劉曉星 任超 李紹芳

基金項目：本文獲國家自然科學(xué)基金面上項目“流動性循環(huán)與金融系統(tǒng)安全：影響機制及其監(jiān)控研究”（基金號：72173018）的資助。

作者簡介：劉曉星（1970—），男，湖南隆回人，東南大學(xué)經(jīng)濟管理學(xué)院教授、博士生導(dǎo)師，研究方向為金融工程與風(fēng)險管理；任超（1988—），男，安徽蕪湖人，東南大學(xué)經(jīng)濟管理學(xué)院博士研究生，研究方向為金融工程與風(fēng)險管理；李紹芳（1984—），女，河南鶴壁人，東南大學(xué)經(jīng)濟管理學(xué)院副教授、博士生導(dǎo)師，研究方向為金融風(fēng)險、資產(chǎn)定價。

摘要：隨著金融創(chuàng)新和金融科技的發(fā)展，金融機構(gòu)作為金融體系的核心載體，相互間的關(guān)聯(lián)網(wǎng)絡(luò)日益緊密，跨機構(gòu)的風(fēng)險傳染程度不斷增加。從風(fēng)險溢出視角，基于TENET模型構(gòu)建風(fēng)險溢出動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)，深入研究金融機構(gòu)間風(fēng)險傳染的方向和路徑，結(jié)合2014～2021年我國金融機構(gòu)間的相關(guān)數(shù)據(jù)，實證分析我國金融機構(gòu)間非線性風(fēng)險溢出網(wǎng)絡(luò)結(jié)構(gòu)和風(fēng)險溢出水平。研究發(fā)現(xiàn)，我國金融機構(gòu)系統(tǒng)性風(fēng)險水平呈現(xiàn)周期性變化，非線性特征明顯，其中證券部門的風(fēng)險溢出強度最高，金融科技機構(gòu)的系統(tǒng)性風(fēng)險溢出逐漸增強，銀行部門吸收了其他金融機構(gòu)的大部分風(fēng)險溢出，在維持金融系統(tǒng)穩(wěn)定方面發(fā)揮了主要作用。當(dāng)前，要進一步重視金融科技的監(jiān)管應(yīng)用，加強對系統(tǒng)性金融風(fēng)險跨部門傳染的監(jiān)管，守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線。

關(guān)鍵詞：系統(tǒng)性金融風(fēng)險;TENET;風(fēng)險溢出;非線性測度

文章編號：2095-5960（2023）03-0039-11；中圖分類號：F832.5；文獻標(biāo)識碼：A

一、引言

近年來，隨著金融科技的發(fā)展和金融機構(gòu)間業(yè)務(wù)的不斷創(chuàng)新，金融機構(gòu)間關(guān)聯(lián)水平逐漸提高，擴大了金融風(fēng)險在金融機構(gòu)間的傳染程度。2007年全球金融危機的爆發(fā)以及2015年我國股票市場的股災(zāi)事件讓學(xué)術(shù)界和監(jiān)管當(dāng)局對系統(tǒng)性風(fēng)險有重新的認識和評估，“太關(guān)聯(lián)而不倒”（Too Interconnected To Fail）被國內(nèi)外學(xué)者所關(guān)注。黨的二十大報告中指出“健全資本市場功能，依法將各類金融活動全部納入監(jiān)管，守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線”，保持金融系統(tǒng)穩(wěn)定發(fā)展已成為國家安全的重要組成部分。

在我國加速開放金融業(yè)的背景下，金融機構(gòu)間以及跨金融部門關(guān)聯(lián)聯(lián)系加深，從而放大了風(fēng)險的傳染效應(yīng)。與此同時，過高的關(guān)聯(lián)度，一方面會擴大風(fēng)險敞口的影響范圍，風(fēng)險在極端事件的沖擊下快速擴散;［1］另一方面會提高引發(fā)系統(tǒng)性金融風(fēng)險的概率，從而增加了預(yù)防系統(tǒng)性金融風(fēng)險的難度。不僅如此，2018～2021年所發(fā)生的極端事件對我國系統(tǒng)性金融風(fēng)險產(chǎn)生明顯影響。［2］此外，隨著金融科技的迅速發(fā)展，不僅促使金融機構(gòu)間的風(fēng)險溢出水平提高，而且加劇了風(fēng)險的跨部門傳染效應(yīng)。［3］因此，就我國金融體系而言，在維持金融系統(tǒng)穩(wěn)定并守住不發(fā)生系統(tǒng)性金融風(fēng)險的背景下，準(zhǔn)確測度金融機構(gòu)的關(guān)聯(lián)程度和風(fēng)險溢出水平，并識別風(fēng)險傳染路徑有重要意義。

縱觀現(xiàn)有研究，在測度我國金融機構(gòu)系統(tǒng)性金融風(fēng)險的文獻中較少考慮金融機構(gòu)間的非線性影響?，F(xiàn)有文獻較少研究我國金融機構(gòu)間尾部事件驅(qū)動網(wǎng)絡(luò)的動態(tài)關(guān)聯(lián)關(guān)系，而且忽略了金融科技機構(gòu)對系統(tǒng)性金融風(fēng)險的影響。鑒于此，本文的主要貢獻有：基于關(guān)聯(lián)網(wǎng)絡(luò)視角，借鑒Hrdle等提出的研究模型TENET（Tail Event driven Network）構(gòu)建我國金融機構(gòu)間風(fēng)險溢出網(wǎng)絡(luò)［4］，不僅可以有效測度非線性系統(tǒng)性金融風(fēng)險，還可以揭示金融機構(gòu)間的動態(tài)關(guān)聯(lián)關(guān)系；將金融科技機構(gòu)納入風(fēng)險溢出網(wǎng)絡(luò)的構(gòu)建，并測度風(fēng)險溢出和吸收強度和系統(tǒng)性金融風(fēng)險貢獻度；從三個層面測度我國金融機構(gòu)的風(fēng)險溢出和吸收水平，有效識別風(fēng)險傳染路徑和金融機構(gòu)的系統(tǒng)重要性貢獻度。

二、文獻綜述

金融科技（FINTECH）是由金融（Finance）和科技（Technology）的合成詞，最初的定義將金融知識和信息技術(shù)融合為一體。金融科技的發(fā)展具有兩面性，一方面能夠提升金融服務(wù)的效率和內(nèi)在活力，有利于降低小微企業(yè)的流動性風(fēng)險。［5］從企業(yè)創(chuàng)新和財務(wù)風(fēng)險的角度出發(fā)，金融科技機構(gòu)能夠降低企業(yè)金融杠桿和財務(wù)費用，降低了企業(yè)的財務(wù)風(fēng)險，并提高了技術(shù)創(chuàng)新產(chǎn)出。［6-8］另一方面，由于金融科技機構(gòu)業(yè)務(wù)的多樣性，導(dǎo)致跨部門風(fēng)險傳染加速，進而擴大了風(fēng)險傳染面積。［9］由于金融科技在風(fēng)險傳染中的隱蔽性，使得系統(tǒng)性金融風(fēng)險的復(fù)雜性和突發(fā)性更為突出。［10］金融科技的高速發(fā)展加劇了機構(gòu)間的風(fēng)險傳染效應(yīng)，進而導(dǎo)致跨部門風(fēng)險傳染水平不斷上升。［11］

長期以來，系統(tǒng)性金融風(fēng)險被世界各國廣泛關(guān)注，學(xué)術(shù)界也就系統(tǒng)性金融風(fēng)險的測度與傳染展開深入探討。隨著金融機構(gòu)相關(guān)關(guān)系的不斷加深，風(fēng)險的測度和傳染路徑的識別對防范系統(tǒng)性金融風(fēng)險尤其重要。其中，在險價值（VaR）作為被廣泛應(yīng)用的風(fēng)險測度方法，度量了樣本期間內(nèi)資產(chǎn)可能損失的最大值。隨著風(fēng)險測度方法的不斷發(fā)展，以尾部風(fēng)險為主要研究對象的測度方法被應(yīng)用于衡量風(fēng)險溢出強度，并進一步觀測系統(tǒng)性金融風(fēng)險的整體水平，如ΔCoVaR［12］，MES［13］，SES［14］和SRISK［15］等方法。此外，基于上述方法的代表性研究包括劉曉星等［16］、梁琪等［17］、歐陽資生和莫廷程［18］以及楊子輝等［19］。CoVaR和MES等方法通過損失價值的規(guī)模衡量系統(tǒng)性金融風(fēng)險水平，然而金融機構(gòu)間關(guān)聯(lián)度的提高在一定程度上放大了風(fēng)險溢出強度，“太關(guān)聯(lián)而不倒”（Too Interconnected To Fail）被國內(nèi)外學(xué)者所關(guān)注。其中，度量金融機構(gòu)相關(guān)系數(shù)并構(gòu)建關(guān)聯(lián)模型被廣泛應(yīng)用于系統(tǒng)性金融風(fēng)險的測度。［20］

近年來，網(wǎng)絡(luò)模型被廣泛地應(yīng)用于風(fēng)險的模擬和度量。從網(wǎng)絡(luò)的視角考察風(fēng)險溢出效應(yīng)不僅可以在一定程度上刻畫風(fēng)險溢出的方向，也能測度跨金融部門風(fēng)險傳染程度。［19］使用網(wǎng)絡(luò)分析方法主要從四個層面對風(fēng)險傳染效應(yīng)進行研究：通過收益相關(guān)性研究機構(gòu)關(guān)聯(lián)性以及風(fēng)險傳染。［21］從均值溢出網(wǎng)絡(luò)的視角，Granger因果關(guān)系與MS-FAVAR用于構(gòu)建多部門網(wǎng)絡(luò)研究系統(tǒng)性金融風(fēng)險。［22，23］從波動溢出網(wǎng)絡(luò)的視角，利用方差分解和波動溢出構(gòu)建有向權(quán)重波動溢出網(wǎng)絡(luò)，測度金融機構(gòu)間關(guān)聯(lián)度與風(fēng)險傳染路徑。［24，25］從風(fēng)險溢出網(wǎng)絡(luò)的視角，尾部風(fēng)險溢出網(wǎng)絡(luò)用于測度系統(tǒng)性金融風(fēng)險，并識別出金融系統(tǒng)重要性機構(gòu)。［4，26，27］

綜合已有相關(guān)研究，ΔCoVaR、MES、SES和SRISK方法考慮了風(fēng)險傳染的路徑方向，但未研究網(wǎng)絡(luò)中尾部風(fēng)險溢出效應(yīng)，因此，高度關(guān)聯(lián)的金融機構(gòu)的系統(tǒng)性金融風(fēng)險被低估了。［28］相關(guān)系數(shù)和主成分分析法僅測度了總體系統(tǒng)性金融風(fēng)險水平，卻無法識別風(fēng)險傳染的路徑方向，缺少衡量個體金融機構(gòu)的風(fēng)險敞口。［24］雖然Granger因果檢驗和方差分解方法測度了金融機構(gòu)相關(guān)關(guān)系的網(wǎng)絡(luò)效應(yīng)，但Granger因果檢驗方法僅考慮了兩兩之間的相關(guān)關(guān)系，不能準(zhǔn)確測度尾部風(fēng)險。［29］此外，現(xiàn)有文獻常以線性基準(zhǔn)考察金融機構(gòu)間的風(fēng)險溢出效應(yīng)，鮮有考慮機構(gòu)間的關(guān)聯(lián)關(guān)系以及風(fēng)險傳染的路徑呈現(xiàn)非線性變化。［30］

鑒于此，利用非線性方法測度系統(tǒng)性金融風(fēng)險，并從網(wǎng)絡(luò)的視角觀測風(fēng)險傳染水平和路徑十分必要。Hrdle等提出TENET有效解決了上述問題，其不僅運用非線性方法測度系統(tǒng)性金融風(fēng)險，還有效觀測了風(fēng)險傳染效應(yīng)和方向。［4］縱觀現(xiàn)有研究，相較于 CoVaR等方法，利用TENET模型的研究相對較少，且這類文獻主要關(guān)注金融機構(gòu)間風(fēng)險溢出的靜態(tài)關(guān)系，而對動態(tài)風(fēng)險溢出效應(yīng)以及風(fēng)險傳染路徑的研究較少；再者，現(xiàn)有研究主要關(guān)注金融科技機構(gòu)、銀行機構(gòu)和證券機構(gòu)的風(fēng)險傳染效應(yīng)，較少考慮金融科技機構(gòu)、保險機構(gòu)和多元金融機構(gòu)之間的風(fēng)險傳染效應(yīng)和路徑中所扮演的角色。然而，相關(guān)金融科技的研究表明，由于金融科技機構(gòu)的高關(guān)聯(lián)性，導(dǎo)致金融風(fēng)險跨部門流動，從而使系統(tǒng)性金融風(fēng)險跨部門傳染。［3，7］本文嘗試對現(xiàn)有文獻作出有益補充。本文采用非線性方法測度2014～2021年我國72家上市金融機構(gòu)的系統(tǒng)性金融風(fēng)險，在此基礎(chǔ)上采用TENET模型構(gòu)建風(fēng)險溢出的動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)，從金融機構(gòu)間和跨金融部門兩個研究方面深入考察風(fēng)險傳染關(guān)系，并著重考察金融科技機構(gòu)在風(fēng)險溢出的動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)中風(fēng)險溢出規(guī)模以及在風(fēng)險傳染中的角色。在本文結(jié)論的基礎(chǔ)上，提出對于系統(tǒng)性金融風(fēng)險監(jiān)管機制的建議，使得本文研究具有重要的現(xiàn)實意義。

三、 研究方法與數(shù)據(jù)說明

（一）模型設(shè)定

本文以TENET模型作為理論框架，基于非線性方法測度系統(tǒng)性金融風(fēng)險，在此基礎(chǔ)上結(jié)合梯度矩陣構(gòu)建關(guān)聯(lián)網(wǎng)絡(luò)，并考察金融機構(gòu)間的風(fēng)險溢出強度和吸收強度的關(guān)系。［4］

1 網(wǎng)絡(luò)模型構(gòu)建

在TENET模型的構(gòu)建中，首先通過滾窗分位數(shù)回歸估計每個金融機構(gòu)的VaR。本文通過Hrdle等的經(jīng)驗［4］，運用非線性Lasso分位數(shù)回歸和單指數(shù)變量篩選的模型，在考慮非線性關(guān)聯(lián)關(guān)系的基礎(chǔ)上得到每個金融機構(gòu)在其他金融機構(gòu)極端風(fēng)險條件下的CoVaR。在CoVaR的計算中，不僅包含了金融機構(gòu)的資產(chǎn)回報率和作為控制變量的宏觀經(jīng)濟變量，還引入了該金融機構(gòu)的財務(wù)指標(biāo)作為控制變量。這樣的設(shè)置能夠更大化地構(gòu)建由流動性或風(fēng)險敞口等引起的金融機構(gòu)間風(fēng)險溢出路徑。

（二）研究樣本與變量

本文主要以中國2014年1月1日至2021年9月30日上市金融機構(gòu)作為研究樣本，基于數(shù)據(jù)完整性和連續(xù)性原則，篩除了樣本期間內(nèi)股票數(shù)據(jù)不連續(xù)或不完整的機構(gòu)，最終收集了72家金融機構(gòu)數(shù)據(jù)進行分析，數(shù)據(jù)來源于Wind數(shù)據(jù)庫?？紤]到股票數(shù)據(jù)是高頻數(shù)據(jù)，其噪聲問題和股息等問題，本文選取復(fù)權(quán)周頻收益率進行分析，共399組周度觀測值。為了充分研究TENET模型，本文選取了金融機構(gòu)的資產(chǎn)回報率作為解釋變量，宏觀經(jīng)濟變量作為狀態(tài)變量，并引入了金融機構(gòu)的財務(wù)指標(biāo)作為控制變量，其具體定義如表1所示。

變量名稱定義收益率Xi，t=ln（Pi，t/Pi，t－1），Pi，t表示金融機構(gòu)i在第t周的收盤價M1短期流動性差價3個月期Shibor-3個月期國債收益率M2短期國債收益率差3個月國債收益率差M3期限利差10年期國債收益率-3個月期國債收益率M4信用利差10年期3A企業(yè)債收益率-10年國債收益率M5市場收益率滬深300指數(shù)收益率M6市場波動率由GARCH（1，1）計算的滬深300指數(shù)條件方差M7地產(chǎn)業(yè)收益率Wind地產(chǎn)行業(yè)指數(shù)的周頻收益率LEV杠桿率賬面總資產(chǎn)/賬面權(quán)益MM期限錯配（短期負債-短期投資-現(xiàn)金）/總負債SIZE規(guī)模賬面權(quán)益的對數(shù)MTB市賬比權(quán)益市值 / 賬面值金融機構(gòu)周頻收益率、變量和控制變量統(tǒng)計結(jié)構(gòu)見表2。從表2中可知，金融機構(gòu)收益率均值為0 0013，標(biāo)準(zhǔn)差在0 0615，樣本的收益率波動較大。4個金融機構(gòu)控制變量的變化存在很大差異，其中期限錯配的最大值和最小值相差最大，而均值與前2者也有很大差距，表明各機構(gòu)間不同的財務(wù)政策差異化明顯，更能凸顯出下面研究風(fēng)險傳染的差異化。

四、實證結(jié)果分析

本文利用TENET模型對系統(tǒng)性金融風(fēng)險的度量，并從三個層面分析我國金融機構(gòu)間風(fēng)險傳染路徑的動態(tài)演化規(guī)律。

（一）金融機構(gòu)整體關(guān)聯(lián)度分析

本文設(shè)定的分位數(shù)水平τ=0 05，采用滾動窗口（窗口期選用48周）和周頻，將每個窗口期的估計值加總?cè)〗^對值得總值CoVaR和VaR，如圖1所示。相較于楊子暉等的研究［19］，非線性CoVaRTENET和線性CoVaR的變化趨勢相近，尤其在2015年6月風(fēng)險爆發(fā)時激增至最大值，呈現(xiàn)出“迅速爆發(fā)”的特征。然而，在2016年1月出臺熔斷機制時期，非線性CoVaRTENET迅速增長至高點，但線性CoVaR無大幅變動，可能未采用滾動窗口方法導(dǎo)致低估了系統(tǒng)性風(fēng)險水平。

圖1金融機構(gòu)總體CoVaR值和VaR值圖2金融機構(gòu)風(fēng)險溢出網(wǎng)絡(luò)總連接度（TC）通過對CoVaRTENETj∣j，t，τ的估計得出金融機構(gòu)間風(fēng)險溢出值，再利用公式（3）估計出D^j∣j并構(gòu)建金融機構(gòu)間動態(tài)風(fēng)險溢出網(wǎng)絡(luò)。圖2表明了金融機構(gòu)在樣本期內(nèi)總體連接度的波動特征?？梢钥闯?，在樣本期間內(nèi)，我國金融機構(gòu)在2015年1月至2016年9月這段時期波動劇烈。在2015年股災(zāi)事件爆發(fā)時，金融機構(gòu)間關(guān)聯(lián)度由逐步上升突然轉(zhuǎn)變?yōu)榧彼偕蠞q，2015年11月達到峰值，在2016年8月斷崖式下降，在2017年2月跌至最低值。經(jīng)過股災(zāi)之后的1年，金融機構(gòu)間總連接度緩慢上漲。由于中美貿(mào)易爭端，2018年2月至2019年8月，總連接度保持低水平震蕩。2020年的新冠疫情導(dǎo)致我國各地區(qū)封城，在我國全力支持抗疫和積極推進企業(yè)復(fù)工的背景下，人民銀行1月31日實行3000億專項再貸款并提供優(yōu)惠利率。專項再貸款業(yè)務(wù)的發(fā)展使金融機構(gòu)間總連接度開始上升。結(jié)合2015年、2018年和2020年的三次異常值，監(jiān)管部門應(yīng)在經(jīng)濟過熱時提高警惕，預(yù)防金融機構(gòu)間直接關(guān)聯(lián)或間接相關(guān)關(guān)系導(dǎo)致系統(tǒng)性金融風(fēng)險迅速積聚。

（二） 跨部門風(fēng)險溢出水平分析

1 各金融部門風(fēng)險溢出水平分析

本文根據(jù)證監(jiān)會行業(yè)分類，將72家金融機構(gòu)分成四個部門，分別為證券部門共31家機構(gòu)，銀行部門共17家機構(gòu)，保險部門共6家機構(gòu)和多元金融部門18家機構(gòu)，金融科技機構(gòu)在證監(jiān)會行業(yè)分類中并入了多元金融機構(gòu)。根據(jù)國際金融穩(wěn)定理事會（FSB）給出“市場基礎(chǔ)設(shè)施服務(wù)”這一項核心定義，本文樣本中有4家金融科技機構(gòu)（仁東控股、同花順、新力金融和大智慧）。各部門的風(fēng)險吸收強度和風(fēng)險溢出強度為各金融部門內(nèi)每個金融機構(gòu)的風(fēng)險吸收強度或風(fēng)險溢出強度的和，如圖3和圖4所示。

圖3金融部門風(fēng)險吸收強度圖4金融部門風(fēng)險溢出強度由于在窗口期的金融機構(gòu)總連接度（TCs）是各部門風(fēng)險吸收強度TCINs之和（或各部門風(fēng)險溢出強度TCOUTs之和），如公式（11）所示，所以TCINs（或TCOUTs）可以詮釋TCs的變化。對比圖3和圖4，除了保險部門的風(fēng)險吸收強度在樣本期間相對平穩(wěn)以外，其他三個金融部門的風(fēng)險吸收強度都有極端值出現(xiàn)，且呈現(xiàn)大幅度波動。在股災(zāi)影響期間，證券部門的風(fēng)險吸收強度最高，對總連接度的貢獻最大。在2017年11月，為了維護金融穩(wěn)定，中國人民銀行聯(lián)合銀保監(jiān)會和證監(jiān)會發(fā)布了《資管業(yè)務(wù)意見》，使得資本市場震蕩。此期間除了證券部門的吸收強度上升外，其他三個金融部門的風(fēng)險吸收強度都有所下降。在中美貿(mào)易摩擦期、新冠疫情集中暴發(fā)期和后疫情時期，證券部門仍然是影響總連接度的最主要部門。同時，從圖4風(fēng)險溢出強度的變化來看，變化趨勢以及其極端值與風(fēng)險吸收強度類似。

2 跨金融部門風(fēng)險溢出水平分析

為了更精確地觀測金融機構(gòu)在網(wǎng)絡(luò)中的角色，本文根據(jù)矩陣As，如公式（4）所示，我們研究了樣本期金融機構(gòu)風(fēng)險溢出網(wǎng)絡(luò)。在2014年的貨幣寬松時期，銀行部門吸收證券部門的風(fēng)險比較多。在2015年至2017年的股災(zāi)爆發(fā)期以及其滯后影響期，金融部門間和跨部門的風(fēng)險溢出水平都很高，證券部門在這期間對其他金融部門的影響最大。證券部門和多元金融部門的相互跨部門的風(fēng)險溢出程度最高。在中美貿(mào)易摩擦期間，證券部門仍然是對多元金融機構(gòu)風(fēng)險溢出強度最高。此外，多元金融部門在此期間與證券部門相互傳染極其劇烈。在2020年新冠疫情暴發(fā)期間，多元金融部門扮演了風(fēng)險溢出的主要角色。其中，同花順（300033 SZ）的跨部門風(fēng)險溢出程度尤其明顯。在后疫情時期，證券部門重新扮演了風(fēng)險溢出的主要角色。

綜上所述，通過對金融部門以及跨部門間風(fēng)險傳染的路徑和規(guī)模分析，我國系統(tǒng)性金融風(fēng)險隨著經(jīng)濟發(fā)展程度的變化而增減，但值得關(guān)注的是，系統(tǒng)性金融風(fēng)險不僅在證券部門和銀行部門的擴大，多元金融部門（比如金融科技機構(gòu)）也發(fā)揮著舉足輕重的角色。金融科技機構(gòu)的高關(guān)聯(lián)性特征可能成為引起系統(tǒng)性金融風(fēng)險的主要誘因。

（三）金融機構(gòu)間動態(tài)關(guān)聯(lián)水平分析

1 金融機構(gòu)間動態(tài)風(fēng)險溢出水平與風(fēng)險吸收水平分析

由于每年的周數(shù)不同，本文采用每年的年平均數(shù)表示關(guān)聯(lián)度和影響程度。根據(jù)金融機構(gòu)的年均風(fēng)險吸收強度（ICINj，s）的變化趨勢來看，2014年至2021年內(nèi)，金融機構(gòu)的ICINj，s較低且較平均，只有極少數(shù)金融機構(gòu)的ICINj，s較大，而且基本集中在股災(zāi)和房地產(chǎn)泡沫期間。2014年在貨幣寬松周期下，ICINj，s總體呈現(xiàn)上升趨勢，與總連接度（TCs）變化一致。在2015年至2016年間，ICINj，s呈現(xiàn)快速上漲，并分別達到最高點，其變化趨勢也與TCs變化一致。表3給出了風(fēng)險吸收指數(shù)（ICINj，s）和風(fēng)險溢出指數(shù)（ICOUTj，s）最高的前5家金融機構(gòu)的相關(guān)信息。由表3可發(fā)現(xiàn)，風(fēng)險吸收強度（ICINj，s）最高的前5位中，證券機構(gòu)的占比最多，在樣本期間內(nèi)的風(fēng)險吸收強度最高，尤其在風(fēng)險積聚時期吸收的風(fēng)險較多；銀行機構(gòu)的占比波動性較高，在高風(fēng)險時期的風(fēng)險吸收水平明顯加強，有效分擔(dān)了大部分風(fēng)險；除了新冠疫情時期外，保險機構(gòu)的風(fēng)險吸收強度相對穩(wěn)定；多元金融機構(gòu)的風(fēng)險吸收強度呈現(xiàn)逐年增長趨勢，值得關(guān)注的是，金融科技機構(gòu)逐漸成為風(fēng)險吸收的主要機構(gòu)。

相比較風(fēng)險吸收強度（ICINj，s）而言，金融機構(gòu)的風(fēng)險溢出強度（ICOUTj，s）在樣本期間內(nèi)出現(xiàn)極大值和極小值的概率較高。整體風(fēng)險溢出強度在2014年比較低，但在年末逐漸上漲。由表3可發(fā)現(xiàn)，證券機構(gòu)在經(jīng)濟過熱時期的ICOUTj，s最高，成為最主要的風(fēng)險輸出者，隨后逐漸降低；銀行機構(gòu)在樣本期間內(nèi)的ICOUTj，s呈現(xiàn)穩(wěn)定低水平狀態(tài)；保險機構(gòu)與銀行機構(gòu)相似，穩(wěn)定維持較低的ICOUTj，s；多元金融機構(gòu)的ICOUTj，s逐年上漲，在新冠疫情時期達到最高水平，其中，金融科技機構(gòu)（如大智慧和同花順等）在樣本期內(nèi)的ICOUTj，s均處于高位，成為風(fēng)險傳染路徑的最主要節(jié)點。

綜合而言，證券機構(gòu)的風(fēng)險吸收強度和溢出強度都很高，證券機構(gòu)間的風(fēng)險相互傳染現(xiàn)象明顯。銀行機構(gòu)在高風(fēng)險時期的溢出強度遠低于吸收強度，起到了金融穩(wěn)定器的作用。保險機構(gòu)的風(fēng)險吸收強度和溢出強度均處于較高水平，保險機構(gòu)間的風(fēng)險相互傳染現(xiàn)象也較為明顯。金融科技機構(gòu)的風(fēng)險溢出強度明顯高于風(fēng)險吸收強度，在不同時期成為風(fēng)險傳染的主要源頭或傳染路徑的主要節(jié)點。

2 金融機構(gòu)的風(fēng)險吸收與溢出水平分析

本文基于金融機構(gòu)的動態(tài)關(guān)聯(lián)關(guān)系與規(guī)模的影響，并采用公式（9）和（10）測度各金融機構(gòu)在窗口期的系統(tǒng)性金融風(fēng)險吸收指數(shù)（SRRj，s）和系統(tǒng)性金融風(fēng)險溢出指數(shù)（SREj，s）。由表4可知，樣本期間內(nèi)，銀行機構(gòu)和保險機構(gòu)的SRRj，s比較高，屬于最大的系統(tǒng)性金融風(fēng)險吸收機構(gòu)。在2017年和2018年，同花順（金融科技機構(gòu)）的SRRj，s很高。由于2020年的貨幣寬松政策，證券機構(gòu)的SRRj，s極高，前5機構(gòu)全是證券機構(gòu)。金融機構(gòu)的SREj，s變化趨勢與SRRj，s類似，在2014年和2020年的貨幣寬松期間，證券機構(gòu)的SREj，s較高；在2015年至2016年的股災(zāi)和資產(chǎn)泡沫時期，銀行機構(gòu)和保險機構(gòu)的SREj，s較高；在2017年至2019年期間，多元金融機構(gòu)的SREj，s較高；在2021年的后疫情時期，保險機構(gòu)和銀行機構(gòu)的SREj，s增長至較高水平。

綜上所述，考慮到部門之間的差異，同一個金融機構(gòu)在系統(tǒng)性金融風(fēng)險吸收強度和系統(tǒng)性金融風(fēng)險溢出強度不同。銀行部門和保險部門的SRRj，s比SREj，s高；證券部門的SRRj，s的變化趨勢和SREj，s的變化趨勢相似，呈現(xiàn)周期性變化；多元金融部門的SREj，s比SRRj，s高。

（四） 金融科技機構(gòu)在動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)中的進一步分析

為了進一步分析金融機構(gòu)間的動態(tài)風(fēng)險吸收與溢出關(guān)系，本文著重研究了樣本期內(nèi)每年前十組關(guān)聯(lián)度最高的金融機構(gòu)信息。由表5可知，在2014年貨幣寬松時期，華泰證券對光大證券的風(fēng)險溢出最高，華泰證券關(guān)聯(lián)的機構(gòu)最多。2015年和2016年，光大銀行和光大證券是風(fēng)險吸收最多的金融機構(gòu)；由于中美貿(mào)易摩擦和新冠疫情的原因，2017年至2021年期間，金融機構(gòu)間的關(guān)聯(lián)關(guān)系逐漸降低。值得關(guān)注的是，金融科技機構(gòu)與銀行、證券機構(gòu)的關(guān)聯(lián)度快速上升，成為風(fēng)險傳染的中軸點。

（五）穩(wěn)健性檢驗

上述模型以τ=0 05的分位數(shù)水平刻畫我國金融機構(gòu)風(fēng)險溢出網(wǎng)絡(luò)。為驗證上述結(jié)論的穩(wěn)健性，本節(jié)將使用分位數(shù)水平τ=0 01 進行穩(wěn)健性檢驗，如圖5所示。其中，大部分窗口期的CoVaR大于VaR，意味著條件風(fēng)險更大，說明我國金融機構(gòu)間存在顯著的風(fēng)險溢出效應(yīng)。相比較于VaR，CoVaR的震蕩幅度較小。

五、結(jié)論及政策建議

本文基于中國金融機構(gòu)風(fēng)險溢出的動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)視角，選取2014年至2021年中國上市金融機構(gòu)的股票收益率數(shù)據(jù)，采用單指數(shù)模型和非線性分位數(shù)Lasso回歸估計的TENET模型構(gòu)建網(wǎng)絡(luò)，從三個層面分析了我國金融機構(gòu)間風(fēng)險傳染路徑和效應(yīng)，識別動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)中風(fēng)險溢出的系統(tǒng)重要性機構(gòu)。研究結(jié)論表明，我國金融機構(gòu)系統(tǒng)性金融風(fēng)險呈現(xiàn)周期性變化，其在經(jīng)濟過熱時期顯著增強；同時系統(tǒng)性金融風(fēng)險具有明顯的“尾部風(fēng)險驅(qū)動”特征，其在尾部風(fēng)險事件下（如2015年股市動蕩期間）會迅速攀升并達到階段性峰值。進一步，從系統(tǒng)性金融風(fēng)險的傳染特征看，系統(tǒng)性金融風(fēng)險具有明顯的跨部門、跨機構(gòu)傳染效應(yīng)。就部門層面而言，證券部門是主要的風(fēng)險傳染源，銀行部門則吸收了大部分來自其他部門的風(fēng)險溢出。多元金融部門雖整體規(guī)模較小，但隨著與其他部門關(guān)聯(lián)性的增強，該部門的風(fēng)險溢出強度逐漸增加，其對總體系統(tǒng)性金融風(fēng)險的貢獻度在近年來顯著提升。就機構(gòu)層面而言，體量較大的金融機構(gòu)系統(tǒng)性金融風(fēng)險溢出水平較高；國有銀行和國有保險機構(gòu)吸收了大部分風(fēng)險，成為我國金融機構(gòu)的穩(wěn)定器；金融科技機構(gòu)的風(fēng)險吸收強度和風(fēng)險溢出強度持續(xù)處于高位，成為風(fēng)險傳染的源頭和傳染路徑中的重要節(jié)點。由于我國大部分金融機構(gòu)上市時間較晚，研究樣本數(shù)量較少，樣本時間維度較短，對于我國金融系統(tǒng)的剖析不夠全面。在后期的算法研究中，可采用其他分位數(shù)算法替換TENET中l(wèi)asso分位數(shù)算法（比如神經(jīng)網(wǎng)絡(luò)分位數(shù)方法），優(yōu)化算法的效率。

上述研究結(jié)論對我國防控系統(tǒng)性金融風(fēng)險有如下啟示。一方面，監(jiān)管當(dāng)局應(yīng)當(dāng)加強對于系統(tǒng)性金融風(fēng)險的動態(tài)監(jiān)管，并重點關(guān)注經(jīng)濟過熱時期以及尾部風(fēng)險事件下系統(tǒng)性金融風(fēng)險的變化。對于高風(fēng)險溢出性和高風(fēng)險吸收性的金融機構(gòu)，監(jiān)管當(dāng)局可從個體和整體兩個層面加強：在個體管治層面，金融機構(gòu)可將風(fēng)險進行統(tǒng)一整理匯總，并納入統(tǒng)一的體系下評估和管控風(fēng)險，對本機構(gòu)進行全方面分析和監(jiān)管；在整體管治層面，相關(guān)部門可協(xié)助金融機構(gòu)搭建實時和高效的融資渠道，并要求其建立足夠的流動性儲備應(yīng)對突發(fā)的流動性危機，避免由于流動性不足而產(chǎn)生風(fēng)險。另一方面，對于不同金融部門，應(yīng)根據(jù)其在系統(tǒng)性金融風(fēng)險傳染路徑中承擔(dān)的不同角色采取差異化監(jiān)管，進而及時發(fā)現(xiàn)系統(tǒng)性金融風(fēng)險傳染源頭，有效切斷風(fēng)險傳染的路徑，提高我國金融系統(tǒng)的穩(wěn)定性。對不同金融部門采取差異化監(jiān)督管理力度，并關(guān)注不同金融部門的關(guān)聯(lián)關(guān)系，降低不同金融部門間的過高關(guān)聯(lián)度并減少風(fēng)險跨部門的多路徑傳染；在關(guān)注系統(tǒng)重要性機構(gòu)時，不僅注重其規(guī)模大小，還應(yīng)該通過識別風(fēng)險溢出強度與吸收強度指標(biāo)判別金融機構(gòu)在金融體系中的重要性，縮小風(fēng)險傳染的影響。此外，金融科技機構(gòu)在風(fēng)險傳染中的作用應(yīng)被高度重視，需重點關(guān)注金融科技機構(gòu)在系統(tǒng)性金融風(fēng)險傳染中的“源頭”角色或“中軸”作用。

參考文獻：

［1］楊子暉， 張平淼， 陳雨恬. 風(fēng)險共振還是風(fēng)險分散——基于尾部事件下風(fēng)險結(jié)構(gòu)的關(guān)聯(lián)研究［J］. 經(jīng)濟學(xué)（季刊）， 2021， 21（6）： 2127～2152.

［2］石廣平， 劉曉星， 段聰穎. 系統(tǒng)性金融風(fēng)險的度量及其時變經(jīng)濟效應(yīng)研究［J］. 商業(yè)經(jīng)濟與管理， 2022（3）： 87～100.

［3］Lee， I. & Y. J.Shin. Fintech： ecosystem， business models， investment decisions， and challenges［J］. Business Horizons， 2018， 61（1）： 35～46.

［4］Hrdle， W. K. ， W. Wang， & L. Yu. TENET： tail-event driven network risk［J］. Journal of Econometrics， 2016， 192（2）： 499～513.

［5］盛天翔， 范從來. 金融科技、最優(yōu)銀行業(yè)市場結(jié)構(gòu)與小微企業(yè)信貸供給［J］. 金融研究， 2020（6）： 114～132.

［6］馮素玲， 趙書，吳昊悅. 金融科技對企業(yè)財務(wù)風(fēng)險的影響及其內(nèi)在機理——兼論金融監(jiān)管的門檻效應(yīng)［J］. 改革， 2021（10）： 84～100.

［7］王小燕， 張俊英， 王醒男. 金融科技、企業(yè)生命周期與技術(shù)創(chuàng)新——異質(zhì)性特征、機制檢驗與政府監(jiān)管績效評估［J］. 金融經(jīng)濟學(xué)研究， 2019， 34（5）： 93～108.

［8］Lee I.， and Y J. Shin. Fintech： ecosystem， business models， investment decisions， and challenges： 1［J］. Business Horizons， 2018， 61（1）： 35～46.

［9］李躍然，陳忠陽. 發(fā)展中的金融科技：影響與對策［J］. 科技管理研究， 2021， 41（24）： 18～26.

［10］方意， 王羚睿， 王煒，等. 金融科技領(lǐng)域的系統(tǒng)性風(fēng)險：內(nèi)生風(fēng)險視角［J］. 中央財經(jīng)大學(xué)學(xué)報， 2020（2）： 29～37.

［11］王道平， 劉楊婧卓， 徐宇軒，等. 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， 43（4）： 71～84.

［12］Adrian， T. & M. K. Brunnermeier. CoVaR［J］. American Economic Review， 2016， 106（7）： 1705～1741.

［13］Acharya， V.， R. Engle， & M. Richardson. Capital shortfall： a new approach to ranking and regulating systemic risks［J］. American Economic Review， 2012， 102（3）： 59～64.

［14］Acharya， V.， L. Pedersen， T. Philippon， & M. Richardson. Measuring systemic risk［J］. The Review of Financial Studies， 2017， 30（1）： 2～47.

［15］Brownlees， C. & R. F. Engle. SRISK： a conditional capital shortfall measure of systemic risk［J］. The Review of Financial Studies， 2017， 30（1）： 48～79.

［16］劉曉星， 段斌， 謝福座. 股票市場風(fēng)險溢出效應(yīng)研究：基于evt-copula-covar模型的分析［J］. 世界經(jīng)濟， 2011（11）： 145～159.

［17］梁琪， 李政， 郝項超. 我國系統(tǒng)重要性金融機構(gòu)的識別與監(jiān)管——基于系統(tǒng)性風(fēng)險指數(shù)srisk方法的分析［J］. 金融研究， 2013（9）： 56～70.

［18］歐陽資生， 莫廷程. 基于廣義CoVaR模型的系統(tǒng)重要性銀行的風(fēng)險溢出效應(yīng)研究［J］. 統(tǒng)計研究， 2017， 34（9）： 36～43.

［19］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， 460（10）： 19～37.

［20］Huang， X.， H. Zhou， & H. Zhu. A framework for assessing the systemic risk of major financial institutions［J］. Journal of Banking & Finance， 2009， 33（11）： 2036～2049.

［21］Brunetti， C.， J. H. Harris， S. Mankad， & G. Michailidis. Interconnectedness in the interbank market［J］. Journal of Financial Economics， 2019， 133（2）： 520～538.

［22］Dungey， M.， T. J. Flavin， & D. Lagoa-Varela. Are banking shocks contagious？ evidence from the eurozone［J］. Journal of Banking & Finance， 2020， 112： 105386.

［23］Billio， M.， M. Getmansky， W. L. Andrew， & L. Pelizzon. Econometric measures of connectedness and systemic risk in the finance and insurance sectors［J］. Journal of Financial Economics， 2012， 104（3）： 535～559.

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

［25］Yang Z.， and Y. Zhou. Quantitative easing and volatility spillovers across countries and asset classes［J/OL］. Management Science， 2017， 63（2）： 333～354［2022-03-09］.

［26］朱子言， 劉曉星. 系統(tǒng)性風(fēng)險溢出與脆弱度——基于中國上市金融機構(gòu)尾部風(fēng)險感知的研究［J］. 金融經(jīng)濟學(xué)研究， 2023， 38（2）： 20～34.

［27］李紹芳， 劉曉星. 中國金融機構(gòu)關(guān)聯(lián)網(wǎng)絡(luò)與系統(tǒng)性金融風(fēng)險［J］. 金融經(jīng)濟學(xué)研究， 2018， 33（5）： 34～48.

［28］劉呂科， 張定勝， 鄒恒甫. 金融系統(tǒng)性風(fēng)險衡量研究最新進展述評［J］. 金融研究， 2012（11）： 31～43.

［29］Hautsch， N.， J. Schaumburg， & M. Schienle. Financial network systemic risk contributions［J］. Review of Finance， 2015， 19（2）： 685～738.

［30］楊子暉， 陳雨恬， 陳里璇. 極端金融風(fēng)險的有效測度與非線性傳染［J］. 經(jīng)濟研究， 2019， 54（5）： 63～80.

Abstract：With the development of financial innovation and financial technology， financial institutions， as the core carrier of the financial system， are increasingly related to each other. Therefore， the degree of risk contagion across institutions is increasing. From the perspective of Risk Spillover， this paper constructs a dynamic correlation network of Risk Spillover model Based on TENET to study the direction and path of risk contagion among financial institutions， and the dynamic evolution mechanism of Risk Spillover intensity. The data of Chinese financial institutions from 2014 to 2021 is selected to empirically analyzes the nonlinear risk spillover network structure and Risk Spillover level among the institutions. It is found that the systemic risk level of Chinese financial institutions presents periodic changes and nonlinear characteristics. In addition， the Risk Spillover intensity of the securities sector is the highest. Furthermore， the Systemic Risk Spillover of financial technology institutions is gradually increasing. Moreover， the banking sector absorbs most of the Risk Spillover of other financial institutions， which plays a major role in maintaining the stability of the financial system. It is suggested that the regulatory application of financial technology should be noticed. The supervision of cross-market risk contagion among financial institutions should be strengthened. The recommendations of this paper can help Chinas financial risk prevention system to keep the bottom line of systemic financial risk nonoccurrence.

Key words：systemic risk;TENET;risk spillover;nonlinear measure

責(zé)任編輯：吳錦丹 蕭敏娜 常明明 張士斌 張建偉 張領(lǐng)