文章快速检索     高级检索
  南方经济  2019, Vol. 38 Issue (9): 1-18     DOI: 10.19592/j.cnki.scje.361216
0

引用本文 

沈丽, 张影, 李文君, 刘媛. 我国区域金融风险的时空演化及驱动机制——基于经济四部门视角[J]. 南方经济, 2019, 38(9): 1-18.
Shen Li, Zhang Ying, Li Wenjun, Liu Yuan. The Temporal and Spatial Evolution and Driving Mechanism of Regional Financial Risks in China: Based on Four Sectors of the Economy[J]. South China Journal of Economics, 2019, 38(9): 1-18.

基金项目

本文受国家社会科学基金项目"新常态初期区域金融风险生成机理及防控对策研究"(16BGL052)资助

通讯作者

张影(通讯作者), 山东财经大学金融学院, E-mail:2572892750@qq.com, 通讯地址:山东省济南市市中区舜耕街道40号,邮编:250014

作者简介

沈丽, 山东财经大学金融学院教授, E-mail:scshenli@126.com;
李文君, 山东财经大学金融学院;
刘媛, 山东财经大学金融学院
我国区域金融风险的时空演化及驱动机制——基于经济四部门视角
沈丽 , 张影 , 李文君 , 刘媛     
摘要:文章基于我国2005至2016年的分省数据,采用SMR和基尼系数法刻画了区域金融风险的时空演化趋势,并通过构建多样化空间关联模式,运用空间偏微分方法,从经济四部门视角验证了区域金融风险时空演化的驱动机制。研究发现:从我国区域金融风险的时空演化来看,在时间维度上,大部分省份仍存在较高的金融风险,在空间维度上,样本考察期内东部地区和西部地区金融风险地区内差异较大,中部较小,东部地区和中部地区金融风险的地区间差异最大,东部地区和西部地区次之,中部地区和西部地区最小;区域内政府、企业和家庭部门是导致区域金融风险时空演化的主要原因,且区域间的风险外溢效应加大了对区域金融风险的冲击作用。因此,国家防控金融风险要切中要害,从区域金融风险的源头抓起,充分考虑地区之间的空间关联,防止区域内外驱动机制对区域金融风险的放大作用,避免决策偏误。
关键词区域金融风险    时空演化    驱动机制    空间偏微分方法    
The Temporal and Spatial Evolution and Driving Mechanism of Regional Financial Risks in China: Based on Four Sectors of the Economy
Shen Li , Zhang Ying , Li Wenjun , Liu Yuan
Abstract: China has entered a period of frequent financial risks. To prevent and resolve financial risks, it is necessary to clarify the spatial and temporal evolution of financial risks. The reality of China reflects the influence of government departments, enterprise departments and household departments on regional financial risks. Therefore, we solve the above problems from the perspective of the four sectors of the economy.The regional government, business and household sectors may have an impact on regional financial risks, and sectors in other regions may also have an impact on regional financial risks through the spatial interaction of economic activities. Using China's provincial data from 2005 to 2016, we describe the spatial and temporal evolution of regional financial risks, and further verify the driving mechanism of regional financial risk spatial and temporal evolution from the perspective of economic four sectors.The study finds that in the time dimension, most provinces still have high financial risks. In the spatial dimension, there are large differences of the financial risk in different regions of China. Among these differences, during the sample survey period, the regional gap of the financial risk in the eastern region and the western region are larger, and the central part is smaller. The inter-regional gap between eastern region and the central region is largest, followed by the eastern region and the western region, and inter-regional gap between the central region and the western region is smallest. The regional government, business and household sectors are the main reasons for the spatial and temporal evolution of regional financial risks, and the risk spillover effect between regions will increase the impact on regional financial risks.Our findings are meaningful for preventing and controlling financial risks. It is important to grab the key areas, and start from the source of regional financial risks, and fully consider the spatial correlation between regions to avoid decision-making mistakes and prevent regional systemic financial risk outbreaks.
Keywords: Regional Financial Risk    Spatio-temporal Evolution    Driving Mechanism    Spatial Partial Differential Method    
一、问题提出

国际货币基金组织在2018年发布的《全球金融稳定报告》中指出,全球金融风险上升。而伴随经济社会转轨、经济增速放缓、经济结构调整,我国已进入金融风险易发多发期。党和国家高度重视金融风险的防控化解,十九大报告、2018年中央经济工作会议均把防范区域性系统性金融风险作为三大攻坚战之首。防范和消除区域金融风险的关键在于识别区域金融风险的时空演化趋势,即各省域在时间维度上处于何种风险等级,在空间维度上区域金融风险具有怎样的地区差异,而进一步厘清区域金融风险时空演化的驱动机制,即各种因素如何导致区域金融风险的时空演化,是“防风险”的重要环节。我国的现实情况为此问题的研究提供了崭新的视角。2008年前后山东海龙的违规担保,温州、鄂尔多斯和东营天信集团等的非法集资形式,2017年前后齐星魏桥系和农民征信暴动事件,都在一定程度上影射出政府部门、企业部门和家庭部门对区域金融风险影响态势不容忽视。而近年来我国金融格局发生着根本性变化,金融体系规模迅速膨胀,经济四部门间的联系也愈发紧密。在此背景下,对于我国区域金融风险时空演化及驱动机制的研究,有利于进一步识别区域金融风险源,控制区域金融风险交叉传染渠道,避免区域性系统性金融风险爆发。

① 2018年8月在中国金融稳定发展委员会召开的第二次会议时强调,我国尚处于新旧动能转换期,长期积累的金融风险金融易发多发期。

① 以上案例由作者手动整理获得。

学者们对不同领域的时空演化及驱动机制展开了系统详实的研究。上述研究中,时空演化通常被界定为空间差异演变特征,并用基尼系数、变异系数等方法刻画其大小及来源,驱动机制通常被界定为导致时空演化出现差异的作用机制,并用空间分析方法对其进行实证检验。这些研究为探讨区域金融风险的时空演化及驱动机制提供了诸多有益的借鉴和参考。沿此思路,现有文献的一部分阐释了区域金融风险的空间差异演变特征,如易纲(2005)唐跃等(2011)关注了不良贷款率的空间差异性,沈悦等(2017)王擎等(2018)则综合银行机构等多角度测度中国区域金融风险,并通过直接比较数值得出我国金融风险的省际差异。另一部分则对金融风险区域差异的作用机制进行了分析,其内容主要包含两大方面:第一,金融危机期间学者们采用空间计量方法验证了国家(地区)间金融风险溢出。该溢出主要通过两种渠道进行:一是国际贸易和投资等实体经济的关联(Dornbusch at al.,2000Masson,1999),国家或地区危机加剧损害了与其贸易关系密切国家的经济基础(通过进口出口抑制等),从而导致危机在正常相互依赖的国家或地区间产生基本面溢出;二是国际金融市场的互联,包括季风效应、溢出效应和纯传染效应(Diebold at al.,2000王聪、张铁强,2011),以上效应不能通过宏观经济基本面传染,而会因金融机构去杠杆化等的运作模式导致金融风险在多国传递。第二,学者们采用空间计量、GMM等方法从一国经济部门结构视角,探讨不同部门风险对区域金融风险的溢出。根据国家审计署报告数据显示,地方政府债务资金的56%来源于银行贷款,地方政府债务风险很容易通过银行信贷对金融系统进行风险传染(王国刚,2012Bonis and Stacchini, 2013缪小林、伏润民,2013徐建国、张勋,2013刘骅、卢亚娟,2016伏润民等,2017毛锐等,2018)。Bernanke et al.(1991)的“金融加速器”模型和Fisher(1933)的“债务——通缩”机制均阐释了企业债务对金融风险的外溢效应。而近年来我国非金融部门企业债务显著高于国际平均水平,严重加剧了金融体系脆弱性(李佩珈、梁靖,2015陶玲、朱迎,2016苟文君等,2016纪敏等,2017刘一楠、王亮,2018)。鉴于目前家庭部门债务较快的增长速度,中国人民银行课题组(2014)李扬等(2015)巴曙松(2016)张江涛(2018)等的研究指出,要警惕家庭部门债务过快增长的潜在金融风险,防止家庭部门超过收入增速的过度负债行为诱发债务链断裂的风险爆发。宋凌、叶永刚(2011)则指出我国区域金融风险存在“企业——银行”和“政府——银行”的部门间传染路径。吕勇斌、陈自雅(2014)在此基础上研究指出,空间相关性增强了风险的跨部门溢出效应。

郑艳婷等(2018)描述了长江中游地区制造业企业时空格局演化,李强、李新华(2018)刻画了经济增长质量的时空格局演化,吴加伟等(2014)探讨了FDI的时空格局演化及驱动机制,陈威等(2016)研究了中国省域对外开放度的时空格局演化与驱动机制。

③ 数据根据《全国政府性债务审计结果》(2013年12月)报告整理得到。

结合现有相关文献,学者们主要从两大方面展开综述:一是区域金融风险的时空演化;二是区域金融风险时空演化的驱动机制。就区域金融风险的时空演化而言,学者们主要是针对单一风险方面(如不良贷款率的空间差异)或整体方面(如基于房地产、股票等市场)综合测度金融风险大小,通过直接比较测度的数值探讨区域金融风险的空间差异,而进一步从时间维度识别区域金融风险的时序变化,从空间维度探讨不同区域间金融风险差异大小及来源的研究有待进一步展开;就区域金融风险时空演化的驱动机制而言,学者们更多关注的是单一部门对金融部门的风险传染,而综合经济四部门全面考察区域金融风险时空演化驱动机制的研究有待进一步展开。

基于此,本文可能的创新之处在于从时间和空间两个维度来探讨我国区域金融风险的时空演化,并进一步综合政府、企业和家庭部门全面考察我国区域金融风险时空演化的驱动机制。本文其余内容安排如下:第二部分界定区域金融风险时空演化驱动机制的内涵,并对区域内外政府、企业和家庭部门对区域金融风险时空演化的驱动机制展开分析。第三部分从时间和空间两个维度实证估计了我国区域金融风险的时空演化趋势。第四部分基于空间计量模型实证检验了我国区域金融风险时空演化的驱动机制。第五部分则给出结论和相关的政策建议。

二、区域金融风险时空演化的驱动机制分析 (一) 区域金融风险时空演化驱动机制的内涵界定

本文从狭义上界定区域金融风险,即指在参与金融市场的金融活动时我国区域内(一般指省域)金融机构面临的金融资产和声誉损失的不确定性。在此基础上,借鉴吴加伟等(2014)陈威等(2016)的研究,将区域金融风险驱动机制界定为导致区域金融风险时空出现差异的作用机理。本文在找出影响我国区域金融风险的时空演化主要因素的基础上,阐释这些因素如何作用于区域金融风险的时空演化。区域金融风险时空演化是纵多因素共同作用的结果,其中相对重要的因素是政府、企业和家庭部门的异质性。由于金融部门与该区域内外其他部门之间相互联系,不仅该区域经济部门对本区域金融风险产生影响,其它区域也会因为空间关联对该地区金融风险产生溢出效应。因此区域内外政府、企业和家庭部门对区域金融风险时空演化的作用机制即是本文研究的区域金融风险时空演化的驱动机制。本章将从理论上阐释这种驱动机制,具体分为区域内驱动机制和区域间驱动机制。

(二) 区域金融风险时空演化的驱动机制 1. 区域金融风险时空演化的区域内驱动机制

在分析政府、企业和家庭部门对金融风险的空间溢出机制之前,必须先厘清它们通过哪些途径直接作用于区域金融风险,空间溢出渠道很大程度上是直接效应的延伸。区域金融风险的内在特性决定了其必然要受到经济环境中政府、企业和家庭部门直接溢出效应:

(1) 政府行为的双重效应。首先是政府行为的正效应:根据公共财政理论,政府的生产类以及福利性财政支出可直接或间接通过影响产业结构变迁,提高经济各部门的全要素生产率,提高人们的收入水平,从而刺激市场需求,扩大企业生产,缩小区域金融风险;其次是政府行为的负效应:地方金融机构放贷既受我国辖区地方金融机构与地方政府间的隶属关系的行政因素干扰,同时又受逐利动机以及晋升、隐性收入等短期收益的影响,对强信用的地方政府具有较强的放款意愿。这种事实上的信贷软约束机制加剧了政府部门风险对金融部门风险的传导。

(2) 企业的信贷渠道和非正规金融渠道。银行对企业贷款受经济周期影响。经济上行期,企业、银行对经济态势乐观,企业积极投资,银行加大信贷投放;一旦经济出现下滑,由于经营管理不善企业无法偿还贷款,银行不良贷款增加,银行体系风险增大。另外,非金融上市企业将获取的资金进行金融投资,导致金融行业体系膨胀,进一步加剧金融风险。由于信贷市场上信息不对称,非金融上市企业利用自身优势在银行体系获得贷款,直接贷放给难以通过正当手段从正规金融体系获得资金的中小微企业,致使资金从实体经济回流到金融体系增大了金融杠杆,较高的金融杠杆则会形成信贷泡沫(张成思、张步昙,2015),触发金融危机,形成Allen and Gale(2000)提出的“信贷——资产泡沫”

① Allen and Gale(2000)通过对“信贷—资产泡沫模型”的分析指出,信贷扩张造成的信贷泡沫会引发资产价格破灭的系统性风险。

(3) 家庭部门的“净传染效应”。这种效应主要是指个体银行的信誉或者不良贷款的上升引发投资者的非理性预期、恐慌心理蔓延,资产抛售的羊群行为,导致银行挤兑风潮发生,诱发银行危机。

2. 区域金融风险时空演化的区域间驱动机制

没有理由可以断言溢出效应会因为地理或行政边界而只停留在初始溢出地。本区域政府、企业和家庭部门的经济行为势必会对其他区域产生溢出效应即经济外部性。忽略经济部门对金融风险的空间外溢效应,将不利于准确评估金融风险。而从经济活动的空间相互作用方式入手能够较好的解释金融风险的空间演化的驱动因素。具体来看,基于劳动力的区际迁移视角,新古典劳动力迁移理论强调区际收入差异是区际劳动力迁移的主要动因。劳动力迁移是对经济的理性反应,劳动力倾向向比较发达、工资比较高、生活质量比较高的区域流动。而劳动力这一生产要素本身蕴含了大量有关技术与研发创新的信息,劳动力净流入和劳动力净流出区域在风险管理水平上出现差距,导致风险发生不同程度的累积和传染。基于资本流动视角,资本具有逐利性特征。当某一区域的回报率高于其他区域时,除非对资本流动采取严格控制或者信息完全不对称,则资本会直接流入回报率较高的地区,资金的区际流动会拉长债权债务链条,构建起债权债务的复杂网络,成为区域金融风险传播的一大途径。基于创新的空间扩散视角,根据经济内生增长理论,内生的技术进步可以实现经济持续增长。Arrow(1962)认为投资具有溢出效应,不仅进行投资的厂商可以通过积累生产经验提高生产率,其他厂商也可以通过“学习”提高生产率,知识的非排他性导致知识扩散的溢出效应。而Grossman and Helpman(1991)Keller(2002)则指出,知识和技术的溢出呈现空间衰减律,即知识和技术溢出是局部溢出而不是全部溢出,其强度随空间距离的增加而减少。这种知识和技术的局部溢出是邻近区域经济活动产生外部性的主要原因之一。基于区际贸易视角,North(1955)的输出基础理论能阐释区际贸易对经济的影响。该理论的基本思想为:一个区域对外输出(包括产品和服务)的总额越大,其输出产业的收入越多。这部分收入除了补偿输出产业的生产费用外,还可以用于满足区域内需要产品的生产和服务,以及用于扩大进口;另一方面,输出产业的生产活动需要许多区域非输出产业的配合和协作。因此,输出生产和输出总额越大,区域经济的规模和相应的收入越大。从这个意义上看,对外贸易越发达的区域,金融风险的传染效应较小。第五,从产业或公司的迁移角度,佛农的产品生命周期理论表明,产品或产业在不同的生命阶段具有不同的生产要素组合,不同区位的资源禀赋满足不同的产业或产品不同阶段的生产。由此不同区域也会因为产品或产业的生命周期的变化,而面临不同的风险累积程度和风险外溢效应。

Krugman(1991)提出,溢出效应不会因为地理或者行政边界而停止。

此外,作为要素配置主体的政府行为也会对其他地区具有外部性影响。政府除了要肩负宏观管理职能之外,其行为还要受到绩效考核和地方政府之间竞争的影响。在很大程度上,地方政府绩效考核被单一化为地方经济发展好坏即GDP的高低。这很可能造成地方政府在注重赶超经济发展水平相对较高的地区时,会尽量避免本地区的经济增长给其他参与竞争的官员所在地区带来正外部性。而地方政府竞争机制强化了地方政府的投资冲动,竞相重复性投资会浪费资源和稀缺资本,增加区域金融风险。

三、我国区域金融风险的时空演化

各区域的政府、企业和家庭部门通过上述阐释的区域内和区域间的驱动机制使区域金融风险进行时空演化。本部分在测度区域金融风险的基础上,实证估计我国区域金融风险的时空演化。该估计主要从区域金融风险的时序变化和空间差异演变两部分展开。

(一) 区域金融风险的测度 1. 区域金融风险指标与模型选择

Illing and Liu(2003)利用加拿大银行业和股票市场数据,开启了多维度构建金融压力指数估计金融风险的先河。国内外学者纷纷效仿,基于多角度构建金融压力指数来测度金融风险(宫晓琳,2012许涤龙、陈双莲,2015;Balakrishnam et al., 2009;Gardarelli at al.,2011;Giraradi at al.,2013;Hakkio and Keeton, 2009陶玲、朱迎,2016徐荣等,2017)。借鉴上述研究成果,结合我国实际情况以及数据可获得性,本文主要从银行、保险市场、股票市场和房地产市场四个维度构建区域金融风险指标体系。不同维度选取的基础指标如表 1所示。保险市场指标用保费深度代表,股票市场指标用股票市值/GDP代表,银行系统指标用不良贷款率、存贷比、信贷膨胀率来表示,房地产市场则用住宅销售价格指数来表示。其中,保费深度、股票市值/GDP和存贷比是逆向指标;不良贷款率、住宅销售价格指数是正向指标;信贷膨胀率是适度指标。本文对我国30个省(市、自治区)进行了抽样调查,剔除了多年数据遗失的西藏自治区和港澳台地区,时间跨度为2005至2016年。所有数据来自于Wind数据库、国家统计局、EPS全球统计数据库以及《中国区域经济统计年鉴》。至于测度模型,本文采用Kanbur and Xiaobo(1999)、沈悦、张珍(2007)的熵权法,该方法的优势在于既保留了原始变量明确的含义,又结合了多维度指标综合考量区域金融风险。

表 1 我国区域金融风险的基础指标池
2. 区域金融压力指数的构建

为了消除不同指标维度和幅度差异对计算结果的影响,本文首先对各项风险指标进行正向标准化处理,最终得出指标值越大,风险越大。此外用熵权法为每个指标赋权,以获得代表区域金融风险的大小的综合评估值。具体过程如下:

首先,指标的正向标准化处理:

正向指标标准化处理方式如公式(1)所示:

$ {r_{jt}} = \frac{{r_{jt}^\prime - \min \left( {r_{jt}^\prime } \right)}}{{\max \left( {r_{jt}^\prime } \right) - \min \left( {r_{jt}^\prime } \right)}} $ (1)

负向指标标准化处理方式如公式(2)所示:

$ {r_{jt}} = \frac{{\max \left( {r_{jt}^\prime } \right) - r_{jt}^\prime }}{{\max \left( {r_{jt}^\prime } \right) - \min \left( {r_{jt}^\prime } \right)}} $ (2)

适度指标标准化处理方式如公式(3)所示:

$ {r_{jt}} = \frac{{\left| {r_{jt}^\prime - \overline {r_{jt}^\prime } } \right|}}{{\max \left( {r_{jt}^\prime } \right) - \min \left( {r_{jt}^\prime } \right)}} $ (3)

其中,rjt为第t年的第j个指标值。

其次,计算第j个指标第t年的比重如公式(4)所示:

$ {p_{jt}} = \frac{{{r_{jt}}}}{{\sum\limits_{t = 1}^n {{r_{jt}}} }} $ (4)

再次,计算第j项指标的信息熵如公式(5)所示:

$ {H_j} = - k\sum\limits_{i = 1}^m {{p_{jt}}} \ln {p_{jt}},j = 1,2, \cdots ,n,k = \frac{1}{{\ln m}} $ (5)

进而根据gj=1-Hj求出变异系数。变异系数值越大表明系统的无序越大,指标在综合指数中占比越高。

最后,计算第j项指标的权重如公式(6)所示:

$ {w_j} = \frac{{{g_j}}}{{\sum\nolimits_{j = 1}^n {{g_j}} }} $ (6)

因此,第t年第j项指标的综合评价值如公式(7)所示:

$ {v_t} = \sum\limits_{j = 1}^n {{p_{jt}}} {w_j} $ (7)

基于上述过程测度的我国30个省2005至2016年区域金融风险综合评估值详见附录1

① 由于篇幅限制,附录1不再列示,如有需要,可向作者索要。

(二) 区域金融风险的时序变化特征

本章上一部分对我国区域金融风险的相对大小进行了测度,为了更加清晰直观地阐述我国区域金融风险的时序变化特征,本部分利用SMR方法进一步估计我国各省域金融风险所处风险等级。

1. SMR模型构建

SMR是被来自University of Lodz(Poland)的Prof. Dorota Witkowska和来自Warsaw University of Life Sciences(Poland)的Prof. Krzysztof Kompa推广来验证不同国家经济发展的动态演化过程的方法。他们指出,SMR模型将研究主体划分为四个层次,Ⅰ代表Excellent level of development,指该区域风险稳态处于大于SMR加上1倍标准差的范围,Ⅱ代表High level of development,指该区域风险稳态处于SMR±1倍标准差的范围,Ⅲ代表Average level of development,指该区域风险稳态处于SMR减1倍标准差之内,Ⅳ代表Low level of development,指该区域风险稳态处在小于SMR减1倍标准差的范围。总的来说,隶属于Ⅰ的区域风险最小,Ⅳ区域风险最大。SMR的具体过程如公式(8)所示:

$ SM{R_{jt}} = 1 - \frac{{{q_{jt}}}}{{2 \cdot {s_{qt}} + \overline {{q_t}} }},j = 1,2, \cdots ,n,t = 1,2, \cdots ,T $ (8)

其中,qjt为目标值与假设基准点间的距离,如公式(9)所示:

$ {q_{jt}} = \sqrt {\sum\limits_{j = 1}^k {{w_j}} \cdot \left( {{r_{jt}} - r_{jt}^0} \right)^ \wedge 2} ,r_{jt}^0 = \mathop {\max }\limits_{i = 1,2, \ldots ,n} \left\{ {{r_{jt}}} \right\} $ (9/10)

其中,wj是公式(6)所示的指标权重值,rjt0rjt是公式(1)至公式(3)所描述的第j个指标在时期t内演化的标准值,rjt0的取值如公式(10)所示。

公式(8)中的均值及标准差的计算方式如公式(11/12)所示:

$ \bar q = \frac{1}{n}\sum\limits_{i = 1}^n {{q_{it}}} ,{S_{qt}} = \sqrt {\frac{{\sum\limits_{i = 1}^n {\left( {{q_{it}} - {{\bar q}_t}} \right)} }}{n}} $ (11/12)
2. 我国区域金融风险的时序变化特征

根据SMR,2005至2016年我国区域金融风险的时序动态演变趋势如表 2所示。其中,从上到下依次为Ⅰ、Ⅱ、Ⅲ、Ⅳ等级,四个等级用粗线分开,等级越高,风险越高。

表 2 2005至2016年区域金融风险的时序变化特征

为了直观展示我国各省金融风险跨风险等级的分布状况,现按照风险等级将我国省域列表如表 3所示:

表 3 各省(市、自治区)金融风险跨风险等级分布汇总表

综合表 2表 3可以得出:第一,样本期间部分省份金融风险只位于一个等级,并没有跨等级分布,如北京始终处于第Ⅰ等级,湖北始终处于第Ⅱ等级,吉林、山东和广西始终处于第Ⅲ等级,而大部分省份金融风险在样本期间位于两个及以上等级,属于跨等级分布,例如上海、广东等地处于Ⅰ等级和Ⅱ等级。第二,风险等级的转移具有连续性,例如2006年陕西金融风险处于Ⅰ等级,2007上升至Ⅱ等级,并未跨等级至Ⅲ或Ⅳ等级。第三,虽然有省份金融风险连续多年处在某一等级,但在同一等级内的分布也有差异。例如,2014年和2015年福建的金融风险,虽然处于同一个等级,但在2014年处于第Ⅲ等级的中间位置,2015年则处于第Ⅲ等级的末尾。可见,各省域金融风险在时间维度上处于动态变化过程中且大部分省份金融风险较高,风险防范不容忽视。此外,金融风险的转移具有连续性,表明风险的累积是一个过程,为未来区域金融风险的防范治理提供一定的时间缓冲。

(三) 区域金融风险的空间差异 1. 基尼系数构建

Dagum(1997)最早提出基尼系数及其按子群分解的方法,根据基尼系数法测算区域金融风险的地区差异,其优点在于可具体算出区域金融风险的整体差异、东、中和西部地区内以及地区间差异和超变密度贡献率。具体如公式(13)至(23)所示。

$ G = {G_w} + {G_{nb}} + {G_t} = \sum\limits_{j = 1}^k {\sum\limits_{h = 1}^k {\sum\limits_{i = 1}^{{n_j}} {\sum\limits_{r = 1}^{{n_h}} {\left| {{y_{jt}} - {y_{hr}}} \right|} } } } /2{n^2} $ (13)
$ {\bar Y_h} \le \cdots \le {\bar Y_j} \le \cdots \le {\bar Y_k} $ (14)
$ {G_w} = \sum\limits_{j = 1}^k {{G_{jj}}} {p_j}{s_j},{G_{jj}} = \frac{1}{{2\bar Y}}\sum\limits_{i = 1}^{{n_j}} {\sum\limits_{r = 1}^{{n_j}} {\left| {{y_{ji}} - {y_{jr}}} \right|} } /n_j^2 $ (15/16)
$ {G_{nb}} = \sum\limits_{j = 2}^k {\sum\limits_{h = 1}^k {{G_{jh}}} } \left( {{p_j}{s_h} + {p_h}{s_j}} \right){D_{jh}} $ (17)
$ {G_t} = \sum\limits_{j = 2}^k {\sum\limits_{h = 1}^{j - 1} {{G_{jh}}} } \left( {{p_j}{s_h} + {p_h}{s_j}} \right)\left( {1 - {D_{jh}}} \right),{G_{jh}} = \sum\limits_{i = 1}^{{n_j}} {\sum\limits_{r = 1}^{{n_j}} {\left| {{y_{ji}} - {y_{hr}}} \right|} } /{n_j}{n_h}\left( {{{\bar Y}_j} + {{\bar Y}_h}} \right) $ (18/19)
$ {D_{jh}} = \frac{{{d_{jh}} - {p_{jh}}}}{{{d_{jh}} + {p_{jh}}}},{d_{jh}} = \int_0^\infty d {F_j}(y)\int_0^y {(y - x)} d{F_h}(x),{p_{jh}} = \int_0^\infty d {F_h}(y)\int_0^y {(y - x)} d{F_j}(y) $ (20/21/22)

从式(13)可知,总体基尼系数(G)来表示,包含三部分:区域间差异贡献率(Gnb)、区域内差异贡献率(Gw)和超变密度贡献率(Gt),上述各子项的具体计算如式(18)、式(15)、式(16)和式(19)所示。式(14)以金融风险水平为参照对四大区域风险水平进行大小排序。式(15)和式(17)是对区域内Gjj基尼系数和区域间基尼系数Gjh的测算,其中yjh(yhr)表示j(h)地区各省(市、自治区)金融风险指数,y为中国各省(市、自治区)金融风险指数均值,k表示样本区域个数,n为省份个数,nj(nh)是j(h)所在地区省份个数。式(20)中Djh表示j(h)区域间金融风险水平的相对影响。式(21)中djh是区域间金融风险水平之差,也可认为是j、h区域中yji-yhr>0所有省份金融风险水yhr-yji>0平之和的均值。式(22)中pjh定义为超变一阶矩,可以理解为j(h)地区中所有的yhr-yji<0样本值加总的数学期望。其中,Fj(Fh)代表区域j(h)的累积密度分布函数。

2. 我国金融风险的地区差异演变趋势

基于基尼系数法估计了金融风险的总体差距、地区内(东、中、西部地区内部)差异、地区间(东部和中部地区、东部和西部地区以及中部和西部地区)差异以及总体差异的来源及贡献,分别用图 1图 2图 3图 4表示。

① 如李敬等(2008)邓向荣等(2012)刘华军等(2012)沈丽、鲍建慧(2013)等均采用东中西三大区域的划分方法。

图 1 总体地区差异 资料来源:作者整理。
图 2 地区内差异 资料来源:作者整理。
图 3 地区间差异 资料来源:作者整理。
图 4 总体差异的来源及贡献 资料来源:作者整理。

(1) 金融风险总体差异的演变趋势。由图 1可知,样本期内区域金融风险的总体差异整体上呈波动中上升趋势。其中,2005至2010年总体差异呈波动中下降趋势,2011年至2015年差异逐渐拉大,2016年差异出现小幅回落。这可能由于2005至2010年全球金融危机期间,中国各省普遍面临着较高的金融风险,金融风险的空间差异逐渐下降;2011至2015年间,中国政府出台了四万亿刺激政策以应对危机对中国经济造成内需疲软的影响,各地区由于不同的区位条件、资源禀赋、产业结构和资金使用情况,对政策的反应不同,其金融风险空间差异较大。“结构性供给侧”改革提出后,各地区积极推进金融改革与发展,其金融风险总体空间差异在2016年出现小幅回落。

(2) 金融风险地区内、地区间差异及其贡献度的演变趋势。首先是地区内差异,从图 2可知,东部、中部和西部地区金融风险地区内差异在2007年之后变化显著。就差异大小看,2007年之后,东部和西部地区金融风险的地区内差异较大,中部地区较小,这可能由于东部和西部地区省份较多,省份之间资源禀赋、区位条件等具有较大差异,从而导致金融风险的地区内差异较大;就差异变化趋势看,东部和中部地区金融风险的地区内差异呈“下降—上升—下降”的波动性变化趋势,全球金融危机期间东部和中部地区的金融风险增加,地区内差异缩小,而各地区由于对四万亿刺激政策的不同反映,差异又被进一步拉大,之后随着“供给侧结构性改革”的推进,差异出席回落。西部地区金融风险的地区内差异较高,一直处于波动中上升态势,表明西部地区受全球金融危机影响较小,并没有因西部地区整体金融风险上升而缩小差异,反而可能由于西部各省资源禀赋、产业结构等的较大差异,金融风险地区内差异维持在较高水平。其次是地区间差异,由图 3可知,东部和中部地区金融风险地区间差异最大,东部和西部地区次之,最后是中部和西部地区。这可能由于东部地区凭借其市场、技术和制度优势,与无金融资源、效应优势和政策倾斜的中部地区拉开差距。而西部地区由于承接东部地区产业转移和中央政策的倾斜,与东部地区差异相对较小,同时由于区位、市场等因素的制约,与中部地区区域金融风险存有差距,但也较小。最后是金融风险的地区差距来源及其贡献,由图 4可知,地区总体差异主要来自于超变密度的贡献,其次是地区内差异的贡献,最后是地区间差异的贡献。总的来看,在推行实施“供给侧结构性”改革之后,我国区域金融风险地区间和地区内差异在缩小,表明了该政策对防控金融风险的显著效果。

4、我国区域金融风险时空演化驱动机制的实证检验

本部分在实证估计出我国区域金融风险时空演化趋势的基础上,进一步采用空间计量方式检验我国区域金融风险时空演化的驱动机制。

(一) 区域金融风险的空间相关性检验

区域金融风险的空间相关性检验是探究区域内溢出效应和区域间溢出效应的基础和前提,基于空间自相关的复杂性,本文选择最为流行的“莫兰指数I”(Moran’s I)衡量区域金融风险的空间相关性。表 4为我国区域金融风险在邻接权重矩阵、地理距离权重矩阵和经济距离权重矩阵下的Moron’s I指数。

表 4 区域金融风险的Moron's I指数

① 根据“任何事物都相关,相近事物关联更密切”的观点,设置邻接权重矩阵(w1)反应地理分布远近产生的溢出效应,该矩阵在区域i和区域j相邻时设置为1,否则为0;地理距离权重矩阵(w2)采用地理距离平方的倒数构建,地理距离指的是省会城市之间的球面距离;本文参照林光平等(2006)沈丽等(2018)的方法设置经济距离权重矩阵(w3),w3=w2*m,w2为地理距离权重矩阵,m为经济距离矩阵,用省际人均GDP之差的倒数来衡量。

表 4可以看出:第一,在三种空间权重矩阵下,Moron’s I指数在大部分年份显著,这表明中国区域金融风险空间依赖性显著。第二,从Moron’s I指数的演变趋势上看,大部分年份Moron’s I指数显著为正,表明中国金融风险地区间互动较为显著,区域金融风险关联性较强。第三,样本考察期内,经济距离权重下的Moran’s I指数在8年中最大,地理距离权重矩阵的Moran’s I指数在9年中最小,邻接权重矩阵的Moran’s I指数在7年中处于中间位置,这表明随着经济的发展,经济发展程度类似的省份金融风险相关性比较大,且相邻省份间的区域金融风险外溢效应比较明显。

(二) 区域金融风险时空演化驱动机制的指标选择

根据区域金融风险的理论分析框架,本文从企业、政府和家庭部门及宏观环境方面验证我国区域金融风险时空演化的驱动机制。结合现有相关研究,综合考虑变量的代表性、可解释性与数据可获取性等,从政府、企业和家庭部门分别选取影响区域金融风险时空演化的指标,如表 5所示。具体来看:

表 5 影响区域金融风险时空演化的指标

企业部门指标反映企业经营所积累的金融风险,随着我国供给侧改革“三去一降一补”任务的推进,淘汰落后产能、企业转型升级时所积累的风险不容忽视。本文用roa反映企业的盈利情况,流动比率(lq)反映企业短期资金流动性状况,亏损率(loss)反映企业亏损状况,其中,roa、lq为逆向指标,loss为正向指标。本文用资产负债率(d_s)反映企业的债务风险,鉴于资本结构的权衡理论,企业的负债具有节税的正效应和为企业带来财务困境成本的负效应,两种效应下企业必然存在最优的资产负债结构,使企业的市值最大,风险最小。文章用资产负债率的二次方d_s2来反映企业资本结构对区域金融风险的非线性关系,若该变量的指标系数显著为正表明上述非线性关系存在。

政府部门指标反映财政风险,基于数据可得性,本文用财政缺口率表示,用以反映政府在配置社会资源时收支缺口情况。鉴于政府行为的双重效应,文章采用gas的二次方gas2来代替上述非线性关系。该变量的系数显著为正则表明上述非线性关系存在。

家庭部门指标反映家庭风险积累状况,用居民家庭人均收入增长率反映家庭的收入状况,失业率代表并未转化为家庭财富的闲置劳动产能。其中,居民家庭人均收入为负向指标,失业率为正向指标。

宏观环境反映国家经济总体运行出现偏差积累的风险。GDP增长率表示一国经济增长速度,进出口额/GDP表示对外贸易依存度,固定资产投资/GDP表示固定资产投资状况,通货膨胀率反映一国平均物价水平上升幅度。上述指标均为适度指标,指标数值应维持在一定范围,过高或过低都意味着累积风险增加。

(三) 空间计量模型设定

理论研究表明,企业、政府和家庭部门对金融部门风险存在空间溢出效应。为实证验证上述效应,本文借鉴LeSage and Pace(1973)提出的空间杜宾模型(SDM),设计计量模型如下:

$ y = \alpha {I_n} + \rho Wy + \beta X + \theta WX + \varepsilon $ (24)

(24) 式中,y为n阶向量,表示区域金融风险,X为企业、政府和家庭部门维度下的解释变量向量,α为常数项,In为n×1阶单位矩阵,ε为误差项,W为空间权重矩阵,Wy与WX为被解释变量y和解释变量X的空间滞后项。需要说明的是,在模型的估计结果中,若ρ不为0,则不能直接用X的系数以及Wy来解释企业、政府和家庭部门对区域金融风险的影响及空间溢出效应。因此他们提出用空间回归偏微分方法合理解释空间面板模型的回归系数,改进的模型如公式(25)至(32)所示:

$ \left( {{I_n} - \rho W} \right)y = \alpha {I_n} + \beta WX + \varepsilon $ (25)
$ \begin{array}{l} y = {\left( {{I_n} - \rho W} \right)^{ - 1}}\alpha {I_n} + {\left( {{I_n} - \rho W} \right)^{ - 1}}\beta WX + {\left( {{I_n} - \rho W} \right)^{ - 1}}\varepsilon \\ \;\;\; = \sum\limits_{r = 1}^k {{S_r}} (W){x_r} + V(W)\alpha {I_n} + V(W)\varepsilon \end{array} $ (26)
$ {S_r}(W) = V(W)\left( {{I_n}{\beta _r} + W{\theta _r}} \right) $ (27)
$ V(W) = {\left( {{I_n} - \rho W} \right)^{ - 1}} = {I_n} + \rho W + {\rho ^2}{W^2} + {\rho ^3}{W^3} + \cdots 。$ (28)

其中,In为n阶单位矩阵,k为自变量个数,xr为第r个自变量,r=1, 2, ..., k,βr为自变量向量X中的第r个自变量回归系数,θr表示WX的第r个自变量的待估参数,为说明Sr(W)的作用,将式(26)改成(29),某个地区i(i=1, 2, ..., n)的yi可以用式(30)表示。

$ \left( {\begin{array}{*{20}{c}} {{y_1}}\\ {{y_2}}\\ \vdots \\ {{y_n}} \end{array}} \right) = \sum\limits_{r = 1}^k {\left( {\begin{array}{*{20}{c}} {{S_r}{{(W)}_{11}}}&{{S_r}{{(W)}_{12}}}& \cdots &{{S_r}{{(W)}_{1n}}}\\ {{S_r}{{(W)}_{21}}}&{{S_r}{{(W)}_{22}}}& \cdots &{{S_r}{{(W)}_{2n}}}\\ \vdots & \vdots & \ddots & \vdots \\ {{S_r}{{(W)}_{n1}}}&{{S_r}{{(W)}_{n2}}}& \cdots &{{S_r}{{(W)}_{mn}}} \end{array}} \right)} \left( {\begin{array}{*{20}{c}} {{x_{1r}}}\\ {{x_{2r}}}\\ \vdots \\ {{x_{nr}}} \end{array}} \right) + V(W)\alpha {I_n} + V(W)\varepsilon $ (29)
$ {y_i} = \sum\limits_{r = 1}^k {\left[ {{S_r}{{(W)}_{i1}}{x_{1r}} + {S_r}{{(W)}_{i2}}{x_{2r}} + \cdots + {S_r}{{(W)}_{in}}{x_{nr}}} \right]} + V(W)\alpha {I_n} + V(W)\varepsilon $ (30)

根据(30),将yi对本区域i及其他区域j的第r个自变量的xirxjr求偏导得到式(31)和式(32)。

$ \frac{{\partial {y_i}}}{{\partial {x_{jr}}}} = {S_r}{(W)_{ij}},\frac{{\partial {y_i}}}{{\partial {x_{ir}}}} = {S_r}{(W)_{ii}} $ (31/32)

其中,S(W)ijS(W)ii依次代表其它区域j及本区域i的第r个自变量对区域i因变量的溢出效应。根据式(31)和(32),与传统的OLS的待估参数相比,在空间计量模型中,若j不等于r,yixji的偏导数通常也不为0,而是取决于矩阵S(W)ij中第i和j个元素。同时,yixir的偏导数通常也不等于βr,因此某地区自变量改变不仅对本地区的因变量产生影响,而且影响会传导到其它地区。按照LeSage and Pace(2009)的研究,前者为直接效应(Direct Effect),衡量区域内溢出效应,后者为间接效应(Indirect Effect), 衡量区域间溢出效应,两者加总则为总效应(Total Effect)。

(四) 实证结果分析

空间计量模型可以弥补由于空间异质性和空间相关性导致结果的有偏性的不足。根据公式(24)估计的空间滞后项系数ρ大都在1%的水平下显著不为0,所以不能像传统OLS一样直接用回归系数解释各变量的经济含义,需按照Pace and LeSage(1973)的空间偏微分方法将空间溢出效应分解为区域内、区域间和总溢出效应,分别体现企业、政府和家庭部门对区域金融风险的区域内、区域间和总溢出效应。根据豪斯曼的检验结果,本文采用固定效应模型。实证结果具体如表 6表 7所示。

表 6 区域内和区域间溢出效应
表 7 总溢出效应

首先是区域内溢出效应。由表 6可知,政府部门层面,三种空间权重距离下财政缺口率及其二次型(gas/gas2)的系数显著为正,表明政府行为对区域金融风险显著的非线性关系存在,启示政府在进行宏观调控时,行为要适度。企业层面,本区域企业的盈利能力(roa)和流动性比率(lq)对本区域金融风险具有负向溢出效应,而资产负债率及其二次项(d_s/d_s2)、亏损率(loss)则与区域金融风险呈正相关关系。这反映出企业固有特质影响区域金融风险,盈利能力强,现金流丰裕,资产负债率适度、亏损率低的企业能够较好抵御自身经营和财务风险,降低区域金融风险。家庭部门层面,个人失业率越高,在三种空间距离权重下区域金融风险越大。这与现实相符,目前中国家庭对房子的刚需及投机需求导致负债增加,收入无疑变成还贷的主要来源,家庭失业率上升将直接导致家庭收入降低,还款来源切断,区域金融风险增大。在宏观经济变量中,区域GDP增长率和区域金融风险呈负相关关系,固定资产投资则与区域金融风险正相关,这启示我们在我国经济持续型L探底的过程中,粗放型经济增长模式已经不能适应发展要求,集约型和创新驱动型经济增长模式有待进一步推进和深化。

其次是区域间的溢出效应。由表 6可知,其他省份的政府、企业和家庭部门在三种空间距离权重下,会通过GDP溢出、知识技术溢出个要素流动效应与本区域政府、企业和家庭产生空间关联,进而对本区域金融风险产生影响。具体来看,财政缺口率及其二次型(gas/gas2)的系数显著为正,表明地方政府支出与其它地区金融风险的非线性关系存在,一定程度的政府支出对其他地区政府形成激励,过度的政府支出给其他地区带来了负外部性,表明财政分权下唯GDP考核方式的负效应;roa和lq的系数显著为负,表明知识技术溢出效应使得其他区域盈利能力强、资金流充裕的企业对本区域金融风险有正外部性,而loss和d_s及其d_s2的系数显著为正,表明由于资金的跨区域流动使得其他区域资产负债比过高或亏损率较高的企业对本区域金融风险产生负外部性;unem_rate系数显著为正,表明较高的失业率阻碍了掌握技术与创新知识的劳动力的跨地区流动,加剧了本区域金融风险。宏观经济环境的分析与表 6区域内溢出效应的分析相似,表明邻近或者经济发展程度类似的地区风险传染显著。此外区域间政府、企业和家庭部门的影响要显著大于区域内的影响,这在一定程度上说明考虑空间因素会放大区域内政府、企业和家庭部门对本区域金融风险的传染效应,邻近和经济发展程度类似的省域金融风险溢出明显。最后是政府、企业和家庭部门对区域金融风险的总效应。由表 7可知,总效应模型中的关键变量均通过显著性检验,说明政府、企业和家庭部门对区域金融风险的外溢效应较强,且样本考察期内政府和企业部门对区域金融风险的影响较强,家庭部门对区域金融风险的影响较弱,三者共同构成区域金融风险的重要来源。

五、结论与政策建议

本文关注并解决了两个问题:一是刻画了我国区域金融风险的时空演化;二是从政府、企业和家庭部门视角探讨了我国区域金融风险时空演化的驱动机制。研究结论包含以下两个方面:第一,我国区域金融风险时空演化在时间维度上,30省(市、自治区)的区域金融风险不断变化,大部分省份金融风险较高;在空间维度上,我国区域金融风险总体地区差异上升,其中,样本考察期内东部和西部地区金融风险地区内差距较大,中部地区较小,东部和中部地区金融风险地区间差距最大,东部和西部地区次之,中部和西部地区最小,在总体地区差距的贡献率中,超变密度最大,其次是地区内差距,最后是地区间差距。第二,从区域金融风险时空演化的驱动机制来看,基于空间计量模型得出:政府、企业和家庭部门对金融部门具有风险外溢效应,且政府、企业和家庭部门对区域金融风险的影响并不一样,政府和企业部门对区域金融风险的传染较强,家庭部门对区域金融风险的传染较弱,三者共同构成区域金融风险的重要来源,且上述效应会在考虑空间溢出效应的基础上放大。

结合以上研究结论,为抑制和防范我国区域金融风险,本文提出以下政策建议:首先,基于区域间视角:第一,金融风险防控需精准施策和协作治理。防控风险不仅要有针对性的整治重点地区、重点省份,还应加强地区内外的相互合作,推动建立风险管理的地区协作机制,避免地方政府行为的负外部性效应,以防止地区间金融风险的交叉传染造成区域性系统性风险爆发。第二,继续深入推进实施区域协调发展战略,缩小东部、中部和西部地区发展差距,为各地区金融风险防控打好基础。具体来讲,第一,继续发挥东部地区的先天优势和区位优势,打造和培育高新技术产业,使东部地区成为创新技术知识的发源地。第二,充分发挥东部地区知识技术的溢出效应。通过研发人员派遣、培训或打破高新技术人才流动障碍,建立有效人才流动机制等方式,加强对中西部地区的技术支持。第三,建立有序协调互补的金融资源配置体系,积极引导金融资源由经济发达的省份流向经济欠发达的省份,给予中西部地区更多的资金支持,平衡经济增长。其次,基于区域内视角:第一,区域金融风险治理和防范在充分发挥政府的宏观调控职能之外不能忽视地方政府债务的软约束机制,注意增强金融机构对地方政府债务风险溢出的制度约束,强化中央银行和金融机构总行的约束,实现地方政府债务融资的市场化机制。第二,完善产业布局,加快经济转型。培植新型产业,使其成为带动经济增长,抵御金融风险的重要保障。第三,完善就业体系,优化就业环境,减少非自然失业增大区域金融风险爆发的概率。

参考文献
[]
郑艳婷、王韶菲、戴荔珠、吕爱锋, 2018, “长江中游地区制造业企业时空演化格局”, 《经济地理》, 第 5 期, 第 117-125 页。
[]
李强、李新华, 2018, “新常态下经济增长质量测度与时空格局演化分析”, 《统计与决策》, 第 13 期, 第 142-145 页。
[]
吴加伟、袁丰、吕卫国、王桂玲, 2014, “金融危机下泛长三角FDI时空格局演化及其机制研究”, 《地理科学进展》, 第 12 期, 第 1601-1613 页。DOI:10.11820/dlkxjz.2014.12.003
[]
陈威、潘润秋、王心怡, 2016, “中国省域对外开放度时空格局演化与驱动机制”, 《地理与地理信息科学》, 第 3 期, 第 53-60 页。DOI:10.3969/j.issn.1672-0504.2016.03.011
[]
易纲, 2005, “银行不良资产率呈地域特征”, 《市场周刊》, 第 3 期, 第 35 页。
[]
唐跃、王东浩、陈暮紫、陈敏、杨晓光, 2011, “中国不良贷款回收率地区差异的原因分析”, 《系统工程理论与实践》, 第 3 期, 第 438-449 页。
[]
沈悦、李博阳、张嘉望, 2017, “系统性金融风险:测度与时空格局演化分析”, 《统计与信息论坛》, 第 12 期, 第 42-51 页。DOI:10.3969/j.issn.1007-3116.2017.12.007
[]
王擎、刘军、金致雯, 2018, “区域性金融风险与区域经济增长的相关性分析”, 《改革》, 第 5 期, 第 66-75 页。
[]
王聪、张铁强, 2011, “经济开放进程中金融危机冲击比较研究”, 《金融研究》, 第 3 期, 第 97-110 页。
[]
王国刚, 2012, “关于'地方政府融资平台债务'的冷思考”, 《财贸经济》, 第 9 期, 第 14-21 页。DOI:10.3969/j.issn.1005-913X.2012.09.009
[]
缪小林、伏润民, 2013, “地方政府债务风险的内涵与生成:一个文献综述及权责时空分离下的思考”, 《经济学家》, 第 8 期, 第 90-101 页。
[]
徐建国、张勋, 2013, “中国政府债务的状况、投向和风险分析”, 《南方经济》, 第 1 期, 第 14-34 页。
[]
刘骅、卢亚娟, 2016, “转型期地方政府投融资平台债务风险分析与评价”, 《财贸经济》, 第 5 期, 第 48-59 页。
[]
伏润民、缪小林、高跃光, 2017, “地方政府债务风险对金融系统的空间外溢效应”, 《财贸经济》, 第 9 期, 第 31-47 页。
[]
毛锐、刘楠楠、刘蓉, 2018, “地方政府债务扩张与系统性金融风险的触发机制”, 《中国工业经济》, 第 4 期, 第 19-38 页。
[]
李佩珈、梁婧, 2015, “杠杆率、债务风险与金融稳定——基于理论和中国经济杠杆率的实证分析”, 《新金融》, 第 4 期, 第 18-21 页。
[]
陶玲、朱迎, 2016, “系统性金融风险的监测和度量——基于中国金融体系的研究”, 《金融研究》, 第 6 期, 第 18-36 页。
[]
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, 第 74-91 页。
[]
纪敏、严宝玉、李宏瑾, 2017, “杠杆率结构、水平和金融稳定——理论分析框架和中国经验”, 《金融研究》, 第 2 期, 第 11-25 页。
[]
刘一楠、王亮, 2018, “内生的杠杆阈值、金融加速器与宏观经济波动——基于动态随机一般均衡模型(DSGE)的分析”, 《南方经济》, 第 12 期, 第 57-77 页。
[]
中国人民银行杠杆率研究课题组, 2014, “中国经济杠杆率水平评估及潜在风险研究”, 《金融监管研究》, 第 5 期, 第 23-38 页。DOI:10.3969/j.issn.2095-3291.2014.05.003
[]
李扬、张晓晶、常欣, 2015, 《中国国家资产负债表》, 中国社会科学出版社。
[]
巴曙松, 2016, “巴曙松:居民杠杆率逼近美国次贷危机水平”, 《房地产导刊》, 第 9 期, 第 22-23 页。
[]
张江涛, 2018, “中国居民部门加杠杆的逻辑和潜在风险”, 《国际金融》, 第 7 期, 第 64-72 页。
[]
宋凌峰、叶永刚, 2011, “中国区域金融风险部门间传递研究”, 《管理世界》, 第 9 期, 第 172-173 页。
[]
吕勇斌、陈自雅, 2014, “区域金融风险部门间传递的空间效应——2005~2012年”, 《财政研究》, 第 8 期, 第 46-48 页。
[]
张成思、张步昙, 2015, “再论金融和实体经济:经济金融化视角”, 《经济学动态》, 第 6 期, 第 56-66 页。
[]
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, 第 76-87 页。
[]
许涤龙、陈双莲, 2015, “基于金融压力指数的系统性金融风险测度研究”, 《经济学动态》, 第 4 期, 第 69-78 页。
[]
徐荣、郭娜、李金鑫、何龄童, 2017, “我国房地产价格波动对系统性金融风险影响的动态机制研究——基于有向无环图的分析”, 《南方经济》, 第 11 期, 第 1-17 页。
[]
沈悦、张珍, 2007, “中国金融安全预警指标体系设置研究”, 《山西财经大学学报》, 第 10 期, 第 89-94 页。DOI:10.3969/j.issn.1007-9556.2007.10.016
[]
李敬、徐鲲、杜晓, 2008, “区域金融发展的收敛机制与中国区域金融发展差异的变动”, 《中国软科学》, 第 11 期, 第 96-105 页。DOI:10.3969/j.issn.1002-9753.2008.11.013
[]
邓向荣、马彦平、杨彩丽, 2012, “金融开放背景下我国区域金融发展的收敛性与差异分析——基于参数和非参数的估计”, 《天津财经大学学报》, 第 1 期, 第 26-35 页。
[]
刘华军、赵浩、杨骞, 2012, “中国品牌经济发展的地区差距与影响因素——基于Dagum基尼系数分解方法与中国品牌500强数据的实证研究”, 《经济评论》, 第 5 期, 第 57-65 页。
[]
沈丽、鲍建慧, 2013, “中国金融发展的分布动态演进:1978~2008年——基于非参数估计方法的实证研究”, 《数量经济技术经济研究》, 第 5 期, 第 33-47 页。
[]
林光平、龙志和、吴梅, 2006, “中国地区经济σ-收敛的空间计量实证分析”, 《数量经济技术经济研究》, 第 4 期, 第 14-21+69 页。DOI:10.3969/j.issn.1000-3894.2006.04.002
[]
沈丽、刘媛、李文君, 2018, “不良贷款、空间溢出与区域经济增长”, 《经济与管理评论》, 第 3 期, 第 26-41 页。
[]
Arrow, Kenneth J., 1962, "The Economic Implications of Learning by Doing". Review of Economic Studies, 29(6), 155–173.
[]
Balakrishnan R., Danninger S., Elekdag S., Tytell J., 2011, "The Transmission of Financial Stress from Advanced to Emerging Economies". Emerging Markets Finance & Trade, 47(2), 40–68.
[]
Bernanke B. S., Gertler M., Gilchrist S., 1991, "The Financial Accelerator in a Quantitative Business Cycle Framework". Handbook of Macroeconomics(1), 1341–1393.
[]
Bonis R. D., Stacchini M., 2013, "Does Government Debt Affect Bank Credit?". International Finance, 16(3), 289–310. DOI:10.1111/j.1468-2362.2013.12037.x
[]
Conley T.G., Ligon E., 2002, "Economic distance and cross-country spillovers". Journal of Economic Growth, 7(2), 157–187. DOI:10.1023/A:1015676113101
[]
Diebold F., Schuermann T., Stroughair J., 2000, "Pitfalls and Opportunities in the Use of Extreme Value Theory in Risk Management". Journal of Finance, 1(2), 30–35.
[]
Dornbusch R., Park Y. C., Claessens S., 2000, "Contagion:Understanding How It Spreads". World Bank Research Observer, 15(2), 177–197. DOI:10.1093/wbro/15.2.177
[]
Douven R., Peers M., 1998, "GDP-spillovers in multi-country models". Economic Modelling, 15(2), 163–195.
[]
Fisher I., 1933, "The Debt-Deflation Theory of Great Depressions". Econometrica, 1(4), 337–357.
[]
Gale A. D., 2000, "Bubbles and Crises". The Economic Journal, 110(460), 236–255. DOI:10.1111/1468-0297.00499
[]
Gardarelli R., Elekdag S., Lall S., 2011, "Financial Stress and Economic Contractions". Journal of Finance Stability, 7(2), 78–97. DOI:10.1016/j.jfs.2010.01.005
[]
Girardi G., Ergun A. T., 2013, "Systemic Risk Measurement:Multivariate GARACH Estimation of CoVAR". Journal of Banking & Finance, 37(1), 3169–3180.
[]
Grossman G. M., Helpman E., 1991, Innovation and Growth in the Global Economy, MTP Pres.
[]
Hakkio, S.and Keeton, R., 2009, "Finance stress: What Is It, How Can It Be Measured, and Why Does It Matter?", http://www.KansasCityFed.Org.
[]
Illing M., Liu Y., 2003, "Measuring Financial Stress in a Developed Country:An Application to Canada". Journal Financial Stability, 2(3), 243–265.
[]
Masson P., 1999, "Contagion:Macroeconomic Models with Multiple Equilibria". Journal of International Money and Finance, 18(4), 587–602. DOI:10.1016/S0261-5606(99)00016-9
[]
Kanbur R., Xiaobo Z., 2012, "Which Regional Inequality? The Evolution of Rural-Urban and Inland-Coastal Inequality in China from 1983 to 1995". Working Papers, 27(4), 686–701.
[]
Keller W., 2002, "Geographic Localization of International Technology Diffusion". American Economic Review, 92(1), 120–142. DOI:10.1257/000282802760015630
[]
Krugman P., 1991, "Increasing Returns and Economic Geography". Journal of Political Economy, 99(3), 483–499. DOI:10.1086/261763
[]
Dagum C., 1997, "A New Approach to the Decomposition of the Gini Income Inequality Ratio". Empirical Economics, 22(4), 515–531. DOI:10.1007/BF01205777
[]
LeSage J., Pace R. K., 1973, Introduction to spatial econometrics, CRC Press.
[]
North D.C., 1955, "Location Theory and Regional Economic Growth". Journal of Political Economy, 63(3), 243–258. DOI:10.1086/257668