EN中文

Economic geography >

2021 , Vol. 41 >Issue 12: 63 - 73

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.12.007

Spatial Structure and Evolution Characteristics of Financial Network in Three Major Urban Agglomerations of China：A Case Study of Beijing-Tianjin-Hebei，Yangtze River Delta and Pearl River Delta

  • REN Huiming , 1 ,
  • YE Mingque , ※ ,
  • YU Yunjiang 1
Expand
  • 1. School of International Economics and Trade，Shanghai Lixin University of Accounting and Finance，Shanghai 201209，China
  • 2. School of Economics，Shanghai University，Shanghai 200444，China

Received date: 2020-11-27

  Revised date: 2021-08-22

  Online published: 2025-03-31

Fold

Abstract

Based on the spatial distribution data of bank outlets,this paper uses the interlocking network model,social network analysis method and spatial analysis method,and measures the spatial structure and evolution characteristics of financial network in Beijing-Tianjin-Hebei urban agglomeration,Yangtze River Delta urban agglomeration and Pearl River Delta urban agglomeration from 1979 to 2018. The research finds that: 1) In terms of development trend,the scale of the financial network of the three urban agglomerations shows a certain growth trend,it grew faster in 1979-2000 and slower in 2018. 2) In terms of spatial structure,the three urban agglomerations all show the characteristics of "core-periphery" phenomenon and the obvious central effect. In addition,the financial networks of the three urban agglomerations show clear hierarchical differences. It presents the prominent "fault" phenomenon in Beijing-Tianjin-Hebei urban agglomeration and the hierarchical gradient characteristic in Yangtze River Delta urban agglomeration and Pearl River Delta urban agglomeration. 3) In terms of network pattern,the three urban agglomerations have obvious heterogeneity,it presents the "inverted V" pattern in Shijiazhuang-Beijing-Tianjin,"one core and several axis" spatial pattern in Yangtze River Delta urban agglomeration,and "one core and two belts" pattern in Pearl River Delta urban agglomeration which takes Guangzhou as the core and Guangzhou-Foshan and Guangzhou-Shenzhen as the belts. 4) In terms of influencing factors,the level of urban economic development,industrial structure,the level of opening-up,population and geographical distance have a significant impact on the financial network of the three urban agglomerations,while the industrial structure and the level of opening-up show typical heterogeneity of urban agglomerations.

Key words： urban agglomerations; financial network; network pattern; evolution characteristics; Beijing-Tianjin-Hebei; Yangtze River Delta; Pearl River Delta

Cite this article

REN Huiming , YE Mingque , YU Yunjiang . Spatial Structure and Evolution Characteristics of Financial Network in Three Major Urban Agglomerations of China：A Case Study of Beijing-Tianjin-Hebei，Yangtze River Delta and Pearl River Delta[J]. Economic geography, 2021 , 41(12) : 63 -73 . DOI: 10.15957/j.cnki.jjdl.2021.12.007

得益于GaWC比较成熟的城市网络研究，网络关系突破了地理距离的束缚，加强了城市间的经济联系。随着世界经济格局重塑，信息技术发展，全球金融中心成为各个城市努力发展的目标，金融网络扩展成为区域金融运行的主要形式。其通过分析特定区域的金融联系，为解释城市间的网络关系提供了分析框架。
自1980年代以来，Friedmann[1]、Sassen[2]、Castells[3]进行了一系列的全球城市和区域的研究。Taylor[4]在此基础上详细阐述了世界城市网络理论，进一步加强了城市间联系的广度和深度。随着城市发展理论研究的深入，城市网络逐渐成为区域经济学者的前沿主题。随着研究领域的扩大，除会计业、金融服务业、广告业、管理咨询业、法律业外，越来越多的新型数据被国内外学者运用到城市网络的构建中：一是取自城市间不断流通的信息流，如互联网流量、通信联系[5⇓-7]。二是通过交通流向，借助航空航线、铁路客运、快递物流等[8⇓⇓⇓⇓-13]。第三，随着创新经济学研究热度的高涨，有些城市将创新能力作为城市是否具备创新实力和发展活力并引领世界走向的关键，通过社会文化、创新合作等构建出的区域创新网络[14⇓⇓-17]。
近年来，相关研究尺度也越来越宽广。Derudde、Silva等在全球的尺度上进行了城市网络比较成熟和认可的研究[18-19]。叶明确等通过人口流动进行了全国层面的网络研究[20]。涉及区域层面的研究成果丰硕，如涉及城市群、都市圈在内的英格兰地区[21]、京津冀地区[22]、长三角地区[23]、釜山都市圈[24]等。在城市内部方面，Williams和Deri等分别在2014和2016年通过出租车数据以及服装产业的相关数据进行了纽约城市网络的研究[25-26]，Renne等在2011年依托公交系统构建珀斯的城市网络体系[27]，以及任会明等利用银行网络、教育网络进行了上海城市内部网络的研究[28-29]。
当今金融资本流动频繁，金融网络的空间关联效应与时空演化的复杂性受到新经济地理学者的广泛关注。金融网络是城市网络依附于金融产业的一种微观刻画。构建主体主要聚焦在银行网点、证券公司以及保险公司等领域[30]，基于总—分的网点布局，依托连锁网络模型（interlocking network model），研究的对象涉及金融市场、金融系统性风险、金融机构的行为等。研究的尺度包含全球范围、国家层面、区域（城市群）乃至城市内部。研究的内容涉及金融网络的拓扑结构、空间格局、结构效应、动态演化、影响机制以及层级结构等方面。
在经济全球化的大背景下，包含一个或者多个核心城市的城市群依托其集聚经济优势、产业分工条件，迅速融入到区域经济合作与交流当中去，影响地区资源配置和区域经济新格局。以企业布局视角进行城市群网络研究的内容较多，但是针对金融服务业构建的金融网络讨论缺乏，难以实际测度金融中心城市在区域中发挥的作用与功能。尤其对于京津冀、长三角以及珠三角，均为我国金融服务业最发达的三大区域，是构成中国城市金融网络格局的重要载体，在促进区域金融一体化方面扮演重要角色。根据2021年全球金融中心指数，上海、北京、深圳在世界金融格局中的影响力越来越强，在城市群中与其他城市的相对差距也发生着较大的变化。但金融机构是通过金融网络发挥其影响力的，用网络关系而不是用机构数量指标加总更能测度出城市的实际影响力，这与目前大部分评价体系不同，得到的排名也有一定程度的不同，对目前研究是一个有益的补充。

1 数据来源与研究方法

1.1 样本选取

京津冀、长三角、珠三角城市群是我国东部三大国家级城市群，经济发展水平高，产业集聚，以银行为核心的金融服务业发达。2021年全球金融中心指数排名前十的金融中心城市中，上海排名第三，北京排名第六，深圳排名第八（国家高端智库中国（深圳）综合开发研究院与英国智库Z/Yen集团发布第29期全球金融中心指数排名前十的城市依次是纽约、伦敦、上海、香港、新加坡、北京、东京、深圳、法兰克福、苏黎世。）。以北京为中心的京津冀城市群、以上海为中心的长三角城市群以及以深圳为核心的珠三角城市群金融服务业在不断发展壮大。在此基础上，本文选取以上三大城市群为研究样本。需要说明的是，由于香港、澳门的数据缺失，所以珠三角城市群为原城市群区域，不涉及现在粤港澳大湾区。

1.2 数据来源

以银行网点的布局为基础，其严格的等级网点布局，易于引入连锁网络模型，在世界城市网络研究实践中发挥着重要的作用。本文银行网点数据主要来源于中国银行数据库、中国统计年鉴、中国金融统计年鉴、中国城市统计年鉴、城市地方志、以及各地方统计年鉴、统计公报等。各类银行网点的类型包括商业银行、政策性银行、农村合作银行、村镇银行、城市信用社、农村信用社、资金互助社、开发性金融机构、邮政储蓄网点、金融资产管理公司、信托公司、财务公司以及其他各类金融公司和金融机构等。

1.3 研究方法

1.3.1 连锁网络模型（Interlocking Network Model）

本文借助Taylor提出的世界城市网络连锁网络模型[31]，将银行网点的布局信息转化为m个银行网点在n个城市分布的数据库，城市i中银行网点j的得分值被定义为银行网点j在整个网络中的重要程度，用 V i j表示。银行网点j作为基本连接点， V a j和 V b j分别表示j在a城市和b城市的重要度，那么a、b两个城市之间的网络连接度可以表示为：
R a b j = V a j × V b j = 1,2 , ⋯ , m
a、b两城市通过所有基本连接点的加总，得到两城市总的网络连接度：
R a b = ∑ j R a b j j = 1,2 , ⋯ , m
城市a在城市网络中与其他n-1个城市的连接度为：
N a = ∑ i R a i i = 1,2 , ⋯ , n ; 且 i ≠ a
城市a的网络连接度为式（3）与整个网络中的连接度总和之比：
L a = N a ∑ i N i     i = 1,2 , ⋯ , n

1.3.2 QAP回归分析方法

QAP（Quadratic Assignment Procedure，二次迭代分配程序）回归分析方法是以若干个1-mode（相对于2-mode金融网络而言，要求网络矩阵的行与列为同质网络成员。）N×N的网络矩阵为自变量，回归同类网络矩阵，判断回归系数并进行显著性检验。之所以采用QAP回归方法而不用多元线性回归方法，是因为关系矩阵中存在结构性的自相关会使基于OLS的多元回归方法的变量显著性检验失效。而QAP回归是一种非参数检验，可以避免因观测值相关引起的统计偏误。有鉴于此，本文使用QAP回归分析对网络矩阵之间的“关系”进行假设检验，运用网络矩阵作为因变量和自变量，具体计算步骤如下：①对自变量矩阵和因变量矩阵对应的长向量元素进行常规的多元回归分析；②对因变量的各行各列进行随机置换，重新计算回归，保存系数估计值和判定系数R2，重复之前的步骤多次，得到各统计量的标准误。

1.3.3 测度指标

①空间自相关。通过计算Moran's I指数值和p值对三大城市群金融网络空间布局的集聚性进行评估，其计算模型为：
I = n S 0 ∑ i = 1 n ∑ j = 1 n w i , j z i z j ∑ i = 1 n z i 2
式中： z i是要素i的属性与平均值 x i - X ¯的偏差； w i , j是要素i和要素j之间的空间权重；n表示要素总数； S 0表示全部空间权重和。
I的取值范围为[-1，1]，当I越趋向于1，表明绝对的空间正相关；当I趋向于0，表明空间随机分布；当I趋向于-1，表明绝对的空间负相关。
②中心性指标。度数中心度指与该节点直接相连的其他节点的个数，表征节点连接程度。主要衡量一个节点在网络中的地位。
C D ( i ) = d ( i ) = ∑ j r i j
式中： C D为度中心度值； r i j为节点间的网络联系。有联系则为赋值为1，无联系则为0。平均度为节点度值的平均值，具体公式为：
c = 1 n ∑ i = 1 n C D

1.4 数据处理

基于银行网点的城市群金融网络通过银行之间连接性的叠加及宏观化来部分反映。通过每家银行设置在各级行政单元的不同等级的网点或者办事机构，利用银行在各城市的分支机构等级和规模数据，构建城市群的金融网络。
首先依据连锁网络模型的需要，要对各银行网点进行等级赋值处理。按照其不同的级别分别赋值1~5，1代表银行的村镇级别的营业所、储蓄所、分理处、信用社、互助社、分社以及办事处；2代表银行县级的支行、信用联社、合作联社；3代表银行的市级分行、分公司、分中心以及合作社②（②由于北京、上海、天津以及重庆是直辖市，属于省级行政单位，故分行在本文中属于省级。）；4代表银行的省级分行、省分公司、业务部、中心以及营业部（包括金融机构设立的交易中心）；5代表银行的总行、一些具有银行业务的金融公司总部和交易所。若两城市间不存在任意银行金融机构的任一分支则金融连接值为0。然后以城市为空间单位（京津冀城市群为13个城市单元（根据2015年中共中央、国务院印发实施的《京津冀协同发展规划纲要规划纲要》，京津冀城市群包括北京、天津2个直辖市以及河北省11个地级市，共13个城市。），长三角城市群则为26个②（②根据2016年国务院印发的《长江三角洲城市群发展规划》，长三角城市群包括上海市以及浙江省、江苏省和安徽省等3省的部分城市总共26市。），珠三角城市群为9个③（③根据《珠江三角洲地区改革发展规划纲要（2008—2020）》，珠三角城市群包括广东省的广州、深圳、珠海、佛山、江门、东莞、中山、惠州和肇庆共9市。）），进行空间分组统计，各城市银行的总赋值为各级别银行的赋值与网点数量的乘积，京津冀城市群得到一个13×13的5级空间连接度矩阵，长三角为26×26的5级空间连接度矩阵，珠三角为9×9的5级空间连接度矩阵。借助统计软件MATLAB和空间分析软件ArcGIS对网络数据进行统计分析和空间可视化。

1.5 指标概况

银行网点是金融服务业的重要组成部分，Taylor最早运用其构建了世界城市网络[31]，之后银行网点被学者们拿来衡量和构建不同区域和国家的城市网络，是城市网络研究的重点来源数据。1979—2018年，改革开放40年，城市经济发展迅速，在“引进来”与“走出去”的战略支持下，外资银行和国际银行总部纷至沓来，国内包括各金融公司在内的各类别银行如雨后春笋般在各地兴起与设立。各级银行网点的数量不断增加，也一定程度上影响着金融格局的变化。为了更好地体现三大城市群金融网络空间结构的变化趋势以及发展脉络，本文在实证研究过程中选取了1979、2000、2009、2018年④（④选择此4个代表性的时间节点的原因是：1979年为改革开放的第一年，外资开始进驻，经济开始起飞，包括银行在内的金融业也开始待兴，它是当代银行业开始繁荣的一个起点。2000年世界进入21世纪，开启新纪元，为所有产业和经济发展的一个新起点。2009年为金融危机次年，全球金融业遭受重创，国内银行正面临着不断加大的风险、经营与盈利压力。2018年为改革开放40年。）4个时间节点。表1显示，1979年京津冀城市群银行网点数量为293家，长三角城市群为494家，珠三角城市群为32家，至2018年京津冀城市群增长至17 184家，长三角城市群为29 094家，珠三角城市群为11 209家，年均增长率分别为10.43%、10.45%、14.94%。40年来，外资银行在此期间也实现了大规模涌入与入驻，三大城市群外资银行网点数量的年均增长率分别为12.69%、14.98%、13.40%，无论是银行网点总量还是外资银行网点数量，40年来三大城市群均实现大幅度增长。
表1 三大城市群银行业状况（单位：家）

Tab.1 Status of banking industry in three urban agglomerations

城市群 指标 1979 2000 2009 2018
京津冀
城市群		 银行种类 4 39 135 300
银行网点数量 239 6 097 11 594 17 184
外资银行种类 0 6 25 36
外资银行网点数量 0 9 80 141
长三角
城市群		 银行种类 7 57 201 438
银行网点数量 494 8 098 18 946 29 094
外资银行种类 0 14 43 59
外资银行网点数量 0 16 146 344
珠三角
城市群		 银行种类 4 34 78 147
银行网点数量 32 5 284 8 069 11 209
外资银行种类 0 8 27 35
外资银行网点数量 0 12 105 186

注：为了避免幸存者偏差，本文将退出银行根据时间排列加总回银行数量和网点数量中，下文金融网络结构的数据同是。

2 三大城市群金融网络空间结构与演化特征

2.1 网络规模分析

三大城市群金融网络规模均逐渐变大，但差异显著（表2）。首先从节点数量上看，1979—2018年三大城市群均是由部分城市参与发展至全员参与，网络节点涉及全域。网络联系逐渐密切，京津冀金融网络边数由66条增长至78条，长三角由270条增加至325条，珠三角由15条增加至36条，长三角的整体关联性更加紧密，其次是京津冀，珠三角较低。平均度显示2018年三大城市群的网络联系均实现群内节点全覆盖。平均加权度的增长呈现翻倍趋势，京津冀年均增长率为2.82%，长三角为3.26%，珠三角的增长幅度最大，为8.51%，“蜕变”式的发展明显。
表2 三大城市群金融网络规模的统计特征

Tab.2 Statistical characteristics of financial network scale in three urban agglomerations

城市群 时间 节点数量 边数 平均度 平均加权度 Moran's I p值
京津冀 1979 12 66 10.154 1 053 123.538 -0.260 0.091
2000 13 78 12 3 017 486.000 -0.290 0.056
2009 13 78 12 3 073 710.923 -0.288 0.057
2018 13 78 12 3 168 800.923 -0.291 0.058
长三角 1979 26 270 20.769 1 293 436.462 0.267 0.008
2000 26 325 25 4 061 206.000 0.263 0.008
2009 26 325 25 4 529 548.077 0.268 0.011
2018 26 325 25 4 609 988.615 0.269 0.010
珠三角 1979 7 15 3.333 322 573.556 0.216 0.096
2000 9 36 8 1 924 837.111 -0.085 0.460
2009 9 36 8 2 016 884.000 -0.075 0.440
2018 9 36 8 2 052 954.222 -0.080 0.436

2.2 空间自相关分析

空间自相关结果不一，集聚特征明显。通过节点加权中心度测算全局Moran's I指数（表2），发现1979—2018年，京津冀金融网络空间结构呈现显著的空间自相关，但是40年来，自相关水平为典型的空间负相关，直接原因可能是北京在京津冀城市群的单中心效应表现明显，对周围城市的虹吸作用强于扩散效应。叶明确等研究发现，在街镇尺度下，北京内部金融网络相对于上海表现出更强集聚趋势，单中心集聚特征明显[32]。而在全国层面上，京津冀城市群呈现局部空间正相关，但单就京津冀城市群，仅考虑城市群内各城市之间的关系，空间相关性表现出不同的特征。长三角金融网络空间结构的全局Moran's I指数显著为正，虽2000年稍有降低，但数值总体呈现稳定性，波动态势不大，空间正相关显著，集聚性特征明显。珠三角的全局Moran's I指数仅在1979年显著为正，空间自相关性明显，集聚现象显著，2000—2018年，Moran's I指数不仅为负，且空间相关性不显著，整个网络结构表现出集聚到不集聚的演化，时空差异悬殊。

2.3 空间结构特征分析

京津冀：等级断层明显，空间差异突出。通过测算节点加权度（表3），发现京津冀的城市节点存在显著的差距，且等级断层特征非常明显。40年来，北京节点中心度值持续上升，且第一的位置自始至终。天津的加权度值一直仅次于北京排名第二。排名第三的石家庄其加权中心度值远远落后于北京和天津，1979年分别与其有着2.7倍和2.5倍的差距，差距呈现断层现象，2018年，随着城市经济发展，石家庄的排名虽没有被其他城市赶超，但仍然与北京、天津之间有着断层式（即排名第一的城市加权中心度与排名其后城市之间的落差太大。）的差距。1979—2018年张家口从末位提升至第十，但排名第十三的承德与北京差距7.9倍，空间差距趋势突出。
表3 京津冀城市群金融网络节点加权中心度排名情况

Tab.3 Weighted centrality ranking of financial network nodes in Beijing-Tianjin-Hebei urban agglomeration

排名 1979 2000 2009 2018
城市 加权中心度值 城市 加权中心度值 城市 加权中心度值 城市 加权中心度值
1 北京 3 451 676 北京 9 154 306 北京 9 431 002 北京 9 622 012
2 天津 3 110 392 天津 7 265 298 天津 7 491 141 天津 7 596 394
3 石家庄 1 265 817 石家庄 3 542 694 石家庄 3 657 200 石家庄 3 823 129
4 沧州 1 044 577 唐山 2 845 554 唐山 2 873 569 唐山 3 014 922
5 邢台 905 858 保定 2 810 239 保定 2 810 239 保定 2 897 676
6 邯郸 836 448 沧州 2 364 209 沧州 2 397 645 沧州 2 479 443
7 廊坊 732 032 邯郸 2 262 301 邯郸 2 314 094 邯郸 2 409 728
8 唐山 654 357 邢台 1 890 579 邢台 1 890 599 邢台 1 933 314
9 秦皇岛 543 716 廊坊 1 760 678 廊坊 1 760 678 廊坊 1 848 980
10 保定 517 776 张家口 1 529 814 张家口 1 529 814 张家口 1 626 248
11 承德 380 352 秦皇岛 1 420 872 秦皇岛 1 421 487 秦皇岛 1 475 760
12 衡水 247 605 衡水 1 209 303 衡水 1 209 303 衡水 1 256 296
13 张家口 0 承德 1 171 471 承德 1 171 471 承德 1 210 510
长三角：等级层次明显，两极化趋势加剧。依托自然断裂法，发现长三角金融网络存在明显的等级层次特征（表4，图2），演化模式涌现路径依赖。1979—2018年，上海一直位于长三角金融网络的第一等级，核心地位稳固，上海是长三角乃至中国的经济中心、金融中心，包含银行在内的金融公司总部集聚，有着数量最多的外资银行。杭州、苏州、宁波、南京、南通处于第二梯队，其加权中心度值虽与上海有一定的差距，但是等级内的城市间度值差异不大，网络指标相似。第三等级城市数量在不断增加与变化，至2018年为常州、金华、盐城、扬州、泰州、绍兴、镇江、合肥、嘉兴、台州，它们处于长三角的中间层，是具有较大发展潜力的城市，城市间的联系也较频繁，合肥作为安徽省的唯一城市跻身其中。第四等级的城市在1979年时囊括了扬州、泰州、芜湖、湖州、安庆、滁州，很明显，安徽省的城市占据多数；至2018年，第四等级只包含了安庆、芜湖、湖州，主要集聚在长三角的中西部地区。2018年位于第五等级的城市为马鞍山、滁州、宣城、舟山、铜陵、池州，除舟山外，全部来自安徽省，说明在长三角内部的差异主要是来自于地区之间的经济发展不平衡。另外，40年间，虽第五等级城市的节点加权中心度值在不断提升，但与第一等级上海之间的差距也越来越大。1979年，排名最后的常州与最高值上海之间呈现了明显的两极化。2018年，虽第五等级城市的加权中心度值均突破了百万，但是与上海之间有着接近15倍的差距，“高者恒高，低者恒低”，两极化趋势加剧。
表4 长三角城市群金融网络节点加权中心度排名情况

Tab.4 Weighted centrality ranking of financial network nodes in Yangtze River Delta urban agglomeration

排名 1979 2000 2009 2018
城市 加权中心度值 城市 加权中心度值 城市 加权中心度值 城市 加权中心度值
1 上海 5 822 729 上海 15 462 409 上海 16 455 195 上海 16 697 541
2 杭州 2 727 683 苏州 8 932 345 苏州 9 463 728 苏州 9 605 908
3 苏州 2 660 962 宁波 7 169 047 杭州 8 115 218 杭州 8 296 003
4 宁波 2 378 640 杭州 6 316 066 宁波 7 777 633 宁波 7 898 226
5 南京 2 209 694 南京 6 286 812 南京 6 766 791 南京 6 890 415
6 南通 2 041 671 无锡 5 828 918 南通 6 304 459 南通 6 387 412
7 金华 1 603 247 南通 5 809 478 无锡 6 244 203 无锡 6 328 229
8 盐城 1 450 755 常州 4 736 404 常州 5 048 299 常州 5 115 830
9 绍兴 1 419 717 金华 4 394 274 金华 4 751 821 金华 4 854 345
10 嘉兴 1 400 208 盐城 3 817 911 绍兴 4 303 579 绍兴 4 379 042
11 台州 1 305 344 扬州 3 682 562 盐城 4 147 677 盐城 4 220 722
12 合肥 1 228 022 泰州 3 538 086 扬州 3 961 443 台州 4 019 035
13 无锡 1 164 018 绍兴 3 261 021 嘉兴 3 854 229 扬州 4 017 553
14 扬州 980 796 镇江 3 171 192 台州 3 852 595 嘉兴 3 963 859
15 泰州 956 518 合肥 3 151 927 泰州 3 776 269 泰州 3 833 610
16 芜湖 774 451 嘉兴 2 900 140 合肥 3 480 441 合肥 3 552 797
17 湖州 740 715 台州 2 836 696 镇江 3 412 502 镇江 3 461 078
18 安庆 696 255 安庆 2 324 534 安庆 2 551 449 安庆 2 579 736
19 滁州 573 545 芜湖 2 221 908 芜湖 2 404 820 芜湖 2 430 779
20 舟山 469 917 湖州 2 057 952 湖州 2 236 560 湖州 2 305 829
21 马鞍山 349 872 马鞍山 1 656 427 马鞍山 1 786 872 马鞍山 1 838 948
22 池州 271 625 滁州 1 640 929 滁州 1 770 199 滁州 1 805 227
23 镇江 139 956 宣城 1 337 773 宣城 1 468 891 宣城 1 482 447
24 宣城 138 170 铜陵 1 204 921 舟山 1 406 242 舟山 1 454 448
25 铜陵 124 838 舟山 1 014 707 铜陵 1 322 750 铜陵 1 323 825
26 常州 0 池州 836 917 池州 1 104 385 池州 1 116 860
图2 长三角城市群金融网络空间格局

Fig.2 Spatial pattern of financial network in Yangtze River Delta urban agglomeration

珠三角：等级梯度明显，空间差异悬殊。1979—2018年，城市群内各城市间的加权中心度值的差距错落有致，随着时间的发展，度值在增加的同时，差距也在同时加剧（表5）。1979年，广州的加权中心度值排名第一位，也是唯一一个突破90万的城市，佛山排名第二，紧邻其后的是江门、东莞、中山、惠州、肇庆，而深圳和珠海在当时还未得到开发和发展。2000—2018年，伴随城市群整体经济发展，国家政策倾向，深圳、珠海等城市经济特区的设立，在城市网络中深圳的地位也已跃至第三，仅次于广州和佛山，江门的等级地位下降至第六，肇庆由第七变为第九。另外，城市群内的纵向比较中，等级落差较大，如2018年排名第八的珠海与排名第九的肇庆的度值均未达到100万，与广州的差距悬殊，广州作为区域经济中心、省会城市，有着资金流、人才流、信息流的优势，与其他城市会有着强烈的等级差距。
表5 珠三角城市群金融网络节点加权中心度排名情况

Tab.5 Weighted centrality ranking of financial network nodes in Pearl River Delta urban agglomeration

排名 1979 2000 2009 2018
城市 加权中心度值 城市 加权中心度值 城市 加权中心度值 城市 加权中心度值
1 广州 914 387 广州 4 112 785 广州 4 240 668 广州 4 302 036
2 佛山 753 905 佛山 2 928 110 佛山 3 014 939 佛山 3 052 262
3 江门 441 815 深圳 2 787 088 深圳 2 908 147 深圳 2 964 864
4 东莞 325 409 东莞 1 612 959 东莞 1 886 751 东莞 1 918 144
5 中山 282 509 中山 1 494 145 中山 1 540 759 中山 1 554 571
6 惠州 134 574 江门 1 462 495 江门 1 505 368 江门 1 526 403
7 肇庆 50 563 惠州 1 328 033 惠州 1 360 140 惠州 1 402 277
8 深圳 0 珠海 854 844 珠海 923 489 珠海 973 063
9 珠海 0 肇庆 743 075 肇庆 771 695 肇庆 782 968
值得注意的是：在长三角城市群2000年之后，位于第二梯队的省会城市杭州、南京其加权中心度值要低于苏州和宁波，而珠三角城市群中，城市影响力较高的深圳稍微低于佛山。究其原因：第一，在网络视角上，苏州、宁波的县级支行、村镇储蓄所等低等级银行网点布局会更多，通过连锁网络模型测算，低等级银行网点形成与其高等级银行之间构建的网络联系多，再通过连锁网络模型加权，最后形成的金融网络联系密切，网络密度也更大。节点加权中心度值是对与节点城市有网络联系的所有网络连接度的加权，所以在金融网络中，苏州的节点加权度要高于杭州，宁波的加权中心度高于南京，佛山的加权中心度高于深圳。第二，本文未将证券、保险等金融机构考虑在内，银行在金融网络中是主要构建媒介，故构建的金融网络与常识认知有一定的出入，但是总体不会有太大的变化，本文通过金融网络的研究，发现在现实中存在一些高估城市群中某些城市的情况。

2.4 网络格局演化分析

京津冀：“两中心”优势领先，倒“V”型格局典型。通过将京津冀金融网络进行可视化（图1），网络格局整体呈现石家庄—北京—天津的倒“V”型格局。网络连接度以北京、天津为核心，辐射整个京津冀，其中1979—2018年，连接度最大值发生在北京—天津之间，条轴式明显。1979年，紧随其后的是北京—石家庄、天津—沧州、天津—石家庄、天津—邢台，连接强度虽弱于北京—天津之间，但表明除北京、天津外的其他各城市在努力地向北京、天津两大中心靠拢，且以北京、天津为中心，主要向南部辐射。2000年，北京—唐山、北京—保定的连接强度排位三、四，且至2018年地位不变，唐山凭借自身的工业优势，经济发展速度较快，保定凭借自身的邻近优势，与北京、天津保持着密切的产业转移和经济合作，两大城市的优势开始显现。但京津冀金融网络格局总体偏向于中南部城市。值得注意的是：这种空间格局与京津冀城市群的城市行政体系相一致，可能与城市的行政地位有着密切的联系。
图1 京津冀城市群金融网络空间格局

Fig.1 Spatial pattern of financial network in Beijing-Tianjin-Hebei urban agglomeration

长三角：“一核多轴”格局成熟，“核心—边缘”现象明显。如图2所示，1979—2018年，网络格局状态稳定。通过测算城市之间的连接度，高连接度的城市对主要为上海—苏州、上海—杭州、上海—宁波、上海—南京、上海—无锡、上海—南通，形成长三角金融网络的总体轴式框架。整个格局呈现以上海为核心，多轴式发展，“一核多轴”格局发育成熟。40年间，上海始终保持中心地位，其与长三角其他25个城市间均有网络联系，核心地位突出。但除去主要轴上的城市外，与其他城市的连接度值较小，而其他城市之间的金融网络关系虽也错综复杂，但中心度、连接度整体偏低，处于长三角整体金融网络环境的边缘区，城市群中的核心—边缘现象显著。
珠三角：“一核两带”空间格局主导，倒“V”型显著。根据图3，珠三角金融网络空间格局明显，演化趋势鲜明。1979—2018年，珠三角金融网络整体呈现竞衡发展态势。1979年，网络整体形成以广州—佛山为主导，“两点一带”的辐射格局，受辐射作用最强的是位于城市群西部的江门，与核心城市广州形成了较强的联系。而其他城市间的网络连接度并不突出，整体处于网络的边缘化态势。2000年，随着深圳的崛起，受国家政策支持和行政力量的作用，发展飞速，国内外银行机构、金融公司纷纷进驻，珠三角金融网络格局整体形成以广州为核心，广州—佛山、广州—深圳为主导的两带态势，“一核两带”的空间格局明显，倒“V”型显著。城市群内的其他城市也均受到来自广州的辐射效应，其中广州近邻地区影响最强。2009年，这种“一核两带”的主导趋势进一步加强，珠三角的东部地区成为主要辐射区，而位于西北部的肇庆与其他城市之间的连接度偏低，处于金融网络的边缘，原因可能是肇庆是内陆城市，与珠三角的其他城市相比缺少海运优势，地理环境以崎岖的丘陵为主，且与省会广州不相邻，受广州的辐射效应小，边缘化明显。2018年，“一核两带”的网络格局呈现稳定。
图3 珠三角城市群金融网络空间格局

Fig.3 Spatial pattern of financial network in Pearl River Delta urban agglomeration

3 三大城市群金融网络的影响因素分析

3.1 指标选取

金融网络的空间结构与演化受多种因素的影响，归纳国内外学者有关金融网络的相关研究后发现，金融网络的空间性质主要受控于经济发展水平、产业结构、人口数量、对外开放水平、地理空间距离等因素的影响[33⇓-35]。基于数据的可得性，由于1979年的相关数据指标获取困难，故本文只选取2000、2009、2018年三大城市群的变量指标进行实证探究。因变量选取为三大城市群金融网络连接度（Y）。首先，城市的经济发展水平在一定程度上影响了城市银行等金融机构的集聚程度，进而影响了银行为媒介构建的金融网络。其次，无论是二产还是三产的企业间接融资比例高，企业投资需要银行金融机构提供贷款或者资金支持，所以产业结构的调整会影响银行金融机构的发展，进而会影响其构建的金融网络。第三，金融网络本就是网络外部性作用发挥的结果，其对外开放水平的程度会直接影响其金融网络的空间联系。第四，城市人口数量决定了其对银行金融机构服务的需求程度，会影响银行各级网点的空间布局，进而影响金融网络的形成。最后，地理空间距离也会影响城市间的金融网络联系。具体各变量解释见表6。
表6 各自变量解释与说明

Tab.6 Explanation of each variable

变量 变量解释与说明
PGDP 两城市间的人均GDP的对数和矩阵
SI 二产占比的对数和矩阵
TI 三产占比的对数和矩阵
OPEN 实际利用外资金额占GDP比重的对数和矩阵
PEOP 城市人口数量的对数和矩阵
DIS 城市间的地理距离矩阵

3.2 模型构建

根据以上选取的变量指标，构建三大城市群金融网络的QAP回归模型：
Y = β 1 P G D P + β 2 S I + β 3 T I + β 4 O P E N + β 5 P E O P + β 6 D I S + ε
以上式（8）中，自变量与因变量均为矩阵形式，且取对数，根据引力模型，以变量PGDP空间和矩阵为例， P G D P i j表示城市i与城市j人均GDP对数和值，并进行QAP回归分析。

3.3 实证分析

根据QAP回归方法的测度，选择2 000次随机置换，从回归结果上看：
①人均GDP通过了1%水平的显著性检验，说明城市经济发展水平对三大城市群金融网络具有正向影响，经济发展水平的高低直接影响着各级银行的入驻以及在城市群中各城市的空间布局，经济发展水平越高，银行网点的等级越高，对金融网络的影响越大。
②产业结构对金融网络具有显著的影响，三大城市群是我国经济发展水平最高的城市群，但随着三大城市群产业结构不断调整以及产业转移的发生，总体上二产占比在不断下降，尤其北京、天津、上海、广州、深圳等中心城市的重工业等均开始向周围腹地的河北、安徽、广东西部和南部等中小城市进行转移，对大城市的银行业务的依赖性在逐渐降低。而三产的占比虽然在产业结构中一直升高，但新型服务企业犹如遍地开花式产生，银行等传统服务型行业的关注度受到冲击，以及银行等金融机构衍生品的诞生和金融科技的发展一定程度上降低了银行的空间存在感，所以对三大城市群的金融网络产生负向影响。值得注意的是在2018年，三产占比对长三角城市群金融网络的影响演化为正向效应，可能的原因与长三角近年来金融业的发展有关，尤以上海为中心的国际金融中心的建设，增长极辐射效应，带动了整个城市群的金融水平。
表7 京津冀QAP回归结果分析

Tab.7 Analysis of QAP regression results in Beijing-Tianjin-Hebei

变量 2000 2009 2018
回归系数 标准化回归系数 回归系数 标准化回归系数 回归系数 标准化回归系数
lnPGDP 0.505*** 0.764*** 0.462*** 0.787*** 0.612*** 1.130***
lnSI -0.985*** -0.633*** -0.910*** -0.588*** -1.237*** -0.767***
lnTI -0.191** -0.116** -0.309*** -0.190*** -0.584*** -0.388***
lnOPEN 8.084*** 0.052*** 9.458*** 0.045*** -2.712** -0.024**
lnPEOP 0.909*** 0.973*** 0.906*** 0.981*** 0.951*** 1.036***
lnDIS -0.070** -0.032** -0.062*** -0.028*** 0.014 0.006

注：* p< 0.1，** p<0.05，*** p<0.01。表8、表9同。

表8 长三角QAP回归结果分析

Tab.8 Analysis of QAP regression results in Yangtze River Delta

变量 2000 2009 2018
回归系数 标准化回归系数 回归系数 标准化回归系数 回归系数 标准化回归系数
lnPGDP 0.437*** 0.710*** 0.738*** 1.343*** 0.011* 0.022*
lnSI -0.303** -0.206** -1.022*** -0.694*** -0.235** -0.154**
lnTI -0.219* -0.136* -0.679*** -0.426*** 1.176*** 0.787***
lnOPEN 6.331*** 0.040*** 1.975** 0.015** -2.114*** -0.028***
lnPEOP 0.667*** 0.685*** 0.760*** 0.777*** 0.484*** 0.502***
lnDIS -0.180*** -0.084*** -0.028 -0.013 -0.299*** -0.137***
表9 珠三角QAP回归结果分析

Tab.9 Analysis of QAP regression results in Pearl River Delta

变量 2000 2009 2018
回归系数 标准化回归系数 回归系数 标准化回归系数 回归系数 标准化回归系数
lnPGDP 0.673*** 1.140*** 0.551*** 0.988*** 0.857*** 1.637***
lnSI -0.040 -0.026 -0.212 -0.137 -0.823*** -0.523***
lnTI -0.767** -0.467** -0.100 -0.063 -0.496 -0.319
lnOPEN -2.379 -0.044 -14.809*** -0.125*** -10.079** -0.045**
lnPEOP 0.752*** 0.680*** 0.416*** 0.387*** 0.470*** 0.450***
lnDIS -0.730*** -0.284*** -0.152*** -0.059*** -0.544*** -0.210***
群由2000年的正向效应演化为2018年的负向效应。在2000、2009年，区域经济发展需要积极引入外资，外资的流入为银行尤其使外资银行带来了丰富的资本，也为整个金融业提供了更多的就业机会。而2018年，两大城市群金融业发展水平较前两个时间节点较高，金融科技、银行资本等相对充裕，一定程度上抑制了外商资金的流入。而对外开放水平对珠三角城市群具有典型的负向效应。珠三角是我国改革开放的前沿阵地，外资的涌入为各城市发展经济和完善产业提供了资本，这在一定程度上减少了企业与银行的互动，减弱了企业对银行的资金业务需求，所以对各等级银行网点的设立起到抑制作用，不利于银行网点媒介下的金融网络的形成。
④人口因素对三大城市群金融网络具有显著的正向影响，银行作为金融服务业的重要组成部分，人口是金融服务业的重要服务对象，是银行网点区域布局的重要影响因素，城市人口集聚度决定了其对银行金融机构服务的需求程度，会影响银行网点的区位布局选择，进而促进金融网络的形成。
⑤空间地理距离对三大城市群金融网络具有典型的负向影响，表明城市间的地理距离越远，金融网络的连接度越小，城市间的金融网络联系随着距离的增加而减小，符合地理衰减理论。
归总影响三大城市群金融网络影响因素，异质性分明：城市经济发展水平、产业结构、对外开放水平、人口因素、地理距离对三大城市群金融网络均具有显著的影响，而产业结构和对外开放水平呈现典型的城市群异质性。

4 结论

本文基于1979—2018年银行网点的相关数据，通过利用连锁网络模型以及社会网络分析方法，研究了京津冀、长三角、珠三角中国三大城市群金融网络的空间结构与演化特征，得到的结论主要有：①经过40年的演化，三大城市群金融网络规模均呈现一定的增长趋势，其中，1979—2000年增长速度达到最快，2000—2018年增长速度放缓，这种演化趋势尤其体现在节点的平均加权度上。通过空间自相关模型检测，京津冀呈现显著的空间负相关，长三角呈现显著的空间正相关，而珠三角由显著的空间正相关演化为不显著的空间负相关。②从空间结构的视角分析，三大城市群金融网络内部的节点状态都呈现出清晰的等级排列特征。这种城市群内的城市等级在时间节点纵向比较上体现了不同程度的空间差异性，并且这种差异性在向两极化的趋势发展，京津冀城市群“断层”现象凸显，“倒立型金字塔”现象严重。而长三角城市群、珠三角城市群的时空差异性呈现等级梯度。三大城市群金融网络结构体现出明显的中心性效应，即在每个城市群的内部都有一个中心城市。③从网络格局的角度上看，三大城市群的金融网络格局异质性明显。京津冀城市群呈现石家庄—北京—天津的倒“V”型格局；长三角城市群形成以上海为中心的轴式框架，“一核多轴”的空间格局发育成熟；珠三角城市群网络格局整体形成以广州为核心，广州—佛山、广州—深圳为主导的“一核两带”态势明显，倒“V”型形态显著。④三大城市群都不同程度地体现出“核心—边缘”现象，网络格局内部基本以少数中心城市为引领，作为城市群的金融增长极，极化效应发挥显著。而城市群内的其他城市作为网络格局中的边缘地带，如京津冀，以北京、天津为核心，辐射整个京津冀；长三角城市群中上海一直位居城市群的核心；珠三角城市群中虽深圳的崛起分化了城市群的主导格局，但广州的主导地位未被撼动，区域首位城市现象明显。另外，对比三大城市群首位城市与其他城市的差异，长三角居首，京津冀次之，珠三角的差距最小。⑤通过QAP回归模型发现，城市经济发展水平、产业结构、对外开放水平、人口因素、地理距离对三大城市群金融网络均具有显著的影响，而产业结构和对外开放水平呈现典型的城市群异质性。⑥无论从哪种角度探究，三大城市群之间存在明显的差异，京津冀、长三角金融网络发展最成熟，经济实力最强。城市群内部城市之间的联系密切度、网络规模、金融实力上也领先于珠三角。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Friedmann J. The world city hypothesis[J]. Development and Change, 1986, 17(1):69-83.

[2]
Sassen S. The Global City:New York,London, Tokyo[M]. Princeton: Princeton University Press, 1991.

[3]
Castells M. The Rise of Network Society[M]. Oxford:Blackwell, 1996.

[4]
Taylor P J. World cities and territorial states under conditions of contemporary globalization II:Looking forward,looking ahead[J]. Geojournal, 2000, 19(1):5-32.

[5]
陈映雪, 甄峰, 王波, 等. 基于社会网络分析的中国城市网络信息空间结构[J]. 经济地理, 2013, 33(4):56-63.

[6]
Zhang L, Du H, Zhao Y, et al. Urban networks among Chinese cities along “the Belt and Road”:A case of web search activity in cyberspace[J]. PLoS One, 2018, 13(4):e0196141.

[7]
Barnett G A, Chon B S, Rosen D. The structure of the Internet flows in cyberspace[J]. Proceedings of the Royal Entomological Society of London, 2001, 39(7-9):111-117.

[8]
Derudder B, Witlox F, Faulconbridge J, et al. Airline data for global city network research:reviewing and refining existing approaches[J]. Geojournal, 2008, 71(1):5-18.

[9]
Ducruet C, Cuyala S, Hosni A E. Maritime networks as systems of cities:The long-term interdependencies between global shipping flows and urban development (1890-2010)[J]. Journal of Transport Geography, 2018,66:340-355.

[10]
钟业喜, 陆玉麒. 基于铁路网络的中国城市等级体系与分布格局[J]. 地理研究, 2011, 30(5):785-794.

[11]
赵映慧, 初楠臣, 郭晶鹏, 等. 中国三大城市群高速铁路网络结构与特征[J]. 经济地理, 2017, 37(10):68-73.

[12]
Mitchelson R L, Wheeler J O. The flow of information in a global economy:The role of the American urban system in 1990[J]. Annals of the Association of American Geographers, 1994, 84(1):87-107.

[13]
唐建荣, 张鑫, 杜聪. 基于引力模型的区域物流网络结构研究——以江苏省为例[J]. 华东经济管理, 2016, 30(1):76-82.

[14]
Beaverstock J V. Transnational elites in global cities:British expatriates in Singapore's financial district[J]. Geoforum, 2002, 33(4):525-538.

[15]
甄峰, 王波, 陈映雪. 基于网络社会空间的中国城市网络特征——以新浪微博为例[J]. 地理学报, 2012, 67(8):1031-1043.

DOI

[16]
Matthiessen C W, Schwarz A W, Find S. World cities of scientific knowledge:Systems,networks and potential dynamics. An Analysis Based on Bibliometric Indicators[J]. Urban Studies, 2010, 47(9):1879-1897.

[17]
李建成, 王庆喜, 唐根年. 长三角城市群科学知识网络动态演化分析[J]. 科学学研究, 2017, 35(2):189-197.

[18]
Derudder B, Taylor P, Ni P, et al. Pathways of change:Shifting connectivities in the world city network,2000-2008[J]. Urban Studies, 2010, 47(9):1861-1877.

[19]
Silva T C, Souza S R S D, Tabak B M. Structure and dynamics of the global financial network[J]. Chaos Solitons & Fractals the Interdisciplinary Journal of Nonlinear Science & Nonequilibrium & Complex Phenomena, 2016,88:218-234.

[20]
叶明确, 任会明. 中国省际人口流动网络演化及其影响因素研究[J]. 当代经济管理, 2020, 42(3):46-54.

[21]
Taylor P J, Derudder B, Hoyler M, et al. New regional geographies of the world as practised by leading advanced producer service firms in 2010[J]. Transactions of the Institute of British Geographers, 2013, 38(3):497-511.

[22]
赵渺希, 魏冀明, 吴康. 京津冀城市群的功能联系及其复杂网络演化[J]. 城市规划学刊, 2014(1):46-52.

[23]
王聪, 曹有挥, 陈国伟. 基于生产性服务业的长江三角洲城市网络[J]. 地理研究, 2014, 33(2):323-335.

DOI

[24]
Kwon C J, Yoo T G. Interactive-Network-Based regional economic growth model and regional development of the Busan Metropolitan City[J]. Centry Political Science Review, 2015, 25(2):101-132.

[25]
Williams S, Currid-Halkett E. Industry in motion:Using smart phones to explore the spatial network of the garment industry in New York City[J]. PLoS One, 2014, 9(2):e86165.

[26]
Deri J A, Moura J M F. Taxi data in New York city:A network perspective[C]// Signals,Systems and Computers,2015,Asilomar Conference on. IEEE, 2016:1829-1833.

[27]
Renne J L. Evaluating transit-oriented development using a sustainability framework:Lessons from Perth’s network city[J]. Berichte Zur Wissenschaftsgeschichte, 2011, 18(4):254-256.

[28]
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

[29]
任会明, 叶明确, 祝影. 基于教育网络的上海城市网络空间结构研究[J]. 经济地理, 2019, 39(8):77-86.

[30]
潘峰华, 方成. 从全球生产网络到全球金融网络:理解全球—地方经济联系的新框架[J]. 地理科学进展, 2019, 38(10):1473-1481.

DOI

[31]
Taylor P J. World City Network:A Global Urban Analysis[M]. London: Routledge, 2004.

[32]
叶明确, 任会明. 北京和上海城市网络时空演化研究[J]. 上海经济研究, 2019(5):48-62.

[33]
刘丙章, 高建华, 陈名, 等. 在华外资银行金融网络空间格局及演化机理[J]. 地域研究与开发, 2021, 40(1):12-17.

[34]
李雨婕, 肖黎明. 中国绿色金融网络空间结构特征及影响因素分析——基于企业—城市网络转译模型的视角[J]. 世界地理研究, 2021, 30(1):101-113.

DOI

[35]
刘程军, 王周元晔, 杨增境, 等. 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.

Options
Outlines

/

〈 〉