财政金融协同支持新型城镇化发展效率研究*——基于四阶段DEA-Malmquist方法

沈 蕾，张 蓉

(武汉理工大学 经济学院，武汉 430070)

一、引 言

自新型城镇化国家发展战略提出以来，其内涵不断被扩展，与脱贫攻坚和乡村振兴战略相辅相成，共同推动我国经济可持续发展。作为我国城镇化建设最主要的资金来源，财政和金融的作用毋庸置疑，但由于两者在执行主体、投入规模、预期目标等方面差异性较大，在执行过程中甚至存在冲突和越界问题，致使资源浪费与资源不足现象并存，影响财政和金融支持城镇化发展的效率，因此推动两者协同发展具有重要意义。

协同一词包含合作、协作、协调等内涵，协同学理论创立者德国科学家哈肯认为，系统要素之间集成后协同运作产生的整体效用要大于各部分效用的总和[1]。新型城镇化进程中的财政与金融协同即在推动新型城镇化建设这一共同目标下，财政和金融的多元化主体形成一个协同的主体框架，在中央和各级政府推动下通过相互合作与沟通，消除在推动新型城镇化发展过程中可能出现的冲突，降低交易成本，提高资源配置效率，从而实现协同助力新型城镇化发展目标的过程。其协同作用机理主要体现在以下几个方面：

首先，财政资金的风险补偿功能有助于降低融资成本，释放积极的投资信号，引导金融资本投向。一方面，财政贴息、减免税收、政府担保等财政手段有助于降低金融资本的投资风险与经营成本，吸引更多金融资本参与城镇化建设，解决资金瓶颈问题。另一方面，差异性的财政奖惩政策也为金融资本树立了投资风向标，将金融资本引入到新型城镇化发展战略领域的同时，也减小了金融资本逐利性对城镇化发展的负面影响。

其次，财政杠杆的放大作用有助于进一步撬动金融资本，补充资金规模。财政主体通过搭建政府融资平台、创立政府引导基金等方式撬动大量社会闲散资金并形成具有雄厚资金规模的协同主体。这些新成立的政策协同主体大多实施市场化运作，有着特殊支持领域与投融资原则，支持对象也多如城市基础设施项目、社会保障和准公共服务设施项目、新农村建设以及高新技术企业发展等资金需求规模大，投资时间长、风险性较高的领域。在财政杠杆作用下，金融资本的加入不仅补充了资金供给，同时也发挥出财政与金融精准施策、重点突破的支持功能。

再次，金融市场的价格发现功能可以准确反映经济发展趋势和市场供求情况，提高财政资金的使用效率。规范化的市场运作模式使定价机制更具透明性与高效性，从而降低过度行政干预或信息不对称带来的不经济，加快财政资金周转速度。而在金融资本的参与下，地方政府也可以腾出手来，将有限的财政资金用于城镇化建设核心领域，更好地发挥财政在协调地区发展、优化资源配置、推动社会公共服务均等化等方面的作用。

值得注意的是，虽然财政金融协同有助于更好地提升综合城镇化发展水平和质量，但协同效率的高低也会受到地方经济结构特征、财政实力与金融发展水平等多种外部因素的影响。一般而言，城乡二元经济结构特征越明显，对财政资金需求越大，这时如果一味追求市场化，忽视财政引导和规范市场的作用，就很难发挥财政与金融的协同作用。而在财政分权背景下，由于地方政府财权与事权不对等，一方面，地方政府更愿意将资金投入到能够产生税收收益的领域，另一方面，落后地区的政府只能通过加大举债规模来满足城镇化建设的资金需求，进而加大了财政风险。同样，地方财力大小与金融发展水平也会对两者协同的有效性造成影响，在财政与金融主体双弱的地区难以形成资金集聚效应，甚至会导致资金外流，这时需要借助外部力量补充财政规模，通过最高决策主体的引导缓解金融抑制效应，推动两者有效协同。

由此可见，财政金融协同支持新型城镇化是一个复杂系统，然而纵观国内外研究成果，多数学者的相关研究仍停留在国家层面，忽略了我国各地区自然环境、经济基础不同带来的空间差异性[2]，对协同效率的研究更几乎是一片空白。学者沈蕾运用DEA模型实证分析发现，我国财政、金融以及财政金融协同支持城镇化发展均处于无效率状态，支出结构不合理、彼此缺乏沟通、协同模式创新不足是主要原因[3]。但是考虑到我国各地区城乡发展状况差异性大，财政与金融关联度、地方自主度和金融发展水平也各有特点，这些外部环境因素均会对效率评价产生影响，仅依靠DEA模型测度二者的协同效率并不精确。基于此，本文运用四阶段DEA-Malmquist模型剖析我国31个省(区、市)财政与金融支持新型城镇化发展的效率问题，通过剔除环境变量对效率的影响，增强所得效率值的精确性，将有助于各地区选择更具针对性、更有效的协同模式，进一步促进城镇化健康发展。

二、模型构建及指标选取

(一)模型构建

1.四阶段DEA模型。DEA是由Charnes和Cooper等学者于1978年创建的以相对效率概念为基础的非参数前沿效率分析方法，可用于处理多投入多产出的效率分析。Fried等提出的三阶段和四阶段模型在经典DEA模型基础上考虑了环境变量及随机误差对效率值准确性的影响。由于本文构建的基于SFA三阶段模型结果拒绝存在无效率项，故选择基于Tobit的四阶段模型对剔除环境变量后的财政金融协同支持新型城镇化效率进行测算[4]，具体步骤如下：

第一阶段：DEA-BCC模型测算初始效率。本文以财政、金融作为投入变量，研究其促进新型城镇化发展的效率，故选择投入导向且规模报酬可变的DEA-BCC模型。原理如下，假设有j(j=1,2,…,n)个决策单元，每个决策单元有m项投入xj=(x1j,x2j,…,xm j)和s项产出yj=(y1j,y2j,…,ys j)，其中xj>0，yj>0，模型表示为：

(1)

第二阶段：构建Tobit模型。由于第一阶段测算出松弛量为零的情况下存在截断，因此为避免偏误，采用Tobit截断模型拟合松弛量与环境变量之间的关系，模型如下：

Si j=αi+βiZi j+μi,(i=1，2，…，I；k=1,2,…n)

(2)

其中Si j表示第i个投入要素的总松弛量，Zi j表示外生环境变量。

第三阶段：调整投入指标。借助第二阶段得到的投入拟合值调整初始投入量，调整公式为：

(3)

第四阶段：重新测算效率。以调整后的投入指标代替初始投入指标重新进行DEA效率测算，可更为精准地反映各地区财政金融支持城镇化效率的情况。

2.DEA-Malmquist。四阶段DEA模型是静态效率分析模型，适用于截面数据的效率分析，仅能反映当前时期财政金融协同支持城镇化建设的效率情况，无法反映跨期效率的变化情况。因此本文将进一步引用Malmquist指数模型，从动态视角对我国财政金融协同支持城镇化建设的相对效率进行分析。

Malmquist指数即全要素生产率(TFP)，可以测算一定时期内生产力使用效率的变化情况。Fare等[5]最早提出采用DEA方法计算Malmquist指数，并将其分解为综合效率变化(EC)和技术进步变化(TPC)两方面，之后又将综合效率变化(EC)分解为纯技术效率变化(PTEC)与规模效率变化(SEC)，最终得出Malmquist指数分解公式为：

TFP=PT×SEC×TPC

(4)

其中,TFP表示Malmquist指数，TFP>1表示生产率提高，TFP<1表示生产率下降，当TFP=1则表示生产率没有变化。

(二)指标体系构建与基本描述

1.指标选取。财政、金融和城镇化均为复杂系统，难以用一两个简单指标进行描述，因此本文以沈蕾构建的财政、金融及城镇化指标体系为基础，并根据本研究需求进行了一定修改，选取了四个环境变量以剔除相关外生因素对财政金融支持城镇化效率的影响，最终构建了如下指标体系：

表1 财政金融支持新型城镇化指标体系

投入指标包括财政和金融投入指标。财政投入指标由五个二级指标构成，分别从规模和结构方面反映财政对城镇化的影响，其中财政支出占GDP比重代表财政投入规模，以剔除地区经济规模差异的影响；而其他四个指标代表财政对公共服务体系各方面建设的支持力度。四个金融投入指标从规模、效率和结构三方面反映金融对城镇化的影响。

产出指标新型城镇化的核心是人的城镇化，更加强调人与经济、社会和生态的融合，传统城镇化指标无法体现新型城镇化的内涵，为此本文分别从经济、社会和生态三个层次构建了新型城镇化综合指标体系。

考虑到环境变量以及随机误差对于有效性测算结果的影响，基于前文分析结果并结合我国经济发展特点，本文分别选取了城乡二元结构、财政与金融联动指数、地方自主度以及金融发展水平四个环境变量。

2.数据来源。本文选取2008-2017年中国大陆31个省(区、市)的相关数据进行财政金融支持城镇化发展的静态和动态效率分析，相关数据主要来源于2008-2017年《中国统计年鉴》、2008-2017年《中国金融年鉴》、国家统计局官网以及各省、自治区、直辖市统计局网站。

3.财政、金融与新型城镇化综合指数。为保证指数的客观性和准确性，本文运用相对客观的熵权法计算指标体系中各二级指标权重，最终得出各指标的综合指数，此处选取2017年数据进行简要分析。

从表2可以看出，各省市在财政、金融投入以及城镇化发展指数方面存在着显著的空间差异性。整体来看 ，东部地区①综合城镇化发展指数明显高于中西部地区，其中北京、上海、广州综合城镇化发展水平最高，尽管北京、上海的生态城镇化水平较低，但是受益于高水平的经济和社会城镇化，整体城镇化水平居于前列；财政支持指数整体差距较小，呈现出西部地区>中部地区>东部地区的趋势，表明中西部地区财政更注重公共服务建设资金的投入，能够更多地将资金运用于城镇化建设；金融支持指数差距最为悬殊，除北京、上海等个别经济发达的省市较高之外，其他地区明显偏低，区域间金融发展极不均衡。

表2 2017年各省市财政支持、金融支持、城镇化发展综合指数

三、实证研究

(一)基于空间维度的财政、金融以及两者协同支持新型城镇化发展效率分析

四阶段DEA分析法是静态效率分析方法，本文选取2017年的相关数据进行研究。

1.第一阶段DEA及结果分析。根据初始DEA模型的投入产出量，运用Deap2.1 软件测算出各地财政、金融及财政金融协同支持新型城镇化的综合效率(TE)、技术效率(PTE)、规模效率(SE)和规模报酬(RTS)。

由表3可见：在不考虑外在环境因素影响的情况下，整体而言，财政支持城镇化效率基本呈现出东部地区>中部地区>西部地区的趋势，尽管中西部地区财政资金能更大比例地投入到城镇化建设中，但在财政分权背景下，经济欠发达地区面临着财政资金基数小但城镇化建设资金需求量大的矛盾处境，财政支持城镇化效应仍然弱于经济发达地区。金融支持城镇化效率普遍不高，东部经济发达地区并没有明显优势。财政金融协同支持城镇化的效率高于财政和金融分别支持新型城镇化的效率，这一特点在东部地区表现地更为明显，说明了财政与金融之间存在着协同关系，二者产生了“1+1>2”的协同效应。

表3 2017年财政、金融单独及协同支持城镇化效率

2.外生环境变量Tobit回归结果与分析。为研究外界环境对效率值的影响，本文以第一阶段测算出的各投入要素松弛量为被解释变量，相关环境变量为解释变量，运用Stata软件对其进行Tobit回归，结果见表4。

表4 第二阶段Tobit回归结果

Tobit回归结果中卡方检验统计量P值都小于 0.1，说明选取的环境因素均对财政金融支持城镇化效率有明显影响，运用Tobit回归过滤外部因素对财政金融支持城镇化效率影响是有效的。

从回归系数及其显著性方面来看，城乡二元结构系数与财政、金融投入松弛量呈显著正相关关系，表明农业与非农劳动生产率差距越小，越能促进财政、金融资金在城镇化建设方面的有效使用。财政与金融联动指数、地方自主度、金融发展水平与各投入松弛量的回归系数都显著为负，即提高财政与金融的联动性、提高地方自主度和金融发展水平可以提高财政、金融资金在支持城镇化方面的使用效率，减少无端耗损，这与前文理论分析结论相符。

3.调整投入变量。利用Tobit模型的回归结果调整初始投入值，以剔除环境变量对财政金融支持新型城镇化发展效率的影响，具体过程不再赘述。

4.分析调整后的DEA效率值。将第三阶段调整后的投入变量重新利用Deap2.1软件计算出我国31个省(区、市)2008-2017年财政金融支持新型城镇化发展新的效率值，调整后的2017年各省市效率值详见表5。

表5 剔除环境因素后2017年财政、金融单独及协同支持城镇化效率

如表5和图1所示， 剔除环境因素影响后，大部分中西部地区财政支持城镇化发展效率有所提高，但在地区间经济发展不平衡带来的财政投入规模差异影响下，东西部差距依然存在。而金融支持城镇化发展效率受环境因素影响变化最大，除北京、天津、上海、四川的效率被低估外，大部分东中部地区效率被高估，金融发展不足的西部地区效率依旧非常低，地区间金融发展不平衡是导致这种状况的主要原因。值得一提的是，从规模报酬方面来看，与大多数中西部地区处于规模报酬递增状态不同，北京、上海、江苏、浙江、广东处于规模效率递减状态，说明不同于中西部地区因投入规模不足引起的支持效率低下，北京、上海等省市可能存在资金冗余和管理使用无效率的状况。

图1 剔除环境变量前后2017年各省市效率对比

财政金融协同支持新型城镇化效率受外部环境因素影响不大，这表明两者的协同不仅可以提高支持新型城镇化发展的有效性，同时也可以在一定程度上消除外部环境差异造成的冲击。具体而言，北京和天津综合效率、技术效率和规模效率均为1，并处于规模报酬不变状态，表明财政金融协同促进城镇化发展达到最优；在技术效率方面，除西藏只有0.689外，其他省市的技术效率均在0.9以上，其中10个省市达到了1，西藏财政金融协同支持城镇化建设的运作机制仍然有待完善；在规模效率方面，仅北京、天津、上海、浙江、广东效率较高，绝大部分省市处于规模报酬递增的状态，表明对于我国大部分地区而言，适当增加财政和金融的投入规模可以获得城镇化建设更大增幅的收益。

(二)基于时间维度的财政与金融协同支持新型城镇化效率分析

为了更清楚地从时间上分析31个省(区、市)财政金融协同支持城镇化效率的变化情况，本节在四阶段DEA模型基础上，对调整后的投入变量和原始产出变量进行DEA-Malmquist指数模型分析，结果见表6-7。

表6 各省市2008-2017年Malmquist指数变动与分解

表7 2008-2017年Malmquist指数变动与分解

1.基于地区跨度的Malmquist指数分析。

由表6可见，各省市的Malmquist指数均大于1，说明十年间我国财政金融协同支持城镇化效率均有所提升，中西部地区增长幅度明显高于东部地区，地区间差异进一步缩小。其中东部11个省市中有4个地区的规模效率变化小于1，即十年间这四个地区财政与金融的总体资金规模有所下降，但在两者协同水平不断提高的作用下，其支持新型城镇化发展的效率依然有所提高。西部地区除西藏外，其他11个省市财政与金融协同支持新型城镇化发展的综合效率变化与技术进步变化指数均大于1，资金投入规模的上升与技术进步共同促进了其支持新型城镇化发展效率的提高。

2.基于时间跨度的Malmquist指数分析。

由表7可以看出，2008-2017年我国财政金融协同支持城镇化的综合效率和技术进步均呈现上升趋势，受二者影响，财政金融协同支持城镇化效率有较大提高。其中Malmquist指数整体提高了6.1%，综合效率年均提高了1.1%，规模效率年均提高了1%，这说明十年间我国新型城镇化进程中财政与金融投入规模不断上升，两者协同效率的提升进一步提高了资金使用效率，发挥了“1+1>2”的协同作用，促进了新型城镇化的健康发展。

进一步结合图2可见我国财政与金融协同支持新型城镇化发展有效性的方式存在明显的阶段性特征。其中2008-2015年期间，Malmquist指数的变化趋势与规模效率变化基本相同，即这一期间财政与金融协同主要体现为资金规模的叠加。而这一特点自2016年开始发生改变，虽然资金投入规模出现大幅下降，但在技术进步的作用下，Malmquist指数继续呈现上升趋势，即技术进步的作用明显大于投入规模的作用，这与国家从2016年开始推行供给侧改革、强调金融脱虚向实有关，随着资金投放效率的提高，财政与金融协同的作用也越来越大。

图2 2008-2017年Malmquist指数变化趋势图

四、结 语

本文选取2008-2017年我国31个省(区、市)财政金融协同支持新型城镇化面板数据，通过四阶段Tobit-DEA模型“过滤”外生环境变量的干扰以修正经典DEA模型的偏误，提高效率结果准确性的同时也在一定程度上弥补了国内研究存在的不足。根据实证结果，本文得出如下结论:

1.财政与金融协同支持新型城镇化发展的效率明显高于财政与金融分别支持新型城镇化的效率，协同效应明显。而纯技术效率的提升进一步说明通过加强财政与金融的协同合作，有助于提高总体投入资金的使用效率，进而提升对新型城镇化发展的支持作用。

2.外生环境因素对财政金融协同支持城镇化发展效率的干扰确实存在，但通过加强财政与金融的协同可以在一定程度上提高城镇化建设的包容性，消除外部环境因素造成的负面影响。且缩小农业与非农劳动生产率差距、提高地方自主度和金融发展水平、增强财政与金融联动性，能够为财政和金融资金的优化使用提供有利的外部环境，进一步促进财政金融协同支持新型城镇化效率提高。

3.从Malmquist指数结果来看，2008-2017年各省市财政金融协同支持新型城镇化建设的效率有一定提高，但是主要得益于投入规模的扩大，如何提升财政与金融在城镇化建设方面的协同效率，减少政策摩擦依然是未来需要解决的主要问题。

注释：

① 东中西地区的划分标准依据中国卫生统计年鉴。东部地区：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南。中部地区：山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南。西部地区：内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。