摘要：本文根据我国金融发展状况， 选取了25个金融经济指标构造了我国金融安全评价指标体系， 采用主成分分析法对2000~2016年金融安全指数进行估算。并在此基础上选取了汇率波动率、GDP增长率和通货膨胀率这三个具有代表性的宏观经济变量， 基于VAR模型分析宏观经济波动对金融安全的冲击效应。结果显示：中国金融安全指数在2000~2016年期间呈波动起伏状态， 符合我国金融安全实际发展状况；目前我国金融安全主要受通货膨胀率和汇率波动率的影响。最后针对我国金融安全现状提出政策建议。
关键词：金融安全； 主成分分析； 宏观经济波动； VAR;
一、引言与文献综述
金融危机的发生不是偶然的， 经济发展中的复杂因素会影响信息传递， 造成信息阻塞， 制约金融系统的有效运转， 从而造成金融环境不稳定。此外， 通货膨胀、不断积累的金融债务等都会造成金融危机。与金融危机相对立的便是金融安全。国际清算银行总裁Crockett A指出， 金融环境不存在因金融资产价格波动或金融机构不能履行约定所造成不稳定的隐患， 就是金融安全；Duisenberg表示金融安全是金融市场、金融中介以及基础设施在金融环境中良好运转的一种状态；欧洲央行执委Padoa-Schioppa认为， 金融安全是指整个金融系统能够抵御冲击， 不会造成经济活动的累积性破坏。自2001年我国加入WTO以来， 国内的金融安全越来越受国际金融环境的影响。特别是2007年美国爆发的金融危机使我国金融安全受到了激烈的震荡。除此之外， 我国的资本市场在2015年产生了激烈的震荡， 从而使我国的金融市场越发的不稳定。目前我国的金融市场正处于改革发展的关键时期， 如何保证我国金融市场的安全稳定， 解决潜在的影响金融安全的不利因素， 对于促进国民经济又好又快发展至关重要。因而构建符合我国经济发展现状的金融安全评价指标体系， 采取恰当的方法来计算和评价我国的金融安全， 寻找不利于金融稳定的影响因素， 制定有效的政策措施防范金融风险具有重要的理论意义与现实意义。
在选取金融安全评价指标时， 姜洪和焦津强 （1999） 主要是从外债的角度出发；陈松林 （2001） 从宏观经济环境、中观经济运行和微观金融机构运行三个方面进行金融安全综合评价指标体系的选取；汪祖杰、吴江 （2006） 从外在影响因素和内在影响因素两个方面选取了金融安全指标；汤凌霄 （2009） 分别从微观、中观、宏观出发构建了包含银行业风险、股市泡沫风险、外部冲击风险以及宏观经济风险四个子系统、共16个评级指标的金融安全预警指标体系。在计算金融安全指数时， 学者们通常采用主成分分析法、主观赋值法以及层次分析法 （AHP） , 或者两两之、三者之间的混合使用， 本文基于前人研究的基础上， 为了使构建的金融安全评价指标体系更加全面的反应我国金融安全发展状况， 借鉴李华、赵姝颖 （2018） 构建的金融安全评价指标体系， 从宏观经济、中观金融市场、微观金融机构、外部金融环境以及金融业软环境五个角度构建新的金融安全指标体系。鉴于主观赋值法主观性太强， 赋值的准确性严重影响计算结果。AHP层次分析法在指标过多时数据统计量大， 从而使权重难以确定。主成分分析法能够减轻指标选择的工作量， 并且对指标间的相关性可以予以消除， 因而本文将采用这一方法计算我国的金融安全指数。并在此基础上， 采用VAR模型探索宏观经济波动如何影响我国金融安全的稳定。
二、理论分析与假设
为了使得宏观经济波动对金融安全的影响能够精确地量化， 首先需要从理论机制上探索宏观经济波动对金融安全的影响路径以及传播渠道。宏观经济波动主要从两个方面对金融安全产生影响：第一， 宏观经济波动会导致潜在的金融风险不断积累， 在风险积累到一定程度后变会爆发系统性的金融风险；第二， 宏观经济波动还会导致系统性金融风险通过各种渠道和途径进行传播， 从而扩大风险范围， 导致整个金融系统的瘫痪， 形成严重的负面影响。对金融安全产生严重影响的主要有以下几个重要的宏观因素：
（一） GDP增长率
宏观经济波动是导致金融安全不稳定的重要影响因素， GDP增长率是代表宏观经济发展状况的重要指标。当GDP增长率不稳定， 产生上下波动时， 银行等金融机构对贷款质量的甄别难度就会随之增加。且GDP增长率产生上下波动时还会导致股票、债券等资产价格产生波动， 从而使得金融资产的配置效率下降， 导致金融体系产生动荡。
（二） 通货膨胀率
若通货膨胀率持续较高， 那么市场价格机制就会失去原有的价格调控功能， 此时消费者和投资者们极易作出错误的决策。这种错误的决策不仅会造成社会资源配置不合理， 而且会导致货币购买力下降， 居民实际收入水平下降， 从而降低投资水平， 使得经济增长率下降。与此同时， 货币贬值还会造成人们疯狂抢购黄金、房产、外汇等能够保值增值的实物资产， 而这势必会影响正常的经济活动， 譬如造成房价高涨， 形成泡沫经济。当通货膨胀率持续上升形成恶性通货膨胀时， 就会对整个经济社会造成严重的负面影响， 甚至爆发金融危机。此外， 根据菲利普斯曲线可知， 通货膨胀率和失业率之间呈替代关系， 若通货膨胀率较低， 那么经济萧条， 会造成失业率上升。
（三） 汇率波动率
由于不断深入利率市场化改革， 无风险利率呈上升趋势， 金融机构的活期存款同存款总额的比例有降低的可能性， 汇率波动率加大将会加剧金融系统的不稳定性。不论选择哪种汇率制度， 汇率都是导致金融脆弱性的重要原因。在浮动汇率制度下， 会时常发生汇率过度波动的现象， 它促进了虚拟资本在跨国间的流动， 削弱了货币当局的控制力， 加重了金融系统的脆弱性。即使是在固定汇率制度下， 也会存在汇率过度波动的问题， 若货币当局承担最后贷款人的责任， 银行等金融机构的危机虽然从某种程度上可以避免， 但势必会以货币危机为代价。
综上所述， 本文提出以下假设：GDP增长率、通货膨胀率、汇率波动率这三个宏观经济波动因素都会对金融安全产生影响。
三、中国金融安全指数的测算--基于主成分分析法
（一） 构建金融安全评价指标体系
本文按照科学性、真实性、全面性、系统性、数据可获得性等原则， 对已有的金融安全指标体系进行归纳汇总， 分别从宏观经济、中观金融市场、微观金融机构、外部金融环境以及金融业软环境这五个方面筛选出频率较高的25个指标构成金融安全评价指标体系， 见表1中的X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12、X13、X14、X15、X16、X17、X18、X19、X20、X21、X22、X23、X24、X25.
表1 中国金融安全评价指标体系
（二） 测算金融安全指数
1. 样本数据的选择和来源
本文以2000~2016年我国各指标数据为样本数据， 其涵盖了2007年次贷危机以及2015年资本市场大动荡时期我国的金融数据， 因此研究结果更加具有参考价值。该样本数据来源于《中国经济年鉴》和《中国金融统计年鉴》。
2. 数据的标准化处理
因为金融安全指标体系中每个指标的量纲不一， 会导致主成分选择结果的精确性存在偏差， 所以本文在进行主成分分析之前， 需要先对数据进行如式 （1） 所示的标准化处理：
上式中， Xij为第i项指标的第j年指标值的原始数据， Yij是Xij标准化处理后的数据， 是变量Xi的样本均值， var （Xi） 代表变量Xi的样本方差。
3. 主成分分析
本文运用SPSS19软件对上文构建的指标体系进行主成分分析， 从而计算我国的金融安全指数值的大小。
表2中前5个主成分特征值均大于1, 且累计方差贡献率高达90.315%, 说明前5个主成分几乎包含了所有的指标信息。图1为主成分分析碎石图， 从图中可以明显观察第1~5个主成分的特征值变化较大， 而在第6个主成分之后的特征值变化逐渐变小。所以本文选择前5个主成分来替代原有的25个指标。
表2 主成分特征值及贡献率
图1 主成分分析碎石图
表3 因子载荷矩阵
由主成分分析能够得到每个原始变量的因子表达式的系数， 即因子载荷矩阵， 如表3所示， 它表示由主成分提取的公因子对原始变量的影响程度。因子载荷的绝对值同公因子和原变量之间的相关性成正比， 前者越大， 那么代表公因子和原变量之间的相关性就越强， 表示得到的公因子越能够全面的反映原变量的信息。
从表3可知主成分1中汇率波动率、财政赤字/GDP、银行存贷比、外债/GDP、外债/外汇收入、偿债率、外债负债率、外债债务率的载荷系数绝对值较大， 说明主成分1能够综合代表这8个指标；主成分2中房地产开发投资/全社会固定资产投资、房地产销售/竣工面积、货币化程度、银行贷款/GDP、保险深度、外汇储备/GDP、保费/GDP的载荷系数绝对值较大， 说明主成分2能够综合代表这7个指标；主成分3中GDP增长率、证券市盈率、股票市值/GDP、经常项目余额/GDP、企业景气指数的载荷系数绝对值较大， 说明主成分3能够综合代表这5个指标；主成分4中M2增长率、失业率、固定资产投资增长率、进出口/GDP的载荷系数绝对值较大， 说明主成分4能够综合代表这4个指标；在主成分5中的载荷系数绝对值较大， 因而主成分5代表通货膨胀率这一指标。
提取了主成分之后， 主成分便为替代原指标的新指标， 下面由因子得分系数矩阵 （如表4所示） , 计算2000~2016年每年的5个主成分得分。
表4 因子得分系数矩阵
将因子1~5的数值乘上各自方差的算术平方根， 便得出主成分1~5的得分， 见表5.
表5 主成分得分
根据上表计算出来的主成分得分值来计算金融安全指标综合评价得分Y, Y值见表6.
表6 综合评价得分
计算出综合评价得分值Y之后， 根据指数的一般表达方式， 将Y值映射到[0, 100]区间来计算金融安全指数。其转化公式是：
MaxY表示综合评价得分最大值， MinY表示最小值。
图2 2000~2016年金融安全指数变化趋势
图2为我国2000年-2016年金融安全指数变化趋势， 总体呈现波动起伏状态。具体可以分为以下五个阶段：
第一阶段 （2000年-2001年） , 指数呈现上升趋势， 代表我国在这一期间金融安全状况有所改善。在这期间， 我国受亚洲金融危机的影响慢慢褪去， 再加上2001年我国加入世界贸易组织， 为我国金融行业的发展提供了良好的机遇， 拉动了国民经济的增长。但是由于我国对外开放程度不断加深， 面临的国际金融威胁与挑战也越来越多， 所以这一时期指数虽有所上升， 但上升幅度偏小。
第二阶段 （2001年-2008年） , 我国金融安全指数不断下降， 并在2008年达到了最低点。这一时期， 西方资本主义面临着严重的经济危机， 国际金融环境十分混乱。2001年， 我国正式加入了世界贸易组织， 对外开放力度不断扩大的同时也增强了金融行业的开放程度， 导致影响金融行业发展的不利因素增加。2007年美国次贷危机全面爆发， 在此次危机的强烈打击下全球金融体系丧失信心， 金融市场震荡不断。我国面临着恶劣的国际金融环境， 对国内金融安全产生了严重的负面影响。首先， 危机大大影响了我国的外贸进出口额。如图3所示， 我国货物进出口额在2008年11月和12月大幅下降。其次， 金融危机严重影响了我国CPI, 使得内需在2008年末大幅度下降， 如图4所示。
图3 2008年中国货物进出口月度同比增速 （单位：%）
数据来源：中国银监会2008年年报。
图4 2008年1~12月中国CPI （单位：%）
数据来源：中国银监会2008年年报。
第三阶段 （2008年-2010年） , 指数呈现上升趋势。在这一时期， 西方金融危机对我国金融安全的不利影响在逐渐减弱， 再加上政府积极采取措施应对金融危机， 使得金融安全形势出现好转。2009年， 我国四个季度的国民经济的增长率分别是：6.6%、7.5%、8.2%和9.2%, 呈逐年上涨的趋势。2009年以后， 我国面临的国际金融环境也在好转， 我国经济发展面临的外部环境得到改善。到了2010年， 我国国民经济增长率达到10.4%.这一期间， 宏观经济形势较为稳定， 在微观经济方面， 商业银行不良贷款率有所减少， 商业银行不良贷款拨备覆盖率不断上升。
第四阶段 （2010年-2011年） , 指数下行阶段， 表示这一阶段我国金融安全有所恶化。2011年， 各大银行的信托产品与理财产品呈现多样化发展趋势， 银行的表外资产增多， 流动性风险加强， 从而造成这段时期金融不稳定的因素增加， 金融安全指数下降。
第五阶段 （2011年-2016年） , 这一阶段金融安全指数不断上升， 表示这段时间我国安全状况良好。这一时期， 我国宏观经济运行不再一味追求高速度的经济增长， 由依靠要素和投资驱动转变为创新驱动；我国宏观经济政策向“供给侧”倾斜。面对复杂的国际国内经济环境， 我国政府实施积的极财政政策与适度宽松货币政策， 并全面落实相关政策扎实工作， 取得了显着的成效。
经过上述分析得出， 本文测算的金融安全指数值大致符合我国金融安全发展趋势。同时可以根据我国金融安全的发展状况， 制定相关措施防范金融风险的发生， 为监管部门提供有效的实证支持。
四、基于VAR模型的实证分析
当前我国经济发展形势不容乐观， 利率市场化、人民币升值、通货膨胀日益严重等都威胁着国内经济的发展。在这种复杂的经济环境下， 为了维护金融安全、防范金融风险， 探索宏观经济波动对我国金融安全的冲击效应很有必要。下面结合前文得出的金融安全指数， 来分析GDP增长率、汇率波动率、通货膨胀率对我国金融安全的冲击效应。
（一） 样本数据的选择
本节数据选自2000~2016年中国经济年鉴和中国金融统计年鉴。
符号说明：Safe-表示金融安全指数
Gdp-Gdp增长率
Exc-表示汇率波动率
Inf-表示通货膨胀率
（二） 实证检验与分析
一般情况下， 判断宏观经济变量之间存在何种关联， 会采取联立方程模型的方法， 可是这种方法需要对变量进行复杂的划分， 若变量为非平稳变量， 则说明存在伪回归问题， 所以本文采取1980年美国经济学家西姆斯发现的非结构性向量自回归模型 （VAR） .该模型以单个内生变量同其滞后值的函数来建立模型， 通常用来研究随机扰动项对系统的动态冲击效应。其表达式如下：
其中， Xt为r维外生变量向量， 存在q阶滞后期， tY为m维内生变量向量， 存在p阶滞后期， 0A、1A、pA和1B、qB为待估计参数矩。若外生变量为常数项， 且内生变量存在p阶滞后期， 则为VAR （p） 模型。它包括单位根检验、协整检验、脉冲响应函数分析以及方差分解分析等步骤， 下面逐一分析探究宏观经济变量对金融安全的影响。
1. 单位根检验
由于时间序列数据往往存在虚假回归等问题， 且其非平稳性会影响模型假设， 所以在对数据进行分析之前需要先对其进行平稳性检验， 对这4个变量及其差分后的序列进行单位根检验。本文采用的检验方法为ADF检验， 由美国经济学家Dickey与Fuller提出。本文利用Eviews8.0软件进行分析， ADF检验结果如表7所示。
表7 ADF检验结果
注：检验类型 （c, t, p） 中， c和t取值0、1, 分别代表检验方程中的常数项和时间趋势项， p是滞后阶数。滞后阶数以Schwarz信息准则为标准。D是Safe、Exc、Gdp的一阶差分项。
从表7中的检验结果可以看到， 原指标中的通货膨胀率在1%的水平上显着， 因此拒绝了存在单位根的检验。这表示GDP增长率是一个平稳序列， 由数据可知我国GDP增长率均值较长时间内基本都保持在9.4%.在差分序列当中， D （Safe） 、D （Gdp） 、D （Exc） 分别在1%的水平上显着， 因此也都拒绝了有单位根的原假设， 这说明：我国的金融安全指数序列趋势平稳， 表示国内金融发展形势渐趋稳定；通货膨胀率也是趋势平稳过程， 表示近年来我国的通货膨胀和失业率不断上升；同样的， 汇率波动率序列也是一个趋势平稳过程， 我国人民币自2005年进行汇率改革以后便不断增值。
2. 协整检验
协整检验有EG检验和Johansen检验这两种方法。EG检验分析两个变量之间的关系， Johansen检验由恩格尔与格兰杰于1987年提出， 用来分析经济问题当中的非平稳时间序列长期稳定的关系。Johansen检验可以获得多变量之间全部的协整关系， 且检验功效比EG稳定， 所以本文采用Johansen协整检验方法用来研究这四个变量之间的协整关系。结果如表8所示。
表8 Johansen协整检验结果
注释：*表示置信水平为95%.
表8中第二行， 迹统计量值为64.9552, 大于5%显着水平下的临界值47.8561, 并且对应得P值为0.0006, 即在95%的水平上否定了原假设， 即四变量之间存在协整方程；第三行， 迹统计量的值为31.02623, 大于5%显着水平下的临界值29.7971, 并且对应得P值等于0.0359, 即在95%的水平上否决了原假设 （即最多存在一个协整关系） .
接下来我们利用AR根图来验证协整关系的正确性。由图5单位根分布图可以清晰的看出， 单位根的倒数都在单位圆内， 即单位根倒数绝对值都小于1, 说明模型是稳定的。
图5 单位根分布图
3. 格兰杰因果性检验
由上面协整检验结果可知失业率、汇率波动率、通货膨胀率和金融安全之间存在着相互关联。为了研究四者之间的关系， 本文采用格兰杰因果检验方法进行探究。变量滞后阶数的选择会对Granger因果关系检验结果产生影响， 由于本文所选样本数据较少， 因而本文选择的滞后阶数为2, 得到检验结果如表9.
表9 格兰杰因果关系检验结果
检验结果显示， 在D （Exc） 方程中， 不能否定D （Safe） 、Inf对D （Exc） 的Grange原因的原假设， 即不能由D （Safe） 、Inf的当期值以及滞后值来描述D （Exc） , D （Exc） 与D （Safe） 、Inf之间相关性不强， 但是D （Exc） 和D （Gdp） 之间存在单向的因果关系， 即D （Gdp） 是D （Exc） 的Grange原因；由表9可知在D （Gdp） 方程中， D （Safe） 与D （Gdp） 有着双向的因果关系， D （Exc） 和D （Gdp） 、Inf之间存在单向的因果关系， 即D （Gdp） 是D （Exc） 、Inf的Grange原因；在Inf方程中， 由检验可知， Inf和D （Safe） 、D （Exc） 之间不存在Grange因果关系， 即不能由D （Safe） 、D （Exc） 的当期值以及滞后值来描述Inf, D （Gdp） 与Inf之间存在单向的因果关系， D （Gdp） 与D （Safe） 之间存在双向的因果关系；在D （Safe） 方程中， 可以看到D （Gdp） 、Inf是D （Safe） 的Grange原因， 这表明我国的通货膨胀率和GDP增长率与我国的金融安全的稳定性密切相关， 而汇率波动率对我国金融安全的影响不大。
4. VAR模型估计
通过前面的模型检验， 我们认为GDP、汇率波动率、通货膨胀率和金融安全存在均衡关系。接下来， 本文构造VAR模型， 对于这四个方面的时间序列的变化关系进行估计。通过估计得到如下VAR模型：
5. 脉冲响应分析
脉冲响应函数， 即给予一个标准差大小的冲击给随机误差项后， 对内生变量的当期值以及未来值的动态影响。接下来根据VAR模型， 探索各变量对我国金融安全指数的脉冲响应与方差分析。由于VAR模型是无约束的， 所以各变量方程的随机误差项存在相关性， 因此需要使用Cholesky分解技术对随机误差项进行正交化约束。在正交化过程中各变量的顺序很关键， 按照变量间当期影响关系将变量进行排序：D （Gdp） 、D （Exc） 、Inf、D （Safe） , 即每一变量对位于其之后的变量存在当期影响， 而对位于其之前的变量不存在当期影响。图6为变量D （Gdp） 、D （Exc） 、Inf对D （Safe） 的脉冲响应分析， 从图6中可知：
（1） 若给GDP增长率的一个单位的正冲击， 则其对我国金融安全的冲击为负， 在第三期产生最大的负影响， 然后开始上升， 上升至第5期时达到最大的正影响， 之后又下降至0值附件上下波动；
（2） 若给汇率波动率的一个单位的正冲击， 则其对我国金融安全的冲击为正， 在第四期时正影响达到最大。但是这种正的影响不会持续太久， 随后便出现下降并在第6期时达到最小值， 之后又上升至0值附近上下波动；
（3） 若通货膨胀率给一个单位的正冲击， 则其对我国金融安全的冲击为正， 不过这种正影响很小， 并且持续时间不长， 随后开始下降并在第四期时下降到最大值， 然后又开始上升至0值附近上下波动。
图6 D （Safe） 影响因素的脉冲响应图
6. 方差分解分析
VAR模型的参数与结构描述了GDP、汇率波动率、通货膨胀率以及金融安全向量随时间变化的规律。接下来本文将通过方差分解来研究变量的扰动项对变量变动的贡献度， 表示变量变动具有一定的重要性。表10中给出了GDP、汇率波动率、通货膨胀率和金融安全方差分解结果。从表10可以得知：除了开始的两期变动较大， 之后通货膨胀率对金融安全指数的贡献度基本上维持在41%左右呈上升趋势， 汇率波动率对我国金融安全指数的贡献度基本保持在31%左右， 但是略有下降的趋势， GDP仅维持在9%左右且呈下降趋势。由此可见， GDP增长率、通货膨胀率、汇率波动率这三者都会对我国金融安全产生影响， 这符合我们提出的假设。其中对我国金融安全指标变化贡献最大的是通货膨胀率， 其次是汇率波动率， 这说明通货膨胀率和汇率波动率对我国金融安全的影响最大， 且通货膨胀率的影响力会逐渐变大。
表1 0 D （Safe） 响因素的方差贡献度
五。结论与政策建议
（一） 结论
本文在前人研究的基础上， 首先根据数据的可获得性， 分别从宏观经济、中观金融市场、微观金融机构、外部金融环境以及金融业软环境这五个方面选取了25个金融经济指标， 建立了我国金融安全评价指标系统。然后， 采用主成分分析方法测算了2000~2016年间我国金融安全指数， 结果显示我国金融安全在2000~2016年间呈现波动起伏的总体趋势， 大致分为五个阶段：2000~2001年， 指数呈现上升趋势， 表示我国的金融安全状况得到了改善；2001~2008年， 指数不断下降， 且在2008年达到最小值；2008~2010年， 指数呈上升趋势， 表示这段时间我国的金融发展状况良好；2010~2011年， 指数下行阶段， 表示这一阶段我国金融安全形势恶化；2011~2016年， 这一阶段金融安全指数呈现逐年上涨趋势， 表示这段时间我国安全状况良好。以上变动基本符合我国金融安全真实状况。最后， 基于上述金融安全指数， 分析了GDP增长率、汇率波动率、通货膨胀率对我国金融安全的冲击效应， 结果显示：目前通货膨胀率和汇率波动率是最影响我国金融安全的两个指标， 且通货膨胀率对金融安全的冲击效应会越来越大。
（二） 政策建议
根据上述结论， 本文提出以下几点政策建议：
1.编制金融安全评价指标体系
编制符合我国经济发展现状的金融安全评价指标体系， 从而为客观评价我国金融安全发展状况、预测金融风险、保护我国金融安全提供科学的理论依据；
2.保持稳定的宏观经济环境
稳定的宏观经济环境是金融安全发展的重要保障， 政府要充分关注汇率波动率和通货膨胀率对我国金融安全的冲击效应， 以防对我国金融安全造成不利影响。
3.实施稳健的金融市场对外开放政策
在风险可控的基础上， 进一步扩大金融市场对外开发力度， 同时也要注重中观金融市场、微观金融机构的治理机制与风险管理， 加强对金融业软环境的风险监管， 全面改善我国的金融安全状况。
4.制定相关的法律法规保证金融监管的有效运行
目前我国金融市场不稳定因素较多， 且面临着国际国内双重金融风险， 它们相互交织与渗透， 若某些金融机构风险控制能力较差， 便很容易受到影响， 因而需要相关的法律法规来完善金融监管体系。
参考文献
[1]姜洪， 焦津强国家金融安全指标体系研究[J].世界经济， 1999 （7） :9-16.
[2]陈松林。中国金融安全问题研究[D].华中农业大学， 2001.
[3]汪祖杰， 吴江。区域金融安全指标体系及其计量模型的构建[J].经济理论与经济管理， 2006, V （3） :42-48.
[4]汤凌霄。中国金融安全报告：预警与风险化解[M].北京：红旗出版社， 2009.
[5]叶莉， 陈立文， 韩冰。我国金融安全评价体系及应用研究[J].价值工程， 2009 （10） :150-153.
[6]何德旭， 娄峰。中国金融安全指数的构建及实证分析[J].金融评论， 2012 （5） :1-14.
[7]顾海兵， 张安军， 李彬。中国金融安全指数动态监测比较分析[J].福建论坛 （人文社会科学版） , 2012 （3） :11-17.
[8]沈悦， 张珍。中国金融安全预警指标体系设置研究[J].山西财经大学学报， 2007, 29 （10） :89-94.
[9]杨丽荣， 沈悦， 张珍。金融安全预警指标的权重确定及其实证[J].统计与决策， 2008 （4） :59-61.
[10]沈悦， 王小霞， 张珍。 AHP法在确定金融安全预警指标权重中的应用[J].西安财经学院学报， 2008, 21 （2） :65-69.
[11]蒋海， 苏立维。中国金融安全指数的估算与实证分析：1998-2007[J].当代财经， 2009 （10） :47-53.
[12]李华， 赵姝颖， 孙秋柏， 等。加权主成分距离聚类下金融安全指标评价体系构建与分析[J].数学的实践与认识， 2018 （1） :90-102.
[13]柏继云， 宋聚生， 李放歌， 等。层次分析积因子位次赋值求权重方法及应用[J].科技与管理， 2006, 8 （2） :45-47.
[14]宋智华， 蒋惠园。基于主成分分析法的物流配送中心选址决策[J].物流科技， 2008, 31 （9） :39-41.
[15]黄叶金。宏观经济波动对我国金融安全的冲击效应研究[J].统计与决策， 2015 （21） :131-134.
[16]韩鹏。通货膨胀的福利成本研究[D].山东大学， 2009.
[17] 丁俊君， 戴生泉。我国宏观经济运行动态模拟与预测[J].辽宁经济统计， 2004:15-16.
[18]Murombo T, Savings G D, Dickey-Fuller （DF） . Analysis Of Causality Between Savings And Economic Growth[J]. Lap Lambert Academic Publishing, 2011.
[19]Mishkin F S. Global financial instability:framework, events, issues[J].Journal of Economic perspectives, 1999, 13 （4） :3-20.
[20]Fisher I.The debt-deflation therory of great depression[J].Econometrica, 1993, 1 （4） :337-357.
[21]Crockett A. The theory and practice of financial stability[J]. Economist, 1996, 144 （4） :531-568.
[22]Duisenberg W F.The contribution of the financial stability in Globalization of financial markets and financial Stability:challenges for Europe[J].Baden, 2001:37-51.
[23]Padoa-Schioppa T. Central banks and financial stability:exploring a land in between in:V Gaspar, partmann, osleijpen （eds） [c]//The transformation of the European financial system, European Central Bank, Frankfurt, 2003:269-310.