一、引言

现代金融是经济发展的核心，金融与科技相结合是实现创新驱动经济发展的重要因素，我国金融业转型是当前经济发展新常态下的主旋律。2018年6月6日在“全球顶级支付和金融科技行业峰会”发布的全球金融科技中心指数(Global Fintech Hub Index，简称GFHI)受到中外媒体的广泛关注，引起全球金融科技领域内学者、专家、企业家的探讨^[1]。金融科技可以简单理解为金融与科技组合，但又不是两者的简单相加，具体是指通过利用各类科技手段创新传统金融行业提供产品和服务的模式，提升行业服务效率并有效降低运营成本。2018年的全球金融科技中心指数对2017年推出的指数内容进行了扩展，从企业、客户和政府这三大市场参与主体，以区域和城市为单元，展示全球金融科技发展的现状和不同区域优势，探讨全球金融科技中心的崛起。这一指数从三个维度进行分析，分别是金融科技产业、金融科技体验、金融科技生态。金融科技产业是从企业视角出发，权衡整个城市在技术市场投入与产出效率，衡量区域或城市中的金融科技公司发展现状；金融科技体验是以用户为根本，衡量区域或城市中的消费者对金融科技产品的使用比例和接纳程度，反映金融科技为人们生活带来的影响程度；金融科技生态是从政府视角看待区域或城市的金融科技发展潜力，分析政府扶持企业的政策力度及对当地高校投入力度，衡量政府对金融科技的重视程度，从城市科技从业人员比例来判断金融科技发展潜力。

2018年GFHI分析认为全球金融科技发展中，亚洲和美洲发展势头最好，欧洲发展较为缓慢。中国在区域总排名中位列前排，通过国家政策引导，正努力实现金融科技发展的换道超车，引领全球金融科技的发展。从区域排名来看，第一名为中国长三角地区，第二名至第六名分别为美国的硅谷、中国的京津冀地区、英国的大伦敦地区、中国的粤港澳大湾区以及美国的纽约湾区，这六个区域为全球金融科技发展第一梯队^[2]。第一梯队有三个区域属于中国，我国金融科技产业发展正以燎原之势塑造全球新版图。

国内外学者围绕金融与科技两大板块进行了大量的研究。近几年关于金融科技这一热点研究，大部分文献集中于发展背景、历程与技术渠道等知识的介绍，聚焦金融科技发展宏观层面，阐释发展金融科技的重要性以及对经济发展的影响。如邱兆祥和刘永元研究了金融科技发展对金融稳定的影响及对策^[3]；徐义国分析了金融与科技的交互作用、科技金融与金融科技的异同之处^[4]。早在20世纪70年代，学者Malecki已经关注区域城市中科技产业和金融业的聚集现象，这一现象可以看成是资源在空间运动的结果，资源在区域内进行组合配置，不断汇聚的演化过程^[5]。根据产业集聚现象概念的提出，魏守华等测算了区域科技集聚能力，并且分析了我国科技产业呈现由东向西梯度分布的局面^[6]；部慧等分析了金融业集聚效应，认为我国金融业发展局部地区具有较为明显的辐射效应，并构建了城市金融中心定位理论和指标体系，得出我国各城市的金融中心竞争力指数^[7]。目前，国内关于区域金融业与科技产业量化分析的文章较少，本文在已有研究的基础上，以我国长三角区域为出发点，分析金融科技这一前沿产业的演化趋势。

在城市区域经济研究方法上，经济学家Stewart最早利用引力模型测算空间两地的综合影响力^[8]；在对城市距离研究的基础上，顾朝林和庞海峰运用引力矩阵和重力模型结合距离摩擦系数对中国城市体系进行了划分，研究区域城市间的空间联系状态与核心城市的辐射范围^[9]。本文依据引力模型刻画区域城市的空间权重矩阵，利用空间探索性数据分析工具，结合GFHI发布的数据对我国长三角区域金融科技产业集聚与区域协同发展问题进行分析研究，为非均衡发展现状提供一个新的分析视角，也对我国金融科技协同发展提出一些政策建议。

二、区域金融科技发展现状

我国金融科技发展逐渐以市场需求为导向，步入产业竞争过渡期间，成为创新驱动发展的核心要素。从全球来看，传统金融业发展处于转型时期，以金融科技为核心的新金融业正以迅猛之势崛起。与传统金融行业相比，金融科技产业需具有专业的经济架构、快速有效的宏观资源配置能力，同时金融科技的发展存在较强的区域联动效应，需要具备巨大的集聚外溢能力的区域共同体；从发展速度来看，亚洲以中国和印度等国家为代表，而美洲则以美国最为突出，欧洲金融科技发展稍显滞缓；以国内视角来看，中国正努力实现金融科技发展的换道超车，在发展中国家普遍存在的金融抑制反而使其消费者乐于使用科技工具和学习金融科技知识，对新技术给生活带来的变化充满期待并且勇于接纳。

《2018年全球金融科技中心指数(GFHI)》发布了我国主要核心城市金融科技发展排名(如表 1)。本文主要讨论长三角区域内城市金融科技发展差异。区域城市中金融科技发展迅猛之势将拉动其第二、第三产业积极蓬勃发展，利用大数据、区块链等互联网创新技术进行公司的风险控制和平台管理，这一联动发展效应对每一个城市的重点产业发展都会起到积极推动作用。金融科技是如今实业与互联网行业发展的必要工具，分析区域内城市金融科技发展的短板，促进区域城市各产业经济协同发展。

我国长三角地区在全球区域排名中位列首位，拥有中国第一的地区经济总量。同时，长三角也是亚太地区重要的国际门户，国际资本和民间资本活跃，金融科技发展潜力巨大^[10]。

区域内龙头企业汇聚，有诸如蚂蚁金服、陆金所、众安保险等全球领先的金融科技企业；金融科技应用场景快速渗透到消费者生活且占据整座城市，给用户创造便利，消费者口碑良好；区域内宏观经济发展强劲，经济总量在全球区域排名第一，城市基础设施完善；政府鼓励创新，大力推行科技政策，建设国家自主创新示范区、众创空间、孵化器等。此外，长三角打造沪浙苏皖一体化，积极推进区域内金融科技产业协同发展，并且以“一带一路”倡议为契机和政策导向，建设连接东盟和中亚的大长三角金融科技生态圈。

长三角地区主要是由上海、杭州、南京、苏州、合肥、无锡、宁波、常州等组成的城市群，其中上海、杭州和南京位列全球金融科技中心指数的前三位。上海传统金融业发达，拥有陆金所、拍拍贷等诸多代表企业；复旦大学、上海交通大学等知名高校集聚于此，一些专项科研机构在此落户，如上海新金融研究院、复旦-斯坦福中国金融科技与安全研究院；金融业态发展较为均衡，金融科技体验程度较高，居民对于新事物的接受度普遍较高。杭州的金融科技企业量多且优、信息产业发达，拥有蚂蚁金服、51信用卡等代表企业，浙江大学和浙江大学互联网金融研究院作为科研支撑；作为全球移动支付之城，第三方支付已经渗透到杭州生活的方方面面，同时杭州的免押金信用服务人数占比位列全国第一，消费者凭借金融信用可办理入住酒店、借用共享单车、充电宝等，杭州金融科技用户体验极佳，体验指数居全球城市首位。南京不仅聚集了南京大学和东南大学等高校资源，还有知名企业苏宁旗下的苏宁金融拉动金融科技发展。

三、指标体系与构建模型 (一) 金融科技发展指标体系

目前，国内关于金融科技实证分析的论文较少，并且对于完整金融科技体系进行系统性分析、特别是在评价指标的选取和数值计算方面更难做到科学客观。本文评价指标参考GFHI的指标体系和曹颢等对我国科技金融发展指数进行实证研究时采用的科技人力资源指标测算方法^[11]。为了保证金融科技发展指数的客观、真实、准确, 充分考虑所需数据的可行性与易得性，数据主要来源于2017—2018年的《中国科技统计年鉴》 《中国高新技术产业统计年鉴》和科技部《中国主要科技指标数据库》的统计数据以及《中国金融科技与数字普惠金融发展报告(2018)》中具体数据。从企业自身、用户和政府三方视角出发，结合区域金融科技发展指标的可量化性、可比性和相对性特征，以城市为整体对技术市场产出与投入效率评价金融科技产业的指标，以消费者为购买主体评价金融科技的应用率和服务体验指标，以及政府和高校科研所等机构为主体，对投入资源进行量化，形成金融科技生态指标。从三个维度梳理评价指标体系，下设6个二级指标，如表 2所示。

其中，市场成交合同总额是指在从事金融科技中介服务和金融技术商品经营活动的场所进行合同交易的总金额；资本实力反映金融科技企业的研究与试验发展(R & D)经费支出在销售收入中比例；科技人力资源包括在金融行业直接从事科技工作的人员和为科技活动提供服务的人员；政策监督反映区域内政府支持金融科技发展的强度，以及市场宏观环境对金融科技发展的正向影响^[12]。

(二) 区域金融科技发展指数

为了保证计算科学，本文首先采用变异系数法确定6个二级指标的权重值，进而求出各个地区的金融科技发展指数值。上文建立的评价体系中所选取的6个二级指标单位不统一，因此，使用极差标准化能够将数据指标同度量化，降低单位对权重造成的量纲差异，确保权重准确有效。依据前文评价指标体系，将数据极差标准化以便于进行后续分析，相关数据如表 3所示。

标准化后的数据X_ij为i城市的第j项指标的属性值，再求出每个指标所占权重。若某个指标的权重越大，说明该指标对区域金融科技发展影响越大，所包含的信息量越多；相反，说明该指标对结果影响越小。由每个城市各指标的权重值与其标准值乘积之和得到该地的区域金融科技发展指数，这更能客观地比较样本城市的金融科技发展区域差异。变异系数计算公式为：

$ {\rm{CV}} = \frac{{\sum\limits_{i = 1}^n {\frac{{{{\left( {{X_i} - \bar X} \right)}^2}}}{n}} }}{{\bar X}} $

各项指标权重：

$ {w_i} = \frac{{{\rm{C}}{{\rm{V}}_i}}}{{\sum\limits_{i = 1}^n {{\rm{C}}{{\rm{V}}_i}} }} $

式中，X表示表 3中的数值；X为X_i的平均值；CV表示变异系数；w表示权重。

极差标准化后的数据使得科技人力资源指标与其他5项指标同度量化，保证权重准确性，减少单位赋权造成的影响。计算表 3中城市的变差系数，呈现出各个城市在特征属性上的差距，并以此确定各指标值的权重值。区域金融科技发展各指标CV值、权重值如表 4所示。

(三) 构建判识模型

按照区域经济学基本理论，区域经济发展的不平衡性是社会普遍存在的，同时是区域经济发展梯度转移和辐射演进的空间表现形式，区域关联对一种产业的发展及空间演变具有重要影响^[13]。探索性空间数据分析(ESDA)是根据空间计量经济学理论，探索某一地区与周围地区在空间单元上针对某项经济特征是否具有相关性，即相邻地区的同一经济特征可能相互影响^[14]。因此，引入空间计量的方法来探讨长三角区域内金融科技发展可能存在的空间相互关系。ESDA的全局和局部空间自相关分析方法不仅可以识别并分析空间数据，还可以探测空间演化的随机性以及区域间的相关性。

1.全局空间自相关

全局空间自相关用于测算整个区域空间的自相关情况，判断空间是否存在集聚特征，通常采用全局Moran's I指数反映。其计算公式如下：

$ I = \frac{{n\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{w_{ij}}} } \left| {{X_i} - \bar X} \right|\left| {{X_j} - \bar X} \right|}}{{\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{w_{ij}}} } {{\left| {{X_j} - \bar X} \right|}^2}}} $

式中，n是参加分析的空间单元数，本文中n取6；X_i、X_j是空间单元i、j的特征属性值，即X_i为第i个空间的观测值。

首先，需建立空间权重矩阵。为求出Moran's I指数，描绘6个地点的空间区域的位置关系，建立一个对称空间权重矩阵，其数学表达如下：

$ {\mathit{\boldsymbol{w}}_{ij}} = \left[ {\begin{array}{*{20}{c}} {{w_{11}}}&{{w_{12}}}& \cdots &{{w_{16}}}\\ {{w_{21}}}&{{w_{22}}}& \cdots &{{w_{26}}}\\ \vdots & \vdots & \vdots & \vdots \\ {{w_{61}}}&{{w_{62}}}& \cdots &{{w_{66}}} \end{array}} \right] $

根据距离准则，当空间对象i和j在给定距离d之内时，空间权重矩阵内元素w_ij为1，否则为0；当i=j时，此时权重为0。本文采用驾车行驶最短交通距离来衡量两地间的经济距离。I的值在[-1, 1]之间，当I＞0时，为正相关；当I＜0时，为负相关；当I趋近于0时，表示此时空间分布呈随机性。

用Moran's I指数分子对变量的空间格局进行观测时，首先是假设空间对象不存在相关性，所以需要利用Z值检测n个区域的空间自相关关系并进行显著性检验。Z的公式为：

$ Z(I) = \frac{{{\rm{Moran's}}\;I{\rm{ - }}E(I)}}{{\sqrt {{\mathop{\rm Var}\nolimits} (I)} }} $

E(I)、Var(I)分别为理论期望值和理论方差。当Z＞0时，空间正相关，表明相似的观测值分布形式聚集；当Z＜0时，空间负相关，相近的观测值分布形式分散；当Z=0时，观测值分布形式为独立随机^[15]。

2.局部空间自相关

全局空间自相关指标仅仅展现了区域整体情况，而局部空间自相关指标是用来测度各个城市同其邻近地区之间的局部空间相关以及差异程度。采用Local Moran's I值来衡量局域空间相关度，当Local Moran's I＞0时，表示相似属性值的区域集聚，即高值或低值的集聚；当Local Moran's I＜0时，表示差异属性值的区域集聚，即高低值或低高值的集聚。本文主要通过Moran散点图来讨论局部空间的差异，Moran散点图用散点的形式来展现横轴变量Z与其纵轴空间滞后向量W_z(即该周边邻近地区观测值的加权平均数)间的相关关系。该图整个坐标轴分为四个象限，分别对应四种地区与其临近地区间的关系：第Ⅰ象限(标记为HH)表明象限内该区域和周围其他地区同是高水平，即两地间空间差异较小，呈现出较强的空间正相关性；第Ⅱ象限(标记为LH)表明高水平区域围绕着一个低水平区域，表示二者空间差异程度较大且异质突出，呈现出较强的空间负相关性；第Ⅲ象限(标记为LL)是盲点区域，表明该区域及其邻近区域都是低水平，两地间空间差异程度较小，呈现出较强的空间正相关；第Ⅳ象限(标记为HL)表明一个高水平区域周围其他地区为低水平，二者的空间差异程度大，呈现出较强的空间负相关性^[16]。

四、研究分析 (一) 金融科技发展指数指标值分析

长三角区域整体金融科技发展领跑于全国其他地区，但区域内各市金融科技发展程度仍存在较大差异，这对长三角经济圈的协同发展产生了阻碍作用。因此，选择研究的城市具有一定的现实性和代表性，其经验对我国其他区域金融科技发展具有一定的借鉴意义。

从表 4可以看出，金融科技体验维度中金融科技消费者占比指标，在所有的指标中占比最小，表明在其他指标恒定的情况下，现阶段用户体验程度对金融科技区域发展水平的影响较小。在金融科技产业和金融科技生态指标维度下，资本实力I₂和政府监督I₆权重相差不大且占比较高，分别为17.53%和18.24%；技术市场产出率I₁和高校科研I₅权重最大，高达19.57%和20.95%。因此长三角区域内各城市在金融科技协同发展的过程中，需关注市场成交合同总额与研发经费支出的产出比、企业R & D经费的投入力度和教育资源投入的产出效率，将研发投入转化为可市场交易技术，这是考量金融科技发展水平高低的核心要素；同时，只有在良好金融科技市场环境作用下并加大其资本投入，才能从根本上提高金融科技区域发展水平；科技人力资源I₄占比同样不小，达到15.78%，表明科技研发的重要性，只有抓住科技人才，提升城市科技研究实力，才能握住金融科技发展的命脉。

区域金融科技发展指数：

$ {V_i} = \sum\limits_{j = 1}^6 {{w_j}} {X_{ij}} $

根据上述公式和权重求得长三角区域中城市金融科技发展指数V，调研城市的区域金融科技发展指数如表 5所示。

(二) 计算结果及分析

经过Geoda1 6.7软件计算得出，全局空间自相关指数I=0.398 8，Z检验值=3.423 0，通过999 permutations的检验假设p=0.015的显著性检验。表现出正空间自相关，说明在一定程度上，长三角区域金融科技发展出现了空间聚集的分布特征。随着集聚效应的产生，区域城市间产业发展指数相对差异在逐渐缩小。从各指标变异系数可以看出，领域城市间受空间正向相关效应发展较为均衡。

从Moran散点图来看，大部分城市的金融科技发展水平稳定居于HH象限，区域内金融科技产业空间互动性较强。上海作为长三角地区的中心，金融科技区域发展指数达到0.713 5，证实了其在长三角区域内的引领地位，并且稳居第一象限。上海具有完善的金融市场体系，还拥有其他城市所不具备的金融科技资源，这独一无二的优势吸引大量金融企业聚集于此。其区域金融科技发展评价体系中大部分指标与其他城市相比都是最高的。杭州、南京、苏州、常州、无锡通过逐步稳健发展，吸收了周边地区的发展经验与人才等资源。同时，江苏省具有丰富的产业配套设施和优良的金融发展市场环境，科技产业和金融产业的前后正向关联性为金融业跨越式发展提供了强有力的支撑，并且其政府政策倾斜、财政支持力度高，说明江苏省政府重视金融科技的发展，并为其投入大量的资金支持，以至于省内城市逐渐缩小与邻近省份和城市的空间差异程度，均已进入HH象限。合肥市应紧抓金融科技这一发展态势，虽仍处于过渡期间LH象限内，但有跨入高水平区域的趋势。宁波与温州现处于低水平区域，金融科技发展水平较弱。近年来，温州生产力发展的重要推动力量是民营经济，其培育性投入的重点并不是金融科技，科技型中小企业的资金主要源于自有资金和民间借贷，多项金融科技发展指标占比较低，这也是其发展金融科技过程中的障碍因素之一。因此，温州的政策制定需紧紧依靠于长三角区域金融科技中心产业发展，尽早转向空间正相关。

五、结论与建议 (一) 结论

本文在金融科技产业特性的基础上，构建了区域金融科技发展评价指标体系，主要从金融科技产业、金融科技体验、金融科技生态三方面分析了区域金融科技发展状况。在研究方法层面，使用客观赋权方法，来计算区域金融科技发展指数，使得本文对长三角地区金融科技发展状况的评价更为科学合理，避免了传统评价方法的主观性；采用ESDA方法，分析长三角地区金融科技的空间联系发现：金融科技发展水平越高、交通越便利的城市，地区间金融科技发展关联性越强，对其周围地区影响越大，辐射作用越明显。同时，本文也为进一步完善我国金融科技的政策，提高全国金融科技水平进而促进经济结构转型和经济增长，缩短区域间金融科技发展差异提供了研究依据。

从三个层面来分析金融科技未来发展趋势可以依托的场景，在客户层面，考虑对传统金融与新金融科技的两方需求，不仅客户在银行等传统金融机构有日常业务，还需考虑客户使用支付宝等新金融科技的日常零散需求；在产品层面，金融科技打造的产品具有简单化、标准化等特点，定制化产品可顺应金融市场的“适当性”规律，向特定消费群体制定合适的金融产品；在市场方面，新兴市场的建立由“一带一路”倡议沿线国家引向全球，新金融科技未来最大的市场是空白化的新市场。

(二) 政策建议

第一，重视长三角沿海城市与内陆城市金融科技协调发展，加快区域多层次金融科技中心的建设。发挥上海的辐射作用，强化长三角经济腹地间的金融科技企业相互支持与合作，流动和整合都将带来金融聚集和扩张效应，这对上海建设成为国际金融中心具有促进作用^[17]。同时优化南京、杭州次中心的二级辐射功能，以带动苏州、常州和合肥这类城市的金融科技发展，最终形成以上海为核心的多层级金融科技城市协同发展。依托G60科创走廊^①，在二线城市建设综合性国家科学中心，打造长三角金融后台服务基地，充分利用长三角地区科技创新的技术优势和经济总量优势。如合肥市已经计划引进大型金融机构后台服务中心，迄今已有20余家总部级金融后台入驻；同时依托金融服务后台集聚，吸引一批金融科技和金融服务配套企业进驻；依托重点院校建设金融创新创业平台及智库，造就金融科创所需实操类专业人才。

① 2016年上海松江区提出沿G60高速公路建设产域融合的科创走廊，包含上海、嘉兴、杭州、金华、苏州、湖州、宣城、芜湖、合肥等城市。

第二，补齐区域各城市金融科技的发展短板，兼顾各方参与主体的利益。从实证分析可以看出科研水平、经费投入和技术产出效率对区域金融科技发展指数影响最大，应尽快创新政府财政支持政策，将人才链、创新链、产业链、资本链有效结合。政府出台政策扶持和培育金融产业，营造良好的城市金融发展生态，并定制高规格和专业化平台，吸引国际人才、科技产业与各类资本资源。金融科技企业应加大R & D经费投入力度，同时注重政府财政投入与市场资本投入，优化投入与产出之间的转换机制，全面兼顾市场不同参与主体的利益关系，特别是技术创新主体的高科技企业与各金融机构之间的利益关系。

第三，金融科技业需借力资本市场以扩充社会资本投入。要想在区域经济结构转型升级中发挥上市公司的引领作用，政府需提升其服务职能，向金融科技企业及时宣讲上市必要环节知识和发布最新政策信息，建立企业上市培训工作规范。同时政府出台环环相扣的金融科技政策，建设全方位金融服务配套设施，扩充金融科技企业与证券公司的合作渠道，加强与省级股权交易中心等机构的合作，扩大社会资金来源，引导专业投资机构进行基金管理，从具体操作层面保证社会资金的安全。