摘 要：本文基于CRITIC-TOPSIS模型的金融集聚程度評(píng)價(jià)指標(biāo)體系選擇了13個(gè)指標(biāo)，旨在對(duì)我國各省及直轄市的金融集聚程度進(jìn)行綜合評(píng)價(jià)。通過該模型，我們可以深入了解金融業(yè)在不同地區(qū)的集聚情況，并對(duì)其與區(qū)域經(jīng)濟(jì)發(fā)展之間的聯(lián)系進(jìn)行實(shí)證分析。為確保分析的準(zhǔn)確性和可靠性，本文采用2019年的數(shù)據(jù)，以排除疫情對(duì)金融集聚程度和區(qū)域經(jīng)濟(jì)發(fā)展的潛在影響。通過實(shí)證分析，本文將為各區(qū)域提供有關(guān)金融集聚程度的詳細(xì)數(shù)據(jù)，并探討其對(duì)經(jīng)濟(jì)發(fā)展的影響。這將有助于制定更加精確和有效的政策，以期推動(dòng)金融業(yè)的健康發(fā)展，促進(jìn)區(qū)域經(jīng)濟(jì)的繁榮。

關(guān)鍵詞：金融集聚；CRITIC-TOPSIS模型；區(qū)域經(jīng)濟(jì)；綜合評(píng)價(jià)；經(jīng)濟(jì)發(fā)展

本文索引：劉廣生.<變量 2>[J].中國商論，2023（14）：-108.

中圖分類號(hào)：F832.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2023）07（b）--04

1 引言

金融集聚是指在一個(gè)特定的地理區(qū)域或城市，聚集了大量的金融機(jī)構(gòu)、金融從業(yè)者以及相關(guān)服務(wù)供應(yīng)商和配套設(shè)施。其中包括銀行、證券公司、保險(xiǎn)公司等，在這個(gè)區(qū)域內(nèi)形成了一個(gè)完整的金融生態(tài)系統(tǒng)，已成為全球金融發(fā)展的普遍趨勢(shì)。

金融集聚的形成原因有多個(gè)方面，包括經(jīng)濟(jì)發(fā)展需要、政策因素、人才和資源集聚效應(yīng)以及良性競爭效應(yīng)等。首先經(jīng)濟(jì)發(fā)展需要以足夠的金融支持為基礎(chǔ)，因此在經(jīng)濟(jì)發(fā)展比較快的地區(qū)，金融機(jī)構(gòu)和從業(yè)人員數(shù)量也會(huì)相應(yīng)增加；為促進(jìn)本區(qū)域的金融經(jīng)濟(jì)發(fā)展，該地政府在金融領(lǐng)域出臺(tái)一系列政策措施，旨在吸引更多的金融機(jī)構(gòu)和從業(yè)人員進(jìn)入該地區(qū)；隨著一個(gè)地區(qū)的金融機(jī)構(gòu)和從業(yè)人員的逐漸增加，該地將吸引更多的人才和資源進(jìn)入，從而形成了一種集聚現(xiàn)象。在同個(gè)地區(qū)，不同金融機(jī)構(gòu)之間的良性競爭程度不斷深化，能夠促進(jìn)金融產(chǎn)品和服務(wù)的創(chuàng)新和優(yōu)化，提升整個(gè)地區(qū)的金融服務(wù)水平，進(jìn)而吸引更多的機(jī)構(gòu)和從業(yè)人員進(jìn)入。

金融業(yè)和經(jīng)濟(jì)發(fā)展是金融集聚的形成原因，同時(shí)金融集聚對(duì)金融業(yè)和經(jīng)濟(jì)發(fā)展具有重要意義：促進(jìn)金融市場的深度和廣度；促進(jìn)金融業(yè)的協(xié)同合作；帶動(dòng)相關(guān)產(chǎn)業(yè)的發(fā)展和就業(yè)機(jī)會(huì)的增加。

隨著經(jīng)濟(jì)的高速增長，中國的一些區(qū)域也出現(xiàn)了金融活動(dòng)與金融資源的集聚現(xiàn)象。中國的金融中心主要集中在上海、北京和深圳等大城市。其中，上海作為中國的金融中心，是全國最大的金融聚集地之一，擁有數(shù)量眾多的金融機(jī)構(gòu)和人才。截至2019年底，上海境內(nèi)金融機(jī)構(gòu)總數(shù)已經(jīng)超過1.2萬家，金融從業(yè)人員超過39萬人。

綜上所述，金融集聚程度的評(píng)價(jià)分析對(duì)于經(jīng)濟(jì)的發(fā)展具有重要意義，然而目前并沒有一種明確的用于衡量一區(qū)域金融集聚程度的指標(biāo)。本文基于CIRTIC-TOPSIS模型選取13個(gè)指標(biāo)建立了金融集聚程度評(píng)價(jià)指標(biāo)體系，對(duì)我國各省及直轄市的金融集聚程度進(jìn)行評(píng)價(jià)，最后基于2019年的數(shù)據(jù)，對(duì)我國新冠疫情前各區(qū)域的金融集聚程度進(jìn)行評(píng)價(jià)分析。

2 構(gòu)建評(píng)價(jià)指標(biāo)體系

2.1 CRITIC-TOPSIS模型

綜合評(píng)價(jià)模型[1]可以分為主觀賦權(quán)模型和客觀賦權(quán)模型兩類，相比主觀賦權(quán)模型，客觀賦權(quán)模型是從指標(biāo)的統(tǒng)計(jì)性質(zhì)出發(fā)，根據(jù)數(shù)據(jù)自身特點(diǎn)計(jì)算出指標(biāo)權(quán)重，不需征求專家的意見，更具有科學(xué)性。因此本文選擇客觀賦權(quán)模型構(gòu)建評(píng)價(jià)模型。

常見的客觀賦權(quán)方法主要有變異系數(shù)法、相關(guān)系數(shù)法、熵權(quán)法、CRITIC評(píng)價(jià)方法，TOPSIS法。相比其他客觀賦權(quán)方法，CRITIC評(píng)價(jià)方法同時(shí)考慮了指標(biāo)變異性和指標(biāo)沖突性兩大因素，能夠綜合反映各指標(biāo)相互之間的比較強(qiáng)度與沖突程度在評(píng)價(jià)模型構(gòu)建更具有全面性和合理性。但是，CRITIC評(píng)價(jià)方法由于賦分方法采取按權(quán)重直接計(jì)算的方式，無法反映各指標(biāo)下樣本的離散程度，而TOPSIS評(píng)價(jià)法則能夠充分利用原始數(shù)據(jù)的信息，其結(jié)果能精確反映各評(píng)價(jià)樣本之間的差距，能夠更好地解決CRITIC無法反映樣本離散程度的問題。因此，本文構(gòu)建CRITIC-TOPSIS評(píng)價(jià)模型[2-3]來衡量我國各區(qū)域金融集聚程度。

（1）CRITIC-TOPSIS評(píng)價(jià)模型的具體步驟如下：

假設(shè)有k個(gè)評(píng)價(jià)對(duì)象及l(fā)個(gè)評(píng)價(jià)指標(biāo)，數(shù)據(jù)預(yù)處理：考慮到不同評(píng)價(jià)指標(biāo)的量綱差異所帶來的不科學(xué)性，首先對(duì)評(píng)價(jià)指標(biāo)進(jìn)行歸一化處理，其次基于指標(biāo)對(duì)評(píng)價(jià)目標(biāo)的影響進(jìn)行正向負(fù)向處理，并形成數(shù)據(jù)矩陣如下：

（2）計(jì)算各指標(biāo)的變異性以及指標(biāo)與指標(biāo)之間的矛盾性（矛盾性反映的是不同指標(biāo)之間的相關(guān)程度，若呈現(xiàn)顯著正相關(guān)性，則矛盾性數(shù)值越?。?。

其中，σj和fj分別為k個(gè)評(píng)價(jià)對(duì)象中第j個(gè)指標(biāo)的變異性與矛盾性系數(shù)；rij為第i個(gè)指標(biāo)與第j個(gè)指標(biāo)的相關(guān)系數(shù)。

（3）計(jì)算各指標(biāo)的信息承載量，進(jìn)而算出各指標(biāo)的權(quán)重w=（w1，…，wl），相應(yīng)公式如下：

其中，CJ分別為n個(gè)樣本第j個(gè)指標(biāo)的信息承載量，WJ為第i個(gè)指標(biāo)的權(quán)重。

（4）通過critic方法得出的指標(biāo)權(quán)重更新數(shù)據(jù)矩陣，具體公式如下：

（5）確定正理想解和負(fù)理想解，分別用更新矩陣中各指標(biāo)的最大值和最小值表示正理想和負(fù)理想。

（6）計(jì)算評(píng)價(jià)對(duì)象對(duì)正、負(fù)理想解的距離。

（7）計(jì)算第i個(gè)評(píng)價(jià)對(duì)象與理想解的相對(duì)貼近度，以確定各樣本的綜合得分值：

其中，分別表示評(píng)價(jià)對(duì)象i到正、負(fù)理想的距離。

2.2 選取評(píng)價(jià)指標(biāo)

本文基于相關(guān)參考文獻(xiàn)金融總體規(guī)模、銀行業(yè)、證券業(yè)及保險(xiǎn)業(yè)4個(gè)維度來構(gòu)建評(píng)價(jià)指標(biāo)體系。將金融集聚程度評(píng)價(jià)指標(biāo)體系劃分為三個(gè)層次：目標(biāo)層、一級(jí)指標(biāo)和二級(jí)指標(biāo)。其中，目標(biāo)層為金融集聚程度，一級(jí)指標(biāo)層層包括金融業(yè)總體規(guī)模、銀行業(yè)集聚程度、證券行業(yè)集聚程度、保險(xiǎn)行業(yè)集聚程度4個(gè)方面，每個(gè)一級(jí)指標(biāo)包括若干個(gè)二級(jí)指標(biāo)總共13個(gè)[4-5]，需要補(bǔ)充的是所有的二級(jí)指標(biāo)均為正向指標(biāo)（見表2）。

3 實(shí)證分析

本文選取2019年的經(jīng)濟(jì)金融數(shù)據(jù)，基于CRITIC-TOPSIS模型使用python對(duì)我國各省、直轄市金融集聚程度進(jìn)行評(píng)價(jià)分析。數(shù)據(jù)來源于2019年《中國統(tǒng)計(jì)年鑒》，2019年《中國金融年鑒》及中國人民銀行統(tǒng)計(jì)季報(bào)，由于浙江省的部分?jǐn)?shù)據(jù)存在缺失，因此將其剔除，不對(duì)其進(jìn)行分析。

3.1 金融業(yè)總體規(guī)模集聚程度結(jié)果分析

根據(jù)2019年發(fā)布的《廣東省統(tǒng)計(jì)年鑒》，2019年廣東省金融業(yè)總規(guī)模為37.32萬億元，同比增長8.4%。其中，金融機(jī)構(gòu)存款余額為88.45萬億元，同比增長9.1%；金融機(jī)構(gòu)貸款余額為59.85萬億元，同比增長8.4%。另外，2019年廣東省金融業(yè)利潤總額為657.2億元，同比增長1.9%，結(jié)合上述數(shù)據(jù)以及表3結(jié)果可以得出，2019年廣東省的金融業(yè)總規(guī)模龐大且增速較快，金融機(jī)構(gòu)存款余額和貸款余額均有不錯(cuò)的增長，說明廣東省的金融市場具有廣泛的需求和巨大潛力。然而廣東與北京、上海相比，雖然表3的結(jié)果顯示廣東的表現(xiàn)優(yōu)于北京和上海，但根據(jù)《中國金融信息中心2019年中國金融中心城市指數(shù)報(bào)告》，上海和北京分別位列全國金融中心城市的前兩名，而廣東省則包括廣州、深圳、珠海、佛山、中山、東莞、惠州、汕頭、湛江等城市入選金融中心城市排名前十。在金融業(yè)總規(guī)模方面，2019年上海市金融業(yè)總規(guī)模為35.85萬億元，同比增長8.4%；北京市金融業(yè)總規(guī)模為21.58萬億元，同比增長8.1%。上述數(shù)據(jù)表明從城市的維度出發(fā)，上海和北京的金融業(yè)總規(guī)模在全國處于領(lǐng)先地位，規(guī)模和增速均優(yōu)于廣東省各城市。但由于廣東省金融中心城市數(shù)量多，覆蓋面廣，具有較強(qiáng)的綜合競爭力，故在金融業(yè)總體規(guī)模集聚程度上的表現(xiàn)會(huì)優(yōu)于上海和北京。

3.2 銀行業(yè)集聚程度結(jié)果分析

本文從銀行集聚程度指標(biāo)的角度出發(fā)，北京、廣東、上海、江蘇位列前茅，且五個(gè)城市在綜合得分上差距微小。基于表4的所有結(jié)果可以發(fā)現(xiàn)，銀行業(yè)的集聚程度在地理位置上呈現(xiàn)東強(qiáng)西弱的局面，造成該局面的原因主要是中國東西部的經(jīng)濟(jì)發(fā)展差距較為懸殊。

3.3 證券行業(yè)集聚程度結(jié)果分析

在證券行業(yè)集聚程度指標(biāo)上，北京是全國排名第一的城市，而廣東、上海以及江蘇則是緊隨其后?；诒?所示的結(jié)果，本文從地理區(qū)域上進(jìn)行分析，不難發(fā)現(xiàn)證券行業(yè)主要集聚在長三角地區(qū)以及珠三角地區(qū)。

3.4 保險(xiǎn)業(yè)集聚程度結(jié)果分析

本文基于表6結(jié)果，對(duì)比前面各一級(jí)指標(biāo)的結(jié)果，可較為明顯地發(fā)現(xiàn)，在保險(xiǎn)業(yè)集聚程度的地理分布上，并未如前面的一級(jí)指標(biāo)呈現(xiàn)出顯著的東強(qiáng)西弱的局面，相比之下分布較為均衡。

3.5 金融集聚程度結(jié)果分析

本文結(jié)合前文各一級(jí)指標(biāo)的結(jié)果，以及表7中的金融集聚程度評(píng)價(jià)結(jié)果，不難發(fā)現(xiàn)廣東、北京、上海、江蘇始終位列前茅，且與排名相對(duì)靠后的幾個(gè)省份在綜合得分上的差距十分懸殊。根據(jù)《中國金融信息中心2019年城市指數(shù)報(bào)告》，上海、北京、廣東、江蘇等地金融集聚水平較高。上海和北京是全國金融中心城市，金融業(yè)總規(guī)模和金融業(yè)增速均處于領(lǐng)先地位；廣東省金融中心城市數(shù)量多，綜合競爭力較強(qiáng)；江蘇省有南京、蘇州、無錫等城市入選金融中心城市排名前十。除少數(shù)地區(qū)外，大多數(shù)省份的金融集聚水平相對(duì)較低。例如，云南、廣西、甘肅等省份的金融中心城市數(shù)量較少，金融業(yè)總規(guī)模和金融業(yè)增速相對(duì)較低。

4 結(jié)語

4.1 實(shí)證結(jié)果總結(jié)

綜上所述，中國的金融集聚狀況存在較大的區(qū)域差異，主要集中在少數(shù)地區(qū)，且大多數(shù)省份的金融集聚水平相對(duì)較低。隨著國家政策的不斷調(diào)整和各地金融市場的不斷發(fā)展，未來中國各地的金融集聚狀況也可能發(fā)生較大變化，例如國家對(duì)于金融市場的監(jiān)管政策逐漸放松，金融科技、互聯(lián)網(wǎng)金融等新型金融業(yè)態(tài)的快速發(fā)展將對(duì)金融集聚狀況產(chǎn)生影響。因此，各地可以結(jié)合自身的優(yōu)勢(shì)和發(fā)展需求，制定相應(yīng)的金融政策和措施，以促進(jìn)本地金融業(yè)的發(fā)展，提升金融集聚水平。

參考文獻(xiàn)

羅珍.上市公司績效動(dòng)態(tài)綜合評(píng)價(jià)方法研究[D].長沙：湖南大學(xué)，2009.

陳如麗，方玲，王凱弟，等.基于CRITIC法與TOPSIS的軍事基礎(chǔ)體能綜合評(píng)價(jià)[J].軟件，2021，42（12）：12-14.

吳季釗.基于CRITIC-熵權(quán)法和TOPSIS法的內(nèi)河港口競爭力研究[D].重慶：重慶交通大學(xué)，2022.

丁藝，李樹丞，李林.中國金融集聚程度評(píng)價(jià)分析[J].軟科學(xué)，2009，23（6）：9-13.

孫晶，李涵碩.金融集聚與產(chǎn)業(yè)結(jié)構(gòu)升級(jí)：來自2003—2007年省際經(jīng)濟(jì)數(shù)據(jù)的實(shí)證分析[J].經(jīng)濟(jì)學(xué)家，2012（3）：80-86.