基于Malmquist―Tobit模型京津冀区域金融效率及影响因素分析.docVIP

基于Malmquist―Tobit模型京津冀区域金融效率及影响因素分析 　　摘 要：本文通过BCC模型和Malmquist指数，从静态和动态两个方面研究2015年以来京津冀13城市金融效率的区域差异及其空间演变趋势，然后引入Tobit回归模型进一步分析影响区域金融效率的因素。结果表明，北京的静态金融效率达到前沿面水平，河北各城市金融效率较低且主要是规模效率不足导致；从动态全要素生产率看，北京全要素生产率平均提高了10%，技术进步起主要作用，天津和河北分别提高了14.4%和13.4%，技术效率的作用更大。影响区域金融效率的因素中，政府干预对效率的提升起到显著作用，而经济开放度对金融效率的影响较小；各因素影响全要素生产率的作用途径主要是技术进步。 　　关键词：Malmquist-Tobit模型；金融效率；影响因素 　　中图分类号：F830 文献标识码：A 文章编号：1674-2265（2016）03-0018-06 　　一、引言 　　京津冀协同发展已上升为国家战略，实现京津冀协同发展，是面向未来打造新的首都经济圈、推进区域发展机制创新的需要。金融发展对京津冀协同发展的贡献日益突出，这使得必须由当前的只注重金融规模发展转到提高金融效率上去。沈（Shan，2006）认为中国经济高速增长是由大量投入生产要素导致的，而不是通过提高全要素生产率（TFP）来实现。因此提高京津冀区域金融效率，改善目前高投入、低产出的现状，对实现京津冀协同发展有着重要的现实意义。 　　国内外学者关于区域金融效率的研究成果主要体现在三个方面：首先，关于区域金融效率评价指标体系。比如：沈军（2008）设计了包括经济、金融两大类指标的宏观金融效率综合评价指标体系；黎翠梅、曹建珍（2012）构建了包括储蓄动员效率、储蓄投资转换效率和投资投向效率的我国农村金融效率评价指标体系。 　　其次，对于区域金融效率差异的测算。一些学者测算了静态综合技术效率差异，如陆远权、张德钢（2012）运用DEA方法测算了我国区域金融效率，发现区域差异不大；任晓怡（2015）测算了我国中部地区的金融效率，并对中部六省金融效率差异的来源进行分析；另一些学者测算了静态综合技术效率和动态全要素生产率差异，如徐晓光、冼俊城等（2014）将内地主要城市同香港地区金融效率进行测算，发现内地城市效率与香港存在着较大的差异；邓淇中、何俊阳等（2015）对金融生态系统运行效率进行研究，且对效率提升策略进行分析；戴伟、张雪芳（2015）对我国金融效率差异及成因进行了实证研究；马正兵（2015）选择中国大陆30个省区市的数据，运用随机前沿分析方法对技术效率与全要素生产率进行研究。 　　同时，一些学者研究金融发展与经济增长的关系。利奥哈（Rioja，2004）等运用动态广义矩估计检验了74个国家金融发展与TFP的关系；陈启清、贵斌威（2013）认为金融发展更多地改善资源配置，对于技术进步的推动作用较弱；一些学者得出TFP增长的源泉为技术进步而非技术效率（马正兵，2014；王春桥、夏详谦，2015；李健、卫平，2015）。 　　综上，本文认为金融效率应该从静态和动态两个角度分析。静态效率是指金融业的综合技术效率，动态效率是指金融业全要素生产率；目前关于金融效率的研究更多的是分析金融效率的区域差异，缺乏在此基础上对金融效率的影响因素进行深入分析的研究。鉴于此，本文立足京津冀13个城市，从静态和动态角度对区域金融效率差异及其成因和影响因素进行分析，并提出提高区域金融效率的政策建议。 　　二、模型的建立 　　（一）数据包络分析模型 　　查恩斯（Charnes）等人提出数据包络分析（DEA），假定生产决策单元的规模收益不变，推导出CCR模型。随后班克（Banker）等放宽规模报酬不变的假设，在规模报酬可变的前提下提出了BCC模型，推导出纯技术效率和规模效率。 　　式中，EFFCH表示规模报酬不变，它衡量了由t期到t+1期的决策单元（DMU）到最佳生产可能性边界的追赶程度，记为“追赶效应”。当EFFCH1时，表明决策单元更加接近生产前沿，相对技术效率得到提升； TECHCH表示技术进步指数，衡量了从t期到t+1期技术边界的移动，记为“增长效应”。当TECHCH1时，表明技术发生了进步或技术创新，这时生产前沿面向上发生移动。 　　（三）Tobit模型 　　DEA和Malmquist指数方法测算的是各决策单元间的相对效率，并没有评估效率受到哪些因素的影响以及影响程度。为分析效率影响因素，可将测算出的效率值作为被解释变量，将影响效率的相关因素作为解释变量构建回归模型。但是，考虑到测算出的效率值被截断，若直接用普通最小二乘法进行回归，参数估计值有偏且不一致，而Tobit 模型恰解决了上述问题，因此构建Tob