我国金融机构的传染性风险与系统性风险贡献——基于极端风险网络视角的研究

李 政 朱明皓 范颖岚

一、引 言

自2008年全球金融危机以来，我国金融市场与金融机构虽然在总体上运行平稳，但是各种风险事件较为频仍，“钱荒”、股灾、债券市场违约事件以及商业银行不良资产规模与不良率的“双升”使得系统性金融风险一直是学术界与监管当局高度关注的焦点。众所周知，金融作为现代经济的核心，其首要任务就是更好地为实体经济服务。当前，我国经济正处在转变发展方式、优化经济结构、转换增长动力的攻关期。同时，世界经济仍处于缓慢复苏进程中，全球债务水平的上升、贸易摩擦、逆全球化等因素使得不确定性、复杂性进一步凸显。因此，在经济增长同时面临外部冲击与内部压力的局面下，必须守住不发生系统性金融风险的底线，从而为中国经济的平稳健康发展创造有利条件。

经验教训表明，外生冲击(即风险源头)往往只是引起部分机构遭受损失的导火索，而机构间的关联会使得损失在不同机构间、不同行业间相互传染，从而放大前者对金融系统的破坏力与影响力，甚至可能进一步引发系统性危机。所以，在系统性金融风险的形成过程中，其传染性的特征最为明显且时间跨度最大，只考虑冲击造成的直接损失而忽视冲击之后的传染性风险势必会低估系统性金融风险(方意，2016)。同时，近些年来我国金融机构混业经营趋势愈演愈烈，同业业务规模日益扩张，这使得跨行业、跨机构的业务交叉与融合逐渐增多，进一步增加了机构间的风险传染渠道。杨子晖和李东承(2018)发现，我国银行业中的传染性风险已经成为系统性金融风险的重要组成部分，并在过去几年中其占比不断增加。因此，厘清金融机构间风险传染的方向及水平是准确度量并有效防范系统性金融风险的关键所在，对宏观审慎监管框架的建立与完善具有十分重要的意义。

同时，微观审慎监管作为宏观审慎监管的基础，在思路上更加侧重于对单个机构的风险进行监控，从而保证其稳健经营。由于传染性风险的存在，当一家机构陷入极端情形时，那些与其紧密关联的机构的风险水平也会随之显著提升。因此，在度量机构的个体风险时不应仅局限于自身，还须充分考虑金融系统中其他机构所带来的传染效应。对传染性风险的识别，有助于更加准确地度量每个机构面临的风险，从而使微观审慎监管与宏观审慎监管相互协调并互为补充，共同维护金融系统的安全与稳定。

迄今为止，国内外学术界已涌现出大量有关金融机构风险传染的研究成果，这些研究运用不同的模型对传染的水平及方向进行了度量，具有各自的特点及优势。根据使用的数据来划分，其主要可分为两大类：一是基于银行具体业务数据，二是基于金融市场数据。

基于具体业务数据的研究重点考察了由于银行间资产负债业务关联所导致的风险传染，其通常先利用资产负债表中的数据构建关联网络，然后通过模拟的方法测度银行间的风险传染水平。进一步，基于银行具体业务数据构建的关联网络又可细分为直接关联网络模型和间接关联网络模型。

直接关联网络模型主要是通过银行间借贷关联矩阵来构建，由于大多数国家的银行报表仅披露同业资产和负债的总量，所以以往研究通常利用最大熵方法估计银行的双边敞口。直接关联网络模型可以捕捉到银行间同业拆借市场上的违约级联(default cascade)导致的风险传染，一家银行的传染性水平取决于其倒闭后所引发的银行破产数量以及整个银行部门的资产损失，其代表性的研究者有 Upper和 Worms(2004)、廉永辉(2016)、方意(2016)。部分学者则认为其刻画的传染力度较小，与金融危机期间出现的银行倒闭风潮并不相符(Upper，2011；Glasserman和 Young，2015)。同时，间接关联网络模型基于各家银行报表中贷款资产的比例及其流动性折扣来构建。其主要考察当一家银行受到冲击后，该银行出于内生杠杆要求和外生监管约束等原因而进行的非流动性资产降价抛售(fire sales)如何影响金融系统内持有相似资产的其他银行，其代表性的研究者有 Duarte和 Eisenbach(2013)、Greenwood等(2015)、方意和郑子文(2016)、方意和黄丽灵(2019)。

上述研究的优势在于具有较好的理论基础，从而能刻画风险传染的机制和渠道，并给出系统性金融风险的形成原因。但是，金融机构间的关联形式多种多样，而这些模型都建立在某一特定的关联形式上来研究机构间的风险传染，故不能将错综复杂的金融风险网络全部呈现出来。而且，金融机构具体业务数据的频率较低，具有一定的滞后性，无法及时地评估出机构间的风险传染水平(李政等，2019a、2019c)。

基于金融市场数据的研究则采用金融机构的股票、信用违约互换等市场价格来考察金融机构的风险传染。根据不同的度量思路，其研究大体上可分为三类。

第一类，通过尾部依赖性度量单个机构对金融系统或者金融系统对机构的影响，其代表性的研究者有 Adrian和 Brunnermeier(2016)、Acharya等(2017)、Brownlees和Engle(2017)、White等(2015)、李政等(2019d)。这类方法可以在整体上测度一家机构对金融系统的风险溢出水平或者风险承担水平，但由于忽略了风险传导的网络效应，其无法识别出风险在金融系统内部的具体传染路径。

第二类，采用 VAR模型的格兰杰因果检验和预测误差方差分解等方法建立关联网络，然后通过复杂网络分析的中心性(centrality)和密度(density)等指标衡量单个机构和整个金融系统内的溢出水平，代表性的成果有 Billio等(2012)、李政等(2016)、Diebold和 Yilmaz(2014)、Yang和 Zhou(2013)、胡利琴等(2018)的研究。根据所选择变量的不同，这类方法可以研究机构在收益率层面的信息溢出以及波动率层面的风险溢出，而系统性金融风险更加关注机构在极端情形下的尾部风险溢出。

第三类，同时利用分位数回归以及LASSO(Least Absolute Shrinkage and Selection Operator)、SIM(Singal-Index Model)等变量选择技术建立极端风险网络，其代表性的研究者有 Hautsch等(2015)、Härdle等(2016)、蒋海和张锦意(2018)、李政等(2019b、2019c)。一方面，分位数回归可以度量金融机构在尾部层面的极端风险溢出水平，其结果更具有现实意义；另一方面，变量选择技术可以对数据进行有效降维，从而使我们能够在机构数目众多的金融系统中准确地识别出机构间的风险传染关系，以此来捕捉风险传染的网络效应。因此，这类研究弥补了上述两类研究在方法上的缺陷。同时，由于使用高频、前瞻的市场数据，基于金融市场数据的研究克服了业务数据频率较低所带来的滞后性，充分考虑到金融机构间各种关联形式所导致的风险传染，可以更加准确地衡量单个机构在金融网络中的地位。

有鉴于此，本文尝试在上述研究的基础上做一个有益的补充。本文的创新与贡献主要体现在以下两个方面：一是，借鉴 Hautsch等(2015)的方法，使用我国上市金融机构的股票收益率与资产负债表数据进行 LASSO分位数回归，以此建立金融系统的极端风险网络。在此基础上，本文构建了传染性、脆弱性等指标并分析其与机构个体特征的关系，从而得到该网络中风险传染的水平及路径。这不仅有助于全面测度一家机构所面临的风险水平，还能更加深刻地理解风险的传染放大机制，从而科学有效地防范或化解系统性金融风险。二是，考虑到金融机构的系统性风险贡献会受到自身特征变量的影响，我们对 Adrian和 Brunnermeier(2016)提出的ΔCoVaR进行了改进，使得系统性风险水平的估计结果更加准确。同时，本文考察了不同时期下金融机构的系统性风险贡献与其传染性、脆弱性的关系，这有助于在不同市场条件下对系统性风险较高的机构进行识别，从而可以动态排查机构风险隐患，防止其陷入危机后对金融系统造成破坏性影响。

二、研究方法

（一）单个机构的风险价值VaR与机构间极端风险网络

2008年全球金融危机表明，金融机构间资产以及信用头寸的相互关联会使得单个机构的风险剧增，最终演变成系统性的危机事件并严重影响整个金融系统的安全与稳定(Hautsch等，2015；蒋海和张锦意，2018)。因此，监管机构在衡量单个机构的风险时，不仅需要考虑该机构自身的异质风险和市场风险，还应考虑由于其他机构的损失所引起的风险溢出。

我们用金融机构的风险价值(Value at Risk，VaR)来衡量该机构的风险，它可以表示该机构在1-q%置信水平下的最大可能损失(李政等，2018)。在t时刻给定一系列风险驱动因素，金融机构i的收益率在q%水平上的风险价值为，它满足：

我们利用线性分位数回归来估计单个机构的风险价值VaR：

LASSO是一种数据驱动方法，通过在目标函数加上系数的ℓ1范数来对估计系数进行约束，其中最重要的一步是惩罚项λ的选取。本文采用 Belloni和Chernozhukov(2011)提出的方法来确定惩罚项λ的数值，并用筛选后的变量进行分位数回归，他们证明所得到的估计(post-LASSO estimate)可以较好地反映出真实模型。

首先，我们选取T个独立同分布于U(0,1)的随机数 u1, u2,…,uT。

然后，计算随机变量iΛ：

最后，将上述过程重复500次，计算其1-α分位数，最终得到惩罚项iλ，可表示为：

其中，α的选取需在惩罚项约束与置信度两个问题上进行权衡，在实际中我们一般选择α=0.1；c是一个固定的常数，它的选择可以根据估计模型的回测结果来确定。

最终，我们得到式(2)的估计结果：

值得注意的是，有许多经济原因会导致机构i的风险在其他机构遭受损失时增加。虽然无法识别出具体原因，但是通过在潜在风险因素中加入机构特征变量与宏观经济状态变量，本文排除了由于股市高波动率、流动性风险、利率风险以及信贷质量下滑等因素所导致的两者间相关性。总结现有文献，当一家机构陷入损失时，风险会通过以下五种渠道外溢。

其一，资产负债渠道。在日常交易中，各机构会通过业务往来形成复杂的债务债权关系，使其资产负债表相互关联。当一家机构遭受损失时，该机构的资产负债表恶化，这势必也会引起相关机构资产的恶化，使它们面临的风险增加。严重时，一家机构的违约会影响众多机构的债务偿还能力，甚至导致它们同时出现违约，产生“多米诺骨牌”效应。

其二，资产组合调整渠道。金融机构通常持有大量相似的资产，这一方面可以减少其他机构引起的负外部性(Acharya，2009)，另一方面也可以享受到“太多以至于不能倒闭”(too many to fail)的政府救助(Acharya和Yorulmazer，2008)。但是，这在某种程度上也增加了风险外溢的水平。当一家机构遭受损失时，为满足保证金需求，该机构会减少持有资产的头寸以进行“去杠杆”。这不仅会压低资产的市场价格，同时也会使市场上的流动性短缺，从而使其他机构面临的风险进一步增加。在极端情况下，这还会使“损失螺旋”伴随着“保证金螺旋”同时发生(Brunnermeier和Pedersen，2009)。

其三，支付清算渠道。由于不同机构的客户间存在债权债务关系，机构间需要进行支付与清算。同时，每日差额结算制度一方面使机构持有更低的保证金，另一方面也使机构暴露在交易对手风险下(Freixas和 Parigi，1998)。交易可能涉及现金的交割或者实物资产的转移，当一家机构遭受损失时，该机构可能无法在合约约定的时间内遵守合同条款，使交易对手无法及时收回资金，从而导致其他机构面临的风险增加。

其四，融资风险渠道。金融机构通常会在银行间市场上相互拆借短期资金。其中，有些机构会在市场上充当潜在的资金供给方，为其他机构提供流动性，当外来冲击使它们遭受损失时，这些机构会提前收回同业资产并缩减其同业拆借的数量。这导致资金需求机构的融资渠道减少，负债端流动性挤兑，迫使其卖出资产并遭受降价抛售成本损失，面临的风险增加(方意，2016)。

其五，公众信心渠道。由于市场信息的不对称性以及投资者的非理性羊群效应，一家机构遭受损失会引起市场参与者的信心丧失和心理恐慌(Yehning，1999)。严重时，这甚至会导致“挤兑”现象发生，从而使其他机构面临的风险增加。

最后，需要指出的是，当一家机构遭受损失时，上述5种风险传染渠道常常交织在一起，无法将它们精确地区分开来，从而单独研究某一种或者几种风险传染渠道是不全面的。

为了衡量单个金融机构在极端风险网络中对其他机构风险传染的水平及其抵抗风险传染的能力，本文构建了单个金融机构的传染性指数(Contagious Index，CI)和脆弱性指数(Vulnerable Index，VI)，计算公式分别为：

传染性指数(CI)衡量了当机构i处在极端条件时，单位资本损失每增加1%而使其他机构总资本的风险价值上升的程度；脆弱性指数(VI)衡量了当其他机构处在极端条件时其单位资本损失每增加1%而使该机构单位资本的风险价值上升的程度。这样，传染性较高的机构在发生损失时向其他机构溢出的风险较多，而脆弱性较高的机构抵抗其他机构风险溢出的能力较弱。

为了衡量行业间和行业内的风险传染水平，现提出行业传染性指数(Industry Contagious Index，ICI)，计算公式为：

ICII→J与ICII→I分别衡量了当行业I中机构处在极端条件下其单位资本损失每增加 1%而使行业J与行业I总资本的风险价值上升的程度。因此，前者可以反映行业I对行业J的风险溢出水平；后者可以反映行业I内部的风险溢出水平①由于不同行业中机构数量不同，为了横向比较行业风险传染水平，我们分别除以行业和行业中机构的数量和。。

（二）金融机构的系统性风险贡献

基于极端风险网络计算的传染性指数和脆弱性指数，可以用来测度机构间的风险溢出水平，但它无法从整体上度量该机构对金融系统的风险贡献。为了解决这一问题，接下来我们采用 Adrian和 Brunnermeier(2016)提出的ΔCoVaR指标并对其进行改进，以此来考察单个金融机构的系统性风险贡献水平。

式(13)右侧两项分别表示当机构i遭受极端损失和处于正常状态时金融系统的风险价值；两项相减表示，机构i从正常状态到极端状态时使得整个金融系统风险价值上升的水平。因此，可用来衡量机构i在t时刻的系统性风险贡献。

进一步地，考虑到机构i的规模、杠杆率等特征变量的变化可能改变机构对金融系统的影响系数，即可能会随着特征变量的变化而变化，于是有：

因此，式(12)可改写为：

最后，根据式(13)，系统性风险贡献可由下式计算①为了更精确地计算 Δ C oVa，我们借鉴Chen等(2008)提出的一个调整后的自助方法(wild bootstrap produce)来检验机构对金融系统的影响系数是否具有时变效应，如果该系数不随其特征变量变化，则令= 0 。：

其中，在正常情况下，其他机构的收益率未处于极端状态，机构间不会发生风险传染，此时机构的收益率取决于机构自身特征、上期收益率以及宏观经济状态变量，从而采用分位数回归估计机构i的

（三）样本与指标变量的选取

本文的研究对象为我国上市金融机构，由于股票价格可以综合反映宏观经济形势、金融机构的经营情况以及资产负债表质量，故本文选取后复权收盘价计算得到的股票收益率作为机构收益率②一些研究表明，自2005—2006年股权分置改革以来，中国股市有效性不断提升(Wang等，2010)，因而基于股票市场价格数据度量金融机构系统性风险的方法是可取的。。鉴于机构的上市时间不一，本文将研究样本确定为在2011年之前已经上市的金融机构，样本区间为 2011年1月1日至2017年 12月31日，数据频率为周频。选择的样本机构与李政等(2019c)相同，共计 31家金融机构，其中商业银行16家、证券公司12家以及保险公司3家，并根据31家金融机构的市值将其股票收益率进行加权来计算金融系统的收益率。

本文选取了 7个宏观经济状态变量Mt-1和 4个机构特征变量。7个宏观经济状态变量Mt-1分别是股票市场收益率(Market return)、股票市场波动率(Market volatility)、TED利差(TED spread)、收益率变动(Yield change)、信用利差变动(Credit spread change)、期限利差变动(Term spread change)、房地产超额收益(Real estate excess return)；4个机构特征变量分别为规模(Size)、杠杆率(Lev)、期限错配(MMM)、账面市值比(BM)，状态变量和特征变量的计算方法与李政等(2019c、2019d)的研究一致。本文的数据均来自Wind数据库，季度数据经由三次样条插值转化为周频。

三、实证分析结果

（一）金融机构的风险价值与其自身风险

1. 单个机构的风险价值

表1给出了4家代表性金融机构风险价值的估计结果，这4家机构分别属于大型商业银行、全国性股份制商业银行、证券公司以及保险公司。首先，根据分位数回归结果可知，影响金融机构风险价值的大部分变量是其他机构的超额损失而不是宏观经济状态变量，这说明机构间的风险传染确实存在且十分明显。其次，从表1中挑选出的变量可以看出，相同行业、相似规模以及相似经营模式的金融机构之间多存在风险传染。其原因在于，这些金融机构之间业务往来频繁而密切，并且它们的资产负债来源、业务种类、经营模式具有较高的相似性，这使得上述机构以直接或间接的方式相互连通，当其中一家机构遭受损失时，风险会通过资产负债渠道、资产组合调整渠道、支付清算渠道以及公众信心渠道等多种方式向其他机构溢出。

以招商银行为例，由表1可以看出，招商银行的异质风险除了由自身业务种类、经营模式等因素决定外(反映在截距项的系数上)，也会受其规模与前一期收益率影响；其市场风险则主要受房地产部门收益率影响。此外，大型商业银行与股份制银行等金融机构的超额损失也会导致招商银行风险水平的上升，即传染性风险。同时，图1给出了其风险价值与自身风险①为便于观察，将自身风险与风险价值取相反数，使它们在样本期内为正数。在样本期内的动态变化。由图1可知，招商银行的自身风险在样本区间内无明显的变化趋势；同时，相关金融机构的极端损失会使其风险价值显著提升。比如，在2013年“钱荒”与2015年“股灾危机”期间，多家商业银行发生超额损失，通过上文所述的风险传染渠道，致使招商银行面临的风险大幅增加。值得一提的是，图1也给出了采用Adrian和Brunnermeier(2016)的方法仅通过宏观经济状态变量估计得到的 VaR。可观察到，采用 AB分位数回归得到的风险价值在“钱荒”时期并没有显著上升，并且在“股灾危机”时期与“股市熔断”时期小幅上升后缓慢回落，这些均不能反映出现实情况。

表1 单个机构风险价值的估计

续表1

图1 招商银行的自身风险与风险价值

进一步地，表2给出了使用上述两种估计的DQ检验结果。从其中可以明显看出，使用LASSO分位数回归进行估计所得到的p值远高于仅使用宏观经济状态变量进行估计得到的 p值，这说明前者具有更好的拟合优度。事实上，Adrian和Brunnermeier(2016)使用宏观经济状态变量Mt-1来估计，只是为了得到随时间变化的的联合分布，而并没有说Mt-1是单个金融机构的风险驱动因素；相反，我们将宏观经济状态变量、机构特征变量以及其他机构超额损失视为潜在风险驱动因素，采用数据驱动方法来识别单个机构的风险驱动因素，由此估计各自的会更加准确。

表2 两种方法检验结果的比较

2. 金融机构的自身风险

金融机构的自身风险反映了该机构在日常经营管理中由自身所引起的风险，对其进行有效监控可以保障机构稳健地经营，这是微观审慎监管的关注重点。表 3给出了我国 31家金融机构在样本期间内自身风险与特征变量的平均水平，其中自身风险是由式(6)的前两项得到。首先，可以看出证券公司的自身风险最高，商业银行的自身风险远小于证券公司与保险公司。这是由商业银行的经营方式与业务特点所决定的。众所周知，商业银行最主要的职能是通过吸收存款将社会上闲置的货币资本贷放给资金需求方，从而起到融通资金的信用中介作用，其主要的业务范围是吸收公众存款、发放贷款以及办理票据贴现等中间业务，在经营上兼顾安全性、流动性和盈利性；而证券公司除了在证券市场上充当中介机构外还是市场上的重要投资人，其主要业务不仅包括传统的经纪类业务、投资咨询业务、证券承销与保荐业务，还包括具有更高风险的资产管理类业务、融资融券业务、自营业务等，因此具有较高的自身风险。其次，五家大型商业银行的自身风险最低，平均水平为-1.4858，远低于全国性股份制商业银行与城市商业银行，后两者的平均水分别为-2.2479与-2.3087。其原因可能在于，大型商业银行的国有股权占比较高，国有股权会使得商业银行内部偏好谨慎、稳健的商业模式和风险文化(梁琪和余峰燕，2014；李政等，2019c)，从而其在日常经营中更加注重在减少风险的前提下获取收益，总资产增长率与利润增长率远低于其他银行。同时，其较大的规模也使得大型银行受到更为严格的监管。根据2017年度各商业银行财务报表，大型商业银行和全国性股份制银行的平均营业利润增长率分别为 1.09%和 2.34%，而平均净资本充足率分别为14.51%和12.56%。

由式(6)可知，自身风险只能反映金融机构日常经营的风险和其持有资产所面临的市场风险，其缺陷在于没有考虑到由金融机构之间关联性所导致的传染性风险。传染性风险不仅会使一家机构的风险由于其他机构遭受损失而大幅增加，同时也会使其影响金融系统内的其他机构。为了度量金融机构间的风险传染水平，接下来本文构建机构间的极端风险网络，采用传染性指数和脆弱性指数研究单个金融机构在网络中的角色与地位，并度量机构的系统性风险贡献。

表3 我国31家金融机构自身风险与其特征变量的平均水平

（二）传染性风险与极端风险网络

本文将所有金融机构作为网络的节点，根据 LASSO分位数回归的估计结果构建极端风险网络。图2给出了基于Fruchterman-Reingold算法所生成的网络图。其中，节点的大小表示该机构的规模；节点的形状表示该机构所属的行业；节点间箭头越粗、线条越粗表示影响越大①数据之间的相关性会使得极少数为负数，由于这没有实际含义，本文在网络中删去了相应的箭头。。该算法会使网络图中的总箭头长度最小，从而风险溢出较为密集的机构聚集在一起，从图中可以看出，银行、证券、保险三个行业之间具有明显的划分。这说明，行业内的风险传染水平高于行业间的风险传染水平。接下来，本文采用上文所定义的指标来分析该极端风险网络。

图2 我国31家上市金融机构的极端风险网络

1. 金融机构的传染性与脆弱性

对于银行业，不同类型商业银行的传染性与脆弱性差异较为明显。一方面，大型商业银行的传染性水平高于绝大多数全国性股份制商业银行。这与实际情况相符，大型商业银行规模较大，从资产规模、负债规模、中间业务来看，其都占有绝对的主体地位，加之具有国家信用的支持，大型商业银行的一举一动都会对整个金融系统产生影响。此外，少数股份制银行，如招商银行、民生银行、兴业银行，传染性水平较高且超过了大型商业银行。由表 3可知，这些机构在样本期内具有较高的期限错配水平。比如，招商银行和兴业银行是期限错配水平最高的两家商业银行。这意味着这些机构的负债流动性不足、短期负债比例过高，从而它们一旦遭受损失，损失会通过资产负债渠道与支付清算渠道将风险大量溢出至其他机构。

另一方面，全国性股份制银行的脆弱性水平高于大型商业银行与城市商业银行。其中，股份制银行、大型商业银行与城市商业银行平均脆弱性分别为 1.514、1.186与1.16，这在一定程度上说明后两者具有较高抵御风险的能力。这与《中国金融稳定报告(2016)》中关于银行业压力测试的结果一致①该报告表明在信用风险、市场风险与流动性风险等不同风险来源以及不同强度的冲击下，大型商业银行的净资本充足率和净息差等指标均优于中型商业银行，这意味着大型商业银行的脆弱性较低，具有更高抵御风险的能力。。其原因如下：一是，股份制商业银行参与银银、银信、银证、银基等创新型同业业务较多，与系统内其他金融机构具有过多的交叉业务。比如，根据方意(2016)的测算，股份制商业银行的银行间资产占比与银行间负债占比均远远高于大型商业银行。因此，一旦其他机构遭受损失，作为交易对手，股份制银行的风险会大幅增加。二是，相比股份制银行，大型商业银行具有更低的杠杆率，杠杆率越低意味着资本相对充足。当遭受到冲击时，这些银行可能无需通过去杠杆来满足法定资本充足率要求，进而无需支付降价抛售的成本。相反，股份制银行的杠杆率水平较高，其风险会大幅增加。特别是华夏银行、兴业银行，作为杠杆率最高的两家银行，其脆弱性也处在较高水平。

对于证券业，证券公司的传染性与脆弱性水平分别取决于不同的机构特征。一方面，与商业银行类似，证券公司的期限错配水平越高、规模越大，其传染性水平越高。比如，根据表3可知兴业证券为期限错配水平最高的证券公司，而海通证券、华泰证券和广发证券是除中信证券外 3家规模最大的证券公司。相比其他证券公司，当它们的损失增加时，其他机构风险上升的程度会更高。此外，与商业银行相比，各证券公司的传染性水平差异较小且普遍较低。这可能是由于我国证券公司业务结构、经营模式相似且风险传染多发生在相对规模较小的证券行业内部。另一方面，证券公司的净资本②证券公司的净资本是指根据公司的业务范围和公司资产负债的流动性特点，在净资产的基础上对资产负债等项目和有关业务进行风险调整后得出的综合性风险控制指标。根据证监会颁布的《证券公司风险控制指标管理办法(2016年修订)》，净资本=净资产-金融资产的风险调整-其他资产的风险调整-或有负债的风险调整-/+中国证监会认定或核准的其他调整项目。是影响其脆弱性水平的重要因素。脆弱性最高的5家证券公司，除华泰证券外，均是净资本水平非常低的证券公司。同时，对证券公司在样本区间内的净资本平均水平与脆弱性计算 Spearman等级相关系数，结果为-0.4685，在 10%水平下是显著的③由于篇幅限制，本文没有给出证券公司净资本在样本区间内的平均水平与排名。。这说明，证券公司的净资本水平越低，其脆弱性水平越高。其原因在于，证券公司如果具有较高的净资本水平，意味着该公司持有大量充足的流动性资产，可以满足紧急需要并且抵御潜在损失所引起的风险，因而其脆弱性较低。

对于保险业，传染性水平和脆弱性水平具有不对称性且不同保险公司的传染性水平与脆弱性水平差异较大。三家保险公司的传染性从大到小排名依次是中国太保、中国人寿、中国平安，这与它们期限错配的排名一致，说明短期负债占比越多的保险公司，在遭受超额损失时，负债流动性风险越大，向其他机构溢出的风险更多。脆弱性从大到小排名依次是中国平安、中国人寿、中国太保，这可能是由于它们在经营模式和业务种类上的差异所造成的。中国太保与中国人寿的业务主要以寿险、产险以及健康险为主；而中国平安是综合金融保险公司，主要业务种类覆盖寿险、健康险、财产险、保险资金投资组合、银行业务、资产管理业务等。与其他两家机构相比，中国平安与商业银行、证券公司之间的业务联系更为紧密，因此受其他机构影响较大。

表4 我国31家金融机构传染性指数(CI)和脆弱性指数(VI)

在三大行业中，期限错配水平较高或者规模较大的机构均具有较高的传染性水平。进一步对31家金融机构的传染性与规模、期限错配计算Spearman等级相关系数，结果分别为0.4588和0.4431，在1%水平下均为显著的正相关，与上文结论一致。这表明，期限错配越高、规模越大的机构传染性越高。此外，计算 31家上市金融机构的传染性和脆弱性的Spearman等级相关系数，结果为-0.2524，这在5%的水平下不显著，但在 10%的水平下显著。这表明，我国金融机构在传染性与脆弱性之间存在一定的错配现象。根据上文可知，对于一家传染性与脆弱性水平均较高的机构，当其他机构受到冲击后，该机构风险会大幅增加。一旦该机构因此遭受严重损失，其较高的传染性又会引起其他机构的风险显著提升，从而将冲击进一步放大，导致更大范围的损失。相反，如果金融机构的脆弱性与传染性存在错配，可在一定程度上阻止损失的进一步上升，从而有利于金融系统的稳定性(李政等，2019d)。所以，一方面，在银行业内部，部分股份制银行，如民生银行、兴业银行和招商银行，传染性与脆弱性均很高，应得到监管部门的重点关注。另一方面，我国金融机构在传染性与脆弱性之间存在一定的错配效应，尤其是证券业在金融系统内传染性较低而脆弱性较高。这从某种程度上说明，我国金融系统具有相对的稳定性。

2. 行业风险传染水平

表 5和表 6分别给出了银行、证券、保险之间以及不同类型商业银行之间的风险溢出水平。其中，列代表风险发出的行业，行代表风险接收的行业。观察表5和表6不难发现：行业内部的风险溢出水平远高于行业间；同类型银行间的风险溢出远高于不同类型银行间的风险溢出，这与表1得出的结论一致。

表5 行业间与行业内部传染性指数

表6 不同类型银行间与同一类型银行内部传染性指数

由表5可知，不同行业间的风险溢出水平具有不对称性。首先，商业银行对证券公司的风险溢出水平明显高于后者对前者的风险溢出。如果考虑到相比商业银行，证券公司的规模较小，则不对称现象更加明显。本文认为原因如下：(1)近年来，银证合作以券商资产管理通道类业务为主，银行在其中起主导作用，可以主动做出应对。当银行遭受损失、流动性收缩时或是证券公司遭受损失时，银行可以主动停止其与证券公司的业务合作，从而银行在有效预防风险流入的同时也溢出了更多的风险(陈建青等，2015)。(2)我国证券公司融资渠道有限，大部分短期资金通过银行间市场回购交易获得。作为银行间市场上的交易主体，当银行遭受冲击后，损失必然会通过融资风险渠道向证券公司溢出。其次，商业银行对保险公司的风险溢出水平明显高于后者对前者的风险溢出。一方面，近些年来保险公司投资余额增长较快，投资银行业比重过大①保监会统计资料显示，2016年保险公司投资金额为13.4万亿元，同比增长19.78%，其中股票和证券投资基金1.8万亿元，占比12.3%；银行存款和其他投资为7.3万亿元，占比43.11%。。同时，《保险公司资本保证金管理办法》规定保险公司的资本保证金应当存放到两家(含)以上商业银行中。另一方面，当前，银行利用其零售柜台代理销售保险产品已经成为保险公司销售其产品的重要渠道。2015年银保渠道保费收入为6617.2亿元，占当年寿险保费收入的比重达到 49.97%。在银保合作中，银行处于绝对优势地位(郭金龙等，2007)且产品主要是以分红险为代表的投资型保险，侧重于储蓄和投资功能。因此，银行在遭受损失或主动减少合作时，风险会通过资产负债渠道以及公众信心渠道向保险公司溢出，进一步导致保费收入、投资收益“双下降”的现象。

值得注意的是，相对于证券公司，商业银行与保险公司之间的双向风险溢出更为明显，这与严伟祥和徐玉华(2017)的结论一致。因此，监管当局应重点关注上述两个行业之间的交叉风险传染，当一方发生损失时，及时切断风险传染渠道，避免损失的进一步扩散。

同时，由表6可知，在银行业内部，不同类型的银行之间风险溢出水平具有不对称性：大型商业银行对城商行和全国性股份制银行的风险溢出水平高于后者对前者的风险溢出水平。这与上文得出的结论一致，一定程度上体现了大型银行在银行业内部具有较高的传染性。此外，城商行对股份制银行具有较高水平的风险溢出。部分学者发现城商行是银行间市场上主要的资金需求方且股份制银行的拆出资金除自身外主要流向城商行(张一林等，2017；范宏和刘晓颖，2018)。如 2012年，城市商业银行在银行间市场融入资金已占到总资金的 40%以上，而融出比例不足 20%(赵南岳，2013)。这意味着，当后者遭受损失时，风险会通过资产负债渠道大量向股份制银行溢出。

（三）单个机构的系统性风险贡献

1. 单个机构系统性风险贡献的动态变化

图 3给出了工商银行与太平洋证券在样本期内的系统性风险贡献。需要指出的是，通过自助法检验显著性可知，太平洋证券的系数满足式(14)，即该系数会随着机构特征变量的变化而变化，而工商银行的系数在样本期内是固定不变的。

2011年上半年，央行为加强流动性管理，控制信贷总量，利用法定存款准备金冻结金融系统内过多的流动性，分别5次上调存款准备金率累计2.5个百分点。同时，为稳定通货膨胀预期，保持合理的融资规模，又分别在2月、4月、7月3次上调存贷款基准利率。其中，一年期存贷款基准利率累计上调 0.75个百分点。这无疑会使金融机构的流动性风险增加，进而带动其系统性风险上升。下半年，过剩的货币流动性得到控制，商业银行贷款期限结构有所改善，工商银行资本充足率上升，不良贷款率下降，从而系统性风险有所下降。同时，由于证券公司自营业务严重亏损、佣金率的下降以及欧洲主权债务危机对我国股市的影响，上市券商的业绩在这一年集体下滑。根据《中国金融行业分析报告(2011年4季度)》，截至11月份，全国109家证券公司实现净利润343亿元，仅相当于 2010年全行业净利润的 44.2%，其中，太平洋证券的营业利润比去年同期下降17.50%，这导致其具有较高的系统性风险水平。

2012年，为释放银行体系中的流动性，缓解市场资金紧张压力，中央银行分别在2月、5月连续下调金融机构存款准备金率 0.5个百分点，这使得银行具备较高的流动性。然而，在7月进行的非对称降息压缩了商业银行的利润空间，使银行面临利率市场化压力。加之，第三季度银行业不良贷款率上升，资产质量下降。这些使得工商银行较低的系统性风险在年中短暂升高。同时，由于股票交易量萎缩，经纪业务收入下降，这一年前三季度证券公司业绩集体不振，且内部分化明显，其中太平洋证券业绩同比下降 93%，居于跌幅首位。在第四季度，资产管理、融资融券和期货业务等创新型业务的扩张带动了证券公司业绩上升，为证券公司的发展提供了较大的增长空间。这些使得太平洋证券的系统性风险在前三季度保持较高水平而年末开始下降。

2013年初，商业银行不良贷款率又开始上升。6月份，由于美国退出量化宽松政策，在年初大量涌入的国际热钱出逃，加之监管政策的加强，我国货币供给量增速环比下降，引起“钱荒”事件，同业拆放利率急剧升高。然而，央行对此一反常态，没有如市场预期般动用短期流动性调节工具(SLO)，反而按期发行20亿元央行票据。这使部分银行不得不取消了贷款利率优惠，金融机构面对的流动性风险大幅上升，致使其具有较高的系统性风险。在第三季度，融资融券业务不断扩张，自营业务投资收益也持续上升。这些使得包括太平洋证券在内的证券公司营业收入大幅增加，系统性风险一路下降。12月份，受财政收支的影响，市场流动性紧缩，同业拆放利率再次一路飙升，“钱荒”事件又一次发生。但是，由于央行紧急利用 SLO向市场注入超过 3000亿元流动性，并且重新使用逆回购来缓解市场压力，同业拆放利率迅速回落，此次“钱荒”对商业银行所产生的影响不大且没有影响到其他行业的金融机构。

2014年上半年，货币总量增速显著上升，银行体系内的流动性保持在合理的水平，各金融机构存贷款平稳增长且贷款结构有所改善，金融市场平稳运行。下半年，融资融券的规模开始爆发式增长，银行理财资金通过通道类业务和伞形信托等方式进行场外配资，金融体系系统性风险开始聚集。此外，11月央行再次进行非对称降息，这一举动在减少社会融资成本的同时，也使得商业银行的利息收入大幅下降，对其经营提出了较大挑战。这些使得该两家机构的系统性风险在年末开始上升。

2015年上半年，证监会对部分融资业务违规的证券公司进行处罚并对其余证券公司进行大规模检查，引发了市场对高杠杆资金以及监管当局清理配资业务的极度恐慌，金融机构系统性风险进一步上升①2015年4月16日，证监会强调证券公司不得以任何形式参与场外配资、伞形信托等活动，不得为之提供数据端口等服务或便利。5月22日，证监会内部通知要求券商全面自查自纠场外配资相关业务。。6月份，监管部门加大力度清理场外配资，致使杠杆资金高位去杠杆，股价下跌。进一步地，证券机构与银行资金等次级杠杆类资金亏损，被强制平仓出局，引发资产抛售如潮，股市断崖式下跌。部分商业银行系统性风险急剧增加，其通过配资及“两融”通道进入股市的资金可能无法全额收回，进而出现大规模坏账，对实体经济造成影响。在此期间，截止 8月末，上证指数经过两轮断崖式下跌，从 5178.19点暴跌至 2850.37点，累计 11天出现“千股跌停”现象，两市市值减少近33万亿，日均交易总额下降近40%。这无疑会影响包括太平洋证券在内的证券公司经纪类业务、自营业务以及融资业务等，增加其面临的风险。根据证券行业报告，7月上市证券公司平均净利润下滑 52%，而太平洋证券作为亏损最严重的证券公司，跌幅达170%。这些使太平洋证券的系统性风险大幅增加，甚至超过工商银行等大型商业银行。9月末，监管当局清理场外配资接近尾声，融资融券规模从 22000亿元下降至10000亿元以下，加之央行利用“双降”来为市场提供流动性，使得各机构系统性风险在释放后保持较低水平。2016—2017年，商业银行资产质量逐渐好转，经营状况持续改善，信用风险总体可控。证券公司资产规模不断扩张，业绩水平有所上升，监管力度进一步加强。尽管“股市熔断”与 2016年年底的流动性紧缺使得该两家机构系统性风险短暂上升，但总体来说还处于较低水平。

图3 工商银行与太平洋证券的系统性风险贡献

2. 不同时间段系统性风险贡献排名

在进行截面维度的分析比较时，由于金融机构的系统重要性会随时间变动(梁琪等，2013)，仅考察整个样本区间的系统性风险贡献排名将遗漏重要信息。因此，本文根据我国金融市场的运行状况，将样本区间分为四个不同的时期，进而分析不同市场状态下的系统性风险贡献水平。这四个时期分别为：“钱荒”时期(2013年 6月 17日—2013年7月31日)、“平静”时期(2013年8月1日—2014年6月30日)、“风险聚集”时期(2014年7月1日—2015年6月15日)以及“股灾危机”时期(2015年6月15日—2015年9月30日)。表7给出了我国31家金融机构在上述四个时期的系统性风险贡献水平。

表7 不同时期下31家金融机构的系统性风险贡献水平

续表7

首先，纵向比较金融机构在不同时期下的系统性风险贡献，可以看出：相对于“平静”时期，各机构的系统性风险贡献水平在“钱荒”和“股灾危机”时期显著上升而在“风险聚集”时期小幅增加，这与图 3观察到的结论一致。这表明，金融机构的系统性风险水平具有明显的顺周期性，会随着极端情况的出现而迅速上升。

其次，横向比较各个行业：在前三个时期，商业银行与保险公司的系统性风险贡献明显高于证券公司，而在“股灾危机”时期，后者却高于前者。由上文可知，商业银行与保险公司的传染性水平均高于证券公司，这使得它们在前三个时期的系统性风险也处于较高水平。当危机爆发时，商业银行普遍遭受超额损失，风险向证券公司大量溢出，证券公司融资渠道变窄，导致证券公司接受的传染性风险骤然增加。加之其较高的自身风险，证券公司的风险远远高于其他机构，一旦损失实际发生，将危及整个金融系统，故而其在危机中具有较高的系统性风险。根据华泰证券的研究报告显示，2015年上半年，股票市场中场外配资规模在3.3万亿元左右，其中银行理财资金流入场内的两融融资和场外配资的总额约为1.6万亿元，占股市融资规模的50%左右。当监管部门突然加大力度查处高杠杆配资业务时，配资公司迅速将高杠杆资金撤出股市，这导致股市抛售如潮，股价急剧下跌，从而进一步引发次级杠杆资金的强制平仓，最终形成恶性循环。在此过程中，证券公司遭受的损失不断加重，面临的风险日益增加，导致其较高的系统性风险水平。

值得注意的是，保险行业在“平静”和“风险聚集”时期的系统性风险水平均高于其他两个行业。部分学者认为，由于保险公司和其他行业风险性质不同、与支付系统没有直接联系以及其负债主要为周期较长的理赔准备金等一系列原因，保险业的经营失败难以产生系统性风险(郭金龙和赵强，2014)。相反，本文认为由于与商业银行之间存在较高水平的风险溢出，保险公司同样具有较高的系统性风险贡献，因此在衡量机构的系统性风险水平时不应只将重点放在银行与证券行业。

再次，在不同时期下，金融机构的系统性风险贡献排名具有一定差异。对 31家上市金融机构在不同时期的ΔCoVaR计算 Spearman等级相关系数，结果显示：各机构在“股灾危机”时期的系统性风险贡献水平与其在“平静”时期的水平负相关，与其在“风险聚集”时期的水平正相关，它们分别在 10%与 1%的水平下显著。前者意味着，那些在“平静”时期系统性风险贡献相对较低的机构，在危机发生时反而具有较高的系统性风险贡献。其后者意味着，在“风险聚集”时期，各机构的系统性风险贡献虽小幅上升，但排名与危机爆发时一致。因此，当监管部门发现市场中系统性风险迅速聚集时，应把关注重点从“平静”时期系统性风险较高的机构转移到此时系统性风险较高的机构，一旦危机爆发，后者的系统性风险依旧较高。

进一步，为了识别出在不同时期下哪些机构具有较高的系统性风险水平，分别计算“平静”时期和“股灾危机”时期金融机构的系统性风险贡献与表 4中传染性、脆弱性的 Spearman相关系数。计算后发现：“平静”时期的各机构系统性风险水平与其传染性正相关，与其脆弱性负相关，两者均在 10%的水平下显著。“股灾危机”时期的各机构系统性风险水平与其脆弱性正相关，结果在 5%的水平下显著。这些意味着，传染性较高的机构在“平静”时期具有较高的系统性风险水平；脆弱性较高的机构在“平静”时期系统性风险较低，但在危机时期系统性风险普遍很高。

一方面，正如上文提到，那些传染性较高的机构规模普遍较大或具有较高的期限错配水平，这使得它们在各自行业中份额过大、短期负债比重过高，一旦遭受损失，风险会大量向外溢出，所以这些机构在“平静”时期的系统性风险水平普遍较高。另一方面，脆弱性较高的机构分别为全国性股份制银行、净资本较小的证券公司和业务关联较多的保险公司。由于这些机构普遍具有较低的传染性，它们在“平静”时期具有较低的系统性风险贡献。但是，当危机发生时，其他机构遭受损失，这些机构或是融资渠道变窄，流动性不足①全国性股份制银行营业网点的分布范围远没有大型商业银行和城市商业银行广泛，大多数三、四线城市主要的银行分支机构是大型商业银行和当地的城市商业银行，从而在极端情况下面对更大的流动性风险、高融资成本风险(陈忠阳和刘志洋，2013)。，或是净资本较低，抵抗风险能力不足，或是业务关联较多，导致其受到的传染性风险大幅提高。即使这些机构传染性水平较低，一旦遭受极端损失也会严重影响整个金融系统，故具有较高的系统性风险贡献。

值得一提的是，我们将四个时期的系统性风险贡献与上文表 3中的自身风险分别计算Spearman等级相关系数，其结果在10%的水平下均无显著的相关性。这与李志辉和樊莉(2011)得到的结论一致，即只关注机构自身风险的微观审慎不能有效地识别系统重要性机构，从而防范系统性危机的发生。

最后，通过表 7可以发现，当危机发生后，大型金融机构的系统性风险贡献排名下降，表明这些机构具有“大而不倒”的特性。本文计算金融机构在“股灾危机”时期系统性风险与其规模的 Spearman相关系数，其结果为-0.3008，在 5%水平下显著。这意味着，在危机时期，规模较小的金融机构具有较高的系统性风险贡献，这与Fang等(2018)得到的结论一致。其原因在于：一旦危机发生时，人们认为监管部门会救助那些规模较大、在金融系统中扮演重要角色的机构，以防损失进一步扩散从而危及整个金融行业与实体经济，即“太大而不能倒闭”。因此，这类机构相当于获得了隐性的“政府担保”，故系统性风险水平较低。同时，这些规模较大的机构将风险溢出，使得小型金融机构的风险大幅增加，由于后者没有这种隐性的担保，导致其系统性风险水平反而较高。

四、主要结论与政策建议

本文采用LASSO分位数回归构建了2011—2017年我国31家上市金融机构的极端风险网络，并通过传染性和脆弱性指数测度金融机构的传染性风险水平，考察其在风险网络中的地位与作用。同时，本文进一步采用改进后的ΔCoVaR指标度量单个机构的系统性风险贡献，从时间与截面两个维度对其进行研究分析，并详细考察了风险传染如何影响不同时期下金融机构的系统性风险贡献。

研究发现，首先，我国金融机构的传染性与脆弱性分别取决于不同的特征变量，并且二者在数值上存在一定的错配：规模与期限错配水平是影响机构传染性水平的两个重要因素；而商业银行中的全国性股份制银行、净资本较小的证券公司以及业务关联较多的保险公司具有较高的脆弱性。其次，相同行业以及同种类型机构之间的风险传染现象更加明显。同时，不同金融行业之间以及不同类型的银行之间风险传染水平具有不对称性：银行对证券、保险的风险溢出水平高于反方向的溢出；大型商业银行对全国性股份制银行、城市商业银行的风险溢出大于后者对前者的风险溢出。再次，金融机构的自身风险与其系统性风险贡献水平在统计上并不显著相关；相反，传染性与脆弱性决定了金融机构的系统性风险贡献。在“平静”时期，传染性较高的金融机构系统性风险贡献普遍较高。但是，当危机发生时，脆弱性较高的机构由于其自身特点，接受的传染性风险大幅增加，从而具有较高的系统性风险水平。最后，对于大型金融机构，较高的传染性使其在“平静”时期具有更高的系统性风险贡献，而当危机发生时，由于“大而不倒”问题，这些机构的系统性风险水平反而低于规模较小的机构。

上述结论对如何有效地防范金融系统内部的风险传染以及准确地度量和监控金融机构的系统性风险贡献具有深刻的政策启示，主要体现在以下四个方面：第一，行业内的风险溢出水平远高于行业间的风险溢出水平。因此，监管部门应重点关注不同行业的特定风险传染渠道，制定并采用更具针对性的监管目标和政策工具。第二，合理有效地降低金融机构的传染性与脆弱性水平，以维持金融系统的稳定。一方面，金融机构应在持有更多的流动性资产与无变现障碍资产的同时，增强长期融资的能力并减少“短借长贷”的期限错配现象以降低自身传染性水平；另一方面，监管者应适当降低股份制银行杠杆率水平并限制其过多的交叉业务，强化证券公司以净资本和流动性为核心的风险控制体系，减少保险公司与其他部门过多的业务关联，从而增强上述机构抵御风险的能力。第三，商业银行，尤其是大型商业银行，对金融系统内其他机构的风险传染水平较高，应得到重点关注。同时，还应认识到城市商业银行与全国股份制银行之间以及保险公司与商业银行之间存在较高水平的双向风险传染。因此，监管时应密切关注这些机构间的风险溢出效应，在损失发生的初期及时切断风险传染渠道，防范系统性事件的发生。第四，在金融周期的各个阶段实施不同的监管思路。在“平静”时期，对规模较大或期限错配水平较高的机构，由于其较高的传染性，应要求更高的准备金率和拨备覆盖率以增强吸收非预期损失的能力，从而避免其在遭受损失时发生大范围的风险传染。在经济过度繁荣时期，监管者不仅应警惕其背后潜在的“风险聚集”，还须将关注重点转移到此时系统性风险较高的机构。一旦出现危机，这些机构的系统性风险水平依旧高于其他机构。当危机爆发时，脆弱性较高、规模较小的金融机构具有更高的系统性风险贡献，也应得到政府及时的救助，防止危机进一步加深。