我國金融混業經營下交叉性金融風險的測度與影響因素研究

摘" "要：在我國混業經營深化與交叉性金融風險積聚的背景下，本文基于LASSO-VAR模型與廣義方差分解方法，構建了31家金融機構的高維動態風險關聯網絡，系統解析交叉性金融風險的生成機制與傳染路徑。研究發現：（1）金融體系風險關聯總水平呈現“危機驅動型”波動特征，其演變趨勢與交叉性金融業務規模擴張顯著同步。（2）部門間的風險傳染存在異質性，銀行與證券部門為風險凈溢出核心節點，保險部門則因其資產負債結構脆弱性成為主要風險溢入部門。（3）機構層面，混業經營機構及金融控股公司通過業務嵌套與股權交叉形成復雜風險關聯網絡，易引發交叉性金融風險。在危機時期，機構的跨部門風險關聯水平顯著攀升。（4）實證檢驗表明，業務交叉規模與股權交叉程度均顯著加劇金融機構的交叉性金融風險暴露，并在危機時期顯著放大了其傳染效應。研究結果為穿透式監管提供了網絡拓撲視角的量化工具，對防范交叉性金融風險具有重要政策啟示。

關鍵詞：交叉性金融風險；高維風險關聯網絡；混業經營；LASSO-VAR

中圖分類號：F830" "文獻標識碼：A" "文章編號：1674-2265（2025）04-0015-14

DOI：10.19647/j.cnki.37-1462/f.2025.04.002

一、引言

2023年中央金融工作會議強調“要全面加強金融監管，有效防范化解金融風險”，并明確提出“切實提高金融監管有效性，依法將所有金融活動全部納入監管”。隨著《關于規范金融機構資產管理業務的指導意見》（銀發〔2018〕106號）過渡期結束，我國交叉性金融風險的管控取得了階段性成效。然而，在金融全球化深入推進與金融創新步伐不斷加快的驅動下，跨市場、跨行業、跨機構的金融活動日益復雜。這種復雜性在金融體系中體現為：影子銀行規模雖有所下降但仍處于高位，多層嵌套的資管產品尚未完全清理，部分金融機構通過復雜的金融工具設計規避監管的現象依然存在。這些問題不僅加劇了金融體系的脆弱性，還為風險的跨部門傳染提供了渠道。尤其在經濟復蘇背景下，房地產企業債務違約、城投公司流動性緊張以及其他潛在風險，正通過銀信合作、銀證合作以及理財資金池等渠道向金融體系滲透，嚴重威脅我國金融體系穩定與經濟健康發展。交叉性金融風險已成為影響現代金融體系穩定的核心挑戰之一（卜林和任碩，2023；霍江川和丁夢依，2014）[1，2]。在此背景下，厘清交叉性金融風險的跨行業傳染機制及其關鍵驅動因素，對于有效防范化解重點領域風險，助力實體經濟高質量發展具有一定的參考價值。

為防控交叉性金融風險，我國近年來持續推進以“去杠桿化”和“去通道交易”為核心的金融改革。2017年4月，中國人民銀行召開的金融穩定工作會議指出“從國內看，宏觀金融風險、市場主體風險和金融市場風險交織，非法金融活動問題突出”。為應對這一挑戰，2018年4月，包括《關于規范金融機構資產管理業務的指導意見》（銀發〔2018〕106號）在內的多項金融監管政策相繼出臺，推動了中國金融監管模式從分業監管向穿透式監管的轉變。為進一步提升監管效能，2023年3月，我國啟動金融監管體制的頂層設計改革，通過設立以功能性監管為導向的國家金融監督管理總局，整合銀行、保險等非證券領域的監管職責，推動傳統分業監管模式向協同化、穿透式監管模式轉型。這一改革通過消除監管盲區、提升監管部門的跨市場風險識別能力，為降低交叉性金融風險提供了制度保障。然而，盡管監管政策不斷完善，金融控股公司的多元化擴張與交叉性業務的復雜嵌套仍對監管體系構成挑戰，傳統監管手段在追蹤交叉性金融風險傳導路徑方面存在局限。因此，深入研究金融風險的跨部門傳染特征，對構建全鏈條風險防控體系，切實維護金融系統穩定具有重要的理論價值和實踐意義。

進一步地，厘清交叉性金融風險傳導機制是防范化解風險的核心環節。基于結構化分析與網絡拓撲理論，交叉性金融風險傳導路徑可以歸納為以下三個維度：一是業務嵌套結構下的風險隱匿性積累路徑。多層嵌套的金融產品模糊了底層資產的權責歸屬，形成了監管真空，導致監管響應滯后于風險累積速度，風險在多層交易鏈條中隱匿積累（郁蕓君等，2021）[3]。二是委托代理鏈條延長引發風險放大的傳導路徑。交叉性金融業務的通道設計延長了資金供需鏈條，隨著交易環節的增加，各參與方之間的信息不對稱程度和風險識別成本都隨之上升，導致風險在鏈條中逐級放大。實證研究表明，委托代理環節每增加一層，風險傳染概率提升12%～15%（劉莉亞等，2019）[4]。三是網絡關聯驅動的風險共振傳導路徑。機構間通過交叉持股、同業投資、資管產品嵌套等業務形式，形成緊密的關聯網絡，局部沖擊通過資產負債表渠道擴散為系統性風險（葉文輝，2015）[5]。特別是在金融危機時期，在金融體系脆弱性加劇與金融機構風險水平攀升的疊加效應下，交叉性金融風險傳導路徑呈現出顯著強化的特征。上述三種傳導路徑的共同作用表明，交叉性金融風險并非由單一機構引發，而是源于金融機構間的網絡化關聯的共同作用。

交叉性金融風險的生成機制源于金融機構間的網絡化關聯結構。具體而言，金融機構通過業務嵌套與股權交叉形成了復雜的網絡拓撲結構，其節點關聯密度與路徑特征不僅影響風險傳染的強度與范圍，還通過資產負債表傳染（Allen和Gale，2000）[6]、風險共振（Battiston等，2012）[7]等機制，將微觀個體擾動轉化為多機構共同波動。諸多典型案例印證了風險的網絡化傳導機制。例如，2015年中國股市異常波動期間，場外配資通過銀信合作、資管計劃等多層嵌套結構，在銀行、信托、券商之間構建了高度密集的關聯網絡，導致股市局部流動性危機在3個交易日內蔓延至78家金融機構，最終引發系統性崩盤；同樣地，2022年房地產信托計劃違約事件中，底層資產通過5層SPV結構與12家金融機構形成關聯網絡，使單一產品風險演化為市場危機。這些交叉性金融風險的傳染現象體現了其風險隱蔽傳導與網絡化擴散的雙重特征。因此，交叉性金融風險本質上是機構間網絡化關聯的產物，構建動態風險關聯網絡成為識別其傳染路徑的關鍵手段。

鑒于此，本研究從風險關聯網絡視角切入，采用LASSO-VAR與廣義方差分解相結合的方法，量化金融機構間的風險溢出指數，構建高維動態風險關聯網絡，揭示交叉性金融風險的動態生成和傳導機制，并進一步采用雙重固定效應模型，實證檢驗金融機構業務交叉和股權交叉行為對交叉性金融風險暴露的影響。相較于已有研究，本文在以下兩個維度實現了理論拓展：其一，研究方法的創新。本文借鑒了李政等（2021）[8]的研究思路，將LASSO-VAR模型與廣義方差分解方法相結合，構建動態風險關聯網絡對交叉性金融風險的生成和傳染進行實時追蹤，該方法突破了傳統靜態分析框架的維度限制，更契合交叉性金融風險的非線性傳導特征與動態演化規律。其二，在實證方法上，本文將業務交叉和股權交叉的雙重維度納入交叉性金融風險傳染的分析框架。相較于單渠道研究，這一雙重傳導機制的識別彌補了現有單渠道研究的不足，為交叉性金融風險防控提供了新的理論支點。

二、文獻綜述

原銀保監會將交叉性金融風險界定為金融機構借助復雜的結構化金融工具實施監管套利行為，致使底層資產風險難以有效識別與穿透，進而形成的跨市場風險敞口。其核心特征表現為跨行業非線性傳導與網絡化擴散（王俊勇等，2021）[9]。Minsky（1992）[10]的金融不穩定假說為交叉性金融風險的生成提供了理論基礎：在經濟繁榮階段，金融機構通過多層嵌套式信用擴張突破監管邊界，形成高杠桿債務金字塔，而監管穿透的時滯導致風險持續累積，最終在危機時期引發系統性崩盤。在此過程中，混業經營模式放大了信息不對稱和委托代理問題（Akerlof和Kranton，2000）[11]，使得金融機構通過業務嵌套模糊底層資產的權責關系，進一步削弱了市場對風險的識別和約束能力。此外，復雜網絡理論揭示了交叉性金融風險傳導的結構性根源，金融機構通過交叉持股和業務關聯形成網絡結構，能夠通過資產負債渠道將局部風險擴散至全局（Allen和Gale，2000）[6]，從而加劇了交叉性金融風險的生成與傳播。然而，中國交叉性金融風險的獨特性在于其與機構監管套利行為的深度綁定。金融穩定理事會數據顯示，2016—2022年中國78%的交叉性金融事件均涉及監管空白地帶的套利行為。盡管國家金融監管總局成立后，分業監管向功能監管的制度變遷緩解了監管盲區，但政策執行的滯后性和機構規避監管的創新行為仍可能引發制度摩擦，為交叉性金融風險的滋生提供了“土壤”（王優銳和廖越馨，2024）[12]。這種監管套利與網絡傳導的復合作用，使得單個機構風險通過業務結構嵌套、網絡關聯以及行為共振等方式實現跨市場傳染。

近年來，國內外學者對交叉性金融風險的關注日益深入，關于其測度方法已構建起多維度的方法論體系。現有文獻主要沿著以下路徑展開：部分學者通過機構間資產負債表關聯，量化跨機構間的風險傳染效應強度，系統解析金融風險的非線性傳染機制（錢一鶴和金雪軍，2016；吳宜勇等，2017）[13，14]。另外一部分學者基于SIRS動力學框架，構建市場風險傳染的數值模擬模型，以解析金融風險在多市場間交叉傳染的演化規律（王俊勇等，2021）[9]。此外，還有學者采用基于收益率的DCC-CARRX模型，測度銀行、證券和保險部門的風險相關性，以反映各個金融子行業的跨部門交叉性金融風險（張萌萌和葉耀明，2018）[15]。然而，上述方法在揭示風險傳導的動態演化機制方面存在以下三點局限性：首先，傳統模型難以捕捉多層嵌套業務形成的網絡效應；其次，靜態分析框架無法解析風險關聯的時變特征；最后，單維度測度導致交叉性金融風險暴露水平被低估。鑒于此，為了更準確地度量我國金融機構的交叉性金融風險，本文借鑒梁琪和常姝雅（2020）[16]的研究，聚焦風險關聯網絡，結合風險傳導動態變化特征，對金融機構交叉性金融風險的生成和傳染機制展開深入研究。

目前，關于風險關聯網絡的構建方法主要沿著兩條主線展開：第一類是基于財務報表數據的風險關聯網絡構建方法，依據風險傳染機制差異可將其劃分為直接風險關聯網絡（方意和黃麗靈，2019；Upper和Worms，2004）[17，18]和間接風險關聯網絡（Greenwood等，2015）[19]。此類模型能夠反映機構之間的顯性關聯，可用于捕捉風險產生和傳染機制。但受限于財務數據的滯后性和低頻性，該方法構建的網絡模型只能捕捉到金融機構實際關聯網絡中的一部分，難以刻畫機構間復雜的動態關聯。第二類是基于高頻市場數據的動態關聯建模（Benoit等，2017；Wang等，2018）[20，21]，其技術突破在于利用高頻數據捕捉市場波動，能夠對風險傳染進行實時度量與監測。此方法不僅克服了財務數據低頻性和滯后性的缺點，突破了金融機構間特定關聯形式的限制，還能從全局和多渠道的視角度量跨部門的風險傳染。

隨著基于高頻數據的網絡構建方法成為主流，模型復雜度與高維數據可解釋性之間的矛盾推動了大量學者對網絡構建方法的不斷完善。早期研究中，Billio等（2012）[22]首次將向量自回歸模型（VAR）與二元Granger因果檢驗結合，構建有向關聯網絡，用于識別金融機構間的風險傳染路徑和方向，但該方法中Granger因果檢驗僅適用于雙變量分析，難以刻畫多機構間的復雜網絡關聯，無法量化風險溢出強度。在此基礎上，Diebold和Yilmaz（2014）[23]提出了一種基于向量自回歸（VAR）模型的廣義方差分解框架，通過測度跨機構風險溢出效應的貢獻值，構建動態有向加權結構，實現了對風險溢出強度的精確量化，突破了傳統Granger因果檢驗的局限。然而，隨著研究對象數據維數的增加，傳統VAR模型在機構數量超過時間序列長度時會面臨“維度詛咒”問題，導致參數估計出現顯著偏差。為解決維度問題，H?rdle等（2016）[24]提出了LASSO分位數回歸方法，通過引入稀疏性約束自動篩選重要變量，將冗余變量系數壓縮至零，從而簡化模型結構，并有效降低研究對象的維度。Demirer等（2018）[25]進一步將LASSO估計方法與VAR模型相結合，構建了跨國銀行間的高維關聯網絡。這種建模方法不僅具有降維能力，適用于機構數量龐大的研究場景，還因其分位數回歸的特性，在高維金融關聯網絡分析中表現出顯著的穩健性。目前，LASSO-VAR模型基于高頻市場數據構建風險關聯網絡的應用得到了學術界的廣泛認可，成為風險關聯網絡研究的重要工具。

盡管現有研究在構建風險關聯網絡方面取得了豐碩成果，交叉性金融風險的測度仍存在方法上的局限，主要體現在以下兩方面：一是跨部門網絡建模缺失。當前研究多聚焦于銀行間風險關聯網絡構建（苗子清等，2021；楊子暉等，2018；宋鷺等，2022）[26-28]，跨部門風險關聯的網絡建模較少。但交叉性金融風險的本質源于金融體系不同部門的風險共振（康健，2018）[29]，構建跨部門網絡成為交叉性金融風險監測的剛性需求。二是動態過程檢測不足。現有研究多基于尾部風險依賴指標構建風險關聯網絡，主要關注極端條件下的風險傳染，難以刻畫風險積累期的動態關聯特征。針對上述問題，Demirer等（2018）[25]提出的LASSO-VAR模型不僅實現了對高維數據的降維，還能從頻域的角度分析金融機構之間的關聯性。此外，股價波動率作為衡量機構市場風險的指標，能夠反映不同時期的風險水平（胡利琴等，2018；Yang和Zhou，2013）[30，31]。基于股價波動率構建的風險關聯網絡能更全面地揭示風險積累期和危機發生時期的風險傳染機制，從而彌補了尾部風險依賴指標的不足，股價波動率的溢出效應可作為交叉性金融風險傳染的重要衡量指標。

鑒于此，本文基于LASSO-VAR模型框架，結合廣義方差分解方法，利用股價波動率構建機構間的有向加權高維風險關聯網絡，以測度我國銀行、證券與保險業金融機構的風險關聯及溢出效應。

三、高維風險關聯網絡的設定與數據說明

本部分先基于高頻股價數據估計金融機構的日頻股價波動率，量化其跨機構波動風險；進一步，引入廣義方差分解框架，構建風險關聯網絡以解析機構間動態交互關系，并對我國金融市場波動風險進行貢獻度分解，得到風險傳染關系；最后，基于風險關聯網絡中的傳染關系構建金融機構交叉性金融風險指標。

（一）高維風險關聯網絡構建方法

1. LASSO-VAR模型。當一個k維時間序列[Xt=x1，t，x2，t，…，xk，tT]的時間跨度為T，遵循VAR（p）模型時，其形式可以表達為：

[Xt=p?iXt-i+εt+μ]" " " " " " " " " " （1）

其中，[μ]為[k×1]維列向量，[?i]為[k×k]維系數矩陣[i=1，2，…，p]，[εt]是[k×1]維誤差向量，且[εt～0，∑]，[∑]代表[εt]的方差協方差矩陣。

模型中待估計參數數量是[k2×p+k]，當變量維度增加時，VAR（p）模型參數空間呈平方級擴張，傳統OLS估計易陷入自由度不足的困境。為緩解高維VAR模型的過擬合問題，本研究引入LASSO-VAR模型，通過引入L1正則化懲罰項，自動壓縮非顯著變量系數至零，實現參數估計與特征篩選的雙重目標。參照Nicholson等（2017）[32]的設置，LASSO-VAR模型的具體表達式如下：

[miniXt-μ-p?iXt-i22+λ?t]" "（2）

其中，[?=?1，?2，…?p]，[λ]為懲罰參數調節懲罰力度，調整[λ]可以控制懲罰的強度。[λ]值增大時，參數受到的壓縮程度增強，模型的自由度相應減小；反之，[λ]數值減小時，參數壓縮程度減弱，模型自由度增大。如果[λ=0]，模型將簡化為標準的VAR模型。鑒于時間序列數據的自相關性，本文采用滾動交叉驗證方法來選擇最優的懲罰參數[λ]，并基于Friedman等（2010）[33]提出的坐標下降算法來求解該模型。

2.基于LASSO-VAR模型的廣義方差分解。在LASSO模型的稀疏約束框架下，將VAR（p）轉化為向量的移動平均表示，并通過計算廣義預測誤差的方差分解貢獻度來計算連通性，從而構建出我國金融體系內部金融機構間的風險關聯網絡。

式（1）中VAR（p）過程可以等價為無窮階向量移動平均方差：

[Xt=A0εt+A1εt-1+A2εt-2+…=∞Aiεt-i]" （3）

其中，系數[Ai]可以通過如下的迭代運算得到：[Ai=?1Ai-1+?2Ai-2+…+?pAi-p]，當[pgt;i]時，[Ai-p=0]，[A0=Ik]。進一步基于廣義方差分解框架，通過量化前瞻H期預測誤差的方差貢獻度，解析變量間的風險溢出效應。具體地，變量[j]對變量[i]的H期方差貢獻度可以定義為：

[θgi，jH=δ-1j，jh=0H-1e′iAhej2h=0H-1e′iAhAhej]" " " " " " " " " " "（4）

其中，[g]表示廣義方差分解，[ei]和[ej]分別表示第[i]個和第[j]個元素為1且其他元素為0的向量，[σj，j]是第[j]個方差誤差項的標準差。那么，[θgi，jH]可以視為機構i對機構j的溢出水平。

由于廣義方差分解的非歸一化特征，即[Nθgi，jH≠1]，本研究通過標準化處理，生成機構間風險溢出效應矩陣，并以此構建有向加權關聯網絡。其標準化公式為：

[θgi，jH=θgi，jHj=1Nθgi，jH]" " " " " " " " " " "（5）

（二）網絡分析方法

本文采用Diebold和Yilmaz（2014）[23]的網絡分析技術，進一步構建機構間風險關聯網絡。

先測度機構[i]的系統性風險溢入強度與跨機構溢出貢獻度：

[CHi←·=j=1i≠jNθgijHi，j=1NθgijH=j=1i≠jNθgijHN]

[CH·←i=j=1j≠iNθgijHi，j=1NθgijH=j=1j≠iNθgijHN]" "（6）

然后，定義金融體系的風險關聯總水平：

[CHi←·=i，j=1i≠jNθgijHi，j=1NθgijH=j=1i≠jNθgijHN]" " " " " " " " " "（7）

本文測度了金融機構在關聯網絡中的風險交互效應。具體地，機構[i]對部門[A]（機構[j]所屬部門）的跨部門風險溢出/溢入效應值的計算公式如下：

[CHi←j=j?AθgijHj?Ai=1NθgijH]

[CHj←i=j?AθgijHj?Ai=1NθgijH]" " " " " " "（8）

為了評估部門層面的風險關聯性，本文計算了不同部門間直接關聯系數的平均值，以此作為部門間關聯程度的衡量指標：

[CHA←B=j?Bi∈AθgijHi∈Aj=1NθgijH×i∈Bj=1NθgijH]" " "（9）

基于機構和部門間風險凈溢出水平的測度結果，本研究以[t]時期內部門[A]中機構[j]對其他部門的凈溢出強度作為交叉性金融風險的量化指標，其數學表達式為：

[CHj=CHj←··?A-CH·←j·?A]" " " " " " " " " " " "（10）

（三）數據選取與處理

本研究選取2011年1月1日—2023年12月31日為研究窗口，系統分析我國金融體系風險關聯的動態演變機制。該時段涵蓋經濟周期的不同階段，能夠有效捕捉交叉性金融風險傳染機制的時變特性。研究樣本覆蓋銀行、證券和保險三大金融子行業，并基于以下標準進行篩選：剔除年度停牌超過20個交易日的機構，來確保數據的連續性；排除研究期間發生主業變更的機構，以減少金融機構業務結構異質性對實證結果的干擾。經篩選后，最終構建的樣本集包含31家金融機構①，其總資產規模占金融業上市公司總資產的75.58%②，具有行業代表性。基于風險關聯網絡構建需求，本研究采用金融機構的日度股價③數據測度其風險波動率，并以此為基礎構建風險關聯網絡。研究使用的股價數據來源于萬得數據庫④。

四、高維風險關聯網絡的構建與分析

為了捕捉機構間風險關聯網絡的動態演變特征和風險傳染機制，本文運用滾動回歸方法構建時變的風險關聯網絡，從總體、部門和機構三個維度分析。在此過程中，滾動窗口設定為120個交易日，方差分解的預測期限設定為10個交易日。

（一）金融體系風險關聯總水平動態演進與交叉性金融業務⑤擴張的關聯

圖1展示了31家金融機構風險關聯總水平的動態演變過程。數據顯示，風險關聯總水平的均值為85.78%，波動區間為70.86%～95.47%，與交叉性金融業務規模擴張高度同步。這表明我國金融體系存在顯著的風險關聯，交叉性金融業務是風險關聯網絡演化的核心驅動力。圖2描繪了金融體系部門內及部門間風險關聯總水平的時變特征，揭示了跨部門風險關聯的異質性。可以發現，在整個樣本期內，金融體系部門內風險關聯度持續高于部門間水平。其原因在于，同一部門內的金融機構通常從事相似業務，資產組合高度重疊，導致風險傳染路徑短且直接。相比之下，不同部門的業務模式差異較大，風險傳導需要通過交叉性金融業務實現，路徑更長且復雜。基于這些特征，可將風險關聯總水平的演變大致劃分為四個階段：

第一階段為2011—2013年底，金融體系的風險關聯總水平呈現顯著增長趨勢，交叉性金融業務規模增長約40%，風險關聯總水平的上升與交叉性金融業務的擴張呈正相關關系。在此期間，監管部門出臺《保險資金委托投資管理暫行辦法》等政策，為交叉性金融業務的發展提供了制度基礎。在政策推動下，金融機構通過資管產品創新，積極開展跨市場、跨行業的交叉性金融業務。這一時期，銀證合作激增32%，保險資管跨市場配置比例提升至35%，銀行理財規模突破10萬億元。然而，這種擴張在促進金融資源優化配置的同時，也導致金融體系風險關聯水平顯著提升，為交叉性金融風險的累積埋下了隱患。2013年6月的“錢荒”事件成為風險關聯網絡失穩的觸發點。這一時期，銀行間利率急劇攀升，銀行體系流動性出現結構性短缺，引發銀證合作通道業務違約的連鎖反應，并進一步擴大了證券和保險機構資產錯配缺口，銀行部門的流動性風險轉化為交叉性金融風險，最終導致金融體系風險關聯總水平達到階段性峰值。

第二階段為2014—2016年初，我國金融體系的風險關聯總水平緩慢上升，并在2015年達到峰值。同期，交叉性金融業務規模也持續增長。這一趨勢的形成可歸結為以下兩個原因：其一，政策層面的制度性變革為交叉性金融業務的發展提供了重要契機。在此期間，2014年5月，國務院頒布的《國務院關于進一步促進資本市場健康發展的若干意見》提出“研究證券公司、基金管理公司、期貨公司、證券投資咨詢公司等交叉持牌”，標志著我國金融業混業經營模式的確立。隨后，《商業銀行法》的修訂進一步為商業銀行開展證券、保險等跨行業業務提供了法律依據，推動金融機構通過交叉性金融業務建立更為緊密的關聯。制度性變革在推動金融機構混業經營的同時，也使得風險傳導路徑趨于復雜化。其二，資本市場異常波動加劇了機構間的風險關聯，2015年初，在杠桿資金的推動下，股市進入非理性繁榮狀態，市場泡沫導致行業間的風險關聯水平持續高位運行，交叉性金融業務實現了迅猛增長。然而，2015年6月“股災”爆發，證券部門的高杠桿融資業務通過銀證合作渠道將風險傳導至銀行部門；銀行體系因質押式回購鏈條斷裂而出現流動性危機，進一步通過資產管理計劃將風險擴散至保險部門。交叉性金融業務形成了“證券—銀行—保險”風險傳導鏈條。此時，金融體系的風險總關聯水平達到峰值。隨后，盡管2016年初證監會推出了“熔斷機制”以平抑波動，但由于風險傳導網絡高度復雜化，金融機構間風險聯動效應持續顯現，風險關聯總水平持續高位運行。

第三階段為2016年末—2019年，我國金融體系風險關聯總水平與交叉性金融業務規模的動態演變呈現“先降低后上升再下降”的波動特征，這一變化與監管政策的強化及市場環境的調整密切相關。在此期間，監管當局針對金融機構間交叉性金融業務相繼出臺了一系列治理措施。2017年原銀監會啟動專項治理工作，規范銀行業的套利行為，標志著監管層對交叉性金融業務的治理進入實質性階段。與此同時，“去杠桿化”和“去通道交易”政策的深入推進進一步壓縮了交叉性金融業務的擴張空間，降低了風險跨部門傳播的可能性。然而，2018年外部環境的重大變化對金融體系穩定性形成了新的挑戰。其中，中美貿易摩擦的持續升級顯著增加了金融市場的不確定性，導致金融機構間風險關聯性短期內出現回升。同年，為應對金融套利亂象，監管部門推出《關于規范金融機構資產管理業務的指導意見》（銀發〔2018〕106號）等一系列政策，重點在于打破剛性兌付、糾正期限錯配、整頓通道業務及抑制多層嵌套，從制度層面有效約束了交叉性金融業務的擴張。這些政策的累積效應在2019年初開始顯現，金融機構間交叉業務規模收縮，金融體系風險關聯總水平進入下行通道。

第四階段為2020年至今，交叉性金融業務規模下降，風險關聯總水平呈現震蕩中上升態勢。這一變化特征主要受外部沖擊、宏觀政策及金融科技創新的共同影響。2020年新冠疫情的暴發對金融體系造成了嚴重沖擊，導致金融機構間的風險關聯水平短期內急劇上升。隨著疫情防控措施的全面實施，大面積停工停產致使經濟活動驟減，金融機構間業務往來減少，風險關聯性也隨之出現階段性下降。2021—2023年，“六穩”“六保”等宏觀經濟政策持續發力，各行業逐步實現復蘇，經濟基本面呈現持續向好態勢。與此同時，金融科技的快速發展成為這一階段的重要特征。大數據、人工智能等新興技術的廣泛應用在提升金融服務效率的同時也增加了金融機構間的關聯性，導致風險傳導路徑更加隱蔽和多元化。在此階段，機構間的交叉性金融風險關聯呈現震蕩中上升趨勢。

（二）部門層面的風險關聯網絡

為探究金融體系各部門在風險關聯網絡中的角色和地位，本文基于公式（9）計算了各個部門的風險溢出值，通過圖3直觀展示了不同部門間的風險溢出關系，并在各圖中添加水平線標識風險溢出均值。結果表明，盡管危機時期各部門風險溢出強度波動劇烈，但各部門的風險傳導方向及其在風險關聯網絡中的相對位置均具有時期穩定性，具體而言：

其一，我國金融系統中銀行、證券和保險三部門形成了緊密的風險關聯網絡。圖3顯示銀行、證券和保險三部門之間均存在顯著的風險相互溢出，各部門兼具風險輸出與接收的雙向溢出特征。這種緊密的風險關聯主要源于金融體系各部門之間通過多層嵌套、相互擔保、質押融資及資金跨市場流轉等交叉性金融業務形成的復雜網絡結構。交叉性金融業務的廣泛開展使得原本相對獨立的部門在業務層面發生深度融合，提升了各金融部門之間的關聯程度，導致部門之間的風險溢出水平持續高位運行。高度關聯性使得單一機構或市場的風險事件不再局限于其發生地，而是會通過復雜的風險關聯網絡擴散至整個金融體系，從而放大了交叉性金融風險的傳染效應。

其二，銀行和證券部門是風險溢出的核心節點。從圖3可以看出，銀行和證券部門對其他部門的風險溢出強度相對較高，且隨時間推移持續增強。銀行部門在資本充足率約束和利率市場化雙重壓力驅動下，通過銀信合作、銀證合作等監管套利型業務，實現表內信貸資產向表外轉移。此類資產轉移行為不僅模糊了風險權責邊界，弱化了風險定價效率，同時還通過跨機構資產負債關聯構建了風險傳導網絡，使銀行部門更傾向于成為風險的凈溢出方。證券部門同樣是金融體系風險溢出的重要源頭，其風險外溢行為與其業務結構的特殊性密切相關。證券部門的資產管理、融資融券等高風險業務使其天然具備較高的風險敞口。在市場波動時期，證券部門的高杠桿業務可能引發流動性危機，并通過質押式回購、銀證合作等渠道將風險傳導至金融體系其他部門。此外，作為直接融資的核心樞紐，證券部門與金融體系其他部門保持著緊密的資金和業務關聯，這使其成為重要的風險溢出部門。

其三，保險部門是主要的風險溢入部門，其風險接收行為與其經營模式的特殊性密切相關。觀察圖3可知，（b）和（d）子圖中銀行和證券部門向保險部門的風險溢出均值分別為2.8和2.3，顯著高于其他部門向銀行和證券部門風險溢出的均值⑥，可見在銀行、證券和保險部門的相互溢出關系中，保險部門是主要風險溢入部門。保險機構的資產負債結構決定了其在風險傳導中的獨特地位。保險公司的負債端具有長期性和隱性期權特征，其在市場波動時面臨非線性風險沖擊，雙重疊加的系統脆弱性使保險部門成為交叉性金融風險傳導中的主要風險接收者。此外，保險部門通過持有理財、信托計劃等交叉性金融產品，與銀行和證券部門建立緊密聯系，成為風險傳導的最后一環。當銀行或證券部門發生危機時，風險通過交叉性金融業務的資金流動迅速傳導至保險部門，這種風險傳導機制進一步加劇了保險部門的風險暴露水平。因此，保險部門在風險傳導網絡中的角色不僅是風險接收者，更是風險傳導鏈條中的重要節點。

（三）機構層面風險關聯網絡

為深入探究各部門中具有較高跨部門風險關聯水平金融機構的特征，本研究計算了31家金融機構在樣本期間跨部門風險溢出、溢入和交叉性金融風險水平的均值，并進行排序。表1列出了排名前20的機構。此外，根據風險關聯總體水平的變動趨勢，我們將樣本期大致劃分為四個階段。在每個階段，當重大突發事件（如2013年“錢荒”、2015年“股災”、2018年中美貿易摩擦、2020年新冠疫情）發生時，金融體系風險總關聯水平總會顯著上升。重大突發事件是否為金融風險總關聯水平上升的重要驅動因素之一？為進一步驗證這一猜想，本文將四個重大突發事件的發生時期綜合定義為危機時期，并計算了危機時期31家金融機構跨部門風險溢出、溢入和交叉性金融風險水平的均值。同樣地，對結果進行了排序，排名靠前的20家機構的相關數據如表2所示。

觀察表1可以發現：首先，證券與銀行機構在跨部門風險溢出中占據主導地位，這與部門層面的結果具有一致性。在31家金融機構中，中信證券、浦發銀行和招商證券的風險溢出水平居前列。此外，保險機構受到的風險溢入水平較高。風險溢入排名前三的金融機構是中國平安、中國太保和中國人壽，均為保險機構。

其次，交叉性金融風險的傳導機制并非由單一方向的風險溢出或溢入主導，其核心在于機構在風險關聯網絡中的凈溢出效應。本文通過公式（10）計算風險凈溢出值來衡量交叉性金融風險水平，旨在反映金融機構在風險關聯網絡中因網絡效應被放大的風險敞口。這種衡量方法在表1中華夏銀行與中國平安的典型案例中得以驗證：其一，華夏銀行的風險溢出排名第8，溢入排名第19，但交叉性金融風險位列第1。這一反差表明，華夏銀行通過業務嵌套、股權交叉等方式形成的風險關聯網絡放大了內部風險敞口。盡管外部風險溢入有限，但網絡關聯效應顯著增強了風險向其他機構的擴散能力，最終推高了交叉性金融風險。其二，中國平安的風險溢出和溢入水平均排名第1，但交叉性金融風險未進入前20名。這一現象的核心在于，中國平安內部的業務結構有效阻斷了風險敞口傳導的放大效應。盡管其因廣泛的業務關聯性面臨較高的外部風險溢入與內部風險溢出水平，但其內部通過風險隔離、資本緩沖等手段將風險傳導路徑限制在可控范圍，最終有效降低了風險敞口傳導的放大效應，從而將交叉性金融風險水平控制在較低區間。上述對比表明，交叉性金融風險水平取決于機構在風險關聯網絡中的風險凈溢出能力，而非單一方向的風險流動。

進而，混業經營程度較高的機構通常表現出更高的交叉性金融風險水平，這種現象與其業務交叉行為密切相關。混業經營模式使得金融機構的業務范圍跨越傳統單一領域，實現了收入來源和業務鏈條的多元化，但也帶來了顯著的風險疊加效應。具體而言，混業經營機構往往通過資本運作、客戶資源共享及業務協同等途徑，在不同金融子領域構建了緊密的關聯。這種關聯性使得機構自身的風險通過跨部門業務鏈條向外傳播，成為外部風險沖擊的放大器。表1中，華夏銀行、浦發銀行、光大銀行、北京銀行、中信證券等混業經營程度高的金融機構，在風險溢出和交叉性金融風險的排名中均位居前列。這些機構不僅對外部風險具有敏感性，還具備較強的向外傳播風險的能力。以浦發銀行為例，其業務范圍覆蓋保險、銀行、資產管理等多個領域。多元化業務布局在為其帶來規模經濟和協同效應的同時，也導致其在某一領域遭受風險沖擊時難以有效隔離，使得風險向其他業務板塊蔓延，與其他金融機構形成風險共振。綜上所述，混業經營機構的交叉性金融風險水平的提高主要源于其業務結構的復雜性。

最后，金融控股公司或金融控股集團下屬的子公司通常表現出更強的跨部門風險傳染性，這一現象源于其復雜的股權結構。這些機構通過控股或參股形成了多層次、多維度的風險關聯網絡，而金融控股公司作為風險傳導的核心樞紐，其股權結構特征顯著增加了交叉性金融風險的發生概率。例如，表1中溢出值排名第二的中信證券作為中信金融控股集團的子公司，與集團內控股的多家證券機構形成了緊密的風險傳導鏈條。這種網絡化的股權關聯結構使得單一機構的風險事件能夠通過股權關聯迅速擴散至整個集團。類似地，溢出水平排名靠前的中國太保，作為交通銀行的大股東之一，通過參股和控股的方式涉足銀行、資產管理等多個領域，構建了跨部門的風險關聯網絡，進一步擴大了其風險傳導的輻射范圍。金融控股公司內部復雜的股權結構往往伴隨著監管套利與風險隱匿。這種股權結構不僅模糊了風險歸屬，導致投資者難以追蹤資金的實際流向，還在風險發生時顯著增加了風險補償的難度。因此，金融控股公司的股權交叉行為加劇了單一機構的交叉性金融風險暴露。

進一步結合表2可以發現，一些金融控股公司及其子公司在危機時期仍然保持較高的風險溢出水平。然而，經營狀態較好的大中型金融機構，由于業務范圍橫跨銀行、保險領域，也表現出較高的風險溢出水平和較高的交叉性金融風險水平。

此外，危機事件顯著加劇了機構間跨部門風險傳染。在重大危機事件發生期間，機構層面的跨部門風險溢出、溢入及交叉性金融風險水平均高于總樣本的平均水平。這一現象反映了危機時期金融體系的脆弱性放大效應。在危機事件發生前，市場處于上漲行情，金融機構普遍表現出非理性繁榮，通過增加業務嵌套與資本互嵌，主動擴大與其他金融機構的關聯性。盡管此時機構間的風險溢出和溢入水平均相對較低，但潛在風險的隱性積累為危機時期的傳染埋下了隱患。當市場處于危機狀態時，金融機構的違約風險上升，而其在風險聚集時形成的高關聯性為風險溢出提供了傳導渠道。與此同時，機構投資者的信心崩潰與悲觀預期導致其風險承擔意愿下降，進一步加劇了市場的流動性螺旋。這種環境下，風險會通過機構間的業務關聯和股權關聯集中釋放，導致危機時期機構跨部門風險溢出和溢入值都較高，金融風險交叉傳染概率大幅提高。綜合總體層面的分析，可以得出結論：危機時期機構間風險關聯對金融風險總關聯的邊際貢獻率顯著提高，驗證了風險交叉傳染的危機放大效應。

結合總體、部門及機構層面的風險關聯網絡特征分析結果發現，金融體系風險關聯呈現出“部門內集聚、跨部門傳染”的雙重特征。在常態下，部門內的風險關聯顯著高于跨部門水平；然而，當危機事件發生時，交叉性金融業務引起的跨部門風險傳染貢獻度顯著上升，成為交叉性金融風險積聚的主導機制。這種轉變揭示了金融體系在壓力情境下的脆弱性。此外，金融控股公司因股權結構復雜，其跨部門風險關聯度顯著高于同業機構；同時，混業經營程度較高、業務交叉范圍廣的金融機構往往具有更高水平的交叉性金融風險。

五、金融機構交叉性金融風險影響因素的實證分析

基于以上分析可知，金融控股公司以及混業經營業務范圍較廣的機構往往面臨著更高的交叉性金融風險。危機時期金融體系的風險關聯水平顯著提升，加劇了金融機構間的跨部門風險傳染。值得注意的是，近年來金融機構為規避監管而進行的金融創新活動推動了業務交叉規模的迅速擴展，金融機構間交叉持股現象也愈發普遍，這是否會對金融機構間關聯水平產生影響，進而引發交叉性金融風險上升？本文進一步使用金融機構微觀層面數據，通過逐步回歸分析方法，探討金融機構混業經營模式下影響金融機構交叉性金融風險的關鍵因素，旨在為金融監管部門的決策提供理論支撐和實踐指導。

（一）金融機構業務交叉規模度量

金融機構為實現監管套利和混業經營目的，廣泛使用交叉性金融工具。這類工具主要通過銀行、證券公司、保險機構等市場化中介機構進行運作，開展信貸資產雙買斷、票據買入返售、賣出轉售、同業拆借和同業存放等業務。這些業務通過不同的會計處理方式記錄在相應的會計科目中。此外，為規避資本充足率等審慎監管約束，金融機構傾向于將部分交叉性業務置于表外運作（王曉芳和權飛過，2019）[34]，最具代表性的便是非保本理財業務。為準確反映其實際風險暴露水平，此類表外業務需要“回表”。因此，為了量化金融機構業務交叉規模，本文提出了一個衡量機構業務交叉規模的指標：cross=[1/2×（交易性金融負債+拆出資金+賣出回購金融資產+買入返售金融資產+非保本理財業務+拆入資金+交易性金融資產+持有至到期投資）]/總資產。根據cross定義可知，其數值越大，代表金融機構業務交叉規模越大。

（二）金融機構股權交叉規模度量

金融機構的股權交叉行為表現為通過控股其他部門的金融機構，拓展自身的產業范圍和投資領域，從而實現混業經營的目標。本文從兩個維度構建指標體系，用以量化和反映金融機構的股權交叉情況：（1）股權交叉虛擬變量（equity1），用于標識金融機構是否存在股權交叉行為，若當年金融機構存在交叉持股行為，equity1賦值為1，反之賦值為0，其中機構交叉持股是指金融機構對其他部門金融機構進行了投資。（2）股權交叉廣度指標（equity2），用于衡量金融機構同時持股其他行業金融機構的數量，反映其參與跨行業投資的廣度。股權交叉指標的構建基于季度持股數據，在具體計算時，若金融機構在年度內任一季度持有跨行業金融機構的股權，即認定該年度存在交叉持股，并以季度均值為年度代理指標。

（三）回歸模型構建

本文建立如下回歸模型進一步驗證業務交叉和股權交叉對機構交叉性金融風險的影響。為確保研究對象的一致性，本文仍選取31家金融機構為研究對象，以2011—2023年為研究區間，對全樣本和危機時期子樣本分別進行回歸。

[coji，t=β0+β1Xji，t+β2Controlsi，t+?i+γt]" " "（11）

在式（11）中，被解釋變量[COji，t]表示部門[j]中機構[i]在第[t]年的交叉性金融風險水平，核心解釋變量[Xji，t]為部門[j]中機構[i]在[t]時期的業務交叉規模或股權交叉程度。[Controls]為一系列控制變量，結合關于金融機構跨部門風險傳染的研究（楊子暉等，2024；李志輝等，2023）[35，36]，本文選取機構總資產規模對數、杠桿率、總資產收益率、股市大盤波動率、每股收益、股價日度收益率和股價日度對數波動率作為控制變量。此外，鑒于不同金融部門在風險關聯網絡中扮演的角色不同，且金融機構的風險傳染在不同時間段存在顯著差異，本文進一步添加部門固定效應和年份固定效應。

本研究采用年度面板數據，所有變量數據均來源于國泰安、萬得、Choice數據庫及金融機構年報。為保證時間維度一致，對被解釋變量進行年度平均處理。變量定義與說明見表3。

（四）回歸結果分析

表4展示了業務交叉對金融機構交叉性金融風險影響的實證結果。結果顯示：金融機構之間的業務交叉顯著加劇了跨部門風險傳染，是推動交叉性金融風險水平提升的關鍵因素，且這一效應在危機時期更加明顯。列（1）和（2）展示了全樣本時期回歸結果。列（1）僅以金融機構的業務交叉規模為解釋變量，此時業務交叉規模的回歸系數顯著為正。列（2）加入控制變量后，業務交叉規模的系數依然顯著為正。這表明，無論是否考慮控制變量，金融機構業務交叉規模與其交叉性金融風險水平之間始終存在正向關系。這一現象可歸因于金融機構通過開展同業業務、通道業務等交叉業務與其他部門金融機構建立了更為緊密的聯系，使得不同類型的風險更容易通過業務交叉在金融機構之間傳遞，進而引發交叉性金融風險。列（3）和（4）展示了危機時期的回歸結果，可以發現業務交叉規模的系數也均顯著為正，且其絕對值明顯高于全樣本時期的結果。這表明，在危機時期，金融機構的業務交叉規模對風險跨部門交叉傳染的影響更加強烈。這種現象可能歸因于危機時期市場不確定性增加，金融機構之間的關聯性進一步增強，從而放大了業務交叉的風險傳導效應。

表5展示了股權交叉對金融機構交叉性金融風險的影響。可以發現：金融機構的股權交叉顯著加劇了金融體系的脆弱性，成為交叉性金融風險的重要來源之一，這一影響在危機時期依然成立。列（1）—（4）是全樣本時期的回歸結果，列（1）中，股權交叉虛擬變量的系數顯著為正；列（2）在列（1）的基礎上加入控制變量，股權交叉虛擬變量的系數依然顯著為正。無論是否加入控制變量，當金融機構存在股權交叉時，其都會面臨更高的交叉性金融風險。這可能是因為，股權交叉導致金融機構形成復雜的資本嵌套結構，通過資金分散化來隱匿投資路徑，降低了底層資產透明度，加劇了金融機構的脆弱性。一旦某家金融機構出現經營危機，風險會迅速通過股權關聯波及其他機構，加劇了跨部門的風險傳染，推高了金融機構的交叉性金融風險水平。列（3）和（4）中金融機構股權交叉廣度的系數均顯著為正，說明隨著交叉控股金融機構數量的增加，金融機構面臨的交叉性金融風險水平也隨之上升。這可能是因為，金融機構持股其他行業金融機構數量越多，其內部易形成復雜的股權結構和較高的財務杠桿，從而形成更多的風險傳遞路徑。這導致風險更容易在不同部門之間交叉傳染，最終表現為單個金融機構的交叉性金融風險水平更高。列（5）—（8）展示了危機時期的回歸結果，其中股權交叉虛擬變量的系數依舊顯著為正，表明危機時期存在交叉持股行為的機構面臨更高的交叉性金融風險。股權交叉廣度的系數為正但不顯著，這可能是因為，危機時期樣本量較小，導致股權交叉程度的影響被低估，而股權交叉的復雜嵌套結構可能導致風險傳導路徑更加隱蔽，難以在短期內被模型捕捉。

六、結論與建議

本文創新地將LASSO-VAR模型與廣義方差分解方法相結合，從風險關聯網絡的角度出發，運用滾動回歸技術構建了覆蓋2011—2023年我國金融體系的風險關聯網絡，從總體、部門和機構層面深入剖析了我國金融體系風險關聯網絡的動態變化特征，并在此基礎上考察了金融機構交叉性金融風險的影響因素。主要結論如下：第一，風險總關聯水平表現出顯著的時變特征，其波動幅度與交叉性金融業務的規模擴張呈現顯著的動態關聯。第二，銀行、證券和保險部門間存在顯著的雙向風險溢出效應，其網絡地位差異由經營特征、業務類型和風險水平等因素決定。其中，銀行和證券部門為主要風險輸出方，保險部門則是主要的風險溢入部門。第三，機構層面，混業經營程度高的機構以及股權關聯復雜的金融控股集團往往具有更高的風險關聯度，更容易引發交叉性金融風險。第四，實證研究表明，在混業經營模式下，金融機構的業務交叉和股權交叉形成風險傳導網絡，導致監管穿透時滯延長，加劇機構交叉性金融風險暴露；特別是在危機時期，業務交叉規模對風險暴露的正向促進作用更加顯著，進一步加劇了風險的跨部門傳染。

上述結論對我國防范化解交叉性金融風險、維持金融市場安全與穩定具有以下啟示：

一是構建基于復雜風險關聯網絡的“監管沙盒”機制，強化交叉性金融風險傳染模擬與壓力測試。監管部門應借鑒美國Dodd-Frank法案的經驗，建立實時風險預警機制，動態監測核心節點的風險敞口。具體而言，可聯合科研機構構建“監管沙盒”實驗平臺，模擬金融網絡中的交叉性金融風險傳染路徑和擴散機制。在金融控股公司密集地區設立區域性沙盒，重點模擬銀行、證券和保險機構的跨部門風險傳染路徑，測試《關于規范金融機構資產管理業務的指導意見》（銀發〔2018〕106號）下多層嵌套業務的風險隔離效果。依托國家金融監督管理總局的跨部門數據平臺，整合金融機構的股權交叉、業務往來等數據，構建動態風險關聯網絡圖譜。通過模擬極端情景下的風險傳染速度，識別高風險區域，為精準制定監管政策提供科學依據。此外，應深化跨市場、跨部門的協同管理機制，推動銀行、證券和保險等金融機構的微觀與宏觀審慎管理部門共同構建交叉性金融風險管理體系，實現交叉性金融業務的協調管理。

二是聚焦核心節點部門，實施差異化監管。從部門層面來看，銀行和證券部門對外的風險溢出效應最為突出，其風險具有顯著的外部性。一旦受到資本市場波動的影響，風險可迅速向其他部門蔓延，加劇交叉性金融風險。因此，對于具有系統重要性的金融機構，監管部門應實施差異化監管政策。對于銀行部門，監管部門應側重資金源頭與資本市場的交叉業務，確保資金流向透明可控，重點監控銀信合作、銀證資管等高風險嵌套業務。對于證券部門，則應側重于資金跨部門流向的監管，防范資金空轉與多層嵌套，并對融資融券，質押式回購等高杠桿業務設置動態風險緩沖機制。監管部門應完善對金融部門日常業務經營的常態化監管，并適時開展關鍵業務的專項評估。通過降低機構經營業務的復雜程度，從根源上消除業務多層嵌套的動機，有效防范交叉性金融風險。

三是優化信息披露機制與穿透式監管，建立動態風險預警機制。本文發現，金融機構業務交叉規模的擴大以及股權交叉程度的提升是我國金融機構交叉性風險水平增加的關鍵因素，且這種風險呈現出顯著的順周期特征。因此，金融監管部門應結合當前監管體制的特點，推行穿透式監管，限制SPV嵌套層數，加強影子銀行體系的表外監管。通過構建數字化信息共享平臺，強化全流程信息披露機制，針對業務交叉與股權交叉等行為建立動態穿透式監管框架。該框架的實施包括向上追溯至資金來源，確保投資者的風險承受能力與交叉性金融產品的風險水平相適應。同時，建立動態跟蹤評級及風險預警機制，結合網絡關聯特征設定多層次風險閾值。當潛在風險超過閾值時，立即啟動相應的風險管控措施。向下穿透底層資產，明確資金的最終投向，防范資金脫實向虛傾向。此外，對金融機構實施逆周期監管，提出動態調整資本緩沖要求，抑制其順周期擴張行為，防止危機時期風險的集中爆發，從而從源頭上有效控制交叉性金融風險。

注：

①這些金融機構具體為工商銀行、農業銀行、中國銀行、建設銀行、交通銀行、北京銀行、南京銀行、寧波銀行、中信銀行、光大銀行、興業銀行、華夏銀行、平安銀行、招商銀行、民生銀行、浦發銀行、東北證券、中信證券、光大證券、興業證券、國元證券、廣發證券、招商證券、海通證券、長江證券、太平洋、中國平安、中國人壽、中國太保、華泰證券、國金證券。

②數據選取樣本期最后一日。

③日頻極差波動率計算公式為：

[σ2it=0.511Hit-Lit-0.019Cit-Oit×Hit+Lit-2Qit-2Hit-Oit×Lit-Oit-0.383×Cit-Oit2] [Hit]、[Lit]、[Oit]與[Cit]分別代表機構[i]在[t]日內最高、最低、開盤、收盤股價的對數。

④對31家上市金融機構股票收益率進行ADF單位根檢驗，所有變量均是平穩的。

⑤交叉性金融業務=存放同業款項+拆出資金+買入返售金融資產+同業存放款項+拆入資金+賣出回購金融資產+非保本理財+持有至到期投資。單位為億元。基于此公式，本研究計算了31家金融機構2011—2023年的交叉性金融業務總規模，并通過圖1的柱狀圖直觀展示其時序變化特征。需說明的是，業務交叉和股權交叉均是交叉性金融業務的核心構成部分。其中，業務交叉與資金流動存在直接關聯，其被納入交叉性金融業務的評估框架中；股權交叉雖反映股權關聯復雜性，但因其與資金流動的直接關聯較弱，未被納入量化測度框架。

⑥證券和保險部門向銀行部門的風險溢出均值分別為1.5和2.3，銀行和保險部門向證券部門的風險溢出均值分別為1.6和1.9。

參考文獻：

[1]卜林，任碩.我國交叉性金融業務的風險監管與防控 [J].西南金融，2023，（06）.

[2]霍江川，丁夢依.我國交叉性金融業務的系統性風險及其防控 [J].新金融，2014，（10）.

[3]郁蕓君，張一林，彭俞超.監管規避與隱性金融風險 [J].經濟研究，2021，56（04）.

[4]劉莉亞，黃葉苨，周邊.監管套利、信息透明度與銀行的影子——基于中國商業銀行理財產品業務的角度 [J].經濟學（季刊），2019，18（03）.

[5]葉文輝.交叉性金融業務存在的風險與對策研究[J].國際金融，2015，（02）.

[6]Allen F，Gale D. 2000. Financial Contagion [J].Journal of Political Economy，108（1）.

[7]Battiston S，Puliga M，Kaushik R，Tasca P，Caldarelli G. 2012. DebtRank： Too Central to Fail？ Financial Networks，The Fed and Systemic Risk [J].Scientific Reports，2（1）.

[8]李政，王子美，劉淇.基于頻域視角的全球主要貨幣匯率溢出效應研究 [J].國際金融研究，2021，（05）.

[9]王俊勇，李心丹，林良才.新時代防控金融風險跨市場交叉網絡傳染機制研究 [J].中國管理科學，2021，29（06）.

[10]Minsky H P. 1992. The Financial Instability Hypothesis [R].Working Paper.

[11]Akerlof G A，Kranton R E. 2000. Economics and Identity [J].The Quarterly Journal of Economics，115（3）.

[12]王優銳，廖越馨.金融風險跨市場傳染的驅動機制研究——基于影子銀行視角 [J].金融發展研究，2024，（04）.

[13]錢一鶴，金雪軍.金融市場風險溢出與利率市場化環境分析 [J].科研管理，2016，37（07）.

[14]吳宜勇，胡日東，袁正中.共同資產持有的網絡風險傳染與政府救助 [J].金融論壇，2017，22（08）.

[15]張萌萌，葉耀明.綜合化經營監管對交叉性金融風險的影響 [J].金融論壇，2018，23（08）.

[16]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，2020，41（11）.

[17]方意，黃麗靈.系統性風險、拋售博弈與宏觀審慎政策 [J].經濟研究，2019，54（09）.

[18]Upper C，Worms A. 2004. Estimating Bilateral Exposures in the German Interbank Market：Is There a Danger of Contagion？ [J].European Economic Review，48（4）.

[19]Greenwood R，Landier A，Thesmar D. 2015. Vulnerable Banks [J].Journal of Financial Economics，115（3）.

[20]Benoit S，Colliard J，Hurlin C，Pérignon C. 2017.Where the Risks Lie：A Survey on Systemic Risk [J].Review of Finance，21（1）.

[21]Wang G，Xie C，Zhao L，Jiang Z. 2018. Volatility Connectedness in the Chinese Banking System：Do State-Owned Commercial Banks Contribute More？ [J].Journal of International Financial Markets，Institutions and Money，57.

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

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

[24]H?rdle W K，Wang W，Yu L. 2016. TENET：Tail-Event Driven Network Risk [J].Journal of Econometrics，192（2）.

[25]Demirer M，Diebold F X，Liu L，Yilmaz K. 2018.Estimating Global Bank Network Connectedness [J].Journal of Applied Econometrics，33（1）.

[26]苗子清，張濤，黨印.中國銀行體系系統性金融風險傳染研究——基于24家A股銀行的大數據與機器學習分析 [J].金融評論，2021，13（05）.

[27]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）.

[28]宋鷺，趙瑩瑜，方意.影子銀行、信托資金行業投向與系統性風險 [J].國際金融研究，2022，（06）.

[29]康健.交叉性金融業務發展演進、運作模式及風險防控研究 [J].金融發展評論，2018，（11）.

[30]胡利琴，胡蝶，彭紅楓.機構關聯、網絡結構與銀行業系統性風險傳染——基于VAR-NETWORK模型的實證分析 [J].國際金融研究，2018，（06）.

[31]Yang J，Zhou Y. 2013. Credit Risk Spillovers Among Financial Institutions around the Global Credit Crisis： Firm-Level Evidence [J].Management Science，59（10）.

[32]Nicholson W B，Matteson D S，Bien J. 2017.VARX-L： Structured Regularization for Large Vector Autoregressions with Exogenous Variables [J].International Journal of Forecasting，33（3）.

[33]Friedman J H，Hastie T，Tibshirani R. 2010. Regularization Paths for Generalized Linear Models via Coordinate Descent [J].Journal of Statistical Software，33.

[34]王曉芳，權飛過.如何防范銀行系統性風險：去杠桿、穩杠桿，還是優杠桿？——基于表外業務結構性數據的實證研究 [J].國際金融研究，2019，（09）.

[35]楊子暉，林師涵，熊熊.系統性關聯、個體尾部風險與影子銀行 [J].經濟學（季刊），2024，24（02）.

[36]李志輝，朱明皓，李源，李政.我國金融機構的系統性風險溢出研究：測度、渠道與防范對策 [J]. 金融研究，2023，（04）.