基于多层网络结构的行业间风险联动机制研究

doi:10.16381/j.cnki.issn1003-207x.2022.1546

摘要/Abstract

摘要：

本文通过构建DCC-t-Copula-CoVaR模型和多层网络结构，有效测度了国内各行业间的风险联动效应以及风险传播路径。同时，结合网络结构特征，使用混频回归法对行业间的风险传染因素展开深入研究。研究发现：从风险传导方面，行业间风险呈现出多属性、多类型的联动关系，多层网络理论能够较好地刻画行业间的复杂关联性；单个行业风险难以造成连锁反应，但行业间风险共振会导致重大系统性风险；重大风险事件冲击下，行业风险网络多中心发展，传染路径多元化演变。影响因素方面，重要行业在风险传染中起关键作用，类似“系统重要性角色”，且重要行业的紧邻行业同样值得关注；网络中关联度高、接近中心的行业，既容易受到风险冲击，又具有较强的风险分散能力，体现出“稳定又脆弱”的特征。在此基础上，本文结合当前经济稳中求进的政策背景，提出防范化解行业间重大系统性风险的对策建议，以期为增强宏观经济韧性，实现经济高质量发展提供理论依据。

关键词: 系统性风险, 风险溢出, 多层网络, 混频回归

Abstract:

The report of the 20th National Congress of the Communist Party of China pointed out that “we should strengthen and improve modern financial supervision， strengthen the financial stability guarantee system， and bring all kinds of financial activities under supervision according to law”. In the time dimension， the accelerator effect between different industries forms a risk feedback mechanism； in the spatial dimension， different industries have amplified the systematic risk through the formation of complex financial associations through the role of the market. As a result， studying the risk contagion mechanism among industries is of great significance for preventing and resolving major systemic risks and maintaining financial stability.The CSI All Share Index is taken as object， DCC-t-Copula-CoVaR model is used to measure systematic risk spillovers and absorption levels as the explained variables， a multilayer network is constructed， key structural indicators are taken as the explanatory variables， and MIDAS method is used to study the risk linkage mechanism.Consequently， suggestions are put forward to prevent systemic risks among industries：The regulatory level should consider the time-varying characteristics of the risk network and describe the dynamic evolution mechanism of systematic risk. A macro prudential risk monitoring mechanism of “too relevant to fail” based on the perspective of multi-layer networks should also be designed. To prevent and defuse systemic risks， the Party's leadership over financial should be strengthened， pushing our economy towards high-quality development.A reference model and basis for establishing a cross industry risk linkage monitoring system is provided. Through effective monitoring of inter industry risk linkage， the ability to withstand extreme risk shocks is improved， so as to increase the resilience of the macro-economy， make progress while maintaining stability， and achieve high-quality development of the industry.It is found that from the perspective of risk transmission， multilayer network theory can better describe the complex correlation among industries. It is difficult for a single industry to cause a chain reaction，but risk resonance among industries will lead to major systemic risks. Industry risk network polycentric development and diversification of contagion paths evolve under the impact of major risk events. From the aspect of influencing factors： The key role of important industries in risk contagion is similar to the "systemically important role"，and the adjacent industries of important industries also deserve attention. The industries which have high relevance and close to the center in the network reflect the characteristics of both stable and fragile.

Key words: systemic risk, risk spillover, multilayer networks, MIDAS

中图分类号:

F832.5

沈虹, 张晨曜, 刘晓星. 基于多层网络结构的行业间风险联动机制研究[J]. 中国管理科学, 2024, 32(12): 173-182.

Hong Shen, Chenyao Zhang, Xiaoxing Liu. Analysis of Risk Spillover Characteristics and Mechanism among Industries: Evidence from Multilayer Network[J]. Chinese Journal of Management Science, 2024, 32(12): 173-182.

图/表 11

图1

图2

图3

图4

图5

图6

图7

表1

表2

表3

表4

参考文献 35

1	Adrian T， Brunnermeier K. Covar［J］. American Economic Review， 2016（7）：1705-1741.
2	Acharya V V， Pedersen L H， Philippon T， et al. Measuring systemic risk［J］. The Review of Financial Studies， 2017，30（1）：2-47.
3	Dan G， Li Y， Lourie B， et al. Key performance indicators as supplements to earnings： Incremental informativeness， demand factors， measurement issues， and properties of their forecasts［J］. Review of Accounting Studies， 2019，24（1）：1147-1183.
4	Cheikh N B， Zaied Y B. Revisiting the pass-through of exchange rate in the transition economies： New evidence from new EU member states［J］. Journal of International Money and Finance， 2020，100：102093.
5	许启发，王侠英，蒋翠侠，等. 基于藤Copula-CAVia方法的股市风险溢出效应研究［J］.系统工程理论与实践，2018，38（11）：2738-2749.
	Xu Q F， Wang X Y， Jiang C X， et al. Investigating risk spillover effects among stock markets： A vine copula-CAViaR approach［J］. Systems Engineering - Theory & Practice， 2018，38（11）：2738-2749.
6	杨子晖，陈雨恬，陈里璇. 极端金融风险的有效测度与非线性传染［J］. 经济研究， 2019，54（5）：63-80.
	Yang Z H， Chen Y T， Chen L X. Effective measurement and nonlinear contagion of extreme financial risk［J］. Economic Research Journal， 2019，54（5）：63-80.
7	刘晓星，张旭，李守伟. 中国宏观经济韧性测度——基于系统性风险的视角［J］. 中国社会科学， 2021（1）：12-32.
	Liu X X， Zhang X， Li S W.Measurement of China’s macroeconomic resilience： A systemic risk perspective［J］.Social Sciences in China， 2021（1）：12-32.
8	Martinez J S， AlexandrovaK B， BravoB B， et al. An empirical study of the Mexican banking system's network and its implications for systemic risk［J］. Journal of Economic Dynamics & Control， 2014，40（3）：242-265.
9	Musmeci N， Nicosia V， Aste T， et al. The multiplex dependency structure of financial markets［J］.Lse Research Online Documents on Economics， 2016，2017（2）：1-13.
10	Baruník J， Koenda E， Vácha L. Asymmetric volatility connectedness on the forex market［J］. Journal of International Money and Finance， 2017，77：39-56.
11	Gross C， Siklos P. Analyzing credit risk transmission to the nonfinancial sector in Europe： A network approach［J］. Journal of Applied Econometrics， 2020，35（1）：61-81.
12	李守伟，文世航，王磊，等. 多层网络视角下金融机构关联性的演化特征研究［J］. 中国管理科学， 2020，12（28）：35-43.
	Li S W， Wen S H， Wang L， et al. Evolution characteristics of financial institutions’ interrelationships from the perspective of multilayer network［J］. Chinese Journal of Management Science， 2020，12（28）：35-43.
13	赵万里，范英，姬强，等.“一带一路”国家金融风险溢出研究——基于TENET网络方法［J］.系统工程理论与实践，2022，42（1）：24-36.
	Zhao W L， Fan Y， Ji Q， et al.Research on financial risk spillover of the countries along the Belt and Road：Based on TENETmethod［J］.Systems Engineering - Theory & Practice，2022，42（1）： 24-36.
14	Ahern K R， Harford J. The importance of industry links in merger waves［J］. The Journal of Finance， 2014，69（2）：527-576.
15	Acharya V V， Pedersen L H， Philippon T， et al. Measuring systemic risk［J］. The Review of Financial Studies， 2017，30（1）：2-47.
16	Nguyen L， Mateut S， Chevapatrakul T. Business-linkage volatility spillovers between US industries［J］. Journal of Banking &Finance， 2020，111（2）：1-26.
17	赵飞，陈彩虹. 技术关联、商业信用与风险跨行业传染［J］.现代财经（天津财经大学学报）， 2022，42（5）： 15-35.
	Zhao F， Chen C H. Technology association，trade credit and risk contagion cross industry［J］. Modern Finance and Economics （Journal of Tianjin University of Finance and Economics）， 2022，42（5）：15-35.
18	Ghysels E， Valkanov R. The MIDAS touch： Mixed data sampling regression models［J］. Cirano Working Papers， 2004，5（1）：512-517.
19	Owyang M T， Armesto M T， Engemann K M. Forecasting with mixed frequencies［J］. Federal Reserve Bank of St. Louis Review， 2010，92（6）：521-536.
20	Andreou E， Ghysels E， Kourtellos A. Should macroeconomic forecasters use daily financial data and how？［J］. Social Science Electronic Publishing， 2013，31（2）：240-251.
21	尚玉皇，郑挺国. 中国金融形势指数混频测度及其预警行为研究［J］. 金融研究， 2018（3）：21-35.
	Shang Y H， Zheng T G. The mixed frequency measuring of Chinese FCI and its risk warning behavior［J］. Journal of Financial Research， 2018（3）：21-35.
22	杨小玄，王一飞. 我国系统性风险度量指标构建及预警能力分析—基于混频数据动态因子模型［J］. 南方金融， 2019（6）：3-15.
	Yang X X， Wang Y F. Construction of China's systematic risk measurement indicators and analysis of early warning capability：Based on dynamic factor model of mixing data［J］. South China Finance， 2019（6）：3-15.
23	杨子晖. 金融市场与宏观经济的风险传染关系——基于混合频率的实证研究［J］. 中国社会科学， 2020 （12）：160-180.
	Yang Z H. The risk contagion relationship between the financial market and the macro economy： A mixed-frequency based empirical research［J］. Social Sciences in China， 2020（12）：160-180.
24	Jondeau E， Rockinger M. The Copula-GARCH model of conditional dependencies： An international stock market application［J］. Journal of International Money and Finance， 2006，25（5）：827-853.
25	Engle R F. Dynamic conditional correlation a simple class of multivariate GARCH models［J］. Journal of Business and Economic Statistics， 2002，20（3）：339-350.
26	吴金宴，王鹏. 哪些因素影响了股市风险传染？——来自行业数据的证据［J］.中国管理科学，2022，30 （8）：57-68.
	Wu J Y， Wang P. Factors affecting the risk contagion of the stock market： An evidence from industry-level data［J］.Chinese Journal of Management Science， 2022，30（8）：57-68.
27	Bonaccolto G， Caporin M， Panzica R. Estimation and model-based combination of causality networks among large US banks and insurance companies［J］. Journal of Empirical Finance，2019，54（C）：1-21.
28	Hmimida M， Kanawati R. Community detection in multiplex networks： A seed-centric approach［J］. Networks and Heterogeneous Media， 2015，10（1）：71-85.
29	Debarsy N， Dossougoin C， Ertur C， et al. Measuring sovereign risk spillovers and assessing the role of transmission channels： A spatial econometrics approach［J］. Journal of Economic Dynamics and Control，2018，87：21-45.
30	赵飞. 实体行业风险溢出机制与特征分析［J］.财经论丛，2021（9）：49-59.
	Zhao F. Analysis of risk spillover mechanism and characteristics among real industry［J］.Collected Essays on Finance and Economics，2021（9）：49-59.
31	苏帆. 系统性金融风险测度及其网络传染机制研究［D］.武汉：中南财经政法大学博士学位论文，2017.
	Su Fan. A research on measuring the systemic risk and its contagion in networks［D］.Wuhan： Zhongnan University of Economics and Law，2017.
32	Mantegna R N. Hierarchical structure in financial markets［J］. Computer Physics Communications， 1999，121（1）：153-156.
33	Rosen K H. 《离散数学及其应用（原书第7版）》［M］.北京：机械工业出版社， 2015.RosenK H. Discrete mathematics and its applications［M］. Beijing： China Machinery Industry Press， 2015.
34	Long H， Zhang J， Tang N. Does network topology influence systemic risk contribution？ A perspective from the industry indices in Chinese stock market［J］. PLOS one，2017，12（7）： 1-19.
35	李守伟，解一苇，杨坤，等. 商业银行多层网络结构对系统性风险影响研究［J］.东南大学学报（哲学社会科学版），2019，21（4）：77-84+147.
	Li S W， Xie Y W， Yang K， et al. Impact of multiplex network structures of banks on systemic risk［J］.Journal of Southeast University （Philosophy and Social Science），2019，21（4）：77-84+147.

方法	AIC	BIC	HQ	LL	R²	Adj R^2
Step	2555	2781	2644	-1220	0.526	0.446
U-MIDAS	2584	2698	2629	-1263	0.412	0.366
Almon	2582	2752	2650	-1248	0.454	0.387
Beta	2601	2771	2669	-1257	0.435	0.364

K	RMSE	K	RMSE	K	RMSE	K	RMSE
1	172.9044	4	88.8952	7	177.1481	10	186.7621
2	200.0264	5	72.5107	8	380.3202	11	187.6261
3	118.0944	6	192.8008	9	664.6316	12	110.3181

模型	(1)	(2)	(3)	(4)	(5)	(6)
DEG_L1	27.139^** (11.026)					12.901 (17.385)
BET_L1		-2.335 (2.247)				-3.721^* (2.149)
CLO_L1			26.839^** (12.310)			3.289 (18.404)
EIG_L1				17.684^* (9.104)		4.030 (10.644)
PAG_L1					81.299^** (38.565)	62.310 (41.913)
控制变量	Yes	Yes	Yes	Yes	Yes	Yes
R-squared	0.4444	0.4272	0.4334	0.4568	0.4660	0.5120
Adj R-squared	0.3996	0.3809	0.3876	0.4129	0.4228	0.4415

模型	(1)	(2)	(3)	(4)	(5)	(6)
DEG_L1	28.121^** (11.043)					16.776 (17.397)
BET_L1		-4.614^** (2.232)				-5.793^*** (2.151)
CLO_L1			27.785^** (12.313)			3.406 (18.416)
EIG_L1				13.465 (9.171)		-0.453 (10.651)
PAG_L1					76.188^** (38.727)	65.495 (41.941)
控制变量	Yes	Yes	Yes	Yes	Yes	Yes
R-squared	0.3789	0.3697	0.3680	0.3856	0.3997	0.4553
Adj R-squared	0.3287	0.3188	0.3170	0.3360	0.3512	0.3766

[1]	张雪彤,张卫国,王超. 发达市场与新兴市场的尾部风险[J]. 中国管理科学, 2024, 32(4): 14-25.
[2]	吴文洋,蒋海,唐绅峰. 数字化转型、网络关联性与银行系统性风险[J]. 中国管理科学, 2024, 32(3): 9-19.
[3]	赵静, 郭晔. 金融强监管、影子银行与银行系统性风险[J]. 中国管理科学, 2023, 31(7): 50-59.
[4]	王虎, 李守伟, 马瑜寅, 刘晓星. 基于共同持股网络的基金系统性风险研究[J]. 中国管理科学, 2023, 31(6): 82-90.
[5]	叶五一,李艾琳,焦守坤. 基于动态模型平均的大豆期货市场风险溢出研究[J]. 中国管理科学, 2023, 31(12): 1-10.
[6]	欧阳资生, 杨希特, 黄颖. 嵌入网络舆情指数的中国金融机构系统性风险传染效应研究[J]. 中国管理科学, 2022, 30(4): 1-12.
[7]	刘志东, 张培元, 荆中博. 跨行业风险溢出冲击下我国银行业系统性风险研究[J]. 中国管理科学, 2022, 30(12): 1-12.
[8]	张飞鹏, 徐一雄, 邹胜轩, 陈艳. 基于LGCNET多层网络的中国A股上市公司系统性风险度量[J]. 中国管理科学, 2022, 30(12): 13-25.
[9]	高倩倩, 范宏. 基于银行-资产双边网络模型的系统性风险及投资策略研究[J]. 中国管理科学, 2021, 29(7): 1-12.
[10]	赵林海, 陈名智. 金融机构系统性风险溢出和系统性风险贡献——基于滚动窗口动态Copula模型双时变相依视角[J]. 中国管理科学, 2021, 29(7): 71-83.
[11]	王耀东, 冯燕, 周桦. 保险业在金融系统性风险传染路径中起到“媒介”作用吗？——基于金融市场尾部风险传染路径的实证分析[J]. 中国管理科学, 2021, 29(5): 14-24.
[12]	马钱挺, 杨文珂, 何建敏. 基于多层网络的银企系统性风险研究[J]. 中国管理科学, 2021, 29(12): 1-14.
[13]	张伟平, 庄新田, 王健. 中国股市跨行业系统性风险空间溢出关联及风险预测分析——基于尾部风险网络模型[J]. 中国管理科学, 2021, 29(12): 15-28.
[14]	李红权, 何敏园, 黄莹莹. 我国金融机构的系统重要性评估:基于多元极值理论[J]. 中国管理科学, 2020, 28(5): 14-24.
[15]	李守伟, 文世航, 王磊, 何建敏, 龚晨. 多层网络视角下金融机构关联性的演化特征研究[J]. 中国管理科学, 2020, 28(12): 35-43.