基于資金流量表的我國系統性金融風險指數測度研究

田龍鵬　李珊

摘要：本文基于我國2001—2020年資金流量表數據，使用風險傳染網絡模型方法，對我國部門間金融風險傳染效應進行分析，并測度了我國系統性金融風險指數。研究發現，金融部門是我國部門間金融風險傳染的主要承擔者；我國宏觀金融網絡的穩健性在黨的十九大后明顯增強，各部門引發的風險傳染總損失效應整體呈震蕩波動態勢，但2018年以來總損失效應明顯低于之前的平均水平；本文測算出的系統性金融風險指數與M2/GDP的走勢在多個時間點較為吻合，其對于防范化解系統性金融風險具有前瞻性預警作用。基于此，本文從加強對金融部門的風險監測與管理，加強對政府部門和國外部門的風險監測，進一步完善宏觀審慎政策框架等方面提出政策建議。

關鍵詞：資金流量表；金融風險傳染；系統性金融風險指數

中圖分類號：F832? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1007-0753（2023）08-0066-12

一、引言

防范化解系統性金融風險是金融工作的永恒主題。近年來，由于新冠肺炎疫情沖擊和國際經濟形勢復雜嚴峻，當前我國地方政府債務風險、房地產市場風險、個別金融控股集團關聯風險等風險隱患快速積累，防范和化解系統性金融風險工作依然面臨重重困難。2022年10月，黨的二十大報告明確指出，要加強和完善現代金融監管，強化金融穩定保障體系，守住不發生系統性風險底線。習近平總書記也多次強調要把防范化解系統性金融風險放在更加重要的位置。對系統性金融風險進行測度是防范化解風險的前提，目前各界對系統性金融風險的識別和測度不斷深入，但仍未形成共識。

資金流量核算起源于美國，目前已成為聯合國統計署發布的國民經濟核算（SNA）五大體系之一。資金流量表是資金流量核算結果的呈現，能夠反映國民經濟各部門之間在一定時期內的資金往來或交易的總量、結構和流向。近年來，國內外基于資金流量表的應用研究日益廣泛，其對制定宏觀調控政策發揮著重要作用。

鑒于此，本文探索使用中國人民銀行發布的2001—2020年資金流量表數據，借鑒列昂惕夫投入產出分析法，測度出國民經濟各部門之間的金融風險傳染效應，并通過構建概率密度函數，最終測算出系統性金融風險指數，為前瞻性防范化解系統性金融風險提供信息支撐。

二、文獻綜述

準確把握各部門的資金流動和資金關聯情況是開展金融風險研究的前提（劉曉欣和熊麗，2021）。為此，國內外學者在編制資金流量表、資金流量矩陣、資金流量模型方面開展了大量相關研究，為從資金流量視角測算系統性金融風險奠定了堅實的基礎。

一是關于編制資金流量表和資金流量矩陣的相關研究。資金流量賬戶概念由Copeland（1947）首次提出，他使用編制的資金流量表對美國經濟中的貨幣運行情況進行了統計描述，為美國經濟政策制定提供了重要參考。之后，資金流量核算及賬戶編制方法在世界各國迅速推廣并不斷完善。Roe和Stone（1971）編制了基于投入產出的U-V型資金流量表，建立了資金供需均衡模型，分析了資金關聯效果。Tsujimura 和Mizoshita（2003）介紹了使用資金流量賬戶數據編制資產負債流量矩陣的方法（簡稱ALM），并利用ALM的列昂惕夫逆矩陣來評價日本的貨幣政策。我國學者也在編制資金流量表和資金流量矩陣方面進行了系列探索。王洋和柳欣（2008）從企業的現金流量表出發，通過加總形成了包含居民、企業、政府和銀行四大經濟主體的宏觀資金流量表。李寶瑜和張帥（2009）先是編制了我國2000年和2005年的“部門×交易”及“交易×部門”資金流量矩陣表，然后基于設定的模型，編制了“部門×部門”矩陣表，解決了常規統計中無法獲得部門間金融資金流量數據的問題。馬克衛和李寶瑜（2015）將社會核算矩陣（Social Accounting Matrix，SAM）劃分為投入產出表、國民收入流量表、金融資金流量表；先分別建立三個模型，然后將其鏈接起來，形成一個反映國民經濟所有環節乘數關系的模型系統；利用2012年的SAM數據，舉例說明其在實際經濟分析中的應用。還有部分學者研究和編制了國際資金流量表和矩陣（石田定夫，1993；王濤，2015；張南，2016；李寶瑜，2017）。

二是關于資金流量模型的相關研究。基于資金流量表和資金流量矩陣編制方法和數據，學界進一步探索出了幾大類資金流量核算分析范式下的相關模型。第一類是僅將資金流量表作為數據來源。李揚和殷劍峰（2007）基于1992—2003年中國資金流量表，從收入分配和部門儲蓄傾向等兩個方面對居民、企業和政府等國內三個部門的儲蓄率進行了比較分析。肖文和周明海（2001）、潘文軒（2018）、楊巨和方恬（2020）、張車偉等（2020）則分別基于不同年份的資金流量表研究了我國收入分配格局演變趨勢。易綱（2020）運用資金流量表數據，對過去十幾年來中國金融資產結構的變化進行了分析，并從資源配置和風險承擔角度測度了金融資產風險承擔者的分布。第二類是符合資金流量核算原則的存流量一致性模型（Stock-Flow Consistent Model，以下簡稱SFC模型）。該模型的主要特征包括：存量與流量核算的一致性、各部門的行為決策相互影響和關聯、歷史時間、過程理性、貨幣和金融對實體經濟運行的重要性（Godley和Lavoie，2007；Caverzasi，2013；柳欣等，2013）。張云等（2018）將SFC模型與DSGE模型進行比較后認為，SFC模型在貨幣、信貸、財富、生產和分配方面提供了一體化的處理方法，能夠更好地分析現實經濟體系中的貨幣政策、金融化、杠桿和收入分配等問題。溫博慧等（2015）結合SFC模型和未定權益分析法，從宏觀審慎中宏微觀與時間截面兩組維度的角度，研究了資產價格波動沖擊下中國銀行體系的網絡抗毀性。王博和宋玉峰（2020）基于SFC模型視角，構建了一個“氣候變化—政策響應—經濟增長—金融穩定”的傳導路徑，研究了氣候變化的轉型風險對宏觀經濟和金融穩定的影響。第三類是借鑒投入產出分析法開展的研究。胡秋陽（2010）設計并編制了中國投入產出式資金流量表，借鑒投入產出分析模型構建了資金關聯模型，考察了部門之間、項目之間、金融交易與實物交易之間通過金融交易形成的資金關聯結構和乘數效果。張云等（2018）基于中國投入產出式宏觀資金流量表和資金關聯模型，定量分析了發生在政府部門的局部債務違約，經由國民經濟各賬戶之間的資金關聯發生擴散和波及，從而對國民經濟各部門的資金籌措和資金運用產生的結構性影響。

三是基于資金流量表開展的系統性金融風險測度的相關研究。國內外學者對如何準確地測度系統性金融風險進行了大量研究，包括對金融系統整體風險的測度，對特殊金融機構風險的測度以及對金融風險傳染效應的測度（Brownlees和Engle，2017；方意等，2019；Gandy和Veraart，2017），而基于資金流量表開展的系統性金融風險研究大多從金融網絡與風險傳染效應著手。金融網絡與系統性風險的關系取決于負面沖擊的大小：在小于臨界值的負面沖擊下，金融網絡使金融體系更具韌性；在大于臨界值的負面沖擊下，金融網絡可能成為系統性風險和不穩定的來源（Acemoglu等，2015）。宮小琳和卞江（2010）較早使用2007年資金流量表（金融交易賬戶）數據，建立了國民經濟各部門間的金融關聯網絡模型，揭示了負面經濟沖擊在部門層面循環傳導的軌跡，量化了各部門在各傳染輪次中的損失量，為應對系統性金融風險提供了較早的實證支持。張南（2013）將中國的資金流量表調整為矩陣式資金流量表，分析了部門間資產與負債的基本特征，進而應用列昂惕夫逆矩陣建立了部門間金融風險的波及效應模型并展開乘數分析，給出了各項金融交易風險波及的排序，解析了系統性金融風險對中國金融整體的最終波及效應。劉曉欣和張藝鵬（2019）首次構建出2000—2017年“部門×金融工具×部門”的三維投入產出式資金流量表，研究發現因不同工具轉化為債權而引發的債務擴張推動了經濟脫實向虛，加劇了金融風險。高慧穎等（2022）使用2017—2020年我國資金存量表測算了各部門間風險傳染效應，并借鑒Silva等（2014）的方法進一步測算了系統性金融風險指數。

綜上所述，從資金流量視角測算系統性金融風險的方法充分考慮了部門間資金流動情況及部門間風險傳染特征，在測算系統性金融風險方面具有天然優勢。但是現有研究也存在一些不足：一方面，現有文獻側重于比較不同部門在風險傳染中的地位或作用，較少進一步構建指數反映整體的系統性金融風險狀況；另一方面，疫情以來我國宏觀杠桿率呈現階段性上升趨勢，但現有研究較少使用資金流量數據對疫情以來我國的系統性金融風險變化進行測度。

本文的創新之處主要體現在以下兩方面：一是在研究方法方面，現有研究較多比較各部門在風險傳染中的作用，本文在Silva等（2014）基礎上進一步改進了系統性金融風險指數的測算方法，本文測算方法更加符合經濟實際，科學性更強，是對現有基于資金流量方法進行系統性風險測算研究的有益補充。二是在數據使用方面，現有研究基于資金存量表測算了我國系統性金融風險指數，但由于我國資金存量表僅公布了2017年以來的數據，且測算出的系統性金融風險為存量風險，無法體現一段時期內風險的動態變化，本文使用2001—2020年的資金流量表數據，測算出較長時期內我國系統性金融風險的動態變化，并通過與其他風險測算方法得出結果的相互印證，更好地證明本文測算方法的有效性。

三、基于資金流量表的系統性金融風險指數測度方法

現有公布的資金流量表為“部門×工具”形式，而基于投入產出法，需使用“部門×部門”形式的資金流量矩陣（即為“從誰到誰”矩陣，以下簡稱WTW矩陣）。因此，借鑒張南（2013）的方法，首先基于現有資金流量表數據，按照一定的比例關系，推定出部門之間的資金交易數據。其次，編制出WTW矩陣后，列出基于投入產出方法的部門間金融風險傳染效應測算方法。最后，構建基于五部門風險傳染網絡的系統性金融風險指數。

（一）WTW矩陣編制

目前，中國人民銀行發布的資金流量表中的行表示各機構部門，包括住戶部門（HH）、非金融企業部門（NFC）、廣義政府部門（GG）、金融部門（FI）和國外部門（RoW）五個部門。列表示各交易項目（金融工具），包括通貨、存款（表1中合并為通貨與存款）、貸款、債券、股票等十七個大項三十四個小項金融工具（2020年資金流量簡表如表1所示）。在各部門內部根據資金投向和資金來源分別列出了運用和來源。資金流量表的編制遵循復式記賬原則對任一金融工具，各部門資金運用之和等于資金來源之和，最終國民經濟所有部門的資金運用之和等于資金來源之和；但對單一部門而言，由于可能存在凈金融投資，故其資金運用之和不一定等于資金來源之和。本文借鑒國際標準的資金流量表中的做法，將資金運用稱為資產，資金來源稱為負債①。

要編制資金流量WTW矩陣，需知道每一項金融工具的部門間資金流動情況。由于數據源限制，本文借鑒張南（2013）的做法，使用推定方式估算單一金融工具的部門間資金流動情況。總體原則是假定各部門對資金來源方的某一單一金融工具按照相同的比率籌資，稱為負債比例系數，負債比例系數=部門持有某類金融負債/某類金融負債合計；金融資產的運用方按照該系數將資金投向至各部門，資產運用方部門運用該類金融資產額=負債比例系數×該部門持有的同類金融資產。

具體分為兩種情況：第一種情況是對某一金融工具，僅一個部門持有負債，多個部門持有資產，此時部門之間的資金流動關系簡單直接，對該單一金融工具而言，WTW矩陣如表2所示，行方向為各部門的資金運用，列方向表示各部門的資金來源。

第二種情況是對某一金融工具，多個部門持有負債，同時多個部門持有資產。如對于表1中的股票，企業部門發行的股票金額（負債）為12 333億元，而股票項目的負債總額為23 415億元，則企業部門發行股票的負債比例為0.53（12 333/23 415）。從資金運用看，持有股票資產的部門分別為住戶、企業、政府、金融及國外部門，所以各部門持有的企業發行的股票資產等于該部門持有的所有股票資產乘以企業發行股票的負債比例0.53，比如，住戶部門共持有股票資產3 319億元，則其中持有企業發行的股票資產為1 748.2億元（3 319×0.53）。同理，可分別計算得出各部門持有的金融部門、國外部門發行的股票份額（見表3）。由此得到每一項金融工具的WTW矩陣表，然后將各項金融工具的WTW矩陣表進行加總，即可得到所有金融工具的WTW矩陣表。

（二）部門間金融風險傳染效應的測度方法

Leontief（1936）首次提出了投入產出分析法，該方法主要基于投入產出表數據研究行業間、產業間的投入產出關聯關系。由于國民經濟各部門之間的聯系與各行業之間的投入產出關系具有較多類似之處，越來越多的學者開始借鑒該方法開展部門間金融風險分析（張南，2013；張云等，2018；劉磊和張曉晶，2020），并取得了較好的分析效果。基于此，本文嘗試運用編制的WTW矩陣，借鑒投入產出法來測度部門間的金融風險傳染效應。

1.構建部門間風險傳染矩陣

WTW矩陣是構建風險傳染矩陣的基礎，矩陣中的部門類似于投入產出分析表中的行業，金融工具類似于投入產出表中的商品。投入產出表中，各行業的總產出等于總投入，為使得五部門的風險傳染矩陣遵循這一原則，本文在WTW矩陣表中增加了兩行兩列，兩行為凈資產與列和，兩列為凈負債與行和，行與列分別對應投入產出表中的總產出與總投入。但是由于各部門的資產合計與負債合計通常不相等，為滿足平衡關系，借鑒張南（2013）的做法，在不改變原WTW矩陣數據關系的前提下，本文定義行和與列和為單一部門的資產合計（Ai）與負債合計（Di）兩者中的較大值。五部門風險傳染矩陣如表4所示。

2.測算部門間風險傳染效應

（三）構建基于五部門風險傳染網絡的系統性金融風險指數

四、金融風險傳染效應及系統性金融風險指數測度

（一）數據說明

本文數據時間窗口為2001—2020年，主要是因為我國2001年加入WTO，2001年前后國內與國外部門之間的資金流動狀況存在明顯區別，為保持縱向數據變動的分析可比性，故選取這一時期為研究對象。文中資金流量表原始數據均來源于中國人民銀行官網，WTW矩陣為作者借鑒相關方法推定得出。同時，本文借鑒Silva等（2014）的做法，住戶部門和政府部門資產波動的方差以十年期國債到期收益率的波動衡量；企業部門資產波動的方差以WIND全A指數（除金融、石油、石化）的波動衡量；金融部門資產波動的方差以WIND金融行業指數（僅含上市金融企業）的波動衡量；國外部門資產波動的方差以標準普爾500指數的波動衡量。原始數據均來源于WIND數據庫。

（二）金融風險直接傳染效應

根據五部門WTW矩陣及上文風險傳染效應計算方法，本文計算得出了2001—2020年各部門遭受1單位風險沖擊后對其他部門造成的直接風險傳染效應，如圖1所示。

從圖1可知，住戶部門遭受1單位資產損失后，風險除自身承擔外，主要直接由金融部門承擔，原因是住戶部門的主要融資渠道是金融部門發放的貸款。2001年以來，金融部門平均承擔的風險損失比例達37.1%，其中，在2007年、2016—2018年承擔的損失比例為50%以上。企業部門遭受1單位資產損失后，風險主要由金融部門承擔，平均承擔比例高達79.3%，由于企業部門也可能進行海外融資，國外部門的平均承擔比例也達到了14.3%。同時，企業除貸款融資外，還可能通過發行債券、股票等進行融資，故住戶、企業、政府部門均承擔一定比例的資產損失。政府部門遭受1單位損失后，風險也主要由金融部門承擔，平均承擔比例達58.4%。2020年，金融部門承擔的損失比例高達96.1%，可能的原因是突發疫情，防控措施導致實體部門經營困難，造成金融機構面臨的潛在風險顯著增加。金融部門遭受1單位損失后，住戶部門平均承擔損失比例最高（36.3%），其次是企業部門（26.6%），金融部門自身平均承擔風險損失比例為19.2%，這是因為金融機構的存款資產主要來源于住戶部門和企業部門。國外部門遭受1單位資產損失后，風險損失主要由金融部門和企業部門承擔，平均風險承擔比例分別為62.7%和28.1%，主要原因是在目前我國跨境資金流動管理政策下，金融部門、企業部門與國外部門的聯系較其他部門更為密切。

（三）風險傳染總損失效應

根據理論分析，風險傳染總損失效應等于前n次風險傳染效應之和加各部門期初損失，計算結果如圖2所示。圖中每一條線表示各部門遭受1單位初始沖擊后，經過部門間傳染最終導致的整個經濟體風險傳染的總損失量。以2020年住戶部門數據為例，住戶部門遭受1單位風險沖擊后，經過部門間風險傳染，最終將導致住戶、企業、政府、金融及國外部門資產分別損失1.54、0.26、0.06、1.27和0.02個單位，合計資產損失為3.15個單位（或3.15倍）。

1.各部門引發的風險傳染總損失效應整體呈震蕩波動態勢

從圖2中可知，2008年國際金融危機之前，各部門遭受1單位初始風險沖擊后引發的金融風險傳染總損失效應有一定下降趨勢，最低降至2008年的19.76倍③；隨后，在金融危機沖擊下，國內各部門間資產負債關聯網絡遭受較大沖擊，我國宏觀金融網絡的脆弱性有所上升，故遭受1單位初始風險沖擊后導致的最終風險傳染總損失效應也明顯上升，至2017年總損失效應高達39.11倍。2018、2019年我國金融網絡穩健性明顯增強，1單位初始風險沖擊導致的總損失效應分別降至17.34倍和19.52倍。這主要是因為自2017年末起，我國將防范化解系統性金融風險擺在更加重要的位置，習近平總書記在十九大報告中將防范化解重大風險擺在三大攻堅戰首位。在此基調下，中國人民銀行等監管部門陸續出臺系列監管措施，遏制各種影子銀行業務、資管業務野蠻生長，并取得了實效。在2020年疫情沖擊下，為統籌疫情防控和經濟社會發展，我國出臺了系列刺激政策，宏觀杠桿率階段性上升，導致我國宏觀金融網絡的脆弱性有所上升，故風險傳染總損失效應提高至24.31倍，但仍遠低于2017年以前的較高水平。這反映出我國宏觀金融網絡的穩健性在黨的十九大以后得到明顯增強。

2.住戶部門風險傳染總損失效應最低，國外部門和企業部門最高

橫向比較各部門遭受沖擊后導致的風險傳染總損失效應可知，住戶部門的風險傳染總損失效應最低，平均為3.19倍，2008年最低僅1.47倍。之后隨著我國房價不斷上漲，住戶部門杠桿率逐漸提升，風險傳染總損失效應也在波動中逐漸提高，2017年達到最高水平至5.25倍。國外部門的風險傳染總損失效應最高，平均達到6.96倍，可能的原因是國外部門主要通過企業部門及金融部門與國內部門聯系，而這兩部門與國內其他部門的聯系又較為密切，故來自國外部門的風險溢出效應能夠較快地在國內各部門間傳染，造成較大的風險傳染效應，這一測算結果與宮曉琳（2012）的結論也較為接近。企業部門造成的風險傳染總損失效應僅次于國外部門，平均水平達6.68倍，2018年之后，企業部門的資產金融化趨勢得到明顯遏制，故風險傳染總損失效應明顯減弱。政府部門和金融部門造成的風險傳染總損失效應水平較為接近，平均水平分別為5.10倍和5.66倍。近年來，政府部門債務水平不斷提升，尤其是2016年以來，政府部門造成的風險傳染總損失效應已接近企業部門，政府部門債務上升對金融網絡穩健性的影響值得關注。

（四）系統性金融風險指數測算

理論分析指出，存在一個初始風險沖擊規模，使得經過n輪部門間風險傳染后，部門的總資產損失至零。上文已經計算出各部門遭遇1單位初始沖擊后的總損失效應倍數，使用各部門實際資產除以該總損失效應倍數，即可計算得出使得各部門總資產損失至零的初始沖擊規模，然后可得出各部門金融穩定邊界值SFi。結合各部門Ω④，代入式（8），可計算得出系統性金融風險指數（SRIN）。計算結果如圖3所示。

為檢驗本文系統性金融風險指數測度結果的合理性，選取現有研究常用的系統性金融風險衡量指標M2/GDP（馬勇和陳雨露，2017），將其與本文測算結果進行比較。從圖3中可以看出，M2/ GDP的增速在兩次高點均與SRIN指數高點較為吻合，反映出本文測算結果的合理性。從SRIN指數變化來看，2001年以來，我國在大部分時點系統性金融風險較低，2006—2010年處于第一階段相對高點，這與2007年美國次貸危機及其引發的全球金融危機的時點基本一致，且SRIN指數在2006年即有明顯上升趨勢，反映出基于資金流量表的系統性金融風險測度方法對防范化解系統性金融風險具有一定的前瞻性預警作用。2013—2016年，我國系統性金融風險再次上升至高點，這一時期我國地方政府債務融資規模明顯攀升，可能是系統性風險上升的主要誘因。同時，2020年新冠肺炎疫情期間，我國M2/GDP增速出現階段性上升，但系統性金融風險并未隨之攀升，可能反映出我國的金融網絡更加穩健，風險抵御能力較前兩次債務上升期間進一步增強⑤。

五、結論及政策建議

本文使用風險傳染網絡模型方法，測度了我國部門間的金融風險傳染效應和系統性金融風險指數。研究發現：第一，金融部門承擔了部門間風險傳染的主要損失，即各部門遭受風險沖擊后，經過部門間風險傳染，最終金融部門承擔主要損失。第二，從風險傳染總損失效應的時序變化看，我國部門間風險傳染的總損失效應在2018年以后明顯下降，說明宏觀金融網絡更加穩健。第三，本文測算得出的系統性金融風險指數與M2/GDP走勢在多個時點較為吻合，且具有一定先行趨勢，反映出該方法測算的系統性金融風險指數具有一定合理性，值得進一步推廣運用。

基于以上結論，本文提出如下政策建議：

一是加強對金融部門的風險監測與管理。金融部門是我國宏觀金融網絡中最主要的風險承擔者，要進一步加強對金融部門的風險監測，尤其是加強各部門與金融部門間資金流動頻繁、規模較大等異常情形的監測，綜合使用各類風險緩釋工具，及時補充金融機構核心資本，增強其風險抵御能力。

二是加強對政府部門和國外部門的風險監測。從風險傳染總損失效應看，國外部門遭受風險沖擊帶來的總損失效應最高，應充分關注各類外部沖擊對我國金融風險的外溢效應，并及時適度運用結構性貨幣政策工具進行逆周期調節；政府部門遭受風險沖擊帶來的總損失效應近年上升最快，應通過債務償還、展期、重組等方式化解存量債務，遏制增量債務，通過時間換空間等方式逐步緩釋債務風險。

三是進一步完善宏觀審慎政策框架。進一步強化系統性金融風險監測、評估和預警，監管部門應發布更加詳細、頻度更高、體現部門間金融交易的資金流量數據⑥，探索使用基于資金流量表數據的方法來監測系統性金融風險。同時，逐步擴大宏觀審慎管理覆蓋領域，更好地防范金融體系的順周期波動和風險的跨市場、跨部門傳染。

注釋：

① 嚴格來講，資產與負債是存量概念，表示某一時期末的資金運用和資金來源結果；而資金流量表為某一時期內的資金運用和資金來源，是流量概念。但二者本質均為資金運用與來源，為便于讀者理解與行文，在流量表中借鑒資產與負債概念，分別對應資金運用和來源。

② 從經濟實際出發，五部門面臨的沖擊可能是正向沖擊，如利率下降、貨幣政策寬松等；也可能是負向沖擊，如貨幣政策緊縮、美聯儲加息或突發公共衛生事件等。本文認為，就理論上而言，五部門面臨正向沖擊和負向沖擊的概率是相同的，且沖擊規模越大，其發生的概率越低，而這一變動特征較為符合正態分布，故本文假設五部門沖擊的概率密度函數服從正態分布。

③ 該倍數是五部門同時遭受1單位初始沖擊后導致的總風險損失效應之和，屬于極端情況。此處主要在于分析五部門資產負債關聯網絡的整體穩健性。

④ 由于我國10年期國債收益率從2008年7月1日起才有數據，故2001—2007年國債收益率波動以2008—2020年波動平均值代替。

⑤ 由于用以測算系統性金融風險指數的基礎數據是WTW矩陣，而這部分數據為推算得出，可能影響指數測算結果。

⑥ 目前中國人民銀行官網公布的是“部門×交易項目”形式的資金流量表，但本文測算系統性金融風險指數需使用“部門×部門”形式的資金流量表，而目前文中“部門×部門”形式的資金流量表是作者借鑒張南（2013）方法基礎上推算得到的，這可能使得測算的系統性金融風險指數與實際情況存在一定差異，故本文建議監管部門發布更加詳細的資金流量數據。

參考文獻：

[1] 劉曉欣，熊麗.資金流量存量核算與金融風險的文獻綜述-基于虛擬經濟的視角[J].政治經濟學評論，2021（03）：3-21.

[2] COPELAND M A. Tracing Money Flows Through the United States Economy[J]. American Economic Review， 1947， 37 （02）：31-49.

[3] ROE A R， R STONE. The Financial Interdependence of the Economy 1957-1966[M]， Department of Applied Economics， University of Cambridge， 1971.

[4] TSUJIMURA K. MIZOSHITA M. Asset-Liability-Matrix Analysis Derived from the Flow-of-Funds Accounts： The Bank of Japan's Quantitative Monetary Policy Examined[J].Economic Systems Research， 2003（01）：51-67.

[5] 王洋，柳欣.資金流量核算的新方法[J].統計與決策，2008（03）：9-12.

[6] 李寶瑜，張帥.我國部門間金融資金流量表的編制與分析[J].統計研究，2009（12）：3-10.

[7] 馬克衛，李寶瑜.SAM乘數效應鏈接模型設計與應用研究[J].數量經濟與技術經濟研究，2015（09）：135-148.

[8] 石田定夫.日本經濟の資金循環[N].東洋經濟新報社，1993.

[9] 王濤.國際資金流量表的編制與模型應用研究[D].太原：山西財經大學，2015.

[10] 張南.國際資金循環統計的研究與實踐—與李文商榷[J].統計研究，2016（12）：106-112.

[11]李寶瑜.國際資金流量表若干問題討論[J].統計研究，2017（04）：26-35.

[12]李揚，殷劍峰.中國高儲蓄率問題探究——基于1992-2003年中國資金流量表的分析[J].經濟研究，2007（06）：14-26.

[13]肖文，周明海.勞動收入份額變動的結構因素—收入法GDP和資金流量表的比較分析[J].當代經濟科學，2001（03）：69-76.

[14]潘文軒.稅收如何影響了中國的國民收入分配格局？[J].財政研究，2018（11）：84-95.

[15]楊巨，方恬.中國資本收入主體分配格局的演變與原因研究[J].教學與研究，2020（06）：61-73.

[16]張車偉，趙文，李冰冰.國民收入在部門間的分配及減稅降費的影響—基于七部門資金流量表的測算與分析[J].中國人口科學，2020（06）：16-28.

[17]易綱.再論中國金融資產結構及政策含義[J].經濟研究，2020（03）：4-17.

[18] GODLEY W， LAVOIE M. Monetary Economics：An Integrated Approach to Credit，Money， Income，Production and Wealth[M]. Palgrave Macmillan.

[19] CAVERZASI E. The Missing Macro Link[C]. Economics Working Paper， 2013.

[20]柳欣，呂元祥，趙雷.宏觀經濟學的存量流量一致性模型研究[J].經濟學動態，2013（12）：15-23.

[21]張云，李寶偉，苗春，等.后凱恩斯存量流量一致模型原理與方法—兼與動態隨機一般均衡模型的比較研究[J].政治經濟學評論，2018（01）：154-178.

[22]溫博慧，李向前，袁銘.存量流量一致框架下中國銀行體系網絡抗毀性研究——基于資產價格波動沖擊[J].財貿經濟，2015（09）：46-60.

[23]王博，宋玉鋒.氣候變化的轉型風險對宏觀經濟和金融穩定的影響——基于存量流量一致性模型視角[J].經濟學動態，2020（11）：84-99.

[24]胡秋陽.投入產出式資金流量表和資金關聯模型[J].數量經濟技術經濟研究，2010（03）：133-146.

[25]張云，程遠，胡秋陽.政府債務違約對中國宏觀資金流轉的數量影響分析——基于投入產出式宏觀資金流量方法[J].財貿研究，2018（03）：1-10.

[26] BROWNLEES C， ENGLE R F. SRISK： A Conditional Capital Shortfall Measure of Systemic Risk[J]. Review of Financial Studies， 2017，30（01）：48-79.

[27]方意，韓業，荊中博.影子銀行系統性風險度量研究——基于中國信托公司逐筆業務的數據視角[J]. 國際金融研究，2019（01）：57-66.

[28]GANDY A， VERAART M. A Bayesian Methodology for Systemic Risk Assessment in Financial Networks[J]. Management Science， 2017，63（12）：4 428-4 446.

[29]ACEMOGLU D， OZDAGLAR A， SALEHI A Z. Systemic Risk and Stability in Financial Networks[J]. American Economic Review， 2015，105（02）：564-608.

[30]宮小琳，卞江.中國宏觀金融中的國民經濟部門間傳染機制[J]. 經濟研究，2010（07）：79-90.

[31]張南.矩陣式資金流量表與風險波及測算[J].統計研究，2013（06）：67-77.

[32]劉曉欣，張藝鵬.中國經濟“脫實向虛”傾向的理論與實證研究——基于虛擬經濟與實體經濟產業關聯的視角[J]. 上海經濟研究，2019（02）：33-45.

[33] 高慧穎，田龍鵬，周潮. 金融穩定邊界與系統性金融風險指數測度研究[J].金融監管研究，2022（11）：1-18.

[34]SILVA N，RIBEIRO N，ANTUNES A I. Towards a systemic risk indicator based on contingent claim analysis[M]//A Flow-of-Funds Perspective on the Financial Crisis Volume II， 2014： 263-285.

[35] LEONTIEF W W.Quantitative Input and Output Relations in the Economic System of the United States[J]. The Review of Economic Statistics，1936，18（03）：105-125.

[36] 劉磊，張曉晶.中國宏觀金融網絡與風險：基于國家資產負債表數據的分析[J].世界經濟，2020（12）：27-49.

[37]方意，和文佳，荊中博.中國實體經濟與金融市場的風險溢出研究[J]. 世界經濟，2021（08）：3-26.

[38]宮曉琳.未定權益分析方法與中國宏觀金融風險的測度分析[J].經濟研究，2012（03）：76-87.

[39]馬勇，陳雨露.金融杠桿、杠桿波動與經濟增長[J]. 經濟研究，2017（06）：31-45.

（責任編輯：唐詩柔）

Measurement of Systemic Financial Risk Index in China Based

on Flow of Funds Accounts

Tian Longpeng，? Li Shan

（The People's Bank of China， hunan provincial branch ）

Abstract： This paper analyzes the inter-sectoral financial risk contagion effects in China using the risk contagion network model based on the flow of funds accounts data from 2001 to 2020. The systemic financial risk index for China is measured. The study finds that：? The financial sector is the main bearer of inter-sectoral financial risk contagion in China; The robustness of China's macro financial network has been significantly enhanced after the 19th National Congress of the CPC. The total loss effect of risk contagion triggered by various sectors shows an overall volatile trend， but the total loss effect since 2018 has been significantly lower than the previous average level; The systemic financial risk index calculated in this paper is relatively consistent with the M2/GDP ratio at multiple time points， and it has a forward-looking early warning effect on preventing and defusing systemic financial risks. Based on this， policy recommendations are put forward from strengthening risk monitoring and management of the financial sector， enhancing risk monitoring of government and foreign sectors， further improving the macro-prudential policy framework.

Keywords： Flow of funds accounts; Financial risk contagion; Systemic financial risk index