非对称信息视角下中国区域金融风险的影响机制

史桂芬 陈倩 王佳莹

摘 要：本文基于委托代理理论，构建非对称信息视角下中国区域金融风险影响机制的分析框架，并采用TVP-SV-VAR模型探究不同地区区域内金融风险影响机制的异质性。研究表明，非对称信息下金融系统委托代理行为致使商业银行存在信贷配给，资金倾斜助长了地方债扩张和房地产泡沫累积，一旦债务违约及泡沫破裂造成大量银行不良资产积聚，将引发区域金融风险。异质性研究发现，经济发达地区中房地产泡沫是区域金融风险形成的主导因素；经济次发达地区中地方政府过度举债是引致区域金融风险的主要冲击；而经济欠发达地区的区域金融风险是地方政府过度举债与房地产泡沫共同作用所致。国家金融监督管理总局应严控商业银行信贷资金流向，并对地方债扩张和房地产泡沫等区域金融风险影响因素实行“属性+对策”的差异化监管，构建风险治理的区域协作平台，提高区域金融风险的防范处置能力。

关键词：非对称信息；区域金融风险；信贷配给；地方政府债务；房地产泡沫

中图分类号：F8127；F83  文献标识码：A  文章编号：1001-148X（2024）01-0038-11

收稿日期：2023-05-13

作者简介：史桂芬（1972—），女，吉林长春人，教授，博士生导师，研究方向：财政金融；陈倩（1993—），本文通讯作者，女，湖北咸宁人，博士研究生， 研究方向：金融计量、金融风险管理；王佳莹 （2000—），女，浙江台州人， 硕士研究生，研究方向：宏观金融。

基金项目：国家社会科学基金项目，项目编号：20BJY138。

①具体事件如，2021年8月，恒大地产年中财报披露其整体负债197万亿元，企业由于资金链断裂，出现流动性风险，宣布出售名下资产；2022年12月30日，贵州遵义地方政府最大的城投——“遵义道桥”由于偿债能力不足进行15594亿隐形债务的银行贷款重组。2023年4月15日，贵州省地方债暴雷，地方政府公开承认靠自身“无力化债”。

一、引 言

在百年未有之大变局加速演进及国际地缘政治冲突的冲击下，宏观经济下行压力加大，中国经济发展面临的内外环境发生深刻变化，不稳定因素显著增加，金融风险进入易发多发期。随着地方金融业态的创新发展，传统金融机构内控机制不完善，致使部分经济主体战略定位产生偏差，房地产行业资金断链、地方政府债务暴雷等区域金融乱象频生①，致使银行不良贷款居高不下，区域金融风险诱因呈现多主体化特征［1］。同时，随着中国区域金融一体化进程的推进，同一区域内银行间的债权债务关系以及不同区域间的金融业务往来愈加频繁，形成了紧密的区域金融关联网络，使得区域金融风险的传染性增强［2］。一旦区域金融风险不断累计突破局部阈值，其溢出冲击所引发的“多米诺效应”最终将演变为系统性金融风险。党的二十大报告提出以中国特色宏观调控助力经济高质量发展的同时，健全“双支柱”调控框架深化区域金融体制改革，确定系统重要性银行并实施附加监管，加强区域金融风险的应对处置能力，守住不发生系统性金融风险的底线。

明晰区域性金融风险源，防范系统性金融风险是当前亟待解决的重要议题。学界针对区域金融风险影响因素的研究，主要有以下三个方面：一是来自宏观经济金融运行环境。金融法制环境的不完善，特别是传统金融机构的法律法规建设落后，导致部分金融交易的合规性监管不足，形成潜在的经营风险［3］。在中国社会主义市场经济下，银行作为最大的金融资源拥有者，其体制长期处于产权不清晰及激励约束机制不到位的运行环境中，重计划性、行政性的预算软约束使其滞后于市场经济条件下金融业创新发展的需要［4］。同时，由于大部分商业银行缺乏有效的内控制度，银行间无序竞争、投资项目类型集中度较高等问题，都易导致银行的不良贷款率上升，进而引发区域金融风险［5］。二是来自地方政府举债行为。分税制改革之后，地方政府财权与事权的不匹配是地方政府债务扩张的主要诱因［6］。在地方财政能力受限的压力下，地方政府凭借自身信用优势及软约束干预金融信贷来代行财政功能，使得地方政府债务规模高企，一旦政府偿债能力不足，地方债务风险将转化为金融部门的不良资产［7］。同时，在中央政府对地方政府直接借债的约束限制下，地方政府纷纷设立地方融资平台，干预金融机构的资金流向，加大隐形债务规模，地方债扩张所致的风险一旦爆发，“长贷短存”的期限错配问题将形成银行的流动性风险，加速区域金融风险累积［8］。三是来自土地财政。地方政府在经济上行压力及GDP晋升激励机制下，为获取土地出让收入，大力推进资金密集型的房地产行业迅猛发展，导致房价高企［9］。基于房价持续上涨，地方政府通过“土地融资”方式进行隐形地方债的扩张，而高额的债务偿还压力又倒逼地方政府持续依赖土地财政创收，促使银行提高对房地产企业的信贷配给份额，从而加剧了房地产泡沫累积［10］。一旦房地产泡沫破裂，银行不良贷款迅速增加，信贷风险过度累积将造成区域金融风险。

综上所述，关于区域金融风险的现有研究主要集中在单个风险影响因素的论述上，缺乏将区域金融风险诱因的多主体化特征贯穿在风险影响機制的分析框架上，且少有研究分析区域金融风险形成路径的内在机理。因此，本文拟基于信息经济学中委托代理行为理论，分析中国区域金融风险的影响机制，并测度不同地区的区域金融风险指数，进一步采用TVP-SV-VAR模型实证探究区域金融风险影响机制的异质性。本文可能的贡献有以下三点：第一，通过金融系统中委托代理行为数理模型的构建，提出了非对称信息视角下我国区域金融风险影响机制的路径分析框架；第二，测算出中国31个省（不包括港澳台）的区域金融风险指数，为区域金融风险的量化分析提供数据储备；第三，考虑到区域金融风险影响机制在不同地区的差异性，本文进行空间异质性分析，为相关部门差异化监管以及构建风险处置能力的区域协作机制提供政策启示。

二、区域金融风险形成的机制分析

（一）金融系统委托代理行为模型构建——基于非对称信息结构视角

在金融系统中，金融监管者赋予金融机构享有特殊经营权，希望金融机构在实现自身利益的同时为社会生产合理配置资源，维持金融稳定，与此同时，金融投资者将资产委托给金融机构期望获得资产增值，从而形成监管方、金融投资者与金融机构之间的委托代理行为。但在非对称信息条件下，金融机构利用信息优势采取的决策行为会引发金融风险。

金融投资者的行为设定。令其委托给金融机构进行投资的资产为固定值M，每单位资产的期望收益为ε，则总资产收益为εM。假定金融投资者为风险厌恶者，市场中固有的系统风险为σ0，金融投资者委托金融机构进行资产投资时可承担的风险水平为σ。金融投资者愿意承担的风险水平σ是金融监管方监管力度水平θ的单调递减函数，即金融投资者愿意承担的风险水平随着监管部门监管力度上升而下降。同时，金融投资者的效用由委托给金融机构管理的总资产收益和风险水平共同决定。便于进行一般性分析，令金融投资者风险水平σ的函数形式及其效用函数为：

σθ=σ01+θ（1）

U1=εMσθ（2）

金融机构的行为设定。金融机构有两种投资活动，即常规投资业务γ和套利投资业务β。假定金融机构开展常规业务投资的收益为Rγ，投资风险水平为σ2γ；进行套利业务投资的收益为Rβ，投资风险水平为σ2β，则金融机构进行常规业务投资的利润为Wγ=M（Rγ－ε），开展套利业务投资的利润为Wβ=M（Rβ－ε）。假定对于金融机构而言，套利业务投资相较于常规业务投资的风险水平更高，但给金融机构带来的收益会更大，即存在Rβ>Rγ，σ2β>σ2γ。由于套利业务会影响金融系统稳定，催生金融风险，所以当金融机构进行套利业务被监管方发现时，不仅金融机构的收益将被没收，且监管方还会对其收取惩罚金λ。假定金融机构进行套利业务被监管方发现的概率为ρ，金融机构进行常规业务投资的比率为e。假定金融机构为风险中性者，其最大化的期望效用函数可表示为：

MaxU2=eWγ+1－e1－ρWβ－ρλ（3）

金融监管者的行为设定。假定金融监管者存在监管成本厌恶，即当监管者的收入固定时，其会尽量不增强监管力度，避免加大监管成本C。监管方短期的收入是固定的，令为H，同时令金融监管者获取的租金为Y，则Y=H－Cθ。由监管者的成本厌恶可知，其监管成本C是监管力度水平θ的单调递增函数。便于进行后续的一般性分析，设定监管成本函数为：

Cθ=C0+12θ2（4）

金融监管者期望维持金融稳定的同时实现金融系统整体福利提升。因此，监管者的目标函数是金融投资者和金融机构的效用之和，并减去监管者自身的监管租金，其最大化目标函数可表示为：

MaxU3θ=U1+U2－Y（5）

在非对称信息结构下，金融监管方无法获取金融机构投资业务组合的精准信息，因此金融机构最大化自身效用时，存在隐蔽投机信息的动机，其进行套利业务被监管者发现的概率满足0<ρ<1，该概率是监管方监管力度水平θ的递增函数，即ρ′θ>0。便于进行一般性分析，将ρθ函数形式设定为ρθ=tθ，其中，t代表监管者每单位监管力度可发现金融机构进行套利业务的概率。

由于非对称信息结构下，金融机构的套利投资活动受监管部门约束，为求均衡解，先从金融监管者的行为进行分析。监管者的最大化目标效用函数为：

Max U3（θ）=εMσ（θ）+eWγ+（1－e）{［（1－ρ（θ）Wβ］－ρ（θ）λ}－H+C（θ）（6）

式（6）对监管者的监管力度θ求导可得：

U3θθ=εMσ0－t1－eWβ+λ+θ（7）

故监管者目标效用最大化的一阶条件为：

θ1=t1－eWβ+λ－εMσ0（8）

由式（8）可得：

θ1e=－tWβ+λ （9）

此时，金融机构的最大化效用函数可表示为：

Max U2=eWγ+1－e1－tθ1Wβ－tθ1λ（10）

式（10）对金融机构的常规业务投资比率e求导可得：

U2e=Wγ－1－tθ1Wβ－tθ1λ－θ1e 1－etWβ+λ（11）

结合式（9）、式（11），金融机构效用最大化的一阶条件可表示为：

e*=1－εMσ0tWβ+λ+Wβ－Wγ2t2Wβ+λ2（12）

将式（12）代入式（8）可得：

θ*=－εMσ0tWβ+λ+Wβ－Wγ2tWβ+λ（13）

上述e*和θ*分別为非对称信息条件下，模型达到帕累托效率时金融机构常规投资业务占比和金融监管者监管力度水平的均衡解。

式（12）对金融机构套利业务的风险溢价Rβ－Rγ求导可得：

e*Rβ－Rγ=－M2t2Wβ+λ2<0（14）

由式（14）可知，当金融市场中套利投资业务的风险溢价越高，金融机构进行常规业务的占比就越小，表示金融机构此时存在更高的套利投资动机。

式（13）对套利业务的风险溢价Rβ－Rγ求导可得：

θ*（Rβ－Rγ）=12tWβ+λ>0（15）

由式（15）可知，金融市场中套利业务的风险溢价越大，金融监管者需付出的最优监管力度就越大。

式（12）对金融机构套利业务被收取的惩罚金λ求导可得：

e*λ=εMσ0tWβ+λ+2（Wβ－Wγ）2t2Wβ+λ3>0（16）

由式（16）可知，监管部门对金融机构进行套利投资业务收取的惩罚金越高，金融机构投资活动中常规业务的最优投资占比就越大。

式（12）金融市场固有的系统风险σ0求导可得：

e*σ0=εM2tWβ+λσ20>0（17）

由式（17）可知，金融系统的固有风险越大，金融机构进行常规业务投资的最优占比越高。

因此，综上分析可得出如下命题：

命题1：非对称信息条件下，金融市场中套利投资相较于常规投资高风险溢价的存在，致使金融机构存在强烈的套利动机，实现收益最大化。

命题2：金融系统的固有风险和金融监管对套利投资业务的惩罚可以约束金融机构的套利投资行为，因此金融机构在业务收益一定时，会优先考虑资金的安全性。

（二）中国区域金融风险影响机制的路径分析

目前，银行业在中国金融体系中占主导地位，尤其在地方层面，其对地方金融活动的稳定产生直接影响截至2022年12月，中國银行业总资产为37939万亿元，占金融机构总资产的9041%。在地方层面，以湖北省为例，金融机构中银行业资产占比为8272%，新增贷款占全省新增社会融资规模的比例高达9627%，数据来源于Wind。。商业银行作为中国经济活动的中枢，是联结国民经济各环节、各部门的纽带，控制和调节着资金运行总量和轨迹。此外，商业银行通常作为“风险守门员”处于“地方政府——商业银行”“企业——商业银行”以及“居民——商业银行”风险链条的终端位置，承受多方风险转嫁压力［11］。一旦商业银行风险过度累积引发危机，将导致整个区域金融活动发生崩溃的可能。因此，本文以商业银行的金融活动作为出发点对中国区域金融风险形成的作用路径展开分析。

基于非对称信息显著存在于商业银行信贷业务的现实基础，依据上述命题1和命题2的结论剖析可知，商业银行存在显著的信贷配给现象。具体来说，一方面，商业银行在考虑借款人违约风险的基础上会尽可能地提高贷款利率，以实现其“收益最大化”的经营目标。房地产行业作为资金密集型行业，融资需求旺盛致使其可以接受较高的贷款利率［12］。因此，银行往往倾向于放宽对房地产信贷的支持力度，期望赚取风险溢价。另一方面，商业银行对于借款人的贷款需求，会在贷款利率确定的情况下优先考虑借款人资金用途的安全性。因此，地方政府的融资以其“收益一定、风险最小化”的隐性担保优势以及预算软约束，成为银行的重点贷款对象，获得商业银行信贷资源倾斜。此外，在预算软约束及高收益套利的驱动下，商业银行试图借助非银行类金融机构扩大自身经营投资规模，寄生于银行体系的影子银行应运而生［13］。影子银行依托表外业务经营突破监管红线，将资金大量投入至地方政府融资平台、房地产行业等高需求方向，变相支持并推动了地方政府的非理性举债扩张，这种信贷配给进一步加剧了区域整体的信贷资源错配。

图1 中国区域金融风险影响机制的传导路径

地方政府因基建、民生等设施建设存在投资周期长、资金规模大的融资需求，尤其在财税分权体制后，由于地方税收不足以支撑地方政府维持超规模的资金供给，为解决体制内资金短缺问题，地方投融资平台以城投公司等形式履行政府投资职能［14］。随着地方政府债务规模的持续扩大，有限的偿债能力与无限的融资本息使得债务矛盾更加尖锐。因此，面对高居不下的偿债压力，地方政府急于通过推动房价高涨，从而提高土地财政收入来变现还贷，而房地产作为资本密集型行业，房价的迅速攀升致使房地产资金需求规模不断扩大，使其反过来接受高利率贷款成本不断通过影子银行进行融资，形成信贷膨胀循环［15］。此外，在许多国企、房地产等实力雄厚的大型企业获得超额融资的同时，银行的信贷歧视使得中小企业被排斥在融资体系之外从而形成融资困境，出现信贷结构失衡［16］。当市场经济环境处于低杠杆率的情况下，这种操作模式并不促使金融系统的潜在风险爆发，一旦整体经济处于高杠杆行情，且伴随外部金融环境不断收缩，由于资源错配、信贷约束、结构失衡等问题存在使得金融风险在银行内部不断积聚。最终，在个体金融风险的不断催化下，致使群体性风险爆发，从而引发区域性金融风险。

三、我国区域金融风险指数的测算

（一）指数测度模型介绍

本文借鉴Jurado et al（2015）在Bernanke等（2005）提出的FAVAR模型基础上通过单边估计改善的因子增广向量自回归模型测度我国31个省份（不包括港澳台）的省级区域金融风险［17-18］。该方法从多个金融数据中提取与金融风险相关的共同因子，作为区域金融风险的代理指标，弥补了单一指标的缺陷，同时，该模型通过纳入宏观经济控制变量，过滤宏观经济系统波动对金融变量的干扰和反馈效应，增加区域金融风险测算结果的可靠性。此外，该模型方法考虑数据的时变特征，从而充分体现了模型内相关指标在风险测度中的动态变化和阶段性差异，提高本文区域金融风险测算结果的有效性。

定义本文区域金融风险测度指标池中选取的多维金融指标及宏观经济控制指标为平稳序列数据集Yit=Y1t，…，YNt，其中N为所选的指标个数。数据集可表示为如下因子结构形式：

Yit=HiHt+εYit（18）

其中，Ht为潜在共同因子，Hi为因子载荷矩阵，εYit为误差项。在上述因子结构模型中，误差向量允许存在有限的截面自相关，故提取的共同因子数Nr可小于变量序列数N。

令rjt表示模型估计出的单个风险序列，其h1期的测算值由如下因子增广预测模型得出：

rjt+1=θrjFrjt+αHjFHkt[DD（-*2/3][HT6”]⌒[][HT][DD）]+αGjFGlt+σrjt+1（19）

其中，θrjF、αHjF和αGjF分别为Pr、PH和PG阶滞后算子，向量Ht[DD（-*2/3][HT6”]⌒[][HT][DD）]为Ht的一致性估计值，Gt为额外可预测因子。由于rjt+1、Hkt+1和Glt+1的向前一步预测误差带有时变波动率erjt+1、eHkt+1和eGlt+1，模型估计出的单个区域金融风险序列rjt是具有时变特征的。

令单个风险序列rjt∈Rt=（r1t，r2t，…，rNt）向前h期不可预测成分的条件波动率为单个区域金融风险指数Riskrjth，其可表示为：

Riskrjth=Erjt+h－Erjt+hAt）/At2（20）

利用扩散指数预测法计算出式（20）中的条件期望Erjt+h/At，然后通过随机波动模型测算共同因子rjt的向前一期预测残差τrjt+h=rjt+h－Erjt+h/At，并通过递归运算得到h1期的条件波动率E（τrjt+h）2/At。最后将得到的单个区域金融风险指数Riskrjt在每个时点上进行权重加总，利用式（21）得到本文所需测度的总的区域金融风险指数Riskrt。

Riskrth=plimNr→∑Nrj=1βjRiskrjth=EβRiskrjth（21）

其中βj为权重，直接的加权形式是为每个风险序列赋予相同的权重，即βj=1/Nr，若单个风险序列存在结构性特征，则权重可通过其协方差矩阵的最大特征根决定。

（二）指标选取

表1为区域金融风险测度的相关指标选择。正向指标表示数值越大，风险越大；负向指标表示数值越大，风险越小；适度指标表示数值应维持在一定水平，过高或过低都代表风险积累过度。表中区域金融风险的相关指标涉及我国31个省（不包括港澳台）的季度数据指标体系中省级商业银行的不良贷款率以及GDP增长率在样本的时间跨度中只有年度数据，笔者通过运用EViews软件中的二次插值法对其进行频率转换，将年度数据转换为季度数据。，相关数据来源于CEIC数据库和Wind数据库，时间跨度为2005—2019年该样本区间的选择是基于目前数据的可获得性，相关数据库中省级区域内商业银行的不良贷款率只能获取到2019年。。

（三）中国区域金融风险典型化事实分析

关于区域金融风险区域范围的选择，应以区域的空间位置、行政管辖及经济发展特性的相似度为准则进行划分［19］。因此，本文测算出中国31个省（不包括港澳台）的省级区域金融风险指数后，基于经济发展现状六大行政区华北、华东、中南、西南、西北和东北2022年年末的人均GDP大小排序呈现华东>华北>中南>西南>东北>西北，数据来源于CEIC数据库。将中国六大行政区划分为发达地区（华北和华东）、次发达地区（中南和西南）以及欠发达地区（西北和东北），通过等权重加总得到三大地区的区域金融风险指数。图2为三大地区2006—2019年区域金融风险指数的演变趋势由于采用Jurado et al（2015）的模型方法进行指数测度时存在向前预测值，而本文風险测度时的最优滞后期为4，因此本文最终测算出的区域金融风险指数损失了2005年4个季度的数据，指数呈现的是2006—2019年的趋势结果。

从整体趋势来看，三大地区的区域金融风险水平呈现相似的路径走向，即“上升—下降—上升—下降”的变化趋势，其中，区域金融风险迅速积聚阶段是2008—2009年和2015—2016年。2008—2009年，美国次贷危机引发全球金融危机，金融风险在全球范围扩散，三大地区出现显著的风险累积。为应对全球性金融风险的冲击，中国2008年11月出台了4万亿元的经济刺激政策，在政策刺激下，中国GDP虽保持了一段时间的高增速，但金融体制的潜在风险仍未从根本上得到纾解，只是推迟了金融风险暴露的进程。2015年之后，刺激政策的弊端凸显，导致2015—2016年“股灾”“人民币贬值”“房价快速上涨”以及“影子银行”过度膨胀等风险事件和金融乱象频发，三大地区区域金融风险再次出现积聚，其中，欠发达地区区域金融风险积聚尤为显著。随着2017年中国“去杠杆、严监管”的强监管政策落地实施后，各地区的区域金融风险出现下降。

图2 三大地区区域金融风险指数演变趋势

四、区域金融风险形成机制的异质性分析

（一）模型构建

本文采用TVP-SV-VAR模型实证探究在经济发达地区（华北和华东）、次发达地区（中南和西南）以及欠发达地区（西北和东北）之间区域金融风险形成机制的异质性。该模型是对VAR模型进行时变参数处理而提出的，其假定参数能随着时间变动，因此能灵活地分析变量之间的相互影响路径，同时捕捉经济结构的突变和渐变特征。含有随机波动率的时变参数结构向量自回归模型如下：

Yt=G1tYt-1+…+GPtYt－p+et，et～N0，Ωt（22）

其中，t=p+1，…，n，G1t，…，Gpt为k×k时变系数矩阵，Ωt为k×k时变协方差矩阵。模型可通过分解Ωt=D－1tΣt2D′t－1来假设递归识别，Σt=diagσ1t，…，σkt。定义gt为模型时变系数矩阵G1t，…，Gpt行向量的堆栈向量，dt=（d1t，…，dpt）′为Ft下三角元素行向量的堆栈列向量，τt=τ1t，…，τkt‘，其中τit=logσ2it。假定模型的时变参数均服从随机游走过程，即：

gt+1=gt+μgt

dt+1=dt+ddt

τt+1=τt+μτt（23）

εtμgtμdtμτt～N0，IOOOOΣgOOOOΣdOOOOΣτ（24）

（11）式中，I、Σg、Σd、Στ分别是εt、μgt、μdt和μτt的方差-协方差矩阵，均为对角阵，时变参数都服从正态分布，即gt+1～Nμg0，Σg0，dt+1～Nμd0，Σd0，τt+1～Nμτ0，Στ0。为了规避最小二乘法或最大似然法估计TVP-SV-VAR模型容易引发的过度识别问题，本文采用马尔可夫链和蒙特卡罗（MCMC）方法的Gibbs抽样来对模型参数进行估计，为保证抽取的样本能较好地接近参数分布的随机样本，选取10000次的迭代次数，预烧值设置为1000。模型估计需要设定超参数，本文参照Nakajima（2011）的做法，对时变参数扰动项的分布设置为：Σg－2i～Gamma40，002，Σd－2i～Gamma4，002，Στ－2i～Gamma 4，002［20］。

（二）变量选取

本文涉及变量包括三大地区的区域金融风险指数（Risk）、地方政府的举债风险（LGD）、房地产行业的信贷风险（REC）。由于地方政府债务与政府财政收支缺口相关，财政缺口率可以间接反映地方政府的信用风险［9］。因此本文以财政缺口率衡量地方政府的举债风险，而各地区房地产泡沫的信贷风险由房地产贷款增速来衡量。令发达地区、次发达地区以及欠发达地区的区域金融风险分别为RISK-1、RISK-2、RISK-3，发达地区、次发达地区以及欠发达地区地方政府的举债风险分别为LGD-1、LGD-2以及LGD-3，发达地区、次发达地区以及欠发达地区房地产行业的信贷风险分别为REC-1、REC-2以及REC-3。本文数据来源于CEIC数据库、Wind数据库。

（三）变量平稳性检验

表2是三大地区中模型变量的单位根检验结果。从表2中可看出，综合ADF单位根检验、PP单位根检验以及KPSS平稳性检验三种方法，所有变量在1%的显著性水平下都非平稳。对变量进行一阶差分后，三大地区的所有变量在1%的显著性水平下都是平稳的。因此，本文对三组时间序列数据进行一阶差分处理后放入TVP-SV-VAR模型。

（四）模型估计结果

表3为模型的参数估计结果，从表3中可看出，发达地区、次发达地区以及欠发达地区模型估计参数的后验均值均落在95%的置信区间内，且收敛诊断值均不大于196，说明三个模型的估计参数在5%的显著性水平下都是接受收敛性原假设的。同时，三个模型估计参数中无效因子的取值都较小，说明模型的参数估计结果是稳定、有效的，可以进行后续的脉冲响应分析。

（五）实证结果与分析

图3-图5分别呈现的是发达地区、次发达地区、欠发达地区的等间隔脉冲响应函数图。考虑到风险形成及传导的持续时效，本文将等间隔脉冲响应函数的滞后期选择为1个季度、2个季度和4个季度，分别反映区域金融风险形成的短期、中期和长期动态路径。

在经济发达地区，地方政府过度举债一个单位的正向冲击对区域金融风险的影响在短期和中期都是正的，中期的正向影响相较于短期减弱，且地方政府的举债风险在长期逐渐趋向于零。说明发达地区地方政府的举债风险对本地区区域金融风险积累仅存在短暂冲击，长期来看不会对区域金融风险有显著的促进作用。这可能是因为像东部这样涵盖有长三角和珠三角这样发达经济圈的区域，金融市场相对成熟，市场化程度较高，政府的举债行为能够被金融市场逐步消化从而不会过度累积风险。发达地区区域金融风险对房地产泡沫一個单位的正冲击的响应路径在短期和中期呈现正负交替的波动走向，而长期的响应值显著为正。说明发达地区房地产行业的价格波动会促使区域金融风险累积，房地产泡沫会对该地区区域金融风险爆发产生显著的推动作用，且具有较长时间的持续性。在经济次发达地区，地方政府过度举债一个单位的正向冲击对区域金融风险的影响在短期几乎为零，但从中长期来看，显著为正。表明在次发达地区，地方政府过度举债行为会造成区域金融风险累积，但地方政府的举债风险对区域金融风险的推动作用存在时滞性。次发达地区地方政府在GDP政绩考核制度下，同级地方政府之间因晋升激励、规避政治风险会竞相效仿从而主动举债，使得该地区出现严重的信贷资源错配问题，加重区域金融风险的聚集。次发达地区区域金融风险对房地产泡沫一个单位正向冲击的响应路径在短期呈现正负交替的波动趋势，而从中长期来看响应值趋向于零。说明次发达地区房地产泡沫不会造成区域金融风险长期累积。在经济欠发达地区，地方政府过度举债一个单位的正向冲击对区域金融风险的影响在短期呈现负值向正值变化路径，而中期和长期显著为正。表明在经济落后的西北和东北地区，地方政府过度举债会促使区域金融风险的形成，但其对风险形成的推动作用具有时滞性，这可能是因为在欠发达地区金融市场不成熟，监管较弱以及市场化程度较低导致其风险敏感度较差。欠发达地区区域金融风险对房地产泡沫一个单位正向冲击的响应路径在中期和短期呈现出正负交替的趋势，而长期响应值为正，且该正向响应值相对于发达地区较小。这表明在经济落后的西北和东北地区，房地产行业的信贷风险会形成区域金融风险累积，但由于该地区房地产行业规模相对较小，相对于发达地区而言其对区域金融风险形成的影响较弱。

为研究不同时期地方债扩张和房地产泡沫对区域金融风险的影响，本文接着进行不同时点的脉冲响应分析。具体地，首先确定时点脉冲响应函数的三个时点：第一个时点是2008年8月（t=11），第二个时点是2015年1月（t=37），第三个时点是2017年3月（t=45）。第一个时点选取在全球金融危机正式爆发时期 Ivashina and Scharfstein（2010）将2008年8月定义为危机的起点，因为当时金融机构的CDS息差开始上升，金融体系开始恐慌。，第二个时点选取在股灾、楼市迅速膨胀等地方金融乱象频发的2015年，第三个时点选取在政府强调“去杠杆、强监管”的2017年2017年3月，以原银保监会“三三四十”检查为代表的第一波“去杠杆、严监管”的政策正式落地实施。。

图6呈现的是发达地区、次发达地区以及欠发达地区地方政府过度举债行为在三个不同时点对区域金融风险形成的动态影响路径，从图6中可看出，三大地区中区域金融风险在三个时点对地方政府过度举债行为一个单位正向冲击的响应路径是基本相同的，且每个地区的动态响应路径与上文的结论相似，即地方政府举债主要在次发达地区和欠发达地区对区域金融风险产生正向影响。图7呈现的是发达地区、次发达地区以及欠发达房地产泡沫在三个不同时点对区域金融风险形成的动态影响路径，从图7中可看出，次发达地区三个阶段房地产泡沫对区域金融风险的影响出现正负交替的路径走势，影响不存在显著的持续性。发达地区和欠发达地区在全球金融危机期间房地产泡沫对区域金融风险的影响都较大，这可能是因为危机期间金融系统脆弱性更严重，市场悲观情绪蔓延，使得房地产泡沫更易破裂而产生一系列的风险连锁反应从而引发区域金融风险。此外，从图7中还可以看出，2015—2016年房地产泡沫对区域金融风险的影响仍较大，这是因为2015年金融战引发的股灾迫使中央引导资金流向楼市，提倡房地产去库存，房价的快速上涨导致房地产行业信贷膨胀，引发区域金融风险累积，特别是发达地区。但在2017“去杠杆、严监管”的政策落地实施后，发达地区房地产泡沫对区域金融风险形成的影响显著减弱，而欠发达地区没有显著变化，说明欠发达地区“去杠杆”的监管有效性不足，金融监管体系相较于发达地区较落后。

五、结论与政策建议

本文基于信息经济学中委托代理行为的理论基础，构建非对称信息视角下中国区域金融风险影响机制的路径分析框架，并测度出31个省份（不包括港澳台）的区域金融风险指数，进一步采用TVP-SV-VAR模型实证探究我国发达地区、次发达地区以及欠发达地区区域内金融风险影响机制的异质性。研究结论如下：（1）非对称信息结构下金融系统委托代理行为会致使商业银行存在信贷配给现象。（2）商业银行的信贷配给现象促进了地方政府过度举债和房地产泡沫累积，而地方政府的债务风险和房地产的信贷风险传导至商业银行形成大量不良贷款积聚，将引发区域金融风险。（3）发达地区中房地产泡沫是区域金融风险形成的主导因素；次发达地区中地方政府过度举债是区域金融风险形成的主要因素；欠发达地区中地方政府过度举债和房地产泡沫叠加是区域金融风险形成的冲击来源。

根据上述研究结论，本文提出如下政策建议。一是深化协同监管体制建设。构建地方部门间信息共享的协同监管平台，利用“互联网+监管”的数字技术手段，提升融资环境的信息对称化程度。同时，强化地方金融监督管理局的风险防范职能，对區域金融风险的防控实行差异化监管，形成“属性+对策”的金融监管思路［21］。二是严控地方政府新增隐形债务，夯实地方偿债基础。结合各地区资源禀赋、发展需求、财政能力等要素，联合融资的需求端和供给端，形成阻断隐性融资路径的窗口指导。同时，推进地方税体系建设，探索构建融资平台资产证券化的市场盘活模式，夯实地方政府的财力和自我创造力。三是加强房地产信贷资金管控，推进房地产行业融资渠道多元化。严控商业银行信贷资金流向，发挥中央信贷政策的导向作用，引导区域内信贷资源在房地产行业和其他中小企业之间进行合理配置。同时推进房屋信贷证券化，培植房产证券二级市场，形成房地产融资渠道多元化局面。四是构建商业银行的风险治理机制。商业银行内部建立风险预警机制以及风险补偿机制，做到风险事件的事前预防及事后分散，防范金融风险在银行内部出现过度累积，并构建银行风险治理的区域协作机制，通过商业银行间区域信息的沟通和共享，提高区域金融风险的处置能力。

参考文献：

［1］ 李兰冰，刘秉镰. “十四五”时期中国区域经济发展的重大问题展望［J］．管理世界，2020，36（5）：36-51+8.

［2］ 沈丽，张影，张好圆. 我国金融风险的区域差异及分布动态演进［J］．改革，2019（10）：85-97.

［3］ 刘贯春，张军，丰超. 金融体制改革与经济效率提升——来自省级面板数据的经验分析［J］．管理世界，2017（6）：9-22+187.

［4］ 巴曙松，刘孝红，牛播坤. 转型时期中国金融体系中的地方治理与银行改革的互动研究［J］．金融研究，2005（5）：25-37.

［5］ 王擎，刘军，金致雯. 区域性金融风险与区域经济增长的相关性分析［J］．改革，2018（5）：66-75.

［6］  刘尚希，马洪范，刘微，等. 以明晰支出责任为切入点完善财政体制［J］．中国财政，2013（5）：46-47.

［7］ 李一花，张芳洁. 机会成本视野的地方政府举债逻辑及其风险防控研究［J］．中央财经大学学报，2020（11）：3-12.

［8］ 吕勇斌，陈自雅. 区域金融风险部门间传递的空间效应——2005—2012年［J］．财政研究，2014（8）：46-48.

［9］ 刘民权，孙波. 商业地价形成机制、房地产泡沫及其治理［J］．金融研究，2009（10）：22-37.

［10］周世愚. 地方政府债务风险：理论分析与经验事实［J］．管理世界，2021，37（10）：128-138.

［11］ 宋凌峰，叶永刚.中国区域金融风险部门间传递研究［J］．管理世界，2011（9）：172-173.

［12］ 邵新建，巫和懋，江萍. 中国城市房价的“坚硬泡沫”——基于垄断性土地市场的研究［J］．金融研究，2012（12）：67-81.

［13］ 巴蜀松，王璟怡，杜婧. 从微观审慎到宏观审慎：危机下的银行监管启示［J］．国际金融研究，2010（5）：83-89.

［14］ 项后军，巫姣，谢杰.地方债务影响经济波动吗［J］．中国工业经济，2017（1）：43-61.

［15］ 朱英姿，许丹. 官员晋升压力、金融市场化与房价增长［J］．金融研究，2013（1）：65-78.

［16］石贝贝，夏晓雪，姜付秀. 融资约束文献综述：基于中国制度背景的分析［J］．中央财经大学学报，2023（1）：58-68.

［17］ Jurado K，Ludvigson S C，Ng S. Appendix for Update of “Measuring Uncertainty”Data［J］．American Economic Review，2015，105（3）：1177-1216.

［18］ Bernanke B S，Jean B，Piotr E. Measuring the Effects of Monetary Policy：A Factor-Augmented Vector Autoregressive （FAVAR） Approach*［J］．Quarterly Journal of Economics，2005（1）：387-422.

［19］ JM Pavía，Larraz B. Regional Size，Wealth and EU Regional Policy［J］．Investigaciones Regionales，2012，23（23）：127-141.

［20］ Nakajima，J.，M. Kasuya，T. Watanabe. Bayesian Analysis of Time-varying Parameter Vector Autoregressive Model for the Japanese Economy and Monetary Policy［J］．Journal of the Japanese and International Economies，2011（25）：225-245.

［21］ 刘任重，李栋.地方中小银行治理风险问题研究——基于内外部协同治理视角［J］．理论探讨，2023（1）：162-168.

The  Influence Mechanism of Regional Financial Risk in China from the Perspective

of Asymmetric Information

SHI Guifen，CHEN Qian，WANG Jiaying

（School of Economics and Management， Northeast Normal University， Changchun 130117，China）

Abstract： Based on the principal-agent theory， this paper constructs an analysis framework for the impact mechanism of regional financial risk in China from the perspective of asymmetric information， and uses the TVP-SV-VAR model to explore the heterogeneity of the financial risk impact mechanism in different regions. The results show that the entrustment agency behavior of the financial system under asymmetric information leads to credit rationing of commercial banks， and the tilt of funds promotes the expansion of local bonds and the accumulation of real estate bubbles. Once the debt default and bubble burst cause a large number of banks non-performing assets to accumulate， regional financial risks will be triggered. Heterogeneity studies have found that real estate bubble in economically developed regions is the leading factor in the formation of regional financial risks. Excessive borrowing by local governments in economically sub-developed regions is the main impact of regional financial risks. Regional financial risks in economically underdeveloped areas are caused by the combination of excessive borrowing by local governments and real estate bubbles. The China Banking and Insurance Regulatory Commission should rigorously control the flow of credit funds from commercial banks and implement differentiated supervision on factors influencing regional financial risks， such as local debt expansion and real estate bubbles， using an “attribute + strategy” approach. It is suggested to establish a regional cooperation platform for risk governance to enhance the prevention and disposal capabilities of regional financial risks.

Key words：asymmetric information; regional financial risks; local government debt; real estate bubble

（責任编辑：周正）