無法避免觀測值的損失，這可能會給估計結(jié)果帶來誤差；第四，該研究結(jié)果受異常值影響較大。為解決這些問題的影響，Antonakaki et al.（2019）提出了基于時變參數(shù)自回歸模型（TVP-VAR）和廣義預(yù)測誤差方差分解（DY）的溢出效應(yīng)分析框架。該框架假定系數(shù)矩陣和方差-協(xié)方差矩陣都具有時變的特點，使用帶有遺忘因子的卡爾曼濾波估計參數(shù)，可以得到任意時候的非線性參數(shù)估計，不用設(shè)置窗口大小，減少了觀測值的損失，也對異常值不敏感。國內(nèi)外已有文獻采用這一框架來研究溢出效應(yīng)（李程和楊奕，2022；戴志峰等，2022；方意等，2020；Antonakaki et al.，2020）。本文研究樣本期間為2012年8月12日至2023年3月24日，全球金融科技發(fā)展態(tài)勢較好，主要國家和地區(qū)加快數(shù)字化轉(zhuǎn)型，在此期間也發(fā)生一些重大經(jīng)濟事件，如2013年銀行錢荒，2015年A股股災(zāi)，2018年中美貿(mào)易沖突和2020年新冠疫情暴發(fā)等。故在樣本期間內(nèi)的任一時間點上溢出效應(yīng)都可能會有較大不同。為更好地研究金融科技與金融業(yè)各部門間的非對稱溢出效應(yīng)的時變特征，本文采取TVP-VAR-DY研究框架。此外，這種變量間的雙邊或者多邊的連通性，也被用于構(gòu)建經(jīng)濟金融網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，以此來進一步研究風(fēng)險傳染效應(yīng)。Diebold and Yilmaz（2014）結(jié)合VAR-DY模型和網(wǎng)絡(luò)拓?fù)淅碚?，刻畫了?008年金融危機中美國主要金融機構(gòu)的聯(lián)通性網(wǎng)絡(luò)，對系統(tǒng)重要性機構(gòu)進行識別。宮曉莉等（2020）對我國上市金融機構(gòu)建立信息溢出網(wǎng)絡(luò)，甄別風(fēng)險傳染中的系統(tǒng)重要性金融機構(gòu)。

縱觀該領(lǐng)域研究，現(xiàn)有文獻的進展與不足主要體現(xiàn)在以下幾個方面：第一，研究金融科技對金融業(yè)風(fēng)險影響的文獻多從技術(shù)因素角度、理論角度和互聯(lián)網(wǎng)金融機構(gòu)角度分析，而對主要從事金融基礎(chǔ)設(shè)施建設(shè)的金融科技公司，關(guān)于其風(fēng)險溢出效應(yīng)的量化分析和特征描述的研究較少；第二，在跨部門溢出效應(yīng)研究中，大多數(shù)國內(nèi)文獻只關(guān)注收益或波動的溢出特征，有較少文獻研究在線價值（VaR）的溢出特征；第三，在影響機制分析中，較多文獻研究微觀因素如個體杠桿率等對溢出效應(yīng)的作用，而少有文獻研究宏觀經(jīng)濟因素的影響。鑒于此，本文從尾部風(fēng)險（VaR）的角度研究了我國金融科技、銀行、證券和保險部門之間的風(fēng)險傳染，并探討其宏觀經(jīng)濟影響因素。

三、溢出模型構(gòu)建與影響機制分析

（一）基于分位數(shù)回歸的VaR模型

在險價值（VaR）被定義為在給定的置信水平下的最大可能損失，從統(tǒng)計學(xué)意義上來講它同時考慮了收益ｒｔ和置信水平q。ＶａＲｑ，ｔ被定義為q分位數(shù)下的收益分布：

（1）

在險價值（VaR）捕捉了風(fēng)險管理實踐中的尾部行為，它可以通過分位數(shù)回歸來進行估計。具體地，可以將在險價值（VaR）視為宏觀變量的函數(shù)，并首先考慮以下線性模型：

（2）

其中，Mt-1表示滯后一階的宏觀狀態(tài)變量，t為獨立同分布的誤差項。對式（2）進行分位數(shù)回歸，可以得到估計的回歸系數(shù)，重新代入式（2）中，可以得到估計的在險價值（aR）：

3）

（二）TVP-VAR模型構(gòu)建

本文參考Antonakaki et al.（2019）構(gòu)建的時變參數(shù)矢量自回歸和廣義預(yù)測誤差方差分解模型（TVP-VAR-DY）對各部門在險價值（VaR）進行進一步分析。該模型相比傳統(tǒng)矢量自回歸模型（VAR）主要有兩個優(yōu)點：第一，在計算動態(tài)溢出指數(shù)時，由于其不涉及滾動窗口分析，故不需要主觀任意設(shè)置滾動窗口大小，有效避免了VAR模型實證結(jié)果可能會隨設(shè)置窗口大小的不同而發(fā)生變化及觀測值較易損失的問題。第二，由于該模型采用卡爾曼濾波估計，因此其對異常值不敏感。p階滯后的TVP-VAR模型如下：

（4）

（5）

其中，Yt是N×1維矢量，Yt-1是Np×1維滯后矢量，？茁t是一個N×Np的時變參數(shù)矩陣。？著t是一個N×1維的誤差擾動項，具有N×N維的時變方差協(xié)方差矩陣？撞t。？茁t取決于自己的滯后矢量？茁t-1，N×NP維的誤差矩陣Vt及其具有的Np×Np維的方差協(xié)方差矩陣Rt。

利用含遺忘因子的卡爾曼濾波估計模型中的時變參數(shù)和方差協(xié)方差矩陣，基于估計結(jié)果及Wold表示定理，將模型改變?yōu)閂MA格式以計算廣義預(yù)測誤差方差分解。

（6）

（三）基于TVP-VAR模型的廣義方差分解

廣義預(yù)測誤差方差分解（DY）可以解決傳統(tǒng)Cholesky分解方法中分解結(jié)果與VAR模型中變量排序有緊密關(guān)系的問題。在向前H期預(yù)測的方差分解中，第j個變量對第i個變量方差的貢獻度表達式為：

（7）

其中，上標(biāo)H表示預(yù)測期數(shù)，？滓i，j是殘差協(xié)方差矩陣的第j個對角線元素，ei表示第i個元素為1，其余元素為0的N×1維列矢量，Ah為（6）的系數(shù)矩陣。

（四）網(wǎng)絡(luò)分析法

衡量了變量j和i之間的傳染關(guān)聯(lián)性（Antonakakis et al.，2019），多用于測量系統(tǒng)風(fēng)險傳染程度或風(fēng)險積聚水平?；诳梢詷?gòu)建出風(fēng)險傳染矩陣（見表1）。

由于并不總等于1，即每一行的加總并不總等于1，為方便分析，對每一行的數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，使得=1N：

（8）

基于可以重新構(gòu)建風(fēng)險傳染矩陣。原來表1矩陣中的TO所在行的元素，表示部門j對其他所有部門的溢出效應(yīng)C，在矩陣中表現(xiàn)為第j列上除對角線上的所有元素加總：

（9）

矩陣中的FROM所在列的元素，表示部門i受其他所有部門的溢出效應(yīng)C，在矩陣表現(xiàn)為第i行除對角線上的所有元素加總：

C=?（10）

矩陣中的TSI為總溢出指數(shù)，表示所有部門受其他部門的風(fēng)險溢入或?qū)ζ渌块T的風(fēng)險溢出，矩陣中表示為FROM所在列所有元素加總或者TO所在行所有元素加總：

C或TSI＝C（11）

計算部門i對其他部門的凈風(fēng)險溢出（net spillover），即它對其他部門的風(fēng)險溢出減去其他部門對其的風(fēng)險溢入：

NC=C-C? ? ? ?（12）

計算i部門與j部門的成對凈風(fēng)險溢出（net pair spillover），即i部門對j部門的風(fēng)險溢出減去j對i的風(fēng)險溢出：

（13）

若NPC＞0，則說明部門i的風(fēng)險影響更大，反之亦然。

（五）溢出影響機制研究

在得出各部門風(fēng)險溢出效應(yīng)后，本文進一步對其宏觀影響機制進行分析。流動性不足使金融機構(gòu)難以進行有效交易和流動性管理，導(dǎo)致短期資金缺口和風(fēng)險損失。這些損失有可能通過投融資渠道和業(yè)務(wù)渠道擴散至與金融機構(gòu)緊密相關(guān)的其他企業(yè)。貨幣供應(yīng)量和同業(yè)拆借利率都是評估流動性重要的指標(biāo)，因此本文選擇了貨幣供應(yīng)量與準(zhǔn)貨幣月度同比增長率（M2）和全國銀行同業(yè)拆借利率（CHIBOR）作為解釋變量。

預(yù)期也是影響金融風(fēng)險的重要因素。當(dāng)市場持有悲觀預(yù)期時，大量機構(gòu)投資者紛紛進行資產(chǎn)配置調(diào)整。這種投資策略的調(diào)整可能會導(dǎo)致不同市場間的資產(chǎn)價格出現(xiàn)聯(lián)動性變化，引發(fā)風(fēng)險在不同金融市場的傳遞。本文選擇了消費者預(yù)期（CEI）這一指標(biāo)來作為解釋變量。

為了更好地模擬復(fù)雜的宏觀經(jīng)濟環(huán)境，本文把滯后一期被解釋變量加入到解釋變量中，建立如下回歸模型：

（14）

（15）

（16）

其中，TSI是總溢出指數(shù)，TO是各部門風(fēng)險溢出，F(xiàn)ROM是各部門風(fēng)險溢入。

四、數(shù)據(jù)說明與實證分析

（一）數(shù)據(jù)說明

本文參考沈悅和郭品（2015）、金洪飛等（2020）方法，在百度咨詢高級搜索頁面利用python爬蟲技術(shù)，對金融科技有關(guān)的關(guān)鍵詞進行年度詞頻收集，發(fā)現(xiàn)2013年始詞頻明顯提升，同比增長了108.58%，說明2013年前后金融科技得到普遍發(fā)展，考慮涵蓋重大危機事件，最終將樣本區(qū)間確定為2012年8月6日至2023年3月24日。

在金融科技企業(yè)樣本選取方面，本文研究對象為，符合巴塞爾委員會定義的、主要業(yè)務(wù)為構(gòu)建金融基礎(chǔ)設(shè)施的、具有較強科技屬性的金融科技企業(yè)。按照以下條件進行篩選：第一，主要業(yè)務(wù)范圍為，與金融業(yè)相關(guān)的跨行業(yè)通用服務(wù)、客戶身份數(shù)字認(rèn)證、多維數(shù)據(jù)歸集處理、技術(shù)基礎(chǔ)設(shè)施等；第二，公開數(shù)據(jù)保持相對完整，樣本期間內(nèi)累計停牌時間不超過3個月；第三，市值位于所在行業(yè)前列。從1039家相關(guān)上市企業(yè)中篩選出17家企業(yè)。

在金融業(yè)樣本選取方面，本文對17家金融企業(yè)2012—2023年報數(shù)據(jù)進行手工整理，篩選的金融科技企業(yè)存在穩(wěn)定業(yè)務(wù)往來與投融資關(guān)系的銀行、證券和保險機構(gòu)。并按照主營業(yè)務(wù)符合中國證監(jiān)會制定的《中國上市公司分類指引》和2019上市公司分類結(jié)果，樣本期間累計停牌時間不超過3個月，市值位于所在行業(yè)前列等條件進行二次篩選，最終選取16家銀行，10家券商和4家保險作為樣本。

所挑選的金融機構(gòu)均在行業(yè)市值排名前60，金融科技企業(yè)在相關(guān)行業(yè)市值排名前15%，具有較好的代表性。選擇機構(gòu)每日股票收盤價和自由流通股本數(shù)據(jù)進行研究，共計2585條數(shù)據(jù)，數(shù)據(jù)均來自于wind數(shù)據(jù)庫。

（二）各部門系統(tǒng)風(fēng)險計算

在計算各部門系統(tǒng)風(fēng)險中，參考張冰潔等（2022）以及Adrian and Demeirer（2016）的研究方法，選取以下宏觀狀態(tài)變量用來估計在險價值VaR（見表3）。

為消除時間差距影響，本文將日度數(shù)據(jù)處理為周度數(shù)據(jù)，得到546條數(shù)據(jù)。具體操作方法為：每日收盤價計算平均值得到周度收盤價Pt，由LnPt-LnPt-1得到收益率，與各企業(yè)自由流通股本權(quán)重相乘，加總得到該部門的周度加權(quán)收益率；市場收益率（MR）計算周平均值得到周度數(shù)據(jù)；計算市場波動率（VIX）得出周度數(shù)據(jù)；3個月國債利率、10年期國債利率和10年期中債中短期票據(jù)（AAA）均為日度數(shù)據(jù)，計算平均值得到周度數(shù)據(jù)。取q=0.05，將數(shù)據(jù)代入式（2）、式（3）得到各部門5%分位點下的估計在線價值aR。為方便分析對aR取絕對值，各部門的aR時間序列圖如圖1所示，并對各部門aR進行pearson相關(guān)性檢驗，如表4所示。

從圖1中可以明顯地看到，在2013年銀行錢荒、2015—2016年股災(zāi)、2018年中美貿(mào)易爭端及2020年新冠疫情時，各部門系統(tǒng)性風(fēng)險均發(fā)生了不同頻率及程度的上升，說明計算得到的系統(tǒng)風(fēng)險具有一定的可信度和相關(guān)性。表4結(jié)果顯示，pearson檢驗數(shù)值處于[0.86-0.99]之間，且均在0.01水平下顯著，說明各部門風(fēng)險存在顯著的正相關(guān)性。

從表5中可以看出，金融科技部門VaR有較大的均值、標(biāo)準(zhǔn)差和最大值，說明該部門系統(tǒng)風(fēng)險較高，具有較大的安全隱患。ADF檢驗結(jié)果顯示，各部門VaR在1%水平下均為顯著，各宏觀變量在5%水平下均為顯著，說明拒絕原假設(shè)，變量均是平穩(wěn)的。從自相關(guān)系數(shù)ACF來看，VaR均處于0.25～0.35，具有一定序列相關(guān)性，說明適合使用TVP-VAR來進一步的分析。

（三）各部門風(fēng)險溢出效應(yīng)靜態(tài)分析

通過AIC和BIC準(zhǔn)則，確定最優(yōu)滯后階數(shù)為4階，各階系數(shù)均高度顯著，殘差無自相關(guān)，VAR系統(tǒng)穩(wěn)定。當(dāng)預(yù)測期數(shù)H=6時，總溢出指數(shù)達到最大值，所以本文將預(yù)測期定為6。

對全樣本進行靜態(tài)分析，初步分析風(fēng)險溢出情況?；趶V義預(yù)測誤差方差分解計算各部門的溢入溢出指數(shù)均值，將其按照整理為矩陣形式，統(tǒng)計結(jié)果如表6所示。其中FROM表示溢入指數(shù)；TO表示溢入指數(shù)；NET表示某部門的凈風(fēng)險溢出或溢入水平。

從總溢出效應(yīng)來看，總溢出指數(shù)TSI高達73.612%，說明預(yù)測誤差方差的73.612%可以由金融科技、銀行、證券和保險間的溢出效應(yīng)解釋，26.388%由部門內(nèi)部解釋。根據(jù)文獻分析，總溢出指數(shù)高于70%則說明系統(tǒng)風(fēng)險在這整體中具有較強的傳染性。

從各部門溢出效應(yīng)來看，每一行主對角線上數(shù)值最大，說明各部門受到的風(fēng)險溢出中，來源于自身部門風(fēng)險溢出最多，符合相關(guān)文獻（宮曉莉等，2020；楊子暉等，2018；曹齊芳等，2019等）實證描述及現(xiàn)實依據(jù)。金融部門間的溢出指數(shù)（即非對角線指數(shù)）均處于24～25之間，而金融科技部門與金融部門間的溢出指數(shù)處于25～27之間，說明金融科技與其他部門存在較為顯著跨部門風(fēng)險溢出效應(yīng)。

（四）各部門風(fēng)險溢出效應(yīng)動態(tài)分析

靜態(tài)分析得出了各部門風(fēng)險溢出效應(yīng)的平均特征，為進一步得出溢出效應(yīng)的時變特征，本文對各時間點的指數(shù)進行動態(tài)分析。

1.總風(fēng)險溢出效應(yīng)分析

從圖2可以直觀看出，融合了金融科技部門的新型金融體系仍具有與傳統(tǒng)金融體系相似的特點，即在某些重大尾部經(jīng)濟事件或者金融不穩(wěn)定發(fā)生時，其風(fēng)險溢出總水平會有不同程度的上升。2013年銀行錢荒，溢出總指數(shù)快速攀升至73.62%；2014年至2016年期間，重大股市動蕩事件頻繁發(fā)生，溢出總指數(shù)創(chuàng)下新高為74.48%且持續(xù)在高位波動；2015年11月證監(jiān)會叫停券商類融資收益業(yè)務(wù)，中信證券等多家證券業(yè)務(wù)受到影響引起股市動蕩，總溢出水平也隨之提高；2018年中美貿(mào)易戰(zhàn)開始，中美兩國屢次發(fā)生貿(mào)易摩擦，總溢出水平頻繁波動并在高位徘徊；2019年末至2020年初，新冠疫情暴發(fā)，在此期間總溢出水平也維持在相對較高水平。

這種相似點可以由金融科技與其他金融部門實際關(guān)聯(lián)影響解釋。具有直接業(yè)務(wù)關(guān)聯(lián)的行業(yè)，在危機中系統(tǒng)性風(fēng)險會順著產(chǎn)業(yè)鏈關(guān)系擴散（李政等，2019）。近年來數(shù)字化服務(wù)接受度持續(xù)提升，數(shù)字化轉(zhuǎn)型成為我國金融業(yè)的重要戰(zhàn)略，市場設(shè)施類金融科技企業(yè)為金融機構(gòu)提供了創(chuàng)新設(shè)備，與金融業(yè)形成了緊密的業(yè)務(wù)聯(lián)系。另一方面，這種相似點還可以由信息的傳染機制解釋。金融危機中投資者普遍出現(xiàn)恐慌心理，對未來投資信心降低，市場中的“羊群效應(yīng)”和信息不對稱惡化，單個行業(yè)出現(xiàn)的危機將引發(fā)投資者非理性拋售相關(guān)行業(yè)資產(chǎn)，引發(fā)風(fēng)險在相關(guān)行業(yè)的傳遞，導(dǎo)致系統(tǒng)性風(fēng)險溢出總水平上升。

在圖2中也可以發(fā)現(xiàn)，2015年后即使發(fā)生了影響較大的尾部經(jīng)濟事件，總體風(fēng)險溢出水平的上升程度較早期顯著減緩，并呈現(xiàn)逐年下降趨勢。這可能是由于金融監(jiān)管體系的完善和政府出臺的相關(guān)政策，使得防范跨部門風(fēng)險傳染成為新經(jīng)濟常態(tài)的緊迫問題（李文紅和蔣則沈，2017）。隨著監(jiān)管體系的逐步成熟，跨部門系統(tǒng)風(fēng)險傳染得到有效控制，極端經(jīng)濟事件所帶來的系統(tǒng)風(fēng)險影響減弱。

2.各部門方向性溢出效應(yīng)分析

對比圖3可以看出，在不同尾部經(jīng)濟事件中，各部門方向性溢出呈現(xiàn)不同程度變化。對金融業(yè)各部門，2013年“錢荒”事件中，短期資金利率出現(xiàn)急劇上漲，各金融機構(gòu)之間資金互換渠道變得不暢，為緩解流動性壓力，各機構(gòu)可能采取出售高風(fēng)險資產(chǎn)、擴大負(fù)債規(guī)?；蛟黾訌?fù)雜衍生品的投資等高風(fēng)險操作，導(dǎo)致各部門風(fēng)險溢出溢入水平上漲；2015年股市動蕩期間，金融機構(gòu)的投資組合和資產(chǎn)負(fù)債表受到股市崩盤的沖擊，資產(chǎn)價值大幅下跌，資金鏈條中斷，金融部門的風(fēng)險溢出溢入水平顯著上升；2016年始金融嚴(yán)監(jiān)管，銀行和保險的風(fēng)險溢出溢入水平開始逐年下降，而證券的風(fēng)險溢出水平仍緩慢上升。這可能是因為銀行和保險業(yè)的業(yè)務(wù)模式更為穩(wěn)定，相對更易于進行風(fēng)險監(jiān)管（張潔冰等，2018；宮曉莉等，2020；Adams et al.，2014；H？覿rdle et al.，2016）。銀行吸收儲戶存款和放貸，收取利差和貸款利息；保險收取保費。兩者具有穩(wěn)定現(xiàn)金流和較低市場波動性，擁有良好的風(fēng)險管理能力。相比之下，證券市場交易更自由靈活，容易受情緒和市場波動影響，缺乏有效的風(fēng)險控制措施。

對金融科技部門，2015年以來，金融科技行業(yè)高速增長，多數(shù)金融機構(gòu)加強了與金融科技企業(yè)的業(yè)務(wù)往來和投融資關(guān)系以實現(xiàn)數(shù)字化轉(zhuǎn)型，兩者間的風(fēng)險溢出程度迅速上升；2016年始金融嚴(yán)監(jiān)管，金融科技與金融業(yè)業(yè)務(wù)往來受到制約，其系統(tǒng)風(fēng)險溢出增長趨于平緩；2018年中美貿(mào)易戰(zhàn)開始，美國限制對中國出口科技產(chǎn)品，影響了人們對金融科技發(fā)展預(yù)期，其溢出在貿(mào)易戰(zhàn)前期略微下降；2020年疫情影響使人們更傾向于數(shù)字金融服務(wù)，金融科技技術(shù)總資金投入達1980.1億元，相較于2019年的1770.9億元增長了11.9%①。金融科技部門的影響力持續(xù)上升，其風(fēng)險溢出繼續(xù)保持緩慢增長；2023年疫情結(jié)束，人們對數(shù)字金融服務(wù)需求量相對減少，并且在監(jiān)管影響下，金融科技部門對外風(fēng)險溢出水平開始下降。

對比圖2和圖3可以發(fā)現(xiàn)，在2018年后總溢出指數(shù)TSI和各部門受其他三部門的總風(fēng)險溢入水平FROM均呈現(xiàn)明顯下降趨勢，但金融科技和保險部門對其他三部門的風(fēng)險溢出水平呈現(xiàn)上升態(tài)勢，這說明風(fēng)險并未完全減弱，而在金融科技和證券部門間積聚。

3.各部門的凈溢出效應(yīng)分析

圖4展現(xiàn)了在整個樣本期間內(nèi)，金融科技部門與金融部門的系統(tǒng)風(fēng)險凈溢出效應(yīng)的時變特征。證券和金融科技部門的凈溢出指數(shù)為正且逐年增加，表明這兩個部門在風(fēng)險傳導(dǎo)中長期處于風(fēng)險輸出者的地位。銀行部門凈溢出指數(shù)自2015年后顯示負(fù)且逐年減小，說明其近年來充當(dāng)其他市場風(fēng)險的接受者。保險部門凈溢出指數(shù)大部分情況為接近于零的負(fù)值，且呈現(xiàn)出較為平穩(wěn)的小范圍波動狀態(tài)，表明保險業(yè)為相對穩(wěn)定和可控的風(fēng)險接受者。

4.兩兩部門間的溢出效應(yīng)分析

為進一步明確兩兩部門間風(fēng)險溢出作用方向，本文繪制了部門間動態(tài)凈溢出指數(shù)時變序列圖，如圖5所示。

對于金融科技部門，它在2015年前對銀行、證券和保險的凈溢出為負(fù)，而2015年后凈溢出由負(fù)轉(zhuǎn)正，對銀行和保險的凈溢出呈逐年增長趨勢。這可能是因為2015年以后，監(jiān)管部門的政策紅利和金融科技公司創(chuàng)新技術(shù)的快速普及推動了金融業(yè)數(shù)字化轉(zhuǎn)型。這個過程中，為了實現(xiàn)數(shù)字化轉(zhuǎn)型，越來越多的金融機構(gòu)加強了與市場設(shè)施類金融科技行業(yè)的投融資關(guān)系和業(yè)務(wù)往來，金融科技行業(yè)的技術(shù)風(fēng)險和市場風(fēng)險通過這兩個渠道影響到金融業(yè)各部門的股價收益變動，風(fēng)險溢出影響不斷增大。數(shù)據(jù)顯示，近年來銀行金融科技投入增速持續(xù)增長，2020年交通銀行金融科技投入規(guī)模同比增長52.87%，其他國有六大銀行同比增長均維持在6.64%～12.30%，股份制銀行金融科技投入同比增長也普遍處于10.76%～57.68%水平①。2021年證券業(yè)也金融科技投入首次突破300億元，增幅超過20%②。保險科技融資呈現(xiàn)上升態(tài)勢，2019年融資金融達到59.20億元③。

對于證券部門，它對銀行和保險凈風(fēng)險溢出指數(shù)主要為正，并且自2016年來持續(xù)上漲。這可能是因為：第一，證券部門面臨較高的負(fù)債比例和多樣化的債務(wù)融資，更容易受到市場風(fēng)險和債務(wù)違約等因素的影響，從而導(dǎo)致系統(tǒng)性風(fēng)險和風(fēng)險溢出。有文獻認(rèn)為，在控制監(jiān)管水平和宏觀經(jīng)濟等因素不變的條件下，杠桿率較高的證券機構(gòu)是金融系統(tǒng)性風(fēng)險的主要貢獻者（白雪梅等，2014；曹齊芳等，2021；宮曉莉等，2020）；第二，自2016年開始，金融嚴(yán)監(jiān)管使得保險和銀行在風(fēng)險控制、合規(guī)管理、資產(chǎn)質(zhì)量、資本充足率等方面面臨更嚴(yán)格的監(jiān)督，風(fēng)險溢出逐漸降低。相比之下，證券市場更自由靈活，投資者更容易受市場情緒和行情波動的影響，其風(fēng)險管理能力相對不足，因此風(fēng)險溢出水平較高。

（五）風(fēng)險溢出效應(yīng)網(wǎng)絡(luò)分析

以上分析分別從靜態(tài)和動態(tài)角度，研究了在整體樣本期內(nèi)四部門風(fēng)險傳染效應(yīng)，為進一步明確在極端經(jīng)濟事件下系統(tǒng)風(fēng)險傳遞路徑、傳遞強度及系統(tǒng)重要性部門，本文參考楊子暉等（2018）方法構(gòu)建風(fēng)險傳染網(wǎng)絡(luò)。用Gephi軟件繪制了（a）2013年6月28日—2014年12月5日的銀行錢荒股市動蕩期間；（b）2015年1月23日—2015年11月27日年股災(zāi)頻發(fā)期間；（c）2018年3月23日—2019年1月11日中美貿(mào)易沖突頻繁期間；（d）2019年12月13日—2023年1月20日新冠疫情防控期間的網(wǎng)絡(luò)拓?fù)鋱D，如圖6所示。淺色節(jié)點代表凈風(fēng)險溢出部門，深色節(jié)點代表凈風(fēng)險溢入部門，節(jié)點越大代表風(fēng)險凈溢出或凈溢入越大，對風(fēng)險傳染影響越大。兩點間的有向線表示兩部門間風(fēng)險凈溢出，箭頭的方向為風(fēng)險溢出方向，線條越粗則表示它們之間風(fēng)險凈溢出指數(shù)越大，線條的粗細(xì)與其數(shù)值大小呈比例變動。各階段部門間風(fēng)險凈溢出如表7所示。

從圖6可以看到，在不同經(jīng)濟事件中，風(fēng)險跨部門傳染各具特點。具體而言，2013年6月至2014年12月銀行錢荒股市動蕩，各部門系統(tǒng)風(fēng)險及總溢出水平持續(xù)在高位波動，銀行和證券部門是主要風(fēng)險溢出中心，金融科技部門是主要風(fēng)險溢入中心，金融科技風(fēng)險傳染增量45.29%來自于銀行，36.29%來自于證券。2015年股市動蕩期間，銀行凈溢出指數(shù)為-0.78，成為主要風(fēng)險溢入，金融科技部門的凈溢出指數(shù)為0.70，成為主要風(fēng)險溢出；中美貿(mào)易沖突激烈期間，銀行凈溢出指數(shù)下降至-1.45，證券和金融科技的溢出指數(shù)分別升至0.10和0.89；新冠疫情期間，銀行受其他部門風(fēng)險傳染影響進一步加深，溢出指數(shù)下降至-3.41，38.8%風(fēng)險效應(yīng)增量來自于證券，37.73%來自于金融科技。金融科技的溢出指數(shù)最大，為1.90，證券部門為1.78。

基于上述分析可以發(fā)現(xiàn)：第一，尾部經(jīng)濟事件中，銀行在風(fēng)險傳染中的角色由風(fēng)險凈溢出者轉(zhuǎn)變?yōu)榱藘粢缛胝撸沂芷渌块T影響遞增，已成為最主要風(fēng)險溢入部門；第二，金融科技部門則由凈溢入者轉(zhuǎn)變?yōu)閮粢绯稣?，對其他部門影響遞增，已成為最主要風(fēng)險溢出部門。

（六）各部門系統(tǒng)風(fēng)險溢出效應(yīng)影響機制研究

將各部門溢出和溢入指數(shù)周度數(shù)據(jù)轉(zhuǎn)化為月度數(shù)據(jù)作為被解釋變量。對各變量進行ADF檢驗結(jié)果顯示均為平穩(wěn)，剔除空缺值后得到128個月度數(shù)據(jù)，宏觀變量數(shù)據(jù)均來自于wind數(shù)據(jù)庫，回歸結(jié)果如表8所示。

從貨幣與準(zhǔn)貨幣同比增長率（M2）來看，其對總風(fēng)險溢出（TSI）、證券部門溢入（FROMsecurities）、金融科技部門溢出（TOfintech）和溢入（FROMfintech）有顯著的負(fù)向影響，且對金融科技和證券部門影響更大。這可能是因為：第一，M2的增加增強了流動性，加大資金進入證券和金融科技部門的可能性，從而降低這些部門風(fēng)險溢出和溢入的概率。而銀行和保險部門主要依賴于存款和保險費這樣的負(fù)債模式，不是由流動性完全驅(qū)動；第二，銀行和保險部門相對于證券和金融科技部門來說更易受到監(jiān)管和政策的嚴(yán)格限制，這也在一定程度上減輕了它們的風(fēng)險溢出和溢入受M2的影響。

從全國銀行間同業(yè)拆借利率（CHIBOR）來看，其對總風(fēng)險溢出（TSI）、銀行部門溢出（TObank）和溢入（FROMbank）、保險部門溢出（TOinsurance）和溢入（FROMinsurance）、證券部門溢入（FROMsecurities）、金融科技部門溢入（FROMfintech）有顯著的正向影響，且對銀行和保險部門影響更大。這可能是因為：第一，銀行同業(yè)拆借資金的成本會直接影響到銀行的借貸業(yè)務(wù)和資產(chǎn)負(fù)債表等方面。而保險與銀行有著較緊密的合作關(guān)系，在經(jīng)營模式、風(fēng)險控制、融資渠道、服務(wù)對象等方面也有相似之處，故受同業(yè)拆借利率影響較大；第二，對于證券和金融科技部門來說，資金流入速度相對較快，所以同業(yè)拆借利率的變化對它們的風(fēng)險溢出和溢入影響相對較小。

從消費者預(yù)期指數(shù)（CEI）來看，其對總風(fēng)險溢出（TSI）和各部門風(fēng)險溢入具有顯著的負(fù)向影響。這可能是因為消費者預(yù)期水平主要對消費者的投資產(chǎn)生直接影響。當(dāng)預(yù)期水平較低時，他們會減少投資，轉(zhuǎn)而更多地將資金投入到風(fēng)險較低的金融產(chǎn)品中，導(dǎo)致金融機構(gòu)的資本占用率上升，風(fēng)險溢入效應(yīng)上升；當(dāng)預(yù)期水平較高時，消費者投資行為增加，提高了金融機構(gòu)的貸款需求，降低了風(fēng)險溢入水平。

（七）穩(wěn)健性檢驗

為檢驗實證結(jié)果是否過于依賴參數(shù)設(shè)定，本文通過改變滯后階數(shù)及預(yù)測期數(shù)的方法進行穩(wěn)健性檢驗。本文選取滯后階數(shù)為5階，在此基礎(chǔ)上再構(gòu)建1階、2階、3階、4階TVP-VAR模型求得總溢出指數(shù)TSI，圖7顯示了各TSI時間序列圖。從圖7可以得到，滯后階數(shù)的變化基本不會對TSI變化造成影響。本文選取預(yù)測期為6，在此基礎(chǔ)上再構(gòu)建預(yù)測期分別為8、10和12的模型求得TSI，圖8顯示了各TSI時間序列圖。從圖8中可以得到，模型的預(yù)測期變化也不會對TSI造成明顯影響，說明所求的結(jié)果具有一定的穩(wěn)健性。

五、結(jié)論與政策建議

（一）結(jié)論

本文使用銀行、證券、保險和市場設(shè)施類金融科技等行業(yè)的47家中國A股上市公司公開股票數(shù)據(jù)，計算各部門的在險價值VaR，基于TVP-VAR和廣義預(yù)測誤差方差分解DY的數(shù)學(xué)分析框架，對部門間風(fēng)險溢出溢入指數(shù)進行度量和分析。

第一，從系統(tǒng)性風(fēng)險計算結(jié)果來看，市場設(shè)施類金融科技部門的在險價值VaR與傳統(tǒng)金融部門相比有著更大的均值、標(biāo)準(zhǔn)差和最大值，說明該部門系統(tǒng)性風(fēng)險較高，具有較大的安全隱患。第二，從全樣本靜態(tài)分析結(jié)果來看，加入了金融科技的新型金融體系內(nèi)存在較為明顯的跨部門風(fēng)險傳染效應(yīng)，金融科技與其他金融部門間均存在較為顯著風(fēng)險溢入和溢出效應(yīng)，也是其他金融部門的主要風(fēng)險來源。第三，從動態(tài)分析結(jié)果來看，此金融體系具有對極端經(jīng)濟事件十分敏感的特點，在各尾部經(jīng)濟事件期間總風(fēng)險溢出水平均有不同程度上升。在2018年后總溢出指數(shù)TSI和各部門受總風(fēng)險溢入水平均呈現(xiàn)明顯下降趨勢，但金融科技和證券部門風(fēng)險溢出水平呈現(xiàn)上升態(tài)勢，這說明雖然近年來金融監(jiān)管的逐步完善減少了總體系統(tǒng)風(fēng)險溢出，但風(fēng)險并未完全削弱，而是在金融科技和證券部門間積聚。凈溢出指數(shù)也顯示，證券和金融科技溢出效應(yīng)及銀行溢入效應(yīng)不斷擴大的現(xiàn)象“由來已久”，總溢出風(fēng)險效應(yīng)上升或下降并沒有影響到它們逐漸惡化的趨勢。第四，網(wǎng)絡(luò)分析結(jié)果顯示，在錢荒發(fā)生期間銀行是風(fēng)險溢出的中心，對其他部門風(fēng)險影響較大，而在2015年股災(zāi)、中美貿(mào)易沖突頻繁和新冠疫情期間，證券和金融科技變成了主要風(fēng)險溢出地，銀行成為主要風(fēng)險流入地。這說明，在未來可能發(fā)生的尾部事件中，金融科技很可能會變成金融風(fēng)險溢出的主要來源，而銀行則會受到較大的風(fēng)險流入。第五，研究金融科技溢出影響機制發(fā)現(xiàn)，貨幣與準(zhǔn)貨幣同比增長率（M2），全國銀行間同業(yè)拆借利率（CHIBOR）以及消費者預(yù)期指數(shù)（CEI）是影響四部門風(fēng)險溢出和溢入的關(guān)鍵因素。其中M2的提高可以有效降低證券和金融科技部門的風(fēng)險傳染效應(yīng)，CHIBOR的下降有效降低銀行和保險部門的風(fēng)險傳染效應(yīng)，CEI的提升可以顯著降低各部門風(fēng)險溢入效應(yīng)。

（二）政策建議

第一，投資者在進行投資決策時，要全面評估金融科技行業(yè)的潛在風(fēng)險，選擇投資具備良好監(jiān)管合規(guī)記錄和穩(wěn)健運營模式的金融科技公司，以降低安全隱患。同時，建議投資者理性持有包含風(fēng)險相關(guān)性較大的金融科技和金融機構(gòu)的投資組合，提高投資組合的多樣化，降低風(fēng)險的傳染程度。第二，政府部門，有必要引入和改進相應(yīng)的監(jiān)管和制度規(guī)則，加強對金融科技和證券部門的監(jiān)管力度，如加強對金融科技或證券產(chǎn)品的信息披露要求，鼓勵與監(jiān)管機構(gòu)之間的信息共享和合作，推動監(jiān)管框架與技術(shù)發(fā)展相適應(yīng)等，降低風(fēng)險在其中的“積聚”效應(yīng)。第三，金融業(yè)管理者在尾部經(jīng)濟事件發(fā)生時，可以采取降低同業(yè)拆借利率和提高貨幣政策寬松程度等手段來降低不同部門間的風(fēng)險溢出效應(yīng)。同時，應(yīng)加強宏觀調(diào)控，合理引導(dǎo)消費者預(yù)期水平，降低金融機構(gòu)的系統(tǒng)性風(fēng)險溢入。

（責(zé)任編輯：夏凡）

參考文獻：

[1]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）：75-85.

[2]曹齊芳，孔英.基于復(fù)雜網(wǎng)絡(luò)視角的金融科技風(fēng)險傳染研究[J].金融監(jiān)管研究，2021（2）：37-53.

[3]戴志鋒，朱皓陽，尹華.我國石油、黃金、房地產(chǎn)和金融部門間系統(tǒng)風(fēng)險動態(tài)溢出效應(yīng)研究[J].系統(tǒng)工程理論與實踐，2022（10）：2603-2616.

[4]方意，王琦，張驀嚴(yán).大科技公司的金融風(fēng)險隱患和監(jiān)管[J].學(xué)習(xí)與實踐，2021（8）：54-66.

[5]方意，荊中博，馬曉.中國房地產(chǎn)市場對銀行業(yè)系統(tǒng)性風(fēng)險的溢出效應(yīng)[J].經(jīng)濟學(xué)（季刊），2021（6）：2037-2060.

[6]方意，宋佳馨，譚小芬.中國金融市場之間風(fēng)險溢出的時空特征及機理分析——兼論中美貿(mào)易摩擦對金融市場的影響[J].金融評論，2020（6）：20-43+121-122.

[7]郭峰，王靖一，王芳，孔濤，張勛，程志云.測度中國數(shù)字普惠金融發(fā)展：指數(shù)編制與空間特征[J].經(jīng)濟學(xué)（季刊），2020（4）：1401-1418.

[8]宮曉莉，熊熊，張維.我國金融機構(gòu)系統(tǒng)性風(fēng)險度量與外溢效應(yīng)研究[J].管理世界，2020（8）：65-83.

[9]賀建清.金融科技：發(fā)展、影響與監(jiān)管[J].金融發(fā)展研究，2017（6）：54-61.

[10]劉緒光，肖翔.金融科技影響金融市場的路徑、方式及應(yīng)對策略[J].金融發(fā)展研究，2019（12）：79-82.

[11]金洪飛，李弘基，劉音露.金融科技、銀行風(fēng)險與市場擠出效應(yīng)[J].財經(jīng)研究，2020（5）：52-65.

[12]梁琪，常姝雅.我國金融混業(yè)經(jīng)營與系統(tǒng)性金融風(fēng)險——基于高維風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)的研究[J].財貿(mào)經(jīng)濟，2020（11）：67-82.

[13]李文紅，蔣則沈.金融科技（FinTech）發(fā)展與監(jiān)管：一個監(jiān)管者的視角[J].金融監(jiān)管研究，2017（3）：1-13.

[14]李政，劉淇，梁琪.基于經(jīng)濟金融關(guān)聯(lián)網(wǎng)絡(luò)的中國系統(tǒng)性風(fēng)險防范研究[J].統(tǒng)計研究，2019（2）：23-37.

[15]李政，梁琪，涂曉楓.我國上市金融機構(gòu)關(guān)聯(lián)性研究——基于網(wǎng)絡(luò)分析法[J].金融研究，2016（8）：95-110.

[16]李程，楊奕.地方政府債券風(fēng)險溢出及其宏觀機理——基于金融市場的分析[J].武漢金融，2022（8）：49-58.

[17]劉緒光，肖翔.金融科技影響金融市場的路徑、方式及應(yīng)對策略[J].金融發(fā)展研究，2019（12）：79-82.

[18]劉曉東，歐陽紅兵.中國金融機構(gòu)的系統(tǒng)性風(fēng)險貢獻度研究[J].經(jīng)濟學(xué)（季刊），2019（4）：1239-1266.

[19]馬永談，魯靜怡，林萍，等.全球金融發(fā)展與經(jīng)濟增長的結(jié)構(gòu)性關(guān)聯(lián)效應(yīng)——基于金融周期和金融穩(wěn)定機制的分析[J].財經(jīng)科學(xué)，2021（10）：1-14.

[20]沈悅，郭品.互聯(lián)網(wǎng)金融、技術(shù)溢出與商業(yè)銀行全要素生產(chǎn)率[J].金融研究，2015（3）：160-175.

[21]王道平，劉楊婧卓，徐宇軒，劉琳琳.金融科技、宏觀審慎監(jiān)管與我國銀行系統(tǒng)性風(fēng)險[J].財貿(mào)經(jīng)濟，2022（4）：71-84.

[22]胥愛歡，趙俊豪，楊思睿.國外金融科技發(fā)展與監(jiān)管的實踐經(jīng)驗及若干啟示[J].海南金融，2022（4）：50-57.

[23]袁薇，王雙微，王培輝.我國金融市場極端風(fēng)險傳染路徑研究[J].金融監(jiān)管研究，2021（3）：80-91.

[24]楊子暉，陳雨恬，謝銳楷.我國金融機構(gòu)系統(tǒng)性金融風(fēng)險度量與跨部門風(fēng)險溢出效應(yīng)研究[J].金融研究，2018（10）：19-37.

[25]楊子暉，陳雨恬，林師涵.系統(tǒng)性金融風(fēng)險文獻綜述：現(xiàn)狀、發(fā)展與展望[J].金融研究，2022（1）：185-206.

[26]張冰潔，汪壽陽，魏云捷，趙雪婷.基于CoES模型的我國金融系統(tǒng)性風(fēng)險度量[J].系統(tǒng)工程理論與實踐，2018（3）：565-575.

[27]周云龍，胡良劍.股票市場行業(yè)指數(shù)波動溢出效應(yīng)實證分析[J].經(jīng)濟研究導(dǎo)刊，2019（15）：83-85+99.

[28]張蕊，盧俊香.基于Vine-Copula廣義CoVaR模型的我國金融市場間風(fēng)險溢出研究[J].金融經(jīng)濟，2023（8）：78-86.

[29]陳少煒，郭隆.多維經(jīng)濟空間下金融機構(gòu)股票收益的空間溢出效應(yīng)及風(fēng)險評價分析[J].區(qū)域金融研究，2022（9）：49-56.

[30]Adams Z，F(xiàn)üss R，Gropp R.Spillover Effects among Financial Institutions：A State-Dependent Sensitivity Value-at-Risk Approach[J].Journal of Financial and Quantitative Analysis，2014，49（3）：575-598.

[31]Antonakakis N，Gabauer D，Gupta R.International monetary policy spillovers：Evidence from a time-varying parameter vector autoregression[J].International Review of Financial Analysis，2019，65（C）：1382-1382.

[32]Antonakakis N，Chatziantoniou I，Gabauer D.Refined Measures of Dynamic Connectedness based on Time-Varying Parameter Vector Autoregressions[J].Journal of Risk and Financial Management，2020，13（4）：342-383.

[33]Adrian T，Brunnermeier M K.Covar[J].American Economic Review，2016（7）：1705-1741.

[34]Acharya V V，Pedersen L H，Philippon T，et al.Measuring Systemic Risk[J].The Review of Financial Studies，2017（30）：2-47.

[35]BCBS.Sound Practices：Implications of fintech developments for banks and bank supervisors[J].Bank for international settlement，2018.

[36]Diebold X F，Yilmaz K.Measuring Financial Asset Return and Volatility Spillovers，with Application to Global Equity Markets[J].The Economic Journal，2009（119）：158-171.

[37]Diebold X F，Yilmaz K.On the network topology of variance decompositions：Measuring the connectedness of financial firms[J].Journal of Econometrics，2014，182（1）：119-134.

[38]Enders W，Granger C W.Unit-Root Tests and asymmetric adjustment with an example using the term structure of interest rates[J].Journal of Business & Economic Statistics，1998，16（3）：304-311.

[39]Wei L，Zhen L，Mo L，et al.FinTech Credit： Market Structure，Business Models and Financial Stability Implications[J].Financial Development Review，2017.

[40]IMF.Global Financial Stability Report，April 2009：Responding to the Financial Crisis and Measuring Systemic Risks[R].Washington D. C.：Global Financial Stability Report，2009.

[41]H？覿rdle K W，Wang W，Yu L.TENET：Tail-Event driven NETwork risk[J].Journal of Econometrics，2016，192（2）：499-513.

[42]Khalil F，H M Alam.Identification of Fintech Driven Operational Risk Events[J].Journal of the Research Society of Pakistan，2020（57）：75-87.

[43]Laeven L，Ratnovski L，Tong H.Bank size，capital，and systemic risk：Some international evidence[J].Journal of Banking and Finance，2016（69）：S25-S34.

[44]Lapavitsas C，Dos Santos P L.Globalization and contemporary banking：On the impact of new technology[J].Contributions to Political Economy，2008，27（1）：31-56.

[45]Shim Y，Shin D.Analyzing Chinas Fintech Industry from the Perspective of Actor-Network Theory[J].Telecommunications Policy，2016（40）：2-3.

[46]Strohsal T，Proa？觡o R C，Wolters J.Characterizing the financial cycle：Evidence from a frequency domain analysis[J].Journal of Banking and Finance，2019，106（C）：568-591.

[47]Xiao J，Zhou M，Wen F，et al.Asymmetric impacts of oil price uncertainty on Chinese stock returns under different market conditions：Evidence from oil volatility index[J].Energy Economics，2018（74）：777-786.

[48]You W，Guo Y，Zhu H，et al.Oil price shocks，economic policy uncertainty and industry stock returns in China：Asymmetric effects with quantile regression[J].Energy Economics，2017（68）：1-18.

[49]Rainer A，Roman B，T.M S.FinTech and the transformation of the financial industry[J].Electronic Markets，2018，28（3）：235-243.

①數(shù)據(jù)來源：筆者根據(jù)《中國金融科技運行報告（2022）》相關(guān)數(shù)據(jù)整理得出。

①數(shù)據(jù)來源：筆者根據(jù)《中國上市銀行分析報告2021》相關(guān)數(shù)據(jù)整理得出。

②數(shù)據(jù)來源：中國證券協(xié)會.中國證券業(yè)協(xié)會發(fā)布證券公司2022年度經(jīng)營數(shù)據(jù)[EB/OL].[2023-03-17].https：//www.sac.net.cn/hysj/jysj/202303/t20230317_54404.html.

③數(shù)據(jù)來源：筆者根據(jù)眾安金融科技研究院《草木百年新雨露——保險創(chuàng)新融資動向、2021回顧與2022展望》相關(guān)數(shù)據(jù)整理得出。