所属栏目：金融论文范文发布时间：2026-03-19浏览量:507
防范化解重大风险是金融工作的主题,研究系统性金融风险的影响因素对防范化解重大风险具有一定意义。文章使用金融资产负债关联网络研究关联性,利用CCA模型研究风险传染,借助TVP-VAR模型研究关联性对系统性金融风险的影响。研究表明:金融部门与其他部门的资产关联性和负债关联性较强,在金融资产负债关联网络中处于核心地位;部门间的金融资产负债关联网络会放大初始冲击,减缩各部门的债务违约距离,提升各部门的金融风险;部门间资产关联性和部门间负债关联性对系统性金融风险的短期影响具有一致性,关联性的提高会提升系统性金融风险。
关键词：资产负债关联性;系统性金融风险;CCA模型;TVP-VAR模型
论文《多部门资产负债关联性对系统性金融风险的影响》发表在《淮南师范学院学报》，版权归《淮南师范学院学报》所有。本文来自网络平台，仅供参考。
近年来,由于各种不确定因素的增加,系统性金融风险累积,防范化解金融风险成为当前金融工作的重要主题。要“完善现代金融监管”,“守住不发生系统性风险底线”。“标本兼治化解房地产、地方债务、中小金融机构等风险,维护经济金融大局稳定”。深入研究系统性金融风险的影响因素有助于防范化解金融风险,未雨绸缪。本文旨在从部门的角度研究部门资产负债关联性对系统性金融风险产生的影响。
金融主体之间的关联包括直接关联和间接关联。其中,资产负债关联是指金融主体之间因相互持有对方债权或股权而形成的联系,属于直接关联,可以直接从资产负债表中反映。Gray等在设计一种改进中央银行分析和管理国民经济金融风险的新方法时提出,在国家层面,可以将经济部门视为相互关联的资产、负债和收入组合。宫小琳等基于中国人民银行公布的2007年资金流量表明细数据,建立了我国国民经济部门间的金融关联网络模型,并对部门间的风险传染机制进行了识别和量化分析。刘磊等利用《中国国家资产负债表》的数据建立了宏观金融网络,构建了宏观金融风险指数,研究了风险在经济部门之间的传染。高慧颖等根据我国历年的资金存量表数据构建了五部门的金融资产负债关联网络,并分析了五部门间的金融风险传染效应。
Billio等认为系统性金融风险是一种对金融体系具有负面冲击,并且最终严重损害实体经济的风险。银行间的资产负债关联性是系统性金融风险的重要影响因素之一。马君潞等基于127家银行的资产负债表数据估算了我国银行间的市场传染风险,并分析了单个银行倒闭和多个银行同时倒闭导致的风险传染效应。高国华等使用61家银行2009年的资产负债表数据对银行间市场的传染风险进行了研究,并深入分析了不同结构的银行间市场如何影响传染效应。范小云等利用最大熵法估计了银行间的资产负债关联矩阵,构建了网络模型用以研究银行间关联性对于银行系统重要性的影响,并通过研究发现银行间负债关联程度会影响银行的破产损失大小。方意通过构建包含破产机制和杠杆机制的银行间资产负债关联网络来分析银行间的风险传染,发现银行间的资产关联性与风险传染损失呈现正相关。
系统性金融风险的测度方法主要包括金融压力指数法、CoVaR、MES、SRISK 和CCA 法等。其中,从资产负债表角度进行风险测度时,学者们通常使用CCA 模型。Gray等将未定权益分析(Contingentclaimsanalysis,CCA)模型的应用从微观拓展到了宏观,用以测度宏观经济的金融风险。苟文均等基于CCA 模型,使用美国、欧元区和中国的数据研究了债务杠杆和系统性风险传染之间的内在联系。刘磊等使用CCA 模型分析了中国各部门的金融风险,并通过改进宏观金融网络模型构建了各部门的金融风险指数。王兆成利用CCA 模型从理论和实证两个方面分析了杠杆率对系统性风险传染机制的影响。李程等从资产负债表关联角度对实体经济部门杠杆率和金融风险之间的联动进行了理论分析,并使用未定权益分析法和预期损失法测度了我国的系统性金融风险。高慧颖等从资金存量表视角运用未定权益分析法分析了五大经济部门的隐含资产负债率以及债务违约风险的变化趋势。
综上所述,国民经济各部门间存在资产负债关联性,并且有部分学者通过建立资产负债关联网络模型来描述这种关联性,以及分析风险在部门之间的传染,较少研究部门间资产负债关联性对系统性金融风险产生的影响。从银行体系的研究来看,银行间的资产负债关联网络是金融风险的传染渠道之一,银行间的资产负债关联性会对系统性金融风险产生影响。因此,本文尝试从部门的角度研究部门间资产负债关联性对系统性金融风险的影响,具有一定的研究价值。
一、理论分析
(一)部门资产负债关联性分析
国家的宏观经济可以划分为金融、非金融企业、住户、政府和国外5个部门。从资产负债的角度来看,《中国国家资产负债表》反映了国民五部门的资产负债情况,部门之间通过资产负债关系联接在一起。以贷款为例,其对于居民来说是负债,但对于银行来说是资产。从金融资产和负债来看,单个部门的金融资产和负债不一定相等,但是对于整个经济体系而言,某一个部门或者某几个部门的金融资产一定与其他部门的负债相对应,因此,5个部门的金融资产之和一定等于5个部门的负债之和。这种恒等关系反映出五部门之间存在资产负债关联。具体研究部门间的资产负债关联性可以采用资产负债关联网络模型。本文主要使用资金存量表(金融账户)的数据,通过金融资产和负债来研究部门间的资产负债关联性。其中,可将资金运用合计视为该部门的总资产,将资金来源合计视为该部门的总负债。
中国人民银行公布的2022年资金存量表将金融工具分为11类,分别为通货与存款、贷款、未贴现的银行承兑汇票、保险准备金、债券、股票、证券投资基金份额、其他(净)、直接投资、其他对外债权债务和国际储备资产。每个部门都可以通过某种金融工具持有其他部门的金融资产。金融工具的本质是契约,它代表着主体间的债务索取权或剩余索取权关系,一旦这两个主体之间达成了这种金融契约,就形成了资产负债关联关系。假设F为其中任意一种金融工具,则五部门之间基于该金融工具可以建立5×5的资金融通矩阵F,矩阵元素$F_{ij}$表示部门$i$通过金融工具F持有的部门j的金融资产。汇总所有的金融工具,可以得到五部门的5×5的资产负债关联矩阵X。通过五部门的资产负债关联矩阵,可以清楚看出五部门间存在着资产负债关联性。
(二)影响机制分析
部门间资产负债关联性主要通过金融加速器机制和风险传染效应来影响系统性金融风险。
1. 金融加速器机制
Bernanke等提出金融加速器理论,认为经济金融联系紧密,信贷市场由于存在金融摩擦会放大对实体经济的初始冲击。以非金融企业部门和金融部门为例,企业由于自身资金不足,需要从金融机构获得外源融资来完成项目投资,致使非金融企业部门和金融部门之间形成了金融资产负债关联性;当信贷规模发生变化时,部门间的资产负债关联性也随之发生变化。由于借贷市场存在着信息不对称,企业的借贷能力依赖于其市场净值,当产生不利外部冲击时,企业的资产价格下降导致其资产负债表恶化,市场净值减少;当企业市场净值减少时,借贷能力也随之下降,企业的信贷规模收缩,企业的投资减少;当企业投资减少时,社会的总产出减少,导致经济下滑,企业的资产价格下降。这个过程不断循环,可能会加剧系统性金融风险的累积。
2. 风险传染效应
部门间的金融资产负债关联网络是金融风险传导的渠道之一,当某一部门因外部冲击导致自身发生债务违约或者所有者权益下调时,由于部门间金融资产负债关联网络的存在,各部门都会遭受损失,引发新一轮的冲击;冲击通过股权和债权不断传染放大,致使各部门的金融风险不断提高。企业由于外部冲击导致资产下降,发生贷款违约时,持有企业贷款资产的金融部门资产会产生损失,可能会造成负债方债券或者股票的贬值,影响持有金融部门债券或者股票的其他部门的资产。这一过程会持续进行,直至部门间形成新的均衡。当某一宏观经济部门由于外部冲击导致所有者权益下降时亦是如此,冲击造成的损失可能会通过金融资产负债关联网络不断放大,提升系统性金融风险。
二、实证分析
(一)部门资产负债关联性分析
本文根据部门资产负债双边矩阵建立部门间资产负债关联网络,初步识别部门间的资产负债关联性,然后构建指标进行测度。
1. 最大熵法
对于整个经济体系来说,可以获取单个部门对于其他所有部门的总资产和总负债数据,难以获得部门与部门之间细致的资产负债数据。因此,本文借鉴方意等的做法,使用最大熵法给出部门之间的资产负债关联矩阵。
假设经济体系有 N 个部门,部门间的资产负债矩阵为$X=(X_{ij})_{N×N}$,$X_{ij}$表示部门i持有的部门j的资产。单个部门对其他所有部门的总资产为$A_{i}$,总负债为$B_{i}$,则$A_{i}=sum_{j=1}^{N} X_{ij}$，$B_{i}=sum_{j=1}^{N} X_{ji}$。通过标准化,令$a_{i}=A_{i} / sum_{i=1}^{N} A_{i}$，$b_{i}=B_{i} / sum_{i=1}^{N} B_{i}$。则部门间资产负债矩阵$X=(X_{ij})_{N×N}$转化为$x=(x_{ij})_{N×N}$。$x_{ij}$表示部门i持有的部门j的金融资产占总资产的比重。可将$x_{ij}$视为分布函数$f(a, b)$的实现值,并将$a_{i}$、$b_{i}$分别视为边际分布函数f(a)、f(b)的实现值。如果f (a)和f(b)相互独立,则$x_{ij}=a_{i} ×b_{j}$,根据换算关系可以得到X。在使用最大熵法估计银行间网络结构时,通常假定对角线元素为0,因为银行自己不可能给自己放贷,需要使用RAS算法对矩阵x进行修正。但是在研究部门间网络结构时,不需要令对角线元素为0,因为部门内部确实存在资金融通,如央行给商业银行贷款,可以不使用RAS算法对矩阵x进行调整。
2. 指标构建
$x_{ij}$表示部门i持有的部门j的金融资产占总资产的比重,反映了部门i和部门j间的资产负债关联程度。$sum_{j=1, j ≠i}^{5} x_{ij}$表示部门i持有的其他部门的金融资产占总资产的比重,反映了部门i与其他部门的资产关联性。$sum_{i=1, j ≠i}^{5} x_{ji}$表示其他部门持有的部门i的金融资产占总资产的比重,反映了部门i与其他部门的负债关联性。对于整个经济体系来说,部门间资产关联性(ACD)和部门间负债关联性(LCD)分别可以由公式(1)(2)计算得出:
[A C D=sqrt{frac{1}{5} sum_{i=1}^{5}left(sum_{j=1, j eq i}^{5} x_{ij}-frac{1}{5} sum_{i=1}^{5} sum_{j=1, j eq i}^{5} x_{ij} ight)^{2}}]
[L C D=sqrt{frac{1}{5} sum_{i=1}^{5}left(sum_{j=1, j eq i}^{5} x_{ji}-frac{1}{5} sum_{i=1, j eq i}^{5} x_{ji} ight)^{2}}]
3. 实证分析
国民经济系统可分为金融部门、非金融企业部门、住户部门、广义政府部门和国外部门。部门之间基于全部金融工具可以形成完全的网络,因此,本文构建金融资产负债关联网络模型是基于总的金融资产和负债,未区分金融工具。以2022年为例,数据来源于中国人民银行公布的资金存量表,建立的金融资产负债关联网络,其中部门之间持有的资产负债均转换成了所占总资产的比例,箭头的方向由资产方指向负债方,圆圈内的数字表示部门内部的资金流通比例。各部门之间存在资金融通关系,表明具有资产负债关联性,且金融部门与其他4个部门之间的资金融通量都较高,表明金融部门与其他部门的资产负债关联性都较强。
鉴于数据的可得性,本文选取了2007—2022 年五部门的资产负债数据进行实证分析,资金存量表数据来源于中国人民银行。由于中国人民银行公布了2017年以后的资金存量表以及历年的资金流量表,2007—2016年的资金存量表由2017年的资金存量表以及历年的资金流量表推算得出。
各部门与其他部门的资产关联性、负债关联性分析显示,金融部门与其他部门的资产关联性以及负债关联性最高,表明金融部门在整个经济系统中占据重要地位。2007—2022年间部门间资产关联性和负债关联性变动较大,部门间资产关联性呈上升趋势,部门间负债关联性有下降趋势。
(二)基于CCA模型的风险传染分析
1. CCA模型
CCA模型能够测度各部门经风险调整后的资产价值,反映各部门的风险情况,其本质上是将期权理论用于部门的资产定价。根据BS期权定价公式,国民经济各部门股权的市场价值$(E)$和经风险调整后的债权的市场价值$(D)$分别为:
[E=A cdot Nleft(d_{1} ight)-B cdot e^{-rt} cdot Nleft(d_{2} ight) quad(3)]
[D=A-E=B cdot e^{-rt}-left(B cdot e^{-rt}Nleft(-d_{2} ight)-A cdot Nleft(-d_{1} ight) ight) quad(4)]
[d_{2}=frac{ln left(frac{A}{B} ight)+left(u_{A}-frac{sigma_{A}^{2}}{2} ight) cdot t}{sigma_{A} cdot sqrt{t}}]
[d_1=d_2+sigma_Acdotsqrt{t}=frac{ln left(frac{A}{B} ight)+left(u_{A}+frac{sigma_{A}^{2}}{2} ight) cdot t}{sigma_{A} cdot sqrt{t}}]
[sigma_{E}=frac{Nleft(d_{1} ight) cdot A}{E} cdot sigma_{A}]
[u_{A}=r+lambda cdot sigma_{A} quad(8)]
其中, A 为部门经风险调整后的总资产, B 为部门的债务账面价值, N 为标准正态分布累积分布函数, $sigma_{A}$ 为资产 A 的隐含波动率, $sigma_{E}$ 为股权市场价值的波动率, $u_{A}$ 为资产 A 的期望收益率,r 为无风险收益率，λ 为风险的市场价格一般定为0.45, t 表示债务期限时限为年。
在已知账面债务价值 B、股权的市场价值 E、股权市场价值波动率 $sigma_{E}$ 和无风险利率r 的情况下,可构造如下函数,用迭代算法求出经风险调整后的总资产A 和它的波动率 $sigma_{A}$:
[egin{aligned} & fleft(A, sigma_{A} ight)= \ & min left{left[A cdot Nleft(d_{1} ight)-B cdot e^{-r} Nleft(d_{2} ight)-E ight]^{2}+ ight. \ & left.quadleft[A cdot sigma_{A} cdot Nleft(d_{1} ight)-E cdot sigma_{E} ight]^{2} ight} end{aligned}]
进一步,由伊藤引理可推导出反映宏观金融风险的指标债务违约距离$(DD)$,部门的债务违约距离越大,表明该部门的金融风险越低,其计算方式如下:
[D D=d_{2}=frac{ln left(frac{A}{B} ight)+left(u_{A}-frac{sigma_{A}^{2}}{2} ight) cdot t}{sigma_{A} cdot sqrt{t}} (10)]
2. 数据选择与处理
对参数的选择参考高慧颖的做法。其中,债务账面价值 B 和股权市场价值 E 数据来源于中国人民银行公布的资金存量表,股权市场价值波动率 $sigma_{E}$ 和无风险利率r 数据来源于数据库。样本时间区间为2007—2022年。
|部门|债务账面价值B|股权市场价值E|股权市场价值波动率σE|无风险利率r|
|非金融企业部门|来源方非股票部分|来源方股票|上证综合指数波动率|1年期国债收益率|
|金融部门|来源方非股票部分-|来源方股票+证券投资基金/2|上证金融指数波动率|1年期国债收益率|
|住户部门|来源方资金合计|净金融投资|10年期国债到期收益率波动率|1年期国债收益率|
|广义政府部门|来源方非国债部分|来源方国债|10年期国债到期收益率波动率|1年期国债收益率|
|国外部门|来源方股票和非直接投资部分|来源方股票和直接投资|标普500指数波动率|1年期国债收益率|
2007—2022年我国各部门债务违约距离的变动轨迹显示,住户部门和政府部门的债务违约距离明显高于其他3个部门,表明住户部门和政府部门的金融风险相对较低。各部门债务违约距离的变动趋势不完全一致,但在2008年金融危机爆发和2020年新冠肺炎疫情期间,各部门的债务违约距离明显下降,表明在此期间各部门的金融风险明显提升。其中金融部门的债务违约距离在2008年、2015年和2020年都有明显的下降,捕捉到了重大风险事件。故本文选择将正向化处理后的该变量作为本文后续实证中系统性金融风险的代理变量。
3. 模拟分析
本部分通过模拟分析的方式描述金融资产负债关联网络如何倍数放大冲击造成的损失,提升系统性金融风险。以2022年的资金存量表数据进行模拟,假设非金融企业部门受到不利外部冲击导致资产损失67820.1亿元,所有者权益项下调10%。在该情景下,各部门由于持有非金融企业部门股票和股权而导致自身资产遭受损失,其资产损失大小与所持有的非金融企业股票和股权的比例有关。按照盯市会计原则,各部门将自身的所有者权益下调,进而引发第二轮的传染。在第二轮传染过程中,政府部门和住户部门不发行股票,不会对其他3个部门产生冲击,但是由于他们持有其他3个部门的股票和股权,其他3个部门所有者权益下调仍然会使之遭受资产损失。非金融企业部门遭受的资产损失则来自于自身、金融部门和国外部门所有者权益的下调,金融部门遭受的资产损失来自于自身、非金融企业部门和国外部门所有者权益的下调,国外部门的资产损失来自于自身、非金融企业部门和金融部门所有者权益的下调。第三轮的传染过程与第二轮相同。
表2 模拟冲击下各部门资产损失(亿元)
|部门|第一轮|第二轮|第三轮|累计损失|
|非金融企业|28649.989|19924.285|13856.1|62430.374|
|住户|18938.358|13170.449|9159.228|41268.035|
|金融|12313.785|8563.471|5955.362|26832.618|
|政府|1717.083|1194.124|830.439|3741.646|
|国外|6200.885|4312.33|2998.957|13512.171|
每一轮传染造成的资产损失逐渐减小,各部门三轮传染后累计资产损失大于非金融企业部门初始遭受的资产损失。
表3 模拟冲击下各部门债务违约距离变化
|部门|初始值|三轮冲击后|累计下跌|累计下跌百分比|
|非金融企业|109.541|108.962|0.579|0.528%|
|住户|2287.538|2271.301|16.237|0.71%|
|金融|104.682|101.428|3.253|3.108%|
|政府|2608.33|2603.883|4.447|0.17%|
|国外|85.742|85.081|0.661|0.771%|
模拟冲击下各部门三轮冲击后债务违约距离都有所下跌,表明各部门在遭受冲击后风险都有所提升,其中金融部门债务违约距离下跌占比最高,为3.108%,表明此次冲击使得金融部门风险大幅提高。冲击虽然来源于非金融企业部门,但是由于各部门之间存在资产负债关联性,冲击造成的损失会通过部门间的金融资产负债关联网络不断放大,并且会提高各部门的风险,尤其金融部门,最终会提高整体的系统性金融风险。假设非金融企业部门因受到不利外部冲击导致其债务违约10%,则第一轮传染过程中各部门遭受的资产损失大小与他们持有的非金融企业部门的债权比例相关,后续传染过程与上述相同,故本文未继续分析。
(三)基于TVP-VAR模型的实证分析
1. TVP-VAR模型
向量自回归模型(VAR模型)可以分析多个经济变量之间相互变动的关系,但该模型的系数矩阵和协方差矩阵是固定的,因此它不能反映变量之间关系的时变性。时变参数向量自回归模型(TVP-VAR模型)假定模型的系数矩阵和协方差矩阵是随时间变化的,可以用于分析各变量之间的非线性关系以及这种关系的时变特征。本文选用TVP-VAR 模型来分析部门间资产负债关联性和系统性金融风险的关系。
2. 实证分析
本文选取前面构建的部门间资产关联性指标ACD、部门间负债关联性指标$LCD$,以及金融部门债务违约距离$DD$构建模型进行实证研究,利用公式$DD'=1 / DD$对$DD$指标进行正向化处理;并使用Eviews软件将各指标由年度数据转换为季度数据。为表述方便,后文系统性金融风险的代理指标$DD'$仍用$DD$表示。
为了避免数据不平稳对实证结果产生影响,对各个变量进行了ADF平稳性检验。经检验,各个变量二阶差分平稳,需要进行协整检验。Johansen协整检验结果显示,各变量至少存在一个协整关系,可以将原始数据代入TVP-VAR模型进行分析。
表4 Johansen协整检验
|最大秩|参数数量|似然比|特征根|迹统计量|5%临界值|
|0|12|1133.6763|30.6351|29.68|29.68|
|1|17|1141.9902|0.23524|14.0074*|15.41|
|2|20|1148.4676|0.18856|1.0525|3.76|
|3|21|1148.9939|0.01683|—|—|
在建立模型前,使用LR 统计量、FPE、AIC、HQIC 以及SBIC准则来判断模型的最优滞后阶数。检验结果显示,多数准则选择了2阶为最优滞后阶数,因此,本文确定的TVP-VAR 模型的最优滞后阶数为2阶。
设定MCMC算法的抽样次数为10000次,模型参数估计结果如下表所示。Geweke统计量的所有值均小于1.96,模型所有参数的后验均值均在95%的置信区间内,无效因子除个别值比较大外其他值都比较小,模型估计结果较为有效。
表5 参数估计
|Parameter|Mean|Std.|95% U|95% L|Geweke|Inef.|
|sb1|0.0023|0.0003|0.0018|0.0028|0.076|4.63|
|sb2|0.0023|0.0003|0.0018|0.0029|0.120|2.83|
|sa1|0.0055|0.0015|0.0034|0.0091|0.700|14.34|
|sa2|0.0055|0.0016|0.0033|0.0095|0.273|19.24|
|sh1|0.0055|0.0016|0.0034|0.0094|0.356|20.01|
|sh2|0.6651|0.1400|0.4597|1.0092|0.664|100.94|
样本参数的自相关系数、模拟路径以及后验分布结果显示,各个参数的自相关系数最终趋向于0,收敛性较好;样本路径围绕均值波动,较为平稳;样本分布呈正态分布,抽样较为有效。以上分析表明模型的估计结果较为可靠。
部门资产关联性和部门负债关联性对系统性金融风险的等间隔脉冲响应结果显示,横轴为时间节点,纵轴为脉冲响应强度,4期、8期和12期分别代表短期、中期和长期的滞后期数。部门资产关联性一单位外生冲击对系统性金融风险的脉冲响应值短期为正,长期为负,表明部门资产关联性的提高短期会对系统性金融风险产生正向影响,长期会产生负向影响,可能原因是金融资产负债关联网络在风险传染过程中也发挥着风险分担的作用,且长期作用更为明显。对于不同的提前期,部门负债关联性一单位外生冲击对系统性金融风险的脉冲响应值恒为正值,表明部门负债关联性的增加会提高系统性金融风险;并且不同提前期的部门负债关联性对系统性金融风险的冲击具有差异性,提前4期的脉冲响应值大于提前12期的脉冲响应值,表明部门负债关联性对系统性金融风险的短期影响大于长期影响。
为进一步探究不同时点下部门资产负债关联性对系统性金融风险的影响,选取系统性金融风险最高点(2008年第二季度)、系统性金融风险位于均值附近的时点(2012年第三季度)和系统性金融风险最低点(2017年第二季度)作为脉冲响应时点,得到的脉冲响应结果显示,3个时点上的脉冲响应曲线非常相似,前8期内的部门资产关联性和部门负债关联性对系统性金融风险存在正向作用,且正向作用分别在第1期和第5期达到最大值,随后正向作用逐渐减小。这表明在不同的风险状态下,部门资产关联性和部门负债关联性对系统性金融风险的短期影响较为一致,短期内关联性的提高会提升系统性金融风险。
三、结论与政策建议
本文基于资金存量表数据构建了部门间的金融资产负债关联网络,分析了部门间的资产负债关联性,并基于CCA模型分析了金融资产负债关联网络的风险传染效应,最后使用TVP-VAR模型研究了关联性对系统性金融风险的时变影响。得出以下研究结论:
第一,金融部门与其他部门的资产关联性和负债关联性都比较强,在金融资产负债关联网络中处于核心地位;
第二,部门间金融资产负债关联网络会放大初始冲击造成的损失,提升各部门的金融风险,且金融部门风险提升最高;
第三,部门间资产负债关联性短期会对系统性金融风险产生正向影响,且部门间负债关联性对风险的短期影响大于长期影响。
基于此,针对防范化解系统性金融风险提出以下政策建议:
第一,加强金融体系的管理与监督,金融部门在经济体系中处于重要地位,与其他各部门联系紧密,要防范化解金融部门重大风险;
第二,关注各部门的资产负债规模,优化各部门的资产负债结构,防范部门资产负债规模异常波动及部门资产负债结构失衡导致的风险;
第三,进一步完善宏观审慎监管的政策,虽然部门间资产负债关联性对系统性金融风险的正向影响集中在短期,但是部门间的关联复杂多变,监管任务仍然较为艰巨,监管力度不能放松。
参考文献
[1]习近平.高举中国特色社会主义伟大旗帜为全面建设社会主义现代化国家而团结奋斗:在中国共产党第二十次全国代表大会上的报告(2022年10月16日)[EB/OL].(2022-10-25)[2024-07-04].https://www.12371.cn/2022/10/25/ ARTI1666705047474465.shtml.
[2]2024年国务院政府工作报告(全文)[EB/OL].(2024-03-11)[2024-07-04].http://www.cctv-cmpany.net/channel46 /91537.html.
[3]GRAYDF,MERTON RC,BODIEZ.Newframework for measuring and managing macrofinancial risk and financialstability[J].NBER WorkingPapers,2007,15: 125-157.
[4]宫小琳,卞江.中国宏观金融中的国民经济部门间传染机制 [J].经济研究,2010,45(7):79-90.
[5]刘磊,张晓晶.中国宏观金融网络与风险:基于国家资产负债表数据的分析[J].世界经济,2020,43(12):27-49.
[6]高慧颖,田龙鹏,周潮.金融稳定边界与系统性金融风险指数测度研究[J].金融监管研究,2022(11):1-18.
[7]BILLIO M,GETMANSKYM,LOAW,etal.Econometric measuresofconnectednessandsystemicriskinthe financeandinsurancesectors[J].JournalofFinancialEconomics,2012,104(3):535-559.
[8]马君潞,范小云,曹元涛.中国银行间市场双边传染的风险估测及其系统性特征分析[J].经济研究,2007,42(1):68-78,142.
[9]高国华,潘英丽.基于资产负债表关联的银行系统性风险研究[J].管理工程学报,2012,26(4):162-168.
[10]范小云,王道平,刘澜飚.规模、关联性与中国系统重要性银行的衡量[J].金融研究,2012(11):16-30.
[11]方意.系统性风险的传染渠道与度量研究:兼论宏观审慎政策实施[J].管理世界,2016,32(8):32-57,187.
[12]苟文均,袁鹰,漆鑫.债务杠杆与系统性风险传染机制:基于 CCA模型的分析[J].金融研究,2016(3):74-91.
[13]刘磊,刘健,郭晓旭.金融风险与风险传染:基于CCA方法的宏观金融网络分析[J].金融监管研究,2019(9):35-50.
[14]王兆成.杠杆率对系统性风险传染机制的影响研究:基于 CCA模型的视角[J].经济问题探索,2021(11):135-149.
[15]李程,赵艳婷.实体经济各部门杠杆率、房地产价格与金融风险联动研究[J].金融监管研究,2021(3):92-114.
[16]高慧颖,周潮,刘安,等.金融风险与部门传染:基于资金流量核算的CCA模型和宏观金融网络分析[J].金融经济学研究,2023,38(3):126-144.
[17]BERNANKEB,GERTLER M,GILCHRISTS.Thefinancialacceleratorandtheflighttoquality[J].TheReview ofEconomicsandStatistics,1996,78(1):1-15.