基于尾部風險關聯(lián)網絡的中國金融機構間風險溢出效應研究

葉 莉，王遠哲，陳勇勇

(河北工業(yè)大學 經濟管理學院，天津 300401)

一、引言

伴隨金融自由化進程的加快、金融創(chuàng)新的快速發(fā)展和金融主體間交易的增多，金融機構間呈現(xiàn)出日益緊密的網絡關聯(lián)關系，從關聯(lián)性視角防范系統(tǒng)性風險在當前錯綜復雜的金融形勢下顯得至關重要。多方實證研究表明，金融機構巨大的風險損失會通過關聯(lián)性渠道迅速向外溢出，這種機構與部門間的尾部關聯(lián)對系統(tǒng)性風險集聚埋下隱患。2008年，由美國住房抵押貸款公司引發(fā)的次貸危機使得尾部風險關聯(lián)引致系統(tǒng)性風險的“合成謬誤”愈發(fā)成為金融領域關注的焦點。單一機構的穩(wěn)定并不能保證金融系統(tǒng)的平穩(wěn)有序運行，這使得監(jiān)管當局不僅要關注單個機構的風險穩(wěn)定，同時也要對整體的風險流動規(guī)律進行探索。在世界實體經濟發(fā)展持續(xù)低迷，逆全球化趨勢逐漸加強背景下，中國泛金融化趨勢逐漸顯現(xiàn)，資金“脫實向虛”涌入金融行業(yè)，阻礙實體經濟健康穩(wěn)定發(fā)展的同時，拉長了金融機構間的結算鏈條，使得尾部風險的關聯(lián)性更為緊密，單個機構產生的巨額風險會導致整個系統(tǒng)風險的集體爆發(fā)。有鑒于此，依托尾部風險溢出效應構建中國金融機構關聯(lián)網絡，搜索機構、行業(yè)間的風險關聯(lián)路徑，識別系統(tǒng)重要性金融機構，排查中國系統(tǒng)性風險演化中的潛在隱患，具有重要現(xiàn)實意義。

二、文獻綜述

章晟等對已有文獻測量風險關聯(lián)的方法進行了歸納，以往學者多采用矩陣法網絡分析法、共同風險模型法、系統(tǒng)期望損失法等[1]。令人遺憾的是，在計量中運用不同方法識別出的系統(tǒng)重要金融機構有所不同[2]，無法得到統(tǒng)一的結論，而復雜網絡能夠較好地融合跨學科研究成果，易于挖掘深層次的金融運行規(guī)律，且現(xiàn)實中金融機構間關聯(lián)關系日益復雜，使得網絡分析法倍受關注[3]。與新型經濟體比較，發(fā)達經濟體的銀行間市場建立較早，市場成熟度較高，各項數(shù)據(jù)的可得性為實證研究提供了有利條件：Aleksiejuk等基于二維有向網絡模型，首次將統(tǒng)計物理的方法應用到銀行間市場的風險傳染研究，分析了單個銀行受到沖擊后經營失敗而引起風險傳染問題[4]。Müller采用仿真模擬方法關注瑞士的銀行間市場金融風險傳染，認為銀行間的風險暴露和信用額度同時承擔了風險傳染的渠道角色，且兩種風險傳染渠道是相互關聯(lián)的，銀行間市場的穩(wěn)定性在一定程度上取決于該市場的網絡結構[5]。隨著2008年金融危機的爆發(fā)，學術界更多關注風險傳導的網絡結構特征，尤其是在解決金融系統(tǒng)性風險的問題上。但也由于網絡的復雜性，一旦發(fā)生風險傳染，影響會十分劇烈[6]。Hautsch等考慮到機構間尾部風險暴露(VaR)的相互依賴性并以此建立網絡，以揭示風險在金融機構的傳播渠道[7]。H?rdle等的研究延續(xù)尾部關聯(lián)思想，運用Adrian等的CoVaR方法建立金融機構間的風險關聯(lián)矩陣，提出了系統(tǒng)風險貢獻指數(shù)概念，對高維度金融風險溢出網絡中的關鍵節(jié)點進行甄別[8-9]。

國內復雜網絡對金融學領域的研究剛剛起步，由于數(shù)據(jù)的不可得性，多數(shù)學者在構建網絡時多采用仿真方法，模擬中國金融體系或銀行業(yè)的網絡模式或沖擊演化過程[10-12]，但嘗試對風險關聯(lián)網絡構建的實證研究從未停止。李政等采用中國上市金融公司收益率關聯(lián)思想，運用格蘭杰因果檢驗方法構建連邊，生成有向無權網絡，結論表明中國金融機構信息網絡具有“小世界(small-world)現(xiàn)象”，符合“無標度”(scale-free)特性[13]。類似的，鄧向榮等也使用股價的直接關聯(lián)信息，運用格蘭杰因果檢驗構建的金融風險傳染網絡，并利用K-核分解值法及PageRank算法從多個維度對中國風險網絡進行分析，表明中國金融市場中機構的關聯(lián)渠道較為復雜，且具有很強的層次特點[14]。歐陽紅兵利用Mantegna的模型計算金融機構相關系數(shù)構建距離矩陣，再由Tumminello等提出的最小生成樹與極大平面過濾圖算法，模擬生成了中國銀行間同業(yè)拆借市場的網絡結構，為識別中國金融行業(yè)風險傳導的潛在路徑找到了有效方法[15-17]。

綜上，目前國內學者對于金融機構風險網絡的實證研究才剛剛起步，且其網絡連邊構建多局限于收益率序列的直接關聯(lián)上，運用尾部關聯(lián)建立金融業(yè)的風險網絡結構在國內鮮有嘗試。為描述中國日趨復雜的金融關聯(lián)模式，本文利用R語言設計程序批量完成多家金融機構間相互的風險溢出網絡，并運用PMFG方法篩選關鍵網絡信息，生成了可視化的金融風險網絡，以此為基礎對中國銀行、證券、保險、房地產行業(yè)滬深上市的40家重點金融及泛金融機構進行基于尾部風險溢出的有向賦權網絡構建，為金融機構間風險溢出效應關鍵路徑、節(jié)點識別提供了新的方法與思路。

三、實證模型及公式說明

基于尾部關聯(lián)的CoVaR方法在中國金融市場的運用日趨成熟，陳國進等運用不對稱CoVaR方法對中國商業(yè)銀行間的系統(tǒng)性關聯(lián)度進行了測度；沈悅等也運用修正的CoVaR模型測度了中國金融業(yè)行業(yè)間的風險關聯(lián)與溢出效應[18-19]。上述文章的模型運用在中國金融機構與行業(yè)間的風險溢出效應研究中，均取得了較好的效果，故本文采用測量機構間尾部關聯(lián)的CoVaR方法生成風險溢出網絡結構。實證研究大致包括兩部分內容，一是使用中國40家重點金融機構收益率數(shù)據(jù)，應用CoVaR方法得到機構間的風險溢出網絡矩陣，并運用H?rdle等提出的系統(tǒng)風險貢獻指數(shù)與系統(tǒng)風險暴露指數(shù)測量機構在系統(tǒng)中的總體溢出強度[8]。二是以CoVaR方法得到的ΔCoVaR矩陣網絡為基礎，采用Tumminello等提出的PMFG算法[16]，提取機構間的關鍵關聯(lián)信息，得到金融風險溢出網絡圖，并通過網絡節(jié)點的相關參數(shù)，對該網絡節(jié)點特征進行描述。以下從CoVaR網絡構建、系統(tǒng)風險貢獻/暴露指數(shù)、PMFG算法、網絡節(jié)點特征指標四個方面對使用的方法、公式加以說明。

(一)基于CoVaR方法的網絡構建

VaR方法是度量尾部風險的一種常用手段，表示q%分位時機構的資產損失，其定義式如下，其中Xi表示資產收益率：

(1)

在此基礎上，考慮機構間的風險關聯(lián)特性，CoVaR表示機構i在某事件(C(Xi))下，機構j風險的VaR值，定義式為：

(2)

當機構i發(fā)生了較大的資產損失并達到其VaR值的情況，與該機構運行處于正常水平做對比，上述兩種情形下計算的CoVaR值之差定義為ΔCoVaR，用于衡量機構i對j的尾部風險聯(lián)動變化：

(3)

實證研究時，加入宏觀狀態(tài)變量M以擬合各機構的在險價值(VaR)水平，機構i自身的收益率回歸方程與機構i對機構j的收益率回歸方程可由式(4)與式(5)表示。

(4)

(5)

通過對以上兩方程進行q%分位數(shù)水平下的分位數(shù)回歸，可以得到式(6)、式(7)：

(6)

(7)

由于機構的CoVaR測量是基于單個機構風險狀況改變的動態(tài)過程，結合式(6)、式(7)，將式(3)進行轉化得：

(8)

(二)系統(tǒng)風險指數(shù)

其中，P為節(jié)點的總個數(shù)，b、s、i、r分別代表銀行業(yè)、證券業(yè)、保險業(yè)、房地產業(yè)的英文縮寫(banking、securities、insurer、realty)，n1，n2，…，n4分別為各行業(yè)機構節(jié)點個數(shù)。

(9)

當機構發(fā)生風險損失時(以分位數(shù)回歸VaR序列的平均值描述)，該風險將成比例地向系統(tǒng)中的其他機構溢出，系統(tǒng)風險貢獻指數(shù)可以較好地描述該過程。同理，定義系統(tǒng)風險暴露指數(shù)為：

(10)

(11)

(12)

(三)平面極大過濾圖PMFG算法

任意兩節(jié)點間均存在方向各異的兩條風險傳遞路徑，當參與建立網絡的金融機構節(jié)點較多時，建立的網絡連邊數(shù)據(jù)較為龐大，大量冗余信息導致無法直觀地反映出金融系統(tǒng)中風險傳遞的關鍵路徑，從中剝離出各機構間風險聯(lián)動的關鍵信息便顯得尤為重要。

平面極大過濾圖(Planar Maximally Filtered Graph，PMFG)算法對以上問題提供了較好的解決方案。平面圖基于平面，各邊互不交疊的圖，具有簡潔、連通、包含充足關聯(lián)信息等特點。PMFG是通過原距離網絡生成的子圖，其算法思路是從原圖抽離出包含最多信息的平面圖，PMFG節(jié)點個數(shù)與原圖一致，選邊原則是在生成仍是平面圖的約束條件下，盡可能地加入更多的連邊，使所選擇的圖滿足邊的距離和最小。本文研究中，溢出效應越明顯，連邊的權重越大，即流量最大的路徑更能反映風險的傳導過程，故我們尋求的PMFG應是在相同約束下“距離”之和最大的子圖。一個具有N個節(jié)點的PMFG應含有3N-6條連邊，若兩點間定義的距離各不相同，可以證明所生成的PMFG是唯一的[注]由于該算法主要適用于圖論中的無向圖，而金融行業(yè)間的風險溢出均為雙向，程序設計時我們將兩節(jié)點間雙向ΔCoVaR值的和作為兩機構間總溢出強度，這時生成的PMFG為無向網絡圖?？紤]溢出方向時作如下規(guī)定，由于ΔCoVaR均為負值，這里規(guī)定ΔCoVaR絕對值較大的一側為兩機構間形成的強溢出效應，較小的一側稱作弱溢出效應，在確定了極大平面過濾圖后，通過對比雙向連邊上的溢出效應強度，將強溢出效應保留于圖中，再次將圖形轉化為具有風險溢出指向的有向網絡圖。。

這一處理過程去除了許多冗余信息，使得運用PMFG算法生成的網絡不僅具有簡潔的特點，同時也保證了尾部風險溢出網絡的連通性與信息完整性。根據(jù)圖中所含信息可以清晰直觀地找出與各機構緊密關聯(lián)的相關機構，機構經營者可對可能面臨的風險方向制定策略進行預防，決策者也可參考圖中風險流動方向更有針對性地進行監(jiān)管，控制風險擴散效應較強機構的經營杠桿，對風險流向性機構及時進行風險疏散，以防范系統(tǒng)性風險爆發(fā)，維護金融體系的穩(wěn)定。

(四)網絡節(jié)點特征描述方法

不同于由節(jié)點關聯(lián)關系直接生成的網絡，PMFG方法所得到的網絡連邊數(shù)量是固定的，故對網絡的總體關聯(lián)特征描繪有一定的局限性，本文主要從風險傳播強度、節(jié)點風險相關性、風險中心化程度三方面描述網絡特征。

1.風險傳播強度

風險傳播強度較高的機構在單位時間內將發(fā)散或吸收更多的風險。本文使用節(jié)點的發(fā)散強度與吸收強度定義風險傳播強度，類似于無向圖的點權(Vertex strength)定義，將從節(jié)點i出發(fā)指向其他節(jié)點的權重之和定義為節(jié)點的發(fā)散強度，以指向節(jié)點i權重之和定義為節(jié)點的吸收強度。

2.風險傳播范圍

(13)

3.風險中心化程度

特征向量中心性(Eigenvector centrality)不僅考慮了節(jié)點的連邊數(shù)量情況，也將所連接節(jié)點的強度屬性考慮其中，即以所連接節(jié)點的“質量”衡量此節(jié)點的風險中心化程度，每個節(jié)點的中心性與和該節(jié)點相連的所有節(jié)點的中心性之和成正比，如式(14)：

(14)

M(p)是與p相鄰的點集，wij為賦權網絡鄰接矩陣的元素，xi即為節(jié)點p的中心性，式(14)可以由其特征向量方程Dx=λx轉化而來。中心性定義為正值，當滿足特征向量的任一分量均為正，根據(jù)Perron-Frobenius定理，最大特征值的對應歸一化特征向量中的第i個元素即為所求節(jié)點p的中心性指標xi。對于有向網絡，可根據(jù)式(14)直接計算入度特征向量中心性，由中心性定義，計算出度特征向量中心性時僅需將鄰接矩陣D進行轉置，再利用式(14)便可求得。本文分別以入度特征向量中心性與出度特征向量中心性定義節(jié)點的風險中心化程度。

四、變量選取及程序設計思路

考慮到可得樣本區(qū)間的長度，描述近10年來中國金融機構與行業(yè)間風險傳導路徑的狀態(tài)，樣本區(qū)間選取2008年1月11日至2017年11月3日，數(shù)據(jù)頻率定為周數(shù)據(jù)，樣本主要涵蓋銀行、證券、保險、房地產四個行業(yè)，就公司影響力、可用樣本區(qū)間[注]銀行業(yè)：選取了2012年前上市的全部16家銀行。證券業(yè)：根據(jù)中國證券業(yè)協(xié)會網站的證券公司經營業(yè)績排名，選取了國內影響力較強的11家證券公司。保險業(yè)：選取了2012年前上市的全部4家保險公司。房地產業(yè)：根據(jù)中房網近三年發(fā)布的中國房地產公司綜合實力榜，選取了排名靠前滬深上市的9家上市房地產公司。兩方面因素考慮，選取16家銀行、11家證券公司、4家保險公司以及9家房地產公司共40家金融領域的上市公司作為研究對象，運用向后賦權的周收盤價計算機構周對數(shù)收益率描述機構風險變化[注]部分機構的上市時間遲于樣本的開始時間，且研究過程涉及多次分位數(shù)回歸，為保證擬合的顯著性，樣本選擇時最少涵蓋六年期樣本區(qū)間，程序設計時已根據(jù)樣本開始日期并自動匹配相應區(qū)間的狀態(tài)變量。，具體研究機構見表1。

表1 樣本選取及編號

計算CoVaR時，狀態(tài)變量選取及指標說明如表2所示。

表2 狀態(tài)變量及指標說明

五、實證研究

(一)金融機構系統(tǒng)風險指數(shù)測度

1.風險貢獻指數(shù)。從行業(yè)類別來看，銀行業(yè)(-0.003 62)與保險業(yè)(-0.003 57)的系統(tǒng)風險貢獻指數(shù)相對證券業(yè)(-0.003 13)與房地產業(yè)(-0.002 81)更高，充分反映了現(xiàn)實行業(yè)間業(yè)務上的聯(lián)系。保險業(yè)在經營其傳統(tǒng)業(yè)務的基礎上也開始從事諸如投資管理、風險轉移等業(yè)務，以經營風險盈利，這就不免導致其易受到其他版塊的影響。近年來銀行關注類貸款總量一直居高不下，商業(yè)銀行通過資產價格渠道與信貸渠道主動承擔了大部分來自于實體企業(yè)的風險[20]，其中包括房地產業(yè)由于房價變動或資金鏈斷裂引發(fā)的流動性風險，此類風險會通過信貸業(yè)務等渠道向其他金融行業(yè)溢出，放大其風險敞口，加劇這種單向的風險傳遞。

表3 系統(tǒng)風險貢獻指數(shù)與系統(tǒng)風險暴露指數(shù)

表4 各行業(yè)平均系統(tǒng)風險貢獻指數(shù)與系統(tǒng)風險暴露指數(shù)

2.風險暴露指數(shù)。系統(tǒng)風險暴露指數(shù)形成了較為明顯的行業(yè)梯度，證券業(yè)在四行業(yè)中風險暴露度均值最高(-0.004 29)，且排行前10的機構中有五家為證券公司，表明證券業(yè)在其他行業(yè)資產損失發(fā)生時受到影響可能性較大，危機發(fā)生時通過風險尾部聯(lián)動較容易使風險快速積聚。而銀行業(yè)則相對穩(wěn)健，系統(tǒng)風險暴露度指數(shù)較低(-0.003 05)，其中尤以國有大型商業(yè)銀行最為顯著。樣本中的五家國有銀行與北京銀行、南京銀行兩家的風險暴露指數(shù)均較低，原因在于政府支持的銀行機構在風險發(fā)生時能夠及時得到擺脫困境的救助，滿足其基本償付能力使機構整體的風險保持在安全水平，免于受到源自其他行業(yè)的沖擊。

3.行業(yè)風險指數(shù)[注]行業(yè)風險暴露指數(shù)沒有在正文列出，這里僅分析相關的重要結論。。證券業(yè)風險貢獻與風險暴露比較集中，排名前三的機構為海通證券、東北證券、長江證券，且不同于其他行業(yè)內指數(shù)的排名。在證券業(yè)內部，兩種方向行業(yè)指數(shù)的排名較為類似，說明擁有較高對行業(yè)內部風險輸出能力的機構，往往也表現(xiàn)出較強的風險吸收能力，這種行業(yè)內的密集風險關聯(lián)可能與證券公司業(yè)務的高度同質性有關，投資者的“羊群效應”導致證券業(yè)的風險事件一旦出現(xiàn)會立即反映至大盤證券板塊，并在行業(yè)板塊內部迅速傳播。個別機構有著較為特殊的風險貢獻度特點，通過與行業(yè)風險貢獻的對比可以發(fā)現(xiàn)，寧波銀行在銀行業(yè)內部的風險流入水平較低(-0.003 17，銀行業(yè)第七)，系統(tǒng)風險暴露卻位于榜首(-0.007 91)，其原因不僅在于其自身的VaR水平相較于其他機構維持于較高水平，也源自這種風險暴露主要表現(xiàn)在源自其他行業(yè)機構的風險溢出效應上，借助這種思路有助于識別風險敏感機構的風險行業(yè)傳遞特點，通過查找溢出系數(shù)鄰接矩陣Dβ，可以具體看到單個機構遭遇風險時主要傳遞方向。

(二)中國金融機構間ΔCoVaR網絡特征描述

運用機構間40*40的ΔCoVaR表格，借助matlab圖論工具包中程序生成PMFG網絡矩陣，再將此矩陣導入ucinet軟件，由其中的netdraw功能進行繪制，以圓形、正三角、方形、倒三角分別表示銀行、證券、保險、房地產的機構節(jié)點，并將機構內風險溢出與機構間風險溢出的路徑用深淺不同的線段加以區(qū)分，得到金融機構間風險溢出網絡圖(見圖1)。

圖1 金融機構間風險溢出均值的極大平面過濾圖

圖1呈現(xiàn)了四行業(yè)間尾部風險的主要傳遞路徑，共包含40個節(jié)點，114個加權的連邊，平均路徑長度1.792，單個連邊的最大ΔCoVaR絕對值為0.254，最小為0.054。13家機構的風險傳遞所有連邊僅指向自己，扮演風險主要吸收者角色；5家機構連接箭頭僅指向其他機構，主要扮演風險的輸出者；其余多數(shù)機構，既是箭頭的指向方，也是箭頭的指出方，在系統(tǒng)中的風險并非單向流動，而是形成了機構間錯綜復雜的雙向流動網絡。通過對圖1中行業(yè)間連邊的方向進行統(tǒng)計，得到了行業(yè)間風險流向統(tǒng)計表，如表5。

表5 行業(yè)間風險流向統(tǒng)計表

圖1與表5可知行業(yè)的風險流向，可對系統(tǒng)性風險貢獻、暴露指數(shù)的排名做出更加具體的解釋，表現(xiàn)為以下幾點：第一，PMFG方法生成的網絡可顯示金融風險關鍵傳遞路徑，根據(jù)風險溢出方向不同，形成了明顯的行業(yè)梯度，風險在證券行業(yè)內部的傳遞十分緊密(23/24)，且向內指向較多，其風險源自銀行溢出效應顯著。第二，圖中較多的連邊從銀行業(yè)指出(59/114)，且銀行內部向行業(yè)外指向的箭頭較多(43/59)，其中以民生銀行、農業(yè)銀行、工商銀行、中國銀行最為顯著，大型國有商業(yè)銀行對風險有較強的發(fā)散作用，較好的風險分散能力有利于銀行自身的穩(wěn)定，但同時也為系統(tǒng)性風險的集聚埋下了隱患，上述作用在系統(tǒng)風險貢獻指數(shù)的行業(yè)排名中也有所體現(xiàn)。第三，從房地產業(yè)指出的33條網絡連邊中有18條源自銀行，這反映了中國市場房地產行業(yè)與銀行業(yè)緊密的資金聯(lián)系：經濟繁榮時期，銀行部門會對房地產市場風險過度承擔，這導致當銀行遭遇損失時會首先波及房地產行業(yè)，金融深化引致的直接投資沖擊、抵押率沖擊和金融杠桿沖擊深刻地影響中國房產價格。

網絡中較多的連邊集中于少數(shù)的關鍵節(jié)點上，海通證券、東北證券、中國平安、保利地產分別擁有最多條連邊數(shù)量，這些機構均為尾部風險傳遞過程中防范風險傳播的關鍵性節(jié)點，下面以排名形式給出網絡關鍵節(jié)點特征的信息，結合表(6)、表(7)，以中國平安、興業(yè)銀行等機構為例對典型機構的風險溢出特征進行分析。

表6 向外指向性節(jié)點的特征指標排行

表7 向內指向性節(jié)點的特征指標排行

中國平安是網絡中主要的風險輸出機構，風險傳播速度、范圍及中心化程度內向型指標均處于較高水平。此外，中國銀行、農業(yè)銀行、工商銀行亦排在前列，建設銀行也多次上榜。房地產業(yè)與保險業(yè)總體上在網絡中顯示出的尾部風險聯(lián)動效應較弱，原因在于利用PMFG生成的網絡已經過濾了風險傳染過程中作用較弱的連接途徑，多數(shù)房地產與保險的風險傳導與吸收能力均不突出，導致許多連邊在圖像生成過程中未被選擇，但保利地產卻體現(xiàn)出較強的風險吸收能力，且風險源多數(shù)為銀行機構，監(jiān)管部門應當引起關注。

興業(yè)銀行在網絡中地位特殊，作為風險傳播的一個“樞紐”，不僅有較高的風險接收能力，同樣表現(xiàn)出較強發(fā)散能力，海通證券也有類似性質。根據(jù)特征向量中心度排名可知，雖然此類機構的關聯(lián)節(jié)點并非高度節(jié)點，但具有雙向溢出效應的機構也應作為監(jiān)管過程中的“關鍵節(jié)點”，從其業(yè)務上的關聯(lián)對風險進行防控。

方正證券雖然在風險傳播強度、范圍指標上并不十分顯著，但其輸入特征向量中心性指標卻達到最高值1，與其相連的四家機構除光大銀行外，光大證券、廣發(fā)證券、東北證券三家券商均名列三榜之上，進而能夠從側面反映出證券行業(yè)具有對風險吸收能力較強的特點。由于特征向量中心性更加關注所連接路徑的“質量”，出度特征向量中心性越高，該機構更傾向于將風險傳遞給同樣輸出風險較強的機構；入度特征向量中心性越高，意味著該機構更容易受到風險吸收能力較強節(jié)點的威脅。在輸出特征向量中心性排行中，上榜的多為銀行機構，其中以民生銀行、中國銀行最為顯著，上述節(jié)點發(fā)散的風險也指向高危節(jié)點，致使系統(tǒng)性風險生成初期，這種惡性風險傳遞鏈會導致風險迅速蔓延。而輸入特征向量中心性的上榜機構集中于證券行業(yè)，風險貢獻較強的關鍵節(jié)點間有著較為緊密的聯(lián)系。政策調控時可從兩個方向入手，在阻斷風險的惡性傳播路徑的同時，尋求風險的安全疏導途徑，進行“開源節(jié)流”。

六、結論與啟示

本文以金融機構為節(jié)點，以其相互的尾部風險溢出關系為連邊，建立了有向賦權金融風險網絡，系統(tǒng)分析了各機構、行業(yè)在整個系統(tǒng)的風險雙向傳導能力，結合兼?zhèn)渲庇^、系統(tǒng)特點的PMFG網絡連邊搜索算法對網絡進行了化簡，為度量中國銀行、證券、保險、房地產四行業(yè)各機構風險溢出效應提供了全新視角。主要結論及文章現(xiàn)實意義如下：

1.通過金融機構間網絡的總體風險溢出效應矩陣分析可得：金融機構在遭受劇烈風險沖擊時，在行業(yè)內部或整個系統(tǒng)中，按照雙向的風險傳遞路徑，均存在不同強度風險溢出；各行業(yè)對系統(tǒng)風險的影響水平有所差異，以風險溢出平均水平來看，系統(tǒng)風險貢獻指數(shù)從高至低的行業(yè)依次為銀行、證券、保險、房地產，系統(tǒng)風險暴露指數(shù)從高至低依次為證券、房地產、保險、銀行；風險暴露指數(shù)最高的10家機構中有五家為證券公司，證券業(yè)內部容易受風險影響的機構亦易將風險向外傳遞，銀行業(yè)中大型國有商業(yè)銀行的風險貢獻度顯著較高。

2.通過PMFG算法化簡生成的可視化金融網絡相關分析可得：金融機構與行業(yè)間均存在復雜的風險溢出模式，指標分析可知，國有銀行是強力風險沖擊的主要輸出者，風險溢出網絡圖中，指向性箭頭更多源自大型國有銀行，國有商業(yè)銀行能夠及時便利地為其他的金融機構提供流動性救助從而抵御風險，但考慮到金融風險有“緩積急釋”的特點，這種良好的緩沖作用卻同時為系統(tǒng)性風險的爆發(fā)埋下了隱患；證券業(yè)內部相互的風險聯(lián)動較為緊密，且多數(shù)高風險發(fā)散路徑均集中于證券業(yè)內，是風險接收的主要中心；銀行業(yè)向房地產的風險溢出效應較強，房地產業(yè)與銀行業(yè)存在密切的信用關系，這使得房地產貸款引發(fā)信用風險具有很強的風險傳染性；保險業(yè)與地產業(yè)的風險聯(lián)動水平雖然整體較弱，但個別機構節(jié)點在風險溢出網絡中的表現(xiàn)十分顯著，監(jiān)管時應結合關鍵機構的關聯(lián)特點有針對性的進行風險防范。

隨著中國金融改革不斷深入，金融行業(yè)的混業(yè)經營趨勢愈加顯現(xiàn)，行業(yè)間形成日趨緊密而復雜的風險網絡。對單一行業(yè)的風險描述已不足以刻畫金融系統(tǒng)中錯綜復雜的風險關聯(lián)關系，對金融業(yè)逐步建立綜合監(jiān)管體系，實行網絡式的風險管理模式已勢在必行。本文為金融業(yè)風險網絡建構提供了一種可行的方法。監(jiān)管部門可結合各項網絡指標從多個維度對網絡結構進行合理判斷：對系統(tǒng)重要性機構加強監(jiān)管，關注風險的強度與方向，依照路徑甄別、風險疏導兩個階段對關鍵金融風險傳播路徑進行重點治理；尤其針對證券業(yè)內部的緊密風險關聯(lián)進行監(jiān)控，防止單個部門機構遭遇劇烈的風險事件時，負面效應快速擴散；同時關注大型國有商業(yè)銀行的風險發(fā)散作用，對金融機構間互持資產、互持負債的規(guī)模與比例予以控制，對過量的風險溢出效應設立預警機制。