郭紅玉，皓 星，楊景陸

（對外經濟貿易大學金融學院， 北京 100029）

一、引言

2008 年全球金融危機引發(fā)學術界與政策制定者對系統(tǒng)性風險、宏觀審慎監(jiān)管、銀行風險承擔等議題的廣泛關注。 部分學者認為，銀行業(yè)過度風險承擔行為是金融危機爆發(fā)的重要推手，而危機前長期寬松的貨幣政策是主要原因之一。自Borio and Zhu（2012）首次提出貨幣政策的風險承擔渠道后，學者對該機制展開廣泛的理論與實證研究，國內學者的研究多證實寬松貨幣政策會增加銀行風險承擔，由于金融系統(tǒng)內存在網絡關聯，銀行業(yè)積累的風險又會通過關聯網絡傳導至其他金融子部門，造成金融系統(tǒng)內風險的整體放大。然而，隨著對系統(tǒng)性風險研究的不斷深入，又有學者發(fā)現，中國經濟金融系統(tǒng)中的風險源頭在于實體經濟， 包括銀行在內的金融體系則具有風險吸收的作用。 2008 年全球金融危機是由金融系統(tǒng)風險引發(fā)的，而2020 年新冠肺炎疫情危機則是由黑天鵝事件對實體經濟的負面沖擊引發(fā)的，在此背景下，研究銀行在金融危機與經濟危機中究竟是放大風險還是吸收了風險，具有重要現實意義與政策價值。

系統(tǒng)性風險的準確識別與度量是研究上述問題的前提。 2008 年金融危機后，學術界對系統(tǒng)性風險的度量展開廣泛研究，CoVaR 和MES 方法成為度量系統(tǒng)性風險的主流方法，然而這兩種方法存在無法捕捉極端事件中的尾部風險與無法反映單個機構風險特征的問題，且主要度量單家機構的系統(tǒng)性風險貢獻程度而非金融系統(tǒng)的整體風險。 為彌補上述缺陷，許多學者基于copula 方法構建不同的系統(tǒng)性風險度量指標， 精確捕捉在極端事件下金融系統(tǒng)尾部風險的變化。 然而，上述方法在分析樣本區(qū)間內的系統(tǒng)性風險變化時，多采用滾動窗口計算系統(tǒng)性風險序列，并結合系統(tǒng)性風險時變圖進行描述性分析， 這種方法只能識別系統(tǒng)性風險變化的方向， 無法識別變化的顯著性與結構性， 容易誤將隨機擾動與不顯著的方向變化識別為系統(tǒng)重要性結構變化， 使得政策應用價值大打折扣。

本文的貢獻主要體現在以下兩方面：第一，本文以EVT-copula 方法為基礎，引入時間序列門檻模型，能夠同時識別系統(tǒng)性風險變化的顯著性與結構性，具有實時監(jiān)測系統(tǒng)性風險變化的政策應用價值。 第二，本文研究發(fā)現，在2008 年全球金融危機期間，金融系統(tǒng)整體風險被放大，在2020 年新冠肺炎疫情期間，系統(tǒng)性風險則主要向銀行業(yè)集中，對其他金融機構起保護作用。

二、文獻綜述與研究假設

國內學者的研究證實，在次貸危機期間，中國金融系統(tǒng)內各部門風險均出現不同程度的上升，而銀行業(yè)風險激增是金融系統(tǒng)整體風險上升的主要原因。朱曉謙等（2018）發(fā)現在次貸危機期間，中國銀行業(yè)的境外投資損失給銀行帶來負面沖擊， 系統(tǒng)性風險顯著上升，同時證券行業(yè)的風險也有所上漲，保險行業(yè)風險則始終維持在高位， 銀行業(yè)對金融系統(tǒng)整體風險的影響始終高于其他行業(yè)。 王輝等（2020）證實次貸危機影響了國內金融市場的穩(wěn)定性， 國內銀行系統(tǒng)性風險事件出現的概率激增。 李政等（2020）檢驗了中國經濟系統(tǒng)中各部門間的網絡關聯特征， 發(fā)現相較于與實體行業(yè)的關聯性，金融行業(yè)內部的關聯更為密切，金融行業(yè)內部通過多種形式的金融創(chuàng)新開展業(yè)務合作， 混業(yè)經營趨勢明顯，具有更為豐富的傳導渠道，即中國金融系統(tǒng)內部呈現網絡關聯性。全球金融危機期間，銀行業(yè)風險激增會通過關聯網絡傳導至整個金融系統(tǒng)， 造成金融系統(tǒng)整體風險的放大。 基于此，本文提出假設1：

假設1：全球金融危機期間，金融系統(tǒng)內各部門間系統(tǒng)性風險均顯著上升，金融系統(tǒng)整體風險放大。

近年來，部分學者探討了銀行的風險吸收功能。賈妍妍等（2020）認為系統(tǒng)性風險的實際源頭在于實體經濟，而金融系統(tǒng)則具有風險吸收的作用，體現了金融體系的專業(yè)風險管理功能，并將風險吸收定義為包含銀行在內的金融體系降低實體經濟風險的作用，為辯證看待銀行風險承擔提供了新視角。張?zhí)鸬虾陀嘌╋w（2021）基于貝葉斯網絡與copula R 藤的樹形拓撲結構測度風險傳染過程，也得出系統(tǒng)性風險源頭來自實體經濟的結論。 Naceur et al.（2018） 則提出一種銀行風險吸收機制： 銀行通過信貸活動增強其風險吸收能力。 銀行期限錯配的貸款業(yè)務必然伴隨風險承擔， 這種機制就建立了銀行風險承擔與銀行風險吸收間的聯系： 銀行風險承擔增加使實體部門獲得更多的流動性支持，從而降低企業(yè)破產的概率，而在企業(yè)破產實際發(fā)生時，銀行可能無法收回全部貸款，與企業(yè)共同承擔全部損失。 即銀行風險承擔越多，銀行通過貸款業(yè)務與其他部門建立聯系， 通過流動性補充與風險共擔機制吸收了其他部門的風險， 銀行風險吸收能力越強。

對貨幣政策風險承擔渠道的研究表明，寬松型貨幣政策會增加銀行風險承擔，貨幣政策通過調控利率進而通過多種渠道影響銀行風險承擔行為，如估值效應渠道、利效應渠道等。 江曙霞等（2012）將存款準備金率納入貨幣政策風險承擔渠道的理論模型，并進行實證檢驗，證明準備金率政策與利率政策對銀行風險承擔的影響方向一致。 在新冠肺炎疫情暴發(fā)前夕，準備金率由2017 年的16.5%逐步下調至9.9%， 如圖1所示，2019 年 8 月 LPR 改革后，LPR 利率也不斷下調。 數量型與價格型貨幣政策均表明，新冠肺炎疫情暴發(fā)前夕我國正處于寬松貨幣政策區(qū)間，根據貨幣政策的風險承擔渠道，銀行風險承擔將顯著增加，從而銀行風險吸收能力也會增加，在新冠肺炎疫情期間可能對其他部門提供保護作用。 殷秀仙等（2020）發(fā)現，LPR 改革后，高風險中小企業(yè)增加的銀行貸款顯著更多，說明銀行風險承擔行為確實顯著增加?；诖?，本文提出假設2：

圖1 LPR 改革以來我國LPR：1 年變化情況

假設2：新冠疫情期間，系統(tǒng)性風險主要向銀行業(yè)集中，銀行風險吸收為其他金融機構提供保護作用。

綜上所述，銀行業(yè)在不同類型的危機中可能具有異質性作用，兩種危機的關鍵差異在于危機的傳導起點不同。在2008 年的系統(tǒng)性金融危機中，中國銀行業(yè)的境外投資損失給銀行帶來負面沖擊 （朱曉謙等，2018）， 此時銀行業(yè)的系統(tǒng)性風險通過金融系統(tǒng)的網絡關聯傳導至其他部門（李政等，2020），金融系統(tǒng)整體風險放大。 在這種危機中，銀行業(yè)的風險傳染具有“火上澆油”的影響。 而在2020 年的新冠肺炎疫情危機中，其他實體經濟部門首先受到沖擊，銀行業(yè)則穩(wěn)健經營，銀行業(yè)與其他部門間的貸款業(yè)務聯系緩沖了危機對這些部門的影響，此時銀行業(yè)吸收了來自其他部門的風險。 在這種危機中，銀行業(yè)的風險吸收具有“雪中送炭”的作用。 具體邏輯鏈條如圖2 所示。

圖2 銀行業(yè)在不同類型的危機中的異質性作用

三、模型設定與數據描述

（一）模型設定

在極端事件發(fā)生時，系統(tǒng)性風險度量指標應當精準捕捉風險變化的方向性與顯著性，以及時防范與化解系統(tǒng)性危機，而傳統(tǒng)的線性相關系數在危機期間捕捉風險變化的效果甚微。 趙寧等（2019）對比發(fā)現，在2008 年全球金融危機期間， 線性相關系數始終保持低位，無顯著的方向性變化，而EVT-copula 模型構建的下尾相關系數則在危機期間出現明顯攀升，證明該方法能夠精確捕捉極值事件中的風險變化。為識別全球金融危機與新冠肺炎疫情期間中國金融系統(tǒng)各部門間的風險變化情況， 本文以Wind 行業(yè)指數日收盤價數據為基礎， 沿用EVT-copula 方法構建系統(tǒng)性風險度量指標，并引入時間序列門檻模型同時識別系統(tǒng)性風險變化的顯著性與結構性。

首先采用樣本數據計算出相應的對數收益率序列，對數收益率的計算公式為：

由于金融數據的尖峰厚尾特性， 相比于正態(tài)分布，廣義極值分布擬合收益率數據邊緣分布的效果更好，廣義極值分布的表達式為：

其中，μ 是位置參數，σ 是尺度參數，ξ 是形狀參數。

在估計出邊緣分布后， 用Clayton copula 函數擬合聯合違約概率，Clayton copula 的生成函數是：

最后用極大似然法估計出copula 參數的值作為系統(tǒng)性風險的估計值，稱為下尾相關系數（LTDC）：

由于系統(tǒng)性風險是實時變化的，本文通過窗口滾動過程，實現下尾相關系數值的時變滾動，最終得到數據區(qū)間內的下尾相關系數的序列數據。 借鑒Diebold 等（2014）的處理方法，選擇窗口寬度為100個數據單位， 并分別用75 和125 個數據單位的滾動窗口進行穩(wěn)健性檢驗。

但是， 尾部相關性雖然以條件概率的方式提出，卻暗含了兩個變量趨向于極限時的條件概率相等的假設，相當于喪失了變量間的因果關系。因此，下尾相關系數只體現兩部門間的風險相關性， 不具有方向性，無法識別部門間風險傳導方向。因此，為識別金融系統(tǒng)的風險放大與風險吸收，需要采用如下組合識別策略：

估計銀行間下尾相關系數序列A、銀行與其他金融機構間下尾相關系數序列B 以及其他金融機構間下尾相關系數序列C。

（1）如果在樣本區(qū)間內，A、B、C 同時顯著增加，說明金融系統(tǒng)整體風險上升；

（2）如果在樣本區(qū)間內，A 顯著上升，B 與 C 同時顯著下降，說明系統(tǒng)性風險主要累積在銀行業(yè)，銀行風險吸收對其他金融機構起保護作用。

為進一步識別系統(tǒng)性風險變化的顯著性與結構性，本文引入Hansen（2000）的時間序列門檻模型，選定區(qū)制變量， 以殘差平方和最小化為條件確定門檻值，根據搜尋到的門檻值將樣本分為多個區(qū)間分別進行回歸，得到每個區(qū)間的回歸方程，通過樣本自抽樣（Bootstrap）方法構造LM 統(tǒng)計量，檢驗不同區(qū)間的系數是否顯著不同。 該模型設定為：

其中，Yt表示下尾相關系數，t 表示時間， 系數估計值θ 就表示下尾相關系數的變化率，區(qū)制變量設定為時間t，T 表示相應的時間門檻值。

鄒檢驗等方法也可以識別時間序列數據的結構性變動，可作為穩(wěn)健性檢驗，本文通過設置虛擬變量的方法， 使用鄒檢驗、Wald 檢驗、LR 檢驗以及 LM 檢驗來檢驗不同區(qū)間內下尾相關系數的變化趨勢是否存在顯著差異。 具體的模型設置如下：

其中，D0和D1表示兩個虛擬變量，若樣本期在區(qū)間1，則D0和D1取值都為1，若樣本期在區(qū)間2，則D0和D1取值都為0。

（二）數據選取與描述性統(tǒng)計

本文研究全球金融危機及新冠肺炎疫情期間中國金融系統(tǒng)內部風險變化的異質性特征，因此樣本數據涵蓋兩個區(qū)間段：（1）2005 年 1 月 1 日-2013 年 12月31 日， 此區(qū)間涵蓋了2008 年金融危機的全過程，包括了危機的前夕、 爆發(fā)與平息；（2）2019 年 1 月 1日-2020 年 10 月 31 日， 此區(qū)間涵蓋了 LPR 改革、疫情的全面暴發(fā)以及疫情在中國基本得到控制。通過考察兩個區(qū)間中國金融系統(tǒng)內部各部門間下尾相關系數的動態(tài)變化得出研究結論。

選取Wind 四級行業(yè)指數中的多元化銀行指數和區(qū)域性銀行指數來測度銀行間系統(tǒng)性風險， 同時選取Wind 中國行業(yè)指數中的銀行指數、多元金融指數、 券商指數及保險指數以測度金融系統(tǒng)各部門間系統(tǒng)性風險，選用指標為各指數的日收盤價數據。 其中，由于區(qū)域性銀行指數從2007 年起才開始有數據，對銀行間系統(tǒng)性風險的測度從2007 年開始， 但由于金融危機的全面爆發(fā)也始于2007 年， 因此不影響本文結論。

根據公式（1）計算出相應的對數收益率序列，最終根據公式（4）計算銀行間下尾相關系數、銀行與其他金融機構間下尾相關系數，以及其他金融機構間下尾相關系數。然后對樣本區(qū)間內的下尾相關系數進行初步的描述性統(tǒng)計，描述性統(tǒng)計結果見表1。

表1 下尾相關系數描述性統(tǒng)計

從表1 中可以發(fā)現，縱觀兩次危機區(qū)間，下尾相關系數的最小值也高達0.5649，說明整個金融系統(tǒng)內部均存在很強的風險相關性。 銀行間下尾相關系數均值最大，說明銀行業(yè)系統(tǒng)性風險集聚效應最強， 銀行業(yè)與保險行業(yè)間下尾相關系數均值次之，說明銀行業(yè)與保險行業(yè)間的風險相關性最強。 李紹芳等（2018）的研究發(fā)現銀行和保險機構是受系統(tǒng)性風險影響最為顯著的部門，描述性統(tǒng)計結果很好地支持了這一結論。 對比兩次危機期間系統(tǒng)性風險的異質性特征，券商與銀行業(yè)、券商與保險行業(yè)間的下尾相關系數在全球金融危機期間均值更大，說明金融危機期間券商行業(yè)與其他金融部門間的風險聯動性更強；其他行業(yè)間的下尾相關系數則在新冠肺炎疫情期間均值更大，隨著金融體系不斷發(fā)展完善，金融系統(tǒng)各部門間系統(tǒng)性風險關聯性有所上升；與全球金融危機期間相比，近年來各部門間系統(tǒng)性風險的波動性也明顯增加， 除券商與保險行業(yè)， 各部門間下尾相關系數的標準差均明顯增加。整體來看，近年來金融系統(tǒng)各部門風險網絡的相關性與波動性均明顯上升。

四、實證研究

（一）下尾相關系數描述性分析

系統(tǒng)性風險需從時間與空間兩個維度體現。 本文利用滾動時間窗口估計的方法， 刻畫尾部依賴的動態(tài)變化。 當下尾相關系數變大時， 二者相依性變強，系統(tǒng)性風險升高，下尾相關系數下降則代表二者尾部依賴性變小， 系統(tǒng)性風險亦變小。 參照以往研究， 首先對樣本區(qū)間內的下尾相關系數進行描述性分析。

圖3 顯示了2008 年全球金融危機期間中國金融系統(tǒng)各部門間系統(tǒng)性風險的動態(tài)演變。 從圖中可以看出，在陰影區(qū)間內金融危機的全面爆發(fā)時期，金融系統(tǒng)各部門間的系統(tǒng)性風險均呈現不同幅度的上升，其中銀行業(yè)的系統(tǒng)性風險由0.77 飆升至0.8 的高位， 銀行業(yè)與其他金融機構間的系統(tǒng)性風險也均呈現不同幅度的上升， 銀行業(yè)與多元金融行業(yè)間的風險上升較為溫和，由0.64 上升至0.68，而銀行業(yè)與保險行業(yè)間的風險漲幅最大，由0.68 上升至0.76，漲幅接近0.1， 說明銀行業(yè)與保險行業(yè)的風險關聯性最強。 多元金融、券商與保險行業(yè)間的系統(tǒng)性風險也大幅上升。2010 年起危機逐漸平息后，各部門間系統(tǒng)性風險才開始下降，但整體風險仍高于危機前水平。 根據第三部分的判別條件，金融系統(tǒng)整體風險上升，假設1 成立，即危機期間中國金融系統(tǒng)受到來自美國極端流動性窘迫、若干企業(yè)瀕臨破產的影響風險上升，并通過網絡關聯傳導至金融系統(tǒng)各部門， 造成整體風險上升。

圖3 全球金融危機期間中國金融系統(tǒng)各部門間風險時變圖

圖4 顯示了新冠肺炎疫情期間中國金融系統(tǒng)各部門間系統(tǒng)性風險的動態(tài)演變。與全球金融危機中的風險演變不同之處在于， 新冠肺炎疫情暴發(fā)前夕，中國處于寬松貨幣政策區(qū)間，根據貨幣政策的風險承擔渠道，銀行風險承擔會顯著上升，銀行風險的增加會通過金融系統(tǒng)關聯網絡傳導至其他部門，從圖中可以看出，從 2019 年 8 月中旬 LPR 改革至 2020 年 1 月下旬新冠肺炎疫情全面暴發(fā)的時間區(qū)間內，金融系統(tǒng)內各部門間系統(tǒng)性風險均不同程度上升，說明銀行風險承擔的增加在一般時期表現為金融系統(tǒng)整體風險的上升。然而，根據第二部分的分析可知，銀行風險承擔增加也為銀行風險吸收能力創(chuàng)造前提，通過流動性補充與風險共擔機制吸收其他部門的風險，會降低其他部門在實體經濟極端負面沖擊中爆發(fā)系統(tǒng)性風險的概率。 在陰影區(qū)間內新冠肺炎疫情全面暴發(fā)時期，只有銀行業(yè)系統(tǒng)性風險震蕩上升，其他部門間系統(tǒng)性風險均不同程度下降。 需要注意，當下尾相關系數高于0.8 以后， 繼續(xù)攀升已經非常困難， 銀行業(yè)看似僅有0.02 幅度的增長，事實上孕育著大量的風險聚積。 銀行與多元金融及券商行業(yè)間的風險值則急劇下降，其中，銀行業(yè)與多元金融行業(yè)間的系統(tǒng)性風險由0.8 迅速下降至0.65，銀行業(yè)與券商行業(yè)間的系統(tǒng)性風險由0.7 迅速下降至0.62， 銀行業(yè)與保險行業(yè)間的系統(tǒng)性風險下降幅度較小。 多元金融、券商與保險行業(yè)間的系統(tǒng)性風險也大幅下降。根據判別條件可知假設2 成立， 即疫情沖擊帶來的風險聚集主要由銀行業(yè)所吸收，從而對其他金融機構存在一定的緩沖保護作用。

圖4 新冠疫情期間中國金融系統(tǒng)各部門間風險時變圖

從以上分析中可以得出如下重要結論： 第一，銀行業(yè)在不同類型的危機中具有異質性作用，在系統(tǒng)性金融危機中， 銀行業(yè)與其他金融部門風險均顯著上升，通過金融系統(tǒng)網絡聯結關系造成金融系統(tǒng)整體風險增加，并容易引發(fā)經濟危機，而在黑天鵝事件的負面沖擊造成的實體經濟危機中，由于銀行業(yè)對其他部門的流動性補充與風險共擔機制，吸收了其他部門的部分風險，降低了其他部門在危機中爆發(fā)系統(tǒng)性風險的概率；第二，銀行風險承擔的增加具有兩面性，一方面使銀行業(yè)的系統(tǒng)性風險上升并通過關聯網絡傳導至整個金融系統(tǒng)，另一方面也增加了銀行的風險吸收能力， 在實體經濟負面沖擊為其他部門提供保護；第三，銀行風險吸收功能有效發(fā)揮的前提是銀行體系的穩(wěn)健性，銀行風險吸收雖然在實體經濟危機中降低了其他部門的系統(tǒng)性風險，但也造成系統(tǒng)性風險在銀行業(yè)的大量積聚，如果銀行始終保持經營穩(wěn)健，則能夠成為其他部門的保護傘，一旦銀行系統(tǒng)崩塌，整個經濟將牽一發(fā)而動全身。因此，加強宏觀審慎監(jiān)管，建設穩(wěn)健的銀行體系尤為重要。

（二）實證結果分析

對系統(tǒng)性風險的序列分析能有效識別危機期間系統(tǒng)性風險的變化方向，卻無法體現風險變化的顯著性與結構性，為進一步驗證兩次危機期間風險變化是否具有顯著性，以及風險方向的改變是由于隨機擾動還是由于危機引起的結構性變化，本小節(jié)采用時間序列門檻模型對兩次危機中的下尾相關系數序列數據進行實證檢驗，具體檢驗結果分別見表2 至表4。

表2 門檻效應檢驗結果

表3 區(qū)間（1）時間序列門檻結果

表4 區(qū)間（2）時間序列門檻結果

由表2 的門檻效應檢驗結果可知，對兩次危機區(qū)間內各組下尾相關系數的變化進行LM 檢驗的結果均拒絕不存在門檻效應的原假設，各組下尾相關系數在區(qū)間內均存在單一門檻，因此可以認為系統(tǒng)性風險在兩次危機期間均發(fā)生了顯著結構性變化。同時也說明門檻模型能夠精準識別由危機引發(fā)的系統(tǒng)性風險結構性變化，而不會將區(qū)間內下尾相關系數隨機的微小方向變動誤識別為結構性變動，具有實時監(jiān)測系統(tǒng)性風險結構性變化的政策應用價值。

從表3 中可以發(fā)現，在全球金融危機期間，金融系統(tǒng)各部門間系統(tǒng)性風險均顯著上升，假設1 得到支持。在越過門檻時點后，危機的影響逐漸減弱，各部門系統(tǒng)性風險顯著下降。 從門檻時點來看，銀行業(yè)最先從危機中恢復，2009 年2 月起銀行業(yè)系統(tǒng)性風險就開始下降，這與危機期間積極的財政與貨幣刺激政策有關，銀行業(yè)的率先恢復也帶動了其他金融部門逐步走出危機的影響，從2009 年11 月開始，各部門系統(tǒng)性風險開始下降，到2010 年低，金融系統(tǒng)各部門系統(tǒng)性風險均步入下降區(qū)間，金融系統(tǒng)整體風險逐步下降。

從表4 可以看出，各部門間的門檻時點均在新冠肺炎疫情初期，這說明金融行業(yè)系統(tǒng)性風險的結構性突變確實與新冠疫情息息相關。 在門檻時點前，由于寬松貨幣政策使銀行風險承擔增加，并通過關聯網絡傳導至整個金融系統(tǒng)，各部門間系統(tǒng)性風險均顯著上升。越過門檻時點后，新冠肺炎疫情全面暴發(fā)，此時銀行業(yè)的系統(tǒng)性風險仍顯著上升，而其他部門間系統(tǒng)性風險均顯著下降，假設2 得到支持。與前文分析一致，疫情沖擊帶來的風險主要向銀行業(yè)集中，銀行風險吸收對其他金融部門存在一定的緩沖保護作用。

（三）穩(wěn)健性檢驗

為進一步說明本文的實證結論的可靠性，通過公式（7）的方法設置虛擬變量進行穩(wěn)健性檢驗，具體的檢驗結果如表5、表6 所示。

表5 區(qū)間（1）穩(wěn)健性檢驗

表6 區(qū)間（2）穩(wěn)健性檢驗

從表5、表6 的結果中可以看出，鄒檢驗、Wald 檢驗、LR 檢驗以及LM 檢驗的結果均拒絕了下尾相關系數在樣本區(qū)間內未發(fā)生結構性變動的原假設， 可以認為區(qū)間內系統(tǒng)性風險確實出現了顯著性變化， 并且系數估計值的大小和符號與時間序列門檻的估計結果基本一致。 因此，可以認為本文的研究結論具有穩(wěn)健性。

為進一步檢驗滾動窗口長度的選擇是否會影響結論，參照Diebold 等（2014）的處理方法，分別用75和125 個數據單位的滾動窗口進行穩(wěn)健性檢驗，結果見圖5、圖6。從圖中可以看出，更換窗口長度后，本文的主要結論未發(fā)生變化：新冠肺炎疫情期間系統(tǒng)性風險主要向銀行業(yè)聚集。邊緣分布類型的選取也可能影響結論，采用正態(tài)分布擬合收益率邊緣分布進行穩(wěn)健性檢驗，結果見圖7。 從圖中可以看出，copula 方法構建的系統(tǒng)性風險指標對邊緣分布的選取不敏感，本文主要結論亦未發(fā)生變化。

圖5 窗口長度75 的穩(wěn)健性檢驗

圖6 窗口長度125 的穩(wěn)健性檢驗

圖7 正態(tài)分布的穩(wěn)健性檢驗

（四）其他機制排除

非銀金融機構間系統(tǒng)性風險的顯著下降也可能是由新冠肺炎疫情本身引發(fā)的，積極的財政貨幣政策也可能導致系統(tǒng)性風險的顯著下降。 為進一步排除新冠肺炎疫情本身以及相關財政貨幣政策對研究結論的影響， 本文選取樣本區(qū)間內MSCI 發(fā)達國家二級行業(yè)指數的日收盤價數據測算系統(tǒng)性風險。 從圖8 中可以看出，在2020 年之前，系統(tǒng)性風險基本維持不變，說明在此區(qū)間內發(fā)達國家未發(fā)生影響金融系統(tǒng)整體風險的重大事件， 在2020 年1月，受到疫情全面暴發(fā)的影響，系統(tǒng)性風險出現斷崖式上升，而在2020 年3 月后，新冠肺炎疫情給發(fā)達國家?guī)矶喾矫娴挠绊憽?如市場恐慌情緒造成2020 年3 月美股在10 天內罕見發(fā)生四次熔斷，分別發(fā)生在 9 日、12 日、16 日及 18 日；再如疫情大暴發(fā)造成歐洲多國封城；又如，雖然國外并未像我國一樣采取嚴格的防控政策停工停產，但各國GDP 的銳減也均反映了疫情帶來的 “減產減工”。 與此同時，發(fā)達國家在疫情暴發(fā)后，相繼出臺了寬松的貨幣政策和積極的財政政策， 且程度較我國明顯更甚。 但在這些因素的疊加影響下，發(fā)達國家金融系統(tǒng)各部門間系統(tǒng)性風險均未出現顯著下降，從而排除了新冠肺炎疫情與積極的財政貨幣政策會導致系統(tǒng)性風險顯著下降的機制。

圖8 發(fā)達國家非銀金融機構間系統(tǒng)性風險時變圖

（五）進一步分析

上述實證結果表明，新冠肺炎疫情期間，系統(tǒng)性風險主要向銀行業(yè)集中， 金融行業(yè)其他子行業(yè)間系統(tǒng)性風險均不同程度下降， 說明銀行風險吸收功能確實在黑天鵝事件引發(fā)的實體經濟危機中對其他金融機構起保護作用。 然而，賈妍妍等（2020）認為系統(tǒng)性風險的實際源頭在于實體經濟， 銀行系統(tǒng)具有降低實體經濟風險的作用。 為了進一步驗證新冠疫情期間銀行風險吸收功能是否顯著降低了實體經濟部門的系統(tǒng)性風險，本文選用Wind 一級行業(yè)指數測算新冠疫情期間實體經濟重要行業(yè)的系統(tǒng)性風險變化情況，結果見圖9。

從圖9 中可以看出，在新冠肺炎疫情全面暴發(fā)期間，工業(yè)、可選消費與信息技術等實體經濟重要行業(yè)間系統(tǒng)性風險均保持平穩(wěn)或出現不同程度的下降，說明銀行風險吸收功能確實具有降低實體經濟風險的作用。 但與圖4 對比可以發(fā)現，銀行業(yè)對非銀金融機構的風險吸收作用要強于對其他實體經濟部門的風險吸收作用。 此外，在LPR 改革后，銀行風險承擔顯著增加，表現為銀行業(yè)與各部門間系統(tǒng)性風險均顯著上升，在新冠肺炎疫情暴發(fā)前夕，銀行業(yè)的系統(tǒng)性風險通過金融系統(tǒng)的網絡關聯傳導至其他部門，導致其他金融子行業(yè)間系統(tǒng)性風險均不同程度上升。然而如圖9 所示，在這一期間，實體經濟重要部門間系統(tǒng)性風險則始終處于下降的區(qū)間，這一結果驗證了李政等（2020）的觀點：在一般時期，銀行業(yè)系統(tǒng)性風險傳染的網絡關聯渠道主要在金融系統(tǒng)內發(fā)揮作用，對實體經濟的影響較小。Naceur et al.（2018）提出的銀行風險吸收機制表明，銀行風險承擔是銀行風險吸收的重要前提，這就解釋了新冠肺炎疫情期間銀行業(yè)對非銀金融機構的風險吸收作用要強于對其他實體經濟部門的風險吸收作用的原因。

圖9 新冠疫情期間中國實體經濟重要行業(yè)間風險時變圖

四、總結與思考

本文以EVT-copula 模型為基礎， 引入時間序列門檻模型， 采用Wind 行業(yè)指數數據研究全球金融危機與新冠疫情危機期間中國金融行業(yè)內各部門間系統(tǒng)性風險的動態(tài)變化情況。 結果顯示，銀行業(yè)在不同類型的危機中具有異質性作用， 在系統(tǒng)性金融危機中，銀行業(yè)與其他金融部門風險均顯著上升，通過金融系統(tǒng)網絡聯結關系造成金融系統(tǒng)整體風險增加；而在黑天鵝事件的負面沖擊造成的實體經濟危機中，由于銀行業(yè)對其他部門的流動性補充與風險共擔機制，吸收了其他部門的部分風險，降低了其他部門在危機中爆發(fā)系統(tǒng)性風險的概率。

銀行風險承擔與銀行風險吸收是一枚硬幣的兩面，銀行風險承擔行為的增加雖然會通過金融系統(tǒng)網絡關聯使整體風險增加，但也增加了銀行的風險吸收能力，在實體經濟遭受負面沖擊時能夠為其他部門提供保護。 然而，銀行風險吸收功能有效發(fā)揮的前提是銀行體系始終保持經營穩(wěn)健，銀行風險吸收造成系統(tǒng)性風險在銀行業(yè)的大量積聚，如果銀行始終保持經營穩(wěn)健，則能夠成為其他部門的保護傘，一旦銀行系統(tǒng)崩塌，整個經濟將牽一發(fā)而動全身。因此，加強宏觀審慎監(jiān)管，建設穩(wěn)健的銀行體系尤為重要。