金融集聚的经济溢出效应及空间异质性研究——来自2009-2018年省级面板数据的经验证据

张 超，张亚男

(安徽财经大学 金融学院，安徽 蚌埠 233030)

引言

党的十九大以来，我国经济稳步转向高质量增长发展阶段，金融产业增加值占GDP的比重由2008年的5.7%上升到2019年的7.8%，占国内生产总值比重越来越大。金融是现代经济的核心，是战略性资源[1]。由于资本的逐利性，社会金融资源的分布特征已逐渐演变成非均衡和不连续，越来越多的金融资源在空间上向特定区域聚集呈现出空间集聚的态势，其中纽约、伦敦、东京为国际金融集聚中心代表，而在国内，主要以北京、上海、广州、深圳为金融集聚中心代表，汇聚着大量的金融机构。金融集聚中心既能通过“集聚效应”直接影响本地区经济增长，也可通过其“扩散效应”促进或抑制周边地区经济发展。而在目前，金融资源的空间布局大致以东中部密集，西部稀疏为典型表现形式，金融集聚对经济影响效应存在明显地区差异，加剧区域经济发展不平衡。而在金融体制改革的背景下，金融发展在我国经济成长中发挥着愈来愈关键的作用，而金融集聚又是当代金融发展中的重要环节，基于此，研究金融集聚对经济增长的影响效应意义重大。

一、文献综述与理论分析

(一)文献综述

从上世纪90年代开始，国内外学者从多角度对金融集聚和经济增长的关系进行了较为详细的研究，其中一部分学者以金融集聚功能为切入点阐述其对经济增长的影响机制。Levine(1999)研究得到金融集聚对经济增长正向效果突出，他指出金融集聚作用于经济增长的过程中不但可以提高金融效率，而且能够加速资本积累[2]，而资本积累又能促进区域经济长期增长[3-4]。刘继和马琳琳(2019)以30个省级单位面板数据为分析对象，实证发现金融集聚可以助推国家经济发展，也能充分激发产业“集聚效应”，对产业结构进行优化[5]。

其中部分学者以规模经济为研究着力点，论述金融集聚与经济增长间的相互作用机理。国外学者Kindleberger(1974)研究发现，金融资源的空间聚集效应利于实现金融资源的高效率配置，进而引导金融集聚产生规模经济[6]。同时信息外在性与规模经济也是金融产业集聚发生的原因[7]。在我国，孙国茂和范跃进(2013)指出金融市场化、规模经济是金融中心形成的必备条件。金融集聚不仅可以引导资本、结构以及人才聚集，其在促进经济增长过程中还可以扩大金融规模、催化技术创新、加速资本积累[8]。

近些年来，学者们多以空间效应为研究的出发点，深入探究金融集聚与经济增长的关系。李林等(2011)、李红和王彦晓(2014)研究指出金融集聚通过其空间溢出效应有效推动周边地区经济发展[9-10]。一方面，金融集聚可以引导金融资源流动速率的提高，强化金融机构之间的合作与生产，节省交易费用，增强规模经济传播效应，进而实现其对邻近地区经济的助推效果[11]。另一方面，金融集聚也利于各地区提高金融资源整合的效率，发挥竞争优势、自我强化效应以及规模经济效应，引领区域经济协调、快速增长[12]。但是，由于地区经济增长水平层次性明显，金融集聚对经济增长的空间溢出效应存在区域异质性[13]。而考虑地区经济发展水平存在显著差异，徐芳燕和郑健涛(2020)构建SAR模型对粤港澳地区空间溢出效应进行检验，结果得出粤港澳地区金融集聚外溢效应抑制该区域经济增长[14]。岳婷婷(2020)用银行、证券、保险区位熵衡量山西省11市的金融集聚度，研究指出银行集聚对周边地区有显著正向溢出作用，保险集聚对周边地区经济增长有显著负向溢出效应，证券金融集聚对周边地区经济增长影响不明显[15]。

综上所述，学者们对金融集聚与经济增长之间的关系已有较为成熟的见解，有关金融集聚的空间经济溢出效应，结合全国样本数据对其研究的文献相对稀少。基于此，第一，以全国31个省的年度相关数据为研究对象，构建空间权重矩阵，测算金融集聚、经济增长的Moran’s I指数具体数值；第二，基于全国视角同时采用SEM、SAR、SDM空间面板模型对比分析金融集聚对区域经济发展的空间效应影响；第三，考虑金融集聚对经济溢出效应是否存在区域异质性，分东、中、西三部分进行对比讨论；第四，运用偏微分法对最优模型进行效应分解，更全面衡量金融集聚对经济增长的直接、间接影响效应，以期望丰富相关研究成果。

(二)金融集聚影响经济增长的相关机制

1.金融集聚集聚效应影响区域经济增长

金融集聚产生的额外收益即为金融集聚效应，通常金融集聚区易形成金融集聚效应，金融集聚效应主要从四方面对经济增长起促进作用[16]。第一，金融集聚具有外部性，大量的金融机构、优秀金融人员聚集在一起有助于金融机构技术效率的提高，为企业提供更加全面的融资服务。与此同时，企业资金周转时间、投资成本、经营风险等均会下降，对相关附属产业的发展有积极促进作用，这些均能拉动经济增长；第二，金融集聚区和网络结构的集聚与优化会降低区域内各机构的交易费用，同时导致超额收益的产生，共同推动区域经济增长；第三，金融集聚区通常位于地区或国家经济增速快的地区，而知识、资本、技术、人力等的密集是金融集聚区的典型特征，丰富的知识与创新资源利于形成创新性环境，高速流通的信息又能推动各产业技术发展。新的技术、知识在各企业之间相互传播加速各个产业的更新与升级；第四，随着社会上不断涌现出金融改革、网络金融、数字金融，金融集聚度不断升级、强化，外部经济、技术、创新、知识等日益强化、溢出，再转化成生产力，它们形成的强化机制进一步反作用于金融集聚，促进金融集聚区内经济增长，使其向更高阶段发展。据此，提出假设1：

H1：金融集聚可以促进本地区经济增长；

2.金融集聚扩散效应影响区域经济增长

扩散效应是金融集聚影响区域经济增长的另一种表现形式，具体包含极化效应和涓流效应[15]。金融集聚前期一般会催化极化效应的发生，金融发达地区自我强化积累有利因素，不断吸引促使周边地区的资本、人才等有利要素聚集于本地区，引导本地不断加强对有利因素的积累，周边地区不断积累并消化不利因素，进而导致周边地区金融产业发展消极怠慢，加快地区金融两极化发展化并循环往复不断进行。涓流效应是金融集聚扩散效应的另一种表现形式，一方面，周边地区积极借鉴金融集聚区经济发展路径；另一方面，金融集聚区域的知识、技术、人才向外溢出，这些均可以推动周边地区经济发展。在金融集聚过程中，多余的金融资源会流向周边地区，周边城市也会积极学习、模仿金融集聚区域，借助金融集聚区的各项资源实现区域经济不断增长。因此，金融集聚对周边地区经济的影响是正向促进还是负向抑制主要取决于极化效应和涓流效应二者之间谁更占主导支配地位。若极化效应处于支配地位，则金融集聚负向抑制周边城市经济增长；若涓流效应占核心主导地位，金融集聚正向推动周边地区经济增长。据此，提出假设2：

H2：金融集聚对周边地区经济增长的影响不确定。

二、指标选取与研究设计

(一)变量选取、数据来源及描述性统计

1.被解释变量

经济增长(lnPGDP)，选取31省份的地区人均生产总值衡量经济增长水平，并对该变量取自然对数，记为lnPGDP。

2.解释变量

参考黎杰生和胡颖(2017)、初春和吴福象(2018)等学者的方法，测算金融业增加值区位熵VAQit并作为衡量金融集聚度的具体指标[17-18]。计算方法如下：

上述表达式中，VAit、VAt分别表示i省、全国第t年的金融业增加值，Xit、Xt分别表示i省、全国人口数，则VAit/Xit、VAt/Xt表示省份、全国的人均金融业增加值。测量所得数值越大，金融集聚效应越强；反之，则越弱。对该指标进行自然对数处理，确保回归结果的稳定性。

3.控制变量

控制变量主要包括五个，分别为固定资产投资水平(FAI)、政府干预(GI)、人力资本水平(HC)、产业结构水平(ISU)、人口城镇化水平(POP)。选用各省固定资产投资额衡量固定资产投资水平，各省就业人员衡量人力资本水平，各省一般财政预算支出与该省GDP的比值来测量各省政府对地方经济的干预水平，各省第二、三产业增加值与当年GDP的比值衡量产业结构水平，各省城镇人口与总人口相比的得到的数值代替人口城镇化水平。并对上述五个控制变量数值自然对数化处理，进而保证研究数据的可靠性。

4.数据来源及描述性统计

选取2009-2018年全国31个省(自治区、直辖市)的年度数据用于空间面板模型回归，运用Stata15.0实证检验金融集聚对经济产生的影响。其中研究所使用的数据均来源于中经网数据库、国家统计局、中国统计年鉴以及各省统计年鉴等。

具体变量描述性统计见表1：

表1 变量基本描述性统计

(二)空间自相关检验

选用Moran’s I指数检验空间自相关性，在此之前构建0-1邻接空间权重矩阵，矩阵定义如下：

i地区和j地区边界重合时，Wij取值1，反之为0。

Moran’s I指数的计算公式如下：

(三)空间计量模型构建

传统面板数据模型并不适用于描述变量之间的空间影响效应，相比之下，空间面板数据模型更适合变量间真实关系的刻画[19]。空间面板模型基本形式如下：

其中，Wij为0-1空间矩阵，Yit为i省份t年度被解释变量，Xit表示i省份t年度解释变量，Yjt和Xjt为周边j省份t年度的被解释与解释变量，WijXjt、WijYjt表示变量的空间滞后项。

对上述式(4)的系数做具体规定进而确定三种模型的形式：第一，当λ≠0、θ=0、ρ=0时，周边j省份被解释变量的空间滞后项参与模型回归，此时模型被定义为SAR模型；第二，若满足λ=0、θ=0、ρ≠0时，该模型的误差项在空间上有自相关特征，即为周边省份没有纳入测量范围的因素对本省被解释变量存在一定影响时，此时模型被定义为SEM模型；第三，当λ≠0、θ≠0、ρ=0时，此时周边j省份解释、被解释变量的空间滞后项均是系数回归结果的关键性影响因素，该模型被定义为SDM模型。

结合所选变量，三种模型具体形式如下：

空间滞后模型(SAR)

空间误差模型(SEM)

空间杜宾模型(SDM)

三、实证分析

(一)空间自相关检验结果

在进行空间面板数据回归分析之前，对全国31省的经济增长和金融集聚进行空间自相关检验，具体为测算经济增长和金融集聚的Moran′s I指数，结果见表2。2009-2018年经济增长的Moran′s I指数都在0.245以上，且在1%的水平下显著，表明我国经济增长在空间上存在自相关性，各地区经济发展相互影响。金融集聚Moran′s I指数测算值在5%的置信水平都大于零，总体呈现出螺旋式上升的态势，各地区金融发展不受地理位置约束，有较强的空间溢出效应。

表2 经济增长与金融集聚变量的空间自相关检验结果

针对2018年的lnPGDP和lnVAQ变量设计了Moran′s I指数散点图，具体见图1。散点图的四个象限依次可以表示为高观测值被低观测值包围(后面简略叙述)、高被低包围、低被低包围、低被高包围。对比两个散点图观测值布局可以发现，大部分省份观测值都集中分布于第一、三象限，对比之下，第二、四象限的观测值比较少，表现出明显的高高、低低聚集的态势，再次验证两者在空间上都具备关联性，即我国经济增长和金融集聚均在空间上有溢出效应。

图1 2018年经济增长和金融集聚Moran′s I指数散点图

(二)全国空间计量模型回归分析

对相关数据进行LM、LR、Wald检验，进而确空间面板模型的具体形式。其中LM-lag检验值为18.571，LM-erro检验值为21.498，两者都在1%的水平下显著，验证了空间计量分析方法的优越性。但Wald和LR检验结果显示SDM模型在1%的置信水平下拒绝转变成SEM、SAR模型。另外，对数据做效应检验和Hausman检验，最终时间固定效应面板模型的严谨性被充分验证。因此，综合考虑空间杜宾模型更适合接下来的实证研究。考虑变量估计系数的稳健性，对以上三种模型的回归结果进行报告，并对空间杜宾模型的回归结果进行详细分析。

为了检验各变量估计系数的稳健性，对固定效应下SEM、SAR、SDM的回归结果进行详细列出。其中SDM模型的R2和Log-likelihood值最大，模型拟合度高，更适用于解释金融集聚对经济增长的影响效应。另外，对比表3中三种空间模型的回归结果，各变量系数有大致相同的的大小、方向及显著度，进而验证了变量系数的稳健性。具体选择拟合程度较高的SDM模型作为主要阐释对象，对其做详细分析。三种模型经济增长的空间滞后项系数(W×lnPGDP)在1%的置信水平下显著大于零，这反映出我国经济增长在空间上存在显著的正向溢出效应。空间杜宾模型的金融集聚(lnVAQ)系数显著为0.3306，金融集聚溢出效应(W×lnVAQ)系数显著为0.1699，表明金融集聚对本地区和周边地区经济增长都有正向推动作用。此外，考虑控制变量对我国经济增长的影响效应，其中人口城镇化水平(lnPOP)、固定资产投资水平(lnFAI)、产业结构水平(lnISU)对我国经济增长产生显著正向促进作用。而政府干预(lnGI)和人力资本水平(lnHC)则对经济发展产生显著的反向抑制作用。人力资本水平(lnHC)系数为负，这可能因为仅仅依靠人力本的不断投入对我国经济增长正向影响效应并不明显，应强调完善劳动力结构，培养高水平、应用型的劳动力。政府干预(lnGI)对经济增长产生与预期相反的负向效应可能是政府对市场的过度干预，对资源、要素的配置产生消极影响，进而对我国经济增长有相反的抑制作用。

表3 三种空间模型的回归结果

(三)分地区空间杜宾模型回归分析

为了更深入明确金融集聚对经济增长的溢出效益是否存在空间异质性，将31个省级单位分为东、中、西三个部分并进行讨论。上文分析结果显示空间杜宾模型(SDM)更适合研究，其稳健性也得到验证，故该部分继续选用空间杜宾模型进行分析研究。模型回归结果显示东中西区域经济增长的空间滞后项(W×lnPGDP)回归系数都在1%的置信水平下均为正，空间正向经济溢出效应明显。分析表4可知，东部地区金融集聚(lnVAQ)系数为0.2324，东部地区金融集聚的空间滞后项(W×lnVAQ)系数显著为正，具体数值为0.1625，表明金融集聚在空间上向周围地区溢出正向效应，临近地区金融集聚效应通过空间传播助推本地区经济发展。中部地区金融集聚水平(lnVAQ)的系数在1%的置信水平下为正向且显著。此外，中部地区金融集聚的空间滞后项(W×lnVAQ)系数为0.2694显著为正。西部地区的金融集聚系数(lnVAQ)显著为正，但金融集聚的空间滞后项(W×lnVAQ)系数显著为负，系数具体为-0.4533，表明西部地区内的临近省份金融集聚对本省份的经济增长有显著的负向溢出作用。西部地区金融集聚溢出效应为负可能归因于我国西部地区经济发展落后，金融资源相对匮乏，西部各地区之间存在恶性竞争，资源配置效率低下。

表4 分区域空间杜宾模型(SDM)的回归结果

(四)空间效应分解

在此，基于偏微分法对最优模型(SDM)做效应分解，更全面衡量金融集聚的空间溢出效应。分析表5可知，全国视角下金融集聚对经济增长影响的直接效应在1%的置信水平下为0.3276。东部地区金融集聚对经济影响的直接效应在1%置信水平下显著为0.2309，中部地区直接效应在1%的置信水平下为0.1637，西部地区的直接效应在1%的显著水平下显著为0.1090，即金融集聚可以显著促进全国及东中西区域经济发展。以上分析表明，发挥金融集聚的集聚效应可以显著促进本地区经济增长，假设1得到验证。而金融集聚对经济增长的空间溢出效应方向并不一致。从全国角度来看，金融集聚对经济增长的间接效应在1%的置信水平下显著为0.1089，东部、中部地区金融集聚的间接效应在1%的置信水平下分别为0.1618、0.2595，金融集聚正向促进周边地区经济增长。而在西部地区，金融集聚对经济增长的间接影响效应在1%的置信水平下通过检验，具体数值为-0.3983，金融集聚反向抑制了周边地区经济发展。因此，鉴于以上结论，假设2得到验证，即金融集聚对周边地区经济影响不确定。

表5 空间杜宾模型的效应分解结果

四、结论与建议

(一)主要结论

基于2009-2018年的省级面板数据，结合三种空间计量模型分析金融集聚对经济增长的影响效应，并强调金融集聚作用效果的区域异质性，最终总结得到下列两点结论：第一，基于全国视角，本地区经济增长不仅受本地区金融集聚的正向效应影响，周边地区金融集聚效应也可通过空间传播对本地区经济发展产生正向促进效果。第二，从分区域回归结果来看，金融集聚都能充分表现出其较为突出的经济影响效应，但具体效果并不完全一致，具体东中部地区金融集聚的直接、间接效应对经济增长作用方向一致且显著为正，即金融集聚的集聚效应和由涓流效应支配的扩散效应正向影响两区域经济增长。而在西部地区，直接效应和间接效应的作用效果恰恰相反，金融集聚在西部地区的扩散效应由极化效应占主导地位，抑制该地区经济发展。

(二)政策建议

基于研究结论，提出以下三点建议：第一，优化各区域金融中心布局，充分激发金融集聚的“集聚效应”和“扩散效应”。对此，各地区政府应结合地区布局特征构建层次分明的金融中心，确保金融资源整合的充分性，加快实现金融业联动其他行业共同发展，激发金融集聚对经济的正向影响效应。第二，引导金融资源有序向西部地区回流，规避地区间恶性竞争。对此政府应根据西部地区发展实况拓宽政策落实渠道，确保融资的低门槛性及税收的高优惠性，夯实西部地区金融、经济基础，引导劳动力、金融资源、企业有序由东中部地区回流至西部地区，避免多地区恶性抢夺少量资源的极端现象。第三，优化金融集聚环境，为实现质量化的跨区域金融服务做好基础保障工作。对此，当下各地区政府加大对营造优良金融发展生态环境的资金投入已刻不容缓，同时应及早对地方传统行政壁垒进行人工干预，防止其对金融配置效率产生消极影响。