劉鳳根，廖昭君，張 敏

(湖南工商大學(xué) a.財政金融學(xué)院； b.經(jīng)濟(jì)與貿(mào)易學(xué)院 長沙 410205)

一、引言與文獻(xiàn)綜述

近年來，中國防范化解區(qū)域金融風(fēng)險已經(jīng)取得階段性重要成果。但是，隨著地方金融業(yè)態(tài)的快速發(fā)展，部分地方金融機構(gòu)內(nèi)控機制不健全，發(fā)展定位產(chǎn)生偏差，金融風(fēng)險隱患依然存在；少數(shù)金融機構(gòu)違法違規(guī)經(jīng)營甚至從事非法金融活動，加劇了區(qū)域金融風(fēng)險。特別是在當(dāng)前百年未有之大變局及新冠肺炎疫情疊加沖擊下，宏觀經(jīng)濟(jì)持續(xù)下行壓力明顯加大，地方金融亂象頻發(fā)，地方政府債務(wù)劇增，房地產(chǎn)泡沫、金融機構(gòu)不良貸款快速上升等風(fēng)險因素凸顯。為切實防范化解地方金融風(fēng)險，健全防范化解金融風(fēng)險長效機制，2021年12月，中國人民銀行及時出臺了《地方金融監(jiān)督管理條例(草案征求意見稿)》，明確了地方金融監(jiān)管規(guī)則和上位法依據(jù)，體現(xiàn)了黨中央對防范化解地方金融風(fēng)險的高度重視以及“十四五”乃至今后相當(dāng)長時期內(nèi)加強區(qū)域金融風(fēng)險監(jiān)管并保持金融穩(wěn)定的重要性。

2007—2008年美國次貸危機由最初的房地美、房利美等金融機構(gòu)破產(chǎn)，最終演變?yōu)榱鲃有試?yán)重短缺的世界性大危機，凸顯了金融風(fēng)險在區(qū)域之間傳染的重要性，區(qū)域金融風(fēng)險問題開始受到學(xué)術(shù)界的關(guān)注(Hwang，2014)[1]?，F(xiàn)有文獻(xiàn)主要從區(qū)域金融風(fēng)險的內(nèi)涵、測度、傳染等方面進(jìn)行了一定程度的研究。李文豐和尹久(2013)[2]認(rèn)為區(qū)域金融風(fēng)險屬于“中觀”層面的金融風(fēng)險，與微觀風(fēng)險和宏觀風(fēng)險具有明顯的區(qū)別，是系統(tǒng)性金融風(fēng)險的特殊表現(xiàn)形式。王俊(2014)[3]認(rèn)為區(qū)域金融風(fēng)險主要來源于宏觀經(jīng)濟(jì)運行狀況和區(qū)域內(nèi)部自身環(huán)境的變化兩個方面，由于區(qū)域之間經(jīng)濟(jì)的關(guān)聯(lián)性，區(qū)域金融風(fēng)險極易在區(qū)域之間進(jìn)行傳染并被放大。王俊和洪正(2015)[4]認(rèn)為，由于地方政府財政分權(quán)、金融分權(quán)以及官員政績考核等現(xiàn)行制度背景下，各區(qū)域政府為了實現(xiàn)本地區(qū)的經(jīng)濟(jì)利益最大化所采取的金融競爭行為，對區(qū)域金融安全造成重大威脅。王擎等(2018)[5]認(rèn)為區(qū)域金融風(fēng)險受到區(qū)域間經(jīng)濟(jì)社會發(fā)展速度、資源稟賦差異、資本逐利特性等因素的影響，導(dǎo)致金融資源的空間供求分布不均衡，反過來影響區(qū)域經(jīng)濟(jì)的發(fā)展。張斌彬和何德旭(2019)[6]認(rèn)為，雖然金融顯性集權(quán)對區(qū)域金融風(fēng)險產(chǎn)生抑制效應(yīng)，但金融隱形分權(quán)對區(qū)域金融風(fēng)險具有促進(jìn)作用。榮夢杰和李剛(2020)[7]對中國三大經(jīng)濟(jì)區(qū)域金融風(fēng)險進(jìn)行研究發(fā)現(xiàn)，金融市場和房地產(chǎn)市場是區(qū)域金融風(fēng)險的主要來源。張立光和滕召建(2021)[8]認(rèn)為雖然區(qū)域金融風(fēng)險與微觀金融風(fēng)險和宏觀金融風(fēng)險具有明顯差異，但往往是在微觀金融風(fēng)險積累的基礎(chǔ)上，通過擴散、傳染形成宏觀層面的系統(tǒng)性金融風(fēng)險。

已有文獻(xiàn)通常采用未定權(quán)益法(CCA)和熵值法對區(qū)域金融風(fēng)險進(jìn)行測度。比如宮曉琳(2012)[9]采用CCA法通過違約概率、財務(wù)危機距離和預(yù)期損失凈現(xiàn)值測度了區(qū)域金融風(fēng)險。廣泛受到學(xué)術(shù)界青睞的熵值法則是對經(jīng)濟(jì)金融指標(biāo)體系進(jìn)行主觀(客觀)賦權(quán)實現(xiàn)對區(qū)域金融風(fēng)險的測度。以模糊綜合評價法(FAHP)、層次分析法(AHP)和固定權(quán)重法等為代表的主觀賦權(quán)法依據(jù)評價人對指標(biāo)體系中特定指標(biāo)的主觀程度賦予不同的權(quán)重，具有很強的主觀性。比如孫清和蔡則祥(2008)[10]從經(jīng)濟(jì)環(huán)境、銀行業(yè)、證券業(yè)以及保險行業(yè)風(fēng)險四個層面選取相應(yīng)的指標(biāo)并賦予不同指標(biāo)相應(yīng)的權(quán)重，采用模糊層次法對“長三角”地區(qū)的金融風(fēng)險進(jìn)行評價。劉林(2014)[11]通過模糊評判方法預(yù)警模型對區(qū)域金融風(fēng)險進(jìn)行了測度并構(gòu)建一個區(qū)域金融風(fēng)險預(yù)警系統(tǒng)。李文森等(2015)[12]選取銀行機構(gòu)、銀行信貸、房地產(chǎn)、地方政府債務(wù)、非法金融活動和影子銀行六類不同的指標(biāo)，運用層次分析法對區(qū)域金融風(fēng)險進(jìn)行了測度。與主觀賦權(quán)法不同，客觀賦權(quán)法則依據(jù)所選指標(biāo)所內(nèi)含的信息對不同指標(biāo)的權(quán)重進(jìn)行賦值。其中，主成分分析法和熵值法是文獻(xiàn)廣泛采用的客觀賦值法。林海明和杜子芳(2013)[13]的研究認(rèn)為，當(dāng)指標(biāo)是正向、標(biāo)準(zhǔn)化的，主成分載荷矩陣達(dá)到更好的簡單結(jié)構(gòu)時，主成分分析法是一種有效的客觀賦權(quán)法。胡志強(2016)[14]通過構(gòu)建經(jīng)濟(jì)、金融和影子銀行三個層面的指標(biāo)，采用熵值法賦權(quán)對指標(biāo)賦值測度了安徽省的區(qū)域金融風(fēng)險。李斌等(2016)[15]綜合運用德爾菲法和TOPSIS法確定樣本的債務(wù)風(fēng)險綜合評價值。李凱風(fēng)和李星(2019)[16]基于熵權(quán)TOPSIS方法和綜合模糊評價法對全國各省份的債務(wù)風(fēng)險水平進(jìn)行測算和評估。

現(xiàn)有文獻(xiàn)關(guān)于區(qū)域金融風(fēng)險傳染的研究主要集中在部門之間的傳染。王麗婭和余江(2008)[17]的研究認(rèn)為在私人、企業(yè)、銀行和公共部門之間存在多條風(fēng)險傳染路徑，不同部門的風(fēng)險最終向公共部門積累。宋凌峰和葉永剛(2011)[18]對中國區(qū)域金融風(fēng)險部門間傳遞渠道的研究表明，企業(yè)部門和政府公共部門是區(qū)域金融風(fēng)險積累和傳遞的主要來源。呂勇斌和陳自雅(2014)[19]在通過未定權(quán)益分析法對中國區(qū)域各經(jīng)濟(jì)部門的金融風(fēng)險暴露狀況進(jìn)行測度基礎(chǔ)上，運用空間面板模型進(jìn)行實證研究的結(jié)果發(fā)現(xiàn)，中國區(qū)域金融風(fēng)險存在“企業(yè)—銀行”和“政府—銀行”的部門間傳遞路徑。丁述軍等(2019)[20]從家庭、企業(yè)、金融和政府四部門考察了中國區(qū)域金融風(fēng)險的部門間傳染機制，發(fā)現(xiàn)金融部門處于核心地位，與其他部門的相互傳染效應(yīng)最顯著。榮夢杰和李剛(2020)[7]通過人工神經(jīng)網(wǎng)絡(luò)法測度了環(huán)渤海區(qū)域、長三角區(qū)域和泛珠三角區(qū)域的金融風(fēng)險發(fā)現(xiàn)，三大經(jīng)濟(jì)區(qū)域的金融風(fēng)險演化趨勢大體一致，風(fēng)險波動較為相近，風(fēng)險聯(lián)動效應(yīng)明顯。沈麗和范文曉(2021)[21]認(rèn)為，地方政府的債務(wù)擴張是中國區(qū)域金融風(fēng)險的最主要的引致因素，不僅對本地區(qū)金融風(fēng)險產(chǎn)生負(fù)面效應(yīng)，還放大了鄰近區(qū)域和金融風(fēng)險關(guān)聯(lián)緊密地區(qū)的金融風(fēng)險。

事實上，厘清區(qū)域金融風(fēng)險的空間分布及其空間演化是有效監(jiān)管區(qū)域金融風(fēng)險的前提。因此，本文以2005—2019年中國31個省份的相關(guān)數(shù)據(jù)為研究樣本，首先選取宏觀經(jīng)濟(jì)、金融業(yè)、保險業(yè)等7個層面的指標(biāo)，采用了熵值法系統(tǒng)測度了區(qū)域金融風(fēng)險；其次，運用莫蘭指數(shù)分析了金融風(fēng)險指數(shù)的空間分布與集聚性；再次，綜合運用基尼系數(shù)分解和核密度估計研究中國金融風(fēng)險的區(qū)域差異和動態(tài)演進(jìn)特征。本文結(jié)論為金融監(jiān)管當(dāng)局對區(qū)域金融風(fēng)險和系統(tǒng)性金融風(fēng)險進(jìn)行有效監(jiān)管提供決策參考。

二、研究方法和數(shù)據(jù)來源

(一)研究方法

1.金融風(fēng)險指數(shù)測算

熵值法直接通過原始數(shù)據(jù)計算指標(biāo)的信息熵。利用指標(biāo)觀測值的差異程度對綜合系統(tǒng)的影響來確定指標(biāo)的權(quán)重系數(shù)，指標(biāo)的差異程度越高，所反映的信息量就越高，其對應(yīng)的權(quán)值就越高，有效地規(guī)避了人為主觀因素的影響，客觀真實地對指標(biāo)進(jìn)行評價。因此，本文采用該方法測度全國31個省份區(qū)域金融風(fēng)險指數(shù)。具體步驟如下:

(1)將數(shù)據(jù)標(biāo)準(zhǔn)化，對指標(biāo)進(jìn)行無量綱處理

(1)

(2)

(2)求各指標(biāo)的信息熵

(3)

(3)確定各指標(biāo)權(quán)重

在獲得各指標(biāo)的信息熵之后，可以根據(jù)信息熵E1,E2,…,Ek計算各指標(biāo)的權(quán)重，計算式為:

(4)

2.全局空間自相關(guān)分析(Moran’I)

Moran(1948)[22]首次提出利用空間自相關(guān)測度來研究二維或更高維空間分布,能夠有效檢驗金融風(fēng)險的空間關(guān)聯(lián)和聚集性問題，其測度方法有全局空間自相關(guān)與局部空間自相關(guān)。

全局空間自相關(guān)能夠檢驗?zāi)骋粚傩缘恼w空間分布是否具有聚集效應(yīng)，計算公式如下:

(5)

3.局部空間自相關(guān)分析

局域空間自相關(guān)分析可以反映某地區(qū)金融風(fēng)險指數(shù)與其周邊地區(qū)的聯(lián)系,分析是否存在觀測值的局部空間集聚,以及關(guān)聯(lián)強度大小等問題。本文用Moran指數(shù)Ii集聚表和局域Moran指數(shù)Lisa圖表示。Ii的計算公式如下:

(6)

4.Dagum基尼系數(shù)

在傳統(tǒng)的泰爾(Theil)指數(shù)測算方法的基礎(chǔ)上，Dagum(1997)[23]提出了基尼系數(shù)分解以及按子群樣本分解的方法，能將區(qū)域間的經(jīng)濟(jì)金融等指標(biāo)的差異進(jìn)行分解。由于該方法能有效地克服樣本間交叉重疊問題、精確測度區(qū)域間差距的構(gòu)成原因、具有可加可拆解等諸多優(yōu)點，在研究區(qū)域經(jīng)濟(jì)變量的差異等方面得到廣泛的應(yīng)用。本文運用基尼系數(shù)分解研究中國四大經(jīng)濟(jì)區(qū)域間金融風(fēng)險的差異?；嵯禂?shù)的定義如式(7)所示:

(7)

其中，yji、yhr分別為j、h地區(qū)內(nèi)任一省份的金融風(fēng)險指數(shù)，y是全國各省份金融風(fēng)險指數(shù)的平均值，n是省份的個數(shù)，k是地區(qū)劃分的個數(shù)，nj、nh分別為j、h地區(qū)內(nèi)省份個數(shù)。

在進(jìn)行基尼系數(shù)分解時，首先根據(jù)地區(qū)內(nèi)單位金融壓力指數(shù)的均值對地區(qū)進(jìn)行排序，即:

(8)

其次，可以將總體基尼系數(shù)G分解為區(qū)域內(nèi)金融風(fēng)險指數(shù)差距GW、區(qū)域間金融風(fēng)險指數(shù)差距Gnb和超變密度Gt三個部分:

G=GW+Gnb+Gt

(9)

其中，GW為j或h所屬區(qū)域內(nèi)金融風(fēng)險指數(shù)的差異，Gnb為j和h所屬區(qū)域間金融風(fēng)險指數(shù)的差異，Gjj為j所屬區(qū)域內(nèi)的基尼系數(shù)，Gjh為j和h所屬區(qū)域間的基尼系數(shù)。Gt為區(qū)域間金融風(fēng)險指數(shù)交叉影響的剩余項。具體如式(10)至(14)所示:

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

其中，F(xiàn)j、Fh分別為j、h地區(qū)的累積密度分布函數(shù)。定義djh為地區(qū)間金融壓力指數(shù)的差值，pjh定義為超變一階矩，相對于j，h地區(qū)中所有yji-yhr>0，yhr-yji>0的樣本值加總的數(shù)學(xué)期望。

5.核密度估計方法(Kernel density estimation)

由Parzen(1962)[24]提出的核密度估計是一種求解隨機變量概率密度函數(shù)的非參數(shù)估計方法，可以從數(shù)據(jù)樣本本身出發(fā)研究數(shù)據(jù)的分布特征，能夠反應(yīng)樣本分布的動態(tài)演變特征。核密度函數(shù)的具體形式如式(18):

(18)

其中，f(x)為隨機變量X的核密度函數(shù)，n是觀測值的個數(shù)，K(·)是核函數(shù)，Xi為獨立同分布的觀測值，x為均值，h為帶寬，帶寬越小，估計的密度函數(shù)曲線就越不光滑，估計精度就越高。學(xué)術(shù)界常常采用高斯核(Gaussian)估計金融風(fēng)險波動的分布動態(tài)演進(jìn)過程，具體函數(shù)表達(dá)式如式(19)所示:

(19)

(二)指標(biāo)選取與數(shù)據(jù)來源

1.指標(biāo)選取

區(qū)域金融風(fēng)險的積累、集聚以及傳染等過程與當(dāng)?shù)亟?jīng)濟(jì)市場運行狀況、金融市場發(fā)展?fàn)顩r以及金融市場外部環(huán)境的穩(wěn)定性等因素緊密相關(guān)。因此，準(zhǔn)確評價區(qū)域金融風(fēng)險水平不僅要考慮區(qū)域內(nèi)部金融市場自身的風(fēng)險狀況，還要考慮來自外部環(huán)境的沖擊。借鑒Rodriguez-Moreno和Pena(2013)[25]、許滌龍和陳雙蓮(2015)[26]、沈悅等(2017)[27]等的做法，本文選取宏觀經(jīng)濟(jì)指標(biāo)、政府調(diào)控、銀行業(yè)、保險業(yè)、房地產(chǎn)泡沫、規(guī)模以上企業(yè)六個層面共18個風(fēng)險指標(biāo)構(gòu)建中國區(qū)域金融風(fēng)險測度的指標(biāo)體系，具體如表1所示。

表1 區(qū)域金融風(fēng)險指標(biāo)體系

2.數(shù)據(jù)來源

考慮到數(shù)據(jù)的可得性和準(zhǔn)確性，本文采用2005—2019年中國31個省份(未包括港澳臺地區(qū))的年度數(shù)據(jù)展開研究。數(shù)據(jù)來源于《中國統(tǒng)計年鑒》《中國年度金融運行報告》和國家統(tǒng)計局網(wǎng)站、EPS統(tǒng)計數(shù)據(jù)庫，并以各省份統(tǒng)計年鑒和金融運行報告相關(guān)數(shù)據(jù)作為補充?？紤]到中國省際系統(tǒng)性金融風(fēng)險指標(biāo)體系中的各指標(biāo)項目的維度差異巨大，為了盡量避免量綱的區(qū)別成為對建模結(jié)果造成誤差，本文對所有數(shù)據(jù)進(jìn)行無量綱處理；由于后續(xù)建模要求運用極差法，為了規(guī)避極差法可能會產(chǎn)生數(shù)據(jù)值為0的情況，對數(shù)據(jù)進(jìn)行無零化處理。

三、區(qū)域金融壓力指數(shù)測度及時空分布特征

(一)區(qū)域金融壓力指數(shù)測度

本文采用熵值法對省際金融指標(biāo)進(jìn)行權(quán)重的計算。通過建立系統(tǒng)性金融風(fēng)險的指標(biāo)，再采用客觀賦權(quán)法計算各指標(biāo)權(quán)重，最后加權(quán)求和獲得區(qū)域金融風(fēng)險壓力指數(shù)。表2為熵權(quán)法各個指標(biāo)的信息熵值和合成金融風(fēng)險指數(shù)的各指標(biāo)所占的權(quán)重。從一級指標(biāo)來看，房地產(chǎn)行業(yè)對整個金融風(fēng)險的貢獻(xiàn)度達(dá)到33.574%，是中國金融風(fēng)險最大的風(fēng)險因素；其次是銀行業(yè)，其風(fēng)險貢獻(xiàn)權(quán)重為17.938%；宏觀經(jīng)濟(jì)對整個金融風(fēng)險的貢獻(xiàn)最小，其權(quán)重僅為4.144%，表明雖然近幾年中國宏觀經(jīng)濟(jì)下行壓力加大，但并不是金融風(fēng)險的重要因素。進(jìn)一步從二級指標(biāo)可以看出，對整個金融風(fēng)險貢獻(xiàn)較大的指標(biāo)分別為金融機構(gòu)的不良貸款率(17.624%)、房地產(chǎn)增加值(16.495%)、政府的財政赤字率(14.347%)、保險機構(gòu)賠款支出(13.470%)、房地產(chǎn)開發(fā)投資(12.319%)、企業(yè)負(fù)債(10.782%)，是中國金融風(fēng)險重要的引致因素。

表2 區(qū)域金融風(fēng)險指標(biāo)體系權(quán)重

表3列示了中國2005—2019年31個省份及東、中、西、東北四大區(qū)域的金融壓力指數(shù)均值狀況。從時間維度來看，在整個樣本期間內(nèi)，中國區(qū)域金融風(fēng)險呈現(xiàn)先下降后上升的變化趨勢。其中上升較快的有兩個階段:一是2010—2013年。這是由于該時期受到2008年美國金融危機的影響，金融風(fēng)險在全球范圍內(nèi)積累集聚，對中國房地產(chǎn)業(yè)和銀行業(yè)的沖擊最大。雖然中國政府及時采取了大量的刺激經(jīng)濟(jì)政策，但并沒有從根本上化解金融風(fēng)險；二是2015—2017年。這一時期中國經(jīng)濟(jì)實現(xiàn)了又一輪的快速增長，但同時金融市場比較活躍，加之互聯(lián)網(wǎng)金融的迅猛發(fā)展，形成了聯(lián)系密切、錯綜復(fù)雜的區(qū)域金融關(guān)聯(lián)網(wǎng)絡(luò)。由于缺乏監(jiān)管，互聯(lián)網(wǎng)金融亂象頻發(fā)，不斷加劇經(jīng)濟(jì)泡沫化，導(dǎo)致金融風(fēng)險日趨嚴(yán)重。

表3 四大區(qū)域金融壓力指數(shù)

在樣本所考察的15年內(nèi)，四大區(qū)域金融風(fēng)險水平均值由高到低依次是東北地區(qū)、中部地區(qū)、西部地區(qū)和東部地區(qū)，但是東部地區(qū)內(nèi)的金融風(fēng)險水平差異較大。東北地區(qū)受歷史原因影響，是中國重工業(yè)的搖籃。憑著工業(yè)企業(yè)的支撐，一段時間內(nèi)東北三省發(fā)展情況較好，金融風(fēng)險水平也隨經(jīng)濟(jì)發(fā)展而有所下降。近年來，東北三省的經(jīng)濟(jì)結(jié)構(gòu)單一、創(chuàng)新能力低下與產(chǎn)能過剩等缺陷凸顯，加之在中國供給側(cè)結(jié)構(gòu)性改革和高質(zhì)量發(fā)展的政策壓力下，加劇了東北三省的金融風(fēng)險積累，金融壓力指數(shù)攀升。中國中部六省地區(qū)發(fā)展進(jìn)入了轉(zhuǎn)型升級、提質(zhì)增效的新階段。中部地區(qū)人口密集、市場空間巨大，在擁有良好的金融基礎(chǔ)和比較優(yōu)勢的同時也面臨著一系列挑戰(zhàn)，比如金融監(jiān)管法制不健全、監(jiān)管力度不足是本區(qū)域金融風(fēng)險積累增長的重要因素。對西部地區(qū)而言，金融機構(gòu)數(shù)量較少，資源資金配置相對稀缺，金融業(yè)務(wù)發(fā)展困難等金融資源的失衡加劇了金融發(fā)展失衡，是金融風(fēng)險積累不可忽視的因素。反觀東部地區(qū)，在自身沿海區(qū)位優(yōu)勢的帶動下，加快自身創(chuàng)新，很多城市已經(jīng)發(fā)展成為中國經(jīng)濟(jì)金融中心(如上海、北京)，非常適合大型金融機構(gòu)的發(fā)展。伴隨供給側(cè)結(jié)構(gòu)性改革的持續(xù)推進(jìn)，東部地區(qū)積極調(diào)結(jié)構(gòu)、轉(zhuǎn)方式，金融風(fēng)險水平相對較低。

(二)區(qū)域金融風(fēng)險空間分布與集聚特征

為了更清楚地反映中國31個省份區(qū)域金融壓力指數(shù)的空間分布和集聚特征，本文根據(jù)金融壓力指數(shù)的平均值,利用ArcGIS軟件展開聚類分析,其結(jié)果如圖1所示。從圖1可以看出，西藏、四川等西部地區(qū)和東沿海地區(qū)的金融壓力指數(shù)都較大，中部內(nèi)陸區(qū)域的金融壓力指數(shù)相對較小，說明中國區(qū)域金融風(fēng)險水平存在顯著的空間差異性且與空間地理位置密切相關(guān)。

圖1 中國31個省份金融壓力指數(shù)均值分布

為了呈現(xiàn)中國金融風(fēng)險水平的時空演變特征，本文運用了ArcGIS軟件進(jìn)行可視化分析。采用自然斷點法繪制的2005年、2012年和2019年3個時間點的金融壓力指數(shù)的空間分布；同時，結(jié)合重心模型，用標(biāo)準(zhǔn)差橢圓的空間統(tǒng)計方法考察了金融風(fēng)險的時空演變，可以有效地考察區(qū)域金融風(fēng)險的收斂狀況，結(jié)果如圖2(a)至(c)所示。整體上看，金融風(fēng)險的重心比較穩(wěn)定，其經(jīng)緯度位于東經(jīng)111.05～112.18度，北緯32.95～33.70度之間，中心位置大致在河南、湖北、陜西省的交接之處。從時間上看，其風(fēng)險指數(shù)保持增長的趨勢；從空間特征來看，重心位置明顯偏移，由開始的陜西的商洛境內(nèi)轉(zhuǎn)移到河南的南陽市境內(nèi)。其空間分布也具有區(qū)域分化和“階梯式”斷層的格局，呈現(xiàn)出東西部金融風(fēng)險值高，中部金融風(fēng)險值低的特征。

圖2(a) 2005年金融壓力指數(shù)的空間標(biāo)準(zhǔn)差橢圓重力分布

圖2(b) 2012年金融壓力指數(shù)的空間標(biāo)準(zhǔn)差橢圓重力分布

圖2(c) 2019年金融壓力指數(shù)的空間標(biāo)準(zhǔn)差橢圓重力分布

(三)區(qū)域金融風(fēng)險的空間自相關(guān)

為了進(jìn)一步深入分析中國金融風(fēng)險的空間集聚特征，本文分別從中國區(qū)域金融風(fēng)險的全局空間自相關(guān)與局部空間自相關(guān)兩個層面展開分析。

表4為2005—2019年31省份區(qū)域金融風(fēng)險的全局 Moran's I指數(shù)值及其顯著性。從結(jié)果來看，在10%的顯著性水平上，全局Moran's I統(tǒng)計量除了2008年之外的其他年份均不等于零，且絕大多數(shù)年份都顯著為正，說明中國各個省份的金融風(fēng)險狀況并不是處于隨機狀態(tài)，而是呈現(xiàn)出顯著的正相關(guān)空間關(guān)聯(lián)特征。為了應(yīng)對美國次貸危機的沖擊，中國金融監(jiān)管當(dāng)局采取了一系列政策措施，各個區(qū)域的金融風(fēng)險得到了有效監(jiān)管。因此，2008年中國各區(qū)域之間的金融風(fēng)險的相關(guān)性自然無法顯現(xiàn)。

表4 金融壓力指數(shù)的全局Moran’s I及其顯著性

表5(續(xù))

僅對金融風(fēng)險指數(shù)全局空間相關(guān)性進(jìn)行探究，并不能全面揭示金融風(fēng)險的集聚特征。本文進(jìn)一步利用局部 Moran's I指數(shù)揭示金融風(fēng)險指數(shù)的局部空間集聚特征。局域空間相關(guān)性檢驗一般采取散點圖的形式。散點圖是依據(jù)全局空間相關(guān)性計算得到的線性走勢圖，散點圖中各省份的分布則是局域空間相關(guān)性的體現(xiàn)。當(dāng)散點圖中的省份落入第一象限時，表示其在局域空間上是高—高聚集，以“HH”表示，說明該區(qū)域與相鄰區(qū)域的變量值均較高；第二象限表示低—高聚集，以“LH”表示，說明該區(qū)域變量較低而相鄰區(qū)域的變量較高；第三象限表示低—低聚集，以“LL”表示，說明該區(qū)域與相鄰區(qū)域的變量值都較低；第四象限表示高—低聚集，以“HL”表示，說明該區(qū)域變量值較高而相鄰區(qū)域變量值較低。因此，當(dāng)多數(shù)區(qū)域落入第一、三象限時，表示該指標(biāo)間存在正向空間相關(guān)性，當(dāng)多數(shù)區(qū)域落入第二、四象限時，表示存在負(fù)向空間相關(guān)性，當(dāng)均勻分布在四個象限時則不存在空間相關(guān)性，這也是對全局空間相關(guān)性的進(jìn)一步檢驗。表5為2005—2019年中國各省份金融風(fēng)險的局部空間集聚特征。

表5 2005—2019年金融風(fēng)險指數(shù)的局部聚集

由表5可以看出，雖然不是所有年份的全局空間自相關(guān)性都顯著，但金融風(fēng)險指數(shù)在2005—2019 年的任意年份均存在顯著的局部空間集聚特征；在所考察的樣本31個省內(nèi)，大多數(shù)省份都具有高—高型和低—低型的集聚特征，充分說明了金融風(fēng)險整體上呈現(xiàn)出正的空間自相關(guān)性。具體來看，在樣本考察期內(nèi)，金融風(fēng)險指數(shù)呈現(xiàn)出高—高類型聚集的省份主要集中在上海、江蘇、浙江、安徽、河南，表明金融壓力指數(shù)處于較高水平且相鄰省份金融壓力指數(shù)也比較高的省份主要集中在東部地區(qū)和中部地區(qū)；金融風(fēng)險指數(shù)低—低型集聚集中分布在北京、天津、內(nèi)蒙古、山東、重慶、陜西、青海、甘肅、新疆等10個省份，說明本地金融風(fēng)險指數(shù)處于較低水平且相鄰省份金融風(fēng)險水平也比較低的省份主要集中在西部地區(qū)。

四、中國區(qū)域金融風(fēng)險地區(qū)差異的測度及分解

為了進(jìn)一步分析中國31個省份金融風(fēng)險指數(shù)的差異，本文采用Dagum方法對其進(jìn)一步分解。根據(jù)Dagum的基尼系數(shù)分解方法，按照東、中、西和東北四大地區(qū)對2005—2019年中國金融壓力指數(shù)的地區(qū)差異進(jìn)行分解，計算工具為Matlab2021a，測算結(jié)果如表6所示。

表6 中國區(qū)域金融風(fēng)險的基尼系數(shù)分解結(jié)果

從表6列示的2005—2019年間中國金融風(fēng)險指數(shù)的總體區(qū)域間差異和區(qū)域內(nèi)差異及其演化趨勢來看，中國各省份金融風(fēng)險的總體基尼系數(shù)均值為0.136，總體區(qū)域差異在樣本考察年度內(nèi)總體呈現(xiàn)先下降再上升的趨勢。從演化過程來看，在整個研究時段內(nèi)金融風(fēng)險指數(shù)地區(qū)差距的變化趨勢不穩(wěn)定，在2008年和2009年出現(xiàn)了較大波動。比如從2006年的0.118下降到2008年的0.093，這是由于2008年受到國際金融危機的影響，中國各個區(qū)域、省份金融風(fēng)險整體都有所加大，使各區(qū)域的金融壓力指數(shù)差異相對而言反而下降了。而從2009年以后中國區(qū)域金融壓力指數(shù)逐年回升，到2019年達(dá)到0.175。此后總體整體上逐漸上升并趨于平穩(wěn)，近年來我金融風(fēng)險指數(shù)地區(qū)差異在0.170左右，這說明了中國金融風(fēng)險總體上區(qū)域差異在變大。

圖3為中國金融風(fēng)險指數(shù)的區(qū)域內(nèi)差異及其演變趨勢。由圖3可以看出，中國東、中、西、東北四大區(qū)域的金融風(fēng)險指數(shù)區(qū)域內(nèi)差距水平各不相同，波動趨勢各異?？傮w來看，在樣本考察期內(nèi)，東部地區(qū)的金融風(fēng)險指數(shù)區(qū)域內(nèi)的差異最大，西部地區(qū)次之，中部地區(qū)最小。東部地區(qū)金融風(fēng)險區(qū)域間差異大是因為東部地區(qū)的各省份之間發(fā)展失衡所致，比如廣東沿海地區(qū)經(jīng)濟(jì)發(fā)展速度快，對外開放程度大，GDP水平和進(jìn)出口貿(mào)易值都處于高位，其風(fēng)險溢出的可能性高于像海南省等經(jīng)濟(jì)開放度相對較低的省份。

圖3 中國區(qū)域金融風(fēng)險的區(qū)域內(nèi)差異

圖4為中國金融風(fēng)險指數(shù)的區(qū)域間差異及其演變趨勢。東部與其他區(qū)域間差距較大，中部與東北部、中部與西部、西部與東北區(qū)域間金融風(fēng)險差異較小。在整個樣本考察期內(nèi)，金融壓力指數(shù)在區(qū)域間的差異整體都呈現(xiàn)出擴大的態(tài)勢。其中2008年是一個關(guān)鍵節(jié)點，2008年之前，各區(qū)域間的間金融風(fēng)險差異急劇縮小，處于極小值，2005—2008年三年分別下降了0.031、0.020、0.009、0.105、0.061、0.040。2008年之后，東部與中部、東部與西部，中部與西部區(qū)域間金融風(fēng)險差異逐漸擴大。

圖4 中國區(qū)域金融風(fēng)險的區(qū)域間差異

圖5為中國金融風(fēng)險指數(shù)的區(qū)域差異的貢獻(xiàn)率。從圖5可以看出，在整個樣本考察期內(nèi)，中國金融風(fēng)險區(qū)域差異的貢獻(xiàn)率主要是來源于區(qū)域間金融風(fēng)險的差距。區(qū)域內(nèi)金融風(fēng)險的差距對中國金融風(fēng)險區(qū)域差異的貢獻(xiàn)一直不高，處于25%左右的相對較低水平。在樣本考察期內(nèi)，地區(qū)間金融風(fēng)險對中國金融壓力指數(shù)的貢獻(xiàn)率反復(fù)變化，呈“下降—上升—再下降”，最終末期與基期貢獻(xiàn)率基本持平但呈上升趨勢。其中2008年是貢獻(xiàn)率極小值年份(25.294%)，2018年為貢獻(xiàn)率極大值年份(54.688%)。在2013年之前，超變密度的貢獻(xiàn)率變化比區(qū)域間的貢獻(xiàn)率高，超變密度的貢獻(xiàn)率變化低于區(qū)域間的貢獻(xiàn)率。2010年之前超變密度的貢獻(xiàn)率與區(qū)域間的貢獻(xiàn)率交織在一起，2010年之后，區(qū)域間金融風(fēng)險差距水平遠(yuǎn)遠(yuǎn)超出其他兩個，說明中國各區(qū)域間的金融風(fēng)險水平差距較大。

圖5 中國區(qū)域金融風(fēng)險的區(qū)域差異貢獻(xiàn)率

五、中國區(qū)域金融風(fēng)險的空間演化特征

Kernel密度估計能夠較好地反映區(qū)域金融壓力指數(shù)分布的整體狀況，可以更好地從整體上把握金融壓力區(qū)域分布的動態(tài)演化特征。本文使用Matlab2021a軟件，采用高斯核函數(shù)獲得中國31個省份金融壓力指數(shù)Kernel密度三維估計圖，更加直觀地呈現(xiàn)了中國金融壓力指數(shù)分布的空間動態(tài)變化。

圖6為全國的地區(qū)金融壓力指數(shù)的Kernel密度估計三維圖。全國各省份金融壓力指數(shù)的空間分布演變呈現(xiàn)出三個特征:第一，在本文所考察的樣本時期內(nèi)，全國31個省份金融壓力指數(shù)的分布整體向右移動，說明各地區(qū)的金融壓力水平在逐漸上升，金融風(fēng)險在逐年升高。第二，Kernel密度整體峰值變高，峰波變尖，波峰寬度變窄。其峰值形態(tài)變化趨勢呈現(xiàn)出三個階段“低—高—低”:2008年，波峰變高，波峰寬度變窄；這說明金融壓力指數(shù)全國整體水平差距在變小，這主要是因為2008年受到國際金融危機的影響，金融壓力指數(shù)有所上升，且全國所有區(qū)域內(nèi)都上升，從而導(dǎo)致區(qū)域間的金融壓力指數(shù)差異卻縮?。粡?008年以后，除2007年核密度的峰值有所提高外，波峰逐漸扁平，波峰寬度越來越窄。這說明金融壓力指數(shù)全國整體水平差距擴大。第三，在考察期內(nèi)，31個省份金融壓力指數(shù)分布的右尾越來越長，說明出現(xiàn)了某些省份的金融壓力指數(shù)增長較快現(xiàn)象(如北京、上海、江蘇、浙江、山東、河南、廣東、四川)，導(dǎo)致了與金融壓力指數(shù)小的省份(如天津、寧夏、海南)的差距變大。

圖6 中國31個省份金融壓力指數(shù)的動態(tài)演化

圖7為東北地區(qū)金融壓力指數(shù)的Kernel密度估計三維圖。圖7揭示了東北地區(qū)金融壓力指數(shù)水平的分布呈現(xiàn)以下動態(tài)演進(jìn)特征:第一，在整個考察期內(nèi)，東北地區(qū)各省份金融壓力指數(shù)的分布整體向右移動，說明東北三省的金融風(fēng)險水平正在逐漸上升。第二，在整個樣本考察期內(nèi)，東北地區(qū)的波峰高度都較高、寬度較窄。第三，在整個樣本考察期內(nèi)，東北地區(qū)的金融壓力指數(shù)波峰呈現(xiàn)雙峰即“一個主峰，一個側(cè)峰”現(xiàn)象，說明東北地區(qū)的金融壓力指數(shù)已經(jīng)出現(xiàn)了顯著的多級分化現(xiàn)象。金融風(fēng)險大的省份與金融風(fēng)險小的省份差距變得越來越大:遼寧省的金融壓力指數(shù)遠(yuǎn)大于吉林省與黑龍江省，這是因為遼寧省金融監(jiān)管機構(gòu)過于分散，權(quán)責(zé)交叉以及令出多門導(dǎo)致難以實施有效監(jiān)管而不能有效防控風(fēng)險。

圖7 東北地區(qū)金融壓力指數(shù)的動態(tài)演化

圖8為東部地區(qū)金融壓力指數(shù)的Kernel密度估計三維圖。從圖8可以看出，在整個樣本期內(nèi)，東部地區(qū)的金融風(fēng)險呈現(xiàn)如下特征:第一，本區(qū)域內(nèi)各省份的金融壓力指數(shù)的分布整體向右移動，說明東部地區(qū)各省份的金融風(fēng)險水平正在逐漸上升。第二，金融風(fēng)險的波峰高度、寬度變化劇烈，高高低低交織，說明東北地區(qū)金融壓力指數(shù)地區(qū)差異波動劇烈，忽大忽小。第三，金融壓力指數(shù)分布的波峰數(shù)量一直呈現(xiàn)雙峰形式，且出現(xiàn)了明顯的右尾現(xiàn)象，表明東部地區(qū)的金融壓力指數(shù)已經(jīng)出現(xiàn)了顯著的極化現(xiàn)象。金融風(fēng)險大的省份與金融風(fēng)險小的省份差距變得越來越大(比如廣東省的金融壓力指數(shù)遠(yuǎn)遠(yuǎn)高于海南省的金融壓力指數(shù)，差距從2倍擴大至4倍，廣東省作為對外開放的大省，處于沿海經(jīng)濟(jì)發(fā)達(dá)的地區(qū)，各方面金融資源在廣東省積累，在經(jīng)濟(jì)得到快速發(fā)展的同時也加速了金融風(fēng)險積累)。

圖8 東部地區(qū)金融壓力指數(shù)的動態(tài)演化

從圖9所呈現(xiàn)的中部地區(qū)金融壓力指數(shù)的Kernel密度估計三維圖可以發(fā)現(xiàn):第一，中部地區(qū)各省份金融壓力指數(shù)的分布整體向右移動，說明中部地區(qū)各省份的金融風(fēng)險水平正在逐漸上升。雖然整體上與全國地區(qū)的核密度圖形態(tài)極為相似，但是中部地區(qū)的金融壓力區(qū)域差異是四大經(jīng)濟(jì)區(qū)域內(nèi)最大的。第二，中部地區(qū)的核密度波峰高度在不斷平穩(wěn)降低，除2008年有所增加，其他年份波峰高度都在平穩(wěn)下降，形態(tài)越來越扁平，說明中部地區(qū)內(nèi)的金融壓力水平差異在逐步擴大，2008年輕微縮小，整體有所上升。第三，波峰數(shù)量一直是單峰分布，說明并沒有出現(xiàn)兩極分化現(xiàn)象，相較于東部地區(qū)，拖尾現(xiàn)象也不明顯。

圖9 中部地區(qū)金融壓力指數(shù)的動態(tài)演化

從圖10所呈現(xiàn)的西部地區(qū)金融壓力指數(shù)的Kernel密度估計結(jié)果可以發(fā)現(xiàn):第一，西部地區(qū)各省份金融壓力指數(shù)的分布整體向右移動，說明西部地區(qū)各省份的金融風(fēng)險水平正在逐漸上升。第二，西部地區(qū)金融壓力指數(shù)核密度圖的波峰形態(tài)變化是四大經(jīng)濟(jì)區(qū)域中最平緩的，說明西部地區(qū)中各省市自治區(qū)的金融壓力指數(shù)呈現(xiàn)同步增加趨勢。第三，西部地區(qū)金融壓力指數(shù)分布的波峰數(shù)量一直是主峰分布，偶爾有小側(cè)峰出現(xiàn)，說明出現(xiàn)了不明顯的多級分化現(xiàn)象，金融壓力指數(shù)大的省份金融風(fēng)險變大，導(dǎo)致與金融風(fēng)險小的省份差距變大，比如四川省、新疆省金融壓力指數(shù)較高；西藏金融壓力指數(shù)較低。這是因為四川省地域遼闊、人口眾多，在西部占有舉足輕重的地位；而新疆面積最大，農(nóng)業(yè)競爭力、工業(yè)競爭力和企業(yè)競爭力位于西部地區(qū)前列，其宏觀金融風(fēng)險水平較高；西藏是少數(shù)民族聚居區(qū)，經(jīng)濟(jì)總體處于較低水平，各項經(jīng)濟(jì)指標(biāo)基本位于全國末位，金融風(fēng)險水平較低。

圖10 西部地區(qū)金融壓力指數(shù)的動態(tài)演化

六、結(jié)論和政策建議

本文以2005—2019年中國31個省份的年度面板數(shù)據(jù)為研究對象，在通過構(gòu)建金融風(fēng)險評價指標(biāo)，采用熵權(quán)法測算金融壓力指數(shù)基礎(chǔ)上，采用莫蘭指數(shù)、Dagum基尼系數(shù)分解、高斯核密度估計對區(qū)域金融風(fēng)險的全局聚集性、區(qū)域差異及動態(tài)演進(jìn)特征進(jìn)行了實證研究。研究結(jié)論如下:

第一，中國各省份金融風(fēng)險整體呈上升趨勢，金融風(fēng)險出現(xiàn)階梯式分布即中部地區(qū)風(fēng)險低，東西部地區(qū)風(fēng)險高的特征，且呈現(xiàn)出分塊聚集現(xiàn)象。

第二，在樣本所考察的不同年份，中國金融風(fēng)險在空間分布上均呈現(xiàn)顯著的空間相關(guān)性。金融風(fēng)險呈現(xiàn)出高—高類型聚集的省份主要集中在上海、江蘇、浙江、安徽、河南等東部地區(qū)；金融風(fēng)險指數(shù)低—低型集聚的省份集中分布在北京、天津、內(nèi)蒙古、、山東、重慶、陜西、青海、甘肅、新疆等中西部地區(qū)。

第三，中國各區(qū)域的金融風(fēng)險差異呈逐漸擴大趨勢。區(qū)域間的金融風(fēng)險差異是中國金融風(fēng)險區(qū)域差異的主要原因，且東部與西部金融風(fēng)險差距較大。

第四，中國31個省份金融壓力指數(shù)的核密度分布整體向右移動，各地區(qū)的金融壓力水平正在逐漸上升，金融風(fēng)險逐年升高，東北地區(qū)與東部地區(qū)各省份金融風(fēng)險差異出現(xiàn)了極化現(xiàn)象。

基于以上結(jié)論，提出以下政策建議:

第一，金融監(jiān)管部門應(yīng)加強區(qū)域金融風(fēng)險監(jiān)管；構(gòu)建和完善區(qū)域金融機構(gòu)內(nèi)部經(jīng)營機制；構(gòu)建區(qū)域性金融風(fēng)險預(yù)警機制，及時對金融風(fēng)險進(jìn)行監(jiān)測，提高系統(tǒng)性金融風(fēng)險評估的準(zhǔn)確性，保證宏觀審慎監(jiān)管政策的有效性；完善防范機制，防止中國區(qū)域金融風(fēng)險進(jìn)一步擴大及蔓延。

第二，針對當(dāng)前區(qū)域金融風(fēng)險存在的區(qū)域間差異性，應(yīng)著眼于宏觀金融戰(zhàn)略布局，實施有差別的金融政策，進(jìn)一步加大對中西部地區(qū)的支持力度。有序推進(jìn)金融資源逐步由東部發(fā)達(dá)地區(qū)向中西部地區(qū)的流動，優(yōu)化金融資源配置結(jié)構(gòu)，從而逐步縮小東部與中西部地區(qū)金融風(fēng)險的差距。

第三，地區(qū)的區(qū)域金融生態(tài)環(huán)境直接決定了區(qū)域間金融資源的差異，直接影響區(qū)域金融政策的有效性。東北地區(qū)應(yīng)努力營造良好的區(qū)域金融生態(tài)環(huán)境，防止地區(qū)金融風(fēng)險溢出對中國宏觀金融環(huán)境形成沖擊。

第四，東部沿海地區(qū)有天然的地理區(qū)位優(yōu)勢和資源積累，應(yīng)在利用本地區(qū)優(yōu)勢發(fā)展經(jīng)濟(jì)的同時著眼于金融風(fēng)險溢出的監(jiān)管，及時預(yù)測并準(zhǔn)確評估金融風(fēng)險，基于宏觀審慎原則有效地防范金融風(fēng)險帶來的危害。