中国省际金融业效率空间关联结构及影响因素研究

胡彦蓉，刘家瑞，刘洪久，戴 丹

(1.浙江农林大学 信息工程学院，浙江 杭州 311300；2.浙江省林业智能监测与信息技术研究重点实验室，浙江 杭州 311300)

随着第三产业的发展，我国金融业也得到迅速发展，并逐步建立了以银行业、保险业、证券业和信托业为主体的金融体系，对经济发展具有显著的宏观和微观作用。但在发展过程中，我国金融业存在区域金融业整体运行效率不高、运行机制不完善、非均衡发展特征明显等问题。因此，研究中国金融业运行效率、时空演进特征及影响因素，对促进我国金融业发展具有重要的现实意义。

关于金融业效率的研究，周少甫等[1]采用RAM网络DEA模型，计算了上市商业银行的经营效率；刘宜鸿[2]运用DEA模型，计算了我国31家上市商业银行的综合效率、技术效率和规模效率；张彤璞等[3-4]采用DEA方法测算了银行的经营效率；李苍舒[5]采用非参数Malmquist指数法和对应分析法，测算了我国30个省市自治区的金融业效率；杨光明等[6]基于空间面板数据模型，实证研究了我国金融业效率的动态演进和影响因素。

综上所述，金融业效率的研究主要集中于银行效率方面(如对规模经济、生产效率、转型国家银行效率的研究)[7]，对整体运行效率的研究较少，而且金融业效率内容的研究主要聚焦于微观数据分析(如银行业)，在宏观层面对中国金融业效率的研究较少。为此，笔者基于2004—2018年中国省际金融业统计数据，运用传统DEA模型和DEA视窗模型，从宏观角度分别测算中国省际金融业投入产出的静态效率和动态效率；利用空间数据分析方法和社会网络分析法，研究金融业投入产出效率的空间关联结构，并从经济发展程度、人力资本、对外开放程度、产业结构、政府支持方面，采用二次指派程序(QAP)方法，分析中国省际金融业投入产出效率的影响因素，以期为我国金融业效率研究提供参考。

1 研究方法和数据来源

1.1 金融业效率的测度及空间分析

对于金融业效率的测算和空间关联结构分析，首先，采用传统DEA模型和DEA视窗模型分别计算动态效率和静态效率；其次，采用VAR格兰杰因果检验方法，构建空间关联网络矩阵，通过空间数据分析，得到中国省际金融业效率的空间分布格局；最后，运用社会网络分析方法，分析中国省际金融业效率的空间关联结构。

1.1.1 基于DEA视窗模型的金融业效率测度

DEA方法由于能测算多投入、多产出决策单元的相对有效性，且具有对投入产出指标无量纲要求、无需人为赋权重等优点，在效率评价中得到广泛应用。但该方法主要应用于截面数据的分析，从时序角度进行动态趋势分析，容易产生偏差。与截面数据相比，基于面板数据得出的效率值，不仅能比较决策单元，还可在给定时期内进行自身效率变动的分析，能更好地反映决策单元的实际效率[8-10]。

DEA视窗模型是以传统DEA模型为基础，采用面板数据进行DEA评价，不仅能评价不同决策单元在同一时期的效率，还能评价决策单元在不同时间段的相对效率，是一种动态的效率评价方法，其计算思想是把不同时间的同一决策单元(DMU)当作独立的DMU，视窗每向前滑动一次就将最早的一个时间段从视窗删除，并增加一个新的时期[11]。具体计算过程如下：

(1)

(2)

目前，学者对视窗宽度尚无统一定论，张根文等[13]认为视窗宽度为3或4时可平衡效率测度的可信度和稳定度。故笔者选择视窗宽度为3，分别为2004—2006年，2005—2007年，以此类推，共13个视窗。

1.1.2 金融业效率空间关联关系的构建

基于现有文献，笔者采用VAR格兰杰因果检验方法，确定中国省际金融业投入产出效率之间的关联关系，以此构建空间关联网络矩阵，具体计算过程如下：

(1)假设两个地区的金融业效率值分别为{Pt}和{Qt}，经过测算，笔者采用的是DEA视窗的效率值；

(2)构造两个VAR模型，同时检验两个地区的金融业效率变动是否通过格兰杰因果检验，具体如式(3)所示。

(3)

式中：α,β,γ为待估参数；ε为残差项，服从正态分布；m、n、p、q为自回归项的滞后阶数。

依据格兰杰因果检验结果，当p<0.1时，将空间关联值设定为1，当p>0.1时，将空间关联值设定为0。根据A地区和B地区之间的格兰杰因果关系，得到中国省际金融业效率的空间关联网络和空间关联矩阵[14]。

1.1.3 网络特征指标确定

(1)整体网络特征。中国省际金融业效率的整体网络特征主要采用网络密度(density)、网络关联度(connectedness)、网络等级度(hierarchy)和网络效率(efficiency)来测度。其中，网络密度测度金融业效率空间关联结构的密切程度，密度越大，说明地区之间的关联关系越紧密。网络关联度测度金融业效率空间关联结构的稳健性，关联度越接近1，则空间关联的稳健性越强。网络等级度衡量各地区之间的非对称可达程度，网络等级度越高，各地区之间的地位差异越大。网络效率衡量金融业效率空间关联渠道的多少，效率越低，金融业效率空间网络联系越多，空间关联网络越稳定。

(2)中心性分析。笔者利用度数中心度、中间中心度和接近中心度来衡量金融业空间关联结构的个体特征。其中，度数中心度可以反映各地区在空间关联网络中的地位，度数中心度越高，说明该地区越居于网络中心。中间中心度测度某地区对资源控制的程度，中间中心度越高，说明该地区越具有控制力。接近中心度用来反映各地区金融业效率不受控制的程度，接近中心度越高，说明该地区越不是网络的中心。

(3)空间聚类分析。笔者采用块模型(block models)进行空间聚类分析，块模型可揭示金融业效率空间关联结构的内部结构及各地区在空间网络中的关联关系。笔者参考文献[15]，将金融业效率空间关联结构划分为净溢出板块、双向溢出板块、净受益板块和经纪人板块4种类型。

1.2 金融业效率空间关联的影响因素分析

借鉴文献[16]和文献[17]，笔者认为影响金融业效率的因素主要包括经济发展程度、人力资本、对外开放程度、产业结构、政府支持。①经济发展程度。金融发展的水平和效率很大程度上取决于经济发展程度，同样经济发展程度的差异也会影响金融业的需求和效率。世界各国历史发展进程表明：当经济发展繁荣时，企业的经营处于良好状态，对资本的需求量较大，金融业的运营效率较好。此外，经济发展程度也会影响金融业发展，当人均国民收入提高时，人均消费就会增加，同时也会促进对金融产品的消费。②人力资本。人力资本是促进金融业发展的重要因素，金融机构倾向集聚在人力资本水平高、人才储备充足的地区。金融业是吸引高学历人才的行业，高级金融人才的汇集是吸引金融集聚的重要原因，更是金融市场繁荣的根本支撑。③对外开放程度。一般来讲，对外开放程度越高，金融业服务需求就越多。ZHAO等[18]研究发现，跨国公司总部通常会选址在开放程度较高的城市，而金融机构为提供更优质的服务，也趋向将机构选址在具有开放性质的城市。④产业结构。产业结构直接体现了资源在不同产业部门之间的流向和分配，金融机构通过资源配置功能提高不同产业部门的资本供给水平和配置效率，实现产业外溢效应。⑤政府支持。政府行为也是影响金融集聚的重要因素。地方政府实行奖励措施、税收体制和优惠政策等金融调控措施，会吸引金融机构将总部设于当地，从而促进地方金融业的发展。

1.3 数据来源及处理

基于上述5项金融业效率影响因素，构建如下模型：D=f(x1,x2,x3,x4,x5)。其中，D为解释变量，表示省际金融业效率；各因素的测量变量说明如表1所示。

在金融业效率测度方面，参考文献[19]，将各地区金融业增加值作为产出指标。假设金融业生产过程中的产出取决于资本投入K和劳动力投入L，则生产函数可表示为：Y=f(K,L)。其中，资本投入K采用各地区金融业固定资产额来表示；劳动力投入L采用城镇单位金融业从业人数来表示。考虑数据的可获得性、可测性及相关性，笔者选择我国29个省市自治区(不包含缺失数据省份海南省和贵州省，也不包含港澳台)2004—2018年的数据为样本，数据主要来源为2004—2018年《中国统计年鉴》《中国第三产业统计年鉴》。

表1 金融业效率空间关联影响因素与变量说明

2 中国省际金融业投入产出效率的空间关联网络特征

2.1 静态DEA模型的金融业效率分析

基于传统的DEA模型，采用DEAP软件，计算出2004—2018年中国各地区金融业投入产出静态效率，具体结果如表2所示。

(1)DEA有效性判断。从表2可以看出，中国省际2004—2018年金融业DEA综合效率值整体不高，全国均值仅为0.34。除上海DEA综合效率值为1.00，DEA有效外，其他地区DEA均无效。其中，DEA综合效率值在0.50以上的地区包括北京、天津、江苏、浙江、福建、湖北；其余各地区DEA综合效率值均小于0.50。在投入和产出方面，除上海、天津、西藏不存在投入冗余和产出不足，青海不存在投入冗余外，其他地区均存在投入冗余和产出不足问题。

(2)技术效率规模收益分析。技术效率反映了现有技术条件下金融业发展的投入产出水平，如资源是否充分配置，配置是否为最优。从表2可以看出，中国省际2004—2018年金融业DEA技术效率均值为0.43，技术有效的地区仅有天津、上海和西藏，其余地区技术效率均无效。DEA技术效率值在0.50以上的地区包括北京、江苏、浙江、福建、山东、湖北、广东，其余地区DEA技术效率值均小于0.50。

(3)规模效率反映了通过优化配置后，产业结构对产出的作用大小。从表2可看出，中国省际2004—2018年金融业DEA规模效率均值为0.86。除北京、上海、湖北、湖南的规模效率为1.00，其余地区规模效率值均小于1.00。在规模报酬方面，上海和湖南规模报酬不变，规模报酬递增的地区包括北京、天津、山西、内蒙古、吉林、黑龙江、安徽、福建、江西、湖北、广西、重庆、云南、西藏、陕西、甘肃、青海、宁夏和新疆；规模报酬递减的地区包括河北、辽宁、江苏、浙江、山东、河南、广东和四川。

表2 2004—2018年中国各地区金融业投入产出效率DEA分析结果

2.2 动态DEA视窗的金融业效率分析

基于DEA视窗分析模型，选择视窗宽度为3，假设规模收益不变，采用DEA solver pro软件中的Window-I-C模型，计算出2004—2018年中国省际金融业投入产出动态效率值，如表3所示。

表3 2004—2018年中国金融业投入产出效率DEA视窗分析结果

从表3可以看出，中国省际金融业投入产出效率总体水平较低，总体动态效率均值仅为0.45；视窗均值最大的为上海，均值为0.89；视窗均值最小的为吉林，仅为0.21。DEA视窗效率值较高(0.70～1.00)的地区包括北京、天津、上海、江苏；效率值中等(0.60～0.70)的地区包括浙江和广东；效率值较低(0.60以下)的地区包括宁夏、福建、云南等23个地区。

从动态变化趋势看，中国金融业效率各视窗的全国均值，在2011—2013年和2014—2016年有小幅下降，但整体呈增长趋势。从标准差可以看出，中国不同地区在同一视窗的效率值标准差较大，均超过0.10，说明中国省际金融业效率值差异较大。以视窗2007—2009年为例，效率值最大的天津为0.95，而效率值最小的西藏仅为0.12，标准差达到0.25。相对于不同地区金融业效率值的差异而言，同一地区、不同时间视窗效率值的标准差大多大于0.10，仅河北、辽宁、吉林、黑龙江、上海、安徽、福建、山东、湖南、陕西、甘肃的标准差不大于0.10，且大多数地区在15年中金融业效率都呈增长趋势。从时间的变化趋势来看，以往采用传统DEA方法评价金融业效率时，东部一些发达地区在截面数据评价中始终排在前面，如北京；采用DEA视窗分析时，发现北京金融业效率和自身相比有所下降，而中西部部分地区的金融业效率处于不断上升中，如山西和重庆。

为了对中国金融业效率进行宏观分析，笔者将中国各省市自治区划分为东部、中部、西部和东北4个区域，计算得到2004—2018年不同区域金融业投入产出效率均值，如表4所示。从表4可以看出，东部、中部、西部和东北在同一视窗的效率值标准差较大，说明区域之间金融业效率存在较大的差异性。东部地区多为沿江沿海城市，经济比较发达，金融业效率最高；西部地区金融业效率高于中部地区，东北地区金融业效率最低。

表4 2004—2018年不同区域金融业投入产出效率均值

2.3 中国省际金融业效率的空间关联网络特征

(1)空间分布格局。笔者使用空间数据分析方法，运用ArcGIS软件，分别以2004—2006年DEA视窗值和2015—2017年DEA视窗值为时间基点，采用自然断点法将我国29个省市自治区划分为5类，具体如图1和图2所示(注：贵州由于数据缺失为空值)。结合图1和图2可以看出，中国省际金融业效率存在显著的空间非均衡特征。2004—2006年，中国金融业效率较好的地区主要集中在东部沿江沿海经济发达地区，如北京、上海、江苏、浙江、山东和福建。2015—2017年，中国金融业效率空间非均衡性有所缓解，中西部地区金融业效率逐步提高，如山西和重庆，同时东部个别省份由于规模报酬递减，金融业效率开始下降，如浙江和山东。

图1 2004—2006年中国省际金融业效率空间格局

图2 2015—2017年中国省际金融业效率空间格局

(2)空间整体网络特征。根据VAR格兰杰因果检验方法，得到我国省际金融业效率的空间关联关系，并建立空间关联矩阵。将空间关联矩阵代入到Ucinet软件中，计算得到中国省际金融业效率空间关联关系总数为193，整体网络密度为0.23，说明中国省际金融业效率具有空间关联关系，但紧密程度不高。因此，中国省际金融业效率之间的空间关联关系还有待加强。

此外，笔者利用网络关联度、网络等级度和网络效率来衡量中国省际金融业效率空间关联的网络关联性。其中，网络关联度为1，表明中国各省市自治区之间的金融业效率具有较好连通性，存在空间关联和溢出效应。网络等级度为0.902，说明中国金融业效率的空间关联网络在各地区之间存在明显的等级性，且各地区之间的溢出效应是非对称的；在空间关联网络中，金融业发展快的地区处于主导地位。网络效率为0.201，表明中国省际金融业效率的空间溢出路径较多且相互层叠，网络的稳定性较强。

(3)中心性分析。笔者运用Ucinet软件，采用社会网络分析方法中的度数中心度、中间中心度和接近中心度，测度金融业效率空间关联网络的中心性，具体结果如表5所示。由表5可知，度数中心度均值为40.64，高于平均值的地区有13个，超过均值且全国排名靠前的地区有西藏、河南、四川、青海、天津，说明在中国省际金融业效率空间网络中，上述地区的网络关系总数较多。其中，西藏(点出度1，点入度19)、天津(点出度9，点入度13)受益关系明显大于溢出关系，表现出明显的净受益特征；四川(点出度16，点入度4)、青海(点出度11，点入度9)溢出关系明显大于受益关系，表现出明显的净溢出效应。

表5 中国省际金融业效率空间关联的网络中心性分析

中间中心度均值为63.28，高于平均值的地区有13个，超过均值且全国排名靠前的地区同样是西藏、河南、四川、青海、天津，说明这些地区对空间关联关系的形成起“桥梁”和“传导”作用，对整个网络的形成具有较强导控能力，是网络中的关键节点。

接近中心度均值为2.20，高于平均值的地区有11个，超过均值且全国排名靠前的地区也同样是西藏、河南、四川、青海、天津，说明这些地区在空间关联网络中与其他地区之间的距离较短，能够与其他地区快速发生关联，在网络中具有“发动机”作用。

(4)空间聚类分析。笔者使用Ucinet软件，基于块模型，采用CONCOR方法，选择最大分割深度为2、集中度为0.2的标准，将中国29个省市自治区划分为4个板块。其中，第一个板块包括北京、河南、河北、山西、广东、湖南、重庆、陕西8个地区；第二个板块包括广西、福建、江西、上海、青海、宁夏6个地区；第三个板块包括江苏、天津、黑龙江、山东、浙江、西藏、云南7个地区；第四个板块包括安徽、内蒙古、湖北、四川、甘肃、辽宁、吉林、新疆8个地区。

金融业效率空间关联板块的溢出效应如表6所示，可以看出4个板块在金融业效率空间关联网络中的位置。第一板块中接收板块内的关系数为19，接收板块外的关系数为36，向板块内发出的关系数为19，向板块外发出的关系数为47，发出的总关系数为66，期望内部关系比例为25%，实际内部关系比例为29%，属于“双向溢出板块”，该板块既接收关系，又发出关系，对板块内外均产生溢出效应。第二板块中接收板块内的关系数为5，接收板块外的关系数为27，向板块内发出的关系数为5，向板块外发出的关系数为32，发出的总关系数为37，期望内部关系比例为18%，实际内部关系比例为14%，属于“净溢出板块”。第三板块中接收板块内的关系数为10，接收板块外的关系数为39，向板块内发出的关系数为10，向板块外发出的关系数为29，发出的总关系数为39，期望内部关系比例为21%，实际内部关系比例为26%，属于“净受益板块”，该板块的特点在于接收其他板块的关系数明显高于向其他板块发出的关系数。第四板块中接收板块内的关系数为7，接收板块外的关系数为40，向板块内发出的关系数为7，向板块外发出的关系数为34，发出的总关系数为41，期望内部关系比例为25%，实际内部关系比例为17%，属于“经纪人板块”，在空间关联结构中扮演中介和桥梁作用。总体来看，中国省际金融业效率板块之间具有空间梯度溢出特征，存在空间异质性和依赖性。

表6 金融业效率空间关联板块的溢出效应

此外，笔者还计算了中国省际金融业效率各板块的网络密度矩阵。由于中国省际金融业效率的整体网络密度为0.23，如果一个板块的网络密度高于0.23，说明该板块的网络密度大于总体平均水平，那么这个板块具有集中趋势。将网络密度大于0.23的板块赋值为1，小于0.23的板块赋值为0。根据这个规则，可将多值密度矩阵转化为像矩阵，具体如表7所示。从表7可看出金融业效率在各板块的溢出效应及各省市自治区之间金融业效率流动的传导机制。其中，第一板块不仅存在自身内部的关联关系，还接收来自第四板块的溢出，且对第三板块、第四板块产生溢出效应。

表7 中国省际金融业效率空间关联板块的密度矩阵和像矩阵

3 中国省际金融业投入产出空间关联网络的影响因素分析

笔者采用非线性二次指派程序(QAP方法)，对中国省际金融业效率空间关联结构的影响因素进行分析。

3.1 QAP相关性分析

QAP相关性分析是以矩阵置换为基础，通过重复抽样方式，对两个方阵中每个格值进行两两相似性比较，进而计算出矩阵间的相关性系数，并进行非参数检验。笔者选择10 000次随机抽样，得到金融业效率与影响因素的QAP相关性分析结果，如表8所示，相关系数越大，说明对应因素对金融业效率的影响越大。从表8可以看出，人力资本、对外开放程度、产业结构、政府支持对金融业效率的空间关联相关系数在1%的水平下显著，经济发展程度对金融业效率的空间关联相关系数在5%的水平下显著，且都具有正向影响。

表8 空间关联影响因素的相关性分析

进一步对影响因素进行QAP相关性分析，结果如表9所示。由表9可知，一些影响因素之间存在相关关系(如经济发展程度与人力资本、对外开放程度与政府支持)，说明可能存在多重共线性问题，因此，采用QAP方法进行回归分析。

表9 影响因素间的QAP相关性分析

3.2 QAP回归分析

运用QAP回归分析，得到我国省际金融业效率空间关联影响因素的分析结果，如表10所示。经过10 000次随机抽样，计算出调整后的R2为0.745，说明经济发展程度、人力资本、对外开放程度和产业结构大致可以解释中国省际金融业效率空间关联网络结构变化的74.5%。由表10可知，经济发展程度、人力资本、对外开放程度的回归系数分别为0.70、-0.54、0.47、0.22，且均通过显著性检验，说明经济发展程度、人力资本、对外开放程度和产业结构差异影响中国省际金融业效率的空间关联结构。其中，经济发展程度、对外开放程度和产业结构地区间差异越大，金融业效率关系越强；人力资本地区间差异越小，金融业效率关系越强。在QAP回归分析中，政府支持的回归系数没有通过显著性检验，说明政府支持的省际差异不能显著影响中国省际金融业效率空间关联结构的形成。

表10 空间关联影响因素的回归分析

4 结论

笔者基于静态DEA模型和动态DEA视窗模型，分析了中国省际金融业效率；通过VAR格兰杰因果检验，构建了中国省际金融业效率的空间关联网络矩阵，并采用社会网络分析法和QAP方法研究了中国省际金融业的空间关联结构特征和影响因素。结果表明：①中国省际金融业效率2004—2018年呈现增长趋势，但DEA综合效率值和视窗效率值总体不高，同时大部分省市自治区存在投入冗余和产出不足问题。金融业效率最高的区域为东部沿江沿海经济发达地区，东北地区效率最差。②从空间格局来看，中国省际金融业效率存在显著的空间非均衡特征，但随着经济的发展，东西部地区金融业效率差异逐渐缩小，南北部地区金融业差距依然存在，并呈现逐渐增大的趋势。③从整体网络的特征看，中国省际金融业效率呈现出显著的空间关系，金融业发展快的地区在网络结构中处于主导地位；从中心性的结果看，度数中心度、中间中心度和接近中心度均排名前列的地区，表现出较强的净受益特征和溢出效应；从空间聚类结果看，板块之间具有明显的梯度溢出特征，存在空间异质性和依赖性。④从QAP分析结果看，经济发展程度、人力资本、对外开放程度和产业结构对金融业效率具有显著的正向影响，同时有利于空间关联网络结构的形成，而政府支持的影响相对有限。

本研究的贡献主要体现在：①基于静态和动态相结合的方法，测算金融业效率。已有投入产出效率研究主要集中在两方面，一是忽视时间因素的作用，仅研究横截面的效率；二是考虑时间因素，对效率值进行纵向分析，缺乏横向对比研究。笔者采用传统DEA模型测算横向静态的效率指数，揭示不同地区间金融业效率的差异，再选用DEA视窗模型测算不同地区金融业效率在时间序列上的变化趋势，以实现动态和静态方法的结合。②基于“关系数据”的省际金融业效率空间关联结构分析。已有研究大多利用传统的计量经济学模型，采用时间序列或面板数据，研究省际金融业效率在时间或空间维度上的特征，且多将研究样本当作独立个体进行分析，没有考虑相邻区域之间的相关性。笔者基于“关系数据”，采用空间数据分析方法和社会网络分析方法，研究金融业效率空间关联结构及相关影响因素。

此外，我国省际金融业效率的空间关联结构是一个复杂多变的系统，进一步研究其时空格局演变特征和动态网络是非常必要的；同时，国内理论界对金融业效率的研究方法和结论，还缺乏比较一致的看法，因此改进金融业效率的分析技术，探索更加客观的评价体系，是未来研究的课题之一。