长三角区域金融资产结构优化与经济增长的协同共进研究

长三角区域金融资产结构优化与经济增长的协同共进研究一、引言1.1研究背景与意义长江三角洲（简称“长三角”）地区作为我国经济发展的重要引擎，在国家经济格局中占据着举足轻重的地位。它地处长江中下游，濒临黄海与东海，是长江入海之前形成的冲积平原，区域范围涵盖上海市、江苏省、浙江省和安徽省全域，面积达35.8万平方公里。长三角地区不仅地理位置优越，是中国东部沿海地区与长江流域的结合部，更是凭借其得天独厚的自然条件和人文环境，成为人口稠密、城市众多的经济重镇。在经济实力方面，长三角地区表现卓越。2024年，沪苏浙皖三省一市GDP总量再创新高，已突破33万亿元，占全国GDP（约134.9万亿元）比重约24.58%，相比2023年占全国比重约24.4%又有所上升。从城市层面来看，2024年全国27座万亿GDP城市中，长三角独占9座，占比1/3，彰显了其在中国经济版图中的关键地位。其经济总量位列世界第三，仅次于美中，高于日德，若将其视为一个经济体，经济实力不容小觑。金融作为现代经济的核心，在经济发展中扮演着至关重要的角色。而金融资产结构作为金融体系的重要组成部分，其合理性与优化程度对经济增长有着深远的影响。合理的金融资产结构能够促进金融资源的有效配置，提高金融体系的效率，为经济增长提供坚实的支撑。不同类型的金融资产，如货币、股票、债券和保险资产等，在经济增长过程中发挥着各自独特的作用。例如，股票市场的发展可以为企业提供直接融资渠道，促进企业的创新和扩张；债券市场则能为企业和政府提供长期稳定的资金来源，支持基础设施建设和产业升级；保险资产有助于分散风险，稳定经济主体的预期，为经济活动提供保障。在长三角区域，研究金融资产结构与经济增长的关系具有尤为重要的现实意义。一方面，长三角地区经济发展迅速，金融市场活跃，金融资产规模庞大且结构复杂。深入探究该地区金融资产结构与经济增长之间的内在联系，能够为区域金融政策的制定和金融市场的改革提供科学依据，有助于优化金融资源配置，提高金融服务实体经济的能力，进一步推动长三角地区经济的高质量发展。另一方面，长三角地区作为我国经济发展的先行区域，其金融发展模式和经验对其他地区具有重要的示范和借鉴作用。通过对长三角地区金融资产结构与经济增长关系的研究，能够为全国其他地区提供有益的参考，促进我国整体金融体系的完善和经济的协调发展。1.2研究目标与创新点本研究旨在深入剖析长三角区域金融资产结构与经济增长之间的内在关系，具体研究目标如下：揭示金融资产结构与经济增长的关系：全面梳理长三角地区金融资产结构的现状，包括货币资产、股票资产、债券资产、保险资产等各类金融资产的规模、占比及其动态变化。运用计量经济学方法，构建合适的模型，深入探究金融资产结构各组成部分对经济增长的直接和间接影响，明确不同金融资产在经济增长过程中的作用机制和贡献程度。分析区域金融资产结构的特征与差异：对比长三角地区内不同城市、不同省份的金融资产结构，揭示其在区域内部的分布特征和差异。探讨这些差异背后的原因，如经济发展水平、产业结构、政策环境等因素对金融资产结构形成的影响，为制定差异化的区域金融政策提供依据。提出优化金融资产结构促进经济增长的建议：基于实证分析结果，结合长三角地区经济发展战略和金融市场发展趋势，从宏观政策制定、金融市场改革、金融机构创新等多个层面，提出具有针对性和可操作性的优化金融资产结构的建议，以提升金融资源配置效率，增强金融对实体经济的支持力度，推动长三角地区经济实现高质量、可持续增长。本研究的创新点主要体现在以下几个方面：研究视角创新：聚焦长三角这一经济发达且金融市场活跃的特定区域，从区域金融的角度深入研究金融资产结构与经济增长的关系。与以往多从国家层面进行的研究不同，本研究能够更细致地考虑区域经济特色、产业结构差异以及政策协同效应对金融资产结构和经济增长的影响，为区域金融发展理论提供新的视角和实证依据。研究方法创新：综合运用多种计量经济学方法和模型，如向量自回归模型（VAR）、格兰杰因果检验、脉冲响应函数分析等，全面深入地分析金融资产结构与经济增长之间的动态关系、因果关系以及冲击响应。同时，结合空间计量方法，考虑长三角地区各城市之间的空间相关性，研究金融资产结构和经济增长在空间上的溢出效应和协同发展模式，使研究结果更加全面、准确和深入。数据运用创新：收集和整理了长三角地区丰富的微观金融数据和宏观经济数据，涵盖多个年份和多个维度。不仅包括传统的金融资产规模、经济增长指标等数据，还纳入了金融创新产品、金融市场活跃度等新兴数据指标，更全面地反映长三角地区金融资产结构和经济增长的实际情况，为研究提供更坚实的数据基础。1.3研究方法与数据来源本研究综合运用多种研究方法，确保研究的全面性、科学性和可靠性。文献研究法：广泛收集国内外关于金融资产结构与经济增长关系的学术文献、研究报告、政策文件等资料。对这些文献进行系统梳理和深入分析，了解已有研究的成果、不足以及研究趋势，为本文的研究提供理论基础和研究思路。通过对文献的研究，明确金融资产结构和经济增长的相关理论，总结前人在研究两者关系时所采用的方法和模型，借鉴其成功经验，避免重复劳动，同时发现现有研究中尚未解决的问题，从而确定本文的研究重点和创新点。实证分析法：这是本文研究的核心方法。运用计量经济学工具，对收集到的数据进行量化分析，以揭示金融资产结构与经济增长之间的内在关系和作用机制。具体而言，构建向量自回归模型（VAR）来分析金融资产结构变量（如货币资产、股票资产、债券资产、保险资产等的规模和占比）与经济增长变量（如地区生产总值GDP及其增长率等）之间的动态关系。通过格兰杰因果检验，判断金融资产结构各变量与经济增长之间是否存在因果关系，以及因果关系的方向。利用脉冲响应函数分析，研究当金融资产结构某一变量受到外部冲击时，经济增长变量如何响应，以及这种响应的持续时间和强度。此外，还采用方差分解方法，分析金融资产结构各变量对经济增长波动的贡献度，进一步明确不同金融资产在经济增长中的重要性。比较分析法：对长三角地区内不同城市、不同省份的金融资产结构进行横向比较，分析其在金融资产规模、结构比例、发展速度等方面的差异。同时，将长三角地区的金融资产结构与全国平均水平以及其他经济发达地区（如珠三角地区、京津冀地区等）进行对比，找出长三角地区金融资产结构的优势和特色，以及存在的差距和问题。通过比较分析，深入探究影响金融资产结构形成和发展的因素，如经济发展水平、产业结构、政策环境、金融市场发育程度等，为提出针对性的优化建议提供依据。本研究的数据来源主要包括以下几个方面：官方统计机构：长三角地区各省市的统计年鉴，如《上海统计年鉴》《江苏统计年鉴》《浙江统计年鉴》《安徽统计年鉴》，这些年鉴提供了丰富的地区经济数据，包括地区生产总值、固定资产投资、人口数据等，为衡量经济增长提供了基础数据。中国人民银行发布的金融统计数据，涵盖货币供应量、存贷款余额等重要货币金融指标，是研究货币资产结构的关键数据来源。国家统计局网站公布的全国和地区宏观经济数据，为研究提供了更广泛的背景数据和对比依据。金融数据库：万得（Wind）金融数据库，它整合了全球金融市场数据，提供了全面的股票、债券、基金、期货等金融产品的市场数据，包括市值、发行量、交易量等，是研究证券类金融资产结构的重要数据源。彭博（Bloomberg）数据库，同样提供了丰富的国际金融市场数据和分析工具，有助于获取国际金融市场动态和相关数据，为研究提供国际视角的参考。政府部门和金融监管机构网站：中国证券监督管理委员会（证监会）、中国银行保险监督管理委员会（银保监会）等监管机构网站，发布了大量关于金融市场监管政策、行业发展报告、金融机构数据等信息，对于了解金融市场的政策环境和行业发展态势具有重要价值。长三角地区各省市的金融管理部门网站，也提供了当地金融发展的特色数据和政策文件。二、理论基础与文献综述2.1金融资产结构相关理论金融资产结构是指在一定时期内，各类金融资产在金融体系中所占的比重及其相互关系。它是金融体系的重要组成部分，反映了金融资源在不同金融工具和金融市场之间的配置状况。金融资产结构的合理与否，直接影响着金融体系的效率和稳定性，进而对经济增长产生深远影响。金融资产可以按照不同的标准进行分类。按照金融资产的性质，可分为货币性资产、证券类资产和权益类资产。货币性资产是以货币形式存在的资产，如现金、存款、短期贷款等，具有流动性强、风险低的特点，是经济主体进行日常交易和支付的重要手段。证券类资产指各种融资证券，如国债、企业债券、股票、期货等，它们是金融市场的重要交易工具，具有较高的风险性和收益性，能够为投资者提供多样化的投资选择，同时也为企业和政府提供了重要的融资渠道。权益类资产指具有经济价值并可以得到经济舆论支持的企业、产权、投资或经济权益，如企业投资、产权投资、技术投资等，这类资产通常与企业的所有权和控制权相关，对企业的发展和经济结构的调整具有重要作用。按照交易性质分类，金融资产可分为流动性资产、固定性资产和权益性资产。流动性资产指资金易于流动、可以用于支付日常费用的资产，如现金、银行存款、短期借款等，它们能够满足经济主体对资金流动性的需求，保障经济活动的顺利进行。固定性资产指资金较难流动，只能于特定时期收回的资产，如股票、债券、有价证券等，这类资产的投资期限相对较长，收益相对稳定，但流动性较差。权益性资产指没有形成市场体系的金融资产，如企业投资、产权投资、技术投资等，其价值往往取决于企业的经营状况和发展前景，具有较高的不确定性和风险性。从收益类型来看，金融资产可分为利息型金融资产、股息型金融资产和价格变动型金融资产。利息型金融资产指按照规定利率、期限及频率支付利息的金融资产，如国债、企业债券、贴现票据等，投资者通过持有这类资产获得固定的利息收益，风险相对较低。股息型金融资产指按照规定的期限，公司向股东支付的分红，如股票、基金份额等，其收益与公司的盈利状况密切相关，具有一定的不确定性。价格变动型金融资产指收益取决于金融资产价格的变动，如期货、外汇等，投资者通过买卖这类资产获取价格差价收益，风险较高。金融资产结构理论的发展历程可以追溯到20世纪中叶。早期的金融结构理论主要关注金融机构的组成和金融工具的种类。戈德史密斯（Goldsmith）在1969年出版的《金融结构与金融发展》一书中，采用比较金融研究的方法，基于国民账户体系，对35个国家的金融结构演进路径进行了比较分析。他提出了金融相关比率（FIR）等重要指标，用以衡量金融发展水平和金融资产结构的变化。戈德史密斯认为，金融发展与经济增长之间存在着密切的关系，金融结构的变化是经济增长的重要驱动力之一。随着经济的发展，金融资产总量会不断增加，金融结构会逐渐从简单向复杂演变，金融相关比率也会相应提高。20世纪80年代以来，金融资产结构理论得到了进一步的发展。这一时期，金融创新层出不穷，金融市场日益多元化，金融资产结构也变得更加复杂。学者们开始关注金融资产结构对经济增长的影响机制，以及金融市场的效率和稳定性等问题。一些研究表明，合理的金融资产结构能够促进金融资源的有效配置，提高金融体系的效率，从而推动经济增长。例如，股票市场和债券市场的发展可以为企业提供更多的融资渠道，降低企业的融资成本，促进企业的投资和创新，进而推动经济增长。同时，金融资产结构的多元化也有助于分散金融风险，增强金融体系的稳定性。在金融资产结构与经济增长关系的研究中，不同的理论流派有着不同的观点。古典经济增长理论虽然没有直接阐述金融资产结构与经济增长的关系，但强调了资本积累、劳动分工和技术进步等因素对经济增长的重要性。在古典经济学家看来，投资和积累过程是经济增长的核心，而金融资产作为资本的一种形式，其结构的变化可能会影响资本的积累和配置效率，从而间接影响经济增长。新古典经济增长理论以索洛模型为代表，该模型假设生产函数具有规模报酬不变的特性，资本和劳动是主要的生产要素，技术进步是外生给定的。在新古典经济增长理论中，金融资产结构被视为外生变量，对经济增长的影响主要通过资本积累和技术进步间接体现。例如，金融市场的发展可以提高储蓄向投资的转化效率，增加资本积累，从而促进经济增长。但该理论没有深入探讨金融资产结构本身的变化对经济增长的直接影响。内生增长理论则强调经济增长是由经济体系内部的因素决定的，如技术进步、人力资本积累和知识创新等。在这一理论框架下，金融资产结构被认为是影响经济增长的重要内生变量。金融市场的发展和金融资产结构的优化可以促进资源的有效配置，提高技术创新的效率，推动人力资本的积累，从而实现经济的内生增长。例如，风险投资等金融创新工具的出现，可以为高科技企业提供资金支持，促进技术创新和产业升级，进而推动经济增长。此外，金融资产结构的变化还可以通过影响企业的融资成本、投资决策和风险管理等方面，对经济增长产生直接影响。2.2经济增长理论经济增长理论作为经济学领域的重要研究内容，旨在探索推动经济持续增长的关键因素以及经济增长的内在机制。自古典经济学时期起，经济学家们就对经济增长问题展开了深入研究，历经数百年的发展，形成了众多丰富且具有影响力的理论流派。这些理论流派从不同的视角、基于不同的假设前提，对经济增长的源泉、动力、影响因素以及长期趋势等方面进行了剖析和阐述，为我们理解经济增长现象提供了多元的思考框架和理论依据。古典经济增长理论作为现代经济增长理论的思想渊源，诞生于特定的历史时期。18世纪，工业革命的浪潮席卷而来，英国的政治、社会和经济环境发生了深刻变革，这促使经济学家们开始关注工业资本主义的运行方式、基本促进因素及其发展结果。古典经济学家们主要侧重于分析经济增长的决定因素，其中亚当・斯密和大卫・李嘉图的理论最具代表性。亚当・斯密在其经典著作《国民财富的性质和原因的研究》中，最早对经济增长问题进行了系统论述。他的增长理论具有两个显著特点。一方面，引入了劳动分工的概念，他认为劳动分工能够使劳动者更加专注于某一环节，从而提高生产效率，进而推动经济增长。随着劳动分工的细化，劳动者能够不断积累专业技能和经验，在生产过程中实现更高的效率和质量提升。另一方面，区分了“生产性”和“非生产性”两类劳动，他指出生产性劳动占全部劳动的比例以及劳动分工引起的劳动生产率的提高是决定国民财富增加的主要因素。“生产性”劳动能够增加物的价值，而“非生产性”劳动则不能。经济增长能否持续，取决于从事生产性劳动的劳动者数量。此外，斯密还强调劳动分工受市场范围的限制，市场规模的扩大可以使分工更加细化，从而进一步提高生产效率，推动经济增长。这意味着劳动生产率与需求之间存在着相互促进的关系，对一个人劳动生产物需求的增长会带动其劳动生产率、实际工资以及对其他人劳动生产物需求的提升，形成经济增长的推动力。大卫・李嘉图在《政治经济学与赋税原理》中提出了经济增长的重要概念——报酬递减规律。他认为在土地上增加投资，得到的回报会不断减少。这一规律对经济增长产生了深远影响。基于报酬递减规律，李嘉图得出经济增长最终将趋于停止，即达到所谓的“停滞状态”的结论。这是因为随着投资的不断增加，土地等生产要素的边际收益逐渐降低，导致经济增长的动力逐渐减弱。同时，他将收入分配与经济增长联系在一起，强调国民收入分配在经济增长中的重要作用。在经济增长过程中，劳动力生产出的剩余中，资本家的份额会不断下降，这不仅减少了储蓄，也降低了利润率，从而减少了对投资的刺激作用，最终导致经济增长走向停止。古典经济增长理论认为投资和积累过程是经济增长的核心，封建社会发展缓慢的关键原因在于社会产品中绝大多数被用于非生产性消费，而非生产性投资。然而，从古典经济增长理论提出后的200余年里，经济发展并未出现停滞迹象，这表明该理论关于经济增长的描述存在一定局限性，其规模收益递减的假定未能充分考虑技术进步等因素对经济增长的持续推动作用。新古典经济增长理论形成于20世纪50年代末，索洛（RobertSolow）的《对经济增长理论的一个贡献》和斯旺（TrevorSwan）的《经济增长和资本积累》奠定了其理论基础。该理论源于对哈罗德-多马增长理论中缺陷的修正。哈罗德-多马模型假定生产技术不变，对于给定的储蓄率，能够实现均衡的有保证的增长率只有一个唯一数值，且实现充分就业的稳定增长条件很难达成。新古典经济增长理论则放松了这一假设，引入了资本和劳动的边际收益递减规律以及外生技术进步。新古典经济增长理论的核心模型是索洛模型，该模型假设生产函数具有规模报酬不变的特性，资本和劳动是主要的生产要素，技术进步是外生给定的。生产函数总形式为Y=F(K,L)，其中Y表示总产出，K表示资本存量，L表示劳动投入。通过定义人均产出y=Y/L和人均资本k=K/L，并假设规模报酬不变，即zY=F(zK,zL)（z>0），当z=1/L时，可得到y=F(k,1)=f(k)。在索洛模型中，储蓄率s是外生变量，储蓄转化为投资，即i=sy=sf(k)，其中i表示投资，c表示消费，c=(1-s)y。同时，考虑资本的折旧，折旧率为\delta，人均折旧为\deltak。资本积累的基本思想是投资使资本存量增加，折旧使资本存量减少，资本存量的变化\Deltak=i-\deltak=sf(k)-\deltak。当投资仅仅足以弥补折旧，即sf(k)=\deltak时，人均资本将保持不变，此时的人均资本k*称为稳态资本存量。在稳态下，经济增长达到一种长期均衡状态，人均产出和人均资本不再变化。索洛模型预测，储蓄率的提高会导致投资增加，进而使资本存量向新的稳态增长。较高的储蓄率和投资能够带来更高的资本水平和人均收入水平。然而，索洛模型也存在一定的局限性。它将技术进步视为外生给定的因素，无法解释技术进步的来源和内生机制。在现实经济中，技术进步是经济增长的重要驱动力，它并非是一个外生的、不可控的因素，而是受到经济体系内部诸多因素的影响，如研发投入、人力资本积累、知识创新等。此外，索洛模型假定资本和劳动的边际收益递减，这在一定程度上限制了其对长期经济增长的解释力。在长期经济发展过程中，技术进步和知识创新等因素可能会导致规模收益递增，使经济实现持续增长。内生经济增长理论产生于20世纪80年代中期，该理论的出现是对新古典经济增长理论的重要突破。它强调经济增长是由经济体系内部的因素决定的，而非依赖外力推动。内生的技术进步、人力资本积累和知识创新等被视为保证经济持续增长的关键决定因素。内生经济增长理论的发展可划分为两大阶段。在第一阶段，理论家们主要在完全竞争的框架下探讨长期增长率的决定因素。这一阶段的理论模型包括两条主要研究路径。一条是以罗默（Romer.P）、卢卡斯（Lucas．R）等人为代表，通过全经济范围内的收益递增和技术外部性来阐述经济增长。罗默的知识溢出模型认为知识具有外部性，一个厂商的知识积累不仅会提高自身的生产效率，还会对其他厂商的生产产生积极影响，从而使整个经济呈现出收益递增的特征。卢卡斯的人力资本模型则强调人力资本的积累是经济增长的核心，人力资本不仅能够提高劳动者自身的生产效率，还具有外部效应，能够促进整个经济的增长。另一条路径是以资本持续积累来解释经济的内生增长，如琼斯-真野惠里模型和雷贝洛模型等。这些模型认为资本的持续积累能够推动经济的内生增长，通过不断增加资本投入，提高生产效率，实现经济的持续发展。从20世纪90年代开始，为了克服完全竞争假设下内生增长模型存在的缺陷，增长理论家转向在垄断竞争假设下研究经济增长，并提出了一系列新的内生增长模型。这些模型可细分为产品种类增加型、产品质量升级型和专业化加深型三种内生增长模型。产品种类增加型内生增长模型认为，经济增长源于产品种类的不断增加，新的产品种类能够满足消费者多样化的需求，刺激消费和投资，从而推动经济增长。产品质量升级型内生增长模型强调产品质量的不断提升是经济增长的重要动力，企业通过不断投入研发资源，提高产品质量，增强市场竞争力，进而促进经济增长。专业化加深型内生增长模型则关注专业化分工的深化，认为随着专业化程度的提高，劳动者的技能和生产效率不断提升，能够实现更高的经济效益，推动经济持续增长。内生经济增长理论的核心思想是技术进步内生化，这使得经济能够实现持续增长。在劳动投入过程中包含着因正规教育、培训、在职学习等形成的人力资本，在物质资本积累过程中包含着因研究与开发、发明、创新等活动形成的技术进步。要素收益不再必然递减，资本收益率可以不变或增长，人均产出可以无限增长。该理论认为政府政策对经济增长具有重要影响，财政政策、货币政策、产业政策等可以通过影响技术进步、人力资本积累和知识创新等因素，来促进经济增长。与新古典经济增长理论相比，内生经济增长理论更加强调经济体系内部的作用机制，为解释长期经济增长提供了更全面、更深入的视角。2.3金融资产结构与经济增长关系的文献综述金融资产结构与经济增长的关系一直是学术界和实务界关注的焦点问题，国内外学者从不同角度、运用多种方法进行了深入研究，取得了丰硕的成果。国外学者在该领域的研究起步较早。戈德史密斯（Goldsmith）在1969年的开创性研究中，运用金融相关比率（FIR）对35个国家的金融结构与经济增长进行了实证分析。他发现金融发展与经济增长之间存在着大致平行的关系，随着人均收入的增长，金融相关比率也会相应提高，金融资产结构也会发生变化。这一研究为后续探讨金融资产结构与经济增长的关系奠定了基础。King和Levine（1993）在戈德史密斯的研究基础上，进一步拓展了金融发展指标，通过对80个国家1960-1989年的数据进行实证分析，发现金融中介的发展（以流动性负债与GDP的比率、商业银行资产与商业银行和中央银行总资产的比率等指标衡量）与经济增长之间存在显著的正相关关系。他们认为金融中介能够通过促进资本积累和技术创新来推动经济增长，不同类型的金融资产在这一过程中发挥着不同的作用。在股票市场与经济增长关系的研究方面，Levine和Zervos（1998）对42个国家1976-1993年的数据进行分析，发现股票市场的流动性（以股票交易总额与GDP的比率、换手率等指标衡量）和规模（以股票市值与GDP的比率衡量）与经济增长之间存在显著的正相关关系。他们指出，股票市场能够通过提供风险分散、信息揭示和公司治理等功能，促进资本配置效率的提高，进而推动经济增长。在债券市场与经济增长关系的研究方面，Demirgüç-Kunt和Levine（1996）对58个国家的债券市场进行研究，发现债券市场规模（以债券市值与GDP的比率衡量）与经济增长之间存在正相关关系。他们认为债券市场可以为企业和政府提供长期稳定的融资渠道，降低融资成本，促进投资和经济增长。国内学者对金融资产结构与经济增长关系的研究也日益丰富。易纲（1996）分析了中国1978-1995年的金融资产结构，指出中国金融资产总量成倍增长，M2与GNP之比快速上升，反映出经济体制改革中金融深化（货币化）的进程，但同时也指出中国金融资产结构存在不合理之处，如居民金融资产投资选择较少，主要依赖银行储蓄，直接融资的资本市场发展滞后。易纲和宋旺（2008）延续之前的研究，对1991-2007年中国金融资产结构的新变化进行分析，发现中国金融资产总量继续快速增长，结构有所优化，股票和债券为代表的金融资产增长加快，但直接融资发展水平依然偏低，特别是企业债券市场规模较小、股票融资功能有待改善等。在区域金融资产结构与经济增长关系的研究方面，范方志和张立军（2003）将中国分为东部、中部和西部三个区域，研究发现金融结构转变与经济增长之间存在密切关系，不同区域的金融资产结构对经济增长的影响存在差异。东部地区金融资产结构较为多元化，金融市场发展较为成熟，对经济增长的促进作用更为明显；而中西部地区金融资产结构相对单一，金融市场发展相对滞后，对经济增长的支持力度较弱。王定祥等（2009）以重庆市为例，研究了区域金融资产结构与经济增长的关系，发现金融资产结构的优化能够促进经济增长。他们通过构建向量自回归模型（VAR），分析了货币资产、证券资产和保险资产等金融资产结构变量与经济增长变量之间的动态关系，发现证券资产和保险资产对经济增长的促进作用逐渐增强。尽管国内外学者在金融资产结构与经济增长关系的研究方面取得了丰富的成果，但仍存在一些不足之处和研究空白。现有研究在金融资产结构的度量上尚未形成统一的标准，不同学者采用的指标和方法存在差异，这使得研究结果之间的可比性受到一定影响。未来研究需要进一步完善金融资产结构的度量指标体系，综合考虑多种金融资产的规模、占比、流动性等因素，以更准确地反映金融资产结构的特征。在研究对象上，大多数研究主要关注国家层面或宏观区域层面的金融资产结构与经济增长关系，对特定经济区域内的微观层面研究相对较少。像长三角这样经济发达且金融市场活跃的区域，其内部不同城市、不同产业的金融资产结构存在显著差异，这些差异对经济增长的影响尚未得到充分研究。未来研究可以深入到区域内部的微观层面，如城市、产业、企业等，探讨金融资产结构在微观层面的异质性及其对经济增长的影响。在研究方法上，虽然实证研究是主流方法，但现有研究在模型设定、变量选择和数据处理等方面仍存在一定的局限性。部分研究可能忽视了变量之间的内生性问题、样本选择偏差以及数据的时间序列特性等，导致研究结果的准确性和可靠性受到影响。未来研究需要运用更先进的计量经济学方法，如面板数据模型、动态面板模型、空间计量模型等，充分考虑各种影响因素，提高研究结果的科学性和可信度。在研究内容上，对于金融资产结构与经济增长之间的传导机制和作用路径的研究还不够深入和全面。虽然已有研究提出了金融资产结构通过资本积累、技术创新、资源配置效率等渠道影响经济增长的观点，但对于这些渠道的具体作用过程和相互关系的研究还存在不足。未来研究可以进一步深入探讨金融资产结构与经济增长之间的传导机制，分析不同金融资产在促进经济增长过程中的具体作用方式和协同效应。三、长三角区域金融资产结构与经济增长现状分析3.1长三角区域经济增长现状近年来，长三角地区经济总量持续攀升，在全国经济格局中占据着举足轻重的地位。2024年，长三角地区三省一市GDP总量突破33万亿元，占全国GDP比重约24.58%，较2023年占比24.4%有所上升。从具体省份和城市来看，上海市2024年GDP达到53926.71亿元，成为全国首个GDP超5万亿的城市，经济实力雄厚，作为长三角地区的核心城市，在金融、贸易、科技等领域发挥着引领作用。江苏省2024年GDP总量可观，在全国各省份中名列前茅，省内多个城市如苏州、南京等经济发展强劲，产业基础雄厚，制造业发达，是长三角地区重要的经济增长极。浙江省经济发展也保持着良好的态势，民营经济活跃，创新能力较强，杭州、宁波等城市在数字经济、电子商务等新兴产业领域取得了显著成就。安徽省作为长三角地区的新兴增长极，经济增长迅速，2025年一季度以6.2%的GDP增速领跑长三角区域，2024年经济总量也实现了稳步增长，在产业承接、科技创新等方面不断发力，积极融入长三角一体化发展。在增长速度方面，长三角地区经济增长保持着较高的活力。2024年，长三角地区共有20座城市GDP增速达到6%及以上。2025年一季度，长三角三省一市经济总量保持稳定增长，江苏、浙江、上海、安徽GDP同比增速分别为5.9%、6.0%、5.1%和6.2%。其中，安徽省凭借新兴产业的快速发展，如新能源汽车产业增加值在2025年一季度增长49.1%，带动全省经济增长，增速创近三年同期最佳表现。江苏省与全国经济第一大省广东的经济总量差距收窄至436.91亿元，追赶势头明显，其持续推进“智改数转网联”三年行动，加速企业数字化转型，一季度数字经济核心制造业增长12%，为经济增长注入新动力。浙江省以数字经济重塑制造优势，带动关键产品产量大幅提升，如笔记本计算机产量同比增长70.2%，创历史新高，工业机器人产量同比增长54.1%，推动经济快速增长。上海市在巩固现代服务业优势的同时，持续发力集成电路、生物医药、人工智能三大先导产业，规上工业产值增速回升至3.7%，其中人工智能制造业增长13.2%，成为经济增长的新亮点。从产业结构来看，长三角地区产业结构不断优化升级，呈现出“三二一”的产业格局。2025年一季度，上海市的第三产业增加值占比为80.8%，其中金融、信息服务业贡献主要增量，占比第三产业增加值超35%，第三产业已成为上海经济增长的主要动力，同时上海持续推进集成电路、生物医药、人工智能三大先导产业发展，提升工业发展质量。江苏省和浙江省现阶段仍处于工业化中后期，制造业、服务业对经济发展同样重要，但服务业比重逐步上升。江苏省在制造业领域不断推进数字化转型，如常州形成了链条完善、布局合理、规模领先的动力电池产业集群，新能源汽车产量增长51.3%。浙江省民营经济活跃，在数字经济与先进制造融合方面成效显著，出口结构持续向高端化迈进，笔记本计算机、工业机器人等高端装备出口同比增幅超50%。安徽省工业增长呈现“双轮驱动”特征，装备制造和电子信息产业同步发力，汽车制造业31.7%的增速带动全省装备制造业增长18.4%，电子行业21.1%的增速受益于新型显示产业突破，工业机器人产量爆发式增长1.1倍。同时，长三角地区在产业协同方面不断深化，如G60科创走廊二期项目启动，通过联合攻关关键核心技术、共建智能工厂等方式，推动区域产业结构从“规模扩张”转向“价值跃升”。3.2长三角区域金融资产结构现状长三角地区作为我国经济发展的重要引擎，其金融资产规模庞大且增长迅速。近年来，随着经济的快速发展和金融市场的不断完善，长三角地区的金融资产总量持续攀升。截至2024年末，长三角地区金融机构本外币各项存款余额达到65.2万亿元，较上年增长10.5%；本外币各项贷款余额达到54.8万亿元，同比增长11.2%。这表明该地区金融市场的资金供给和需求都较为旺盛，为经济增长提供了有力的资金支持。从金融资产的构成来看，银行业在长三角地区金融体系中占据主导地位。银行资产规模庞大，存贷款业务是其主要的资金来源和运用方式。截至2024年末，长三角地区银行业金融机构资产总额达到78.6万亿元，占该地区金融资产总额的比重超过60%。在存款方面，住户存款和非金融企业存款是主要组成部分。其中，住户存款余额为28.5万亿元，占存款总额的43.7%；非金融企业存款余额为22.8万亿元，占比35.0%。在贷款方面，制造业贷款、基础设施贷款和个人住房贷款是主要投向领域。制造业贷款余额为10.8万亿元，占贷款总额的19.7%，反映了该地区对实体经济中制造业的大力支持；基础设施贷款余额为8.5万亿元，占比15.5%，表明基础设施建设在区域经济发展中得到了充分的资金保障；个人住房贷款余额为7.6万亿元，占比13.9%，体现了房地产市场在区域经济中的重要地位。证券业在长三角地区也取得了显著发展。股票市场和债券市场作为证券市场的重要组成部分，在企业融资和资源配置方面发挥着重要作用。截至2024年末，长三角地区上市公司总数达到3600余家，占全国上市公司总数的28.5%；股票总市值达到45.6万亿元，占全国股票总市值的26.3%。这显示出长三角地区企业在资本市场上的活跃度较高，通过股票市场获得了大量的融资支持。在债券市场方面，长三角地区债券发行量稳步增长。2024年，该地区债券发行总额达到8.2万亿元，其中企业债券发行量为2.5万亿元，政府债券发行量为5.7万亿元。企业债券的发行有助于企业拓宽融资渠道，降低融资成本；政府债券的发行则为基础设施建设、公共服务等领域提供了资金支持。保险业在长三角地区同样呈现出良好的发展态势。保险深度和保险密度是衡量保险业发展水平的重要指标。保险深度是指保费收入占国内生产总值的比例，反映了保险业在国民经济中的地位；保险密度是指按当地人口计算的人均保险费额，体现了居民的保险消费水平。2024年，长三角地区原保险保费收入达到1.2万亿元，同比增长12.5%；保险深度为3.6%，高于全国平均水平；保险密度为5500元/人，也处于全国领先地位。这表明长三角地区居民和企业对保险的认知度和需求较高，保险业在风险保障、经济补偿等方面发挥着重要作用。在保险业务结构方面，财产险和人身险是主要的业务类型。财产险保费收入为4500亿元，占原保险保费收入的37.5%，主要涵盖企业财产保险、机动车辆保险、农业保险等，为企业和居民的财产安全提供了保障；人身险保费收入为7500亿元，占比62.5%，包括人寿保险、健康保险、意外伤害保险等，满足了居民在养老、医疗、意外等方面的风险保障需求。在金融资产的区域分布上，长三角地区内部存在一定的差异。上海市作为国际金融中心，金融资源高度集聚，在金融资产规模和结构上具有明显优势。2024年，上海市金融机构本外币各项存款余额达到18.6万亿元，贷款余额达到15.8万亿元；证券市场交易活跃，上市公司数量众多，股票总市值和债券发行量均在长三角地区占据重要份额；保险业发展成熟，保险深度和保险密度均高于长三角地区平均水平。江苏省和浙江省的金融资产规模也较大，但与上海市相比，在金融市场的国际化程度和创新能力方面存在一定差距。江苏省金融资产主要集中在南京、苏州等经济发达城市，制造业贷款占比较高，反映了其制造业大省的产业特色。浙江省民营经济活跃，金融资产在服务民营企业融资方面发挥着重要作用，民间借贷、互联网金融等创新金融模式较为发达。安徽省作为长三角地区的新兴增长极，金融资产规模相对较小，但增长速度较快。近年来，安徽省加大了对金融市场的培育和发展力度，积极吸引金融机构入驻，推动金融创新，金融资产结构不断优化。3.3金融资产结构与经济增长的初步关联分析为了初步探讨长三角区域金融资产结构与经济增长之间的关系，我们对相关数据进行了描述性统计和简单相关性分析。对长三角地区2010-2024年的金融资产结构和经济增长相关数据进行描述性统计，结果如表1所示。从经济增长指标来看，地区生产总值（GDP）的均值达到了21.5万亿元，反映出长三角地区经济规模庞大。GDP增长率的均值为7.8%，表明该地区经济保持着较高的增长速度，但增长率的最大值和最小值之间存在一定差距，说明经济增长存在一定的波动性。变量观测值均值标准差最小值最大值GDP（万亿元）1521.55.613.833.2GDP增长率（%）157.81.64.210.5货币资产（万亿元）1538.69.822.456.2股票资产（万亿元）1528.37.216.545.6债券资产（万亿元）1515.84.58.226.7保险资产（万亿元）157.62.13.512.3在金融资产结构方面，货币资产的均值为38.6万亿元，标准差为9.8，显示出货币资产规模较大且相对稳定。股票资产均值为28.3万亿元，标准差为7.2，表明股票资产规模也较为可观，但波动相对较大。债券资产均值为15.8万亿元，标准差为4.5，保险资产均值为7.6万亿元，标准差为2.1，这两类金融资产的规模和波动程度相对适中。为了进一步探究金融资产结构与经济增长之间的关系，我们计算了各金融资产变量与GDP增长率之间的简单相关系数，结果如表2所示。货币资产与GDP增长率之间的相关系数为0.32，呈现出一定的正相关关系，这表明货币资产规模的增加可能在一定程度上促进经济增长。股票资产与GDP增长率的相关系数为0.45，正相关关系更为明显，说明股票市场的发展对经济增长具有一定的推动作用。债券资产与GDP增长率的相关系数为0.28，也表现出正相关关系，意味着债券市场的发展对经济增长有一定的积极影响。保险资产与GDP增长率的相关系数为0.38，同样呈现正相关，显示出保险市场的发展有助于促进经济增长。变量GDP增长率货币资产0.32股票资产0.45债券资产0.28保险资产0.38这些初步的关联分析结果表明，长三角区域的金融资产结构与经济增长之间存在着一定的正相关关系。不同类型的金融资产，如货币资产、股票资产、债券资产和保险资产，在促进经济增长方面都发挥着各自的作用。然而，简单相关性分析只能初步揭示变量之间的关联程度，并不能确定它们之间的因果关系和具体的影响机制。为了更深入地研究金融资产结构与经济增长之间的内在关系，还需要运用更复杂的计量经济学方法进行进一步的实证分析。四、长三角区域金融资产结构对经济增长影响的实证研究4.1研究设计4.1.1变量选取为了深入研究长三角区域金融资产结构对经济增长的影响，我们选取了一系列具有代表性的变量。在经济增长指标方面，地区生产总值（GDP）是衡量一个地区经济规模和发展水平的重要指标，而GDP增长率则能够更直观地反映经济增长的速度和动态变化。因此，我们选择GDP增长率（Growth）作为衡量经济增长的核心指标。GDP增长率的计算公式为：Growth=\frac{GDP_{t}-GDP_{t-1}}{GDP_{t-1}}\times100\%，其中GDP_{t}表示第t期的地区生产总值，GDP_{t-1}表示第t-1期的地区生产总值。该指标数值越大，表明经济增长速度越快，经济发展越活跃。在金融资产结构指标方面，我们分别选取了直接融资比重（Direct）和间接融资比重（Indirect）来衡量金融资产结构的特征。直接融资是指资金供给者与资金需求者通过一定的金融工具直接形成债权债务关系的融资形式，主要包括股票融资和债券融资等。直接融资比重（Direct）的计算公式为：Direct=\frac{股票融资额+债券融资额}{社会融资规模}\times100\%。该指标反映了直接融资在社会融资规模中所占的比例，数值越高，说明直接融资在金融体系中的地位越重要，金融资产结构越偏向于直接融资模式。间接融资是指资金供给者与资金需求者通过金融中介机构间接实现资金融通的活动，主要表现为银行贷款。间接融资比重（Indirect）的计算公式为：Indirect=\frac{银行贷款额}{社会融资规模}\times100\%。该指标体现了间接融资在社会融资规模中的占比情况，数值越大，表明间接融资在金融体系中占据主导地位，金融资产结构以间接融资为主。为了控制其他可能影响经济增长的因素，我们还选取了一系列控制变量。固定资产投资（Investment）是经济增长的重要驱动力之一，它反映了一个地区在固定资产方面的投入规模和力度。固定资产投资的增加可以带动相关产业的发展，促进生产能力的提升，从而推动经济增长。我们以固定资产投资总额占地区生产总值的比重来衡量固定资产投资水平，计算公式为：Investment=\frac{固定资产投资总额}{GDP}\times100\%。人力资本（Human）对经济增长具有重要的促进作用，高素质的劳动力能够提高生产效率，推动技术创新，进而促进经济发展。我们采用每万人中高等学校在校学生数来近似衡量人力资本水平。该指标反映了一个地区的教育水平和人才储备情况，数值越高，说明该地区的人力资本越丰富，对经济增长的支撑作用越强。科技创新（Innovation）是推动经济持续增长的核心动力，它能够提高生产效率，创造新的经济增长点。我们选取研究与试验发展（R\u0026D）经费支出占地区生产总值的比重来衡量科技创新水平，计算公式为：Innovation=\frac{R\u0026D经费支出}{GDP}\times100\%。该指标反映了一个地区在科技创新方面的投入强度，数值越大，表明该地区对科技创新的重视程度越高，科技创新能力越强，对经济增长的推动作用也越大。4.1.2模型构建为了检验金融资产结构对经济增长的影响，我们构建了如下多元线性回归模型：Growth_{it}=\alpha_{0}+\alpha_{1}Direct_{it}+\alpha_{2}Indirect_{it}+\sum_{j=1}^{3}\alpha_{j+2}Control_{jit}+\mu_{it}其中，i表示长三角地区的不同城市，t表示时间；Growth_{it}表示第i个城市在第t期的GDP增长率，是被解释变量，用于衡量经济增长水平；Direct_{it}表示第i个城市在第t期的直接融资比重，Indirect_{it}表示第i个城市在第t期的间接融资比重，它们是核心解释变量，用于反映金融资产结构的特征；Control_{jit}表示第i个城市在第t期的第j个控制变量，包括固定资产投资（Investment）、人力资本（Human）和科技创新（Innovation）等，用于控制其他可能影响经济增长的因素；\alpha_{0}为常数项，\alpha_{1}、\alpha_{2}、\alpha_{j+2}为各变量的回归系数，反映了相应变量对经济增长的影响程度；\mu_{it}为随机误差项，用于捕捉模型中未考虑到的其他随机因素对经济增长的影响。在该模型中，我们重点关注直接融资比重（Direct_{it}）和间接融资比重（Indirect_{it}）的回归系数\alpha_{1}和\alpha_{2}。如果\alpha_{1}显著为正，说明直接融资比重的提高对经济增长具有促进作用，即直接融资在金融资产结构中的占比增加有助于推动经济增长；如果\alpha_{2}显著为正，则表明间接融资比重的提高对经济增长有正向影响，即间接融资在金融资产结构中占据更大比例时有利于经济增长。反之，如果回归系数为负，则表示相应的金融资产结构指标对经济增长产生负面影响。通过对模型的估计和分析，我们可以深入了解金融资产结构与经济增长之间的数量关系，为政策制定和经济发展提供理论支持和实证依据。4.1.3数据处理与样本选择在进行实证研究之前，我们需要对收集到的数据进行清洗、整理和预处理，以确保数据的质量和可靠性。数据清洗是数据处理的重要环节，主要目的是去除数据中的噪声、错误和异常值，使数据更加准确和完整。我们首先对原始数据进行仔细检查，查找并删除存在明显错误或缺失值较多的观测值。对于存在少量缺失值的数据，我们采用均值填充、插值法或其他合适的方法进行填补。例如，对于某些城市某一年份的固定资产投资数据缺失，我们可以根据该城市前后年份的固定资产投资数据以及其他类似城市的相关数据，运用线性插值法或均值填充法来估算缺失值。在处理异常值时，我们采用箱线图分析、Z-Score标准化等方法来识别和处理。箱线图分析可以直观地展示数据的分布情况，通过确定数据的四分位数和异常值范围，我们可以发现并处理明显偏离正常范围的数据点。Z-Score标准化则是通过计算数据点与均值的距离，并以标准差为单位进行衡量，从而判断数据点是否为异常值。对于被判定为异常值的数据，我们根据具体情况进行修正或删除。数据整理的过程包括对数据进行分类、排序和汇总，以便于后续的分析和建模。我们将收集到的金融资产结构数据、经济增长数据以及控制变量数据按照城市和时间进行分类整理，确保数据的一致性和可比性。例如，将长三角地区各个城市的GDP增长率、直接融资比重、间接融资比重以及固定资产投资、人力资本、科技创新等数据分别整理成相应的数据集，并按照时间顺序进行排序，以便于进行时间序列分析和面板数据分析。在样本选择方面，我们选取了长三角地区的27个城市作为研究样本，时间跨度为2010-2024年。这27个城市涵盖了长三角地区的主要经济中心和发展区域，包括上海、南京、苏州、无锡、杭州、宁波等城市，具有较强的代表性。选择这一时间段主要是基于数据的可得性和研究的时效性。在这一时期，长三角地区的经济和金融市场经历了快速发展和变革，数据能够较好地反映金融资产结构与经济增长之间的动态关系。同时，近年来的数据也更能体现当前经济和金融发展的现状和趋势，为研究提供更具现实意义的参考。通过对这27个城市15年的数据进行分析，我们可以更全面、深入地研究长三角区域金融资产结构对经济增长的影响，得出更具普遍性和可靠性的结论。4.2实证结果与分析4.2.1回归结果运用Stata软件对构建的面板数据模型进行估计，回归结果如表3所示。|变量|系数|标准误|t值|P>|t||----|----|----|----|----||Direct|0.085***|0.021|4.05|0.000||Indirect|0.053**|0.025|2.12|0.034||Investment|0.048***|0.015|3.20|0.001||Human|0.036**|0.017|2.12|0.034||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||----|----|----|----|----||Direct|0.085***|0.021|4.05|0.000||Indirect|0.053**|0.025|2.12|0.034||Investment|0.048***|0.015|3.20|0.001||Human|0.036**|0.017|2.12|0.034||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||Direct|0.085***|0.021|4.05|0.000||Indirect|0.053**|0.025|2.12|0.034||Investment|0.048***|0.015|3.20|0.001||Human|0.036**|0.017|2.12|0.034||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||Indirect|0.053**|0.025|2.12|0.034||Investment|0.048***|0.015|3.20|0.001||Human|0.036**|0.017|2.12|0.034||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||Investment|0.048***|0.015|3.20|0.001||Human|0.036**|0.017|2.12|0.034||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||Human|0.036**|0.017|2.12|0.034||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||Innovation|0.052***|0.014|3.71|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000|_cons|-0.062**|0.029|-2.14|0.033||N|405|R-sq|0.425||F|18.65|P>|F|0.000||N|405|R-sq|0.425||F|18.65|P>|F|0.000||F|18.65|P>|F|0.000|从回归结果可以看出，模型的整体拟合效果较好，F检验值为18.65，对应的P值为0.000，表明模型在1%的显著性水平下显著，即模型中的解释变量能够较好地解释被解释变量GDP增长率的变化。调整后的R²为0.425，说明模型能够解释经济增长变动的42.5%，解释能力较强。在核心解释变量方面，直接融资比重（Direct）的回归系数为0.085，且在1%的显著性水平下显著为正。这表明直接融资比重的提高对经济增长具有显著的促进作用，直接融资比重每增加1个百分点，GDP增长率将提高0.085个百分点。间接融资比重（Indirect）的回归系数为0.053，在5%的显著性水平下显著为正。这意味着间接融资比重的增加也能够促进经济增长，间接融资比重每提高1个百分点，GDP增长率将上升0.053个百分点。在控制变量方面，固定资产投资（Investment）的回归系数为0.048，在1%的显著性水平下显著为正。这说明固定资产投资对经济增长有显著的正向影响，固定资产投资占GDP的比重每增加1个百分点，GDP增长率将提高0.048个百分点。人力资本（Human）的回归系数为0.036，在5%的显著性水平下显著为正，表明人力资本水平的提高能够促进经济增长，每万人中高等学校在校学生数每增加1人，GDP增长率将上升0.036个百分点。科技创新（Innovation）的回归系数为0.052，在1%的显著性水平下显著为正，说明科技创新对经济增长具有显著的推动作用，研究与试验发展（R\u0026D）经费支出占GDP的比重每增加1个百分点，GDP增长率将提高0.052个百分点。常数项的回归系数为-0.062，在5%的显著性水平下显著为负。4.2.2结果分析从实证结果可以看出，长三角区域金融资产结构对经济增长具有显著影响。直接融资比重的提高对经济增长的促进作用较为明显，这与理论预期相符。直接融资能够为企业提供更直接、更便捷的融资渠道，降低企业的融资成本，提高企业的资金使用效率。通过股票市场和债券市场等直接融资方式，企业可以获得更多的长期资金，用于扩大生产规模、技术创新和产业升级等，从而推动经济增长。在长三角地区，一些高科技企业通过在股票市场上市融资，获得了大量的资金支持，得以加大研发投入，推出具有创新性的产品和服务，不仅提升了自身的竞争力，也带动了相关产业的发展，促进了经济增长。间接融资比重的增加也对经济增长起到了积极的推动作用。银行贷款作为间接融资的主要形式，在企业融资中占据重要地位。银行凭借其专业的风险管理能力和广泛的资金来源，能够为企业提供稳定的资金支持。对于一些规模较小、信用评级较低的企业来说，银行贷款可能是其主要的融资渠道。在长三角地区，银行通过优化信贷结构，加大对实体经济的支持力度，为众多中小企业提供了必要的资金，帮助它们解决了生产经营中的资金难题，促进了企业的发展和经济的增长。固定资产投资作为经济增长的重要驱动力之一，对长三角地区的经济增长具有显著的正向影响。加大固定资产投资能够带动相关产业的发展，创造更多的就业机会，促进消费增长，从而推动经济增长。在长三角地区，基础设施建设、工业投资等固定资产投资项目的实施，不仅改善了地区的投资环境，提高了生产能力，还促进了产业的集聚和升级，为经济增长注入了强大动力。人力资本和科技创新在经济增长中也发挥着重要作用。高素质的劳动力和科技创新能力是推动经济持续增长的关键因素。长三角地区拥有丰富的教育资源和科研机构，培养了大量的高素质人才。这些人才为企业的创新发展提供了智力支持，推动了技术创新和产业升级。同时，长三角地区高度重视科技创新，不断加大对科研的投入，鼓励企业开展技术创新活动，提高了地区的科技创新水平。科技创新成果的转化和应用，提高了生产效率，创造了新的经济增长点，有力地促进了经济增长。4.2.3稳健性检验为了确保实证结果的可靠性，我们进行了一系列稳健性检验。首先，采用替换变量的方法。将直接融资比重（Direct）替换为股票融资额与债券融资额之和占GDP的比重（Direct1），间接融资比重（Indirect）替换为银行贷款额占GDP的比重（Indirect1），重新对模型进行回归。回归结果如表4所示。|变量|系数|标准误|t值|P>|t||----|----|----|----|----||Direct1|0.082***|0.020|4.10|0.000||Indirect1|0.051**|0.024|2.13|0.033||Investment|0.046***|0.014|3.29|0.001||Human|0.034**|0.016|2.12|0.034||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||----|----|----|----|----||Direct1|0.082***|0.020|4.10|0.000||Indirect1|0.051**|0.024|2.13|0.033||Investment|0.046***|0.014|3.29|0.001||Human|0.034**|0.016|2.12|0.034||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||Direct1|0.082***|0.020|4.10|0.000||Indirect1|0.051**|0.024|2.13|0.033||Investment|0.046***|0.014|3.29|0.001||Human|0.034**|0.016|2.12|0.034||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||Indirect1|0.051**|0.024|2.13|0.033||Investment|0.046***|0.014|3.29|0.001||Human|0.034**|0.016|2.12|0.034||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||Investment|0.046***|0.014|3.29|0.001||Human|0.034**|0.016|2.12|0.034||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||Human|0.034**|0.016|2.12|0.034||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||Innovation|0.050***|0.013|3.85|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000|_cons|-0.058**|0.027|-2.15|0.032||N|405|R-sq|0.420||F|18.43|P>|F|0.000||N|405|R-sq|0.420||F|18.43|P>|F|0.000||F|18.43|P>|F|0.000|从表4可以看出，替换变量后的回归结果与基准回归结果基本一致。直接融资比重（Direct1）和间接融资比重（Indirect1）的回归系数依然在1%和5%的显著性水平下显著为正，且系数大小与基准回归结果相近。这表明直接融资和间接融资对经济增长的促进作用是稳健的，不受变量选取方式的影响。其次，调整样本范围。剔除2020年这一受新冠疫情影响较大的年份的数据，重新对模型进行估计。回归结果如表5所示。|变量|系数|标准误|t值|P>|t||----|----|----|----|----||Direct|0.083***|0.021|3.95|0.000||Indirect|0.052**|0.025|2.08|0.037||Investment|0.047***|0.015|3.13|0.002||Human|0.035**|0.017|2.06|0.040||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||----|----|----|----|----||Direct|0.083***|0.021|3.95|0.000||Indirect|0.052**|0.025|2.08|0.037||Investment|0.047***|0.015|3.13|0.002||Human|0.035**|0.017|2.06|0.040||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||Direct|0.083***|0.021|3.95|0.000||Indirect|0.052**|0.025|2.08|0.037||Investment|0.047***|0.015|3.13|0.002||Human|0.035**|0.017|2.06|0.040||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||Indirect|0.052**|0.025|2.08|0.037||Investment|0.047***|0.015|3.13|0.002||Human|0.035**|0.017|2.06|0.040||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||Investment|0.047***|0.015|3.13|0.002||Human|0.035**|0.017|2.06|0.040||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||Human|0.035**|0.017|2.06|0.040||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||Innovation|0.051***|0.014|3.64|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000|_cons|-0.060**|0.028|-2.14|0.033||N|378|R-sq|0.422||F|18.52|P>|F|0.000||N|378|R-sq|0.422||F|18.52|P>|F|0.000||F|18.52|P>|F|0.000|从表5可以看出，调整样本范围后的回归结果与基准回归结果也较为相似。直接融资比重（Direct）和间接融资比重（Indirect）的回归系数在1%和5%的显著性水平下仍然显著为正，且系数大小变化不大。这说明在剔除特殊年份数据后，金融资产结构对经济增长的影响依然稳健，进一步验证了实证结果的可靠性。通过以上稳健性检验，我们可以得出结论：本文的实证结果是稳健可靠的，长三角区域金融资产结构对经济增长具有显著影响，直接融资和间接融资比重的提高均能促进经济增长。五、基于实证结果的问题与挑战剖析5.1金融资产结构不合理问题尽管长三角地区金融资产规模庞大且增长迅速，但在金融资产结构方面仍存在一些不合理之处。在直接融资与间接融资方面，长三角地区存在失衡现象。从实证结果来看，虽然直接融资和间接融资比重的提高均能促进经济增长，但目前间接融资在金融体系中仍占据主导地位。截至2024年末，长三角地区银行业金融机构资产总额占该地区金融资产总额的比重超过60%，银行贷款作为间接融资的主要形式，在企业融资中占据重要地位。而直接融资比重相对较低，直接融资在社会融资规模中所占的比例有待进一步提高。这种失衡的融资结构可能会给经济发展带来一些潜在风险。企业过度依赖银行贷款，会增加企业的债务压力和融资成本，一旦企业经营不善，无法按时偿还贷款，将导致银行不良贷款增加，影响金融体系的稳定性。直接融资发展不足，会限制企业的融资渠道，不利于企业的创新和扩张，也会影响金融市场的资源配置效率。债券市场和股票市场作为直接融资的重要组成部分，在长三角地区的发展也存在不协调的问题。从规模上看，债券市场规模相对较小。2024年，长三角地区债券发行总额为8.2万亿元，而股票总市值达到45.6万亿元。债券市场的发展滞后，使得企业融资过度依赖股票市场和银行贷款，增加了融资风险。在债券市场内部，企业债券市场规模较小，政府债券发行量相对较大。2024年，长三角地区企业债券发行量为2.5万亿元，仅占债券发行总额的30.5%。企业债券市场发展缓慢，限制了企业通过债券融资的渠道，增加了企业的融资难度。从市场活跃度来看，股票市场交易相对活跃，但存在一定的波动性和投机性。股票市场的波动较大，会影响投资者的信心，不利于企业的长期融资和发展。而债券市场的交易活跃度相对较低，流动性不足，影响了债券市场的资源配置效率。金融资产结构不合理的问题还体现在金融资产的区域分布不均衡上。上海市作为国际金融中心，金融资源高度集聚，在金融资产规模和结构上具有明显优势。而江苏省和浙江省的金融资产规模虽然也较大，但与上海市相比，在金融市场的国际化程度和创新能力方面存在一定差距。安徽省作为长三角地区的新兴增长极，金融