風險相依、風險溢出與保險機構系統重要性評估

陳奇柏 雷振華

（中國聯通智能城市研究院，河北保定 557707；南華大學經濟管理與法學學院，河北保定 557707）

一、引言

在金融中的保險往往是受到忽視的，但保險業的保障功能夠有效地推進“六穩六保”，對金融市場的穩定和社會經濟的發展具有重要的意義。相對其他金融機構而言，傳統意義上保險機構的系統性風險相對較低，但同時保險機構作為資本市場中的重要投資者，近年來不斷涉及非保險業務，這提高了保險機構和其他金融機構和金融市場的業務關聯度，導致保險機構面臨著潛在的自身風險和風險傳染問題。因此，保險機構和保險業作為重要的主體，同時存在金融風險的現狀，本文從保險機構和保險行業的視角，分別分析保險機構和保險業之間的風險相依和風險溢出，以期挖掘其風險特征，進而實現風險防控的目的。

對于風險相依結構，相比于網絡分析、Granger因果檢驗、DCC-GARCH模型和Pearson相關系數等相關性方法，Copula模型能夠描述序列間非線性和非對稱的相關性。等（2014）認為尾部相依度對極端風險事件和狀況的刻畫更加精準，而Copula函數能夠較為準確地去度量包括上尾和下尾的尾部相依度。王培輝（2016）使用Markov時變Copula研究了我國銀行業、保險業、證券業和信托業之間的尾部動態依存結構，綜合運用混合Copula和時變Copula，以反映金融市場時變性、厚尾性和非對稱性等復雜特征。Mejdoub和Arab（2018）使用D-Vine-Copula模型來分析保險機構四種非壽險損失的相依結構，認為Vine-Copula模型能夠準確地刻畫高維金融變量之間的相依性。綜上所述，對于風險相依，Copula模型能夠準確刻畫和捕捉序列間的尖峰厚尾、波動聚集、有偏非對稱依存結構等金融特征，特別是極端事件下的尾部依賴。

對于風險溢出效應，國內外學者主要使用CoVaR、MES、SRISK和CCA等模型。其中，CoVaR是系統性金融風險的主要模型，主要研究當某個金融機構陷入危機時，整個金融市場面臨的風險水平。王周偉等（2014）指出CoVaR模型的估計方法主要包括分位數回歸、DCC-GARCH和Copula等，并分析了各個估計方法的優缺點。歐陽資生和莫廷程（2017）通過分位數回歸來估計改進的CoVaR模型，研究了上市商業銀行之間的風險溢出效應。嚴偉祥等（2017）使用DCC-GARCHCoVaR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。翟永會（2019）使用時變t-Copula-CoVaR模型，分析了我國各個實體行業與銀行業之間的動態風險溢出效應，考慮了各個市場之間時變性、非線性和波動聚集性。綜上所述，DCC模型綜合考慮了金融時間序列之間的非線性、時變性、聚集性和聯動性等復雜的風險相關關系。

二、模型構建

（一）GJR模型

研究保險機構和保險業的風險相依性，以及保險機構對保險業的風險溢出效應的前提是選擇合適和準確的邊際分布模型。大量的歷史數據和經驗表明，金融時間序列存在有偏、尖峰、非正態和非線性等特征，不適合普通的回歸模型。GJR模型能夠較好地解決金融時間序列中的自回歸、波動聚集和非對稱效應等問題，故本文使用GJR模型來擬合和刻畫各個收益率序列的邊際分布，該模型主要包括均值方程模型、方差方程模型和殘差分布模型。

（二）Copula模型

相比于Pearson相關系數，Copula能夠刻畫序列之間的非線性、非對稱性和厚尾性等復雜特征，且不需要考慮邊際分布的各種形式，故本文選擇Copula模型來描述各個保險機構和保險業之間的風險相依結構。

Copula函數能夠將聯合分布和其對應的邊際分布連接起來，故Copula模型的重點在于最優Copula函數和邊際分布模型的選取，其中常見的Copula函數主要有Gaussian Copula、Student's t Copula、Gumbel Copula、Frank Copula、Clayton Copula和SJC Copula等。

（三）DCC-CoVaR模型

CoVaR模型的估計方法主要有分位數回歸、DCC-GARCH模型和Copula模型等，相比于其他估計方法，DCC-CoVaR模型能夠準確地描述各個保險機構和保險業之間的非線性和時變性等風險特征，強調風險波動的聚集性，故本文選擇GJRDCC模型來估計CoVaR模型。

為了準確地刻畫保險機構發生的極端事件，本文參照Girardi和Ergün（2013），對保險機構的危機條件進行了改進，以反映其尾部特征。改進的CoVaR模型定義如下：

對于DCC-CoVaR模型，本文對式（1）進行轉化可以得到：

三、實證結果與分析

本文主要研究保險機構和保險業之間的相依程度以及保險機構對保險業的風險溢出效應，研究對象主要是各個保險機構和保險業。對于保險機構數據的選取，本文考慮數據的可獲性和完整性，使用A股上市的保險公司來代表保險機構，主要包括中國人壽、中國平安、中國太保和新華保險，這四家保險公司構成了我國保險機構的主體，均入選國內系統重要性保險機構（D-SII）。對于保險業，目前國內學者還未形成統一和科學的數據標準，本文考慮數據的關聯性和代表性，通過中國人壽、中國平安、中國太保和新華保險等4家保險公司的加權平均來計算保險業指數，以此衡量保險業的整體市場狀況。本文的保險機構數據來源于Wind數據庫，以新華保險較晚交易時間為基期時間，樣本期為2011年12月16日至2022年1月28日，樣本量為2461個，主要使用S-Plus和Matlab軟件工具進行數據分析。保險機構和保險業指數收益率序列的計算公式如下：

本文根據AIC準則確定保險機構和保險業收益率序列的最優邊際分布模型，具體而言，均值模型形式為ARFIMA(1,0,0)，方差模型形式為GJR(1,1)，殘差分布模型形式為有偏學生 分布，即AR(1)-GJR(1,1)-有偏模型能夠較好地處理各個收益率序列中的自回歸、波動聚集和杠桿效應問題。GJR模型的參數估計和擬合結果如下：

表1主要包括參數估計和模型擬合效果檢驗兩個部分。具體而言，根據ARCH項參數可知，中國人壽對市場信息的反應最為敏感，其次為中國平安和中國太保，新華保險的反應最為遲緩。根據GARCH項參數可知，中國平安和中國太保對市場波動有較強的記憶性，而中國人壽和新華保險的記憶性較弱。根據非對稱項系數的正負方向可知，各個保險機構和保險業在面對外部信息沖擊時存在非對稱效應，新華保險受到利空消息的影響更大，而中國人壽、中國平安、中國太保和保險業更容易受利好消息的影響。根據尺度參數和形狀參數可知，各個保險機構和保險業的殘差序列分布具有非對稱性和厚尾性特征。根據LB檢驗可知，各個保險機構和保險業的殘差序列不存在自相關，根據ARCH檢驗可知，各個保險機構和保險業的殘差序列不存在ARCH效應，表明GJR模型已消除其條件異方差。

表1 邊際分布模型的參數估計和擬合結果

在確定邊際分布模型之后，提取各個保險機構和保險業的標準殘差序列，通過概率積分變換為均勻分布形式的數據，以此構建Copula模型，進而計算相依系數。基于Copula模型的相依結構關鍵在于最優Copula的選取，本文選擇Gaussian Copula、Student's t Copula、Gumbel Copula、Frank Copula、Clayton Copula和SJC Copula等常用Copula函數，使用LogLike、AIC和BIC準則來確定最優Copula，在既定的最優Copula函數和參數估計下，進而可以計算各個保險機構和保險業之間的Kendall相關系數、Spearman相關系數和尾部相關系數。

根據表2可知，存在如下特征：(1) 根據最優Copula可知，各個保險機構和保險業連接的最優Copula函數均為SJC Copula，該函數具有非線性、非對稱性和厚尾性等特征；(2) 根據上尾相關系數和下尾相關系數可知，各個保險機構和保險業之間的下尾相關系數均大于上尾相關系數，如中國人壽和保險業的上尾相關系數為0.4460，下尾相關系數為0.5947，表明相對于利好消息，中國人壽和保險業對利空消息更為敏感；(3) 根據Kendall相關系數和Spearman相關系數可知，各個保險機構和保險業之間存在較強的正向相依關系，表明當保險機構或者保險業發生風險時，通過相關的風險傳導和溢出機制，則保險業或者保險機構也會面臨相關風險的概率，這對政策的啟示在于“太關聯而不能倒”；(4) 中國人壽和保險業的相依程度最大，反映中國人壽在保險業的主導地位，其次為中國太保和保險業、中國平安和保險業，相依程度最弱的是新華保險和保險業，這對政策的啟示在于“太大而不能倒”。

表2 保險機構和保險業的相依結構

風險相依度是一種互相關性，而風險溢出具有明確的方向性。本文基于邊際分布模型AR(1)-GJR(1,1)-有偏 模型，使用DCC-CoVaR模型，測度各個保險機構對保險業的動態風險溢出效應，對我國上市保險機構的系統重要性進行評估。圖1從左至右、從上至下分別為中國人壽、中國平安、中國太保和新華保險對保險業的動態風險溢出效應。存在如下特征：(1) 從絕對值來看，各個保險機構對保險業的均值風險溢出效應分別為2.8335、2.5573、2.8052和2.4259，表明中國人壽對保險業的風險溢出效應最大，其次為中國太保對保險業、中國平安對保險業，而新華保險對保險業的風險溢出效應最小。總體而言，由于中國人壽的保險業務廣泛、營業收入多、規模大以及與其他保險機構業務往來密切，因此中國人壽一旦發生風險和危機，將迅速傳染至其他的保險機構，進而對整個保險行業產生相對應的風險影響；(2) 從相對變化趨勢來看，各個保險機構對保險業的動態風險溢出效應的趨勢基本一致，在2015-2016年的時間區間內，各個保險機構對保險業的風險溢出效應較大，且波動程度較大，這主要是由于股票市場的劇烈波動帶來的風險影響到各個保險機構的收益和投資決策，導致各個保險機構的風險急劇增加，這表明保險機構除了要防范自身風險外，還要抵御來自資本市場和宏觀經濟的風險波動和危機傳染。

圖1 各個保險機構對保險業的動態風險溢出效應時序圖

四、結論與政策建議

本文基于AR(1)-GJR(1,1)-有偏 模型，對中國人壽、中國平安、中國太保、新華保險和保險業收益率序列的邊際分布進行了擬合，使用GJRSJC-Copula模型來分析了4家保險機構和保險業之間的風險相依關系，使用DCC-CoVaR模型測度了4家保險機構對保險業的動態風險溢出效應。結果表明：第一，各個保險機構和保險業之間具有較強的風險相依度，且存在下尾相關的非對稱效應，更容易受到利空消息的沖擊和影響，下跌的可能性大于上行的可能性；第二，對于風險溢出效應而言，中國人壽對保險業的風險溢出效應是最大的，變化波動程度也是最為顯著的，其次為中國太保和保險業、中國平安和保險業，而新華保險對保險業的風險溢出值最小；第三，在動態風險溢出效應的變化趨勢中，容易受到某個危機或者極端事件的影響，當危機或者風險事件出現時，各個保險機構對保險業的風險溢出效應均會有顯著的增加。為了加強對保險機構的風險防控，本文提出以下建議：

第一，完善保險機構的風險防控和監管體系，健全重大風險應急機制。從系統性風險的角度來看，要提高對保險機構的監管要求，加強在非保險業務方面的審批和監管，完善保險機構的信息披露，堅持宏觀審慎監管和微觀審慎監管相結合的監管理念，以避免保險機構在規模和業務等方面的盲目擴張而發生重大風險隱患，降低風險外溢能力和水平。同時，極端事件的爆發對保險機構的風險具有較大的影響，因此要通過設置系統的風險預警和評估機制，對保險機構在系統性金融風險方面進行科學的識別和預測，制定系統和有效的重大風險應急機制，以確保保險機構在發生重大風險時能夠得到快速、安全和有效的應對處置。

第二，健全財政在保險機構危機救助的機制。財政的危機救助有利于恢復保險市場秩序，穩定風險預期，提升保險機構的市場競爭力。一方面，要明確財政救助在系統性風險中的基本職能和監管責任，做到財政救助的有度和有效，不能盲目的財政救助和行政干預，防止出現“太大而不能倒”的道德風險，讓保險機構的業務經營和風險管理均處于健康發展和良好循環之中。另一方面，在確定對保險機構進行財政救助后，通過減免稅收優惠政策、設立專項救助資金、發行政府債券、提供信用擔保和實現國有化等多種渠道和措施，對保險機構在發生金融風險時進行及時和有效的危機救助。

第三，加強監管合作，提高監管效率。保險機構之間具有一定的關聯性，存在“太關聯而不能倒”，在保險機構處理自身風險的同時，還要防止其他保險機構的風險傳導和影響。因此保險機構之間要加強風險監管方面的合作，在保障保險機構之間業務合作的同時，還要降低保險機構之間風險傳染和共振。同時，從政府相關監管機構的角度來看，近年來保險機構的業務開展逐漸多元化，其風險存在發生頻率高、風險損失大和風險關聯隱蔽復雜等特征，對保險業形成風險沖擊，因此需要各個政府監管部門之間加強監管合作，注重風險監管工作的協調性。