中国新金融业态风险传染典型事实及特征的实证研究

中国新金融业态风险传染典型事实及特征的实证研究
李苍舒
[提 要] 本文根据从网络借贷市场搜集的718家正常平台和129家问题平台数据分析典型风险传染事件发生前后市场资金变化情况，构建模型从月度、周度两个维度研究新金融业态风险传染的特征。结果发现：风险更显著地传染至大规模、人均投资金额低的平台。风险传染期内，平台规模越大，对交易量变化的负向作用越大；平台人均投资金额越高，平台与投资人的联系越紧密，对交易量变化的正向作用越大。随着时间的推移，平台规模与人均投资金额对平台交易量变化的影响程度逐渐减弱。风险传染期间，问题平台与正常平台在危机后的交易量存在较为显著的差异，市场资金流向呈现出一定的替代效应。
[关键词] 新金融业态；风险传染；典型事实；特征
一、引言及文献述评
2017年在北京召开的第五次全国金融工作会议将防控金融风险列为“三位一体”的金融工作主题。随后，国务院金融稳定发展委员会成立，旨在强化金融监管部门监管职责，确保金融安全与稳定发展。可见，对金融风险的防控是政府工作的长期重点之一。近年来，随着互联网数字技术的兴起，诸多新兴金融业态在中国迅速发展起来。这些新金融业态给人民生活福利带来了巨大提升，但同时也催生出新的风险。中央和政府的众多工作会议上已经多次强调此类新金融风险的危害，并通过出台政策文件、成立专项小组等各项措施予以防范。互联网及信息技术手段的引入一方面提升了金融服务的广度与深度，另一方面也加剧了风险的传染与扩散。如果不能及时遏制市场上的风险传染现象，金融风险就可能引发一系列连锁反应，造成更严重的破坏。因此，研究新金融业态市场的风险传染特征，发现风险传染的途径和机制，进而采取有针对性的预防措施，对于防控金融风险、稳定金融市场具有重要意义。
对风险传染的研究通常需要从大规模金融危机中获取数据，一些著名金融危机引发的风险传染问题已经被学术界进行了充分的研究。而2015年12月的e租宝事件则为研究中国新金融业态风险传染的特征提供了研究契机。涉案金额高达500多亿元、牵涉近百万投资人的e租宝案在当时产生了非常重大的社会影响，而网络借贷(P2P)市场遭受的冲击尤其严重，不仅全行业成交量、投资人数大幅下滑，随后出现的问题平台数量也达到历年来的峰值。在这一风险传染过程中，哪些平台受到的影响程度大？风险最先传染到哪些平台？市场资金流向呈现出怎样的特征？这是本文主要的研究问题。
在金融风险传染的研究领域，一些学者既有的研究成果给本文研究假设的提出以及研究模型的设计提供了理论支撑。当某一金融市场情绪受到负面事件影响，进而由市场风险源引发风险的传染和扩散时，其风险传染过程可能存在相应的特征，即在同一个市场内，哪些金融机构受到的影响程度大？哪些机构受到的影响程度小？风险最先传染到哪些地方?最后又传染到哪儿？比如由银行信用下降引发的挤兑危机中，Saunders & Wilson(1996)和Calomiris & Mason(1997)认为，财务状况良好，拥有正常偿付能力的银行在危机中被挤兑倒闭的可能性要低于本身存在问题的银行。Chen(1999)和Calomiris & Kahn(1991)认为银行自身运营状况是影响挤兑的重要因素，挤兑的风险传染过程具有典型的信用特征。由于储户缺乏了解银行基本面信息的相关渠道，对银行偿付能力产生了怀疑，因而前往银行提款。换言之，如果储户对银行的偿付能力有信心，就不会盲目前往银行挤兑。在银行挤兑过程中，已经失去储户信用的银行受到的影响较大，被挤兑风险波及的速度较快，而储户对其偿付能力仍然有信心的银行，被风险波及的速度较慢，受到影响的程度较小。
除了储户对银行偿付能力的信任外，储户与银行间的联系也是影响银行风险传染的重要因素。例如，Iyer & Puri(2012)根据印度曾经发生的银行挤兑案例，发现与银行保持更为紧密联系的客户(比如曾向该银行贷款)前往银行挤兑的可能性显著低于普通储户，且与储户间的联系越紧密，银行在挤兑危机中受到的影响越小，抵御风险的能力越强。Calomiris & Mason(1997)还讨论了银行间互相救助在减弱挤兑危机中的作用。他们通过对芝加哥银行危机的研究，发现具有正常清偿能力的银行受到的冲击并不严重，倒闭的银行大都在危机前就存在比较严重的问题。因此，存款保险制度不是必需的，而通过银行之间的流动性救助即可达到缓解危机的目的。这有助于大幅减低风险传染的影响和救助成本。因此，在危机中能够得到其他银行救助的银行受到风险传染的影响要更小。此外，廉永辉(2016)发现杠杆率高、同业资产占比和集中度高的银行更容易受到风险传染。杨海军和胡敏文(2017)认为系统重要性银行在风险传染过程中更需要受到重视。
除了银行挤兑外，其他金融市场的风险传染也具有相应特征。王鹏和吴金宴(2018)基于协高阶矩的视角，分析了沪港股市的风险传染问题。苟文均等(2016)以CCA模型为基础，研究了债务杠杆与系统性风险传染之间的关系。Apergis et al.(2019)通过CDS市场研究了全球金融危机期间，欧洲和美国金融市场的风险传染问题。Longstaff(2010)发现在次贷危机中，担保债务凭证的价格波动在金融市场上的传染效应具有显著的流动性和风险溢价特征。Lagunoff & Schreft (2001)还发现，金融机构间的联系也是风险传染的重要渠道。根据随机动态博弈模型的模拟，当危机冲击到某些金融机构时，与这些机构通过资产组合保持联系的金融机构更容易受到风险的波及。在国际金融风险传染方面，Rijckeghem & Weder(2003)实证研究了近几次金融危机中，银行间的借贷关系对新兴经济体金融市场之间风险传染的影响。他们根据1994年的墨西哥金融危机，1997年的亚洲金融危机和俄罗斯金融危机，实证结果发现，除俄罗斯金融危机外，当危机中的各国银行都与同一家银行存在债务关系时，这种风险溢出效应总体上是显著的。这表明，金融风险在国际间的传染具有资金联系特征，当一国银行发生危机时，其风险可能传染到其他与其保持资金联系的外国银行。一国银行与金融危机国银行的资金联系越紧密，对其依赖性越强，其受到风险波及的可能性就越大。Baur(2012)通过对25个主要发达国家和新兴市场经济部门的调查，研究了2007—2009年全球金融危机从金融部门向实体经济的蔓延，分析了不同国家和经济部门之间的风险传染渠道，发现医疗、电信和技术行业受到危机影响较小。
依据前述文献的研究脉络，本文探究的主要问题是新金融业态市场上风险传染的特征。在e租宝事件发生后，市场投资情绪出现下降，投资者普遍对网络借贷投资持有更加谨慎的态度，整个网络借贷市场受到了很大的冲击，这为新金融业态市场的风险传染问题提供了研究契机。本文的创新点包括三个方面：一是首次运用网络借贷平台数据，实证检验了传统金融风险传染理论对新金融业态的适用性；二是通过对平台受市场风险影响程度和波及速度的分析，对比新金融业态市场风险传染特征与传统金融市场的异同；三是通过理解新金融业态市场风险传染机制，掌握市场风险传染规律，为政府有效防控金融风险的传染和扩散提供有价值的参考。本文的结构安排如下：第一部分是引言及文献述评，第二部分是研究设计，第三部分是实证分析，最后是研究结论。
二、研究设计
研究新金融业态市场风险传染特征，需要在相关理论基础之上，提出研究假设，构建理论模型，设定相关变量，选取样本数据，为后文的实证分析进行铺垫。
(一)研究假设
e租宝事件后，网络借贷市场整体上出现了投资者情绪下降的情况。于是需要讨论的问题是，平台特征是否会对平台交易量和投资人数产生影响？会产生怎样的影响？传染过程又有怎样的特征？
类比银行挤兑的研究结果：财务状况健康、自身经营状况良好的银行相比本身存在业务问题的银行，其在银行信用危机中遭受挤兑和破产倒闭的可能性更低，受到的影响更小(Saunders & Wilson，1996；Calomiris & Mason，1997)。在网络借贷市场中，平台受风险传染的影响，可能出现提现困难、倒闭等多种问题。由于与银行在经营统计指标方面存在的差异，故较难选取衡量网络借贷平台财务健康状况的指标，因而选取平台规模和人均投资金额两个指标作为平台关键特征进行分析。平台规模，是一家平台资金实力的重要体现。它不仅直接反映了平台的运营实力和资金吸收能力，还间接体现了平台的知名度和运营经验，且在一定程度上可以说明多数投资者对某一平台的信任程度，是投资者和研究机构较为关注的指标。人均投资金额，直接反映投资人与平台间联系的紧密程度，人均投资金额越高，说明平台负债端的资金集中度越高，投资人与平台的联系越紧密。
如果假设平台规模能够在一定程度上反映平台的运营情况，即平台规模越大，平台的财务状况越健康，也越受投资者信任，那么将银行挤兑的研究结论推广，规模越大的平台，其在危机中受到的影响程度应该越小，平台交易量不应出现大幅下滑。但另一方面，大平台吸引的资金越多，其交易量相比小平台可能波动幅度更大，其在危机中受到的影响可能更大。
更进一步，如果人均投资金额可以用来代表投资人和平台间联系的紧密程度，那么其是否会对平台运营产生影响？人均投资金额反映的是平台负债端的资金集中度。人均投资金额越高，平台负债端的资金越集中，说明平台与投资者之间的联系越紧密，在危机中平台交易量的下降幅度可能越小，平台受到的影响程度也越小。同时，人均投资金额越高，投资人在市场投资情绪下降时可能更注意防范风险，减少的投资幅度更大，因而平台交易量下降幅度可能更大，平台受到的影响程度也更大。据此，可以假设平台规模与人均投资金额在风险传染过程中是影响平台交易量变化的重要因素，是新金融业态风险传染的重要特征，后文的研究将基于此假设展开，并讨论其真实性。
(二)变量构造与样本数据选取
本文利用清华大学金融科技研究院互联网金融实验室网络借贷平台数据库，并结合网贷之家相关统计数据，对e租宝事件前后各平台运营指标、特征指标进行了数据选取和整理。此处，共选取718家正常平台和129家问题平台的相关数据。由于e租宝事件发生在2015年12月，故选取的数据覆盖时期为2015年9月—2016年8月。基于前文分析，构建如下回归模型分析网络借贷市场风险传染的特征：
Yi,t=α+β1×Scalei,t+β2×Averagei,t
+β3×Controli,t+εi,t
(1)
式中，Scalei,t表示平台规模，具体为平台在2015年9月—2016年8月期间12个月交易量的平均值；Averagei,t表示平台当月人均投资金额。控制变量包括：投资人数、标数、利率、期限、待收人数、运营时间、是否北京平台等。
正常平台与问题平台相关变量的描述性统计情况如表1与表2所示。对比正常平台与问题平台各变量的描述性统计结果可以看出，正常平台在规模、投资人数与标数方面均高于问题平台，而在利率与期限方面两类平台差别不大。
表1 正常平台相关变量描述性统计分析

表2 问题平台相关变量描述性统计分析

三、实证分析
(一)市场资金变化
为对e租宝事件前后各平台交易量的变化情况进行更准确的把握，本文对2015年10月—2016年6月期间，网络借贷平台交易量变化的分布情况进行统计分析，并对比正常平台与问题平台的表现。此处计算的是平台交易量的环比变化情况，即本月交易量与上一月交易量相比的变化。同时将平台成交量变化分为12个区间，分别是交易量下降幅度在50%以上，降幅在40%～50%之间，降幅在30%～40%之间，降幅在20%～30%之间，降幅在10%～20%之间，降幅在10%以内；增幅在10%以内，增幅在10%～20%之间，增幅在20%～30%之间，增幅在30%～40%之间，增幅在40%～50%之间，以及增幅在50%以上的平台。
在根据交易量的不同增幅或降幅进行分组后，即可按平台交易量变化增降值将各平台划归在对应的组内，再分别计算各组平台数量占正常平台或问题平台总数(正常平台718家，问题平台129家)的百分比，由此可以反映市场资金的变化与分布情况。
按照前文所述的分析方法，e租宝事件前2015年10月的平台交易量变化特征如图1所示。

图1 2015年10月平台交易量变化情况
图1反映了2015年10月市场各平台交易量的变化情况。图中横坐标表示平台交易量变化的区间，纵坐标表示各区间平台数量占全部平台数的百分比。从图1可以看出，e租宝事件发生前，各平台交易量变化呈现出较为均匀的分布，除了约12%的平台交易量增幅超过50%外，多数平台交易量的波动幅度在正负20%内，并呈现出随着波动幅度的增加平台数量递减的趋势。同时，正常平台与问题平台的交易量变化分布也基本相同，两类平台的变化未表现出显著差异。
依据同样的原理，可以看出反映e租宝事件发生当月，即2015年12月平台交易量变化的情况(见图2)。

图2 2015年12月平台交易量变化情况
图2反映了2015年12月各平台交易量的变化情况。e租宝事件正发生在2015年12月，因此这个月各平台交易量的变化情况对于分析风险传染的初期影响较为重要。由图2可知，正常平台与问题平台的交易量变化情况开始呈现出一定差异。约有16.5%的正常平台交易量降幅在10%以内，随着波动幅度的增加，正常平台数量递减，分布仍然呈现出中间高，两端低的形态；而问题平台则与正常平台相反，恰好呈现出中间低，两端高的形态，波动幅度在正负10%以内的问题平台都不超过8%，而降幅在30%～40%之间的问题平台达到了14.75%，而增幅超过50%的问题平台也达13.11%。这表明，市场风险对正常平台与问题平台的影响不尽相同，各平台交易量的变化也是有增有减，并非所有平台交易量都显著下降。
图3反映了2016年1月平台交易量的变化情况。整体上，问题平台与正常平台都呈现出一定的左偏分布态势，即本月交易量下降平台的比重超过上升平台的数量。尤其是问题平台中，降幅超过50%的平台比例达到了17.24%，降幅在10%以内的平台比重为18.97%。正常平台也出现了类似情况，降幅在10%以内的平台为15.17%，虽然也有部分平台的增幅较大，但整体上2016年1月份的各平台交易量相比2015年12月，都有一定程度的下降。

图3 2016年1月平台交易量变化情况
反映2016年3月平台交易量变化情况的特征图见图4。

图4 2016年3月平台交易量变化情况
图4显示，在大部分平台交易量都有一定程度的下降后，3月份各平台交易量都有回升的趋势。其中，42.86%的问题平台和31.6%的正常平台交易量增幅超过了50%。其他组内平台数量的比重都相对较低。可见，3月份各平台交易量都呈现出较为明显的回升特点。
反映2016年6月平台交易量变化情况的特征图见图5。

图5 2016年6月各平台交易量变化情况
图5显示，2016年6月正常平台交易量变化情况呈现出更加均匀的分布特征，但整体上仍然略微左偏。其中，16.12%的正常平台降幅在10%以内，12.87%的正常平台降幅在10%～20%之间，9.34%的正常平台增幅在50%以上；而交易量降幅超过50%的问题平台达到了30.63%，虽然也有15.32%的问题平台交易量增幅超过了50%，但整体上问题平台交易量下降的比重仍然要高于交易量上升平台的比重。因此，6月份正常平台分布形态趋于均衡，而问题平台交易量变化仍有较大波动。
从前文分析可以看出，e租宝事件后网络借贷平台交易量的变化情况呈现出三个特点，一是相对于正常平台，问题平台在危机后的交易量波动幅度更大。二是危机期间内，各平台交易量变化呈现不同趋势，市场资金流向呈现一定程度的替代效应。三是2015年12月—2016年2月期间是市场平台交易量下降幅度较大的时期，也可视作e租宝事件影响最大的时期，确定这一时期对后文研究具有重要意义。
(二)总体回归结果
对正常平台与问题平台在e租宝事件前后的成交量变化情况进行分析后，根据市场交易量变化特点，选取2015年12月、2016年1月和2016年2月这3个月为研究时期，以符合数据条件的64家问题平台和715家正常平台的数据作为样本代入回归模型进行风险传染特征分析。回归结果如表3所示。
需要说明的是，表3将全部平台与正常平台分类进行回归，借以比较正常平台与问题平台间的差异。结果显示，风险开始扩散后，平台规模对交易量的变化有较为显著的负向影响，即风险传染期内，平台规模越大，成交量下降幅度越大。而人均投资金额越高，投资人与平台的联系越紧密，对交易量的正向作用越大，平台受危机影响程度越小。
之所以大规模平台受风险传染的影响大，原因可能有多种。其中一种可能的解释是，平台资金类型构成的不同。大部分金融市场的投资者可以分为长期投资者和短期投资者两种。长期投资者，资金投入量大，投资周期长，对市场关注度高；短期投资者，资金投入量小，投资周期短，对市场关注度低。新金融业态市场也一样，大部分经验不足的短期投资者可能选择的都是可靠性较高的大规模平台，他们的投资金额往往较少，对市场相关分析也不深入。因此，市场情绪一旦出现变化，他们通常是最容易受到影响的群体。故而，在风险传染期间，大规模平台交易量的降幅就可能超过小规模平台交易量的降幅。这种情形的出现，并非是由于投资者对大规模平台的不信任，而是因为这部分资金波动性最大，最容易从市场流出。
表3 风险传染特征

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
其他控制变量中，标数对平台成交量有较显著的负向影响，如果仅从正常平台来看影响则不显著；正常平台中，利率对成交量也有显著的负向影响。这表明，在风险传染过程中并非标数越多，吸引的资金量就越大。事实是，风险传染过程中投资者往往更加谨慎，更加注重投资的安全性，仅靠提升利率无法在风险传染期内有效吸引投资资金。待收人数在全部平台的回归中有显著的负向影响，而对正常平台的影响并不显著。可见，待收人数这一因素，对问题平台的影响要高于对正常平台的影响。对于全部平台而言，待收人数越高，平台成交量受到的负向影响越大，说明在投资者尚未收回本息时，往往对新投资持有更慎重的态度，尤其是在风险期内，一般不会扩大投资。
前文的分析显示，风险传染期内资金流向呈现出一定的替代效应，部分平台成交量变化幅度为正，部分为负，因此可专门选取2015年12月成交量下降的375家平台进行分析。
表4反映了成交量下降平台的回归情况。结果表明，无论是正常平台还是问题平台仍然表现出相同的风险传染特征：即平台规模越大，成交量受风险的负面冲击越大；人均投资金额越高，平台成交量受到的负面冲击越小。
(三)按月分类回归结果
为进一步研究市场风险传染特征在不同时期的差异，还可对样本平台在不同月份的资金变化情况进行分类回归，结果如表5、表6和表7。
表5反映了市场风险在2015年12月的传染特征。可以看出，表5的主要结论与表3基本相同。e租宝事件正发生在2015年12月，因此12月也是风险开始扩散和传染的时间点。如果与表3进行对比，平台规模、人均投资金额等主要变量的符号都没有发生变化，而系数绝对值都有所增加，表明12月有可能也是市场情绪下降幅度最大的月份。
表4 风险传染特征(成交量下降平台)

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
表5 风险传染特征(2015年12月数据)

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
表6反映了市场风险在2016年1月传染的特征。与表3相比，表6各主要变量系数的绝对值有所下降，比如平台规模系数由-0.736上升至-0.511，而人均投资系数由0.735下降至0.597。这表明，e租宝事件发生一个月后，各变量对平台交易量的影响程度相比2015年12月有所下降。
表6 风险传染特征(2016年1月数据)

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
此外，平台运营时间对平台成交量变化有较显著的正向影响，即平台运营时间越长，平台成交量下降幅度越小。特别是在正常平台中，运营时间的系数为0.126，不仅高于全部平台的0.084 2，且显著性也有所提高，表明运营时间对正常平台交易量有更重要的影响。这与市场预期相一致，运营时间越长的平台，不仅可以从一个侧面反映平台的运营实力，证明平台运营模式的可持续性，而且这类平台往往也比较容易获得投资者信任，因此在危机中受到的影响程度较小。
表7主要反映的是2016年2月成交量的变化特征。通过对比可发现，平台规模、人均投资金额等变量的系数绝对值进一步下降。这说明，随着风险传染时间的推移，各变量对平台成交量的影响程度在逐渐减弱，而待收人数、运营时间等变量不再显著，这也表明e租宝事件对市场的影响在逐步减小。
表7 风险传染特征(2016年2月数据)

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
(四)按周分类回归结果
更进一步，可基于2015年12月e租宝事件发生后的周度数据，利用平台规模和人均投资金额两个指标，对市场风险传染特征进行稳健性检验，结果如表8、表9和表10所示。
周度数据的稳健性检验结果显示：平台规模与人均投资金额对平台成交量的影响虽整体上不如月度数据显著，但仍表现出相同的规律，即平台规模越大，对平台成交量的负向影响越大；平台人均投资金额越高，对平台成交量的正向影响越大。且这种影响在风险传染开始后的第一周最显著，随着时间的推移，平台规模与人均投资金额对平台交易量的影响逐渐减弱。
表8 风险传染特征(第1周数据)

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
表9 风险传染特征(第2周数据)

注：*，**，***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
表10 风险传染特征(第3周数据)

注：*,**,***分别代表10%,5%,1%的显著性水平。括号内数值为t统计量。
四、研究发现
e租宝事件发生后，市场投资情绪出现下降，投资者普遍对网络借贷投资持有更加谨慎的态度。在研究假设下，运用正常平台和问题平台的相关数据，设计变量、构建模型进行分析，对新金融业态市场风险传染特征获得了一些有意义的研究发现。
(一)风险显著地传染至问题平台
e租宝事件后，问题平台与正常平台交易量整体上均有一定程度的下降，而问题平台的下降幅度更加显著，二者的交易量表现存在较为显著的差异，相比正常平台，问题平台交易量的波动幅度更大。2015年12月—2016年2月，是平台交易量下降幅度较大的时期，这段时期内，不论是正常平台还是问题平台，整体上都受到了较大的影响。风险传染期间内，各平台交易量变化呈现不同趋势，一些平台交易量大幅下降，而另一些平台交易量却大幅上升。这也反映了风险传染期内市场资金流向的替代效应，即并非所有投资者都减少了对网络借贷平台的投资，而是将资金从一部分平台转移到另一部分平台。
(二)风险更显著地传染至大规模平台
风险开始扩散后，平台规模对交易量的变化有较为显著的负向影响，即风险传染期内，平台规模越大，成交量下降幅度越大。平台规模对交易量呈负向作用，使得平台受风险传染影响程度大。这可能是由于大规模平台资金构成较为多元化，市场短期资金大多集中在大规模平台，因此在风险传染期内波动幅度较大。
银行信用危机中，越受到投资者信任的银行，资金流出量越小，遭受挤兑乃至倒闭破产的可能性越低。而新金融业态的风险传染则相反，平时成交量越大的平台，在风险扩散期内，成交量下降幅度越大。这表明，市场一旦出现风险，投资者最先减少投资的往往是大规模平台，这样大规模平台相对小规模平台受到的影响反而可能更大。
(三)风险更显著地传染至人均投资金额低的平台
人均投资金额越高，对交易量的正向作用越大，平台受危机影响程度越小。作为衡量平台负债端资金集中度的指标，人均投资金额越高，说明平台负债端的资金越集中，平台与投资者之间的联系越紧密，投资者在危机中对平台的信息识别能力更强，因此人均投资金额较高的平台受到风险冲击的程度较小。反之，人均投资金额越低，平台成交量降幅越大，受风险传染的影响更显著。
这一发现与Kashyap et al.(2002)以及Iyer & Puri(2012)的研究结论有相似之处。Kashyap et al.(2002)认为，银行最好能够在储户与贷款者之间建立一种联系，这样在危机时有助于减少银行自身的金融脆弱性。Iyer & Puri(2012)曾经研究过的银行挤兑案例也显示，投资金额高、与银行保持更为密切联系的客户(比如曾向该银行贷款)前往银行挤兑的可能性显著低于普通储户。新金融业态市场上也存在类似规律，投资金额高，投资者与平台保持的联系一般会更紧密，平台在风险传染中所受的影响就越小；投资金额少，投资者与平台保持的联系相对较弱，平台在风险传染中受到的影响就越大。
随着时间的推移，平台规模与人均投资金额对平台交易量变化的影响程度逐渐减弱，危机事件对市场的冲击逐渐减小，平台交易量波动幅度也开始下降，逐步趋于稳定。如上研究发现，有助于理解新金融业态市场的风险传染机制，也能在一定程度上发现投资者的投资规律，了解投资者对平台的价值判断与选择。更为重要的是，可揭示新金融业态市场上风险传染的特征，监管部门可以突出监管重点，甄别平台风险，在必要时可采取措施对相关平台实施救助，防止风险的传染与扩散。
参考文献
苟文均、袁鹰、漆鑫，2016：《债务杠杆与系统性风险传染机制——基于CCA模型的分析》，《金融研究》第3期。
廉永辉，2016：《同业网络中的风险传染——基于中国银行业的实证研究》，《财经研究》第9期。
王鹏、吴金宴，2018：《基于协高阶矩视角的沪港股市风险传染分析》，《管理科学学报》第6期。
杨海军、胡敏文，2017：《基于核心—边缘网络的中国银行风险传染》，《管理科学学报》第10期。
Apergis, N., C.Christou, and I.Kynigakis, 2019, “Contagion across US and European Financial Markets: Evidence from the CDS Markets”, Journal of International Money and Finance, 96: 1-12.
Baur, D.G.,2012, “Financial Contagion and the Real Economy”, Journal of Banking and Finance, 36 (10)：2680-2692.
Calomiris, C.W.,and C.M.Kahn, 1991, “The Role of Demandable Debt in Structuring Optimal Banking Arrangements”, American Economic Review，81(3)：497-513.
Calomiris，C.W.,and J.Mason, 1997, “Contagion and Bank Failures During the Great Depression: The June 1932 Chicago Banking Panic”, American Economic Review，87(5): 863-883.
Chen, Y., 1999, “Banking Panics: The Role of the First-come，First-served Rule and Information Externalities”, Journal of Political Economy，107(5)：946-968.
Iyer, R.,and M.Puri, 2012, “Understanding Bank Runs: The Importance of Depositor-bank Relationships and Networks”, American Economic Review，102(4)：1414-1445.
Kashyap, A., R.Rajan, and J.Stein, 2002, “Banks as Liquidity Providers: An Explanation for the Co-existence of Lending and Deposit-taking”, Journal of Finance, 57(1)：33-73.
Lagunoff, R.,and S.Schreft, 2001, “A Model of Financial Fragility”, Journal of Economic Theory, 99(1)：220-264.
Longstaff, F., 2010, “The Subprime Credit Crisis and Contagion in Financial Markets”, Journal of Financial Economics，97(3)：436-450.
Rijckeghem, C.V.,and B.Weder, 2003, “Spillovers through Banking Centers: A Panel Data Analysis of Bank Flows”, Journal of International Money and Finance, 22(4)：483-509.
Saunders, A.,and B.Wilson, 1996, “Contagious Bank Runs: Evidence from the 1929-1933 Period”, Journal of Financial Intermediation, 5(4): 409-423.
TYPICAL FACTS AND FEATURES OF CONTAGION IN CHINA’S NEW FINANCIAL INDUSTRY
LI Cang-shu
(National School of Development, Peking University)
Abstract: Based on the data of 718 normal platforms and 129 risky platforms collected from the P2P market, this paper analyses the changes of market funds before and after the occurrence of a typical risk contagion event and constructs a model to study the features of risk contagion in new financial industry from monthly and weekly dimensions. This paper finds that the risk is more significantly transmitted to platforms with larger scales and lower investment per capita. During the period of risk contagion, the larger the scale of the platform is, the greater the negative effect on the transaction volume will be. The higher the per capita investment amount of the platform is, and the closer the relationship between the platform and investors is, the greater the positive effect on the volume change will be. As time goes on, the impact of the scale and the amount of investment per capita on the change of the trading volume of the platform weakens. During the period of risk contagion, there is a significant difference in the post-crisis transaction volume between risky platforms and normal platforms. In addition, the flow of capital in the market presents a certain substitution effect.
Key words: new financial industry; risk contagion; typical facts; features
* 李苍舒，北京大学国家发展研究院，北京大学数字金融研究中心，邮政编码：100871，电子信箱：licsh@ pku.edu.cn。本文得到国家社科基金重大项目(18ZDA091)、国家自然科学基金项目(71673296)、中国博士后科学基金项目(2018M641037；2019T120002)的资助。感谢匿名评审人提出的修改建议，笔者已做了相应修改，本文文责自负。
(责任编辑:付 敏)