金融數(shù)據(jù)分析 課件 第9章 空間計(jì)量模型與檢驗(yàn)

第九章

空間計(jì)量模型與檢驗(yàn)

學(xué)習(xí)目標(biāo)

掌握空間計(jì)量模型的概念、內(nèi)容

區(qū)分空間計(jì)量模型的使用范圍與適用條件

了解空間計(jì)量模型的計(jì)量程序與實(shí)際應(yīng)用了解中國金融風(fēng)險(xiǎn)的空間集聚和溢出效應(yīng)

空間計(jì)量經(jīng)濟(jì)學(xué)的研究不斷深入、應(yīng)用領(lǐng)域不斷擴(kuò)大，逐漸發(fā)展為計(jì)量經(jīng)濟(jì)學(xué)的主流，它的應(yīng)用涉及眾多領(lǐng)域：從普遍應(yīng)用于區(qū)域科學(xué)、城市以及房地產(chǎn)經(jīng)濟(jì)學(xué)、經(jīng)濟(jì)地理等專門化領(lǐng)域，拓展到勞動(dòng)經(jīng)濟(jì)學(xué)、國際經(jīng)濟(jì)學(xué)、資源環(huán)境經(jīng)濟(jì)學(xué)、政治學(xué)以及發(fā)展經(jīng)濟(jì)學(xué)等領(lǐng)域。當(dāng)今世界經(jīng)濟(jì)一體化和全球化程度不斷加深，更有必要使用空間計(jì)量經(jīng)濟(jì)學(xué)分析經(jīng)濟(jì)體之間的空間相關(guān)程度，從系統(tǒng)性視角看問題。9.1

空間權(quán)重矩陣9.2

空間自回歸模型9.3

空間杜賓模型9.4

空間誤差模型專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)目錄CONTENTS空間權(quán)重矩陣

9.1

空間權(quán)重矩陣的定義空間權(quán)重矩陣（SpatialWeightingMatrix）最簡單的定義如下：其中，每個(gè)元素的定義為：（9.2）式中，N（i）為地點(diǎn)j的鄰近集。通過定義，我們有

。（9.1）（9.2）9.1.1鄰接矩陣根據(jù)空間相鄰關(guān)系，相鄰既可以是有共同邊界又可以是有共同頂點(diǎn)。根據(jù)類型，可分以下幾種：

（1）象相鄰（BishopContiguity）：兩個(gè)相鄰的區(qū)域有共同的頂點(diǎn)，但沒有共同的邊。

（2）車相鄰（RockContiguity）：兩個(gè)相鄰的區(qū)域有共同的邊。

（3）后相鄰（QueenContiguity）：兩個(gè)相鄰的區(qū)域有共同的頂點(diǎn)或邊。舉一個(gè)簡單的例子，假設(shè)有如下四個(gè)區(qū)域，其變量取值分別為

，參照圖9.1。x4x1x2x3圖9.1

假想的四個(gè)區(qū)域9.1.1鄰接矩陣針對圖8.1中的四個(gè)區(qū)域，其空間權(quán)重矩陣為：矩陣(9.3)的第一行表示，區(qū)域1與三個(gè)區(qū)域均相鄰；第二行表示，區(qū)域2只與區(qū)域4不相鄰；以此類推。（9.3）9.1.1鄰接矩陣

將(8.3)式的空間權(quán)重矩陣行標(biāo)準(zhǔn)化可得（仍記為W）:(9.5)9.1.2距離矩陣空間單元間除了相鄰關(guān)系，還可用距離進(jìn)行描述。記區(qū)域i與區(qū)域j的距離為dij，以距離之倒數(shù)作為空間權(quán)重，空間權(quán)重矩陣構(gòu)建方式如下：其中，dij既可以是地理距離，也可以是基于運(yùn)輸成本或旅行時(shí)間的經(jīng)濟(jì)距離。距離越遠(yuǎn)，空間權(quán)重系數(shù)越小。(9.6)9.1.3莫蘭指數(shù)（Moran'sI）統(tǒng)計(jì)量

其中，n是空間單元總數(shù)，wij是空間權(quán)重，yi是第i個(gè)地區(qū)的觀測值，

，

。9.1.3莫蘭指數(shù)（Moran'sI）統(tǒng)計(jì)量全局莫蘭指數(shù)統(tǒng)計(jì)量的取值范圍為[-1,1]，其值大于0時(shí)表明數(shù)據(jù)呈現(xiàn)空間正自相關(guān)；其值小于0時(shí)為空間負(fù)自相關(guān)；其值等于0時(shí)表明無空間相關(guān)性。莫蘭指數(shù)還可以用來檢驗(yàn)空間自相關(guān)的統(tǒng)計(jì)顯著性。統(tǒng)計(jì)量的期望為

，方差取決于y服從均勻分布還是正態(tài)分布，檢驗(yàn)統(tǒng)計(jì)量為

，檢驗(yàn)原假設(shè)是不存在空間自相關(guān)。在R中計(jì)算并檢驗(yàn)空間自相關(guān)的函數(shù)是spdep程序包中的moran.test()，其用法是：>moran.test(x,listw,randomization=TRUE,alternative="greaterr",zero.policy=NULL,...)9.1.4吉爾里指數(shù)（Geary’sC）統(tǒng)計(jì)量吉爾里指數(shù)統(tǒng)計(jì)量定義為:吉爾里指數(shù)測量的是全局空間自相關(guān)。

當(dāng)全局吉爾里指數(shù)的觀察值小于1，并且具有統(tǒng)計(jì)學(xué)意義時(shí)，存在正空間自相關(guān)；當(dāng)全局吉爾里指數(shù)的觀察值大于1時(shí)，存在空間負(fù)相關(guān)；全局吉爾里指數(shù)的觀察值等于1時(shí)，無空間自相關(guān)。其假設(shè)檢驗(yàn)的方法同全局莫蘭指數(shù)。吉爾里指數(shù)衡量的是空間檢測值兩兩之間的差。吉爾里指數(shù)與莫蘭指數(shù)存在負(fù)相關(guān)關(guān)系。

空間正自相關(guān)性越強(qiáng)，吉爾里指數(shù)越小，而莫蘭指數(shù)越大。(9.8)9.1.5雙變量莫蘭指數(shù)

R軟件中沒有可以直接計(jì)算雙變量莫蘭指數(shù)的函數(shù)，需要根據(jù)公式(9.9)逐步運(yùn)算?？臻g自回歸模型9.29.2.1一階空間自回歸模型

這里，y為被解釋變量向量的離差形式，W為行標(biāo)準(zhǔn)化處理后的空間權(quán)重矩陣（其行和為1），Wy表示空間滯后項(xiàng)，λ是空間自回歸系數(shù)，ε是服從正態(tài)分布的隨機(jī)誤差項(xiàng)。9.2.1一階空間自回歸模型對于模型(9.10)中的參數(shù)，一般采用極大似然函數(shù)方法進(jìn)行估計(jì)。此時(shí)，極大似然函數(shù)為在R中，如果我們想估計(jì)一階空間自回歸模型的參數(shù)，相應(yīng)的命令為：>spautolm（x~1，data=filename，listw=w)9.2.2空間滯后模型

被解釋變量y為n×1階向量，解釋變量X是n×k階向量，W是人為設(shè)定的、行標(biāo)準(zhǔn)化處理后的n×n階空間權(quán)重矩陣，Wy表示空間滯后因變量，ε是服從正態(tài)分布的隨機(jī)誤差向量，參數(shù)λ是空間滯后項(xiàng)Wy的系數(shù)，參數(shù)β反映了解釋變量對被解釋變量y的影響。9.2.2空間滯后模型

。在R中，估計(jì)空間滯后模型的函數(shù)是spatialreg程序包中的lagsarlm()，其用法是：>lagsarlm（formula，data=list（），listw，Durbin=FALSE，method="eigen"，...)

9.2.3分解效應(yīng)

空間計(jì)量模型是一種用于分析空間數(shù)據(jù)的統(tǒng)計(jì)模型，它考慮了空間上的相互依賴關(guān)系，能夠更準(zhǔn)確地描述空間數(shù)據(jù)的特征和變化規(guī)律?？臻g計(jì)量模型計(jì)算容易，但解釋并不容易。常見的術(shù)語有直接效應(yīng)、間接效應(yīng)和總效應(yīng)。直接效應(yīng)是解釋變量對本地的被解釋變量的影響。間接效應(yīng)是解釋變量對鄰地被解釋變量的影響。直接效應(yīng)與間接效應(yīng)之間的總和就是總效應(yīng),如圖9-2所示。。Y鄰地X本地Y本地直接效應(yīng)間接效應(yīng)總效應(yīng)【例9.1】中國30個(gè)?。ㄗ灾螀^(qū)、直轄市）2021年人均消費(fèi)的空間分析

消費(fèi)問題一直是經(jīng)濟(jì)研究領(lǐng)域的熱點(diǎn)問題。擴(kuò)大消費(fèi)尤其是居民消費(fèi)、完善消費(fèi)政策對于縮小地區(qū)差距，促進(jìn)經(jīng)濟(jì)平穩(wěn)健康發(fā)展具有重要意義。為此，研究中國各地區(qū)居民消費(fèi)問題具有重要的理論和實(shí)踐價(jià)值。本例以2021年中國30個(gè)省份（自治區(qū)、直轄市，西藏由于部分?jǐn)?shù)據(jù)缺失，香港、澳門、臺灣沒有相關(guān)數(shù)據(jù)，均不計(jì)入以下研究）的數(shù)據(jù)為樣本，建立空間滯后模型。表8.1展示了用于檢驗(yàn)人均消費(fèi)空間相關(guān)性的相關(guān)數(shù)據(jù)。表9.1中，因變量rjxf代表各省人均消費(fèi)；自變量rjgdp代表各省人均GDP；Arjtax代表各省人均稅收；rjins代表各省人均保費(fèi)收入。9.2.2空間滯后模型

9.2.2空間滯后模型

表9.1中國30個(gè)?。ㄗ灾螀^(qū)、直轄市）人均消費(fèi)變化的空間分布（單位：元/人）9.2.2空間滯后模型資料來源：數(shù)據(jù)來源于中國統(tǒng)計(jì)年鑒。9.2.2空間滯后模型注：*、**和***分別表示10%、5%和1%顯著性水平，下同。

莫蘭指數(shù)為0.4112，表明消費(fèi)具有空間正相關(guān)性，期望值為-0.0345，方差為0.0123，z統(tǒng)計(jì)量為4.0268，表明消費(fèi)呈現(xiàn)了明顯的聚類特征，p值為2.83E-05，在1%的顯著水平上顯著，因此有必要建立空間滯后模型進(jìn)行分析，結(jié)果如表9.3所示。9.2.2空間滯后模型

從表9.3估計(jì)結(jié)果可以看到，空間自回歸系數(shù)為0.2141，漸近z檢驗(yàn)的p值為0.0755，因此空間自回歸系數(shù)顯著為正，說明周邊鄰居消費(fèi)水平的提高能顯著提高本地消費(fèi)水平。9.2.2空間滯后模型從表9.4估計(jì)結(jié)果可以看到，人均國內(nèi)生產(chǎn)總值rigdp對本地和鄰近省份人均消費(fèi)rjxf具有正向的促進(jìn)作用，人均國內(nèi)生產(chǎn)總值rigdp每增加一個(gè)單位，本地人均消費(fèi)rjxf增加0.1109，鄰近省份人均消費(fèi)rjxf增加0.09313；人均稅收rjtax對本省人均消費(fèi)rjxf有促進(jìn)作用，對鄰近省份人均消費(fèi)rjxf有抑制作用，人均稅收rjtax每提高一個(gè)單位，本省人均消費(fèi)rjxf提高0.5709，但鄰近省份的人均消費(fèi)rjxf會下降0.0269，整體上對人均消費(fèi)rjxf呈正向作用；人均保費(fèi)收入rjins對本省以及鄰近省份人均消費(fèi)均呈現(xiàn)抑制作用，人均保費(fèi)收入rjins每提高一個(gè)單位，本省人均消費(fèi)rjxf下降0.1145，但鄰近省份的人均消費(fèi)rjxf會下降0.6428，整體上對鄰省消費(fèi)的抑制作用更強(qiáng)。

R代碼R語言代碼：>library(sp)>library(foreign)>library(readstata13)>library(haven)>library(rgdal)>library(spdep)>setwd("C:/Users/study/Desktop/data")>getwd()>rjxf9.1<-readOGR(".","sheng")>rjxf9.1_nb<-poly2nb(rjxf9.1)>rjxf9.1_nblist<-nb2listw(rjxf9.1_nb)>dataset=read.dta13("data.dta")>dataset$rjgdp=dataset$gdp*10000/dataset$peo>dataset$rjtax=dataset$tax*10000/dataset$peo>dataset$rjins=dataset$ins*10000/dataset$peo>summary(dataset)>#install.packages('psych')>library(psych)>describe(dataset$xf)>m1=lm(xf~rjgdp+rjtax+rjins,data=dataset)>summary(m1)>m2=step(m1)>summary(m2)>n<-nrow(rjxf9.1)

R代碼續(xù)>m3<-step(m1,k=log(n))>summary(m3)>moran.test(dataset$xf,listw=rjxf9.1_nblist,zero.policy=T)>library(spatialreg)>m3_lag<-lagsarlm(xf~rjgdp+rjtax+rjins,data=dataset,listw=>rjxf9.1_nblist,type="lag",zero.policy=TRUE)>summary(m3_lag,correlation=FALSE)>ev<-eigenw(rjxf9.1_nblist)>sdm2<-lagsarlm(m1,dataset,rjxf9.1_nblist,Durbin=T,control=list(pre_eig=ev))>impacts(sdm2,listw=rjxf9.1_nblist)【例9.2】產(chǎn)業(yè)結(jié)構(gòu)對科技創(chuàng)新的影響分析數(shù)字普惠金融影響因素問題一直是金融研究領(lǐng)域的熱點(diǎn)問題。數(shù)字普惠金融對于縮小地區(qū)差距，促進(jìn)經(jīng)濟(jì)平穩(wěn)健康發(fā)展具有重要意義。為此，研究數(shù)字普惠金融影響因素具有重要的理論和實(shí)踐價(jià)值。本例以2020年廣西省69個(gè)縣的數(shù)據(jù)為樣本，建立空間滯后模型即(9.13)9.2.2空間滯后模型式9.13中，因變量：數(shù)字普惠金融y；自變量：城鄉(xiāng)收入差距x1；傳統(tǒng)金融發(fā)展程度x2；產(chǎn)業(yè)結(jié)構(gòu)升級x3；經(jīng)濟(jì)發(fā)展水平x4；政府干預(yù)x5；人口密度x6；城鎮(zhèn)化率x7；交通便捷情況x8；互聯(lián)網(wǎng)發(fā)展水平x9；人口受教育程度x10。9.2.2空間滯后模型莫蘭指數(shù)為0.4535，表明數(shù)字普惠金融具有空間正相關(guān)性，期望值為-0.0147，方差為0.0076，z統(tǒng)計(jì)量為5.3670，表明數(shù)字普惠金融呈現(xiàn)了明顯的聚類特征，p值為4.002e-08，在1%的顯著水平上顯著，因此有必要建立空間滯后模型進(jìn)行分析，結(jié)果如表9.6所示。9.2.2空間滯后模型從表9.6估計(jì)結(jié)果可以看到，空間自回歸系數(shù)λ為0.3684，漸近z檢驗(yàn)的p值為0.0001，因此空間自回歸系數(shù)λ顯著為正，說明周邊鄰居數(shù)字普惠金融水平的提高能顯著提高本地?cái)?shù)字普惠金融水平。9.2.2空間滯后模型從表9.7估計(jì)結(jié)果可以看到，x1城鄉(xiāng)收入差距、x5政府干預(yù)、x8交通便捷和x10人口受教育程度都對本省和鄰近省份數(shù)字普惠金融有抑制作用；x2傳統(tǒng)金融發(fā)展、x3產(chǎn)業(yè)結(jié)構(gòu)升級和x6人口密度對本省和鄰近省份的數(shù)字普惠金融發(fā)展有促進(jìn)作用；x4經(jīng)濟(jì)發(fā)展水平、x7城鎮(zhèn)化率和x9互聯(lián)網(wǎng)發(fā)展水平會對本身數(shù)字普惠金融發(fā)展有促進(jìn)作用，對鄰省的數(shù)字普惠金融發(fā)展有抑制作用。

R代碼R語言代碼：>setwd("C:\\Users\\study\\Desktop\\例2")>getwd()>library(haven)>library(spdep)>library(spatialreg)>columbusswm<-read_dta("sw.dta")>columbusdata<-read_dta("ndata.dta")>names(columbusdata)>colww<-mat2listw(as.matrix(columbusswm),style="W")>moran.test(columbusdata$y,listw=colww)>moran.plot(as.vector(columbusdata$y),listw=colww,xlab="y",ylab="y.lag")>fm=y~x1+x2+x3+x4+x5+x6+x7+x8+x9+x10>cololsfit=lm(fm,data=columbusdata);summary(cololsfit)>collag1=lagsarlm(fm,data=columbusdata,>colww,type="lag");summary(collag1)>ev<-eigenw(colww)>sdm2<-lagsarlm(cololsfit,columbusdata,colww,Durbin=T,>control=list(pre_eig=ev))>impacts(sdm2,listw=colww)【例9.3】房價(jià)波動(dòng)對技術(shù)創(chuàng)新的空間影響分析

改革開放以來，越來越多的人轉(zhuǎn)移到城市工作和生活，人口城鎮(zhèn)化率不斷上升，2021年中國城鎮(zhèn)化率達(dá)到64.72%。伴隨經(jīng)濟(jì)發(fā)展和城鎮(zhèn)化率不斷上升，中國房價(jià)也不斷上漲，尤其是進(jìn)入21世紀(jì)后，高房價(jià)已經(jīng)成為大部分城市經(jīng)濟(jì)社會發(fā)展中必須面對的重要問題之一。隨著房價(jià)不斷上漲，越來越多的學(xué)者開始關(guān)注房價(jià)對技術(shù)創(chuàng)新的影響。基于空間相關(guān)性構(gòu)建了空間滯后模型，以2021年中國30個(gè)省份（西藏由于部分?jǐn)?shù)據(jù)缺失，不計(jì)入以下研究）省級截面數(shù)據(jù)為樣本，研究了房價(jià)波動(dòng)對技術(shù)創(chuàng)新影響的空間效應(yīng)。9.2.2空間滯后模型

考慮到數(shù)據(jù)的可比性和可衡量性，因變量技術(shù)創(chuàng)新采用專利授權(quán)數(shù)量來表示，自變量房價(jià)采用各省份商品房銷售額與商品房銷售面積之比來表示。技術(shù)創(chuàng)新不僅會受到房價(jià)波動(dòng)的影響，還會受到其他因素的影響，為使模型回歸結(jié)果更加準(zhǔn)確，將衛(wèi)生健康作為控制變量納入到模型中進(jìn)行回歸分析。所構(gòu)建空間滯后模型如下：8.2.2空間滯后模型式（9.14）中，Y表示技術(shù)創(chuàng)新（件），HP表示房價(jià)（元/平方米），HE表示衛(wèi)生健康支出（億元）。(9.14)9.2.2空間滯后模型8.2.2空間滯后模型資料來源：數(shù)據(jù)來源于中國統(tǒng)計(jì)年鑒8.2.2空間滯后模型

在表8.7中可以看出，莫蘭指數(shù)為0.4760，表明技術(shù)創(chuàng)新具有空間正相關(guān)性，期望值為-0.0345，方差為0.0138，z統(tǒng)計(jì)量為4.3527，表明技術(shù)創(chuàng)新呈現(xiàn)了明顯的聚類特征，p值為6.722e-06，在1%的顯著水平上顯著，因此有必要建立空間滯后模型進(jìn)行分析，結(jié)果如表8.8所示。8.2.2空間滯后模型從表9.10估計(jì)結(jié)果可以看到，空間自回歸系數(shù)顯著為正為0.2521，漸近z檢驗(yàn)的p值為0.0358，周邊鄰居房價(jià)的提高能顯著提高本地技術(shù)創(chuàng)新水平。8.2.2空間滯后模型從表9.11估計(jì)結(jié)果可以看到，房價(jià)lnHP對本省以及鄰省技術(shù)創(chuàng)新lnY都存在促進(jìn)作用，lnHP每提高一個(gè)單位，本省技術(shù)創(chuàng)新提高0.3614，鄰近省份的技術(shù)創(chuàng)新會提高1.4362；衛(wèi)生健康支出lnHE對本省以及鄰省技術(shù)創(chuàng)新lnY存在促進(jìn)作用，但會降低鄰省的技術(shù)創(chuàng)新水平，lnHE每提高一個(gè)單位，本省技術(shù)創(chuàng)新提高1.3795，鄰近省份的技術(shù)創(chuàng)新會減少0.0255，對整體技術(shù)創(chuàng)新也是呈促進(jìn)作用。

R代碼R語言代碼：>library(rgdal)>library(spdep)>library(haven)>fjbd9.3<-readOGR("sheng.shp")>nb.fjbd9.3<-poly2nb(fjbd9.3)>dataset<-read_dta("data3.dta")>summary(nb.fjbd9.3)>fjbd9.3_listw<-nb2listw(nb.fjbd9.3)>dataset$lnY=log(dataset$y)>dataset$lnHP=log(dataset$hp)>dataset$lnHE=log(dataset$h>>moran.test(dataset$lnY,fjbd9.3_listw)>library(spatialreg)>slm<lagsarlm(lnY~lnHP+lnHE,data=dataset,fjbd9.3_listw)>summary(slm)>ev<-eigenw(fjbd9.3_listw)>sdm2<-lagsarlm(slm,dataset,fjbd9.3_listw,Durbin=T,>control=list(pre_eig=ev))>impacts(sdm2,listw=fjbd9.3_listw)空間杜賓模型8.38.3空間杜賓模型

8.3空間杜賓模型

8.3空間杜賓模型

8.3空間杜賓模型我們用R逐步進(jìn)行運(yùn)算后可以描繪出雙變量莫蘭檢驗(yàn)的散點(diǎn)圖，具體如圖9-3所示雙莫蘭散點(diǎn)圖顯示了兩變量之間存在正空間相關(guān)，其中橫坐標(biāo)表示產(chǎn)業(yè)結(jié)構(gòu)離差的空間滯后變量，縱坐標(biāo)表示科技創(chuàng)新的對數(shù)離差形式8.3空間杜賓模型表9.12展示了空間杜賓模型估計(jì)結(jié)果，我們可以得到如下結(jié)論：W2x4估計(jì)結(jié)果在5%的水平上顯著為負(fù),雙變量莫蘭指數(shù)檢驗(yàn)可以說明其他地區(qū)經(jīng)濟(jì)發(fā)展對于本地普惠金融存在負(fù)面的抑制作用。；空間系數(shù)項(xiàng)W1y以及自變量的空間滯后項(xiàng)W2x4,空間回歸系數(shù)λ和β2分別為0.4361和-9.7250。R代碼

>library(spdep)>library(spatialreg)>dly<-log(dataset$y)-mean(log(dataset$y))>dx4<-dataset$dus-mean(dataset$x4)>slag.dx4<-lag.listw(lw,dx4)>numerator<-sum(dly*slag.dx4)>denominator<-sqrt(sum(dly^2))*sqrt(sum(dx4^2))>numerator/denominator>plot(slag.dx4,dly)>abline(h=0,v=0,lty=2)>abline(lm(dly~slag.dx4))>sdm<-lagsarlm(fm,data=dataset,list=colww,Durbin=TRUE)>summary(sdm)>sdm1<-lagsarlm(fm,data=dataset,listw=colww,Durbin=~x4x+x5x+x7x)>summary(sdm1)>impacts(sdm,listw=colww)空間誤差模型8.48.4空間誤差模型

8.4空間誤差模型

8.4空間誤差模型

8.4空間誤差模型

8.4空間誤差模型從回歸結(jié)果可以得到如下結(jié)論：經(jīng)濟(jì)發(fā)展的系數(shù)為5.8999，在LR檢驗(yàn)水平下顯著不為0；誤差項(xiàng)的空間自回歸系數(shù)ρ為0.5857,LR檢驗(yàn)的p值為3.371e-04,漸近z檢驗(yàn)的p值為1.649e-10；似然比檢驗(yàn)、漸近正態(tài)檢驗(yàn)以及Wald檢驗(yàn)都表明其顯著不為0,地區(qū)經(jīng)濟(jì)發(fā)展對普惠金融發(fā)展水平有顯著的促進(jìn)作用。控制變量中：地區(qū)人口密度和城鎮(zhèn)化率對普惠金融發(fā)展水平具有顯著推動(dòng)作用,而交通便捷情況有抑制作用；交通便捷情況的提高會在一定程度加大城市內(nèi)部的資金流動(dòng)，調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，金融機(jī)構(gòu)從而就會減少對于普惠金融的力度。8.4空間誤差模型為了使統(tǒng)計(jì)結(jié)果更具有穩(wěn)健性，我們接下來通過使用廣義矩估計(jì)的方法來檢驗(yàn)的模型和統(tǒng)計(jì)結(jié)果的穩(wěn)健性，空間誤差模型的廣義矩估計(jì)結(jié)果如下表所示：R代碼

>library(spdep)>library(rgdal)>library(spatialreg)>sem<-errorsarlm(fm,data=columbusdata,listw=colww)>class(sem)>summary(sem)>sem.gmm<-GMerrorsar(fm,data=columbusdata,listw=colww)>summary(sem.gmm)專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)

專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)當(dāng)前經(jīng)濟(jì)金融形勢仍存在較大不確定性，未來金融風(fēng)險(xiǎn)防范任務(wù)仍然十分艱巨，特別是宏觀杠桿率較高、房地產(chǎn)部門風(fēng)險(xiǎn)凸顯、地方融資平臺債務(wù)、金融科技風(fēng)險(xiǎn)以及內(nèi)外金融風(fēng)險(xiǎn)共振等問題仍需要得到及時(shí)有效的應(yīng)對與處置；選擇合適的分析工具探討金融風(fēng)險(xiǎn)在國內(nèi)空間區(qū)域間的集聚與溢出效應(yīng)，是健全金融監(jiān)管，堅(jiān)守不發(fā)生系統(tǒng)性金融風(fēng)險(xiǎn)底線上亟需解決的重要問題；為測量空間區(qū)域間金融風(fēng)險(xiǎn)的集聚和溢出性，我們構(gòu)建區(qū)域上的空間權(quán)重矩陣，這個(gè)問題可通過R解決。再通過構(gòu)建的空間權(quán)重矩陣，我們利用莫蘭和吉爾里全局檢驗(yàn)可以有效的測算空間的相關(guān)性水平；金融風(fēng)險(xiǎn)的傳導(dǎo)往往具有集聚和溢出性，通過選擇構(gòu)建合適的空間滯后模型、空間誤差模型，來具體分析金融風(fēng)險(xiǎn)在空間上的傳遞和集聚。

專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)1.數(shù)據(jù)來源本專題將研究中國國內(nèi)30個(gè)?。ㄗ灾螀^(qū)、直轄市，西藏、香港、澳門、臺灣除外）2019年地方政府負(fù)債率衡量政府債務(wù)風(fēng)險(xiǎn);研究數(shù)據(jù)為2019年的截面數(shù)據(jù)，共計(jì)30個(gè)觀測值，數(shù)據(jù)主要來源各省《地方政府性債務(wù)審計(jì)公報(bào)》、地方政府債券信息網(wǎng)以及Wind。實(shí)證研究所采用的其他數(shù)據(jù)主要來自《地區(qū)統(tǒng)計(jì)公報(bào)》、國家統(tǒng)計(jì)局。此外，需要提及的是，各地政府債務(wù)余額于2010年開始公布，截至2019年底共公布了10個(gè)時(shí)間點(diǎn)數(shù)據(jù)（2011年國家審計(jì)署尚未公布，2013年為6月底公布）專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)

專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)3.實(shí)證結(jié)果在對模型進(jìn)行實(shí)證分析之前，先需要對空間區(qū)域進(jìn)行空間自相關(guān)檢驗(yàn)，從而判斷空間關(guān)聯(lián)性。表9.19以及表9.20分別為莫蘭和吉爾里全局空間自相關(guān)檢驗(yàn)結(jié)果。專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)

專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)表9.21顯示了普通最小二乘回歸模型統(tǒng)計(jì)結(jié)果，可以看出地方政府財(cái)政赤字率對于當(dāng)?shù)氐恼?fù)債率具有顯著的正相關(guān)性，可決系數(shù)為0.6974，模型能較好說明它們之間的關(guān)系。專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)

專題9中國金融風(fēng)險(xiǎn)的空間集聚與溢出效應(yīng)表9.22顯示空間滯后模型的回歸結(jié)果，從估計(jì)結(jié)果可以看到，空間自回歸系數(shù)ρ為-0.1900，漸近z檢驗(yàn)的p值為0.2455。因此通過構(gòu)建空間滯