系统性金融风险跨部门传染溢出效应分析

（宁波大学 商学院，浙江 宁波 315211）

一、引言

2008 年从美国爆发的次贷危机迅速蔓延至全球金融市场，各国的金融体系都遭受到了巨大的冲击，金融风险的跨市场、跨行业、跨部门传染越来越严重，且逐渐趋于常态化。随着金融危机冲击频次的不断上升，政策当局和经济学家的关注焦点聚焦在系统性风险上。系统性风险定义的核心思想在于风险的传染，当一个金融市场或金融部门面临外部冲击时，其遭受的冲击会向外溢出，向其他金融主体迅速传递，造成金融主体间风险的传染。2020 年是打好防范化解金融风险攻坚战收官之年，为打好这场收官之战，短期内的重点是化解好、控制好目前的金融风险点，防止其向全局性、系统性风险转化，对系统性风险的跨部门传染溢出效应分析，既可以帮助我们从整体上把控当前系统性风险的整体水平，又有助于完善监管体系，防止跨市场、跨行业、跨部门的风险交叉叠加成系统性的重大风险。

目前对系统性风险的度量方法主要分为两大类。第一类为基于金融机构间风险溢出和尾部依赖来度量系统性风险的方法。其中在险价值法（VaR）是最传统的一种方法，它指的是在市场正常波动的情况下，某个金融资产或证券组合的可能受到的最大损失，此方法计算简便，且能用于事前对风险计算，还能对由多个金融工具组成的投资组合风险进行计算，适用范围较广。而Adams 等（2014）[1]的研究指出，VaR 方法不能对一个国家整体的风险水平进行刻画，且有可能低估不同金融主体之间的溢出效应。随着研究的不断深入，Tobias 和Brunnermeier（2016）[2]提出了条件在险价值之差（ΔCoVaR）来衡量特定金融机构遭遇市场冲击时的VaR 与该机构正常运转情况下的VaR 之差，用以考察该金融机构对整体经济风险的贡献程度，并进一步刻画了系统性风险的整体水平。而根据Acharya 等（2017）[3]研究，此方法却仅考虑了处于该研究者设定的置信水平下的可能损失，而没有考虑到超过该置信水平的更为极端情形下的潜在损失，仍然存在一定的局限性。在此基础上Acharya 等（2017）提出了边际期望损失法（MES），此方法用来衡量单个金融机构对系统性风险的贡献度，借期望平均的形式将VaR 方法没有考虑到的极端情形进行分析，用于衡量当金融机构或投资组合的损失超过了VaR 阈值时所遭受的平均损失程度。然而，Brownlees 和Engle（2016）[4]认为MES 方法没有考虑到金融机构的杠杆率与规模的问题，这种遗漏会使得不少规模较小、杠杆水平较低的金融机构被错误的识别为系统重要性金融机构，从而造成风险贡献度认定的偏差。Banulescu 和Dumitrescu（2015）[5]提出使用成分期望损失法（CES）来改进MES 指标没有考虑到各金融机构资产规模的局限性，而Brownlees 和Engle（2016）采用了系统性金融风险指数（SRISK）来衡量特定金融机构在严重市场衰退条件下的资本缺口，以此来代表系统性风险，用以改进MES 方法忽略杠杆率的问题。基于这些方法，国内也展开了深入的研究，代表性的研究有梁琪（2013）[6]、卜林和李政（2015）[7]、方意等（2018）[8]、杨子晖等（2018）[9]。

第二类度量系统性风险的方法为网络分析法。网络分析法是根据股票价格等数据形成的金融主体之间的网络形状来判断各主体间联系的紧密程度，进而模拟系统性风险的传染累计过程。网络分析法可以将金融体系的动态演变过程演绎出来，网络关联的思想可以帮甄别网络中各金融主体的系统性重要地位。代表性的构建关联网络的方法有格兰杰因果关系检验、Diebold 和Yılmaz（2014）[10]的广义方差分解、Härdle 等（2016）[11]的TENET 法等，其中Diebold 和Yılmaz（2014）的广义方差分解法得到了广泛的应用。Maghyereh 等（2016）[12]表明广义方差分解模型不仅可以测度不同金融主体中风险的强度与关联程度，还可以识别风险的来源，可以考察风险溢出效应的存在性及方向性，也可以得出溢出规模的大小，能够为建立风险防范体系提供参考依据。李政等（2016）[13]利用广义方差分解法对我国证券、保险和银行部门的40 家上市金融机构构建无条件关联网络，进而通过网络分析法，全面解构金融网络的总体关联性以及部门内和部门间的关联特征,并分析其时变趋势。杨子晖等（2019）[14]利用波动溢出方法对我国房地产业和金融业两大板块之间的关联网络进行分析，从动态与静态两个角度研究风险的传染效应。国内代表性的研究还有杨子晖和周颖刚（2018）[15]、刘超等（2017）[16]、吴永钢等（2019）[17]、李政等（2019）[18]。

纵观该领域的研究发现，对于系统性风险的研究应该立足于更大的金融体系背景下，而不应该将视角局限于银行系统内部。因此，本文采用Diebold和Yilmaz（2014）提出的广义预测误差方差分解方法对银行、证券、保险、多元金融、房地产五个金融部门间的风险溢出效应进行测度。首先进行溢出效应的静态分析，构建总溢出指数表，识别出风险溢出效应的发出方与接收方，甄别各部门的系统重要性；然后利用滚动窗口估计分析方法，从动态的角度分析风险的传导关系，构建时变溢出指数，分析历史上不同时期不同冲击对溢出效应的影响。在此基础上，根据所得结论对完善中国金融风险防范体系提出相关建议。

二、模型设定与方法说明

本文采用Diebold 和Yilmaz（2014）提出的基于广义预测误差方差分解的溢出指数法对各金融部门间的风险溢出效应进行测度，刻画不同部门间风险的传导关系。模型构建过程主要包含三步：首先，构建一个N 维p 阶VAR 模型；其次，进行广义方差分解；最后，构建总溢出指数和方向性溢出指数。下面对该方法进行简要介绍。

首先，构建各个金融部门的N 变量VAR（p）模型：

其中，yt是N 维列向量，由N 个金融部门构成。φi是N×N 阶自回归系数矩阵，εt是独立同分布的误差向量。VAR 模型的移动平均表示形式为：

Ai为N×N 阶系数矩阵，满足递推形式：

Ai=φ1Ai-1+φ2Ai-2+…+φpAi-p，A0为N×N 单位矩阵且满足i＜0 时，Ai=0。

其次，进行广义方差分解，度量每一个金融部门受到其他部门或自身冲击的影响程度，构建各金融部门间的溢出网络。部门i 的向前H 步的预测误差方差中由部门j 引起的部分为θij（H），即：

其中，∑表示误差向量ε 的方差矩阵，σjj表示第j 个方程中误差项的标准差，ei是一个第i 个元素为1、其余元素为0 的N×1 向量。该指数由N×N 矩阵θ（H）=[θij（H）]构成，其中元素θij（H）给出了变量j 对变量i 的预测误差方差的贡献。

广义预测误差方差分解没有对各个冲击进行正交化处理，而是通过历史观测所得的误差分布对相关联的冲击进行解释，故其自身和交叉变量的方差贡献之和不等于1。为了方便后续对溢出指数进行分析，可以将方差分解矩阵的每一项通过其行和以如下方式进行标准化：

最后，构建总溢出指数和方向性溢出指数，由于在溢出矩阵中有“FROM”和“TO”两个不同方向的溢出，FROM 代表部门i 受到其他所有部门的风险传染效应的总和，表示形式记为Ci←*（H），TO 代表从部门i 到其他所有部门的风险传染效应的总和，表示形式记为C*←i，各个部门总的风险传染效应C（H）可以表示为如下形式，计算方式如下：

我们以Dieboid 和Yilmaz 提出的网络拓扑法建立关联度矩阵（见表1），关联度矩阵中，行代表溢出效应发送方，列代表溢出效应接收方。矩阵的元素是基于方差分解式子得到的，用来刻画两个部门之间的风险溢出程度：

表1 溢出指数表

三、数据说明与描述性统计

（一）数据说明

本文依照申银万国二级行业分类标准，将银行业指数、证券业指数、保险业指数、多元金融业指数、房地产业指数的对数日收益率作为分部门的代理变量展开研究，根据数据的适用性和可得性，各部门选定的样本区间为2007 年1 月8 日至2020 年7月10 日，共3 284 个交易日数据，数据来源于万得数据库。

（二）描述性统计

表2 是各金融部门指数收益率的描述性统计分析表，可以看出，各部门收益率均值都接近于0，从标准差可以直观的看出收益率的波动程度比较接近，且都是小幅波动；偏度值均较小，接近于0，说明只是轻度偏态，5 个部门的峰度均大于3，呈现出显著的尖峰厚尾分布，J-B 统计量检验的结果再次表明所有部门对数收益率的分布均不满足正态分布的结论。我们在此基础上利用ADF 检验方法进一步对对数收益率的平稳性进行检验，滞后阶数由赤池信息准则确定，最后得出的ADF 检验结果显示，在1%的显著性水平下需要拒绝存在单位根的原假设，即所有金融部门的指数收益率序列都是平稳的，这说明利用向量自回归模型是合适的。

表2 金融部门指数收益率描述性统计分析

表3 金融部门收益率相关系数表

表3展示了五个金融部门收益率的相关系数，从中可以看出，五个金融部门的对数收益率之间存在很强的正向关系，相关系数基本上都在0.54 以上，其中证券部门和其他部门的相关程度表现最强。

表2 展示了五个金融部门收益率的相关系数，从中可以看出，五个金融部门的对数收益率之间存在很强的正向关系，相关系数基本上都在0.54 以上，其中证券部门和其他部门的相关程度表现最强。

四、实证结果与分析

前文的描述性统计分析与相关性分析的结果，提供了不同的金融部门间可能存在网络连接与风险溢出效应的一些初步迹象，本节将分别研究静态环境和动态环境下风险的溢出特性来展示我们的主要结果。

（一）金融部门间的静态风险溢出

对各金融部门的对数收益率构建静态溢出指数，得到表4 所示的全样本静态溢出指数表，该表是基于10 步预测误差的金融部门间静态溢出指数的关联矩阵。A 组矩阵中第（i，j）个元素表示变量j对变量i 的溢出效应强度，最后一列“From”表示部门i 从所有其他部门获得的溢出效应总和，而最后一行“To”表示部门i 对所有其他部门产生的溢出效应总和，右下角的“Total”表示总溢出的强度。“Net”行表示的是部门i 的净溢出指数的总和，负值代表部门i 是溢出效应的净接收方，正值代表部门i 是溢出效应的净发送方。

表4 金融部门总溢出指数表

从总溢出指数来看，总溢出强度达到了63.9%，这意味着各个金融部门间存在着高度的联动性，部门间变动的解释力很强，金融体系内遭受到的任何冲击都可能对其间的所有部门产生波动影响。从定向溢出指数来看，证券部门对外波动溢出强度较大，达到了70.8，这也验证了证券部门在金融系统中的重要性；其次是房地产部门，达到了65.3，原因在于当前我国混业经营的模式不断加强，金融创新层出不穷，房地产业与传统金融业的交叉重合越来越多，其间风险传导也日益增强。对外波动溢出效应最弱的是多元金融部门，溢出强度为56.8。从溢出效应的接收程度来看，五个部门的受外溢出强度都在61～66 之间，表现基本一致。从净溢出指数Net行来看，证券部门是波动溢出的净发送方，溢出强度达到了5.0，其他部门均是溢出效应的净接收方，尤其是多元金融部门，受影响程度达到了4.9，原因在于证券业是先导板块，货币政策与财政政策的调整、宏观经济形式发展的好坏、汇率的波动等都会影响到证券行业的波动，证券市场遭受冲击会迅速蔓延至其他金融部门，具有十分显著的风险溢出效应，而多元金融部门作为朝阳产业与金融创新的聚集点，从多个方面满足了实体经济的业态需求，业务领域也较为广泛，其监管水平尚不如其他金融部门成熟，受影响程度较高。

从两两溢出的角度来看，我们将各个部门间相互溢出强度进行排名，得到表5 所示的金融部门间两两溢出强度表，可以看到两两部门间溢出效应最强的是保险部门和银行部门，溢出效应达到了20.7，原因是银行与保险有长期深度合作、融合发展的基础，银行是保险产品最主要的销售渠道，银行理财产品与保险产品功能交叉趋同，部门业务相关性强，18 年之前银保监会未合并时，中国“大资产”行业竞合的态势形成，业务之间的壁垒逐步被淡化，我国金融混业经营、分业监管，却并未对银行与保险部门进行统一管理，对风险的掌控能力相对较弱一些，银行部门与保险部门的协调性也较差，而银行与保险作为我国传统金融的底线，其相互间的影响是巨大的。溢出效应最弱的是多元金融对保险、多元金融对银行，溢出强度仅为11.4。

表5 金融部门间两两溢出强度表

（二）金融部门间的动态溢出时变分析

1.动态总溢出指数。为了更准确的刻画中国各金融部门间的风险传递情况，描绘金融部门间溢出效应的持续变动，我们用滚动窗口估计来进行溢出效应的动态分析，将预测步长定为10 天，滚动窗口的宽度设定为200 天。通过对各金融部门的对数收益率构建动态溢出指数，我们得到了如图1 所示的动态总溢出指数时序图。

图1 显示，从整体上来看，中国金融部门间的总溢出强度集中于55～75 之间，处于较高水平，且各个部门间的整体连通度较高。分时期来看，总溢出指数处于不同时期时有着不同的反应，2008 年间雷曼兄弟宣告破产迅速引爆国际金融危机，全球金融市场都严重受挫，总体风险溢出指数明显攀升；2012—2014 年初，发生了银行钱荒事件，部门间的连通性增强，总溢出指数呈现出大起大落的态势；2014—2016 年底，总溢出指数呈现震荡上升的趋势，原因在于政策改革红利的释放，极大刺激了市场投资，流转于金融体系的杠杆率水平一直居高不下，股市一片繁荣的景象背后潜藏着极大的风险；2017—2019 年风险溢出指数经历了巨幅波动，2017年我国宏观经济整体上显现出复苏的态势，部门间的连通度降低，波动溢出大幅度减弱，2018 年至今我国国民经济虽总体平稳，但国际政治经济环境却较之前更加严峻，中美经贸摩擦升级导致经济不确定性明显上升，经济下行压力增加，房地产泡沫也比较大，金融风险的不断暴露使得各部门联动性再次增加，风险溢出水平显著回升至高位水平。

图1 金融部门间动态总溢出指数时序图

2.稳健性检验。我们参考Diebold 和Yilmaz（2014）等前人研究中所使用的替代值方法，利用可替代H步预测误差方差分解方法和可替代m 日滚动窗口估计方法来检验结果的稳健性。图2 绘制了以10天、5 天、2 天为预测步长的200 日滚动窗口估计和250 日滚动窗口估计，此检验意在检验窗口期选择与预测步长选择的敏感性。从图2 中可以看到，尽管窗口期与预测步长的取值不同，总溢出指数的基本走势却完全相同，表明总溢出指数图对窗口期大小或预测步长的选择不敏感，结果是稳健的。

五、结论与建议

本文采用广义预测误差方差分解模型，基于金融部门间总溢出指数、净溢出指数对我国银行、证券、保险、多元金融、房地产五类金融部门间的溢出效应进行了研究，明确各金融部门在极端风险溢出关联网络中所担当的角色，衡量其系统性重要地位，并结合滚动窗口估计法，对不同金融部门间的风险溢出效应做出了进一步的分析和检验，有效识别了风险传导的动态演变过程。

图2 溢出指数的稳健性检验

金融部门间的静态风险溢出分析结果显示，我国金融体系各金融部门间存在着显著的风险溢出效应。从两两部门间关系来看，而银行部门与保险部门之间的溢出效应是最强的，多元金融部门对保险部门、多元金融部门对银行部门间的溢出效应最弱。此外，无论是从总溢出指数还是净溢出指数的角度来看，证券部门都具有最明显的对外风险溢出效应，是风险净传染最主要的发送者，原因在于我国证券市场中投资人群大多处于高负债状态，市场无法准确定价，具有较差的风险承受能力，遭受冲击时风险很容易通过债券债务关系向外蔓延；多元金融部门是风险净传染的主要接收者，究其原因，多元金融开始崛起，但仍旧处于成长过程中，其风险承担能力较弱，容易受到来自其他部门风险溢出效应的波及，所以也是金融市场中系统性风险跨部门传染的主要接收者。而银行部门与保险部门之间的溢出效应是最强的，多元金融部门与保险部门和金融部门间的动态风险溢出分析结果显示，我国金融市场系统性风险的溢出效应基本稳定保持在一个较高的溢出水平，且伴随着金融危机、钱荒、股灾等极端风险事件各部门的联动性也会随之增强，使得防范化解金融部门间风险成为我国经济新常态下亟待解决的问题。最后我们选择不同的预测步长和不同的窗口期对所得动态溢出结果进行了稳健性检验，最后得出结果是稳健的。

综上所述，整个金融体系中不同金融部门之间跨部门的风险溢出是明显存在的，且证券部门是最主要的风险发送者，保险部门、多元金融部门、房地产部门、银行部门都是风险接收者，且保险部门和多元金融部门的风险接收能力最强。因此，从防范风险跨部门传染的角度入手管理系统性风险尤为重要。为此，本文提出以下几点建议：首先，防范系统性风险不能局限于金融机构或金融市场，应该将目光转向整个金融体系中的各个金融部门，有效防范金融风险的跨部门传染，监管体制应该突出审慎监管和功能监管，来适应当前金融市场相互融合的发展趋势；其次，相关监管部门需要加强对证券部门的监管，同时要重点关注保险部门和多元金融部门，提高风险预判能力，形成协同监管的体系，加强不同金融部门间的间的协同配合，促进风险在整个金融体系内均衡分散，减少风险聚集；最后，在坚持金融业综合经营方向的基础上，应进一步加强银保统一监管，集中整合监管资源、发挥专业优势，发挥协同效应，着力降低银行部门与保险部门之间的风险传递，加强两部门间风险管控。