中國金融系統脆弱性指數的構建與區制狀態分析

郭娜 申琳 張寧

摘要：本文首先構建了中國金融系統脆弱性指標體系并采用因子分析法對金融系統脆弱性指數進行趨勢分析，然后利用馬爾可夫區制轉換模型對其進行區制狀態分析，從而識別出金融系統脆弱性狀態的變化。實證結果表明，在樣本研究區間內中國金融系統脆弱性整體呈現上升趨勢且波動幅度較大，但在2014年以后，脆弱性指數有所回落且處于可控范圍內;中國在“低脆弱性”區制的時間要少于“高脆弱性”區制的時間，且向“高脆弱性”區制轉移的概率較高，金融體系容易產生脆弱性集聚的風險。因此，中國需要將以前粗放式的金融增長轉變為注重質量和效率的高效金融增長，完善金融機構風險控制和風險指標體系，加大對金融產品、組織和制度的監管力度。

關鍵詞：金融系統脆弱性;金融結構;區制狀態;區制轉換模型

文獻標識碼：A

文章編號：100228482020（01）000109

開放科學（資源服務）標識碼（OSID）：

一、問題提出

金融系統脆弱性是一種趨于高風險的金融狀態，泛指一切融資領域中的風險積聚，包括信貸融資和金融市場融資?[12]。金融系統脆弱性不僅會影響金融系統安全，也會影響國家經濟的穩定發展，因此對金融系統脆弱性的識別和系統性金融風險的監管就成為國家宏觀經濟風險管理的首要目標。20世紀70年代以后，金融危機的頻繁爆發呈現出與以往不同的特征，對全球經濟造成了嚴重的沖擊。正是在這樣的背景下，學術界開始對金融系統脆弱性問題展開深刻的討論，部分學者致力于探討金融系統脆弱性的形成原因。Barth等?[3]對130個國家過去20年間發生的銀行危機進行了統計，他們認為金融自由化進程加快會提高金融危機發生的概率;部分學者則從外部性角度入手，認為短期負債合同和短期負債數量會使滾動風險上升，進而導致金融系統脆弱性提升并增大金融危機發生概率?[46]。隨著全球范圍內資產價格的攀升，一些學者開始重點關注房地產價格波動等因素對金融系統脆弱性產生的影響，他們認為資產價格波動會直接對金融機構流動性和杠桿率產生影響從而威脅到金融系統穩定?[79]。Pedro?[10]深入分析了這種影響原因，即當房地產市場價格上漲時，銀行會擴大貸款范圍，因此他認為金融是否穩定與貸款周期有著緊密的聯系。進一步，一些學者開始探索金融系統脆弱性的預警指標。Gerdesmeier等?[11]實證得出信貸因素能夠更加有效和準確地預測金融體系的脆弱性程度;Acharya等?[1213]則提出了用于估計邊際期望損失的系統性風險指數（SRISK），并以此來判斷金融系統脆弱性狀態。

近年來，隨著我國金融市場開放程度的加深和市場化水平的提高，新型的金融風險隨之而來并對我國金融系統的穩健性造成了很大的影響。黨的十九大報告明確提出“健全金融監管體系，守住不發生系統性金融風險的底線”，因此如何加強對金融系統脆弱性的研究并提高應對金融危機的能力對維護我國金融安全具有重要的現實意義。我國經濟學者也從不同的角度對金融系統脆弱性進行了理論分析。從金融系統脆弱性成因的角度出發，陳雨露等?[14]認為經濟繁榮時市場容易誘發投機行為，短時間內產生的跳躍式變化致使泡沫迅速膨脹進而產生金融風險;高國華等?[15]則認為金融體制改革一再延遲，造成中國金融結構扭曲和系統性金融風險不斷加大。隨著我國金融機構風險的積聚，一些學者開始對金融系統脆弱性的影響因素展開研究。劉衛江?[16]利用多元Logit模型對1985—2000年中國銀行體系的脆弱性進行了實證分析，認為宏觀變量對銀行體系的影響要大于金融變量和其他變量。近年來，越來越多的中國學者開始關注資產價格波動對金融體系穩定性甚至宏觀經濟的影響。唐建偉?[17]認為資產價格波動主要通過信貸渠道引起銀行風險的增加，進而造成金融體系的不穩定;王書斌等?[18]指出資產價格泡沫不僅通過信貸渠道影響宏觀經濟，還會通過銀行資本金以及商業銀行不良資產狀況影響金融系統的穩定性。進一步，部分學者開始進行系統性風險的度量與監測研究。陶玲等?[19]從7個維度合成系統性金融風險指數來度量和預警風險指標狀態，并采用馬爾可夫區制轉換方法識別出金融系統脆弱性的拐點;李政等?[20]對我國金融部門之間的系統性風險溢出進行了研究，并利用ΔCoES方法對我國系統性金融風險進行了實時監測。

綜上所述，國內外學者從多個角度對系統性金融風險問題進行了研究，但大多從微觀層面特別是銀行業風險狀況出發進行研究，較少從宏觀層面出發來探討整體的金融系統脆弱性狀況，使得度量結果具有一定的局限性。另外，前期文獻對于金融系統脆弱性的研究大多采用靜態模型，無法準確反映出金融系統風險狀況的動態變化。鑒于此，本文從宏觀、外部、貨幣和資產價格等四個方面選取12項指標構建金融系統脆弱性指標體系并運用因子分析法合成綜合指數來度量金融系統脆弱性水平，同時采用馬爾可夫區制轉換模型對金融系統脆弱性指數進行趨勢和區制分析。一方面，該模型能夠通過狀態變量在不同脆弱性程度之間的平滑轉換來識別金融系統所處的狀態，避免人為設定閾值的主觀性;另一方面，馬爾可夫區制轉換模型能夠通過狀態轉移變量來反映金融脆弱性在不同區制之間的動態變化，更加貼近金融系統的現實。

二、我國金融系統脆弱性指數的構建

（一）模型構建

因子分析法通常利用主成分分析方法，對測度金融系統脆弱性的相關指標變量提取主成分。通常選取特征值大于1的變量作為主成分進行分析，然后根據各個公共因子的相關載荷確定比例系數，最終通過計算各個因子得分的加權平均作為衡量金融系統脆弱性的綜合指數。該方法中各公共因子之間正交，所以利用公共因子進行回歸分析時能有效地避免模型出現多重共線性問題，同時能避免人為設定權重的不準確性。目前，因子分析法已經成為測度金融系統脆弱性的主流方法?[20]，本文選取因子分析法對原始數據進行線性變換，用數學公式表示為

X=Aβ+ε（1）

其中，X是T×N矩陣，用于測度原始數據指標合集，T為時間長度，N為指標個數。假設這N個指標的全部信息都可以歸納匯總為A（T×J，J

A=MT（2）

其中，M是T×J矩陣，J是確定因子集A個數的關鍵，因此設λi為第i個特征根，第i個主成分的貢獻度則以

λi/∑Nj=1λj表示;相應地，前r個主成分的累積貢獻度以

∑rj=1λj/∑Nj=1λj表示。當累積貢獻度達到提前設定的界限時（本文設定為70%），所包含的因子個數即為公共因子數量，然后通過對公共因子賦予相應權重計算系統脆弱性指數，即

R=∑Nj=1wjfj（3）

其中，權重系數wj通過對各個主成分的貢獻度計算得出，以第i個主成分的權重為例，計算公式為

wi=λi/∑Nj=1λj（4）

根據提取出的因子，可以計算出每一觀測時期金融系統脆弱性指標在各個公因子上的得分情況，再對各個因子權重系數進行加權匯總，作為觀測樣本的綜合得分F。

F=F1×ω1+F2×ω2+F3×ω3+F4×ω4+F5×ω5（5）

進一步，為了能夠更直觀地觀測金融系統脆弱性的變化趨勢并更易進行比較，本文將所得到的指數進行坐標變換，最終確定金融系統脆弱性綜合指數。

Vi=10+Fi-min（Fi）max（Fi）-min（Fi）×（90-10）（6）

其中，Vi為第i期金融系統脆弱性的數值，Fi為第i期金融系統脆弱性的因子綜合得分，min（Fi）和max（Fi）分別代表因子綜合得分的最小值和最大值。

（二）指標選取與數據預處理

1.指標選取

本文從宏觀經濟、外部經濟、貨幣流動性以及資產價格等四個層次選取了12項指標對我國的金融系統脆弱性進行度量，具體指標及其含義見表1。

其中，GDP同比增長率、居民消費價格指數（CPI）來自中國宏觀經濟數據庫，M2同比增長率、財政收支來自國家統計局，經常項目差額、人民幣實際有效匯率指數、銀行間同業拆借加權平均利率、1年期貸款利率、5年期和1年期國債發行利率和滬深300歷史波動率的數據均來自Wind數據庫，外匯儲備增長率數據來自國際外匯管理局，房屋價格指數來自全球經濟指標數據網。

2.數據預處理

本文同時存在同向、逆向以及適度指標，為便于數據分析統一將數據指標進行處理轉換為正向指標。其中，對逆向指標正向化的方法通常為取倒數，但是這種方法會改變原始數據的分布規律，因此本文采用線性變換法。

x′ij=max（xij）1≤i≤n-xij（7）

通過式（7）對逆向指標進行坐標平移，在不改變分布規律的基礎上將其正向化。而如房屋價格指數和滬深300歷史波動率，其指標大幅波動會使金融系統脆弱性升高，因此處理方法為

x′ij=|xij|（8）

此時，為了方便數據的標準化處理，將正向指標也進行坐標變換，使得所有數據都為非負數，并進行數據平移：

x′ij=xij-min（xij）1≤i≤n（9）

通過式（8）（9）對指標進行趨勢變換后，指標數據最小值均為0。為了方便進行數據標準化處理，將所有指標數據都進行坐標變換，變換方法為（average函數表示取變量的平均值）

x″ij=average（x′ij）+x′ij（10）

另外，由于經濟數據大都為偏態數據且多為右偏，即大部分數據集中在左側部分，將數據取對數之后能夠更好地研究增長率的問題，因此通過取對數的方法將大于中位數的部分進行壓縮，使數據呈現正態分布，減少數據共線性和異方差的概率。本文也采用取對數的方式對指標數據進行標準化處理：

yij=lnx′ij?（1≤i≤m，1≤j≤n）（11）

其中，x′ij為經過同趨勢化處理的指標數據，yij為取對數后形成的標準化數據。

（三）金融系統脆弱性的度量

本文對12項金融系統脆弱性指標進行因子提取和分析，得出每個指標的解釋程度和因子得分，再通過相應的因子權重加權計算得出最終的金融系統脆弱性指數。

1.適應性檢驗

在進行因子分析之前，首先要對指標數據進行適應性檢驗，以判斷其是否適合進行因子分析。本文對已進行標準化處理的指標數據分別進行KMO和Bartlett球形檢驗。KMO檢驗是用于比較變量之間簡單相關系數和偏相關系數的指標，界定范圍為0

2.因子分析

通過適應性檢驗后，根據方差貢獻度達到70%以上的原則提取公共因子作為金融脆弱性指數的加權指標。通過方差貢獻度的相關分析提取5個因子，見表2，其初始特征值的方差貢獻占比分別為23.629%、15.647%、15.115%、10.676%和8.433%，5個因子累積貢獻方差為73.5%。因此，選擇的5個因子可以作為我國金融系統脆弱性指數的合成指標。

為了更好地對因子進行解釋，本文利用最大方差法對原始矩陣進行正交旋轉，得到新的載荷矩陣（見表3），使每個因子上具有最高載荷的變量數最小，簡化對因子的解釋。

第一因子中影響較大的因素有銀行間同業拆借加權平均利率、5年期和1年期國債利差兩個因素，反映的是金融市場資金供需狀況和流動性情況，因此可將第一因子命名為“金融市場資金流動性因子”;第二因子在外匯儲備增長率、人民幣實際有效匯率指數、財政赤字率和1年期貸款利率4個指標上具有較大的因子載荷量，這4個指標反映的是外匯和財政方面的因素，因此可將第二因子命名為“外匯及財政因子”;第三因子中影響較大的因素是經常項目差額和滬深300指數歷史波動率，反映的是企業投資融資情況，從微觀視角反映出金融系統的發展狀況;第四因子中具有較大載荷量的因素是GDP同比增長率和CPI同比增長率，二者反映的是宏觀經濟發展情況和國內通脹情況，可見經濟基本穩定對于金融穩定起到重要作用;第五因子中房屋價格指數和M2同比增長率具有較大的載荷量，二者反映我國貨幣政策的影響，因此將第五因子命名為“貨幣因子”。通過計算得出，提取的5個因子權重系數分別為

ω1=0.228、ω2=0.204、ω3=0.195、ω4=0.194、ω5=0.180。

3.金融系統脆弱性指數趨勢分析

我國金融系統脆弱性指數在2000年第一季度至2018年第三季度的變化趨勢如圖1所示。從總的觀測區間來看，我國金融系統的脆弱性指數呈現上升趨勢。圖中的發展趨勢表明，我國金融體系與發達國家的成熟市場相比尚不完善，金融創新及法律監管的滯后使得我國金融系統抵御風險的能力稍弱;同時我國處于經濟轉型的關鍵時期，經濟摩擦增多，對金融市場的運行也產生一定的影響。

分階段來看，2000—2005年我國金融系統脆弱性水平較低，但波動幅度較大。在21世紀初期，我國金融自由化的程度不深，對經濟政策進行調整時具有時滯效應，金融體系的構建也尚未完善，這都對我國金融系統脆弱性指數波動產生一定的影響。2006年初我國金融系統脆弱性指數為47.69，隨后出現波動上升的趨勢，直到2006年底脆弱性指數為74.55。首先，從我國金融經濟發展情況來看，2006年初我國經濟情況良好，經濟增長率較高，金融運行較為平穩，因此金融系統脆弱性指數較低;其次，大量資金進入房地產市場和股市致使資產價格出現波動，我國金融系統內部風險水平上升，脆弱性指數在2006年底達到73.52。2008年，我國多家金融機構海外投資風險上升，其風險傳導至國內，導致我國金融系統脆弱性指數達到69.99。雖然次貸危機對我國經濟造成一定的沖擊，但經常項目順差、人民幣對美元的匯率實行靈活浮動等因素，使得我國在次貸危機來臨時依然能夠對金融系統的運行進行有效控制。2014年末，我國股市波動較大，國際游資的投機行為加劇了金融體系的波動程度。因此，我國金融系統脆弱性指數從50.52上漲至90，達到了樣本區間的最高點。隨后，在我國政府和監管當局的宏觀調控下，國內經濟狀況逐漸平穩，金融系統脆弱性指數有所回落。2018年第一季度金融系統脆弱性指數出現上漲趨勢，但是我國經濟發展情況良好，加之政府出臺政策進行調整，金融系統的脆弱性依然處于可控范圍。

三、金融系統脆弱性的區制狀態分析

（一）馬爾可夫區制轉換模型

本文在構建金融系統脆弱性指數的基礎上，進一步采用馬爾可夫區制轉換（MS?VAR）模型衡量我國金融系統脆弱性指數的狀態。MS?VAR模型主要有以下特點：第一，馬爾可夫區制轉換模型不需要主觀設定金融系統脆弱性的警戒值來判定風險大小，也不需要預估高風險可能出現的時間，從而避免了主觀因素的干擾。該模型能夠通過狀態變量在脆弱性水平之間的平滑轉換情況來確定觀測樣本所處狀態，并且利用極大似然估計模型確定脆弱性狀態的具體時間。第二，金融系統脆弱性狀態是一個動態變化過程，以往模型大多為靜態模型，而馬爾可夫轉換模型通過狀態轉移變量反映金融系統脆弱性指數的動態變換，從而更加準確地識別我國的金融風險狀態。馬爾可夫轉換模型描述了不同狀態下變量的特征，即可觀測的時間序列向量Yt數據的產生過程取決于不可觀測的區制變量st：

yt-μ（st）=β1（st）[yt-1-μ（st-1）]+…+βp（st）[yt-p-μ（st-p）]+et（12）

其中，st是區制變量，取值域為{1，2，3，…，M}，etNID（0，∑st）、μ（st）、βx=1，…，p、∑st都是區制依賴于變量st所處的狀態。

μ（st）=μ1st=1μpst=M（13）

變量st服從離散時間、離散狀態的馬爾可夫鏈過程，MS模型又被稱為區制轉換（Regime Switching，RS）模型，區制轉換的概率為

pij=Prst+1=jst=i，∑Mj=1pi，j=1?i，j∈{1，2，…，M}（14）

通常會對馬爾可夫鏈過程施加遍歷性和不可約性的假設，馬爾可夫轉移矩陣為

P=p1，1…p1，MpM，1…pM，M（15）

其中，P滿足正則性約束，即pi，M=1-pi，1-…-pi，M-1，i=1，…，M。

為了保證實證結果準確有效，在建立MS?VAR模型進行分析之前，首先對我國金融系統脆弱性指數進行平穩性檢驗，ADF平穩性檢驗結果見表4。可以看出，我國金融系統脆弱性指數的P值小于1%的臨界值，即拒絕原假設，金融系統脆弱性指數通過了ADF檢驗，說明指數具有平穩性。

（二）實證結果分析

MS?VAR模型在利用EM算法進行估計的基礎上，通過OX?MS?VAR對模型進行求解計算。根據對數似然值（log?likelihood）、AIC、SC和HQ指標判斷選擇兩個區制和滯后一階的MSI（2）?VARX（1）模型作為最后的分析模型。實證得到兩區制的平滑概率和濾波概率如圖2所示。可以看出，區制1的樣本數量與區制2大致相當，根據“P[St=j|Ω]>0.5，Ω為全樣本信息”，得到該樣本屬于j區制的判斷準則，模型的具體屬性和特征分布結果見表5。

結合圖2和表5結果，將我國金融系統脆弱性指數劃分為兩個區制，區制1的樣本數量為30.3，出現的頻率為0.3103，而與區制1相比，區制2的樣本數量為42.7，頻率卻達到了0.6897，是區制1的兩倍多;區制2的平均持續期比區制1要長，區制2的區制轉移概率為0.9672，也要高于區制1的區制轉移概率。這說明我國金融系統脆弱性指數處于區制2中的時間更多，且在區制2時的狀態更穩定，不易轉移至區制1中。通過對兩區制數據的描述性統計可知，區制1的樣本均值為42.94，標準差為15.86，均低于區制2的樣本均值52.76和標準差17.75，因此區制1為“低脆弱性”區制、區制2為“高脆弱性”區制。下面結合我國實際經濟情況對兩區制進行時段分析。

1.“低脆弱性”時段分析

2000年第三季度至2006年第二季度：由實證結果可知，該階段我國金融系統脆弱性的區制轉移概率為0.9652，表明金融處于低脆弱性狀態且較為穩定，不易向高脆弱性區制轉移。整體來看，我國金融體系發展情況良好，金融系統脆弱性水平處于較低狀態。首先，隨著我國經濟的不斷增長，我國金融機構快速發展，金融體系管理也逐步規范，整體上形成了多層次、分工明確的金融組織體系;其次，2002年我國加入世界貿易組織，提振了國內外投資者對中國的信心，也提高了我國在世界經濟當中的地位。2003年我國GDP總量達到102398萬億元，比上年增長8%，經濟運行呈現良好勢頭;同時，信托業清理整頓在同年宣布結束，降低了信托行業的風險程度，使得整個金融市場更加完善。因此，我國金融系統脆弱性在該階段處于較低水平，逐漸完善的金融體系和市場也使得低脆弱性狀態能夠保持穩定。

2008年第四季度至2010年第二季度：該階段雖然受到國際金融危機的影響，我國出現一定程度的經濟波動，但是我國政府及時采取了經濟調整措施，并且對金融體系進行了嚴格監管，使我國金融系統脆弱性指數波動處于可控范圍內。2009年，我國金融市場總體運行平穩，雖然資產價格出現一定程度的上漲，但是國家出臺相關政策進行了有效控制，債券市場和金融體系也進一步完善，固定資產投資結構得到了進一步優化，這都為投融資提供了良好的環境，也促使我國金融系統平穩運行。該階段的區制轉移概率達到了0.8512，說明我國金融系統脆弱性狀態雖然受到經濟危機影響，轉移概率與該區制其他時間段相比稍有下降，但低脆弱性狀態依然較為穩定。

2.“高脆弱性”時段分析

2006年第三季度至2008年第三季度：2006年我國股市出現較大幅度的資產價格波動，對我國股市的正常運行造成一定影響，金融系統脆弱性水平也有所提高。2007年我國房地產價格出現較大幅度的上漲，吸引大量的資金涌入房地產市場，資金在股市和房地產市場的集聚提高了風險水平，導致我國金融體系的脆弱性升高。受美國2008年金融危機爆發影響，我國多家金融機構在海外投資的風險水平上升，投資風險由資金路徑傳導至國內金融系統并對我國金融系統造成了一定沖擊;同時，由于發達國家受金融危機的影響，我國出口行業出現了下滑。在國際經濟形勢變化和國內資產價格波動等因素的影響下，我國金融系統脆弱性水平轉移至高脆弱性區制當中。由實證結果可知，該階段區制轉移概率為0.9112，金融系統脆弱性狀態比較穩定，想要降低脆弱性水平、改變脆弱性狀態具有一定挑戰性。

2010年第三季度至2018年第三季度：2011年我國通貨膨脹水平升高，全年CPI約為3.9%;流動性仍然面臨過剩的局面，信貸規模在7.5萬億元左右，通貨膨脹帶來的壓力在一定程度上增大了金融系統的脆弱性。受美國經濟復蘇的影響，國際游資受到其吸引進而從中國轉投向美國并造成我國流動性壓力升高;美聯儲釋放退出量化寬松政策（QE）信號，導致投資者縮減資產投資規模進而股市和大宗商品價格出現波動。我國市場受國際經濟影響市場資金出現暫時性短缺，從而導致流動性風險出現小幅上升，金融系統脆弱性也出現上升趨勢。2015年股票市場價格漲幅較為劇烈，吸引部分投機者投入資金，影響了股票市場的正常運行。由于股票價格在投機者影響下已經高于實際價值，我國政府出臺相關政策進行市場調整，投機者和國際游資大量收回資金，造成股票價格出現較大幅度的波動，對我國金融系統造成一定程度的沖擊。2018年第一季度，我國對外貿易出現摩擦，對我國出口行業的效益造成一定程度的影響，使得我國金融系統的脆弱性出現上升趨勢。在該階段，我國金融系統脆弱性的區制轉移概率高達0.9886，表明當前金融系統脆弱性的狀態有較大可能維持在高脆弱性區制中，我國應當加強對金融體系的監管，時刻防范金融風險的發生。

四、結論及政策建議

本文在借鑒國內外研究成果的基礎上，構建了我國金融系統脆弱性指數度量模型，并利用馬爾可夫區制轉換模型將金融系統脆弱性指數劃分為“低脆弱性”和“高脆弱性”兩個區制，進而對我國在兩個區制內不同時段的金融系統脆弱性進行了詳細的分析。通過本文的研究和分析得到了以下結論：從總體趨勢來看，金融系統脆弱性波動幅度比較大，且從整體的樣本區間來看呈現波動上升的趨勢;從各個具體時段的區制分析來看，我國在“低脆弱性”區制的時間要少于“高脆弱性”，這表明我國的金融系統脆弱性程度較高且“高脆弱性”區制的轉移概率較高。

結合上述研究結論和我國經濟現實，本文對我國金融發展提出以下政策建議：第一，目前我國金融系統脆弱性呈現上升趨勢，因而優化金融結構就顯得尤為重要。我國需要將以前粗放式的金融增長轉變為注重質量和效率的高效金融增長，完善金融組織體系，加強金融功能細化和分層，增加多種融資渠道和資產配置方式，切實分散金融系統的風險，維持系統性金融風險在一個安全可控的狀態。第二，當前金融系統脆弱性的狀態有較大可能維持在高脆弱性區制中，“高脆弱性”區制的轉移概率較高，所以一方面要完善金融機構風險控制和風險指標體系，包括建立健全各類風險補償制度、管理制度和責任制度等，降低系統性金融風險，另一方面要加大對金融產品、組織和制度的監管力度，加強金融機構的外部約束和對各類金融機構的管理。

參考文獻：

[1]?黃金老. 論金融脆弱性[J]. 金融研究， 2001（3）： 4149.

[2]?王波， 郭書東. 基于負向投入產出的我國區域金融脆弱性判斷與測度[J]. 金融與經濟， 2015（4）： 1822.

[3]?Barth J R， Gerard C J， Levine R. Banking systems around the globe： Do regulation and ownership affect performance and stability？[R]. The World Bank Working Paper， 2000.

[4]?Gorton G， Metrick A. Securitized banking and the run on repo[J]. Journal of Financial Economics， 2012， 104（3）： 425451.

[5]?Krishnamurthy A， Vissing?Jorgensen A. The aggregate demand of treasure debt[J]. Journal of Political Economy， 2012， 120（2）： 233267.

[6]?Brunnermeier M， Oehmke M. The maturity rat race[J]. Journal of Finance， 2013， 68（2）： 483521.

[7]?Dieter G， Hans E R. Asset price misalignments and the role of money and credit[J]. International Finance， 2010， 13（3）： 377407.

[8]?Alessi L， Detken C. Quasi real time early warning indicators for costly asset price boom/bust cycles： A role for global liquidity[J]. European Journal of Political Economy， 2011， 27（3）： 520533.

[9]?Bokhari S， Geltner D. Loss aversion and anchoring in commercial real estate pricing： Empirical evidence and price index implications[J]. Real Estate Economics， 2011， 39（4）： 635670.

[10]Pedro G. What drives housing dynamics in China？ A sign restrictions VAR approach[J]. Journal of Macroeconomics， 2015， 46（4）： 96112.

[11]Gerdesmeier D， Reimers H， Roffia B. Early warning indicators for asset price booms[J]. Review of Economic and Finance， 2011， 1（3）： 119.

[12]Acharya V， Engle R， Richardson M. Capital shortfall： A new approach to ranking and regulating systemic risks[J]. American Economic Review， 2012， 102（3）： 5964.

[13]Brownless C， Engle F. SRISK： A conditional capital shortfall measure of systemic risk[J]. The Review of Financial Studies， 2017， 30（1）： 4879.

[14]陳雨露， 馬勇. 金融體系結構、金融效率與金融穩定[J]. 金融監管研究， 2013（5）： 121.

[15]高國華， 潘英麗. 基于動態相關性的我國銀行系統性風險度量研究[J]. 管理評論， 2013（1）： 915.

[16]劉衛江. 中國銀行體系脆弱性問題的實證研究[J]. 管理世界， 2002（7）： 310.

[17]唐建偉. 資產價格波動與銀行系統穩定[J]. 廣東金融學院學報， 2006（4）： 3342.

[18]王書斌， 王雅俊. 銀行系統性風險傳染機制的研究與實證——基于資產價格波動視角[J]. 金融與經濟， 2010（7）： 69.

[19]陶玲， 朱迎. 系統性金融風險的監測和度量——基于中國金融體系的研究[J]. 金融研究， 2016（6）： 1836.

[20]李政， 梁琪， 方意. 中國金融部門間系統性風險溢出的監測預警研究——基于下行和上行ΔCoES指標的實現與優化[J]. 金融研究， 2019（2）： 4058.

[本刊相關文獻鏈接]

[1]任曉猛，張一林.最優金融結構與經濟發展：一種新的度量方法與應用[J].當代經濟科學，2019（5）：110.

[2]沈麗，張影，李文君.我國區域金融風險的空間傳染路徑研究[J].當代經濟科學，2019（5）：6273.

[3]黃昱然，盧志強，李志斌.地方政府債務與區域金融差異的經濟增長效應研究——基于非線性面板平滑轉換回歸PSTR模型[J].當代經濟科學，2018（3）：112.

[4]聶富強，周玉琴.基于行業融資結構協調的我國金融安全狀態評估[J].當代經濟科學，2017（2）：5361.

責任編輯、校對： 高原

The Financial System Vulnerability Index Construction and Regimes Analysis in China

GUO Na?1，2， SHEN Lin?3， ZHANG Ning?1

（1. School of Finance， Tianjin University of Finance and Economics， Tianjin 300222， China;

2. Laboratory for Fintech and Risk Management， Tianjin University of Finance and Economics， Tianjin 300222， China;

3. Shanghai Head Office， The Peoples Bank of China， Shanghai 200120， China）

Abstract：This paper firstly constructs the financial system vulnerability index system and analyzes the trend of the financial system vulnerability index by factor analysis method. Then， using Markov Zone System Conversion Model to conduct detailed and specific regime analysis to identify changes in the state of financial system vulnerability. The empirical results show that the overall vulnerability of Chinas financial system presents an upward trend and a large fluctuation in the sample study interval but after 14 years， the vulnerability index declines and is under control. China spends less time in the system of “low vulnerability” than in the system of “high vulnerability” and the probability of transferring to the system of “high vulnerability” is high， so the financial system is easy to generate the risk of vulnerability aggregation. The conclusion of this paper has important policy implications for preventing and resolving systemic financial risks and maintaining macroeconomic stability in China.

Keywords：Financial system vulnerability; Financial structure; Regimes; Regimes switching model