我国区域金融风险的空间关联与传染机制研究

张立光 滕召建

摘   要：本文运用社会网络分析法对2011—2018年山东省区域性金融风险的空间关联机制进行了深入探讨。结果发现：各城市间区域性金融风险存在明显的空间关联和溢出效应，空间网络关联结构复杂性、关联性和稳健性不断增强，中心城市不断增多，处于从属或边缘地位的城市减少;位于网络中心城市的金融风险以输入效应为主，并在风险传染中主要起到中介作用;而位于边缘地位城市的金融风险主要以溢出效应为主。进一步的探讨表明，受风险关联、网络结构及经济增长、工业发展、城乡差距和政府收支等因素影响，网络中心城市的金融风险下降，而网络边缘城市金融风险升高，不同网络位置区域金融风险表现出明显的异质性。

关键词：区域性风险;空间关联;传染机制;社会网络分析

中图分类号：F830  文献标识码：B  文章编号：1674-2265（2021）11-0048-08

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

一、引言

2008年全球金融危机让人们认识到了危机爆发的突然性和系统性金融风险的巨大破坏力，反思金融危机的爆发，一个很重要的原因是，随着科技发展、金融创新及金融脱媒，金融业务的全球化、网络化和复杂化不断加剧，全球市场“蝴蝶效应”频繁发作，风险的传染性和破坏力大大提升。由于传统微观审慎监管低估了风险的传染破坏力，导致雷曼的破产风险最终演变为全球金融危机。在经济全球化和金融危机频发的背景下，如何防范金融风险已成为各国的重大课题。

区域金融风险介于宏微观金融风险之间，由一定的微观层面风险聚集而成，但又可能通过网络传染形成宏观层面的系统性风险。在经济步入新常态背景下，区域间经济联系越来越紧密，但近年来随着经济增速降低、地方政府债务扩张以及各种金融新兴业态的发展，金融创新与风险管理间的矛盾凸显，金融风险问题日益突出。而大企业集团、地方法人金融机构及新兴金融业务风险的不断暴露，特别是新时期金融业务和经济关联的跨区域、跨市场和跨机构特征，导致风险的关系特性、传染机制及影响范围均发生了显著变化，更是给区域经济发展和金融稳定带来较大压力。针对这一问题和趋势，近几年学术界针对我国区域金融风险的变化特征进行了研究探讨。从已有文献看，探讨如何测度系统性金融风险和网络传染机制的文献较多，但对区域性金融风险的空间关联和传染机理展开的研究较少。另外从目前研究方法上来看，无论是VAR模型，还是GARCH簇模型和Copula函数族，都与现实差距较大，而且忽略了当前金融网络化发展趋势。

鉴于此，本文基于当前金融系统网络化发展趋势，以近些年风险暴露比较突出的山東省为样本，运用网络分析法对区域性金融风险传染机理进行了深入探讨。本文贡献主要体现在回答了三个问题：一是区域性金融风险的空间关系是如何形成和实现的;二是区域性金融风险的传染机制是什么;三是区域性金融风险的空间关联影响程度有多大。本文的研究成果有助于为金融监管机构和政府防范和化解区域性金融风险提供参考。

二、文献综述

（一）金融风险传染定义

关于金融风险传染，世界银行将其定义为：相对于平稳市场，在危机时期金融市场间波动相关性的增加。多数学者对金融风险传染的定义与世界银行的含义一致，认为只有在剔除贸易联系、资金流动和金融联系等基本面关联性导致的溢出效应与相互依赖性后，不同国家金融市场间的过度关联性才是真正的传染性，即净传染。Karolyi（2003）[1]认为还应进一步剔除理性投资者的协同运动，剩下的非理性协同运动才是传染。国内学者早期的研究主要集中在风险传染机制上（蒋先玲，2000;郑庆寰和林莉，2006）[2，3]，对定义的研究相对较少，宫晓琳（2012）[4]将传染定义为冲击后宏观经济、金融层面风险联动的增加。张磊（2013）[5]进一步地将传染定义为一个或一组市场、国家或机构遭受极端负面冲击后向其他市场、国家或机构传导的过程。

关于金融风险传染定义的争议主要在通过贸易、金融流动和经济相似性等传播的冲击是否构成传染，在针对区域性金融风险的研究中，本文认为可将金融风险传染定义为由冲击引发的区域金融风险通过实质性关联或非实质性关联渠道，导致其他区域出现风险的现象。

（二）金融风险传染渠道

从经济基本面来看，金融风险传染主要有贸易渠道和金融渠道。在开放经济条件下，Gorea和Radev（2014）[6]发现国际贸易关系紧密的国家之间更容易发生金融风险传染，但是大量实证研究发现，贸易联系较弱的国家也会发生金融风险传染，由此学者们开始认识到金融风险还可以通过金融渠道传播。Peek和Rosengreen（1997）[7]最早用实证分析找到了金融渠道传染的证据。Kaminsky和Reinhart（2000）[8]认为当某国发生金融危机后，发达国家商业银行会收缩与危机发生国经济结构相似的国家贷款，并撤回高风险项目，进而导致该国发生金融危机。

由于越来越多的金融风险传染案例难以用经济基本面关联来解释，投资者行为在金融风险传染中的作用开始被广泛关注。Goldstein（1998）[9]认为投资者之间存在“唤醒效应”，即某国发生金融危机后，投资者会认为与该国宏观经济类似的国家也会面临同样的危机。Bekaert等（2014）[10]证实了“唤醒效应”在金融传染中的作用。Calvo和Mendoza（2000）[11]则认为是“羊群效应”导致投资者受到负面冲击或信息不完全时，因风险厌恶程度加重而抛售跨国资产。肖斌卿（2014）[12]也发现当投资者和公司信息不对称时，外部冲击会增大传染性风险。此外，还有学者用自我实现的预期传染机制来解释金融风险的传染现象。

虽然风险传染渠道较多，但大量实证研究表明金融风险并不是只通过某单一渠道传染，往往存在多个传染渠道相互交叉现象，共同作用才形成金融风险。金融风险传染渠道与起源国经济特点、被传染国经济基本面、金融脆弱性等诸多因素有关，并且各传染渠道的重要性随着经济发展而不断变化。

（三）金融风险传染测度

从以往文献看，现有的金融风险传染测度方法主要有相关性分析法、网络分析法和空间计量分析方法。其中，相关性分析方法较为常用，主要包括VAR模型、GARCH簇模型、Copula函数族。

相关性分析法主要是从波动率或者变化率角度判断一些国家金融市场的资产价格是否存在联动和溢出关系，进而判断金融风险传染的可能性。早期国外学者就采用GARCH模型来检验风险传染的存在性，但由于GARCH簇模型是基于残差的相关性，容易遗漏共同冲击引起的传染，并且VAR模型和GARCH簇模型对收益率都做出很多严格的假设。相比之下，Copula函数不仅能放松这些假设，还能更好地捕捉金融市场间的非线性和非对称关系（王永巧和刘诗文，2011）[13]。

网络分析法将金融机构视为网络节点，将金融机构之间的资产负债关系视为网络链条，从而分析金融机构间的互动和关联。王营和曹廷求（2017）[14]运用社会网络分析法刻画区域性金融风险传染效应，结果发现我国省际金融风险高度关联的网络结构形态。荣梦杰和李刚（2020）[15]、庞念伟（2021）[16]等也采用网络分析法来研究金融市场间的风险传染。

空间计量分析法以空间经济理论和地理空间数据为基础，通过分析空间依存关系和异质性，研究地理关系在变量关联性中的作用及空间溢出效应，这为研究区域性金融风险传染提供了有效手段。冯林等（2016）[17]运用探索性空间数据分析方法研究山东省县域金融风险传染现状。沈丽等（2019）[18]利用空间偏微分方法探讨了区域金融风险的空间传染路径。

除上述方法外，还有協整分析和SIRS传染病模型等诸多金融风险传染测度方法。金融风险传染过程复杂，目前方法大多缺乏对金融风险传染全面系统的探讨。

三、研究方法与数据来源

社会网络分析法有助于刻画区域性金融风险的空间化和网络化特征，因此，本文选用该方法研究区域性金融风险传染机理。

（一）区域性金融风险关联关系测度

区域性金融风险的空间关联网络包含了城市或地区之间风险关联的所有关系，各城市或各地区是该关联网络中的“节点”，各城市区域性金融风险的空间关联关系是关联网络中的“线”。这些“节点”和“线”的集合构成了空间关联网络。空间关联网络的构建方法包括引力模型和VAR模型。考虑到VAR模型对数据滞后阶数的选择较为敏感且会忽视研究对象之间空间距离对关系产生的影响，本文选择引力模型，并根据需要做出相应修正，模型公式如下：

公式（1）中，[rij]是关联网络矩阵中的元素，代表区域性金融风险的相互关系。[aij]表示两地在区域性金融风险关联中的贡献度，即城市[i]对城市[i]与城市[j]之间金融风险的贡献度，[aij=npli（npli+nplj）];[npl]为不良贷款率;[pop]为人口总数;[GDP]为实际地区生产总值。[Dij]表示两城间的“距离”，同时考虑地理距离和经济距离，构造公式[D2ij=dijgdpi-gdpj2]，其中[dij]表示城市[i]和城市[j]之间的地理距离，[gdp]表示人均[GDP]。根据公式（1），得到[Rij=rij17×17]表示空间网络矩阵。由于相互作用存在一定门槛值，取矩阵每行均值作为该行临界值，当矩阵中该行元素[rij]大于均值时，表示城市[i]对[j]产生影响，则[rij=1]，否则[rij=0]，即城市[i]对[j]无影响。

（二）区域性金融风险的网络特征指标

1. 整体网络特征。本文通过计算网络密度、网络关联度、网络等级度的值来刻画山东省区域性金融风险的整体空间关联网络特征。

网络密度（density）是反映关联网络疏密程度的指标，测算时用网络中的实际连线数与最大可能连线数之比表示，取值介于0～1之间，其值越大，表示节点之间的关联关系越多，说明各城市区域金融风险之间的联系越紧密。计算公式为：

式（2）中，D为网络密度，L为实际拥有的关系数，N为网络规模，取值在0～1之间。

网络关联度（connectedness）反映区域金融风险空间关联网络自身的稳健性和脆弱性，网络关联度越大，网络越稳健。其计算公式为：

式（3）中，C为关联度，V为网络中不可达点的对数，N为网络规模，取值在0～1之间。

网络等级度（hierarchy）是反映网络中各节点等级结构的指标，测度的是网络中各节点在多大程度上非对称地可达。该指标越大（即高网络等级），说明在区域性金融风险空间关联网络中处于从属或边缘地位的城市越多。其计算公式为：

式（4）中，H为等级度，K为网络中对称可达的点的对数，max（K）为网络中最大可能的可达点的对数，取值在0～1之间。

2. 个体网络特征指标。个体网络结构特征主要用网络中心性指标表示，常用的是节点中心度、接近中心度和中间中心度等。其中，节点中心度（degree centrality）反映的是个体在整体关联网络中的中心位置，高节点中心度表明该城市处于空间网络中心地位，与网络中与其他城市的联系越多。计算公式为：

式（5）中，[n]代表与该城市直接相关联的城市数目，[N]代表网络规模。

接近中心度（closeness centrality）反映的是个体在整体网络中不受其他个体控制的程度，用节点与节点之间的距离测算接近中心度。其计算公式为：

式（6）中，[dij]表示节点[i]与[j]之间的捷径距离。

中间中心度（betweenness centrality）测度的是某一节点是否有能力控制其他节点的程度，其计算公式为：

式（7）中，[gjk]是指节点[j]和[k]之间的捷径总数，[gjki]是指节点[j]和[k]之间经过节点[i]的捷径总数。

3. 块模型分析。块模型分析法基于“块”在网络中的角色展开，主要用来揭示和刻画区域性金融风险的空间网络内部结构状态，是社会网络中空间聚类分析的常用方法。根据指标间的关系或者角色位置，可以将网络划分为四类板块：净溢出板块、经纪人板块、双向溢出板块、净收益板块。净收益板块和双向溢出板块共同特点是实际内部关系比例大于期望内部关系比例关系。经纪人板块和净溢出板块共同特点是实际内部关系比例小于期望内部关系比例。

（三）数据来源

本文以山东省为样本，所用指标主要为不良贷款率、地区生产总值及增速、人口数据、工业企业资产负债率和利润率、城乡居民收入及政府一般预算收支等，指标数据来源于中国人民银行和统计局等部门，数据频度为季度。城市之间的距离以城市间经纬度计算而得。2010年以来，受周期性因素、产业结构及担保圈等多因素影响，山东省金融风险开始暴露并不断上升，2018年全省贷款不良率达到峰值，2019年开始回落。因此，该时期山东省金融风险空间关联且传染性较为突出，所以将研究区间定为2011—2018年。具体数据来源与指标描述如表1所示。

四、区域性金融风险的空间关联网络分析

（一）整体网络特征分析

为了展示出山东省17个地市①区域性金融风险的空间关联动态演变情况，本文根据公式（1），利用2011—2018年相关指标数据和UCINET6.212工具，分别绘制出2011年、2014年和2018年山东省区域性金融风险的空间网络结构图，具体如图1—图3所示。

可以看出，区域性金融风险空间网络关联结构呈现出复杂化和紧密化趋势。2011年东营市和淄博市位于网络關联结构的中心，济南市处于副中心，2014年新增了青岛市和临沂市为副中心，2018年济南市和青岛市更趋近于网络关联结构的中心。济南市和青岛市作为山东省经济的两个“龙头”，与其他城市之间均存在密切的经济与金融关联，因此，在空间关联网络中处于中心位置;淄博市作为山东省重工业基地，与其他城市通过贸易渠道形成金融风险的相互传染;具有“物流之都”之称的临沂市，与其他城市通过物流关联同样易形成金融风险的相互关联;东营市人均GDP居全省第一，石油业发展优势突出，可通过石油产业与其他城市形成紧密的金融关联。

表2给出了关联关系数、网络密度等指标以描述网络的动态演变特征。网络密度从2011年的0.232上升到2018年的0.254，说明区域性金融风险空间网络关联越来越密切。网络关联关系数由2011年的63上升到2017年的69，说明区域性金融风险空间关联网络的稳健性不断增强。网络关联度始终为1，表明金融风险在各城市之间是相互可达的。网络等级度从2011年的0.587下降到2018年的0.420，说明空间关联网络中处于从属或边缘地位的城市减少。

因此，从整体网络结构特征看：样本期间内，山东省各城市间的区域性金融风险存在高度的空间关联特点，空间网络关联结构呈现出复杂化趋势。同时显现出空间关联网络密度和网络关联关系数不断增大、网络等级度不断下降及空间关联网络中处于从属或边缘地位的城市不断减少等趋势。

（二）中心性分析

根据公式（5）—（7）分别计算出2011—2018年山东省区域性金融风险空间关联网络的中心度，因篇幅原因，在此重点分析2018年的网络中心性特征，如表3所示。

2018年山东省区域性金融风险空间关联网络中共存在69条关系，其中39条双向关系，30条单向关系，平均每个城市与其他4个城市存在空间关联。在关系类型方面，发送关系数大于接收关系数即以溢出效应为主的城市共10个，占58.82%;接收关系数大于发送关系数即以输入效应为主的城市共5个，占29.41%。

节点中心度的均值为36.03，东营、淄博、济南、青岛和临沂5市的节点中心度高于均值，说明这些城市处于中心地位，其中东营市的节点中心度高达87.5。滨州、威海、泰安和日照4市的节点中心度相对较低，其中滨州市的节点中心度仅为12.5。节点中心度靠前城市的点入度均大于点出度，说明这些城市较易受到其他城市金融风险溢出的影响。

接近中心度均值为60.118。东营、淄博、济南、临沂和青岛5市的接近中心度高于均值，其中东营市和淄博市的接近中心度高达75以上，说明这些城市与其他城市的距离较短、联系紧密，在网络中扮演中心行动者角色。威海市、滨州市和泰安市等城市排名靠后，这些城市处于边缘地带，在关联网络中受制于其他城市。

17地市2018年中间中心度的均值为4.706，其中，东营、淄博、临沂、青岛和济南5市的中间中心度高于平均值，表明这5个城市在区域金融风险网络中处于中心地位，能够影响和控制其他城市。中间中心度总和为80.003，其中排名居前5的城市在关联网络中发挥了“桥梁”作用，这5个城市的中间中心度之和占总量的87.86%。相比之下，滨州、泰安、威海和日照等城市中间中心度较低，表明这些城市在区域金融风险网络中处于边缘位置，风险变动更多受排名靠前城市的影响。纵向来看，2011—2018年，山东省17城市区域性金融风险的空间关联性在不断增强，因为中间中心度均值由4.265上升到4.706。

从个体网络结构特征整体上看，山东区域间的空间关联网络节点中心度、接近中心度和中间中心度均值均呈现上升趋势，说明城市间的风险关联度在逐步增强。分地市来看，东营、淄博、济南、青岛和临沂5市在网络中处于中心地位，在空间网络中扮演中心行动者角色，是区域金融风险的主要来源;滨州、泰安、威海和日照等城市容易受制于中心地位城市的影响，在空间网络中处于从属边缘位置。

（三）块模型分析

为了进一步揭示区域性金融风险空间网络的内部结构状态，本文按照最大分割深度2，收敛标准0.2，基于CONCOR方法把2018年的17个城市分为四个板块，如表4所示。可以看出，板块内部的关系为8条，板块之间的关系为61条，这说明板块之间的金融风险联动性较强。各板块特征如下：

第一板块包括4个城市，依次是滨州、潍坊、日照和临沂。内部关系比例为8.33%，小于期望比例18.75%，共发送关系12条，接收到14条来自其他板块的关系。说明该板块既对其他板块有溢出，也接受其他板块的发出关系，在区域性金融风险溢出效应中起着“桥梁”作用，属于“经纪人板块”。

第二板块包括7个城市，依次是菏泽、德州、莱芜、聊城、济宁、泰安、枣庄。实际内部比例为6.66%，小于期望比例37.50%，共发送关系30条，2条存在于板块内部，接收到8条来自其他版块的关系，该板块成员向其他板块成员的溢出关系明显多于接收关系，属于“净溢出板块”。

第三板块包括4个城市，依次是济南、东营、淄博、青岛。实际内部比例15%，小于期望内部比例18.75%，共发送关系20条，3条存在于板块内部，接收到39条其他版块的关系，属于“经纪人板块”。

第四板块包括烟台和威海两个城市，实际内部比例为28.57%，大于期望内部比例6.25%，共发送关系7条，其中2条存在于板块内部，没有接收到来自其他版块的关系，属于“双向溢出板块”。

为了确定1-块还是0-块，计算板块的网络密度矩阵，如果板块密度大于0.2537（整体网络密度），赋值为1，反之则赋值为0，由此得到像矩阵（见表5）。由像矩阵可以看出，第一板块与第二板块之间没有风险传染，但第一板块是第三板块和第四板块间的风险传染中介。第二板块与第三板块之间存在相互传染风险的影响，即第二板块的风险会传染到第三板块，同时也会受到第三板块的影响，但与其他版块之间不存在风险传染关系。第三板块承担了第一板块和第二板块间的风险传染中介，其与第四板块并无风险传染关系。第四板块不仅内部成员之间的风险会相互传染，而且会传染到第一板块借以实现风险的相互传染。

五、进一步探讨

为了进一步探讨验证区域性金融风险的传染机理和影响程度，本文以区域性金融风险为被解释变量，构建计量模型做进一步检验。

区域性金融风险的模型如下：

其中[lognpl]是区域性金融风险的对数;degree、closeness和betweenness分别是节点中心度、接近中心度和中间中心度，作为解释变量;GDP增速（rgdp）、工业企业资产负债率（alr）、工业企业利润率（opm）、城乡居民收入差距（income）和政府行为（gov）为控制变量，样本区间为2010—2018年。

由表6各指标的极小值、极大值、均值和标准差可以看出，各变量分布比较稳定，呈现或近似呈现正态分布。

由表7的回归结果可以看出，三个模型的F统计量均在1%的显著水平上显著，解释变量节点中心度的系数为-0.005，在10%的水平上显著;接近中心度的系数为-0.010，在10%的水平上显著;中间中心度的系数为-0.020，在5%的水平上显著。

模型一结果说明，越处于网络中心的城市金融风险越低。一方面，因为处于网络中心的城市与其他城市具有更紧密的经济往来和风险关联，可将自身风险分散给与其存在直接或间接关联的城市。另一方面，居于网络中心的城市大多是商业银行一级分行所在地，资源集中和动员能力均较强，风险管理中处于更有利的位置，且风险处置手段较多。比如节点中心度较高的济南市和青岛市均属于这种情况，风险相对较低。同时，网络中心城市也容易将金融风险传染给这些城市，进而降低自身金融风险，增加与其关联城市的金融风险较高。

模型二结果意味着接近中心度越高的城市，其金融风险越低，这是因为与其他城市之间距离越短的城市，与其关联城市的金融互动性越强，越容易将金融风险传染给其他城市。这一结果基本与模型一的检验结果相吻合。

模型三结果说明，在区域金融风险关联网络中越处于中间位置的城市，其金融风险越低。同时，结合前文块模型分析还可以进一步证实，处于网络中心的城市在区域金融风险关联网络中会起到中介作用，通過中介效应将关联网络中其他城市溢出的风险传递给其他城市。

三个模型的控制变量回归结果很好地反映了经济现实。一是GDP增速在三个模型中的回归系数均为负，表明GDP增长越快，区域金融风险越低，这与实践相吻合。二是资产负债率在模型一和模型二中的回归系数为正，表明资产负债率越高，区域金融风险越高，这也证实了企业较高的资产负债率隐藏着一定的金融风险。三是工业企业营业利润率在三个模型中的回归系数均为负，表明工业企业营业利润率越高，区域金融风险越低。四是城乡居民收入差距在模型三中的回归系数为正，并且显著高于模型一和模型二回归系数的绝对值，说明城乡居民收入差距过大会增加社会不稳定性，进而引发区域金融风险的上升。五是政府行为在三个模型中的回归系数均为正，说明政府行为与区域金融风险正相关，这是因为一般公共预算支出增加会导致潜在的财政金融风险。

六、结论

本文基于社会网络分析法，以山东省17个地市为例，利用2011—2018年季度数据，探讨了区域性金融风险的空间关联性及传染机制，结论如下：

一是从整体网络结构特征看，近些年我国区域性金融风险存在高度的空间关联和溢出效应，并且呈现出空间网络关联结构复杂性、关联性和稳健性不断增强及中心城市增多、边缘地位城市减少的趋势。

二是从个体网络结构特征来看，近年来网络节点中心度、接近中心度和中间中心度平均值明显上升，说明我国区域金融风险的空间关联在加强。中心城市作为空间网络中的中心行动者，与其他中心城市及边缘城市的联系日趋紧密，在区域金融风险网络中具有显著影响与控制力。

三是从风险传染机制看，网络中心城市在风险传染中主要起中介作用，金融风险以输入效应为主并传递给其他城市;而边缘城市的金融风险主要以溢出效应为主，其风险比较容易传染给与其关联的城市。

四是进一步计量分析发现，受风险关联、网络结构及经济增长、工业发展、城乡差距和政府收支等多种因素的影响，区域性金融风险空间关联网络中，越处于网络中心的城市，其金融风险越低，而位于网络边缘的城市金融风险越高，体现出网络结构中风险的异质性及金融资源集聚的正面效应。

注：

①2019年，莱芜市并入济南市，本文使用数据截至2018年，因此仍以17个地市进行研究。

参考文献：

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

[2]蒋先玲.论金融风险的国际传递及我国的对策 [J].上海金融高等专科学校学报，2000，（1）.

[3]郑庆寰，林莉.跨市场金融风险的传递与监管 [J].南方金融，2006，（8）.

[4]宫晓琳.宏观金融风险联动综合传染机制 [J].金融研究，2012， （5）.

[5]张磊.基本面关联还是市场恐慌？—金融危机跨国传染渠道的文献综述及其警示 [J]. 经济社会体制比较，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，Fratzscher 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，顏建晔.债务网络投资者行为与传染性风险：来自中国银行业与房地产业的研究发现 [J].管理科学学报，2014，17（11）.

[13]王永巧，刘诗文.基于时变Copula的金融开放与风险传染 [J].系统工程理论与实践，2011，31（4）.

[14]王营，曹廷求.中国区域性金融风险的空间关联及其传染效应——基于社会网络分析法 [J].金融经济学研究，2017，（3）.

[15]荣梦杰，李刚.区域金融风险的空间关联、传染效应与风险来源 [J].统计与决策，2020，36 （24）.

[16]庞念伟.我国系统性金融风险传染的空间结构及时变特征 [J].金融发展研究，2021，（4）.

[17]冯林，董红霞，郝建娇.基于ESDA的区域金融风险传染评价研究——山东县域数据的实证 [J].经济与管理评论，2016，（1）.

[18]沈丽，张影，李文君.我国区域金融风险的空间传染路径研究 [J].当代经济科学，2019，41（5）.