中國金融科技發展：指數編制、總體態勢及時空特征

王小華，周海洋，程 琳

1. 西南大學經濟管理學院，重慶 400715 2. 西南大學普惠金融與農業農村發展研究中心，重慶 400715 3. 暨南大學經濟與社會研究院，廣東 廣州 510632

一、問題提出

金融科技最早于20世紀90年代由花旗銀行發起的一個發展項目“金融服務技術聯盟”(Financial Services Technology Consortium)提出[1]。全球金融穩定委員會(Financial Stability Board，FSB)于2016年發布的《金融科技的描述與分析框架報告》首次對金融科技進行了定義，即技術推進的金融創新，致使金融與科技相互融合，創造新的業務模式、新的應用、新的流程和新的產品，進而對金融市場、金融機構及金融服務的提供方式產生重大的影響。2019年8月，中國人民銀行印發的《金融科技(FinTech)發展規劃(2019—2021年)》中指出，金融科技旨在運用現代科技成果改造或創新金融產品、經營模式、業務流程等，推動金融發展提質增效。這份引領性文件的發布實施，有力推動了金融科技良性有序發展。中國人民銀行在2021年12月31日印發了《金融科技發展規劃(2022—2025年)》(1)http://www.pbc.gov.cn/goutongjiaoliu/113456/113469/4438627/index.html。，明確到2025年金融科技發展的愿景、原則和重點任務，表明中國金融科技將從“立柱架梁”全面邁向“積厚成勢”新階段，實現金融科技整體水平與核心競爭力跨越式提升。金融科技的加速應用已成為行業共識和現實趨勢，金融行業的格局正在迎來深刻變革[2]，需繼續在構建新發展格局中重塑金融發展新優勢，更高質量為實體經濟提供金融服務。

金融與科技始終相互促進、共同發展，歷次重大科技革命都極大地推動了金融業的進步。所以，一部金融發展史，同樣也是一部科技進步史，科技創新歷來都是金融行業不斷向前發展過程中不可或缺的創新要素。事實上，金融科技在中國是一個伴隨“互聯網+”與金融行業深度結合而快速興起的產業概念，因此與互聯網金融聯系緊密甚至內涵基本一致[3]，主要是指將新的科學技術應用于金融領域，通過改造和創新，融合產生的金融領域新產品、新服務、新模式等，使金融成為具有金融功能的信息產業或信息科技產業。如此一來，市場一般將金融科技概括為“ABCDE”：A是指人工智能(artificial intelligence，AI)，B是指大數據(big data)，C是指云計算(cloud computing)、云存儲(cloud storage)，D是指分布式記賬(distributed accounting)(2)也有學者將分布式記賬與區塊鏈等同。值得注意的是，每個區塊鏈都是分布式賬本，但不是每個分布式賬本都是區塊鏈，只是二者都需要節點間的分散和共識。，E是電子商務(electronic commerce)。其中，大數據在“ABCDE”中最為重要，是所有科技的支點，也是金融服務的基礎。這一系列技術創新日新月異飛速發展，如今，科技創新已經逐漸應用于支付清算、借貸融資、生物識別、電子貨幣、智能投顧、智能合同、保險等領域，對銀行業、保險業、證券業和支付領域的核心功能產生了前所未有的深遠影響[4]。

雖然金融科技主要從互聯網金融衍生而來，但是與互聯網金融相比，金融科技的內涵更為豐富，且更加側重于信息技術和現代科技與金融發展的深度融合。Kondratyev等[5]發現機器學習算法的運用可以助力商業銀行優化資產配置，機器學習算法對于商業銀行管理過程中的精確計算已經必不可少。丁娜等[6]從市場效率的角度進行了深入驗證，發現金融科技關注顯著降低了分析師在股票交易市場的有效信息貢獻。在實踐層面，起初金融科技發展最快、運用最多的只是極個別的金融科技企業，如螞蟻金服、騰訊金融、度小滿金融、京東數科等。近年來，隨著金融科技逐步實現對銀行、保險、證券等各項金融市場業務的覆蓋和對金融服務主體的滲透，金融業也積極擁抱以大數據、人工智能、云計算等技術為依托的金融科技開展行業變革。但是，在金融科技與金融業深度融合的過程中，除了帶來更便利的獲取方式、更高效的市場創新外，也必然會帶來更多的風險和不確定性，因此為金融監管當局的政策制定和制度設置提出了更高的要求[7]，進而產生了有關金融監管的新問題。Arner等[8-9]強調了金融和科技在業態上的密切相關性，并對全球金融科技演進做了階段劃分，探討了監管科技對金融科技產生的深刻變革式影響。楊東[10]認為必須在審慎監管、行為監管等傳統金融監管維度之外，增之以科技維度形塑雙維監管體系，從而更好地應對金融科技所內含的風險及其引發的監管挑戰。張永亮[11]認為在金融科技時代，監管機構應洞察金融科技的本質與風險，調整監管原則，堅守適應性、包容性、實驗性、協調性的監管原則，充分發揮金融科技對中國金融轉型升級的引領作用。

金融科技是互聯網金融發展的下一個階段或者說更高級的階段，近些年來受到了理論界和實務界的廣泛關注。黨的十九屆五中全會中首次提出了“堅持創新在我國現代化建設全局中的核心地位”，同時提出“構建金融有效支持實體經濟的體制機制”(3)http://www.gov.cn/zhengce/2020-11/03/content_5556991.htm。。金融科技作為科技驅動的金融創新，是以科技為支撐點，是技術化、數字化、智能化的金融服務解決方案，其核心在于如何將“技術”行之有效地應用于金融服務之中，旨在用“技術”改進“金融”[11]。如此一來，金融科技發展打破了時空、數量和成本制約，提高了金融服務實體經濟的覆蓋范圍、效率和精確度[7]。科技創新在推動傳統金融行業技術變革中發揮了“鯰魚效應”，通過競爭優化傳統金融機構服務能力，幫助改進現有金融體系[12]，借助科技創新的力量為金融插上強有力的翅膀，確保金融可以更好地發揮媒介交易、動員資金、優化配置、分散風險等重要作用，提升金融資源配置的整體效率，更快地實現金融業高質量發展，更有效地引導金融回歸服務實體經濟，進而推動經濟高質量發展。

2021年是“十四五”開局之年，是中國共產黨成立100周年，是中國現代化建設進程中具有特殊重要性的一年，也是落實《金融科技(FinTech)發展規劃(2019—2021年)》的收官之年。“十四五”時期構建新發展格局，重點要增強自主創新能力，加快科技自立自強。金融科技如今正在成為金融高質量發展的“新引擎”，金融科技服務能力穩步增強，金融風控水平明顯提高，金融監管效能持續提升。但是，現有金融科技的相關研究中，往往根據自己的研究方向來編制特定的金融科技指數，并未在學術界和實務界形成統一的金融科技指數編制標準。本文在梳理關于金融科技指標體系構建和指數測算的研究基礎上，旨在以百度搜索指數為基礎，編制一套可以準確刻畫中國金融科技發展現狀的中國金融科技發展指數，并據此對中國的金融科技發展進行定量刻畫和時空特征分析，識別各地區金融科技發展所具備的優勢或者面臨的障礙，進而為地區促進金融科技健康可持續發展和高質量服務實體經濟提供現實依據。

本文的創新主要在于以下幾個方面：第一，本文的金融科技指數選擇了數據體量更大、更加全面、更具有代表性的百度搜索指數，在金融科技關鍵詞選擇方面也充分考慮了金融科技的含義和維度刻畫，并在數據可獲得性的基礎上化繁為簡，選擇了最本質的金融科技關鍵詞，避免了關鍵詞過多所帶來詞義互相涵蓋的問題；同時考慮到金融科技的多維度與多層次發展情況，最終編制了一套包含直接關鍵詞、技術支持和金融中介服務的3個一級指標、6個二級指標、27個具體指標的金融科技發展指標體系。第二，綜合運用熵值法和層次分析法對2011—2020年中國31個省份(不含港澳臺地區)和332地級市的金融科技發展指數分別進行了科學測度，進一步全面分析了中國金融科技發展總體趨勢和地區差異、地區收斂性和空間關聯性。進行指數測度過程中確定關鍵詞和選擇合適的數據庫是兩個核心環節。指數編制關鍵詞的確定也即篩選能夠有效代表金融科技發展水平的關鍵詞，選擇合適的數據庫的主要原因在于數據庫的數據體量、庫內數據年限都是影響最終測度指數結果的重要因素。所以，本文綜合考慮這兩方面，所測算的金融科技發展指數具有較好的代表性和進一步使用價值。

二、文獻回顧與評述

由于互聯網金融和金融科技發展的特殊關系，在梳理金融科技發展水平測度的文獻時，互聯網金融的概念界定和互聯網金融指標體系的構建為本文提供了很好的借鑒。在其概念界定方面，由于互聯網金融既不同于商業銀行的間接融資，也不同于資本市場的直接融資，屬于第三種金融融資模式[13]，因而，是一種新的金融業態。所以互聯網金融是具有互聯網精神、以互聯網為平臺、以云數據整合為基礎而構建的具有相應金融功能鏈的新金融業態，也稱第三金融業態[14]。在其指標體系構建方面，沈悅等[15]依據金融功能觀確定了支付清算、資源配置、風險管理和網絡渠道4個維度20個關鍵詞的互聯網金融關鍵詞庫，且選用十大常用成語的新聞數目作為新聞總數的代理變量。申創等[16]在進行互聯網金融指數測算的時候，同樣借鑒了沈悅等[15]關于關鍵詞的確定方法，從中國重要報紙全文數據庫(China core newspaper databases，CCND)中獲取相關關鍵詞的原始數據，該數據庫的數據相對于以往數據更加全面且更具代表性。基于互聯網金融發展指數測度的經驗，于波等[17]在進行金融科技指數測算時，在沈悅等[15]確定的支付清算、資源配置、風險管理和網絡渠道四大維度基礎上加入了金融科技底層技術，形成了五大維度的25個與金融科技相關的關鍵詞，其詞頻數據同樣來源于CCND。

通過對以上文獻的初步梳理可以看出，當前對互聯網金融進行測度的研究對其發展維度進行了刻畫，但互聯網金融畢竟不完全等于金融科技，兩者在諸多方面仍有一定的區別。根據金融穩定委員會對金融科技的定義，即技術推進的金融創新，進而形成對金融市場、機構及服務影響重大的商業模式、技術應用及流程創新的新產品服務，這便與互聯網金融有著本質的區別。邱晗等[18]利用郭峰等[19]編制的數字普惠金融指數來代表金融科技發展水平，均分析了金融科技對銀行業的影響，這一指數的確能夠在一定程度上體現金融中介服務的使用水平，但其編制理念更加側重于體現金融的普惠性，缺乏對金融科技的直接指標和底層技術等維度的全面刻畫，故而對金融科技發展水平的代表性相對有限。

金洪飛等[20]在進行金融科技指數測度時，從畢馬威中國的金融科技研究報告中提取了“大數據、云計算、人工智能、區塊鏈、物聯網”5個金融科技關鍵詞來合成金融科技發展指數，他們打破了原有金融科技測度的數據來源限制，同時利用Python網絡爬蟲技術，從網頁中爬取了大量含有“名稱+關鍵詞”的相關新聞結果來構成初始數據庫，這一做法在一定程度上克服了原有互聯網金融或者金融科技指數測度方法的數據庫體量小、涉及范圍小等缺點。李春濤等[21]根據《“十三五”國家科技創新規劃》《大數據產業發展規劃(2016—2020年)》《中國金融科技運行報告(2018)》以及相關重要新聞和會議，從中提取了與金融科技相關的48個關鍵詞，然后將這些關鍵詞與中國所有地級市或直轄市進行匹配，并在百度新聞高級檢索中分年份搜索“地區+關鍵詞”，最后運用網絡爬蟲技術，爬取百度新聞高級檢索頁面的網頁源代碼并提取出搜索的結果數量，并將同一地區層面的所有關鍵詞搜索結果數量加總，得到總搜索量(也即是金融科技指數)。利用網絡爬蟲技術的優點在于能獲得大量、準確的原始數據，就數據源頭而言具有較強的說服力。盛天翔等[22]構建了基本技術、資金支付、金融中介服務和直接稱呼在內的四大維度22個金融科技關鍵詞，他們的數據來源不再是百度新聞發布次數，而是百度搜索指數，收集網民對某一關鍵詞的搜索頻次作為原始數據，所涉及的數據體量更大，更具有代表性。除此之外，丁娜等[6]將金融科技企業發布的報道定義為金融科技關注，然后按季度匯總作為金融科技的發展水平。

通過初步梳理金融科技指標體系構建和測度的相關文獻可以看出，金融科技的指標選擇和指數測度很大程度上仍然受限于關鍵詞原始的數據庫，現有研究主要存在以下三個不足之處：第一，在文本挖掘數據庫方面，現有文獻的關鍵詞數據要么來源于百度網站或者相關新聞發布的數據量，要么來源于CCND數據庫和相關研究報告，而此類數據來源存在數量體量有限、發布內容良莠不齊、涵蓋范圍狹窄、在一定程度上存在新聞信息噪聲等問題，缺乏代表性，難以真正有效反映一個地區的金融科技發展水平。第二，現有的金融科技發展水平測度要么直接運用數字普惠金融指數代替，要么在關鍵詞選擇時為了滿足特定實證研究的需要，指標選擇都具有一定的傾向性。金融科技相關關鍵詞復雜且繁多，沒有形成統一的判斷標準，并且指數測度的時間跨度較窄、具體年限分散，地級市的金融科技指數測度欠缺，導致難以對中國金融科技發展的總體趨勢和地區差異、地區收斂性和空間關聯性等方面進行深入研究。

三、金融科技發展指數的測算

(一)指標體系構建

金融科技指數科學構建的前提是設計一個完整、準確的金融科技指標體系。參考郭峰等[19]數字普惠金融指標體系構建的經驗，本文借鑒了以下指標體系的構建原則：第一，兼顧縱向和橫向可比性。金融科技的發展作為一個動態過程，同一個地區不同年份的金融科技發展狀況有所不同，不同地區同一年份的金融科技發展也有所差異。因此所編制的金融科技指數應該同時具備縱向(時間維度)和橫向(空間維度)的可比性。第二，體現金融科技發展的多層次性。金融科技的發展不僅僅體現在金融科技技術的進步，還應表現為對傳統金融的賦能、促進作用，因此，從金融科技技術以及對傳統金融的推動兩方面來刻畫金融科技發展水平更能體現金融科技水平的綜合性、層次性與科學性。立足以上原則，本文延續已有研究，根據《金融科技(FinTech)發展規劃(2019—2021年)》、《“十四五”國家科技創新規劃》、《中國銀行業轉型20大痛點問題與金融科技解決方案》、相關重要新聞和會議以及現有互聯網金融、金融科技領域的代表性文獻[10，24]，從中提取出與金融科技相關的三大維度27個具體關鍵詞，如表1所示。

表1 金融科技發展指標體系

多個維度的指標選擇是為了保證金融科技發展指標體系構建的多層次性、代表性與綜合性。相比于李春濤等[21]選用的48個金融科技關鍵詞而言，本文只提取出了27個關鍵詞。第一，該論文涉及48個關鍵詞，基本上2/3是偏技術性的關鍵詞，雖然技術支持維度是金融科技發展的最為核心維度，但有關技術性關鍵詞選擇，大數據、人工智能、云計算、區塊鏈、物聯網和生物識別這六大技術性指標事實上基本涵蓋了所有的金融科技發展的底層技術。選擇過多的關鍵詞反而使得研究趨于復雜化，并且容易引起各關鍵詞之間的交叉現象，導致金融科技發展水平的測度不夠精確。不過，該文的關鍵詞選擇比較適合企業創新技術的研究。第二，該文利用基于Python的網絡爬蟲技術，爬取了百度新聞數據作為原始數據庫，這會導致數據存在一定的信息噪聲，但是他們沒有進行較好的處理，而且該文的數據年限較早。第三，因為基礎數據庫的選擇不同，該文所選用的關鍵詞，有一些本文難以獲取，從而難以保證本文數據的完整性與連貫性。

在直接關鍵詞選擇方面，本文主要選用了互聯網金融和金融科技，因為從金融科技的定義和現有文獻來看，雖然學者對金融科技與互聯網金融、金融科技與科技金融等概念并未取得一致認識，但是卻一直認為互聯網金融只是金融科技的一個組成部分，或者說是金融科技的一個發展階段[20]；或者說，金融科技為互聯網金融的較成熟階段，它利用的技術、解決的問題都較互聯網金融要更深入一個層次，不可忽視這種循序漸進的提升[23]。直接關鍵詞之所以沒有選擇數字金融，是因為數字金融和互聯網金融、金融科技之間雖然存在細微差別[24]，但也有著密切聯系。而數字金融類似于金融科技，只不過金融科技的重心在于“科技”，目的是用科技賦能金融[25]。顯然，直接關鍵詞如果選擇了數字金融，必然會與互聯網金融和金融科技發生重疊。從金融中介服務維度方面來看，依據金融功能觀，最終選擇了資金支付、資源配置、信息渠道、風險管理在內的4個方面19個指標。這樣選擇的原因主要有兩個：第一，現有的主流文獻主要注重金融科技技術方面，對金融科技發展水平的綜合刻畫有所不足。金融科技作為一種技術手段最終還是要作用于傳統金融領域，因此融合傳統金融領域的發展也能一定程度上反映金融科技的發展水平。第二，金融科技作為“金融”與“科技”的融合，二者單方面的發展都難以對金融科技發展水平形成完整、全面的刻畫。

為了保證指標體系的縱向和橫向可比性，首先需要保證原始數據的連貫性，最好為時間跨度較長的面板數據。因此，本文通過Python的爬蟲技術獲取了百度搜索指數的原始數據。百度搜索指數反映的是民眾對某一關鍵詞或熱點事件的搜索關注程度，是基于需求導向的數據，并且能較好地處理數據的信息噪聲問題，可以用于現狀追蹤和趨勢預測[26]，得到學術界的廣泛認可。

(二)指數計算

為了使指數測算結果更加科學準確，本文采用主觀賦權與客觀賦權相結合的方法來確定權重。具體而言，先利用熵值法求各具體指標對上一層準則層的權重，再通過層次分析法求各準則層指標對上層目標的權重，最后求得總指數。

1.熵值法

熵值法是一種客觀賦權法，其根據各項指標觀測值所提供的信息的大小來確定指標權重(權重設定參考表1)，既可以克服主觀賦權法無法避免的隨機性、臆斷性問題，又可以有效解決多指標變量間信息的重疊問題。本文對熵值法進行了相關改進，加入時間變量，以此實現不同年份之間的比較，具體步驟如下：

步驟一：對各指標進行無量綱處理。設有r個年份，n個省份，m個指標，則xθij為第θ年省份i的第j項指標的原始數據(r=10，n=31，m=27)。為了避免求熵值時對數的無意義，本文對數據進行了平移。同時為了保證指數的縱向可比，本文選定2011年為基準年，對不同年份不進行單獨的分年無量綱處理。各具體指標都為正向指標。

Xθij={[xθij-min(x11j，…，xθnj)]|[max(x11j，…，xθnj)-min(x11j，…，xθnj)]}+1

(1)

步驟二：確定在第θ年，第j項指標下，省份i的比重(pθij)。

(2)

步驟三：計算第j項指標的熵值(ej)。

(3)

步驟四：計算信息熵冗余度(dj)。

dj=1-ej

(4)

步驟五：計算各指標的權重(wj)。

(5)

步驟六：計算金融科技各具體指標指數(Hi)。

(6)

2.層次分析法

層次分析法是一種系統分析與決策的綜合評價方法，它較合理地解決了定性問題定量化的問題。層次分析法的主要特點是通過建立遞階層次結構，把人們的判斷轉化為若干因素兩兩之間的重要性比較，從而把難以量化的定性判斷轉化為可操作的定量判斷。本文依據金融科技定義在一級指數權重的賦予順序為技術支持>金融中介>直接搜索，二級指數的權重賦予依據金融服務門檻與普及程度由高到低賦予，越容易獲得則賦予權重越低。具體權重設置如表2所示。

表2 金融科技發展指標體系及各維度的權重

在確定各具體指數權重(見表1)與各維度指數權重的基礎上進行指數合成，方法是由下往上逐層匯總，先計算各層分組指數，然后由各層分組指數加權匯總得到綜合指數。根據上述的金融科技指數的指標體系和指數編制方法，編制了中國31個省份(不含港澳臺地區)、332個地級以上城市(區、自治州、盟等，簡稱“城市”)兩個層級的金融科技發展指數，其中指數時間跨度均為2011—2020年。

四、中國金融科技發展的總體趨勢與地區差異分析

(一)中國金融科技發展的總體趨勢分析

計算出金融科技發展指數之后，本文將在所有指數擴大了100倍的基礎上，進一步詳細介紹中國金融科技發展的總體趨勢。2011—2020年中國31個省份、332個地級市的金融科技發展指數逐年均值和中位值分別如圖1所示。從中可以得出，2011—2020年中國省份和各地級市金融科技發展實現了較快速增長，2011年各省份的金融科技發展指數中位值為15.89，到2020年增長到18.15，指數平均每年增長1.42%，其中2017年為最高值19.14；2011年各地級市的金融科技發展指數中位值為17.51，到2020年18.46，平均每年增長0.5%，其中2017年為最高值18.80。總體來看，省級金融科技發展指數與城市級金融科技發展指數增長趨勢相似，2013年前金融科技增長變化不明顯，2013年后金融科技呈現較快速增長，2017—2018年達到極值，而2019—2020年有所下降。2013年后，中國互聯網金融迎來快速發展時期，隨后幾年間金融科技技術也逐漸孕育發展，金融科技發展指數增長變化與中國互聯網金融、金融科技發展現實較為一致。但與互聯網金融相比，金融科技發展速度相對較慢，金融科技發展潛力有待進一步釋放。而2019和2020年金融科技發展水平在2018年的基礎上有明顯的下降，可能的原因有兩點：一是監管機構出于對金融風險防范的深刻認識，自2017年起成立互聯網金融風險專項整治工作領導小組，不斷加強對互聯網現金貸業務、P2P網貸等相關業務的監管力度，讓人們對金融科技的發展有了更加清醒、理性的認識，對金融科技的追求熱度相對有所下降，從而反作用到本研究的搜索數據源。二是金融科技興起之后，尤其是2017年后，金融科技的相關書籍和其他網絡媒體的普及效果較好，對百度搜索獲取這方面知識的行為產生了一定的“替代作用”，也體現為百度搜索指數下降，進而使得以該指數為基礎的金融科技發展指數有一定程度的下降。總的來說，金融科技數據的變化趨勢是符合現實的，這也從側面論證了本文數據以及測算的科學性與可靠性。

圖1 2011—2020年省級和城市級金融科技發展指數的均值和中位值

從金融科技發展分指數來看(結果選用各年度的中位值)(4)篇幅所限，結果留存備索。，2011—2020年技術支持指數幾乎一直保持正向增長的趨勢，但每一年的增長變化幅度相對較小；而金融中介服務指數變化不太明顯，增長較為緩慢。原因主要有以下幾點：第一，本文在層次分析法中賦予技術支持層更多的權重，而金融中介服務的權重相對較小，且對金融中介服務的下一級指標進行了賦權，這就導致金融中介指數相對于技術支持指數、總指數而言有較大的差距。第二，本文依托百度搜索指數數據庫，該數據庫數據主要反映的是某一地區網民對于某一關鍵詞在一定時間內的搜索頻次以及關注程度。就金融中介服務而言，相關關鍵詞出現較早，網民對于其較為了解，不同時間段的搜索詞頻數據變化較小，數據增長趨勢不太明顯；而技術支持層的相關關鍵詞屬于新穎詞匯，且出現時間較短，網民對其追捧熱度較大，不同時間段的搜索詞頻數據變化較大，有較明顯的增長趨勢。就2020年而言，由于受到新冠肺炎疫情的影響，各大金融機構紛紛開展“零接觸式”服務，積極運用大數據、物聯網、人工智能等金融科技技術來服務廣大消費者，導致技術支持關鍵詞關注熱度相對于2019年有較為明顯的上升趨勢。

(二)中國金融科技發展的地區差異分析

2019年8月，中國人民銀行印發的《金融科技(FinTech)發展規劃(2019—2021年)》明確指出，中國金融科技發展不充分不平衡的社會現狀，需要進一步深化金融科技發展。本部分將重點基于2011—2020年中國內地31個省的金融科技發展指數變動趨勢對金融科技發展的地區差異進行詳細分析(具體見表3)。從2011年的情況來看，排名前十的省份里，中西部地區僅有四川進入；東、中、西部地區(5)參考《中國衛生統計年鑒》的劃分，東部地區包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南11個省市，中部地區包括黑龍江、吉林、山西、安徽、江西、河南、湖北、湖南8個省，西部地區包括內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆12個省區市。的金融科技發展指數均值分別為16.77、15.90、15.47，地區之間的發展表面來看較為均衡，但東部地區金融科技發展指數最高的北京與西部地區指數最低的西藏相差3.42，說明各省份之間差異顯著。將當年金融科技發展指數排名前十、后十的省份分別劃分為第一、三梯隊，其余為第二梯隊，經計算得三大梯隊的金融科技發展指數均值分別為16.96、15.89和15.30，可以進一步看出各梯隊之間的差距明顯。2018年排名前十的省份中，廣東于2017年超越北京，位居第一且遙遙領先；東、中、西部地區的指數均值分別為21.66、19.07和17.63，地區之間的差距相較于2011年都有顯著的增長，其中東部地區增長速度最快，排名第一的廣東與西藏的金融科技發展指數相差12.33，區域、省際之間的發展差距快速拉大；該年第一、二、三梯隊的均值分別為22.79、18.82和16.75，與2011年相比，排名越靠前的梯隊發展速度越快，排名靠后的梯隊發展速度明顯較慢，說明金融科技發展的過程中存在明顯的“馬太效應”。2020年排名前十的省份中，廣東、北京、江蘇、浙江、上海始終位居前列，屬于領先梯隊；東、中、西部地區的指數均值分別為20.28、18.44和17.12，廣東與西藏的金融科技發展指數差值降低至9.58，三大梯隊的均值分別為21.20、18.12和16.46，相比于2018年都有合理的回落，且降幅基本與均值相匹配。

表3 2011—2020年中國31個省份金融科技發展指數變動趨勢

從2020年排名變動的具體情況來看，中部地區的安徽和西部地區的四川排名相比于2018年有了顯著提高，前者是因為長三角一體化的規劃和落地過程中，安徽積極參與相關產業鏈和城市群的建設，建立了與金融科技發達地區的利益分享機制，聚焦金融科技前沿領域發展；四川則是以成都為代表的城市率先跟進領先梯隊的發展步伐，在全國范圍內領先出臺了《關于推進普惠金融發展的實施意見》(6)http://gk.chengdu.gov.cn/govInfoPub/detail.action?id=96123&tn=6。《網絡信息安全產業發展規劃(2018—2022)》(7)https://www.scba.org.cn/?list_16/28.html。和《關于支持金融科技產業創新發展的若干政策措施》(8)http://www.cdqingyang.gov.cn/qingyangqu_wap/c101405/2019-06/06/b188ca3f84b44ce4b7ea232941355390/files/2d8e5190147- b46838cee656b5b47e27b.pdf。等一系列政策安排，通過多項舉措穩妥積極推進金融科技的發展。而以重慶為代表的部分地區金融科技排名與2018年相比出現了明顯下滑，可能原因是其在早期的發展過程中，在諸如現金貸的業務中出現了“套路貸”等不良現象，監管機構深入相關領域開展整頓監督工作，范圍不斷擴大，整頓力度不斷加強，對于金融科技和創新的態度相對謹慎，嚴控潛在的風險和不確定性。另外，無論是2011年還是2018年，排名前六的省份均位居東部沿海地區，唯有四川省在2011和2018年分別排名第九和第八，2020年則進一步上升到了第六，始終都是西部地區中唯一入選前十的省份，這一結果與《2020天府·中國金融科技指數》(9)https://www.scaft.cn/fintech/dynamic?mid=19。匯報的結果大致相同，因為該指數從行業基礎環境、科學技術資源、金融科技市場三個維度全面考察了當前國內金融科技行業的發展情況，具有一定的代表性，這進一步反映了本研究有關的金融科技指數編制的科學性與測算的可行性。與此同時，各年度排名最靠后的地區并未發生變化，順序一致。

與中國大多數地區的經濟發展特征一樣，金融科技發展程度在地區間也存在一定的差異。2018年中國金融科技指數得分最高的廣東是得分最低的西藏的1.81倍，得分最高的深圳市是得分最低的果洛藏族自治州的1.83倍，這充分說明了中國各省份之間、各地級市之間的差距相對較大，也即金融科技發展具備較弱的地理穿透性。

五、中國金融科技發展：空間特征分析

(一)中國金融科技發展的地區收斂性分析

為了更加嚴謹地論證地區金融科技發展指數差距的時間趨勢，本文利用σ收斂、絕對β收斂對金融科技發展的地區收斂性進行檢驗。σ收斂是針對存量水平的刻畫，是指不同地區金融科技發展水平的離差分布狀況及其動態變化過程。如果地區金融科技發展水平的離差隨時間的變化逐漸縮小，則可以認為地區金融科技發展水平存在收斂性，即不同地區的金融科技發展水平會越來越接近，地區差距逐漸減小。絕對β收斂指每一個地區的金融科技發展水平最終都會達到一個完全相同的穩態增長速度和增長水平。絕對收斂的回歸系數顯著為負就說明存在絕對收斂。

有關收斂性的檢驗一般采用變異系數計算的統計指標，變異系數計算結果與熵值法結果基本相似，因此本文也采用金融科技發展水平的變異系數計算結果來檢驗收斂性。具體的σ收斂、絕對β收斂模型如下：

(7)

其中，i代表地區，n代表地區數量，t代表年份，xit代表t年i地區的金融科技發展指數對數值，σt代表t年時金融科技發展指數的σ收斂檢驗系數。

為了方便計算和克服商業周期的影響，本文專門劃分了三個時間段：2011—2013年、2014—2017年、2018—2020年。y3、y1分別對應2011—2013年和2018—2020年的平均值，兩個時間段中間點相隔7年，用對數值的差除以7換算成每年的平均增長速度。

(lnyt-lny0)/τ=α+βlny0+ε

(8)

(lny3-lny1)/τ=α+βylny1+ε

(9)

β=-(1-e-λτ)/τ，τ=7

(10)

絕對β收斂速度指落后地區金融科技發展水平追趕先進地區金融科技發展水平的速度，通常用百分比表示。比如1%指的是地區每年能夠縮小實際金融科技發展水平與穩態水平之間差距的1%，也就是說實際金融科技發展水平每年向穩態金融科技水平靠近的幅度是1%。絕對β收斂的收斂速度λ根據Mankiw等[27]的研究計算得來。

2011—2020年的省級和城市級金融科技發展指數的逐年σ收斂系數見表4，從中可以得出，2018年以前的省級和城市級中國金融科技發展指數的σ收斂系數逐漸變大，說明不存在σ收斂，各地區之間的差異在逐漸變大，但是2019和2020年省級城市級收斂系數在2018年的基礎上有明顯的下降，地區之間的發展差異有明顯縮小的趨勢。可能原因有以下幾點：第一，金融科技是技術推動的金融創新，經濟越發達的地區對人才的吸引力度越大，相關金融科技人才精英也就聚集越多，地區的金融科技發展水平也就相對較高，對于經濟欠發達地區而言，由于經濟較弱和人才欠缺，金融體系發展不完善等因素，金融科技發展水平相對較低。第二，金融科技發展時間相對較短，相關金融科技的技術紅利與潛力還沒有完全釋放，地區之間潛力釋放差異較大，導致金融科技發展水平差異較大。第三，隨著經濟的不斷發展、技術的溢出效應進一步凸顯和金融科技熱的逐漸消散并進入理性認知階段，2018年之后，金融科技發展水平落后的省份和城市得到了進一步發展，所以收斂系數相對有所下降。

表4 2011—2020年省級和城市級金融科技發展指數σ收斂系數

本文對絕對β收斂模型進行了最小二乘法(OLS)回歸，回歸結果如表5所示。2011—2020年省級和城市級的β系數均顯著為正，說明省份和城市的金融科技發展水平是顯著發散的，不存在絕對β收斂，與上文σ收斂檢驗一致，側面說明了本文檢驗結果的準確性。同時從λ的結果可以得出，省級的發散速度為每年16.13%，城市的發散速度為每年11.69%。但是從表4中σ收斂系數的變化趨勢和圖1中金融科技的中位值、均值來看，不管是省份還是城市的系數，抑或是金融科技的中位值和均值，都在2018年后出現了明顯的下降，所以在討論β收斂時有必要將2011—2020年進行階段性劃分。從表5的結果來看，不管是省級和城市級的β系數還是λ的結果，在兩個階段表現出了截然不同的情況。其中，省級和城市級金融科技的β系數在2017年以前都是顯著為正，但是2018年之后都變成顯著為負；省級和城市級金融科技的λ結果在2017年以前均為負，2018年之后都為正。這說明2018年之后的省級和城市級金融科技發展水平是顯著收斂的，其中省級金融科技的收斂速度為24.97%，城市級金融科技的收斂速度為20.58%。

表5 絕對β收斂檢驗OLS回歸結果

從上述中國金融科技發展的地區收斂性分析可以發現，不管是針對省級數據還是城市級數據，其絕對β收斂檢驗與σ收斂檢驗結果基本趨于一致，也即是說中國金融科技的發展在2017年以前是明顯發散的，地區之間的差距在逐漸擴大。劉傳明等[28]對中國八大城市群互聯網金融發展的收斂性研究發現，一部分城市的互聯網金融發展水平是發散的，這與本研究2017年的金融科技發展的收斂性結果相同。顯然，2018年及以后的金融科技發展在地區間又表現為明顯的收斂，這與國內近年來各地區P2P被取締、金融科技創新日趨規范、人們對金融科技的認識逐漸理性密不可分。

(二)中國金融科技發展的空間關聯性分析

前文討論了中國金融科技發展的地區收斂性，發現金融科技發展總體上是發散的，具備較弱的地理穿透性，說明其發展變化受到一定的地理區位影響而明顯存在空間相關性。此外，金融科技與數字金融有著必然的聯系，而數字金融的發展仍然要依賴實體經濟和傳統金融。所以，金融科技發展也與實體經濟和傳統金融發展相似，存在一定的空間相關性。結合以上兩方面的考慮，研究金融科技發展的空間特征具有一定的理論價值與實踐價值。和大多數研究一樣，本文主要采用空間莫蘭指數對省域金融科技的空間相關性進行檢驗，計算莫蘭指數的過程中，主要采用地理距離矩陣，即空間權重矩陣的元素為兩地區距離平方的倒數，表示金融科技發展隨著地理距離的擴大，各地區間金融科技發展的影響程度將逐漸減小。

中國2011—2020年金融科技發展水平的全域莫蘭指數值見表6。總體而言，中國金融科技發展水平在省級層面和城市級層面的全域莫蘭指數均為正值，說明中國金融科技在2011—2020年始終表現為空間正自相關關系，不存在明顯的交叉分布或均勻分布的特征。即相鄰區域之間的金融科技發展具有相似屬性。從顯著性上來看，省級數據計算的全域莫蘭指數只有2016和2017年不顯著，而城市級數據計算的全域莫蘭指數均顯著，指數數值越大說明空間分布的正自相關性越強，集聚的強度也就越強。這說明金融科技發展在省份之間和城市之間具有顯著的空間集聚效應，但是各省份內部城市之間的發展水平和省份之間的發展水平程度不一，即金融科技具備較弱的地理穿透力，城市之間的輻射能力較強，而省份之間的輻射能力較弱。

表6 2011—2020年中國金融科技發展的全域莫蘭指數

1.中國省級金融科技發展的空間關聯性分析

結合2011、2018和2020年省份金融科技發展指數莫蘭指數的散點圖，可以得到中國金融科技發展的空間相關模式(見表7)。不難看出，各個省域的金融科技的分布特征可分為4種空間相關模式：第1象限表示金融科技高發展水平省份被其他金融科技高發展水平省份所包圍(HH模式)，代表正的空間自相關關系的集群(即空間依賴性)；第2象限表示金融科技低發展水平省份被其他金融科技高發展水平省份所包圍(LH模式)，代表負的空間自相關關系的集群(即空間異質性)；第3象限表示金融科技低發展水平省份被其他金融科技低發展水平省份所包圍(LL模式)，代表正的空間自相關關系的集群(即空間依賴性)；第4象限表示金融科技高發展水平省份被其他金融科技低發展水平省份所包圍(HL模式)，代表負的空間自相關關系的集群(即空間異質性)。不難發現，2011、2018和2020年中國31個省份的金融科技發展水平的空間相關模式大致相同，都是大部分位于第1象限和第3象限，即金融科技發展呈現出HH和LL兩種模式的分化，只有少數省份位于第2象限和第4象限。

以2020年為例，金融科技各省份分布的67.74%顯示出正的空間相關性，其中10個省份位于第1象限(HH)，11個省份位于第3象限(LL)。因此可以進一步認為，中國金融科技發展水平存在著明顯的地理空間分布上的依賴性，也就是說往往存在金融科技發展水平高的省域與其他金融科技發展水平高的省域和金融科技發展水平低的省域與其他金融科技發展水平低的省域分別發生集聚，呈現出明顯的正向空間依賴性，而較少地表現出空間異質性。另外，從表7中還可以看出，東部地區發達省份除北京、廣東外的省份全都位于第1象限，這些省份本身與周邊省份都有較高的金融科技發展水平；中部地區的省份除山西以外，則主要分布在第1象限；西部地區的省份集中分布于第3象限，也就是說西部地區的省份本身與周邊省份都處于較低的金融科技發展水平。

表7 中國金融科技發展的空間相關模式

2.中國城市級金融科技發展的空間關聯性分析

根據2011和2020年的中國城市金融科技指數、技術支持指數、金融中介服務指數和直接搜索指數的莫蘭指數散點圖(10)由于篇幅限制，2011和2020年中國城市金融科技指數、技術支持指數、金融中介服務指數和直接搜索指數的莫蘭指數散點圖省略，留存備索。可以發現如下規律：一是4種莫蘭指數中大多數城市位于第1象限和第3象限，莫蘭指數顯著為正，說明中國的城市金融科技發展水平存在空間正自相關。二是空間自相關現象以集聚在第3象限為主，即大部分城市的金融科技發展呈現出低—低集聚的形態，說明中國城市金融科技的總體發展水平仍有待提高。三是落在第1象限HH模式集聚的大部分是東部沿海發達城市，如深圳、廣州、南京、杭州等，這些城市經濟發達，對金融科技人才吸引力大，金融科技發展水平高，且集聚效應顯著。較少一部分落在第4象限HL模式集聚板塊的城市主要為中西部省份的省會城市，如蘭州、成都、武漢、昆明等，說明中西部省份內部和城市之間的金融科技發展水平差距相對較大，主要表現為金融科技相關建設與投入更多地集中于省會城市，周邊城市金融科技發展水平低。

對省份和城市進行空間集聚性檢驗的結果基本相似，這有力地說明了金融科技發展水平存在一定的空間集聚性與空間相關性，主要體現為沿海地區與中西部地區的差異，與中國經濟發展、傳統金融的空間集聚相似。

(三)中國金融科技發展的空間異質性

為了更加直觀地觀察金融科技發展的空間異質性、空間分布特征和時空演化特征，一方面運用ArcGIS基于省級數據和城市級數據繪制了2011、2018及2020年3個代表性年份的省級和城市級金融科技發展情況；另一方面運用Python自帶的Pyecharts模塊，分別基于省級數據和城市級數據繪制了2011—2020年金融科技發展的動態地圖(11)由于篇幅所限和Pyecharts繪制的圖形以離線網頁格式顯示，各種圖留存備索。。

依照郭峰等[19]的做法，將其進行了梯隊劃分。2011和2020年的梯隊分類標準都以當年指數最高的城市指數值為基準，將排序在基準值80%范圍內的城市列為第一梯隊，70%～80%、60%～70%分別為第二、三梯隊，60%之后為第四梯隊。可以看出，2011年的城市金融科技發展水平基本都屬于第一梯隊，而發展到2018年(因為2020年的金融科技發展指數比2018年有明顯的下降，通過顏色進行梯隊劃分不再能看出明顯的差別，所以在此重點分析2018年情況)，不管是省份還是城市金融科技指數都表現出了明顯的梯隊劃分情況，并且不同省份之間和不同城市之間的金融科技發展水平差距明顯擴大。城市金融科技指數的極差達到了14.14，其中第一梯隊主要集中在長三角、珠三角以及其他個別大城市，第二梯隊主要集中在浙江、江蘇、山東、廣東沿海地區的城市和中西部地區的一些省會城市，其他大部分城市主要分布于第三梯隊和第四梯隊。

從空間變化趨勢中可以得出以下結論：第一，各地區的金融科技發展水平之間的差距都在隨著時間的變化在逐漸擴大，并且省份之間的差距相對于城市之間的差距更加顯著，總體上呈現出明顯的東南沿海向內陸逐步遞減的階梯性變化。截至2020年，金融科技發展的高水平區主要還是集中于東部沿海，對內陸地區的滲透作用十分有限，其發展潛力還有待進一步釋放。第二，從金融科技發展水平的梯隊圖趨勢來看，“胡煥庸線”成為地區金融科技發展分異的分界線，該線以東地區的金融科技發展水平明顯更高且發展速度較快，并且前三梯隊幾乎都位于胡煥庸線的東側；而胡煥庸線以西地區的金融科技發展水平相對較低，體現為第四梯隊的城市始終分布于該線西側。這說明金融科技發展的觸達性和地理穿透性主要適用于經濟較發達地區，而經濟欠發達地區就相對較弱，往往被地理區位以及經濟區位所限制。

六、研究結論與展望

在借鑒現有互聯網金融、數字普惠金融和金融科技指數編制的文獻基礎上，本文編制了一套可以準確刻畫中國金融科技發展現狀的金融科技發展指數，并以百度搜索指數為基礎，綜合運用熵值法和層次分析法測算了2011—2020年中國內地31個省和332個城市的金融科技發展指數。在此基礎上，重點對中國的金融科技發展進行了定量刻畫和時空特征分析，結論如下：(1)2011—2020年中國的金融科技水平實現了顯著增長，得益于互聯網金融的跨越式發展，金融科技發展水平在2013年后增速加快，其中技術支持指數增長最為迅速，對金融科技的發展貢獻突出。(2)金融科技發展的收斂性在2017年前后表現為明顯的階段性特征，2017年以前地理穿透性弱，二元結構特征明顯，地區之間的差距在逐漸擴大；2018年以后呈明顯的收斂趨勢，發達地區之間地理穿透性變強，地區之間的差距縮小。(3)經濟發達地區天然地具備了發展金融科技的先行優勢，其發展過程存在“馬太效應”，而中西部地區仍然受限于地理或經濟因素，與東部地區之間的差距逐漸增大，未來需要密切關注落后地區金融科技的技術紅利與潛力釋放問題。(4)金融科技發展水平存在明顯的空間相關性，表現為沿海地區與中西部地區之間的巨大差異和發展水平相近的省份存在空間依賴性，中國地區經濟發展、傳統金融的空間集聚相似，并且金融科技發展水平呈現明顯的東南沿海向內陸的階梯性變化，而“胡煥庸線”成為各梯隊之間的明顯分界線。

本文力求以科學客觀的方法編制中國金融科技發展的指標體系，并運用科學的測度方法和可靠的基礎數據從省域和城市層面分別測度中國金融科技發展水平，初步探討了中國近年來金融科技發展的總體態勢和時空特征。但是，由于目前各界對于金融科技并未形成統一的定義，金融科技的實踐發展又明顯快于理論研究，在實踐和理論方面與相近概念的邊界也尚有不明晰之處。就本文而言，雖然在選擇關鍵詞和指數編制方法等關鍵流程進行了反復推敲，但在構建指標體系的時候，確實很難真正做到全面、準確地描述中國金融科技發展的全貌和細節，其實這也是各大類指標體系構建的共同問題。如本文僅選擇了27個金融科技關鍵詞，并不能做到全面反映中國金融科技發展的完整圖景和細節。又如在關鍵詞篩選的時候保留了“區塊鏈”，但是去除了“分布式計算”，二者之間的含義基本上是可以互換的，具體使用取決于個人偏好，所以難免導致那些使用“分布式計算”的新聞報道無法被代表。綜合來看，如果對這些同義的關鍵詞都進行保留處理，會導致關鍵詞過于繁雜，必然就存在部分詞義互相涵蓋、重復計算的情況，也會得到不準確的結果。

當然，筆者有理由相信本套指數可以為中國金融科技的發展趨勢和地區差距等問題的研究提供有益借鑒，也可給后續相關研究提供必要的參考，并且隨著對金融科技的認識加深、數據處理技術持續進步和數據的可得性進一步保證，有關金融科技的研究必然日臻完善。更重要的問題在于，我們需要清楚地看到金融科技在迅猛的發展過程中，既取得了可喜的成就，同時也遭遇了很大挑戰，甚至產生了嚴重的問題，并導致了困惑、爭議乃至誤區。未來有關金融科技的相關研究，應該更加關注什么是真正意義上的金融科技，科技和金融的關系到底應該是什么樣的，金融科技在未來的“新金融”中如何定位，如何避免金融科技發展再次陷入“雷區”，金融科技在提升企業發展能力和信用水平方面如何更有效地發揮作用，金融科技如何破解普惠金融發展悖論而更好地服務中小微企業和弱勢群體，在高質量發展中推進共同富裕邁出更堅實步伐。