长三角城市金融资源配置效率测度及影响因素——基于DEA-Tobit模型的分析

方大春，郭燕梅

(安徽工业大学 商学院，安徽 马鞍山 243032)

一、引言

我国正处在经济由高速增长转向高质量发展的关键时期，金融资源配置效率影响经济结构均衡性和实体经济发展。优化金融资源配置效率、提升金融服务实体经济的能力成为经济转型的关键。长三角地区作为我国在经济发展中最活跃、最开放和最具创新性的地区之一，它在国家现代化建设和全面开放的总体框架中占据着至关重要的战略地位。长三角金融资源的均衡配置有利于推进区域经济的一体化发展和实现长三角一体化的国家战略目标。因此，以长三角地区金融资源配置效率及其影响因素为对象进行探讨，对于促进长三角地区经济高质量和一体化发展具有重大的实际意义。

长期以来，我国主要按行政区域划配置资源，金融资源在区域间高效配置中存在障碍，不利于区域一体化的发展(金鹏辉，2020)。韩大海、张文瑞、高凤英(2007)认为，区域金融资源配置包括金融资源配置的数量和效率两方面内容，前者是指金融资源空间布局的数量，后者是指区域金融功能的发挥程度。崔建军(2012)通过对我国东、中、西部地区2008年金融资源及其配置效率进行分析后发现金融资源使用效率与金融资源占有份额并不匹配。安强身、姜占英(2015)研究发现在金融资源配置效率高的年份，一般都伴随着经济的高速增长，而金融资源配置效率低的年份也带来了经济增长的放缓[1-5]。

在效率测算方面，李明贤、向忠德(2011)采用投入产出法来建立农村金融资源配置效率的模型对中部地区农村金融资源配置效率进行研究。余霞民(2016)采用资本配置效率模型对长三角金融资源配置效率进行研究。杨友才、王希、孙亚男(2019)采用基于面板的广义DEA方法对金融资源配置效率进行测算。林进忠、蓝丽娇(2019)构建DEA模型测算福建省金融配置效率值并选用Malmquist指数进行动态效率研究。常海娇(2016)借助DEA-Tobit模型，对影响山东省金融效率值和影响因素进行实证分析[6-12]。

综上所述，尽管学者从各个角度利用不同方法对金融资源配置效率进行测算，但对于金融资源配置效率与影响因素之间的相关性研究较少。鉴于此，本文综合运用DEA模型和Malmquist指数模型，从静态和动态两个方面对长三角金融资源配置效率进行研究，再根据Tobit回归模型探究其影响要素，从而为长三角地区的经济发展提供建议。

二、模型设计

1.Dea模型

Dea模型即数据包络模型，最先由美国的 Charnes、Cooper 和 Rhodes 三人于 1978年研究提出的。它是利用线性规划方法决策具有多个投入和多个产出指标同类型部门间相对有效的一种非参数方法。该方法分为规模收益不变的 CCR 模型和规模收益可变的BCC模型，鉴于金融资源配置中相对能够容易控制投入，决定采用产出导向的规模收益可变模型，即BCC模型：

Minθ

(1)

λj≥0,J=1,……，n.

其中,xij表示第j个城市第i个投入指标；yrk表示第j个城市第r个产出指标；θ(0≤θ≤1)表示决策单元的综合技术效率；λ是决策单元的线性组合系数。

2.Malmquist指数模型

Malmquist指数模型最初是由瑞典经济学家Malmquist(1953)[13]提出的，之后Fare(1994)[14]等人将这一理论与DEA模型结合起来使得这一指数模型广泛应用于测算生产效率。Malmquist指数模型可以分析不同决策单元在不同时期的效率变动情况，而DEA模型是一种静态分析，Malmquist指数模型与DEA模型结合正好可以弥补这一缺点。Malmquist指数模型如下：

(2)

(3)

采用t时期和t+1时期指数的几何平均值，得到两时期生产率变化的Malmquist指数模型：

M0(xt,yt,xt+1,yt+1)=

(4)

公式(4)可变形为：

(5)

综合技术效率(EFFCH)=

(6)

技术进步率(TECHCH)=

(7)

综合技术效率分解成纯技术效率(PECH)和规模效率(SECH)，所以Malmquist指数模型的最终公式为M0(xt,yt,xt+1,yt+1)=PECH×SECH×TECHCH.

(8)

3.Tobit模型

由于DEA计算出的效率值都大于0，数据会出现截断。若用普通最小二乘法，选取DEA模型测算出来的效率值作为因变量做回归模型，得到的结果会出现误差，通常采用Tobit模型，其函数形式为：

(9)

三、指标选取及数据来源

1.指标选取

投入指标从资本投入、人力资源投入来考虑，资本投入用长三角地区金融机构贷款余额表示，人力资源投入是长三角各城市金融业从业人数。产出指标用长三角各城市金融业增加值来表示。表1列出了具体的指标选取。

表1 金融资源配置效率测算指标

2．数据来源

根据《长江三角洲区域一体化发展规划纲要》，基于绍兴金融业增加值数据的缺失，选择上海、南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州、杭州、宁波、嘉兴、湖州、绍兴、金华、舟山、台州、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城25个城市作为此次研究的长三角城市群。数据来源于2012年-2017年的《上海统计年鉴》《江苏省统计年鉴》《浙江省统计年鉴》《安徽省统计年鉴》以及各城市的统计年鉴。

四、实证研究结果与分析

1.基于DEA模型金融资源配置效率静态分析

本文通过Deap2.1软件对长三角地区25个城市2012年-2017年的金融资源效率值进行测算，测算结果省略，仅列出来均值情况，如表2。

表2 长三角城市2012年-2017年金融资源配置效率均值

综合技术效率(crste)反映的是金融资源配置效率，它代表的是在各城市金融资源投入量一定的情况下实际产出量与能达到的最大产出量之间的差值，衡量投入的金融资源是否充分发挥作用。规模效率(scale)指的是实际规模与最优生产规模之间的距离。纯技术效率反映了一个地区或企业的管理能力、制度的运行能力和技术的运用能力。综合技术效率(vrste)=纯技术效率×规模技术效率。对于效率值而言，值的大小越接近于1表明效率越好，效率值等于1表明DEA有效。

通过计算得出如下结果：

第一，2012年-2017年长三角所有城市的综合技术效率值均值都小于1，均为非DEA有效，金融资源配置效率欠佳，金融资源利用率并非最优或者投入不足。其中，上海的纯技术效率值等于1，但规模效率值小于1，说明金融资源配置纯技术有效，造成上海金融资源配置非DEA有效的原因与规模效率有关。上海除2012年和2013年综合技术效率值分别为0.894、0.956外其他年份都为1，并且这两年纯技术效率都为1，说明2012年和2013年上海的资源投入可能不足，满足不了市场的需求。

第二，从纯技术效率来看，杭州、宁波、嘉兴、湖州、金华、舟山、台州、合肥、芜湖、马鞍山、安庆、滁州、宣城的值都低于平均值。从规模效率来看，舟山、马鞍山、铜陵、安庆、滁州、池州、宣城的值都低于平均值。这些城市在综合效率排名中排名靠后，金融资源配置结构有待提高。

2.基于 Malmquist指数模型金融资源配置效率动态分析

利用deap2.1软件计算结果如表3、表4。

表3给出不同年份长三角地区Malmquist指数(全要素生产率)及其分解的变化，总体来看：

表3 长三角地区城市各年份Malmquist指数及其分解

第一，2012年-2017年长三角地区25个城市全要素生产率均值为1.030，平均增长率为3%，呈递增状态。

第二，从年均增长率的分解角度，技术进步率的年均增长率为4%，说明生产效率的提高主要是基于技术进步的拉动，规模效率的年均增长率仅为0.7%，对Malmquist指数的年均增长率拉动作用很小。纯技术效率平均值小于1，表明造成长三角城市全要素生产率增长的原因是技术进步的提升而不是技术效率的提高。

第三，分时期来看，2012年-2013年TFP的值是研究期内最低的一年，主要受规模效率降低的影响。2013年-2014年、2014年-2015年、2015年-2016年Malmquist指数都大于1，TFP均为正增长，说明这三个期间金融资源利用效率都是提升的，2015年-2016年的增长率最高。2016年-2017年Malmquist指数下降主要是综合技术效率下降所导致的，说明金融资源的投入没有得到合理利用，配置结构存在问题，金融体系不健全。

表4是长三角不同城市Malmquist指数及其分解的结果，综合来看：

表4 长三角各城市Malmquist指数及其分解均值

第一，2012年-2017年大部分城市的全要素生产率都大于1，处于增长状态，主要依赖于技术进步的拉动。

第二，分省份来看，安徽省各城市Malmquist指数均大于或等于1，配置效率整体情况最好，由表3可知平均增长率为22.1%。江苏省除常州和盐城外其他城市全要素生产率都处于增长态势，Malmquist指数的均值为1.024，处于正增长。浙江省金融资源配置效率整体情况最差，除台州外，其他城市Malmquist指数呈现负增长，主要受纯技术效率影响，说明浙江省金融资源配置结构较差，技术应用和金融市场管理能力不足。

第三，在研究的25个城市中芜湖的Malmquist指数最高，平均增长率为16.2%。金华的Malmquist指数最低，下降了10.1%,主要是纯技术效率下降导致的，即金融市场管理水平出现问题。从Malmquist指数的分解来看，长三角城市2012年-2017年技术进步率均大于1，表明技术进步对金融资源的利用和配置具有促进作用。

3.基于Tobit模型金融资源配置效率影响因素分析

为了进一步研究影响长三角城市金融资源配置效率的因素，选取前文DEA测算结果中各城市的综合技术效率作为因变量，综合社会、经济、政策方面的考虑，选取如下解释变量：(1)经济发展程度(ECO)，用各城市的人均GDP与长三角人均GDP的比值来表示。(2)政府干预程度(GOV)，用各城市地方政府各年的财政支出占当年的地方生产总值的比重来反映。(3)消费水平(CON)用各城市当年社会消费品零售总额占地区生产总值的比重来衡量。(4)产业结构(IND)，用各城市第三产业产值与各城市生产总值的比值来表示，以反映各地区产业结构水平。结合影响因素指标的选取构建如下Tobit回归模型：

Yti=β0+β1ECO+β2GOV+

β3CON+β4IND+μi+εti.

(10)

其中：i表示城市，t表示时间，Yti表示第i个城市第t年的金融资源配置效率；β0为截距项；β1～β4I为解释变量的回归系数。

对表5的结果分析如下。

表5 长三角城市金融资源配置效率影响因素的Tobit回归结果

第一，各城市的经济发展程度在1%的显著性水平上与金融资源配置效率呈正相关关系，回归系数为-0.1805，说明由于资本种类多、规模大，长三角经济发展程度高的城市金融资源利用率低，没有达到最优效果。因此，经济发展水平高的城市反而对金融资源配置效率没有促进作用。

第二，政府的干预程度与金融资源配置效率呈显著的负相关关系，回归系数为2.5618，说明地方政府的干预会抑制金融资源的配置效率，地方政府各年的财政支出占当年地方生产总值的比重的提高反而会降低金融资源配置效率。

第三，产业结构的回归系数为1.4534，说明产业结构与金融资源配置效率在1%的显著性水平上有明显的正相关关系，第三产业占比每提高1%将促进金融效率增加1.4534%。能够看出，第三产业GDP占比越高，产业结构优化程度越高，从而促进金融资源配置效率。

五、结论与建议

通过 DEA 模型及Malmquist 指数分解法对长三角城市2012年-2017年的金融资源配置效率进行评价研究，并在此基础上利用tobit回归对影响长三角城市金融资源配置效率的因素进行研究，研究结论如下：

第一，从静态分析来看，长三角城市总体的金融资源配置为非DEA有效，整体金融资源投入的实际产出与生产可能性曲线的距离较远，资源配置水平不高。各城市金融资源配置效率的差异悬殊，杭州、宁波、金华、舟山、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城的综合技术效率值都均低于平均值，其中安徽省的综合技术效率值均低于平均值。可以发现比较发达的城市大多金融资源配置有效，完善的金融市场运行制度和雄厚的经济基础对于资源的配置具有推动作用。

第二，从动态分析来看，长三角城市全要素生产率总体呈增长态势，从年均增长率的分解角度，配置效率的提高主要是基于技术进步的拉动，规模效率的年均增长率为0.07%，对Malmquist指数的年均增长率的拉动作用不是很明显。

第三，基于Tobit回归结果发现，长三角城市服务业发展水平对金融资源配置效率提升有显著促进作用，政府干预程度高和经济水平较高不利于金融资源配置效率提升。经济水平较高城市由于资本规模大、种类多可能会造成金融资本错配，对金融资源配置效率有抑制作用。

根据上述结论，本文提出如下建议：一是引导金融资本优化配置。政府应给予落后城市政策性支持，引导金融资本流向相对落后城市，提高金融资源配置效率。二是加强技术创新，提高技术进步对金融资源配置效率的拉动作用。三是加快地方政府职能转变，减少政府对金融资源配置化机制的干预，改善金融生态环境。四是加快推进服务业发展，调整产业结构失衡，加快产业结构优化升级。