城市群发展战略下中心城市金融溢出效应研究

罗小伟

（中国人民银行 西安分行营管部，西安710002）

一、引言及文献综述

党的十九大提出，“以城市群为主体构建大中小城市和小城镇协调发展的城镇格局”，要结合京津冀协同发展、长江经济带建设和“一带一路”建设等的实施，优化提升东部城市群，并在中西部地区培育发展一批城市群、区域性中心城市。因此，我国区域经济发展正在由行政区经济转向城市群经济，而且以城市群为单元的经济社会发展规划已上升为国家战略。另外，《全国城镇体系规划2014—2020》提出，国家中心城市处于我国城市化建设体系最顶层，代表着我国城市化发展的最高水平，是实现我国“城镇化质量明显提高、推动中国城市大都市化的必然要求”。同时，国家中心城市体现国家意志、肩负国家使命、参与国际竞争、引领区域发展，是周边城市乃至全国进行现代化建设的样本，将在区域和全国范围内具备引领、辐射、集散功能。由此，2005年以来，党中央和国务院已明确提出建设北京、上海、西安等九大国家中心城市。这不仅改变我国传统的直辖市、省会城市、地级市、县级市的城镇体系格局，更是从深层次上重构我国区域经济发展与新型城镇化的发展思路。

城市群，作为当今世界各国参与全球竞争的基本地域单元，已经成为各国经济快速发展、现代化水平不断提高的重要标志之一（黄征学，2014）［1］。Gottmann（1957）认为，城市群从地域空间上通常包括一个核心城市以及与其有着紧密经济社会联系的周边区域，而城市群的发展不仅可以打破区域非均衡发展格局且是促进区域协同发展的新载体（刘华军等，2017）［2］。因此，当前众多国家和地区正积极打造成长性高、辐射性强的城市群。随后，德国经济地理学家Christaller（1966）［3］提出中心地理论并依据中心性指数将城市划分为不同的等级，并且还对各等级城市的数量关系及相互间距离关系进行了重点探讨。其中，中心城市作为城市群的核心区和引领者，不仅是整个区域的资源聚集地和经济增长极，更是所在城市群的“战略制高点”和“发展风向标”，将对周边区域产生重要的辐射与带动功能。Myrdal（1957）［4］和Hirschman（1958）［5］认为，中心城市对周边区域具有“极化”和“扩散”两方面效应。其中，极化效应是指由于竞争上处于劣势，周边区域的资本、劳动力等生产要素将不断地流向中心城市，进而使得周边地区经济因生产要素的流失而持续衰败；扩散效应是指在中心城市的带动下，周边地区的经济社会发展呈现出加速现象。其实，中心城市对周边地区的影响往往表现为这两种效应的叠加，即所谓的溢出效应（Spillover Effect）。

关于城市群的发展及其中心城市对周边区域溢出效应的研究已成为当前最热门课题之一。其中，Conley等（2002）［6］和Ertur等（2006）［7］运用经济和地理距离对欧美主要国家间的经济空间外溢效应进行测度；Klenow等（2005）［8］发现主要发达国家在经济上相互存在依赖性，进而认为国家间存在经济外溢效应；Davis和Dingel（2012）［9］、David等（2012）［10］认为经济合作、对外贸易以及外商投资将带来知识传播和技术外溢，从而经济上产生显著扩散效应；Maimun等（2014）［11］、Koroglu和Sun（2016）［12］运用空间杜宾模型研究发现，区域经济增长存在显著的空间溢出效应。国内有关城市群及其中心城市空间溢出效应的研究成果近期较为丰富。刘孝斌（2014）［13］运用长三角16个城市2000—2011年相关数据实证分析发现，长三角各城市间在经济增长方面存在显著的正的空间溢出效应，且该效应在时间上表现出逐渐增强之趋势。陈明华等（2016）［14～15］基于2002—2013年城市数据实证研究发现，我国五大国家城市群的经济发展存在显著的空间差异和溢出效应。于平和盖凯程（2017）［16］运用空间面板数据模型实证考察了我国十大城市群金融发展的空间相关性和空间溢出效应，结果发现十大城市群金融发展不仅存在空间相关性而且具有显著的空间溢出效应。刘华军等（2017）［2］基于1992—2013年DMSP/OLS城市夜间灯光数据对我国城市经济发展的空间差异和溢出效应进行了实证研究，发现除长江中游城市群之外其他城市群之间均存在溢出效应。阳国亮等（2018）［17］基于我国289个地级市1995—2015年经济数据，运用合成控制法实证发现2010年起实施的国家中心城市建设对区域协同发展具有显著的正向作用。

金融作为经济的血液，是配置资源的有效手段，是推动区域协同发展的重要力量，城市群及其中心城市建设发展需要充分发挥金融的带动作用。金融发展不仅能够带来交易成本的节约与交易效率的提升，而且金融集聚能够产生显著的空间溢出效应（于平等，2017）［16］。刘军等（2007）［18］认为，金融可以通过集聚效应、扩散效应以及金融功能促进本地区及周边地区经济增长。李林等（2011）［19］基于横截面的空间计量模型SLM，SEM与SDM实证发现，金融发展的空间溢出效应显著。牛盛润（2013）［20］发现，地区间金融发展差异过大会对区域经济协调发展产生阻碍作用，而空间溢出效应能够有效减弱区域间金融差异。陈丽贞（2016）［21］研究发现，金融集聚对区域经济增长存在空间溢出效应，其中银行业集聚发展对产业结构优化升级贡献度显著大于保险业和证券业。

综上所述可以发现，国内外学者对城市群及其中心城市的空间溢出效应、金融发展的溢出效应进行了深入研究，但基于城市群视角下研究中心城市金融溢出效应的文献却很少，而针对国家中心城市群战略下金融推动区域协同发展及其作用效果的研究更是寥寥无几。国家中心城市建设及其区域协同发展需要发挥金融的推动作用，那么在当前环境条件下，我国国家中心城市的金融发展到底是以集而散的“扩散效应”为主导以促进区域协同发展还是以集而不散的“极化效应”为主导以加大区域发展差距？由此，本文将基于空间面板模型对城市群发展战略下国家中心城市金融溢出效应进行研究分析，进而为国家中心城市群建设及其区域协调发展提出相关对策建议。

二、理论分析与模型构建

（一）中心城市金融溢出效应的作用机制

金融作为现代市场经济的血脉，能够优化资源配置、节约交易成本及提高交易效率，从而在促进本区域经济增长的同时还对周边地区产生溢出效应。此外，随着经济金融化及金融要素空间上的集聚与扩散，将直接决定地区各类经济资源在空间上的聚集与扩散，进而产生空间溢出效应。中心城市金融发展的空间溢出效应对周边城市金融增长的作用机制:一是示范效应（或标杆效应），由于地方官员晋升的“锦标赛”体制，以及对地方政府政绩考核过多的偏重经济（GDP）增速，从而使得周边地市政府积极模仿、跟随中心城市的发展模式，以致竞相大力发展金融产业，积极推动经济金融化，由此推动中心城市和周边城市的经济、金融的同向增长；二是外部效应，中心城市积极发展金融产业，不仅促进了本市金融业和经济的发展，还会通过人口流动、业务往来以及学习交流，将先进的经营模式、管理经验、发展理念等传播给周边城市，进而带动周边城市的经济金融发展；三是竞争效应（或挤占效应），是指由于中心城市金融业的资产回报率、人员工资相对较高，这将对周边城市金融业方面的资金、劳动力及人力资本等产生较强的吸引力，结果是周边城市金融业生产要素不断流向中心城市，进而使得周围城市由于竞争上劣势而出现经济和金融持续衰退现象。在现实中，往往是三方面效应同时存在、交织叠加，即所谓的中心城市对周边城市的金融空间溢出效应。

（二）数理模型

1.中心城市金融溢出效应的模型设定

首先，对传统的索罗模型加以扩展，考虑中心城市的金融发展对周边城市存在空间溢出效应，进而构建一个考察中心城市金融发展对周边城市具有空间溢出效应的内生金融业增长模型。于是，设周边城市i金融业的规模不变Cobb-Douglas生产函数为:

其中，Yi表示周边城市i的金融业增加值，Ki表示周边城市i的金融业资本存量，Hi表示周边城市i金融方面的人力资本存量，Li表示周边城市i的劳动力数量，α和β分别表示周边城市i的金融资本弹性系数和金融人力资本弹性系数；Ai代表周边城市i的生产技术水平，且由式（2）确定:

由式（2）可看出，周边城市i的生产技术水平Ai主要由以下四个部分决定:一是Ω部分，正如索罗模型，我们假定周边城市i的技术生产率的某一部分为外生给定的且各城市均相同，即Ω（t）=Ω（0）eτt，其中，τ为恒定技术增长率；二是部分，我们假定其是由周边城市i的人均资本占有量决 定，并随着ki的提高而增长；三是部分，我们假定它是由周边城市i的人力资本数在总人口占比决定；四是部分，其中，FC为中心城市的金融发展水平，本文用中心城市人均金融业增加值表示，φ（0≤φ≤1）为周边城市i与中心城市之间的金融依赖程度，w为周边城市i与中心城市之间外部摩擦力，即两者之间的距离权重系数。显然，我们进行以上的假定是合理的，金融业人均资本使用率与人力资本占比的上升将有利于金融技术结构的提升，中心城市金融业的发展不仅有利于本地区经济技术水平的提高，而且还会对周边城市的经济技术水平产生溢出效应，显然这种影响也将会随着两者间地理距离的增加而逐步降低。

接下来，我们将式（1）化为:

将式（2）带人后可得:

其中，χ=ø+（1-ø）α-øβ，μ=δ+（1-δ）β-αδ，γ=（1-α-β）φ。

由式（4）可以发现，较之传统的索罗模型，周边城市i的人均金融产出不仅取决于人均金融资本占有率和一般技术进步，而且同时还受到了中心城市金融发展水平、周边城市和中心城市之间的技术依赖程度以及两者之间空间地理距离的影响。

2.一般均衡分析

参照索罗模型，设定周边城市i的储蓄率为si、人口增长率为qi、资本折旧率为θ，那么城市i的金融业资本变动为:

其中，Δki表示周边城市i的金融业资本增长率，那么均衡状态下有:

接下来，对式（4）两边同时取对数，则有:

则当市场处于均衡条件下时，可得:

通过式（8）可以得到，周边城市i的人均金融业增加值与其人均金融资本占有量（ki）、金融业人力资本在总人口占比（hi）、一般技术进步率（τt）成正相关，这跟普通的索罗模型所得结论一致；同时，周边城市i的金融业增长还受到中心城市金融发展水平（FC）以及周边城市i与中心城市外部摩擦力（w）的影响。

三、中心城市与周边城市空间关联性

事物之间通常存在一定的联系，而且越相邻的事物之间往往联系越紧密。城市群中各城市之间的距离通常较近，并且资金、人员、商品上往往流通较为密切频繁，因此，在展开实证分析之前，本文将首先运用Moran’s I测度有关变量的空间相关性，进而判断在实证估计中是否应该包含空间相关变量。其中，全域Moran’s I指数的表达式为:

由于全域Moran’s I指数描述的是各个国家中心城市群的全域空间自相关性，而本文所探讨的是国家中心城市对周边城市的金融溢出效应，因此，主要采用局域Moran’s I指数来分析其空间关联特征。其中，局域Moran’s I的表达式为:

式（10）测度的是第i个空间样本与其周围样本的空间相关程度，本文为9个国家中心城市的金融业增加值；Yi为9个国家中心城市所在城市群下属的周边城市j金融业增加值。

接下来，我们将采用周边城市与中心城市之间实际空间距离来构建空间权重矩阵Wij，具体转换公式如下:

其中，d为两地之间的实际空间距离。事实上，这种距离标准权重设定方法已在现有文献的各种空间溢出效应研究中得到了广泛运用。本文国家中心城市与周边城市的实际距离数据是根据国家基础地理信息系统中1:400万中国地形数据库并借助ArcGIS10.0软件整理得到，然后对2000—2017年我国9个国家中心城市所在城市群的人均金融业增加值的局域Moran’s I进行测算（如表1所示）。

表1 2000—2017年国家中心城市局域Moran’s I值

表1（续）

从表1发现，9个国家中心城市与其周边城市的金融业增加值的局域Moran’s I值均不为0，因此，认为各城市群的周边城市与中心城市间存在空间相关性。从所属城市群来看，长三角、珠三角和京津冀城市群的周边城市与中心城市的局域Moran’s I值均为正值，说明其周边城市与中心城市之间存在正的空间相关性，即存在集聚现象；中原和关中平原城市群的周边城市与中心城市的局域Moran’s I均为负值，说明其周边城市与中心城市之间存在负的空间相关性，即存在扩散现象；长江中游和川渝城市群的周边城市与中心城市的局域Moran’s I先为负后转变为正，说明其周边城市与中心城市之间存在着由负的空间相关性向正的空间相关性转变，即原来表现为扩散现象现在转化为集聚现象。

四、计量模型设定与数据说明

（一）计量模型的选取与设定

通过上述所测得的Moran’s I指数可知，周边城市的金融业增长与中心城市金融发展存在着显著的空间相关性，那么未考虑空间因素的一般面板模型将可能存在估计偏误，因此，本文将采用空间面板模型以更好地估计中心城市金融发展对周边城市金融业增长的空间溢出效应。

现有空间计量模型主要包括以下三种:空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM），其具体表达式分别为:

为分析中心城市金融发展对周边城市金融业增长的空间溢出效应，于是在式（7）的基础上，构建中心城市金融发展的空间滞后模型（SLM）和空间杜宾模型（SDM），如式（15）和式（16）所示。

其中，lnyi为各城市群周边城市的人均金融业增加值对数，lnFC为各城市群中心城市的人均金融业增加值对数，lnki为各城市群周边城市的金融业人均资本占有量对数，lnhi为各城市群周边城市金融业人力资本在总人口占比的对数，wi为各城市群周边城市与中心城市距离权重系数矩阵，lnkC为各城市群中心城市的金融业人均资本占有量对数，lnhC为各城市群中心城市金融业人力资本在总人口占比的对数。

（二）实证对象范围的确定及数据说明

1.实证对象范围的确定

本文所研究的中心城市为国家中心城市，它是我国住建部于2005年编制《全国城镇体系规划》时首次提出。根据《全国城镇体系规划（2010—2020年）》及国务院对《成渝城市群发展规划》《长江中游城市群发展规划》《中原城市群发展规划》和《关中平原城市群发展规划》的批复，明确提出建设北京、上海、天津、广州、重庆、成都、武汉、郑州和西安九大国家中心城市。因此，本文将在9个国家中心城市的基础上，同时考虑到数据的可得性，确定本文实证研究对象包含的城市，如表2所示。

表2 城市群战略下九大国家中心城市及其周边城市

2.数据说明

由于我国并没有城市资本存量方面的公开统计数据，因此，本文借鉴陈创练等（2017）的做法，采用永续盘存法进行估算，具体有:Kt=It+（1-θt）Kt-1，Kt与Kt-1分别为第t与t-1年的金融业资本存量，It为第t年的金融业投资，θ为第t年的金融业资本折旧率，其中，以2000年为基期的金融业资本存量为；各城市人口数为年初年末算术平均值；金融业人力资本量用该城市金融业从业人员接受高等教育人口数量进行代替。本文实证所用数据主要来自Wind数据、《中国城市统计年鉴》《中国区域经济年鉴》及《中国统计年鉴》，而部分城市的相关数据来源于该年份的《国民经济和社会发展统计公报》，对于剩余的缺失数据，将通过算术平均法、3项移动平均法等方法进行补齐。

五、实证结果分析及稳健性验证

（一）回归结果分析

在进行参数估计前，首先运用非空间面板构建LM和R-LM统计来进行空间自相关性检验。检验结果显示，LMError、LMLag、R-LMError、R-LMLag均通过1%水平下的显著性检验，因此，空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）在一定程度上是适用的，但结合本文第二部分的数理模型和第四部分的计量模型设定，本文将选择空间滞后模型（SLM）和空间杜宾模型（SDM）来进行回归分析。同时，考虑到OLS对空间面板模型的估计可能存在偏差，相应地我们将采用极大似然估计法（ML）对参数加以估计。利用Stata13.0软件得到的估计结果如表3所示。

表3 基准模型估计结果

由表3可知，lnFC的估计系数为正且在5%显著性水平下显著，说明在2000—2017年间我国9个国家中心城市金融业的发展对周边城市金融业增长具有显著的正向溢出效应。同时，自身生产要素——金融业人均资本占有量（lnki）和人力资本在总人口占比（lnhi）的估计系数也均为正且在1%显著性水平下显著，表明2000—2017年间9个国家中心城市群的周边城市金融业人均资本占有量和人力资本占总人口比重的提高能够显著促进本市人均金融业增加值的增长；但是中心城市金融业人均资本占有量（lnkC）的增长却对周边城市金融业的发展表现出负向影响，这其中的原因可能是中心城市金融业的资本回报率相对较高，而中心城市金融业人均资本占有量的过快增长，将对周边城市的金融业资本产生较强的吸引力，导致周边城市金融业资本加速流向中心城市，从而表现出较强的挤占效应。再则，中心城市金融业人力资本在总人口占比（lnhC）的估计系数为正且在10%显著性水平下显著，表明中心城市金融业人力资本的提升对其周边城市金融业的发展具有正向促进作用，这也说明2000—2017年间国家中心城市在金融业人力资本方面更多表现为示范效应和正外部性。最后，3个模型的调整的R2值均在0.8以上，表明模型具有较高的拟合性。

（二）稳健性验证

为了确保实证结果具有较高的信度，将进一步采取分区域回归方式来对实证分析的稳健性进行检验。有关分区域回归的参数估计结果如表4所示。

表4 分区域估计结果

表4（续）

通过对表4与表3对比分析发现，两者的参数估计结果基本一致，因此，本文的研究结论具有较强的稳健性。同时，由表4可以看出:（1）3类子样本的中心城市人均金融业增加值对数（lnFC）的系数估计取值均为正且在5%以上显著性水平下显著，这说明在2000—2017年间无论东部城市群还是中西部城市群中的中心城市金融业发展对其周边城市金融业的增长均呈现出显著的正向溢出效应，这与全样本的研究结论具有高度的一致性；（2）控制变量“周边城市金融业人均资本占有量对数”（lnki）和“周边城市金融业人力资本占总人口比重对数”（lnhi）的系数估计值均为正且在1%显著性水平下显著，由此说明2000—2017年间各周边城市金融业人均资本占有量和人力资本占总人口比的提升对本市金融业的增长具有显著的正向促进作用；（3）在3类子样本的空间杜宾模型（SDM）中，中心城市的“金融业人均资本占有量对数”（lnkC）的回归系数虽在10%以上显著性水平下显著，但系数符号却是东部城市群子样本为正而中西部城市群子样本为负，其中的原因可能是东部长三角、珠三角和京津冀城市群的金融业资本较为充足而中西部城市群的金融业资本相对匮乏，因而在东部城市群中更多地表现为外溢效应而在中西部城市则更多地表现为竞争效应；另外，中心城市的“金融业人力资本占总人口比重对数”（lnhC）的回归系数同样在10%以上显著性水平下显著，但系数符号却是东中部城市群子样本为正而西部城市群子样本为负，这可能与近20年“孔雀东南飞”而导致西部地区金融业人力资本相对匮乏有着很大关系。

六、结论与政策建议

（一）研究结论

城市群作为当今世界各国参与全球竞争的基本地域单元，不仅可以打破区域非均衡发展格局，而且还是促进区域协同发展的新载体，因此，我国政府也在科学规划和积极支持建设成长性高、辐射性强的国家中心城市群。本文在对中心城市金融溢出效应的作用机制加以科学阐述基础上，通过构建一个考虑中心城市金融空间溢出效应因素的周边城市金融业内生增长模型，推导得出周边城市金融业的增长不仅取决于内部金融生产要素而且还受到中心城市金融要素空间溢出效应的影响。进而，本文在对9个国家中心城市及其周边城市的金融业增加值局域Moran’s I指数值加以测算基础上，运用空间滞后模型（SLM）和空间杜宾模型（SDM），实证分析了2000—2017年间我国9个国家中心城市对周边城市金融空间溢出效应程度。研究结果显示:（1）2000—2017年我国9个国家中心城市金融业发展对周边城市金融业的增长具有显著的正向溢出效应；（2）周边城市金融业自身人均资本占有量（lnki）和人力资本占总人口比重（lnhi）的提升能够显著推动本市人均金融业增加值的增长，但中心城市金融业人均资本占有量（lnkC）的提高却对周边城市金融业的增长表现出负向作用；（3）按东中西部对9个国家中心城市所属城市群划分子样本后，发现东中西部城市群下中心城市的金融空间溢出效应存在着明显的差异性，这种空间溢出效应在强度上具体表现为东部城市群＞西部城市群＞中部城市群，这表明我国九大国家中心城市群金融协同发展仍然存在着明显的空间异质性。

（二）政策建议

1.坚持统筹发展，完善城市群金融业发展制度设计

在推动城市群金融业发展过程中，无论中心城市还是周边城市，地方政府都必须树立区域金融业一盘棋的理念，坚持统筹发展的原则，找准各自定位、发挥自身优势、实现有效协作，避免区域间金融业的功能重叠与过度竞争。具体而言，依据国务院批复的国家中心城市群发展规划，从提升城市群整体金融业竞争力出发，发挥各个城市比较优势，明确功能定位，制定中心城市与周边城市金融业协同发展的实施战略，实现错位协同发展。

一是依据住建部制定出台的《国家新型城镇化规划（2014—2020年）》中关于各个国家中心城市发展定位，完善各城市群金融业发展的各项制度设计，统筹规划、明确定位以推动各城市群中心城市和周边城市金融业有效对接和转移等，进而促进各城市群、城市群内部金融业要素自由流动和金融市场自由开放。二是在市场主导基础上，通过政府引导，建立金融业发展区域协调机制。一方面，根据市场主导原则，各城市群的主要金融机构可尝试组织跨省级的区域管理部门，以协调区域内的金融业务往来与项目合作，并通过金融机构间相互持股或控股建立更加紧密联系，增强金融业的辐射能力；另一方面，依照政府引导原则，各城市群加快联合成立金融业协调管理工作组，建立城市群金融业协同发展战略的统一规划制度、金融协调联席会议制度及金融监管联系会议制度。

2.优化金融资源配置，推进城市群金融一体化市场发展

针对当前各城市群里中心城市和周边城市“各自为战”现状，必须打破行政壁垒，制定符合金融市场一体化的竞争与合作规则，搭建自由、开放、联合的城市群金融业一体化市场体系，以消除市场分割并促进金融要素自由流动。同时，不断完善金融基础设施建设，完善区域金融服务网络，提升城市群内部各城市金融联系程度，建立城市群金融市场一体化服务圈。

一方面，整合政府、金融机构、互联网金融等各方数据，搭建统一的信息共享平台和同城化支付清算系统，实现城市群内部各城市支付清算体系一体化，逐步实现城市群内金融服务同城化、一体化；另一方面，以城市群为单元，整合和共享各城市银政企的数据信息资源，探索建立统一的跨区域信用评价标准和互认系统，推进城市群区域内信用担保、融资租赁等业务同城化。

3.聚集新兴金融业态，推动城市群金融业协调发展

近年来，我国新兴金融业态层出不穷，不仅动员和聚集了大量社会闲置资本，更是国家中心城市群发展亟需紧抓和利用好的重要金融力量。国家中心城市群的各市级政府应鼓励新兴金融业态的跨行政区域开展业务，探索建立新兴金融产业集聚区，鼓励各类金融机构投资有发展潜力的互联网金融企业，并在互联网金融等领域加快创新，以支持整个城市群金融协同发展。

另外，充分发挥新三板市场的作用，大力扶持符合条件的新兴金融业态企业挂牌融资，实现股权转让，让更多的此类企业实现资本市场上直接融资与整合发展。同时，充分利用债券市场，支持各国家中心城市群协同发展项目利用短融、中票及集票等方式在银行间债券市场融资，以扩大区域内新兴金融业态企业的融资渠道，进而推动各城市群金融业协调发展。