中国区域金融风险溢出效应研究——基于社会网络分析方法_欧阳资生
欧阳资生,熊家毅.中国区域金融风险溢出效应研究——基于社会网络分析方法[J].金融经济学研究,2023,38(03):38-50.
研究问题
区域金融风险空间关联的网络结构及其溢出效应
理论机制
关于区域金融风险的定义目前尚未形成统一结论。一般认为，区域金融风险是由微观个体或金融机构产生的金融风险在一定区域内累积、传播而导致的关联性金融风险，或者是其他关联性较强地区的金融风险向本地区进行扩散传播所引起的金融风险。区域金融风险不仅表现为区域内微观金融风险的总和，更是宏观金融风险在地域上的具体体现。微观金融风险的总和由各个金融部门形成的风险加总而成。
关于金融风险传染强度的测度，现有研究主要有空间计量分析、相关性分析和网络分析等方法。空间计量分析将空间效应分为空间依赖性和空间异质性，研究金融风险在空间结构性差异下的关联作用和空间溢出效应。相关性分析法主要通过波动率的变化衡量金融市场的关联溢出，从而对风险传染进行测度。网络分析法主要以“关系”作为基本单位探究关系模式对结构中成员或整体的影响。
关于社会网络模型，文章中提到三部分：
整体网络特征。整体网络特征反映了区域金融风险网络内部的关联关系，本文选择网络密度、网络关联度、网络等级度和网络效率指标来衡量。网络密度用来反映整体网络中所有节点之间关联的疏密程度。网络密度越大，表示网络中节点之间的关联越多，区域间的风险联系越紧密。
个体网络特征。个体网络特征主要反映了不同省份在整个区域金融风险关联网络中的地位，本文选择节点中心度、接近中心度和中间中心度来衡量。节点中心度deg反映单个个体在整个关联网络中的中心地位，该值越大，表明该省份处于空间关联网络中心地位，与其他省份的金融风险传染越多。
块模型分析。块模型作为社会网络分析中聚类分析的主要方法，可以用来刻画区域金融风险关联网络的内部结构形态，对不同位置省份在网络中扮演的角色进行分析。通过块模型分析，能够从不同的维度探究区域金融风险空间关联网络的发展情况，以网络板块中的省份为基础，分析板块之间的关系和连接方式。根据块模型理论，本文把区域金融风险关联网络中的块的角色分为四种类型。一是主受益板块，该板块成员能够同时接收其他板块成员和板块内部成员的关系，且该板块成员对其他板块成员发出关系的溢出明显少于它接收来自其他板块成员的关系。二是净溢出板块，该板块成员向其他板块成员发出的关系要明显多于向板块内部成员发出的关系，且较少收到外来关系，该板块省份会对其他板块省份产生显著的风险溢出效应。三是双向溢出板块，此板块成员可向板块内部和其他板块成员发出较多关系，但接收较少外部关系。四是经纪人板块，该板块内部成员之间关系较少，可接收来自外部板块的关系并向外部板块发送关系，在区域金融风险的空间溢出中发挥中介作用。
测度指标体系
模型见底部原文，指标如下：
出口额／GDP、固定资产投资／GDP、地方财政净收入增长率、城镇登记失业率、R&D经费内部支出、第三产业增加值／第二产业增加值、人均实际GDP的自然对数、地方政府债券余额／GDP、城投债／GDP、边际期望损失、条件在险值差、不良贷款／贷款总额、信贷增长率／GDP增长率、保费收入／GDP、保险费额／当地人口、保费收入增长率、股票成交额／股票流通市值、房地产投资增长率、房地产产值／GDP、住房商品房平均销售价格
实证数据期间与来源
本文选取2011-2019年31个省、市、自治区（港澳台除外）经济指标数据进行指标构建，数据来源于各省统计年鉴及Wind数据库。
结论
首先，从网络特征结构来看，区域金融风险空间关联网络的网络密度呈倒U型变动趋势，省际之间区域金融风险的关联性较低，网络等级度测算结果呈下降趋势，省际区域金融风险空间关联网络的连通性较好。中心度分析表明，东部沿海发达地区省份在区域金融风险关联网络中处于核心地位，扮演主要行动者的角色，西部地区省份在省际区域金融风险空间关联网络中主要处于弱势边缘地位，中部地区和少数沿海省份发挥了重要的桥梁和中介作用。其次，块模型分析结果表明，东部沿海发达地区的北京、天津等4个省份组成的板块在区域金融风险空间关联网络中属于“双向溢出板块”，经济发展较快的中部地区如河北、山西等省份组成的板块属于“净溢出板块”，其余的18个省份在区域风险空间关联网络中属于“经纪人板块”最后，效应分析结果显示，节点中心度、接近中心度越高的省份，越容易受到风险传染冲击。中介中心度越高的省份，区域金融风险的联动性增强，越容易造成风险溢出和交叉传染，导致金融风险提高。
小结
本文使用了熵权法对区域金融风险进行测算，熵权法根据信息熵来确定权重系数，在保留原始变量明确含义的基础上，可以避免主观因素带来的评价偏差，通过多维度指标的结合，实现综合指标的构建。熵权法能够消除不同指标维度及幅度差异，在进行指标合成前，根据各部门指标对合成指标的贡献属性方向进行划分。根据指标的风险和方向，对不同方向指标进行标准化处理，最后计算综合评价得分。综合得分变量则为最终得到的区域金融风险的综合指数。指数数值越大，表示区域金融风险水平越高，风险爆发的潜在概率越大。
本文采用修正后的引力模型构建网络矩阵，引力模型这个说法可太形象了。
本文在第三部分，根据修正后的引力模型，确定并建立了区域金融风险的空间关系矩阵。为了方便展示区域金融风险空间关联网络的结构形态，本文通过UCINET可视化工具绘制了2019年中国区域金融风险空间关联网络图。从图中可以看出，中国省际区域金融风险空间关联网络通过201个“管道”进行空间溢出，每个省份至少存在1个以上的空间关系，因此中国区域金融风险空间关联表现出较为典型的网络形态，且没有孤立点。随着经济发展水平的提高，区域金融风险的省际关联和影响逐渐增强，区域之间的风险溢出效应也在不断加大，不同区域间均有产生风险溢出的可能。网络效率在样本考察期间先降后升，表明区域金融风险关联网络中溢出通道的多重叠加现象有所减弱，但是总体来看网络中仍然存在较多的冗余连线。随后进行了中心性分析，通过测算节点中心度、接近中心度和中间中心度等指标进行。结果表明，上海和江苏处于区域金融风险关联网络中心位置。究其原因，一方面上海和江苏的区域金融风险分别与其他省份之间存在空间关联和空间溢出，另一方面上海和江苏两地区经济发展实力雄厚，对中国金融市场的影响较强。在高于均值的8个省份中，除去甘肃，经济发展水平均相对较高，而甘肃作为丝绸之路经济带的黄金地带，在中西部经济发展中起到了重要的连接作用，说明地区经济发展水平对区域金融风险的关联溢出有较强的影响。进一步分析发现，北京、上海、江苏和浙江等地区点入度远高于其他省份，也高于自身点出度，说明这些地区容易受到其他省份区域金融风险溢出的影响。在随后的块模型分析中，第一板块的成员有4个，分别是北京、天津、上海、江苏，主要位于渤海地区和东部延海地区；第二板块的成员有4个，分别是浙江、福建、湖北、广东，主要位于东南沿海省份；第三板块的成员有9个，分别是河北、山西、内蒙、辽宁、吉林、黑龙江、山东、重庆、陕西，主要位于西北、东北、西南地区；第四板块的成员有14个，分别是安徽、江西、河南、湖南、广西、海南、四川、贵州、云南、西藏、甘肃、青海、宁夏、新疆，主要位于西北、西南、中部地区。