市場設施類金融科技與金融業風險溢出效應及影響機制研究

收稿日期：2023-08-25

作者簡介：胡依依（1996-），女，浙江寧波人，浙江工商大學金融學院碩士研究生。

①數據來源：前瞻經濟學人.2023年中國金融科技行業發展現狀及市場規模分析 2022年市場規模突破5000億元[EB/OL].[2023-04-22].https：//www.qianzhan.com/analyst/detail/220/230421-5c26e4d1.html.

摘? ?要：近年來，市場設施類金融科技行業蓬勃發展，各類高新技術廣泛應用于構建金融設施，推動了金融業數字化轉型，也帶來新的風險管理挑戰。本文基于2012—2023年47家上市公司公開數據，使用VaR計算市場設施類金融科技、銀行、證券和保險四個行業的系統風險，用TVP-VAR-DY模型測度行業間風險溢出效應，并考察影響風險溢出的宏觀因素。結果發現：金融科技具有較大系統風險隱患，與金融業各部門呈現風險正相關性；金融科技和證券部門具有較強風險溢出，溢出持續增長并表現“風險積聚”特點；近年來尾部經濟事件中，金融科技和證券是主要風險溢出中心，銀行是主要流入中心；貨幣供應量、同業拆借利率和消費者預期對于金融科技、銀行、保險和證券的溢出效應和溢入效應會產生不同程度的顯著影響。

關鍵詞：金融科技；系統性風險；跨部門風險傳染；風險溢出網絡；風險管理

DOI：10.3969/j.issn.1003-9031.2023.10.002

中圖分類號：F832? ? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1003－9031（2023）10－0018－21

一、引言

近年來，我國金融科技行業發展迅速。2022年，中國金融科技整體市場規模達到5423億元，同比增長約17%①。金融科技行業提供的人工智能、機器學習和云計算等信息技術業務與各類金融業務跨界融合嵌套，新型技術風險與傳統金融風險交織融合，金融業不穩定性持續增加，給金融監管及風險防范帶來了前所未有的挑戰。如何在順應全球金融發展的同時，守住不發生系統性金融風險底線，成為“十四五”期間的金融監管部門的重要課題。因此，深入研究我國金融科技與金融業間的風險溢出效應，有助于政府部門進一步完善金融風險預警機制，防范化解金融風險。

市場設施類金融科技企業是指專注于為金融行業提供基礎設施和技術解決方案的科技公司。這類金融科技企業主要業務包括客戶身份認證、物聯網等跨行業通用的基礎技術服務，也包括分布式賬戶、大數據、云計算等技術基礎設施，滿足了不同行業的需求（BCBS，2018；IMF，2018）。鑒于此類業務明顯的科技屬性，監管機構普遍將其納入金融機構外包風險的監管范疇。如法國、新加坡和南非，在監管方面，除了關注操作風險和信息安全，還重視金融機構外包流程的合規性和科學性，以及外包服務供應商道德和操作風險的防控（FSB，2017；BCBS，2018）。在我國，此類金融科技通常被界定為針對金融機構提供的第三方服務，并隨著科技與金融的深度融合，金融科技對于持牌金融機構的穩健運營將產生越來越重要的影響，因此監管機構需要更加重視這一領域（李文紅，2015；胥愛歡，2022）。劉光緒等（2019）認為，金融科技關鍵技術在金融基礎設施中被廣泛應用，有效促進了金融效率的提升，促進了新興準金融基礎設施的崛起。其業務不可避免地兼具金融與科技雙重屬性，并與以銀行、證券和保險為主的金融業逐漸呈現出日漸緊密的關聯關系（曹齊芳等，2021）。較少文獻對此類金融科技的影響進行深入研究。因此，本文選擇研究對象為，符合巴塞爾委員會定義的、以構建金融市場設施為主要業務的、具有較強技術屬性的金融科技企業。

本文研究的金融業部門選擇了銀行、保險和證券，原因如下：第一，銀行、保險和證券是金融業的三大支柱，擔任了金融業的融資、風險管理和資本市場服務等方面的作用；第二，三個行業的業務活動涉及大量數據記錄和統計，擁有豐富和完善的歷史數據，對于實證分析提供較為便利的基礎；第三，有實證表明它們之間及與金融科技行業存在關聯性及風險傳染關系。

本文的創新和貢獻主要體現在以下幾點：第一，本文使用在險價值（VaR）測度金融科技、銀行、證券和保險四個部門的系統風險，基于時變向量自回歸模型（TVP-VAR）和廣義預測誤差方差分解（DY）構建風險溢出網絡，分析各部門間溢出效應的非對稱性和時變特征；第二，本文以“錢荒事件”“股災事件”“中美貿易沖突”和“新冠疫情”為例，考察各部門風險溢出水平和溢出方向的差異；第三，探討了四部門風險溢出和溢入的影響因素，豐富了跨部門風險傳染的研究。

二、文獻綜述

金融業系統風險跨部門溢出研究主要分為兩種。第一種文獻圍繞風險在銀行、保險和證券等金融部門間的溢出效應展開研究，通過對風險傳染路徑分析，刻畫不同金融機構的風險傳染力度或者關聯程度。Laeven et al.（2016）研究發現，金融危機期間大型銀行系統性風險增長更快且更容易被低估，金融監管部門應減少“大而不能倒”補貼以限制銀行規模。Adams et al.（2014）研究顯示，在市場動蕩期間對沖基金行業在經濟沖擊傳遞給商業銀行、投資銀行和保險等金融機構過程中起到重要作用，可能是金融風險傳染主要源頭。H？覿rdle et al.（2016）實證顯示存款機構在其他金融機構中接受和傳遞更多的風險。李政等（2016）測度系統關聯性后發現，我國金融機構關聯網絡中證券部門的關聯密度更高，存在較大系統風險溢出隱患。另一種文獻認為只關注金融行業間風險溢出和傳染問題已不能滿足當下金融風險來源復雜多樣的現實。因此他們將金融風險跨部門溢出效應研究拓展到了與金融行業業務聯系密切的其他經濟領域，如房地產、石油和貴金屬（楊子暉等，2018；xiao et al.，2018；You et al.，2017；袁薇等，2021）。

與此同時，在大數據、云計算、人工智能等新興技術迅速改變金融生態背景下，金融科技對金融機構系統風險影響日漸增長（曹齊芳和孔英，2021），信息技術已成為一種新的財富，金融科技可能具備與房地產和石油部門同樣的金融系統重要性。早期文獻主要將金融科技作為一種為傳統金融行業產品與服務賦能加勢的技術影響因素進行研究，其測度方法主要有基于phython爬蟲技術構建的金融科技發展指數（沈悅和郭品，2015）和北京大學數字普惠金融指數（郭峰等，2020）。此類文獻著重于探究金融機構本身金融科技水平對系統風險的影響（Lapavitsas et al，2008；金洪飛等，2020；Khalil et al.，2020；王道平等，2020）。隨著金融科技行業的日漸發展，監管機構對金融科技企業的逐步厘定，現有文獻開始從機構視角研究金融科技對風險的影響。方意等（2021a）理論總結了互聯網科技公司的業務模式，并在此基礎上分析其可能引發的金融風險隱患。曹齊芳等（2021）運用TENET搭建了金融科技機構、銀行和證券的風險傳染網絡，研究發現金融科技機構對主營業務和市值相近的機構易產生較強的風險溢出影響。還有部分文獻從理論分析角度探討整體金融科技行業對金融業帶來的風險隱患和可能變革（Shim and Shin，2016；Rainer et al.，2018；李文紅和蔣則沈，2017）。

近年來，在跨市場、跨部門溢出效應研究中，常用的方法是Diebold and Yilmaz （2009，2014）所提出溢出網絡分析法。它基于矢量自回歸（VAR）和廣義預測誤差方差分解（DY），并采用滾動窗口來度量不同市場、不同部門、不同機構間的時變連通性，以此來研究它們之間的溢出效應，如波動溢出效應（Diebold and Yilmaz，2014；周云龍和胡良劍，2019）、商業周期溢出效應（馬永談等，2023；Strohsal et al.，2019）等。該方法對高頻數據研究具有較好的適用性，有效解決了研究數據滯后的問題。然而，這個研究框架也存在一些問題。第一，傳統VAR模型采用線性最小二乘估計法，而各變量間關系可能是非線性的，因此也許會得到有偏的參數估計（Enders and Granger，1998）；第二，滾動窗口大小會對溢出效應的度量結果產生影響，窗口太小時，參數不穩定，窗口太大時，參數又過于平坦；第三，設置滾動窗口時無法避免觀測值的損失，這可能會給估計結果帶來誤差；第四，該研究結果受異常值影響較大。為解決這些問題的影響，Antonakaki et al.（2019）提出了基于時變參數自回歸模型（TVP-VAR）和廣義預測誤差方差分解（DY）的溢出效應分析框架。該框架假定系數矩陣和方差-協方差矩陣都具有時變的特點，使用帶有遺忘因子的卡爾曼濾波估計參數，可以得到任意時候的非線性參數估計，不用設置窗口大小，減少了觀測值的損失，也對異常值不敏感。國內外已有文獻采用這一框架來研究溢出效應（李程和楊奕，2022；戴志峰等，2022；方意等，2020；Antonakaki et al.，2020）。本文研究樣本期間為2012年8月12日至2023年3月24日，全球金融科技發展態勢較好，主要國家和地區加快數字化轉型，在此期間也發生一些重大經濟事件，如2013年銀行錢荒，2015年A股股災，2018年中美貿易沖突和2020年新冠疫情暴發等。故在樣本期間內的任一時間點上溢出效應都可能會有較大不同。為更好地研究金融科技與金融業各部門間的非對稱溢出效應的時變特征，本文采取TVP-VAR-DY研究框架。此外，這種變量間的雙邊或者多邊的連通性，也被用于構建經濟金融網絡的拓撲結構，以此來進一步研究風險傳染效應。Diebold and Yilmaz（2014）結合VAR-DY模型和網絡拓撲理論，刻畫了在2008年金融危機中美國主要金融機構的聯通性網絡，對系統重要性機構進行識別。宮曉莉等（2020）對我國上市金融機構建立信息溢出網絡，甄別風險傳染中的系統重要性金融機構。

縱觀該領域研究，現有文獻的進展與不足主要體現在以下幾個方面：第一，研究金融科技對金融業風險影響的文獻多從技術因素角度、理論角度和互聯網金融機構角度分析，而對主要從事金融基礎設施建設的金融科技公司，關于其風險溢出效應的量化分析和特征描述的研究較少；第二，在跨部門溢出效應研究中，大多數國內文獻只關注收益或波動的溢出特征，有較少文獻研究在線價值（VaR）的溢出特征；第三，在影響機制分析中，較多文獻研究微觀因素如個體杠桿率等對溢出效應的作用，而少有文獻研究宏觀經濟因素的影響。鑒于此，本文從尾部風險（VaR）的角度研究了我國金融科技、銀行、證券和保險部門之間的風險傳染，并探討其宏觀經濟影響因素。

三、溢出模型構建與影響機制分析

（一）基于分位數回歸的VaR模型

在險價值（VaR）被定義為在給定的置信水平下的最大可能損失，從統計學意義上來講它同時考慮了收益ｒｔ和置信水平q。ＶａＲｑ，ｔ被定義為q分位數下的收益分布：

（1）

在險價值（VaR）捕捉了風險管理實踐中的尾部行為，它可以通過分位數回歸來進行估計。具體地，可以將在險價值（VaR）視為宏觀變量的函數，并首先考慮以下線性模型：

（2）

其中，Mt-1表示滯后一階的宏觀狀態變量，t為獨立同分布的誤差項。對式（2）進行分位數回歸，可以得到估計的回歸系數，重新代入式（2）中，可以得到估計的在險價值（aR）：

3）

（二）TVP-VAR模型構建

本文參考Antonakaki et al.（2019）構建的時變參數矢量自回歸和廣義預測誤差方差分解模型（TVP-VAR-DY）對各部門在險價值（VaR）進行進一步分析。該模型相比傳統矢量自回歸模型（VAR）主要有兩個優點：第一，在計算動態溢出指數時，由于其不涉及滾動窗口分析，故不需要主觀任意設置滾動窗口大小，有效避免了VAR模型實證結果可能會隨設置窗口大小的不同而發生變化及觀測值較易損失的問題。第二，由于該模型采用卡爾曼濾波估計，因此其對異常值不敏感。p階滯后的TVP-VAR模型如下：

（4）

（5）

其中，Yt是N×1維矢量，Yt-1是Np×1維滯后矢量，？茁t是一個N×Np的時變參數矩陣。？著t是一個N×1維的誤差擾動項，具有N×N維的時變方差協方差矩陣？撞t。？茁t取決于自己的滯后矢量？茁t-1，N×NP維的誤差矩陣Vt及其具有的Np×Np維的方差協方差矩陣Rt。

利用含遺忘因子的卡爾曼濾波估計模型中的時變參數和方差協方差矩陣，基于估計結果及Wold表示定理，將模型改變為VMA格式以計算廣義預測誤差方差分解。

（6）

（三）基于TVP-VAR模型的廣義方差分解

廣義預測誤差方差分解（DY）可以解決傳統Cholesky分解方法中分解結果與VAR模型中變量排序有緊密關系的問題。在向前H期預測的方差分解中，第j個變量對第i個變量方差的貢獻度表達式為：

（7）

其中，上標H表示預測期數，？滓i，j是殘差協方差矩陣的第j個對角線元素，ei表示第i個元素為1，其余元素為0的N×1維列矢量，Ah為（6）的系數矩陣。

（四）網絡分析法

衡量了變量j和i之間的傳染關聯性（Antonakakis et al.，2019），多用于測量系統風險傳染程度或風險積聚水平。基于可以構建出風險傳染矩陣（見表1）。

由于并不總等于1，即每一行的加總并不總等于1，為方便分析，對每一行的數據進行標準化處理，使得=1N：

（8）

基于可以重新構建風險傳染矩陣。原來表1矩陣中的TO所在行的元素，表示部門j對其他所有部門的溢出效應C，在矩陣中表現為第j列上除對角線上的所有元素加總：

（9）

矩陣中的FROM所在列的元素，表示部門i受其他所有部門的溢出效應C，在矩陣表現為第i行除對角線上的所有元素加總：

C=?（10）

矩陣中的TSI為總溢出指數，表示所有部門受其他部門的風險溢入或對其他部門的風險溢出，矩陣中表示為FROM所在列所有元素加總或者TO所在行所有元素加總：

C或TSI＝C（11）

計算部門i對其他部門的凈風險溢出（net spillover），即它對其他部門的風險溢出減去其他部門對其的風險溢入：

NC=C-C? ? ? ?（12）

計算i部門與j部門的成對凈風險溢出（net pair spillover），即i部門對j部門的風險溢出減去j對i的風險溢出：

（13）

若NPC＞0，則說明部門i的風險影響更大，反之亦然。

（五）溢出影響機制研究

在得出各部門風險溢出效應后，本文進一步對其宏觀影響機制進行分析。流動性不足使金融機構難以進行有效交易和流動性管理，導致短期資金缺口和風險損失。這些損失有可能通過投融資渠道和業務渠道擴散至與金融機構緊密相關的其他企業。貨幣供應量和同業拆借利率都是評估流動性重要的指標，因此本文選擇了貨幣供應量與準貨幣月度同比增長率（M2）和全國銀行同業拆借利率（CHIBOR）作為解釋變量。

預期也是影響金融風險的重要因素。當市場持有悲觀預期時，大量機構投資者紛紛進行資產配置調整。這種投資策略的調整可能會導致不同市場間的資產價格出現聯動性變化，引發風險在不同金融市場的傳遞。本文選擇了消費者預期（CEI）這一指標來作為解釋變量。

為了更好地模擬復雜的宏觀經濟環境，本文把滯后一期被解釋變量加入到解釋變量中，建立如下回歸模型：

（14）

（15）

（16）

其中，TSI是總溢出指數，TO是各部門風險溢出，FROM是各部門風險溢入。

四、數據說明與實證分析

（一）數據說明

本文參考沈悅和郭品（2015）、金洪飛等（2020）方法，在百度咨詢高級搜索頁面利用python爬蟲技術，對金融科技有關的關鍵詞進行年度詞頻收集，發現2013年始詞頻明顯提升，同比增長了108.58%，說明2013年前后金融科技得到普遍發展，考慮涵蓋重大危機事件，最終將樣本區間確定為2012年8月6日至2023年3月24日。

在金融科技企業樣本選取方面，本文研究對象為，符合巴塞爾委員會定義的、主要業務為構建金融基礎設施的、具有較強科技屬性的金融科技企業。按照以下條件進行篩選：第一，主要業務范圍為，與金融業相關的跨行業通用服務、客戶身份數字認證、多維數據歸集處理、技術基礎設施等；第二，公開數據保持相對完整，樣本期間內累計停牌時間不超過3個月；第三，市值位于所在行業前列。從1039家相關上市企業中篩選出17家企業。

在金融業樣本選取方面，本文對17家金融企業2012—2023年報數據進行手工整理，篩選的金融科技企業存在穩定業務往來與投融資關系的銀行、證券和保險機構。并按照主營業務符合中國證監會制定的《中國上市公司分類指引》和2019上市公司分類結果，樣本期間累計停牌時間不超過3個月，市值位于所在行業前列等條件進行二次篩選，最終選取16家銀行，10家券商和4家保險作為樣本。

所挑選的金融機構均在行業市值排名前60，金融科技企業在相關行業市值排名前15%，具有較好的代表性。選擇機構每日股票收盤價和自由流通股本數據進行研究，共計2585條數據，數據均來自于wind數據庫。

（二）各部門系統風險計算

在計算各部門系統風險中，參考張冰潔等（2022）以及Adrian and Demeirer（2016）的研究方法，選取以下宏觀狀態變量用來估計在險價值VaR（見表3）。

為消除時間差距影響，本文將日度數據處理為周度數據，得到546條數據。具體操作方法為：每日收盤價計算平均值得到周度收盤價Pt，由LnPt-LnPt-1得到收益率，與各企業自由流通股本權重相乘，加總得到該部門的周度加權收益率；市場收益率（MR）計算周平均值得到周度數據；計算市場波動率（VIX）得出周度數據；3個月國債利率、10年期國債利率和10年期中債中短期票據（AAA）均為日度數據，計算平均值得到周度數據。取q=0.05，將數據代入式（2）、式（3）得到各部門5%分位點下的估計在線價值aR。為方便分析對aR取絕對值，各部門的aR時間序列圖如圖1所示，并對各部門aR進行pearson相關性檢驗，如表4所示。

從圖1中可以明顯地看到，在2013年銀行錢荒、2015—2016年股災、2018年中美貿易爭端及2020年新冠疫情時，各部門系統性風險均發生了不同頻率及程度的上升，說明計算得到的系統風險具有一定的可信度和相關性。表4結果顯示，pearson檢驗數值處于[0.86-0.99]之間，且均在0.01水平下顯著，說明各部門風險存在顯著的正相關性。

從表5中可以看出，金融科技部門VaR有較大的均值、標準差和最大值，說明該部門系統風險較高，具有較大的安全隱患。ADF檢驗結果顯示，各部門VaR在1%水平下均為顯著，各宏觀變量在5%水平下均為顯著，說明拒絕原假設，變量均是平穩的。從自相關系數ACF來看，VaR均處于0.25～0.35，具有一定序列相關性，說明適合使用TVP-VAR來進一步的分析。

（三）各部門風險溢出效應靜態分析

通過AIC和BIC準則，確定最優滯后階數為4階，各階系數均高度顯著，殘差無自相關，VAR系統穩定。當預測期數H=6時，總溢出指數達到最大值，所以本文將預測期定為6。

對全樣本進行靜態分析，初步分析風險溢出情況。基于廣義預測誤差方差分解計算各部門的溢入溢出指數均值，將其按照整理為矩陣形式，統計結果如表6所示。其中FROM表示溢入指數；TO表示溢入指數；NET表示某部門的凈風險溢出或溢入水平。

從總溢出效應來看，總溢出指數TSI高達73.612%，說明預測誤差方差的73.612%可以由金融科技、銀行、證券和保險間的溢出效應解釋，26.388%由部門內部解釋。根據文獻分析，總溢出指數高于70%則說明系統風險在這整體中具有較強的傳染性。

從各部門溢出效應來看，每一行主對角線上數值最大，說明各部門受到的風險溢出中，來源于自身部門風險溢出最多，符合相關文獻（宮曉莉等，2020；楊子暉等，2018；曹齊芳等，2019等）實證描述及現實依據。金融部門間的溢出指數（即非對角線指數）均處于24～25之間，而金融科技部門與金融部門間的溢出指數處于25～27之間，說明金融科技與其他部門存在較為顯著跨部門風險溢出效應。

（四）各部門風險溢出效應動態分析

靜態分析得出了各部門風險溢出效應的平均特征，為進一步得出溢出效應的時變特征，本文對各時間點的指數進行動態分析。

1.總風險溢出效應分析

從圖2可以直觀看出，融合了金融科技部門的新型金融體系仍具有與傳統金融體系相似的特點，即在某些重大尾部經濟事件或者金融不穩定發生時，其風險溢出總水平會有不同程度的上升。2013年銀行錢荒，溢出總指數快速攀升至73.62%；2014年至2016年期間，重大股市動蕩事件頻繁發生，溢出總指數創下新高為74.48%且持續在高位波動；2015年11月證監會叫停券商類融資收益業務，中信證券等多家證券業務受到影響引起股市動蕩，總溢出水平也隨之提高；2018年中美貿易戰開始，中美兩國屢次發生貿易摩擦，總溢出水平頻繁波動并在高位徘徊；2019年末至2020年初，新冠疫情暴發，在此期間總溢出水平也維持在相對較高水平。

這種相似點可以由金融科技與其他金融部門實際關聯影響解釋。具有直接業務關聯的行業，在危機中系統性風險會順著產業鏈關系擴散（李政等，2019）。近年來數字化服務接受度持續提升，數字化轉型成為我國金融業的重要戰略，市場設施類金融科技企業為金融機構提供了創新設備，與金融業形成了緊密的業務聯系。另一方面，這種相似點還可以由信息的傳染機制解釋。金融危機中投資者普遍出現恐慌心理，對未來投資信心降低，市場中的“羊群效應”和信息不對稱惡化，單個行業出現的危機將引發投資者非理性拋售相關行業資產，引發風險在相關行業的傳遞，導致系統性風險溢出總水平上升。

在圖2中也可以發現，2015年后即使發生了影響較大的尾部經濟事件，總體風險溢出水平的上升程度較早期顯著減緩，并呈現逐年下降趨勢。這可能是由于金融監管體系的完善和政府出臺的相關政策，使得防范跨部門風險傳染成為新經濟常態的緊迫問題（李文紅和蔣則沈，2017）。隨著監管體系的逐步成熟，跨部門系統風險傳染得到有效控制，極端經濟事件所帶來的系統風險影響減弱。

2.各部門方向性溢出效應分析

對比圖3可以看出，在不同尾部經濟事件中，各部門方向性溢出呈現不同程度變化。對金融業各部門，2013年“錢荒”事件中，短期資金利率出現急劇上漲，各金融機構之間資金互換渠道變得不暢，為緩解流動性壓力，各機構可能采取出售高風險資產、擴大負債規模或增加復雜衍生品的投資等高風險操作，導致各部門風險溢出溢入水平上漲；2015年股市動蕩期間，金融機構的投資組合和資產負債表受到股市崩盤的沖擊，資產價值大幅下跌，資金鏈條中斷，金融部門的風險溢出溢入水平顯著上升；2016年始金融嚴監管，銀行和保險的風險溢出溢入水平開始逐年下降，而證券的風險溢出水平仍緩慢上升。這可能是因為銀行和保險業的業務模式更為穩定，相對更易于進行風險監管（張潔冰等，2018；宮曉莉等，2020；Adams et al.，2014；H？覿rdle et al.，2016）。銀行吸收儲戶存款和放貸，收取利差和貸款利息；保險收取保費。兩者具有穩定現金流和較低市場波動性，擁有良好的風險管理能力。相比之下，證券市場交易更自由靈活，容易受情緒和市場波動影響，缺乏有效的風險控制措施。

對金融科技部門，2015年以來，金融科技行業高速增長，多數金融機構加強了與金融科技企業的業務往來和投融資關系以實現數字化轉型，兩者間的風險溢出程度迅速上升；2016年始金融嚴監管，金融科技與金融業業務往來受到制約，其系統風險溢出增長趨于平緩；2018年中美貿易戰開始，美國限制對中國出口科技產品，影響了人們對金融科技發展預期，其溢出在貿易戰前期略微下降；2020年疫情影響使人們更傾向于數字金融服務，金融科技技術總資金投入達1980.1億元，相較于2019年的1770.9億元增長了11.9%①。金融科技部門的影響力持續上升，其風險溢出繼續保持緩慢增長；2023年疫情結束，人們對數字金融服務需求量相對減少，并且在監管影響下，金融科技部門對外風險溢出水平開始下降。

對比圖2和圖3可以發現，在2018年后總溢出指數TSI和各部門受其他三部門的總風險溢入水平FROM均呈現明顯下降趨勢，但金融科技和保險部門對其他三部門的風險溢出水平呈現上升態勢，這說明風險并未完全減弱，而在金融科技和證券部門間積聚。

3.各部門的凈溢出效應分析

圖4展現了在整個樣本期間內，金融科技部門與金融部門的系統風險凈溢出效應的時變特征。證券和金融科技部門的凈溢出指數為正且逐年增加，表明這兩個部門在風險傳導中長期處于風險輸出者的地位。銀行部門凈溢出指數自2015年后顯示負且逐年減小，說明其近年來充當其他市場風險的接受者。保險部門凈溢出指數大部分情況為接近于零的負值，且呈現出較為平穩的小范圍波動狀態，表明保險業為相對穩定和可控的風險接受者。

4.兩兩部門間的溢出效應分析

為進一步明確兩兩部門間風險溢出作用方向，本文繪制了部門間動態凈溢出指數時變序列圖，如圖5所示。

對于金融科技部門，它在2015年前對銀行、證券和保險的凈溢出為負，而2015年后凈溢出由負轉正，對銀行和保險的凈溢出呈逐年增長趨勢。這可能是因為2015年以后，監管部門的政策紅利和金融科技公司創新技術的快速普及推動了金融業數字化轉型。這個過程中，為了實現數字化轉型，越來越多的金融機構加強了與市場設施類金融科技行業的投融資關系和業務往來，金融科技行業的技術風險和市場風險通過這兩個渠道影響到金融業各部門的股價收益變動，風險溢出影響不斷增大。數據顯示，近年來銀行金融科技投入增速持續增長，2020年交通銀行金融科技投入規模同比增長52.87%，其他國有六大銀行同比增長均維持在6.64%～12.30%，股份制銀行金融科技投入同比增長也普遍處于10.76%～57.68%水平①。2021年證券業也金融科技投入首次突破300億元，增幅超過20%②。保險科技融資呈現上升態勢，2019年融資金融達到59.20億元③。

對于證券部門，它對銀行和保險凈風險溢出指數主要為正，并且自2016年來持續上漲。這可能是因為：第一，證券部門面臨較高的負債比例和多樣化的債務融資，更容易受到市場風險和債務違約等因素的影響，從而導致系統性風險和風險溢出。有文獻認為，在控制監管水平和宏觀經濟等因素不變的條件下，杠桿率較高的證券機構是金融系統性風險的主要貢獻者（白雪梅等，2014；曹齊芳等，2021；宮曉莉等，2020）；第二，自2016年開始，金融嚴監管使得保險和銀行在風險控制、合規管理、資產質量、資本充足率等方面面臨更嚴格的監督，風險溢出逐漸降低。相比之下，證券市場更自由靈活，投資者更容易受市場情緒和行情波動的影響，其風險管理能力相對不足，因此風險溢出水平較高。

（五）風險溢出效應網絡分析

以上分析分別從靜態和動態角度，研究了在整體樣本期內四部門風險傳染效應，為進一步明確在極端經濟事件下系統風險傳遞路徑、傳遞強度及系統重要性部門，本文參考楊子暉等（2018）方法構建風險傳染網絡。用Gephi軟件繪制了（a）2013年6月28日—2014年12月5日的銀行錢荒股市動蕩期間；（b）2015年1月23日—2015年11月27日年股災頻發期間；（c）2018年3月23日—2019年1月11日中美貿易沖突頻繁期間；（d）2019年12月13日—2023年1月20日新冠疫情防控期間的網絡拓撲圖，如圖6所示。淺色節點代表凈風險溢出部門，深色節點代表凈風險溢入部門，節點越大代表風險凈溢出或凈溢入越大，對風險傳染影響越大。兩點間的有向線表示兩部門間風險凈溢出，箭頭的方向為風險溢出方向，線條越粗則表示它們之間風險凈溢出指數越大，線條的粗細與其數值大小呈比例變動。各階段部門間風險凈溢出如表7所示。

從圖6可以看到，在不同經濟事件中，風險跨部門傳染各具特點。具體而言，2013年6月至2014年12月銀行錢荒股市動蕩，各部門系統風險及總溢出水平持續在高位波動，銀行和證券部門是主要風險溢出中心，金融科技部門是主要風險溢入中心，金融科技風險傳染增量45.29%來自于銀行，36.29%來自于證券。2015年股市動蕩期間，銀行凈溢出指數為-0.78，成為主要風險溢入，金融科技部門的凈溢出指數為0.70，成為主要風險溢出；中美貿易沖突激烈期間，銀行凈溢出指數下降至-1.45，證券和金融科技的溢出指數分別升至0.10和0.89；新冠疫情期間，銀行受其他部門風險傳染影響進一步加深，溢出指數下降至-3.41，38.8%風險效應增量來自于證券，37.73%來自于金融科技。金融科技的溢出指數最大，為1.90，證券部門為1.78。

基于上述分析可以發現：第一，尾部經濟事件中，銀行在風險傳染中的角色由風險凈溢出者轉變為了凈溢入者，且受其他部門影響遞增，已成為最主要風險溢入部門；第二，金融科技部門則由凈溢入者轉變為凈溢出者，對其他部門影響遞增，已成為最主要風險溢出部門。

（六）各部門系統風險溢出效應影響機制研究

將各部門溢出和溢入指數周度數據轉化為月度數據作為被解釋變量。對各變量進行ADF檢驗結果顯示均為平穩，剔除空缺值后得到128個月度數據，宏觀變量數據均來自于wind數據庫，回歸結果如表8所示。

從貨幣與準貨幣同比增長率（M2）來看，其對總風險溢出（TSI）、證券部門溢入（FROMsecurities）、金融科技部門溢出（TOfintech）和溢入（FROMfintech）有顯著的負向影響，且對金融科技和證券部門影響更大。這可能是因為：第一，M2的增加增強了流動性，加大資金進入證券和金融科技部門的可能性，從而降低這些部門風險溢出和溢入的概率。而銀行和保險部門主要依賴于存款和保險費這樣的負債模式，不是由流動性完全驅動；第二，銀行和保險部門相對于證券和金融科技部門來說更易受到監管和政策的嚴格限制，這也在一定程度上減輕了它們的風險溢出和溢入受M2的影響。

從全國銀行間同業拆借利率（CHIBOR）來看，其對總風險溢出（TSI）、銀行部門溢出（TObank）和溢入（FROMbank）、保險部門溢出（TOinsurance）和溢入（FROMinsurance）、證券部門溢入（FROMsecurities）、金融科技部門溢入（FROMfintech）有顯著的正向影響，且對銀行和保險部門影響更大。這可能是因為：第一，銀行同業拆借資金的成本會直接影響到銀行的借貸業務和資產負債表等方面。而保險與銀行有著較緊密的合作關系，在經營模式、風險控制、融資渠道、服務對象等方面也有相似之處，故受同業拆借利率影響較大；第二，對于證券和金融科技部門來說，資金流入速度相對較快，所以同業拆借利率的變化對它們的風險溢出和溢入影響相對較小。

從消費者預期指數（CEI）來看，其對總風險溢出（TSI）和各部門風險溢入具有顯著的負向影響。這可能是因為消費者預期水平主要對消費者的投資產生直接影響。當預期水平較低時，他們會減少投資，轉而更多地將資金投入到風險較低的金融產品中，導致金融機構的資本占用率上升，風險溢入效應上升；當預期水平較高時，消費者投資行為增加，提高了金融機構的貸款需求，降低了風險溢入水平。

（七）穩健性檢驗

為檢驗實證結果是否過于依賴參數設定，本文通過改變滯后階數及預測期數的方法進行穩健性檢驗。本文選取滯后階數為5階，在此基礎上再構建1階、2階、3階、4階TVP-VAR模型求得總溢出指數TSI，圖7顯示了各TSI時間序列圖。從圖7可以得到，滯后階數的變化基本不會對TSI變化造成影響。本文選取預測期為6，在此基礎上再構建預測期分別為8、10和12的模型求得TSI，圖8顯示了各TSI時間序列圖。從圖8中可以得到，模型的預測期變化也不會對TSI造成明顯影響，說明所求的結果具有一定的穩健性。

五、結論與政策建議

（一）結論

本文使用銀行、證券、保險和市場設施類金融科技等行業的47家中國A股上市公司公開股票數據，計算各部門的在險價值VaR，基于TVP-VAR和廣義預測誤差方差分解DY的數學分析框架，對部門間風險溢出溢入指數進行度量和分析。

第一，從系統性風險計算結果來看，市場設施類金融科技部門的在險價值VaR與傳統金融部門相比有著更大的均值、標準差和最大值，說明該部門系統性風險較高，具有較大的安全隱患。第二，從全樣本靜態分析結果來看，加入了金融科技的新型金融體系內存在較為明顯的跨部門風險傳染效應，金融科技與其他金融部門間均存在較為顯著風險溢入和溢出效應，也是其他金融部門的主要風險來源。第三，從動態分析結果來看，此金融體系具有對極端經濟事件十分敏感的特點，在各尾部經濟事件期間總風險溢出水平均有不同程度上升。在2018年后總溢出指數TSI和各部門受總風險溢入水平均呈現明顯下降趨勢，但金融科技和證券部門風險溢出水平呈現上升態勢，這說明雖然近年來金融監管的逐步完善減少了總體系統風險溢出，但風險并未完全削弱，而是在金融科技和證券部門間積聚。凈溢出指數也顯示，證券和金融科技溢出效應及銀行溢入效應不斷擴大的現象“由來已久”，總溢出風險效應上升或下降并沒有影響到它們逐漸惡化的趨勢。第四，網絡分析結果顯示，在錢荒發生期間銀行是風險溢出的中心，對其他部門風險影響較大，而在2015年股災、中美貿易沖突頻繁和新冠疫情期間，證券和金融科技變成了主要風險溢出地，銀行成為主要風險流入地。這說明，在未來可能發生的尾部事件中，金融科技很可能會變成金融風險溢出的主要來源，而銀行則會受到較大的風險流入。第五，研究金融科技溢出影響機制發現，貨幣與準貨幣同比增長率（M2），全國銀行間同業拆借利率（CHIBOR）以及消費者預期指數（CEI）是影響四部門風險溢出和溢入的關鍵因素。其中M2的提高可以有效降低證券和金融科技部門的風險傳染效應，CHIBOR的下降有效降低銀行和保險部門的風險傳染效應，CEI的提升可以顯著降低各部門風險溢入效應。

（二）政策建議

第一，投資者在進行投資決策時，要全面評估金融科技行業的潛在風險，選擇投資具備良好監管合規記錄和穩健運營模式的金融科技公司，以降低安全隱患。同時，建議投資者理性持有包含風險相關性較大的金融科技和金融機構的投資組合，提高投資組合的多樣化，降低風險的傳染程度。第二，政府部門，有必要引入和改進相應的監管和制度規則，加強對金融科技和證券部門的監管力度，如加強對金融科技或證券產品的信息披露要求，鼓勵與監管機構之間的信息共享和合作，推動監管框架與技術發展相適應等，降低風險在其中的“積聚”效應。第三，金融業管理者在尾部經濟事件發生時，可以采取降低同業拆借利率和提高貨幣政策寬松程度等手段來降低不同部門間的風險溢出效應。同時，應加強宏觀調控，合理引導消費者預期水平，降低金融機構的系統性風險溢入。

（責任編輯：夏凡）

參考文獻：

[1]白雪梅，石大龍.中國金融體系的系統性風險度量[J].國際金融研究，2014（6）：75-85.

[2]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（2）：37-53.

[3]戴志鋒，朱皓陽，尹華.我國石油、黃金、房地產和金融部門間系統風險動態溢出效應研究[J].系統工程理論與實踐，2022（10）：2603-2616.

[4]方意，王琦，張驀嚴.大科技公司的金融風險隱患和監管[J].學習與實踐，2021（8）：54-66.

[5]方意，荊中博，馬曉.中國房地產市場對銀行業系統性風險的溢出效應[J].經濟學（季刊），2021（6）：2037-2060.

[6]方意，宋佳馨，譚小芬.中國金融市場之間風險溢出的時空特征及機理分析——兼論中美貿易摩擦對金融市場的影響[J].金融評論，2020（6）：20-43+121-122.

[7]郭峰，王靖一，王芳，孔濤，張勛，程志云.測度中國數字普惠金融發展：指數編制與空間特征[J].經濟學（季刊），2020（4）：1401-1418.

[8]宮曉莉，熊熊，張維.我國金融機構系統性風險度量與外溢效應研究[J].管理世界，2020（8）：65-83.

[9]賀建清.金融科技：發展、影響與監管[J].金融發展研究，2017（6）：54-61.

[10]劉緒光，肖翔.金融科技影響金融市場的路徑、方式及應對策略[J].金融發展研究，2019（12）：79-82.

[11]金洪飛，李弘基，劉音露.金融科技、銀行風險與市場擠出效應[J].財經研究，2020（5）：52-65.

[12]梁琪，常姝雅.我國金融混業經營與系統性金融風險——基于高維風險關聯網絡的研究[J].財貿經濟，2020（11）：67-82.

[13]李文紅，蔣則沈.金融科技（FinTech）發展與監管：一個監管者的視角[J].金融監管研究，2017（3）：1-13.

[14]李政，劉淇，梁琪.基于經濟金融關聯網絡的中國系統性風險防范研究[J].統計研究，2019（2）：23-37.

[15]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（8）：95-110.

[16]李程，楊奕.地方政府債券風險溢出及其宏觀機理——基于金融市場的分析[J].武漢金融，2022（8）：49-58.

[17]劉緒光，肖翔.金融科技影響金融市場的路徑、方式及應對策略[J].金融發展研究，2019（12）：79-82.

[18]劉曉東，歐陽紅兵.中國金融機構的系統性風險貢獻度研究[J].經濟學（季刊），2019（4）：1239-1266.

[19]馬永談，魯靜怡，林萍，等.全球金融發展與經濟增長的結構性關聯效應——基于金融周期和金融穩定機制的分析[J].財經科學，2021（10）：1-14.

[20]沈悅，郭品.互聯網金融、技術溢出與商業銀行全要素生產率[J].金融研究，2015（3）：160-175.

[21]王道平，劉楊婧卓，徐宇軒，劉琳琳.金融科技、宏觀審慎監管與我國銀行系統性風險[J].財貿經濟，2022（4）：71-84.

[22]胥愛歡，趙俊豪，楊思睿.國外金融科技發展與監管的實踐經驗及若干啟示[J].海南金融，2022（4）：50-57.

[23]袁薇，王雙微，王培輝.我國金融市場極端風險傳染路徑研究[J].金融監管研究，2021（3）：80-91.

[24]楊子暉，陳雨恬，謝銳楷.我國金融機構系統性金融風險度量與跨部門風險溢出效應研究[J].金融研究，2018（10）：19-37.

[25]楊子暉，陳雨恬，林師涵.系統性金融風險文獻綜述：現狀、發展與展望[J].金融研究，2022（1）：185-206.

[26]張冰潔，汪壽陽，魏云捷，趙雪婷.基于CoES模型的我國金融系統性風險度量[J].系統工程理論與實踐，2018（3）：565-575.

[27]周云龍，胡良劍.股票市場行業指數波動溢出效應實證分析[J].經濟研究導刊，2019（15）：83-85+99.

[28]張蕊，盧俊香.基于Vine-Copula廣義CoVaR模型的我國金融市場間風險溢出研究[J].金融經濟，2023（8）：78-86.

[29]陳少煒，郭隆.多維經濟空間下金融機構股票收益的空間溢出效應及風險評價分析[J].區域金融研究，2022（9）：49-56.

[30]Adams Z，Füss R，Gropp R.Spillover Effects among Financial Institutions：A State-Dependent Sensitivity Value-at-Risk Approach[J].Journal of Financial and Quantitative Analysis，2014，49（3）：575-598.

[31]Antonakakis N，Gabauer D，Gupta R.International monetary policy spillovers：Evidence from a time-varying parameter vector autoregression[J].International Review of Financial Analysis，2019，65（C）：1382-1382.

[32]Antonakakis N，Chatziantoniou I，Gabauer D.Refined Measures of Dynamic Connectedness based on Time-Varying Parameter Vector Autoregressions[J].Journal of Risk and Financial Management，2020，13（4）：342-383.

[33]Adrian T，Brunnermeier M K.Covar[J].American Economic Review，2016（7）：1705-1741.

[34]Acharya V V，Pedersen L H，Philippon T，et al.Measuring Systemic Risk[J].The Review of Financial Studies，2017（30）：2-47.

[35]BCBS.Sound Practices：Implications of fintech developments for banks and bank supervisors[J].Bank for international settlement，2018.

[36]Diebold X F，Yilmaz K.Measuring Financial Asset Return and Volatility Spillovers，with Application to Global Equity Markets[J].The Economic Journal，2009（119）：158-171.

[37]Diebold X F，Yilmaz K.On the network topology of variance decompositions：Measuring the connectedness of financial firms[J].Journal of Econometrics，2014，182（1）：119-134.

[38]Enders W，Granger C W.Unit-Root Tests and asymmetric adjustment with an example using the term structure of interest rates[J].Journal of Business & Economic Statistics，1998，16（3）：304-311.

[39]Wei L，Zhen L，Mo L，et al.FinTech Credit： Market Structure，Business Models and Financial Stability Implications[J].Financial Development Review，2017.

[40]IMF.Global Financial Stability Report，April 2009：Responding to the Financial Crisis and Measuring Systemic Risks[R].Washington D. C.：Global Financial Stability Report，2009.

[41]H？覿rdle K W，Wang W，Yu L.TENET：Tail-Event driven NETwork risk[J].Journal of Econometrics，2016，192（2）：499-513.

[42]Khalil F，H M Alam.Identification of Fintech Driven Operational Risk Events[J].Journal of the Research Society of Pakistan，2020（57）：75-87.

[43]Laeven L，Ratnovski L，Tong H.Bank size，capital，and systemic risk：Some international evidence[J].Journal of Banking and Finance，2016（69）：S25-S34.

[44]Lapavitsas C，Dos Santos P L.Globalization and contemporary banking：On the impact of new technology[J].Contributions to Political Economy，2008，27（1）：31-56.

[45]Shim Y，Shin D.Analyzing Chinas Fintech Industry from the Perspective of Actor-Network Theory[J].Telecommunications Policy，2016（40）：2-3.

[46]Strohsal T，Proa？觡o R C，Wolters J.Characterizing the financial cycle：Evidence from a frequency domain analysis[J].Journal of Banking and Finance，2019，106（C）：568-591.

[47]Xiao J，Zhou M，Wen F，et al.Asymmetric impacts of oil price uncertainty on Chinese stock returns under different market conditions：Evidence from oil volatility index[J].Energy Economics，2018（74）：777-786.

[48]You W，Guo Y，Zhu H，et al.Oil price shocks，economic policy uncertainty and industry stock returns in China：Asymmetric effects with quantile regression[J].Energy Economics，2017（68）：1-18.

[49]Rainer A，Roman B，T.M S.FinTech and the transformation of the financial industry[J].Electronic Markets，2018，28（3）：235-243.

①數據來源：筆者根據《中國金融科技運行報告（2022）》相關數據整理得出。

①數據來源：筆者根據《中國上市銀行分析報告2021》相關數據整理得出。

②數據來源：中國證券協會.中國證券業協會發布證券公司2022年度經營數據[EB/OL].[2023-03-17].https：//www.sac.net.cn/hysj/jysj/202303/t20230317_54404.html.

③數據來源：筆者根據眾安金融科技研究院《草木百年新雨露——保險創新融資動向、2021回顧與2022展望》相關數據整理得出。