有向网络视角下我国上市公司关联性对系统性风险的影响研究

有向网络视角下我国上市公司关联性对系统性风险的影响研究一、引言1.1研究背景与意义在全球经济一体化和金融市场不断发展的大背景下，我国金融市场取得了显著的进步，规模持续扩张，结构日益优化，金融创新层出不穷，在经济发展中扮演着愈发关键的角色。上市公司作为金融市场的核心主体，其运营状况和发展态势不仅关系到自身的生存与发展，更对整个金融市场的稳定和健康运行有着深远影响。随着金融市场的不断演进，上市公司之间的联系愈发紧密，关联性日益增强。这种关联性体现在多个方面，如股权关系、业务合作、资金往来等。例如，在股权关系上，上市公司之间相互持股的现象较为普遍，这使得它们的利益紧密相连；业务合作方面，不同上市公司在产业链上下游展开合作，共同推动产业的发展；资金往来上，通过银行贷款、债券发行等方式，上市公司之间形成了复杂的资金纽带。然而，这种紧密的关联性在促进金融市场协同发展的同时，也带来了不容忽视的系统性风险。当一家上市公司遭遇风险事件时，如财务危机、重大经营失误或市场冲击，风险会借助这些关联渠道迅速在上市公司之间传播扩散，进而可能引发整个金融市场的动荡，甚至对实体经济造成严重的负面影响。回顾2008年的全球金融危机，美国次贷危机引发了一系列金融机构的倒闭和市场的剧烈波动，其影响迅速蔓延至全球，导致众多上市公司遭受重创，经济陷入衰退。这一事件深刻地揭示了系统性风险的巨大破坏力以及上市公司关联性在风险传播中的关键作用。我国金融市场具有独特的特点和发展历程，上市公司的规模、行业分布、治理结构等方面与其他国家存在差异，这些因素都会对上市公司的关联性和系统性风险产生影响。我国上市公司数量众多，涵盖了多个行业，不同行业的上市公司之间的关联性和风险特征也有所不同。在金融市场不断开放和创新的背景下，新的金融产品和业务模式不断涌现，这也为上市公司的关联性和系统性风险带来了新的变化和挑战。深入研究我国上市公司的关联性和系统性风险具有极其重要的现实意义。从理论层面来看，目前对于上市公司关联性和系统性风险的研究仍存在一些不足。虽然已有研究在风险度量、关联关系分析等方面取得了一定成果，但在全面深入地理解上市公司关联性对系统性风险的影响机制，以及结合我国金融市场特点进行针对性研究方面，还有待进一步加强。本研究将运用有向网络分析等方法，从全新的视角深入剖析上市公司之间的关联关系和风险传播路径，为金融市场的理论研究提供新的思路和方法，有助于完善金融风险理论体系，丰富对金融市场复杂性的认识。从实践角度出发，准确把握上市公司的关联性和系统性风险，对于金融监管部门制定科学合理的监管政策、防范金融风险具有重要的指导意义。通过深入研究，可以帮助监管部门识别出系统重要性上市公司，加强对这些关键节点的监管，提高监管的针对性和有效性，从而维护金融市场的稳定。对于金融机构而言，了解上市公司的关联性和系统性风险，能够更好地进行风险管理和资产配置，降低自身面临的风险，提高经营的稳健性。投资者也可以根据研究结果，更加准确地评估投资风险，做出明智的投资决策，保护自身的投资利益。1.2研究方法与创新点本研究综合运用多种研究方法，从不同角度深入剖析我国上市公司的关联性与系统性风险，力求全面、准确地揭示其中的内在联系和规律。网络分析方法是本研究的核心方法之一。通过构建上市公司之间的有向网络，将上市公司视为网络中的节点，它们之间的各种关联关系，如股权关系、业务合作关系、资金往来关系等，视为网络中的边，以此来直观地呈现上市公司之间复杂的关联结构。运用节点度、中心性、连通性等网络分析指标，深入挖掘网络的拓扑结构特征，准确识别在关联网络中处于关键地位的上市公司，即系统重要性上市公司。节点度可以反映上市公司与其他公司的关联数量，中心性指标则能衡量上市公司在网络中的影响力和控制能力，连通性用于评估整个网络的连接紧密程度。通过这些指标的分析，能够清晰地了解上市公司在关联网络中的地位和作用，以及网络整体的稳定性和风险传播的潜在路径。在对我国上市金融机构关联性的研究中，运用网络分析方法发现银行与券商之间的关联程度较高，银行和券商在关联网络中的节点度和中心性较高，在金融体系中占据重要地位。实证分析方法也是本研究的重要手段。收集我国上市公司的财务数据、市场交易数据等多源数据，运用计量经济学模型进行实证检验，以验证理论假设和研究观点。通过建立回归模型，分析上市公司关联性的影响因素，如公司规模、行业属性、股权结构等对关联性的影响方向和程度。在研究系统性风险时，构建风险度量模型，定量评估上市公司的系统性风险水平，并探究关联性与系统性风险之间的因果关系和传导机制。通过实证分析，能够为研究结论提供坚实的数据支持，增强研究的科学性和可靠性。在研究山东省创业板上市公司系统性风险时，通过搜集整理相关财务报表、年度报告和市场数据等，运用实证研究验证了市场波动性、政策调整和行业竞争度等因素对系统性风险的影响。本研究在研究视角和研究内容上具有一定的创新之处。在研究视角方面，从有向网络视角出发，突破了以往对上市公司关联性和系统性风险研究中仅关注简单关联关系或单一风险因素的局限，充分考虑了关联关系的方向性和复杂性，能够更全面、深入地揭示上市公司之间的关联结构以及系统性风险的传播路径。有向网络能够准确反映风险在上市公司之间的传播方向，有助于更精准地识别风险源和风险传播的关键节点，为风险防范提供更有针对性的建议。在研究内容上，本研究不仅关注上市公司关联性和系统性风险的现状分析，还深入探究了两者之间的内在联系和作用机制，从多个维度进行研究。考虑不同行业上市公司的关联性差异以及对系统性风险的不同影响，分析宏观经济环境、政策变化等外部因素对上市公司关联性和系统性风险的动态影响，为金融市场参与者提供更具综合性和前瞻性的决策依据。1.3研究思路与框架本研究遵循从理论基础到实证分析，再到结论与建议的逻辑思路，深入剖析有向网络视角下我国上市公司关联性与系统性风险。在理论基础部分，对国内外关于上市公司关联性和系统性风险的研究进行全面梳理，阐述复杂网络理论和系统性风险理论。详细介绍复杂网络理论中关于节点、边、网络拓扑结构等基本概念，以及度中心性、接近中心性、中介中心性等重要指标在衡量节点重要性和网络结构特征方面的原理和应用。在系统性风险理论方面，明确系统性风险的定义、特征和度量方法，分析系统性风险的形成机制，如金融机构的同质化行为、信息不对称、市场流动性不足等因素如何导致系统性风险的产生，以及风险在金融体系内的传播途径，包括金融机构之间的业务关联、资产负债关联、市场信心传导等，为后续研究奠定坚实的理论基础。在研究上市公司关联性时，基于复杂网络理论，介绍如何将上市公司视为节点，它们之间的关联关系视为边，构建有向网络来分析上市公司之间的复杂关联结构。在实证分析阶段，收集我国上市公司的财务数据、股权结构数据、市场交易数据等多源数据。运用网络分析方法，构建上市公司的有向关联网络，从网络的整体特征和节点特征两个层面进行深入分析。对于网络整体特征，通过计算网络密度、平均路径长度、聚类系数等指标，揭示网络的连通性、紧密程度和结构特性。网络密度反映网络中实际存在的边与可能存在的边的比例，体现网络的连通紧密程度；平均路径长度表示网络中任意两个节点之间最短路径的平均值，反映信息在网络中传播的效率；聚类系数用于衡量节点的聚集程度，体现网络的局部紧密性。在节点特征分析中，利用度中心性、接近中心性、中介中心性等指标，识别在关联网络中处于关键地位的上市公司，即系统重要性上市公司。度中心性衡量节点与其他节点直接连接的数量，反映节点在网络中的活跃程度；接近中心性度量节点到其他所有节点的最短路径之和的倒数，体现节点在网络中获取信息的便捷程度；中介中心性计算节点位于其他节点最短路径上的次数比例，衡量节点对网络中信息传递的控制能力。通过实证分析，深入探究上市公司关联性对系统性风险的影响机制。运用格兰杰因果检验、回归分析等计量经济学方法，从多个角度进行研究。分析不同行业上市公司关联性的差异，以及这些差异如何影响系统性风险的传播和放大。在不同市场环境下，如牛市、熊市或市场波动较大时期，研究上市公司关联性与系统性风险之间的动态关系，探讨宏观经济环境、政策变化等因素对两者关系的调节作用。通过脉冲响应函数和方差分解等方法，分析当某个上市公司出现风险冲击时，风险如何在关联网络中传播，以及对整个系统的影响程度和持续时间。最后，根据研究结论，从金融监管部门、金融机构和投资者三个层面提出针对性的建议。对于金融监管部门，建议加强对系统重要性上市公司的监管，建立健全风险预警机制，完善金融监管体系，加强国际监管合作，以提高金融市场的稳定性，防范系统性风险的发生。金融机构应加强风险管理，优化资产配置，提高自身的风险抵御能力，加强与其他机构的合作与信息共享，共同应对系统性风险。投资者则需要增强风险意识，合理配置资产，通过分散投资降低风险，关注上市公司的关联性和系统性风险，做出明智的投资决策。基于上述研究思路，本论文的框架结构如下：第一章为引言，主要阐述研究背景与意义，介绍我国金融市场发展背景下上市公司关联性和系统性风险的重要性，以及本研究在理论和实践方面的意义。详细说明研究方法，包括网络分析方法和实证分析方法的具体应用，阐述本研究在研究视角和内容上的创新点，为后续研究做好铺垫。第一章为引言，主要阐述研究背景与意义，介绍我国金融市场发展背景下上市公司关联性和系统性风险的重要性，以及本研究在理论和实践方面的意义。详细说明研究方法，包括网络分析方法和实证分析方法的具体应用，阐述本研究在研究视角和内容上的创新点，为后续研究做好铺垫。第二章是理论基础，对国内外关于上市公司关联性和系统性风险的研究文献进行综述，梳理已有研究的主要观点、方法和成果，分析现有研究的不足和有待进一步深入探讨的问题。详细阐述复杂网络理论和系统性风险理论，包括复杂网络的基本概念、指标以及系统性风险的定义、特征、度量方法和形成传播机制。第三章为上市公司关联性的实证分析，收集整理我国上市公司的相关数据，运用网络分析方法构建有向关联网络，对网络的整体特征，如网络密度、平均路径长度、聚类系数等进行分析，展示网络的连通性和结构特点。通过度中心性、接近中心性、中介中心性等指标，分析网络的节点特征，识别系统重要性上市公司，明确它们在关联网络中的关键地位和作用。第四章探讨上市公司关联性对系统性风险的影响机制，运用计量经济学方法，如格兰杰因果检验、回归分析等，验证上市公司关联性与系统性风险之间的因果关系，分析影响机制。从行业差异和市场环境差异两个角度，研究不同情况下关联性对系统性风险的不同影响，以及宏观经济环境、政策变化等因素的调节作用。第五章是结论与建议，总结研究的主要结论，概括上市公司关联性和系统性风险的现状、两者之间的关系以及影响机制。基于研究结论，分别从金融监管部门、金融机构和投资者三个层面提出具有针对性和可操作性的建议，为防范系统性风险、促进金融市场稳定发展提供参考。二、理论基础与文献综述2.1有向网络理论有向网络，又被称为有向图，作为复杂网络理论的关键构成部分，是一种特殊的图结构。在有向网络中，节点之间的连接是有方向的，每条边都具有明确的起点和终点，这一特性使其能够清晰地描述事物之间的单向关系，如信息流、能量流或因果关系等。有向网络由节点集合和有向边集合组成，节点代表网络中的个体或元素，有向边则表示节点之间的特定关系。在一个描述企业供应链的有向网络中，节点可以是各个企业，有向边则可以表示原材料或产品的供应方向，从供应商指向生产商，再从生产商指向销售商。与无向网络相比，有向网络具有独特的特点。无向网络中边的方向是对称的，节点之间的关系是相互的；而有向网络中边的方向性赋予了网络更丰富的信息和更复杂的结构。在社交网络中，无向网络可能仅表示用户之间的好友关系，而有向网络可以进一步表示用户之间的关注关系，能够更细致地描绘社交网络中的信息传播路径和影响力分布。有向网络中节点的度分为入度和出度，入度表示指向该节点的边的数量，反映了节点接收信息或受到影响的程度；出度表示从该节点出发的边的数量，体现了节点向外传播信息或施加影响的能力。这使得在分析有向网络时，能够从不同角度评估节点的重要性和作用。为了深入研究有向网络的结构和特性，一系列度量指标被广泛应用。度中心性在有向网络中分为入度中心性和出度中心性。入度中心性高的节点，如在信息传播网络中，意味着该节点收到大量其他节点传递的信息，可能是信息汇聚的关键节点；出度中心性高的节点则是信息的重要传播源，能够将信息广泛地传递给其他节点。中介中心性用于衡量一个节点在网络中控制信息传递路径的能力。在有向网络中，中介中心性高的节点处于许多其他节点之间的最短路径上，对信息的流通起着关键的桥梁作用，能够影响信息传播的效率和方向。接近中心性分为入接近中心性和出接近中心性。入接近中心性反映节点从其他节点获取信息的便捷程度，入接近中心性高的节点能够快速接收来自各个方向的信息；出接近中心性表示节点向其他节点传播信息的效率，出接近中心性高的节点能够迅速将信息传递到网络的各个角落。近年来，有向网络理论在金融领域得到了广泛的应用。在研究金融机构之间的风险传播时，通过构建有向网络，将金融机构视为节点，它们之间的资金借贷、股权关系、业务往来等视为有向边，能够清晰地展示风险在金融机构之间的传播方向和路径。当一家银行向另一家银行提供贷款时，在有向网络中可以用一条从贷款银行指向借款银行的有向边表示，通过分析这样的有向网络，可以识别出在风险传播中处于关键位置的金融机构，即系统重要性金融机构。在股票市场研究中，有向网络可以用于分析股票之间的价格波动传导关系。如果一只股票价格的变化会引起其他股票价格的相应变化，那么可以在有向网络中用有向边连接这两只股票，通过研究网络的拓扑结构和节点特征，能够深入了解股票市场的波动规律和风险传递机制。对于研究上市公司关联性而言，有向网络理论具有重要的作用。它能够全面、直观地呈现上市公司之间复杂的关联关系。上市公司之间存在着股权控制、业务合作、资金往来等多种关联关系，这些关系往往具有方向性。一家上市公司可能是另一家上市公司的大股东，对其经营决策具有控制权，这种股权控制关系可以用有向边清晰地表示出来。通过有向网络分析，可以准确识别在关联网络中处于核心地位的上市公司。这些核心上市公司通常具有较高的度中心性、中介中心性和接近中心性，它们在关联网络中扮演着信息枢纽、资源调配中心的角色，对整个关联网络的稳定性和运行效率有着重要影响。一旦这些核心上市公司出现风险，可能会迅速引发关联网络中其他公司的连锁反应，导致系统性风险的发生。有向网络理论还能够帮助研究人员深入分析上市公司关联性对系统性风险的影响机制。通过模拟风险在有向网络中的传播过程，研究不同节点的风险承受能力和传播能力，可以揭示系统性风险的形成和演化规律，为金融监管部门制定有效的风险防范政策提供理论依据。2.2上市公司关联性理论上市公司关联性，是指上市公司之间基于各种经济联系而形成的相互依存、相互影响的关系。这种关联性体现在多个层面，涵盖股权、业务、资金、信息等诸多方面。从股权关联来看，上市公司之间通过相互持股、交叉持股等方式，形成紧密的股权纽带。一家上市公司持有另一家上市公司的股份，使其在被持股公司的决策中拥有一定的话语权，进而影响其经营战略和财务决策。业务关联则表现为上市公司在产业链上下游的合作关系。一家从事电子元件生产的上市公司，可能与多家电子产品制造企业存在业务往来，为其提供关键的生产原料，这种业务关联使得它们在市场波动、行业政策调整等情况下，面临共同的风险和机遇。资金关联方面，上市公司之间的借贷、担保、资金拆借等活动频繁，形成复杂的资金网络。一家上市公司为另一家上市公司提供贷款担保，当被担保公司出现财务危机时，担保公司也可能面临资金损失的风险。信息关联则体现在上市公司之间通过信息共享、市场传闻等方式，相互影响对市场的预期和决策。一家上市公司发布的重大利好消息，可能会引发同行业其他上市公司股价的波动。根据关联的性质和方式，上市公司关联性主要可分为股权关联、业务关联和资金关联。股权关联是基于股权关系而产生的关联性。上市公司通过直接或间接持有其他公司的股权，实现对其经营决策的控制或影响。这种关联关系在企业集团中尤为常见，母公司通过持有子公司的股权，对子公司的战略规划、投资决策、财务管理等方面进行统一协调和管理。业务关联是基于业务合作而形成的关联性。上市公司在生产、销售、研发等业务环节展开合作，实现资源共享、优势互补。在汽车产业中，汽车整车制造企业与零部件供应商之间存在紧密的业务关联，零部件供应商为整车制造企业提供高质量的零部件，整车制造企业则为零部件供应商提供稳定的市场需求。资金关联是基于资金往来而产生的关联性。上市公司之间通过贷款、债券发行、资金拆借等方式进行资金融通，满足各自的资金需求。一家上市公司可能通过发行债券从其他上市公司募集资金，以支持自身的项目投资和业务拓展。上市公司关联性的形成机制是多种因素共同作用的结果。经济利益驱动是核心因素之一。上市公司为了追求利润最大化，通过与其他公司建立关联关系，实现资源的优化配置和协同效应。通过股权关联，上市公司可以实现对产业链上下游企业的整合，降低交易成本，提高市场竞争力；通过业务关联，上市公司可以拓展业务领域，实现多元化发展，分散经营风险。市场竞争压力也是促使上市公司建立关联性的重要因素。在激烈的市场竞争中，上市公司为了获取更多的市场份额和资源，通过与其他公司合作，增强自身的实力。一家小型上市公司可能通过与大型上市公司建立业务关联，借助其品牌、渠道和技术优势，提升自身的市场地位。政策法规的引导和规范也对上市公司关联性的形成产生影响。政府为了促进产业升级和经济结构调整，出台相关政策鼓励上市公司之间的并购重组和战略合作，从而推动了股权关联和业务关联的发展。金融市场的发展和创新为上市公司关联性的形成提供了便利条件。金融机构提供的多样化金融产品和服务，如股权融资、债券融资、供应链金融等，为上市公司之间的资金关联和业务关联提供了更多的选择和渠道。上市公司关联性对公司经营和市场具有多方面的影响。从公司经营角度来看，关联性为上市公司带来了协同效应和规模经济。通过股权关联和业务关联，上市公司可以实现资源共享、优势互补，提高生产效率和创新能力。在科技领域，一些上市公司通过股权关联建立研发合作平台，整合各方的研发资源，加速技术创新和产品升级。关联性也有助于上市公司拓展市场渠道和客户资源。通过业务关联，上市公司可以借助合作伙伴的销售网络和客户群体，扩大产品的市场覆盖面，提高市场份额。然而，关联性也可能带来经营风险的传递和放大。当一家上市公司出现财务危机、经营失误或市场冲击时，风险会通过关联关系迅速传播到其他公司。在2008年金融危机中，雷曼兄弟的破产引发了其关联公司的连锁反应，许多与雷曼兄弟有业务往来和资金关联的上市公司遭受重创。从市场角度来看，上市公司关联性增强了市场的连通性和信息传递效率。上市公司之间的关联关系使得市场信息能够更迅速地在不同公司之间传播，提高了市场的透明度和有效性。关联性也有助于优化市场资源配置。通过股权关联和业务关联，市场资源能够向更有竞争力和发展潜力的上市公司集中，促进产业结构的优化升级。过度的关联性可能导致市场风险的集聚和系统性风险的增加。当上市公司之间的关联关系过于紧密时，一个微小的风险事件可能引发整个市场的连锁反应，导致市场的不稳定。2.3系统性风险理论系统性风险，是指由于全局性的共同因素引起的金融市场整体的不确定性增加，导致金融体系出现不稳定，进而对实体经济产生严重负面影响的风险。这种风险具有不可分散性，它不是个别金融机构或个别市场所特有的，而是整个金融市场面临的共同风险。在2008年全球金融危机中，美国次贷危机引发了全球金融市场的剧烈动荡，众多金融机构倒闭，股市暴跌，失业率大幅上升，实体经济陷入衰退，这充分体现了系统性风险的巨大破坏力。系统性风险具有显著的特征。它具有普遍性，能够影响到整个金融市场的大部分参与者，包括金融机构、企业和投资者等。在金融危机期间，几乎所有的金融机构都面临着流动性紧张、资产减值等问题，企业的融资难度加大，投资者的资产大幅缩水。系统性风险具有传染性，当一家重要的金融机构出现危机时，风险会通过各种关联渠道迅速传播到其他金融机构和市场，引发连锁反应。一家银行的倒闭可能导致其关联的企业无法获得贷款，进而影响企业的正常运营，这些企业的困境又会进一步影响到与之有业务往来的其他企业和金融机构。系统性风险还具有突发性和不可预测性，往往在市场参与者毫无防备的情况下突然爆发，而且很难准确预测其发生的时间和影响程度。度量系统性风险是金融风险管理的重要环节，目前常用的度量方法主要有基于市场数据的方法和基于宏观经济数据的方法。基于市场数据的方法中，常用的指标包括风险价值（VaR）、条件风险价值（CVaR）和预期损失（ES）等。风险价值（VaR）是指在一定的置信水平下，某一金融资产或投资组合在未来特定时期内可能遭受的最大损失。在95%的置信水平下，某投资组合的VaR值为100万元，意味着在未来一段时间内，该投资组合有95%的可能性损失不会超过100万元。条件风险价值（CVaR）则是在VaR的基础上，进一步考虑了超过VaR值的损失的平均水平，它衡量了在极端情况下投资组合的损失程度。预期损失（ES）同样关注极端情况下的损失，它表示在给定的置信水平下，投资组合损失超过VaR值的平均损失。基于宏观经济数据的方法，主要通过构建宏观经济指标体系来度量系统性风险。这些指标包括国内生产总值（GDP）增长率、通货膨胀率、失业率、利率、汇率等。GDP增长率的下降可能预示着经济增长放缓，企业盈利预期下降，从而增加系统性风险；通货膨胀率过高可能导致货币政策收紧，利率上升，企业融资成本增加，金融市场波动加剧。通过分析这些宏观经济指标的变化趋势及其相互关系，可以对系统性风险进行评估和预警。系统性风险在金融市场中具有重要的地位和影响。它对金融市场的稳定构成严重威胁，一旦系统性风险爆发，可能导致金融市场的崩溃，引发金融恐慌，破坏金融市场的正常运行秩序。在1929年的美国经济大萧条中，股市暴跌，大量银行倒闭，金融市场陷入瘫痪，给美国经济和全球经济带来了巨大的灾难。系统性风险还会对实体经济产生深远的负面影响。金融市场的不稳定会导致企业融资困难，投资减少，生产规模收缩，进而影响就业和居民收入，阻碍经济的增长和发展。在金融危机期间，许多企业因无法获得足够的资金支持而破产，大量工人失业，消费市场萎缩，经济陷入衰退。系统性风险还会影响投资者的信心和行为，导致市场资金外流，资产价格下跌，进一步加剧金融市场的不稳定。2.4文献综述在上市公司关联性与系统性风险关系的研究领域，国内外学者从多个角度展开了深入探究，取得了一系列具有重要价值的研究成果。国外学者在该领域的研究起步较早，成果丰硕。Billio等运用主成分分析和格兰杰因果检验等方法，对金融机构之间的关联性进行了研究，发现金融机构之间存在显著的关联性，且这种关联性在金融危机期间会显著增强，进而加大系统性风险。他们通过对大量金融机构数据的分析，构建了关联性度量模型，清晰地展示了金融机构之间的风险传递路径。在研究中发现，银行与保险公司之间的关联性在危机期间会变得更加紧密，一家银行的危机可能会迅速波及保险公司，导致整个金融体系的不稳定。Adrian和Brunnermeier提出了条件在险价值（CoVaR）方法，用于度量金融机构对系统性风险的贡献，研究表明金融机构的规模、杠杆率和关联性等因素与系统性风险密切相关。他们通过对不同金融机构的CoVaR值进行计算和分析，发现规模较大、杠杆率较高且与其他机构关联性较强的金融机构，在系统性风险的形成和传播中往往扮演着关键角色。在2008年金融危机中，雷曼兄弟等大型金融机构的倒闭，正是由于其高杠杆率和广泛的关联性，引发了全球金融市场的剧烈动荡。国内学者也结合我国金融市场的特点，对上市公司关联性与系统性风险进行了大量研究。范小云等从网络层次结构视角出发，运用复杂网络分析方法，对我国系统重要性银行进行了评估，发现银行在金融关联网络中处于核心地位，其关联性对系统性风险的影响显著。他们通过构建银行间的关联网络，分析网络的拓扑结构和节点特征，识别出了在金融体系中具有重要影响力的银行。研究发现，这些系统重要性银行的关联性越强，金融体系的稳定性就越容易受到威胁，一旦这些银行出现风险，可能会引发整个金融网络的连锁反应。王纲金等采用TENET模型构建尾部风险溢出网络，对我国金融机构关联性与系统性风险贡献进行了研究，发现金融系统总体关联性在危机与下行时处于高位水平，银行和保险机构相对证券机构而言对系统性风险的贡献程度更高。他们通过对金融机构之间的尾部风险溢出关系进行分析，揭示了系统性风险在金融机构之间的传播机制。在市场下行期间，银行和保险机构之间的风险溢出效应更为明显，它们之间的紧密关联会导致系统性风险的迅速放大。尽管已有研究在上市公司关联性与系统性风险关系的研究方面取得了一定的成果，但仍存在一些不足之处。在研究视角上，部分研究仅关注单一的关联关系，如股权关联或业务关联，未能全面考虑上市公司之间复杂多样的关联关系，导致对关联性的分析不够全面深入。在风险度量方面，现有的度量方法虽然能够在一定程度上衡量系统性风险，但仍存在局限性，难以准确捕捉风险的动态变化和复杂的风险传播路径。在研究内容上，对于宏观经济环境、政策变化等外部因素如何影响上市公司关联性与系统性风险之间的关系，以及不同行业上市公司关联性和系统性风险的异质性研究还相对较少。本文将在已有研究的基础上，从有向网络视角出发，全面考虑上市公司之间的股权、业务、资金等多种关联关系，构建更加完善的关联网络模型。运用更加先进的风险度量方法，结合机器学习和大数据分析技术，更准确地度量系统性风险，并深入分析其动态变化特征。从多个维度深入研究上市公司关联性对系统性风险的影响机制，包括不同行业、不同市场环境下的影响差异，以及宏观经济环境、政策变化等外部因素的调节作用，以期为金融市场的稳定发展和风险管理提供更具针对性和实用性的建议。三、我国上市公司关联性的有向网络构建3.1数据来源与样本选取本研究的数据来源丰富多样，涵盖多个权威渠道，以确保数据的全面性、准确性和可靠性。财务数据主要来源于万得（Wind）数据库，该数据库整合了大量上市公司的财务报表信息，包括资产负债表、利润表、现金流量表等，为分析上市公司的财务状况和经营成果提供了基础数据。万得数据库提供了详细的财务指标数据，如营业收入、净利润、资产负债率等，这些数据对于评估上市公司的盈利能力、偿债能力和运营能力至关重要。股权结构数据同样取自万得（Wind）数据库，它详细记录了上市公司的股东信息、持股比例以及股权变动情况，能够清晰地展现上市公司之间的股权关联关系。通过这些数据，可以确定一家上市公司对另一家上市公司的持股比例，判断是否存在控股关系或重大影响。市场交易数据则来自国泰安（CSMAR）数据库，该数据库涵盖了股票价格、成交量、换手率等丰富的市场交易信息，为研究上市公司在市场中的表现和相互关系提供了重要依据。股票价格的波动和成交量的变化能够反映市场对上市公司的预期和关注度，通过分析这些数据，可以了解上市公司之间的市场关联。为了确保研究结果的有效性和代表性，样本选取遵循严格的标准和方法。本研究以A股上市公司为研究对象，时间跨度设定为2015-2024年。这一时间段涵盖了我国金融市场的多个发展阶段，包括市场的繁荣期、调整期和改革期，能够全面反映上市公司关联性和系统性风险的变化情况。在样本筛选过程中，首先剔除了ST、*ST类上市公司。这类公司通常面临财务困境或其他异常情况，其经营状况和风险特征与正常上市公司存在较大差异，可能会对研究结果产生干扰。ST公司往往连续亏损，财务指标异常，其关联性和风险表现可能不具有普遍性。对于数据缺失严重的上市公司也予以剔除。数据缺失会影响分析的准确性和完整性，导致研究结果出现偏差。若一家上市公司的关键财务数据或股权结构数据大量缺失，将无法准确评估其与其他公司的关联性和风险状况。考虑到金融行业上市公司的特殊性，将其单独列为研究对象。金融行业上市公司在业务模式、监管要求、风险特征等方面与非金融行业上市公司存在显著差异。金融机构的业务涉及大量的资金融通和风险承担，其关联性和系统性风险的形成机制更为复杂，因此有必要对金融行业上市公司进行单独分析。经过上述筛选过程，最终确定了[X]家非金融行业上市公司作为研究样本。这些样本涵盖了多个行业，包括制造业、信息技术业、房地产业、交通运输业等，能够较好地代表我国非金融行业上市公司的整体情况。各行业上市公司在样本中的分布相对均衡，避免了因行业过度集中而导致的研究结果偏差，确保了研究结论的普适性和可靠性。3.2有向网络构建方法构建上市公司有向关联网络，旨在清晰呈现上市公司之间复杂多样的关联关系，为深入研究关联性和系统性风险提供直观有效的分析框架。其原理基于有向网络理论，将上市公司视为网络中的节点，它们之间存在的各种关联关系，如股权关联、业务关联和资金关联等，视为有向边，从而构建出一个能够反映上市公司关联结构和风险传播路径的有向网络。在股权关联网络构建中，节点即为各个上市公司。若上市公司A持有上市公司B的股权，那么从上市公司A到上市公司B存在一条有向边，该边表示A对B的股权控制关系，方向从A指向B。边的权重设定依据股权比例确定，股权比例越高，权重越大，这意味着A对B的控制能力越强，两者之间的关联程度也越紧密。如果A持有B30%的股权，而持有C10%的股权，那么A与B之间的边的权重就会大于A与C之间边的权重。业务关联网络构建时，同样以上市公司作为节点。当上市公司之间存在业务往来，如一家汽车制造企业与零部件供应商之间存在长期的零部件供应合作关系，那么从零部件供应商到汽车制造企业会形成一条有向边，方向从供应商指向制造商，表明零部件的供应方向。边的权重可根据业务往来的金额、交易频率或合作的紧密程度来确定。若零部件供应商每年向汽车制造企业供应价值10亿元的零部件，且交易频率较高，合作紧密程度高，那么这条边的权重就会相对较大；反之，若业务往来金额较小，交易频率低，合作紧密程度低，权重则较小。资金关联网络构建中，节点依然是上市公司。若上市公司之间存在资金借贷关系，如上市公司M向上市公司N提供了一笔贷款，那么从M到N会产生一条有向边，方向从M指向N，表示资金的流向。边的权重可根据借贷金额、利率、还款期限等因素综合确定。如果M向N提供了1亿元的贷款，利率较高，还款期限较长，那么这条边的权重就会较大；若贷款金额较小，利率低，还款期限短，权重则较小。在确定节点和边之后，还需要对网络进行可视化处理，以便更直观地展示上市公司之间的关联关系。可以使用专业的网络分析软件，如Gephi、NetworkX等。在Gephi中，将构建好的有向网络数据导入软件，软件会根据节点和边的信息自动生成可视化的网络图形。通过调整节点的位置、大小和颜色，以及边的粗细和颜色等参数，可以更清晰地展示网络的结构和特征。将度中心性高的节点设置为较大的尺寸和醒目的颜色，以便突出在关联网络中处于核心地位的上市公司；根据边的权重调整边的粗细，权重越大，边越粗，从而直观地显示出上市公司之间关联程度的强弱。3.3关联网络的特征分析对构建好的上市公司有向关联网络进行特征分析，能够深入了解网络的结构特性和节点的重要性，为研究上市公司关联性和系统性风险提供关键依据。从网络整体特征来看，连通性是衡量网络结构稳定性和信息传播效率的重要指标。通过分析发现，我国上市公司有向关联网络具有一定的连通性，大部分上市公司能够通过直接或间接的关联关系相互连接。在股权关联网络中，许多大型企业集团通过层层持股的方式，将旗下众多上市公司紧密联系在一起，形成了一个较为庞大且连通的子网络。这意味着在金融市场中，信息和风险能够在上市公司之间相对顺畅地传播。当一家处于网络核心位置的上市公司发布重大战略调整或财务信息时，其影响能够迅速扩散到与之关联的其他上市公司，进而对整个关联网络产生影响。网络密度反映了网络中实际存在的边与可能存在的边的比例，体现了网络中节点之间联系的紧密程度。计算结果显示，我国上市公司有向关联网络的密度处于[X]的水平。与一些成熟金融市场的上市公司关联网络相比，这一密度相对较低，表明我国上市公司之间的关联关系还有进一步发展和加强的空间。不同类型的关联网络密度存在差异，股权关联网络的密度相对较高，这是因为股权关系是一种较为稳定和紧密的连接方式，上市公司之间通过股权纽带形成了较为紧密的联系；而业务关联网络和资金关联网络的密度相对较低，这可能是由于业务合作和资金往来受到市场环境、行业竞争等多种因素的影响，具有一定的灵活性和不确定性。在节点特征分析方面，度中心性是衡量节点在网络中重要性的基础指标。度中心性分为入度中心性和出度中心性，入度中心性高的节点，如在资金关联网络中，意味着该节点接收了大量其他节点的资金流入，可能是资金的汇聚中心，在资金调配和资源整合方面具有重要作用；出度中心性高的节点则是资金的重要输出源，对其他节点的资金状况和运营发展有着较大的影响力。通过计算发现，在我国上市公司有向关联网络中，部分大型金融机构和行业龙头企业具有较高的度中心性。在银行业中，一些国有大型银行在资金关联网络中入度中心性和出度中心性都很高，它们不仅吸收了大量社会资金，为其他上市公司提供了重要的融资渠道，还通过投资、贷款等方式，将资金投向众多上市公司，对整个金融市场的资金流动和资源配置起到了关键的引导作用。接近中心性度量节点在网络中获取信息或传播信息的便捷程度。入接近中心性高的节点能够快速接收来自其他节点的信息，在信息获取方面具有优势；出接近中心性高的节点则能够高效地将自身信息传播到网络的各个角落。在信息关联网络中，一些大型媒体类上市公司或行业信息平台企业具有较高的出接近中心性。这些企业通过自身的媒体渠道和信息传播平台，能够迅速将行业动态、市场趋势等信息传播给众多上市公司，对上市公司的决策和市场预期产生重要影响。在业务关联网络中，一些处于产业链核心位置的上市公司具有较高的入接近中心性，它们能够及时获取上下游企业的生产、供应等信息，从而更好地协调自身的生产和经营活动。中介中心性用于衡量节点在网络中控制信息传播路径的能力。中介中心性高的节点处于许多其他节点之间的最短路径上，对信息的流通起着关键的桥梁作用，能够影响信息传播的效率和方向。在我国上市公司有向关联网络中，一些大型金融控股集团和综合性企业集团具有较高的中介中心性。这些企业通过多元化的业务布局和广泛的股权、业务关联，连接了众多不同行业的上市公司，成为信息传播和资源调配的关键枢纽。当市场出现重大变化或政策调整时，这些中介中心性高的企业能够迅速感知并将相关信息传递给关联的上市公司，同时也能够在不同上市公司之间进行资源的协调和整合，对整个关联网络的稳定性和运行效率有着重要影响。四、我国上市公司关联性与系统性风险的实证分析4.1研究假设提出基于前文的理论分析和已有文献研究，提出以下关于我国上市公司关联性与系统性风险关系的研究假设，旨在通过实证分析深入探究两者之间的内在联系和作用机制。假设1：上市公司关联性与系统性风险正相关。在金融市场中，上市公司之间通过股权关联、业务关联和资金关联等多种方式紧密相连。股权关联使得上市公司在股权结构上相互交织，一家公司的股权变动可能影响到其他关联公司的股权结构和控制权，进而影响其经营决策和财务状况。业务关联则使上市公司在生产、销售等业务环节相互依赖，一旦某个环节出现问题，就可能引发连锁反应。资金关联使得上市公司之间的资金流动相互影响，资金链的断裂可能导致风险在关联公司之间迅速传播。当上市公司关联性增强时，风险在上市公司之间传播的渠道增多且速度加快，单个上市公司的风险更容易扩散至整个关联网络，从而加大系统性风险。在2008年金融危机中，众多金融机构因紧密的关联性，一家金融机构的倒闭引发了其他关联金融机构的流动性危机和资产减值，最终导致系统性风险的爆发。假设2：在不同行业中，上市公司关联性对系统性风险的影响存在差异。不同行业的上市公司在经营模式、市场竞争环境、产业链位置等方面存在显著差异，这些差异导致其关联性和系统性风险特征各不相同。制造业上市公司通常具有较长的产业链，其业务关联主要体现在原材料供应、产品生产和销售等环节，与上下游企业的关联紧密程度较高。当制造业上游原材料供应商出现供应短缺或价格大幅波动时，会通过业务关联影响到下游生产企业的成本和生产进度，进而影响整个产业链的稳定性，对系统性风险产生较大影响。而信息技术行业上市公司则更注重技术创新和市场份额的争夺，其关联性可能更多地体现在技术合作和市场竞争关系上，技术创新的失败或市场份额的突然下降可能引发行业内的连锁反应，对系统性风险的影响方式和程度与制造业有所不同。服务业上市公司的关联性和系统性风险特征又具有自身的特点，其业务关联可能更多地依赖于客户资源和服务质量，客户流失或服务质量下降可能导致业务量减少和收入降低，通过关联关系影响到相关企业，对系统性风险产生独特的影响。假设3：宏观经济环境和政策变化对上市公司关联性与系统性风险的关系具有调节作用。宏观经济环境的变化，如经济增长速度、通货膨胀率、利率水平等，会直接影响上市公司的经营状况和市场预期。在经济繁荣时期，市场需求旺盛，上市公司的经营业绩普遍较好，关联性对系统性风险的影响相对较小。因为此时上市公司有较强的抗风险能力，能够在一定程度上抵御风险的传播和扩散。当经济增长放缓时，市场需求下降，上市公司的盈利能力受到挑战，关联性所带来的风险传播效应可能会被放大。一家上市公司的业绩下滑可能会通过关联关系导致其他公司的业绩也受到影响，从而增加系统性风险。政策变化，如货币政策、财政政策、产业政策等，也会对上市公司关联性与系统性风险的关系产生重要影响。宽松的货币政策会增加市场流动性，降低上市公司的融资成本，有利于缓解因关联性带来的资金压力，从而减弱关联性对系统性风险的影响。而紧缩的货币政策则会使市场流动性减少，上市公司融资难度加大，关联性可能导致风险在上市公司之间更迅速地传播，加大系统性风险。产业政策的调整会引导资源在不同行业之间的配置，影响上市公司的发展战略和关联关系，进而对系统性风险产生调节作用。4.2模型设定与变量选取为了深入探究我国上市公司关联性与系统性风险之间的关系，构建如下实证模型：SR_{it}=\alpha_0+\alpha_1Connect_{it}+\sum_{j=1}^{n}\alpha_{1+j}Controls_{ijt}+\epsilon_{it}其中，i表示第i家上市公司，t表示年份。SR_{it}为被解释变量，代表第i家上市公司在t时期的系统性风险；Connect_{it}为核心解释变量，衡量第i家上市公司在t时期的关联性；Controls_{ijt}为控制变量，j表示控制变量的个数，用于控制其他可能影响系统性风险的因素；\alpha_0为常数项，\alpha_1、\alpha_{1+j}为各变量的系数，\epsilon_{it}为随机误差项。在变量选取方面，系统性风险作为被解释变量，采用条件风险价值（CoVaR）进行度量。条件风险价值（CoVaR）是指在给定其他金融机构处于困境的条件下，某一金融机构的风险价值。其计算方法基于分位数回归模型，通过估计在不同分位数水平下金融机构之间的风险溢出效应来确定。具体而言，对于上市公司i，其CoVaR_{i|q}表示在市场处于q分位数的极端情况下，上市公司i的风险价值。在实际计算中，先对市场组合的收益率进行分位数设定，通常选取5\%或1\%的分位数，代表市场处于极端下跌的情况。然后，通过回归分析，将上市公司i的收益率对市场组合收益率进行回归，得到在市场处于极端情况下上市公司i的收益率分布，进而确定CoVaR_{i|q}的值。CoVaR的值越大，表明该上市公司对系统性风险的贡献越大，自身面临的系统性风险也越高。关联性作为核心解释变量，运用网络中心性指标进行衡量。网络中心性指标能够综合反映上市公司在关联网络中的地位和作用，进而体现其关联性的强弱。度中心性用于衡量节点与其他节点直接连接的数量，度中心性越高，说明该上市公司与其他上市公司的直接关联越多，在关联网络中越活跃。在股权关联网络中，一家上市公司持有多家其他上市公司的股权，其度中心性就会较高。接近中心性度量节点到其他所有节点的最短路径之和的倒数，接近中心性越高，表明该上市公司在网络中获取信息或传播信息的效率越高，与其他上市公司的关联越紧密。中介中心性计算节点位于其他节点最短路径上的次数比例，中介中心性越高，意味着该上市公司在网络中控制信息传播路径的能力越强，对其他上市公司之间的关联起到关键的桥梁作用。为了更全面准确地分析上市公司关联性与系统性风险之间的关系，控制变量选取多个可能影响系统性风险的因素。公司规模选取上市公司的总资产的自然对数作为衡量指标，总资产越大，公司规模越大，通常其在市场中的影响力和抗风险能力也越强，但同时也可能因为规模庞大而对系统性风险产生更大的影响。资产负债率用于衡量上市公司的偿债能力，反映公司负债与资产的比例关系，资产负债率越高，说明公司的债务负担越重，面临的财务风险越大，可能更容易受到系统性风险的冲击。股权集中度通过第一大股东持股比例来度量，股权集中度越高，大股东对公司的控制能力越强，公司的决策可能更倾向于大股东的利益，这可能对公司的风险承担和系统性风险产生影响。行业虚拟变量用于控制不同行业的特性对系统性风险的影响，由于不同行业的市场竞争环境、产业链结构、监管政策等存在差异，其关联性和系统性风险特征也各不相同，设置行业虚拟变量可以更准确地分析上市公司关联性与系统性风险之间的关系。4.3实证结果与分析对收集到的数据进行整理和分析，运用Stata、SPSS等统计分析软件，对前文构建的模型进行回归估计，以揭示我国上市公司关联性与系统性风险之间的关系，并对研究假设进行检验。表1展示了主要变量的描述性统计结果。从系统性风险（CoVaR）来看，其均值为[X]，标准差为[X]，说明不同上市公司的系统性风险水平存在一定差异。最小值为[X]，表明部分上市公司面临的系统性风险相对较低；最大值为[X]，显示个别上市公司的系统性风险较高，对金融市场的稳定性可能产生较大影响。在关联性指标方面，度中心性的均值为[X]，反映了上市公司在关联网络中平均与[X]个其他上市公司存在直接关联。度中心性的最大值为[X]，说明部分上市公司与众多其他上市公司有紧密的直接联系，在关联网络中处于核心位置；最小值为[X]，表示少数上市公司的直接关联较少。接近中心性的均值为[X]，体现了上市公司在关联网络中获取和传播信息的平均效率。接近中心性较高的上市公司能够更快速地与其他公司进行信息交互，对市场变化的反应更为灵敏。中介中心性的均值为[X]，表明上市公司在关联网络中控制信息传播路径的平均能力。中介中心性高的上市公司在信息传播过程中起着关键的桥梁作用，能够影响其他上市公司之间的信息流通。对于控制变量，公司规模（Size）的均值为[X]，反映了样本上市公司的平均资产规模。资产负债率（Lev）的均值为[X]，说明样本上市公司的平均债务负担处于[X]的水平。股权集中度（Top1）的均值为[X]，显示第一大股东的平均持股比例，体现了上市公司的股权集中程度。变量观测值均值标准差最小值最大值CoVaR[样本数量][X][X][X][X]度中心性[样本数量][X][X][X][X]接近中心性[样本数量][X][X][X][X]中介中心性[样本数量][X][X][X][X]Size[样本数量][X][X][X][X]Lev[样本数量][X][X][X][X]Top1[样本数量][X][X][X][X]表1：主要变量描述性统计为了初步了解变量之间的关系，进行了相关性分析，结果如表2所示。系统性风险（CoVaR）与度中心性、接近中心性、中介中心性均在1%的水平上显著正相关。这表明上市公司在关联网络中的关联性越强，其系统性风险越高，初步支持了假设1。度中心性与接近中心性、中介中心性之间也存在显著的正相关关系，说明在关联网络中，与其他上市公司直接关联较多的公司，往往在信息获取和传播以及控制信息传播路径方面也具有较强的能力。公司规模（Size）与系统性风险（CoVaR）在5%的水平上显著正相关，说明规模较大的上市公司对系统性风险的贡献更大，可能是由于其在市场中的影响力较大，一旦出现风险，更容易引发市场的连锁反应。资产负债率（Lev）与系统性风险（CoVaR）在1%的水平上显著正相关，表明债务负担较重的上市公司面临更高的系统性风险，因为高负债可能导致公司在面临市场冲击时财务状况恶化，偿债能力下降，从而增加系统性风险。股权集中度（Top1）与系统性风险（CoVaR）的相关性不显著，说明股权集中度对系统性风险的影响不明显。变量CoVaR度中心性接近中心性中介中心性SizeLevTop1CoVaR1度中心性[X]***1接近中心性[X]***[X]***1中介中心性[X]***[X]***[X]***1Size[X]**0.0310.0280.0251Lev[X]***0.0430.0390.0410.118***1Top10.0230.0180.0160.0140.0350.0421注：*、、*分别表示在1%、5%、10%的水平上显著。表2：变量相关性分析进一步对构建的回归模型进行估计，结果如表3所示。模型（1）仅加入了核心解释变量关联性（Connect），结果显示，关联性的系数为[X]，在1%的水平上显著为正，表明上市公司关联性对系统性风险具有显著的正向影响，上市公司之间的关联程度越高，系统性风险越大，这与假设1一致。在模型（2）中加入了控制变量，包括公司规模（Size）、资产负债率（Lev）、股权集中度（Top1）和行业虚拟变量（Industry）。结果显示，关联性的系数为[X]，依然在1%的水平上显著为正，说明在控制了其他因素后，上市公司关联性与系统性风险之间的正相关关系依然稳健。公司规模（Size）的系数为[X]，在5%的水平上显著为正，表明公司规模越大，系统性风险越高。这是因为大型上市公司通常在市场中占据重要地位，其业务范围广泛，与众多其他公司存在关联，一旦出现风险，容易通过关联网络扩散，对整个金融市场产生较大冲击。资产负债率（Lev）的系数为[X]，在1%的水平上显著为正，说明资产负债率越高，上市公司面临的系统性风险越大。高资产负债率意味着公司的债务负担重，财务风险高，在市场波动时更容易陷入财务困境，进而增加系统性风险。股权集中度（Top1）的系数不显著，说明股权集中度对系统性风险的影响不明显。行业虚拟变量（Industry）的系数在不同行业之间存在差异，表明不同行业的系统性风险水平存在显著差异。变量（1）CoVaR（2）CoVaRConnect[X]***[X]***Size[X]**Lev[X]***Top10.021IndustryNoYesConstant[X]***[X]***N[样本数量][样本数量]R-squared0.1250.186注：*、、*分别表示在1%、5%、10%的水平上显著。表3：回归结果为了检验假设2，即不同行业中上市公司关联性对系统性风险的影响存在差异，按照证监会行业分类标准，将样本上市公司分为制造业、信息技术业、房地产业等多个行业，分别对各行业进行回归分析。结果如表4所示。在制造业中，关联性的系数为[X]，在1%的水平上显著为正，表明制造业上市公司关联性与系统性风险呈显著正相关。信息技术业中，关联性的系数为[X]，同样在1%的水平上显著为正，但系数值与制造业有所不同，说明信息技术业上市公司关联性对系统性风险的影响程度与制造业存在差异。房地产业中，关联性的系数为[X]，在5%的水平上显著为正，且系数值与制造业和信息技术业也不相同，进一步支持了假设2。不同行业的上市公司由于其经营模式、产业链位置、市场竞争环境等因素的差异，导致其关联性对系统性风险的影响存在显著差异。行业CoVaR制造业[X]***信息技术业[X]***房地产业[X]**......注：*、、*分别表示在1%、5%、10%的水平上显著。表4：不同行业回归结果为了验证假设3，即宏观经济环境和政策变化对上市公司关联性与系统性风险的关系具有调节作用，引入宏观经济变量国内生产总值（GDP）增长率和货币政策变量广义货币供应量（M2）增长率作为调节变量，构建调节效应模型进行分析。结果如表5所示。在模型（3）中，加入了GDP增长率与关联性的交互项（GDP×Connect），结果显示交互项的系数为[X]，在5%的水平上显著为负，说明GDP增长率对上市公司关联性与系统性风险之间的关系具有负向调节作用。当GDP增长率较高，经济处于繁荣时期，上市公司关联性对系统性风险的正向影响会减弱；当GDP增长率较低，经济增长放缓时，上市公司关联性对系统性风险的正向影响会增强。在模型（4）中，加入了M2增长率与关联性的交互项（M2×Connect），交互项的系数为[X]，在1%的水平上显著为正，表明M2增长率对上市公司关联性与系统性风险之间的关系具有正向调节作用。当M2增长率较高，货币政策宽松时，市场流动性充足，上市公司融资成本降低，关联性对系统性风险的正向影响会增强；当M2增长率较低，货币政策紧缩时，市场流动性减少，上市公司融资难度加大，关联性对系统性风险的正向影响会减弱。这表明宏观经济环境和政策变化确实对上市公司关联性与系统性风险的关系具有重要的调节作用。变量（3）CoVaR（4）CoVaRConnect[X]***[X]***GDP×Connect[X]**M2×Connect[X]***ControlYesYesConstant[X]***[X]***N[样本数量][样本数量]R-squared0.2050.223注：*、、*分别表示在1%、5%、10%的水平上显著。表5：调节效应回归结果上述实证结果具有重要的经济学意义。上市公司关联性与系统性风险之间的正相关关系表明，随着上市公司之间关联程度的不断提高，风险在上市公司之间传播的渠道和速度增加，单个上市公司的风险更容易扩散至整个金融市场，引发系统性风险。这意味着在金融市场中，需要高度关注上市公司之间的关联关系，加强对关联网络的监管，以防范系统性风险的发生。不同行业上市公司关联性对系统性风险影响的差异，为金融监管部门制定差异化的监管政策提供了依据。监管部门应根据不同行业的特点，有针对性地加强对行业内上市公司关联性的监管，重点关注那些关联性对系统性风险影响较大的行业，如制造业、房地产业等，制定相应的风险防范措施。宏观经济环境和政策变化对上市公司关联性与系统性风险关系的调节作用，说明宏观经济政策在防范系统性风险中具有重要作用。政府可以通过调整宏观经济政策，如财政政策、货币政策等，来调节上市公司的经营环境，影响其关联性和系统性风险。在经济繁荣时期，应适度收紧货币政策，抑制上市公司过度扩张和过度关联，降低系统性风险；在经济衰退时期，应采取积极的财政政策和宽松的货币政策，缓解上市公司的资金压力，增强其抗风险能力，降低关联性对系统性风险的负面影响。4.4稳健性检验为了确保研究结果的可靠性和稳定性，从多个角度对前文的实证结果进行稳健性检验，以验证上市公司关联性与系统性风险之间关系的稳健性。在替换变量方面，采用DeltaCoVaR指标替换原有的CoVaR指标来重新度量系统性风险。DeltaCoVaR表示在金融机构处于困境时，系统性风险的变化量，它能够更直观地反映金融机构对系统性风险的边际贡献。对于关联性指标，使用特征向量中心性（EigenvectorCentrality）代替度中心性、接近中心性和中介中心性。特征向量中心性不仅考虑了节点的直接连接数量，还考虑了与该节点相连的其他节点的重要性，能够更全面地衡量节点在网络中的重要性和影响力。重新进行回归分析，结果如表6所示。在模型（5）中，仅加入替换后的关联性指标（Connect_new），其系数为[X]，在1%的水平上显著为正，表明上市公司关联性与系统性风险依然呈显著正相关。在模型（6）中加入控制变量后，关联性指标的系数为[X]，同样在1%的水平上显著为正，这与前文的研究结果一致，说明替换变量后，上市公司关联性与系统性风险之间的正相关关系仍然稳健。变量（5）CoVaR_new（6）CoVaR_newConnect_new[X]***[X]***Size[X]**Lev[X]***Top10.023IndustryNoYesConstant[X]***[X]***N[样本数量][样本数量]R-squared0.1320.193注：*、、*分别表示在1%、5%、10%的水平上显著。表6：替换变量后的回归结果改变样本范围也是稳健性检验的重要方法。剔除了在样本期间内发生过重大资产重组或财务造假等异常事件的上市公司，这些异常事件可能会对公司的关联性和系统性风险产生较大影响，剔除它们可以使样本更加纯净，减少异常值对研究结果的干扰。重新对剩余样本进行回归分析，结果如表7所示。在模型（7）中，关联性指标的系数为[X]，在1%的水平上显著为正；在模型（8）中加入控制变量后，关联性指标的系数为[X]，依然在1%的水平上显著为正。这表明在改变样本范围后，上市公司关联性与系统性风险之间的正相关关系并未发生改变，进一步验证了研究结果的稳健性。变量（7）CoVaR（8）CoVaRConnect[X]***[X]***Size[X]**Lev[X]***Top10.020IndustryNoYesConstant[X]***[X]***N[新样本数量][新样本数量]R-squared0.1280.189注：*、、*分别表示在1%、5%、10%的水平上显著。表7：改变样本范围后的回归结果采用分位数回归方法对模型进行估计，以检验结果的稳健性。分位数回归可以更全面地反映解释变量对被解释变量不同分位数水平的影响，能够捕捉到变量之间在不同风险水平下的关系。分别在10%、25%、50%、75%和90%的分位数水平上进行回归，结果如表8所示。在不同分位数水平下，关联性指标的系数均为正，且在1%的水平上显著，说明上市公司关联性与系统性风险在不同风险水平下都呈现出显著的正相关关系。随着分位数水平的提高，关联性指标的系数略有上升，这表明在系统性风险较高的情况下，上市公司关联性对系统性风险的影响更加显著。这进一步验证了前文研究结果的稳健性，即上市公司关联性的增强会加大系统性风险。分位数（9）CoVaR（10）CoVaR（11）CoVaR（12）CoVaR（13）CoVaR10%[X]***[X]***[X]***[X]***[X]***25%[X]***[X]***[X]***[X]***[X]***50%[X]***[X]***[X]***[X]***[X]***75%[X]***[X]***[X]***[X]***[X]***90%[X]***[X]***[X]***[X]***[X]***ControlYesYesYesYesYesConstant[X]***[X]***[X]***[X]***[X]***N[样本数量][样本数量][样本数量][样本数量][样本数量]注：*、、*分别表示在1%、5%、10%的水平上显著。表8：分位数回归结果通过上述稳健性检验，从替换变量、改变样本范围和采用分位数回归方法等多个角度验证了上市公司关联性与系统性风险之间正相关关系的稳健性。这表明前文的研究结果具有较高的可靠性，为进一步深入研究和制定相关政策提供了坚实的基础。五、案例分析5.1案例选取依据为了更直观、深入地验证前文的研究结论，本部分选取中国石油天然气股份有限公司（以下简称“中国石油”）和中国石化上海石油化工股份有限公司（以下简称“上海石化”）作为案例分析对象。这两家公司的选取主要基于以下几个方面的考虑。从行业代表性来看，中国石油和上海石化均属于石油化工行业。石油化工行业是我国国民经济的重要支柱产业，产业链长、关联度高，与众多上下游产业密切相关，在经济发展中占据着举足轻重的地位。该行业具有资金密集、技术密集、资源依赖度高等特点，其发展状况对我国经济的稳定增长和能源安全具有重要影响。石油化工行业的上市公司在股权结构、业务运营和资金流动等方面存在着复杂的关联关系，能够很好地代表我国上市公司关联性的典型特征。在股权方面，大型石油化工企业往往存在国有资本控股以及相互持股的情况；业务上，从原油开采、炼制到产品销售，涉及众多环节和企业之间的合作；资金流动方面，由于项目投资规模大，企业之间的资金借贷、融资担保等活动频繁。从风险事件典型性角度分析，中国石油作为我国最大的油气生产和销售企业之一，在全球能源市场中具有重要影响力。其经营状况不仅受到国际油价波动、能源政策调整等宏观因素的影响，还面临着行业竞争、技术创新等挑战。在过去的发展历程中，中国石油经历了多次重大风险事件，如国际油价暴跌、能源结构调整带来的市场份额竞争加剧等。这些风险事件通过其与上下游企业、金融机构等的关联关系，在一定程度上对相关企业和市场产生了影响。例如，国际油价暴跌会导致中国石油的营业收入和利润下降，进而影响其对上游原油供应商的采购量和采购价格，同时也会对下游的炼油、化工企业的生产成本和市场预期产生连锁反应。上海石化作为中国石油化工集团公司旗下的重要上市公司，是中国最大的炼油化工一体化综合性石油化工企业之一。其业务涵盖炼油、化工、塑料、化纤等多个领域，与国内外众多企业建立了广泛的业务合作关系。上海石化曾发生过重大安全事故，如2021年的乙烯装置事故，这一事件不仅对上海石化自身的生产经营造成了严重影响，还通过其与供应商、客户、金融机构等的关联关系，引发了一系列连锁反应。事故导致上海石化部分装置停产，影响了其对下游客户的产品供应，同时也使得供应商的货款回收面临风险，与上海石化有资金往来的金融机构也对其信用风险进行重新评估。这些风险事件的发生及其影响过程，为研究上市公司关联性与系统性风险提供了典型的案例素材。综上所述，中国石油和上海石化在行业代表性和风险事件典型性方面具有显著特点，通过对这两家公司的案例分析，能够更深入地探讨上市公司关联性与系统性风险之间的关系，验证前文实证研究的结论，为金融市场参与者和监管部门提供更具针对性的参考和启示。5.2案例公司关联性分析中国石油在股权关联网络中，作为国有大型能源企业，其股权结构较为集中，国有资本占据主导地位。中国石油的大股东为中国石油天然气集团有限公司，持股比例较高，对公司的经营决策具有绝对控制权。这种股权结构使得中国石油在股权关联网络中处于核心地位，与众多关联企业通过股权纽带紧密相连。中国石油通过直接或间接持股的方式，与多家上下游企业建立了股权关联。在石油开采领域，它持有一些油田服务公司的股权，确保了对上游资源开采的控制和协调；在石油炼制和销售领域，与一些地方炼油企业和加油站连锁企业存在股权关联，有助于拓展市场份额和优化产业链布局。从业务关联网络来看，中国石油处于石油化工产业链的核心位置，业务关联广泛。在上游，与国内外众多石油勘探开发企业建立了长期的合作关系，确保原油的稳定供应。与中东地区的一些石油生产国的企业签订长期原油采购合同，保障了原油的充足供应。在中游，中国石油拥有庞大的炼油和化工业务，与众多化工原料供应商和产品销售商存在紧密的业务往来。它从化工原料供应商处采购乙烯、丙烯等基础化工原料，用于生产各类化工产品，并将生产的塑料、橡胶、化纤等化工产品销售给下游的制造业企业。在下游，中国石油的销售网络覆盖全国，与大量的加油站、物流公司以及终端用户建立了业务关联。通过与加油站的合作，将石油产品销售给终端消费者；与物流公司的合作，确保了产品的及时配送。在资金关联网络中，中国石油作为大型国有企业，资金实力雄厚，在金融市场上具有较高的信用评级，融资渠道广泛。它与多家银行建立了长期稳定的合作关系，能够获得大量的信贷资金，用于支持企业的生产经营和项目投资。中国石油还通过发行债券、股票等方式在资本市场融资，与投资者形成资金关联。在债券市场上，发行不同期限和品种的债券，吸引了众多机构投资者和个人投资者的资金；在股票市场上，其股票在国内外证券交易所上市交易，吸引了大量投资者的关注和资金投入。中国石油还与一些金融机构开展了金融衍生品交易，如原油期货套期保值等，以降低市场价格波动带来的风险，进一步加强了与金融机构的资金关联。上海石化在股权关联网络中，其大股东为中国石油化工集团有限公司，股权相对集中。中国石油化工集团有限公司通过持有上海石化的股权，对其经营决策进行指导和监督。上海石化与集团内部的其他企业也存在一定的股权关联，这种股权关联有助于集团内部资源的整合和协同发展。上海石化与一些外部企业通过战略投资等方式建立了股权关联，以实现优势互补和业务拓展。在业务关联网络方面，上海石化作为炼油化工一体化企业，与上下游企业的业务关联紧密。在上游，与原油供应商建立了稳定的合作关系，确保原油的稳定供应。从国内外大型石油公司采购原油，保障了生产的顺利进行。在中游，上海石化的炼油和化工业务相互协同，与化工原料供应商和产品销售商形成了紧密的业务链条。从供应商处采购催化剂、添加剂等化工原料，用于炼油和化工生产；将生产的汽油、柴油、化工产品等销售给下游的贸易商、制造业企业和终端用户。在下游，上海石化通过与销售商的合作，将产品推向市场，与物流企业合作，确保产品的运输和配送。在资金关联网络中，上海石化与多家银行保持着密切的合作关系，获得银行贷款以满足企业的资金需求。在项目投资、技术改造等方面，银行贷款为企业提供了重要的资金支持。上海石化还通过发行债券、票据等方式在金融市场融资，与投资者形成资金关联。为了降低资金成本和优化资金结构，上海石化积极开展资金管理和资金运作，与金融机构合作开展资金池管理、票据贴现等业务，提高资金使用效率。5.3关联性对系统性风险的影响分析中国石油与上海石化紧密的关联性在特定风险事件中显著加剧了系统性风险。以2020年国际油价暴跌事件为例，国际油价受全球经济增长放缓、新冠疫情爆发以及产油国之间的价格战等多重因素影响，出现了大幅下跌。中国石油作为原油生产和销售的重要企业，国际油价暴跌导致其原油销售收入大幅下降。由于原油价格是其主要成本和收入来源，油价下跌使得中国石油的盈利能力受到严重冲击，利润大幅下滑。这种风险通过业务关联迅速传递给上海石化。上海石化作为炼油化工企业，原油是其主要的生产原料，油价暴跌虽然在一定程度上降低了其原料采购成本，但由于市场需求的不确定性增加，产品价格也随之下跌，导致其炼油和化工业务的利润空间被压缩。上海石化的下游客户，如塑料制品生产企业、化纤生产企业等，由于市场需求萎缩，对上海石化产品的采购量大幅减少，进一步影响了上海石化的经营业绩。在资金关联方面，中国石油和上海石化与多家金融机构存在紧密的资金往来。油价暴跌导致两家公司的经营业绩下滑，使得金融机构对它们的信用风险评估上升，贷款审批更加严格，融资难度加大。为了维持正常的生产经营，两家公司不得不调整资金使用计划，削减部分投资项目，这不仅影响了企业自身的发展，也对相关产业链上的企业产生了连锁反应。一些为中国石油和上海石化提供设备和服务的企业，由于项目资金的延迟或取消，面临资金周转困难和业务量下降的问题。股权关联也在风险传递中发挥了作用。中国石油和上海石化的大股东在面对企业经营困境时，可能需要调整股权结构或资金支持策略，这可能会影响到市场对两家公司的信心，导致股价下跌。投资者对两家公司的预期收益下降，纷纷抛售股票，进一步加剧了市场的恐慌情绪，影响了整个石油化工行业的市场表现。从风险传递路径来看，油价暴跌首先通过业务关联影响到中国石油和上海石化的生产经营，导致利润下滑和市场份额下降。然后，通过资金关联影响到金融机构的信贷决策和两家公司的融资能力，进一步加剧了企业的财务困境