摘 要：本文基于CRITIC-TOPSIS模型的金融集聚程度評價指標體系選擇了13個指標，旨在對我國各省及直轄市的金融集聚程度進行綜合評價。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，并對其與區(qū)域經(jīng)濟發(fā)展之間的聯(lián)系進行實證分析。為確保分析的準確性和可靠性，本文采用2019年的數(shù)據(jù)，以排除疫情對金融集聚程度和區(qū)域經(jīng)濟發(fā)展的潛在影響。通過實證分析，本文將為各區(qū)域提供有關金融集聚程度的詳細數(shù)據(jù)，并探討其對經(jīng)濟發(fā)展的影響。這將有助于制定更加精確和有效的政策，以期推動金融業(yè)的健康發(fā)展，促進區(qū)域經(jīng)濟的繁榮。

關鍵詞：金融集聚；CRITIC-TOPSIS模型；區(qū)域經(jīng)濟；綜合評價；經(jīng)濟發(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：F832.2 文獻標識碼：A 文章編號：2096-0298（2023）07（b）--04

1 引言

金融集聚是指在一個特定的地理區(qū)域或城市，聚集了大量的金融機構、金融從業(yè)者以及相關服務供應商和配套設施。其中包括銀行、證券公司、保險公司等，在這個區(qū)域內形成了一個完整的金融生態(tài)系統(tǒng)，已成為全球金融發(fā)展的普遍趨勢。

金融集聚的形成原因有多個方面，包括經(jīng)濟發(fā)展需要、政策因素、人才和資源集聚效應以及良性競爭效應等。首先經(jīng)濟發(fā)展需要以足夠的金融支持為基礎，因此在經(jīng)濟發(fā)展比較快的地區(qū)，金融機構和從業(yè)人員數(shù)量也會相應增加；為促進本區(qū)域的金融經(jīng)濟發(fā)展，該地政府在金融領域出臺一系列政策措施，旨在吸引更多的金融機構和從業(yè)人員進入該地區(qū)；隨著一個地區(qū)的金融機構和從業(yè)人員的逐漸增加，該地將吸引更多的人才和資源進入，從而形成了一種集聚現(xiàn)象。在同個地區(qū)，不同金融機構之間的良性競爭程度不斷深化，能夠促進金融產品和服務的創(chuàng)新和優(yōu)化，提升整個地區(qū)的金融服務水平，進而吸引更多的機構和從業(yè)人員進入。

金融業(yè)和經(jīng)濟發(fā)展是金融集聚的形成原因，同時金融集聚對金融業(yè)和經(jīng)濟發(fā)展具有重要意義：促進金融市場的深度和廣度；促進金融業(yè)的協(xié)同合作；帶動相關產業(yè)的發(fā)展和就業(yè)機會的增加。

隨著經(jīng)濟的高速增長，中國的一些區(qū)域也出現(xiàn)了金融活動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)量眾多的金融機構和人才。截至2019年底，上海境內金融機構總數(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，金融集聚程度的評價分析對于經(jīng)濟的發(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。本文基于CIRTIC-TOPSIS模型選取13個指標建立了金融集聚程度評價指標體系，對我國各省及直轄市的金融集聚程度進行評價，最后基于2019年的數(shù)據(jù)，對我國新冠疫情前各區(qū)域的金融集聚程度進行評價分析。

2 構建評價指標體系

2.1 CRITIC-TOPSIS模型

綜合評價模型[1]可以分為主觀賦權模型和客觀賦權模型兩類，相比主觀賦權模型，客觀賦權模型是從指標的統(tǒng)計性質出發(fā)，根據(jù)數(shù)據(jù)自身特點計算出指標權重，不需征求專家的意見，更具有科學性。因此本文選擇客觀賦權模型構建評價模型。

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

（1）CRITIC-TOPSIS評價模型的具體步驟如下：

假設有k個評價對象及l(fā)個評價指標，數(shù)據(jù)預處理：考慮到不同評價指標的量綱差異所帶來的不科學性，首先對評價指標進行歸一化處理，其次基于指標對評價目標的影響進行正向負向處理，并形成數(shù)據(jù)矩陣如下：

（2）計算各指標的變異性以及指標與指標之間的矛盾性（矛盾性反映的是不同指標之間的相關程度，若呈現(xiàn)顯著正相關性，則矛盾性數(shù)值越小）。

其中，σj和fj分別為k個評價對象中第j個指標的變異性與矛盾性系數(shù)；rij為第i個指標與第j個指標的相關系數(shù)。

（3）計算各指標的信息承載量，進而算出各指標的權重w=（w1，…，wl），相應公式如下：

其中，CJ分別為n個樣本第j個指標的信息承載量，WJ為第i個指標的權重。

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

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

（6）計算評價對象對正、負理想解的距離。

（7）計算第i個評價對象與理想解的相對貼近度，以確定各樣本的綜合得分值：

其中，分別表示評價對象i到正、負理想的距離。

2.2 選取評價指標

本文基于相關參考文獻金融總體規(guī)模、銀行業(yè)、證券業(yè)及保險業(yè)4個維度來構建評價指標體系。將金融集聚程度評價指標體系劃分為三個層次：目標層、一級指標和二級指標。其中，目標層為金融集聚程度，一級指標層層包括金融業(yè)總體規(guī)模、銀行業(yè)集聚程度、證券行業(yè)集聚程度、保險行業(yè)集聚程度4個方面，每個一級指標包括若干個二級指標總共13個[4-5]，需要補充的是所有的二級指標均為正向指標（見表2）。

3 實證分析

本文選取2019年的經(jīng)濟金融數(shù)據(jù)，基于CRITIC-TOPSIS模型使用python對我國各省、直轄市金融集聚程度進行評價分析。數(shù)據(jù)來源于2019年《中國統(tǒng)計年鑒》，2019年《中國金融年鑒》及中國人民銀行統(tǒng)計季報，由于浙江省的部分數(shù)據(jù)存在缺失，因此將其剔除，不對其進行分析。

3.1 金融業(yè)總體規(guī)模集聚程度結果分析

根據(jù)2019年發(fā)布的《廣東省統(tǒng)計年鑒》，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，金融機構存款余額為88.45萬億元，同比增長9.1%；金融機構貸款余額為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%，結合上述數(shù)據(jù)以及表3結果可以得出，2019年廣東省的金融業(yè)總規(guī)模龐大且增速較快，金融機構存款余額和貸款余額均有不錯的增長，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)會優(yōu)于上海和北京。

3.2 銀行業(yè)集聚程度結果分析

本文從銀行集聚程度指標的角度出發(fā)，北京、廣東、上海、江蘇位列前茅，且五個城市在綜合得分上差距微小。基于表4的所有結果可以發(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)濟發(fā)展差距較為懸殊。

3.3 證券行業(yè)集聚程度結果分析

在證券行業(yè)集聚程度指標上，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?所示的結果，本文從地理區(qū)域上進行分析，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 保險業(yè)集聚程度結果分析

本文基于表6結果，對比前面各一級指標的結果，可較為明顯地發(fā)現(xiàn)，在保險業(yè)集聚程度的地理分布上，并未如前面的一級指標呈現(xiàn)出顯著的東強西弱的局面，相比之下分布較為均衡。

3.5 金融集聚程度結果分析

本文結合前文各一級指標的結果，以及表7中的金融集聚程度評價結果，不難發(fā)現(xiàn)廣東、北京、上海、江蘇始終位列前茅，且與排名相對靠后的幾個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)增速均處于領先地位；廣東省金融中心城市數(shù)量多，綜合競爭力較強；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)增速相對較低。

4 結語

4.1 實證結果總結

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較低。隨著國家政策的不斷調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)展將對金融集聚狀況產生影響。因此，各地可以結合自身的優(yōu)勢和發(fā)展需求，制定相應的金融政策和措施，以促進本地金融業(yè)的發(fā)展，提升金融集聚水平。

參考文獻

羅珍.上市公司績效動態(tài)綜合評價方法研究[D].長沙：湖南大學，2009.

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

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

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

孫晶，李涵碩.金融集聚與產業(yè)結構升級：來自2003—2007年省際經(jīng)濟數(shù)據(jù)的實證分析[J].經(jīng)濟學家，2012（3）：80-86.