91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

論文摘要：長(zhǎng)株潭城市群建設(shè)國(guó)家區(qū)域性金融中心可行性的實(shí)證分析
論文關(guān)鍵詞：長(zhǎng)株潭,城市群,建設(shè),國(guó)家,區(qū)域性
　　長(zhǎng)株潭作為我國(guó)中部核心城市之一，到底是否有可能建設(shè)形成國(guó)家區(qū)域性金融中心，以推動(dòng)中部崛起和“兩型社會(huì)”建設(shè)呢？本課題擬以因子分析法來對(duì)此進(jìn)行實(shí)證分析。
　　一、分析的模型與數(shù)據(jù)來源
　　1.因子模型分析模型的基本思想
　　因子分析是通過對(duì)多個(gè)變量間相關(guān)系數(shù)矩陣的內(nèi)部聯(lián)系與依賴性的關(guān)系研究，從多個(gè)先是變量中的概括出少數(shù)幾個(gè)抽象的變量，這些變量能最大限度的解釋觀測(cè)變量，這些變量通常稱為因子。因子對(duì)比初始變量有以下幾個(gè)特點(diǎn)：第一，因子分析中得出并運(yùn)用的因子往往大大少于初始變量。第二，因子的概括性很強(qiáng)，能反映初始變量的絕大部分信息。第三，各因子之間的不存在顯著的線性關(guān)系。第四，因子能獲得對(duì)客觀實(shí)際的新的解釋能力。因此因子分析的目的就在于減少變量的數(shù)目，用較少的因子代替所有變量去分析整個(gè)經(jīng)濟(jì)問題。
　　2.樣本的選取與數(shù)據(jù)來源
　　根據(jù)上面金融中心形成的基本條件可知，國(guó)內(nèi)區(qū)域性金融中心必須建立在經(jīng)濟(jì)，金融實(shí)力比較強(qiáng)，具備區(qū)位優(yōu)勢(shì)，擁有良好商業(yè)環(huán)境和充足的人力資本的城市�；�于此，本課題以全國(guó)30個(gè)省會(huì)城市(除拉薩市)為樣本，采集這些城市2007年的21個(gè)評(píng)價(jià)指標(biāo)的截面數(shù)據(jù)。數(shù)據(jù)來源于《2008年中國(guó)城市統(tǒng)計(jì)年鑒》和各個(gè)城市的統(tǒng)計(jì)年鑒，以及《中國(guó)城市競(jìng)爭(zhēng)力年鑒2008》。用統(tǒng)計(jì)軟件SPSS17.0對(duì)全國(guó)30個(gè)省會(huì)城市構(gòu)建金融中心的競(jìng)爭(zhēng)力進(jìn)行實(shí)證分析，并最后給出綜合實(shí)力評(píng)價(jià)。
　　二、KMO和球型Bartlett檢驗(yàn)
　　在SPSS中，可以通過Bartlett球形檢驗(yàn)，從相關(guān)系數(shù)矩陣來判斷各初始變量是否具有相關(guān)性。只有變量間彼此相關(guān)，才能提取公因子。而KMO檢驗(yàn)用于檢驗(yàn)變量間的偏相關(guān)性，取值越接近于1，變量間的偏相關(guān)性越強(qiáng),即變量間的共同因素越多，越適合進(jìn)行因素分析，因子分析越好。根據(jù)Kaiser的觀點(diǎn)，如果KMO的值小于0.5時(shí)，不適合進(jìn)行因子分析，大于0.5并且小于0.7可以嘗試因子分析，大于0.7適合因子分析。檢驗(yàn)結(jié)果見表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檢驗(yàn)結(jié)果為0.811，大于0.7，說明各變量間偏相關(guān)性和信息的重疊程度很高，并且由Bartlett檢驗(yàn)Sig接近于0可以看出，拒絕各變量相互獨(dú)立的假設(shè)，即變量間具有較強(qiáng)的相關(guān)性。所以因子分析模型比較完美，值得操作。
　　三、相關(guān)矩陣R的特征值與貢獻(xiàn)率
　　將表12中按經(jīng)濟(jì)條件、金融條件、區(qū)位條件、商業(yè)環(huán)境、金融人才分類的21個(gè)指標(biāo)的原始數(shù)據(jù)通過標(biāo)準(zhǔn)化處理以后建立變量的相關(guān)系數(shù)矩陣R。計(jì)算出R矩陣的特征值、貢獻(xiàn)率和積累貢獻(xiàn)率，并提出主因子。
　　因子分析中得到的公因子對(duì)每個(gè)變量提取的信息量盡可能的多，同時(shí)公因子的個(gè)數(shù)又要求盡可能少，于是本課題中提取特征值大于1，并且累計(jì)貢獻(xiàn)率超過80%的公因子（見表2）。
　　表2變量的相關(guān)系統(tǒng)矩陣R特征值、貢獻(xiàn)率和積累貢獻(xiàn)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可知變量的相關(guān)系數(shù)矩陣有四大變量的特征值13.508、1.614、1.364、1.258超過了1，其積累貢獻(xiàn)率達(dá)到了84.493%，用這4個(gè)新的變量就可以代替初始的21個(gè)變量，4個(gè)主因子已包含了原21個(gè)指標(biāo)的大部分信息，并且能反映樣本差異的84.493%，滿足了因子分析的大部分要求，因此本課題將采取這四個(gè)公因子進(jìn)行分析。
　　四、計(jì)算因子載荷矩陣
　　因子載荷矩陣反映的是主因子與各個(gè)初始變量之間的相關(guān)系數(shù)。為了更好的把握其經(jīng)濟(jì)學(xué)含義，采用最大方差法（Varimax）對(duì)因子矩陣進(jìn)行旋轉(zhuǎn)，使因子載荷矩陣中的系數(shù)向0或±1靠攏，旋轉(zhuǎn)后的因子載荷矩陣如表3所示。
　　表3RotatedComponentMatrix
　　

項(xiàng)目		Component
		1	2	3	4
經(jīng)濟(jì)條件	地區(qū)生產(chǎn)總值	.953	.243		.116
	地區(qū)生產(chǎn)總值增長(zhǎng)率		.183	-.766
	固定資產(chǎn)投資額	.925	.101		.237
	地方財(cái)政一般預(yù)算內(nèi)收入	.971	.118	.104
	地方財(cái)政一般預(yù)算內(nèi)支出	.982	.105
	社會(huì)消費(fèi)品零售總額	.933	.266		.161
	人均GDP	.505	.728
金融條件	金融機(jī)構(gòu)各項(xiàng)貸款余額	.952	.210	.131
	年末金融機(jī)構(gòu)存款余額	.945	.207	.148
	保費(fèi)收入	.950	.203	.142
	保費(fèi)深度	.513	.592	.233	-.183
區(qū)位條件	客運(yùn)總量	.148		.124	.913
	貨運(yùn)總量	.740			.454
	人均郵電收入	.541	.396	.420	-.339
	電信業(yè)務(wù)總量	.870	.172	.157
	移動(dòng)電話用戶數(shù)	.853	.308	.116	.336
	國(guó)際互聯(lián)網(wǎng)用戶數(shù)	.934
商業(yè)環(huán)境	社會(huì)體制	.657	.248	.280	-.134
	人均綠地面積		.780	-.180	.316
	城鎮(zhèn)生活污水處理率		.103	.745	.137
金融人才	金融從業(yè)人數(shù)	.962		.135

ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimaxwithKaiserNormalization.a.Rotationconvergedin7iterations.
　　四、計(jì)算因子得分
　　為了考察長(zhǎng)株潭在中部六省各核心城市以及全國(guó)省會(huì)城市中的金融中心競(jìng)爭(zhēng)力狀況，并對(duì)其進(jìn)行分析和綜合評(píng)分，我們使用回歸求出四個(gè)主因子的得分（見表4）。
　　表4RotatedComponentMatrix
　　

項(xiàng)目		Component
		1	2	3	4
經(jīng)濟(jì)條件	地區(qū)生產(chǎn)總值	.081	.007	-.050	.030
	地區(qū)生產(chǎn)總值增長(zhǎng)率	.047	.123	-.546	-.040
	固定資產(chǎn)投資額	.105	-.091	-.111	.113
	地方財(cái)政一般預(yù)算內(nèi)收入	.108	-.072	-.037	-.093
	地方財(cái)政一般預(yù)算內(nèi)支出	.113	-.085	-.057	-.065
	社會(huì)消費(fèi)品零售總額	.071	.024	-.037	.060
	人均GDP	-.044	.413	-.056	-.080
金融條件	金融機(jī)構(gòu)各項(xiàng)貸款余額	.081	-.011	-.007	-.008
	年末金融機(jī)構(gòu)存款余額	.082	-.010	.003	-.048
	保費(fèi)收入	.081	-.016	.001	-.006
	保費(fèi)深度	-.042	.329	.110	-.158
區(qū)位條件	客運(yùn)總量	-.050	.006	.125	.614
	貨運(yùn)總量	.066	-.085	-.032	.273
	人均郵電收入	-.021	.201	.232	-.246
	電信業(yè)務(wù)總量	.073	-.023	.021	-.004
	移動(dòng)電話用戶數(shù)	.041	.059	.011	.182
	國(guó)際互聯(lián)網(wǎng)用戶數(shù)	.125	-.142	-.070	-.074
商業(yè)環(huán)境	社會(huì)體制	.125	-.142	-.070	-.074
	人均綠地面積	-.127	.520	-.096	.175
	城鎮(zhèn)生活污水處理率	-.096	.062	.542	.126
金融人才	金融從業(yè)人數(shù)	.105	-.099	-.010	-.027

表4為主因子得分系數(shù)矩陣。根據(jù)系數(shù)矩陣將四個(gè)公因子表示為21個(gè)指標(biāo)的線性形式。因子得分的函數(shù)為：
　　J=1,2,3,4（1）
　　由（1）式可以算出的四個(gè)主因子得分表示出各個(gè)城市的金融中心競(jìng)爭(zhēng)力的一個(gè)特定方面，但單獨(dú)使用其中任何一個(gè)主因子得分都不能對(duì)各個(gè)城市的金融中心競(jìng)爭(zhēng)力做出一個(gè)綜合的評(píng)價(jià)。各核心城市的金融中心競(jìng)爭(zhēng)力評(píng)價(jià)體系是由這四個(gè)主因子共同作用形成的。為此我們采用各個(gè)主因子的特征值作為權(quán)重進(jìn)行加權(quán)處理，得出30個(gè)核心城市金融中心競(jìng)爭(zhēng)力的得分函數(shù)：
　　F=+++（2）
　　即F=0.76127*+0.90960*+0.07687*+0.07089*（3）
　　在上述的綜合評(píng)價(jià)模型中，可計(jì)算出各核城市的金融中心競(jìng)爭(zhēng)力綜合得分以及排名（見表5）。
　　表5全國(guó)30個(gè)核心城市的金融中心競(jìng)爭(zhēng)力得分及排名
　　

城市	得分	排名	城市	得分	排名	城市	得分	排名
上海市	2.861976	1	南京市	-0.04078	11	合肥市	-0.4126	21
北京市	2.232929	2	濟(jì)南市	-0.13112	12	南昌市	-0.42059	22
廣州市	0.735766	3	西安市	-0.16869	13	貴陽(yáng)市	-0.42245	23
天津市	0.630303	4	長(zhǎng)春市	-0.1867	14	烏魯木齊市	-0.42947	24
重慶市	0.397501	5	哈爾濱市	-0.22945	15	蘭州市	-0.46757	25
杭州市	0.166683	6	鄭州市	-0.26072	16	呼和浩特市	-0.47298	26
成都市	0.092256	7	昆明市	-0.28415	17	南寧市	-0.52017	27
長(zhǎng)株潭	0.030286	8	太原市	-0.29415	18	海口市	-0.53304	28
武漢市	0.027362	9	石家莊市	-0.32886	19	西寧市	-0.57626	29
沈陽(yáng)市	0.002927	10	福州市	-0.36281	20	銀川市	-0.63541	30

　　表5中出現(xiàn)的金融中心競(jìng)爭(zhēng)力得分正負(fù)數(shù)是由于原始數(shù)據(jù)標(biāo)準(zhǔn)化造成的，得分僅僅表示大小，不代表方向。各核心城市得分的如果為正值，則表示該城市的金融中心競(jìng)爭(zhēng)力高于全國(guó)平均水平；如果各核心城市的得分為負(fù)值，則表示其金融中心競(jìng)爭(zhēng)力低于全國(guó)平均水平。并且得分的絕對(duì)值越大，表示其偏離平均值越遠(yuǎn)。由表14的結(jié)果可以知道，上海、北京、廣州、天津、重慶、杭州、成都、長(zhǎng)株潭、武漢、沈陽(yáng)10個(gè)城市高于全國(guó)平均水平，其余20個(gè)城市均低于全國(guó)平均水平。
　　從表5可以看出，上海、北京兩城市的金融中心競(jìng)爭(zhēng)力分別達(dá)到2.861976、2.232929，遠(yuǎn)遠(yuǎn)高于其他城市，事實(shí)上這兩個(gè)城市已成為全國(guó)性金融中心，從戰(zhàn)略目標(biāo)來看，我國(guó)也只有上海和北京有實(shí)力建構(gòu)區(qū)域性國(guó)際金融中心。雖然中國(guó)城市的發(fā)展出現(xiàn)明顯的不均衡現(xiàn)象，東部城市與中西部、東北部城市之間的差距巨較大，但可以依托自身的條件建構(gòu)區(qū)域性金融中心。從中部六省的核心城市來看，僅有長(zhǎng)株潭和武漢得分高于全國(guó)平均得分，分別為0.030286和0.027362，而且長(zhǎng)株潭的得分和排名都超過武漢。這充分說明，長(zhǎng)株潭比武漢更具有建立中部區(qū)域性金融中心的綜合實(shí)力的競(jìng)爭(zhēng)優(yōu)勢(shì)。
　　誠(chéng)然，武漢在2005年即提出建設(shè)區(qū)域性金融中心，需要強(qiáng)調(diào)和說明的是，這與長(zhǎng)株潭建設(shè)國(guó)家區(qū)域性金融中心并不矛盾，反而會(huì)形成互補(bǔ)效應(yīng)。因?yàn)椋海?）即使長(zhǎng)株潭不建設(shè)國(guó)家區(qū)域性金融中心，但長(zhǎng)沙作為湖南的省會(huì)城市，仍然要建設(shè)省級(jí)金融中心，以便金融資源在全省的優(yōu)化配置，而不論哪個(gè)層次上的金融中心建設(shè)都要求具有開放性，所以綜合考慮長(zhǎng)株潭區(qū)域性金融中心的建設(shè)，并向中部、全國(guó)甚至是全球開放，更加符合金融中心建設(shè)的戰(zhàn)略目標(biāo)。（2）金融領(lǐng)域內(nèi)在聯(lián)系的特殊性不同于工商企業(yè)之間你死我活的競(jìng)爭(zhēng)，而是一種互動(dòng)與互補(bǔ)的關(guān)系。當(dāng)這種互補(bǔ)關(guān)系得到優(yōu)化時(shí)，就會(huì)形成相互推動(dòng)的擴(kuò)大效應(yīng)；當(dāng)這種互補(bǔ)關(guān)系惡化時(shí)，就會(huì)形成多米諾骨牌效應(yīng)。所以一方面，長(zhǎng)沙建設(shè)省級(jí)金融中心會(huì)對(duì)株洲和湘潭的金融發(fā)展形成優(yōu)化，株潭和湘潭的金融發(fā)展有助于長(zhǎng)沙形成區(qū)域性金融中心；另一方面，由于特殊的地位位置，武漢金融事業(yè)的發(fā)展，有助于長(zhǎng)株潭形成區(qū)域性金融中心，長(zhǎng)株潭國(guó)家區(qū)域性金融中心的建設(shè)，也有利于武漢金融中心的發(fā)展。（3）金融領(lǐng)域包括金融中心的適度競(jìng)爭(zhēng)，有利于增加金融中心的活力，提高金融領(lǐng)域的服務(wù)質(zhì)量。
　　綜上所述，長(zhǎng)株潭建設(shè)國(guó)家區(qū)域性金融中心是完全可行的。