基于新關聯網絡的金融機構關聯度及其尾部風險溢出效應研究

摘" "要：基于傳統金融機構（銀行、證券、保險等）和新型類金融機構 （金融科技公司、其他類金融機構等）兩類復雜主體構成的新關聯網絡這一復雜系統，利用2012—2022年上市機構數據，基于TENET方法構建尾部風險溢出網絡，刻畫新關聯網絡中機構關聯度，進而分析兩類機構關聯水平。研究結果表明，新關聯網絡下兩類機構間的總體關聯度呈現周期性變化，在危機與經濟下行時處于高位水平；新型類金融機構對其自身和傳統金融機構的風險溢出較為強烈，部門內部風險溢出強度高于跨部門風險溢出強度；新型類金融機構的風險溢入強度和溢出強度在危機發生時較高；銀行和保險部門對系統性風險貢獻程度更高，同時受系統性風險影響較為顯著。建議在完善中國版監管沙盒制度模式的同時，強化新型類金融機構的內控機制建設和外部監管，發展傳統金融機構跨部門協同監管路徑。

關鍵詞：新關聯網絡；TENET；金融科技；尾部風險溢出；系統性風險

中圖分類號：F832.5" 文獻標識碼：A" 文章編號：1674-2265（2023）12-0049-12

DOI：10.19647/j.cnki.37-1462/f.2023.12.006

一、引言

近年來，第四次工業革命浪潮風起云涌，作為由技術創新驅動的金融創新，金融科技是大數據、云計算、人工智能、區塊鏈、物聯網等新科技與金融深度融合、復合疊加的結果，已經或正在改變著傳統金融體系。繼《金融科技（FinTech）發展規劃（2019—2021年）》后，中國人民銀行印發《金融科技發展規劃（2022—2025年）》，進一步要求金融機構將數字元素注入金融服務全流程，將數字思維貫穿業務運營全鏈條，注重金融創新的科技驅動和數據賦能，推動我國金融科技從“立柱架梁”全面邁入“積厚成勢”新階段。金融科技的飛速發展正重塑著金融發展格局，塑造金融新生態，一個由傳統金融機構（銀行、證券、保險等）和新型類金融機構（金融科技公司、其他類金融機構等）兩類復雜體構成的新關聯網絡悄然形成。

在新關聯網絡下，金融機構間的業務由于金融業的混業經營愈發明顯而變得更加頻繁，相互交叉、關聯、滲透的金融產品不斷增加，多重潛在風險交織疊加，其突發性、復雜性、交叉性和傳染性更加突出，各種風險在兩類復雜主體的融合滲透中疊加衍化并通過關聯網絡路徑發生外溢、傳染，甚至可能觸發系統性風險。近年來，螞蟻集團、京東數科登陸資本市場被緊急叫停，頭部互聯網企業（百度、阿里巴巴、騰訊、京東）和互聯網新星（滴滴、美團、360數科等）均被監管約談，凸顯了金融科技的巨大風險隱患。本文從傳統金融機構和新型類金融機構兩類復雜主體構成的新關聯網絡這一新的金融復雜系統出發，運用TENET（基于尾部事件驅動的網絡模型）方法構建尾部風險溢出網絡探討新關聯網絡結構特征，研究新關聯網絡中兩類機構間的關聯性以及在此關聯系統中兩類機構間的金融科技風險關聯特征、傳染路徑與溢出效應，識別系統性重要機構，這對于科學揭示和把握新的關聯網絡復雜系統中金融科技風險生成演化規律，進而構建有效的金融科技風險防控機制，守住不發生系統性金融風險底線，促進金融科技健康發展，提升我國金融科技國際競爭力等，具有重要的理論價值和現實意義。

二、文獻回顧

隨著金融創新的快速發展以及金融主體之間交易的增多，金融機構之間形成的關聯網絡關系也日益緊密，從復雜網絡的關聯性角度研究金融風險生成機制，探究系統性風險防范對策，這既為學術界提供了新的研究視角，也賦予了學者們重要的研究使命。

隨著現代計量經濟學的發展，國外學者開始從復雜網絡角度來考察金融機構的關聯性從而研究金融風險在復雜網絡中的衍生以及傳染（Brownlees等，2021；Brunetti等，2019）[1，2]。Billio等（2012）[3]通過Granger因果檢驗與主成分分析方法構建金融機構的收益率關聯網絡，發現近年來金融機構之間的關聯性水平正逐步上升。Diebold和Yilmaz（2014）[4]將方差分解與網絡拓撲理論相結合并置于VaR（在險價值）模型框架下構建金融機構股票收益率的有向加權網絡，以此來研究金融機構之間的相互關聯性。在CoVaR（條件在險價值）模型基礎上，Hautsch等（2015）[5]結合分位數回歸和LASSO算法提出尾部風險網絡模型，并度量不同階段的尾部風險傳染水平。H?rdle等（2016）[6]擴展CoVaR模型，引入金融機構的非線性關系，提出TENET方法，構建納斯達克上市的100家金融機構的尾部風險關聯網絡，并發現銀行具有較高的系統重要性。Wang等（2018）[7]采用TENET模型研究中國上市金融機構的關聯性與系統性風險，發現規模較小的金融機構也有較強的風險溢出效應。此外，也有學者研究發現規模較小的金融機構可能更易引發尾部風險（Altunbas等，2018；Parrado-Martinez等，2019）[8，9]。

國內學者基于復雜網絡理論對我國金融市場、部門和機構之間的關聯性進行了大量研究。傳統“大而不能倒”的思想開始轉向“太關聯而不能倒”的新理念（楊子暉和周穎剛，2018）[10]。李政等（2016）[11]通過網絡分析法分析發現我國金融機構的關聯網絡具有“小世界現象”和“無標度特性”等復雜網絡特征，中國金融市場中機構的關聯渠道較為復雜，且具有很強的層次特點（鄧向榮和曹紅，2016）[12]。楊子暉等（2020）[13]結合網絡分析方法和非線性因果檢驗方法，構建“全球金融市場和經濟政策不確定性”的非線性關聯網絡，發現股票市場和外匯市場分別是風險的主要溢出方和主要接受者，且兩者之間存在非對稱傳染效應。曹齊芳和孔英（2021）[14]采用TENET方法搭建以金融科技、銀行和證券機構為主體的風險關聯網絡，得出了金融科技的內外部風險傳染性最強且金融危機會加劇風險的跨部門傳染的結論。王綱金等（2022）[15]通過TENET模型構建尾部風險網絡度量金融機構關聯性，并從系統整體、部門行業、機構個體三個層面對網絡關聯進行了分析。張飛鵬等（2022）[16]創新性地將滑動窗口分位數回歸與局部高斯相關方程相結合，構建了一種全新的多層時變網絡，即局部高斯相關網絡（LGCNET）。傅強和石澤龍（2022）[17]則建立了高維度局部平穩的非參數時變VHAR模型，提出聯合網絡關聯度的頻率成分指標，通過研究認為我國金融系統性風險的聯合網絡關聯度比較高且持續性波動，且大型證券公司和股份制銀行為風險凈傳播者，大型國有銀行及其他金融機構為風險凈接受者。

現有研究表明H?rdle等（2016）[6]提出的TENET方法不僅將機構間可能的非線性交互關系考慮在內，而且還具備變量選擇優勢，將更多重要且合適的影響因素考慮在內。因此，TENET方法更適用于構建網絡關聯結構以分析機構間的關聯水平，能更好識別尾部風險條件下的系統性金融風險。與既有文獻側重于傳統金融機構之間的關聯網絡風險研究不同，本文的邊際貢獻主要在于：創新性地將銀行、證券、保險等傳統金融機構和金融科技公司、其他類金融機構等新型類金融機構所結成的關聯關系定義為新關聯網絡，利用這一新的金融復雜關聯網絡探討兩類復雜主體機構、部門間的風險關聯性及其尾部風險溢出水平，拓寬了金融復雜系統研究的邊界；將金融科技公司等類金融機構作為新的參與主體刻畫新關聯網絡的復雜結構特征，拓展了類金融機構關聯性研究；構建新關聯網絡中兩類主體間的關聯強度度量模型并對其風險溢出效應進行測度，豐富了風險傳染機制理論。

三、研究設計

（一）尾部風險溢出網絡模型

1. CoVaR模型。由于VaR模型衡量機構的風險大小，無法度量各機構內部的相互影響和各部門之間的風險溢出效應，Adrian和Brunnermeier（2016）[18]在傳統VaR模型的基礎上提出了CoVaR理論，該理論不僅能分析金融系統內機構的關聯性，還能對系統性風險進行度量。機構[i]和[j]在時間[t]時，機構[j]的CoVaR定義為機構[i]處于某種情況[C（Xi，t）]時機構[j]的風險價值，記為[CoVaRjC（Xi，t），t，q]。其中，[C（Xi，t）]包括[Xi，t=VaRi，t，q]的事件和宏觀經濟狀態[Mt-1]，下文將把[CoVaRjC（Xi，t），t，q]簡記為[CoVaRji，t，q]。

[Pr（Xj，tC（Xi，t）≤CoVaRjC（Xi，t），t，q）=q] （1）

[Xi，t]為機構[i]在時間[t]的對數收益率，[q]為置信水平。利用線性分位數模型估計時變[VaRi，t，q]和[CoVaRji，t，q]，得到如下表達式。

[VaRi，t，q=αi+γiMt-1] （2）

[CoVaRji，t，q=αji+γjiMt-1+βjiVaRi，t，q]" （3）

[Mt-1]為影響風險溢出效應的宏觀經濟變量，由于信息傳遞具有滯后性，故將其滯后一階進行表示。由此可見，機構[j]的風險大小取決于宏觀經濟變量[Mt-1]和機構[i]的在險價值[VaRi，t，q]，系數[βji]表示機構[i]溢出到機構[j]的尾部風險大小。

2. TENET模型。由于金融系統競爭合作、業務交叉以及市場本身存在的多樣性和復雜性，機構間的風險傳導效應已經不能完全用簡單的線性關系進行解釋，非線性模型在市場不穩定的條件下表現得更加合適。因此，本文借鑒H?rdle等（2016）[6]的TENET模型構建金融系統的尾部風險溢出網絡。該模型先估計各機構在[q]分位數下的在險價值[VaRi，t，q]，再采用單指數分位數回歸模型構建尾部風險關聯網絡。具體設定公式為：

[Xj，t=g（βTjRjRj，t）+εj，t] （4）

[CoVaRTENETjRj，t，q=g（βTjRjRj，t）] （5）

[DjRj=?g（βTjRjRj，t）?Rj，tRj，t=Rj，t=g'（βTjRjRj，t）βjRj] （6）

上述公式中，[Xj，t]為機構[j]的對數收益率，[Rj，t=X-j，t，Mt-1，Bj，t-1]為解釋變量集，[X-j，t=X1，t，X2，t，X3，t，…，XN，t]為除了機構[j]以外其他[N-1]家機構的對數收益率，[N]為樣本總數；[Mt-1]為在[t-1]時刻的宏觀狀態變量集；[Bj，t-1]為各機構的特征變量。[βjRj=βj-j，βjM，βjBjT]為[Rj，t=X-j，t，Mt-1，Bj，t-1]對應的系數集，[βjRj=βj-j，βjM，βjBjT]由[g（·）]代表機構間風險的非線性估計。[Rj，t=VaR-j，t，q，Mt-1，Bj，t-1]，[VaR-j，t，q]為除機構[j]以外其他[N-1]個機構的風險價值[VaR-j，t，q]，[CoVaRTENETjRj，t，q]為在模型TENET下機構的尾部風險大小。

公式（6）中的[Dji]由[CoVaRTENETjRj，t，q]求導得出，[DjRj=Dj-j，DjM，DjBjT]刻畫了協變量的邊際影響，其中[Dj-j]表示其他機構對機構[j]的風險溢出效應，在此基礎上可構建尾部風險溢出網絡[GV，E]，[V=1，2，…，N]表示金融系統中的各個機構，[E]表示機構間風險溢出大小和方向。因此，基于TENET模型的鄰接矩陣D定義如下。

[D=0D12D13…D210D23…D31D320…?DN1?DN2?DN3?… D1ND2ND3N?0] （7）

[Dji]為[Dji]的絕對值，反映了機構[i]對機構[j]的尾部風險絕對溢出大小，當[j=i]時，[Dji=0]，該矩陣每一行表示各機構的風險溢出效應，每一列表示各機構的風險溢入效應。本文參考H?rdle等（2016）[6]和王綱金等（2022）[15]的研究，采用滾動窗口分位數回歸估計時變VaR并構建動態TENET尾部風險溢出網絡。

（二）新關聯網絡關聯性結構的刻畫

1. 新關聯網絡的關聯性結構衡量指標。新關聯網絡由傳統金融機構（銀行、證券、保險等）和新型類金融機構（金融科技公司、其他類金融機構等）兩類復雜主體構成，為全面刻畫新關聯網絡復雜的結構特征，本文參考Wang等（2018）[7]的研究方法，分別從金融系統、兩類主體間、部門、機構四方面進行探討（見表1）。

2. 新關聯網絡關聯性結構刻畫的數據說明與變量選取。（1）數據說明。新關聯網絡構成主體為上市銀行、證券、保險和金融科技公司四個部門，本文參考2021年第三季度行業分類指引、國證香蜜湖金融科技指數和中證金融科技主題指數確定初始研究樣本，再結合數據完整性按照以下原則進行二次篩選：①上市時間在2012年1月之前；②樣本期間內連續停牌時間不得超過14周；③樣本期間內不存在ST及*ST情況；④上市公司市值位于行業前列，即四大部門市值排名前30位的企業。將借殼上市的機構股票復牌時間設為上市時間，最終確定51家代表性機構作為研究樣本，包括16家商業銀行、15家證券公司、4家保險機構以及16家金融科技公司。考慮到充足的歷史數據能較好刻畫新關聯網絡的結構特征，本文將樣本確定為2012年1月6日—2022年9月30日的周度數據，此段時間范圍包含了農業銀行、東吳證券、新華保險等重要金融機構，能較好確保樣本的數量規模，總樣本觀測值為551。

（2）機構收益率。上市機構的資產價格和資金風險能在股票市場得到充分體現，股票市場數據不僅能反映市場對機構的預期，還反映了不同時期的金融風險，因此，選取上市機構的股票收益率作為研究對象。利用各上市機構每周的收盤價計算周對數收益率[Xi，t=ln（Pi，t/Pi，t-1）]，其中[Pi，t]為機構[i]在時間[t]的周度收盤價，樣本機構收益率的描述性統計見表2。描述性統計①顯示收益率序列為尖峰厚尾狀態，對收益率序列進行正態性檢驗發現中國太保在10%水平下顯著，其余機構均在5%水平下顯著，表明所選樣本機構均不是正態分布，符合金融序列建模特征。ADF統計結果顯示樣本機構均在1%顯著性水平下拒絕存在單位根的原假設，各機構的收益率序列是平穩的。

（3）機構特征變量。微觀個體特征是機構風險的主要來源，參考Adrian和Brunnermeier（2016）[18]、H?rdle等（2016）[6]、曹齊芳和孔英（2021）[14]的相關研究，從財務指標中選取能反映機構內在脆弱性和規模的個體特征變量，分別是資產權益比、資產規模、市值賬面比和資產收益率（見表3）。由于特征變量數據來自上市機構的季度財務報表，故采用三次樣條插值法將季度數據轉換為周度數據。

（4）宏觀狀態變量。借鑒周天蕓等（2014）[19]的相關研究，選取與金融機構尾部風險有緊密關聯的宏觀狀態變量（見表4），變量統計頻率為周。其中，流動資產利息差（M1）反映流動性風險，短期債券利率差（M2）反映利率風險，期限結構（M3）反映不同期限資金的供求關系，信用利差（M4）反映信用違約風險，市場回報率（M5）和市場波動率（M6）反映市場風險，房地產收益率（M7）反映房地產市場收益。

以上上市機構收盤價數據、特征變量數據和宏觀狀態變量數據均來自萬得數據庫。

四、實證分析

如前所述，為捕捉新關聯網絡下金融系統、兩類主體間、部門間、機構間的動態關聯性和網絡特征，本文運用滾動時間窗口估計時變VaR和CoVaR，并在此基礎上通過TENET模型構建機構間尾部風險溢出網絡，在此設定時間窗口n=51（約為1年交易周），分位數q=0.01。研究樣本起始時間為2012年1月6日，總樣本觀測值為551，而經過滾動窗口估計后得到498個網絡結構的周關聯特征。

（一）金融系統總體關聯性分析

圖1展示了樣本期間內金融系統總體關聯度（TC）動態演化結果。總體來看，機構尾部風險溢出網絡總體關聯性水平呈現明顯的周期性特征，宏觀經濟波動和市場效應會導致不同的網絡關聯特征，機構尾部風險在金融危機發生期間的溢出效應較為強烈，金融系統關聯網絡的總體關聯度在危機發生期間較高。具體來看，2013年的總體關聯性相對穩定，在3～4區間中波動；2014年開始總體關聯度上升，并在第四季度達到了該年度最高點6.62。一方面，2014年債務危機繼續惡化，我國開啟貨幣寬松周期；另一方面，中國股市于2014年第四季度開始在資金和風險偏好的驅動下進入牛市，金融系統總體關聯度明顯上升并開始維持高位。2015—2016年年中，金融系統總體關聯度不斷攀升，并于2016年第二季度達到最高點14.07，主要原因可能是：在此期間中國股市出現大幅震蕩導致上市公司大面積停牌，熔斷機制出臺、資本市場暴漲暴跌、地產泡沫日趨嚴重等加重了以銀行為核心的金融機構的風險承擔；此外，金融科技行業在此期間的增長速度加快，股權眾籌、互聯網保險、互聯網理財等逐漸進入大眾視野。2016年下半年開展了金融“亂象”整治，市場交易量隨著多項政策文件的出臺開始萎縮，總體關聯度在該年第四季度急劇下降至1.56。2017年第一季度的總體關聯度在監管政策有效實施的背景下保持平穩，但隨著流動性回暖疊加美聯儲加息和中美貿易爭端，總體關聯度從該年第二季度開始回升。2018年的中美貿易摩擦和P2P爆雷潮使總體關聯度上升并在2～4區間中波動，但隨著互聯網金融風險專項整治、網貸風險專項整治和P2P網貸行業縮水，總體關聯度在2019年開始下降并保持在較低水平。2020年初突如其來的新冠疫情使總體關聯度水平再次上升，2020年2月，中央政治局常委會會議圍繞做好“六穩”工作提出加大金融支持力度、加大新投資項目開工力度等，與此同時國務院常務會議提出下調貸款利率、完善稅收減免政策等以維護經濟社會正常運行，2020—2022年總體關聯度在一系列政策的有效實施下保持較低水平。

為驗證本文的研究結論，采用總體關聯度密度（WTC）對樣本期間關聯網絡的動態變化進行分析，表示為[WTC=TCN×（N-1）]，即總體關聯度與各機構間最大可能有向連接數據的比值（李紹芬和劉曉星，2018）[20]。經過對新關聯網絡中金融系統總體關聯度密度的計算和描述可以發現（見圖2），樣本期間內的總體關聯度密度與總體關聯度的變化趨勢大致吻合，說明本文的研究結論具有一定穩健性。

（二）兩類主體間關聯度分析

從樣本期間內兩類主體間的風險溢出總和方向可以看出（見表5），傳統金融機構對新型類金融機構的溢出強度高于對本身的溢出強度，新型類金融機構則對本身的風險溢出強度較高，而對傳統金融機構的風險溢出強度較低，即新型類金融機構內部風險溢出最為緊密。金融科技機構一般跨行業、跨市場、跨區域經營，業務產品表現為多主體、多環節、多層次技術疊加，這使得金融市場主體之間的連接模式日益復雜，新型類金融機構的技術創新不穩定性與業務相聯性容易引發價格效應等間接風險傳染（曹齊芳和孔英，2021）[14]。而銀行、證券和保險等傳統金融機構逐漸向業務辦理線上化、理財智能化等轉型，與新型類金融機構形成了競爭與合作并存的發展格局。

從兩類主體間的風險溢出動態變化發現，不同主體的風險關聯性存在一定差異（見圖3）。從圖3（a）看，2013—2016年，傳統金融機構對新型類金融機構有顯著的風險溢出；2017—2018年，傳統金融機構對自身的風險溢出強度高于對新型類金融機構的風險溢出強度；2019—2022年，傳統金融機構對自身和新型類金融機構的風險溢出強度相差不大，但略低于對新型類金融機構的溢出強度。從圖3（b）看，在整個樣本期間，新型類金融機構對自身的風險溢出強度變化趨勢與總體關聯度的變化趨勢相似，存在周期性波動，并且始終高于對傳統金融機構的溢出強度，而對傳統金融機構的溢出強度則較低且處于平穩狀態。綜上所述，在復雜的新關聯網絡中，新型類金融機構更容易受到來自傳統金融機構和自身尾部風險溢出效應的影響。

（三）金融部門間關聯度分析

部門溢入強度（ISS）與溢出強度（OSS）動態變化圖（見圖4）顯示了金融系統內四大部門在樣本期間內尾部風險溢入與溢出水平的強弱及其動態變化。從圖4（a）來看，縱向分析發現四大部門在危機發生時的變化趨勢相似，橫向分析發現金融科技部門的風險接受程度最高，銀行和證券部門風險接受程度不相上下，保險部門風險接受程度最低。從圖4（b）來看，四大部門總體變化趨勢與部門溢入強度一致，比如2016年，四大部門的尾部風險溢入強度與溢出強度都呈現急劇下降趨勢，橫向對比發現金融科技部門對其他部門的影響最大，而保險部門對其他部門的影響最弱。

由于部門溢入強度或溢出強度之和為金融系統總體關聯度，因此，部門溢入強度與溢出強度的變化趨勢與總體關聯度的變化趨勢相似，部門間的風險與金融系統整體的風險緊密相連。結合圖1與圖4進行關聯性分解分析，在整個樣本期間內，金融科技部門的風險溢入與溢出強度明顯高于其他三個部門，并且在2016年達到最高水平，也主導總體關聯度在2016年達到最高水平，說明金融科技在整個金融系統中占據重要地位，而保險部門的溢入溢出強度處于平穩狀態。具體來看，2013—2014年，在金融科技部門風險溢入強度與溢出強度與其他三個部門變化趨勢相反的情況下，總體關聯度的變化趨勢主要與金融科技部門一致。2015年至2016年年中，“股災”期間的資本市場經歷暴漲暴跌，總體關聯度劇烈波動并處于高位，金融科技部門的風險溢入與溢出強度整體上呈現上升趨勢，銀行和保險部門呈現先上升后下降的趨勢，但此期間證券部門呈現先下降后上升的趨勢。2016年年中至2017年年中，總體關聯度呈現先急劇下降再上升的趨勢，該趨勢主要由金融科技部門和銀行部門的溢入溢出強度以及證券部門的溢出強度主導。2017年下半年至2019年年中，受互聯網金融整頓、中美貿易摩擦、金融監管等因素的影響，總體關聯度呈現“下降—上升”的周期性變化，此時金融科技部門的溢入與溢出強度變化趨勢與總體關聯度相似，保險部門保持平穩，而銀行部門的溢入與溢出強度在2018年至2019年的變化趨勢與金融科技部門相反。2019年下半年至2020年年中，總體關聯度的持續下降趨勢由金融科技、證券、銀行部門的溢入溢出強度共同主導。2020年下半年至2022年，總體關聯度雖然存在持續波動，但波動幅度不大，主要由金融科技、證券、銀行部門的溢入強度主導。

綜上所述，從總體關聯度、部門風險溢入強度與溢出強度的變化趨勢來看，在新關聯復雜網絡中，金融科技部門不僅是風險的主要溢出者，還是尾部風險的主要接受者。

觀察樣本期間各部門內部和不同部門間尾部風險溢出強度和方向（見表6），發現各部門內部風險溢出強度高于跨部門風險溢出強度，主要原因是同部門內部的業務模式相近且聯系緊密。四個部門相比較，金融科技部門內部風險溢出最強，這與曹齊芳和孔英（2021）[14]的研究結論一致。其他三個部門的內部風險溢出總和較低，均在0.75左右，保險部門最低，其次是銀行部門和證券部門。保險部門相較于銀行部門和證券部門更加穩定，而作為金融監管機構重點關注對象的銀行部門，其接受嚴格的合規監管和風險控制是風險溢出總和較低的主要原因。

（四）機構間關聯度分析

為分析機構間的直接影響，本文將[Dsji]和[Dsij]進行求和得到某機構對其余機構的風險溢出排名以及其余機構對某機構的風險溢入排名，選取51家機構中市值規模排名前15的機構，對每個所選機構僅分析三家對其最有影響的其他機構（見表7）。對于工商銀行（ICBC）來說，建設銀行（CCB）、農業銀行（ABC）、數碼視訊（SV）對其影響較大，其則對博彥科技（BYKJ）、中國銀行（BOC）、用友網絡（YON）的影響較大。對比機構的風險溢入和風險溢出，發現部分機構之間存在相互影響的關系，比如農業銀行（ABC）與北京銀行（BOB）、浦發銀行（SPD）與平安銀行（PAB）。

表8展示了2013年（“錢荒”事件）、2015年（“股災”事件）、2018年（中美貿易摩擦）和2020年（新冠疫情）四個年度中機構風險溢入強度和溢出強度排名前10的機構信息。對比發現，溢入強度和溢出強度相差不大，當金融系統總體關聯度較大時（比如2015年），溢入強度和溢出強度相比其他三個年度也較大，當總體關聯度較小時（比如2020年），溢入強度和溢出強度相比于其他三個年度也較小，這表明溢入強度和溢出強度變化趨勢與總體關聯度動態變化趨勢基本一致。對比部門分布發現，在發生極端事件的四個年度中，風險溢入強度和溢出強度排名前10的金融機構主要集中在金融科技部門，比如在2013年，風險溢入排名前10的金融科技機構有6家，風險溢出排名前10的金融科技機構有7家，說明金融科技部門在金融系統中占據著重要地位。另外，結合機構市值規模來看，風險溢入和溢出強度與市值規模不存在必然關系。

為了更形象地呈現全樣本在2013年、2015年、2018年和2020年機構間、部門間的尾部風險關聯網絡特征，進一步繪制了上市機構尾部風險溢出網絡關聯圖（見圖5），并通過設定閾值使關聯網絡圖更加清晰。網絡圖中的各個節點代表樣本機構，上方是銀行部門，左邊是金融科技部門，右邊是證券部門，下方是保險部門，關聯邊的箭頭方向表示尾部風險的溢出方向，關聯邊的粗細表示風險溢出強度。總體來看，發生極端事件的四個年度中，機構總體關聯度較高，且部門內部的聯系相對緊密，說明尾部風險溢出效應在各部門內部較強，也再次證明部門內部風險溢出強度高于跨部門風險溢出強度。其中，金融科技機構與證券機構之間的關聯邊較為密集，說明金融科技部門與證券部門之間的風險溢出效應在極端事件發生時較強，且金融科技機構既是尾部風險溢出者，也是風險溢入者，而保險機構與其他機構的關聯性較弱。就具體機構來看，2013年，南京銀行（NJCB）對證通電子（SZZT）的風險溢出強度較大；2015年，恒寶股份（HB）對證通電子（SZZT）、博彥科技（BYKJ）對華勝天成（TS）、中國平安（PAI）對數碼視訊（SV）的風險溢出強度較大；2018年，東北證券（NS）對華勝天成（TS）、國海證券（SS）對證通電子（SZZT）、博彥科技（BYKJ）對證通電子（SZZT）的風險溢出強度較大；2020年，中國太保（CPIC）對工商銀行（ICBC）、東吳證券（SCS）對證通電子（SZZT）的風險溢出強度較大。綜合來看，在極端事件發生期間受尾部風險影響較大的機構主要集中在金融科技部門。

（五）系統重要性金融機構識別

為進一步分析各機構對系統性金融風險的貢獻情況，本文將機構市值規模考慮在內，計算樣本期間內不同時間窗口的系統性風險接受者指數（SRR）和系統性風險發送者指數（SRE），并根據機構對系統性風險的貢獻進行排名。圖6和圖7分別展示SRR和SRE的熱力圖變化，其中顏色越淺表示SRR和SRE值越高，顏色越深表示SRR和SRE值越低。從系統整體角度來看，隨著時間的推移，大部分機構的SRR值和SRE值在2014—2018年逐漸變深，在2018—2021年逐漸變淺，說明各機構對系統性風險的貢獻程度呈現先減弱后增強的趨勢。從部門角度來看，四大部門系統性風險貢獻存在明顯差異，SRE和SRR熱力圖顯示銀行部門和保險部門顏色偏淺，證券部門和金融科技部門偏深，說明銀行部門和保險部門不僅是系統性風險的主要來源，還是受系統性風險影響最為顯著的部門，而證券部門和金融科技部門對系統性風險的貢獻程度較低。從機構和機構市值規模角度來看，SRR和SRE值與機構市值存在一定關系，系統性風險指數隨著機構市值的增加而增加，如銀行部門的建設銀行（CCB）、農業銀行（ABC）、中國銀行（BOC），保險業的中國人壽（CL）和中國平安（PAI）。另外，規模最大的中國工商銀行（ICBC）不是主要的系統性風險來源，卻是受系統性風險影響最顯著的機構。

根據系統性風險指數（SRR和SRE）給出樣本機構在系統內的排名熱力圖（見圖8和圖9），顏色越淺表示SRR和SRE值的排名越靠前，顏色越深表示排名越靠后。觀察圖8和圖9發現，其主要特征與圖6和圖7相同，排名靠前的依舊為銀行部門和保險部門，其次為證券部門和金融科技部門。銀行部門對系統性風險貢獻程度最大，主要原因在于迅速增長的中國經濟和直接融資市場的有限體量造成的過度銀行化，銀行積聚的大量風險會通過同業拆借、清算業務等渠道傳遞給其他金融機構。保險業在金融混業經營的趨勢下逐漸向多元化發展，保險機構發生的業務關系由于銀保、信保等產品多層嵌套業務而變得更加密集，對系統性風險貢獻也相對變大。證券部門處于較低的系統重要性水平，可能的原因是券商自身資本相對豐厚，有能力抵抗系統性風險沖擊，并且能通過調整自身資產配置減少對其他部門的影響。金融科技部門對系統性風險貢獻排名靠后，可能原因是金融科技機構規模較小，當出現較大的風險缺口時，會通過網絡信貸、同類技術漏洞等渠道將風險傳遞給其他機構。

五、結論與政策建議

（一）研究結論

本文立足傳統金融機構（銀行、證券、保險等）和新型類金融機構（金融科技公司、其他類金融機構等）兩類復雜金融主體構成的新關聯網絡，依據51家上市機構數據，運用TENET方法構建機構尾部風險溢出網絡，度量機構間的關聯度，在此基礎上識別出系統重要性機構。主要結論如下：第一，新關聯網絡系統總體關聯度呈現明顯的周期性特征，并且在危機發生時處于較高水平，機構尾部風險溢出效應較為強烈。第二，新型類金融機構更容易受到來自傳統金融機構和自身尾部風險溢出效應的影響。第三，新型類金融機構既是風險溢出的主要輸出者，也是風險溢出的主要接受者，金融部門內部風險溢出強度高于跨部門風險溢出強度。第四，新型類金融機構的風險溢入強度和溢出強度在危機期間較為突出，但與市值規模無明顯因果關系。第五，銀行和保險部門不僅是系統性風險的主要來源，而且受系統性風險影響較為顯著。

（二）對策建議

基于以上研究結論，建議從以下方面加強和改進金融科技風險防控策略。

1. 完善中國版監管沙盒模式，實現金融科技創新與風險監管之間的平衡。將金融科技創新全鏈條納入沙盒測試，一方面，要通過對創新產品的全程評估，識別和支持有效金融科技創新，提高金融效率，加大金融對實體經濟的支持。另一方面，要通過對金融科技創新主體行為、資金多層嵌套的跟蹤監測，將金融科技創新的資金來源、業務環節與最終投向穿透連接起來，運用大數據、機器學習、智能算法、網絡分析等科技手段賦能穿透式監管，增強監管的靈敏性、時效性、精準性和前瞻性。強化穿透式監管的關鍵是落實“兩個穿透”：一是對高風險產品落實資本監管穿透，嚴格執行邊界管理和名錄管理，明確產品的邊界和規模，掌握基礎資產的性質和風險，限制期限錯配和多層嵌套；二是對高風險關聯業務加強交易行為穿透，嚴格評估監測交易對手風險，最大限度避免監管盲區，堵塞監管漏洞。

2. 建立跨新關聯網絡的審慎監管機制，確保對關聯風險的全覆蓋。一是嚴格落實持牌經營，防止金融科技公司或平臺以各種方式或途徑“無證駕駛”開展金融業務。二是對合格新型類金融機構，應與傳統金融機構一樣設立資本充足率、杠桿率等監管指標，防止因其濫用杠桿、放大杠桿、過度授信而導致風險外溢至傳統金融機構。三是對新型類金融機構建立風險隔離機制，在關聯網絡中的金融科技產品之間、新舊機構之間、業務渠道之間筑起“防火墻”，有效阻斷風險的交叉溢出。四是加強對系統重要性新型類金融機構的識別和認定，以明確金融科技監管的重點對象。五是建立跨部門的關聯風險協同聯動防控機制。新關聯網絡下，金融科技涉及金融穩定、消費者保護等多個關聯目標，金融監管部門只有與數據保護、市場競爭、消費者保護、網信等部門建立長效的協同聯動機制，方能有效防止金融科技風險跨機構、跨部門疊加、傳染和溢出。

注：

①限于篇幅，此處僅展示機構收益率序列部分統計結果和證明序列平穩性的檢驗結果，詳細的描述性統計分析留存備索。

參考文獻：

[1]C Brownlees，C Hans，E Nualart. 2021. Bank Credit Risk Networks：Evidence from the Eurozone [J].Journal of Monetary Economics，117.

[2]C Brunetti，J H Harris，GMichailidis，S Mankad. 2019. Interconnectedness in the Interbank Market [J].Journal of Financial Economics，133（2）.

[3]M Billio，AW Lo，M Getmansky Sherman，L Pelizzon. 2012. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors [J].Journal of Financial Economics，104（3）.

[4]F X Diebold，K Yilmaz. 2014. On the Network Topology of Variance Decompositions：Measuring the Connectedness of Financial Firms [J].Journal of Econometrics，182（1）.

[5]N Hautsch，J Schaumburg，M Schienle. 2015. Financial Network Systemic Risk Contributions [J].Review of Finance，19（2）.

[6]W K H?rdle，W Wang，L Yu. 2016. Tenet：Tail-event driven Network Risk [J].Journal of Econometrics，192（2）.

[7]G J Wang，Z Q Jiang，M" Lin，C Xie，H E" Stanley. 2018. Interconnectedness and Systemic Risk of China's Financial Institutions [J].Emerging Markets Review，35.

[8]Y Altunbas，M Binici，L Gambacorta. 2018. Macroprudential Policy and Bank Risk [J].Journal of International Money and Finance，81.

[9]P Parrado-Martínez，P Gómez-Fernández-Aguado，A Partal-Urea. 2019. Factors Influencing the European Bank's Probability of Default：An Application of SYMBOL Methodology [J].Journal of International Financial Markets，Institutions and Money，61.

[10]楊子暉，周穎剛.全球系統性金融風險溢出與外部沖擊 [J].中國社會科學，2018，（12）.

[11]李政，梁琪，涂曉楓.我國上市金融機構關聯性研究——基于網絡分析法 [J].金融研究，2016，（08）.

[12]鄧向榮，曹紅.系統性風險、網絡傳染與金融機構系統重要性評估 [J].中央財經大學學報，2016，（03）.

[13]楊子暉，陳里璇，陳雨恬.經濟政策不確定性與系統性金融風險的跨市場傳染——基于非線性網絡關聯的研究 [J].經濟研究，2020，55（01）.

[14]曹齊芳，孔英.基于復雜網絡視角的金融科技風險傳染研究 [J].金融監管研究，2021，（02）.

[15]王綱金，徐梓雙，謝赤.中國金融機構關聯性與系統性風險貢獻研究——基于尾部風險溢出網絡視角 [J].管理科學學報，2022，25（05）.

[16]張飛鵬，徐一雄，鄒勝軒，陳艷.基于LGCNET多層網絡的中國A股上市公司系統性風險度量 [J/OL].中國管理科學：1-12[2022-11-09].

[17]傅強，石澤龍.系統性金融風險的聯合網絡關聯度測量及頻率研究——基于局部平穩的非參數時變VHAR模型 [J/OL].中國管理科學：1-14[2022-11-09].

[18]T Adrian，M K Brunnermeier. 2016. CoVaR [J]. American Economic Review，106（ 7） .

[19]周天蕓，楊子暉，余潔宜.機構關聯、風險溢出與中國金融系統性風險 [J].統計研究，2014，31（11）.

[20]李紹芳，劉曉星.中國金融機構關聯網絡與系統性金融風險 [J].金融經濟學研究，2018，33（05）.