其中,在区位因素方面,我们考虑了实有城市道路面积、人均城市道路面积、客运总量和货运总量等指标来反映区域公路、铁路、水运、航空的交通便利程度;在经济发展发面,我们以地区生产总值、人均GDP、职工平均工资、人均财政收入、人均财政支出、社会消费品零售总额、全社会固定资产投资总额和实际使用外资金额等指标来衡量区域经济发展水平;在金融状况方面,我们选择了金融机构贷款余额、金融机构存款余额、城乡居民储蓄余额、人均储蓄余额、金融业从业人员和金融相关比率等指标来评价区域金融的发展水平;在基础设施建设方面,我们使用了邮政业务收入、电信业务收入、固定电话普及率、移动电话普及率和网络普及率等指标来反映区域内基础设施条件和金融交易的便利程度。
三、区域金融中心城市定位的实证模型
(一)研究思路和方法
由于我们选择的指标较多,而且指标之间可能存在较强的相关关系,我们主要运用因子分析法来进行实证分析,其优点在于:①因子分析法将繁杂的原指标缩减成几个重要的综合因子,便于我们进一步发掘、提取原指标背后隐藏的信息;②因子分析法消除了指标之间的相关关系,使综合因子之间相互独立,减少信息的交叉,对评价十分有利;③因子分析法在确定因子权重的时候是基于指标内在的结构关系,不受主观因素的影响,有较好的客观性。
(二)样本城市的选择和数据来源
根据上述分析,区域金融中心的备选城市应该是一个地理条件优越、经济实力较强、金融行业相对发达、基础设施比较完善的中心城市,结合2008年《中国城市竞争力报告NO.6》的研究成果,我们选择了竞争力排在前50位的昆明、成都和重庆,再加上未列其中但也应作为重点考查对象的省会城市贵阳作为备选方案进行实证研究,所有数据均由2008年《中国城市统计年鉴》整理而成。
(三)西南地区区域金融中心城市定位的实证分析
1、数据的标准化处理与因子分析检验
考虑到各评价指标的单位不一致,数据的大小也不在一个数量级上,我们先将原始数据进行标准化处理,再运用KMO检验和Bartlett球形检验来判断评价指标是否适合因子分析,结果如表1所示:
表1 KMO检验和Bartlett球形检验
Kaiser-Meyer-Olkin Measure of Sampling Adequancy
0.782
Bartlett’s Test of Sphericity
Approx.Chi-square
758.612
df
23
Sig.
0.000
从表1可以看出,KMO为0.782,而巴特莱特值为758.612,显著性概率为0.000,小于0.01,即相关矩阵不是一个单位阵,适合作因子分析。
2、变量共同度表
共同度表刻画了全部因子对某变量的总方差所作的贡献,说明的是全部公因子反映原变量信息的百分比。从表2可知,各指标的共同度都比较大,说明因子分析的效果比较显著。
表2 变量共同度表
Initial
Extraction
Initial
Extraction
Z(道路面积)
1
0.918
Z(贷款余额)
1
0.971
Z(人均道路)
1
0.902
Z(存款余额)
1
0.963
Z(客运总量)
1
0.879
Z(储蓄余额)
1
0.812
Z(货运总量)
1
0.906
Z(人均储蓄)
1
0.923
Z(区域GDP)
1
0.966
Z(金融人员)
1
0.915
Z(人均GDP)
1
0.925
Z(金融比率)
1
0.957
Z(平均工资)
1
0.960
Z(邮政收入)
1
0.938
Z(人均财收)
1
0.984
Z(电信收入)
1
0.962
Z(人均财支)
1
0.792
Z(固话普及)
1
0.951
Z(消费零售)
1
0.921
Z(移动普及)
1
0.916
Z(固定投资)
1
0.990
Z(网络普及)
1
0.903
Z(使用外资)
1
0.985
Extraction Method: Principal Component Analysis.
3、总方差分解表
表3 总方差分解表
Eigenvalues
% of Variance
Cumulative %
Weights
1
14.645
62.055
62.055
0.637
2
6.933
29.377
91.432
0.302
3
1.413
5.987
97.419
0.061
从表3可知,前3个因子的累计贡献率已经达到了97.419%,满足保留原信息85%的要求,我们可以选择这3个公因子来代表全部指标的变化。
4、旋转后的因子载荷矩阵
由于未旋转的因子载荷矩阵,各因子的典型代表指标有些并不突出,不能对因子做出良好的解释,因此有必要对因子载荷矩阵进行旋转,结果如表4所示。 2/3 首页 上一页 1 2 3 下一页 尾页 |