EN中文

经济地理 >

2020 , Vol. 40 >Issue 4: 134 - 144

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.04.016

产业经济与创新发展

多维邻近视角下长江经济带区域金融空间联系特征及其影响机制

  • 刘程军 , 1, 2 ,
  • 王周元晔 2 ,
  • 杨增境 2 ,
  • 周建平 1, 2 ,
  • 蒋建华 , 1, 2, ※
展开
  • 1.浙江工业大学 之江学院，中国浙江 绍兴 312030
  • 2.浙江工业大学 管理学院，中国浙江 杭州 310032
※蒋建华（1962—），男，浙江海宁人，教授。主要研究方向为金融与区域发展。E-mail:。

刘程军（1987—），男，湖南邵阳人，博士。主要研究方向为产业经济与区域发展。E-mail:。

收稿日期: 2019-06-18

  修回日期: 2019-11-27

  网络出版日期: 2025-04-08

基金资助

浙江省社会科学规划项目(18NDJC215YB)

浙江省社会科学规划项目(20NDQN257YB)

浙江省自然科学基金项目(LQ19G030011)

浙江省自然科学基金项目(LY19G030023)

国家自然科学基金项目(71874160)

国家自然科学基金项目(71774145)

杭州市社科规划项目(Z19JC053)

浙江工业大学预研基金项目(GZ19481200024)

收起

The Characteristics of Regional Financial Spatial Linkages and Influencing Mechanism in Multi-Dimensional Proximity in the Yangtze River Economic Belt

  • LIU Chengjun , 1, 2 ,
  • WANG Zhouyuanye 2 ,
  • YANG Zengjing 2 ,
  • ZHOU Jianping 1, 2 ,
  • JIANG Jianhua , 1, 2, ※
Expand
  • 1. Zhijiang College，Zhejiang University of Technology，Shaoxing 312030，Zhejiang，China
  • 2. Management College，Zhejiang University of Technology，Hangzhou 310023，Zhejiang，China

Received date: 2019-06-18

  Revised date: 2019-11-27

  Online published: 2025-04-08

Fold

摘要

研究运用引力模型、网络分析、聚类分析、空间自相关分析和经济重心模型等方法剖析了长江经济带区域金融空间联系网络特征以及联系总量格局，并在多维邻近视角下采用空间杜宾模型探究了区域金融能力与金融网络规模的影响机制，研究发现：①“多核心”的金融空间联系网络格局较为稳定，网络复杂度持续升级，呈现“东密西疏”的空间分布特征，且在空间上形成三大层级性明显的金融辐射圈；②金融空间联系格局展现出“核心—边缘”的发展形态，空间集聚特征明显，发展重心在演进过程中呈现反“Z”形变化特征；③金融空间联系能通过信息技术发展打破传统地理空间距离壁垒，具有明显的多维邻近效应，其中城市经济规模、工业基础能力、产业升级导向和城市创新能力是区域金融能力与金融网络格局形成的主要影响因素，而政府供给导向因素具有较强的空间溢出效应，区域间的政府竞合行为有利于金融要素的流转与联系。

关键词： 区域金融; 空间联系; 多维邻近; 信息技术; 长江经济带; 金融辐射圈; 政府供给

本文引用格式

刘程军 , 王周元晔 , 杨增境 , 周建平 , 蒋建华 . 多维邻近视角下长江经济带区域金融空间联系特征及其影响机制[J]. 经济地理, 2020 , 40(4) : 134 -144 . DOI: 10.15957/j.cnki.jjdl.2020.04.016

Abstract

This paper analyzes the financial spatial connection characteristics of the Yangtze River Economic Belt by using gravity model,network analysis, cluster analysis,spatial autocorrelation analysis and economic barycenter model,and explores the influencing factors. The results show that the "multi-core" financial spatial linkages network pattern is relatively stable,and the network complexity continues to escalate,forming three major levels of financial radiation circles in space. Besides,The financial spatial connection pattern shows the development pattern of "core-edge",the spatial agglomeration features are obvious,and the development center of gravity exhibits anti-"Z"-shaped variation characteristics in the evolution process. In addition,it has obvious multi-dimensional proximity effects, which the urban economy scale,industrial basic capacity,industrial upgrading orientation,and urban innovation capability are the main influencing factors in the formation of financial spatial linkage spatial pattern,while government supply orientation factors have strong spatial spillover effects,and inter-regional government competition behavior is conducive to the transfer of financial factors.

Key words： regional finance; spatial linkages; multi-dimensional proximity; information technology; Yangtze River Economic Belt; financial radiation circle; government supply

随着经济发展进入新常态，资源配置不断优化调整，产业结构持续升级演进，中国经济开始从高速增长阶段迈向高质量发展的新阶段[1]。金融作为现代经济的核心，其高质量发展将为经济注入源源不断的活力，在经济增长中通过多重结构效应和资源配置效应发挥着关键性的作用，而深化金融体制改革并加快金融对外开放的步伐则是金融高质量发展的双轮驱动。“十九大”报告提出了“建设现代化经济体系，要推动形成全面开放新格局”。此后在2018年博鳌亚洲论坛上，中国提出将大幅放宽金融业的市场准入，这意味着金融对外开放进程在不断加速。在此背景下，中国需要强化区域金融竞争能力以应对新的国际挑战，也需要通过深化金融联系和加强区域间的金融合作交流来带动区域金融整体实力的提升。
学术界常常将区域间金融联系的探索归结为金融地理学的研究范畴[2-3]，1970年代，金融领域开始受到西方地理学者的广泛关注[2]，政治经济学方法较早地被应用于金融地理学研究[3]，直到1990年代后期，多种学科的有机融合使得金融地理注重定量与定性结合[4]，分析经济、社会、文化和政治等多种综合因素对金融的影响，研究主要涉及金融中心及金融主体的空间演化机理及其与区域发展的互动效应[5⇓-7]，金融危机和金融全球化研究[8]，还有不同尺度金融化过程的探索[9⇓-11]。国内关于金融地理方面的研究也颇为丰富，主要聚焦于对金融中心研究[12⇓-14]、金融集聚空间效应[15]以及金融机构的空间布局研究[16-17]，而随着信息技术的进步与变革，信息化的不断深入推动着区域之间交流活动日趋频繁且呈现多样化，直接对经济、社会和空间布局产生深远的影响，各种要素在空间上的流动促进了区域一体化的进程，金融要素能够借助金融业企业网络在区域间流动产生区域金融联系[18]，通过金融的外向服务功能推动金融业的均衡发展[19]，而且金融联系与经济发展的相互作用性较强，一方面区域间的经济差距会促使金融要素从弱势发展区域流向强势发展区域，虹吸作用凸显[20]，另一方面金融发展高地可以通过金融联系产生的空间溢出效应带动其他区域经济增长[21]。促进区域金融联系平衡各地区金融发展对推动区域协调发展有着不言而喻的作用[19]，但是已有研究成果中针对区域金融联系的探索更为重视空间演化特征分析[18,22]以及金融联系的空间效应[19-20]，针对剖析区域金融能力与金融网络规模的影响机制的空间计量实证框架仍有待完善。
基于上文分析，本研究拟在多维邻近视角下提出区域金融空间联系特征及其影响机制的实证分析框架，即通过引力模型构建中国长江经济带地区的金融空间联系网络，阐明空间联系网络的空间分布格局，识别区域金融中心城市并测度其辐射范围，再进一步论述金融空间联系的自相关特征，最后在多维邻近的视角下考量长江经济带区域金融能力与金融网络规模的影响机理，从而为推动长江经济带区域金融高质量发展提供理论支撑和实践参考。

1 研究模型与数据来源

1.1 金融空间联系网络结构分析

①引力模型。引力模型最初来源于力学研究，由于其适用于空间联系的分析，在区域空间方面的研究逐渐增加。本研究以长江经济带城市作为研究单元，考虑区域金融总量因素，并借鉴相关的研究做法[22]，根据金融机构存款余额及贷款余额来计算引力模型中区域金融“质量”值，由于长江经济带的区域复杂性，利用时间成本距离来作为研究单元间的距离，以此来修正引力模型[23]。
②隶属度函数及断裂点公式。为确定区域金融中心城市的辐射范围，本研究利用隶属度函数以及断裂点公式来测度金融中心城市的辐射方向及范围，相关公式详见文献[24]。

1.2 金融空间联系总量空间格局探索

①重心漂移分析。经济重心模型将力学中的重心测算方法运用到经济研究中，经济重心的位置由研究区域的形状和各种经济活动的区位所决定，可以通过分析重心的演化轨迹，考察经济活动的空间布局的变化情况。本研究以长江经济带107个城市的势能联系总量作为研究对象，探究空间联系总量整体重心的转移过程，相关公式详见文献[25]。
②空间自相关分析。为了分析金融空间联系总量的空间集聚性，本研究利用Moran's I指数来分析空间自相关性[26]，再利用Getis-Ord Gi分析金融空间联系总量的冷热点分布特征，相关公式详见文献[27]。

1.3 空间计量模型

空间自相关性分析可以发现长江经济带金融空间联系总量的空间关联性，为探究其空间格局演化影响因素，因传统的计量模型忽略了空间这一因素，则需建立空间计量模型。而空间计量模型主要可以分为空间滞后模型（SLM）以及空间误差模型（SEM），LeSage在前两个模型的基础上，构造了空间杜宾模型（SDM），它同时包含空间滞后和空间误差影响，构建杜宾模型如下：
l n P i t = ρ ∑ j = 1 n W i j l n P i t + α 0 + β 1 l n X i t + ∑ j = 1 n W i j l n X i t γ 1 + μ i + λ i + ε i t
式中： P i t为金融“质量”与金融空间联系总量值； X为影响因素； ρ为空间滞后回归系数，能够度量空间相邻地区区域金融能力与金融网络规模的相互影响程度；γ表示自变量空间滞后回归系数，当 γ = 0时，SDM模型可以退化为SLM模型，当 γ + ρ β = 0时，SDM模型则可以退化为SEM模型； W为空间权重矩阵，为了明晰金融空间联系的多维邻近效应，本研究选取空间邻接权重矩阵、地理距离空间权重矩阵以及信息距离空间权重矩阵进行分析，处理方式主要是在模型分析时将模型设定中的空间权重矩阵用三种权重矩阵进行替换。

1.4 空间权重矩阵

本研究基于空间邻近、地理邻近以及信息邻近分析金融空间联系的多维邻近效应，并采用三种空间权重对空间杜宾模型进行处理。
第一种为空间邻接权重矩阵：若i城市和j城市空间邻接，则 W i j=1，否则 W i j=0。
第二种地理距离空间权重矩阵，是首先根据的各城市质心的经纬度数据测算长江经济带城市间地理距离：
d i j = R × a r c c o s c o s x i - x j c o s y i c o s y j + s i n y i s i n y j
式中：R为地球赤道半径，取值6 378 km； x i， x j， y i， y j分别为i和j两城市的经度和维度，以此求出地理距离后再求倒数构建权重矩阵。
第三种是信息距离空间权重矩阵，信息的对称有利于提升金融效率，因此基于金融的信息传播特性构建权重矩阵[28⇓-30]，信息权重矩阵依据两个城市互联网用户数差距的倒数为测度依据，信息距离测度如下：
d i j = 1 / C i ¯ - C j ¯
式中： C i ¯、 C j ¯分别为i和j两城市的城市互联网用户数均值，两城市之间的互联网发展差距越小，则信息距离越小，赋予的信息距离权重就越大。

1.5 数据来源

自中国加入WTO后，中国经济实现了“二次开放”，经济金融全球化、市场化的趋势不断加深，这不仅大大缩短中国金融现代化的进程，而且促进中国金融体制与国际通行规则接轨，为了探明金融逐步开放后区域金融联系网络结构及形成机制，本研究选取2001年为研究起始点，且为了保证研究的连续性，梳理相关文献的处理方式后发现[22,31]，五年作为周期间隔较为常见且更为科学，同时结合长江经济带区域金融发展的实际情况，为了更为系统地阐明区域金融空间联系特征，选取2001、2006、2011和2016年4个年份作为分析节点。本研究以长江经济带107个地级以上城市作为研究对象，影响因素数据主要来源于2002—2017年的《中国城市统计年鉴》、各省市统计网站以及复旦大学产业发展研究中心的《中国城市和产业创新力报告2017》。对于个别缺失的数据，利用插值法估算得到，各城市间时间成本距离则通过百度API功能批量获取。

2 金融空间联系网络结构分析

2.1 金融“质量”演化动向

金融“质量”分布情况可以体现区域金融发展水平的空间格局，本研究选取2001、2006、2011和 2016年4个时间节点的金融“质量”数据，根据数据特征划分为高值区、较高值区、中值区、较低值区、低值区五类区域，并绘制得到长江经济带金融“质量”空间分布图（图1）。
图1 长江经济带金融“质量”时空分异图

Fig.1 Evolution of financial development level in the Yangtze River Economic Belt

由图1可知，整体而言，金融“质量”分布在整个长江经济带呈现出不平衡性，时空分异特征明显，除了长三角地区具有明显的块状分布特征外，各省会城市区域金融质量也表现得较为突出。基于时间演化而言，在2001年，仅有上海为较高值区，这表明上海在研究期初期已成为长江经济带的金融发展的核心区域，形成较为明显的“单核心”结构，杭州作为唯一中值区，区域金融能力显著，较低值区则主要为各省会城市及长三角区域的沿海城市；到了2006年，整体上城市金融“质量”得到了一定程度的发展，中值水平以上地区数量有所增加，上海向上升格为高值水平区域，杭州向上跃迁为较高值区域，中值区则增加了苏州、无锡、南京、宁波、温州、武汉、长沙、重庆、成都、昆明等城市，而且较低值区主要分布于江浙地区，在空间层级上呈现出“东高西低”的趋势；到2011年，长江经济带各城市金融“质量”水平提升较为明显，低值区相比于2006年减少了39个，较低值与中值区域在长江中下游区域出现块状分布；至2016年，高值区域增加了10个，最终在空间格局发展上形成以上海、南京、无锡、苏州、宁波、合肥、武汉、长沙、重庆、成都和昆明等高值区为核心的“多核心”发展模式，以长三角地区的区域金融能力升级为主，而且可以发现2011—2016年期间沿海区域的金融整体水平提升较为突出，具有较为明显的先发优势。

2.2 最大引力线空间结构

为了揭示出长江经济带空间联系的金融扩散效应和辐射能力等网络特征，本研究根据最大引力线公式，利用ArcGIS 10.1软件绘制得到金融空间联系最大引力线联结图（图2），城市最大引力线联结数量越多，表明该城市对周边地区的金融辐射能力及扩散效应越强[23]。由2001—2016年最大引力线联结格局演化可知，长江经济带“多核心”的网络结构较为稳定，核心区域的联结格局变化较小，但是许多城市受益于国家战略开展以及地区经济的崛起，金融产业提升明显，这些城市的金融崛起引领地区空间格局的重构与扩散，例如，区域中心性城市合肥，从2001年的3次联结增长至2016年的5次，这表明在区域竞争中，合肥的区域金融竞争力有所提升，但联结仍以皖西区域中小城市为主，难以辐射其他区域。基于时间推移视角而言，在2001年，联结次数最多的为上海（31），上海作为国际金融中心大都市，金融地位显著，而联结次数大于平均值且大于等于2的城市有成都市（14）、长沙（13）、武汉（12）、南京（9）、重庆（7）、昆明（7）、贵阳（4）、合肥（3）、南昌（3）、杭州（2）、苏州（2），这些城市作为区域性的中心城市，经济基础较好，与周围城市间的金融空间联系较强；在2006年，联结次数最多仍为上海（32），联结次数大于平均值且大于等于2的城市有成都（14）、长沙（14）、武汉（13）、南京（9）、重庆（7）、昆明（7）、南昌（4）、贵阳（4）、杭州（3）、合肥（3）；在2011年，联结次数大于平均值且大于等于2的城市有上海（32）、成都（14）、长沙（13）、武汉（10）、重庆（9）、南京（8）、昆明（7）、南昌（4）、杭州（3）、合肥（3）、贵阳（2）、苏州（2）；到了2016年，上海的联结次数下降至22次，这表明随着周边城市的发展，核心区域的联结竞争较为激烈，中心格局发生了一定变化，而联结次数大于平均值且大于等于2的城市有成都（14）、长沙（14）、武汉（12）、南京（10）、昆明（8）、重庆（6）、南昌（6）、合肥（5）、贵阳（4）、杭州（4）。从时间演变状况来看，杭州、合肥、南昌的联结次数增加较为明显，这些城市作为省会城市，金融地位明显上升，金融产业基础较好，随着经济的持续增长，金融中心的功能性也更加凸显。
图2 最大引力线联结图

Fig.2 The largest attracting linkages of financial spatial combination

2.3 空间联系网络结构特征

为了更为细致刻画出区域金融的空间联系网络结构特征，运用ArcGIS 10.1软件的网络结构分析功能，借鉴相关研究处理方式[23]，将长江经济带城市之间的空间联系量分成以小于100（弱联系）、100~500（较弱联系）、500~1 000（一般联系）、1 000~10 000（较强联系）和大于10 000（强联系）5个等级，绘制出长江经济带金融空间联系网络图，得到图3（为了更加凸显主要网络联系的基本特征，将弱联系及较弱联系的网络线段以透明线条的形式显示）。
图3 长江经济带金融空间联系网络结构

Fig.3 Financial linkages network structure of the Yangtze River Economic Belt

由图3可知，整体而言，随着时间的演化，区域间的金融空间联系持续增强，空间联系网络由简单网络演变为复杂网络，网络结构也随之由初具雏形的简单结构向逐渐成熟的网状结构发展，网络复杂度在空间上呈现“东密西疏”的分布特征，联系较多的网络节点主要分布于长江经济带的省会城市和长三角区域的城市，苏州、杭州、南京、无锡、合肥，武汉、长沙、南昌，成都、重庆、昆明、贵阳这些重要节点城市经济基础较好，积聚了大量金融要素，优势显著，在整个长江经济带占据主导地位，从时空演化过程可以发现金融空间联系是“点—线—面”的发展模式，网络结构则从“单核”向“多核”转化。由时间变化来分析，在2001年，各城市之间的联系主要都为较弱联系及弱联系，仅在江浙沪区域出现一般联系及较强联系，在本世纪初期，上海作为全国的经济中心之一，其金融聚集能力以及辐射能力较强，使得在长三角地区形成以上海为中心的简单网络结构；在2006年，位于长三角地区的区域性中心城市脱颖而出，使该区域网络复杂度有所提升，而在中游地区以及上游地区，仅出现零散的空间联系结构；在2011年，长三角地区的多层级性网络结构开始形成，出现“Z”字形强联系网络结构，其他地区也形成以各省会城市为核心的“散射状”网络结构；到了2016年，长江经济带金融空间联系网络结构复杂度提升较为明显，东部城市之间的金融联系较强，网络结构尤为密集，西部城市之间金融联系也有所增加，一般联系覆盖了大部分城市，各地区金融联系在不断加强，形成“多核心”网络状结构，这体现出金融协同化发展态势。

2.4 金融中心城市识别及其辐射范围

金融中心一方面对金融资源的空间配置效率有所影响，另一方面对实体经济的空间演进与转型发展也发挥着巨大作用[32]。为了对长江经济带的金融中心城市进行识别，根据相关研究的做法[22]，构建K-means金融中心等级识别模型，对2001、2006、2011、2016四年的最大引力线联结数以及势能值数据进行聚类分析，并整合得到综合识别结果，见表1。由表1可知，金融中心城市实力的分化较为明显，一级金融中心城市仅有上海，上海作为全国性金融中心，中心地位突出，周围城市多受其金融辐射影响；二级金融中心城市则较为分散，区域中心特征明显，而且作为各省的省会城市，具有较强的潜在发展能力；三级金融中心城市中的无锡、苏州、杭州因受到上海的辐射影响，中心性有所下降。金融中心城市识别初步呈现了长江经济带金融空间联系的中心城市结构，进一步计算金融空间联系隶属度，可详细揭示各城市间具体金融联系方向，断裂点模型则可测度中心城市辐射范围。本研究采用2016年数据并根据相关公式计算得到相应结果，通过数据可视化绘制得到图4。由图4可知，整体上分为三大金融辐射圈，在长三角地区，形成以上海为主核，以南京、合肥、杭州、苏州和无锡为次核心的金融辐射圈；在长江中游地区，形成以武汉、长沙为主核，南昌为次核心的金融辐射圈；在长江上游地区，形成以重庆、成都与昆明为主核心的金融辐射圈。其中上海市金融影响能力尤为突出，金融辐射圈范围较大，范围包含了长三角地区的大部分城市，对长江流域经济的整体带动具有重要的意义。
表1 长江经济带金融中心城市等级识别

Tab.1 Financial center cities level identification in the Yangtze River Economic Belt

城市等级划分 综合识别结果
一级金融中心城市 上海（29，211K）
二级金融中心城市 南京（9，69K、武汉（12，19K）、长沙（14，14K）、重庆（7，14K）、成都（14，23K）、昆明（7，4K）
三级金融中心城市 无锡（1，97K）、苏州（2，164K）、杭州（3，114K）、南昌（4，8K）、合肥（3，20K）

注：括号内为城市的各年份最大引力线联结次数及空间联系量的平均值。

图4 金融中心城市辐射范围

Fig.4 Financial center cities radiation range

3 金融空间联系势能的空间格局

3.1 金融空间联系势能空间演化

金融空间联系势能值可以衡量区域金融的中心地位，通过相应数据计算得到2001、2006、2011和2016年长江经济带的金融空间联系势能，见表2（势能值排名前10位的城市）。由表2可知，长江经济带的金融空间联系网络遵循“二八定律”，在2006、2011和2016年，势能值排名前20%的城市势能总和占比分别为82.96%、88.78%、82.86%、84.41%，马太效应凸显。各区域间势能差距较大且大部分势能较高的城市位于长三角地区，这表明长三角区域在长江经济带的金融发展格局中具有重要的地位，而且在空间分布上呈现明显“核心—边缘”结构，形成以上海为主核心，苏州、杭州、无锡、南京为次核心，周边城市为边缘的空间组团形态。详而叙之，在2001年，势能占比10%以上的城市仅有上海，到了2006年，苏州和杭州的势能占比也达到了10%以上，而到了2011和2016年，杭州的占比重新下降到10%，虽受其他城市的金融联系总量提升影响，杭州的金融中心地位略有下降，但空间联系总量从23K跃升至373K，增长十分显著。分区域而言，在长江下游区域，大部分城市的势能值相对较高，形成明显的块状结构，组团发展；在长江中游地区，南昌、武汉、长沙的势能值较高，三个城市经济实力较强，交通相对发达，形成“三角形”发展结构，有利于金融产业的向外辐射，推动金融要素在中游城市间的流转；而在长江上游区域，成都、重庆、贵阳和昆明的势能值较高，中心地位突出。
表2 长江经济带金融空间联系总量

Tab.2 The total amount of financial spatial linkages in the Yangtze River Economic Belt

城市 2001 占比（%） 2006 占比（%） 2011 占比（%） 2016 占比（%）
上海 5 676 19.69 44 985 20.85 118 086 17.13 676 386 16.70
苏州 2 837 9.84 29 436 13.64 85 802 12.45 538 459 13.30
杭州 2 836 9.84 23 399 10.84 57 372 8.32 373 368 9.22
无锡 2 004 6.95 18 841 8.73 56 930 8.26 312 462 7.72
南京 1 671 5.80 11 425 5.29 29 340 4.26 235 200 5.81
宁波 988 3.43 9 276 4.30 23 419 3.40 142 401 3.52
常州 902 3.13 7 211 3.34 24 902 3.61 137 101 3.39
绍兴 1 083 3.76 9 833 4.56 27 111 3.93 133 745 3.30
嘉兴 1 022 3.54 7 578 3.51 25 218 3.66 129 656 3.20
南通 707 2.45 5 193 2.41 22 348 3.24 115 565 2.85

注：由于篇幅所限制，仅列出空间联系总量排名前10位城市。

3.2 金融空间联系总量重心漂移

为了刻画金融空间联系总量的重心漂移情况，利用ArcGIS 10.1软件绘制得到空间联系总量的重心路径转移图（图5），整体而言，2001—2016年的中国金融空间联系总量的重心漂移呈现出“先向东北，后向西南，最后向东”漂移的多重转向特征。在2001—2006年阶段，重心移动幅度为东经增加0.81个经度以及北纬增加0.06个纬度，这表明在21世纪初期随着长三角崛起，金融发展重心大幅度向东部方向移动，东部金融产业提升较为明显；在2006—2011年阶段，重心移动幅度为东经减小0.76个经度以及北纬减小0.04个纬度，在中西部地区产业崛起以及国家战略的推动下，金融空间联系的重心向西南方向回转，而到了2016年，重心再次向东北部移动，这个阶段是互联网经济飞速发展的时期，长三角地区因其较好的产业基础，经济提升速度略快于中上游地区，区域金融随之发展，使得金融空间联系总量重心漂移方向再次反转，最终呈现出反“Z”形状的转向特征，这反映了长江经济带金融空间联系增长动力的多重转换过程。
图5 金融空间联系总量重心漂移

Fig.5 Movement of the barycenter of total financial linkages

3.3 空间自相关分析

基于上文发现在金融联系空间上的分布差异，本研究为探究金融空间联系总量的空间自相关性，根据相关数据计算Moran's I指数，得到表3。2001、2006、2011、2016年Moran's I指数分别为0.36、0.38、0.43、0.41，表明2001—2011年，金融空间联系集聚金融空间联系总量态势有所加强，而在2011—2016年这个阶段，指数有所降低，呈现出倒“V”的演化趋势，但仍然存在显著的空间正相关性，空间集聚较为明显。为了具体分析金融空间联系总量集聚的空间分布情况，利用ArcGIS 10.1软件绘制出冷热点图（图6），由图6可知，整体而言，金融空间联系总量的冷热点分布呈现“极核化”的发展态势，热点区域主要分布于长三角区域，且大部分处于沿海地区，出现了明显的集聚现象，空间异质性凸显，究其原因，长三角城市群无论在经济基础、产业结构和对外开放性等方面，还是在金融服务功能、资本利用效率相较与其他地区都具有明显的优势。而长江中上游地区基本都为冷点区和次冷点区，尽管国家拟通过成渝城市群和长江中游城市群的发展来带动中上游地区，但长江中上游地区的中小型城市较多，这使得热点块状区域出现的可能性较小。
表3 空间自相关结果

Tab.3 Spatial autocorrelation result

年份 Moran's I指数 方差 z得分 p值
2001 0.36 0.00 14.39 0.00
2006 0.38 0.00 14.43 0.00
2011 0.43 0.00 16.19 0.00
2016 0.41 0.00 15.38 0.00
图6 金融空间联系总量冷热点图

Fig.6 Hotspots of the total amount of financial spatial linkage

4 多维邻近视角下区域金融空间联系格局演化的影响机制分析

4.1 变量选取

根据既有文献研究基础[18,33,34]，以金融“质量”与金融空间联系总量作为被解释变量，明晰各因素对区域金融能力与金融网络规模的影响机制，基于数据的可获取性和长江经济带区域金融的发展状况，选取以下因素（表4）：①城市经济规模：金融发展和经济增长之间存在着相互促进的关系[35]，为反映经济因素对区域金融能力与金融网络规模的影响作用，用GDP来表征；②政府供给导向：在财政压力下，政府对金融具有较强的干预动机和行为，而政府政策的施政举措会对金融资源配置产生影响[36]，为反映政府供给导向对区域金融能力与金融网络规模的影响作用，用地方财政支出进行表征；③产业升级导向：金融产业是服务业中的重要组成部分，金融体系的加快发展有助于产业转型升级[37]，同时金融功能发挥也受其他服务业发展的影响，并且金融集聚程度与产业结构存在一定的空间关联性，因此本研究引入第三产业结构这一因素，分析其对区域金融能力与金融网络规模的影响，用第三产业占GDP的比重进行表征；④工业基础能力：一般而言，工业基础良好的地区依托完善的工业资源优势对金融业的提升具有较强促进作用[33]，为探究工业基础能力对区域金融能力与金融网络规模的作用机制，采用工业总产值进行表征；⑤金融人力资本：金融人才对金融业的发展提升作用较为明显，有利于提升金融竞争力[38]，为分析金融人力资本对区域金融能力与金融网络规模的影响机制，采用金融业从业人数表征；⑥对外开放水平：对外开放水平对金融发展具有明显的促进作用[33]，为探究其对区域金融能力与金融网络规模的促进机制，采用外商投资总额进行表征；⑦城市创新能力：为分析城市的技术创新能力对区域金融能力与金融网络规模的影响，采用城市创新指数进行表征。
表4 影响因素

Tab.4 Influencing factors

影响因素 解释变量 因素说明
城市经济规模 GDP 地区生产总值
政府供给导向 GOV 地方财政支出
产业升级导向 STR 第三产业占GDP的比重
工业基础能力 IND 工业总产值
金融人力资本 HUM 金融业从业人数
对外开放水平 OPEN 外商直接投资金额
城市创新能力 INN 城市创新指数

4.2 空间杜宾模型计量结果分析

空间自相关分析结果显示金融空间联系网络存在明显的空间依赖性以及异质性，需要进一步通过似然比检验和Wald 检验判断空间杜宾模型（SDM）是否可以简化为空间滞后模型（SLM）或空间误差模型（SEM）。在考量邻接、地理和信息三种空间权重下，由回归结果可知，空间误差和空间滞后的LR检验和Wald检验均通过1%的显著性，将原假设全面拒绝，说明空间误差项、空间滞后项同时存在，所以采用空间杜宾模型（SDM），而且Hausman检验结果显著，原假设在5%显著性水平下被拒绝，则选择固定效应模型更佳[39]。此外，在本研究中，因空间相关性的存在，传统的OLS方法估计的参数结果不太适用，因此，本文采用拟极大似然法（QMLE）进行估计，模型回归结果见表5。
表5 金融发展水平与空间联系空间格局形成的影响因素回归结果

Tab.5 Regression results of factors influencing the formation of financial development level and spatial connection spatial pattern

解释变量 区域金融能力 金融网络规模
邻接权重 地理权重 信息权重 邻接权重 地理权重 信息权重
ln GDP 0.1594***（4.9908） 0.1387***（6.2193） 0.2064***（9.4267） 0.1911***（3.5140） 0.1552***（6.7053） 0.2515***（9.3652）
ln GOV -0.0293（-1.4202） -0.0589***（-3.4459） -0.0300*（-1.6618） 0.0362（1.0239） -0.0433**（-2.4419） -0.0098（-0.4402）
ln STR 0.2105**（1.9811） 0.1707**（2.3406） 0.2466***（3.4636） 0.2913*（1.6089） 0.1843**（2.4353） 0.2373***（2.72）
ln IND 0.2407***（6.4951） 0.1948***（7.3079） 0.1764***（6.5416） 0.2824***（4.5507） 0.2023***（7.3119） 0.1812***（5.4819）
ln HUM 0.0608（1.2215） 0.003（0.0797） 0.0250（0.6423） 0.1057（1.2400） 0.0021（0.0543） 0.0208（0.4378）
ln OPEN -0.0014（-0.1600） 0.0069（1.0215） 0.0046（0.6469） -0.0187（-1.2319） 0.0045（0.6459） 0.0062（0.7027）
ln INN 0.0258（1.3058） 0.0233*（1.6575） 0.0443***（3.3294） 0.0481（1.2273） 0.0247*（1.6928） 0.0366**（2.2418）
W·ln GDP 0.3191***（7.2445） 0.1375（1.189） -0.1079**（-2.1268） 0.5567***（7.3835） 0.1705（1.4983） -0.1285**（-2.085）
W·ln GOV 0.1219***（4.7512） 0.1850***（2.6961） 0.0450（1.5229） 0.3045***（6.7582） 0.2577***（3.6125） 0.0873**（2.3295）
W·ln STR 0.4149**（2.3816） -0.2893（-0.479） -0.0847（-0.4672） 0.7211**（2.3837） -0.4624（-0.7457） -0.0213（-0.0959）
W·ln IND 0.0597（1.2093） -0.4025***（-3.9000） -0.0607（-1.2845） 0.3294***（4.0111） -0.5691***（-5.4271） -0.0727（-1.2522）
W·ln HUM 0.3912***（4.4213） -0.1236（-0.3689） 0.2017*（1.7697） 0.6927***（4.4535） 0.034（0.0989） 0.1184（0.8512）
W·ln OPEN -0.0105（-0.7679） 0.0109（0.216） 0.0177（1.1709） -0.0368*（-1.5841） 0.0797（1.5178） 0.0218（1.1768）
W·ln INN 0.0652**（2.5669） -0.0074（-0.0894） 0.0828**（2.2252） 0.1637***（2.9750） -0.1346（-1.561） 0.1086**（2.3518）
W·dep.var -0.2361***（-3.5218） 0.7390***（8.8109） 0.4610***（6.5166） -0.2361***（-3.561） 0.923***（34.9229） 0.668***（12.8596）
R2 0.9911 0.9949 0.9942 0.9915 0.9982 0.9972
log-likelihood - 734.1078 702.6714 - 713.2921 607.6935
Hausman 固定效应 固定效应 固定效应 固定效应 固定效应 固定效应

注：***代表1%的显著性水平，**代表5%的显著性水平，*代表10%的显著性水平，括号里的数值表示t值。

回归结果显示，大多数的解释变量在三种权重下均通过了显著性检验，这说明长江经济带的区域金融能力与金融网络规模存在多维邻近效应，同时表明区域金融能力与金融网络格局的形成是多种驱动因素共同作用的结果，具体而言：①根据金融网络规模的回归结果可知，变量lnGDP在三种权重下均通过了1%水平的显著性检验，这表明城市经济规模对金融空间联系格局形成具有明显地正向作用；政府供给导向变量lnGOV在邻接权重和信息权重下不显著，但是其地理加权项W·lnGOV在三种权重下均通过了显著性检验，这表明该要素对金融空间联系的空间溢出效应明显，各地区间政策上表现出一定的空间竞争机制，周边地区的财政投入对本地区的金融空间联系提升有明显的作用；产业升级导向以及工业基础能力在三种权重下均通过了显著性检验，这表明产业结构提升与发展对金融空间联系提升具有正向的推动作用；变量lnHUM的回归系数为正但不显著，其地理加权项在邻接权重下通过了1%水平的显著性检验，说明该变量对金融空间联系具有一定的空间溢出效应，周边地区的金融人才可以对本地区的金融空间联系增长产生积极的作用，但仍需要加强人才资源的合理分配，促进金融产业的提升发展，以此增强金融联系；对外开放水平对金融空间联系没有产生显著的影响，部分原因可认为金融对外开放程度不够，需提升对外开放水平，参与国际竞争提升金融实力；变量lnINN在地理权重和信息权重下表现出显著性，其地理加权项W·lnINN则在邻接权重和信息权重下表现出显著性，这表明城市创新对金融空间联系格局演变有着重要的影响，创新推动科技进步可降低融资成本并提升融资效率，有利于打破区域金融壁垒，强化金融空间联系。②根据区域金融能力的回归结果可知，在与金融空间联系总量的回归结果对比而言，城市经济规模、产业升级导向、工业基础能力和城市创新能力等因素对金融“质量”的影响也同样较大，这些因素对于区域金融水平发展提升有较为明显的作用；而政府供给导向因素lnGOV在地理权重和信息权重下的系数均为负，并且具有显著性，这表明本地区地方政府过度的金融干预与保护行为不利于金融要素流转，会导致本地区金融发展受阻。

5 研究结论与建议

高质量发展的区域金融不仅是经济持续增长的重要动力，而且可以优化区域产业发展格局，通过分析长江经济带区域金融空间联系特征及其空间格局形成的影响机制，研究发现：①长江经济带区域金融的发展水平提升较为明显，较高值区域主要集中在长三角地区，资本要素空间配置差异使长江经济带整体呈现出东部水平高西部水平低的金融发展格局。②区域金融空间联系网络的“多核心”结构较为稳定，核心城市区位优势卓越，良好的市场环境成为资本要素的重要积聚磁力，但是边缘区域的空间联系竞争仍在加剧，网络形态持续演进，而且网络复杂度在空间上呈现“东密西疏”的分布特征，区域金融空间联系发展呈现“点—线—面”的发展模式，体现出金融协同化发展态势。③金融中心城市识别结果显示出形成以上海为主核，以南京、合肥、杭州、苏州和无锡为次核心的长三角地区金融辐射圈，以武汉、长沙为主核，南昌为次核心的长江中游地区金融辐射圈，以重庆、成都与昆明为主核的长江上游地区金融辐射圈。④金融空间联系总量“核心—边缘”结构明显，在空间上呈现出一定的集聚性，在长三角一体化、西部大开发战略以及互联网经济的推动下，区域金融随之发展而且重心漂移表现为“先向东北，后向西南，最后向东”漂移的反“Z”形转向特征，这表明东西部存在着相互“追赶效应”，也体现了市场驱动与政策驱动间的博弈。⑤金融联系的多维邻近效应明显，金融空间联系能通过信息技术发展打破传统地理空间距离壁垒，其中，区域金融能力与金融网络格局形成的主要影响因素为城市经济规模、产业升级导向、工业基础能力和城市创新能力，政府供给导向对空间联系格局影响具有较强的空间溢出效应。
基于研究结论，给出如下建议：长江经济带各城市间要加强相互间的金融交流与合作，消除长江上中下游之间的金融壁垒，降低金融流动成本，提升金融资源在区域之间流动效率；精确定位城市职能，加强金融中心建设，针对不同城市金融资源和区位优势，实施差异化的金融发展策略，推动形成具有金融资源整合能力以及金融辐射广度的中心城市；在城市群的框架下引导金融产业发展，积极发挥金融中心城市的辐射带动作用，缩小区域金融水平差距；提升互联网金融从业人员要求，完善金融机构的内控机制，地方政府应当改善金融监管环境，增设基础设施，培育出具有地区特色的金融机构，提升企业融资效率；加强区域金融市场的开放性，提升与国际市场的有效联系，加强市场创新合作以促进金融市场结构转型升级，提升金融服务创新的能力。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈诗一, 陈登科. 雾霾污染、政府治理与经济高质量发展[J]. 经济研究, 2018, 53(2):20-34.

[2]
Harvey D. Social justice and the city[M]. Edward Arnold, 1973.

[3]
Scott A. Economic geography:the great half-century[J]. Cambridge Journal of Economics, 2000, 24(4):483-504.

[4]
李振发, 徐梦冉, 贺灿飞, 等. 金融地理学研究综述与展望[J]. 经济地理, 2018, 38(7):7-15.

[5]
Clark G L. London in the European financial services industry:locational advantage and product complementarities[J]. Journal of Economic Geography, 2002, 2(4):433-453.

[6]
Colombo L V A, Turati G. Why do acquiring banks in mergers concentrate in well-developed areas?Regional development and mergers and acquisitions (M&As) in banking[J]. Regional Studies, 2014, 48(2):363-381.

[7]
Jääskeläinen M, Maula M. Do networks of financial intermediaries help reduce local bias?Evidence from cross-border venture capital exits[J]. Journal of Business Venturing, 2014, 29(5):704-721.

[8]
Martin R. The local geographies of the financial crisis:from the housing bubble to economic recession and beyond[J]. Journal of Economic Geography, 2011, 11(4):587-618.

[9]
Clark G L. Money flows like mercury:the geography of global finance[J]. Geografiska Annaler, 2010, 87(2):99-112.

[10]
Wójcik D, Burger C. Listing BRICs:stock issuers from Brazil,Russia,India,and China in New York,London,and Luxembourg[J]. Economic Geography, 2010, 86(3):275-296.

[11]
Haberly D, Wójcik D. Regional blocks and imperial legacies:mapping the global offshore FDI network[J]. Social Science Electronic Publishing, 2015, 91(3):251-280.

[12]
陶锋, 胡军, 李诗田, 等. 金融地理结构如何影响企业生产率?——兼论金融供给侧结构性改革[J]. 经济研究, 2017, 52(9):55-71.

[13]
孙国茂, 范跃进. 金融中心的本质、功能与路径选择[J]. 管理世界, 2013(11):1-13.

[14]
邹小芃, 叶子涵, 杨亚静. 文化资本、制度环境对区域金融中心的影响[J]. 经济地理, 2018, 38(4):73-80.

DOI

[15]
王弓, 叶蜀君. 金融集聚对新型城镇化影响的理论与实证研究[J]. 管理世界, 2016(1):174-175.

[16]
车冰清, 朱传耿, 李敏. 江苏省银行网点分布格局及其影响因素研究[J]. 地理科学, 2017, 37(12):1867-1874.

DOI

[17]
戴志敏, 朱莉妍. 中国商业银行贷款地理分布对银行利润效率的影响[J]. 地理学报, 2015, 70(6):955-964.

DOI

[18]
赵金丽, 王曼曼, 张璐璐, 等. 中国城市群金融联系网络时空格局演化及影响因素[J]. 经济地理, 2018, 38(4):91-99.

DOI

[19]
林晓, 韩增林, 赵林, 等. 我国省域金融联系的空间格局及其变化[J]. 经济地理, 2013, 33(9):87-92,114.

[20]
王培安, 白永平, 纪发俊. 中国西北地区与东部地区跨区域金融流实证研究[J]. 干旱区地理, 2012, 35(2):295-301.

[21]
化祥雨, 杨志民, 叶娅芬. 金融空间联系与经济增长关系——基于江苏省县域的实证研究[J]. 经济地理, 2016, 36(3):32-40.

[22]
杨志民, 化祥雨, 叶娅芬, 等. 金融空间联系及K-means聚类中心等级识别研究——以长三角为例[J]. 地理科学, 2015, 35(2):144-150.

DOI

[23]
徐维祥, 张凌燕, 刘程军, 等. 城市功能与区域创新耦合协调的空间联系研究——以长江经济带107个城市为实证[J]. 地理科学, 2017, 37(11):1659-1667.

DOI

[24]
王越, 王承云. 长三角城市创新联系网络及辐射能力[J]. 经济地理, 2018, 38(9):130-137.

[25]
涂建军, 刘莉, 张跃, 等. 1996—2015年我国经济重心的时空演变轨迹——基于291个地级市数据[J]. 经济地理, 2018, 38(2):18-26.

DOI

[26]
倪印锋, 王明利. 中国牧草产业地理集聚特征及影响因素[J]. 经济地理, 2018, 38(6):142-150.

DOI

[27]
傅海威, 曹有挥, 蒋自然. 浙江省港口后勤企业空间演变过程与格局特征[J]. 经济地理, 2018, 38(8):132-140.

DOI

[28]
蒋建华, 刘程军, 刘刚, 等. 我国区域信息产业的空间格局及其演化研究[J]. 中国科技论坛, 2014(2):92-97.

[29]
胡杨, 李郇. 多维邻近性对产学研合作创新的影响——广州市高新技术企业的案例分析[J]. 地理研究, 2017, 36(4):695-706.

DOI

[30]
贺灿飞, 金璐璐, 刘颖. 多维邻近性对中国出口产品空间演化的影响[J]. 地理研究, 2017, 36(9):1613-1626.

DOI

[31]
蒋天颖, 张超, 孙平, 等. 浙江省县域金融创新空间分异及驱动因素[J]. 经济地理, 2019, 39(4):146-154.

[32]
Klagge B, Martin R. Decentralized versus centralized financial systems:is there a case for local capital markets?[J]. Journal of Economic Geography, 2005, 5(4):387-421.

[33]
程翔, 王曼怡, 田昕, 等. 中国金融发展水平的空间动态差异与影响因素[J]. 金融论坛, 2018, 23(8):43-54.

[34]
陈启亮, 王文涛. 中国省域金融集聚的影响因素分析[J]. 统计与决策, 2017(12):154-157.

[35]
杨友才. 金融发展与经济增长——基于我国金融发展门槛变量的分析[J]. 金融研究, 2014(2):59-71.

[36]
刘文革, 周文召, 仲深, 等. 金融发展中的政府干预、资本化进程与经济增长质量[J]. 经济学家, 2014(3):64-73.

[37]
易信, 刘凤良. 金融发展与产业结构转型——理论及基于跨国面板数据的实证研究[J]. 数量经济技术经济研究, 2018, 35(6):21-39.

[38]
杨艳琳, 谭梦琪. 中国金融人才对金融产业绩效的影响[J]. 金融论坛, 2017, 22(1):67-80.

[39]
车磊, 白永平, 周亮, 等. 中国绿色发展效率的空间特征及溢出分析[J]. 地理科学, 2018, 38(11):1788-1798.

DOI

Options
文章导航

/

〈 〉