金融集聚效应：城市群边界VS省际行政边界

方芳; 李长治

doi:10.15957/j.cnki.jjdl.2020.09.006

经济地理 >

2020 , Vol. 40 >Issue 9: 53 - 61

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.09.006

区域经济与理论方法

金融集聚效应：城市群边界VS省际行政边界

方芳 ,
李长治 ^,^※

展开

中国人民大学应用经济学院，中国北京 100872

※李长治（1993—），男，江苏盐城人，博士研究生。主要研究方向为金融地理、宏观政策。E-mail：ruclcz@163.com。

方芳（1962—），女，北京人，博士，教授，博士生导师。主要研究方向为宏观经济政策、金融监管、金融投资。E-mail：fangfang227@ruc.edu.cn。

收稿日期: 2020-02-18

修回日期: 2020-07-21

网络出版日期: 2025-04-23

基金资助

国家发展和改革委员会综合司委托课题(2020K20394)

收起

Financial Agglomeration Effect：Urban Agglomeration Border VS Provincial Administrative Border

FANG Fang ,
LI Changzhi ^,^※

Expand

School of Applied Economics，Renmin University of China，Beijing 100872，China

Received date: 2020-02-18

Revised date: 2020-07-21

Online published: 2025-04-23

Fold

摘要

在由“行政区经济”向“城市群经济”推进的背景下，综合评估城市群边界和省际行政边界的金融集聚效应可为我国区域金融一体化政策的制定提供重要参考。文章基于2005—2017年278个地级及以上城市数据，采用带有时间固定效应的面板随机效应等模型综合比较了城市群边界和省际行政边界的金融集聚效应。结果显示：①城市群边界具有明显的金融集聚效应。②省际行政边界没有显示出金融集聚效应。③不同规模的城市具有较强的异质性，城市群边界效应只对市辖区常住人口100~500万的大城市有效。此外，中小城市和特大城市的金融集聚水平分别受到地理临近性和第三产业增加值比重的较强影响。

关键词： 金融集聚; 城市群边界; 省际行政边界; 城市规模; 服务业; 区域金融一体化

本文引用格式

方芳 , 李长治 . 金融集聚效应：城市群边界VS省际行政边界[J]. 经济地理, 2020 , 40(9) : 53 -61 . DOI: 10.15957/j.cnki.jjdl.2020.09.006

Abstract

Under the background that we are promoting "urban agglomeration economy" instead of "administrative area economy", a comprehensive assessment of financial agglomeration effect of urban agglomeration border and provincial administrative border can provide an important reference for policy-making intended to enhance regional financial integration. This paper selects random effect model with time fixed effect to compare the financial agglomeration effect of urban agglomeration border and provincial administrative border based on data of 278 prefecture-level or above cities from 2005 to 2017. Results show that: 1) Urban agglomeration border has financial agglomeration effect. 2) Provincial administrative border doesn't have significant financial agglomeration effect. 3) There is strong heterogeneity between different sized cities. The financial agglomeration effect is significant only for large cities with 100-500 million permanent residents within municipal districts. In addition, the level of financial agglomeration of small cities and mega-cities are strongly influenced by geographical proximity and the proportion of tertiary industry, respectively.

Key words： financial agglomeration; urban agglomeration border; provincial administrative border; city size; service industry; regional financial integration

未来我国经济高质量发展的重中之重是区域经济的协同发展与可持续发展，其核心工作是要提升城市群的功能，特别是发挥城市群提升资源配置效率的功能。金融集聚的内涵十分丰富，目前理论界并未就其定义达成一致。国内学者较认同的是：金融集聚既是一个过程，又是一个状态或结果。前者是指通过金融资源与地域条件协调、配置、组合的时空动态变化，金融产业成长、发展，进而在一定地域空间生成金融地域密集系统的变化过程；后者则是指经过上述过程，达到一定规模和密集程度的金融产品、工具、机制、制度、法规、政策文化在一定地域空间有机结合的现象和状态^[1]。金融集聚和金融中心就像是一个硬币的两个方面，金融集聚更多地体现为金融资源向某些地区集中的过程，而金融中心则是金融资源高度集中在少数中心城市的状态，可以说，金融集聚是金融中心的过程，金融中心是金融集聚的结果^[2]。以金融集聚为特征的金融中心体系在现代经济发展中发挥重要功能，全国众多城市之所以纷纷提出建设不同层次金融中心的构想，是因为金融集聚具有加快产业升级、促进经济增长、提升创新效率等功能。在当前我国由“行政区经济”向“城市群经济”推进的背景下，科学评估城市群的金融集聚功能可为区域金融一体化政策的制定与实施提供重要参考。代表“行政区经济”的省际行政边界与代表“城市群经济”的城市群边界，何者对金融集聚的影响更强?具体表现在金融规模的增加，金融深度的提升，抑或是金融空间密度的提高?上述问题的答案对提升城市群的功能具有重要的启示意义。一方面，这有助于理解城市群战略对于区域金融空间的重塑作用。如果城市群边界的金融集聚效应显著而省际行政边界影响不显著，则说明在城市群战略的影响下，城市群内外的金融空间表现出显著的异质性。当金融资源在跨越城市群边界流动时存在明显的边界效应时，这意味着城市群已经成为区域金融新的空间单元。另一方面，如果城市群边界效应显著而省际行政边界效应不显著，则城市群内外金融空间的异质性会导致基于省级区划边界的区域一体化政策的效果大打折扣；反之，如果省际边界效应显著而城市群边界效应不显著，则说明基于“行政区经济”的一体化政策仍能取得预期的政策效果。

目前来看，尽管国内外学者对金融集聚及其影响因素领域做了大量富有洞见性的研究，但关注边界效应如何影响金融集聚问题的文献却不多，特别是缺乏有关城市群边界和省际行政边界的金融集聚效应的综合性比较研究。因此，本文利用2005—2017年278个地级及以上城市的面板数据对城市群边界和省际行政边界的金融集聚效应进行了比较研究。初步发现城市群边界具有明显的金融集聚能力，而省际行政边界不具有金融集聚效应。上述结论证明了城市群具有超越省际行政区划的金融集聚能力，这启发我们在未来制定和实施区域经济、金融一体化政策时，应当打破“行政区经济”的藩篱，充分考虑“城市群经济”的影响，充分发挥城市群的金融集聚功能，为我国区域经济高质量发展奠定坚实的基础。

1 文献综述

以英美为代表的西方发达经济体和新兴经济体在金融发展模式上存在“市场”与“政府”之争。以伦敦、纽约为代表的国际金融中心在发展模式上偏向于市场主导，经济增长产生对金融业新的需求，于是金融机构与金融市场相应扩张，金融制度随之变化。而以新加坡为代表的金融中心则强调政府在金融集聚中的作用，通过人为设计和国家支持，使得金融体系超前产生和发展。此外，观点介于两者之间的研究也有很多，强调政府与市场的合理搭配。总体来看，现有实证研究对影响金融集聚的市场因素的探讨更为充分，政府因素对金融集聚的影响尚有进一步挖掘的空间。

新近实证研究显示，城市行政级别和政府干预显著促进金融集聚。樊向前、李伟军等发现高行政级别城市的“政策租”形成的消息源效应会显著促进金融集聚^[2-3]，张浩然也发现西部地区的金融业集中于区域行政中心^[4]。任英华、李大垒等发现政府干预显著促进本地区的金融集聚^[5-6]。冯林等基于县域数据研究发现，政府干预不仅促进本县的金融集聚，还会显著抑制临县的金融集聚，由此得出在县域层面上金融资源流动表现为“此消彼长”的结论^[7]。

除了行政级别和政府干预外，边界效应（特别是基于行政区划和城市群规划的行政边界）也会显著影响金融资源的空间集聚态势。边界（Border）是指事物间本质或现象发生变化的标志线或标志带，它增加了两个经济系统中经济体互动的时空距离，限制了资本、信息、技术、人才、管理等要素自由流动，影响了边界两侧的经济联系和空间相互作用^[8]。边界的存在，像一堵无形的高墙，阻碍要素跨区域的高效流动，从而对跨边界的社会、经济行为产生影响，这种影响称之为“边界效应”^[9]。关于边界效应对金融集聚的影响，国内外学者主要以欧盟为研究对象，探讨欧盟扩容对区域金融集聚的作用效果，主要包括：①金融规模的增长。Jones等发现，边界成本降低导致欧盟加入国的FDI数量激增，其中60%是从欧盟原成员国转移过来的^[10]。Barrell等也发现欧盟一体化显著促进了国际资本流入和跨境借贷存量的增长^[11]。②金融深度的提升。欧盟扩容会引起金融市场扩大，区域内金融合作与竞争加强，提升金融深度，并带来金融效率提升、资本成本降低以及资本流动便利化等效应。Nurboja等发现欧盟成员国的银行成本效率高于候选国^[12]。Lindman等发现加入欧盟和加入欧元区都会提升股票市场一体化程度，降低企业股权融资难度^[13]。Muradoğlu等从公司融资的角度，发现加入欧盟会提升企业对股票市场的接近性，而加入欧元区会提升企业对国际债券市场的接近性^[14]。

以往研究在很大程度上促进了金融集聚理论的发展，但缺乏针对城市群边界和省际行政边界的金融集聚效应的综合性比较研究，对区域金融一体化政策制定的参考意义有限。与现有文献相比，本文的贡献主要体现在：①在控制了行政级别、政府干预和其他变量的影响后，综合比较城市群边界和省际行政边界的金融集聚效应，为政府因素如何影响金融集聚提供了更为细致的实证证据。②有别于现有文献主要研究不同国家加入欧盟所产生的金融集聚效应，本文聚焦于同一国家内部城市群边界的拓展所产生的金融集聚效应。以欧盟为研究对象，加入欧元区所带来的“共同货币效应”常常会干扰加入欧盟所带来的行政边界效应，而由于城市群扩容不存在“共同货币效应”，因此提供了一个纯粹的研究边界效应的“准自然实验”。③此外，本文改进了金融集聚的测度方法。单一指标法和指标体系法是现有研究采用的主要方法，前者在指标选取上主观性较强，采集的信息也不够全面；后者会把可能影响金融集聚的原因和金融集聚指标混杂在一起，因而存在较强的因果混杂问题。比如经济规模通常被认为是金融集聚的原因，但很多研究中将经济规模纳入指标体系。本文借鉴茹乐峰等^[15]的指标体系，剔除了可能造成因果混杂的指标，构建了包含金融规模、金融深度和金融空间密度三个维度的指标体系，数据显示该指标体系适用性和稳定性较好。

2 理论框架和研究假说

2.1 理论假说

现有文献表明，城市群配置、利用要素资源的效率要高于外围地区^[16-17]。城市群扩容引起金融市场扩大，并导致规模经济效应和风险分散效应，使得融资成本降低。同时，能加强金融机构之间的竞争和合作，提升金融深度和金融效率。此外，对于金融发展水平较落后的城市来说，加入城市群有助于降低边界成本，提升其对金融资源的可得性。当然，内部城市也更容易获得政策倾斜。比如以上海为核心的长江三角洲城市群在建设自贸区、扩大开放、吸引外资等方面具有优势，而外围城市如徐州、温州则无法享受这种红利。基于以上分析，提出假设1：

假设1：城市群边界显著促进金融集聚。

有关行政边界的作用效果的文献集中在经济增长、技术转移、城市用地、劳动力流动^{[18⇓⇓⇓-22]}等，关注边界效应对金融集聚的影响的研究不多。武英涛等基于一价定律考察了行政边界对长三角金融市场的一体化进程的影响，发现省际壁垒大于省内的市际壁垒^[23]。在分解出城市群边界的影响后，省际行政边界对金融集聚有什么影响?基于文献分析和现实情况，本文认为，城市群外围的省内周边城市的金融集聚水平不低于省外城市，因此省际行政边界不会对金融集聚产生负向效应，由此提出假设2：

假设2：省际行政边界对金融集聚的影响非负，换言之，省际行政边界要么促进金融集聚，要么没有显著影响。

2.2 模型设定与变量选择

（1）

Y i, t = α + β ∙ U A B i, t - 1 + γ ∙ P A B i + θ ∙ X i, t 0 + ε i, t

式中：下标i和t分别表示i城市和t时期；

Y

是被解释变量，代表金融集聚水平，核心解释变量包括城市群边界

U A B

和省际行政边界

P A B

；向量

X

表示其他影响金融集聚的控制变量。

被解释变量是城市的金融集聚水平，本文采用指标体系法进行测度。使用指标体系法测度金融集聚水平的部分研究把可能影响金融集聚的原因与衡量金融集聚的指标混杂在一起，造成了因果混杂的问题^[2]。如经济活动总量、人均GDP等通常被认为是金融集聚的原因的指标，不太适合用于衡量金融集聚。鉴于此，本文在参考茹乐峰等^[15]的指标体系的基础上，删去了可能造成因果混杂问题的经济活动总量、城市人口规模等变量，构建包含金融规模、金融深度和金融空间密度三个维度的城市金融集聚水平测度指标体系（表1）。

表1 城市金融集聚水平测度指标体系

Tab.1 The index of financial agglomeration on centeral cities

准则层	指标层
金融规模	1.年末金融机构存贷款余额总和
	2.金融业从业人员总数
金融深度	3.年末金融及机构存贷款余额总和/年末总人口
	4.金融业从业人员总数/年末总人口
金融空间密度	5.年末金融机构存贷款余额总和/辖区面积
	6.金融业从业人员总数/辖区面积

数据来源：《中国城市统计年鉴》《香港统计年刊》《澳门统计年鉴》。

运用主成分分析法降维得到金融集聚指数，KMO取样适切性量数和巴特利特球形度检验表明，数据适合因子分析。采用回归法计算金融集聚水平的因子得分系数，并采用最大方差法对因子载荷进行正交旋转，综合考虑特征值和累积方差贡献率，可将评价指标体系中的6个指标降维为3个因子，这3个因子的累积方差贡献率达到92.541%（表2）。由表3可知，年末金融机构存贷款余额总和、金融业从业人员总数在因子1上载荷较高，年末金融机构存贷款余额总和/辖区面积、金融业从业人员总数/辖区面积在因子2上载荷较高，年末金融机构存贷款余额总和/年末总人口、金融业从业人员总数/年末总人口在因子3上载荷较高。由此可见，这三个因子分别与金融规模、金融空间密度和金融深度相对应，表明指标体系的适用性。历年金融集聚水平最高的城市的前五名都是香港、北京、上海、深圳和澳门，结果贴合实际且较为稳定。

表2 主成分分析的总方差解释情况

Tab.2 Total variance explained

成分	初始特征值			提取载荷平方和			旋转载荷平方和
成分	总计	方差百分比	累积%	总计	方差百分比	累积%	总计	方差百分比	累积%
1	3.499	58.319	58.319	3.499	58.319	58.319	2.141	35.689	35.689
2	1.312	21.863	80.182	1.312	21.863	80.182	2.001	33.349	69.039
3	0.742	12.359	92.541	0.742	12.359	92.541	1.41	23.502	92.541
4	0.311	5.182	97.723
…	…	…	…

表3 主成分分析的旋转后的成分矩阵

Tab.3 Rotated component matrixa

成分	1	2	3
年末金融机构存贷款余额总和	0.954	0.191	0.178
金融业从业人员总数	0.943	0.082	0.226
年末金融机构存贷款余额总和/辖区面积	0.110	0.970	0.043
金融业从业人员总数/辖区面积	0.165	0.895	0.269
金融业从业人员总数/年末总人口	0.210	0.123	0.953
年末金融机构存贷款余额总和/年末总人口	0.509	0.449	0.588

核心解释变量设定如下：①城市群边界。有关长三角、珠三角和京津冀城市群的范围多大、边界在何处的话题一直是政界、学界和业界关注和讨论的热点问题。本文确定长三角城市群边界的主要依据是国家发展和改革委员会（简称国家发改委）在2005、2010和2016年制定的规划方案。国家发改委在2005和2010年先后颁布的《长江三角洲地区区域经济规划方案》中均将长三角限定为上海、苏州等16个城市 ^① （简称为Ytz-16）。2016年，国家发改委颁布的《长江三角洲城市群发展规划》中在16个城市的基础上扩充了盐城等10个城市 ^② （简称为NMC-10）。基于以上分析，对于Ytz-16城市，城市群边界变量赋值为1；对于NMC-10城市，在2005—2015年区间内（包括2005和2015年，下同），城市群边界变量赋值为0，在2016年及之后，城市群边界变量赋值为1。类似地，依据国家发改委2009年公布的《珠江三角洲地区改革发展规划纲要（2008—2020年）》，对珠三角9市 ^③ 及港澳（简称为GHM-11），在2005—2008年区间内，城市群边界变量赋值为0，在2009年及之后，城市群变量赋值为1。此外，尽管国家发改委从2004年就开始研究制定《京津冀都市圈区域规划》，但始终没有正式出台。不过，考虑到京津冀一体化始终是我国重要的区域战略，因此对京津冀13个城市 ^④ （BTH-13），城市群变量均赋值为1。对于其余城市，该变量均赋值为0。

②省际行政边界。长三角、珠三角、珠三角城市群内所有城市都属于北京、天津、上海、香港、澳门、河北、江苏、浙江、安徽、广东“三市两区五省”范围内，因此对上述三市两区五省范围内的所有城市，省际边界向量赋值为1，对于全国其他城市，省际边界向量赋值为0。

参考李伟军、张浩然、王如玉等的研究^[3-4,24]，兼顾数据的可获得性，选取的其他控制变量包括：①行政级别AL。本文将行政级别虚拟变量设定如下：普通地级市赋值为0，非副省级省会城市赋值为1，副省级非省会城市赋值为2，副省级省会城市赋值为3，直辖市和特别行政区赋值为4。②地理临近性DIS。考虑到空间因素对金融集聚的影响，参考引力模型的设定，

D I S = 3 ∑ i = 1 3 d i j - 2

表示其他城市对北京、上海和香港三大金融中心的地理临近性，其中i=1，2，3，分别表示北京、上海和香港，j表示城市，

d i j

表示城市j到金融中心i的空间距离，对于三大金融中心城市，设定DIS=0。③经济基础ECO。用地区生产总值（GDP）来衡量地方经济发展的总体情况和增长态势。④政府干预GOV。用地方政府财政收入和GDP的比值来衡量地方政府干预在金融发展中的作用。⑤对外开放OPEN。考虑到各地区外商直接投资和当地金融发展的联系，设置外商直接投资额和GDP的比值来反映城市的对外开放程度。⑥投资水平INVEST。考虑到投资对货币和信贷的影响，设置固定资产投资净值年平均余额和GDP的比重来反映城市的投资水平。⑦消费水平CONSUME。消费水平代表了城市商品购买力的实现程度和居民日常资金使用与需求水平，反映金融活跃程度，用社会品消费零售总额代表。⑧人力资本HUMAN。金融服务对人力资本水平有较高要求，本文采用普通高等学校在校生人数占总人口的比例来衡量人力资本的丰裕程度。⑨产业结构。金融业主要为制造业和服务业提供服务，因此金融集聚需要较好的产业基础，本文通过第二产业（IND）和第三产业（SER）增加值占GDP的比重来衡量产业结构因素对金融集聚的影响。⑩信息基础。信息媒介的变化极大地提升了金融信息的传递速度和效率，本文采用移动电话年末用户数（TELE）和互联网宽带年末用户数（NET）占总人口的比重来衡量城市信息基础。⑪利润率（PROFIT）。用规模以上企业利润总额和资产总额之比来衡量。

本文的数据来源于《中国城市统计年鉴》《香港统计年刊》和《澳门统计年鉴》；时间区间为2005—2017年，统计口径为市辖区范围 ^① 。在删除了解释变量与被解释变量缺失过多的样本之后，本文得到了一个非平衡的面板数据。

3 城市群边界与省际行政边界的金融集聚效应的对比

3.1 基准模型估计结果

表4呈现了对式（1）的估计结果。本文的估计策略如下：①为了消除控制变量与核心解释变量相关以及双向因果导致的内生性问题，本文采用核心解释变量滞后一期，所有控制变量采用初期（即2005年）值的办法。②由于样本时期内省际行政边界没有发生调整，因此我们无法控制城市层面的固定效应，借鉴李伟军等^[3]的方法，我们控制了时间固定效应，并通过增加控制变量、调整控制变量组合来降低城市固定效应的影响，同时，LM检验结果表明，随机效应模型优于混合估计模型，且各变量的系数的符号和显著性结果基本一致，故本文采用带有时间固定效应的随机效应模型。③考虑到极值样本可能对结果造成的影响，在回归模型剔除每年金融集聚水平最高的5个城市。④由于在式（1）中引入了较多的控制变量，本文采用方差膨胀因子方法评估了自变量之前的多重共线性问题的严重程度，结果显示不存在多重共线性问题。

表4 基准模型的实证检验结果

Tab.4 Results of the basic model

	Model1	Model2	Model3	Model4	Model5	Model6	Model7	Model8	Model9	Model10	Model11	Model12	Model13
$U A B t - 1$	0.203^***	0.200^***	0.192^***	0.185^***	0.173^**	0.173^**	0.173^**	0.172^**	0.167^**	0.167^**	0.164^**	0.155^**	0.156^**
	（2.856）	（2.889）	（2.833）	（2.786）	（2.567）	（2.524）	（2.524）	（2.514）	（2.449）	（2.453）	（2.227）	（2.148）	（2.151）
$P A B t - 1$	0.0964^**	-0.0210	-0.0279	-0.00717	-0.0200	-0.0199	-0.0197	-0.0251	-0.0376	-0.0534	-0.0246	-0.0282	-0.0279
	（2.068）	（-0.583）	（-0.825）	（-0.226）	（-0.617）	（-0.615）	（-0.614）	（-0.778）	（-1.135）	（-1.632）	（-0.570）	（-0.734）	（-0.729）
$A L t 0$	0.276^***	0.271^***	0.196^***	0.170^***	0.163^***	0.164^***	0.164^***	0.171^***	0.156^***	0.142^***	0.116^***	0.118^***	0.118^***
	（5.959）	（6.337）	（5.725）	（5.065）	（4.864）	（4.973）	（4.849）	（4.334）	（4.261）	（4.189）	（3.236）	（3.676）	（3.687）
$D I S t 0$		-0.116^***	-0.068^***	-0.0202	-0.0369	-0.0374	-0.0374	-0.0365	-0.0516^*	-0.0440^*	-0.0337	-0.0508^*	-0.0477^*
		（-4.943）	（-3.769）	（-1.131）	（-1.302）	（-1.338）	（-1.332）	（-1.470）	（-1.948）	（-1.824）	（-1.269）	（-1.854）	（-1.733）
$l n E C O t 0$			0.0827^***	0.123^***	0.134^***	0.133^***	0.133^***	0.131^***	0.151^***	0.143^***	0.164^***	0.109^***	0.107^***
			（4.652）	（6.498）	（5.453）	（5.164）	（5.262）	（5.126）	（4.765）	（4.825）	（3.916）	（4.973）	（5.006）
$l n G O V t 0$				0.119^***	0.140^***	0.140^***	0.140^***	0.149^***	0.158^***	0.153^***	0.260^**	0.141^**	0.139^**
				（6.228）	（5.774）	（5.799）	（5.737）	（3.523）	（3.524）	（3.587）	（1.984）	（2.159）	（2.175）
$l n O P E N t 0$					-0.00442	-0.00442	-0.00449	-0.00111	-0.00431	-0.00459	-0.00220	-0.000259	3.51e-05
					（-0.417）	（-0.416）	（-0.436）	（-0.122）	（-0.468）	（-0.499）	（-0.238）	（-0.0254）	（0.00341）
$l n I N V E S T t 0$						0.00660	0.00691	0.00466	0.0477^**	0.0298	0.0334	0.0226	0.0253
						（0.304）	（0.306）	（0.176）	（2.273）	（1.408）	（1.377）	（0.842）	（0.974）
$l n C O N S U M E t 0$							0.00208	0.0102	-0.0122	-0.0645^**	-0.0853^*	-0.0265	-0.0251
							（0.0684）	（0.358）	（-0.431）	（-2.058）	（-1.904）	（-0.837）	（-0.763）
$l n H U M A N t 0$								-0.0229	-0.0280	-0.0467	-0.0284	-0.0385^*	-0.0398^*
								（-0.532）	（-0.630）	（-0.997）	（-1.304）	（-1.747）	（-1.712）
$l n I N D t 0$									-0.166^**	0.0168	0.0918	0.0209	0.0231
									（-2.170）	（0.318）	（0.932）	（0.342）	（0.374）
$l n S E R t 0$										0.327^***	0.377^***	0.249^***	0.263^***
										（3.769）	（2.962）	（3.756）	（3.553）
$l n T E L E t 0$											-0.139	-0.178	-0.178
											（-1.025）	（-1.387）	（-1.387）
$l n N E T t 0$												0.149^**	0.149^**
												（2.328）	（2.328）
$l n P R O F I T t 0$													0.00694
													（0.466）
常数	-0.00883	0.185^***	-0.285^***	-0.849^***	-0.920^***	-0.943^***	-0.952^***	-0.977^***	-0.517^**	-2.126^***	-2.926^***	-1.445^***	-1.517^***
	（-0.433）	（4.511）	（-3.240）	（-6.684）	（-5.988）	（-6.442）	（-5.256）	（-4.554）	（-2.151）	（-4.965）	（-2.665）	（-3.345）	（-3.163）
样本数	3 245	3 245	3 245	3 245	2 863	2 863	2 863	2 779	2 779	2 779	2 767	2 755	2 755

注：***、**和*分别表示在1%、5%和10%水平下显著，下同。时间固定效应均显著，为节省篇幅，表4中略去时间固定效应结果。

总体看，城市群边界变量在5%水平下显著促进金融集聚，省际行政边界对金融集聚水平的影响不显著。

采用逐步回归法，在所有模型中，滞后一期的城市群边界的系数显著为正，加入城市群，城市的金融集聚水平将会提升0.155~0.203个单位，验证了假设1。该结果与Muradoğlu等^[14]、Jones等^[10]、Barrell等^[11]的结果一致，表明城市群边界对金融集聚影响显著，城市群内外部的金融空间具有较强的异质性，加入城市群能够显著提升城市对金融体系的临近性。

省际行政边界的系数不显著，验证了假设2。众所周知，我国金融集聚水平较高的城市集中在京津冀、长三角和珠三角地区，本文的结果表明，这主要是行政级别较高和城市群边界因素导致的，而省级行政边界效应对金融集聚没有明显影响。因此，未来在制定区域金融一体化政策时，必须要打破“行政区经济”的藩篱，充分考虑“城市群经济”的因素。

必须指出的是，控制变量的实证结果也值得关注。①行政级别、政府干预、产业结构、信息基础、经济基础因素显著促进金融集聚。行政级别显著促进金融集聚，这与李伟军^[3]、樊向前等^[2]的结果一致。政府干预的系数显著为正，这得到了任英华、冯林、李大垒等^[5⇓-7]研究的支持。在产业结构因素中，第二产业增加值的比重的系数不显著，第三产业增加值的比重的系数显著为正，与张浩然^[4]的研究结果一致，其原因可能在于，金融机构倾向于向服务业较为集中的城市集聚，这些城市通常是现代服务业中心。信息基础的正向促进作用支持了李伟军^[3]、樊向前等^[2]的研究结果。经济基础促进金融集聚符合经济理论预期。②距离、对外开放、投资水平、消费水平、人力资本和利润率的系数均不显著。距离因素不显著违反了“地理学第一定律”，可能的原因是金融资源空间流动的摩擦较小。对外开放的系数不显著，王如玉等的研究提供了类似的结果^[24]，任英华等也发现对外开放对金融集聚的影响随时间推移逐渐衰减^[5]。投资水平的系数不显著，现有研究关于该因素的影响结果存在一定争议。李伟军指出，投资水平具有“挤出效应”，会抑制区域金融集聚^[3]，而冯林发现投资水平对金融集聚具有“拉动效应”，本文提供了第三种结果，这表明投资水平对金融集聚的影响问题有待进一步研究^[7]。消费水平和利润率的系数不显著，这与李伟军^[3]和王如玉^[24]的结果不一致，这可能是由于核心解释变量的“掩蔽效应”。人力资本的系数不显著，李伟军提供了类似的结果^[3]，冯林等提供了相反的结果^[7]，这有可能是因为样本选择导致的，因为张浩然发现人力资本的影响在中西部城市显著为正，而在东部城市不显著^[4]。

3.2 稳健性检验与异质性分析

为增强实证结果的稳健性，本文从两个方面进行检验：①替换核心解释变量。本文通过用城市群边界变量滞后两期和当期值替代滞后一期值重新计算回归结果，发现核心解释变量的系数的符号和显著性都没有发生改变，这说明前述实证结果的可靠性。②本文用带有时间趋势效应的面板回归模型重新估计（表5）。结果显示时间趋势项的系数显著大于0，2005—2017年，样本城市的金融集聚水平每年平均增长0.0248~0.0263。另外，比较带有时间趋势项和带有时间固定效应的两种模型的结果，发现核心解释变量的符号和显著性没有发生变化，表明结果的稳健性。值得一提的是，在带有时间趋势项的模型中，城市群边界的系数有所减小，加入城市群，城市的金融集聚水平将会提升0.149~0.188个单位（基准模型为0.155~0.203个单位）。

表5 带有时间趋势项的面板随机效应模型的实证检验结果

Tab.5 Results of the panel random effect model with time trend

	Model1	Model2	Model3	Model4	Model5	Model6	Model7	Model8	Model9	Model10	Model11	Model12	Model13
$U A B t - 1$	0.188^**	0.184^***	0.180^***	0.176^***	0.163^***	0.162^***	0.162^***	0.162^***	0.159^***	0.159^***	0.153^***	0.149^***	0.150^***
	（2.467）	（7.794）	（7.632）	（7.473）	（6.492）	（6.473）	（6.466）	（6.384）	（6.290）	（6.305）	（5.908）	（5.830）	（5.847）
$P A B t - 1$	0.109^**	-0.0104	-0.0181	0.00242	-0.0102	-0.0103	-0.0108	-0.0191	-0.0350	-0.0518	-0.0142	-0.0217	-0.0213
	（2.035）	（-0.202）	（-0.359）	（0.0485）	（-0.186）	（-0.187）	（-0.195）	（-0.340）	（-0.618）	（-0.931）	（-0.289）	（-0.488）	（-0.477）
$A L t 0$	0.282^***	0.279^***	0.203^***	0.179^***	0.171^***	0.172^***	0.173^***	0.182^***	0.165^***	0.151^***	0.112^***	0.117^***	0.118^***
	（5.538）	（11.59）	（6.776）	（5.886）	（5.096）	（5.023）	（4.978）	（5.133）	（4.511）	（4.182）	（3.505）	（4.045）	（4.046）
$D I S t 0$		-0.120^***	-0.0724^**	-0.0251	-0.0407	-0.0411	-0.0412	-0.0374	-0.0554	-0.0471	-0.0335	-0.0505	-0.0469
		（-3.731）	（-2.156）	（-0.699）	（-0.908）	（-0.913）	（-0.912）	（-0.809）	（-1.179）	（-1.021）	（-0.829）	（-1.384）	（-1.260）
$l n E C O t 0$			0.0834^***	0.124^***	0.134^***	0.134^***	0.133^***	0.132^***	0.157^***	0.147^***	0.173^***	0.110^***	0.107^***
			（4.033）	（5.225）	（4.924）	（4.848）	（4.792）	（4.644）	（5.026）	（4.778）	（6.344）	（4.126）	（3.936）
$l n G O V t 0$				0.119^***	0.139^***	0.139^***	0.139^***	0.160^***	0.170^***	0.164^***	0.291^***	0.158^***	0.157^***
				（3.331）	（3.210）	（3.206）	（3.196）	（3.341）	（3.545）	（3.496）	（6.435）	（3.498）	（3.451）
$l n O P E N t 0$					-0.000383	-0.000375	-9.80e-05	0.00331	-0.00164	7.43e-05	-0.00145	0.00378	0.00415
					（-0.0251）	（-0.0246）	（-0.00636）	（0.210）	（-0.103）	（0.00474）	（-0.103）	（0.295）	（0.323）
$l n I N V E S T t 0$						0.00485	0.00369	0.000101	0.0503	0.0331	0.0350	0.0253	0.0286
						（0.134）	（0.0988）	（0.00260）	（1.071）	（0.715）	（0.861）	（0.691）	（0.768）
$l n C O N S U M E t 0$							-0.00762	0.00883	-0.0168	-0.0714	-0.0936^*	-0.0304	-0.0287
							（-0.136）	（0.152）	（-0.282）	（-1.169）	（-1.747）	（-0.619）	（-0.584）
$l n H U M A N t 0$								-0.0394	-0.0444^*	-0.0644^**	-0.0328	-0.0431^**	-0.0447^**
								（-1.583）	（-1.783）	（-2.545）	（-1.442）	（-2.100）	（-2.151）
$l n I N D t 0$									-0.194^*	-0.0112	0.100	0.0149	0.0173
									（-1.885）	（-0.0951）	（0.958）	（0.156）	（0.181）
$l n S E R t 0$										0.334^***	0.398^***	0.250^***	0.267^***
										（3.025）	（4.084）	（2.759）	（2.769）
$l n T E L E t 0$											-0.171^***	-0.204^***	-0.205^***
											（-6.799）	（-8.623）	（-8.634）
$l n N E T t 0$												0.156^***	0.157^***
												（6.527）	（6.532）
$l n P R O F I T t 0$													0.00827
													（0.516）
时间趋势项	0.0248^***	0.0248^***	0.0248^***	0.0248^***	0.0261^***	0.0261^***	0.0261^***	0.0262^***	0.0262^***	0.0262^***	0.0262^***	0.0263^***	0.0263^***
	（14.86）	（36.41）	（36.43）	（36.47）	（34.48）	（34.48）	（34.47）	（33.87）	（33.89）	（33.88）	（34.04）	（33.99）	（33.99）
常数	-0.332^***	-0.131^**	-0.605^***	-1.168^***	-1.254^***	-1.270^***	-1.237^***	-1.325^***	-0.793^*	-2.411^***	-3.480^***	-1.794^***	-1.881^***
	（-22.46）	（-2.271）	（-4.646）	（-5.508）	（-5.110）	（-4.621）	（-3.392）	（-3.488）	（-1.681）	（-3.413）	（-5.432）	（-2.834）	（-2.869）
样本数	3 245	3 245	3 245	3 245	2 863	2 863	2 863	2 779	2 779	2 779	2 767	2 755	2 755

此外，本文将金融深度、金融规模和金融空间密度三个因子分别作为被解释变量，代入带有时间固定效应的面板随机效应模型中，结果发现：城市群边界显著促进金融深度，对金融规模和金融空间密度影响不显著，而省际行政边界对三者的影响均不显著。城市群边界的金融集聚效应表现为金融深度的提升，这一结果验证了Gehringer^[25]的观点，城市群扩容有助于加强区域内金融体系之间的竞争和合作，提升金融深度与金融效率，提高区域金融一体化程度。但是城市群边界对于金融规模和金融空间密度没有明显的提升作用。金融规模更多地受到城市行政级别、初期的经济基础、产业结构和信息基础的影响，具体来说，城市的行政级别越高、经济基础越强、第二产业增加值的比重越低、信息基础设施越完善，其金融规模越大。其中，行政界别是影响金融规模的主导因素，在中国独特的政治制度和行政体系下，资源调度和配置都是按照行政级别自上而下逐级分配，使得高行政级别的城市在集聚资源方面具有不可比拟的优势^[26]。金融空间密度则主要受到人力资本和信息基础因素的影响。其中，人力资本越丰裕，金融空间密度越高，这一点得到冯林^[7]的研究的支持，其原因可能是金融行业对于人力资本的要求较高，因此人力资本较高的区域可以吸引金融资源集聚。而信息基础对金融集聚的促进效果与李伟军^[3]、樊向前等^[2]的研究结果一致，可能的原因是通讯网络条件决定了金融信息的通畅程度，便捷的信息传递有助于促进金融集聚。

分析不同规模的城市样本的异质性特征。依据我国现行的城市规模划分标准，市辖区常住人口 ^① 在100万以下的为中小城市，100万~500万的为大城市，500万以上的为特大城市（包括超大城市）。分别对三类城市进行检验（表6），分样本结果表明，不同规模的城市具有较强的异质性。城市群边界的金融集聚效应只对大城市有效，对于中小城市和特大城市来说，城市群边界的金融集聚效应都不能通过5%水平下的显著性检验。从表6的结果可以看到，影响中小城市、大城市和特大城市金融集聚水平的变量差异显著，这说明，对于这三类城市来说，其对金融资源的争夺处在不同的层次与水平上。对于中小城市来说，距离因素显著负向影响金融集聚。换言之，中小城市之间竞争的是金融中心的辐射效应。离金融中心越近的中小城市，其享受到的辐射效应越强。对于大城市来说，城市群边界和行政级别是影响金融集聚水平的主导因素。而由于行政级别常年不变，能否加入城市群对这类城市的金融集聚能力起到关键影响。因此大城市竞争的是进入城市群的资格，进入城市群意味着加入了“金融俱乐部”，就能够在当前区域金融资源的重新布局中取得一定优势。而对于特大城市来说，第三产业增加值的比重对其金融集聚水平起到决定性作用。虽然在不同规模的城市中，该因素的系数都显著为正，但是从系数大小来说，中小城市和大城市的系数分别为0.109和0.106，而特大城市的系数达到1.572，超过前两者的14倍。不同于前两类城市，特大城市已经在区域内脱颖而出，结合张浩然^[4]、Desmet等^[27]的研究，其现阶段的发展方向是成为更高水平的现代服务业中心。作为金融业和其他高端、生产性服务业集聚的场所，特大城市的第三产业增长值的比重越高，说明其成为现代服务业中心的潜力越强，其对金融资源的吸引力就越大。

表6 不同规模的城市的实证结果

Tab.6 Results of the econometric model for different sized cities

	中小城市	大城市	特大城市
$U A B t - 1$	0.0618^*（1.939）	0.0745^**（2.548）	0.0126（0.0642）
$P A B t - 1$	-0.0346（-1.410）	-0.0222（-0.832）	0.138（0.512）
$A L t 0$	-	0.0846^***（3.059）	-0.0225（-0.259）
$D I S t 0$	-0.0580^***（-2.714）	-0.0223（-0.854）	-0.154（-0.637）
$l n E C O t 0$	0.0584^**（2.557）	0.167^***（7.455）	0.272^**（2.320）
$l n G O V t 0$	0.0295（1.063）	0.0266（0.953）	0.358^*（1.648）
$l n O P E N t 0$	-0.00303（-0.309）	-0.00900（-1.020）	-0.0119（-0.131）
$l n I N V E S T t 0$	0.0395^*（1.741）	0.0417^*（1.955）	-0.410^*（-1.786）
$l n C O N S U M E t 0$	-0.0282（-0.638）	0.00734（0.248）	-0.194（-0.681）
$l n H U M A N t 0$	0.0149（1.146）	0.0118（0.896）	0.0168（0.161）
$l n I N D t 0$	0.0484（1.153）	-0.142^*（-1.829）	1.183（1.376）
$l n S E R t 0$	0.109^**（1.972）	0.106^**（2.166）	1.572^**（2.464）
$l n T E L E t 0$	0.0550^**（2.478）	0.0408（1.197）	-0.290^**（-2.545）
$l n N E T t 0$	0.0227（1.389）	0.0339（1.306）	0.138（1.005）
$l n P R O F I T t 0$	-0.00708（-0.500）	-0.0103（-0.713）	-0.0884（-0.774）
常数	-0.806^**（-2.258）	-0.819^**（-2.093）	-9.709^**（-2.108）
样本数	1 280	1 302	173
城市数	139	157	37

4 结论与启示

本文基于2005—2017年278个地级及以上城市数据，采用带有时间固定效应的面板随机效应等模型，综合对比城市群边界和省际行政边界对金融集聚的差异化影响。计量结果显示：①城市群边界具有明显的金融集聚效应，主要表现为金融深度的提升，而不是金融规模的扩大或金融空间密度的提高。值得一提的是，影响金融规模的主要因素是城市行政级别和经济基础因素，金融空间密度受人力资源和信息基础因素的影响较大。②省际行政边界不具有促进金融集聚、金融规模、金融深度或金融空间密度的作用。③在不同规模的城市具有较强的异质性。城市群边界的金融集聚效应只对市辖区常住人口100万~500万的大城市样本有效。

本文综合比较了城市群边界和省际行政边界的金融集聚效应，从中至少可得四点启示：①城市群边界效应显著，这表明城市群内部形成了一体化的金融空间，其与城市群外部的金融空间表现出显著的异质性，城市群已经成为区域金融新的空间单元。②城市群边界效应的存在意味着存在“金融俱乐部”，加入城市群有助于降低边界成本，提升城市对金融资源的可得性，降低融资成本，提升金融效率。尤其是对城市群外围的城市来说，能否取得金融俱乐部的会员身份会对城市发展路径产生重要影响。③城市群边界效应显著而省际行政边界不显著，这意味着基于“行政区经济”的金融一体化政策将难以取得预期的效果。未来我国区域金融一体化战略的制定和实施必须充分考虑“城市群经济”的影响。④对于不同规模的城市来说，影响金融集聚的关键因素存在较大差异。对于中小城市来说，同金融中心的地理临近性显著影响其金融集聚，这表明，通常所说的金融中心的辐射效应主要体现在这类城市中。对于大城市来说，地理临近性已经不再重要，而城市群边界效应显著，这意味着能否加入城市群将直接影响这类城市对金融资源的可获得性。而对于特大城市来说，第三产业增加值占GDP的比重能够较大程度地促进金融集聚，原因可能在于特大城市的发展方向是综合的现代服务业中心，因此服务业发展水平越高的城市，其金融产业集聚水平也越高。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	黄解宇, 杨再斌. 金融集聚论:金融中心形成的理论与实践解析[M]. 北京: 中国社会科学出版社, 2006.

[2]	樊向前, 范从来. 城市金融竞争力影响因素和评估体系研究——基于金融地理学的信息视角[J]. 江苏社会科学, 2016(2):37-46.

[3]	李伟军. 地区行政层级、信息基础与金融集聚的路径选择——基于长三角城市群面板数据的实证分析[J]. 财经研究, 2011, 37(11):80-90.

[4]	张浩然. 中国城市金融集聚的演进趋势与影响因素:区域异质性视角[J]. 广东财经大学学报, 2016, 31(3):56-63.

[5]	任英华, 徐玲, 游万海. 金融集聚影响因素空间计量模型及其应用[J]. 数量经济技术经济研究, 2010(5):104-115.

[6]	李大垒, 仲伟周. 金融产业集聚发展的空间交互影响研究——基于中国277个城市的空间计量分析[J]. 西南民族大学学报:人文社科版, 2016, 37(10):112-116.

[7]	冯林, 罗怀敬, 李文正, 等. 县域金融集聚影响因素研究——基于空间杜宾模型和山东省县域数据的实证[J]. 农业技术经济, 2016(6):113-122.

[8]	任以胜, 陆林, 朱道才. 区域协调发展战略下的行政边界研究框架[J]. 经济地理, 2019, 39(3):29-36,47.

[9]	王成龙, 刘慧, 张梦天. 边界效应研究进展及展望[J]. 地理科学进展, 2016, 35(9):1 109-1 118.

[10]	Jones J, Serwicka I, Wren C. Economic integration,border costs and FDI location:Evidence from the fifth European Union enlargement[J]. International Review of Economics & Finance, 2018, 54:193-205.

[11]	Barrell R, Nahhas A. International Review of Financial Analysis(2019)[EB/OL]. https://doi.org/10.1016/j.irfa.2019.01.008.

[12]	Nurboja B, Košak M. Banking efficiency in South East Europe:Evidence for financial crises and the gap between new EU members and candidate countries[J]. Economic Systems, 2017, 41(1):122-138.

[13]	Lindman S, Tuvhag T, Jayasekera R, et al. Market impact on financial market integration:cross-quantilogram analysis of the global impact of the euro[J]. Journal of Empirical Finance, 2019,https://doi.org/10.1016/j.jempfin.2019.10.005.

[14]	Muradoğlu Y G, Onay C, Phylaktis K. European integration and corporate financing[J]. International Review of Financial Analysis, 2014, 33:138-157.

[15]	茹乐峰, 苗长虹, 王海江. 我国中心城市金融集聚水平与空间格局研究[J]. 经济地理, 2014, 34(2):58-66.

[16]	鲁平俊, 唐小飞, 王春国, 等. 城市群战略与资源集聚效率研究[J]. 宏观经济研究, 2015(5):150-159.

[17]	戴永安, 张友祥. 中国城市群内部与外围的效率差异及其影响因素——基于DEA模型的分析[J]. 当代经济研究, 2017(1):64-71.

[18]	余元春, 顾新, 陈一君. 跨区域技术转移边界效应研究[J]. 经济问题探索, 2016(5):44-50.

[19]	王成龙, 刘慧, 张梦天. 基于结构方程模型的京津冀城市用地行政边界效应分析[J]. 自然资源学报, 2016, 31(7):1 127-1 137.

[20]	巫强, 朱姝, 安修伯. 中国劳动力流动存在省际边界壁垒吗?——基于暂住证数据的实证研究[J]. 中国经济问题, 2016(6):3-13.

[21]	崔兆财, 周向红. 中国省级行政边界处的非连续增长——基于DMSP/OLS夜间灯光数据的实证研究[J]. 经济问题探索, 2018(4):9-17.

[22]	靳卫东, 刘敬富. 市场结构、行政壁垒与技术创新——来自中国高技术产业的经验证据[J]. 科技管理研究, 2019, 39(10):91-100.

[23]	武英涛, 茆训诚, 张云. 长三角金融市场一体化中的行政边界壁垒测度——基于企业债务融资成本的实证研究[J]. 河海大学学报:哲学社会科学版, 2019, 21(5):41-50,106.

[24]	王如玉, 王志高, 梁琦, 等. 金融集聚与城市层级[J]. 经济研究, 2019, 54(11):1-15.

[25]	Gehringer A. Growth,productivity and capital accumulation:The effects of financial liberalization in the case of European integration[J]. International Review of Economics & Finance, 2013, 25(JAN.):291-309.

[26]	江艇, 孙鲲鹏, 聂辉华. 城市级别、全要素生产率和资源错配[J]. 管理世界, 2018, 34(3):38-50,77,183.

[27]	Desmet K, Rossi-Hansberg E. Spatial development[J]. American Economic Review, 2014, 104(4):1 211-1 243.

Options

文章导航

模态框（Modal）标题

摘要