系统性金融风险的度量及其时变经济效应研究

石广平，刘晓星，段聪颖

(1.河南财经政法大学 金融学院，河南 郑州 450000；2.东南大学 经济管理学院，江苏 南京 211189)

一、 引言与文献综述

在中国经济深刻转型和关键跨越时期，过去经济高速增长所掩盖的一些结构性矛盾、金融创新带来的高杠杆率和房地产市场泡沫压力所蕴含的巨大风险隐患均日渐凸显。为此，党的十九大报告明确提出要“守住不发生系统性金融风险的底线”，中共中央、国务院及各金融监管部门高度重视金融风险，一系列监管措施如结构性去杠杆、地方政府债务风险处理、房地产市场健康发展引导等持续进行，目前已进入防范和化解重大金融风险的关键和反思阶段。与此同时，我国金融系统面临国内外风险环境日益复杂的局面，一方面，内部经济结构转型、新旧增长动力转换过程中积累的风险可能继续暴露和交叉感染溢出，另一方面，外部不确定性冲击加剧，2018—2019年的中美贸易摩擦和2019年以来全球新冠肺炎疫情均对我国实体经济和金融系统造成一定冲击。在此背景下，准确构建系统性金融风险综合指数并提高对其监测和应用能力是新形势下防范和化解系统性风险的现实需求。此外，系统性金融风险对宏观经济的影响与所处经济环境和风险水平有关，监管部门在密切关注系统性金融风险发展动态的同时，需准确判断其将对宏观经济产生的影响，把握好政策制定和实施的时机、方向和力度，提高政策使用的有效性。因此，深入探讨系统性金融风险对实体经济的动态影响，分析不同时期不同风险状态下系统性金融风险对实体经济产生的时变影响，可以使政策制定者更有针对性地采取措施，对维护我国金融系统稳定具有重要的理论和现实意义。

关于系统性金融风险度量的方法主要包括以下三类：(1)基于国家层面的早期预警指标体系法。该方法对已发生过金融危机国家的极端事件进行分析，探讨可以预测金融危机发生的共同信号指标及临界值，进而估测某一国家在某一时刻爆发金融危机的可能性[1]。其重点在于使用具有前瞻性预警效果的风险因子，但对于没有爆发过金融危机的国家来讲并不适用。(2)考虑金融机构和金融市场之间风险传染的模型法。模型法主要通过条件在险价值(CoVaR)[2-4]、边际期望损失(Marginal Expected Shortfall，MES)[5-7]、未定权益分析(Contingent Claims Analysis，CAA)[8-9]和网络拓扑[10]等方法讨论系统性风险在不同金融机构或金融行业之间的溢出效应。该方法主要针对某一金融机构或子市场而言，不能衡量金融体系整体的风险情况。(3)同时适用于分市场和国家层面的金融压力指数法。金融压力指数法深受国内外学者广泛使用，最早由Illin和Ying[11]提出，主要通过测度某一经济主体一定时期内的金融压力来分析风险相对水平，为没有发生过金融危机的国家测度系统性金融风险指出了新的思路。此后，Balakrishnan等[12]、Louzis和Vouldis[13]、许涤龙和陈双莲[14]以及陶玲和朱迎[15]等对其进行了运用和改进。其中，陶玲和朱迎[15]基于金融机构、股票市场和政府部门等七个维度的基础指标，采用相关系数赋权法构造了系统性金融风险综合指数；何青等[16]考虑涵盖机构个体、个体间联动和传染等风险因素，结合分位数回归法构造了系统性金融风险指数；清华大学金融与发展研究中心课题组[17]选取债券市场、股票市场等4个金融子市场的13个子指标，基于时变相关系数法合成了动态权重的我国系统性金融压力指数；郭娜等[18]从宏观经济、外部经济、货币流动性以及资产价格四个风险来源选取指标，运用因子分析法对我国金融系统的脆弱性进行了度量。可见，已有关于金融压力指数法研究的主要区别在于基础指标的选取角度与综合指数的合成方法上。从基础指标的选取来看，部分学者侧重风险在金融机构与实体经济之间的传染[16]，该类研究在很大程度上忽略了金融市场的作用；部分学者侧重涵盖多个金融部门或金融市场，且逐步向同时构建系统性金融风险在不同维度指数和综合指数的方向发展[15,19]，该类研究忽略了实体经济与系统性金融风险的关联机制；还有一些学者从系统性金融风险的风险来源层面选取指标[20-21]，该类研究容易忽略系统性金融风险的作用结果。就指数合成方法而言，已有文献大多采用等权重[22]、相关系数赋权法[15]、主成分分析和因子分析法[20]，这些方法均属于静态权重范畴，不能动态捕捉到系统性金融风险合成系数的时变特征。目前，已有研究在合成综合指数时开始基于时变相关系数来构建动态权重[17,23]，但该类研究在构建时变权重时依赖子市场风险自身或相关性特征，忽略了金融子市场风险对实体经济的影响。

在构建系统性金融风险综合指数的基础上，学者们进一步探讨其对实体经济、宏观经济的冲击效应和预测能力[24]。部分学者认为系统性金融风险对实体经济具有负向效应，刘晓星和方磊[25]运用VAR模型指出金融压力对宏观经济具有显著的不利影响；刘瑞兴[26]通过格兰杰因果检验方法发现系统性风险压力指数对实体经济具有长期逆向影响；马勇和黄科[22]通过将金融压力指数引入产出方程，指出金融压力指数对产出存在显著负向影响。部分学者认为在资产价格泡沫初期和金融压力上升初期，系统性金融风险对宏观经济起到一定的促进作用，如陈建青等[27]研究表明在正常的风险水平下，金融行业的风险溢出效应与市场繁荣程度正相关。近年来，随着计量方法的不断进步，有学者指出系统性金融风险与宏观经济之间呈现非线性关系。Aboura和Roye[28]运用马尔科夫贝叶斯转换模型(MSBVAR)表明在高金融压力下宏观经济波动剧烈，在低金融压力下宏观经济波动平缓；徐国祥和李波[29]通过时变向量自回归模型(TVP-VAR)指出中国金融压力指数在上升区制对经济增长的负向影响高于在平稳下降区制的负向影响；丁慧等[23]结合马尔科夫区制转移模型(MS-VAR)检验中国金融市场压力指数对宏观经济的非线性效应。可见，系统性金融风险与宏观经济之间关系的结论存在不一致现象，且具有明显的非线性特征。

综上所述，在系统性金融风险度量的研究中，综合指数合成时权重设置以静态居多，少量动态权重也是从基础指标自身相关性出发，未能体现系统性金融风险对实体经济的冲击效应，未能动态反映不同时点各金融子市场对系统性金融风险的实时贡献程度；在系统性金融风险的经济效应方面，已有文献较多考虑金融压力综合指数对经济增长的影响，未能分析比较各个金融子市场压力指数和系统性金融风险综合指数对经济增长的冲击效果；且大多数采用马尔科夫区制转换模型分析不同风险区制下的经济效应，不能具体到特定时点分析系统性金融风险的实时经济效应。相比已有文献，本文的贡献主要体现在：(1)对系统性金融风险的度量进行了改进：方法上，结合时变随机波动率结构向量自回归模型(TVP-SV-SVAR)，运用时变脉冲响应函数构建合成系统性金融风险综合指数时的动态权重；视角上，考虑各子市场金融风险对实体经济的时变冲击效应，构造出了基于对实体经济冲击效应的动态权重系统性金融风险综合指数。(2)同时分析各子市场金融压力指数和系统性金融风险综合指数对实体经济的实时影响，从而为系统性金融风险的监管提供更有针对性的参考价值。

本文剩余部分的结构如下：第二部分介绍了本文的研究方法，包括系统性金融风险的度量方法、高低风险点区分方法及其时变经济效应的分析方法；第三部分是系统性金融风险的度量结果和状态划分；第四部分分子市场和整个金融系统层面探讨系统性金融风险对实体经济的时变冲击效应。

二、 研究方法

(一) 系统性金融风险的度量方法

本文系统性金融风险综合指数的合成分为以下四个步骤：

第一步，选取基础指标。借鉴已有系统性金融风险指标体系的构建方法，选取涵盖金融机构和金融子市场的基础指标，从量纲、频率、完整性、与系统性金融风险关系等角度对指标进行标准化、频率转换、缺失数据补充和正向化等预处理，将原始数据转换为可比较数据。

第二步，构建各子市场金融压力指数。结合主成分分析方法构建我国各金融子市场的压力指数，记为x1t,x2t,…，xnt，其中n为金融机构和子市场的个数。记衡量实体经济的变量为yt，与各子市场金融压力指数一起组成n+1维向量zt=(x1t,x2t,…，xnt,yt)。

第三步，计算各子市场金融压力指数的时变权重。由于各子市场金融压力指数和系统性金融风险综合指数的相关系数具有随时间变化的特征[15]，各金融子市场对系统性金融风险的贡献程度亦具有时变性。TVP-SV-VAR模型能够捕捉灵活经济体系基本结构的时变特征：一方面通过时变系数估计获得变量间不稳定的关系，另一方面通过时变波动率解决模型异方差问题。本文运用TVP-SV-VAR模型得出各子市场金融压力指数对实体经济的时变冲击效应，并据此构造各子市场的动态权重。对向量zt构造如下TVP-SV-SVAR模型：

(1)

其中，At为(n+1)×(n+1)结构矩阵，B0t,B1t,…,Bst为(n+1)×(n+1)系数矩阵，Σt是以[σ1t,σ2t,…,σst]为对角线的(n+1)×(n+1)对角矩阵，均是随时间t变化的时变矩阵。对Bit中元素进行重新组合得[(n+1)2s+(n+1)]* 1的列向量βt，定义矩阵Xt=In+1⊗[1,z′t-1,…,z′t-s]，⊗代表克罗内克积。由此式(1)可写成如下形式：

(2)

参数βt，At和Σt均为时变的。借鉴Nakajima[30]提出的贝叶斯统计推断框架下的马尔科夫蒙特卡罗算法(MCMC)进行参数估计，限于篇幅此处不再赘述。

(3)

其中，wit为第i个子市场金融压力指数在第t时期的权重系数，且∑|wit|=1。

第四步，合成系统性金融风险综合指数(CISFRt)。按如下动态加权即可得CISFRt：

(4)

(二) 系统性金融风险高低区制的划分模型

各子市场金融压力指数及系统性金融风险综合指数在不同经济环境下具有明显差异，具体体现在风险高低及风险转变上。由于马尔科夫区制转换自回归模型(MS-AR)能够在不需要主观设定阈值的情况下实现时间序列的状态转换分析，使其成为分析金融风险动态变换的有力工具。本文在构建各子市场金融压力指数和系统性金融风险综合指数的基础上，采用MS-AR模型分析我国系统性金融风险的状态。为此，建立如下MS-AR模型：

(5)

其中，St=1,2表示系统性金融风险处于高、低风险两种状态；μSt为系统性金融风险CISFRt在状态St下的截距项，σSt是残差项在状态St时的标准差；k是滞后期数，n是滞后阶数。从t-1期的状态i,i=1,2转移到t期的状态j,j=1,2的转移概率为：

pij=P(St=j|St-1=i),∀i,j∈{1,2}

(6)

(7)

(三) 系统性金融风险的时变经济效应分析方法

实体经济对于各金融子市场压力冲击的时变脉冲响应在构建系统性金融风险综合指数时已充分考虑，结合模型(1)的参数估计结果即可进行分析。为分析系统性金融风险综合指数的实体经济效应，进一步构建包含CISFRt和经济增长的两变量TVP-SV-VAR-模型，即将模型(1)中n+1维向量zt替换为二维向量(CISRFt,yt)，便可分析任意时点t实体经济变量yt在受到来自CISFRt一个正向标准差冲击后不同滞后期的脉冲响应，由此可区分不同时点不同风险状态下系统性金融风险对实体经济的时变冲击效应。

三、 系统性金融风险的度量和状态划分

(一) 基础指标选取、数据说明及预处理

基础指标体系的构建对准确度量系统性金融风险十分重要[32]。我国系统性金融风险压力指数测算的研究起步虽然较晚，但随着我国经济发展进入“新常态”和金融结构改革的不断推进，房地产市场、政府部门债务和泡沫经济对系统性金融风险的影响越发深远。已有文献在指标体系的选择上从最初的重点关注银行、外汇和证券市场[25]，发展到纳入对银行信贷具有重要影响的房地产部门[14]，再到涵盖更广泛的金融机构、金融市场和政府部门[15]。因此，本文在构建系统性金融风险基础指标体系时尽量涵盖金融领域的各个方面，以期能反映各金融子市场、部门的风险状况，并快速反映整个金融系统的风险状态。此外，本文从系统性金融风险的作用结果，即对实体经济冲击的视角来构建系统性金融风险综合指数，因此宏观经济层面不再纳入基础指标体系，而是选取经济增长作为参考指标，用国内生产总值GDP来衡量。基于以上考虑，本文构建的系统性金融风险基础指标体系如表1所示。样本区间为2007年1月—2020年6月，数据来源于中国债券信息网和Wind金融数据库。

表1 系统性金融风险基础指标选取

由于24个基础指标的量纲、频率、完整性、与系统性金融风险关系等方面有所不同，本文从以下几个方面进行数据预处理：(1)正向化处理。对于与系统性金融风险成反向关系的基础指标，参考郭娜等[20]，通过取相反数对其进行正向化处理。(2)频率转换处理。对于个别没有月度数据的指标(如不良贷款率、GDP)，参考许涤龙等[14]，运用Eviews对其季度数据进行频率转换为月度数据。(3)缺失数据的补充。对于部分1月份有缺失数据的指标(如商品房销售面积、销售额、房地产投资额等)，采用平滑插值法补齐。(4)标准化处理。对于量纲不统一问题，借鉴Kremer等[39]，根据累计经验函数将基础指标的数据转化为(0，1]之间，具体的标准化方法如下：

记第i个子市场中第j个基础指标的原始数据序列为xi,j,t=(xi,j,1,xi,j,2,…，xi,j,n)，其中n为样本期内某一基础指标的样本个数。将原始基础指标序列升序排列后的新序列记为(xi,j,[1],xi,j,[2],…，xi,j,[n])，其中，xi,j,[1]≤xi,j,[2]≤…≤xi,j,[n]，[r]表示观测值在整个序列中的排序号。进一步可以计算出样本{xi,j,t}所服从的经验分布函数Fn(xi,j,t)，即观测获得样本{xi,j,t}中不超过数值xi,j,t的样本个数与该序列总样本数量的比值：

(8)

基于上述经验分布函数可将原始序列标准化为(0,1]上的序列。记标准化后的基础指标序列为Sn(xi,j,t)，则Sn(xi,j,t)=Fn(xi,j,t)。若原始序列中某几个样本点的取值相等，则这几个样本点标准化后的取值为其观测值所占次序比值的平均值。

(二) 各子市场的金融压力指数构建及分析

在合成系统性金融风险综合指数时需要考虑各子市场风险对经济增长的冲击效应，因此首先运用主成分分析法对各子市场的基础指标合成子市场金融压力指数。在进行主成分分析之前，运用KMO和Bartlett球形检验对各子市场数据进行适应性检验。KMO检验标准是，KMO值越大越适合进行主成分分析，KMO值低于0.5则表明数据不适合进行主成分分析。如表2所示，各金融子市场的KMO检验结果均大于0.5，且Bartlett球形检验的p值均为0，说明各子市场基础指标之间具有相关性，可以对其运用主成分分析方法处理。

表2 各金融子市场KMO与Bartlett检验

图1 银行部门金融压力指数及区制划分

图2 股票市场金融压力指数及区制划分

图3 房地产市场金融压力指数及区制划分

图4 债券市场金融压力指数及区制划分

图5 外部金融市场压力指数及区制划分

图6 货币市场金融压力指数及区制划分

(1)对于银行部门金融压力指数而言，在2008年7—12月、2011年10—11月、2014年12月—2015年2月和2018年3—4月期间，银行部门系统性风险处于高风险状态。(1)对于处于高风险区制的个别点(图1和图2中数竖直的线而未形成阴影区域)，由于仅一个点的高风险表明其持续期短，本文只分析阴影区域部分。银行部门在2008年7—12月的高风险与美国次贷危机有关，由于我国紧急实施救市政策，宏观经济在2009年逐渐回暖，银行部门系统性风险在2009年也明显降低。受欧债危机影响，银行部门风险水平从2011年开始上升，并于2011年10—11月呈现高风险水平，之后回落到低风险状态。2013年“钱荒”事件发生后，我国实施宽松货币政策[40]，影子银行蓬勃发展，银行信贷规模持续增长，银行部门系统性风险在2014年12月—2015年2月再次快速上升，并跃至高位。随着央行对表外业务的大力清理以及对影子银行监管的加强，银行部门的风险压力在2016年出现回落。2018年在中美贸易摩擦的冲击下，银行业系统性风险再次上升。

(2)股票市场在2007年1—3月、2009年6—7月、2014年12月—2015年5月和2019年2—3月四个较短区间内呈现出较高的风险水平。2007年初股票市场高风险与当时股市繁荣相关，2008年受次贷危机影响股市进入低迷阶段，2009年市场预期变好，杠杆资金进入，风险再次上升，在2009年6—7月呈现出高风险状态，后因我国房地产火爆，资金轮动到房地产市场，股市风险有所下降。2014年下半年到2015年上半年我国股市经历了泡沫加速形成、迅速繁荣以及破灭的过程，与之对应形成此阶段股市的高风险状态，之后股票市场处于低风险水平，直到2019年初股票市场震荡加强，股市风险稍微有所上升，但是相对而言比较平稳。

(3)对于房地产市场金融压力而言，在2007年1—8月、2009年3—7月、2012年11月—2013年3月、2014年10月—2016年10月以及2020年1—6月期间房地产市场风险水平明显高于其他时期。受住房市场化改革影响，我国房价在良好的经济增长环境和与之同步增长的居民收入支撑下开始暴涨，2007年1—8月涨幅较大，该阶段房地产市场对应呈现出高风险状态，之后全球金融危机带来的经济下滑给房地产业造成很大冲击，房地产市场风险有所控制。为应对全球金融危机影响，中国政府采取4万亿元投资计划，且央行在2008年到2009年多次降低基准利率，多个城市对房产税放宽要求，流动性供给增加，房价在2009年再次不断膨胀，房地产市场又陷入一片狂热，风险急剧增加，因此，2009年3—7月房地产市场亦表现出高风险状态。之后在宏观政策调控下，房地产市场从2011年到2014年处于平稳状态，房地产市场风险维持在较低水平。2015年股票市场资金在股灾驱动下不断轮动到房地产市场，同时受到取消限购、放松限贷、鼓励房地产开发、放宽公积金贷款等政策影响，2016年下半年，以南京、郑州、合肥为代表的二线城市房价大幅上涨，再次推高了房地产市场的风险水平。2020年上半年，受新冠肺炎疫情影响，房地产市场压力增大，风险水平又有所上升。

(4)债券市场金融压力指数变化的波动程度较强，但是高低风险状态的划分仍然十分清晰，且与重要金融事件相关：2008年10月—2009年2月，受全球金融危机影响，债券市场金融压力指数显著上升，风险水平明显较高；2009年3月—2014年9月，在宽松货币政策的大环境下，债券市场的风险压力较低；2014年10月—2015年7月，受股灾和房地产市场间歇暴涨影响，债券市场的金融风险显著增强；2016年—2018年上半年，债券市场金融压力指数均处于负值水平，风险较低；2018年下半年之后，受中美贸易摩擦、全球新冠肺炎疫情和国外资本市场异常波动的冲击，债券市场金融风险在2019年12月—2020年5月再次呈现较强的波动和压力。

(5)外部金融市场从2007年到2014年其金融压力指数呈现下降趋势。2014年之后我国宏观经济增速放缓，受“8·11”汇改影响，人民币贬值压力增大，外部金融市场压力指数开始上升，并于2016年10月—2017年6月达到高风险水平；2018年受中美贸易摩擦的冲击，外部金融市场压力再次攀升，在2018年7—10月表现为高风险水平。

(6)货币市场主要在2010年8月—2015年4月呈现出较高的风险水平，这主要与该期间较高的货币流动性水平有关。为应对全球金融危机，政府采取积极的财政政策和货币政策，2009年货币流动性上升，货币市场风险随之明显增加。虽然2010—2011年央行实施了系列紧缩性货币政策，过剩的流动性稍有回收，但2012年在美国等发达国家实施量化宽松的国际背景下，我国再启降息、降准等宽松货币政策，由此带来的大量流动性使得我国货币市场风险维持高位。随着货币流动性的增加逐步转入股票市场和房地产市场，我国金融市场资产价格上涨，货币市场风险也相继转移到股票和房地产等金融市场，2015年之后货币市场一直处于相对平稳的状态，市场风险也维持在较低水平。

由上可知，2015年以来，除股票市场和货币市场外，其他4个子市场压力指数呈现趋势性增强的态势，说明近年来我国系统性金融风险处于不断积聚增强的过程，这也是我国多次提出守住不发生系统性金融风险底线的重要原因。此外，各子市场的金融压力指数均呈现高低风险交替出现的周期性，并具有以下特征：(1)各子市场金融压力指数的变化情况具有一定的相似性：在经济、金融环境平稳时期，各金融子市场的风险水平也相对平稳；在经济趋热、金融繁荣或国际环境复杂时期，各金融子市场的系统性风险表现出不断积聚和集中爆发的特征。(2)各子市场的金融压力指数之间具有明显异质性：除银行部门和股票市场的金融压力指数接近程度较高外，其他各子市场的压力指数表现出的风险水平和波动程度存在显著差异。

1.2.用科学的教学方法。子曰：“不愤不启，不悱不发，举一隅不以三隅反，则不复也。”这种启发式的教学思想在今天仍然没有过时。学生充分进行独立思考的基础上，再对他们进行启发、开导。这样不仅可以使学生尝试到自己学习的乐趣，而且可以培养学生独立自主的品格。当然，“因材施教”也必须要贯穿在教学中。根据不同学生的认知水平，学习能力、性格等因素，选择适合每个学生特点的学习方法，有针对性的教学，发挥学生的长处，弥补学生的不足，从而激发学生学习的兴趣，树立学生学习的的自信，达到理想地预期效果。

(三) 各子市场金融压力指数的时变权重计算

各子市场金融压力指数的异质性导致其对系统性金融风险的贡献程度存在差异，在构造系统性金融风险综合指数时，如果假设各子市场的权重相等或是静态，均是不合适的。考虑到系统性金融风险对实体经济的冲击效应，本文结合模型(1)和公式(5)构造各子市场的动态权重。

图7 中国金融各子市场动态权重

如图7所示，不同时点各子市场的权重不同。整体来看，银行部门、股票市场和外部金融市场权重相对较高，尤其2014年以来，银行部门权重稳居最高。此外，动态权重与市场环境有较好的匹配：银行部门权重在2008年次贷危机和2014年不良贷款率上升之后较高，2008—2009年以及2014—2020年其占比接近0.4左右，其他时期占比在0.1和0.3之间；股票市场权重在2008—2010年、2016—2017年两个时期内较高，反而在2006—2007年和2014—2015年股市牛市期间权重较低，这可能是由股票市场与宏观经济的特殊关系造成的。本文在构建系统性金融风险时考虑了对经济增长的冲击效应，作为“经济晴雨表”的股票市场在一定程度上提前反映出经济形势，实体经济的响应存在一定滞后性，因此，股市权重在两轮牛市之后的一段时间内较高；房地产市场权重在2009—2010年房价暴涨期间快速上升，由接近于0直接上升到0.1以上，之后在房价波动及房价调控政策影响下房地产市场比重呈波动状态，于2012年底2013年初达到0.2，之后下降，2014—2018年初房地产市场比重较低，2018年下半年开始迅速增加，再次跃至0.1之上，2020年受疫情影响有所回落；债券市场受2011年欧洲主权债务危机和2018年中美贸易摩擦影响，在其后一定阶段具有较高权重；外部金融市场权重在2008年次贷危机和2020年国外疫情期间权重较大；货币市场权重在2014—2016年宽松货币政策环境下较高。以上说明，在考虑各金融子市场对实体经济冲击后构造的时变权重能够和经济事实吻合，并能区分不同阶段各子市场对系统性金融风险贡献程度的不同，有助于系统性金融风险的针对性管理。

(四) 系统性金融风险综合指数的度量结果及分析

在计算各金融子市场动态权重之后，结合公式(6)合成我国系统性金融风险综合指数，如图8所示。图8表明该指标对中国系统性金融风险水平的刻画较为准确。中国系统性金融风险综合指数的走势能够很好地反映2008年金融危机及之后“四万亿计划”、2014—2015年股市泡沫到股灾、2018年中美贸易战以及2020年以来的新冠肺炎疫情等重要经济金融事件背景。整体来看，中国系统性金融风险可分为以下几个高低风险交替的区域：

图8 中国系统性金融风险综合指数及高低风险区制划分

(1)2007年1月—2009年9月：2006—2007年股市繁荣，股票市场风险迅速上升；2007年底开始的全球金融危机促使股市泡沫破裂，风险有效释放，但银行部门、债券市场和宏观经济受到冲击，银行部门和债券市场的风险压力攀升，宏观经济和金融稳定受到威胁；为促进经济复苏，2008—2009年央行多次调低基准利率，增加流动性，2009年房价出现暴涨，房地产市场繁荣相应带来压力。因此，2007年1月—2009年9月，在股票市场、银行部门、债券市场和房地产市场相继高风险压力下，我国系统性金融风险处于高风险水平。

(2)2009年10月—2011年9月：2008年采取的4万亿元投资计划在该阶段作用逐渐显现，2009年下半年宏观经济逐渐好转，金融风险得以缓解，也使得我国系统性金融风险逐渐走出高风险区域，处于低水平状态。

(3)2011年10月—2012年6月：受欧洲债务危机、国内地方债务危机和影子银行体系风险等影响，该阶段金融风险再度上升，我国系统性金融风险又处于较高水平。

(4)2012年7月—2014年8月：该阶段股票市场、房地产市场和外汇市场均比较平稳，虽然货币市场由于流动性过度处于较高风险状态，银行业也因不良贷款率的上升提高了其系统性风险，但在多个市场风险均衡后，该阶段处于低风险区域。

(5)2014年9月—2015年5月：2014年下半年随着股市牛市的到来，股票价格泡沫逐渐膨胀，风险逐渐积聚，直至2015年上半年股灾导致股价泡沫破裂，股市风险才有所下降。在股市泡沫风险的贡献下，2014年9月—2015年5月我国系统性金融风险处于高风险状态。

(6)2015年6月—2017年12月：该阶段各子市场中只有房地产市场出现高风险状态。针对2016年部分二线城市的房价暴涨，我国20多个城市都实施了强有力的调控政策，有效限制了房地产市场的投机行为，及时释放了房地产市场风险。同时，股灾之后，我国对股市的监管也日益严密，坚守资本市场服务实体经济的宗旨。因此，该阶段我国系统性金融风险虽然引起了广泛关注，但仍然处于低风险区域。

(7)2018年1月—2019年2月：中美贸易摩擦作为一种负外部冲击，首先引起外部金融市场风险的迅速上升，进而引起银行部门风险的放大，以及股票市场的剧烈波动，因此，该阶段我国系统性金融风险再次攀升，转化为高风险状态。

(8)2019年3—12月：2017年底开始，我国政府高度重视系统性金融风险的防范和化解，启动了一轮防风险、强监管、去杠杆到稳杠杆等一系列金融改革制度，该阶段我国系统性金融风险逐渐回落，虽然仍处于一个相对高位，但是进入了低风险状态。

(9)2020年1—4月：在全球新冠肺炎疫情的严重冲击下，生产停滞降低了实体经济价值的增加，消费降低、负面情绪增加了市场的不确定性，各金融子市场震荡剧烈，表征为高风险状态的子市场有债券市场和房地产市场，同时股票市场、外部金融市场和货币市场均有不同程度的震荡，该阶段我国系统性金融风险综合指数明显上升，进入高风险区制。

(10)2020年5—6月：随着国内疫情得到控制，复工复产逐步增加了经济活力，虽然在经济增长放缓、房地产市场压力增加、国外疫情严重等综合因素下系统性金融风险综合指数可能不会短时间大幅回落，但是我国已进入货币政策和宏观审慎政策“双支柱”调控的新时期，在逆周期货币政策和监管政策调控下，我国系统性金融风险综合指数有所下降。

四、 系统性金融风险对实体经济时变冲击效应

防范和化解系统性金融风险必须认清其对实体经济的冲击方式和效果，由上一部分分析可知，不同时点不同子市场对系统性金融风险的贡献程度是不一样的，说明不同时点各子市场的金融压力对经济增长的冲击效应亦是不同的。因此，本部分在各子市场金融压力指数和系统性金融风险综合指数区制划分的基础上，进一步运用TVP-SV-VAR模型探讨各子市场金融压力指数和系统性金融风险综合指数对实体经济的时变冲击效应。MS-AR模型的区制划分和TVP-SV-SVAR模型的随机抽取相结合，一方面克服了马尔科夫区制转换模型仅能分析整个高风险或低风险区制，不能分析具体时点系统性金融风险对实体经济影响的缺点，提高了监管过程的实时性；另一方面克服了仅用TVP-SV-SVAR模型随机抽取时点规律性欠缺的缺陷。

(一) 各子市场金融压力对经济增长的时变冲击

对包含各子市场金融压力指数和经济增长的TVP-SV-VAR模型(1)进行参数估计之后，可获得样本期内各时点上的脉冲响应。结合各子市场金融压力指数高低风险的区制划分，随机选取不同子市场上两个高风险点和两个低风险点来分析不同时点经济增长对于子市场金融压力一单位正向冲击形成的脉冲响应，结果如图9所示。

图9 经济增长对不同时点各子市场金融压力指数的脉冲响应

图9(a)表明，经济增长对于银行部门金融压力高低风险点上冲击的脉冲响应并不一致。对于2008年10月和2013年1月两个高风险点的银行部门金融压力冲击，经济增长当期响应值为负，从第1期转为正值，之后下降并逐步稳定于较小的正值。对于2009年6月和2016年11月两个低风险点的银行部门金融压力冲击，经济增长当期响应为较小正值，在第1期达到最大值，随后变小在第3期稳定于一定正值。从图9(b)可以看出，经济增长对于高低风险点股票市场金融压力冲击的脉冲响应变化趋势相似。在四个不同时点施加四次股市金融压力正向冲击，经济增长当期均有负向响应，且均从滞后第3期开始脉冲响应接近于0值附近。但在2007年2月和2015年4月两个高风险点当期负向响应较大，在2010年10月和2017年6月两个低风险点当期负向响应较小。结合图9(c)来看，在高低风险点，房地产市场金融压力对经济增长的当期影响方向不同，滞后影响则方向一致。当期来看，高风险点(2010年6月和2016年12月)房地产市场金融压力指数对经济增长具有负向冲击效应，低风险点(2009年4月和2015年12月)房地产市场金融压力指数对经济增长则具有正向冲击效应。从滞后1期开始，房地产市场金融压力在高低风险点对经济增长均有负向冲击效应，且随着滞后期的增加该负向冲击效应逐渐减弱，从滞后9期开始接近于0。图9(d)说明，经济增长对于外部市场金融压力冲击的当期响应在高风险点(2017年5月和2018年7月)为负，在低风险点(2012年4月和2019年5月)为正，而滞后期的脉冲响应在高、低风险点均为正，且随着滞后期的增长正向响应逐渐减小。由图9(e)可知，与房地产市场和外部金融市场类似，债券市场金融压力冲击对经济增长的影响在当期表现为，高风险点(2014年9月和2020年3月)具有负向影响，低风险点(2011年7月和2018年3月)具有正向影响。但是，无论高风险点还是低风险点，债券市场金融压力冲击对经济增长的影响在滞后1期均为负，随后逐渐变小，在滞后4期转为正向，并在滞后10期接近0。图9(f)表明，对于高风险点和低风险点，经济增长对于货币市场金融压力冲击当期均表现为负向脉冲响应，但高风险点响应较大，低风险点响应较小，说明高风险点货币市场金融压力对经济增长的负向影响更大。经济增长对于货币市场金融压力冲击的脉冲响应在第2期转为正，并从第3期开始逐步降低，于第7期开始稳定接近于0的正值。

综合来看，不同子市场金融风险对经济增长的冲击作用有着显著的差异性，同一金融子市场风险在不同时点对经济增长的冲击作用亦有所不同，但具有一定的规律性。可以发现：(1)短期内银行部门、房地产市场、外部金融市场和债券市场的系统性风险对经济增长的作用效果与风险高低有关，高风险位置的冲击对经济增长具有抑制作用，低风险位置的冲击对经济增长具有促进作用。究其原因，银行部门、房地产市场、外部金融市场和债券市场金融压力的上升常伴随着银行不良贷款率增加、汇率和房贷利率的降低，不良贷款的增加在初期不但弊端未有显示，反而可增加流动性，汇率降低带来国外资金的流入，这些均会推高资产价格。在资产价格上涨初期，系统性金融风险偏低，此时房地产价格和债券价格的上涨推动了实体经济的扩张，进而促进经济增长；随着资产价格的进一步上涨，资产价格泡沫不断积聚，系统性风险大大增加，此时一旦发生监管趋严、利率和汇率上升，势必带来融资成本的上升、企业还本付息的困难以及国外资金的撤离，容易引发资产价格泡沫破裂，甚至诱发金融危机，对经济增长造成负向冲击。可见，在银行部门、房地产市场、外部金融市场和债券市场的低风险点，如果能够及时发现隐藏在经济繁荣背后的危机，适时缓解单个市场的风险，既可避免某一市场的风险纵向传递至实体经济，也可防止个别市场的金融压力横向扩散到其他市场，降低系统性风险转变为高风险后带来的经济损失和管理成本。(2)与前面四个子市场不同，短期内股票市场和货币市场的金融压力对经济增长均有负向作用，但高风险位置冲击对经济增长的作用效果比低风险位置冲击的作用效果更加明显。股票市场的金融压力上升伴随着股市波动增加，通常带来市场偏好的下降；货币市场金融压力的上升则伴随着利率的上升，通常带来企业融资成本的上升；两者均使得企业融资环境恶化，投资回报率降低，进而造成企业的生产缩减，引致实体经济下滑。而在系统性金融风险较高时期，其对经济增长的负向影响显著增加。对比来看，经济增长对于股票市场和货币市场金融压力的负向响应更为迅速，监管部门对这两个市场的金融压力变动反应应更为敏感，避免风险上升对经济增长造成更大危害。(3)长期来看，房地产市场和银行部门的金融压力对经济增长冲击的滞后效应更持久，但房地产市场金融压力对经济增长的长期冲击效应为负，银行部门金融压力对经济增长的长期冲击效应为正。这意味着政府对房地产市场的风险调控应当更加精准，避免房地产市场风险带来长期的负向经济效应。

(二) 系统性金融风险对经济增长的时变冲击

图10 经济增长对系统性金融风险综合指数的脉冲响应

为进一步讨论系统性金融风险对经济增长的冲击效应，构建包含系统性金融风险综合指数和经济增长的TVP-SV-VAR模型。类似于各子市场金融压力对经济增长的冲击效应研究，本小节结合图8中对系统性金融风险的高低状态划分，随机分别选取三个高风险点和三个低风险点来分析不同风险水平上经济增长对于系统性金融风险一单位正向冲击形成的脉冲响应，结果如图10所示。

由图10可知，经济增长对于系统性金融风险在高低风险状态上正向冲击的响应短期内并不一致，长期则基本保持一致。就经济增长对于系统性金融风险的当期脉冲响应而言，在2011年10月、2014年12月和2018年9月三个高风险点处表现为负向响应，在2009年11月、2013年10月和2016年6月三个低风险点则表现为正向响应，说明短期来看，适度的风险有利于促进经济增长，而过高的风险则对经济增长具有抑制作用。对于六个不同时点上的冲击，经济增长对于系统性金融风险的脉冲响应在滞后1期均为负，说明当前时刻系统性金融风险增加会导致下一期经济增长减少。在滞后2—4期之间，经济增长对系统性金融风险的脉冲响应在不同时点有正有负。无论是在高风险点还是在低风险点，经济增长对系统性金融风险的脉冲响应从滞后5期开始接近于0，并从滞后9期开始稳定接近于0的负值，说明长期来看，系统性金融风险对经济增长具有负向影响。

比较各子市场金融压力指数和系统性金融风险综合指数对经济增长的影响可以发现：(1)银行部门、房地产市场、外部金融市场和债券市场的金融压力和系统性金融风险综合指数对经济增长的短期影响方向一致，均表现为低风险状态下正向影响，高风险状态下负向影响，而股票市场和货币市场的金融压力无论在低风险还是在高风险状态对经济增长的短期影响均为负。(2)长期来看，系统性金融风险综合指数对经济增长具有负向冲击效应，而各子市场压力指数对经济增长的长期效应则有正有负。因此，防范和化解系统性风险可以由单纯参考系统性金融风险综合指数，转变为综合考虑各市场金融压力指数和系统性金融风险综合指数。根据本文的时变脉冲响应和各子市场动态权重的构建，关注各子市场的金融压力变化，判断其对经济增长的预期影响及演变为系统性金融风险冲击的可能性，进而提高政策实施的前瞻性和有效性。

五、 结论与政策建议

本文利用TVP-SV-SVAR模型，基于对实体经济冲击视角，结合时变脉冲响应方法构建了动态权重的系统性金融风险综合指数，并从各子市场金融压力和系统性金融风险综合指数两个层面分析了不同风险状态下系统性金融风险对实体经济的冲击效应。研究结果表明：第一，各子市场的金融压力指数变化具有一定的相似性，均呈现周期性特征，同时各子市场的金融压力指数变化在风险水平和波动程度上存在明显的异质性。第二，六个子市场在不同时点对系统性金融风险的贡献程度有所不同，银行部门、股票市场和外汇市场的贡献度相对较高。第三，基于对实体经济冲击效应的动态权重系统性金融风险综合指数对中国系统性金融风险水平的刻画较为准确，与样本期内实际金融经济事件的发生相吻合。第四，不同金融子市场风险对经济增长的冲击作用具有显著差异性，同一金融子市场风险在不同时点对经济增长的冲击作用亦有所不同，但具有一定的规律性。第五，不同风险状态下系统性金融风险对经济增长的冲击效应有所不同，高风险状态下系统性金融风险冲击对经济增长具有短期抑制作用，低风险状态下系统性金融风险冲击对经济增长则具有短期促进作用；系统性金融风险在高低状态下对经济增长均具有长期的负向冲击效应。

整体而言，金融体系与实体经济的关系是一个非线性、随时间变化的复杂系统，系统性金融风险亦是一个充满不确定性、不断演化的过程。基于此本文提出以下政策建议：第一，应当在考虑对实体经济冲击效应的基础上，及时准确测度系统性金融风险的演化过程，挖掘银行部门、股票市场、房地产市场、债券市场、外部市场和货币市场等各子市场中暗藏的危机，为宏观审慎管理提供有效的预警信息和科学依据。第二，由于各金融子市场对系统性金融风险的贡献程度不同，应当实时分辨系统性金融风险来源比较强的子市场，结合子市场系统性风险高低状态转换的时点分析，及时运用金融监管政策进行预调，从而有针对性地监测金融系统的运行状况和风险程度。第三，鉴于系统性金融风险对经济增长的冲击效应与风险高低状态有关，适度的风险在短期内可以刺激经济增长，过度的风险则无论短期还是长期均会抑制经济增长，管理系统性金融风险不能一概而论。根据系统性金融风险程度的大小，充分考虑其对经济增长的作用机理，在判断其对经济增长的冲击效应基础之上采取适当的监管措施，可以对风险走势、风险结构转变和风险程度进行有效监控，降低系统性金融风险对实体经济的负向冲击效应。