中国金融发展存在收敛特征吗？——基于省级面板数据的实证分析

李健 辛冲冲

(1.渤海大学经济学院，辽宁 锦州 121000；2.中国社会科学院财经战略研究院，北京 100028)

一、引言

在国民经济发展过程中，经济主体的生产和运行过程都需要投入大量资本、劳动力以及先进的科学技术，而资本积累过程和技术创新过程均需要充足的资金作保障，这致使金融体系的作用不断增强。金融体系在资源时空配置、降低信息成本、风险管理等多个方面对国民经济产生了关键性的作用。Aghion et al.(2005)[1]认为金融自由化的目标是为了对资本投资和技术进步提供充足资金、促进经济发展以及缩小落后地区与发达地区间生活水平差距。在改革开放初期，我国经济发展实行的是“先富带动后富”战略，即率先发展东部沿海地区，当发展到一定阶段时，东部沿海地区带动中西部地区发展。在这种经济发展战略的背景下，东部地区产业集聚和经济增长，导致了东部地区经济的“隆起”，而中西部地区在经济发展、技术水平、经济结构、社会发展等多个方面滞后于东部地区。中国区域经济发展的不平衡不充分，首先表现在了金融资源区域分配和区域金融发展的不平衡和不充分。根据历年《中国区域金融运行报告》提供的数据可以看出，2017年东部地区银行金融机构资产总额占比、从业人数占比以及金融机构个数占比分别为64.8%、54.5%和49.6%，而2006年相应指标的占比分别为71%、57%和48%，这说明我国金融区域发展不平衡。既然金融发展在经济增长过程中的作用如此重要，那么在协调区域经济发展过程中更要重视区域金融的发展不平衡和差距。因此，本文关注的问题是：中国区域金融发展水平差距是否在缩小？是否具有显著的收敛特征？对以上问题的研究，会对国家协调区域经济发展产生重要的指导意义。

二、文献综述

随着全球金融体系的快速发展，国内外学者对金融发展问题的研究不断深入，关注的焦点从金融发展的影响效应开始转向了金融体系自身发展问题。在此研究趋势背景下，学者们对金融发展收敛问题也越来越重视。如Bianco et al.(1997)[10]以6个发达国家为分析对象选取多个金融发展指标进行对比分析，发现在这些国家中金融体系收敛还是有限的。Antzoulatos et al.(2011)[2]采用世界银行金融发展和结构数据库提供的统计数据构建13个金融发展指数分析金融收敛问题，发现金融机构无论从整体还是从主要部分都没有呈现显著的收敛特征，相反地发现了样本国家金融系统的发展差异随着时间推移呈现不变或者递增趋势的证据。Veysov and Stolbov(2011)[17]以1980―2009年102个国家为研究对象，利用10个衡量金融深度指标分析金融发展收敛问题，结果表明金融发展呈现显著的β收敛特征，中等收入国家金融发展收敛的速度相对较快。Bahadir and Valev(2015)[5]以1965―2009年147个国家为研究对象并采用多种指标衡量金融发展水平，发现无论采用何种指标度量金融发展水平都证实了这些国家之间的金融发展差异不断缩小，呈现绝对β收敛和条件β收敛趋势。Bruno et al.(2012)[12]分别利用1980―2005年G7国家面板数据和1985―2005年欧洲40个国家面板数据，以资产分配为分析视角研究金融体系的收敛问题，发现以股份和保险产品来衡量金融发展时呈现显著的β收敛。

随着研究经济增长收敛方法的传播，国内学者也开始使用这些方法研究中国金融发展的收敛性相关问题。首先，从省级层面来研究各地区金融发展收敛性问题，如陆文喜和李国平(2004)[29]利用1985―2002年中国各地区的数据，以“金融相关比率”作为衡量金融发展水平的指标，发现样本考察期内中国各地区的金融发展趋于收敛，发达地区与不发达地区之间的金融差距以0.67%的速度减少。赵伟和马瑞永(2006)[36]利用1978―2002年中国各地区的数据，同样以“金融相关比率”作为衡量金融发展水平的指标研究中国金融发展收敛性问题，发现中国区域金融发展存在着β绝对收敛，同时还呈现一定的“俱乐部收敛”特征。孙晓羽和支大林(2013)[31]采用1992―2010年中国各地区的数据，以“私人部门贷款总额与地区生产总值的比值”作为衡量地区金融发展水平的指标分析金融发展的收敛性问题，发现中国区域金融发展呈现β绝对收敛，但收敛速度相对较慢，同时还发现东部地区和东北部地区不存在收敛特征，而中西部地区呈现俱乐部收敛特征。孙英杰和林春(2018)[32]以2005―2016年中国省际面板数据为研究对象，构建衡量普惠金融发展水平的指标研究金融发展收敛性问题，结果表明在全国层面、中部地区以及西部地区存在着绝对β收敛特征，东部地区不存在绝对β收敛特征；与此同时，全国、东部和西部地区存在条件β收敛，中部地区不存在条件β收敛。而李树和鲁钊阳(2014)[26]则从城乡金融非均衡发展视角，以1978―2010年28个省际区域为研究对象，从结构、规模和效率研究视角分析金融发展收敛性问题，结果表明样本期间城乡金融非均衡发展存在着σ收敛和β条件收敛。以上学者的研究在一定程度上证实了中国区域金融发展呈现收敛特征，但也有学者得到了相反的结论，如李敬等(2008)[25]的研究表明1992―2004年中国省际间的金融发展差异呈现增大趋势，即不存在金融发展收敛特征。

其次，从城市层面来研究各地区金融发展收敛性问题，如刘传明等(2017)[28]采用2014年3月至2015年12月城市互联网金融发展指数月度数据，分析中国八大城市群互联网金融发展的收敛性问题，发现中国八大城市群中六个区域不存在绝对β收敛，而另外两个区域存在绝对β收敛。梁榜和张建华(2020)[27]采用2011―2015年数字普惠金融地级城市层面的数据分析金融发展问题，发现全国整体和三大区域数字普惠金融的发展呈现典型的σ收敛，并且均存在显著的绝对和条件β收敛，但不同区域的空间收敛速度有所差异。

再次，从县级层面来研究各地区金融发展收敛性问题，如黄砚玲等(2010)[20]以1997―2008年浙江省67个县市区为研究对象，采用空间计量方法分析金融发展的收敛性问题，结果表明样本期间浙江省县市区金融发展存在着显著的β绝对收敛特征，且收敛速度呈现明显的下降趋势。石盛林(2010)[30]利用2004―2006年中国1978个县域地区的数据，采用“金融相关比率”衡量县域金融发展水平研究收敛性问题，结果表明样本期内全国县域范围内金融发展呈现β收敛特征和俱乐部收敛特征。王雪和何广文(2020)[33]利用2010―2015年中国1733个县域面板数据分析普惠金融发展的收敛性问题时发现，县域普惠金融发展存在绝对β收敛、条件β收敛和俱乐部收敛。

综上所述，国内外学者从不同方面对金融发展的收敛性问题展开了研究。尽管国内学者从不同地区层面对金融发展的收敛性问题展开了研究，但他们更多地关注区域金融发展的绝对β收敛。Barro and Sala-i-Martin(1992，2003)[6][7]指出，一个中央政府管辖下的不同区域在制度环境、经济环境、技术水平等方面尽管有些差异，但在研究绝对β收敛特征问题时采用同一政治制度下区域数据集相对采用不同政治制度下国家数据集更具有优势。而Sala-i-Martin(1996)[16]的研究也指出条件收敛和绝对收敛的假设当且只有在所有的区域具有相同的稳态值时才成立。尽管同一个国家制度背景下的地区数据集在检验绝对β收敛具有优势，但具体运用到中国来说可能有些特殊。1978年至今的40多年里，特别是改革开放初期我国经济发展实行的是“先富带动后富”战略，即率先发展东部沿海地区，当发展到一定阶段时，东部沿海地区带动中西部地区发展。在这种经济发展战略的背景下，东部地区和非东部地区发展差距较大。这也意味着用地区数据集考察金融发展是否具有绝对β收敛特征是远远不够的，更需要考虑每个地区金融发展水平可能具有不同稳态值时区域金融发展是否具有条件β收敛的情况。与此同时，改革开放至今已有40余年，国内很少有学者使用更长时间跨度的研究样本对中国金融发展进行收敛性分析。而且，国内学者在对中国区域金融发展收敛性问题进行分析时，通常选择一种指标来衡量地区金融发展水平，这种做法往往会产生较为片面的研究 结果。

鉴于以上研究的不足，本文拟从以下四方面对现有研究进行补充：第一，在研究中国区域金融发展收敛问题时，不仅沿用现有研究做法考察金融发展是否存在绝对β收敛特征，同时借鉴经济增长收敛相关文献来考察金融发展是否也存在条件β收敛特征，这样做可以更加客观准确地验证中国区域金融是否呈现β收敛特征，同时还能挖掘影响金融发展收敛的其他因素；第二，将研究的时间跨度扩大到1978―2017年，同时采用Islam (1995)[13]、Beck et al.(2000)[9]、黄智淋和董志勇(2013)[21]的做法，将样本分成五个不交叠的时期：1978―1982年，1983―1987年，…，2013―2017年，这样做不仅可以研究改革开放40年间金融发展收敛的特征，而且可以有效地保留地区层面的时间变化，避免商业周期带来的影响；第三，将在现有研究的基础上采用三种指标衡量区域金融发展水平，以更加全面地分析金融发展收敛性问题，而且可以使得研究结果更加稳健；第四，进一步将样本划分成东部和非东部地区研究金融发展的收敛性问题。

三、实证研究设计

(一)计量回归模型的构建

本文在实证研究金融发展的收敛特征时，选择β收敛方法。β收敛方法是由Baumol(1986)[8]提出的，主要关注变量的增长率与变量初始值之间的负向关系。Mankiw et al. (1992)[14]、Sala-i-Martin(1996)[16]、Islam(1995)[13]等均采用β收敛方法研究经济增长收敛相关问题。国外在对金融发展收敛问题进行研究时也是借鉴了经济增长领域分析收敛性的β收敛方法，如Veysov and Stolbov(2012)[17]、Bahadir and Valev(2015)[5]以及Bruno et al.(2012)[12]的研究。综上分析，本文也采用β收敛方法实证分析中国金融发展的收敛性问题。在进行实际操作时，β收敛方法可以进一步分为绝对收敛和条件收敛。

Barro and Sala-i-Martin(1992)[6]的研究指出在实际回归过程中存在两种估算系数β的方法。第一种方法是采用一般的数据集(即该数据无法保证初始值与稳态值不相关)，找到代表稳态值的变量，进行回归分析，这样可以避免遗漏变量导致的内生性问题。第二种方法采用的数据集中，各地区倾向于类似稳态值收敛，至少能保证稳态值与初始值不相关。在这种情况下，地区数据集有重要作用。受到同一个中央政府管辖的地区尽管在法律制度、经济制度、技术以及偏好等方面存在差异，但这些差异要比国家间的差异小。这种相对同质性意味着绝对收敛更可能存在于一国的各地区之间。因此，本文首先检验金融发展是否具有绝对β收敛特征，将模型设定成如下形式：

其中，git代表第i个地区t时期跨度内的金融发展增长率，FDit代表t时期跨度的第一年的金融发展水平，μi和τt分别表示地区和时间固定效应。本文关注的重点是系数β的统计特征，倘若系数β小于0，说明金融增长率与初始期的金融发展水平呈现负向关系，这也意味着金融发展具有绝对β收敛特征，即金融发展水平在初始时期越低，金融发展得更快；倘若系数β等于0，则意味着金融发展水平的差距保持不变；倘若系数β大于0，则说明金融发展呈现发散的特征，即金融发展水平在初始时期越高，金融发展的速度更快。

尽管中国的省级地区在政治制度、经济制度、法律制度等多方面具有共性，但考虑到各地区在地理位置、自然资源禀赋、政策优惠等方面的差异，各地区的稳态可能会存在差异，因此需要进一步考虑金融发展是否存在条件β收敛。本文将检验金融发展是否具有条件收敛的模型设定为如下形式：

其中，结合Bahadir and Valev(2015)[5]的研究，本文选择如下控制变量：人均实际GDP(lnrgpd)、政府消费(cd)、对外开放(od)、外商直接投资(fd)以及产业结构高级化(std)。

本文进一步借鉴Aghion et al.(2005)[1]的研究思路，以直辖市上海为其他地区金融发展对照前沿面，构建如下模型：

其中，下标sh代表上海市，其他的变量与模型(2)相同。

虽然面板数据能够解决遗漏个体异质性问题，但受部分无法测度因素的影响，模型中可能存在遗漏变量问题，进而会导致内生性问题。尽管计量模型采用了初始年份的金融发展水平来解释随后时期的金融发展增长率，但仍需充分考虑双向因果关系导致的内生性问题。因此，本文通过工具变量方法来克服内生性问题，主要包括面板2SLS估计方法和面板GMM估计方法。

(二)变量选取

1.金融发展水平以及增长率的指标选取

国内外在研究金融发展相关问题时，从多个维度和多个层面构建衡量金融发展水平的指标，但并未达成一致的度量标准。如Muhammad et al.(2016)[15]选取“私人部门信贷额度与GDP的比值”以及“M2与GDP的比值”作为衡量金融发展水平的指标研究金融发展和经济增长之间的关系。Bahadir and Valev(2015)[5]选取“私人部门从商业银行获得的贷款总额与GDP的比值”“私人部门从金融机构获得的贷款总额与GDP的比值”以及“流动性负债总额与GDP的比值”分别作为衡量金融发展水平的指标分析金融机构的收敛性问题。Zhu et al.(2020)[18]选取“私人部门从银行以及其他金融部门的贷款与GDP的比值”“私人部门从银行的贷款与GDP的比值”以及“流动性负债总额与GDP的比值”作为衡量金融发展水平的指标分析金融发展、创新与经济增长之间的关系。Arcand et al.(2015)[3]在研究金融发展和经济增长之间关系时同样选取“私人部门信贷额度与GDP的比值”作为度量金融发展水平的指标。国内学者如张军和金煜(2005)[35]以及王俏茹等(2020)[34]均采用“私人部门的贷款总额与GDP的比值”作为衡量区域金融发展水平的核心指标。李健和盘宇章(2017)[22]以及黄智淋和董志勇(2013)[21]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的比值”作为度量金融发展水平的指标。樊玲和韩廷春(2020)[19]选取“社会融资规模与GDP的比值”作为衡量金融发展水平的指标以分析金融发展对实体经济的影响。尽管“私人部门的贷款总额与GDP的比值”是衡量中国金融发展水平相对合理的指标，但中国各地区的统计年鉴以及《中国金融统计年鉴》并未提供此指标的原始数据，学者们都是通过进行回归估算得到此指标数据。考虑到本文研究的时间跨度为1978―2017年40年，由于数据缺失问题以及回归估算产生的误差致使本文并不能使用“私人部门的贷款总额与GDP的比值”作为衡量金融发展水平的指标。同时，由于我国资本市场发展相对于国外起步较晚，改革开放前期关于股票市场、债券市场和保险市场分区域的数据缺失问题严重，因此本文主要针对于银行业，这也是国内研究采用的惯用做法。考虑到数据的可获得性，本文借鉴李健和卫平(2015)[23]以及李健和卫平(2015)[24]的研究选择“金融机构的年末贷款余额与地区生产总值之比”(FD1)、“金融机构的年末存款余额与地区生产总值之比”(FD2)以及“金融机构的年末存贷款余额与地区生产总值之比”(FD3)分别衡量地区金融发展水平。由于现有研究中绝大多数采用“相关部门的贷款额度与GDP的比值”作为主要衡量金融发展水平的指标，本文主要研究结果以“金融机构的年末贷款余额与地区生产总值之比”衡量金融发展水平的回归结果为基准。

由于研究时间跨度为1978―2017年，本文沿用Bahadir and Valev(2015)[5]的做法，将数据分成五个不交叠的时期：1978―1982年，1983―1987年，…，2013―2017年；以金融发展的每五年增长率(git)作为被解释变量，同时选择每个五年的初始第一年金融发展水平(FDit)作为本文的核心解释变量。

2.其他变量的选取

人均实际G D P 水平(lnrgpd)：本文选取以1978年为基期折算后的人均GDP并取对数作为衡量各地区的人均实际GDP水平的指标。

政府消费水平(cd)：本文选取“政府消费支出与地区生产总值的比值”作为衡量地区政府消费水平的指标。

对外开放水平(od)：本文选取“进出口总额与地区生产总值的比值”作为衡量地区对外开放水平的指标。

外商直接投资(fd)：本文选取“实际利用外商投资额与地区生产总值的比值”作为衡量地区的外商直接投资水平的指标。

产业结构高级化水平(std)：本文选取“第二、三产业产值之和与地区生产总值的比值”作为衡量地区产业结构高级化水平的指标。

在本文中以上所有控制变量数值选取均为五个不交叠时期的第一年数值。

(三)数据来源说明

本文选取1978―2017年中国30个省、直辖市以及自治区为研究对象(考虑到西藏自治区数据缺失问题严重，按照现有研究做法对其进行了剔除)，经过每5年处理之后共计240个观测数据。衡量所有变量发展水平的原始数据均来源于1978―2017年各地区的统计年鉴、《新中国六十年统计资料汇编》《中国统计年鉴》以及中经网数据库。由于个别数据存在缺失，本文采用算术平均值来补充。

四、实证结果与分析

(一)金融发展收敛性分析：全国层面

表1报告的是使用衡量金融发展水平的不同指标估计模型(1)的回归结果，表中并未包括控制变量，但控制了地区固定效应和时间固定效应。本文发现所有金融发展水平变量的系数均在1%水平下显著为负。其中，列(1)、(4)以及(7)中金融机构贷款余额的初始值的系数均在-0.09左右，换句话来说，金融机构的贷款余额初始值每增加1%，金融机构年末贷款余额占比增长率会降低0.09%左右。列(2)、(5)以及(8)中金融机构存款余额的初始值每增加1%，金融机构年末存款余额增长率降低0.06%左右。列(3)、(6)以及(9)中金融机构年末存贷款额的初始值每增加1%，金融机构存贷款额增长率会降低0.034%。综上回归结果可知，中国省际之间金融发展呈现绝对β收敛 特征。

表1 全国金融发展绝对β 收敛回归结果

表2 全国金融发展条件β 收敛回归结果

表3 金融发展β 收敛回归结果：工具变量法

由于表1的所有回归结果并未控制其他的控制变量，检验的是绝对收敛，本文进一步加入一系列的宏观控制变量，具体的回归结果见表2。本文发现Hausman检验表明所有模型均支持采用固定效应估计方法得到的回归结果(受篇幅所限，未列出采用随机效应估计方法得到的回归结果)。本文发现衡量金融发展水平的核心解释变量前面的系数均在1%水平下显著，这表明金融发展呈现显著的条件β收敛特征。

前文指出，计量回归模型中可能由于遗漏问题以及双向因果关系而导致内生性问题。为了克服可能出现的内生性问题，本文首先使用面板2SLS方法来进行分析。表3中列(13)～(15)的回归结果是把核心解释变量金融发展水平的1阶滞后作为工具变量采用面板2SLS得到的。本文发现金融发展水平的系数均在1%水平下显著且均为负值，这说明即使考虑到了内生性问题，金融发展依旧呈现显著的绝对β收敛特征。通过考虑模型可能存在的内生性问题，相对于表1列(1)～(3)的数值而言，核心解释变量金融发展水平前面的β系数绝对值呈现上升的趋势，这说明不考虑核心解释变量的内生性问题会导致回归结果的低估偏差。表3中列(16)～(18)的回归结果是在(13)～(15)的基础上加入了其他宏观控制变量但把这些变量看作外生变量得到的，可以发现金融发展的条件β收敛特征并没有发生明显改变。考虑到一些控制变量可能与被解释变量之间也会出现双向因果关系，本文将所有的解释变量(核心解 释变量和控制变量)的1阶滞后作为工具变量，且采用面板两阶段最小二乘估计方法进行回归，得到了表3中(19)～(21)的结果，发现金融发展的条件β收敛特征并未发生改变。

在表3中所采用的工具变量个数等于内生解释变量个数，接下来本文采用更多的工具来进行回归分析。当工具变量个数多于内生解释变量个数时，采用面板GMM估计相对面板2SLS估计更有效率。采用面板数据进行GMM估计时通常分为两类：一类是静态面板GMM估计，另一类是动态面板GMM估计。首先采用静态面板GMM估计方法来检验金融发展是否具有收敛特征。该种估计方法也同样存在两个操作过程：第一步需要对固定效应模型进行离差变换以解决遗漏变量问题，第二步只需要对变换后的模型使用GMM，具体结果见表4列(22)～(24)。得到这三列的回归结果的前提是模型中把核心解释变量(金融发展水平)的1阶和2阶滞后作为工具变量，而其他的控制变量的1阶滞后作为工具变量，之后采用GMM方法。采用这种工具变量设定形式的主要原因在于，本文采用Sargan检验对采用全部的解释变量(核心解释变量和控制变量)均采用1阶和2阶滞后作为工具变量的模型进行过度识别检验，并没有拒绝原假设“H0：所有工具变量都是外生的”。本文发现采用静态面板GMM估计方法进一步证实了金融发展存在明显条件β收敛特征的结论。

表4 全国金融发展条件β 收敛回归结果

国外学者Beck et al.(2000)[9]采用动态面板GMM方法检验金融发展和经济增长之间的关系。这也是后续研究金融发展问题时学者偏爱的一种方法，主要因为当寻求模型以外的工具变量遇到困难时，可以采用模型内部变量的滞后阶作为工具变量。本文借鉴以上学者的研究思路，采用动态面板GMM估计方法验证金融发展是否呈现显著的收敛特征。在采用动态面板GMM估计方法时，通常包括动态面板差分GMM方法(Arellano and Bond，1991)[4]和系统GMM方法(Blundell and Bond，1998)[11]。相比差分GMM，系统GMM可以提高回归模型的估计效率，同时还可以估计出不随时间变化的解释变量(即个体时不变变量)的系数。综上考虑，本文选择更有效率的系统GMM方法检验中国区域金融发展是否具有显著的收敛特征。1正如现有文献的标准做法，本文需要使用两种检验来验证模型使用的准确性，即工具变量的过度识别检验和随机扰动项不存在二阶自相关检验。表4中列(25)～(27)的回归结果中均通过了“随机扰动项不存在二阶自相关”的原假设。在对工具变量进行过度识别检验时，主要有两种方法：Sargen检验和Hansen检验。这两种方法的差别在于前者的前提是存在条件同方差，而后者的前提是存在条件异方差，在条件同方差的条件下这两种检验是等价的。从表4可以发现，无论是采用Sargen检验还是Hansen检验，所有模型均通过了工具变量的过度识别检验，即模型中所有工具变量都是外生的。采用GMM方法对计量回归模型进行估计时通常会面临使用过多工具变量这样的潜在问题。Bahadir and Valev(2015)[5]的研究指出，在既定的样本量的前提下，在计量模型中加入过多工具变量会增加估计的有限样本偏差。本文借鉴以上学者的研究思路，使用解释变量的2～3阶滞后作为工具变量进行回归分析，具体结果见表4中列(25)～(27)。衡量金融发展水平的系数均为负值且大都显著，这说明金融发展增长率与金融发展水平初始值之间呈现显著的负向关系。因此，本文无论采用何种估计方法，均证实了金融发展呈现显著的条件β收敛特征。

改革开放以来，中国前期实行“以先富带动后富”的经济发展战略，凭借在地理位置、自然资源禀赋、社会文化和经济发展等方面的优势，东部地区经济得到了快速发展。特别是上海已经成为了全国金融中心，几乎囊括了全中国所有的金融市场要素。目前，位于上海的金融机构主要包括上海证券交易所、上海期货交易所、上海黄金交易所、金融衍生品交易所、国有四大行(农行、中行、工行、建行)上海总部、各大外资银行大中华总部等。在此发展背景下本文借鉴Aghion et al. (2005)[1]的研究思路，以直辖市上海为金融发展参照前沿面，估计前文设定的计量回归模型(3)以探索全国其他省份地区金融发展水平相对于中国金融中心上海的相对收敛特征。从表5列(28)～(30)的回归结果可以看出，无论采用何种指标衡量金融发展水平，金融发展变量的系数均为负且在5%水平下显著，这充分说明即使以中国上海金融发展作为前沿参照面，同样证实了“中国区域金融发展具有显著条件β收敛”的结论。

表5 相对上海金融发展的条件β 收敛回归结果

(二)金融发展收敛性分析：区域层面

根据《中国区域统计年鉴》的地区划分标准可知，中国分成四大区域：东部、中部、西部以及东北部。本文研究样本为1978―2017年40年30个地区的面板数据，但在数据过程中进一步地将时间划分成了1978―1982年，1983―1987年，…，2013―2017年等8个5年跨度，样本量迅速减少。若是按照《中国区域统计年鉴》的划分，采用工具变量方法进行估计会因为样本量过少导致结果不稳健。因此，本文将30个地区划分为东部地区(13个)和非东部地区(17个)两个大区域。2在对不同区域层面金融发展是否具有绝对β收敛特征进行分析时，延续前文的方法，即采用面板2SLS估计和静态面板GMM估计方法进行估计。但在实际分析过程中本文发现选择使用金融发展水平的1阶和2阶滞后作为工具变量进行静态面板GMM估计的结果没有通过过度识别检验，通过一系列检验分析之后本文仅使用金融发展水平的1阶滞后作为工具变量并采用面板2SLS进行分析，具体结果见表6。无论是在东部地区还是在非东部地区，采用三种指标衡量金融发展水平得到的回归结果证实了东部地区和非东部地区均具有绝对β收敛特征。至此，根据表1、表2以及表6的回归结果可知，本文无论是从全国层面还是从两大区域层面均证实了金融发展呈现显著的绝对β收敛特征。

根据前文研究思路，接下来从区域异质性的视角检验金融发展是否也存在着条件收敛。本文采用动态面板GMM方法检验不同区域的金融发展收敛特征，具体结果见表7。Arellano-Bond检验均通过了“随机扰动项不存在二阶自相关”的原假设。无论是采用Sargen检验还是Hansen检验，所有模型均通过了工具变量的过度识别检验，即模型中的所有工具变量都是外生的。金融机构年末贷款余额占比(FD1)的系数在列(37)中不显著，而在列(38)中显著为负值，这说明用金融机构年末贷款余额占比衡量金融发展水平，在东部地区没有呈现条件收敛，而在非东部地区呈现条件收敛特征。与此同时，金融机构年末存款余额占比(FD2)的系数在列(39)中显著为负值，而在列(40)中不显著，这说明用金融机构年末存款余额占比衡量金融发展水平，在东部地区呈现条件收敛，而在非东部地区没有呈现条件收敛特征。在东部地区和非东部地区的样本中，金融机构年末存贷款占比(FD3)的系数均为负但均不显著，这表明用金融机构年末存贷款占比衡量金融发展水平，金融发展具有一定程度的收敛趋势。由表4和表7的回归结果可知，本文无论是从全国层面还是从两大区域层面均证实了金融发展呈现条件β收敛特征。

表6 区域金融发展绝对β 收敛回归结果

表7 区域金融发展条件β 收敛回归结果：动态面板GMM 估计

五、结论与启示

本文以1978―2017年中国30个省、直辖市、自治区为研究对象，采用“金融机构年末贷款余额与地区生产总值之比”“金融机构年末存款余额与地区生产总值之比”以及“金融机构年末存贷款余额与地区生产总值之比”三个指标分别衡量地区金融发展水平，使用面板2SLS、静态面板GMM以及动态面板GMM等多种回归估计方法，实证检验中国金融发展是否具有绝对收敛和条件收敛特征。研究发现：从全国层面，选择衡量金融发展水平的不同指标并在不同情境下采用不同的回归方法均证实了金融发展呈现显著的绝对收敛和条件收敛特征；对于具有较低金融发展水平初始值的地区会伴随着后期较高的金融发展增长率，即金融发展增长率与金融发展水平初始值之间呈现显著的负向关系；从东部和非东部区域层面，金融发展具有显著的绝对收敛特征和一定程度的条件收敛特征。本文以中国数据为研究对象支持了金融发展具有收敛特征的结论。

根据以上研究结论，本文得到如下政策启示：第一，应当逐步调整国家的金融发展战略，将发展中心向落后区域进行转移，给予各地区平等的金融发展条件，这样才能加快金融发展的收敛进度，缩小地区间金融发展差距，实现金融均衡发展。尽管本文结论证实了我国金融发展呈现收敛态势，但历年《中国区域金融运行报告》提供的数据显示我国金融区域发展差距仍然较大。因此，国家应当积极构建东部-非东部地区金融发展的协调机制，加强区域金融发展的政策协调，促进区域金融合作，建立发达区域对落后区域的金融反哺机制，实现区域间金融的良性互动，推动区域金融发展收敛。第二，应当切合实际地根据各地区发展需要选择适宜的金融业态进行有差异、有特色的发展。从现实情况来看，我国地区经济基础、地理位置、资源禀赋、政策制度等多个方面存在着显著差异，因此在缩小地区金融发展水平差距过程中不能过分强调区域金融同质化发展。具体来说，东部地区金融业应该积极推进对外开放水平，优化融资结构和信贷结构，为东部地区进行供给侧结构性改革、服务实体经济转型发展提供良好的金融服务，以此增强自身的发展实力。现有很多金融政策在发达地区的适应性强，而在不发达地区的适应性差，应该加强非东部地区的金融改革，积极推进金融在制度、产品、服务等方面的金融创新。

注释

1. 在实际操作过程中发现，若控制地区固定效应，多重共线性问题导致主要变量的系数和检验值均被删除。因此，本文在采用系统GMM模型进行分析时并未控制地区固定效应，整体影响并不很明显。

2. 东部地区包括：北京、天津、辽宁、吉林、黑龙江、河北、上海、江苏、浙江、福建、山东、广东和海南；非东部地区包括：山西、安徽、江西、河南、湖北、湖南、内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆。