我国省域金融风险动态预警研究

奥鹏网院作业

我国省域金融风险动态预警研究*
——基于浙江省月度样本数据的分析
张安军
[提 要] 我国区域经济发展程度极不平衡使得部分重点省域对国家总体金融安全影响程度显著而突出，关注我国省域金融系统风险并进行提前预警与监管防范对于省域与国家金融安全尤为重要。本文立足金融市场深入扩大对外开放趋势背景下，构建了我国省域金融风险先行预警指标体系和金融风险压力指数，并以浙江省2004年1月—2016年12月样本数据为对象，通过TAR门限自回归模型和Ologit概率模型对省域金融系统风险状况进行了实证预警分析，研究发现：(1)省域先行预警指标统计检验发现，通货膨胀率与出口增长率对省域金融风险水平呈现显著负相关效应，而新增信贷额/工业增加值、固定资产投资增长率、消费增长率与进出口增长率对省域金融风险水平呈现显著正相关效应；(2)动态概率预警模型检验发现，省域上一月份的金融风险压力值对下一月份的金融风险压力值呈现显著负向影响效应，并使下一月份的金融压力风险起到一定程度的“熨平”作用效应；(3)通过统计检验比较发现，动态Ologit概率预警模型无论是从模型整体显著性与拟合优度，还是预测的准确度都明显优于静态概率预警模型；(4)通过近12个月的样本外数据对模型预警的稳健性检验发现，Ologit概率预警模型金融风险预测准确程度在严格区制上为25%，但大类区制预警准确度为50%，相对优于国内外同类型的模型预警效果。
[关键词] Ologit概率模型；省域金融风险；模型预警；先行指标
一、引言
如何防范国家系统性金融风险，是后金融危机时代欧美主要国家金融监管改革的重要内容，同时也是我国政府近年来多次经济与金融工作会议所强调的重要内容。十九大报告提出防范重大风险是到2020年决战全面建成小康社会三大攻坚战的首要任务，而防范重大风险的重点是防范金融风险。从我国地域视角，国家金融系统是由全国31个省域金融系统所构成，省域金融系统运行态势会对国家整体金融安全造成影响，尤其是改革开放40多年以来，我国区域经济发展呈现出极大不平衡性，广东、江苏、山东、浙江、福建、北京、上海等省份经济与金融运行态势对国家整体金融安全的影响程度尤为突出(顾海兵和张安军，2012)。统计数据显示，2016年全国前七大省份的GDP(41.17万亿元)占全国近50%，对外进出口总额(29 084.7亿美元)占全国的78.9%，净出口额(6 602亿美元)贡献了全国总净出口的1.3倍，净外资流入(751.2亿美元)占全国净外资流入的78.4%，2016年全国前七大省份金融机构总资产(107.28万亿元)占全国的52.7%。因此关注我国重点省域金融系统风险运行态势将使我国总体金融风险更加具体化、聚焦化，也更有利于查找金融风险的区域源头，更好地维护国家总体金融安全。
西方学者早在1929—1933年大萧条之后，就对金融风险或危机产生的机理等相关问题进行了探讨(Fisher，1933；Keynes，1936； Bernanke & Gertle，1989；Minsky,1992；Mishkin，1996；Stiglitz & Weiss，1981；Kindleberger，1978)。20世纪70年代石油危机到90年代东南亚金融危机的频发，引起了国外学者的高度关注，学者们从各个角度探讨金融危机产生的根源及如何应对金融危机并进行监测预警分析。1994年墨西哥金融危机后，国际货币基金组织专家Goldstein(1995)曾提出过7项国家金融危机预警指标。 斯坦福大学刘遵义教授(1995)在南非召开的联合国世界经济预测项目秋季年会上做了题为《下一个墨西哥在东南亚吗？》的报告，通过使用历史实证比较的数量分析方法，以墨西哥为参照国来分析东南亚国家发生金融危机的可能性，并准确预测了东南亚金融危机的爆发。他在预测中使用了10项预警指标。Frankel & Rose(1996)利用1971—1992年发生在105个发展中国家的金融危机为分析对象，并通过季度数据建立了FR概率模型以度量金融危机发生的可能性，认为当经济增长率越低，国内信贷增长率越高，国外市场利率越高，外商直接投资/外债越低，实际汇率被高估时，发生危机的可能性越大。Sachs et al.(1996)以月度数据作为样本数据，建立了STV横截面回归分析模型，最终得出结果认为实际汇率、贷款增长率、国际储备/货币供给等与一国是否发生金融危机密切相关。同时他们还根据实际汇率贬值程度、国内私人信贷增长率和国际储备/M2的取值确定了两个虚拟变量。研究认为实际汇率贬值越高、国内私人贷款增长率越高、国际储备/M2越小，金融危机越有可能发生。Kaminsky et al.(1997)通过对比20世纪50年代到90年代中期发生于发达国家和发展中国家的25份研究成果，得到了15项与危机发生关联度较大的预警指标，并选择了15个发展中国家与5个工业化发达国家1970—1995年的月度数据建立了KLR信号分析模型对货币危机进行了预测。与此同时，Kaminsky & Reinhart(1999)又将上述15项预警指标拓展到了21项，将银行危机纳入到预警范围。Berg & Pattillo(1999)针对新兴市场国家在KLR模型基础上改进后提出了DCSD模型。该模型采用真实汇率水平、货币账户、外汇储备损失、出口增长、短期债务/外汇储备5项预警指标。Nag & Mirtra(1999)使用人工神经网络建立了货币危机预警系统，突破了传统模型的线性范式，其优势在于灵活的规则与捕捉变量间复杂关系的能力。Kumara et al.(2003)提出了基于滞后宏观经济和金融数据的Simple Logit模型，构建了投机冲击的预测模型。Bussiere & Fratzscher(2006)提出了一种多项Logit选择回归预警模型，并区分了平静期、危机爆发期与后危机时期3个时期。Oet et al.(2013)在现有宏观和微观审慎预警系统基础上，考虑了金融系统的结构特征和反馈放大机制并提出了混合预警模型。Sevim et al.(2014)使用了土耳其1992年1月—2011年12月的经济数据，并通过ANN、决策树和Logistic回归模型构建了货币危机预警系统模型。与此同时，一些实务界的投资机构在实践过程中也选用了一些经济指标来预测国家或国际区域的金融危机，如高盛证券、美林证券、摩根士丹利、德意志银行、瑞士联合银行、汇丰控股、渣打银行等内部亦分别选取了相关风险指标来预警欧美发达国家或新兴市场国家金融危机爆发的可能性。
1998年东南亚金融危机的爆发，包括中国香港与中国台湾在内的新兴经济体受到了强烈冲击，引起了国内学者的广泛关注，对如何监测预警国家或区域金融风险进行了思考探讨，相关研究主要分为3类：其一是从影响国家或区域金融危机的不同视角选取相应预警指标尝试构建国家或国内区域金融风险或危机预警指标体系，通过综合评价方法进行定量预警分析(郑振龙，1998；周新辉，1999；刘志强，1999；仲彬等，2002)。其二是借鉴国外预警模型对中国金融风险状况进行样本内外预警实证分析(张元萍和孙刚，2003；石柱鲜和牟晓云，2005；陈守东等，2009；王春丽和胡玲，2014；陶玲和朱迎，2016)。其三是尝试构建新的预警模型方法对中国金融风险进行实证预警分析。林伯强(2002)提出了一个可用于预警一国外债风险的动态模型，即多元累计模型，模型的用户(债权人和债务国)能很早地预测到可能导致债务国重订债务期限的金融危机，并通过实证得出该模型具有提前3年探测到债务国潜在还债困难的能力。宫晓琳(2012) 利用未定权益法对中国宏观金融风险进行了分析。林宇等(2016)构建了ODR-ADASYN-SVM模型并以我国沪深300指数2002年4月8日—2012年12月31日为研究样本对中国极端金融风险程度进行了预测，并从模型预测精度与预测稳定性方面测试发现该模型要优于SMOTE-SVMA模型和ADASYN-SVM模型。
综上研究发现：(1)国外学者虽然对金融风险等问题研究较早，但现有研究文献主要集中于主权国家(如美国、墨西哥、日本、泰国、俄罗斯等)或国际性区域(如东南亚、拉美地区、欧盟区等)，而对国家内部区域金融风险问题关注较少。(2)国内部分学者对广东、江苏、上海、浙江等部分省域金融风险问题进行了定量探讨，但预警视角主要集中在省域或区域传统内源性金融风险领域，而对当前我国正深入推进金融市场扩大对外开放战略和人民币国际化战略下省域金融系统面临的来自外源性金融风险的冲击，有关预警实证研究则存在不足。(3)经典的Logit模型或Probit概率模型等的因变量都只是二元选择变量1(发生危机)或0(不发生危机)，而对于自变量预警指标包含信息的连续变化所带来的金融风险的连续性变化，则无法体现出来。由于改革开放以来中国还没有出现如西方国家所遭受的真正金融危机爆发，而更多表现为金融风险压力程度持续变化的潜在危机威胁。为了能够更加准确地捕捉金融风险压力程度信号，需要在原来二元风险选择的基础上改进成多阶段风险压力信号选择模型。而传统KLR信号分析法是基于单个预警指标突破阀域值发出或不发出风险信号的数量来判断危机发生概率，但无法捕捉金融风险持续性变化可能不是由于单个或几个并列的预警指标的信息变化，而是各预警指标风险信息之间线性或非线性共同作用的结果。
当前，我国正深入扩大金融市场对外开放，包括进一步放宽外资对证券、基金、保险公司持股比例限制，取消外资对中资银行和金融资产管理公司持股比例限制等，以“一带一路”为契机走出国门，深度融入国际市场、加快建设上海国际金融中心以及区域性金融中心，各省份加快转变经济发展方式，促进产业结构转型升级。这既是关键历史机遇期，亦是我国面临各种内外金融风险冲击威胁的凸显警惕期。如何监测预警与防范我国系统性、区域性金融风险在当前及今后一段时期尤为重要。本文以我国典型外向型经济大省——浙江省为研究对象，针对上述研究不足，采用Ologit排序概率选择模型并利用月度高频样本数据进行实证预警分析，以更加及时灵敏地捕捉省域金融系统的风险变化态势，同时克服以往学者多以年度数据或部分学者采用季度数据进行实证分析的信息滞后不足问题。
二、我国省域金融风险先行预警指标体系构建
构建省域金融风险先行预警指标体系并对预警指标的显著有效性进行检验是对省域金融风险程度进行准确预警的前期基础。如何对省域金融风险进行监测度量？如何选择构建省域金融风险先行预警指标体系？首先，监测旨在对待评估对象做出较为完整的综合性观测、分析与评价，是对整个对象系统的同步性观测与评价过程；预警则注重对待评估对象运行中的关键指标的观测和评估，从而预报和提供对象系统升“峰”落“谷”的重要信息，具有对待评估对象未来可能运行的状态转变进行时点估计与预测之意，在时效上具有超前性。省域金融风险先行预警指标的选择正是对可能影响省域金融风险各主要方面的先行预警关键指标进行经济理论分析与定量检验识别的过程。从时点特征来分析，省域金融风险主要集中表现在省域银行类金融机构风险(包括正规和非正规银行类机构)。这主要由银行类机构在整个经济体系中的重要作用，以及银行类机构的规模总量占据金融业的绝对主导地位所决定(如2016年银行业占金融业总资产的81%，净资产、从业人数和营业网点数等亦然)。从时期特征分析，考查省域金融风险则需从影响省域银行类机构风险的主要方面来进行综合度量评估，包括影响金融的实体经济运行风险、正规和非正规金融机构运营风险、金融市场运行风险、财政债务风险等方面。(1) 主要基于对我国各省份金融体系及金融风险影响因素相似性的内容分析。当前我国31个省份的金融体系构成主要包括各类金融机构和各类金融交易产品、金融市场基础设施、金融监管机构，以及维护促进金融市场要素运行的相关金融法律法规等。其中各类金融机构主要包括省域传统银行类金融机构和非传统影子银行类金融机构，各证券、基金、信托租赁、财务类公司、保险公司、资产评估公司、信用评级公司和会计事务所等中介服务机构等。金融市场基础设施包括为各种金融工具产品提供交易的有形场所和通过现代互联网移动通信技术终端等进行交易的各类软硬件基础实施。省域金融监管机构包括“一办一行三局”的金融监管体系，其中一办主要是指省金融办，即各省地方金融监督管理局，一行指中国人民银行派驻各省份的分行或中心支行，三局指中国证监会和中国银保监会派驻各省域的证监局、银监局和保监局。其中“一办一行三局”在各省域地级市、县或县级市又分别有相应的下级派出机构，形成了省域自上而下的垂直金融监管体系。省域金融风险的影响因素包括两层含义。第一层含义是该因素是否会影响省域金融风险？第二层含义是该因素对省域金融风险的影响程度有多大？对于第一层含义，首先要考察省域金融风险的含义和关键风险所在。这在正文中已进行了论述。其次是构建我国各省域金融风险相似性影响因素的风险指标体系，包括影响省域金融的宏观实体经济运行风险、省域正规与非正规金融类机构所面临的外资类金融机构冲击威胁风险和自身微观审慎风险管理能力、省域金融市场运行风险、省域地方政府债务风险等，从这些风险领域来进行度量。这主要是基于省域银行类金融机构的资金信贷对象背后的风险影响因素并综合国内外学者的共性判断而得出。对于第二层含义，即各类风险因素对省域金融风险的影响程度，则主要通过科学合理设置相应的风险影响权重来体现，而权重大小的设置则需要通过科学的方法并汇集领域内专家学者共同的智慧判断而得出。而且该权重并非一直不变，随着我国省域经济对外开放程度的提升和经济发展阶段的升级，需要进行动态调整。由于金融危机的爆发具有传播速度快、传染面广和破坏性强等特点，本文以月度为考查单位，通过以下方法构建我国省域金融风险先行预警指标体系。第一，选择我国省域金融风险预警的初选指标。根据国内外学者在研究国家区域金融风险过程中所采用的常用预警指标并建立了国家区域金融风险预警指标池，以作为原始初选指标。第二，对初选指标做进一步筛选。此处综合运用文献调查法与专家调查法。文献调查法是通过对国内外主要专家学者在衡量国家区域金融风险、区域金融危机、区域金融安全或区域金融稳定过程中所公开发表的论文、著作或研究报告中使用的预警指标的频数多少，并进行从多到少排名。一般单个预警指标出现的频数越多表明该指标被专家学者认可的程度越高，从而越显得重要。专家调查法是通过设计调查问卷并对省域或区域金融风险常用预警指标，通过对校内外该领域若干专家学者进行现场或信函统计调查(笔者选取了本工作单位12位相关领域教授专家，通过电子邮件或现场填写问卷的方式进行了调查和统计分析)，并按指标频数从高到低排名。综合以上两种调查结果进行综合加权排名，从而得到金融市场深入开放环境下省域金融风险初始预警指标体系(见表1)。该预警指标体系主要基于影响省域银行类机构风险的内源风险与外源风险的视角。内源指银行类机构自身的经营状况，比如通过CAMELS骆驼评级体系可以进行同步监测评估；而外源是对影响银行类机构风险的外部各主要领域先行影响因素的考察，包括如下几个重点领域：一是地区宏观实体经济运行状况，包括拉动地区经济增长的对外出口贸易与利用外资、对内投资驱动与地区市场消费需求拉动，并分别调查选择了反映相应领域的先行预警指标。二是金融市场运行风险。包括：(1)地区本土银行类机构之间相互竞争风险，由市场优胜劣汰机制决定。(2)外资类银行机构冲击威胁风险，数据显示目前外资类金融机构资产规模总量占我国省域银行类机构总资产比重还很低，目前更多是刺激本土商业银行提升国际化竞争力。(3)资本市场运行行情风险，包括地区实体上市公司和银行类机构自身上市后受资本市场行情风险的影响。(4)地区房地产市场行情风险，主要源于地区银行类机构的固定资产投资贷款中相当部分比重贷给了地区房地产类企业，而房地产企业属于高负债经营，资金多依赖当地银行类机构信贷支持，而房价是影响房地产企业乃至银行不良贷款的重要先行因素。以上分别调查选择了相应的先行预警指标来表征反映。三是地区政府财政运行风险。由于地区银行类机构的贷款资产中相当一部分贷给了地方政府，而地方政府以其财政收入为担保进行举债，包括以各种融资平台形式从地方银行类机构借款，还包括以政府名义担保的第二类政府债务和第三类政府债务(政府负有救助义务的债务)。地方政府债务的偿还能力取决于地方财政收入与支出增长状况，具有提前反映政府财政债务状况进而影响银行类机构风险的重要先行因素。该预警指标体系结合了专家统计法与专家调查法的优势，从我国省域经济与金融体系之间直接或间接的内在作用传导机制出发并考虑了主要预警指标的先行性特征。
表1 我国省域金融风险先行预警指标体系

说明：以上预警指标均剔除了价格通胀因素的影响。同时本文通过X12季节调整法对存在明显季节因素影响的时间序列数据进行了季节因素调整，以真实反映该观测指标的实际变化趋势。本文没有考虑同比增长率主要是因为同比增长的时间跨度相对较长(12个月的时间跨度)，不能及时反映预警指标观测数值波动的风险。由于样本经过了剔除通胀因素处理和季节性调整，所以环比增长率更具有参考价值。对于房地产价格指数，因为目前我国省域层面没有专门的房地产价格指数，本文借鉴国内学者的做法通过商品房销售金额/商品房销售面积=单位商品房面积销售价格来体现。因为全国和包括浙江省在内的1月份商品房销售金额与销售面积数据普遍存在缺失，在此本文根据后11个月数据通过建立时间序列多元回归模型，考虑到多数年份的12月数据存在明显翘尾现象，为消除异常值影响，本文通过后10个月数据对1月份缺失数据进行补齐。以上预警指数原始观测数据主要来源于2004—2017年的《浙江省统计年鉴》、1996—2017年的《中国统计年鉴》、2004—2016年的《中国区域金融运行报告》、2004—2016年的《浙江省法人银行机构公司年报》、国家审计署对全国各省份政府存量债务数据调查统计数据、Wind数据库中国宏观经济数据库。
三、我国省域金融风险综合压力指数构建
统计数据显示，银行业是我国金融系统的绝对主体，2016年银行业资产占我国金融业总资产的81%，而且银行业总资产所占比重还有缓慢上升态势。在我国31个省域内部，银行业资产也占省域金融业总资产的绝对主体地位。省域金融系统风险虽然呈现不同表现形式，如宏观经济风险、政府债务风险、互联网金融风险、资产价格泡沫风险等，但从其内在经济联系与风险重点看，主要集中在省域银行类金融机构风险(包括正规和非正规银行类金融机构)。省域银行类金融机构即是全省资金融通集中地，也是全省金融风险的主要集聚地和全省金融系统脆弱性的重要来源。同时一国金融危机的爆发主要表现为货币危机与银行危机，由于我国外汇管理局履行统一管理外币结售汇和外汇资产运营管理等职责，因此我国省域层面难有单独的货币危机发生，而主要表现为区域性银行危机的爆发，并可能传染到周边地区，危及国家总体金融安全。借鉴国内已有研究成果，本文首先构建省域银行类金融机构风险压力指数模型来测度省域银行类金融机构风险的即时风险信号。银行类金融机构危机主要表现形式为银行类机构发生恐慌性挤兑而面临流动性衰竭、信贷投放过度而面临大量不良贷款的上升、实际利率上升导致银行类机构成本上升进而利差收窄、盈利能力下降等(2)实际利率上升会导致银行机构存款和贷款利率都上升，但是居民储蓄存款多以短期为主，而贷款期限多以中长期为主并用合同形式固定下来，因此总体上短期内存款利率比贷款利率上升更快，银行的存款利息支出比贷款利息收入上升得更多，银行经营风险上升。相反，实际利率下降会导致银行机构存款和贷款利率都下降，但短期内存款利率会比贷款利率总体下降得更快，银行经营风险下降。两种情况在中长期范围内，旧的贷款利率会被已经变化了的新的利率所取代，无论实际利率上升或下降，对银行的存贷款利差的影响不大。，并最终发生银行类机构被兼并收购、被政府接管、宣布破产等危机发生。(3)在我国，主要商业银行都具有国有控股或地方政府产权背景，在全国或地区范围内甚至具有垄断经营地位，而且中国普通老百姓因面临医疗、教育、就业、养老保障等一系列不确定性，在可预期的时间范围内普通民众理财依然以储蓄存款为主。在我国未来一段时期内难以见到类似于西方市场化程度高的国家出现的银行类金融危机事件，但随着我国市场开放程度的提升，预警、防范、化解银行类金融机构金融风险对促进地方和全国的经济发展具有重要的意义。因此，在借鉴国内学者研究成果的基础上(陈守东等，2009；王维国和王际皓，2016)，本文拟从存贷款比例变化(the ratio of loan to deposit，用ΔRld来衡量信贷过度和流动性不足的风险)、实际利率变化(real interest rate,用ΔRir来衡量利率上升导致银行类机构盈利能力下降风险)和货币供应量投放过度(money supply,用ΔM2/GDP来衡量全国货币供给失衡风险或我国地方信贷投放过度的泡沫化风险)三大方面来构建我国省域银行危机压力指数(provincal banking crisis index，简称PBCI指数)。由于在我国省域层面没有发行货币的权力(制定货币政策和发行货币的权力集中在中国人民银行)，而且目前包括浙江省域范围只统计到GDP季度数据而没有月度统计数据，考虑到央行货币投放主要通过商业银行贷款来实现，考虑到数据的可得性与指标的解释能力，本文拟构建的省域银行类金融机构风险压力指数(PBCI指数)由存贷款比例变化ΔRld、实际利率变化ΔRir和省域银行机构贷款总额变化ΔCreditL共3部分组成，具体公式如下：
PBCIt=
+ωRir(Rirt-Rirt-1)

(1)
式(1)表明，压力指数越大，表明潜在的金融风险就越大。其中权数ωRld,ωRir和ωCreditL是每个变量的相对精度，相对精度通过每个变量的标准差的倒数来确定，权数的选择使得这三部分的条件方差相等，具体计算公式如下(4) 压力指数构建主要基于正规银行类金融机构数据而没有纳入影子银行。影子银行是金融机构创新、逐利与规避正规监管等交错共生的产物，由于国内的金融体制和金融环境，影子银行主要依附于正规银行类机构。由于影子银行的表现形式与创新链条的延伸程度都具有一定的复杂性与隐蔽性，正规监管机构难以对影子银行进行准确有效的数据统计。穆迪投资公司测算中国广义口径的影子规模(包括银行非传统信贷业务+非银行金融机构资产管理业务+其他融资类业务)在2016年约为96万亿元。央行《中国金融稳定报告》公布2016年中国银行业资产规模为232.25万亿元，影子银行占中国银行业资产规模比重为41%，如果扣除2016年纳入正规监管的证券与保险业资产管理业务，影子银行占正规银行业资产规模比重为11%。同时从省域金融风险压力指数的指标构成分析，主要是存贷款比率受影子银行影响较大，即正规银行机构中实际具有存款或放贷性质的业务但未纳入表内监管的那部分资金，包括银行机构中非传统信贷业务等，但目前这部分数据也难以有效监管统计，根据已有估计数据分析，这部分资金的规模相对较小。本文认为正规银行非传统业务中具有存款与贷款性质的资金的存贷款比率和表内业务的该比率相近，因此本文所构建的省域金融风险压力指数在一定程度上能近似反映省域金融风险压力程度。：

(2)
需要说明的是,省域金融风险综合压力指数是直接反映省域金融风险程度的即时压力风险程度信号，是省域金融风险压力程度的直接反映，而前文金融风险预警指标则是能够对省域金融风险即时压力风险程度具有提前预警功能的其他影响因素。预警因素是前因，而即时风险压力指数是直接结果的反映。本文拟通过历史数据构建从可能原因到结果之间的线性或非线性关系预警模型，以对省域金融风险压力结果进行提前定量预测。
根据式(1)、式(2)，通过浙江省域相应风险指标月度观测数据，并考虑到所有指标均表现出季节性变化倾向，本文为此对各风险压力指标进行剔除价格通胀因素，其中实际利率=名义利率-通货膨胀率，同时进行了X12季节性因素调整，最终得到2004年1月到2016年12月期间浙江省域金融系统风险的压力指数，如图1所示。

图1 浙江省域金融系统风险压力指数变化趋势(2004年1月—2016年12月)
从图1可以看出，2004年1月—2016年12月期间浙江省域银行类金融机构的风险压力指数围绕0轴线呈现月度频繁波动态势，表明省域金融风险压力指数的月度变化不稳定。其中特别值得注意的是，2012年1月—2012年4月期间压力指数有一次急剧上升与下降的过程，其中2012年2月表现出急剧上升，而3月表现为急剧下降，4月份又表现为上升、回调，表明该期间省域金融系统有过一次较大的风险波动。通过分析发现，这次波动的原因，主要受银行机构流动性风险短期冲击和季节性因素调整所致。
以下是对浙江省域金融风险压力指数(PBCI)的基本统计特征描述(见表2)，从中可以得知该时间序列图形分布不服从正态分布而存在尖峰形态，序列相关性不显著而且在水平值上是平稳的时间序列。
表2 浙江省域金融风险压力指数(PBCI)基本统计特征(2004年1月—2016年12月)

说明：JB为检验样本是否服从正态分布的统计量；Q(10)是检验时间序列是否存在序列相关性的Ljung-Box统计量；ADF为检验各序列是否存在单位根Augmented-Dickey-Fuller统计量，各统计量后面括号内数据为其p值。
四、我国省域金融风险压力指数门限压力值测算与检验
为了对省域金融风险压力指数进行科学准确的描述，尤其是反映捕捉风险压力指数的递阶区间变化特征，需要对金融风险压力指数进行科学具体分类。国内学者对金融风险指数的划分多基于主观经验的判断，这样难免会受到专家学者主观因素影响而出现错误划分。为此，本文在借鉴国内外研究成果的基础上(Tong & Lim，1980；孟庆斌等，2008；靳晓婷等，2008；孟庆斌和杨俊华，2016)，通过门限自回归模型(TAR)对浙江省域金融风险压力指数的门限压力值进行科学识别检验。
金融风险压力指数通常表现为一种非线性变化过程，而门限自回归模型(TAR)能够较好地解释经济数据变化中的非线性性质特征。该模型暗含了一个假定，即在某一个特定时点，时间序列的演进方式发生了跳跃，即从一种机制(regime)跳跃到另一种机制，而且这种跳跃是离散的。这样，利用门限值就可以将一系列非线性时间序列根据不同的机制划分为若干个线性子序列，进而对每个子序列分别进行模型估计。因此，门限自回归模型能够较好地对包含结构性断点的时间序列进行拟合。门限自回归模型具体计算过程请参见曾令华等(2010)、孟庆斌和杨俊华(2016)的论文。根据TAR模型，本文对浙江省域金融风险压力指标(PBCI)进行了测算检验，结果如表3所示。
通过表3可以得知，浙江省域金融风险压力指数(2004年1月—2016年12月)门限变量在单个到4个之间均表现显著，但根据方程显著性程度，4门限变量能更加准确地反映金融风险压力指数的波动变化形态特征，因此本文选取4个门限数量作为自回归方程的拟定参数。同时模型检验过程中给出了延迟系数为1～5的检验结果，从结果可以得知在门限变量为PBCI(-3)下模型的残差平方和SSR最小(如表4所示)，并最终得到了4个具体的门限值分别为-0.002 668 874，-0.000 936 915，0.001 671 88，0.004 568 129。
通过4个门限值将浙江省域金融风险压力指数划分为5个风险区间并分别进行线性回归拟合，最终门限自回归拟合结果如图2所示。
本文根据TAR模型检验的门限数量与门限数值结果，将浙江省域金融风险压力指数(PBCI)时间序列划分为5个风险区间，将金融风险压力指数进一步划分为无警A级警度、无警B级警度、轻警A级警度、轻警B级警度、中警警度，其中中警警度的风险信号程度最严重。根据省域金融风险压力指数时序变化特征，本文将中警警度进一步细划分为中警A级警度和中警B级警度以捕捉中警及以上危机信号变化特征，风险警度与对应风险压力排序等级对应如表5所示。
表3 金融风险压力指数门限数量模型检验

表4 金融风险压力指数TAR门限变量检验结果


图2 基于TAR模型的浙江省域金融风险压力指数实际值与拟合值趋势对比图(2004年1月—2016年12月)
表5 省域金融风险压力指数风险等级对照表

根据以上划分标准和PBCI的具体门限值，将浙江省域金融风险压力指数的风险区间进行划分，如表6所示。
表6 浙江省域金融风险压力指数警度区间划分结果

五、基于Ologit概率模型的我国省域金融风险动态预警分析
传统二元选择概率模型的因变量只有1(危机发生)或0(危机不发生)两种情况，无法对金融风险压力指数的不同变化程度进行判断选择。而多元选择概率模型虽然能对金融风险压力指数的不同情况进行选择，但是把这种排序视为基数来处理，忽视金融风险压力指数变化所引起的不同风险递阶程度的内在排序。而本文通过采用Ologit概率选择模型则能较好地克服以上模型存在的不足，特别是对于我国来说，没有真正爆发过金融危机，而更多表现为金融风险压力程度递阶变化过程。
假设y*=x′β+ε (y*不可观测)，而选择规则为：

(3)
其中，r0<r1<r2<…<rJ-1为待估参数，称为“切点”。
假设ε～N(0,1)(将扰动项的方差标准化为1)，则：
p(y=0|x)=p(y*≤r0|x)
=p(x′β+ε≤r0|x)
=p(ε≤r0-x′β|x)
=Φ(r0-x′β)
p(y=1|x)=p(r0<y*≤r1|x)
=p(y*≤r1|x)-p(y*<r0|x)
=p(x′β+ε≤r1|x)-p(x′β
+ε<r0|x)
=P(ε≤r1-x′β|x)
-p(ε<r0-x′β|x)
=Φ(r1-x′β)-Φ(r0-x′β)
…
p(y=J|x)=1-Φ(rJ-1-x′β)
(4)
式中，即扰动项标准的正态累积分布函数。或即扰动项服从逻辑分布的累积分布函数。
这样，可写出样本似然函数，并得到MLE估计量，即Ordered Probit 模型(简称Oprobit 模型)。如果假设扰动项服从逻辑分布，则可得到Ordered Logit模型(简称Ologit 模型)。
根据表1中我国省域金融风险先行预警指标体系，为了挑选在观测数据上更具稳健性的预警解释变量，本文在此通过Granger因果关系检验来对各预警先行指标与省域金融风险压力指数进行两两Granger因果关系检验。在进行Granger因果关系检验之前，需要求各时间序列必须是平稳的时间序列，或具有协整关系的单位根过程，因此需要先对各时间序列变量进行单位根检验。
首先，对因变量浙江省域金融风险综合压力指数(PBCI)进行单位根检验，通过ADF单位根检验和SBIC信息准则的结果表明，在无常数项和无趋势项的水平值上，PBCI序列的t值为-17.760 30<-2.579 967，在1%水平上显著，表明PBCI原序列是平稳的时间序列。同时本文通过目前最具功效的DF-GLS单位根检验结果亦表明，PBCI序列在无常数项和无趋势项下的t值为-4.062<-2.58，在1%水平上拒绝原假设，表明PBCI序列在其水平值为平稳的时间序列。与此同时，本文分别对表1中主要先行预警指标和备选预警指标分别进行了ADF单位根检验，并从检验结果发现，浙江省域金融风险大部分预警指标和备选预警指标都在水平值上具有I(0)平稳，其中进出口总值、出口总值、进口总值与省商品房单位面积售价具有I(1)平稳性；大部分预警指标序列在1%的临界值上显著拒绝原假设，具有较好的平稳性，所有指标也在5%的临界值上拒绝原假设。同时本文还通过DF-GLS检验方法对预警指标进行了检验，亦能得到相同的结论。因此，所有预警指标都满足进行格兰杰因果关系检验的条件。
其次，进行格兰杰因果关系检验不仅要保证被检验的时间序列变量是平稳的序列或具有协整关系的单整序列，而且要确定各变量的滞后阶数，为此本文通过多种统计信息准则(LL，LR，FPE，AIC，HQIC，SBIC)来检验各平稳的预警指标序列与平稳的金融风险综合压力指数的最佳滞后阶数，综合考虑各信息准则的严厉程度，最终得出各预警指标与省域金融风险压力指数的最佳滞后阶数(都处在滞后3阶以内)。根据以上最佳滞后阶数检验结果，本文进一步对各预警指标与浙江省域金融风险综合压力指数(PBCI)进行格兰杰因果关系检验。
根据以上因果检验结果，为了进一步筛选对浙江省域金融风险压力指数影响比较敏感的指标，笔者根据以下标准来选取预警指标：(1)重点挑选在滞后1阶～3阶下都有单向Granger因果关系的预警指标；(2)重点挑选检验结果在5%的显著性水平或更高显著的预警指标；(3)为了避免预警模型中存在解释变量多重共线性，在同类预警指标中选取最具代表性的预警指标。根据以上原则与格兰杰因果关系检验结果，本文重点选取通货膨胀率(cpi)、固定资产投资增长率(gfixedassets)、房地产贷款占省域银行类机构本币贷款比重(realestatecredit)、房地产单位面积售价(realestateprice)、出口增长率(gexports)、进出口增长率(gimportex)、省内信贷/工业增值(creditindu)、消费增长率(gconsupmtion)作为本文的浙江省域金融风险预警模型的重点先行预警指标。
因此，根据以上格兰杰因果关系检验结果，本文构建如下金融风险预警模型：
PBCIt=β0+β1X′t+εt
(5)
Ologit(gradet)=β0+β1X′t+εt
(6)
Ologit(gradet)=β0+β1X′t+gradet-1+εt
(7)
式中，模型(5)为多元线性预警模型，模型(6)为静态Ologit概率预警模型，模型(7)为动态Ologit概率预警模型。对于模型(6)与模型(7)，其回归结果的切点(cutoff point)用rj(j=1,2,…,J)来表示，J表示共有J种可供选择的风险等级情况，如上文表5中的无警A级警度、无警B级警度、轻警A级警度、轻警B级警度、中警A级警度、中警B级警度共6种风险等级情况。对于每种风险等级，其发生的概率计算公式如下：
P(y=0|x)=F(x,β)

P(y=j|x)=F(x,β)
=

P(y=J|x)=F(x,β)

(8)
式中，X≡(x1,x2,…，xm)′为各预警解释变量组成的向量;为各预警解释变量的估计参数值；grade为根据前文PBCI的门限值划分的风险警度排序变量，gradet={1,2,3,4,5,6}，如表5所示。gradet-1为gradet的滞后一期变量。各变量原始观测数据来源和核算过程前文已作了详细介绍，在此不再重复。
首先，为了进行对比，也为了能进一步识别对金融风险压力指数有显著影响的预警解释变量，根据模型(5)，本文对全部预警变量进行了OLS回归分析(受篇幅所限，回归结果未列示)，并从回归结果的显著性检验得知，出口增长率、省内信贷增量/工业增加值、社会消费品零售总额增长率、通货膨胀率、进出口增长率、固定资产投资增长率(弱显著)具有显著的影响效应。这表明出口、进出口、银行对实体经济的信贷投放、社会通货膨胀水平仍然是影响省内金融风险压力的主要因素，这与前文格兰杰因果检验结果总体相一致。
根据模型(6)和模型(7)，本文首先对前面格兰杰检验单向因果关系显著的预警解释变量进行概率回归分析，结果如表7所示。其中第(1)列～第(4)列为静态Ologit概率预警模型，第(5)列为动态Ologit概率预警模型。从第(1)列～第(4)列的模型回归结果得知模型整体回归结果在5%水平上显著，其中通货膨胀率、固定资产投资增长率、出口增长率、进出口增长率对模型的影响效应显著，而房地产投资增长率、房地产信贷/银行本币信贷、省商品房单位面积售价、外商直接投资和外商直接投资增长率则不显著。为了进一步检验前期省域金融风险压力是否会对后期产生影响，本文通过引进因变量滞后项以考察检验省域金融风险的动态预警效应，回归结果如表7第(5)列所示。从模型回归检验结果可知，相比静态概率预警模型，动态概率预警模型的拟合程度最好，如从第(4)列R2=0.053 7的基础上进一步提升为R2=0.071 5，虽然模型的整体拟合程度不高，但是模型的整体显著性水平却得到了很大的提升。同时相比第(4)列LR=29.14，动态Ologit概率预警模型的LR=38.62，并在1%水平上显著。通过第(5)列可知，对于浙江省域金融风险，上一月份的金融风险压力程度会对下一月份的金融风险压力程度呈现出显著的负向影响效应，即如果上一月份金融风险压力程度较高，则下一月份将会相应调整出现下降，反之亦然，也即下一月份的金融风险压力程度会对上一月份起到相应“熨平”作用效应。同时本文还对滞后2期、3期，以及滞后多期的风险压力指数值是否会对当期产生显著影响，结果均发现不显著。
表7 基于Ologit概率预警模型的金融风险压力指数最大似然回归结果

说明：括号内为t统计检验，*为p<0.05,**为p<0.01,***为p<0.001，N表示样本观测值个数，LR表示概率预警模型的方程整体显著性水平LR Chi2检验，R2表示模型总体的拟合度水平。
对于以上先行预警指标显著性效应的经济解释是：出口增长率与金融风险压力指数(PBCI)呈现出负相关影响效应，即出口增长率越高，省域企业出口销售量越好，企业经营效益越好，则有助于省域银行类机构信贷资金金融风险压力的降低。通货膨胀率与PBCI呈现出负相关效应，即通胀率越高，而名义存款利率一般受央行利率指导相对变化较小，则银行类机构吸收融资的成本压力越低，利差增大有利于提升银行类金融机构的金融安全。省内新增信贷/工业增加值与PBCI呈现出正相关效应，即银行类金融机构信贷增长越快，则面临的潜在不良贷款损失等风险就越大。这与通常的判断是一致的。我国银行类金融机构的风险更多表现为信贷过度投放且贷款增长过快的金融风险。进出口增长率与PBCI呈现正相关效应，由于出口增长率表现为负向效应，则进出口增长率的正向效应主要由进口增长率所引起，企业需要进口更多的原材料或半成品等商品，则倾向于向银行类金融机构贷款更多的进口信贷资金用于支付对外贸易交易费用，这样银行类机构面临的现实和潜在的贷款损失风险加大，金融风险压力升高。消费增长率与PBCI呈现正相关效应，该结果与通常认为的地区消费增长率越快则地区经济景气越好，银行类机构不良贷款损失风险越小等直观不相符。根据统计数据显示，银行贷款主要分为两类，一类是贷款给非金融类企业和政府机关，另一类是贷款给居民住户。其中对于非金融类企业，社会消费需求越旺盛则实体企业越倾向于扩大投资规模，向银行申请贷款的冲动越强，而凭借企业较好的产品市场需求，银行机构也愿意贷款向非金融类企业，则面临现实与潜在的贷款损失风险提升。而对于住户贷款包括个体经营贷款和消费贷款，前文已经分析过，住户消费贷款主要是住户买房贷款和买车贷款，居民住户买房与买车的消费需求越多，向银行申请的贷款金额就越多，则银行面临的贷款潜在损失风险就越大。固定资产投资增长率与PBCI呈现正相关效应，主要是因为企业与政府固定资产投资越多，向银行机构申请的贷款金额就越多，尤其是政治关联性贷款，则银行类机构面临的信贷投资潜在损失风险则越大。
与此同时，本文对表7中静态Ologit概率预警模型和动态Ologit概率预警模型回归结果分别进行了风险程度概率模型预测，并与实际观测结果进行了准确度对比统计分析，结果如表8所示。
表8 Ologit概率预警模型的总体预警准确度比较

从表8统计结果可知，从严格区制预警准确度来比较，静态概率预警模型要稍微高于动态概率预警模型；但从大类区制预警模型(即根据前文表6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，则可以看出，动态概率预警模型的预警准确度(51.6%)要好于静态概率预警模型的预警准确度(48.7%)。因此，从总体上来判断，动态Ologit概率预警模型的预警准确度要好于静态Ologit概率预警模型。当然相比西方发达国家动辄半个世纪或上百年的大样本统计数据，本文由于受到样本数量的制约，以及省域经济金融统计数据的部分缺失等影响，将会一定程度影响到本文概率预警模型的准确性。
如果我们仅关注对省域金融系统产生不安全冲击威胁的风险信号(比如本文重点关注浙江省域金融风险压力指数PBCI中的中度警情及以上的危险信号)，对于这类危险信号，银行类金融机构将给予较大关注并采取一定的监管措施来抑制风险的继续恶化，金融监管部门也会采取一定的监管手段以防范本省域系统性金融风险的发生。因此，本文重点关注统计了浙江省域金融风险压力指数中出现中度危险警情及以上风险信号的Ologit概率模型的预警准确度，笔者进行了统计分析，如表9所示。
表9 中警警度及以上的Ologit概率预警模型预警准确度比较

从表9可以得知，动态Ologit概率预警模型无论是对于中警以下警情样本的预测，还是对于中警及以上情况的预测，都要明显高于静态Ologit概率预警模型。其中对于2004年1月到2016年12月期间有41个月出现了中警及以上警情，而Ologit概率预警模型准确发出了15个月的预警信号，预警准确度为36.6%。虽然这一预警准确比例并不是很高，但与国外学者样本外的预测结果相比，这样的结果已经可以接受。如Kaminsky等建立的KLR预警模型的样本外预警准确度仅为4%(Kaminsky et al.，1997)；Frankel等建立的FR预警的样本外预警准确度仅为8%(Frankel & Rose，1996)；而Bussiere等建立的预警模型的样本外预警准确度也仅为20%(Bussiere & Fratzscher，2006)。当然前面也提到，由于受到样本数量的制约，以及浙江省域经济金融统计数据的部分缺失等影响，本文的样本数量远远少于国外学者相关模型预警的样本数量，这难免影响到本文概率预警模型的预警准确性。而对于中警以下的样本数量，本文动态Ologit概率预警模型的准确度为43%，相比“弃真”的比例(1-36.6%=63.4%)，本文“取伪”的错杀比例(1-43%=57%)出现了相应的降低。因此本文构建的动态Ologit概率预警模型如下：
Ologit(gradet)=-0.257gradet-1
-11.2gexportst
+14.77gimportext
+0.911creditindut
+2.499gconsumptiont
+5.081gfixedassetst
-47.64cpit
六、Ologit概率预警模型的稳健性检验
为了进一步检验上文所构建的动态Ologit概率预警模型的准确度，本文以2004年1月—2015年12月作为样本内数据进行预警模型构建，而以2016年1月—2016年12月作为样本外数据(即未来12个月作为预测月份)来进行模型预测与实际观测的对比分析。其中对于动态Ologit概率预警模型的回归结果如表10所示。
由表10可知，本文所选取的主要先行预警变量无论是基于OLS多元线性回归模型，如表10第(1)列和第(2)列回归结果，还是基于Ologit概率预警模型的第(3)列与第(4)列回归结果都非常显著，其中第(4)列动态Ologit概率预警模型的整体显著性与方程拟合效果最好，也是本文的主要预警模型。由第(2)列与第(4)列回归结果，我们可以明显发现滞后一月的金融风险压力指数对当期会产生显著负向影响效应，其他各先行预警解释变量的经济意义前文已经作了解释，在此不再重述。
表10 基于Ologit概率预警模型的浙江省域金融风险压力指数样本内OLS和MLE回归结果

注：括号内为t统计检验，*为p<0.05,**为p<0.01,***为p<0.001。
根据第(4)列动态概率模型的回归结果，本文对2016年1月—2016年12月共计12个月的风险压力等级程度进行了概率模型预测，其预测发生的概率结果如表11所示，其中每行百分比最大的概率值表示在6个风险等级程度中该等级发生的可能性最大。
通过以上概率预测结果，并与2016年1月—2016年12月的实际金融风险压力等级指数进行对比统计，得出上述模型在未来12个月的预测准确度情况，如表12所示。
由表12可知，严格区制预警准确度仅为25%，虽然这一准确度结果较低，但相比国外成熟的预警模型的预测准确度，这一预警结果已经达到可以接受范围。从大类区制预警结果来看，其预警的准确度为50%，已经明显好于预期的预测结果。这一结果也明确优于国外经典的预警模型的预测准确度。
表11 基于Ologit概率预警模型对浙江省域未来12个月金融风险压力程度概率预测结果

表12 基于Ologit动态概率预警模型的未来12个月预警准确度分析

下面直接给出浙江省域金融风险压力指数的实际风险等级与本预警模型的预测结果，如表13所示。
表13 基于Ologit动态概率预警模型的浙江省域2016年12个月的实际与预测风险等级对比

七、研究结论与政策启示
本文构建了我国省域金融风险先行预警指标体系与省域金融风险压力指数，并以浙江省2004年1月—2016年12月样本数据为对象，通过TAR门限自回归模型对省域金融风险压力指数的门限值进行了测算和检验，得出浙江省域金融风险压力指数门限变量在单个到4个之间均表现显著，但4个门限变量更能准确地表征风险压力指数的波动变化形态特征。同时，本文通过ADF，DF-GLS平稳性检验和Granger格兰杰因果检验，并在此基础上构建了Ologit概率预警模型对浙江省域金融风险进行了实证预警分析，研究发现：通货膨胀率与出口增长率对省域金融风险水平呈现显著负相关效应，而新增信贷额/工业增加值、固定资产投资增长率、社会消费品零售总额增长率与进出口增长率对省域金融风险水平呈现显著正相关效应。无论是从模型整体显著性与拟合优度，还是风险警情预测的准确性，滞后一期的动态Ologit概率预警模型的预警效果要明显好于静态Ologit概率预警模型的预警效果。同时本文以未来12个月作为样本外数据，对动态Ologit概率模型的预测准确度做了进一步稳健性检验，同样发现无论是从模型的整体显著性与拟合优度，还是从对实际观测值的预测准确度分析，均发现动态Ologit预警模型要明显好于静态Ologit预警模型。而且对浙江省域未来12个月的预警统计结果显示，严格区制预警准确度为25%，但大类区制预警准确度为50%，明显好于国内外同类型的模型预警效果。本文也进一步验证了国际上模型预警要好于非预警模型的研究结论。
本文的研究结论带给我们如下启示：(1)金融市场开放条件下我国省域金融风险同时受到内源性与外源性金融风险冲击的双重影响。省域金融系统运行过程中本身具有一定的“熨平”金融风险短期波动的功能，下一月份的金融风险压力程度会自动对上一月份的金融风险压力变化做出相反方向的调整。省域经济与金融系统有时要面临金融安全与金融发展之间的权衡问题，追求短期进出口增长率、消费增长率或固定资产投资增长率的同时，可能会加大短期内省域金融系统的风险压力。经济政策的制定要避免短期内的过度刺激以平滑政策效应对经济金融系统带来的短期风险冲击。(2)模型预警的准确度一方面依赖于模型本身设计的精确程度，另一方面依赖于样本数据真实可靠性。由于受到我国省域部分指标统计数据缺失等制约，在本研究中某些指标数据的处理难免会出现信息损失，例如省域新增信贷/GDP，我国省域没有GDP月度数据，按照国内学者普遍做法通过省域工业增加值来进行替代。又如我国各省域1月份的房地产销售额和销售面积数据普遍缺失，本文通过多元回归方法对缺失值进行合理补齐等。这些数据处理难免会造成原始观测值的信息损失，从而降低模型预测的准确度。笔者相信，随着我国省域高频统计数据的越来越完善，所建立的省域预警模型系统将会更加完善准确。
参考文献
陈守东、马辉、穆春舟，2009：《中国金融风险预警的MS-VAR模型与区制状态研究》，《吉林大学社会科学学报》第1期。
宫晓琳，2012：《未定权益分析方法与中国宏观金融风险的测度分析》，《经济研究》第3期。
顾海兵、张安军，2012：《我国区域经济安全动态监测分析》，《经济理论与经济管理》第7期。
靳晓婷、张晓峒、栾惠德，2008：《汇改后人民币汇率波动的非线性特征研究——基于门限自回归TAR模型》，《财经研究》第9期。
林伯强，2002：《外债风险预警模型及中国金融安全状况评估》，《经济研究》第7期。
林宇、黄迅、淳伟德、黄登仕，2016：《基于ODR-ADASYN-SVM的极端金融风险预警研究》，《管理科学学报》第5期。
刘志强，1999：《金融危机预警指标体系研究》，《世界经济》第4期。
刘遵义，1995：《下一个墨西哥在东亚吗？》，联合国世界经济预测项目1995年秋季会议报告。
孟庆斌、杨俊华，2016：《基于门限自回归模型的中国财政风险预警系统》，《中国人民大学学报》第6期。
孟庆斌、周爱民、靳晓婷，2008：《基于TAR模型的中国股市价格泡沫检验》，《南开经济研究》第4期。
石柱鲜、牟晓云，2005：《关于中国外汇风险预警研究——利用三元Logit模型》，《金融研究》第7期。
陶玲、朱迎，2016：《系统性金融风险的监测和度量——基于中国金融体系的研究》，《金融研究》第6期。
王春丽、胡玲，2014：《中国金融风险预警研究》，《金融研究》第9期。
王维国、王际皓，2016：《货币、银行与资产市场风险状况的识别——基于金融压力指数与MSIH-VAR模型的实证研究》，《国际金融研究》第8期。
张元萍、孙刚，2003：《金融危机预警系统的理论透析与实证分析》，《国际金融研究》第10期。
郑振龙，1998：《构建金融危机预警系统》，《金融研究》第8期。
仲彬、刘念、毕顺荣，2002：《区域金融风险预警的理论与实践》，《金融研究》第7期。
曾令华、彭益、陈双，2010：《我国股票市场周期性破灭型泡沫检验——基于门限自回归模型》，《湖南大学学报(社会科学版)》第4期。
周新辉，1999：《金融危机预警系统研究》，《金融研究》第2期。
Berg，A.， and C.Pattillo，1999， “Predicting Currency Crises： The Indicators Approach and an Alternative”，Journal of International Money and Finance，18(4)：561-586.
Bernanke，B.， and M.Gertler，1989， “Agency Costs， Net Worth ， and Business Fluctuation”，The American Economic Review，79(1)：14-31.
Bussiere， M.，and M.Fratzscher， 2006，“Towards a New Early Warning System of Financial Crises”，Journal of International Money and Finance，25(6)：953-973.
Fisher，I.，1933，“The Debt-deflation Theory of Great Depressions”，Econometrica，1(4)：337-357.
Frankel，J.， and A.Rose，1996，“Currency Crashes in Emerging Markets： An Empirical Treatment”，International Finance Discussion Papers，41(3-4)：351-366.
Goldstein，M.，1995，“Coping With Too Much of a Good Thing： Policy Responses for Large Capital Inflows in Developing Countries”，World Bank Policy Research Working Paper，No.1507.
Kaminsky， G.， and C.Reinhart， 1999，“Financial Crises in Asia and Latin America： Then and Now”，American Economic Review，88(2)：444-448.
Kaminsky，G.，S.Lizondo，and C. Reinhart，1997，“Leading Indicators of Currency Crises”，IMF Economic Review，45(1)：1-46.
Keynes，J.M.，1936，The General Theory of Employment and Interest and Money，Macmillan，London.
Kindleberger，C.P.，1978，Manias， Panics and Crashes.A History of Financial Crisis，Macmillan，London.
Kumara，M.，U.Moorthy，and W.Perraudin，2003，“Predicting Emerging Market Currency Crashes”，Journal of Empirical Finance，10(4)：427-454.
Minsky，H.P.， 1992，“The Financial Instability Hypothesis”，The Jerome Levy Economics Institute Working Paper，No.74.
Mishkin，F.S.，1996，“Understanding Financial Crises： A Developing Country Perspective”，Annual World Bank Conference on Development Economics，No.29-62.
Nag， Ashok， and A.Mitra， 1999，“Neural Networks and Early Warning Indictors of Currency Crisis”，Reserve Bank of India Occasional Papers，20(3)：183-222.
Oet，M.V.，T.Bianco，D.Gramlich，and S.J.Ong，2013， “SAFE： An Early Warning System for Systemic Banking Risk”，Journal of Banking & Finance， 37(11)：4510-4533.
Tsay R.S.， 1989，“Tesing Acid Modeling Threshold Autoregressive Processes”，Journal of the American Statistical Association，(84)：231-240.
Sachs， J.，A.Tornell, and A.Velasco，1996，“Financial Crises in Emerging Markets： The Lesson from 1995”，Brookings Papers on Economic Activity，27(1)：147-215.
Sevim C.，A.Oztekin，O.Bali，S.Gumus，and E.Guresen，2014，“Developing an Early Warning System to Predict Currency Crises”，European Journal of Operational Research，237(3)：1095-1104.
Stiglitz，J.E.，and A.Weiss,1981，“Credit Rationing in Markets with Imperfect Information”，The American Economic Review，71(3)：393-410.
Tong，H.，and K.S.Lim，1980，“Threshold Auto-regression， Limit Cycles and Cyclical Data(with discussion of the paper)”，Journal of the Royal Statistical Society，42(3)：245-292.
RESEARCH ON THE DYNAMIC WARNING OF PROVINCIAL FINANCIAL RISKS IN CHINA——Based on the Monthly Sample Data Analysis of Zhejiang Province
ZHANG An-jun
(School of Accounting, Zhejiang University of Finance and Economics)
Abstract: Because of the extremely unbalanced development of China’s regional economy, some provinces have great influence on the overall financial security of China, making it very important for the provincial and national financial security to pay attention to the risks of the provincial financial system and to carry out early warning and supervision. Under the background of further opening up of the financial market, this paper builds the leading early warning indicator system and the financial risk stress index of provincial financial risks in China. Using the provincial monthly sample data of Zhejiang Province from January 2004 to December 2016, this paper conducts an empirical analysis of early warning of provincial financial risks by TAR Vector Autoregressive Model and Ologit Probability Model. Results show that：(1) Inflation rate and export growth rate have significant and negative effects on provincial financial risks, while the new bank loans divided by industrial added value, fixed asset investment growth rate, consumption growth rate and import and export growth rate have significant and positive effects; (2) Financial stress risk of the previous month has a significant and negative effect on that of the current month, which makes the financial stress risk of the current month has some “smoothing” effect; (3) Statistical tests show that Dynamic Logit Early Warning Model is obviously better than Static Logit Early Warning Model in the model’s overall significance, goodness of fit, and the accuracy of the prediction; (4) The early warning statistical analysis results of Zhejiang province in the recent 12 months show that strict interval of early warning accuracy is 25%, but the main class interval of early warning accuracy is 50%, and it is relatively better than early warning effect of domestic and foreign models of the same type.
Key words: Ologit model; provincial financial risk; model warning; leading indicator
*张安军，浙江财经大学会计学院，浙江财经大学会计与经济发展研究院，邮政编码：310018，电子信箱：anjunzhang2020@163.com。本文得到浙江省自然科学青年基金项目(LQ16G010004)、浙江省哲学社会科学规划课题一般项目(16NDJC153YB)的资助。感谢匿名评审人提出的修改意见，笔者已做了相应修改，本文文责自负。
(责任编辑:付 敏)