我国的宏观杠杆率在2020年达到了270.1%,远远超过新兴经济体的平均杠杆率;在此之中非金融企业部门的杠杆率高达151.3%,在经济部门中处于领先地位。在过去相当长的一段时期内,我国的政策环境处于宽松状态,各行业中普遍存在盲目扩大经营规模、盲目扩大负债规模等现象,当经济发展降速时,这些积累下来的问题已经发展成为严重的风险隐患。最近我国的房地产业出现了大规模的经营困境,这其中恒大集团出现的问题尤其引人瞩目。在2020年以前恒大集团大肆买地买资产,并大幅扩大自身的负债规模,当2020年开始政策收紧后,恒大集团潜在的风险出现暴露:一是出现大规模的推迟交房,二是出现大规模的信贷、债务违约。虽然恒大集团积极采取措施,达到了将净负债率降至100%以下的目标,但经营困境没有得到根本性扭转,对关联行业也造成了较大的冲击。由此可见,非金融业中的系统性风险问题已比较严重。因此,针对不同行业的系统性风险具体表现及演变机制进行研究有着重要的现实意义。已有的文献对于系统性风险的研究重点关注金融机构所起的作用,尤其是系统重要性金融机构的影响。Chen等（2014）、Acharya等（2017）采用不同的方法研究发现银行机构比保险机构具有更高的系统性风险水平。Pais和Stork（2013）以欧元区的银行样本进行研究,发现规模较大的银行具有较高的系统性风险贡献。也有一些学者开始关注非金融业的系统性风险问题,例如朱波和马永谈（2018）通过研究发现系统性风险在金融业与非金融业之间表现出较大差异。目前学术界对行业系统性风险的度量研究较少,此外对其动态演变机制的探讨也相对不足。系统性风险具有不同的传染方向,李政等（2019）指出系统性风险既有个体对系统的影响,也有系统对个体的影响,并进一步对金融业下不同机构的系统性风险问题进行了实证研究。除此之外,目前少有研究关注系统性风险不同传染方向的区别。对系统性风险进行研究不仅要关注其表现,更要了解其形成的驱动成因。国内外一些学者从不同的侧重点对这一领域进行了研究,例如朱波等（2016）采用CES方法研究发现系统性风险与非利息收入之间存在非线性关系。徐超（2011）认为宏观经济的波动会催化系统性风险。大量的实证研究集中于某一方面的驱动成因分析,忽略将内在因素和外在因素纳入统一考虑,此外也忽略周期波动的影响;陈雨露等（2016）研究发现金融周期的波动不仅会影响经济增长,同时也会直接影响金融危机发生的概率。为了有效化解系统性风险,各国监管机构都加强了货币政策与宏观审慎政策的运用,一些学者对其调控效果进行了分析,如Agur等（2019）重点关注了货币政策与宏观审慎政策对金融机构信贷的影响。但是大部分研究仅关注金融业受到的影响,而忽略关联实体行业受到的影响。了解不同行业的系统性风险表现有何差异、其动态演变机制有何不同,不仅有利于各行业提高其自身的抗风险能力,更有利于宏观审慎监管框架的构建。对其背后的驱动成因进行分析应当不仅将内部因素和外部因素纳入统一考虑,也要将金融周期波动的影响纳入考虑,动态地分析行业系统性风险的驱动成因在不同的周期阶段有何变化,能够为风险预警机制的构建提供重要参考。货币政策和宏观审慎政策被广泛地运用在我国的监管实践中,评估其调控效果有利于宏观审慎监管框架的不断完善。因此,本文研究的目的在于对行业层面的系统性风险进行深入研究、并探讨其驱动成因与政策影响,根据行业系统性风险的传染特征研究其度量方法,并就不同的系统性风险传染方向研究其动态演变机制,结合金融周期视角实证研究行业系统性风险的驱动成因,进一步考察宏观审慎政策与货币政策“双支柱”政策机制对行业系统性风险的影响。论文共包括七个章节部分。第一章为绪论,介绍了本文研究分析的背景、意义、内容、目的、方法和创新之处。第二章对国内外相关研究进行了详细的论述,从系统性风险的相关内容、度量方法、金融周期对系统性风险的影响和宏观审慎监管研究四个方面进行梳理,并完成简要评述。第三章基于行业系统性风险的风险特征对度量方法进行了创新性研究,提出了新的RBF-ERNN模型。第四章将行业系统性风险根据不同内涵分为行业重要性与行业脆弱性,并基于RBF-ERNN模型对行业重要性与脆弱性的总体特征及动态演变机制进行了深入分析。第五章实证分析了内外因素对行业重要性与脆弱性的影响,并结合金融周期的不同阶段分析这种影响的动态演变机制。第六章分别从单独作用和搭配效果考察了“双支柱”政策对行业重要性与脆弱性的影响,并结合不同时期考察了其动态演变机制。第七章对文章的研究内容和研究结论进行了总结,探讨了相关的政策启示,并进一步对未来可能的研究方向进行了展望。论文的主要研究结论包括:（1）考虑到行业系统性风险具有动态性和复杂性的传染效应,本文将前沿的RBF神经网络引入到期望分位数回归中,建立了既能反映极端数据又能捕捉动态非线性效应的RBF-ERNN模型,并对模型的运用原理和运用性质进行了相关理论演绎,借助蒙特卡洛模拟法对模型的小样本性质进行了研究。通过与传统的期望分位数回归模型对比发现,RBF-ERNN模型的度量误差较小,具有明显的比较优势。（2）运用RBF-ERNN模型对我国各行业进行测度发现,从2008年国际金融危机以来,无论是行业重要性还是行业脆弱性,非金融业整体都呈现上升态势,表明行业系统性风险研究的必要性。就行业重要性而言,部分非金融业的系统性风险贡献在某些特定时期甚至会超过金融业,其中矿采业、制造业、建筑业和房地产业的波动幅度明显大于金融业。就行业脆弱性而言,非金融业的脆弱性整体大过金融业,说明当危机发生时非金融业受到的冲击更大,这是由于金融业受到严格的政策监管从而被动地提高了风险抵御能力。在定义系统性风险监管特征的前提下,分别从特殊时期和过渡时期对其进行分析。结果表明,金融业的监管特征在不同的特殊时期差异明显,如08年金融危机时金融业的重要性特征较强而脆弱性特征较弱,到了15年“股灾”时期情况刚好相反,这样的变动在过渡时期也表现得较为明显。对于部分重要的非金融业,例如矿采业表现出了较长时期高重要性监管特征,说明其风险贡献在增强。而软件相关行业在较长时期表现出了高脆弱性监管特征,说明其抗风险能力较弱。（3）行业特征和宏观经济对行业系统性风险具有一定的解释力,这种作用表现存在差异:一是金融业与非金融业之间存在差异,二是在金融周期的不同阶段表现出了差异。根据Braun等（2005）的做法,本文根据相关特征将金融周期划分为高涨阶段、衰退阶段和平常阶段三个部分。从行业重要性的驱动成因来看,金融业在周期高涨期会受到股权市账比、股价收益比和GDP增长率影响,非金融业在周期高涨期会受到规模和股权市销比的影响,在平常期会受到规模和总资产周转率的影响,而在衰退期会受到股权市销比和股价收益比的影响。从行业脆弱性的驱动成因来看,金融业在周期平常期会受到总资产周转率的影响,非金融业在周期的高涨期会受到现金持有增量与总资产周转率的影响,在平常期会受到总资产周转率和GDP增长率的影响,而在衰退期会受到现金持有增量的影响。（4）现有的宏观审慎政策与货币政策“双支柱”政策机制对不同行业的系统性风险有较为明显的调控效果,这种效果对于不同行业以及不同时期也存在差异性。总体而言,无论是行业重要性还是行业脆弱性,货币政策对各行业的调控均是有效的,金融业的效果大于非金融业。宏观审慎政策对于各行业的行业重要性调控是有效的,非金融业的效果大于金融业。当考虑到两者的搭配效果时,各行业的行业脆弱性受到的影响明显强于行业重要性。此外,就动态演变机制而言,无论是对行业重要性还是行业脆弱性“双支柱”政策的单独作用在“股灾”前明显比“股灾”后更加有效。值得注意的是,“双支柱”政策对于行业脆弱性的搭配效果在“股灾”后的非金融业样本中显著有效,说明货币政策和宏观审慎政策处于一个逐步磨合的过程。论文的创新之处主要体现在以下五个方面:（1）从跨行业的角度研究了我国系统性风险的风险特征以及动态演变机制。一直以来,学术界的目光聚集在金融机构尤其是系统重要性金融机构对系统性风险的作用,并从不同的研究背景出发对系统性风险产生的原因以及会造成的影响进行了分析（Kaufman,1996;Kaufman和Scott,2003;等等）。随着金融市场开放度的不断提高以及非金融行业潜在风险的增加,不同行业的系统性风险研究问题得到了更多的关注,某些文献已经关注到非金融行业也会带来系统性风险危害（Guntay等,2014;马永谈,2018）,但是对跨行业的系统性风险研究严重不足。因此,本文对行业系统性风险进行了深入的研究,不仅关注其具体表现,还探讨其背后的驱动成因,更进一步分析现有的宏观监管框架对行业系统性风险的调控效果。（2）系统性风险的度量与以往的研究方法不同,采用前沿的RBF神经网络对现有的度量方法进行创新。对系统性风险的准确度量是进行相关理论研究的前提,因此需要结合我国行业系统性风险的特征对度量方法进行研究。在主流的方法中,市场数据法中的Va R（Vaule-at-risk,在险价值）指标逐渐成为现代风险管理的重要组成部分（Philippe,2001）,受到了监管机构的青睐,被巴塞尔委员会选为基本风险监管指标。Adrian等（2011）对在险价值Va R进行改进并提出了条件在险价值Co Va R;新指标能够更好地捕捉风险传染关系,对我国行业系统性风险的研究具有很强的适用性。然而,该指标现有的度量方法对跨行业的系统性风险效应无法全面反映,考虑到RBF神经网络的应用优势,本文创新地将RBF神经网络与期望分位数回归（Expectile）结合起来提出了新的度量模型RBF-ERNN。（3）在行业系统性风险的框架下明确行业重要性和行业脆弱性的定义,区分两者的具体表现从而能够准确理解背后的理论和政策意义。现有的研究没有对系统性风险贡献和系统性风险暴露进行明确的概念区分,大多数研究仅仅关注其中一方面的表现,例如白雪梅等（2014）、周天芸等（2014）运用Co Va R方法测度了我国的系统性风险贡献;Acharya等（2012、2017）运用市场数据法测度了市场上的系统性风险暴露。甚至有的学者使用系统性风险贡献的测度方法对系统性风险暴露进行研究,从而得到了错误的结论。行业重要性的准确度量有助于我们了解当特定行业出现困境时会对整个体系造成何种冲击,而行业脆弱性有助于了解当危机发生时会对相关行业产生多大的冲击。结合两者对行业系统性风险进行深入研究对于防范和化解系统性风险具有重要的意义。（4）在探讨行业系统性风险背后的驱动成因时,不仅将内外因素统一纳入考虑,更将金融周期视角纳入考虑。已有大量的研究关注了系统性风险的影响因素,例如朱波等（2016）研究发现系统性风险与非利息收入之间存在非线性关系;朱波等（2018）在其研究中指出融资方式和融资结构的差异会影响系统性风险的溢出效应。但目前学术界较少对系统性风险成因进行全面的分析,因此,本文将内外因素统一纳入考虑,并进一步讨论金融周期波动在此之中产生的作用。Alessi等（2009）、Aikman等（2015）先后指出,金融周期的波动有利于反映宏观经济的潜在风险,是预警金融危机的有力指标。因此,全面地分析系统性风险的驱动成因并结合金融周期研究其演化机制,对风险预警机制的构建具有重要的理论参考。（5）讨论了现有的监管政策对行业系统性风险的单独作用以及搭配效果,为宏观审慎监管提供了理论支持。当前我国宏观审慎框架中主要包括货币政策和宏观审慎政策,两者被称为“双支柱”政策,它们的合理搭配有助于防范和防范系统性风险。已有的研究重点关注其对金融业的影响,例如Angelini（2012）基于DSGE模型对比了货币政策和宏观审慎政策在金融体系中的作用;Farhi和Werning（2016）研究发现货币政策和宏观审慎政策的有效搭配能够保持金融体系的稳定。较少有研究关注其对于实体行业有多大的作用效果,本文的研究有助于拓宽宏观审慎监管的理论框架。由于研究水平有限和问题本身的复杂性,论文的研究还存在一些不足:（1）本文提出的RBF-ERNN度量模型,采用的是蒙特卡洛模拟法而不是复杂的数学推导来证明其性质。未来可以在现有研究的基础上对该模型的性质进行数学推导,进一步证明该方法在系统性风险研究领域的适用性。（2）从数据收集的可行性考虑,本文仅选取最新的沪深300成分股作为样本,以此为基础构建的行业指标能够比较有效地反映行业现状,但未能反映全部的行业信息。在现有研究的基础上可以进一步提高数据收集能力,尽可能囊括各行业所有企业的数据构建行业指标从而更加准确地对行业层面的系统性风险进行研究。（3）在讨论“双支柱”政策的调控效果时,本文参考Cerutti等（2017）的方法,采用累加虚拟变量的方法构建宏观审慎指数（Macro-prudential Policy Index,MPI）。该方法不能具体分析不同政策工具在实施前后对行业系统性风险有何影响。因此,未来可进一步对这些方向进行深入的研究。