城镇化水平、FDI与房价——基于泛长三角的空间计量研究

王立平，李艳萍

（合肥工业大学经济学院，安徽合肥230069）

●关注房价

城镇化水平、FDI与房价
——基于泛长三角的空间计量研究

王立平，李艳萍

（合肥工业大学经济学院，安徽合肥230069）

文章利用31个城市2000-2011年面板数据，基于空间距离加权矩阵，使用空间计量相关方法，研究泛长三角地区城镇化水平、外商直接投资（FDI）与房价的关系。研究表明：空间相关性是影响房价的重要因素。城镇化进程加快导致了浙江、江苏和安徽房价上涨；实际FDI与房价的关系在省际间表现出明显差异，其中，浙江和安徽实际FDI与房价呈显著正相关，而江苏实际FDI与房价的正相关关系不显著。

泛长三角；FDI；城镇化；房价；空间滞后模型

一、引言

房地产业是关系国计民生的重要行业，近年来我国房价快速上涨已经超出了普通老百姓的承受水平，引起了社会各界的极大关注。针对房价问题，国内外学者的研究大致可以分为两类：第一类是构建理论模型（蒲勇健，舒畅，2013［1］；刘江涛等，2012［2］）；第二类侧重实证分析，探索房价的影响因素，包括①需求方因素，人口（Gabriel等，1999［3］）、收入（王先柱，赵奉军，2012［4］）；②供给方因素（杜江等，2011［5］）；③宏观经济因素（Smith，Ohsfldt，1982［6］；沈悦等，2011［7］）；④预期作用（Hamilton，Schwab，1985［8］）。

在影响房价众多因素中，城镇化水平和FDI越来越引起学者的重视。随着我国人口城市化进程的加速，尤其是大量农民从农村涌入城市形成了巨大的住房需求，推动我国房地产市场的繁荣发展。目前我国城市化发展迅速，而房地产市场供不应求局面持续，城镇化进程对房地产市场将会产生深远影响。改革开放以来，中国巨大的市场潜力和日趋完善的投资环境吸引了大量外资涌入，我国房地产业平均30%的高利润率无疑是外商投资的最佳选择。2011年我国房地产业实际使用FDI占实际利用外资的比例达22.84%，对房地产业的影响不容小觑。

近些年，国内学者对城镇化水平、FDI与房价的关系也进行了一定的研究。在城镇化与房价方面，骆永明（2011）认为城市化对房价的影响具有明显的非线性特性，且在经济增长水平较高、人力资本积聚的地区，城市化对房价具有显著地促进作用［9］。邓祥，孔红枚（2013）运用动态面板数据GMM方法考察城市化率对房价的影响，结果表明当期房价受上一年房价的正向影响，城市化水平的提高将推动房价上涨［10］。在FDI与房价方面，段芳（2011）认为我国政府的宏观调控措施成功规避了FDI流入可能产生的资产泡沫风险，上海房地产价格没有显著受到外商直接投资变动的影响［11］。况伟大（2013）构建了一个外资参与的房地产市场局部均衡模型，认为开发环节外资对房价具有显著负向影响，且房价对FDI的影响要小于FDI对房价的影响［12］。

从现有文献来看，还没有专门针对城镇化和FDI两方面对房价影响的研究，仅仅是考虑其中某一因素。而我国泛长三角地区凭借优越的地理位置、良好的投资环境和优惠的政策支持，逐渐成为中国吸引FDI最多、城镇化水平较高的地区。那么，以泛长三角为例研究FDI、城镇化与房价关系具有一定的典型性。

目前，国内外学者在研究房价问题上大多采用传统时间序列模型，暗含了地区之间房价相互独立的假定，忽略了空间邻近性所产生的相互作用，这容易造成模型结果有偏和不一致。而空间计量经济学恰好解决了传统模型忽略的数据存在空间相互作用的问题，将空间数据分析和建模技巧与GIS相结合。现如今国内运用空间计量方法研究房价问题主要集中在：①探索房价影响因素（韩丽娜、赵红强，2011［13］；王鹤，2012［14］）；②某单一因素对房价的影响（周文兴、林文朗，2012［15］；宋灏、张子晔，2012［16］）；③房地产市场区域差异和房价波动（龙莹，2010［17］；陈浪南、王鹤，2012［18］）；④房价发展趋势（吴文斌，2012［19］）。从现有研究结果看，相比传统的OLS，空间计量模型更优。因此采用空间方法研究房价问题已经是趋势，但当前研究样本大多是全国范围，没有针对如泛长三角的具体区域，且大多采用比较简单的空间相邻权重方法，研究结果难以准确深入。

因此，本文采取空间计量经济学方法，以泛长三角31个城市①为样本，将空间因素加入到房价的分析中，采用空间距离加权矩阵探索城镇化水平和FDI对泛长三角房价的影响，并具体分析各省空间特征，为政府制定房价调控措施提供参考。

二、空间计量方法

（一）空间自相关

空间自相关是指一个经济区域中的某种经济现象或某一属性总是与其相邻经济领域中的相应经济现象或属性值相关［14］，包括全局空间自相关和局域空间自相关。

1.全局空间自相关

全局空间自相关是指所考察的属性在整个研究范围内是否具有自相关性，通常采用Moran’I指数衡量。

2.局部空间自相关

本文采用Moran散点图来揭示泛长三角房价的空间内部结构。Moran散点图主要是通过四象限图（高-高型地区、高-低型地区、低-低型地区和低-高型地区）来研究局部的空间相关性，分析空间集聚特征。

（二）空间计量模型

按照对“空间”体现方法的不同，空间计量经济学模型分为空间滞后模型（Spatial Lag Model，简称SLM）与空间误差模型（Spatial Error Model，简称SEM）。

1.空间滞后模型

空间滞后模型主要探讨各变量在一地区是否存在扩散作用（也称为溢出效应），空间依存性体现在因变量的滞后项上。模型假定如下：

其中，y是因变量，X是外生解释变量矩阵，W为空间权重矩阵，Wy是空间滞后因变量，ρ为空间回归系数，反映样本观测值之间的空间依赖作用，β是参数向量，ε是随机扰动项。

2.空间误差模型

当地区间的相互作用因所处相对位置不同而存在差异时，则采用空间误差模型（SEM），反映区域外溢是随机冲出的作用，其形式设定为：

其中，β是反映因变量y和自变量X的相关系数，μ是随机误差项向量，λ是空间误差修正系数，反映样本观测值之间的相互依赖作用，ε是随机扰动项。

对于SLM和SEM模型的选择，Anselin和Florax（1996）给出了如下准则［20］：若LM-Lag检验较LM-Error更显著，且R-LMlag显著而R-LMerr不显著，则选择空间滞后模型（SLM）；反之，则选用空间误差模型（SEM）。

三、数据处理和权重矩阵选取

（一）数据说明和处理

1998年实施的住房改革政策是中国房地产业走向市场化的分水岭，标志着中国房地产向货币化、社会化推进。本文通过调整泛长三角31个城市2000-2011年居民消费指数得到商品房平均实际销售价格，居民消费指数以2000年为基期。采用非农业人口占总人口数的比例衡量城镇化水平。为了消除汇率变化和价格因素的影响，首先用各年度平均汇率将名义FDI换算成人民币，然后用各市同年居民消费指数将其调整为实际FDI。为了消除一定程度的异方差，对商品房实际平均销售价格和实际FDI取对数。数据来源于中国经济社会发展数据库和中国统计年鉴。

（二）空间权重矩阵的选取

空间权重W的设定体现了地区间相互依赖性与关联程度，也是空间计量模型的关键。目前建立二进制空间邻接矩阵较多，但比较简单，不能确切反映出各区域之间的空间联系。因此，本文将建立空间距离权重矩阵，并运用经纬度坐标确定各城市具体距离。空间距离加权矩阵设定方式如下：

其中，dij为两地区之间的距离，即两地区之间距离越远，相互影响程度越小。

四、实证模型与结果分析

（一）模型建立

首先构建一般的非空间线性模型：

其中，price表示商品房平均实际销售价格，urban是城镇化率，FDI是外商直接投资实际额，β1、β2是回归系数，ε是随机扰动项。

然后利用Eviews软件对公式（4）进行单位根检验，结果见表1。

从表1看出，原数列平稳，不存在单位根。进一步进行协整检验。面板数据协整检验的主要方法有Pedroni检验、Kao检验和Fisher检验。本文选择Fisher检验，结果见表2。

由表2可知，房价与城镇化比例以及实际FDI存在协整关系。进一步进行Hausman检验，确定原模型是固定效应模型。

（二）泛长三角房价的全局空间自相关

利用Matlab软件包jplv7计算泛长三角31个城市2000-2011年商品房平均销售价格的全局自相关值（Moran’I值）并检验其显著性，结果见表3。

由表3可知，在5%的显著性水平下，泛长三角31个城市房价存在显著的正向空间自相关，即较高房价地区的周边房价也较高，低房价地区的周边房价也较低，房价在空间分布上并非显出完全随机的状态，而是呈现出较强的“马太效应”。这意味着各省市住宅价格的上涨不能孤立考虑自身因素，也需要考虑周边地区整体住宅价格走势。其中，从2004年开始，Moran’I值基本随时间增大，P值不断减少。表明随着时间的推移，泛长三角地区房价的空间自相关程度逐渐加强，整体房价极化效应已经凸显，且地区不均衡进一步加剧，呈现非均衡特征。

（三）Moran散点图及空间集聚的动态演变

尽管Moran’I值显示泛长三角房价整体存在空间集聚，但不能表现局部空间特征，因此采用Moran散点图表示泛长三角房价的内部空间特征。

图1和图2是2000和2011年泛长三角商品房平均销售价格的Moran散点图，表4给出了2000年和2011年Moran散点图对应城市所处象限。图3（a）和（b）表示2000和2011年泛长三角房价高-高和低-低型空间集聚的动态演变。

由图1和图2可知，2000年泛长三角城市相对集中在第一和第三象限，属于高-高集聚和低-低集聚的类型，合计占样本总数的64.52%。2011年处在第一和第三象限的城市更加密集，占样本总数达到90.32%，反映了泛长三角地区高值和低值聚集的趋势。

由表4可知，2011年，嘉兴、湖州、金华、丽水和温州加入到H-H型地区，表明杭州都市圈、温州都市圈的迅速崛起。上海都市圈正向极化效应一直保持显著。芜湖、合肥与马鞍山分别加入L-L型地区，表明合肥都市圈和马芜铜城市圈集聚效应正逐步凸显。一直处在H-L地区的南京，自身房价较高，周围房价较低，没有发挥带动作用。

进一步将泛长三角各城市在不同时期所属象限的变化划分三种类型：第一种包括城市在相邻象限变迁，如某城市在t时期至t+1时期从H-L型迁移到L-L型；第二种指变动轨迹呈对角线状，如城市在t时期至t+1时期从H-H型迁移到L-L型；第三种指所属象限一直没有变化。由表4可以看出，属于第三类变动的城市数目达到22个，占总城市数的70.97%，表明泛长三角房价具有很高稳定性。这也解释了尽管国家和地方政府一直采取调控措施抑制房价，却没有取得预期效果的原因。

结合图3（a）和（b），相比2000年，2011年H-H型涵盖了泛长三角的南部和中部，而L-L型地区涵盖的面积12年间略有增长。具体来看，2011年浙江省全部处在H-H地区，而江苏绝大部分处在L-L型地区。浙江省在经济发展中积累了三大优势，即体制机制创新、民间资本丰厚和本土企业家创业，这对浙江经济腾飞、人均国民收入的提高起到了巨大的积极作用，也间接地刺激了房价的提高。而江苏省房价水平很不均衡，H-H型集中在苏南地区。相对苏中、苏北地区，苏南地区经济处于领先地位，且在地理位置上离核心城市上海更近，受到的辐射作用大，因此苏南地区房价一直保持较高水平。

总的来说，2000-2011年期间，泛长三角地区房价存在显著的空间自相关，且整体不均衡加剧，同时各省市房价的空间集聚情况有所差别。

（四）模型的选择与实证结果

1.模型的选择

为了更好地探索城镇化水平和FDI对泛长三角房价的影响，需要先判定模型，即在公式（4）的基础上，通过LM检验（稳健）和似然比（LR）判断哪种模型适合SLM或SEM。由于原数列是固定效应模型，截距项的空间效应和时间效应对LM检验会产生影响，但又无法确定模型时间和空间效应是否存在，因此对混合估计模型、空间固定效应模型、时间固定效应模型及空间和时间固定效应模型分别进行LM和LR检验。结果见表5。

从表5中看出，四个模型的空间滞后稳健LM检验均在1%显著性水平下显著，而混合估计和空间固定效应模型的空间误差自相关的稳健LM检验不显著。相比之下，LMLAG比LMERR更加显著。

空间滞后时间固定效应LR检验不显著，而空间滞后空间固定效应显著，表明空间效应显著存在，时间效应不显著存在，因而空间和时间固定模型不适用。

基于上述分析，通过稳健LM和LR检验结果，结合R2和对数似然值，本文确定空间固定效应的空间滞后模型暂时为符合原数列的模型。根据公式（4）建立空间滞后模型：

接下来对空间滞后模型再进行Hausman检验，判断空间固定效应是否确定适合该模型。结果见表6。

根据表6，Hausman检验的P值在1%显著性水平下显著，且空间固定效应模型的拟合优度和对数似然值比随机效应模型更优，因此最终确定具有空间固定效应的空间滞后模型为最优模型。

2.实证结果与分析

在SLM中，固定效应模型系数估计值为0.916，且在1%水平上高度显著。这表明泛长三角某一城市与周边地区具有很强的空间溢出正效应，促使房价变动由核心城市向相邻地区扩散。泛长三角地区，尤其是核心长三角，已逐渐发展成为世界第六大城市群之一。其以上海都市圈、南京都市圈、杭州都市圈等为核心，以沪宁、沪杭高速铁路、公路等重大基础设施沿线为轴线，通过打造长三角“一小时经济圈”、“半小时经济圈”，增强长三角区域集聚效应。因此一旦一线城市，如上海、南京、杭州等房价有所波动，通过空间相互作用必将对相邻区域房价的变化产生很大程度的影响。

城镇化水平在1%水平下显著，且其系数为0.004 4，说明泛长三角地区房价受到本地城镇化进程一定影响，城镇化进程的加快会刺激房价的提高。城镇化是房地产市场运行的载体，城镇化所释放出的内部需求导致了人口与资本向城镇聚集，大量的农村人口转变为城镇人口，从而带动了对住房的需求，使我国房价一路上涨。泛长三角地区是我国城市化水平较高的城市集中群之一，其中，以上海、苏锡常地区为中心，江苏南部及浙江省东部、中部的部分地区城镇化水平较高，受到上海辐射带动强。而安徽省，特别是安徽西北部综合度水平普遍较低。总的来说，泛长三角城镇化综合水平呈现为以上海为中心的“中心—外围”空间特征，区域内部城镇化水平参差不齐，对于泛长三角整体房价上涨影响较小。

实际FDI不显著，说明FDI不是泛长三角房价提升的主要影响因素，不会引起房地产市场的大幅震荡，且系数只有-0.000 000 44，说明FDI倾向于流向泛长三角房价较低的城市，带来极弱的负相关效应。2001年，长江三角洲地区吸引FDI达134.19亿美元，占全国FDI总量的比重为28.62%，吸引FDI占全国的比例首次超过珠江三角洲。2003年，江苏省吸引FDI占全国的比例首次超过广东省，且连续8年保持全国第一。可以说，长三角成为近年来全国利用外资总量最大、势头最猛、增长最快的地区。但是长三角地区在吸引和利用FDI的过程中也出现了一些问题：一方面，引进和利用FDI不平衡。虽然流向第三产业的FDI比重有所上升，但是以制造业为代表的第二产业的比重仍占主导，因此FDI对于房价影响有限；另一方面，长三角利用FDI的不平衡所造成的“资源荒”使得长三角的投资环境优势大打折扣。而中部地区凭借其自身的环境和人力资源优势，逐步形成了FDI流入由东部向中部转移的局面。一般来说，房价低的城市相对经济发展水平较低，中部地区政府也希望通过吸引更多FDI促进经济增长。

为了了解泛长三角各省份城镇化水平、实际FDI对房价的具体影响，我们利用空间固定效应的空间滞后模型对三个省份进行实证分析，结果见表7。

由表7可知：

（1）江苏、浙江和安徽的空间滞后项系数在1%的显著性水平下显著，表明三个省份的房价都受到相邻地区房价的显著影响。其中江苏房价受周围地区房价的影响最大，存在较高程度的联动关系。江苏绝大部分城市处于L-L型，其在地理位置上与上海和浙江相接壤，而上海和浙江属于H-H型，尤其是上海，是泛长三角地区核心城市，因而江苏受到的辐射作用较大，并逐步向H-H型靠拢。安徽位于中部地区，与上海地理距离相对较远，虽然与浙江和江苏接壤，但江苏自身处在H-H型的城市较少，对安徽的带动作用有限。另外，安徽在打破城市壁垒，深化泛长三角经济融合以及一体化进程等方面仍需进一步努力，因此受周围房价的影响较弱。

（2）三个省份的房价都显著受到了城镇化进程的影响，其中江苏和浙江的城镇化水平对本地房价的影响程度大体相同，而安徽房价受到的城镇化影响最大。江苏和浙江是中国经济最发达的省份，城镇化进程相对较高。近些年来，江苏以大中城市为依托，以县域经济为阵地，开拓以工促农、以城带乡的新型城镇化之路。浙江充分发挥工业化对城镇化的推动作用，逐步建立统筹城乡区域规划的城镇体系，坚持城乡一体化发展，坚持城镇化引领新农村发展。安徽近些年发展势头强劲，马芜铜城镇群一体化发展步伐加快，城镇化体系逐步完善，但相比浙江和江苏省，城镇化水平仍然不高。因此安徽未来城镇化的发展将会进一步带动房价上升。

（3）江苏FDI系数不显著，虽然江苏是外资引进大省，但从产业结构看，江苏利用FDI主要分布在第二产业，且流入房地产业的外资占全部房地产开发投资的比例较低，呈显著的南高北低格局，对房价影响有限。在房地产调控的背景下，浙江省信贷持续紧缩，房企资金趋紧，但外资看好浙江房地产市场，并大举进入浙江房地产业。2011年浙江房地产业引进同比增长79.2%，大大高于全国增速。安徽在地理位置上存在优势，且在自然资源和劳动力资源等方面的优势也为吸引更多FDI提供了条件；另外中部崛起战略、安徽沿江城市带承接产业转移示范区建设纳入国家发展战略、合芜蚌自主创新综合试验区的建设表明了安徽重要的战略地位，为招商引资创造了优越的环境，因而受FDI影响显著。

五、结论和启示

（一）结论

本文采用泛长三角31个城市2000-2011年面板数据，运用空间计量方法研究城镇化和FDI对泛长三角房价的影响，得出以下几点结论：

第一，运用探索性空间数据分析法表明，泛长三角房价存在显著的空间自相关。在空间分布上，泛长三角房价并不是随机游走，而是在地理空间上存在正相关，即房价较高（或较低）的城市在空间上趋于集群，且泛长三角房价具有高度的稳定性。

第二，纳入空间效应进行实证分析表明：本地房价显著受相邻城市房价作用，本地城镇化进程对房价有一定影响，而实际FDI与房价呈微弱负相关。对浙江、江苏和安徽的比较分析发现：浙江和安徽两省的城镇化水平和实际FDI与房价呈显著正相关，江苏房价受城镇化水平影响显著，但排除实际FDI对其房价的冲击作用。

（二）启示

由本文结论可以看出，各省房价的影响因素和影响程度不完全相同。房地产业价格的合理增长能够带动经济社会的健康发展，而在针对泛长三角房价问题时，各城市如何在体现宏观调控政策区域同一性的同时，又能体现政策的差异性，使空间传递与房价影响回归到符合城市住房市场发展理论的理性状态，这是政府在制定房价宏观调控措施时必须注意的一个重要问题。

泛长三角地区房价受城镇化影响显著。因此，政府应当警惕城镇化发展较快带来的房价增长过快问题，重点建设核心城市与附属城市之间的通勤设施，促进中心城市人口向外分流，分散房地产需求；不断提高城镇化质量，推行新型城镇化，将城市发展速度和规模控制在城市合理承载力之内。针对浙江和安徽两省份房价受FDI显著影响，政府对于外资进入房地产环节要加以控制，着重限制“热钱”流入房地产业，防止房价飞涨和房价泡沫，保持房价稳定。

注释：

①泛长三角31个城市包括上海、南京、苏州、无锡、常州、南通、扬州、徐州、宿迁、杭州、宁波、绍兴、嘉兴、舟山、温州、镇江、湖州、丽水、连云港、泰州、台州、金华、淮安、盐城、衢州、合肥、芜湖、马鞍山、滁州、铜陵、宣城。

［1］刘江涛，张波，黄志刚.限购政策与房价的动态变化［J］.经济学动态，2012（3）：47-54.

［2］蒲勇键，舒畅.房价、收入与金融机构的数理模型研究［J］.特区经济，2013（6）：170-172.

［3］Gabriel A S，Mattey P J，Wascher W L.House Price Differen⁃tials and Dynamics Evidence from the Los Angeles and San Francisco Metropolitan Areas［J］.Economic Review-Federal Reserve Bank of San Francisco，1999（1）：3-22.

［4］王先柱，赵奉军.房价波动与财政收入：传导机制与实证分析［J］.财贸经济，2012（11）：21-28.

［5］杜江，许多，李恒.中国大中城市地价对房价影响的实证研究［J］.重庆大学学报，2011（1）：30-34.

［6］Smith B A，Ohsfldt R.Housing-Price Inflation in Houston，1970-1976［J］.Policy Studies Journal，1980，2（8）：257-276.

［7］沈悦，周奎省，李善燊.利率影响房价的有效性分析——基于FAVAR模型［J］.经济科学，2011（1）：60-69.

［8］Hamilton B W，Schwab R M.Expected Appreciation in Urban Housing Markets［J］.Journal of Urban Economics，1985，1（18）：103-118.

［9］骆永民.城市化对房价的影响：线性还是非线性？——基于四种面板数据回归模型的实证分析［J］.财经研究，2011（4）：135-144.

［10］邓翔，孔红枚.基于动态面板模型的城市化与房价关系研究［J］.统计与决策，2013（12）：105-107.

［11］段芳.服务物业外商直接投资流入与房地产市场风险研究［J］.经济问题，2011（1）：51-55.

［12］况伟大.FDI与房价［J］.经济理论与经济管理，2013（2）：51-58.

［13］韩丽娜，赵红强.投机性需求、刚性需求与房价上涨的非线性关系［J］.工业技术经济，2011（10）：119-125.

［14］王鹤.基于空间计量的房地产价格影响因素分析［J］.经济评论，2012（1）：48-56.

［15］周文兴，林新朗.中国住房价格与城市化水平的关系研究——动态面板和空间计量的实证分析［J］.重庆大学学报，2012（5）：1-7.

［16］宋灏，张子晔.交通站点对于北京市内城区二手住房价格的影响——基于空间计量方法的分析［J］.特区经济，2012（12）：70-73.

［17］龙莹.空间异质性与区域房地产价格波动的差异——基于地理加权回归的实证研究［J］.中央财经大学学报，2010（11）：80-85.

［18］陈浪南，王鹤.我国房地产价格区域互动的实证研究［J］.统计研究，2012（7）：37-43.

［19］吴文斌.我国区域房价β收敛的空间计量分析［J］.统计与决策，2012（1）：130-132.

［20］Anselin L，BeraA K，Yoon M J.Simple Diagnostic Tests for Spatial Dependence［J］.Regional Science and Urban Eco⁃nomics，1996，1（26）：77-104.

［责任编辑：余志虎］

The Relations among Urbanization Level，FDI and Housing Price—Based on the Spatial Econometric Study of the Extended Yangtze River Delta Region

WANG Li-ping，LI Yan-ping
（School of Economics，Hefei University of Technology，Hefei 230069，China）

Based on the panel data of 31 cities from the year of 2000 to 2011 and a spatial distance-weighted matrix，the spa⁃tial econometric method is employed to explore the relations among urbanization level，FDI and the housing price in the extend⁃ed Yangtze River Delta region.The results show that the spatial autocorrelation is an important factor affecting the housing price in the region.The acceleration of the urbanization process will promote the rise of the housing price in Zhejiang，Jiangsu and Anhui provinces，while the relationship between the actual FDI and the housing price at provincial-level exhibits significant differences.Among them，the FDI in Zhejiang and Anhui provinces illustrates a significant positive correlation with their hous⁃ing prices，however，the actual FDI slightly correlates with its housing price positively in Jiangsu province.

extended Yangtze River Delta region；FDI；urbanization；housing price；spatial lag model

F293.3

A

1007-5097（2014）07-0042-06

10.3969/j.issn.1007-5097.2014.07.009

2013-10-21

国家自然科学基金项目（71073045）；教育部人文社会科学规划基金项目（12YJA790135）；安徽省自然科学基金项目（11040606M18）

王立平（1968-），男，安徽合肥人，副教授，研究方向：区域经济增长，环境经济学；

李艳萍（1988-），女，安徽合肥人，硕士研究生，研究方向：金融业发展，资本市场。