郭娜 申琳 张宁

摘要：本文首先构建了中国金融系统脆弱性指标体系并采用因子分析法对金融系统脆弱性指数进行趋势分析，然后利用马尔可夫区制转换模型对其进行区制状态分析，从而识别出金融系统脆弱性状态的变化。实证结果表明，在样本研究区间内中国金融系统脆弱性整体呈现上升趋势且波动幅度较大，但在2014年以后，脆弱性指数有所回落且处于可控范围内;中国在“低脆弱性”区制的时间要少于“高脆弱性”区制的时间，且向“高脆弱性”区制转移的概率较高，金融体系容易产生脆弱性集聚的风险。因此，中国需要将以前粗放式的金融增长转变为注重质量和效率的高效金融增长，完善金融机构风险控制和风险指标体系，加大对金融产品、组织和制度的监管力度。

关键词：金融系统脆弱性;金融结构;区制状态;区制转换模型

文献标识码：A

文章编号：100228482020（01）000109

开放科学（资源服务）标识码（OSID）：

一、问题提出

金融系统脆弱性是一种趋于高风险的金融状态，泛指一切融资领域中的风险积聚，包括信贷融资和金融市场融资 [12]。金融系统脆弱性不仅会影响金融系统安全，也会影响国家经济的稳定发展，因此对金融系统脆弱性的识别和系统性金融风险的监管就成为国家宏观经济风险管理的首要目标。20世纪70年代以后，金融危机的频繁爆发呈现出与以往不同的特征，对全球经济造成了严重的冲击。正是在这样的背景下，学术界开始对金融系统脆弱性问题展开深刻的讨论，部分学者致力于探讨金融系统脆弱性的形成原因。Barth等 [3]对130个国家过去20年间发生的银行危机进行了统计，他们认为金融自由化进程加快会提高金融危机发生的概率;部分学者则从外部性角度入手，认为短期负债合同和短期负债数量会使滚动风险上升，进而导致金融系统脆弱性提升并增大金融危机发生概率 [46]。随着全球范围内资产价格的攀升，一些学者开始重点关注房地产价格波动等因素对金融系统脆弱性产生的影响，他们认为资产价格波动会直接对金融机构流动性和杠杆率产生影响从而威胁到金融系统稳定 [79]。Pedro [10]深入分析了这种影响原因，即当房地产市场价格上涨时，银行会扩大贷款范围，因此他认为金融是否稳定与贷款周期有着紧密的联系。进一步，一些学者开始探索金融系统脆弱性的预警指标。Gerdesmeier等 [11]实证得出信贷因素能够更加有效和准确地预测金融体系的脆弱性程度;Acharya等 [1213]则提出了用于估计边际期望损失的系统性风险指数（SRISK），并以此来判断金融系统脆弱性状态。

近年来，随着我国金融市场开放程度的加深和市场化水平的提高，新型的金融风险随之而来并对我国金融系统的稳健性造成了很大的影响。党的十九大报告明确提出“健全金融监管体系，守住不发生系统性金融风险的底线”，因此如何加强对金融系统脆弱性的研究并提高应对金融危机的能力对维护我国金融安全具有重要的现实意义。我国经济学者也从不同的角度对金融系统脆弱性进行了理论分析。从金融系统脆弱性成因的角度出发，陈雨露等 [14]认为经济繁荣时市场容易诱发投机行为，短时间内产生的跳跃式变化致使泡沫迅速膨胀进而产生金融风险;高国华等 [15]则认为金融体制改革一再延迟，造成中国金融结构扭曲和系统性金融风险不断加大。随着我国金融机构风险的积聚，一些学者开始对金融系统脆弱性的影响因素展开研究。刘卫江 [16]利用多元Logit模型对1985—2000年中国银行体系的脆弱性进行了实证分析，认为宏观变量对银行体系的影响要大于金融变量和其他变量。近年来，越来越多的中国学者开始关注资产价格波动对金融体系稳定性甚至宏观经济的影响。唐建伟 [17]认为资产价格波动主要通过信贷渠道引起银行风险的增加，进而造成金融体系的不稳定;王书斌等 [18]指出资产价格泡沫不仅通过信贷渠道影响宏观经济，还会通过银行资本金以及商业银行不良资产状况影响金融系统的稳定性。进一步，部分学者开始进行系统性风险的度量与监测研究。陶玲等 [19]从7个维度合成系统性金融风险指数来度量和预警风险指标状态，并采用马尔可夫区制转换方法识别出金融系统脆弱性的拐点;李政等 [20]对我国金融部门之間的系统性风险溢出进行了研究，并利用ΔCoES方法对我国系统性金融风险进行了实时监测。

综上所述，国内外学者从多个角度对系统性金融风险问题进行了研究，但大多从微观层面特别是银行业风险状况出发进行研究，较少从宏观层面出发来探讨整体的金融系统脆弱性状况，使得度量结果具有一定的局限性。另外，前期文献对于金融系统脆弱性的研究大多采用静态模型，无法准确反映出金融系统风险状况的动态变化。鉴于此，本文从宏观、外部、货币和资产价格等四个方面选取12项指标构建金融系统脆弱性指标体系并运用因子分析法合成综合指数来度量金融系统脆弱性水平，同时采用马尔可夫区制转换模型对金融系统脆弱性指数进行趋势和区制分析。一方面，该模型能够通过状态变量在不同脆弱性程度之间的平滑转换来识别金融系统所处的状态，避免人为设定阈值的主观性;另一方面，马尔可夫区制转换模型能够通过状态转移变量来反映金融脆弱性在不同区制之间的动态变化，更加贴近金融系统的现实。

二、我国金融系统脆弱性指数的构建

（一）模型构建

因子分析法通常利用主成分分析方法，对测度金融系统脆弱性的相关指标变量提取主成分。通常选取特征值大于1的变量作为主成分进行分析，然后根据各个公共因子的相关载荷确定比例系数，最终通过计算各个因子得分的加权平均作为衡量金融系统脆弱性的综合指数。该方法中各公共因子之间正交，所以利用公共因子进行回归分析时能有效地避免模型出现多重共线性问题，同时能避免人为设定权重的不准确性。目前，因子分析法已经成为测度金融系统脆弱性的主流方法 [20]，本文选取因子分析法对原始数据进行线性变换，用数学公式表示为

X=Aβ+ε（1）

其中，X是T×N矩陣，用于测度原始数据指标合集，T为时间长度，N为指标个数。假设这N个指标的全部信息都可以归纳汇总为A（T×J，J

A=MT（2）

其中，M是T×J矩阵，J是确定因子集A个数的关键，因此设λi为第i个特征根，第i个主成分的贡献度则以

λi/∑Nj=1λj表示;相应地，前r个主成分的累积贡献度以

∑rj=1λj/∑Nj=1λj表示。当累积贡献度达到提前设定的界限时（本文设定为70%），所包含的因子个数即为公共因子数量，然后通过对公共因子赋予相应权重计算系统脆弱性指数，即

R=∑Nj=1wjfj（3）

其中，权重系数wj通过对各个主成分的贡献度计算得出，以第i个主成分的权重为例，计算公式为

wi=λi/∑Nj=1λj（4）

根据提取出的因子，可以计算出每一观测时期金融系统脆弱性指标在各个公因子上的得分情况，再对各个因子权重系数进行加权汇总，作为观测样本的综合得分F。

F=F1×ω1+F2×ω2+F3×ω3+F4×ω4+F5×ω5（5）

进一步，为了能够更直观地观测金融系统脆弱性的变化趋势并更易进行比较，本文将所得到的指数进行坐标变换，最终确定金融系统脆弱性综合指数。

Vi=10+Fi-min（Fi）max（Fi）-min（Fi）×（90-10）（6）

其中，Vi为第i期金融系统脆弱性的数值，Fi为第i期金融系统脆弱性的因子综合得分，min（Fi）和max（Fi）分别代表因子综合得分的最小值和最大值。

（二）指标选取与数据预处理

1.指标选取

本文从宏观经济、外部经济、货币流动性以及资产价格等四个层次选取了12项指标对我国的金融系统脆弱性进行度量，具体指标及其含义见表1。

其中，GDP同比增长率、居民消费价格指数（CPI）来自中国宏观经济数据库，M2同比增长率、财政收支来自国家统计局，经常项目差额、人民币实际有效汇率指数、银行间同业拆借加权平均利率、1年期贷款利率、5年期和1年期国债发行利率和沪深300历史波动率的数据均来自Wind数据库，外汇储备增长率数据来自国际外汇管理局，房屋价格指数来自全球经济指标数据网。

2.数据预处理

本文同时存在同向、逆向以及适度指标，为便于数据分析统一将数据指标进行处理转换为正向指标。其中，对逆向指标正向化的方法通常为取倒数，但是这种方法会改变原始数据的分布规律，因此本文采用线性变换法。

x′ij=max（xij）1≤i≤n-xij（7）

通过式（7）对逆向指标进行坐标平移，在不改变分布规律的基础上将其正向化。而如房屋价格指数和沪深300历史波动率，其指标大幅波动会使金融系统脆弱性升高，因此处理方法为

x′ij=|xij|（8）

此时，为了方便数据的标准化处理，将正向指标也进行坐标变换，使得所有数据都为非负数，并进行数据平移：

x′ij=xij-min（xij）1≤i≤n（9）

通过式（8）（9）对指标进行趋势变换后，指标数据最小值均为0。为了方便进行数据标准化处理，将所有指标数据都进行坐标变换，变换方法为（average函数表示取变量的平均值）

x″ij=average（x′ij）+x′ij（10）

另外，由于经济数据大都为偏态数据且多为右偏，即大部分数据集中在左侧部分，将数据取对数之后能够更好地研究增长率的问题，因此通过取对数的方法将大于中位数的部分进行压缩，使数据呈现正态分布，减少数据共线性和异方差的概率。本文也采用取对数的方式对指标数据进行标准化处理：

yij=lnx′ij （1≤i≤m，1≤j≤n）（11）

其中，x′ij为经过同趋势化处理的指标数据，yij为取对数后形成的标准化数据。

（三）金融系统脆弱性的度量

本文对12项金融系统脆弱性指标进行因子提取和分析，得出每个指标的解释程度和因子得分，再通过相应的因子权重加权计算得出最终的金融系统脆弱性指数。

1.适应性检验

在进行因子分析之前，首先要对指标数据进行适应性检验，以判断其是否适合进行因子分析。本文对已进行标准化处理的指标数据分别进行KMO和Bartlett球形检验。KMO检验是用于比较变量之间简单相关系数和偏相关系数的指标，界定范围为0

2.因子分析

通过适应性检验后，根据方差贡献度达到70%以上的原则提取公共因子作为金融脆弱性指数的加权指标。通过方差贡献度的相关分析提取5个因子，见表2，其初始特征值的方差贡献占比分别为23.629%、15.647%、15.115%、10.676%和8.433%，5个因子累积贡献方差为73.5%。因此，选择的5个因子可以作为我国金融系统脆弱性指数的合成指标。

为了更好地对因子进行解释，本文利用最大方差法对原始矩阵进行正交旋转，得到新的载荷矩阵（见表3），使每个因子上具有最高载荷的变量数最小，简化对因子的解释。

第一因子中影響较大的因素有银行间同业拆借加权平均利率、5年期和1年期国债利差两个因素，反映的是金融市场资金供需状况和流动性情况，因此可将第一因子命名为“金融市场资金流动性因子”;第二因子在外汇储备增长率、人民币实际有效汇率指数、财政赤字率和1年期贷款利率4个指标上具有较大的因子载荷量，这4个指标反映的是外汇和财政方面的因素，因此可将第二因子命名为“外汇及财政因子”;第三因子中影响较大的因素是经常项目差额和沪深300指数历史波动率，反映的是企业投资融资情况，从微观视角反映出金融系统的发展状况;第四因子中具有较大载荷量的因素是GDP同比增长率和CPI同比增长率，二者反映的是宏观经济发展情况和国内通胀情况，可见经济基本稳定对于金融稳定起到重要作用;第五因子中房屋价格指数和M2同比增长率具有较大的载荷量，二者反映我国货币政策的影响，因此将第五因子命名为“货币因子”。通过计算得出，提取的5个因子权重系数分别为

ω1=0.228、ω2=0.204、ω3=0.195、ω4=0.194、ω5=0.180。

3.金融系统脆弱性指数趋势分析

我国金融系统脆弱性指数在2000年第一季度至2018年第三季度的变化趋势如图1所示。从总的观测区间来看，我国金融系统的脆弱性指数呈现上升趋势。图中的发展趋势表明，我国金融体系与发达国家的成熟市场相比尚不完善，金融创新及法律监管的滞后使得我国金融系统抵御风险的能力稍弱;同时我国处于经济转型的关键时期，经济摩擦增多，对金融市场的运行也产生一定的影响。

分阶段来看，2000—2005年我国金融系统脆弱性水平较低，但波动幅度较大。在21世纪初期，我国金融自由化的程度不深，对经济政策进行调整时具有时滞效应，金融体系的构建也尚未完善，这都对我国金融系统脆弱性指数波动产生一定的影响。2006年初我国金融系统脆弱性指数为47.69，随后出现波动上升的趋势，直到2006年底脆弱性指数为74.55。首先，从我国金融经济发展情况来看，2006年初我国经济情况良好，经济增长率较高，金融运行较为平稳，因此金融系统脆弱性指数较低;其次，大量资金进入房地产市场和股市致使资产价格出现波动，我国金融系统内部风险水平上升，脆弱性指数在2006年底达到73.52。2008年，我国多家金融机构海外投资风险上升，其风险传导至国内，导致我国金融系统脆弱性指数达到69.99。虽然次贷危机对我国经济造成一定的冲击，但经常项目顺差、人民币对美元的汇率实行灵活浮动等因素，使得我国在次贷危机来临时依然能够对金融系统的运行进行有效控制。2014年末，我国股市波动较大，国际游资的投机行为加剧了金融体系的波动程度。因此，我国金融系统脆弱性指数从50.52上涨至90，达到了样本区间的最高点。随后，在我国政府和监管当局的宏观调控下，国内经济状况逐渐平稳，金融系统脆弱性指数有所回落。2018年第一季度金融系统脆弱性指数出现上涨趋势，但是我国经济发展情况良好，加之政府出台政策进行调整，金融系统的脆弱性依然处于可控范围。

三、金融系统脆弱性的区制状态分析

（一）马尔可夫区制转换模型

本文在构建金融系统脆弱性指数的基础上，进一步采用马尔可夫区制转换（MS VAR）模型衡量我国金融系统脆弱性指数的状态。MS VAR模型主要有以下特点：第一，马尔可夫区制转换模型不需要主观设定金融系统脆弱性的警戒值来判定风险大小，也不需要预估高风险可能出现的时间，从而避免了主观因素的干扰。该模型能够通过状态变量在脆弱性水平之间的平滑转换情况来确定观测样本所处状态，并且利用极大似然估计模型确定脆弱性状态的具体时间。第二，金融系统脆弱性状态是一个动态变化过程，以往模型大多为静态模型，而马尔可夫转换模型通过状态转移变量反映金融系统脆弱性指数的动态变换，从而更加准确地识别我国的金融风险状态。马尔可夫转换模型描述了不同状态下变量的特征，即可观测的时间序列向量Yt数据的产生过程取决于不可观测的区制变量st：

yt-μ（st）=β1（st）[yt-1-μ（st-1）]+…+βp（st）[yt-p-μ（st-p）]+et（12）

其中，st是区制变量，取值域为{1，2，3，…，M}，etNID（0，∑st）、μ（st）、βx=1，…，p、∑st都是区制依赖于变量st所处的状态。

μ（st）=μ1st=1μpst=M（13）

变量st服从离散时间、离散状态的马尔可夫链过程，MS模型又被称为区制转换（Regime Switching，RS）模型，区制转换的概率为

pij=Prst+1=jst=i，∑Mj=1pi，j=1 i，j∈{1，2，…，M}（14）

通常会对马尔可夫链过程施加遍历性和不可约性的假设，马尔可夫转移矩阵为

P=p1，1…p1，MpM，1…pM，M（15）

其中，P满足正则性约束，即pi，M=1-pi，1-…-pi，M-1，i=1，…，M。

为了保证实证结果准确有效，在建立MS VAR模型进行分析之前，首先对我国金融系统脆弱性指数进行平稳性检验，ADF平稳性检验结果见表4。可以看出，我国金融系统脆弱性指数的P值小于1%的临界值，即拒绝原假设，金融系统脆弱性指数通过了ADF检验，说明指数具有平稳性。

（二）实证结果分析

MS VAR模型在利用EM算法进行估计的基础上，通过OX MS VAR对模型进行求解计算。根据对数似然值（log likelihood）、AIC、SC和HQ指标判断选择两个区制和滞后一阶的MSI（2） VARX（1）模型作为最后的分析模型。实证得到两区制的平滑概率和滤波概率如图2所示。可以看出，区制1的样本数量与区制2大致相当，根据“P[St=j|Ω]>0.5，Ω为全样本信息”，得到该样本属于j区制的判断准则，模型的具体属性和特征分布结果见表5。

结合图2和表5结果，将我国金融系统脆弱性指数划分为两个区制，区制1的样本数量为30.3，出现的频率为0.3103，而与区制1相比，区制2的样本数量为42.7，频率却达到了0.6897，是区制1的两倍多;区制2的平均持续期比区制1要长，区制2的区制转移概率为0.9672，也要高于区制1的区制转移概率。这说明我国金融系统脆弱性指数处于区制2中的时间更多，且在区制2时的状态更稳定，不易转移至区制1中。通过对两区制数据的描述性统计可知，区制1的样本均值为42.94，标准差为15.86，均低于区制2的样本均值52.76和标准差17.75，因此区制1为“低脆弱性”区制、区制2为“高脆弱性”区制。下面结合我国实际经济情况对两区制进行时段分析。

1.“低脆弱性”时段分析

2000年第三季度至2006年第二季度：由实证结果可知，该阶段我国金融系统脆弱性的区制转移概率为0.9652，表明金融处于低脆弱性状态且较为稳定，不易向高脆弱性區制转移。整体来看，我国金融体系发展情况良好，金融系统脆弱性水平处于较低状态。首先，随着我国经济的不断增长，我国金融机构快速发展，金融体系管理也逐步规范，整体上形成了多层次、分工明确的金融组织体系;其次，2002年我国加入世界贸易组织，提振了国内外投资者对中国的信心，也提高了我国在世界经济当中的地位。2003年我国GDP总量达到102398万亿元，比上年增长8%，经济运行呈现良好势头;同时，信托业清理整顿在同年宣布结束，降低了信托行业的风险程度，使得整个金融市场更加完善。因此，我国金融系统脆弱性在该阶段处于较低水平，逐渐完善的金融体系和市场也使得低脆弱性状态能够保持稳定。

2008年第四季度至2010年第二季度：该阶段虽然受到国际金融危机的影响，我国出现一定程度的经济波动，但是我国政府及时采取了经济调整措施，并且对金融体系进行了严格监管，使我国金融系统脆弱性指数波动处于可控范围内。2009年，我国金融市场总体运行平稳，虽然资产价格出现一定程度的上涨，但是国家出台相关政策进行了有效控制，债券市场和金融体系也进一步完善，固定资产投资结构得到了进一步优化，这都为投融资提供了良好的环境，也促使我国金融系统平稳运行。该阶段的区制转移概率达到了0.8512，说明我国金融系统脆弱性状态虽然受到经济危机影响，转移概率与该区制其他时间段相比稍有下降，但低脆弱性状态依然较为稳定。

2.“高脆弱性”时段分析

2006年第三季度至2008年第三季度：2006年我国股市出现较大幅度的资产价格波动，对我国股市的正常运行造成一定影响，金融系统脆弱性水平也有所提高。2007年我国房地产价格出现较大幅度的上涨，吸引大量的资金涌入房地产市场，资金在股市和房地产市场的集聚提高了风险水平，导致我国金融体系的脆弱性升高。受美国2008年金融危机爆发影响，我国多家金融机构在海外投资的风险水平上升，投资风险由资金路径传导至国内金融系统并对我国金融系统造成了一定冲击;同时，由于发达国家受金融危机的影响，我国出口行业出现了下滑。在国际经济形势变化和国内资产价格波动等因素的影响下，我国金融系统脆弱性水平转移至高脆弱性区制当中。由实证结果可知，该阶段区制转移概率为0.9112，金融系统脆弱性状态比较稳定，想要降低脆弱性水平、改变脆弱性状态具有一定挑战性。

2010年第三季度至2018年第三季度：2011年我国通货膨胀水平升高，全年CPI约为3.9%;流动性仍然面临过剩的局面，信贷规模在7.5万亿元左右，通货膨胀带来的压力在一定程度上增大了金融系统的脆弱性。受美国经济复苏的影响，国际游资受到其吸引进而从中国转投向美国并造成我国流动性压力升高;美联储释放退出量化宽松政策（QE）信号，导致投资者缩减资产投资规模进而股市和大宗商品价格出现波动。我国市场受国际经济影响市场资金出现暂时性短缺，从而导致流动性风险出现小幅上升，金融系统脆弱性也出现上升趋势。2015年股票市场价格涨幅较为剧烈，吸引部分投机者投入资金，影响了股票市场的正常运行。由于股票价格在投机者影响下已经高于实际价值，我国政府出台相关政策进行市场调整，投机者和国际游资大量收回资金，造成股票价格出现较大幅度的波动，对我国金融系统造成一定程度的冲击。2018年第一季度，我国对外贸易出现摩擦，对我国出口行业的效益造成一定程度的影响，使得我国金融系统的脆弱性出现上升趋势。在该阶段，我国金融系统脆弱性的区制转移概率高达0.9886，表明当前金融系统脆弱性的状态有较大可能维持在高脆弱性区制中，我国应当加强对金融体系的监管，时刻防范金融风险的发生。

四、结论及政策建议

本文在借鉴国内外研究成果的基础上，构建了我国金融系统脆弱性指数度量模型，并利用马尔可夫区制转换模型将金融系统脆弱性指数划分为“低脆弱性”和“高脆弱性”两个区制，进而对我国在两个区制内不同时段的金融系统脆弱性进行了详细的分析。通过本文的研究和分析得到了以下结论：从总体趋势来看，金融系统脆弱性波动幅度比较大，且从整体的样本区间来看呈现波动上升的趋势;从各个具体时段的区制分析来看，我国在“低脆弱性”区制的时间要少于“高脆弱性”，这表明我国的金融系统脆弱性程度较高且“高脆弱性”区制的转移概率较高。

结合上述研究结论和我国经济现实，本文对我国金融发展提出以下政策建议：第一，目前我国金融系统脆弱性呈现上升趋势，因而优化金融结构就显得尤为重要。我国需要将以前粗放式的金融增长转变为注重质量和效率的高效金融增长，完善金融组织体系，加强金融功能细化和分层，增加多种融资渠道和资产配置方式，切实分散金融系统的风险，维持系统性金融风险在一个安全可控的状态。第二，当前金融系统脆弱性的状态有较大可能维持在高脆弱性区制中，“高脆弱性”区制的转移概率较高，所以一方面要完善金融机构风险控制和风险指标体系，包括建立健全各类风险补偿制度、管理制度和责任制度等，降低系统性金融风险，另一方面要加大对金融产品、组织和制度的监管力度，加强金融机构的外部约束和对各类金融机构的管理。

参考文献：

[1] 黄金老. 论金融脆弱性[J]. 金融研究， 2001（3）： 4149.

[2] 王波， 郭书东. 基于负向投入产出的我国区域金融脆弱性判断与测度[J]. 金融与经济， 2015（4）： 1822.

[3] Barth J R， Gerard C J， Levine R. Banking systems around the globe： Do regulation and ownership affect performance and stability？[R]. The World Bank Working Paper， 2000.

[4] Gorton G， Metrick A. Securitized banking and the run on repo[J]. Journal of Financial Economics， 2012， 104（3）： 425451.

[5] Krishnamurthy A， Vissing Jorgensen A. The aggregate demand of treasure debt[J]. Journal of Political Economy， 2012， 120（2）： 233267.

[6] Brunnermeier M， Oehmke M. The maturity rat race[J]. Journal of Finance， 2013， 68（2）： 483521.

[7] Dieter G， Hans E R. Asset price misalignments and the role of money and credit[J]. International Finance， 2010， 13（3）： 377407.

[8] Alessi L， Detken C. Quasi real time early warning indicators for costly asset price boom/bust cycles： A role for global liquidity[J]. European Journal of Political Economy， 2011， 27（3）： 520533.

[9] Bokhari S， Geltner D. Loss aversion and anchoring in commercial real estate pricing： Empirical evidence and price index implications[J]. Real Estate Economics， 2011， 39（4）： 635670.

[10]Pedro G. What drives housing dynamics in China？ A sign restrictions VAR approach[J]. Journal of Macroeconomics， 2015， 46（4）： 96112.

[11]Gerdesmeier D， Reimers H， Roffia B. Early warning indicators for asset price booms[J]. Review of Economic and Finance， 2011， 1（3）： 119.

[12]Acharya V， Engle R， Richardson M. Capital shortfall： A new approach to ranking and regulating systemic risks[J]. American Economic Review， 2012， 102（3）： 5964.

[13]Brownless C， Engle F. SRISK： A conditional capital shortfall measure of systemic risk[J]. The Review of Financial Studies， 2017， 30（1）： 4879.

[14]陈雨露， 马勇. 金融体系结构、金融效率与金融稳定[J]. 金融监管研究， 2013（5）： 121.

[15]高国华， 潘英丽. 基于动态相关性的我国银行系统性风险度量研究[J]. 管理评论， 2013（1）： 915.

[16]刘卫江. 中国银行體系脆弱性问题的实证研究[J]. 管理世界， 2002（7）： 310.

[17]唐建伟. 资产价格波动与银行系统稳定[J]. 广东金融学院学报， 2006（4）： 3342.

[18]王书斌， 王雅俊. 银行系统性风险传染机制的研究与实证——基于资产价格波动视角[J]. 金融与经济， 2010（7）： 69.

[19]陶玲， 朱迎. 系统性金融风险的监测和度量——基于中国金融体系的研究[J]. 金融研究， 2016（6）： 1836.

[20]李政， 梁琪， 方意. 中国金融部门间系统性风险溢出的监测预警研究——基于下行和上行ΔCoES指标的实现与优化[J]. 金融研究， 2019（2）： 4058.

[本刊相关文献链接]

[1]任晓猛，张一林.最优金融结构与经济发展：一种新的度量方法与应用[J].当代经济科学，2019（5）：110.

[2]沈丽，张影，李文君.我国区域金融风险的空间传染路径研究[J].当代经济科学，2019（5）：6273.

[3]黃昱然，卢志强，李志斌.地方政府债务与区域金融差异的经济增长效应研究——基于非线性面板平滑转换回归PSTR模型[J].当代经济科学，2018（3）：112.

[4]聂富强，周玉琴.基于行业融资结构协调的我国金融安全状态评估[J].当代经济科学，2017（2）：5361.

责任编辑、校对： 高原

The Financial System Vulnerability Index Construction and Regimes Analysis in China

GUO Na 1，2， SHEN Lin 3， ZHANG Ning 1

（1. School of Finance， Tianjin University of Finance and Economics， Tianjin 300222， China;

2. Laboratory for Fintech and Risk Management， Tianjin University of Finance and Economics， Tianjin 300222， China;

3. Shanghai Head Office， The Peoples Bank of China， Shanghai 200120， China）

Abstract：This paper firstly constructs the financial system vulnerability index system and analyzes the trend of the financial system vulnerability index by factor analysis method. Then， using Markov Zone System Conversion Model to conduct detailed and specific regime analysis to identify changes in the state of financial system vulnerability. The empirical results show that the overall vulnerability of Chinas financial system presents an upward trend and a large fluctuation in the sample study interval but after 14 years， the vulnerability index declines and is under control. China spends less time in the system of “low vulnerability” than in the system of “high vulnerability” and the probability of transferring to the system of “high vulnerability” is high， so the financial system is easy to generate the risk of vulnerability aggregation. The conclusion of this paper has important policy implications for preventing and resolving systemic financial risks and maintaining macroeconomic stability in China.

Keywords：Financial system vulnerability; Financial structure; Regimes; Regimes switching model