金融集聚对全要素生产率影响的区域异质性

摘要：基于Malmquist指数法和区位熵指数法分别对我国的全要素生产率增长指数和金融集聚指数进行测度，运用动态面板模型从全国和区域两个层面对金融集聚与全要素生产率的关系进行实证检验，结果发现，银行业集聚和证券业集聚的TFP增长效应与区域因素有关，银行业集聚对TFP增长的贡献大于证券业集聚。保险业集聚对TFP增长效应存在消极作用，其中，以中、西部地区表现最为明显。本文在此基础上提出了不同区域金融集聚促进TFP增长的政策建议。

关键词：金融集聚；全要素生产率；异质性；GMM模型

基金项目：教育部人文社会科学研究规划基金项目（11YJA790044）；安徽省哲学社会科学规划项目（AHSK09-10D47）

作者简介：洪功翔（1964-），男，安徽庐江人，安徽工业大学经济学院院长、教授，主要从事理论经济学研究；张兰婷（1988-），女,山东寿光人，安徽工业大学经济学院研究生，主要从事区域金融研究；李伟军（1976-），男，河南郑州人，南京大学经济学院博士生，安徽工业大学经济学院讲师，主要从事产业经济学和区域金融研究。

中图分类号：F832.5/F061.5文献标识码：A文章编号：1006-1096(2014)04-0007-06收稿日期：2013-08-28

一、引言及文献综述

金融是现代经济的血液，金融集聚是金融业纵深发展的必然结果。当前，金融资源在区域间加速流动，金融活动和金融机构呈现高度集聚的趋势。金融机构集聚不仅能够提高金融资源的跨地区配置效率，降低交易成本，还方便金融业及相关行业利用区域内共享的基础设施和网络体系完成信息交流，从而实现规模经济效应（Zhao，2003）。金融集聚对实体经济产生重要影响。刘军等（2007）指出，金融集聚通过外部规模经济效益、网络效益、创新效益、加速技术进步效益、自我强化机制等效益影响经济增长。李林等（2011）研究发现，我国金融集聚呈现一定的空间相关性，但对经济的空间辐射能力有限。

可以看出，已有文献对金融集聚与经济增长之间的关系进行卓有成效的研究，却未能揭示出金融集聚与经济增长二者关系的本质。深入研究一国金融集聚对经济增长的影响，核心就是把握金融集聚与TFP之间的关系。中国目前正处于刘易斯拐点，资本与劳动力比率的上升对提高劳动生产率的贡献逐渐增大，已由1978年至1994年间的45%升至1995年至2009年间的64%（沃尔夫，2012）。经济增长主要靠资本与劳动力比率上升推动而非靠TFP提升的局面亟须改变。在这种背景下，本文尝试研究金融集聚与TFP之间的关系具有重要的理论与现实意义。同时，中国各区域存在严重的经济差距和金融差距，相关实证研究的视角多集中在国家整体层面，对中国不同经济发展水平的区域之间的研究则相对较少，这种脱离“地域特征”的研究使得研究成果缺乏实际应用价值。因此，我们基于全国东、中、西部不同的地区层面探讨金融集聚对TFP影响的区域异质性，可以发掘区域经济发展中的特质信息，使得分析结果拥有更广阔的政策应用空间。

二、实证模型、变量选取与数据处理（一）模型设计

在进行计量方法选择时，我们充分考虑了TFP因素的复杂性。除了金融集聚、城镇化率、基础设施、政府支出等变量外，上期TFP的影响不可忽视，同时还可能存在一些未观测到的影响因素。同时，解释变量的内生性问题也不容忽视。为解决上述问题，本文采用了动态面板（dynamic panel data）回归技术中的系统GMM（system generalized method of moments），该动态面板技术可以控制遗漏的影响因素，降低参数估计的潜在偏误，同时能够有效控制某些解释变量的内生性问题，通过将非严格外生变量的滞后项作为工具变量纳入估计方程，获得一致性估计。模型的基本形式如下：

Depit=αi+β0Depit－1+β1Bankit+β2Stockit+β3Insureit+∑γjControljit+ηit+εit （1）

其中，Dep表示因变量，本文用TFP增长指数（TFP）充当因变量；Bank代表银行业集聚区位熵值；Stock代表证券业集聚区位熵值；Insure代表保险业集聚区位熵值；Control代表其他控制变量；α代表具有不变性质的省级效应；η表示省别效应；ε代表残差；β与γ表示待估计参数；i与t分别是省区和时间标示变量；j是其他控制变量的序号。

（二）TFP增长指数

参照Fare等（1994）的研究，本文基于数据包络分析（Data Envelopment Analysis，简称DEA）方法下的Malmquist指数来计算全要素生产率。Malmquist指数模型不需要特定的生产函数和无效率项的分布假设，不需要相关的价格信息，尽可能弱化数据质量对结果的影响，通过距离函数将全要素生产率的变动分解为技术变动和技术效率变动。

从 t 期到 t+1 期 TFP 增长的 Malmquist 指数表示为：

myt+1,xt+1,yt,xt=dtxt+1,yt+1dtxt,yt×dt+1xt+1,yt+1dt+1xt,yt12（2）

其中，xt+1,yt+1和xt,yt分别表示t+1期和t期的投入和产出向量，dt和dt+1分别表示以t期技术水平为参照情况下，t期和t+1期的距离函数。Malmquist指数实际上是t期和t+1期的生产率指数的几何平均值，该指数大于 1 表明从t期到t+1期 TFP 是增长的；反之则相反。在规模报酬不变的假设前提下，Malmquist指数可以被进一步分解为：

myt+1,xt+1,yt,xt=dt+1xt+1,yt+1dtxt,yt×dtxt+1,yt+1dt+1xt+1,yt+1×dtxt,ytdt+1xt,yt12（3）

式（3）中等号右边第一项是技术效率增长指数，表示决策单元对生产前沿面的追赶；方括号内的两个比值的几何平均值是技术进步指数，表示决策单元的生产前沿面的跃升。

在计算全要素生产率时，一般采用国内生产总值、劳动以及资本三个指标进行核算。

按可比价格计算的国内生产总值可以衡量国民经济的整体产出，本文采用国内生产总值作为衡量经济增长的基本指标，并且按2003年不变价格进行换算。

劳动投入是指生产过程中实际投入的劳动量，用标准劳动强度的劳动时间来衡量。在市场经济下，劳动报酬能够比较合理地反映劳动投入量的变化。由于我国正处于由计划经济体制向市场经济体制过渡时期，收入分配体制不尽合理和市场调节机制不够完善，而且我国目前尚缺乏必要的统计资料。因此，本文采用历年从业人员数作为历年劳动投入量指标（岳书敬 等，2006；赵伟 等，2005）。

资本投入量应为直接或间接构成生产能力的资本总存量（或简称资本存量）。目前被普遍采用的测算资本存量的方法是戈登史密斯（Goldsmith）在1951年开创的永续盘存法（PIM），其核心假设是采用相对效率几何下降的模式，表达式为：Kit=Kit－11－δit+Iit，本文对式中涉及的变量及参数选取参照了单豪杰（2008）的做法。用固定资本形成额作为当年投资额；固定资产投资价格指数代替投资价格指数；折旧率采用10.96%；运用永续盘存法估算资本存量，一般来说，基年选择越早，基年资本存量估计的误差对后续年份的影响就会越小，由于数据的限制，现在大多数的研究基本定在1952年，单豪杰（2008）将资本存量延展到2006年，因此采用相同的方法，将资本存量延展到2011年。本文利用 DEAP2.1 软件计算出我国30个省市在2004~2011年间各年的TFP增长指数（由于篇幅限制，文中未列出）。

、技术效率增长指数（TE）与技术进步指数（TP）的变化情况（见图1）。

图12004~2011年我国TFP增长指数、

技术效率增长指数及技术进步指数

由图1可以看出，2004~2011年间我国TFP增长指数多处于临界值1之下，但整体上上升趋势明显，说明我国当前经济增长方式仍然是粗放型的，但绩效逐年改善。此外，由图1中三条折线的趋势看出，在TFP增长的构成上，我国TFP的增长主要由技术效率增长效应带动，技术创新对经济的贡献率较低。

（三）金融集聚区位熵分析

目前，识别产业集聚的方法主要有四种：空间基尼系数、产业集群指数、哈莱-克依指数、区位熵指数。由于区位熵指数符合产业市场结构变化的基本要求，是测量产业布局规模效益与产业专业化水平的一种方法，被很多学者广泛采用（孙晶等，2012）。因此，本文采用区位熵指数法测算我国金融集聚程度。若该指数的值越接近于 1，说明该产业的集聚化水平比较低；越大于1，可以认为该产业是地区的专业化部门，集聚化程度也越高。如果该行业的区位熵指数小于或等于1，那么这个行业是与全国整个工业发展成比例地散布在全国各地。

区位熵指数法计算方法如下：

βij=qij÷qjqi÷q

其中，qij表示地区j的产业i的产值，qj是地区j的全部工业产值，qi 是产业i的全国总产值，q是全国工业总产值。因此，区位熵的分子是地区j的产业i占该地区工业的份额，分母是产业i占全部工业的份额。采用各省银行储蓄存款余额、证券市场交易额和保费收入占全国的比重与各省人口数占全国的比重分别建立银行业集聚区位熵βbank、证券业集聚区位熵βstock和保险业集聚区位熵βinsure。

各省银行业、证券业、保险业的散点图见图2、图3、图4。

图2银行业集聚区位熵值散点图

图3证券业集聚区位熵值散点图

图4保险业集聚区位熵值散点图

从图2、图3、图4看出，银行业、证券业、保险业集聚的区域差异比较明显，其中，证券业最突出。

（四）其他控制变量

中国正处于转型时期，除了不断深化的金融集聚可能导致生产率提高外，很多其他因素也会影响各地区生产率的水平。因此，在检验金融集聚和全要素生产率的关系时，加入基础设施（Infra）、城镇化率（Urb）、政府支出（Gdv）等控制变量。基础设施（Infra）以各地区公路总里程与总人口之比表示；城镇化率（Urb）以各地区城镇人口与总人口之比表示；政府支出（Gov）以扣除科教文卫的财政支出与GDP之比表示。此外，为检验区域异质性本文加入地区虚拟变量qx。

（五）变量描述性统计

本文面板数据的时间跨度是2004~2011年，地区跨度是30个省市（为保持数据的完整性，文中四川省的数据包括了重庆市），所有数据均来源于《中国统计年鉴》及各省统计年鉴。各变量描述性统计结果如表1。

表1各指标的描述性统计

变量观测数均值标准差最小值最大值全要素生产率(TFP)2400.93960.10260.24101.1520银行业集聚(Bank)2401.10730.87540.30485.0123证券业集聚(Stock)2401.33952.90270.028819.7637保险业集聚(Insure)2401.07891.12990.15048.5942基础设施（Infra）24033.451232.37804.2534208.2772城镇化(Urb)2400.47780.14970.22610.8930政府支出（Gdv）2400.15930.12570.05961.0279

三、实证分析

本文实证模型包含了被解释变量的滞后项，我们采用动态面板GMM的方法，被解释变量的一阶滞后值作为工具变量，这样能较好地克服内生性问题。此外，为确保回归结果的可靠性，分别基于以下两种方法检验模型设定是否有效：一是残差的序列相关性检验，即残差项是否存在二阶序列AR(2)自相关，如果不能拒绝原假设则意味着残差项的二阶序列自相关不存在；二是Sargan过度识别检验，以检验工具变量的有效性，如果不能拒绝零假设就意味着工具变量的选取有效。在动态一阶自回归模型中，被解释变量的一阶滞后项的一致估计量会介于采用混合OLS 和固定效应估计得到的估计量之间已成为共识，根据这一规则可以一定程度上检验估计结果的稳健。利用软件 Stata10.1采用动态GMM对各个方程进行估计，估计结果见表2、表3。

由表2可知，系统GMM估计结果基本处于混合OLS与固定效应估计的参数值之间，表明估计结果未因弱工具变量问题而导致严重偏误。同时，二阶序列相关AR(2)的检验结果支持了水平方程中误差项不存在序列相关的假设，表明本文设定的动态一阶自回归模型是合理的。此外，Sargan过度识别检验的结果也显示系统GMM不能拒绝工具变量有效性的零假设。综上所述，本文系统GMM估计结果稳健可靠。

我们发现，银行业集聚和证券业集聚显著促进 TFP 增长，进一步看出银行业集聚系数大于证券业集聚的系数，说明我国银行业集聚对TFP增长的贡献大于证券业集聚，这与我国实际情况基本吻合，目前我国经济发展的金融支持主要依靠货币市场的间接融资。保险业集聚对TFP增长产生消极作用，原因可能是由于保险和银行之间的竞争性较强而互补性较弱，保险和证券之间的互补性关系也不突出，而保险业过度开发与银行、证券竞争性的产品，如储蓄投资类产品，忽视了保险在风险保障领域的核心竞

表2全国 TFP指数的实证分析

解释变量混合OLS固定效应FE系统GMMl.tfp0.5182（21.87）0.4228（13.23）***0.4653（15.51）***Bank0.0008（0.06）0.0273（1.60）0.0607（1.73）*Stock0.0032（2.53）**0.0104（6.49）***0.0075（1.78）*Insure-0.0027（-0.31）-0.0071（-0.66）-0.0703（-2.25）**Infr0.0003（1.95）*0.0012（1.98）*0.0007（2.36）**Urb0.0448（1.53）0.2877（4.28）***0.1095（1.75）*Gdv-0.0421（-1.17）-0.0142（-0.29 ）-0.0910（-1.63）qx有无有cons0.4544（19.61）***0.3589（11.88）***0.4672（24.89）观测值210210210R20.86160.5918sargan0.093AR(1)0.000AR(2)0.085注：***、**、*分别表示在显著水平1%、5%、10%下显著，AR(1)和AR(2)分别表示差分残差项一阶和二阶序列相关的p值；Sargan过度识别检验项为p值数据，下表同。

争力，弱化了保险业对经济增长的作用（吴洪 等，2010），一定程度上也造成了资源的浪费，不仅不利于TFP的增长反而起阻碍作用。此外，2011年我国保费收入为14339.25亿元，同比出现-1.30%，保费的大幅下降将对保险公司的现金流和资金链产生非常大的不利影响。与发达国家的保险市场相比，我国保险市场总体上还处于初级阶段，保险密度和保险深度①都偏低，社会保险意识比较滞后，人才缺乏，创新不够，尤其近年保险公司扭曲经营目标，进行价格恶性竞争，恶化市场秩序，加剧了保险业对TFP增长的负面影响。

此外，基础设施与城镇化对TFP增长具有显著促进作用，这与已有的经验文献是一致的。但本文没有发现政府支出与TFP增长具有明显关系的证据。同时，地区虚拟变量qx系数显著，说明金融集聚对TFP增长的作用存在区域差异。这主要因为我国各地区金融发展水平存在较大差异，对TFP的作用也不尽相同。

为进一步检验金融集聚与TFP作用的区域异质性，同时，也为地区视角的研究提供更为微观细致的证据，本文分东、中、西部②对其关系进行进一步检验，回归结果列于表3。

表3东、中、西部TFP指数实证分析

解释变量东部中部西部参数估计参数估计参数估计l.tfp-0.0147(-0.08)0.3859(2.92)**0.3706014(4.58)***Bank0.0592(1.63)-1.3524(-1.00)0.7635(2.07)***Stock0.0105(2.30)**0.5684(2.35)*0.1313(3.29)**Insure-0.0403(-1.73)-0.5624(-2.10)*-0.2909(-2.53)**Infr0.0204(2.31)**0.0044(1.43)0.0007(1.35)Urb0.5968(2.94)**-0.0067(-0.41)0.0004(0.29)Gdv-1.7479(-2.99)**1.2830(2.11)* 0.0068(0.10)cons0.3933(5.65)***1.8259(1.15)0.1812(1.64)观测值775677sargan0.9820.4590.995AR(1)0.2460.1620.117AR(2)0.150.8530.250

从表3可以看出，二阶序列相关AR（2）检验和sargan检验的P统计值均大于0.05，说明工具变量选取有效，系统广义矩估计适合对本文实证方程的估计。可以看出，银行业集聚对TFP增长的促进作用只体现在西部地区，对东、中部地区TFP的作用不显著。我国是以银行业占据主导地位的金融体系，西部地区的金融及经济发展水平相对于东中部地区存在明显差距，而根据Huang等（2009）等人的研究结论，金融业的发展对TFP 增长效应的促进作用在经济发展水平较低的经济体中表现得更为明显，由此，解释了银行业集聚对TFP增长的正向影响在西部地区表现明显这一现象。

证券业集聚对东、中、西部的TFP增长均存在显著的积极作用，其中，对中部地区的作用最为明显，说明近年我国以证券业为代表的资本市场得到充分发展，在我国各区域的经济发展过程中扮演了重要角色，中部地区作为我国区域的中间地带，证券业发展带动更多的企业通过上市募集资金，加速资本的形成，特别是近年来创业板的建设与发展，为中部地区中小企业的发展提供了重要契机，在推动区域TFP增长过程中作用尤为明显。

保险业集聚对东部地区的TFP作用不显著，对中、西部地区影响显著为负。这可能归结为以下两个方面的原因：首先，尽管近年东部地区保险业发展相对迅速，但东部地区保险业和经济发展协调度偏低，受金融危机的影响，协调度不断下降，同时东部地区拥有发达的货币市场和证券市场，这也弱化了保险市场与经济发展的关联，导致保险业对TFP的增长作用不显著。2004~2011年间，东部地区保费收入占GDP的比重平均为1.64%，而银行储蓄存款余额占GDP的比重平均为43.48%，尽管保险业发展可以通过改变要素积累速度和宏观效率等多种途径作用于经济增长，但保险业发展对经济增长的贡献依然非常微弱（黄英君 等，2012），由此导致保险业集聚对东部地区的TFP作用不显著。另一方面，由于经济发展是保险业发展的根本动力（吴祥佑，2009），我国中西部地区经济发展水平较低，人均收入陷入“低水平陷阱”状态，这从根本上削弱了居民对保险的支付能力，制约保险业的发展，不利于TFP增长。此外，近年“西部大开发”“中部崛起”战略的实施，中西部地区各省纷纷放宽政策，全面启动招商引资，面对众多投资保险项目，各保险公司竞相打折、相互压价，这种价格恶性竞争导致全行业亏损，从而使保险公司积累不断降低，后劲不足，不利于创新，给其他产业带来不利影响，长期来看严重阻碍了中西部地区的TFP的增长。

控制变量在不同区域作用也不尽相同。基础设施对东部地区的TFP增长有促进作用，对中西部地区的TFP增长作用不显著，由于中西部地区的交通基础设施相比东部地区比较落后，导致交通基础设施对经济发展的贡献不明显（刘生龙 等，2010）；同样，城镇化率对TFP增长效应在东部地区表现明显，对中西部地区作用不显著；此外，发现政府支出对东部地区TFP的增长有消极作用，对中部地区的TFP增长有较明显的促进作用，而对西部地区的TFP增长不显著，表明，政府适度减少对东部地区经济发展的干预，而在中西部地区可以适当加以政策强化。

四、结论及政策建议

本文基于2004年～2011年我国30个省市的面板数据，分别运用Malmquist指数法和区位熵法对我国全要素生产率（TFP）增长指数和金融集聚指数进行测算，并借助动态面板模型（GMM）检验金融集聚对TFP增长的区域异质性。结果发现：从全国层面来看，银行业集聚和证券业集聚对TFP增长存在显著的正向效应，且银行业集聚对TFP增长的贡献大于证券业集聚，但保险业集聚对TFP增长的抑制作用明显；从区域层面来看，银行业集聚对TFP增长的促进作用只体现在西部地区，对东、中部地区TFP的作用不显著。证券业集聚对东、中、西部的TFP增长均存在显著的积极作用，其中，以中部地区表现最为明显。保险业集聚对东部地区的TFP增长负的效应不显著，而对中、西部地区负的效应显著。

根据以上的实证分析结果，结合我国的实际情况提出以下几点政策建议：

第一，积极支持西部地区中小企业和个人金融业务发展。银行业集聚对西部地区的TFP增长效应影响显著，说明银行业在欠发达地区经济发展中的作用十分显著，故而结合西部地区的实际情况，创新推出适应各阶层特点的金融产品，如小额农户贷款、小城镇贷款等，扶持少数民族重点生产企业的创新发展，优化银行业规模结构，真正促使银行业与经济实体有效融合。

第二，继续完善我国证券市场，建立多层次的证券市场体系。目前，我国经济增长主要依靠银行融资贷款的支持，本文结论也可以印证，从长期看，这将加大银行负担，不利于银行业的顺利转型，因此我们应该有效利用资本市场，而证券业集聚对TFP增长具有显著的促进作用，因而继续完善我国证券市场，尤其是市场结构、监管制度、信息披露等方面，降低集中于银行和企业的风险。

第三，加强政府对保险市场的监管力度，强化保险业在新风险保障领域的核心竞争力。在继续推进保险市场化改革的同时，进一步拓宽和加大保险业的保障面和保障力，适时创新险种，满足不同层次人群的需要，加强在风险保障领域的核心竞争力，特别是加大承包新风险的业务创新，这有利于经济活动的技术创新，促进TFP的增长。

第四，继续推进金融市场化改革，实行差异化的区域金融政策。目前，我国银行、证券、保险尚未形成良好的良性竞争和优势互补的格局，导致金融产业各自为战，因此继续推进金融市场化改革，建设差异化的多层次的区域金融中心。

注：本文分别入选2013年“区域科学与城市经济前沿青年学者及研究生学术论坛”、“第十届中国金融论坛”交流论文。

①保险密度是指按当地人口计算的人均保险费，反映该地国民参加保险的程度。保险深度则是指某地保费收入占该地国内生产总值(GDP)之比，反映了该地保险业在整个国民经济中的地位。除了保费收入，保险深度和保险密度是衡量一个地区保险市场成熟程度的指标。

②东部地区包括辽宁、河北、天津、北京、山东、江苏、上海、浙江、福建、广东和海南等11个省（市）；中部地区包括黑龙江、吉林、山西、河南、安徽、湖北、湖南和江西等8个省级行政区；西部地区包括内蒙古、新疆、甘肃、青海、宁夏、陕西、四川、云南、贵州、广西和西藏等11个省级行政区。

参考文献

黄英君,陈晔婷.2012.中国保险业发展与经济增长关系研究:基于VAR模型的实证分析［J］.保险研究(1):36-46.

刘军,黄解宇,曹利军.2007.金融集聚影响实体经济机制研究［J］.管理世界(4):152-153.

李林,丁艺,刘志华.2011.金融集聚对区域经济增长的溢出作用的空间计量分析［J］.金融研究(5):113-123.

刘生龙,胡鞍钢.2010.基础设施的外部性在中国的检验:1988-2007［J］.经济研究(3):4-15.

单豪杰.2008.中国资本存量K的再估算:1952-2006年［J］.数量经济技术经济研究(10):17-31.

孙晶,李涵硕.2012.金融集聚与产业结构升级——来自2003-2007年省级经济数据的实证分析［J］.经济学家(3):80-86.

沃尔夫. 2012.马丁·沃尔夫:中国改革攻坚之战［J］. 财经界(5):98-99.

吴洪,赵桂芹.2010.保险发展、金融协同和经济增长——基于省级面板数据的研究［J］.经济科学(3):62-72.

吴祥佑.2009.我国省域保险业发展不平衡的实证研究: 1997~2007年［J］. 数量经济技术经济研究(6):99-114.

岳书敬,刘朝明.2006.人力资本与区域全要素生产率分析［J］.经济研究(4):90-96.

赵伟,马瑞永,何元庆.2005.全要素生产率变动的分解——基于Malmquist生产力指数的实证分析［J］.统计研究(7):37-42.

FARE R S, GROSSKOPF M, NORRIS M, et al. 1994.Productivity Growth, Technical Progress and Efficiency Change in Industrialized Countries［J］. American Economic Review, (1):66-83.

HUANG H,Lin S.2009. Nonlinear FinanceGrowth Nexus ［J］. Economics of Transition, (3):439-466.

ZHAO X B. 2003.Spatial Restructuring of Financial Centers in Mainland China and Hong Kong: Geography of Finance Perspective ［J］.Urban Affairs Review, (4):535-571.

(编校：家伟)

Regional Heterogeneity of the Effect of Financial Agglomeration

on Total Factor Productivity

——An Empirical Study Based on Dynamic Panel Data Model

HONG Gongxiang1, ZHANG Lanting1, LI Weijun1,2

（1.School of Economics , Anhui University of Technology, Ma’anshan243032, China;

2.School of Economics , Nanjing University , Nanjing 210008, China）

Abstract: This paper uses the method of Malmquist index and the method of regional entropy to measure Total Factor Productivity and the level of financial agglomeration respectively. By usingdynamic panel data model, the paper tests the empirical relationship between financial agglomeration and the growth of TFP from the national level and the regional level. The result finds that the bank industry and the stock industry agglomeration can significantly promote the growth of the TFP, and the growth effects of the TFP is related with the regional factors. The contribution to the growth of the TFP from the bank industry agglomeration is bigger than from the stock industry agglomeration. The security industry agglomeration has a negative effect on the growth of TFP, especially in central and western area. Accordingly, this paper proposes the policy advice that financial agglomeration promotes the TFP to grow in different areas.

Key words: Financial Agglomeration; Total Factor Productivity; Regional Heterogeneity; GMM Model第31卷第4期经济经纬Ｖｏl．31No．42014年7月Economic SurveyJul．2014

相关热词搜索：生产率，集聚，对全，要素，区域，