互联网金融与中国行业间极端金融风险传播.pdf

Apr.2023JOURNALOFMANAGEMENTSCIENCESINCHINA2023年4 月Vol.26 No.4理报学学科管第2 6 卷第4 期doi:10.19920/ki.jmsc.2023.04.005互联网金融与中国行业间极端金融风险传播黄乃静，史宇鹏1，2*，于明哲”，汪意成4（1 中央财经大学经济学院，北京1 0 0 0 8 1；2.中央财经大学中国互联网经济研究院，北京1 0 0 0 8 1；3.北京工商大学国际经管学院，北京1 0 0 0 4 8；4.北京大学汇丰商学院，深圳5 1 8 0 5 5）摘要：作为新兴金融业态，互联网金融在发挥普惠金融等积极作用的同时，也存在着加剧金融风险传播的可能，但目前尚未有文献对互联网金融对金融风险传播的影响进行严格分析.本文从行业间极端金融风险传播的视角出发，首次对此问题进行了系统研究.本文首先构建理论模型刻画了互联网金融影响行业间极端风险传播的机制，接着利用我国31 个省份、1 8 个行业的股票收益数据，以及北京大学数字金融研究中心构建的互联网金融发展指数，进行了实证检验.研究结果表明，互联网金融发展加剧了实体经济行业间极端金融风险的传播，也使得金融与实体经济行业间的极端金融风险溢出程度增加.因此，在发挥互联网金融积极作用的同时，也要重视防范行业间的极端风险传播，以维护金融系统的安全与稳定.关键词：互联网金融；行业间极端金融风险中图分类号：F832.5文献标识码：A文章编号：1 0 0 7-9 8 0 7(2 0 2 3)0 4-0 0 8 7-2 40引言互联网金融是传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式.近年来，依托于快速发展的网络信息技术、坚实的电信基础设施和庞大的用户规模，我国互联网金融得到迅速发展.2 0 2 1 年上半年，我国共有近8.9万家状态为在业、存续、迁人、迁出的互联网金融相关企业，其中近30%企业的注册资本在500万元以上.截至2 0 2 1 年6 月，我国互联网财产保险市场累计实现保费收人4 7 2 亿元，同比增长2 7%，我国网民规模达1 0.1 1 亿，互联网支付用户规模增加至8.7 2 亿.通过提供低门槛、多元化、个性化的金融产品和服务，互联网金融吸引了大量的社会零散资金，不仅从信贷供给侧满足了大众多元化的投资需求，同时又从信贷需求侧，在一定程度上解决了中小企业融资难的问题，填补了传统金融服务与社会投融资需求之间的空档1,2】,成为践行普惠金融的重要方式.然而，作为新兴金融业态，互联网金融在发挥普惠金融等积极作用的同时，也存在着加剧金融风险传播的可能.现有文献主要关注的是互联网金融发展对经济个体行为的影响，例如商业银行风险承担偏好，投资行为等3.4，而忽视了其对金融风险传播影响的探讨.事实上，互联网金融的发展使得实体经济企业能够“借道”互联网金融涉足金融领域，使得行收稿日期：2 0 2 1-0 5-0 4；修订日期：2 0 2 2-0 2-1 0.基金项目：国家自然科学基金资助青年项目（7 2 0 0 32 1 2；7 2 1 0 30 1 1）；国家社科基金资助重大项目（2 1 ZDA032；2 0&ZD 1 0 1）；国家自然科学基金指南引导类原创探索计划项目（7 2 1 5 0 0 0 3）。通讯作者：史宇鹏（1 97 8 一），男，江苏宿迁人，博士，教授，博士生导师。Email：s h i y u p e n g c u f e.e d u.c n资料来源：天眼查网站，网址：https：/w w w.t i a n y a n c h a.c o m/.3资料来源：中国互联网络信息中心发布的第4 8 次中国互联网络发展状况统计报告，网址：http：/w w w.c n n i c.n e t.c n/h l w f z y j/h l-wxzbg/hlwtjbg/202109/P020210915523670981527.pdf.理报学学科管882023年4 月业之间的联系变得更加错综复杂，形成了新的金融风险传播链条，从而有可能加剧风险传播、特别是加剧行业间的风险传播.数据显示，截至2020年6 月，已有1 0 9家A股上市公司涉足互联网金融业务，总市值超过2.3万亿元.在这1 0 9家上市公司中，除东方财富、国盛金控等1 0 家原属于金融行业的公司以外，其余99家企业均来自实体经济行业.实体经济企业涉足互联网金融行业带来了两方面的后果：一方面，实体经济不同行业的公司产生了新的信贷关系，关联度变得更强.具体而言，实体行业的公司通过向互联网金融机构投资的方式获得金融从业资格，并向其他实体行业的公司发放贷款.这种模式使得实体经济的不同行业之间建立起信贷关系，使得原本无关的实体企业之间有了紧密的联系，从而加剧了实体经济行业之间的金融风险传播.另一方面，互联网金融的发展使得实体经济行业的公司和传统金融机构也产生了新的信贷关系.一些实体行业的公司通过涉足互联网金融业务获得金融从业资格，满足一定的要求后，可被获准进人全国银行间同业拆借市场进行拆借融资.这使得实体行业企业与传统金融机构之间除了原有的信贷关系之外,还形成了资金拆借等新的关联结构,加剧了实体经济行业与金融行业之间的金融风险传播.根据以上分析有理由相信，互联网金融的发展有可能加剧了实体经济不同行业之间、实体与金融行业之间的金融风险传播.因此,研究以行业间极端风险传播为例，对上述推断进行了系统验证.极端风险传播指的是不同资产的回报率同时并持续地大跌的现象，行业间极端风险传播程度越高，则金融市场出现“崩盘风险”的可能性越大.因此，极端风险传播作为金融风险传播的一种重要表现形式，一直受到学术界、金融从业者以及监管部门的高度重视.本文首先通过构建理论模型刻画了互联网金融影响行业间极端风险传播的机制，接着利用我国31 个省份、1 8 个行业的股票收益数据，以及北京大学数字金融研究中心构建的互联网金融发展指数，在省级面板回归的框架下，实证检验了互联网金融发展对实体经济行业间、金融与实体经济行业间极端金融风险传播的影响效应.研究表明，互联网金融发展确实加剧了实体经济行业间极端金融风险的传播，也使得金融与实体经济行业间的极端金融风险溢出程度增加.进一步的研究发现，互联网支付、投资等业务是行业间极端金融风险传播的主要推手，而在那些行业间极端金融风险溢出程度较高的省份，互联网金融发展加剧行业间极端金融风险传播的效应会更加明显.本文的学术贡献在于：首先，首次就互联网金融对金融风险传播的影响效应进行了系统分析，并对其可能的机制进行了探讨，填补了这方面的研究空白，有助于全面、准确地理解互联网金融的经济后果；其次，拓展了有关金融风险传播影响因素的研究,加深了学界对金融风险传播来源的认识.此外，本研究也具有重要的实践意义，即研究结果有助于识别实体经济行业间、金融与实体经济行业间的风险溢出与共振效应，从而为政府防范行业间极端金融风险传播、维护金融系统的安全与稳定提供决策参考.1文献回顾根据研究主题，相关研究文献主要包括以下两大类.第一大类文献是有关互联网金融经济影响的研究.互联网金融的发展催生出新的金融服务模式，包括第三方支付、P2P网贷和第三方金融交易等.作为新兴金融业态，互联网金融对家户行为、企业决策、乃至经济增长等诸多方面都有显著影数据来源：万德（Wind）数据库例如，苏宁控股集团作为一家以零售业为主营业务的公司，于2 0 1 5 年成立苏宁消费金融有限公司，获得1 3张金融牌照，位列行业第一，这些牌照具体包括第三方支付、消费金融、小贷公司、商业保理、基金支付、基金销售、私募基金、保险销售、企业征信、预付卡、海外支付、融资租赁以及商业银行.2 0 1 9年，苏宁消费金融有限公司获批准人全国银行间同业拆借市场.根据中华人民共和国中国人民银行法、中华人民共和国商业银行法等法律规定，中国人民银行制定了同业拆借管理办法，规定申请进人同业拆借市场的机构应当具备以下条件：1)在中华人民共和国境内依法设立；2）有健全的同业拆借交易组织机构、风险管理制度和内部控制制度；3）有专门从事同业拆借交易的人员；4）主要监管指标符合中国人民银行和有关监管部门的规定；5）最近二年未因违法、违规行为受到中国人民银行和有关监管部门处罚；6）最近二年未出现资不抵债情况；7)中国人民银行规定的其他条件。第4 期黄乃静等：正口联网金融三金融风险传播89响.例如，谢绚丽等5 研究表明，数字金融的发展对居民创业有显著的促进作用.李春涛等6 指出，互联网能够通过缓解企业的融资约束、提高税收返还的创新效应等两个渠道促进企业创新.张勋等7 则使用中国数字普惠金融指数和中国家庭追踪调查（CFPS）数据，证实互联网革命所推动的数字金融的发展有助于实现包容性增长。总体而言，互联网金融的发展从多个维度减少了金融市场摩擦，提升了企业或者消费者的融资便利度，促进了中国经济转型与发展.然而，互联网金融在发挥普惠金融等积极作用的同时，也存在着加剧金融风险传播的可能.不同于依靠商业银行等传统金融机构的间接融资、也不同于在资本市场中进行的直接融资，互联网金融作为新型金融业务模式,其与传统金融业务模式之间复杂的竞争与合作关系将对商业银行等金融机构产生较大的影响8.比如，互联网金融通过提供高回报率和支付便捷的理财产品，吸引了大量居民储蓄存款，随后再将大部分资金投到银行间市场.这种模式触动了银行等传统金融机构的“价格红利”，使其很难再以较低的存款利率从传统存款市场中获得资金，而越来越依赖于利率较高的同业拆借等批发性资金，改变了银行的负债端结构.与此同时，为了弥补负债端增加的成本，银行在资产端会更倾向于选择风险较高的投资项目，导致其风险承担水平的增加9,第二大类文献是关于金融风险传播的研究.金融风险传播是指一个较小的冲击起初只影响几个机构或一个经济市场，随后扩散到其他机构或市场，从而造成风险危害加深的现象1 0.金融风险长期以来受到学术界、业界、政策界的关注，因此积累了大量的研究文献，这些文献往往又可以分为两个方面：第一方面的文献是从方法论的角度去研究如何准确度量金融风险的传播程度，第二方面的文献则主要关注国际金融、行业间、金融机构间金融风险传播的特征.就第一个方面的文献而言，已有研究通常是用不同市场资产收益率的相关性来进行衡量金融风险传播程度.该定义里的相关性是一个广义的概念，包括线性相关性和非线性相关性.金融市场之间的线性相关性可以用相关系数来表示：如果市场A与市场B收益率的相关系数在波动期显著增加，那么可以认为这两个市场之间发生了金融风险传播1-1 3.基于非线性相关的方法来研究金融市场关联性,则主要包括基于DCC模型以及多元GARCH模型的波动溢出分析、基于SVAR网络模型的波动溢出分析等1 4-1 7.此外，还有一些关注更高阶矩金融风险传播的文献是基于Copula 模型的方法 1 8-2 0 ,就第二个方面的文献而言，有些研究关注的是国家之间的金融风险传播.比如，Berben和Jansen21分析了1 98 0 年至2 0 0 0 年间，德国、日本、英国和美国的股票市场指数相关性的变化.结果表明，在样本期内，德国、英国和美国的股票市场指数之间的相关性显著增强，而日本与这三个市场的相关性几乎不变.Baur2基于1 97 9年至2009年间2 5 个国家股票市场指数相关性的研究发现，相比于新兴市场国家，发达国家更容易受到全球金融体系的风险传染.并且，国家间金融风险传播的程度存在较大差异，其影响因素分为可以由宏观经济基本面解释的接触式传播，以及无法由宏观经济基本面解释的非接触式传播.还有一些文献研究的是行业之间的金融风险传播.比如,Chiu等2 9的研究结果表明，金融业波动性和尾部风险的增加会导致实体经济行业风险相应增加，且这种溢出效应在金融危机期间表现更明显.黄乃静等30 运用一个新的金融传染检验统计量对2 0 1 5 年6 月中国股市暴跌时各行业间的风险传染效应进行检验，发现此次暴跌中大部分行业间存在风险传染.杨子晖和王黛31 考察了我国11个行业间的风险传染关系，结果表明，当经济体的下行压力增大、面临较大的政策不确定性或实施扩张性信贷政策时，行业间将呈现更为显著的风险传播关系，相关文献还有杨子晖等32 和周开国等33.此外，实体经济行业间的风险扩散也逐渐引起学界的重视，相关研究主要从投人产出关系来解释行业间的风险传播34.综上所述，现有研究在考察互联网金融的经具体而言，接触式传播指的是风险通过不同国家之间正常的经济、贸易和金融联系进行传播2 3-2 5】，而非接触式传播则主要指的是由7于信息不完全、投资者在市场波动期的非理性行为所引起的风险传播2 6-2 8。8报学理科管2023年4 月学90济影响时，侧重于探讨互联网金融对商业银行等金融机构个体行为的影响，例如商业银行风险承担偏好，投资行为等，而忽视了其对金融风险传播的探讨；而研究金融风险传播的文献，大多建立在传统金融模式的认知之下，并没有考虑互联网金融等新金融业态加剧风险传播的情形.事实上，由于互联网金融的发展导致实体行业之间产生了错综复杂的信贷关系，从而可能加剧了行业间的风险传播.对于这样的系统性风险需要从学理上予以认真的研究，从而才能全面准确地认识互联网金融的经济影响，维护金融的稳定与安全.下面将从模型建构和实证分析两个方面尝试对此问题进行回答，从而填补相关领域的研究空白.2理论模型信贷关系一直被认为是金融风险传播的重要渠道.在分析金融行业内部的风险传播时，由于银行等金融机构之间存在着存款、拆借和支付等方面的信贷关系，当一家金融机构受到冲击时，势必会引起与之相关联的其他金融机构发生支付困难，如果其自有资金无法补偿损失，则该金融机构也将受到冲击，从而触发链式反应，使得风险在金融行业内部不断传递.在分析金融行业与实体经济行业之间的风险传播时，由于银行等金融机构与实体企业之间存在着信贷关系，当一家金融机构或整个金融市场受到冲击、发生流动性紧缩时，将直接影响实体企业可获得的信贷规模，使得实体企业也受到冲击，从而导致风险由金融行业扩散至实体经济行业35-37.尤其是在中国以银行信贷为主导的融资模式下，信贷市场自然也成为了金融冲击引起中国宏观经济波动的关键媒介38 1.借助互联网金融的发展契机，部分实体行业的企业通过向互联网金融机构投资的方式获得金融从业资格，既可以为其他实体企业提供贷款，又可以在满足一定条件后获准进人全国银行间同业拆借市场，与传统金融机构进行拆借融资.互联网金融企业既属于实体行业又涉足金融领域的特性，改变了实体经济行业之间、实体与金融行业之间原有的信贷关系，从而可能会对行业间的金融风险传播产生重要影响据此,构建了一个理论模型来更加清晰的论述互联网金融业务带来的变化.具体而言，构建了两类资产回报率关联度模型，一类是包括两个实体行业代表公司在内的资产回报率关联度模型，另一类是实体行业代表公司与金融行业机构的资产回报率关联度模型.随后，在模型中引人互联网金融业务，通过考察两个模型中资产回报率关联度的变化，来描述互联网金融的发展影响行业间极端金融风险传播的作用机制.在模型中，首先假设不同实体行业代表公司的生产率是独立不相关的.当没有互联网金融业务的时候，不同行业代表公司的资产回报率不会产生关联，也不会存在行业间极端金融风险的传播.然而，当互联网金融业务开放的时候，即使对于这些不同实体行业代表公司的假设完全不变，发现这些公司也会通过金融借贷使得资产回报率产生关联.其中可以证明的一个典型的事实是，面临融资约束的高生产率的公司会有强烈的动机向有多余金融资产的公司进行互联网金融借贷，2.1实体行业代表公司间的资产回报率关联模型：无互联网金融2.1.1公司1 的资产回报率对于来自行业A的上市公司1,其在期初的固定资产总值记为ki，金融总资产记为l假设公司1 的生产效率为z1，包含公司所受到的技术冲击等，其生产函数可定义为z,ki,(1)(1)其中，0 1,表示公司的固定资本规模收益递减.假设产品的价格为1，则公司1 期末的生产收人为zk,.这里假设期末的生产收人已经除去所有其他的生产成本，如劳动成本等.同时为了模型简化，假设固定资本在期末完全折旧.除生产收人外，公司1 还有一部分收人来自于投资金融资产的收益.在不存在互联网金融时，由于国家相关金融政策法规的限制（如进人门槛较高，或没有金融从业牌照等），公司1 只能通过购买传金融风险传播文献通常使用不同金融资产的回报率的关联性来进行衡量金融风险传播程度.该定义里的关联度是一个广义的概念，包括线性相关性和非线性相关性【39+TX27(1+r)(1假设条件2 bh(z2）需需要满足以下条件假设条件2 a第4 期黄乃静等：互联网金融与中国行业间极立金融风险传播91统金融行业提供的金融产品来获得收益.令公司1期末的金融资产回报率为（例如无风险回报率），则公司1 的期末资产回报率R，可表示为R,.=34i+a(1+)(2)ai+ki2.1.2公司2 的资产回报率对于来自行业B的上市公司2，其在期初的固定资产总值记为k2，假设公司2 的生产效率为Z2类似地，其生产函数可定义为z2 k2,(0，则这表示的是两者资产回报率尾部关系的Copula函数C(R,R）的值大于O,这意味着两个公司出现同时大跌的概率大于零，会出现极端风险传播，2.2实体行业代表公司间的资产回报率关联模型：有互联网金融假定在国家相关政策的支持下，公司1 可以涉足互联网金融领域，开展金融服务业务，担当起了金融中介的角色.此时，如果公司2 面临融资约束，便可以向公司1 寻求融资.假设公司1 和公司2 之间不存在信息不对称，即公司1 有能力识别和验证z2的大小.在期初，设定公司1 直接贷款或投资到公司2 的金额为1,其中0 1.并且,约定期末还款,将投资回报率记为h（z 2(1+r)0，即投资回报率h（z 2）会随着生产效率z2的增加单调递增.显然，可以进一步推出1+0(8)在假设条件3中，参数可以理解为公司2每单位固定资产的抵押价值38，在一般的情形下0 x0(10)a,+kia+k,由此可得，RIF随着z2的增加而升高，随着z2的降低而下降，将式(8)代人式(7）,可以将RIF表示为R=z2 kg 1+x-xh(z2)(11)使RF对z2的偏导=k 1+x-xh(z2)22=kg-1+x -XT k,-1=k2(1+x-XT)kg(1+x-X)0(12)由此可得，R也随着z2的增加而升高，随着z2的降低而下降.根据上述模型设定和假设条件2和假设条件3，得到引理2.引理2 基于模型设定和假设条件2、假设条件3,当 0 时有：1)RIF与RF不相互独立；2)RF与RF存在正相关关系,C(RI,R）0,存在极端金融风险传播.根据引理2，公司1 和公司2 的资产回报率（RIF与R）并不是相互独立的，两者之间存在着明显的正相关关系.从而，反映两者资产回报率尾部关系的Copula函数C(RIF,R）的值大于0.这表明，互联网金融的发展使得公司1 和公司2 之间产生了信贷关系，在两者之间形成了极端金融风险传播的通道，从而加剧了他们所在的实体行业之间的极端金融风险溢出效应，2.3实体行业公司与金融机构间的资产回报率关联模型：有互联网金融在引人互联网金融后，不仅是实体行业公司间的信贷关系发生了变化，实体行业公司与金融机构之间的信贷关系也发生了变化，其中机制与上述模型是一致的.考虑一个简单的类似模型.对于来自传统金融行业的上市银行3，假设其在期初的储户总存款记为L，资产总额记为A，则银行的净资产可表示为E,E=A-L,这部分资产到期末的回报率记为.假设银行3在当期有一定的其他投资机会，需要的投资金额为，到期末的回报率记为+XI其中，是无风险回报率，XI0是银行3的投资机会带来的超额回报率.与之前的模型类似，假设上市公司1 在期初的固定资产总值记为ki，金融总资产记为i,公司1 期末的生产收人为zk,.由于部分开展互联网金融业务的实体企业，被获准进入全国银行间同业拆借市场，银行3可以通过银行间市场向上市公司1 拆借投资资金,并支付本金和利息(1+X0),其中0 1.银行3期末的资产回报率可表示为A(1+r)-L(1+r)+(1+r +x)R,=A添加系数的作用是为了囊括更多的情形，例如，当银行间市场规模较大，竞争比较充分，流动性较高时，接近于0；当银行间市场存在市场分割和双边讨价还价时，的大小则取决于双边的讨价还价机制.第4 期黄乃静等：互联网金融金融风险传播93A(1+r+Xi0)(13)A这里已经剔除了需要支付给储户的利息.对式(13）进一步简化，可以得到A(1+r)-L(1+r)+x i(1 -0)R,=(14)A此时，上市公司1 期末的总资产回报率可计算为R,=2 4+(-)(1+t)+(1+Xx0)(15)a,+k,其中（1+r+X/0）为银行向上市公司1 支付的本金和利息.R，可以进一步简化为R,=1ki+a.(1+r)+4X(16)a,+k,不难发现，当不等于0 时，R，和R,是正相关的.因此，通过这个简单模型，可以看到互联网金融的发展使得银行3与上市公司1 之间具有正相关关系.从而，反映两者资产回报率尾部关系的Copula函数C（R3R,）的值大于0.这表明,互联网金融的发展使得公司1 和银行3之间产生了新的信贷关系，在两者之间形成了新的风险传播通道，从而加剧了实体和金融行业之间的极端金融风险溢出效应.综上所述，本研究发现互联网金融发展导致企业资本筹集方式发生了根本性的变化，改变了行业之间的信贷关系，使得行业间的风险溢出与共振效应明显增强.据此，提出以下研究假设：假设a互联网金融发展会加剧实体经济行业间极端金融风险传播.假设bb互联网金融发展会加剧金融与实体经济行业间的极端金融风险传播.3实证分析下面从实证的角度考察互联网金融的发展对我国行业间极端金融风险传播的影响，从而验证理论分析的结论.首先，使用条件时变Copula模型计算的极端风险联动概率，来衡量行业之间的极端金融风险传播程度.进一步地，在面板回归的框架下，基于北京大学互联网金融研究中心构建的“北京大学互联网金融发展指数”，来研究互联网金融的发展对于行业间极端金融风险传播的影响.3.1行业间极端金融风险传播的度量与其他的波动相关性模型相比,Copula模型能较好地描述变量尾部的相关性特征，被广泛地用于测度极端金融风险传播的程度.由此，首先通过条件时变Copula模型计算出各行业资产收益率在下尾部的极端联动概率，来描述我国行业之间的极端金融风险传播程度.3.1.1条件时变RotatedGumbelCopula模型Copula 函数可以将变量的联合分布函数与它们各自的边缘分布函数联系在一起，设定X（i=1,2）为行业i的收益率.Fxx,/（x 1,x 2|w）表示X,和X,的联合条件分布函数，Fx,lu（x Iw）和Fx,（x 2|w）表示它们各自的边缘条件分布函数.w表示影响股票收益的其他外生因素，比如，短期国债利率，也可以是滞后期的货币汇率变化率.Copula函数C如下Fx,x,/(x1,x2 w)=C(Fx,(x,/w),Fx,(x2/w)(17)U=Fxil(x Iw)和U,=Fx,(x2/w),U和U是X，和X，的概率积分变换，服从标准均匀分布.Copula函数C将边缘分布函数Fx,lu（x|w）和Fx,（x 2 1 w）联系在一起构成联合分布Fx,x,(x,2|w),所以 Copula函数 C(Uj,U)完全描述了行业1 的收益率（X，）和行业2 收益率（X,）之间的相关结构.基于Copula方程C（U i,U），可以进一步定义条件尾部相关参数如下：定义1给定uEO,1,定义参数TE（O,1如下T=lim PX,F;(ul w)/X,0，这说明当一个行业跌幅非常大的时候，另一个行业也会倾向于大幅贬值。T的大小，反映了两个行业之间的极端风险溢出程度，T的值越大，则说明两个行业的极端金融风险传播程度越大.关于Copula函数C(Ui,U），文献中有多种分布设定，包括Gaussian Copula、G u mb e l、Ro t a t e dGumbel、Fr a n k、Cl a y t o n Co p u l a 等.本研究选择了旋转Gumbel Copula 模型（Rotated Gumbel Copu-la）.该模型直接计算不同随机变量间的下尾极端联动概率，可以描述不同行业同时并持续地大跌的现象，能更好地刻画行业间极端风险传播的程度.此外,RotatedGumbelCopula模型相对于其他Copula模型待估计的参数少，在有限样本情况下估计准确度较好.3.1.2极端联动概率动态变化的设定基于式（1 8）可以算出两个行业之间在给定样本里的极端联动概率水平.然而，在现实的经济运行中，每一天都有各种新的冲击，例如技术、政策冲击等,这使得极端金融风险在市场间相互溢出的水平随着时间而变化.借鉴Paton39的做法，设定式（1 8）中下尾部的联动概率T，的动态变化过程如下T,=A(L+L Ti-1+u 1010.I Uit-j-U2t-j(19)一其中A（x）=（1+e）-1 为logistic转换函数，它的运用是为确保下尾部的联动概率T，在任意时刻都处于(0,1)区间内.这种动态变化结构类似于受限ARMA（1,1 0)过程，它包含一个自回归项T,-1，这里U,和U滞后1 0 期差值的绝对值作为外生变量.其中，Tt-1前的系数反映出下尾部的极端联动概率的持续程度，其绝对值越大，意味着当一个行业受到大的负向冲击时，该冲击会波及到其他行业也出现大幅下跌，同时大幅下跌的极端联动效应持续时间变得更长，3.1.3行业间极端金融风险传播的测度按照2 0 1 2 年中国证监会发布的上市公司行业分类指引，计算1 8 个行业的平均资产收益率，样本区间为2 0 1 3年1 月4 日至2 0 1 8 年1 2 月28日，数据来自国泰安.我国实体经济行业之间的极端金融风险传播测度结果如表1 所示.首先，由列（1）可知，在样本期内，我国实体经济行业的资产收益率在下尾部的平均极端联动概率（am）为0.7 5.这意味着，当一个实体经济行业受到大的负向冲击时，有75%的概率该冲击会波及到其他实体经济行业，使其也出现大幅下跌.同时，反映风险传播持续性的参数am值为1.5 9,说明该风险传播还存在较强的持续性表1实体经济行业间的极端金融风险传播及持续性Table 1 The level and persistence of extreme risk spilloveramong real industries(1)(2)(3)第一部分：股票市场极端联动概率（%）均值0.74540.725 40.7622最大值0.78190.75050.7872最小值0.69620.68150.7374第二部分：股票市场极端联动的值均值1.58101.43921.9175注：T表示t月份所有非金融行业两两之间的极端联动概率取平均值，Tm2%015表示2 0 1 5 年之前，Tm201s5表示2 0 1 5 年之后。图1 描绘了我国实体经济行业间的极端金融风险传播程度随时间的变化趋势.可以看到，自2015年起，极端金融风险传播程度出现了明显的结构性变化，有非常明显的向上跳跃。1 8 个行业为：农林牧渔业、采矿业、制造业、电力热力燃气水、建筑业、批发零售业、交运仓储业、住宿餐饮业、信息技术业、金融业、房地产业、租赁商务业、科研技术业、水利环境业、教育业、卫生和社会工作、文化体育业、综合业.对于每一个行业，本文使用该行业分类下，我国全部上市公司（A股上市的非ST企业）的资产回报率数据，通过总市值进行加权平均，得到行业的平均资产收益率，95黄乃静等：互联网金融与中国行金融风险传播第4 期0.800.780.760.740.720.70Tionfpre20150.68Tnonysino:20150.66201320142015201620172018时间图1 实体经济行业间的极端金融风险传播Fig.1 The extreme risk spillover among real industries注：虚线代表2 0 1 5 年之前的我国实体行业间的极端金融风险传注：虚线代表2 0 1 5 年之前的我国实体行业间的极端金融风险传播程度（-pm%01s），实线代表自2 0 1 5 年以后的极端金融风险传播进一步地，表2 根据该风险传播程度变化的幅度对所有实体经济行业进行了排序，发现文化体育、房地产、卫生和社会工作、科研技术、交通仓储对其他实体经济行业的极端金融风险传播变化幅度排在前5 位。表2各行业与其他实体行业间的极端金融风险传播及变化率Table 2 The level and changing rate of extreme risk spilloveramong real industries行业名称变化率(%)Tpre2015since2015文化体育0.703 40.772.39.792.9房地产业0.691 30.754.59.1287卫生和社会工作0.70350.75086.7107科研技术0.72070.768 16.572交通仓储0.716 10.762 96.5477信息技术0.731 80.779.36.490 6电力热力燃气水0.72870.775 76.457 4建筑业0.72530.7716.296 6教育0.699 60.74266.155 4水利环境0.75250.79575.7327农林牧渔0.761 40.80285.4264批发零售0.7160.7545.309 4租赁商务0.7020.738 35.171 4制造业0.73830.7754.979.4采矿业0.669.70.702.84.9433综合0.70830.734.83.7296住宿和餐饮0.72460.731 20.911 4表3列出了我国金融与实体行业间的极端金融风险传播（Ta）测度结果.总体而言，Tall小于a，但其变化的趋势与a基本保持一致，自2015年起，经历了向上的跳跃，其极端金融风险传播效应的持续性也变得更持久。表3金融与实体经济行业间的极端金融风险传播及持续性Table 3 The level and persistence of extreme risk spillover betweenfinancial and real industries(1)(2)(3)第一部分：股票市场极端联动概率（%）TalTpre2015均值0.676 00.673 20.6837最大值0.732 60.724 20.7415最小值0.581 90.58450.604 9第二部分：股票市场极端联动的值均值1.36250.75241.2528注：Tall表示t月份金融与所有非金融行业两两之间的极端联动概率取平均值，Tpre2015表示2 0 1 5 年之前，Taince2015表示2 0 1 5 年之后.0.750.700.650.60re2015sino:20150.55201320142015201620172018时间图2 金融与实体经济行业间的极端金融风险传播Fig.2 The extreme risk spillover between financial and real industries注：虚线代表2 0 1 5 年之前的我国金融行业与实体经济行业间的极端金融风险传播程度（Tpre2015），实线代表自2 0 1 5 年以后的极端金融风险传播程度（Tsine2015）.图2 描绘了我国金融与实体经济行业间的极端金融风险传播程度随时间的变化趋势.表4 展示了不同实体经济行业与金融业间的极端金融风险传播程度的变化情况，可以看到，卫生和社会工作、文化体育、信息技术、科研技术、水利环境行业的变化幅度排在了前5 位.值得注意的是，结合表2 和表4，卫生和社会理报学科学管2023年4 月96工作、文化体育、科研技术行业对于其他实体经济行业的风险溢出程度增幅排在前列，这意味着随着互联网技术的发展，知识密集型行业逐渐成为金融风险网络中的中心行业，表4 各行业与金融行业间的极端金融风险传播及变化率Table 4 The level and changing rate of extreme risk spillover betweenfinancial and real industries行业名称变化率（%）卫生和社会工作0.606 50.668 210.18文化体育0.61320.669 79.21信息技术0.62490.666 66.68科研技术0.62450.661 75.96水利环境0.64190.663.53.38农林牧渔0.646 20.666 33.10教育0.63090.648 72.82住宿和餐饮0.647 80.664 32.55制造业0.680 30.693 61.95租赁商务0.660 70.673 41.93电力热力燃气水0.71610.72300.96建筑业0.663 00.668 70.87批发零售0.68390.68950.82交通仓储0.70430.708 40.58采矿业0.739 60.7337-0.80房地产业0.711 50.7002-1.59综合0.72870.7157-1.773.2互联网金融对行业间极端金融风险传播的影响3.2.1计量模型设定为验证假说a，本研究构建计量模型如下Tr=o+,IF_indexi+,Con_ fi.+4Con_mi,t+;+P,+ei,t(20)其中i代表省份，t代表月份.To表示实体经济行业之间的极端金融风险传播程度，IF_indexi.表示互联网金融发展，Con_fi，代表金融方面的控制变量，Con_mi，代表宏观经济方面的控制变量，：和，分别表示省份固定效应和时间固定效应，8 i，是随机误差项.为验证假说b，本研究构建计量模型如下Tl.=o+,IF_indexi,+,Con_fi.,+4Con_mi,+P+P,+Si.t(21)其中T表示金融与实体经济行业之间的极端金融风险传播程度，其余变量与式（2 0）相同.3.2.2变量定义和数据说明受到数据可得性的限制，选取时间跨度为2014年1 月至2 0 1 6 年3月，包含中国31 个省（区、市）的面板数据为研究样本.行业间极端金融风险传播变量（-omf和）：正如前文所述，本研究通过条件时变RotatedGumbelCopula模型计算我国行业指数的资产收益率在下尾部的极端联动概率，来描述我国行业间极端金融风险传播的程度.互联网金融变量（IF_index）：本研究使用北京大学互联网金融研究中心构建的北京大学互联网金融发展指数，该指数所需要的数据来源于“蚂蚁金服”以及多家具有代表性的互联网金融企业，可以较客观地描述中国互联网金融的发展情况.同时，该团队还构建了互联网保险（IFinsurance）、互联网投资（IF_investment）、互联网货币基金（IF_currency）、互联网支付（IF_payment）四种不同业务类型的互联网金融发展指数.控制变量（Con_f和Con_m）：借鉴已有研究的做法，分别选择贷款规模（Loan）、存款规模（D e p o s i t）和融资融券余额（Securities）作为金融方面的控制变量（Con_）.同时，分别选择工业增加值增速（ip）、进出口规模（trade）和通货膨胀率（cpi）作为宏观经济方面的控制变量（Co n _ m），资产负债率（Debt_ratio）为中介变量.所有控制变量均为省级数据，数据来源于中国统计年鉴、中国金融统计年鉴、中经网统计数据库，并对贷款规模、存款规模和进出口规模等数值型变量取对数后转换成月度同比增长率.各个变量的名称、符号和计算方法如表5 所有关 北京大学互联网金融发展指数”的编制方法及数据，详见北京大学互联网金融研究中心课题组【4 2】，该指数时间跨度为2 0 1 4 年1月至2 0 1 6 年3月.第4 期97黄乃静等：互联网金融与中国行业间极金融风险传播示.