阅读材料7-2 金融生态环境评价指标体系设计及其应用研究

阅读材料7-2一、金融生态环境指标评价体系的构建（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CityofLondonCorporation,2007,GlobalFinancialIndex2,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,,...pxxxx综合为少数几个因子123,,...pffff12,,（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...pxxxx表示为因子123,,...pffff的线性组合。具体步骤如下：1.对原始数据进行标准化变换：''()/iijijixxxs(i=1,2...n)其中：1/niijjxxn，21()/(ijiinsxxn1)经标准化后，ijx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1203...p，并使'FAX，其中为主因子矩阵。F3.建立因子模型在因子分析中，一般将A，F分解为两部分：12()[pmppmAAA]mp]12()[pmppmFFFmp则因子模型为：112211XAFAFAFAF可具体写成:2111112211mm1Xafafafa221122222mm2Xafafafa…………………………………………………..…………………………………………………..1122ppppmmp1122ppppmmpppXafafafa式中，123,,...mffff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；ijai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/iiidi，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/niiii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：11piiiiijijijFdfdbX式中idi为因子贡献率，if为因子得分，为因子得分系数，由转换后的因子载荷矩阵ijb*1A求逆得到，ijX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SPSS13.0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《GlobalFinancialCenterIndexIII》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。3CityofLondonCorporation,2008,GloabalFinancialCentersIndex3,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MeanStd.DeviationAnalysisNMissingNGDP30662.192516991.4392080Income21437.332516996.0132680Population872.1161483.4440580Deposit100926.3088114975.0263880Loan99837.4650123150.3128580Equity283228.6463340138.1070180Premium579.6788260.9859080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0.509，4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4KMO及巴特利特检验Kaiser-Meyer-OlkinMeasureofSamplingAdequacy..509Bartlett'sTestofSphericityApprox.Chi-Square67.398Df21Sig..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Compo-nentInitialEigenvaluesExtractionSumsofSquaredLoadingsRotationSumsofSquaredLoadingsTotal%ofVarianceCumulative%Total%ofVarianceCumulative%Total%ofVarianceCumulative%14.48764.10564.1054.