中国金融机构关联性与系统性风险贡献研究——基于尾部风险溢出网络视角

王纲金，徐梓双，谢 赤

(湖南大学工商管理学院，长沙 410082)

0 引 言

2008年次贷危机爆发后，金融机构间的关联性以及系统性风险引起了学术界与监管者的广泛关注. 系统性风险指在由不同行业的金融机构组成的体系中，一个事件可以影响整个金融体系的功能，同时也让看似不相关的第三方遭受损失. 由于金融工具的不断创新，各类衍生品涌现，表外业务范围扩大，金融机构个体间的联动性逐渐上升，金融市场风险传染速度加快. 金融机构间的过度关联使得负面冲击在机构个体之间、部门行业间以及金融系统和实体经济之间传导扩散，冲击破坏力急剧上升，影响范围迅速扩大，放大了风险传染的渠道与可能性. 正是机构间的相互关联，造成了系统性风险的传播.

从当前国内背景来看，金融业改革不断深化，从目前的分业经营模式过渡至混业经营趋势明显. 同时，在企业与居民对差异性金融产品需求上升的环境下，金融创新产品发展迅速，金融服务的广度和深度不断扩展. 2015年的股灾便是金融机构大力开展影子业务，规避监管部门约束，从而引发系统关联性上升和风险聚增的集中体现[1]. “一委一行两会”新的监管格局正是监管部门应对目前金融混业和综合经营形势的新举措.2020年12月2日，中国人民银行和中国银行保险监督管理委员会联合发布了2021年1月1日起正式实施的《系统重要性银行评估办法》，从规模、关联度、可替代性和复杂性等四个维度构建评估指标体系以识别我国系统重要性银行，通过对系统重要性银行进行差异化监管，以降低其发生重大风险的可能性，防范系统性风险. 尽管指标评估方法能透明、简捷地获取系统重要性银行的名单，但是该方法无法动态地捕捉金融机构间的风险传染效应与负外部性影响，且无法分辨金融机构的系统性风险贡献与其参与风险性事件的区别[2]. 同时，在经济新常态的背景下，经济下行压力加大，面临潜在系统性风险逐步显性化的问题. 愈加复杂的金融系统更易引发极端事件发生，同时尾部极端风险容易通过网络传染至其它机构，从而加剧系统性风险发生的可能性.

另一方面，在国际视角下当前中国金融市场逐步推动对外开放. 随着近两年A股市场正式分别纳入MSCI指数与FTSE Russel指数、放宽或取消外资在国内金融机构的持股比例、2018年12月正式启动沪伦通计划以及进一步完善内地与中国香港两地股票市场互联互通机制等举措出台落地，中国金融系统与国际金融系统的联系不断加深. 金融系统的稳定是保证经济平稳发展的关键，尤其在“十九大报告”强调“健全金融监管体系，守住不发生系统性金融风险的底线”是金融工作永恒主题的背景下，加强对整个金融系统的宏观审慎监管的关注，探究如何防范外部金融风险冲击，把握金融系统的关联性，衡量金融机构系统性风险贡献对落实有效金融监管措施、维护金融系统健康稳定具有重要意义.

在此背景下，本文旨在利用尾部风险度量方法，衡量金融机构的尾部风险，构建尾部风险溢出网络以测度金融系统关联性，探究金融机构系统性风险贡献，评估个体金融机构处于极端条件下对整体系统性风险的贡献，从中识别具有系统重要性的机构. 从理论意义角度，本文在金融机构尾部风险溢出网络关联性的基础之上，引入评估金融机构财务状况的公司特征变量，提出网络-市场-账面(network-market-book)相结合的系统性风险贡献测度，该测度综合考虑尾部风险网络的关联性以及影响金融机构系统性风险贡献的公司特征(如规模、杠杆率、流动性)，从而更充分地探究金融机构“太关联而不能倒”与“太大而不能倒”等道德风险问题. 从现实意义角度，在系统性金融风险不断累积、金融行业中业务相关性和交叉性增强的背景下，通过测度金融机构系统性风险贡献能在金融管理实践中为系统性风险防范与宏观审慎监管提供一定参考依据.

1 文献综述

根据对系统性风险定义的不同，测度方法分为宏观和微观两种. 宏观方法是将金融系统视为一个有机整体，并对其风险大小进行衡量；微观方法则是将重心放在金融机构个体的表现上，通过机构间的风险传染衡量个体机构对其它机构的风险溢出及其系统性风险贡献.

Kaminskya和Reinhartb[3]提出的信号法是从宏观层面出发的代表性早期预警指标方法. 这种方法监测选定指标的动态变化，并根据超出阈值的预警指标数量判断金融危机发生的可能性. 在亚洲金融危机之后，IMF[4]提出了金融稳健性指标，通过对资本充足率、资产质量、流动性水平等指标考察评价金融体系的稳健性. 延续综合指数的思路，陶玲和朱迎[5]结合我国转轨体制特点和现实情况，提出了包含7个维度的系统性风险综合指数对风险指标状态及其拐点进行识别和判断.

相比通过宏观经济变量评估系统性金融风险，微观市场数据的优势在于能利用高频市场交易数据，反映机构间的动态风险传染信息. 基于收益率损失度量系统性风险贡献是通过高频市场数据判断系统性风险大小、衡量机构系统重要性的一个重要方法. 在传统风险价值(value-at-risk, VaR)模型基础之上，Adrian和Brunnermeier[6]提出条件风险价值(conditional VaR, CoVaR)，并采用某一机构陷入困境时与其正常经营时的风险价值之差(ΔCoVaR)来衡量金融机构的系统性风险贡献. 肖璞等[7]利用CoVaR量化商业银行的风险溢出效应，并测度银行陷入困境时对银行系统的风险贡献程度. Acharya等[8]则在CoVaR的基础上进一步考虑了更为极端情况下的期望损失(expected shortfall, ES)，提出边际期望损失(marginal expected shortfall, MES)测度金融机构系统性风险贡献以及系统性期望损失考察面对系统性风险时金融系统的可能损失. 杨子晖等[9]分别采用VaR、MES、CoVaR和ΔCoVaR等4种方法对金融机构和房地产公司的系统性风险贡献进行评估和比较，发现这4种方法均能有效识别金融行业风险集聚的尾部事件. Brownlees和Engle[10]完善MES未曾考虑金融机构本身规模及杠杆率的问题，提出系统性风险指数(systemic risk index, SRISK)，并实证测度美国95家金融机构的系统性风险，证实该指数有助于捕捉金融危机的早期现象. 梁琪等[11]基于SRISK估计中国上市金融机构的资本短缺程度，识别系统重要性机构，发现加强机构杠杆率审慎监管对监管实务具有重要意义. 虽然以上CoVaR, MES和SRISK等方法得到了广泛的关注与应用，但是此类方法主要关注单个金融机构与金融系统或者两个金融机构之间的关联性，却忽视了不同金融机构之间的关联性以及整个系统的网络关联性，从而无法准确识别复杂金融网络的系统性风险.

考虑到金融实体间复杂的交互行为以及金融系统是复杂的巨系统，学者们开始运用复杂网络理论来研究金融机构间的关联性以测度系统性风险并识别系统重要性金融机构[12-17]. 相关性网络模型是基于市场数据构建复杂金融网络的代表性方法，主要通过过滤金融实体间相关性矩阵来构建相对应的金融网络. 常见的相关性网络建模方法有：最小生成树[18]、平面最大限度滤波图[19]、阈值法[20]和偏相关性[21]. 虽然相关性网络能有效度量金融实体间的关联性及其演化特性，并广泛应用于资产组合的选择与优化，但是它们为无向网络，只能反映金融实体间的相关性，无法捕捉到金融实体之间领先滞后的信息溢出关系. 因此，在当前金融机构联系愈加紧密的趋势下，评估机构间信息溢出效应也是衡量系统性风险的重要思路，许多学者从信息溢出网络关联性角度开展研究. 例如，Billio等[22]提出Granger因果网络(又称均值溢出网络)测度金融机构间的关联性，并发现近年来金融系统关联性不断上升. Wang等[23]基于VaR指标和风险Granger因果检验提出极端风险溢出网络，实证研究84家金融机构间的关联性与动态演化行为，发现银行业是极端风险的净溢出者. Diebold和Ylmaz[24]基于向量自回归模型与方差分解框架提出溢出指数方法，并据此构建波动率溢出网络(又称方差分解网络). Wang等[25]采用波动溢出网络研究中国银行系统的关联性及其动态演化行为，以探讨规模大的国有商业银行是否贡献更多的波动关联性. 在CoVaR的基础上，Hautsch等[26]结合分位数回归和LASSO算法提出尾部风险网络模型；Fang等[27]在此基础上构建中国金融机构尾部风险网络，并度量不同阶段的尾部风险传染大小. Härdle等[28]扩展CoVaR模型，引入金融机构的非线性关系，提出了基于尾部事件驱动的网络(TENET)模型，构建纳斯达克上市的100家金融机构的尾部风险关联网络，并发现银行具有较高的系统重要性. Wang等[29]采用TENET模型研究中国上市金融机构关联性与系统性风险，并发现一些规模较小的金融机构也有较强的风险溢出效应. TENET模型[28]相较于Billio等[22]提出的Granger因果网络以及杨子晖等[30]提出的非线性Granger因果网络具有以下两方面的优点：1) (非线性) Granger因果网络为有向无权网络，而TENET为有向加权网络. 因此TENET能有效测度金融机构间的溢出强度，相比前者它蕴含更多的关联性溢出信息；2) (非线性) Granger因果网络为均值溢出网络，而TENET为尾部风险溢出网络，故它能有效捕捉极端风险或尾部事件对金融机构关联性的影响. 另外，与Diebold和Ylmaz[24]提出的方差分解网络相比，TENET模型[28]具有以下优势：1)方差分解网络只考察了金融机构的均值或波动率溢出效应，而忽略TENET模型所捕捉的尾部风险溢出效应，故不能有效测度极端尾部风险下的金融机构关联性；2)方差分解网络为有向完全图，即任意两个顶点之间都有两条方向相反的边相连接，因此包含了较多的冗余信息，而TENET则为包含非线性关联性的有向图.

总之，以往测度金融机构系统性风险贡献的文献存在以下三方面的不足：1)类似CoVaR、MES、SRISK等方法都只关注金融机构间的局部关联水平(即，单个金融机构与金融系统或成对金融机构间的关联性)，忽视了金融网络的整体结构特征，即没有全面地考察金融机构间所有可能的关联性，从而使得度量结果具有一定的片面性；2)尽管目前利用网络分析方法探讨关联性的文献较多，但在极端事件频发的环境下，只有较少工作从尾部风险溢出视角展开研究，研究对象也多集中于银行同业市场；3)现有的网络分析法还只停留在关注金融网络的总体关联性以及金融机构的关联性强度与排序，较少有研究将网络关联性(特别是尾部风险溢出网络关联性)与影响金融机构系统性风险贡献的其它因素全面、有机地相结合而构建相应的系统性风险贡献测度. 具体而言，从网络理论出发能有效捕捉金融机构间的风险溢出关联性及其动态变化，然而现有文献主要探讨的是系统性风险的整体水平和机构的关联网络结构，较少结合尾部风险溢出网络关联性与公司微观特征并从个体角度分析金融机构对系统性风险的贡献水平.

尽管Härdle等[28]和Wang等[29]基于TENET网络提出了结合金融机构规模和关联性的系统性风险贡献测度，但是该测度只是简单地将金融机构的规模与关联性相乘，这使得所测算的金融机构系统性风险贡献过度依赖其规模，即金融机构规模越大，则其系统性风险贡献则大，从而忽略了关联性的重要性；并且该测度也没有考虑其他影响公司风险的个体特征(如，杠杆和流动性). 比如，应用广泛的SRISK指标[9]的优势在于它同时考虑了金融机构关联性、规模和杠杆的影响，但是该指标没有考虑金融机构间的网络关联性. 因此，为了克服以往研究的不足，本文提出一种新的系统性风险贡献测度，有机地结合了尾部风险溢出网络下金融机构的网络关联性与金融机构个体特征(如，规模、杠杆、流动性)，基于改进的PageRank算法构建网络-市场-账面相结合的系统性风险贡献测度，以期为完善宏观审慎监管框架提供实践参考依据.

2 研究设计

由于尾部风险溢出网络TENET模型扩展于双变量CoVaR模型，因此本节将首先介绍双变量CoVaR模型，其次引入考虑非线性和变量选择的半参数分位数回归框架来构建TENET网络，然后从系统整体、部门行业、机构个体三方面引入网络关联性测度，最后在尾部风险溢出网络关联性的基础上，提出基于改进的PageRank算法构建网络-市场-账面相结合的系统性风险贡献测度.

2.1 CoVaR尾部风险

VaR是衡量市场风险大小的重要方法，其定义为在一定时期内、一定置信水平下金融机构或资产组合未来遭受的最大可能损失，可表示为

Pr(Xi,t≤VaRi,t,τ)≡τ

(1)

其中τ为置信水平，Xi,t为机构i在时刻t下的收益率.

由Adrian和Brunnermeier[6]提出的条件风险价值(CoVaR)方法是传统VaR方法的改进，该方法考虑了金融机构间的溢出效应和宏观环境的影响. 在时刻t，考虑两个金融机构i和j，机构j的CoVaR定义为当机构i处于某种极端风险状态或事件C(Xi,t)时机构j的风险价值，即CoVaRj |C(Xi,t),t,τ隐含地定义为条件概率分布的τ分位数

Pr(Xj,t|C(Xi,t)≤CoVaRj |C(Xi,t),t,τ)≡τ

(2)

其中信息集C(Xi,t)包含了Xi,t=VaRi,t,τ的事件和宏观经济状态Mt-1.简单起见，将CoVaRj|C(Xi, t),t,τ简记为CoVaRj|i,t,τ.

采用线性分位数回归估计时变VaR与CoVaR，该回归方法不必关注资产收益率的概率分布，其表达式为

Xi,t=αi+γiMt-1+εi,t

(3)

Xj,t=αj |i+γj |iMt-1+βj |iXi,t+εj |i,t

(4)

其中系数βj|i表示金融机构j对机构i收益率变化的敏感度，即i对j的影响程度，或者说是i对j的溢出风险的大小，Mt-1为影响风险溢出效应的宏观状态变量.VaRi,t,τ和CoVaRj|i,t,τ可代入式(3)和式(4)进行估计，具体为

(5)

(6)

2.2 尾部风险溢出网络模型

本文根据Härdle等[28]的TENET模型，构建金融系统的尾部风险溢出网络. TENET模型扩展了双变量CoVaR模型，并采用非线性关联估计方法，引入更多影响机构间尾部风险溢出的因素，构建高维网络模型. TENET方法首先利用式(5)估计各个金融机构的VaR. 其次，采用单指数分位数回归构建尾部风险关联网络，即

(7)

(8)

(9)

其中Xj,t为机构j的收益率，Rj,t≡{X-j,t,Mt-1,Bj,t-1}.X-j,t≡{X1,t,X2,t,…,Xk,t}为引入的解释变量，包含金融系统中除机构j以外其它金融机构的收益率，k为金融系统中机构数目. 由于信息传递具有滞后性，Mt-1为滞后一期的宏观经济变量.Bj,t-1为基于各机构资产负债表计算出的企业特征变量，包括杠杆率、期限匹配度、账面市值比、规模.

(10)

2.3 网络关联性测度

(11)

从行业角度，分别采用行业出度强度与入度强度对行业在系统中的风险溢出与溢入进行描述. 行业出度强度(out-strength of sector, OSS)定义为某一个行业整体对外尾部风险溢出绝对值的总和

(12)

行业入度强度(in-strength of sector, ISS)定义为其它行业对某一行业的溢出程度绝对值的总和

(13)

其中Vm为属于行业m的机构集合.

通过引入跨行业风险溢出强度(the strength of cross sector, SCS)评估不同行业间的风险关联和动态变化，以分析行业间及行业内部的尾部风险溢出关系，具体表达式为

(14)

其中n和m代表不同行业，Nn和Nm分别为行业n和行业m的机构数量. 当衡量行业内部的尾部风险溢出时，Nn=Nm-1，Vn=Vm，并且i≠j.

从个体角度，引入机构出度强度和入度强度衡量个体在系统中所产生和接受的风险溢出强度. 机构出度强度定义为某机构对其它机构风险溢出水平的绝对值之和，而入度强度则为其它机构对该机构风险溢出水平的绝对值之和. 具体地，机构出度强度(out-strength of institution, OSI)和入度强度(in-strength of institution, ISI)分别定义为

(15)

(16)

2.4 系统性风险贡献测度

尽管Härdle等[28]在网络关联性的基础上结合金融机构市值提出了系统性风险溢出指数与接收指数来测度金融机构系统性风险贡献，但是这两个指数忽略了金融机构的个体微观风险特征，如杠杆与流动性，从而不能全面有效地度量金融机构系统性风险贡献. 为了有效刻画金融机构对系统性风险的贡献，比较不同机构对系统性风险的影响程度，参照Van De Leur等[31]和Dungey等[32]的研究，构建一种基于改进的PageRank算法，衡量网络中心性并考虑了机构规模、杠杆和流动性的系统性风险贡献测度.

一般地，若某金融机构与许多其它金融机构具有较强的风险溢出关联性，或它与其它系统重要性金融机构具有紧密的关联性，则该机构具有系统重要性. 因此，假定Si,t表示机构i在时刻t的系统性风险贡献或系统重要性，它取决于与之相连接机构的系统重要性，即

(17)

(18)

(19)

其中N×1维向量St中第i个元素Si,t表示机构i的系统性风险贡献，该值越高，表示机构i在系统性风险中有更大的贡献；t为机构间N×N维风险溢出矩阵. 根据Van De Leur等[31]和Dungey等[32]的研究，若给定t，式(19)的解St可由PagkRank算法得到，即t为特征值所对应的归一化特征向量. PageRank最早应用于Google搜索引擎中，是一种基于网页链接结构对网页重要性进行排序的方法，其基本思想是认为被更多高质量网页指向的网页具有更高的重要性.

(20)

其中α为小于1的权重以调节网络关联性的贡献，γ为正数的权重向量以调整企业特征的贡献. 对于N个金融机构组成的金融系统，可将式(20)写成向量形式

(21)

进一步转化可得

St=(I-αCt)-1γ′fct

(22)

以上即为PageRank算法的一个改进版本，而PageRank又源自特征向量中心性测度. 参考Van De Leur等[31]和Dungey等[32]的研究，设定α=0.66，γ′=(0.4, 0.4, 0.2)，其中规模(sizei,t)为资产总市值，杠杆(levi,t)定义为负债账面价值与市值的比值，流动性(liqi,t)为现金与短期投资之和与资产账面价值的比值. 由于三个解释变量的绝对数值相差较大，故进行以下标准化处理

(23)

(24)

(25)

因此，所构建的网络-市场-账面相结合的系统性风险贡献测度不仅充分考虑了金融系统尾部风险溢出网络的关联性，而且还结合了个体金融机构的规模、杠杆、流动性特征.

3 样本数据

借鉴Adrian和Brunnermeier[6]，Härdle等[28]和Wang等[29]的工作，解释变量分别选取7个宏观经济变量：短期流动息差、短期债券利率差、期限结构、信用利差、市场回报率、市场波动率、房地产收益率，分别反映流动性风险、利率风险、不同期限的资金供求关系、信用违约风险、股市收益、股市波动、房地产市场收益，以及反映金融机构内在脆弱性和规模的4个企业特征变量：杠杆率、期限错配、市场账面比、规模，具体如表2所示. 由于企业特征变量主要从机构季度财务报表中获取，故通过样条插值将其季度频率转为周度. 以上相关数据均来源为Wind，样本期内各时间序列包含474个观测值.

表1 金融机构样本及其收益率描述性统计

表2 宏观经济变量与公司特征变量选取

4 实证分析

本文采用滚动窗口分析方法，设定窗宽W=51 (约为1个交易年)，分位数τ=0.01，计算系统整体、部门行业、个体机构的关联性，并以此测度金融机构系统性风险贡献大小，最后分析2015年股灾期间市场极端下行时金融机构关联性与系统性风险贡献.

4.1 金融系统总体关联性分析

图1为金融系统总体关联性在2011年9月至2019年12月期间的动态演化结果. 整体来看，中国上市金融机构尾部风险网络总体关联性具有一定的周期性.

图1 金融系统动态总体关联性

从2011年至2012年初，全球经济进入后危机时代，总体关联性在波动中下降，并于2012年第二季度达到最低点16.28. 至2012年，总体关联性水平开始回升，并在随后两年在15到30区间中波动. 一方面，中国央行于2月和5月两次调低存款准备金率，同时双向扩大存贷款利率浮动区间，提高市场流动性，金融机构资金往来频繁，实际关联性加深. 另一方面，欧债危机的恶化也对国内投资者情绪造成冲击，使得风险通过信息机制传染. 在经历了2012年至2014年第二季度的相对稳定期后，从2014年第三季度开始，即中国股市进入牛市后，系统总体关联性有了明显上升并维持较高位. 随后，中国股市也出现了巨大震荡，在2015年～2016年的股灾中，上证综合指数跌幅高达32%，上市公司大面积停牌. 2016年年初出台的熔断机制也推高了整体关联性. 杨晓兰和金雪军[33]的研究发现，熔断机制会造成卖单的大量涌现，提高市场订单流的不平衡性，产生“磁力效应”，并引发股市波动. 自2016年年中开始，系统总体关联性维持在高位水平，并以较大幅度波动. 2017年7月，全国金融工作会议召开，国务院金融稳定发展委员会设立，通过统一协调引导金融回归实体经济本源，并强化了人民银行宏观审慎管理的职责，强烈的金融监管信号稳定了市场，总体关联性下降. 而随后国内国际金融市场不确定性增强，总体关联性整体上虽有下降但仍然维持较高水平. 比如，2017年，欧洲央行宣布缩减量化宽松；同年年底，美国实行大规模减税法案，使其国内面临巨大的资金流出压力，资产泡沫破裂加强，银行流动性下降. 为应对互联网金融因缺乏监管造成的风险暴露，央行联合银监会共同下发《关于规范整顿“现金贷”业务的通知》等网络贷款监管文件，明确统筹监管，使得资金市场进一步紧张. 经历2017年“史上最严”金融监管年后，次年爆发了中美贸易战，总体关联性有所下降但维持在较高水平并一直持续到2018年上半年. 随着中美贸易战的常态化以及P2P网贷行业的缩水，在2019年总体关联性呈现下降趋势并保持在较低水平.

4.2 金融行业关联性分析

图2为行业入度强度与出度强度演化图，显示了金融系统三大行业在样本期内尾部风险溢入和尾部风险溢出的强弱及其动态变化. 图2上图为行业入度强度变化图，反映了行业接受外部尾部风险溢出的情况. 从纵向分析强度的动态变化，不同行业在危机时刻的趋势具有一定的相似性，如在2015年三个行业的入度强度都有一定的上升；从横向对比不同行业的结果，银行业和证券业接受风险相对较高. 图2下图为行业出度强度变化图，显示了行业整体对外溢出尾部风险的动态特征. 整体上上下两图具有相似的时变特征，如在股市动荡时期，银行业和证券业的尾部风险的入度强度与出度强度都呈上升趋势，但保险业的出度强度在样本期内则处于相对稳定的状态，表明保险业对其它行业的影响相对较弱.

图2 行业入度强度与出度强度

图3展示了样本期间金融系统中各行业对自身和其它行业风险溢出强度在样本期间的动态变化，这在一定程度上可以刻画各行业在整体的系统性风险中的重要程度. 可以看出，银行、证券以及保险行业内部关联程度较为紧密，在大部分时间内行业内部风险溢出强度比跨行业风险溢出强度更高. 但不同金融行业间的尾部风险关联性具有明显差异性. 首先，在2012年下半年至2013年年初期间银行业对证券业有显著的风险溢出，正值证券业成立“金融超市”进一步推动了混业经营. 2014年中期至2015年第1季度的股市牛市期间，银行业对证券业的风险溢出主导了此时总体关联性先上升与后下降的趋势. 银行业对保险业在2015年～2016年股市暴跌阶段的尾部风险溢出明显高于同时期银行业对证券业的风险溢出. 在此期间银行业与保险业间的风险溢出具有非对称性，即银行业对保险业的风险溢出影响大于保险业对银行业的影响，这也与徐华等[34]的实证研究一致. 其次，证券业在危机期间对银行业和保险业的风险溢出水平也有上升，这可能是由于证券业中以个人投资者为主，易受极端情况下恐慌情绪影响，造成风险传染. 特别地，在2015年～2016年股灾期间，证券业对保险业存在显著风险溢出，而在2016年年中至2017年第2季度期间证券业对银行业存在先上升后下降的风险溢出，但各自的风险溢出水平都要小于证券业内部的溢出水平. 最后，保险业内部的风险溢出水平要显著高于它对银行业与证券业的风险溢出水平，并且其趋势存在显著的周期性波动.

图3 跨行业风险溢出

4.3 金融机构关联性分析

从机构个体角度，图4给出了金融系统中各个机构入度强度的动态变化，反映了机构接受风险溢出的强度. 白色代表机构接受的风险溢出强度高，黑色则代表接受风险溢出强度低. 在2012年，兴业银行为主要的风险溢出接受者. 在2014年～2015年股市牛市期间，证券机构，例如东北证券、长江证券、国金证券、太平洋证券、兴业证券等，是主要的风险溢出接受者. 值得注意的是，在2015年～2016年股市震荡时期，各机构对应热力图颜色由深黑色变为相对较浅的灰色或白色，表明在宏观金融环境不稳定时期不同行业机构所受风险溢出均上升. 其中，尤以中国平安的变化最为明显，其作为保险业混业经营的领导者，且不同于其它保险机构以国有控股为主的状态，中国平安股权呈现高度分散化，对市场动荡的反映也更为明显. 在2017年至2018年期间，南京银行接受的尾部风险溢出明显加强. 在2018年年中至2019年期间，金融机构所对应的热力图颜色都为黑色，这与总体关联性下降趋势类似.

图4 机构入度强度

图5为金融系统中各机构出度强度的动态变化，反映了机构个体对其它机构的风险溢出强度. 在2012年至2014年期间，北京银行、民生银行等股份制商业银行对外风险溢出效应较强；而农业银行、工商银行、中国银行等国有大型银行对外风险溢出维持在一个较为稳定的水平. 在2015年至2016年的股灾时期，宁波银行、中信银行以及证券业中的华泰证券和光大证券产生的风险溢出影响较大；在2017年兴业银行和招商银行成为主要的风险溢出者. 相对于大型国有商业银行，股份制商业银行对外的风险溢出更为强烈，这可能与其商业模式有关. 股份制商业银行涉及业务广泛，盈利动机较强，在银行同业市场中参与度高，对系统流动性风险影响强[35]. 其中，尤其是以有“同业之王”之称的兴业银行为代表，通过设立“银银平台”以及加强银证、银信、银保合作等举措便利了业务办理，加强了资源整合和行业合作. 在2018年～2019年期间，大多数银行所对应的热力图颜色由浅灰色逐渐转变为深黑色，而证券与保险机构则多保持为灰色，这表明金融系统总体关联性所呈现的下降趋势主要是由于银行的风险溢出水平下降所导致的.

图5 机构出度强度

4.4 金融机构系统性风险贡献度量与排序

为进一步分析金融机构在不同时期对整体系统性金融风险的影响，利用企业财务报表季度数据计算金融机构系统性风险贡献的动态变化. 图6为各机构系统性风险贡献值的热力图，其中白色代表贡献值高，黑色代表贡献值低. 首先从系统整体动态变化来看，随时间推移热力图颜色变浅，特别是在2015年后，银行和保险机构的颜色由浅灰色突变为白色，表明各机构系统性金融风险贡献程度不断增强，也反映了中国金融系统关联性水平上升. 其次从行业角度，三大行业系统性风险贡献具有较大差异性. 分别位于上半部分的银行业和位于底部的保险业颜色偏白，说明这两个行业的机构系统性风险贡献值较高. 其中，保险业的中国人寿和中国平安两家机构的系统性风险贡献明显上升，这可能与国家加快保险业改革，放开保险资金运用空间有关. 位于下半部分的证券业在样本期间机构系统性风险贡献图像则以灰色与黑色为主，表示证券业对系统性风险贡献程度相对较低. 图7根据各季度机构系统性风险贡献值给出了机构在系统内的排名，并以此绘制了排名的动态热力图. 颜色偏白代表机构系统性风险贡献排名靠前，偏黑则代表排名靠后.

图6 金融机构系统性风险贡献值

图7 金融机构系统性风险贡献排名

图7与图6具有相同的特征，排名靠前的机构集中于银行业和保险业，证券机构则相对排名靠后. 银行业对系统性风险具有重要影响的原因在于中国经济的迅速增长和直接融资市场的有限体量造成的“过度银行化”[36]. 在经济快速发展和政策刺激下，中国银行信贷增长，宽松型货币政策通过提高银行杠杆化程度加剧了银行风险承担[37]. 国内居民的储蓄偏好特征也推动银行资产负债表扩大. 同时，长期以来中国社会融资过度依赖间接融资，直接融资占比较低，作为间接融资主要中介机构的银行承担了社会融资中大部分的违约风险. 此外，游离于监管系统之外的影子银行虽然提高了社会信用创造能力，但对它们的监管缺失也使行业内存在刚性兑付、期限错配等问题. 因此，银行业积累了大量风险. 除银行业之外，保险业也在系统性风险贡献方面占据了重要地位. 在金融混业经营趋势下，保险机构逐渐向业务多元化方向发展，与资本市场的互动增强，逐渐成为信用保证市场的重要参与者. 证券业系统性风险贡献排名靠后的主要原因是，尽管存在机构间日益复杂的业务关联、投资者心理预期以及监管机制不健全[38]，但由于券商规模较小和资本相对充足，其对整体的系统性风险贡献较小.

4.5 2015年股灾期间金融机构关联性与系统性风险贡献

为了研究市场极端下行时金融机构关联性与系统性风险贡献，本节考察了2015年股灾期间金融机构尾部风险溢出网络. 同时为了比较，也考察了全样本期间金融机构尾部风险溢出网络. 具体地，前者选取图1中系统总体关联性在2015年股灾期间的高点，即2015年第二季度，同时涵盖了“6·19”暴跌和“6·26”暴跌等极端尾部事件，后者选取2010年10月至2019年12月的季度均值. 图8和图9分别给出了全样本期间与2015年第二季度中国金融机构尾部风险平均溢出网络. 网络图中各个节点代表样本机构，其中银行、证券和保险业分别以圆形、方形和球体标记. 连边代表网络中机构间的风险溢出关系，其宽度反映了风险溢出强度，越粗代表强度越大；连边的箭头方向指示了风险溢出的对象；连边的类型代表产生风险溢出的机构所属行业，其中虚线(---)、实线(—)、虚点线(-·-)分别表示产生风险溢出的机构为银行、证券、保险. 由于金融系统各个机构联系紧密，为使网络能更清晰地刻画风险溢出，图中仅保留系数大于0.5的连边.

图8 全样本期间金融机构尾部风险溢出网络

图9 2015年第二季度金融机构尾部风险溢出网络

从图8可发现，各机构箭头主要指向同形状节点，且箭头指向大多为双向，表明行业内部的联系相对紧密. 其中，银行与证券机构之间连边密集，说明银行业和证券行业内部风险溢出效应较强. 相较之下，图9也体现了部分相似特征，即同行业之间联系紧密. 但值得注意的是，极端事件下的尾部风险溢出网络显示出了不同的网络拓扑特征. 一方面，图9中网络的连边更粗，表明极端事件下金融机构间的尾部风险溢出效应更强；另一方面，在2015年第二季度，跨行业间的网络连边数量显著增加，特别是证券机构与银行之间存在大量跨行业连边，表明这两个行业之间存在显著的尾部风险溢出效应.

更具体地，表3给出了图9尾部风险溢出网络的(跨)行业出度及强度，其中出度表示风险从某行业金融机构溢出到其它行业或自身机构的连边数，而出度强度则表示某行业金融机构对其他行业或自身机构的风险溢出强度. 从行业自身出度及强度来看，银行业的出度最大，证券业次之，但是证券业的出度强度要大于银行业，表明此时证券业内部的风险溢出要强于银行业内部. 无论是跨行业出度还是其出度强度，证券业对银行业的风险溢出都要强于银行业对证券业，进一步表明2015年股灾期间证券业是风险的主要溢出者. 相对而言，保险业内部与对外的风险溢出都较小，但它对银行业的风险溢出仅小于其内部的风险溢出，表明银行业是保险业风险溢出的主要接受者.

表3 2015年第二季度(跨)行业出度及强度

表4 2015年第二季度金融机构风险溢出强度前10条边

表5测度了2015年第二季度金融机构整体的系统性风险贡献值及其排名. 整体来看，银行业的系统性风险贡献值要大于保险业、证券业，此时规模在决定单个机构系统性风险贡献水平上具有关键作用，但是如浦发银行和宁波银行等规模相对较小的股份制商业银行和城市商业银行具有非常靠前的排名. 这一方面可能是由于这些规模相对较小的金融机构的产权比率较高，削弱了其抵御外部冲击的能力，另一方面是这些商业银行具有较强的网络关联性或中心性，使得其具有较大的系统性风险贡献值. 国有大型商业银行的系统性风险贡献排名相对不高，这一方面是由于它们有国家信用做担保，故市场预期国有大型商业银行“太大而不能倒”，即当它们一旦陷入经营困境或财务危机，市场参与者相信国家会通过救市或者救助来维护金融系统稳定，从而这种市场信心与“太大而不能倒”的预期充分反映在它们的股价之中；另一方面是相对于城市商业银行和股份制商业银行，国有大型商业银行的股权结构较为集中，例如中国银行的最大股东中央汇金公司拥有其64%的股份，而像宁波银行的最大股东宁波开发投资集团有限公司仅拥有其约18%的股份，因此国有大型商业银行的股价受市场极端下行或波动的影响相对较小. 证券机构中，长江证券对系统性风险贡献最大，太平洋证券的贡献较小. 整体而言，中国银行业由于其体量优势和业务的广度与深度，系统性金融风险贡献程度较强，这也说明系统性金融风险防范的重点依然在银行.

表5 2015年第二季度金融机构系统性风险贡献值与排名

5 结束语

基于CoVaR和TENET模型，本文构建了2010年至2019年中国32家上市金融机构的尾部风险溢出网络以度量金融系统关联性，并引入公司规模、杠杆和流动性指标，在改进PageRank算法的基础上提出了网络-市场-账面相结合的金融机构系统性风险贡献测度方法. 实证结果表明：1)网络总体关联性水平在市场危机时刻上升. 例如，股市动荡、熔断机制时期系统总体关联性攀升、风险跨行业传染效应显著增强；而在2012年和2017年以来两个时间段，总体关联性呈回落态势，表明市场平和与金融强监管时期风险水平下降. 2)行业内关联性水平总体高于行业间关联性水平，但在极端情况下跨行业风险溢出程度增强，并存在非对称性. 例如，在2015年股灾期间，不同行业间尾部风险溢出强于全样本期间平均溢出强度，银行业对保险业的风险溢出强度大于反方向的溢出强度. 由于机构的业务范围、财务状况存在差异，行业内不同机构风险溢出效应也不同，如股份制银行更易受到其它行业风险溢出影响.3)从个体角度看，随着金融系统各行业业务关联性和复杂度上升，机构系统性风险贡献值整体呈上升趋势. 作为间接融资主要中介机构的银行和与金融市场不断融合的保险公司对系统性金融风险具有显著的贡献水平，其中银行业中国有大型商业银行对整体系统性风险影响较大，另外规模相对较小但关联性较强的股份制商业银行和城市商业银行也具有较高的系统性风险贡献排名. 无论是从静态还是动态结果来看，证券业对系统性风险的贡献水平都要显著低于银行业与保险业.

本文实证结果有如下几点启示.

首先，当前中国金融系统依然呈现出以银行为主的态势，因此银行，尤其是国有大型商业银行依然是金融风险防范与宏观审慎监管的重点. 近年来，各金融机构系统性风险贡献水平随时间而不断增强，因此监管当局在通过指标法确定系统重要性金融机构的同时，还可通过金融系统潜在的尾部风险传染效应动态实时地测度金融机构系统性风险贡献并评估其系统重要性，从而达到交叉验证与实时监测的目的. 对于系统重要性金融机构，应对其进行差异化监管，可适时地提高其金融监管标准，比如提出额外资本要求.

其次，尽管中小商业银行影响力逊于大型国有商业银行，但不能忽视中小商业银行因其高的外部关联性而可能造成的系统性风险，也说明规模并不是决定金融机构系统性风险贡献的唯一因素. 例如，2015年股灾期间，部分股份制银行和城市商业银行因其较高的网络关联性与中心性而具有非常靠前的系统性风险贡献排名. 因此，对于这些关联性较高、风险溢出较大的中小商业银行，监管当局需实时关注它们的经营现状与风险控制，防范“太关联而不能倒”所引发的系统性风险与道德风险. 这也说明在识别出系统重要性金融机构的同时，监管当局应实时地辨别系统重要性差异的来源以及关注极端市场状态下金融系统的关联性，从而实施差异化监管以有效维护金融系统稳定.

最后，在市场极端条件或尾部事件下，尽管各行业的内部关联性仍占据系统总体关联性的主导地位，但是跨行业关联性与风险溢出效应会呈现出明显的上升趋势，例如2015年股灾期间银行业与证券业存在显著的双向风险溢出. 因此，在市场极端下行时，监管当局应当关注跨行业间的关联性指标、密切监测跨行业金融机构间的业务关联与往来，同时加强不同监管部门的协同合作.