金融創新加劇了區域金融風險嗎？
——基于社會網絡與動態面板門檻效應的研究

李林漢韓景旺

(1.中央民族大學經濟學院，北京 100081；2.河北金融學院河北省科技金融重點實驗室，河北 保定 071051)

一、引言

隨著經濟全球化的持續深入和金融科技、金融創新的飛速發展，金融風險的傳染性、市場機制的復雜性以及國家之間的關聯性導致金融風險破壞性也在不斷加大。中共中央、國務院高度重視區域金融風險的化解與防范，防范化解金融風險已經成為我國經濟長期穩定健康發展的重要目標，也是關乎社會和諧穩定的關鍵。2020年3月國務院發布“十四五”規劃，將金融安全與糧食安全、能源資源安全一同提升到國家安全戰略層次，強調“守住不發生系統性金融風險的底線”的重要性。

金融創新是指變更現有的金融體制和增加新的金融工具，以獲取現有的金融體制和工具無法取得的潛在利益，是一個為了經濟發展而緩慢進行與持續不斷的動態發展過程(Schumpeter，1934)[16]。金融創新的出現便捷了金融服務的獲得性(Amos and Wingender，1993)[3]，克服了傳統金融的一些缺點，通過加速創新與金融深化推動經濟增長，進而演化為經濟發展的動力之一(Ireland，1995)[11]。但是，也有學者指出，金融創新促進經濟增長需要適度的金融監管，不受監管的金融創新會導致經濟發展虛擬化過重，進而產生金融危機。以Henderson and Pearson(2011)[9]、Chiu et al.(2017)[6]以及Beck et al.(2012)[4]為代表的學者們提出了金融創新的黑暗面與光明面的概念，莊雷和王燁(2019)[42]從正反兩方面分析了科技金融創新對經濟發展的促進與抑制效應。

分析已有文獻發現，現有成果更多是關注金融創新對經濟增長的影響效應，關于金融創新的風險效應量化研究較少。鑒于此，本文利用我國31個省份的面板數據構造區域金融風險指數水平，采用社會網絡分析研究區域金融風險的空間關聯網絡特征；然后實證檢驗金融創新是否加劇了區域金融風險，二者之間是否存在非線性效應；接著基于空間網絡關聯性的新角度，檢驗金融創新能否通過區域金融風險的空間關聯網絡特征來影響區域金融風險；最后探究金融監管在金融創新影響區域金融風險過程中是否產生了調節效應。明晰上述問題的結論，可以為防范區域金融風險提供理論依據，為區域金融創新的發展提供指導意見，有利于經濟高質量發展。

二、文獻綜述和研究假設

(一)區域金融風險水平的測度與空間關聯性

區域金融風險測度主要有以下三類方法。一是早期預警指標體系法(章曦，2016)[39]，采用類比相似國的方法，研究出一套預測本國發生金融風險的閾值。二是研究金融機構和金融子市場傳染性的計量方法，包括DIP模型(Huang et al.，2009)[10]、Shapley Value模型(Tarashev et al.，2009)[18]、條件在險價值(CoVaR)模型(Adrian and Brunnermeier，2014)[2]、SES模型(Acharya et al.，2017)[1]和SRISK模型(Christian and Robert，2017)[5]。三是宏觀金融風險的計量方法，主要包括金融壓力指數法、災難保險指數法等。

區域金融風險的空間關聯性研究上，榮夢杰和李剛(2020)[31]、劉瑩(2021)[27]基于社會網絡分析法對金融風險的空間關聯度進行分析，譚中明等(2020)[33]、陳守東等(2020)[20]采用空間Moran’s I指數方法進行區域金融風險的空間性測量。隨著經濟全球化的深入，區域經濟發展的聯系越來越緊密，地理位置、環境資源以及政策實施的影響導致區域金融的發展呈現互相聯動的關系，區域金融風險也相應地必然存在空間上的關聯。社會網絡分析法能夠測算出相關的空間特征以及空間關聯，彌補傳統空間計量的缺陷，因此，本文運用社會網絡分析法，測算區域金融風險的空間特征指標以及空間關聯度，同時分析此種空間關聯對區域金融風險的效應。由此提出如下假設：

H1a：我國各省份之間的區域金融風險水平存在空間關聯特征。

H1b：區域金融風險的空間特征指標促進區域金融風險擴散。

(二)金融創新對區域金融風險的影響

眾多學者對于金融創新影響區域金融風險的效應觀點不一致。第一種觀點為金融創新水平的提升會加劇區域金融風險。陸磊和楊駿(2016)[28]認為金融創新與金融穩定是不可能同時出現的。冉芳和張紅偉(2016)[30]認為過度的金融創新會偏離實體經濟發展軌道，導致資金在金融系統空轉，從而產生金融風險。王德凡(2018)[34]提出金融創新加劇了金融機構自身脆弱性，會導致金融風險的擴散效應。第二種觀點為金融創新水平的提升不會加劇區域金融風險。Miller(1986)[14]認為金融創新提供了投資的多元性選擇，促進金融資源配置，降低融資的風險性。Finnerty and John(2010)[7]認為技術更新增加了金融資源的流動性，緩解了區域金融風險。Ross(2012)[15]認為金融創新具有緩解信息不對稱的優勢，可以保障資金的流通與金融整體的穩定性。楊鵬(2019)[38]探究了A股上市商業銀行金融創新與股票崩盤風險之間的關系，認為二者之間存在負相關，金融風險的出現主要歸結于公允價值計量，而非金融創新本身。第三種觀點為金融創新水平與區域金融風險之間有非線性關系。即金融創新水平低于一定數值時，不會加劇區域金融風險；而當金融創新水平高于某數值后，金融創新則會加劇區域金融風險(Torna and Deyoung，2012)[19]。胡文濤等(2018)[22]發現商業銀行的金融創新水平會對商業銀行盈利能力產生倒U型影響。潘敏和袁歌騁(2019)[29]認為適度的金融創新會帶來正向影響，不會造成風險，但也要防止過度的金融創新產生的抑制作用。

金融創新可以通過技術創新構建更加有效的監管體系，排除人為因素的主觀桎梏，從而更加有效地管控風險，降低區域金融風險。此外，金融創新還可以通過降低企業成本，緩解融資信息不對稱，保障金融資產的有效流動，維持金融穩定。但金融創新水平的進一步提升可能會加劇區域金融風險。這是因為，金融創新不僅增加了金融體系整體的脆弱性，而且增加了金融體系整體的非監管性風險；同時，金融創新下的金融衍生品名目繁多，在為個人和機構提供利潤的同時，產生的風險越來越大?；诖?，提出如下假設：

H2：金融創新水平對區域金融風險的影響呈現U型非線性關系。

目前，我國區域之間的聯系日趨緊密，經濟合作與交流逐步增多，跨區域的金融發展得以實現。作為傳統金融的補充，金融創新的空間聯系和時間聯系更加顯著，金融創新不僅大大便利了本地金融服務的可得性，也為相鄰地區的金融創新提供發展模板，各地區可能會采取相鄰地區相似的經濟政策來制定本地的發展計劃，加速本地的金融創新發展。在此過程中，金融創新誘發區域金融風險的機制通過空間溢出效應進行傳播。考慮到各省份之間的地理位置與經濟發展情況差異性，金融風險的空間關聯結構也有所不同。尤其對于那些位于金融風險中心，且與各地聯系緊密的省份，金融創新影響區域金融風險水平的程度較明顯?；诖?，提出如下假設：

H3：區域金融風險水平的空間特征指標在金融創新影響區域金融風險水平的過程中起到中介效應。

(三)金融監管在金融創新影響區域金融風險過程中的作用

金融創新的風險程度與金融監管力度有關(李澤廣和王剛，2014)[25]，金融監管一定程度上阻止了金融市場的創新活動，減緩了金融創新的擴散程度，但金融監管的激勵功能也會摒棄不合理的金融創新，避免金融創新產品和制度的濫用(周孟亮和李明賢，2016)[41]。在金融監管的約束下，企業必須遵守金融監管規則，違背金融監管的企業會遭受懲罰，導致企業面臨更加嚴峻的投融資約束(James et al.，2013)[12]。金融監管不到位的金融創新加劇了金融風險的積累和金融脆弱性的惡化。Kane(2012)[13]認為金融創新與金融監管的關系是一個互相博弈、動態演化的過程。李文泓(2009)[23]認為應該將宏觀審慎監管和微觀審慎監管有機結合，形成維護金融穩定的方法。李妍(2010)[24]分析了金融監管對金融風險和金融穩定的影響，提出金融監管要兼顧金融穩定性。綜上，金融創新促進經濟增長需要適度的金融監管，不受監管的金融創新容易引起金融危機和經濟過度虛擬化，進而爆發金融風險。基于此，提出如下假設：

H4：金融監管在金融創新加劇區域金融風險的過程中起到調節作用，會削弱金融創新加劇區域金融風險水平的程度。

三、研究設計

(一)數據來源與變量定義

1.被解釋變量：區域金融風險(Jrfx)

金融風險是一個多維度的復雜概念，本文參考章曦(2016)[39]、王營和曹廷求(2017)[35]、沈麗等(2019)[32]的研究，基于金融市場與金融風險理論，兼顧研究的科學性與完備性，構建區域金融風險水平指標體系，具體如表1所示。

依據各指標與金融風險的關系，可以將相應指標劃分為正向指標、適度指標與負向指標。其中，正向指標與區域金融風險正相關，該指標越大，區域金融風險越大；負向指標與區域金融風險負相關，即該指標越小，區域金融風險越大；而適度指標表示與該適度指標的偏離度越大，區域金融風險越大。

在確定各指標后，本文利用SPSS軟件對各指標進行主成分分析，最后確定區域金融風險指數，具體過程如下：

(1)數據的標準化處理

采用SPSS對金融風險的各指標進行標準化處理。

(2)主成分分析降維

利用SPSS軟件進行主成分分析。以2011年的數據為例，首先，通過降維分析可以得到Kaiser-Meyer-Olkin的檢驗值為0.522，大于臨界值0.5；Bartlett球形檢驗值為138.959，且Sig值為0.00，即在1%水平下顯著，這些數值均表明拒絕原假設，金融風險的各指標可以進行主成分分析降維。然后利用SPSS軟件計算出主成分特征值與方差貢獻率，如表2所示。前四個主成分分析的累計貢獻率達到77.505%，且前四個主成分的特征值均大于1，基本上保留了原始指標信息，因此，2011年的金融風險指標選擇前四個主成分進行分析。

表3展示了主成分表達式的成分矩陣，結合表2的特征值和累計貢獻率，可得2011年的前四個主成分表達式如下：

表2 2011年金融風險指標主成分分析特征值與貢獻率

表3 2011年金融風險指標主成分分析成分矩陣

再結合貢獻率的權重，最后形成2011年各地的金融風險指標：

式(1)～(5)中，f1,f2,f3,f4代表前四個主成分，而x1,x2,x3,x4,x5,x6,x7,x8,x9,x10代表標準化以后的金融風險分指標。

(3)歸一化處理

主成分分析得到的數據有正有負，不利于數據描述與處理，因此將得到的各數據進行歸一化處理，方法如式(6)所示，得到2011年我國31個省份的金融風險指數。

最后，依據相同方法計算其余各年份的金融風險指數，得到的2011―2020年各地金融風險指標如表4所示。

表4 2011―2020年各地金融風險指數

2.核心解釋變量

(1)金融創新(Jrcx)

兼顧研究視角全面性與適用性原則，本文選擇了北京大學數字金融研究中心編制的數字普惠金融指數衡量金融創新(郭峰等，2020)[21]。該指數從“技術-金融”角度出發，依托云技術等智能算法，利用數以億計的微觀數據計算得出，具有較強的可信度。數字普惠金融是數字技術與普惠金融的有機結合，是指在數字技術的支持下通過金融服務促進金融的行動。數字技術與普惠金融結合下的數字普惠金融既增大了金融服務的覆蓋范圍、完善了金融服務網絡，又降低了金融服務的風險和成本、提高了個體層面金融服務的可獲得性，能夠較好地體現區域金融創新水平。該套指數包含覆蓋廣度(Jrcx_fg)、使用深度(Jrcx_sd)和數字化程度(Jrcx_sz)3個一級指標，包含支付、保險、貨幣基金、信用服務等33個二級指標。

(2)區域金融風險水平空間特征指標

借鑒張曾蓮和方娜(2021)[40]的方法，本文采用社會網絡分析法計算得到的區域金融風險點度中心度(Didu)、接近中心度(Jjin)和中介中心度(Zjie)衡量區域金融風險水平空間特征。根據社會網絡分析法的定義，點度中心度(Didu)依據空間網絡中的關聯數來表示各地在金融風險空間關聯網絡中位于中心位置的程度，此值越大，表明該省份在金融風險的空間關聯網絡中與其他省的聯系就越多，越能表明該省份的中心地位。接近中心度(Jjin)描述了空間網絡中某省份在金融風險的互相聯系過程中“不受其他省份影響”的程度，此值越大，表明該省份金融風險水平與其他省份之間存在更多的直接關聯度，那么該省份就是空間網絡關系的中心行動者。中介中心度(Zjie)表明了該省份在多大程度上影響其他省份之間的關聯性，此值越大，表明該省份就越能影響其他省份金融風險之間的相互行動，該省份就位于空間關聯網絡的中介位置。

3.調節變量：金融監管(Jrjg)

金融監管是指各地政府為了維護好金融穩定，充分發揮金融市場的有效服務性，進一步促進區域經濟健康有序發展的監管手段(徐諾金，2005)[37]。本文選用各地的地方政府金融監管支出衡量金融監管，為了與其他指標保持一致，采用了無量綱的標準化處理。

4.控制變量

參考已有的相關研究文獻，本文控制了以下變量：(1)經濟發展水平(Jjfz)，采用人均國民生產總值的增長率進行衡量；(2)人力資本水平(Rlzb)，采用各地就業人員人數進行衡量，為了與其他指標保持一致，采用了無量綱的標準化處理；(3)產業結構水平(Cyjg)，采用第三產業產值與國民生產總值之比進行衡量；(4)對外開放程度(Dwkf)，采用外商投資企業投資總額與國民生產總值之比進行衡量；(5)科技創新水平(Kjcx)，采用國內專利申請受理量的對數值進行衡量；(6)城鎮化水平(Czsp)，采用城鎮人口數量與總人口數量之比進行衡量。此外，為初步檢驗衡量金融創新的非線性效應，還引入了金融創新的平方項(Jrcx2)。

本文的數據樣本選取2011―2020年為時間區間，由于港澳臺地區的數據缺失，選取我國31個省、市、自治區為研究對象。以上各數據主要來源于萬得數據庫、《中國統計年鑒》《中國金融年鑒》、中國人民銀行官網、國家統計局官網、各地統計局官網、各地每年的統計公報以及各地每年的金融運行報告。主要變量的描述性統計結果如表5所示。

(二)模型構建

為了分析金融風險的空間網絡特性，本文借鑒沈麗等(2019)[32]的做法，采用擴展后的引力模型(gravity model)來確定金融風險空間網絡矩陣，具體模型如下所示：

其中，模型(7)中，kij表示i省份在i、j省份之間金融風險關聯中的貢獻度，Jrfxi表示i省份的區域金融風險指數；模型(8)中，yij表示矩陣中的i行j列數值，Gdpi和pGdpi分別表示i省份的國內生產總值與人均國內生產總值，Rksi表示i省份的年末人口總數，Dij表示i，j兩個省份之間省會城市的距離。根據模型(7)和(8)可以計算出省份間的金融風險關聯網絡矩陣，然后將其二值化，取每一行的平均數為所在行的臨界值，如果yij大于平均值，則定為1，表示i、j省份之間存在互相影響；否則取0，表示i、j省份之間不存在互相影響。依據上述操作，每一年份均生成一個31行31列的0-1矩陣。

各省份的金融創新、區域金融風險的空間特征與區域金融風險水平三者之間的影響效應檢驗，按照如下步驟進行逐步分析：第一步，建立普通的平衡面板回歸模型(9)，檢驗金融創新對區域金融風險的影響，同時在模型(9)中加入金融創新變量的平方項檢驗金融創新與區域金融風險之間是否存在非線性關系；第二步，構建模型(10)來檢驗各省份金融風險的點度中心度、接近中心度和中介中心度與模型(9)中的解釋變量金融創新之間是否存在顯著性的影響關系；第三步，構建模型(11)，將各省份的金融創新水平、金融風險的空間特征與金融風險一起納入，驗證各省份金融風險的空間特征是否發揮中介效應。模型(9)～(11)具體如下：

模型(9)中Xit為其他控制變量；i代表省份，t代表時間，μi用來控制地區固定效應，λt用來控制時間固定效應，εit為隨機擾動項。模型(10)中，Cit表示通過社會網絡分析法計算出的各省份金融風險的點度中心度、接近中心度和中介中心度。模型(10)和(11)中的其他變量同模型(9)一致。此外，在模型(9)驗證金融創新與金融風險的非線性關系后，為了繼續深入驗證這種關系，本文在Hansen(1999)[8]提出的靜態面板門檻模型的基礎上，選用Seo and Shin(2016)等[17]提出的動態面板門檻模型進行模型構建。動態面板門檻模型能夠克服靜態面板門檻模型的固定效應要求協變量嚴格外生的限制，允許模型中存在因變量滯后項和內生協變量。具體模型如下：

模型(12)為單門檻的動態面板模型，雙門檻的動態面板模型類似，不再贅述。模型(12)中q為待估的區域金融創新門檻值，I(?)為指標函數，當括號中的條件滿足時，該函數的值取1，否則取0。

四、實證結果與分析

(一)中國區域金融風險水平空間關聯的網絡結構

基于模型(7)和(8)構建的引力模型，利用UCINET可視化工具，繪制2011―2020年各省份金融風險水平的空間網絡關系(限于篇幅，圖1僅展示了2020年各省份的空間網絡關系)?？梢钥闯?，我國的區域金融風險水平空間關聯呈現典型的網絡結構，空間聯系顯著且嚴密。

2020年中國31個省份的金融風險中心度結果如表6所示。綜合金融風險點度中心度、接近中心度和中介中心度三個中心度的數值和排名看，上海、江蘇、北京、浙江和廣東的排名均靠前，表明這些區域在金融風險水平的空間關聯網絡中占據著重要地位。因此，這些地區要繼續發揮其在空間網絡中的重要作用，在利用自身優勢持續發展金融、帶動相關省份金融發展的前提下，更要保持金融系統的穩定性，以免發生金融風險的迅速傳播。具體來說：

第一，點度中心度方面，由表6的測算結果可知，點度中心度的平均值為28.387，大于均值的省份有8個，按照順序從高到低分別是江蘇、上海、北京、浙江、福建、甘肅、廣東和天津，表明這些省份與其他地區省份的空間關聯較高。其中江蘇、上海、北京跟20個以上的省份存在金融風險傳染的關聯效應，說明這些省份位于金融風險空間網絡關聯的中心地位。另外，位于點度中心度前五的省份中，上海是我國的金融中心，北京是我國的政治和經濟中心，其他省份均位于東南部經濟發達地區，這些地區的金融發展也位于全國前列。而點度中心度的后三位為內蒙古、青海和西藏，這些省份為我國的少數民族地區，經濟發展水平落后，金融化水平較低，因此金融風險的整體中心度地位較低。

第二，接近中心度方面，平均值為18.320，大于均值的省份有18個，按照順序從高到低分別是江蘇、上海、北京、浙江、天津等，表明這些省份的金融風險水平與其他省份之間存在更多的直接關聯度，與網絡中其他省份之間的空間距離較近，更居于網絡的中心位置。究其原因，就在于上述各省份無論是經濟增長還是政策引領都具有巨大優勢，與其他省份的資本流動交換率也高，同時發揮著外引內聯的重要作用，與之對應也更能體現出區域金融風險的空間傳染和關聯性。位于后十位的省份為云南、陜西、黑龍江、西藏、內蒙古等，說明這些地區的金融風險外溢性弱，金融發展屬于被動型。

第三，中介中心度方面，高于均值的省份有11個，按照順序從高到低分別是江西、上海、廣東、重慶、北京、福建等，表明這些省份能影響剩余省份金融風險之間的相互行動，這些省份不僅在空間網絡關系中起到中心作用，還能發揮中介的橋梁作用，對于金融風險的傳染起著較強的控制和支配作用。

綜合圖1及上述分析，假設H1a得到驗證。

(二)金融創新對區域金融風險的非線性作用分析

本部分將上文測算的區域金融風險空間特征加入回歸模型中，檢驗金融創新水平與區域金融風險之間的非線性關系，同時通過模型(9)～(11)檢驗各地的區域金融風險空間特征是否在金融創新水平與區域金融風險之間起到了中介作用。

在對模型(9)進行估計時，即中介效應第一步回歸，需要注意三個問題：一是考慮到解釋變量選取的不完備性，可能會因某些未觀測的效應而產生模型結果偏差，因此對模型(9)采用固定效應面板；二是金融風險與金融創新之間的雙向因果關系，因此本文在估計時均加入被解釋變量的一階滯后項以緩解因果關系；三是內生性問題，在估計時采用系統GMM法，將被解釋變量的一階滯后作為工具變量。

具體結果如表7所示。其中第(1)列是沒有加入控制變量的固定效應模型，第(2)列是加入控制變量的固定效應模型，第(3)列是采用系統GMM估計的結果。對比這三列回歸結果可以發現，金融創新與金融創新二次項的系數大小有所不同，但系數的正負和顯著性沒有變化，驗證了本文所用模型的穩健性。

表7 中介效應第一步回歸結果

表7第(3)列顯示，Sargan檢驗值為0.101，拒絕工具變量存在過度識別的假設；同時AR(2)檢驗得到的p值為0.185，即不存在二階序列相關，說明系統GMM估計結果是有效的。從回歸結果可以看出，金融創新(Jrcx)的回歸系數為-3.778，且在1%水平下顯著。考慮平方項(Jrcx2)，其系數為1.031，且在1%水平下顯著，表明金融創新(Jrcx)與區域金融風險之間存在著U型關系，驗證了前文的假設H2。

表8為區域金融風險的各空間特征與金融創新的回歸結果，即中介效應的第二步回歸。為解決內生性問題，表8采用了系統GMM估計的方法，同時加入了被解釋變量的滯后項以緩解雙向因果關系。估計結果顯示，Sargan的檢驗值分別為0.129、0.100和0.100，拒絕工具變量存在過度識別的假設；同時AR(2)檢驗得到的p值分別為0.170、0.118和0.101，即不存在二階序列相關，說明系統GMM估計結果是有效的。同時可以看出，點度中心度(Didu)、接近中心度(Jjin)和中介中心度(Zjie)與金融創新(Jrcx)的回歸系數均顯著為負，說明金融創新可以抑制區域金融風險的空間關聯度。金融創新回歸系數的顯著性表明中介效應通過了第二步檢驗。

表8 中介效應第二步回歸結果

表9為區域金融風險(Jrfx)為被解釋變量，金融創新以及其平方項、金融風險的各空間網絡特征為核心解釋變量的回歸結果，即中介效應的第三步回歸結果。此處采用雙向固定效應模型進行分析?；貧w結果顯示，金融風險的各空間網絡特征點度中心度(Didu)、接近中心度(Jjin)和中介中心度(Zjie)的回歸系數均顯著為正，說明在區域金融風險的空間關聯網絡中，處于空間網絡中心位置的省份，其區域金融風險水平的傳播性也越高，驗證了假設H1b。金融創新(Jrcx)回歸系數均顯著為負，金融風險的各空間網絡特征顯著為正，由溫忠麟等(2004)[36]的中介效應檢驗理論可知，區域金融風險的空間網絡特征存在部分中介效應，即金融創新可以影響區域金融風險水平的空間關聯特征，進而影響我國區域金融風險的傳播，驗證了假設H3。

表9 中介效應第三步回歸結果

上文分析顯示，金融創新對區域金融風險水平的影響呈現U型非線性關系。為進一步明晰這種非線性關系，依據模型(12)，建立動態面板門檻模型。同時，為了檢驗門檻模型的穩健性，按照北京大學數字普惠金融指數的分類，將金融創新指數細化為覆蓋廣度(Jrcx_fg)、使用深度(Jrcx_sd)、和數字化程度(Jrcx_sz)3個維度。

表10報告了門檻效應存在顯著性的檢驗結果，可以看出，金融創新覆蓋廣度(Jrcx_fg)、使用深度(Jrcx_sd)、數字化程度(Jrcx_sz)均存在單門檻效應。其中，金融創新覆蓋廣度的單門檻效應在10%水平下顯著，而雙門檻效應沒有通過10%的顯著性檢驗；金融創新使用深度的單門檻效應在5%水平下顯著，而雙門檻效應沒有通過10%的顯著性檢驗；金融創新數字化程度的單門檻效應在1%水平下顯著，而雙門檻效應沒有通過10%的顯著性檢驗。此外，根據圖2的覆蓋廣度、使用深度、數字化程度分別為門檻變量的門檻值與置信區間也可以看出，單一門檻效應是顯著存在的。

表10 門檻存在性檢驗結果

在圖2的基礎上，將各門檻估計值匯報在表11。可以看出，金融創新覆蓋廣度的單門檻值為2.333，在全部的310個觀測值中，超過金融創新覆蓋廣度單門檻值的觀測值為140個，低于金融創新覆蓋廣度單門檻值的觀測值有170個，而這170個觀測值集中出現在2011―2016年。金融創新使用深度的單門檻值為2.251，在全部的310個觀測值中，超過金融創新使用深度單門檻值的觀測值有183個，低于金融創新使用深度單門檻值的觀測值有127個，這127個觀測值集中出現在2011―2013年。金融創新數字化程度的單門檻值為2.547，在全部的310個觀測值中，超過金融創新數字化程度單門檻值的觀測值有125個，低于金融創新數字化程度單門檻值的觀測值有185個，這185個觀測值集中出現在2011―2017年。

圖2 金融創新覆蓋廣度、使用深度、數字化程度的門檻值與置信區間

表11 門檻估計值及置信區間

以金融風險為被解釋變量，金融創新的覆蓋廣度(Jrcx_fg)、使用深度(Jrcx_sd)、和數字化程度(Jrcx_sz)作為門檻變量與核心解釋變量，區域金融風險的空間特征為解釋變量構造的動態面板單門檻模型的回歸結果如表12所示。第(1)列為以金融創新覆蓋廣度作為門檻變量的回歸結果，可以看出金融創新覆蓋廣度在位于門檻值(2.333)的兩側時，系數均通過1%水平的顯著性檢驗，而且在低于門檻值的時候，金融創新覆蓋廣度抑制了金融風險水平，在高于門檻值的時候，金融創新覆蓋廣度加劇了金融風險水平。第(2)列為以金融創新使用深度作為門檻變量的回歸結果，可以看出在位于金融創新使用深度門檻值(2.251)的兩側時，回歸系數通過了1%水平的顯著性檢驗，而且在低于門檻值的時候，金融創新使用深度抑制了金融風險水平，在高于門檻值的時候，金融創新使用深度加劇了金融風險水平。第(3)列為以金融創新數字化程度作為門檻變量的回歸結果，可以看出在位于金融創新數字化程度門檻值(2.547)的兩側時，系數均通過1%水平的顯著性檢驗，而且在低于門檻值的時候，金融創新數字化程度抑制了金融風險水平，在高于門檻值的時候，金融創新數字化程度加劇了金融風險水平，假設H2再次得到驗證。

表12 門檻效應的估計結果

(三)金融監管的調節作用

借鑒連燕玲等(2019)[26]的做法，本文建立調節效應模型，檢驗金融監管調節效應，即驗證假設H4。金融監管調節效應模型如下：

模型(13)和(14)中Jrjg代表各地的金融監管強度，Jrcx×Jrjg表示金融監管與金融創新的交乘項，其他變量同前。若α1、β1的系數同號且通過顯著性檢驗，則說明金融創新對區域金融風險的主效應存在，同時若β3的系數通過顯著性檢驗，則說明金融監管的調節效應存在。在調節效應存在的前提下，若α1、β3同號，則金融監管會加強金融創新對區域金融風險的主效應，若α1、β3異號，則金融監管會削弱金融創新對區域金融風險的主效應。結合表14的門檻效應回歸結果可知，金融創新對于區域金融風險存在U型非線性效應，則在進行調節效應分析時，從門檻值的兩側進行異質性分析，具體來說，將樣本按照門檻值進行分類，分別探討金融監管在金融創新抑制金融風險和金融創新加劇金融風險不同階段的調節效應。此外，為檢驗所假設調節效應模型的穩健性，按照北京大學數字普惠金融指數的分類，將金融創新指數細化為覆蓋廣度、使用深度、數字化程度三個維度，以求得到更為穩健的實證結果。回歸結果見表13和表14。其中表13是低于門檻值的回歸結果，表14是高于門檻值的回歸結果。

表14 調節效應的估計結果(高于門檻值)

表13第(1)(2)列檢驗金融監管在金融創新覆蓋廣度(低于門檻值2.333)抑制區域金融風險過程中的調節作用，由結果可知α1、β3的系數同負且通過顯著性檢驗，說明金融創新覆蓋廣度抑制區域金融風險的主效應存在，但交叉項系數β3沒有通過顯著性檢驗，說明金融監管在金融創新覆蓋廣度(低于門檻值2.333)抑制區域金融風險過程中的調節作用不存在。表13第(3)(4)列檢驗金融監管在金融創新使用深度(低于門檻值2.251)抑制區域金融風險過程中的調節作用，由結果可知α1、β1的系數同負且通過顯著性檢驗，說明金融創新使用深度抑制區域金融風險的主效應存在，但交叉項系數β3沒有通過顯著性檢驗，說明金融監管在金融創新使用深度(低于門檻值2.333)抑制區域金融風險過程中的調節作用不存在。表13第(5)(6)列檢驗金融監管在金融創新數字化程度(低于門檻值2.547)抑制區域金融風險過程的調節作用，與第(3)(4)列的結果類似，金融監管在金融創新數字化程度抑制區域金融風險的過程中沒有起到調節作用。

表13 調節效應的估計結果(低于門檻值)

表14第(1)(2)列檢驗金融監管在金融創新覆蓋廣度(高于門檻值2.333)加劇區域金融風險過程中的調節作用，由結果可知α1、β1的系數同正號且通過顯著性檢驗，說明金融創新覆蓋廣度加劇區域金融風險的主效應存在，同時β3的系數通過顯著性檢驗，說明金融監管的調節效應存在，但α1、β3異號，說明金融監管削弱了金融創新覆蓋廣度對區域金融風險的加劇，能夠起到監管的目的。表14第(3)(4)列檢驗金融監管在金融創新使用深度(高于門檻值2.251)加劇區域金融風險過程中的調節作用，由結果可知α1、β1的系數同正號且通過顯著性檢驗，說明金融創新使用深度加劇區域金融風險的主效應存在，同時β3的系數通過顯著性檢驗，說明金融監管的調節效應存在，但α1、β3異號，說明金融監管削弱了金融創新使用深度對區域金融風險的加劇，能夠起到監管的目的。表14第(5)(6)列檢驗金融監管在金融創新數字化程度(高于門檻值2.547)加劇區域金融風險過程的調節作用，與第(3)(4)列的結果類似，金融監管在金融創新數字化程度加劇區域金融風險的過程中起到調節作用。本文假設H4得到驗證。

五、結論與建議

本文基于我國2011―2020年我國31個省份的面板數據，運用主成分分析法構建各省份金融風險指標，基于社會網絡分析法從空間角度探究金融風險指數的空間關聯網絡特征，著重分析金融風險指數的空間關聯表現下金融創新對金融風險的非線性效應與影響途徑，探究了金融監管在金融創新影響區域金融風險中的調節作用。分析結果表明：我國的區域金融風險水平的空間關聯呈現典型的網絡結構，無孤立點，空間聯系顯著且嚴密；區域金融風險的空間特征指標對于區域金融風險的加劇存在著正向影響；金融創新水平對區域金融風險的影響是U型的，即低于門檻值時金融創新水平不會加劇區域金融風險，但越過門檻值時金融創新水平會加劇區域金融風險；區域金融風險水平的空間關聯指標在金融創新與區域金融風險水平的關系中起到中介效應，即金融創新能夠影響到區域金融風險水平的空間關聯結構，從而影響區域金融風險水平；金融監管在金融創新加劇區域金融風險的過程中起到調節作用，削弱了金融創新加劇區域金融風險水平的程度。

基于上述結論，本文提出以下建議：

第一，要充分重視我國區域金融風險的空間關聯和網絡特征，在促進各地金融協調發展的同時，防范區域金融風險的空間關聯帶來的系統性金融風險傳染和爆發。本文得到的結果顯示，我國區域金融風險水平的空間關聯呈現典型的網絡結構，無孤立點，空間聯系顯著且嚴密。因此，在面對諸如互聯網金融風險、高杠桿危機等類似的金融問題時，應防止發生空間和區域之間的傳播現象。從空間關聯數據看，北京、上海、廣東、江蘇與浙江等省份在中心性方面均起到主導作用，一旦上述各地發生金融風險，便會迅速發生擴散。因此，各地在加強區域間經濟交往和合作時，要通力互助，為防范區域金融風險的傳播創造更加有利的先決條件。此外，在制定金融政策時，既要考慮到各地的金融水平，也要充分參考各地的實際經濟水平，不搞一刀切，采取差異化的地區金融經濟政策。

第二，辯證看待金融創新與區域金融風險之間的關系。雖然隨著金融創新的深入發展，區域金融風險也會隨之加劇，但金融創新的正面效應亦需肯定，金融創新不僅便利了金融服務的可得性，也為中小微企業解決了融資困難問題。但是，過度的金融創新往往因為缺乏有效監管而陷入危險境地。因此，在守住不發生系統性金融風險的前提下，配套和完善相關金融產業的發展，推進信息技術能力的進步，以人工智能、大數據高端核心技術合法破解當前數據困境，助力金融創新。應通過先進的核心技術為金融創新提供精準服務、實行有效甄別，對那些具有創新發展能力、資金短缺嚴重的企業給予足夠的金融支持，從而發揮出金融創新驅動經濟發展的正面作用。傳統的金融機構也應該積極擁抱金融創新的數字化技術優勢，為傳統金融的事前識別企業、事中金融服務、事后風險控制提供有力支撐，助力實體經濟發展。

第三，加強中央和地方金融監管機構之間的協作，積極推進中央與地方的信息共享，提高金融監管的整體水平。提高監管機構的監管水平，緊跟互聯網、云計算、大數據等先進技術的發展，不斷充實監管隊伍的科技水平，發揮智能監管的積極作用。在充分考慮地區經濟發展狀況的同時，構建出適合國情與地方特色的金融創新水平控制機制與風險預警措施，盡量消除金融創新加劇區域金融風險的不利因素，為金融高質量發展保駕護航。