上市公司債務違約對商業銀行的風險溢出效應研究＊

張慶君，馬紅亮

（天津財經大學金融學院，天津300222）

一、引 言

隨著我國經濟從高速增長向高質量發展轉變，轉變發展方式、優化經濟結構和轉換增長動力是當前經濟工作的重要內容。在這一過渡時期，上市公司因不能履行債務支付責任而產生的債務違約問題日益突出，由此可能帶來的風險引起了各界高度關注。從WIND數據庫資料看，近年來我國上市公司債務違約數量和金額均呈現逐漸升高態勢，表明隨著我國宏觀經濟步入調整期，我國上市公司將面臨越來越嚴峻的流動資金不足和債務償還壓力，債務違約可能會愈演愈烈，違約風險也將成為我國金融領域密切關注的重點話題。十九大報告指出“將防范化解重大風險，列為當前全面建成小康社會決勝階段首要解決的問題。”這些債務違約情形極大地影響了我國金融市場穩定，如果金融生態環境惡化及行業約束政策收緊，將加速積累風險暴露，對金融市場和經濟活動進一步造成沖擊，甚至演變成金融危機的導火索。當前企業債務違約研究主要關注于如何通過構建模型預測企業債務違約并降低違約風險，忽視了上市公司在債務違約可能導致破產清算時，股權償付順序低于債權，給投資者造成的巨大損失，因此上市公司債務違約是一項非常嚴重的負面事件。如果上市公司債務違約狀況惡化，資不抵債，甚至破產清算，可能會誘發上市公司相關股價崩盤，造成債券市場風險向商業銀行系統和股票市場跨領域傳遞，一旦股價崩盤觸發大股東股權質押平倉風險，又將進一步加劇股票市場風險，并將更多風險傳遞給商業銀行系統，形成負反饋的連鎖反應。在我國經濟的資源配置中，銀行貸款依然是最重要的外部融資方式，以銀行為主導的金融中介在我國經濟活動中處于重要的樞紐地位。債務違約企業因為自身失去造血功能，其居高不下的負債不僅會加重自身的債務風險，而且因為與眾多銀行存在著千絲萬縷的信貸聯系，可能會將企業的債務違約風險傳導至銀行體系，造成銀行體系的系統性風險，進一步威脅我國經濟體系的健康發展。從這個視角來看，在我國經濟轉型升級的重要階段，研究上市公司債務違約風險對銀行體系的風險關聯和風險溢出日益重要。

研究重點在于考察債務違約上市公司和商業銀行之間因為資金借貸關系而產生的關聯性，以及由此導致上市公司債務違約風險對商業銀行的外溢效應。可能的增量貢獻在于手工篩選了債務違約上市公司的違約數據以及商業銀行的貸款數據，將上市公司債務違約情形，經由借貸關系和金融領域的銀行系統性風險有機結合起來，通過網絡分析方法，找出了處于關鍵節點的債務違約上市公司以及系統重要性銀行，定量研究了債務違約上市公司對這些銀行的風險溢出效應，拓寬了上市公司債務違約和商業銀行系統性風險溢出的研究領域。

二、文獻綜述與機制分析

（一）文獻綜述

鑒于債務違約數據獲取方面的問題，上市公司債務違約的相關研究相對較少，從現有文獻看，主要集中在兩個方面。一個方面關注上市公司債務違約風險預測以及影響因素的分析。Chih 等利用美國工業公司數據，研究了展期風險（Rollover Risk）和債務違約風險之間的關系，他們發現在依賴銀行融資的公司中，債務違約風險和展期風險之間呈現正相關關系。［1］吳世農和盧賢義以陷入財務困境和財務正常上市公司為樣本，研究了兩類公司在出現財務困境五年內財務指標方面的差異，并對如何預測“違約風險”提出了參考性的建議。［2］張澤京等運用KMV 模型對我國中小型上市公司信用風險進行了識別，發現資產規模對上市公司信用風險有顯著影響，股權分置改革引起了中小型上市公司信用風險的波動，造成短期內違約風險升高。［3］宮曉莉和莊新田將雙指數分布跳躍擴散模型引入違約風險分析，來識別上市公司資產價格跳躍風險，研究表明在跳躍情形下資產價值距離違約門檻更近，短期內跳躍風險對違約概率影響具有異質性，長期內跳躍風險下積累的違約概率高于無跳躍風險情形。［4］另一方面主要關注上市公司債務違約和某一特定經濟、管理現象的關系，例如，和公司投資、社會關系網絡、審計收費和企業避稅行為等。Sudheer和Michael探討了債務契約如何影響公司的投資行為并進而影響公司控制權的問題，結果顯示當債權人通過加速貸款威脅（the threat of accelerating the loan）來干預公司管理時，資本投資將會急劇下降。［5］許浩然和荊新考察了社會關系網絡對上市公司債務違約的影響，認為社會關系網絡能夠降低公司發生債務違約的概率，社會關系網絡越富足，公司發生債務違約的概率越小。［6］陳婧等系統研究了債務違約曝光前后審計收費的變化，結果表明審計師對上市公司債務違約具有敏感性和謹慎性，能夠對債務違約曝光事件進行反應。［7］后青松等對上市公司銀行債務契約和企業避稅行為的關系進行了研究，研究顯示我國商業銀行能夠通過債務契約識別企業避稅行為，并采取相應措施提高避稅企業的融資成本，從而對企業的銀行貸款成本造成影響。［8］

關于風險溢出的研究，現有文獻主要關注于宏觀金融體系內的風險溢出，比如金融機構間的風險溢出。［9］2008年的國際金融危機后，諸多學者利用市場數據建立全新的金融風險模型進行風險溢出分析，包括基于收益率尾部依賴關系的條件在險價值CoVaR［10］、邊際期望損失MES［11］和系統性風險指數SRISK［12］；這些基于股票市場數據，極大提高了系統性風險測度的前瞻性和準確性。［13］李志輝等利用CoVaR 方法，衡量了我國商業銀行系統性風險溢出效應，實證結果顯示國有銀行系統性風險溢出效應大于股份制商業銀行。［14］高國華等對商業銀行系統性風險溢出貢獻度和影響因素進行了測算分析，發現國有銀行風險溢出效應最顯著，股份制銀行相對較小。［15］陳建青等對我國金融行業系統性金融風險溢出的邊際效應和總溢出效應進行了實證分析，結果顯示金融行業系統性風險溢出效應具有正向性和非對稱性。［16］嚴偉祥等通過構建DCC-GARCH 模型研究了銀行業、證券業、保險業、信托業以及金融期貨之間的風險溢出效應，并解析了當某一金融行業陷入困境時對其他金融行業的風險溢出貢獻。［17］部分學者關注了實體行業與金融行業間風險溢出的研究。王輝等通過構建擴張的矩陣模型分析了房地產業和銀行間的風險溢出與傳染，結果表明房地產業和銀行業組成的系統明顯比單獨的銀行系統更加脆弱，風險傳染速度更加明顯。［18］翟永會通過時變t-Copula-CoVaR模型剖析了房地產業、交通運輸業、采掘業、鋼鐵業等對銀行系統的風險傳遞和溢出，結果顯示房地產業對銀行系統風險溢出效應最大。他認為管理銀行業系統性風險不僅要加強銀行內部風險控制，更要關注系統重要性行業、系統脆弱性行業對銀行業的風險溢出。［19］

（二）機制分析

當上市公司面臨嚴重流動性困難并發生債務違約時，最終可能導致公司破產清算。由于股權償付順序落后于債權，因此債務違約上市公司股票投資者將首先面臨巨大損失，造成債券市場和證券市場嚴重震蕩。債務違約上市公司和銀行系統之間有密切的信貸業務聯系，一旦發生大規模債務違約情形，會給我國銀行系統帶來重大影響。同時大規模上市公司債務違約極易誘發股價崩盤風險［20］，造成資不抵債的破產清算風險向證券市場和銀行系統跨領域溢出。債務違約風險在債券市場、證券市場和銀行系統之間進行積累和激蕩，并產生連鎖反應，進一步加深金融系統風險積聚和傳遞。一旦宏觀經濟增速放緩，逆向選擇和道德風險升高，信貸融資成本增加，銀行系統會進一步收縮信貸，各行業經營風險將大幅上升，上市公司債務違約事件會逐年增多。債務違約風險將通過資金鏈接、業務鏈接等產生“多米諾效應”導致不良信貸鏈條加長，最終演化成大面積債務違約風險爆發的局面［19］，形成更大危害，并將風險嫁接到商業銀行。數次金融危機表明，系統性風險雖然表現在金融領域，但其源頭和觸發事件可能在實體經濟［21］。

在我國，商業銀行是眾多企業間接融資的主要載體，處于資金信貸鏈條的中心。一旦外部沖擊使大量上市公司出現債務違約，不僅直接影響銀行系統和股市系統，也會通過因為資金和業務關聯的上下游企業間接影響銀行系統和股市系統，引起銀行信貸進一步收縮。當銀行體系內部風險累積到一定程度，將產生風險共振，當共振幅度超過某一閾值時，商業銀行系統積聚的風險會溢出至整個金融體系。面對債務違約上市公司出現的過高債務壓力，商業銀行或債權人將拒絕提供新融資貸款支持，可能導致上市公司控制權轉移。為了避免出現控制權轉移，上市公司會盡力掩蓋真實的資金鏈壓力，進一步加劇信息不對稱程度，提升風險積累和爆發的可能。由此可見，作為信貸市場上重要參與方，商業銀行會不可避免地成為債務違約企業風險外溢的重要載體。若將來遭遇到的外部沖擊超過某一極限或風險累積到一定程度，聚集的潛在風險將不可避免地轉化為現實風險，并對實體經濟、銀行系統和金融系統造成嚴重影響。

三、模型設定與估計方法

（一）社會網絡分析法

債務違約企業與銀行之間緊密而交錯的債務關系形成一個復雜的網絡體系，這種網絡關聯將大幅增加風險傳染的可能及傳染程度。李政等認為社會網絡分析法（Social Network Analysis，SNA）能夠解構金融網絡總體關聯性，反映部門內和部門間的關聯特征。［9］基于銀行貸款數據庫，對照上市公司債務違約數據，通過建立貸款關系矩陣，利用SNA 方法分析債務違約上市公司與銀行間的關聯強度，研究二者之間的風險傳染關系。

采用社會網絡分析法將債務違約上市公司和與其有借貸關系的商業銀行作為社會網絡節點，構建2-模網絡矩陣。將各債務違約上市公司設為矩陣行變量，與其發生過借貸關系的商業銀行設為矩陣列變量；若債務違約上市公司與商業銀行之間存在貸款關系那么相應矩陣項賦值為1，否則為0。通過手工收集并整理債務違約上市公司的銀行貸款數據，構建債務違約上市公司和商業銀行貸款關系的2-模網絡矩陣。然后分別計算該網絡中反映各節點中心性的度中心性（Degree Centrality）、介數中心性（Between Centrality）和接近中心性（Closeness Centrality）①限于篇幅，以上三種中心性的詳細定義及計算，見汪小帆等：《網絡科學導論》，高等教育出版社2012年版，第158-162頁。，利用2-模網絡矩陣中心性數據對債務違約上市公司與商業銀行風險之間的關聯關系進行量化分析。中心性指標的計算方法如表1。

表1 中心性分析指標

（二）金融風險的動態相關識別

為了捕捉債務違約上市公司和商業銀行收益率風險的動態相關關系，構建擾動項服從t分布的動態條件相關GARCH 模型（Dynamic Conditional Correlation GARCH，簡稱DCC-GARCH）檢驗二者之間的相關關系及風險溢出。Engle通過將條件協方差矩陣分解成條件方差對角矩陣和條件相關系數矩陣，使該模型待估參數更加簡潔，具有更好的計算優勢，同時能夠更好地反映不同金融變量之間的風險溢出。［22］其關系式可以表示為：Ht=，其中Ht為條件協方差矩陣，Dt為條件方差對角矩陣，Rt為條件相關系數矩陣。進一步，，hi，t為單個金融變量通過GARCH模型擬合得到的條件方差：

其中，φi為滯后p階的殘差平方項系數，ψi為滯后q階的條件方差系數，ωi、φi和ψi均為需要通過GARCH模型擬合并回歸得到的參數。對于兩個金融變量采用DCC-GARCH（1，1）模型進行估計，兩個金融變量的動態條件相關系數ρ12,t可以通過以下公式得出：

其中，α、β為DCC-GARCH 模型的殘差平方項系數；動態條件相關系數ρ12,t越大，表示兩種金融資產的波動性越一致，由于共振的影響，風險將會被放大，同時意味著風險溢出程度較高。

（三）條件在險價值的估計

將Xi定義為債務違約上市公司i 的損失率，表示債務違約上市公司i 在q%概率水平下的損失，一般情況下VaR 為負數。同理定義為商業銀行j在債務違約上市公司i發生尾部事件C(Xi)條件下，既定持有期內在q%概率水平下的VaR 值，即為條件在險價值CoVaR。CoVaRj|C(X)q是條件概率分布的q%分位數，關系式可以表示為：

如果要描述債務違約上市公司對商業銀行的風險溢出效應，需計算債務違約上市公司出現最大損失時造成的商業銀行風險增加值關系表達式為：

通過DCC-GARCH 模型擬合得到的動態條件相關系數矩陣和條件方差-協方差矩陣，將其標準化處理，構建均值為零，損失服從二元正態分布概 率 密 度 函 數 ， 資 產 i 在 險 價 值。結合（3）式可以得到當金融資產j在資產i發生風險時，動態的計算公式為：

q表示收益率序列的不同分位數，當取不同值時表示債務違約上市公司遭受的不同置信水平損失，由此可以得到債務違約上市公司對商業銀行風險溢出效應。

四、樣本選取與實證結果分析

（一）樣本選取與數據來源

關鍵數據為公司債務違約數據，從WIND數據庫中選取2010—2017 年我國滬深A 股上市公司（剔除了金融類和ST 類公司）中披露的訴訟數據，手工整理并篩選“案件名稱”中包含“欠款糾紛”“貨款糾紛”“借款糾紛”“借款合同糾紛”“票據糾紛”“企業借貸糾紛”“金融借款糾紛”“債務糾紛”“債權債務糾紛”的樣本，剔除數據披露方作為原告的情形，從31 470 個上市公司數據中，篩選出581個上市公司債務違約數據。從整理的債務違約涉案金額看，涉案金額波動幅度較大，最小的涉案金額為3.37萬元，最大為10.72億元。為了在后面的分析中通過網絡分析法對債務違約上市公司和銀行借款進行關聯，以涉案金額為條件進行篩選，選取涉案金額大于等于1 000萬上市公司為樣本，作為下文分析的基礎，共計186條債務違約數據，涉及95 家上市公司①這186條債務違約數據涉案金額為281.4億元，占總債務違約涉案金額82.23%，基本包含影響較大的債務違約情形。。上市公司和商業銀行貸款數據來自國泰安（CSMAR）銀行貸款數據庫，從2010—2017 所有上市公司69 400 個貸款數據中提取涉及95 家債務違約上市公司貸款數據共計15 204 個數據，剔除外國銀行以及外國銀行分行的貸款數據，共整理出貸款商業銀行為99家。

（二）債務違約風險傳染的關系網絡分析

根據研究需要將2-模矩陣轉換為反映企業對應銀行貸款關系95×95 和銀行對應企業借款關系99×99 兩個1-模矩陣，這兩個矩陣反映出任何兩家債務違約上市公司申請貸款的銀行數目和任何兩家商業銀行共同提供貸款的債務違約上市公司數目。表2 是截取了銀行對應企業貸款關系1-模矩陣的一部分，表格中數字是商業銀行為債務違約上市公司提供貸款銀行數目，其中主對角線數目為該商業銀行為債務違約上市公司提供貸款的公司數目，非主對角線數目為任意兩個商業銀行共同為債務違約上市公司提供貸款的公司數目。從主對角線的數目可以看出在當前表格中工商銀行為43 家債務違約上市公司提供了銀行貸款，工商銀行和光大銀行共同提供貸款的債務違約上市公司是18 家，該矩陣客觀上反映了因為債務違約上市公司申請商業銀行貸款業務而產生銀行間的相互關聯性，顯然工商銀行因為自身提供貸款的債務違約上市公司數目較多，而處于比較中心的位置。

表3截取了部分債務違約上市公司申請商業銀行貸款1-模矩陣，同理，主對角線的數字表示為該公司提供貸款的商業銀行數目，非主對角線數字表示共同為該兩個公司提供貸款的商業銀行數目。

進一步對債務違約上市公司和商業銀行關系網絡的中心性分析指標進行分析，表4列出了債務違約上市公司和商業銀行中心性指標排名前十的企業名稱，左側為債務違約上市公司，右側為商業銀行。度中心性數值表示一個企業或銀行發生過資金借貸關系對應銀行或企業個數標準化處理后的相對值。表4數據顯示，在債務違約上市公司中，申華控股度中心性、介數中心性和接近中心性最高，分別為0.4545、0.0080和0.0947，表示申華控股從45 家銀行取得了貸款，處于貸款關系網絡的中心，一旦出現資不抵債破產清算情形，將會給銀行系統帶來較大影響。商業銀行中，大型國有商業銀行中心性指標普遍較高，其中工商銀行度中心性、介數中心性和接近中心性最高，分別為0.4343、0.0114和0.0939。整個數據顯示大型國有商業銀行和股份制商業銀行與城市商業銀行相比，處于借貸關系網絡更中心位置，將承受債務違約上市公司可能帶來更多的風險溢出效應。

表2 商業銀行借款關系1-模矩陣

表3 債務違約上市公司貸款關系1-模矩陣

中糧糖業 14 14 13 13 12 17 14 13 17 29

表4 借貸款數據的2-模中心性分析結果

（三）債務違約上市公司的風險溢出效應

經過上述分析發現大型國有商業銀行和股份制商業銀行處于借貸網絡中心，將承受債務違約上市公司帶來的更大的風險溢出效應。為了衡量債務違約上市公司對銀行系統帶來的風險溢出效應，選取中心性排名靠前的16 家大型國有商業銀行和股份制商業銀行作為承受債務違約上市公司風險溢出效應的銀行樣本，中心性排名前30 的債務違約上市公司為風險溢出債務違約上市公司樣本，對風險溢出效應進一步分析。從萬得數據庫提取上述公司2010—2017 年日股票收盤價，取對數收益率，每個樣本共得到1 943 個數據，共計89 378 個有效數據，按總市值占比對收益率進行加權處理，分別得到商業銀行收益率Rb和債務違約上市公司收益率Rd；另外為了檢驗債務違約上市公司對大型國有銀行和股份制商業銀行的風險溢出效應，分別將5 家大型國有銀行和11 家股份制商業銀行的收益率按總市值占比進行了加權處理，得到Rg和Rh。

表5 列出了描述性統計、JB 統計量、ADF 值（ADF檢驗滯后階數選取為25階）和ARCH效應檢驗（ARCH 效應檢驗為LM 檢驗，滯后階數為20階）。從收益率偏度和峰度看，各收益率偏度均小于零，存在左偏情形；峰度均大于3，存在尖峰特征，其中國有銀行峰度最大。JB統計量在1%顯著性水平上拒絕符合正態分布原假設，呈現出明顯的“尖峰厚尾”特征。ADF平穩性檢驗1%顯著水平臨界值為-2.580，ADF值均小于臨界值，拒絕存在單位根的原假設。ARCH效應檢驗發現債務違約上市公司收益率和商業銀行收益率存在ARCH 效應，其收益率特點符合DCC-GARCH模型要求。

表6列示了通過DCC-GARCH模型得到的債務違約上市公司和商業銀行收益率之間參數估計，無論α 和β 均在1%的置信水平上顯著，同時符合模型參數的限制要求（α+β＜1）。兩者之間的相關系數ρ 的估計值為0.69342，說明債務違約上市公司和商業銀行收益率之間的動態條件相關系數值比較高，二者間的風險溢出效應相對比較明顯。進一步分析，α 估計值為0.04524，表明滯后一期標準化殘差乘積對動態條件相關系數的影響較小，β 估計值為0.93176 比較接近1，表明債務違約上市公司與商業銀行收益率之間相關系數受前期影響較大，其相關性具有較強持續性。進一步將商業銀行樣本分為大型國有銀行和股份制銀行，可以得到國有銀行收益率和債務違約上市公司收益率之間相關系數ρ 為0.71416，大于股份制銀行的0.57671（二者均在1%的水平上顯著），表明債務違約上市公司風險溢出效應在國有銀行較股份制銀行上更明顯，顯示出大型國有銀行不僅處于借貸網絡中心，同時也承擔著更多風險外溢效應。

圖1顯示了債務違約上市公司收益率序列與商業銀行金融風險收益率序列的動態相關系數變化情況，從趨勢上看，二者的動態相關系數大部分時間均大于0.5，顯示二者收益率序列的聯動變化比較明顯，波動相關性較顯著，客觀反映出債務違約上市公司對商業銀行有較強的金融風險溢出。依據DCC-GARCH 模型回歸的結果，將時變條件相關系數和時變條件方差帶入式（5）和式（6）可得到債務違約上市公司收益率在不同分位數點對商業銀行系統的CoVaR和dCoVaR值。

表5 描述性統計分析結果

表6 DCC-GARCH模型參數估計結果

圖1 債務違約上市公司與商業銀行金融風險動態相關系數示意圖

表7 顯示出不同分位數的CoVaR 和dCoVaR 描述性統計結果。以5%分位數為例，CoVaR均值為0.02979，表示當債務違約上市公司收益率發生5%分位數損失時，給商業銀行系統收益率帶來的最大損失均值為2.979%，結合前面商業銀行收益率的統計性描述，該影響對商業銀行而言是比較大的。同時dCoVaR 均值為0.0119，表示在5%分位數水平上，債務違約上市公司對商業銀行系統風險溢出為1.19%。當分位數從5%向1%變化時，CoVaR由2.979%變為4.206%，dCoVaR由1.19%變為1.68%，表明隨著債務違約上市公司危機程度的加深，收益率出現極端虧損值時，其對商業銀行系統風險溢出效應也隨之增加，同時商業銀行收益率損失也更大。對比債務違約上市公司對國有大型銀行和股份制銀行的風險溢出效應，發現對國有大型銀行的風險溢出貢獻率最大，表明在防控債務違約風險時，應該著重關注國有大型銀行的風險溢出效應。

表7 DCC-GARCH計算得到的不同分位數下的CoVaR和dCoVaR

（四）穩定性檢驗

為了檢驗DCC-GARCH 模型得到的風險溢出效應，利用分位數回歸模型求解CoVaR 和dCoVaR，并對風險溢出效應進行穩定性分析。和上文的結果比較，由分位數回歸模型得到的CoVaR和dCoVaR 變化趨勢與之完全相同。當分位數從5%到1%變化時，CoVaR和dCoVaR數值均在不同程度上增大，表明隨著債務違約上市公司收益率出現極端虧損值時，它對商業銀行體系風險溢出程度也隨之增加。同時從債務違約上市公司對國有大型銀行和股份制商業銀行的風險溢出看，債務違約上市公司對國有大型銀行的風險溢出效應最高，客觀上表明國有大型銀行處于債務違約上市公司風險溢出中心環節，得到的結論與DCCGARCH模型一致。限于篇幅，模型和估計結果略去，如需要可向作者索取。

五、結論與啟示

采用SNA 方法構建了債務違約上市公司和商業銀行借貸款關系2-模網絡矩陣，分析了債務違約上市公司和商業銀行之間的關聯，并通過構建DCC-GARCH 模型研究了債務違約上市公司對商業銀行系統的風險傳染關系。根據對中心性指標分析發現，國有大型銀行和股份制商業銀行的中心性指標相對靠前，反映出國有大型銀行和股份制商業銀行處于債務違約上市公司的網絡中心。同時，根據債務違約上市公司不同分位數尾部風險溢出效應的估計結果，顯示債務違約上市公司收益率序列和商業銀行收益率序列的動態相關系數較高，表明債務違約上市公司對銀行系統存在較明顯的風險溢出效應，國有大型銀行尤其突出。在不同分位數水平下對商業銀行風險溢出效應做出的分析顯示，隨著債務違約上市公司收益率出現極端虧損值，其對商業銀行的風險溢出效應也出現了更大程度的溢出。基于上述結論，得出以下啟示和建議：

第一，當受到不可抗拒外部事件沖擊時，上市公司債務違約風險可能通過風險溢出給銀行系統帶來風險積累和風險沖擊。大規模上市公司債務違約會給處于網絡借貸中心的系統重要性銀行帶來較大的風險溢出。監管當局應當重點關注處于借貸網絡中心可能導致嚴重債務違約后果的上市公司，密切留意其資金流動性和融資渠道狀況，加強負債約束，注意可能導致的銀行不良貸款問題，采取可控可防的手段積極有序處置，降低風險外溢效應的影響程度。

第二，隨著眾多上市公司新一輪債券期限陸續到期，以及當前新冠肺炎疫情對商業零售、酒店餐飲、文化旅游以及石油貿易等的影響，上市公司償付貸款和債券的壓力會進一步加大，流動資金將極為緊張。為此，監管部門應重視可能集中出現的大面積債務違約情形，對負債高的領域、平臺和公司資金流動性進行排查，堅決遏制債務違約風險從實體經濟擴散至金融領域，防止由“點”狀風險演化成“鏈”狀或“面”狀風險。

第三，通過網絡借貸分析發現，雖然大量的城市商業銀行和城鄉銀行在借貸網絡中并不處于中心的關鍵地位，但是它們構成了大型國有銀行和股份制商業銀行的有效補充，為眾多民營企業和中小企業提供了舉足輕重的信貸支持。新冠肺炎疫情給我國的經濟產生了不利影響，為了避免因為經營資金鏈斷裂而導致的公司倒閉破產情形，建議監管部門加大對為民營企業和中小企業提供貸款的城市商業銀行和城鄉銀行提供流動性支持，妥善運用穩健的貨幣政策，降低企業融資成本，保持流動性合理充裕。