中國產業債風險傳導網絡及影響因素研究

牛曉健 徐媛

摘 要：采用復雜網絡方法，以2011年11月至2021年11月發行的全部一年期及以上產業債為研究對象，以產業債平均風險利差量化債券風險，利用彈性網絡回歸方法構造了發債主體間和主體行業間風險傳導網絡模型，剖析了產業債市場靜態和動態風險傳導效應，并在此基礎上研究了產業債市場風險傳導效應的影響因素。研究發現，中國產業債市場上易出現風險利差同升降的情況；通過產業債風險傳導網絡的度分布，可有效識別系統性風險較高的發債公司及行業；近十年間系統性風險最高的前十大公司分布較為分散，行業相對集中，主要為公用事業、技術硬件與設備等；從風險傳導效應的影響因素來看，控制杠桿率和提高盈利能力可有效降低產業債發行主體的風險溢出效應。

關鍵詞：產業債；復雜網絡；債券市場；風險傳導

中圖分類號：F832.5文獻標識碼：A文章編號：1009 - 5381（2023）04 - 0083 - 12

一、引言

近年來，隨著我國資本市場不斷完善，債券這一直接融資方式在金融市場中發揮的作用愈加重要。截至2021年11月，我國存量信用債規模為42.31萬億元，相比2011年11月的6.03萬億元規模，近十年間翻了約7倍，規模增勢明顯。然而，隨著債市規模不斷擴大，相應風險也不斷顯現，尤其是2014年剛性兌付被打破后，債市違約頻發，其中不乏資本和背景雄厚的大型國企。截至2021年11月，市場上的違約債券類別均為產業債。所謂產業債，是指其發行主體業務結構涵蓋工業、能源、材料、消費等各類產業，由于產業債發行人更多依賴產業類資產運營產生現金流，相對于純粹的城投主體，獲取的政府補貼較少，缺少政府隱性擔保，還本付息來源主要為自身經營收入，不確定性較高，經營風險和償債風險也更高。此外，產業債也是當前存續信用債的主體，余額占比達78%[1]。因此，對產業債信用風險進行研究，分析其風險傳導結構及相關影響因素尤為重要。

隨著網絡科學蓬勃發展，復雜網絡理論越來越多地被應用到金融領域，如股票網絡、銀行間借貸網絡、外匯網絡、保險網絡、貿易網絡等。復雜網絡作為物理學和計算機科學發展孕育的理論，在研究金融風險與風險傳染的復雜性方面具有明顯優勢。債券市場作為金融市場重要組成部分，其網絡特征也尤為明顯，不同地區、不同行業、不同品種債券間呈現出高度相關性，如2020年永煤集團信用債違約對河南及煤炭行業信用債市場產生了明顯沖擊，也在一定程度上影響了其他地區和行業信用債風險利差。在此背景下，從網絡視角研究我國產業債市場風險傳導網絡結構及影響因素，具有重要的現實意義。

本文以兩個實例對債券間風險傳導加以分析（見圖1）。2020年11月10日，永煤集團未能按期兌付“20永煤SCP003”到期應付本息，構成實質性違約，立即引發了煤炭行業及河南地區產業債風險傳播鏈式反應。至2020年12月底，煤炭行業產業債風險利差上升了近77BP，河南地區產業債風險利差上升近65BP，其他地區及行業產業債風險利差整體走闊，上升近36BP，直至2021年下半年才逐步回落。2020年9月8日，渤海租賃股份有限公司未能按期兌付“19渤海租賃SCP002”應付本息，構成實質性違約，但并未對其所在的非銀金融行業及新疆地區產業債的風險利差造成較大影響，也未影響產業債風險利差整體走勢。這兩起事件盡管發生時間相近，產生效果卻截然不同，可見不同產業債主體公司會有不同的風險傳導效果，不同行業產業債公司對沖擊的敏感性也不相同。因此，探索不同產業債主體及其所在行業的風險傳導效果及影響因素，對識別我國產業債市場關鍵風險點、防范化解重大風險有重要意義，可有效地確定系統重要性風險源、識別影響風險傳導能力的重要因素以進行有效應對，從而為有效防范債券市場系統性風險、建立符合中國國情的產業類債券風險分析評估體系作出重要貢獻。

據此，本文選取2011年11月至2021年11月期間所有1年期及以上的產業債為研究對象，以產業債平均風險利差量化風險，利用彈性網絡回歸方法對產業債發行主體及所在行業間風險利差進行回歸，構造了發債主體間和主體行業間風險傳導網絡模型。在此基礎上，研究了產業債市場風險傳導效應的影響因素，選取杠桿率、盈利能力、收益質量等解釋變量對風險傳導網絡統計指標進行回歸，探究影響風險傳導效應的主要因素并提出了相應的政策建議。

二、文獻綜述

在研究金融風險傳導機制時，國內外學者主要采用了相關系數、CoVaR、GARCH、Granger因果檢驗、復雜網絡等方法進行研究。Adrian and Brunnermeier首次通過CoVaR的方法度量風險溢出效應，克服了利用方差測度風險的缺陷[2]；Diebold and Yilmaz選取向量自回歸（VAR）模型來預測波動溢出性，克服了此前方法中無法量化風險、無法動態刻畫風險特征等不足[3]；Miller and Rattira探究了各金融子市場之間（如股市、債市等）的風險傳染效應[4]；Gray and Jobst通過建立國民經濟各部門的資產負債表，利用CCA模型分析了各部門之間風險傳導機制[5]；Bliss等從中介機構和金融市場兩個角度出發，構建了以市場波動率為核心的金融壓力指數來衡量金融風險傳導[6]。

目前國內外對債券市場風險傳導效應的研究較少，現有的研究多是對債券市場與其他金融子市場（如股票市場）的風險傳導效應研究，而對債券市場內部風險傳導的研究較少。Fleming等通過研究美國的股票、債券以及貨幣市場，發現三個市場間存在較強的風險波出關聯性，且這種關聯性受到市場預期信息和市場間的套期保值行為的影響[7]；Engle提出DCC模型并以此分析美國股債市收益率的關聯關系，并選取不同的股票市場指數與債券市場收益率進行實證分析[8]；Asgharian等研究發現宏觀經濟因素會影響股市和債市的溢出效應，經濟不振時兩者相關性較小[9]；Cascino在研究股市和債市相關性時發現，違約風險和債務期限是重要的影響因素[10]。

國內債券市場發展相對較晚，鄭振龍和陳志英研究影響股債相關性的主要因素，發現股市的不確定性和預期通脹率對股票市場和債券市場的相關性具有較大影響[11]；史永東等研究發現股市和債市之間存在“蹺蹺板”效應，但兩者之間的聯動效應總體不顯著[12]；牛霖琳等采用無套利Nelson-Siegel利率期限結構擴展模型研究發現，“避風港效應”和“補償效應”是城投債風險影響國債市場風險的兩個主要渠道[13]；閆彥明和張源欣研究發現宏觀經濟的波動和債券市場價格存在雙向波動關系，宏觀經濟對利率債以及中長期限債券的影響更大，且宏觀經濟波動對債券市場價格的影響力度強于債券市場價格波動對宏觀經濟的影響[14]；秦紅旭研究了我國企業債與國債市場間的風險傳導機制，發現兩個子市場之間存在風險溢出效應，且這種效應在2014年《預算法》頒布之后更加突出[15]；王蕾和周小攀采用溢出指數法研究了債券市場對股票市場、貨幣市場、外匯市場、存貸款市場的風險溢出效應，發現企業債（包含信用風險和利率風險）市場的溢出效應顯著高于國債市場（僅包含利率風險），這種現象在2014年之后尤為明顯[16]；賈韋唯利用主成分分析法和AFNS模型研究了債券風險溢價對利率的影響以及貨幣政策、債券風險溢價和宏觀經濟之間的關系，發現貨幣政策可以通過影響債券風險溢價進而影響宏觀經濟[17]；高揚和李春雨基于VAR向量自回歸模型計算溢出指數，對中國綠色債券市場與傳統固收市場、股票市場及外匯市場的風險溢出效應進行研究，發現綠色債券市場與傳統固收市場的風險溢出效應顯著，而與其他兩個市場溢出關系微弱[18]。

上述不同的理論方法在研究風險傳導時具有不同的側重點，也都存在一定的局限性。相關系數、CoVaR、Granger因果檢驗等方法是靜態的，難以描述金融風險的動態變化，而GARCH模型不適宜處理多變量非對稱的動態關系。復雜網絡作為物理學和計算機科學發展孕育的理論，在研究金融風險與風險傳染的復雜性方面具有明顯優勢。復雜網絡方法目前已應用到金融風險傳導研究的各個子領域，包括股票市場、債券市場、銀行間市場、保險市場等，但債券復雜網絡的構建及研究相對較少。牛曉健和梁曉明通過構建基金、債券雙層網絡，發現杠桿率限制與收益率之間互相影響，且這種交互影響會降低債市的抗風險能力[19]；楊雨茜通過構建城投債風險溢出網絡，研究了地方政府融資平臺間的風險溢出關系，并對影響風險溢出強弱的因素進行研究，發現短期負債率、財政透明度和政府補貼是影響城投債之間風險溢出能力的重要因素[20]；何芳等通過構建各省級地方政府與以銀行為主的債券主承銷商之間的復雜網絡，研究了地方政府債券網絡的拓撲結構及系統性風險[21]；王周偉利用修正的引力模型構建我國地方政府流動性信用風險空間關聯網絡，發現我國地方政府債流動性信用風險存在空間溢出關聯關系[22]；胡才龍和魏建國同樣基于引力模型構建我國地方政府債風險空間關聯網絡并對其拓撲結構進行研究，發現該網絡具有顯著的“無標度”和“小世界”的特征，并提出從跨省協同管理、加強區域間風險傳染防范等措施來防范地方政府債務風險傳導[23]；吳德勝等通過構建雙層交易對手方風險傳染網絡模型，從擔保及股權關系、信息互聯關系兩個層面研究了江蘇省和山東省非金融企業產業債發行人的復雜網絡，識別出區域性風險源，并提出相應的解決機制[21]。

總體來看，在債券市場復雜網絡的研究方面，國內外學者的研究對象主要為地方政府債券和城投債，而對于我國產業債市場風險傳導網絡及風險傳導效應影響因素的定量研究較少。

三、模型構建與研究假設

（一）樣本、數據與指標

本文所選取樣本為2011年11月至2021年11月發行的全部1年期及以上主要產業債，債項數據包括債券代碼、發行人簡稱、起息日、到期日、發行期限、債項評級、主體評級、擔保情況、wind行業、企業性質、所在省份、所在城市及樣本期內每年250個交易日對應的中債估值收益率。本文參考楊雨茜以產業債的中債估值收益率減去同期限中債國債收益率之差為風險利差[20]，故樣本還包括這10年中每年250個交易日對應的中債國債收益率。在選取樣本時，剔除了發行期限小于1年的產業債數據，主要是考慮到1年以內的產業債期限較為靈活，難以與中債國債收益率期限相匹配，所計算的風險利差誤差較大。且由于1年以內的產業債流動性較好，發行規模在全部產業債中占比相對較低，剔除后對整體研究影響較小，故未將其納入樣本范圍。篩選后，樣本共有6684只產業債，涵蓋1212個產業債發行主體和19個對應的主體行業。

本文解釋變量數據為產業債發行主體在2011—2021年的財務數據。其中，2011—2020年為年度數據，2021年為半年度披露的數據，主要包括杠桿率及償債能力（資產負債率、長期資本負債率、流動比率、速動比率）、盈利能力（平均凈資產收益率、銷售毛利率、凈利率）、收益質量（經營活動凈收益/利潤總額）以及成長能力（營業收入增長率、凈利潤增長率）等。所有數據均來自Wind。解釋變量的描述性統計及相關系數結果備索。

（二）模型設計

1.彈性網絡回歸模型

LASSO回歸方法通過增加一個懲罰項，可壓縮某些變量回歸系數至0，進而達到變量篩選的目的，但當變量間具有高度相關性時，該方法效果有限。嶺回歸在變量具有相關性時仍能較好地使用，但篩選變量效果不及LASSO。對此，Zou和Hastie提出了彈性網絡回歸模型（Elastic Net），結合了LASSO回歸和嶺回歸兩種方法的優點，適用于存在多個不顯著變量的數據，同時還能保持正則化屬性[24]。

該方法可以用如下式子表示：

（1）

求使得代價函數最小時的ω的大?。?/p>

（2）

當ρ= 0時，其代價函數即為嶺回歸的代價函數；當ρ= 1時，其代價函數即為Lasso回歸的代價函數。

2.產業類債券風險傳導網絡構建

本文采用彈性網絡回歸方法建立產業債發行主體風險利差間回歸系數矩陣，以產業債發行主體為網絡節點，不同發行主體間回歸系數為網絡連邊。通常，我國債券市場一年交易日數在250天左右，因此本文時間窗口T（T與t的單位設為天）設定為250天。對樣本中每一個產業債發行主體i在樣本期內每一時間窗口（T=250天）的風險利差?Ri，t（t=1， 2， …250），以樣本中其他產業債發行主體的風險利差?Rj，t（j≠i）為自變量，對?Ri，t進行基于彈性網絡的回歸，得到回歸系數矩陣，以該回歸系數矩陣為載體建立債券風險傳導網絡。具體步驟如下：

（1）計算產業債發行主體i每個交易日t的風險利差?Ri，t。根據樣本數據中6684只產業債在樣本期內每個交易日t的債項信息，對樣本中的產業債m，根據其當日剩余期限及對應同期限的中債國債收益率，將當日的中債估值收益率與同期限中債國債收益率相減得到該產業債m在交易日t的風險利差?rm，t。由于產業債發行主體i在交易日t可能有多只存續產業債，取發行主體i在交易日t所有存續產業債風險利差的簡單平均，作為發行主體i在交易日t的風險利差?Ri，t。

（2）篩選樣本中每一時間窗口T內風險利差連續且均不為0的產業債發行主體為回歸自變量和因變量，計算產業債發行主體i對樣本內其他發行主體j（j≠i）風險利差的回歸系數矩陣。根據上步求出的產業債發行主體風險利差，對發行主體i在每一時間窗口T（T=250天）的風險利差?Ri，t（t=1， 2， …250），以樣本中其他產業債發行主體的風險利差?Rj，t（j≠i） （t=1， 2， …250）為自變量，對?Ri，t進行回歸。由于產業債期限固定，發行主體在一定時間窗口T內的某一或某段交易日可能沒有存續產業債，因此也沒有相應的風險利差，無法進行變量回歸，故在回歸前，應先對自變量和因變量進行篩選，確?；貧w結果有意義。篩選出相應的產業債發行主體風險利差后，考慮到樣本內產業債發行主體共有1212個，而時間窗口T內包含250個交易日，估計的參數多于每個發行主體的時間序列觀測數量。且產業債發行主體之間由于行業、地區的關聯性，往往存在較高的相關性。因此，本文通過彈性網絡回歸模型對上述數據進行回歸，得到每年公司的風險利差網絡如下：

（3）

其中，N為篩選后產業債發行主體的數量，βi，j代表發債主體i到主體j鏈接的權重，數字為0則表示發債主體i和主體j之間不存在相應的鏈接；當i=j時，βi，j=0。

（3）對具有系統重要性的產業債發行主體的風險利差再次進行回歸，得到篩選后的產業債發行主體回歸系數矩陣。在上步基礎上，將系數為0的產業債發行主體從樣本中刪除，僅保留在彈性網絡回歸后系數不為0的主體，得到新的系數矩陣（見表1）。βi，j顯著大于0表示公司j的風險利差和公司i同向波動，βi，j小于0代表公司j的風險利差和公司i反向變動，公司i對自身的βi，i取值為0。

（4）以篩選后的發行主體和對應回歸系數矩陣為網絡中的點和邊，構建公司層面的產業類債券風險傳導網絡。

（5）以某一行業中所有產業債發行主體的平均風險利差為行業風險利差，采用類似的方法建立行業層面的產業類債券風險傳導網絡。

（6）計算上述兩類產業債風險傳導網絡的相關拓撲結構指標，包括每一時間窗口T上的出度、入度、特征向量中心性等。

在表1中，矩陣第i行的和表示i接受的其他公司風險溢出的總和，也即為i在網絡中的入度，該矩陣第j列的和，表示公司j對其他公司風險溢出的總和，也即為j的出度。為時間窗口的個數，=1， 2， … 10。特征向量中心性適用于描述網絡中節點的長期影響力，其優點在于在衡量一個節點的重要性的時候，既考慮了其鄰居節點的數量，也考慮了其鄰居節點的重要性。

（三）風險影響因素回歸模型

為更好研究具有系統重要性公司的風險傳導效應強弱，通過更為直觀的基本面信息找到產業債網絡中高影響力節點。本文基于上述刻畫的產業債風險傳導網絡及拓撲指標結構，選取出度和特征向量中心性為被解釋變量，選用產業債發行主體的重要基本面數據為解釋變量，具體說明見表2。

針對產業債的特征，本文從杠桿率、盈利能力和收益質量三個角度開展影響因素分析，建立回歸模型如下：

EGV=α0+α11*杠桿率/盈利能力/收益質量相關變量+控制變量s+e （4）

Outdegree=α0+α21*杠桿率/盈利能力/收益質量相關變量+控制變量s+e? （5）

首先，產業債發行主體杠桿率越高，償債壓力越大。長期資本負債率體現了發行主體面臨的長期還款壓力，流動比率和速動比率則體現了發行主體的短期償債能力。當產業債主體面臨的還款壓力較大、資產變現能力較弱時，違約風險也較高。一方面，杠桿率水平一般具有行業屬性，一家發債主體杠桿率較高而面臨信用風險時，投資者很容易對整個行業杠桿率水平和還款能力產生懷疑，從而降低對該行業其他發債主體信用評級，引發系列的評級下調。另一方面，產業債主體間互相擔?，F象非常普遍，當一家公司出現還款危機時，與其互保的公司也面臨較大的擔保代償風險。

其次，產業債發行主體盈利能力越差，償債風險越大。產業債發行主體還款來源一般為自身經營收入，缺少來自政府的補貼收入和政府隱性擔保，因此，產業債發行主體盈利能力的高低和穩定性成為其未來償債的關鍵。當一家產業類債券發行主體的盈利能力或盈利穩定性較差時，其未來還款來源具有較大不確定性，相應風險也較高。

再次，產業債發行主體收益質量越差，償債風險越大。產業債發行主體收益質量體現了主營業務對利潤規模的貢獻度。本文采用經營活動凈收益/利潤總額來刻畫發行主體的收益質量，其中經營活動凈收益為營業總收入與營業總成本的差額。當該指標較高時，產業債發行主體的利潤主要來自主營業務盈利，而主營業務盈利一般具有較好的可持續性和可預測性，未來還款來源有一定保障；當產業債發行主體利潤來源主要為投資收益、其他收益等非經常性損益時，收益可持續性較差，還款來源保障較差，該債主體的償債風險會相對較高。

基于上述分析，本文提出假設：

H1：產業債發行主體的杠桿率越高，其風險傳導效應越強（α11>0，α21>0）。

H2：產業債發行主體的盈利能力越差，其風險傳導效應越強（α11<0，α21<0）。

H3：產業債發行主體的收益質量越差，其風險傳導效應越強（α11<0，α21<0）。

四、產業債風險傳導網絡分析

（一）公司層面風險傳導網絡

利用Python和Gephi軟件計算公司層面產業債風險傳導網絡的主要拓撲結構指標（以截至2021年11月的網絡為例，拓撲指標見表3），網絡中節點為570個，此為通過彈性網絡回歸篩選后具有系統重要性的公司個數。平均度反映了網絡中平均與每個節點（公司）相連的其他節點的數量，意味著一家公司風險利差波動可影響的范圍。平均度為228.595，即平均每家公司的風險利差波動及其所隱含的信息將影響到約228家公司，聯系非常緊密。平均加權度加入了權重，體現了每家公司對其他公司的平均影響，在本文中該權重由回歸系數體現。圖密度為網絡中實際存在的邊數與最大可能的邊數之比，反映了網絡的稠密性。2021年11月產業債風險利差網絡的圖密度為0.402，這是一個聯系相對緊密的網絡。平均路徑長度反映了網絡中任意兩個節點（公司）之間平均相隔的節點距離，可以衡量網絡中的信息傳輸、風險傳染的效率。2021年11月產業債風險利差網絡的平均路徑長度為1.600，任意兩家公司之間均有較好的連通性。聚類系數反映了網絡中任意兩個節點（公司）之間發生聯系的概率，同樣可以衡量網絡的聚集程度。根據計算結果，在2021年11月的產業債風險利差網絡中的聚類系數為0.584，即網絡中一家公司的風險利差波動對另一家公司造成影響的概率近60%。整體較高的聚類系數可以反映出我國產業債市場上較易出現風險利差同升同降的情況。

從動態角度來看，2014—2016年平均度快速上升，平均路徑長度和平均聚類系數呈下降趨勢，2016年之后平均度震蕩下降，平均路徑長度和平均聚類系數分別穩定在1.600和0.600左右。受“三去一降一補”政策影響，2015年底實體融資需求開始修復，地方政府通過政府購買、PPP、產業基金等融資渠道，諸多民企通過債市得以融資。同時，央行貨幣政策寬松、保持資金利率平穩，催生了金融加杠桿、流動性脫實向虛，債券需求力量擴張更快，推動利率創下新低，債券走向牛市，發債主體明顯增多，主體之間的聯系更加緊密，網絡中的平均度和平均路徑長度走勢可以明顯地體現出這一特點。2016年的債券牛市源于金融加杠桿，推動債市需求的非理性擴張，使得交易擁擠、行為一致、資產超配，中債國債收益率自2016年底開始一路上行，此后略有震蕩。

進一步計算得出網絡的重要節點度分布（見表4），可直觀地看出網絡中具備影響力的節點（公司）的分布情況，這對于監管具有重要意義。為便于直觀比較，表4按照度值由大到小進行排列，取度值大小排名前十的節點（公司）進行列示。截至2021年11月末，度值排名前十的公司分別為交投公司、紹興交通、青石大、中國一拖、小米通訊、湖北農資、泰陽實業、華虹集團、河北高速開發和以嶺醫藥，行業分布以公用事業、技術硬件與設備等為主。公用事業行業的公司通常資產規模較大，如交通運輸行業的交投公司、紹興交通、河北高速開發等，這類公司資產以存貨為主，流動性相對較弱，資產負債率較高，在市場中具有較大的影響力；技術硬件與設備行業的公司如小米通訊，其盈利能力具有波動性，償債能力有一定不確定性，在市場中也有一定的風險溢出效應。

（二）行業層面風險傳導網絡

在行業層面的風險傳導網絡中，節點代表的是產業債發行主體所在的行業，若兩個行業之間有連線，即代表行業間有溢出效應。本文所選樣本共涉及19個Wind二級行業，按照類似于公司層面網絡構建的方法，將所選擇的6684只產業債按照其所在行業分類，對每個交易日該行業所有債券的風險利差進行簡單平均，通過彈性網絡回歸方法進行回歸，得到行業層面的回歸系數矩陣，并以此構建風險傳導網絡。

由表5可見，在2014—2021年間，各網絡中節點數分別為17—19個不等，幾乎覆蓋了全部行業。在2014—2021年間，各年平均度的均值為16.530，這意味著每個行業的風險利差波動平均可以影響約16個行業，可以看出幾乎所有的行業之間的風險波動均會互相影響。圖密度為網絡中實際存在的邊數與最大可能的邊數之比，反映了網絡的稠密性，各年圖密度的均值為0.958，聯系非常緊密。各年平均路徑長度整體趨于穩定，均值為1.042，任意兩個行業之間均有較好的連通性。聚類系數反映了網絡中任意兩個節點（行業）之間發生聯系的概率，同樣可以衡量網絡的聚集程度。各年聚類系數的平均值為0.960，即網絡中某一行業的風險利差波動對另一行業造成影響的概率超過95%?？梢钥闯觯?014—2016年平均度和平均聚類系數呈現上升趨勢，平均路徑長度呈下降趨勢，2016年之后平均度和平均聚類系數震蕩下降，平均路徑長度震蕩下降。整體走勢與公司層面的風險傳導網絡動態走勢較為一致，進一步印證了行業層面風險傳導網絡的實證結果與近十年債市行情整體的一致性。

進一步計算得出網絡的重要節點度分布（見表6），可以直觀地看出網絡中具備影響力的節點（行業）的分布情況。截至2021年11月末，度值排名前十的行業分別為零售業、技術硬件與設備、食品與主要食品零售（Ⅱ）、醫療保健設備與服務、公用事業（Ⅱ）、運輸、制藥、生物科技與生命科學、軟件與服務、能源（Ⅱ）以及汽車與汽車零部件，與公司層面系統性風險最高的前十大公司所在的行業較為一致。比較2014—2021年間由度分布統計得到的系統性風險最高的十類行業可知，結合近十年系統性風險最高的前十大行業來看，半導體與半導體生產設備、商業和專業服務、零售業、能源Ⅱ和公用事業Ⅱ等行業多次出現在排名靠前的位置，體現了上述行業存在較大的風險溢出效應。

五、風險傳導效應影響因素分析

本文分別以公司層面和行業層面每年風險傳導網絡的出度、特征向量中心性作為被解釋變量，以公司層面和行業層面對應的杠桿率、盈利能力、收益質量為核心解釋變量，以省份、城市、Wind一級行業、主體評級、債項評級、企業性質等作為控制變量，對風險傳導效應的影響因素進行回歸分析。

（一）公司層面回歸結果

由表7可知，針對核心解釋變量，產業債發行主體風險利差網絡出度與杠桿率（尤其是資產負債率、流動比率和速動比率）顯著正相關，與盈利能力（尤其是凈資產收益率和凈利率）顯著負相關，與收益質量的相關性不顯著，可知產業債發行主體的杠桿率水平越低，盈利能力越強，則其風險溢出效應越低。類似地，本文以產業債發行主體風險利差網絡的特征向量中心性作為被解釋變量，發現產業債發行主體風險利差網絡的特征向量中心性與杠桿率（尤其是資產負債率、長期資本負債率、流動比率和速動比率）顯著正相關，與盈利能力（尤其是銷售毛利率和凈利率）顯著負相關，與收益質量的相關性不顯著，可知產業債發行主體的杠桿率水平越低，盈利能力越強，則其風險溢出效應越低。總體來看，以特征向量中心性作為被解釋變量得出的回歸結果與以出度作為被解釋變量得出的回歸結果一致，進一步驗證了假設1和假設2。

（二）行業層面回歸結果

由表8可知，針對核心解釋變量，產業債發行主體所在行業風險利差網絡的出度與行業杠桿率（尤其是資產負債率和速動比率）顯著正相關，與盈利能力（尤其是凈資產收益率）顯著負相關，與收益質量的相關性不顯著，可知產業債發行主體所在行業的杠桿率水平越低，盈利能力越強，則該行業風險溢出效應越低?？梢姡斈骋恍袠I整體資產負債率較高、債務負擔較重，資產變現能力較弱時，容易引發信用風險。一方面，當某一行業的杠桿率較高時，其信用風險容易影響其上下游行業的資金鏈周轉，進而引發連環還款危機。以房地產行業為例，房地產行業杠桿率整體較高，更易發生信用風險，當房企發生違約事件時，其上游的建筑和建材行業，可能會出現應收款項無法收回而導致還款危機。另一方面，當某一行業出現信用風險時，容易影響市場整體信心，導致資金面收緊，加劇風險擴張。且與公司層面類似，當某一行業的盈利能力或盈利穩定性較差時，該行業市場情況的惡化可能對上下游行業甚至整個市場產生影響，相應的風險溢出效應也較高。

在行業層面風險利差網絡特征向量中心性影響因素的回歸中，發現產業債發行主體所在行業的杠桿率水平越低，則其盈利能力越強，風險溢出效應越低?？傮w來看，以特征向量中心性作為被解釋變量得出的回歸結果與以出度作為被解釋變量得出的回歸結果一致，進一步驗證了假設1和假設2。

六、結論與建議

本文選取近十年發行的主要產業債為樣本，以彈性網絡回歸模型構建我國產業債風險傳導網絡及研究其風險傳導效應的影響因素，得出以下結論：中國產業債市場上易出現風險利差同升降的情況；通過產業債風險傳導網絡的度分布，可有效識別系統性風險較高的發債公司及其行業；近十年間系統性風險最高的前十大公司分布較為分散，行業相對集中，主要為公用事業、技術硬件與設備等；從風險傳導效應的影響因素來看，控制杠桿率和提高盈利能力可有效降低產業債發行主體的風險溢出效應。

根據上述研究結論，本文提出以下政策建議：第一，對所篩選出的系統性風險最高的前十大公司及前十大行業，應加強對其發行債券及募集資金投向的監管，強化持續信息披露的合規要求，對相關違規行為采取更嚴厲的措施，從而降低其可能引發的系統性風險。第二，降低發債主體杠桿率。為了降低發債公司及其所在行業間的風險傳導能力，監管方在審核時應著重關注發債公司的杠桿率水平，投資人在挑選債券時也應關注公司及其所在行業的該項指標。在實際操作中，可以通過控制融資節奏、融資規模，合理調節存量債券的期限結構，以及擴大資產規模、改善資本結構等方式降低發債公司的杠桿率來降低其風險溢出效應。第三，發債公司應提高自身盈利能力和收益質量。產業類公司的償債來源主要為產業類資產主營業務的未來收入，監管部門和投資者應關注發債公司及其所在行業的盈利能力、行業政策、行業可持續性、行業上下游情況等基本面情況，以此判斷發債主體及其所在行業的風險溢出效應。

參考文獻：

[1]吳德勝，曹淵，湯燦，等.分類管控下的債務風險與風險傳染網絡研究[J].管理世界，2021，37（4）：35-54.

[2]ADRIAN T，BRUNNERMEIER M.CoVaR：A Method for Macroprudential Regulation[EB/OL].（2008-02-01）[2023-06-06].https：//www.researchgate.net/profile/Tobias_Adrian/publication/255638339._CoVaR_A_Method_for_Macroprudential_Regulation/links/00b49522f5fdc076dc000000/CoVaR-A-Method-for-Macroprudential-Regulation.pdf.

[3]DIEBOLD F X，YILMAZ K.Measuring financial asset return and volatility spillovers，with application to global equity markets[J].The Economic Journal，2009，119（534）：158-171.

[4]MILLER J I，RATTI R A.Crude oil and stock markets：Stability，instability，and bubbles[J].Energy economics，2009，31（4）：559-568.

[5]GRAY D F，JOBST A A.New directions in financial sector and sovereign risk management[J].Journal of Investment Management ，2010，8（1）：23-28.

[6]BLISS B A，CLARK J A，DeLisle R J.Bank risk，financial stress，and bank derivative use[J].Journal of Futures Markets，2018，38（7）：804-821.

[7]FLEMING J，KIRBY C，OSTDIEK B.Information and volatility linkages in the stock，bond，and money markets[J].Journal of financial economics，1998，49（1）：111-137.

[8]ENGLE R.Dynamic conditional correlation：A simple class of multivariate generalized autoregressive conditional heteroskedasticity models[J].Journal of Business & Economic Statistics，2002，20（3）：339-350.

[9]ASGHARIAN H，CHRISTIANSEN C，Hou A J.Macro-finance determinants of the long-run stock-bond correlation：The DCC-MIDAS specification[J].Journal of Financial Econometrics，2016，14（3）： 617-642.

[10]CASCINO S.Stock-bond return co-movement and accounting information[J].Journal of Business Finance & Accounting，2017，44（7-8）：1036-1072.

[11]鄭振龍，陳志英.中國股票市場和債券市場收益率動態相關性分析[J].當代財經，2011（2）：45-53.

[12]史永東，丁偉，袁紹鋒.市場互聯、風險溢出與金融穩定——基于股票市場與債券市場溢出效應分析的視角[J].金融研究，2013（3）：170-180.

[13]牛霖琳，洪智武，陳國進.地方政府債務隱憂及其風險傳導——基于國債收益率與城投債利差的分析[J].經濟研究，2016，51（11）：83-95.

[14]閆彥明，張源欣.經濟下行背景下經濟波動對我國債券市場風險影響研究[J].金融發展，2018（2）：80-93.

[15]秦紅旭.企業債利差風險結構及企業債與國債市場風險傳導機制研究[D].廈門：廈門大學，2018.

[16]王蕾，周小攀.債券市場對其他金融市場的風險溢出效應研究[J].投資研究，2019，38（6）：69-81.

[17]賈韋唯.債券風險溢價與貨幣政策傳導[D].大連：東北財經大學，2018.

[18]高揚，李春雨.中國綠色債券市場與金融市場間的風險溢出效應研究[J].金融論壇，2021，26（1）：59-69.

[19]牛曉健，梁曉明.流動性沖擊、杠桿率限制、收益率壓力與債券市場系統風險——基于基金—債券的復雜網絡研究[J].廣西財經學院學報，2017，30（4）：15-33.

[20]楊雨茜.復雜網絡、融資平臺杠桿與城投債信用風險傳導[D].廈門：廈門大學，2019.

[21]何芳，滕秀秀，王斯偉.地方政府債券復雜網絡結構及系統性風險特征[J].統計與決策，2020，36（4）：136-140.

[22]王周偉.我國地方政府流動性信用風險空間關聯網絡特征與效應研究[J].上海對外經貿大學學報，2021，28（2）：95-113.

[23]胡才龍，魏建國.中國地方政府債券風險空間關聯網絡結構特征及收斂性研究[J].江西財經大學學報，2021（2）：12-23.

[24]ZOU H，HASTIE T.Regularization and variable selection via the elastic net[J].Journal of the royal statistical society：series B （statistical methodology），2005，67（2）：301-320.

Research on the Risk Transmission Network and Influencing Factors of Industrial Bonds in China

Niu Xiaojian，Xu Yuan

（Fudan University，Shanghai 200433，China）

Abstract：Using the Complex network method，taking all one-year and above industrial bonds issued from November 2011 to November 2021 as the research object，quantifying the bond risk with the average risk spread of industrial bonds， using the elastic network regression method，this paper constructs a risk transmission network model between bond issuers and between main industries，and analyzes the static and dynamic risk transmission effects of the industrial bond market. And based on this，the influencing factors of the risk transmission effect in the industrial bond market were studied. Research has found that there is a tendency for risk spreads to rise and fall in the Chinese industrial bond market. Through the degree distribution of the industrial bond risk transmission network，it can effectively identify the bond issuing companies and industries with high systematic risk. The top ten companies with the highest systematic risk in the past decade are relatively dispersed and the industry is relatively concentrated，mainly including utilities， technical hardware and equipment. From the perspective of the influencing factors of risk transmission effect，controlling leverage ratio and improving profitability can effectively reduce the risk spillover effect of industrial bond issuers.

Key words：industrial bonds；complex network；bond market；risk transmission

責任編輯：劉有祥 李祖杰