系統(tǒng)性金融風(fēng)險的生成機(jī)理與傳染機(jī)制研究

內(nèi)容摘要：本文構(gòu)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(fēng)險，引入了外生變量區(qū)域經(jīng)濟(jì)發(fā)展情況，并利用廣義脈沖響應(yīng)函數(shù)進(jìn)一步測算了我國各省域的系統(tǒng)性金融風(fēng)險，采取空間溢出效應(yīng)對該風(fēng)險的生成機(jī)理與傳染機(jī)制進(jìn)行了進(jìn)一步的研究。研究表明，系統(tǒng)性金融風(fēng)險的傳染具備較強(qiáng)非對稱性質(zhì)，風(fēng)險的傳染源主要來自我國東部經(jīng)濟(jì)較為發(fā)達(dá)的省域，經(jīng)濟(jì)發(fā)展模式相對單一的省份受風(fēng)險傳染的可能性更高。

關(guān)鍵詞：系統(tǒng)性金融風(fēng)險 向量自回歸 傳染機(jī)制

當(dāng)前我國經(jīng)濟(jì)發(fā)展不均衡、不全面的問題依然嚴(yán)峻，區(qū)域間經(jīng)濟(jì)結(jié)構(gòu)出現(xiàn)了較強(qiáng)的非對稱特征。楊劍等（2017）認(rèn)為經(jīng)濟(jì)周期波動和區(qū)域經(jīng)濟(jì)結(jié)構(gòu)是導(dǎo)致風(fēng)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(fēng)險不僅僅是金融系統(tǒng)的內(nèi)部風(fēng)險與不穩(wěn)定，而會進(jìn)一步的波及整個宏觀經(jīng)濟(jì)及社會財富。由于監(jiān)測不到位而產(chǎn)生的美國次貸危機(jī)，最終演變成波及全球的金融危機(jī)，其影響波及至今。正確識別和防范系統(tǒng)性金融風(fēng)險，成為了金融監(jiān)管部門主要的目標(biāo)，但我國復(fù)雜的區(qū)域經(jīng)濟(jì)結(jié)構(gòu)導(dǎo)致了總體風(fēng)險程度的難以量化。同時，孫海英（2016）認(rèn)為，民間金融的發(fā)展導(dǎo)致系統(tǒng)性金融風(fēng)險更加紊亂，風(fēng)險類別更加復(fù)雜，只有進(jìn)行局部的區(qū)域風(fēng)險測度及傳染性研究，才能全面解讀我國系統(tǒng)性風(fēng)險的生成機(jī)理與傳染機(jī)制。

文獻(xiàn)綜述

我國對于系統(tǒng)性金融風(fēng)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(fēng)險模型或風(fēng)險矩陣對風(fēng)險的構(gòu)成進(jìn)行研究，進(jìn)而模擬出一個具備綜合性質(zhì)的風(fēng)險指標(biāo)。胡宗義等（2018）利用信息系數(shù)矩陣所構(gòu)建的系統(tǒng)性風(fēng)險指標(biāo)就是運(yùn)用了此類方法，模型分析法還包括網(wǎng)絡(luò)分析、共同風(fēng)險模型、困境依賴矩陣和違約強(qiáng)度模型等。第二類是利用風(fēng)險損失及損失概率表征風(fēng)險強(qiáng)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(yùn)用反事實分析或仿真機(jī)器學(xué)習(xí)所構(gòu)建的壓力分析法。第四類則以風(fēng)險預(yù)警為主，通過先行指標(biāo)構(gòu)建風(fēng)險預(yù)警模型。陶玲和朱迎（2016）所采取綜合指數(shù)法（CISS）就是以預(yù)警防范為主的一類典型方法。朱恩濤（2016）認(rèn)為，識別區(qū)域系統(tǒng)性金融風(fēng)險，有助于穩(wěn)定經(jīng)濟(jì)系統(tǒng)內(nèi)其他民生指標(biāo)，提升居民福祉。本文將就我國系統(tǒng)性金融風(fēng)險的生成機(jī)理與傳染機(jī)制展開研究，具體測度各省層面的金融風(fēng)險貢獻(xiàn)程度。

基于VARX（2）模型的系統(tǒng)性金融風(fēng)險識別

本文利用Alter和Beyer（2014）所構(gòu)建的引入了外生變量的向量自回歸（VARX）模型進(jìn)行相應(yīng)研究，并將這一外生變量定義為區(qū)域經(jīng)濟(jì)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(jìn)行回歸，進(jìn)而能夠基于統(tǒng)計特征進(jìn)行動態(tài)關(guān)系建模。相比于傳統(tǒng)向量自回歸模型利用隨機(jī)擾動項進(jìn)行動態(tài)關(guān)系計量，該模型能夠更好地體現(xiàn)外生變量擾動的特點(diǎn)，在區(qū)域類風(fēng)險識別中更加有效。該模型可以表達(dá)為：

在上文中，本文已經(jīng)設(shè)定了滯后階為2，故響應(yīng)的權(quán)重為3，該式代表了長期情況下的響應(yīng)情況。在GIRF模型的基礎(chǔ)上，可以逐個將各個變量間的風(fēng)險溢出效應(yīng)進(jìn)行表征，同時利用這一結(jié)構(gòu)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(guān)系所最終構(gòu)建的風(fēng)險反饋表就是本文所需的風(fēng)險傳染機(jī)制表，可以把風(fēng)險溢出效應(yīng)矩陣設(shè)定為如表1所示的形式。

在設(shè)定變量間傳染效應(yīng)的基礎(chǔ)上，本文進(jìn)一步構(gòu)建了衡量區(qū)域系統(tǒng)性風(fēng)險所需的變量。首先需要定義的是風(fēng)險輸出溢出效應(yīng)（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(fēng)險傳染能力：

我國系統(tǒng)性金融風(fēng)險傳染機(jī)制的實證結(jié)果

本文采用了2010-2016年我國30個省份的經(jīng)濟(jì)發(fā)展相關(guān)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(jì)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(jìn)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(fēng)險輸出傳染效應(yīng)SEO，并進(jìn)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(fēng)險輸出傳染情況基本與區(qū)域經(jīng)濟(jì)情況相一致，同時也與省份的地理區(qū)位有一定關(guān)系。在風(fēng)險輸出上位居前列的包括經(jīng)濟(jì)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(qiáng)的經(jīng)濟(jì)表現(xiàn)，中部省份（河南、山東、湖北、湖南）在風(fēng)險輸出上均占據(jù)了較前的位置。在風(fēng)險輸出相對靠后的區(qū)域，以經(jīng)濟(jì)水平較低及經(jīng)濟(jì)模式相對單一的省份為主。

進(jìn)一步，利用公式（7）計算各省份的風(fēng)險輸入傳染效應(yīng)SEI，同樣地進(jìn)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(fēng)險輸入較多的地區(qū)往往是經(jīng)濟(jì)結(jié)構(gòu)和經(jīng)濟(jì)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(jìn)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(fēng)險傳染的可能性較強(qiáng)。山西省和內(nèi)蒙古作為資源產(chǎn)業(yè)大省，其經(jīng)濟(jì)模式過于單一，在風(fēng)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(jì)基礎(chǔ)比較薄弱，產(chǎn)業(yè)結(jié)構(gòu)并不堅實，抵御風(fēng)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(fēng)險，是由于地區(qū)間風(fēng)險傳遞的“過渡效應(yīng)”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(fēng)險指標(biāo)，如表4所示。在風(fēng)險凈傳染分析中，具備正向高凈值風(fēng)險的區(qū)域有相當(dāng)?shù)拇硇?，北京、上海是我國政治影響程度和?jīng)濟(jì)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(dá)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(gòu)建的VARX模型對于系統(tǒng)性金融風(fēng)險的測度非常準(zhǔn)確，反映了各省不同因素所造成的風(fēng)險特點(diǎn)。而具備負(fù)向高凈值風(fēng)險的區(qū)域，均是經(jīng)濟(jì)結(jié)構(gòu)組成單一、經(jīng)濟(jì)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(dú)立性較低。

在分析凈值的基礎(chǔ)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(fēng)險貢獻(xiàn)水平，情況如圖1所示。在正向化參數(shù)并在總水平上進(jìn)行比對后，可以統(tǒng)一表4中的正/負(fù)高凈值風(fēng)險區(qū)域，表內(nèi)各省對我國總體系統(tǒng)性風(fēng)險的貢獻(xiàn)更加清晰。

結(jié)論

本文在VARX模型的基礎(chǔ)上引入外生變量經(jīng)濟(jì)規(guī)模，利用我國2010～2016年各省經(jīng)濟(jì)指標(biāo)測度了各省的系統(tǒng)性金融風(fēng)險水平，并利用GDP指數(shù)調(diào)整后的VARX（2）模型測度了風(fēng)險貢獻(xiàn)水平。發(fā)現(xiàn)目前北京市依然面臨著最高的風(fēng)險傳染水平，這是由于我國的央行設(shè)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(fēng)險都會最終導(dǎo)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(jì)結(jié)構(gòu)單一、經(jīng)濟(jì)發(fā)展落后的典型范例，其金融風(fēng)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(jì)增速最高的區(qū)域，一度也是依賴于能源進(jìn)行區(qū)域經(jīng)濟(jì)發(fā)展，但地方政府及時對產(chǎn)業(yè)結(jié)構(gòu)進(jìn)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(fēng)險水平雖然也處于高位，但相比于轉(zhuǎn)型速度較慢的山西省、青海省，情況更加樂觀。風(fēng)險水平最低的湖北、江西、廣西、湖南四省份，其省內(nèi)經(jīng)濟(jì)布局更加合理，三次產(chǎn)業(yè)結(jié)構(gòu)相對平衡，金融風(fēng)險的沖擊難以波及全部門生產(chǎn)，故風(fēng)險水平更低。

本文的分析有效說明了我國系統(tǒng)性金融風(fēng)險的生產(chǎn)機(jī)理與傳染機(jī)制。第一，系統(tǒng)性金融風(fēng)險來自經(jīng)濟(jì)活動活躍、金融系統(tǒng)相對發(fā)達(dá)的區(qū)域，以廣東、北京、浙江和上海為代表。第二，經(jīng)濟(jì)結(jié)構(gòu)不夠穩(wěn)定、經(jīng)濟(jì)模式相對單一的區(qū)域更易受到系統(tǒng)性金融風(fēng)險傳染，以海南、山西和內(nèi)蒙古為代表。第三，進(jìn)行產(chǎn)業(yè)結(jié)構(gòu)和經(jīng)濟(jì)模式轉(zhuǎn)變，是地區(qū)抵御系統(tǒng)性風(fēng)險的最佳選擇。

參考文獻(xiàn)：

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(fēng)險研究[J].商業(yè)經(jīng)濟(jì)研究，2017（15）

2.陶玲，朱迎.系統(tǒng)性金融風(fēng)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(luò)相關(guān)性、結(jié)構(gòu)與系統(tǒng)性金融風(fēng)險的關(guān)系研究[J].中國軟科學(xué)，2018（1）.

4.王蓉.金融系統(tǒng)性風(fēng)險的雙向溢出效應(yīng)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(fēng)險類型與防范措施[J].商業(yè)經(jīng)濟(jì)研究，2016（1）

6.朱恩濤，翁玉穎，張小雅.關(guān)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(jì)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(yīng)鏈金融、金融政策與金融創(chuàng)新。