金融危机下我国担保网络的演变及对策

担保网络中企业财务特征的动态。（a）   整体：整个担保网络的平均公司资产。（b） 整体：整个担保网络的平均公司贷款。（c） 共同担保：具有共同担保的平均公司资产。（d） 互惠贷款：普通公司的相互担保贷款。源数据作为源数据文件提供。一般而言，担保网络在三个阶段表现出不同的动态模式。新世纪金融公司破产后，网络规模增长缓慢，导致网络连接密度降低。然后，雷曼兄弟（Lehman Brothers）股份有限公司破产后，网络规模下降。另一方面，担保网络中公司的平均资产增加，这表明破产公司的资产相对低于未破产公司。刺激计划的实施立即停止了下降。从那时起，网络一直在增长（几乎呈线性），甚至在刺激计划结束后也是如此。新贷款额增长与节点和边缘数之间的皮尔逊相关系数分别为0.56（p值<0.001）和0.58（p值<0.001），表明网络规模与银行贷款额呈正相关。也观察到类似的模式, 最大的 和.  我们在第二阶段观察到了明显的转折点，当时刺激计划正在实施。更有趣的是，大多数拓扑性质的转折点是相同的，但少数性质的转折点不同。在下文中，我们将重点描述这些转折点及其经济影响。

刺激程序启动9后，平均度、度分布幂律指数、互易性、全连通3节点子图比率和平均聚类系数迅速增加（图2）。这些价值在2009年最后一个季度突然下降，并迅速恢复增长趋势，直到2010年4月。从那时起，所有这些数值一直在下降，直到2011年底，除了在刺激计划结束后（2010年12月）突然飙升。幂律外学位分布的指数遵循类似的模式，预计在2010年4月和5月没有显著下降。这些发现表明，由于刺激计划，出现了许多新的相互担保关系。这包括两个公司之间的相互保证（互惠），以及三个公司之间的相互保证（完全连接的3节点子图的比率）。比较整体担保网络和相互担保网络之间的平均资产和贷款动态（图3），我们发现这些新的相互担保关系主要由资产和贷款较低的公司形成（卡方检验中p值<0.001）。仔细观察这些互助担保公司，发现其中约70%不是最大的 , 但在其他较小的隔离组件中。刺激计划启动后，这些小企业的加入导致了贷款激增和贷款与资产比率（如图3所示）。由于中国人民银行的微调，这一趋势在2009年末被短暂扭转。然而，这一趋势在2010年恢复，直到中国人民银行通过提高存款准备金率来改善宏观调控。

与其他性质不同的是，刺激计划启动后，最大SCC和WCC中的平均最短路径长度一直在增加，直到2010年9月。这种模式类似于最大SCC和WCC的大小。这些调查结果表明，直到2010年9月，即中国人民银行加息前一个月，担保网络的核心并未受到监管变化的显著影响。这与上述发现相呼应，即相互担保关系主要存在于较小的独立组件中。简言之，图2和图3中出现的所有转折点都与货币政策的变化和刺激计划的实践非常一致。在刺激计划开始时，货币政策极度宽松。2009年下半年，中国人民银行采取行动调整宽松的货币政策。这些微调并没有直接改变货币政策，但旨在通过提高货币政策的针对性、灵活性和前瞻性来解决超宽松货币政策带来的副作用。这被视为改变货币政策的信号。2010年3月（刺激计划启动17个月后），ZF宣布了2010年改善宏观调控的计划。此后，中国人民银行提高了存款准备金率，并提高了利率。我们的结果表明，这些法规和政策变化在一定程度上有助于减少刺激计划的负面影响。为了检验上述发现的稳健性，我们构建了以贷款金额为边缘权重的加权担保网络，并进行了相同的分析。详细讨论请参见补充图1和补充信息中的讨论。

网络分析表明，在金融危机和刺激计划期间，担保网络经历了巨大的变化。相互担保的爆发可能是影响担保网络变化的主要因素。在本小节中，我们使用指数随机图模型（ERGM）24来验证相互担保关系形成的重要性。ERGM是一系列概率模型，用于识别指定图形集上的分布，这些图形在已知约束条件下使熵最大化25,26。ERGM可以有效地预测这些约束的边，这些约束通常表示网络结构27最重要的拓扑属性。它已被用于分析各种金融和经济网络，如28 29 30 23。在所有拓扑性质中，网络密度和互易性是保证网络的定义特征，其他性质在这两个性质的值的驱动下具有相似的模式。网络密度是发生了巨大变化的最基本属性：首先是由于许多破产而增加，然后是由于许多新的贷款和担保而减少。互惠非常重要，因为刺激计划鼓励低质量的企业通过相互担保获得贷款。此外，我们发现，在整个时间段内，倒数边缘的出现频率明显高于DCM空模型的预期频率（p值<0.001，z评分>3000）。因此，我们采用互惠模型25，该模型考虑了边的数量和互惠边的数量。

概率函数 具体如下： 哪里   表示边的数量，以及   表示倒数边的数目。   是由等式（10）定义的配分函数。按照方法一节中的步骤，系数   和   获得（图4）。另一方面，边缘（代表相互和非相互担保关系）并不显著。此外 为负值且在下降，但 在刺激计划启动后一直保持增长，直到2012年3月，但刺激计划结束时有所下降。这些结果表明，企业越来越可能形成相互担保关系。ERGM分析进一步证明了相互担保在担保网络形成中的重要作用。11图4。ERGM中系数的动态变化。源数据作为源数据文件提供。对担保网络弹性的仿真分析表明，激励方案极大地改变了担保网络的拓扑特性，导致相互担保关系激增。随后的货币政策调整抑制了担保行为，从而扭转了相互担保关系的增长趋势。这种相互担保关系虽然有助于低质量国有企业获得更多贷款以生存，但由于风险和失败通过企业间的担保关系传播，可能会导致大规模的连锁失败/违约。在本节中，我们使用仿真模型检查担保网络中连锁故障的潜在风险。我们将公司i在时间t的资产和负债分别表示为Ai（t）和Li（t）。

Gij（t）表示公司i在时间t为公司j提供的贷款担保金额。根据文献，我们采用费米分布模型计算违约概率31,32。费米分布是一种逻辑函数，已成功应用于经济和金融领域的企业和银行破产建模31,32。在我们的研究中，Pi（t）是一个费米逻辑函数，它决定了一家公司在时间t违约的概率：   其中k表示外部环境的影响，表示杠杆比率（总负债/总资产）的平均值，以及  表示是否公司  已失败。杠杆比率取决于公司的流动资产和负债，以及我为其提供担保的公司倒闭所导致的假定债务。直觉上，一家公司的杠杆率越高，其倒闭的可能性就越大。模拟基于上述动态担保网络和从真实数据中获得的财务特征。我们模拟了一个月内由随机初始失败（随机攻击）引起的企业失败。在模拟中， 是来自真实每月担保网络数据的公司平均杠杆率。 ,  这是从真实数据中学习得到的。具体而言，我们采用方程（2）作为逻辑回归，以拟合. 具体而言，如果公司i在时间t违约， ,  否则 .  其他因素的值，包括 , ,, 和 公司的, 当时 由我们的数据集提供。 表示初始默认比率。具体而言，每个月的模拟运行如下。

初始故障：在每次模拟开始时(), 一小部分() 的公司被随机选择为初始失败（违约）。他们的债务将由网络中的相邻公司承担。故障传播：在每个时间步, 我们决定 当时是否失败 基于方程式（2）。完成：模拟将一直运行，直到没有公司在. 我们每月运行10000次模拟，并取每个月失败公司的平均比率（图5）。我们发现，破产企业平均比率的动态模式类似于拓扑性质的常见模式（平均度、度分布中的幂律指数、平均互易性、全连通三节点子图的平均比率和平均聚类系数）。破产企业的平均比率与平均互惠性之间的相关性非常高（相关系数=0.83，p值<0.001）。转折点是相同的（2009年9月和2010年4月）。这一结果表明，相互担保关系越普遍，整个担保网络就越脆弱。还请检查补充注释4中模拟分析的稳健性检查。图5：。具有初始违约率的随机攻击最终失败率 等于0.05。纵轴表示最终失效率。横轴表示2007年1月至2012年3月的时间。13实线和虚线表示重大事件。每月随机选择5%的节点作为初始故障（默认）。误差条表示一个标准偏差。源数据作为源数据文件提供。总而言之，刺激计划增加了信贷系统连锁失败的风险。

担保网络的脆弱性受到刺激计划和货币政策变化的强烈影响。后续调整降低了此类风险，但风险仍高于金融危机前。显然，这些发现与我们对系统性危机发展的传统理解不符。根据一般假设，金融危机期间，金融网络的稳定性会变得更差，ZF对刺激计划的救助可以降低系统性风险，恢复网络的稳定性。尽管如此，上述发现还是让我们得出了相反的结论：2007-2008年的金融危机导致担保网络更加稳定，刺激计划降低了担保体系的稳定性。这种违反直觉的发现可以从以下生存偏差的角度来解释。在现实世界中，金融危机带来的外部负面冲击将摧毁低质量的企业和脆弱的联系，导致网络更小、连接更少。被甩在后面的是优质企业，有着稳固的担保关系，从而形成了更稳定的担保网络。在ZF救助方面，通过向信贷市场注入4万亿元人民币，刺激计划挽救了大量濒临破产的低质量企业。因此，侥幸生存下来的企业增加了网络连接，连接更加脆弱，从而降低了信用担保网络的稳定性。总之，幸存者在金融危机和刺激计划中的行为对网络稳定起到了至关重要的作用。讨论本研究首次尝试将整个中国担保体系的演变定量描述为一个复杂的网络。

实证和模拟研究表明，金融危机导致大量弱势企业没有资格获得银行贷款，使得担保网络变小，宽松的货币政策以及刺激计划鼓励了企业之间的相互担保行为，导致了高度互惠和脆弱的网络结构。后一次货币政策调整降低了相互担保关系的比例，增强了整个担保网络的弹性。我们的研究通过提出一种复杂网络方法来分析整个国家的企业之间的担保关系，为文献做出了贡献。基于真实担保网络的仿真模型提出了一种新的基于网络的担保体系脆弱性评估方法。实证和模拟结果为系统性风险、政府救助和后续货币政策调整如何影响企业担保行为以及担保体系的脆弱性提供了数据驱动的见解。本研究还揭示了使用网络科学方法分析现实世界金融系统的数据驱动研究。对担保网络演变的深入了解有很大潜力应用于其他金融和经济研究，如14预测股市回报33、信贷分配7和国际贸易23。在实践中，本研究表明，尽管相互担保关系可以帮助低质量企业获得更多贷款，并降低小规模任意风险事件的风险，但它可能是整个系统大规模连锁故障/违约的原因。这项研究表明，决策者（例如。

ZF、中央银行和其他当局）通过调整货币政策来控制相互担保关系的普遍性。重要的是，由于无法获得机密的金融数据，有关金融系统弹性的许多工作都集中在理论分析上。因此，金融体系的真实状况和演变尚未得到充分了解。在这里，通过全国范围和真实世界的中国贷款担保数据，我们表明实证结果与直觉相反。具体而言，考虑到生存偏差的影响，在金融危机期间，担保网络更加稳定，拥有幸存和稳健的企业，然而，随着刺激计划的实施，稳定性不断下降，以吸收更多本应在没有ZF救助的情况下破产的企业。我们的实证研究结果将有助于研究现实世界金融体系的稳定性，也有助于为决策者制定更好的金融救助策略。这项研究的结果也提出了一个有趣的难题。金融危机淘汰了弱势企业，使金融网络更加健康，但同时也带来了巨大的经济后果。ZF的救助避免了瞬间的灾难性损失，代价是使金融网络变得脆弱。换句话说，ZF救助可能会牺牲未来的金融稳定，从而缓解当前的危机。2019-2020年新型冠状病毒大流行事实上也讲述了类似的故事。风险管理需要持续努力，以积极主动的方式考虑此类权衡。