我國金融基礎設施風險的測度與區制特征識別

摘" "要：金融基礎設施是金融市場運行的核心支撐，其安全性與金融市場的安全穩定緊密相關，對金融基礎設施的風險進行量化分析具有重要的理論和實際意義。本文從系統性風險、信用風險、流動性風險、外部市場風險維度選取30項具體指標，搭建了金融基礎設施風險指標體系，運用主成分分析法構建了總體與子類別層面的金融基礎設施風險指數。進一步建立馬爾可夫區制轉換模型，對我國金融基礎設施風險指數的循環波動成分進行區制識別。研究結果顯示，2013年以來我國金融基礎設施風險的長期趨勢呈下降態勢，同時受宏觀經濟形勢、外部市場因素等影響表現出短期頻繁波動特征，短期波動在風險上行區制的持續時間更長，且各子類別金融基礎設施的風險特征呈現顯著的差異性。

關鍵詞：金融基礎設施風險；指標體系；風險波動識別；主成分分析；馬爾可夫區制轉換模型

中圖分類號：F830" "文獻標識碼：A" 文章編號：1674-2265（2024）11-0003-13

DOI：10.19647/j.cnki.37-1462/f.2024.11.001

一、引言

金融基礎設施（Financial Market Infrastructure，FMI）是用于支付、清算、結算或記錄金融交易的多邊系統及運作規則。在一筆交易的生命周期中，金融基礎設施通常在交易后（post-trade）階段發揮重要作用，類似于深埋地下的管道，其作用很少被社會大眾準確感知，但其承載了各類金融資源與金融交易活動，廣泛聯通金融機構及金融產品，有效支持傳導國家的貨幣政策與財政政策，是金融市場運行的“中流砥柱”。

近年來，金融基礎設施的重要作用逐漸得到廣泛認識，金融基礎設施的發展與建設得到了黨中央高度重視。《中共中央關于進一步全面深化改革" 推進中國式現代化的決定》要求“建設安全高效的金融基礎設施”。金融基礎設施的安全性、高效性、自主可控性對于金融市場乃至國民經濟的安全具有重大影響。在金融市場的風險事件中，金融基礎設施一方面作為可以昭示風險的晴雨表，系統性危機的發生及其金融溢出效應往往通過金融基礎設施傳導，例如金融危機往往表現出資金流轉速度放緩、證券交易量下降等指征；另一方面也能夠作為抵御極端風險的市場穩定器，例如在雷曼兄弟破產清算引發的全球危機中，倫敦清算所作為金融基礎設施，利用中央對手清算機制成功處置了超過9萬億美元的利率互換合約，未給清算所及其會員造成任何損失。

但與此同時，金融基礎設施自身也集中了風險，可能成為金融沖擊的源頭或風險傳導的主要渠道。例如“9·11”事件中，紐約曼哈頓多處數據中心和通信系統遭到損毀，因部分銀行在美聯儲賬戶中的資金無法及時轉出，銀行間支付流發生中斷，對總體流動性造成了影響。由此可見，金融基礎設施安全與金融市場安全息息相關，對其風險的識別與預判具有重要意義，如能運用科學方法構建金融基礎設施風險指數，將有助于及時識別潛在風險、化解金融隱患。本文構建了這一指數的指標體系，運用主成分分析法得出金融基礎設施風險指數序列，隨后通過馬爾可夫區制識別法、HP濾波法進一步分析特定時間段內我國金融基礎設施的風險波動特征，以期對金融基礎設施運營機構、政策決策者以及市場參與者提供參考。

二、文獻綜述

在金融基礎設施指數的指標體系構建方面，Miller等（2010）[1]從市場穩定、市場深度、市場有效性、市場準入幾方面入手，構建了金融基礎設施指數，用以評估金融基礎設施與金融市場發展目標之間的關系，作者指出指標體系中缺乏支付系統等關鍵領域指標，但為金融基礎設施指數構建提供了方法論。Donaubauer等（2016）[2]同樣從市場安全、效率、深度、服務可獲得性幾方面構建指數，選取了銀行業Z-Score、股價波動率為安全指標，股市換手率為效率指標，人均賬戶數量、公開上市公司數量等為服務可獲得性指標，以及個人信貸與GDP比值、股票交易總值與GDP比值、M2與GDP比值為市場深度指標。Sun等（2022）[3]構建了全球基礎設施指數，將其分為交通、電訊、能源與金融幾個維度，檢驗基礎設施發展與技術效率的聯系，其中金融基礎設施指數與Donaubauer等（2016）[2]的構建方式相近，研究結果表明金融部門基礎設施的技術發展提升了金融資源利用效率。Rafailov（2019）[4]從交易基礎設施和信息基礎設施兩個維度構建金融基礎設施指數，交易基礎設施選取了法律體系質量、提供的金融服務與最新技術可用性、監管質量等指標，信息基礎設施選取了審計力度、信用信息深度等指標，面板數據分析結果表明，金融基礎設施的發展對于經濟金融起到顯著積極作用。Saygili和Ozdemir（2021）[5]從金融基礎設施、社會基礎設施、實體基礎設施三個維度構建基礎設施指數，其中金融基礎設施指數以人均金融機構數量、人均金融機構從業者數量、貸款與收入比值、存款與收入比值四項指標構成，經主成分分析得出金融基礎設施與社會基礎設施、實體基礎設施相比具有最高的特征值，在金融基礎設施這一子類別的四項指標中，人均金融機構數量這一指標具有更強的解釋力。

在構建指數的方法選擇方面，Vijil和Wagner（2012）[6]、Francois和Manchin（2013）[7]將主成分分析法應用于基礎設施指數的構建，有效完成指標降維，并解決了眾多指標間的多重共線性問題。Donaubauer等（2016）[2]認為，金融基礎設施指數的各個具體指標間存在高度共線性，主成分分析提供了濃縮高度相關指標、建立整體指數的方法。在此基礎上，Rehman和Islam（2022）[8]運用不可觀測成分模型（UCM）構建了金融基礎設施綜合指數，衡量其與金磚國家經濟體全要素生產率的關系，研究結果表明金融基礎設施在長期和短期內對金磚國家全要素生產率起到積極促進作用。李稻葵等（2016）[9]通過校準法構建了金融基礎設施的評估模型，評估對象為征信系統，通過衡量不同信用等級主體與無信用記錄主體間的貸款額差值，量化征信系統對貸款總額的影響及對貸款質量的提升作用。王喆和尹振濤（2022）[10]構建了金融科技基礎設施指數，指標體系設置三個層級，一級指標為信息基礎設施、融合基礎設施、創新基礎設施和制度基礎設施四個維度，二級指標包含聯通性、便捷性、安全性等維度，三級指標包含成本、支出、環境指數等具體數值。

縱觀國內外研究成果可以發現，多數文獻肯定了金融基礎設施對于國民經濟與金融市場的重要作用，但在指標變量選取方面，較少從金融視角出發，缺乏對金融基礎設施不同子類別的關注，著眼于金融基礎設施安全性的研究成果則更為少見。因此，本文構建金融基礎設施風險指數時更多參考金融壓力指數、系統性金融風險指數等相關文獻的做法。由于金融體系內涵豐富，難以通過單一指標表征，常通過多指標構建綜合指數加以度量。加拿大中央銀行的Illing和Liu（2003）[11]開創性提出金融壓力指數，從銀行部門、外匯市場、債券市場、股票市場選取指標，包括銀行部門貝塔系數、銀行債券收益利差、公司債與國債利差、商業票據與國債利差、5～10年期國債與90天商業票據的收益率之差等。王娜和施建淮（2017）[12]選取銀行不良貸款率、社會融資規模、國房景氣指數、股市平均市盈率、實際利率、實際有效匯率、M2/GDP、外債/外匯儲備8項指標，運用主成分分析法構建我國金融穩定指數。郭娜等（2018）[13]從宏觀經濟、貨幣流動性、外部市場、資產泡沫四個維度，運用主成分分析法構建了我國系統性金融風險指數。李敏波和梁爽（2021）[14]構建了債券、股票、貨幣、外匯市場的壓力指數，并將各子市場指數合成為金融壓力指數，通過馬爾可夫區制轉換模型識別其壓力狀態。

在國內外研究成果的基礎上，本文的創新點與邊際貢獻主要在于兩個方面：一是建立了金融基礎設施風險的定量研究基礎。關于金融基礎設施風險、安全問題的研究目前沒有統一的定量分析框架，現有研究中定性研究較多，大多是基于現狀的分析及政策建議。事實上傳統經濟學也長期忽略了金融基礎設施的作用，沒有將其整合進經濟學模型框架之中。本文結合金融基礎設施的理論視角與其獨特屬性，搭建了具有可擴展性的金融基礎設施風險指標體系，構建我國金融基礎設施的風險指數，使得關于金融基礎設施的風險計量、沖擊響應、壓力測試等量化研究能夠得以開展。二是設計了更合理的金融基礎設施風險指標體系。現有文獻在構建指標體系時常將金融基礎設施作為一個整體考量，事實上不同類別的金融基礎設施風險特性差異較大（本文的實證研究結果也表明了這一點），包羅為一個整體選取的指標難以有效刻畫金融基礎設施的風險特征。本文依據不同功能、類別金融基礎設施的差異化風險特征，選取了更有針對性的指標，使得綜合指數更貼近市場實際情況。

三、我國金融基礎設施風險的理論框架

（一）金融基礎設施的屬性及其主要風險

金融基礎設施的公共政策目標主要包括兩項，即效率與安全。效率目標方面，金融基礎設施具有公共品屬性，能夠產生經濟正外部性，因其集中、批量提供服務，又產生了邊際成本遞減的規模經濟效應。其規模經濟效應除了表現為提高邊際報酬、降低邊際成本、擴大連通范圍外，也有助于參與者更有效管理風險甚至化解風險，因而也促進了安全目標的實現。一個安全、高效的金融基礎設施能夠減少系統性風險的發生，但這僅限于常規情況下。金融基礎設施的另一重要屬性是其網絡連接性，體現為金融基礎設施與其參與者之間的連接，以及不同金融基礎設施之間的連接，構成高度關聯的金融網絡拓撲結構，其中產生的復雜的相互依賴關系可能成為系統性風險的源頭。在高度關聯的金融網絡中，風險的傳導呈現出“相變（phase transition）”特征，當負面沖擊較小時，金融網絡可以維護并增強金融穩定性，而當負面沖擊超過某個臨界點時，金融網絡則會因為提供風險傳導機制而導致整體的脆弱性（Acemoglu等，2015）[15]。當系統性風險發生時，金融基礎設施可能不得不采取撤銷支付、取消交割、延遲結算、快速變賣抵押品等措施，可能使得本不面臨風險的其他參與者承受預期外的信用風險與流動性風險。

國際清算銀行2012年出臺的《金融市場基礎設施原則》將金融基礎設施面臨的風險劃分為系統性風險、流動性風險、信用風險等類型，這也是金融風險的主要類型。近年來，隨著地緣政治形勢復雜程度加深，地緣政治風險通過影響資本流動和投資者情緒，可能引發全球金融市場之間的金融風險溢出，因此，金融基礎設施可能受到的外部市場風險沖擊也有必要被納入考量。基于金融基礎設施的風險屬性，本文所研究的金融基礎設施風險為廣義概念，包含金融基礎設施自身風險和可能以金融基礎設施為渠道傳導的風險。

（二）金融基礎設施的類別及其差異化風險特征

國際清算銀行將金融基礎設施分為支付系統（PS）、中央證券存管機構（CSD）、證券結算系統（SSS）、中央對手方（CCP）和交易報告庫（TR）。不同類別的金融基礎設施在市場中發揮的作用、所處的宏觀環境及面臨的風險狀況存在異質性。

在風險特征上，支付系統提供兩個或多個參與者之間的資金轉賬服務，可能面臨來自參與者或支付結算過程的風險。向參與者提供的日間信用以及延遲凈額結算機制可能使支付系統面臨信用風險與流動性暴露。流動性風險可發生于支付交易中任一參與方，其產生的連鎖反應如通過支付系統渠道傳導，可能進一步引發系統性風險。

中央證券存管機構作為提供證券集中存管服務的機構，本身不面臨信用風險與流動性風險。但由于其通常與證券結算系統職能一體，相關機構通常面臨來自參與者和結算過程的風險，例如資金或證券的延遲凈額結算中，延遲窗口期間的抵押品價值變化、市場條件變化、參與者資信變化等都可能成為風險的來源。

中央對手方自身介入合約之間，成為“買方的賣方”和“賣方的買方”。由于持有參與者的敞口頭寸，自身參與交易，并且處理的衍生品業務涉及杠桿交易，中央對手方面臨的風險往往更高。面對敞口市值波動等可能風險，《金融市場基礎設施原則》要求中央對手方及時盯市，持有額外的金融資源以覆蓋尾部風險及各種極端情況下的壓力情景，頻繁進行極端市場環境下的壓力測試等。

交易報告庫的廣泛設立源起于更嚴格的監管目標，主要涉及信息流的傳遞，不涉及資金流的流轉，因此，不面臨信用風險與流動性風險，其發生及溢出風險的可能性明顯更低。

（三）差異化風險的表征形式

1.支付系統。支付系統的主要參與者、支付業務的主要發起方和接收方為商業銀行，借鑒現有文獻，本文以銀行部門貝塔系數（bank beta）表征支付系統參與者之間的系統性風險（Illing和Liu，2003；Balarishnan等，2011）[11，16]。流動性風險通過支付系統業務筆數與金額、M1與M2比值表征。其中M1/M2是判斷支付體系流動性松緊的參考，在我國目前的貨幣層次劃分中，M1的本質特征是可直接用于支付的金融工具，當前M1的統計口徑為M0與企業活期存款、機關團體部隊存款、農村存款以及個人信用卡存款的總和，未來個人活期存款以及一些流動性很高甚至直接有支付功能的金融產品也需要納入M1范圍（潘功勝，2024）[17]，因此，通過流通中的現金與廣義貨幣的比值可以考察支付系統的流動性支撐情況。信用風險通過商業銀行的資本充足率（肖衛國等，2017）[18]與不良貸款率（陶玲和朱迎，2016；王娜和施建淮，2017）[19，12]表征。外部市場風險通過外匯儲備金額（陶玲和朱迎，2016；郭娜等，2020）[19，20]、CIPS（人民幣跨境支付系統）業務金額與跨境貿易總額比值表征。CIPS是我國自主建設的金融基礎設施，與環球同業銀行金融電訊協會（SWIFT）一同作為我國處理跨境支付清算的兩條主要渠道，能夠在一定程度上反映我國自主開展跨境業務的能力。

2.中央證券存管機構與證券結算系統。我國的證券存管市場在一定程度上存在多后臺分割局面，其中債券市場規模大于股票市場，債券市場中銀行間債券市場占主要地位，因此，本文以銀行間債券市場為重點考察對象。系統性風險通過銀行間債券市場Z分數（Chiaramonte等，2015；2016）[21，22]、債券期限利差（Wheelock和Wohar，2009；鄭桂環等，2014；王克達，2020）[23-25]、債券信用利差（Kliesen和Smith，2010）[26]表征。流動性風險通過國債換手率（巴曙松和姚飛，2013）[27]、債券交易量（蔣曉婉，2019）[28]、中債新綜合指數波動率（陶玲和朱迎，2016）[19]表征。在信用風險方面，通過隔夜拆借利率、債券市場托管余額、債券信用等級指數差值、債券違約率表征（鄭桂環等，2014；黃稚淵等，2022）[24，29]。外部市場風險通過人民幣離岸指數、境外機構持有人民幣債券金額、境外投資香港“債券通”占比表征（裴長洪和余穎豐，2011）[30]，其中香港“債券通”是境外投資者進入我國債券市場的間接模式，與之相對的是境外投資者直接入市的“全球通”模式。相較而言，“全球通”模式采用一級托管體系，權屬更為清晰，更利于穿透式監管（李波，2021）[31]。

3.中央對手方。中央對手方處理的衍生品業務通常包括外匯、利率、股票、股權、信貸等。其中，系統性風險以無風險利率、消費者物價指數、金融業貝塔系數表征（郭娜等，2018；Sun等，2020）[13，32]。流動性風險以融資融券交易金額、國債期貨價格波動率、大宗商品價格指數波動率表征（谷文林和孔祥忠，2010；Laakkonen，2015；夏同水和馮筱涵，2022；張宗新和黃梓健，2024）[33-36]。信用風險以保證金存款金額表征（Priem和Girard，2019；Ladley等，2020）[37，38]。外部市場風險以USDCNY外匯期權隱含波動率、VIX表征（Wheelock和Wohar，2009；劉強和陶士貴，2023；胡志浩和江振龍，2023）[23，39，40]。

四、我國金融基礎設施風險指數的構建與分析

（一）指標體系與指數構建

1. 金融基礎設施風險的指標體系搭建。為科學測度金融基礎設施風險指數（FRI），指標的分類與選擇至關重要。在一級指標的選擇方面，基于前述理論分析框架，本文按照國際慣例與原則，將中央證券存管機構與證券結算系統置于同一子類別進行研究，暫不將交易報告庫納入總體風險指數。

在二級指標的選擇方面，依據金融基礎設施面臨的主要風險，將各子類別指標繼續劃分為系統性風險指標、流動性風險指標、信用風險指標以及外部市場風險指標四類。系統性風險指標主要反映相關市場總體風險特征、參與機構相互依賴關系以及宏觀經濟因素對金融基礎設施風險指數的影響；流動性風險指標主要反映相關市場流動性周轉的活躍程度、債務清償的速度等對金融基礎設施風險指數的影響；信用風險指標主要反映市場參與機構違約可能性、履行金融義務的能力以及擔保品或保證金的充裕程度等對金融基礎設施風險指數的影響；外部風險指標主要反映國際金融市場形勢、國際地緣政治博弈等因素對金融基礎設施風險指數的影響。

在三級指標的選擇方面，關注金融基礎設施的中觀特性和風險收益不對稱特性。金融基礎設施既是一個宏觀、復雜的綜合體系，又包含眾多個體機構，服務于微觀交易需求，以其獨特結構連通宏觀與微觀層面，具有典型的中觀特征。因此，在構建金融基礎設施風險指數時，本文所選取的指標包含宏觀的表征與微觀的維度。此外，金融基礎設施本身存在風險收益不對稱屬性，即金融基礎設施通常不從市場價格變化中獲利，但面臨市場變化所帶來的風險及其內生的操作風險，因此，風險指標的選擇包含其內生風險指標及其所處市場環境的風險指標。

至此，本文從金融基礎設施類別、風險類型、測度指標三個層面共選取30項指標，搭建我國金融基礎設施風險的三級指標體系，具體見表1。

2. 指數構建的方法選擇。考慮到選取指標數量較多，本文采用多指標綜合評價常用的主成分分析法構建金融基礎設施綜合風險指數。主成分分析利用數學上降維的思想，通過正交線性組合方式，最大化保留樣本間方差，將多個指標重新組合轉換為互不相關的少量指標。主成分分析能夠解決變量信息重疊、多重共線性問題，指標之間相關程度越高，分析效果往往越好，這一特點使該方法尤為適合金融業的指標選取與指數構建，由于現代金融系統下各主體間高度互聯互通，指標變量間的相互影響常難以消除，主成分分析法則恰好可以解決此問題。

在主成分分析中，每個主成分[PCi]可以通過主成分載荷[uij]和標準化后的變量值[xij']來表示：

[PCi=u1ix1'+u2ix2'+…+uiixi']" " "（1）

主成分載荷矩陣[U]可以通過因子載荷矩陣[A]和特征值[λ]來表示：

[U=Aλ]" " （2）

主成分綜合評價函數[Y]可以通過每個主成分[PCi]和其特征值[λi]計算出的主成分貢獻率來表示：

[Y=λ1i=1nλiPC1+λ2i=1nλiPC2+…+λii=1nλiPCi]" （3）

（二）數據預處理

1. 數據缺失及頻率轉換處理。本文選取了2014年1月—2023年12月共30個指標的120期月度數據用于指數構建。對于只有季度數據的指標，使用Quadratic-sum或Quadratic-average方法進行轉頻處理；對于日度數據指標，根據指標具體屬性進行加總或均值化處理；對于個別缺失數據，采用平滑法或線性插值法補齊。

2. 數據季節性處理。由于季節性波動會隱藏時間序列數據的客觀規律，所以在對應用指標進行分析前，需要對其季節性因素予以剔除。對于在5%顯著性水平下存在季節性的指標變量，使用Census X12乘法模型進行季節調整。

3.指標正向化與標準化處理。根據劉新華（2009）[41]、林海明和杜子芳（2013）[42]的論證，在應用因子分析及主成分分析進行綜合評價時應區分指標的方向，對逆向指標進行正向化處理，更有助于消除統計偏差，提高結果的穩定性。本文依據指標對金融基礎設施所承擔風險的影響，將指標分為正向指標（+）、逆向指標（-）與適度指標（[]）。正向指標表示該指標越大，金融基礎設施承擔的風險越高。逆向指標表示該指標越大，金融基礎設施承擔的風險越小。適度指標則表示該指標在某一區間內，金融基礎設施安全性較高，高于或低于這一區間均會使金融基礎設施承擔風險。以境外機構持有人民幣債券金額（S13）為例，一方面，該指標數值越高反映我國在境外融資能力越強、人民幣國際化水平越高，金融基礎設施的外部市場環境越好；但另一方面，我國在倫敦等離岸市場發行的債券依賴歐清、明訊等國際托管機構提供底層基礎設施服務，該指標數值越高，可能對我國金融基礎設施的安全性與自主可控性影響越大。此類指標以正向或逆向劃分方向均有失準確，設置為適度指標是更優的表征方式。

借鑒許滌龍和陳雙蓮（2015）[43]采用的極差標準化方法，對正向、逆向與適度指標分別進行無量綱標準化處理。設[xij]為第[i]項指標第[j]期的值，那么正向指標標準化后的值[xij']為：

其中，[L1，L2]為適度指標的最佳取值范圍。

（三）金融基礎設施總體風險的實證結果

在構建金融基礎設施風險指數前，本文對預處理后的數據進行KMO檢驗與Bartlett檢驗，以確保方法的適用性。從表2中可以看到，KMO檢驗統計量的值為0.852，說明對本文所選取的30項指標進行主成分分析的效果較好。Bartlett檢驗p值lt;0.001，在5%的顯著性水平上能夠拒絕原假設，說明本文選取的指標變量相關性較強，適合開展主成分降維分析。

從表3中可以看到，前7個主成分的累計方差貢獻率達到85.337%，超過85%的經驗值標準，因此，選取主成分1至主成分7為主成分。

表4的成分矩陣也稱為因子載荷矩陣[A]，依照式（2）計算方法，除以主成分對應特征值的平方根[λi]，可以得到主成分載荷矩陣[U]。通過主成分載荷矩陣可以識別各指標變量對主成分的貢獻程度，亦即解釋能力。對載荷取絕對值并按方差百分比賦權計算得出，外部市場風險指標對主成分貢獻度最大，其余依次為信用風險、流動性風險、系統性風險。將主成分載荷矩陣代入公式（1），即得到每個主成分序列[PCi]。進一步將主成分序列與其對應特征值代入公式（3），可計算得出綜合指數序列[Y]，即為金融基礎設施風險指數序列。

2014年1月—2023年12月的金融基礎設施風險指數序列的趨勢與波動如圖1所示。從圖中可以看出，我國金融基礎設施所面臨的風險整體呈現下降態勢。我國對于金融基礎設施的重視與發展始于2013年，《中共中央關于全面深化改革若干重大問題的決定》首次從戰略高度提出了“金融基礎設施”這一重要概念，要求“加強金融基礎設施建設，保障金融市場安全高效運行和整體穩定”。2016—2021年，我國“十三五”“十四五”規劃綱要中指出，要“建立安全高效的金融基礎設施”“推動金融基礎設施互聯互通”“維護金融基礎設施安全”。在中央的重視和關切下，我國金融基礎設施在數年間取得了根本性的、長足的發展，效率與安全性顯著提升。

此外，還能夠觀測到金融基礎設施風險指數在部分年份存在一定幅度波動。對此本文進一步使用Hodrick-Prescott濾波法以分離長期趨勢成分與循環波動成分，更準確地觀測風險指數波動情況，并在下一部分對濾波后的循環波動成分開展馬爾可夫區制分析。

（四）金融基礎設施風險指數的濾波分解

如圖1—圖4所示，本文使用HP濾波法分離金融基礎設施風險指數的長期趨勢成分（FRI-trend）與循環波動成分（FRI-cycle），同時也按照支付系統、中央證券存管機構/證券結算系統、中央對手方三個子類別構建了指數，以更精確觀察各子類別金融基礎設施面臨的風險情況。從圖2—圖4中可見，支付系統與中央證券存管機構/證券結算系統在2014—2023年間的風險呈逐漸下降態勢，中央證券存管機構/證券結算系統的濾波后風險波動性更強；中央對手方同期風險指數情況呈現駝峰態勢，于2014—2019年間逐步上升，并于2019年發生轉折，2019—2023年間逐步下降。其原因在于，支付系統主要涉及資金轉賬行為，與實體經濟活動的相關性更強，表現出較低的波動性；中央證券存管機構/證券結算系統主要涉及金融投資行為，除受實體經濟影響外，還受到貨幣環境、投資者情緒的影響，因而其波動性與支付系統相比更高；中央對手方的代表性業務涉及衍生品交易，受其高波動性、高杠桿率的影響，中央對手方風險波動及趨勢與其他金融基礎設施類別有所不同。

（五）穩健性檢驗

1.調整樣本期。在指數的穩健性方面，本文采用調整樣本期的方式檢驗其穩健性。由于數據樣本期較長，少量指標在起始期間存在缺失值，通過人工計算方法補足，因此，穩健性檢驗從數據起始階段開始調整。從圖5可知，使用2014年7月—2023年12月、2015年1月—2023年12月數據構建的指數與原始樣本期構建的指數相比，指數值與波動趨勢重合度較高，表明金融基礎設施風險指數的穩健性良好。

2.替換變量。本文采用替換變量方式檢驗指數的穩健性。考慮到變量在主成分矩陣中的占比與數據可得性，選取指標S3與C9進行替換變量穩健性檢驗。將指標債券信用利差（S3）替換為1年期AA級中期票據到期收益率與1年期國開債到期收益率之差，將指標VIX指數（C9）替換為道瓊斯波動率指數，重新構建的指數如圖6所示，可見替換變量重建的指數與原指數重合度極高，表明指數的穩健性良好。

五、我國金融基礎設施風險的區制識別

（一）馬爾可夫區制轉換模型的建立

從金融基礎設施風險指數的濾波結果中，可見金融基礎設施風險呈現出長期下降趨勢與短期波動特征。對此，本文采用非線性時間序列模型——馬爾可夫區制轉換模型進一步衡量我國金融基礎設施風險狀態的變化。

馬爾可夫區制轉換模型由Hamilton（1989）[44]提出。在該模型中，“區制”指數據生成過程所處的不同“狀態”，這些狀態可能是隨時間變化的，區制轉換模型能夠捕捉這種動態變化，更準確地描述經濟變量在不同狀態下的行為模式。模型依據數據自行識別狀態區制，無需主觀設定臨界值或時間區域，是處理存在結構性變化數據的有效工具。根據馬爾可夫區制轉換模型，引入自回歸（AR）模型，可建立金融基礎設施風險狀態識別的MS-AR模型如下：

[FRIt=μst+i=1pαi，stFRIt-i+εt]" " （7）

[εt～i.i.d.N（0，σ2st）]" " （8）

其中，[st]即為區制變量，[μst]為區制位于[st]時的截距項，[p]為變量[FRIt]的滯后階數，[αi，st為FRIt]位于區制[st]時的系數，[εt]為隨機誤差項向量。

區制變量[st]服從有限狀態個數的一階馬爾可夫鏈，即系統在[t]時刻處于某一區制（[j]）的概率僅與[t-1]時刻的區制（[i]）有關，獨立于系統以前所處的所有區制，即：

[pij=Pr（st=j|st-1=i）]" " "（9）

則馬爾可夫轉換概率矩陣為：

[P=p1，1…p1，M???pM，1…pM，M]" " （10）

MS-AR模型中，所有系數、截距項以及誤差項的方差均可表現為依據區制的不同而不同，具體將根據實證數據情況判斷。那么兩區制的MS-AR可以寫為：

[FRIt=μ0+i=1pαi，0FRIt-i+εt，εt～i.i.d.N（0，σ20），st=0FRIt=μ1+i=1pαi，1FRIt-i+εt，εt～i.i.d.N（0，σ21），st=1]

（11）

（二）MS-AR模型的實證結果

1. 平穩性檢驗。本節將上文構建的我國金融基礎設施風險指數的循環波動成分作為考察對象，其在1%的顯著性水平上為平穩序列。

2.模型估計結果。根據對數似然值、AIC、SC、HQ準則，本文確定MS-AR模型的最優滯后階數為滯后一階，在MS-AR模型的多種變形中，MSIAH（2）—AR（1）的擬合效果最優，即模型的截距（I）、系數（A）、方差（H）都發生區制轉換，模型的選擇詳見表6。

根據MSIAH（2）—AR（1）模型的實證結果，我國金融基礎設施的周期風險可劃分為兩個區制。區制1的均值為-0.079，對應“周期下行”區制；區制2的均值為0.019，對應“周期上行”區制。結合表7和圖7可知，在FRI-cycle時間序列數據的120個月度中，區制1的樣本數量為20.7，發生頻率為0.1678，平均持續期為7.51；區制2的樣本數量為98.3，發生頻率為0.8322，平均持續期為37.23，說明我國金融基礎設施風險波動處于“周期上行”區制的時間更久，且持續時間更長。

從表8可知，p11=0.8668、p22=0.9731，兩區制的穩定概率較高。區制1過渡到區制2的概率p12=0.1332，區制2過渡到區制1的概率p21=0.0269，可見從周期風險下行轉為周期風險上行的概率相對較高，而從上行態勢轉為下行態勢的概率相對較低，顯現出金融風險的“棘輪效應”。

3. 區制分析。根據“某時點上某種區制的概率值大于0.5， 則視該樣本點處于該區制”的原則，可從實證結果識別出如下信息：處于“周期下行”區制的樣本區間為2015年4月—2016年8月、2019年12月—2020年6月，處于“周期上行”區制的樣本區間為2014年1月—2015年3月、2016年9月—2019年11月、2020年7月—2023年12月。

2014年1月—2015年3月，我國金融基礎設施處于周期風險上升階段。宏觀經濟方面，2014年經濟增速整體放緩，市場周期往往領先于經濟周期，體現在金融基礎設施的數據中更為明顯。金融市場方面，受前期刺激性政策影響，我國金融市場在相當一段時期內面臨債務水平偏高、產能過剩等問題的困擾，潛在系統性風險難以在短期化解。

2015年4月—2016年8月，我國金融基礎設施處于周期風險回落階段。對應同時期圖2、3、4的波動情況，可知該時期金融基礎設施的周期風險下行趨勢主要是由支付系統這一子類別帶來的。這一時期，中央銀行二代支付系統完成全國推廣，人民幣跨境支付系統上線運行，中央銀行支付體系業務筆數及金額不斷攀升，支付清算行為活躍，為市場提供了順暢的資金流動渠道，也有效降低了流動性風險。同時，M1與M2的比值在此期間呈上升趨勢，社會活期賬戶資金占比更高，有效支持了電子支付行為。此外，我國的外匯儲備規模在2015年回落，從接近4萬億的水平減少了近5000億元，從過高的持有水平逐漸走向合理化，更有利于我國境內資金循環，也減輕了潛在的外部市場風險。

2016年9月—2019年11月，金融基礎設施處于周期風險上升階段。2016年下半年—2018年，支付系統與中央證券存管機構/證券結算系統風險呈周期上升態勢，中央對手方面臨的風險呈周期下降態勢。這一時期，市場處于緊貨幣、嚴監管、去杠桿環境，流動性收縮，對中央證券存管機構所處環境構成信用風險與流動性風險。支付體系業務金額在2016年第四季度與2017年第一季度出現小幅下降，同樣體現出市場環境流動性緊張的風險。

2019年12月—2020年6月，金融基礎設施風險指數逐漸呈現周期下行態勢。這一時期，金融市場流動性整體保持合理充裕，特別是2020年初中央銀行采取了一系列措施，包括降準和公開市場操作，以確保流動性的充足供應，金融基礎設施所面臨的整體風險、信用風險與流動性風險得到了更好的控制。

2020年7月—2021年，金融基礎設施的周期風險再次上行。全球經濟恢復存在不確定性，我國經濟基本面受一定影響，各類別金融基礎設施風險周期均呈上升態勢。2021—2023年處于疫情防控常態化階段，后期隨著經濟復蘇，市場需求逐步恢復。從金融基礎設施風險曲線中也可以看到，金融基礎設施面臨的周期風險經歷上升階段后逐步回落，最終趨于相對平穩。

六、結論與啟示

本文搭建了我國金融基礎設施的風險指標體系，并運用主成分分析法構建了我國金融基礎設施風險指數。結合馬爾可夫區制轉換模型分析，得出以下結論：一是我國金融基礎設施面臨的風險自2013年起呈緩慢下降趨勢。這表明自黨的十八大以來，我國金融基礎設施經過不斷發展創新，安全性在十余年間顯著提升。二是我國金融基礎設施風險在穩步下降的大趨勢下，仍存在周期波動，并以周期風險上行波動為主。一方面，金融基礎設施受宏觀經濟環境影響；另一方面，從主成分分析得出的成分矩陣中可知，外部市場風險指標與主成分相關性較強，近年來外部市場風險的影響不容忽視。三是幾大子類別金融基礎設施的風險指數呈現差異化特征，由于其功能和主要服務領域的差異，在不同時點表現出的風險趨勢與波動情況各不相同。

本文的研究結論對經濟金融政策制定具有一定參考意義：

首先，應持續強化對新技術的探索和應用。目前我國金融基礎設施業務、技術、管理、標準等方面已走在國際前列，這主要受益于過去十余年間金融科技的蓬勃發展與快速更迭。未來，更要求金融基礎設施持續推動區塊鏈、人工智能、大數據等新技術應用，有效提升風險預警、風險管理與監測水平。

其次，應對外部市場風險持重視與謹慎態度。近年來國際形勢復雜多變，對金融體系影響不斷加深，金融基礎設施可能成為長臂管轄和金融制裁的工具。我國金融基礎設施需未雨綢繆，充分保障自身的安全性、高效性與自主可控性。

最后，應采取有針對性的差異化措施有效提升不同類別金融基礎設施的安全性。支付系統應加強系統建設的自主性，擴大境外參與機構的直接接入范圍。中央證券存管機構應強化集中統一、底層穿透的制度安排，鞏固透明賬戶體系，落實穿透式監管。中央對手方應推動完善機制標準制定，建立完善的風險隔離制度，持續提升保證金變化透明度與信息披露水平。

參考文獻：

[1]Miller M，Mylenko N，Sankaranara S. 2010. Financial Infrastructure：Building Access through Transparent and Stable Financial Systems [R].World Bank.

[2]Donaubauer J，Meyer B E，Nunnenkamp P. 2016. A New Global Index of Infrastructure：Construction，Rankings and Applications [J].World Economy，（39）.

[3]Sun Y，Ajaz T，Razzaq A. 2022. How Infrastructure Development and Technical Efficiency Change Caused Resources Consumption in BRICS Countries：Analysis based on Energy，Transport，ICT，and Financial Infrastructure Indices [J].Resources Policy，（79）.

[4]Rafailov D. 2019. Impact of Financial Infrastructure on Financial Development [J].Izvestia Journal of the Union of Scientists-Varna. Economic Sciences Series，（8）.

[5]Saygili H，Ozdemir KA. 2021. Regional Economic Growth in Turkey：the Effects of Physical，Social and Financial Infrastructure Investment [J].Springer Berlin Heidelberg，（4）.

[6]Vijil M，Wagner L. 2012. Does Aid for Trade Enhance Export Performance？Investigating the Infrastructure Channel [J].World Economy，（35）.

[7]Francois J，Manchin M. 2013. Institutions，Infrastructure，and Trade [J].World Development，（46）.

[8]Rehman F U，Islam M M. 2022. Financial infrastructure-Total Factor Productivity（TFP）Nexus within the Purview of FDI Outflow，Trade Openness，Innovation， Human Capital and Institutional Quality：Evidence from BRICS economies [J].Applied Economics，（55）.

[9]李稻葵，劉淳，龐家任.金融基礎設施對經濟發展的推動作用研究——以我國征信系統為例 [J].金融研究，2016，（02）.

[10]王喆，尹振濤.金融科技基礎設施指數構建與發展評估 [J].金融監管研究， 2022，（06）.

[11]Illing M，Liu Y. 2003. An Index of Financial Stress for Canada [J].Staff Working Papers，（29）.

[12]王娜，施建淮.我國金融穩定指數的構建：基于主成分分析法 [J].南方金融，2017，（06）.

[13]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）.

[14]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，（06）.

[15]Acemoglu D，Ozdaglar A，Tahbaz-Salehi A. 2015. Systemic Risk and Stability in Financial Networks [J].Social Science Electronic Publishing，（105）.

[16]Balakrishnan R，Danninger S，Elekdag S，Tytell I. 2011. The Transmission of Financial Stress from Advanced to Emerging Economies [J].Emerging Markets Finance and Trade，（47）.

[17]潘功勝.中國當前貨幣政策立場及未來貨幣政策框架的演進 [J].中國金融家，2024，（06）.

[18]肖衛國，吳昌銀，尹智超.資本充足率對銀行風險承擔水平影響的實證分析 [J].統計與決策，2017，（07）.

[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，（06）.

[20]郭娜，申琳，張寧.中國金融系統脆弱性指數的構建與區制狀態分析 [J].當代經濟科學，2020，42（01）.

[21]Chiaramonte L，Croci E，Poli F. 2015. Should We Trust the Z-score？ Evidence from the European Banking Industry [J].Global Finance Journal，（28）.

[22]Chiaramonte L，Liu H，Poli F，Zhou M M. 2016. How Accurately Can Z-score Predict Bank Failure？ [J].Financial Markets Institutions amp; Instruments，25（5）.

[23]Wheelock D C，Wohar M E. 2009. Can the Term Spread Predict Output Growth and Recessions？ A Survey of the Literature [J].Review-Federal Reserve Bank of St. Louis，（91）.

[24]鄭桂環，徐紅芬，劉小輝.金融壓力指數的構建及應用 [J].金融發展評論，2014，（08）.

[25]王克達.金融壓力指數構建及其宏觀經濟效應研究 [J].上海金融，2020，（01）.

[26]Kliesen K L，Smith D C. 2010. Measuring Financial Market Stress [J].Economic Synopses，（2）.

[27]巴曙松，姚飛.中國債券市場流動性水平測度 [J].統計研究，2013，30（12）.

[28]蔣曉婉.地方政府債券交易量與價格波動的關系[J].金融與經濟，2019，（04）.

[29]黃稚淵，宮蕾.基于多重視角的債券市場違約率統計探析 [J].債券，2022，（06）.

[30]裴長洪，余穎豐.人民幣離岸債券市場現狀與前景分析 [J].金融評論，2011，3（02）.

[31]李波.以主渠道活力推動債券市場對外開放 [J].債券，2021，（08）.

[32]Sun Q，Gao X，Wang Z， Liu S，Guo S，Li Y. 2020. Quantifying the Risk of Price Fluctuations Based on Weighted Granger Causality Networks of Consumer Price Indices：Evidence from G7 Countries [J].Journal of Economic Interaction and Coordination，（15）.

[33]谷文林，孔祥忠.融資融券業務對市場資本流動性的短期影響 [J].證券市場導報，2010，（07）.

[34]Laakkonen H.2015. Relevance of Uncertainty on the Volatility and Trading Volume in the US Treasury Bond Futures Market [J].Research Discussion Papers.

[35]夏同水，馮筱涵.融資融券與股權融資成本——基于分批擴容的準自然實驗 [J].金融發展研究，2022，（11）.

[36]張宗新，黃梓健.資本市場系統性風險監測及風險跨市場溢出研究——基于金融壓力指數視角 [J].證券市場導報，2024，（07）.

[37]Priem R，Girard A. 2019. Risk Management Practices of Central Counterparties：European vs. Third-Country CCPs [J].Banking amp; Insurance eJournal.

[38]Ladley D，Liu G，Rockey J. 2020. Losing Money on the Margin [J].Journal of Economic Behavior and Organization，（172）.

[39]劉強，陶士貴.地緣政治風險對人民幣匯率穩定的影響研究——市場恐慌和短期資本流動的視角 [J].當代經濟管理，2023，45（01）.

[40]胡志浩，江振龍.匯率決定理論中的利率平價——兼議人民幣均衡匯率 [J].金融與經濟，2023，（06）.

[41]劉新華.因子分析中數據正向化處理的必要性及其軟件實現 [J].重慶工學院學報（自然科學版），2009，23（09）.

[42]林海明，杜子芳.主成分分析綜合評價應該注意的問題 [J].統計研究，2013，30（08）.

[43]許滌龍，陳雙蓮.基于金融壓力指數的系統性金融風險測度研究 [J].經濟學動態，2015，（04）.

[44]Hamilton J D. 1989. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle [J].Econometrica，（57）.