我國金融產業集聚與經濟增長關系的實證分析

張克雯

（貴州財經大學 金融學院，貴陽 550004）

0 引言

當前，國內外學者在金融產業集聚與經濟增長的關系研究上取得了較為全面和系統的理論成果，主要體現在以下三個方面：一是認為世界經濟能夠如此快速發展，其核心動力在于金融機構對初創型公司提供了金融資產信貸的幫助[1]；二是在數據分析過程中發現金融產業集聚和經濟增長存在一定程度的正相關關系，即金融產業集聚程度越高、金融體系越完善、金融企業數量越多，經濟發展水平越高[2]；三是認為金融產業集聚可以借助需求和資本關系促進區域經濟發展，通過構建金融產業集聚發展水平指標、建立VAR模型等手段，得出金融產業集聚與經濟增長有著明顯的相互促進作用關系[3-5]。

但當前研究成果鮮有通過雙向互動的視角展開深入研究，因此，本文構建了金融產業集聚與經濟增長的雙向互動模型，對金融產業集聚與經濟增長的內在關系進行實證分析，并從金融角度得出了與經濟增長相互促進的結論。

1 模型構建、變量選取和數據說明

1.1 模型構建

本文根據相關的經濟增長理論，構建經濟增長和金融產業集聚影響因素之間的雙向互動關系模型[6]，其模型方程為：

其中，G為社會經濟增長率，D為經濟集聚強度，XG為影響經濟增長的因素，XD為影響經濟集聚強度的因素。

1.1.1 經濟增長模型

為了具體說明我國經濟增長的影響因素，并體現金融產業集聚對經濟增長的作用，本文選取以下因素作為影響我國經濟增長的關鍵因素：金融產業集聚水平（FIAL）、金融投資（FI）、人力資源（HR）、財政水平（FIN）、基礎設施（INF）和人口密度（PD）。據此，本文構建如下經濟增長模型：

其中，i為樣本數據的金融中心城市，t為時間，αg為總控制變量，φi1、φi2、φi3、φi4、φi5、φi6為經濟增長影響因素的參數，εi，t為經濟增長誤差值。相應的影響因素是：FIAL為金融產業集聚水平因素、FI為金融投資因素、HR為人力資源因素、FIN為財政水平因素、INF為基礎設施因素、PD為人口密度因素。

1.1.2 金融集聚影響因素模型

相對而言，經濟增長會直接影響金融產業集聚。因此，以大城市為例，本文的金融集聚影響因素模型的基本形式為：

其中，Ai，t為第i個城市在第t年的金融產業集聚水平，Yi，t為第i個城市在第t年的金融集聚影響因素，Zi為金融集聚影響因素的控制變量，αA、φ、γi，t為參數，μi，t為第i個城市在第t年的金融集聚誤差值。

為了具體說明我國金融集聚的影響因素，并體現金融產業集聚對經濟增長的反作用，本文選取國內生產總值（GDP）、金融投資（FI）、人力資源（HR）、對外開放程度（OTOW）、基礎設施（INF）和人口密度（PD）作為影響我國金融集聚的關鍵因素。因此，金融集聚影響因素模型的具體表達式為：

其中，i為樣本數據的金融中心城市，t為時間，αA為總控制變量，γi1、γi2、γi3、γi4、γi5、γi6為經濟增長影響因素的參數，μi，t為金融集聚誤差值。相應的影響因素是：GDP為國內生產總值因素、FI為金融投資因素、HR為人力資源因素、OTOW為外開放程度因素、INF為基礎設施因素、PD為人口密度因素。

1.2 變量選取和數據說明

GDP表示國內生產總值，反映一段時間內生產和制造的全部產品和服務的市場價值。FIAL表示金融產業集聚水平，它通過金融集聚城市的發展規模和人口密度等指標衡量。因此，本文選擇金融產業集聚區位熵衡量法對金融中心城市的金融產業集聚水平進行衡量。此外，本文選擇金融投資（FI）來體現金融企業發展業務等方面的資金流動；選擇人力資源（HR）來體現每萬人中接受過高等教育的人數；選擇財政水平（FIN）來體現政府實際的財政支出能力；選擇基礎設施（INF）來體現政府投入社會的公共服務財力；選擇人口密度（PD）來體現每平方公里中的人口數量；選擇對外開放（OTOW）來體現金融企業與國外企業合作的投資。

本文研究對象為我國地級市以上（包括地級市）的金融中心城市。樣本數據選擇2008—2016年我國10個大中小型金融中心城市的國內生產總值（GDP）、金融產業集聚水平（FIAL）等變量數據[7]。10個金融中心城市為：北京、上海、深圳、廣州、天津、重慶、濟南、南京、杭州、沈陽。另外，金融產業集聚水平可以通過金融產業附加值的高低來體現。

2 實證分析

2.1 單位根檢驗

單位根檢驗可以檢驗模型變量的平穩性。而在判斷樣本數據之間的協整關系之前需要進行單位根檢驗。在建立金融產業集聚與經濟增長關系的數據模型前需要采用相關的單位根檢驗法對樣本數據的平穩性進行檢驗。為了避免單一的單位根檢驗法造成的偶然性，本文將選擇如下單位根檢驗方法對樣本數據進行檢驗：LLC檢驗、Hadri檢驗、IPS檢驗和Fisher-ADF檢驗[8]。單位根檢驗結果如表1所示。

從表1可以看出，樣本數據無單位根，即單位根數據穩定，滿足協整檢驗的基本要求，可進行后續協整檢驗。

2.2 協整檢驗

協整檢驗可以判斷多組樣本數據在線性組合后是否具有了穩定性。本文采用Pedroni檢驗和Kao檢驗法[9]對金融產業集聚與經濟增長的關系進行協整檢驗，判斷是否具有協整關系。

首先對經濟增長模型進行協整檢驗，相關模型中的參數變量的Pedroni檢驗和Kao檢驗結果如表2所示。

表1 樣本數據的單位根檢驗結果

表2 經濟增長模型協整檢驗結果

設原假設樣本數據不存在協整關系。從表2可以看出，Pedroni檢驗和Kao檢驗的8個檢驗中有6個否決了原假設，可以認為經濟增長模型中，金融產業集聚水平、金融投資、人力資源、財政水平、基礎設施和人口密度與經濟增長之間存在協整關系。

之后對金融集聚影響因素模型進行協整檢驗，協整檢驗結果如表3所示。

表3 金融集聚影響因素模型協整檢驗結果

同樣設原假設樣本數據不存在協整關系。從表3可以看出，Pedroni檢驗和Kao檢驗的8個檢驗中有5個否決了原假設，可以認為金融集聚影響因素模型中，國內生產總值、金融投資、人力資源、對外開放程度、基礎設施和人口密度與金融產業集聚水平之間存在協整關系。

2.3 參數估計

2.3.1 經濟增長模型參數估計

本文使用固定因素模型法分析金融產業集聚因素對經濟增長的作用效果。經濟增長模型的參數估計結果如下頁表4所示。

從表4可以看出，模型一未加入金融產業集聚因素（FIAL）進行參數估計，而模型二加入了金融產業集聚因素（FIAL）進行參數估計，兩個模型進行比較與分析。當樣本數據未考慮金融產業集聚因素（FIAL）時，只有金融投資（lnFI）的P值不顯著，其他變量均體現出顯著特征；調整R2的值，此時F檢驗結果顯著，提高了總體數據的擬合度。當樣本數據考慮金融產業集聚因素（FIAL）時，即模型二所示，調整R2的值，使其略高于模型一的對應值，總體數據擬合度也較高。因此，在經濟增長模型中，金融投資（FI）、人力資源（HR）、財政水平（FIN）、基礎設施（INF）和人口密度（PD）對經濟增長起到了一定的促進作用，而金融產業集聚水平（FIAL）的促進作用更加明顯。

10個樣本金融中心城市的經濟增長的綜合因素作用和金融產業集聚因素作用結果如表5所示。

表4 經濟增長的固定因素模型參數估計結果

表5 樣本城市經濟增長綜合因素和金融產業集聚因素作用結果

從表5中可以看出，10個城市中經濟增長的綜合因素作用最大的是上海、北京和深圳。而金融產業集聚因素作用結果的差異性較為明顯，深圳和重慶的金融產業集聚因素作用結果表現為負相關。對于其他城市而言，金融產業集聚因素作用對經濟增長起到了一定的推動作用。

2.3.2 金融集聚影響因素模型參數估計

金融集聚影響因素模型是用于研究國內生產總值等金融因素對金融產業集聚的影響效果，為了突顯國內生產總值因素對金融產業集聚的影響，本文同樣采用固定因素模型法分析國內生產總值因素對金融產業集聚的作用效果。金融集聚影響因素模型的參數估計結果如表6所示。

表6 金融集聚影響因素的固定因素模型參數估計結果

從表6可以看出，調整R2的值為0.955772，F檢驗結果顯著，總體數據擬合度較高。因此，在金融集聚影響因素模型中，國內生產總值（GDP）、金融投資（FI）、人力資源（HR）、對外開放程度（OTOW）、基礎設施（INF）和人口密度（PD）對金融產業集聚有著較強的促進作用。特別是國內生產總值因素，經濟增長加快也能吸引更多的金融機構進行金融產業集聚，符合本文的實證結論。

10個樣本金融中心城市的金融產業集聚的綜合因素作用和經濟增長因素作用結果如表7所示。

表7 樣本城市經濟增長綜合因素和經濟增長因素作用結果

從表7中可以看出，10個城市中經濟增長的綜合因素作用最大的是北京、南京、沈陽、廣州和濟南。而經濟增長因素作用結果的差異性也較為明顯，沈陽、廣州、深圳和南京的經濟增長因素作用結果表現為正相關，經濟增長對金融產業集聚作用明顯。對于其他城市而言，經濟增長對金融產業集聚的影響為負值，表明經濟增長和金融產業集聚已經出現了反向作用。

3 結論

本文把經濟增長和金融產業集聚的關系作為研究對象，構建了經濟增長和金融產業集聚影響因素之間的雙向互動關系模型，并分析了金融產業集聚和經濟增長的相互影響程度。實證結果顯示，一方面，金融產業集聚確實能促進經濟增長，而金融產業集聚程度不同，對城市經濟增長的影響也存在較大差異，樣本中的10個城市金融產業集聚促進了城市經濟增長的效果，排名為：廣州、沈陽、杭州、天津、北京、南京、上海、濟南；另一方面，經濟增長也會促進金融產業集聚，樣本中的10個城市經濟增長對金融產業集聚有明顯促進作用的是：沈陽、廣州、深圳和南京。因此，金融產業集聚和經濟增長表現為相互促進作用。