空间异质性、非期望产出与区域金融生态运行效率评价

李富有，薛勇科，王运良

(西安交通大学 经济与金融学院，陕西 西安710061)

一、引 言

随着改革开放的不断深入，综合国力的不断增强和人民生活水平的极大提高，中国经济和社会发展变化成为世界关注的焦点，中国正逐步融入到经济一体化、经济金融化及金融全球化的进程之中。而在全球经济发展不断推进的同时，金融竞争加剧、金融风险剧增和金融危机爆发等问题的频繁发生，给中国提出了严峻的挑战。面对金融危机的强大冲击，中国经济发展的进程也曾一度放缓，造成了金融运行机制不完善、金融市场自我调节缺失和金融系统发展不平衡等各类问题，严重影响到社会的稳定和国家的安全，而如何保证中国经济金融平稳健康发展，已引起了政府和学术界的广泛关注。

早在2004年12月的“中国经济学50人论坛”，周小川就提出了将自然生态学引入金融业的想法，并引发了学术界对于“金融生态”的研究热潮。自然生态学强调的核心观点是关注在生态系统中系统主体与内外部生态环境之间的联系和影响。显然，可以从生态学思想的角度出发来研究中国的金融问题，尤其是研究各金融主体之间的相互作用以及金融机构本身如何调节自身效率高低的问题。因此，很多学者提出了各自不同的观点:金融生态环境质量决定着金融生态主体的成长性以及区域经济增长的稳定性;金融系统自身运营效率对推动金融市场的稳定发展具有重要意义;金融生态系统效率低下、金融资源无效配置，都可能影响金融市场的稳定性并引发金融危机，由此可以看出，金融生态主体运营效率和金融生态环境发展情况都会影响金融生态系统的稳定性。

传统观点认为，产业风险差异是由于各产业经济结构和经济周期的不同而带来的，而经济主体则是因为信用等级差异造成了个体风险概率的不同，但经济体的各地域之间不存在明显的风险差异。然而，中国不同地域之间存在着明显的差异。改革开放以来，由于中国采取了不同的区域政策，形成了东部、中部和西部三个大的经济发展区域，在这三个经济区域中金融的非平衡性发展问题尤其突出，特别是在金融发展规模和金融资金分布上呈现出巨大的差异。区域经济非均衡性问题主要是由于中国政策造成的金融生态环境的巨大差异，所以研究金融生态问题的焦点应该是地区层面上的金融生态差异问题。

实际上，在全球化进程加快的今天，面对着越来越复杂的内外部因素，不同地区的金融发展的差异性可以通过金融生态运行效率的高低来解释，因为它不仅可以在一定程度上反映各区域之间的资源利用效率、经济发展效率、市场秩序调解效率，而且能够通过金融主体的经营效率来反映金融的发展水平。基于以上考虑，本文以金融生态运行效率评价作为切入点，构建纳入空间异质性—非期望产出因素的区域生态金融效率测算模型，并对中国2006—2015年省际金融生态运行效率进行测算，考察中国金融生态的实际运行情况，判断各区域金融生态运行效率及趋势。

二、文献综述

(一)金融生态内涵研究

金融生态的概念是在英国生态学家 A．G．Tansky的生态系统学理论基础上发展而来的。因为金融体系自身的内在逻辑性和发展的规律性等生态学群体特点，在经济活动中逐渐形成了鲜明的特征和秩序，这种特征和秩序被称为金融生态。同时，金融生态的概念具有较强的中国特色。早期研究认为，金融资源的开发利用可以扩大社会资源的基数，提高资源的利用效率，一国经济的金融生态环境则由金融资源的开发利用过程和效率状态构成。周小川将生态学方法引入金融学研究当中，强调了生态学方法对金融研究发展的重要性，并认为金融生态主要是指国家法律制度、市场信用制度、社会中介制度、企业改革进度和银企关系等金融运行的环境体系［1］。随后李杨、徐诺金、谢太峰等学者进一步深入阐述了金融生态概念，从金融生态主体和金融生态环境、金融组织内部环境和外部环境相互作用等角度完善金融生态概念。沈军等将金融生态定义为，具有适应性特征的金融主体在一定时期内与金融环境之间在相关机制与资源循环的过程中，相互影响、相互作用和彼此关联的动态平衡系统［2］。

近年来，随着以大数据、云计算等信息技术为核心的互联网引入金融体系，互联网金融快速崛起并快速发展，对传统金融生态概念产生重要影响，致使传统金融生态体系不断演变与重构。夏政认为构成金融生态系统的金融生态物种、金融生态环境和金融生态规则三个核心要素明显蜕变，传统金融生态系统面临质变转化［3］。具体而言，互联网状态下的金融生态系统是传统金融在互联网领域的创新，是在经济、制度、法律和信用等外部环境和以思维、模式及业态为核心的内部基础上形成的具备某些功能和结构特征的动态平衡系统，主要包括生态主体(互联网金融消费者、互联网企业和传统金融机构等)、生态环境(法制、监管、信用和系统环境等)和生态模式等三个方面［4］。

(二)金融生态与经济增长关系研究

良好的金融生态环境有利于纾缓中小企业融资约束、降低企业融资成本、防止资金无效率空转、提高资金配置效率、优化企业生存环境，切实服务地区经济社会发展，实现中国经济发展由要素驱动向创新驱动转变。事实上，关于金融与经济发展关系研究，内生经济增长理论已做了充分的研究，其中 γy=Aφs－δ为经典的金融—经济增长联结机制范式，A为资本边际生产率，s为国民储蓄率，φ为储蓄向投资转化比率，δ为折旧率。从等式中可清楚看出，金融对经济增长存在直接与间接两种促进效应:直接效应体现在储蓄向投资转化比率φ，φ值越大，金融中介作用愈加明显，资金使用率愈高;间接效应则为金融发展影响国民储蓄率和资本边际生产率影响经济增长。Levine将金融体系影响经济增长主要分为五种功能，分别为风险管理、信息传播、监督经理人、动员储蓄和便利化商品与服务。金融发展对经济的促进作用有效性受所部金融生态环境制约，如政府干预虽然利于增加资本积累，但也会削弱法制因素对资本配置的效率［5］。

具体而言，金融生态影响经济增长机制最主要有微观与宏观两个层面。微观层面，最主要体现在为企业运营构建良好的融资环境和竞争环境，为企业技术创新保驾护航。具体来讲，金融生态较好地区一般经济实力较强，能够为企业创新活动提供较多的基础性资源和信息优势，提高企业创新的成功率与技术转化率;特别是在当前中国政府治理水平相对不高、体制约束短期内阻碍企业创新活动背景下，促进地区金融生态水平提升，能够有效减少市场信息不对称问题，降低企业创新成本与风险承担，提高创新的有效性。李明等证实了良好的金融生态环境有助于商业银行针对企业信贷风险的评估，公司所处地区的金融生态环境越好，内部控制质量越高，更易获得银行信贷资金支持［6］。可以说，金融生态环境的改善十分有助于银企关系密切程度的改善，缓解中小企业融资困境。

宏观层面，金融生态影响经济增长主要可概括为优化资金配置和强化制度保障两个方面。良好的金融生态是政治、经济、文化和法制等多方面综合协调的结果，利于金融结构优化、金融功能强化和金融效率提升，特别是在中国现行行政干预金融发展扭曲了信贷资源配置的市场化机制下，资金无法得到有效、合理配置，金融生态环境严重失衡。钱爱民等从金融生态视角出发，研究金融资源配置对中国过剩产能影响，企业扩张产能的主要动因来源于股东可利用金融生态环境优势，扩大负债规模，提升净资产收益率［7］。强化制度保障方面，一般而言，良好的金融生态环境意味着微观企业生产经营活动处于一个具有较好的经济基础、完善的法制制度和较高的资源配置效率环境中，特别是较为良好的信用环境能为微观企业创新活动提供更多的商业信用支持，Hsu等研究发现高水平的金融发展和发达金融体系是企业投资决策和技术创新的重要推动力［8］。因此，可以说地区金融生态环境越好，地区制度质量越高。

(三)金融生态系统指标体系

随着金融生态环境研究逐步拓展，对金融生态环境测算指标探究日益深入，并形成了一定共性，已有文献多将经济、金融、社会和政府等4方面作为评价因素，姚爽等就以政府对经济主导、经济发展质量、地区金融发展、信用基础和基础制度等5个一级指标和17个二级指标构建区域金融生态环境评价指标体系［9］。吴昊旻等在检验中国不同维度的金融生态环境与企业创新效率关系时，认为金融生态环境就是各地经济发展的外部金融环境，最主要包括政府治理、经济基础、金融发展和信用与制度文化等4个维度［10］。具有代表性的主要是李扬等在2005年发表的《中国城市金融生态环境评价》，通过9个维度对中国三大区域、50多个重点城市的金融环境和中国291个城市的金融资产质量进行了考察分析。该评价体系在后来研究金融生态中得到了发展与完善，通过结合中国转型时期的经济体制现实，提出了金融信用的建设、政府对经济的干预程度、经济运行质量、地区金融发展4个方面指数和15个分项指数以及42个二级分项指数来评价地区金融生态环境。逯进等分析金融生态与经济增长关系时认为金融生态最主要包括经济基础、政府公共服务、社会诚信、社会保障、法制环境和金融主体等六大方面，证实了金融生态与经济发展之间显著的协调演进之态势［11］。

(四)金融生态效率评价方法研究

随着金融生态研究的不断深化与拓展以及评价方法的不断发展，中国学者对于金融生态的实证研究方法也在不断更新，其中以主成分分析法(PCA)、数据包络分析(DEA)、BP神经网络、层次分析法(AHP)、面板数据模型等最为常用。数据包络法(DEA)多以传统的CCR模型和BBC模型为基础，衍生出众多金融效率测算方法。徐晓光等通过CCR和超效率模型相结合测算了内地城市与香港金融业效率，并利用 Malmquist指数分解金融效率各构成因素差异［12］。李延军等通过 BCC模型和Malmquist指数从静态和动态两个方面研究京津冀13城市金融效率的区域差异及其空间演变趋势［13］。在此研究成果基础上，部分学者发展出stoNED和多阶段DEA测算方法。但是，以往研究大多仅关注期望产出，对非期望产出视而不见，故近年关于非期望产出约束条件下的效率评估方法逐渐受到重视，刘德彬等针对目前DEA模型研究中对最初投入和中间产出关注较少的现状，提出了针对DEA模型中输入、输出类型判定方法，并在两阶段生产系统中构建了存在非期望产出的生产可能集［14］。

随着经济学与地理学跨学科交叉融合，区位因素在经济学研究中逐渐受到重视，特别是空间计量经济学的快速发展，不同因素的空间溢出效应地位日益凸显。陆远权等通过采用基尼系数和泰尔系数系统测度了1995—2009年中国区域金融效率，并分别从省际和区际层面测算了中国区域金融效率表现出的地区差异［15］。杜家廷利用 Moran指数和空间面板数据分析中国省域间金融发展差异，发现中国金融发展在省份之间存在明显的空间溢出效应，且东部和中部地区的金融发展在区域内也存在较强空间溢出，西部则不明显［16］。

因此，本文在参考已有文献基础上做出以下两点边际创新:第一，由于金融行业的特殊性，在金融机构运行的过程中，金融风险与不良贷款的出现不可避免，本文希望通过借助于SBM模型把不良贷款作为非期望产出，从而更客观、更合理地对金融生态运行效率状况做出评价;第二，由于中国地域宽广，无论是在地区发展规模，还是地区金融政策、地区资源情况上都具有较大的差异，空间异质性导致中国金融生态的区域差异很大。为了进一步考察地域因素对金融生态带来的影响，本文拟构建共同边界DEA模型对区域金融生态运行效率进行评价，并得出各区域金融生态运行效率的实际情况。

三、金融生态运行效率测算模型

传统的投入产出分析侧重反映各部门、各产品和各行业的投入、产出数量之间的依存关系。投入是在经济活动发生过程中发生的消耗和经济活动的来源，总体上包括人、财、物三大类，具体有原材料、机器设备、咨询、燃料、动力等的物质形态和非物质形态的消耗。产出就是指经济活动发生过后的结果，如获得一定数量的某些产品和劳务。

但是，企业或者其他经济活动主体在经济活动发生的过程中除了期望的正向产出，即期望产出之外，不可避免地会有一些负向产出，即非期望产出。如在经济发展的过程中会致使环境的破坏，这些产出就可以称之为非期望产出。同样，在金融运营过程中也存在非期望产出。银行业的发展过程中非期望产出和期望产出都是存在的，并且对非期望产出的完全规避是很困难的，如常见的金融业务发展过程中取得收入、利润、贷款的同时，不良贷款、投诉等非期望产出也会存在。所以，在评价金融生态系统效率时，综合考虑期望产出与非期望产出才能够更全面真实地反映实际运行效率。

(一)考虑非期望产出的DEA模型

区别于传统径向和产出角度，在强可处置条件下包含非期望产出的SBM模型可以表示如下:

(二)共同边界DEA模型

与传统经济学理论相比，地理学理论更关注不同空间的差异性，认为不同空间并非同质，经济发达地区和欠发达地区在经济地理结构上的差异导致在社会发展以及经济发展的过程中存在较大的异质性，这种异质性也表现在不同地理结构的经济体之间的经济行为是相互影响的。为此，本文利用群组和共同技术效率的共同边界模型测算金融生态效率。

进一步按照决策单元的不同性质，比如经济基础、社会文化、体制机制、资源禀赋等，将所有决策单元分为k(k＞1)个组群，第k个组群的技术集合可以表示为Tk={(x，y)|x≥0，y≥0，x可生产出y}，相应的生产可能集P为pk(x)={y|(x，y)∈Tk}，对应的曲线上沿为所有组群内部决策单元面临的组群边界。组群距离函数表示为:

金融生态比率(FER)则表示组群边界下的产出与共同边界下产出之间的比例，表达式如下:

金融生态比率(FER)反映了组群边界下决策单元面临的金融技术与共同边界下决策单元面临的金融技术之间的差距，这一金融技术差距是由于不同地区不同组群内部金融制度结构差异导致的。金融生态比率越高，意味着决策单元所面临的金融技术越接近潜在的最优金融技术水平，反之则表明决策单元的金融技术与潜在最优的金融技术差距越大。

四、区域金融生态运行效率测算

(一)评价指标与样本选择

效率评价实质上是对特定评价单元在一定时期内投入产出效率的测度。金融生态运行效率的概念可以理解为金融生态环境对金融生态主体和金融市场产出的影响，即金融产出与金融环境之间的互动关系，具体而言可以认为金融生态环境要素是投入指标，而金融主体的金融能力是产出指标。

现有金融生态运行效率指标建立的相关研究较多，学者们多从金融生态主体和金融生态环境两个维度出发，并分别基于金融生态环境因素和金融生态主体因素建立效率评价指标，且以正向效应研究为主。而现实情况是，以不良贷款为代表的负向产出是金融生态主体运营的必然产物，尽管金融机构可以采取各项措施降低不良贷款率，却无法从根本上消除，更不可能消除对金融生态环境的负面影响，且目前部分研究已对此加以关注与研究。因此，本文结合相关文献研究，将不良贷款作为负向指标，即金融生态系统运行的非期望产出纳入评价指标体系。根据金融生态环境和金融生态主体的评价，本文主要参照国内学者所建立的指标体系，其中金融生态主体主要从股票市场、保险市场和银行市场三个方面来考察，而金融生态环境主要从经济发展基础、企业发展、政府投入、社会教育和金融发展保障、居民生活水平几个方面来考察。

金融生态环境指标主要有人均固定资产投入、工业总产值、人均居民消费支出、人均教育支出、人力资本(人均受教育年限)①本文利用基于投入角度的受教育年限法，参照樊纲(2011)和李海峥(2013)关于人力资本的亿元计算方法来衡量中国2005—2014年人力资本。Hum=prim ×6+midd×9+high×12+univ×16，其中 prim、midd、high、univ分别表示小学、初中、高中、大专以上教育程度居民占各省市6岁及以上人口的比重，用0年、6年、9年、12年和16年分别表示文盲半文盲、小学、初中、高中、大专及以上教育程度的居民平均受教育年限。、人均政府支出;金融生态主体指标主要从银行、股票和保险市场三个方面来考察，主要指标为存贷款总额、保费收入、股票市场成交额，此外考虑到金融主体运行过程中可能存在的不良产出，根据数据的可获得性，本文选择金融机构不良贷款作为金融生态主体的非期望产出。具体指标如表1所示。

表1 区域金融生态运行效率评价指标及代码

由于地级市和县级地区样本数据可获得性较差，故本文投入产出指标为30个省级行政区的面板数据。时间跨度为2006—2015年，数据主要来源于《中国统计年鉴》、《中国金融年鉴》、各省区统计年鉴以及中经网统计数据库。此外考虑到中国经济发展水平不平衡，地区之间的经济发展水平和金融水平仍然存在一定的差距，因此基于异质性视角采用传统的东中西部划分，将中国分成东部、中部和西部，并进行实证检验。

(二)金融生态运行效率测算结果

1．不考虑非期望产出下的区域金融生态运行效率

本文首先运用传统DEA方法对2006—2015年中国区域金融生态效率进行了测算，计算结果如表2所示。

表2给出了不考虑不良贷款总额情况下的中国区域金融生态效率值，样本期内中国各省市的区域金融生态效率相对较为平稳，变化幅度较小，说明近年来中国区域金融生态发展较为稳定，即使2008年全球金融危机的影响下，中国区域金融的发展依然较为稳健，这也反映出了中国金融生态具有较强的抗外界干扰性。从各省市历年的效率值以及2006—2015年效率均值可以看出，在样本期内只有少数的几个省市一直为 DEA有效(北京、广东、西藏)，说明这些地区在对将人力资本、政府投入、经济发展转化为金融产出等方面具有较强的能力，金融生态环境有效地促进了金融生态的成长。此外，尽管部分省市没有表现出完全的DEA有效，但是其效率得分也较为接近DEA有效的效率前沿(上海、江苏、浙江、山西、河南、四川)，说明这些地区的金融发展环境也较为良好，但是金融生态环境对金融主体的发展和成长性的贡献仍然存在些许的不足，有待进一步改进。而另外的省市金融生态运行效率则不尽如人意，还存在较大的改善空间，其中青海省的金融生态效率平均效率最低，仅为0．387，而天津的效率也仅为0．394，说明这两个省市相比较于达到DEA有效的省市，其金融生态环境对金融生态主体的支持还存在诸多的不足，人力资本、工业产业发展、教育支出等无法为金融生态市场发展提供强有力的推动力。从各省市历年生态金融效率的变化可以看出，样本期内中国区域生态金融效率水平虽然有上升，但在某些年份也有所下降，尽管如此，从历年的效率情况仍然可以发现中国各地区生态金融运行效率存在着较大的差异。三大区域历年的效率波动情况如图1所示。

表2 2006－2015年不考虑不良贷款时区域金融生态效率值

从图1可看出，中国东中西部地区金融生态运行效率存在较大差异，且地区间差异随时间变化而逐渐扩大。其中，东部地区金融生态运行效率水平最高，中部地区次之，西部地区最差，全国平均水平受西部地区制约而略低于中部地区。造成地区间差异的原因可能在于东部地区开放时间早、力度大，与国际贸易与技术交流频繁，为金融生态发展积累了大量优秀的人才资源、创新资源等，且中央政府的政策倾斜进一步为东部地区金融发展提供便利与支撑。同时，西部地区经济发展落后，政策支持力度不足，造成金融发展相对滞后。而图1中显示中国金融生态运行效率在2012年大幅回落，原因则可能是由于实行利率市场化改革导致的金融市场波动，随着利率市场化改革逐步加深，金融市场反馈逐步趋于理性，致使2013年后金融生态运行效率整体快速提升。因此，只有加快金融改革，才能保持中国金融生态运行效率的长久发展。

图1 区域金融生态效率变化趋势图

2．考虑非期望产出的区域金融生态运行效率

本文将不良贷款纳入金融生态效率测算DEA模型，比较两种金融生态效率测算结果是否存在显著差异，将利用对非期望产出进行效率分析的DEA模型对中国区域金融生态不良贷款约束下的运行效率进行测算，计算结果如表3所示。

表3给出的是将不良贷款纳入金融生态系统运行时计算得到的运行效率。从表3可以看出，样本期内各省市生态金融效率发展较为平稳，均保持在一个相对稳定的范围之内，没有发生过剧烈的波动。此外，与传统DEA方法计算得到的效率相类似，非期望产出视角下是中国区域生态金融效率同样呈现出“东部—中部—西部”依次递减的格局，即东部地区生态金融效率要高于中西部地区，中部地区次之，而西部地区的金融生态效率最低，从各地区历年效率的均值可以发现，东部地区金融生态的平均效率值为 0．736，中部地区为 0．637，而西部地区最低，仅为0．499。此外，从全国金融生态效率来看，中国历年区域金融生态的效率值平均仅为0．619，距离有效的效率前沿仍然存在较大差距。

表3 2006—2015年考虑不良贷款时区域金融生态效率值

图2显示了2006—2015年东中西部各区域金融生态效率非期望产出约束下的变化情况，在将银行业金融机构不良贷款纳入到金融生态效率的分析框架中后，历年各区域效率变化较大，并且各区域之间的效率差距呈现出逐渐扩大的趋势。从图2中可以看出，不管有没有考虑非期望产出的影响，东部地区的效率值均要高于中部和西部地区，并且从历年的效率变化趋势可以看出，东部地区的效率均值表现为稳定上升的趋势，金融生态效率虽然有略微的下降，但是总体而言效率表现为显著提升。而与此形成鲜明对比的西部地区，无论有没有考虑到不良贷款，其金融生态效率均要远远低于东部地区和中部地区，并且其与东中部地区的差距越来越大。

图2 非期望产出视角下区域金融生态效率变化图

(三)考虑和未考虑非期望产出下的效率对比

综合比较表2和表3可以发现，两种约束条件下区域金融生态运行效率有一定差距。从总体来看，考虑不良贷款的金融生态评价体系得到的效率值要低于没有将不良贷款纳入到分析框架中的分析方法，为了更加显著地进行比较和分析，本文进一步将两种视角下得到的效率值进行对比分析，对比分析结果如图所示。

图3～6显示，信贷质量中负向约束条件降低了金融生态主体运行效率，即不良贷款约束下各省份金融生态运行效率不管是在时间序列上还是空间效应对比方面，均低于未考虑非期望产出的效率值。其对东、中部地区影响较小，对西部影响较大，这也显示出将不良贷款等负向指标纳入模型后，与现实经济发展情况更为贴近，纠正了传统估算模型偏差，估算结果更为客观。特别是对银行类金融机构来说，不良贷款无法避免，通过坏账准备金的方式降低不良贷款的影响，增加了银行经营成本。同时，由于不良资产降低了金融机构盈利能力，进一步导致银行对不良资产的处置能力下降，降低了金融机构资产流动性。由此，金融生态主体面临更多的经营风险，为了下一期经营利润的增加，不得不提高对不良资产的风险监控与评估，降低了金融机构对外部环境的反应能力和内部管理成本，影响未来盈利能力。

图3 东部地区金融生态效率对比分析图

图4 中部地区金融生态效率对比分析图

图5 西部地区金融生态效率对比分析图

图6 全国金融生态效率对比分析图

(四)空间异质性下的区域金融生态运行效率

从表2和表3的结果可以看出，无论是否考虑不良贷款的影响，中国区域金融生态效率均呈现出显著的地区差异，并且这种差异随着不良贷款的增加而变得更加明显。其可能原因在于，一方面各个地区之间由于经济发展水平、体制机制和文化水平等存在差异，影响了各地区金融生态运行效率，导致其存在一定的差异;更深层次上，金融生态运行效率是金融生态环境和金融生态主体在一定调节机制下相互作用、相互影响的结果，而中西部地区由于金融生态环境与东部地区存在鲜明的劣势，这也造成了区域之间的显著差异。基于此，如果将东中西部地区均纳入到一个分析框架中进行分析，那么根据DEA的思想，对西部地区进行效率测算时参考系的选取在全部决策单元中进行选择，然而西部地区并不具有与东部地区等同的技术水平和经济发展能力，以此得到的Benchmark并不能有效指导西部地区DEA无效决策单元的改进和提升，因此有必要将不同地区分别进行组内比较，并在同一个技术族群内进行Benchmark的选取，只有在同等条件下和水平下才能有效为DEA无效的决策单元的效率提升提供参考。基于此，本文运用MetaFrontier模型对非期望产出视角下各区域金融生态效率进行了测算，计算结果如表4所示。

表4 2006—2015年组群边界和共同边界区域金融生态效率均值

表4的效率测算结果显示，当考虑共同边界和组群边界时，仅有少数省市在样本期内均实现了DEA有效，但是绝大多数省市表现为DEA无效，这表明中国区域金融生态效率仍然有较大的提升空间。2006—2015年组群边界下中国区域金融效率的均值仅为0．726 2，表明中国区域金融生态综合效率偏低，金融生态环境对金融生态主体未能形成有效的支撑作用，此外投入不足问题也严重制约了中国的区域金融体系的发展。在引入共同边界模型后，分别对共同变和族群边界的各阶段效率值进行计算，如果数据结果显示技术缺口比率值越小，说明共同边界和组群边界效率值之间的差距越大，当技术缺口比率为1时，说明不存在技术差距。而在模型计算中，有4个省市的技术缺口比率为1。此外，东部地区的共同边界效率与组群边界效率之间的差异较小，而中西部地区共同边界效率与组群边界效率之间的差距较大，这说明东部地区金融生态效率高于中西部地区。综合各省市技术缺口比率，得到综合技术缺口情况，其中东部地区金融生态综合技术缺口比率为0．984 8，中部地区为0．801 1，而西部地区仅为0．755 8。这说明从区域综合金融生态效率来看，东部地区更加接近有效的效率前沿，而中西部地区则与有效前沿的差距较大。

五、结 论

考虑到现有研究在对中国区域生态金融效率进行测算时往往忽略了金融生态系统中的不良产出。基于现有研究的不足，结合已有研究成果，本文制定了将不良贷款纳入中国区域生态金融效率测算的分析框架，首先运用传统DEA方法测算了区域金融生态效率，并在此基础上运用包含了非期望产出的DEA模型来对区域金融生态效率进行计算。此外，考虑到中国不同地区之间存在的技术异质性，不同地区之间由于机制体制、经济发展水平、文化差异等因素，将所有省市纳入到一个参照系中存在不合理性，并得到以下三点结论。

第一，在不考虑金融机构不良贷款的情况下测算得到的区域金融生态效率表明，目前中国区域金融生态效率水平距离有效前沿仍然存在一定的差距，综合效率水平较低。历年全国综合效率波动情况表明，中国区域金融生态系统发展较为平稳。此外，从东中西部地区的金融生态运行效率的比较来看，中国金融生态系统运行效率存在显著的地区差异，东中西部效率值依次递减，并且东部－中部－西部地区之间效率差异有逐步扩大的趋势。

第二，运用非期望产出DEA模型对包含了不良贷款的金融生态效率进行测算的结果表明，东部地区金融生态效率要远高于中部地区和西部地区，西部地区的金融生态效率最低，这与西部地区的机制体制制约以及资源禀赋有关。在对两种视角下计算得到的金融生态效率对比分析后发现:传统没有将不良贷款纳入分析框架的金融生态效率测算方法会高估中国的区域金融生态效率，从而使得计算得到的结果是有偏的;同时，传统的研究方法会错误地选择决策标杆(Benchmark)，从而导致无法真正有效提高决策单元的金融生态效率。

第三，在对区域金融生态效率分析时发现，无论是传统的效率分析方法还是本文的非期望产出分析框架，均表明中国东中西部地区之间的效率存在显著的差异，这意味着三大区域之间的技术异质性对金融生态效率具有一定的影响。