基于VARX模型的我国区域金融风险传染效应分析

张帅

摘   要：区域经济联系的加强为金融风险在区域间的传染提供了便利。本文通过构建区域金融风险指数，采用VARX模型对我国31个省区（不含港、澳、台地区）金融风险的传染效应进行分析，得出以下结论：高风险、强溢出是我国经济欠发达地区金融风险表现的主要特点，而低风险、强吸收则是我国经济发达地区金融风险呈现的主要特征;东北地区、西北地区是我国区域金融风险传染的主要输出区域，华东地区、华北地区则是我国区域金融风险传染的主要吸收区域;大部分省份在区域内的净传染效应与全国层面基本相同，华北地区及华东地区的部分省份在区域层面风险传染效应则呈现某些特殊性，即在区域内的传染效应明显强于全国层面。充分把握欠发达地区对其他区域金融风险的传染因素，明确金融风险传染渠道，对于提高我国整体金融市场的稳定性具有重要意义。

关键词：VARX模型;区域金融风险;传染效应

中图分类号：
F830.2   文献标识码：A  文章编号：1674-2265（2020）10-0029-07

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

一、引言

防范化解重大风险是党的十九大确定的三大攻坚战之首，而防范化解重大风险尤其是金融风险是当前及今后一段时间的首要工作任务。由于金融风险的突发性、传染性及危害性，一旦发生重大系统性金融风险，将会严重影响经济社会的稳定发展。

区域经济发展的差异性决定了区域金融风险的特殊性。一方面，西部地区作为我国经济发展水平相对落后的地区，金融市场建设相对滞后，金融风险防范机制尚不完善，地方政府债务问题严重，从而使得西部地区金融风险具有明显的地域特点;同时经济环境的脆弱性导致西部地区不同省份之间的金融风险具有明显的相似性及传染性，部分区域重大金融风险的爆发很容易引发连锁效应，引发整个西部地区甚至全国金融风险的爆发。另一方面，东部地区经济发展水平和开放度相对较高，决定了其金融市场发展层次高、金融产品创新能力强、市场交易活跃，然而由于金融市场法律制度不完善、主体风险防范意识薄弱以及监管滞后性等因素的存在，使得东部地区金融风险特征更为复杂，其风险突发性更强、传导速度更快、传染范围更广、影响程度更大。因此，从传染性视角考察我国不同区域金融风险状态，整体上把握区域间金融风险的传染特征，对于构建区域金融风险预警机制、从根本上防范金融风险意义重大。

二、文献综述

国内外学者针对金融风险传染效应做了大量的研究，主要有以下几个方面：

第一是房地产市场风险传染效应的研究。如Castelnuovo和Nistico（2010）[1]采用DSGE模型研究发现：房地产价格波动对包括经济增长等宏观经济层面因素的冲击显著;Koetter和Poghosyan（2010）[2]在其基础上进一步得出，房价的过度波动会带来金融市场的动荡。沈悦等（2016）[3]通过构建GARCH-Copula-CoVaR模型对我国房地产市场的风险溢出效应进行了分析，研究认为：房地产市场对不同经济层面的风险溢出效应存在差异性，其中对金融机构的风险传染最为明显。Gustafsson等（2015）[4]以瑞典为例研究发现：房价下跌20%将会引发该国消费水平的下降和经济发展的衰退。Kurlat 和Stroebel（2015）[5]指出，信息不对称是导致房地产市场风险形成及传播的主要原因。

第二是股票市场风险传染效应的研究。如赵留彦和王一鸣（2003）[6]通过构建GARCH 模型对我国A股及B股市场的数据进行了检验，研究发现A股市场对B股市场存在单向的风险波动溢出;洪永淼等（2004）[7]则采用VaR方法对我国A 股、B 股、H 股风险的溢出效应进行了分析，研究认为B 股、H 股与其他国家股市之间的风险溢出效果较为显著。Hartman等（2004）[8]对G7国家间债券市场与股票市场的风险溢出效应进行了考察，研究得出股票市场在G7国家的传染效应要强于债市市场;Yang和Doong（2004）[9]则采用EGARCH模型研究发现，G7国家存在股票市场对外汇市场单向的风险传染效应。而对于新兴市场国家，Reboredo等（2016）[10]则研究得出，股票市场与外汇市场存在相互的、非对称的风险溢出。周爱民和韩菲（2017）[11]对中国内地及香港地区的股票市场与外汇市场的风险溢出效应进行考察，结果表明，股票市场与外汇市场之间的风险传染效应是时变的。

第三是银行市场风险传染效应的研究。如李玉贤（2012）[12]采用分位数回归法对我国上市商业银行的风险溢出效应进行了测度分析，研究发现：资产规模大、利润水平高的银行股整体风险溢出效应较低，抗风险能力较强。李丛文和闫世军（2015）[13]利用GARCH模型对我国不同类型影子银行的风险溢出效应进行了实证检验，研究发现：信托行业对我国整体银行业的风险溢出效应最强，证券业次之，最后是民间借贷行业。马麟（2017）[14]以我国15家商业银行为样本，通过计算VaR及CVaR研究得出：商业银行在遭遇危机冲击时，将会产生系统性金融风险的溢出效应。唐文进和苏帆（2017）[15]提出跳跃未定权益分析模型，并以我国银行部门为例进行研究表明：银行部门在极端金融事件爆发期表现出更大的脆弱性。

第四是不同类型金融市场相互传染效应的研究。如沈悦等（2014）[16]通过构建GARCH-Copula-CoVaR模型对我国银行、证券、保险及信托四个市场之间的风险溢出效应进行了实证检验，研究发现：每个市场之间均存在显著的风险溢出效应，其中银行业与证券业两个市场的风险溢出强度最大。傅强和张颖（2015）[17]對我国银行、房地产、证券及保险行业之间的风险传染效应进行了考察，研究认为：银行业及房地产业对其他行业的风险溢出效应较为显著。王恺忱（2017）[18]则指出，在经济快速发展的过程中，银行、保险及证券会进行大量的合作、竞争，从而导致不同市场相互间风险传染效应的上升。杨子晖等（2019）[19]通过采用ES测度指标与回溯检验方法对我国A股市场以及银行、证券、保险、多元金融、房地产五个部门的尾部风险进行了测度，研究发现：房地产等部门是我国金融风险溢出的重要来源。

整体来看，现有研究主要集中在对国内及国际间不同行业市场之间金融风险传染效应的考察，而针对一国范围内不同区域（省份）之间金融风险传染特征的分析则相对不足，均是基于国家层面的研究。苏明政和张庆君（2015）[20]首次对我国31个省区（不含港、澳、台地区）区域金融风险的传染效应进行了考察，但其采用经济周期的波动性作为区域金融风险的代理变量则显得论证不足。本文构建区域金融风险指数，采用VARX模型对我国31个省区（不含港、澳、台地区）区域金融风险的传染效应进行测评，明确不同区域金融风险的传染方向及强度，以期为区域金融风险防范提供有价值的参考。

三、指标构建及研究方法

（一）指标构建

目前并无固定统一的指标来衡量区域金融风险，为确保研究结果的准确性，本文通过构建金融风险指数作为区域金融风险的代理变量。在对现有文献进行归纳的基础上，确定选择不良贷款率（X1）、资本充足率（X2）、存贷款比例（X3）、贷款损失准备充足率（X4）、拨备覆盖率（X5）、流动性比例（X6）、拨贷比（X7）作为区域金融风险评价的代理变量。指标权重测算选择以全国整体数据为样本，并采用CRITIC法、变异系数法、熵权法、相关系数法四种统计方法计算出来的平均值作为标准。研究期限为2005—2017年，为保证样本数量充足，将不同区域所有风险评价指标转换为月度数据，并经过标准化处理，通过加权计算得出我国及31个省区（不含港、澳、台地区）区域金融风险指数①。

（二）研究方法

传统VAR模型将所有变量看作内生变量，然而该模型不能处理有外生变量的建模，无法做到对模型中各变量共同影响因素的分析。就区域金融风险传染效应而言，该模型无法控制全国整体金融风险这一外生变量对其他区域金融风险的冲击。VARX模型在传统VAR模型的基础上增添了外生变量这一控制因素，基本原理如下：

在VARX模型构建的基础上，可以采用广义脉冲响应函数（GIRF）对区域间金融风险的传染效应进行分析。传统脉冲响应函数（IRF）具有不稳定性的特点，即函数值会随着模型变量排序的变化而变化，而GIRF则能够弥补该缺陷，有效分析变量之间的动态变化特征。其具体公式如下：

其中[σ-12（y1，y1）]为与波动项误差相关的标准误差。该式反映的是增加单位结构误差所引起的区域金融风险序列[σ-12（y1，y1）]单位的变化。为了可进行累加计算及横向对比，对所有区域计算得到的金融风险脉冲效应值均与0期的[σ-12（y1，y1）]作除法处理。本文将各区域金融风险指数的脉冲响应值作为区域之间金融风险传染效应的体现。

四、实证分析过程

（一）传染效应矩阵构建

根据广义脉冲响应函数的分析结果，构建我国各区域金融风险的传染效应矩阵，分别如表1—3所示。

（二）数据处理及结果分析

基于传染效应矩阵，定义并构建以下指标来考察不同区域金融风险的传染效应特征。

定义省份[yi]对外传染总效应指标（[FRout，yi→*]），该指标代表省份[yi]对其他所有省份传染效应的总和。定义省份[yi]被传染总效应指标（[FRin，*→yi]），该指标代表省份[yi]受其他所有省份传染效应的总和。定义省份[yi]对外传染净效应指标（[FRnet，yi→yj]），该指标代表省份[yi]对省份[yj]的传染效应减去[yj]对省份[yi]的传染效应。具体公式如下：

此外，定义省份[yi]对外总净传染效应指标（[TFRnet，yi]），該指标代表省份[yi]对所有其他省份传染净效应的总和。定义所有省份对外总净传染效应指标（[TFRnet]），该指标代表[TFRnet，yi]指标为正的所有省份的总和。定义省份[yi]金融风险贡献度（[SCyi]），该指标代表[TFRnet，yi]为正的省份[yi]占[TFRnet]的比重，反映该省份对全国整体金融风险传染的贡献度。具体公式如下：

按照以上公式，分别计算我国各区域金融风险对外传染总效应、被传染总效应、对外净传染总效应、金融风险贡献率，结果分别如表4—6及图1所示。

从表4可以看出，经济欠发达地区是我国区域金融风险主要的输出区域。其中东北地区是对外金融风险传染强度最高的区域，平均传染效应值达到7.4366，该区域中黑龙江（8.6602）、吉林（7.4704）、辽宁（6.1791）在所有省份对外传染总效应的排名分别为第1、3、7位。其次是西北地区，平均传染效应值为6.3625，该区域中宁夏（6.9986）、新疆（6.9602）、青海（6.5622）在所有省份对外传染总效应的排名分别为第4、5、6位。华南地区（5.6840）、西南地区（5.2273）则分别排在第三、四位，其中海南（8.2598）在所有省份对外传染总效应的排名第2，是导致华南地区整体平均传染效应升高的重要因素;西藏（5.7461）是西南地区对外金融风险传染强度最高的省份。华北地区（4.7207）、华东地区（4.4055）整体对外金融风险传染相对较弱，华北地区中的北京（2.5816）在所有省份中对外金融风险传染效应值最小，华东地区中的上海（2.7599）、浙江（3.4459）、江苏（3.7674）对外金融风险传染强度也明显低于全国大部分省份。

从表5可以看出，经济发达地区是我国区域金融风险主要的吸收区域。其中华东地区是金融风险被传染最严重的区域，被传染效应均值达到6.9009，该区域中江苏（7.1925）、上海（7.1711）、浙江（7.1383）、福建（7.0784）在全国所有省份金融风险被传染效应值中分别排在第3、4、5、7位。其次是华北地区，被传染效应均值达到6.8468，该区域中天津（7.2015）、北京（7.0915）是主要的金融风险输入区域，被传染效应值分别排在全国第2、6位。西南地区（5.5167）、华南地区（4.6263）则分别排在第三、四位，其中西藏的被传染效应值仅为0.9545，在全国所有省份中排在末位，显著低于西南地区其他省份，被传染强度极弱;华南地区中海南（1.0456）、湖南（1.6381）的被传染强度也显著低于该区域及全国其他省份。西北地区（4.3965）、东北地区（4.0714）整体金融风险被传染效应相对较弱，其中西北地区的甘肃（2.7866）、新疆（3.3855）及东北地区的黑龙江（1.7095）金融风险被传染强度均显著弱于各自区域内的其他省份。

从表6可以看出，经济欠发达地区是金融风险对外净传染的主要区域。东北地区、西北地区、华南地区表现为金融风险的净输出地区，其中东北地区是对外金融风险净输出最严重的地区，净传染均值达到3.3652，该区域中黑龙江（6.9507）、吉林（3.6765）在全国所有省份对外金融风险净传染效应排名分别为第3、5位，辽宁则表现为金融风险的净吸收。其次是西北地区，对外净传染效应值达到1.9660，该区域中除陕西外，新疆（3.5672）、甘肃（2.8192）、宁夏（2.7893）、青海（0.8374）均为金融风险的净输出地区。第三是华南地区，对外净传染效应值为1.6032，该区域中海南（7.2142）、湖南（7.1560）在全国所有省份对外金融风险净传染效应中排名第1、2位。另外河南对外净传染效应值为1.3048，其他省份则均表现为金融风险的净吸收。

西南地区、华北地区、华东地区表现为金融风险的净输入，其中华东地区是金融风险净输入强度最高的区域，达到2.4954，该区域中上海、浙江、江苏金融风险净吸收值分别达到4.4111、3.6924、3.4251，分别排在全国第2、3、4位。其次是华北地区，金融风险净吸收值为2.0476，该区域中北京、天津金融风险净输入值分别达到4.5098、3.0269，分别排在全国第1、5位。第三是西南地区，净输入值为0.3678，值得注意的是该区域中的西藏（4.7916）表现为金融风险的净输出，而其他省份均呈现金融风险的净吸收。

从图1可以看出，对全国金融风险净传染输出的贡献度从高到低依次为海南（18.9%）、湖南（18.8%）、黑龙江（18.3%）、西藏（12.6%）、吉林（9.7%）、新疆（9.4%）、甘肃（7.4%）、宁夏（7.3%）、河南（3.4%）、青海（2.2%），这些地区（湖南主要由于被传染总效应低，从而导致净输出效应较高）基本呈现经济结构较单一、经济基础较薄弱、金融市场发展不完善、金融风险指数较高、金融风险抵抗能力较弱等共性，从而成为我国金融风险主要的净输出区域。

（三）稳健性检验

在考察单一省份对全国其他省份金融风险传染关系的基础上，对单一省份在各区域内的传染效应进行分析，从而对上文研究结果的准确性进行稳健性检验。分别计算每个省份对所在区域其他省份的传染总效应和被传染总效应、对外净传染总效应，然后将净传染总效应除以该区域省份数量（减1），得到单个省份在区域内的平均净传染效应值，结果见图2。

整体来看，大部分省份在区域内的净传染效应与全国层面基本相同，如湖南、西藏、海南、黑龙江无论是在区域内还是全国范围内，均是排名前四位的金融风险净输出区域，而新疆、甘肃、宁夏、吉林也均是各自区域内主要的金融风险净输出省份。部分省份在区域层面风险传染效应呈现某些特殊性，如华北地区的河北、内蒙古、山西，华东地区的江西、安徽、山东在全国层面均表现为金融风险的净吸收，而在各自区域内则均表现为金融风险的净输出。同时，在全国范围表现为金融风险净输出的河南、青海，在区域内则表现为金融风险的净输入，表明这两个省份对区域外金融风险的传染性更强。

五、主要结论及启示

本文通过构建区域金融风险指数，采用VARX模型对我国31个省區（不含港、澳、台地区）金融风险的传染效应进行分析，主要得出以下结论：

第一，经济欠发达地区是我国区域金融风险传染的主要输出区域，其中东北地区、西北地区对全国其他区域的总传染强度显著高于其他区域。高风险、强溢出是我国经济欠发达地区金融风险的主要特点。

第二，经济发达地区是我国区域金融风险传染的主要吸收区域。其中华东地区、华北地区受全国其他地区的总传染效应明显超过其他区域。低风险、强吸收是我国经济发达地区金融风险的主要特征。

第三，东北地区、西北地区、华南地区表现为金融风险的净输出，其中东北地区是对外金融风险净传染最严重的地区;西南地区、华北地区、华东地区表现为金融风险的净输入，其中华东地区是金融风险净吸收强度最高的区域。

第四，大部分省份在区域内的净传染效应与全国层面基本相同，华北地区及华东地区的部分省份在区域层面风险传染效应则呈现某些特殊性，即在区域内的传染效应明显强于全国层面。

在我国经济发展步入新常态的背景下，经济结构调整所带来的经济增速放缓仍将持续。金融市场不稳定因素增多倒逼金融机构进行改革创新，经济基础发展较好的地区金融市场相对完善，在体制机制创新及风险防范方面明显优于欠发达地区，能够做到对本区域金融风险的有效控制，但如何降低欠发达地区对该区域金融风险的传染效应，是保证发达地区金融稳定运行的关键。对于经济欠发达地区来讲，金融市场风险高，风险防控能力弱，对外传染能力强，局部区域性的金融风险可能衍生为全国范围内的金融风险。因此，提高欠发达地区经济发展水平、完善金融市场体系建设、强化风险监测预警体系、提高风险防范处置能力是我国金融风险防控的关键所在。而充分把握欠发达地区对其他区域金融风险传染渠道，对于提高我国整体金融市场的稳定性具有重要意义，这也是后续研究需要关注及完善的地方。

注：

1限于篇幅，有需要可向作者索取。

参考文献：

[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]沈悦，戴士伟，陈锟.房价过度波动的系统性风险溢出效应测度——基于GARCH-Copula-CoVaR模型[J]. 中央财经大学学报，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]趙留彦，王一鸣.A、B股之间的信息流动与波动溢出 [J].金融研究，2003，（10）.

[7]洪永淼，成思危，刘艳辉，汪寿阳.中国股市与世界其他股市之间的大风险溢出效应 [J].经济学季刊，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]周爱民，韩菲.股票市场和外汇市场间风险溢出效应研究——基于GARCH-时变Copula-CoVaR模型的分析 [J].国际金融研究，2017，（11）.

[12]李玉贤.我国上市商业银行风险溢出效应的测度及分析研究——基于CoVaR模型的分析 [J].陕西科技大学学报，2012，（2）.

[13]李丛文，闫世军.我国影子银行对商业银行的风险溢出效应——基于GARCH-时变 Copula-CoVaR模型的分析 [J].宏观经济研究，2015，（10）.

[14]马麟.我国商业银行系统性风险及溢出效应研究[J].宏观经济研究，2017，（11）.

[15]唐文进，苏帆.极端金融事件对系统性风险的影响分析——以中国银行部门为例 [J].经济研究，2017，（4）.

[16]沈悦，戴士伟，罗希.中国金融业系统性风险溢出效应测度——基于GARCH-Copula-CoVaR模型的研究[J].当代经济科学，2014，（11）.

[17]傅强，张颖.我国金融系统的风险溢出故研究——基于溢出指数的实证分析 [J].经济研究，2015，（7）.

[18]王恺忱.银行系统性金融风险溢出效应分析——基于CoVaR模型 [D]兰州财经大学，2017.

[19]杨子晖，陈雨恬，陈里璇.极端金融风险的有效测度与非线性传染 [J].经济研究，2019，（5）.

[20]苏明政，张庆君. 经济周期波动、溢出效应与系统性金融风险区域传染性——基于VARX模型的实证研究 [J].上海金融学院学报，2015，（2）