系統(tǒng)性金融風險的生成機理與傳染機制研究

內(nèi)容摘要：本文構建了包含外生變量的向量自回歸模型分析我國的系統(tǒng)性金融風險，引入了外生變量區(qū)域經(jīng)濟發(fā)展情況，并利用廣義脈沖響應函數(shù)進一步測算了我國各省域的系統(tǒng)性金融風險，采取空間溢出效應對該風險的生成機理與傳染機制進行了進一步的研究。研究表明，系統(tǒng)性金融風險的傳染具備較強非對稱性質(zhì)，風險的傳染源主要來自我國東部經(jīng)濟較為發(fā)達的省域，經(jīng)濟發(fā)展模式相對單一的省份受風險傳染的可能性更高。

關鍵詞：系統(tǒng)性金融風險 向量自回歸 傳染機制

當前我國經(jīng)濟發(fā)展不均衡、不全面的問題依然嚴峻，區(qū)域間經(jīng)濟結構出現(xiàn)了較強的非對稱特征。楊劍等（2017）認為經(jīng)濟周期波動和區(qū)域經(jīng)濟結構是導致風險傳染產(chǎn)生系統(tǒng)性特征的根源。國際經(jīng)驗表明，系統(tǒng)性金融風險不僅僅是金融系統(tǒng)的內(nèi)部風險與不穩(wěn)定，而會進一步的波及整個宏觀經(jīng)濟及社會財富。由于監(jiān)測不到位而產(chǎn)生的美國次貸危機，最終演變成波及全球的金融危機，其影響波及至今。正確識別和防范系統(tǒng)性金融風險，成為了金融監(jiān)管部門主要的目標，但我國復雜的區(qū)域經(jīng)濟結構導致了總體風險程度的難以量化。同時，孫海英（2016）認為，民間金融的發(fā)展導致系統(tǒng)性金融風險更加紊亂，風險類別更加復雜，只有進行局部的區(qū)域風險測度及傳染性研究，才能全面解讀我國系統(tǒng)性風險的生成機理與傳染機制。

文獻綜述

我國對于系統(tǒng)性金融風險監(jiān)測及度量的研究已經(jīng)非常成熟，主要包括四類分析方法。第一類為模型分析法，這一類方法是通過建立風險模型或風險矩陣對風險的構成進行研究，進而模擬出一個具備綜合性質(zhì)的風險指標。胡宗義等（2018）利用信息系數(shù)矩陣所構建的系統(tǒng)性風險指標就是運用了此類方法，模型分析法還包括網(wǎng)絡分析、共同風險模型、困境依賴矩陣和違約強度模型等。第二類是利用風險損失及損失概率表征風險強度。王蓉（2016）采用的條件在險（CoVaR）模型就是此類方法中的較為典型的一個模型。第三類則是運用反事實分析或仿真機器學習所構建的壓力分析法。第四類則以風險預警為主，通過先行指標構建風險預警模型。陶玲和朱迎（2016）所采取綜合指數(shù)法（CISS）就是以預警防范為主的一類典型方法。朱恩濤（2016）認為，識別區(qū)域系統(tǒng)性金融風險，有助于穩(wěn)定經(jīng)濟系統(tǒng)內(nèi)其他民生指標，提升居民福祉。本文將就我國系統(tǒng)性金融風險的生成機理與傳染機制展開研究，具體測度各省層面的金融風險貢獻程度。

基于VARX（2）模型的系統(tǒng)性金融風險識別

本文利用Alter和Beyer（2014）所構建的引入了外生變量的向量自回歸（VARX）模型進行相應研究，并將這一外生變量定義為區(qū)域經(jīng)濟發(fā)展情況。在這一模型中，外生變量通過對于全部滯后值進行回歸，進而能夠基于統(tǒng)計特征進行動態(tài)關系建模。相比于傳統(tǒng)向量自回歸模型利用隨機擾動項進行動態(tài)關系計量，該模型能夠更好地體現(xiàn)外生變量擾動的特點，在區(qū)域類風險識別中更加有效。該模型可以表達為：

在上文中，本文已經(jīng)設定了滯后階為2，故響應的權重為3，該式代表了長期情況下的響應情況。在GIRF模型的基礎上，可以逐個將各個變量間的風險溢出效應進行表征，同時利用這一結構可以求和得到變量對其它值的總體影響程度，以及其它值對各變量的總體影響程度。由各個變量關系所最終構建的風險反饋表就是本文所需的風險傳染機制表，可以把風險溢出效應矩陣設定為如表1所示的形式。

在設定變量間傳染效應的基礎上，本文進一步構建了衡量區(qū)域系統(tǒng)性風險所需的變量。首先需要定義的是風險輸出溢出效應（OUT spillover effects，SEO），該值是某一變量所有對其它值影響的總和，在本文中則衡量了某一省份對其他省份的風險傳染能力：

我國系統(tǒng)性金融風險傳染機制的實證結果

本文采用了2010-2016年我國30個省份的經(jīng)濟發(fā)展相關數(shù)據(jù)（在具體操作中由于西藏省統(tǒng)計口徑的問題及港澳臺經(jīng)濟體制的問題，本文僅測算了其他省份的數(shù)據(jù)），數(shù)據(jù)來源于國家統(tǒng)計局、Wind數(shù)據(jù)庫。本文所有計算操作均在Matlab 2017a中進行。根據(jù)表1中所列項目，首先需要利用公式（6）測度各省份的風險輸出傳染效應SEO，并進行了降序排列，整體情況如表2所示。不難發(fā)現(xiàn)，各省的系統(tǒng)性風險輸出傳染情況基本與區(qū)域經(jīng)濟情況相一致，同時也與省份的地理區(qū)位有一定關系。在風險輸出上位居前列的包括經(jīng)濟規(guī)模較大的省份（廣東、浙江、江蘇、福建）及政治影響較大的省份（北京、上海、重慶），同時由于區(qū)位及較強的經(jīng)濟表現(xiàn)，中部省份（河南、山東、湖北、湖南）在風險輸出上均占據(jù)了較前的位置。在風險輸出相對靠后的區(qū)域，以經(jīng)濟水平較低及經(jīng)濟模式相對單一的省份為主。

進一步，利用公式（7）計算各省份的風險輸入傳染效應SEI，同樣地進行了降序排列，整體情況如表3所示。由表3可以看到，我國風險輸入較多的地區(qū)往往是經(jīng)濟結構和經(jīng)濟模式較為單一的地區(qū)，以海南省為例，該省份近年來依靠旅游業(yè)和房地產(chǎn)兩個項目進行發(fā)展，而作為典型的第三產(chǎn)業(yè)項目，這兩個主要產(chǎn)業(yè)都極易受到金融波動影響，故接受風險傳染的可能性較強。山西省和內(nèi)蒙古作為資源產(chǎn)業(yè)大省，其經(jīng)濟模式過于單一，在風險傳遞的過程中易受到其他區(qū)域影響。貴州、新疆、寧夏、青海、陜西等省份由于經(jīng)濟基礎比較薄弱，產(chǎn)業(yè)結構并不堅實，抵御風險能力相對脆弱。同時可以看到，以湖南、湖北為代表的中部省份之所以也會吸收較多風險，是由于地區(qū)間風險傳遞的“過渡效應”也波及了這一區(qū)間的省份。

利用公式（8）即可以得出各省份的凈風險指標，如表4所示。在風險凈傳染分析中，具備正向高凈值風險的區(qū)域有相當?shù)拇硇裕本⑸虾Ｊ俏覈斡绊懗潭群徒?jīng)濟發(fā)展最優(yōu)的區(qū)域，浙江省代表了金融系統(tǒng)最為發(fā)達的省區(qū)，而河北省、山東省則為人口密度較大的省份，這說明本文所構建的VARX模型對于系統(tǒng)性金融風險的測度非常準確，反映了各省不同因素所造成的風險特點。而具備負向高凈值風險的區(qū)域，均是經(jīng)濟結構組成單一、經(jīng)濟模式固化的省區(qū)，這些省的金融系統(tǒng)對其他省份的依賴度較大，獨立性較低。

在分析凈值的基礎上，本文利用引入GDP參數(shù)的VARX（2）模型，以式（12）計算了調(diào)整后的各省風險貢獻水平，情況如圖1所示。在正向化參數(shù)并在總水平上進行比對后，可以統(tǒng)一表4中的正/負高凈值風險區(qū)域，表內(nèi)各省對我國總體系統(tǒng)性風險的貢獻更加清晰。

結論

本文在VARX模型的基礎上引入外生變量經(jīng)濟規(guī)模，利用我國2010～2016年各省經(jīng)濟指標測度了各省的系統(tǒng)性金融風險水平，并利用GDP指數(shù)調(diào)整后的VARX（2）模型測度了風險貢獻水平。發(fā)現(xiàn)目前北京市依然面臨著最高的風險傳染水平，這是由于我國的央行設立于北京，且北京作為我國行政中心，是最貼近財政和貨幣政策調(diào)控的區(qū)域，全國的各類金融風險都會最終導向北京，上海市也由于類似原因處于第四高的位置。同時，青海省和山西省作為經(jīng)濟結構單一、經(jīng)濟發(fā)展落后的典型范例，其金融風險水平處于較高的位置，面對能源價格不斷下滑的現(xiàn)狀，青海省、山西省的高杠桿弊端逐步顯現(xiàn)，相比之下，內(nèi)蒙古作為我國經(jīng)濟增速最高的區(qū)域，一度也是依賴于能源進行區(qū)域經(jīng)濟發(fā)展，但地方政府及時對產(chǎn)業(yè)結構進行了有效的調(diào)整，包括畜牧業(yè)、房地產(chǎn)、制造業(yè)在內(nèi)的多種產(chǎn)業(yè)依托于能源產(chǎn)業(yè)得到發(fā)展，目前其風險水平雖然也處于高位，但相比于轉型速度較慢的山西省、青海省，情況更加樂觀。風險水平最低的湖北、江西、廣西、湖南四省份，其省內(nèi)經(jīng)濟布局更加合理，三次產(chǎn)業(yè)結構相對平衡，金融風險的沖擊難以波及全部門生產(chǎn)，故風險水平更低。

本文的分析有效說明了我國系統(tǒng)性金融風險的生產(chǎn)機理與傳染機制。第一，系統(tǒng)性金融風險來自經(jīng)濟活動活躍、金融系統(tǒng)相對發(fā)達的區(qū)域，以廣東、北京、浙江和上海為代表。第二，經(jīng)濟結構不夠穩(wěn)定、經(jīng)濟模式相對單一的區(qū)域更易受到系統(tǒng)性金融風險傳染，以海南、山西和內(nèi)蒙古為代表。第三，進行產(chǎn)業(yè)結構和經(jīng)濟模式轉變，是地區(qū)抵御系統(tǒng)性風險的最佳選擇。

參考文獻：

1.楊劍，林冬冬，馮廣波.我國貨幣政策與金融穩(wěn)定內(nèi)涵的風險研究[J].商業(yè)經(jīng)濟研究，2017（15）

2.陶玲，朱迎.系統(tǒng)性金融風險的監(jiān)測和度量——基于中國金融體系的研究[J].金融研究，2016（6）

3.胡宗義，黃巖渠，喻采平.網(wǎng)絡相關性、結構與系統(tǒng)性金融風險的關系研究[J].中國軟科學，2018（1）.

4.王蓉.金融系統(tǒng)性風險的雙向溢出效應及其CoVaR模型估計[J].統(tǒng)計與決策，2016（2）

5.孫海英.民間金融的界定、風險類型與防范措施[J].商業(yè)經(jīng)濟研究，2016（1）

6.朱恩濤，翁玉穎，張小雅.關于物價穩(wěn)定與金融穩(wěn)定協(xié)調(diào)的理論分析[J].商業(yè)經(jīng)濟研究，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，壯族，廣西天等縣人，碩士，講師，研究方向：互聯(lián)網(wǎng)金融、供應鏈金融、金融政策與金融創(chuàng)新。