国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

我國信用債風(fēng)險的跨區(qū)域傳染及驅(qū)動機(jī)制*
——基于復(fù)雜網(wǎng)絡(luò)技術(shù)的分析

2022-07-29 03:54周芮帆龐念偉
上海金融 2022年4期
關(guān)鍵詞:傳染債券市場節(jié)點

周芮帆,龐念偉

(1對外經(jīng)濟(jì)貿(mào)易大學(xué), 北京 100105;2山東大學(xué)經(jīng)濟(jì)學(xué)院, 山東濟(jì)南 250199)

一、引言

債券市場是我國最重要的融資場所之一,截至2021年末我國債券市場存量規(guī)模已超過100萬億元,居世界第二位,債券融資成為僅次于銀行貸款的第二大融資來源。在債券市場快速發(fā)展的同時,債券違約事件不斷增加,違約金額由2018年的889億元增加至2022年的1689億元,違約債券數(shù)量由2018年的143只增加至2022年的201只,債券違約成為當(dāng)前我國金融穩(wěn)定的一大威脅。2020年以來,國務(wù)院金融穩(wěn)定發(fā)展委員多次召開會議研究債券市場穩(wěn)定工作,國家發(fā)改委、國資委、證監(jiān)會等相關(guān)部門均出臺措施加強(qiáng)企業(yè)債務(wù)風(fēng)險管控。防范化解債券市場風(fēng)險是未來一段時期我國金融穩(wěn)定工作最重要的內(nèi)容之一。

債券違約事件之所以引起政策制定部門的高度關(guān)注,除因為債券市場是重要的融資渠道外,更重要的則是由于債券市場風(fēng)險具有極強(qiáng)的傳染性。與信貸違約事件的局部性、區(qū)域性影響不同,債券市場是以機(jī)構(gòu)投資者為主的金融市場,市場化程度高,違約事件的影響程度更深、破壞性更大。從既有研究來看,債券市場風(fēng)險可以在不同維度上傳染。(1)作為金融市場的定價基準(zhǔn),債券市場風(fēng)險會在不同市場之間傳染,增大其他市場的金融穩(wěn)定壓力。如李成等(2010)采用VAR-GARCH-BEKK模型研究了我國股票、債券、外匯及貨幣市場,發(fā)現(xiàn)上述市場具有很強(qiáng)的波動集聚性和持續(xù)性。Rezaee和Bris(2011)基于19世紀(jì)巴黎證券交易所的價格指數(shù)研究發(fā)現(xiàn),股票市場與政府債券市場和公司債券市場均存在較強(qiáng)的聯(lián)動性。胡秋靈和于婷婷(2013)研究了平常時期和危機(jī)時期我國債券市場和股票市場的聯(lián)動關(guān)系,發(fā)現(xiàn)危機(jī)期間我國股票市場和債券市場聯(lián)動性增強(qiáng)。(2)作為高度開放的金融市場,債券市場風(fēng)險也會在不同地區(qū)之間傳染。歐洲主權(quán)債務(wù)危機(jī)發(fā)生后,學(xué)術(shù)界掀起研究債券市場風(fēng)險跨國傳染的熱潮。如Fernando等(2016)基于向量自回歸模型和方差分解方法研究了1999-2014年歐元區(qū)國家主權(quán)債券收益率溢出關(guān)系和其影響因素,發(fā)現(xiàn)核心國家和外圍國家主權(quán)債券的強(qiáng)關(guān)聯(lián)性是造成歐洲債務(wù)危機(jī)的一個重要原因。Sensoy等(2018)基于DCC-FIAPARCH模型和網(wǎng)絡(luò)分析方法,研究了歐元區(qū)11個國家主權(quán)債券的收益率溢出關(guān)系,發(fā)現(xiàn)歐洲主權(quán)債務(wù)危機(jī)之前債券市場的關(guān)聯(lián)性較強(qiáng)。隨著我國金融開放程度的不斷提升,一些學(xué)者也開始關(guān)注我國債券市場與國際市場的風(fēng)險聯(lián)動。郭棟(2019)采用GVAR和TVP-VAR模型研究了中美兩國國債利率聯(lián)動的時變效應(yīng),發(fā)現(xiàn)美國國債利率與中國國債利率聯(lián)動性為正向關(guān)系。費兆奇和劉康(2020)研究了金融開放條件下外部因素對我國國債市場的影響,發(fā)現(xiàn)全球因素會對中國國債波動產(chǎn)生顯著的溢出效應(yīng)。(3)債券市場內(nèi)部不同細(xì)分市場之間也會產(chǎn)生內(nèi)生互動,增大風(fēng)險振幅。牛霖琳等(2016)將債券市場進(jìn)一步細(xì)分,考察城投債和國債之間的風(fēng)險聯(lián)動,發(fā)現(xiàn)當(dāng)城投債風(fēng)險上升時,作為較安全資產(chǎn)的國債價格被推升。王立夫和王一鳴(2021)從宏觀整體角度探究債券違約沖擊對民企和國企不同等級債券的影響,發(fā)現(xiàn)債券違約會通過信用沖擊和流動性沖擊對民企和國企債券產(chǎn)生異質(zhì)性的影響。

在借鑒上述研究的基礎(chǔ)上,本文嘗試研究我國信用債風(fēng)險的跨區(qū)域溢出特征及驅(qū)動機(jī)制。在風(fēng)險從微觀個體風(fēng)險向系統(tǒng)性風(fēng)險演變的過程中,區(qū)域性風(fēng)險是一個中間狀態(tài)和過渡階段,及時化解區(qū)域性風(fēng)險對于防范系統(tǒng)性風(fēng)險意義重大。目前已有一些學(xué)者從區(qū)域角度研究我國債券市場風(fēng)險溢出問題,如牛霖琳等(2021)通過提取2009-2019年債券交易大數(shù)據(jù)中隱含的風(fēng)險溢價,運(yùn)用網(wǎng)絡(luò)向量自回歸模型構(gòu)建不同?。▍^(qū)、市)之間城投債和地方債的風(fēng)險溢出網(wǎng)絡(luò)。本文則是借鑒中央國債登記結(jié)算有限責(zé)任公司的債券指數(shù)編制方法,編制我國省際信用債指數(shù),并據(jù)此研究風(fēng)險跨省(區(qū)、市)溢出的特征和機(jī)制。本文可能的創(chuàng)新點主要體現(xiàn)在以下兩個方面:

一是我們編制省際信用債指數(shù),以信用債價格反應(yīng)債券風(fēng)險狀況,為結(jié)構(gòu)性地考察債券市場風(fēng)險提供了一個新視角。缺乏風(fēng)險測度指標(biāo)制約了風(fēng)險跨區(qū)域溢出的相關(guān)研究,為此學(xué)術(shù)界提出了不同的解決方案。如牛霖琳等(2021)通過對個債風(fēng)險溢價進(jìn)行加權(quán)平均計算省際債券風(fēng)險指標(biāo);王永欽等(2016)則是將債券收益率價差分解成流動性風(fēng)險價差部分和違約風(fēng)險價差部分,然后直接基于個債風(fēng)險指標(biāo)建模。雖然業(yè)界主要通過債券價格指數(shù)來反映債券市場波動,但由于債券價格指數(shù)指標(biāo)體系不完整,這一方法在學(xué)界并未引起足夠重視。本文借鑒市場機(jī)構(gòu)的指數(shù)編制方法,編制我國省際信用債指數(shù),以反映各?。▍^(qū)、市)信用債風(fēng)險演變情況。本文的指數(shù)編制方法還可以拓展至分行業(yè)、分債券子市場,為結(jié)構(gòu)性地反映債券市場風(fēng)險提供一種新的視角。

二是將復(fù)雜網(wǎng)絡(luò)分析范式應(yīng)用到債券市場風(fēng)險溢出研究中,拓展了風(fēng)險溢出研究的復(fù)雜網(wǎng)絡(luò)指標(biāo)體系,深化了我們對債券市場風(fēng)險傳染機(jī)制的認(rèn)識?;趶?fù)雜網(wǎng)絡(luò)方法分析風(fēng)險傳染特征是近年來一個熱門課題(張?zhí)鸬虾陀嘌╋w,2021)。在參考既有研究的基礎(chǔ)上,本文進(jìn)一步引入復(fù)雜網(wǎng)絡(luò)分析中的EI指標(biāo),考察區(qū)域經(jīng)濟(jì)發(fā)展格局變遷背景下風(fēng)險傳染特征的變化,豐富了風(fēng)險傳染研究中的復(fù)雜網(wǎng)絡(luò)指標(biāo)體系。進(jìn)一步,我們基于QAP方法研究了地理距離、經(jīng)濟(jì)結(jié)構(gòu)、融資結(jié)構(gòu)對信用債風(fēng)險跨區(qū)域傳染的影響,闡釋了風(fēng)險跨區(qū)域傳染的驅(qū)動因素和內(nèi)在機(jī)制,研究結(jié)論有助于我們深化對債券風(fēng)險傳染的認(rèn)識,對我們更好打贏防范化解重大風(fēng)險攻堅戰(zhàn)具有一定的現(xiàn)實意義。

二、信用債指數(shù)的構(gòu)建及特征分析

本文在參考市場機(jī)構(gòu)債券指數(shù)編制方案的基礎(chǔ)上,基于單只信用債凈價數(shù)據(jù),手工編制省際信用債指數(shù),以此度量不同?。▍^(qū)、市)的差異化風(fēng)險狀況。

(一)債券指數(shù)編制方法及樣本空間確定

本文主要采用派許加權(quán)法(Paasche Index)計算省際信用債指數(shù)。派許加權(quán)指數(shù)是以計算期發(fā)行量、成交量或市值作為權(quán)數(shù),以比值的形式求出指數(shù),其適用性強(qiáng)、運(yùn)用廣泛,是國內(nèi)外大多數(shù)股價和債券指數(shù)的主要計算方法。目前市場上的債券價格指數(shù)主要分為全價、凈價和財富指數(shù)三類,由于凈價指數(shù)不考慮應(yīng)計利息和利息再投資收益,能更直觀反映債券本身的市場價值,因此本文以中債登凈價估值為基礎(chǔ),以2014年1月1日為基期,以債券的發(fā)行額為權(quán)重,按日度頻率計算省際信用債指數(shù),計算公式如下:

其中,ITN為T日債券凈價指數(shù),Pi,TN為T日債券i的凈價價格,Wi,T-1N為T-1日債券i的余額。

樣本空間的確定及調(diào)整是債券指數(shù)編制中的重點。本文選取2014年1月1日-2020年12月31日在滬深交易所和銀行間市場上市的信用債(具體包括滬深交易所的企業(yè)債和公司債,以及銀行間市場的企業(yè)債及中期票據(jù))共27158筆。按照定期調(diào)整和臨時調(diào)整相結(jié)合的方式調(diào)整樣本空間:一是為保持樣本的連續(xù)性,剔除在指數(shù)生成日剩余期限一年以內(nèi)的債券。二是為避免極端值干擾,僅保留評級在AA級以上的投資級債券。參照上述兩個標(biāo)準(zhǔn),本文對債券樣本每月進(jìn)行一次調(diào)整,定期調(diào)整的生效日為每月首個交易日。三是為避免樣本期內(nèi)贖回、提前還款和回售等導(dǎo)致的凈價大幅波動,自上述事件生效之日起剔除相應(yīng)債券,進(jìn)行臨時調(diào)整。由于本文研究的重點是信用債風(fēng)險的傳染效應(yīng),債券市場的尾部風(fēng)險是不可忽視的重點,為全面反映違約風(fēng)險及其對凈價波動的影響,我們保留了樣本在違約之后的數(shù)據(jù)。通過上述處理,樣本期內(nèi)總共有18208筆債券可用于省際信用債指數(shù)的計算。最后,根據(jù)發(fā)行主體的注冊地,按照上述的債券編制公式計算省際信用債指數(shù)。

(二)信用債指數(shù)的特征分析

本文按照上述方法構(gòu)造了全國信用債指數(shù),并與中債登信用債指數(shù)進(jìn)行對比(如圖1)。本文編制的信用債指數(shù)在整體趨勢上與中債登信用債指數(shù)基本一致,印證了本文指數(shù)構(gòu)建方法的科學(xué)性。

圖1 信用債指數(shù)變動趨勢圖

總體來看,宏觀經(jīng)濟(jì)環(huán)境和流動性狀況是決定信用債指數(shù)走勢的基礎(chǔ)性因素,信用債指數(shù)與衡量市場流動性狀況的國債收益率呈現(xiàn)顯著負(fù)相關(guān)關(guān)系,如2018年1月-2020年4月1年期國債收益率從3.70%回落至3.07%,同期信用債指數(shù)從92.69回升至96.19。同時,信用債風(fēng)險事件頻發(fā)加劇了指數(shù)短期波動,是造成信用債指數(shù)震蕩的重要原因。如2020年11月10日河南永煤集團(tuán)“永煤SCP0032”公告違約,造成河南省信用債指數(shù)當(dāng)日下跌1.8%,三個交易日內(nèi)下跌2.2%,其他?。▍^(qū)、市)信用債價格受到波及,全國信用債指數(shù)當(dāng)日和三個交易日內(nèi)分別下跌了0.03%和0.15%。

表1進(jìn)一步給出樣本期內(nèi)30個?。▍^(qū)、市)信用債指數(shù)的統(tǒng)計特征。北京、湖北、江西的信用債指數(shù)期末值與均值較高,市場對其信用債價格接受程度較高。而黑龍江、內(nèi)蒙古由于區(qū)域整體經(jīng)濟(jì)發(fā)展受限,其信用債指數(shù)的期末值和平均值較低。青海、海南信用債風(fēng)險頻發(fā),如2019年青海省投資集團(tuán)、青海鹽湖集團(tuán)等國有企業(yè)債券陸續(xù)違約,2020年海航集團(tuán)名下多只債券本息展期,導(dǎo)致信用債指數(shù)在近兩年急劇回落,波動性明顯上升。山西、安徽和新疆方差較小,主要是由于上述?。▍^(qū)、市)發(fā)債主體主要為國企,債券發(fā)行評級較為穩(wěn)定,且債券交易不活躍抑制了價格波動,風(fēng)險情況變動不大。

表1 信用債指數(shù)描述性統(tǒng)計

省份 均值 標(biāo)準(zhǔn)差 最小值 最大值 期初值 期末值新疆維吾爾自治區(qū)104.6 1.7 100.0 107.9 100 103.1貴州省 108.3 2.6 99.8 112.9 100 107.0內(nèi)蒙古自治區(qū) 102.2 1.7 98.8 106.6 100 100.6吉林省 106.2 2.1 99.9 111.0 100 103.7甘肅省 106.6 2.5 100.0 111.6 100 106.1黑龍江省 103.1 2.5 99.0 107.9 100 99.3海南省 102.7 9.5 72.3 113.1 100 72.5寧夏回族自治區(qū) 106.3 2.0 99.9 110.8 100 105.5青海省 105.5 9.0 78.3 117.9 100 78.49133

三、復(fù)雜網(wǎng)絡(luò)的構(gòu)建及分析方法介紹

參考Billio等(2012)、龐念偉(2021)的方法,本部分對省際信用債指數(shù)收益率進(jìn)行二元格蘭杰因果檢驗,構(gòu)造?。▍^(qū)、市)之間的信用債風(fēng)險傳染有向網(wǎng)絡(luò),并采用復(fù)雜網(wǎng)絡(luò)分析技術(shù),刻畫信用債風(fēng)險傳染的特征。

(一)基于二元格蘭杰因果檢驗構(gòu)建風(fēng)險傳染有向網(wǎng)絡(luò)

在有效市場假說下,短期資產(chǎn)價格變動應(yīng)與其他滯后變量無關(guān),因此格蘭杰因果檢驗不應(yīng)發(fā)現(xiàn)任何因果關(guān)系。然而,由于市場價值約束和市場摩擦(如交易成本、借貸限制、收集和處理信息的成本以及對機(jī)構(gòu)賣空的限制等)的存在,資產(chǎn)價格之間會存在格蘭杰因果關(guān)系,可被視為市場間收益率外溢效應(yīng)的一個代理變量(Danielsson等,2011;Battiston等,2012;Buraschi等,2010)。當(dāng)面臨外生沖擊時,金融體系聯(lián)系越緊密,風(fēng)險事件的嚴(yán)重性就越高 (Castiglionesi等,2009;Battiston等,2012)。以前文構(gòu)建的省際信用債指數(shù)為基礎(chǔ),將其轉(zhuǎn)換為信用債收益率,公式如下:

對收益率時間序列進(jìn)行ARCH異方差檢驗顯示存在異方差,本文借鑒Billio等(2012)的方法,構(gòu)建GARCH(1,1)模型計算債券收益率條件異方差時間序列,對原始收益率進(jìn)行調(diào)整,并以調(diào)整后的收益率進(jìn)行格蘭杰因果檢驗。GARCH(1,1)模型為:

其中μi、ωi、αi、βi是模型的系數(shù),σit是條件異方差時間序列,計算調(diào)整后的收益率指標(biāo):Rit=Rit/σit。ADF檢驗結(jié)果顯示調(diào)整后的收益率均平穩(wěn)。進(jìn)一步對各?。▍^(qū)、市)收益率進(jìn)行兩兩之間的格蘭杰因果檢驗,表達(dá)式如下:

(二)復(fù)雜網(wǎng)絡(luò)關(guān)聯(lián)特征指標(biāo)

本文分別從全國、區(qū)域、省(區(qū)、市)三個由大到小的維度刻畫信用債風(fēng)險傳染的網(wǎng)絡(luò)空間特征。鄰接矩陣A刻畫了信用債風(fēng)險傳染網(wǎng)絡(luò)中節(jié)點之間的直接關(guān)聯(lián)關(guān)系,若節(jié)點i和節(jié)點j之間存在直接的關(guān)聯(lián)關(guān)系,則aij=1,否則為0。對任意節(jié)點i,如果通過若干條邊可以連接到節(jié)點j,則表明兩點是連通的,i到j(luò)的最短路徑稱為i到j(luò)的距離。所有節(jié)點兩兩之間距離的平均值為網(wǎng)絡(luò)的平均距離長度,最大值為網(wǎng)絡(luò)的直徑。本文選擇以下指標(biāo)來分析我國信用債風(fēng)險傳染網(wǎng)絡(luò)特征。

1.網(wǎng)絡(luò)密度

網(wǎng)絡(luò)密度反映信用債風(fēng)險傳染網(wǎng)絡(luò)中的直接關(guān)聯(lián)程度。它等于網(wǎng)絡(luò)中實際的有向邊數(shù)與理論上存在的最大可能邊數(shù)之比。對包含N個?。▍^(qū)、市)作為節(jié)點的網(wǎng)絡(luò),其有向邊的最大可能數(shù)目為N(N-1),假設(shè)實際存在有向邊數(shù)L,則網(wǎng)絡(luò)密度的計算公式為:

Dn的取值范圍為[0,1],數(shù)值越大表明網(wǎng)絡(luò)密度越高,整個網(wǎng)絡(luò)的關(guān)聯(lián)互動水平越高,風(fēng)險傳染水平越高。

2.平均集聚系數(shù)

平均集聚系數(shù)可以衡量整個網(wǎng)絡(luò)的一體化水平。集聚系數(shù)只能用于無向網(wǎng)絡(luò),在運(yùn)用至有向網(wǎng)絡(luò)時需先將有向網(wǎng)絡(luò)轉(zhuǎn)換為無向網(wǎng)絡(luò)。首先計算出網(wǎng)絡(luò)中單個節(jié)點的集聚系數(shù),即與該節(jié)點相連的點的數(shù)目除以最大可能連接的點的數(shù)目。對一個包含N個?。▍^(qū)、市)為節(jié)點的網(wǎng)絡(luò),單個節(jié)點的最大可能連接數(shù)為N-1,假設(shè)該節(jié)點實際連接的點數(shù)為L,則該節(jié)點的集聚系數(shù)為L/(N-1))。然后取所有節(jié)點的集聚系數(shù)的平均值作為網(wǎng)絡(luò)的平均集聚系數(shù)。其取值范圍為[0,1],數(shù)值越大表明網(wǎng)絡(luò)的關(guān)聯(lián)水平越高。

3.EI指數(shù)(Externl-Internal指數(shù))

EI指數(shù)用以衡量網(wǎng)絡(luò)中模塊內(nèi)部和外部連接的相對重要性。其計算公式為:

E表示網(wǎng)絡(luò)中從某個模塊內(nèi)部指向模塊外部的連接的個數(shù),即某個模塊內(nèi)部的節(jié)點與模塊外部節(jié)點連接的數(shù)量。I表示網(wǎng)絡(luò)中某個模塊內(nèi)部邊的個數(shù),即某個模塊內(nèi)部節(jié)點相互之間連接的數(shù)量。EI指數(shù)的取值范圍是[-1,1],指數(shù)越大,表示圖中模塊之間的連接越重要;EI指數(shù)越小,表示圖中模塊內(nèi)部之間的連接越重要。

4.度中心度

度中心度越高,表明其在關(guān)聯(lián)網(wǎng)絡(luò)中越活躍,核心位置更突顯。單個節(jié)點的度中心度即其與一個節(jié)點相連的點的數(shù)量。在有向網(wǎng)絡(luò)中,節(jié)點i的出度(outdegree)表示節(jié)點i指向其他節(jié)點的連接數(shù),入度(indegree)是其他節(jié)點指向節(jié)點i的連接數(shù)。對包含N個?。▍^(qū)、市)的網(wǎng)絡(luò)來說,節(jié)點的最大可能值為N-1,將出度和入度進(jìn)行標(biāo)準(zhǔn)化得到相對出度和相對入度:

節(jié)點i的度中心度可以表示為出度和入度之和:

5.中介中心度

中介中心度用來衡量一個節(jié)點在多大程度上位于網(wǎng)絡(luò)中其他點對的捷徑上。兩點之間的最短路徑稱為捷徑,中介中心度為經(jīng)過一個點的捷徑占圖中所有捷徑的比例。如果一個節(jié)點具有較高的中介中心度,說明這個節(jié)點在整個網(wǎng)絡(luò)中起到較為關(guān)鍵的中介作用。假設(shè)點j和k之間存在的捷徑條數(shù)為gik,其中經(jīng)過第三個點i的捷徑的條數(shù)為gik(i),則點i能夠控制j和k兩點交往的能力為:bik(i)=gik(i)/gik,據(jù)此可計算點i的中介中心度:

6.接近中心度

接近中心度用以衡量節(jié)點對其他節(jié)點的影響程度,接近中心度越高的點,外溢效應(yīng)越強(qiáng),越能將自身的影響輻射到其他節(jié)點。如果一個節(jié)點與網(wǎng)絡(luò)中其他節(jié)點之間的距離都很近,則該節(jié)點具有較高的接近中心度。一個節(jié)點的絕對接近中心度是該點與網(wǎng)絡(luò)中其他所有節(jié)點的捷徑距離之和,表達(dá)式為其中dij是點i和點j之間的捷徑距離。對絕對接近中心度進(jìn)行標(biāo)準(zhǔn)化后得到相對接近中心度,公式為:

四、我國信用債風(fēng)險傳染網(wǎng)絡(luò)的時空特征

(一)我國信用債風(fēng)險傳染網(wǎng)絡(luò)的總體特征

為系統(tǒng)全面地探索我國不同區(qū)域之間信用債風(fēng)險傳染的空間結(jié)構(gòu)特征及其演化,本文利用2014-2020年各?。▍^(qū)、市)信用債指數(shù)收益率之間的格蘭杰因果關(guān)系,構(gòu)建我國信用債風(fēng)險省際傳染網(wǎng)絡(luò)。實證結(jié)果顯示,30個省(區(qū)、市)之間最大可能的關(guān)聯(lián)關(guān)系為870個,實際存在的關(guān)聯(lián)關(guān)系為721個,風(fēng)險傳染網(wǎng)絡(luò)的密度為0.83,表明各省(區(qū)、市)間的信用債風(fēng)險聯(lián)系比較密切。風(fēng)險傳染網(wǎng)絡(luò)的平均最短路徑為1.17,最大直徑為2,意味著信用債風(fēng)險省際傳輸平均需要通過1.17條關(guān)系,最多則要經(jīng)過2條關(guān)系。網(wǎng)絡(luò)的平均集聚系數(shù)為0.95。較高的平均集聚系數(shù)與較低的平均路徑表明我國信用債風(fēng)險省際傳染網(wǎng)絡(luò)具有“小世界網(wǎng)絡(luò)特征”。如圖2所示,大部分?。▍^(qū)、市)的信用債風(fēng)險之間都有通路,各?。▍^(qū)、市)之間不存在絕對的隔離關(guān)系,也沒有絕對的風(fēng)險傳染網(wǎng)絡(luò)孤立隔絕點。?。▍^(qū)、市)之間的互動效應(yīng)會放大我國信用債風(fēng)險,增加極端事件發(fā)生的可能性。

圖2 信用債風(fēng)險網(wǎng)絡(luò)傳染圖1圖中點的大小表示各?。▍^(qū)、市)出入度的合計值。

(二)我國信用債風(fēng)險傳染網(wǎng)絡(luò)的時變特征

2014-2020年,我國債券市場快速發(fā)展,發(fā)債主體和融資工具都極大豐富,信用債省際風(fēng)險傳染網(wǎng)絡(luò)也經(jīng)歷了深刻變化。為更加清晰地反映信用債風(fēng)險省際傳染網(wǎng)絡(luò)的時變特征,本部分采用滾動窗口方法,將窗口期設(shè)定為1年,每次滾動1個月,構(gòu)建出2014-2020年共計72個風(fēng)險傳染網(wǎng)絡(luò),并計算出各網(wǎng)絡(luò)的密度。

從圖3可以看出,2015年以來信用債風(fēng)險省際傳染網(wǎng)絡(luò)2圖中2015年1月的數(shù)據(jù)為2014年1月-2015年1月這一時間窗口的網(wǎng)絡(luò)密度。具有明顯的周期性特征,網(wǎng)絡(luò)密度的變動可以分為4個階段:2015年1月-2016年2月的震蕩下降期;2016年3月-2017年2月的波動上升期;2017年3月-2019年7月的緩慢回落期;2019年8月-2020年底的快速攀升期。網(wǎng)絡(luò)密度反映了信用債風(fēng)險傳染網(wǎng)絡(luò)中的直接關(guān)聯(lián)程度,與我國經(jīng)濟(jì)金融形勢和債券市場波動基本相符。2014年以來,我國經(jīng)濟(jì)增長速度放緩,發(fā)展進(jìn)入新常態(tài),隨著刺激政策的消化退出,發(fā)展中積累的信用風(fēng)險釋放。當(dāng)年3月,上海超日太陽能公司宣布到期債務(wù)利息無法兌付,是我國債券市場首次違約,給市場帶來較大震驚,風(fēng)險偏好急劇下降,悲觀情緒下信用債風(fēng)險上升,圖3中2015年初網(wǎng)絡(luò)密度處于高位,就是對債券市場首次違約的持續(xù)性反應(yīng)。之后市場情緒消化,市場信心恢復(fù),網(wǎng)絡(luò)密度也開始回落。2016年,政策層面提出“三去一降一補(bǔ)”政策,針對產(chǎn)能過剩行業(yè)進(jìn)行限產(chǎn)整合,導(dǎo)致2016年下半年大量鋼鐵和煤炭等弱資質(zhì)的企業(yè)違約,如東北特鋼、四川煤炭,引發(fā)產(chǎn)能過剩違約潮,2017年1月我國信用債違約率3計算公式為前12個月違約債券數(shù)量除以存量債券數(shù)量的平均值。達(dá)到0.046%的階段性高點,網(wǎng)絡(luò)密度也在2017年2月達(dá)到0.98的階段性高點。此后,隨著供給側(cè)結(jié)構(gòu)性改革的推進(jìn),供需達(dá)到新的平衡,工業(yè)品價格上升,行業(yè)景氣度提升,違約風(fēng)險整體平穩(wěn),市場逐漸恢復(fù)。但2018年的金融去杠桿和監(jiān)管趨嚴(yán)導(dǎo)致民企違約有所加劇,信用債風(fēng)險網(wǎng)絡(luò)密度短暫上升,但整體風(fēng)險可控,網(wǎng)絡(luò)密度在2019年7月回落至低點。隨后,新冠疫情暴發(fā),經(jīng)濟(jì)基本面受到影響,信用債風(fēng)險逐步上升。2020年,華晨汽車、紫光集團(tuán)、永城集團(tuán)等國企違約,對我國債券市場造成較大沖擊,導(dǎo)致網(wǎng)絡(luò)密度進(jìn)一步攀升,在2020年末達(dá)到較高水平。

圖3 信用債風(fēng)險傳染網(wǎng)絡(luò)密度和EI指數(shù)圖

(三)我國信用債風(fēng)險傳染的板塊特征

近年來,我國區(qū)域經(jīng)濟(jì)發(fā)展格局出現(xiàn)明顯變化,經(jīng)濟(jì)格局由“東強(qiáng)西弱”轉(zhuǎn)變?yōu)椤澳蠌?qiáng)北弱”,經(jīng)濟(jì)發(fā)展格局的變化勢必會影響風(fēng)險跨區(qū)域傳染特征。本部分將全國劃分為5大經(jīng)濟(jì)板塊:東北地區(qū)、東部地區(qū)、中部地區(qū)、西北地區(qū)、西南地區(qū)。長江經(jīng)濟(jì)帶作為近年提出的重大國家發(fā)展戰(zhàn)略,單獨為其設(shè)置一個板塊,分析長江經(jīng)濟(jì)帶區(qū)域的信用債風(fēng)險傳染關(guān)系。經(jīng)濟(jì)板塊劃分方式如表2所示:

表2 經(jīng)濟(jì)板塊劃分方式

如圖3所示,EI指數(shù)與網(wǎng)絡(luò)密度的聯(lián)動關(guān)系可以分為兩個階段:一是2019年之前,兩者的變化具有較強(qiáng)的一致性,表明處于不同經(jīng)濟(jì)板塊的省(區(qū)、市)間的風(fēng)險傳染是驅(qū)動整個網(wǎng)絡(luò)風(fēng)險傳染的主要動力。二是2019年之后,EI指數(shù)與網(wǎng)絡(luò)密度呈現(xiàn)明顯的反向波動關(guān)系,表明處于同一經(jīng)濟(jì)板塊內(nèi)部的省(區(qū)、市)之間的風(fēng)險傳染成為驅(qū)動整個網(wǎng)絡(luò)風(fēng)險傳染的主要動力。EI指數(shù)除用于分析整個網(wǎng)絡(luò)的關(guān)聯(lián)關(guān)系外,還可用于分析特定板塊的內(nèi)部和外部關(guān)聯(lián)關(guān)系的相對重要性。圖4通過EI指數(shù)反映了5大經(jīng)濟(jì)板塊和長江經(jīng)濟(jì)帶的情況,指數(shù)越高,表明該經(jīng)濟(jì)板塊內(nèi)的?。▍^(qū)、市)與板塊外省(區(qū)、市)的聯(lián)系程度越緊密;指數(shù)越低,表明該經(jīng)濟(jì)板塊與同一板塊的省(區(qū)、市)的聯(lián)系程度越緊密。具體來看:

圖4 不同經(jīng)濟(jì)板塊的EI指數(shù)變動趨勢圖

(1)東北地區(qū)的EI指數(shù)在2018年以后明顯上升,此后處于高位波動,表明2018年以后東北地區(qū)與域外?。▍^(qū)、市)的風(fēng)險聯(lián)動明顯增強(qiáng)。2017年遼寧省統(tǒng)計數(shù)據(jù)造假事件曝光后,東北三省經(jīng)濟(jì)開始負(fù)增長,東北地區(qū)的風(fēng)險壓力開始向區(qū)域外傳染,甚至對與其鄰近的山東、河北等省份都帶來負(fù)面影響。(2)東部地區(qū)EI指數(shù)呈現(xiàn)先升后降趨勢,在2019年中達(dá)到高點,隨后開始回落。2019年之前東部地區(qū)?。▍^(qū)、市)與域外?。▍^(qū)、市)的風(fēng)險聯(lián)動提升,此后開始回落,這可能與東部地區(qū)的風(fēng)險爆發(fā)周期有關(guān)。2019年之前,東部地區(qū)的風(fēng)險處于一個持續(xù)爆發(fā)期,其中廣東省和浙江省在2016年末不良貸款率觸頂回落;江蘇省在2018年中不良貸款率觸頂回落;2019年末,東部經(jīng)濟(jì)大省山東省的不良貸款率開始由升轉(zhuǎn)降。在東部地區(qū)風(fēng)險加劇爆發(fā)期間,其金融壓力勢必通過債券市場向域外省(區(qū)、市)傳染,進(jìn)而導(dǎo)致EI指數(shù)不斷提高。(3)西北地區(qū)EI指數(shù)在2015年中出現(xiàn)一個階段性高點后開始不斷回落,表明2015年西北地區(qū)和域外?。▍^(qū)、市)的風(fēng)險聯(lián)動較強(qiáng),此后風(fēng)險主要是在區(qū)域內(nèi)部發(fā)酵。2015年西北地區(qū)EI指數(shù)升高可能與當(dāng)時的地方政府債務(wù)清理有關(guān),西北諸?。▍^(qū)、市)財政壓力較大,特別是平臺公司債券受其他?。▍^(qū)、市)影響較大。但由于西北省(區(qū)、市)的經(jīng)濟(jì)體量較小,區(qū)域內(nèi)?。▍^(qū)、市)在經(jīng)濟(jì)結(jié)構(gòu)上同質(zhì)性較強(qiáng),因此大部分時間EI指數(shù)處于低位,風(fēng)險主要是在區(qū)域內(nèi)部傳染。(4)樣本期內(nèi),中部、西南、長江經(jīng)濟(jì)帶的EI指數(shù)呈現(xiàn)區(qū)間震蕩,不具備持續(xù)性特征。這是由于相關(guān)省(區(qū)、市)經(jīng)濟(jì)體量較小,風(fēng)險形勢總體穩(wěn)定,和域外省(區(qū)、市)的關(guān)聯(lián)關(guān)系沒有出現(xiàn)區(qū)制性的變化。但偶然性風(fēng)險事件對這些地區(qū)的風(fēng)險外溢也造成了較大影響。如2020年下半年,永煤控股等違約帶來的恐慌情緒蔓延,同類型的產(chǎn)煤大?。▍^(qū)、市)如寧夏、內(nèi)蒙古、山西等相關(guān)債券受到較大影響,表現(xiàn)為中部地區(qū)EI指數(shù)上升,同時西北和東北風(fēng)險溢入較強(qiáng),EI指數(shù)也出現(xiàn)一定程度上升。

(四)我國信用債風(fēng)險傳染的省際特征

表3進(jìn)一步分析了樣本期內(nèi)30個省(區(qū)、市)在信用債風(fēng)險關(guān)聯(lián)網(wǎng)絡(luò)中的角色和作用。從入度看,貴州、海南、河北受其他省(區(qū)、市)的影響較大;北京、江西、廣東受其他?。▍^(qū)、市)的影響較小。從出度看,貴州、福建、湖北對其他?。▍^(qū)、市)的溢出效應(yīng)較高;青海、海南、河北對其他?。▍^(qū)、市)的溢出效應(yīng)較低。我們根據(jù)各省出入度和平均值的關(guān)系,將30個?。▍^(qū)、市)劃分為四個不同的象限。其中:(1)貴州、山東、遼寧、河南等省份的出度和入度均高于平均值,可視為風(fēng)險的放大器和傳染者。貴州地處西南腹地,受地理條件制約當(dāng)?shù)亟?jīng)濟(jì)發(fā)展較為受限,2020年末發(fā)債平臺數(shù)位居全國第六,持有有息負(fù)債是顯性債務(wù)余額的1.4倍,債務(wù)呈現(xiàn)短期化和非標(biāo)化,出度和入度均為全國最高,在信用債風(fēng)險傳染中處于核心地位。遼寧債券違約數(shù)量排名全國第三,共有11家發(fā)行人發(fā)行的66只債券違約,金額約為522億元,僅次于北京、上海。河南在近年來風(fēng)險壓力不斷暴露,2020年永煤控股的違約給債券市場帶來強(qiáng)烈震動。(2)北京、山西的出度和入度均低于平均值,處于信用債風(fēng)險傳染的外圍,既不容易受其他?。▍^(qū)、市)的影響,對其他?。▍^(qū)、市)的影響也較小。北京作為全國的政治和經(jīng)濟(jì)中心,抗風(fēng)險能力較強(qiáng),能夠及時阻斷風(fēng)險傳染。(3)江蘇、浙江等東部發(fā)達(dá)省份以及湖北、湖南等省份的出度高于平均值,但入度低于平均值,這些省份是風(fēng)險的凈傳染者,它們在接收到風(fēng)險后會進(jìn)一步放大并外溢。這些省份的突出特點是經(jīng)濟(jì)實力相對較強(qiáng),經(jīng)濟(jì)對外關(guān)聯(lián)比較緊密,如江蘇和浙江作為全國經(jīng)濟(jì)最發(fā)達(dá)的省份,與其他?。▍^(qū)、市)之間存在緊密的經(jīng)濟(jì)聯(lián)系;湖北、湖南作為中部?。▍^(qū)、市)發(fā)揮了溝通東西部地區(qū)的橋梁作用。這些省份在承受外部風(fēng)險壓力時,自身能夠抵御風(fēng)險并將其向外轉(zhuǎn)化。(4)內(nèi)蒙古、新疆、青海、河北等?。▍^(qū)、市)的入度大于平均值,但出度低于平均值,是風(fēng)險的凈溢入者,會承擔(dān)其他省份向其傳染的風(fēng)險。這些地區(qū)經(jīng)濟(jì)實力普遍較弱,在外部壓力下往往自身首先爆發(fā)風(fēng)險。接近中心度衡量一省與其他所有?。▍^(qū)、市)聯(lián)系的緊密程度。貴州、海南、山東、河北具有較高的接近中心度,表明這些省份與其他省份具有高度關(guān)聯(lián)性,這與前文結(jié)論基本一致。從中介中心度看,北京、廣東、上海排名比較靠前,這三個省市是信用債風(fēng)險傳染中重要的中介和橋梁,在破解信用債風(fēng)險傳染鏈條過程中應(yīng)加以重點關(guān)注。

表3 ?。▍^(qū)、市)入度、出度接近中心度和中介中心度

五、風(fēng)險傳染機(jī)制分析

本部分進(jìn)一步探究影響信用債風(fēng)險跨區(qū)域溢出的因素。風(fēng)險傳染網(wǎng)絡(luò)和解釋變量并非常規(guī)計量模型采用的屬性類數(shù)據(jù),而是矩陣形式的關(guān)系型數(shù)據(jù)??紤]到關(guān)系型數(shù)據(jù)之間存在高度的自相關(guān)和多重共線性,因此采用傳統(tǒng)方法進(jìn)行參數(shù)估計和統(tǒng)計推斷會導(dǎo)致參數(shù)標(biāo)準(zhǔn)誤增大,使顯著性檢驗失去意義(李華和董艷玲,2020)。基于上述考慮,本部分選擇二次指派程序(QAP)分析關(guān)系型數(shù)據(jù),其估計結(jié)果相較參數(shù)回歸方法更加穩(wěn)健。

(一)模型設(shè)定及變量選擇

本文通過運(yùn)用QAP回歸方法,分析影響我國信用債風(fēng)險傳染的因素及作用機(jī)制。設(shè)置如下模型研究矩陣之間的關(guān)系:

被解釋變量aij是鄰接矩陣A中的元素,aij=1表示?。▍^(qū)、市)i的風(fēng)險會向省份j傳染,aij=0表示?。▍^(qū)、市)i的風(fēng)險不會向省份j傳染。在自變量的選取上,參考王周偉等(2019)、沈麗和劉媛(2020),本文認(rèn)為信用債風(fēng)險跨區(qū)域傳染會受到三類因素的影響:(1)兩?。▍^(qū)、市)之間的地理距離。距離越近的省份之間經(jīng)濟(jì)聯(lián)系往往越密切,發(fā)生風(fēng)險傳染的可能性越高,本文在模型中引入虛擬變量兩?。▍^(qū)、市)是否相鄰(neigij)、兩省(區(qū)、市)之間的鐵路貨運(yùn)量(railij)來刻畫這一影響機(jī)制。(2)兩?。▍^(qū)、市)之間的經(jīng)濟(jì)距離。用于衡量?。▍^(qū)、市)之間經(jīng)濟(jì)發(fā)展水平及經(jīng)濟(jì)結(jié)構(gòu)的差異,本文在模型中引入第二產(chǎn)業(yè)占GDP比重差異(secdij)、規(guī)模以上工業(yè)企業(yè)資產(chǎn)負(fù)債率差異(dtarij,)、財政收入占GDP比重差異(fislij)三項指標(biāo)。(3)兩?。▍^(qū)、市)之間的金融距離。衡量?。▍^(qū)、市)之間金融發(fā)展水平及融資結(jié)構(gòu)的差異,本文引入本外幣貸款占GDP比重的差異(loanij)、社會融資規(guī)模中債券比重的差異(bondij)兩項指標(biāo)。參考王周偉等(2019)的做法,我們對除neigij和railij之外的所有變量均取絕對值。本文采用2014年-2019年30個省份的年度數(shù)據(jù),其中信用債風(fēng)險傳染矩陣為本文測算所得,解釋變量數(shù)據(jù)來源于Wind數(shù)據(jù)庫和《中國統(tǒng)計年鑒》。上述各自變量的含義和計算方式如表4所示。

表4 QAP回歸解釋變量符號及含義

(二)QAP回歸結(jié)果

本文選擇5000次隨機(jī)置換,得到QAP回歸結(jié)果(見表5)。結(jié)論表明:(1)?。▍^(qū)、市)之間的地理距離會影響相互之間的風(fēng)險聯(lián)動?;貧w結(jié)果中,2014年和2016年neig的系數(shù)顯著為負(fù),表明距離越近的省份之間發(fā)生信用債風(fēng)險傳染的概率越高,我國的信用債區(qū)域集聚的特征。這與現(xiàn)實中的情況基本一致,如我國債券市場上存在“投資不過山海關(guān),買債不入云貴川”的說法,相鄰區(qū)域由于經(jīng)濟(jì)結(jié)構(gòu)的相似性及關(guān)聯(lián)關(guān)系的緊密性,往往容易出現(xiàn)風(fēng)險共振現(xiàn)象。但值得注意的是,2016年以后neig的回歸系數(shù)均不再顯著,風(fēng)險區(qū)域集聚的特征有所減弱,表明在樣本后期風(fēng)險傳染逐漸由區(qū)域內(nèi)集聚轉(zhuǎn)為區(qū)域間互動,這與上文的分析結(jié)論基本一致。(2)經(jīng)濟(jì)結(jié)構(gòu)越接近的省份發(fā)生風(fēng)險傳染的概率越高。secd在2015年和2017年顯著為負(fù);dtar在樣本期間的大部分年份顯著為負(fù);fisl在2014年和2018年顯著為負(fù)。表明產(chǎn)業(yè)結(jié)構(gòu)、負(fù)債狀況、償債能力越接近的省份間發(fā)生風(fēng)險傳染的概率越高。(3)金融結(jié)構(gòu)越接近的省(區(qū)、市)越容易發(fā)生風(fēng)險傳染。2015年和2018年loan的系數(shù)顯著為負(fù),其余年份不顯著;2014年和2018年bond的系數(shù)顯著為負(fù)。經(jīng)濟(jì)結(jié)構(gòu)和金融結(jié)構(gòu)越相似的,越容易發(fā)生風(fēng)險傳染,這與我國信用債風(fēng)險爆發(fā)和傳染的底層邏輯密切相關(guān)。劉春航和朱元倩(2011)指出,風(fēng)險產(chǎn)生于宏觀經(jīng)濟(jì)惡化的外部沖擊和自身經(jīng)營脆弱性的內(nèi)部沖擊兩大不確定因素,并經(jīng)過傳染進(jìn)一步放大。經(jīng)濟(jì)結(jié)構(gòu)和金融結(jié)構(gòu)越相似的?。▍^(qū)、市)越容易發(fā)生風(fēng)險傳染,主要是由于經(jīng)濟(jì)金融結(jié)構(gòu)越相似,區(qū)域內(nèi)部脆弱性也越相似,在面臨共同的外部沖擊時越容易引發(fā)外生互動(劉海明和曹廷求,2016)。這一結(jié)論很好地解釋了我國信用債風(fēng)險集聚性爆發(fā)的典型事實,如2018年的民營企業(yè)扎堆違約、2020年的國有企業(yè)扎堆違約,大多是由于外部沖擊引發(fā)部分經(jīng)濟(jì)主體違約,繼而經(jīng)濟(jì)結(jié)構(gòu)和金融結(jié)構(gòu)相似的企業(yè)受到?jīng)_擊,導(dǎo)致風(fēng)險出現(xiàn)傳染和聚集。

表5 QAP回歸結(jié)果

六、結(jié)論與政策建議

本文以銀行間和交易所信用債凈價指數(shù)為基礎(chǔ),手工構(gòu)建省際信用債指數(shù),并基于二元格蘭杰因果檢驗構(gòu)建信用債風(fēng)險的跨?。▍^(qū)、市)傳染網(wǎng)絡(luò),采用復(fù)雜網(wǎng)絡(luò)分析方法研究風(fēng)險傳染的時變特征和空間結(jié)構(gòu),最后運(yùn)用QAP方法考察信用債風(fēng)險傳染的影響因素。研究發(fā)現(xiàn):

(1)我國信用債風(fēng)險傳染網(wǎng)絡(luò)具有明顯的“小世界網(wǎng)絡(luò)特征”,風(fēng)險傳染網(wǎng)絡(luò)的密度為0.83,平均最短路徑為1.17,平均集聚系數(shù)為0.95,較高的集聚系數(shù)和較低的平均路徑表明?。▍^(qū)、市)之間的信用債風(fēng)險可以實現(xiàn)貫通,容易發(fā)生風(fēng)險的跨?。▍^(qū)、市)傳染。從時變角度看,信用債風(fēng)險呈現(xiàn)出周期性變動的特征,其中2017年3月和2020年末的網(wǎng)絡(luò)密度較高,風(fēng)險跨?。▍^(qū)、市)傳染的壓力較大。(2)從風(fēng)險傳染的板塊特征看,2019年之前的風(fēng)險傳染主要體現(xiàn)在處于不同經(jīng)濟(jì)板塊的?。▍^(qū)、市)之間,2019年之后的風(fēng)險傳染主要體現(xiàn)在處于相同經(jīng)濟(jì)板塊的省(區(qū)、市)之間。不同經(jīng)濟(jì)板塊風(fēng)險的互動模式差異明顯,東北地區(qū)當(dāng)前和域外省(區(qū)、市)的風(fēng)險關(guān)聯(lián)緊密;東部地區(qū)與域外?。▍^(qū)、市)的風(fēng)險關(guān)聯(lián)在2019年達(dá)到高點后開始回落;西北地區(qū)當(dāng)前主要體現(xiàn)為域內(nèi)?。▍^(qū)、市)的風(fēng)險傳染。(3)從風(fēng)險傳染的省份特征看,不同?。▍^(qū)、市)在風(fēng)險傳染中扮演不同角色。貴州、山東、遼寧等省(區(qū)、市)是風(fēng)險的放大器和傳染者;北京、山西既不容易受其他省(區(qū)、市)的影響,對其他省(區(qū)、市)的影響也較??;江蘇、浙江等東部發(fā)達(dá)?。▍^(qū)、市)以及湖北、湖南等?。▍^(qū)、市)是風(fēng)險的凈溢出者;內(nèi)蒙古、新疆、青海、河北等?。▍^(qū)、市)是風(fēng)險的凈溢入者。(4)從影響信用債風(fēng)險傳染的因素看,地理距離越近、經(jīng)濟(jì)結(jié)構(gòu)和金融結(jié)構(gòu)越相似的省份,區(qū)域內(nèi)部脆弱性也越相似,在面臨共同的外部沖擊時越容易引發(fā)風(fēng)險傳染。

上述研究結(jié)論對我國當(dāng)前化解債券市場風(fēng)險事件具有一定的借鑒意義:(1)構(gòu)建網(wǎng)絡(luò)化的信用債風(fēng)險治理體系。目前,我國信用債風(fēng)險呈現(xiàn)跨區(qū)域、網(wǎng)絡(luò)狀的交互影響格局,其空間關(guān)聯(lián)網(wǎng)絡(luò)具有較強(qiáng)連通性,一?。▍^(qū)、市)的信用債風(fēng)險會如同漣漪效應(yīng)般較快傳染。因此,相關(guān)部門應(yīng)立足全局,構(gòu)建地方政府關(guān)于防范信用債風(fēng)險的協(xié)商機(jī)制,系統(tǒng)性地重構(gòu)區(qū)域協(xié)同的信用債風(fēng)險網(wǎng)絡(luò)化治理體制。(2)要加快構(gòu)建信用債風(fēng)險預(yù)警機(jī)制。我國信用債風(fēng)險升易降難,在風(fēng)險爆發(fā)時呈現(xiàn)急迫性,同時債券風(fēng)險爆發(fā)以后持續(xù)期較長,債券市場風(fēng)險化解和處置難度大。因此,應(yīng)當(dāng)構(gòu)建科學(xué)高效的風(fēng)險預(yù)警機(jī)制,及時發(fā)現(xiàn)苗頭性風(fēng)險隱患,預(yù)判研判債券風(fēng)險傳染路徑,將債券風(fēng)險及時控制在萌芽狀態(tài),這是應(yīng)對債券風(fēng)險壓力,降低成本損失的最優(yōu)路徑。(3)推動開展信用債風(fēng)險治理的區(qū)域合作,建立信用債風(fēng)險防范和化解的區(qū)域合作機(jī)制,特別是對關(guān)鍵?。▍^(qū)、市)和區(qū)域的債券風(fēng)險,要落實屬地責(zé)任,及時介入出險企業(yè),切斷傳染鏈條,做好易感?。▍^(qū)、市)的保護(hù)工作。

猜你喜歡
傳染債券市場節(jié)點
分區(qū)域的樹型多鏈的無線傳感器網(wǎng)絡(luò)路由算法
債券市場數(shù)據(jù)
Our Mood Can Affect Others
基于移動匯聚節(jié)點和分簇的改進(jìn)節(jié)能路由算法
聽說,笑容是會“傳染”的
基于點權(quán)的混合K-shell關(guān)鍵節(jié)點識別方法
傳染
2016年11月債券市場人民幣業(yè)務(wù)統(tǒng)計
2016年10月債券市場人民幣業(yè)務(wù)統(tǒng)計
2016年9月債券市場人民幣業(yè)務(wù)統(tǒng)計
新巴尔虎右旗| 吉木乃县| 紫金县| 忻州市| 巍山| 临高县| 大城县| 长寿区| 宣武区| 临邑县| 通海县| 迁安市| 义乌市| 余干县| 绵竹市| 南江县| 合川市| 镇远县| 名山县| 济源市| 巴林右旗| 运城市| 陆良县| 阿勒泰市| 察隅县| 德庆县| 荃湾区| 台前县| 西贡区| 长汀县| 绥江县| 巴彦县| 罗定市| 汽车| 舞阳县| 开平市| 淳化县| 达日县| 武邑县| 盖州市| 新平|