金融集聚與城市經濟效率：基于城市群視角的實證

王 韌，宋爽爽，段義誠，張奇佳

（1.首都經濟貿易大學金融學院，北京 100007；2.重慶工商大學金融學院，重慶 400067）

0 引言

城市群是承載發展要素的主要空間形式，金融集聚是區域協同發展的重要支撐，提升城市經濟效率則是區域高質量發展的關鍵一環。理論上，金融集聚能通過外部溢出效應、創新競爭效應和規模經濟效應來推動區域資源的優化配置，進而對城市經濟效率產生正向影響；但同時也會引發中心城市的金融泡沫化和產業空心化風險，并產生對邊緣地區和企業的“金融排斥”效應，進而形成逆向效率沖擊，由此存在實際影響層面的動態和非線性特征。由此，從城市群這一特定空間載體出發，系統梳理金融集聚對城市經濟效率的空間影響及其異質性特征，具有重要理論價值和現實意義。

新經濟地理學將集聚定義為經濟活動在空間上的集中和聚合，金融集聚不僅指金融機構在特定區域形成的靜態產業空間組織，還泛指金融資源和產業在一定空間范圍內轉向地域密集分布的動態過程[1]。金融集聚的測度大致包括單一指標和綜合指標兩種方法，單一指標法多使用基于金融部門從業人數占比或金融業總產值占比的區位熵方法；相比之下，更契合金融體系復雜性特征的綜合指標法逐漸受到關注，但考慮到該方法所涉及的次級指標較多，數據的可得性及有效性難以保證，加之指標選取存在一定主觀性，因而相較于單一指標法，該方法在具體實踐中存在一定的適用性局限。

對于城市經濟效率，國外文獻多使用勞動生產率指標刻畫[2]；國內研究則更強調城市投入要素的配置效果[3]。鑒于城市經濟效率反映了城市經濟活動中各項資源的有效利用程度，從投入-產出視角探討更為合適。測算方法上，面向“多投入-多產出”系統的數據包絡分析（DEA）在研究城市效率方面具有較強適用性[4,5]，Andersen 和Petersen（1993）[6]提出了超效率模型以克服傳統DEA 有效決策單元效率值最高為1 的局限；俞立平等（2006）[7]對中國城市經濟效率進行了初步測度。指標選擇上，李江蘇等（2017）[8]以供水總量、全年用電量、建成區面積作為資源投入指標，以城鎮固定資產總投資、科技財政支出經費、單位從業人員總數作為資本、技術、勞動力投入指標，以人均GDP、第三產業比重、財政收入作為城市經濟產出指標，以職工平均工資、第三產業從業人員比重、醫院和衛生院床位數作為社會產出指標，以工業固體廢物綜合利用率、建成區綠化覆蓋率作為環境產出指標，并進行了城市經濟效率測度。

關于金融集聚對城市發展的空間效應，徐曄和宋曉薇（2016）[9]發現金融集聚具有明顯的空間外溢性；曹鴻英和余敬德（2018）[10]的研究顯示金融集聚能通過空間地理的輻射作用帶動周邊經濟發展。此外，金融集聚空間效率影響的非線性特征也漸受關注，Zhao等（2017）[11]發現金融集聚的程度和階段會對城市效率形成非線性沖擊；袁華錫等（2019）[1]發現金融集聚對綠色發展效率的空間溢出效應呈現“梯度式”增強。

現有文獻雖圍繞金融集聚和城市經濟效率的統計測度及空間關聯展開了諸多探索，但聚焦城市群及其異質性比較的研究并不多見，對具體影響機理的梳理也相對缺乏。本文結合國內十大典型城市群的樣本數據，通過基于區位熵模型的金融集聚水平測度、基于超效率DEA 的城市經濟效率測算，以及多維度的空間計量分析，全面梳理金融集聚對城市經濟效率的空間溢出效應，并在不同空間模式（單核或多核集聚）和不同區域特征下對其異質性特征做進一步診斷，有助于區域協同高質量發展。

1 樣本、指標及測算方法

1.1 研究樣本選擇

為保證樣本完整性并控制誤差，選取樣本時間范圍為2008—2021 年。樣本選取了國內具有代表性的十大典型城市群，包括長三角、京津冀、珠三角、成渝、長江中游、山東半島、海峽西岸、遼中南、中原、關中平原城市群，以保證樣本全面性。最終確定的研究對象覆蓋162 個城市共計2268 個樣本值。對于個別缺失數據，也依據鄰近年份指標數值的趨勢外推進行補足。數據來源于《中國城市統計年鑒》、國家統計局官網及各城市統計公報。

1.2 城市經濟效率測算方法

考慮到城市經濟運行的多投入、多產出特征，本文借鑒Andersen 和Petersen（1993）[6]提出的超效率DEA 模型，具體公式為：

其中，K代表評價單元數量，N、M為投入和產出要素個數，xnk和ymk表示評價單元的投入和產出集。借鑒相關文獻，投入指標包括資本存量、勞動投入（年末單位從業人員數）、能源投入（供水總量和全年用電量）、土地投入（建成區面積）、教育投入（科教支出）；產出指標用各城市GDP 表示。各城市資本存量數值依據永續盤存法計算，Kit=(1-δ)Kit-1+Iit/Pt，其中，Kt和Kt-1分別表示t和t-1期的資本存量；δ是折舊率，依據張軍等（2004）[12]的估算設定δ=9.6%；I是投資額，用全社會固定資產投資額衡量；P是固定資產投資價格指數，借鑒薛桂芝（2018）[13]的方法，以各城市所在省份的固定資產投資價格平減指數衡量?；谫Y本存量計算借鑒Young（2000）[14]的方法，將初始資本存量設為基年全社會固定資產投資額的10%得到，產出變量通過對各城市GDP及所在省份的價格指數平減得出。

1.3 金融集聚衡量

鑒于數據的可得性及有效性，本文借鑒現有文獻的通用做法，采用區位熵模型來測度城市金融集聚程度，該種方法不僅可以有效消除地區差異帶來的內生性沖擊，還能在一定程度上克服以主成分分析法為代表的綜合指標分析法在指標選取上的主觀性。具體測度方式為（地級市金融從業人員/地級市年末單位從業人員）/（全國金融從業人員/全國單位從業人員）。

2 模型選擇

鄰近地區空間單元的經濟地理現象或某一屬性值往往高度相關[15]，為準確刻畫金融集聚和城市經濟效率的空間關聯，本文進行了空間相關性檢驗，按SEM、SLM、SDM的順序進行模型選擇。步驟如下：第一，確定空間權重矩陣，通過莫蘭指數判斷是否存在空間自相關；第二，依據Anselin 等（1996）[15]的判斷準則，確定是使用SEM 還是SLM；第三，綜合豪斯曼、LR、Wald 檢驗來確定SDM 適用性，最終選擇合適的模型形式。

2.1 空間相關性識別

考慮到基于地理位置相鄰的空間權重矩陣在城市層面賦權較復雜，且未考慮地理距離和經濟發展水平差異；而經濟距離矩陣在采用面板數據時存在時間差距，且經濟距離隨時間變化，相對而言更不穩定。這里選取基于地理距離的空間矩陣進行全局空間自相關檢驗，計算樣本城市群的金融集聚水平和城市經濟效率的Moran’s I。測算結果見表1。表1顯示樣本城市金融集聚和城市經濟效率在大部分年份都存在明顯空間正相關性，其中金融集聚空間相關性存在明顯的時間趨勢，2008—2012 年逐漸顯現，后續始終保持顯著的相關性，區域間金融要素聯動的逐步推進總體上符合金融體系發展規律。

表1 金融集聚和城市經濟效率的空間相關性（莫蘭指數檢驗）

進一步進行局部空間自相關檢驗，繪制局部Moran散點圖，如下頁圖1、圖2 所示。樣本城市群的金融集聚（城市經濟效率）存在顯著空間依賴性和空間異質性。如第一象限的城市，金融集聚水平（城市經濟效率）較高且被高水平的周邊城市包圍，說明地理空間分布上呈現空間依賴關系；第四象限的城市，金融集聚水平高卻被低水平的周邊城市包圍，說明存在地理空間上的異質性。

圖1 金融集聚水平莫蘭指數

圖2 城市經濟效率莫蘭指數

2.2 空間模型適用性檢驗

為了選擇最適用的空間計量模型，有必要展開相關的適用性檢驗。

首先是LM檢驗，如果LM（lag）比LM（error）更顯著，且Robust-LM（lag）較Robust-LM（error）不顯著，那么適合采用空間滯后模型（SLM）；反之為空間誤差模型（SEM）。檢驗結果顯示總體LM（error）、Robust LM（error）、LM（lag）均通過了1%水平上的顯著性檢驗，Robust LM（lag）通過了5%水平上的顯著性檢驗，表明模型存在顯著空間自相關，SLM和SEM同時成立，但無法判斷哪個更優，故選擇更廣泛的SDM做進一步診斷。

其次是Wald 檢驗，驗證SDM 是否可能退化為SLM、SEM，檢驗結果顯示Wald檢驗P=0.00，均拒絕原假設且通過1%水平上的顯著性檢驗，說明SDM 拒絕退化為SLM、SEM。

最后是LR檢驗。結果顯示兩次LR檢驗都在1%的水平上拒絕原假設，再次驗證了SDM不能簡化為SLM、SEM。同時相較于SAC 模型，SDM 的信息準則值更小，而AIC 和BIC信息值越小則模型的擬合度越好，故SDM優于SAC。

綜合以上分析，SDM 更具適用性。此外，還用Hausman檢驗確定應使用固定效應模型還是隨機效應模型，發現在1%的水平上拒絕隨機效應原假設，因此應選擇固定效應模型。

3 模型設定與基準回歸結果

3.1 模型設定與指標選擇

綜合前文的檢驗結果，構建如下形式的SDM模型：

其中，TEit表示城市i在時間t的經濟效率；FAit表示對應的金融集聚水平；Zit為控制變量；wij為地理距離空間權重矩陣；ui控制個體差異；γt控制時間差異；εit為空間擾動項；ρ表示空間溢出強度；β1、β2表示直接影響系數；θ1、θ2表示對應的空間影響系數。

控制變量方面，參考相關文獻選取以下指標：（1）政府支持（Gov），用政府支出與地區生產總值之比衡量，政府支持既能推動城市建設，也存在擠出效應，如果成本負擔和擠出效應集中于本地，基礎設施又有正外部性，那么可能存在負向直接效應和正向間接效應；（2）開放程度（Open），用城市實際外資利用額（以該年美元匯率折算）占GDP比重衡量，外資雖有資金、技術和經驗溢出，但引資也會耗費資金和政策資源，其最終影響有待觀察；（3）工業化率（Ind），用工業增加值與地區生產總值之比衡量，因為國內工業領域的產能過剩，可能拖累經濟效率表現；（4）環境規制（Use），用城市政府工作報告中環保詞頻數占比來衡量，環境規制越嚴格，越有利于推動地區產業轉型與企業創新，預期對效率的影響為正；（5）研發潛力（Tec），以地區專利授權數對數來衡量，預期其影響為正；（6）教育人力資本（Edu），用高等院校學生人均擁有教師數衡量，有助于提升勞動力素質并推動效率提升，預期影響為正；（7）交通設施狀況（Car），用每萬人實有公共汽（電）車營運車輛數表征，交通狀況有助于要素流動，但也可能形成擁堵效應，最終影響有待甄別；（8）固定資產投資（Fixast），用年度固定資產投資總額與地區總產值之比表示，固定資產投資有助于拉動區域經濟增長，但也和工業發展相關聯并可能造成城市擁擠效應，對城市經濟效率的影響存在兩面性，最終效果需綜合判定。

3.2 基準回歸與結果比較

為方便對比總結，先展示了普通面板模型的OLS回歸結果，具體如表2所示。

表2 基于普通面板模型的OLS回歸結果

表2 顯示，核心解釋變量系數為正且通過1%水平上的顯著性檢驗，但平方項回歸系數顯著為負，說明金融集聚對城市經濟效率存在積極效應，但影響機制呈現“倒U”型非線性特征。

進一步基于SDM 模型進行空間面板回歸，結果見下頁表3。表3分別展示了金融集聚水平的直接效應和間接效應。

表3 金融集聚水平對城市經濟效率的SDM回歸結果

LeSage 和Pace（2009）[16]指出用點估計判定是否存在空間溢出效應可能存在偏差；Lee和Yu（2016）[17]指出SDM模型可能存在自身識別問題，可能會導致空間回歸估計的顯著偏差。因此，空間溢出效應診斷還依賴于變量變化的偏微分解釋。

依據表4的分解結果，由于雙向固定效應模型的對數似然函數值與時點固定效應模型以及個體固定效應模型相比最大，而基于兩個信息準則的數值最小，因此可以設定面板空間杜賓模型的雙向固定效應模型為最優模型，據此展開空間效應分解和變量影響分析。

表4 基于雙向固定效應SDM模型的空間效應分解結果

基于雙向固定效應SDM 的空間效應分解結果表明，金融集聚對城市經濟效率仍然呈現顯著的“倒U”型影響且保持高穩健性；且直接效應、間接效應及總效應均顯著為正，說明城市群范圍內的金融集聚不僅可以正向驅動當地城市經濟效率提升，還能帶動周邊城市效率提升；而間接效應系數顯著高于直接效應說明金融集聚對城市經濟效率的影響存在明顯空間溢出。值得關注的是，平方項的直接效應系數和間接效應系數顯著為負，進一步印證了樣本城市群內部金融集聚與城市經濟效率的“倒U”型關系，這意味著城市群范圍內適度的金融集聚有助于促進城市經濟效率提升，但金融資源過度集聚則會對城市經濟效率形成負向影響。

控制變量的估計結果基本和預期一致，限于篇幅，未詳細展示?？傮w而言，基準回歸驗證了金融集聚對城市經濟效率的正向影響和空間溢出效應，且具有“倒U”型特征，即只有適度的金融集聚才能促進效率提升，有必要基于城市群差異進行進一步的異質性分析。

4 異質性分析

4.1 城市群模式和地域分組

鑒于不同城市群發展模式不盡相同，如成渝城市群的“雙核驅動”、珠三角城市群的“多核聯動”、長江中游城市群的“多核發散”，為有效控制不同城市群間現實差異的干擾，基于SDM模型進一步進行異質性分析。

進一步對GDP指標進行標準化處理后作為經濟中心度的代理指標，并據此對樣本進行分類：單核城市群包括中原、關中平原、遼中南、海峽西岸、山東半島城市群；多核城市群包括京津冀、長三角、長江中游、珠三角、成渝城市群。表5 的列（1）和列（2）顯示：多核城市群組別t 統計量均大于單核城市群，同時在總效應中多核城市群金融集聚的“倒U”型影響更加顯著，而單核城市群一次項和二次項均不顯著，說明單核集聚更易產生過度集聚和“大城市病”問題。

表5 基于城市群模式和地域的異質性檢驗結果

列（3）和列（4）為基于地域劃分的分組回歸結果，東部城市群金融集聚呈現“倒U”型影響，但二次項t 統計量小于一次項；同時中西部城市群金融集聚也呈現“倒U”型影響。這表明東部城市群的金融集聚形成了更為顯著的效率空間溢出；而中西部城市群內部的過度金融集聚則不利于效率提升。

4.2 區域特征分組

理論上，要素流動會放大金融集聚的空間溢出效應，也會產生外部性；經濟市場化則有助于破除城市間的地方保護，增強金融要素集聚的正向效率提振作用。采用樣本城市群2008—2021年人均道路面積的均值作為資源要素流動順暢度的代理指標，并將樣本劃分為交通發達組（京津冀、遼中南、長三角、山東半島和珠三角城市群）和交通欠發達組（中原、關中平原、長江中游、成渝和海峽西岸城市群）；同時參照樊綱等（2011）[18]的做法，統計獲取2008—2021 年各城市群內城市的市場化指數均值，以此區分高市場化程度組（長三角、珠三角、山東半島、海峽西岸和遼中南城市群）和低市場化程度組（京津冀、成渝、長江中游、中原和關中平原城市群），并進行分組回歸。

依據下頁表6的列（1）和列（2）可知，總效應和間接效應方面，交通發達組的系數比交通欠發達組的系數更顯著，意味著提升資源要素流動順暢度有助于增強金融集聚的空間溢出效應。直接效應方面，交通發達組的t值和系數的絕對值都明顯小于交通欠發達組，說明資源要素的外部溢出反而會限制金融集聚對本地效率的拉動作用。列（3）和列（4）顯示了不同市場環境的異質性影響，高市場化程度組金融集聚的空間溢出效應更顯著，這與前文基于交通狀況的分組檢驗結果一致；低市場化程度組金融集聚的間接效應和總效應均不顯著，印證了市場分割嚴重會阻礙資源要素的流通，并削弱金融集聚的空間溢出效應。

表6 基于城市群交通狀況和市場環境的異質性檢驗結果

5 穩健性檢驗

5.1 空間矩陣變換

為驗證基準回歸結果的穩健性，將基于地理距離的空間矩陣替換成經濟地理空間矩陣，考慮到基于經濟距離的空間權重矩陣計算存在時間差距問題，這里取GDP 平均值進行測算。替換后的LM、Wald、LR等檢驗顯示，選用空間杜賓模型（SDM）更為合適。依據表7可知，金融集聚對城市經濟效率依然呈現顯著“倒U”型影響，進一步支持了基準回歸結論。

表7 基于空間矩陣變換的穩健性檢驗結果

5.2 內生性檢驗

考慮到金融要素集聚根植于城市整體發展，金融集聚水平較高的地區往往對應著經濟發展較好的地區，由此可能帶來理論層面的內生性風險，本文對金融集聚和經濟發展對城市經濟效率的實際影響效應進行了比較分析，觀察其實際影響效應是否存在明顯異質性。用人均GDP（Pg-dp）作為城市經濟發展水平的代理指標，如果兩個變量的實際效率影響存在明顯異質性，那么意味著兩種機制并不相同，基準回歸模型的內生性風險較低，反向支持了基準回歸結果的穩健性。

依據表8可知，經濟發展一次項對城市經濟效率的直接效應顯著為負，二次項直接效應顯著為正，同時一次項和二次項的總效應均不顯著，這與以金融集聚作為核心解釋變量的估計結果存在明顯方向性及整體性差異，表明城市經濟發展和金融集聚對城市經濟效率的影響機制截然不同，側面論證了金融集聚對于城市經濟效率的促進作用并非源自城市本身的經濟發展特征，在一定程度上排除了互為因果所引發的內生性問題。

表8 基于類工具變量的內生性檢驗

5.3 安慰劑檢驗

考慮到市場化程度較高的城市同時擁有更高的資源配置水平，經濟效率可能因此更高，這里用市場化指數（Index）替代金融集聚指標進行安慰劑檢驗，如果得到的估計結果與基準回歸結果存在明顯差異，那么可以認為金融集聚的影響并不完全取決于市場環境。

依據表9可知，市場化程度指標在一定程度上限制了城市的經濟效率水平，而且一次項和二次項的間接效應和總效應均不顯著。這意味著只有較高的市場化程度而沒有金融要素的集聚，只會引發資源要素過度外流，進而出現對城市經濟效率的負向影響。這一檢驗結果也進一步驗證了上文基準回歸結果的穩健性。

表9 安慰劑檢驗結果

6 結論與建議

6.1 結論

本文基于國內十大典型城市群162 個城市的面板數據，分析了金融集聚對城市經濟效率的影響及其異質性特征，研究結論如下：

第一，金融集聚對城市經濟效率呈現顯著空間效應，不僅能正向驅動本地效率提升，還能對周邊城市經濟效率形成明顯帶動，且該影響呈現明顯的“倒U”型變化特征。

第二，金融集聚對城市經濟效率的影響受制于城市群模式特征，多核集聚城市群的空間溢出效應強于單核集聚城市群；東部城市群金融集聚的空間溢出效應更強，中西部城市群金融集聚的“倒U”型影響更明顯。

第三，金融集聚對城市經濟效率的影響受到資源要素流通的制約，交通狀況改善和市場化程度提升會增強其空間溢出效應，但也會因資源要素外流而給中心城市帶來一定的效率壓力。

6.2 建議

綜合上述結論，提出如下建議：

第一，關注城市群范圍內的金融集聚與產業發展協同，針對不同城市群特點因地制宜地設計治理對策。既要積極推進區域金融中心建設，也需避免金融資源過度集聚引發的“大城市病”問題；同時應依據不同城市群的地理特征和發展模式制定精準化的金融集聚策略。

第二，推動城市群中心城市之間的優勢發展、互補合作，適度發揮中心城市的規模效應和溢出效應。既要推動城市間發展聯動，通過差異化定位發揮比較優勢，合理劃分經濟職能，避免同質化競爭；又要致力于打破行政壁壘，積極構建完善一體化的體制安排。

第三，著力提升城市群內部資源要素流動的便利度。加強交通網絡建設，改善資源要素流動的硬件基礎設施；抑制地方保護主義行為，積極營造城市群內部資源要素合理、有序、順暢流動的軟環境，大力推動區域經濟高質量協同發展。