金融業與實體行業風險外溢效應研究

□文/胡 玲

（成都理工大學商學院 四川·成都）

［提要］在防范化解重大金融風險背景下，深入研究金融-實體之間的系統性風險傳遞，對我國經濟發展有著重要的意義。采用EVT-時變t Copula-CoVaR模型測度金融-實體行業之間的系統性風險溢出程度，并通過面板回歸測度風險溢出的關鍵影響因數。研究結果表明：金融-實體行業之間存在十分明顯的相互外溢效應，并且溢出強度受到行業特征及宏觀政策因數的影響。因此，降低行業債務杠桿水平、提高盈利能力以及確定的政策環境均能有效降低系統性風險溢出，穩定金融市場。

“十四五”規劃明確提出要加強現代金融監管體系，要進一步補齊監管制度的短板。我國金融混業經營趨勢使得系統性金融風險不斷上升，復雜的行業網絡使得行業間風險溢出效應越來越顯著，也給系統性風險的監管和防范帶來更嚴峻的挑戰。因此，研究市場內實體行業與金融之間的系統性風險溢出將有利于國家金融風險的監管、控制，以防范重大金融風險的發生以及蔓延。

一、文獻綜述

（一）金融系統性風險定義及測度。就系統性金融風險而言，有三種解釋：（1）Bandt（2000）從宏觀層面上認為通常是在整個金融體系或整個經濟發生危機。（2）從危害的程度區別。Monica Billio（2012）、魏金明（2016）在對系統性風險的研究中都認可：使得單個銀行或者到整個金融市場崩潰。（3）從溢出效應定義。張寶林、潘煥學（2013）強調它可以通過負債、信息和心理等渠道蔓延，最終導致整個系統發生風險。

學者多采用以有效性假說為基礎的金融風險模型的方法來對系統性風險進行度量。同時，采用具有較強時效性的金融數據使得研究結果具有較強的預測性。系統性風險溢出作為極端尾部事件，利用市場日收益率高頻數據、總收益率以及企業負債規模等行業公開數據進行研究金融相關的數據非常直接、有效。對于系統性風險的尾部刻畫主要有兩種：一種是金融機構資產未定權益法；另一種是通過描述金融資產收益的尾部特征來衡量系統性風險。最常用來刻畫單項資產風險的是VaR，但它僅僅只是衡量單項資產。為了刻畫多個機構、行業，Adrian（2016）提出CoVaR用來測度在一個金融機構處在風險的條件下，其他機構的價值，在VaR上做了一個升級。陳國進等（2017）在研究金融機構與金融機構、金融機構與金融行業間的系統性風險時使用不對稱CoVaR來研究其風險傳遞性。在考慮風險的波動性和相依性特征后，劉曉星等（2011）使用EVTCopula-CoVaR來建模美國股市風險溢出情況。

（二）有關系統性風險溢出效應的影響因素。現今的金融和實體經濟行業的聯系相對更加密切，其導致實體經濟行業的系統性風險也隨之放大。Kroszner和Klingebiel（2006）發現，實體經濟部門會受到損失中金融部門的嚴重不良影響；另一方面Ortiz-Molina和Phillips（2014）認為如果有資金短缺的情況，企業運營的靈活度就會受到影響。在發生經濟危機的情況下，企業投資的有效性和政策執行的有效性都將受到受限資金預算的嚴重影響，金融-實體經濟部門之間的風險也會隨著增強的股權資產風險存在著波動溢出效應。

金融-實體經濟行業之間風險溢出效應強度受到宏觀因素和行業因素的影響。首先，行業因素主要考察各個行業特征的影響。Adrain和Brunnermeier（2016）在測度美國金融機構風險溢出效應時，發現規模、杠桿率會明顯加強金融機構的風險溢出。在國內，王丹和黃瑋強（2018）運用面板回歸的計量方法分析出影響金融機構系統性風險溢出強度的因素。得出資產規模和市場賬面價值是在有差異的指數下影響金融機構遭受風險和傳播風險的相同要素。郭文偉、周媛等（2020）在探究影響因素時得出除資產規模外，財務杠桿也對溢出效應具有顯著的正面效應，并在行業、企業上存在明顯差異。茍文均、袁鷹等（2016）發現債務杠桿的急劇提高顯著影響系統性金融風險的產生與傳播。宮曉莉、熊熊等（2020）發現通貨膨脹以及債務杠桿均會明顯地助長系統性風險的外溢。徐曉光、廖文欣等（2017）運用廣義溢出指數法發現市盈率也是影響波動溢出的因素之一。因此，本文對于影響因素的行業特征探討主要集中于行業規模、債務及市盈率因素。其次，對于宏觀因素的影響，王奇珍、王玉東（2018）通過靜態、動態波動溢出指數研究發現美國經濟不確定性存在非線性溢出效應。楊子暉、陳里璇（2020）在構建“世界金融行業與經濟政策不確定性”關聯網絡下，發現經濟政策不確定性對風險的傳遞有著明顯影響。因此，本文對于宏觀因素的影響探討選取經濟政策不確定性因素。

（三）總結。從上述文獻中可以看到，研究我國金融系統性風險的較多，但仍然有幾點問題：一是研究視角的局限。現在大部分研究都局限在了個別金融子行業間或是個別實體行業與金融子行業間的系統性風險測度，缺乏社會全行業的系統性風險測度。二是風險影響因素范圍。現有文獻往往趨向于財務指標，忽視行業的差異以及宏觀政策等因素的影響。鑒于此，本文以一級市場各實體行業與金融行業為研究對象來測度金融-實體行業之間的時變聯動性；其次通過CoVaR測量我國金融-實體行業之間的風險溢出程度；最后通過使用行業面板模型來提取影響風險溢出效應的因素。

二、模型構建

由于金融-實體行業間顯著的非線性特征，本文通過構建ARMA-ECARCH-t模型來描繪行業指數收益率的邊緣分布，通過時變t Copula模型衡量金融-實體行業之間的聯動性，最后構建CoVaR模型測度金融-實體行業的風險溢出水平。在以上基礎上，通過面板回歸探尋風險溢出驅動因素。

（一）基于ARMA-ECARCH-t-EVT的邊緣分布。運用ARMAEGARCH建模獲得各行業指數的標準殘差序列，能有效捕捉到行業指數收益率“尖峰厚尾”的特征，同時體現收益率波動聚集性的特點。

其中，rt為動率序列，zt為標準殘差項，服從自由度為υ的t分布，γ為非對稱杠桿系數。收益率序列，σt為條件波。

（二）基于EVT極值理論的邊緣分布估計。實證表明，金融收益率大都呈現出顯著的“尖峰厚尾”特征，而極端風險事件下金融資產收益率的尾部溢出更值得關注。即使采用能刻畫“厚尾”特征的t分布，也存在低估尾部風險值的可能。因此，結合EVT模型構建邊緣分布，描繪資產收益率的“厚尾”。表達式：

（三）基于多元t-Copula函數的聯合分布。本文通過時變t-Copula函數來描述各實體行業指數與金融之間的相依關系。它在刻畫兩收益率之間的尾部相依時比正態函數更加優良，并且采用的動態調節相關（DCC）刻畫變量間的動態相依關系。綜上所述，本文運用時變t Copula來刻畫行業間的動態相依結構，其相關參數采用DCC方法。其條件概率密度函數為：

（五）采用面板模型分析風險溢出的影響因素。被解釋變量為金融行業對實體行業的極端條件風險溢出指數△covar。解釋變量是行業規模（以取自然對數后的總市值來表述）、負債情況（以總債務與總資產的比值來表示）、行業盈利能力（以市盈率來表示）的代理變量以及宏觀影響因素（采用自然對數后的經濟政策不確定指數）。同時，加入時間趨勢變量quarter來表示行業系統性風險隨時間的變化。建立如下回歸方程：

三、實證研究

本文采用銳思數據庫各上市公司、行業2013年3月至2020年9月的歷史數據，研究各證監會一級行業（2012版）與金融業之間的風險溢出關系。采用14個深證一級行業指數來代表各行業走勢，采用各行業指數的日收盤價來衡量其股價走勢。同時，剔除ST公司數據，剔除大量缺失數據以及錯誤數據，剔除非同天的數據。同時，運用Scott R.Baker等學者構建月度經濟不確定性指數。為了與文中其他季度指標匹配，本文在構建季度經濟確定性指數時，借鑒張成思、劉貫春（2018）的方法，采取3期的簡單算術平方和。

（一）描述性統計。對金融行業以及各個實體行業收益序列進行描述性統計。如表1所示，各行業都顯示出明顯的左偏。從峰度上來看，各行業呈現出“尖峰厚尾”現象。同時，J-B檢驗來看，所有行業均不服從正態分布。從ADF檢驗可以看出各收益序列均平穩，因此運用ARMA（0，0）-EGARCH-t模型刻畫標準殘差序列。對用ARMA（0，0）-EGARCH-t模型擬合后得到的標準殘差序列進行BDS檢驗，表2檢驗結果表明其通過檢驗，滿足獨立同分布特征。因此，可以進一步構建EVT模型構建邊緣分布，表3為尾部閥值及GPD參數結果。（表1、表2、表3）

表1 描述性統計結果一覽表

表2 BDS檢驗結果一覽表

表3 尾部閥值及GPD參數估計結果一覽表

（二）金融行業與實體行業間的時變聯動性tcopula。在刻畫變量間的聯合分布時，Copula函數有著明顯的優越性。其適用前提是變量必須滿足獨立同分布，從表4的KS檢驗結果來看，可以滿足Copula的適用前提。（表4）

表4 KS檢驗結果一覽表

表5描述的是金融-實體行業之間的時變聯動性。從時間走向來看，各實體行業與金融行業之間聯動性在各個時點具有明顯差異。但都在2016年年尾出現明顯改變，從高位走勢平穩出現大幅下降趨勢，并在2017年出現低谷。這說明，強調的防范化解金融重大風險的政策調控取得了重大效果，表明政策對行業的聯動性具有一定的影響。從橫向數據來看，農林牧漁行業與金融行業的聯系最低在0.48左右，而與金融行業聯動性較高的行業有水電燃氣行業、房地產行業以及制造行業。雖然金融-實體行業的時變聯動性具有明顯差異，但總體看聯系都比較緊密，基本都在0.5以上。（表5）

表5 金融行業與實體各行業時變聯動性一覽表

（三）系統性風險溢出效應分析

1、實體行業對金融業的風險溢出效應。如表6所示，表中各實體行業的風險溢出強度各有差異。根據風險溢出的強度可以判斷出對金融業有著較大風險溢出的行業。從表中可以看出，某些特定行業對金融業的風險溢出效應是明顯比其他行業強。例如，水電燃氣類的溢出值最大，其風險溢出值為3.78，水電燃氣條件在險值為7.38。而接下來的信息技術類、制造類、建筑業類對在金融業的風險溢出中貢獻較大，應當對這些行業著重的關注。（表6）

表6 各實體行業對金融行業的風險溢出結果（在0.05的置信水平下）一覽表

2、金融行業對實體行業的風險溢出。在表6中可以看出，在實體行業中，制造業、水電燃氣以及房地產業收到的沖擊位列前三，分別為3.62、3.59和3.55。另外，位于前列的還有采礦業、批發零售業、公共環保類、建筑類等。相反，農林牧漁業以及文化傳播類所收到的溢出效應相比較小。

結合兩個風險溢出表的數據可以看出，實體-金融行業之間的風險溢出關系明顯不具有對稱性。例如，金融業對房地產的溢出強度遠大于房地產對金融業的溢出強度。然而，在兩者的相互溢出關系中，水電燃氣行業、運輸倉儲行業、建筑行業各項排名中均位居前列。在實體-金融之間的雙向風險溢出中均有著重要地位。這些行業往往與金融業有著較高的時變聯動性，并且這些行業往往都具有較大規模和較高杠桿。

四、行業間風險溢出影響因數

（一）描述性統計。從表7可知，各行業所承受的系統性風險溢出強度差異較大且隨時間變化；且其行業特征例如規模以及財務杠桿的差異也較大；同時，宏觀經濟變量也隨時間變化。通過各自變量之間相關系數檢驗的結果，我們可以看出各變量之間不存在多重共線性的情況。通過檢驗，各自變量均為一階單整，并且存在協整關系。所以，本文采用原數據進行實證研究。同時，Hausman檢驗表明本文實證分析應采用隨機效應面板數據模型。最終分析結果見表7。（表7）

表7 模型變量的描述性統計結果一覽表

（二）面板隨機回歸。從表8可知，行業規模、債務杠桿、市盈率以及政策不確定性均對實體行業所收到的風險溢出有一個積極的影響，相反，時間趨勢對△CoVaR有一個消極的影響。在行業特征方面，實體經濟行業的規模、債務杠桿以及市盈率會增強金融風險的溢出強度。其中，債務杠桿對其所承受的系統性風險影響最大，系數為1.3，而市盈率影響最小，不足1%。宏觀因數政策不確定性也會影響實體行業的風險承擔，政策的不確定性越大，實體行業所承受的風險也會增強。相反，隨著時間變化，我國系統性風險溢出情況呈現出遞減的趨勢。（表8）

表8 系統性風險溢出效應的影響因素分析結果一覽表

（三）穩健性檢驗。從上文中可以看到行業的條件在險價值與其溢出效應存在的正向關系，本文采用條件在險價值重新進行面板回歸分析。通過與前文回歸做對比，來驗證核心自變量對因變量的影響。從表9可知，對于整個金融行業而言，實體行業機構規模，債務杠桿、市盈率以及宏觀政策不確定性均對其風險溢出具有明顯的促進作用。這與前文的分析結果相似，說明結論具有穩健性。（表9）

表9 風險的影響因素分析結果一覽表

五、結論及建議

本文通過EGARCH-時變t Copula-CoVaR模型來測度金融-實體行業之間的雙向風險溢出關系，并在此基礎上探尋行業間風險溢出的影響因數。通過全文分析，得到了以下結論：第一，嚴格的金融監管有利于控制金融行業與實體行業間的聯動性。金融行業與實體行業的時變聯動性在2016年末呈現出明顯從高位下降的趨勢，在2017年達到了最低點。這得益于防范金融重大危險的大背景以及實施的強有力的去杠桿政策，削弱實體-金融之間的關聯性，政策調整對于行業間關聯性以及溢出具有重要影響，構建嚴格的金融監管制度十分必要。第二，金融-實體行業間的雙向溢出存在明顯差異。其中，水電燃氣行業、信息技術行業、制造業對金融行業的極端風險溢出最強烈，而金融行業向實體行業溢出強度最大的是制造業、水電燃氣行業以及房地產行業。對金融行業具有較強風險溢出的實體行業有規模大、周期性強、產能過剩等主要特征。而金融行業溢出較強的實體行業的主要特征是高杠桿。并且，金融-實體行業雙向溢出強度大的行業往往行業間時變聯動性都較強。第三，金融機構風險溢出程度受到實體行業異質性以及宏觀政策影響。表現在實體行業的規模、債務杠桿率以及行業指數市盈率均對金融行業尾部風險溢出效應具有正向影響。其中，債務的影響最大；其次較高的政策不確定性會促進金融行業對實體行業的系統性風險溢出。而得益于我國防范化解重大金融風險戰略，我國系統性金融風險在時間上呈現出遞減趨勢。

據此，提出以下建議：首先，在強化和完善金融監管體系和防范重大金融風險時將防控實體行業風險納進監管框架，構建強有力的金融監管體系降低行業間聯動性來抑制系統性風險溢出。其次，研究結果表明，水電燃氣、建筑、采礦、房地產等行業和金融行業在雙向反饋中扮演重要角色，應當在構建金融-實體雙向風險防控體系時重點監控并著重關注。最后，優化資本結構以提升權益類資本占比來降低債務杠桿率。讓國家經濟不斷提高防范化解風險能力，從而增強其穩定性、繁榮發展。