基于資金流量表的我國系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)測(cè)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(shù)據(jù)，使用風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)模型方法，對(duì)我國部門間金融風(fēng)險(xiǎn)傳染效應(yīng)進(jìn)行分析，并測(cè)度了我國系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)。研究發(fā)現(xiàn)，金融部門是我國部門間金融風(fēng)險(xiǎn)傳染的主要承擔(dān)者；我國宏觀金融網(wǎng)絡(luò)的穩(wěn)健性在黨的十九大后明顯增強(qiáng)，各部門引發(fā)的風(fēng)險(xiǎn)傳染總損失效應(yīng)整體呈震蕩波動(dòng)態(tài)勢(shì)，但2018年以來總損失效應(yīng)明顯低于之前的平均水平；本文測(cè)算出的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)與M2/GDP的走勢(shì)在多個(gè)時(shí)間點(diǎn)較為吻合，其對(duì)于防范化解系統(tǒng)性金融風(fēng)險(xiǎn)具有前瞻性預(yù)警作用?；诖?，本文從加強(qiáng)對(duì)金融部門的風(fēng)險(xiǎn)監(jiān)測(cè)與管理，加強(qiáng)對(duì)政府部門和國外部門的風(fēng)險(xiǎn)監(jiān)測(cè)，進(jìn)一步完善宏觀審慎政策框架等方面提出政策建議。

關(guān)鍵詞：資金流量表；金融風(fēng)險(xiǎn)傳染；系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)

中圖分類號(hào)：F832? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? 文章編號(hào)：1007-0753（2023）08-0066-12

一、引言

防范化解系統(tǒng)性金融風(fēng)險(xiǎn)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(jīng)濟(jì)形勢(shì)復(fù)雜嚴(yán)峻，當(dāng)前我國地方政府債務(wù)風(fēng)險(xiǎn)、房地產(chǎn)市場(chǎng)風(fēng)險(xiǎn)、個(gè)別金融控股集團(tuán)關(guān)聯(lián)風(fēng)險(xiǎn)等風(fēng)險(xiǎn)隱患快速積累，防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)工作依然面臨重重困難。2022年10月，黨的二十大報(bào)告明確指出，要加強(qiáng)和完善現(xiàn)代金融監(jiān)管，強(qiáng)化金融穩(wěn)定保障體系，守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)底線。習(xí)近平總書記也多次強(qiáng)調(diào)要把防范化解系統(tǒng)性金融風(fēng)險(xiǎn)放在更加重要的位置。對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行測(cè)度是防范化解風(fēng)險(xiǎn)的前提，目前各界對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的識(shí)別和測(cè)度不斷深入，但仍未形成共識(shí)。

資金流量核算起源于美國，目前已成為聯(lián)合國統(tǒng)計(jì)署發(fā)布的國民經(jīng)濟(jì)核算（SNA）五大體系之一。資金流量表是資金流量核算結(jié)果的呈現(xiàn)，能夠反映國民經(jīng)濟(jì)各部門之間在一定時(shí)期內(nèi)的資金往來或交易的總量、結(jié)構(gòu)和流向。近年來，國內(nèi)外基于資金流量表的應(yīng)用研究日益廣泛，其對(duì)制定宏觀調(diào)控政策發(fā)揮著重要作用。

鑒于此，本文探索使用中國人民銀行發(fā)布的2001—2020年資金流量表數(shù)據(jù)，借鑒列昂惕夫投入產(chǎn)出分析法，測(cè)度出國民經(jīng)濟(jì)各部門之間的金融風(fēng)險(xiǎn)傳染效應(yīng)，并通過構(gòu)建概率密度函數(shù)，最終測(cè)算出系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)，為前瞻性防范化解系統(tǒng)性金融風(fēng)險(xiǎn)提供信息支撐。

二、文獻(xiàn)綜述

準(zhǔn)確把握各部門的資金流動(dòng)和資金關(guān)聯(lián)情況是開展金融風(fēng)險(xiǎn)研究的前提（劉曉欣和熊麗，2021）。為此，國內(nèi)外學(xué)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(guān)研究，為從資金流量視角測(cè)算系統(tǒng)性金融風(fēng)險(xiǎn)奠定了堅(jiān)實(shí)的基礎(chǔ)。

一是關(guān)于編制資金流量表和資金流量矩陣的相關(guān)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(duì)美國經(jīng)濟(jì)中的貨幣運(yùn)行情況進(jìn)行了統(tǒng)計(jì)描述，為美國經(jīng)濟(jì)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(chǎn)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(guān)聯(lián)效果。Tsujimura 和Mizoshita（2003）介紹了使用資金流量賬戶數(shù)據(jù)編制資產(chǎn)負(fù)債流量矩陣的方法（簡(jiǎn)稱ALM），并利用ALM的列昂惕夫逆矩陣來評(píng)價(jià)日本的貨幣政策。我國學(xué)者也在編制資金流量表和資金流量矩陣方面進(jìn)行了系列探索。王洋和柳欣（2008）從企業(yè)的現(xiàn)金流量表出發(fā)，通過加總形成了包含居民、企業(yè)、政府和銀行四大經(jīng)濟(jì)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(shè)定的模型，編制了“部門×部門”矩陣表，解決了常規(guī)統(tǒng)計(jì)中無法獲得部門間金融資金流量數(shù)據(jù)的問題。馬克衛(wèi)和李寶瑜（2015）將社會(huì)核算矩陣（Social Accounting Matrix，SAM）劃分為投入產(chǎn)出表、國民收入流量表、金融資金流量表；先分別建立三個(gè)模型，然后將其鏈接起來，形成一個(gè)反映國民經(jīng)濟(jì)所有環(huán)節(jié)乘數(shù)關(guān)系的模型系統(tǒng)；利用2012年的SAM數(shù)據(jù)，舉例說明其在實(shí)際經(jīng)濟(jì)分析中的應(yīng)用。還有部分學(xué)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(guān)于資金流量模型的相關(guān)研究?；谫Y金流量表和資金流量矩陣編制方法和數(shù)據(jù)，學(xué)界進(jìn)一步探索出了幾大類資金流量核算分析范式下的相關(guān)模型。第一類是僅將資金流量表作為數(shù)據(jù)來源。李揚(yáng)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(chǔ)蓄傾向等兩個(gè)方面對(duì)居民、企業(yè)和政府等國內(nèi)三個(gè)部門的儲(chǔ)蓄率進(jìn)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(shì)。易綱（2020）運(yùn)用資金流量表數(shù)據(jù)，對(duì)過去十幾年來中國金融資產(chǎn)結(jié)構(gòu)的變化進(jìn)行了分析，并從資源配置和風(fēng)險(xiǎn)承擔(dān)角度測(cè)度了金融資產(chǎn)風(fēng)險(xiǎn)承擔(dān)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(jiǎn)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(guān)聯(lián)、歷史時(shí)間、過程理性、貨幣和金融對(duì)實(shí)體經(jīng)濟(jì)運(yùn)行的重要性（Godley和Lavoie，2007；Caverzasi，2013；柳欣等，2013）。張?jiān)频龋?018）將SFC模型與DSGE模型進(jìn)行比較后認(rèn)為，SFC模型在貨幣、信貸、財(cái)富、生產(chǎn)和分配方面提供了一體化的處理方法，能夠更好地分析現(xiàn)實(shí)經(jīng)濟(jì)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(jié)合SFC模型和未定權(quán)益分析法，從宏觀審慎中宏微觀與時(shí)間截面兩組維度的角度，研究了資產(chǎn)價(jià)格波動(dòng)沖擊下中國銀行體系的網(wǎng)絡(luò)抗毀性。王博和宋玉峰（2020）基于SFC模型視角，構(gòu)建了一個(gè)“氣候變化—政策響應(yīng)—經(jīng)濟(jì)增長(zhǎng)—金融穩(wěn)定”的傳導(dǎo)路徑，研究了氣候變化的轉(zhuǎn)型風(fēng)險(xiǎn)對(duì)宏觀經(jīng)濟(jì)和金融穩(wěn)定的影響。第三類是借鑒投入產(chǎn)出分析法開展的研究。胡秋陽（2010）設(shè)計(jì)并編制了中國投入產(chǎn)出式資金流量表，借鑒投入產(chǎn)出分析模型構(gòu)建了資金關(guān)聯(lián)模型，考察了部門之間、項(xiàng)目之間、金融交易與實(shí)物交易之間通過金融交易形成的資金關(guān)聯(lián)結(jié)構(gòu)和乘數(shù)效果。張?jiān)频龋?018）基于中國投入產(chǎn)出式宏觀資金流量表和資金關(guān)聯(lián)模型，定量分析了發(fā)生在政府部門的局部債務(wù)違約，經(jīng)由國民經(jīng)濟(jì)各賬戶之間的資金關(guān)聯(lián)發(fā)生擴(kuò)散和波及，從而對(duì)國民經(jīng)濟(jì)各部門的資金籌措和資金運(yùn)用產(chǎn)生的結(jié)構(gòu)性影響。

三是基于資金流量表開展的系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度的相關(guān)研究。國內(nèi)外學(xué)者對(duì)如何準(zhǔn)確地測(cè)度系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行了大量研究，包括對(duì)金融系統(tǒng)整體風(fēng)險(xiǎn)的測(cè)度，對(duì)特殊金融機(jī)構(gòu)風(fēng)險(xiǎn)的測(cè)度以及對(duì)金融風(fēng)險(xiǎn)傳染效應(yīng)的測(cè)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(tǒng)性金融風(fēng)險(xiǎn)研究大多從金融網(wǎng)絡(luò)與風(fēng)險(xiǎn)傳染效應(yīng)著手。金融網(wǎng)絡(luò)與系統(tǒng)性風(fēng)險(xiǎn)的關(guān)系取決于負(fù)面沖擊的大?。涸谛∮谂R界值的負(fù)面沖擊下，金融網(wǎng)絡(luò)使金融體系更具韌性；在大于臨界值的負(fù)面沖擊下，金融網(wǎng)絡(luò)可能成為系統(tǒng)性風(fēng)險(xiǎn)和不穩(wěn)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(shù)據(jù)，建立了國民經(jīng)濟(jì)各部門間的金融關(guān)聯(lián)網(wǎng)絡(luò)模型，揭示了負(fù)面經(jīng)濟(jì)沖擊在部門層面循環(huán)傳導(dǎo)的軌跡，量化了各部門在各傳染輪次中的損失量，為應(yīng)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)提供了較早的實(shí)證支持。張南（2013）將中國的資金流量表調(diào)整為矩陣式資金流量表，分析了部門間資產(chǎn)與負(fù)債的基本特征，進(jìn)而應(yīng)用列昂惕夫逆矩陣建立了部門間金融風(fēng)險(xiǎn)的波及效應(yīng)模型并展開乘數(shù)分析，給出了各項(xiàng)金融交易風(fēng)險(xiǎn)波及的排序，解析了系統(tǒng)性金融風(fēng)險(xiǎn)對(duì)中國金融整體的最終波及效應(yīng)。劉曉欣和張藝鵬（2019）首次構(gòu)建出2000—2017年“部門×金融工具×部門”的三維投入產(chǎn)出式資金流量表，研究發(fā)現(xiàn)因不同工具轉(zhuǎn)化為債權(quán)而引發(fā)的債務(wù)擴(kuò)張推動(dòng)了經(jīng)濟(jì)脫實(shí)向虛，加劇了金融風(fēng)險(xiǎn)。高慧穎等（2022）使用2017—2020年我國資金存量表測(cè)算了各部門間風(fēng)險(xiǎn)傳染效應(yīng)，并借鑒Silva等（2014）的方法進(jìn)一步測(cè)算了系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)。

綜上所述，從資金流量視角測(cè)算系統(tǒng)性金融風(fēng)險(xiǎn)的方法充分考慮了部門間資金流動(dòng)情況及部門間風(fēng)險(xiǎn)傳染特征，在測(cè)算系統(tǒng)性金融風(fēng)險(xiǎn)方面具有天然優(yōu)勢(shì)。但是現(xiàn)有研究也存在一些不足：一方面，現(xiàn)有文獻(xiàn)側(cè)重于比較不同部門在風(fēng)險(xiǎn)傳染中的地位或作用，較少進(jìn)一步構(gòu)建指數(shù)反映整體的系統(tǒng)性金融風(fēng)險(xiǎn)狀況；另一方面，疫情以來我國宏觀杠桿率呈現(xiàn)階段性上升趨勢(shì)，但現(xiàn)有研究較少使用資金流量數(shù)據(jù)對(duì)疫情以來我國的系統(tǒng)性金融風(fēng)險(xiǎn)變化進(jìn)行測(cè)度。

本文的創(chuàng)新之處主要體現(xiàn)在以下兩方面：一是在研究方法方面，現(xiàn)有研究較多比較各部門在風(fēng)險(xiǎn)傳染中的作用，本文在Silva等（2014）基礎(chǔ)上進(jìn)一步改進(jìn)了系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)的測(cè)算方法，本文測(cè)算方法更加符合經(jīng)濟(jì)實(shí)際，科學(xué)性更強(qiáng)，是對(duì)現(xiàn)有基于資金流量方法進(jìn)行系統(tǒng)性風(fēng)險(xiǎn)測(cè)算研究的有益補(bǔ)充。二是在數(shù)據(jù)使用方面，現(xiàn)有研究基于資金存量表測(cè)算了我國系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)，但由于我國資金存量表僅公布了2017年以來的數(shù)據(jù)，且測(cè)算出的系統(tǒng)性金融風(fēng)險(xiǎn)為存量風(fēng)險(xiǎn)，無法體現(xiàn)一段時(shí)期內(nèi)風(fēng)險(xiǎn)的動(dòng)態(tài)變化，本文使用2001—2020年的資金流量表數(shù)據(jù)，測(cè)算出較長(zhǎng)時(shí)期內(nèi)我國系統(tǒng)性金融風(fēng)險(xiǎn)的動(dòng)態(tài)變化，并通過與其他風(fēng)險(xiǎn)測(cè)算方法得出結(jié)果的相互印證，更好地證明本文測(cè)算方法的有效性。

三、基于資金流量表的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)測(cè)度方法

現(xiàn)有公布的資金流量表為“部門×工具”形式，而基于投入產(chǎn)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(jiǎn)稱WTW矩陣）。因此，借鑒張南（2013）的方法，首先基于現(xiàn)有資金流量表數(shù)據(jù)，按照一定的比例關(guān)系，推定出部門之間的資金交易數(shù)據(jù)。其次，編制出WTW矩陣后，列出基于投入產(chǎn)出方法的部門間金融風(fēng)險(xiǎn)傳染效應(yīng)測(cè)算方法。最后，構(gòu)建基于五部門風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)。

（一）WTW矩陣編制

目前，中國人民銀行發(fā)布的資金流量表中的行表示各機(jī)構(gòu)部門，包括住戶部門（HH）、非金融企業(yè)部門（NFC）、廣義政府部門（GG）、金融部門（FI）和國外部門（RoW）五個(gè)部門。列表示各交易項(xiàng)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(gè)大項(xiàng)三十四個(gè)小項(xiàng)金融工具（2020年資金流量簡(jiǎn)表如表1所示）。在各部門內(nèi)部根據(jù)資金投向和資金來源分別列出了運(yùn)用和來源。資金流量表的編制遵循復(fù)式記賬原則對(duì)任一金融工具，各部門資金運(yùn)用之和等于資金來源之和，最終國民經(jīng)濟(jì)所有部門的資金運(yùn)用之和等于資金來源之和；但對(duì)單一部門而言，由于可能存在凈金融投資，故其資金運(yùn)用之和不一定等于資金來源之和。本文借鑒國際標(biāo)準(zhǔn)的資金流量表中的做法，將資金運(yùn)用稱為資產(chǎn)，資金來源稱為負(fù)債①。

要編制資金流量WTW矩陣，需知道每一項(xiàng)金融工具的部門間資金流動(dòng)情況。由于數(shù)據(jù)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(dòng)情況。總體原則是假定各部門對(duì)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(fù)債比例系數(shù)，負(fù)債比例系數(shù)=部門持有某類金融負(fù)債/某類金融負(fù)債合計(jì)；金融資產(chǎn)的運(yùn)用方按照該系數(shù)將資金投向至各部門，資產(chǎn)運(yùn)用方部門運(yùn)用該類金融資產(chǎn)額=負(fù)債比例系數(shù)×該部門持有的同類金融資產(chǎn)。

具體分為兩種情況：第一種情況是對(duì)某一金融工具，僅一個(gè)部門持有負(fù)債，多個(gè)部門持有資產(chǎn)，此時(shí)部門之間的資金流動(dòng)關(guān)系簡(jiǎn)單直接，對(duì)該單一金融工具而言，WTW矩陣如表2所示，行方向?yàn)楦鞑块T的資金運(yùn)用，列方向表示各部門的資金來源。

第二種情況是對(duì)某一金融工具，多個(gè)部門持有負(fù)債，同時(shí)多個(gè)部門持有資產(chǎn)。如對(duì)于表1中的股票，企業(yè)部門發(fā)行的股票金額（負(fù)債）為12 333億元，而股票項(xiàng)目的負(fù)債總額為23 415億元，則企業(yè)部門發(fā)行股票的負(fù)債比例為0.53（12 333/23 415）。從資金運(yùn)用看，持有股票資產(chǎn)的部門分別為住戶、企業(yè)、政府、金融及國外部門，所以各部門持有的企業(yè)發(fā)行的股票資產(chǎn)等于該部門持有的所有股票資產(chǎn)乘以企業(yè)發(fā)行股票的負(fù)債比例0.53，比如，住戶部門共持有股票資產(chǎn)3 319億元，則其中持有企業(yè)發(fā)行的股票資產(chǎn)為1 748.2億元（3 319×0.53）。同理，可分別計(jì)算得出各部門持有的金融部門、國外部門發(fā)行的股票份額（見表3）。由此得到每一項(xiàng)金融工具的WTW矩陣表，然后將各項(xiàng)金融工具的WTW矩陣表進(jìn)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(fēng)險(xiǎn)傳染效應(yīng)的測(cè)度方法

Leontief（1936）首次提出了投入產(chǎn)出分析法，該方法主要基于投入產(chǎn)出表數(shù)據(jù)研究行業(yè)間、產(chǎn)業(yè)間的投入產(chǎn)出關(guān)聯(lián)關(guān)系。由于國民經(jīng)濟(jì)各部門之間的聯(lián)系與各行業(yè)之間的投入產(chǎn)出關(guān)系具有較多類似之處，越來越多的學(xué)者開始借鑒該方法開展部門間金融風(fēng)險(xiǎn)分析（張南，2013；張?jiān)频龋?018；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(yùn)用編制的WTW矩陣，借鑒投入產(chǎn)出法來測(cè)度部門間的金融風(fēng)險(xiǎn)傳染效應(yīng)。

1.構(gòu)建部門間風(fēng)險(xiǎn)傳染矩陣

WTW矩陣是構(gòu)建風(fēng)險(xiǎn)傳染矩陣的基礎(chǔ)，矩陣中的部門類似于投入產(chǎn)出分析表中的行業(yè)，金融工具類似于投入產(chǎn)出表中的商品。投入產(chǎn)出表中，各行業(yè)的總產(chǎn)出等于總投入，為使得五部門的風(fēng)險(xiǎn)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(chǎn)與列和，兩列為凈負(fù)債與行和，行與列分別對(duì)應(yīng)投入產(chǎn)出表中的總產(chǎn)出與總投入。但是由于各部門的資產(chǎn)合計(jì)與負(fù)債合計(jì)通常不相等，為滿足平衡關(guān)系，借鑒張南（2013）的做法，在不改變?cè)璚TW矩陣數(shù)據(jù)關(guān)系的前提下，本文定義行和與列和為單一部門的資產(chǎn)合計(jì)（Ai）與負(fù)債合計(jì)（Di）兩者中的較大值。五部門風(fēng)險(xiǎn)傳染矩陣如表4所示。

2.測(cè)算部門間風(fēng)險(xiǎn)傳染效應(yīng)

（三）構(gòu)建基于五部門風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)

四、金融風(fēng)險(xiǎn)傳染效應(yīng)及系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)測(cè)度

（一）數(shù)據(jù)說明

本文數(shù)據(jù)時(shí)間窗口為2001—2020年，主要是因?yàn)槲覈?001年加入WTO，2001年前后國內(nèi)與國外部門之間的資金流動(dòng)狀況存在明顯區(qū)別，為保持縱向數(shù)據(jù)變動(dòng)的分析可比性，故選取這一時(shí)期為研究對(duì)象。文中資金流量表原始數(shù)據(jù)均來源于中國人民銀行官網(wǎng)，WTW矩陣為作者借鑒相關(guān)方法推定得出。同時(shí)，本文借鑒Silva等（2014）的做法，住戶部門和政府部門資產(chǎn)波動(dòng)的方差以十年期國債到期收益率的波動(dòng)衡量；企業(yè)部門資產(chǎn)波動(dòng)的方差以WIND全A指數(shù)（除金融、石油、石化）的波動(dòng)衡量；金融部門資產(chǎn)波動(dòng)的方差以WIND金融行業(yè)指數(shù)（僅含上市金融企業(yè)）的波動(dòng)衡量；國外部門資產(chǎn)波動(dòng)的方差以標(biāo)準(zhǔn)普爾500指數(shù)的波動(dòng)衡量。原始數(shù)據(jù)均來源于WIND數(shù)據(jù)庫。

（二）金融風(fēng)險(xiǎn)直接傳染效應(yīng)

根據(jù)五部門WTW矩陣及上文風(fēng)險(xiǎn)傳染效應(yīng)計(jì)算方法，本文計(jì)算得出了2001—2020年各部門遭受1單位風(fēng)險(xiǎn)沖擊后對(duì)其他部門造成的直接風(fēng)險(xiǎn)傳染效應(yīng)，如圖1所示。

從圖1可知，住戶部門遭受1單位資產(chǎn)損失后，風(fēng)險(xiǎn)除自身承擔(dān)外，主要直接由金融部門承擔(dān)，原因是住戶部門的主要融資渠道是金融部門發(fā)放的貸款。2001年以來，金融部門平均承擔(dān)的風(fēng)險(xiǎn)損失比例達(dá)37.1%，其中，在2007年、2016—2018年承擔(dān)的損失比例為50%以上。企業(yè)部門遭受1單位資產(chǎn)損失后，風(fēng)險(xiǎn)主要由金融部門承擔(dān)，平均承擔(dān)比例高達(dá)79.3%，由于企業(yè)部門也可能進(jìn)行海外融資，國外部門的平均承擔(dān)比例也達(dá)到了14.3%。同時(shí)，企業(yè)除貸款融資外，還可能通過發(fā)行債券、股票等進(jìn)行融資，故住戶、企業(yè)、政府部門均承擔(dān)一定比例的資產(chǎn)損失。政府部門遭受1單位損失后，風(fēng)險(xiǎn)也主要由金融部門承擔(dān)，平均承擔(dān)比例達(dá)58.4%。2020年，金融部門承擔(dān)的損失比例高達(dá)96.1%，可能的原因是突發(fā)疫情，防控措施導(dǎo)致實(shí)體部門經(jīng)營困難，造成金融機(jī)構(gòu)面臨的潛在風(fēng)險(xiǎn)顯著增加。金融部門遭受1單位損失后，住戶部門平均承擔(dān)損失比例最高（36.3%），其次是企業(yè)部門（26.6%），金融部門自身平均承擔(dān)風(fēng)險(xiǎn)損失比例為19.2%，這是因?yàn)榻鹑跈C(jī)構(gòu)的存款資產(chǎn)主要來源于住戶部門和企業(yè)部門。國外部門遭受1單位資產(chǎn)損失后，風(fēng)險(xiǎn)損失主要由金融部門和企業(yè)部門承擔(dān)，平均風(fēng)險(xiǎn)承擔(dān)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(dòng)管理政策下，金融部門、企業(yè)部門與國外部門的聯(lián)系較其他部門更為密切。

（三）風(fēng)險(xiǎn)傳染總損失效應(yīng)

根據(jù)理論分析，風(fēng)險(xiǎn)傳染總損失效應(yīng)等于前n次風(fēng)險(xiǎn)傳染效應(yīng)之和加各部門期初損失，計(jì)算結(jié)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(jīng)過部門間傳染最終導(dǎo)致的整個(gè)經(jīng)濟(jì)體風(fēng)險(xiǎn)傳染的總損失量。以2020年住戶部門數(shù)據(jù)為例，住戶部門遭受1單位風(fēng)險(xiǎn)沖擊后，經(jīng)過部門間風(fēng)險(xiǎn)傳染，最終將導(dǎo)致住戶、企業(yè)、政府、金融及國外部門資產(chǎn)分別損失1.54、0.26、0.06、1.27和0.02個(gè)單位，合計(jì)資產(chǎn)損失為3.15個(gè)單位（或3.15倍）。

1.各部門引發(fā)的風(fēng)險(xiǎn)傳染總損失效應(yīng)整體呈震蕩波動(dòng)態(tài)勢(shì)

從圖2中可知，2008年國際金融危機(jī)之前，各部門遭受1單位初始風(fēng)險(xiǎn)沖擊后引發(fā)的金融風(fēng)險(xiǎn)傳染總損失效應(yīng)有一定下降趨勢(shì)，最低降至2008年的19.76倍③；隨后，在金融危機(jī)沖擊下，國內(nèi)各部門間資產(chǎn)負(fù)債關(guān)聯(lián)網(wǎng)絡(luò)遭受較大沖擊，我國宏觀金融網(wǎng)絡(luò)的脆弱性有所上升，故遭受1單位初始風(fēng)險(xiǎn)沖擊后導(dǎo)致的最終風(fēng)險(xiǎn)傳染總損失效應(yīng)也明顯上升，至2017年總損失效應(yīng)高達(dá)39.11倍。2018、2019年我國金融網(wǎng)絡(luò)穩(wěn)健性明顯增強(qiáng)，1單位初始風(fēng)險(xiǎn)沖擊導(dǎo)致的總損失效應(yīng)分別降至17.34倍和19.52倍。這主要是因?yàn)樽?017年末起，我國將防范化解系統(tǒng)性金融風(fēng)險(xiǎn)擺在更加重要的位置，習(xí)近平總書記在十九大報(bào)告中將防范化解重大風(fēng)險(xiǎn)擺在三大攻堅(jiān)戰(zhàn)首位。在此基調(diào)下，中國人民銀行等監(jiān)管部門陸續(xù)出臺(tái)系列監(jiān)管措施，遏制各種影子銀行業(yè)務(wù)、資管業(yè)務(wù)野蠻生長(zhǎng)，并取得了實(shí)效。在2020年疫情沖擊下，為統(tǒng)籌疫情防控和經(jīng)濟(jì)社會(huì)發(fā)展，我國出臺(tái)了系列刺激政策，宏觀杠桿率階段性上升，導(dǎo)致我國宏觀金融網(wǎng)絡(luò)的脆弱性有所上升，故風(fēng)險(xiǎn)傳染總損失效應(yīng)提高至24.31倍，但仍遠(yuǎn)低于2017年以前的較高水平。這反映出我國宏觀金融網(wǎng)絡(luò)的穩(wěn)健性在黨的十九大以后得到明顯增強(qiáng)。

2.住戶部門風(fēng)險(xiǎn)傳染總損失效應(yīng)最低，國外部門和企業(yè)部門最高

橫向比較各部門遭受沖擊后導(dǎo)致的風(fēng)險(xiǎn)傳染總損失效應(yīng)可知，住戶部門的風(fēng)險(xiǎn)傳染總損失效應(yīng)最低，平均為3.19倍，2008年最低僅1.47倍。之后隨著我國房?jī)r(jià)不斷上漲，住戶部門杠桿率逐漸提升，風(fēng)險(xiǎn)傳染總損失效應(yīng)也在波動(dòng)中逐漸提高，2017年達(dá)到最高水平至5.25倍。國外部門的風(fēng)險(xiǎn)傳染總損失效應(yīng)最高，平均達(dá)到6.96倍，可能的原因是國外部門主要通過企業(yè)部門及金融部門與國內(nèi)部門聯(lián)系，而這兩部門與國內(nèi)其他部門的聯(lián)系又較為密切，故來自國外部門的風(fēng)險(xiǎn)溢出效應(yīng)能夠較快地在國內(nèi)各部門間傳染，造成較大的風(fēng)險(xiǎn)傳染效應(yīng)，這一測(cè)算結(jié)果與宮曉琳（2012）的結(jié)論也較為接近。企業(yè)部門造成的風(fēng)險(xiǎn)傳染總損失效應(yīng)僅次于國外部門，平均水平達(dá)6.68倍，2018年之后，企業(yè)部門的資產(chǎn)金融化趨勢(shì)得到明顯遏制，故風(fēng)險(xiǎn)傳染總損失效應(yīng)明顯減弱。政府部門和金融部門造成的風(fēng)險(xiǎn)傳染總損失效應(yīng)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(wù)水平不斷提升，尤其是2016年以來，政府部門造成的風(fēng)險(xiǎn)傳染總損失效應(yīng)已接近企業(yè)部門，政府部門債務(wù)上升對(duì)金融網(wǎng)絡(luò)穩(wěn)健性的影響值得關(guān)注。

（四）系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)測(cè)算

理論分析指出，存在一個(gè)初始風(fēng)險(xiǎn)沖擊規(guī)模，使得經(jīng)過n輪部門間風(fēng)險(xiǎn)傳染后，部門的總資產(chǎn)損失至零。上文已經(jīng)計(jì)算出各部門遭遇1單位初始沖擊后的總損失效應(yīng)倍數(shù)，使用各部門實(shí)際資產(chǎn)除以該總損失效應(yīng)倍數(shù)，即可計(jì)算得出使得各部門總資產(chǎn)損失至零的初始沖擊規(guī)模，然后可得出各部門金融穩(wěn)定邊界值SFi。結(jié)合各部門Ω④，代入式（8），可計(jì)算得出系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)（SRIN）。計(jì)算結(jié)果如圖3所示。

為檢驗(yàn)本文系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)測(cè)度結(jié)果的合理性，選取現(xiàn)有研究常用的系統(tǒng)性金融風(fēng)險(xiǎn)衡量指標(biāo)M2/GDP（馬勇和陳雨露，2017），將其與本文測(cè)算結(jié)果進(jìn)行比較。從圖3中可以看出，M2/ GDP的增速在兩次高點(diǎn)均與SRIN指數(shù)高點(diǎn)較為吻合，反映出本文測(cè)算結(jié)果的合理性。從SRIN指數(shù)變化來看，2001年以來，我國在大部分時(shí)點(diǎn)系統(tǒng)性金融風(fēng)險(xiǎn)較低，2006—2010年處于第一階段相對(duì)高點(diǎn)，這與2007年美國次貸危機(jī)及其引發(fā)的全球金融危機(jī)的時(shí)點(diǎn)基本一致，且SRIN指數(shù)在2006年即有明顯上升趨勢(shì)，反映出基于資金流量表的系統(tǒng)性金融風(fēng)險(xiǎn)測(cè)度方法對(duì)防范化解系統(tǒng)性金融風(fēng)險(xiǎn)具有一定的前瞻性預(yù)警作用。2013—2016年，我國系統(tǒng)性金融風(fēng)險(xiǎn)再次上升至高點(diǎn)，這一時(shí)期我國地方政府債務(wù)融資規(guī)模明顯攀升，可能是系統(tǒng)性風(fēng)險(xiǎn)上升的主要誘因。同時(shí)，2020年新冠肺炎疫情期間，我國M2/GDP增速出現(xiàn)階段性上升，但系統(tǒng)性金融風(fēng)險(xiǎn)并未隨之攀升，可能反映出我國的金融網(wǎng)絡(luò)更加穩(wěn)健，風(fēng)險(xiǎn)抵御能力較前兩次債務(wù)上升期間進(jìn)一步增強(qiáng)⑤。

五、結(jié)論及政策建議

本文使用風(fēng)險(xiǎn)傳染網(wǎng)絡(luò)模型方法，測(cè)度了我國部門間的金融風(fēng)險(xiǎn)傳染效應(yīng)和系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)。研究發(fā)現(xiàn)：第一，金融部門承擔(dān)了部門間風(fēng)險(xiǎn)傳染的主要損失，即各部門遭受風(fēng)險(xiǎn)沖擊后，經(jīng)過部門間風(fēng)險(xiǎn)傳染，最終金融部門承擔(dān)主要損失。第二，從風(fēng)險(xiǎn)傳染總損失效應(yīng)的時(shí)序變化看，我國部門間風(fēng)險(xiǎn)傳染的總損失效應(yīng)在2018年以后明顯下降，說明宏觀金融網(wǎng)絡(luò)更加穩(wěn)健。第三，本文測(cè)算得出的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)與M2/GDP走勢(shì)在多個(gè)時(shí)點(diǎn)較為吻合，且具有一定先行趨勢(shì)，反映出該方法測(cè)算的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)具有一定合理性，值得進(jìn)一步推廣運(yùn)用。

基于以上結(jié)論，本文提出如下政策建議：

一是加強(qiáng)對(duì)金融部門的風(fēng)險(xiǎn)監(jiān)測(cè)與管理。金融部門是我國宏觀金融網(wǎng)絡(luò)中最主要的風(fēng)險(xiǎn)承擔(dān)者，要進(jìn)一步加強(qiáng)對(duì)金融部門的風(fēng)險(xiǎn)監(jiān)測(cè)，尤其是加強(qiáng)各部門與金融部門間資金流動(dòng)頻繁、規(guī)模較大等異常情形的監(jiān)測(cè)，綜合使用各類風(fēng)險(xiǎn)緩釋工具，及時(shí)補(bǔ)充金融機(jī)構(gòu)核心資本，增強(qiáng)其風(fēng)險(xiǎn)抵御能力。

二是加強(qiáng)對(duì)政府部門和國外部門的風(fēng)險(xiǎn)監(jiān)測(cè)。從風(fēng)險(xiǎn)傳染總損失效應(yīng)看，國外部門遭受風(fēng)險(xiǎn)沖擊帶來的總損失效應(yīng)最高，應(yīng)充分關(guān)注各類外部沖擊對(duì)我國金融風(fēng)險(xiǎn)的外溢效應(yīng)，并及時(shí)適度運(yùn)用結(jié)構(gòu)性貨幣政策工具進(jìn)行逆周期調(diào)節(jié)；政府部門遭受風(fēng)險(xiǎn)沖擊帶來的總損失效應(yīng)近年上升最快，應(yīng)通過債務(wù)償還、展期、重組等方式化解存量債務(wù)，遏制增量債務(wù)，通過時(shí)間換空間等方式逐步緩釋債務(wù)風(fēng)險(xiǎn)。

三是進(jìn)一步完善宏觀審慎政策框架。進(jìn)一步強(qiáng)化系統(tǒng)性金融風(fēng)險(xiǎn)監(jiān)測(cè)、評(píng)估和預(yù)警，監(jiān)管部門應(yīng)發(fā)布更加詳細(xì)、頻度更高、體現(xiàn)部門間金融交易的資金流量數(shù)據(jù)⑥，探索使用基于資金流量表數(shù)據(jù)的方法來監(jiān)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)。同時(shí)，逐步擴(kuò)大宏觀審慎管理覆蓋領(lǐng)域，更好地防范金融體系的順周期波動(dòng)和風(fēng)險(xiǎn)的跨市場(chǎng)、跨部門傳染。

注釋：

① 嚴(yán)格來講，資產(chǎn)與負(fù)債是存量概念，表示某一時(shí)期末的資金運(yùn)用和資金來源結(jié)果；而資金流量表為某一時(shí)期內(nèi)的資金運(yùn)用和資金來源，是流量概念。但二者本質(zhì)均為資金運(yùn)用與來源，為便于讀者理解與行文，在流量表中借鑒資產(chǎn)與負(fù)債概念，分別對(duì)應(yīng)資金運(yùn)用和來源。

② 從經(jīng)濟(jì)實(shí)際出發(fā)，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(fù)向沖擊，如貨幣政策緊縮、美聯(lián)儲(chǔ)加息或突發(fā)公共衛(wèi)生事件等。本文認(rèn)為，就理論上而言，五部門面臨正向沖擊和負(fù)向沖擊的概率是相同的，且沖擊規(guī)模越大，其發(fā)生的概率越低，而這一變動(dòng)特征較為符合正態(tài)分布，故本文假設(shè)五部門沖擊的概率密度函數(shù)服從正態(tài)分布。

③ 該倍數(shù)是五部門同時(shí)遭受1單位初始沖擊后導(dǎo)致的總風(fēng)險(xiǎn)損失效應(yīng)之和，屬于極端情況。此處主要在于分析五部門資產(chǎn)負(fù)債關(guān)聯(lián)網(wǎng)絡(luò)的整體穩(wěn)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(shù)據(jù)，故2001—2007年國債收益率波動(dòng)以2008—2020年波動(dòng)平均值代替。

⑤ 由于用以測(cè)算系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)的基礎(chǔ)數(shù)據(jù)是WTW矩陣，而這部分?jǐn)?shù)據(jù)為推算得出，可能影響指數(shù)測(cè)算結(jié)果。

⑥ 目前中國人民銀行官網(wǎng)公布的是“部門×交易項(xiàng)目”形式的資金流量表，但本文測(cè)算系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)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(chǔ)上推算得到的，這可能使得測(cè)算的系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)與實(shí)際情況存在一定差異，故本文建議監(jiān)管部門發(fā)布更加詳細(xì)的資金流量數(shù)據(jù)。

參考文獻(xiàn)：

[1] 劉曉欣，熊麗.資金流量存量核算與金融風(fēng)險(xiǎn)的文獻(xiàn)綜述-基于虛擬經(jīng)濟(jì)的視角[J].政治經(jīng)濟(jì)學(xué)評(píng)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(tǒng)計(jì)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(tǒng)計(jì)研究，2009（12）：3-10.

[7] 馬克衛(wèi)，李寶瑜.SAM乘數(shù)效應(yīng)鏈接模型設(shè)計(jì)與應(yīng)用研究[J].數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究，2015（09）：135-148.

[8] 石田定夫.日本經(jīng)濟(jì)の資金循環(huán)[N].東洋經(jīng)濟(jì)新報(bào)社，1993.

[9] 王濤.國際資金流量表的編制與模型應(yīng)用研究[D].太原：山西財(cái)經(jīng)大學(xué)，2015.

[10] 張南.國際資金循環(huán)統(tǒng)計(jì)的研究與實(shí)踐—與李文商榷[J].統(tǒng)計(jì)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(tǒng)計(jì)研究，2017（04）：26-35.

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

[13]肖文，周明海.勞動(dòng)收入份額變動(dòng)的結(jié)構(gòu)因素—收入法GDP和資金流量表的比較分析[J].當(dāng)代經(jīng)濟(jì)科學(xué)，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(cái)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(xué)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(fèi)的影響—基于七部門資金流量表的測(cè)算與分析[J].中國人口科學(xué)，2020（06）：16-28.

[17]易綱.再論中國金融資產(chǎn)結(jié)構(gòu)及政策含義[J].經(jīng)濟(jì)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(jīng)濟(jì)學(xué)的存量流量一致性模型研究[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2013（12）：15-23.

[21]張?jiān)?，李寶偉，苗春，?后凱恩斯存量流量一致模型原理與方法—兼與動(dòng)態(tài)隨機(jī)一般均衡模型的比較研究[J].政治經(jīng)濟(jì)學(xué)評(píng)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(wǎng)絡(luò)抗毀性研究——基于資產(chǎn)價(jià)格波動(dòng)沖擊[J].財(cái)貿(mào)經(jīng)濟(jì)，2015（09）：46-60.

[23]王博，宋玉鋒.氣候變化的轉(zhuǎn)型風(fēng)險(xiǎn)對(duì)宏觀經(jīng)濟(jì)和金融穩(wěn)定的影響——基于存量流量一致性模型視角[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2020（11）：84-99.

[24]胡秋陽.投入產(chǎn)出式資金流量表和資金關(guān)聯(lián)模型[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2010（03）：133-146.

[25]張?jiān)?，程遠(yuǎn)，胡秋陽.政府債務(wù)違約對(duì)中國宏觀資金流轉(zhuǎn)的數(shù)量影響分析——基于投入產(chǎn)出式宏觀資金流量方法[J].財(cái)貿(mào)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(yè)，荊中博.影子銀行系統(tǒng)性風(fēng)險(xiǎn)度量研究——基于中國信托公司逐筆業(yè)務(wù)的數(shù)據(jù)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(jīng)濟(jì)部門間傳染機(jī)制[J]. 經(jīng)濟(jì)研究，2010（07）：79-90.

[31]張南.矩陣式資金流量表與風(fēng)險(xiǎn)波及測(cè)算[J].統(tǒng)計(jì)研究，2013（06）：67-77.

[32]劉曉欣，張藝鵬.中國經(jīng)濟(jì)“脫實(shí)向虛”傾向的理論與實(shí)證研究——基于虛擬經(jīng)濟(jì)與實(shí)體經(jīng)濟(jì)產(chǎn)業(yè)關(guān)聯(lián)的視角[J]. 上海經(jīng)濟(jì)研究，2019（02）：33-45.

[33] 高慧穎，田龍鵬，周潮. 金融穩(wěn)定邊界與系統(tǒng)性金融風(fēng)險(xiǎn)指數(shù)測(cè)度研究[J].金融監(jiān)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(wǎng)絡(luò)與風(fēng)險(xiǎn)：基于國家資產(chǎn)負(fù)債表數(shù)據(jù)的分析[J].世界經(jīng)濟(jì)，2020（12）：27-49.

[37]方意，和文佳，荊中博.中國實(shí)體經(jīng)濟(jì)與金融市場(chǎng)的風(fēng)險(xiǎn)溢出研究[J]. 世界經(jīng)濟(jì)，2021（08）：3-26.

[38]宮曉琳.未定權(quán)益分析方法與中國宏觀金融風(fēng)險(xiǎn)的測(cè)度分析[J].經(jīng)濟(jì)研究，2012（03）：76-87.

[39]馬勇，陳雨露.金融杠桿、杠桿波動(dòng)與經(jīng)濟(jì)增長(zhǎng)[J]. 經(jīng)濟(jì)研究，2017（06）：31-45.

（責(zé)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