長三角金融效率、產業結構升級與全要素生產率關系研究

徐嘉浚，姜樂平

（安徽理工大學 經濟與管理學院，安徽 淮南 232001）

“十四五”規劃提出優化提升長三角城市群，引領高質量發展。2019年長三角地區經濟總量達23.76萬億元，比上年增長9.69%，增長速度超全國平均3.59個百分點，占全國經濟總量的24%，其中第三產業增加值13.12萬億元，比上年增長13.06%，對區域生產總值貢獻率達55%。隨著中國經濟已由高速增長轉變為高質量發展，內部結構升級緩慢、高端產業低端化等問題日益突顯，原有的產業結構和資源配置效率存在發展的適應性難題。作為產業結構水平提升的重要方式，金融效率提升能夠有效促進產業升級。2019年12月1日，《長江三角洲區域一體化發展規劃綱要》提出加快長三角金融領域協同創新和改革，體現出金融效率促進產業結構升級的重要作用。同時，金融發展能夠通過發揮金融中介與市場功能提升金融效率，降低交易成本，優化資源配置并促進技術進步，最終提高全要素生產率。產業結構升級通過將生產要素從低效率部門轉移到高效率部門，合理配置生產要素，促進全要素生產率的增長，實現經濟的高質量發展[1]。長三角地區作為推動經濟轉型升級的關鍵地域，如何厘清金融效率、產業結構升級與全要素生產率之間的關系，成為區域高質量發展亟需解決的問題。

一、文獻綜述

（一）金融效率與產業結構升級

關于金融效率與產業結構升級之間關系的研究成果較多，但是學界對金融效率是否促進產業升級尚存爭議。最早有學者研究發現，金融效率與產業結構發展程度存在正相關性[2]。但也有學者認為金融效率無法助力產業結構升級[3]。另外，還有部分學者認為金融效率能夠促進產業結構升級，金融發展能夠影響資金的形成和投向，優化資源配置，促進產業結構發展[4-6]。

（二）金融效率與全要素生產率

關于金融效率與全要素生產率關系的研究比較豐富，研究結論也存在較大爭議。最早有學者指出金融效率對全要素生產率具有促進影響[7]。目前，國內學者在此方面的研究結果可以分為兩類：一是金融效率提升通過推動技術進步和提高技術效率，能夠促進全要素生產率增長[8-9]；二是金融效率提升導致過高的金融杠桿將侵蝕實體經濟，抑制全要素生產率增長[10]。

（三）產業結構升級與全要素生產率

關于產業結構升級與全要素生產率的關系研究仍然未成定論。學者最早研究認為產業結構升級無法促進全要素生產率增長[11]。目前，國內學者關于這方面的研究結論由三部分組成：一是產業結構升級過程存在生產要素配置效率低下、資源錯配等現象，制約技術進步和生產效率提高，對全要素生產率增長具有負向影響[12-13]；二是產業結構升級使得要素向第三產業轉移，增加高新技術和經濟效率較高的生產性服務業比重，能夠促進全要素生產率的增長[14]；三是產業結構升級對全要素生產率無明顯影響[15]。

為繼續探索金融效率、產業結構升級、全要素生產率三者之間的關系，結合本文研究特點，提出以下假設：

假設1：高收入地區金融效率能夠促進產業結構升級。

假設2：高收入地區金融效率能夠促進全要素生產率增長。

假設3：高收入地區產業結構升級能夠促進全要素生產率增長。

假設4：中低收入地區金融效率能夠促進產業結構升級。

假設5：中低收入地區金融效率能夠促進全要素生產率增長。

假設6：中低收入地區產業結構升級能夠促進全要素生產率增長。

為了驗證假設，本文選用長三角“三省一市”41個城市的平衡面板數據，按照2019年人均生產總值將其分成高收入地區和中低收入地區，運用DEA-Malmquist指數和面板向量自回歸模型（PVAR）深入探討長三角金融效率、產業結構升級和全要素生產率之間的動態關系、區域差異，為研究長三角區域三者關系提供理論參考。

二、模型構建

（一）DEA-Malmquist指數方法

基于數據包絡分析（DEA）模型的Malmquist指數用于評價包含多個時間點觀測值的面板數據，并能分解成技術效率指數（Effch）和技術進步指數（Tech），其中技術效率指數還可分解為純技術效率指數（Pech）和規模效率指數（Sech）。

Malmquist指數大于1表明全要素生產率上升，反之下降。

（二）PVAR模型

PVAR模型以VAR模型為基礎，事先無需設定變量之間的因果關系，而是將系統中的所有變量視為內生變量，讓系統中各個內生變量對所有內生變量的滯后值進行回歸。PVAR模型兼具VAR模型和面板數據的優點，不需要預設經濟理論中的變量關系，能夠通過直觀的脈沖響應函數圖更好地觀察各變量之間的關系。本文使用Stata的PVAR2程序探索長三角“三省一市”41個城市金融效率、產業結構升級和全要素生產率的動態關系。

（三）數據來源與指標設定

1.數據來源

本文以長三角為研究對象，為了確保面板數據的平衡性與可得性，選取了2011—2019年長三角“三省一市”41個城市的平衡面板數據，數據來源包括各省、市統計年鑒和統計公報，并以2019年人均生產總值100 000元為分界線將41個城市劃分為高收入地區和中低收入地區（圖1）。部分缺失數據采用線性插值法填補。

圖1 城市收入分類

2.指標選擇

金融效率指金融資源配置能夠達到的帕累托最優。有的學者運用區域金融的投入和產出指標借助DEA方法測算金融效率[16]，亦有學者從多個指標運用熵值法綜合衡量金融效率[9]。較多的學者采用金融機構貸款余額與存款余額的比例即貸存比來衡量[4,10]，貸存比的指標易獲取，且具有代表性，因此，本文采用長三角41個城市貸存比指標作為金融效率的代理變量。

產業結構升級是產業結構從低級形態演化至高級形態的過程，通常伴隨著整體產業效率的提升。有的學者采用第三產業產值占第二產業產值的比重來衡量產業結構升級[17]，有的學者綜合服務業比重、非國有企業資本總額比重和產業結構高級化來評價產業結構的變動[18]，也有構建產業結構升級指數[19]或者將第三產業增加值占地區生產總值的比例作為產業結構升級的指標[3]。本文采用第三產業增加值占地區生產總值的比例來衡量長三角41個城市的產業結構升級狀況。

全要素生產率是生產活動在一定時間內的效率，即全部產量與全部要素投入量之比。全要素生產率測算方法主要有參數法和非參數法。參數法包括Solow余值法、隨機前沿SFA法等，非參數法包括DEA-Malmquist指數。非參數法優點是假設條件少，無模型設定要求，能夠避免模型設定上的誤差。因此，本文采用DEA-Malmquist指數來進行長三角41個城市的全要素生產率測算。

DEA-Malmquist指數方法選取投入和產出指標需要注意全要素生產率測算結果的真實性。在產出方面，有的學者使用與基年價格水平一致的生產總值[8,12]；在投入方面，學者們分別使用過年末從業人數[3]、永續盤存法計算的資本存量[12]、地級市建成區面積[14]、萬噸標準煤消費量[20]。本文測算的產出變量選用與2010年價格水平一致的長三角41個城市的生產總值，投入變量選擇長三角以9.6%[21]為折舊率、與2010年價格水平一致的永續盤存法計算的資本存量、年末從業人數、各市全社會用電量折算成的萬噸標準煤消費量，以期反映C-D生產函數以及能源消費量對產出的影響，在全要素生產率測算方面的創新在于將能源消費水平作為投入變量。表1是模型中所有變量的總結。

表1 變量選取

三、實證分析

（一）長三角全要素生產率分析

本文在DEAP2.1軟件上使用DEA-Malmquist指數測算長三角41個城市2011—2019年各年全要素生產率，并使用Arcgis10.2直觀地呈現長三角地區2011年、2014年、2017年和 2019年分別的全要素生產率（圖2）。圖中顏色深淺代表全要素生產率的高低，顏色較淺的區域為全要素生產率高值區，顏色較深的區域為全要素生產率低值區。從圖2可以發現，以南京為中心的城市群常年處于高值區，2019年全要素生產率分布“江蘇→浙江→上海→安徽”依次遞減。全要素生產率色塊的漸進式分布表明長三角的全要素生產率存在較強的空間相關，具有一體化研究的必要性。

圖2 長三角地區全要素生產率區域差異

（二）滯后期選擇

為了保證PVAR模型的準確性，避免滯后階數與實際情況的不相符，本文使用Stata/IC15.0軟件進行滯后階數的選擇。從表2可見，根據AIC準則，最終選取高收入地區和中低收入地區數據的最優滯后階數為4、2。

表2 滯后階數選擇

（三）面板數據單位根檢驗

為了避免偽回歸、共線性、截面相關性和異方差等問題，面板數據需要進行單位根檢驗。本文運用Stata/IC15.0對數據進行PP和LLC檢驗。由表3可知，模型中各地區所有一階差分序列PP和LLC檢驗值在1%水平上通過檢驗，即一階單整，拒絕存在單位根的原假設。

表3 單位根檢驗結果

（四）協整檢驗

對于一階單整的面板數據，需要對是否存在長期協整關系作進一步考察，本文使用Kao和Pedroni檢驗進行考察。從表4可見，各地區檢驗值均在1%水平上通過Kao檢驗，表明面板數據存在長期協整關系，可以進行PVAR模型計量。

表4 協整檢驗結果

（五）脈沖響應函數

PVAR模型的脈沖響應函數（IRF）能夠直觀地展現各變量之間的動態交互關系，反映變量間的脈沖關系。為保證分析結果的穩健性和可靠性，利用Stata/IC15.0軟件進行1 000次跨度為10期的蒙特卡洛模擬，得到高收入地區和中低收入地區的脈沖響應函數圖，出于篇幅限制，在這里只關注關鍵的脈沖響應函數變量（見圖3、圖4），其中縱軸表示沖擊響應程度，橫軸表示滯后階數，中線表示變量受到沖擊時的振幅大小，上下兩線表示95%的置信區間。

1.長三角高收入地區脈沖響應函數

圖3上圖表示產業結構升級在金融效率提升后存在持續的正向作用，在第3期達到最大值0.458 9，在第7期回歸穩態，表示高收入地區的金融效率能夠持續促進產業結構升級，證實了假設1。高收入地區的金融發展達到了較高水平，金融效率提升能夠幫助銀行業金融機構有效識別優質企業并發放貸款，有利于產業結構升級的企業發展。中圖表示高收入地區的金融效率提升對全要素生產率存在正向沖擊，在第1期達到最大值0.003 2，并在第2期后回歸穩態，證實了假設2。這表明高收入地區金融效率水平較為飽和，對全要素生產率的促進作用時間較短。下圖表示高收入地區的產業結構升級在第6期前對全要素生產率造成持續的負向沖擊，但在第8期后產生了正向影響，第9期沖擊值達到0.001 4，假設3在長期內得證。這可能與高收入地區的產業結構水平已經達到了較為優化的程度有關，短期內過度提升將破壞原有結構，造成資源錯配，但是在長期將掀起新一輪的產業升級潮，打造一條提升全要素生產率的重要渠道。

圖3 高收入地區脈沖響應函數

2.長三角中低收入地區脈沖響應函數

由圖4上圖可知，中低收入地區的金融效率在第4期前對產業結構升級產生正向作用，并在第2期達到最大值0.326 1，低于高收入地區，但在4期后對產業結構升級起負面作用，短期內證實假設4。這是因為中低收入地區的金融效率提升很大程度上會幫助該地區增加就業、發展服務業，促進第三產業產值提升和結構優化，但長期來看，金融效率提升導致房地產開發投資增加，提高第二產業增加值，降低了第三產業產值比重，導致產業結構低端化，這表明中低收入地區應轉變發展方式，將產業升級與消費升級相結合，創造健康的經濟增長方式。中圖顯示中低收入地區的金融效率在第3期前對全要素生產率只有負面影響，但在第3期后能夠促進全要素生產率增長，第6期達到最大值0.001 7，證實假設5。這表明中低收入地區金融效率提升能夠在長期內為優質企業提供金融支持，引導全要素生產率增長。下圖顯示全要素生產率受到產業結構升級沖擊時響應為持續的負面效果，第1期最大負面響應值為-0.003 6，在第8期時回歸零值，盡管在第9期達到0.000 1，但數值過小，缺乏經濟意義，未證實假設6。這是因為中低收入地區的產業結構升級需要另辟蹊徑，不應一味模仿發達地區的產業模式，而是要結合自身地理、制度、人口、文化、經濟的特點來進行產業結構升級，最終實現全要素生產率提升的高質量發展。

圖4 中低收入地區脈沖響應函數

總的來說，假設證明情況如表5所示。長三角高收入地區和中低收入地區的金融效率提升能夠促進產業結構升級，金融效率提升對全要素生產率存在正向作用，高收入地區的產業結構升級能夠促進全要素生產率的增長，這些均與以往研究結論一致[1，4，6，8]。中低收入地區產業結構升級無法促進全要素生產率的增長，支持了部分學者的研究結果[12-13，15]。長三角高收入地區和中低收入地區的研究結果大部分具備一致性，這表明二者之間聯系緊密，具備區域一體化的基礎。

表5 假設證明情況總結

四、對策建議

基于研究結論，本文提出以下對策建議：

第一，積極協調長三角一體化，縮小區域差異。城市發展初期需要集中人才和資本，形成“虹吸效應”。在長三角一體化建設時期，未來應更多發揮大城市的“涓流作用”，讓發達城市的資源能夠與周邊城市進行協調，增強區域交流合作，推動長三角一體化建設發展。安徽應與江浙滬加強金融、產業結構合作，進行發展戰略、資源要素、企業精神的共享、協調與一體化，形成長三角命運共同體，增加協同發展實力。

第二，優化金融效率。以外源性融資為主體部分的長三角企業，尤其是中小企業，需要更多金融機構提供資金支持。讓金融成為長三角產業結構升級的強力支撐，為產業結構升級推動經濟高質量發展打下堅實基礎。

第三，推動長三角產業結構優化調整。長三角產業結構升級促進全要素生產率提升的渠道仍未打通，未來應對產業結構作出調整，從而通過產業結構升級帶來更多待遇優渥的工作崗位，探索新能源產業的長三角整體布局規劃，為經濟社會高質量發展提供重要保障。