鄭浦陽，牛 君

(1.華東交通大學經(jīng)濟管理學院，江西 南昌 330100；2.甘肅政法大學經(jīng)濟管理學院，甘肅 蘭州 730070)

經(jīng)濟全球化的今天，金融領域已成為全球經(jīng)濟活動的中心。區(qū)域范圍內(nèi)主要城市的金融集聚能力和整合能力，對于衡量區(qū)域城市間競爭力，促進區(qū)域整體發(fā)展具有重要的意義。珠三角地區(qū)是粵港澳大灣區(qū)的重要組成部分，涵蓋了大灣區(qū)城市群中的9個城市，因此，對珠三角地區(qū)金融競爭力的分析，將有助于對大灣區(qū)的認識。

聚類分析是數(shù)理統(tǒng)計中研究 “物以類聚”的一種方法，是將一批樣品或變量，按照它們性質(zhì)上的親疏程度進行分類。傳統(tǒng)的聚類分析有非常明確的劃分依據(jù)，但從實際情況來說，大多數(shù)的研究對象沒有嚴格的屬性，在性態(tài)和類屬上存在中介性，具有“亦此亦彼”的特點。1965年，Zadeh教授在FuzzySet一文中提出了模糊集理論[1]，它一誕生就顯示出強大的影響力，并很快應用到多個領域。在傳統(tǒng)聚類分析的基礎上，對模糊集理論的應用建立起了樣品對于類別的不確定性描述，可以客觀反映現(xiàn)實世界的問題。當前，利用模糊聚類分析方法衡量區(qū)域金融競爭力的研究主要集中在長三角和京津冀地區(qū)，對于珠三角地區(qū)金融競爭力的研究尚缺乏這一方法的應用。本文提出了衡量區(qū)域金融競爭力的7個指標，通過7個指標的數(shù)據(jù)提取、分析，對9個珠三角城市的金融競爭力進行模糊聚類處理，旨在對珠三角地區(qū)城市金融競爭力劃分層次，為區(qū)域的整體發(fā)展和粵港澳大灣區(qū)的建設提供幫助。

一、指標體系的提出及依據(jù)

對于各城市金融競爭力的研究，本文參考了張一帆[2]的指標體系，在此基礎上進行了一定程度的修改，確定將固定資產(chǎn)投資額、全市全年銀行存款額、全市全年銀行貸款額、金融從業(yè)人員人數(shù)、原保險保費收入、外貿(mào)出口總額、實際吸收外商投資作為衡量一個城市金融競爭力的評價指標。固定資產(chǎn)投資額，作為表征一個城市金融發(fā)展環(huán)境的客觀指標，在各類金融競爭力的研究中都被放在首要位置，外商投資和外貿(mào)出口總額，是表征區(qū)域金融活力的重要外部因素。而存款額、貸款額、金融從業(yè)人員、原保險保費收入等指標往往被作為衡量區(qū)域金融競爭力的常規(guī)因素，在諸多研究中都有所體現(xiàn)。以下對本文指標的建立依據(jù)做一個系統(tǒng)的介紹。

第一個指標是固定資產(chǎn)投資額。覃東海等[3]指出：固定資產(chǎn)投資能夠很好地反映區(qū)域上金融發(fā)展、金融自由化的進程，是區(qū)域上經(jīng)濟發(fā)展的重要指標。金融競爭力的重要表現(xiàn)在于金融市場的自由化程度及其發(fā)展趨勢。經(jīng)濟增長需要資本投入的增加和使用效率的提升，具有豐富來源的固定資產(chǎn)投資不僅能夠襯托一個區(qū)域的經(jīng)濟發(fā)展形勢，還能夠體現(xiàn)這一區(qū)域的金融產(chǎn)業(yè)、金融服務力以及金融競爭力的發(fā)展趨勢。鑒于固定資產(chǎn)投資來源、投資行為、資本周轉回流的復雜性，對區(qū)域上金融能力的考驗巨大。但考驗越大，金融行業(yè)所獲得的機遇和發(fā)展動能也就越大，金融服務費用在整個固定資產(chǎn)投資流動過程中占據(jù)了重要比例，一般在4%～6%左右。固定資產(chǎn)投資高的區(qū)域，金融服務費用的產(chǎn)出以及金融產(chǎn)業(yè)的興盛程度也會隨之水漲船高。因此，固定資產(chǎn)投資額對于一個區(qū)域金融競爭力的衡量具有至關重要的作用，需要作為一個非常關鍵的指標存在。

第二個指標是全市銀行存款額。存款是銀行負債的重要組成部分，在開展銀行資產(chǎn)業(yè)務、中間業(yè)務中起到基礎作用。當前，存款是銀行信貸資金和利潤的主要來源，具有穩(wěn)定性強、成本低的特點，可以匹配中、長期貸款。不同城市，銀行存款額的不同，實際上反映了區(qū)域上金融業(yè)務開展能力的差異，是金融競爭力不可忽視的一個環(huán)節(jié)。

第三個指標是全市銀行貸款額。銀行貸款作為銀行金融服務最主要的盈利來源，是支撐一個地區(qū)金融服務體系的給養(yǎng)。較高的銀行貸款額盡管會對區(qū)域上金融業(yè)帶來一定的風險，但更多的是增強了區(qū)域上金融體系的盈利能力和發(fā)展空間，對判斷一個區(qū)域金融行業(yè)的競爭力具有關鍵性作用。

第四個指標是金融從業(yè)人員人數(shù)。這是一個地區(qū)金融行業(yè)發(fā)展情況的指針和晴雨表，是一個地區(qū)金融行業(yè)是否繁盛的重要判別依據(jù)。發(fā)達的金融體系和繁盛的金融行業(yè)形勢會促使一個區(qū)域內(nèi)金融從業(yè)人員的增加；金融從業(yè)人員的增加反過來又提升了區(qū)域上開展金融業(yè)務的能力，增加了金融業(yè)的人才儲備。因此，金融從業(yè)人員人數(shù)不僅是反映一個區(qū)域金融競爭力狀況的指標，也是直接作用于區(qū)域金融競爭力，增加區(qū)域金融競爭力的指標。

第五個指標是原保險保費收入。原保險保費收入作為保險公司的直接收入來源，是區(qū)域上除銀行之外，金融服務行業(yè)的又一大作用領域。保險行業(yè)由于業(yè)務覆蓋面廣，種類繁多，在區(qū)域上的金融體系中具有重要的作用，是除銀行存、貸款業(yè)務之外，金融服務行業(yè)的主要作用領域和盈利渠道，是區(qū)域上金融競爭力重要的表現(xiàn)因素。

第六個指標是外貿(mào)出口總額。白當偉[4]以金融機構的流動性負債占GDP比例作為指標，以私人信息占總信貸比重作為金融發(fā)展指標，采用1965—2000年間77個國家的截面數(shù)據(jù)做截面回歸分析，得出金融發(fā)展是影響對外貿(mào)易的重要因素。同構金融發(fā)展與對外貿(mào)易指標格蘭杰因果關系檢驗，得出金融發(fā)展規(guī)模與對外貿(mào)易之間的相關性。一般說來，一個區(qū)域金融發(fā)展規(guī)模越大，對外貿(mào)易規(guī)模越大。對外貿(mào)易作為反映區(qū)域上金融發(fā)展規(guī)模的指標，在衡量區(qū)域金融競爭力上具有重要意義。

第七個指標是實際吸收外商投資指標。這一指標本身和前述固定資產(chǎn)投資指標有一定的相關性，因為固定資產(chǎn)投資的一個重要來源就是外商投資。外商投資一方面反映了一個區(qū)域的經(jīng)濟發(fā)展活力以及金融服務環(huán)境，另一方面，外商投資數(shù)量的高低，實際上反映了一個區(qū)域金融資本結構，較高的外商投資使得一個區(qū)域的金融服務能力延展性提高，客觀上提高了區(qū)域上的金融服務能力，也為金融行業(yè)的發(fā)展注入了資本和動能[5-8]。

綜上，本文采用的7個指標，均有前人的理論研究作為支撐，既有金融競爭力的主動因素，即客觀上提上金融競爭力的指標，亦有金融競爭力的被動因素，即反映金融競爭力水平的“晴雨表”指針性指標，從“作用層面”和“被作用層面”兩個角度衡量區(qū)域金融競爭力，考慮更加全面。本文的研究對象是珠江三角洲的9個城市，同時也是納入粵港澳大灣區(qū)城市群的9個城市，即廣州、深圳、珠海、佛山、惠州、東莞、中山、江門、肇慶。

二、數(shù)據(jù)的標準化

本文數(shù)據(jù)來源于2019年9個城市的統(tǒng)計局年鑒，統(tǒng)計的是2018年的城市數(shù)據(jù)，表1為原始數(shù)據(jù)。為排除量綱的差異及指標屬性差異的影響，對原始數(shù)據(jù)依據(jù)指標進行了標準化(表2)。

表2中X1，X2，…，X7分別對應上述7個指標。標準化方法采用最大值法：Xi′=Xi/Ximax。其中，Xi′為標準化后的數(shù)據(jù)，Xi為對應指標在第i個城市的數(shù)據(jù)，Ximax為對應指標在全部城市中的最大值。通過這種處理方式，使所有數(shù)據(jù)值在0～1之間。

表1 2018年全年9個研究城市7個指標的表現(xiàn)(原始數(shù)據(jù))

表2 2018年全年9個研究城市7個指標的表現(xiàn)(標準化)

三、數(shù)據(jù)處理原理及方案

目前共有3種模糊聚類分析方法，分別為基于模糊等價關系的傳遞閉包法、基于模糊相似關系的直接聚類法以及基于模糊劃分的模糊聚類法。本文采用其中聚類效率最高的基于模糊劃分的模糊聚類分析方法，即模糊c-均值算法。首先，定義目標函數(shù)：

(1)

式(1)中r≥1，是一個加權指數(shù)。u,v為模糊聚類矩陣的行和列。模糊c-均值算法的目標在于找到A=(aij)∈Mfc和V=(V1，V2,V3，…，Vn)(Vi∈Rm)，使得Jm(A，V)最小。

令U={u1,u2，…，un}，uj={xj1,xj2，…，xjm}∈Rm為一給定數(shù)據(jù)集，設定c∈{2，3，…，n-1}和r∈(1，∞)，假設對所有1≤k≤n，和1≤i≤c，有‖uj-ui‖≠0，則僅當：

(2)

和

(3)

(1≤i≤c)時，a=aij和V=(V1,V2,…,Vn)才是jm(A,V)的局部最小值。

本文在實際編程計算中，采用ISODATA方法，利用迭代算法找尋最優(yōu)聚類方案。共分為4個步驟：

步驟一：給定數(shù)據(jù)集U={u1,u2,…,un}，uj={xj1,xj2,…,xjm}∈Rm,設定c∈{2，3,…,n-1}和r∈(1，∞),初始化A(0)∈Mc。

步驟二：當?shù)螖?shù)為l(l=0,1,2…)時，計算聚類中心向量:

(4)

步驟三：將A(l)=(aij(l))更新為A(l+1)=(aij(l+1))

(5)

步驟四：若‖A(l+1)-A(l)‖<ε，則停止算法，否則令l=l+1，返回步驟二。

四、數(shù)據(jù)處理結果

對標準化的數(shù)據(jù)采用ISODATA方法進行處理，在處理過程中，首先要初始設定一個聚類中心的數(shù)量值，根據(jù)算法計算在這以聚類中心數(shù)量下的最優(yōu)分類方案。

當初始聚類中心設置為2時，初始迭代計算的U矩陣為：

[[0.6644210437718343, 0.33557895622816564],

[0.4540510649305213, 0.5459489350694786],

[0.601787125752343, 0.398212874247657],

[0.1796968535236536, 0.8203031464763464],

[0.22726127156074372, 0.7727387284392563],

[0.24217994833882006, 0.7578200516611799],

[0.2128276727902061, 0.7871723272097939],

[0.24304586503030726, 0.7569541349696928],

[0.32998502488356296, 0.670014975116437]]。

經(jīng)過14次迭代，得到最優(yōu)情況下U矩陣：

[[0.9335159015767952, 0.0664840984232048],

[0.0918657586578093, 0.9081342413421908],

[0.9646635658126329, 0.03533643418736698],

[0.004253975793395642,0.9957460242066043],

[0.07120798192791655, 0.9287920180720836],

[0.021288994516180514, 0.9787110054838195],

[0.006477028617581049, 0.9935229713824189],

[0.02069924634089102, 0.979300753659109],

[0.05503348583923694, 0.944966514160763]]。

標準化后，矩陣為：[[1, 0] [1, 0] [0, 1] [0, 1] [0, 1] [0, 1] [0, 1] [0, 1] [0, 1]]，分別對應9個城市，即模糊聚類分析結果為：當聚類中心為2時，廣州、深圳為一個類別，其余7個城市從屬于另一個類別(表3)。

表3 聚類中心數(shù)量為2時城市的類別劃分結果

當初始聚類中心設置為3時，初始迭代計算的U矩陣為：

[[0.48007117108070485, 0.24577314655975452, 0.2741556823595407],

[0.2914483330378844, 0.37101545940964653, 0.337536207552469],

[0.4064781837332497, 0.2861456628202468, 0.30737615344650354],

[0.14747016721388598, 0.5038374053103634, 0.34869242747575063],

[0.1417267600719959, 0.4668418962602549, 0.3914313436677492],

[0.181746651730615, 0.46001513360821117, 0.3582382146611739],

[0.16573416591058882, 0.47661675619748195, 0.35764907789192923],

[0.16668177413940158, 0.48865304966858597, 0.3446651761920125],

[0.1999803774848166, 0.3989237282352233, 0.4010958942799601]]。

經(jīng)過53次迭代，得到最優(yōu)情況下U矩陣：

[[0.8341289887743676, 0.06483776534668342, 0.10103324587894894],

[0.029788580143248075, 0.21922014365845077, 0.7509912761983012],

[0.9394419684946392, 0.02494638599063689, 0.0356116455147238],

[0.0036357440393703327, 0.9060845918970453, 0.09027966406358431],

[0.017305507805821293, 0.15022701188113574, 0.8324674803130429],

[0.00982706037481318, 0.8632835538390484, 0.12688938578613843],

[0.001622818513555778, 0.9675158169099404, 0.030861364576503857],

[0.010608309769314518, 0.8420023377156189, 0.14738935251506652],

[0.03547927344064694, 0.6056204789259841, 0.35890024763336886]]。

標準化后，矩陣為：[[1, 0, 0] [1, 0, 0] [0, 1, 0] [0, 0, 1] [0, 1, 0] [0, 0, 1] [0, 1, 0] [0, 1, 0] [0, 1, 0]]，分別對應9個城市，即模糊聚類分析結果為：當聚類中心為3時，廣州為一類，深圳為一類，其余城市為一類(表4)。

表4 聚類中心數(shù)量為3時城市的類別劃分結果

當初始聚類中心為4時(表5)，初始迭代計算的U矩陣為：

[[0.33258630219178287, 0.17942287738138107, 0.30055933277916813, 0.18743148764766784],

[0.1725476627537421, 0.2543416695265481, 0.1448291119508008, 0.4282815557689091],

[0.29423154433344867, 0.19637036037092448, 0.3022368868569286, 0.20716120843869817],

[0.09120454757497125, 0.4815298924860567, 0.08611696435081605, 0.341148595588156],

[0.15382526199077878, 0.21685255494475023, 0.25820512649050026, 0.37111705657397076],

[0.14635618486977303, 0.39598020752049157, 0.14160824648314912, 0.3160553611265862],

[0.10746674416688375, 0.46248811606449314, 0.10157306570925578, 0.3284720740593673],

[0.13779289124330812, 0.4571297422960912, 0.11957470713015779, 0.2855026593304429],

[0.15246037341418328, 0.3610496891469036, 0.18028691043429193, 0.30620302700462115]]。

經(jīng)過48次迭代得到最優(yōu)的U矩陣為：

[[0.999839060597809, 2.469327180179199e-05, 9.89597993172778e-05, 3.7286331072012655e-05],

[0.05242829428846769, 0.24204736211124914, 0.02308436382767871, 0.6824399797726045],

[1.4042252093911791e-05, 1.9164714129519535e-06, 0.9999813437206534, 2.697555839765711e-06],

[0.0049085504511973185, 0.9062861836207492, 0.002567598330769729, 0.08623766759728371],

[0.019898302563247854, 0.12280387848774071, 0.010657837732133258, 0.8466399812168782],

[0.013502759841646022, 0.8455047744118079, 0.007570772111616057, 0.13342169363493],

[0.0021118220612844065, 0.9679190118879483, 0.0011212694419689788, 0.02884789660879859],

[0.014627627682411208, 0.8342302783331632, 0.007668182246319069, 0.14347391173810645],

[0.04576152650752469, 0.5640152172257681, 0.026666351991585253, 0.363556904275122]]。

表5 聚類中心數(shù)量為4時城市的類別劃分結果

標準化后結果為：[[[1, 0, 0, 0] [0, 0, 1, 0] [0, 1, 0, 0] [0, 0, 0, 1] [0, 1, 0, 0] [0, 0, 0, 1] [0, 1, 0, 0] [0, 1, 0, 0] [0, 1, 0, 0]]。模糊聚類分析結果為：廣州為一個類別，深圳為一類，肇慶和中山為一類，其余城市為一類。

以此類推，當聚類中心數(shù)量為5時，分類結果為：廣州為一類，深圳為一類，東莞為一類，佛山為一類，其余為一類(表6)。

表6 聚類中心數(shù)量為5時城市的類別劃分結果

五、結論與分析

本文不是單純地比較城市金融競爭力的優(yōu)劣，而是通過模糊聚類獨有的全局視角優(yōu)勢，全方位地比較不同城市之間金融競爭力指標各個單項的差異，從而得出相對可靠的類群分析。一般來說，采用的聚類中心數(shù)量越多，對于城市金融競爭力的劃分就越精細，采用的聚類中心數(shù)量越少，對于城市金融競爭力的劃分就越宏觀。本文將從宏觀的視角出發(fā)，從聚類中心數(shù)量為2處起步，逐漸增加聚類中心數(shù)量，抽絲剝繭地將不同金融競爭力的城市提取出來。

(一)不同聚類中心數(shù)量下的城市金融競爭力聚類分析

通過對珠三角9個同屬于粵港澳城市群的城市進行了基于金融競爭力的模糊聚類分析(圖1)，可以看出，采用不同數(shù)量的聚類中心，聚類的結果有一定的差異。當兩個聚類中心的時候，廣州和深圳劃分為一類，其他城市為一類。通過關注本文的金融競爭力評價指標可以看出，廣州和深圳兩座城市在眾多指標數(shù)據(jù)上遠遠領先其他城市。這與前人的研究成果，即粵港澳大灣區(qū)中，廣東省金融競爭力和輻射力最有影響力的兩個城市為深圳和廣州[2]一致。

圖1 珠三角城市群的模糊聚類分析結果圖示Fig.1 Results of fuzzy cluster analysis of Pearl River Delta Urban Agglomeration

當聚類中心為3時，除廣州、深圳外，其他7個城市仍為一類，但廣州和深圳各自分開為一類。這說明廣州和深圳盡管在金融競爭力層面遠遠領先其他城市，但二者之間仍然存在差異，深圳的金融競爭力更為突出，在前人關于大灣區(qū)城市金融輻射力的研究中，深圳的金融輻射半徑高達120 km，幾乎覆蓋了粵港澳大灣區(qū)的絕大部分地區(qū)。但廣州市的金融輻射半徑僅有60 km，僅能影響到佛山、東莞、中山、惠州等中小城市[2]，這反映了二者金融輻射半徑的較大差異，與前人研究成果的對比，反映了本文模糊聚類分析結果的可靠性。

隨著聚類中心數(shù)量的增加，當聚類中心數(shù)量增加到4時，除深圳和廣州繼續(xù)扮演著珠三角金融競爭力“狀元”和“榜眼”的位置以外，肇慶和中山兩座城市從其他城市中脫離出來，單獨成為一類。通過查閱本文的金融競爭力指標體系以及對應的數(shù)據(jù)，可以看出，肇慶和中山兩座城市的金融競爭力明顯低于其他城市，在7個指標的表現(xiàn)上完全占據(jù)下風，可以看作是發(fā)展相對弱勢的一個類群。

當聚類中心數(shù)量增加到5時，一個有趣的現(xiàn)象是，佛山、東莞、廣州、深圳各為一類，剩余5個城市為一類，深圳和廣州的領先地位前面已經(jīng)討論，通過對數(shù)據(jù)的進一步觀察，可以得出，佛山和東莞在金融競爭力各項指標的綜合表現(xiàn)上，超越了其他5個城市。佛山和東莞成為兩個獨立的類群，與兩者在金融競爭力的表現(xiàn)差異有關，在固定資產(chǎn)投資方面，佛山遠遠領先于東莞，其余各指標佛山仍有一定的優(yōu)勢，但在外貿(mào)表現(xiàn)上，以及外商投資方面，東莞有自身突出的優(yōu)勢。兩者優(yōu)勢的體現(xiàn)不同，互有優(yōu)劣，這最終導致了兩者成為獨立的兩個類群。

(二)城市金融競爭力聚類結果分析

深圳和廣州市作為珠三角地區(qū)金融競爭力的領軍城市，在各方面指標上都表現(xiàn)突出，處于珠三角地區(qū)金融競爭力的頭部位置。其中，深圳市相較于廣州市，金融競爭力更高。2018年全年，深圳金融業(yè)實現(xiàn)增加值3 067.21億元，同比增長3.6%，占GDP的比重為12.7%；金融業(yè)實現(xiàn)稅收1 314.8億元，同比增長17.5%，占全市總稅收的22.37%，金融業(yè)對全市稅收的貢獻超過制造業(yè)(20.30%)，成為全市納稅第一的產(chǎn)業(yè)。2018年以來，全市新引進分行級以上持牌金融機構26家，其中法人持牌金融機構8家。截至2018年年底，全市持牌金融機構總數(shù)465家，其中法人金融機構196家。在2018年9月英國智庫Z/yen集團發(fā)布的第24期“全球金融中心指數(shù)”排名中，深圳由上期的18位上升至第12位，在國內(nèi)城市中僅次于香港(第3位)、上海(第5位)和北京(第8位)?？梢钥闯?，深圳的金融業(yè)發(fā)展狀況在珠三角地區(qū)首屈一指，得到了廣泛的認可。

根據(jù)統(tǒng)計局所獲得的數(shù)據(jù)，最新追溯到2018年全年，廣州作為珠三角區(qū)域金融競爭力排名第二的城市，在金融從業(yè)人員、外商投資以及對外貿(mào)易層面上仍有很大的發(fā)展空間。但2019年以來，廣州的金融業(yè)得到了廣泛的發(fā)展，存貸款余額增速居五大城市(北京、上海、廣州、深圳、天津)之首，僅前三季度，廣州金融業(yè)實現(xiàn)增加值1 619.53億元，同比增長7.8%，占同期GDP的比重為9.1%，拉升0.7個百分點。全市實現(xiàn)金融業(yè)稅收342.4億元，同比增長2.6%，占總稅收比重的7.96%。廣州境內(nèi)外上市公司174家，累計融資接近4 177.80億元。廣州金融競爭力未來有顯著的提升趨勢，值得觀望。

佛山的金融競爭力各項指標在珠三角地區(qū)十分突出，僅次于深圳和廣州。佛山市在固定資產(chǎn)投資、存款額、貸款額都穩(wěn)居前三名。盡管對外貿(mào)易這一方面表現(xiàn)優(yōu)秀，但在外商投資這一項上，佛山表現(xiàn)較一般，吸引外商投資是佛山金融競爭力未來發(fā)展的一個方向。

江門市、惠州市、東莞市的表現(xiàn)在整個珠三角地區(qū)中規(guī)中矩，三者在固定資產(chǎn)投資方面表現(xiàn)相近，但東莞市在外商投資，對外貿(mào)易，存款額，貸款額等表征金融活力的指標方面表現(xiàn)突出，江門市和惠州市也應該利用自己良好的政府投資支持情況，大力提升區(qū)域金融競爭力，尤其是主要金融指標的表現(xiàn)情況。

在城市金融競爭力層次上，珠海市處于比較靠后的位置，但需要注意的是，珠海的面積和人口在珠三角經(jīng)濟帶本身處于劣勢，金融競爭力較弱的主要原因是體量問題。作為粵港澳大灣區(qū)重要的連接點，珠海在外商投資方面表現(xiàn)強勢，較自身其他指標明顯突出，這是珠海金融競爭力的優(yōu)勢點。

相對整個珠三角地區(qū)而言，肇慶和中山兩座城市的金融競爭力水平較低，盡管肇慶擁有較多的金融從業(yè)人員，但固定資產(chǎn)投資，外商投資等硬性指標表現(xiàn)一般。作為粵港澳大灣區(qū)的重要節(jié)點城市，肇慶具有良好的交通條件，但這個交通條件并沒有帶來對外貿(mào)易和外商投資的良好表現(xiàn)，肇慶應當積極尋求固定資產(chǎn)投資，吸引外商投資，利用好自己的金融從業(yè)人員的數(shù)量優(yōu)勢，大力提升區(qū)域金融競爭力。中山市各方面指標的表現(xiàn)比較平均，但其金融競爭力水平在珠三角地區(qū)仍有很大的提升空間，并且這種提升空間是全方位的。

綜上，通過模糊聚類分析，筆者對珠三角地區(qū)城市群的金融競爭力進行了聚類，根據(jù)不同的聚類中心數(shù)量，聚類的結果有所不同，其中體現(xiàn)的規(guī)律，有助于增加對珠三角城市群金融競爭力發(fā)展的認識，為每個城市的發(fā)展提供個性化的方案和建議。