金融集聚、空间溢出与城镇化——基于2005～2014年省级面板数据的实证研究

金发奇　文　茜（中南大学，长沙 410083）

金融集聚、空间溢出与城镇化——基于2005～2014年省级面板数据的实证研究

金发奇文茜
（中南大学，长沙 410083）

本文基于2005～2014年我国31个省（市、自治区）的面板数据，分别构建金融集聚指数和城镇化指数，考察金融集聚与城镇化发展的空间自相关性，并建立了空间自回归模型和空间杜宾模型，采用空间回归偏微分方法分析金融集聚对城镇化的空间溢出效应。研究表明，我国金融集聚和城镇化均呈现明显的空间自相关性，且呈增强趋势。金融集聚、金融投资比率、经济发展水平、对外开放程度对本地区及邻近地区的城镇化都存在着正向的空间溢出效应，且地理距离关联模式下溢出效应更强；而金融发展规模和政府干预程度对城镇化发展存在负向空间溢出效应。

金融集聚 空间溢出 城镇化 金融投资比率 对外开放程度 政府干预

引 言

城镇化是伴随中国经济发展进程中的必然现象，是解决三农问题，缩小城乡差距，协调区域发展，实现社会主义现代化的必由之路。《国家新型城镇规划（2014～2020）》的颁布，明确了建设协调性、可持续性的中国特色城镇化道路，高效推进新型城镇化发展，不仅是深化经济体制改革背景下的重要战略，更是我国现代化建设的重要任务之一。金融集聚是规模经济、范围经济和区域专业化分工的重要表征，是行业发展的必然趋势。纵观全球性金融集聚中心，不论是美国纽约、英国伦敦，还是日本东京、中国上海，无一例外都处于城镇化发展水平较高的阶段，这意味着金融集聚与城镇化处于良好的互动关系中。在金融发展与深化的过程中，区域内产业不断集聚，规模经济优势凸显，资金配置效率提高，金融体系满足实体经济资金需求的能力增强，能够对区域城镇化发展带来正外部性。本文基于2005～2014年省级经济数据，分析金融集聚对我国城镇化发展的影响及其空间溢出效应，以期厘清二者关系，增强金融集聚与中国新型城镇化建设的良好互动。

1　文献综述

就现有的该领域文献来说，多聚焦于金融集聚与经济发展和产业结构升级的关系研究，探讨金融集聚与城镇化关系的研究文献较少。Robert（1993）、Kyung（1997）、Glaeser（2003）基于不同样本，提出金融体系对城镇化的支持作用主要来自于保障城市交通基础设施建设和住房建设的资金需求［1-3］。Kempson（1999）从农村经济角度出发，提出农村地区金融发展的滞后导致了农村经济发展的落后，造成了区域经济发展的失衡，影响城镇化进程［4］。Nahashi，Stannics（2007）提出金融发展对于城镇化的影响路径有两层:（1）完善的城市金融体系能为城镇化进程中各经济要素的流动提供高效的支付系统。（2）金融体系能集中闲散资金，发挥金融资本集聚和配置功能，为城镇化提供必要的资金支持［5］。国内学者范川（2003）、范立夫（2010）、周宗安（2015）、李清政（2015）认为金融与城镇化存在正向互动关系，金融体系通过为城镇化进程中的基础设施建设提供信贷支持，加快城镇化建设步伐［6-9］。陈立泰（2012）以我国西部地区为样本，构建了金融集聚和城镇化发展水平的评价指标体系，通过因子分析法得出二者之间存在着互动发展关系［10］。中国人民银行天津分行课题组（2013）通过实证研究提出，金融发展对我国城镇化建设的推动作用不明显，金融的支持作用没有充分发挥［11］。李宝礼（2015）从时间和空间两个维度出发，对我国省级面板数据进行了实证分析，认为金融集聚对城镇化的发展具有显著的正向作用，且对东部地区的作用最明显［12］。苟小菊（2016）运用空间滞后模型和空间误差模型，以江淮城市群为例，研究金融集聚对人口城镇化的影响，结果表明，江淮城市群金融集聚能够显著促进人口城镇化发展［13］。王周伟（2016）从网络关联视角解构了金融集聚支持新型城镇化发展的直接效应与间接效应及总效应，研究结论表明金融集聚对新型城镇化发展具有正向推动作用［14］。

纵观前人的研究成果，大多从时间维度出发，研究金融体系对城镇化发展的支持作用，缺乏从空间维度考虑金融集聚对城镇化建设的溢出效应的研究。金融集聚作为产业发展的空间表现形式，忽略其空间因素的考察是不全面的，而且传统的回归分析方法不能解释空间差异，容易造成结果偏差。本文借鉴已有的研究成果，基于空间计量经济学的研究视角，以2005～2014年我国省级经济数据为例，建立空间自回归模型（SAR）和空间面板杜宾模型（SDM），采用空间回归偏微分方法全面分析金融集聚对城镇化发展的空间溢出效应。

2　空间计量分析方法

2.1空间自相关性检验方法

空间依赖，是指一个地区的观测值依赖于邻近地区观测值的地理空间现象［15］。Moran’s I指数能够揭示研究变量的空间依赖关系，是检验空间自相关性的重要指标，其取值范围在-1～1之间，符号表明空间相关性的正负关系，数值越大则相关程度越高。具体计算公式如下:

其中，Yi是第i个样本的观测值，n为样本总数，Wij为空间权重矩阵。

2.2空间权重矩阵

空间权重矩阵Wij表征的是地理单位的空间安排，反映不同空间截面上研究变量的相互依赖程度，体现区域间空间地理效应，选择不同的空间权重矩阵，会影响变量间的空间连接关系，对空间计量模型的估计结果有重要影响。为了客观分析金融集聚对城镇化发展的空间溢出效应，本文沿袭邓若冰、刘颜（2016）［16］的做法，分别构建地理距离权重矩阵和经济距离权重矩阵:

（1）地理距离权重矩阵以地理关系的远近为依据设定，地理相邻的地区赋值为1，地理不相邻地区赋值为0，具体定义如下:

（2）经济距离权重矩阵以经济实力的差距为依据设定，本文选择以实际人均GDP均值之差来表征两个地区的经济实力差距。两个地区的经济实力相当，则权数较大，两个地区经济实力悬殊，则权数较小。具体元素定义如下:

2.3空间面板计量理论

空间面板计量模型能够综合时间尺度的信息和地域空间单元的信息，集成考虑了时间相关性和截面相关性，能够科学客观地反映时空交互作用。主要形式有空间自回归模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）3种。在非空间模型中，参数的点估计值即表征自变量的边际效应，但是由于空间滞后项的存在，这种点估计容易导致错误的结论，偏微分可以解释不同模型设定中变量变化的影响，是检验空间溢出效应更为有效的方法［16，17］。

空间自回归模型（SAR）:模型中包括了因变量空间滞后项，用来研究当一个区域内经济行为对邻近区域的经济行为产生溢出效应的情形［18］。具体模型形式如下:

其中，yit表示单位i在t时期的因变量，xit表示单位i在t时期的自变量，β为系数向量，Wij为空间权重矩阵，Wijyjt表示因变量空间滞后项，ρ为空间自回归系数，εit为残差项，μi和γi表示空间特定效应和时间特定效应。

空间杜宾模型（SDM）:模型中不仅包括因变量空间滞后项，同时包括自变量空间滞后项，是比空间自回归模型（SAR）和空间误差模型（SEM）更为广义的回归模型，具体形式如下:

其中，Wijxjt表示自变量空间滞后项，ϑ表示自变量空间滞后项的系数。

空间总效应分解:由于SAR和SDM中都存在空间滞后项，需要进一步估算模型的直接效应、间接效应和总效应。LeSage和Pace（2009）通过空间回归偏微分方法给出了空间溢出效应分解的途径，分解后的直接效应表征区域内效应，衡量某个外生变量对本地区被解释变量造成的平均影响，间接效应表征区域间效应，衡量某个外生变量对其他地区被解释变量造成的空间溢出效应。

3　研究设计与实证分析

3.1变量选择与数据说明

3.1.1变量选择

因变量指标:由于十八大提出的城镇化是综合、全面、协调、可持续的新型城镇化，单一指标评价法无法全面度量城镇化发展水平。因此，基于新型城镇化发展的内涵，本文从人口、产业、经济、社会、环境5个方面构建城镇化评价指标体系（表1），并采用熵值法对我国31个省（市、自治区）的城镇化指数进行测算，得到2005～2014年我国31个省（市、自治区）的城镇化指数，用URB表示。

表1　城镇化评价指标体系

自变量指标:区位熵是从地理空间角度考察区域内要素分布的有效指标，能够反映区域内要素集聚情况，数值越大，表明集聚程度越高，专业化程度越强。为衡量我国31个省（市、自治区）的金融集聚程度，对金融区位熵进行测算，用FIN表示，计算公式如下:其中，Zij为区域i内产业j的增加值，Zi为区域i内的国民生产总值；Zpj为国家p内产业j的总增加值；Zp为国家p的国民生产总值。

控制变量:由于影响城镇化的因素众多，为了更稳健地考虑金融集聚对城镇化的影响，引入金融发展规模（SCA）、金融投资比率（INV）、经济发展水平（GDP）、对外开放度（OPE）、政府干预度（GI）作为控制变量。其中:金融发展规模（SCA）以金融机构年末各项存贷款余额占GDP的比重反映；金融投资比率（INV）以金融业固定资产投资额占GDP的比重反映；经济发展度水平（GDP）以国民生产总值（千亿）反映；对外开放度（OPE）用当年汇率折算为人民币价值的进出口贸易额所占GDP的比重反映；政府干预度（GI）用各地区财政支出所占GDP的比重反映。

3.1.2数据说明

本文采用2005～2014年间我国不包括港澳台在内的31个省（市、自治区）的面板数据。所有原始数据均从各统计年鉴、中国国家统计局网站和EPS全球金融数据库搜集整理得到。使用的软件为Matlab 2010b和Geoda。

3.2空间自相关性检验

在进行空间计量建模之前，基于地理距离空间权重矩阵对城镇化指数和金融集聚指数进行空间自相关检验，利用GeoDa软件计算Moran’s I指数结果如下。

表2　金融集聚与城镇化的Moran’s I指数值

从表2可以看出，城镇化指数和金融集聚指数的Moran’s I值均为正值，且城镇化指数的Moran’s I指数均显著大于0.4，可见2005年以来我国省域间城镇化建设具有较强的空间自相关性，某个省份的城镇化建设会受到相邻省份的显著影响。同时，金融集聚指数也呈现明显的空间自相关性，并从2006年开始呈现迅速增强趋势。

3.3空间计量模型的构建

基于Moran’s I指数测算，说明研究变量存在显著的空间集聚特征，用空间面板模型进行估计是合理的。因此分别建立空间自回归模型（SAR）和空间杜宾模型（SDM）如下，空间自回归模型（SAR）:

空间杜宾模型（SDM）:

3.4模型估计结果与分析

在估计模型前，先进行LR检验和Wald检验，对哪个模型较优进行预判。检验结果显示，Wald Spatial Lag值和LR Spatial Lag值分别为35.78和36.64，在1%显著性水平上拒绝了原假设。另一方面，Wald Spatial Error值和LR Spatial Error值分别为54.46和51.61，也同样拒绝了原假设，说明空间杜宾模型较优。从Hausman检验来看，统计量为199.4且拒绝原假设，说明固定效应要明显优于随机效应。

表3　空间模型的LR和Wald 检验

为方便对比，在进行空间面板回归之前进行了混合回归，如表4所示，混合OLS估计的R-squared为0.646，变量都通过了10%显著性水平检验。金融集聚指数、金融发展规模、金融投资比率、经济发展水平、政府干预程度、对外开放度与城镇化发展均呈正相关关系，政府干预度与城镇化发展成负相关关系。但是由于空间相关性的存在，混合回归容易导致结果有偏或无效。因此采用极大似然法对两种空间权重矩阵（地理距离与经济距离）下的SAR（空间自回归模型）和SDM（空间杜宾模型）作进一步估计。

表4　金融集聚与城镇化的OLS、SAR、SDM估计结果

在空间计量模型中，不论是基于哪种权重矩阵，模型的拟合优度都超过了0.872，远高于混合回归下的拟合优度，说明加入空间因素后的模型拟合程度更好。另一方面，空间面板下所得的估计参数大部分小于混合回归下的估计参数，说明忽略空间因素容易夸大各变量的作用。空间自相关系数在两种权重矩阵下分别为0.478、0.965、0.607、0.827，且均在1%水平下显著，说明被解释变量具有明显的空间依赖性和空间溢出效应，即城镇化发展不仅受到本省金融集聚的影响，还受到邻近省份金融集聚和其他解释变量的影响。

在两个权重矩阵下，核心解释变量金融集聚指数对城镇化发展的影响系数均显著为正值，估计参数分别为1.04、0.424、0.826、0.277，说明省域内金融集聚现象能够对新型城镇化建设起到推动作用。金融业不断深化发展带来的产业集群现象，能够吸引有活力的经济要素在区域内集聚，激发金融创新，从而带来正向的外部性。另一方面，金融集聚指数在地理距离下的溢出效应（1.04，0.826）要明显大于经济距离下的溢出效应（0.424，0.277），说明金融集聚在地理空间关联模式下的溢出效应更强，我国已经涌现上海、深圳等具有一定规模的金融集聚中心，这些省域能够对周边地区的城镇化起到一定的辐射作用。

金融投资比率在地理距离权重矩阵下，估计参数显著为正，表明金融行业固定资产投资额的增加，能够引导社会资源合理流向，为城镇化建设过程中涉及到的公共基础建设、生态环境保护、农民权益性住房及保障、教育等问题需要的大量资金提供支持。

金融发展规模估计参数分别为-0.146、-0.023、-0.078、0.03，且大部分未通过显著性检验。尽管金融行业通过发挥信贷平台优势和资本市场功能，为实体经济提供了多元化的融资渠道，但我国目前的银行业贷款仍处于粗放式阶段，重规模，轻质量，呆账坏账居高不下；另一方面，大部分银行业贷款资金流向了大型国有企业和政府事业单位，民营企业仍然面临着融资壁垒和投资约束问题。

经济发展水平在4个模型中均呈现明显的正向影响，说明经济实力的提高能够有效推动城镇化发展。地理距离的溢出效应（0.018，0.022）大于经济距离溢出效应（0.008），说明地理位置相近的地区影响程度更大，如我国江浙沪城市集群、长三角城市集群、珠三角城市集群等经济发展较快的城市形成的集群效应，能够推动本区域和周边地区城镇化建设。

政府干预程度与城镇化关系不显著，说明我国政府财政支出没有充分发挥对新型城镇化建设的支持作用。我们尝试从两方面去理解:第一可能是政府干预过度，导致市场配置失灵，给城镇化建设造成一定阻力。另一方面，当前我国仍停留在粗放型的城市化进程中，财政资金大部分流向城市基础设施建设，对生态建设的投入较少，重速度，轻质量的发展模式，不符合新型城镇化建设的要义。

对外开放度在4个模型均呈现明显的正向作用，估计参数分别为1.133、0.629、1.233、0.401。伴随我国国际化程度不断提高，对外贸易额逐年攀升，频繁的国际交流与合作催生了北京、上海等国际化大都市，国际化都市圈能够对邻近地区城镇化建设起到一定的辐射作用。

3.5空间溢出效应分解

基于LeSage和Pace（2009）提出的偏微分方法，本文对SAR与SDM在地理距离与经济距离权重矩阵下各变量的空间溢出效应进行分解，如表5所示。上文已述空间杜宾模型是较优模型，因此以SDM为主要解释模型。（1）金融集聚对城镇化的区域内溢出效应，在两个权重矩阵下分别为0.582和0.473，且均通过了1%水平下显著性检验。说明金融集聚通过汇集闲散资金，优化资源配置，在一定程度上保障城镇化建设中的资金供给，给城镇化建设提供推动力。（2）金融集聚的区域间溢出效应，在地理距离下取得负值（-2.66），而在经济距离下为正值（2.055），说明在地理关联模式下，金融集聚对周边地区的城镇化发展造成了抑制。用我国北京市和河北省的例子解释这个关系比较妥当，北京市作为国际化大都市，集聚了人才、资金、技术等要素禀赋，一定程度上剥夺了邻近地区的资源，造成河北省资源相对稀缺，因此北京市的金融集聚对河北省的城镇化建设造成了负向空间溢出。

在控制变量的空间溢出效应上，金融投资比率和金融发展规模在地理距离下都达到了正向的溢出效应，说明金融业固定资产投资和银行业贷款能够在一定程度上满足城镇化建设的资金缺口，为城镇化发展提供资金支持，推动城镇化建设，并对周边地区起辐射作用。经济发展水平在两种权重下的溢出效应都在1%显著水平下为正，说明经济实力的增强，能够推动生产要素在区域间的流动以及市场、资源和人才的共享，推动产业结构升级，从而对周边区域产生积极辐射。政府干预度的溢出效应显著为负，说明一个地区的政府支出会在一定程度上抑制私人投资，弱化市场效率。对外开放度在两种权重矩阵下的溢出效应都为正，在地理距离下的区域内效应高达1.247，说明不断提高对外开放水平，不仅能够深化改革，为经济繁荣增添活力，还能推动我国新型城镇化发展，加强国际化城市的辐射作用。

表5　SAR和SDM 空间溢出效应分解

4　结论与建议

本文从空间溢出视角出发，选取了2005～2014年我国31个省（市、自治区）的面板数据，运用空间自回归模型和空间杜宾模型对金融集聚对城镇化的空间溢出效应进行估计，并利用偏微分方法进行了空间效应分解。主要结论如下:我国金融集聚和城镇化均呈现明显的空间自相关性，且呈增强趋势。金融集聚、金融投资比率、经济发展水平、对外开放程度对本地区及邻近地区的城镇化都存在着正向的空间溢出效应，且地理距离关联模式下溢出效应更强；而金融发展规模和政府干预程度对城镇化发展存在负向空间溢出效应。

基于以上结论，本文尝试性提出以下建议:（1）鼓励金融产业集聚，加强区域金融中心建设，加大政策扶持，合理引导金融资源流向，吸引人才、资金、技术集聚；各金融机构加强交流与合作，合理布局金融互动机制，加大对新型城镇化的支持力度。（2）全面深化金融集聚，提升专业型、多元化的金融集聚水平，鼓励金融创新，积极开发金融工具，激发金融活力，为新型城镇化发展提供强大推动力。新型城镇化建设涉及到长期巨额低收益的公共投资，可以发行地方政府债券，借助金融产品，缓解财政压力，将地方政府债券交易与定价纳入统一债券市场中，构建完整的政府信用管理体系；积极拓展项目融资，在银行信贷的基础上，融合BOT、融资租赁、信托等方式，建设合理的融资体系，全面提升金融集聚支持新型城镇化发展的服务范围、水平与效率，构建多元、协调、持续、高效的金融集聚中心。（3）政府可以对金融创新型企业提供税收优惠和政策补贴，鼓励资金流向中小民营企业，提升民营企业参与新型城镇化建设的热情。同时，加强政府调控机制，充分发挥市场调节机制，合理调整政府财政支出结构，加大治理污染，改善地区生态，走可持续发展的集约模式。

［1］Robert G.King，Ross Levine.Finance，Entrepreneurship，and Growth:Theory and Evidence［J］.Journal of Monetary Economics，1993，（32）:513～542

［2］Kyung-Hwan Kim.Housing Finance and Urban Infrastructure Finance［J］.Journal of Urban Studies，1997，（10）:89～123

［3］Glaeser E L.Sprawl and Urban Growth［C］.NBER Working Papers，2003:68～85

［4］Kempson E，Whyley C.Kept Out or Opted Out-Understanding and Combating Financial Exclusion［M］.The Policy Press，1999:56～62

［5］Nahashi，Stannics.Diverging Patterns with Urban Growth［D］. Canada Economic Association Discussion Paper No 87，2007

［6］范川.金融创新是解决城市化发展资金瓶颈的关键［J］.商业研究，2003，（21）:149～150

［7］范立夫.金融支持农村城镇化问题思考［J］.城市发展研究，2010，（7）:63～66

［8］周宗安，王显晖，汪洋.金融支持新型城镇化建设的实证研究——以山东省为例［J］.东岳论丛，2015，（1）:116～121

［9］李清政.金融支持与我国新型城镇化互动发展的理论和实证研究［J］.宏观经济研究，2015，（4）:142～152

［10］陈立泰，刘倩.我国西部地区金融集聚与城镇化互动关系实证研究［J］.城市问题，2012，（9）:17～22

［11］中国人民银行天津分行课题组.城镇化、经济增长与金融支持问题研究［J］.天津经济，2013，（1）:32～36

［12］李宝礼，胡雪萍.金融集聚对中国城镇化的影响［J］.城市问题，2015，（10）:55～62

［13］苟小菊，牛传涛.金融集聚与江淮城市群城镇化空间计量分析［J］.北京航空航天大学学报（社会科学版），2016，（1）:98～103

［14］王周伟，柳闫.金融集聚对新型城镇化支持作用的空间网络分解［J］.上海师范大学学报（哲学社会科学版），2016，（2）:45～55

［15］J Paul Elhorst.空间计量经济学——从横截面数据到空间面板［M］.北京:中国人民大学出版社，2015

［16］邓若冰，刘颜.工业集聚、空间溢出与区域经济增长——基于空间面板杜宾模型的研究［J］.经济问题探索，2016，（1）:66～76

［17］张晓燕，冉光和，季健.金融集聚、城镇化与产业结构升级——基于省级空间面板数据的实证分析［J］.工业技术经济，2015，（9）:123～130

［18］J.LeSage and R.K.Pace.Introduction to Spatial Econometrics［M］.Taylor&Francis Group，LLC，2009

［19］沈体雁，冯等田，孙铁山.空间计量经济学［M］.北京:北京大学出版社，2010:27

Financial Agglomeration，Spatial Spillover Effect and Urbanization in China——Based on the Empirical Study with Provincial Panel Data from 2005 to 2014

Jin Faqi Wen Xi
（Central South University，Changsha 410083，China）

Based on the panel data of 31 provinces，municipalities or autonomous regions in China from 2005 to 2014，this paper constructs financial agglomeration index and urbanization index，studies the Spatial auto-correlation of financial agglomeration and urbanization development，moreover，builds spatial auto-regression model and spatial Durbin model and analyzes spatial spillover effects of financial agglomeration on urbanization based on spatial regression model partial derivatives method.It comes to the results as follows，China’s financial agglomeration and urbanization showed significant spatial auto-correlation，and showed an increasing trend.Financial agglomeration，financial investment ratio，the level of economic development and openness both have positive spatial spillover effect on urbanization of the region and adjacent areas，and the effect in geographical distance association mode is stronger than which in economic distance association mode.However，the scale of financial development and the extent of government intervention have negative spatial spillover effect on urbanization of the region and adjacent areas.

financial agglomeration；spatial spillover effect；urbanization；financial investment ratio；openness；government intervention

10.3969/j.issn.1004-910X.2016.11.006

F832

A

2016—07—07

省部级项目“复杂环境下系统性民间金融风险的度量、传导与防范研究”（项目编号:Z201606230160001）。

金发奇，中南大学商学院副教授，金融学博士。研究方向:新型城镇化、商业银行管理。文茜，中南大学商学院硕士研究生。研究方向:新型城镇化、商业银行管理。

（责任编辑:王 平）