中国产业债风险传导网络及影响因素研究

牛晓健 徐媛

摘 要：采用复杂网络方法，以2011年11月至2021年11月发行的全部一年期及以上产业债为研究对象，以产业债平均风险利差量化债券风险，利用弹性网络回归方法构造了发债主体间和主体行业间风险传导网络模型，剖析了产业债市场静态和动态风险传导效应，并在此基础上研究了产业债市场风险传导效应的影响因素。研究发现，中国产业债市场上易出现风险利差同升降的情况；通过产业债风险传导网络的度分布，可有效识别系统性风险较高的发债公司及行业；近十年间系统性风险最高的前十大公司分布较为分散，行业相对集中，主要为公用事业、技术硬件与设备等；从风险传导效应的影响因素来看，控制杠杆率和提高盈利能力可有效降低产业债发行主体的风险溢出效应。

关键词：产业债；复杂网络；债券市场；风险传导

中图分类号：F832.5文献标识码：A文章编号：1009 - 5381（2023）04 - 0083 - 12

一、引言

近年来，随着我国资本市场不断完善，债券这一直接融资方式在金融市场中发挥的作用愈加重要。截至2021年11月，我国存量信用债规模为42.31万亿元，相比2011年11月的6.03万亿元规模，近十年间翻了约7倍，规模增势明显。然而，随着债市规模不断扩大，相应风险也不断显现，尤其是2014年刚性兑付被打破后，债市违约频发，其中不乏资本和背景雄厚的大型国企。截至2021年11月，市场上的违约债券类别均为产业债。所谓产业债，是指其发行主体业务结构涵盖工业、能源、材料、消费等各类产业，由于产业债发行人更多依赖产业类资产运营产生现金流，相对于纯粹的城投主体，获取的政府补贴较少，缺少政府隐性担保，还本付息来源主要为自身经营收入，不确定性较高，经营风险和偿债风险也更高。此外，产业债也是当前存续信用债的主体，余额占比达78%[1]。因此，对产业债信用风险进行研究，分析其风险传导结构及相关影响因素尤为重要。

随着网络科学蓬勃发展，复杂网络理论越来越多地被应用到金融领域，如股票网络、银行间借贷网络、外汇网络、保险网络、贸易网络等。复杂网络作为物理学和计算机科学发展孕育的理论，在研究金融风险与风险传染的复杂性方面具有明显优势。债券市场作为金融市场重要组成部分，其网络特征也尤为明显，不同地区、不同行业、不同品种债券间呈现出高度相关性，如2020年永煤集团信用债违约对河南及煤炭行业信用债市场产生了明显冲击，也在一定程度上影响了其他地区和行业信用债风险利差。在此背景下，从网络视角研究我国产业债市场风险传导网络结构及影响因素，具有重要的现实意义。

本文以两个实例对债券间风险传导加以分析（见图1）。2020年11月10日，永煤集团未能按期兑付“20永煤SCP003”到期应付本息，构成实质性违约，立即引发了煤炭行业及河南地区产业债风险传播链式反应。至2020年12月底，煤炭行业产业债风险利差上升了近77BP，河南地区产业债风险利差上升近65BP，其他地区及行业产业债风险利差整体走阔，上升近36BP，直至2021年下半年才逐步回落。2020年9月8日，渤海租赁股份有限公司未能按期兑付“19渤海租赁SCP002”应付本息，构成实质性违约，但并未对其所在的非银金融行业及新疆地区产业债的风险利差造成较大影响，也未影响产业债风险利差整体走势。这两起事件尽管发生时间相近，产生效果却截然不同，可见不同产业债主体公司会有不同的风险传导效果，不同行业产业债公司对冲击的敏感性也不相同。因此，探索不同产业债主体及其所在行业的风险传导效果及影响因素，对识别我国产业债市场关键风险点、防范化解重大风险有重要意义，可有效地确定系统重要性风险源、识别影响风险传导能力的重要因素以进行有效应对，从而为有效防范债券市场系统性风险、建立符合中国国情的产业类债券风险分析评估体系作出重要贡献。

据此，本文选取2011年11月至2021年11月期间所有1年期及以上的产业债为研究对象，以产业债平均风险利差量化风险，利用弹性网络回归方法对产业债发行主体及所在行业间风险利差进行回归，构造了发债主体间和主体行业间风险传导网络模型。在此基础上，研究了产业债市场风险传导效应的影响因素，选取杠杆率、盈利能力、收益质量等解释变量对风险传导网络统计指标进行回归，探究影响风险传导效应的主要因素并提出了相应的政策建议。

二、文献综述

在研究金融风险传导机制时，国内外学者主要采用了相关系数、CoVaR、GARCH、Granger因果检验、复杂网络等方法进行研究。Adrian and Brunnermeier首次通过CoVaR的方法度量风险溢出效应，克服了利用方差测度风险的缺陷[2]；Diebold and Yilmaz选取向量自回归（VAR）模型来预测波动溢出性，克服了此前方法中无法量化风险、无法动态刻画风险特征等不足[3]；Miller and Rattira探究了各金融子市场之间（如股市、债市等）的风险传染效应[4]；Gray and Jobst通过建立国民经济各部门的资产负债表，利用CCA模型分析了各部门之间风险传导机制[5]；Bliss等从中介机构和金融市场两个角度出发，构建了以市场波动率为核心的金融压力指数来衡量金融风险传导[6]。

目前国内外对债券市场风险传导效应的研究较少，现有的研究多是对债券市场与其他金融子市场（如股票市场）的风险传导效应研究，而对债券市场内部风险传导的研究较少。Fleming等通过研究美国的股票、债券以及货币市场，發现三个市场间存在较强的风险波出关联性，且这种关联性受到市场预期信息和市场间的套期保值行为的影响[7]；Engle提出DCC模型并以此分析美国股债市收益率的关联关系，并选取不同的股票市场指数与债券市场收益率进行实证分析[8]；Asgharian等研究发现宏观经济因素会影响股市和债市的溢出效应，经济不振时两者相关性较小[9]；Cascino在研究股市和债市相关性时发现，违约风险和债务期限是重要的影响因素[10]。

国内债券市场发展相对较晚，郑振龙和陈志英研究影响股债相关性的主要因素，发现股市的不确定性和预期通胀率对股票市场和债券市场的相关性具有较大影响[11]；史永东等研究发现股市和债市之间存在“跷跷板”效应，但两者之间的联动效应总体不显著[12]；牛霖琳等采用无套利Nelson-Siegel利率期限结构扩展模型研究发现，“避风港效应”和“补偿效应”是城投债风险影响国债市场风险的两个主要渠道[13]；闫彦明和张源欣研究发现宏观经济的波动和债券市场价格存在双向波动关系，宏观经济对利率债以及中长期限债券的影响更大，且宏观经济波动对债券市场价格的影响力度强于债券市场价格波动对宏观经济的影响[14]；秦红旭研究了我国企业债与国债市场间的风险传导机制，发现两个子市场之间存在风险溢出效应，且这种效应在2014年《预算法》颁布之后更加突出[15]；王蕾和周小攀采用溢出指数法研究了债券市场对股票市场、货币市场、外汇市场、存贷款市场的风险溢出效应，发现企业债（包含信用风险和利率风险）市场的溢出效应显著高于国债市场（仅包含利率风险），这种现象在2014年之后尤为明显[16]；贾韦唯利用主成分分析法和AFNS模型研究了债券风险溢价对利率的影响以及货币政策、债券风险溢价和宏观经济之间的关系，发现货币政策可以通过影响债券风险溢价进而影响宏观经济[17]；高扬和李春雨基于VAR向量自回归模型计算溢出指数，对中国绿色债券市场与传统固收市场、股票市场及外汇市场的风险溢出效应进行研究，发现绿色债券市场与传统固收市场的风险溢出效应显著，而与其他两个市场溢出关系微弱[18]。

上述不同的理论方法在研究风险传导时具有不同的侧重点，也都存在一定的局限性。相关系数、CoVaR、Granger因果检验等方法是静态的，难以描述金融风险的动态变化，而GARCH模型不适宜处理多变量非对称的动态关系。复杂网络作为物理学和计算机科学发展孕育的理论，在研究金融风险与风险传染的复杂性方面具有明显优势。复杂网络方法目前已应用到金融风险传导研究的各个子领域，包括股票市场、债券市场、银行间市场、保险市场等，但债券复杂网络的构建及研究相对较少。牛晓健和梁晓明通过构建基金、债券双层网络，发现杠杆率限制与收益率之间互相影响，且这种交互影响会降低债市的抗风险能力[19]；杨雨茜通过构建城投债风险溢出网络，研究了地方政府融资平台间的风险溢出关系，并对影响风险溢出强弱的因素进行研究，发现短期负债率、财政透明度和政府补贴是影响城投债之间风险溢出能力的重要因素[20]；何芳等通过构建各省级地方政府与以银行为主的债券主承销商之间的复杂网络，研究了地方政府债券网络的拓扑结构及系统性风险[21]；王周伟利用修正的引力模型构建我国地方政府流动性信用风险空间关联网络，发现我国地方政府债流动性信用风险存在空间溢出关联关系[22]；胡才龙和魏建国同样基于引力模型构建我国地方政府债风险空间关联网络并对其拓扑结构进行研究，发现该网络具有显著的“无标度”和“小世界”的特征，并提出从跨省协同管理、加强区域间风险传染防范等措施来防范地方政府债务风险传导[23]；吴德胜等通过构建双层交易对手方风险传染网络模型，从担保及股权关系、信息互联关系两个层面研究了江苏省和山东省非金融企业产业债发行人的复杂网络，识别出区域性风险源，并提出相应的解决机制[21]。

总体来看，在债券市场复杂网络的研究方面，国内外学者的研究对象主要为地方政府债券和城投债，而对于我国产业债市场风险传导网络及风险传导效应影响因素的定量研究较少。

三、模型构建与研究假设

（一）样本、数据与指标

本文所选取样本为2011年11月至2021年11月发行的全部1年期及以上主要产业债，债项数据包括债券代码、发行人简称、起息日、到期日、发行期限、债项评级、主体评级、担保情况、wind行业、企业性质、所在省份、所在城市及样本期内每年250个交易日对应的中债估值收益率。本文参考杨雨茜以产业债的中债估值收益率减去同期限中债国债收益率之差为风险利差[20]，故样本还包括这10年中每年250个交易日对应的中债国债收益率。在选取样本时，剔除了发行期限小于1年的产业债数据，主要是考虑到1年以内的产业债期限较为灵活，难以与中债国债收益率期限相匹配，所计算的风险利差误差较大。且由于1年以内的产业债流动性较好，发行规模在全部产业债中占比相对较低，剔除后对整体研究影响较小，故未将其纳入样本范围。筛选后，样本共有6684只产业债，涵盖1212个产业债发行主体和19个对应的主体行业。

本文解释变量数据为产业债发行主体在2011—2021年的财务数据。其中，2011—2020年为年度数据，2021年为半年度披露的数据，主要包括杠杆率及偿债能力（资产负债率、长期资本负债率、流动比率、速动比率）、盈利能力（平均净资产收益率、销售毛利率、净利率）、收益质量（经营活动净收益/利润总额）以及成长能力（营业收入增长率、净利润增长率）等。所有数据均来自Wind。解释变量的描述性统计及相关系数结果备索。

（二）模型设计

1.弹性网络回归模型

LASSO回归方法通过增加一个惩罚项，可压缩某些变量回归系数至0，进而达到变量筛选的目的，但当变量间具有高度相关性时，该方法效果有限。岭回归在变量具有相关性时仍能较好地使用，但筛选变量效果不及LASSO。对此，Zou和Hastie提出了弹性網络回归模型（Elastic Net），结合了LASSO回归和岭回归两种方法的优点，适用于存在多个不显著变量的数据，同时还能保持正则化属性[24]。

该方法可以用如下式子表示：

（1）

求使得代价函数最小时的ω的大小：

（2）

当ρ= 0时，其代价函数即为岭回归的代价函数；当ρ= 1时，其代价函数即为Lasso回归的代价函数。

2.产业类债券风险传导网络构建

本文采用弹性网络回归方法建立产业债发行主体风险利差间回归系数矩阵，以产业债发行主体为网络节点，不同发行主体间回归系数为网络连边。通常，我国债券市场一年交易日数在250天左右，因此本文时间窗口T（T与t的单位设为天）设定为250天。对样本中每一个产业债发行主体i在样本期内每一时间窗口（T=250天）的风险利差?Ri，t（t=1， 2， …250），以样本中其他产业债发行主体的风险利差?Rj，t（j≠i）为自变量，对?Ri，t进行基于弹性网络的回归，得到回归系数矩阵，以该回归系数矩阵为载体建立债券风险传导网络。具体步骤如下：

（1）计算产业债发行主体i每个交易日t的风险利差?Ri，t。根据样本数据中6684只产业债在样本期内每个交易日t的债项信息，对样本中的产业债m，根据其当日剩余期限及对应同期限的中债国债收益率，将当日的中债估值收益率与同期限中债国债收益率相减得到该产业债m在交易日t的风险利差?rm，t。由于产业债发行主体i在交易日t可能有多只存续产业债，取发行主体i在交易日t所有存续产业债风险利差的简单平均，作为发行主体i在交易日t的风险利差?Ri，t。

（2）筛选样本中每一时间窗口T内风险利差连续且均不为0的产业债发行主体为回归自变量和因变量，计算产业债发行主体i对样本内其他发行主体j（j≠i）风险利差的回归系数矩阵。根据上步求出的产业债发行主体风险利差，对发行主体i在每一时间窗口T（T=250天）的风险利差?Ri，t（t=1， 2， …250），以样本中其他产业债发行主体的风险利差?Rj，t（j≠i） （t=1， 2， …250）为自变量，对?Ri，t进行回归。由于产业债期限固定，发行主体在一定时间窗口T内的某一或某段交易日可能没有存续产业债，因此也没有相应的风险利差，无法进行变量回归，故在回归前，应先对自变量和因变量进行筛选，确保回归结果有意义。筛选出相应的产业债发行主体风险利差后，考虑到样本内产业债发行主体共有1212个，而时间窗口T内包含250个交易日，估计的参数多于每个发行主体的时间序列观测数量。且产业债发行主体之间由于行业、地区的关联性，往往存在较高的相关性。因此，本文通过弹性网络回归模型对上述数据进行回归，得到每年公司的风险利差网络如下：

（3）

其中，N为筛选后产业债发行主体的数量，βi，j代表发债主体i到主体j链接的权重，数字为0则表示发债主体i和主体j之间不存在相应的链接；当i=j时，βi，j=0。

（3）对具有系统重要性的产业债发行主体的风险利差再次进行回归，得到筛选后的产业债发行主体回归系数矩阵。在上步基础上，将系数为0的产业债发行主体从样本中删除，仅保留在弹性网络回归后系数不为0的主体，得到新的系数矩阵（见表1）。βi，j显著大于0表示公司j的风险利差和公司i同向波动，βi，j小于0代表公司j的风险利差和公司i反向变动，公司i对自身的βi，i取值为0。

（4）以筛选后的发行主体和对应回归系数矩阵为网络中的点和边，构建公司层面的产业类债券风险传导网络。

（5）以某一行业中所有产业债发行主体的平均风险利差为行业风险利差，采用类似的方法建立行业层面的产业类债券风险传导网络。

（6）计算上述两类产业债风险传导网络的相关拓扑结构指标，包括每一时间窗口T上的出度、入度、特征向量中心性等。

在表1中，矩陣第i行的和表示i接受的其他公司风险溢出的总和，也即为i在网络中的入度，该矩阵第j列的和，表示公司j对其他公司风险溢出的总和，也即为j的出度。为时间窗口的个数，=1， 2， … 10。特征向量中心性适用于描述网络中节点的长期影响力，其优点在于在衡量一个节点的重要性的时候，既考虑了其邻居节点的数量，也考虑了其邻居节点的重要性。

（三）风险影响因素回归模型

为更好研究具有系统重要性公司的风险传导效应强弱，通过更为直观的基本面信息找到产业债网络中高影响力节点。本文基于上述刻画的产业债风险传导网络及拓扑指标结构，选取出度和特征向量中心性为被解释变量，选用产业债发行主体的重要基本面数据为解释变量，具体说明见表2。

针对产业债的特征，本文从杠杆率、盈利能力和收益质量三个角度开展影响因素分析，建立回归模型如下：

EGV=α0+α11*杠杆率/盈利能力/收益质量相关变量+控制变量s+e （4）

Outdegree=α0+α21*杠杆率/盈利能力/收益质量相关变量+控制变量s+e  （5）

首先，产业债发行主体杠杆率越高，偿债压力越大。长期资本负债率体现了发行主体面临的长期还款压力，流动比率和速动比率则体现了发行主体的短期偿债能力。当产业债主体面临的还款压力较大、资产变现能力较弱时，违约风险也较高。一方面，杠杆率水平一般具有行业属性，一家发债主体杠杆率较高而面临信用风险时，投资者很容易对整个行业杠杆率水平和还款能力产生怀疑，从而降低对该行业其他发债主体信用评级，引发系列的评级下调。另一方面，产业债主体间互相担保现象非常普遍，当一家公司出现还款危机时，与其互保的公司也面临较大的担保代偿风险。

其次，产业债发行主体盈利能力越差，偿债风险越大。产业债发行主体还款来源一般为自身经营收入，缺少来自政府的补贴收入和政府隐性担保，因此，产业债发行主体盈利能力的高低和稳定性成为其未来偿债的关键。当一家产业类债券发行主体的盈利能力或盈利稳定性较差时，其未来还款来源具有较大不确定性，相应风险也较高。

再次，产业债发行主体收益质量越差，偿债风险越大。产业债发行主体收益质量体现了主营业务对利润规模的贡献度。本文采用经营活动净收益/利润总额来刻画发行主体的收益质量，其中经营活动净收益为营业总收入与营业总成本的差额。当该指标较高时，产业债发行主体的利润主要来自主营业务盈利，而主营业务盈利一般具有较好的可持续性和可预测性，未来还款来源有一定保障；当产业债发行主体利润来源主要为投资收益、其他收益等非经常性损益时，收益可持续性较差，还款来源保障较差，该债主体的偿债风险会相对较高。

基于上述分析，本文提出假设：

H1：产业债发行主体的杠杆率越高，其风险传导效应越强（α11>0，α21>0）。

H2：产业债发行主体的盈利能力越差，其风险传导效应越强（α11<0，α21<0）。

H3：产业债发行主体的收益质量越差，其风险传导效应越强（α11<0，α21<0）。

四、产业债风险传导网络分析

（一）公司层面风险传导网络

利用Python和Gephi软件计算公司层面产业债风险传导网络的主要拓扑结构指标（以截至2021年11月的网络为例，拓扑指标见表3），网络中节点为570个，此为通过弹性网络回归筛选后具有系统重要性的公司个数。平均度反映了网络中平均与每个节点（公司）相连的其他节点的数量，意味着一家公司风险利差波动可影响的范围。平均度为228.595，即平均每家公司的风险利差波动及其所隐含的信息将影响到约228家公司，联系非常紧密。平均加权度加入了权重，体现了每家公司对其他公司的平均影响，在本文中该权重由回归系数体现。图密度为网络中实际存在的边数与最大可能的边数之比，反映了网络的稠密性。2021年11月产业债风险利差网络的图密度为0.402，这是一个联系相对紧密的网络。平均路径长度反映了网络中任意两个节点（公司）之间平均相隔的节点距离，可以衡量网络中的信息传输、风险传染的效率。2021年11月产业债风险利差网络的平均路径长度为1.600，任意两家公司之间均有较好的连通性。聚类系数反映了网络中任意两个节点（公司）之间发生联系的概率，同样可以衡量网络的聚集程度。根据计算结果，在2021年11月的产业债风险利差网络中的聚类系数为0.584，即网络中一家公司的风险利差波动对另一家公司造成影响的概率近60%。整体较高的聚类系数可以反映出我国产业债市场上较易出现风险利差同升同降的情况。

从动态角度来看，2014—2016年平均度快速上升，平均路径长度和平均聚类系数呈下降趋势，2016年之后平均度震荡下降，平均路径长度和平均聚类系数分别稳定在1.600和0.600左右。受“三去一降一补”政策影响，2015年底实体融资需求开始修复，地方政府通过政府购买、PPP、产业基金等融资渠道，诸多民企通过债市得以融资。同时，央行货币政策宽松、保持资金利率平稳，催生了金融加杠杆、流动性脱实向虚，债券需求力量扩张更快，推动利率创下新低，债券走向牛市，发债主体明显增多，主体之间的联系更加紧密，网络中的平均度和平均路径长度走势可以明显地体现出这一特点。2016年的债券牛市源于金融加杠杆，推动债市需求的非理性扩张，使得交易拥挤、行为一致、资产超配，中债国债收益率自2016年底开始一路上行，此后略有震荡。

进一步计算得出网络的重要节点度分布（见表4），可直观地看出网络中具备影响力的节点（公司）的分布情况，这对于监管具有重要意义。为便于直观比较，表4按照度值由大到小进行排列，取度值大小排名前十的节点（公司）进行列示。截至2021年11月末，度值排名前十的公司分别为交投公司、绍兴交通、青石大、中国一拖、小米通讯、湖北农资、泰阳实业、华虹集团、河北高速开发和以岭医药，行业分布以公用事业、技术硬件与设备等为主。公用事业行业的公司通常资产规模较大，如交通运输行业的交投公司、绍兴交通、河北高速开发等，这类公司资产以存货为主，流动性相对较弱，资产负债率较高，在市场中具有较大的影响力；技术硬件与设备行业的公司如小米通讯，其盈利能力具有波动性，偿债能力有一定不确定性，在市场中也有一定的风险溢出效应。

（二）行业层面风险传导网络

在行业层面的风险传导网络中，节点代表的是产业债发行主体所在的行业，若两个行业之间有连线，即代表行业间有溢出效应。本文所选样本共涉及19个Wind二级行业，按照类似于公司层面网络构建的方法，将所选择的6684只产业债按照其所在行业分类，对每个交易日该行业所有债券的风险利差进行简单平均，通过弹性网络回归方法进行回归，得到行业层面的回归系数矩阵，并以此构建风险传导网络。

由表5可见，在2014—2021年间，各网络中节点数分别为17—19个不等，几乎覆盖了全部行业。在2014—2021年间，各年平均度的均值为16.530，這意味着每个行业的风险利差波动平均可以影响约16个行业，可以看出几乎所有的行业之间的风险波动均会互相影响。图密度为网络中实际存在的边数与最大可能的边数之比，反映了网络的稠密性，各年图密度的均值为0.958，联系非常紧密。各年平均路径长度整体趋于稳定，均值为1.042，任意两个行业之间均有较好的连通性。聚类系数反映了网络中任意两个节点（行业）之间发生联系的概率，同样可以衡量网络的聚集程度。各年聚类系数的平均值为0.960，即网络中某一行业的风险利差波动对另一行业造成影响的概率超过95%。可以看出，2014—2016年平均度和平均聚类系数呈现上升趋势，平均路径长度呈下降趋势，2016年之后平均度和平均聚类系数震荡下降，平均路径长度震荡下降。整体走势与公司层面的风险传导网络动态走势较为一致，进一步印证了行业层面风险传导网络的实证结果与近十年债市行情整体的一致性。

进一步计算得出网络的重要节点度分布（见表6），可以直观地看出网络中具备影响力的节点（行业）的分布情况。截至2021年11月末，度值排名前十的行业分别为零售业、技术硬件与设备、食品与主要食品零售（Ⅱ）、医疗保健设备与服务、公用事业（Ⅱ）、运输、制药、生物科技与生命科学、软件与服务、能源（Ⅱ）以及汽车与汽车零部件，与公司层面系统性风险最高的前十大公司所在的行业较为一致。比较2014—2021年间由度分布统计得到的系统性风险最高的十类行业可知，结合近十年系统性风险最高的前十大行业来看，半导体与半导体生产设备、商业和专业服务、零售业、能源Ⅱ和公用事业Ⅱ等行业多次出现在排名靠前的位置，体现了上述行业存在较大的风险溢出效应。

五、风险传导效应影响因素分析

本文分别以公司层面和行业层面每年风险传导网络的出度、特征向量中心性作为被解释变量，以公司层面和行业层面对应的杠杆率、盈利能力、收益质量为核心解释变量，以省份、城市、Wind一级行业、主体评级、债项评级、企业性质等作为控制变量，对风险传导效应的影响因素进行回归分析。

（一）公司层面回归结果

由表7可知，针对核心解释变量，产业债发行主体风险利差网络出度与杠杆率（尤其是资产负债率、流动比率和速动比率）显著正相关，与盈利能力（尤其是净资产收益率和净利率）显著负相关，与收益质量的相关性不显著，可知产业债发行主体的杠杆率水平越低，盈利能力越强，则其风险溢出效应越低。类似地，本文以产业债发行主体风险利差网络的特征向量中心性作为被解释变量，发现产业债发行主体风险利差网络的特征向量中心性与杠杆率（尤其是资产负债率、长期资本负债率、流动比率和速动比率）显著正相关，与盈利能力（尤其是销售毛利率和净利率）显著负相关，与收益质量的相关性不显著，可知产业债发行主体的杠杆率水平越低，盈利能力越强，则其风险溢出效应越低。总体来看，以特征向量中心性作为被解释变量得出的回归结果与以出度作为被解释变量得出的回归结果一致，进一步验证了假设1和假设2。

（二）行业层面回归结果

由表8可知，针对核心解释变量，产业债发行主体所在行业风险利差网络的出度与行业杠杆率（尤其是资产负债率和速动比率）显著正相关，与盈利能力（尤其是净资产收益率）显著负相关，与收益质量的相关性不显著，可知产业债发行主体所在行业的杠杆率水平越低，盈利能力越强，则该行业风险溢出效应越低。可见，当某一行业整体资产负债率较高、债务负担较重，资产变现能力较弱时，容易引发信用风险。一方面，当某一行业的杠杆率较高时，其信用风险容易影响其上下游行业的资金链周转，进而引发连环还款危机。以房地产行业为例，房地产行业杠杆率整体较高，更易发生信用风险，当房企发生违约事件时，其上游的建筑和建材行业，可能会出现应收款项无法收回而导致还款危机。另一方面，当某一行业出现信用风险时，容易影响市场整体信心，导致资金面收紧，加剧风险扩张。且与公司层面类似，当某一行业的盈利能力或盈利稳定性较差时，该行业市场情况的恶化可能对上下游行业甚至整个市场产生影响，相应的风险溢出效应也较高。

在行业层面风险利差网络特征向量中心性影响因素的回归中，发现产业债发行主体所在行业的杠杆率水平越低，则其盈利能力越强，风险溢出效应越低。总体来看，以特征向量中心性作为被解释变量得出的回归结果与以出度作为被解释变量得出的回归结果一致，进一步验证了假设1和假设2。

六、结论与建议

本文选取近十年发行的主要产业债为样本，以弹性网络回归模型构建我国产业债风险传导网络及研究其风险传导效应的影响因素，得出以下结论：中国产业债市场上易出现风险利差同升降的情况；通过产业债风险传导网络的度分布，可有效识别系统性风险较高的发债公司及其行业；近十年间系统性风险最高的前十大公司分布较为分散，行业相对集中，主要为公用事业、技术硬件与设备等；从风险传导效应的影响因素来看，控制杠杆率和提高盈利能力可有效降低产业债发行主体的风险溢出效应。

根据上述研究结论，本文提出以下政策建议：第一，对所筛选出的系统性风险最高的前十大公司及前十大行业，应加强对其发行债券及募集资金投向的监管，强化持续信息披露的合规要求，对相关违规行为采取更严厉的措施，从而降低其可能引发的系统性风险。第二，降低发债主体杠杆率。为了降低发债公司及其所在行业间的风险传导能力，监管方在审核时应着重关注发债公司的杠杆率水平，投资人在挑选债券时也应关注公司及其所在行业的该项指标。在实际操作中，可以通过控制融资节奏、融资规模，合理调节存量债券的期限结构，以及扩大资产规模、改善资本结构等方式降低发债公司的杠杆率来降低其风险溢出效应。第三，发债公司应提高自身盈利能力和收益质量。产业类公司的偿债来源主要为产业类资产主营业务的未来收入，监管部门和投资者应关注发债公司及其所在行业的盈利能力、行业政策、行业可持续性、行业上下游情况等基本面情况，以此判断发债主体及其所在行业的风险溢出效应。

参考文献：

[1]吳德胜，曹渊，汤灿，等.分类管控下的债务风险与风险传染网络研究[J].管理世界，2021，37（4）：35-54.

[2]ADRIAN T，BRUNNERMEIER M.CoVaR：A Method for Macroprudential Regulation[EB/OL].（2008-02-01）[2023-06-06].https：//www.researchgate.net/profile/Tobias_Adrian/publication/255638339._CoVaR_A_Method_for_Macroprudential_Regulation/links/00b49522f5fdc076dc000000/CoVaR-A-Method-for-Macroprudential-Regulation.pdf.

[3]DIEBOLD F X，YILMAZ K.Measuring financial asset return and volatility spillovers，with application to global equity markets[J].The Economic Journal，2009，119（534）：158-171.

[4]MILLER J I，RATTI R A.Crude oil and stock markets：Stability，instability，and bubbles[J].Energy economics，2009，31（4）：559-568.

[5]GRAY D F，JOBST A A.New directions in financial sector and sovereign risk management[J].Journal of Investment Management ，2010，8（1）：23-28.

[6]BLISS B A，CLARK J A，DeLisle R J.Bank risk，financial stress，and bank derivative use[J].Journal of Futures Markets，2018，38（7）：804-821.

[7]FLEMING J，KIRBY C，OSTDIEK B.Information and volatility linkages in the stock，bond，and money markets[J].Journal of financial economics，1998，49（1）：111-137.

[8]ENGLE R.Dynamic conditional correlation：A simple class of multivariate generalized autoregressive conditional heteroskedasticity models[J].Journal of Business & Economic Statistics，2002，20（3）：339-350.

[9]ASGHARIAN H，CHRISTIANSEN C，Hou A J.Macro-finance determinants of the long-run stock-bond correlation：The DCC-MIDAS specification[J].Journal of Financial Econometrics，2016，14（3）： 617-642.

[10]CASCINO S.Stock-bond return co-movement and accounting information[J].Journal of Business Finance & Accounting，2017，44（7-8）：1036-1072.

[11]郑振龙，陈志英.中国股票市场和债券市场收益率动态相关性分析[J].当代财经，2011（2）：45-53.

[12]史永东，丁伟，袁绍锋.市场互联、风险溢出与金融稳定——基于股票市场与债券市场溢出效应分析的视角[J].金融研究，2013（3）：170-180.

[13]牛霖琳，洪智武，陈国进.地方政府债务隐忧及其风险传导——基于国债收益率与城投债利差的分析[J].经济研究，2016，51（11）：83-95.

[14]闫彦明，张源欣.经济下行背景下经济波动对我国债券市场风险影响研究[J].金融发展，2018（2）：80-93.

[15]秦红旭.企业债利差风险结构及企業债与国债市场风险传导机制研究[D].厦门：厦门大学，2018.

[16]王蕾，周小攀.债券市场对其他金融市场的风险溢出效应研究[J].投资研究，2019，38（6）：69-81.

[17]贾韦唯.债券风险溢价与货币政策传导[D].大连：东北财经大学，2018.

[18]高扬，李春雨.中国绿色债券市场与金融市场间的风险溢出效应研究[J].金融论坛，2021，26（1）：59-69.

[19]牛晓健，梁晓明.流动性冲击、杠杆率限制、收益率压力与债券市场系统风险——基于基金—债券的复杂网络研究[J].广西财经学院学报，2017，30（4）：15-33.

[20]杨雨茜.复杂网络、融资平台杠杆与城投债信用风险传导[D].厦门：厦门大学，2019.

[21]何芳，滕秀秀，王斯伟.地方政府债券复杂网络结构及系统性风险特征[J].统计与决策，2020，36（4）：136-140.

[22]王周伟.我国地方政府流动性信用风险空间关联网络特征与效应研究[J].上海对外经贸大学学报，2021，28（2）：95-113.

[23]胡才龙，魏建国.中国地方政府债券风险空间关联网络结构特征及收敛性研究[J].江西财经大学学报，2021（2）：12-23.

[24]ZOU H，HASTIE T.Regularization and variable selection via the elastic net[J].Journal of the royal statistical society：series B （statistical methodology），2005，67（2）：301-320.

Research on the Risk Transmission Network and Influencing Factors of Industrial Bonds in China

Niu Xiaojian，Xu Yuan

（Fudan University，Shanghai 200433，China）

Abstract：Using the Complex network method，taking all one-year and above industrial bonds issued from November 2011 to November 2021 as the research object，quantifying the bond risk with the average risk spread of industrial bonds， using the elastic network regression method，this paper constructs a risk transmission network model between bond issuers and between main industries，and analyzes the static and dynamic risk transmission effects of the industrial bond market. And based on this，the influencing factors of the risk transmission effect in the industrial bond market were studied. Research has found that there is a tendency for risk spreads to rise and fall in the Chinese industrial bond market. Through the degree distribution of the industrial bond risk transmission network，it can effectively identify the bond issuing companies and industries with high systematic risk. The top ten companies with the highest systematic risk in the past decade are relatively dispersed and the industry is relatively concentrated，mainly including utilities， technical hardware and equipment. From the perspective of the influencing factors of risk transmission effect，controlling leverage ratio and improving profitability can effectively reduce the risk spillover effect of industrial bond issuers.

Key words：industrial bonds；complex network；bond market；risk transmission

责任编辑：刘有祥 李祖杰