金融市场风险传染的时空效应研究*

  20世纪90年代以来，金融全球化使得世界各国的金融市场联动紧密，国际金融市场风险变得更加复杂，金融风险传染的全球性和系统性特征越来越突显。无论是突发风险事件的发生，还是单个国家金融危机的爆发都会使各国金融市场遭受危机感染的可能性加大。2008年席卷全球的金融危机使国际金融市场间的风险传染问题越来越受到各国监管部门的重视，如何防范并减缓金融市场的外部冲击对本国的影响成为金融监管的重要内容之一。2020年11月15日由东盟十国发起的区域全面经济伙伴关系协定（RCEP）的签署，标志着当前世界上人口最多、经贸规模最大的自由贸易区正式启航。这一协议在给亚太地区经济繁荣与发展带来新动能的同时，也给这些国家防范区域金融风险的传染带来了新挑战。

  鉴于已有文献对金融风险时空传染研究的不足，本文以区域全面经济伙伴关系协定参与国为主要样本，选取2008年1月—2020年12月的相关金融指标，构建面板数据半参数空间向量自回归模型研究不同国家之间和不同市场之间的风险传染关系和时空效应。这对防范金融风险跨市场、跨地区传染具有较强的现实意义。

一、文献综述与研究视角

  国内外关于金融风险传染的文献主要集中在金融风险跨市场和跨地区研究两个方面。已有文献对金融风险跨市场研究主要是以一个国家或地区内部的多个金融市场之间的风险传染为主。严伟祥等利用动态条件相关-广义自回归条件异方差-条件风险价值模型（DCC-GARCH-CoVaR），研究金融风险在银行业、保险业、股票市场、信托业以及金融期货市场之间的传染风险效应（严伟祥、张维、牛华伟，2017）。李志辉和王颖采用向量误差修正模型（VEC）分析了债券市场、外汇市场和股票市场三个金融子市场之间的传染效应，并对每个市场的风险传染效应的贡献度进行了测算（李志辉、王颖，2012）。迪博尔德（Francis X. Diebold ）和伊尔马兹（Kamil Yilmaz）利用网络分析方法，构建网络风险溢出模型来考察金融子市场间的风险传染效应（Diebold and Yilmaz， 2012）。杨子晖等采用在险价值（VaR）、边际损失期望（MES）、条件风险价值（CoVaR） 以及风险溢出（ΔCoVaR）四类风险测度指标，对中国A股市场56家上市金融机构和房地产公司的系统性金融风险展开研究，考察了中国金融风险的跨部门传染。研究结果表明金融体系整体上存在较为明显的跨部门风险传染效应（杨子晖、陈雨恬、谢锐楷，2018）。

  针对金融风险跨地区研究，已有文献主要以多个国家或地区间相互的金融风险传染为主进行展开。宫越（Tatsuyoshi Miyakoshi）研究了日本、亚洲其他国家和美国等多个国家之间股票市场的金融风险溢出效应（Miyakoshi， 2003）。迪博尔德和伊尔马兹将向量自回归模型（VAR）和方差分解技术进行了结合，发现美国、英国等全球19个主要国家或地区的股票市场之间存在风险溢出效应（Diebold and Yilmaz， 2009）。埃尔曼娜（Michael Ehrmanna）等利用向量自回归模型对美国和欧洲地区之间股票市场、债券市场、货币市场和外汇市场的金融风险传导进行了研究（Ehrmanna，Fratzscherb，and Rigobon， 2011）。张银山等以美元、卢布、人民币、坚戈（哈萨克斯坦货币）这四种货币作为变量构建向量自回归-广义自回归条件异方差-多变量波动性模型（VAR-MGARCH-BEKK），以人民币汇率主要改革时间为节点，分多个阶段对中哈两国汇率市场的风险溢出效应进行考察（张银山、秦放鸣、张雯，2019）。

  已有文献研究表明在当前复杂的国际金融市场环境下，金融风险跨市场、跨地区传染的空间特征明显。苗文龙等基于货币市场和外汇市场构建了全球系统性金融风险传染网络，探究了系统性金融风险在不同市场、不同国家之间的传染效应。研究表明金融风险可能通过金融网络实现跨市场传染，从而对其他国家／地区的货币市场／外汇市场形成风险冲击。阿波斯托拉基斯（George Apostolakis）等通过构建金融压力指数检验了七国集团（Group of Seven， G7）国家之间的金融压力共同变动和金融风险的溢出效应，研究发现相对于金融稳定时期，在金融危机时期和经济不确定时期七国集团国家之间的压力共同变动更大，并且更容易受到外部冲击的影响（Apostolakis， and Papadopoulos， 2014）。蒋胜杰、傅晓缓、李俊峰（2019）利用马尔科夫状态转移模型及马尔科夫区制转移向量自回归模型（MS-VAR）研究了金融危机背景下信用环境在经济波动期和平稳期不同状态下风险跨区域的传染效应，研究表明，明显存在着区域间的信用违约风险特征，并且在经济波动期传染效应更为显著。

  在研究方法上，现有文献大多采用传统计量经济模型或时间序列模型进行风险传染研究（严伟祥等，2017；Diebold and Yilmaz， 2009；Ehrmanna et al.， 2011），时间序列模型的优点是可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效的预测。但时间序列模型仅考虑了时序特征，忽略了截面信息的影响。为了同时将时间和截面两个维度都纳入研究框架，本文采用半参数空间向量自回归模型（Semi-Parameter Spatial Vector Autoregression， SSpVAR）进行研究，较好地解决了传统计量经济模型和时间序列模型的局限性。空间向量自回归模型是一种对时间因素和空间因素都进行考虑的内生系统，该模型由贝恩斯托克（Michael Beenstock）和费尔森施泰因（Daniel Felsenstein）（2007）在2007年首次提出，之后在库斯（Todd H. Kuethe）等（Kuethe and Pede， 2011）、拉马乔（Julian Ramajo）等（Ramaji， M􀅡rquez and Hewings，2013）、郑万吉和叶阿忠（2015）的文献中有深入的应用。空间向量自回归模型将空间计量模型与向量自回归模型结合，较好地解决了空间计量模型中存在多个内生变量的问题。

  本文的边际贡献主要体现在以下方面：第一，本文采用的半参数空间向量自回归模型考虑了不同国家的空间地理相关性和空间经济相关性，而传统经典计量经济模型是建立在经济单元间相互独立的假设基础之上的，这与现实并不相符，因为地理或经济邻近的国家或地区在经济或贸易联系上会更密切。因此本文将空间权重纳入模型可以有效地解决经典计量模型中忽略截面个体空间相关的问题。第二，首次在考虑了地理邻近和经济邻近关系的基础上，将国家间的外汇市场、债券市场、股票市场和银行系统作为研究对象，构建半参数空间向量自回归模型研究金融风险跨地区跨市场传染。第三，本文除了引入空间项之外，还将银行压力指数作为外生变量和非参数项加入模型中，更好地刻画金融市场间非线性的关系。由于金融市场之间的关系往往是非线性的，参数估计模型难以准确估计，而该模型能够更好地处理经济活动变量之间的非线性影响。最后，从政策意义来看，本文通过时空脉冲响应函数对金融风险在不同市场、不同地区之间的传染进行研究，可为防范金融风险跨地区传染提供政策参考。

二、半参数空间向量自回归模型的构建

  （一）理论模型设定

  本文的主旨是研究金融风险在不同国家之间以及不同市场之间的传染关系和时空效应，因此既需要考虑不同截面个体之间的相关关系，又需要从时间演化的角度观察风险冲击的演化特征，而半参数空间向量自回归模型可将目标变量的时间因素和空间因素都纳入内生系统，从而真实地反映个体间的相互关系。

  为保证模型的适用性，本文先对变量进行平稳性、非线性和因果关系检验，发现各市场压力指数为平稳序列，银行压力指数是非线性的，且三个市场之间存在两两互为因果的关系。因此本文将外汇、债券、股票三个市场压力指数视为内生变量，把银行压力指数作为非参数项纳入模型，建立时间滞后和空间滞后都为一期的半参数面板向量自回归模型，形式如下：

  [empiitembiitemstockit=γ11   γ12   γ13γ21    γ22   γ23γ31    γ32   γ33empiit-1embiit-1emstockit-1+λ11   λ12   λ13λ21    λ22   λ23λ31    λ32   λ33empi*it-1embi*it-1emstock*it-1+M1bankitM2bankitM3bankit+ϕ1iϕ2iϕ3i+λ1tλ2tλ3t+μ1tμ2tμ3t]         （1）

  其中，方程左边的[empiit]表示外汇市场压力指数，[embiit]表示债券市场压力指数，[emstockit]表示股票市场压力指数，方程右边分别代表被解释变量的时间滞后一期项和空间滞后一期项。[empi*it-1]、[embi*it-1]、[emstock*it-1]分别代表各变量的空间滞后一期项，[empi*it-1=wijempiit-1]，[embi*it-1=wijembiit-1]，[emstock*it-1=wijemstockit-1]，空间权重矩阵[wij=minjr2ij,i≠j0,i=j]，其中[r2ij]表示国家之间的地理距离，[mi]、[nj]则分别代表两个国家的经济状况。为了计算空间权重矩阵（[wij]），本文借鉴冯烽和叶阿忠（2012）的做法，先根据经纬度坐标计算出地区之间的地理距离，然后将经济状况临近的两个国家作为参数，将空间权重纳入模型。[bankit]代表非参数项银行压力指数，[M(bankit)]为其未知函数形式。[ϕ]、[λ]、[μ]分别代表变量横截面上的个体固定影响、变量时间上的固定影响、变量的空间误差项。

       为了平缓波动趋势，满足建模要求，对各市场压力指数进行对数化处理，分别建立对数形式的面板数据半参数空间向量自回归模型：<H:\开放时代\2022-01\PI-01改大.eps>

  其中，[ i]为国家个数，[i]=1，2，……，10，[ln empiit-1]、[ln embiit-1]、[lnem_stockit-1]分别为样本国家相应时间的外汇、债券、股票市场的滞后一期项，[ln empi1it-1]、[ln embi1it-1]、[lnem_stock1it-1]分别为相应时间的滞后一期的空间滞后项，[Gbank1it]是以银行压力指数为自变量的非参数项，[uit]代表残差项，[ai]代表个体固定效应。

  模型运用局部线性估计理论和广义矩估计（GMM）理论，对内生变量和非线性部分进行估计，从而得到各内生变量的系数。

  由于各国在不同阶段的金融风险不同，为具体分析不同的时空效应，本文依据金融压力指数（FSI）①的变动趋势（见图1）以及重大金融事件的出现对样本区间进行了划分。第一时段为2008年1月—2010年1月：受2008年次贷危机的影响，该时段样本国金融系统处于高风险状态，金融压力指数波动剧烈。第二时段为2010年2月—2013年8月：样本国金融系统在2011年年底出现了较大波动，这可能是受2010年6月14日国际三大评级机构之一的穆迪投资者服务公司将希腊主权信用连降四级，从A3降至Ba1（垃圾债）所导致的。第三时段为2013年9月—2017年1月：样本国金融系统较不稳定，时而呈现高风险时而呈现低风险，这主要是受到欧洲主权债务危机、日本央行实施的量化宽松的货币政策等“黑天鹅”事件连续发生所导致的。第四时段为2017年2月—2020年12月：自2017年之后样本国金融压力指数总体来说趋于平稳，但受2020年年初疫情因素影响，金融系统出现较大的波动。②本文样本区间的划分与现有相关研究（谢赤、胡雪晶、王纲金，2020）基本一致。在实证分析中通过时空脉冲响应函数分析这四个时段上某国某一变量发生的单位标准差变动对其他内生变量造成的冲击，即时空的“冲击-响应”信息。

       （二）数据说明

  考虑到地理邻近和经济邻近关系，空间距离越近的国家往往能够呈现较强的相关性，经济联动性也更强，同时根据半参数空间向量自回归模型的要求，在进行分析时样本之间的空间距离不宜过远。因此本文主要选取区域全面经济伙伴关系协定参与国作为研究样本。同时，受限于一些国家相关指标公布的滞后，本文最终以2008年1月—2020年12月中国、印度尼西亚、日本、马来西亚、菲律宾、新加坡、韩国、泰国、俄罗斯和澳大利亚这十个国家的面板数据为基础，研究金融市场风险传染的时空效应。

  对市场压力指数采用同类研究的做法，本文选取银行资本与资产比率、不良贷款率和存贷款利差来计算银行压力指数；选取各国股票市场指数收益率来表征股票市场压力；选取名义汇率、储备变动值来计算外汇市场压力指数；选取5年期信贷违约掉期利差（CDs）、债券收益率和10年期美国国库券收益率利差来综合计算债券市场压力指数。

三、时空脉冲响应结果及其原因剖析

  进一步地，本文通过时空脉冲响应函数分析某个国家某一变量发生的单位标准差变动对其他变量造成的冲击。相比于传统的向量自回归脉冲响应函数，半参数空间向量自回归模型可以分别从时间层面和空间层面给出“冲击-响应”的信息，所以能够包含更全面的空间信息。由于实证结果信息量太大，本文主要以中日韩为例，分析不同国家外汇市场、债券市场与股票市场的时空脉冲响应结果③，以探寻金融风险在不同市场间的传染关系及其内在原因。

  从不同市场来看，中国外汇市场的冲击对日韩两国金融市场产生了影响，除了在第一时段，韩国外汇市场对于中国外汇市场的冲击响应是最大的。日本外汇、债券和股票市场对于中国外汇市场冲击的响应与韩国类似，但响应程度比韩国弱。

  从中国不同市场间的冲击结果来看，给中国债券市场一个标准差的正向冲击，在第二时段，中国股票市场对债券市场一个标准差的正向冲击产生了负向响应，而外汇市场在第一时段和第三时段产生了负向响应，在第二时段和第四时段产生了正向响应。在给中国股票市场一个标准差的正向冲击时，除了第二时段的债券市场外，中国三个市场在四个时段里均产生了正向响应。

  从不同时段来看，当中国外汇市场受到正向冲击后，在第一时段对韩国、日本、澳大利亚和菲律宾四个国家的外汇和股票市场金融压力都产生了强烈的正向影响，而在第二时段中国外汇市场受到正向冲击后的效果则与第一时段相反，但值得注意的是中国外汇市场受到冲击对日本债券市场、韩国外汇市场、韩国股票市场的影响是最大的。在第三时段中国外汇市场受到正向冲击后，对四个国家的债券市场和股票市场金融压力均产生了强烈的正向影响，对他们的外汇市场却产生了强烈的负向影响。第四时段在中国外汇市场的正向冲击影响下，四国冲击响应的效果则与第三时段相反，但四国的债券市场金融压力则产生了完全相反的结果。

  以上时空脉冲响应结果进一步说明了外汇市场、债券市场和股票市场三者的关系是紧密相连的，这其中一个重要的决定因素是投资者对一国货币的利率预期。一国利率上升，将吸引国际资本流入，从而增加对该国货币和外汇供应的需求，导致该国货币升值，反之亦然。与利率变动联系最为紧密的是债券市场。债券市场对其他国家投资者的吸引力会导致相关资金流的形成，进而对汇率造成影响。预期利率的变化也将影响国际资本在股票市场和债券市场上的流动。一般地，长期债券会随利率的高低按相反方向涨落，即当利率上升时，由于长期利差缩小，会更有利于吸引国际资本到股票市场，但对短期债券来说影响较小。因此，从长期来看，股票市场与债券市场的波动溢出的负相关关系比较明显，但由于股票市场和债券市场的波动溢出同时受到宏观事件、财政政策、货币政策和突发事件的影响，在短期内也可能会造成股票市场和债券市场波动溢出呈现正相关。对于外汇市场与股票市场的相互关系，可以从两个角度来解释：一是国际贸易角度，即一国汇率的变动会对从事进口贸易的企业造成较大的影响，企业商品的国际竞争力、贸易量和利润额也会改变，最终导致企业的现金流和股票价格发生变化；二是资本项目角度，即资本项目是影响汇率变化的重要因素，预期汇率变化会使投资者对自身资产组合进行调整，而资本在国际的流动又会使汇率发生变化，由于供求关系失衡使资产价格大幅波动，从而进一步通过财富效应影响一国的货币需求和汇率。

  结合不同国家间的冲击结果来看，中国外汇市场对日本债券市场、韩国外汇市场和韩国股票市场的影响是最大的。在研究的样本国家中，韩国与日本外汇市场的冲击对中国外汇市场的影响是最显著的，这与各国间的经济贸易往来以及各国的外汇制度是密不可分的。与日韩两国实施的由市场供求决定的自由浮动汇率制度不同，中国实施有管理的浮动汇率制度。2015年中国通过增强汇率的市场化决定机制，使汇率始终保持“双向浮动”，这不仅发挥了汇率价格信号的作用，也提高了资源配置的效率。但是韩元、日元汇率与人民币汇率之间的波动产生的相互影响始终是存在的。当其他国家外汇市场的汇率下降时，相对于人民币就是升值，这样提升了他国商品的国际竞争力，对中国商品的出口则会产生负面影响。由于对外贸易是中国经济增长最主要的引擎之一，汇率剧烈波动会给对外贸易带来巨大影响，所以必须妥善处理人民币与日元、韩元之间的关系，保持人民币汇率的稳定。

  正是由于不同市场之间的关联性，使得金融风险容易从一个市场传递到另一个市场，最终对整个金融市场产生影响，而经济地理距离越密切的国家之间金融市场风险的冲击响应程度往往更大，尤其是在金融危机时期会格外严重。当然，不同国家对资本管制的程度不同，市场冲击造成的影响程度也可能是不同的。对于中国而言，目前采取的是经常项目外币可兑换，资本项目项下外币兑换审慎管理原则④。在资本流动管制方面，中国一直秉承着“宽进严出”的管理模式，鼓励外商在国内进行投资，通过引资的方式促进国内经济发展。在期限结构上，对资本项目始终遵循“长松短严”的原则，这在很大程度上也杜绝了短期投机行为对中国金融体系稳定造成影响。2014年、2016年、2017年分别开通的“沪港通”“深港通”“债券通”进一步实现了内地与香港资本市场的互联互通，给境外投资者投资境内股票市场和债券市场拓宽了投资渠道。由于“沪港通”和“深港通”互联互通的交易机制连接了内地与香港股票市场，当人民币汇率处于升值周期时，内地资本市场逐步开放吸引了大量香港以及海外投资者的目光，大量北上资金持续涌入内地股市，国内资产价格上升从而导致了股市的上涨。由此可见，在中国资本市场进一步开放的背景下，保持人民币汇率走势稳定对国内股票市场和债券市场有着积极的作用。

四、银行系统对外汇、债券和股票市场的影响分析

  为进一步探究银行系统压力这一非线性因素对外汇、债券和股票市场的影响，本文将十个样本国家作为整体对银行压力指数这一非线性因素求偏导，从而估算出外汇市场、债券市场和股票市场的内生变量对银行压力指数非参数拟合的偏导数。将非参数的偏导数结果用散点图（图2—图4）表示，散点图直观地说明了银行系统压力对外汇市场、债券市场和股票市场的影响。

  图2显示银行压力指数增大会增加外汇市场面对的压力。银行压力指数在0.2—0.8的区间时，其对外汇市场压力指数正向作用逐渐减弱，但银行压力指数超过0.45后，其作用逐渐增强。当银行压力指数处于低水平的时候，银行对外汇市场压力指数的抑制作用比较强，而随着银行压力指数的增强，外汇市场压力指数受到银行压力指数上升影响而下降的程度则会减弱。

  如图3所示，银行压力指数对债券市场压力指数的导数图呈现倒“U”形特征，银行系统与债券市场的非线性关系显著。在银行压力指数小于0.45时，银行系统压力指数升高对债券市场压力指数的正向促进作用加强。而当银行系统压力指数超过0.45时，银行系统压力指数升高对债券市场压力指数的正向促进作用会减弱。当压力指数超过0.6时，银行系统压力指数的变化对债券市场压力指数的影响降至0.4左右。

  图4表明银行压力指数对股票市场没有显著影响。压力指数在0.2—0.6这个区间时，其对股票市场的影响均在0.05以下。这可能是因为银行与股票市场具有强的相互传染性，各国为了防范银行与股票市场之间风险的传染均采取了一系列措施，这些举措使得银行压力指数的变化不能导致股票市场压力指数的变动。然而，值得注意的是，当银行压力指数处于高水平状态时，股票市场与银行之间还是会有部分风险传染的情况。但在严格限制下，这种联系产生风险传染的可能性较小。

五、结论与政策建议

  本文首次尝试在考虑了地理邻近和经济邻近关系的基础上，以区域全面经济伙伴关系协定参与国为主要样本，通过半参数空间向量自回归模型和时空脉冲响应函数分析了金融市场冲击在股票市场、债券市场及外汇市场三者之间时间上的滞后效应以及不同国家（空间）上的溢出效应。同时将银行压力指数作为非参数变量纳入模型，分析银行系统对整个金融市场的影响，得到如下研究结论：

  第一，外汇市场、债券市场和股票市场三者是紧密相连的。这其中一个重要的决定因素是投资者对一国货币的利率预期。从不同国家间的冲击结果来看，中国外汇市场对日本债券市场、韩国外汇市场和韩国股票市场的影响是最大的。在研究的样本国家中，韩国与日本外汇市场的冲击对中国外汇市场的影响是最显著的，这与各国间的经济贸易往来以及各国的外汇制度密不可分。

  第二，正是由于不同市场之间存在关联性，使得金融风险容易从一个市场传递到另一个市场，最终对整个金融市场产生影响，而经济地理距离越密切的国家之间金融市场风险的冲击响应程度往往越大，尤其是在金融危机时期会格外严重。然而不同国家对资本管制程度是不同的，受到金融风险的冲击也是有所不同的。中国采用的是资本项目项下外币兑换审慎管理原则，这在很大程度上可以避免短期投机行为对金融体系稳定造成的影响。中国“沪港通”“深港通”“债券通”的开通促进了中国内地资本市场与香港资本市场的双向开放，在此背景下保持人民币汇率走势稳定对国内股票市场和债券市场来说有着积极的作用。

  第三，当银行系统处于高风险时，银行压力的增大会增加外汇市场面对的压力，而债券市场则能够有效地分散银行风险。当银行压力指数处于低水平状态时，债券市场对银行系统风险的接纳能力逐渐下降。对于股票市场，银行压力指数的变动则对其没有显著影响。

  基于上述研究结论，本文认为中国应建立金融风险预警与防范机制，预防外部市场冲击，维护国家金融安全，为此必须坚持做好以下三个方面的工作：

  第一，应加强对自身外汇市场和短期流动资本的监管。监管部门应加强汇率风险管理意识，建立汇率风险管理制度，同时应关注货币政策操作风险、汇率过度波动风险、资本流动风险等，防止人民币汇率因以上风险而出现异常波动。坚持资本项目开放谨慎管理的原则，加强对短期资本流动的监管，以保证在外汇简政放权力度不断加大，资本项目可兑换稳步推进的发展背景下，保持人民币汇率的基本稳定。

  第二，密切关注具有极高系统重要性的市场和地区，并根据重要性程度实行差异化管理。防范国家金融风险不能只着眼于单一金融市场，而应该纵观整个金融网络，并依据不同经济状况采取不同的措施来预防国家间金融风险的传染。在危机发生期间，除了要预防本国不同市场之间的相互传染之外，还要警惕其他国家金融市场的冲击对于中国的影响。当前，中国正在逐步减轻对其他国家的外贸依赖程度，为预防因国家间金融风险传染对中国金融市场造成的严重影响，首先应将重点转移到与中国经济关系密切的国家上。其次，在中国市场金融震荡期来临时要加强与日本、韩国、澳大利亚、菲律宾等国家的交流，共同制定政策来抵御风险，尽量在风险传染的初期及时切断风险传染途径，避免风险在不同市场、不同地区之间大规模的蔓延。

  第三，正确处理不同市场间的关系，更好地发挥银行系统和债券市场规避金融风险的功能。为了维护整个国家金融系统的稳定，对于银行压力指数较低的国家，例如，中国、印度尼西亚、日本、马来西亚、韩国、泰国、澳大利亚等，可以适当增强银行之间的资金往来，提高自身银行压力指数水平。而对银行压力指数较高的国家，应适当降低银行压力水平，以更好地发挥银行系统和债券市场规避金融风险的功能。

  *本文为国家社会科学基金项目“复杂网络视角下系统性金融风险统计监测研究”（项目编号：19BTJ024）的阶段性成果。

参考文献：

冯烽、叶阿忠，2012，《技术溢出视角下技术进步对能源消费的回弹效应研究——基于空间面板数据模型》，载《财经研究》第9期。

蒋胜杰、傅晓媛、李俊峰，2019，《金融危机下信用违约风险的宏观驱动因素及跨区域传染效应——基于亚洲、北美、欧洲三大区域的实证分析》，载《中央财经大学学报》第6期。

李志辉、王颖，2012，《中国金融市场间风险传染效应分析——基于VEC模型分析的视角》，载《现代财经（天津财经大学学报）》第7期。

苗文龙、杨朔寒、田妍，2021，《全球系统性金融风险跨市场传染效应分析——基于货币市场 / 外汇市场金融网络的视角》，载《金融监管研究》第7期。

谢赤、胡雪晶、王纲金，2020，《金融危机10年来中国股市动态演化与市场稳健研究——一个基于复杂网络视角的实证》，载《中国管理科学》，第6期。

许涤龙、陈双莲，2015，《基于金融压力指数的系统性金融风险测度研究》，载《经济学动态》第4期。

严伟祥、张维、牛华伟，2017，《金融风险动态相关与风险溢出异质性研究》，载《财贸经济》第10期。

杨子晖、陈雨恬、谢锐楷，2018，《我国金融机构系统性金融风险度量与跨部门风险溢出效应研究》，载《金融研究》第10期。

张银山、秦放鸣、张雯，2019，《中国与哈萨克斯坦金融市场联动效应研究——基于四元VAR-MGARCH-BEKK模型的分析》，载《金融发展评论》第2期。

郑万吉、叶阿忠，2015，《城乡收入差距、产业结构升级与经济增长——基于半参数空间面板VAR模型的研究》，载《经济学家》第10期。

Apostolakis, George and Athanasios P. Papadopoulos, 2014,“Financial Stress Spillovers in Advanced Economies,” Journal of International Financial Markets, Institutions and Money, Vol. 32 (September), pp. 128-149.

Balakrishnan, Ravi, et al.,2011, “The Transmission of Financial Stress from Advanced to Emerging Economies,” Emerging Markets Finance and Trade, Vol. 47, Iss. sup 2, pp. 40-68.

Beenstock, Michael and Daniel Felsenstein, 2007, “Spatial Vector Autoregressions,” Spatial Economic Analysis, Vol. 2, No. 2, pp. 167-196.

Diebold, Francis X. and Kamil Yılmaz, 2015, Financial and Macroeconomic Connectedness: A Network Approach to Measurement and Monitoring, New York: Oxford University Press.

Diebold, Francis X. and Kamil Yilmaz, 2012, “Better to Give than to Receive: Predictive Directional Measurement of Volatility Spillovers,” International Journal of Forecasting, Vol. 28, Iss. 1, pp. 57-66.

Diebold, Francis X. and Kamil Yilmaz, 2009, “Measuring Financial Asset Return and Volatility Spillovers, with Application to Global Equity Markets,” The Economic Journal, Vol. 119, Iss. 534, pp. 158 -171.

Ehrmanna, Michael, Marcel Fratzscherb, and Roberto Rigobon, 2011, “Stocks, Bonds, Money Markets and Exchange Rates: Measuring International Financial Transmission,” Journal of Applied Econometrics, Vol. 26, Iss. 6, pp. 948－974.

Kuethe, Todd H. and Valerien O. Pede, 2011, “Regional Housing Price Cycles: A Spatio-temporal Analysis Using US State-level Data,” Regional Studies, Vol. 45, No. 5, pp. 563-574.

Miyakoshi, T., 2003, “Spillovers of Stock Return Volatility to Asian Equity Markets from Japan and the US,” Journal of International Financial Markets, Institutions and Money, Vol. 13, Iss. 4, pp. 383-399.

Ramajo, Julian, Miguel A. Márquez, and Geoffrey J. D. Hewings, 2013, “Does Regional Public Capital Crowd out Regional Private Capital? A Multiregional Analysis for the Spanish Regions,” Estadística Española, Vol. 55, No. 180, pp. 33-54.