（二）耦合度和耦合协调度的测算
图3中耦合度部分是依据耦合度模型计算2005年-2014年中部省市的新型城镇化和金融支持的数值变化情况，图中耦合度虽然总体呈现水平向上的趋势，但各城市耦合度数值主要在0.44到0.5之间变动，变动幅度很小。六个省会城市的耦合度稍高，平均在0.498左右，地级市大部分平均在0.48左右，所有省市中最低的耦合度也在0.40之上。结果说明中部省市在这10年间新型城镇化和金融支持间耦合等级一直是处于拮抗水平，其特征是两者关联性在正向增强，但同时其中有一些因子又相互产生抑制作用，使耦合度一直得不到质的提升。
图3中协调度部分是依据耦合协调度模型计算的中部省市2005—2014年间新型城镇化和金融支持间数值变化情况。图中可以清晰地看到随着新型城镇化的综合指数和金融支持综合指数的增加，各城市的耦合协调度数值也在逐步上升，在10年间中部省市协调度的数值平均约有20%的提升。
用GIS工具做2006年和2013年的协调度时空对比图（图4），在2006年中部地区的市级新型城镇化的综合指数和金融支持之间协调度都低于0.38的低度协调内，到2013年，中部地区的省会城市都已经进入高于0.38值的中度协调，其中武汉市的协调度最高为0.48进入了良好协调等级。
（三）结果分析
从以上计算的结果可以得出：新型城镇化和金融支持处于中强度良好协调的城市是武汉；中强度中度协调的城市是长沙、南昌、太原、郑州和合肥；其它地级城市基本处于中强度低协调的层次。相对而言，山西省大部和河南洛阳地区、安徽蚌埠和黄山区域、江西九江区域、湖南大部其协调度都已接近中度协调范围。
新型城镇化指数在10年间增长达90%，金融支持综合指数在这个期间更是超过200%，可以判断出耦合协调度增长的20%主要是反映前两个指数发展协调的水平，是新型城镇化和金融支持快速发展带动的。中部省城耦合度一直处于中强度耦合水平而未随着新型城镇化综合指数和金融综合指数增加而增加，说明其中一方指数的一些指标和另一方指数的关联性方向不同，一些指标和指数产生相互正向作用而另一些对指数产生了抑制作用。
六、空间计量下测度新型城镇化和金融支持的耦合关联
（一）金融支持指数中各指标对新型城镇化指数关联作用的测度
1.空间自相关检验
空间权重矩阵的设置有不同种方法，一般多以区域的地理距离为单位，也有基于运输成本甚至社交网络的距离。在本文中采用各省市的地理距离[22]设置空间权重矩阵。
在确定使用空间计量方法时，先考察数据是否存在着空间依赖性。使用通用的“莫兰指数”（Moran's）和“吉尔里指数”（Geary's C）检验[23]，得到结果如下：
检验出的两个指标都强烈拒绝“无空间自相关”的原假设，即认为存在空间的自相关。
2.空间计量模型设定
空间计量模型一般分为两种：有空间滞后模型（SLM）和空间误差模型（SEM），空间滞后模型也称作空间自回归模型（SAR）。借鉴Anselin[24]对SAR和SEM两个模型的推导，得到：
空间自回归模型SAR：
空间误差模型SEM：
模型中City是新城镇化综合指数；LSG是贷款加储蓄资金与当地GDP数值的比数；PFE是金融业从业人数占整个从业人员的比重；SDP是人均存款水平；UCFL是城市建设资金；LS是储蓄与贷款的比值；Wij是空间矩阵的元素；ε为扰动项。
比较SAR和SEM两个模型在数据运行后的回归结果，两个模型的Log L值基本相同，但拟合优度是SAR模型高于SEM模型，所以本文就选择SAR模型回归估计的结果做分析。
3.回归结果分析
表4报告了金融支持有关变量为自变量时的估计结果。表中除用空间计量模型SAR得到回归结果A外，考虑UCFL（城市建设资金/贷款）具有滞后效应，将其滞后一期再进行回归得到结果A1；考虑PFE（金融业人数占比）在几个变量中是用人口指标测试的特殊性，将其除去得到回归结果A2。比较发现，主要观测变量的系数符号和显著性变化不大，表明A的数据回归是稳健的，下面就A估计结果做具体分析。
SAR模型的空间回归系数ρ达到1%的显著性水平，说明金融支持和新型城镇化的耦合作用及在省市之间的空间相关性显著。SAR模型中各变量前的回归系数都达到1%下的显著性水平，表明金融支持和新型城镇化的相关性显著，但系数的大小和方向不同，说明其贡献度和作用不同。
UCFL（城市建设资金/贷款）这项回归系数最大，为0.282，表示城市建设资金每提高1%，对新型城镇化的贡献度是0.282%，这也说明城市建设资金的投放对城镇化建设具有最直接的积极作用；PFE（金融业人数占比）的回归系数为0.013，金融业的人数在一定程度上可以代表二三产业的发展状况，同时也是城镇人口素质的一个缩影，所以在新型城镇化每提高1%中有着0.013%的贡献度；SDP（人均存款）这项的回归系数是1.84e-06，数值非常小。人均存款应该是促进住房建筑行业和第三产业发展的重要推手，对新型城镇化的贡献度中理应有较为重要的作用而不应该回归的系数如此之低，可能的原因解释有两个：一是大部分的存款是少数人拥有而无法通过普及消费来促进产业升级和扩大；二是金融中介机构把存款转换为贷款的过程中的经济效益不理想。
LSG（（贷款+储蓄）/GDP）和LS（贷款/储蓄）的回归系数是-0.170和-0.187，有学者[7]在做省级数据的金融支持回归中用到贷款/储蓄的指标，其得到的回归系数值和-0.187值很接近，这位学者给予的解释是非金融机构在城镇化建设中的提供资金的比重增大和金融机构从农村吸收的资金投到城镇反而延误了城镇化的发展，都可以比较好的解释数据结果。不过另一个可能的原因是金融机构投放贷款的方向多集中在国企和垄断性行业，而对产业城镇化和社会城镇化中的民营机构和竞争性行业的给予待遇不平等，导致新型城镇化的进程变慢。LSG是贷款和储蓄之和与GDP之比，类似于货币供应量M2和GDP之比。这个比值如果过大，则社会上的货币增速高于社会财富的增长，其结果就是带来通货膨胀，通货膨胀会使城镇居民感到生活压力加大而减慢农村人口向城镇化的流动，甚至使已流入城镇生活的居民回流农村，从而影响新型城镇化的发展。
（二）新型城镇化指数中主要指标对金融支持指数作用的测度
1.新型城镇化指数中主要指标的选择
新型城镇化指数中的指标选5个主要指标，其选择的原则是分别在人口城镇化、产业城镇化、经济城镇化、社会城镇化和空间城镇化中指标中取权重大的，则分别是每万人在校大学生数（NSTS）、二三产业密度（DTTI）、人均固定资产投资额（FAIP）、城镇居民人均消费（UCP）和建设用地占比（PCLO），金融支持指数用Fin表示。
空间自回归模型SAR为：
2.回归结果和分析
表5报告了新型城镇化有关变量为自变量时的估计结果，表中除用空间计量模型SAR得到回归结果A外，考虑FAIP（人均固定资产投资额）具有滞后效应，将其滞后一期再进行回归得到结果A1；NSTS（每万人在校大学生数）在几个变量中是用人口指标测试的特殊性，将其除去得到回归结果A2。比较结果发现，主要观测变量的系数符号和显著性变化不大，表明A的数据回归是稳健的，下面就A数据进行结果分析。
表5SAR回归结果A显示，SAR模型的空间回归系数ρ达到1%的显著性水平，新型城镇化指数对金融支持指数有耦合作用及省市之间的空间相关性显著。SAR模型中各变量前的回归系数除DTTI（二三产业密度）达到5%的显著性水平，其它变量前的回归系数都达到1%显著性水平。表明新型城镇化指数中这5个变量和金融支持指数的相关性显著。各变量前系数的大小和方向不同，说明变量其贡献度和作用不同。
PCLO（建设用地占比）这项回归系数最大为0.0465，表明建设用地占比每提高1%，对金融支持指数的贡献度达到0.0465%，这也表明建设用地的资金需求和本息支付对金融支持指数有最直接的作用；NSTS（每万人在校大学生数）的回归系数为0.011，人口素质的提高可以提供给金融业更多优秀的人员，使金融业从业人数在第三产业中的比例提高，同时相对素质高的人有能力更多的使用金融产品，促进金融业发展；UCP（城镇居民人均消费）这项的回归系数是0.00078，数值非常小。各行业的产品只有通过居民的消费才会产生需求，有产品需求才可形成相关产业链的聚集和资金需求的聚集，推动金融的发展。居民人均消费对金融支持贡献度低可能的解释原因有二个：一是居民人均消费金额水平不高；二是金融中介机构存款转贷款的能力不高。
DTTI（二三产业密度）、FAIP（人均固定资产投资额）的回归系数是-0.00003和-0.00018，这二个回归系数都很小，同时都是负数。二三产业密度高相当于GDP值高，影响到金融支持指数中的（贷款+储蓄）/GDP指标数值会变小；但另一方面，DTTI高相当于二三产业发达，会带来资金聚集和需求，所以DTTI的回归系数在这二方面作用下应该介于零上下的小数值。人均固定资产投资额（FAIP）高，可能相应人均借贷额高而影响人均存款增加，使金融支持指数变小，同时投资额高有利于提升中介机构贷款/储蓄的比例影响金融支持指数变大，在这二者作用下FAIT的回归系数也应是介于零上下的小数值。
六、结论和建议
本文基于中部六省80个地级市域2005年-2014年的面板数据，通过构建新型城镇化综合指数和金融支持综合指数，利用耦合协调度模型和空间自回归模型实证研究发现：（1）中部省城的新型城镇化综合指数在10年间数值增加90%，金融支持综合指数更在10年间提高200%。（2）中部省份新型城镇化指数和金融支持指数耦合度一直处于中强度耦合水平而未随着新型城镇化综合指数和金融综合指数增加而增加，而耦合协调度随着二者指数的发展在数值上有20%增加。（3）六省市新型城镇化和金融支持耦合处于中强度中协调度及以上的城市有武汉、长沙、南昌、太原、郑州和合肥，其它地级市基本处于中强度低协调层次。（4）SAR空间计量模型结果显示金融支持各变量对新型城镇化综合指数的相关性显著，其中城市建设资金占贷款比例对新型城镇化的积极影响相对最为明显。（5）SAR空间计量模型结果显示新型城镇化综合指数中主要指标对金融支持综合指数的相关性显著，其中建设用地占比对金融支持的影响相对最为显著。
依据本文的研究结果，我们提出以下建议：第一，中部六省市新型城镇化和金融之间具有耦合相关性，对双方都具有积极作用的是城乡建设资金占贷款比和建设用地占比，应该将资金持续投入在能源、交通、生活设施、环保、防灾等城市基础设施建设。第二，总体货币供应量应该适当控制，金融指数的增速已远高于新型城镇化的指数增速，其中一个原因是社会上的货币量增速高于社会财富的增长，这将会导致通胀使城市生活成本增加不利于新型城镇化的建设，应更好盘活存量资金来提高资金利用率。第三，应该加大资金力度投入到教育中，金融业人数占比和每万人在校大学生数的回归系数对新型城镇化和金融都具有正面积极的意义，说明提高教育水平是地区兴旺之本。而人均存款这项回归系数很小，其揭示的深层含义可能是财富的不均，政府更应该加大教育的投入，保证每个人受教育的机会。第四，提高金融效率和开拓多层次的融资渠道。贷款/储蓄这项前系数是小的负数，说明现金融机构资金投向可能多集中在国企和垄断性行业，对产业城镇化和社会城镇化中的民营机构和竞争性行业支持力度不够，需开拓多层次融资体系支持和促进新型城镇化产业发展。
参考文献：
[1]巴曙松，杨现领.城镇化大转型的金融视角[M].厦门大学出版社，2013：207-235.
[2]蒙荫莉.金融深化、经济增长与城市化的效应分析[J]数量经济技术经济研究，2003（4）：137-141.
[3]伍艳.中国城镇化进程中的金融抑制问题研究[J].理论与改革，2005（2）：100-105.
[4]郑长德.中国的金融中介发展与城镇化关系的实证研究[J].广东社会科学，2007（3）：12-18.
[5]黄勇，谢朝华.城镇化建设中的金融支持效应分析[J].理论探索，2008（3）：90-96.
[6]贾洪文，胡殿萍.中国金融发展与城镇化相关性[J].首都经济贸易大学学报，2013（4）：44-51.
[7]熊湘辉，徐璋勇.中国新型城镇化进程中的金融支持影响研究[J].数量经济技术经济研，2015（6）：73-88.
[8]BECK Thorsten，LEVINE Ross，LOAYZA Norman. Finance and the sources of growth[J]. Journal of Financial Economics，2000，58（1/2）：261-300.
[9]陈雨露.中国新型城镇化建设中的金融支持[J].经济研究，2013（2）：10-13.
[10]JEFFREY Wurgler. Financial Market and the Allocation of Capital[J]. Journal of Financial Economies，2000，58（1-2）：187-214.
[11]GOLDSMITH R W. Financial structure and development[M]. New Haven，CT：Yale University Press，1969.
[12]孙红玲，唐未兵，沈裕谋.论人的城镇化与人均公共服务均等化[J].中国工业经济，2014（5）：18-30.
[13]杨新华.新型城镇化的本质及其动力机制研究[J].中国软科学，2015（4）：183-192.
[14]王新越，秦素贞，吴宁宁.新型城镇化的内涵、测度及其区域差异研究[J].地域研究与开发，2014（8）：69-76
[15]章穗，张梅，迟国泰.基于熵权法的科学技术评价模型及其实证研究[J].管理学报，2010（1）：34-42.
[16]姜春.时滞、回归及预调：区域金融发展与经济增长的实证研究[J].金融研究，2008（2）：198-206.
[17]黄建欢，吕海龙，王良健.金融发展影响区域绿色发展的机理—基于生态效率和空间计量的研究[J].地理研究，2014（3）：530-545.
[18]杨凤华.城市群经济与金融系统耦合机理研究[J].苏州大学出版社，2013.
[19]谭玉成.对环渤海经济圈金融产业集聚与经济增长的耦合关系研究[J].时代金融，2009（7）：34-42.
[20]刘耀彬，李仁东，宋学锋.中国城市化与生态环境耦合度分析[J].自然资源学报，2005（1）：69-79.
[21]孙平军，丁四保，修春亮.北京市人口-经济-空间城市化耦合协调性[J].城市规划分析，2012（5）：38-44.
[22]柯善咨.中国城市与区域经济增长的扩散回流与市场区效应[J].经济研究，2009（8）：85-98.
[23]ELHORST J P，FRÉRET S. Evidence of political yardstick competition in France using a two-regime spatial Durbin model with fixed effect[J]. Journal of Regional Science，2009，49（5）：931-951.
[24]REY S J Spatial empirics for economic growth and convergence[J]. Geographical Analysis，2001，33（3）.
作者简介：唐未兵（1962-），男，湖南平江人，湖南大学博士生导师，湖南工业大学经济学教授，经济学博士。
作者： 湖南大学经济与贸易学院 唐未兵 唐谭岭 湖南工业大学 唐未兵 来源： 《中国软科学》2017年第3期
