金融生态系统运行效率的区域差异分析

2017-07-06曾昭法王颖

统计与决策 2017年11期

关键词：效率金融生态

曾昭法，王颖

（湖南大学金融与统计学院，长沙410079）

金融生态系统运行效率的区域差异分析

曾昭法，王颖

（湖南大学金融与统计学院，长沙410079）

文章利用2008—2014年31省区面板数据，采用Bootstrap-DEA方法和固定效应模型对我国金融生态系统运行效率及其影响因素进行区域差异分析。研究发现：目前我国总体效率不高，各省及地区间差距较大，效率的区域分布呈现出较为规律的东、中、西、东北部地区梯度递减的趋势，各年间各个地区的效率值也存在显著性差异；社会福利情况、政府干预程度、教育支持力度、金融就业人员规模、金融发展水平等因素不同程度的影响了各个地区金融生态系统的有效运行。

金融生态系统；运行效率；Bootstrap-DEA；固定效应模型

0 引言

作为经济转型国家，现代金融发展的新趋势要求我国既要兼顾金融稳定，又要最大限度地推动金融生态系统高效运转，同时，改革开放以来，我国各省市形成了多样性的经济金融体系，省际间存在较大的金融差异，因而建立一套符合中国实际的金融生态系统运行效率的评价模型，对于了解各省区金融生态优劣，根据实际经济金融情况制定相应的政策，提高金融生态系统资源配置效率，指导金融体系改革具有一定的参考价值。

通过查阅文献发现[1-11]，我国目前对金融生态的研究多局限于概念和区域金融生态环境的评价上，而从金融生态系统本身出发，将其看作一个动态发展的系统并分析其运行效率的研究较少，已有研究也仅限于运用传统DEA模型，而没有考虑小样本所导致的效率偏差及随机噪声影响，所得结果可能会高估实际值，也没有进一步对影响因素进行分析。因此，本文在已有研究的基础上，基于改进熵值法建立区域金融生态系统运行效率指标体系，采用Bootstrap-DEA方法分析2008—2014年我国各省区金融生态系统运行效率动态变化情况，将随机冲击造成的偏误予以修正，给出其修正效率和置信区间，以全面准确地衡量我国各省区金融资源配置效率，并进一步分析区域差异，同时利用固定效应模型对影响因素进行具体分析。

1 数据与方法

1.1 指标说明

众多复杂因素的共同影响决定了金融生态系统的多层次性和其投入产出指标的多样性，因此必须要考虑指标选取的全面性，仅仅根据个别指标得到效率值是失真的。同时，采用DEA方法的指标需要满足指标个数限制和同向性假设。因此，在满足以上条件和遵循科学性、代表性、独立性、可操作性等原则的同时，借鉴《中国城市金融生态环境评价》[4]和相关研究成果[9-11]，本文将金融生态系统划分为金融生态主体和金融生态环境两个子系统，同时两个子系统又划分为七个准则层面（一级指标），进一步扩充完善后建立金融生态系统指标体系（见表1）。

表1 金融生态系统运行效率评价体系

1.2 数据处理及说明

首先采用极差标准化法和线性平滑法对指标进行无量纲化和非负化处理：

其次，将标准化数据进行逐级加权求和，权重由改进熵值法决定。本文将金融生态环境视为投入指标，最终确定为经济发展环境、对外开放环境、居民生活环境、社会保障环境、政策环境、信用环境六个方面，产出指标为金融生态主体，由金融机构与金融市场的三个指标来界定。本文投入指标m=6，产出指标n=3，决策单元个数k=31，各省区投入产出指标之间的Pearson相关系数均为正，因此，符合DEA模型要求的指标个数限制和“同向性”假设，也保证了数据的全面性，具有合理性。

本文的研究数据均来源于《中国统计年鉴》(2009—2015)、各省统计年鉴(2009—2014)、各省2014年国民经济和社会发展统计公报和中国经济与社会发展统计数据库等，均为可获得的最新数据，并进行了相应的整理和部分数据的修正。

1.3 Bootstrap-DEA方法

DEA是一种利用非参数模型在多投入、多产出情况下测算决策单元相对效率的评估方法，广泛运用于经济学、管理学等各个领域。BCC模型是在CCR模型的基础上进一步推导出纯技术效率和规模效率，用于分析可变规模报酬的生产技术。虽然DEA方法具备一些参数估计法所不可比拟的优点，但由传统DEA方法估计得到的效率值仅来自于有限观测样本，估计结果易受随机因素和极端值的影响，且仅给出了各个决策单元效率值的点估计，没有分析估计量的统计性质，可能会将大量无效DMU误判为有效，导致效率评价有偏，结论的稳健性和可信性也易受质疑。基于以上原因，Simar和Wilson提出了基于Bootstrap修正的DEA模型即Bootstrap-DEA模型[12]，是解决传统DEA方法不足的一个突破性进展。Bootstrap-DEA方法的计算步骤如下：

步骤2：使用Bootstrap方法得到规模为k的随机效率值，其中b表示使用Bootstrap方法的第b次迭代；

步骤7：利用上述偏差的估计结果，可以修正DEA测度结果的偏误并构建相关估计量的置信区间。

2 金融生态系统运行效率的实证

2.1 Bootstrap-DEA方法实证结果及分析

由于本文以金融生态环境为投入指标，相对于金融生态主体的产出指标而言，数量更多、更难控制，同时根据金融行业的特殊性决定其产出要素相对投入要素更容易控制，因此本文选择产出导向模式。其次，并不是每个省份都处于效率运行的最优规模报酬阶段，因此本文采用规模可变的BCC模型。同时，一般而言，Bootstrap迭代的次数越多，效率值的结果就越精准，置信度越大，置信区间也越大。在实际估计中，DEA效率值是基于原始样本对真实效率值的估计量，Bootstrap效率值是基于诸多模拟样本对DEA效率值的估计和修正[13]。因此，本文对参数进行选择，迭代次数分别选取3000、5000、8000次，显著性水平为0.01、0.05、0.1，发现计算得到的结果之间差距不大，说明本文设定的参数具有合理性，同时证明了该方法具有较强的稳健性。最后，综合考虑可操作性和稳定性，本文将迭代次数设定为5000，置信度设定为95%。应用R软件对31个省区的金融生态系统运行效率进行测度，结果见表2（仅列出各省区传统DEA方法和Bootstrap-DEA方法效率值的平均结果，其他各年份的结果由于篇幅限制不再赘述）。

表22008 —2014年区域金融生态系统的平均运行效率

表2显示，修正后全国平均综合技术效率值为0.703，这意味着我国各省区金融生态系统在保持投入比例不变的情况下，如能达到有效运作水平，则金融生态主体的产出存在29.97%的提升空间。与传统DEA方法结果相同，在分析期间内，修正后的结果表明各省区运行效率的提高主要还是依靠规模的扩张，而纯技术效率较低，应加强技术的提高以达到资源的最优配置。同时排名上也发生了变化，上海、山东、江苏取代了北京、广东、天津的领先地位。置信区间显示，传统DEA效率值均在两边界之外，而Bootstrap-DEA效率值均在两边界之内，这说明传统DEA效率值估计是有偏的。

2.2 区域差距分析

图1给出了各省区效率均值分解项情况，以纯技术效率和规模效率的平均值为界，将坐标平面分为四个区域。由图1看出，各省区之间平均规模效率值差别不大，总体上绝大多数省份处于高规模效率水平，相对而言，各省区纯技术效率值较为分散，从分布区域来看，A区代表纯技术效率和规模效率均达到0.85以上的双高型省区，此区域分布最为集中，接近总体的25.81%，需要改进的相对较少；其次，超过一半的省份位于B区域，代表综合技术效率偏科现象明显，规模效率较高而纯技术效率值偏低，因此，B区省区应加大技术投入，提高资源的有效利用能力，实现资源的集中配置，从而提高金融发展的纯技术效率。C区双弱型省区只有4个省，C区与A区相比，管理水平相对较弱，系统规模较小，在发展中应兼顾技术提高和规模的扩大。综合来看，虽然各省区平均综合技术效率不高，但其分布较为合理，位于C区的省区较少，有较大的改善空间。

图1 各省区修正后运行效率均值分解项

为了更好地分析，本文按“四大板块”经济区域划分方法将我国划分为东、中、西和东北部四大地区。受社会、经济、历史、自然等因素的影响，我国各区域发展具有一定的差距，根据表3的Mann-Whitney U检验结果可知，中部地区与领先的东部地区仅在2010年和2011年存在显著性差异，中部、东部地区与落后的西部、东北部地区在较多年份均存在统计上的差异，而西部和东北部地区在金融生态系统运行效率上并不存在显著差异。由此可以看出，上文根据效率值得出的分析结果具有统计上的意义。因此，从统计意义上来看，东部与中部地区差距在2011年后在逐渐变小，两地区协同发展，将推进长远共同进步，而相对落后的西部和东北部地区与领先地区差异较大，需继续努力学习先进经验，不断缩小差距。

表3 不同地区金融生态系统运行效率差异的Mann-Whitney U结果

3 影响因素分析

通过分析发现各省区金融生态系统运行效率存在明显差异，需进一步分析造成差异的原因。本文以社会服务机构数、税收/财政收入、地方财政教育支出、城镇金融就业人员和金融业增加值为解释变量，并根据各个变量特点，对社会服务机构数、地方财政教育支出和金融业增加值数据取对数，使模型更有效。并以修正后的综合技术效率值为被解释变量。由于得到的Bootstrap-DEA效率值是一组介于0～1之间的受限数据，一般会建立面板Tobit模型进行影响因素分析，但Simar和Wilson指出，DEA相对效率值的取值范围不过是人为限制而已，因此其他估计方法在检验变量对效率值的影响时同样适用[14]。通过Hausman检验和似然比检验，本文综合采用面板Tobit模型、固定效应模型和截面加权回归方法进行对比，根据不同地区特点选择最适合模型。估计结果见表4。

表4 面板数据各个地区回归估计结果

表4的结果显示，各个模型的F统计量均表明影响因素对效率值具有显著性联合影响，可决系数代表模型的整体拟合程度，综合来看，所选模型均能较好地反映影响金融生态系统运行效率各因素的作用效果。具体结果表明，X1代表社会福利情况，对全国和中部地区有显著正影响，对东部有显著负影响。造成此结果的原因可能有以下两点：第一，领先的东部地区可能由于其在社会服务方面已达到了较高的水平，而此阶段提高社会福利水平并不能对金融生态系统效率值的提高起到正向作用。第二，对于落后的西部和东北部地区，由于自身自主性不足，获得和合理运用资源的能力不足，社会服务机构的增加在此阶段并不能显现出明显的促进作用。

X2代表政府干预程度，对全国和东部地区有正影响，但对中部、西部、东北部有不显著的负影响，造成此结果可能由于东部发达地区适当的政府干预和金融政策的完善更能促进效率的提高，而其他地区虽有负效应但未能达到统计上的显著意义，可能由于现阶段这些地区的政府干预对效率的影响并没能达到显著影响，仍需要其他各个方面的配合。

X3代表教育支持力度，对所有地区都有正影响，但仅仅只有全国和西部地区具有显著性表现，该指标的意义主要表现在政府对教育的重视程度将会直接影响居民对金融生态观念的意识强弱，反映出从业人员对金融生态系统管理能力的熟练程度，较为落后的西部地区加大教育资源的投入能更好地促进群众对金融生态环境意识的增强，体现出教育水平的提高对金融生态系统运行效率的提升有显著地推动作用，而其他地区此阶段情况加大教育支持力度并不能对效率水平起到统计上的促进作用。

X4代表金融就业人员规模，东部有显著正影响，而西部和东北部有显著负向影响。主要原因可能有以下两点：第一，随着互联网金融等新兴金融业形式的蓬勃发展，发达的东部地区对从业人员仍存在较大的需求量，而经济较落后的西部和东北部地区金融产业发展相对较慢，人员需求已经开始逐步走向饱和，仅仅简单的引入传统从业人员已不能提高其金融生态系统的运行效率。第二，各地区金融队伍结构中国际化、市场化的中高级人才占比均不高，对高端型和创新型的金融人才的实际需求其实都非常高，相对而言，东部发达地区高端人才的流动性和储备性较强，对这类人才的需求易得到满足，而相对落后的西部和东北部地区，由于经济基础等各类现实条件的束缚，高端人才的需求在很大程度上无法满足。

X5代表金融发展水平，对除东部以外所有地区都有显著正影响，这表示各地区要得到较好的效率值，可通过不断扩大金融机构规模和增加数量的方式来提高当地金融产业在本土经济中的比重，同时不断完善地区金融生态环境建设所需的基本基础设施和资金需求，能对金融生态系统的有效运行起到很好的作用。而相对于发达的东部地区，金融生态系统的基础建设和资金需求得到较大满足后，该地区对于金融规模的扩张并不能给金融生态系统的发展带来显著的正向影响作用。

4 结论与建议

（1）传统DEA模型估计得到的效率值仅来自于有限样本，估计结果易受随机因素和极端值的影响，且仅能得到各个决策单元效率值的点估计，没有分析估计量的统计性质，同时，通过统计分析，传统DEA模型与Bootstrap-DEA模型的效率值存在显著性差异，后者通过引入Bootstrap方法得到各省金融生态系统效率变化及其置信区间，将随机误差对效率测度造成的偏差进行了修正，得到了更为准确的效率值，提高了效率测度的准确性和稳健性。

（2）虽然处于效率相对前沿面的省区主要集中在东部地区，但并不是经济实力越强其金融生态系统运行效率的水平就越高，部分经济实力一般的省区也表现出了较高的运行效率水平，例如河北、安徽和四川，而经济实力并不弱的辽宁和吉林却出现极低的效率水平，这意味着中部、西部、东北部地区经济发展水平相对落后的经济体如果能适时发现，并充分利用适合自身金融生态主体发展的最佳模式，在合适的金融生态环境下，相对低效率的省区仍有较大的潜力提升自身效率水平，改进当前状态。

（3）我国相对落后的省区在学习和效仿其他地区金融生态系统投入产出模式的同时，应根据自身效率不足的具体原因采取相应的措施进行改进，不能仅仅盲目的按照某种既定的模式进行发展。如吉林、重庆、云南、辽宁等，这些省区综合技术效率过低主要是因为纯技术效率较低导致的，则需要努力加强管理的创新和制度的变革，不断优化金融资源的配置，引进新的管理理念和方法。另一部分省区主要是规模效率不足导致的，如江西、青海、宁夏等，当前这些地区的主要任务是进一步优化产业结构，集中有效配置资源并不断扩大系统规模，提升规模效益。

（4）金融生态系统运行过程不仅仅是金融生态环境要素的投入和金融生态主体产出的一个过程，更是金融生态系统内部互动、结网和协同过程。各地区应根据自身情况，因地制宜，在不断改善金融生态环境的过程中，统筹考虑金融生态主体发展状况，不断提高技术支持和金融资源配置的能力，加大教育支持力度，适当控制政府直接管理和政策干预程度，精简金融就业人员，加强人才结构的优化和高端人才的培养，采取强有力的措施保障金融生态系统稳定、高效运转，为实现生态化金融建设模式的转变提供新思路和新方法。

[1]徐诺金.论我国的金融生态问题[J].金融研究,2005,(2).

[2]谢太峰.关于金融生态内涵与评价标准的比较[J].金融理论与实践, 2006,(4).

[3]雷杰，李佳晗.反思全球金融危机，改善我国金融生态[J].时代金融，2009,(7).

[4]李扬，王国刚，刘昱辉.中国城市金融生态环境评价[M].北京：人民出版社，2005．

[5]张瑞怀.基于BP神经网络模型的农村金融生态环境综合评价[J].金融理论与实践,2006,(10).

[6]常相全，张守凤.基于AHP/DEA的农村金融生态环境评价[J].统计与决策,2008,(11).

[7]韩廷春，赵瑄.金融生态系统影响中国实体经济发展的实证研究[J].公共管理评论,2010,(8).

[8]徐荣贞，孙全龙.区域金融生态恢复力研究[J].统计与决策,2014,(13).

[9]朱顺杰，周惠民，逯进.区域金融生态效率的评价与比较——基于山东省面板数据的实证分析[J].青岛大学学报,2012,(25).

[10]于平，逯进.基于我国省域面板数据的金融生态效率评价[J].东方论坛,2014,(4).

[11]邓淇中，何俊阳，程云宇.中国金融生态系统运行效率及其影响因素的评价研究[J].湖南科技大学学报,2015,(18).

[12]Simar L，Wilson P W.A General Methodology for Bootstrapping in Non-parametric Frontier Model[J].Journal of Applied Statistics, 2000,(27).