银行信贷支持吉林省县域经济发展问题研究——基于空间面板计量模型

张传娜，董玫汐

（1.吉林省农村金融改革研究中心吉林 长春 130028；2.长春金融高等专科学校 科研处，吉林 长春 130028；3.北京市海淀区农村合作经济经营管理站，北京 海淀 100091）

一、引言

习近平总书记在2017年的全国金融工作会议上强调，金融是实体经济的血脉，为实体经济服务是金融的天职，是金融的宗旨。从微观层面来说，银行作为最主要的金融载体，通过吸收存款、发放贷款，解决微观主体面临的融资问题，达到服务微观主体、促进微观主体发展的目的。在县域经济层面，银行信贷与县域经济发展之间的关系如何，银行信贷是否能够促进县域经济发展，其作用机制及影响程度如何，这是本文探讨的问题。

二、文献回顾

由于我国金融市场起步较晚，在金融市场中又以银行为绝对主体，证券和保险等其他形式的金融市场发展相对薄弱且不均衡，因此很多文献都以研究金融发展与经济增长的关系为名，但实质都是以银行信贷相关指标作为金融发展的指示变量，使用不同方法分析其与经济发展之间的关系，如张军等（2005）［1］、张志强（2012）［2］、高晓燕等（2013）［3］、崔喜苏等（2014）［4］。

研究银行信贷与经济发展之间关系的文献很多。从研究方法来说，分析银行信贷与经济发展之间关系的方法主要有：时间序列的回归分析、向量误差修正模型、Granger因果关系检验、协整分析，如谈儒勇（1999）［5］、王志强等（2003）［6］；基于省际和县域面板数据的回归分析、协整分析，如谢问兰等（2008）［7］、郭刚等（2012）［8］、陈明（2014）［9］、刘雅娇等（2018）［10］；利用空间面板计量模型分析银行信贷与经济发展之间关系的文献相对较少，方先明等（2010）［11］利用中国省域1998—2008年的面板数据分析金融支持与经济增长的关系，其构建的是空间截面回归模型，并未构建空间面板计量模型。

本文试图通过构建空间面板计量模型来分析吉林省县域经济中银行信贷与经济发展之间的关系和内在作用机制，验证如下三个假设：

假设1：扩大银行信贷规模能够促进经济发展。

假设2：提高银行信贷效率能够促进经济发展。

假设3：银行信贷促进经济发展的作用机制存在空间效应。

三、影响因素分析与计量模型设定

本文的被解释变量为人均地区生产总值，记作pergdp。

（一）影响因素分析与变量指标选择

通过整理现有文献，明确银行信贷是影响经济发展的重要因素，但是为了防止由于遗漏重要变量造成模型估计问题，还需要考虑影响经济发展的其他因素，将其作为控制变量引入到模型中。选择指标的具体情况如下：

1.解释变量

本文的核心解释变量为银行信贷。可能影响经济发展的银行信贷指标主要有两个：一是银行信贷规模，二是银行信贷效率。

（1）银行信贷规模

银行信贷规模的测度指标有两类，一类是绝对指标，即银行信贷的绝对数量，可用金融机构各项贷款余额表示；另一类为相对指标，即银行信贷相对于地区生产总值的比重，用金融机构各项贷款余额与GDP的比值表示。本文选择相对指标，即金融机构各项贷款余额与GDP的比值来代表银行信贷规模，符号记作FS。

（2）银行信贷效率

现有文献对银行信贷效率的测度通常也有两个指标：一是将发放给私人部门的银行信贷比例作为衡量银行信贷效率的指标；二是学者们通常使用的金融机构贷款与存款的比值。考虑到获取私人部门银行信贷数额比较困难，本文选择金融机构贷款与存款的比值来代表银行信贷效率，符号记作FE。

2.控制变量

选择控制变量主要是在参考已有文献及相关经济理论的基础上，为避免遗漏关键变量造成估计误差膨胀而确定的，本文选择的主要指标如下：

（1）工业发展水平

工业指从事自然资源的开采，对采掘品和农产品进行加工和再加工的物质生产部门。工业能够吸收农村剩余劳动力、提高农产品附加值，有助于发展地方经济。本文以工业增加值代表工业发展水平，符号记作indus。

（2）固定资产投资

固定资产投资是一种再生产活动，表现为建造和购置固定资产的各种经济活动，包括固定资产更新、新建、改建和扩建等。本文以全社会固定资产投资总额表示，符号记作inv。

（3）地方财政支出［12］。财政支出一方面可以衡量县域地方政府对经济发展的作用力，另一方面也可以衡量政府对经济发展的投入和调控。本文以各市县公共财政支出表示，符号记作pub。

（4）经济密度。经济密度（GDP/平方公里）可以反映一个地区经济活动的频繁程度和市场规模（商品购买力）的大小，符号记作eco。

（5）空间相依影响［13］［14］。经济活动通常在空间上表现出集聚特征，相邻地区的经济发展存在一定的相关性。因此，针对多区域的计量分析，需要考虑指标间的空间相依特征。具体而言，空间相依关系是通过空间加权矩阵进行考量的。

当前比较流行的空间权重矩阵主要有三种：第一种是基于相邻的空间加权矩阵，即任意两个地区i和j如果在空间上是临近的，即设定空间加权矩阵W的元素为1，否则为0；第二种是以距离的倒数作为构建空间加权矩阵的元素，此种空间加权矩阵需外生给定截断（cutoff）距离；第三种是以地区之间经济联系为权重的空间加权矩阵，主要是利用地区之间的贸易数据，构建贸易流量矩阵。

由于本文研究的是县域经济，相关部门并未专门统计县域之间的贸易数据，因此第三种空间加权矩阵在本文中并不适用。本文在研究过程中，构建了基于相邻的Queen空间加权矩阵［15］和基于距离倒数的空间加权矩阵。基于距离倒数的空间加权矩阵截断（cutoff）点分别为100、150、200、250和300。经过分析发现，截断（cutoff）点为200的空间加权矩阵，各项指标表现更好，因此本文的分析是基于截断距离（cutoff）为200的空间加权矩阵展开。

（二）实证模型与空间计量方法

传统面板数据计量模型在进行模型估计时，通常假定个体之间具有独立性和同质性。其对个体差异性的刻画通过截距项的差异设置，即固定效应和随机效应来体现，不能显示个体之间差异的内在作用机制。空间面板数据计量模型在传统面板数据计量模型的基础上，通过空间加权矩阵引入空间乘子，将个体之间的相互作用及表现的差异性考虑进来，能够在一定程度上弥补传统面板数据模型的不足。

本文的分析基于第二代空间面板数据计量模型——静态空间面板数据模型。静态空间面板数据模型的一般形式如下：

根据参数的设定情况，上述模型可转化为以下三种形式：

第一，当θ=0，λ=0时，模型为空间面板自回归模型（简称SPAR模型）；

第二，当ρ=0，θ=0时，模型为空间面板误差自回归模型（简称SPEM模型）；

第三，当λ=0时，模型为空间面板杜宾模型（简称SPDM模型）。

在上述三种形式的模型中，分别加入空间固定效应、时间固定效应、双向固定效应及随机效应四种情况，因此本文将会在12种模型中做出选择，以便分析银行信贷对经济发展的作用。

四、实证分析

本文的实证分析基于吉林省40个县域、2000—2016年共计17年的经济金融数据。数据来源于2001—2017年的《吉林省统计年鉴》《中国县域统计年鉴（县市卷）》、各县市年度政府工作报告及统计公报，中经网统计数据库。

为了减弱绝对指标存在的异方差可能对模型估计造成的影响，本文对相关变量做了取对数处理，相关变量分别表示为logpergdp（人均地区生产总值）、logindus（工业发展水平）、loginv（固定资产投资水平）、logpub（地方财政支出）、logeco（经济密度）。在实证分析中，首先对核心变量进行了空间相关性检验，然后对变量进行了平稳性检验及协整检验，最后选择相对恰当的模型对变量之间的关系进行分析。

（一）空间相关性检验及平稳性检验

1.空间相关性检验

由于在宏观经济序列中，横截面样本序列之间普遍存在相关问题，因此Pesaran（2007）［16］提出了基于宏观经济序列的CD检验，用于检验横截面之间的相关性。本文对核心变量人均地区生产总值（logpergdp）及银行信贷效率（FE）和银行信贷规模（FS）分别进行了CD检验。从检验结果来看，上述三个变量都拒绝了横截面相互独立的假设。为了检验这三个变量是否存在空间相关性，本文又分别计算了Moran I指数和Geary’s C统计量。从检验结果来看，银行信贷效率（FE）具有显著的空间相关性，人均地区生产总值（logpergdp）和银行信贷规模（FS）的空间相关性不很显著。相关性检验结果见表1。

表1 logpergdp、FE和FS的空间相关性检验结果

2.变量平稳性检验

第一代面板单位根检验，如IPS检验、Maddala和Wu检验，都假定横截面个体之间是彼此相互独立的。而前文相关性检验结果表明，核心变量横截面个体之间存在明显的相关关系，因此在单位根检验中，也需要考虑横截面之间的相关性，将各个横截面个体所面临的随机冲击和公共因素考虑进去。本文的面板单位根检验使用的是Pesaran（2007）［16］提出的CIPS检验，检验结果见表2。

从CIPS检验结果来看，FS和logeco是一阶单整序列，其它变量都是平稳序列。对非平稳的变量直接进行回归分析，可能会产生虚假回归问题，因此需要对目标变量进行协整检验，以确定变量之间是否存在长期稳定的关系。

3.变量之间的协整检验

在选择协整检验方法时，同样需要考虑到横截面个体之间存在的空间相关性问题，因此本文选择的是Westerlund（2007）［17］构建的误差修正模型状态下面板协整关系检验（Westerlund检验），检验结果见表3。

表2 面板单位根检验结果

表3 Westerlund协整检验结果

从表3的Westerlund检验结果来看，变量之间存在长期的协整关系，说明银行信贷是影响经济发展的重要因素。

（二）实证模型及解释

通过前面的各种检验，可以认为本文所选择的变量可以用来建立回归模型分析银行信贷支持经济发展的作用机制，但是应该选择何种模型呢？

1.固定效应和随机效应

Baltagi（2005）［18］指出，随机效应模型应更多地对应于样本个体随机来自于总体，当实际样本针对某些特定的个体时，固定效应模型要优于随机效应模型。本文选择的样本为吉林省40个县（市、区），针对性较强，选择固定效应比较合适。

为了验证上述判定，本文使用似然比（LR）检验进行固定效应与随机效应的检验。检验原假设为空间固定效应的联合非显著时，LR为954.44，在自由度为40时，P=0.00，说明必须拒绝原假设，认为空间固定效应联合显著。检验原假设为时间固定效应联合非显著时，LR为100.51，自由度为17时，P=0.00，说明同样必须拒绝原假设，认为时间固定效应联合显著。LR检验证实，空间面板计量模型应选择具有空间固定效应和时间固定效应的模型，即双向固定效应模型。

此外，本文还利用Lee and Yu（2012）［19］推导的用于一般空间面板数据模型的Hausman检验对固定效应的选择做了进一步验证。Hausman检验的原假设为随机效应模型，其结果为34.94，P=0.00，同样表明选择固定效应模型更合适。

2.空间面板自回归模型（SPAR）、空间面板误差模型（SPEM）和空间面板杜宾模型（SPDM）

在空间面板自回归模型（SPAR）、空间面板误差模型（SPEM）和空间面板杜宾模型（SPDM）之间的选择，从包含信息量最大的空间面板杜宾模型开始，然后分别考虑空间面板杜宾模型是否可简化为空间面板自回归模型或空间面板误差模型，可供选择的检验方法有Wald检验和LR检验。

（1）空间面板杜宾模型（SPDM）是否可简化为空间面板自回归模型（SPAR）

原假设为可简化为空间面板自回归模型（SPAR）时，Wald取值为54.97，P值为0.00；LR取值为54.77，P值为0.00。Wald检验和LR检验都表明不能接受空间面板自回归模型（SPAR）的原假设。

（2）空间面板杜宾模型（SPDM）是否可简化为空间面板误差模型（SPEM）

原假设为可简化为空间面板误差模型（SPEM）时，Wald取值为42.35，P值为0.00；LR取值为46.47，P值为0.00。Wald检验和LR检验都表明不能接受空间面板误差模型（SPEM）的原假设。

综上，本文选择空间面板杜宾模型（SPDM）分析银行信贷支持经济发展的作用机制。

3.模型估计结果及解释

表4 模型估计结果

银行信贷支持经济发展的空间面板杜宾模型（SPDM）估计结果见表4。从表4的结果来看，银行信贷规模（FS）、银行信贷效率（FE）、工业发展水平（logindus）、固定资产投资（loginv）、消费水平（logcon）及经济密度（logeco）对经济发展都有显著的正效应，而地方财政支出（logpub）对经济发展具有显著的负效应。考虑了空间效应的变量，银行信贷效率（W*FE）对经济发展有显著的正效应，而银行信贷规模（W*FS）和消费水平（W*logcon）有显著的负效应。这些结果与经济理论及发展实际基本符合。

但是，Lesage and Pace（2009）［20］指出，由于空间加权矩阵（W）的引入，空间面板杜宾模型（SPDM）中的点估计将不能反映解释变量对被解释变量的全部线性影响，如果将其视为某个自变量对因变量的影响大小，将会存在严重的错误。因此，应考虑在空间作用机制下自变量对因变量的直接影响、间接影响和总影响的大小，相应结果见表5。

表5 空间效应估计结果

表5为双向固定效应空间面板杜宾模型（SPDM）下银行信贷等解释变量对吉林省县域经济发展的长期作用。具体来看：

（1）银行信贷规模（FS）

银行信贷规模（FS）具有显著正的直接效应，显著负的间接效应和不显著的总效应，与空间相关性检验的结果一致。具体来说，单纯扩大银行信贷规模（FS）并不能起到促进经济增长的作用。某县通过扩大银行信贷规模（FS），可能会促进本地经济发展，但同样可能会给临近县的发展带来不利影响，总体看不会对经济产生较显著的影响。

（2）银行信贷效率（FE）

银行信贷效率（FE）具有显著正的直接效应、间接效应和总效应。具体来说，某县银行信贷效率（FE）提高1个百分点，可以促进当地经济增长0.2个百分点；临近县银行信贷效率（FE）提高1个百分点，可以促进本县经济增长0.7个百分点；总体来看，银行信贷效率（FE）提高1个百分点，可促进经济增长0.9个百分点。提高某县银行信贷效率（FE），不但可以促进本县经济发展，还可以起到促进临近县市经济发展的作用。

（3）控制变量

控制变量中，工业发展水平（logindus）、固定资产投资水平（loginv）、消费水平（logcon）、经济密度（logeco）都对经济发展有显著正的直接效应，消费水平（logcon）对经济发展有显著负的间接效应，工业发展水平（logindus）和经济密度（logeco）对经济发展的总效应是显著正的，而消费水平（logcon）对经济发展的总效应是显著负的。工业发展对经济发展的作用是显而易见的，工业发展，可促进经济发展。通过扩大固定资产投资的方式促进经济增长属于粗放型的增长方式，并不能持久，因此短期内可能会促进某县经济发展，但是长期并不会给经济发展带来好处。消费与储蓄之间是此消彼长的关系，对于经济发展水平相对较低的县域经济来说，增加消费无疑会减少储蓄，是不利于经济未来发展的，因此表现出消费对经济发展的总效应是显著负的。但是，随着经济的发展，消费对经济发展的促进作用也会显现出来。经济密度反映的是一个地区经济活动的频繁程度和市场规模的大小，显然县域经济活动越频繁、市场规模越大，越能够促进县域经济发展。

五、结论与对策建议

（一）结论

本文运用空间面板计量模型，基于吉林省40个县域、2000—2016年共计17年的经济金融数据，对银行信贷支持吉林省县域经济发展的作用机制进行了研究。实证研究证实：

第一，假设1不能完全成立，扩大银行信贷规模在短期内可能起到促进经济发展的目的，但是从长期来看并不能起到促进经济整体发展的作用。

第二，假设2是完全成立的，提高银行信贷效率不仅能够促进本县经济发展，还能带动临近县域经济发展。从验证这两个假设得出的结论可以看出，粗放式的发展方式对经济发展并不会产生有益影响，只有提高效率和效益的集约式发展方式才能促进经济长期、持续发展。

第三，假设3在本文中得到了证实，银行信贷在促进经济发展中确实存在空间效应，有着空间传导机制。假设3印证了张传娜（2018）［21］的猜测，即吉林省县域经济之间确实存在空间相关关系。

（二）对策建议

经济单元并不是孤立存在的，相互之间存在紧密联系。制定经济发展战略需统筹兼顾、有全局意识，避免顾此失彼、得不偿失。针对本文的分析，提出以下政策建议：

第一，关注经济发展的空间传导机制，可尝试通过金融要素的流动达到配置经济资源的目的；

第二，制定银行信贷政策时，不应单纯以扩大信贷规模为考核依据，而应着力提高信贷效率，用提高效率促进发展；

第三，在不扩大银行信贷规模的前提下，应把资金投向工业等增加值较高的行业，大力促进县域农业生产、农产品加工的发展，繁荣县域经济。