EN中文

Economic geography >

2021 , Vol. 41 >Issue 9: 12 - 21

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.09.002

Spatio-temporal Evolution Characteristics and Influence Factors of Inclusive Financial Development Level in China

  • LI Qiong , 1, 2 ,
  • ZHANG Lanlan 3 ,
  • LI Songlin 4 ,
  • LIU Yi , 5, 6, ※
Expand
  • 1. Qu Qiubai School of Government，Changzhou University，Changzhou 213159，Jiangsu，China
  • 2. Jishou University Academician's Expert Workstation，Institute of Geographic Sciences and Natural Resources Research，Chinese Academy of Sciences，Jishou 416000，Hunan，China
  • 3. Rennes School of Business，Rennes 35000，France
  • 4. Business School，Jishou University，Jishou 416000，Hunan，China
  • 5. Institute of Strategy Research for Guangdong-Hong Kong-Macao Greater Bay Area，Guangzhou 510070，Guangdong，China
  • 6. Institute of Geographic Sciences and Natural Resources Research，Chinese Academy of Sciences，Bejing 100101，China

Received date: 2021-03-23

  Revised date: 2021-06-21

  Online published: 2025-04-01

Fold

Abstract

Taking 30 provinces (municipalities and autonomous regions) in China as the research object,this paper comprehensively uses the methods of standard deviation ellipse,spatial auto-correlation,and spatial regression model to explore the spatio-temporal evolution of the development level of inclusive finance in China from 2006 to 2018 and its influencing factors. The following main conclusions are drawn: 1) From the perspective of time sequence,the development level of inclusive finance shows a fluctuating trend at the national,regional and provincial level,but the overall development level is low. In 2018,the national average level was still at the lower level of the medium level. 2) From the spatial perspective,it takes Shanghai and Beijing as the centers of high-value areas,and finally forms a spatial distribution pattern of "central collapse" with high levels in the eastern and western China and low levels in the central region. The development level of inclusive finance shows a significant spatial aggregation state. High-high agglomeration areas mostly locate in the east of China,while low-low agglomeration areas mainly concentrate in the central and western regions. 3) The optimization level of industrial structure,transportation infrastructure,government support,economic development level and urban-rural income gap all have a significant positive promoting effect on the development level of local inclusive finance,and the influence degree decreases successively. The level of economic development,the level of industrial structure optimization,the efficiency of financial development and the proportion of education and science and technology have a significant spatial spillover effect.

Key words： inclusive finance; transportation infrastructure; efficiency of financial development; urbanization rate; spatial agglomeration; industrial structure

Cite this article

LI Qiong , ZHANG Lanlan , LI Songlin , LIU Yi . Spatio-temporal Evolution Characteristics and Influence Factors of Inclusive Financial Development Level in China[J]. Economic geography, 2021 , 41(9) : 12 -21 . DOI: 10.15957/j.cnki.jjdl.2021.09.002

自联合国2005年正式提出“普惠金融”概念以来，因其在减少贫困和促进公平方面比传统金融具备更大的优势，从而得到了国际社会的广泛关注和推崇。中国高度重视普惠金融在降低社会经济不平等、促进经济高质量发展等方面的作用，积极探索适合本国特色的普惠金融，并出台了多项政策措施给予保障，如：2013年，党的十八届三中全会将发展普惠金融写入决议；2015年，《推进普惠金融发展规划（2016—2020年）》（国发〔2015〕74号）明确提出，通过提高金融服务覆盖率、满意度和可得性，实现中国普惠金融发展水平达到国际中上游水平的目标；2018年，《乡村振兴战略规划（2018—2022年）》提出加大金融服务农业农村力度；2021年，中央一号文件中再次强调发展农村普惠金融，坚持为农服务宗旨，持续深化金融改革。在一系列政策措施的保障下，中国的普惠金融服务的宽度和广度不断拓展和深化，服务质量持续提高。普惠金融已成为中国包容性经济增长和发展的有效工具之一[1]，关系到乡村振兴战略的实现[2]。
关于普惠金融的研究，理论界是随着2005年联合国提出这一概念而逐步深入的。国内外学者最初倾向对普惠金融涵义、重要性[3-4]和服务对象[5-6]的探讨，随后开始关注到普惠金融发展水平及影响因素的问题[7-8]。概括起来，相关研究内容主要集中在三个方面：一是普惠金融的内涵。Sarma认为普惠金融是“为所有经济成员对正规金融体系的获取、利用和使用的便利程度”[9]。李建军等认为普惠金融是以可承受的成本及时获得金融服务和充足信贷的过程[10]，其本质在于使社会全体成员能够享受到正规并且高质量的金融服务[11]。二是普惠金融的重要性。普惠金融有助于就业、减少贫困、促进收入平等，有助于加快经济增长并导致金融发展[12⇓-14]；三是普惠金融水平测度和影响因素。由于对普惠金融理解以及国家或地区金融发展程度不同，理论界对普惠金融水平评价和影响因素的维度和指标亦有差别。就构建普惠金融水平指标体系维度的选择方面，有两维度[15]、三维度[16⇓-18]和四维度[19-20]三种选择；就普惠金融的影响因素方面，社会、经济、教育文化、政府和金融发展效率等均有不同的影响[21⇓-23]。纵观已有文献，主要存在两个方面的问题：一是在分析普惠金融水平发展演化的规律时，多使用定性的方法或是空间自相关方法，鲜有使用能可视化普惠金融水平重心位置、方向和形态的标准差椭圆方法。二是在分析普惠金融发展水平的影响因素时，仅分析对本地区的直接影响，未分析对周边地区影响。事实上，中国要实现普惠金融的可持续均衡发展，需要分析相关影响因素的直接效应和空间溢出效应。鉴于此，本文利用2006—2018年的省际面板数据，在测算普惠金融指数的基础上，综合运用标准差椭圆、空间自相关和空间计量模型，探讨中国普惠金融发展水平的时空演变特征及其影响因素。这既在内容和方法上丰富了经济地理特别是金融地理理论；同时，能在一定程度为新时代中国加快推进金融业可持续均衡发展和金融改革创新提供政策依据。

1 数据来源、研究方法和指标体系的构建

本文以中国30个省（自治区、直辖市）的普惠金融水平为研究对象，西藏、香港、澳门和台湾由于数据获取难度大，未纳入本文的讨论范围。全文数据来源于2007—2019年《中国金融年鉴》《中国区域金融运行报告》《中国统计年鉴》以及各省（自治区、直辖市）统计年鉴。对缺失的个别数据，采取插值法进行补充。

1.1 标准差椭圆分析

根据标准差椭圆（SDE）模型的5个基本参数变动情况，解释中国普惠金融水平的年际变化和空间动态过程的总体特征。标准差椭圆计算公式如下[24]：
X ¯ w = ∑ i = 1 n w i x i ∑ i = 1 n w i ; Y ¯ w = ∑ i = 1 n w i y i ∑ i = 1 n w i
σ x = ∑ i = 1 n w i x ~ i c o s θ - w i y ~ i s i n θ 2 ∑ i = 1 n w i 2
σ y = ∑ i = 1 n w i x ~ i s i n θ - w i y ~ i c o s θ 2 ∑ i = 1 n w i 2
式中： X ¯ w和 Y ¯ w为平均中心； σ x为 x轴标准差； σ y为y轴标准差； w i为权重； x i和 y i表示研究对象的空间区位； x ~ i和 y ~ i表示研究对象空间区位到平均中心的坐标偏差； θ为偏转角。

1.2 空间自相关

运用全局莫兰指数判断中国普惠金融水平在全域上的空间特征，运用局部莫兰指数探索各省份普惠金融水平空间集聚类型及其变化规律[25]。

1.3 普惠金融水平指标体系构建及测度

构建科学合理的指标体系是评价普惠金融水平的关键。本文参考相关文献[15⇓⇓⇓⇓-20]并结合《国务院关于印发推进普惠金融发展规划（2016—2020年）通知》中关于普惠金融的界定 ① ，遵循全面、科学和数据可得性原则，从金融服务覆盖率、可得性和效用度三个维度选取16个具体的指标构建指标体系（表1）。
表1 中国普惠金融水平评价指标体系

Tab.1 Evaluation index system of inclusive finance level in China

维度 具体指标 计算公式 单位 指标性质 权重
金融服务覆盖率 每万平方公里银行金融机构数 银行金融机构数量／当地区域面积 个/万km2 正向 0.1363
每万平方公里银行金融机构从业人员数 银行金融机构就业人员数量／当地区域面积 人/万km2 正向 0.1890
每万人银行金融机构数 银行金融机构数量／常住人口数量 个/万人 正向 0.0167
每万人银行金融从业人员数 金融服务人员数／常住人口数 人/万人 正向 0.0320
每万人农村人口小型农村金融机构数 农村金融机构数量／农村人口数量 个/万人 正向 0.0317
每万人农村人口小型农村金融机构从业人员数 农村金融机构从业人员数量/农村人口数量 人/万人 正向 0.0431
金融服务可得性 居民人均存款余额 居民存款余额／常住人口数量 万元/人 正向 0.0659
金融机构人均存款余额 金融机构存款余额／常住人口数量 万元/人 正向 0.1068
金融机构人均贷款余额 金融机构贷款余额／常住人口数量 万元/人 正向 0.0855
保险密度 保费收入／常住人口数量 元/人 正向 0.0805
金融服务效用度 保险深度 保费收入／GDP % 正向 0.0292
金融机构贷款余额占GDP比重 金融机构贷款余额／GDP % 正向 0.0324
居民储蓄存款余额占GDP比重 居民储蓄存款余额／GDP % 正向 0.0216
金融机构存款余额占GDP比重 金融机构存款余额／GDP % 正向 0.0401
金融机构总资产占GDP比重 金融机构总资产／GDP % 正向 0.0464
农村金融机构总资产占GDP比重 农村金融机构总资产／GDP % 正向 0.0428

注：表中各指标的权重采用变异系数法计算得到。

为使结果更客观，本文运用变异系数法对各指标确定权重的基础上，选用Sarma基于欧氏空间距离的测算方法测算普惠金融发展水平，计算公式见注释 ② [16]。
参考林春的做法[26]，通过五分位数将IFI分为五种类型，即：0≤IFI≤0.1573为低水平；0.1574≤IFI≤0.3146为中等偏下水平；0.3147≤IFI≤0.4719为中等水平；0.4720≤IFI≤0.6292为中等偏上水平；0.6293≤IFI≤0.7865为高水平。

2 中国普惠金融发展水平的时空特征分析

2.1 时序变化特征

根据IFI计算公式，借助MATLAB软件，计算得到2006—2018年全国以及各个省份的IFI（表2），并绘制全国和四大区域 ③ 的IFI趋势图（图1）。
表2 2006—2018年中国30个省份IFI变化情况

Tab.2 Changes of the IFI in 30 provinces of China from 2006 to 2018

地区 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 平均
北京 0.320 0.332 0.355 0.398 0.413 0.413 0.437 0.455 0.497 0.543 0.573 0.585 0.588 0.455
天津 0.199 0.213 0.217 0.241 0.258 0.267 0.283 0.298 0.312 0.331 0.349 0.357 0.365 0.284
河北 0.064 0.069 0.074 0.084 0.087 0.086 0.092 0.100 0.108 0.122 0.136 0.147 0.156 0.102
山西 0.091 0.077 0.093 0.112 0.112 0.115 0.124 0.140 0.140 0.159 0.173 0.175 0.177 0.130
内蒙古 0.065 0.066 0.070 0.086 0.093 0.096 0.108 0.111 0.117 0.129 0.144 0.157 0.160 0.108
辽宁 0.091 0.099 0.108 0.107 0.121 0.124 0.127 0.143 0.153 0.169 0.193 0.202 0.207 0.142
吉林 0.076 0.070 0.071 0.077 0.086 0.079 0.085 0.089 0.103 0.119 0.146 0.165 0.150 0.101
黑龙江 0.045 0.049 0.059 0.067 0.068 0.068 0.076 0.083 0.092 0.106 0.111 0.118 0.129 0.082
上海 0.412 0.463 0.515 0.520 0.579 0.602 0.632 0.703 0.741 0.731 0.758 0.778 0.786 0.632
江苏 0.087 0.099 0.108 0.115 0.130 0.137 0.150 0.162 0.175 0.193 0.211 0.236 0.237 0.157
浙江 0.127 0.132 0.143 0.163 0.177 0.185 0.200 0.216 0.236 0.243 0.258 0.269 0.285 0.203
安徽 0.054 0.053 0.058 0.066 0.071 0.074 0.074 0.084 0.092 0.109 0.115 0.124 0.128 0.085
福建 0.062 0.065 0.071 0.080 0.088 0.093 0.103 0.115 0.126 0.139 0.151 0.156 0.161 0.108
江西 0.049 0.047 0.051 0.056 0.059 0.062 0.068 0.076 0.085 0.097 0.107 0.116 0.121 0.076
山东 0.082 0.081 0.079 0.090 0.096 0.102 0.109 0.119 0.127 0.135 0.150 0.158 0.165 0.115
河南 0.061 0.060 0.066 0.068 0.075 0.076 0.082 0.089 0.094 0.105 0.123 0.142 0.133 0.090
湖北 0.051 0.050 0.053 0.060 0.066 0.067 0.073 0.081 0.090 0.097 0.108 0.123 0.128 0.081
湖南 0.050 0.051 0.114 0.059 0.059 0.061 0.065 0.069 0.075 0.084 0.094 0.102 0.110 0.076
广东 0.115 0.117 0.122 0.132 0.139 0.143 0.157 0.167 0.179 0.195 0.212 0.221 0.230 0.164
广西 0.032 0.031 0.032 0.044 0.050 0.052 0.059 0.065 0.071 0.078 0.087 0.092 0.096 0.061
海南 0.056 0.054 0.058 0.069 0.079 0.082 0.091 0.102 0.110 0.133 0.148 0.162 0.170 0.101
重庆 0.078 0.072 0.084 0.090 0.100 0.106 0.115 0.125 0.133 0.140 0.145 0.155 0.176 0.117
四川 0.056 0.056 0.063 0.074 0.086 0.086 0.094 0.104 0.114 0.124 0.136 0.141 0.145 0.098
贵州 0.044 0.043 0.045 0.050 0.060 0.061 0.065 0.079 0.086 0.097 0.109 0.115 0.118 0.075
云南 0.042 0.048 0.048 0.064 0.069 0.066 0.071 0.078 0.083 0.093 0.099 0.103 0.103 0.074
陕西 0.067 0.065 0.072 0.078 0.084 0.087 0.093 0.102 0.107 0.121 0.132 0.140 0.149 0.100
甘肃 0.051 0.050 0.057 0.068 0.071 0.076 0.084 0.094 0.105 0.127 0.142 0.151 0.148 0.094
青海 0.046 0.047 0.048 0.057 0.067 0.071 0.086 0.097 0.107 0.122 0.139 0.143 0.140 0.090
宁夏 0.071 0.068 0.073 0.081 0.089 0.093 0.104 0.114 0.122 0.150 0.146 0.157 0.161 0.110
新疆 0.045 0.044 0.046 0.056 0.063 0.068 0.075 0.084 0.090 0.102 0.113 0.124 0.125 0.080
图1 中国及其四大区域IFI趋势图

Fig.1 IFI trend chart in China and four regions

由图1可知，2006—2018年全国及四大区域普惠金融水平在波动中上升，IFI从0.0896上升到0.1983，上涨幅度为0.1087，年均增长率为6.84%，普惠金融从低水平上升到中等偏低水平。30个省份的IFI均不同程度地提高，这说明各省的普惠金融水平随时间推移不断提高，但省际差异大（表2）。研究期间，全国普惠金融水平可以分为三个阶段：2006—2010年，普惠金融水平逐年上升，且2010年为第一阶段的高点；2011年普惠金融水平有所回落；2012—2018年普惠金融水平逐年上升，2018年达到阶段性高点，但在2017年之后增幅有所减小，这说明普惠性金融发展的边际水平有所减弱，需要引起相关部门的关注。
从四大区域来看，东部地区普惠金融水平最高，远超出全国和其他三大区域发展水平。2006—2018年，西部地区IFI由0.0543上升到0.1384，年均增长率为8.11%；东北地区由0.0708上升到0.1617，年均增长率为7.12%；中部地区由0.0591上升到0.1328，年均增长率为6.98%；东部地区由0.1525上升到0.3145，年均增长率为6.22%。四大区域年均增速由大到小为西部地区、东北地区、中部地区和东部地区。

2.2 中国普惠金融发展水平的空间特征

根据2006—2018年的IFI，应用ArcGIS10.7软件的空间统计工具模块的方向分布绘制标准差椭圆（图2），并计算得到标准差椭圆的重心坐标、移动距离、转角θ、椭圆面积等一系列参数（表3）。
图2 2006—2018年中国普惠金融指数标准差椭圆分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2019）1825号的标准地图绘制，底图无修改。图3同。

Fig.2 The standard deviation ellipse distribution of China's IFI from 2006 to 2018

表3 2006—2018年中国普惠金融指数标准差椭圆参数变化

Tab.3 Standard deviation ellipse parameters of China's IFI from 2006 to 2018

年份 中心坐标 短轴（km） 长轴（km） 面积（km2） 旋转角 偏移距离（km） 偏移方向
2006 114.945°E，34.259°N 904.205 1 022.111 290.330×104 70.86° - -
2007 115.168°E，34.235°N 899.688 1 016.459 287.276×104 70.61° 24.921 东南
2008 115.138°E，34.096°N 888.988 1 016.020 283.743×104 69.31° 15.800 西南
2009 114.919°E，34.238°N 913.106 1 028.380 294.987×104 71.11° 29.001 西北
2010 114.878°E，34.152°N 922.947 1 029.478 298.484×104 72.32° 10.586 西南
2011 114.831°E，34.101°N 933.325 1 019.902 299.033×104 74.61° 7.706 西南
2012 114.700°E，34.084°N 945.367 1 024.895 304.374×104 75.53° 14.678 西南
2013 114.649°E，34.009°N 952.587 1 024.372 306.542×104 76.50° 10.077 西南
2014 114.634°E，34.012°N 954.429 1 031.217 309.187×104 76.04° 1.700 西北
2015 114.426°E，34.072°N 960.013 1 046.585 315.631×104 75.28° 24.053 西北
2016 114.378°E，34.086°N 963.030 1 056.186 319.527×104 74.76° 5.556 西北
2017 114.352°E，34.085°N 965.632 1 060.236 321.619×104 74.73° 2.891 西南
2018 114.342°E，34.014°N 960.514 1 062.492 320.595×104 73.83° 7.967 西南
图2显示了13个年份中国普惠金融水平标准差椭圆的位置、方向和形态。2006—2018年，中国普惠金融水平空间集聚重心大部分年份位于河南省周口市，2006和2007年位于河南省商丘市。普惠金融水平重心呈现向西南方向移动的趋势，移动范围在114.342°E~115.168°E和34.009°N~34.259°N之间，移动距离在1.700~29.001 km之间（表3），这表明中国普惠金融发展不均衡，发展强度不一致。
标准差椭圆只能从整体上了解中国普惠金融水平的位置、方向和形态，为进一步了解30省（自治区、直辖市）普惠金融发展水平变化的空间过程，同时为了避免采用自然断点法导致的不同时期标准不同，本文采用手动法将普惠金融水平指数按上文划分的五个等级可视化，具体演变过程如图3。
图3 中国普惠金融指数的时空演变

Fig.3 Spatio-temporal evolution of IFI in China

由图3可知，2006—2018年，普惠金融水平指数等级向上跃迁的省份数量逐渐增多。分时间段来看：2006—2010年，浙江从低水平上升至中等偏下水平等级。2010—2014年，发生等级跃迁的省份数量为4个，其中北京从中等水平上升到中等偏上水平，上海从中等偏上发展水平上升到高发展水平，江苏和广东从低发展水平上升到中等偏下发展水平。2014—2018年，发生等级跃迁的省份数量为9个，包括辽宁、内蒙古、山西、宁夏、重庆、福建、山东、海南和天津。天津跃迁至中等水平类型，其余8省份均从低水平上升至中等偏下等级。这一时期，普惠金融发展水平跃迁最明显。在30个省份中，上海和北京的普惠金融发展迅速。2006年，北京和上海均为中等水平，随后上海率先迈入中等偏上水平并迅速达到高等水平。北京于2014年上升为中等偏上类型，并在之后4年内保持不变。到2018年，省级普惠金融水平指数以上海和北京为起点，主要向东部沿海地区和西部地区扩散，最终形成“中部塌陷”的空间分布格局。

2.3 空间自相关分析

为进一步探讨中国普惠金融水平是否存在空间集聚特征，以及这种特征在研究期内呈现什么样的变化，本文通过计算得到普惠金融指数的全局莫兰指数进行分析（表4）。
表4 2006—2018年中国普惠金融指数的全局莫兰指数

Tab.4 Global Moran index of China's IFI from 2006 to 2018

年份 Moran's I P值 Z值 年份 Moran's I P值 Z值
2006 0.2185 0.024 2.3858 2013 0.2190 0.023 2.5438
2007 0.2284 0.023 2.5269 2014 0.2227 0.022 2.5547
2008 0.2007 0.025 2.3251 2015 0.2346 0.021 2.5846
2009 0.2335 0.022 2.5412 2016 0.2370 0.021 2.5920
2010 0.2270 0.024 2.5309 2017 0.2470 0.020 2.6787
2011 0.2292 0.022 2.5756 2018 0.2548 0.016 2.7476
2012 0.2313 0.022 2.5839
由表4可知，在通过5%的显著性检验下，所有年份的全局Moran's I大于0，这说明中国普惠金融水平存在正的空间自相关，即具有高高集聚或低低集聚特征。整体上看，全局Moran's I基本上在0.22左右波动，且数值不超过0.3，这表明普惠金融发展水平在空间上呈现集聚状态，具有一定程度的时间惯性和空间稳定性。分阶段来看，从2013年开始，全局Moran's I逐年增大，说明普惠金融发展集聚有增强的趋势。
全局Moran's I只能整体上判断普惠金融水平具有空间正相关性，无法判断局部空间的集聚特征。进一步地，本文运用局部空间自相关方法进行局部自相关分析。通过公式计算得到局部Moran's I，结合莫兰散点图和LISA聚类图（限于篇幅，图略），分析30个省份普惠金融水平指数的空间属性。
在给出的4个年份中，中国普惠金融水平指数局部莫兰散点图在4个象限中均有分布，说明局部自相关类型包括了高高、低低、高低和低高4种类型，但莫兰散点图主要分布在第一、三象限，说明局部空间自相关类以正相关型高高（HH）和低低（LL）为主，负相关低高（LH）和高低（HL）型处于次要位置。结合LISA聚类图的结果进一步分析发现：2006年，低—低聚集区有青海、四川、云南和贵州，广东省属于高—低聚集区，低—高聚集区仅有江苏。2010年，低—低聚集区包括贵州、云南和重庆；高—高聚集区为江苏，广东属于高—低聚集区。2014和2018年，低—低聚集区有贵州、重庆和湖北，江苏属于高—高聚集区，广东为高—低聚集区。4个年份中，广东始终为高低聚集区，贵州始终为低低聚集区。

3 中国普惠金融发展水平的影响因素分析

3.1 变量选取

普惠金融发展水平受到经济、社会、教育文化等因素的影响[21⇓-23]，本文选取9个指标作为解释变量，即城镇化率、产业结构优化水平、科技和教育支出比重、金融发展效率、互联网普及率、政府扶持力度、交通便利水平、经济发展水平和城乡收入差距（表5）。被解释变量为本文计算的普惠金融指数。为缓解异方差对回归系数估计有效性的影响，在实证过程中对人均GDP取对数。
表5 变量定义

Tab.5 Variable definitions

变量类别 变量名称 符号 变量定义 单位
被解释变量 普惠金融发展水平 IFI 普惠金融指数 -
解释变量 城镇化率 Urbrate 城镇人口/总人口 %
产业结构优化水平 Indlev 第三产业/GDP %
科技和教育支出比重 Serate 财政对科技和教育支出/财政支出 %
金融发展效率 Fineffi 贷款总额/存款总额 %
互联网普及率 Intration 网民人数/总人口 %
政府扶持力度 Govsup 政府财政支出/GDP %
交通基础设施 Trainfra 铁路里程与公路里程/地区总面积 km/km2
经济发展水平 Pgdp 人均GDP的对数 -
城乡收入差距 Urgap 城镇居民人均可支配收入/农村居民人均纯收入 %

3.2 模型设定

由于本文使用的是省级面板数据，故构建包含截面和时间序列的面板数据模型，包含时间和个体效应的面板分析模型设定如下：
Y i t = α + β X i t + λ i + η t + ε i t
式中： Y i t被解释变量为普惠金融指数；α为截距项；β为回归系数； X i t为解释变量； λ i为个体效应； η t为时间效应； ε i t为随机干扰项。
根据前文的分析，中国普惠金融水平存在明显的空间集聚特征，同时考虑到金融发展的积累效应，在模型（4）的基础上，分别构建空间面板滞后、误差和杜宾模型：
Y i t = α + ρ W Y i t + β X i t + λ i + η t + ε i t
Y i t = α + β X i t + λ i + η t + ε i t ;   ε i t = ξ W μ i t + ω i t
Y i t = α + ρ W Y i t + β X i t + W X i t θ + λ i + η t + ε i t
式中：W为空间权重矩阵。其余参数的解释与式（4）相同。

3.2.1 普通面板回归

经面板模型Hausman检验，其统计量值为56.90，通过了1%的显著性检验，因此本文以固定效应的普通面板回归为模型起点，对混合回归、时间固定效应、个体固定效应、时间和空间双固定效应的面板回归结果展示见表6。
表6 普通面板模型的回归结果

Tab.6 Regression results of ordinary panel model

变量 混合回归 时间固定 个体固定 时间和空间
双固定
Constant -0.4545*** - - -
Urbrate 0.0065*** 0.0042*** -0.0041*** -0.0048***
Indlev 0.0033*** 0.0036*** 0.0045*** -0.0005
Serate -0.0001 -0.0013 -0.0010 0.0005
Fineffi -0.0013*** -0.0014*** -0.0006*** -0.0006***
Intration -0.0004 0.0009 0.0011*** -0.0002
Govsup 0.0026*** 0.0032*** 0.0004 0.0007*
Trainfra 0.0638*** 0.0728*** 0.0893*** 0.0924***
lnPgdp 0.0011 0.0379** 0.0458*** -0.0507***
Urgap 0.0003 0.0002*** 0.0002 0.0003***
R2 0.8413 0.8342 0.7795
LM（lag） 10.5076*** 11.0390*** 76.3239*** 23.4306***
Robust-LM（lag） 2.9453* 8.9030*** 68.6235*** 1.1125
LM（sem） 8.5250*** 2.6590 27.5724*** 26.7683***
Robust-LM（sem） 0.9627 0.5230 19.8720*** 4.4502**
空间和时间固定效应
联合显著性检验		 LR统计量 自由度 P值
时间固定 720.3869 13 0.0000
空间固定 16.8116 30 0.9748

注：*、**、***分别表示在0.1、0.05、0.01的显著性水平下显著。表7表8同。

由表6可知，时间固定的LR统计量为720.3869，故本文适合采用时间固定效应模型。进一步地，时间固定的空间滞后模型LM统计量为11.0390，稳健的LM统计量为8.9030。时间固定的空间误差模型LM统计量为2.6590，稳健的LM统计量为0.5230，本文初步选择时间固定的空间滞后模型作为分析的起点。为进一步探究是否使用空间杜宾模型，将Wald检验的结果和空间面板滞后（SPAR）、误差（SPEM）以及空间面板杜宾模型（SPDM）的参数估计结果展示在表7中。
表7 空间面板回归结果

Tab.7 Results of spatial panel regression

变量 SPAR SPEM SPDM
Constant - - -
Urbrate 0.0042*** 0.0045*** 0.0016*
Indlev 0.0032*** 0.0033*** 0.0041***
Serate -0.0026** -0.0014 -0.0032**
Fineffi -0.0016*** -0.0015*** -0.0016***
Intration 0.0011** 0.0008 0.0007
Govsup 0.0031*** 0.0032*** 0.0021***
Trainfra 0.0733*** 0.0736*** 0.0822***
lnPgdp 0.0250 0.0269 0.0812***
Urgap 0.0003*** 0.0001** 0.0003***
W·Urbrate - - -0.0074***
W·Indlev - - 0.0071***
W·Serate - - 0.0052**
W·Fineffi - - 0.0031***
W·Intration - - -0.0006
W·Govsup - - -0.0015
W·Trainfra - - -0.0627**
W·lnPgdp - - 0.2385***
W·Urgap - - 0.0005***
Rho 0.2380*** - 0.1570***
lambda - 0.1739* -
TIME YES YES YES
R2 0.8570 0.8474 0.8924
Wald_spatial_lag 78.6919*** - -
Wald_spatial_error - 72.1585*** -

3.2.2 空间面板模型回归

基于前文分析，采用空间面板模型进行参数的估计（空间权重矩阵通过一阶Queen相邻的方式构造），得到的回归结果见表7。
由表7可知，Wald检验结果表明空间杜宾模型为最优模型。在对回归参数的解释方面，LeSage认为空间杜宾模型的回归参数应从直接效应和间接效应角度解释[27]。参照这一做法，本文给出了时间固定效应的空间面板杜宾模型（SPDM）的直接效应和间接效应的参数估计结果（表8）。直接效应即相关因素对本地区普惠金融发展水平的影响，间接效应即相关因素对周围地区普惠金融发展水平的影响。此外，为进一步考察各解释变量的相对重要性，通过将各变量标准化后再进行回归以去除量纲对回归结果的影响，得到相应的空间面板杜宾模型（SPDM）的非标准化回归系数和标准化回归系数见表8。
表8 空间面板杜宾模型的直接效应和间接效应

Tab.8 Direct and indirect effects of SPDM

变量 非标准化回归系数 标准化回归系数
Direct Indirect Total Direct Indirect Total
Urbrate 0.0013（1.4777） -0.0083***（-3.9571） -0.0067**（-2.7243） 0.1939***（4.3146） -0.2423***（-2.9275） -0.0484（-0.4961）
Indlev 0.0044***（7.1356） 0.0089***（5.3745） 0.0133***（6.5321） 0.1412***（6.1217） 0.2061***（4.3450） 0.3473***（5.9637）
Serate -0.0031**（-2.3827） 0.0055*（1.8182） 0.0023（0.7621） -0.0235（-1.6557） 0.0626**（2.5149） 0.0391（1.6378）
Fineffi -0.0015***（-6.4728） 0.0033***（5.9785） 0.0017***（2.7809） -0.0564***（-5.1492） 0.1328***（6.5947） 0.0765***（3.5243）
Intration 0.0007（1.2629） -0.0006（-0.4678） 0.0001（0.0874） -0.0002（-0.0084） -0.0738（-1.6703） -0.0740*（-1.9466）
Govsup 0.0020***（4.0371） -0.0013（-1.2499） 0.0007（0.6689） 0.1040***（5.0890） 0.0889**（2.3852） 0.1929***（5.7588）
Trainfra 0.0805***（7.3623） -0.0565**（-2.3746） 0.0233（1.0545） 0.1347***（6.6746） -0.0238（-0.6722） 0.1109***（4.0304）
lnPgdp 0.0911***（4.6273） 0.2875***（6.7746） 0.3782***（7.5587） 0.0950***（2.9594） 0.3937***（7.3673） 0.4903***（8.0040）
Urgap 0.0003***（3.6183） 0.0007***（3.3012） 0.0010***（4.1643） 0.0620***（4.1915） 0.0342（1.2497） 0.0969***（3.2371）
Time YES YES YES YES YES YES
R2 0.8924 0.8924 0.8924 0.9073 0.9073 0.9073

注：括号内为t值。

3.3 普惠金融水平的影响因素

3.3.1 产业结构优化水平

产业结构优化水平对本地和周边地区的普惠金融均有促进作用。其他影响因素保持不变时，产业结构优化水平每增加1个百分点，本地普惠金融水平平均提高0.0044，周边地区普惠金融水平提高0.0089。究其原因在于第三产业的蓬勃发展创造了巨大的资金需求，极大地刺激了本地区的普惠金融发展。同时，产业结构优化水平存在显著的空间溢出效应，对邻近省份产生了显著的促进作用。

3.3.2 交通基础设施

交通基础设施非标准化回归系数为0.0805，表明其他影响因素保持不变时，交通基础设施每增加1个单位，本地普惠金融水平平均提高0.0805。交通基础设施水平的提高，一方面可以降低金融服务的成本，有利于积聚金融资源，提高金融服务的可行性。另一方面，根据梯度转移理论，当一个地区的普惠金融发展到较高水平时，边际效应递减规律使得资金倾向于寻找相对落后的地区进行产业的扩散，而发达的交通为资金创造了便利的流动条件，有利于普惠金融的发展。

3.3.3 政府扶持力度

政府扶持力度与本地区普惠金融发展正相关，非标准化回归系数为0.002，表明其他影响因素保持不变时，政府扶持力度每增加1个百分点，本地普惠金融指数平均增加0.002。从中国普惠金融的发展历程来看，政府在其中起了重要的作用。政府通过给予偏远地区、小微企业和弱势群体金融服务的财政补贴，激励了金融企业实施普惠金融的积极性。同时，政府通过建立普惠金融发展专项资金，聚焦投入重点，撬动了更多资金支持市场主体融资发展。

3.3.4 经济发展水平

经济发展水平对本地区和周边地区的普惠金融发展均有正向促进作用。其中，其他影响因素保持不变时，人均GDP每增加1%，本地普惠金融水平平均上升0.0009，周边地区普惠金融水平上升0.0029。经济发展水平越高，一方面意味着能为金融发展提供强大的资金支持，提高普惠金融服务的可得性。另一方面，经济越发达，人民的收入随之不断增加，消费信贷金融需求日益旺盛，从而推动普惠金融的可持续发展。

3.3.5 金融发展效率

金融发展效率与本地区普惠发展负相关，与周边地区正相关。其他影响因素保持不变时，金融发展效率每上涨1个百分点，本地普惠金融指数平均下降0.0015，周边地区平均上升0.0033。可能的原因在于：本地区银行在贷出资金时过于严苛的审查程度导致小微企业和农民群体仍难以获得资金，而大企业则能够顺利通过银行的审查，进而降低了金融服务可得性。但金融发展效率存在显著的空间溢出效应，随着本地区银行等金融机构的吸贷能力上升，其边际收益降低，导致金融资本倾向流向周边省份中心城市，从而推动了周边地区的普惠金融发展。

3.3.6 科技和教育支出比重

科技和教育支出占比与周边地区普惠金融发展正相关。其他影响因素保持不变时，科技和教育支出占比每上涨1个百分点，周边地区普惠金融水平平均上升0.0055。可能的原因在于：随着教育和科技投入的增加，居民的金融素养得到提升，而金融素养的提高则会导致居民金融借贷的需求增加，在寻求合适的资金时间接推动了周边地区普惠金融的发展。

3.3.7 城镇化率

城镇化率对周边地区普惠金融发展具有负向影响。其他影响因素保持不变时，城镇化率每上涨1个百分点，周边地区普惠金融指数平均下降0.0083。城镇化率的提高意味着农村人口不断往城市迁移，当本地农村人口往城市迁移时，其闲置资金被带往城市，活跃了当地的普惠金融发展环境并形成示范效应，在一定程度上引致了周边地区人口和资金的涌入，从而在一定程度上抑制了周边地区普惠金融的发展。

4 结论与政策建议

4.1 主要结论

本文以全国30个省（自治区、直辖市）为研究对象，综合运用标准差椭圆、空间自相关和空间计量模型探讨2006—2018年中国普惠金融发展水平的时空演变及其影响因素，得到以下主要结论：①全国、四大区域以及各省份的普惠金融水平呈波动上升趋势。东部地区涨幅最大，西部地区年均增速最大，西部地区2010年超过中部地区。②中国普惠金融水平以上海和北京为相对高水平起点，分别向东部沿海地区和西部地区扩散，最终形成东西部地区高、中部地区低的“中部塌陷”的空间分布格局。普惠金融发展水平呈现出显著的空间聚集状态，高—高和高—低聚集区多位于中国东部沿海地区，低—低聚集区多位于中国中西部地区。③产业结构优化水平、交通基础设施、政府扶持力度、经济发展水平和城乡收入差距，对本地的普惠金融发展水平产生了显著的正向促进作用，而金融发展效率产生了抑制作用。经济发展水平、产业结构优化水平、金融发展效率和教育与科技支出占比等，对周边地区的普惠金融的发展产生了正向促进作用，而城镇化率和交通基础设施对周边地区的普惠金融发展水平产生了一定的抑制作用。

4.2 政策建议

4.2.1 坚持统筹区域社会经济协调的发展理念

协调、均衡的经济发展不仅能够从“量”上直接驱动落后地区的经济增长，为当地普惠金融发展提供强劲的外生动力，还能从“质”上刺激管理者和劳动者的工作热情，为普惠金融的发展提供持久的内生动力。中部地区于2010年被西部地区赶超后，普惠金融发展水平一直处于全国最末位，故在区域协调发展过程中，积极推进中部崛起战略，寻找中部普惠金融发展高水平支撑点，优化中部地区市场营商环境，积极寻求发达地区的产业承接机会，参照“雁形模式理论”寻找合适的产业承接区位是中部崛起的有效措施。

4.2.2 优化产业结构，重点发展第三产业

一是要营造良好的产业升级环境，地方政府应适当降低第三产业准入门槛，加大招商引资力度，活跃市场氛围，以需求促进普惠金融发展；二是要加快地区之间的产业转移过程，发展滞后地区应规范自身市场营商环境，积极寻求产业承接机会，以实现低成本完成产业升级。

4.2.3 合理发挥政府职能，完善法律法规制度建设

一是发挥政府的宏观调控作用，合理管控资金流向，对信用良好的中低收入群体设置贷款绿色通道，通过“降息贷款”“无息借贷”等优惠政策以保证其金融服务的可得性。二是优化顶层设计，从法律层面规范市场营商环境及借贷行为则有利于普惠金融长久发展。

4.2.4 加快推进数字技术与传统金融融合

进行金融产品创新升级，构建数字生态系统，加大数字普惠金融基础设施建立，有效拓展普惠金融的覆盖范围，降低金融服务成本，提高金融服务的可得性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
贝多广, 张锐. 包容性增长背景下的普惠金融发展战略[J]. 经济理论与经济管理, 2017(2):5-12.

[2]
张林, 温涛. 农村金融高质量服务乡村振兴的现实问题与破解路径[J]. 现代经济探讨, 2021(5):110-117.

[3]
Leeladhar V. Taking banking services to the common man financial inclusion[J]. Reserve Bank of India Bulletin, 2006, 60(1):73-77.

[4]
Thorat U. Financial inclusion-the indian experience[C]// HMT-DFID Financial Inclusion Conference. London, 2007.

[5]
Helms B. Access for all:Building inclusive financial systems[M]. Washington D.C.:World Bank Publications, 2006.

[6]
Sarma M. Index of financial inclusion[D]. New Delhi: Jawaharlal Nehru University, 2010.

[7]
Gupte R, Venkataramani B, Gupta D. Computation of financial inclusion index for India[J]. Procedia-Social and Behavioral Sciences, 2012, 37(1):133-149.

[8]
Molden A B. Microfinance and inclusive financial systems in Latin America[D]. Washington D.C.:Georgetown University, 2010.

[9]
Sarma M. Index of Financial Inclusion[R]. Working Paper,No. 215. Indian Council for Research on International Economic Relations (ICRIER). New Delhi, 2008.

[10]
李建军, 彭俞超, 马思超. 普惠金融与中国经济发展:多维度内涵与实证分析[J]. 经济研究, 2020(4):37-52.

[11]
焦瑾璞, 黄亭亭, 汪天都, 等. 中国普惠金融发展进程及实证研究[J]. 上海金融, 2015(4):12-22.

[12]
Mohan R. Economic Growth,Financial Deepening and Financial Inclusion[R]. Reserve Bank of India Bulletin, 2006.

[13]
洪铮, 章成, 王林. 普惠金融、包容性增长与居民消费能力提升[J]. 经济问题探索, 2021(5):177-190.

[14]
Anand S, Chhikara K S. A theoretical and quantitative analysis of financial inclusion and economic growth[J]. Management & Labour Studies, 2013, 38(1-2):103-133

[15]
李涛, 徐翔, 孙硕. 普惠金融与经济增长[J]. 金融研究, 2016(4):1-16.

[16]
Sarma M. Measuring financial inclusion[J]. Economics Bulletin, 2015, 35(1):604-611.

[17]
邵汉华, 王凯月. 普惠金融的减贫效应及作用机制——基于跨国面板数据的实证分析[J]. 金融经济学研究, 2017, 32(6):65-74.

[18]
吴茂国, 武振宇. 普惠金融对城乡收入差距影响的实证研究[J]. 青海民族大学学报:社会科学版, 2020, 46(4):63-78.

[19]
崔艳娟, 石水莲, 邢秀娜. 中国包容性金融发展时空演变特征[J]. 经济地理, 2021, 41(1):114-120.

[20]
Gupte R, Venkataramani B, Gupta D. Computation of financial inclusion index for India[J]. Procedia-Social and Behavioral Sciences, 2012, 37(1):133-149.

[21]
Ehrbeck T, Pickens M, Tarazi M. Financially inclusive ecosystems:The roles of government today[R]. CGAP Working Paper,No.76,2013:1-12.

[22]
杨明婉, 张乐柱, 颜梁柱. 普惠金融发展的测度体系与影响因素研究——以广东省为例[J]. 金融监管研究, 2019(1):69-80.

[22]
陆凤芝, 黄永兴, 徐鹏. 中国普惠金融的省域差异及影响因素[J]. 金融经济学研究, 2017, 32(1):111-120.

[23]
杨辉, 许舜威. 中国普惠金融发展水平测度及影响因素分析——基于省级差异视角[J]. 武汉金融, 2018(7):65-70.

[24]
赵璐, 赵作权. 基于特征椭圆的中国经济空间分异研究[J]. 地理科学, 2014, 34(8):979-986.

DOI

[25]
李琴, 谢治. 青年流动人才空间分布及居留意愿影响因素——基于2017年全国流动人口动态监测数据[J]. 经济地理, 2020, 40(9):27-35.

[26]
林春, 孙英杰. 中国城市普惠金融发展的空间特征及影响因素分析——基于272个地级及以上城市面板数据[J]. 西南民族大学学报:人文社科版, 2019, 40(6):129-138.

[27]
LeSage J, Pace R. Introduction to Spatial Econometrics[M]. New York: CRC Press, 2009.

Options
Outlines

/

〈 〉