金融不稳定的风险溢出效应研究

钟 意，刘家鹏

(中国计量大学 经济与管理学院，浙江 杭州 310018)

一、引言

2007年由美国次贷危机引发的全球性金融危机以及其后爆发的欧洲主权债务危机，不仅推动美国经济陷入严重经济衰退，同时也对全球金融系统造成巨大冲击[1]。次贷危机最初从美国蔓延到国际金融市场，迅速演变成实体部门问题[2]，导致很多国家国内工业产品、投资率以及GDP增长率都在急速下跌[3]。已有研究表明金融不稳定可以将金融风险传递到实体经济中，并且极端金融不稳定事件可能引起严重的金融危机和经济衰退[4]。基于此，当前学者和政策制定者关注金融不稳定如何对宏观经济活动产生影响，以及如何降低金融不稳定带来的经济后果[1]。

金融稳定长期被宏观经济模型所忽视，直到全球性金融危机爆发以后才得以改变[5]。由于遗漏金融稳定变量，在传统宏观经济模型中会降低对全球性金融危机资产损失的估计，对于分析金融危机带来的实际影响以及制定合适货币和财政刺激方案十分不利[6]。因此，识别和评估金融不稳定与实体经济活动之间的内在关联显得尤为重要。

尽管金融稳定的测度及其对对实体经济活动的影响在全球性金融危机爆发之后显得更加突出。但是金融稳定的定义依旧难以捉摸，国内外学者依旧没有给出普遍认可的定义。目前许多学者通过解释金融不稳定对金融稳定进行分析研究[7]。金融不稳定可以解释为金融市场正常运转的破坏，与金融资产基本价值的波动性以及其他投资者的非理性行为有关，可能带来金融参与者的巨额预期损失和高风险规避[8]。总体来说，金融不稳定是不可察觉的，但能反映在各种金融变量中。现实中，许多学者以及经济研究机构通过构建金融压力指数(Financial Stress Index，简称FSI)作为金融不稳定的代理变量，将金融市场变量组合成单一的统计数据，为金融体系的不稳定状况提供全面衡量标准。如果金融体系中的危机程度高于正常水平，通常被视为金融不稳定的迹象[9]。

本文探讨金融不稳定对宏观经济的真实影响，尤其是借鉴IMF经济学家构建的综合性金融压力指数，作为金融不稳定的代理变量，利用Diebold和Yilmaz设计的动态溢出指数研究金融不稳定对宏观经济变量的溢出效应[21]。通过分析金融不稳定对各主要宏观经济变量净定向溢出指数的时变结果，厘清金融不稳定是作为净溢出传递者还是净溢出接受者的作用？以上分析能够准确地刻画金融不稳定对宏观经济变量的真实影响关系。

二、文献综述

对金融稳定的监控已经成为各国中央银行日益重要的任务[6]，但是国内外学者至今没有对金融稳定给出准确定义，对于金融稳定的测度和评估依旧面临巨大挑战。自2007年美国次贷市场爆发之后，国内外涉及金融稳定的研究文献日益增多。许多学者构建金融压力指数(FSIs)或金融状况指数(FCIs)等一系列统计指标，试图衡量金融不稳定，运用多个经济或金融数据序列进行复杂统计测算[10]。

Illing和Liu通过主成分分析法构造金融压力指数，并对加拿大金融稳定状况进行评估[11]。FSI作为一种监测金融稳定和评估金融危机严重程度的工具，被许多央行、国际组织和经济研究机构广泛采用。例如克利夫兰、堪萨斯城和圣路易斯的联邦储备银行为美国经济构建了金融压力指数，分别是Oet等人构建的克利夫兰金融压力指数(CFSI)、Hakkio和Keeton构建的堪萨斯城金融压力指数(KCFSI)以及Kliesen和Smith构建的圣路易斯金融压力指数(STLFSI)[12-14]。此外，许多国际机构以及私人金融机构都曾为了构建金融不稳定的早期预警体系设计金融压力指标[6]。欧洲中央银行(ECB)则为了测度金融不稳定的当前状态，构建综合性的金融压力指数。尽管现有的金融压力指数在选定金融市场、数据频率和变量的汇总方法上有所不同，但提供了基本相同的金融压力衡量工具。

另外研究主要关注金融压力与实体经济活动之间的关系，最初研究集中在美国和欧洲，目前转移到新兴经济体。2008年金融危机的负面影响通过不同的渠道扩散到实体经济，进而影响经济增长、失业、通货膨胀、银行信贷和房地产价格[16]。同样，Silvestrini和Zaghini探讨了金融冲击对GDP、通胀、信贷和利率的影响，并将CISS作为衡量欧元区金融状况的指标[17]。研究结果表明，金融波动导致经济持续性恶化。

许多国内外学者利用双变量或者高维宏观金融VAR模型分析金融不稳定对于宏观经济活动的影响，将合成金融压力指数作为金融不稳定的代理变量，探究金融和宏观经济决定因素之间的重要传递机制[18]。Cevik等通过标准线性VAR方法分析了金融压力与实体经济之间的联系[1，13，19]，而Afonso等使用了门槛VAR模型研究金融压力的宏观经济影响[6]。Mallick等在结构VAR框架下研究了金融压力对宏观经济的影响[3]。同样，Dovern等通过全球VAR模型分析了金融压力的国际传导和全球商业周期效应[20]。此外，马尔科夫状态转换VAR模型已成为检验金融市场压力与经济实体部门之间联系的重要方法。大多数研究表明，在金融压力较大的时期，金融压力增加会显著减少经济活动[8-9]。

然而，由于许多经济和金融过程是时间跨度从几分钟到几年不等的多种因素相互作用的结果，因此，金融压力和经济活动之间的联系在不同时间尺度上可能存在显著地差异[8]。首先，与VAR分析相比，动态溢出指数可以更好地研究时间序列之间的动态相关性。其次，VAR模型只适用于平稳数据，往往需要对数据进行转换，从而导致实证结果存在偏差和不可靠。相比之下，动态溢出指数更为灵活，因为它可以应用于平稳和非平稳数据，完全保留了经济和金融时间系列的主要驱动力。最后，与VAR模型不同，动态溢出指数没有模型设定和参数估计要求的限制。

三、研究方法

(1)

(2)

(3)

总体波动性溢出指数测度其他所有变量的波动性溢出冲击对总体预测误差方差的贡献度。

用广义方差分解矩阵的标准化元素计算定向溢出。可以得到从所有其他市场j得到市场i的定向波动性溢出：

(4)

以类似的方式，测量了市场i传导到其他所有市场j得定向波动性溢出：

(5)

可以把定向溢出的集合看作是对来自(或对)某一特定来源的总溢出的一种分解。

最后，结合式(4)和式(5)，得到从市场i到其他所有市场j的净波动性溢出：

NSi(H)=DSi→j(H)-DSi←j(H)

(6)

净波动率溢出仅仅是总波动性冲击传递到所有其他市场与接收其他所有市场的总波动性冲击之间的差值。

四、实证分析

(一)变量选取和数据处理

1.变量选取

很多学者以及经济研究组织通过构建金融压力指数(Financial Stress Index，简称FSI)作为金融不稳定的代理变量。FSI将一组金融市场变量组合成单一的统计数据，为金融体系的不稳定状况提供全面的衡量标准。2009年，IMF提出了针对新兴市场国家的金融压力指数(EM-FSI)的构建方法，合成指数由5部分构成：

EM-FSI =银行业β系数-股票市场收益率+股票市场波动率+主权债务利差+外汇压力指数(EMPI)

首先在构建FSI过程中去掉主权债务利差指标，这是因为中国拥有世界上规模最大的外汇储备，外债结构也十分合理，因此主权债务风险很小。因此，构建指数主要包括四部分：其一，银行业压力。银行业部门β系数显示了银行业相对于其他经济部门的风险感知水平，而泰德利差(短期银行间同业拆借利率与短期国债利率之差)显示资金流动性松紧以及投资者风险偏好变化。利用3 月期银行同业拆借利率减去3月期国债的平均到期收益率计算泰德利差。但是中国国债市场规模小，发行期不连续，尚无3月期的短期国债，因此3月期国债的平均到期收益率可以参照3月期定期存款利率。其二，证券市场压力。使用负的股市收益率以及股市波动率衡量证券市场压力，表明由于去杠杆化的可能性以及对经济增长信心的恶化，不确定性和资产价值不断恶化可能会对证券市场产生一定影响。其三，外汇市场压力。使用外汇压力指数(EMPI)度量外汇市场压力，表明汇率波动会增加宏观经济波动性。其四，国际金融市场压力。伴随中国金融市场开放不断深入，中国金融市场与国际金融市场的联系日趋紧密，国际金融市场的波动对中国经济和金融市场的影响逐步加大。因此，在构建金融压力指数时加入可以反映国际金融市场的波动的指标——芝加哥商品交易所VIX 指数。中国金融压力指数和权重的具体构造模型：

FSI=weEMPI+wββ+wtedTED+wsrSR+

wsvSV+wvixVIX

(7)

其中，FSI表示金融压力指数；EMPI表示外汇市场压力指数；β为银行业部门的贝塔系数，反映银行业风险；TED表示泰德利差，反映银行业流动性状况；SR和SV分别表示股票市场收益率和股票价格波动率；VIX表示芝加哥商品交易所VIX 指数。we、wβ、wsr、wsv和wsv、wvix为各分指数对应的权重。

外汇市场压力指数的构造模型：

(8)

其中，Δe和ΔFER分别表示月度名义汇率变化率和月度外汇储备变化率，μ和σ分别表示均值和标准差。

最后，利用CRITIC赋值法确定各分指数对应的权重，依据一定的数学模型并综合参考原始数据的所有信息，用标准差来衡量指标对比强度，用指标间的相关系数评价指标冲突性，从而赋予指标权重参数[22-23]。变量的样本观测期为1996年1 月到2018年12月。通常一国金融压力指数越大，表示该国金融体系承受的风险压力越大。根据图1，发现中国金融压力指数在四个时间段迅速上涨：第一阶段，1997年7月至1998 年12 月，中国金融压力指数数次达到顶峰。由于正遭受亚洲金融危机的不利冲击，出口下滑，经济增长减速。第二阶段，2008年7月至2009年12月，中国金融压力一直处于上升态势，并在2008 年10 月底达到顶峰，但未达到亚洲金融危机时的剧烈程度。由于美国次贷危机的不利影响已经蔓延至中国，导致中国经济增长减速，内需不畅，股市大幅下跌。第三阶段，2010年初至2012年12月，中国金融压力指数持续上升。由于欧债危机爆发并且其不利影响开始蔓延。同时2008年“四万亿”投资的副作用开始显现，也推高了金融压力指数。第四阶段，2015年5月至2016年12月，中国金融压力指数重新达到顶点。2015年5月中国发生股灾，指数出现峰值，但是绝对水平相对较低。到了2016年，地方债问题继续发酵，资金流出加剧，外汇市场上的不确定性显著增加，经济不确定性引起了金融压力的再次上升到峰值。

图1 1996至2018年中国FSI演变情况图

2.数据处理

由于金融不稳定对宏观经济的影响是实时的，数据频率较高，数据量大，需要对其进行准确分析。结合中国宏观经济数据资源的现实情况以及考虑到数据的可获得性，选取了142个宏观经济变量，涵盖了产出、消费、股价、政府收支、投资、进出口、国内信贷、利率、汇率、价格指数、同业拆借利率、景气指数等宏观经济指标。由于“快行变量”是指金融不稳定变量以及会对金融不稳定冲击做出及时反应的经济变量，并且假定“快行变量”是可以被观测的。因此，本文将金融不稳定变量设置为“快行变量”，分析金融不稳定对宏观经济变量的真实影响。

变量的样本区间为1996年1月至2018年12月，对于实际产出类、实际消费和零售类和价格类的大部分变量，主要使用实际数量序列和基于同比和环比数据计算的定基比序列，对其中需要进行价格调整的序列，统一使用CPI的定基比序列进行价格调整。对需要进行季节调整的原始序列，本文采用X-12方法消除季节影响因素。所有的原始数据均来源于WIND数据库、RESSET数据库以及和讯网。

(二)实证结果与分析

1.Granger因果检验

首先利用公共因子扩展模型，对142个宏观时间序列进行摘取公共因子。假定一个(N×1)为宏观经济时间序列Xt能够被一个线性组合的(K×1)维不可观测因子Ft以及低维可观测因子Yt表示，例如Xt=ΛfFt+ΛyYt+εt。其中，Λf和Λy分别为N×K和N×1因子载荷矩阵，同时εt为随机误差项，服从均值为0且连续。表明向量Xt中每一个时间序列都可以由公共因子(Ft，Rt)驱动，并且εt也可能包含度量误差。假定Ft和Yt共同动态关系可以表示为：

当Φ(L)=I-Φ1L1-…-ΦdLd是d阶滞后多项式矩阵，误差项νt均值为0并且方差矩阵为Σν。对于一组相同特征的时间序列，首先主成分分析方法估计公共因子，并且通过估计出的结果去替代不可观测因子，利用这些估计出来的新序列分别和金融压力指数进行Granger-Causality检验。需要检验的参数模型如下：

m和n分别表示模型的最优滞后阶数，uit为白噪声序列。上述方程的系数显著性对应各宏观经济变量与FSI之间的Granger因果关系，给出原假设：

H0∶βji=0 (j，i=1，2，…，m)

如果原假设H0成立，则意味着金融压力变化对该宏观经济变量都没有解释或预测能力，此时认为金融压力变化对该宏观经济变量没有显著的Granger 影响。对主要宏观经济变量的Granger因果检验的结果如表1所示。

在上述Granger因果检验中，在小于10%的显著程度下，金融压力变化是导致IP(工业增加值)、出口(EX)、居民消费(CONS)、CPI、政策利率(IBOR7)变化的Granger因果原因。而金融压力变化与政府支出(GEP)、汇率(ER)以及固定资产投资(FAI)之间不存在Granger因果关系。尤其值得注意的是，金融压力与股价指数、出口以及政策利率之间互为Granger因果，而广义货币供给量(M2)变化是导致金融压力变化的Granger因果原因，反之则不成立。

表1 时间序列的Granger因果检验表

2.金融不稳定对宏观经济的总溢出效应

金融不稳定与各主要宏观经济变量之间的总波动性溢出效应都呈现在表2中。实证结果显示金融不稳定与各主要宏观经济变量之间的总溢出效应相对较小，各自的平均总溢出指数都小于10%，但是金融不稳定对股价指数的平均总溢出指数除外(达到13.7%)。总体来看，金融不稳定对各个宏观经济变量均产生明显的溢出效应，但是溢出程度各不相同，金融不稳定对固定资产投资(CONS)、广义货币供给量(M2)以及政府支出(GEP)的总溢出效应相对较小，其各自的平均总溢出指数均小于1%。相对而言，金融不稳定对工业增加值(IP)、货币政策利率(IBOR7)以及CPI的总溢出效应相对较大(均超过3.5%)。

表2 总溢出效应表

使用滚动窗口分析估计本文模型，以获得金融不稳定与各主要宏观经济变量之间的波动性溢出指数的时变估计。这种方法能够评估变量之间波动性溢出效应的演变过程，运用12个月滚动窗口样本估计变量间的波动性溢出效应。图2给出了金融不稳定与各主要宏观经济变量之间总溢出指数的时变结果。整体而言，金融不稳定与各主要宏观经济变量之间总溢出指数多在0至30%这一区间内波动。但是金融不稳定对中国工业增加值(IP)、股价指数(SPI)以及政策利率(IBOR7)的波动性溢出的波动幅度相对较高，其峰值均超过40%。图2的结果显示：亚洲金融危机、美国次贷危机以及2015年中期中国“股灾”期间，金融不稳定与各主要宏观经济变量之间的总波动性溢出效应都较为明显，多出现在总溢出指数高涨时期，并且总溢出指数多在10%至30%区间内波动。其中，金融不稳定对中国股市(SPI)的溢出影响较大，尤其出现在美国次贷危机以及中国“股灾”期间，这两个时期总溢出指数在25%至40%区间内波动。在次贷危机时期，中国上证综指从6 124点一路狂跌，到了2008年11月初，仅为1 707点，从本轮行情最高点下跌超过70%，创下当时全球股市最深跌幅。金融不稳定对工业增加值(IP)以及货币政策利率(IBOR7)的溢出影响也十分显著。在亚洲金融危机、次贷危机时期以及2015年中期中国“股灾”期间，其总溢出指数均到达峰值。这是因为在经济金融动荡时期，经济增长减速，内需不畅。而政府为了抑制宏观经济下滑往往会运用“逆风向行事”的经济政策干预宏观经济，货币政策利率作为重要工具调控宏观经济，熨平经济波动。但是也有例外，在亚洲金融危机以及次贷危机期间，金融不稳定对中国财政收支状况(GEP)的波动性溢出影响较小，可以解释为一国的财政收支状况都由年初预算决定，金融危机的深化并不能较大改变国家财政收支状况。

图2 总溢出指数图

3.净溢出传递者和接受者

图3显示金融不稳定与各主要宏观经济变量之间定向溢出指数的时变结果(可以对应表1中“对其他变量的贡献度”)。可以从两个方面描述定向溢出效应，即金融不稳定对各主要宏观经济变量的定向溢出和单一宏观经济变量对金融不稳定的定向溢出。图3左边显示金融不稳定对单一宏观经济变量的定向波动性溢出；而图3右边则显示单一宏观经济变量对金融不稳定的定向波动性溢出，估计12个月滚动窗口的非对角列和与行和。基于图3可以发现，定向波动性溢出会随着时间的推移变化很大，并且金融不稳定与单一宏观经济变量的定向波动性溢出存在显著的双向性和非对称性。金融不稳定对各主要宏观经济变量的定向溢出多集中在0至30%区间内波动，但是金融不稳定对股价指数(SPI)、政策利率(IBOR7)以及汇率(ER)的定向溢出峰值多超过30%，最高达到75%。同理，单一宏观经济变量对金融不稳定的定向溢出也多集中在0至30%区间内波动，但是CPI、股价指数(SPI)以及政策利率(IBOR7)对金融不稳定的定向溢出峰值也超过30%，但是高出30%的时间区间较短。值得注意的是，金融不稳定对股价指数(SPI)和政策利率(IBOR7)的定向溢出以及股价指数(SPI)和政策利率(IBOR7)对金融不稳定的定向溢出数值都很高，验证了金融压力与股价指数以及政策利率之间互为格兰杰因果的原因。相对而言，金融不稳定与单一宏观经济变量的定向波动性溢出指数波动较大，尤其出现在金融压力较高的三个时期。比如在次贷危机期间，金融不稳定与单一宏观经济变量的定向波动性溢出指数均超过20%，最高可达60%。

图3 定向溢出指数图

图4显示金融不稳定对各主要宏观经济变量净定向溢出指数的时变结果。净定向溢出指数是推断金融不稳定变量作为净溢出传递者还是净溢出接受者的关键。当净定向溢出指数为正值，金融不稳定就能被认为是净溢出传递者；反之，则为净溢出接受者。

图4表明在金融压力较高的时期，金融不稳定往往扮演净溢出传递者的角色。在亚洲金融危机时期，金融不稳定对各主要宏观经济变量净定向溢出指数多为正值，说明在亚洲金融危机时期各主要宏观经济变量受到金融不稳定的影响较为明显，尤其金融不稳定对工业增加值和汇率的溢出较为显著，其净定向溢出指数均超过30%。但是也有例外，对于股价指数(SPI)和政策利率(IBOR7)而言，金融不稳定在亚洲金融危机时期被视为净溢出接受者。这可能是因为这一时期中国实行比较谨慎的金融政策以及前几年采取了一系列防范金融风险的措施。此外，这一时期为了扩大国内需求、提高国内投资和消费、缓解就业压力以及遏止物价水平的下降，央行执行货币政策极为频繁，因此货币政策利率对抑制金融不稳定作用较大。

图4 净定向溢出指数图

次贷危机时期金融不稳定主要被视为净溢出传递者，它的变化对各主要宏观经济变量产生显著的溢出效应。相对而言，金融不稳定对工业增加值、国内消费、出口以及政策利率的溢出较为显著，其净定向溢出指数的峰值均超过20%。由于这一时期受国际金融形势影响，企业利润增速回落，工业产出也增长缓慢，国内内需不振。此外，次贷危机扩散导致国外需求急剧萎缩，进出口贸易加速下滑，净出口对经济增长的贡献率大幅下降。最后，金融不稳定对政策利率产生较为显著地溢出，显然金融不稳定会引起央行进行货币政策操作以干预宏观经济。结合亚洲金融危机时期政策利率对金融不稳定产生显著地溢出，进一步证实了金融压力与政策利率之间互为格兰杰因果的结论。最后，在2015年股灾期间，金融不稳定仅仅作为股价指数和CPI的净溢出传递者，对于其他宏观经济变量则是扮演净溢出接受者的角色。这一时期金融不稳定仅对股市和社会物价产生显著地溢出，中国股市从最高点5 178点迅速跌至最低点3 373点，18天时间下跌了1 805点。此外，金融风险的上升以及经济进入“新常态”会加大人们对宏观经济不确定的担忧，从而抑制经济增长和物价水平的上升，2015年中国CPI整体呈现下降趋势。

五、结论

本文使用IMF经济学家构建的综合性金融压力指数作为金融不稳定的代理变量，利用Diebold 和Yilmaz构造的动态溢出指数研究金融不稳定对主要宏观经济变量的溢出效应，通过分析金融不稳定对各主要宏观经济变量净定向溢出指数的时变结果，厘清金融不稳定是作为净溢出传递者还是净溢出接受者的角色。

动态溢出指数显示金融不稳定对各个宏观经济变量均产生明显的溢出效应，但是溢出程度各不相同，金融不稳定对固定资产投资、广义货币供给量以及政府支出的总溢出效应相对较小。相对而言，金融不稳定对工业增加值(IP)、货币政策利率(IBOR7)以及CPI的总溢出效应相对较大。定向波动性溢出指数表明，会随着时间的推移，金融不稳定与单一宏观经济变量的定向波动性溢出存在显著地双向性和非对称性。此外，伴随中国经济开放程度的加深，金融不稳定冲击明显扮演净溢出传递者的角色，而非净溢出接受者，这一结果在美国次贷危机时期表现得最为明显。整体而言，在经济动荡时期，金融不稳定对工业增加值、国内消费、股价以及政策利率的溢出较为显著，明确了金融不稳定对不同经济金融变量之间的内在溢出机制。

上述结论对于中国制定和实施宏观经济政策具有重要的启示意义。首先，金融不稳定与各宏观经济变量之间存在十分密切的关联。政府通过了解不同经济金融变量之间的内在溢出机制为宏观经济管理提供决策支撑。其次，政府和金融当局需构建反映金融系统整体压力的综合性指数，对金融系统的运营和风险状况进行及时监控。根据金融压力高低状态的识别结果设置风险预警值，对金融系统中存在的风险进行早期识别，有效减少金融危机发生概率，保证宏观经济目标顺利实现。最后，中国宏观经济政策框架需更多考虑金融稳定目标。伴随中国经济进一步开放，金融不稳定冲击扮演净溢出传递者的角色会更加明显。这就需要政策制定者将金融稳定目标置于宏观经济政策框架中更为显著地位置，运用宏观审慎政策和工具来实现金融稳定，尽可能降低金融不稳定冲击的溢出效应。