經濟政策不確定性、金融結構與系統性金融風險關系研究

摘要：守住不發生系統性風險底線是黨的二十大對金融工作提出的明確要求。本文結合我國經濟金融實際情況構建系統性金融風險指標體系，在理論分析的基礎上，運用具備隨機波動率的時變參數向量自回歸模型，檢驗經濟政策不確定性、金融結構與系統性金融風險之間的動態演進過程，同時考察了重要經濟事件對三者關系的時變影響，并將系統性金融風險細化為四個維度進行異質性分析。實證結果發現，經濟政策不確定性與系統性金融風險主要呈現正向動態時變關系；金融結構在二者之間發揮著一定的傳導作用，且明顯受到國內外宏觀經濟環境和金融周期的影響；當金融結構表現出更強的“銀行主導型”時，系統性金融風險相對較低；分維度來看，經濟政策不確定性和金融結構主要影響的是國內市場和銀行業金融風險。充分認識金融風險各維度與經濟政策環境、金融系統之間的動態效應，能夠為防范化解系統性金融風險提供更有效的政策指引。

關鍵詞：經濟政策不確定性；金融結構；系統性金融風險；TVP-SV-VAR模型；時變傳導機制

中圖分類號：F832.1" " " " 文獻標識碼：A" " " " 文章編號：1007-0753（2024）12-0003-14

收稿日期：2024-03-17

作者簡介：崔惠穎，副教授，碩士生導師，黑龍江大學經濟與工商管理學院，吉林大學商學與管理學院應用經濟學在站博士后，研究方向為金融風險管理。

郭" " 奧，通訊作者，招商銀行股份有限公司北京分行，研究方向為金融風險管理。

基金項目：國家社會科學基金一般項目“低碳轉型目標下擱淺資產風險傳導與最優監管機制研究”（23BJL023）。

本文感謝匿名審稿專家的寶貴意見，文責自負。

一、引言

在世界經濟格局大變革的重要背景下，我國經濟也由高速度增長向高質量發展階段轉變。與此同時，經濟“脫實向虛”、地方政府債務風險、金融創新與金融監管不匹配、供給側與需求側結構不平衡以及房地產泡沫等諸多顯性和隱性危機不斷涌現。2016年中央經濟工作會議將“防范化解金融風險”作為五大結構性改革任務之一，黨的二十大報告再次強調“提高防范化解重大風險能力”，堅持系統觀念、守住風險底線已成為全國金融工作的核心戰略目標。

系統性金融風險對國家經濟平穩運行可能造成的破壞性后果不容忽視，因此其一直備受學者和業界關注。在我國金融結構中，銀行業地位舉足輕重，其資產規模占我國金融資產總規模的80%以上（郭樹清，2018）。據統計，自1970年之后的43年內，全球經濟體發生過150余次系統性銀行危機，而各國政府為挽救危機所承擔的財政支出超過GDP的11.6%（Laeven和Valencia，2020）。更重要的是，隨著國際金融市場之間的聯系日趨緊密，內外環境愈加復雜，我國經濟政策不確定程度進一步加深。經濟政策因素穩定與否影響著我國金融結構的演變，進而可能導致系統性金融風險的積累和擴散。因此，探究我國經濟政策不確定性與系統性金融風險之間的傳導機制，以及金融結構在其中的重要作用，對穩定經濟環境以及防范金融風險具有重要的現實意義。

在系統性金融風險的傳染過程中，不確定性已經成為重要的導火索之一（Dicks和Fulghieri，2015），學者們從兩個角度對其中的傳導機制進行了探索：一是從宏觀視角探究外部經濟政策不確定性影響系統性金融風險的傳染路徑（楊子暉等，2020），二是從上市公司微觀視角實證分析二者之間的傳導關系（李洋等，2021）。值得注意的是，各類市場決策主體容易受主觀風險認知和信息不對稱等因素的影響，這加劇了經濟政策不確定性對投資者信心的沖擊。市場參與者的投資行為將直接決定市場中的資金流向，進而引致金融結構的變化。據此，本文將金融結構納入經濟政策不確定性與系統性金融風險兩者關系的研究，從一個全新的視角探尋金融風險的傳導機理及其與經濟政策環境、金融結構之間的相互影響。本文結合我國經濟金融現實特征和規律，在理論分析的基礎上，分別構建系統性金融風險和金融結構測度指標，選取2005年10月至2021年6月相關月度數據，運用具備隨機波動率的時變參數向量自回歸（TVP-SV-VAR）模型來實證檢驗經濟政策不確定性、金融結構與系統性金融風險之間的動態演進過程。進一步地，本文深入考察了金融危機、供給側結構性改革和新冠疫情常態化等重要事件對三者動態關系的時變影響。同時，將系統性金融風險細化為四個不同維度，進行上述研究的異質性分析，以期為金融體制改革提供較為全面和有針對性的參考。

二、文獻綜述

（一）金融結構變化與系統性金融風險

1.金融結構及我國金融結構的變化特征

雷蒙德·W.戈德史密斯在《金融結構與金融發展》（1996）一書中提出以“金融工具與金融機構相對規模”來測度金融結構。隨著“比較金融體系”理論的演進，Allen和Gale（2001）提出的“銀行主導型”和“市場主導型”成為金融結構的兩種主要類型。

經過多年的發展和改革，我國金融結構也從單一轉向以銀行業為主體、多種資本結構并存的發展格局。20世紀80年代末政府組建了第一批股份制銀行以順應市場化需求，之后銀行業在金融行業中始終占據著舉足輕重的地位，穩中有進地持續發展，且銀行業經營與資本運行逐漸達成一種自然共生的狀態（李佳，2019）。20世紀90年代，隨著滬深兩大證券交易所的設立，我國股票市場也正式登上歷史舞臺。進入21世紀以來，“市場主導型”金融結構發展迅速，且逐漸成為我國乃至世界金融結構的變化趨勢（陳雨露和馬勇，2008）。“市場主導型”金融結構不僅體現在資本市場的高速成長，也表現為銀行經營活動中“市場業務”的增加，及其與投資銀行等市場型主體的交互式成長。隨著市場化程度的加深，金融結構愈發受到政策波動、投資者行為的影響。

2.金融結構對系統性金融風險的影響

“比較金融體系”理論主要是從效率角度來解讀金融市場（陳雨露和馬勇，2009），在此視角下學者們對于金融結構與系統性金融風險關系的判斷并不統一。主張“銀行主導型”金融結構的學者認為，銀行業有著更加完善的風險預警體系和更加健全的風險防范措施（Valerie和Bruce，1993）。同時作為規模型金融中介，其資金的配置與供給在橫向風險分擔上有著更顯著的優勢（Markus和Hubert János，2014）。主張“市場主導型”的學者則認為，隨著金融體系的多層次建設的推進和投資者對于風險認知的不斷加深，投資者可根據豐富多樣的金融產品構建符合自身風險承受能力和收益預期的投資組合。由于投資者對金融工具的搭配組合具有異質性，所以在一定程度上能夠實現金融體系的穩定狀態。近年來，最優金融結構理論的前沿領域——新結構金融學認為：“銀行主導型”更適用于低技術環境，而“市場主導型”與高技術的匹配效率更高（龔強等，2014）。

（二）經濟政策不確定性與金融結構、系統性金融風險的關系

經濟政策不確定性表現為經濟體宏觀經濟系統及其政策的波動導致經濟參與者難以準確預測。在經濟全球化過程中，機遇與挑戰并存，不確定性不僅給我國金融市場帶來更多的機會，通過影響投資者信心而推動金融結構演變，也使金融體系各維度產生風險聚集。一方面，現有研究發現，經濟政策不確定性的升高不僅導致實際有效匯率貶值（金雪軍等，2014）、股市波動頻率提高（雷立坤等，2018）并加大股價崩盤風險（何斌和劉雯，2019），而且削弱了銀行承擔風險的主觀能動性，進而對銀行破產和“銀行主導型”金融結構演變起到推波助瀾的作用（顧海峰和于家珺，2019）。另一方面，微觀層面的部分研究卻得到相反的結論，經濟政策不確定性的升高會顯著抑制企業金融化程度，從而短期內在一定程度上逆轉經濟“脫實向虛”，穩定我國金融狀態（彭俞超等，2018）。具體來說，企業主體對資金流動性需求會因經濟政策不確定性升高而增加（王紅建等，2014），抑制企業的投資活動（李鳳羽和楊墨竹，2015），使其對直接融資和間接融資需求均發生變化（王朝陽等，2018），同時，降低了企業杠桿率從而有助于防控風險（紀洋等，2018）。

綜上可見，已有文獻對分析經濟政策不確定性、金融結構與系統性金融風險之間的關系提供了堅實的基礎，但大多數側重于兩兩關系的研究，且多集中于宏觀層面的靜態關系研究，尚未對三者的共同演進過程和傳導邏輯加以揭示（劉玚等，2019）。據此，本文將在已有理論模型中引入投資者信心，構建具有微觀基礎的三者關系機制架構，并結合我國現實重要事件，動態檢驗經濟政策不確定性、金融結構和系統性金融風險之間的時變關系。

三、理論模型與研究假設

為探究經濟政策不確定性、金融結構與系統性金融風險之間的作用機理，本文在借鑒范小云（2002）的理論模型的基礎上，引入不同類型的金融系統，構建以投資者信心為中介的簡化模型，推導市場參與者在經濟政策不確定性影響下對代表性金融機構流動性的作用機制，進而分析該機制所引致的系統性金融風險后果。

假定一國經濟中包含兩類金融系統：一類是投資風險較大、投資回報較高的金融系統M，以股票市場為代表；另一類是投資安全性更高，但投資回報較低的金融系統B，以銀行為代表。“市場主導型”金融結構表現為M中的資金在金融系統總資金中的占比更高；而“銀行主導型”金融結構表現為B中的資金占金融系統總資金的比例更高。投資者可以自由選擇將資金投放到這兩類金融系統之中，進而形成金融系統正常運行所需的流動性資金。

各個金融系統運行的基本邏輯是：一方面，金融系統需要足夠的流動性資金才能夠正常運行；另一方面，金融系統的流動性資金水平取決于大量投資者提供融資的意愿。經濟政策不確定性所引發的金融系統外部沖擊可能通過投資者信心來影響投資者提供融資的意愿。如果所有投資者持續為金融系統提供融資，那么每個投資者獲得的收益都可能更大。一旦投資者對金融系統的投資信心下降，則會從該金融系統中大量撤資，進而可能引發系統性金融風險。金融系統由于不具備自動協調投資者信心和行為的有效機制而具有“內在脆弱性”（Diamond和Dybvig，2000）。

假設金融系統M包括N個代表性機構，每個機構均是規模報酬遞減。代表性機構的流動性資金（運營資金）來自外部投資者，并且能夠滿足其正常運行的流動性資金水平足夠高，以至于不可能由任何單個投資者提供。假設代表性機構所需的最低流動性資金投入水平為LF*M，當其流動性資金低于LF*M時，代表性機構無法運行，產出為0；當其流動性資金高于LF*M時，代表性機構規模報酬遞減。如果用rM表示金融系統M流動性資金的回報率，KM為金融系統M運行所需的其他要素，那么其生產函數和回報率函數可以具體表述為：

FM （KM， LFM） =

（1）

rM =

=" " " " " （2）

在第0期，代表性投資者的初始財富為yi，可以選擇投資給代表性機構，并獲得回報rM。在第1期，代表性投資者只進行消費，不再投資，則其消費源自初始財富和投資回報，并扣除投資額，具體表示為：

ci = rM LFi + yi - LFi" " " " " " " " " " " " " " " " " " " " "（3）

其中，LFi為代表性投資者i投資給金融系統M中代表性機構的資金總量。假設該投資者的效用水平取決于其消費水平，通過效用函數對LFi求導即可得到該投資者效用最大化的條件為：

u'i （rM LFi + yi - LFi）（rM - 1）

（4）

對于代表性投資者i，該模型存在兩個理性均衡：

LFi = yi， i， rM = ＞1" " " " " （5）

LFi = 0， i， rM = 0" " " " " " " " " " " " " " " " " " " " " " " （6）

這意味著，當經濟政策不確定性較低，金融系統M環境良好時，投資者具有比較堅定的信心。此時，每個代表性投資者均確信有足夠多的其他投資者向代表性機構提供大量的流動性資金，那么投資者的最優選擇就是也將資金投給該機構。也就是說，所有投資者都會向代表性機構提供融資，進而滿足LFM＞LF*M。根據式（5）可知，此時高產出均衡實現。

當經濟政策不確定性較高，金融系統M環境不佳時，投資者缺乏信心，普遍預期其他投資者也沒有足夠的動機向代表性機構提供流動性資金。個體的最優選擇就是不向金融系統M提供融資，而轉向更為安全的金融系統B。此時，金融系統M的流動性降為0，產出也為0，如式（6）所示。在該低產出均衡下，若市場無法提供改善投資者信心的有效協調機制，風險將持續積累，乃至爆發系統性金融風險。

從模型分析來看，對于投資者而言，金融系統M和B具有相互替代關系。經濟政策不確定性影響著投資者信心和資金流向，進而影響兩類金融系統在總體金融體系中的資金比重，即金融結構。此外，如果總體金融體系以金融系統B為主體，即表現為“銀行主導型”金融結構。在經濟技術環境尚不完善的背景下，該經濟體的系統性金融風險相對較低（王曉青和李濤，2011）。同時，在不同金融系統下的投資者信心存在異質性和時變性，這意味著經濟政策不確定性、金融結構和系統性金融風險之間表現為共同演進的時變關系（胡宗義等，2018），具體概括為圖1。據此，本文提出如下三個假設：

H1：經濟政策不確定性越高，金融結構更傾向于“銀行主導型”，同時兩者表現出時變關系。

H2：當金融結構表現為“銀行主導型”時，系統性金融風險相對較低，同時兩者表現出時變關系。

H3：經濟政策不確定性、金融結構和系統性金融風險三者之間具有時變影響關系。

四、數據處理與模型構建

（一）數據選取和預處理

考慮到數據的可獲得性和可比性，本文的樣本數據選取2005年10月至2021年6月的月度數據。在數據來源方面，我國經濟政策不確定性指數來自Baker等（2016）構建的經濟政策不確定性綜合指數，其他數據主要來自國泰安數據庫，以及國家統計局、國家外匯管理局、中國人民銀行等的官網。在數據預處理方面，首先將國內生產總值、工業增加值等季度數據進行頻率轉換，統一為月度數據。其次，針對基礎數據有缺漏值的情況，本文運用線性插值法進行補齊。最后，為消除個別指標的季節性影響，通過Census X-12方法對國房景氣指數等指標進行優化處理。

（二）變量構建

1.經濟政策不確定性（EPU）

我國經濟政策不確定性指數為“新聞指數”，利用關鍵詞搜索等文本分析方法獲得。該構建方法具有綜合指數的代表性和科學性（Baker等，2016）。具體構建方式如下：以《南華早報》作為文本分析對象，若同一篇文章里包含“經濟”“政策”“不確定性”三類關鍵詞時，則認為該文章與經濟政策不確定性相關，并計算此類文章數占總發文量的比重，以得到月度指標。

2.金融結構（FS）

根據“二分法”將金融結構劃分為“銀行主導型”和“市場主導型”。本文參考朱凱和王君（2020）的做法，選取銀行業金融機構資產與股票市場總價值的比值作為測算我國金融結構的指標。該比值越小，說明我國金融中介資產的比重越低，金融市場化程度越高；反之亦然。

3.系統性金融風險（SFR）

目前國內學者對系統性金融風險的測量方式有以下三種：一是借鑒國外系統性金融風險測算模型，運用我國數據進行實證分析，譬如條件在險價值（Co-VaR）和邊際期望損失（MES）。二是從網絡關聯的角度測算系統性金融風險帶來的風險溢出效應和傳染性（楊子暉等，2020）。三是構建金融壓力指數、綜合指標體系來測算我國系統性金融風險（郭娜等，2018）。

鑒于綜合指標的構建可以更全面地刻畫我國系統性金融風險狀態，本文借鑒第三種方式，將我國系統性金融風險指標體系劃分為兩個層面七個維度，并運用主成分分析法擬合出最終的綜合指標。此外，本文還將選取方芳和林海濤（2017）的等方差權重替換主成分分析法進行穩健性檢驗①。

根據系統性金融風險的概念，需要從全方位、多維度、寬領域角度進行基礎指標篩選，以達到相互補充和減少變量間相互干擾的目的。據此，本文構建的指標體系包括宏觀和微觀兩個層面，涵蓋國內市場、國際沖擊、銀行業、股票市場、房地產業、外匯市場以及地方政府債務等七個維度，具體如表1所示。

表1中的正向指標表示該變量與系統性金融風險的變化方向相同，反向指標則相反。首先，參考郭娜等（2018）的數據處理方式，將所有反向指標取相反數轉換為正向指標。同時，為消除量綱影響，采取極差法進行數據的標準化處理，使數據取值均在區間內。其次，將標準化后的二十四個變量數據進行主成分分析。表2列示了主成分的特征值和累積方差貢獻率。依據慣例，以累積方差貢獻率達到80%以上為標準，本文選取前六個主成分進行后續計算。最后，根據六個主成分得出成分載荷矩陣，再利用其數據除以主成分對應的特征值平方根，即二十四個指標對應的成分系數。將經過極差法處理的指標數據與成分系數相乘，得到主成分指數序列（F1—F6）。之后，將主成分指數序列與對應權重相乘（主成分特征值占總特征值的比例），即可得到系統性金融風險指數（SFR），如式（7）所示。

SFR = +

（7）

（三）TVP-SV-VAR模型構建

相較于傳統的VAR模型，TVP-SV-VAR模型允許系數、方差和截距項隨時間變化。本文將運用該模型刻畫經濟政策不確定性、金融結構與系統性金融風險之間的動態關系。模型的具體表達式為：

yt = X't βt + Ai-1 ∑εt，εt ～ N（0， Ik）" " " " " " " " " " "（8）

其中，βt和Ai-1是待估時變參數，X't ≡ Ik[1 y 't-1

y't-2…y 't-p]；yt是包含經濟政策不確定性、金融結構和系統性金融風險三個時間序列的觀測向量。參考Nakajima（2011）的研究，本文采用馬爾可夫鏈蒙特卡洛（MCMC）方法進行參數估計。

五、實證分析

（一）平穩性檢驗與最優滯后階數

1.平穩性檢驗

首先運用Z值法（Z-Score）對三個變量序列進行標準化處理。同時為避免數據“偽回歸”，本文將對三個變量序列進行ADF單位根檢驗，檢驗結果如表3所示。

從表3可知，金融結構原序列在5%顯著性水平下平穩，而經濟政策不確定性指數和系統性金融風險指數的一階差分序列均在1%顯著性水平下平穩，即為一階單整變量。

2.最優滯后階數

在模型擬合之前，需要先確定向量自回歸模型的結構，對VAR模型的最優滯后階數進行選擇。其分析結果如表4所示。根據結果確定模型的最優滯后階數為6。

（二）參數估計

首先進行馬爾可夫鏈蒙特卡洛（MCMC）隨機抽樣，抽樣次數為10 000次，并舍棄前1 000次作為預燒抽樣（burn-in）。表5為參數估計結果，圖2為MCMC模擬參數分布圖。

從表5可知，所有參數的后驗分布值均在95%置信區間內通過相關檢驗，說明模型收斂性較好。同時，在預燒期馬爾可夫鏈的集中趨勢也在Geweke檢驗統計量中得到體現，其參數值均未超過5%的臨界值1.96。無效因子均小于100，符合有效檢驗所需要的樣本信息。圖2第一行展示了樣本相關系數由高變低并最后圍繞0值上下波動的過程，說明MCMC模擬可以在一定程度上消除樣本產生的自相關性；第二行的樣本取值路徑圍繞一個固定值上下波動，展示了較為穩定的取值路徑；第三行的后驗分布密度函數圖表明樣本分布較為集中。綜上所述，MCMC隨機抽樣模擬是有效的，可以進行后續分析。

（三）時變脈沖響應分析

為進一步探究經濟政策不確定性、金融結構和系統性金融風險三者間的動態關系，本文將通過等時間間隔和特定時點兩種脈沖響應進行分析。通過對實證結果的多角度討論，更清晰地刻畫不同時段和特定時點單位沖擊后的變量特征，以便為后續的政策結論提供實證依據。

1.等時間間隔的脈沖響應函數分析

本文繪制了各變量不同滯后階數對正向沖擊的脈沖響應三維圖，尤其關注金融結構對經濟政策不確定性變動的脈沖響應、系統性金融風險對金融結構變動的脈沖響應，以及系統性金融風險對經濟政策不確定性變動的脈沖響應。三維圖中X軸代表滯后期，Y軸代表時間節點，Z軸代表沖擊響應數值。其中，由于變量之間的脈沖響應具有一定時滯性，此處X軸表示的1—16階為剔除前6期之后的滯后期。

圖3為金融結構對經濟政策不確定性變動的脈沖響應情況。在不同滯后期的正向沖擊下，其脈沖響應由負向影響轉變為正向影響。這表明我國經濟政策不確定性與金融結構總體呈正相關，即經濟政策不確定性指數越高，我國“銀行主導型”占比越大，但兩者之間并非簡單的線性關系，與本文的假設H1相符。從時間跨度橫向觀察，可以將觀測期分為兩個階段：一是2005年10月至2010年前后，金融結構變化對經濟政策不確定性的負向沖擊響應較大，并隨滯后階數的推移而逐漸加深。從形狀來看，呈現一個開口朝里的傾斜“漏斗”狀態。二是2010年至2021年，響應程度自左向右變化的坡度相對平穩。縱觀2018年至2020年的滯后1期（1個月）到滯后16期（16個月）的響應程度發現其接近于零值平面，可能意味著在此期間單純的政策不確定性難以帶動金融市場的資金流動性。因此，有效的政策組合和金融結構高質量轉型愈發重要。

圖4反映出系統性金融風險對金融結構變動沖擊的脈沖響應在不同滯后期和時間跨度上存在時變特征，其正向沖擊在短期（3期）、中期（6期）、長期（12期）滯后響應值主要表現出由正轉負。從滯后期角度來看，三維圖中滯后1期（1個月）帶來的影響幅度最小，隨著滯后期數的增加，沖擊產生的脈沖響應絕對值呈現上升趨勢。有趣的是，該影響隨著橫向時間的推移逐漸趨于平緩，這得益于近10年我國經濟體制和市場機制的不斷完善，以及改革開放進程的不斷推進。然而，在2020年前后，金融結構沖擊對系統性金融風險的影響由正向轉為負向且達到負向最大值，隨后迅速回升為正向，在二維平面圖中表現為“V”型。這一現象的可能原因是：一方面，新冠疫情期間，我國政府在穩健貨幣政策大方向不變的前提下采取更加靈活適度的措施。在財政部發行1 000億元抗疫特別國債的同時，中國人民銀行下調金融機構存款準備金率、再貸款利率和再貼現利率，充分向市場注入資金，提升流動資金活力。另一方面，近年來伴隨著投資者理財和投資意識的增強，我國滬深股市股票成交金額在全球疫情發生背景下震蕩式上升。由此可知，本文的假設H2主要是在2016年之后開始顯現的，而系統性金融風險的大小與我國金融結構中“銀行主導型”比例并非簡單的線性關系，此結果也驗證了假設H3所述的各變量間的時變演進關系。

圖5表明，2005年末至2010年前后，系統性金融風險對經濟政策不確定性沖擊的短期、中期、長期滯后響應均為顯著正向。其中，2008年前后發生的美國次貸危機，以及2010年起爆發的歐債危機，在加劇國內外經濟政策不確定性的同時，也嚴重波及我國金融系統，直接導致系統性金融風險上升。危機期間，全球金融市場從房地產市場、外匯市場和股票市場等多個維度發揮傳染效應，增強經濟政策的不確定性，進而聚集金融風險，這與楊子暉等（2020）學者的研究結論相符。這也意味著，在嚴重危機時期，金融結構在經濟政策不確定性與系統性金融風險間的傳導作用弱于其他時期。

從上述時間間隔脈沖響應分析可以看出，各變量之間存在著明顯的動態關系。經濟政策不確定性對系統性金融風險的沖擊呈現盆地式的波動軌跡，金融結構在二者之間發揮著一定的傳導作用，且明顯受到國內外宏觀經濟環境和金融周期的影響。

2.不同時點的脈沖響應函數分析

利用TVP-SV-VAR模型的時變參數特質，本文結合金融危機爆發、我國供給側結構性改革以及新冠疫情常態化三個特殊時間節點，對經濟政策不確定性、金融結構和系統性金融風險之間的關系做進一步分析。在具體時點的選擇上，分別對應2008年9月（t=36）、2015年12月（t=123）和2020年9月（t=180）。具體實證結果如圖6所示。

圖6（a）表明在三個特殊時點，我國金融結構對經濟政策不確定性的沖擊響應變化趨勢相似且均為正向。具體來看，三個不同時點的脈沖響應均在當期即達到峰值，并分別于第2期（2個月）、第5期（5個月）和第8期（8個月）同步出現低峰值隨后又上升。前6期（半年）的脈沖響應圖呈現較大波動，該特征與前文金融結構對經濟政策不確定性等時間間隔的沖擊響應結果一致。三個特殊時點之間的差異在于，全球金融危機爆發時期（2008年9月），金融結構的正向響應幅度最大。這個現象的可能原因是，我國市場經濟體制尚不完善，投資者和消費者對次貸危機沖擊帶來的負面影響反應劇烈，非理性因素占據上風，導致金融結構變化相對較大。對于另外兩個時點（2015年12月、2020年9月）而言，無論是宏觀經濟調控的力度、深度、廣度，還是投資者、消費者對風險的認知程度都有了全方位的改善，所以其響應程度減弱。值得注意的是，自新冠疫情常態化階段（2020年9月）以來，其響應函數持續表現為圍繞零值上下波動，這說明在我國有力的疫情防控下，國民經濟運行較為平穩，有效地減弱了政策環境波動對金融系統的影響。

圖6（b）展示了無論在哪個特殊時點，系統性金融風險對金融結構單位沖擊的脈沖響應均顯著為負，這與前文提出的當金融結構表現為“銀行主導型”時，我國系統性金融風險相對較低的假設相符。從趨勢表現上看，三個時間節點的脈沖響應函數從第1期到第12期（一年）均未出現重合和交叉，并且走勢和拐點均表現一致。其中，我國推進供給側結構性改革階段（2015年12月）的響應程度相對較低，在第12期時便迅速恢復到零值附近。結合我國政府當時的經濟政策來看，“十三五”規劃建議的出臺、貨幣當局出手挽救股市疊加供給側結構性改革，共同引領我國經濟進入新常態。在多種政策導向的宏觀調控背景下，系統性金融風險較為平穩，金融結構的沖擊效應較弱。

圖6（c）表明了經濟政策不確定性與系統性金融風險之間的沖擊響應情況。在金融危機時期、供給側結構性改革、新冠疫情常態化三個階段，系統性金融風險對經濟政策不確定性的沖擊響應走勢相似，即在第1期便迅速達到谷底值，隨后又迅速拉升。同時可以看出，新冠疫情常態化節點（2020年9月）的脈沖響應最為突出。綜合圖6（a）—（c），經濟政策不確定性對系統性金融風險的直接傳導機制的方向與（a）（b）兩幅圖中分析的傳導過程相符，說明由于投資者信心等主觀因素對資金流向的影響，金融結構在兩者之間發揮著一定的傳導機制。

（四）系統性金融風險不同維度與經濟政策不確定性及金融結構的動態關系

為進一步細化系統性金融風險各維度與經濟政策不確定性、金融結構之間的關系，本文將系統性金融風險分解為國內市場（DMR）、國際沖擊（IIR）、銀行業（BR）以及房地產業（RER）等四個維度，分別進行因子分析。根據主成分構建的四個維度金融風險指數與整體指數的走勢具有趨同性。同時，各維度又由于其特定的行業環境、發展水平和特殊經濟事件影響等，表現出各具特色的變化趨勢。為消除量綱影響，本文將四組數據進行標準化處理，經過ADF單位根檢驗得到各維度數據均為一階單整序列。進而使用各變量的一階差分形式確定最優滯后階數以及模型擬合。

1.系統性金融風險各維度與經濟政策不確定性

圖7（a）—（d）展示了經濟政策不確定性與國內市場風險、國際沖擊風險、銀行業風險和房地產業風險在樣本期內均呈現正、負相關共存態勢，總體而言以正向關系為主。這與前文關于系統性金融風險的實證結果一致。

可以看出，經濟政策不確定性主要影響的是國內市場風險和銀行業風險。此外，國際沖擊風險的波動最為劇烈，這也說明在全球命運共同體背景下，國際沖擊風險在總體金融風險波動中具有重要地位，并極易受到政策環境的影響，兩者存在非對稱雙向溢出效應。其中，作為國際沖擊風險主成分之一的外匯儲備指標，根據國家外匯管理局公布的數據，在2014年6月達到3 9932.1億美元的高點后持續走低，外匯占比有所下降促使我國外匯市場政策導向轉向“宏觀審慎與微觀監管”兩位一體的管理框架。對比之下，經濟政策對國內市場風險的影響效應相對平緩，在2019年短暫的下行趨勢后又明顯上漲，也進一步凸顯了變量之間的時變關系。

2.系統性金融風險各維度與金融結構

金融結構與系統性金融風險四個維度的動態關系更加顯著，但并未偏離系統性金融風險與金融結構的整體關系，具體情況如圖8所示。

圖8表明國內市場風險隨金融結構“銀行化”而呈現出先上升后下降的趨勢，符合投資者對風險碎片捕捉后進行分散風險和規避風險的投資行為特點。值得關注的是，金融結構波動對銀行業風險的影響幅度較大，這表明自新冠疫情常態化以來，銀行業在發揮重要經濟調節功能的同時，也進一步積累了金融風險。另外，由于房地產領域特殊的行業屬性，即使其進入疲軟期，金融機構也依然熱衷于對其發放貸款。此時，金融結構與房地產行業金融風險之間并非總是理論預期的負相關關系。不過，在較長的時間里，我國房價居高不下，尤以一線城市為甚，致使人均GDP增速相對于房價增速漸緩。在金融業和優惠貸款利率的刺激下，一些償付能力不佳的借款人也能夠購置房產，增加了金融機構的不良債權。當銀行業的資產質量普遍下降時，這不僅影響我國金融結構的配比，更容易積累系統性金融風險。

六、結論與啟示

本文在理論分析中引入不同類型的金融系統，并與TVP-SV-VAR模型相結合，探究經濟政策不確定性、金融結構和系統性金融風險三者之間的動態演進關系。研究結果表明：經濟政策不確定性與系統性金融風險之間存在正向關系，但兩者走勢并非簡單的線性模式。隨著模型滯后期數的增加，經濟政策不確定性對系統性金融風險的沖擊效應愈加明顯。尤其是在我國經濟改革轉型的重要機遇期，兩者的直接傳導關系受到內外部環境影響，正向的傳導作用極易發生結構性突變。當我國金融結構表現出更強的“銀行主導型”時，系統性金融風險相對較低。系統性金融風險對經濟政策不確定性和金融結構變化的響應，無論從等時間隔來看，還是從特殊時點來看，均展現明顯的時變性，并在危機爆發時期更為顯著。從分維度來看，經濟政策不確定性和金融結構主要影響的是國內市場金融風險和銀行業金融風險。

基于上述研究結論，主要有如下政策啟示：

首先，積極應對經濟政策和金融結構變化等因素帶來的沖擊，完善系統性金融風險預警體系。一是明確宏觀調控的主要目標和方向，在復雜的內外部環境變化下，應盡量減小環境沖擊，保持政策調整的連續性和穩定性。二是通過官方渠道及時發布經濟政策信息，解釋政策意圖和預期效果，減少市場參與者的誤解和恐慌。通過加強信息披露和監管，提高市場透明度，緩解政策制定方與接收方的信息不對稱，幫助參與者形成更為一致的經濟預期。三是完善包含宏觀經濟指標、金融市場數據等多維度信息的金融風險預警模型，尤其需要關注銀行系統的內生脆弱性以及資本市場的集聚效應等關鍵維度，并做到結合實際、關注長期影響。

其次，在堅持金融市場化改革大方向不變的同時，關注重要經濟社會事件對金融系統穩定性的影響。一是結合我國經濟發展需要，持續優化金融結構，增強金融系統內在穩定性。隨著我國資本市場不斷發展，金融體系的市場化已成為經濟體制改革中的一種趨勢。在這一進程中，需要密切關注銀行作為平衡器的效能如何隨著市場結構的變化而演變。通過深化金融市場改革，形成銀行體系與市場體系的最優配比。二是有效應對金融結構在金融危機、新冠疫情等“黑天鵝”事件爆發時表現出的易變性。一方面，既要支持企業發展和產業升級，確保資金有效流向實體經濟，又要積極為金融體系提供改善流動性、降低融資成本等方面的政策支持。另一方面，密切關注投資者的信心變化，改善投資者對金融風險的認知，引導理性投資；進一步健全投資者保護機制，為投資者提供必要的風險保障，以減少非理性投資對市場的沖擊。

最后，充分發揮我國股票市場、房地產、外匯等在宏觀經濟運行中的推動作用。在股票市場方面，鼓勵具有發展潛力、創新能力強的優質企業上市融資。加強政策引導，充分發揮市場機制作用，讓資金更多地流向符合國家產業發展方向、有利于經濟增長的領域。對于房地產市場而言，建立全面的市場數據監測系統，實時監測房價、交易量、庫存量等關鍵指標。需構建適合我國國情的房地產市場運行機制，結合各地區的經濟發展水平、人口結構、資源稟賦等實際情況，制定差異化的房地產調控政策。同時，加強房地產金融監管，規范房地產企業的融資行為，防范房地產金融風險，確保房地產市場與金融市場的良性互動，為我國經濟的穩定增長提供有力支撐。在外匯市場方面，我國央行在運用貨幣政策調整外匯時，應充分考慮政策調控存在約兩個季度的時滯效應，提前進行市場分析，預測外匯市場走勢，根據市場變化適時調整政策力度和節奏。

注釋：

① 除改變系統性金融風險指標的計算方法之外，本文還根據SC信息準則重新確定模型的最優滯后階數，并進行穩健性檢驗。由于篇幅有限，相關檢驗結果備索。

參考文獻：

[1] 郭樹清.打好防范化解重大金融風險攻堅戰[N].人民日報， 2018-01-17.

[2] LAEVEN L， VALENCIA F. Systemic banking crises database： A timely update in covid-19 times[J]. CEPR Discussion Paper，2020， DP14569.

[3] DICKS D， FULGHIERI P. Uncertainty aversion and systemic risk[J]. CEPR Discussion Papers，2015，127（03）：701356.

[4] 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（01）：65-81.

[5] 李洋，佟孟華，褚翠翠.經濟政策不確定性與系統性金融風險傳染——基于中國上市金融機構微觀數據的經驗證據[J].金融經濟學研究，2021，36（04）：31-47.

[6] 雷蒙德·W.戈德史密斯.金融結構與金融發展[M].周朔，等譯.上海：上海人民出版社，1996.

[7] ALLEN F， GALE D. Comparing financial systems[M]. Cambridge，MA： MIT Press，2001.

[8] 李佳.金融結構變遷與銀行資產證券化發展：影響機制及經驗證據[J].金融經濟學研究，2019，34（01）：67-82.

[9] 陳雨露，馬勇.社會信用文化、金融體系結構與金融業組織形式[J].經濟研究，2008（03）：29-38.

[10] 陳雨露，馬勇.金融體系結構與金融危機[J].金融評論，2009，1（01）：3-14+115+122.

[11] VALERIE R， BRUCE S. Some consequences of credit rationing in an endogenous growth model[J]. Journal of Economic Dynamics and Control， 1993，17（1-2）：97-122.

[12] MARKUS K， HUBERT JáNOS K. Sequential decisions in the Diamond–Dybvig banking model[J]. Journal of Financial Stability， 2014，15：149-160.

[13] 龔強，張一林，林毅夫.產業結構、風險特性與最優金融結構[J].經濟研究，2014，49（04）：4-16.

[14] 金雪軍，鐘意，王義中.政策不確定性的宏觀經濟后果[J].經濟理論與經濟管理，2014，34（02）：17-26.

[15] 雷立坤，余江，魏宇，等.經濟政策不確定性與我國股市波動率預測研究[J].管理科學學報，2018，21（06）：88-98.

[16] 何斌，劉雯.經濟政策不確定性、股權質押與股價崩盤風險[J].南方金融，2019（01）：40-48.

[17] 顧海峰，于家珺.中國經濟政策不確定性與銀行風險承擔[J].世界經濟，2019，42（11）：148-171.

[18] 彭俞超，倪驍然，沈吉.企業“脫實向虛”與金融市場穩定——基于股價崩盤風險的視角[J].經濟研究，2018，53（10）：50-66.

[19] 王紅建，李青原，邢斐.經濟政策不確定性、現金持有水平及其市場價值[J].金融研究，2014（09）：53-68.

[20] 李鳳羽，楊墨竹.經濟政策不確定性會抑制企業投資嗎？——基于中國經濟政策不確定指數的實證研究[J].金融研究，2015（04）：115-129.

[21] 王朝陽，張雪蘭，包慧娜.經濟政策不確定性與企業資本結構動態調整及穩杠桿[J].中國工業經濟，2018（12）：134-151.

[22] 紀洋，王旭，譚語嫣，等.經濟政策不確定性、政府隱性擔保與企業杠桿率分化[J].經濟學（季刊），2018，17（02）：449-470.

[23] 劉玚，蔡松婕，王學龍.外部不確定性對中國系統性金融風險的影響研究——基于跨境資本流動視角與渠道[J].西南民族大學學報（人文社會科學版），2019，40（11）：136-143.

[24] 范小云.金融結構變革中的系統性風險分析[J].經濟學動態，2002（12）：21-25.

[25] DIAMOND D W， DYBVIG P. Bank runs， deposit insurance， and liquidity[J]. Federal Reserve Bank of Minneapolis Quarterly Review， 2000， 24（01）： 14-23.

[26] 王曉青，李濤.后危機時代金融體系的完善與創新——銀行主導型和市場主導型金融體系的比較研究[J].審計與經濟研究，2011，26（04）：94-101.

[27] 胡宗義，黃巖渠，喻采平.網絡相關性、結構與系統性金融風險的關系研究[J].中國軟科學，2018（01）：33-43.

[28] BAKER S R， BLOOM N， DAVIS S J. Measuring economic policy uncertainty[J]. The Quarterly Journal of Economics，2016， 131（04）： 1593-1636.

[29] 朱凱，王君.影子銀行發展、金融結構演進與系統性金融風險——基于1997—2017年全球系統性銀行危機的分析[J].金融監管研究，2020（03）：19-34.

[30] 郭娜，祁帆，張寧.我國系統性金融風險指數的度量與監測[J].財經科學，2018（02）：1-14.

[31] 方芳，林海濤.系統性金融風險再認識：演化、測量與檢驗[J].經濟理論與經濟管理，2017（11）：45-57.

[32] NAKAJIMA J. Time-varying parameter var model with stochastic volatility： An overview of methodology and empirical applications[J]. Monetary and Economic Studies，2011（29）： 107-142.

（責任編輯：張艷妮）

Research on the Relationship Between Economic Policy Uncertainty， Financial Structure and Systemic Financial Risk

CUI Huiying1，2， GUO Ao3

（ 1.School of Economics and Business Administration， Heilongjiang University;

2.School of Business and Management， Jilin University; 3.China Merchants Bank Beijing Branch ）

Abstract： The bottom line against systemic risk is a clear requirement for financial work of the 20th CPC National Congress. This paper constructs the index system of systemic financial risk in China， based on the actual situation of economy and finance. On the basis of theoretical analysis， we use the time-varying parameter vector autoregression model with random volatility to test the dynamic evolution process among economic policy uncertainty， financial structure and systemic financial risk， and examine the time-varying impact of important economic events on the relationship among the three. Moreover， we conduct heterogeneous analysis by refining systemic financial risk into four dimensions. The empirical results show that the relationship between economic policy uncertainty and systemic financial risk is mainly positive; the financial structure plays a certain transmission role between the two， and is obviously affected by the domestic and international macroeconomic environment and financial cycle. When the financial structure shows a stronger \"bank-dominated\" characteristic， the systemic financial risk is relatively lower. In terms of dimensions， economic policy uncertainty and financial structure mainly affect domestic market and banking financial risks. Thus， a comprehensive understanding of the dynamic effects among various dimensions of financial risk， the economic policy environment and the financial system can provide more effective policy guidance for preventing and resolving systemic risks.

Keywords： Economic policy uncertainty; Financial structure; Systemic financial risk; TVP-SV-VAR model; Time-varying transmission mechanism