自20世纪60年代全球金融放松管制和金融自由化以来，现代宏观金融体系经历了深远的结构性变化。当前宏观金融体系的基本特征体现在两个方面。一是金融资产普遍超过实物资产，成为社会财富的主要表现形式。中国全社会金融资产与非金融资产的比率从2000年的1.4上升到2016年的1.9，而英国、美国、日本等发达资本主义国家的这一比率均高于中国（李扬等，2018）。二是微观主体之间通过资产负债关系而相互连接，大量的金融资产和其对应的负债形成了一套金融资产负债表网络。以存款为例，站在居民的角度，其持有的存款是资产，站在银行角度则是负债。各类金融工具的本质都是两个主体之间的债务索取权或剩余索取权契约。这些契约，对于其持有方属于资产，对于发行方属于负债。任何两个主体只要发生了这种金融契约，二者的资产负债表即已关联到一起。这样的关联加总在一起，便形成了宏观金融网络（Castrén and Racan，2014）。宏观金融网络的显著特征是部门间的相互关联，牵一发而动全身。2007年美国次贷危机便是宏观金融网络互相传染的一个实例。始发于居民部门的债务违约损害了次级债券持有者（主要是影子银行部门）的资产价值，持有这些影子银行所发行票据的部门的资产进而受到传染；金融体系间的流动性受到资金挤兑的影响而迅速下降，从而使传统商业银行受损；银行在负债端所面临的流动性紧缩迫使其收缩资产收回流动性，这进一步导致金融体系内部流动性的加速收缩以及非金融企业从银行获得信贷资金的困难；企业融资成本上升，盈利能力下降，股权价值也随之下降；而持有这些企业股权的主体的资产质量进一步下降。这一系列传染过程会持续进行下去，直至达到一个新稳态，或者出现其他正面冲击抵消负面冲击的影响。这是金融传染现象的典型表现，每个国民经济部门都会在宏观金融网络中遭受损失，且最终损失往往会大于最开始的原始冲击。与之相对应，任何正面的冲击同样也会产生相应的放大效应，在繁荣时期促进宏观经济的进一步膨胀。考虑到宏观金融网络的结构因素，传统单一维度的宏观杠杆率分析便显示出其不足之处。现有大量文献探讨了债务与宏观经济的关系，尤其是全球金融危机后，很多研究证明高杠杆对金融风险和经济衰退的影响（Reinhart and Rogoff，2009；Drehmann and Juselius，2014；Jorda et al.，2016；张晓晶和刘磊，2020）。从金融周期的角度来看，宏观杠杆率具有周期性规律。Keynes（1936）认为货币和流动性的存在意味着一个部门的总支出无需受到总收入的限制，企业投资只受企业家对未来期望的影响。当企业家为了增加投资而向银行贷款时，货币和债务便被创造出来，投资也相应上升了。因此在金融周期的假说中，杠杆率上升仅是企业主对未来经济普遍乐观的结果，繁荣期后也必然会对应着衰退期，但这并不能说明过高的杠杆率是有害的。事实上，债务是资产的反面，在宏观经济部门间一定存在着一一对应的资产负债关系，高负债的反面正是高金融资产。中国宏观杠杆率上升与金融资产相对占比上升的趋势是一致的，单纯从宏观杠杆率上升这一个维度来考察宏观金融体系的稳定性是远远不够的。宏观金融网络的分析方法可以帮助我们扩展分析视角，从部门间资产和负债关联的角度分析宏观金融结构的稳定性。金融网络模型是讨论金融体系面对外生冲击时作用机制的重要理论，最初的金融网络模型主要用于分析银行体系内部的关联。银行的主营业务即是经营资产负债表，吸收存款发放贷款，其网络特征最为明显。Diamond and Dybvig（1983）最初构建了一个银行挤兑模型，说明在一个互相关联的银行网络中，外生流动性冲击会通过网络连接扩散至其他银行，甚至最终引发系统性风险。银行最初所遭受的原始冲击既可能是违约，也可能是挤兑。Eisenberg and Noe（2001）在银行网络的债务违约模型上做出了重要贡献，他们证明了系统遭受冲击后会达到一个新的稳态且最终损失大于原始冲击。Allenand Gale（2000）则在银行网络的流动性挤兑模型基础上开创了分析方法，比较了不同网络结构下的金融脆弱性，认为网络结构是对银行体系稳定性产生影响至关重要的因素。全球金融危机后，越来越多的学者已经意识到宏观部门之间的网络连接是冲击传染的主要途径，建立宏观金融网络模型来探讨宏观金融稳定性是必要的。Castrénand Kavonius（2009）根据国家资产负债表的分类，将欧元区分为居民、非金融企业、银行、保险、其他金融机构、广义政府和国外7个部门，并构建了这7个部门间的宏观金融网络模型。在此基础上，他们还做了非金融企业股权价值下降和居民部门坏账率上升的模拟试验，发现这些原始冲击会使企业和银行的股权价值遭受损失，从而传导至股权的持有方，使损失在部门间传染。宫晓琳和卞江（2010）采用类似的方法将中国宏观整体分为5个部门：居民、非金融企业、金融、政府和国外部门，并采用中国人民银行（下文简称央行）公布的资金流量表数据来分析部门间的传染效应。这种方法对于研究宏观金融稳定性具有很大的启示意义，也克服了传统方法只关注金融部门自身所带来的局限性。这一方法提出后，被国内学者广泛应用。宫晓琳（2012）、苟文君等（2016）、刘磊等（2019）都是将宏观金融网络与或有索取权分析法（CCA）的方法相结合，讨论了波动率通过对各部门资产市场价值的影响而最终作用于全部国民经济部门和宏观金融风险。与这一思路相似，殷剑峰（2018）构造了存款和信用所构成的宏观金融网络，讨论信用创造机制和金融扩张乘数。Castrén and Racan（2014）认为宏观金融网络模型的优势主要表现在两个方面。首先，从整体上描绘了国民经济体系之间的金融关系和部门间的风险暴露，对宏观金融系统性风险的研究至关重要。第二，这个网络刻画了各类冲击传染的可能路径和幅度，为宏观政策模拟提供了有力的分析工具。本文的主要目的在于将宏观金融网络模型结合到中国的经验数据中来，重点分析中国宏观金融体系近20年来的变化趋势，并具体讨论重要部门在系统稳定性中所起到的作用。具体来说，一是在网络模型中推导出宏观体系面对外生冲击时的放大乘数模型，并结合中国的数据描绘放大乘数的变动趋势；二是给出每个部门面临冲击时的影响，并由此识别出系统重要部门；三是在这个网络体系中进行相应的政策模拟实验，讨论清理僵尸企业和去杠杆等宏观政策在宏观金融网络中的最终效果。本文的创新贡献主要体现在两点。首先，本文构造一个反映部门间传染的系统性金融风险指数。现有宏观金融网络文献对于放大机制的假设过于简单，一般仅限定于股权层面上的传染渠道（Castrén and Kavonius，2009；Castrén and Racan，2014；Stolbova et al.，2018；宫晓琳和卞江，2010；苟文均等，2016）。本文借鉴Leontief（1941）所开创的投入产出分析法放宽这一假设，形成一个一般意义上既有股权层面也有债权层面上的传染渠道模型。事实上，当一个部门受到冲击后，无论是股权资产，还是债权资产都会产生一部分缩水。美国的次贷危机正是发端于居民贷款无法得到偿付，继而产生了冲击传染效应。而对这一债权层面传染的研究在当前的宏观金融网络文献中是缺失的。本文采用投入产出模型改造现有的宏观金融网络研究方法，区分各部门在不同资产负债率条件下，冲击被内部消化和向外传染的比例。我们的分析更贴近于金融传染的经验事实，可以说这种方法既老且新。新是因为投入产出模型尚未被应用于宏观金融网络的分析中，老是因为投入产出模型在产业、能源、环境经济学等领域具有大量应用，Hirschman（1958）最早应用这一模型来识别发展中国家中的核心工业部门，这对我们的分析具有关键的借鉴意义。在投入产出分析法中，既可以从产出反推投入而构建需求侧模型，也可以由投入决定产出而构建供给侧模型，使得在一个体系内同时研究违约风险与流动性风险成为可能（Aldasoroand Angeloni，2015）。这里需要尤其说明的是，金融风险传染的路径非常丰富，存在大量的正负反馈机制，本文仅讨论由资产负债表构成的宏观金融网络中风险的传染及放大效应，并非描绘风险传染的全景。我们认为这一传染路径至关重要，是触发金融危机的主要动力，因此本文的分析方法具有重要意义。其次，本文首先尝试用中国国家资产负债表数据来构建模型，并模拟分析各类冲击对经济所产生的影响。由于国家统计局尚未完成中国国家资产负债表编制工作，研究者无法准确获得各宏观部门资产负债的数据，国内的这类研究文献只能以其他方式来近似替代解决。如宫晓琳和卞江（2010）、苟文均等（2016）以及李俊峰等（2016）均是采用资金流量表数据的累积来替代存量的资产负债表，宫晓琳（2012）在用央行信贷收支表等数据首先自行构建了各部门的资产负债表的基础上，再建立宏观金融网络模型进行分析。而根据我们对国家资产负债表的分析，这些近似替代的方法都有着不可忽视的缺陷，其与真实数据间往往差距极大，所得结论有待商榷。李扬等（2018）发布了基于国民账户体系（System of National Accounts，简称SNA）编制规则完成的2000-2016年一套完整的国家资产负债表。这套数据的公布既填补了中国SNA体系下国家资产负债表领域的空白，也为相关的学术研究提供了有力的数据支持。本文率先采用这套数据进行分析和政策模拟。本文后面的内容结构如下。第二部分细述宏观金融网络的结构及违约风险和流动性风险的传染机制；第三部分介绍宏观金融网络模型的构建方法，给出计算冲击经过多轮传染后的放大乘数的方法，并构建各类描述系统性金融风险的量化指标；第四部分说明李扬等（2018）最新公布国家资产负债表数据，并简要描述数据的结构特征；第五部分用中国数据构建宏观金融网络，分析网络结构的演化路径，识别各部门的系统重要性指数，并在此基础上进行政策模拟实验。最后一部分为结论与政策建议。