黄新飞， 孙霄霓， 王 飞

（1.中山大学 国际金融学院，广东 珠海 519082；2. 中山大学 高级金融研究院，广东 广州 510275）

一、前 沿

国务院印发的《中国（海南）自由贸易试验区总体方案》(下称“方案”)指出，应充分发挥金融支持自贸试验区建设的重要作用，以服务实体经济、促进贸易投融资便利化为出发点和落脚点，大力推动自贸试验区金融开放创新，进一步扩大金融业开放，为贸易投资便利化提供优质金融服务。在海南建设中国特色自由贸易港，是习近平总书记亲自谋划、亲自部署、亲自推动的改革开放重大举措。海南作为中国最大的经济特区，具备试验最高水平开放政策和实施全面深化改革的特有优势。如今，海南发展正迎来新的重大历史机遇，同时也面临前所未有的巨大挑战。金融是国民经济的血脉，对海南而言，在金融开放进程中如何建立健全风险防控体系，建立自由贸易港宏观审慎风险管理体系，加强对重大风险的识别和系统性金融风险的防范是未来工作的重要立足点。

不论是2007—2009 年的全球金融危机，2015 年中国股市的异常波动，还是2020 年初暴发的新冠疫情，都对经济和社会的稳定造成了冲击，影响了金融运行效率和经济运行水平。后金融危机时代的海南省整体经济风险逐步上升，海南自由贸易港遭受重大风险传染可能性进一步上升。事实表明，传统的侧重于单个机构的风险监管不能有效防范系统性风险，因此，有必要从微观主体角度出发，找出其中的风险溢出关联，在系统背景下诉诸宏观审慎监管。传统的单个监管难以防范和应对系统性风险形成和扩散的一个关键原因是，它没有密切关注企业或机构之间的风险关联性和结构性网络特征。事实上，企业间通过业务交易、由于市场地位等因素，形成了一个复杂、庞大且看似健全的金融网络。一方面，这种联系能带来快速的经济增长和高度分散的金融风险；但另一方面，它可能导致负面冲击(如共同持有资产的短缺)或突发事件的快速扩散，使得系统性风险呈指数增长，最终导致金融网络崩溃，引发系统性事件(如金融危机)。

纵观该领域的研究，现有文献大多关注金融机构间的风险溢出，鲜有从单个企业的角度出发，研究其间风险溢出的关系。事实上，金融风险的来源不仅包括金融市场主体，也包括经济领域的产业主体，尤其当企业处在金融开放程度较高的经济环境里，更容易产生金融风险链的延伸，对中国的宏观经济增长和金融稳定起着不容忽视的影响。为此，对单个企业间金融风险溢出情况进行深入分析十分必要。

海南自由贸易港建设作为国家的重大决策，对其实施金融风险管理的重要性不言而喻。因此，本文将以准确测度海南省上市企业间的风险溢出水平为切入点，深入分析企业金融风险溢出效应。本文的贡献在于：（1）从金融网络的视角出发，以海南省单个上市企业为研究对象，分别构建次贷危机、股市异常波动和新冠疫情等事件发生前、中、后时期的企业间金融风险溢出网络，从各企业间的金融风险溢出效应、网络聚集特征等角度，分析不同阶段金融风险对企业的影响；（2）以往对于风险主体的研究局限在分析两个给定主体之间的影响，而非整个系统的变化，且通常没有关注主体间的非对称影响，本文构建有向加权复杂网络，以考察企业间的非对称风险溢出，一定程度弥补了这方面实证的不足；（3）为弥补之前研究鲜有从系统角度考虑发生风险传染后情形的问题，本文基于SIR模型模拟了不同系统重要性企业作为风险传染源时将对海南整体市场产生何种不同规模的影响。研究结论可以为防范系统性风险的暴发和蔓延，保持海南自由贸易港的持续健康发展提供参考。

二、文献综述

近年来，金融风险溢出及其对市场的冲击程度以及如何进行风险防范都是研究者与政策制定者关注的问题，金融网络作为风险传染的路径载体，成为研究金融风险溢出问题的重要工具。金融风险会在不同金融主体之间的溢出，研究者的关注也从宏观的金融市场进入到微观的金融机构。他们认为，某个金融主体会通过一定的风险传染渠道和机制，对其他金融主体产生相应的风险溢出效应。通过总结现有文献可以发现，研究金融风险溢出的文献大致可以分为三支，一支是基于计量模型来进行分析的方法，探究特定国家或市场是否受到金融风险溢出的影响，包括VAR类模型、GARCH族模型和Copula族模型等；第二支是基于复杂网络或复杂网络与模型的结合来进行研究，关注金融风险的动态演化情况与传播结果；第三支是基于传染模型模拟金融风险溢出，分析风险出现后将会造成何种后果。

首先，就第一支文献来说，郑挺国和刘堂勇[1]根据8 个国际上重要的股市在1993—2016 年间的数据基于TVP-VAR 模型测算了其间的波动溢出情况，结果发现总波动溢出效应在国际股市间出现上升趋势，这种上升在金融震荡时期变得尤为显著。类似地，宫晓莉和熊熊[2]通过TVP-VAR 模型测算方差分解溢出指数，发现股票市场具有最大的对外溢出能力。对于Copula 模型的应用来说，叶五一等[3]通过建立时变动态Copula模型发现VIX 指数显著影响了股票市场间的联动性。对于GARCH 模型的研究来说，周爱民和韩菲[4]采用GARCH 族模型测度了股市和汇市的金融风险，发现同类别金融市场间、同地区（不同市场）间、跨地区、跨市场的金融风险溢出效应依次递减。

接着，我们关注第二支文献脉络。事实上，复杂网络方法在研究金融风险溢出方面具有强大优势，经过构造金融市场复杂网络可以看出不同金融主体间如何相互影响，并直观体现影响的程度及方向。具体来看，为了挖掘网络简化的主体结构特征，Wang, Xie 和Stanley[5]基于MST-Pearson 和MST-Partial 相关网络分析了世界股票市场的相关结构和演化，结果发现从MST-Partial 获得的结果比从MST-Pearson获得的结果更合理。Kanno[6]基于相关性网络使用网络中心性和MST 方法，评估了COVID-19 对日本上市公司的传染效应，发现股票的集聚与相关行业相对应，在COVID-19 暴发期间，部门间的联系变得更强。然而，根据Carlsson 和Mémoli[7]的研究，MST 的局限性在于计算获得的聚类通常不稳定，很小的输入扰动可能使得聚类结果产生巨大差异，加之MST构建的是无向关系，无法刻画金融风险溢出的非对称关系，因此有向关系的构建是大势所趋。

首先提出节点间影响方向这一问题的是Kenett[8]，他通过偏相关系数计算溢出影响，构建了偏相关平面最大过滤图(Partial Correlation Planar maximally Filtered Graph, PCPG)网络，实证研究了基于纽交所300 只股票的收益率数据，发现金融股票在样本期间具有最大的影响力。后来，不少学者也使用了各类方法力求刻画出风险溢出的非对称影响。其中，杨子晖和周颖刚[9]从网络关联视角分析了国际金融危机对各国的冲击，结果表明中国金融市场是系统中的风险溢出净输入者，且金融风险可以跨市场传染，因此应将理念从“太大而不能倒”转变为“太关联而不能倒”。Wang 等[10]基于14 家上市商业银行的日波动序列构建波动溢出网络，研究表明，商业银行间具有高度的连通性，国有商业银行对波动连通性的贡献小于股份制商业银行和城商行，城商行是波动连通性最大的(净)提供方，即一家银行可能“太大而不能倒”，但不一定“关联太大而不能倒”，反之亦然；若该体系陷入困境，这两种情况也可能共存。

最后，为了探讨金融风险可能造成多大范围内的传染，除了观测金融风险溢出网络的结构特征，考察风险在其中的传染情况也逐渐受到学者的关注，此类研究文献通常参考传染病传播模型。在经典传染病模型中，各节点在网络中依照状态不同分为三类：易感染状态S(Suspected)，感染状态I(Infected)和免疫状态R(Recovery)[11]。相应地，基于节点状态之间转换的研究模型主要有SI、SIS及SIR模型等[12]。Garas,Argyrakis 和Rozenblat[13]等通过SIR 模型模拟经济危机如何在各国间进行传染，其研究发现，除了GDP 体量庞大的美国，诸如比利时这类的国家也有可能成为危机传染源。同样基于SIR 模型，马源源等[14]的研究表明，当网络中的重要节点受到冲击时，危机在网络中具有极快的传播速度，从而影响力也更为巨大。Brandi 等[15]基于SIR 模型考察了银行间网络的联系，结果发现在2007—2008 年全球金融危机之初，银行间网络非常容易受到流动性传染的影响，研究证明了“关联太大而不能倒”的观点，说明流动性冲击对银行间网络的影响在压力测试情景中是极其重要的，即使较弱的初始冲击，也可能导致严重的整体损失。Feng, Jo和Kim[16]研究发现，一些国家的银行在风险传染中占据着重要的地位，风险传染的规模因国家不同而存在差异。

近年来，很多研究只关注于金融机构之间的波动溢出，且通常使用无向网络，无法识别风险溢出的方向与强度。此外，由于地理位置及产业链关联，上市企业之间的金融风险溢出及传染情况也不应被忽视。基于本文的研究体系，既能刻画海南省上市企业体系受到金融风险冲击时整体的金融稳定性，又能协助我们挖掘不同企业在金融风险溢出链条上的地位，将SIR传染病模型及有向复杂网络等方法统一起来辅助构建新的研究框架，从而为海南自由贸易港的风险防范制度建设提供参考。

三、模型与数据

本文从金融风险溢出的角度出发，采用有向加权网络以及传染病模型考察海南省上市企业之间的金融风险传染的动态影响，在复杂网络上模拟传染病传染过程以此刻画企业间金融风险溢出的动态情况。首先，使用偏相关系数方法计算各上市企业之间非对称的金融风险净溢出关系。其次，在此基础上，使用PCPG 方法构建有向加权网络探讨各企业在金融风险溢出链中的地位，并研究随时间推移各企业在金融风险溢出链中地位的动态演变。最后，通过传染病模型模拟金融风险在企业间的传递，考察不同重要性的传染源对风险的传播能力及对整体金融稳定的影响。通过上述分析，一方面有助于找到海南自由贸易港中的系统重要性企业，明确各企业在金融风险溢出链中的地位，另一方面有助于识别企业间金融风险溢出，从而协助做好风险的早期预警与防范，为维护海南自由贸易港的金融稳定与金融安全提供参考依据，确保海南自由贸易港在蓬勃发展的同时守住不发生系统性金融风险的底线。

（一）非对称溢出影响分析——偏相关系数方法

依照Kenett(2010)的方法，我们采用迭代法来获取偏相关系数，刻画待考察变量间的非对称关系。对于变量X1, X2, X3，一阶偏相关系数ρ(X1,X2:X3)的计算路径是基于普通的Pearson 相关系数ρ(X1,X2)、ρ(X1,X3)和ρ(X2,X3)进行的：

根据公式（1），若ρ(X1,X2:X3)的值越小，说明变量X3更多地影响X1和X2之间的相关关系。若公式中ρ(X1,X2)、ρ(X1,X3)和ρ(X2,X3)均较小，也会使得ρ(X1,X2:X3)值变小，但此类情况不在本文考虑中。为量化X3对X1和X2的影响并区分上述两种情况，本文定义X3对X1和X2这两个变量之间关系产生的影响为：

显然，d(X1,X2:X3)会很大当且仅当ρ(X1,X2)的显著部分可以被X3解释。因而，下一步的分析更多关注于大的d(X1,X2:X3)，定义X3对X1的平均偏相关影响d(X1:X3)为：

不失一般性，d(X1:X3)≠d(X3:X1)，因此它可以作为变量间存在的非对称关系的更优度量方式。

（二）有向加权网络分析——偏相关平面最大过滤图

为了解释不同变量之间可能存在的非对称溢出效应，本文使用Kenett等人的PCPG 法构建海南省上市企业有向加权网络，过程如下：

(1) 将N个节点间存在的N(N－1)个平均影响关系依降序排列(不考虑各节点自己对自己的影响)；

(2) 给定包含N 个节点的空网络，依照(1)中的排序进行加边，继续加边的条件是加边后的新网络依然是一个二维平面。例如，从排序中最大元素开始，若其为d(i,j)，当且仅当加上此连接后形成的新网络是平面的，可以连接这条由j 指向i 的边，并记为j →i。此外，为保存最重要的信息以及避免交叠，若d(i,j) > d(j,i)，那么只有j →i会被保留在网络中；

(3) 对有N 个节点的网络，重复上述加边操作至最终有3(N - 2)条边存于网络中。这3(N - 2)条有限的边，是对网络中N ×(N - 1) ×(N - 2)/2 个原始偏相关关系进行较强过滤后剩余的，即使减少了部分原始信息，它仍提供了一个展示节点间相互影响的主干网。本文构建的有向网络，连边代表各企业股票统计上的相互影响，也刻画了风险在企业间的溢出。

对于无向网络，与节点i直接相连的边的个数vi称为该节点的度；对于有向网络，从其它节点指向节点i的边的个数称作入度(In-degree)，从节点i指向其他节点的边的个数称作出度(Out-degree)。

（三）数据来源与区间划分

本节拟重点考察海南省上市企业复杂网络的结构及不同时段的差异，选择海南省内上市企业股票收盘价作为研究对象，从样本中剔除在研究期间内因长期停牌、未上市、退市等原因导致存在大量缺失数据的股票，剔除数据不完整股票样本后，保留了22 支股票从2005 年06 月01 日到2021 年06 月30 日间的日收盘价，相关数据获取自Wind数据库。

为考察不同时期海南省上市企业风险溢出情况，将样本分为7个区间：时期I：次贷危机前(2005年6月1日至2007年5月30日)、时期II：次贷危机中(2007年6月1日至2009年5月30日)、时期III：次贷危机后股市异常波动前(2009年6月1日至2015年6月12日)、时期IV：股市异常波动中(2015年6月12日至2017年6月19日)、时期V：股市异常波动后新冠疫情前(2017年6月20日至2020年1月22日)、时期VI：新冠疫情中(2020年1月23日至2020年5月7日)、时期VII：后新冠疫情时期(2020年5月8日至2021年6月30日)。

四、海南省内上市企业金融风险溢出分析

（一）统计分析

股票的收益率定义为价格时间序列的对数差分，即：

其中，p(t)为股票t日的价格，p(t - 1)为股票t - 1日的价格。

表1给出了海南省上市企业股票收益率的描述性统计。可以看出，各企业股票收益率均值都接近于0，且小于各自的标准差，表明平均收益率很低并存在高投资风险；同时，收益率的样本偏度异于0且峰度异于3，表明各企业收益率均存在“尖峰厚尾”特征。

表2 时期I与时期II上市企业有向网络节点度分布（前10名）

图1 展示了根据公式(3)计算出的上市企业股票间偏相关平均影响的累计概率分布。可以看出，从时期II(次贷危机中)阶段开始，上市企业股票之间的相互影响较次贷危机前更为紧密。在时期III至时期VI 期间股票之间的关联性明显增强且持续保持一个高位，这期间市场经历了股票市场的异常波动与突然暴发的新冠疫情，直到时期VII(后新冠疫情时期)紧密程度才重新下降，说明在金融风险或事件冲击发生时，企业间金融风险溢出的相关性显著上升，这种紧密的关联往往会导致风险在传播链上快速扩散，甚至引发海南省重大金融风险。

图1 不同时期股票间的偏相关平均影响

图2 时期I、II下海南省上市企业金融风险溢出网络

（二）不同时期金融风险溢出情况分析

本节找出了不同时期海南省内具有系统重要性的上市企业，并在各网络中展示了企业间金融风险溢出的大小(以连边的粗细表示)与方向(以箭头的方向表示)。文中仅展示了次贷危机发生时期的结果，各时期完整的节点度分布表①全部7个时期完整的节点度分布表见增强出版附件资料中的表A.1—A.4。以及剩余未展示的金融风险溢出网络图②剩余未展示在正文中的金融风险溢出网络图详见图A.1—A.3.详见增强出版附件资料图。在时期I(次贷危机暴发前)，海南海药、*ST海医和ST大洲是网络中最重要的3个中心企业，可能是由于这些企业在该时期对各自所处行业具有重要影响，中心企业股价波动更容易影响其他相关企业，形成股价间的强关联关系，并在市场网络的构建过程中被保留。在时期II(次贷危机期间)，华闻集团、*ST海医、海南高速成为最重要的三个中心企业，也就是从这个时期开始，海南高速逐渐走上了海南省内重要上市企业的历史舞台。

纵观整个样本期间，企业间金融风险溢出网络均具有较高的聚集特征，在三个事件发生时则出现了更明显的聚集性，而这种聚集性在平静时期有所减弱。此外，不同时期海南省上市企业在网络中的地位不尽相同，少数企业在金融风险的溢出过程中起到了较大的作用，且其中最具影响力的公司随时间而改变。由于金融风险溢出网络中的少数企业对金融风险的扩散起到关键作用，一旦这些企业受到外部风险冲击，或陷于金融困境，其会迅速向市场溢出金融风险，进而可能造成金融风险的大规模传染，最终造成海南省内市场的不稳定；而网络中一些影响力低的企业发生金融风险时，对整个网络的影响是有限的。因此，从海南省内风险溢出的角度看，应重点关注影响力较大的企业，但同时也应关注系统整体的健康，做到早期预警，避免未来发生系统性的金融风险。

（三）基于SIR 分析省内上市企业间的金融风险传染

基于传播动力学能刻画待观测系统中一些复杂的传播行为，因而成为复杂网络相关研究中一个重要的工具和方向。为了刻画传播网络中节点的属性以及风险在整体网络中的传染情况，SIR(Susceptible-Infect-Recover)模型被一些研究所采用。SIR模型将个体在网络中依照状态分为易感(S)、感染(I)和免疫(R)三种类型，免疫个体被定义为感染后被治愈或者遭受感染后死亡，不会继续参与后续传播过程。因此，可以用如下微分方程表示SIR模型的传播动力学：

其中，s (t)、i (t)和r (t)分别代表时刻t处于S状态、I状态和R状态的密度。

事实上，市场中各个企业的状态能够天然地类比于SIR模型中各节点的状态。若一个主体处于正常状态时，存在被其他主体传染金融风险的可能性，即处于S状态；若一个主体本身存在金融风险时，则其对其他主体具备传染能力，即处于I 状态；若一个主体经历风险事件后，丧失了其在市场中的影响能力，则其处于R 状态。根据上述分类，本节基于海南省内上市企业相关网络，使用SIR 模型模拟金融风险在企业间的传染情况。为对比不同企业作为风险源头对金融风险传染产生的影响，分别将传染源选定为度最大的企业和度最小的企业，然后求出模拟500次后的均值。

图3 以次贷危机期间为例展示了分别选取度最大企业和度最小企业作为传染源时的金融风险传染情况，所有七个子样本期间的模拟情况在附录图B.1中展示①7个不同子样本时期的完整传染图详见增强出版附件资料附录A。，结果发现最终传染规模随着时期和传染源的不同呈现出大小更替的情况。具体而言，以最大度企业作为传染源时，当次贷危机发生时，被感染的企业数量在第3次迭代时达到峰值，当中国股市异常波动出现和新冠疫情暴发时，被感染企业的数量在第5 次迭代时达到峰值。相对而言，以度最小的企业作为传染源时，感染数量峰值平均在第8 次迭代时才达到峰值，且峰值低于前者，说明金融风险更难从度更小的企业传出，即使传出，其扩散也更慢。

图3 次贷危机时期的风险传染分析

与之对应的是，未曾受到金融风险传染的企业数量呈现出逐渐减少的态势，而处于免疫移除状态的企业数量逐渐增加。从感染的最终规模来看，当金融风险从度最大企业溢出时，最终约有70%—80%的企业受到风险感染；当金融风险从度最小企业溢出时，仅有约30%—50%的企业最终受到风险感染，被感染的企业数量一直保持在较低水平，受感染被移除的企业在前40次迭代中缓慢增加，最后趋于稳定。

总体来看，次贷危机的冲击相比其他二者造成了金融风险更快、规模更大的传染。但是其他两个冲击的影响仍不可忽视，因为通过观测其他相对平静时期的模拟结果可以发现，无论选取何种企业作为传染源，上市企业之间的金融风险在次贷危机期间、中国股市异常波动期间和新冠疫情暴发期间均呈现出传染速度更快、传播规模更大的特性。综合来看，海南省内上市企业间金融风险感染规模与传染源的系统重要性有关，具有更大影响力的企业拥有更强的金融风险传染能力，一旦受到内部或外部冲击时，更易导致整个体系陷入风险。

五、结论与分析

本文基于金融风险溢出网络考察了海南上市企业间的金融风险溢出关系，并采用SIR传染病模型动态刻画了外部风险冲击发生时，整个上市企业金融风险溢出网络受单个企业金融风险溢出影响而遭受感染的演变过程。基于海南现状，本文围绕省内环境深入研究了上市企业间金融风险溢出的方向、强度，并模拟了外部风险冲击不同系统重要性企业可能导致的风险传染规模，得到如下主要结论：

根据海南省上市企业金融风险有向加权网络的分析结果，发现少数企业在网络中占据重要的地位，且风险溢出程度最大的企业随时间推移而改变。对比不同时期发现，次贷危机期间企业间的相互影响较次贷危机前更为紧密；相比其他平静时期，在经历中国股票市场异常波动与新冠疫情暴发的两个时期，网络呈现出更高的聚集特征，企业间金融风险溢出的相关性也有所上升，且这种较强的溢出直到后新冠疫情时期才重新下降。这种较强的关联会使得金融风险快速累积与传染，甚至引发海南省的重大金融风险。此外，通过SIR模型模拟金融风险扩散程度时发现，三次事件发生期间，金融风险溢出速度和规模均较平静时期大，且次贷危机的冲击相比股市异常波动和新冠疫情造成了金融风险更快、规模更大的传染，并且感染规模随传染源的系统重要性提升而扩大。

综合本文的研究，在制定相关金融风险防范措施时应重点防范系统重要性企业发生金融风险。为了减少金融风险溢出的发生，具体可以从两个角度出发进行风险管理，一是海南省监管机构应未雨绸缪，建立区域金融监管协调机制，有效履行属地金融监管职责，规范上市企业投融资行为，强化外资准入管理，构建自贸试验区金融安全信息平台，建立自由贸易港跨境资本流动宏观审慎管理体系，防范企业融资杠杆断裂或跨境资金转移可能引发的金融风险，做到事前风险管理与早期预警。二是建立应急响应机制，明确各企业在金融风险溢出链中的地位，在实际金融风险事件发生时，从关键企业入手，最大程度降低风险传染范围，稳定区域市场，确保海南自由贸易港蓬勃发展。最后，重点关注上市企业的整体金融健康，从微观企业出发，但着眼于上市企业的宏观表现。由于海南自由贸易港建设要扩大金融开放水平，势必会增加金融风险防控压力，在推动海南省进一步提高开放水平的进程中，必须守住不发生系统性金融风险的底线。