中国区域金融风险的空间分布及演化特征研究

刘凤根，廖昭君，张 敏

(湖南工商大学 a.财政金融学院； b.经济与贸易学院 长沙 410205)

一、引言与文献综述

近年来，中国防范化解区域金融风险已经取得阶段性重要成果。但是，随着地方金融业态的快速发展，部分地方金融机构内控机制不健全，发展定位产生偏差，金融风险隐患依然存在；少数金融机构违法违规经营甚至从事非法金融活动，加剧了区域金融风险。特别是在当前百年未有之大变局及新冠肺炎疫情叠加冲击下，宏观经济持续下行压力明显加大，地方金融乱象频发，地方政府债务剧增，房地产泡沫、金融机构不良贷款快速上升等风险因素凸显。为切实防范化解地方金融风险，健全防范化解金融风险长效机制，2021年12月，中国人民银行及时出台了《地方金融监督管理条例(草案征求意见稿)》，明确了地方金融监管规则和上位法依据，体现了党中央对防范化解地方金融风险的高度重视以及“十四五”乃至今后相当长时期内加强区域金融风险监管并保持金融稳定的重要性。

2007—2008年美国次贷危机由最初的房地美、房利美等金融机构破产，最终演变为流动性严重短缺的世界性大危机，凸显了金融风险在区域之间传染的重要性，区域金融风险问题开始受到学术界的关注(Hwang，2014)[1]。现有文献主要从区域金融风险的内涵、测度、传染等方面进行了一定程度的研究。李文丰和尹久(2013)[2]认为区域金融风险属于“中观”层面的金融风险，与微观风险和宏观风险具有明显的区别，是系统性金融风险的特殊表现形式。王俊(2014)[3]认为区域金融风险主要来源于宏观经济运行状况和区域内部自身环境的变化两个方面，由于区域之间经济的关联性，区域金融风险极易在区域之间进行传染并被放大。王俊和洪正(2015)[4]认为，由于地方政府财政分权、金融分权以及官员政绩考核等现行制度背景下，各区域政府为了实现本地区的经济利益最大化所采取的金融竞争行为，对区域金融安全造成重大威胁。王擎等(2018)[5]认为区域金融风险受到区域间经济社会发展速度、资源禀赋差异、资本逐利特性等因素的影响，导致金融资源的空间供求分布不均衡，反过来影响区域经济的发展。张斌彬和何德旭(2019)[6]认为，虽然金融显性集权对区域金融风险产生抑制效应，但金融隐形分权对区域金融风险具有促进作用。荣梦杰和李刚(2020)[7]对中国三大经济区域金融风险进行研究发现，金融市场和房地产市场是区域金融风险的主要来源。张立光和滕召建(2021)[8]认为虽然区域金融风险与微观金融风险和宏观金融风险具有明显差异，但往往是在微观金融风险积累的基础上，通过扩散、传染形成宏观层面的系统性金融风险。

已有文献通常采用未定权益法(CCA)和熵值法对区域金融风险进行测度。比如宫晓琳(2012)[9]采用CCA法通过违约概率、财务危机距离和预期损失净现值测度了区域金融风险。广泛受到学术界青睐的熵值法则是对经济金融指标体系进行主观(客观)赋权实现对区域金融风险的测度。以模糊综合评价法(FAHP)、层次分析法(AHP)和固定权重法等为代表的主观赋权法依据评价人对指标体系中特定指标的主观程度赋予不同的权重，具有很强的主观性。比如孙清和蔡则祥(2008)[10]从经济环境、银行业、证券业以及保险行业风险四个层面选取相应的指标并赋予不同指标相应的权重，采用模糊层次法对“长三角”地区的金融风险进行评价。刘林(2014)[11]通过模糊评判方法预警模型对区域金融风险进行了测度并构建一个区域金融风险预警系统。李文森等(2015)[12]选取银行机构、银行信贷、房地产、地方政府债务、非法金融活动和影子银行六类不同的指标，运用层次分析法对区域金融风险进行了测度。与主观赋权法不同，客观赋权法则依据所选指标所内含的信息对不同指标的权重进行赋值。其中，主成分分析法和熵值法是文献广泛采用的客观赋值法。林海明和杜子芳(2013)[13]的研究认为，当指标是正向、标准化的，主成分载荷矩阵达到更好的简单结构时，主成分分析法是一种有效的客观赋权法。胡志强(2016)[14]通过构建经济、金融和影子银行三个层面的指标，采用熵值法赋权对指标赋值测度了安徽省的区域金融风险。李斌等(2016)[15]综合运用德尔菲法和TOPSIS法确定样本的债务风险综合评价值。李凯风和李星(2019)[16]基于熵权TOPSIS方法和综合模糊评价法对全国各省份的债务风险水平进行测算和评估。

现有文献关于区域金融风险传染的研究主要集中在部门之间的传染。王丽娅和余江(2008)[17]的研究认为在私人、企业、银行和公共部门之间存在多条风险传染路径，不同部门的风险最终向公共部门积累。宋凌峰和叶永刚(2011)[18]对中国区域金融风险部门间传递渠道的研究表明，企业部门和政府公共部门是区域金融风险积累和传递的主要来源。吕勇斌和陈自雅(2014)[19]在通过未定权益分析法对中国区域各经济部门的金融风险暴露状况进行测度基础上，运用空间面板模型进行实证研究的结果发现，中国区域金融风险存在“企业—银行”和“政府—银行”的部门间传递路径。丁述军等(2019)[20]从家庭、企业、金融和政府四部门考察了中国区域金融风险的部门间传染机制，发现金融部门处于核心地位，与其他部门的相互传染效应最显著。荣梦杰和李刚(2020)[7]通过人工神经网络法测度了环渤海区域、长三角区域和泛珠三角区域的金融风险发现，三大经济区域的金融风险演化趋势大体一致，风险波动较为相近，风险联动效应明显。沈丽和范文晓(2021)[21]认为，地方政府的债务扩张是中国区域金融风险的最主要的引致因素，不仅对本地区金融风险产生负面效应，还放大了邻近区域和金融风险关联紧密地区的金融风险。

事实上，厘清区域金融风险的空间分布及其空间演化是有效监管区域金融风险的前提。因此，本文以2005—2019年中国31个省份的相关数据为研究样本，首先选取宏观经济、金融业、保险业等7个层面的指标，采用了熵值法系统测度了区域金融风险；其次，运用莫兰指数分析了金融风险指数的空间分布与集聚性；再次，综合运用基尼系数分解和核密度估计研究中国金融风险的区域差异和动态演进特征。本文结论为金融监管当局对区域金融风险和系统性金融风险进行有效监管提供决策参考。

二、研究方法和数据来源

(一)研究方法

1.金融风险指数测算

熵值法直接通过原始数据计算指标的信息熵。利用指标观测值的差异程度对综合系统的影响来确定指标的权重系数，指标的差异程度越高，所反映的信息量就越高，其对应的权值就越高，有效地规避了人为主观因素的影响，客观真实地对指标进行评价。因此，本文采用该方法测度全国31个省份区域金融风险指数。具体步骤如下:

(1)将数据标准化，对指标进行无量纲处理

(1)

(2)

(2)求各指标的信息熵

(3)

(3)确定各指标权重

在获得各指标的信息熵之后，可以根据信息熵E1,E2,…,Ek计算各指标的权重，计算式为:

(4)

2.全局空间自相关分析(Moran’I)

Moran(1948)[22]首次提出利用空间自相关测度来研究二维或更高维空间分布,能够有效检验金融风险的空间关联和聚集性问题，其测度方法有全局空间自相关与局部空间自相关。

全局空间自相关能够检验某一属性的整体空间分布是否具有聚集效应，计算公式如下:

(5)

3.局部空间自相关分析

局域空间自相关分析可以反映某地区金融风险指数与其周边地区的联系,分析是否存在观测值的局部空间集聚,以及关联强度大小等问题。本文用Moran指数Ii集聚表和局域Moran指数Lisa图表示。Ii的计算公式如下:

(6)

4.Dagum基尼系数

在传统的泰尔(Theil)指数测算方法的基础上，Dagum(1997)[23]提出了基尼系数分解以及按子群样本分解的方法，能将区域间的经济金融等指标的差异进行分解。由于该方法能有效地克服样本间交叉重叠问题、精确测度区域间差距的构成原因、具有可加可拆解等诸多优点，在研究区域经济变量的差异等方面得到广泛的应用。本文运用基尼系数分解研究中国四大经济区域间金融风险的差异。基尼系数的定义如式(7)所示:

(7)

其中，yji、yhr分别为j、h地区内任一省份的金融风险指数，y是全国各省份金融风险指数的平均值，n是省份的个数，k是地区划分的个数，nj、nh分别为j、h地区内省份个数。

在进行基尼系数分解时，首先根据地区内单位金融压力指数的均值对地区进行排序，即:

(8)

其次，可以将总体基尼系数G分解为区域内金融风险指数差距GW、区域间金融风险指数差距Gnb和超变密度Gt三个部分:

G=GW+Gnb+Gt

(9)

其中，GW为j或h所属区域内金融风险指数的差异，Gnb为j和h所属区域间金融风险指数的差异，Gjj为j所属区域内的基尼系数，Gjh为j和h所属区域间的基尼系数。Gt为区域间金融风险指数交叉影响的剩余项。具体如式(10)至(14)所示:

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

其中，Fj、Fh分别为j、h地区的累积密度分布函数。定义djh为地区间金融压力指数的差值，pjh定义为超变一阶矩，相对于j，h地区中所有yji-yhr>0，yhr-yji>0的样本值加总的数学期望。

5.核密度估计方法(Kernel density estimation)

由Parzen(1962)[24]提出的核密度估计是一种求解随机变量概率密度函数的非参数估计方法，可以从数据样本本身出发研究数据的分布特征，能够反应样本分布的动态演变特征。核密度函数的具体形式如式(18):

(18)

其中，f(x)为随机变量X的核密度函数，n是观测值的个数，K(·)是核函数，Xi为独立同分布的观测值，x为均值，h为带宽，带宽越小，估计的密度函数曲线就越不光滑，估计精度就越高。学术界常常采用高斯核(Gaussian)估计金融风险波动的分布动态演进过程，具体函数表达式如式(19)所示:

(19)

(二)指标选取与数据来源

1.指标选取

区域金融风险的积累、集聚以及传染等过程与当地经济市场运行状况、金融市场发展状况以及金融市场外部环境的稳定性等因素紧密相关。因此，准确评价区域金融风险水平不仅要考虑区域内部金融市场自身的风险状况，还要考虑来自外部环境的冲击。借鉴Rodriguez-Moreno和Pena(2013)[25]、许涤龙和陈双莲(2015)[26]、沈悦等(2017)[27]等的做法，本文选取宏观经济指标、政府调控、银行业、保险业、房地产泡沫、规模以上企业六个层面共18个风险指标构建中国区域金融风险测度的指标体系，具体如表1所示。

表1 区域金融风险指标体系

2.数据来源

考虑到数据的可得性和准确性，本文采用2005—2019年中国31个省份(未包括港澳台地区)的年度数据展开研究。数据来源于《中国统计年鉴》《中国年度金融运行报告》和国家统计局网站、EPS统计数据库，并以各省份统计年鉴和金融运行报告相关数据作为补充。考虑到中国省际系统性金融风险指标体系中的各指标项目的维度差异巨大，为了尽量避免量纲的区别成为对建模结果造成误差，本文对所有数据进行无量纲处理；由于后续建模要求运用极差法，为了规避极差法可能会产生数据值为0的情况，对数据进行无零化处理。

三、区域金融压力指数测度及时空分布特征

(一)区域金融压力指数测度

本文采用熵值法对省际金融指标进行权重的计算。通过建立系统性金融风险的指标，再采用客观赋权法计算各指标权重，最后加权求和获得区域金融风险压力指数。表2为熵权法各个指标的信息熵值和合成金融风险指数的各指标所占的权重。从一级指标来看，房地产行业对整个金融风险的贡献度达到33.574%，是中国金融风险最大的风险因素；其次是银行业，其风险贡献权重为17.938%；宏观经济对整个金融风险的贡献最小，其权重仅为4.144%，表明虽然近几年中国宏观经济下行压力加大，但并不是金融风险的重要因素。进一步从二级指标可以看出，对整个金融风险贡献较大的指标分别为金融机构的不良贷款率(17.624%)、房地产增加值(16.495%)、政府的财政赤字率(14.347%)、保险机构赔款支出(13.470%)、房地产开发投资(12.319%)、企业负债(10.782%)，是中国金融风险重要的引致因素。

表2 区域金融风险指标体系权重

表3列示了中国2005—2019年31个省份及东、中、西、东北四大区域的金融压力指数均值状况。从时间维度来看，在整个样本期间内，中国区域金融风险呈现先下降后上升的变化趋势。其中上升较快的有两个阶段:一是2010—2013年。这是由于该时期受到2008年美国金融危机的影响，金融风险在全球范围内积累集聚，对中国房地产业和银行业的冲击最大。虽然中国政府及时采取了大量的刺激经济政策，但并没有从根本上化解金融风险；二是2015—2017年。这一时期中国经济实现了又一轮的快速增长，但同时金融市场比较活跃，加之互联网金融的迅猛发展，形成了联系密切、错综复杂的区域金融关联网络。由于缺乏监管，互联网金融乱象频发，不断加剧经济泡沫化，导致金融风险日趋严重。

表3 四大区域金融压力指数

在样本所考察的15年内，四大区域金融风险水平均值由高到低依次是东北地区、中部地区、西部地区和东部地区，但是东部地区内的金融风险水平差异较大。东北地区受历史原因影响，是中国重工业的摇篮。凭着工业企业的支撑，一段时间内东北三省发展情况较好，金融风险水平也随经济发展而有所下降。近年来，东北三省的经济结构单一、创新能力低下与产能过剩等缺陷凸显，加之在中国供给侧结构性改革和高质量发展的政策压力下，加剧了东北三省的金融风险积累，金融压力指数攀升。中国中部六省地区发展进入了转型升级、提质增效的新阶段。中部地区人口密集、市场空间巨大，在拥有良好的金融基础和比较优势的同时也面临着一系列挑战，比如金融监管法制不健全、监管力度不足是本区域金融风险积累增长的重要因素。对西部地区而言，金融机构数量较少，资源资金配置相对稀缺，金融业务发展困难等金融资源的失衡加剧了金融发展失衡，是金融风险积累不可忽视的因素。反观东部地区，在自身沿海区位优势的带动下，加快自身创新，很多城市已经发展成为中国经济金融中心(如上海、北京)，非常适合大型金融机构的发展。伴随供给侧结构性改革的持续推进，东部地区积极调结构、转方式，金融风险水平相对较低。

(二)区域金融风险空间分布与集聚特征

为了更清楚地反映中国31个省份区域金融压力指数的空间分布和集聚特征，本文根据金融压力指数的平均值,利用ArcGIS软件展开聚类分析,其结果如图1所示。从图1可以看出，西藏、四川等西部地区和东沿海地区的金融压力指数都较大，中部内陆区域的金融压力指数相对较小，说明中国区域金融风险水平存在显著的空间差异性且与空间地理位置密切相关。

图1 中国31个省份金融压力指数均值分布

为了呈现中国金融风险水平的时空演变特征，本文运用了ArcGIS软件进行可视化分析。采用自然断点法绘制的2005年、2012年和2019年3个时间点的金融压力指数的空间分布；同时，结合重心模型，用标准差椭圆的空间统计方法考察了金融风险的时空演变，可以有效地考察区域金融风险的收敛状况，结果如图2(a)至(c)所示。整体上看，金融风险的重心比较稳定，其经纬度位于东经111.05～112.18度，北纬32.95～33.70度之间，中心位置大致在河南、湖北、陕西省的交接之处。从时间上看，其风险指数保持增长的趋势；从空间特征来看，重心位置明显偏移，由开始的陕西的商洛境内转移到河南的南阳市境内。其空间分布也具有区域分化和“阶梯式”断层的格局，呈现出东西部金融风险值高，中部金融风险值低的特征。

图2(a) 2005年金融压力指数的空间标准差椭圆重力分布

图2(b) 2012年金融压力指数的空间标准差椭圆重力分布

图2(c) 2019年金融压力指数的空间标准差椭圆重力分布

(三)区域金融风险的空间自相关

为了进一步深入分析中国金融风险的空间集聚特征，本文分别从中国区域金融风险的全局空间自相关与局部空间自相关两个层面展开分析。

表4为2005—2019年31省份区域金融风险的全局 Moran's I指数值及其显著性。从结果来看，在10%的显著性水平上，全局Moran's I统计量除了2008年之外的其他年份均不等于零，且绝大多数年份都显著为正，说明中国各个省份的金融风险状况并不是处于随机状态，而是呈现出显著的正相关空间关联特征。为了应对美国次贷危机的冲击，中国金融监管当局采取了一系列政策措施，各个区域的金融风险得到了有效监管。因此，2008年中国各区域之间的金融风险的相关性自然无法显现。

表4 金融压力指数的全局Moran’s I及其显著性

表5(续)

仅对金融风险指数全局空间相关性进行探究，并不能全面揭示金融风险的集聚特征。本文进一步利用局部 Moran's I指数揭示金融风险指数的局部空间集聚特征。局域空间相关性检验一般采取散点图的形式。散点图是依据全局空间相关性计算得到的线性走势图，散点图中各省份的分布则是局域空间相关性的体现。当散点图中的省份落入第一象限时，表示其在局域空间上是高—高聚集，以“HH”表示，说明该区域与相邻区域的变量值均较高；第二象限表示低—高聚集，以“LH”表示，说明该区域变量较低而相邻区域的变量较高；第三象限表示低—低聚集，以“LL”表示，说明该区域与相邻区域的变量值都较低；第四象限表示高—低聚集，以“HL”表示，说明该区域变量值较高而相邻区域变量值较低。因此，当多数区域落入第一、三象限时，表示该指标间存在正向空间相关性，当多数区域落入第二、四象限时，表示存在负向空间相关性，当均匀分布在四个象限时则不存在空间相关性，这也是对全局空间相关性的进一步检验。表5为2005—2019年中国各省份金融风险的局部空间集聚特征。

表5 2005—2019年金融风险指数的局部聚集

由表5可以看出，虽然不是所有年份的全局空间自相关性都显著，但金融风险指数在2005—2019 年的任意年份均存在显著的局部空间集聚特征；在所考察的样本31个省内，大多数省份都具有高—高型和低—低型的集聚特征，充分说明了金融风险整体上呈现出正的空间自相关性。具体来看，在样本考察期内，金融风险指数呈现出高—高类型聚集的省份主要集中在上海、江苏、浙江、安徽、河南，表明金融压力指数处于较高水平且相邻省份金融压力指数也比较高的省份主要集中在东部地区和中部地区；金融风险指数低—低型集聚集中分布在北京、天津、内蒙古、山东、重庆、陕西、青海、甘肃、新疆等10个省份，说明本地金融风险指数处于较低水平且相邻省份金融风险水平也比较低的省份主要集中在西部地区。

四、中国区域金融风险地区差异的测度及分解

为了进一步分析中国31个省份金融风险指数的差异，本文采用Dagum方法对其进一步分解。根据Dagum的基尼系数分解方法，按照东、中、西和东北四大地区对2005—2019年中国金融压力指数的地区差异进行分解，计算工具为Matlab2021a，测算结果如表6所示。

表6 中国区域金融风险的基尼系数分解结果

从表6列示的2005—2019年间中国金融风险指数的总体区域间差异和区域内差异及其演化趋势来看，中国各省份金融风险的总体基尼系数均值为0.136，总体区域差异在样本考察年度内总体呈现先下降再上升的趋势。从演化过程来看，在整个研究时段内金融风险指数地区差距的变化趋势不稳定，在2008年和2009年出现了较大波动。比如从2006年的0.118下降到2008年的0.093，这是由于2008年受到国际金融危机的影响，中国各个区域、省份金融风险整体都有所加大，使各区域的金融压力指数差异相对而言反而下降了。而从2009年以后中国区域金融压力指数逐年回升，到2019年达到0.175。此后总体整体上逐渐上升并趋于平稳，近年来我金融风险指数地区差异在0.170左右，这说明了中国金融风险总体上区域差异在变大。

图3为中国金融风险指数的区域内差异及其演变趋势。由图3可以看出，中国东、中、西、东北四大区域的金融风险指数区域内差距水平各不相同，波动趋势各异。总体来看，在样本考察期内，东部地区的金融风险指数区域内的差异最大，西部地区次之，中部地区最小。东部地区金融风险区域间差异大是因为东部地区的各省份之间发展失衡所致，比如广东沿海地区经济发展速度快，对外开放程度大，GDP水平和进出口贸易值都处于高位，其风险溢出的可能性高于像海南省等经济开放度相对较低的省份。

图3 中国区域金融风险的区域内差异

图4为中国金融风险指数的区域间差异及其演变趋势。东部与其他区域间差距较大，中部与东北部、中部与西部、西部与东北区域间金融风险差异较小。在整个样本考察期内，金融压力指数在区域间的差异整体都呈现出扩大的态势。其中2008年是一个关键节点，2008年之前，各区域间的间金融风险差异急剧缩小，处于极小值，2005—2008年三年分别下降了0.031、0.020、0.009、0.105、0.061、0.040。2008年之后，东部与中部、东部与西部，中部与西部区域间金融风险差异逐渐扩大。

图4 中国区域金融风险的区域间差异

图5为中国金融风险指数的区域差异的贡献率。从图5可以看出，在整个样本考察期内，中国金融风险区域差异的贡献率主要是来源于区域间金融风险的差距。区域内金融风险的差距对中国金融风险区域差异的贡献一直不高，处于25%左右的相对较低水平。在样本考察期内，地区间金融风险对中国金融压力指数的贡献率反复变化，呈“下降—上升—再下降”，最终末期与基期贡献率基本持平但呈上升趋势。其中2008年是贡献率极小值年份(25.294%)，2018年为贡献率极大值年份(54.688%)。在2013年之前，超变密度的贡献率变化比区域间的贡献率高，超变密度的贡献率变化低于区域间的贡献率。2010年之前超变密度的贡献率与区域间的贡献率交织在一起，2010年之后，区域间金融风险差距水平远远超出其他两个，说明中国各区域间的金融风险水平差距较大。

图5 中国区域金融风险的区域差异贡献率

五、中国区域金融风险的空间演化特征

Kernel密度估计能够较好地反映区域金融压力指数分布的整体状况，可以更好地从整体上把握金融压力区域分布的动态演化特征。本文使用Matlab2021a软件，采用高斯核函数获得中国31个省份金融压力指数Kernel密度三维估计图，更加直观地呈现了中国金融压力指数分布的空间动态变化。

图6为全国的地区金融压力指数的Kernel密度估计三维图。全国各省份金融压力指数的空间分布演变呈现出三个特征:第一，在本文所考察的样本时期内，全国31个省份金融压力指数的分布整体向右移动，说明各地区的金融压力水平在逐渐上升，金融风险在逐年升高。第二，Kernel密度整体峰值变高，峰波变尖，波峰宽度变窄。其峰值形态变化趋势呈现出三个阶段“低—高—低”:2008年，波峰变高，波峰宽度变窄；这说明金融压力指数全国整体水平差距在变小，这主要是因为2008年受到国际金融危机的影响，金融压力指数有所上升，且全国所有区域内都上升，从而导致区域间的金融压力指数差异却缩小；从2008年以后，除2007年核密度的峰值有所提高外，波峰逐渐扁平，波峰宽度越来越窄。这说明金融压力指数全国整体水平差距扩大。第三，在考察期内，31个省份金融压力指数分布的右尾越来越长，说明出现了某些省份的金融压力指数增长较快现象(如北京、上海、江苏、浙江、山东、河南、广东、四川)，导致了与金融压力指数小的省份(如天津、宁夏、海南)的差距变大。

图6 中国31个省份金融压力指数的动态演化

图7为东北地区金融压力指数的Kernel密度估计三维图。图7揭示了东北地区金融压力指数水平的分布呈现以下动态演进特征:第一，在整个考察期内，东北地区各省份金融压力指数的分布整体向右移动，说明东北三省的金融风险水平正在逐渐上升。第二，在整个样本考察期内，东北地区的波峰高度都较高、宽度较窄。第三，在整个样本考察期内，东北地区的金融压力指数波峰呈现双峰即“一个主峰，一个侧峰”现象，说明东北地区的金融压力指数已经出现了显著的多级分化现象。金融风险大的省份与金融风险小的省份差距变得越来越大:辽宁省的金融压力指数远大于吉林省与黑龙江省，这是因为辽宁省金融监管机构过于分散，权责交叉以及令出多门导致难以实施有效监管而不能有效防控风险。

图7 东北地区金融压力指数的动态演化

图8为东部地区金融压力指数的Kernel密度估计三维图。从图8可以看出，在整个样本期内，东部地区的金融风险呈现如下特征:第一，本区域内各省份的金融压力指数的分布整体向右移动，说明东部地区各省份的金融风险水平正在逐渐上升。第二，金融风险的波峰高度、宽度变化剧烈，高高低低交织，说明东北地区金融压力指数地区差异波动剧烈，忽大忽小。第三，金融压力指数分布的波峰数量一直呈现双峰形式，且出现了明显的右尾现象，表明东部地区的金融压力指数已经出现了显著的极化现象。金融风险大的省份与金融风险小的省份差距变得越来越大(比如广东省的金融压力指数远远高于海南省的金融压力指数，差距从2倍扩大至4倍，广东省作为对外开放的大省，处于沿海经济发达的地区，各方面金融资源在广东省积累，在经济得到快速发展的同时也加速了金融风险积累)。

图8 东部地区金融压力指数的动态演化

从图9所呈现的中部地区金融压力指数的Kernel密度估计三维图可以发现:第一，中部地区各省份金融压力指数的分布整体向右移动，说明中部地区各省份的金融风险水平正在逐渐上升。虽然整体上与全国地区的核密度图形态极为相似，但是中部地区的金融压力区域差异是四大经济区域内最大的。第二，中部地区的核密度波峰高度在不断平稳降低，除2008年有所增加，其他年份波峰高度都在平稳下降，形态越来越扁平，说明中部地区内的金融压力水平差异在逐步扩大，2008年轻微缩小，整体有所上升。第三，波峰数量一直是单峰分布，说明并没有出现两极分化现象，相较于东部地区，拖尾现象也不明显。

图9 中部地区金融压力指数的动态演化

从图10所呈现的西部地区金融压力指数的Kernel密度估计结果可以发现:第一，西部地区各省份金融压力指数的分布整体向右移动，说明西部地区各省份的金融风险水平正在逐渐上升。第二，西部地区金融压力指数核密度图的波峰形态变化是四大经济区域中最平缓的，说明西部地区中各省市自治区的金融压力指数呈现同步增加趋势。第三，西部地区金融压力指数分布的波峰数量一直是主峰分布，偶尔有小侧峰出现，说明出现了不明显的多级分化现象，金融压力指数大的省份金融风险变大，导致与金融风险小的省份差距变大，比如四川省、新疆省金融压力指数较高；西藏金融压力指数较低。这是因为四川省地域辽阔、人口众多，在西部占有举足轻重的地位；而新疆面积最大，农业竞争力、工业竞争力和企业竞争力位于西部地区前列，其宏观金融风险水平较高；西藏是少数民族聚居区，经济总体处于较低水平，各项经济指标基本位于全国末位，金融风险水平较低。

图10 西部地区金融压力指数的动态演化

六、结论和政策建议

本文以2005—2019年中国31个省份的年度面板数据为研究对象，在通过构建金融风险评价指标，采用熵权法测算金融压力指数基础上，采用莫兰指数、Dagum基尼系数分解、高斯核密度估计对区域金融风险的全局聚集性、区域差异及动态演进特征进行了实证研究。研究结论如下:

第一，中国各省份金融风险整体呈上升趋势，金融风险出现阶梯式分布即中部地区风险低，东西部地区风险高的特征，且呈现出分块聚集现象。

第二，在样本所考察的不同年份，中国金融风险在空间分布上均呈现显著的空间相关性。金融风险呈现出高—高类型聚集的省份主要集中在上海、江苏、浙江、安徽、河南等东部地区；金融风险指数低—低型集聚的省份集中分布在北京、天津、内蒙古、、山东、重庆、陕西、青海、甘肃、新疆等中西部地区。

第三，中国各区域的金融风险差异呈逐渐扩大趋势。区域间的金融风险差异是中国金融风险区域差异的主要原因，且东部与西部金融风险差距较大。

第四，中国31个省份金融压力指数的核密度分布整体向右移动，各地区的金融压力水平正在逐渐上升，金融风险逐年升高，东北地区与东部地区各省份金融风险差异出现了极化现象。

基于以上结论，提出以下政策建议:

第一，金融监管部门应加强区域金融风险监管；构建和完善区域金融机构内部经营机制；构建区域性金融风险预警机制，及时对金融风险进行监测，提高系统性金融风险评估的准确性，保证宏观审慎监管政策的有效性；完善防范机制，防止中国区域金融风险进一步扩大及蔓延。

第二，针对当前区域金融风险存在的区域间差异性，应着眼于宏观金融战略布局，实施有差别的金融政策，进一步加大对中西部地区的支持力度。有序推进金融资源逐步由东部发达地区向中西部地区的流动，优化金融资源配置结构，从而逐步缩小东部与中西部地区金融风险的差距。

第三，地区的区域金融生态环境直接决定了区域间金融资源的差异，直接影响区域金融政策的有效性。东北地区应努力营造良好的区域金融生态环境，防止地区金融风险溢出对中国宏观金融环境形成冲击。

第四，东部沿海地区有天然的地理区位优势和资源积累，应在利用本地区优势发展经济的同时着眼于金融风险溢出的监管，及时预测并准确评估金融风险，基于宏观审慎原则有效地防范金融风险带来的危害。