我国金融业空间布局及影响因素分析

邓 薇

（中南财经政法大学 统计与数学学院，武汉 430074）

0 引言

金融发展对资本积累与经济增长具有极其重要的作用，是现代经济发展的核心。自金融改革以来，我国金融资产的规模迅速膨胀，金融体系也不断完善和优化。与此同时，金融发展表现出越来越明显的区域化差异。研究我国区域金融的空间布局，找出其空间分布的特点及影响因素对实现金融业的合理布局、促进金融资源的在空间上的有效配置具有重要的现实意义。

现有的实证研究一般使用时间序列数据或面板数据，利用传统的计量经济模型分析区域金融发展在时间维度、空间维度的特征，少有涉及到金融业空间分布格局的描述和统计分析。大部分研究将区域样本当成一个独立的个体进行分析，没有考虑到相邻区域之间的相关性，只有极少数文献将空间因素纳入了相关的分析模型中。然而，在空间数据存在空间相关性的情况下，采用传统模型进行分析就会使模型的结果出现一定的偏差，难以得出真正反映现实的分析结论。因此，在分析区域数据时，需要引入空间统计分析方法。本文将利用探索性空间数据分析方法对我国省级区域金融业的空间布局和空间相关性进行分析，然后通过建立空间计量经济模型来分析其影响因素。

1 空间计量分析方法

空间数据分析的一般思路是首先运用探索性空间数据分析的基本工具空间分位数图、空间自相关指标等来直观地描述空间数据；然后通过证实性空间数据分析方法建立空间计量模型来进行更深入的分析。探索性空间数据分析在分析空间相关性时最常用的指标为全局Moran's I指数、局部空间相关性的指数和Moran散点图。

全局Moran's I指数的定义如下：

其中，n空间单元总数，xi和xj分别为目标变量x在区域i和区域j的观测值，表示目标变量x的平均值，S2是目标变量x的方差，ωij是空间权重矩阵W中的元素：

Moran's I指数的取值范围介于-1和1之间，取值大于0则表示目标变量存在正的空间自相关，即空间上相互邻近的单元有相似的属性值。当取值小于0则表示目标变量存在负的空间自相关，即空间上相互邻近的单元具有不相似的属性值。如果取值为0，那么表示属性值的空间分布是随机的。

在全局Moran's I指数中，由于部分空间单元正的空间自相关和另一部分空间单元负的空间自相关会相互抵消，Moran's I指数是抵消后的剩余值，不能反映每一空间单元的局部空间关联效应。因此，实际应用中还需使用局部Moran's I指数来检验局部地区是否存在空间相关性。局部Moran's I指数的定义为：

正的Ii表示区域i的属性值xi与所有相邻地区的属性值是正相关关系，即具有相似的属性值；负的Ii则区域i的属性值xi与所有相邻地区的属性值是负相关关系，即具有相异的属性值；Ii为零则表示区域i的属性值xi与所有相邻地区的属性值不相关，即不受相邻地区的影响。

Moran散点图是反映局部区域空间相关性的二维可视化图形，散点图中的点以标准化的变量z为横坐标，以z的空间滞后Wz为纵坐标，位于四个象限的点分别对应四种不同的局部空间关联性：第一象限（高-高型，标记为HH）：表示地区i具有较高的属性值，与其邻近的其它地区也具有较高的属性值，即高-高集聚；第二象限（低-高型，标记为LH）：表示地区i具有较低的属性值，而与其邻近的其它地区具有较高的属性值，即低值被高值包围；第三象限（低-低型，标记为LL）：表示地区i具有较低的属性值，与其邻近的其它地区也具有较低的属性值，即低-低集聚；第四象限（高-低型，标记为HL）：表示地区i具有较高的属性值，而与其邻近的其它地区具有较低的属性值，即高值被低值包围。

空间面板模型中，根据误差项的不同形式可分为固定效应模型和随机效应模型。本文所采用的主要为具有固定效应的空间滞后面板模型和空间误差面板模型，具体形式如下：

空间滞后面板模型（SAR panel）：

y=ρ（IT⊗WN)y+X′β+ε

空间误差面板模型（SEM panel）：

y=X′β+μ

μ=λ（IT⊗WN)μ+ε

式中，ρ和λ为空间自相关系数，误差项可进行分解ε=η+δ+v。其中，η是空间固定效应，代表随区域变化、但不随时间变化的随机变量对均值水平的影响；δ是第t年的时间固定效应，代表随时间变化、但不随地理位置变化的随机变量对均值水平的影响；v为随机误差项向量。在模型中引入了空间误差项后，最小二乘法不再是有效的估计方法，一般使用极大似然估计法来进行估计。

2 金融业的空间布局

本文将采用31个省级区域2006～2012年的金融业增加值来衡量各个地区的金融业发展水平，采用存贷款余额、股票市价总值和保费收入来衡量各个地区银行业、证券业和保险业的发展水平。利用分位数图、全局相关性分析、全局相关性分析、区位熵指标来研究金融业的空间布局。

2.1 分位数图

图1 2012年金融业、银行业、证券业和保险业五分位图

图1为2012年金融业、银行业、证券业和保险业的五分位图，由图可以看出，我国金融业发展水平呈现由东向西递减的态势。金融业整体与银行业、保险业呈现出相似的分布特征，发展水平较高的地区除首都北京外主要集中在东部沿海一带，包括上海、北京、广东、江苏、浙江和山东；其次是辽宁、天津、四川、河北、河南、湖北、福建、山西、陕西、湖南、重庆、安徽和广西；发展水平较低的地区主要位于西部和东北部，包括黑龙江、吉林、内蒙古、云南、新疆、江西、甘肃、海南、宁夏、贵州、青海和西藏。证券业的分布特征略有不同，主要表现在新疆和内蒙古的证券业发展水平要高于中部的陕西和重庆。

2.2 全局相关性分析

表1 2006～2012年金融业、银行业、证券业、保险业的全局Moran’s I指数

利用全局空间自相关系数分析金融业、银行业、证券业和保险业的空间效应。从表1所列结果可以看出，金融业增加值的moran’s I指数为正，在5%水平下显著，表明金融业具有正的空间相关性，相邻地区的金融业增加值具有相似性，即具有较高金融业增加值的省份其相邻省份也具有较高的金融业增加值；具有较低金融业增加值的省份其相邻省份也具有较低的金融业增加值。并且，金融业增加值的moran’s I指数在2006～2012年间从0.1981增加至0.2458，说明金融业空间相关性逐渐增强，集聚趋势越来越明显。

从各行业上来看，银行业的moran’s I指数为正，除2006年外，其余年份的指数均在10%水平下显著，moran’s I指数在2006～2012年间呈上升趋势，变化趋势与金融业整体基本一致，说明各省域银行业具有正的空间相关，这种相关性逐渐增强，银行业的集聚趋势加剧。证券业的moran’s I指数为负，但数值较小，没有通过显著性水平检验，并且指数变化幅度较小，说明在考察的时间区间内证券业整体的空间相关性不显著。这种不显著的原因在于31个省级区域中，北京、上海、广东的股票市价总值远远高于其它地区，这些地区的邻近地区的证券业发展水平相对较低，其负的空间自相关抵消了其余地区的正的空间自相关，导致moran’s I指数为一个较小的负值，未能通过显著性检验。由此可见，此处并不能由moran’s I指数这一全局自相关指标来推断证券业不存在集聚趋势，需要结合局部空间自相关指数进行进一步分析。保险业的moran’s I指数为正，具有正的空间相关性和集聚现象，但除2006年之外其余年份的指数未通过10%的显著性检验，说明保险业集聚水平不及银行业显著。

2.3 局部相关系分析

利用散点图分析各个地区金融业、银行业、证券业和保险业的局部空间自相关形式。从散点分布图可以看出，就金融业整体而言，有21个省位于第一和第三象限，说明大部分省份都具有正的空间相关性，属于高-高集聚或者低-低集聚。位于第一象限的有上海、浙江、江苏、福建、天津和山东，均为东部地区。这些地区及其周边地区金融业发展较好，可通过吸收效应和极化效应促进本地区金融业进一步发展与集聚。位于第三象限的有黑龙江、内蒙古、新疆、吉林、辽宁、甘肃、山西、陕西、宁夏、青海、西藏、湖北和重庆，绝大部分为中部地区和西部地区，其自身及周边金融业发展水平低下主要受中西部地区较低经济水平的影响。另外，安徽、湖南、江西、广西、海南、河北位于第二象限，这些地区本省金融业发展水平不高，但其周边地区的金融业发展水平较高，应通过加强与周边地区的金融合作来促进本地区金融业的发展。北京、广东、四川、河南位于第四象限，本身具有较高的金融业水平，但周边地区金融业发展水平不高，应加强辐射效应，带动周边地区的金融业发展。

从行业来看，银行业、证券业、保险业呈现不同程度的集聚。证券业集聚程度最为明显，其次为银行业和保险业。证券业的散点图中位于第一和第四象限的仅有6个省份，位于第三象限的有19个省份，这说明我国证券业在上海、北京、广州等极少数地区集聚，但绝大部分地区的证券业发展水平低下。北京位于第四项限，上海、广东位于第一象限，说明北京对周边地区证券业发展的辐射效应要弱于上海和广东。银行业与保险业的散点图分布较为相似，位于第一和第三象限的省份分别有20个和19个，位于第一象限和第四象限的除河南、四川、湖北外其余均为东部地区，中西部地区大部分位于第二和第三象限，说明东部地区银行业、保险业发展水平高于中西部地区。西部四川的银行业、保险业发展领先于周边地区，中部河南、湖北的保险业发展领先于周边地区。

2.4 区位熵分析

全局moran’I指数和局部moran’I指数指数反映了金融业省际之间的集聚状况，下面将通过计算2006年至2012年各个区域的区位熵来进一步揭示金融业在各个省级区域内部的集聚情况。金融业的区位熵计算公式如下：

其中，Ej表示 j地区金融业的增加值，Gj表示 j地区的生产总值，E表示全国金融业的增加值，G表示全国生产总值。区位熵的临界值为1，等于1，则表示金融业的比重与全国平均水平相同；若小于1，则表示j地区金融业的比重低于它的全国平均水平；若大于1，则表示j地区金融也的比重高于它的全国平均水平，其值越大，表示地区金融业集聚水平越高。

将五分位数由高到低的分组分别称为第一、二、三、四、五梯队。从2006金融业区位熵的分布来看，北京与上海的金融业区位熵分别3.54和2.27，位于第一梯队的前两位，并远远领先于同梯队的其他地区。位于前两个梯队的还有东部地区浙江、天津、广东、江苏，西部地区宁夏、贵州、云南，四川、青海、新疆。中部地区、东北部地区和西部其他地区位于后三个梯队。

2012年金融业区位熵的分布与2006年略有变化，重庆的区位熵增加为1.52，由第三梯队上升至第一梯队。青海、新疆的区位熵下降为0.84、0.91，由第二梯队下降至第三梯队。海南的区位熵由0.37增加至0.81，由第五梯队上升至第三梯队。

需要指出的是，区位熵是一个反映区域产业集聚水平的相对性指标，其弱点是不能反映产业发展的绝对规模，有些地区虽然具有较高的区位熵，但其产业规模可能非常小。在利用区位熵指标考察区域金融业集聚水平时需结合绝对指标来分析。由五分位图可以看出位于前两个梯队的东部地区北京、上海、浙江、天津、广东、江苏，区位熵较高，同时金融业增加值也较高，金融业集聚水平高于全国平均水平。而同样位于第一梯队的西部地区宁夏、贵州、云南，四川、青海、新疆，金融业增加值较低，其区位熵值偏高是由于这些地区的GDP值较低所致。

对2006～2012年金融业区位熵做全局相关性分析，从表2所示结果可以看出，金融业区位熵具有正的空间相关性，即具有较高区位熵的省份其邻近省份的区位熵也较高；具有较低区位熵的省份其邻近省份的区位熵也较低。指数在2006～2012年之间呈上升趋势，说明这种正的空间相关性在逐渐加强。

3 金融集聚的影响因素分析

表2 2006～2012年金融业区位熵的全局Moran指数I

为进一步分析区域金融集聚的影响因素，本文将以金融业区位熵为被解释变量，以各影响因素为解释变量，纳入空间因素，建立空间面板模型。考虑的影响因素包括经济发展水平、人力资本水平、对外开放和政府支持。

（1）经济发展水平。区域金融产业的发展与集聚依赖于实体经济的发展。实体经济中投资者和储蓄者对金融机构及相关金融服务的需求是促使金融业发展的强大动力，生产力的发展推动着金融业的不断发展。理论上看来，经济水平越高的区域，其金融集聚水平也相应较高。本文使用各区域人均GDP与全国人均GDP之比来表示各区域的经济发展水平。

（2）人力资本。高水平的人力资本是提升金融企业创新能力，促进金融企业发展的重要因素。因此，金融机构倾向于集聚在人力资本水平高、人才储备充足的区域。本文使用各区域金融业人均收入与全国金融业人均收入之比来衡量人力资本水平。

（3）对外开放。跨国公司总部总是定位于开放程度高的城市，而金融机构由于其“客户追随”的特性，也倾向于选址于其主要客户总公司的附近。因此，开放程度越高的区域，金融集聚水平越高。本文使用各区域进出口总额与GDP之比与全国进出口总额与GDP之比的比值来反映各区域对外开放水平。

（4）政府支持。政府行为是影响金融集聚的重要因素之一，为使金融业更好地发挥其促进经济发展的作用，地方政府将会加强对金融业的引导，实行奖励措施和优惠政策吸引金融机构将总部设于当地，从而促进地方金融集聚的发展。本文使用地方政府的财政支出与GDP之比与全国地方政府财政支出与GDP之比的比值与来衡量地方政府对金融发展的作用力。

本文的研究样本是2006～2010年我国31个省（除香港、澳门、台湾省外）的省级数据，数据来源于历年的《中国统计年鉴》、《中国金融年鉴》、《中国区域金融运行报告》。由于样本是全部总体，我们选择固定效应模型建模，使用的空间计量模型为具有固定效应的空间自相关面板模型和空间误差面板模型：

固定效应的空间滞后面板模型（SAR panel）：

固定效应的空间误差面板模型（SEM panel）：

式中，误差项 εit=ηi+δt+vit。其中，ηi是区域i的特定固定效应，即空间固定效应，代表随区域变化、但不随时间变化的随机变量对均值水平的影响，比如各个地区的资源禀赋；δt是第t年的时间固定效应，代表随时间变化、但不随地理位置变化的随机变量对均值水平的影响，比如国家政策等；vit为随机误差项向量。使用matlab空间计量工具箱spatial econometrics toolbox对模型进行估计与检验。在无固定效应、空间固定效应、时间固定效应、时空固定效应四个模型中，只有时空固定效应模型的空间误差项通过了显著性检验，因此，此处仅列出具有时空固定效应的空间误差面板模型的检验结果，如表3所示：

表3 时空固定效应SEM panel模型估计结果

表4列出了时空固定效应SEM panel模型中各省级区域的空间固定效应ηi，以及各个年份的时间固定效应。

表4 时空固定效应SEM panel模型下各地区空间固定效应ηi

表5 时空固定效应SEM panel模型下各年份的时间固定效应δt

从模型估计结果来看，具有时间和空间固定效应的SEM panel模型拟合得到的R2为0.9570，拟合效果比较好。各个回归变量都显著且系数为正，说明经济发展水平、人力资本水平、对外开放和政府支持对区域金融集聚都具有显著的正向影响，地区可以通过加快经济发展、提高人力资本水平、加强对外开放和政府对金融业发展的支持来促进本地区的金融业集聚。空间误差项通过了显著性水平检验，说明模型中未考虑的其他因素对周边地区具有较强的扩散效应。

从表4中可以看出，各地区的空间固定效应ηi存在较大的差异性。北京的空间固定效应在所有地区中居于首位，浙江、上海、广东、江苏、福建等东部地区的固定效应也较高。中部地区湖北的固定效应最高，安徽的固定效应最低。西部与东北部地区固定效应多数为负值。整体来看，固定效应东部地区较高、中西部及东北部地区偏低。时间固定效应在2006年为0.0072，2007年和2008年下降为负值，2009年和2010年回升至0.0359和0.0218，呈现不断波动并不断增加的变化趋势，说明各地区金融集聚水平随时间的推移不断提高。

4 结论

本文首先利用五分位图、全局moran’I指数、moran散点图、区位熵对我国金融业的区布局进行了分析，然后通过建立空间面板模型分析了区域金融集聚的影响因素。主要结论如下：

（1）我国金融业发展水平呈现由东向西递减的态势。金融业整体与银行业、证券业、保险业呈现出相似的分布特征，发展水平较高的地区除首都北京外主要集中在东部沿海一带，包括上海、北京、广东、江苏、浙江和山东，中西部地区金融业发展水平较低。全局空间自相关分析表明金融业具有正的空间相关性，相邻地区的金融业增加值具有相似性，集聚趋势越来越明显。从各行业上来看，银行业集聚趋势加剧；证券业全局自相关系数未通过显著性检验；保险业集聚水平不及银行业显著。

（2）局部空间自相关分析表明，就金融业整体而言，大部分省份都具有正的空间相关性，属于高-高集聚或者低-低集聚。上海、浙江、江苏、福建、天津和山东这些东部地区属于高-高集聚，而黑龙江、内蒙古、新疆、吉林、辽宁、甘肃、山西、陕西、宁夏、青海、西藏、湖北和重庆等中西部地区属低-低集聚。北京、广东属于高-低型区域，虽本地区具有较高的金融业水平，但周边地区金融业发展水平不高，应加强辐射效应，带动周边地区的金融业发展。安徽、湖南、江西、广西、海南、河北属于低-高型区域，这些地区本省金融业发展水平不高，但其周边地区的金融业发展水平较高，应通过加强与周边地区的金融合作来促进本地区金融业的发展。从行业来看，银行业、证券业、保险业呈现不同程度的集聚。证券业集聚程度最为明显，其次为银行业和保险业。证券业在上海、北京、广州等极少数地区集聚，但绝大部分地区的证券业发展水平低下。东部地区银行业、保险业发展水平高于中西部地区。西部四川的银行业、保险业发展领先于周边地区，中部河南、湖北的保险业发展领先于周边地区。

（3）区位熵分析表明金融业区位熵位于前两位的是北京与上海，其次是浙江、天津和广东，这些地区金融集聚高于全国平均水平。与东部地区相比，中部、西部以及东北部金融业区位熵较低，金融集聚水平不显著。金融业区位熵全局自相关系数显著，具有正的空间自相关性。通过纳入空间因素，建立空间面板模型分析了区域金融集聚的影响因素，结果表明经济发展水平、人力资本水平、对外开放和政府支持对区域金融集聚都具有显著的正向影响。地区可以通过加快经济发展、提高人力资本水平、加强对外开放和政府对金融业发展的支持来促进本地区的金融业集聚。

[1]Levine R.Financial Development and Economic Growth：Views and Agenda[J].Journal of Economic Literatures，1997，（35）.

[2]Elhorst J P.Spatial Panel Data Models[C]//Fisher M M，Getis A.Handbook of Applied Spatial Analysis.Berlin：2003.

[3]丁艺，李靖霞，李林.金融集聚与区域经济增长-基于省际数据的实证分析[J].保险研究，2010,（2）.

[4]王仁祥,石丹.区域金融中心指标体系的构建与模糊综合评判[J].统计与决策，2005,（9）.

[5]马丹.金融集聚浅析以及金融产业集聚程度评价指标体系的实证研究[D].硕士论文,2007.

[6]田霖.中国区域金融成长差异——基于金融地理学视角[M].北京：经济科学出版社，2006.