金融业与实体行业风险外溢效应研究

□文/胡 玲

（成都理工大学商学院 四川·成都）

［提要］在防范化解重大金融风险背景下，深入研究金融-实体之间的系统性风险传递，对我国经济发展有着重要的意义。采用EVT-时变t Copula-CoVaR模型测度金融-实体行业之间的系统性风险溢出程度，并通过面板回归测度风险溢出的关键影响因数。研究结果表明：金融-实体行业之间存在十分明显的相互外溢效应，并且溢出强度受到行业特征及宏观政策因数的影响。因此，降低行业债务杠杆水平、提高盈利能力以及确定的政策环境均能有效降低系统性风险溢出，稳定金融市场。

“十四五”规划明确提出要加强现代金融监管体系，要进一步补齐监管制度的短板。我国金融混业经营趋势使得系统性金融风险不断上升，复杂的行业网络使得行业间风险溢出效应越来越显著，也给系统性风险的监管和防范带来更严峻的挑战。因此，研究市场内实体行业与金融之间的系统性风险溢出将有利于国家金融风险的监管、控制，以防范重大金融风险的发生以及蔓延。

一、文献综述

（一）金融系统性风险定义及测度。就系统性金融风险而言，有三种解释：（1）Bandt（2000）从宏观层面上认为通常是在整个金融体系或整个经济发生危机。（2）从危害的程度区别。Monica Billio（2012）、魏金明（2016）在对系统性风险的研究中都认可：使得单个银行或者到整个金融市场崩溃。（3）从溢出效应定义。张宝林、潘焕学（2013）强调它可以通过负债、信息和心理等渠道蔓延，最终导致整个系统发生风险。

学者多采用以有效性假说为基础的金融风险模型的方法来对系统性风险进行度量。同时，采用具有较强时效性的金融数据使得研究结果具有较强的预测性。系统性风险溢出作为极端尾部事件，利用市场日收益率高频数据、总收益率以及企业负债规模等行业公开数据进行研究金融相关的数据非常直接、有效。对于系统性风险的尾部刻画主要有两种：一种是金融机构资产未定权益法；另一种是通过描述金融资产收益的尾部特征来衡量系统性风险。最常用来刻画单项资产风险的是VaR，但它仅仅只是衡量单项资产。为了刻画多个机构、行业，Adrian（2016）提出CoVaR用来测度在一个金融机构处在风险的条件下，其他机构的价值，在VaR上做了一个升级。陈国进等（2017）在研究金融机构与金融机构、金融机构与金融行业间的系统性风险时使用不对称CoVaR来研究其风险传递性。在考虑风险的波动性和相依性特征后，刘晓星等（2011）使用EVTCopula-CoVaR来建模美国股市风险溢出情况。

（二）有关系统性风险溢出效应的影响因素。现今的金融和实体经济行业的联系相对更加密切，其导致实体经济行业的系统性风险也随之放大。Kroszner和Klingebiel（2006）发现，实体经济部门会受到损失中金融部门的严重不良影响；另一方面Ortiz-Molina和Phillips（2014）认为如果有资金短缺的情况，企业运营的灵活度就会受到影响。在发生经济危机的情况下，企业投资的有效性和政策执行的有效性都将受到受限资金预算的严重影响，金融-实体经济部门之间的风险也会随着增强的股权资产风险存在着波动溢出效应。

金融-实体经济行业之间风险溢出效应强度受到宏观因素和行业因素的影响。首先，行业因素主要考察各个行业特征的影响。Adrain和Brunnermeier（2016）在测度美国金融机构风险溢出效应时，发现规模、杠杆率会明显加强金融机构的风险溢出。在国内，王丹和黄玮强（2018）运用面板回归的计量方法分析出影响金融机构系统性风险溢出强度的因素。得出资产规模和市场账面价值是在有差异的指数下影响金融机构遭受风险和传播风险的相同要素。郭文伟、周媛等（2020）在探究影响因素时得出除资产规模外，财务杠杆也对溢出效应具有显著的正面效应，并在行业、企业上存在明显差异。苟文均、袁鹰等（2016）发现债务杠杆的急剧提高显著影响系统性金融风险的产生与传播。宫晓莉、熊熊等（2020）发现通货膨胀以及债务杠杆均会明显地助长系统性风险的外溢。徐晓光、廖文欣等（2017）运用广义溢出指数法发现市盈率也是影响波动溢出的因素之一。因此，本文对于影响因素的行业特征探讨主要集中于行业规模、债务及市盈率因素。其次，对于宏观因素的影响，王奇珍、王玉东（2018）通过静态、动态波动溢出指数研究发现美国经济不确定性存在非线性溢出效应。杨子晖、陈里璇（2020）在构建“世界金融行业与经济政策不确定性”关联网络下，发现经济政策不确定性对风险的传递有着明显影响。因此，本文对于宏观因素的影响探讨选取经济政策不确定性因素。

（三）总结。从上述文献中可以看到，研究我国金融系统性风险的较多，但仍然有几点问题：一是研究视角的局限。现在大部分研究都局限在了个别金融子行业间或是个别实体行业与金融子行业间的系统性风险测度，缺乏社会全行业的系统性风险测度。二是风险影响因素范围。现有文献往往趋向于财务指标，忽视行业的差异以及宏观政策等因素的影响。鉴于此，本文以一级市场各实体行业与金融行业为研究对象来测度金融-实体行业之间的时变联动性；其次通过CoVaR测量我国金融-实体行业之间的风险溢出程度；最后通过使用行业面板模型来提取影响风险溢出效应的因素。

二、模型构建

由于金融-实体行业间显著的非线性特征，本文通过构建ARMA-ECARCH-t模型来描绘行业指数收益率的边缘分布，通过时变t Copula模型衡量金融-实体行业之间的联动性，最后构建CoVaR模型测度金融-实体行业的风险溢出水平。在以上基础上，通过面板回归探寻风险溢出驱动因素。

（一）基于ARMA-ECARCH-t-EVT的边缘分布。运用ARMAEGARCH建模获得各行业指数的标准残差序列，能有效捕捉到行业指数收益率“尖峰厚尾”的特征，同时体现收益率波动聚集性的特点。

其中，rt为动率序列，zt为标准残差项，服从自由度为υ的t分布，γ为非对称杠杆系数。收益率序列，σt为条件波。

（二）基于EVT极值理论的边缘分布估计。实证表明，金融收益率大都呈现出显著的“尖峰厚尾”特征，而极端风险事件下金融资产收益率的尾部溢出更值得关注。即使采用能刻画“厚尾”特征的t分布，也存在低估尾部风险值的可能。因此，结合EVT模型构建边缘分布，描绘资产收益率的“厚尾”。表达式：

（三）基于多元t-Copula函数的联合分布。本文通过时变t-Copula函数来描述各实体行业指数与金融之间的相依关系。它在刻画两收益率之间的尾部相依时比正态函数更加优良，并且采用的动态调节相关（DCC）刻画变量间的动态相依关系。综上所述，本文运用时变t Copula来刻画行业间的动态相依结构，其相关参数采用DCC方法。其条件概率密度函数为：

（五）采用面板模型分析风险溢出的影响因素。被解释变量为金融行业对实体行业的极端条件风险溢出指数△covar。解释变量是行业规模（以取自然对数后的总市值来表述）、负债情况（以总债务与总资产的比值来表示）、行业盈利能力（以市盈率来表示）的代理变量以及宏观影响因素（采用自然对数后的经济政策不确定指数）。同时，加入时间趋势变量quarter来表示行业系统性风险随时间的变化。建立如下回归方程：

三、实证研究

本文采用锐思数据库各上市公司、行业2013年3月至2020年9月的历史数据，研究各证监会一级行业（2012版）与金融业之间的风险溢出关系。采用14个深证一级行业指数来代表各行业走势，采用各行业指数的日收盘价来衡量其股价走势。同时，剔除ST公司数据，剔除大量缺失数据以及错误数据，剔除非同天的数据。同时，运用Scott R.Baker等学者构建月度经济不确定性指数。为了与文中其他季度指标匹配，本文在构建季度经济确定性指数时，借鉴张成思、刘贯春（2018）的方法，采取3期的简单算术平方和。

（一）描述性统计。对金融行业以及各个实体行业收益序列进行描述性统计。如表1所示，各行业都显示出明显的左偏。从峰度上来看，各行业呈现出“尖峰厚尾”现象。同时，J-B检验来看，所有行业均不服从正态分布。从ADF检验可以看出各收益序列均平稳，因此运用ARMA（0，0）-EGARCH-t模型刻画标准残差序列。对用ARMA（0，0）-EGARCH-t模型拟合后得到的标准残差序列进行BDS检验，表2检验结果表明其通过检验，满足独立同分布特征。因此，可以进一步构建EVT模型构建边缘分布，表3为尾部阀值及GPD参数结果。（表1、表2、表3）

表1 描述性统计结果一览表

表2 BDS检验结果一览表

表3 尾部阀值及GPD参数估计结果一览表

（二）金融行业与实体行业间的时变联动性tcopula。在刻画变量间的联合分布时，Copula函数有着明显的优越性。其适用前提是变量必须满足独立同分布，从表4的KS检验结果来看，可以满足Copula的适用前提。（表4）

表4 KS检验结果一览表

表5描述的是金融-实体行业之间的时变联动性。从时间走向来看，各实体行业与金融行业之间联动性在各个时点具有明显差异。但都在2016年年尾出现明显改变，从高位走势平稳出现大幅下降趋势，并在2017年出现低谷。这说明，强调的防范化解金融重大风险的政策调控取得了重大效果，表明政策对行业的联动性具有一定的影响。从横向数据来看，农林牧渔行业与金融行业的联系最低在0.48左右，而与金融行业联动性较高的行业有水电燃气行业、房地产行业以及制造行业。虽然金融-实体行业的时变联动性具有明显差异，但总体看联系都比较紧密，基本都在0.5以上。（表5）

表5 金融行业与实体各行业时变联动性一览表

（三）系统性风险溢出效应分析

1、实体行业对金融业的风险溢出效应。如表6所示，表中各实体行业的风险溢出强度各有差异。根据风险溢出的强度可以判断出对金融业有着较大风险溢出的行业。从表中可以看出，某些特定行业对金融业的风险溢出效应是明显比其他行业强。例如，水电燃气类的溢出值最大，其风险溢出值为3.78，水电燃气条件在险值为7.38。而接下来的信息技术类、制造类、建筑业类对在金融业的风险溢出中贡献较大，应当对这些行业着重的关注。（表6）

表6 各实体行业对金融行业的风险溢出结果（在0.05的置信水平下）一览表

2、金融行业对实体行业的风险溢出。在表6中可以看出，在实体行业中，制造业、水电燃气以及房地产业收到的冲击位列前三，分别为3.62、3.59和3.55。另外，位于前列的还有采矿业、批发零售业、公共环保类、建筑类等。相反，农林牧渔业以及文化传播类所收到的溢出效应相比较小。

结合两个风险溢出表的数据可以看出，实体-金融行业之间的风险溢出关系明显不具有对称性。例如，金融业对房地产的溢出强度远大于房地产对金融业的溢出强度。然而，在两者的相互溢出关系中，水电燃气行业、运输仓储行业、建筑行业各项排名中均位居前列。在实体-金融之间的双向风险溢出中均有着重要地位。这些行业往往与金融业有着较高的时变联动性，并且这些行业往往都具有较大规模和较高杠杆。

四、行业间风险溢出影响因数

（一）描述性统计。从表7可知，各行业所承受的系统性风险溢出强度差异较大且随时间变化；且其行业特征例如规模以及财务杠杆的差异也较大；同时，宏观经济变量也随时间变化。通过各自变量之间相关系数检验的结果，我们可以看出各变量之间不存在多重共线性的情况。通过检验，各自变量均为一阶单整，并且存在协整关系。所以，本文采用原数据进行实证研究。同时，Hausman检验表明本文实证分析应采用随机效应面板数据模型。最终分析结果见表7。（表7）

表7 模型变量的描述性统计结果一览表

（二）面板随机回归。从表8可知，行业规模、债务杠杆、市盈率以及政策不确定性均对实体行业所收到的风险溢出有一个积极的影响，相反，时间趋势对△CoVaR有一个消极的影响。在行业特征方面，实体经济行业的规模、债务杠杆以及市盈率会增强金融风险的溢出强度。其中，债务杠杆对其所承受的系统性风险影响最大，系数为1.3，而市盈率影响最小，不足1%。宏观因数政策不确定性也会影响实体行业的风险承担，政策的不确定性越大，实体行业所承受的风险也会增强。相反，随着时间变化，我国系统性风险溢出情况呈现出递减的趋势。（表8）

表8 系统性风险溢出效应的影响因素分析结果一览表

（三）稳健性检验。从上文中可以看到行业的条件在险价值与其溢出效应存在的正向关系，本文采用条件在险价值重新进行面板回归分析。通过与前文回归做对比，来验证核心自变量对因变量的影响。从表9可知，对于整个金融行业而言，实体行业机构规模，债务杠杆、市盈率以及宏观政策不确定性均对其风险溢出具有明显的促进作用。这与前文的分析结果相似，说明结论具有稳健性。（表9）

表9 风险的影响因素分析结果一览表

五、结论及建议

本文通过EGARCH-时变t Copula-CoVaR模型来测度金融-实体行业之间的双向风险溢出关系，并在此基础上探寻行业间风险溢出的影响因数。通过全文分析，得到了以下结论：第一，严格的金融监管有利于控制金融行业与实体行业间的联动性。金融行业与实体行业的时变联动性在2016年末呈现出明显从高位下降的趋势，在2017年达到了最低点。这得益于防范金融重大危险的大背景以及实施的强有力的去杠杆政策，削弱实体-金融之间的关联性，政策调整对于行业间关联性以及溢出具有重要影响，构建严格的金融监管制度十分必要。第二，金融-实体行业间的双向溢出存在明显差异。其中，水电燃气行业、信息技术行业、制造业对金融行业的极端风险溢出最强烈，而金融行业向实体行业溢出强度最大的是制造业、水电燃气行业以及房地产行业。对金融行业具有较强风险溢出的实体行业有规模大、周期性强、产能过剩等主要特征。而金融行业溢出较强的实体行业的主要特征是高杠杆。并且，金融-实体行业双向溢出强度大的行业往往行业间时变联动性都较强。第三，金融机构风险溢出程度受到实体行业异质性以及宏观政策影响。表现在实体行业的规模、债务杠杆率以及行业指数市盈率均对金融行业尾部风险溢出效应具有正向影响。其中，债务的影响最大；其次较高的政策不确定性会促进金融行业对实体行业的系统性风险溢出。而得益于我国防范化解重大金融风险战略，我国系统性金融风险在时间上呈现出递减趋势。

据此，提出以下建议：首先，在强化和完善金融监管体系和防范重大金融风险时将防控实体行业风险纳进监管框架，构建强有力的金融监管体系降低行业间联动性来抑制系统性风险溢出。其次，研究结果表明，水电燃气、建筑、采矿、房地产等行业和金融行业在双向反馈中扮演重要角色，应当在构建金融-实体双向风险防控体系时重点监控并着重关注。最后，优化资本结构以提升权益类资本占比来降低债务杠杆率。让国家经济不断提高防范化解风险能力，从而增强其稳定性、繁荣发展。