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

作者：刘磊（中国社会科学院经济研究所）

张晓晶（中国社会科学院金融研究所）

来源：《世界经济》2020年第12期

内容提要：宏观经济部门之间通过资产负债关系相互连接，形成宏观金融网络，金融风险在部门内部和部门之间通过资产负债关联进行传染，使得最终损失被放大。本文运用投入产出分析中的网络矩阵方法构建了违约风险和流动性风险的传导模型，并提出了基于部门比较的系统重要性指数以及基于全局的宏观金融风险指数等量化标准。通过最新的国家资产负债表数据分析发现，2009年以来系统性风险出现上升趋势，其中金融部门的系统重要性最高，而居民和政府部门相对独立。政策模拟表明，清理僵尸企业会产生3.8倍的乘数效应，但同时也会优化宏观金融网络结构，降低系统性风险。鉴于系统性风险自2008年起快速上升，我们建议：要坚持结构性去杠杆方向；去杠杆的重点在于调整宏观金融网络结构；在去杠杆过程中谨防处置风险的风险。

关键词：宏观金融网络 金融稳定 国家资产负债表

基金：本文是国家社会科学基金重点课题“宏观金融网络视角下的合意杠杆研究”（19AJL006）和国家社会科学基金重大招标课题“宏观经济稳增长与金融系统防风险动态平衡机制研究”（19ZDA095）的阶段性成果。

一、引言

自1960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，我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，国际上来看，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所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，而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（Castren 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有力表现。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也受到传染；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。这一系列的传染过程会持续进行下去，直至达到一个新的稳态，或者出现其它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。在现有文献中，关于债务与宏观经济的关系问题已有大量文献进行过理论和经验上的探讨。尤其是全球金融危机后，已出现大量的证据说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）。但从金融周期的角度来看，宏观杠杆率又具有周期性规律。凯恩斯（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。我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。

而宏观金融网络的分析方法恰恰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来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。Allen and Gale（2000）则在银行网络的流动性挤兑模型上开创了分析方法，他们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。【1】

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。Castren and 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、广义政府和国外这七个部门，并构建了这七个部门间的宏观金融网络模型。在此基础上，他们还作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。这些原始冲击都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五个部门：居民、非金融企业、金融、政府和国外部门，并采用人民银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，也得到了国内学者的广泛应用。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。殷剑峰（2018）的分析也与这一思路非常相似，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。Castren 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我国的经验数据中来，重点分析我国宏观金融体系近20年来的变化趋势，并具体讨论几个重要宏观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，并结合中国的数据来描绘出这个放大乘数的变动趋势；二是给出具体每个部门面临冲击时的影响，并由此识别出系统重要性部门；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为两点。首先，是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（Castren and Kavonius，2009；Castren 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，其负债方无论是股权资产，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。而这一债权层面的传染在当前几乎所有的宏观金融网络文献中都是缺失的。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，区分出各部门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。这使得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，这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（Aldasoro and 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，本文仅讨论的是在由资产负债表所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。但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，本文首先尝试用我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我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）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，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，所得结论也大多值得商榷。而李扬等（2018）最新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我国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。

本文主要内容的结构如下。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。

——

 【1】关于金融网络文献的最新综述，详见王宇等（2019）。

二、宏观金融风险的传染机制

Ballester et al.（2016）认为金融网络对于识别金融机构之间的联动性或金融冲击的传染效应具有关键影响，对防范金融危机的爆发、建立有效金融监管、资产定价与风险管理等都具有理论和现实意义。金融风险传导渠道既可能是由特定金融机构违约风险暴露导致交易对手直接损失或金融市场资产价格剧烈波动而使得其他金融机构资产负债表受损，也可能是通过市场预期渠道或非理性心理恐慌渠道快速传染至整个金融体系。本文的研究主要考虑的是风险在各部门资产负债表之间的传导。通过金融网络建模方法可以更为准确的描述金融机构间风险敞口传导风险的动态过程，刻画风险在网络间的传染（黄聪和贾彦东，2010）。

从资产负债表网络出发，Glasserman and Young（2016）将金融风险划分为违约风险和流动性风险，二者在资产负债表中具有完全对称的传导机制。违约风险产生于某个部门由外部冲击导致的资产下降，如果这一冲击足够大，会导致这个部门资不抵债，从而导致负债方的价值下降（如债券或股票的贬值）或者债务违约。这又会形成对其他部门资产方的外部冲击，进而波及到整个系统。2008年次贷危机时，美国众多金融机构都持有保险公司AIG所发行的CDS资产，由于次级债接连出现违约，AIG无法对其发行的CDS进行赔偿支付，使得众多金融机构出现资不抵债的预期。这可以类比到我国银行对僵尸企业不良贷款的分析，一旦僵尸企业出现支付困难的冲击过大，金融机构间极有可能出现系统性违约风险。Eisenberg and Noe（2001）假设某个银行按照等比例的原则进行债务违约，并根据不动点定理证明了最终稳态解的存在性，即整个金融体系经多轮传染调整最终会回复到一个新的稳态均衡，最终损失大于原始冲击。人民银行（2016）选取我国31家大中型银行之间2015年末的同业资产负债数据，构造金融网络模型，测算同业双边风险敞口，动态模拟了银行间违约风险传导路径和影响。

流动性风险又称为挤兑风险，其原始冲击首先产生于某个部门的负债方。例如一个部门的资产净值下降会迫使其收缩资产方的流动性，降低持有其他部门的金融资产，这一冲击会传染至其他部门的负债方进而导致整体经济受到影响。在Diamond and Dybvig（1983）银行挤兑模型中，当一小部分存款人由于外部因素而提前提取存款时，银行只能被动变现各类非流动性长期资产，并形成相应的损失。某个银行对长期金融资产的变现过程，也就是对其他银行流动性的外部冲击，这一过程循环下去，形成了金融网络对风险的放大机制。Allen and Gale（2000）认为银行间形成的同业拆借网络尽管能够风险分担，但也会造成金融脆弱，在外部冲击较大时形成风险传染。2013年6月，中国出现了短暂的钱荒现象，金融机构间7天SHIBOR利率一度超过10%。短暂的外部冲击使得金融机构间的流动性迅速枯竭，正是金融传染的表现。两种类型的风险传染路径如图1所示。

三、构建金融风险指数

（一）风险传染机制

当前大部分的宏观金融网络文献基本都在讨论违约风险的传染机制，且传染工具被限定为只有债务违约，具有一定局限性。本文基于以上对违约风险和流动性风险的划分，进一步放开假设。具体来说，当一个部门资产方遭受冲击后，其负债方的所有金融工具及资产净值会等比例贬值。当一个部门资产价值下降时，其他部门持有这个部门的股票、债券，乃至这个部门的资产净值都会出现一定比例的下降。不失一般性，在本文中我们假设这些金融工具及资产净值损失的比例相同。由于非金融企业和金融部门的资产与负债相等，其资产方的冲击会全部传导至负债方再向其他部门传染，因此这一机制所产生的传染规模与Castren和Kavonius（2009）所定义的完全一致。而对于居民和政府部门，负债部分仅为债权。我们认为资产方的损失也会通过这种债权向外传染，剩余部分才造成其资产净值的损失。这一假设显然更贴近于美国次债危机和欧债危机的经验事实。

四、数据说明

五、我国宏观金融网络与风险

六、结论与政策建议

本文利用国家资产负债表数据构建了我国部门间宏观金融网络模型，并以此来分析某个部门遭受冲击后的放大乘数、各部门系统重要性指数以及宏观金融风险指数。将此宏观网络模型应用于符合SNA体系的中国国家资产负债表数据中，我们得出四点结论。

首先，自2009年以来我国系统性风险指数在上升，这与杠杆率上升的过程是同步的。当前我国从宏观金融网络中所表现出的系统性风险远超过2008年时的水平，面临同等规模的外部冲击将遭受更大的损失。第二，对宏观整体来说，金融部门具有最高的风险重要性，居民和政府部门相对更为独立。这与欧元区和美国的宏观金融网络结构比较类似，且我国金融部门的系统重要性仍在提高。第三，对清理僵尸企业的政策模拟显示，1单位企业非金融资产的损失最终将会造成3.8个单位全社会总资产的损失。额外2.8个单位金融资产的损失一方面降低了全社会总资本，另一方面也优化了宏观金融网络，起到了结构性去杠杆效果。第四，居民和政府部门对债务的承受力较强，当务之急是非金融企业（含融资平台）和金融部门的去杠杆。

基于以上，我们提出三点建议。首先，考虑到系统性风险指数自2008年起快速增长，要充分重视金融风险，坚持结构性去杠杆。第二，结构性去杠杆的重点在于调整宏观金融网络结构，在总体杠杆率稳定的前提下去掉国企杠杆和地方政府的隐性杠杆。第三，在处理各类金融风险时应考虑到损失放大乘数效应而缓慢推进，谨防处置风险的风险。

基于SNA体系的中国国家资产负债表数据为相关实证研究提供了丰富的宝藏。在此基础上，可以从多个角度来考察我国的经济结构和金融风险。本文仅是我们关于国家资产负债表系列研究的开始，还希望有更多的同道加入这一研究的行列。

参考文献

宫晓琳、卞江（2010）：《中国宏观金融中的国民经济部门间传染机制》，《经济研究》第7期。

宫晓琳（2012）：《未定权益分析方法与中国宏观金融风险的测度分析》，《经济研究》第3期。

苟文均、袁鹰、漆鑫（2016）：《债务杠杆与系统性风险传染机制——基于CCA模型的分析》，《金融研究》第3期。

黄聪、贾彦东（2010）：《金融网络视角下的宏观审慎管理——基于银行间支付结算数据的实证分析》，《金融研究》第4期。

李俊峰、武修文、张怡（2016）：《供给侧改革、债务风险缓释与企业资产负债表修复》，《财政研究》第8期。

李扬等（2018）：《中国国家资产负债表2018》，北京：中国社会科学出版社。

刘磊、刘健、郭晓旭（2019）：《金融风险与风险传染：基于CCA方法的宏观金融网络分析》，《金融监管研究》第9期。

马君潞、范小云、曹元涛（2007）：《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》，《经济研究》第1期。

王宇、肖欣荣、刘健、刘磊（2019）：《金融网络结构与风险传染理论述评》，《金融监管研究》第2期。

易纲（2020）：《再论中国金融资产结构及政策含义》，《经济研究》第3期。

殷剑峰（2018）：《中国资金存量表的统计和分析》，《中国社会科学》第3期。

中国人民银行（2016）：《中国金融稳定报告》。

张晓晶、刘磊（2017）：《国家资产负债表视角下的金融稳定》，《经济学动态》第8期。

张晓晶、刘磊（2020）：《宏观分析新范式下的金融风险与经济增长——兼论新型冠状病毒肺炎疫情冲击与在险增长》，《经济研究》第6期。

Aldasoro, I. and Angeloni, I. “Input–Output-Based Measures of Systemic Importance.” Quantitative Finance, 2015,15(4), pp. 589-606.

Allen, F. and Gale D. “Financial Contagion.” Journal of Political Economy, 2000,108(1), pp.1-33.

Ballester, L.; Casu, B. and González-Urteaga A. “Bank Fragility and Contagion: Evidence from the Bank CDS Market.” Journal of Empirical Finance,2016, 38, pp. 394–416.

Castrén, O. and Kavonius I. K. “Balance Sheet Interlinkages and Macro-Financial Risk Analysis in the Euro Area.” ECB Working Paper, No.1124, 2009.

Castrén, O. and Rancan, M. “Macro-Networks: An Application to Euro Area Financial Accounts.” Journal of Banking & Finance, 2014,46, pp.43-58.

Drehmann, M. and Juselius, M. “Evaluating early warning indicators of banking crises: satisfying policy requirements.” International Journal of Forecasting, 2014,30(3).

Diamond, D. W.and Dybvig, P. H. “Bank Runs, Deposit Insurance, and Liquidity.” Journal of Political Economy,1983, 91(3), pp. 401-419.

Eisenberg, L. and Noe, T. H. “Systemic Risk in Financial Systems.” Management Science,2001, 47(2), pp. 236-249.

Giron, C. and Rodríguez-Vives, M. “Leverage Interactions: A National Accounts Approach.” ECB Statistics Paper, No. 19,2017.

Glasserman, P. and Young, H.P. “Contagion in Financial Networks.” Journal of Economic Literature, 2016,54, pp. 779-831.

Hirschman, A.O. “The strategy of economic development.” Yale University Press,1958.

IMF. “Global Financial Stability Report: Meeting New Challenges to Stability and Building a Safer System.” April,2010.

Jorda, O.; Moritz S. and Taylor A. M. “The great mortgaging: Housing finance, crises and business cycles.” Economic Policy, 2016,31(85).

Keynes, J.M.“The general theory of employment, interest and money.” Kessinger Publishing,1936.

Leontief, W. “The Structure of American Economy, 1919-1939: an Empirical Application of Equilibrium Analysis.” Harvard University Press,1941.

Mistrulli, P. E.“Assessing Financial Contagion in the Interbank Market: Maximum Entropy Versus Observed Interbank Lending Patterns.” Journal of Banking & Finance, 2011,35(5), pp.1114-1127.

Reinhart, C.M. and Rogoff K.S. “This time is different.” Princeton University Press,2009.

Stolbova, V.; Monasterolo, I. and Battiston, S. “A Financial Macro-Network Approach to Climate Policy Evaluation.” Ecological Economics, 2018,149,pp. 239-253.

Sheldon, G. and Maurer, M. “Interbank Lending and Systemic Risk: An Empirical Analysis for Switzerland.” Swiss Journal of Economics and Statistics, 1998,134(4), pp. 685-704.

Van Lelyveld, I. and Liedorp, F. “Interbank Contagion in the Dutch Banking Sector: A Sensitivity Analysis.” International Journal of Central Banking, 2006,2(2), pp.99-133.

作者简介

刘磊（通讯作者），中国社会科学院经济研究所助理研究员。

文琳资讯，每日提供最新信息。欢迎关注【文琳资讯】

今日导读：点击下面链接可查阅

文琳编辑

今日导读：点击下面链接可查阅

公众号 ：文琳行业研究

文琳行研报告，

各机构提供专业的信息、数据、研究和咨询服务。欢迎关注【文琳行业研究】

《文琳阅读》每晚经典，欢迎关注！

今日导读：点击下面链接可查

公众号 ：文琳阅读

公众号 ：就业与创业