| 1,144 | 5 | 537 |
| 下载次数 | 被引频次 | 阅读次数 |
统筹高质量发展与高水平安全背景下，全面探究系统性风险与宏观经济的溢出效应具有重要意义。本文在测度系统性风险指数基础上，采用集成经验模态分解将系统性风险分解为高、中、低频三种频域成分，通过测度LSTVAR-DY溢出指数构建包含高、中、低频率系统性风险与宏观经济变量的两区制非线性溢出网络，从频域视角研究系统性风险与宏观经济间的非线性溢出效应明确溢出效应的来源和方向，并采用非线性格兰杰因果检验进一步确认各变量间的非线性因果关系。结果表明，我国系统性风险具有丰富的多尺度频域特征。系统性风险与宏观经济总体上存在显著的双向溢出效应，且总溢出效应在不同区制下存在非对称性；在经济上下行区制，系统性风险是主要的净溢出源头，在系统性风险高低区制，系统性风险与宏观经济均存在重要的净溢出来源；系统性风险低频分量是经济金融网络中的重要风险源头，中频分量在溢出网络中的角色存在区制转变，高频分量则在各区制中均为溢出的净输入节点。本文研究结论为完善稳增长与防风险的宏观调控政策提供新的经验证据。
Abstract：It is of great significance to comprehensively explore the spillover effects between systemic risk and macroeconomy factors in the context of coordinating high-quality development and high-level security. This paper first measures a systemic risk index and then employs ensemble empirical mode decomposition(EEMD) to decompose systemic risk into three frequency-domain components, that is the high frequency, the medium frequency, and the low frequency. It measures the LSTVAR-DY spillover index,constructs a two-regime nonlinear spillover network that incorporates systemic risk components of different frequencies and macroeconomic variables, and explores the nonlinear spillover effects between systemic risk and macroeconomy from a frequency-domain perspective to identify the sources and directions of spillovers. Additionally, a nonlinear Granger causality test is conducted to further confirm the nonlinear causal relationships among variables. The results show that systemic risk in China exhibits multi-scale frequency-domain characteristics. There exists a significant bidirectional spillover effect between systemic risk and macroeconomy, with asymmetric total spillover effects across different regimes. In the economic expansion and downturn regime, systemic risk serves as the primary net spillover source, whereas in different systemic risk regimes, both systemic risk and macroeconomic factors act as significant net spillover sources. The low-frequency component of systemic risk is a crucial risk source within the economic-financial network, while the role of the medium-frequency component shifts across different regimes. The high-frequency component consistently acts as a net spillover receiver across all regimes. The research conclusions provide new empirical evidence for improving macro-control policiess aimed at balancing growth stabilization and risk prevention.
[1]陈暮紫,汤婧,张小溪,等.信用和流动风险冲击下的中国银行业传染分析[J].系统工程理论与实践, 2021, 41(6):1412–1427.
[2]范小云,史攀,王博.估值踩踏与系统性金融风险防控——基于前瞻性偿付能力风险传染模型的分析[J].中国工业经济, 2021, 403(10):39–58.
[3]方意,黄杏,贾妍妍.地方政府债务风险溢出效应研究[J].经济理论与经济管理, 2023, 43(3):40–53.
[4]何德旭,苗文龙,闫娟娟,等.全球系统性金融风险跨市场传染效应分析[J].经济研究, 2021, 56(8):4–21.
[5]黄乃静,于明哲.系统性金融风险指标的比较分析——基于实体经济风险预测的视角[J].系统工程理论与实践, 2020, 40(10):2475–2491.
[6]贾妍妍,方意,荆中博.中国金融体系放大了实体经济风险吗[J].财贸经济, 2020, 41(10):111–128.
[7]李绍芳,刘晓星.金融系统压力:指数化测度及其溢出效应研究[J].系统工程理论与实践, 2020, 40(5):1089–1112.
[8]李政,刘淇,梁琪.基于经济金融关联网络的中国系统性风险防范研究[J].统计研究, 2019, 36(2):23–37.
[9]李政,刘淇,鲁晏辰.主权债务风险跨国溢出研究——来自频域的新证据[J].金融研究, 2020(9):59–77.
[10]李政,王子美,刘淇.基于频域视角的全球主要货币汇率溢出效应研究[J].国际金融研究, 2021(5):86–96.
[11]刘超,郭亚东.多时间尺度下行业间系统性金融风险溢出及拓扑结构分析[J].中国管理科学, 2022, 30(10):46–59.
[12]欧阳资生,李虹宣,刘凤根.中国系统性金融风险对宏观经济的影响研究[J].统计研究, 2019, 36(8):19–31.
[13]欧阳资生,周学伟.系统性金融风险对宏观经济的溢出效应研究——基于分位数对分位数方法[J].统计研究, 2022, 39(10):68–83.
[14]杨子晖,陈里璇,陈雨恬.经济政策不确定性与系统性金融风险的跨市场传染——基于非线性网络关联的研究[J].经济研究, 2020, 55(1):65–81.
[15]杨子晖,陈雨恬.财政金融统一框架下的金融风险测度与分析——基于非线性网络关联的方法[J].中国社会科学, 2022(11):125–144, 207.
[16]赵修仪,邓创.中国系统性金融风险及其对金融周期、经济周期的影响动态[J].经济评论, 2022(4):114–129.
[17] Baruník J, K?ehlík T. Measuring the Frequency Dynamics of Financial Connectedness and Systemic Risk[J]. Journal of Financial Econometrics,2018, 16(2):271–296.
[18] Billio M, Getmansky M, Lo A W, et al. Econometric Measures of Connectedness and Systemic Risk in the Finance and Insurance Sectors[J].Journal of Financial Economics, 2012, 104(3):535–559.
[19] Caggiano G, Castelnuovo E, Figueres J M. Economic Policy Uncertainty Spillovers in Booms and Busts[J]. Oxford Bulletin of Economics and Statistics, 2020, 82(1):125–155.
[20] Dai X, Wang Q, Zha D, et al. Multi-scale Dependence Structure and Risk Contagion between Oil, Gold, and US Exchange Rate:A Wavelet-based Vine-copula Approach[J]. Energy Economics, 2020, 88:104774.
[21] Dicks D L, Fulghieri P. Uncertainty Aversion and Systemic Risk[J]. Journal of Political Economy, 2019, 127(3):1118–1155.
[22] Diebold F X, Y?lmaz K. On the Network Topology of Variance Decompositions:Measuring the Connectedness of Financial Firms[J]. Journal of Econometrics, 2014, 182(1):119–134.
[23] Diks C, Panchenko V. A New Statistic and Practical Guidelines for Nonparametric Granger Causality Testing[J]. Journal of Economic Dynamics and Control, 2006, 30(9–10):1647–1669.
[24] HollóD, Kremer M, Lo Duca M. CISS-a Composite Indicator of Systemic Stress in the Financial System[R]. European Central Bank Working Paper, 2012.
[25] Huang N E, Shen Z, Long S R, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceedings of the Royal Society of London. Series A:Mathematical, Physical and Engineering Sciences, 1998, 454(1971):903–995.
[26] Kapetanios G, Shin Y, Snell A. Testing for a Unit Root in the Nonlinear STAR Framework[J]. Journal of Econometrics, 2003, 112(2):359–379.
[27] Leroy A, Pop A. Macro-financial linkages:The Role of the Institutional Framework[J]. Journal of International Money and Finance, 2019, 92:75–97.
[28] Nicholson W B, Matteson D S, Bien J. VARX-L:Structured Regularization for Large Vector Autoregressions with Exogenous Variables[J].International Journal of Forecasting, 2017, 33(3):627–651.
[29] Weise C L. The Asymmetric Effects of Monetary Policy:A Nonlinear Vector Autoregression Approach[J]. Journal of Money, Credit and Banking, 1999, 31(1):85–108.
[30] Wu Z, Huang N E. Ensemble Empirical Mode Decomposition:A Noise-assisted Data Analysis Method[J]. Advances in adaptive data analysis,2009, 1(1):1–41.
(1)股票市场和金融机构两个子维度各个指标的计算均基于较丰富的基础指标数据处理，涉及非金融部门上市公司4909家，金融部门上市公司266家。
(2)限于篇幅，本文未对金融压力指数的构建方法进行详细介绍，具体可参考Holló等（2012）等经典文献。
(3)CMAX t=1-xt/max[x个xtj|j=0,1,…, T]，其中xt为非金融部门股票指数，T为滚动时间窗口，本文设置T=120。
(4)2013年6月20日，SHIBOR大幅上升，创下13.44%的记录；2015年6月15日，上证综指单周下跌13.3%;2016年1月4日至7日，A股4次熔断，导致市场流动性危机。受央行宽松货币政策等一系列政策驱动，2024年9月24日，上证综指单日涨幅高达4.15%。9月份，上证综指累计上涨11.2%，深圳成指飙升20%，创业板指数涨幅近25%。
(1)限于篇幅，本文未对EEMD方法进行详细介绍，具体可参考Wu和Huang(2009)。
(1)因篇幅所限，线性单位根检验和非线性单位根检验的结果以附表1展示，见《统计研究》网站所列附件。下同。
(2)经济下行或上行通常是依据反映经济增长的国内生产总值（GDP）、生产者价格指数（PPI）、居民消费价格指数（CPI）等宏观经济指标的趋势变化进行判断。尽管GDP被普遍认为是衡量国民经济发展情况最重要的一个指标，但是该指标是以季度频率统计的，故而本文选取月度频率统计的CPI（当月同比）作为划分依据。
(1)因篇幅所限，非线性格兰杰检验结果以附表2展示。
基本信息:
DOI：10.19343/j.cnki.11-1302/c.2025.04.004
中图分类号:F124
引用信息:
[1]张敏,王一丁,刘凤根.多尺度系统性风险与宏观经济的溢出效应研究[J].统计研究,2025,42(04):48-62.DOI:10.19343/j.cnki.11-1302/c.2025.04.004.
基金信息:
国家社会科学基金重点项目“重大突发公共事件冲击下系统性金融风险的测度、传导与预警研究”（21ATJ009）; 湖南省自然科学基金面上项目“全球经济不确定性对中国经济的溢出效应及传导机制研究”（2023JJ30202）; 湖南省社会科学基金项目“不确定性冲击下宏观经济下行风险与系统性风险的交叉传染机制与对策研究”（21YBA149）;湖南省社会科学基金基地项目“稳增长与防风险的统筹协调机制与政策”（23JD038）; 湖南省教育厅重点项目“气候风险对宏观金融稳定的影响机制与应对策略研究”（24A0442）
2025-04-22
2025-04-22