經濟政策不確定性與系統性金融風險溢出
——基于關聯網絡視角

□ 張貝貝 謝雪梅 周 茜

（1.北京郵電大學 經濟管理學院，北京 100876；2.浙江農林大學 暨陽學院，浙江 紹興 311800）

一、引言與文獻綜述

近年來，歐洲債務危機、中美貿易摩擦、COVID-19 疫情等各種“黑天鵝”事件與“灰犀?！币蛩丶觿×巳蚪洕鹑隗w系的不確定性（Uncertainty）及其蘊含的系統性風險（Systemic Risk）。不斷攀升的不確定性已成為“人類命運共同體”共同面臨的挑戰與難題。在嚴峻復雜的內外部形勢下，一方面，需要出臺靈活多樣的政策組合來應對諸多不確定性事件沖擊；另一方面，頻繁的政策調整也進一步推高了經濟政策不確定性（Economic Policy Uncertainty，EPU），并由此對我國經濟金融體系產生明顯的外溢沖擊效應[1-5]。因此，在當前中國經濟下行壓力增大、世界經濟增長不確定性較高的特殊時期，重新審視系統性金融風險沖擊來源、考察和檢驗EPU 沖擊對中國金融體系的溢出效應和傳導機制具有重要的理論價值和現實意義。

風險的溢出和傳染效應是系統性金融風險爆發的核心所在。隨著現代數據分析技術的日臻完善，網絡拓撲成為解碼復雜系統空間關聯性結構的重要工具，為考察系統性金融風險及其傳染效應提供了新的研究視角。苗文龍等[6]基于24 個國家/ 地區銀行部門的跨境信貸債權債務數據，研究全球跨境信貸網絡結構變動及其對系統性金融風險傳染的影響。Paltalidis 等[7]采用最大熵方法構建動態金融網絡，使無資產負債關聯的跨部門風險傳染研究成為可能。Billio 等[8]將風險格蘭杰因果關系研究擴展到網絡化體系，將風險溢出網絡的構建從無向推向有向，但該方法仍局限于孤立環境中兩兩變量間的關聯性考察。隨著現代計量技術的拓展和延伸，通過將向量自回歸模型的方差分解技術映射到網絡拓撲結構中，考察風險網絡中的系統關聯性并測度系統性風險的傳染效應，正逐漸成為這一領域中的代表性方法[9-10]。中國作為典型的銀行主導型金融結構，相關實證研究聚焦于銀行等金融機構個體層面的網絡特征及系統性風險貢獻。如宮曉莉等[11]構建了我國上市金融機構信息溢出網絡，發現金融網絡特征向量中心性是系統性風險外溢因子的重要驅動因素。

現有金融風險溢出網絡研究多集中在銀行等金融機構之間，而當前金融體系面臨的動蕩源和潛在風險點日益增多，如何構建能夠直接反映金融體系內部風險壓力承接與轉移的跨部門風險溢出網絡，并進一步基于外部沖擊視角探究EPU 在其間的作用機制具有重要價值。研究創新之處在于：第一，基于復雜系統科學視角，將金融市場多維度、多層次潛在風險源納入風險監測，并基于因子分析法構建金融部門各維度風險壓力指數。第二，綜合采用溢出指數法和復雜網絡分析技術構建有向加權網絡模型，捕捉EPU 與各部門維度風險變量間的關聯動態和傳導機制。風險溢出效應的識別與測度具有網絡化特征，不僅可以考察EPU 對不同部門維度的外溢沖擊影響，而且可以將金融體系內部風險壓力承接與轉移的交互影響動態納入分析范疇。

二、研究設計

（一）中國系統性金融風險測度指標體系重構

系統性金融風險與宏微觀經濟基本面的沖擊無法分割，資金鏈條的各個環節均有可能是風險的觸媒，各環節各部門風險均需要科學地量化。本文參考并拓展已有系統性金融風險測度指標體系[12-15]，綜合考慮不同維度的風險因子，并結合數據的長度和可獲取性，最終從宏觀經濟、金融機構、股票市場、債券市場、貨幣市場、外匯市場、房地產市場等七個部門維度提取35 個變量信息集，如下表1 所示。特別地，將EPU 作為系統性金融風險監測的一個重要維度，在識別金融體系內部子系統風險壓力的基礎上，進一步解析EPU 在其間的作用機制，以全面反映政策調控實踐、實體經濟運行和金融市場狀況等各方面的主要特征。

表1 中國系統性金融風險測度指標體系構建

為統一風險測度口徑，消除數據量綱的非對稱影響，對風險測度指標進行正向化和標準化處理1篇幅所限，金融部門各維度風險壓力指數構建過程與測算結果未予以列示，結果備索。。在此基礎上，使用因子分析法進行金融壓力測試[16]，以測算各維度風險指數。具體步驟如下：（1）基于公因子對應特征值大于1 的準則，初步提取公因子數量；（2）若特征值大于1的公因子累積方差貢獻率小于80%，則擴充公因子數量至累積方差貢獻率大于80%，以涵蓋原始變量大部分信息；（3）以各公因子方差貢獻率作為風險指數權重序列，并與對應公因子得分乘積即可得到各維度風險壓力指數。

（二）EPU 沖擊下系統性金融風險跨部門溢出網絡模型構建

研究采用Diebold 等[10]提出的DYCI 溢出指數法作為構建EPU 沖擊下系統性金融風險跨部門網絡溢出效應的模型框架，刻畫金融體系內部風險壓力承接與轉移的關聯動態，并量化EPU 在其間的作用機制。

針對EPU 與七個維度的風險測度指數FSIi，建立p階滯后的VAR 模型，如下式（1）：

其 中，FSIt=(EPU t,FSI1,t,FSI2,t,… ,FSIN,t)',t= 1, 2, …,T，是N維列向量且均為協方差平穩過程；Φi是待估計的N×N系數矩陣；εt～(0, ∑ )，是各分量獨立同分布的N維擾動列向量，∑為協方差矩陣。為了后面方差分解的需要，將協方差平穩的VAR 模型轉化為移動平均形式，表示如下式（2）：

則，移動平均式的系數矩陣iA服從如下的遞歸過程，如下式（3）所示：

其中，A0為N階單位矩陣，且當i＜ 0時，Ai= 0。運用方差分解方法，可以將系統中N個內生變量在H步的預測誤差方差分解為各變量沖擊對整個系統產生影響的百分比。不同于Cholesky 方差分解，廣義預測誤差方差分解法（generalized forecast error variance decomposition，GFEVD）獨立于變量排序，在考察方向性風險溢出效應時具有穩健性。在GFEVD 框架下，可計算兩兩變量間的方差貢獻，如下式（4）：

其中，∑為擾動向量 εt的協方差矩陣；為第i個變量預測誤差的標準差，即協方差矩陣∑對角線上的元素；ie是第i個元素為1，其余元素為0 的單位選擇向量；hA是VAR 模型的無窮項移動平均形式滯后H階的沖擊向量系數矩陣。在GFEVD 框架下，由于變量之間不是彼此正交的，其對預測誤差的總貢獻度之和不一定為1。為了更好地分析傳染效應，采用行加總的方法對其進行歸一化處理，如式（5）：

首先，測算成對溢出指數。即兩兩變量間的風險溢出效應，表示為下式（6）：

其次，測算凈成對溢出指數。該指數綜合考慮了節點間的風險傳導與反饋效應，用表示。

再次，測算方向性溢出指數。即節點i對整個系統風險輸出效應(TO)和風險輸入效應(FROM)。

最后，測算風險凈溢出指數。即節點i在系統網絡中的有向凈關聯程度。用(NET)表示。

三、研究結果與分析

（一）EPU 沖擊下各維度風險變量交互溢出效應的典型事實與檢驗

為了考察和檢驗EPU 與金融部門各維度風險變量間的交互溢出效應與傳導機制，本文綜合采用上述模型構建方法從不同層次和角度展開實證檢驗與系統分析。其中，VAR 模型的最優滯后期數為p=1，預測期數選用H=4月。表2 列示了全樣本期間EPU 沖擊下系統性金融風險跨部門網絡傳染關聯度矩陣。

表2 EPU 沖擊下系統性金融風險跨部門網絡傳染關聯度矩陣

觀察表2 可以發現：從方向性溢出指數來看，EPU 與各部門維度風險變量間的交互溢出效應呈現非對稱性。其中，股票市場維度風險溢出效應（27.833%）和風險溢入效應（22.892%）均位居第一，是系統性金融風險跨部門網絡傳染的主要渠道。外匯市場作為一國經濟的重要組成部分，其風險變動直接影響著國家進出口結構，從而影響國際收支平衡以及國內實體經濟發展。尤其是在全球資本項目自由化程度提高和匯率制度改革的背景下，外匯市場與其他部門的風險聯動性增強，其風險溢出效應（21.282%）和風險溢入效應（22.464%）僅次于股票市場并位居較高水平，這為阻斷系統性金融風險跨部門網絡傳染提供了新的切入點。從成對溢出指數來看，股票市場維度對金融機構維度的風險溢出效應（14.678%）最強，外匯市場對宏觀經濟維度的風險溢出效應（13.253%）次之。特別地，對比EPU 與各部門維度風險變量的溢出效應可知，EPU 對宏觀經濟和外匯市場維度的負向沖擊效應最大，溢出強度分別為4.346%和4.352%，且EPU 的風險溢出效應整體高于風險溢入效應，并在系統網絡中表現為凈溢出效應，凈溢出指數高達8.707%。

進一步地，為了對比分析EPU 在系統性金融風險跨部門網絡傳染中的作用機制，本文在統一框架下測算了不包含EPU 影響的跨部門風險傳染關聯度矩陣（表3）。對比表2 可以發現，EPU 的沖擊改變了系統性風險跨部門網絡傳染的方向和強度。其中，在不考慮EPU 沖擊時，股票市場和外匯市場的風險溢出強度仍位居前2。但是，股票市場的風險溢出指數由27.833% 降為24.684%，下降幅度為3.149%，而股票市場對EPU 的溢出效應為2.240%。這說明EPU 與金融部門各維度風險變量間存在關聯網絡，且EPU 的沖擊加劇了系統性金融風險的網絡傳染效應。同時，EPU 的沖擊增加了貨幣市場和外匯市場的脆弱性（風險凈溢出效應由負轉正），并使得股票市場和債券市場的風險凈溢出效應明顯增加。值得注意的是，盡管EPU 在系統網絡中能夠吸收一部分來自其他部門溢出的風險，但因其與經濟金融部門的緊密聯系，其對各部門維度的風險溢出強度也較大，最終使得EPU 引起金融網絡內的總體風險水平小幅上升。此外，在不考慮EPU 沖擊時，各部門自身的滯后效應均有小幅增加。究其原因，在經濟環境不確定時，監管當局會及時地出臺政策調整公眾對未來經濟的預期，從而加速了系統性金融風險的跨部門網絡傳染效應。

表3 系統性金融風險跨部門網絡傳染關聯度矩陣

（二）EPU 與系統性金融風險跨部門交互溢出網絡

為了更直觀地反映EPU 與金融部門各維度風險壓力承接與轉移的交互影響動態，研究繪制了2007-2009 年全球金融危機、2017-2019 年中美貿易摩擦、2020-2022年“COVID-19 疫情”以及整個樣本期間的有向加權網絡，如圖1(a)～(d) 所示，并給出了不同樣本下溢出網絡的結構特征（表4）。其中，EPU 與各維度風險變量為網絡節點，EPU 與各維度風險變量間的凈溢出效應為網絡連邊。網絡節點大小代表風險溢出水平，連邊粗細和箭頭大小代表風險溢出強度，箭頭方向代表風險凈溢出方向。

圖1 不同樣本下EPU 與金融部門各維度風險變量間的交互溢出網絡

表4 不同樣本下EPU 與金融部門各維度風險變量間的網絡特征

觀察圖1 可以發現，不同樣本時期下EPU 與金融部門各維度風險變量間均存在著關聯網絡，尤其是重大風險事件期間，EPU 的網絡關聯性明顯增強，節點之間的連接更為緊密，網絡結構呈現更高的完備度。全樣本期間，股票市場、外匯市場和EPU 是系統網絡中的重要風險輸出節點，且股票市場對金融機構存在長期的風險凈溢出效應。全球金融危機期間，風險溢出網絡中各個節點之間的連邊均較為明顯，系統性金融風險跨部門交叉網絡傳染效應明顯增強。期間，房地產市場、股票市場和外匯市場在此期間表現出極強的風險凈溢出效應。2018 年前后，中美貿易摩擦致使國際貿易條件惡化，期間EPU 指數攀升，外匯市場維度風險壓力升級，加劇了系統網絡的風險傳染效應。區別于金融危機與貿易摩擦，“COVID-19疫情”等公共衛生事件沖擊首先對實體經濟和國際貿易產生影響，進而將風險傳導至金融市場。值得注意的是，貨幣市場在全樣本期間和金融危機期間表現出較弱的風險關聯性，而在近年來的貿易摩擦和疫情風險事件沖擊下，貨幣市場的網絡關聯性顯著增強，主要承擔系統網絡的風險溢出效應，成為系統脆弱性的重要來源。

同時，觀察表4 進一步發現，危機期間溢出網絡的平均加權度均遠超過全樣本時期的平均加權度，平均最短路徑長度均明顯低于全樣本期間的平均最短路徑長度，說明危機期間的網絡結構具有更高的完備度，節點之間的連接更為緊密，外部沖擊易引發風險的網絡傳播。尤其是“COVID-19 疫情”期間，網絡的平均最短路徑長度（1.21）顯著低于其他時期，平均加權度（17.65）僅次于金融危機時期。因此，監管部門應特別關注當前外部環境不確定沖擊下的跨部門風險共振而觸發系統性金融風險的可能性。

（三）EPU 與系統性金融風險跨部門網絡溢出效應動態演化

為了更加直觀地反映和刻畫EPU 沖擊下各部門維度風險變量間交互溢出效應的演變趨勢與波動特征，本文采用滾動時間窗口技術提取EPU 在系統網絡中的動態溢出指數。綜合考慮樣本容量與溢出指數的平滑性，設置滾動樣本窗口期為Ws=36 個月。具體而言，在186 個月度樣本區間內，選取36 個樣本作為一個窗口，每次向前移動一步，計算下一個窗口，最終得到150 個數據窗口，每個窗口得到一個溢出指數。

圖2 列示了EPU 與金融部門各維度風險輸入輸出效應的動態演化結果。在整個樣本區間內，EPU 與各部門維度的風險輸入、輸出效應呈現差異性和多變性特征，且風險輸出效應呈現較大幅度的波動狀態，而風險輸入效應則相對平穩。其中，EPU 和房地產市場的風險輸出效應明顯大于風險輸入效應，在系統網絡中主要承擔風險輸出功能，是系統脆弱性的重要來源。股票市場風險輸入與風險輸出水平相當（個別時點除外），說明股票市場不僅易影響其他部門而且易受到其他部門影響。特別地，受2020 年“COVID-19 疫情”影響，中國經濟發展面臨較大的不確定性，期間EPU、宏觀經濟和金融機構在系統網絡中的風險溢出效應出現極端值?，F階段，宏觀經濟、房地產市場和外匯市場維度的潛在風險溢出水平較高。

圖3 給出了EPU 對各部門維度風險變量的凈成對溢出效應動態演化結果。整體來看，EPU 在系統網絡中的波動溢出效應具有顯著的時變特征。EPU 對各維度風險變量的溢出效應大于反方向的溢出效應，尤其在歷次重大風險事件期間，EPU 的波動溢出效應顯著增強，導致EPU 所引起的金融風險廣泛傳播。具體而言，EPU 對外匯市場維度的風險凈溢出效應最為顯著，尤其在2009 年末、2012 年中期、2017 年末和2020 年初期間達到局部最大值，說明我國外匯市場極易受到EPU 的外溢沖擊，而外匯市場對EPU 的負向影響則相對有限。EPU 對金融機構和房地產市場維度的風險凈溢出效應呈現正負交替的階段性周期波動特征，風險凈溢出效應的結束往往伴隨著風險的凈溢入效應。與此同時，EPU 對宏觀經濟、股票市場、債券市場和貨幣市場維度的風險凈溢出效應在樣本區間內大多數時點均為正值，尤其是在2020 年爆發的“COVID-19 疫情”風險事件期間，EPU 對股票市場和貨幣市場的負向沖擊效應達到歷史最大值。

圖3 EPU 對金融部門各維度風險變量的凈成對網絡溢出效應動態演化

四、結論與啟示

本文基于因子分析法測算了七個部門維度的風險壓力指數，研究構建了EPU 與各維度風險變量間的有向加權網絡，探討EPU 對系統性金融風險的波動溢出效應。主要研究結論包括以下幾點：

第一，基于各維度風險壓力指數構建的跨部門風險溢出網絡能夠直接反映金融體系內部風險壓力承接與轉移的關聯關系，且各部門風險溢出方向和強度均存在非對稱性。

第二，EPU 與金融部門各維度風險壓力變量間存在關聯網絡，EPU 沖擊加劇了系統性金融風險的網絡傳染效應，且EPU 在系統網絡中的波動溢出效應具有顯著的時變特征。

第三，危機期間，EPU 與風險跨部門溢出網絡結構呈現更高的完備性，網絡節點間的連接更為緊密?，F階段，監管部門要特別關注EPU、宏觀經濟和外匯市場維度在系統網絡中的風險傳染與反饋機制。

本文的研究結論具有以下政策啟示：首先，將EPU與宏觀經濟維度的風險溢出效應納入宏觀審慎風險防控指標。EPU 作為系統性金融風險跨部門網絡傳染的重要節點，監管部門應增加政策調整的彈性，提高政策調整的透明性、穩定性和持續性，并實時監測EPU 的動態變化及其在網絡中的溢出效應。其次，充分發揮政策的協同調控機制以對沖EPU 外溢沖擊影響。監管部門需要構建以貨幣政策、財政政策、產業政策等為基礎的政策協同調控機制，并合理引導公眾預期，降低EPU 的負向沖擊效應。最后，針對系統性金融風險的復雜性，監管部門應加強風險拐點的狀態識別，降低風險溢出的負外部性和潛在風險的維度。尤其是在發生重大風險事件時要及時識別風險源，防止部門間的風險共振觸發系統性金融風險。