中国城市间金融网络的空间演化及其影响因素

张 杰，盛科荣，王传阳

（山东理工大学经济学院，山东 淄博 255012）

伴随着改革开放的深入推进，中国金融业不断发展壮大，近40年内成长起来如工商银行、平安保险、国泰君安等一大批本土大型金融业企业集团。中国人民银行网站①http://www.pbc.gov.cn/goutongjiaoliu/113456/113469/3993266/index.html。发布的公告显示，截至2019年末，中国金融业企业总资产达318.69万亿元，超过当年中国GDP的3倍。与此同时，这些金融业企业的空间组织发生了深刻的变化，分支机构布局快速扩张，国家层面金融市场一体化进程大大加快，逐步形成了覆盖银行、证券、保险、基金、期货等领域，种类齐全、竞争充分的金融机构体系（易纲，2019）。在大型金融业企业跨多区位空间组织发展的带动下，中国城市之间的经济联系得到快速发展，城市可以在更大的空间尺度上通过规模借用、知识流动、经验交流、相互协作来提高城市的经济绩效（盛科荣等，2021），城市的空间结构正在由中心地模式下的等级空间联系向网络模式下的多维空间联系转变（王士君等，2019）。基于金融业企业网络视角的城市网络研究已经成为国内外经济地理学者关注的热点。

近年来，相关研究主要集中在2个维度。一是聚焦于单一行业企业网络视角的研究，如马学广（2017）、邹小华（2019）等基于银行分支机构网络视角研究了中国城市网络的关联结构及演变特征，指出京津冀、长三角和珠三角之间的联系构成了中国城市网络的主干，城市节点度和网络密度以胡焕庸线为界的地区差异特征显著增强；Pan等（2016）利用风险投资公司数据构建城市间投资网络研究了中国金融中心的地理格局，发现北京、深圳和上海在中国风险投资中处于领先地位；刘丙章等（2020）指出市场机会、区位效应和金融集聚是近20年来影响在华外资银行空间网络的主导因素；季菲菲等（2014）解析了长三角地区金融机构网络的扩张机理，发现政策导向、择优链接和路径依赖对于金融网络的空间扩张起到明显的推动作用；詹璇等（2016）揭示了银行网点分布与公共交通网络的耦合关系具有一定的空间不平稳性和空间异质性特征。另一些学者注意到了国内金融网络扩张与世界城市网络的联系特征，如Rossi 等（2005）通过对巴西31家国内外大型银行组成的全球分支机构网络的研究发现，圣保罗在全球金融网络联系中处于主导地位的同时，其他中等规模城市的国内外联系也得到了加强；薛德升等（2018）基于中资商业银行的世界城市网络研究同样发现，中国大陆城市与境外世界城市的联系显著增强，呈现出向顶级金融中心以及北美、西欧和亚太3个核心地区集中的趋势，并逐渐向全球范围延伸。

二是聚焦于多行业企业网络视角的研究，如尹俊（2011）、Derudder（2013）、赵金丽（2019）等基于银行、保险、证券等细分行业中大型金融机构总部—分支区位数据研究了国家层面上城市网络的链接关系及时空过程，指出金融联系视角下城市的网络连接度与城市的重要性密切相关，城市在网络中的相对连接率随着城市重要性的下降而递减，且银行业与保险业之间以高层级金融联系为主，证券业之间多为低层级金融联系；Pan 等（2017）从APS 企业（如证券公司、律师事务所及会计事务所）在上市公司首次公开发行（IPO）过程中提供服务联系的视角研究了中国城市网络的权力地位与层级特征，发现北京、深圳和上海在中国城市网络中处于战略主导地位，三者间紧密的合作与竞争关系构成了国家的控制中心和金融中心；Coe 等（2014）将金融引入全球生产网络的研究中，萃取出全球金融网络的概念，探讨了全球金融网络与全球生产网络的互动关系，指出高阶商业服务、世界城市和离岸行政区是全球金融网络的3个核心要素；Brown等（2002）基于中美洲地区的研究发现，部分处在世界城市网络核心区块之外的城市，同样可以通过与纽约、迈阿密等“世界城市”以及“区域性门户城市”建立服务联系流，从而连接到世界城市网络中；Bassens 等（2010）通过对伊斯兰国家金融机构的全球分支网络研究发现，其主要金融联系存在于伊斯兰国家重要城市之间，以及这些城市与纽约、伦敦等少数顶级全球金融中心城市之间。也有学者从区域尺度对金融网络展开研究，如温锋华等（2017）分析了京津冀地区城市金融服务功能集聚与网络联系特征，朱惠斌等（2015）揭示了珠三角地区金融网络的多中心和层级性特征，龙飞扬等（2019）探究了江苏省金融联系网络的时空演化规律及其影响因素。上述研究加深了对金融网络发展规律的认识，但总体上，现有文献更多是基于单一行业视角或提取高层级联系的多行业视角，对金融网络生长发育作用机理的解析力度稍显不足，基于金融全行业视角城市网络的构建以及城市网络发育机理的探讨亟待加强。

鉴于此，本文借鉴世界城市网络的分析方法，利用中国金融业企业总部—分支机构数据，探讨中国城市间金融网络的演化规律及其作用机理。以期丰富和加深对中国城市网络结构特征的理解，补充和完善金融地理学的相关研究，为城市网络理论体系的构建与发展提供参考。

1 数据与方法

1.1 城市间金融网络的构建

采用Taylor 等（2004）提出的链锁网络模型（Interlocking network model）界定城市间链接关系，即如果企业s在城市i和城市j同时设立分支机构，则认为城市i和城市j之间存在经济联系。金融业企业样本共计839家，包括193家银行（含6家国有大型商业银行、12家股份制银行、134家城市商业银行和41家外资法人银行）、236家保险公司、133家证券公司、128 家基金公司和149 家期货公司。其中，银行和保险公司名单来源于中国银行保险监督管理委员会网站②http://www.cbirc.gov.cn/，证券公司、基金公司和期货公司名单来源于中国证券监督管理委员会网站③http://www.csrc.gov.cn/。金融业企业分支机构的数据主要根据“启信宝”网站④https://www.qixin.com/提供的关系图谱整理，共计155 917家，并结合各个公司的年报数据进行了校准，确保数据的可靠性和完整性。城市样本为中国大陆285个地级行政区，不包括30 个自治州、8 个地区、3 个盟以及三沙市等8个缺乏完整属性数据的城市。在此基础上，构建一个由285 个城市和839 家金融业企业组成的2-mode 服务价值矩阵V。矩阵V中的值vis为企业s在城市i的服务值，参照Taylor等（2004）的做法，将服务值划分为5个等级，每个等级机构依据其重要性进行区间赋分。其中，总部为4，省级分支为3，市级分支为2，营业部为1，无分支机构为0。

链锁网络模型的关键在于其映射功能，通过企业作为中介，可以将2-mode的城市-企业关系矩阵（285城市×839企业）转化为1-mode的城市-城市关系矩阵（285城市×285城市）。由此得到城市i和城市j之间的网络连通度（Taylor et al.,2004）：

式中：vis和vjs分别代表企业s在城市i和城市j的服务值。基于金融业企业和其分支机构的成立时间，可以建立多个年份的城市关系矩阵，选取2001 和2019年2个时间断面构建城市间金融网络，用以揭示中国城市间金融网络的空间格局和演化特征。

1.2 金融网络空间结构的分析方法

1.2.1 连通度 城市i的总连通度计算公式为（Taylor et al.,2004）：

式中：CDCi-j表示城市i和城市j之间的网络连通度，因为城市i最多有n-1 个这样的连接，对城市i与其他所有城市之间的联系值进行加总，可以得到城市i的总连通度。

1.2.2k-核k-核是建立在点度数基础上的凝聚子群分析方法：如果一个子图是k-核凝聚子群，则该子图中每个节点（城市）都至少与该子图中的其他k个节点（城市）保持联系。本文k-核凝聚子群分析建立在2019年的二值对称矩阵的基础上，为此以网络平均密度作为截断值对285×285无向多值矩阵进行二值化处理。k-核作为凝聚子群的一种分析方法，其优势在于可以根据不同的k值得出不同的k-核凝聚子群，便于揭示节点（城市）间链接强度的分层结构特征（盛科荣等，2019）。

1.2.3 核心—边缘方法 核心—边缘结构分析可以根据节点联系的紧密程度将网络划分为联系紧密的核心区块与联系稀疏的边缘区块。采用Borgatti 等（1999）提出的离散模型识别城市网络的核心—边缘结构，离散模型同样建立在二值矩阵的基础上。离散模型的基本思路是寻找一个二值的模式矩阵，使得二值的观测矩阵和模式矩阵的相关系数达到最大。估计观测矩阵与模式矩阵相关性的方法为：

式中：aij表示在观测矩阵中城市i和城市j之间是否存在联系，如果存在关系，则aij= 1，否则aij= 0；δij表示模式矩阵中城市之间是否存在联系，如果存在关系，则δij= 1，否则δij= 0；ci(cj)表示城市i(j)被分配到的区块（核心或边缘）。当观测到的网络结构与理想的模式矩阵的相关系数达到最大时，即当ρ值给出最高的z分值时，可以识别出城市的网络地位，从而将网络结构划分为核心区块和边缘区块两部分。

核心度的计算基于连续型的核心—边缘结构模型（Borgatti et al.,1999），模式矩阵定义为：

式中：c代表每一个节点核心度的非负向量。核心度的范围是0～1，核心度越大，意味着城市在网络中拥有的权力越大。

1.3 金融网络影响因素的计量方法

采用非参数检验方法中的二次指派程序（Quadratic Assignment Procedure,QAP）回归分析方法定量识别城市间金融网络的影响因素。与传统的OLS方法相比，QAP回归分析方法无需满足自变量之间相互独立的前提条件，能较好地处理模型的多重共线性问题，其结果也更加有效和稳健，因而更加适用于以“关系型数据”为基础的假设检验（高鹏等，2019）。具体分析步骤为：首先，对被解释变量矩阵和解释变量矩阵对应的长向量元素进行常规的多元回归分析，得到实际参数估计值和判定系数R2；其次，同时随机置换解释变量矩阵的各行与各列，重新进行估计，保留所有的估计系数和判定系数R2；最后，多次重复上述置换步骤，计算随机置换次数中大于或等于第一步计算得到的实际参数估计值的比例，从而估计统计量的标准误，完成显著性检验（邵汉华等，2018；冯颖等，2020）。

2 中国城市间金融网络的空间格局

2.1 金融网络的中心性体系呈现空间指向和路径依赖的特征

从图1可以看出，网络连通度较高的城市大多数是区域城市群的核心城市和传统意义上的权力中心，具有显著的空间指向性，如京津冀城市群的北京、天津，长三角城市群的上海、苏州、杭州，珠三角城市群的广州、佛山、深圳，成渝城市群的成都、重庆，辽中南城市群的大连、沈阳，长江中游城市群的武汉、长沙，山东半岛城市群的青岛、济南以及海峡西岸城市群的厦门、福州。这种权力格局的演化呈现路径依赖的特征，即2001年网络连通度较高的城市在2019 年也具有较高的网络连通度：2001-2019年，仅有佛山1个城市退出了网络连通度排名前10 位，而深圳进入了网络连通度排名前10 位（表1）。西部地区城市（除了昆明、乌鲁木齐等个别城市以外）的网络连通度明显偏低，说明这些城市在金融网络权力中处于边缘位置。进一步构建首位度、10 城市指数、赫芬达尔-赫希曼指数3 个指标测度城市网络权力的集中度，这3 个指标分别由2001 年的0.026 5、0.194 0、0.007 8 演化为2019 年的0.024 4、0.166 1、0.006 6，反映了中国金融网络呈明显集中但缓慢下降的中心势趋向。

图1 中国城市间金融网络空间格局（网络连通度＞100 000）Fig.1 The linkage patterns of urban financial network in China(city-dyad connectivity above 100,000)

表1 金融网络的层级分化Table 1 Hierarchical differentiation of financial network

2.2 金融网络的链接关系呈现纵深关联和层级分化的特征

随着金融业企业设立越来越多的分支机构，金融网络的关联性得到提高：2001-2019 年，网络密度由6 360.39 增加到14 600.65；原有的40 470个城市对之间的链接关系得到强化，联系值总量由257 405 079 增加到590 888 553。与此同时，城市间金融网络的可达性也在不断提升，网络平均路径长度、 紧凑度（compactness） 和离散度（breadth）分别由2001 年的2.000、0.502、0.498 变化为2019年的1.947、0.527、0.473。k-核分析结果表明（表2），金融网络存在5种分区：6-核子群由北京、上海、深圳等11个城市构成，5-核子群由18个城市构成——包括6-核的11个城市以及大连、宁波等7 个网络连通度相对较低的城市，3-核子群由24个城市构成——包括5-核的18个城市以及长沙、昆明等6 个网络连通度更低的城市，以此类推，2-核子群共有30个城市，1-核子群共有34个城市。可以看出，k-核子群呈现“金字塔”式的分布特征，度数较低的k-核子群逐层递减式地构成度数较高的k-核子群，这意味着中国城市间金融网络链接强度存在明显的层级分化，并且这种特征将随着金融业企业分支机构的设立持续呈现。

表2 k-核的分析结果Table 2 Results of k-cores analysis

2.3 金融网络的核心—边缘结构呈现逐渐深化和有序分布的特征

从2001-2019 年，核心地位的城市数量由17个扩张到25个（表3）。核心地位城市的演化呈现2个显著特征：一是核心城市增长同样也具有明显的路径依赖特征，那些长期处于核心地位的城市倾向于一直保持着核心地位：2001年核心地位的城市包括上海、北京、重庆、广州等17 个城市，2019 年的核心城市中增加了南京、昆明、青岛等8个城市，这意味着金融业的发展强化了现有中心的地位，并开始向外逐步扩张。二是核心地位的城市也呈现等级次序的分化，北京和上海的核心度明显高于其他城市，北京是全国的政治决策中心，吸引了包括四大国有银行在内的142家金融业企业的集聚，上海是交通银行、太平洋保险、国泰君安等182家金融业企业总部以及上海证券交易所的所在地，北京和上海承担着全国性金融服务枢纽城市的功能。值得注意的是，尽管核心区块的城市数量是增加的，但城市的核心度大多是降低的，这可能意味着城市网络权力的分布转向功能性的多中心格局。

表3 金融网络的核心—边缘结构Table 3 The core-periphery structure of financial network

3 中国城市间金融网络影响因素

3.1 变量选取

本文被解释变量为2019年金融网络关系矩阵，具体包括多值无向金融网络关系矩阵和二值无向金融网络关系矩阵2种类型，其中二值无向金融网络关系矩阵通过对多值无向金融网络关系矩阵采用金融网络平均密度为截断值进行二值化处理获得，用以检验估计结果的稳健性。

在基于链锁网络模型构建的金融网络中，城市网络关系起源于金融业企业总部和分支机构之间的经济联系，因此金融机构不同地理位置的区位选择行为构成理解金融网络关联格局的微观基础。Porteous（1995）的信息腹地理论（the information hinterland theory）提供了一个理解金融机构区位选择的综合分析框架。根据该理论，信息流的可达性是影响金融机构区位选择以及金融中心发育过程的关键因素。这种可达性可能受先天的地理区位优势影响，但同样也会被后天形成的城市属性联系所改变，如市场潜力、政治资源、知识资本、经济开放、交通联系、地理区位等。一方面，金融机构往往持有大量利率敏感型资产，宏观经济、财政政策、货币政策、行业条件、公司情况等都会影响公司的预期现金流和投资者的必要收益率，从而影响金融机构的利润，这要求金融机构接近规章信息的发源地。另一方面，金融机构的收入来源有投资银行业务、经纪业务、保险业务等，金融机构必须和发行公司、投资者之间保持密切的联系，这要求金融机构接近规模较大的市场信息来源地。因此，规章信息、市场信息的空间差异以及影响信息流传递的因素从根本上塑造着金融网络的关联格局。

从这个思路出发，选取7种解释变量：1）市场潜力（value），以城市中所拥有的所有A 股上市公司的总市值（包括上海证券交易所和深圳证券交易所）的对数计量，用以检验一个有着较大市场潜力的城市是否会像新经济地理理论所指出的更容易集聚金融服务活动，数据来自wind数据库⑤https://www.wind.com.cn。；2）政治资源（capital），采用城市行政级别虚拟变量来计量，用以检验城市在国家政治体系中的地位（规章信息的可及性）对金融网络关联格局的影响，其中直辖市、省会城市、计划单列市均赋值为1，其他城市赋值为0；3）知识资本（knowledge），采用全市专利授权数（件）计量，用以测度城市的创新能力对金融网络关联格局的影响，数据来自2019 年《中国城市统计年鉴》（国家统计局城市社会经济调查司，2020）；4）经济开放度（open），采用城市外商直接投资总额的对数计量，用以检验国际资本流动中的经济地理位置对城市金融网络关联格局的影响，数据来自2019年《中国城市统计年鉴》；5）空间距离（distance），以每一对城市之间的欧式距离（km）计量，用以表征地方空间中的物理距离，根据ArcGIS软件计算得到；6）东部地区虚拟变量（east），将东部地区的城市编码为1，其他地区的城市编码为0，东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省（市）；7）网络时间滞后项（lag2001），采用2001年的金融网络关系矩阵刻画，用以俘获前期金融网络关系格局对当期金融网络关系格局的影响。

QAP回归分析建立在关系矩阵的基础上，城市层面的属性指标需要转换为城市间属性关系矩阵。其中，政治资源、东部地区虚拟变量按照最小值方法直接转化为二值关系矩阵：如果城市i或城市j的编码为0，则属性关系矩阵的i行j列的值为0，否则编码为1；市场潜力、知识资本、经济开放度和空间距离首先以平均值为截断值进行二值化处理（高于平均值的数值重新编码为1，低于平均值的编码为0），然后按照上述方法转换为属性关系邻接矩阵。

3.2 结果分析

表4显示了QAP回归方程的分析结果，提供了市场潜力、政治资源、知识资本、经济开放度等因素影响金融网络格局的直接证据。总体上，回归分析取得了较好的拟合效果，基本结论有：

表4 QAP回归分析结果Table 4 Analysis results of QAP regressions

市场潜力（value）、政治资源（capital）、知识资本（knowledge）和经济开放度（open）的系数均为正值且显著，说明金融网络更多地建立在市场潜力较大、政治资源丰富、知识资本密集和经济开放度较高的城市之间。金融业企业提供的财富管理、风险投资等业务大多是非标准化并且具有规模经济特征的产品，因此对金融业企业而言，靠近更大的经济腹地并与客户保持良好的沟通十分重要（Head et al.,2004）。这在很大程度上证实了新经济地理学早期的研究成果，反映出“流动空间”背景下市场潜力仍然发挥着巨大作用。政治资源丰富的权力中心是各种类型“规章信息”（财政政策、货币政策、监督管理等）的发源地，对于金融机构总部的区位选择具有强大的吸引力。这与Pan 等（2017）的研究结果一致，他们发现中国城市在金融网络中的等级地位在一定程度上映射了城市在政治等级体系中所处的地位。

知识资本（knowledge）所表征的创新能力是吸引金融机构集聚的重要因素，创新能力越高的城市，产业化发展对直接融资的需求越活跃。近些年来，为创新型企业提供长期的融资支持与上市辅导成为中信证券等大型券商的重要盈利来源，以风险投资公司、证券公司为核心的金融中介已经成为区域创新系统的重要组成部分。外商直接投资在金融网络的发育过程中发挥着重要作用，对外开放程度较高的城市承担着外资进入中国的门户功能，这同时也会吸引大量金融业企业的集聚。这一结论呼应了Porteous（1995）的研究，他发现国际资本在塑造澳大利亚和加拿大2个拥有全球最高外资规模的发达经济体的金融中心过程中发挥了基础性的作用。

空间距离（distance）的系数为负值且显著，表明空间距离是金融网络生长发育的限制因素，即金融业企业分支机构的设立受到地理距离的影响，这意味在“流动空间”背景下“距离专制”仍然是城市网络关系生长发育的制约因素。Zhao 等（2017）的研究也表明，地理位置邻近的城市之间倾向于建立更为密切的链接关系，组织间的合作概率受到潜在伙伴地理位置邻近性的强烈影响。

东部地区虚拟变量（east）的系数为正值且显著，表明具有更优越地理区位的城市之间倾向于产生更多的链接关系。这一结果与城市接收信息的能力在很大程度上取决于其区位条件的研究结论相一致：如早期的河流航运港口，后来的铁路、公路枢纽以及今天的航空、卫星通讯（Laulajainen,2003）。大量的经验也表明，便捷的交通条件是金融服务业空间集聚的重要因素。

网络时间滞后项（lag2001）的系数为正值且显著，说明长期存在较多链接关系的城市之间倾向于进一步提高链接关系的强度，而曾经缺乏经济联系的城市之间也将继续维持较少的链接关系。对于金融业企业而言，方便获取有价值的信息流（valuable information flow）是企业区位选择中的一个重要方面，在选址初期，一旦企业在特定城市布局，在信息流共享、风险资本集聚、投资成本降低等因素的作用下，循环累积的因果关系就开始发挥作用，吸引更多的金融业企业集聚，这个过程不仅使得曾经具有较高网络连通度的城市获得了更高的权力或威望，还进一步强化了城市之间已经建立的链接关系。

4 讨论

结合金融网络链接关系影响因素的分析结果，尝试提出一个金融网络发育机理综合分析框架，用以解析金融网络空间增长的影响因素和动力过程（图2）。

图2 金融网络发育机理分析框架Fig.2 A conceptual framework for understanding the mechanisms of financial network growth

在本文分析框架中，金融管制放松下的金融企业区位选择行为是理解城市网络空间结构的逻辑起点。由于非标准信息、信息不对称等在金融市场中大量存在，而未预期的利好信息将抬高金融机构的利润，因此在市场规模、政治权力、区位条件、创新能力等维度上具有比较优势的城市吸引了大量金融企业集聚。这种微观层面上的金融企业区位选择行为在宏观层面上表现为以择优链接、地理邻近、空间集聚等为主要特征的城市链接过程，从这个意义上说，在本文的分析框架中，城市间的网络关系取决于城市所有权优势和城市区位优势之间的匹配。这些动力过程推动着金融网络自组织系统的有序演化，形成了日益复杂的城市网络空间结构，如权力等级、网络腹地、功能分工、凝聚子群、核心—边缘等。城市网络的发展又通过缓解融资约束、信息溢出等途径提高市场运行效率，这将进一步推动金融企业网络的发展，从而形成金融企业网络和城市网络的互动过程。但城市网络的发展也将放大城市之间（特别是总部城市和分支机构城市之间）的经济发展差距，这对网络化发展环境下的城市治理体系和政策设计提出新的要求。

根据本文分析框架，金融网络的发育存在3种动力机制。1）择优链接机制。这个过程可以理解为金融业企业区位选择对信息流依赖性的可观测结果：市场潜力较大、政治资源丰富、知识资本密集、经济开放度较高的城市拥有更好的信息和政策优势，能够吸引更多高素质的劳动力和投资导向型的资本，从而使得城市拥有更大的经济规模，并逐步将传统城市体系中的信息流优势转化为网络竞争优势。2）地理邻近效应。信息的流动性受到城市地理区位和网络可达性的强烈约束，而交通和通讯技术的发展极大地压缩了城市间的时空距离并显著降低了交易活动的成本，有助于构成日益复杂中国城市网络体系。在各类资源要素流动性日益增强的背景下，时间距离邻近性的效应在增强，具有更好网络可达性的城市将呈现更高的竞争力。3）空间集聚效应。这个过程表现为金融业企业区位选择过程中的集聚行为：一旦某种类型的金融机构选择布局在特定城市，在信息流共享、风险资本集聚、投资成本降低等因素的作用下，将会吸引更多相同类型的金融活动集聚，即历史上形成的城市网络关系深刻影响未来城市网络关系的发展。

本文分析结果有助于金融地理学中2个理论问题的探讨：1）证实了信息腹地理论在中国的适用性。基于金融业企业总部—分支机构联系构建的城市网络反映了金融业企业与高质量市场信息空间匹配的内在要求，研究发现政治资源对于城市间金融网络关系的生长发育具有积极作用，这在很大程度上呼应了Porteous（1995）、Thrift（2000）的结论，即信息腹地的规模与发展前景是吸引金融机构集聚的关键因素，金融市场的“随机游走”特征使得金融机构倾向于聚集到具备一定经济实力和政治影响力的高质量信息腹地，并由此发展为金融中心。2）证实了信息外部性理论在塑造金融中心时发挥的主导作用。由于市场上充斥着大量的非标准化信息，信息生产者和信息消费者搜集处理信息的成本会随着距离的增加而提高，非标准化信息的潜在效应和质量会随之降低，因此金融机构首先会将一些规模较大的决策、研究型部门设立在非标准化信息的密集地，在空间集聚效应的作用下，更多的金融机构汇聚于此，这种巨大的“信息外部性”使得金融机构在信息流的倍增中获益，并由此进行更多的信息套利活动。

5 结论与建议

基于中国金融业企业总部—分支机构数据，利用链锁网络模型和二次指派程序，系统解析了中国城市间金融网络的空间演化及其影响因素。研究发现：

1）中国城市间金融网络呈现显著关联、层级分化的核心—边缘结构特征。近20年来金融网络的关联程度显著增强，城市对之间的链接关系不断强化，以北京、上海、深圳、重庆为代表的城市群主要城市构成了金融网络的核心节点，使得金融网络的中心性体系具有明显的空间指向和路径依赖特征；城市间链接关系向纵深化发展的同时也呈现层级分化的结构特征，并且这种特征会随着金融业企业分支机构的设立持续存在；城市的网络地位不断分化，核心—边缘结构分析揭示了一个高度结构化的核心聚类和分布广泛的边缘聚类共存的金融网络体系。

2）关键资源、空间距离、区位条件和历史基础是影响金融网络空间格局的关键因素。市场潜力、政治资源、知识资本和经济开放度深刻影响着城市间链接强度，链接关系更倾向于发生在那些市场潜力较大、政治资源丰富、知识资本密集和经济开放度较高的城市之间；空间距离对金融网络的约束作用较为明显，金融活动的集聚性特征使得金融业企业分支机构的设立在很大程度上受地理距离的影响；以东部地区虚拟变量表征的地理邻近性对城市网络关系强度具有显著正向影响；长期存在较多链接关系的城市之间倾向于进一步提高链接关系的强度，而曾经缺乏经济联系的城市之间也将继续维持着较少的链接关系。

据此，对未来中国城市化政策提出2点建议：

1）高度重视网络环境下的城市间发展差距，支持城市在金融网络中选择差异化的发展路径。金融网络的链接关系具有明显的层级结构特征，关联结构的纵深发展倾向于扩大而不是缩小城市之间的经济差距，这意味着拥有着资源优势和区位优势的城市将具有更高的网络资源利用和支配能力，而市场规模较小、政治地位较低、知识资本薄弱的城市将进一步被边缘化。未来应顺应城市网络权力分化的发展趋势，支持北京、上海、深圳建设全国性的金融服务枢纽城市，支持成都、南京、青岛、大连建设区域性的金融中心城市，促进其他城市选择适合自身的功能定位，建立起功能完善的金融网络体系，实现金融企业网络和城市网络的良性互动。

2）尽快完善城市网络层面的治理体系，充分发挥金融网络对城市经济增长的供给引导功能。中国城市间金融网络的发展使得城市之间的联系突破了传统地方空间中以地理邻近性界定的腹地范围，未来要在完善区域城市群层面治理体系的同时，顺应链接关系择优选择的规律，在更大空间尺度上支持资源互补、相互依赖的城市通过城市委员会、专题项目共建等多种形式开展合作，提升网络中金融资源的配置效率。金融网络的发展过程中，城市的禀赋优势决定了城市的网络地位，反过来城市的网络地位也会改善城市的经济绩效，因此应积极促进金融中心城市建设和实体经济发展的有效结合，使得金融网络的发展更好地服务于城市的资金需求，更好地促进城市的创新发展。

本文的主要贡献在于，采用多个行业的金融业企业网络数据（银行业、保险业、证券业、基金业和期货业），全面系统地揭示了中国城市间金融网络的时空格局；利用二次指派程序（QAP）假设检验方法，定量识别和测度了金融网络的影响因素，探索性地提出了一个理解金融网络生长发育机理和过程的概念框架。当然，本文也存在不足之处。如限于计量方法与篇幅，未能定量解析内生网络结构效应对于金融网络链接关系的影响，各个行业视角下金融网络空间结构的对比分析也稍显不足。未来应综合考虑城市属性变量和内生结构效应变量对于城市间链接强度和关系广度的影响，开展分层次、多时序的城市网络结构研究。