中国省际金融科技发展的空间关联网络及影响因素分析_陈红霞.pdf

经济研究【文章编号】10063862(2023)01011210112城市发展研究 30 卷 2023 年 1 期 Urban Development Studies Vol30 No1 2023中国省际金融科技发展的空间关联网络及影响因素分析陈红霞雷佳(中央财经大学 政府管理学院，北京，100081)【摘要】基于经济活动的空间关联角度，应用关系数据，综合运用引力模型、社会网络分析方法等，从空间分布、空间关联强度、空间关联网络等三个层面分析省际金融科技发展的空间组织规律，并对影响因素进行分析。结果表明:(1)金融科技关联网络的空间结构呈明显的东部多核、西部少核、多中心网络化发展的特征，地理临近引发的空间集聚特征明显，省际间存在明显的空间距离衰减效应;(2)近十年中，省际金融科技关联网络由单向松散型演变为多向密集型，最终形成以京津冀、长三角等城市群为核心并辐射全国的纺锤型团簇状网络;(3)网络核心边缘特征明显，北京、上海等占据主导，是重要外溢源，同时，位于网络边缘的地区增速明显，正逐渐改变传统区位、经济基础等相对比较优势的影响;(4)目前，整体关联网络以三四级联系为主，但弱联系逐年下降，有效联系网络不断扩大，正处于网络加速架构的提质增效阶段;(5)地理临近、经济基础、市场化水平、网络化水平、产业结构高级化、技术创新水平等是影响空间并联网络的主要因素。【关键词】金融科技;空间关联;城市网络;社会网络分析【中图分类号】F293【文献标识码】A基金项目:国家社会科学基金一般项目“基于区块链嵌入的京津冀创新要素的整合机制与实现路径研究”(20BJL093);教育部人文社会科学研究规划基金项目“中国三大都市圈中心城市生产性服务业的空间溢出效应比较研究”(18YJA790011)0引言经济新常态下，我国深入实施创新驱动发展战略，坚决贯彻新发展理念，经济结构不断优化，经济增长方式持续转变，经济动能加速转换。在这一背景下，传统金融服务体系已无法适配国内大循环下扩大内需的战略需求。随着信息化和新基建工程的推进，科技与经济的深度融合已成为趋势，互联网企业需求、供应链数据和产业结构升级相结合，传统金融逐渐从线下走向线上，以金融科技为核心驱动的现代金融体系逐步建立，我国开始迈向金融科技新时代。在新型城镇化和区域协调发展战略的推进下，地区金融科技的空间联系远非单纯的地理邻近关系，逐步显露出多层次的复杂网络特征。在此背景下，客观分析我国金融科技发展的空间关联结构及演变规律，探寻各地区在空间关联网络中所扮演的角色和作用，成为优化金融资源配置和推进金融供给侧结构性改革的重要前提。国内学者对金融科技的研究聚焦于三个方向，一是金融科技的概念内涵，包括技术论、商业论和系统论。其中，技术论认为金融科技本质是一种颠覆传统金融业的科学技术1，涵盖网络安全、移动支付、云计算、大数据、区块链等2，广泛影响金融支付、融资、贷款、投资和货币运营等3;商业论认为金融科技是技术驱动下的金融创新活动4，实质是互联网科技与金融业务相融合而打造出来新的金融业态、金融生态系统、金融消费市场和商业模式5;系统论认为金融科技既包括金融供应链前端的企业、产品和服务，也包括后端的技术手段6，具备可拓展性、强创新性以及高可塑性等特点。二是金融科技发展的驱动因素与实践路径方面，可归纳为三个方面。首先，金融科技初创企业利用金融科技优势，发挥技术溢出效应和竞争效应，推动传统金融机构革新升级7，实现传统金融机构的“脱媒”和金融科技的“触媒”。其次，以蚂蚁集团、京东数科、腾讯金融科技等为代表的互联网巨头，伴随业务拓展介入并加速金融科技发展，影响了金融科技的整体发展走向8。这些企业可以基于海量数据，有效挖掘业务需求，加快金融产品的创新和金融服务的提升9。最后，新一代消费者偏好助推了金融陈红霞等:中国省际金融科技发展的空间关联网络及影响因素分析经济研究城市发展研究 30 卷 2023 年 1 期 Urban Development Studies Vol30 No1 2023113科技创新，新生代年轻人直接成为金融科技应用的主力军，推动金融科技创新升级10。三是金融科技的风险监管。金融科技背景下业务边界趋向模糊，跨市场、跨行业的服务体系日益丰富，不同业务的跨界关联性愈来愈强，金融风险错综复杂，风险后果也会迅速蔓延到其他金融机构和金融体系11，此外，金融市场的信息不对称加剧了道德风险12。因此，有学者对转变金融监管范式进行了探讨13 14。综观已有文献，国内学者对我国金融科技展开了多层次的讨论与实证研究，然而，从空间关联角度分析金融科技发展的文献还相对较少，作为数字经济运行的关键基础，“金融科技的空间集聚和相互作用规律”尚处于“黑箱”状态。当前，城市之间空间互动的重要性进一步凸显，金融科技作为信息化时代城市经济相互作用的底层逻辑，由此架构的城市间的金融联系无疑是地区空间组织形式的基础。基于此，本文从关系数据和网络视角出发，在科学测度区域金融科技水平的基础上，从时间和空间维度分析我国金融科技的空间关联特征和网络结构演化，期冀为协同区域经济资源配置提供科学依据。1研究方法和数据1.1研究方法1.1.1引力模型采用修正后的引力模型测定各地区之间的经济联系强度，以各省会城市为空间网络节点，利用金融科技联系强度衡量网络节点之间的空间联系大小。修正后的引力模型如下:ij=Kij3PiFintiGi3PjFintjGjDij2Kij=FintiFinti+Fintj(1)式中，ij为地区 i、j 之间的金融科技联系强度;Gi、Gj为地区 i 和 j 的生产总值;Pi、Pj是地市 i、j 的常住人口;Kij是引力常量，代表地区 i 在地区 i、j 之间金融科技联系中的贡献度;Finti，Fintj分别为地区 i、j 的金融科技发展水平;Dij表示两地区间的空间地理距离。1.1.2社会网络分析采用社会网络分析法测量金融科技空间关联的网络特征，将从整体网络结构和个体网络结构两个方面进行分析。其中，整体网络结构特征采用网络密度、网络效率、网络等级度、网络关联数等指标衡量。网络密度用来描述网络中节点之间的连接程度，网络密度越大，集聚区的城市间的经济社会联系就越紧密;网络效率用来描述各节点的连接效率，其值越低，节点之间的联系越容易，网络的稳定性越高;网络等级度用来描述网络中各节点的等级结构，其值越高，网络等级越森严;网络关联数反映网络中各节点的联系数量，其越高，网络稳健性越强。个体网络结构特征通常采用中心度刻画，包括点度中心度、中介中心度、接近中心度等指标。点度中心度用来衡量一个城市与其他城市直接连接的能力，中心性程度越高，特定城市与其他城市联系越紧密，城市辐射力和吸引力也越突出。中介中心度用来衡量节点城市的控制力及其在城市间的中介作用，如果节点城市位于其他城市的最短路径上，则该城市具有较高的中介中心性。接近中心度是一个节点到其他所有节点的距离的总和，更高的接近中心性意味着一个城市可以更便捷地连接其他所有城市，并且相对不受其他城市的控制。1.1.3QAP 回归分析采用 QAP 回归方法处理关系数据，并对空间关联网络的影响因素进行系统分析。由于关系数据表示的是两个区域之间的关联矩阵，因此不可避免的会出现多重共线性问题，QAP 回归不假设解释变量的独立性，基于矩阵置换的思想通过重复抽样计算相关系数，并进行非参数检验以比较两个关系矩阵的数值。与传统的 OLS 方法相比，QAP 回归可以有效消除自变量间多重共线性导致的估计偏差，更适用于矩阵数据的参数估计。1.2指标及数据来源参考已有文献1517，应用北京大学数字金融研究中心测度的省级数字普惠金融指数表征地区金融科技发展水平。该指数由数字金融覆盖广度、数字金融使用深度和普惠金融数字化程度等 3 个维度、33 个具体指标构成，同时具有纵向和横向上的可比性。进一步地，本文以 31 个省级行政区为研究对象，地理空间距离利用 ArcGIS 10.5 计算的各省会城市球面距离度量，其他统计数据均来自各年度中国统计年鉴，时期跨度为 20112020 年。经济研究陈红霞等:中国省际金融科技发展的空间关联网络及影响因素分析114城市发展研究 30 卷 2023 年 1 期 Urban Development Studies Vol30 No1 20232地区金融科技发展的时空特征2.1地区金融科技发展的空间分布特征20112020 年我国金融科技发展保持稳定增长趋势，近 10 年年均增长率达 27%，发展潜力巨大。从金融科技指数平均值空间分布看，区域差异明显，北京、上海、浙江、福建、江苏、广东等东部地区实力强劲，占金融科技发展总量的 23%。西藏、贵州、青海、甘肃、新疆等西部地区尽管在发展总量有差距，但增速较快，年均增长率处于全国前列(表 1)。表 120112020 年金融科技发展时序变化情况区域平均值总增长量年均增长率区域平均值总增长量年均增长率北京275.91338.470.20湖北227.05318.820.28天津234.88300.880.22湖南205.63299.350.29河北201.01290.280.29广东244.00310.050.21山西204.74292.320.29广西204.76291.280.29内蒙古201.76280.500.30海南220.64298.490.25辽宁214.77283.000.25重庆219.03302.870.26吉林197.29283.750.32四川212.21294.660.27黑龙江199.30272.500.28贵州190.27289.470.37上海280.96351.740.21云南199.64293.570.33江苏244.23319.530.22西藏185.91294.310.39浙江265.68329.490.20陕西213.95301.080.27安徽215.71317.090.30甘肃189.24286.660.36福建244.29318.370.22青海182.35279.900.36江西209.87310.870.31宁夏197.83278.710.29山东218.17309.260.28新疆194.73288.010.35河南207.49312.410.32全国216.24301.220.27资料来源:作者计算图 1地区金融科技发展平均水平与年均增长率资料来源:作者自绘进一步地，以金融科技发展水平均值和年均增长率两个指标构建象限图，形成四个象限区，依次为高水平高增长、低水平高增长、低水平低增长以及高水平低增长(图 1)。位于第一象限的有山东、湖北两个地区，这些地区金融科技发展势头良好，无论是整体实力还是增速都位居前列并保持优势;大部分地区位于第二象限，即尽管整体水平尚低于全国平均水平，但金融科技发展增速较快;暂时位于第三象限的只有辽宁，未来发展潜力巨大;位于第四象限的有北京、上海、浙江、广东、福建、天津、重庆等，这些地区金融科技发展实力较强，在经历高速增长后，进入提质增效的稳定发展阶段。2.2地区金融科技发展的空间集聚特征进一步，借助全局 Morans I 指数探究金融科技的空间自相关性(表 2)。20112020 年我国金融科技全局 Morans I 指数均通过 5%显著性水平的检验，意味着全局范围内金融科技发展具有较强的空间正相关性。从 Morans I 指数的变化来看，除个别年份有所下降外，整体呈现稳定增长趋势，说明金融科技的空间集聚随时间演进逐渐增强，透视出区域关联作用逐渐增加的整体趋势。表 2我国金融科技发展的全局 Moran 指数年份Morans IZ 值P 值20110.12742.12470.033620120.16052.58230.009820130.16882.70330.006920140.13192.21060.027120150.06351.29680.019420160.12642.14470.032020170.15972.59500.009520180.17882.83440