供给侧结构性改革下融资结构对实体经济发展的空间效应分析

刘伟江 王虎邦

摘要：社会融资规模的合理增长与社会融资结构的有效优化，有利于营造供给侧结构性改革下的良好货币金融环境。本文基于中国31个省（区、市）的面板数据，引入空间杜宾模型研究了社会融资结构对实体经济发展的影响，对全国、东部地区、中部地区、西部地区实体经济发展的空间交互效应进行对比分析。研究表明，全国及三大区域的银行信贷、股票与债券融资方式都显著地促进了实体经济的发展，但存在明显的空间依赖性及政策相关性。

关键词：供给侧结构性改革 融资结构 实体经济 空间杜宾模型

中图分类号：F820.1 文献标识码：A

An Analysis of the Spatial Effects of Financing Structure on Real Economy Development under Supply-side Reform

Liu Weijiang Wang Hubang

Abstract: That aggregate financing to the real economy increases reasonably and social financing structure optimizes continuously are important and meaningful for the supply-side structural reforms to create a appropriate monetary and financial environment. By introducing Spatial Durbin Model to study the interaction of financing structure to the real economy, based on panel data of 31 provinces（autonomous regions and municipalities）in China, regional spatial interaction in national, eastern, central and western economic development entities were compared. Results showed that bank credit, stocks and bonds of financing methods are significantly for promoting the development of the real economy, but there is a clear spatial dependence and policy relevance.

Keywords: Supply-side Structural Reform Financing Structure Real Economy Spatial Durbin Model

引言

广义货币（M2）和新增人民币贷款一直被视为金融统计监测的重要指标。然而，随着金融改革的不断深化和金融创新的不断发展，融资工具更趋多元化，实体经济的融资结构也发生了深刻演变，以股票和债券为代表的直接融资占据着越来越重要的地位。传统的宏观调控指标已不能准确反映金融对实体经济发展的支持力度，从而给政府宏观调控带来了新的挑战。在此背景下，2010年11月中国人民银行开始研究并设计社会融资规模指标。2012年，中国人民银行开始按月发布社会融资规模增量数据。2014年起，中国人民银行按季公布各省份的社会融资规模增量数据。2015年2月，中国人民银行发布了2002年以来社会融资规模存量统计数据。2016年的《政府工作报告》提出了两个“13%左右”的货币政策调控目标，即广义货币（M2）增长13%左右，社会融资规模余额增长13%左右。这是中国第一次在国家层面提出社会融资规模增长目标，意味着社会融资规模正式成为中国货币政策的调控目标。该指标从社会资金供给的角度反映金融对实体经济部门的支持，也反映了供给侧结构性改革的进展情况，其对宏观经济的影响引起了政府部门和相关研究机构的广泛关注。

与此同时，中国各地区社会融资结构本身存在比较大的差异，而各地区间融资结构的正向溢出效应将使这种差距进一步缩小。如何使社会融资规模保持合理增长，使社会融资结构更加优化，进而为区域经济发展和供给侧结构性改革营造良好的货币金融环境？对这一问题的解答有助于诠释经济结构变迁与发展的动力机制，它是当前供给侧结构性改革面临的主要问题之一，也是区域金融结构性改革与转型升级的关键所在。

实际上，围绕着融资结构与实体经济间关系问题，国内外学者进行了一定研究。国外大多数学者认为合理的融资结构可以促进实体经济增长。Tadesse（2002）分析得出，市场导向型的融资结构有利于整个经济部门的创新，而银行导向型的融资结构仅对信息集中度比较高的工业部门的创新具有较大的促进作用。Luintel、Khan和Arestis等（2008）运用时间序列和动态异质性面板数据方法，分析了由世界银行提供的14个国家的金融发展和金融结构数据，结果发现金融结构在解释经济增长方面的作用非常显著。Cheng和Degryse（2010）的研究表明银行信贷对实体经济增长起促进作用。然而，也有部分学者的实证研究得出了不同的结论。Demirgüç-Kunt（2004）、Ergungor（2008）通过不同国家、不同行业和跨国公司层面的数据对金融结构与经济表现做计量分析，并未找到证据来支持金融结构与经济增长之间存在相关性。Hasan等（2009）、Zhang等（2012）认为政府干预导致国有银行对资金的非效率配置，从而阻碍了实体经济增长。

国内学者对融资结构与实体经济间关系的研究形成两种观点。第一种，绝大多数研究发现融资结构与实体经济增长之间存在显著的正向相关关系。林毅夫和孙希芳（2008）、武志（2010）、盛松成和谢洁玉（2012）都认为社会融资结构的变动能够显著影响实体经济。郭丽虹、张祥建和徐龙炳（2014）指出，社会融资规模的扩大对地区实体经济发展有显著促进作用。张兴军等（2015）的研究表明，产业结构、融资结构、国有企业投资占比对各地区融资效率有显著影响。第二种，张晓朴和朱太辉（2014）认为，金融体系发展对经济增长存在倒U形的“阈值效应”，一定范围内的金融发展会促进经济增长，超出一定范围的金融发展反而会阻碍经济增长。夏祥谦（2014）的研究则发现融资总量相对于实体经济规模的扩大对经济增长和生产率提高均具有显著正效应，但直接融资比重的上升对经济增长和生产率提高有显著的抑制作用。吴晗（2015）基于新结构经济学视角认为，在中低经济发展水平地区，以银行信贷为主的金融资源配置方式更有利于经济增长。可以看出，国内学者对融资结构与实体经济间存在明显的相关关系已基本达成共识，但是在融资结构对实体经济的作用机制方面存在着差异。

本文引入空间交互效应理论模型探讨银行信贷与金融市场对实体经济发展的支持作用，基于金融结构转型与区域经济供给侧结构性改革的实际，将空间交互影响作用分解为直接效应、溢出效应和总效应，以期客观、真实地诠释社会融资结构与实体经济间的作用机制，进而提出优化融资结构的政策建议。

1 社会融资规模变动趋势及结构特征分析

银行信贷、股票与债券等融资方式的存在，意味着实体经济在不同范围内有资金需求，并且资金用途各有其特点，由此也就决定了融资的规模和结构比例的变化。事实上，这种融资结构比例是动态调整的，它随着社会经济结构与环境的变化而发生相应的变动，原因不仅在于资金需求结构的变动，而且更重要的是资本要素供给侧的结构变化。通过社会融资规模的趋势分解情况，可以清晰地解读我国实体经济部门的融资随时间变化的趋势及波动特征（见图1）。

从图1中的趋势成分看，社会融资规模在2002～2016年的样本区间内整体呈波动上升趋势；从周期成分看，2002～2007年社会融资规模的波动幅度较平稳，而自2008年金融危机爆发以来，其波动幅度变化较剧烈，这意味着金融深化导致融资环节增多、链条拉长、金融风险增加。由此可见，社会融资规模具有明显攀升势头，但伴随着较大不确定性，因此对包含银行信贷、股票与债券在内的社会融资规模及结构的监测也就具有重要现实意义。表1反映了中国及其各地区社会融资中银行信贷融资（间接融资）占比的变动趋势。由于间接融资与直接融资存在互补关系，下面分别对二者进行阐述。

直接融资和间接融资的相互关系和量的比率构成了一国的融资结构，反映着两种金融组织方式对实体经济的贡献程度。由于间接融资与直接融资存在互补关系，下面分别对二者进行阐述。从表1可以看出，（1）银行信贷融资变动趋势及结构特征：2001～2004年以银行信贷为中心的融资方式占据绝对重要地位，全国、东部、中部、西部银行信贷融资占比都在90%以上。2004～2007年银行信贷融资占比有所下降，原因是股票和债券融资模式得到了初步发展。2007～2011年受全球金融危机影响，银行信贷融资占比呈现先升后降的倒U形变化趋势。2012～2015年中国经济步入新常态，呈现经济增长动力与经济下行压力并存的情况，银行信贷融资占比上行调整。西部地区对银行信贷依赖程度最高，其银行信贷融资占比最高为2003年的96.3%，最低为2012年的79.6%，整体高于其他地区。东部地区对银行信贷依赖程度最低，2011年银行信贷融资所占比重为71.0%, 2012年银行信贷融资所占比重已下降到了69.8%的水平。截至2016年6月末，东部、中部和西部地区本外币各项贷款余额同比增速分别为11.2%、15.8%和13.0%，中、西部地区本外币各项贷款余额增速分别高出东部地区4.6和1.8个百分点。综上所述，银行信贷是我国实体经济部门获取外部融资的主要途径，信贷资金持续向中、西部倾斜，这两个地区的贷款增速远高于东部地区。可见，银行信贷融资变动趋势及结构特征与区域经济发展水平、宏观经济周期及国家政策等因素密切相关，这些因素使得银行信贷对实体经济产生了不对称效应。

（2）股票、债券融资变动趋势及结构特征：2001～2015年，中国金融市场中股票和债券融资占比呈现一定程度的增长，但仅在2% ～32%的区间内浮动。2001～2004年股票和债券融资发展非常滞后。2004～2007年直接融资占比快速增长，2004年的全国平均水平就达25.0%。2007～2011年受全球金融危机的影响，直接融资占比总体呈先降后升的U形变化趋势。随着中国经济进入新常态，经济增长动力与经济下行压力并存，2013年股票、债券融资占比大幅度下降，至2014年有小幅上涨。综上所述，金融市场中股票、债券融资在整个社会融资格局中的地位不断增强。其中，东部地区直接融资发展水平最高，中西部地区发展相对滞后，但融资区域不平衡状况有所改善。另外，经济运行周期对实体经济融资方式也具有深远影响。

2 社会融资结构对实体经济空间影响效应的模型设定

根据银行与金融市场在金融体系中的相对重要性，一般将金融体系划分为银行主导型和市场主导型两种。本文选取的研究变量是以银行信贷为中心的间接融资和以金融市场股票、债券为主的直接融资。研究这两种融资方式对实体经济的支持作用，能更好地促进直接融资与间接融资相对地位和职能的调整，促进融资结构优化，进而实现经济发展的目标。本文采用空间杜宾模型研究地区社会融资结构对实体经济影响的空间交互效应，其基本形式为：

公式（1）通过对空间滞后模型（SAR）和空间误差模型（SEM）施加相应约束条件而设立，其中W1 是因变量的空间相关关系，W2 是自变量X的空间相关关系，两者可以设置为相同或不同的空间矩阵，ε是满足正态独立同分布的随机扰动项。本文将银行信贷与金融市场（股票、债券）对实体经济影响的空间杜宾模型的具体形式设定如下：

其中，α为常数项，ln INV是实体经济发展的代理变量，ln BANK代表了银行信贷融资，ln MARKET是金融市场（股票、债券）融资，ρ为空间回归系数，μi 和λt 分别代表空间特定效应和时间特定效应的哑变量；εit是扰动项列向量；W为N×N阶的空间权重矩阵，W×ln INV是实体经济固定资产投资的空间滞后项，W×ln BANK代表自变量银行信贷融资的空间滞后项，W×ln MARKET代表金融市场中股票和债券融资的空间滞后项。

对于公式（2）的估计问题，由于空间相关性的存在，其基本假设条件已不再满足，如果仍然选用OLS进行参数估计，那么模型估计结果将是有偏和无效的。为了得到切实可靠的结论，本文依据Anselin（1988）、Lee和Yu（2010）、Elhorst（2010）的方法，采用由LeSage和Pace（2009）总结的空间杜宾模型极大似然法（MLE）进行参数估计，其对数似然函数形式如下：

其中，eλ＝Y-ρWY-Zθ, Z＝［X, WX］, θ＝［β′, y′］′, α为常数项估计值。为了进一步说明银行信贷与金融市场对实体经济的空间交互效应，本文参考Elhorst（2010）的研究将这种空间相关扩展到相邻区域的信息上，由此将空间交互效应分解为直接效应、溢出效应及总效应，这样公式（1）可以用以下形式表示：

进一步改写为：

如果定义矩阵：

那么，公式（1）最终可写成如下形式：

至此，本文根据公式（9）就可以推导出社会融资结构对实体经济空间交互作用的直接效应、溢出效应和总效应。

直接效应为∂yi/∂xir＝Sr（W）ii，表示X对本地区造成的直接效应，也即银行信贷融资与金融市场融资给本地区实体经济带来的直接影响，数值为矩阵Sr（W）中对角线元素的平均值，记作：

溢出效应为∂yi/∂xjr＝Sr（W）ij，表示X对其他地区造成的间接效应，也即银行信贷融资与金融市场融资给其他相邻地区实体经济带来的溢出效应，数值为Sr（W）中非对角元素的平均值，计作（r）indirect的。总效应（r）total表示银行信贷融资与金融市场融资给所有地区带来的总影响，记作：

由于本文按照空间地理位置的不同进行样本数据的采集，这样就会导致如下两个方面的问题：一是不同的观测值之间存在空间相关性；二是模型中存在空间异质性。为了检验实体经济、银行信贷融资、金融市场融资等变量是否存在空间相关性，使用空间自相关经典检验Moran'I指数方法。此外，空间异质性的检验为空间经济计量模型处理空间交互效应的效果提供了判定标准。在无空间交互效应面板模型的基础上，构建残差的拉格朗日LM test和稳健的拉格朗日Robust LM统计量进行空间自相关检验，判断是否有必要引入空间滞后模型（SAR）和空间误差模型（SEM）。若空间滞后模型和空间误差模型都成立，需要通过构建Wald统计量和LR统计量进行相关的假设检验，即H0: θ＝0和H0: θ+δβ＝0，以此来判定空间杜宾模型是否可以退化为空间滞后模型或空间误差模型。

3 社会融资结构对实体经济空间影响效应的实证分析

3.1 数据来源及处理

本文选取中国31个省（区、市）2001～2015年非金融机构部门社会融资结构年度数据为研究对象，该数据来源于中国人民银行公布的各年《中国区域金融运行报告》，具体包括各省份当年本外币贷款新增额、企业债券融资和股票融资。同时，采用中国人民银行划分标准，将本外币贷款新增额作为银行信贷融资，将企业债券净融资和股票融资作为金融市场融资。为消除异方差，将本外币贷款新增额与企业债券净融资和股票融资数据取对数处理。关于实体经济代理变量，则参考林毅夫和孙希芳（2008）, Cheng和Degryse（2010），郭丽虹、张祥建和徐龙炳（2014）等相关研究，选取社会固定资产投资。该变量数据取自2001～2016年《中国统计年鉴》，并将社会固定资产数据取对数处理。此外，为加强各地区社会融资结构的有机联系，考虑空间区位因素对实体经济协调发展的影响，本文采用邻接性方法构建空间权重矩阵。

3.2 社会融资结构对实体经济空间影响效应分析

在实证计量分析过程中，除了要研究社会融资结构与实体经济间存在关联的经济理论基础，还需要分析实体经济、银行信贷融资、金融市场融资各变量的数据分布规律及两两之间的因果关系，这些都是进行参数估计与统计推断的前提。空间交互效应计量模型中各变量分布及关系如图2所示。

图2直观展示了实体经济、银行信贷融资、金融市场融资各变量的数据分布特征。对角线为各变量自身的分布图，对角线之外则为对应变量两两之间的散点图。可以发现，社会融资结构各变量与实体经济之间具有很强的相关关系。此外，采用面板数据Dumitrescu和Hurlin（2012）检验方法，发现在1%的显著性水平上，上述各变量Granger因果关系的原假设都被拒绝（如表2所示）。这意味着面板数据存在双向因果关系：既存在银行信贷融资、股票与债券融资对实体经济的影响，也存在实体经济对不同融资方式的影响，因而社会融资规模内部结构对实体经济影响的研究具有重要现实意义。

同时，由前文分析可知，在进行空间交互效应分析时，还需要对实体经济、银行信贷融资、金融市场融资等各变量进行空间相关性的Moran指数检验。从表3中可以看出，固定资产投资、银行信贷融资、股票与债券融资各变量的Moran指数在空间区位上具有相似的正相关属性值，并且在各年份上都显著通过空间自相关检验，这说明各变量存在明显的空间正依赖性。

为了更好地研究经济体要素禀赋结构的变化是否会使不同的融资结构对实体经济的作用发生转变，本文首先对无空间效应下的面板数据模型进行比较（见表4）。

从表4中的检验结果可以看出，LM统计量和Robust LM统计量均在1%的显著性水平上拒绝原假设，这说明空间滞后模型和空间误差模型同时成立。此外，结合个体固定效应和时间固定效应LR统计量和P值的联合显著性检验结果可知，本文建立的面板数据模型应是包含空间效应的杜宾模型，具体参数估计结果如表5所示。

从表5可以看出，对于中国全样本数据的估计结果而言，空间滞后模型的Wald统计量和LR统计量分别为15.180和16.449，在1%的水平上显著拒绝了θ为0的原假设；同理，空间误差模型的Wald统计量和LR统计量分别为75.760和115.759，在1%的显著性水平上拒绝了θ+δβ＝0的原假设，这意味着更为广义的SDM模型是最恰当的模型形式。关于固定效应与随机效应选择问题，全样本数据的Hausman检验统计量为69.848，在1%的显著性水平上拒绝了空间随机效应的原假设，这表明空间固定效应的杜宾模型更适于本文的研究。显然，对于东部地区和中部地区也可以得出同样的结论。

从东、中、西部三大区域来看，不同的融资结构对实体经济发展都具有显著的促进作用，但影响程度存在差异。因此，不能忽略区位因素的存在以及空间效应的影响。其中，从银行部门提供的信贷资金看，东部地区和中部地区的影响非常显著，其影响系数分别为0.712和0.745。这一影响显著高于西部地区0.291的影响水平以及全国平均影响水平（0.2927）。从金融市场股票和债券融资看，东部地区影响最为显著，其影响水平为0.195，其次为西部地区（0.141），中部地区影响水平（0.117）最低。Lesage和Pace（2009）提出了直接效应、溢出效应和总效应等概念，用来反映自变量对因变量的影响。在本文研究中，直接效应表示银行信贷与金融市场对本地区实体经济造成的平均影响；溢出效应则表示银行信贷与金融市场对其他地区实体经济带来的平均影响；总效应表示银行信贷与金融市场对所有地区造成的平均影响。杜宾模型的空间效应分解为直接效应、溢出效应与总效应，具体结果见表6。

表6给出了银行信贷融资、金融市场（股票与债券）融资对我国实体经济的直接效应、溢出效应和总效应。（1）反馈效应方面，两种融资方式的直接效应与表5中空间杜宾模型系数估计值的方向及显著性水平保持一致，两数值之差表示反馈效应。银行信贷融资对地区实体经济的直接影响系数为0.315，在非空间面板模型中相应的银行信贷融资影响系数为0.273，因此，该正向效应被低估了13.33%；空间杜宾模型中银行信贷融资的影响系数为0.293，相应的反馈效应仅为0.022，占直接效应的6.98%。金融市场（股票与债券）融资对地区实体经济的直接影响系数为0.069，非空间面板模型中的金融市场融资对实体经济的影响系数为0.066，该正向效应被低估了4.35%；相应的反馈效应为0.019，占直接效应的27.54%。（2）直接效应方面，东部地区和中部地区银行信贷对本地区实体经济的影响直接效应分别为0.693和0.735，都显著高于西部地区0.303的水平。这意味着银行信贷利用效率与地区经济发展水平有着密切关系。金融市场融资对本地区实体经济影响的直接效应，东部地区为0.202，中部地区与西部地区分别为0.133和0.157，显著低于东部地区。（3）溢出效应方面，金融市场融资与银行信贷融资不仅会对本地区实体经济的发展产生直接影响，而且可以通过要素流动对邻近地区实体经济的变动造成显著的间接影响。东部地区与中部地区银行信贷对实体经济的影响出现了负向溢出状况。东部、中部、西部地区金融市场融资都对实体经济存在明显的正向溢出作用。其中，西部地区的溢出作用最大，中部地区次之，东部地区最小。但是，中部地区的此种溢出作用在统计上并不十分显著。（4）总效应方面，全国、东部地区、中部地区、西部地区无论是银行信贷融资，还是金融市场融资，都具有显著的正向“流入”效应。银行信贷融资与金融市场融资对其他地区实体经济发展的溢出效应非常显著，并且两种融资渠道都呈现正向溢出效应。综上所述，与空间面板模型相比，普通面板模型下银行信贷融资与金融市场融资的正向促进效应均存在明显的被低估现象。两种融资渠道融资对各地区实体经济的发展具有正向反馈效应，这意味着保持社会融资规模的合理增长、调整和优化社会融资结构对于促进实体经济部门发展具有重要意义。

4 主要结论及政策启示

4.1 研究结论

研究发现，银行信贷融资、金融市场融资都显著地促进了实体经济的发展，但存在明显的空间依赖性。在普通面板模型下，两种融资的这种正向促进效应均存在明显被低估现象。具体结论如下。

（1）银行信贷是实体经济发展的重要融资渠道，而且实体经济对其高度依赖的格局未有明显改变。我国银行信贷资金持续向中、西部地区倾斜。银行信贷融资的趋势及结构特征与区域经济发展水平、宏观经济周期及国家政策等因素密切相关。

（2）金融市场融资对实体经济发展具有积极促进作用，但受企业股票与债券发行制度、产业发展阶段、资本市场完善程度及金融自由化情况等多种因素制约，导致其在中西部地区发展相对滞后。

（3）不同融资结构对实体经济发展的影响程度存在地区差异。东部地区和中部地区银行信贷融资对实体经济的影响非常显著，且高于西部地区水平及全国平均水平。东部地区金融市场融资对实体经济的影响效应最为显著，明显高于中西部地区。

（4）银行信贷与金融市场融资两种融资方式具有明显的空间溢出效应，表明本地区银行信贷和金融市场对其他地区实体经济发展具有积极的正向溢出作用。同时，两种融资方式对各地区实体经济的发展具有正向反馈效应。

4.2 政策启示

社会融资结构反映了资金的总供给结构，能够从金融角度反映供给侧结构性改革的推进情况。银行信贷融资、股票与债券融资等社会融资对实体经济的支持作用非常显著，不仅对经济增长具有正向促进作用，而且是经济增长的重要影响因素。基于上述分析结论，得到如下政策启示。

（1）加强中长期银行信贷对实体经济发展的支持作用。调整信贷增量投向结构，扭转国有银行信贷投放的结构性偏好，提高信贷资金使用效率。加强银行风险管理，避免金融风险过度集中于银行体系内。弱化地方政府对银行信贷配置的干预，加快中小银行及地方金融机构发展。针对经济发展水平地区差异，优化中西部地区金融生态环境，推动经济及产业结构转型升级。

（2）优化金融市场结构，拓宽实体经济部门融资渠道，加快发展多层次资本市场。提高直接融资所占比重，切实降低社会融资成本，提升股票、债券、保险等融资方式对实体经济的支持力度。使金融市场与产业结构升级相结合，引导资本流向高成长、高效益产业和企业，支持创新型产业和中小型企业发展，探索互联网金融新模式的积极作用，最终实现实体经济科学、协调、可持续发展。

（3）建立直接融资和间接融资功能互补的制度模式，发挥两种融资方式的内在功能，实现直接金融与间接金融协调运行，形成投融资活动的良性互动。同时，在投融资过程中要考虑潜在环境影响，积极完善绿色金融相关政策，进而提高整个融资制度的效率及实现可持续发展。

参考文献

郭丽虹，张祥建，徐龙炳．2014．社会融资规模和融资结构对实体经济的影响研究［J］．国际金融研究，（6）: 66-69.

林毅夫，孙希芳．2008．银行业结构与经济增长［J］．经济研究，（9）: 31-45.

盛松成，谢洁玉．2016．社会融资规模与货币政策传导——基于信用渠道的中介目标选择［J］．中国社会科学，（12）: 60-82.

吴晗．2015．我国融资结构演进对经济增长的影响——基于新结构经济学视角的经验分析［J］．经济问题探索，（1）: 115-121.

武志．2010．金融发展与经济增长：来自中国的经验分析［J］．金融研究，（5）: 58-68.

夏祥谦．2014．融资规模、结构与经济增长：中国的经验研究［J］．上海金融，（3）: 8-9.

张丁育．2016．货币政策信贷渠道与商业银行风险分布效应［J］．数量经济研究，（2）: 96-110.

张晓朴，朱太辉．2014．金融体系与实体经济关系的反思［J］．国际金融研究，（3）: 43-52.

张兴军，罗晓磊，王妍婷，李钟帅．2015．我国各地区社会融资结构及融资效率差异化问题研究［J］.区域金融研究，（12）: 77-83.

Anselin, L.1988. Spatial Econometrics: Methods and Models［J］. Economic Geography, 65（2）: 160.

Cheng, X. , H. Degryse.2010. The Impact of Bank and Non-bank Financial Institutions on Local Economic Growth in China［J］. Journal of Financial Services Research, 37（2-3）: 179-199.

Demirgüç-Kunt, A.2004. Financial Structure and Economic Growth: A Cross-country Comparison of Banks，Markets, and Development［M］. MIT Press, pp.91-92.

Dumitrescu, E. I. , C. Hurlin.2012. Testing for Granger Non-causality in Heterogeneous Panels［J］. Economic Modelling, 29（4）: 1450-1460.

Elhorst, J. P.2010. Dynamic Panels with Endogenous Interaction Effects When T is Small［J］. Regional Science ＆ Urban Economics, 40（5）: 272-282.

Ergungor, O. E.2008. Financial System Structure and Economic Growth: Structure Matters［J］. International Review of Economics ＆ Finance, 17（2）: 292-305.

Hasan, I. , P. Wachtel, M. Zhou.2009. Institutional Development, Financial Deepening and Economic Growth: Evidence from China［J］. Journal of Banking ＆ Finance, 33（1）: 157-170.

Lee, L. F, Yu J.2010. Estimation of Spatial Auto-regressive Panel Data Models with Fixed Effects［J］. Journal of Econometrics, 154（2）: 165-185.

Lesage, J. P. , R. K. Pace.2009. Introduction to Spatial Econometrics［M］. CRC Press, pp.1-336.

Luintel, K. B. , M. Khan, P. Arestis, et al.2008. Financial Structure and Economic Growth［J］. Journal of Development Economics, 86（1）: 181-200.

Tadesse, S.2002. Financial Architecture and Economic Performance: International Evidence［J］. Journal of Financial Intermediation, 11（4）: 429-454.

Zhang, J, L. Wang, S. Wang.2012. Financial Development and Economic Growth: Recent Evidence from China［J］. Journal of Comparative Economics, 40（3）: 393-412.