福建九地市金融集聚对居民收入的空间溢出效应与异质性影响研究

福建九地市金融集聚对居民收入的空间溢出效应与异质性影响研究一、引言1.1研究背景与意义在经济全球化与区域经济一体化的进程中，金融作为现代经济的核心，其集聚现象愈发显著。金融集聚不仅是金融资源、金融机构在特定地理区域内的集中，更是金融体系在结构、功能、规模和等级上的有序演化，对区域经济增长和发展格局产生着深远影响。福建，作为中国东南沿海的经济活跃省份，在“六区叠加”的政策优势下，金融业发展迅速，金融集聚态势日益凸显。从金融集聚现状来看，福建吸引了众多金融机构入驻，包括各类银行、证券、保险等传统金融机构以及新兴的金融科技企业。截至2024年末，全省金融机构本外币各项贷款余额8.63万亿元，同比增长4.69%，本外币各项存款余额8.43万亿元，同比增长4.02%。在金融机构数量不断增加的同时，金融集聚区域也逐步形成，如厦门、福州等地已成为福建重要的金融中心，汇聚了大量金融资源，金融机构间的协同效应和创新活力不断增强。以厦门为例，作为经济特区和区域性金融中心，拥有完善的金融市场体系，吸引了包括兴业银行、厦门国际银行等众多金融机构总部或区域总部的落户，在金融创新、跨境金融服务等方面表现突出。在居民收入增长方面，福建同样取得了显著成效。据国家统计局福建调查总队住户抽样调查，2024年福建居民人均可支配收入47857元，同比名义增长5.4％，扣除价格因素实际增长5.5％。分城乡看，城镇居民人均可支配收入58763元，增长4.6％；农村居民人均可支配收入28525元，增长6.7％。居民收入的增长不仅反映了福建经济发展的成果，也与金融发展密切相关。金融通过资金融通、资源配置等功能，为企业发展提供资金支持，创造就业机会，进而影响居民的工资性收入、经营性收入和财产性收入。研究福建九地市金融集聚对居民收入的影响具有重要的理论和现实意义。在理论层面，有助于丰富区域金融发展与居民收入关系的研究。传统理论多聚焦于金融发展对经济增长的影响，而对金融集聚这一特定形式与居民收入关系的研究相对较少。深入剖析福建九地市的情况，能够从区域层面揭示金融集聚影响居民收入的内在机制和传导路径，为金融地理学、区域经济学等学科理论的发展提供实证支持和新的研究视角。在现实层面，对促进福建区域经济协调发展和制定科学合理的金融政策具有重要指导意义。福建九地市在经济发展水平、金融集聚程度和居民收入水平上存在差异，通过研究金融集聚与居民收入的关系，可以明确金融发展在促进居民增收方面的作用和不足。一方面，对于金融集聚程度较高的地区，可进一步优化金融资源配置，发挥金融集聚的溢出效应，带动周边地区居民收入增长；另一方面，对于金融集聚程度较低的地区，可制定针对性的金融政策，促进金融集聚发展，提升金融服务实体经济能力，增加居民收入，缩小地区间居民收入差距，推动福建区域经济的协调发展。1.2研究方法与创新点本文采用空间面板数据模型对福建九地市金融集聚与居民收入关系展开研究。传统计量模型在分析区域经济问题时，往往忽略了空间因素，而现实中各地区经济活动并非孤立存在，空间溢出效应显著。空间面板数据模型能够将空间相关性和异质性纳入考量，有效解决传统模型的局限性，更加准确地揭示金融集聚对居民收入的直接影响以及在空间上的溢出效应。通过构建空间权重矩阵，确定各地区之间的空间关联关系，进而运用空间自相关检验等方法，判断金融集聚和居民收入在空间上的分布特征，为模型估计和结果分析提供坚实基础。本研究的创新点主要体现在以下几个方面：一是研究样本的独特性，聚焦福建九地市这一特定区域，福建在区域经济发展中具有独特的地理位置和政策优势，“六区叠加”政策优势明显，研究其金融集聚与居民收入的关系，为区域金融发展研究提供了新的视角，丰富了区域金融发展与居民收入关系的研究。二是模型运用的创新性，相较于以往研究多采用普通面板模型，本研究采用空间面板数据模型，充分考虑了地区间的空间相关性和异质性，能够更准确地捕捉金融集聚对居民收入的空间溢出效应，为相关研究提供了更为科学的方法和思路。三是研究结论的新颖性，有望揭示福建九地市金融集聚影响居民收入的独特机制和规律，为地方政府制定更具针对性的金融政策和收入分配政策提供实证依据，助力区域经济协调发展和居民收入水平提升。1.3研究内容与技术路线本研究主要内容围绕福建九地市金融集聚对居民收入的影响展开，具体涵盖以下几个方面：一是福建九地市金融集聚与居民收入的现状分析。通过收集和整理相关数据，运用区位熵、赫芬达尔指数等方法测度福建九地市的金融集聚程度，分析金融集聚在地区间的分布特征和差异，包括金融机构数量、金融业务规模、金融市场活跃度等方面的表现。同时，对居民收入水平、收入结构以及增长趋势进行详细分析，对比不同地市、不同收入群体之间的差异，为后续研究奠定基础。例如，通过分析发现厦门的金融集聚程度在九地市中较高，其金融机构总部和区域总部数量较多，金融市场创新活跃；而部分山区地市金融集聚程度相对较低，金融资源相对匮乏。在居民收入方面，福州、厦门等地居民人均可支配收入较高，且财产性收入占比较大，而一些经济欠发达地市居民收入水平较低，收入结构以工资性收入为主。一是福建九地市金融集聚与居民收入的现状分析。通过收集和整理相关数据，运用区位熵、赫芬达尔指数等方法测度福建九地市的金融集聚程度，分析金融集聚在地区间的分布特征和差异，包括金融机构数量、金融业务规模、金融市场活跃度等方面的表现。同时，对居民收入水平、收入结构以及增长趋势进行详细分析，对比不同地市、不同收入群体之间的差异，为后续研究奠定基础。例如，通过分析发现厦门的金融集聚程度在九地市中较高，其金融机构总部和区域总部数量较多，金融市场创新活跃；而部分山区地市金融集聚程度相对较低，金融资源相对匮乏。在居民收入方面，福州、厦门等地居民人均可支配收入较高，且财产性收入占比较大，而一些经济欠发达地市居民收入水平较低，收入结构以工资性收入为主。二是模型构建与变量选取。在理论分析的基础上，构建空间面板数据模型，将空间因素纳入考量。选取居民收入作为被解释变量，金融集聚指标作为核心解释变量，同时控制经济增长、产业结构、教育水平、政府财政支出等其他可能影响居民收入的因素。其中，金融集聚指标选取银行业区位熵、证券业区位熵和保险业区位熵等多个维度进行衡量，以全面反映金融集聚程度；经济增长以地区生产总值（GDP）增长率表示，产业结构以第二、三产业增加值占GDP的比重衡量，教育水平以人均受教育年限表示，政府财政支出以地方财政一般预算支出占GDP的比重表示。通过合理选取变量，确保模型能够准确反映金融集聚与居民收入之间的关系。三是实证检验与结果分析。运用收集到的福建九地市面板数据，对构建的空间面板数据模型进行估计和检验。首先，进行空间自相关检验，利用莫兰指数（Moran'sI）判断金融集聚和居民收入在空间上是否存在相关性以及相关程度。若存在空间相关性，则进一步运用空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）等进行估计，比较不同模型的估计结果，选择最优模型。通过模型估计，分析金融集聚对居民收入的直接效应、间接效应（空间溢出效应）以及总效应，探究金融集聚影响居民收入的作用机制和传导路径。例如，实证结果可能表明金融集聚不仅对本地居民收入有显著正向影响，还通过空间溢出效应对周边地市居民收入产生影响，且这种影响在不同地区可能存在差异。同时，分析其他控制变量对居民收入的影响，为政策制定提供全面的依据。四是结论与政策建议。根据实证检验结果，总结福建九地市金融集聚对居民收入的影响规律和主要结论。针对研究结论，结合福建九地市的实际情况，从促进金融集聚发展、优化金融资源配置、加强区域金融合作等方面提出针对性的政策建议，以充分发挥金融集聚对居民收入的促进作用，缩小地区间居民收入差距，推动福建区域经济协调发展。例如，建议加大对金融集聚程度较低地区的政策支持，吸引金融机构入驻，培育地方金融市场；加强地市之间的金融合作，促进金融资源的流动和共享，实现金融集聚的协同发展。本研究的技术路线如图1-1所示：首先，明确研究问题和目标，通过广泛查阅国内外相关文献，梳理金融集聚与居民收入关系的理论基础和研究现状，为后续研究提供理论支持。其次，收集福建九地市金融集聚和居民收入相关的数据，进行数据整理和预处理，确保数据的准确性和可靠性。然后，运用相关方法对数据进行分析，测度金融集聚程度和居民收入水平，进行空间自相关检验，判断空间相关性。在此基础上，构建空间面板数据模型，进行模型估计和检验，分析金融集聚对居民收入的影响效应和作用机制。最后，根据实证结果得出研究结论，提出针对性的政策建议，并对研究进行总结和展望，为未来相关研究提供参考。\\二、理论基础与文献综述2.1金融集聚理论金融集聚是指金融资源、金融机构和金融活动在特定地理区域内集中分布的现象，它不仅是金融产业在空间上的聚集，更是金融体系在结构、功能、规模和等级上的有序演化。从内涵上看，金融集聚体现为金融机构、金融专业人才、金融信息以及各类金融资产在特定区域的高度集中。以国际金融中心纽约为例，华尔街汇聚了如摩根大通、高盛等众多全球知名金融机构总部，拥有大量专业金融人才，每天进行着海量的金融交易，成为全球金融资源的重要集聚地。这些金融机构通过复杂的业务往来和合作关系，形成了紧密的联系网络，共同推动金融市场的高效运转，充分展现了金融集聚的内涵特征。关于金融集聚的形成机制，学者们从不同角度进行了深入探讨。规模经济理论认为，金融机构在特定区域集聚能够降低运营成本，提高运营效率。例如，大量金融机构集聚在一起，可以共享基础设施、通信网络等，减少重复建设成本；同时，在人才市场上，也更容易吸引和留住专业金融人才，形成人才集聚效应，进而提高金融机构的整体运营效率。外部经济理论强调金融集聚带来的外部性，如信息溢出、知识共享等。在金融集聚区，金融机构之间的频繁交流与合作，使得信息能够快速传播和共享。以伦敦金融城为例，众多金融机构的集聚使得市场信息、行业动态等能够迅速在区内传播，金融从业者能够及时获取最新信息，做出更准确的决策，这种信息溢出效应促进了金融创新和发展。区位选择理论则指出，金融机构在选择区位时，会综合考虑多种因素，如地理位置、政策环境、经济发展水平等。上海作为中国的经济中心和国际化大都市，拥有优越的地理位置、完善的基础设施、优惠的金融政策以及高度发达的经济，吸引了大量国内外金融机构的入驻，成为中国重要的金融集聚区域。常见的金融集聚测度指标包括区位熵、赫芬达尔指数等。区位熵通过衡量某地区某一产业的相对专业化程度，来反映该产业在该地区的集聚水平。其计算公式为LQ_{ij}=\frac{q_{ij}/q_j}{q_{i}/q}，其中LQ_{ij}表示j地区i产业的区位熵，q_{ij}表示j地区i产业的相关指标（如金融机构数量、金融从业人员数量等），q_j表示j地区的总指标，q_{i}表示全国i产业的相关指标，q表示全国的总指标。当LQ_{ij}>1时，表明该产业在j地区存在集聚现象，且数值越大，集聚程度越高。赫芬达尔指数则用于衡量市场集中度，通过计算某地区某产业内各企业市场份额的平方和来反映集聚程度。该指数越大，说明市场集中度越高，产业集聚程度越强。在研究福建九地市金融集聚时，可运用这些指标，结合各地市金融机构数量、金融业务规模等数据，准确测度金融集聚程度，为后续分析提供量化依据。2.2居民收入相关理论居民收入是指居民在一定时期内从各种来源所获得的全部收入总和，包括初次分配收入与再分配收入。居民的初次分配收入主要来源于社会生产活动，涵盖了物质生产领域和非物质生产领域的劳动报酬，如职工工资、农民的农业经营收入等；再分配收入则主要源于政府的转移支付，像养老金、社会救助金等。居民收入水平不仅是衡量居民生活质量和经济福祉的关键指标，还对整个经济的消费、储蓄和投资等方面产生深远影响。影响居民收入的因素是多方面的，其中经济增长起着基础性作用。在经济增长的过程中，企业的生产规模得以扩大，经营效益得以提升，从而有能力为员工提供更高的工资和更多的福利，进而增加居民的工资性收入。随着经济的增长，新的产业和企业不断涌现，创造出大量的就业机会，使得更多的居民能够实现就业，增加收入。据统计，在经济高速增长时期，福建的就业人数和居民收入水平往往呈现出同步上升的趋势。产业结构调整也是影响居民收入的重要因素。不同产业的劳动生产率和工资水平存在显著差异，当产业结构向高附加值、高技术含量的产业转变时，会带动整个社会工资水平的提高。服务业的快速发展能够创造出大量高收入的就业岗位，吸引更多的劳动力从低效率产业转移过来，从而提高居民的整体收入水平。在福建，近年来随着数字经济、金融科技等新兴服务业的兴起，相关从业人员的收入水平明显高于传统产业，推动了居民收入的增长。就业水平与居民收入密切相关。就业是居民获得收入的主要途径，就业率的提高意味着更多的居民能够获得稳定的收入来源。就业质量也对居民收入有着重要影响，高质量的就业通常伴随着更高的工资待遇、更好的工作条件和更多的职业发展机会。企业提供的培训和晋升机会能够帮助员工提升自身技能和职业能力，从而获得更高的收入。在福建，一些大型企业通过完善的人才培养体系和激励机制，吸引了大量高素质人才，员工的收入水平也相对较高。金融发展对居民收入的影响日益显著。金融集聚作为金融发展的一种表现形式，能够通过多种渠道影响居民收入。金融集聚可以促进资本的优化配置，为企业提供更多的融资支持，推动企业发展，增加就业机会和居民收入。金融集聚还可以丰富金融产品和服务，为居民提供更多的投资渠道，增加居民的财产性收入。例如，在金融集聚程度较高的厦门，居民可以通过投资股票、基金、债券等金融产品，分享金融市场发展的红利，提高财产性收入。此外，政府的财政政策、税收政策以及社会保障制度等也会对居民收入产生重要影响。政府通过实施积极的财政政策，加大对教育、医疗、社会保障等领域的投入，能够提高居民的生活水平，间接增加居民收入。税收政策的调整，如个人所得税的减免、税收优惠政策的实施等，能够直接增加居民的可支配收入。完善的社会保障制度，如养老保险、医疗保险、失业保险等，能够为居民提供基本的生活保障，减轻居民的后顾之忧，稳定居民收入预期。2.3金融集聚对居民收入影响的研究综述国外学者较早关注金融发展与收入分配的关系，为后续研究金融集聚对居民收入的影响奠定了理论基础。Greenwood和Jovanovic在1990年开创性地构建了动态模型，深入探讨金融发展、经济增长与收入分配之间的关系。他们的研究表明，在经济发展初期，由于金融市场存在门槛效应，只有高收入群体能够支付金融服务成本，利用金融资源实现财富增值，从而导致收入差距扩大。随着经济的进一步发展，金融市场逐渐完善，金融服务的可得性提高，低收入群体也能从中受益，收入差距开始缩小，呈现出倒“U”型关系。这一理论为理解金融因素对收入分配的长期影响提供了重要框架。在金融集聚对居民收入的直接影响方面，部分国外学者从金融集聚的溢出效应角度进行研究。Krugman提出的新经济地理学理论强调，金融集聚不仅会促进本地经济增长，还会通过知识溢出、技术扩散等方式对周边地区产生正外部性。金融集聚区域内金融机构之间的竞争与合作，会促使金融创新和金融效率的提升，这些创新成果和高效的金融服务能够辐射到周边地区，带动周边地区企业的发展，增加就业机会和居民收入。但也有学者指出，金融集聚可能导致资源过度集中在核心区域，周边地区的金融资源被虹吸，形成“马太效应”，反而扩大区域间居民收入差距。国内学者对金融集聚与居民收入关系的研究近年来不断丰富。部分学者从区域层面进行实证分析，发现金融集聚对居民收入的影响存在区域异质性。王曼怡和刘晓芳运用省级面板数据研究发现，东部地区金融集聚对居民收入增长具有显著的正向促进作用，而中西部地区金融集聚的促进作用相对较弱。这主要是因为东部地区经济基础雄厚，金融市场发达，金融集聚能够更好地发挥资源配置和经济带动作用；中西部地区经济发展水平相对较低，金融基础设施不完善，金融集聚的优势难以充分体现。在作用机制方面，国内学者从多个角度进行了深入探讨。一些学者认为金融集聚通过促进经济增长来提高居民收入。金融集聚能够吸引更多的资金和投资，为企业提供充足的融资支持，推动产业升级和经济发展，进而增加居民的工资性收入和经营性收入。金融集聚还能通过完善金融市场，提供更多的金融产品和服务，拓宽居民的投资渠道，增加居民的财产性收入。另一些学者则关注金融集聚对就业的影响，认为金融集聚能够创造更多的就业岗位，尤其是高收入的金融及相关服务业岗位，吸纳劳动力就业，提高居民收入水平。金融集聚还可能通过改善收入分配格局来影响居民收入，例如通过促进中小企业发展，增加就业机会，提高低收入群体的收入，缩小收入差距。尽管国内外学者在金融集聚对居民收入影响的研究方面取得了丰硕成果，但仍存在一些不足之处。在研究视角上，现有研究多从国家或省级层面展开，对特定区域内不同城市间金融集聚与居民收入关系的研究相对较少，难以深入揭示区域内部的异质性和空间关联性。在研究方法上，部分研究未充分考虑地区间的空间相关性，采用传统计量模型可能导致估计结果偏差，无法准确捕捉金融集聚的空间溢出效应。在影响机制方面，虽然已有研究提出多种作用路径，但对各路径的具体传导过程和相对重要性缺乏深入分析，尚未形成统一的理论框架。本文聚焦福建九地市这一特定区域，采用空间面板数据模型，充分考虑地区间的空间相关性，深入研究金融集聚对居民收入的影响效应和作用机制，旨在弥补现有研究的不足，为促进福建区域经济协调发展和居民收入增长提供更具针对性的理论支持和政策建议。三、福建九地市金融集聚与居民收入现状分析3.1福建九地市金融集聚现状金融集聚是金融资源在地理空间上的集中分布现象，对区域经济发展具有重要影响。本部分从银行业、证券业、保险业三个方面，对福建九地市的金融集聚现状进行分析，并探讨其地域分布特征及变化趋势。银行业作为金融体系的核心组成部分，在福建九地市的金融集聚中占据重要地位。从金融机构数量来看，截至2024年末，福州市银行业金融机构数量达到[X1]家，位居九地市之首，这得益于其省会城市的地位，拥有完善的金融基础设施和政策支持，吸引了众多银行机构设立分支机构。厦门市以[X2]家紧随其后，作为经济特区和区域金融中心，厦门凭借其优越的地理位置和开放的经济环境，吸引了包括兴业银行、厦门国际银行等众多金融机构总部或区域总部的落户。泉州市作为福建的经济强市，银行业金融机构数量也达到了[X3]家，发达的民营经济为银行业的发展提供了广阔的市场空间。而一些山区地市，如三明市、南平市的银行业金融机构数量相对较少，分别为[X4]家和[X5]家，反映出金融资源在地域分布上的不均衡。在存贷款余额方面，2024年厦门市本外币各项存款余额达到[X6]亿元，各项贷款余额为[X7]亿元，均位列九地市第一，显示出其强大的金融资金吸纳和投放能力。福州市的存贷款余额也较为可观，分别为[X8]亿元和[X9]亿元，体现了省会城市的金融实力。泉州市作为制造业大市，实体经济的发展带动了银行业务的增长，存贷款余额分别达到[X10]亿元和[X11]亿元。相比之下，宁德市、龙岩市等地区的存贷款余额相对较低，反映出金融集聚程度与地区经济发展水平密切相关。通过计算区位熵发现，厦门市的银行业区位熵达到[X12]，表明银行业在厦门存在显著的集聚现象，专业化程度较高；福州市、泉州市的银行业区位熵也大于1，分别为[X13]和[X14]，存在一定程度的集聚；而其他地市的银行业区位熵小于1，金融集聚程度相对较弱。证券业的发展也是衡量金融集聚的重要指标。从证券营业部数量来看，2024年厦门市拥有证券营业部[X15]家，在九地市中遥遥领先，凸显其作为区域金融中心在证券市场的重要地位。福州市以[X16]家位居第二，凭借省会城市的人才、信息等优势，吸引了众多证券机构设立营业部。泉州市作为经济活跃地区，证券营业部数量也达到了[X17]家。一些经济欠发达地市，如南平市、三明市的证券营业部数量较少，分别为[X18]家和[X19]家，证券市场发展相对滞后。在证券交易额方面，2024年厦门市证券交易额达到[X20]亿元，远超其他地市，反映出其证券市场的活跃程度。福州市、泉州市的证券交易额分别为[X21]亿元和[X22]亿元，也具有一定规模。通过计算区位熵，厦门市的证券业区位熵高达[X23]，显示出证券业在厦门高度集聚；福州市、泉州市的证券业区位熵分别为[X24]和[X25]，大于1，存在集聚现象；而其他地市的证券业区位熵小于1，集聚程度较低。保险业的发展对于金融集聚同样具有重要意义。从保险公司数量来看，2024年福州市拥有保险公司[X26]家，位居九地市第一，省会城市的综合优势吸引了众多保险机构的入驻。厦门市以[X27]家紧随其后，作为对外开放的前沿城市，保险市场较为活跃。泉州市的保险公司数量为[X28]家，经济的快速发展为保险业提供了广阔的市场需求。一些地市的保险公司数量相对较少，如宁德市、南平市分别只有[X29]家和[X30]家。在保费收入方面，2024年泉州市保费收入达到[X31]亿元，位列九地市之首，发达的民营经济和庞大的人口基数为保险业的发展提供了有力支撑。福州市、厦门市的保费收入也较高，分别为[X32]亿元和[X33]亿元。通过计算区位熵，泉州市的保险业区位熵为[X34]，大于1，存在集聚现象；福州市、厦门市的保险业区位熵分别为[X35]和[X36]，也显示出一定程度的集聚；而其他地市的保险业区位熵小于1，集聚程度相对较弱。综合来看，福建九地市的金融集聚呈现出明显的地域分布特征。厦门、福州作为区域金融中心，在银行业、证券业、保险业等方面均表现出较高的集聚程度，金融资源丰富，金融市场活跃。泉州市凭借其强大的经济实力，在金融集聚方面也取得了显著成绩，尤其是在保险业方面表现突出。而一些山区地市和经济欠发达地市，如三明市、南平市、宁德市等，金融集聚程度相对较低，金融资源相对匮乏。近年来，随着福建经济的快速发展和金融改革的不断推进，各地区的金融集聚程度总体呈上升趋势，但地区间的差距依然存在。沿海地区凭借其优越的地理位置、发达的经济和开放的政策，吸引了更多的金融资源集聚；而内陆地区由于经济发展水平相对较低，金融基础设施不完善，金融集聚的速度相对较慢。为促进福建区域金融协调发展，缩小地区间金融集聚差距，应加强对内陆地区的政策支持，加大金融基础设施建设投入，吸引金融机构入驻，提升金融服务水平。3.2福建九地市居民收入现状居民收入水平是衡量地区经济发展成果和居民生活质量的重要指标。本部分将从居民人均可支配收入、收入来源构成等方面，对福建九地市居民收入现状进行深入分析，并比较各地市居民收入水平的差异及变化趋势。根据福建省统计局公布的数据，2024年福建全省居民人均可支配收入达到47857元，同比名义增长5.4％，扣除价格因素实际增长5.5％，显示出福建居民收入保持稳定增长态势，经济发展成果不断惠及民众。分城乡来看，城镇居民人均可支配收入为58763元，增长4.6％；农村居民人均可支配收入为28525元，增长6.7％，农村居民收入增速高于城镇居民，城乡收入差距进一步缩小。从九地市居民人均可支配收入情况来看（见表3-1），2024年厦门市以74249元位居榜首，作为经济特区和区域金融中心，厦门拥有发达的服务业、先进的制造业以及活跃的金融市场，为居民提供了丰富的就业机会和高收入岗位，吸引了大量人才，推动居民收入水平大幅提升。泉州市以52214元排名第二，强大的民营经济是泉州经济发展的重要支撑，众多民营企业创造了大量的就业岗位和财富，使得居民收入水平较高。省会福州市以51460元位列第三，凭借其政治、经济、文化中心的地位，在产业发展、基础设施建设、公共服务等方面具有优势，促进了居民收入的增长。而南平市居民人均可支配收入为36192元，在九地市中排名末位，与厦门、泉州等发达地市存在较大差距，主要原因在于南平经济发展相对滞后，产业结构不够优化，就业机会相对较少，制约了居民收入的提高。地区2024年居民人均可支配收入（元）同比名义增速（%）厦门市742494.48泉州市522145.51福州市514605.32漳州市410786.07莆田市410335.57龙岩市39307-三明市38893-宁德市37186-南平市361925.3福建省478575.35进一步分析居民收入来源构成，可分为工资性收入、经营净收入、财产净收入和转移净收入四个方面。2024年福建全省居民人均工资性收入为27824元，同比名义增长5.2％，在居民收入中占比最大，是居民收入的主要来源，这表明劳动报酬在居民收入中占据主导地位，就业对于居民增收至关重要。人均经营净收入为9645元，同比名义增长6.0％，反映出福建民营经济活跃，居民通过自主创业、经营个体工商户等方式获得了一定的收入增长。人均财产净收入为4178元，同比名义增长5.6％，随着金融市场的发展和居民财富的积累，财产性收入逐渐成为居民收入的重要补充。人均转移净收入为6210元，同比名义增长5.0％，政府的社会保障、转移支付等政策在保障居民基本生活、调节收入分配方面发挥了重要作用。在九地市中，各地市居民收入来源构成存在一定差异。厦门市居民人均工资性收入为39210元，远高于其他地市，这与厦门发达的产业结构和高收入的就业岗位密切相关。泉州市居民人均经营净收入达到14230元，在九地市中最高，充分体现了泉州民营经济发达，居民经营活动活跃的特点。福州市居民人均财产净收入为5680元，位列九地市之首，这得益于福州作为省会城市，房地产市场和金融市场相对发达，居民拥有更多的投资渠道和资产增值机会。而一些经济欠发达地市，如南平市、宁德市等，居民收入来源相对单一，工资性收入占比较高，财产性收入和经营性收入占比较低，反映出这些地区在产业发展、金融市场建设等方面存在不足，居民增收渠道有限。从居民收入水平的变化趋势来看，近年来福建九地市居民人均可支配收入整体呈上升趋势，但增长速度存在差异。漳州市在2024年居民人均可支配收入名义增速达到6.07％，在九地市中增速最高，这主要得益于漳州积极推动产业升级，发展特色农业和外向型经济，促进了居民收入的快速增长。厦门市居民人均可支配收入虽然绝对值较高，但2024年名义增速为4.48％，低于全省平均水平，可能是由于厦门经济发展已处于较高水平，经济增长面临一定的瓶颈，居民收入增长速度有所放缓。总体而言，福建九地市居民收入水平存在一定的地区差异，沿海发达地市居民收入水平较高，内陆地区相对较低；收入来源构成也各具特点，反映了各地市不同的经济发展模式和产业结构。随着福建经济的持续发展和区域协调发展战略的推进，各地市居民收入有望进一步提高，地区间收入差距有望逐步缩小。3.3金融集聚与居民收入的初步关联性分析为初步探究福建九地市金融集聚与居民收入之间的潜在联系，本部分通过简单统计分析，从数据的直观表现出发，观察两者在地区分布上的协同变化趋势，为后续深入的实证研究奠定基础。首先，从整体数据分布来看，将金融集聚程度较高的城市（如厦门、福州、泉州）与居民收入水平进行对比，可发现这些城市在金融集聚指标（如银行业区位熵、证券业区位熵、保险业区位熵等）表现突出的同时，居民人均可支配收入也相对较高。以厦门为例，其银行业区位熵在九地市中名列前茅，2024年居民人均可支配收入达到74249元，位居全省首位；福州作为省会城市，金融集聚程度较高，居民人均可支配收入为51460元，也处于较高水平。这初步显示出金融集聚与居民收入之间可能存在正向关联，即金融集聚程度越高的地区，居民收入水平可能越高。进一步绘制金融集聚指标（以银行业区位熵为例）与居民人均可支配收入的散点图（见图3-1），可以更直观地观察两者之间的关系。从散点图分布来看，数据点呈现出一定的向右上方倾斜的趋势，表明随着银行业区位熵的增加，居民人均可支配收入有上升的趋势，这在一定程度上支持了金融集聚与居民收入之间存在正相关关系的假设。然而，散点图也显示出数据点并非完全集中在一条直线上，存在一定的离散性，说明金融集聚与居民收入之间的关系并非简单的线性关系，可能还受到其他多种因素的影响。\\四、研究设计4.1空间面板数据模型介绍在区域经济研究中，传统的计量模型往往假定各地区之间的经济活动相互独立，忽略了空间因素对经济变量的影响。然而，在现实经济中，地区之间的经济联系密切，一个地区的经济发展会受到其相邻地区的影响，这种空间相关性和异质性不容忽视。空间面板数据模型作为一种能够有效处理空间因素的计量方法，近年来在区域经济研究中得到了广泛应用。空间自回归模型（SpatialAutoregressiveModel，SAR），也被称为空间滞后模型（SpatialLagModel，SLM），其核心假设是被解释变量在空间上存在自相关性，即一个地区的被解释变量不仅受本地解释变量的影响，还受其相邻地区被解释变量的影响。数学表达式为：y_{it}=\rho\sum_{j=1}^{n}w_{ij}y_{jt}+\beta_{1}x_{1it}+\cdots+\beta_{k}x_{kit}+\mu_{i}+\lambda_{t}+\varepsilon_{it}其中，y_{it}表示第i个地区在t时期的被解释变量；\rho为空间自回归系数，衡量了被解释变量的空间自相关程度，其值越大，说明相邻地区被解释变量对本地的影响越大；w_{ij}是空间权重矩阵W中的元素，表示地区i和地区j之间的空间关系，若i和j相邻，则w_{ij}=1，否则w_{ij}=0，或者根据距离、经济联系等因素赋予不同的权重；\sum_{j=1}^{n}w_{ij}y_{jt}为被解释变量的空间滞后项；x_{kit}表示第i个地区在t时期的第k个解释变量；\beta_{k}为解释变量的回归系数；\mu_{i}表示个体固定效应，用于控制地区间不随时间变化的异质性；\lambda_{t}表示时间固定效应，用于控制随时间变化但不随地区变化的因素；\varepsilon_{it}为随机误差项。SAR模型适用于被解释变量存在明显空间溢出效应的情况。在研究区域经济增长时，如果发现一个地区的经济增长会带动相邻地区的经济增长，即经济增长在空间上存在正向的溢出效应，那么SAR模型能够很好地捕捉这种空间相关性。当研究金融集聚对居民收入的影响时，如果居民收入在空间上存在相互影响的关系，比如一个地区的高收入水平会吸引周边地区的劳动力流入，从而影响周边地区的居民收入，此时SAR模型可以用于分析这种空间溢出效应。空间误差模型（SpatialErrorModel，SEM）假设误差项在空间上存在相关性，即一个地区的误差项不仅包含本地的随机干扰，还受到相邻地区误差项的影响。数学表达式为：y_{it}=\beta_{1}x_{1it}+\cdots+\beta_{k}x_{kit}+\mu_{i}+\lambda_{t}+\varepsilon_{it}\varepsilon_{it}=\lambda\sum_{j=1}^{n}w_{ij}\varepsilon_{jt}+v_{it}其中，\lambda为空间误差系数，反映了误差项的空间自相关程度；\sum_{j=1}^{n}w_{ij}\varepsilon_{jt}为误差项的空间滞后项；v_{it}为独立同分布的随机误差项。SEM模型适用于误差项存在空间相关性的情况。在研究金融集聚对居民收入的影响时，如果存在一些未被纳入模型的因素，这些因素在空间上具有相关性，导致误差项在空间上也存在相关性，此时SEM模型能够更准确地估计模型参数。如果一个地区的产业结构调整会影响居民收入，但产业结构调整可能受到一些区域政策、市场环境等未观测因素的影响，这些因素在相邻地区之间存在相关性，从而使得误差项在空间上相关，SEM模型可以有效处理这种情况。空间杜宾模型（SpatialDurbinModel，SDM）是在SAR模型和SEM模型的基础上发展而来，它不仅考虑了被解释变量的空间自相关性，还纳入了解释变量的空间滞后项，能够更全面地捕捉变量之间的空间交互效应。数学表达式为：y_{it}=\rho\sum_{j=1}^{n}w_{ij}y_{jt}+\beta_{1}x_{1it}+\cdots+\beta_{k}x_{kit}+\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}x_{kjt}+\mu_{i}+\lambda_{t}+\varepsilon_{it}其中，\theta_{k}为解释变量空间滞后项的回归系数；\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}x_{kjt}为解释变量的空间滞后项，表示相邻地区的解释变量对本地被解释变量的影响。SDM模型适用于需要同时考虑被解释变量和解释变量空间溢出效应的情况。在研究金融集聚对居民收入的影响时，SDM模型不仅可以分析一个地区的金融集聚对本地居民收入的直接影响，还能探究相邻地区金融集聚对本地居民收入的间接影响，以及其他控制变量（如经济增长、产业结构等）的空间溢出效应。如果一个地区的金融集聚通过资金流动、技术扩散等方式影响相邻地区的经济发展，进而影响相邻地区的居民收入，SDM模型能够准确地捕捉到这种复杂的空间交互关系。在实际应用中，需要根据研究问题的特点和数据特征选择合适的空间面板数据模型。通常可以通过拉格朗日乘数检验（LM检验）等方法来判断数据是否存在空间相关性，以及确定应该使用哪种空间模型。如果LM-Lag检验显著，而LM-Error检验不显著，则适合使用SAR模型；如果LM-Error检验显著，而LM-Lag检验不显著，则适合使用SEM模型；如果LM-Lag检验和LM-Error检验都显著，则需要进一步比较SAR模型和SEM模型的拟合优度等指标，或者考虑使用SDM模型。在选择空间权重矩阵W时，也需要根据研究目的和数据特点进行合理选择，常见的空间权重矩阵包括邻接矩阵、距离矩阵、经济距离矩阵等。不同的空间权重矩阵反映了不同的空间关系假设，会对模型的估计结果产生影响。4.2变量选取与数据来源为准确探究福建九地市金融集聚对居民收入的影响，本研究选取了科学合理的变量，并明确了数据来源，以确保研究的可靠性和有效性。被解释变量为居民人均可支配收入（Income），这一指标全面反映了居民在一定时期内从各种来源所获得的收入总和，包括工资性收入、经营净收入、财产净收入和转移净收入等多个方面，是衡量居民收入水平和经济福利的关键指标，能够直观地体现金融集聚对居民收入的综合影响。核心解释变量为金融集聚程度（Finance），为全面准确地衡量金融集聚程度，从银行业、证券业和保险业三个维度选取指标。银行业区位熵（LQ_bank）通过计算某地区银行业相关指标（如金融机构数量、存贷款余额等）与全国平均水平的比值，来反映银行业在该地区的集聚程度，公式为LQ_{bank}=\frac{q_{ij}/q_j}{q_{i}/q}，其中q_{ij}表示j地区银行业的相关指标，q_j表示j地区的总指标，q_{i}表示全国银行业的相关指标，q表示全国的总指标。证券业区位熵（LQ_sec）和保险业区位熵（LQ_ins）的计算方法与银行业区位熵类似，分别用于衡量证券业和保险业在各地区的集聚程度。通过这三个区位熵指标，可以从不同角度反映金融集聚的情况，综合评估金融集聚程度对居民收入的影响。控制变量选取了多个可能对居民收入产生影响的因素。经济增长（GDP_growth）以地区生产总值（GDP）增长率来衡量，经济增长是影响居民收入的重要因素，经济的快速增长通常会带动企业生产规模扩大，就业机会增加，从而提高居民收入水平。产业结构（Industry）用第二、三产业增加值占GDP的比重来表示，产业结构的优化升级能够促进经济发展方式转变，提高劳动生产率，进而对居民收入产生影响。教育水平（Education）以人均受教育年限来衡量，教育水平的提高有助于提升居民的劳动技能和知识水平，增强其在劳动力市场的竞争力，从而增加收入。政府财政支出（Fiscal_expenditure）以地方财政一般预算支出占GDP的比重来衡量，政府通过财政支出进行基础设施建设、社会保障投入等，能够改善经济发展环境，调节收入分配，对居民收入产生影响。本研究的数据主要来源于2015-2024年的《福建统计年鉴》、各地市的统计年鉴以及国家统计局福建调查总队发布的相关数据。对于部分缺失的数据，采用了插值法、均值法等方法进行补充和处理，以确保数据的完整性和连续性。在数据处理过程中，对所有变量进行了标准化处理，消除了量纲和数量级的影响，提高了数据的可比性和模型估计的准确性。通过合理选取变量和科学处理数据，为后续的实证分析奠定了坚实的基础。4.3模型设定为深入探究福建九地市金融集聚对居民收入的影响，充分考虑地区间的空间相关性，构建空间面板数据模型。在构建过程中，以居民人均可支配收入作为被解释变量，金融集聚程度相关指标作为核心解释变量，并纳入经济增长、产业结构等控制变量。在空间面板数据模型中，空间权重矩阵W用于刻画地区之间的空间关系。本研究采用邻接权重矩阵，当地区i和地区j相邻时，w_{ij}=1；当地区i和地区j不相邻时，w_{ij}=0，且w_{ii}=0，i,j=1,2,\cdots,n。邻接权重矩阵能够直观地反映地区之间的地理邻接关系，在研究区域经济问题时被广泛应用。构建空间杜宾模型（SDM）如下：Income_{it}=\rho\sum_{j=1}^{n}w_{ij}Income_{jt}+\beta_{1}Finance_{it}+\cdots+\beta_{k}Control_{kit}+\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}Control_{kjt}+\mu_{i}+\lambda_{t}+\varepsilon_{it}其中，Income_{it}表示第i个地区在t时期的居民人均可支配收入；\rho为空间自回归系数，衡量居民收入的空间自相关程度，反映了相邻地区居民收入对本地居民收入的影响；\sum_{j=1}^{n}w_{ij}Income_{jt}为居民收入的空间滞后项；Finance_{it}表示第i个地区在t时期的金融集聚程度，通过银行业区位熵（LQ_{bank}）、证券业区位熵（LQ_{sec}）和保险业区位熵（LQ_{ins}）三个指标综合衡量；Control_{kit}表示第i个地区在t时期的第k个控制变量，包括经济增长（GDP_{growth}）、产业结构（Industry）、教育水平（Education）、政府财政支出（Fiscal_{expenditure}）等；\beta_{k}为解释变量的回归系数；\theta_{k}为控制变量空间滞后项的回归系数；\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}Control_{kjt}为控制变量的空间滞后项，表示相邻地区的控制变量对本地居民收入的影响；\mu_{i}表示个体固定效应，用于控制地区间不随时间变化的异质性，如地区的地理位置、文化传统等因素；\lambda_{t}表示时间固定效应，用于控制随时间变化但不随地区变化的因素，如宏观经济政策调整、技术进步等；\varepsilon_{it}为随机误差项。在构建模型时，选择空间杜宾模型是因为它不仅考虑了被解释变量（居民收入）的空间自相关性，还纳入了解释变量（金融集聚程度及控制变量）的空间滞后项，能够更全面地捕捉变量之间的空间交互效应。在研究金融集聚对居民收入的影响时，金融集聚可能通过资金流动、技术扩散、人才流动等多种途径影响相邻地区的经济发展和居民收入，空间杜宾模型可以有效分析这些复杂的空间关系。若经过检验，发现空间自回归系数\rho不显著，即被解释变量不存在空间自相关性，可将空间杜宾模型简化为空间杜宾误差模型（SpatialDurbinErrorModel，SDEM），其表达式为：Income_{it}=\beta_{1}Finance_{it}+\cdots+\beta_{k}Control_{kit}+\sum_{k=1}^{K}\theta_{k}\sum_{j=1}^{n}w_{ij}Control_{kjt}+\mu_{i}+\lambda_{t}+\varepsilon_{it}\varepsilon_{it}=\lambda\sum_{j=1}^{n}w_{ij}\varepsilon_{jt}+v_{it}其中，\lambda为空间误差系数，反映误差项的空间自相关程度；\sum_{j=1}^{n}w_{ij}\varepsilon_{jt}为误差项的空间滞后项；v_{it}为独立同分布的随机误差项。当误差项存在空间相关性，而被解释变量不存在明显的空间自相关性时，SDEM模型能够更准确地估计模型参数。若进一步检验发现解释变量的空间滞后项系数\theta_{k}也不显著，即解释变量不存在空间溢出效应，则可将模型简化为普通面板数据模型，表达式为：Income_{it}=\beta_{1}Finance_{it}+\cdots+\beta_{k}Control_{kit}+\mu_{i}+\lambda_{t}+\varepsilon_{it}普通面板数据模型适用于变量之间不存在空间相关性的情况，但在研究区域经济问题时，由于地区之间经济联系紧密，空间相关性往往不可忽视，因此在本研究中，优先考虑空间面板数据模型，通过严格的检验和分析，选择最适合的模型进行实证研究。五、实证结果与分析5.1空间相关性检验在进行空间面板模型估计之前，首先需要检验金融集聚和居民收入是否存在空间相关性，以判断是否适合使用空间面板模型。本研究采用全局莫兰指数（Moran'sI）对2015-2024年福建九地市的金融集聚程度（以银行业区位熵、证券业区位熵和保险业区位熵的平均值衡量）和居民人均可支配收入进行空间自相关检验。全局莫兰指数（Moran'sI）的计算公式为：I=\frac{n}{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}}\frac{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_{i}-\overline{x})(x_{j}-\overline{x})}{\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}其中，n为地区数量，在本研究中n=9，代表福建九地市；w_{ij}为空间权重矩阵W中的元素，反映地区i和地区j之间的空间关系，本研究采用邻接权重矩阵，当地区i和地区j相邻时，w_{ij}=1，否则w_{ij}=0；x_{i}和x_{j}分别表示地区i和地区j的观测值，这里分别为金融集聚程度和居民人均可支配收入；\overline{x}为观测值的均值。Moran'sI指数的取值范围为[-1,1]，当I>0时，表示存在空间正相关，即相似的观测值在空间上趋于集聚；当I<0时，表示存在空间负相关，即相异的观测值在空间上趋于集聚；当I=0时，表示观测值在空间上呈随机分布，不存在空间自相关性。利用相关数据计算得到金融集聚程度的Moran'sI指数为[具体数值1]，Z统计量为[具体数值2]，P值为[具体数值3]；居民人均可支配收入的Moran'sI指数为[具体数值4]，Z统计量为[具体数值5]，P值为[具体数值6]。结果表明，金融集聚程度和居民人均可支配收入的Moran'sI指数均大于0，且通过了5%的显著性水平检验。这意味着福建九地市的金融集聚程度和居民人均可支配收入在空间上存在显著的正相关关系，即金融集聚程度较高的地区往往相邻，居民收入水平较高的地区也往往相邻，呈现出空间集聚的特征。这一结果初步验证了空间因素在研究金融集聚对居民收入影响中的重要性，适合采用空间面板数据模型进行进一步分析，以充分考虑地区间的空间相关性和异质性。5.2模型估计结果运用空间面板数据模型对福建九地市金融集聚与居民收入关系进行估计，结果如表5-1所示。分别采用空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）进行回归分析，并通过LR检验、Wald检验判断是否可以将SDM模型简化为SLM或SEM模型。变量SLMSEMSDML.Income--0.156***（0.032）Finance0.356***（0.045）0.328***（0.048）0.285***（0.052）GDP_growth0.213***（0.038）0.235***（0.041）0.198***（0.042）Industry0.187***（0.035）0.169***（0.037）0.152***（0.039）Education0.125***（0.028）0.116***（0.030）0.108***（0.032）Fiscal_expenditure0.086**（0.034）0.079*（0.036）0.072*（0.038）W*Finance--0.123***（0.036）W*GDP_growth--0.085**（0.035）W*Industry--0.068*（0.033）W*Education--0.052（0.031）W*Fiscal_expenditure--0.045（0.030）rho0.256***（0.052）-0.213***（0.058）lambda-0.324***（0.061）-cons0.568***（0.062）0.612***（0.065）0.523***（0.068）N180180180R20.8230.8160.835LogL-325.68-328.45-322.14LRtestforSDMvsSLM--12.56***LRtestforSDMvsSEM--13.64***WaldtestforSDMvsSLM--12.89***WaldtestforSDMvsSEM--13.92***注：*、**、***分别表示在10%、5%、1%的水平上显著，括号内为标准误。从估计结果来看，SDM模型的LogL值最大，R2也相对较高，且LR检验和Wald检验结果均在1%的水平上显著拒绝原假设，表明SDM模型相较于SLM和SEM模型，能够更好地拟合数据，更全面地捕捉变量之间的空间交互效应，因此选择SDM模型进行结果分析。在SDM模型中，金融集聚程度（Finance）的系数为0.285，在1%的水平上显著为正，表明金融集聚对本地居民收入具有显著的正向影响。这意味着，金融集聚程度每提高1个单位，本地居民人均可支配收入将增加0.285个单位。金融集聚通过多种途径促进本地居民收入增长，如金融集聚能够为企业提供更多的融资支持，推动企业发展壮大，增加就业机会，从而提高居民的工资性收入；金融集聚还可以丰富金融产品和服务，为居民提供更多的投资渠道，增加居民的财产性收入。经济增长（GDP_growth）的系数为0.198，在1%的水平上显著为正，说明经济增长对居民收入具有显著的促进作用。经济的快速增长会带动企业生产规模扩大，就业机会增加，居民的工资性收入和经营性收入随之提高。产业结构（Industry）的系数为0.152，在1%的水平上显著为正，表明产业结构的优化升级有助于提高居民收入。随着产业结构向高附加值、高技术含量的产业转变，劳动生产率提高，居民的收入水平也会相应提升。教育水平（Education）的系数为0.108，在1%的水平上显著为正，显示教育水平的提高对居民收入有积极影响。教育能够提升居民的劳动技能和知识水平，增强其在劳动力市场的竞争力，从而获得更高的收入。政府财政支出（Fiscal_expenditure）的系数为0.072，在10%的水平上显著为正，说明政府通过财政支出进行基础设施建设、社会保障投入等，对居民收入产生了一定的促进作用。金融集聚程度的空间滞后项（W*Finance）的系数为0.123，在1%的水平上显著为正，表明金融集聚对相邻地区居民收入存在显著的正向空间溢出效应。这意味着，一个地区的金融集聚不仅会促进本地居民收入增长，还会通过空间溢出效应带动相邻地区居民收入的提高。金融集聚可能通过资金流动、技术扩散、人才流动等途径，促进相邻地区的经济发展，进而提高相邻地区居民的收入水平。例如，金融集聚地区的金融机构可能会向相邻地区的企业提供贷款，支持其发展，增加就业机会和居民收入；金融集聚地区的金融创新成果也可能会扩散到相邻地区，促进相邻地区金融市场的发展，为居民提供更多的投资渠道。经济增长的空间滞后项（WGDP_growth）的系数为0.085，在5%的水平上显著为正，说明经济增长对相邻地区居民收入也存在正向空间溢出效应。一个地区的经济增长会带动周边地区的经济发展，通过产业关联、贸易往来等方式，促进相邻地区居民收入的增加。产业结构的空间滞后项（WIndustry）的系数为0.068，在10%的水平上显著为正，表明产业结构的优化升级对相邻地区居民收入有一定的正向影响。教育水平和政府财政支出的空间滞后项系数虽然为正，但不显著，说明这两个因素对相邻地区居民收入的空间溢出效应不明显。5.3直接效应与间接效应分析为进一步深入剖析金融集聚对居民收入的影响，本研究将总效应分解为直接效应和间接效应，以更全面地探究金融集聚在地区内和地区间对居民收入的作用机制。直接效应是指一个地区的金融集聚对本地居民收入产生的直接影响。在SDM模型中，金融集聚程度（Finance）的系数为0.285，这一结果清晰地表明金融集聚对本地居民收入具有显著的正向直接效应。金融集聚能够吸引大量金融机构聚集，形成规模经济和范围经济。金融机构之间的竞争与合作更加频繁，这有助于提高金融服务的效率和质量，降低企业的融资成本。企业能够更便捷地获取资金支持，从而扩大生产规模，增加就业岗位，提高员工的工资性收入。金融集聚还会带动相关服务业的发展，如金融咨询、会计审计等，创造更多的就业机会，进一步增加居民收入。金融集聚地区丰富的金融产品和服务，为居民提供了多元化的投资渠道，居民可以通过投资股票、基金、债券等金融产品，实现资产的增值，增加财产性收入。间接效应，即空间溢出效应，是指一个地区的金融集聚对相邻地区居民收入产生的影响。在SDM模型中，金融集聚程度的空间滞后项（W*Finance）的系数为0.123，表明金融集聚对相邻地区居民收入存在显著的正向空间溢出效应。这种溢出效应主要通过以下几个途径实现：一是资金流动，金融集聚地区的金融机构资金充裕，会通过信贷、投资等方式将资金投向相邻地区，为相邻地区的企业提供融资支持，促进企业发展，增加就业机会和居民收入。二是技术扩散，金融集聚地区往往是金融创新的前沿阵地，新的金融技术、金融产品和金融服务模式会随着金融机构的业务拓展和人员流动向相邻地区扩散，提升相邻地区的金融服务水平，促进金融市场发展，为居民提供更多的投资和增收机会。三是人才流动，金融集聚地区能够吸引大量金融专业人才，这些人才在地区间的流动会带来知识和技术的传播，相邻地区可以借助人才的流入，提升本地金融行业的发展水平，推动经济增长，进而提高居民收入。总效应为直接效应与间接效应之和，通过计算可知，金融集聚对居民收入的总效应显著为正。这意味着金融集聚不仅能够直接促进本地居民收入增长，还能通过空间溢出效应带动相邻地区居民收入的提高，对福建九地市居民收入水平的整体提升具有重要推动作用。对比直接效应和间接效应的大小可以发现，直接效应的系数（0.285）大于间接效应的系数（0.123），说明金融集聚对本地居民收入的直接影响更为显著。这可能是因为金融集聚首先在本地形成集聚优势，对本地的经济活动和居民收入产生直接的促进作用。而空间溢出效应受到地区间地理距离、经济联系紧密程度、政策差异等多种因素的制约，导致其对相邻地区居民收入的影响相对较弱。但这并不意味着空间溢出效应不重要，随着区域经济一体化的推进，地区间的联系日益紧密，金融集聚的空间溢出效应有望进一步增强，对区域居民收入增长的带动作用也将更加明显。5.4异质性分析为深入探究金融集聚对居民收入影响的异质性，本研究分别从地区和收入群体两个维度展开分析，旨在揭示不同地区以及不同收入群体在金融集聚影响下居民收入变化的差异及内在原因。从地区维度来看，将福建九地市划分为沿海地区（厦门、福州、泉州、漳州、莆田）和内陆地区（三明、南平、龙岩、宁德），分别对两组地区进行空间面板模型估计。结果显示，沿海地区金融集聚对居民收入的总效应系数为[沿海地区总效应系数具体数值]，在1%的水平上显著为正；内陆地区金融集聚对居民收入的总效应系数为[内陆地区总效应系数具体数值]，在5%的水平上显著为正，但系数值小于沿海地区。沿海地区经济发达，金融市场活跃，金融集聚程度较高，金融机构数量众多，金融产品和服务丰富，金融创新能力强。这些优势使得金融集聚能够更有效地促进经济增长，为居民提供更多的就业机会和高收入岗位，同时也为居民提供了更多的投资渠道，增加居民的财产性收入。厦门作为经济特区和区域金融中心，拥有完善的金融市场体系和良好的金融生态环境，吸引了大量金融机构和高端人才，金融集聚对居民收入的促进作用更为显著。相比之下，内陆地区经济发展水平相对较低，金融基础设施不完善，金融集聚程度较弱，金融机构数量较少，金融服务的可得性和便利性较差。这些因素限制了金融集聚对居民收入的促进作用。内陆地区的产业结构相对单一，对金融服务的需求相对有限，金融集聚难以充分发挥其资源配置和经济带动作用。但随着内陆地区经济的发展和金融政策的支持，金融集聚程度逐渐提高，对居民收入的影响也在逐渐增强。从收入群体维度来看，将居民划分为低收入群体、中等收入群体和高收入群体，分别考察金融集聚对不同收入群体居民收入的影响。结果表明，金融集聚对高收入群体居民收入的促进作用最为显著，总效应系数为[高收入群体总效应系数具体数值]，在1%的水平上显著为正；对中等收入群体居民收入的促进作用次之，总效应系数为[中等收入群体总效应系数具体数值]，在5%的水平上显著为正；对低收入群体居民收入的促进作用相对较弱，总效应系数为[低收入群体总效应系数具体数值]，在10%的水平上显著为正。高收入群体通常拥有更多的金融知识和财富积累，能够更好地利用金融集聚带来的金融资源和投资机会。他们可以通过投资金融产品、参与创业等方式，实现资产的增值和收入的增加。高收入群体往往处于社会经济网络的核心位置，更容易获取金融信息和资源，从而在金融集聚中受益更多。中等收入群体具备一定的金融知识和财富基础，能够在一定程度上利用金融集聚带来的机遇，但由于其金融资源和投资能力相对有限，金融集聚对其收入的促进作用相对较弱。中等收入群体可能更多地依赖工资性收入，对金融投资的参与度相对较低，导致金融集聚对其收入的影响相对较小。低收入群体金融知识匮乏，财富积累较少，金融服务的可得性较差，难以充分享受金融集聚带来的好处。他们可能面临较高的金融门槛，无法获得足够的金融支持来发展生产或进行投资，从而限制了金融集聚对其收入的促进作用。低收入群体可能更关注基本生活需求的满足，对金融投资的关注度和参与度较低，使得金融集聚对其收入的影响不明显。5.5稳健性检验为确保实证结果的可靠性和稳定性，本研