【《地方隐性债务风险影响系统性金融风险的空间实证研究案例》6500字】

第页共77页地方隐性债务风险影响系统性金融风险的空间实证研究案例目录TOC\o"1-3"\h\u22012地方隐性债务风险影响系统性金融风险的空间实证研究案例 164081.1假设提出 1166081.2空间计量模型概述 2268981.3建立空间权重矩阵 2310401.2.1邻接空间矩阵 2139761.2.2经济距离矩阵 2236401.4核心变量的空间自相关性检验 370281.5指标选取及说明 6122841.6空间回归模型实证结果 651181.6.1相关检验 6321491.6.2杜宾空间模型面板数据回归结果 8206521.6.3分区域异质性研究 101.1假设提出本章在第前一章基于熵权法-TOPSIS测度区域隐性债务风险、系统性风险结果的基础上，研究区域隐性债务风险对系统性金融风险的空间传染效应，依靠建立空间计量模型，对隐性债务风险与系统性金融风险之间的相关关系做更进一步的分析。“任何事物都是与其他事物相关联的”，这是地理学第一定律给出的断论。尤其在各种意义上的距离相近时，关联更加紧密。在理论部分的跨区域传导机制中，我们也分析得到，地理距离较近，或者经济水平较接近而对标为竞争对手的地方政府之间，地方政府出于对发展资源的争夺，通过激进的政策发展地方区域，例如超负荷的拉动地方经济或者就业而政府本身资金有限，就需要进行举债，就易形成地方政府隐性债务，这种竞争，在临近的地方更易发生，也就导致地区之间会相互作用，造成系统性金融风险。而且我国发展又呈现区域化的态势，这就使得地区之间的金融风险会相互作用，使某一地区金融风险扩散进一步影响到另一个区域。由此提出合理假设，各有相近特征的区域之间，大概率在一定的关联性，投射到本文研究的主体上，意味着这一区域的某个风险因素会对区域内其他的风险产生影响，而且对于邻近的，或者其他意义上接近的区域也产生影响。基于此，提出本文的假设：假设一：地方隐性债务风险本身会在邻近区域间传染。假设二：区域隐性债务风险可能对本区域的系统性金融风险存在空间传染效应。假设三：区域隐性债务风险对邻近地区，或经济水平相近区域的系统性金融风险存在传染效应。假设四：隐性债务风险的传染效应具有异质性，在不同背景下会有不相同的表现。1.2空间计量模型概述相比较于其他变量数据，把各地的变量数据放在具有空间距离关系的背景下，即可得到空间计量数据，“空间计量经济学”（spatialeconometrics）也就可以理解为计量经济学中开展空间数据处理研究的分支。Anselin（1998）曾定义“空间计量经济学是基于对空间结构规范描述的基础上，关于模型设定、估计、假设检验以及预测的计量经济学方法，其最大特色在于充分考虑横截面单位之间的空间依赖性。”类比时间序列模型，普通面板模型通常考虑时间变化带来的一系列纵向的、单方向的相关或滞后效应，空间计量模型把横向的，多个方向的空间相关性纳入考量。这些特征符合本文的研究方向和数据特征。简单的仅包涵主要解释变量的模型公式如下：FinRit上式中，FinR表示系统性金融风险水平，作为被解释变量，是上一步中测算得到的指数。DebtR是主要解释变量：政府隐性债务风险指数。因为使用面板数据，所以i和t用来区分时间和地区，用到了31省11年总共341个样本.W代表空间权重，μiλi分别为时间规定效应，空间固定效应。εit是随机误差，δ，ρ，β1.3建立空间权重矩阵1.2.1邻接空间矩阵既然要以空间权重为背景，选择那种类型的空间权重矩阵是第一步。本文构建了基于地理空间特征的省份相邻关系权重矩阵，用于考察考虑空间相关性背景下地方政府隐性债务风险与区域系统性金融风险之间的关联程度，旨在探究隐性债务风险的空间溢出效应，因此选用空间邻接权重矩阵。它能够将每个省市与哪些省市相邻反映在权重中，是地理上的接近关系。其对角线上元素为0，意义某地区与它自己本身的距离，其他矩阵元素为：Wij11.2.2经济距离矩阵经济距离矩阵也常常用做空间权重的研究，通常由GDP距离构成，反映每个地区与其他所有地区间GDP上的差距。因为GDP是一个随时间变化的经济含义，而矩阵数值不随时间变化，因此取我国31个省近10年的GDP平均数作为构建依据，，再列出每个省与其他省的平均GDP差距，形成31*31的矩阵，即得到了经济距离矩阵。Wij上式中Wij表示经济距离矩阵中的一个元素，i，j表示横纵坐标两个地区，Yi和因为本文的研究的债务风险、金融风险和所在地区的经济水平休戚与共，且GDP水平是某一地区经济状况最直接的反应，因此构建使用基于GDP的经济距离矩阵很有必要。1.4核心变量的空间自相关性检验使用空间计量方法时，需要考察检验各数据之间的空间依赖性，也就是与空间权重矩阵的拟合程度。只有核心变量确实与空间权重矩阵拟合，即具有空间自相关性，空间计量方法得出的结果才有意义。考察变量是否存在“空间自相关”（spatialautocorrelation），主流的方法有“莫兰指数I”（Moran’sI）法和“吉尔里指数C”（Geary’sI）法。本文选用莫兰指数验证核心变量的空间自相关性。公式为：I=S2公式中wij表示的是空间权重矩阵中的元素，S2为样本方差，检验结果显示，区域性金融风险和地方政府债务风险指标的全局Moran'sI无论在邻接空间矩阵还是经济距离矩阵和11个年份中，都基本通过检验，呈现正自相关性特征，因此适合采用空间模型进一步探究传染效应。而且从地方政府隐性债务风险的邻接空间矩阵中的莫兰指数可以看出，数值基本呈逐年上升的趋势，表明2009-2019年隐性债务风险的空间自相关性逐渐增强，与前文测度环节绘制的风险地图分布结果一致，即空间集聚效应升高。表5-1.基于邻接空间矩阵的全局莫兰指数年份地方政府隐性债务风险系统性金融风险moran'sIZ统计量P值moran'sIZ统计量P值20090.2192.1730.0150.2952.7750.00320100.2772.6660.0040.3353.8200.00020110.2572.4820.0070.0670.8990.18420120.2162.1370.0160.1361.5140.06520130.2332.3090.0100.2973.1020.00120140.2572.5370.0060.2642.5770.00520150.2122.1390.0160.0510.7620.22320160.2872.7850.0030.1921.9350.02620170.2332.2980.0110.2912.7650.00320180.3513.2930.0000.3062.8730.00220190.3383.1890.0010.3953.6560.000表5-2.基于经济距离矩阵的全局莫兰指数年份地方政府隐性债务风险系统性金融风险moran'sIZ统计量P值moran'sIZ统计量P值20090.2943.9270.0000.3583.3280.00020100.2383.2440.0010.3924.2780.00020110.1982.7750.0030.0941.1120.13320120.1742.4800.0070.1761.8220.03420130.2213.0690.0010.2492.5300.00620140.1992.8350.0020.2992.8860.00220150.2323.2360.0010.1051.2370.10820160.3054.1070.0000.2002.0040.02320170.2593.5370.0000.3042.9070.00220180.2343.2060.0010.3102.9110.00220190.2153.0110.0010.4394.0340.000除了全局莫兰指数，还有局部莫兰指数用于计算某一时间截面所有研究对象的局部莫兰指数，以及配套生成的LISA散点图。图5-22009年局部莫兰指数LISA散点图图5-22009年局部莫兰指数LISA散点图LISA散点图显示的是局部空间自相关性。图中分布在一象限、三象限的省份散点分别代表隐性债务风险的“高-高聚集”与“低-低聚集”。截取2009年的截面与2019年的截面数据，绘制LISA散点图，可以看到2009年的散点分布比较分散，个别散点落在2、4象限离原点较远位置，到了2019年，大部分的省份散点都汇集到了第一象限，即“高-高聚集”更为显著，体现出高风险地区的集聚效应在时间发展过程中愈发突出。在经济距离矩阵下，隐性债务的风险高高聚集效应尤其明显，说明相似的经济状况与债务风险水平有着显著的关联，而且随着时间的变化，每个省份的所在象限也没有发生明显变化，分布规律更加稳定。1.5指标选取及说明被解释变量为系统性金融风险指数(FinR)，核心解释变量为地方政府债务风险指数(debtR)，前面已经分别解释了地方隐性政府债务风险水平和系统性金融风险水平，本节主要简单说明控制变量的选取。参考陈守东（2020）使用的，从金融环境、实体经济、经济参与主体角度构建的控制变量，经过精简，删除可能与前文测度指标形成共线性的指标后，确定以下控制变量。表5-3控制变量选取1.6空间回归模型实证结果1.6.1相关检验6.1.1.1LM检验目的在于测试面板数据是否具有空间误差效应与空间滞后效应，如果存在，那就证明变量并不适用于普通面板数据分析使用的混合OLS模型。表5-4LM检验结果邻接空间矩阵经济距离矩阵TestStatisticdfp-valueStatisticdfp-valueSpatialerror:Moran'sI9.695104.99610Lagrangemultiplier81.6531020.08810RobustLagrangemultiplier10.10710.0012.93810.086Spatiallag:Lagrangemultiplier76.5021017.78610RobustLagrangemultiplier4.95610.0260.63610.425经LM检验，得出本次实证所使用的面板数据同时存在着显著的空间误差效应与空间滞后效应，因此并不适合使用OLS模型，而应该选择将将两种空间自相关因素包含在内的空间面板模型。6.1.1.2Hausman检验空间面板模型可以分为固定效应空间面板模型和随机效应空间面板模型两种类型，Hausman检验用来测试二者的适用程度。结果显示：空间邻接矩阵：Prob>=chi2=0.0219

经济距离矩阵：Prob>=chi2=0.0029结果显著拒绝了随机效应模型，因而确定固定效应模型。6.1.1.3模型稳健性检验空间杜宾模型(SDM)同时包含有空间滞后模型(SAR)和空间误差模型(SEM)，在未经检验的情况下无法发现面板数据是否真正需要使用同时考虑了空间滞后效应和空间误差效应的SDM模型，为了确保选用的模型能够准确刻画结果，避免数据退化为SAR模型或者SEM模型的可能，需要利用LR检验，将三种模型一同回归比较，证明选择SDM模型的稳健性。邻接空间矩阵LR检验：Likelihood-ratiotestLRchi2(1)=28.44

(Assumption:sar_anestedinsdm_a)Prob>chi2=0.0000Likelihood-ratiotestLRchi2(1)=27.66

(Assumption:sem_anestedinsdm_a)Prob>chi2=0.000经济距离矩阵LR检验：Likelihood-ratiotestLRchi2(1)=51.63

(Assumption:sar_anestedinsdm_a)Prob>chi2=0.0000Likelihood-ratiotestLRchi2(1)=54.23

(Assumption:sem_anestedinsdm_a)Prob>chi2=0.0000

因此SDM与SAR、SEM模型的对比中，以低于1%显著水平下，拒绝了模型退化为SAR、SEM模型的原假设，SDM模型优于其余两种模型，证明SDM空间杜宾模型适用。1.6.2杜宾空间模型面板数据回归结果在时间固定效应、个体固定效应，混合固定效应三种回归模型中，邻接矩阵的混合固定效应表现最优，选用混合固定效应杜宾空间面板模型，经济距离矩阵的时间固定效应表现最优，选用时间固定效应杜宾空间面板模型，得出最终结果（表5-5）。邻接矩阵下得出，隐性债务风险的直接效应以0.307，高显著性水平下对该区域的系统性金融风险有正向的传染作用，证明了假设二。而间接效应，即一区域对对接壤的邻近省的传染效应并没有在本次实证中明显体现。总效应在5%水平下也显著为正，经济距离矩阵中，直接效应、间接效应、总效应都以1%的置信水平显著为正，证明了假设二、假设三成立。其经济意义可以解释为，一地区的隐性债务风险水平不但会传染到所在地区的系统性金融风险中，造成金融风险的恶化，还会同向影响经济水平（具体指GDP水平）相接近地区的区域，相似性越高，传染性越强。表5-1.空间杜宾模型回归结果空间邻接矩阵（混合固定效应）经济距离矩阵（时间固定效应）VARIABLESLR_DirectLR_IndirectLR_TotalLR_DirectLR_IndirectLR_TotalDebtR0.307***-0.030.277*0.293***0.741***1.034***(0.000)(0.889)(0.256)(0.000)(0.001)(0.000)Open0.001***-0.0000.0010.0000.001***0.001***(0.000)(0.951)(0.130)(0.258)(0.002)(0.001)FinD0.012-0.020-0.0080.010**-0.0080.003(0.113)(0.332)(0.752)(0.047)(0.631)(0.826)FinW0.407*1.621**2.027**0.0640.762**0.826***(0.098)(0.026)(0.010)(0.228)(0.012)(0.006)InGDP-0.288***-0.210-0.4980.176***0.3580.534**(0.002)(0.438)(0.126)(0.001)(0.120)(0.021)FixGDP-0.119***-0.151***-0.269***-0.096***-0.254***-0.350***(0.000)(0.006)(0.000)(0.000)(0.000)0.000Urban0.0030.0050.008-0.000-0.002-0.003(0.106)(0.408)(0.179)(0.770)(0.127)(0.130)rhosigma2_eObservations341341341341341341R-squared0.2850.2850.2850.4150.4150.415Numberofid313131313131pvalinparentheses***p<0.01,**p<0.05,*p<0.1分析控制变量的回归结果，可以看到金融开放程度，无论是地理距离还是经济距离，都能够明显地抑制系统性金融风险的恶化，说明开发外向型经济、提供区域进出口额的GDO占比，有利于缓冲系统性金融风险。与其相似的还有固定投资占比。固定投资占比高的地区意味着地区吸引投资魅力大，而且发生“金融脱媒”的可能性降低，是金融系统健康的象征。第二产业与固定投资相类似，且第二产业一般来说创收稳定，反映在本次实证中，有利于缓解地区金融风险压力。1.6.3分区域异质性研究在上一环节中，我们对全国31个省的面板数据统一在两种权重矩阵下，使用杜宾空间回归模型计算得到以上结果。主要解释变量虽然在模型中体现了一定的显著性，但无论直接、间接还是总效应，显示的系数均偏小，且在空间权重矩阵中，间接效应的作用系数小且不显著，并不能强有力的证明隐性债务风险的空间传染效应。我国国土幅员辽阔，地区之间在各个维度上均差异显著，而且我们也可以通过隐性债务风险测算的章节绘制的风险水平地图直观的看到，风险集中分布在中部地区有向西部扩散的趋势，东部沿海地区则普遍相对安全。因此，合理推断区域异质性能够导致隐性债务风险对系统性风险传染效应出现分化，有必要分别探究。 首先将全国31个省、直辖市、自治区依照国家发改委的定义与解释，分成东部、中部、西部三个区域，这一划分并不单单是地理上的划分，其依据更多是政策上的，总的来说，经济欠发达的西部9省定义为西部地区，东部地区得益于沿海且较早享受到开放政策，经济的到了优先发展，中部地区则位于他们之间。总之，这一划分与他们的经济基础密切相关。使用上一环节相同的方法，我们使用空间邻接矩阵和经济距离矩阵在杜宾空间回归模型中探究各区域隐性债务风险对系统性金融风险的传染效应。整合回归结果如下（仅保留主要解释变量）：表5-6.分区域空间杜宾模型回归结果空间邻接矩阵（混合固定效应）经济距离矩阵（时间固定效应）区域直接效应间接效应总效应直接效应间接效应总效应东部-0.222**-0.460**-0.682**-0.318***-0.423-0.741**(0.032)(0.038)(0.016)(0.005)(0.146)(0.033)中部1.082***1.094***2.177***0.449***0.631*1.081***0.000(0.000)0.000(0.001)(0.060)(0.000)西部0.512***1.026***1.538***0.397***1.517***1.914***(0.000)(0.001)(0.000)(0.005)0.0000.000pvalinparentheses***p<0.01,**p<0.05,*p<0.1正如假设所料，三个地区的空间回归结果呈现出明显的异质性。其中最值得注意的是东部地区不论是经济距离矩阵还是邻接矩阵背景下，不论直接效应还是间接效应，其回归系数全部在-0.2到-0.7之间，而且除了经济距离矩阵下的间接效应，其他结果均在1%或者5%置信水平以上表现显著，这与全国的结果以及中部、西部地区的结果截然相反。也就是说，对东部地区来说，政府隐性债务风险的升高，最终导致了本地区系统性金融风险一定程度的降低，而且，对于邻近的省市，这种对系统性金融风险的抑制作用也会传染。接下来本文将讨论出现这种结果的原因。首先，东部地区按照定义，是东部沿海经济较早得到开放和发展的地区，其天然相较于其他地区具有多重经济优势，且市场发展也更加成熟，产业结构趋于合理。这样坚实的经济基础是的东部地区的财政有着比较强大的造血功能，能够保证比较稳定的财政收支。我们前文测算地区隐性债务风险所考察的维度主要包括承债、弹性、偿债三个维度，东部地区的经济弹性以及偿债能力基本都能够得到保障，