金融发展的城市全要素生产率增长效应研究

李健 辛冲冲

[摘 要]   基于2000—2016年期间中國260个地级及以上城市的平衡面板数据，采用3种生产要素投入DEA-Malmquist指数方法对中国城市全要素生产率（TFP）增长率进行测算和分析，在此基础上构建动态面板回归模型，实证检验金融发展对城市TFP增长的影响并验证是否具有异质性特征。研究发现：2000—2016年期间中国城市整体的TFP呈现出增长态势，推动城市总体TFP增长的动力源泉为技术进步和技术效率改善，且技术进步贡献更大。金融发展对中国城市整体的TFP增长产生显著的正向效应，但具有异质性特征。金融发展对城市TFP增长的促进作用呈现出了东部-西部-中部-东北部递减的态势，对处于行政等级高的城市TFP增长产生的促进作用更大，对500万人口规模以下城市的TFP增长促进作用更为明显。

[关键词]   金融发展;城市;全要素生产率;异质性;差分GMM

[中图分类号]  F061.5;F832 [文献标识码]A 文献标志码  [文章编号]1673-0461（2020）09-0070-09

一、引 言

改革开放40多年里，中国城市得到了快速的发展。中国城镇化率由2000年的36.22%稳步上升到了2017年的58.52%。《中国统计年鉴》中提供的数据显示，全国地级及以上城市数量从2000年的263个增加到了2016年的297个。由此可见，中国城市无论在数量上还是规模上都发生了巨大的变化。李健、盘宇章（2018）的研究指出，中国三大城市圈（长三角、珠三角以及京津冀）的生产总值已经占全国生产总值的35%以上，城市已经成为中国经济发展的重要载体[1]。新古典经济增长理论把全要素生产率（简称为TFP）视为推动经济可持续增长的动力源泉。当前中国正在大力推进供给侧结构性改革，而改革的重心则是提升全要素生产率。因此，在此背景下，有必要研究何种因素影响城市TFP增长。在城市经济快速增长过程中，城市的生产和运作都需要投入大量的资本、劳动力以及先进的科学技术，而资本积累和技术创新均需要充足的资金作保障，因而金融体系的影响不断得到凸显。那么，金融发展对中国城市TFP增长产生了何种的影响？这种影响是否具有显著的异质性特征？对于以上问题的研究可以为我国当前供给侧结构性改革提供一个突破点。

二、文献综述

随着城市经济的快速发展，中国学者对城市发展的研究由原来注重“量”的增长（经济规模扩大）开始转向了“质”的提升（全要素生产率的提升）。金相郁（2006）采用DEA-Malmquist指数法对1990—2003年期间41个城市的TFP水平进行测算，研究结果表明中国主要城市的TFP年均增长率为8.3%，技术进步年均增长率为8.5%，而技术效率年均增长率为-0.2%，且技术进步是推动城市TFP增长的主要动力[2]。刘秉镰、李清彬（2009）的研究表明在1990—2006年期间中国城市TFP增长年均增长率为2.8%，技术进步是促进城市TFP增长的动力源泉[3]。邵军、徐康宁（2010）采用DEA-Malmquist指数法对1999—2006年中国191个城市的TFP增长水平进行测算，研究发现样本考察期间中国城市TFP年均增长为-1%，技术效率年均增长率为1.5%，而技术进步年均增长率为-2.46%[4]。王霞、胥敬华、曾铖等（2015）以2000—2013年期间中国17个中心城市为研究对象，利用DEA-Malmquist指数法分析TFP的增长差异，研究发现样本考察期间中心城市TFP增长了2.3%，推动城市TFP增长的动力为技术进步[5]。李健、盘宇章（2018）以2000—2013年期间中国261个地级及以上城市为研究对象分析城市TFP的收敛性问题时，发现中国城市整体TFP年均增长率为3.1%，技术效率改善推动了城市TFP增长而非技术进步[1]。李健、李澎、卫平（2017）以2000—2014年期间东北三省34个地级及以上城市为研究对象分析城市经济增长动力问题时，采用DEA模型的Malmquist指数法对城市TFP增长率进行测算，研究发现样本考察期间东北地区城市总体TFP出现了显著的增长，年均增长率为2.3%，由技术进步（0.2%）和技术效率改善（2.1%）共同推动的[6]。李卫兵、涂蕾（2017）以2003—2014年期间中国274个地级及以上城市为研究对象，采用GML指数测度中国城市的绿色全要素生产率，研究结果发现中国城市绿色TFP总体呈现出增长态势，其中东部城市增长率最高，而西部城市最低[7]。以上研究学者在对城市TFP增长率进行测算过程时选用的是基于非参数的数据包络分析方法（DEA），与此同时也有研究者选取基于参数的随机前沿分析方法，如王德祥、薛桂芝（2016）以1998—2013年中国223个地级及以上城市为研究对象，采用随机前沿分解方法（SFA）测算中国城市TFP，研究结果显示样本考察期间城市TFP累积降低了12.16%[8]。李静、李逸飞、马永军（2016）以2005—2012年期间中国285个城市为研究对象，采用超越对数生产函数形式的随机前沿计量回归模型对中国城市TFP增长率进行测算和收敛性分析，研究发现样本考察期间城市TFP增长率由1.085%下降到-3.338%，年均增长率为-0.56%，导致TFP下降的原因为技术进步的连续下降[9]。以上文献主要关注的是城市TFP的测度与分析，由于研究样本、时间跨度、研究方法等多个方面存在不同，致使研究结论也存在着较大的差异。

国内学者对城市TFP的测度研究较为深入。在对城市TFP进行测算研究的同时，学者们也进一步地挖掘影响城市TFP的影响因素。杨浩昌、李廉水、刘军（2018）研究表明制造业聚集和生产性服务业聚集都可以有效地推动城市TFP增长[10]。宋丽颖、张伟亮、刘源（2018）研究发现，财政自主度对资源型城市的TFP产生显著的抑制作用[11]。王凯风、吴超林（2018）的研究发现收入差距扩大对城市环境TFP产生了显著的负面影响[12]。张萃（2016）基于城市行政等级视角分析生产性服务业集聚对中国城市TFP增长的影响，研究发现，生产性服务业集聚对城市TFP增长具有显著的促进作用，而制造业集聚并没有对城市TFP产生显著的正向效应[13]。孙晓华、郭玉娇（2013）研究发现，专业化集聚对中小规模城市的全要素生产率产生促进作用，而对较大规模的城市全要素生产率产生阻碍作用[14]。张浩然、衣保中（2012）的研究发现，基础设施对城市TFP产生显著的促进作用[15]。

从以上的研究文献可以看出，首先，关于城市TFP问题的研究不断深入，逐渐把研究的重点从生产率水平的测度转向了影响因素分析。国内学者从多个角度挖掘影响TFP增长的因素，然而已有的研究中很少有学者关注金融发展对城市TFP增长的影响。尽管诸多学者对金融发展和TFP增长之间的关系进行了极为丰富的研究（张军、金煜，2005;赵勇、雷达，2010;余利丰、邓柏盛、王菲，2011;李健、卫平，2015;陈启清、贵斌威，2013）[16-20]，但是这些学者均是从国家层面或者省级层面进行研究的，很少从城市层面进行分析的。从城市层面分析金融发展和TFP增长的关系，不但使研究进一步微观化，而且还可以扩大研究样本量得到更为稳健的回归结果。中国区域经济发展差别比较大，东部、中部和西部3个区域的地理位置、自然资源禀赋、社会文化、对外开放程度、经济发展基础等多个方面存在着较大的差异，由此处于不同区域的城市也会存在着较大的发展差异。因此，归属于不同区域的金融发展的城市TFP增长效应可能会存在区域异质特征。其次，采用国家层面或者省级层面的数据并不能进一步从行政等级视角分析金融发展与城市TFP增长之间的关系，并且也不能比较金融发展的TFP增长效应是在高行政等级的城市更大还是在低行政等级城市更大。中国城市发展过程中，由于地理位置、文化发展程度、经济基础等多个方面存在着较大的差异，会出现不同规模的城市。那么，金融发展和城市TFP增长之间的关系是否会随着城市规模的变化而变动？以上问题均没有在已有的研究中得到体现。再次，现有研究在对城市TFP增长率测算时设定的生产函数通常考虑的生产要素只包括资本要素投入和劳动要素投入，而忽略了土地要素的投入。从生产到消费整个过程，土地都是经济活动主体的载体。因此，在测算城市TFP增长率时若不考虑土地要素投入会存在一定程度的误差，最终导致研究结果的不稳健。

为了弥补以上研究过程中存在的不足，本文拟从3个方面对已有研究进行补足：第一，本文在测算城市TFP增长率时，将土地投入作为生产要素投入纳入到测算模型中，形成3种要素投入的DEA模型以得到更为可靠的测算结果;第二，将金融发展和全要素生产率增长纳入到同一个研究框架下，实证分析金融发展对城市TFP增长的影响;第三，本文将样本城市根据中国区域归属、行政等级以及城市规模进行分类，逐一分析不同类别下金融发展对城市TFP增长影响以验证异质性特征。

三、计量回归模型构建、变量选择与数据来源说明

（一）计量回归模型构建

內生经济增长理论为研究金融发展和经济增长的关系提供了重要的理论基础。国外学者Bencivenga、Smith（1991）[21]、Greenwood、Smith（1997）[22]、Fuente、Marín（1996）[23]以及Laeven 、Levine 、Michalopoulos（2015）[24]分别从不同角度来构建内生经济增长模型分析金融发展和经济增长的关系，且都证实了金融发展对经济增长的正向影响。而国内学者苏基溶、廖进中（2009）[25]以及阳佳余、赖明勇（2007）[26]分别构建不同种类的内生经济增长模型证实了金融发展对经济增长产生显著的正向影响。本文基于以上研究，假定TFP增长受到内生金融发展的影响。李健、盘宇章（2017）[27]以及李健、卫平（2015）[19]在分析TFP增长问题时，通过实证分析方法证实了TFP增长具有惯性。因此，本文考虑到以上可能会出现的问题，在构建计量回归模型时选择动态面板模型。将计量回归模型设定为以下具体形式：

tfpit=∑ k m=1 ρm×tfpi，t-m+βfinanceit+θ"controlit+ui+εit[JY]（1）

式（1）中，下角标i表示第i个城市，下角标t表示第t年，下角标m代表滞后期数。变量tfp代表城市TFP增长率，变量finance代表金融发展水平，control代表控制变量集合，符号ρ、β、θ为待估计系数，ui为不可观测的城市固定效应，εit为随机干扰项。系数β的统计特征为本文关注的重点。在这里需要对被解释变量的滞后期（m）选取问题进行简单地说明，现有文献在构建动态面板模型时，通常直接设定其滞后阶数，本文并没有采用这种预先设定的方法，而是通过相关检验方法来确定其最后的滞后阶数。本文需要进一步地从不同区域、行政等级、城市规模3个角度分析金融发展对城市TFP增长的影响异质性特征，因此需要分别构建不同的计量回归模型，具体形式如下：

tfpit，c1=∑ k m=1 ρm，c1×tfpi，t-m，c1+βc1financeit，c1+θ"controlit，c1+ui，c1+εit，c1[JY]（2）

tfpit，c2=∑ k m=1 ρm，c2×tfpi，t-m，c2+βc2financeit，c2+θ"controlit，c2+ui，c2+εit，c2[JY]（3）

tfpit，c3=∑ k m=1 ρm，c3×tfpi，t-m，c3+βc3financeit，c3+θ"controlit，c3+ui，c3+εit，c3[JY]（4）

式（2）中的下角标c1代表城市归属区域，本文将中国城市划分为东部城市、中部城市、西部城市以及东北部城市。式（3）中的下角标c2代表城市归属的行政等级，本文将中国城市划分为高行政等级城市（直辖市、副省级城市、省会城市）和低行政等级城市（普通地级城市）。式（4）中的下角标c3代表城市规模，本文将中国城市按照人口规模划分为500万以下、500万以上1 000万以下以及1 000万以上。

本文在构建计量模型分析金融发展的城市TFP增长效应时采用的是动态面板回归模型，在采用这种计量模型分析问题时通常采用的回归方法为广义矩估计方法（简称GMM）。在采用广义矩估计方法对动态面板回归模型进行估计时，具体分为两类方法：一是差分GMM，二是系统GMM。然而，这两类GMM方法在对动态面板模型进行回归分析时各有利弊，这两类方法的优势和劣势对比分析可以参照李健和盘宇章（2017）的研究[27]。综合考虑，本文选择差分GMM进行分析。由于随机误差项ε的未来值与解释变量集合X不相关，因此假设模型中的解释变量集合X是弱外生的。本文采用差分GMM对动态面板模型进行估计过程中，将所有解释变量的滞后期作为工具变量。但考虑工具变量的有效性问题，对工具变量的选取最多使用解释变量滞后四阶。由于本文用到的工具变量个数超过内生解释变量的个数，需要进行过度识别检验。本文选择Hansen检验来进行过度识别检验，其原假设为“所有工具变量都是外生的”。与此同时，还需要对随机扰动项{εit}是否存在序列相关进行检验，即原假设为“随机扰动项{εit}无自相关”。

（二）变量选取

1.被解释变量：全要素生产率增长（tfp）

国内研究中关于TFP水平测算的方法主要有两类：一类为参数方法（如柯布—道格拉斯生产函数法、随机前沿分析方法等），另一类为非参数方法（如数据包络分析方法）。关于数据包络分析方法（DEA）和随机前沿分析方法（SFA）的优点和缺点在余泳泽（2015）的文献中做出了较为具体的论述[28]。现有文献在选择城市生产函数时对于生产要素的选择更多地关注劳动要素投入和资本要素投入，而忽略了土地要素投入。本文在测算城市TFP时，将土地要素投入纳入到城市生产函数中，因此采用参数法测算TFP时并不太合适。综上分析，本文选择DEA模型的Malmquist指数方法测算城市TFP水平（Fare、Grosskopf、Mary等，1994）[29]。国内大量学者采用DEA模型的Malmquist指数方法研究中国经济运行效率问题，本文对此方法不做过多描述，具体的测算方法和数据处理过程可参考章祥荪、贵斌威（2008） [30]、李健、盘宇章（2018）[1]以及李健、盘宇章（2017）[27]的文献。本文采用数据包络分析软件Deap2.1对城市的TFP水平进行测算，结果见表1。通过表中的测算结果可以看出，2000—2016年期间中国城市总体的年均TFP增长率为3.1%，这说明中国城市整体TFP出现了正增长。Malmquist指数法可以将TFP指数进一步分解为技术进步指数和技术效率指数，因此可以得到技术效率和技术进步的年均增长率分别为0.4%和2.7%，这说明2000年以来，技术进步和技术效率共同推动了中国城市整体的TFP增长，但技术进步的贡献更大。

2.核心解释变量：金融发展水平（finance）

国内外研究者在对金融发展问题进行研究时，从多个维度和多个层面构建多种指标来度量区域金融发展水平。国外学者如Muhammad 、Islam、Marashdeh（2016）分析金融发展和经济增长之间关系时选取“私人信贷与GDP的比值”与“M2与GDP的比值”作为衡量金融发展水平的指标[31]。Arcand 、Berkes 、Panizza（2015）在研究金融发展和经济增长之间的非线性关系时选取“私人信贷与GDP的比值”作为衡量金融发展水平的指标[32]。张軍、金煜（2005）[16]以及赵勇、雷达（2010）[17]的研究均采用“私人部门的贷款总额与GDP之比”作为度量区域金融发展水平的核心指标。而李健、盘宇章（2017）[27]以及黄智淋、董志勇（2013）[33]在研究金融发展与经济增长之间的非线性关系时将“金融机构贷款余额与GDP之比”作为度量金融发展水平的指标。尽管 “私人信贷与GDP的比值”是衡量中国金融发展水平相对合理的指标，但是历年的《中国城市统计年鉴》以及每个城市的独立统计年鉴并没有提供城市的私人信贷规模相关数据，本文退而求其次采用李健、盘宇章（2017）[27]以及黄智淋、董志勇（2013）[33]研究设定的指标，即“金融机构贷款余额与GDP之比”作为衡量城市金融发展水平的指标。金融机构贷款余额和城市生产总值的数据均来源于历年《中国城市统计年鉴》和各城市统计年鉴。

3.控制变量

政府财政支出水平（govern）：选取“城市政府财政支出额与城市GDP的比值”作为度量政府财政支出水平的指标。

外商直接投资水平（fdi）：选取“城市实际利用外商直接投资额与城市GDP的比值”作为度量外商直接投资水平的指标。

城市规模（lnsize）：选取“城市年末户籍人口的对数”作为衡量城市规模的度量指标。由于本文构建的计量模型中被解释变量为增长率，考虑到变量衡量单位问题，对城市年末户籍人口进行对数处理。

人力资本（education）：现有文献中关于衡量人力资本的方法较多，但在实证研究中使用较为普遍的度量指标为平均受教育年限，但城市层面的统计年鉴并没有提供具体的关于不同教育水平的相关数据，因此不能用这种度量方法进行分析。刘瑞明、赵仁杰（2015）在研究城市经济问题时选取“城市普通高等学校在校生人数与城市总人口的比值”作为衡量城市人力资本的指标[34]。考虑到数据的可获得性，本文采用刘瑞明和赵仁杰的研究指标来度量城市人力资本水平。

产业结构高级化（upgrade）：本文选取“城市第三产业产值与城市生产总值的比值”作为衡量城市产业结构高级化水平的度量指标。

（三）数据来源说明

本文实证分析过程中的研究对象包括2000—2016年期间中国260个地级及以上城市，且原始统计数据来源于《中国城市统计年鉴》以及《中国统计年鉴》。由于《中国城市统计年鉴》中关于衡量金融发展水平的原始数据“金融部门的年末贷款余额”从2003年开始提供，因此在测算城市TFP增长率时所使用的时间跨度为2000—2016年，而进行计量分析时所使用的时间跨度为2003—2016年。出于对统计数据的完整性和可获得性的考虑，以2000年《中国城市统计年鉴》给出的城市划分标准为基准获取本文的样本量，但由于个别城市数据缺失现象较为严重，对这些城市进行了剔除，最终共有260个城市进入了考察样本范围内。本文所提及的“城市”相关数据均为《中国城市统计年鉴》中“全市”的统计口径数据。

四、实证研究结果分析与讨论

（一）金融发展的城市TFP增长异质性效应：基于全国和区域视角

本文采用统计分析软件stata13.1对前文构建的动态面板回归模型进行估计，结果见表2。在进行回归分析过程中发现，若在计量模型中引入滞后一阶的被解释变量作为解释变量得出来的回归结果无法通过随机扰动项无自相关的检验，也就是随机扰动项存在自相关问题。现有文献在解决此类问题时，通常会在计量模型中引入更多的滞后被解释变量。通过对计量模型进行多次回归估计发现，在计量模型中引入被解释变量的二阶或三阶滞后变量即可解决随机扰动项自相关问题。此时，表2中4个回归方程结果均通过了随机扰动项无自相关的检验。同时，Hansen检验统计量数值无法拒绝“所有工具变量都是外生的”的原假设。另外，Wald检验统计量数值拒绝了“解释变量系数均为零”的原假设。

表2中的第一列是以全国260个城市为研究对象得到的回归结果。结果发现金融发展（finance）的系数为正且在1%的水平上显著，表明金融发展显著地促进城市TFP增长。金融机构的信贷规模扩张会满足企业发展过程中所需要的资金，这保证了企业正常生产运作，推动了企业产量的增加，同时也带了“干中学”式的TFP增长。与此同时，企业面临市场的激烈竞争，出于抢占市场份额的目的，会不断地进行技术创新以增加产品多样化和提高产品质量。然而，企业在进行技术创新过程中需要投入大量的资金，这通常会超出企业自身的实力范围，在这种状况下企业需要通过外部融资来进行创新，此时金融机构的信贷会满足企业技术创新资金的需求，金融体系的发展保证了技术创新活动的顺利进行，提高了企业技术创新成功概率，推动了技术进步，最终带来了城市TFP的增长。

然而，中国区域经济发展差别比较大，东-中-西-东北4个区域的地理位置、自然资源禀赋、经济发展基础等多个方面存在着较大的差异。因而，处于不同区域的城市也会存在着较大的发展差异。改革开放以来的40年里，东部地区凭借着优先发展的国家方针和政策获取了过多的经济资源，从而取得了令人骄傲的发展成绩，而中、西部地区则处于一个相对落后的发展状态。在此背景下，《国民经济和社会发展第十三个五年规划纲要》强调“深入实施西部开发、东北振兴、中部崛起和东北率先的区域发展总体战略”以及国家提出的“一带一路”倡议都是为了促进区域经济快速发展和缩小区域间的经济发展差距。在国家实施这些战略和倡议过程中，金融业也随之快速发展，在区域经济发展过程中产生了重要的影响。因此，有必要从异质性视角进一步地研究金融体系在东部、中部、西部以及东北4个区域内城市发展过程中所产生的影响差异。本文将全部样本城市根据东部地区（10个省市）、中部地区（6个省市）、西部地区（11个省市区）以及东北部地区（3个省）划分标准进行分类来分析金融发展对归属于不同区域的城市TFP增长的影响，结果见表2中的第三列到第六列。结果发现，金融发展（finance）的系数在表2中的第三列到第六列的回归结果中均为正且在1%的统计水平上显著，这说明金融发展对各地区城市TFP增长均产生了显著的正向影响。无论是以中国城市总体为分析对象还是以不同区域城市为分析对象均进一步证实了金融发展对TFP增长产生了显著的促进作用（李健、卫平，2015）[19]。然而，進一步对比不同模型中金融发展（finance）的系数大小发现，金融发展对城市TFP增长的促进作用呈现出了东部-西部-中部-东北部的递减态势，这也间接地证明了金融发展的城市TFP增长效应具有区域异质性特征。

此外，本文还发现变量govern的系数除了在以中部地区城市为研究对象的回归结果中不显著以外，在其他的所有模型中均为负且在1%的统计水平上显著，这表明政府财政支出对城市TFP增长产生了显著的负面影响，本文的实证结果从城市层面支持了李健和盘宇章（2017） [27]以及李健和卫平（2015）[35]的研究结论。变量fdi在以全国城市为样本的回归结果中系数为正且在1%的水平上显著，这说明外商直接投资促进了中国城市TFP增长。在以东部城市为样本的回归结果中，变量fdi的系数为正且在1%水平上显著，这说明外商直接投资促进了中国东部城市TFP增长。在中部城市和西部城市为样本的回归结果中，变量fdi的系数均为负且在1%的统计水平上显著，这说明外商直接投资对中部和西部城市TFP增长产生了明显的抑制作用。而在东北部城市为样本的回归结果中，变量fdi的系数为负但不显著，这说明外商直接投资对东北部城市TFP增长没有产生显著的影响。变量lnsize的系数在以全国城市为研究对象和中部城市为研究对象的回归结果中为正且在1%的水平上显著，这说明城市规模显著地促进了全国城市TFP增长和中部城市TFP增长，而在其他地区城市发展过程中对城市TFP增长产生了较为明显的抑制作用。以上结果支持了“大城市”发展的观点，但发展“大城市”的方针政策要分地区有差别的实行。变量education的系数除了在以东北部城市为研究对象得到回归结果中不显著以外，在其他的模型中均为负且在1%水平上显著，这说明人力资本显著地抑制了城市TFP增长。本文的回归结果与现有多数研究的结论相左，但与陈仲常、谢波（2013）[36]，李健、冯山、代昀昊（2020）[37]，李健、盘宇章（2017）[27]研究结论相一致。陈仲常、谢波（2013）研究不同类型人力资本对全要素生产率增长的影响时发现，初等、中等、高等教育对TFP增长即期影响显著为负，而中等和高等教育在滞后三期才具有显著的正外部性[36]。本文在对人力资本度量时选取的是普通高等教育在校生与人口规模的比值，与陈仲常、谢波（2013）的研究中高等教育度量指标基本上一致。出现这样研究结果的原因可能是用“高等院校在校生数”度量人力资本反映的是潜在的人力资本资源而非即时的劳动力“执行能力”，会产生一定程度的滞后影响。变量upgrade的系数在表2所有回归结果中为正且均在1%的水平上显著，这表明产业结构高级化对中国城市TFP增长产生了显著的促进作用。产业结构越高级，说明产业技术水平越高，这对城市经济发展会产生明显的正向影响。

（二）金融发展的城市TFP增长异质性效应：基于行政等级和城市规模视角

为了进一步考察金融发展对中国城市TFP增长的影响，本文接下来从行政等级和城市规模视角来进行分析，具体结果见表3。表3中的回归结果均通过了所有检验，这表明模型设定具有合理性。表3中第二列和第三列的回归结果是将城市按照行政等级进行分类得到的，其中高行政等级城市为直辖市、副省级城市、省会城市，而低行政等级城市为普通地级城市。金融发展（finance）的系数在这两列回归结果中符号为正且均在1%水平上显著，这说明无论是行政等级高的城市还是行政等级低的城市中，金融发展对城市TFP增长产生了显著的促进作用，但进一步发现行政等级高的城市为研究对象的回归结果中金融发展（finance）的系数高于行政等级低的城市，这表明金融发展对处于行政等级高的城市TFP增长产生的促进作用更大。这背后的原因主要是因为处于行政等级高的城市经济发展水平也相对较高，经济发展活力旺盛，城市中的中小企业数量也很庞大，而当前中小企业已经成为中国经济增长的主要推动力，金融体系的发展可以满足中小企业发展过程中所需要的资金，这最终推动了高行政等级城市的TFP增长。

接下来，本文按照城市规模大小对城市进行分类研究，具体结果见表3中第四列到第七列。在以低于1 000万人口的城市为研究对象的回归结果中，金融发展（finance）的系数为0.021 1且在1%水平上显著，而以高于1 000万人口的城市为研究对象的回归结果中，金融发展（finance）的系数为0.023 1但不显著，这说明人口规模低于1 000万的城市中金融发展的TFP增长效应更为显著。为了进一步考察1 000万人口规模以下的城市中金融发展的TFP增长效应，进一步将1 000万人口规模以下的城市划分为500万人口规模以下以及500万人口到1 000万人口规模的城市进行回归分析，发现在500万人口规模以下城市的回归结果中金融发展（finance）的系数为正且在1%的水平上显著，而在500万人口到1 000万人口规模的城市中金融发展的TFP增长效应并不明显，这表明在中小规模城市中金融发展的TFP增长效应更为显著。

五、主要结论与启示

本文以2000—2016年期间中国共计260个地级及以上城市为研究对象，采用DEA-Malmquist指数法测算了城市全要素生产率，并在此基础上构建动态面板模型检验金融发展对城市TFP增长的影响以及异质性特征。得到以下主要结论：

第一，金融发展对城市总体的TFP增长产生显著的正向影响，但具有异质性特征。本文将中国进一步划分为东部地区、中部地区、西部地区以及东北地区得到的回归结果更加证实了“金融发展对城市TFP增长产生显著的促进作用”这一结论，但金融发展对城市TFP增长的促进作用呈现出了东部-西部-中部-东北部的递减态势;金融发展对处于行政等级高的城市TFP增长产生的促进作用更大;金融发展对500万人口规模以下的城市TFP增长更为显著，表明中小规模城市中金融发展的TFP增长效应更为显著。

第二，2000—2016年期间中国城市总体的TFP呈现出增长态势，且年均增长率为3.1%。样本考察期间，城市总体的技术进步和技术效率年均增长率分别为2.7%和0.4%，推动中国城市整体TFP增长的动力源泉为技术进步和技术效率改善，且前者的贡献更大。中国城市经济运行效率表现良好，城市TFP出现正向增长的城市达到总体城市的85%。样本考察期间，技术进步和技术效率改善的城市个数分别占总体城市的96.1%和59.6%，表明城市经济发展过程中技术低效率是短板。同时具有技术进步和技术效率改善的城市有148个，占总体城市的56.9%，还没有达到及格线（60%）。中国城市经济运行效率提升空间较大，仍然有43.1%的城市可以通过技术进步或技术效率改善推动城市增长。

结合以上研究结论，可以得到以下两点启示：第一，增强金融发展对城市TFP增长的正面影响，本质上应当注重金融发展对城市技术水平和技术效率的双重影响，而不能仅注重其中一个方面。本文的实证结果表明推动中国城市整体TFP增长的动力源泉为技术进步和技术效率改善，因此城市发展过程中政府应当引导金融体系更好地服务于实体经济，推动企业的技术创新，这样才能从根本上推动城市技术进步和技术效率的改善，进而促进城市TFP增长。城市政府需要从制度安排、环境建设、创新管理多个维度进行改革和完善现有的城市环境，同时企业自身也需要完善管理体系和生产体系以提高运行效率，只有这样才能保证城市技术进步和技术效率的双重提高。第二，国家应该进一步加大金融体制改革，有重点和有差异地推动不同地区的金融市场化进程，降低政府在金融资源配置上的政策干扰。中国区域经济发展不均衡，东部地区金融市场化水平显著高于其他地区，因此，国家应该重点推进中西部和东北部地区的低行政等级城市以及中小城市规模城市的金融市场化改革过程。中国银行部门存在着大量政策性导向的贷款和不良贷款，国家出于对某些行业领域的扶持目的对金融资源配置进行干扰，导致绝大多数的信贷资源配给运行效率相对低下的国有部门，致使那些本该需要信贷资源的企业没有得到支持。21世纪以来，民营经济对中国经济的快速增长作出了主要贡献，而民营经济的主体主要是中小企业。中小企业具有较强的生命力和较高的运行效率，同时在技术创新方面也有自身的优势。这些企业在进行技术创新活动时遇到的头号难题则是资金匮乏，由此也导致了很多技术创新行为被扼杀在了摇篮里。由此可见，引导金融体系更好地服务中小企业是破解融資约束难题、提升城市TEP的关键。

[注 释]

①表1中仅列出了使用软件DEAP2.1测算城市整体层面的Malmquist指数，考虑到篇幅的限制，本文对具体城市的Malmquist指数及其分解结果进行了省略。

②表2中东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南共10个地区;中部地区包括山西、安徽、江西、河南、湖北、湖南共6个地区;西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆共11个地区;东北地区包括辽宁、吉林、黑龙江共3个地区。

[参考文献]

[1]李健，盘宇章.中国城市生产率增长差异及收敛性分析 [J].城市问题，2018（1）：56-64.

[2]金相郁.中国城市全要素生产率研究：1990-2003[J].上海经济研究，2006（7）：14-23.

[3]刘秉镰，李清彬.中国城市全要素生产率的动态实证分析：1990-2006——基于DEA模型的Malmquist指数方法[J].南开经济研究，2009（3）：139-152.

[4]邵军，徐康宁.我国城市的生产率增长、效率改进与技术进步[J].数量经济技术经济研究，2010（1）：58-66.

[5]王霞，胥敬华，曾铖，等.全要素生产视角下的中心城市经济增长方式转变——基于中国17个城市面板数据的实证研究[J].上海经济研究，2015（3）：30-39.

[6]李健，李澎，卫平.东北三省城市经济增长动力实证分析[J].经济与管理研究，2017（5）：34-44.

[7]李卫兵，涂蕾.中国城市绿色全要素生产率的空间差异与收敛性分析[J].城市问题，2017（9）：55-63.

[8]王德祥，薛桂芝.中国城市全要素生产率的测算与分解（1998-2013）[J].财经科学，2016（9）：42-52.

[9]李静，李逸飞，马永军.中国城市全要素生产率增长率的动态实证分析及收敛性研究[J].江淮论坛，2016（3）：54-63.

[10]杨浩昌，李廉水，刘军.产业聚集与中国城市全要素生产率[J].科研管理，2018（1）：83-94.

[11]宋丽颖，张伟亮，刘源.财政自主度对资源型城市全要素生产率的影响研究[J].财贸研究，2018（3）：71-79.

[12]王凯风，吴超林.收入差距对中国城市环境全要素生产率的影响——来自285个地级及以上级别城市的证据[J].经济问题探索，2018（2）：49-57.

[13]张萃.生产性服务业集聚对中国城市生产率增长的影响——基于城市等级体系视角的分析[J].城市问题，2016（6）：61-69.

[14]孙晓华，郭玉娇.产业集聚提高了城市生产率吗？——城市规模视角下的门限回归分析[J].财经研究，2013（2）：103-112.

[15]张浩然，衣保中.基础设施、空间溢出与区域全要素生产——基于中国266个城市空间面板杜宾模型的经验研究[J].经济学家，2012（2）：61-67.

[16]张军，金煜.中国的金融深化和生产率关系的再检测：1987-2001[J].经济研究，2005（11）：34-44.

[17]赵勇，雷达.金融发展与经济增长：生产率促进抑或资本形成[J].世界经济，2010（2）：37-50.

[18]余利丰，邓柏盛，王菲.金融发展与中国生产率增长——随机前沿分析的视角[J].2011（8）：105-112.

[19]李健，卫平.金融发展与全要素生产率增长[J].经济理论与经济管理，2015（8）：47-64.

[20 ]陈启清，贵斌威.金融发展与全要素生产率：水平效应与增长效应[J].经济理论与经济管理，2013（7）：58-69.

[21]BENCIVENGA V R，SMITH B.Financial intermediation and endogenous growth[J].Review of economic studies，1991 （2）：195-209.

[22]GREENWOOD J，SMITHB D.Financial markets in development，and the development of financial markets[J].Journal of economic dynamics and control，1997（1）：145-181.

[23]FUENTE A DE LA，MARIN J M.Innovation，bank monitoring，and endogenous financial development[J].Journal of monetary economics，1996（2）：269-301.

[24]LAEVEN L，LEVINE R，MICHALOPOULOS S.Financial innovation and endogenous growth[J].Journal of financial intermediation，2015（1）：1-24.

[25]苏基溶，廖进中.开放条件下的金融发展、技术进步与经济增长[J].世界经济文汇，2009（5）：90-105.

[26]阳佳余，赖明勇.金融发展与基于水平创新的内生增长模型[J].中国管理科学，2007（2）：21-27.

[27]李健，盘宇章.金融发展、实体部门与全要素生产率增长[J].经济科学，2017（5）：16-30.

[28]余泳泽.中国省际全要素生产率动态空间收敛性研究[J].世界经济，2015（10）：30-55.

[29]FARE R，GROSSKOPF S，MARY N，et al.Productivity growth，technical progress，and efficiency change in industrialized countries[J].American economic review，1994（84）：66-83.

[30]章祥蓀，贵斌威.中国全要素生产率分析：Malmquist指数法评述与应用[J].数量经济技术经济研究，2008（6）：111-122.

[31]MUHAMMAD N，ISLAM A R M，MARASHDEH H A.Financial development and economic growth：an empirical evidence from the GCC countries using static and dynamic panel data[J].Journal of economics and finance，2016 （4）：773-791.

[32]ARCAND J L，BERKES E，PANIZZA U.Too much finance？[J].Journal of economic growth，2015（2）：105-148.

[33]黄智淋，董志勇.我国金融发展与经济增长的非线性关系研究——来自动态面板数据门限模型的经验证据[J].金融研究，2013（7）：74-86.

[34]刘瑞明，赵仁杰.国家高新区推动了地区经济发展吗？[J].管理世界，2015（8）：30-38.

[35]李健，卫平.民间金融和全要素生产率增长[J].南开经济研究，2015（5）：74-91.

[36]陈仲常，谢波.人力资本对全要素生产率增长的外部性检验——基于我国省际动态面板模型[J].人口与经济，2013（1）：68-75.

[37]李健，冯山，代昀昊.国家级高新区和中国城市全要素生产率增长——基于双重差分方法的研究[J].经济经纬，2020（1）：9-16.

The Effects of Financial Development on Total Factor Productivity Growth in China s Cities

——Empirical Analysis Based on the Panel Data of 260 Cities

Li Jian1，Xin Chongchong2

（1.School of Economics，Bohai University，Jinzhou 121000，China;2.National Academy of Economy Strategy，Chinese Academy of Social Science，Beijing 100028，China）

Abstract：   Based on the balanced panel data of 260 prefecture-level and above cities in 30 regions of China during the period of 2000-2016，this paper uses the three-input DEA-Malmquist index method to measure and analyze the growth rate of urban total factor productivity（TFP） in China.Further，the paper constructed a dynamic panel regression model to empirically examine the relationship between financial development and urban total productivity growth.The empirical results show that the overall TFP of Chinese cities during the period of 2000-2016 show a growth trend，and the driving force behind the overall TFP growth in Chinese cities is the technological progress and improvement of technical efficiency，while the former contributes more to total TFP.Financial development plays a significant role in promoting the total TFP growth in cities，but the effects presents regional heterogeneity.The role played by financial development in the growth of urban total factor productivity shows a declining trend in the east-west-central region;Financial development has a greater effect on the growth of total factor productivity in high-administrative cities;Financial development contributes more to total factor productivity in cities under a population of 5 million than that of cities above 5 million.

Key words：   financial development;city;total factor productivity ;heterogeneity;difference GMM

責任编辑 （责任编辑：蔡晓芹）