中国系统性金融风险与价格型货币政策传导效应研究

吕政 刘丽萍

摘 要：监测系统性金融风险以及识别该风险对货币政策操作效果的影响，对于平衡稳增长与防风险具有重大现实价值。创新性地应用DMA-TVP-FAVAR模型从动态视角搭建中国系统性金融风险指数，并借助MS-VAR模型评估金融风险对价格型货币政策产出效应、价格效应的非线性影响。研究发现：货币市场在中国金融体系中具有重要地位，防范金融风险离不开货币市场平稳运行，银行业、股票市场、房地产业、外汇市场在中国系统性金融风险指数中虽占比有限，但相对重要性上升。中国系统性金融风险具有明显的两区制特征，并且维持高风险区制的持续性更强。在系统性金融风险作用下，价格型工具的操作效果呈现非对称性，金融风险的存在大幅削弱了货币政策有效性，为实现宏观调控目标，中央银行有必要加大货币政策操作力度。研究工作有助于建立起具有中国特色的系统性金融风险应对机制。

关键词：系统性金融风险；货币政策；非对称；DMA-TVP-FAVAR；MS-VAR

文章编号：2095-5960（2023）05-0012-10；中图分类号：F832.5；文献标识码：A

一、引言与文献综述

随着中国金融市场迅猛发展，金融体系背后累积的杠杆率高企、地方债务激增、影子银行风险、房地产泡沫、金融脱媒等问题逐渐暴露，潜在的系统性金融风险在部分地区、行业积聚和释放。与此同时，国际金融环境更加复杂多变，外部金融风险不利冲击同样不容小觑。系统性金融风险极易跨市场传染，放大投资者情绪波动，负向冲击实体经济，深刻变化了金融体系与宏观经济的关联机制。［1］ 正因如此，国家治理层面反复强调“坚决打好防范化解包括金融风险在内的重大风险攻坚战”“保持物价水平基本稳定，打好防范化解重大金融风险攻坚战”“健全金融监管体系，守住不发生系统性金融风险的底线”。可见，防范系统性金融风险对于中央银行维护金融稳定至关重要。值得关注的是，中央银行的货币政策执行和宏观审慎政策实施有赖于金融体系传导，特别在中国货币政策框架由“数量型”向“价格型”转型时期，面对金融风险不断变化，如何精确测度系统性金融风险？与之相关的问题是，央行的货币政策操作效果对金融风险变化如何反应？回应上述问题，不仅有利于充分识别中国系统性金融风险，还有助于明晰系统性金融风险对价格型货币政策有效性的影响，对于有序推进利率市场化改革具有重大现实意义。

关于系统性金融风险测度方面的研究，最具影响力的指标是金融压力指数（FSI）。Illing & Liu最早选取银行、外汇、债券、股票4个市场的9个代表性指标，结合因子分析方法，首次合成加拿大金融压力指数。［2］ 由于金融压力指数较好表征了金融市场承受的实际压力，使其被多国中央银行如美联储、欧央行，以及国际货币基金组织等国际组织广泛使用。此后，学者们丰富了金融风险的度量方法，诸如主成分分析［3］、等方差权重法［4］、多元GARCH［5］等计量工具被广泛地应用，但对指标权重的设计仍有不足。关于系统性金融风险影响方面的研究，学界多认为系统性金融风险上升会削弱金融市场功能，在融资约束下放缓投资、消费，收缩经济活动。［6］ 何青等采用主成分分析分位数回归法（PCQR）建立系统性金融风险指数，并探明系统性风险影响实体经济的作用路径。［7］ 周上尧和王胜利用DSGE模型做反事实模拟，发现系统性金融风险积聚将制约长期经济增长。［8］ 与此同时，越来越多的学者关注到系统性金融风险带来的经济影响可能不是线性的。Holló et al.运用TVAR模型实证检验发现，当系统性金融风险超过阈值时，将导致宏观经济疲软。［9］ Davig & Hakkio和Hubrich & Tetlow利用MS-VAR模型识别了系统性金融风险的转移区制，得到了高风险区制恶化宏观经济的研究结论。［10，11］ 此外，系统性金融风险的跨部门、跨行业传染也是当前的研究热点之一［12-14］ ，但鲜有文献就系统性金融风险对货币政策有效性影响的问题展开研究。

综上所述，已有文献对系统性金融风险及其影响做了大量研究，但也存在以下三方面的局限：第一，国内外学者在构建系统性金融风险指数时，通常设定各金融变量的权重是固定的，或是简单动态的，而事实上系统性金融风险的触发极其复杂，有必要根据金融数据的实际生成机制，对指标权重进行灵活地、动态的估计。第二，现有研究多数探究了系统性金融风险与实体经济的联动机制，强调中央银行应当关注金融体系稳定，但鲜有文献讨论系统性金融风险下货币政策的宏观调控效果。特别是结合当前货币政策框架量价转型，专门针对价格型货币政策有效性的探讨更是少之又少。第三，已有研究虽然关注到系统性金融风险存在非线性影响，但是在货币政策调控框架下，系统性金融风险对货币政策有效性是否同样具备非对称特点，还缺乏系统的作用机制分析。

鉴于此，本文在现有研究的基础上，试图在以下三个方面作出贡献：第一，在指标构建上，首次应用DMA-TVP-FAVAR模型，从宏观经济、货币市场、银行业、债券市场、股票市场、房地产业、外汇市场和国际金融中选取19个代表性指标，构建中国系统性金融风险指数。与以往指数相比，本文研究方法允许各指标进入模型的权重能够随时间推移而变化，更符合现实经济中各因素诱发系统性金融风险几率不同的典型事实。与此同时，在指标测度过程中，对宏观经济变量加以控制，剔除了宏观经济对系统性金融风险的影响，使得后续实证检验货币政策的产出效应、价格效应更加可靠。第二，在经验证据上，借助MS-VAR模型将系统性金融风险指数纳入货币政策分析框架，捕捉了中国系统性金融风险的区制转移特征，并重点考察不同金融风险状态下价格型货币政策操作的非對称效果，得到了系统性金融风险弱化货币政策有效性的新证据。第三，在作用机理上，分析了系统性金融风险对价格型货币政策调控效果的影响。文章厘清了系统性金融风险对价格型货币政策传导的影响渠道，并比较了不同金融风险状态下，货币政策对实体经济调控效果的区别。

二、作用机制分析

基于有效市场假说和理性预期假说，传统经济学理论假定货币政策向实体经济传导的纽带——金融体系，是不存在金融摩擦的。但近年来在系统性金融风险积聚的助推下，货币政策传导的中介悄然出现了新变化。系统性金融风险的产生，导致金融体系的信息不对称和不确定性愈发突出，自然对央行政策操作带来挑战。本文正是基于这一点展开研究，以期明晰系统性金融风险对价格型货币政策有效性的影响。

在价格型货币政策框架下，中央银行通过建立利率走廊，调节政策利率（代表性短期利率）在走廊带宽内变动，运用公开市场操作等手段促使其他市场利率跟随政策利率变动，进一步影响全社会的消费、投资，从而实现调控经济稳定物价的目标。［15］ 简言之，利率调控是价格型货币政策的关键。［16］ 具体地，利率传导机制分为两个环节：第一个环节，由短期利率向不同期限、品种、风险的中长期利率传导（特别是长期利率）；［17］第二个环节，由长期利率向总需求传导。［18］

在价格型货币政策传导的第一个环节，由短期利率向长期利率传导。短期利率（政策利率）变动能否通过利率期限结构引导长期利率（贷款利率）变动，取决于市场主体对短期利率变动是否敏感。在不同金融风险状态下，价格型货币政策在第一个环节的传导有明显区别。当系统性金融风险较低时，现实的金融体系与理想的金融体系较为接近，传统经济理论是可以解释现实经济的。根据利率期限结构的预期理论，长期利率是在短期利率的基础上加上部分风险溢价，则短期利率变动必然会对长期利率施加稳定影响。可见，在“低金融风险”状态下，利率传导渠道相对疏通，短期利率能够引导长期利率变动。伴随系统性金融风险逐渐增大，金融市场的不确定性强化了金融摩擦和市场分割，也带来了更高的风险溢价，这使得现实经济与理想经济的差距越来越大，传统经济理论解释现实经济变得困难。在“高金融风险”状态下，较高的风险溢价弱化了货币市场、债券市场、信贷市场的价格发现功能，造成短期利率与长期利率之间不再同步变化，甚至会出现长短期利率走势背离。由上述分析可知，系统性金融风险通过提高风险溢价的方式，梗阻了短期利率向长期利率传导，降低了货币政策利率传导效率。

在价格型货币政策传导的第二个环节，由长期利率向总需求的传导。长期利率（贷款利率）对总需求的传导反映了货币政策的宏观调控效果，代表了货币政策的有效性。接下来具体分析不同风险状态下货币政策的有效性。在“低金融风险”状态下，如果央行执行宽松货币政策，下调贷款利率，将直接降低企业融资成本，有利于刺激投资需求。另外，降低利率的做法，间接提高了资产价格，使得银行业资本净值上升，有助于增加信贷供给。因此，低系统性金融风险下的宽松货币政策，能够有效提振经济。当然，促进经济增长的同时也会带来一定程度的通货膨胀。反之，“低金融风险”状态下的紧缩货币政策，会对产出、通胀带来反向影响。在“高金融风险”状态下，货币政策传导机制变得复杂，加大了央行货币政策操作难度。具体而言，央行执行宽松货币政策通常是在经济下行时期，目的是提振经济。但不断攀升的系统性金融风险，会对商业银行等金融机构放贷策略产生两方面影响。一方面，金融市场参与者的逆向选择和道德风险加剧，商业银行预期未来的违约率增加，银行为降低违约损失通常会收紧放贷，选择持有更多的超额准备金。另一方面，资产价格的不确定性提高，商业银行往往不乐意接受估值风险较高的非流动资产作为抵押品，银行提供融资时会更加谨慎。因此，在系统性金融风险作用下，商业银行容易出现“惜贷”“惧贷”，信贷规模未能按预期扩张，宽松货币政策并不能起到预期复苏经济的作用。与此同时，系统性金融风险同样会对货币政策稳定物价造成一定影响。一般而言，通货膨胀会对货币政策操作的响应较为敏感。但是在系统性金融风险背景下，央行执行宽松货币政策操作所释放的流动性，难以直接流向实体经济，而是流入收益相对较高的房地产、股票市场等领域。在房地产或股票市场“空转”的流动性将导致资产价格膨胀，但是对一般物价水平的影响有限。因此，系统性金融风险同样会削弱货币政策宏观调控的价格效应。对应地，央行实施紧缩货币政策往往在经济过热时期，紧缩性政策提高贷款利率的做法，一般可以减少投资，压缩需求。但在“高金融风险”状态，游离于监管外的影子银行往往借贷频繁，紧缩货币政策难以遏制信贷规模，并不能切实调节需求。由此可见，系统性金融风险将在一定程度上弱化货币政策操作效果，降低了货币政策有效性。

综上所述，系统性金融风险将改变金融体系，进而阻塞价格型货币政策传导机制，弱化货币政策操作在促进经济增长、稳定物价水平方面的预期。因此，面对系统性金融风险攀升，为实现货币政策操作目标，中央银行有必要加大货币政策操作力度。

三、中国系统性金融风险指数编制

（一）系统性金融风险测算方法

本文应用Koop & Korobilis开发的动态模型平均-时变参数-因子增广向量自回归模型（DMA-TVP-FAVAR）搭建中国系统性金融风险指数。［19］ DMA-TVP-FAVAR模型对时变参数-因子增广向量自回归模型（TVP-FAVAR）进行拓展，允许因子载荷矩阵随时间变化，因子载荷是指构建中国系统性金融风险指数过程中各金融变量所占的权重。根据进入模型金融变量的不同，共建立Mj（j=1，…，J）个模型。第j个p阶滞后DMA-TVP-FAVAR模型表示为：

x（j）t=λytyt+λftf（j）t+ut（1）

在式（1）中，x（j）t（t=1，…，T）是用于测算中国系统性金融风险指数的金融变量向量，x（j）t为xt的一个子集。因为xt是n×1维金融变量向量，所以存在最大数量为2n-1种向量组合。yt是s×1维宏观经济变量向量，f（j）t是潜在因子，解释为本文所关心的系统性金融风险指数。λyt和λft分别是yt和f（j）t对应的回归系数和因子载荷。简言之，式（1）用于从各金融变量蕴含的金融风险信息中提取潜在的系统性金融风险指数。ut和εt分别为式（1）和式（2）的误差项。在式（2）中，ct是截距项，（Bt，1，…，Bt，p）是模型的估计系数。式（2）对系统性金融风险指数与宏观经济变量之间的动态作用关系建模，以便刻画两者之间的互动和依赖关系。特别地，DMA-TVP-FAVAR模型能够从系统性金融风险指數中剔除宏观经济变量的影响，保证了估计得到的系统性金融风险指数只包含与金融变量有关的风险信息。DMA-TVP-FAVAR模型利用卡尔曼滤波进行估计，参考Raftery et al.的动态模型平均思想，对所有金融变量可能构成的模型组合做加权平均，从而降低估计结果的偏误。［20］

（二）代表性金融变量的选择

构建中国系统性金融风险指数，必须选择具有足够代表性、能够准确反映金融风险的变量。为了使选取的指标尽可能覆盖整个金融体系，参考相关文献［21-23］，并结合DMA-TVP-VAR模型的要求，本文最终选取8大类共计19个指标，涵盖了宏观经济、货币市场、银行业、债券市场、股票市场、房地产业、外汇市场和国际金融等多个方面，并结合各指标对系统性金融风险的影响方向区分了正向指标和負向指标。在此对各个指标做简要介绍①①限于篇幅省略了各指标计算方法详细介绍及变动方向具体解释，备索（电子信箱：rainliuliping@126.com）。：

宏观经济稳定运行是防范系统性金融风险的核心，本文选取GDP增速、CPI缺口和杠杆率作为反映宏观经济的三个指标。货币市场是金融市场的重要组成部分，为短期资金融通提供便利，对促进金融市场稳定起到重要作用，本文选取流动性溢价、TED利差作为货币市场的两个指标。中国以间接融资为主的融资方式，决定了银行业在金融系统中占据核心地位，银行业作为主要的金融中介机构，其承受的风险压力直接牵动金融市场稳定，本文选取银行业Beta系数、银行业特质波动率和银行板块下跌变量作为来自银行业的三个指标。经过多年长足发展，中国的债券市场逐渐成为金融体系不可或缺的一部分，债券收益率很大程度上反映了市场信心，本文选取期限利差和债指下跌变量作为债券市场的两个指标。股票市场是中国投资者主要的投资渠道，股市异常波动是金融风险上升的重要原因之一，本文选取股指波动率、股指下跌变量和股债相关性作为股票市场的三个指标。中国的房地产信贷在银行信贷中占有相当比重，房地产业风险对银行业风险乃至宏观金融风险具有重要影响，本文选取国房景气指数变动率和房价下跌变量作为房地产业的两个指标。外汇市场是国内外金融市场连接的纽带，随着汇率市场化改革不断深化，外汇市场在中国金融市场中发挥的作用逐渐增大，本文选取汇率波动率和实际有效汇率高估作为外汇市场的两个指标。国际金融市场的风险来源广泛，本文选取VIX指数和国际油价波动作为国际金融的两个指标。

本文数据来源于Wind数据库，将不同频率的时间序列数据统一为月度，样本区间为2007年1月至2021年9月，共计177个观察值。为编制中国系统性金融风险指数，需要对以上指标进行两步预处理。首先，对各指标做同向化处理。将负向指标取相反数转化成同向指标。其次，对指标做去量纲处理。本文采用经验累积分布函数（CDF）对各指标去量纲。

（三）中国金融形势的动态特征

图1绘制了搭建中国系统性金融风险指数过程中，16个金融变量在各期进入DMA-TVP-FAVAR模型的平均时变概率。首先，从图1容易看出各个变量进入模型的概率具有明显的时变特征。其次，图1给出了各变量在DMA过程中获得平均权重相对大小的经验证据。模型从数据生成机制出发，捕捉了各金融变量传递系统性金融风险的几率，从统计学角度解释了系统性金融风险变化的成因。对比图1中各二级指标纵坐标的数值大小可知，货币市场在系统性金融风险指数中的相对重要性较高，银行业、债券市场、股票市场、房地产业、外汇市场和国际金融的相对重要性较低，可见货币市场平稳运行对金融稳定至关重要。值得关注的是，自金融危机以来银行业、股票市场、房地产业、外汇市场在中国系统性金融风险指数中虽占比有限，但相对重要性明显提高。

利用DMA-TVP-FAVAR模型测度的中国系统性金融风险指数走势见图2。本文将系统性金融风险指数与重大突发事件相联系，以便考察本文系统性金融风险指数的识别效果。总体而言，样本期内中国系统性金融风险的变化幅度较大，呈现波动上升趋势，意味着近年来中国金融体系潜在的金融风险不断增大。2008年以前系统性金融风险处于低位。2008年国际金融危机爆发后，国际恐慌情绪蔓延至国内，股价大幅下跌，系统性金融风险迅速攀升。同年，中国政府紧急出台一系列刺激计划，虽缓解外部冲击，但为宏观经济运行埋下隐患。2011年欧洲债务危机爆发，国际金融形势动荡，又一次推高系统性金融风险。2013年中国银行业“钱荒”事件、2014年债券市场信用违约、2015年股票市场爆发“股灾”直至2016年触底企稳，一连串突发事件导致系统性金融风险激增。2018年中美贸易摩擦加剧国际资本市场波动，外汇市场金融风险积聚，潜在的金融风险再度上升。2020年受新型冠状病毒性肺炎疫情不利冲击，系统性金融风险再次大幅升高。可见，本文构建的中国系统性金融风险指数的骤升与国内外重大金融事件发生时点基本吻合，说明该指数较为准确地反映了中国金融体系的实际风险状况。

四、系统性金融风险对货币政策有效性的非对称影响

（一）模型介绍

本文试图评估不同系统性金融风险状态，对价格型货币政策产出效应、价格效应的非线性影响，因此应用Hamilton提出的马尔可夫区制转移向量自回归模型（MS-VAR）进行识别。［24］ MS-VAR模型在传统向量自回归模型（VAR）的基础上引入区制变量，该区制变量服从一个离散状态的马尔可夫随机过程，并假定回归变量依赖于区制变量，该设定为识别非线性作用关系提供了研究框架。［25］ 滞后p阶的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）

根据方程的均值、截距、系数、方差是否依赖于区制变量所属的状态，可以将MS-VAR模型进一步区分为马尔可夫均值转移向量自回归模型（MSM-VAR）、马尔可夫均值自回归系数转移向量自回归模型（MSMA-VAR）、马尔可夫均值异方差转移向量自回归模型（MSMH-VAR）、马尔可夫均值自回归系数异方差转移向量自回归模型（MSMAH-VAR）、马尔可夫截距转移向量自回归模型（MSI-VAR）、马尔可夫截距自回归系数转移向量自回归模型（MSIA-VAR）、马尔可夫截距异方差转移向量自回归模型（MSIH-VAR）、马尔可夫截距自回归系数异方差转移向量自回归模型（MSIAH-VAR）。实际建模中，综合比较各模型的对数似然值，以及AIC、HQ和SC准则，选取最优的MS-VAR模型形式。

（二）变量选择

在价格型货币政策框架下，中央银行通过利率调控促进宏观经济稳定。因此，本文结合货币政策调控框架，选取以下三类经济变量：第一类为货币政策的操作变量。本文选取7天期上海银行间同业拆放利率作为中国货币市场短期利率的代表，并将利率数据加工为实际利率，记为SHIBOR007。第二类是货币政策的目标变量。本文选取产出缺口、通胀缺口作为宏观经济的代理变量，分别记为GDPGAP和CPIGAP。之所以计算真实值和趋势值的差额，是因为真实变量只能体现当期经济增速的快慢，或当期通货膨胀的高低，并不能反映当期的产出和通胀水平是否与潜在经济水平相契合。第三类为系统性金融风险指数，记为CSFRI，上一章节已对该指数的构造进行详细介绍，故不再赘述。以上数据均来源于Wind数据库，样本区间与系统性金融风险指数的构造保持一致。

（三）估计结果

1.单位根和因果关系检验

为避免MS-VAR模型的估计结果出现伪回归，本文对各变量进行单位根检验（限于篇幅，检验结果留存备索）。检验结果表明，在样本区间内，各变量不存在单位根，故使用MS-VAR模型估计得到的结果是可信的。考虑到不同系统性金融风险状态下，价格型货币政策与产出缺口、通胀缺口之间的关系可能并不稳定，即货币政策的传导可能是非线性的。为此，本文利用非线性格兰杰因果关系检验方法，识别GDPGAP、CPIGAP、CSFRI和SHIBOR007四者之间的非线性因果关系。非线性因果关系检验結果显示，在本文的模型经济中，各个变量之间存在显著的非线性因果关系，说明后续应用MS-VAR模型做实证检验是合理的。

2.MS-VAR模型的形式设定

建模前需确定MS-VAR模型的转移区制个数和模型滞后阶数。结合作用机制分析，金融体系理论上存在“高金融风险”和“低金融风险”两种状态，因此本文将MS-VAR模型的转移区制个数设为2，并参考AIC及SC信息准则将滞后阶数设定为2阶。综合比较表1中线性系统和非线性系统各模型对应的对数似然值（LL）、AIC准则、HQ准则和SC准则，选取最优的MS-VAR模型。从表1可以看出，MSIH（2）-VAR（2）对应的对数似然值最大，对应的AIC、HQ和SC值最小，意味着不同区制方程中的截距和方差会随系统性金融风险状态发生变化。此外，MSIH（2）-VAR（2）的LR线性检验统计值为236581，在1%的显著性水平拒绝模型为线性的原假设，说明MS-VAR模型优于传统的VAR模型。该实证检验结果表明，MSIH（2）-VAR（2）对样本数据的拟合效果最为理想。

3区制转移特征

图3展示了MS-VAR模型在样本期内的平滑概率，对比两个区制下的平滑概率容易发现，系统性金融风险的区制分布泾渭分明，区制转移特征明显，并且金融风险区制转移的时点与现实经济中的突发事件会吻合。具体而言，除2008年次贷危机、2013年银行钱荒、2014年债市违约三个关键时点外，自2007年至2014年平滑概率为1的区间多处于区制1。在该阶段，虽有重大金融事件导致系统性金融风险激增，但整体上潜在的金融风险尚处于低水平状态。经历2015年A股股灾，以及紧随其后的中美贸易摩擦、新冠疫情冲击，大幅推高了中国的系统性金融风险，2015年以后平滑概率为1的区间多处于区制2。基于图3的中国系统性金融风险指数变化特征，并结合MS-VAR模型平滑概率估计结果可以判断，区制1为低风险状态，区制2为高风险状态，并且金融风险的区制转移主要受突发外生冲击影响。

表2为低金融状态和高风险状态之间的区制转移概率矩阵。由表2可知，区制变换具有明显的“惯性”特征。具体而言，如果当期处于区制1，即当期的系统性金融风险较低时，那么下一期有934%的概率维持在区制1。反之，如果当期处于区制2，即当期系统性金融风险较高时，区制2保持不变的概率为947%。此外，由区制1转移到区制2的概率，以及从区制2转移到区制1的概率，分别为66%和53%。该结果表明，当期的系统性金融风险状态存在路径依赖，很大程度上取决于上一期的状态。

两个区制持续期的估计结果见表3。从表3可以看出，系统有445%的时间处于区制1，平均持续期为15080个月；系统有555%的时间处于区制2，平均持续期为18810个月。意味着在区制2下，即高系统性金融风险状态下的持续期更强。

4.脉冲响应分析

参考Lü等［16］、王立勇和吕政［17］、吕政和刘丽萍［18］的做法，本文通过比较脉冲响应幅度的高低，来判断价格型货币政策冲击对宏观经济变量的影响。为了比较“高金融风险”和“低金融风险”下价格型工具有效性的差异，本文绘制了不同区制下各变量对价格型货币政策冲击的脉冲响应图像（见图4）。从图4容易看出，在两个不同区制下，分别给短期市场利率一单位标准差的正向冲击，对产出缺口、通胀缺口和系统性金融风险均会产生不同程度的负向影响，该动态影响具有明显的时变特征，并最终趋于收敛。具体地，紧缩货币政策冲击对产出缺口的负向影响最大，对通胀缺口的负向影响次之，对系统性金融风险的负向影响微弱。这与紧缩货币政策负向影响产出，抑制通货膨胀、资产泡沫的传统经济学理论保持一致。需要注意，在两个不同的区制下，各脉冲响应函数的变化趋势高度相似，但是脉冲响应幅度存在较大差别，“高金融风险”区制下的脉冲响应幅度远低于“低金融风险”区制下的脉冲响应幅度。该结果验证了本文理论分析所做的推断，即系统性金融风险对货币政策有效性的影响是非对称的，并且系统性金融风险将弱化价格型货币政策操作效果。

宏观经济变量对价格型货币政策一单位标准差正向冲击的累积脉冲响应图像如图5所示。比较图5不同区制下的累积脉冲响应可知，在区制1中，也就是在低风险状态下，产出缺口和通胀缺口对紧缩货币政策冲击有更强劲的持续负向响应，当累积脉冲响应值逼近稳态时，累积脉冲响应幅度大致为区制2的7倍。由此可见，在系统性金融风险较低的情况下，通过利率调控宏观经济的效果更理想，而系统性金融风险上升将大幅削弱价格型货币政策的操作效果。该实证结果与本文作用机制分析的观点保持一致。此外，从图5还可以看出，紧缩货币政策虽然会对系统性金融风险产生负向影响，即货币政策收紧可以降低系统性金融风险，但是作用效果相对有限。

五、結论与建议

在系统性金融风险重要性日益突出的背景下，坚决守住不发生系统性金融风险底线已成为维护金融安全的一项重要任务。文章应用动态模型平均-时变参数-因子增广向量自回归模型（DMA-TVP-FAVAR）构建具有时变权重的中国系统性金融风险指数，并通过马尔可夫区制转换向量自回归模型（MS-VAR）探究系统性金融风险对价格型货币政策产出效应、价格效应的非对称影响。应用DMA-TVP-FAVAR模型测度得到的系统性金融风险指数与现有研究计算的指数相比，具有以下两点优势：一是允许各金融变量的权重随时间变化。众所周知，在不同时期，系统性金融风险骤升的原因并不一致，DMA-TVP-FAVAR模型从数据生成机制出发，估计了各变量传递金融风险的几率，更贴近现实。二是剔除了宏观经济变量对金融风险的影响。在DMA-TVP-FAVAR模型的估计过程中，对宏观经济变量加以控制，一方面提高了系统性金融风险指数的准确度，另一方面保证了该指数不包含宏观经济信息，为后文诊断货币政策的宏观经济效应创造了前提条件。

研究结果显示：第一，现阶段受极端风险事件影响，中国系统性金融风险处于中高位。本文构建的中国系统性金融风险指数能够随时间动态变化，并且国内外重大金融事件发生的时间节点均在指数变化中有所反映，有效识别了中国金融体系潜在的金融风险。第二，中国系统性金融风险呈现典型的两区制特征，即高风险区制与低风险区制并存，并且不同区制较难实现转换，维持高风险区制的粘性更强。重大金融事件基本位于高风险区制，与系统性金融风险指数的变化趋势保持一致，再次印证本文构建的指数具有代表性。第三，价格型货币政策对宏观经济的调控效果依赖于金融风险状态，系统性金融风险大幅削弱了货币政策有效性。在“低金融风险”时期，产出缺口和通货膨胀对货币政策冲击的响应与传统经济理论一致；在“高金融风险”时期，货币政策的产出效应、通胀效应出现不同程度的弱化。

结合研究结论，本文提出如下政策建议：第一，加快完善宏观审慎政策框架，强化货币政策与宏观审慎政策“双支柱”调控框架的协调配合。相比于货币政策侧重于总需求管理，宏观审慎政策更致力于维护金融稳定，中央银行应当加强对金融市场局部风险点的宏观审慎管理。第二，完善现代金融体系，破除体制机制障碍，坚持市场化、法治化原则处置风险。结合系统性金融风险难以自发实现区制转移，建议货币当局和监管部门防范化解金融风险的同时，深化金融机构改革，明确业务边界，强化约束机制，以便发挥金融市场自我调节功能。第三，中央银行在执行货币政策时，应充分考虑当期的金融风险状况，增强对金融风险的前瞻性、预判性。在“高金融风险”时期，价格型货币政策有效性将被弱化，为实现宏观调控目标，中央银行有必要加大货币政策操作力度。

参考文献：

［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］杨子晖， 陈雨恬， 张平淼. 重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对［J］. 管理世界， 2020， 36（5）： 13～35；7.

［7］何青， 钱宗鑫， 刘伟. 中国系统性金融风险的度量——基于实体经济的视角［J］. 金融研究， 2018（4）： 53～70.

［8］周上尧， 王胜. 中国影子银行的成因、结构及系统性风险［J］. 经济研究， 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国家差异化金融条件下货币政策的非对称性传导研究［J］. 国际贸易问题， 2019（8）： 138～156.

［13］杨子晖， 陈雨恬， 陈里璇. 极端金融风险的有效测度与非线性传染［J］. 经济研究， 2019， 54（5）： 63～80.

［14］杨子晖， 陈里璇， 陈雨恬. 经济政策不确定性与系统性金融风险的跨市场传染——基于非线性网络关联的研究［J］. 经济研究， 2020， 55（1）： 65～81.

［15］王立勇， 吕政. 利率走廊熨平市场流动性缺口的作用机制研究［J］. 系统工程理论与实践， 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， 吕政. 资产证券化与货币政策利率传导效率：证据与机制［J］. 中央财经大学学报， 2023（8）： 42～58.

［18］吕政， 刘丽萍. 金融数字化与货币政策有效性［J］. 现代经济探讨， 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］徐国祥， 李波. 中国金融压力指数的构建及动态传导效应研究［J］. 统计研究， 2017， 34（4）： 59～71.

［22］李敏波， 梁爽. 监测系统性金融风险——中国金融市场压力指数构建和状态识别［J］. 金融研究， 2021（6）： 21～38.

［23］吕政， 胡晨沛. 结构突变下国际油价波动与中国石油行业发展的多重联动关系［J］. 统计与信息论坛， 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