江蘇金融服務外包產業綜合競爭力實證研究

〔摘要〕本文應用因子分析法和灰色關聯度分析法，將江蘇金融服務外包重點城市南京、蘇州、無錫、常州與國內其它15個金融服務外包主要城市進行比較，用實證的方法分析了江蘇金融服務外包的綜合競爭力。本文的結論是：從經濟環境指標看，除常州外，其它3個城市均位列第一梯隊；從綜合競爭力看，江蘇4個城市的城市排名處于中下游水平，但各有自身特色；對金融服務外包產業競爭力起決定作用的是產業聚集所帶來的規模效應的大小與政府的支持力度。

〔關鍵詞〕金融服務外包；綜合競爭力；因子分析；灰色關聯度分析

中圖分類號：F719文獻標識碼：A文章編號：10084096（2013）02003208

一、引言

20世紀90年代以來，隨著經濟全球化的發展和全球產業結構調整，服務業出現在全球范圍內轉移的基本特征。而金融服務外包更成為國際服務業轉移的重點，其降低成本、增加收入、提高質量和改進效能等多重優勢對金融服務貿易貢獻與日俱增。近年來，江蘇金融服務外包產業發展迅猛，本文應用因子分析法和灰色關聯度法，以南京、蘇州、無錫、常州、北京、上海、深圳、廣州、佛山、天津、杭州、大連、成都、西安、重慶、武漢、長沙、青島和沈陽等19個主要金融服務外包城市為樣本進行研究，以反映江蘇重點城市南京、蘇州、無錫和常州的金融服務外包綜合競爭力在全國的發展水平與地位。

二、研究方法、指標選取及指標預處理

1因子分析法和灰色關聯度分析法

因子分析法是指從研究指標相關矩陣內部的依賴關系出發，把一些信息重疊、具有錯綜復雜關系的變量歸結為少數幾個不相關的綜合因子的一種多元統計分析方法。其基本思想為，根據相關性大小把變量分組，使得同組內的變量之間相關性較高，但不同組的變量不相關或相關性較低，每組變量代表一個基本結構——即公共因子。本文用因子分析法對江蘇金融服務外包城市綜合競爭力進行評價分析，將原有指標變量用一組公因子來表示，而這些公因子涵蓋了原有變量絕大多數的信息，并且同組公因子表示的變量相關性較強，而異組公因子表示的變量相關性較弱。由于每個公因子表示的變量不同，因此，使得每個公因子具有不同的實際意義。

灰色關聯度分析法實質上是一種因素比較分析法，它通過對灰色系統內有限數據序列的分析，尋求系統內部諸因素間的關系，找出影響目標值的主要因素，進而分析各因素間關聯程度。關聯度分析的目的是對兩個系統間相關因素隨時間或對象的不同而變化的關聯性大小進行度量。在系統發展過程中，若兩個因素變化的趨勢具有一致性，即統計數列所構成的各條曲線集合形狀越接近且同步變化程度較高，則各條曲線越平行，即可謂兩者關聯程度較高；反之，則較低。因此，灰色關聯度分析法是根據因素之間發展趨勢的相似或相異程度作為衡量因素間關聯程度的一種方法[1]。本文以各指標之中最優值作為參考數列，其它被評價指標作為比較數列，求其關聯度。關聯度越大，說明這一地區金融服務外包產業的競爭力越強；反之，則越弱。關聯度大小的排序說明了研究總體內金融服務外包競爭力的強弱。

2指標選取標準

本文從接包方視角出發，參照邁克爾·波特的鉆石模型以及加拿大學者Padmore和Gibson[2]建立的區域產業競爭力影響因素及指標選取研究的GEM模型，對金融服務外包綜合競爭力評價指標進行科學設計，設定了7個一級指標和13個二級指標，如表1所示。研究中最初選取：金融企業數量、金融相關服務外包商數量、城市擁有金融后臺業務中心數量、金融產業增加值占GDP比重；政府管理能力指數、政府支持指數、產權保護制度指數；單位在崗職工平均工資、辦公樓市場平均租金；普通高校與中等職業學校的在校生人數、計算機與軟件業從業人員數量；科學競爭力指數、信息技術基礎設施指數、專利授權數量；開放程度指數、資本競爭力指數、綜合區位指數、制度競爭力指數等18個標準化后的指標排列組合進行KMO檢驗和巴利特球度檢驗，檢驗結果發現其中15個指標的KMO檢驗統計量 KMO（Kaiser-Meyer-Olkin）檢驗統計量是用于比較變量間簡單相關系數和偏相關系數的指標。KMO統計量取值在0和1之間。KMO值越接近于1，意味著變量間的相關性越強，原有變量越適合做因子分析。當所有變量間的簡單相關系數平方和接近0時，KMO值接近0。KMO值越接近于0，意味著變量間的相關性越弱，原有變量越不適合做因子分析。為0654，為最適合做因子分析的一組指標。

3指標的預處理

由于系統中各因素的物理意義不同，各項指標數據的量綱也不盡相同，因此，要對這些指標進行無量綱化處理，本文采用區間值法進行標準化處理，使其轉化為取值在[0，1]區間的相對化數據，若評價指標Xi為正指標，則：

若評價指標Xi為負指標，則：

其中，xi為原始值，xi′為轉化后的值，xmax為最大樣本值，xmin為最小樣本值。

由于X4、X5為負指標，所以參照式（2）標準化；其它都為正指標，所以參照式（1）標準化。標準化處理后的數據，如表2所示。

三、因子分析法分析與結論

利用SPSS160統計軟件對標準化后的數據進行變量之間相關關系分析以及KMO檢驗和巴利特球度檢驗，由檢驗結果可知，近似卡方值為2859310，自由度為1050000，伴隨概率P值為00000，即相關矩陣不是一個單位陣，可以進行因子分析。

KMO是用于比較觀測偏相關系數以及相關系數值的指標，其值越接近1，表明對變量的因子分析效果越好。本文中KMO值為06540，顯然原有變量比較適合進行因子分析。

通過表6可以看出江蘇金融服務外包重點城市的一般競爭力水平。蘇州與上海和北京一起以高分位列前三。由于北京、上海為直轄市，較之于其它城市在資源方面有顯著優勢，所以因子綜合競爭力得分很高。蘇州有著較為開放、包容的城市文化氛圍以及良好的基礎設施，在由金融服務外包行業供需狀況，經營成本以及行業外部的科技、資本與區位競爭力組成的一般競爭力指標上名列第一，并且政府支持力度較大，使得金融服務外包行業的聚集帶來了一定的規模經濟效應。由于一般競爭力指標權重較大，故蘇州的綜合排名在各城市中位列第一。江蘇其它重點城市南京、無錫和常州分列第5、11和18位。南京市在一般競爭力指標上同樣具有優勢，人才與制度方面優勢明顯，但產業與政策因子得分全國最低，由于權重影響，得分排名仍處于上游水平。蘇州、無錫和常州屬于地級城市，高校和研究機構的相對缺乏使得人才儲備方面捉襟見肘，可見，依靠人才流動與引進是這些城市金融服務外包產業發展的最大軟肋。

四、灰色關聯度分析法分析及結論

由于金融服務外包綜合競爭力評價系統具有信息不完全的“灰色”特征，同時也為了克服因子分析法中過多主觀因素帶來的負面影響，本文在因子分析法的基礎上進一步選擇灰色關聯度分析法進行研究。

3評價結果分析與結論

第一，從3個因子關聯度大小看，關聯度最大的是產業與政策因子，這表明建立在更具產業特色的需求與供給要素以及政府支持力度上的競爭力優勢比建立在其它因素上的競爭力優勢相比，更加穩定與顯著。因此，對金融服務外包產業的競爭力而言，起決定作用的是產業聚集所帶來的規模效應的大小與政府的支持力度。

第二，從經濟環境因子競爭力水平來看，江蘇省內南京、蘇州和無錫三市均位列杭州與天津領頭的第一梯隊，說明江蘇代表城市在經濟環境指標上處于上游，既具備雄厚的資本與較發達的金融市場，又做好了國際化的準備，而相對一線城市較低的運營成本是其金融服務外包產業吸引力的殺手锏。因此，應該發揮好得天獨厚的經濟環境優勢，大力發展金融服務外包產業。

第三，從產業與政策因子競爭力反映情況看，北京、上海和廣州拔得頭籌，南京、蘇州、無錫和常州4市均處于下游水平甚至不及西安與重慶等西部城市。由于蘇州、無錫和常州是二、三線城市，所以金融企業、金融服務外包提供商、相關行業從業人員聚集程度不及北京、上海和廣州為代表的一線城市，甚至低于西安和重慶為代表的西部大城市。在政府支持力度方面，除蘇州有著較強競爭力以外，其余3個城市均有明顯差距。就關聯度數值而言，南京、蘇州、無錫和常州與排名上游城市相比差距并不大，說明從長遠看，江蘇發展金融服務外包產業具有較強的潛力。

第四，就一般競爭力因子而言，南京競爭力較強，蘇州處于中游水平，而無錫、常州處于下游水平。南京科技和信息基礎設施、制度環境、綜合區位方面條件優越，且擁有眾多高校，而且這些高校還有眾多金融、軟件行業相關的本科生、研究生，并擁有眾多國家級的重點實驗室和科研院所，有充足的科技與人才儲備。蘇州、無錫和常州3市雖然沒有眾多的高校和科研機構，但其完備的信息基礎設施，綜合區位和制度優勢在19個城市中也位列前茅。

第五，從綜合競爭力水平看，江蘇樣本在全國各城市排名處于中下游。但省內4市南京、蘇州、無錫和常州各有特色，應發揮其優勢來彌補自身不足，以利于又快又好的發展金融服務外包產業。

參考文獻：

[1]鄧聚龍灰色系統的基本方法[M]武漢：華中理工大學出版社，1986

[2]Padmore，T，Gibson，HModeling Systems of Innovation： A Frame Work for Industrial Cluster Analysis in Regions[J]Research Policy，1998，（26）：625-641

[3]倪鵬飛2011年中國城市競爭力藍皮書：中國城市競爭力報告 [M]北京：社會科學文獻出版社，2012336-374

[4]花橋金融外包研究中心中國金融業服務外包2009年度報告 [M]北京：中信出版社，2009111-128

（責任編輯：徐雅雯）