金融集聚影响因素空间计量模型.doc

1、金融集聚影响因素空间计量模型及其应用研究参赛单位：湖南大学学院名称：统计学院参赛队员：徐玲 游万海 陈雪梅指导老师：任英华副教授提交日期：2009.9.30摘 要金融集聚是一种产业演化过程中的地理空间现象，本文构建了金融集聚影响因素空间计量模型，对我国 28 个省域金融集聚影响因素进行实证研究。研究表明：我国金融集聚在省域之间有较强的空间依赖性和正的空间溢出效应。区域创新是影响金融集聚的核心变量，对金融集聚有显著地促进作用，且随创新水平的不断提高作用逐渐增强。在控制变量中，经济基础对金融集聚促进作用显著；对外开放水平在期初对金融产业集聚有显著地正效应，但随着时间的推移作用正逐渐减弱；人力资本在

2、期初对金融集聚促进作用显著，但在当期对金融集聚影响不显著，这说明人力资本作用的发挥需要有一个吸收和消化的过程。关键词：金融集聚 区域创新 空间相关性 空间计量分析目 录一、文献回顾 1二、理论假说与模型设定 2三、空间计量方法模型 6四、实证结果分析 8五、结论及政策含义 15参考文献 17附 表 180金融是现代经济的核心，随着信息和通讯技术的飞速发展，许多金融功能已经克服了地理空间上的限制，能够在相隔遥远的不同地理区域低成本和快捷的实现，不再需要面对面的交易。然而，金融服务业的空间集聚现象却日益凸显，越来越多的金融机构采用企业间协调的方式来组织交易和生产活动，从最初的少数几家银行集中发展到

3、各种不同类型的金融机构的空间集聚，产业集群已成为现代金融产业组织的基本形式。令人奇怪的是，货币和金融的空间影响总是被区域经济学家和经济地理学家所忽视。自货币地理学者明确推翻了新通讯技术（ICTs）的应用将导致地理学终结这一观点（Obrien，1992）以来，金融的空间分析才逐渐纳入学者们的分析框架。在考虑空间经济外溢性的条件下，我国金融集聚的空间相关性如何？有哪些因素促进了我国省域金融集聚，这些因素在不同时期对金融集聚又有何不同的作用？本文将采用空间经济计量分析技术对我国28个省域金融集聚影响因素进行实证分析，从而揭示金融集聚现象在我国省域间分布的规律，为政府部门制定合理的金融布局和发展政策提

4、供科学参考依据。一、文献回顾国内外对金融集聚及其影响因素的相关研究还处于起步阶段，现有的研究主要以理论研究为主。在基础研究方面，货币地理学派认为，货币具有与生俱来的空间性（Martin，1999），货币地理性的四个方面为：区位结构、制度的地理性、监管的空间性以及整个国家的公共金融空间。对金融集聚的成因，Kindle Berger(1974)以集聚理论为基础，认为规模经济使得银行和其他金融机构选择一个特定的区位。外部规模经济是自我加强的，更多的金融部门在一个区域内定位，那么这些区域对于其他金融参与者来说更加具有吸引力。金融中心是金融企业高度集聚的产物(Panditetal ，2001) 。Par

5、k(1982 、1989)将规模经济理论和集聚经济理论应用于国际银行集中发展和国际金融中心的成因时认为，当一个地区跨国银行的数量增多、规模增大时，国际中心便有形成的可能。同时外部规模经济会进一步促成生产和经营单位的空间集聚，表现为行业内银行之间的合作，金融机构之间共享基础设施，生产者和消费者之间更加邻近，流通环节的减少，信息沟通的便捷等。Richard Mc Gahey(1990)等从竞争力角度探讨了金融中心形成和发展的因素，指出了区位成本和区域优势，劳动力和人力资源优势，通讯和技术，法治与税收四因素决定金融中心的竞争力。Naresh ,Gary )(ii金融集聚度c)；n为地区总数 (本文为

6、28)； 为二进制的邻接空间权值矩阵，表ij示其中的任一元素，采用邻接标准或距离标准，其目的是定义空间对象的相互邻接关系，便于把地理信息系统(GIS)数据库中的有关属性放到所研究的地理空间上来对比。一般邻接标准的 为： ijW1预测模型为： 其中， 为当期外商直接投资额， 为外商直121tt yCyty1ty接投资滞后项，C 为常数项，t 为时间。6不 相 邻 ；区 域和当 区 域 相 邻 ；区 域和当 区 域 jiWij01习惯上，令 的所有对角。或，式 中 mnn;,21;,2 W线元素 =0。iMroans I指数可看作各地区观测值的乘积和，其取值范围在 -1到1之间，若各地区间经济行为

7、为空间正相关，其数值应当较大；负相关则较小。具体到金融产业集聚的空间依赖性问题上，当目标区域数据在空间区位上相似的同时也有相似的属性值时，空间模式整体上就显示出正的空间自相关性；而当在空间上邻接的目标区域数据不同寻常地具有不相似的属性值时，就呈现为负的空间自相关性；零空间自相关性出现在当属性值的分布与区位数据的分布相互独立时。根据Mroans I指数的计算结果，可采用正态分布假设进行检验n个区域是否存在空间自相关关系，其标准化形式为：（4） )( )(IVAREsMorandZ根据空间数据的分布可以计算正态分布MoranI 指数的期望值及方差：（5）)()1(3)( 220012 IEnwIV

8、AREnn 式中， 分.,.)(,),212110 jinijiijjiijijij ww和 别为空间权值矩阵中 行和 列之和。公式（4）、（5）可以用于检验n个区域是否存在空间自相关关系。如果Mroans I指数的正态统计量的 值大于正态分布函数在0.05水平下的临界值Z1.96，表明金融集聚在空间分布上具有明显的正向相关关系，正的空间相关代表相邻地区的类似特征值出现集群趋势。2.空间计量模型及估计技术空间计量经济学模型有多种类型，本文所要用到的空间计量模型主要是纳入了空间效应( 空间相关和空间差异)，适用于截面数据的空间常系数回归模型，包括空间滞后模型（Spatial Lag Model，

9、SLM ）与空间误差模型（Spatial Error Model， SEM）两种。（1）空间滞后模型（SLM）空间滞后模型主要探讨各变量在一个地区是否有扩散现象(溢出效应)，其表达式为：（6）XWyY7式中， 为因变量； 为 的外生解释变量矩阵； 为空间回归关系数；YXkn反映了样本观测值中的空间依赖作用，即相邻区域的观测值 对本地区观察值Wy的影响方向和程度； 为 阶的空间权值矩阵，一般用邻接矩阵yW(Contiguity Matrix)； 为空间滞后因变量， 为随机误差项向量。y参数 反映了自变量 对因变量 的影响，空间滞后因变量 是一内生变XYy量，反映了空间距离对区域行为的作用。区域行

10、为受到文化环境与空间距离有关的迁移成本的影响，具有很强的地域性。（2）空间误差模型（SEM）空间误差模型的数学表达式为：（7） XY（8）W式中， 为随机误差项向量， 为 的截面因变量向量的空间误差系数，1n为正态分布的随机误差向量。参数 衡量了样本观察值中的空间依赖作用，即相邻地区的观察值有 对Y本地区观察值 的影响方向和程度，参数 反映了自变量 对因变量 的影响。YXSEM 的空间依赖作用存在于扰动误差项之中，度量了邻接地区关于因变量的误差冲击对本地区观察值的影响程度。（3）估计技术对于上述两种模型的估计如果仍然采用最小二乘法，系数估计值会有偏或者无效，需要通过工具变量法、极大似然法或广义

11、最小二乘估计等其他方法来进行估计。本文采用了 Anselin（1988）的建议，采用极大似然法估计 SEM 和SLM 的参数。3.空间自相关检验及SLM、SEM的选择判断地区金融集聚现象的空间相关性是否存在，以及SLM和SEM 哪个模型更恰当，一般可通过包括Morans I检验、两个拉格朗日乘数 (Lagrange Multiplier)形式LMERR、 LMLAG和稳健(Robust)的R-LMERR 、R-LMLAG等来实现。由于事先无法根据先验经验推断在SLM和SEM 模型中是否存在空间依赖性，有必要构建一种判别准则，以决定哪种空间模型更加符合客观实际。Anselin 等（2004）提出

12、了如下判别准则：如果在空间依赖性的检验中发现，LMLAG较之LMERR在统计上更加显著，且R-LMLAG显著而R-LMERR不显著，则可以断定适合的模型是空间滞后模型；相反，如果LMERR 比LMLAG在统计上更加显著，且R-LMERR显著而R-LMLAG不显著，则可以断定空间误差模型是恰当的模型。除了拟合优度R 2检验以外，常用的检验准则还有：自然对数似然函数值(Log likelihood，LogL) ，似然比率(Likelihood Ratio，LR)、赤池信息准则(Akaike information criterion，AIC)，施瓦茨准则 (Schwartz criterion，S

13、C)。对数似然值越大，AIC和SC 值越小，模型拟合效果越好。这几个指标也用来比较8OLS估计的经典线性回归模型和SLM、SEM ，似然值的自然对数最大的模型最好。四、实证结果分析空间权重矩阵是空间统计计量模型的关键，也是地区间空间影响方式的体现。目前，空间权重矩阵的基本形式有只考虑地理相邻信息，即“地理” 空间权重矩阵( )，也有考虑涉及经济差距的空间权重矩阵的扩展形式，即“ 经济”空W间权重矩阵( )。 “地理”空间权重矩阵(W)最常用的是简单二分权重矩阵，遵循E的判定规则是 Rook 相邻规则，即两个地区拥有共同边界则视为相邻。本文选用的是“地理 ”空间权重矩阵 ( )，利用 Geoda

14、0.9.1 软件生成。W1.金融集聚空间自相关性为检验金融集聚现象在地理空间上的相关性，即空间相互依赖性，下面利用 2002-2007 年中国 28 个省域的金融集聚指标计算 Mroans I 指数，相关结果见表 1。表 1 中 Moran I 的正态统计量 值均大于正态分布函数在 0.05 显著性Z水平下的临界值(1.96) ，这表明我国 28 个省域的金融集聚现象在空间上具有明显的正自相关关系(即空间依赖性)，说明省域金融产业的发展在空间分布并非表现出完全随机的状态，而是表现出某些省域的相似值之间在空间上趋于集聚，也就是说，具有较高金融集聚度的省区相互靠近，或者较低金融产业集聚的省域相对地

15、互相相邻的空间联系结构。因此，从整体上讲省域之间的金融产业的发展是存在空间相关性的，也就是说我国省域金融产业的发展存在着空间上明显的集聚(Clustering) 现象。表1 中国28个省域金融集聚Mroans I指数及其Z值年份 MoranIMoranI 期望值 )(IE标准差 Sd正态性统计量 Z小概率 值p2002 0.2587 -0.037 0.1112 2.659173 0.0122003 0.2545 -0.037 0.1093 2.666972 0.0132004 0.2885 -0.037 0.1174 2.772572 0.0142005 0.2731 -0.0361 0.11

16、71 2.640478 0.022006 0.2807 -0.0347 0.1198 2.632721 0.012007 0.2321 -0.037 0.1101 2.444142 0.024为进一步分析我国省域金融产业发展的空间集聚特征，本文给出了局域Mroan 指数散点图（见图 1） 。图 1 展示了空间滞后 W_FIN 作为纵轴和 FIN 作为横轴的分布情况。其中，FIN 为金融产业的集聚度，W_FIN 表示邻近值的加权平均值。根据散点图，可将各个省域金融产业的发展分为 4 个象限的集群模式，分别识别一个地区及其与邻近地区的关系：图的右上方的第 1 象限，表示高集聚增长的地区被高集聚的其

17、他地区所包围（HH），代表正的空间自相关关系的集群；左上方的第 2 象限，表示低集聚增长的地区被高集聚增长的其他地9区所包围(LH)，代表负的空间自相关关系的集群；左下方的第 3 象限，表示低集聚增长的地区被低集聚增长的其他地区所包围(LL)，代表正的空间自相关关系的集群；右下方的第 4 象限，表示高集聚增长的地区被低集聚增长的其他地区所包围(HL)，代表负的空间自相关关系的集群。第 1、第 3 象限正的空间自相关关系揭示了区域的集聚和相似性，而第 2、第 4 象限负的空间自相关关系揭示区域的异质性。如果观测值均匀地分布在 4 个象限则表明地区之间不存在空间自相关性。根据上述理论及图 1 所显

18、示的结果，可以得到我国 28 个省际区域的空间相关模式，如表 2 所示。图 2 我国省域金融集聚度的 Mroan指数散点图注：FIN07 表示 2007 年我国 28 个省域的金融集聚度。W_FIN 表示邻近值的加权平均值。表2 金融产业集聚度各省际区域的空间相关模式空间相关模式 地区第 1 象限 HH 北京、天津、黑龙江、吉林、辽宁、内蒙古第 2 象限 LH 河北、江苏、浙江第 3 象限 LL 甘肃、河南、陕西、青海、山东、安徽、四川、湖北、湖南、江西、云南、贵州、福建、广西、广东第 4 象限 HL 新疆、上海、山西、宁夏位于 2、4 象限的省域不多（只有 7 个），第 1、3 象限省域金融

19、集聚局部的 HH 和 LL 分化，因此，可以认为我国省域金融集聚在地理空间的分布上存在着依赖性和异质性。以北京和上海为例来进行说明，经本文测算，北京和上海的区位熵系数分别为 3.71 和 4.35，是我国金融集聚度最高的两个城市，但根据散点图的结果，北京位于第一象限，上海却位于第四象限。这是因为北京邻近的地区如天津、辽宁、吉林等都是金融集聚度比较高的地区，即高集聚增长的地区被高集聚增长的其他地区所包围，反映了金融集聚在地理空间分布上的依赖性。而上海虽然金融集聚度在我国是最高的，但其邻近的大部分地区如安10徽、江西、河南、山东等都是金融集聚度很低的地区，即高集聚增长的地区被低集聚增长的其他地区所

20、包围，反映了金融集聚在地理空间分布上的异质性。中国现阶段，除个别地区如北京、上海、天津等地的金融集聚度比较高以外，大部分地区的金融集聚度都不是很高，整体上看，东部地区的金融集聚度要高于中部和西部地区，其中，西部地区的金融集聚度最低（大部分地区都是位于第三象限（LL） ） 。说明现阶段我国金融业的发展还不够发达，而且区域差异比较大， 以上分析表明，我国省域金融产业发展确实存在着空间的集聚现象，地区差异比较显著。这也进一步表明有必要从空间维度的相关性和异质性出发，对金融集聚影响因素进行空间计量分析。2.金融集聚影响因素空间计量模型的选择与估计本文选用的空间计量经济模型主要是纳入了空间效应的空间滞后

21、模型（SLM）与空间误差模型（SEM ）两种。下面，以中国 28 个省域为空间单元，选择合适的空间计量模型，进行金融产业集聚的空间计量经济检验和估计。为了比较分析不同时期各影响因素对当期被解释变量的影响作用，根据设定的模型形式，本文分别设定以下两个模型以分析金融集聚形成机制：模型I：当期模型。被解释变量和解释变量均选取 2007年的数据，反映当期解释变量对被解释变量的影响。模型：跨期模型。被解释变量选取的是2007年的数据，各解释变量选取的是2002年的数据，反映初期解释变量对当期被解释变量的影响。为进行SLM和 SEM模型的选择，首先对模型 I和进行普通最小二乘法估计（即不考虑空间相关性，结

22、果见表3和表4），进一步确认金融集聚空间相关性的存在。表3 模型I的OLS估计结果模型 回归系数 标准差 统计值t小概率 值PCI07GOV07OPEN07PEO07R2R2adjFLogLAICSC0.21132050.4212696*19.85123*5.674249-0.099351970.749984 0.70650317.2485-16.432542.864949.5261.1430260.16474914.2035427.5963580.097471340.18487812.5570364.72250.7469697-1.0192940.85494620.01762090.0000

23、9300.46265010.3186659空间依赖性检验 DFMI统计值 小概率 PMroan指数（误差）LMLAG0.21078612.3792816*5.9130551*0.01734640.015029111R-LMLAGLMERRR-LMERR1113.6897323*2.49112390.26780100.05474840.11449000.6048107注：“ *、 *、 *”分别表示通过1 、5 、10 水平下的显著性检验。表3的OLS回归结果中，模型的拟合优度R 2为0.749984，区域创新、经济基础以及对外开放的回归系数均为正，且区域创新和经济基础通过了5%的变量显著性检验

24、，说明这两个变量的当期值对金融集聚有显著地正向作用，与理论假设一致。而对外开放和人力资本均没有通过5%的显著性检验，说明对金融集聚无显著影响，与理论假设有出入。表4的OLS的回归结果中，模型的拟合优度 R2为0.801140，经济基础、对外开放以及人力资本的回归系数均为正，且分别通过了5% 和10%的变量显著性检验，这说明初期的经济基础、对外开放以及人力资本对省域的金融集聚有显著地促进作用，与理论假设一致。而区域创新变量虽然通过了5%的变量显著性检验，但其回归系数为负，说明初期的区域创新对金融集聚呈现出显著地抑制作用。表4 模型的OLS估计结果模型 回归系数 标准差 统计值t小概率 值PCI0

25、2GOV02OPEN02PEO02R2R2adjFLogLAICSC-4.423565*-7.465248*17.49841*10.40022*0.43527840.8011400.76655623.1648-13.227536.45543.11610.93203072.7261593.7441030.1009147-4.746158-2.7383754.6735914.313330.00008760.01171070.00010500.0002579空间依赖性检验 DFMI统计值 小概率 PMroan指数（误差）LMLAGR-LMLAGLMERRR-LMERR0.28728311113.04

26、52704*1.93586230.00457684.6273471*2.69606160.00232490.16411850.94606240.03146620.1005965注：“ *、 *、 *”分别表示通过1 、5 、10 水平下的显著性检验。以上OLS回归结果说明，经典线性回归模型的OLS估计可能存在模型设定不恰当的问题，比如没有考虑到省域（截面单元）的空间自相关性。进一步利用Moran指数、两个拉格朗日乘数来判断空间计量经济学模型SLM 和SEM 的形式。表3中，Moran I指数的P值为0.0173464，在 5%的显著性水平下通过检验。表明经典回归误差的空间依赖性(相关性)非常明

27、显。另外，LMLAG和R-LMLAG分别通过了5% 和 10%的显著性检验，而LMERR和R-LMERR 均未能通12过检验，因此，根据前面介绍的判别准则，对于模型I，空间滞后模型（SLM）是相对比较合适的模型。同理，由表4的OLS估计结果， Moran指数(误差)检验表明，经典回归误差的空间依赖性(相关性)非常明显(显著性水平为0.23% )。从两个拉格朗日乘数的P 值来看，只有 LMERR通过了5%的显著性检验，而R-LMERR比R-LMLAG显著，因此，相对而言，对于模型选择SEM模型更好一些。根据以上判断，在模型I和模型中均加入空间效应，分别建立空间滞后模型（SLM）和空间误差模型（S

28、EM ）。本文利用极大似然估计法 (ML)对空间计量经济参数进行估计，得到的估计结果如表5、表6所示。表5 SLM模型的ML估计结果模型 回归系数 标准差 统计值t小概率 值PW_FIN07CI07GOV07OPEN07PEO070.4546634*-0.21176060.3322322*20.76584*0.9826023-0.10377770.16288740.90599280.1312523.3385456.329930.0780612.791275-0.23373322.5312546.2200290.1552311-1.3294440.00525020.81519220.011365

29、60.00000000.87663910.1837018统计检验 统计值R2LogLAICSC0.808883-13.440538.880946.87411注：“ *、 *、 *”分别表示通过1 、5 、10 水平下的显著性检验。由表5和表6的估计结果，相对于OLS估计的经典回归模型， SLM和SEM的拟合优度检验值 和对数似然函数值都有所提高，AIC 和SC的值都相对变小。2R证明考虑了空间效应以后，用极大似然法估计的模型有效地消除了金融集聚空间自相关和空间误差的存在。表 6 SEM模型的ML估计结果模型 回归系数 标准差 统计值t小概率 值PCI02GOV02OPEN02PEO02LAMB

30、DA-4.060468*-6.189693*18.42752*9.739465*0.3903174* 0.5417091*0.84543221.889753.0591434.0134760.089886160.1819742-4.802831-3.2754036.0237512.426694.3423532.9768450.00000160.00105520.00000000.01523730.00001410.0029124统计检验 统计值R2LogLAICSC0.847568-10.64932231.298637.959667注：“ *、 *、 *”分别表示通过1 、5 、10 水平下的显

31、著性检验。133.回归结果分析表5中，SLM 中的参数 通过了1%的显著性检验，说明由当期区域创新、经济基础、对外开放以及人力资本决定的金融集聚在省域之间已经形成了显著地正的空间扩散（溢出）效应。同时，在表6中，SEM中的参数 也通过了1%的显著性检验，说明由初期的区域创新、政府财政收入、对外开放以及人力资本所决定的金融产业集聚在省域之间具有较强的空间依赖作用。由此，我们可以得出，我国现阶段金融产业的发展确实存在空间依赖性和空间溢出效应，与假设1预期一致。SLM中的4个解释变量选取的是07年的数据，反映的是解释变量对被解释变量的当期作用。而SEM 中的 4个自变量选取的是02 年的数据，反映的

32、是解释变量对被解释变量的跨期影响作用。下面根据表5、表6的回归结果，对解释变量的4个假说进行检验分析。在SLM中，区域创新水平对金融集聚有稳健地正向影响作用，与假设2的预期一致。实证结果表明当期区域创新水平每增加1%，金融集聚度就会增加0.33%。技术创新能力( 尤其是金融创新能力)越强，金融机构的管理水平和运行效率就会得到不断的提高，从而促进金融业的发展。而在SEM中，初期的区域创新水平对金融产业集聚有显著地负向作用。这是因为，在期初，区域创新的水平比较低，且知识的传播比较慢，难以实现知识信息的共享，因而抑制了金融产业在省域间的集聚，而随着时间的推移，区域创新的水平不断提高，逐渐发达的信息传

33、播技术也使创新知识和技术在区域内得到共享，进而使得区域创新对金融产业集聚的影响作用逐渐从负向影响转到显著地正向促进。经济基础指标在SLM 和SEM两个模型中都对金融产业集聚产生了极强的正效应。实证结果表明，当期政府财政收入占GDP的比重 每增加1%，金融产业集聚度就会增加20.77%。初期政府财政收入占GDP的比重每增加1% ，金融产业集聚度就会增加18.43%。政府财政收入占GDP的比重这一指标，反映了一个地区的经济基础。经济基础主要通过影响社会对金融业的需求从而影响金融业的发展水平，这就促进了金融产业在区域内的蓬勃发展，并通过市场竞争促进金融集聚。因此，经济基础对金融集聚有显著地促进作用，

34、即与假设3的说法一致。在SLM中，对外开放变量未能通过5%的显著性检验，说明当期的对外开放对金融产业集聚的影响不显著。但在SEM中，对外开放却对金融集聚有显著地促进作用，并表明在初期对外开放程度每增加1%，就对金融产业集聚有9.74%的贡献。这说明在期初，对外开放程度的扩大确实对金融集聚产生了一定的促进作用，但随着时间的推移，我国对外开放水平的提高程度不能满足金融业发展需求，同时，我国金融业对国外资金、技术和先进管理方法的引进和吸收力度也不足，因而使得当期的对外开放程度对金融产业集聚的影响不显著，但不能就此否认对外开放对金融集聚的促进作用。人力资本变量尽管在SLM中没有对金融集聚产生显著地影响

35、，但在SEM 中14却对金融集聚有显著地促进作用，即期初人力资本每提高1%，金融集聚度就增加0.3903%。这说明在期初，人力资本确实对金融集聚产生了稳健的促进作用。金融业是人力资本密集型产业，相比其他产业，金融业从业人员的素质、人力资源状况对金融产出的影响更大。当期人力资本水平对当期的金融集聚作用不显著，只能说明人力资本对金融集聚的促进作用仍需要一个随时间的推移来吸收和消化的过程，而不是立即显现的。因此，可得出结论，即人力资本确实对省域金融集聚起到了一定的促进作用，进而验证了假设5的成立。五、结论及政策含义本文以区域创新为核心变量，经济基础、对外开放、人力资本等3个变量为控制变量，构建金融集

36、聚影响因素空间计量模型对我国28个省域金融集聚影响因素进行了实证研究，得到的结论及政策含义如下：1.我国金融集聚现象在截面单元上具有空间自相关性，各省份之间形成了较强的空间依赖作用和正的空间溢出效应。金融集聚在我国省域间形成的正的空间溢出效应，说明周围相邻省域金融产业的发展能促进本省域金融产业的发展。因此，基于中国现阶段各省域之间金融集聚的发展现状，各省域应加强相邻省域间的区域金融合作，促进金融资源在区域间的自由流动，进而促进其在更大范围内的优化配置，实现金融市场一体化，进一步发挥金融在资源配置中的导向作用。2.区域创新是影响金融集聚的核心变量，区域创新水平对金融集聚有显著地促进作用，这种作用

37、将随创新水平的不断提高而逐渐增强。在期初，我国各地区区域创新（主要是金融创新水平）还不够高，信息传播技术比较落后，因而对金融集聚产生了一定的抑制作用，但随着时间的推移和信息技术的高速发展，金融服务业的信息化、网络化趋势日益显著，使得知识和技术创新在相邻区域内实现资源共享，进而促进了区域创新水平的不断提高，其对金融产业集聚的影响作用也逐渐由负作用转变为正向显著的促进效应。因此，我国各地区应加强对金融业的研发投入，不断开发金融新产品，提高技术创新，尤其是金融创新水平。同时在运作管理、业务革新上进行大胆创新，不断降低运营成本，提高工作效率，增强金融机构的竞争力，促进金融业在省域间的集聚，进而优化资源

38、配置，促进区域产业结构升级。3.控制变量中，经济基础对金融集聚一直有显著的促进作用。随着中国改革开放的不断深入，区域经济差异不断扩大，经济发展比较好的地区其金融集聚度也比较高，如北京、上海作为全国的经济中心，综合财政状况明显优于其他省市，是我国金融业最发达的两大城市，其金融集聚度非常高。对外开放水平在期初对金融产业集聚有显著地正效应，但由于我国现阶段对外开放程度不能满足金融业发展的需要，尤其在金融业的对外开放上限制仍然较多，使得这种正效应随着时间的推移逐渐弱化。基于我国现阶段的发展状15况，逐步放宽政策限制，加大金融对外开放程度仍提升金融集聚竞争力的必然选择。人力资本在期初对金融集聚有显著地促

39、进作用，但在当期对金融集聚影响不显著，这说明人力资本作用的发挥需要有一个吸收和消化的过程。目前，我国对高水平人力资本，尤其是对高素质金融人才的需求还比较大，因此各地区应着力加强高层次金融人才的吸引和培养力度，为金融发展积聚更多有用人才。本文构建的以区域创新为核心变量的金融集聚影响因素空间计量模型可以进行多角度的扩展和应用。比如在控制变量中，还可以将各省域固定资产投资水平、金融业从业人员数、政府干预、制度环境等因素纳入进来，以进行更细致全面的考察。当然，本文主要是从空间维度特征方面对金融集聚影响因素进行探索，对其在时间维度方面的特征考虑的还不够。在对权重的选择上，只考虑了地理距离，而没有考虑经济

40、距离，这也对本文的实证结果产生了一定的影响。这也将是我们在今后的研究中需不断改进和加强的地方。16参考文献1OBrien,R.Global financial interation:The end of geography.London:Royal Institute of International Affairs. 1992.2Martin,R.,ed. The new economic geography of money Money and the space economy,ed.R.Martin, 1999. 3-27.Chichester:John Wiley Apringer-

41、Verlag.2004.17附 表 我国 28个省域金融集聚区位熵系数2002 2003 2004 2005 2006 2007东 部 1.3954 1.4027 1.3758 1.3492 1.8599 1.3134中 部 1.0629 1.0434 1.0259 1.0028 2.0223 0.966西 部 0.8677 0.8352 0.8454 0.836 2.0107 0.7858北 京 2.2272 3.4395 3.6436 3.6233 3.5661 3.705天 津 2.207 2.6109 2.5384 2.529 2.5826 2.5304河 北 1.1601 1.105

42、3 1.093 1.1029 1.8646 1.0864山 西 1.6688 1.6797 1.649 1.725 2.5584 1.6327内蒙古 1.6541 1.5871 1.5856 1.6354 2.6894 1.5633辽 宁 2.0968 2.1239 1.9775 1.9445 2.2967 1.8702吉 林 1.882 1.9272 1.7583 1.7793 2.7851 1.6427黑龙江 1.5742 1.5127 1.4735 1.4878 2.5586 1.3835上 海 3.6807 4.0527 3.5009 3.9043 3.3539 4.3544江 苏 1

43、.2937 1.255 1.3024 1.2098 1.4806 1.1078浙 江 1.4238 1.3044 1.2765 1.2588 1.4647 1.224安 徽 0.7012 0.7337 0.7254 0.6798 1.7244 0.6595福 建 1.2426 1.1345 1.1115 1.1162 1.4958 0.9876江 西 0.9434 0.9223 0.9254 0.8696 1.72 0.7679山 东 1.1142 1.1043 1.0725 1.0163 1.4492 0.9922河 南 0.8252 0.8033 0.801 0.7796 1.9566 0

44、.7639湖 北 1.1432 1.1055 1.0533 1.0335 1.7586 1.0576湖 南 0.8883 0.8452 0.8581 0.7899 1.6386 0.7894广 东 1.5317 1.4411 1.425 1.3416 1.845 1.2076广 西 0.6753 0.6514 0.6231 0.6174 1.7199 0.611618四川（重庆） 0.8143 0.7819 0.7907 0.8122 1.9918 0.7485贵 州 0.5317 0.485 0.4787 0.4635 1.7308 0.4601云 南 0.6581 0.6407 0.6318 0.6054 1.6405 0.566陕 西 1.1005 1.0851 1.0982 1.1149 1.9193 1.0384甘 肃 0.9856 0.8515 0.8993 0.9218 2.3754 0.9057青 海 1.4039 1.2456 1.1476 1.1057 2.3459 1.0918宁 夏 1.4646 1.669 1.6057 1.6655 3.0517 1.6347新 疆 1.7631 1.776 1.9103 1.5965 2.4969 1.4894