金融生态环境对区域经济增长的影响<sup>*</sup>

现阶段我国经济正由高速增长转变为中高速增长，如何保持经济平稳持续健康发展是需要解决的问题。经济、金融、人文社会、信用、政策、法律等都影响着经济的发展，这些构成了金融生态环境。把金融生态环境和区域经济增长联系起来研究，探究不同因素对经济发展的不同影响，有利于在变革过程中更有的放矢，因此本文基于空间视角来研究金融生态环境如何影响区域经济的发展。

一、构建金融生态环境指标体系

本文构建的指标体系分为三层，分别是目标层、准则层和指标层，相关层级的指标数分别为4、11和16，具体指标内容见表1。

本文用以表明经济基础的指标是经济的发展水平、结构与稳定性。经济发展水平可以用来衡量经济发展的状态与潜力。经济结构是由很多不同层次与因素组合而成的复杂体。若想发挥出本国的经济优势，使得国民经济各部门之间协调发展，经济结构就要合理[1]。选取的指标中，第三产业增加值指数是不生产物质产品的行业的新增加价值与上年新增加价值的差值占上年新增加价值的比例。第三产业的不断发展表明该地经济结构向好调整，是我国经济发展的重要组成部分。本文选取失业率这一指标刻画经济稳定性，失业率越高该地区经济发展动荡的可能性及程度就越高。失业率是指失业人数与符合就业条件的就业人数之比。

金融生态环境评价体系中最重要的指标是金融发展。从市场类型的方面来看，主要包括银行业、保险业、证券业与金融业的发展，金融市场的发展程度可直接由其规模水平反映出来。选取各项存款占国内生产总值比率、贷款余额占国内生产总值比率与不良贷款率来衡量银行业的发展程度。银行业的主要任务是资金的融通，即吸收存款与发放贷款。贷款余额占国内生产总值比重即金融深化程度在反映贷款量的同时也反映了国内生产总值中贷款的贡献度，该值越大说明银行业对经济的促进作用越强，金融生态环境质量越高[2]。衡量保险业发展选取的指标是保险深度与保险密度。保险深度是指保费与国内生产总值的比值。这一指标体现当地国内生产总值中保险机构所作贡献的程度，更形象地反映当地保险业的发展情况。保险密度是保费收入与常住人口的比值，即区域内的平均保费额，反映了当地保险业的发展程度。由于证券业指标的数据较难收集，仅选取证券市场资本化率来衡量。证券市场资本化率是上市公司总市值与国内生产总值的比重，其可衡量证券市场的规模程度，证券市场的资本化率越高，则该市场的资本能力越强。选取金融业增加值来衡量金融业的发展[3]。金融业增加值是一定时期内金融业各单位新创造出来的价值，反映了金融业对社会发展的促进作用。

政府治理是金融生态环境发展的重要条件，这是由于金融发展的方向受到政府出台的各项政策的影响。将其分为两个角度考察，分别是政府主导性、政府管理水平。

人文社会是金融生态环境发展不可缺少的部分，其属于外部环境的范畴。用高等学校平均在校生数来衡量社会信用，用互联网普及率衡量社会发展水平。高等学校在校学生数反映地区的教育水平，人数越多，教育程度越高，越有助于金融生态环境建设。互联网普及率可以反映地区的信息化发展程度，普及率越高，说明信息化程度越高，越有利于金融生态环境建设。

区块链自2008年问世以来，就引起了学者的关注，但是由于各种原因前些年发展得并不理想。最近几年，其已经能够与多领域、各行业相融合，并正在向生活的各方面渗透。截至目前，区块链已经能够在20多个产业中落地应用。在商品溯源、物联网、工业、能源等方面促进经济基础的发展；在供应链金融、保险、证券和交易清算、财务管理等方面落地实现，促进金融发展[4]；在电子证据、监管、电子政务等方面得到应用，帮助政策法律的实施；在医疗、公益等方面影响人文社会发展。换句话说，区块链对金融生态环境的各个方面均有影响。由于其正在向区块链4.0的智慧社会、智能文明迈进，目前为止还没有较好的指标来定量衡量其对经济发展的影响，因此本文进行后续空间计量时暂不考虑这一维度。但不可否认的是，区块链对金融生态环境的改善有着一定的积极作用[5]，值得学者关注。

二、实证分析

1.模型构建

本文采用空间自相关方法构建空间计量模型，研究金融生态环境对区域经济差异空间格局的影响[6]。采用因子分析方法对金融生态环境指标体系进行降维，为后续应用空间计量模型作准备。

空间滞后模型为yit=pWijy+Xitβ+μit+εit，式中：p为空间向量的自回归系数；Wij为空间权重矩阵中的元素；β、μ为系数；ε为误差项。该模型的特点是因变量在空间上存在依赖性，受到相邻地区因素的影响[7]。

空间误差模型为y=xβ+μ，μ=λWμ+ε，式中，λ为空间自相关系数。空间误差模型认为，受到空间影响的是误差项而非因变量[8]。

2.数据来源及处理

本文收集了31个省、直辖市、自治区(不包含港澳台)2010—2017年的省级数据指标。详细数据来源于中国统计年鉴、国家统计局网站和部分省份的统计公报及Wind数据库。

本文在构建金融生态环境指标体系时，就负向指标与数据量纲问题进行如下处理：将负向指标正向化处理，即将失业率、不良贷款率和财政支出占国内生产总值比重三个指标分别取倒数，使其分别转化为正向指标[9]。选取的指标中有绝对量的数据，因此需对指标无量纲化处理。进行因子分析时，SPSS22.0软件能够自行对数据无量纲化处理，故选用此版本软件进行分析。

3.空间模型选择

本文采用的是KMO检验和Bartlett’s球形检验，输入相关数据，检验结果如表2所示。

由表2可知：KMO检验值为0.692，大于0.5，说明选取的数据适合进行因子分析；Bartlett’s球形检验的概率值为0.000，说明检验的差异性显著，可以进行进一步分析。

运用SPSS软件进行因子分析，将16个数据提炼成4个主因子，其累计方差贡献率达到了82.008%，说明能够把原始数据的特征较好地反映出来。因子一是反映金融发展程度的，为贡献最大的因子；因子二是反映人文社会的，较为显著的是高等学校平均在校生数；因子三反映的是经济基础，比较显著的是人均GDP与第三产业增加值指数；因子四主要反映政府治理因素。这四个因子符合本文构建的指标体系。

(2) 各省金融生态环境得分

依据因子分析得出的成分得分系数矩阵及旋转后载荷平方和，可得到金融生态环境得分表达式为f=31.698%f1+21.056%f2+19.423%f3+9.832%f4。依据数据及表达式得到2010—2017年各省、直辖市、自治区金融生态环境指标得分情况，如图1所示(考虑篇幅有限，故只显示出部分)。从图1中可以看出，我国各省金融生态环境从2010年至今都在不断向好，且这种向好的趋势大体相似；各省间金融生态环境存在一定差别，如北京、上海的得分远高于其他地区。

(3) 空间权重矩阵构建

通过因子分析得到四个金融生态环境的因子，分别从因子一、二、四中提取一个主要因素作为自变量：代表金融发展程度用Fin表示；代表人文社会用Soc表示；代表政府治理用Gov表示。由于研究内容是金融生态环境变化对经济增长的影响，故不从因子三中提取自变量，选取地区GDP增速为因变量。

空间滞后模型考虑了空间因素，这是其区别于传统模型的特点。用空间权重来表明空间因素，基于相关文献的研究，本文建立邻接的空间权重矩阵。邻接的空间权重矩阵与各地的地理距离密切相关，先求出各地的质心，然后评判各地质心的距离远近，再选定一个距离。当两地之间的距离小于设定值时，对应的空间权重矩阵元素为1，若大于此距离则设为0[10]。

(4) 空间相关性检验

本文采取空间模型的主要检验之一Moran’s I检验进行相关性检验。其检验的结果为[-1，1]：若结果小于0，说明空间上存在负相关性，若结果大于0，则说明空间存在正相关性；若为0，则不存在相关性[11]。

在全域范围内对经济增长变量进行检验。Moran’s I值为0.194，P值为0.000，在1%的置信水平下显著，可以进行空间计量。具体结果如表3所示。

(5) 空间计量面板模型估计

分别建立空间滞后模型和空间误差模型，根据实际结果进行选择[12]。对于空间模型中是选用固定效用还是时间效用，本文采取传统的Hausman检验来进行选择，运用Stata的功能实现。在5%的置信度水平下，空间滞后模型与空间误差模型的概率值均为0.000，表明随机效用和固定效用均可以。由于固定效用更适于Hausman检验，因此本文选择固定效用[13]。

固定效用又分为空间固定效用、时间固定效用和时空固定效用，分别进行模型估计并根据模型输出的结果选择最优的空间模型[14]，具体结果如表4、5所示。

三、结果分析

依据以上结果进行分析，由R2、σ2和Log-likelihood(对数似然值)三个指标对方程的整体效果进行研究，结果表明空间误差模型优于空间滞后模型。空间固定效用的空间误差模型效果最好，其R2为0.311 5，三个自变量的显著性水平均在5%以下。因此，本文的空间计量模型为时间固定效用的空间误差模型，方程为

从结果来看，金融发展对于经济增长有抑制作用，这与理论上金融发展能够对经济增长起到促进作用的观点相违背。出现此情况的原因可能是我国金融市场效率不高，与服务实体经济发展不协调，并且金融市场的部分发展可能是以牺牲实体经济为代价的。也就是说，金融市场发展时吸收了部分本应该流入实体经济的资金，从而造成金融发展变化对经济增长产生负向作用[15]。人文社会的发展对于经济增长有促进作用。出现此现象的原因可能是其反映了人民受教育情况，随着受教育深度和广度的拓展，人民素质也随之提高，生产效率、技术与经营管理等随之向更好发展。信息化程度的提高为生产、生活等提供便捷平台，促进社会经济的发展。政策的逐渐完善会规范金融市场，减少信息不对称等市场失灵情形的发生，从而促进经济的发展。综合来看，对经济增长有促进作用的两个因素较高于具有负向作用的因素，其构成的金融生态环境对经济增长的影响有一定说服力。

四、结论

本文应用空间误差模型，分析了我国金融生态环境对区域经济增长的影响。研究表明：金融生态环境对区域经济增长有促进作用，其中人文社会和政府治理因素的变化对经济发展有正向促进作用；金融发展的变化对经济增长有抑制作用，但影响系数很小。因此，在促进经济增长的举措中，可以在金融发展水平提升的方式上投入更多的精力，立足于证券、银行、保险等更高效地服务于实体经济，提升社会素养与信用水平；使各方面与区块链紧密结合，逐步完善金融生态环境更是大势所趋。虽然我国各省域金融生态环境在逐年改善，但各省金融生态环境得分相差较大，与我国经济发展状况相一致。因此，各地区应加快金融生态环境的均衡发展，借鉴金融生态环境得分较高的省域经验并结合自身特色，营造高效、便捷、可持续的金融生态环境。

[1] 王薇，任保平.我国经济增长数量与质量阶段性特征：1978—2014年 [J].改革，2015(8)：48-58.

[2] 武力超，杨帆，吴一涵，等.地区金融生态环境对技术创新空间集聚的影响研究 [J].制度经济学研究，2020(1)：179-214.

[3] 申韬，黄媚.金融生态环境、经济增长与FDI效应研究——基于东盟国别数据的实证分析 [J].武汉金融，2019(11)：71-77，22.

[4] 王耀晨，王志文.互联网银行带来的金融新常态 [J].沈阳工业大学学报(社会科学版)，2016(2)：144-149.

[5] 李虹，袁颖超，王娜.区域绿色金融与生态环境耦合协调发展评价 [J].统计与决策，2019，35(8)：161-164.

[6] 向丽，胡珑瑛.中国十大城市群工业空间布局与区域发展协调性评价与比较 [J].统计与决策，2018，34(5)：107-111.

[7] 李新磊，高飞.基于状态空间模型的金融生态环境和区域经济发展的动态关系 [J].中国管理信息化，2013，16(18)：39-41.

[8] 吴俊红.金融生态环境与区域经济协同发展探讨 [J].经营管理者，2020(4)：84-85.

[9] 吉萍.中国区域金融生态综合评价与空间差异分析 [J].金融发展评论，2019(1)：47-60.

[10] 谢伟伟，邓宏兵，王楠.地理邻近与技术邻近对区域创新的空间溢出效应研究 [J].华东经济管理，2019，33(7)：61-67.

[11] 穆献中，吕雷.京津冀金融生态环境对区域经济发展影响研究 [J].经济与管理，2017，31(3)：26-30.

[12] 徐俊兵，罗昌财.福建省县域经济增长的影响因素研究——基于空间计量方法的分析 [J].重庆文理学院学报(社会科学版)，2017，36(3)：127-133.

[13] 周安华，李军.基于空间统计方法分析金融发展和经济增长的关系 [J].云梦学刊，2018，39(4)：93-99.

[14] 林欣.中国金融生态与经济增长关系研究 [J].统计与决策，2016(1)：119-123.

[15] 朱道才，任以胜，刘雅洁.中国经济平稳增长可持续性研究 [J].沈阳工业大学学报(社会科学版)，2016，9(1)：60-67.

金融生态环境对区域经济增长的影响*

一、构建金融生态环境指标体系

二、实证分析

1.模型构建

2.数据来源及处理

3.空间模型选择

三、结果分析

四、结论

On influence of financial ecological environment to regional economic growth

金融生态环境对区域经济增长的影响*

一、构建金融生态环境指标体系

二、实证分析

1.模型构建

2.数据来源及处理

3.空间模型选择

三、结果分析

四、结 论

On influence of financial ecological environment to regional economic growth

四、结论