金融集聚与城市经济效率：基于城市群视角的实证

王 韧，宋爽爽，段义诚，张奇佳

（1.首都经济贸易大学金融学院，北京 100007；2.重庆工商大学金融学院，重庆 400067）

0 引言

城市群是承载发展要素的主要空间形式，金融集聚是区域协同发展的重要支撑，提升城市经济效率则是区域高质量发展的关键一环。理论上，金融集聚能通过外部溢出效应、创新竞争效应和规模经济效应来推动区域资源的优化配置，进而对城市经济效率产生正向影响；但同时也会引发中心城市的金融泡沫化和产业空心化风险，并产生对边缘地区和企业的“金融排斥”效应，进而形成逆向效率冲击，由此存在实际影响层面的动态和非线性特征。由此，从城市群这一特定空间载体出发，系统梳理金融集聚对城市经济效率的空间影响及其异质性特征，具有重要理论价值和现实意义。

新经济地理学将集聚定义为经济活动在空间上的集中和聚合，金融集聚不仅指金融机构在特定区域形成的静态产业空间组织，还泛指金融资源和产业在一定空间范围内转向地域密集分布的动态过程[1]。金融集聚的测度大致包括单一指标和综合指标两种方法，单一指标法多使用基于金融部门从业人数占比或金融业总产值占比的区位熵方法；相比之下，更契合金融体系复杂性特征的综合指标法逐渐受到关注，但考虑到该方法所涉及的次级指标较多，数据的可得性及有效性难以保证，加之指标选取存在一定主观性，因而相较于单一指标法，该方法在具体实践中存在一定的适用性局限。

对于城市经济效率，国外文献多使用劳动生产率指标刻画[2]；国内研究则更强调城市投入要素的配置效果[3]。鉴于城市经济效率反映了城市经济活动中各项资源的有效利用程度，从投入-产出视角探讨更为合适。测算方法上，面向“多投入-多产出”系统的数据包络分析（DEA）在研究城市效率方面具有较强适用性[4,5]，Andersen 和Petersen（1993）[6]提出了超效率模型以克服传统DEA 有效决策单元效率值最高为1 的局限；俞立平等（2006）[7]对中国城市经济效率进行了初步测度。指标选择上，李江苏等（2017）[8]以供水总量、全年用电量、建成区面积作为资源投入指标，以城镇固定资产总投资、科技财政支出经费、单位从业人员总数作为资本、技术、劳动力投入指标，以人均GDP、第三产业比重、财政收入作为城市经济产出指标，以职工平均工资、第三产业从业人员比重、医院和卫生院床位数作为社会产出指标，以工业固体废物综合利用率、建成区绿化覆盖率作为环境产出指标，并进行了城市经济效率测度。

关于金融集聚对城市发展的空间效应，徐晔和宋晓薇（2016）[9]发现金融集聚具有明显的空间外溢性；曹鸿英和余敬德（2018）[10]的研究显示金融集聚能通过空间地理的辐射作用带动周边经济发展。此外，金融集聚空间效率影响的非线性特征也渐受关注，Zhao等（2017）[11]发现金融集聚的程度和阶段会对城市效率形成非线性冲击；袁华锡等（2019）[1]发现金融集聚对绿色发展效率的空间溢出效应呈现“梯度式”增强。

现有文献虽围绕金融集聚和城市经济效率的统计测度及空间关联展开了诸多探索，但聚焦城市群及其异质性比较的研究并不多见，对具体影响机理的梳理也相对缺乏。本文结合国内十大典型城市群的样本数据，通过基于区位熵模型的金融集聚水平测度、基于超效率DEA 的城市经济效率测算，以及多维度的空间计量分析，全面梳理金融集聚对城市经济效率的空间溢出效应，并在不同空间模式（单核或多核集聚）和不同区域特征下对其异质性特征做进一步诊断，有助于区域协同高质量发展。

1 样本、指标及测算方法

1.1 研究样本选择

为保证样本完整性并控制误差，选取样本时间范围为2008—2021 年。样本选取了国内具有代表性的十大典型城市群，包括长三角、京津冀、珠三角、成渝、长江中游、山东半岛、海峡西岸、辽中南、中原、关中平原城市群，以保证样本全面性。最终确定的研究对象覆盖162 个城市共计2268 个样本值。对于个别缺失数据，也依据邻近年份指标数值的趋势外推进行补足。数据来源于《中国城市统计年鉴》、国家统计局官网及各城市统计公报。

1.2 城市经济效率测算方法

考虑到城市经济运行的多投入、多产出特征，本文借鉴Andersen 和Petersen（1993）[6]提出的超效率DEA 模型，具体公式为：

其中，K代表评价单元数量，N、M为投入和产出要素个数，xnk和ymk表示评价单元的投入和产出集。借鉴相关文献，投入指标包括资本存量、劳动投入（年末单位从业人员数）、能源投入（供水总量和全年用电量）、土地投入（建成区面积）、教育投入（科教支出）；产出指标用各城市GDP 表示。各城市资本存量数值依据永续盘存法计算，Kit=(1-δ)Kit-1+Iit/Pt，其中，Kt和Kt-1分别表示t和t-1期的资本存量；δ是折旧率，依据张军等（2004）[12]的估算设定δ=9.6%；I是投资额，用全社会固定资产投资额衡量；P是固定资产投资价格指数，借鉴薛桂芝（2018）[13]的方法，以各城市所在省份的固定资产投资价格平减指数衡量。基期资本存量计算借鉴Young（2000）[14]的方法，将初始资本存量设为基年全社会固定资产投资额的10%得到，产出变量通过对各城市GDP及所在省份的价格指数平减得出。

1.3 金融集聚衡量

鉴于数据的可得性及有效性，本文借鉴现有文献的通用做法，采用区位熵模型来测度城市金融集聚程度，该种方法不仅可以有效消除地区差异带来的内生性冲击，还能在一定程度上克服以主成分分析法为代表的综合指标分析法在指标选取上的主观性。具体测度方式为（地级市金融从业人员/地级市年末单位从业人员）/（全国金融从业人员/全国单位从业人员）。

2 模型选择

邻近地区空间单元的经济地理现象或某一属性值往往高度相关[15]，为准确刻画金融集聚和城市经济效率的空间关联，本文进行了空间相关性检验，按SEM、SLM、SDM的顺序进行模型选择。步骤如下：第一，确定空间权重矩阵，通过莫兰指数判断是否存在空间自相关；第二，依据Anselin 等（1996）[15]的判断准则，确定是使用SEM 还是SLM；第三，综合豪斯曼、LR、Wald 检验来确定SDM 适用性，最终选择合适的模型形式。

2.1 空间相关性识别

考虑到基于地理位置相邻的空间权重矩阵在城市层面赋权较复杂，且未考虑地理距离和经济发展水平差异；而经济距离矩阵在采用面板数据时存在时间差距，且经济距离随时间变化，相对而言更不稳定。这里选取基于地理距离的空间矩阵进行全局空间自相关检验，计算样本城市群的金融集聚水平和城市经济效率的Moran’s I。测算结果见表1。表1显示样本城市金融集聚和城市经济效率在大部分年份都存在明显空间正相关性，其中金融集聚空间相关性存在明显的时间趋势，2008—2012 年逐渐显现，后续始终保持显著的相关性，区域间金融要素联动的逐步推进总体上符合金融体系发展规律。

表1 金融集聚和城市经济效率的空间相关性（莫兰指数检验）

进一步进行局部空间自相关检验，绘制局部Moran散点图，如下页图1、图2 所示。样本城市群的金融集聚（城市经济效率）存在显著空间依赖性和空间异质性。如第一象限的城市，金融集聚水平（城市经济效率）较高且被高水平的周边城市包围，说明地理空间分布上呈现空间依赖关系；第四象限的城市，金融集聚水平高却被低水平的周边城市包围，说明存在地理空间上的异质性。

图1 金融集聚水平莫兰指数

图2 城市经济效率莫兰指数

2.2 空间模型适用性检验

为了选择最适用的空间计量模型，有必要展开相关的适用性检验。

首先是LM检验，如果LM（lag）比LM（error）更显著，且Robust-LM（lag）较Robust-LM（error）不显著，那么适合采用空间滞后模型（SLM）；反之为空间误差模型（SEM）。检验结果显示总体LM（error）、Robust LM（error）、LM（lag）均通过了1%水平上的显著性检验，Robust LM（lag）通过了5%水平上的显著性检验，表明模型存在显著空间自相关，SLM和SEM同时成立，但无法判断哪个更优，故选择更广泛的SDM做进一步诊断。

其次是Wald 检验，验证SDM 是否可能退化为SLM、SEM，检验结果显示Wald检验P=0.00，均拒绝原假设且通过1%水平上的显著性检验，说明SDM 拒绝退化为SLM、SEM。

最后是LR检验。结果显示两次LR检验都在1%的水平上拒绝原假设，再次验证了SDM不能简化为SLM、SEM。同时相较于SAC 模型，SDM 的信息准则值更小，而AIC 和BIC信息值越小则模型的拟合度越好，故SDM优于SAC。

综合以上分析，SDM 更具适用性。此外，还用Hausman检验确定应使用固定效应模型还是随机效应模型，发现在1%的水平上拒绝随机效应原假设，因此应选择固定效应模型。

3 模型设定与基准回归结果

3.1 模型设定与指标选择

综合前文的检验结果，构建如下形式的SDM模型：

其中，TEit表示城市i在时间t的经济效率；FAit表示对应的金融集聚水平；Zit为控制变量；wij为地理距离空间权重矩阵；ui控制个体差异；γt控制时间差异；εit为空间扰动项；ρ表示空间溢出强度；β1、β2表示直接影响系数；θ1、θ2表示对应的空间影响系数。

控制变量方面，参考相关文献选取以下指标：（1）政府支持（Gov），用政府支出与地区生产总值之比衡量，政府支持既能推动城市建设，也存在挤出效应，如果成本负担和挤出效应集中于本地，基础设施又有正外部性，那么可能存在负向直接效应和正向间接效应；（2）开放程度（Open），用城市实际外资利用额（以该年美元汇率折算）占GDP比重衡量，外资虽有资金、技术和经验溢出，但引资也会耗费资金和政策资源，其最终影响有待观察；（3）工业化率（Ind），用工业增加值与地区生产总值之比衡量，因为国内工业领域的产能过剩，可能拖累经济效率表现；（4）环境规制（Use），用城市政府工作报告中环保词频数占比来衡量，环境规制越严格，越有利于推动地区产业转型与企业创新，预期对效率的影响为正；（5）研发潜力（Tec），以地区专利授权数对数来衡量，预期其影响为正；（6）教育人力资本（Edu），用高等院校学生人均拥有教师数衡量，有助于提升劳动力素质并推动效率提升，预期影响为正；（7）交通设施状况（Car），用每万人实有公共汽（电）车营运车辆数表征，交通状况有助于要素流动，但也可能形成拥堵效应，最终影响有待甄别；（8）固定资产投资（Fixast），用年度固定资产投资总额与地区总产值之比表示，固定资产投资有助于拉动区域经济增长，但也和工业发展相关联并可能造成城市拥挤效应，对城市经济效率的影响存在两面性，最终效果需综合判定。

3.2 基准回归与结果比较

为方便对比总结，先展示了普通面板模型的OLS回归结果，具体如表2所示。

表2 基于普通面板模型的OLS回归结果

表2 显示，核心解释变量系数为正且通过1%水平上的显著性检验，但平方项回归系数显著为负，说明金融集聚对城市经济效率存在积极效应，但影响机制呈现“倒U”型非线性特征。

进一步基于SDM 模型进行空间面板回归，结果见下页表3。表3分别展示了金融集聚水平的直接效应和间接效应。

表3 金融集聚水平对城市经济效率的SDM回归结果

LeSage 和Pace（2009）[16]指出用点估计判定是否存在空间溢出效应可能存在偏差；Lee和Yu（2016）[17]指出SDM模型可能存在自身识别问题，可能会导致空间回归估计的显著偏差。因此，空间溢出效应诊断还依赖于变量变化的偏微分解释。

依据表4的分解结果，由于双向固定效应模型的对数似然函数值与时点固定效应模型以及个体固定效应模型相比最大，而基于两个信息准则的数值最小，因此可以设定面板空间杜宾模型的双向固定效应模型为最优模型，据此展开空间效应分解和变量影响分析。

表4 基于双向固定效应SDM模型的空间效应分解结果

基于双向固定效应SDM 的空间效应分解结果表明，金融集聚对城市经济效率仍然呈现显著的“倒U”型影响且保持高稳健性；且直接效应、间接效应及总效应均显著为正，说明城市群范围内的金融集聚不仅可以正向驱动当地城市经济效率提升，还能带动周边城市效率提升；而间接效应系数显著高于直接效应说明金融集聚对城市经济效率的影响存在明显空间溢出。值得关注的是，平方项的直接效应系数和间接效应系数显著为负，进一步印证了样本城市群内部金融集聚与城市经济效率的“倒U”型关系，这意味着城市群范围内适度的金融集聚有助于促进城市经济效率提升，但金融资源过度集聚则会对城市经济效率形成负向影响。

控制变量的估计结果基本和预期一致，限于篇幅，未详细展示。总体而言，基准回归验证了金融集聚对城市经济效率的正向影响和空间溢出效应，且具有“倒U”型特征，即只有适度的金融集聚才能促进效率提升，有必要基于城市群差异进行进一步的异质性分析。

4 异质性分析

4.1 城市群模式和地域分组

鉴于不同城市群发展模式不尽相同，如成渝城市群的“双核驱动”、珠三角城市群的“多核联动”、长江中游城市群的“多核发散”，为有效控制不同城市群间现实差异的干扰，基于SDM模型进一步进行异质性分析。

进一步对GDP指标进行标准化处理后作为经济中心度的代理指标，并据此对样本进行分类：单核城市群包括中原、关中平原、辽中南、海峡西岸、山东半岛城市群；多核城市群包括京津冀、长三角、长江中游、珠三角、成渝城市群。表5 的列（1）和列（2）显示：多核城市群组别t 统计量均大于单核城市群，同时在总效应中多核城市群金融集聚的“倒U”型影响更加显著，而单核城市群一次项和二次项均不显著，说明单核集聚更易产生过度集聚和“大城市病”问题。

表5 基于城市群模式和地域的异质性检验结果

列（3）和列（4）为基于地域划分的分组回归结果，东部城市群金融集聚呈现“倒U”型影响，但二次项t 统计量小于一次项；同时中西部城市群金融集聚也呈现“倒U”型影响。这表明东部城市群的金融集聚形成了更为显著的效率空间溢出；而中西部城市群内部的过度金融集聚则不利于效率提升。

4.2 区域特征分组

理论上，要素流动会放大金融集聚的空间溢出效应，也会产生外部性；经济市场化则有助于破除城市间的地方保护，增强金融要素集聚的正向效率提振作用。采用样本城市群2008—2021年人均道路面积的均值作为资源要素流动顺畅度的代理指标，并将样本划分为交通发达组（京津冀、辽中南、长三角、山东半岛和珠三角城市群）和交通欠发达组（中原、关中平原、长江中游、成渝和海峡西岸城市群）；同时参照樊纲等（2011）[18]的做法，统计获取2008—2021 年各城市群内城市的市场化指数均值，以此区分高市场化程度组（长三角、珠三角、山东半岛、海峡西岸和辽中南城市群）和低市场化程度组（京津冀、成渝、长江中游、中原和关中平原城市群），并进行分组回归。

依据下页表6的列（1）和列（2）可知，总效应和间接效应方面，交通发达组的系数比交通欠发达组的系数更显著，意味着提升资源要素流动顺畅度有助于增强金融集聚的空间溢出效应。直接效应方面，交通发达组的t值和系数的绝对值都明显小于交通欠发达组，说明资源要素的外部溢出反而会限制金融集聚对本地效率的拉动作用。列（3）和列（4）显示了不同市场环境的异质性影响，高市场化程度组金融集聚的空间溢出效应更显著，这与前文基于交通状况的分组检验结果一致；低市场化程度组金融集聚的间接效应和总效应均不显著，印证了市场分割严重会阻碍资源要素的流通，并削弱金融集聚的空间溢出效应。

表6 基于城市群交通状况和市场环境的异质性检验结果

5 稳健性检验

5.1 空间矩阵变换

为验证基准回归结果的稳健性，将基于地理距离的空间矩阵替换成经济地理空间矩阵，考虑到基于经济距离的空间权重矩阵计算存在时间差距问题，这里取GDP 平均值进行测算。替换后的LM、Wald、LR等检验显示，选用空间杜宾模型（SDM）更为合适。依据表7可知，金融集聚对城市经济效率依然呈现显著“倒U”型影响，进一步支持了基准回归结论。

表7 基于空间矩阵变换的稳健性检验结果

5.2 内生性检验

考虑到金融要素集聚根植于城市整体发展，金融集聚水平较高的地区往往对应着经济发展较好的地区，由此可能带来理论层面的内生性风险，本文对金融集聚和经济发展对城市经济效率的实际影响效应进行了比较分析，观察其实际影响效应是否存在明显异质性。用人均GDP（Pg-dp）作为城市经济发展水平的代理指标，如果两个变量的实际效率影响存在明显异质性，那么意味着两种机制并不相同，基准回归模型的内生性风险较低，反向支持了基准回归结果的稳健性。

依据表8可知，经济发展一次项对城市经济效率的直接效应显著为负，二次项直接效应显著为正，同时一次项和二次项的总效应均不显著，这与以金融集聚作为核心解释变量的估计结果存在明显方向性及整体性差异，表明城市经济发展和金融集聚对城市经济效率的影响机制截然不同，侧面论证了金融集聚对于城市经济效率的促进作用并非源自城市本身的经济发展特征，在一定程度上排除了互为因果所引发的内生性问题。

表8 基于类工具变量的内生性检验

5.3 安慰剂检验

考虑到市场化程度较高的城市同时拥有更高的资源配置水平，经济效率可能因此更高，这里用市场化指数（Index）替代金融集聚指标进行安慰剂检验，如果得到的估计结果与基准回归结果存在明显差异，那么可以认为金融集聚的影响并不完全取决于市场环境。

依据表9可知，市场化程度指标在一定程度上限制了城市的经济效率水平，而且一次项和二次项的间接效应和总效应均不显著。这意味着只有较高的市场化程度而没有金融要素的集聚，只会引发资源要素过度外流，进而出现对城市经济效率的负向影响。这一检验结果也进一步验证了上文基准回归结果的稳健性。

表9 安慰剂检验结果

6 结论与建议

6.1 结论

本文基于国内十大典型城市群162 个城市的面板数据，分析了金融集聚对城市经济效率的影响及其异质性特征，研究结论如下：

第一，金融集聚对城市经济效率呈现显著空间效应，不仅能正向驱动本地效率提升，还能对周边城市经济效率形成明显带动，且该影响呈现明显的“倒U”型变化特征。

第二，金融集聚对城市经济效率的影响受制于城市群模式特征，多核集聚城市群的空间溢出效应强于单核集聚城市群；东部城市群金融集聚的空间溢出效应更强，中西部城市群金融集聚的“倒U”型影响更明显。

第三，金融集聚对城市经济效率的影响受到资源要素流通的制约，交通状况改善和市场化程度提升会增强其空间溢出效应，但也会因资源要素外流而给中心城市带来一定的效率压力。

6.2 建议

综合上述结论，提出如下建议：

第一，关注城市群范围内的金融集聚与产业发展协同，针对不同城市群特点因地制宜地设计治理对策。既要积极推进区域金融中心建设，也需避免金融资源过度集聚引发的“大城市病”问题；同时应依据不同城市群的地理特征和发展模式制定精准化的金融集聚策略。

第二，推动城市群中心城市之间的优势发展、互补合作，适度发挥中心城市的规模效应和溢出效应。既要推动城市间发展联动，通过差异化定位发挥比较优势，合理划分经济职能，避免同质化竞争；又要致力于打破行政壁垒，积极构建完善一体化的体制安排。

第三，着力提升城市群内部资源要素流动的便利度。加强交通网络建设，改善资源要素流动的硬件基础设施；抑制地方保护主义行为，积极营造城市群内部资源要素合理、有序、顺畅流动的软环境，大力推动区域经济高质量协同发展。