系统性金融风险的生成机理与传染机制研究

内容摘要：本文构建了包含外生变量的向量自回归模型分析我国的系统性金融风险，引入了外生变量区域经济发展情况，并利用广义脉冲响应函数进一步测算了我国各省域的系统性金融风险，采取空间溢出效应对该风险的生成机理与传染机制进行了进一步的研究。研究表明，系统性金融风险的传染具备较强非对称性质，风险的传染源主要来自我国东部经济较为发达的省域，经济发展模式相对单一的省份受风险传染的可能性更高。

关键词：系统性金融风险 向量自回归 传染机制

当前我国经济发展不均衡、不全面的问题依然严峻，区域间经济结构出现了较强的非对称特征。杨剑等（2017）认为经济周期波动和区域经济结构是导致风险传染产生系统性特征的根源。国际经验表明，系统性金融风险不仅仅是金融系统的内部风险与不稳定，而会进一步的波及整个宏观经济及社会财富。由于监测不到位而产生的美国次贷危机，最终演变成波及全球的金融危机，其影响波及至今。正确识别和防范系统性金融风险，成为了金融监管部门主要的目标，但我国复杂的区域经济结构导致了总体风险程度的难以量化。同时，孙海英（2016）认为，民间金融的发展导致系统性金融风险更加紊乱，风险类别更加复杂，只有进行局部的区域风险测度及传染性研究，才能全面解读我国系统性风险的生成机理与传染机制。

文献综述

我国对于系统性金融风险监测及度量的研究已经非常成熟，主要包括四类分析方法。第一类为模型分析法，这一类方法是通过建立风险模型或风险矩阵对风险的构成进行研究，进而模拟出一个具备综合性质的风险指标。胡宗义等（2018）利用信息系数矩阵所构建的系统性风险指标就是运用了此类方法，模型分析法还包括网络分析、共同风险模型、困境依赖矩阵和违约强度模型等。第二类是利用风险损失及损失概率表征风险强度。王蓉（2016）采用的条件在险（CoVaR）模型就是此类方法中的较为典型的一个模型。第三类则是运用反事实分析或仿真机器学习所构建的压力分析法。第四类则以风险预警为主，通过先行指标构建风险预警模型。陶玲和朱迎（2016）所采取综合指数法（CISS）就是以预警防范为主的一类典型方法。朱恩涛（2016）认为，识别区域系统性金融风险，有助于稳定经济系统内其他民生指标，提升居民福祉。本文将就我国系统性金融风险的生成机理与传染机制展开研究，具体测度各省层面的金融风险贡献程度。

基于VARX（2）模型的系统性金融风险识别

本文利用Alter和Beyer（2014）所构建的引入了外生变量的向量自回归（VARX）模型进行相应研究，并将这一外生变量定义为区域经济发展情况。在这一模型中，外生变量通过对于全部滞后值进行回归，进而能够基于统计特征进行动态关系建模。相比于传统向量自回归模型利用随机扰动项进行动态关系计量，该模型能够更好地体现外生变量扰动的特点，在区域类风险识别中更加有效。该模型可以表达为：

在上文中，本文已经设定了滞后阶为2，故响应的权重为3，该式代表了长期情况下的响应情况。在GIRF模型的基础上，可以逐个将各个变量间的风险溢出效应进行表征，同时利用这一结构可以求和得到变量对其它值的总体影响程度，以及其它值对各变量的总体影响程度。由各个变量关系所最终构建的风险反馈表就是本文所需的风险传染机制表，可以把风险溢出效应矩阵设定为如表1所示的形式。

在设定变量间传染效应的基础上，本文进一步构建了衡量区域系统性风险所需的变量。首先需要定义的是风险输出溢出效应（OUT spillover effects，SEO），该值是某一变量所有对其它值影响的总和，在本文中则衡量了某一省份对其他省份的风险传染能力：

我国系统性金融风险传染机制的实证结果

本文采用了2010-2016年我国30个省份的经济发展相关数据（在具体操作中由于西藏省统计口径的问题及港澳台经济体制的问题，本文仅测算了其他省份的数据），数据来源于国家统计局、Wind数据库。本文所有计算操作均在Matlab 2017a中进行。根据表1中所列项目，首先需要利用公式（6）测度各省份的风险输出传染效应SEO，并进行了降序排列，整体情况如表2所示。不难发现，各省的系统性风险输出传染情况基本与区域经济情况相一致，同时也与省份的地理区位有一定关系。在风险输出上位居前列的包括经济规模较大的省份（广东、浙江、江苏、福建）及政治影响较大的省份（北京、上海、重庆），同时由于区位及较强的经济表现，中部省份（河南、山东、湖北、湖南）在风险输出上均占据了较前的位置。在风险输出相对靠后的区域，以经济水平较低及经济模式相对单一的省份为主。

进一步，利用公式（7）计算各省份的风险输入传染效应SEI，同样地进行了降序排列，整体情况如表3所示。由表3可以看到，我国风险输入较多的地区往往是经济结构和经济模式较为单一的地区，以海南省为例，该省份近年来依靠旅游业和房地产两个项目进行发展，而作为典型的第三产业项目，这两个主要产业都极易受到金融波动影响，故接受风险传染的可能性较强。山西省和内蒙古作为资源产业大省，其经济模式过于单一，在风险传递的过程中易受到其他区域影响。贵州、新疆、宁夏、青海、陕西等省份由于经济基础比较薄弱，产业结构并不坚实，抵御风险能力相对脆弱。同时可以看到，以湖南、湖北为代表的中部省份之所以也会吸收较多风险，是由于地区间风险传递的“过渡效应”也波及了这一区间的省份。

利用公式（8）即可以得出各省份的净风险指标，如表4所示。在风险净传染分析中，具备正向高净值风险的区域有相当的代表性，北京、上海是我国政治影响程度和经济发展最优的区域，浙江省代表了金融系统最为发达的省区，而河北省、山东省则为人口密度较大的省份，这说明本文所构建的VARX模型对于系统性金融風险的测度非常准确，反映了各省不同因素所造成的风险特点。而具备负向高净值风险的区域，均是经济结构组成单一、经济模式固化的省区，这些省的金融系统对其他省份的依赖度较大，独立性较低。

在分析净值的基础上，本文利用引入GDP参数的VARX（2）模型，以式（12）计算了调整后的各省风险贡献水平，情况如图1所示。在正向化参数并在总水平上进行比对后，可以统一表4中的正/负高净值风险区域，表内各省对我国总体系统性风险的贡献更加清晰。

结论

本文在VARX模型的基础上引入外生变量经济规模，利用我国2010～2016年各省经济指标测度了各省的系统性金融风险水平，并利用GDP指数调整后的VARX（2）模型测度了风险贡献水平。发现目前北京市依然面临着最高的风险传染水平，这是由于我国的央行设立于北京，且北京作为我国行政中心，是最贴近财政和货币政策调控的区域，全国的各类金融风险都会最终导向北京，上海市也由于类似原因处于第四高的位置。同时，青海省和山西省作为经济结构单一、经济发展落后的典型范例，其金融风险水平处于较高的位置，面对能源价格不断下滑的现状，青海省、山西省的高杠杆弊端逐步显现，相比之下，内蒙古作为我国经济增速最高的区域，一度也是依赖于能源进行区域经济发展，但地方政府及时对产业结构进行了有效的调整，包括畜牧业、房地产、制造业在内的多种产业依托于能源产业得到发展，目前其风险水平虽然也处于高位，但相比于转型速度较慢的山西省、青海省，情况更加乐观。风险水平最低的湖北、江西、广西、湖南四省份，其省内经济布局更加合理，三次产业结构相对平衡，金融风险的冲击难以波及全部门生产，故风险水平更低。

本文的分析有效说明了我国系统性金融风险的生产机理与传染机制。第一，系统性金融风险来自经济活动活跃、金融系统相对发达的区域，以广东、北京、浙江和上海为代表。第二，经济结构不够稳定、经济模式相对单一的区域更易受到系统性金融风险传染，以海南、山西和内蒙古为代表。第三，进行产业结构和经济模式转变，是地区抵御系统性风险的最佳选择。

参考文献：

1.杨剑，林冬冬，冯广波.我国货币政策与金融稳定内涵的风险研究[J].商业经济研究，2017（15）

2.陶玲，朱迎.系统性金融风险的监测和度量——基于中国金融体系的研究[J].金融研究，2016（6）

3.胡宗义，黄岩渠，喻采平.网络相关性、结构与系统性金融风险的关系研究[J].中国软科学，2018（1）.

4.王蓉.金融系统性风险的双向溢出效应及其CoVaR模型估计[J].统计与决策，2016（2）

5.孙海英.民间金融的界定、风险类型与防范措施[J].商业经济研究，2016（1）

6.朱恩涛，翁玉颖，张小雅.关于物价稳定与金融稳定协调的理论分析[J].商业经济研究，2016（6）

7.Alter A，Beyer A. The dynamics of spillover effects during the European sovereign debt turmoil [J]. Journal of Banking & Finance，2014，42（4）

8.Koop G，Pesaran M H， Potter S M. Impulse response analysis in nonlinear multivariate models [J]. Journal of Econometrics，1996，74（1）

作者簡介：

李春妮（1984.6-），女，壮族，广西天等县人，硕士，讲师，研究方向：互联网金融、供应链金融、金融政策与金融创新。