论文摘要：长株潭城市群建设国家区域性金融中心可行性的实证分析-论文网
论文关键词：长株潭,城市群,建设,国家,区域性
长株潭作为我国中部核心城市之一，到底是否有可能建设形成国家区域性金融中心，以推动中部崛起和“两型社会”建设呢？本课题拟以因子分析法来对此进行实证分析。
一、分析的模型与数据来源
1.因子模型分析模型的基本思想
因子分析是通过对多个变量间相关系数矩阵的内部联系与依赖性的关系研究，从多个先是变量中的概括出少数几个抽象的变量，这些变量能最大限度的解释观测变量，这些变量通常称为因子。因子对比初始变量有以下几个特点：第一，因子分析中得出并运用的因子往往大大少于初始变量。第二，因子的概括性很强，能反映初始变量的绝大部分信息。第三，各因子之间的不存在显著的线性关系。第四，因子能获得对客观实际的新的解释能力。因此因子分析的目的就在于减少变量的数目，用较少的因子代替所有变量去分析整个经济问题。
2.样本的选取与数据来源
根据上面金融中心形成的基本条件可知，国内区域性金融中心必须建立在经济，金融实力比较强，具备区位优势，拥有良好商业环境和充足的人力资本的城市。基于此，本课题以全国30个省会城市(除拉萨市)为样本，采集这些城市2007年的21个评价指标的截面数据。数据来源于《2008年中国城市统计年鉴》和各个城市的统计年鉴，以及《中国城市竞争力年鉴2008》。用统计软件SPSS17.0对全国30个省会城市构建金融中心的竞争力进行实证分析，并最后给出综合实力评价。
二、KMO和球型Bartlett检验
在SPSS中，可以通过Bartlett球形检验，从相关系数矩阵来判断各初始变量是否具有相关性。只有变量间彼此相关，才能提取公因子。而KMO检验用于检验变量间的偏相关性，取值越接近于1，变量间的偏相关性越强,即变量间的共同因素越多，越适合进行因素分析，因子分析越好。根据Kaiser的观点，如果KMO的值小于0.5时，不适合进行因子分析，大于0.5并且小于0.7可以尝试因子分析，大于0.7适合因子分析。检验结果见表1。
表1KMOandBartlett'sTest
|
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
|
0.811
|
|
Bartlett's Test of Sphericity
|
Approx. Chi-Square
|
1138.781
|
|
df
|
210
|
|
Sig.
|
.000
|
由表1可知，KMO检验结果为0.811，大于0.7，说明各变量间偏相关性和信息的重叠程度很高，并且由Bartlett检验Sig接近于0可以看出，拒绝各变量相互独立的假设，即变量间具有较强的相关性。所以因子分析模型比较完美，值得操作。
三、相关矩阵R的特征值与贡献率
将表12中按经济条件、金融条件、区位条件、商业环境、金融人才分类的21个指标的原始数据通过标准化处理以后建立变量的相关系数矩阵R。计算出R矩阵的特征值、贡献率和积累贡献率，并提出主因子。
因子分析中得到的公因子对每个变量提取的信息量尽可能的多，同时公因子的个数又要求尽可能少，于是本课题中提取特征值大于1，并且累计贡献率超过80%的公因子（见表2）。
表2变量的相关系统矩阵R特征值、贡献率和积累贡献率
|
Component
|
Initial Eigenvalues
|
Component
|
Initial Eigenvalues
|
|
Total
|
% of Variance
|
Cumulative %
|
Total
|
% of Variance
|
Cumulative %
|
|
1
|
13.508
|
64.324
|
64.324
|
12
|
.061
|
.289
|
99.466
|
|
2
|
1.614
|
7.685
|
72.009
|
13
|
.036
|
.170
|
99.636
|
|
3
|
1.364
|
6.496
|
78.505
|
14
|
.028
|
.134
|
99.770
|
|
4
|
1.258
|
5.988
|
84.493
|
15
|
.023
|
.108
|
99.878
|
|
5
|
.971
|
4.622
|
89.115
|
16
|
.011
|
.053
|
99.931
|
|
6
|
.656
|
3.124
|
92.240
|
17
|
.007
|
.035
|
99.966
|
|
7
|
.509
|
2.425
|
94.664
|
18
|
.004
|
.021
|
99.988
|
|
8
|
.415
|
1.976
|
96.640
|
19
|
.002
|
.007
|
99.995
|
|
9
|
.243
|
1.155
|
97.795
|
20
|
.001
|
.004
|
99.999
|
|
10
|
.155
|
.740
|
98.535
|
21
|
.000
|
.001
|
100.000
|
|
11
|
.135
|
.643
|
99.178
|
|
|
|
|
由表2中的totalvarianceCumulative可知变量的相关系数矩阵有四大变量的特征值13.508、1.614、1.364、1.258超过了1，其积累贡献率达到了84.493%，用这4个新的变量就可以代替初始的21个变量，4个主因子已包含了原21个指标的大部分信息，并且能反映样本差异的84.493%，满足了因子分析的大部分要求，因此本课题将采取这四个公因子进行分析。
四、计算因子载荷矩阵
因子载荷矩阵反映的是主因子与各个初始变量之间的相关系数。为了更好的把握其经济学含义，采用最大方差法（Varimax）对因子矩阵进行旋转，使因子载荷矩阵中的系数向0或±1靠拢，旋转后的因子载荷矩阵如表3所示。
表3RotatedComponentMatrix
|
项目
|
Component
|
|
1
|
2
|
3
|
4
|
|
经济条件
|
地区生产总值
|
.953
|
.243
|
|
.116
|
|
地区生产总值增长率
|
|
.183
|
-.766
|
|
|
固定资产投资额
|
.925
|
.101
|
|
.237
|
|
地方财政一般预算内收入
|
.971
|
.118
|
.104
|
|
|
地方财政一般预算内支出
|
.982
|
.105
|
|
|
|
社会消费品零售总额
|
.933
|
.266
|
|
.161
|
|
人均GDP
|
.505
|
.728
|
|
|
|
金融条件
|
金融机构各项贷款余额
|
.952
|
.210
|
.131
|
|
|
年末金融机构存款余额
|
.945
|
.207
|
.148
|
|
|
保费收入
|
.950
|
.203
|
.142
|
|
|
保费深度
|
.513
|
.592
|
.233
|
-.183
|
|
区位条件
|
客运总量
|
.148
|
|
.124
|
.913
|
|
货运总量
|
.740
|
|
|
.454
|
|
人均邮电收入
|
.541
|
.396
|
.420
|
-.339
|
|
电信业务总量
|
.870
|
.172
|
.157
|
|
|
移动电话用户数
|
.853
|
.308
|
.116
|
.336
|
|
国际互联网用户数
|
.934
|
|
|
|
|
商业环境
|
社会体制
|
.657
|
.248
|
.280
|
-.134
|
|
人均绿地面积
|
|
.780
|
-.180
|
.316
|
|
城镇生活污水处理率
|
|
.103
|
.745
|
.137
|
|
金融人才
|
金融从业人数
|
.962
|
|
.135
|
|
ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.a.Rotationconvergedin7iterations.
四、计算因子得分
为了考察长株潭在中部六省各核心城市以及全国省会城市中的金融中心竞争力状况，并对其进行分析和综合评分，我们使用回归求出四个主因子的得分（见表4）。
表4RotatedComponentMatrix
|
项目
|
Component
|
|
1
|
2
|
3
|
4
|
|
经济条件
|
地区生产总值
|
.081
|
.007
|
-.050
|
.030
|
|
地区生产总值增长率
|
.047
|
.123
|
-.546
|
-.040
|
|
固定资产投资额
|
.105
|
-.091
|
-.111
|
.113
|
|
地方财政一般预算内收入
|
.108
|
-.072
|
-.037
|
-.093
|
|
地方财政一般预算内支出
|
.113
|
-.085
|
-.057
|
-.065
|
|
社会消费品零售总额
|
.071
|
.024
|
-.037
|
.060
|
|
人均GDP
|
-.044
|
.413
|
-.056
|
-.080
|
|
金融条件
|
金融机构各项贷款余额
|
.081
|
-.011
|
-.007
|
-.008
|
|
年末金融机构存款余额
|
.082
|
-.010
|
.003
|
-.048
|
|
保费收入
|
.081
|
-.016
|
.001
|
-.006
|
|
保费深度
|
-.042
|
.329
|
.110
|
-.158
|
|
区位条件
|
客运总量
|
-.050
|
.006
|
.125
|
.614
|
|
货运总量
|
.066
|
-.085
|
-.032
|
.273
|
|
人均邮电收入
|
-.021
|
.201
|
.232
|
-.246
|
|
电信业务总量
|
.073
|
-.023
|
.021
|
-.004
|
|
移动电话用户数
|
.041
|
.059
|
.011
|
.182
|
|
国际互联网用户数
|
.125
|
-.142
|
-.070
|
-.074
|
|
商业环境
|
社会体制
|
.125
|
-.142
|
-.070
|
-.074
|
|
人均绿地面积
|
-.127
|
.520
|
-.096
|
.175
|
|
城镇生活污水处理率
|
-.096
|
.062
|
.542
|
.126
|
|
金融人才
|
金融从业人数
|
.105
|
-.099
|
-.010
|
-.027
|
表4为主因子得分系数矩阵。根据系数矩阵将四个公因子表示为21个指标的线性形式。因子得分的函数为：
 J=1,2,3,4（1）
由（1）式可以算出的四个主因子得分表示出各个城市的金融中心竞争力的一个特定方面，但单独使用其中任何一个主因子得分都不能对各个城市的金融中心竞争力做出一个综合的评价。各核心城市的金融中心竞争力评价体系是由这四个主因子共同作用形成的。为此我们采用各个主因子的特征值作为权重进行加权处理，得出30个核心城市金融中心竞争力的得分函数：
F=  +  +  +  （2）
即F=0.76127*+0.90960*+0.07687*+0.07089*（3）
在上述的综合评价模型中，可计算出各核城市的金融中心竞争力综合得分以及排名（见表5）。 1/2 1 2 下一页 尾页 |
