金融生态环境指标评价体系的设计与应用

阅读材料 7-2 金融生态环境指标评价体系的设计及其应用研究 金融生态环境指标评价体系的设计及其应用研究 一、金融生态环境指标评价体系的构建 一、金融生态环境指标评价体系的构建 （一）评价指标的选择 （一）评价指标的选择 本文所设计的金融生态环境评价体系应具备以下特点：其一，能较好地涵盖 区域金融生态环境的主要构成要素，特别是核心要素；其二，所采用的指标体系 能够客观、恰当地反映构成区域金融生态环境各要素之间的权重关系；其三，所 采用的评价方法能够保证其评价结果在经济和金融学意义上可以解释。 按照层次分析法的要求，将评价的总指标分解成目标层、准则层和指标层， 在此基础上，再构建完整的指标评价体系。指标层的具体构成如表 1 所示。 表 1 国际金融中心金融生态环境指标评价体系 表 1 国际金融中心金融生态环境指标评价体系 目标层 准则层 指标层 指标类型 总人口 总体经济水平 人均 GDP 经济基础 居民生活水平 人均收入 人均贷款总额 银行业发展水平 人均存款总额 证券业发展水平 人均股票市场成交额 金融发展水平 保险业发展水平 人均保费收入 客观指标 司法公正 司法公正指数1 司法与金融监管 监管质量 监管质量指数 人才生活质量 人才生活指数 人力资本 人力资本水平 人力资本指数 区域金融 生态环境 社会诚信状况 社会信用环境 经济自由指数 主观指标 以上指标评价体系包括了 12 项具体指标，综合了客观的数量指标和主观评 价指标。其中，对应区域经济以及金融发展水平的指标都是以事实数据计算的指 标，并且选用人均指标以尽量客观的反映不同区域的金融生态环境的差异，而对 应另外三个目标层的指标，由于不可避免的要牵涉到主观感受和对纽约、伦敦、 1该指标体系中司法公正、监管质量等 6 个主观指标均引自City of London Corporation,2007,Global Financial Index2,.uk. 1 东京等国外城市的评价，因此，本文选用有关研究机构基于问卷调查和客观事实 编制的而成的指数参与评价，以期尽量完整的反映事实，但由于这部分指标混合 了主观印象，不同于上述的完全客观的数量指标，因此只能归作主观指标。 （二）评价方法 （二）评价方法 以下将分别确定客观指标和主观指标的评分方法，进而确定总体评价方法。 对于客观指标， 本文将采用因子分析的方法进行评价， 原因有二： 其一， 区 域经济与区域金融业发展密切相关，相对应的指标彼此影响，因此，不能简单地 判定哪个指标是相对重要或次要的；其二，区域经济与金融业发展指标共同反映 了区域内金融生态环境的部分情况，但又各自包含了一些相对独立的信息，故在 评价中因当尽量提取它们共同包含的信息，剔除微小的、残余的独立信息。综合 起来，对客观指标，人为地或经验地指定各指标权重是不妥当的，而因子分析是 相对较为理想的评价方法。 因子分析的原理是通过研究相关矩阵内部依存关系，将多个变量（可以观测 的随机变最，也即显在变量） 123 ,. p x x xx综合为少数几个因子 123 ,. p ffff 12 , （不 可观测的潜在变量）以再现指标与因子之间的相关关系的一种统计方法，一个完 全的因子解应包括因子模型和因子结构两个方面， 因子结构即通过相关系数来反 映指标与因子之间的相关关系， 因子模型是以回归方程的形式将指标 3.p x x xx 表示为因子 123 ,. p ffff的线性组合。 具体步骤如下： 1.对原始数据进行标准化变换： ()/ i ijiji xxxs(i=1, 2.n) 其中： 1 / n i ij j xxn ， 2 1 () /( ij ii n sxxn 1) 经标准化后， ij x 的均值为 0，方差为 1，相关矩阵为 RXX（假定标准化后 的矩阵仍记为X）。 2.求矩阵R的特征之和特征向量 标准特征方程0RI 。利用雅可比方法求出相关矩阵R的特征向量矩阵 A和特征值 12 0 3.p ，并使 FA X，其中为主因子矩阵。 F 3.建立因子模型 在因子分析中，一般将A，F分解为两部分： 12 () pmp p m AAA mp 12 () pmp p m FF F mp 则因子模型为： 112211 XAFAFA FAF 可具体写成: 2 111 112211mm1 Xa fa fafa 221 122222mm2 Xa fafafa 1 122ppppmmp1 122ppppmmpp p Xafafafa 式中， 123 ,. m ffff为主因子，分别反映某一方面信息的不可观测；为因 子载荷系数，是第i指标在第j个因子上的负荷。若某指标在某因子中作用大， 则该因子的载荷系数就达，反之亦然； ij a i 为特殊因子，实际建模中可忽略。 4.确定因子贡献及累计贡献率 第i个因子的贡献率为 1 / ii i d i ， 贡献率给出每个因子的变异程度占全部程度的百分比。贡献率越大，该因子 就相对的越重要， 同时我们有因子的累计贡献率： 11 / n ii ii 以该贡献率作为因子个数m 的选择依据。 5.计算综合得分 通过旋转和计算，得到新的较为理想的因子载荷矩阵 A1* 和因子得分系数 矩阵 B。每一个样本的得分总值可按下式计算： 11 p iiiiijij ij Fd fd b X 式中 i d i为因子贡献率， i f为因子得分，为因子得分系数，由转换后的因 子载荷矩阵 ij b * 1 A求逆得到， ij X为标准化的指标值。 可以看到，因子分析方法一方面能够提取各变量共有的信息，另一方面能够 根据每个变量对总体方差的贡献确定恰当的因子个数和得分， 这些特性完全符合 前文提到的评价要求，本文将选用SPSS 13.0统计软件进行上述因子分析。 而对于主观指标，本文采用指定权重计算加权总分的方法评分，原因在于： 其一，对司法与监管、人力资本以及社会诚信的测度不可避免地需要结合客观实 际与主观评价（例如，司法公正程度、监管水平高低、社会诚信环境优劣等都需 要依靠主观评价， 而上述三个方面在金融生态环境中各自的重要程度同样需要结 合主观感受来评判），对类似数据只能进行信度和效度的检验，而本文选用的指 标出自专业机构的研究报告，已经进行了必要的检验和分析；其二，和区域经济 及金融业发展指标相比，司法与监管、人力资本以及社会诚信属于区域金融生态 环境中直观相关性较弱的三个方面， 区域经济与金融之间存在直接、明显的互 相促进互相制约的关系，而牵涉主观指标的三个方面之间的互动则要复杂、隐蔽 3 得多，对应指标由于相关性低，共同包含的信息也较少，因此对这三方面的指标 进行因子分析是不恰当的。 主观指标计算方法如下：对指标体系中任一单项主观指标，对应指数分值最 高的城市计20分，其他城市的指标得分为各自指数分值与最高城市分值的比值 与20的乘积，即：假设某一指标Si (i=1,2,3,4,5)，对应这一指标的指数为Ii (i=1,2,3,4,5)，其中最高者为Ip，则对应Ip的城市在该指标上得20分，其他城市得 分计算公式为：Si=Ii/Ip*20。总得分为各项指标乘以对应权重以后的加总。根据 Global Financial Center Index III就司法、人力资本、社会诚信对全球1000多 家金融机构进行的问卷调查，三者的得分依次为5.16、5.37、4.67（10分为最重 要），故具体权重分配如表 2 所示。 表 2 主观指标权重分配 目标层 准则层 指标层 权重 司法公正 司法公正指数 0.17 司法与金融监管 监管质量 监管质量指数 0.17 人才生活质量 人才生活指数 0.18 人力资本 人才发展指数 人力资本指数 0.18 社会诚信状况 社会信用环境 经济自由指数 0.31 研究表明， 地区经济金融发展基础等适宜以客观数据衡量的金融生态环境因 素与社会诚信、 司法监管等适宜结合主观印象进行衡量的因素对金融资产质量的 贡献弹性大致相当2，因此，本文在计算金融生态环境指标总得分时采用以下公 式： I=0.5Is+0.5Io （其中Is为客观指标，Io为主观指标） 在评价城市的选择方面，根据最新的国际金融中心评比结果，伦敦、纽约、 香港、新加坡、苏黎世为世界排名前五位的金融中心，本文选择这五个城市作为 上海的参照系，同时由于北京同上海一样一般被认为是区域金融中心，故也将其 列入评价对象，作为上海在发展水平接近的城市中的参照3。 （三）数据的采集与处理 （三）数据的采集与处理 合理的评价体系和方法是保证评价结果可靠性的基本前提， 而数据和信息的 真实、准确和全面无疑是保证评价结果客观和可信的基础。由于指标评价过程中 所涉及的数据和信息包括金融体系内的基本数据和信息， 又包括需要反映经济基 础、司法、政府监管以及诚信文化等体系外的数据和指标，既有定量的数据，也 包括定性的指标。因此，在数据采集方面，本文在保证数据权威性、准确性的基 础上， 尽量兼顾数据的全面性。 由于我国与外国在统计制度、 行政架构上的区别， 2黄国平、刘煜辉：“中国金融生态环境评价体系设计与分析”，系统工程理论与实践2007 年第 6 期。 3City of London Corporation,2008,Gloabal Financial Centers Index3,.uk. 4 本文所采用的原始数据全部以 2005 年 12 月 31 日为基准日，主要来自以下几个 方面： 1上海市的数据来自上海统计年鉴2007、上海外商投资环境白皮书 2007（上海外经贸委主编）；香港的数据来自中国统计年鉴2007、香 港统计年刊2006；北京市的数据来自北京统计年鉴2007。 2伦敦市的数据来自于英国国家统计局发布的有关统计报告4；纽约市的数 据来自美国经济研究局、联邦储备委员会以及纽约市政府发布的经济、社会统计 数据5；东京市的数据来自东京市政府发布的东京统计年鉴6；新加坡的数据来自 新加坡政府发布的统计数据7。 在数据预处理方面，除总人口以外，所有数据都将预先按照2005年12月 31日的汇率折算到美元。 二、评价过程 二、评价过程 首先进行客观数据的评价，在完成数据的预处理后，使用SPSS13.0统计软 件对原始数据进行因子分析，经计算，提取两个因子是较为理想的选择，详细的 统计结果如表 3 至表 8 所示。 表 3 为各变量的表述统计量，表格从左至右依次为变量、均值、标准差、样 本数： 表 3 表述统计量 表 3 表述统计量 Mean Std. Deviation Analysis N Missing N GDP 30662.1925 16991.43920 8 0 Income 21437.3325 16996.01326 8 0 Population 872.1161 483.44405 8 0 Deposit 100926.3088 114975.02638 8 0 Loan 99837.4650 123150.31285 8 0 Equity 283228.6463 340138.10701 8 0 Premium 579.6788 260.98590 8 0 表 4 为样本的KMO及巴特利特检验结果，统计学研究表明，KMO值大于 0.5，显著性水平小于 0.01 时才适宜进行因子分析，本例中KMO值为 0.509， 4www.national-statistics.uk 5, 6Tokyo Metropolitan Government,2007,Tokyo Statistic Year Book 2005, www.metro.tokyo.jp 7.sg 5 显著性水平为 0.000，拒绝原假设，即变量之间存在显著的相关性，符合要求， 可以进行因子分析。 表 4 KMO 及巴特利特检验 表 4 KMO 及巴特利特检验 Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .509 Bartletts Test of Sphericity Approx. Chi-Square67.398 Df 21 Sig. .000 表 5 为对总体方差的分解，显示两个因子的特征值分别为 4.487、1.825， 均大于 1，符合因子分析对因子特征值大于 1 的要求，两个因子累计解释了 90.176%的方差，根据统计学研究，当因子累计解释方差超过总体方差 85%时才 能认为提取的因子基本包含了足够的共有信息，本例符合要求。 表 5 总方差分解 表 5 总方差分解 Compo -nent Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total % of Varian ce Cumul ative % Total % of Varian ce Cumula tive % Total % of Varian ce Cumul ative % 1 4.487 64.105 64.1054.48764.10564.105 3.658 52.259 52.259 2 1.825 26.072 90.1761.82526.07290.176 2.654 37.917 90.176 3 .479 6.843 97.020 4 .159 2.274 99.294 5 .048 .681 99.974 6 .001 .016 99.990 7 .001 .010 100.00 Extraction Method: Principal Component Analysis. 表 6 旋转前主成分提取结果 表 6 旋转前主成分提取结果 Component 1 2 GDP .954 -.198 Equity .917 .246 Income .899 -.369 Premium .802 -.501 Population -.697 .391 Deposit .602 .792 Loan .661 .746 Extraction Method: Principal Component Analysis. 6 a 2 components extracted. 表6、7显示了载荷矩阵旋转前后主成分的提取结果，本例采用方差最大化 正交旋转，能使因子之间的方差差异达到最大，从而尽量简化对因子的解释。 表 7 旋转后主成分提取结果 表 7 旋转后主成分提取结果 Component 1 2 Income .952 .195 Premium .945 .032 GDP .902 .368 Population -.797 -.065 Deposit .057 .993 Loan .132 .988 Equity .624 .716 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 3 iterations. 表8为因子得分矩阵， 它通过相关系数的方式反映了两个因子的具体组成结 构。 表 8 因子得分矩阵 表 8 因子得分矩阵 Component 1 2 GDP .237 .029 Income .279 -.056 Population -.249 .091 Deposit -.131 .435 Loan -.106 .421 Equity .094 .226 Premium .302 -.128 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. 按照上述因子分析的结果，我们可以得到如下的因子表达式： F1=0.237*GDP+0.279*Income+0.302*Premium F2=0.029*GDP-0.056*Income+-0.128*Premium 根据方差贡献率得到综合评价式： F=52.259%F1+37.917F2 即： F=52.259 %(0.237*GDP+0.279*Income+0.302*Premium) +37.917(0.029*GDP-0.056*Income+-0.128*Premium) (式1) 7 三、计算结果 三、计算结果 根据式1，可以得到各城市的因子得分，由于因子得分是通过标准化的指标 计算得到，可能为负数，不便于后面结合主观指标的比较分析，因此根据因子得 分， 将其折算为以100分为满分的指标得分。 为使每个城市的每项指标均有得分， 同时客观反映上海市与其它城市的差距，以因子得分为-0.5记0分，因子得分为 0.5记100分，每项因子得分与上下限比较，确定相应得分。具体得分情况如表 9所示。 表 9 经济、金融发展指标得分情况 表 9 经济、金融发展指标得分情况 因子或指标得分 因子或指标 北京 香港伦敦纽约 上海新加 坡 东京 苏黎 世 F1 -1.13 -0.330.05 0.06 -1.110.08 0.29 2.08 F2 -0.54 -0.351.52 1.69 -0.51-0.74-0.44 -0.62 因子综合得分 -0.77 -0.310.67 0.75 -0.75-0.28-0.05 0.72 各项指标贡献值 （按（4.1）式计算） 因子得分 总人口 -0.11 0.03 0.02 0.01 -0.080.07 -0.07 0.12 人均 GDP -0.18 -0.020.08 0.07 -0.160.03 0.06 0.18 人均收入 -0.12 -0.050.04 0.04 -0.12-0.050.07 0.20 人均贷款总额 -0.09 -0.060.21 0.21 -0.09-0.08-0.04 -0.05 人均存款总额 -0.08 -0.030.20 0.20 -0.09-0.08-0.05 -0.07 人均股票市场成交额-0.12 -0.090.12 0.22 -0.11-0.11-0.08 0.17 人均保费收入 -0.06 -0.090.01 0.01 -0.09-0.010.05 0.18 指标 指标得分 总人口 39.02 53.1551.9850.95 41.9557.2243.48 62.24 人均 GDP 31.55 48.3258.2657.26 33.5747.2355.87 67.94 人均收入 37.66 45.4253.6753.72 37.7444.6857.06 70.04 人均贷款总额 40.81 43.7670.7470.82 41.1242.1845.73 44.85 人均存款总额 41.67 46.7569.7469.82 41.4442.4845.44 42.65 人均股票市场成交额38.38 40.8461.9671.53 38.9639.3842.28 66.67 人均保费收入 43.91 41.1751.0551.10 40.5849.1055.10 67.97 综合得分综合得分 39.00 45.6359.6360.74 39.3446.0449.28 60.34 从表 9 不难看出， 上海市的区域经济与金融业发展水平在八座参与评价的城 市中处于下游，仅略优于北京，其中，在人均 GDP、人均收入、人均股票市场成 交额方面与处在前列的城市差距明显。 以上是对客观指标的评分。接下来将进行主观指标的评分，详见表 10。 8 表 10 司法与金融监管、人力资本及社会诚信环境指标得分情况 表 10 司法与金融监管、人力资本及社会诚信环境指标得分情况 指标值或得分 指标值 北京 香港 伦敦 纽约 上海 新加坡东京 苏黎世 司法公正指数 3.30 8.30 8.60 7.30 3.30 9.40 7.60 9.10 监管质量指数 69.15 100 98.00 93.70 75.61 99.50 89.67 93.20 人才生活指数 61.25 114.08 101.20100 66.96 102.50 102.30 108.10 人才发展指数 4.00 12.00 23.00 22.00 4.00 8.00 19.00 20.00 信用环境指数 54.00 82.70 81.60 82.00 54.00 85.70 73.60 79.10 指标得分 北京 香港 伦敦 纽约 上海 新加坡东京 苏黎世 司法公正指数 35.11 88.30 91.49 77.66 35.11 100 80.85 96.81 监管质量指数 69.15 100 98.00 93.70 75.61 99.50 89.67 93.20 人才生活指数 53.68 100 88.71 87.65 58.70 89.85 89.67 94.75 人才发展指数 17.39 52.17 100 95.65 17.39 34.78 82.61 86.96 经济自由指数 54.00 82.70 81.60 82.00 54.00 85.70 73.60 79.10 综合得分 47.26 85.04 91.48 87.55 49.26 82.92 82.81 89.53 根据前面确定的总评分公式， 我们可以得到每个城市对应的金融生态环境最 终总评分，如表 11 所示。 表 11 各城市金融生态环境指标得分情况 表 11 各城市金融生态环境指标得分情况 指标得分指标得分 北京北京 香港香港 伦敦纽约伦敦纽约 上海上海 新加坡东京新加坡东京 苏黎世苏黎世 总评分 43.13 65.33 75.5674.14 44.30 64.48 66.05 74.93 四、与主要国际金融中心评价结果的对比分析 四、与主要国际金融中心评价结果的对比分析 通过评分过程不难看到，上海市金融生态环境与伦敦、纽约、香港、苏黎 世以及东京这几个国际金融中心的差距，除了极个别指标以外，上海市的绝大部 分指标都落后于前述几个城市。必须指出的是，中国的改革开放进程至今不过三 十年，而将上海建设成为国际金融中心的国家战略确立至今则不到二十年，虽然 在此期间上海的金融生态环境得到了极大的改善，金融业取得了飞速发展，但和 伦敦、纽约、东京、香港等早早确立了国际金融中心建设规划并稳定发展了几十 年甚至上百年的城市相比， 上海较短的发展时间无疑是造成诸多差距的不可忽视 的客观原因。 以下将对评价结果进行详细的对比分析，找出差距背后的原因。 9 （一）经济基础 （一）经济基础 1.总人口 由于本文选取的数据都是人均数，人口总数越高人均数越低，所以在进行因 子分析时，人口较高的城市在人口这一指标上反而有较低的得分（详见图 1）。 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 图 4-1 人口指标得分 图 4-1 人口指标得分 另外，根据因子分析所得到的公因子表达式，人口在两个因子中的载荷分别 为-0.249和0.091，说明区域总人口即便对总体方差（即区域之间的整体差距） 有正的影响，其贡献也是比较小的。 以上两点均符合我们对现实的观察，即，和人口较少的苏黎世、新加坡、香 港等城市相比，高人口使得上海在提升整体经济、金融发展水平时需要付出更多 的努力和代价（例如较高的城市管理、基础设施建设成本等）。更重要的是，人 口较高的城市虽然拥有较大的本地市场，但金融资源的密集程度较低，这一劣势 在金融业发展指标上得到了充分体现。 单位:万人 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 500 1000 1500 2000 图 2 人口指标值 图 2 人口指标值 2.人均 GDP 人均 GDP 是衡量区域生产力发展水平、经济发达程度的一个重要指标，由于 该指标消除了人口大小对 GDP 总量的影响，因此能够较为客观、可靠的反映区域 之间在经济发展上的差距。 10 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 -0.2 -0.1 0 0.1 0.2 图 3 人均 GDP 指标得分 图 3 人均 GDP 指标得分 单位:美元 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 10000 20000 30000 40000 50000 60000 图 4 人均 GDP 指标值 图 4 人均 GDP 指标值 从图3、4的比较当中我们可看到， 上海市的人均GDP与伦敦、 纽约、 东京、 苏黎世等国际金融中心有着巨大的差距， 反映了上海市在区域经济发展水平上的 落后，究其原因，有以下几点： 市场经济发展时间短。上海真正发展市场经济不过三十年的时间，而参 与比较的几个国际金融中心除了新加坡以外都有百年以上的市场经济发展史， 尤 其是伦敦和纽约，前者是自工业革命以来很长一段时间内全世界的经济、金融中 心，后者则在19世纪崛起，经历了一个多世纪的快速发展后才和伦敦一并成为 全球金融活动的“双核”。 产业结构相对落后。目前，上海市第二产业和第三产业GDP大致各占 GDP总量的50%，在政策上，实行向第三产业尤其是金融、贸易、房地产、交 通通讯等产业倾斜， 向基础产业倾斜， 向支柱工业和高新技术产业倾斜， 实现 “大 力发展第三产业，积极调整第二产业，巩固发展第一产业”的目标。工业方面， 上海市目前仅仅初步完成了轻工业中心向重工业中心的转变， 整体结构还在逐步 11 由纺织、食品等劳动密集型和资源密集型产业为主向以深度加工为主的现代化、 高附加值的技术密集型和资金密集型产业结构的转换。 3人均收入 人均收入在本文中主要用以衡量区域内居民的生活水平，从图 5、6 的对比 中可以发现上海市的人均收入只有伦敦、纽约、东京的大约十分之一，香港新加 坡的五分之一。 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 -0.2 -0.1 0 0.1 0.2 0.3 图 5 人均收入指标得分图 5 人均收入指标得分 虽然和这些城市相比，上海在总人口上拥有一定优势，但人均收入的差距决 定了上海市居民消费水平的大幅落后， 而居民消费水平和需要直接影响到区域内 的产业结构升级和产业聚集。如果居民没有足够高的收入，如何去消费生活必需 以外的服饰、美容、娱乐等产品、劳务？如何去消费个性化或高科技的产品？如 果没有足够的消费作支撑，进口、商贸、娱乐业如何发展？资金密集型、技术密 集型的产业又如何在上海市内不断聚集？没有这些产业的聚集和快速发展， 仅仅 依靠制造业、房地产业等传统企业的存、贷款需求又如何推动上海市的金融活动 的深化和广化？ 按照这一逻辑，我们就不难理解为什么伦敦、纽约、东京在成为国际金融中 心的同时也是国际的技术中心、设计中心、时尚和娱乐业中心。 单位:美元 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 0 10000 20000 30000 40000 50000 60000 12 图 6 人均收入指标值 图 6 人均收入指标值 另一方面， 随着人均收入的提高，居民对于各类基金、保险、银行理财服 务等理财产品以及按揭贷款、房屋抵押贷款的需求也会逐渐增加，这提高了金融 资源的聚集和利用规模， 这一效应在下文对区域金融业发展指标的比较中会得到 一定体现。 （二）金融发展水平 （二）金融发展水平 1人均贷款、存款总额 人均贷款、存款总额综合反映了区域内商业银行的资产、负债的大致规模， 通俗地讲， 也反映了区域内大概汇集了多少钱， 使用了多少钱。 在这两项指标上， 上海市与主要国际金融中心的差距同样非常明显， 见图7图10， 主要原因在于： 北京 香港 伦敦 纽约 上海新加坡 东京苏黎世 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 图 7 人均贷款总额指标得分 图 7 人均贷款总额指标得分 总体经济发展水平低。根据因子分析中对各指标相关系数的计算，人均 GDP与人均贷款、存款的相关系数达到了0.487和0.433，人均收入对两者的相 关系数为0.317和0.244，说明区域经济发展水平与人均存贷款总额有着明显的 正相关关系，结合前面的对比中我们也能发现这一关系：伦敦、纽约拥有较高的 人均GDP和收入，同时人均存贷款也较高。 区域内商业活动发达程度低。由于本文选取的存贷款指标指的是落户本 地的商业银行的存贷款总额， 所以这两项指标显著地受制于区域内商业活动的发 达程度，由于上海市的总体经济水平以及商业、贸易活动落后于伦敦、纽约等国 际金融中心，因此各类企业、个人的存款量、贷款需求都低于参评的其他城市。 13 单位:美元 北京 香港 伦敦纽约 上海 新加坡 东京苏黎世 0.00 100,000.00 200,000.00 300,000.00 400,000.00 图 8 人均贷款总额指标值 图 8 人均贷款总额指标值 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 -0.2 -0.1 0 0.1 0.2 0.3 图 9 人均存款总额指标得分 图 9 人均存款总额指标得分 商业银行聚集度较低。如果说区域经济水平、商贸活动发达程度决定了 有多少资金可供金融活动使用，那么金融机构，特别是商业银行的聚集程度就大 体上决定了金融体系能够吸收、运用多少资金。在这一点上，上海也是全面落后 于伦敦、纽约。区域内外资银行数量是衡量区域金融业发展水平的重要指标，目 前在伦敦和纽约的外资银行分别为300多家和200多家， 而上海的外资银行总数 还不到100家，虽然工商银行、农业银行、中国银行、建设银行、交通银行等国 内的大银行实力雄厚，但鉴于其自身局限和经营特点，吸储和放贷的规模不可能 无限扩大，外资银行的聚集能在很大程度上弥补上海在这方面的不足，帮助提升 资金吸收利用的规模和效率，然而从有关指标来看，上海还有很长的路要走。 单位:美元 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 0.00 50,000.00 100,000.00 150,000.00 200,000.00 250,000.00 300,000.00 图 10 人均存款总额指标值 图 10 人均存款总额指标值 14 2人均股票市场成交额 该指标聚焦于证券市场的主要组成部分股票市场， 一个地区的金融市场 是否成熟、发达，很大程度上取决于股票市场的发展水平高低，根据图 11、12 的比较，可以看到上海市在股票交易方面已经接近于香港、新加坡的水平，但距 离伦敦、纽约、苏黎世还是有很大差距。 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 -0.2 -0.1 0 0.1 0.2 0.3 图 11 人均股票市场成交额指标得分 图 11 人均股票市场成交额指标得分 单位:美元 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 200,000 400,000 600,000 800,000 1,000,000 图 12 人均股票市场成交额指标值图 12 人均股票市场成交额指标值 上海与领先者存在如此巨大差距的原因可以归结如下： 我国经济发展水平、经济开放度和自由度偏低。由于我国经济发展水平 的限制，和美国、英国相比，证券市场上的总体资金规模较小，不论是在股票市 场上融资还是交易，其金额都比较小；另一方面，由于我国经济的开放度还不够 高，外资企业或境外企业想要在中国的股市发行股票融资还相当困难，而纽约证 交所和伦敦证交所却有大量外资企业挂牌，这也大大提升了其股票交易量。 股票市场发育还不成熟。目前我国股票市场尚不发达，主要体现在：上 市公司股权结构欠合理、行政干预严重、违法违规行为时现等，这些问题的存在 直接导致市场以及投资者信心的波动， 从而影响市场规模的扩大和资金的进一步 流入。 3人均保费收入 15 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 0 20 40 60 80 图 13 区域人均保费收入指标得分 图 13 区域人均保费收入指标得分 人均保费收入也称为“保险密度”，直接反映区域内保险市场的发达程度， 如图13、14所示，上海在该项指标上略低于香港，与伦敦、纽约、东京、苏黎 世等城市有一定差距。 单位:美元 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 0 200 400 600 800 1000 1200 图 14 区域人均保费收入指标值 图 14 区域人均保费收入指标值 上海在该指标上的落后主要是由于区域内保险机构的数量、 资产规模和业务 量与领先的城市相比存在较大差距，另外，受制于整体经济发展水平，个人和企 业的投保意识、投资理念和领先的城市尚有距离。 必须指出的是，除了上述指标所涵盖的几个方面，上海在以下几个方面与主 要国际金融中心也存在着较大差距： 外汇市场规模小。国际清算银行2004年4月的统计数据显示，在2004 年各大国际金融中心城市的外汇日平均交易额中， 伦敦日均交易额7530亿美元， 纽约日均交易额4610亿美元，两国外汇日平均交易额的总量占世界的50.5%； 在亚洲，日本日均交易量达1990亿美元，占世界日交易总量8.3%，新加坡与香 港外汇市场各为1250亿和1020亿美元，分别占世界日交易总量5.2%和4.2%。 16 而上海外汇日均交易量（上海外汇交易中心与场外交易）为8.9亿美元（仅指即 期交易），占世界总量占比不到1%8。 衍生品及债券市场规模小。伦敦、纽约、东京、香港、新加坡等地都已 开办即期交易、单纯远期、外汇掉期、跨货币掉期和期权、远期利率协议、利率 掉期和期权等多种交易品种和方式，而上海基本上只有简单的即期交易。此外， 上海市场中流通的各类股票和债券均以国内企业发行为主，而香港、新加坡等则 是以私人企业和外资企业为主。 以上不足使得上海的区域金融创新能力不足，市场化自我调节能力较弱，金 融机构自我化解风险能力较弱。 （三）司法与金融监管 （三）司法与金融监管 本文采用的司法公正指数关注的是“腐败感受”（即 Corruption Perceptions），该指数由“透明国际”组织（Transparency International）编制； 而监管质量指数则由世界银行编制， 重在调查目标国家或地区的政府监管水平和 控制腐败的能力。 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 20 40 60 80 100 120 图 15 司法公正指标得分 图 15 司法公正指标得分 从图15、16的比较中不难发现上海在司法公正指标上同领先的城市相差一 半还多，这说明被访者（主要是跨国金融机构的从业人员）认为在上海进行金融 活动能够明显地感觉到不公正和腐败。在监管质量方面，差距略小一些，但上海 的得分（75.61）还是低于平均得分（89.85）。 综合起来，上海在这两项指标上存在差距的原因可归结为以下两点：其一， 金融监管定位尴尬，一方面出于建设国际金融中心的目标需要放松管制、提高市 场透明度和自由度， 但另一方面从我国金融市场建设的全局出发现在又不适宜放 松限制，这导致了上海金融监管当局要“戴着镣铐跳舞”，而由此带来的监管行 为的冲突、反复等情况降低了被访者对监管质量的感受；其二，法律法规的不健 8王燕，2007：上海金融生态现状分析，技术与市场，2007 年第 4 期。 17 全和执行不力，目前国家以及上海地区针对金融监管出台的法律法规尚不健全， 特别是在离岸金融业务管理、企业破产、金融衍生品管理等方面法律体系很不完 善，即便有法可依，由于执法人员对金融业务了解程度的不同，执行不力或执行 尺度不一的现象也时有发生，这也影响到了被访者的主观评价。 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 20 40 60 80 100 120 图 16 监管质量指标得分 （四）人力资本 图 16 监管质量指标得分 （四）人力资本 人力资本方面的评价使用人才生活指数和人力资本指数，前者由 Mercer HR 编制，反映人们在目标城市的生活质量，该指数综合考虑了区域内的生活成本、 生活工作以及学习的便利程度、 休闲消费水平等因素； 后者则由普华永道 （Price waterhouse & Coopers）基于目标城市的国际知名大学数量、受高等教育人口比 重、高水平 MBA/EMBA 课程数量等数据编制。 由图 17、图 18 的比较不难发现，上海在两项指标上的得分都低于平均值， 但人才生活质量方面的差距较小， 人力资本方面的差距则很大， 原因有二： 其一， 上海的国际化水平在不断提高，生活水准也在慢慢向纽约、东京这样的国际大都 市靠拢，改革开放以来，上海的城市基础设施建设也一直向国际先进水平看齐， 因此在人才生活质量上上海的劣势并不明显，主要的差距在于上海的生活品位、 环境与伦敦、纽约等城市相比略有逊色，略低；其二，虽然上海拥有复旦、交大 这样国内顶尖的高等院校，但相比于伦敦政经学院、东京大学、苏黎世大学、香 港理工大学等国际知名院校，其学术水平和毕业生水准仍落后不少，另一方面除 了中欧国际商学院， 其他高校的MBA/EMBA课程与上述国际一流大学相比有一 定差距，最直接的结果便是精通国际金融业务与相关法规的高端金融人才（如资 深的交易员、经纪人、银行家等）严重缺乏。 18 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 20 40 60 80 100 120 图 17 人才生活指数得分图 17 人才生活指数得分 北京 香港 伦敦 纽约 上海 新加坡 东京 苏黎世 0 20 40 60 80 100 120 图 18 人力资本指数得分 图 18 人力资本指数得分 由于缺少直接的、可比的数据，本文选用“经济自由指数”来衡量不同区域 的社会诚信状况，该指数由 Heritage Foundation 编制，综合考虑了企业信用状 况、政府腐败程度等因素，以反映企业在某一地区开展经营销售活动时会在多大 程度上遭遇不必要的限制。得分情况如图19所示。 北京 香港 伦敦纽约 上海 新加坡 东京 苏黎世 0 20 40 60 80 100 图 19 经济自由指数得分 图 19 经济自由指数得分 19 同司法公正指数的评价结果相类似，上海与领先的新加坡、香港、纽约、伦 敦等城市差距巨大，这也反映了上海市的社会诚信状况不容乐观。 五、结论与建议 五、结论与建议 综合上面对各项评价指标的分析，可以看到上海的各项指标都落后于伦敦、 纽约、香港等公认的主要国际金融中心，金融生态环境的整体情况并不能令人满 意。与得分最高的城市相差较大的指标有：人均贷款总额、人才生活指数、人均 收入、人均股票市场成交额、人才发展指数、司法公正指数以及人均 GDP。这反 映了上海在总体经济基础、金融发展水平、人才发展、司法公正四个方面与国际 先进水平有着十分明显的差距。 而其他指标虽然差距略小， 但也不可忽视。 因此， 应该在努力缩小上述几个方面的巨大差距同时， 加快提升上海金融生态环境的整 体水平。 （一）基本思路 （一）基本思路 以上对上海以及主要国际金融中心的金融生态环境进行了初步评价， 看到了 上海与它们的巨大差距。然而，在 2007 年出版的环球金融中心指数 II一书 对众多跨国金融机构所进行的问卷调查中，有以下两组排名：前五位有可能变得 更加重要的金融中心、前五位有可能开设新的金融机构的金融中心，上海在其中 分列第二和第三，这充分说明了机构对上海的重视和期待，说明了上海的发展潜 力。 那么，在改善上海金融生态环境的问题上，我们应该采取什么样的思路来寻 找对策呢？为了理清思路， 我们首先将上海的各项指标得分与相应的榜首城市进 行对比，按差距大小排序，并列举主要原因从中我们发现，人才发展指数、司法 公正指数以及人均 GDP 是几个差距特别大的指标，差距比例都超过了 100%，特 别是人才发展指数的差距比例达到了惊人的 475.04%，这在一定程度上了上海缺 少高端国际金融人才的现实；人才生活指数、人均收入、人均股票市场成交额差 距略大，在 70%到 90%之间，监管质量、总人口、经济自由指数、人均保费收入、 人均存款总额是几个差距相对较小的指标，差距比例低于 70%。但是此表未包括 总人口， 这是因为较高的人口在保证较大市场的同时也会降低金融资源的密集程 度，同时人口规模的变化有内在的客观趋势，因此同其他指标需要“迎头赶上” 不同，不能简单地谈应该增加人口或减少人口，而应在城市承受的限度内尽量让 人口规模按照客观规律发展。 正所谓“罗马不是一天建成的”，必须清醒地看到，伦敦、纽约这样的全球 金融中心是经历了一个多世纪的发展才逐渐形成的， 而上海进行改革开放不过三 十年，与它们相比，上海的金融生态环境差距较大，因此改善上海金融生态环境 20 的工作不可能一蹴而就，应当是一个系统性的工程；但同时，新加坡和香港的实 践也证明，只要能够抓住机遇，采取恰当的对策，一个城市的金融生态环境以及 金融活动的整体水平是有可能在较短的时间内实现飞跃的。 因此，我们认为，上海要逐步改善金融生态环境是完全可行的，但是应该遵 循以下思路寻找有效的对策： 首先，应站在推动国民经济发展的角度思考这一问题。必须认识到，将上海 建设成为国际金融中心不是单纯为了上海自身的发展， 更重要的是要充分发挥上 海作为中心城市的比较优势和辐射效应， 优化金融资源的配置进而推动国民经济 的健康发展。 根据这一前提，在对策层面应当做到：在做好中长期规划的同时与近期对策 相结合、国家战略与地方政策相结合。具体来说，基于前面比较的结果，对于差 距相对较小的方面，如果可能，应当在近期内采取有力的措施，推动其尽快追赶 上去，而有些方面差距较大甚至悬殊，短时间内很难赶上，应当有一个针对性的 中长期的规划，分步实施，逐渐改善。需要注意的是，有些指标虽然看上去差距 不大，如监管质量指数，只相差 32.26%，是所有指标中差距最小的，但提高监 管质量牵涉到行政改革、监管人员知识结构改善等问题，因此并不见得在短期内 采取一些措施就能见效，同样的，一些指标虽然差距很大，但在抓好长期规划的 同时在眼前也有不少工作可以做。另一方面，主要国际金融中心的发展历程和成 功经验雄辩地说明， 从国家到地方各级政府的积极推动对于一座城市确立国际金 融中心的地位至关重要。然而，不同于香港、新加坡，在改善上海金融生态环境 这一点上，存在着一个中央政府与地方政府如何“分工合作”的问题，即，一方 面，在