长三角地区金融风险的区域差异性与动态预警研究

程建华，程 硕

一、引 言

金融作为经济和社会发展的助推器，在长三角一体化发展过程中发挥着重要的引领作用。随着长三角地区经济活动的日益活跃，金融风险甚至金融危机也可能随之而来，建立区域联动的风险预警体系，厘清风险差异的来源，不仅可以更好地防范金融风险，也能对长三角一体化高质量发展发挥重要作用。

20世纪90年代的东南亚金融危机和2008年的美国金融危机，给世界经济带来剧烈冲击，国内外学者再度掀起对金融危机爆发的根源以及如何有效捕获异常点开展金融风险监测预警的研究热潮。这些研究较多集中于挖掘国家(地区)潜在金融风险或危机的风险源，并以此预警危机，其中触发不同国家(地区)产生金融风险和危机的风险源是否存在显著性差异更为引人关注。Bessler等(2014)在分析欧洲和美国银行的风险敞口时发现银行的风险敞口是多维度和时变的，美国银行和欧洲银行的主要风险敞口存在差异；沈悦等(2017)从金融、企业、政府和家庭四部门出发，分析得出我国金融风险存在省域上的差异，各省域系统性金融风险水平总体上呈现先上升后下降的趋势；王擎等(2018)借鉴美联储商业银行风险“CAMELS”的评级方法量化金融风险时也证实了这种差异性的存在，并且认为区域性金融风险极易引发系统性金融风险。由此可以看出，国家间、区域间金融风险存在差异是毋庸置疑的事实。

有关金融危机模型的使用和解释变量的选取，在不同的研究中也表现出较大不同。已有研究总体上可以分为三类：(1)通过先行指标建立回归模型来预测未来可能发生的金融危机(如STV横截面回归模型、Logit模型、Probit模型)；(2)与Kaminsky、Lizondo和Reinhart(KLR)模型(1998)有关的、使用潜在早期预警指标的信号预警方法；(3)运用机器学习方法预测金融危机的爆发。在较早的回归模型研究中，Frankel等(1996)利用1971—1992年100多个发展中国家的年度数据建立FR概率模型，得出信贷增长率、市场利率、实际汇率等预警指标变化过大将会增大危机爆发的可能性。Davis等(2008)认为Logit模型适合预测全球银行危机，而信号提取方法更适合预测特定国家银行危机。类似地，Canbas等(2005)提出综合预警系统的框架，结合判别分析、Logit和Probit模型的主成分分析作为商业银行破产的预测工具。第二类方法(即KLR模型)借助噪音信号比(NSR)最小的原则，结合条件危机概率选择预警的最佳信号指标。Kaminsky等(1998)以1970—1995年5个工业国家和15个发展中国家的数据为样本，使用信号传递方法预测货币危机。在他们的研究中，超过特定阈值的指标被解释为货币危机可能在未来24个月内发生的警告信号，最终被证明可以较大概率预测出亚洲危机。Reinhard等(1999)在分析了银行和货币危机之间的联系后指出，金融自由化通常先于银行危机，因为银行部门的资产债务等问题通常先于货币危机，货币危机随后加剧了银行危机。第三类人工神经网络(ANN)、决策树、支持向量机等机器学习方法，近来在预测分析中备受青睐。Lin等(2008)提出一个混合模型，使用神经模糊建模方法预测货币危机，该模型综合了神经网络的学习能力和模糊逻辑的推理机制。Sevim等(2014)比较了人工神经网络(ANN)、Logistic回归和决策树等不同机器学习方法，并认为决策树和ANN都优于传统的回归模型。但是Beutel等(2019)却认为传统的Logit模型可以更加有效地预测系统性银行危机，机器学习方法需要进一步优化和大量数据训练才能较好地被应用。

虽然对金融风险问题的研究已近100年，但从研究对象来看，主要是针对美国、墨西哥、南美诸国、东南亚以及欧盟等国家或区域，而针对国家内部区域性风险问题的研究较少；我国针对区域性风险的研究不仅少，而且不同省域金融风险压力差异的比较研究更是罕见，多数以重点省份的金融风险压力程度衡量整个区域的风险压力。从方法上看，很多学者在寻找预警指标时往往主观性太强，提炼出来的很多预警指标不稳健，还存在较高的线性相关性。由于我国自改革开放以来没有真正爆发过金融危机，因此传统的二元Logit模型并不适合预测我国的金融风险，需要将二元选择变量转换为多阶段风险压力信号建立模型。

伴随着长三角一体化发展以及上海区域金融中心建设的加速，如何监测和防范未来区域性金融风险发生的可能性显得尤为重要。针对现有地区金融风险研究的相对不足，本文以长三角地区为研究对象，探索该地区不同省市金融风险的形成机理和路径是否存在差异性，采用Ologit模型并结合地区的月度数据进行实证预警分析，以提高模型捕捉风险和异常点的灵敏性，克服季度和年度等低频数据信息相对滞后的不足。

二、长三角金融风险区域差异性的形成机理

金融风险是指金融主体在从事金融活动中由于某些风险源变化的不确定性给金融主体带来的不确定性。目前，主要金融危机理论包括Krugman(1979)的金融危机学说、Obstfeld(1996)的危机自我实现说和Sachs(1996)的多重均衡模型。从这些理论中可以概括出引发金融危机的主要因素：基本经济状况恶化、外部冲击、政府应对风险和危机的能力。近年来，诸如违规担保、非法集资等事件频发所引起的风险事件，在一定程度上反映出我国企业、政府和家庭部门与金融部门之间存在密不可分的联系，这四部门之间的相互作用和活动差异性又使得金融风险表现出区域性差异。长三角三省一市金融风险的区域差异性也是四部门经济活动的差异性和演变路径的多样性体现。

1.金融部门经济活动形成的区域差异性。金融部门主要包括银行、保险和证券机构，银行资金主要来源于企业、事业单位和民众的存款，并依赖于存贷款差和中间业务实现部门正常运转；保险和证券机构则利用客户资金开展投资和购买固定资产等业务。地方金融机构因存在信用基础不稳、内控机制不健全等问题，会增大内部风险爆发的可能性。从金融机构资金的主要来源看，一旦金融部门风险爆发，企业、家庭等部门均会被卷入其中，且具有极强的传染性。长三角地区金融部门经济活动引起的金融风险区域差异性主要体现在三个方面：一是金融部门区域内部固有差异性所造成的差异。长三角地区不同区域的不同金融部门在法人治理结构、从业人员素质、风险管理技术和水平等方面存在的差异，直接导致了抵御外界风险能力的不同。以浙江省和上海市的银行业构成主体为例，除中资银行外，上海外资银行的数量急剧增加和资产规模迅速扩大，基本形成了多层次的银行体系与竞争有序的银行业发展格局，2019年上海市外资银行数为8776家，而浙江省仅有29家，中资银行和外资银行的风险管理水平、治理结构等差异显而易见。二是不同区域金融部门之间的关联性有所不同。以银行业为例，相较于安徽省，上海银行业的经济活动更为活跃，资金流量更大、流动更频繁，金融部门之间的业务往来会更多，其关联性也更强，这种更为密切的关联性既可分散单一金融机构的风险，同时也会使金融机构风险传染性更强。三是利益驱动机制造成的差异。金融资本会受利益驱动机制的影响流向高投资回报地区，低投资回报地区因此会受到资金流动性约束，长此以往造成地区间资金流动的差异，也会带来抵御风险能力的差异。

2.企业部门经济活动形成的区域差异性。企业部门作为生产经营性部门，通过不同类型贷款与金融部门开展业务往来。长三角地区企业部门经济活动引起的金融风险区域差异性主要体现在三个方面：一是企业规模不同对金融机构的依赖性不同所造成的差异，大企业自我融资能力更强，中小企业受苛刻贷款条件影响，常会寻求担保公司作为信用中介提供贷款担保，形成“企业—担保公司—银行”路径模式，这种关联性使得风险的传染链更长。二是不同区域的经济整体实力很大程度上依赖其支柱产业和龙头企业，不同时期不同行业所承受的风险存在差异性。三是不同地区企业的开放程度和经营管理能力的差异，最终都体现在其抵御金融风险的能力上。

3.政府部门经济活动形成的区域差异性。由于地方基础设施建设投资规模的扩大，地方政府会增加向金融机构借贷的次数和规模，一旦不能按时偿还到期债务，便会引发政府债务风险，进而将风险转嫁到银行等金融机构，引发金融风险。王学凯等(2015)使用KMV模型得出长三角地区的地方政府性债务违约风险存在地区差异且上海市的违约风险最小的结论。长三角地区政府部门经济活动引起的金融风险区域差异性主要体现在地方政府不同举债规模造成的差异，这种差异表现在两个方面：一是地方政府偿债能力。经济发展相对滞后的地区，因财政收入相对不足，政府会通过向金融部门大量举债以发展经济，一旦债务水平超过阈值，便会增加金融风险，风险程度则会因经济发展水平的不同形成差异。二是不同地方政府对于同一政策的理解、落实存在差异。例如过去若干年，为了发展地方经济，各级地方政府积极招商引资，除实施税收和土地等优惠政策外，还在企业与金融机构之间穿针引线，为企业背书，帮企业从金融机构贷款，虽一定程度促进了地方经济发展，但遗留和积累的问题为地区较大金融风险的形成甚至演变成重大社会问题埋下了隐患。

4.家庭部门经济活动形成的区域差异性。从理论上说，家庭通常将可支配收入存入银行等金融部门，也会向银行等金融部门贷款，从而与金融部门产生联系。由普通民众构成的家庭部门极易受“羊群效应”的影响，一旦个体金融部门信誉降低造成民众恐慌情绪的出现，便极易发生挤兑行为，增加银行风险的集聚。但我国家庭部门经济活动形成的区域差异性具有特殊性，由于家庭和个体投资渠道较少，多数家庭即便是中等收入家庭也参与到证券交易、房地产投资等金融活动中，而不同地区居民乃至家庭收入水平的差异导致家庭抵御金融风险能力参差不齐。一旦金融市场发生较大波动，个体投资者的恐慌会进一步强化市场波动，加大风险发生的可能，收入偏低的个体投资者的家庭风险则会被进一步放大进而形成社会风险。

三、长三角金融风险预测方法及动态预警模型

为了更准确地判断金融风险发生的可能性以及风险程度，本文利用形成金融风险的因素构建风险预警压力指数，并通过该压力指数的动态变化进行风险监测和预警。

(一)金融风险预警指标的选择

2008年美国金融危机后，国内外学者对金融风险的测度和预警展开了进一步研究(Hakkio et al，2009；陶玲 等，2016；马威 等，2014；张安军，2020)，并结合区域间金融风险差异的形成机理，从金融、政府、企业、家庭等四部门角度建立风险预警指标体系。在不景气的经济形势下，任何经济部门都难以独善其身，恶劣的宏观经济形势带来的风险传染和演变远比单个经济部门萧条后的风险更为严重和复杂。因此本文在经济四部门的基础上，再加入反映各省市宏观经济状况的指标，以此作为长三角地区金融风险实证分析的基础。为了能够及时反映风险的变动和捕获风险信号，根据指标选择的数据可得性与一致性等原则，本文选用相应的月度指标数据进行实证研究，建立的预警指标体系如表1所示。

表1 长三角地区金融风险预警指标

表1中的预警指标涉及长三角三省一市的数据，用以度量地区金融风险的差异性和金融风险水平，数据主要来自Wind金融数据库、中经网统计数据库、各省市统计年鉴等，选取的时间跨度为2006年1月—2020年9月。

(二)金融风险压力指数的构建

由于我国统一管理外币结售汇，有效防范了货币危机，地区层面更有可能出现的是区域性银行风险。此外，虽然金融风险类型较多，但主要风险是银行类风险。2019年末，银行业资产占我国金融业总资产的91%，银行脆弱性越高对整个区域金融体系的潜在影响也就越大。借鉴相关学者(贾拓 等，2012；王维国 等，2016；张安军，2020)的研究成果，并结合区域数据的特点和可得性，本文构建区域金融风险压力指数(

PBCI

指数)来量化长三角地区的金融风险差异。

PBCI

指数由三部分组成，即存贷款比例的变动(Δ

RLD

)、证券交易和保险增长率(Δ

MT

)、地区银行机构信贷总额变动(Δ

CRED

)，公式如下：

(1)

其中，权重

w

、

w

、

w

通过计算每个变量标准差的倒数确定。为使三部分的条件方差相等，给出如下的权重计算方法：

(2)

下图为2006年1月—2020年9月长三角三省一市金融风险压力指数。

从图1看，2006年1月—2020年9月，长三角地区三省一市均围绕零轴呈现频繁波动，上海市和浙江省金融风险压力指数的变动更为剧烈；上海市金融风险压力指数受“黑天鹅”事件(全球金融危机影响下2008年后半年、2020年年初的COVID-19等)的外部冲击影响较大；相比上海市，江苏省的金融风险波动平缓许多，江苏省因全球金融危机在2008年10月后风险压力指数开始剧烈波动；浙江省金融风险的波动与上海市的波动较为相似，尤其是2008年2月—2009年9月出现急剧上升和下降，之后总体波动较为平缓；安徽省金融风险波动和江苏省较相似，两省出现急剧上升和下降的时点也基本一致，从2018年开始安徽省金融风险压力指数波动剧烈程度有所缓解。综合分析发现，各地金融风险主要与银行业机构信贷过度、流动性不足等短期冲击和全球金融危机等外部冲击有关。

图1 长三角地区金融风险压力指数变化趋势(2006.1—2020.9)

(三)金融风险压力等级值的确定与检验

在确定不同省市的风险压力指数后，为了更清晰地捕获风险压力指数的变化，利用已有研究(Tong et al，1980；孟庆斌 等，2016；张安军，2020)所使用的门限自回归(TAR)模型，估算长三角地区金融风险压力指数的压力值。

由于各地区金融风险压力指数呈现非线性的变化过程，TAR模型通过假设时间序列存在一定概率机制转换，打破时间序列线性关系的假设，在不同区间内实现不同的自回归过程，对每个区间不同的子序列进行模型估计，能够较好地拟合包含结构性断点的时间序列。本文在以上理论分析的基础上，使用TAR模型对长三角地区金融风险压力指数进行相应区间的划分，结果如表2所示：

表2 长三角地区金融风险压力指数门限数量的确定结果

为方便比较长三角三省一市间的金融风险差异并综合比较模型拟合优度结果，最终确定5个门限数量作为自回归方程的拟合参数，并根据划分的6个风险区间分别进行自回归拟合，具体的拟合情况见图2：

图2 长三角地区金融风险压力指数拟合情况(2006—2020)

根据TAR模型确定的门限数量，结合风险预警体系相关理论，将各省市金融风险压力指数进行区间划分并赋予相应的风险压力值和风险警度，结果见表3：

表3 长三角地区金融风险压力指数警度区间的划分

(四)金融风险动态预警实证分析

长三角三省一市虽然都存在较大的金融风险压力，但产生金融风险的诱因各不相同，因此挖掘抗干扰的“稳健性”影响因素显得尤为重要。本文参考并改进Leamer(1983)、Levine等(1992)、权明等(2013)的研究方法，选用极限边界分析(EBA)模型分析不同省市产生金融风险的“稳健性”影响因素。

由于各省市金融风险的核心影响变量并不明确，为此本文在王立平(2013)研究的基础上，将所有的变量集都作为核心变量集进行极限边界分析，经过2516次遍历式回归后，将最稳健的指标作为核心变量集

I

。如果该预警变量不具有显著的影响效应，那么稳健性因素的分析也就没有任何意义，因此首先进行变量的显著性检验：以

PBCI

作为被解释变量，检测各自变量间的多重共线性后，对所有预警变量和各预警变量的滞后1～3期相互组合建立多元OLS回归分析：

PBCI=α

+

Xβ

+

u

(3)

将筛选出来的显著性变量

X

作为EBA模型的目标变量集

M

，即想要验证的是否“稳健”的影响因素，并将除了

I

和

M

之外的其余预警变量作为条件变量集

Z

，建立如下EBA模型：

PBCI=α

+

β

I

+

β

M

+

β

Z

+

u

(4)

为消除可能存在的多重共线性影响，设置VIF=7来指定最大可接受的方差膨胀因子，并保证每次回归时最多添加变量集

Z

中3个变量的组合。为了检验EBA模型的有效性，本文利用Sala-I-Martin准则(Sala-I-Martin，1997)进行稳健性检验。由于EBA模型得到的是一个统计分布，其结果具有优于传统回归的显著性和渐进一致性的效果。

表4 目标变量“稳健性”检验结果与统计

续表4

在得到影响各地区金融风险的“稳健性”影响因素之后，考虑到长三角地区金融风险警度的递阶程度和差异，以及Logit模型的被解释变量是只有0和1值(即危机发生与否)的二分类变量，加之我国没有真正发生过金融危机，选择传统的Logit模型必然会使研究陷入瓶颈状态，因此本文采用Ordered Logit模型(简称Ologit模型)结合“稳健性”影响因素预警金融风险。

假设

y

=Xβ

+

ε

(

y

是与不同省市分类警度

y

对应的潜变量)，并且假设回归结果的切点为

r

(j=

1

,

2

,

…，6

)

，

j

的取值表示可供选择的风险警度情况，

ε

～logistic(0,1)：

(5)

在此情形下，先计算出给定自变量

x

时变量

y

的每一个响应概率：

P(y=i|x)=Φ(r

-

x

′

β)

-

Φ(r

-1-

x

′

β)

(6)

其中

Φ(x)=

exp

(x)

/

(

1+exp

(x))

，即扰动项服从logistic分布的累积分布函数。

通过前述分析发现，很多预警变量并不是在当期对金融风险压力指数产生显著影响，因此需要重点针对筛选得出的“稳健性”的显著变量并结合其他预警变量进行动态Ologit模型分析，构建的预警模型如下：

OPBCI

=α

+

Xβ

+

γ

OPBCI

-1+

γ

OPBCI

-2+

γ

OPBCI

-3+

u

(7)

式(7)中，

X

是各预警变量组成的向量，

OPBCI

是指

t

时刻三省一市根据TAR模型划分出来的排序变量，

OPBCI

-(

j

=1,2,3)表示滞后

j

期所对应的排序值，

OPBCI

的四个分量分别表示上海市、江苏省、浙江省和安徽省的对应值。其中

γ

分别表示对应不同滞后期的

OPBCI

的4×4系数矩阵：

(8)

将前文筛选出来的“稳健性”预警变量纳入Ologit模型，在方程拟合程度和模型的显著性基础上向模型中增减预警变量，表5展现出拟合程度最佳的模型结果。

由表5模型(1)和模型(2)的结果可知，无论是否引入因变量滞后项，Ologit模型均在1%水平上显著，其中滞后2期的居民消费水平、股票市场发育程度、滞后2期的通货膨胀率、固定资产投资增长率对模型的影响显著，股票市场发育程度和滞后2期的通货膨胀率对于上海市金融风险的影响更为明显。为了进一步探讨不同区域之间金融风险的相互影响，在模型中融入了除该区域以外的其他各区域的金融风险压力指数，检验前几期的金融风险压力是否会对后期的金融风险压力带来影响，建立的模型(2)结果显示模型的拟合程度有较大提升，对于上海市而言，当期的金融风险压力与3个月前的金融风险压力水平存在一定的正向效应。江苏省金融风险压力状况与上海市虽然存在类似效应，但效应并不显著。从模型(3)和模型(4)结果来看，虽然引入和不引入因变量滞后期项的两个不同预警模型也在1%水平上显著，但是模型的整体拟合程度十分接近，并且从变量的显著性来看，江苏省滞后1～3期的风险压力水平值均不显著，即江苏省前3期的金融风险压力不会对后期的金融风险压力产生明显影响。其中，滞后2期的信贷膨胀率、股票市场发育程度、居民消费水平、滞后2期的对外贸易依存度、滞后3期的财政缺口率均对模型产生显著影响。

表5 基于Ologit模型的长三角地区金融风险压力指数MLE结果

续表5

续表5

从模型(5)和(6)结果看，模型的整体显著性水平也都在1%上显著，信贷膨胀率、滞后3期的进口增长率、滞后3期的财政支出增长率均对因变量影响显著。与上海不同的是，上1期的金融风险压力直接会对浙江省当期的金融风险压力产生影响。从区域金融风险的相互影响来看，江苏省3个月前的金融风险压力与浙江省当期的金融风险压力存在正向效应。从安徽省来看，模型(7)和(8)在1%水平上整体显著，其中滞后1期的信贷膨胀率、存贷比、滞后2期的进口增长率、股票市场发育程度、居民消费水平、通货膨胀率、固定资产投资增长率对模型产生显著影响。值得注意的是，加入因变量滞后项后模型的拟合程度较之前有了很大提升，滞后1期的金融风险压力程度表现为负向的影响效应，安徽省下1期的金融风险压力程度会对上1期起到相应“熨平”效应，并且上海市滞后1期的金融风险压力水平和浙江省滞后3期的金融风险压力水平都会对安徽省当期的金融风险压力水平产生显著影响。由此可见，当月上海市、浙江省、安徽省均受到过去3个月内金融风险压力程度的影响，其中上海市受到3个月前风险压力程度弱正向效应的影响，浙江省和安徽省较为相似，下个月的金融风险压力程度会对上个月起到“熨平”效应。从上述分析结果可以看出，长三角不同省市金融风险的形成机理具有较大的相似性，但影响因素作用的路径却存在明显差异。

最后，基于构建的Ologit模型(即考虑带有滞后期的金融风险压力程度的模型)对警情样本进行预测。为使预警结果更加直观有效，划分中等警情(简称中警)以下和中警及以上两个区间，结果见表6。从结果看，使用Ologit预警模型预测长三角地区金融风险，对于样本内的效果较好，从需要关注的中警及以上的预警效果来看，预测准确度较高。

表6 基于Ologit预警模型的预警准确度比较

四、长三角金融风险动态预警模型的稳健性检验

为了进一步检验上文构建的动态Ologit预警模型的准确度和稳健性，选取2006年1月—2019年12月的数据作为样本内数据(即训练集)构建预警模型，选取2020年1月—2020年9月作为样本外预测数据(即测试集)以检验模型的预警效果和稳健性，结果如表7和表8所示：

表7 基于Ologit模型的长三角地区金融风险压力指数样本内MLE结果

续表7

表8 基于动态Ologit预警模型的长三角地区样本外预测情况

表7所示样本内模型的拟合结果与表5的结果相差不大，各变量的显著性也基本保持一致。

从大类分级预警模型(即根据前文表3对

PBCI

的大类划分为无警、轻警和中警警度3类警情信号)来分析，模型的预警准确度较高(上海市55.55%，江苏省33.33%，浙江省44.44%，安徽省88.89%)，整体上该预警模型基本捕获了各地区中警及以上风险。特别是安徽省的预警效果最佳，与长三角地区其他省市相比，安徽省经济发达与开放程度较弱，金融风险受外部冲击性的影响也相对较小，其经济运行过程中的金融异常点波动不是十分剧烈，风险异常点的捕获更为容易，这一结论由金融风险指数的波动也可看出。

五、研究结论

本文通过构建金融风险压力指数衡量长三角地区金融风险的差异程度，比较和分析长三角三省一市金融风险的影响因素，以2006年1月—2020年9月样本数据为研究对象，通过TAR模型对金融风险压力指数进行等级划分，最终发现5个门限变量能够准确度量和划分金融风险压力指数。进一步，使用EBA模型得出金融风险压力指数“稳健”的影响因素作为重点预警指标结合其他控制变量的滞后期，构建动态Ologit预警模型对长三角金融风险进行实证分析。从未来9个月的预警结果看，本文构建的区域金融风险预警模型的准确度较高，能够捕获到可能发生的金融风险信号。本文得出的主要结论是：

第一，长三角三省一市的金融风险的影响因素异中有同，股票市场的发育程度均对各省市有显著影响。除此之外，上海市受滞后2期的居民消费水平、滞后2期的通货膨胀率和固定资产投资增长率的影响较大；江苏省受滞后2期的信贷膨胀率、居民消费水平、滞后2期的对外贸易依存度和滞后3期的财政缺口率的影响较大；浙江省主要受信贷膨胀率、滞后3期的进口增长率和滞后3期的财政支出增长率的影响；安徽省主要受滞后1期的信贷膨胀率、存贷比、滞后2期的进口增长率、股票市场发育程度、居民消费水平、通货膨胀率和固定资产投资增长率的影响。

第二，长三角不同省市金融风险的形成机理具有较大相似性，但影响因素作用的路径却存在明显差异。滞后3期的金融风险压力指数对上海市金融风险压力指数存在弱正向效应，江苏省3个月前的金融风险压力状况与上海市虽存在类似效应但影响并不显著，浙江省和安徽省下1期的金融风险压力程度会对上1期起到相应的“熨平”效应，上海市滞后1期的金融风险压力水平和浙江省滞后3期的金融风险压力水平均会对安徽省当期的金融风险压力水平产生显著影响。

本文所得长三角地区不同省市金融风险影响因素作用的路径存在差异这一结论，对金融风险预警和防范具有重要意义。但文中未涉及区域金融风险的传染性研究，这是我们未来要继续深入研究的课题。