金融服務經濟增長效率測度及區域差異性研究

楊澤坤，黃 釩

（青海民族大學 經濟與管理學院，青海 西寧 810007）

一、研究背景

金融作為經濟發展的血脈，在經濟增長中發揮了重要作用，以商品和服務流為核心的內循環與以資金流為核心的外循環構成了經濟體系運行的兩大基本流量。一方面，它們通過資源再分配提高了資源配置效率；另一方面，物流和資金流的循環為經濟增長提供了充足的物質支持。金融資源配置效率是地區經濟高質量增長的重要助推器，但我國復雜的地理環境所導致的地區金融資源發展的非均衡性進一步拉大了各地區經濟發展的差異。因此，本文將具體探究發展新形勢下金融服務各地區經濟增長的效率及其空間分布差異。

國內外學者分別從靜態和動態兩方面采用DEA基本模型和Malmquist指數法對效率進行測度。A.Charnes，W.W.Cooper和E.Rhodes于1978年提出了CCR模型，開創了DEA分析方法的先河①。Banker等提出了BCC模型，進一步豐富了DEA分析方法②。以上DEA模型在測度效率方面有很多優點，也被廣泛應用，但是主要用于靜態分析，無法進行效率的動態分析。在前人研究的基礎上，后來的學者將DEA和Malmquist指數法結合起來，較好地解決了動態效率測度的問題。林進忠和藍麗嬌利用DEA模型和Malmquist指數法進行福建省金融資源配置效率的研究，發現福建省金融資源配置效率為非有效，但經Malmquist指數分解后的純技術效率是有效狀態③。宋志秀和梁松運用DEA-Malmquist指數法測度長江經濟帶金融服務實體經濟效率，研究結果表明全要素生產效率波動較大，東、中、西部效率變化由高到低的趨勢并不明顯④。游士兵和楊芳運用DEA和Tobit模型從綠色發展視角測度并分析金融服務實體經濟效率和影響因素，結果表明通過規模效率可以提高金融服務實體經濟綠色發展效率，東部地區高于中西部地區⑤。

因此，在參考已有的豐富研究成果基礎上，本文采用DEA-BCC模型和Malmquist指數法測度東、中、西部12個省份的金融服務經濟增長效率，探究不同地區金融服務經濟增長效率的內在演化規律與空間差異性，并分析發展過程中存在的問題。

二、模型構建、變量選取與數據來源

（一）DEA-BCC模型

數據包絡法（DEA）由A.Charnes等于1978年提出，公式如下：

在t期和t+1期技術效率變化公式如下：

建立Malmquist生產率指數即綜合效率指數（Tfpch），公式如下：

若Malmquist指數值大于1，則說明t到t+1期效率水平提高，等于1表示效率水平不變，小于1表示效率水平下降。

（二）變量選取與數據來源

本文研究的是金融支持下的經濟增長效率，并考慮到分別進行不同區域的差異性對比分析，因而決策單元即研究對象定向選取我國東、中、西部地區共12個省份，研究時段為2008—2019年，在統一決策單元系統內選取投入和產出變量，分別從靜態和動態分析入手測算其指數，并進行省份和區域間的對比。本文各指數結果使用DEAP2.1軟件進行運算得到。（1）投入變量選取。金融作為系統的投入變量，可以從反映金融發展相關的人力、資本和物力三方面考慮。因此，人力資本投入采用各省金融從業人員數量衡量；金融資本投入采用各省金融機構貸款額衡量；而物質資本投入則采用各省金融業全社會固定資產投資額衡量。（2）產出變量選取。經濟增長情況作為系統的產出變量，從反映經濟增長的指標進行考慮。因而選擇各省份生產總值即地區GDP作為產出變量（表1）。數據來源于《中國統計年鑒》《中國金融統計年鑒》以及各省統計年鑒和統計局網站等，其中部分數據通過計算得到。

表1 投入產出變量指標及釋義

三、實證分析

（一）基于DEA-BCC模型的靜態分析

使用變動規模報酬下的投入導向型BCC模型對我國12個省份2008—2019年間的金融支持經濟增長效率進行測度，得到各省份的靜態金融支持經濟增長綜合公式：crste=vrste*scale。根據DEAP2.1軟件分析結果，得到12省份2008—2019年的各效率平均值，見表2。

表2 12省份2008—2019年金融支持經濟增長靜態綜合效率值均值及分解值

表2中，從12省份總體均值來看，綜合效率、純技術效率和規模效率值分別為0.863、0.941和0.918，處于DEA弱有效狀態。具體來看，江蘇、山西、河南三省在12年間的三大效率值的均值為1，處于DEA有效狀態，且規模報酬均不變，在所考察的12省份中處于第一梯隊。山東、湖南二者的綜合效率值為0.9，純技術效率值均為1，處于第二梯隊，規模效率是致使綜合效率較弱的原因。在后續發展中應注重規模效益，加強金融產業集聚，發揮產業的集群效應，以金融集聚的多元化、綜合化發展促進其經濟增長。河北、湖北和四川的綜合效率值介于0.85-0.9之間，處于第三梯隊。純技術效率值和規模效率值則大多大于0.9，故純技術效率值較低是導致綜合效率值較低的主要原因。因此，在后續發展中應注重加大科研投入，重視高端人才引進和培養，以大數據、云計算、區塊鏈等高端技術賦能金融產業，提高技術創新能力，助推經濟增長。甘肅和云南的綜合效率值分別為0.774和0.684，但純技術效率值均為1，處于第四梯隊，規模效應差是主要問題。原因可能是二者處于我國西部偏遠地區，金融產業發展較差，集群效應弱，無法發揮規模效益。因此，應加大銀行、證券等各金融行業的發展，形成金融業一體多元化發展，以發揮產業集群效應。

值得指出的是，浙江和陜西的綜合效率值分別為0.674和0.693，處于第五梯隊，純技術效率和規模效率值均較低，尤以純技術效率發展表現較差，這可能與二省的實際發展情況略有不符。首先，浙江是全國電商行業中心，以阿里為代表的大量民營企業在此聚集，產生了強大的規模效應。同時，企業的創新發展帶動了當地技術創新水平的提高。因此，其綜合效率值較低的原因可能是浙江省在2016—2019年大幅減少了金融業固定資產投資規模這一重要投入變量。其次，陜西是全國科教文化大省，集中了大量頂級高校和科研院所，高端人才儲備充足，尤以省會西安在全國表現頗為亮眼，但可能地區發展的極度不均衡降低了綜合效率，西安市對陜西其他市區形成了強大的虹吸效應，大量人才、資金、技術和產業在此集聚，造成了大量資源的冗余。

分區域來看，在所選擇的三大區域12省份中，表現最好的是中部地區，東部地區次之，西部地區最差，地區發展差異化和不平衡性明顯。東部地區弱于中部主要是由浙江省表現較差所導致的，但考慮到與實際情況的不相符合，此點需結合下文的Malmquist指數對浙江省的綜合效率情況進行動態分析，以觀測動態發展狀況。西部地區表現最差則主要源于地理位置和人口結構，使其在人才、金融、科技、產業等方面落后于東中部地區，因此西部地區應發揮生態優勢，并不斷加大科技投入，轉變政府職能，重構營商環境等，減少人才流失，盡力縮小與東中部地區的差距。

（二）基于Malmquist指數的動態分析

運用DEAP2.1分析軟件測算2008—2019年的綜合效率變動情況。結果如表3。

1.分年度金融服務經濟增長效率的均值分析。由圖1可以看出，12個省份的金融服務經濟增長的各效率指數值在2008—2019年總體處于平穩趨勢。具體來看，綜合效率值tfpch在2008—2009年位于最低點，次低點則處于2015—2016年，最高點則出現在2016—2017年。從增長情況來看，分別在2008—2010年、2015—2017年出現了兩次增長高峰期。合理的解釋為，綜合效率主要受宏觀經濟形勢的影響，2008—2009受全球金融危機影響，經濟大幅衰退，我國也略有下降，導致我國出口貿易大幅減少，國內金融業和經濟均大幅下行。隨后在2009—2011年間，為應對金融危機的影響，中央和各省市出臺了一系列提振經濟的政策，因而此階段金融和經濟快速恢復，綜合效率值也大幅增長。2013—2016年間，“產能過剩”嚴重影響經濟發展步伐，同時伴隨著資本市場的無序發展所產生的泡沫于2015年破滅，形成了2015年的“股災”，導致金融服務經濟增長的綜合效率值tfpch在2015—2016年達到僅次于受金融危機影響的次低點。隨后，供給側結構性改革的推進和各種經濟金融政策的進一步完善，疊加房地產市場的繁榮，使得綜合效率值tfpch快速發展并于2016—2017年達到最高點。從時間趨勢看，技術和創新對12省份的金服務經濟增長的綜合效率影響巨大（圖1）。

圖1 12省份金融服務經濟增長效率的均值變化趨勢

2.12省歷年金融服務經濟增長效率的區域差異性分析。從表3來看，12省份的金融服務經濟增長的綜合效率值在各年度差異較大；各分解效率值在不同年度也表現出較大的差異性。說明各地區之間異質性明顯，不同地區差異較大。從東、中、西三大區域角度分析，出現了金融服務效率西部省份高于東部發達省份的現象，這與靜態分析結果表現出了一定的相異性。

表3 12省份2008—2019年金融服務經濟增長綜合動態效率值及分解值

從圖2中東部四省的變化趨勢來看，浙江省的變化幅度最為明顯，尤以2008—2013年間變化幅度最大，但自2013年后變化趨于正常，且多數年份在四省中表現最好。這與浙江省的市場環境與經濟結構緊密相關，浙江省民營經濟發達，資本充足，金融發展活躍。但在2013年之前，整體經濟尚處于初步發展階段，波動性較大，資本和金融的趨利性和非理性表現較強，導致其綜合效率波動性很大。2013年之后，市場環境發育成熟，各項體制機制趨于完善，經濟結構進入良性循環發展狀態，表現為波動性的回歸。江蘇省在2008—2011年間呈大幅上漲趨勢，主要歸功于2008年金融危機之后全球經濟的復蘇，外貿的迅速增加，積極向上的經濟使綜合效率值大幅上升；2011年之后發展趨于平緩，總體表現好于北方的河北和山東兩省。河北省和山東省在2008—2019年期間的發展均較為平緩，尤以山東省的波動性最小。四省份中，河北省總體表現最差，綜合效率值在多數年份位居四省最低。原因在于河北緊鄰京津，大量人才、資本、技術和產業外流，極大地拉開了河北與北京、天津的差距，使得經濟金融發展在東部乃至全國表現并不突出。而山東省位于東部沿海地帶，港口城市較多，海運和旅游經濟發達，且山東整體為平原地貌，機械化農業發達，因此第一、第三產業的高端化發展賦予了經濟向上的優渥條件（圖2）。

圖2 東部四省歷年金融服務經濟增長綜合效率變化趨勢

由圖3可以看出，在中部四省中，山西省表現與其他三省差異化最大，波動性最強，尤其在2016-2017年間達到歷史最高值（3.208），這與山西省單一化的能源經濟發展模式大致匹配。作為資源型省份的典型代表，經濟發展嚴重依賴煤炭等資源產業的發展，尤其綠色生態化發展的提出使得全國對煤炭資源的需求急劇下降，山西經濟迅速回落。此外，金融市場發展不充分，除銀行外的其他金融產業發展極度落后，對經濟并未發揮應有的效應。復雜的經濟社會環境是經濟轉型道路上的嚴重阻礙。因此，如何破解“資源詛咒”，發揮文化底蘊的地域優勢是未來探索的主要方向。河南、湖北、湖南三省的綜合效率變化趨勢非常平緩，差異化很小。首先，三省同質化嚴重，產業結構相對較差，經濟發展的支柱性產業為第一、二產業，而高新技術產業起步較晚，規模較小，第三產業尤其是高端化服務業發展較為落后。其次，省內區域發展不平衡問題嚴重，有發展相對較好的省會城市鄭州、武漢和長沙，但更多的是發展較差的非省會城市，因此整體經濟基礎較差，對資本和人才的吸引力不足。最后，三省為中部省份，開放較晚，沒有東部沿海地區經濟發展的地域與產業優勢，有利于經濟發展的政策支持力度也較小，經濟基礎薄弱，特別是銀行為主體的金融市場發展滯后，融資方式單一，二元化發展明顯，金融的供需匹配依舊存在較大問題，因此金融服務經濟增長的效率較低。

圖3 中部四省歷年金融服務經濟增長綜合效率變化趨勢

圖4中，西部四省中云南波動幅度最大，其次為甘肅，而陜西和四川變化趨勢相對較為平緩。四省均屬西部大開發戰略的支持區域，受益于國家政策的扶持，經濟金融環境逐步改善，市場活力增強，其綜合效率大體呈波動上升趨勢，尤其以波動性最大的甘肅和云南表現最為明顯。陜西和四川分別作為西北和西南地區的龍頭省份，省會城市西安和成都尤具代表，兩省經濟發展較好，經濟增長效率變化差異較小。在保持省會城市良好發展態勢的基礎上，不斷加強對非省會城市的支持力度，以促進非省會城市的發展，縮小區域發展差異是其未來的發展方向。甘肅省和云南省經濟增長效率大致以2016年為界。2016年之前，云南省綜合效率呈下降趨勢，而2016年之后則呈迅速增長態勢，重新恢復到2008—2009年的最高點位置。可能的解釋是，云南地處邊境，緊鄰南亞各國。2016年之前，長久的特色農業、旅游經濟和工業外向型經濟后繼增長乏力，導致綜合效率逐步下降。2016年之后，云南省重新找準了方向和定位，依托“一帶一路”建設和“東盟自貿區”建設等機遇，使其發展重新進入快車道，經濟增長綜合效率迅速提高。甘肅省在2016年之前發展相對平緩，波動幅度較小，而在2016年之后迅速騰飛，并達到橫向和縱向比較的最大值1.332。主要原因也應歸功于“一帶一路”建設，中國加強了與中亞乃至歐洲國家的聯系，帶動了沿線經濟的發展。

圖4 西部四省歷年金融服務經濟增長綜合效率變化趨勢

四、結論

通過以上靜態和動態兩方面金融服務經濟增長效率的分析，得出結論：一是從靜態效率來看，東、中、西三大區域存在明顯差異性，其中，中部地區表現最好，東部次之，西部地區表現最差。經濟增長效率非有效地區大多集中在西部地區，尤以西北地區最為明顯。各省份差異性較大，導致綜合效率值較低的原因并非單一的純技術效率值或規模效率值較低，而是兩者綜合的結果，具體情況又因不同省份而有不同表現。二是從動態綜合效率及其分解值均值來看，各效率值的變化與整體經濟和金融發展趨勢保持高度一致性。從時間趨勢看，12省份的金融服務經濟增長的綜合效率變化與技術進步指數變化存在高度一致性，而與規模效率的變化存在較大差異，表明技術的創新發展對提高綜合效率起到主導作用。三是從各區域動態綜合效率來看，所選擇的12省份的金融服務經濟增長的動態綜合效率變化并未同靜態綜合效率一樣表現出東部或中部最高、西部最差的明顯趨勢，地區差異性因實際情況的復雜性而無明顯表現。東部地區雖有一定的優勢，但具體表現并不明顯。

注釋：

①Charnes A.,Cooper W.W.,Rhodes E..Measuring the efficiency of decision making units[J].North-Holland,1978,2(6).

②R.D.Banker,A.Charnes,W.W.Cooper.Some Models for Esti mating Technical and Scale Inefficiencies in Data Envelopment Analysis[J].Management Science,1984,30(9).

③林進忠,藍麗嬌.基于DEA模型的福建省金融資源配置效率研究[J].上海金融,2019(04):62-68.

④宋志秀,梁松.長江經濟帶金融服務實體經濟效率測度[J].統計與決策,2021,37(04):154-158.

⑤游士兵,楊芳.金融服務實體經濟的效率測度及影響因素—基于綠色發展視角[J].金融論壇,2019,24(04):29-44.

⑥方大春.長江經濟帶工業經濟效率測度及其影響因素研究[J].理論月刊,2020(11):89-96.