大数据金融论文大全11篇

大数据金融论文篇（1）

中图分类号：G652 文献标识码：A 文章编号：1671-489X(2012)27-0131-03

Database System’s Experimental Teaching in Financial Services Outsourcing Professional//Wang Yanling, Lin Xiao

Abstract For the High personnel training issues in the current financial service outsourcing, this thesis studies the knowledge points of the database system required the outsourcing for financial services professionals and proposes a four-dimensional teaching system of database system. First, the status of financial services outsourcing and database system was analyzed; second, the database system experimental reform of outsourcing for financial services professionals was proposed.

Key words outsourcing of financial services professional; database system; experimental teaching

Author’s address Luoyang Normal College, Luoyang, Henan, China 471022

“如今，以数据中心、清算中心、银行卡中心、研发中心为主的金融后台服务与金融机构前台经营分离，正成为金融业未来发展的一大趋势，这也使金融业务进一步摆脱空间和地域的限制，为金融机构在全球范围内开展业务流程重组和实现服务外包提供了技术基础。”业内专家通过对信息科技在金融业深入应用趋势的分析，得出上述论断［1-2］。正如专家所言，随着金融后台服务产业的蓬勃兴起，在中国试水多年的金融服务外包有望迎来全新的发展契机。未来10年将是中国金融行业变革发展最集中的一段时期，金融服务外包业必将大有所为。

在金融服务外包业的快速发展中急需金融服务外包的人才。教育部、商务部于2009年联合下发《关于加强服务外包人才，培养促进高校毕业生就业工作的若干意见》，号召高校加快培养服务外包人才，提升我国服务外包产业人员素质，促进高校毕业生就业。在当前全球经济与金融一体化的背景下，培养金融IT服务外包人才对发展我国金融服务外包业务、改善对外贸易结构、加速与国际金融市场接轨及促进金融服务外包专业学生就业等方面都具有重要的战略与现实意义。

数据库系统课程在金融行业中占据主导地位，但是目前在金融外包服务专业中所开设的数据库系统课程为普通计算机科学与技术专业的专业课程，没有突出其为金融服务的特性，因此急需根据金融行业中数据库的实际应用来对数据库系统课程进行课程改革，从而更适合该专业的教学。本文先讨论金融外包服务的知识特点和发展趋势，后讨论数据库系统课程目前的实验体系，最后针对金融外包专业对数据库知识的要求重新进行数据库实验教学体系的构建。

1 金融服务外包

1.1 金融服务外包的知识特点

金融机构在业务流程中必须处理大量的信息，包括书面和电子形式，而且通常要为客户提供各种各样的相关服务，其数量巨大，覆盖范围宽，需要强大的信息技术服务作为支撑。金融业务与IT技术的融合是金融服务外包的特点。

1）除了计算机硬件和系统软件一般知识外，还需要网络技术，包括网络安全、数据处理（采集、备份、恢复等）、视频处理、系统开发和维护、IT项目管理等。

2）与金融和保险相关的知识，包括货币银行、保险、基金等的业务流程和管理也是十分重要的。

1.2 金融业务外包发展趋势

从目前业务发展情况看，金融业务流程外包越来越专业化，但主要是金融机构后台服务。金融后台服务作为金融服务外包发展最快的领域，正在细分市场上向更深、更专业化的领域拓展。

金融灾难恢复作为金融后台服务外包的重要组成部分，已经成为最引人注目的金融外包业务。

大数据金融论文篇（2）

文章编号：1003-4625(2010)12-0003-05　中图分类号：F830　文献标识码：A

一、金融深化理论的发展背景

金融深化理论从开始提出至今已经30多年了，从金融深化理论到金融自由化理论到金融约束理论再到20世纪90年代之后引入内生增长模型的计量研究，有很多文献已经研究了一个国家金融的发展与一国经济增长之间的关系。

(一)研究背景

国际上金融发展理论主要分为两个阶段：第一阶段为古典方法的研究时期，从最早的20世纪60年代的理论到70年代麦金农和肖的金融自由化理论，以及后来斯蒂格利茨提出的金融约束论。这一阶段主要是从一些数量的指标和简单的计量回归模型来研究金融发展和经济发展之间的关系。第二阶段是20世纪90年代之后金融发展理论的新的发展，主要使用内生经济增长模型，使理论的研究有了微观的基础。并运用了大量的计量分析的方法，对多个国家之间的数据进行检验，试图发现金融发展和经济增长之间的关系。

雷蒙德・W・戈德史密斯作为金融发展理论的最早提出者，首次建立了一个研究金融发展的新的理论框架，并提出了衡量一国金融发展水平的五个数量化的指标。但是他只是提出了问题，并没有找到金融发展与经济增长之间相互影响的确定的关系。麦金农利用了当时的一些计量分析，在实证检验方面，主要是对利率和经济增长之间的相关关系的分析，没有特别关注金融机构的发展与经济增长之间相关关系。斯蒂格利茨和韦斯从信息不完全的角度提出了金融约束论，所用的计量模型也只是用来说明政府的作用，而不是说明金融的发展与经济发展之间的相关关系。总体来说，在古典的金融发展理论阶段，计量的检验虽然较多，但却没有集中研究金融机构与经济增长的关系。20世纪70年代之后的成果主要集中在三个方面：一是实际利率对经济增长影响的研究，二是通货膨胀对经济增长的影响，三是金融自由化对金融中介效率的影响。

20世纪90年代之后内生经济增长理论的发展给金融发展理论注入了新的活力，试图为这一理论建立微观基础，也注重讨论金融体系内生性、金融的发展对经济增长的传导机制以及金融发展与经济增长之间的因果关系的研究。在影响机制的研究方面，马尔科・帕加诺(Pagano,1993)运用AK模型对金融自由化后的金融发展对实际经济增长的影响机制进行了研究，指出利率的管制必然导致金融中介的低效率，不利于经济增长。对金融中介与经济增长关系的实证检验方面，金和莱文(Levine and King，1993)的文献是很经典的。通过使用80个国家的1960-1989年的数据，他们研究了金融中介与经济增长之间是否有稳定的正相关以及金融中介通过何种渠道与经济增长相关联，通过定义四个金融中介指标(LLY，BANK，PRIVATE，PRIVY)和四个衡量经济增长的指标(GYP-人均实际GDP增长率；GK-物质资本积累率；INV-国内总投资与GDP的比率，即投资率；EFF-生产率增长率的增加)进行分析，得出金融中介和经济增长之间的联系不仅仅是一种同时期联系，并且金融中介还会对经济增长起着先导作用的结论。金和莱文(Levine and King，1998)的文章中把股票市场也考虑到金融中介中来，回归的结果为：在考虑了其他影响因素的条件下，金融中介和经济发展的正向相关关系也非常明显，支持了原先的结论。莱文等(Levine Loayza和Beck，2000)主要考察外生因素如政策因素对金融中介影响经济发展结果的影响，采用了1960-1995年74个国家的数据。实证分析的结果为：对于政策而言，如果金融中介对经济发展有巨大的影响的话，那么以提高金融中介发展的相关法律发挥和政策改革的紧迫性就大大提高。

然而，国际上学者基本没有对中国金融发展与经济增长之间的相关关系进行过实证检验。国内一些学者在这方面也做过一些实证研究，但研究结论却各不相同。如谈儒勇(1999)运用1993-1998年有关中国金融发展和经济增长的季度数据进行实证检验，得出中国金融中介和经济增长之间有显著的相关关系，且独立于其他影响经济增长的因素。金融中介体的总体规模DEPTH指标和季节增长之间有显著的负相关关系。然而，张祖香(2002)运用了1994年到2001年的时间序列季度数据进行了检验，回归发现长期的金融深度指标(DEPTH)和经济增长有显著的正相关关系，国有商业银行相对于银行体系的规模的比例和经济增长有不显著的关系。

(二)问题的提出

虽然金融深化理论已经发展了30多年，但真正对中国的金融发展与经济增长的研究文献还是比较少的。国外的学者在做东亚国家或者发展中国家的经济增长和金融增长之间的关系的时候，都没有使用中国的数据。国内的一些研究更多的是把金融中介体的内涵扩展为包括银行系统、股票和债券市场在内的广义的资本市场。

而我们只是对中国银行体系的发展变化与经济增长之间的关系感兴趣，也就是把金融中介体限定在狭义的银行体系之内来研究，这方面的实证研究成果并不多，分析的方法多参照了金和莱文。本文主要也是采用金和莱文(Levine and King 1993)的分析方法，参考了谈儒勇(1999)中的分析框架，用1994年到2008年新的季度数据来检验两者的相关关系。针对谈儒勇(1999)中提到的由于数据太少而无法对各变量的8期滞后变量进行估计的不足，我们分别计算了4期和8期的滞后变量，并根据数据的调整状况加入了虚拟变量REFORM，这是本文在利用以前成果基础上的创新之处。

二、变量的选取和数据来源

本文需要选取反映金融深度的两个指标，反应经济增长的指标，以及其他的一些控制变量，下文将逐一介绍。

(一)金融深度指标DEPTH

本模型中，我们选取两个金融中介指标作为解释变量，来证实金融中介的发展和经济增长之间的关系。第一是传统的金融深度指标(DEPTH)，它反映了金融中介的总体规模，等于全部金融中介的流动负债与当季GDP的比率，即DEPTH在数量上等于

(M2／GDP)。这一指标在金和莱文(Levine and King，1993)的实证研究中表示为LLY。在戈德史密斯的《金融结构与金融发展》一书，这一指标被称作货币化比率。全部金融中介体的流动负债实际上就是M3，但由于中国缺乏以前年度M3的统计数据，因此采用与谈儒勇文章中相同的做法，用M2替代。本模型运用1994-2008年M2，GDP的季度数据，两者相除得到当季度的DEPTH，两者均来自《中国人民银行统计季报》(1996.1-2009.2)。从《中国人民银行统计季报》上得到的M2值是已经经过季节调整后的数据，而季度GDP数据并没有经过季节调整。为此，本文采用国际上通用的X-12-ARIMA方法，运用Eviews软件，对季度GDP数据进行了季节调整。图1显示了1994年到2008年经过季节调整后的DEPTH季度数据。

从总体规模来看，这一指标在过去15年里先是缓慢上升，从1994年的3.48缓慢上升到2003年的6.25，之后又缓慢下降到2008年的5.86。自1997年亚洲金融危机爆发以后，为了度过这次危机，中国政府启动了积极的财政政策和宽松的货币政策。其中宽松的货币政策主要包括降低存贷款利率、法定准备金和超额准备金率。1998年中国政府连续三次降低存贷款利率、法定准备金率和超额准备金率，1999年又再次降低存贷款利率、法定准备金率和超额准备金率。这些宽松的货币政策一共持续了六年，直到2003年。因此，我们可以看到金融深度指标(DEPTH)在1994年之后一直呈现出上升趋势，直到2003年达到峰值后，才出现了缓慢的下降趋势。

(二)金融深度指标BANK

本模型中用到的第二个金融中介指标是金和莱文(Levine and King，1993)提出的BANK，即指存款货币银行国内资产与存款货币银行国内资产加上中央银行国内资产的比率。由于2002年起中国人民银行按照国际货币基金组织《货币与金融统计手册》对货币金融统计制度进行了修订，所以2002年前后BANK的计算有些小差异。在2002年以前，BANK等于存款货币银行资产负债表上五个资产类账户(储备资产、中央银行债券、对中央政府债权、对其他部门债权和对非货币金融机构债权)的季末余额之和除以存款货币银行资产负债表上五个资产类账户以及货币当局资产负债表上四个资产类账户(对政府债权、对存款货币银行债权、对非货币金融机构债权和对非金融部门债权)的季末余额之和。2002年以后，存款货币银行的国内总资产分为六个账户(储备资产、中央银行债券、对政府债权、对非金融机构债权、对特定存款机构债权、对其他金融机构债权和其他资产)。因此，BANK指标中存款货币银行国内资产变成上述六项之和。数据来自《中国人民银行统计季报》(1996.1-2009.2)。图2显示了1994年到2008年BANK的季度数据，BANK值在过去15年内缓慢上升，从1996年的0.78上升到2008年的0.93。存款货币银行的国内资产所占比例逐渐上升，表明近年来政策性银行、商业银行以及股份制银行得到了长足的发展。

(三)经济增长指标

此外我们还需选取一个经济增长指标作为模型的因变量：每季度的GDP环比增长率。首先，我们从《中国人民银行统计季报》(1996.1-2006.1)获取了1994-2008年每季度的名义GDP，并采用国际上通用的X-12-ARIMA方法，对其进行季节调整；其次，运用从Wind咨训数据库取得GDP季度同比增长率，计算出以1993年为基期的季度实际GDP；最后运用经过季节调整的季度实际GDP数据，算出每季度的GDP环比增长率。图3显示了1994年到2008年每季度GDP的环比增长率数据。可以看出，在1997年和2008年金融危机时，GDP环比增长率有一个较大的下降。

(四)控制变量

在现实世界中，经济增长还可能受其他因素的影响。为了检验金融中介和经济增长之间的关系是否独立于其他变量，有必要对这些变量进行控制。在谈儒勇的文章中，加入了当季进出口贸易总额与当季GDP的比率(TRADE)。考虑到政府积极(紧缩)财政政策对国民生产总值的刺激(收缩)作用，我们选取了另一个变量政府支出(EXPEND)，即政府购买加上转移支付。数据也来自中国经济信息网数据库(http：//db.cei.省略/)。同时，我们也运用X-12-ARIMA方法对进出口贸易总额和政府支出的季度数据进行了季节调整。

1997年初，中国人民银行对金融统计制度进行了调整。一是扩大了统计范围，将各商业银行所属的房地产信贷部、国际业务部和信用卡等部门、机构数据并入表中；二是对统计数据项目的设置进行了细化，对有关误差与遗漏作了重新修订。因此，自1997年一季度起数据与历史数据不完全可比，为解决数据的可比性问题，我们加入了虚拟变量(RE-FORM)，规定1996年4季度及以前的虚拟变量取值为0，从1997年1季度开始都取值为1。

三、回归的结果及分析

我们先对模型中的所有变量进行了一次回归以计算出各变量之间的相关系数。从回归结果的相关矩阵表知，BANK和DEPTH的相关系数是0.8416，说明两者存在相关性，但这两个指标所包含的信息又有所不同的，是不可以相互替代的，它们分别从不同的侧面反映金融中介体的发达程度。

我们使用了最小二乘法，运用1994-2008年的各季度数据对我国金融中介和经济增长关系进行线性回归，如表1、表2所示。表1反映的是经济增长与金融中介指标及其滞后四期(即上年同季度)变量之间的关系；表2反映的是经济增长与金融中介指标及其滞后八期变量(前年同季度)之间的关系。

注：被解释变量为GY：实际GDP的环比增长率，1994年第一季度到2008年第四季度。GY4，GY8分别是GY滞后四期和八期的GDP环比增长率。观测值个数为60个。每项后面的两个值分别是系数。T检验值。解释变量注释如下：

DEPTH：金融深度指标，等于每季平均M2除以李度的GDP。DEPTH4，DEPTH8分别是滞后四期和八期的金融深度指标。

BANK：存款货币银行相对于中央银行的重要性指标。BANK4，BANK8分别是滞后四期和八期的存款货币银行相对于中央银行的重要性指标。

TRADE：每季贸易总额除以季度GDP。TRADE4，TRADE8分别是滞后四期和八期的每季贸易总额除以季度GDP。

EXPEND：每季度政府的财政支出，包括政府购买和转移支付。EXPEND4，EXPEND8分别是滞后四期和八期的每季度政府的财政支出。

REFORM：一个虚拟变量，在1997年前取值为零，从1997年第一季度开始取值为壹。

从以上两个表可以看出，中国金融中介和经济增长之间有显著的相关关系。金融深度指标DEPTH较显著地进入模型，这说明本季DEPTH和本季度GDP环比增长率GY之间有显著的相关关系。同时，DEPTH4，DEPTH8的显著性也比较高，这说明货币政策同样具有时滞性。并且DEPTH 4，DEPTH8的系数相差很小，这证明了货币政策的时滞较长，在两年之内没有太大的改变。

值得注意的是，本文的实证研究结果并不支持货币当局的逆周期操作。在谈儒勇(1999)一文中解释DEPTH及其滞后变量的估计系数为负时，提到货币当局逆周期操作方面的原因――“货币政策之所以逆周期操作，是为了通过货币政策来熨平经济波动。在经济处于高涨期，货币当局通常减少货币供应量M3，加之此时GDP较高，所以金融深度MJGDP较低；而在经济处于衰退期，货币当局通常增加货币供应量M2，加之此时GDP较低，所以金融深度M2/GDP较高”。本文的实证研究结果显示，不管是DEPTH还是其滞后变量的估计系数都是正的，DEPTH对经济有促进作用。

存款货币银行相对于中央银行的重要性指标BANK，或其滞后变量单独进入模型是不显著的，这一结论与谈儒勇的结论相反，但当BANK4和DEPTH4同时进入回归模型中，两者的T检验值都得到显著提高(虽然此时BANK的T检验值还不是特别高)，且此时BANK4，BANK8的估计系数都为负。这表明，如果存款货币银行的相对重要性和经济增长之间存在一定的关系，那么一定是负相关关系。但因为T值不是特别大，对此负相关关系的作用我们仍然不能十分确定。　在加入新的变量TRADE,EXPEND后，DEPTH的仍然非常显著，这说明金融深度发展和经济增长的关系独立于其他影响经济增长的因素(如进出口总额，政府支出)。此外，BANK及其滞后项的显著性水平也明显提高，如表1第7列显示BANK4的P值达到2.2％，且此时的估计系数为负。这说明经济增长在一定程度上还是受中央银行的拉动。

四、结论

金融深化理论从提出开始已经30多年了，从金融深化理论到金融自由化理论到金融约束理论再到20世纪90年代之后引入内生增长模型的计量研究，国外有很多文献已经研究了一个国家金融的发展与一国经济增长之间的关系。本文运用中国1994年至2008年的宏观季度数据对中国金融中介对经济增长的影响进行实证分析，主要结论如下。

首先，两个金融深度指标在过去15年的变化，都反映了中国金融中介在过去15年里得到了发展。传统的金融深度指标(DEPTH)，它反映了金融中介的总体规模，这一指标在过去15年里先是缓慢上升，从1994年的3.48缓慢上升到2003年的6.25，之后又缓慢下降到2008年的5.86。第二个指标BANK，即指存款货币银行国内资产与存款货币银行国内资产加上中央银行国内资产的比率在过去15年里逐步上升，从1996年的0.78上升到2008年的0.93。

其次，本文运用实证研究，回归分析了中国的金融发展与经济增长之间的关系。结果表明，总的货币发行规模与经济增长之间有比较显著的正相关关系，银行体系内部的结构与经济增长之间存在比较显著的负相关关系。因此，货币发行总规模对经济增长有促进作用，并且这种促进作用具有时滞性。同时，存款货币银行相对于中央银行的重要性对经济增长没有显著的促进作用，甚至存款货币银行相对于中央银行重要性的滞后性指标和经济增长存在负向的相关关系，中央银行仍然对经济增长具有拉动作用，且这种拉动作用具有时滞性，在当期表现得并不明显。

最后，本文的回归结果不但验证了货币政策的时滞性，还体现了货币政策的时滞较长。回归结果显示四阶滞后项和八阶滞后项的系数相差很小，在两年之内并没有太大的改变。

参考文献：

[1]戈德史密斯，金融结构与金融发展[M]，上海：上海三联书店，上海人民出版社,1994.

[2]麦金农，经济发展中的货币与资本[M]_上海：上海三联书店，上海人民出版社,1997.

[3]麦金农，经济市场化的次序――向市场经济过渡时期的金融控制[M]，上海：上海三联书店，上海人民出版社,1997.

[4]李丹红，发展中国家金融自由化研究[N]，北京：经济日报出版社,2003.

[5]彭兴韵，金融发展的路径依赖与金融自由化[M]，上海：上海三联书店，上海人民出版社,2002.

[6]雷达，金融发展与金融自由化[M]，北京：中国青年出版社,2005.

[7]马君潞，金融自由化[M]，北京：中国金融出版社,1999.

[8]张荔，金融自由化效应分析[M]，北京：中国金融出版社,2003.

[9]王曙光，金融自由化与经济发展[M]，北京：北京大学出版社,2004.

[10]谈儒勇，中国金融发展和经济增长关系的实证研究[J]，经济研究，1999,(10).

大数据金融论文篇（3）

中图分类号：F832.2 文献标识码：A 文章编号：1001-828X（2014）09-00-02

2004年美国《连线》杂志主编克里斯・安德森（Chris Andersen）首次提出长尾（The Long Tail）这一概念之后，在互联网时代长尾理论受到越来越多的关注。在互联网技术持续快速发展、经济社会正朝大数据时代过渡、移动终端持续扩张的前提下，安德森（2012）同时指出了“长尾理论”与互联网经济的依赖关系，并相信“长尾理论”将指引互联网经济的发展方向并能创造出巨大的盈利空间。另一方面，随着互联网技术的进一步成熟，线上财富潜力的进一步挖掘，众多互联网企业开始进军金融业，同时传统金融业也紧随时代脚步开始了互联网金融的征程，互联网金融成为最近一段时间在金融界出现频率最多的词汇之一。

然而，“长尾理论”究竟核心在哪里，互联网金融参与者们又应该从哪些方面尝试实践？本文将结合“长尾理论”的内涵及其与互联网金融的关联尝试提出部分实践建议。

一、长尾理论的内涵

根据克里斯・安德森在其著作《长尾理论》（2012）中对“长尾理论”进行的定义，其可以简单概括为“我们的文化和经济中心正在加速转移，从需求曲线头部的少数大热门（主流产品和市场）转向需求曲线尾部的大量利基产品和市场”。

“长尾”实际上是对统计学中幂律和帕累托分布特征的一种口语化表达。在正态分布中，曲线的头部代表着重要的人或事（这往往是之前人们关注的重点），而曲线的尾部，则是需要花费更多精力与成本才能关注到的大数量的人或者事。在之前的黄金“二八理论”中（帕累托，1897），20%的重要部分会造成80%的重大影响，可以理解为20%的热门产品会创造80%的收入。而在“长尾”经济理论中，利润将被一分为三。2%的大热门产品、8%的次热门产品以及剩下90%的长尾产品会创造出相等的，也就是33%的利润。克里斯・安德森通过运用大量的数据统计，证明了大热门产品实际上与冷门产品拥有相同的利润创造能力。这也就意味着关注“长尾产品”与继续争夺热门产品是可以达到相同的现实意义。

二、互联网金融

虽然目前互联网金融正处在蓬勃发展期，但各界对于互联网金融的定义是众说纷纭。根据辛琪等人论述，各界对于互联网金融的理解可以粗略的概括为四个方面：一是认为互联网金融是利用网络手段达到去中介化、去中心化金融业态；二是强调互联网金融的行为主体是互联网企业，也就是互联网企业领导的金融；三是从技术层面出发，认为利用了互联网技术的金融就是互联网金融；四是认为互联网精神或者互联网技术与金融业融合并实现金融创新为互联网金融。进而，辛琪等人对于互联网金融的进行了定义：以互联网经济为基础、互联网为信用平台开展金融活动的金融业态就是互联网金融。

目前业界对于在互联网上进行金融活动的这个概念存在分歧。有些人将其一分为二：互联网金融以及金融互联网。根据辛琪等人的论述，这两者是统一的。但马云认为“未来金融有两大机会，一个是金融互联网，金融行业走向互联网；第二个是互联网金融，纯粹的外行领导。”也就是说他将其严格划分为了两个概念。但是这种划分排斥了二者融合的可能性，在现实意义上作用有限。

三、“长尾理论”对于互联网金融发展的实践启示

不难看出，长尾理论是基于互联网技术带来的信息成本下降；另一方面，互联网经济的蓬勃发展正是长尾理论的实际体现。对于互联网金融而言，“长尾理论”会带给互联网金融企业怎样的启示呢？结合我国商业银行实际提出三点建议：

首先要实现扩大数量，降低门槛，加强客户与产品的对接的“长尾”优势，平台的建设将会是重中之重。在“长尾理论”中，“个性化”是盈利的核心，从而产品的设置可以更大程度上放回客户自身，让客户自己来为自己定制产品，选择服务，甚至自己为自己提高用户体验。而这些的实现都要建立在一个强大的平台基础之上。

硅谷投资教父约翰・杜尔（2011）提出“SOLOMO”概念：“SOLOMO”实际上是三个词的组合“Social（社交），Local（本地化），Mobile（移动化）”。目前，商业银行的手机银行已经实现了较出色的用户体验，较完备的功能设置，较突出的实用价值，是一个非常先进且潜力极大的用户平台。移动终端APP的设置实现了移动化的金融运用，定位功能及周围网点功能也在向本地化靠拢。但是，在此基础上如果加入Social的元素将会极大的提高用户体验和用户粘性，甚至会创造出巨大的其他财富空间。目前的运用当中，商业银行手机银行交流部分是以客服为主，以通知式的活动宣传为主。例如，在平台中设置游戏币或者积分，实现整个商业银行电子银行营销奖励的规范化，然后通过这种类型的积分或者游戏币给用户更多的空间去发挥使用，同时通过平台内社交规则来激励用户，从而使用户产生对平台的粘性。并且在用户粘性产生的同时也就实现了推广和营销。

另外，本地化也是该平台最为重要的一个方面。对现实没有意义的社交可能并不会引起大部分用户的注意，从而会使平台变成“白送”的一种网络游戏。本地化的加入不仅会让用户体会到实实在在的“价值”，更多的，对银行来说也会是衍生产品的扩张。例如，平台中可以签约大量的本地商户，商户打折或者其他类型的商户活动都会以游戏或者论坛帖子的形式出现在平台上，这样pos收单、信用卡业务也会随之得到扩张。更进一步，平台建设甚至可以通过收购或者邀请加盟的方式扩大功能窗口，从而实现一站式的金融加生活服务。例如，和携程或者去哪儿合作，可以开拓更加全面的旅行金融服务。当然这样的一个平台的建立并不能单纯依赖金融产品方面的考虑，更多的可能是需要技术上、人才上乃至机制上的支持。

其次如何才能有效地降低信息处理成本将会是互联网金融参与者的首要课题。长尾效益的实现是要将大量的“长尾”进行划分、整合从而实现产品的在长尾市场上的蔓延，在小市场收获大利润。从而，这样的整合过程中的成本将会是决定成败的关键。徐子沛（2013）的《大数据》给了我们很好的答案。正在到来的数据革命、扁平化社会、互联网时代，正在将“开放，平等，协作，分享”的互联网精神传递给社会的各个方面。据《大数据》所述，大数据时代是历史的必然趋势，新一轮的竞争必然是围绕大数据进行。进而，步步为营的大数据基础建设可能会为企业在下一轮竞争中奠定更扎实的基础。

大数据的基础必然是数据获取与处理的技术机制。但是，对于技术系统的改革在短期内效果应该并不是很明显，并且在技术上的变革转型及被接受相对较快。然而要在管理机制以及文化方面做好对大数据准备将会是相对长的一个过程，而在这个转型的过程中先行企业则会赚取这个相对的时间差中所带来的利益。一个方面，就目的而言，商业银行可以考虑设立独立的互联网金融部门，专门负责互联网数据以及互联网产品相关事宜，并且采用平行的管理模式，自主人事权，更多地考虑借鉴互联网企业的管理模式，以激发员工的创新意识和数据运用。另一个方面，整个企业文化中需要更多的加入大数据要素，以“是否有数据佐证”为重要决策依据，并且为一线员工提供更多的数据信息，在整个企业中形成对数据的尊敬语重视。然而，在此同时，在这个过程中数据信息安全以及对客户隐私的保护也应该得到制度化的控制。同时，大数据要求更深层次的数据挖掘，所以相关人才的吸纳以及培养也应该尽早列上日程。但只要建立起了相关部门以及文化基础，相信相关人才力量的支持也会水到渠成。目前，有部分商业银行对于数据的获取及分析工作已经是走在行业前沿，然而对于大数据的价值运用还可以有更大的发挥空间。其中一个部分就是本文的下一个观点：基于数据基础上的“定制化”特色产品。

最后打造更多“个性差异化”产品。“长尾理论”有效的前提是满足个性化需求的产品可以通过互联网等新技术与新方法将渠道成本趋近于零。这个前提一个方面决定了产品数字化是“长尾理论”是否有效的关键：同时也说明了“长尾”产品最重要的一个特质就是“个性差异化”。目前对于定制化产品不少商业银行已经都有相关的定制产品，如招商银行的金葵花贵宾卡、广发银行生意人卡、平安银行的贷贷平安卡、光大银行乐惠金卡等特色卡种实现了不同人群的定制服务。然而随着互联网精神的深化，单纯的卡种绑定服务的定制并不能完全满足所有客户的个性化要求。这样，客户可以清楚地看到某一项服务所需要的要求，从而根据自己的生活习惯及喜好选择其中的某几项服务，从而形成各式各样的新型产品。例如，我们可以将商业银行白金卡卡的各大优惠单列出来，每一项都设立固定的达标要求及管理费标准，客户可以自己在网页上打勾，并且有些部分客户不想要的可以按照金卡甚至普卡的标准进行配套，从而形成各式各样的符合客户想法的新卡种。同时再赋予每一项服务以分值，按分值来划分卡种档次，从而形成卡种的大数据。这种大数据就为进一步细分市场打下了良好的基础，在同一档次的卡种中又可因为偏好或者生活及经济环境不同再次进行划分，这样就为更深层次更个性化的产品开发提供了更多数据支持。

大数据金融论文篇（4）

[中图分类号] F830 [文献标识码] B

一、引言

现代经济金融发展理论指出：“金融是现代经济发展的核心，是现代经济发展的动力和血液。”可见，金融业对于一个城市一个省份甚至一个国家来说都有着至关重要的作用。归纳起来，金融中心主要有以下几个方面的特征，分别为：集聚了足够数量的金融机构；金融设施先进、市场发达、信息灵敏；是区域资金的聚散地，具有良好的基础设施、法律制度以及文化环境；是金融体系的枢纽，在总体金融体系中占有重要地位，发挥着总体金融体系的功能。

本文通过对相关文献的梳理以及对搜集到的数据和指标体系的分析，用更为科学的指标评价体系对我国31个省市自治区的金融业进行评价，为金融强省问题的研究提供新的研究视角，并根据实证结果分析，对我国金融业的发展提出合理的政策建议。

二、关于金融强省的文献综述

（一）国外学者对金融体系的研究

国际上，部分学者用定性的手段对金融中心的建立进行了研究。例如，有些学者从金融中心的形成机制、功能角度对金融中心进行研究。经济学家Gras（1923）提出了都市发展阶段论。他指出了都市发展的四个阶段：第一阶段为商业；第二阶段为工业；第三阶段为运输业；第四阶段为金融业。金融业处在最高阶段，并且有着很大的集中度[1]。Jean-Paul（2000）根据相关指标资料对37个国际金融中心、金融城市的竞争力以及发展表现进行研究（不包括美国），他认为当金融业发展到一定程度时，赋税水平的高低往往是影响金融中心发展的最重要因素[2]。Reed（1988）在对76个城市的9个金融变量进行比较时利用聚类法进行分析，并将1900-1980年中指定年份的数据划分成均等的群，在确定主要变量之时运用了综合判别的方法，最后对金融中心进行排名，得出研究样本的金融中心具有明显的层级结构特征[3]。Choi（1999）在对全球最大的300家银行在金融中心办事处进行排名时，用到了非线性加权最小方差回归分析方法，这个排名成为了今后银行业改革发展的重要参考因素[4]。KittyYoung和Kin-ChokMun（2011）在比较亚洲地区的三个国际金融中心――新加坡、香港和东京时设计了一个以国际金融中心为要素的指标体系，该指标体系从金融环境、金融规模、金融聚集度、金融服务和金融人才等5个一级指标14个二级指标来对其进行衡量[5]。

（二）国内学者对金融体系的研究

国内关于金融中心的相关研究文献并不少，但大部分都是定性的研究，并且大多停留在构建金融中心的前提条件及其影响因素的研究上，而通过建立指标体系进行实证分析的并不多见。唐旭（2010）用相关条件指标得出金融中心形成的条件，并测定出我国的金融中心[6]。潘英丽（2007）则通过区位选择理论阐述了影响金融机构选址的重要因素，认为金融机构空间聚集可以在多个领域有所作为[7]。倪鹏飞（2008）则从全球化的视角对金融中心的竞争以及发展格局进行观察，认为金融中心评价指标体系可由4个一级指标（经济发展指标、金融发展总体指标、金融国际化指标、金融市场指标）34个二级指标组成，并运用空间经济学理论的框架构建了一个国际金融中心发展与竞争的解释框架[8]。陆红军（2007）在研究国际金融中心竞争力评估时建立了一套较为完善的指标体系，该体系由7个一级指标和58个二级指标组成[9]。高珊（2009）在金融中心竞争力评价指标体系构建过程中建立了3个一级指标和11个二级指标以及多个三级指标，并运用主成份分析法进行研究，得出在金融业的发展中金融主体起到了主导的作用，但金融客体以及金融环境也有重要的作用[10]。

总的来说，目前国内外关于金融中心的研究还存在两个明显的不足：第一，大部分研究都是应各地实际而谈，缺乏背景理论支撑，实证研究不足在一定程度上也制约了理论的深化；第二，大部分指标体系都定位于国际金融中心这个层次，缺乏对国内金融中心省市这一层次的研究。本文笔者期望通过对金融业相关文献的梳理以及对搜集数据的分析，为金融强省问题的研究提供创新的研究视角，对我国31个省市自治区的金融业进行评价，并根据实证结果分析，提出促进我国区域经济发展的政策建议。

三、指标体系的建立

本文在参考多篇具有代表性的金融指标评价体系文章后，根据中国实际情况以及实际可搜集到的数据，认为指标体系可由4个一级指标组成即：金融机构指标，金融人才指标，金融经济指标，金融环境指标。由于金融机构通常包括银行、证券、保险三类，这三类是城市金融产业的主体，有影响力的金融机构的聚集对于推动金融创新和城市金融业的发展能够起到支撑性作用。金融人才指标主要反映的是该地区居民的受教育程度以及金融从业人员数。一个城市的经济综合实力在很大程度反映了城市的竞争力，当然也包括了金融竞争力，因此金融经济指标进一步对GDP、财政收支、可支配收入进行了细分。而金融环境指标则进一步对基础设施、通讯、科技、对外开放度、投资消费水平进了了细分。

四、主成份分析

（一）数据来源

本文所采用的客观数据，以各省市公布的统计年鉴数据为基础，结合使用金融监管机构和金融机构的统计数据。具体的数据，详见附录“数据来源”。

（二）数据标准化

本文利用SPSS首先对32项指标进行标准化，再进行主成份分析。本文使用的是“Z-score标准化”。经过标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。

（三）主成份分析法

1.简介：主成分分析试图在力保数据信息丢失最少的原则下，对这种多变量的截面数据表进行最佳的综合简化，也就是说，对高维变量空间进行降维处理。

2.数学模型几何解释：假设我们所讨论的实际问题中，有p个指标，我们把这p个指标看作p个随机变量，记为X1，X2，…，XP，主成分分析就是要把这p个指标的问题，转变为讨论m个新的指标F1，F2，…，Fm（m

X=[X1 X2 … Xi … Xp]

其中Xi=[X1i X2i … Xni]T。这种由讨论多个指标降为少数几个综合指标的过程在数学上就叫做降维。主成分分析通常的做法是，寻求原指标的线性组合Fi。

■

其满足如下条件：每个主成分的系数平方和为1。即■

主成分之间相互独立，即无重叠的信息，即

■

主成分的方差依次递减，重要性依次递减，即

■。

3.主成分个数的选取原则：根据累积贡献率的大小取前面m个（m

4.求解步骤

（1）求样本均值和样本协方差矩阵。

（2）求解特征方程■，其中I是单位矩阵，解得p个特征根■■。

（3）求λk所对应的单位特征向量■即需求解方程组■，其中■，

再加上单位向量的条件■。

（4）写出主成分的表达式

■

（5）计算得分

（四）金融指标主成分分析及得分排名

1.金融市场各指标主成分分析及排名

计算所得金融市场指标主成分分析及得分排名、金融人才指标主成分分析及得分排名、金融经济指标主成分分析及得分排名、金融环境指标主成分分析及得分排名等。

2.中国金融中心综合评价分析

该部分是对金融市场、金融人才、金融经济以及金融环境四个部分的主成份得分进行第二次的主成份分析。由于四部分第一次主成份得出的主成份变量之间存在着很强的相关关系，因此可以对四部分得出的主成份数据进行二次主成份，最终得出各指标得分和综合得分。

（五）数据结果分析

1.总体分析

金融市场得分前十名：北京、广东、上海、江苏、浙江、山东、天津、福建、重庆、安徽。金融人才得分前十名：北京、上海、江苏、天津、广东、浙江、四川、湖北、山东、重庆。金融经济得分前十名：上海、广东、江苏、北京、浙江、山东、天津、辽宁、福建、重庆。金融环境得分前十名：上海、北京、江苏、广东、浙江、山东、天津、福建、河北、重庆。综合评价得分前十名：北京、上海、广东、江苏、浙江、山东、天津、福建、重庆、四川。从结果显示，金融中心的综合竞争力与分项指标有良好的对应关系，说明了各个分项对综合指标具有良好的解释作用。从综合得分可以看出，三大全国性金融中心保持绝对领先地位。北京、上海、广东这三个省市得分高于其他省份，并对周边区域有较强的影响力和带动力，因而这三个金融中心是当之无愧的“全国性金融中心”。

2.区域分析

（1）东北三个省份综合竞争力排名分别为辽宁15、吉林18、黑龙江22。总体而言东北地区金融综合实力低于全国平均水平低于东部及中部地区，为-0.813。

（2）东部各省份综合竞争力排名分别为北京1、天津7、河北13、上海2、江苏4、浙江5、福建8、山东6、广东3、海南26。总体而言东部地区金融综合实力高于全国平均水平，为1.096。

（3）中部各省份综合竞争力排名分别为山西16、安徽12、江西20、河南19、湖北11、湖南14。总体而言，中部地区平均金融综合实力低于全国平均水平，但高于东北地区，为-0.574。

（4）西部各省综合竞争力排名分别为内蒙古24、广西21、重庆9、四川10、贵州28、云南23、31、陕西17、甘肃26、青海30、宁夏29、新疆27。总体而言西部地区金融综合实力低于全国平均水平，为-1.711，在四个区域中最低。

五、结论建议

在金融市场方面：我们应健全金融机构体系，完善金融市场功能，加快金融改革与创新，建设区域金融机构聚集省市。各个省市应努力构建地方易平台，促进地方企业产权之间股权流动。各地方政府也需大力发展金融要素市场，组建农村商业银行，支持本地商业银行跨地区经营和上市融资，以增强其资本实力和综合竞争力。

在金融人才方面：各地应充分发挥本区域的人力资源，加快金融人才培育的速度，加强与国内外金融研究部门、院校的合作与交流，引进、扩大金融人才的培养规模和层次。

在金融经济方面：地方政府应积极创造条件吸引外地金融机构，将金融中心提升到新高度，推进科技金融合作，开展对外经贸交流活动，建立中小企业绿色融资渠道，推进金融产业中心园区建设。

在金融环境方面：各地应优化金融环境建设，落实金融犯罪惩治工作，开展对外经贸交流活动，大力发展金融要素市场，推进金融后台服务中心，积极吸引社会资金参与市政基础设施建设。

[参 考 文 献]

[1]Gras. Cities and the Geography of Financial Centers[M]. Cambridge： Cambridge University press，2010：23-26.

[2]Jean Paul. The Competitiveness of International Financial Centers In Jack Revell[M].The Changing Face of European Banks and Securities Markets，2009：58-65.

[3]Reed，H.C.The Ascent of Tokyo as an International Financial Center [J]. Journal of International Business Studies，1980，11（3）：19-35.

[4]Choi，S- R， Tschoegl，A.E.and Yu， CM. Banks and the World's Major financial Centers， 1970-1980[J]. Weltwirtschaftliches Archly，1999，122（1）：48-64.

[5]European Commission Enterprise Directorate-General[R].Methodology Report on European Innovation Scoreboard，2011.

[6]唐旭.区域经济竞争力评价指标体系及其方法选择[J].上海应用技术学院报（自然科学版），2010（2）：33-35

[7]潘英丽.论金融中心形成的微观基础―金融机构的空间聚集[J].上海财经大学报，2007（1）：50-57

大数据金融论文篇（5）

中图分类号：F83 文献标识码：A 文章编号：1003-9082（2014）05-0069-03

一、引言

金融危机的到来让人们惊慌失措，而由于金融市场之间错综复杂的联系使得当一个经济体发生金融危机时其危险因素会迅速波及到其他经济体。金融波动溢出效应（transmission或volatility spillover）是指是指金融市场作为一个整体、一个系统，其各部分或各个子系统之间必然存在着相关联系或者相互影响，其波动会从一个市场传导到另一市场。研究、判别金融市场之间是否存在波动溢出效应能够很好地甄别金融市场之间的波动关系，对于加强金融市场风险管理意义重大。

MEM模型是目前公认的描述高频数据条件下波动特征的数学模型，而从高频数据的角度去研究金融市场之间的波动溢出效应将使我们从市场微观结构的角度更加深刻地认识危机的传导机制，挖掘出更多有效的市场信息用以金融风险管理。

本文即是在MEM模型的基础上开展对金融市场波动溢出效应的研究。首先给出MEM模型的基本形式及其参数估计方法，其次介绍金融市场波动溢出的基本概念和基于MEM模型的金融市场波动溢出分析的理论架构，同时从测量误差的角度介绍了“已实现”波动的一种改进方法――调整“已实现”波动率，然后以上海和深圳股市综合指数的高频数据为原始数据，采用调整“已实现”波动率，结合MEM模型进行实证建模，并判断在高频数据下上海和深圳股市之间是否存在波动溢出效应。

二、乘积误差模型（MEM）及其参数估计

乘积误差模型（MEM）模型的基本形式如下：

通过最大化似然函数运用伪极大似然估计法解决MEM模型的参数估计问题。而对于求解似然函数极大值的迭代处理现在多采用BHHH算法或BFGS算法等，可通过Winrats、Matlab等软件解决其参数估计问题。

三、基于MEM模型的金融市场波动溢出分析的理论架构

金融市场波动溢出效应（volatility spillover）是指不同金融市场的波动之间可能存在相互影响，波动会从一个市场传递到另一个市场。MEM模型已被公认为刻画高频数据波动的有效模型，从MEM模型的角度出发便可以建立研究高频数据下金融市场波动溢出效应的模型框架。Ray Yeutien Chou、Chih-Chiang Wu、Sin-Yun Yang（2010）在研究高频数据下美国和欧洲金融市场之间的波动溢出效应时，将其他金融资产的波动变量的一阶滞后项引入到原金融资产的MEM模型的条件均值方程中，其基本模型形式为

可以看出调整“已实现”波动率和“已实现”波动率的期望值相等，因为由（7）式可知“已实现”波动是积分波动的一致估计，所以调整“已实现”波动也是积分波动的一致估计。下面说明调整“已实现”波动率比“已实现”波动更有效。因为（10）式右边的第一项为常数，其方差为0，所以得出

五、基于MEM模型的中国金融市场建模与波动溢出分析的实证研究

1.数据描述

本研究选取样本的时间跨度为2005年1月4日至2008年12月31日，共涉及970个交易日，上海与深圳证券交易所每天的交易时间为上午9：30至11：30和下午13：00至15：00，以该期间的上海综合指数和深圳成份指数的高频数据作为样本对象。同时由于9：30至9：35的交易价格受开盘前集中竞价的影响，而13：00至13：05的交易价格受午间闭市的影响，受干扰较多，这些交易带有很大的“杂音”，所以研究中剔除掉这两段时间的收益率。然后分别根据“已实现”波动率和调整“已实现”波动率的测算方法，分别计算得到上海综合指数和深圳成份指数样本期间内每日的“已实现”波动率和调整“已实现”波动率，分别为970个数据。

2.“已实现”波动率和调整“已实现”波动率的统计特征概述

表1列出了上海综合指数和深圳成份指数在整个样本期间以5分钟作为抽样频率的每日“已实现”波动率的描述性统计量，包括最大值、最小值、样本均值、标准差、偏度、峰度、J-B统计量等。从表中可以看出，在整个样本期间内，深圳成指相比上证综指的“已实现”波动率的均值和标准差都较大，而最大值与最小值之差也相对较大；两个股市的“已实现”波动率都存在明显的偏度，深市相对更高；两个股市的“已实现”波动率的峰度均明显大于3而且两市“已实现”波动率的J-B统计量的值都非常大，这均表明两大股市的已实现波动率为非高斯分布且有很高的峰度特性，而且沪市的非高斯分布的特征更加明显。从描述性统计量中可以明显看出，样本的描述性统计量特征与已实现波动率的理论特征是相符的，同时也表明我国沪深两大股市在高频数据下存在着非常大的波动特征，这也与我国现阶段金融市场的实际情况是相吻合的。

根据4.2小节的结论，我们已经得出调整“已实现”波动率是一种相比“已实现”波动率更加有效的针对高频数据波动的测算方法，所以我们利用式（9）计算了上海综合指数和深圳成份指数同样基于5分钟抽样频率的调整“已实现”波动率。

表2列出了上海综合指数和深圳成份指数在整个样本期间以5分钟作为抽样频率的每日调整“已实现”波动率的描述性统计量，同样包括最大值、最小值、样本均值、标准差、偏度、峰度、J-B统计量等。通过表2并与表1进行比较，可以看出两个股票市场的调整

上述分析结果与事实是相符的，这说明了乘积误差模型（MEM）可以有效地刻画中国金融市场在高频数据下的波动特征，均值方程中无常数项的标准的MEM（1，1）能够很好地拟合中国两大股票市场指数的调整“已实现”波动率，很好地解决了中国金融市场高频数据波动建模问题，同时也进一步证实了MEM模型可以很好地反映出金融市场间存在的波动溢出效应。

六、小结

乘积误差模型（MEM）已被公认为刻画高频数据波动特征的模型，利用MEM模型进行金融市场间的波动溢出效应的分析将从市场微观结构的角度进行有效的研究与判别。本文采用“已实现”波动率的一种改进形式――调整“已实现”波动率估计中国沪深两大股市的波动，并采用MEM模型对沪深两大股市的波动溢出效应进行研究。实证结果表明乘积误差模型（MEM）可以有效地刻画沪深两大股市在高频数据下的波动特征，同时也进一步证实了沪深两大股市之间存在波动溢出效应。

参考文献

[1]张瑞锋.金融市场波动溢出研究[D].天津大学博士学位论文，2007.

[2]黄杰琨.电子指令驱动市场上的交易持续期与知情交易的相关性研究[D].厦门大学硕士学位论文，2003.

大数据金融论文篇（6）

（一）文献综述

在目前研究区域金融与区域经济增长关系的文献中，研究者都是以中国某一区域或某一省份为例来研究区域金融与区域经济增长的关系。在分析框架中，研究者普遍都采用了金融相关率这一指标来衡量区域金融发展状况，但是各研究者并不只是采用金融相关率作为唯一的指标，毕竟金融发展是一个立体化的概念，因此需要从不同侧面去观测金融发展状况，因此也就需要设计不同的衡量指标。例如卢宁（2009）采用了金融规模指标和金融效率指标来衡量金融发展水平，而张萍、陈福中（2009）采用了股票市场发展程度、保险市场发展程度来衡量金融发展水平，另外杜莉、王宏来（2009）采用非政府投资占总投资的比重、贷存比来衡量金融发展。在结论上，研究者普遍得出了金融发展对经济增长存在正相关关系的结论，即区域金融与区域经济是相互促进的。总体来看，目前研究区域金融与区域经济增长的文献可以两大类，一类是定性分析即不采用实证模型进行分析，代表者有刘宁、申锦（2009）等，另一类则采用实证模型进行分析，代表者有杜莉、王宏来（2009）等。

在第一类中，刘宁、申锦（2009）分析了贵州经济增长与金融成长的耦合性，将金融发展分解为金融增长和金融发展效率，对金融增长的衡量指标是M2/GDP，对金融发展效率的衡量指标是存款和贷款之比。通过分析其得出的结果是：贵州的金融相关率低于全国水平；贵州的M2/GDP自进入新世纪以来一直高于全国水平；贵州的金融中介效率在时间和空间上与经济增长趋势和经济发展程度相背离。对于第一个结果，作者的解释是由中国金融发展的二元特性决定的，即中国金融发展在东部和中西部呈现二元发展的特性导致了贵州的金融发展水平低于全国水平。但是二元发展特性只是中国金融发展在地域上一种分布状态，只是一种现象，而非根本原因，即导致贵州金融发展低于全国水平另有其根本原因。对于第二个结果，作者从经济的信用化和国有银行信用垄断两方面来解释。但是经济的信用化和国有银行信用垄断只是M2/GDP上升的一般性原因，而并不能成为贵州的M2/GDP高于全国水平的特殊性原因。在与刘宁、申锦（2009）同样采用了金融相关度指标来衡量金融发展之外，涂人猛（2009）还采用了金融机构、保险密度、保险深度来衡量区域金融实力，同时采用上市公司总市值与GDP之比来衡量区域直接融资水平。在这些指标下，作者分析了湖北省金融发展与经济增长的关系。但是，作者只是罗列了一系列衡量指标，而并未就这些指标赋予具体数据进行分析。

在第二类中，杜莉、王宏来（2009）以吉林省1985-2007年的相关时间序列数据为样本，利用协整检验和格兰杰因果检验分析了吉林省金融业对经济增长的贡献。与其他研究者大都选择金融相关率来衡量金融发展不同，作者选择了贷存比和非政府投资占投资总额比率作为金融体系效率的指标。在结论中，贷存比和非政府投资占比都与经济增长存在正相关关系。而这一结论为作者提高贷存比的政策建议提供了依据。但是，不可忽视的是盲目地提高贷存比有可能导致银行不良资产的增加，而不良资产又会危及到金融的稳定。因此，与提高贷存比相比，完善金融市场结构、增强金融自生能力似乎更为重要和更具有可行性。与杜莉、王宏来（2009）采用时间序列模型不同，卢宁（2009）采用了向量自回归模型来分析欠发达地区的金融发展与经济增长。其用金融机构贷款/名义GDP构建金融规模指标，同时用全部金融机构存款与贷款之比来构建金融效率指标，而经济增长则用全要素生产率来表示。其得出的结论是金融发展和区域经济增长具有正相关关系。其对这一结论的解释是金融效率和金融规模通过对资本投入、劳动投入和全要素生产率三个渠道的影响，进而影响到区域经济总量的增长。张萍、陈福中（2009）同样采用了时间序列模型来分析金融发展与经济增长。与杜莉、王宏来（2009）不同的是，其用来衡量金融发展的指标是金融相关率、金融效率、股票市场发展程度、保险市场发展程度。其通过对江苏省的数据进行实证检验得出的结论是，金融相关率、股票市场发展程度与经济增长呈正相关关系，而金融效率化、保险市场发展程度则与经济增长呈负相关关系。对于前一个结果，金融发展与经济增长呈正相关关系符合一般的理论假设，而对于后一个结果，以金融效率和保险市场发展程度衡量的金融发展与经济增长呈负相关关系，这与一般的理论假设出现相悖，作者对这一相悖的解释是低效率的国有企业大量退出市场对经济产生了负向冲击，由此形成金融效率化与经济增长负相关的局面，而保险市场发展则由于提高了生产投资者的成本而对经济增长形成负向作用。

在第二类中，与大多数研究采用实证模型来检验金融发展与经济增长的关系不同，张云（2009）则利用了动态均衡来分析区域金融发展水平与经济发展之间的关系。在动态均衡分析中，其分两种情况来探讨金融发展与经济增长的关系。第一种情况是金融过度，其分析得出在金融过度情况下，经济发展与金融发展都会受损。第二种情况是金融不足，其分析得出在金融不足的情况下，通过经济发展因素的作用，可以提高金融发展水平并相互促进。其还将这一动态均衡应用于对中国区域金融的分析，认为在我国东部地区，金融发展与经济发展相互促进，而在中部西部地区则相反。周丽华（2009）用多元线性回归模型检验了西部地区金融发展对经济发展的支持作用。其对金融发展的衡量指标是储蓄、储蓄与投资的转化、投资率、投资效率。其得出的结论是西部地区金融发展对经济增长有着显著的正向促进作用，同时西部地区金融发展的滞后也对经济增长形成了制约。

从以上的研究可以看出，目前对区域金融发展与区域经济增长关系的实证分析要么采用多元线性回归模型，要么采用时间序列模型，还没有研究者采用面板数据来分析中国某一区域的金融发展与经济增长的关系。虽然周丽华（2009）对西部地区金融发展与经济增长的关系进行了研究，但是其采用的是多元线性回归模型。本文着眼于对欠发达地区金融发展与经济增长的关系分析，采用了西部九省1990-2012的面板数据，以此来检验金融发展和经济增长的关系在欠发达地区的不同表现形态。

（二）理论预期

区域金融发展以其能促进区域内储蓄和投资的增长，并能优化区域内及不同经济区之间资金配置结构和提高投资收益而对经济产生推动作用，此即为金融发展的经济增长效应。若将金融发展的经济增长效应进行分解，则可以分解为这几个方面。一方面，区域金融发展能提高储蓄率及储蓄向投资转化的比率，从而促进区域经济增长。另一方面，区域金融发展能提高资本使用效率。区域经济增长要求储蓄资源的优化配置及投资结构。金融体系将分散的资金市场融为一体，使资金在整个社会实现重组和分配。同时，金融体系利用自身信息优势和监督优势，将资金引导到预期收益好、发展潜力大的区域、行业，提高资金使用效率。在资本总量不变的条件下，资本使用率的提高促使经济增长速度加快和经济总量迅速扩大。此外，区域金融发展水平影响着区域经济结构的调整和产业结构的优化，从而影响经济增长。区域经济结构调整及优化的重要内容之一就是资本在不同产业的流动的和在配置，而金融的快速发展为产业的优化提供资金和资本支持，为产业结构调整创造良好的资本环境，从而促进经济增长。

二、模型设定与数据说明

（一）模型设定

面板数据模型有混合模型、固定效应模型、随机效应模型三种。根据前面的理论预期以及后面实证检验过程中的F检验、Hausman检验、B-P检验，以及对三种面板数据模型估计结果的比较，本文最终选取了随机效应模型来检验西部地区金融发展与经济增长的关系。本文选取的随机效应模型的表达式如下：

GDPit=αi+β1JRFit+β2GDZit+β3CYRit+μit

i=广西，四川，贵州，云南，西藏，甘肃，青海，宁夏，新疆；

t=1990，1991，∧，2012。

其中，GDPit表示经济增长，JRFit表示金融发展，GDZit表示投资，CYRit表示劳动力。

（二）数据与变量说明

考虑到数据的可获得性以及整理难度，本文选取1990-2012年我国西部九省（广西、四川、贵州、云南、西藏、甘肃、青海、宁夏、新疆）的数据作为样本数据。数据均来源于中国经济与社会发展统计数据库。

1、GDPit是因变量，表示经济增长。本文采用西部九省（广西、四川、贵州、云南、西藏、甘肃、青海、宁夏、新疆）在1990-2012年的GDP值来衡量经济增长。GDP值的单位为亿元，数据来源于中国经济与社会发展统计数据库西部九省的国内生产总值。

2、JRFit表示金融发展。国际上通常采用戈氏和麦氏两种指标来衡量金融发展水平。戈德史密斯提出用金融相关比率来衡量一国金融发展水平，金融相关比率等于金融资产总量与GDP之比。本文引入金融相关比率来衡量金融发展。由于中国缺乏各地金融资产的统计数据，无法直接使用戈氏指标。因为银行存款是主要的金融资产，而储蓄存款又在银行存款中占有重要比例，且中国各地区城乡居民储蓄存款的数据较易获得，因此本文用西部九省在1990―2012年的城乡居民储蓄存款额与GDP之比来计算金融相关比率，从而衡量金融发展。西部九省的城乡居民储蓄存款数据来源于中国经济与社会发展统计数据库。

3、GDZit是控制变量，表示投资。投资是最主要的生产要素之一，对经济增长有着重要的影响。本文采用西部九省在1990-2012年的固定资产投资额来衡量投资。数据来源于中国经济与社会发展统计数据库西部九省的全社会固定资产投资总额，单位为亿元。

4、CYRit也是控制变量，表示劳动力。劳动力也是最主要的生产要素之一，对经济增长也有着重要的影响。本文采用西部九省在1990-2012年的从业人员数来衡量劳动力。数据来源于中国经济与社会发展统计数据库西部九省的从业人员，单位为万人。

本文中各变量的描述性统计见表1。

三、实证检验

（一）面板数据模型估计的结果

1、三种面板数据模型的估计结果。本文用Sstata9.0对JRF、GDZ、CYR对GDP的影响在三种面板数据模型下进行了回归分析，回归结果如表2所示。

2、固定效应显著性检验（F检验）。F统计量检验旨在确定应该建立混合回归模型，还是固定效应回归模型。由表二中的F检验结果可知，F（8， 159） = 21.30， Prob>F = 0.0000。因此，在1%的水平拒绝原假设，建立固定效应模型比较合理。

3、Hausman检验。Hausman检验旨在确定应该建立随机效应回归模型还是固定效应模型。从表2中的Hausman检验结果可以看出，chi2（2） =61.67，Prob>chi2 = 0.0000，因此在1%的显著性水平拒绝原假设。但是到底是建立随机效应模型还是建立固定效应模型还要参考后面的B-P检验，同时对三种模型的回归结果进行比较来最终确定。

4、B-P检验。B-P检验是用来检验模型是否存在随机效应。从表2中可知，B-P检验的结果为：chi2（1） =82.80，Prob > chi2 = 0.0000，在1%的显著性水平拒绝原假设，即模型存在随机效应。

通过一系列检验，发现模型存在随机效应，同时在比较三种模型的回归结果时发现，在最小二乘估计模型和随机效应模型中，劳动力的估计系数都是正的，而在固定效应模型中劳动力的估计系数是负的，而根据一般经济理论，劳动力与经济增长应该存在正相关关系，因此最小二乘估计模型和随机效应模型对劳动力的估计系数比较可信。因此，在模型存在随机效应，同时对劳动力的估计系数比较可信的情况下，本文最终确定采用随机效应模型来检验西部地区金融发展与经济增长的关系，而实证检验的结果反映在表2中。

（二）对实证检验结果的解释

通过一系列的检验，本文最终确定用随机效应模型来检验西部地区金融发展与经济增长的关系。随机效应的估计结果列在表2中。从结果中可以看出组内R2、组间R2、总体R2都很高，表明方程的拟合优度较高。金融发展的回归系数为正，并且在1%的显著性水平通过了T检验，表明金融发展对经济增长存在显著的正向影响。投资的回归系数也为正，并且在1%的的显著性水平上通过了T检验，表明投资对经济增长存在显著的正向影响。劳动力的回归系数也为正，并且在1%的显著性水平通过了T检验，表明劳动力对经济增长存在显著的正向影响。对于以上的实证检验结果，本文的解释如下。

大数据金融论文篇（7）

二、指标的设定与样本数据的采取

1.金融资源配置效率指标的设定

鉴于数据来源的局限性，本文仅选取了FCR（金融贡献率）、FAE（金融中介效率）对海南金融资源配置效率作一个简单的考量。

（1）金融贡献率（FCR）

本文仿照戈式指标，把每年实体经济从金融行业的融资总额统称为金融贡献额，将其与国内生产总值的比值定义为金融贡献率FCR，用这一指标来刻画金融发展规模和地区金融深化程度，反映金融增长对地区经济的贡献。根据金融贡献率的内涵，可得：

FCR=[股票筹资额+金融机构信贷余额+保费支出额]/国内生产总值

（2）金融中介效率（FAE）

国外学者主要用非国有经济的银行贷款占总贷款的比重来衡量金融中介效率，而国内学者则认为国有经济在我国地位较为特殊，以存贷款比来反映金融中介效率似乎更为合理。通过对上述国内外观点的综合和分析，本文将金融中介效率指标设定为金融机构贷款余额与其存款余额之比。

2.经济增长指标的设定

本文依照大多数学者的做法，将人均GDP作为考量海南省经济增长的指标。

3.样本数据的采取

本文所采用的数据均来自于《海南省统计年鉴》、中宏统计数据库、中国经济与社会发展统计数据库。样本数据年限为1991年―2012年，数据来源：笔者依据《海南省统计年鉴》、中宏统计数据库、中国经济与社会发展统计数据库资料整理所得。

三、实证分析过程

1.模型简介

本文的分析采用向量自回归模型（Vector Autoregressive Model，VAR），VAR模型不以严格的经济理论为依据，是一种非结构化的多方程模型。经济理论指导下建立的结构性经典计量模型存在不少问题，VAR模型是为解决这些问题而提出的一种非结构性方法建立各变量之间关系的模型，是当今世界上的主流模型之一。

VAR模型主要用于预测和分析随机扰动对系统的动态冲击，冲击的大小、IH负及持续的时间。可以用来描述若干变量间互相影响与作用的关系，从而将单方程模型加以改进、推广为由多方程的自回归模型。

2.实证结论分析

受篇幅限制，本文仅将实证结果展示如下，实证分析包括了平稳性检验、协整性检验、格兰杰因果检验、var模型的分析及后续的脉冲响应分析与方差分解。具体结论如下：

大数据金融论文篇（8）

中图分类号：F831.1 文献标识码：A 文章编号：1006－3544（2012）01－0019－05

美国是世界第一经济强国，国内金融机构众多，金融市场规模很大，相应地，美国也建立了较完善的金融监管体制。 美国的金融监管堪称是世界上最为复杂的监管体系，其监管机构众多，监管法律纷繁复杂。1999年通过的《美国金融服务现代化法案》，正式宣告美国实行混业经营， 但美国的金融监管组织架构却没有太大的调整， 美国进入了混业经营分业监管的时期。2007年美国次贷危机发生以后，美国最终于2009年通过了《多德弗兰克法案》，根据该法案除了出台一些限制金融业混业经营的条例之外，还设立了金融稳定监管委员会， 增加了金融监管机构之间的协调和沟通， 在一定程度上顺应了美国金融业混业经营的局面。那么，2000年以来，美国的金融监管有效性如何？ 金融监管质量是提高了还是降低了？ 本文通过总结既有理论提出了一种衡量金融监管有效性的新方法――金融监管指数分析方法，并基于这种方法对美国金融监管的有效性进行总体的衡量和判断。

一、研究背景

研究背景之一来自于目前世界各国正在进行的金融监管改革。针对2008年发生的世界金融危机，世界各国都正在或即将进行金融监管体制改革。 但现有理论对金融监管体制的比较多采用定性的分析框架， 其基本思路是通过不同监管体制之间的优缺点比较来做出评价。 但定性比较很难做出有说服力的结论，且很难对金融监管改革的效果进行评价，而且缺乏前瞻性， 使得各国金融监管往往滞后于金融业的发展，从而使金融监管改革呈现“危机导向型”的特征。 本文想通过构建金融监管指数对金融监管体制进行定量研究， 进而为金融监管改革提供理论依据。另外，本文还希望通过金融监管指数的构建动态监测各国的金融监管质量， 并希望在金融监管水平大幅下降的时候提出预警， 进而使得金融监管改革更具有前瞻性。

研究背景之二来自于对美国金融监管改革进行评价的需要。2000年至2007年，美国金融监管方面没有做出很大调整，进而引致了席卷全球的金融危机。2009年美国通过了《多德弗兰克法案》，该法案是否起到了大家所期待的效果， 目前还没有一个有效的定量评价方法。

鉴于以上两点， 本文依据各国金融监管的目标构建了金融监管指数分析框架， 并利用这一分析框架对2000～2008年美国的金融监管有效性进行衡量与评价。

二、 金融监管有效性及其衡量问题的理论综述

所谓有效，按照《现代汉语词典》的解释，就是“能实现预期目的”，以此，我们可以将金融监管的有效定义为：“能实现预期的金融监管目的”。关于金融监管有效性及其衡量主要包括两个问题： 第一是金融监管是否有效；第二是金融监管有效性如何衡量。

关于监管是否有效存在着两种截然相反的理论：监管有效说和监管失灵论。监管有效说以金融监管的公共利益理论为代表， 监管失灵论以监管俘获说为代表。

金融监管的公共利益理论（Stigler，1971；Becker和Stigler，1974）建立在政府拥有充分信息、为社会整体福利服务以及具有完全信用三个假设基础上，认为金融业高负债经营的行业特点决定其脆弱性，且由于市场存在信息不对称、交易成本、不完全竞争和搭便车行为等， 私人不可能去监管那些实力雄厚的金融机构，只有通过政府对金融机构的监管，才能够克服市场失灵所带来的负面影响， 改善金融机构的治理水平，从而提高金融运行的效率，维护金融体系的稳定。 金融监管公共利益理论的基本思想主要体现在以下两个方面： 一方面积极鼓励政府参与银行的经营和管理，实现对金融的直接控制，另一方面通过增强政府金融监管的权力， 发挥政府在金融监管中的作用，可以弥补市场失灵所带来的问题。

监管俘获说（Becker，1983；Tullock，1967；陆磊，2000）认为监管与公共利益无关，监管机构不过是被监管者俘获的猎物或俘虏而已。 这派理论的主要观点是： 政府作为一个拥有自己独立利益的特殊市场主体，它并不能最大化社会的福利。一方面，政府的金融监管政策往往会被少数既得利益集团所左右，因为利益集团为了自己的利益必然有积极性采取各种手段影响政府的金融监管政策，这样，金融监管机构最后常常被俘获。另一方面，政府对金融机构的过多管制行为进一步增加了市场中寻租的机会，破坏了市场的正常竞争秩序，这就不利于金融的长期发展。因此，要充分发挥竞争和开放机制在金融监管中的作用， 防止既得利益集团对金融发展的抑制。

虽然在理论上存在着监管有效说和监管失灵论，但从实践上来看，目前各国对金融监管的必要性基本达成了共识， 且各国基本都建立起了金融监管机构。根据统计 [1] ，世界共有192个国家建立了金融监管机构。

既然金融监管是必要的， 那么金融监管的效果如何呢？这就引出了另一个问题，金融监管有效性的衡量问题。目前理论界较为常用的衡量金融监管有效性的模型主要有两个： 金融监管成本-收益模型和成本有效性分析模型。

金融监管成本-收益模型（秦宛顺、靳云汇、刘明志，1999）的主要思想是：金融监管都存在着一个有效边界的问题， 如果金融监管位于有效边界上或附近的一个区域内， 那么它就可以产生正的综合效应；如果金融监管超过了有效边界或区域，或者离边界很远， 那么它就很有可能会产生负的综合效应。 长期以来人们一直在努力寻找能够有效分析金融监管效率，界定金融监管有效边界的量化方法。成本-收益分析法是目前理论界研究这一问题运用得最多的方法。 金融监管的成本-收益分析其结果实际上就是一个金融监管的效率问题， 即用最低成本实现监管收益的最大化。但它存在的较大问题是：在现实中要计算监管的收益和由于没有实施监管而造成的损失是徒劳的， 因为这种收益和损失是假想中的，只具有理论上的意义，而难以量化。同时，各国的金融还受到其他因素的影响， 无法全部由监管的成本和收益来反映。 成本收益分析只是在理论上论证了如何寻找优化本国的金融监管， 在实际操作中缺乏执行性。

鉴于成本-收益模型的缺陷性， 成本有效性分析模型（刘宇飞，1999）随即替代产生了。这种方法的基本思想就是在无法确定监管项目的具体收益大小时，可以用目标的完成程度取而代之，并计算出该收益与付出的成本之间的比例。 如果能够同样有效地完成目标，成本较小的方案要优于成本较高的方案。因此， 可以用有效程度与成本之比的最大化替代原有的成本-收益分析下收益与成本的最大化目标。在这种分析方法下， 虽然金融监管的收益仍难以量化，但由于其运用目标完成的程度（即监管的有效程度）替代了金融监管的收益，因此较为巧妙地避免了金融监管收益难以确定的难点， 从而在总体上能运用其来判断金融监管是否有效。但它存在的问题是：一个国家金融监管目标往往是多重的， 目标的完成程度的测度较为困难， 目前还没有较为成熟的量化分析方法。

鉴于以上两种方法的固有缺陷， 本文在成本有效性分析的基础上， 提出金融监管有效性衡量的新方法：金融监管指数分析方法。

三、金融监管指数分析框架的构造及建立

从监管目标来看， 世界三大监管组织都制定了各自领域的监管规则，具体如表1所示。

从表1可以看出，银行监管过程较为强调安全性和公平性；证券监管强调安全性、效率性和稳定性；保险监管强调安全性和公平性。 之所以银行监管和保险监管不加入效率性指标， 主要因为效率性和安全性存在矛盾，特别对于银行业来说，由于存在系统性风险的传染主要载体， 所以各国一般较为避讳提金融效率问题。但由于发展经济是各国的首要目标，而一个有效率的金融体系是经济发展的必要因素，所以，总结起来，金融监管的目标总体应该包含三个：稳定性、效率性和公平性（蒂米奇・威塔斯，2000）。 安全性是指金融监管要确保金融系统的安全，避免金融风险的集聚、扩散和蔓延；效率性是指金融监管要确保金融系统的效率， 促进金融系统的发展； 公平性是指金融监管过程中要强调对金融消费者的保护，确保公平对待金融消费者。这三个目标主要针对金融市场不完备性的三个方面，如表2所示。

虽然金融监管主要有三个目标，但本文认为，公平性目标从属于安全性目标和效率性目标，因为公平性目标涵盖于安全性和效率性目标之内，假如一国金融业未实现公平性，则从长期来看，该国金融业的安全性和效率性都会受到损害。

根据金融监管的安全性和效率性这两个目标， 我们构建了一套金融监管的指标体系，具体如表3所示。

一般来说， 金融体系的安全性将直接影响宏观经济的稳定， 所以本文在指标体系的设计中引入了代表宏观经济稳定的三个指标，即通货膨胀率、CPI、银行不良资产比率来代表金融体系的安全与稳定性。而金融业效率主要包括银行的效率和股票市场的效率，所以，本文引入了4个金融效率指标：银行存贷比、银行一般管理成本、银行收入成本比和股票市场交易额占GDP比重，由此来代表金融业效率。

由于安全性目标和效率性目标存在替代关系，且这两方面的因素受各个经济或金融指标的影响，而这些指标由于单位和性质的不同， 无法直接进行横向比较， 所以我们需要将这些不同质的指标进行标准化处理， 然后采用主成分分析法挑选出对金融监管指数影响最大的几个主要因素， 并确定这些因素在金融监管指数中所占的权重， 计算出金融监管指数。 最后通过比较金融监管指数的变化来进行金融监管有效性的衡量。

四、 美国金融监管指数的建立及金融监管有效性的衡量

为了计算金融监管指数， 必须对其所包含指标的基本数据进行收集和整理。 我们选取了美国2000～2008年的金融业安全性和效率性指标相关数据（见表4），各数据计算方法及来源如表5所示。

由于主成分分析需要各指标之间同向， 所以给通货膨胀率、CPI、银行不良资产率、银行一般管理成本、收入成本比加上负号，并将数据进行标准化，如表6所示。

运用SPSS软件进行主成分分析，得到方差解释程度表和成分矩阵，如表7、表8所示。

根据前一部分对金融监管指数各影响因素的分析， 运用主成分分析法确定各影响因素的权重。通过方差解释程度表（表7）我们可以看到，前2个因子对于总方差解释程度达到87.401%， 根据累计方差大于75%的原则， 故选取前2个因子代替所有7个因子进行估计。以前两个因子反映金融监管的总体情况，用Y1、Y2表示，每个主成分变量都是7个标准化变量的线性组合，其表达式为：

Y1=（-0.689）×Z’1+0.662×Z’2+0.989×Z’3+0.564×Z’4+0.916×Z’5+0.915×Z’6+（-0.874）×Z’7

Y2=0.419×Z’1+0.732×Z’2+（-0.039）×Z’3+（-0.766）×Z’4+0.065×Z’5+0.377×Z’6+0.149×Z’7

然后将标准化的原始数据矩阵与贡献程度向量相乘得到各主成分得分， 最后将各主成分得分按照其方差贡献率加权平均得到综合得分（即金融监管指数），如表9所示。

则美国2000～2009年金融监管指数的变化情况如图1所示。

五、研究结论及政策建议

如图1所示，2000~2009年， 美国的金融监管指数总体呈现下降趋势，其中2000～2006年，美国金融监管指数呈现区间震荡格局，2006年以后，美国金融监管指数呈现大幅下降趋势。2001～2002年，美国的金融监管指数较低， 主要是受到2001年网络股泡沫破灭，加之后来的安然公司财务造假、世界通信公司财务欺诈、施乐公司财务虚报案件，极大地打击了美国投资者的信心， 影响了美国的金融监管质量。2002年美国通过的《萨班斯-奥克斯利法》加强了对上市公司的监管，并强化了美国证监会的监管职能，使得美国的金融监管指数有所提高。2007年，由于受到次贷危机的影响，美国的金融监管指数不断下滑，说明美国的金融监管已经完全不能适应其金融业的发展要求，于是2009年美国通过了《多德弗兰克法案》，希望能够加强和改善美国的金融监管，但从目前的数据来看，还没有见到明显的效果。

综合本文得到的理论和实证研究结论， 结合当前的形势和美国金融监管的现状， 我们提出如下政策建议:

1． 美国应该密切关注其金融监管指数的变化，在金融监管指数出现拐点并呈现下降趋势时， 应该立即采取措施，加强其金融监管力度，确保金融业的稳定，防范金融危机。2001～2002年，美国金融监管指数呈现下降趋势，美国立即出台了《萨班斯-奥克斯利法》加强了对上市公司的监管，致使美国的金融监管指数止跌回稳， 并逐步呈现上升趋势。 但2005年，美国金融监管指数出现拐点，并逐步呈现下降趋势的时候，并未引起美国政府足够的重视，且并未采取有效措施改善其金融监管， 最终导致了2007年的次贷危机。虽然美国于2009年通过了《多德弗兰克法案》，希望加强并改善其金融监管，但为时已晚。

2． 金融监管要与金融业发展相适应， 在金融业经营体制发生变化的时候， 金融监管也要做出相应调整，否则将会制约金融业的长远发展。美国于1999年11月通过了《金融服务现代化法案》，正式确立了混业经营制度，但在同期，美国的金融监管并未做出相应调整，致使金融监管与金融业发展不匹配，致使过去十年来，美国的金融监管指数总体呈现下降趋势，其金融监管质量不断下降，最终导致了次贷危机。

3． 在金融监管发展的过程中， 要注重金融安全性和效率性的平衡，不能顾此失彼，而应该尽量做到协调、均衡。2000年以来，美国金融业实现了混业经营，而其金融监管主要强调效率优先的原则，而忽视了金融业的安全与稳定， 这导致了美国金融企业的高杠杆性经营，并最终引起了次贷危机。

参考文献：

［1］Robert Pringle，2010. How countries supervise their banks，insurers and securities markets 2010［M］. Central banking publications.

［2］蒂米奇・威塔斯. 金融规管――变化中的游戏规则［M］． 上海：上海财经大学出版社，2000．

［3］秦宛顺，靳云汇，刘明志. 金融监管的收益成本分析［J］．金融研究，1999（10）.

［4］叶永刚，张培. 中国金融监管指标体系构建研究［J］．金融研究，2009（4）.

［5］江春，许立成. 金融监管与金融发展：理论框架与实证检验［J］．金融研究，2005（4）.

［6］陆磊. 信息结构、利益集团与公共政策：当前金融监管制度选择中的理论问题［J］． 经济研究，2000（12） .

［7］刘宇飞. 国际金融监管的新发展［M］. 北京：经济科学出版社，1999.

［8］Becker，G. and G. Stigler，1974. Lawenforcement，malfeasance，and the compensation of enforcers［J］． Journal of Legal Studies，3（Mar）：1-18.

大数据金融论文篇（9）

中图分类号：F830.6 文献标识码：A 文章编号：1003-3890（2013）09-0036-07

一、引言

本文主要研究中国农村银行业结构变化对农村经济增长的影响。提出这一议题的研究背景是：长期以来中国农村地区一直存在的金融机构网点少、信贷供给不足的问题，制约了农村经济的发展。2007年开始的新一轮农村金融体系改革，允许各类资本到农村地区投资、设立新型农村金融机构，包括村镇银行、资金互助社以及小额贷款公司等，从而在县域农村地区建立起了一个多层次、广覆盖、适度竞争的金融组织体系，提高了农村金融市场竞争强度，并导致农村合作性金融、政策性金融和商业性金融之间发生了此消彼长的结构变化。那么，中国农村银行业结构的变化是促进还是抑制了农村经济增长？

以Petersen和Rajan（1995）[1]为代表的局部均衡模型认为垄断的银行业结构一般是有利于经济增长。以Ceterolli和Peretto（2001）[2]为代表的一般均衡模型认为垄断的银行业结构对经济增长一般而言是有害的。林毅夫等（2008）[3]提出的“最优金融结构”理论认为，现代的发展中国家的最优金融结构是选择区域性的中小银行作为主体；而在现代的发达经济中，大银行和金融机构应当在金融体系中发挥主导作用。

目前国内已有的大量实证研究发现，中国银行业结构集中度的下降有助于促进经济增长。如李琼和刘建军（2005）[4]根据1999年和2000年国家层面上的跨省数据得出银行市场结构发展的不平衡是影响地区经济增长的一个重要的因素；王红（2005）[5]基于1986—2003年的时间序列数据得出中国银行业较高的集中度对经济增长有负的影响，但并不明显；谈儒勇等（2006）[6]基于中国31个省区1999—2003年的面板数据实证分析银行业结构对经济增长影响后，发现两者之间呈显著的负相关；而且中西部地区各省区银行集中度的提升与东部地区相比较会给经济增长带来更加严重的负面影响。然而以上的研究使用的都是小样本数据，影响了其结论的可信性。其后，林毅夫和孙希芳（2008）[3]运用中国28个省区在1985—2002年的面板数据得出，在中国现阶段，中小金融机构市场份额的上升对经济增长具有显著的正向影响。贺小海和刘修岩（2008）[7]利用样本期为1987—2004年的省级面板数据得出中国各省区银行业结构对经济增长的影响为负，并且东、中、西部区域银行集中度降低将促进经济增长。但以上文献均依赖于省级层面数据，截至目前尚未见到基于更低层面（地市级或县级）数据来分析银行业结构变化对经济增长的影响。

基于中国2006—2010年各县域数据所构成的县级面板数据，本文实证分析了农村银行业结构对农村经济增长的影响，为关于二者关系的理论研究提供一个来自中国农村的经验证据。本文其他部分结构如下：第二部分从理论上分析中国农村经济增长的“最优银行业结构”；第三部分为选择分析变量、设定计量模型、介绍数据来源并对主要变量进行描述统计；第四部分是对计量结果的解释；第五部分是稳健性检验；最后一部分是研究结论及相应的政策建议。

二、中国农村经济增长的“最优银行业结构”

目前，中国农村基本上形成了以商业银行、政策性银行和信用合作社为主体的金融体系。由于农业信贷的高风险、低回报与商业银行的经营理念相背离，所以从1999年开始，四大国有商业银行逐步从农村地区撤出，目前已基本取消了县一级分支机构的放款权。当前县域农村金融服务的供给主体包括农业发展银行、农村信用合作社（或改制而来的农村合作银行、农村商业银行）、中国农业银行以及中国邮政储蓄银行等金融机构，此外还有其余三大国有商业银行在农村地区设立的少量分支机构。但是从现有的农村金融机构看，中国农业发展银行的主要任务仅限于承担国家规定的政策性金融业务，基本上不直接对农户和小企业办理业务；农业银行在2007年后坚持三农的市场定位，但其经营中心仍在城市工商业；中国邮政储蓄银行从2007年开始涉足农村小额贷款业务，但规模很小。农村信用合作社基本上垄断了对农村中小企业提供信贷服务（田杰等，2012）[8]。

农村金融体系的改革导致了农村正规金融中合作性金融、政策性金融和商业性金融之间发生了此消彼长的结构变化。尤其是2007年以来，中国启动了新一轮农村金融体系改革，逐步放宽了农村金融市场的准入标准，推进农村金融组织创新，提高了农村金融市场竞争强度。例如2007年开始在四川等6个省区开展新型农村金融机构试点改革工作，并扩大到全国31个省区市，截止到2010年底，全国成立了319家新型农村金融机构，而且贷款的80%以上投放于三农和小微企业。

农村经济的发展必然要求出现与之相匹配的农村银行业结构，那么，就中国农村地区而言，当前的农村银行业结构是否促进了农村经济增长？大量的文献研究了银行业结构变化与经济增长的关系，大多数都是基于林毅夫等（2008）[3]提出的“最优金融结构”理论展开实证研究的，本文也同样基于这一理论分析其在农村地区的适用性。根据“最优金融结构”理论，在现代低收入国家，区域性的中小银行应当成为金融体系的重要组成部分；而在现达国家，大银行和金融机构应当在金融体系中发挥主导作用（林毅夫等，2008）[3]。按照这一逻辑，中国农村银行业市场选择较低的集中度将有利于促进农村经济增长。但是这一理论在中国农村地区成立必须满足两大基本前提：

1. 中国县域农村地区的要素禀赋与比较优势。每个国家在经济发展的不同阶段具有不同的要素禀赋，其产业选择也应与本国的比较优势相一致，如在劳动力充裕的国家中，选择发展劳动力密集型的产业更有利于分工合作及本国经济的发展（林毅夫 等，2008）[3]。当前县域农村地区集中了中国80%的人口，吸纳了65%的农村劳动力，发展劳动力密集型产业具有比较优势。同时这些劳动力密集型产业中的企业规模都比较小，且绝大多数设立在县域内。在当前中国推进农村城镇化建设的大背景下，中小企业的发展成为促进中国县域农村经济结构调整、推动县域农村经济社会发展的重要力量。

2. 农村银行业基于规模的专业化分工。即县域内的大银行主要向大企业提供贷款而小银行主要向小企业贷款，不同规模的银行分工的形成主要是考虑到以下两种因素：（1）风险分散。县域内的农业银行等大型商业银行资产规模大、风险承受能力强，有能力为资金需求大的大型企业和风险较高的创新型企业提供贷款。而农商行、村镇银行等由于资产规模小、风险承受能力弱，难以为上述企业提供贷款，它们更倾向于对小企业和微型企业提供额度相对较小、回收期较短、风险较小的贷款支持（田杰 等，2012）[8]。（2）信息不对称。大企业一般都能提供财务报表等易于传达的“硬信息”，而小企业由于规模小、组织结构不健全、无法提供完整的财务报表等“硬信息”，更多的是关于不易于传达的软信息（比如企业家个人品质和能力等）。大企业和小企业由于自身传递信息的差别导致了大银行更适合监督大企业，中小银行更适合监督小企业。而且县域内的中、农、工、建等大银行组织结构庞杂、信息传递路径长，难以依赖“软信息”进行决策，一般要靠财务报表等直观的“硬信息”。相比而言，县域内的中小银行，比如农信社、农商行、村镇银行、资金互助社等由于结构简单、信息传递路径短，在处理“软信息”方面具有优势。

通过以上分析可以看出，农村信贷需求的特点和要求必须符合农村企业的自身发展状况及融资特点。农村金融供给的分层与多元化由农村金融需求的分层决定。因此，国家多次出台政策鼓励在县域农村地区设立与农户和农村小微企业信贷需求特点相适应的多种形式的新型农村金融机构（包括村镇银行、贷款公司、资金互助社以及小额贷款公司等），明确各涉农金融机构职责，优化其结构和功能定位，最终在县域农村地区构建以合作金融为基础，商业性金融和政策性金融分工协作的多层次、多元化、广覆盖、可持续的农村普惠金融体系。因此，中国农村“最优银行结构”应该是以区域性的中小银行为主体，这将有效促进农村经济增长。

三、分析变量、模型设定与数据来源

（一）分析变量的选择

1. 农村银行业结构。在有关银行业结构与经济增长关系的实证研究中，对银行业结构指标的选择是一个至关重要的问题（邹薇，蒋泽敏，2009）[9]。考虑到数据的可获性，现有文献对银行集中度的度量主要采用CRn（最大规模的n家银行的资产占所有银行总资产的比例）。本文采用赫芬达尔指数（Herfindahl Index，HHI）。HHI同时涵盖了所有银行的数量及市场份额差异程度的信息，但是要求计算出每家银行所占的市场份额，对数据的需求量非常大，中国银监会农村金融图集比较详细的提供了每家银行的存款和贷款总额，从而使本文能够使用HHI指数进行计算，弥补了以往文献的不足。HHI指数用一个地区内任一银行的市场份额的平方和来计算，具体形式为：

其中Dj，k表示第j个银行在第k个地区的分支机构所获得的存款或发放的贷款。HHI指数的变化范围为0到1，数值越趋近于0时表示银行集中度越低，竞争越大；而越趋近于1时表示银行集中度越高。本文中农村银行集中度用贷款集中度（CRL）来表示。

2. 农村经济增长（Y）。用人均GDP取对数的数值代表农村经济增长。

3. 控制变量的选取主要是参考了以往文献中关于影响经济增长的因素，主要包括：（1）教育发展水平（EDU）。教育发展对经济增长有显著的促进作用。（2）产业结构（IS）。用来反映地区的产业结构优化升级情况，本文预期其能显著地促进经济增长。（3）政府财政支出（GEB）。用来衡量地方政府对经济活动的参与程度。一般认为政府的参与程度越高，对经济发展越不利。（4）投资水平（Inv）。根据经济增长理论，投资水平的提高能显著拉动当地经济增长。（5）农村金融发展水平（FD）。当前农村金融发展由于结构和功能失衡，没有促进农村经济增长。（6）城镇化水平（UR）。城镇化水平的提升能显著地促进农村经济增长。每个变量的含义及具体赋值见表1。

（二）模型设定

本文设立实证模型主要是分析中国农村银行业结构的地区差异对各地区农村经济增长的影响，也就是说农村银行业结构变化是否构成农村经济增长的一个影响因素。参考林毅夫和孙希芳（2008）[3]、贺小海和刘修岩（2008）[7]的回归模型，结合中国农村的实际情况及数据的可得性，本文设立如下的回归模型：

其中，Y表示农村经济增长，HHI表示农村银行业结构（用贷款集中度CRL表示），X表示其他控制变量，包括政府财政支出比例（GEB）、农村金融发展水平（Fd）、固定资产投资水平（Inv）、城市化水平（UR）、产业结构（IS）、教育发展水平（EDU）。

（三）数据来源

本文以上变量的数据时间为2006—2010年，数据来源于2007—2011《中国县（市）社会经济统计年鉴》、中国银监会官方网站中农村金融图集收集的2006—2010年各个县市的银行类和经济类统计数据及国研网县级经济数据。剔除数据缺失或数据不合格的样本县（市），最终选取了1 868个县（市）作为本文的样本数据，占中国2 070个县（市）的90.3%，能够代表中国农村地区。

在计算农村银行业市场结构（HHI）指标时，本文用中国县域内不同银行类金融机构的存款和贷款的市场结构来衡量，涉及的银行及银行类金融机构包括中国农业银行、中国工商银行、中国建设银行、中国银行、农信社（农村商业银行或农村合作银行）、其他商业银行、城市信用社和其他金融机构，其中的中国工商银行、中国建设银行和中国银行是加总后的数据，这并不影响本文的研究，可以把它们看作是一家大型的商业银行。其他不同类型的金融机构数据详细。因此本文计算出的农村银行业集中度是可靠的、详细的。

现有文献将市场结构划分为寡占型、适度集中型和低集中度三种类型，本文用HHI指数计算的中国农村银行业集中度可以划分如表2所示的三种类型，从表2中可以看出，2006—2010年中国农村银行业结构一直属于寡占型。

四、实证分析

本文选取的各解释变量之间可能出现的多重共线性会影响到结果的精确性，所以首先要对各解释变量之间的相关系数进行测定，然后使用Klein法则进行判别。根据Klein法则判断原理：若两个变量之间的简单相关系数的绝对值大于回归模型中的多重决定系数（R2），则二者之间可能会存在严重的多重共线性问题。如表3所示，各个解释变量间的相关系数绝对值都小于多重决定系数0.623，因而根据Klein法则，可以初步判断本文选取的变量不存在严重多重共线性问题。为了进一步判断模型中的变量是否存在多重共线性，本文依次加入变量进行回归。

根据设定的回归模型，本文使用EVIEWS6.0软件，以农村经济增长为被解释变量对样本期为2006—2010年的县级面板数据进行分析，逐步带入变量进行回归，得到如表4所示的模型（1）到模型（7），然后使用HAUSMAN判断表4中的7个模型都在1%的统计水平上拒绝随机效应估计，因此采用固定效应模型进行估计是比较合适的。但是仅仅进行固定效应模型回归可能忽略了模型存在的异方差性和内生性，所以必须尽可能将其消除。

首先分析模型中可能存在的内生性问题。表4中模型（1）对农村银行集中度的回归系数在1%的水平上显著为负，但是这个结论是不可靠的，因为模型忽略了可能存在的内生性问题。内生性指的是由于存在解释变量与误差项相关，所以导致了违背经典线性回归模型的一个假设cov（εi，xi）=0，这样得出的结果是估计有偏和非一致的，即使无限增大样本的容量，估计也是有偏误的。一般来说导致内生性的可能原因有三个：一是农村银行集中度与农村经济增长互为因果，即农村银行业集中度的降低促进农村经济的增长；同时，农村经济增长也可能导致农村银行业集中度的下降；二是基本回归模型中遗漏了影响农村经济增长的重要控制变量；三是测量误差。在统计数据中，误差难以避免。现有文献中处理内生性的方法有三种：一是寻找工具变量。林毅夫等（2008）[3]选用1994年启动的国有银行商业化改革的政策因素来构造银行业结构的工具变量，但在本文中选取的数据虽然也发生了2007年的农村金融体系改革，但是总的样本时期太短，而且在统计数据时也没找到合适的工具变量，因此只能尽量地控制住其他因素，把农村银行业集中度对农村经济增长的影响分离出来，而且更多遗漏的重要控制变量的加入，也可以尽量消除内生性。二是用农村银行集中度的前一期或前几期数据。但是本文数据只有5年的时间，所以也放弃这种方法。三是面板数据模型也能解决内生性。

本文使用的是2006—2010年1 769个县（市）的面板数据，属于宽截面、短序列面板数据，可能会存在异方差性。因此有必要进行white异方差检验以确定模型中异方差的存在，然后使用PCSE对异方差进行修正。从表4可以看出，DW值在接近2，因此可以基本判断不存在严重的序列相关性。

模型2到模型7依次加入控制变量投资水平（Inv）、农村金融发展水平（Fd）、政府财政支出（GEB）、教育发展水平（EDU）、城镇化水平（UR）、产业结构（IS）。模型2中加入投资水平（Inv）后，与农村经济增长成负相关，这显然违背经典经济增长理论。因此在模型3到模型6中，去掉了投资水平（Inv）变量，继续加入其他变量进行回归，结果都表明农村银行集中度与农村经济增长在1%的水平上成显著的负相关。模型7中对所有的变量进行回归，结果仍然是一样的。这表明农村银行贷款集中度的下降将有效促进农村经济的增长，从而验证了本文的理论假说：中国农村“最优银行结构”应该是以区域性的农村中小银行为主体，这将有效促进农村经济增长。

表4也展示了各控制变量的系数及其统计显著性，农村金融发展水平（Fd）与农村经济增长在1%的水平下成显著的负相关，验证了以往文献提出的农村金融存在功能和结构失衡的观点。政府财政支出（GEB）与农村经济增长在1%的水平成显著的负相关，表明政府干预过多不利于农村经济增长。教育发展水平（EDU）的发展、城镇化水平（UR）提升和产业结构（IS）的优化将有效地促进农村经济增长。这与以往文献的研究结论是一致的。

五、稳健性检验

为了得到稳健的估计结果，本文将用其他衡量农村银行集中度的指标做稳健检验。度量银行集中度的指标有CRn指数、H统计值和Lerner指数，也有学者采用金融机构网点数来度量。考虑到数据的可得性，本文选用行业集中度指数CRn指数。以往文献在度量这一指数时考虑到中国四大国有银行在贷款市场占据了相当大的一个份额，所以用四大国有银行的贷款余额占比来表示。而在县域农村地区，农村信用社、农业银行以及农业发展银行占据了农村金融市场较大的贷款份额，因此本文用三家银行所占贷款市场份额来度量农村银行业集中度，相应的指数表示为CR3。因此计量回归模型设定为：

其中，CR3具体度量值为农村信用社、农业银行以及农业发展银行三家银行的贷款数之和占农村地区总贷款余额的比重，其他控制变量不变，并进行了同样的检验。具体的回归结果如表5所示。

表5的回归结果显示，模型（1）中只加入农村银行业集中度（CR3），与农村经济增长在1%的水平显著负相关，然后模型中逐步加入控制变量，结果仍然是在1%的水平上与农村经济增长的相关性显著为负。以上的结果充分验证了本文的结论是稳健可靠的。

六、结论与政策建议

随着农村地区金融体系的改革，各类新型农村金融机构纷纷参与到农村市场，有利于改善农村地区的银行业结构，促进了农村地区金融业发展。基于这一重要的研究背景，本文使用来自中国2006—2010年1 769个县（市）的面板数据检验了农村“最优银行业结构”假说，研究结果表明农村银行业结构的下降促进农村经济的增长。然后本文使用CR3度量的银行集中度来检验其对农村经济增长的影响，结果仍然是稳健可靠的。

根据以上的研究结论，本文提出以下政策建议：降低农村地区金融机构的设立标准，提高农村金融机构审批效率，鼓励和引导各类资本发起设立农村金融机构，增加农村中小型金融机构的数量，建立集中度较低、竞争水平较高的农村金融体系；改善农村金融机构的市场坏境，促进农村金融机构的发展；制定有利于农村金融机构发展的税收政策。国家可以通过实施优惠的税收政策，促进农村金融机构的发展，改善金融服务，最终实现促进农村地区经济的增长。

参考文献：

[1]Mitchell A. Petersen and Raghuram G. Rajan. The Effect of Credit Market Competition on Lending Relationship[J]. Quarterly Journal Of Economic，1995，110（2）：407-443.

[2]Nicola Cetorelli and Pietro F. Peretto. Oligopoly Banking and Capital Accumulation. IDEAS Working Paper Series， 2001.

[3]林毅夫，孙希芳.银行业结构与经济增长[J].经济研究，2008，（9）.

[4]李琼，刘建军.中国银行业市场结构与经济增长[J].价值工程，2005，（2）.

[5]王红.银行结构与经济发展：中国银行业的实证分析[J].经济学家，2005，（5）.

[6]谈儒勇，叶海景，范坤祥.我国各地银行集中度与经济增长关系的实证研究[J].当代财经，2006，（12）.

大数据金融论文篇（10）

中图分类号：F8327文献标识码：A文章编号：2095-3283（2016）11-0096-03

[作者简介]刘强（1981-），男，汉族，山东临沂人，讲师，硕士，研究方向：区域金融；毛春元（1962-），男，汉族，江苏无锡人，副教授，硕士，研究方向：经济系统建模；黄萍（1977-），女，汉族，广西合浦人，讲师，硕士，研究方向：区域经济。

[基金项目]江苏省教育厅高校哲学社会科学基金项目“江苏沿海金融生态与经济增长的实证研究”（项目编号：2014SJB650）。

一、理论综述

自周小川提出金融生态的概念以来，越来越多的学者对金融生态内涵以及金融生态环境与经济增长的关系进行研究和分析。从现有的国内外文献看，经济学家对金融生态系统与经济增长的研究主要有以下三种结论：一类是认为金融生态系统在某种程度上极大地促进了经济增长；一类是金融中性论者；还有一类则认为金融生态系统对经济增长的促进作用不明显。更多的经济学家倾向于第一类结论，并用大量的实证研究证明了这一点。温智[1]以江西省为例，对区域金融生态环境与经济增长效率进行了实证研究，于平，逯进[2]等以我国省级面板数据为例，研究了金融生态与经济增长的关系，上述研究结果表明金融生态于经济增长之间存在双向格兰杰因果关系，金融生态对经济增长的影响存在较大差异；周琼[3]对江苏省金融生态系统与经济发展的关系进行了实证分析，结果表明江苏省金融生态环境是不断完善的，但二者之间有不完全的双向因果关系存在；张爱菊[4]等基于面板数据从生态足迹这一新的视角，通过对经济增长的分析来衡量中部六省经济的可持续发展能力，结论表明，每个省都应该依据各个省份的实际生态环境情况去制定相应的经济发展战略，不能盲目跟风。

作为中国的经济大省，江苏省的沿海城市与全国其他沿海城市经济差距很大，甚至与许多省内非沿海城市也存在较大差距。一个共同的经济体内部的经济发展应该是大致相同的，也就是一个统一的经济体内部的各个地区，他们的市场和赖以发展的经济环境不应该存在很明显的金融生态系统的差异。因此，及时地了解江苏沿海地区金融生态环境与经济增长之间的关系有助于找出以上问题的原因。

二、模型介绍

面板数据模型同时利用时间和截面两个维度的信息，反映出比单独使用截面数据或时间数序列数据更为真实的变量变化过程，能够更好地刻画出个体效应，避免因为信息遗漏造成的偏差，使估计结果更加真实。面板数据模型主要有以下三种类型：

第一：固定效应模型

该模型是将个体效应反映在模型截距项的差异上，模型回归形式如下：yit=xitβ+αi+εit，αi表示不同的截面个体截距是不同的，因此一种解决的方法就是引入个体虚拟变量，可以将其变成一般线性回归的形式，这样就可以运用普通最小二乘法估计参数了。

第二，随机效应模型

随机效应模型假定观察不到的个体效应存在，并与解释变量不相关。其形式可以表示如下：yit=xitβ+α+ui+εit，该随机效应模型设定为ui为一个随机元素。随机效应模型可以看成是一个拥有随机常数项的模型。

第三，变系数模型

变截距模型反映了解释变量外的其他因素对解释变量的影响，该影响对所有的截面可以是无差异的，也可以在时点或者截面个体上是有差异的。当存在差异影响时，变截距模型是无法反应的，此时，需要考虑用变系数模型。变系数模型的基本形式是：yit=xitβ+αi+εit，根据截距项与解释变量的相互关系，固定影响变异系数模型与随机影响变异系数模型也是变系数模型的一种。

三、实证研究

（一）指标的选择和数据说明

结合江苏省沿海三市的经济与金融发展情况，主要选取金融主体、经济基础、政策环境、社会保障和文化五个一级因子对金融生态环境影响进行研究。基于数据的可得性和指标的相关性，在一级因子下拓展几个相对比较有代表性的二级因子和三级因子，具体见表1。

反映经济增长的指标主要是选取人均GDP，人均GDP常作为发展经济学中衡量经济发展状况的指标，是了解一个地区宏观经济状况的有效工具。

本文原始数据来自江苏省统计局以及各地方性的统计信息网、统计年鉴和WIND数据库，使用的统计软件是Eviews60。考虑到数据的可获得性和数据的代表性，同时也为了消除指标间的量纲差异，将原始数据进行标准化处理。本文所选取的时间区间为2005―2015年。

（二）金融生态指数的测度

金融生态指数的测度主要分两步进行，一是对一级因子采用AHP方法来确定各项的指标权重，二是对二三级因子运用算数均值的方法进行加权求和。通过阅读大量的相关文献进行主观矩阵的判断，然后通过层析分析法确定的一级因子各项权重的计算方法如下：

构造主观判断矩阵：通过阅读大量的相关文献和综合分析，不难看出，金融主体、经济基础、政策环境、社会保障和文化对金融生态指标都有不同程度的影响，但是有主有次，结合二三级因子的数据可以初步建立起感觉判断矩阵如下：

135691/313571/51/31361/61/51/3151/91/71/61/51

计算客观判断矩阵。结合建立的感觉判断矩阵，可以得出此矩阵的5个特征值，选取最大的特征值λ=53841，从而可以得出其特征向量为x=（08514，04503，02306，01285，00509）。

计算归一化权重。由特征向量我们可以得到金融生态环境指标一级因子的权重值是：wx=（04974，02631，01347，00751，00297）。将标准化之后的数据与其权重进行逐级的加权求和，得到金融生态环境综合指数（X）与经济增长综合指数（Y）。

（三）Granger因果检验

为了进一步证明金融生态环境与经济增长是相互影响、相互作用的。通过Eviews60来判定两者的格兰杰因果关系，检验结果如下。

在5%的显著水平下，金融生态综合指标是经济增长综合指标的格兰杰原因，相反，经济增长综合指标也是金融生态综合指标的格兰杰原因。也就是说，金融生态和经济增长是相互影响、相互作用的。那么可以建立面板数据模型进一步去研究金融生态对经济增长的影响。

（四）面板数据模型的构建

首先为了确定面板模型的影响形式，对面板数据进行Hausman检验，从而选择是采用固定效应模型还是随机效应模型。

根据金融生态与经济增长综合指标的相关数据进行Hausman检验，检验的结果如表3：

从表3中的Hausman检验结果可以看出，P值小于005，所以应该拒绝原假设（随机效应模型），因此选择固定效应模型。

在确定选择固定效应模型后，通过F检验来确定面板模型形式；

H01：α1=α2=……=αn和β1=β2=……=βN

H02：β1=β2=……=βN

H01成立时的自由度为NT-1-k，所对应的回归模型的残差平方和为S1；

H02成立时的自由度为NT-N-k，所对应的回归模型的残差平方和为S2；

变系数模型的自由度为NT-N（k+1），所对应的回归模型的残差平方和为S3。

H01对应的统计量

F1=（S3-S1）/[（N-1）（k+1）]S1（NT-N（k+1））

～F[（N-1）（k+1），N（T-k-1）]

H02对应的统计量

F2=（S2-S1）/[（N-1）k]S1（NT-N（k+1））

～F[（N-1）k，N（T-k-1）]

若接受H01，则采用混合回归模型；若拒绝H01接受H02，那么则采用常系数回归模型；否则，采用变系数模型。

计算F1=325487，F2=167547，其中N=4，k=3，T=10，查F005（12，24）=218，F005（9，24）=230，因此在5%的显著性水平上应该同时拒绝假设H01和H02，所以应选择变系数模型。

（五）实证结果分析

以经济增长指数Y为因变量，以金融生态环境指数为自变量，为了更好地了解金融生态环境各指标对经济增长指数的影响，将金融生态环境分成金融主体x1，经济基础x2和社会环境x3（包含了政策环境、社会保障和文化）三部分，构建变系数模型，结果见表4。从模型中可以看出，R-squared=09885，值为0―1之间，而且比较接近于1，拟合度非常好。另外，D-W stat =16221。从SUR模型整体上来看是比较显著的，也就是说自变量在一定程度上可以解释因变量的波动。

由表4可以分析金融生态环境对经济增长的具体影响有以下几点：

1从模型估计结果可以看出，金融主体在整个金融生态综合指数中的影响是最大的，其次是经济基础和社会环境（政策环境、社会保障、文化）。从截距项来看，江苏沿海三市的取值都大于0，说明江苏省沿海金融生态对经济增长的效应是比较强的，其中影响最为突出的是南通，高达12238965，是盐城的15倍，是连云港的17倍。而影响经济发展的几个要素都可以归类到金融生态环境的各影响因子中，所以优化金融生态环境对促进江苏省沿海经济快速增长是非常可行的。

2从金融主体Lnx1来看，江苏沿海三市的取值都是正数，说明这三市金融主体的变化对经济增长影响显著，与经济增长都是正相关，值越大，对经济增长的贡献也就越大。金融主体主要从银行业、保险业、证券业的相关指标进行分析。金融主体所代表的金融生态指数对连云港的影响最大，金融生态指数每增加1%，对应的GDP会增加1349%。

3从经济基础Lnx2来看，和金融主体一样，指标都为正数。这说明一个城市的开放程度、产业结构、集约化程度在一定程度上都对经济增长产生正相关影响。

4从社会环境Lnx3上看，无论是政策环境、社会保障还是文化程度都对江苏省沿海三市经济增长有一定的影响，特别是对盐城的影响最大。

四、结论与建议

从实证分析结论可以看出，江苏省沿海的金融生态环境与经济增长呈正相关关系，并且二者相互影响、相互作用。从金融生态综合指标来看，金融主体对经济增长的影响最大，即在国内生产总值一定的基础上，如果金融体系越发达，那么金融资产价值也就越大，从而金融相关系数也会越高。这也很好地体现了金融机构对经济增长的资金支持力度。也正是因为金融机构对地区发展的不懈支持，江苏沿海三市经济才能持续稳定发展，也从侧面说明了除了银行外，保险业和证券业对经济的促进作用，也应该大力扶持这两个行业。

[参考文献]

[1]温智良区域金融生态环境与经济增长效率实证研究：以江西为例[J]武汉金融，2008（8）

[2]于平，逯进，陈希兰，卢佳瑛金融生态和经济增长的关系――基于我国省域面板数据的实证研究 [J]青岛大学学报，2013（11）

大数据金融论文篇（11）

一、文献述评

作为公司金融的研究重点，融资约束对公司经营的影响及企业的财务管理模式很早就引起了学者的兴趣。凯恩斯（1936）认为，企业持有流动性的一大好处是可以把握有价值的投资机会。相应地，如果企业面临融资摩擦（financing friction），流动性管理就成为企业管理者必须考虑的重大问题。

传统的理论通过企业的投资行为来考察融资约束对企业经营的影响。然而，自Kaplan和Zingales（1997）以来，以上结论受到了多方面的质疑，最具挑战性的观点有两个：一是Tobin’Q的衡量偏误；二是投资―现金流敏感性能否作为判断融资约束存在与否的依据。

针对以上问题，Almeida and Campello et al.（2004）等提出了另外一种检验融资约束假设的思路：面临融资约束的公司需要储备现金以保证后续投资项目的实施，而非融资约束公司则没有这种需求。因此，融资约束公司将表现出强烈的现金―现金流敏感性，而非融资约束公司的现金持有政策则不受现金流量多寡的影响，也就不会表现出现金―现金流敏感性。

在我国，负债率高的公司具有比较明显的特点：一是国有控股的可能性大。二是资产规模比较大。从我国实际情况来看，由于银行贷款仍然是公司主要的外部融资渠道，越大的公司，可以提供更多的担保，银行需要承担的监督成本也越小。基于上述分析，本文提出如下假设：公司的负债率越高，规模越大，面临的融资约束程度越低。

这就引入一个新的问题：如何划分融资约束与非融资约束样本，进而考察不同样本的融资约束程度？以往的文献多采用主观判断的分类法，例如按照企业负债率、资产规模或分红的三分位、四分位数划分样本，为什么高（低）分位数样本就是非融资约束组？依据是什么（张文君，2014）？为此Hansen（1999）提出了面板门限模型（panel threshold model），该模型的基本思想是利用统计检验的方法基于数据本身对样本进行分类，这在很大程度上缓解了先验判断带来的偏误。

基于上述考虑，本文将利用面板门限―现金―现金流模型实证检验融资约束假说。

二、模型与数据

为了保证可比性，本文亦使用Almeida and Campello et al.（2004）的基础模型，并以此为基础构建门槛模型，如方程（1）所示，

其中， 和 分别为被解释变量（现金持有变化）和主要解释变量（现金流量）， 为示性函数，qit为Tobin’Q，为企业规模，rit为门槛变量，和大多数文献一样，本文使用企业负债率和企业规模作为门槛变量， 、 为相应的双门限值3，下标 分别为个体和时间标识符。

面板门限模型的求解主要包括两步：一是对门槛效应的检验，二是门槛值的求解。本文的数据来源于Wind数据库，选取全部A股上市公司2008――2015年的数据，进一步的筛选原则如下：（1）剔除金融类和ST类公司；（2）剔除有数据缺失的企业；（3）剔除财务数据异常的样本。最终得到1469家公司作为研究对象，共计10283个公司年度观察值。

三、实证结果与分析

本文采用不同的门槛变量，得到了一致的检验结果――模型中存在两个门槛值，即对于不同负债率（公司规模）的公司而言，由于其面临不同的融资约束，因而其现金―现金流敏感性是不同的。

根据负债率作为门槛变量，取公司规模作为门槛变量。得出以下结论：（1）低负债率样本的现金―现金流敏感性系数显著为负，这意味着低负债率反映了公司上佳的财务状况，因而能够有效缓解公司的融资约束，中等负债率和高负债率的现金―现金流敏感性系数为正，且中等负债率样本的系数为0.315，显著大于高负债率样本的0.0172，这部分验证了前文提出的假说――公司的负债率越高，面临的融资约束程度越低。同时，从样本的分布范围来看，低负债率的样本数只有133个，显然，负债率低于8%是一项要求极高的财务指标，企业的资金来源几乎全部来源于内源融资。中等负债率的样本数占到了总体的74%，高负债率的样本数达2542，占比24.7%，其中国企样本数达到1668家，这在一定程度上印证了前文的一个论断――负债率越高的公司国有控股的可能性也越大。（2）若以公司规模为门槛变量，则结果同样支持前文提出的假说――公司规模越大，面临的融资约束越小，大规模公司的现金―现金流敏感性系数为0.326，小于中等规模公司的系数0.445，令人意外的是，小规模公司的系数居然为负。但相比于负债率组，样本分布发生了很大变化，属于中等规模的样本数仅有333家，仅为全部样本数的3%，这样，对整体进行门槛回归已经没有太大的意义，但注意到第二个门槛值95%的置信区间为（447.773，10088.099），这是一个相当大的取值范围，事实上，若以10088.1为临界点划分样本，则中等企业规模的样本数达到2290。（3）几乎所有样本的现金―现金流敏感性系数均显著为正，这意味着绝大多数公司都面临着“融资约束”难题，关键在于，不同类型的公司面临的融资约束程度不同，高负债率通常也是大规模的企业，现金―现金流敏感性系数显著小于中等负债率或中等规模的企业，即前者面临的融资约束弱于后者。

四、结论与启示

本文以Almeida and Campello et al.（2004）的研究为基础，从现金―现金流敏感性角度检验了融资约束假说在中国的实用性。本文的实证结果主要有以下发现――区e于以往研究，本文发现，融资约束普遍存在于中国的上市企业中，融资约束对中国上市公司的现金持有行为具有重要影响，具体表现为，负债率越高、资产规模越大的公司面临的融资约束越弱，而中等负债率或中等规模公司则表现出更加强烈的现金―现金流敏感性。这直接验证了本文提出的理论假设。

融资约束显著影响上市公司现金持有行为这一结论具有重要的政策含义。对于企业而言，持有较多现金虽然可以在一定程度上缓解外部资金压力，提高企业投融资决策的自主性，但同时要承担较大的流动性成本，对企业管理者提出了很高的要求。除此之外，促进金融市场的发展，加快银行改制、培育和发展公司债券市场等有助于拓宽公司融资渠道的手段则是破解融资约束难题的根本之道。

参考文献：

[1]连玉君， 程建. 投资――现金流敏感性： 融资约束还是成本？[J]. 财经研究， 2007，33（2）：37-46.

[2]Myers S C. Determinants of corporate borrowing[J]. Journal of financial economics， 1977，5（2）：147-175.