張帥

摘 ? 要：區(qū)域經(jīng)濟(jì)聯(lián)系的加強(qiáng)為金融風(fēng)險(xiǎn)在區(qū)域間的傳染提供了便利。本文通過構(gòu)建區(qū)域金融風(fēng)險(xiǎn)指數(shù)，采用VARX模型對(duì)我國31個(gè)省區(qū)（不含港、澳、臺(tái)地區(qū)）金融風(fēng)險(xiǎn)的傳染效應(yīng)進(jìn)行分析，得出以下結(jié)論：高風(fēng)險(xiǎn)、強(qiáng)溢出是我國經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)金融風(fēng)險(xiǎn)表現(xiàn)的主要特點(diǎn)，而低風(fēng)險(xiǎn)、強(qiáng)吸收則是我國經(jīng)濟(jì)發(fā)達(dá)地區(qū)金融風(fēng)險(xiǎn)呈現(xiàn)的主要特征;東北地區(qū)、西北地區(qū)是我國區(qū)域金融風(fēng)險(xiǎn)傳染的主要輸出區(qū)域，華東地區(qū)、華北地區(qū)則是我國區(qū)域金融風(fēng)險(xiǎn)傳染的主要吸收區(qū)域;大部分省份在區(qū)域內(nèi)的凈傳染效應(yīng)與全國層面基本相同，華北地區(qū)及華東地區(qū)的部分省份在區(qū)域?qū)用骘L(fēng)險(xiǎn)傳染效應(yīng)則呈現(xiàn)某些特殊性，即在區(qū)域內(nèi)的傳染效應(yīng)明顯強(qiáng)于全國層面。充分把握欠發(fā)達(dá)地區(qū)對(duì)其他區(qū)域金融風(fēng)險(xiǎn)的傳染因素，明確金融風(fēng)險(xiǎn)傳染渠道，對(duì)于提高我國整體金融市場的穩(wěn)定性具有重要意義。

關(guān)鍵詞：VARX模型;區(qū)域金融風(fēng)險(xiǎn);傳染效應(yīng)

中圖分類號(hào)： F830.2 ? 文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1674-2265（2020）10-0029-07

DOI：10.19647/j.cnki.37-1462/f.2020.10.004

一、引言

防范化解重大風(fēng)險(xiǎn)是黨的十九大確定的三大攻堅(jiān)戰(zhàn)之首，而防范化解重大風(fēng)險(xiǎn)尤其是金融風(fēng)險(xiǎn)是當(dāng)前及今后一段時(shí)間的首要工作任務(wù)。由于金融風(fēng)險(xiǎn)的突發(fā)性、傳染性及危害性，一旦發(fā)生重大系統(tǒng)性金融風(fēng)險(xiǎn)，將會(huì)嚴(yán)重影響經(jīng)濟(jì)社會(huì)的穩(wěn)定發(fā)展。

區(qū)域經(jīng)濟(jì)發(fā)展的差異性決定了區(qū)域金融風(fēng)險(xiǎn)的特殊性。一方面，西部地區(qū)作為我國經(jīng)濟(jì)發(fā)展水平相對(duì)落后的地區(qū)，金融市場建設(shè)相對(duì)滯后，金融風(fēng)險(xiǎn)防范機(jī)制尚不完善，地方政府債務(wù)問題嚴(yán)重，從而使得西部地區(qū)金融風(fēng)險(xiǎn)具有明顯的地域特點(diǎn);同時(shí)經(jīng)濟(jì)環(huán)境的脆弱性導(dǎo)致西部地區(qū)不同省份之間的金融風(fēng)險(xiǎn)具有明顯的相似性及傳染性，部分區(qū)域重大金融風(fēng)險(xiǎn)的爆發(fā)很容易引發(fā)連鎖效應(yīng)，引發(fā)整個(gè)西部地區(qū)甚至全國金融風(fēng)險(xiǎn)的爆發(fā)。另一方面，東部地區(qū)經(jīng)濟(jì)發(fā)展水平和開放度相對(duì)較高，決定了其金融市場發(fā)展層次高、金融產(chǎn)品創(chuàng)新能力強(qiáng)、市場交易活躍，然而由于金融市場法律制度不完善、主體風(fēng)險(xiǎn)防范意識(shí)薄弱以及監(jiān)管滯后性等因素的存在，使得東部地區(qū)金融風(fēng)險(xiǎn)特征更為復(fù)雜，其風(fēng)險(xiǎn)突發(fā)性更強(qiáng)、傳導(dǎo)速度更快、傳染范圍更廣、影響程度更大。因此，從傳染性視角考察我國不同區(qū)域金融風(fēng)險(xiǎn)狀態(tài)，整體上把握區(qū)域間金融風(fēng)險(xiǎn)的傳染特征，對(duì)于構(gòu)建區(qū)域金融風(fēng)險(xiǎn)預(yù)警機(jī)制、從根本上防范金融風(fēng)險(xiǎn)意義重大。

二、文獻(xiàn)綜述

國內(nèi)外學(xué)者針對(duì)金融風(fēng)險(xiǎn)傳染效應(yīng)做了大量的研究，主要有以下幾個(gè)方面：

第一是房地產(chǎn)市場風(fēng)險(xiǎn)傳染效應(yīng)的研究。如Castelnuovo和Nistico（2010）[1]采用DSGE模型研究發(fā)現(xiàn)：房地產(chǎn)價(jià)格波動(dòng)對(duì)包括經(jīng)濟(jì)增長等宏觀經(jīng)濟(jì)層面因素的沖擊顯著;Koetter和Poghosyan（2010）[2]在其基礎(chǔ)上進(jìn)一步得出，房價(jià)的過度波動(dòng)會(huì)帶來金融市場的動(dòng)蕩。沈悅等（2016）[3]通過構(gòu)建GARCH-Copula-CoVaR模型對(duì)我國房地產(chǎn)市場的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行了分析，研究認(rèn)為：房地產(chǎn)市場對(duì)不同經(jīng)濟(jì)層面的風(fēng)險(xiǎn)溢出效應(yīng)存在差異性，其中對(duì)金融機(jī)構(gòu)的風(fēng)險(xiǎn)傳染最為明顯。Gustafsson等（2015）[4]以瑞典為例研究發(fā)現(xiàn)：房價(jià)下跌20%將會(huì)引發(fā)該國消費(fèi)水平的下降和經(jīng)濟(jì)發(fā)展的衰退。Kurlat 和Stroebel（2015）[5]指出，信息不對(duì)稱是導(dǎo)致房地產(chǎn)市場風(fēng)險(xiǎn)形成及傳播的主要原因。

第二是股票市場風(fēng)險(xiǎn)傳染效應(yīng)的研究。如趙留彥和王一鳴（2003）[6]通過構(gòu)建GARCH 模型對(duì)我國A股及B股市場的數(shù)據(jù)進(jìn)行了檢驗(yàn)，研究發(fā)現(xiàn)A股市場對(duì)B股市場存在單向的風(fēng)險(xiǎn)波動(dòng)溢出;洪永淼等（2004）[7]則采用VaR方法對(duì)我國A 股、B 股、H 股風(fēng)險(xiǎn)的溢出效應(yīng)進(jìn)行了分析，研究認(rèn)為B 股、H 股與其他國家股市之間的風(fēng)險(xiǎn)溢出效果較為顯著。Hartman等（2004）[8]對(duì)G7國家間債券市場與股票市場的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行了考察，研究得出股票市場在G7國家的傳染效應(yīng)要強(qiáng)于債市市場;Yang和Doong（2004）[9]則采用EGARCH模型研究發(fā)現(xiàn)，G7國家存在股票市場對(duì)外匯市場單向的風(fēng)險(xiǎn)傳染效應(yīng)。而對(duì)于新興市場國家，Reboredo等（2016）[10]則研究得出，股票市場與外匯市場存在相互的、非對(duì)稱的風(fēng)險(xiǎn)溢出。周愛民和韓菲（2017）[11]對(duì)中國內(nèi)地及香港地區(qū)的股票市場與外匯市場的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行考察，結(jié)果表明，股票市場與外匯市場之間的風(fēng)險(xiǎn)傳染效應(yīng)是時(shí)變的。

第三是銀行市場風(fēng)險(xiǎn)傳染效應(yīng)的研究。如李玉賢（2012）[12]采用分位數(shù)回歸法對(duì)我國上市商業(yè)銀行的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行了測度分析，研究發(fā)現(xiàn)：資產(chǎn)規(guī)模大、利潤水平高的銀行股整體風(fēng)險(xiǎn)溢出效應(yīng)較低，抗風(fēng)險(xiǎn)能力較強(qiáng)。李叢文和閆世軍（2015）[13]利用GARCH模型對(duì)我國不同類型影子銀行的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行了實(shí)證檢驗(yàn)，研究發(fā)現(xiàn)：信托行業(yè)對(duì)我國整體銀行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)最強(qiáng)，證券業(yè)次之，最后是民間借貸行業(yè)。馬麟（2017）[14]以我國15家商業(yè)銀行為樣本，通過計(jì)算VaR及CVaR研究得出：商業(yè)銀行在遭遇危機(jī)沖擊時(shí)，將會(huì)產(chǎn)生系統(tǒng)性金融風(fēng)險(xiǎn)的溢出效應(yīng)。唐文進(jìn)和蘇帆（2017）[15]提出跳躍未定權(quán)益分析模型，并以我國銀行部門為例進(jìn)行研究表明：銀行部門在極端金融事件爆發(fā)期表現(xiàn)出更大的脆弱性。

第四是不同類型金融市場相互傳染效應(yīng)的研究。如沈悅等（2014）[16]通過構(gòu)建GARCH-Copula-CoVaR模型對(duì)我國銀行、證券、保險(xiǎn)及信托四個(gè)市場之間的風(fēng)險(xiǎn)溢出效應(yīng)進(jìn)行了實(shí)證檢驗(yàn)，研究發(fā)現(xiàn)：每個(gè)市場之間均存在顯著的風(fēng)險(xiǎn)溢出效應(yīng)，其中銀行業(yè)與證券業(yè)兩個(gè)市場的風(fēng)險(xiǎn)溢出強(qiáng)度最大。傅強(qiáng)和張穎（2015）[17]對(duì)我國銀行、房地產(chǎn)、證券及保險(xiǎn)行業(yè)之間的風(fēng)險(xiǎn)傳染效應(yīng)進(jìn)行了考察，研究認(rèn)為：銀行業(yè)及房地產(chǎn)業(yè)對(duì)其他行業(yè)的風(fēng)險(xiǎn)溢出效應(yīng)較為顯著。王愷忱（2017）[18]則指出，在經(jīng)濟(jì)快速發(fā)展的過程中，銀行、保險(xiǎn)及證券會(huì)進(jìn)行大量的合作、競爭，從而導(dǎo)致不同市場相互間風(fēng)險(xiǎn)傳染效應(yīng)的上升。楊子暉等（2019）[19]通過采用ES測度指標(biāo)與回溯檢驗(yàn)方法對(duì)我國A股市場以及銀行、證券、保險(xiǎn)、多元金融、房地產(chǎn)五個(gè)部門的尾部風(fēng)險(xiǎn)進(jìn)行了測度，研究發(fā)現(xiàn)：房地產(chǎn)等部門是我國金融風(fēng)險(xiǎn)溢出的重要來源。

整體來看，現(xiàn)有研究主要集中在對(duì)國內(nèi)及國際間不同行業(yè)市場之間金融風(fēng)險(xiǎn)傳染效應(yīng)的考察，而針對(duì)一國范圍內(nèi)不同區(qū)域（省份）之間金融風(fēng)險(xiǎn)傳染特征的分析則相對(duì)不足，均是基于國家層面的研究。蘇明政和張慶君（2015）[20]首次對(duì)我國31個(gè)省區(qū)（不含港、澳、臺(tái)地區(qū)）區(qū)域金融風(fēng)險(xiǎn)的傳染效應(yīng)進(jìn)行了考察，但其采用經(jīng)濟(jì)周期的波動(dòng)性作為區(qū)域金融風(fēng)險(xiǎn)的代理變量則顯得論證不足。本文構(gòu)建區(qū)域金融風(fēng)險(xiǎn)指數(shù)，采用VARX模型對(duì)我國31個(gè)省區(qū)（不含港、澳、臺(tái)地區(qū)）區(qū)域金融風(fēng)險(xiǎn)的傳染效應(yīng)進(jìn)行測評(píng)，明確不同區(qū)域金融風(fēng)險(xiǎn)的傳染方向及強(qiáng)度，以期為區(qū)域金融風(fēng)險(xiǎn)防范提供有價(jià)值的參考。

三、指標(biāo)構(gòu)建及研究方法

（一）指標(biāo)構(gòu)建

目前并無固定統(tǒng)一的指標(biāo)來衡量區(qū)域金融風(fēng)險(xiǎn)，為確保研究結(jié)果的準(zhǔn)確性，本文通過構(gòu)建金融風(fēng)險(xiǎn)指數(shù)作為區(qū)域金融風(fēng)險(xiǎn)的代理變量。在對(duì)現(xiàn)有文獻(xiàn)進(jìn)行歸納的基礎(chǔ)上，確定選擇不良貸款率（X1）、資本充足率（X2）、存貸款比例（X3）、貸款損失準(zhǔn)備充足率（X4）、撥備覆蓋率（X5）、流動(dòng)性比例（X6）、撥貸比（X7）作為區(qū)域金融風(fēng)險(xiǎn)評(píng)價(jià)的代理變量。指標(biāo)權(quán)重測算選擇以全國整體數(shù)據(jù)為樣本，并采用CRITIC法、變異系數(shù)法、熵權(quán)法、相關(guān)系數(shù)法四種統(tǒng)計(jì)方法計(jì)算出來的平均值作為標(biāo)準(zhǔn)。研究期限為2005—2017年，為保證樣本數(shù)量充足，將不同區(qū)域所有風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)轉(zhuǎn)換為月度數(shù)據(jù)，并經(jīng)過標(biāo)準(zhǔn)化處理，通過加權(quán)計(jì)算得出我國及31個(gè)省區(qū)（不含港、澳、臺(tái)地區(qū)）區(qū)域金融風(fēng)險(xiǎn)指數(shù)①。

（二）研究方法

傳統(tǒng)VAR模型將所有變量看作內(nèi)生變量，然而該模型不能處理有外生變量的建模，無法做到對(duì)模型中各變量共同影響因素的分析。就區(qū)域金融風(fēng)險(xiǎn)傳染效應(yīng)而言，該模型無法控制全國整體金融風(fēng)險(xiǎn)這一外生變量對(duì)其他區(qū)域金融風(fēng)險(xiǎn)的沖擊。VARX模型在傳統(tǒng)VAR模型的基礎(chǔ)上增添了外生變量這一控制因素，基本原理如下：

在VARX模型構(gòu)建的基礎(chǔ)上，可以采用廣義脈沖響應(yīng)函數(shù)（GIRF）對(duì)區(qū)域間金融風(fēng)險(xiǎn)的傳染效應(yīng)進(jìn)行分析。傳統(tǒng)脈沖響應(yīng)函數(shù)（IRF）具有不穩(wěn)定性的特點(diǎn)，即函數(shù)值會(huì)隨著模型變量排序的變化而變化，而GIRF則能夠彌補(bǔ)該缺陷，有效分析變量之間的動(dòng)態(tài)變化特征。其具體公式如下：

其中[σ-12（y1，y1）]為與波動(dòng)項(xiàng)誤差相關(guān)的標(biāo)準(zhǔn)誤差。該式反映的是增加單位結(jié)構(gòu)誤差所引起的區(qū)域金融風(fēng)險(xiǎn)序列[σ-12（y1，y1）]單位的變化。為了可進(jìn)行累加計(jì)算及橫向?qū)Ρ?，?duì)所有區(qū)域計(jì)算得到的金融風(fēng)險(xiǎn)脈沖效應(yīng)值均與0期的[σ-12（y1，y1）]作除法處理。本文將各區(qū)域金融風(fēng)險(xiǎn)指數(shù)的脈沖響應(yīng)值作為區(qū)域之間金融風(fēng)險(xiǎn)傳染效應(yīng)的體現(xiàn)。

四、實(shí)證分析過程

（一）傳染效應(yīng)矩陣構(gòu)建

根據(jù)廣義脈沖響應(yīng)函數(shù)的分析結(jié)果，構(gòu)建我國各區(qū)域金融風(fēng)險(xiǎn)的傳染效應(yīng)矩陣，分別如表1—3所示。

（二）數(shù)據(jù)處理及結(jié)果分析

基于傳染效應(yīng)矩陣，定義并構(gòu)建以下指標(biāo)來考察不同區(qū)域金融風(fēng)險(xiǎn)的傳染效應(yīng)特征。

定義省份[yi]對(duì)外傳染總效應(yīng)指標(biāo)（[FRout，yi→*]），該指標(biāo)代表省份[yi]對(duì)其他所有省份傳染效應(yīng)的總和。定義省份[yi]被傳染總效應(yīng)指標(biāo)（[FRin，*→yi]），該指標(biāo)代表省份[yi]受其他所有省份傳染效應(yīng)的總和。定義省份[yi]對(duì)外傳染凈效應(yīng)指標(biāo)（[FRnet，yi→yj]），該指標(biāo)代表省份[yi]對(duì)省份[yj]的傳染效應(yīng)減去[yj]對(duì)省份[yi]的傳染效應(yīng)。具體公式如下：

此外，定義省份[yi]對(duì)外總凈傳染效應(yīng)指標(biāo)（[TFRnet，yi]），該指標(biāo)代表省份[yi]對(duì)所有其他省份傳染凈效應(yīng)的總和。定義所有省份對(duì)外總凈傳染效應(yīng)指標(biāo)（[TFRnet]），該指標(biāo)代表[TFRnet，yi]指標(biāo)為正的所有省份的總和。定義省份[yi]金融風(fēng)險(xiǎn)貢獻(xiàn)度（[SCyi]），該指標(biāo)代表[TFRnet，yi]為正的省份[yi]占[TFRnet]的比重，反映該省份對(duì)全國整體金融風(fēng)險(xiǎn)傳染的貢獻(xiàn)度。具體公式如下：

按照以上公式，分別計(jì)算我國各區(qū)域金融風(fēng)險(xiǎn)對(duì)外傳染總效應(yīng)、被傳染總效應(yīng)、對(duì)外凈傳染總效應(yīng)、金融風(fēng)險(xiǎn)貢獻(xiàn)率，結(jié)果分別如表4—6及圖1所示。

從表4可以看出，經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)是我國區(qū)域金融風(fēng)險(xiǎn)主要的輸出區(qū)域。其中東北地區(qū)是對(duì)外金融風(fēng)險(xiǎn)傳染強(qiáng)度最高的區(qū)域，平均傳染效應(yīng)值達(dá)到7.4366，該區(qū)域中黑龍江（8.6602）、吉林（7.4704）、遼寧（6.1791）在所有省份對(duì)外傳染總效應(yīng)的排名分別為第1、3、7位。其次是西北地區(qū)，平均傳染效應(yīng)值為6.3625，該區(qū)域中寧夏（6.9986）、新疆（6.9602）、青海（6.5622）在所有省份對(duì)外傳染總效應(yīng)的排名分別為第4、5、6位。華南地區(qū)（5.6840）、西南地區(qū)（5.2273）則分別排在第三、四位，其中海南（8.2598）在所有省份對(duì)外傳染總效應(yīng)的排名第2，是導(dǎo)致華南地區(qū)整體平均傳染效應(yīng)升高的重要因素;西藏（5.7461）是西南地區(qū)對(duì)外金融風(fēng)險(xiǎn)傳染強(qiáng)度最高的省份。華北地區(qū)（4.7207）、華東地區(qū)（4.4055）整體對(duì)外金融風(fēng)險(xiǎn)傳染相對(duì)較弱，華北地區(qū)中的北京（2.5816）在所有省份中對(duì)外金融風(fēng)險(xiǎn)傳染效應(yīng)值最小，華東地區(qū)中的上海（2.7599）、浙江（3.4459）、江蘇（3.7674）對(duì)外金融風(fēng)險(xiǎn)傳染強(qiáng)度也明顯低于全國大部分省份。

從表5可以看出，經(jīng)濟(jì)發(fā)達(dá)地區(qū)是我國區(qū)域金融風(fēng)險(xiǎn)主要的吸收區(qū)域。其中華東地區(qū)是金融風(fēng)險(xiǎn)被傳染最嚴(yán)重的區(qū)域，被傳染效應(yīng)均值達(dá)到6.9009，該區(qū)域中江蘇（7.1925）、上海（7.1711）、浙江（7.1383）、福建（7.0784）在全國所有省份金融風(fēng)險(xiǎn)被傳染效應(yīng)值中分別排在第3、4、5、7位。其次是華北地區(qū)，被傳染效應(yīng)均值達(dá)到6.8468，該區(qū)域中天津（7.2015）、北京（7.0915）是主要的金融風(fēng)險(xiǎn)輸入?yún)^(qū)域，被傳染效應(yīng)值分別排在全國第2、6位。西南地區(qū)（5.5167）、華南地區(qū)（4.6263）則分別排在第三、四位，其中西藏的被傳染效應(yīng)值僅為0.9545，在全國所有省份中排在末位，顯著低于西南地區(qū)其他省份，被傳染強(qiáng)度極弱;華南地區(qū)中海南（1.0456）、湖南（1.6381）的被傳染強(qiáng)度也顯著低于該區(qū)域及全國其他省份。西北地區(qū)（4.3965）、東北地區(qū)（4.0714）整體金融風(fēng)險(xiǎn)被傳染效應(yīng)相對(duì)較弱，其中西北地區(qū)的甘肅（2.7866）、新疆（3.3855）及東北地區(qū)的黑龍江（1.7095）金融風(fēng)險(xiǎn)被傳染強(qiáng)度均顯著弱于各自區(qū)域內(nèi)的其他省份。

從表6可以看出，經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)是金融風(fēng)險(xiǎn)對(duì)外凈傳染的主要區(qū)域。東北地區(qū)、西北地區(qū)、華南地區(qū)表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸出地區(qū)，其中東北地區(qū)是對(duì)外金融風(fēng)險(xiǎn)凈輸出最嚴(yán)重的地區(qū)，凈傳染均值達(dá)到3.3652，該區(qū)域中黑龍江（6.9507）、吉林（3.6765）在全國所有省份對(duì)外金融風(fēng)險(xiǎn)凈傳染效應(yīng)排名分別為第3、5位，遼寧則表現(xiàn)為金融風(fēng)險(xiǎn)的凈吸收。其次是西北地區(qū)，對(duì)外凈傳染效應(yīng)值達(dá)到1.9660，該區(qū)域中除陜西外，新疆（3.5672）、甘肅（2.8192）、寧夏（2.7893）、青海（0.8374）均為金融風(fēng)險(xiǎn)的凈輸出地區(qū)。第三是華南地區(qū)，對(duì)外凈傳染效應(yīng)值為1.6032，該區(qū)域中海南（7.2142）、湖南（7.1560）在全國所有省份對(duì)外金融風(fēng)險(xiǎn)凈傳染效應(yīng)中排名第1、2位。另外河南對(duì)外凈傳染效應(yīng)值為1.3048，其他省份則均表現(xiàn)為金融風(fēng)險(xiǎn)的凈吸收。

西南地區(qū)、華北地區(qū)、華東地區(qū)表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸入，其中華東地區(qū)是金融風(fēng)險(xiǎn)凈輸入強(qiáng)度最高的區(qū)域，達(dá)到2.4954，該區(qū)域中上海、浙江、江蘇金融風(fēng)險(xiǎn)凈吸收值分別達(dá)到4.4111、3.6924、3.4251，分別排在全國第2、3、4位。其次是華北地區(qū)，金融風(fēng)險(xiǎn)凈吸收值為2.0476，該區(qū)域中北京、天津金融風(fēng)險(xiǎn)凈輸入值分別達(dá)到4.5098、3.0269，分別排在全國第1、5位。第三是西南地區(qū)，凈輸入值為0.3678，值得注意的是該區(qū)域中的西藏（4.7916）表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸出，而其他省份均呈現(xiàn)金融風(fēng)險(xiǎn)的凈吸收。

從圖1可以看出，對(duì)全國金融風(fēng)險(xiǎn)凈傳染輸出的貢獻(xiàn)度從高到低依次為海南（18.9%）、湖南（18.8%）、黑龍江（18.3%）、西藏（12.6%）、吉林（9.7%）、新疆（9.4%）、甘肅（7.4%）、寧夏（7.3%）、河南（3.4%）、青海（2.2%），這些地區(qū)（湖南主要由于被傳染總效應(yīng)低，從而導(dǎo)致凈輸出效應(yīng)較高）基本呈現(xiàn)經(jīng)濟(jì)結(jié)構(gòu)較單一、經(jīng)濟(jì)基礎(chǔ)較薄弱、金融市場發(fā)展不完善、金融風(fēng)險(xiǎn)指數(shù)較高、金融風(fēng)險(xiǎn)抵抗能力較弱等共性，從而成為我國金融風(fēng)險(xiǎn)主要的凈輸出區(qū)域。

（三）穩(wěn)健性檢驗(yàn)

在考察單一省份對(duì)全國其他省份金融風(fēng)險(xiǎn)傳染關(guān)系的基礎(chǔ)上，對(duì)單一省份在各區(qū)域內(nèi)的傳染效應(yīng)進(jìn)行分析，從而對(duì)上文研究結(jié)果的準(zhǔn)確性進(jìn)行穩(wěn)健性檢驗(yàn)。分別計(jì)算每個(gè)省份對(duì)所在區(qū)域其他省份的傳染總效應(yīng)和被傳染總效應(yīng)、對(duì)外凈傳染總效應(yīng)，然后將凈傳染總效應(yīng)除以該區(qū)域省份數(shù)量（減1），得到單個(gè)省份在區(qū)域內(nèi)的平均凈傳染效應(yīng)值，結(jié)果見圖2。

整體來看，大部分省份在區(qū)域內(nèi)的凈傳染效應(yīng)與全國層面基本相同，如湖南、西藏、海南、黑龍江無論是在區(qū)域內(nèi)還是全國范圍內(nèi)，均是排名前四位的金融風(fēng)險(xiǎn)凈輸出區(qū)域，而新疆、甘肅、寧夏、吉林也均是各自區(qū)域內(nèi)主要的金融風(fēng)險(xiǎn)凈輸出省份。部分省份在區(qū)域?qū)用骘L(fēng)險(xiǎn)傳染效應(yīng)呈現(xiàn)某些特殊性，如華北地區(qū)的河北、內(nèi)蒙古、山西，華東地區(qū)的江西、安徽、山東在全國層面均表現(xiàn)為金融風(fēng)險(xiǎn)的凈吸收，而在各自區(qū)域內(nèi)則均表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸出。同時(shí)，在全國范圍表現(xiàn)為金融風(fēng)險(xiǎn)凈輸出的河南、青海，在區(qū)域內(nèi)則表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸入，表明這兩個(gè)省份對(duì)區(qū)域外金融風(fēng)險(xiǎn)的傳染性更強(qiáng)。

五、主要結(jié)論及啟示

本文通過構(gòu)建區(qū)域金融風(fēng)險(xiǎn)指數(shù)，采用VARX模型對(duì)我國31個(gè)省區(qū)（不含港、澳、臺(tái)地區(qū)）金融風(fēng)險(xiǎn)的傳染效應(yīng)進(jìn)行分析，主要得出以下結(jié)論：

第一，經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)是我國區(qū)域金融風(fēng)險(xiǎn)傳染的主要輸出區(qū)域，其中東北地區(qū)、西北地區(qū)對(duì)全國其他區(qū)域的總傳染強(qiáng)度顯著高于其他區(qū)域。高風(fēng)險(xiǎn)、強(qiáng)溢出是我國經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)金融風(fēng)險(xiǎn)的主要特點(diǎn)。

第二，經(jīng)濟(jì)發(fā)達(dá)地區(qū)是我國區(qū)域金融風(fēng)險(xiǎn)傳染的主要吸收區(qū)域。其中華東地區(qū)、華北地區(qū)受全國其他地區(qū)的總傳染效應(yīng)明顯超過其他區(qū)域。低風(fēng)險(xiǎn)、強(qiáng)吸收是我國經(jīng)濟(jì)發(fā)達(dá)地區(qū)金融風(fēng)險(xiǎn)的主要特征。

第三，東北地區(qū)、西北地區(qū)、華南地區(qū)表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸出，其中東北地區(qū)是對(duì)外金融風(fēng)險(xiǎn)凈傳染最嚴(yán)重的地區(qū);西南地區(qū)、華北地區(qū)、華東地區(qū)表現(xiàn)為金融風(fēng)險(xiǎn)的凈輸入，其中華東地區(qū)是金融風(fēng)險(xiǎn)凈吸收強(qiáng)度最高的區(qū)域。

第四，大部分省份在區(qū)域內(nèi)的凈傳染效應(yīng)與全國層面基本相同，華北地區(qū)及華東地區(qū)的部分省份在區(qū)域?qū)用骘L(fēng)險(xiǎn)傳染效應(yīng)則呈現(xiàn)某些特殊性，即在區(qū)域內(nèi)的傳染效應(yīng)明顯強(qiáng)于全國層面。

在我國經(jīng)濟(jì)發(fā)展步入新常態(tài)的背景下，經(jīng)濟(jì)結(jié)構(gòu)調(diào)整所帶來的經(jīng)濟(jì)增速放緩仍將持續(xù)。金融市場不穩(wěn)定因素增多倒逼金融機(jī)構(gòu)進(jìn)行改革創(chuàng)新，經(jīng)濟(jì)基礎(chǔ)發(fā)展較好的地區(qū)金融市場相對(duì)完善，在體制機(jī)制創(chuàng)新及風(fēng)險(xiǎn)防范方面明顯優(yōu)于欠發(fā)達(dá)地區(qū)，能夠做到對(duì)本區(qū)域金融風(fēng)險(xiǎn)的有效控制，但如何降低欠發(fā)達(dá)地區(qū)對(duì)該區(qū)域金融風(fēng)險(xiǎn)的傳染效應(yīng)，是保證發(fā)達(dá)地區(qū)金融穩(wěn)定運(yùn)行的關(guān)鍵。對(duì)于經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)來講，金融市場風(fēng)險(xiǎn)高，風(fēng)險(xiǎn)防控能力弱，對(duì)外傳染能力強(qiáng)，局部區(qū)域性的金融風(fēng)險(xiǎn)可能衍生為全國范圍內(nèi)的金融風(fēng)險(xiǎn)。因此，提高欠發(fā)達(dá)地區(qū)經(jīng)濟(jì)發(fā)展水平、完善金融市場體系建設(shè)、強(qiáng)化風(fēng)險(xiǎn)監(jiān)測預(yù)警體系、提高風(fēng)險(xiǎn)防范處置能力是我國金融風(fēng)險(xiǎn)防控的關(guān)鍵所在。而充分把握欠發(fā)達(dá)地區(qū)對(duì)其他區(qū)域金融風(fēng)險(xiǎn)傳染渠道，對(duì)于提高我國整體金融市場的穩(wěn)定性具有重要意義，這也是后續(xù)研究需要關(guān)注及完善的地方。

注：

1限于篇幅，有需要可向作者索取。

參考文獻(xiàn)：

[1]Castelnuovo E.，Nistico S. 2010. Stock Market Conditions and Monetary Policy in a DSGE Model for the U. S[J].Journal of Economic Dynamics&Control，No.9.

[2]Koetter M.，Poghosyan T. 2010. Real Estate Prices and Bank Stability [J].Journal of Banking and Fiance，No.9.

[3]沈悅，戴士偉，陳錕.房價(jià)過度波動(dòng)的系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)測度——基于GARCH-Copula-CoVaR模型[J]. 中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2016，（3）.

[4]Gustafsson P.，Stockhammar P.，Sterholm P. 2015. Macroeconomic Effects of a Decline in Housing Prices in Sweden [R].Sweden National Institute of Economics Research Working Paper， No.138.

[5]Kurlat P.，Stroebel J. 2015. Testing for Information Asymmetries in Real Estate Markets [J].The Review of Financial Studies， No.5.

[6]趙留彥，王一鳴.A、B股之間的信息流動(dòng)與波動(dòng)溢出 [J].金融研究，2003，（10）.

[7]洪永淼，成思危，劉艷輝，汪壽陽.中國股市與世界其他股市之間的大風(fēng)險(xiǎn)溢出效應(yīng) [J].經(jīng)濟(jì)學(xué)季刊，2004，（3）.

[8]Hartman P.，Straetmans S.，Vries C.G. 2004. Asset Market Linkages in Crisis Periods [J].Review of Financial Studies，No.86.

[9]Yang S. Y.，Doong S. C. 2004. Price and Volatility Spillovers between Stock Prices and Exchange Rates：Empirical Evidence from the G-7 Countries [J].International Journal of Business and Economics，No.3.

[10]Reboredo J. C.，Rivera-Castro M. A.，Ugolini A. 2016. Downside and Upside Risk Spillovers Between Exchange Rates and Stock Prices [J].Journal of Banking and Finance， No.62.

[11]周愛民，韓菲.股票市場和外匯市場間風(fēng)險(xiǎn)溢出效應(yīng)研究——基于GARCH-時(shí)變Copula-CoVaR模型的分析 [J].國際金融研究，2017，（11）.

[12]李玉賢.我國上市商業(yè)銀行風(fēng)險(xiǎn)溢出效應(yīng)的測度及分析研究——基于CoVaR模型的分析 [J].陜西科技大學(xué)學(xué)報(bào)，2012，（2）.

[13]李叢文，閆世軍.我國影子銀行對(duì)商業(yè)銀行的風(fēng)險(xiǎn)溢出效應(yīng)——基于GARCH-時(shí)變 Copula-CoVaR模型的分析 [J].宏觀經(jīng)濟(jì)研究，2015，（10）.

[14]馬麟.我國商業(yè)銀行系統(tǒng)性風(fēng)險(xiǎn)及溢出效應(yīng)研究[J].宏觀經(jīng)濟(jì)研究，2017，（11）.

[15]唐文進(jìn)，蘇帆.極端金融事件對(duì)系統(tǒng)性風(fēng)險(xiǎn)的影響分析——以中國銀行部門為例 [J].經(jīng)濟(jì)研究，2017，（4）.

[16]沈悅，戴士偉，羅希.中國金融業(yè)系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)測度——基于GARCH-Copula-CoVaR模型的研究[J].當(dāng)代經(jīng)濟(jì)科學(xué)，2014，（11）.

[17]傅強(qiáng)，張穎.我國金融系統(tǒng)的風(fēng)險(xiǎn)溢出故研究——基于溢出指數(shù)的實(shí)證分析 [J].經(jīng)濟(jì)研究，2015，（7）.

[18]王愷忱.銀行系統(tǒng)性金融風(fēng)險(xiǎn)溢出效應(yīng)分析——基于CoVaR模型 [D]蘭州財(cái)經(jīng)大學(xué)，2017.

[19]楊子暉，陳雨恬，陳里璇.極端金融風(fēng)險(xiǎn)的有效測度與非線性傳染 [J].經(jīng)濟(jì)研究，2019，（5）.

[20]蘇明政，張慶君. 經(jīng)濟(jì)周期波動(dòng)、溢出效應(yīng)與系統(tǒng)性金融風(fēng)險(xiǎn)區(qū)域傳染性——基于VARX模型的實(shí)證研究 [J].上海金融學(xué)院學(xué)報(bào)，2015，（2）