金融集聚影响因素空间计量模型及其应用，本文主要内容关键词为：及其应用论文,模型论文,因素论文,金融论文,空间论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
金融是现代经济的核心，随着信息和通信技术的飞速发展，许多金融功能已经克服了地理空间上的限制，能够在相隔遥远的不同地理区域低成本和快捷地实现，不再需要面对面地交易。然而，金融服务业的空间集聚现象却日益凸显，从最初的少数几家银行集中，发展到各种不同类型金融机构的空间集聚，产业集群已成为现代金融产业组织的基本形式。令人奇怪的是，货币和金融的空间影响总是被区域经济学家和经济地理学家所忽视。自货币地理学者明确推翻了新通信技术(ICTs)的应用将导致地理学终结(Obrien，1992)这一观点以来，金融的空间分析才逐渐纳入学者们的分析框架。在考虑空间经济外溢性的条件下，我国金融集聚的空间相关性如何？有哪些因素促进了我国省域金融集聚，这些因素在不同时期对金融集聚又有何不同的作用？本文的目的就在于通过空间经济计量分析技术，构建金融集聚空间计量模型，试图对我国省域金融集聚影响因素进行实证分析，从而揭示我国金融集聚的空间依赖性和异质性，以期为政府部门制定合理的金融布局和发展政策提供科学参考依据。
一、文献回顾
国内外对金融集聚及其影响因素的相关研究仍处于起步阶段，大多以理论研究为主，辅以大量的金融集聚案例分析。在基础研究方面，货币地理学派认为，货币具有与生俱来的空间性(Martin，1999)，货币地理性的四个方面为：区位结构、制度的地理性、监管的空间性以及整个国家的公共金融空间。对金融集聚的成因，有研究(Kindle Berger，1974；Tschoegl，Adrian，2000)认为，外部规模经济具有自我强化性，规模经济使得银行和其他金融机构选择一个特定的区位，当更多的金融部门在一个区域内定位，那么这些区域对于其他金融参与者来说更加具有吸引力。Naresh，Gary和Swann(2001)认为，从供给看，金融集聚是为了获得大量的专业劳动力，金融中心所提供的会计、精算、法律、计算机等服务以及由于交易接近资产流动的地方而获得更大的灵活性。从需求看，金融集聚是为了获得由于定位在金融集聚区而提高声誉；降低由于金融服务公司与客户之间的信息不对称而导致的逆向选择和道德风险的程度。
国内学者张凤超(2003)基于金融资源论，提出了金融地域运动的概念。由于金融资源在空间地域的分布而表现出非均质或不连续的特点，正是由于这种初始的地域差异性，引发了金融地域运动。黄解宇和杨再斌(2006)认为，金融集聚是随着产业集聚的形成而发展的，金融本身的高流动性加速了集聚；规模经济效应以及不对称信息和默示信息所要求的金融主体的空间邻近能促使金融集聚的形成。
这些研究成果的出现极大地促进了金融集聚理论的发展，但这些研究尽管认识到金融集聚与空间因素极为相关，但仍停留在对金融集聚机理的理论研究上，缺乏相应的数量模型和经验实证，未将金融集聚空间维度的相关性和异质性纳入实证研究。金融集聚本身是一种产业演化过程中的地理空间现象，具有极强的空间自相关性。不同国家或地区间的空间差异非常明显，采用传统回归分析方法解释金融集聚现象往往会掩盖这种十分显著的空间差异。
与以往研究不同，本文在纳入空间效应的前提下，从区域创新角度建立金融集聚影响因素分析框架，以我国2002-2007年数据为基础，对我国28个省域金融集聚影响因素进行空间计量分析，从而揭示金融集聚的内在形成机理。
二、理论假说与模型设定
1.理论假说
(1)金融集聚。金融集聚的含义目前尚无统一界定。黄解宇和杨再斌(2006)认为，金融集聚既是一个过程，又是一个状态或结果。前者是指通过金融资源与地域条件协调、配置、组合的时空动态变化，金融产业成长、发展，进而在一定地域空间生成金融地域密集系统的变化过程。后者是指经过上述过程，达到一定规模和密集程度的金融产品、工具、机制、制度、法规、政策文化在一定地域空间有机结合的现象和状态。显然，金融集聚具有空间地理接近性、行业接近性、社会接近性等外在性质。
本文提出如下假设：
假设1 我国现阶段金融产业发展存在空间依赖性和空间溢出效应。
(2)区域创新。区域创新是金融集聚可持续发展的内在动力。Keeble和Nacham(2001)认为，服务业是属于知识密集型行业，应从集聚学习和创新环境等角度来探寻集聚利益。金融集聚区本身就是一种创新网络，它通过集群企业之间的相互联系、各种正式与非正式的交流沟通，构成一种集体学习，刺激服务企业内部创新。尤其是隐含经验类知识的交流，能激发新思想、新方法的应用，促进产业融合，使新产业和新产品不断出现，吸引新的客户和生产者。当金融集聚发展到一定程度，新知识的获取和创新将成为影响其进一步发展的关键要素。理论上，区域创新水平越高的省份，金融产品的供给能力也会越强，从而会进一步促进金融集聚。
假设2 区域创新是影响金融集聚的核心变量，对金融集聚有显著的促进作用，且随着区域创新水平的不断提高，其促进作用将逐渐增强。
(3)经济基础。金融是国民经济的重要组成部分，实体经济的运行状况对金融主体的发展有着重要影响。在经济繁荣时期，企业的经营状况良好，社会失业率低，对资本的需求量就大，金融业一般会处于良好的运营状态；而在萧条时期，企业投资的成功率低，失业率上升，金融债务的偿还能力下降，金融风险加剧，不利于金融主体的运营。综观英美等国际金融中心的形成发展史，金融中心发源地内在经济与金融实力的膨胀，是金融中心形成和发展的必要条件。因此，无论是何种模式的金融产业集聚，都需要与之相匹配的经济基础作为其发展的依托。
假设3 经济基础与金融集聚有极强的正相关性。
(4)对外开放。一般的，对外开放程度越高，所需的金融服务水平也越高。Simon等(2004)的研究表明，高层次的金融企业总是会定位在一个国际城市的信息腹地，在那里，信息以更低的成本被获得和验证。同时，为了分享高等级生产者服务并实现城市化经济，跨国公司总部和高端金融服务总是密不可分地集中在相同的关键地点。金融机构为提供更好的服务，往往集聚在其主要客户的总公司附近；而跨国公司总部作为金融业的微观行为主体，不仅趋向于将机构定位于开放的全球城市中，而且总部总是选择具有竞争力的区位，其影响因素包括充足的运输和通讯基础设施，高品质的专业服务，如法律、会计和金融服务；丰富的社会和文化设施以及根植于法律的良好制度。
假设4 对外开放与金融集聚有显著的正相关性。
(5)人力资本。人力资本是影响金融集聚发展的重要因素。与物质资本和自然资源相比，人力资本是“软生产要素”。高水平人力资本是提高现代金融竞争力的基本要素。理论上，人力资本水平越高，金融产品的供给能力越强，金融产业集聚程度越高。金融业吸收高学历的人才比其他行业或地区要多，高级金融专业人才的汇聚是吸引金融机构集聚的重要原因，更是区域金融市场繁荣、金融产品创新活跃的根本支撑。
假设5 人力资本对金融集聚有显著的促进作用。
2.变量选择
(1)因变量。本文选择区位熵系数(LQ)测算我国金融服务业的区域集聚程度。区位熵是衡量产业专业化的重要指标，可充分比较不同地区金融集聚程度，确定该地区金融产业集中状况在全国所处的位置。计算公式如下：
(2)解释变量。本研究将金融集聚的影响因素分为核心变量和控制变量两组。
核心变量主要是区域创新。专利数量是区域创新能力的重要标志，是衡量知识吸收和技术进步比较理想的变量。这里用各省份三种专利的授权量与全国三种专利的授权量的比值来反映各省的区域创新水平，用I表示。
控制变量主要包括影响各地区金融集聚资源禀赋差异的变量，目的是用来控制其他可能导致金融集聚差异的因素。
经济基础：用来反映地区经济基础的指标有很多，如地区国内生产总值、人均GDP、政府财政收入等。考虑到政府在金融发展中的作用，以及财政与金融的紧密联系，本文使用各地区政府财政收入总额占GDP的比重来反映地区经济发展基础，用GOV表示。
对外开放：考虑到各地区外国直接投资与当地金融的紧密联系，我们设置了外国直接投资额占GDP的比值来综合反映各地区对外开放程度，用OPEN表示。
人力资本：采用人均受教育年限来衡量人力资本水平。本文主要考虑从业人员（15～64岁的人口）的受教育年限，该数据基本能表达社会人口受教育水平的大部分内涵。根据人口普查的规定：文盲计为0年，小学文化计为6年，初中文化计为9年，高中文化计为12年，大学及大专以上计为16年。小学文化从小学一年级到小学毕业均计为6年，其余类推。因此，人口平均受教育年限可以用15～64岁人口受教育年数的总和（即6×小学文化人数+9×初中文化人数+12×高中文化人数+16×大学及大专以上人数）除以15～64岁人口数来计算，以此生成人均受教育年限来反映一个地区的人力资本水平，用PEO表示。
3.模型设定
根据以上理论假说及变量的选择，本文的线性模型形式设定如下：
式中，β为回归参数，i为1，2，…，28个省域，ε为随机误差项。被解释变量FIN是利用区位熵系数衡量的我国28个省域的金融集聚程度；I表示区域创新，是本文所设定模型中的核心解释变量；在控制变量中，GOV表示经济基础，OPEN表示对外开放，PEO表示人力资本。
本文所用样本包括中国28个省、自治区、直辖市（以下简称省域），其中，重庆市合并到四川省内计算，西藏自治区、海南省、香港特别行政区、澳门特别行政区和台湾省除外。数据主要来源于2003-2008年的《中国统计年鉴》，实证研究主要借助于Arcviews3.3和Geoda0.9.1两个软件完成。
三、空间计量方法
空间经济计量模型主要解决回归模型中复杂的空间相互作用与空间依存性结构问题。空间计量经济学(Anselin，1988)理论认为，一个地区空间单元上的某种经济地理现象或某一属性值与邻近地区空间单元上同一现象或属性值是相关的。几乎所有的空间数据都具有空间依赖性或空间自相关性的特征，空间依赖的存在打破了大多数经典统计和计量分析中相互独立的基本假设。也就是说，各区域之间的数据存在与时间序列相关、相对应的空间相关。
根据空间计量经济学方法原理，金融集聚影响因素空间计量分析的思路如下：首先采用Moran指数法检验因变量（金融集聚）是否存在空间自相关性；如果存在空间自相关性，则建立空间计量经济模型进行金融集聚影响因素的空间计量估计和检验。
1.空间自相关性
检验金融集聚现象的空间相关性存在与否，运用空间自相关指数Moran'I，计算公式为：
Moran's I指数可看作各地区观测值的乘积和，其取值范围在-1～1之间，若各地区间经济行为为空间正相关，其数值应当较大；负相关则较小。
根据Moran's I指数的计算结果，可采用正态分布假设进行检验n个区域是否存在空间自相关关系，其标准化形式为：
公式(4)和(5)可以用于检验n个区域是否存在空间自相关关系。如果Moran's I指数的正态统计量的Z值大于正态分布函数在0.05水平下的临界值1.96，表明金融集聚在空间分布上具有明显的正向相关关系，正的空间相关代表相邻地区的类似特征值出现集群趋势；反之，则不存在空间自相关关系。
2.空间计量模型
空间计量模型适用于截面数据的空间常系数回归模型，包括空间滞后模型(Spatial Lag Model，SLM)与空间误差模型(Spatial Error Model，SEM)。
(1)空间滞后模型(SLM)。空间滞后模型主要探讨各变量在一个地区是否有扩散现象（溢出效应），其表达式为：
Y=ρWy+Xβ+ε(6)
式中，Y为因变量；X为n×k的外生解释变量矩阵；ρ为空间回归关系数，反映了样本观测值中的空间依赖作用，即相邻区域的观测值Wy对本地区观察值y的影响方向和程度；W为n×n阶的空间权值矩阵；Wy为空间滞后因变量，ε为随机误差项向量。
(2)空间误差模型(SEM)。空间误差模型的数学表达式为：
Y=Xβ+ε
(7)
ε=λWε+μ(8)
式中，ε为随机误差项向量，λ为n×1的截面因变量向量的空间误差系数，μ为正态分布的随机误差向量。
参数λ衡量了样本观察值中的空间依赖作用，即相邻地区的观察值有Y对本地区观察值Y的影响方向和程度，参数β反映了自变量X对因变量Y的影响。
3.空间自相关检验及SLM、SEM的选择
判断地区金融集聚现象的空间相关性是否存在，以及SLM和SEM哪个模型更恰当，一般可通过包括Moran's I检验、两个拉格朗日乘数(Lagrange Multiplier)形式LMERR、LMLAG和稳健(Robust)的R-LMERR、R-LMLAG等来实现。
由于事先无法根据先验经验推断在SLM和SEM模型中是否存在空间依赖性，有必要构建一种判别准则，以决定哪种空间模型更加符合客观实际。Anselin等(2004)提出了如下判别准则：如果在空间依赖性的检验中发现，LMLAG较之LMERR在统计上更加显著，且R-LMLAG显著而R-LMERR不显著，则可以断定适合的模型是空间滞后模型；相反，如果LMERR比LMLAG在统计上更加显著，且R-LMERR显著而R-LMLAG不显著，则可以断定空间误差模型是恰当的模型。除了拟合优度
检验以外，常用的检验准则还有自然对数似然函数值(Log likelihood，LogL)，似然比率(Likelihood Ratio，LR)、赤池信息准则(Akaike information criterion，AIC)，施瓦茨准则(Schwartz criterion，SC)。对数似然值越大，AIC和SC值越小，模型拟合效果越好。这几个指标也用来比较OLS估计的经典线性回归模型和SLM、SEM，似然值的自然对数最大的模型最好。
四、实证结果分析
1.金融集聚空间自相关性
利用2002～2007年中国28个省域的金融集聚指标计算Moran's I指数，其中，空间权重矩阵选用“地理”空间权重矩阵(W)，结果见表1。
表1 中国28个省域金融集聚Moran's I指数及其Z值
由表1可知，Moran's I的正态统计量Z值均大于正态分布函数在0.05显著性水平下的临界值(1.96)，这表明我国28个省域金融集聚现象在空间上具有明显的正自相关关系（即空间依赖性）。也就是说，我国省域金融产业的发展在空间分布上并非表现出完全随机的状态，而是表现出某些省域的相似值之间在空间上趋于集聚，这说明我国省域金融产业的发展存在着空间上明显的集聚现象。
为进一步分析我国省域金融产业发展的空间集聚特征，本文给出了局域Moran指数散点图（见图1）。
图1 我国省域金融集聚度的Moran指数散点图
由散点图可见，各个省域金融产业发展可分为四种空间相关模式（见下页表2）：第1象限（图右上方）表示高集聚增长地区被高集聚的其他地区所包围(HH)，代表正的空间自相关关系的集群；第2象限（图左上方）表示低集聚增长地区被高集聚增长的其他地区所包围(LH)，代表负的空间自相关关系的集群；第3象限（图左下方）表示低集聚增长地区被低集聚增长的其他地区所包围(LL)，代表正的空间自相关关系的集群；第4象限（图右下方）表示高集聚增长地区被低集聚增长的其他地区所包围(HL)，代表负的空间自相关关系的集群。
表2 金融产业集聚度各省际区域的空间相关模式
总体来看，我国位于第2、4象限的省域不多（只有7个），第1、3象限省域金融集聚出现HH和LL两种模式的分化，因此可以认为，我国省域金融集聚存在着地理空间分布上的依赖性和异质性。作为集聚度最高的两个城市北京和上海（区位熵系数分别为3.71、4.35），没有出现在同一个象限，这可能是因为与北京邻近的地区，如夫津、辽宁、吉林等都是金融集聚度比较高的地区，即高集聚增长的地区被高集聚增长的其他地区所包围，反映了金融集聚在地理空间分布上的依赖性。而与上海邻近的大部分地区，如安徽、江西、河南、山东等金融集聚度都很低，即高集聚增长地区被低集聚增长的其他地区所包围，反映了金融集聚在地理空间分布上的异质性（见表2）。
分析表明，我国省域金融产业发展确实存在着空间集聚现象，地区差异比较显著。这也表明有必要从空间维度的相关性和异质性出发，对金融集聚影响因素进行空间计量分析。
2.金融集聚影响因素空间计量模型的选择与估计
本文选用的空间计量模型是纳入了空间效应的空间滞后模型(SLM)与空间误差模型(SEN)两种。为比较不同时期各影响因素对当期被解释变量的影响作用，根据设定的空间计量模型形式，又分别设定当期模型和跨期模型如下：
模型Ⅰ：当期模型。被解释变量和解释变量均选取2007年的数据，反映当期解释变量对当期被解释变量的影响。
模型Ⅱ：跨期模型。被解释变量选取的是2007年的数据，各解释变量选取的是2002年的数据，反映初期解释变量对当期被解释变量的跨期影响。
为进行SLM和SEM模型的选择，首先对模型Ⅰ和模型Ⅱ进行不考虑空间效应的OLS估计，结果见下页表3和表4。由表3可知，模型拟合优度为0.749984，区域创新、经济基础、对外开放的回归系数均为正，且区域创新和经济基础通过了5%的变量显著性检验，说明这两个变量的当期值对金融集聚有显著的正向作用，与理论假设一致。而对外开放和人力资本均没有通过5%的显著性检验。同理，由表4可知，初期的经济基础、对外开放和人力资本对省域金融集聚有显著的促进作用，与理论假设一致。而区域创新变量虽然通过了5%的变量显著性检验，但其回归系数为负，与假设2不符。这种结果可能是因为经典线性回归模型设定不恰当，比如没有考虑到省域（截面单元）的空间自相关性。
进一步利用Moran指数、两个拉格朗日乘数来判断模型的形式。表3中，Moran I指数的P值为0.0173464，在5%的显著性水平下通过检验，这表明经典回归误差的空间依赖性（相关性）非常明显。另外，LMLAG和R-LMLAG分别通过了5%和10%的显著性检验，而LMERR和R-LMERR均未能通过检验，因此，根据判别准则，对于模型Ⅰ，空间滞后模型(SLM)是相对比较合适的模型。同理，由表4可判断，相对而言，对于模型Ⅱ选择SEM模型更好一些。
根据以上判断，在模型Ⅰ和模型Ⅱ中加入空间效应，分别建立空间滞后模型(SLM)和空间误差模型(SEN)。利用极大似然估计法对参数进行估计，由表5和表6（见第55页）参数估计结果可见，相对于经典回归模型，SLM和SEM的拟合优度检验值和对数似然函数值都有所提高，AIC和SC的值都相对变小。这就说明考虑空间效应后的模型有效地消除了金融集聚空间自相关和空间误差。
表3 模型Ⅰ的OLS估计结果
注：*、**、***分别表示通过1%、5%、10%水平下的显著性检验。
表4 模型Ⅱ的OLS估计结果
注：同表3。
3.回归结果分析
根据表5、表6的回归结果可知，SLM中的参数ρ和SEM中的参数λ都通过了1%的显著性检验，这说明随着经济全球化、市场化和信息化的不断发展，我国金融业空间集聚现象日益明显，金融产业发展的空间依赖性和空间溢出效应显著。
表5 SLM模型的ML估计结果
注：同表3。
表6 SEM模型的ML估计结果
注：同表3。
在SLM中，区域创新对金融集聚有显著的正向作用，与假设2的预期一致。而在SEM中，初期区域创新对金融集聚有显著的负向作用。这可能是因为在期初，区域创新的水平比较低，且知识的传播比较慢，难以有效实现知识信息的共享，因而抑制了金融产业在省域间的集聚，而随着时间的推移，区域创新水平不断提高，逐渐发达的信息传播技术也使创新知识和技术在区域内得到共享，进而使得区域创新对金融集聚的作用逐渐从负向影响转向显著的正向促进。
在SLM和SEM两个模型中，经济基础对金融集聚均有显著的正向作用，这与假设3的预期一致。一般的，区域经济发展水平越高，社会对金融服务的需求也就越大，金融集聚会随社会对融资规模、金融服务质量等各类需求的增长而发展。北京、上海作为全国的经济中心，同时也是我国金融业最发达的两大城市，金融集聚度非常高。
在SLM中，对外开放变量未能通过5%的显著性检验，但在SEM中，对外开放却对金融集聚有显著的促进作用。这说明在期初，对外开放程度的扩大、大量外商直接投资的进入，不仅增加了金融服务的市场需求，也对金融集聚产生了一定的促进作用。但随着时间的推移，我国对外开放水平的提高程度并不能满足金融业发展需要，因而在一定程度上抑制了金融业的集聚发展。
人力资本变量尽管在SLM中没有对金融集聚产生显著的影响，但在SEM中却对金融集聚有显著的促进作用。这说明人力资本在期初确实对金融集聚产生了显著的促进作用，但人力资本对金融集聚的促进作用仍需要一个随时间的推移来吸收和消化的过程，而不是立即显现的，故而导致当期人力资本水平对当期金融集聚的作用不显著。这可能与我国人力资源优势转化为人力资本优势的速度缓慢，成效不高等密切相关。我国大部分地区教育水平偏低，使得人力资本存量不足，尤其是高质量金融专业人才稀缺，企业组织人力资本后劲不足，这就在一定程度上阻碍了人力资本的再积累和有效的发挥，金融集聚受到人力资本的约束。
五、结论及启示
本文通过构建金融集聚影响因素空间计量模型，揭示了我国金融集聚的内在形成机理，主要结论及启示如下：
我国金融集聚现象在截面单元上具有空间自相关性，各省份之间形成了较强的空间依赖作用和正的空间溢出效应。这种正的空间溢出效应说明与本地相邻省域的金融产业发展能促进本地区金融业的提高。其政策含义在于加强相邻省域间的区域金融合作，促进金融资源在区域间的自由流动，会促进我国金融产业在更大范围内的优化配置，实现金融市场一体化。
区域创新水平对金融集聚促进作用显著，且其作用将随创新水平的不断提高而逐渐增强。目前我国金融集聚发展趋势明显，但金融集聚的知识技术溢出、辐射效应还较小，因此，加强金融服务业的研发投入，提高金融创新水平，对促进金融集聚可持续发展，并最终提高金融竞争力具有极强的现实意义。保持良好的经济运行环境是金融集聚的基本保证。金融中心往往首先是经济中心，经济的高速发展是金融中心形成的催化剂，同时，金融中心所提供的金融支持则能够全方位提升区域经济水平。基于我国国情和经济金融形势，金融中心的建设应以经济腹地为依托，并通过政府和市场的共同作用促进经济和金融中心的长远发展。在对外开放方面，由于我国现阶段在金融业的对外开放上限制仍然较多，使得这种对外开放对金融集聚的正效应随着时间的推移逐渐弱化。因此，逐步放宽政策限制，吸引国内外金融机构进入，扩大对外开放与交流，增强金融对外开放程度是提升各省域金融集聚竞争力的必然选择。人力资本是影响金融集聚的重要变量，但人力资本作用的发挥仍需要有一个吸收和消化的过程。目前，我国金融业对高水平人力资本，尤其是对高素质金融人才的需求还比较大，各地区应注重对人力资本的投资，着力加强高层次金融人才的吸引和培养力度，培育和提升人力资本优势，为金融发展积聚更多有用人才。
本文构建的以区域创新为核心变量的金融集聚影响因素空间计量模型可以进行多角度的扩展和应用。比如在控制变量中，还可以将各省域固定资产投资水平、金融业从业人员数、政府干预、制度环境等因素纳入进来，以进行更细致全面的考察。当然，本文主要是从空间维度特征方面对金融集聚影响因素进行探索，对其在时间维度方面的特征考虑还不够。在对权重的选择上，只考虑了地理距离，而没有考虑经济距离，这也对本文的实证结果产生了一定的影响。这也将是我们在今后的研究中需要不断改进和加强的地方。
标签：金融论文; 人力资本论文; 地理论文; 经济模型论文; 空间自相关论文; 空间分析论文; 经济指数论文; 地理科学论文; 集聚效应论文; 解释变量论文; 经济学论文; 经济论文;