張立光 滕召建

摘? ?要：本文運用社會網(wǎng)絡分析法對2011—2018年山東省區(qū)域性金融風險的空間關聯(lián)機制進行了深入探討。結(jié)果發(fā)現(xiàn)：各城市間區(qū)域性金融風險存在明顯的空間關聯(lián)和溢出效應，空間網(wǎng)絡關聯(lián)結(jié)構復雜性、關聯(lián)性和穩(wěn)健性不斷增強，中心城市不斷增多，處于從屬或邊緣地位的城市減少;位于網(wǎng)絡中心城市的金融風險以輸入效應為主，并在風險傳染中主要起到中介作用;而位于邊緣地位城市的金融風險主要以溢出效應為主。進一步的探討表明，受風險關聯(lián)、網(wǎng)絡結(jié)構及經(jīng)濟增長、工業(yè)發(fā)展、城鄉(xiāng)差距和政府收支等因素影響，網(wǎng)絡中心城市的金融風險下降，而網(wǎng)絡邊緣城市金融風險升高，不同網(wǎng)絡位置區(qū)域金融風險表現(xiàn)出明顯的異質(zhì)性。

關鍵詞：區(qū)域性風險;空間關聯(lián);傳染機制;社會網(wǎng)絡分析

中圖分類號：F830? 文獻標識碼：B? 文章編號：1674-2265（2021）11-0048-08

DOI：10.19647/j.cnki.37-1462/f.2021.11.007

一、引言

2008年全球金融危機讓人們認識到了危機爆發(fā)的突然性和系統(tǒng)性金融風險的巨大破壞力，反思金融危機的爆發(fā)，一個很重要的原因是，隨著科技發(fā)展、金融創(chuàng)新及金融脫媒，金融業(yè)務的全球化、網(wǎng)絡化和復雜化不斷加劇，全球市場“蝴蝶效應”頻繁發(fā)作，風險的傳染性和破壞力大大提升。由于傳統(tǒng)微觀審慎監(jiān)管低估了風險的傳染破壞力，導致雷曼的破產(chǎn)風險最終演變?yōu)槿蚪鹑谖C。在經(jīng)濟全球化和金融危機頻發(fā)的背景下，如何防范金融風險已成為各國的重大課題。

區(qū)域金融風險介于宏微觀金融風險之間，由一定的微觀層面風險聚集而成，但又可能通過網(wǎng)絡傳染形成宏觀層面的系統(tǒng)性風險。在經(jīng)濟步入新常態(tài)背景下，區(qū)域間經(jīng)濟聯(lián)系越來越緊密，但近年來隨著經(jīng)濟增速降低、地方政府債務擴張以及各種金融新興業(yè)態(tài)的發(fā)展，金融創(chuàng)新與風險管理間的矛盾凸顯，金融風險問題日益突出。而大企業(yè)集團、地方法人金融機構及新興金融業(yè)務風險的不斷暴露，特別是新時期金融業(yè)務和經(jīng)濟關聯(lián)的跨區(qū)域、跨市場和跨機構特征，導致風險的關系特性、傳染機制及影響范圍均發(fā)生了顯著變化，更是給區(qū)域經(jīng)濟發(fā)展和金融穩(wěn)定帶來較大壓力。針對這一問題和趨勢，近幾年學術界針對我國區(qū)域金融風險的變化特征進行了研究探討。從已有文獻看，探討如何測度系統(tǒng)性金融風險和網(wǎng)絡傳染機制的文獻較多，但對區(qū)域性金融風險的空間關聯(lián)和傳染機理展開的研究較少。另外從目前研究方法上來看，無論是VAR模型，還是GARCH簇模型和Copula函數(shù)族，都與現(xiàn)實差距較大，而且忽略了當前金融網(wǎng)絡化發(fā)展趨勢。

鑒于此，本文基于當前金融系統(tǒng)網(wǎng)絡化發(fā)展趨勢，以近些年風險暴露比較突出的山東省為樣本，運用網(wǎng)絡分析法對區(qū)域性金融風險傳染機理進行了深入探討。本文貢獻主要體現(xiàn)在回答了三個問題：一是區(qū)域性金融風險的空間關系是如何形成和實現(xiàn)的;二是區(qū)域性金融風險的傳染機制是什么;三是區(qū)域性金融風險的空間關聯(lián)影響程度有多大。本文的研究成果有助于為金融監(jiān)管機構和政府防范和化解區(qū)域性金融風險提供參考。

二、文獻綜述

（一）金融風險傳染定義

關于金融風險傳染，世界銀行將其定義為：相對于平穩(wěn)市場，在危機時期金融市場間波動相關性的增加。多數(shù)學者對金融風險傳染的定義與世界銀行的含義一致，認為只有在剔除貿(mào)易聯(lián)系、資金流動和金融聯(lián)系等基本面關聯(lián)性導致的溢出效應與相互依賴性后，不同國家金融市場間的過度關聯(lián)性才是真正的傳染性，即凈傳染。Karolyi（2003）[1]認為還應進一步剔除理性投資者的協(xié)同運動，剩下的非理性協(xié)同運動才是傳染。國內(nèi)學者早期的研究主要集中在風險傳染機制上（蔣先玲，2000;鄭慶寰和林莉，2006）[2，3]，對定義的研究相對較少，宮曉琳（2012）[4]將傳染定義為沖擊后宏觀經(jīng)濟、金融層面風險聯(lián)動的增加。張磊（2013）[5]進一步地將傳染定義為一個或一組市場、國家或機構遭受極端負面沖擊后向其他市場、國家或機構傳導的過程。

關于金融風險傳染定義的爭議主要在通過貿(mào)易、金融流動和經(jīng)濟相似性等傳播的沖擊是否構成傳染，在針對區(qū)域性金融風險的研究中，本文認為可將金融風險傳染定義為由沖擊引發(fā)的區(qū)域金融風險通過實質(zhì)性關聯(lián)或非實質(zhì)性關聯(lián)渠道，導致其他區(qū)域出現(xiàn)風險的現(xiàn)象。

（二）金融風險傳染渠道

從經(jīng)濟基本面來看，金融風險傳染主要有貿(mào)易渠道和金融渠道。在開放經(jīng)濟條件下，Gorea和Radev（2014）[6]發(fā)現(xiàn)國際貿(mào)易關系緊密的國家之間更容易發(fā)生金融風險傳染，但是大量實證研究發(fā)現(xiàn)，貿(mào)易聯(lián)系較弱的國家也會發(fā)生金融風險傳染，由此學者們開始認識到金融風險還可以通過金融渠道傳播。Peek和Rosengreen（1997）[7]最早用實證分析找到了金融渠道傳染的證據(jù)。Kaminsky和Reinhart（2000）[8]認為當某國發(fā)生金融危機后，發(fā)達國家商業(yè)銀行會收縮與危機發(fā)生國經(jīng)濟結(jié)構相似的國家貸款，并撤回高風險項目，進而導致該國發(fā)生金融危機。

由于越來越多的金融風險傳染案例難以用經(jīng)濟基本面關聯(lián)來解釋，投資者行為在金融風險傳染中的作用開始被廣泛關注。Goldstein（1998）[9]認為投資者之間存在“喚醒效應”，即某國發(fā)生金融危機后，投資者會認為與該國宏觀經(jīng)濟類似的國家也會面臨同樣的危機。Bekaert等（2014）[10]證實了“喚醒效應”在金融傳染中的作用。Calvo和Mendoza（2000）[11]則認為是“羊群效應”導致投資者受到負面沖擊或信息不完全時，因風險厭惡程度加重而拋售跨國資產(chǎn)。肖斌卿（2014）[12]也發(fā)現(xiàn)當投資者和公司信息不對稱時，外部沖擊會增大傳染性風險。此外，還有學者用自我實現(xiàn)的預期傳染機制來解釋金融風險的傳染現(xiàn)象。

雖然風險傳染渠道較多，但大量實證研究表明金融風險并不是只通過某單一渠道傳染，往往存在多個傳染渠道相互交叉現(xiàn)象，共同作用才形成金融風險。金融風險傳染渠道與起源國經(jīng)濟特點、被傳染國經(jīng)濟基本面、金融脆弱性等諸多因素有關，并且各傳染渠道的重要性隨著經(jīng)濟發(fā)展而不斷變化。

（三）金融風險傳染測度

從以往文獻看，現(xiàn)有的金融風險傳染測度方法主要有相關性分析法、網(wǎng)絡分析法和空間計量分析方法。其中，相關性分析方法較為常用，主要包括VAR模型、GARCH簇模型、Copula函數(shù)族。

相關性分析法主要是從波動率或者變化率角度判斷一些國家金融市場的資產(chǎn)價格是否存在聯(lián)動和溢出關系，進而判斷金融風險傳染的可能性。早期國外學者就采用GARCH模型來檢驗風險傳染的存在性，但由于GARCH簇模型是基于殘差的相關性，容易遺漏共同沖擊引起的傳染，并且VAR模型和GARCH簇模型對收益率都做出很多嚴格的假設。相比之下，Copula函數(shù)不僅能放松這些假設，還能更好地捕捉金融市場間的非線性和非對稱關系（王永巧和劉詩文，2011）[13]。

網(wǎng)絡分析法將金融機構視為網(wǎng)絡節(jié)點，將金融機構之間的資產(chǎn)負債關系視為網(wǎng)絡鏈條，從而分析金融機構間的互動和關聯(lián)。王營和曹廷求（2017）[14]運用社會網(wǎng)絡分析法刻畫區(qū)域性金融風險傳染效應，結(jié)果發(fā)現(xiàn)我國省際金融風險高度關聯(lián)的網(wǎng)絡結(jié)構形態(tài)。榮夢杰和李剛（2020）[15]、龐念偉（2021）[16]等也采用網(wǎng)絡分析法來研究金融市場間的風險傳染。

空間計量分析法以空間經(jīng)濟理論和地理空間數(shù)據(jù)為基礎，通過分析空間依存關系和異質(zhì)性，研究地理關系在變量關聯(lián)性中的作用及空間溢出效應，這為研究區(qū)域性金融風險傳染提供了有效手段。馮林等（2016）[17]運用探索性空間數(shù)據(jù)分析方法研究山東省縣域金融風險傳染現(xiàn)狀。沈麗等（2019）[18]利用空間偏微分方法探討了區(qū)域金融風險的空間傳染路徑。

除上述方法外，還有協(xié)整分析和SIRS傳染病模型等諸多金融風險傳染測度方法。金融風險傳染過程復雜，目前方法大多缺乏對金融風險傳染全面系統(tǒng)的探討。

三、研究方法與數(shù)據(jù)來源

社會網(wǎng)絡分析法有助于刻畫區(qū)域性金融風險的空間化和網(wǎng)絡化特征，因此，本文選用該方法研究區(qū)域性金融風險傳染機理。

（一）區(qū)域性金融風險關聯(lián)關系測度

區(qū)域性金融風險的空間關聯(lián)網(wǎng)絡包含了城市或地區(qū)之間風險關聯(lián)的所有關系，各城市或各地區(qū)是該關聯(lián)網(wǎng)絡中的“節(jié)點”，各城市區(qū)域性金融風險的空間關聯(lián)關系是關聯(lián)網(wǎng)絡中的“線”。這些“節(jié)點”和“線”的集合構成了空間關聯(lián)網(wǎng)絡?？臻g關聯(lián)網(wǎng)絡的構建方法包括引力模型和VAR模型?？紤]到VAR模型對數(shù)據(jù)滯后階數(shù)的選擇較為敏感且會忽視研究對象之間空間距離對關系產(chǎn)生的影響，本文選擇引力模型，并根據(jù)需要做出相應修正，模型公式如下：

公式（1）中，[rij]是關聯(lián)網(wǎng)絡矩陣中的元素，代表區(qū)域性金融風險的相互關系。[aij]表示兩地在區(qū)域性金融風險關聯(lián)中的貢獻度，即城市[i]對城市[i]與城市[j]之間金融風險的貢獻度，[aij=npli（npli+nplj）];[npl]為不良貸款率;[pop]為人口總數(shù);[GDP]為實際地區(qū)生產(chǎn)總值。[Dij]表示兩城間的“距離”，同時考慮地理距離和經(jīng)濟距離，構造公式[D2ij=dijgdpi-gdpj2]，其中[dij]表示城市[i]和城市[j]之間的地理距離，[gdp]表示人均[GDP]。根據(jù)公式（1），得到[Rij=rij17×17]表示空間網(wǎng)絡矩陣。由于相互作用存在一定門檻值，取矩陣每行均值作為該行臨界值，當矩陣中該行元素[rij]大于均值時，表示城市[i]對[j]產(chǎn)生影響，則[rij=1]，否則[rij=0]，即城市[i]對[j]無影響。

（二）區(qū)域性金融風險的網(wǎng)絡特征指標

1. 整體網(wǎng)絡特征。本文通過計算網(wǎng)絡密度、網(wǎng)絡關聯(lián)度、網(wǎng)絡等級度的值來刻畫山東省區(qū)域性金融風險的整體空間關聯(lián)網(wǎng)絡特征。

網(wǎng)絡密度（density）是反映關聯(lián)網(wǎng)絡疏密程度的指標，測算時用網(wǎng)絡中的實際連線數(shù)與最大可能連線數(shù)之比表示，取值介于0～1之間，其值越大，表示節(jié)點之間的關聯(lián)關系越多，說明各城市區(qū)域金融風險之間的聯(lián)系越緊密。計算公式為：

式（2）中，D為網(wǎng)絡密度，L為實際擁有的關系數(shù)，N為網(wǎng)絡規(guī)模，取值在0～1之間。

網(wǎng)絡關聯(lián)度（connectedness）反映區(qū)域金融風險空間關聯(lián)網(wǎng)絡自身的穩(wěn)健性和脆弱性，網(wǎng)絡關聯(lián)度越大，網(wǎng)絡越穩(wěn)健。其計算公式為：

式（3）中，C為關聯(lián)度，V為網(wǎng)絡中不可達點的對數(shù)，N為網(wǎng)絡規(guī)模，取值在0～1之間。

網(wǎng)絡等級度（hierarchy）是反映網(wǎng)絡中各節(jié)點等級結(jié)構的指標，測度的是網(wǎng)絡中各節(jié)點在多大程度上非對稱地可達。該指標越大（即高網(wǎng)絡等級），說明在區(qū)域性金融風險空間關聯(lián)網(wǎng)絡中處于從屬或邊緣地位的城市越多。其計算公式為：

式（4）中，H為等級度，K為網(wǎng)絡中對稱可達的點的對數(shù)，max（K）為網(wǎng)絡中最大可能的可達點的對數(shù)，取值在0～1之間。

2. 個體網(wǎng)絡特征指標。個體網(wǎng)絡結(jié)構特征主要用網(wǎng)絡中心性指標表示，常用的是節(jié)點中心度、接近中心度和中間中心度等。其中，節(jié)點中心度（degree centrality）反映的是個體在整體關聯(lián)網(wǎng)絡中的中心位置，高節(jié)點中心度表明該城市處于空間網(wǎng)絡中心地位，與網(wǎng)絡中與其他城市的聯(lián)系越多。計算公式為：

式（5）中，[n]代表與該城市直接相關聯(lián)的城市數(shù)目，[N]代表網(wǎng)絡規(guī)模。

接近中心度（closeness centrality）反映的是個體在整體網(wǎng)絡中不受其他個體控制的程度，用節(jié)點與節(jié)點之間的距離測算接近中心度。其計算公式為：

式（6）中，[dij]表示節(jié)點[i]與[j]之間的捷徑距離。

中間中心度（betweenness centrality）測度的是某一節(jié)點是否有能力控制其他節(jié)點的程度，其計算公式為：

式（7）中，[gjk]是指節(jié)點[j]和[k]之間的捷徑總數(shù)，[gjki]是指節(jié)點[j]和[k]之間經(jīng)過節(jié)點[i]的捷徑總數(shù)。

3. 塊模型分析。塊模型分析法基于“塊”在網(wǎng)絡中的角色展開，主要用來揭示和刻畫區(qū)域性金融風險的空間網(wǎng)絡內(nèi)部結(jié)構狀態(tài)，是社會網(wǎng)絡中空間聚類分析的常用方法。根據(jù)指標間的關系或者角色位置，可以將網(wǎng)絡劃分為四類板塊：凈溢出板塊、經(jīng)紀人板塊、雙向溢出板塊、凈收益板塊。凈收益板塊和雙向溢出板塊共同特點是實際內(nèi)部關系比例大于期望內(nèi)部關系比例關系。經(jīng)紀人板塊和凈溢出板塊共同特點是實際內(nèi)部關系比例小于期望內(nèi)部關系比例。

（三）數(shù)據(jù)來源

本文以山東省為樣本，所用指標主要為不良貸款率、地區(qū)生產(chǎn)總值及增速、人口數(shù)據(jù)、工業(yè)企業(yè)資產(chǎn)負債率和利潤率、城鄉(xiāng)居民收入及政府一般預算收支等，指標數(shù)據(jù)來源于中國人民銀行和統(tǒng)計局等部門，數(shù)據(jù)頻度為季度。城市之間的距離以城市間經(jīng)緯度計算而得。2010年以來，受周期性因素、產(chǎn)業(yè)結(jié)構及擔保圈等多因素影響，山東省金融風險開始暴露并不斷上升，2018年全省貸款不良率達到峰值，2019年開始回落。因此，該時期山東省金融風險空間關聯(lián)且傳染性較為突出，所以將研究區(qū)間定為2011—2018年。具體數(shù)據(jù)來源與指標描述如表1所示。

四、區(qū)域性金融風險的空間關聯(lián)網(wǎng)絡分析

（一）整體網(wǎng)絡特征分析

為了展示出山東省17個地市①區(qū)域性金融風險的空間關聯(lián)動態(tài)演變情況，本文根據(jù)公式（1），利用2011—2018年相關指標數(shù)據(jù)和UCINET6.212工具，分別繪制出2011年、2014年和2018年山東省區(qū)域性金融風險的空間網(wǎng)絡結(jié)構圖，具體如圖1—圖3所示。

可以看出，區(qū)域性金融風險空間網(wǎng)絡關聯(lián)結(jié)構呈現(xiàn)出復雜化和緊密化趨勢。2011年東營市和淄博市位于網(wǎng)絡關聯(lián)結(jié)構的中心，濟南市處于副中心，2014年新增了青島市和臨沂市為副中心，2018年濟南市和青島市更趨近于網(wǎng)絡關聯(lián)結(jié)構的中心。濟南市和青島市作為山東省經(jīng)濟的兩個“龍頭”，與其他城市之間均存在密切的經(jīng)濟與金融關聯(lián)，因此，在空間關聯(lián)網(wǎng)絡中處于中心位置;淄博市作為山東省重工業(yè)基地，與其他城市通過貿(mào)易渠道形成金融風險的相互傳染;具有“物流之都”之稱的臨沂市，與其他城市通過物流關聯(lián)同樣易形成金融風險的相互關聯(lián);東營市人均GDP居全省第一，石油業(yè)發(fā)展優(yōu)勢突出，可通過石油產(chǎn)業(yè)與其他城市形成緊密的金融關聯(lián)。

表2給出了關聯(lián)關系數(shù)、網(wǎng)絡密度等指標以描述網(wǎng)絡的動態(tài)演變特征。網(wǎng)絡密度從2011年的0.232上升到2018年的0.254，說明區(qū)域性金融風險空間網(wǎng)絡關聯(lián)越來越密切。網(wǎng)絡關聯(lián)關系數(shù)由2011年的63上升到2017年的69，說明區(qū)域性金融風險空間關聯(lián)網(wǎng)絡的穩(wěn)健性不斷增強。網(wǎng)絡關聯(lián)度始終為1，表明金融風險在各城市之間是相互可達的。網(wǎng)絡等級度從2011年的0.587下降到2018年的0.420，說明空間關聯(lián)網(wǎng)絡中處于從屬或邊緣地位的城市減少。

因此，從整體網(wǎng)絡結(jié)構特征看：樣本期間內(nèi)，山東省各城市間的區(qū)域性金融風險存在高度的空間關聯(lián)特點，空間網(wǎng)絡關聯(lián)結(jié)構呈現(xiàn)出復雜化趨勢。同時顯現(xiàn)出空間關聯(lián)網(wǎng)絡密度和網(wǎng)絡關聯(lián)關系數(shù)不斷增大、網(wǎng)絡等級度不斷下降及空間關聯(lián)網(wǎng)絡中處于從屬或邊緣地位的城市不斷減少等趨勢。

（二）中心性分析

根據(jù)公式（5）—（7）分別計算出2011—2018年山東省區(qū)域性金融風險空間關聯(lián)網(wǎng)絡的中心度，因篇幅原因，在此重點分析2018年的網(wǎng)絡中心性特征，如表3所示。

2018年山東省區(qū)域性金融風險空間關聯(lián)網(wǎng)絡中共存在69條關系，其中39條雙向關系，30條單向關系，平均每個城市與其他4個城市存在空間關聯(lián)。在關系類型方面，發(fā)送關系數(shù)大于接收關系數(shù)即以溢出效應為主的城市共10個，占58.82%;接收關系數(shù)大于發(fā)送關系數(shù)即以輸入效應為主的城市共5個，占29.41%。

節(jié)點中心度的均值為36.03，東營、淄博、濟南、青島和臨沂5市的節(jié)點中心度高于均值，說明這些城市處于中心地位，其中東營市的節(jié)點中心度高達87.5。濱州、威海、泰安和日照4市的節(jié)點中心度相對較低，其中濱州市的節(jié)點中心度僅為12.5。節(jié)點中心度靠前城市的點入度均大于點出度，說明這些城市較易受到其他城市金融風險溢出的影響。

接近中心度均值為60.118。東營、淄博、濟南、臨沂和青島5市的接近中心度高于均值，其中東營市和淄博市的接近中心度高達75以上，說明這些城市與其他城市的距離較短、聯(lián)系緊密，在網(wǎng)絡中扮演中心行動者角色。威海市、濱州市和泰安市等城市排名靠后，這些城市處于邊緣地帶，在關聯(lián)網(wǎng)絡中受制于其他城市。

17地市2018年中間中心度的均值為4.706，其中，東營、淄博、臨沂、青島和濟南5市的中間中心度高于平均值，表明這5個城市在區(qū)域金融風險網(wǎng)絡中處于中心地位，能夠影響和控制其他城市。中間中心度總和為80.003，其中排名居前5的城市在關聯(lián)網(wǎng)絡中發(fā)揮了“橋梁”作用，這5個城市的中間中心度之和占總量的87.86%。相比之下，濱州、泰安、威海和日照等城市中間中心度較低，表明這些城市在區(qū)域金融風險網(wǎng)絡中處于邊緣位置，風險變動更多受排名靠前城市的影響?？v向來看，2011—2018年，山東省17城市區(qū)域性金融風險的空間關聯(lián)性在不斷增強，因為中間中心度均值由4.265上升到4.706。

從個體網(wǎng)絡結(jié)構特征整體上看，山東區(qū)域間的空間關聯(lián)網(wǎng)絡節(jié)點中心度、接近中心度和中間中心度均值均呈現(xiàn)上升趨勢，說明城市間的風險關聯(lián)度在逐步增強。分地市來看，東營、淄博、濟南、青島和臨沂5市在網(wǎng)絡中處于中心地位，在空間網(wǎng)絡中扮演中心行動者角色，是區(qū)域金融風險的主要來源;濱州、泰安、威海和日照等城市容易受制于中心地位城市的影響，在空間網(wǎng)絡中處于從屬邊緣位置。

（三）塊模型分析

為了進一步揭示區(qū)域性金融風險空間網(wǎng)絡的內(nèi)部結(jié)構狀態(tài)，本文按照最大分割深度2，收斂標準0.2，基于CONCOR方法把2018年的17個城市分為四個板塊，如表4所示。可以看出，板塊內(nèi)部的關系為8條，板塊之間的關系為61條，這說明板塊之間的金融風險聯(lián)動性較強。各板塊特征如下：

第一板塊包括4個城市，依次是濱州、濰坊、日照和臨沂。內(nèi)部關系比例為8.33%，小于期望比例18.75%，共發(fā)送關系12條，接收到14條來自其他板塊的關系。說明該板塊既對其他板塊有溢出，也接受其他板塊的發(fā)出關系，在區(qū)域性金融風險溢出效應中起著“橋梁”作用，屬于“經(jīng)紀人板塊”。

第二板塊包括7個城市，依次是菏澤、德州、萊蕪、聊城、濟寧、泰安、棗莊。實際內(nèi)部比例為6.66%，小于期望比例37.50%，共發(fā)送關系30條，2條存在于板塊內(nèi)部，接收到8條來自其他版塊的關系，該板塊成員向其他板塊成員的溢出關系明顯多于接收關系，屬于“凈溢出板塊”。

第三板塊包括4個城市，依次是濟南、東營、淄博、青島。實際內(nèi)部比例15%，小于期望內(nèi)部比例18.75%，共發(fā)送關系20條，3條存在于板塊內(nèi)部，接收到39條其他版塊的關系，屬于“經(jīng)紀人板塊”。

第四板塊包括煙臺和威海兩個城市，實際內(nèi)部比例為28.57%，大于期望內(nèi)部比例6.25%，共發(fā)送關系7條，其中2條存在于板塊內(nèi)部，沒有接收到來自其他版塊的關系，屬于“雙向溢出板塊”。

為了確定1-塊還是0-塊，計算板塊的網(wǎng)絡密度矩陣，如果板塊密度大于0.2537（整體網(wǎng)絡密度），賦值為1，反之則賦值為0，由此得到像矩陣（見表5）。由像矩陣可以看出，第一板塊與第二板塊之間沒有風險傳染，但第一板塊是第三板塊和第四板塊間的風險傳染中介。第二板塊與第三板塊之間存在相互傳染風險的影響，即第二板塊的風險會傳染到第三板塊，同時也會受到第三板塊的影響，但與其他版塊之間不存在風險傳染關系。第三板塊承擔了第一板塊和第二板塊間的風險傳染中介，其與第四板塊并無風險傳染關系。第四板塊不僅內(nèi)部成員之間的風險會相互傳染，而且會傳染到第一板塊借以實現(xiàn)風險的相互傳染。

五、進一步探討

為了進一步探討驗證區(qū)域性金融風險的傳染機理和影響程度，本文以區(qū)域性金融風險為被解釋變量，構建計量模型做進一步檢驗。

區(qū)域性金融風險的模型如下：

其中[lognpl]是區(qū)域性金融風險的對數(shù);degree、closeness和betweenness分別是節(jié)點中心度、接近中心度和中間中心度，作為解釋變量;GDP增速（rgdp）、工業(yè)企業(yè)資產(chǎn)負債率（alr）、工業(yè)企業(yè)利潤率（opm）、城鄉(xiāng)居民收入差距（income）和政府行為（gov）為控制變量，樣本區(qū)間為2010—2018年。

由表6各指標的極小值、極大值、均值和標準差可以看出，各變量分布比較穩(wěn)定，呈現(xiàn)或近似呈現(xiàn)正態(tài)分布。

由表7的回歸結(jié)果可以看出，三個模型的F統(tǒng)計量均在1%的顯著水平上顯著，解釋變量節(jié)點中心度的系數(shù)為-0.005，在10%的水平上顯著;接近中心度的系數(shù)為-0.010，在10%的水平上顯著;中間中心度的系數(shù)為-0.020，在5%的水平上顯著。

模型一結(jié)果說明，越處于網(wǎng)絡中心的城市金融風險越低。一方面，因為處于網(wǎng)絡中心的城市與其他城市具有更緊密的經(jīng)濟往來和風險關聯(lián)，可將自身風險分散給與其存在直接或間接關聯(lián)的城市。另一方面，居于網(wǎng)絡中心的城市大多是商業(yè)銀行一級分行所在地，資源集中和動員能力均較強，風險管理中處于更有利的位置，且風險處置手段較多。比如節(jié)點中心度較高的濟南市和青島市均屬于這種情況，風險相對較低。同時，網(wǎng)絡中心城市也容易將金融風險傳染給這些城市，進而降低自身金融風險，增加與其關聯(lián)城市的金融風險較高。

模型二結(jié)果意味著接近中心度越高的城市，其金融風險越低，這是因為與其他城市之間距離越短的城市，與其關聯(lián)城市的金融互動性越強，越容易將金融風險傳染給其他城市。這一結(jié)果基本與模型一的檢驗結(jié)果相吻合。

模型三結(jié)果說明，在區(qū)域金融風險關聯(lián)網(wǎng)絡中越處于中間位置的城市，其金融風險越低。同時，結(jié)合前文塊模型分析還可以進一步證實，處于網(wǎng)絡中心的城市在區(qū)域金融風險關聯(lián)網(wǎng)絡中會起到中介作用，通過中介效應將關聯(lián)網(wǎng)絡中其他城市溢出的風險傳遞給其他城市。

三個模型的控制變量回歸結(jié)果很好地反映了經(jīng)濟現(xiàn)實。一是GDP增速在三個模型中的回歸系數(shù)均為負，表明GDP增長越快，區(qū)域金融風險越低，這與實踐相吻合。二是資產(chǎn)負債率在模型一和模型二中的回歸系數(shù)為正，表明資產(chǎn)負債率越高，區(qū)域金融風險越高，這也證實了企業(yè)較高的資產(chǎn)負債率隱藏著一定的金融風險。三是工業(yè)企業(yè)營業(yè)利潤率在三個模型中的回歸系數(shù)均為負，表明工業(yè)企業(yè)營業(yè)利潤率越高，區(qū)域金融風險越低。四是城鄉(xiāng)居民收入差距在模型三中的回歸系數(shù)為正，并且顯著高于模型一和模型二回歸系數(shù)的絕對值，說明城鄉(xiāng)居民收入差距過大會增加社會不穩(wěn)定性，進而引發(fā)區(qū)域金融風險的上升。五是政府行為在三個模型中的回歸系數(shù)均為正，說明政府行為與區(qū)域金融風險正相關，這是因為一般公共預算支出增加會導致潛在的財政金融風險。

六、結(jié)論

本文基于社會網(wǎng)絡分析法，以山東省17個地市為例，利用2011—2018年季度數(shù)據(jù)，探討了區(qū)域性金融風險的空間關聯(lián)性及傳染機制，結(jié)論如下：

一是從整體網(wǎng)絡結(jié)構特征看，近些年我國區(qū)域性金融風險存在高度的空間關聯(lián)和溢出效應，并且呈現(xiàn)出空間網(wǎng)絡關聯(lián)結(jié)構復雜性、關聯(lián)性和穩(wěn)健性不斷增強及中心城市增多、邊緣地位城市減少的趨勢。

二是從個體網(wǎng)絡結(jié)構特征來看，近年來網(wǎng)絡節(jié)點中心度、接近中心度和中間中心度平均值明顯上升，說明我國區(qū)域金融風險的空間關聯(lián)在加強。中心城市作為空間網(wǎng)絡中的中心行動者，與其他中心城市及邊緣城市的聯(lián)系日趨緊密，在區(qū)域金融風險網(wǎng)絡中具有顯著影響與控制力。

三是從風險傳染機制看，網(wǎng)絡中心城市在風險傳染中主要起中介作用，金融風險以輸入效應為主并傳遞給其他城市;而邊緣城市的金融風險主要以溢出效應為主，其風險比較容易傳染給與其關聯(lián)的城市。

四是進一步計量分析發(fā)現(xiàn)，受風險關聯(lián)、網(wǎng)絡結(jié)構及經(jīng)濟增長、工業(yè)發(fā)展、城鄉(xiāng)差距和政府收支等多種因素的影響，區(qū)域性金融風險空間關聯(lián)網(wǎng)絡中，越處于網(wǎng)絡中心的城市，其金融風險越低，而位于網(wǎng)絡邊緣的城市金融風險越高，體現(xiàn)出網(wǎng)絡結(jié)構中風險的異質(zhì)性及金融資源集聚的正面效應。

注：

①2019年，萊蕪市并入濟南市，本文使用數(shù)據(jù)截至2018年，因此仍以17個地市進行研究。

參考文獻：

[1]Karolyi A G. 2003. Does International Finance Contagion Really Exist？ [J].International Finance，6（2）.

[2]蔣先玲.論金融風險的國際傳遞及我國的對策 [J].上海金融高等?？茖W校學報，2000，（1）.

[3]鄭慶寰，林莉.跨市場金融風險的傳遞與監(jiān)管 [J].南方金融，2006，（8）.

[4]宮曉琳.宏觀金融風險聯(lián)動綜合傳染機制 [J].金融研究，2012， （5）.

[5]張磊.基本面關聯(lián)還是市場恐慌？—金融危機跨國傳染渠道的文獻綜述及其警示 [J]. 經(jīng)濟社會體制比較，2013，（3）.

[6]Gorea D，Radev D. 2014. The Euro Area Sovereign Debt Crisis：Can Contagion Spread from the Periphery to the Core？ [J].International Review of Economics and Finance，30（3）.

[7]Peek J，Rosengreen E S. 1997. The International Transmission of Financial Shocks：The Case of Japan [J].American Economic Review，87（4）.

[8]Kaminsky G L，Reinhart C M. 2000. On Crises，Contagion，and Confusion [J].Journal of International Economics，51（1）.

[9]Goldstein M. 1998. The Asian Financial Crisis：Causes，Cures，and Systemic Implications [R].Policy Analyses in International Economics，Washington：Institute for International Economics Working Paper.

[10]Bekaert G，Ehrmann M，F(xiàn)ratzscher M，Mehl A. 2014. The Global Crises and Equity Market Contagion [J]. The Journal of Finance，69（6）.

[11]Calvo G A，Mendoza E G. 2000. Rational Contagion and the Globalization of Securities Markets [J].Journal of International Economics，51（1）.

[12]肖斌卿，王粟旸，周小超，顏建曄.債務網(wǎng)絡投資者行為與傳染性風險：來自中國銀行業(yè)與房地產(chǎn)業(yè)的研究發(fā)現(xiàn) [J].管理科學學報，2014，17（11）.

[13]王永巧，劉詩文.基于時變Copula的金融開放與風險傳染 [J].系統(tǒng)工程理論與實踐，2011，31（4）.

[14]王營，曹廷求.中國區(qū)域性金融風險的空間關聯(lián)及其傳染效應——基于社會網(wǎng)絡分析法 [J].金融經(jīng)濟學研究，2017，（3）.

[15]榮夢杰，李剛.區(qū)域金融風險的空間關聯(lián)、傳染效應與風險來源 [J].統(tǒng)計與決策，2020，36 （24）.

[16]龐念偉.我國系統(tǒng)性金融風險傳染的空間結(jié)構及時變特征 [J].金融發(fā)展研究，2021，（4）.

[17]馮林，董紅霞，郝建嬌.基于ESDA的區(qū)域金融風險傳染評價研究——山東縣域數(shù)據(jù)的實證 [J].經(jīng)濟與管理評論，2016，（1）.

[18]沈麗，張影，李文君.我國區(qū)域金融風險的空間傳染路徑研究 [J].當代經(jīng)濟科學，2019，41（5）.