金融汇集影响因素空间计量模式及运用探讨.docx

金融汇集影响因素空间计量模式及运用探讨
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
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，kindleberger（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）。park（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。richardmcgahey（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;swann（2001）从供给和需求两个角度说明了金融业集聚为金融中心的原因。从供给角度来说，主要有以下三个因素：第一，大型和结构复杂的金融服务公司需要获得大量的专业劳动力。因此，在伦敦、纽约和法兰克福等地的商业银行、投资银行等几乎都是以金融中心为基础的。相反，小规模的金融服务公司像建房互助协会分支和独立的保险人公司，由于结构相对简单，并且对共同知识的依赖性不大，因此并不需要大量高水平的专业化劳动力，因而定位在金融中心的外围。第二是金融服务公司对金融中心所提供服务（会计，精算，法律，计算机）的依赖性。第三，由于交易接近资产流动的地方而所获得更大的灵活性，因此，金融服务公司普遍都设在邻近国家和地区股市交流的地方。从需求看，主要可获得的好处有：由于定位在金融区而提高声誉；降低由于金融服务公司与客户之间的信息不对称而导致的逆向选择和道德风险的程度。
国内学者对金融集聚研究比较系统深入的是黄解宇和杨再斌（2006），他们认为，金融集聚是随着产业集聚的形成而发展的，金融本身的高流动性加速了集聚；而规模经济效应以及不对称信息和默示信息所要求的金融主体的空间邻近能促使金融集聚的形成。但以上对于金融产业集聚成因的研究基本上都还处于理论研究。
张凤超（2003）基于金融资源论，提出了金融地域运动的概念。其观点是：由于金融资源在空间地域的分布而表现出非均质或不连续的特点，正是由于这种初始的地域差异性，引发了金融地域运动。中心城市是金融地域运动的结节点，金融资源在中心城市集聚成金融产业，而金融产业成长水平的差异导致了各中心城市金融职能的分工，中心城市逐次递进为金融支点、金融增长极和金融中心等城市类别，承担和发挥各自的金融功能。
上述研究表明，金融集聚本身是一种产业演化过程中的地理空间现象，是各国和地区经济发展过程中的必然产物。现有研究仍停留在金融集聚现象的理论研究上，对其解释缺乏相应的数量模型和经验实证。尤其是并未建全金融集聚现象的统计分析框架，未将金融集聚空间维度的相关性和异质性纳入实证研究，没有考虑空间因素对金融集聚的影响。
与以往研究不同，本文从区域创新角度建立金融集聚影响因素分析框架，在纳入空间效应的前提下，以我国2002-2007年数据为基础，对我国28个省域金融集聚影响因素进行空间计量分析，以消除各地区金融集聚外溢性的相互影响，从而揭示金融集聚的内在形成机理。
二、理论假说与模型设定
1.理论假说
（1）金融集聚
目前理论界尚未有对金融集聚有明确的定义。黄解宇和杨再斌（2006）认为，可以将金融集聚定义为一个过程，也可以定义为一个状态或结果。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。由于条件、要素的地域差异，必然产生金融资源的地域流动，并向区位与其他条件优越的地区集中与聚合，从而形成不同层次的金融集聚。显然，金融集聚具有空间地理接近性、行业接近性、社会接近性等外在性质。
基于金融集聚内涵的解释，本文提出如下假设：
假设1。我国现阶段金融产业发展存在空间依赖性和空间溢出效应。
（2）区域创新
区域创新是金融集聚发展不竭的驱动力。d.keeble和l.nacham（2001）认为生产性服务业是属于新经济的知识密集型行业，相对于制造业从需求和供应等角度来探寻集聚利益，生产性服务业更应该从集聚学习和创新环境等角度来探寻集聚利益。当金融集聚发展到一定程度，新知识的获取和创新将成为影响其进一步发展的关键要素。金融集聚区本身就是一种创新网络，它通过集群企业之间的相互联系、各种正式与非正式的交流沟通，构成一种集体学习，刺激服务企业内部创新，同时也为区域金融创新与合作具备了现实基础。一方面，金融服务企业的创新不仅增强了企业根据环境变化不断调整自身行为的能力，而且保证了创新的传播、交换和创新环境本身的更新。尤其是隐含经验类知识的交流，能激发新思想、新方法的应用，促进学科交叉和产业融合，使新产业和新产品不断出现，吸引新的客户和生产者。另一方面，创新的迅速扩散又促使以集群为基础的金融服务效率进一步提高。keeble;wilkinson（2000）认为，在成功的知识型创新的环境下，通过使集群企业接入“集体学习过程”，可增强了集群的竞争优势，提高集群的增长率。
基于以上研究成果，本文提出如下假设：
假设2。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，且随着区域创新水平的不断提高，其促进作用将逐渐增强。
（3）经济基础
金融是国民经济的重要组成部分，实体经济的运行状况对金融主体的发展有着重要影响。在经济繁荣时期，企业的经营状况良好，社会失业率低，对资本的需求量就大，金融业一般会处于良好的运营状态；而在萧条时期，企业投资的成功率低，失业率上升，金融债务的偿还能力下降，金融风险加剧，不利于金融主体的运营。综观英美等国际金融中心的形成发展史，金融中心发源地内在经济与金融实力的膨胀，是金融中心形成和发展的必要条件。以伦敦国际金融中心为例，其产生即为经济发展所导致的金融供给变化的结果。由此可以得出，经济基础是金融集聚的重要影响因素之一，无论是何种模式的金融产业集聚，都需要与之相匹配的经济基础作为其发展的依托。
基于以上理论，本文提出如下假设：
假设3。经济基础与金融集聚有极强的正相关性。
（4）对外开放
对外开放是影响金融集聚的重要变量之一。对外开放程度越高，所需的金融服务水平也越高。simonx.b等（2004）认为，高层次的金融企业总是会定位在一个国际城市的信息腹地，在那里，信息以更低的成本被获得和验证。同时，金融部门的集聚也反映和增强了实际部门的集聚。为了分享高层次的生产者服务并实现城市化经济，企业也总是倾向于集聚；而金融机构也往往集聚在他们主要客户的总公司附近，为他们提供更好的服务。跨国公司总部作为金融业的微观行为主体，趋向于将机构定位于全球的城市中，在全球的电信网络中，跨国公司的子公司和附属公司都可以被有效率的控制和协调。而跨国公司总部的总是选择具有竞争力的区位，其影响因素包括充足的运输和通讯基础设施，高品质的专业服务如法律，会计和金融服务；丰富的社会和文化设施以及根植于法律的良好制度（dicken，1998）。因此，跨国公司总部和高端金融服务是密不可分的集中在相同的关键地点。
基于以上理论，本文提出如下假设：
假设4。对外开放与金融集聚有显著地正相关性。
（5）人力资本
人力资本是影响金融集聚发展的重要因素。与物质资本和自然资源相比，人力资本是“软生产要素”。高水平人力资本是提高现代金融竞争力的基本要素。理论上，人力资本水平越高，金融产品的供给能力越强，金融产业集聚程度越高。金融业吸收高学历的人才比其他行业或地区要多，高级金融专业人才的汇聚是吸引金融机构进驻的基础，更是区域金融市场繁荣、金融产品创新活跃的根本支撑。
基于以上理论分析，本文提出如下假设：
假设5。人力资本对金融集聚有显著地促进作用。
2.变量选择
（1）因变量的选择
反映金融集聚程度的方法有很多，近年来，国际上对产业集聚程度的衡量指标不断优化，目前主要有六种指标：区位熵系数、空间基尼系数、指数、赫芬达指数、指数和产业地理集中指数（指数）。区位熵是衡量产业专业化的重要指标，它能够充分比较区域生产水平与全国平均生产水平，确定该地区产业集中状况在全国所处的位置。为比较各地区金融集聚程度，本文选择区位熵系数，利用从业人员数测算我国金融服务业的区域集聚程度。计算公式如下：
（1）
其中，指区域内产业的就业人数，指区域内的总就业人数，指国家或省份内产业的总就业人数，指国家或省份内的总就业人数。它是指一个特定区域中某产业占有份额与整个经济中该产业占有份额相比的值。区位熵的系数越大，该区域的金融集聚程度越高。一般认为，如果大于1，意味着某产业在区域比较重要；但也有学者根据大于1.25或大于3（martinandsunley，2003；malmbegandmaskell，2002）来判断产业聚集。
根据区位熵的计算公式，本文对我国28个省域2002-2007年的金融集聚程度进行了测算（结果见附表1）。
（2）解释变量的选择
本研究将金融集聚的影响因素分为核心变量和控制变量两组。
第1组变量是核心变量，即区域创新。专利数量是区域创新能力的重要标志，是一个衡量知识吸收和技术进步比较理想的变量。理论上，区域创新水平越高的省份，金融产品的供给能力也会越强，从而进一步促进金融集聚。这里用各省份三种专利的授权量与全国三种专利的授权量的比值来反映各省的区域创新水平，用i来表示。
第2组变量是控制变量，主要包括影响各地区金融集聚资源禀赋差异的变量，目的是用来控制其他可能导致金融集聚差异的因素。
经济基础。用来反映地区经济基础的指标有很多，如地区国内生产总值、人均gdp、政府财政收入等。考虑到政府在金融发展中的作用，以及财政与金融的紧密联系，本文使用各地区政府财政收入总额占gdp的比重来反映地区经济发展基础，用gov来表示。
对外开放。考虑到各地区外国直接投资与当地金融的紧密联系，我们设置了外国直接投资额占gdp的比值来综合反映各地区对外开放程度，用open表示。
人力资本：采用人均受教育年限来衡量人力资本水平。本文主要考虑从业人员（15-64岁的人口）的受教育年限，该数据基本能表达社会人口受教育水平的大部分内涵。根据人口普查的规定：文盲计为0年，小学文化计为6年，初中文化计为6年，初中文化计为9年，高中文化计为12年，大学及大专以上计为16年。小学文化从小学一年级到小学毕业均计为6年，其余类推。因此，人口平均受教育年限可以用15-64岁人口受教育年数的总和（即：6×小学文化人数+9×初中文化人数+12×高中文化人数+16×大学及大专以上人数）除以15-64岁人口数来计算，以此生成人均受教育年限来反映一个地区的人力资本水平，用peo来表示。
3.模型设定
根据以上理论假说及变量的选择，本文的线性模型形式设定如下：
（2）
式中，为回归参数，为1，2，。。。，28个省域，ε为随机误差项。被解释变量fin是利用区位熵系数衡量的我国28个省域的金融集聚程度；i变量表示区域创新，是本文所设定模型中的核心解释变量；在控制变量中，gov变量表示政府的财政收入占gdp的比重，open变量表示对外开放，peo变量表示人力资本。
本文所用样本包括中国28个省、自治区、直辖市（以下简称省域），其中，XX市合并到XX省内计算，西藏、海南、香港、澳门特别行政区和台湾省除外。金融集聚度和各解释变量的基础数据主要来源于2003-2008年的《中国统计年鉴》，其中2004-2007的外商直接投资额由于缺失，本文通过预测得到。实证研究主要借助于arcviews3.3和geoda0.9.1两个软件完成。
三、空间计量方法模型
空间经济计量模型主要解决回归模型中复杂的空间相互作用与空间依存性结构问题（anselin，1988）。长期以来，在主流的经济学理论中，空间事物无关联及均质性假定的局限，以及普遍使用忽视空间效应的普通最小二乘法（ols）进行模型估计，使得在实际应用中往往存在模型的设定偏差问题，进而导致经济学研究得出的各种结果和推论不够完整、科学，缺乏应有的解释力（吴玉鸣，2007）。空间计量经济学（anselin，1988）理论认为一个地区空间单元上的某种经济地理现象或某一属性值与邻近地区空间单元上同一现象或属性值是相关的。几乎所有的空间数据都具有空间依赖性或空间自相关性的特征，空间依赖的存在打破了大多数经典统计和计量分析中相互独立的基本假设。也就是说，各区域之间的数据存在与时间序列相关、相对应的空间相关。
根据空间计量经济学方法原理，金融集聚影响因素空间计量分析的思路如下：首先采用空间统计分析moran指数法检验因变量（金融集聚）是否存在空间自相关性；如果存在空间自相关性，则以空间计量经济学理论方法为基础，建立空间计量经济模型，进行金融集聚影响因素的空间计量估计和检验。
1.空间自相关性
检验金融集聚现象的空间相关性存在与否，实际应用研究中常常使用空间自相关指数moran’i，其计算公式如下所示：
（3）
其中，，表示第地区的观测值（在本文为金融集聚度c）；n为地区总数（本文为28）；为二进制的邻接空间权值矩阵，表示其中的任一元素，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：
习惯上，令的所有对角线元素=0。
mroan’si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mroan’si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）
根据空间数据的分布可以计算正态分布moran’i指数的期望值及方差：
（5）
式中，分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mroan’si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1.96，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（spatiallagmodel，slm）与空间误差模型（spatialerrormodel，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）
式中，为因变量；为的外生解释变量矩阵；为空间回归关系数；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的影响方向和程度；为阶的空间权值矩阵，一般用邻接矩阵（contiguitymatrix）；为空间滞后因变量，为随机误差项向量。
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量，反映了空间距离对区域行为的作用。区域行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）
（8）
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，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。sem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moran’si检验、两个拉格朗日乘数（lagrangemultiplier）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r2检验以外，常用的检验准则还有：自然对数似然函数值（loglikelihood，logl），似然比率（likelihoodratio，lr）、赤池信息准则（akaikeinformationcriterion，aic），施瓦茨准则（schwartzcriterion，sc）。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ols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geoda0.9.1软件生成。
1.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mroan’si指数，相关结果见表1。表1中morani的正态统计量值均大于正态分布函数在0.05显著性水平下的临界值（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mroan’si指数及其z值
年份moran’imoran’i期望值
标准差
正态性
统计量
小概率
值
20020.2587-0.0370.11122.6591730.012
20030.2545-0.0370.10932.6669720.013
20040.2885-0.0370.11742.7725720.014
20050.2731-0.03610.11712.6404780.02
20060.2807-0.03470.11982.6327210.01
20070.2321-0.0370.11012.4441420.024
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、XX省
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Ⅱ。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Ⅱ进行普通最小二乘法估计（即不考虑空间相关性，结果见表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
小概率值
c
i07
gov07
open07
peo07
r2
r2adj
f
logl
aic
sc0.2113205
0.4212696**
19.85123*
5.674249
-0.09935197
0.749984
0.706503
17.2485
-16.4325
42.8649
49.5261.143026
0.1647491
4.203542
7.596358
0.097471340.1848781
2.557036
4.7225
0.7469697
-1.0192940.8549462
0.0176209
0.0000930
0.4626501
0.3186659
空间依赖性检验
统计值小概率
mroan指数（误差）
lmlag
r-lmlag
lmerr
r-lmerr0.210786
1
1
1
12.3792816**
5.9130551**
3.6897323***
2.4911239
0.26780100.0173464
0.0150291
0.0547484
0.1144900
0.6048107
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r2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，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Ⅱ的ols估计结果
模型回归系数
标准差
统计值
小概率值
c
i02
gov02
open02
peo02
r2
r2adj
f
logl
aic
sc-4.423565*
-7.465248**
17.49841*
10.40022*
0.4352784
0.801140
0.766556
23.1648
-13.2275
36.455
43.11610.9320307
2.726159
3.744103
0.1009147-4.746158
-2.738375
4.673591
4.313330.0000876
0.0117107
0.0001050
0.0002579
空间依赖性检验
统计值小概率
mroan指数（误差）
lmlag
r-lmlag
lmerr
r-lmerr0.287283
1
1
1
13.0452704*
1.9358623
0.0045768
4.6273471**
2.69606160.0023249
0.1641185
0.9460624
0.0314662
0.1005965
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，morani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Ⅱ选择sem模型更好一些。
根据以上判断，在模型i和模型Ⅱ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（sem）。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5slm模型的ml估计结果
模型回归系数
标准差
统计值
小概率值
w_fin07
c
i07
gov07
open07
peo070.4546634*
-0.2117606
0.3322322**
20.76584*
0.9826023
-0.10377770.1628874
0.9059928
0.131252
3.338545
6.32993
0.0780612.791275
-0.2337332
2.531254
6.220029
0.1552311
-1.3294440.0052502
0.8151922
0.0113656
0.0000000
0.8766391
0.1837018
统计检验统计值
r2
logl
aic
sc0.808883
-13.4405
38.8809
46.87411
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。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6sem模型的ml