【我国金融服务贸易行业国际竞争力的实证分析9000字（论文）】

我国金融服务贸易行业国际竞争力的实证分析目录TOC\o"1-2"\h\u851我国金融服务贸易行业国际竞争力的实证分析 ①主成分分析1）相关性检验对影响我国金融服务贸易国际竞争力的6个要素中的11项指标进行考察发现，许多指标关联性比较强。因此，我们应该首先把这11个指标的关联数据分析出来，这样能够构建一个相关系数矩阵，具体见表4.1，由表中可知，许多指标确实关联度比较强，如果用这些指标来对我国金融服务贸易国际竞争力的影响因素进行分析，这样就会出现信息重叠的现象，容易促使结果更加主观化。借助主要成分分析法能够避免数据重叠，主成分分析法能够将多数指标简化为少数不相关的指标，所以，本文主要借助主成分分析法来分析影响我国金融服务贸易国际竞争力的因素。表4.1相关系数矩阵（续表）表4.1相关系数矩阵ZX1ZX2ZX3ZX4ZX5ZX6ZX7ZX8ZX9ZX10ZX11ZX11.0000.9450.9280.9910.9920.0790.961-0.9560.2980.9620.397ZX20.9451.0000.7930.9100.9140.0400.881-0.8980.2460.8690.353ZX30.9280.7931.0000.9470.9640.2950.971-0.9500.3530.9520.583ZX40.9910.9100.9471.0000.9920.1020.962-0.9560.2650.9790.376ZX50.9920.9140.9640.9921.0000.1570.984-0.9680.3290.9780.459ZX60.0790.0400.2950.1020.1571.0000.308-0.2140.6390.2570.701ZX70.9610.8810.9710.9620.9840.3081.000-0.9520.4220.9760.555ZX8-0.956-0.8980.9500.9560.9680.2140.9521.0000.2610.9330.553ZX90.2980.2460.3530.2650.3290.6390.422-0.2611.0000.3940.444ZX100.9620.8690.9520.9790.9780.2570.976-0.9330.3941.0000.411ZX110.3970.3530.5830.3760.4590.7010.555-0.5530.4440.4111.000注：ZX代表标准化处理后的数据，下同。2）KMO检验和Bartlett球形检验主成分分析法的一个重要的效度指标就是KMO检验，他主要对变量之间的相关系数的最小值进行检验。一般而言，如果KMO检验数据越大，则主成分分析法的效果越明显。而Bartlett球形检验主要是检验相关系数矩阵是不是单位矩阵。只有Bartlett球形检验的P值低于0.05，这样主成分分析才有效。而表4.2主要表示了KMO检验和Bartlett球形检验的结果，依据表中可知，，KMO的检验值为0.728，在0.6之上；Bartlett球形检验卡方统计值的显著性概率为0.000，在0.05以下，这样表名样本数据适合主成分分析，并且各个变量之间相关性比较明显。表4.2KMO和Bartlett检验结果Kaiser-Meyer-OlkinMeasureofSamplingAdequacy.0.728Bartlett'sTestofSphericityApprox.Chi-Square288.701df55Sig.0.0003）公因子方差初始公因子主要反映了提取因子之前的各变量公因子方差。在主成分分析中，这些数值就是被分析矩阵（相关矩阵）的对角线元素，因此，原始变量的公因子方差都是1，11经济变量的公因子方差之和是11。在每个公共变量中，根据所选的标准提取相应数量主成分之后，各变量中被提取信息的比例，即变量共同度的取值。由于采用的因子变量比原有变量小，所以他们之间的相同度比1小。对公因子之间的数据进行计算后获取的方差具体见表4.3。从表4.3来看，金融行业全部资金变量中得出的公因子方差就是0.992，表明指标对提取公因子贡献值为99.2%，其他指标和上述情况是一致的。表4.3可知，公因子方差在金融行业的贷款利率变化和金融服务贸易开放度都比较低，其他方面数值很大，这表明了提取的主成分能够对原始变量进行很好的解释，说明所提取的公因子能够对原始因子很好的解释。表4.3公因子方差初始公因子方差提取公因子方差ZX11.0000.992ZX21.0000.874ZX31.0000.941ZX41.0000.990ZX51.0000.997ZX61.0000.898ZX71.0000.987ZX81.0000.954

表4.3公因子方差（续表）初始公因子方差提取公因子方差ZX91.0000.636ZX101.0000.957ZX101.0000.7224）主成分的提取初始特征值在某种角度上可以代表各要素的价值大小。假设由某个要素计算出的初始值＜1，则意味着使用该要素没有使用原始指标的平均解释力强。所以，应该把初始特征值>1的作为主成分来采用。表4.4列出了每个成分的公因子方差，该表显示前两个成分的特定初始值>1，并且这两个成分描述的方差占全方差的90.44%。最后，因为这两个成分的占比非常大，所以采用两个成分来进行实验，这样可以更好地、更方便地进行研究。表4.4总方差分解表各成分序号相关矩阵特征值因子提取结果特征值方差贡献率累计贡献率特征值方差贡献率累计贡献率18.07973,44973.4498.07973.44973.44921.86916.99390.4421.86916.99390.44230.6025.47395.91440.2372.15798.07150.1631.48699.55760.0310.28599.84270.0110.09899.94080.0040.03799.97790.0020.02099.997100.0000.00399.999116.406E-50.001100.000碎石图能够对选择的主要成分有效性进行检验。依据图4.1，在所有因子的初始特征值里面只有前两个数的特征值数值是超过1的，从从第三个因子开始，初始特征值都保持平稳，说明了前两个因子的数据比较有效。图4.1碎石图依据表4.5，X1、X2、X3、X4、X5、X7、X8、X10这8项在第1主成分上拥有比较高的载荷数值，换句话说就是第1主成分主要对变量信息进行了反映，这些变量和金融机构都有关系，所以，第1主成分主要是主观因素，可以用F1表示。X6、X9、X11在第1个主成分上的载荷数值更高。第2个主成分主要对这三个变量进行了反映，这三个变量和金融服务贸易运作的环境条件有关系，因此，第2个主成分主要是客观因素，用F2表示。F1和F2主要对90.4%以上的信息进行了反映，因此，F1和分能够替代11个指标。表4.5初始因子载荷矩阵主成分12ZX70.9930.015ZX50.989-0.138ZX100.976-0.070ZX10.973-0.212ZX80.9720.091ZX40.971-0.216ZX30.9700.012ZX20.902-0.246ZX60.2930.901ZX90.4140.682ZX110.5610.6395）主成分表达式的确定表4.5的每个载荷量主要对主成分和对应变量的相关系数进行了表示，而不是主成分表达式中的系数。而主成分表达式中的系数主要是由主成分得分系数矩阵来确定，如表4.6。F1=0.150*ZX1+0.148*ZX2+0.112*ZX3+0.150*ZX4+0.140*ZX5-0.118*ZX6+0.114*ZX7-0.130*ZX8-0.066*ZX9+0.126*ZX10-0.042*ZX11（4.1）F2=-0.069*ZX1-0.090*ZX2+0.044*ZX3-0.072*ZX4-0.032*ZX5+0.469*ZX6+0.046*ZX7+0.008*ZX8+0.362*ZX9+0.003*ZX10+0.346*ZX11（4.2）表4.6主成分得分表主成分12ZX10.150-0.069ZX20.148-0.090ZX30.112-0.044ZX40.150-0.072ZX50.140-0.032ZX6-0.1180.469ZX70.1140.046ZX8-0.1300.008ZX9-0.0660.362ZX100.1260.003ZX11-0.0420.3464.2.2数据选取与说明本文主要借助OECD数据库中的子库EBOPS2002-BalancedInternationalTradeinServices(1995-2020)主要对我国与其他国家之间的金融服务贸易数据进行了分析，主要选择了有效的25个国家或地区2005-2020年之间的数据进行了统计，以2017年的统计数据为例来看，25个国家或地区的金融服务贸易出口额占据了90%以上所有国家或地区金融服务贸易出口额，最具有代表性。世界银行的发展指标数据库是GDP的主要数据来源，而GIS和FTA数据的主要来源渠道就是法国的CEP∏数据库，其中，GIS主要是从数据库中城市数据的加权距离中选择。CEP∏数据库主要借助引力模型运算数据的主流，数据更新速度很快，基于城市数据的加权能够把其他因素对距离的干扰消除掉。EFI数据主要是《华尔街日报》和美国传统基金会发布的年度报告，基本上包含155个国家和地区，是一个比较权威的经济自由度评价指标，如果指标分值低，那么政府对经济的干涉度就低，而经济自由度就比较高。FTA数据取0或1，一旦两个国家签订了自由贸易协定，则FTA数值就是1，如果两个国家没有签订自由贸易协定，那么取值就是0，2005-2020年25个国家或地区的7个指标，就能很好的对金融服务贸易潜力进行衡量，并且对这些数据可以做统计分析。4.2.3回归分析经过分析后，SPSS软件会制作出F1和F2两个关键成分的时间序列。想要获得解释变量和被解释变量之间的多元回归模型，就要求要把由SPSS制成的前两个主成分的时间序列和被解释变量ZY（归一化后的Y值）进行回归分析，得出的结果具体见表4.7。多元回归模型中的R与经过调整后的R依次为0.957、0.948，它们都在0.9之上，表示模型拟合优度比较较好；F统计量的数值是110.696，卡方统计值的显著性的概率是0，表明回归方程的显著性是有效的。此外，从得出的DW数值为1.148，可以发现，F1和F2没有相关性。表4.7多元回归模型汇总分析后的统计量模型RR方调整后的R方标准差R方F值方差1方差2t值D-W检验10.9780.9570.9483.612170.957110.6962100.0001.148表4.8是通过使用多元回归模型而得出的结论。依据表格，我们可以得到以下结论，一是第一个主成分和被解释变量之间呈正相关，相关数据为0.939；二是第二个主成分和被解释变量呈负相关，相关数据显示为负的0.275。因此，可以得出以下公式：

（4.3）把第一主成分和第二主成分的公式（4.1、4.2）放进Multivariateregressionmodel的公式（4.3）中，我们就能够写出最后的被描述变量和最开始描述的变量之间的方程式（4.4），具体如下：ZY=15.433+0.160*ZX1+0.164*ZX2+0.093*ZX3+0.161*ZX4+0.140*ZX5-0.240*ZX6+0.094*ZX7-0.124*ZX8-0.162*ZX9+0.117*ZX10-0.135*ZX11（4.4）表4.8模型回归数值模型非标准化数值标准化数值t值Sig.B标准差Beta1常数项15.4331.002_15.4050.000F114.8911.0430.93914.2800.000F24.3581.043-0.275-4.1790.0024.2.4实证结论依据实证分析，得出以下结论：（1）从金融服务机构内部来说，资本、人力和技术都能够影响金融服务贸易的出口，资产规模，人员素质和信息技术都与金融服务贸易出口程正相关关系，并且能够带动我国金融服务贸易的发展，促使我国金融服务贸易国际竞争力得到提高。从资本要素层面，资本要素增加一个单位，金融服务贸易额就会增加16%的比例；高素质人才占据比例每增加一个单位，则金融服务贸易额就会增加9.3%；居民对互联网的掌握程度每增加一个单位，则金融服务贸易额就会增加16.1%。人力要素对金融服务贸易额的影响最低，因为学历并不完全代表一个人的整体素质。（2）从需求分析，城镇居民收入增加，他们就会对金融服务的需求增加，则金融服务贸易额就会增加，城镇居民收入每增加一个单位，金融服务贸易额就会增加0.14个单位，这就表明，居民生活水平的提高，消费收入的增加，他们就喜欢丰富多样的金融服务需求，这就要求金融服务产品不断创新，促使产品更加技术化，从而带动服务质量的提高。（3）从相关支持产业来看，货物贸易和金融服务贸易具有一定的关联性，所以，货物贸易与金融服务贸易之间成正比，货物贸易如果增