EN中文

经济地理 >

2019 , Vol. 39 >Issue 8: 116 - 125

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.08.014

产业经济与创新发展

郑州主城区银行网点的时空分布特征及区位选择

  • 罗庆 , 1, 2 ,
  • 王冰冰 1, 2 ,
  • 李小建 , 1, 2, 3, ※ ,
  • 杨慧敏 2, 4
展开
  • 1.河南财经政法大学 资源与环境学院/城乡协调发展河南省协同创新中心，中国河南 郑州 450000
  • 2.河南省城乡空间数据挖掘院士工作站，中国河南 郑州 450000
  • 3.河南大学 环境与规划学院/黄河文明与可持续发展研究中心，中国河南 开封 475004
  • 4.河南财经政法大学 旅游与会展学院，中国河南 郑州 450000
※李小建（1954—），男，河南孟津人，教授，博士生导师，国际欧亚科学院院士。主要研究方向为经济地理学。E-mail：。

罗庆（1981—），男，四川合江人，博士，副教授。主要研究方向为大数据与城乡发展。E-mail：。

收稿日期: 2018-12-25

  修回日期: 2019-06-03

  网络出版日期: 2025-04-24

基金资助

国家自然科学基金项目(41771141)

国家自然科学基金项目(41871159)

教育部人文社会科学重点研究基地重大项目(16JJD770021)

河南省哲学社会科学规划项目(2017BJJ005)

河南省教育厅人文社会研究项目(2018-ZZJH-013)

河南财经政法大学信和·黄廷方青年学者资助计划

收起

Spatial-Temporal Distribution and Location Selection of Bank Outlets in Zhengzhou Urban Area

  • LUO Qing , 1, 2 ,
  • WANG Bingbing 1, 2 ,
  • LI Xiaojian , 1, 2, 3, ※ ,
  • YANG Huimin 2, 4
Expand
  • 1. School of Resources and Environment/Collaborative Innovation Center of Urban-Rural Coordinated Development，Henan University of Economics and Law，Zhengzhou 450000，Henan，China
  • 2. Academician Laboratory for Urban and Rural Spatial Data Mining，Zhengzhou 450000，Henan，China
  • 3. College of Environment and Planning/Key Research Institute of Yellow River Civilization and Sustainable Development，Henan University，Kaifeng 475004，Henan，China
  • 4. School of Tourism and Exhibition，Henan University of Economics and Law，Zhengzhou 450000，Henan，China

Received date: 2018-12-25

  Revised date: 2019-06-03

  Online published: 2025-04-24

Fold

摘要

城市快速扩张、消费需求变化及竞争日益激烈的背景下，银行网点的空间重组是城市空间优化的重要内容。郑州作为中国快速扩张城市的典型代表，文章将电子地图数据和调研数据相结合，运用ArcGIS空间分析工具和Stata软件对其银行网点的时空分布特征及区位选择的影响因素进行研究。结果表明：①银行网点空间集聚特征明显，ATM网点的集聚程度明显高于人工银行网点，且集聚速度更快；②银行网点主要分布于距市中心一定半径（9 km）范围内，并从市中心往外呈圈层式向外扩散；③商圈成为银行网点集聚的重要载体，集聚结构由经三路和中原路两个集聚中心演变为多个不同等级的集聚中心，集聚中心平均规模有所减小；④负二项回归结果表明，交通通达性、需求因素对两个阶段银行网点的区位选择有正向影响，地租成本和集聚因素对不同阶段的影响有所不同，制度因素则没有任何显著影响。同时，银行网点区位选择的影响因素在不同类型网点和不同区域也有所差异。文章得出的结论可结合区位理论进行分析，为城市快速扩张背景下郑州或其他同等级城市银行网点的选址布局及城市空间优化提供参考。

关键词： 银行网点; 区位选择; 城市扩张; 商圈; 交通通达性; 购物中心

本文引用格式

罗庆 , 王冰冰 , 李小建 , 杨慧敏 . 郑州主城区银行网点的时空分布特征及区位选择[J]. 经济地理, 2019 , 39(8) : 116 -125 . DOI: 10.15957/j.cnki.jjdl.2019.08.014

Abstract

Under the background of rapid urban expansion, changing consumer demand and increasingly fierce competition, the spatial reorganization of bank outlets is an important part of urban spatial optimization. Zhengzhou is a typical representative of the rapidly expanding cities in China. This paper, on the basis of the electronic map data and the survey data, studies the spatial and temporal evolution characteristics of the bank outlets and the influencing factors of location selection in Zhengzhou city by the means of Arc GIS and Stata. The results show that: 1) The spatial agglomeration characteristics of bank outlets are very obvious, the agglomeration degree of ATM outlets is obviously higher than that of bank branches and its agglomeration speed is faster. 2) Bank outlets mainly center on the certain radius (9 km) from the city center, and show circle diffusion from the city center to the outside. 3) Business circle has become an important carrier of bank outlet agglomeration, the agglomeration structure has evolved from two agglomeration centers( located at Jingsan road and Zhongyuan road) to several agglomeration centers of different grades, and the average size of agglomeration centers is decreasing. 4) Negative binomial regression results show that traffic accessibility and demand factors have positive effects on the location choice of bank outlets in the two stages, rent cost and agglomeration factor have different effects on different stages, while institutional factors have no significant impact. At the same time, the factors influencing the location selection of bank outlets are also different in different types of outlets and different regions. The conclusions drawn in this paper can also be analyzed with the location theory, so as to provide reference for the location layout and urban space optimization of banks in Zhengzhou or other cities of the same grade.

Key words： bank outlets; location selection; urban expansion; business circle; traffic accessibility; shopping center

银行网点是各家银行开展业务与提供服务的场所，也是银行与客户交流的主要渠道。过去20年里，伴随着中国城市化的快速推进，许多城市进行新区建设和旧城改造，对银行网点的设立和优化提出了新的需求；同时，随着信息通讯技术对银行业的渗透，网上银行、ATM自助服务以及其他新支付方式（如支付宝、微信）逐渐为广大消费者所接受，银行机构自身亟需对不同类型银行网点的功能和空间布局进行调整。在此背景下，城市内部银行网点的空间重组问题成为城市政府和银行机构的关注焦点。
近年来，国内外学者们从不同尺度对银行业的空间格局及其影响因素进行研究[1-2]。在宏观尺度上，围绕银行机构的区域分布及城市布局[3]、金融系统的空间差异和空间重组[4]、城市间金融网络结构[5]等方面，对跨国银行在华区位选择和经营动机[6]、国有银行网点分布变化[7]、区域金融系统的时空演变[8-9]进行了系列研究，强调市场规模、政策导向、历史传统等因素[10]对银行机构空间分布的作用。微观尺度上，现有研究基于中心地理论、集聚理论、复杂网络理论等相关理论，对城市银行网点的空间布局及模式[11-13]、金融集聚的效应[14]等问题进行研究。如，ATM网点的空间分布模式[15]；复杂网络理论与银行网点布局的关系[16]；转型时期城市金融服务业格局变化[17]。仅有少量研究关注城市内部银行网点布局的影响因素，强调人口密度、交通[18]、人均收入水平[12]等因素的作用。如，基于长春市的研究表明，银行网点密度与大型商业网点、写字楼、高档住宅区等有密切关系[19]；基于兰州市的研究表明，银行空间分布与城市功能分区、人口数量、商业中心、交通便利性有关[20]。对于ATM网点的作用，学术界也存在不同观点。一些学者认为，ATM网点能为客户提供快速便捷的服务，具有取代人工网点的趋势[21]；另一些学者则强调，虽然ATM网点的迅猛发展给人工网点的形式和功能带来了很大冲击，但两者是错位竞争，人工网点在银行业务经营中仍发挥着不可替代的作用，特别是在获取咨询服务、复杂业务办理等涉及银行与客户之间深度互动交流的业务领域[22]。
总体来看，现有研究丰富了学术界对于银行网点地理分布的认识，但也存在一些不足：①较少对银行网点的类别进行区分研究，尤其是对城市内部不同类型银行网点空间分布的差异性进行探讨；②多数研究为描述性分析，缺乏对银行网点选址的影响因素和作用机制的探讨。鉴于此，本文以郑州市主城区为研究区域，基于调研数据和电子地图数据，探讨城市化快速推进和信息技术广泛应用背景下城市银行网点空间分布规律及关键影响因素，从而为政府的城市规划管理和银行机构的网点优化布局提供决策参考。

1 数据来源及研究方法

1.1 研究区域及数据来源

研究区域为郑州市主城区，包括中原区、二七区、惠济区、金水区、管城回族区5个行政区，以及郑州经济技术开发区和郑州高新技术产业开发区2个国家级开发区、郑东新区1个城市新区，下辖73个街道办事处、8个乡镇（图1），面积为1 028 km2。郑州正处于快速城市化进程中，城市建成区面积由2000年的133 km2增加到2016年的457 km2，年均增长16.24%；人口由2000年的219万人增加到2016年的349万，年均增长3.71%。郑州城市扩张速度和人口聚集速度都远快于同类城市。过去10多年里，郑东新区建设、大学城建设和省政府的东迁等重大举措也助推了郑州城市化的快速推进。以郑州作为典型案例，研究快速城市化进程中大城市银行网点的时空分布及其区位选址非常具有典型意义。2016年，研究区域内共有商业银行实体营业网点（包括支行、储蓄所、分理处等分支机构）2 672个，其中ATM网点1 643个，银行网点密度约2.60个/km2。本研究的银行网点数据不包括国家开发银行、中国农业发展银行等政策性银行。
图1 郑州主城区基本情况图

Fig.1 Basic situation of Zhengzhou urban area

兴趣点（Point of Interest，POI）是一种代表真实地理实体的点状数据，一般包含名称、类别、经纬度以及地址等基本信息[23]。POI数据库为城市内部银行网点的空间分布及其影响因素研究提供了良好的平台。本研究的银行网点（包括人工网点和ATM网点）、写字楼、住宅小区、商场、大型超市、高等院校等POI数据及其城市路网数据均来自于2008和2016年电子地图数据库；2000年银行网点数据来自河南省银监局调研。此外，市区商服用地土地级别与基准地价数据来自郑州市国土部门。上述数据通过ArcGIS 10.5投影转换而成并叠加构建成数据库。

1.2 研究方法

1.2.1 核密度分析

核密度分析是一种通过考察区域内点密度空间布局来研究其分布特征的方法，其结果可以直观地识别样本在研究区域内的集聚与分散状况[24]。核密度分析过程是以每个待计算格网点为中心，进行圆形区域的搜索，落入搜索区域的点具有不同的权重，越靠近搜索中心点的权重也就越大，反之越小。对于银行网点所做的核密度分析，是通过离散采集点进行表面内插的过程。本文采用Silverman提出的KDF密度分析法[25]，借助ArcGIS 10.5平台对郑州主城区的银行网点（包括人工网点和ATM网点）的空间格局进行分析。
f x = 1 n h ∑ i = 1 n k x - x i h
式中： f x为核密度函数估计式； k ·为核密度函数方程；h为带宽 ( h > 0；n为阈值范围内的点数； ( x - x i )表示点事件处的距离；i为1~n的取值。

1.2.2 平均最邻近距离

平均最邻近距离（ A N N）通过网点间观测的平均距离（ D - o）除以期望的平均距离（ D - E）计算得出，可用于判定银行网点的空间分布特征。期望的平均距离计算公式为：
D - E = 1 2 A / N
式中： A为研究区面积； N为银行网点数量。 A N N通过给定显著性水平的Z检验的情况下，当 A N N 1时，表示银行网点是集聚分布；当 A N N 1时，为分散分布；当实测值等于期望值，即ANN=1时，表示银行网点为随机分布[11]。

1.2.3 模型设定

计数模型常用于单位时间、单位空间事件发生次数的影响因素分析。在经济地理学中，相关学者已将该模型用于企业区位[26]、贫困村分布[24]等方面的研究。本文中将银行网点抽象成点要素，以1 km×1 km格网为基本单元统计各格网中的银行网点个数。假设第i个研究单元内分布的网点个数为 Y i，服从参数为 K i的泊松分布（ K i取决于解释变量 X i）。根据泊松分布的概率密度函数，某一个网点内分布的网点个数 y i的概率密度函数如下：
P Y = y i X i = e - λ i λ i y i y i !
λ i = e β X i   i = 0,1 , 2 , … , n
对方程（4）两边取对数，得出方程： l n λ i = β X i，其中参数β的极大似然估计量可以通过如下函数得出：
K β = ∑ i = 1 N y i l n λ i - λ i - l n y i !
泊松回归模型的一个重要特点是因变量的条件均值与条件方差相等。基于此，如果计数模型的方差远大于均数，则不符合泊松回归模型的假设，应舍弃泊松回归模型转用负二项回归模型。

1.2.4 变量的选择及量化

根据区位理论、地租理论、新经济地理学理论等相关理论，银行网点分布会受交通便捷性、市场状况、集聚因素、企事业单位分布、成本因素等影响。鉴于此，本文主要从以下几个方面对其影响因素进行分析（表1）。
表1 解释变量及其量化方法

Tab.1 Explanation variables and their quantification methods

特征变量 变量名称 变量定义 预期
交通通达性 ROADDES 网格中道路密度的对数 +
BUSSTOP 网格中公交站点数量 +
市场需求 MALL 网格中大型购物广场和超市数量 +
FIRM 网格中企业数量 +
COLLEGE 网格中高等院校数据 +
OFFICE 网格中写字楼数量 +
HOUSE 网格中住宅小区数量 +
成本因素 RENT 网格商务用地基准地价等级 不确定
集聚因素 CLUSTER 网格上一阶段已有银行网点数 不确定
政策因素 CBD 每个网格是否位于CBD区域 +
ZHENGDONG 每个格网是否位于郑东新区 +
JINGKAI 每个格网是否位于经济技术开发区 +
ZHENGDONG 每个格网是否位于高新技术开发区 +
地理区位 LOCATION1 格网位于三环以内取值为1，否则为0 +
LOCATION2 格网位于三环与四环之间取值为1，否则为0 +
①交通通达性。便利的交通有助于扩大银行网点的服务半径，吸引更多的人流和商务流。同时，银行网点的可达性也直接影响到与客户保持频繁的信息交流与沟通。对银行网点的调查也表明，“交通便利”在银行网点设立中一直具有重要影响[8]。这里以格网内路网密度的对数以及公交站点数来反映格网的交通通达性，预期回归系数符号为正。
②市场需求。银行作为联系资金供给和需求的中介服务机构，邻近客户有助于银行与客户间及时的沟通交流，进而规避因信息不对称所造成的决策经营失误。一方面，高等院校等大型事业单位作为银行的重要客户，其空间分布的变化将直接影响到银行网点的选址布局；另一方面，新区建设过程中人口和产业的重新集聚也会影响各大银行的网点调整。鉴于此，这里引入每个格网大型商场和超市数、公司数、高等院校数、写字楼数、住宅小区数来表征格网的市场需求，预期回归系数为正。
③成本因素。根据地租理论，地租是银行网点经营成本的重要组成部分。一方面，银行业作为高端服务业，网点布局于商业繁荣、基础设施完善的地方，有助于进行品牌宣传，也能够获得较高的收益；另一方面，竞争日趋激烈的背景下，成本因素对网点区位选择仍然不可忽视。鉴于此，本文选取郑州市商业基准地价作为银行网点的用地成本，预期回归系数符号具有不确定性。
④集聚因素。根据集聚经济理论，相关企业和机构的空间集聚可以获得本地化经济，有助于金融机构间进行知识和信息的共享、金融产品的创新等。同时，银行网点作为提供基本金融服务的机构，当某个区位同类网点超过某个临界值，则可能产生集聚不经济，银行网点可能选择其他区位布局。考虑到数据的可获得性，本文以前一阶段格网已有银行网点数量作为基期样本，表征集聚因素对新进驻银行网点区位的影响，预期回归系数符号具有不确定。
⑤制度因素。政策制度是影响银行网点区位选择的重要因素。一方面，以四大国有商业银行和国有股份制银行为代表的国家金融机构，肩负有配合地方政府发展经济的责任；另一方面，地方政府也会通过对入驻规划区的银行机构给予土地、税收等优惠，进而影响银行机构的经营成本。鉴于郑东新区中心商务区是郑州市政府规划的区域金融中心，为反映制度因素的影响，本文以郑州东区中心商务区为范围，属于郑东新区中心商务区的格网赋值为1，否则赋值为0，预期回归系数为正。
⑥地理位置。为了控制城市内部不同区域间的固有差异，根据郑州市城市发展状况，将城市主城区划分为三环以内（旧城区）、三环与四环之间（新城区）和四环以外（城乡边缘区）。本文以四环以外区域作为参考，分别设置格网是否位于三环以内、是否位于三环与四环之间两个虚拟变量，预期回归系数为正。

2 银行网点分布的时空特征

2.1 网点密度增加且集聚分布特征明显

银行网点密度进一步增加，且ATM网点密度增幅远大于人工网点。2008年，银行网点的平均密度为1.42个/km2，2016年增加到2.57个/km2，8年间增加了0.81倍。其中，人工网点的平均密度由2008年的0.76个/km2增大到2016年的1.00个/km2；ATM网点的平均密度由2008年的0.68个/km2增大到2016年的1.59个/km2，后者的增幅是前者的4.19倍。根据平均最邻近距离分析，银行网点间的平均最邻近距离由2008年的104.61 m减小为2016年的61.62 m，减少了41.1%。同时，R值由2008年的0.27减小为2016年的0.21，表明银行网点间聚集程度进一步增加。具体来看，人工网点的平均最邻近距离由2008年的287.37 m减小为2016年的234.41 m；ATM网点的平均最邻近距离由2008年的185.92 m增大到2016年的147.55 m。ATM网点的R值比人工网点小，且减小幅度前者大于后者。这表明，ATM网点的集聚程度明显高于人工银行网点的集聚程度，且集聚速度更快（表2）。
表2 2008、2016年郑州市区银行网点的平均最邻近分析

Tab.2 Average nearest neighbor analysis of bank outlets in Zhengzhou City in 2008 and 2016

指标 2008 2016
所有网点 人工网点 ATM网点 所有网点 人工网点 ATM网点
平均密度（个/km2） 1.42 0.76 0.68 2.57 1.00 1.59
平均最邻近距离（m） 104.61 287.37 185.92 61.52 234.41 147.55
R值 0.27 0.54 0.52 0.21 0.49 0.42
Z值 -53.33 -24.45 -24.09 -77.95 -31.04 -44.65

2.2 网点布局呈现圈层式向外扩散

以二七广场为中心，统计不同距离环内银行网点数量和比重（表3）。总体来看，从市中心向外银行网点数量呈现“N”型分布，并集中分布于距市中心9 km的半径范围内。其中，距离二七广场3~6 km圈层中分布银行网点数量最多，2008和2016年该圈层银行网点数分别占银行网点总数的50.37%和41.95%。从时序变化来看，0~3 km圈层和3~6 km圈层网点分布比重均呈现下降趋势，分别从2008年36.28%和50.37%下降至2016年的19.05%和41.95%；而其他3个圈层的分布比重均增加，6~9 km圈层增加幅度最大，从2008年7.09%增加至2016年的25.11%，超过中心城区，成为次一级的集中圈层。由于0~6 km圈层、6~12 km圈层和12 km以外分别与老城区、新城区和城乡边缘区相大致对应，整体上，银行网点的分布呈现从老城区向新城区和城乡边缘区扩散。
表3 2008、2016年郑州市银行网点的圈层分布

Tab.3 Circle distribution of bank outlets in Zhengzhou in 2008 and 2016

距离/km 2008 2016
网点数（个） 人工网点（个） ATM（个） 人工网点与ATM之比 网点数（个） 人工网点（个） ATM（个） 人工网点与ATM之比
0~3 533
（36.28）		 265
（34.42）		 268
（38.34）		 0.99 509
（19.05）		 192
（18.66）		 317
（19.29）		 0.61
3~6 740
（50.37）		 370
（48.05）		 370
（52.93）		 1.00 1121
（41.95）		 451
（43.83）		 670
（40.78）		 0.67
6~9 104
（7.09）		 62
（8.05）		 42
（6.01）		 2.15 671
（25.11）		 245
（23.81）		 426
（25.93）		 0.58
9~12 41
（2.79）		 31
（4.03）		 10
（1.43）		 1.48 180
（6.74）		 77
（7.48）		 103
（6.27）		 0.75
>12 51
（3.47）		 42
（5.45）		 9
（1.29）		 4.67 191
（7.15）		 64
（6.22）		 127
（7.73）		 0.50
总计 1 469 770 699 1.10 2 672 1 029 1 643 0.63

注：括号内数字为占同类网点百分比（单位：%）。

2.3 集聚结构由“双中心”演变为“多中心”

核密度分析的结果表明，2008年以前，郑州市银行网点形成经三路为中心的核心集聚区和中原路为中心的次级集聚区（图2）。经三路核心集聚区紧邻中州大道，1990年代开始因交通便利，吸引了建设银行、交通银行、中国银行、招商银行、工商银行等多家银行省级分行以及郑州分行的入驻，随后各券商和保险公司在此设立营业部。中原路次级集聚区是郑州最早的金融集聚区，这里有郑州市政府机关以及许多大型国有企业，为靠近客户，早期许多银行网点均布局于此。2014年以后，根据郑州市政府的规划，中国银行、建设银行、招商银行等陆续将总部或是区域总部迁向郑东新区CBD。同时，郑州市政府所打造的惠济商圈、郑东CDB商圈等市级和区级商圈初具规模，河南省政府东迁以及高校搬迁新校区工作的完成。到2016年为止，郑州银行网点在原有两个集聚中心基础上，形成若干规模较小的新次级集聚中心，即银行网点在二七广场、紫荆山、曼哈顿、升龙凤凰城等商圈形成次级集聚中心，同时在三环以外的宝龙广场、郑东CBD、惠济万达等出现一批潜在的集聚中心。总体来看，集聚中心平均网点数由2008年的134个减少为2016年的55个，集聚中心银行网点占所有网点数量由2008年的18.15%降低为2016年的14.30%，表明过去8年里集聚程度所有降低且集聚中心平均规模明显减小。
图2 2008、2016年郑州银行网点核密度图

Fig.2 Kernel density of Zhengzhou bank outlets in 2008 and 2016

3 模型结果分析

2008年，郑州老城区的部分高校搬到新城区。同时，以购物中心为核心的商圈开始浮现。这些事件对银行网点布局具有重要影响。为更好理解不同阶段银行网点布局的主要因素变化，本文以1 km×1 km格网为研究的基本单元，选取2000—2008和2008—2016年郑州主城区每个格网新增银行网点为被解释变量以及表1中的各因素为解释变量，构建计数模型进行银行网点区位选择的影响因素分析。相关性检验表明，各个解释变量之间不存在较为严重的共线性。银行网点分布的条件均值不等于条件方差，故采用负二项回归模型进行参数估计，附属参数α均显著不为0，进一步证明采用负二项回归模型估计的合理性。考虑到用于表征政策制度因素的CBD、ZHENGDONG、JINGKAI和GAOXIN四个虚拟变量在所有模型均不存在显著影响，最终估计模型中将其剔除（表4）。
表4 总体和分类网点的负二项回归结果

Tab.4 Regression results of negative binomial model for overall and classified bank outlets

变量 模型1 模型2 模型3 模型4 模型5 模型6
20000—2008年
新增所有网点		 2000—2008年
新增人工网点		 2000—2008年
新增自助网点		 2008—2016年
新增所有网点		 2008—2016年
新增人工网点		 2008—2016年
新增自助网点
ROADDES 0.621*** 0.669*** 0.687*** 0.707*** 0.686*** 0.633***
（0.142） （0.204） （0.178） （0.126） （0.190） （0.145）
BUSSTOP 0.006 0.101 0.015 0.089*** 0.106*** 0.094***
（0.037） （0.063） （0.038） （0.017） （0.025） （0.020）
MALL 0.050*** 0.067*** 0.041*** 0.002*** 0.002*** 0.002***
（0.010） （0.019） （0.009） （0.000） （0.000） （0.000）
FIRM 0.071*** 0.048 0.086*** 0.016* 0.021* 0.011
（0.019） （0.036） （0.019） （0.009） （0.012） （0.010）
COLLEGE 0.163*** 0.195** 0.192*** 0.155*** -0.042 0.171***
（0.041） （0.082） （0.038） （0.036） （0.069） （0.039）
OFFICE 0.061** 0.248*** 0.064** 0.058 0.155** 0.078
（0.030） （0.067） （0.027） （0.050） （0.075） （0.058）
HOUSE 0.058*** 0.012 0.073*** 0.012** 0.009 0.012**
（0.022） （0.044） （0.020） （0.005） （0.007） （0.006）
RENT 0.235*** 0.102 0.300*** -0.179*** -0.147*** -0.177***
（0.090） （0.148） （0.100） （0.026） （0.038） （0.030）
CLUSTER 0.100*** -0.229*** 0.101*** -0.030*** -0.154*** -0.074***
（0.021） （0.059） （0.020） （0.010） （0.019） （0.011）
LOCATION1 1.830*** 0.840** 3.914*** 1.278*** 1.141*** 1.504***
（0.342） （0.414） （1.036） （0.316） （0.438） （0.416）
LOCATION2 0.681** -0.212 2.455** 0.882*** 0.598 1.234***
（0.307） （0.315） （1.025） （0.289） （0.408） （0.389）
CONS -8.048*** -8.060*** -11.340*** -1.616*** -2.632*** -2.239***
（1.165） （1.634） （1.748） （0.395） （0.569） （0.494）
lnalpha -0.977*** 0.231 -1.371*** -0.060 0.213 0.052
（0.226） （0.242） （0.304） （0.117） （0.171） （0.130）
Alpha 0.376 1.259 0.254 0.942 0.213 1.053
Obs. 927 927 927 927 927 927
Pseudo R2 0.356 0.238 0.438 0.230 0.231 0.229
Log likelihood -578.656 -399.647 606.01 -1115.896 -587.798 -879.730

注：括号内为标准差；***、**和*分别表示1%、5%和10%的显著性水平。

3.1 所有网点区位选择的影响因素分析

交通通达性对银行网点区位选择具有显著影响。模型1和模型4的结果表明，路网密度（ROADDES）对银行网点的区位选择在两个阶段均有十分显著的正向影响，即银行网点区位倾向于选址在路网较为密集的地方。公交站点数（BUSSTOP）作为格网交通通达性的另外一个表征变量。2008年以前公交站点数对银行网点区位选择的影响为正，这与预期符号一致，但在10%水平上不显著。2008年以后公交站点数量在1%水平上对银行网点的区位选择具有显著的正向影响。公交站点数系数较小，表明其对因变量的解释力度不如路网密度大，但有所增大。
市场需求对银行网点区位选择具有非常重要的影响。大型商场和超市数（MALL）、公司数 （FIRM）、高等院校数（COLLEGE）、住宅小区数（HOUSE）对银行网点区位选择在两个阶段均具有显著影响，并且符号方向与预期一致。写字楼数（OFFICE）的回归系数也与预期一致，但仅在2008年以前对银行网点区位选择具有显著影响。总体来看，后一阶段的影响小于前一阶段。这可能与近年来支付宝、微信、POS刷卡等支付方式的普及，人们在购物消费中对现金依赖程度不断降低有关。
地租因素对银行网点区位选择具有显著影响。模型1和模型4的结果表明，商务用地等级（RENT）在不同阶段对网点区位选择的影响方向有所不同。2008年以前，地租对银行网点区位选择的回归系数为正，表明新建银行网点倾向于选址到地租等级较低的区位。这一结论与李小建等对郑州银行网点的调研结论一致[8]。2008年以后，地租因素对银行网点区位选择具有显著的负向影响，即影响新增网点更倾向于选址到高地租的区位。这可能与以下两方面的因素有关：一方面，随着老城区网点的饱和，新建网点只能选择位于地租成本较高的新城区；另一方面，银行网点开始注重形象宣传，而选址地租较高的区位有助于提升大众对银行的认可度。
前一阶段网点的集聚（CLUSTER）对网点区位选择具有显著影响，但不同阶段对网点区位选择的影响方向也有所差异。2008年前，市场需求较为旺盛，银行网点区位选择上通过集聚可以获得集聚效益。2008年后，随着银行网点间竞争的加剧，网点的集聚对新增网点的区位选择具有不利影响。
此外，与四环以外地区相比，三环以内（LOCATION1）和三环四环间（LOCATION2）也会对银行网点的区位选择具有显著影响。这很有可能与不同区域基础设施的完善程度有关。

3.2 不同类型网点区位选择的影响因素分析

不同类型银行网点区位选择的影响因素略有差异（表4）。交通通达度指标中，路网密度（ROADDES）在两个阶段均对人工网点和ATM网点的区位选择具有显著的正向影响，而公交站点数仅在2008年以后才对两种类型网点区位选择具有显著影响。这可能与近年来城市交通拥堵和公交站点密度增加有关。
需求因素指标中，商场和大型超市（MALL）在两个阶段均对人工网点和ATM网点的区位选择具有显著的正向影响，但后一阶段的影响明显小于前一阶段。公司数量（FIRM）在2008年前对ATM网点具有显著影响，而在2008年后对人工网点具有显著影响。写字楼数量（OFFICE）在2008年以前对不同类型网点的区位选择均具有显著影响，而2008年以后仅对人工网点具有显著影响。这与公司间的交易方式转变有关，对基本支付业务，绝大公司都通过网上支付进行，而仅有一些特殊业务采取人工网点有关。高等院校（COLLEGE）在2008年以前对人工网点和ATM网点的区位选择均具有显著影响；2008年以后，高等院校仅对ATM网点的区位选择具有显著影响。这可能是由于高等院校师生自助能力强，同时各大银行为降低人工成本，纷纷在高等院校新校区设立ATM网点有关。住宅小区数（HOUSE）在两个阶段仅对ATM网点的区位选择具有显著影响。这与小区居民的金融业务主要是基本的存取款有关。
用地成本（RENT）在2008年前对人工网点和ATM网点的区位选择具有正向影响，但仅对ATM网点的区位选择在1%水平上显著，而在2008年后对两种类型网点具有显著的负向影响。从系数上来看，用地成本对ATM网点区位选择的影响大于人工网点的区位选择。
集聚因素（CLUSTER）在两个阶段人工网点的区位选择具有显著的负向影响，而对ATM网点的影响2008年以前为正，2008年以后为负。这可能与前期人工网点布局较为密集有关。从系数大小看，集聚因素对人工网点区位选择的影响大于ATM网点。

3.3 不同城区银行网点区位选择的影响因素分析

基于表4的结果可以看出，不同区域银行网点区位选择的影响因素具有显著差异。本文将把郑州市主城区划分为老城区（三环以内）、新城区（三环四环间区域）和城乡边缘区（四环以外），进一步分析两个阶段不同区域银行网点选址的显著影响因素（表5）。
表5 不同区域银行网点区位选择的显著影响因素

Tab.5 Significant influencing factors of location selection of bank outlet in different regions

网点类型 老城区 新城区 城乡边缘区
2000—2008年 2008—2016年 2000—2008年 2008—2016年 2000—2008年 2008—2016年
所有网点 ROADDES（+）
MALL（+）
FIRM（+）
COLLEGE（+）
OFFICE（+）
HOUSE（+）
CLUSTER（+）		 ROADDES（+）
BUSSTOP（+）
MALL（+）
HOUSE（+）
RENT（-）
CLUSTER（-）		 ROADDES（+）
MALL（+）
OFFICE（+）
RENT（+）
CLUSTER（+）		 ROADDES（+）
BUSSTOP（+）
MALL（+）
FIRM（+）
COLLEGE（+）
OFFICE（+）
HOUSE（+）
RENT（-）		 ROADDES（+）
MALL（+）
FIRM（+）
COLLEGE（+）
OFFICE（+）
CLUSTER（+）		 BUSSTOP（+）
MALL（+）
HOUSE（+）
RENT（-）
人工网点 BUSSHOP（+）
MALL（+）
COLLEGE（+）
OFFICE（+）
CLUSTER（-）		 BUSSTOP（+）
MALL（+）
HOUSE（+）
RENT（-）
CLUSTER（-）		 ROADDES（+）
MALL（+）
OFFICE（+）		 ROADDES（+）
BUSSTOP（+）
MALL（+）
FIRM（+）
OFFICE（+）
HOUSE（+）
RENT（-）		 ROADDES（+）
BUSSHOP（+）
FIRM（+）
COLLEGE（+）
OFFICE（+）
CLUSTER（+）		 BUSSTOP（+）
MALL（+）
OFFICE（+）
CLUSTER（-）
ATM网点 ROADDES（+）
MALL（+）
FIRM（+）
COLLEGE（+）
OFFICE（+）
HOUSE（+）
RENT（+）
CLUSTER（+）		 ROADDES（+）
BUSSTOP（+）
HOUSE（+）
RENT（-）
CLUSTER（-）		 MALL（+）
COLLEGE（+）
OFFICE（+）
RENT（+）
CLUSTER（+）		 ROADDES（+）
BUSSTOP（+）
MALL（+）
bdFIRM16（+）
COLLEGE（+）
OFFICE（+）
HOUSE（+）
RENT（-）		 ROADDES（+）
MALL（+）
FIRM（+）
COLLEGE（+）
OFFICE（+）
CLUSTER（+）		 BUSSTOP（+）
MALL（+）
CLUSTER（-）

注：本表仅列出具有显著影响的因素，其中括号内+、－分别代表参数估计值符号。

从老城区来看，路网密度、大型商场和超市数、住宅小区数以及前一阶段网点数是两个阶段银行网点选址的共同影响因素。此外，2008年以前，银行网点的区位选址还受公司数、高等院校数和写字楼数的影响，2008年以后，银行网点的区位选址还受公交车站数和购物中心数的影响。从人工网点来看，公交车站数、购物中心数和集聚因素是两个阶段人工网点区位选址的共同影响因素。2008年前人工网点区位选址还受高等院校数的影响，而2008年以后则还受住宅区数量和地租租金的影响。从ATM网点来看，还受路网密度、住宅小区数、用地成本以及集聚因素所影响。2008年以前还受购物中心数、公司数、高等院校数和写字楼数所影响，而2008年以后还受公交车站数所影响。
从新城区来看，路网密度、购物中心数、写字楼数以及用地成本在两个阶段均对银行网点的区位选址具有共同影响。2008年以前，银行网点的区位选择还会受集聚因素所影响；2008年以后，银行网点的区位选择还受公交站点数、公司数、高等院校数、写字楼数所影响。从人工网点来看，路网密度、购物中心数和写字楼数在两个阶段均会影响人工网点的区位选择。2008年以后，人工网点的区位选择还会受公交站点数、公司数、居住小区数和地租租金所影响。从ATM网点来看，购物中心数、高等院校数、写字楼数和地租租金在两个阶段均会影响其区位选址。2008年以前，ATM网点的区位选择还会受到集聚因素的积极影响，这与新城区网点较为稀疏有关；2008年以后，ATM网点的区位选址会受到路网密度、公交站点数、公司数和住宅小区数所影响。
从城乡边缘区来看，银行网点的区位选址会受到购物中心数所共同影响。2008年以前，银行网点的区位选择还会受到路网密度、公司数、高等院校数、写字楼数和集聚因素所影响；2008年以后则还会受到公交站点数、住宅小区数和地租因素所影响。从人工网点来看，公交站点数、写字楼数和集聚因素均会在两个阶段影响其区位选址，其中集聚因素两个阶段影响由正向转向负向。2008年前，人工网点的区位选址还会受路网密度、公司数和高等院校数所影响，而2008年以后还会受购物中心数所影响。从ATM网点来看，购物中心数和集聚因素在两个阶段对银行网点的区位选址具有影响。2008年以前，路网密度、公司数、高等院校数和写字楼数还会影响其区位选址；2008年以后，公交站点数还会影响其区位选址。

4 结论与启示

银行网点的布局与优化是城市空间结构调整的重要内容之一。本文运用空间分析方法和负二项回归模型，对郑州市主城区银行网点的空间分布特征及其区位选择的影响因素进行分析。结果表明：
①随着银行网点密度增加，银行网点间的平均距离不断减小，银行网点的集聚程度也增加。从不同类型网点来看，ATM网点的集聚程度明显高于人工银行网点的集聚程度，且集聚速度更快。从空间分布来看，银行网点数量从市中心向外呈现“N”型分布，并集中分布于距市中心9 km的半径范围内，该范围与郑州的三环线基本吻合。随时间推移，从老城区向外呈现圈层式向外扩散。
②集聚模式由“双中心”向“多中心”演变。2008年以前，银行网点主要集中在以经三路为中心的核心集聚区和中原路为中心的次级集聚区；2008年以后，银行网点在紫荆山、曼哈顿、升龙凤凰城等成熟商圈形成若干新的次级集聚中心，同时在郑东CBD、惠济万达、宝龙广场等新建商圈出现潜在集聚中心，整体而言各个中心的平均集聚规模有所减小。
③从总体网点的影响因素来看，交通通达性是影响网点区位选择的重要因素，其中路网密度对银行网点的区位选择在两个阶段均有十分显著的影响，而公交站点数仅在后一个阶段才具有显著影响。市场需求是影响银行网点区位选择的主导因素，但不同类型客户对网点选择的影响有所差异，其中购物中心和大型超市数对两种类型银行网点区位选择均具有显著影响，公司数和写字楼数对人工网点的区位选择更为明显，高等院校和住宅小区对ATM网点区位选择影响则更明显。地租成本和集聚因素对网点区位选择的影响也不容低估，在不同阶段对网点区位选择的影响方向有所不同。制度因素对银行网点区位选址的影响可以忽略不计。
④不同区域银行网点区位选择的影响因素具有显著差异。路网密度、商城和购物中心数、住宅区数量以及集聚因素是两个阶段老城区银行网点选择的共同影响因素。路网密度、购物中心数、写字楼数以及地租租金是两个阶段新城区银行网点区位选择的共同影响；购物中心数是两个阶段城乡边缘区银行网点区位选择的共同影响。除此以外，在不同阶段不同类型银行网点区位选择影响因素各有侧重。
以上研究结论对与郑州及类似城市银行网点的布局和城市空间优化具有重要的指导意义。随着城市新区建设的推进、老城区的更新和信息技术对金融业的渗透，银行网点应该适时进行优化调整。一方面，大型商场和超市集聚区、住宅区密集区和高等院校聚集区，以小额存取业务为主，银行网点应重点布局应以ATM网点为主，人工网点为辅；在写字楼密集的地区，银行业务以对公业务为主，对人工服务需求较大，应注重人工网点的布局。另一方面，鉴于青年人、商务白领更容易接受ATM网点，银行可以考虑在这些人群居住区重点布局ATM网点。此外，交通便捷、通达性良好的地段，人流量大、经济活动繁杂，也是银行网点布局的适宜地点。综上，商业银行可以结合政府相关政策和以上分析因素，选择有利于服务人口且能带来较高利益的地点来为经营网点选址布局，实现自己的经营目标。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Risto L. Financial geography:A banker's view[M]. London:Routledge, 2003.

[2]
Heard C, Menezes F M, Rambaldi A N. The dynamics of bank location decisions in Australia[J]. Australian Journal of Management, 2017, 43(2):241-262.

[3]
张红军, 杨朝军. 外资银行进入中国市场的区位选择及动因研究[J]. 金融研究, 2007(9):160-172.

[4]
武巍, 刘卫东, 刘毅. 中国地区银行业金融系统的区域差异[J]. 地理学报, 2007, 62(12):1235-1243.

[5]
马学广, 李鲁奇. 中国城市网络化空间联系结构——基于银行网点数据的研究[J]. 地理科学进展, 2017, 36(4):393-403.

DOI

[6]
贺灿飞, 傅蓉. 外资银行在中国的区位选择[J]. 地理学报, 2009, 64(6):701-712.

[7]
贺灿飞, 刘浩. 银行业改革与国有商业银行网点空间布局——以中国工商银行和中国银行为例[J]. 地理研究, 2013, 32(1):111-122.

[8]
李小建, 周雄飞, 卫春江, 等. 发展中地区银行业空间系统变化——以河南省为例[J]. 地理学报, 2006, 61(4):414-424.

[9]
彭宝玉, 李小建. 1990年代中期以来中国银行业空间系统变化研究[J]. 经济地理, 2009, 29(5):765-770.

[10]
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

[11]
王洋, 杨忍, 李强, 等. 广州市银行业的空间布局特征与模式[J]. 地理科学, 2016, 36(5):742-750.

DOI

[12]
林彰平, 闫小培. 转型期广州市金融服务业的空间格局变动[J]. 地理学报, 2006, 61(8):818-828.

[13]
任会明, 叶明确. 上海银行产业的网络结构特征和空间格局演化[J]. 经济地理, 2018, 38(9):147-157.

DOI

[14]
刘辉, 申玉铭, 王伟, 等. 北京金融服务业集群的网络特征及影响因素[J]. 经济地理, 2013, 33(1):131-137.

[15]
王结臣, 卢敏, 苑振宇, 等. 基于Ripley's K函数的南京市ATM网点空间分布模式研究[J]. 地理科学, 2016, 36(12):1843-1849.

DOI

[16]
甄茂成, 张景秋, 杨广林. 基于复杂网络的商业银行网点布局特征——以北京市中国银行为例[J]. 地理科学进展, 2013, 32(12):1732-1741.

DOI

[17]
林彰平, 闫小培. 转型期广州市金融服务业的空间格局变动[J]. 地理学报, 2006, 61(8):818-828.

[18]
詹璇, 林爱文, 孙铖, 等. 武汉市公共交通网络中心性及其与银行网点的空间耦合性研究[J]. 地理科学进展, 2016, 35(9):1155-1166.

DOI

[19]
程林, 王法辉, 修春亮. 城市银行网点及其与人口—经济活动关系的空间分析——以长春市中心城区为例[J]. 人文地理, 2015, 30(4):72-78.

[20]
贾琳琳, 张志斌, 魏娟, 等. 兰州市银行业的空间分布特征及其影响因素[J]. 干旱区资源与环境, 2017, 31(12):71-78.

[21]
徐岚, 徐青松. 从美国经验看“互联网金融”对于国内传统银行业的冲击[J]. 上海经济研究, 2014(7):97-101.

[22]
贾瑛瑛, 纪崴. 银行网点转型任重道远[J]. 中国金融, 2014(1):89-92.

[23]
陈蔚珊, 柳林, 梁育填. 基于POI数据的广州零售商业中心热点识别与业态集聚特征分析[J]. 地理研究, 2016, 35(4):703-716.

DOI

[24]
罗庆, 樊新生, 高更和, 等. 秦巴山区贫困村的空间分布特征及其影响因素[J]. 经济地理, 2016, 36(4):126-132.

[25]
Silverman B W. Density Estimation for Statistics and Data Analysis[M]. New York: Chapman and Hall, 1986.

[26]
吕卫国, 陈雯. 制造业企业区位选择与南京城市空间重构[J]. 地理学报, 2009, 64(2):142-152.

Options
文章导航

/

〈 〉