中國系統性金融風險與價格型貨幣政策傳導效應研究

呂政 劉麗萍

摘 要：監測系統性金融風險以及識別該風險對貨幣政策操作效果的影響，對于平衡穩增長與防風險具有重大現實價值。創新性地應用DMA-TVP-FAVAR模型從動態視角搭建中國系統性金融風險指數，并借助MS-VAR模型評估金融風險對價格型貨幣政策產出效應、價格效應的非線性影響。研究發現：貨幣市場在中國金融體系中具有重要地位，防范金融風險離不開貨幣市場平穩運行，銀行業、股票市場、房地產業、外匯市場在中國系統性金融風險指數中雖占比有限，但相對重要性上升。中國系統性金融風險具有明顯的兩區制特征，并且維持高風險區制的持續性更強。在系統性金融風險作用下，價格型工具的操作效果呈現非對稱性，金融風險的存在大幅削弱了貨幣政策有效性，為實現宏觀調控目標，中央銀行有必要加大貨幣政策操作力度。研究工作有助于建立起具有中國特色的系統性金融風險應對機制。

關鍵詞：系統性金融風險；貨幣政策；非對稱；DMA-TVP-FAVAR；MS-VAR

文章編號：2095-5960（2023）05-0012-10；中圖分類號：F832.5；文獻標識碼：A

一、引言與文獻綜述

隨著中國金融市場迅猛發展，金融體系背后累積的杠桿率高企、地方債務激增、影子銀行風險、房地產泡沫、金融脫媒等問題逐漸暴露，潛在的系統性金融風險在部分地區、行業積聚和釋放。與此同時，國際金融環境更加復雜多變，外部金融風險不利沖擊同樣不容小覷。系統性金融風險極易跨市場傳染，放大投資者情緒波動，負向沖擊實體經濟，深刻變化了金融體系與宏觀經濟的關聯機制。［1］ 正因如此，國家治理層面反復強調“堅決打好防范化解包括金融風險在內的重大風險攻堅戰”“保持物價水平基本穩定，打好防范化解重大金融風險攻堅戰”“健全金融監管體系，守住不發生系統性金融風險的底線”。可見，防范系統性金融風險對于中央銀行維護金融穩定至關重要。值得關注的是，中央銀行的貨幣政策執行和宏觀審慎政策實施有賴于金融體系傳導，特別在中國貨幣政策框架由“數量型”向“價格型”轉型時期，面對金融風險不斷變化，如何精確測度系統性金融風險？與之相關的問題是，央行的貨幣政策操作效果對金融風險變化如何反應？回應上述問題，不僅有利于充分識別中國系統性金融風險，還有助于明晰系統性金融風險對價格型貨幣政策有效性的影響，對于有序推進利率市場化改革具有重大現實意義。

關于系統性金融風險測度方面的研究，最具影響力的指標是金融壓力指數（FSI）。Illing & Liu最早選取銀行、外匯、債券、股票4個市場的9個代表性指標，結合因子分析方法，首次合成加拿大金融壓力指數。［2］ 由于金融壓力指數較好表征了金融市場承受的實際壓力，使其被多國中央銀行如美聯儲、歐央行，以及國際貨幣基金組織等國際組織廣泛使用。此后，學者們豐富了金融風險的度量方法，諸如主成分分析［3］、等方差權重法［4］、多元GARCH［5］等計量工具被廣泛地應用，但對指標權重的設計仍有不足。關于系統性金融風險影響方面的研究，學界多認為系統性金融風險上升會削弱金融市場功能，在融資約束下放緩投資、消費，收縮經濟活動。［6］ 何青等采用主成分分析分位數回歸法（PCQR）建立系統性金融風險指數，并探明系統性風險影響實體經濟的作用路徑。［7］ 周上堯和王勝利用DSGE模型做反事實模擬，發現系統性金融風險積聚將制約長期經濟增長。［8］ 與此同時，越來越多的學者關注到系統性金融風險帶來的經濟影響可能不是線性的。Holló et al.運用TVAR模型實證檢驗發現，當系統性金融風險超過閾值時，將導致宏觀經濟疲軟。［9］ Davig & Hakkio和Hubrich & Tetlow利用MS-VAR模型識別了系統性金融風險的轉移區制，得到了高風險區制惡化宏觀經濟的研究結論。［10，11］ 此外，系統性金融風險的跨部門、跨行業傳染也是當前的研究熱點之一［12-14］ ，但鮮有文獻就系統性金融風險對貨幣政策有效性影響的問題展開研究。

綜上所述，已有文獻對系統性金融風險及其影響做了大量研究，但也存在以下三方面的局限：第一，國內外學者在構建系統性金融風險指數時，通常設定各金融變量的權重是固定的，或是簡單動態的，而事實上系統性金融風險的觸發極其復雜，有必要根據金融數據的實際生成機制，對指標權重進行靈活地、動態的估計。第二，現有研究多數探究了系統性金融風險與實體經濟的聯動機制，強調中央銀行應當關注金融體系穩定，但鮮有文獻討論系統性金融風險下貨幣政策的宏觀調控效果。特別是結合當前貨幣政策框架量價轉型，專門針對價格型貨幣政策有效性的探討更是少之又少。第三，已有研究雖然關注到系統性金融風險存在非線性影響，但是在貨幣政策調控框架下，系統性金融風險對貨幣政策有效性是否同樣具備非對稱特點，還缺乏系統的作用機制分析。

鑒于此，本文在現有研究的基礎上，試圖在以下三個方面作出貢獻：第一，在指標構建上，首次應用DMA-TVP-FAVAR模型，從宏觀經濟、貨幣市場、銀行業、債券市場、股票市場、房地產業、外匯市場和國際金融中選取19個代表性指標，構建中國系統性金融風險指數。與以往指數相比，本文研究方法允許各指標進入模型的權重能夠隨時間推移而變化，更符合現實經濟中各因素誘發系統性金融風險幾率不同的典型事實。與此同時，在指標測度過程中，對宏觀經濟變量加以控制，剔除了宏觀經濟對系統性金融風險的影響，使得后續實證檢驗貨幣政策的產出效應、價格效應更加可靠。第二，在經驗證據上，借助MS-VAR模型將系統性金融風險指數納入貨幣政策分析框架，捕捉了中國系統性金融風險的區制轉移特征，并重點考察不同金融風險狀態下價格型貨幣政策操作的非對稱效果，得到了系統性金融風險弱化貨幣政策有效性的新證據。第三，在作用機理上，分析了系統性金融風險對價格型貨幣政策調控效果的影響。文章厘清了系統性金融風險對價格型貨幣政策傳導的影響渠道，并比較了不同金融風險狀態下，貨幣政策對實體經濟調控效果的區別。

二、作用機制分析

基于有效市場假說和理性預期假說，傳統經濟學理論假定貨幣政策向實體經濟傳導的紐帶——金融體系，是不存在金融摩擦的。但近年來在系統性金融風險積聚的助推下，貨幣政策傳導的中介悄然出現了新變化。系統性金融風險的產生，導致金融體系的信息不對稱和不確定性愈發突出，自然對央行政策操作帶來挑戰。本文正是基于這一點展開研究，以期明晰系統性金融風險對價格型貨幣政策有效性的影響。

在價格型貨幣政策框架下，中央銀行通過建立利率走廊，調節政策利率（代表性短期利率）在走廊帶寬內變動，運用公開市場操作等手段促使其他市場利率跟隨政策利率變動，進一步影響全社會的消費、投資，從而實現調控經濟穩定物價的目標。［15］ 簡言之，利率調控是價格型貨幣政策的關鍵。［16］ 具體地，利率傳導機制分為兩個環節：第一個環節，由短期利率向不同期限、品種、風險的中長期利率傳導（特別是長期利率）；［17］第二個環節，由長期利率向總需求傳導。［18］

在價格型貨幣政策傳導的第一個環節，由短期利率向長期利率傳導。短期利率（政策利率）變動能否通過利率期限結構引導長期利率（貸款利率）變動，取決于市場主體對短期利率變動是否敏感。在不同金融風險狀態下，價格型貨幣政策在第一個環節的傳導有明顯區別。當系統性金融風險較低時，現實的金融體系與理想的金融體系較為接近，傳統經濟理論是可以解釋現實經濟的。根據利率期限結構的預期理論，長期利率是在短期利率的基礎上加上部分風險溢價，則短期利率變動必然會對長期利率施加穩定影響。可見，在“低金融風險”狀態下，利率傳導渠道相對疏通，短期利率能夠引導長期利率變動。伴隨系統性金融風險逐漸增大，金融市場的不確定性強化了金融摩擦和市場分割，也帶來了更高的風險溢價，這使得現實經濟與理想經濟的差距越來越大，傳統經濟理論解釋現實經濟變得困難。在“高金融風險”狀態下，較高的風險溢價弱化了貨幣市場、債券市場、信貸市場的價格發現功能，造成短期利率與長期利率之間不再同步變化，甚至會出現長短期利率走勢背離。由上述分析可知，系統性金融風險通過提高風險溢價的方式，梗阻了短期利率向長期利率傳導，降低了貨幣政策利率傳導效率。

在價格型貨幣政策傳導的第二個環節，由長期利率向總需求的傳導。長期利率（貸款利率）對總需求的傳導反映了貨幣政策的宏觀調控效果，代表了貨幣政策的有效性。接下來具體分析不同風險狀態下貨幣政策的有效性。在“低金融風險”狀態下，如果央行執行寬松貨幣政策，下調貸款利率，將直接降低企業融資成本，有利于刺激投資需求。另外，降低利率的做法，間接提高了資產價格，使得銀行業資本凈值上升，有助于增加信貸供給。因此，低系統性金融風險下的寬松貨幣政策，能夠有效提振經濟。當然，促進經濟增長的同時也會帶來一定程度的通貨膨脹。反之，“低金融風險”狀態下的緊縮貨幣政策，會對產出、通脹帶來反向影響。在“高金融風險”狀態下，貨幣政策傳導機制變得復雜，加大了央行貨幣政策操作難度。具體而言，央行執行寬松貨幣政策通常是在經濟下行時期，目的是提振經濟。但不斷攀升的系統性金融風險，會對商業銀行等金融機構放貸策略產生兩方面影響。一方面，金融市場參與者的逆向選擇和道德風險加劇，商業銀行預期未來的違約率增加，銀行為降低違約損失通常會收緊放貸，選擇持有更多的超額準備金。另一方面，資產價格的不確定性提高，商業銀行往往不樂意接受估值風險較高的非流動資產作為抵押品，銀行提供融資時會更加謹慎。因此，在系統性金融風險作用下，商業銀行容易出現“惜貸”“懼貸”，信貸規模未能按預期擴張，寬松貨幣政策并不能起到預期復蘇經濟的作用。與此同時，系統性金融風險同樣會對貨幣政策穩定物價造成一定影響。一般而言，通貨膨脹會對貨幣政策操作的響應較為敏感。但是在系統性金融風險背景下，央行執行寬松貨幣政策操作所釋放的流動性，難以直接流向實體經濟，而是流入收益相對較高的房地產、股票市場等領域。在房地產或股票市場“空轉”的流動性將導致資產價格膨脹，但是對一般物價水平的影響有限。因此，系統性金融風險同樣會削弱貨幣政策宏觀調控的價格效應。對應地，央行實施緊縮貨幣政策往往在經濟過熱時期，緊縮性政策提高貸款利率的做法，一般可以減少投資，壓縮需求。但在“高金融風險”狀態，游離于監管外的影子銀行往往借貸頻繁，緊縮貨幣政策難以遏制信貸規模，并不能切實調節需求。由此可見，系統性金融風險將在一定程度上弱化貨幣政策操作效果，降低了貨幣政策有效性。

綜上所述，系統性金融風險將改變金融體系，進而阻塞價格型貨幣政策傳導機制，弱化貨幣政策操作在促進經濟增長、穩定物價水平方面的預期。因此，面對系統性金融風險攀升，為實現貨幣政策操作目標，中央銀行有必要加大貨幣政策操作力度。

三、中國系統性金融風險指數編制

（一）系統性金融風險測算方法

本文應用Koop & Korobilis開發的動態模型平均-時變參數-因子增廣向量自回歸模型（DMA-TVP-FAVAR）搭建中國系統性金融風險指數。［19］ DMA-TVP-FAVAR模型對時變參數-因子增廣向量自回歸模型（TVP-FAVAR）進行拓展，允許因子載荷矩陣隨時間變化，因子載荷是指構建中國系統性金融風險指數過程中各金融變量所占的權重。根據進入模型金融變量的不同，共建立Mj（j=1，…，J）個模型。第j個p階滯后DMA-TVP-FAVAR模型表示為：

x（j）t=λytyt+λftf（j）t+ut（1）

在式（1）中，x（j）t（t=1，…，T）是用于測算中國系統性金融風險指數的金融變量向量，x（j）t為xt的一個子集。因為xt是n×1維金融變量向量，所以存在最大數量為2n-1種向量組合。yt是s×1維宏觀經濟變量向量，f（j）t是潛在因子，解釋為本文所關心的系統性金融風險指數。λyt和λft分別是yt和f（j）t對應的回歸系數和因子載荷。簡言之，式（1）用于從各金融變量蘊含的金融風險信息中提取潛在的系統性金融風險指數。ut和εt分別為式（1）和式（2）的誤差項。在式（2）中，ct是截距項，（Bt，1，…，Bt，p）是模型的估計系數。式（2）對系統性金融風險指數與宏觀經濟變量之間的動態作用關系建模，以便刻畫兩者之間的互動和依賴關系。特別地，DMA-TVP-FAVAR模型能夠從系統性金融風險指數中剔除宏觀經濟變量的影響，保證了估計得到的系統性金融風險指數只包含與金融變量有關的風險信息。DMA-TVP-FAVAR模型利用卡爾曼濾波進行估計，參考Raftery et al.的動態模型平均思想，對所有金融變量可能構成的模型組合做加權平均，從而降低估計結果的偏誤。［20］

（二）代表性金融變量的選擇

構建中國系統性金融風險指數，必須選擇具有足夠代表性、能夠準確反映金融風險的變量。為了使選取的指標盡可能覆蓋整個金融體系，參考相關文獻［21-23］，并結合DMA-TVP-VAR模型的要求，本文最終選取8大類共計19個指標，涵蓋了宏觀經濟、貨幣市場、銀行業、債券市場、股票市場、房地產業、外匯市場和國際金融等多個方面，并結合各指標對系統性金融風險的影響方向區分了正向指標和負向指標。在此對各個指標做簡要介紹①①限于篇幅省略了各指標計算方法詳細介紹及變動方向具體解釋，備索（電子信箱：rainliuliping@126.com）。：

宏觀經濟穩定運行是防范系統性金融風險的核心，本文選取GDP增速、CPI缺口和杠桿率作為反映宏觀經濟的三個指標。貨幣市場是金融市場的重要組成部分，為短期資金融通提供便利，對促進金融市場穩定起到重要作用，本文選取流動性溢價、TED利差作為貨幣市場的兩個指標。中國以間接融資為主的融資方式，決定了銀行業在金融系統中占據核心地位，銀行業作為主要的金融中介機構，其承受的風險壓力直接牽動金融市場穩定，本文選取銀行業Beta系數、銀行業特質波動率和銀行板塊下跌變量作為來自銀行業的三個指標。經過多年長足發展，中國的債券市場逐漸成為金融體系不可或缺的一部分，債券收益率很大程度上反映了市場信心，本文選取期限利差和債指下跌變量作為債券市場的兩個指標。股票市場是中國投資者主要的投資渠道，股市異常波動是金融風險上升的重要原因之一，本文選取股指波動率、股指下跌變量和股債相關性作為股票市場的三個指標。中國的房地產信貸在銀行信貸中占有相當比重，房地產業風險對銀行業風險乃至宏觀金融風險具有重要影響，本文選取國房景氣指數變動率和房價下跌變量作為房地產業的兩個指標。外匯市場是國內外金融市場連接的紐帶，隨著匯率市場化改革不斷深化，外匯市場在中國金融市場中發揮的作用逐漸增大，本文選取匯率波動率和實際有效匯率高估作為外匯市場的兩個指標。國際金融市場的風險來源廣泛，本文選取VIX指數和國際油價波動作為國際金融的兩個指標。

本文數據來源于Wind數據庫，將不同頻率的時間序列數據統一為月度，樣本區間為2007年1月至2021年9月，共計177個觀察值。為編制中國系統性金融風險指數，需要對以上指標進行兩步預處理。首先，對各指標做同向化處理。將負向指標取相反數轉化成同向指標。其次，對指標做去量綱處理。本文采用經驗累積分布函數（CDF）對各指標去量綱。

（三）中國金融形勢的動態特征

圖1繪制了搭建中國系統性金融風險指數過程中，16個金融變量在各期進入DMA-TVP-FAVAR模型的平均時變概率。首先，從圖1容易看出各個變量進入模型的概率具有明顯的時變特征。其次，圖1給出了各變量在DMA過程中獲得平均權重相對大小的經驗證據。模型從數據生成機制出發，捕捉了各金融變量傳遞系統性金融風險的幾率，從統計學角度解釋了系統性金融風險變化的成因。對比圖1中各二級指標縱坐標的數值大小可知，貨幣市場在系統性金融風險指數中的相對重要性較高，銀行業、債券市場、股票市場、房地產業、外匯市場和國際金融的相對重要性較低，可見貨幣市場平穩運行對金融穩定至關重要。值得關注的是，自金融危機以來銀行業、股票市場、房地產業、外匯市場在中國系統性金融風險指數中雖占比有限，但相對重要性明顯提高。

利用DMA-TVP-FAVAR模型測度的中國系統性金融風險指數走勢見圖2。本文將系統性金融風險指數與重大突發事件相聯系，以便考察本文系統性金融風險指數的識別效果。總體而言，樣本期內中國系統性金融風險的變化幅度較大，呈現波動上升趨勢，意味著近年來中國金融體系潛在的金融風險不斷增大。2008年以前系統性金融風險處于低位。2008年國際金融危機爆發后，國際恐慌情緒蔓延至國內，股價大幅下跌，系統性金融風險迅速攀升。同年，中國政府緊急出臺一系列刺激計劃，雖緩解外部沖擊，但為宏觀經濟運行埋下隱患。2011年歐洲債務危機爆發，國際金融形勢動蕩，又一次推高系統性金融風險。2013年中國銀行業“錢荒”事件、2014年債券市場信用違約、2015年股票市場爆發“股災”直至2016年觸底企穩，一連串突發事件導致系統性金融風險激增。2018年中美貿易摩擦加劇國際資本市場波動，外匯市場金融風險積聚，潛在的金融風險再度上升。2020年受新型冠狀病毒性肺炎疫情不利沖擊，系統性金融風險再次大幅升高。可見，本文構建的中國系統性金融風險指數的驟升與國內外重大金融事件發生時點基本吻合，說明該指數較為準確地反映了中國金融體系的實際風險狀況。

四、系統性金融風險對貨幣政策有效性的非對稱影響

（一）模型介紹

本文試圖評估不同系統性金融風險狀態，對價格型貨幣政策產出效應、價格效應的非線性影響，因此應用Hamilton提出的馬爾可夫區制轉移向量自回歸模型（MS-VAR）進行識別。［24］ MS-VAR模型在傳統向量自回歸模型（VAR）的基礎上引入區制變量，該區制變量服從一個離散狀態的馬爾可夫隨機過程，并假定回歸變量依賴于區制變量，該設定為識別非線性作用關系提供了研究框架。［25］ 滯后p階的MS-VAR模型基本形式如下：

yt=μ（st）+A1（st）（yt－1）+…+Ap（st）（yt－p）+εt（3）

εt～NID（0，∑（st））（4）

根據方程的均值、截距、系數、方差是否依賴于區制變量所屬的狀態，可以將MS-VAR模型進一步區分為馬爾可夫均值轉移向量自回歸模型（MSM-VAR）、馬爾可夫均值自回歸系數轉移向量自回歸模型（MSMA-VAR）、馬爾可夫均值異方差轉移向量自回歸模型（MSMH-VAR）、馬爾可夫均值自回歸系數異方差轉移向量自回歸模型（MSMAH-VAR）、馬爾可夫截距轉移向量自回歸模型（MSI-VAR）、馬爾可夫截距自回歸系數轉移向量自回歸模型（MSIA-VAR）、馬爾可夫截距異方差轉移向量自回歸模型（MSIH-VAR）、馬爾可夫截距自回歸系數異方差轉移向量自回歸模型（MSIAH-VAR）。實際建模中，綜合比較各模型的對數似然值，以及AIC、HQ和SC準則，選取最優的MS-VAR模型形式。

（二）變量選擇

在價格型貨幣政策框架下，中央銀行通過利率調控促進宏觀經濟穩定。因此，本文結合貨幣政策調控框架，選取以下三類經濟變量：第一類為貨幣政策的操作變量。本文選取7天期上海銀行間同業拆放利率作為中國貨幣市場短期利率的代表，并將利率數據加工為實際利率，記為SHIBOR007。第二類是貨幣政策的目標變量。本文選取產出缺口、通脹缺口作為宏觀經濟的代理變量，分別記為GDPGAP和CPIGAP。之所以計算真實值和趨勢值的差額，是因為真實變量只能體現當期經濟增速的快慢，或當期通貨膨脹的高低，并不能反映當期的產出和通脹水平是否與潛在經濟水平相契合。第三類為系統性金融風險指數，記為CSFRI，上一章節已對該指數的構造進行詳細介紹，故不再贅述。以上數據均來源于Wind數據庫，樣本區間與系統性金融風險指數的構造保持一致。

（三）估計結果

1.單位根和因果關系檢驗

為避免MS-VAR模型的估計結果出現偽回歸，本文對各變量進行單位根檢驗（限于篇幅，檢驗結果留存備索）。檢驗結果表明，在樣本區間內，各變量不存在單位根，故使用MS-VAR模型估計得到的結果是可信的。考慮到不同系統性金融風險狀態下，價格型貨幣政策與產出缺口、通脹缺口之間的關系可能并不穩定，即貨幣政策的傳導可能是非線性的。為此，本文利用非線性格蘭杰因果關系檢驗方法，識別GDPGAP、CPIGAP、CSFRI和SHIBOR007四者之間的非線性因果關系。非線性因果關系檢驗結果顯示，在本文的模型經濟中，各個變量之間存在顯著的非線性因果關系，說明后續應用MS-VAR模型做實證檢驗是合理的。

2.MS-VAR模型的形式設定

建模前需確定MS-VAR模型的轉移區制個數和模型滯后階數。結合作用機制分析，金融體系理論上存在“高金融風險”和“低金融風險”兩種狀態，因此本文將MS-VAR模型的轉移區制個數設為2，并參考AIC及SC信息準則將滯后階數設定為2階。綜合比較表1中線性系統和非線性系統各模型對應的對數似然值（LL）、AIC準則、HQ準則和SC準則，選取最優的MS-VAR模型。從表1可以看出，MSIH（2）-VAR（2）對應的對數似然值最大，對應的AIC、HQ和SC值最小，意味著不同區制方程中的截距和方差會隨系統性金融風險狀態發生變化。此外，MSIH（2）-VAR（2）的LR線性檢驗統計值為236581，在1%的顯著性水平拒絕模型為線性的原假設，說明MS-VAR模型優于傳統的VAR模型。該實證檢驗結果表明，MSIH（2）-VAR（2）對樣本數據的擬合效果最為理想。

3區制轉移特征

圖3展示了MS-VAR模型在樣本期內的平滑概率，對比兩個區制下的平滑概率容易發現，系統性金融風險的區制分布涇渭分明，區制轉移特征明顯，并且金融風險區制轉移的時點與現實經濟中的突發事件會吻合。具體而言，除2008年次貸危機、2013年銀行錢荒、2014年債市違約三個關鍵時點外，自2007年至2014年平滑概率為1的區間多處于區制1。在該階段，雖有重大金融事件導致系統性金融風險激增，但整體上潛在的金融風險尚處于低水平狀態。經歷2015年A股股災，以及緊隨其后的中美貿易摩擦、新冠疫情沖擊，大幅推高了中國的系統性金融風險，2015年以后平滑概率為1的區間多處于區制2。基于圖3的中國系統性金融風險指數變化特征，并結合MS-VAR模型平滑概率估計結果可以判斷，區制1為低風險狀態，區制2為高風險狀態，并且金融風險的區制轉移主要受突發外生沖擊影響。

表2為低金融狀態和高風險狀態之間的區制轉移概率矩陣。由表2可知，區制變換具有明顯的“慣性”特征。具體而言，如果當期處于區制1，即當期的系統性金融風險較低時，那么下一期有934%的概率維持在區制1。反之，如果當期處于區制2，即當期系統性金融風險較高時，區制2保持不變的概率為947%。此外，由區制1轉移到區制2的概率，以及從區制2轉移到區制1的概率，分別為66%和53%。該結果表明，當期的系統性金融風險狀態存在路徑依賴，很大程度上取決于上一期的狀態。

兩個區制持續期的估計結果見表3。從表3可以看出，系統有445%的時間處于區制1，平均持續期為15080個月；系統有555%的時間處于區制2，平均持續期為18810個月。意味著在區制2下，即高系統性金融風險狀態下的持續期更強。

4.脈沖響應分析

參考Lü等［16］、王立勇和呂政［17］、呂政和劉麗萍［18］的做法，本文通過比較脈沖響應幅度的高低，來判斷價格型貨幣政策沖擊對宏觀經濟變量的影響。為了比較“高金融風險”和“低金融風險”下價格型工具有效性的差異，本文繪制了不同區制下各變量對價格型貨幣政策沖擊的脈沖響應圖像（見圖4）。從圖4容易看出，在兩個不同區制下，分別給短期市場利率一單位標準差的正向沖擊，對產出缺口、通脹缺口和系統性金融風險均會產生不同程度的負向影響，該動態影響具有明顯的時變特征，并最終趨于收斂。具體地，緊縮貨幣政策沖擊對產出缺口的負向影響最大，對通脹缺口的負向影響次之，對系統性金融風險的負向影響微弱。這與緊縮貨幣政策負向影響產出，抑制通貨膨脹、資產泡沫的傳統經濟學理論保持一致。需要注意，在兩個不同的區制下，各脈沖響應函數的變化趨勢高度相似，但是脈沖響應幅度存在較大差別，“高金融風險”區制下的脈沖響應幅度遠低于“低金融風險”區制下的脈沖響應幅度。該結果驗證了本文理論分析所做的推斷，即系統性金融風險對貨幣政策有效性的影響是非對稱的，并且系統性金融風險將弱化價格型貨幣政策操作效果。

宏觀經濟變量對價格型貨幣政策一單位標準差正向沖擊的累積脈沖響應圖像如圖5所示。比較圖5不同區制下的累積脈沖響應可知，在區制1中，也就是在低風險狀態下，產出缺口和通脹缺口對緊縮貨幣政策沖擊有更強勁的持續負向響應，當累積脈沖響應值逼近穩態時，累積脈沖響應幅度大致為區制2的7倍。由此可見，在系統性金融風險較低的情況下，通過利率調控宏觀經濟的效果更理想，而系統性金融風險上升將大幅削弱價格型貨幣政策的操作效果。該實證結果與本文作用機制分析的觀點保持一致。此外，從圖5還可以看出，緊縮貨幣政策雖然會對系統性金融風險產生負向影響，即貨幣政策收緊可以降低系統性金融風險，但是作用效果相對有限。

五、結論與建議

在系統性金融風險重要性日益突出的背景下，堅決守住不發生系統性金融風險底線已成為維護金融安全的一項重要任務。文章應用動態模型平均-時變參數-因子增廣向量自回歸模型（DMA-TVP-FAVAR）構建具有時變權重的中國系統性金融風險指數，并通過馬爾可夫區制轉換向量自回歸模型（MS-VAR）探究系統性金融風險對價格型貨幣政策產出效應、價格效應的非對稱影響。應用DMA-TVP-FAVAR模型測度得到的系統性金融風險指數與現有研究計算的指數相比，具有以下兩點優勢：一是允許各金融變量的權重隨時間變化。眾所周知，在不同時期，系統性金融風險驟升的原因并不一致，DMA-TVP-FAVAR模型從數據生成機制出發，估計了各變量傳遞金融風險的幾率，更貼近現實。二是剔除了宏觀經濟變量對金融風險的影響。在DMA-TVP-FAVAR模型的估計過程中，對宏觀經濟變量加以控制，一方面提高了系統性金融風險指數的準確度，另一方面保證了該指數不包含宏觀經濟信息，為后文診斷貨幣政策的宏觀經濟效應創造了前提條件。

研究結果顯示：第一，現階段受極端風險事件影響，中國系統性金融風險處于中高位。本文構建的中國系統性金融風險指數能夠隨時間動態變化，并且國內外重大金融事件發生的時間節點均在指數變化中有所反映，有效識別了中國金融體系潛在的金融風險。第二，中國系統性金融風險呈現典型的兩區制特征，即高風險區制與低風險區制并存，并且不同區制較難實現轉換，維持高風險區制的粘性更強。重大金融事件基本位于高風險區制，與系統性金融風險指數的變化趨勢保持一致，再次印證本文構建的指數具有代表性。第三，價格型貨幣政策對宏觀經濟的調控效果依賴于金融風險狀態，系統性金融風險大幅削弱了貨幣政策有效性。在“低金融風險”時期，產出缺口和通貨膨脹對貨幣政策沖擊的響應與傳統經濟理論一致；在“高金融風險”時期，貨幣政策的產出效應、通脹效應出現不同程度的弱化。

結合研究結論，本文提出如下政策建議：第一，加快完善宏觀審慎政策框架，強化貨幣政策與宏觀審慎政策“雙支柱”調控框架的協調配合。相比于貨幣政策側重于總需求管理，宏觀審慎政策更致力于維護金融穩定，中央銀行應當加強對金融市場局部風險點的宏觀審慎管理。第二，完善現代金融體系，破除體制機制障礙，堅持市場化、法治化原則處置風險。結合系統性金融風險難以自發實現區制轉移，建議貨幣當局和監管部門防范化解金融風險的同時，深化金融機構改革，明確業務邊界，強化約束機制，以便發揮金融市場自我調節功能。第三，中央銀行在執行貨幣政策時，應充分考慮當期的金融風險狀況，增強對金融風險的前瞻性、預判性。在“高金融風險”時期，價格型貨幣政策有效性將被弱化，為實現宏觀調控目標，中央銀行有必要加大貨幣政策操作力度。

參考文獻：

［1］Benhabib J， Liu X， Wang P. Sentiments， Financial Markets， and Macroeconomic Fluctuations［J］. Journal of Financial Economics， 2016， 120（2）： 420～443.

［2］Illing M， Liu Y. Measuring Financial Stress in a Developed Country： An Application to Canada［J］. Journal of Financial Stability， 2006， 2（3）： 243～265.

［3］Hakkio C S， Keeton W R. Financial Stress： What is It， How Can It Be Measured， and Why Does It Matter［J］. Economic Review， 2009， 94（2）： 5～50.

［4］Cardarelli R， Elekdag S， Lall S. Financial Stress and Economic Contractions［J］. Journal of Financial Stability， 2011， 7（2）： 78～97.

［5］Girardi G， Ergün A T. Systemic Risk Measurement： Multivariate GARCH Estimation of CoVaR［J］. Journal of Banking & Finance， 2013， 37（8）： 3169～3180.

［6］楊子暉， 陳雨恬， 張平淼. 重大突發公共事件下的宏觀經濟沖擊、金融風險傳導與治理應對［J］. 管理世界， 2020， 36（5）： 13～35；7.

［7］何青， 錢宗鑫， 劉偉. 中國系統性金融風險的度量——基于實體經濟的視角［J］. 金融研究， 2018（4）： 53～70.

［8］周上堯， 王勝. 中國影子銀行的成因、結構及系統性風險［J］. 經濟研究， 2021， 56（7）： 78～95.

［9］Holló D， Kremer M， Lo Duca M. CISS-A Composite Indicator of Systemic Stress in the Financial System［J］. ECB Working Paper， No.1426， 2012.

［10］Davig T， Hakkio C. What is the Effect of Financial Stress on Economic Activity［J］. Federal Reserve Bank of Kansas City， Economic Review， 2010， 95（2）： 35～62.

［11］Hubrich K， Tetlow R J. Financial Stress and Economic Dynamics： The Transmission of Crises［J］. Journal of Monetary Economics， 2015， 70： 100～115.

［12］崔百勝， 高崧耀. G20國家差異化金融條件下貨幣政策的非對稱性傳導研究［J］. 國際貿易問題， 2019（8）： 138～156.

［13］楊子暉， 陳雨恬， 陳里璇. 極端金融風險的有效測度與非線性傳染［J］. 經濟研究， 2019， 54（5）： 63～80.

［14］楊子暉， 陳里璇， 陳雨恬. 經濟政策不確定性與系統性金融風險的跨市場傳染——基于非線性網絡關聯的研究［J］. 經濟研究， 2020， 55（1）： 65～81.

［15］王立勇， 呂政. 利率走廊熨平市場流動性缺口的作用機制研究［J］. 系統工程理論與實踐， 2022， 42（3）： 617～636.

［16］Lü Z， Xu J， Liu L. The Interest Rate Transmission Mechanism and Transmission Efficiency of Monetary Policy in China： Empirical Analysis Based on TVP-SV-VAR Model［J］. Journal of the Asia Pacific Economy， 2023： 1～35.

［17］王立勇， 呂政. 資產證券化與貨幣政策利率傳導效率：證據與機制［J］. 中央財經大學學報， 2023（8）： 42～58.

［18］呂政， 劉麗萍. 金融數字化與貨幣政策有效性［J］. 現代經濟探討， 2023（9）： 36～48.

［19］Koop G， Korobilis D. A New Index of Financial Conditions［J］. European Economic Review， 2014， 71： 101～116.

［20］Raftery A E， Ka′rny′ M， Ettler P. Online Prediction Under Model Uncertainty via Dynamic Model Averaging： Application to a Cold Rolling Mill［J］. Technometrics， 2010， 52（1）： 52～66.

［21］徐國祥， 李波. 中國金融壓力指數的構建及動態傳導效應研究［J］. 統計研究， 2017， 34（4）： 59～71.

［22］李敏波， 梁爽. 監測系統性金融風險——中國金融市場壓力指數構建和狀態識別［J］. 金融研究， 2021（6）： 21～38.

［23］呂政， 胡晨沛. 結構突變下國際油價波動與中國石油行業發展的多重聯動關系［J］. 統計與信息論壇， 2021， 36（6）： 73～83.

［24］Hamilton J D. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle［J］. Econometrica， 1989， 57（2）： 357～384.

［25］Krolzig H M. Markov-Switching Vector Autoregressions： Modelling， Statistical Inference， and Application to Business Cycle Analysis［M］. Springer Science & Business Media， 2013.

Research on the Transmission Effect of Systematic Financial Risk on Price Based Monetary Policy in China：

- An Empirical Analysis Based on DMA-TVP-FAVAR Model and MS-VAR Model

LV?Zheng，LIU Liping

（School of Statistics and Mathematics， Central University of Finance and Economics， Beijing 102206;School of Mathematics and Statistics， Guizhou University of Finance and Economics， Guiyang 550025）

Abstract：Monitoring systemic financial risk and identifying the impact of this risk on the operational effects of monetary policy have significant practical value in balancing growth stabilization and risk prevention. The study innovatively applies the DMA-TVP-FAVAR model to build Chinas systemic financial risk index from a dynamic perspective and evaluates the nonlinear impact of financial risk on the output and price effects of price-based monetary policy with the help of the MS-VAR model. The study finds that： the money market has an important position in Chinas financial system， and the prevention of financial risks cannot be separated from the smooth operation of the money market， and the banking industry， stock market， real estate industry， and foreign exchange market account for a limited proportion of Chinas systemic financial risk index， but their relative importance has risen. Chinas systemic financial risk is characterized by a clear two-zone system and maintains a higher persistence of high-risk zones. Under the role of systemic financial risk， the operational effect of price-based tools shows asymmetry and the existence of financial risk substantially weakens the effectiveness of monetary policy， so it is necessary for the central bank to increase the intensity of monetary policy operations in order to realize the macroeconomic control objectives. The research helps to establish a systemic financial risk response mechanism with Chinese characteristics.

Key words：systemic financial risk;monetary policy;asymmetric;DMA-TVP-FAVAR;MS-VAR