金融服务经济增长效率测度及区域差异性研究

杨泽坤，黄 钒

（青海民族大学 经济与管理学院，青海 西宁 810007）

一、研究背景

金融作为经济发展的血脉，在经济增长中发挥了重要作用，以商品和服务流为核心的内循环与以资金流为核心的外循环构成了经济体系运行的两大基本流量。一方面，它们通过资源再分配提高了资源配置效率；另一方面，物流和资金流的循环为经济增长提供了充足的物质支持。金融资源配置效率是地区经济高质量增长的重要助推器，但我国复杂的地理环境所导致的地区金融资源发展的非均衡性进一步拉大了各地区经济发展的差异。因此，本文将具体探究发展新形势下金融服务各地区经济增长的效率及其空间分布差异。

国内外学者分别从静态和动态两方面采用DEA基本模型和Malmquist指数法对效率进行测度。A.Charnes，W.W.Cooper和E.Rhodes于1978年提出了CCR模型，开创了DEA分析方法的先河①。Banker等提出了BCC模型，进一步丰富了DEA分析方法②。以上DEA模型在测度效率方面有很多优点，也被广泛应用，但是主要用于静态分析，无法进行效率的动态分析。在前人研究的基础上，后来的学者将DEA和Malmquist指数法结合起来，较好地解决了动态效率测度的问题。林进忠和蓝丽娇利用DEA模型和Malmquist指数法进行福建省金融资源配置效率的研究，发现福建省金融资源配置效率为非有效，但经Malmquist指数分解后的纯技术效率是有效状态③。宋志秀和梁松运用DEA-Malmquist指数法测度长江经济带金融服务实体经济效率，研究结果表明全要素生产效率波动较大，东、中、西部效率变化由高到低的趋势并不明显④。游士兵和杨芳运用DEA和Tobit模型从绿色发展视角测度并分析金融服务实体经济效率和影响因素，结果表明通过规模效率可以提高金融服务实体经济绿色发展效率，东部地区高于中西部地区⑤。

因此，在参考已有的丰富研究成果基础上，本文采用DEA-BCC模型和Malmquist指数法测度东、中、西部12个省份的金融服务经济增长效率，探究不同地区金融服务经济增长效率的内在演化规律与空间差异性，并分析发展过程中存在的问题。

二、模型构建、变量选取与数据来源

（一）DEA-BCC模型

数据包络法（DEA）由A.Charnes等于1978年提出，公式如下：

在t期和t+1期技术效率变化公式如下：

建立Malmquist生产率指数即综合效率指数（Tfpch），公式如下：

若Malmquist指数值大于1，则说明t到t+1期效率水平提高，等于1表示效率水平不变，小于1表示效率水平下降。

（二）变量选取与数据来源

本文研究的是金融支持下的经济增长效率，并考虑到分别进行不同区域的差异性对比分析，因而决策单元即研究对象定向选取我国东、中、西部地区共12个省份，研究时段为2008—2019年，在统一决策单元系统内选取投入和产出变量，分别从静态和动态分析入手测算其指数，并进行省份和区域间的对比。本文各指数结果使用DEAP2.1软件进行运算得到。（1）投入变量选取。金融作为系统的投入变量，可以从反映金融发展相关的人力、资本和物力三方面考虑。因此，人力资本投入采用各省金融从业人员数量衡量；金融资本投入采用各省金融机构贷款额衡量；而物质资本投入则采用各省金融业全社会固定资产投资额衡量。（2）产出变量选取。经济增长情况作为系统的产出变量，从反映经济增长的指标进行考虑。因而选择各省份生产总值即地区GDP作为产出变量（表1）。数据来源于《中国统计年鉴》《中国金融统计年鉴》以及各省统计年鉴和统计局网站等，其中部分数据通过计算得到。

表1 投入产出变量指标及释义

三、实证分析

（一）基于DEA-BCC模型的静态分析

使用变动规模报酬下的投入导向型BCC模型对我国12个省份2008—2019年间的金融支持经济增长效率进行测度，得到各省份的静态金融支持经济增长综合公式：crste=vrste*scale。根据DEAP2.1软件分析结果，得到12省份2008—2019年的各效率平均值，见表2。

表2 12省份2008—2019年金融支持经济增长静态综合效率值均值及分解值

表2中，从12省份总体均值来看，综合效率、纯技术效率和规模效率值分别为0.863、0.941和0.918，处于DEA弱有效状态。具体来看，江苏、山西、河南三省在12年间的三大效率值的均值为1，处于DEA有效状态，且规模报酬均不变，在所考察的12省份中处于第一梯队。山东、湖南二者的综合效率值为0.9，纯技术效率值均为1，处于第二梯队，规模效率是致使综合效率较弱的原因。在后续发展中应注重规模效益，加强金融产业集聚，发挥产业的集群效应，以金融集聚的多元化、综合化发展促进其经济增长。河北、湖北和四川的综合效率值介于0.85-0.9之间，处于第三梯队。纯技术效率值和规模效率值则大多大于0.9，故纯技术效率值较低是导致综合效率值较低的主要原因。因此，在后续发展中应注重加大科研投入，重视高端人才引进和培养，以大数据、云计算、区块链等高端技术赋能金融产业，提高技术创新能力，助推经济增长。甘肃和云南的综合效率值分别为0.774和0.684，但纯技术效率值均为1，处于第四梯队，规模效应差是主要问题。原因可能是二者处于我国西部偏远地区，金融产业发展较差，集群效应弱，无法发挥规模效益。因此，应加大银行、证券等各金融行业的发展，形成金融业一体多元化发展，以发挥产业集群效应。

值得指出的是，浙江和陕西的综合效率值分别为0.674和0.693，处于第五梯队，纯技术效率和规模效率值均较低，尤以纯技术效率发展表现较差，这可能与二省的实际发展情况略有不符。首先，浙江是全国电商行业中心，以阿里为代表的大量民营企业在此聚集，产生了强大的规模效应。同时，企业的创新发展带动了当地技术创新水平的提高。因此，其综合效率值较低的原因可能是浙江省在2016—2019年大幅减少了金融业固定资产投资规模这一重要投入变量。其次，陕西是全国科教文化大省，集中了大量顶级高校和科研院所，高端人才储备充足，尤以省会西安在全国表现颇为亮眼，但可能地区发展的极度不均衡降低了综合效率，西安市对陕西其他市区形成了强大的虹吸效应，大量人才、资金、技术和产业在此集聚，造成了大量资源的冗余。

分区域来看，在所选择的三大区域12省份中，表现最好的是中部地区，东部地区次之，西部地区最差，地区发展差异化和不平衡性明显。东部地区弱于中部主要是由浙江省表现较差所导致的，但考虑到与实际情况的不相符合，此点需结合下文的Malmquist指数对浙江省的综合效率情况进行动态分析，以观测动态发展状况。西部地区表现最差则主要源于地理位置和人口结构，使其在人才、金融、科技、产业等方面落后于东中部地区，因此西部地区应发挥生态优势，并不断加大科技投入，转变政府职能，重构营商环境等，减少人才流失，尽力缩小与东中部地区的差距。

（二）基于Malmquist指数的动态分析

运用DEAP2.1分析软件测算2008—2019年的综合效率变动情况。结果如表3。

1.分年度金融服务经济增长效率的均值分析。由图1可以看出，12个省份的金融服务经济增长的各效率指数值在2008—2019年总体处于平稳趋势。具体来看，综合效率值tfpch在2008—2009年位于最低点，次低点则处于2015—2016年，最高点则出现在2016—2017年。从增长情况来看，分别在2008—2010年、2015—2017年出现了两次增长高峰期。合理的解释为，综合效率主要受宏观经济形势的影响，2008—2009受全球金融危机影响，经济大幅衰退，我国也略有下降，导致我国出口贸易大幅减少，国内金融业和经济均大幅下行。随后在2009—2011年间，为应对金融危机的影响，中央和各省市出台了一系列提振经济的政策，因而此阶段金融和经济快速恢复，综合效率值也大幅增长。2013—2016年间，“产能过剩”严重影响经济发展步伐，同时伴随着资本市场的无序发展所产生的泡沫于2015年破灭，形成了2015年的“股灾”，导致金融服务经济增长的综合效率值tfpch在2015—2016年达到仅次于受金融危机影响的次低点。随后，供给侧结构性改革的推进和各种经济金融政策的进一步完善，叠加房地产市场的繁荣，使得综合效率值tfpch快速发展并于2016—2017年达到最高点。从时间趋势看，技术和创新对12省份的金服务经济增长的综合效率影响巨大（图1）。

图1 12省份金融服务经济增长效率的均值变化趋势

2.12省历年金融服务经济增长效率的区域差异性分析。从表3来看，12省份的金融服务经济增长的综合效率值在各年度差异较大；各分解效率值在不同年度也表现出较大的差异性。说明各地区之间异质性明显，不同地区差异较大。从东、中、西三大区域角度分析，出现了金融服务效率西部省份高于东部发达省份的现象，这与静态分析结果表现出了一定的相异性。

表3 12省份2008—2019年金融服务经济增长综合动态效率值及分解值

从图2中东部四省的变化趋势来看，浙江省的变化幅度最为明显，尤以2008—2013年间变化幅度最大，但自2013年后变化趋于正常，且多数年份在四省中表现最好。这与浙江省的市场环境与经济结构紧密相关，浙江省民营经济发达，资本充足，金融发展活跃。但在2013年之前，整体经济尚处于初步发展阶段，波动性较大，资本和金融的趋利性和非理性表现较强，导致其综合效率波动性很大。2013年之后，市场环境发育成熟，各项体制机制趋于完善，经济结构进入良性循环发展状态，表现为波动性的回归。江苏省在2008—2011年间呈大幅上涨趋势，主要归功于2008年金融危机之后全球经济的复苏，外贸的迅速增加，积极向上的经济使综合效率值大幅上升；2011年之后发展趋于平缓，总体表现好于北方的河北和山东两省。河北省和山东省在2008—2019年期间的发展均较为平缓，尤以山东省的波动性最小。四省份中，河北省总体表现最差，综合效率值在多数年份位居四省最低。原因在于河北紧邻京津，大量人才、资本、技术和产业外流，极大地拉开了河北与北京、天津的差距，使得经济金融发展在东部乃至全国表现并不突出。而山东省位于东部沿海地带，港口城市较多，海运和旅游经济发达，且山东整体为平原地貌，机械化农业发达，因此第一、第三产业的高端化发展赋予了经济向上的优渥条件（图2）。

图2 东部四省历年金融服务经济增长综合效率变化趋势

由图3可以看出，在中部四省中，山西省表现与其他三省差异化最大，波动性最强，尤其在2016-2017年间达到历史最高值（3.208），这与山西省单一化的能源经济发展模式大致匹配。作为资源型省份的典型代表，经济发展严重依赖煤炭等资源产业的发展，尤其绿色生态化发展的提出使得全国对煤炭资源的需求急剧下降，山西经济迅速回落。此外，金融市场发展不充分，除银行外的其他金融产业发展极度落后，对经济并未发挥应有的效应。复杂的经济社会环境是经济转型道路上的严重阻碍。因此，如何破解“资源诅咒”，发挥文化底蕴的地域优势是未来探索的主要方向。河南、湖北、湖南三省的综合效率变化趋势非常平缓，差异化很小。首先，三省同质化严重，产业结构相对较差，经济发展的支柱性产业为第一、二产业，而高新技术产业起步较晚，规模较小，第三产业尤其是高端化服务业发展较为落后。其次，省内区域发展不平衡问题严重，有发展相对较好的省会城市郑州、武汉和长沙，但更多的是发展较差的非省会城市，因此整体经济基础较差，对资本和人才的吸引力不足。最后，三省为中部省份，开放较晚，没有东部沿海地区经济发展的地域与产业优势，有利于经济发展的政策支持力度也较小，经济基础薄弱，特别是银行为主体的金融市场发展滞后，融资方式单一，二元化发展明显，金融的供需匹配依旧存在较大问题，因此金融服务经济增长的效率较低。

图3 中部四省历年金融服务经济增长综合效率变化趋势

图4中，西部四省中云南波动幅度最大，其次为甘肃，而陕西和四川变化趋势相对较为平缓。四省均属西部大开发战略的支持区域，受益于国家政策的扶持，经济金融环境逐步改善，市场活力增强，其综合效率大体呈波动上升趋势，尤其以波动性最大的甘肃和云南表现最为明显。陕西和四川分别作为西北和西南地区的龙头省份，省会城市西安和成都尤具代表，两省经济发展较好，经济增长效率变化差异较小。在保持省会城市良好发展态势的基础上，不断加强对非省会城市的支持力度，以促进非省会城市的发展，缩小区域发展差异是其未来的发展方向。甘肃省和云南省经济增长效率大致以2016年为界。2016年之前，云南省综合效率呈下降趋势，而2016年之后则呈迅速增长态势，重新恢复到2008—2009年的最高点位置。可能的解释是，云南地处边境，紧邻南亚各国。2016年之前，长久的特色农业、旅游经济和工业外向型经济后继增长乏力，导致综合效率逐步下降。2016年之后，云南省重新找准了方向和定位，依托“一带一路”建设和“东盟自贸区”建设等机遇，使其发展重新进入快车道，经济增长综合效率迅速提高。甘肃省在2016年之前发展相对平缓，波动幅度较小，而在2016年之后迅速腾飞，并达到横向和纵向比较的最大值1.332。主要原因也应归功于“一带一路”建设，中国加强了与中亚乃至欧洲国家的联系，带动了沿线经济的发展。

图4 西部四省历年金融服务经济增长综合效率变化趋势

四、结论

通过以上静态和动态两方面金融服务经济增长效率的分析，得出结论：一是从静态效率来看，东、中、西三大区域存在明显差异性，其中，中部地区表现最好，东部次之，西部地区表现最差。经济增长效率非有效地区大多集中在西部地区，尤以西北地区最为明显。各省份差异性较大，导致综合效率值较低的原因并非单一的纯技术效率值或规模效率值较低，而是两者综合的结果，具体情况又因不同省份而有不同表现。二是从动态综合效率及其分解值均值来看，各效率值的变化与整体经济和金融发展趋势保持高度一致性。从时间趋势看，12省份的金融服务经济增长的综合效率变化与技术进步指数变化存在高度一致性，而与规模效率的变化存在较大差异，表明技术的创新发展对提高综合效率起到主导作用。三是从各区域动态综合效率来看，所选择的12省份的金融服务经济增长的动态综合效率变化并未同静态综合效率一样表现出东部或中部最高、西部最差的明显趋势，地区差异性因实际情况的复杂性而无明显表现。东部地区虽有一定的优势，但具体表现并不明显。

注释：

①Charnes A.,Cooper W.W.,Rhodes E..Measuring the efficiency of decision making units[J].North-Holland,1978,2(6).

②R.D.Banker,A.Charnes,W.W.Cooper.Some Models for Esti mating Technical and Scale Inefficiencies in Data Envelopment Analysis[J].Management Science,1984,30(9).

③林进忠,蓝丽娇.基于DEA模型的福建省金融资源配置效率研究[J].上海金融,2019(04):62-68.

④宋志秀,梁松.长江经济带金融服务实体经济效率测度[J].统计与决策,2021,37(04):154-158.

⑤游士兵,杨芳.金融服务实体经济的效率测度及影响因素—基于绿色发展视角[J].金融论坛,2019,24(04):29-44.

⑥方大春.长江经济带工业经济效率测度及其影响因素研究[J].理论月刊,2020(11):89-96.