自2014年首只民企公募债违约、2015年首只国企公募债违约以来,刚兑打破后信用债市场不确定性愈演愈烈,爆发了许多令人咋舌的违约事件,2020年的永煤事件更是颠覆了市场认知,信用债市场遭受巨大冲击。加之新冠疫情席卷全球,需求下降,供给收缩,经济下行,信用环境面临前所未有的挑战。信用市场囊括了国民经济全部行业,而行业之前常有多层联系,既有信贷、贸易、股权、供应链等直接关系,也有宏观环境敏感性等带来的间接关系。行业之间会因为这些复杂联系产生风险关联,识别不同社会背景下的风险溢出规律具有重要意义。因此本文以行业信用风险为研究对象,旨在通过构建风险传染网络,研究不同背景下行业信用风险传染特征的差异。对于一般信用风险,往往从主体出发,从违约概率大小和损失金额多少两方面衡量风险水平。然而,行业并不具有经济活动行为主体属性,不具有个人账户、公司财务报表、国库单一账户、国际收支平衡表等资产负债衡量工具,所以难以按照“主体思路”估计信用风险。为此,本文将行业信用风险定义为行业信用环境恶化的风险,并采用“成分思路”进行度量。先度量微观公司信用风险,再构造行业信用风险指数。由于行业内龙头公司或大型公司出现债务危机或信用危机更容易使得行业信用环境发生恶化,因此本文在选择样本时,在保证所有细分子行业都被充分覆盖的前提下,充分考虑了资产规模大小的因素。考虑到行业代表性公司不是一成不变,本文以“五年规划期”划分了2006-2010年、2011-2015年和2016-2020年三个时间窗口,在不同时间窗口内基于相同规则分别抽取行业代表性样本公司,并分别建立风险传染网络。这样既保证了估计的连续性,也提高了样本的代表性,同时提供了更丰富的分析视角。不同时间窗口内可以分别构造的网络模型,进而比较不同阶段行业信用风险传染特征变化的差异。在对行业信用风险做出定义、选定好时间窗口后,下面依次按照“量风险-建网络-析特征”的流程进行建模分析。量风险,即度量行业信用风险。首先,在不同时间窗口基选择代表性公司样本集合。其次,提取样本公司的财务数据和市场数据,并做月频插值、股权价值计算等修正处理。接着,选用EGARCH模型度量股权价值变化的波动率,以刻画市场对好坏信息反应不同的“杠杆效应”。然后,将已知变量输入KMV模型,求解公司违约距离序列。最后,利用资产-负债综合赋权的方法对公司违约距离序列做加权平均,得到行业违约距离指数来刻画行业整体信用风险水平。建网络,即构建风险传染网络。本文选用Copula贝叶斯网络的方法对行业违约距离序列构造有向加权网络,网络结构由多元联合密度最优分解下的条件Copula密度形式而决定。连边权重为每一组Coupla相依关系的下尾相关系数,可以通过Copula的估参数估计结果直接求出。参数估计的方法是极大似然法,选择最优结构的标准是BIC统计量最小。析特征,即分析网络统计特征。借鉴复杂网络分析的技术方法,分别分析风险传染网络的网络结构整体特征、节点中心性特征和连边相依关系特征,同时比较不同时间窗口网络的差异,总结网络风险传染的阶段性和一般性规律。最终发现行业信用风险的复杂度逐期提高,网络节点的重要性整体提升,局部“小世界”效应也更加越发明显。传统基础型行业在风险传染网络中始终保持着相对重要的地位,并且风险对外溢出作用比较突出,而创新研发型行业的风险收集效应越来越明显。