中国金融科技发展：指数编制、总体态势及时空特征

王小华，周海洋，程 琳

1. 西南大学经济管理学院，重庆 400715 2. 西南大学普惠金融与农业农村发展研究中心，重庆 400715 3. 暨南大学经济与社会研究院，广东 广州 510632

一、问题提出

金融科技最早于20世纪90年代由花旗银行发起的一个发展项目“金融服务技术联盟”(Financial Services Technology Consortium)提出[1]。全球金融稳定委员会(Financial Stability Board，FSB)于2016年发布的《金融科技的描述与分析框架报告》首次对金融科技进行了定义，即技术推进的金融创新，致使金融与科技相互融合，创造新的业务模式、新的应用、新的流程和新的产品，进而对金融市场、金融机构及金融服务的提供方式产生重大的影响。2019年8月，中国人民银行印发的《金融科技(FinTech)发展规划(2019—2021年)》中指出，金融科技旨在运用现代科技成果改造或创新金融产品、经营模式、业务流程等，推动金融发展提质增效。这份引领性文件的发布实施，有力推动了金融科技良性有序发展。中国人民银行在2021年12月31日印发了《金融科技发展规划(2022—2025年)》(1)http://www.pbc.gov.cn/goutongjiaoliu/113456/113469/4438627/index.html。，明确到2025年金融科技发展的愿景、原则和重点任务，表明中国金融科技将从“立柱架梁”全面迈向“积厚成势”新阶段，实现金融科技整体水平与核心竞争力跨越式提升。金融科技的加速应用已成为行业共识和现实趋势，金融行业的格局正在迎来深刻变革[2]，需继续在构建新发展格局中重塑金融发展新优势，更高质量为实体经济提供金融服务。

金融与科技始终相互促进、共同发展，历次重大科技革命都极大地推动了金融业的进步。所以，一部金融发展史，同样也是一部科技进步史，科技创新历来都是金融行业不断向前发展过程中不可或缺的创新要素。事实上，金融科技在中国是一个伴随“互联网+”与金融行业深度结合而快速兴起的产业概念，因此与互联网金融联系紧密甚至内涵基本一致[3]，主要是指将新的科学技术应用于金融领域，通过改造和创新，融合产生的金融领域新产品、新服务、新模式等，使金融成为具有金融功能的信息产业或信息科技产业。如此一来，市场一般将金融科技概括为“ABCDE”：A是指人工智能(artificial intelligence，AI)，B是指大数据(big data)，C是指云计算(cloud computing)、云存储(cloud storage)，D是指分布式记账(distributed accounting)(2)也有学者将分布式记账与区块链等同。值得注意的是，每个区块链都是分布式账本，但不是每个分布式账本都是区块链，只是二者都需要节点间的分散和共识。，E是电子商务(electronic commerce)。其中，大数据在“ABCDE”中最为重要，是所有科技的支点，也是金融服务的基础。这一系列技术创新日新月异飞速发展，如今，科技创新已经逐渐应用于支付清算、借贷融资、生物识别、电子货币、智能投顾、智能合同、保险等领域，对银行业、保险业、证券业和支付领域的核心功能产生了前所未有的深远影响[4]。

虽然金融科技主要从互联网金融衍生而来，但是与互联网金融相比，金融科技的内涵更为丰富，且更加侧重于信息技术和现代科技与金融发展的深度融合。Kondratyev等[5]发现机器学习算法的运用可以助力商业银行优化资产配置，机器学习算法对于商业银行管理过程中的精确计算已经必不可少。丁娜等[6]从市场效率的角度进行了深入验证，发现金融科技关注显著降低了分析师在股票交易市场的有效信息贡献。在实践层面，起初金融科技发展最快、运用最多的只是极个别的金融科技企业，如蚂蚁金服、腾讯金融、度小满金融、京东数科等。近年来，随着金融科技逐步实现对银行、保险、证券等各项金融市场业务的覆盖和对金融服务主体的渗透，金融业也积极拥抱以大数据、人工智能、云计算等技术为依托的金融科技开展行业变革。但是，在金融科技与金融业深度融合的过程中，除了带来更便利的获取方式、更高效的市场创新外，也必然会带来更多的风险和不确定性，因此为金融监管当局的政策制定和制度设置提出了更高的要求[7]，进而产生了有关金融监管的新问题。Arner等[8-9]强调了金融和科技在业态上的密切相关性，并对全球金融科技演进做了阶段划分，探讨了监管科技对金融科技产生的深刻变革式影响。杨东[10]认为必须在审慎监管、行为监管等传统金融监管维度之外，增之以科技维度形塑双维监管体系，从而更好地应对金融科技所内含的风险及其引发的监管挑战。张永亮[11]认为在金融科技时代，监管机构应洞察金融科技的本质与风险，调整监管原则，坚守适应性、包容性、实验性、协调性的监管原则，充分发挥金融科技对中国金融转型升级的引领作用。

金融科技是互联网金融发展的下一个阶段或者说更高级的阶段，近些年来受到了理论界和实务界的广泛关注。党的十九届五中全会中首次提出了“坚持创新在我国现代化建设全局中的核心地位”，同时提出“构建金融有效支持实体经济的体制机制”(3)http://www.gov.cn/zhengce/2020-11/03/content_5556991.htm。。金融科技作为科技驱动的金融创新，是以科技为支撑点，是技术化、数字化、智能化的金融服务解决方案，其核心在于如何将“技术”行之有效地应用于金融服务之中，旨在用“技术”改进“金融”[11]。如此一来，金融科技发展打破了时空、数量和成本制约，提高了金融服务实体经济的覆盖范围、效率和精确度[7]。科技创新在推动传统金融行业技术变革中发挥了“鲶鱼效应”，通过竞争优化传统金融机构服务能力，帮助改进现有金融体系[12]，借助科技创新的力量为金融插上强有力的翅膀，确保金融可以更好地发挥媒介交易、动员资金、优化配置、分散风险等重要作用，提升金融资源配置的整体效率，更快地实现金融业高质量发展，更有效地引导金融回归服务实体经济，进而推动经济高质量发展。

2021年是“十四五”开局之年，是中国共产党成立100周年，是中国现代化建设进程中具有特殊重要性的一年，也是落实《金融科技(FinTech)发展规划(2019—2021年)》的收官之年。“十四五”时期构建新发展格局，重点要增强自主创新能力，加快科技自立自强。金融科技如今正在成为金融高质量发展的“新引擎”，金融科技服务能力稳步增强，金融风控水平明显提高，金融监管效能持续提升。但是，现有金融科技的相关研究中，往往根据自己的研究方向来编制特定的金融科技指数，并未在学术界和实务界形成统一的金融科技指数编制标准。本文在梳理关于金融科技指标体系构建和指数测算的研究基础上，旨在以百度搜索指数为基础，编制一套可以准确刻画中国金融科技发展现状的中国金融科技发展指数，并据此对中国的金融科技发展进行定量刻画和时空特征分析，识别各地区金融科技发展所具备的优势或者面临的障碍，进而为地区促进金融科技健康可持续发展和高质量服务实体经济提供现实依据。

本文的创新主要在于以下几个方面：第一，本文的金融科技指数选择了数据体量更大、更加全面、更具有代表性的百度搜索指数，在金融科技关键词选择方面也充分考虑了金融科技的含义和维度刻画，并在数据可获得性的基础上化繁为简，选择了最本质的金融科技关键词，避免了关键词过多所带来词义互相涵盖的问题；同时考虑到金融科技的多维度与多层次发展情况，最终编制了一套包含直接关键词、技术支持和金融中介服务的3个一级指标、6个二级指标、27个具体指标的金融科技发展指标体系。第二，综合运用熵值法和层次分析法对2011—2020年中国31个省份(不含港澳台地区)和332地级市的金融科技发展指数分别进行了科学测度，进一步全面分析了中国金融科技发展总体趋势和地区差异、地区收敛性和空间关联性。进行指数测度过程中确定关键词和选择合适的数据库是两个核心环节。指数编制关键词的确定也即筛选能够有效代表金融科技发展水平的关键词，选择合适的数据库的主要原因在于数据库的数据体量、库内数据年限都是影响最终测度指数结果的重要因素。所以，本文综合考虑这两方面，所测算的金融科技发展指数具有较好的代表性和进一步使用价值。

二、文献回顾与评述

由于互联网金融和金融科技发展的特殊关系，在梳理金融科技发展水平测度的文献时，互联网金融的概念界定和互联网金融指标体系的构建为本文提供了很好的借鉴。在其概念界定方面，由于互联网金融既不同于商业银行的间接融资，也不同于资本市场的直接融资，属于第三种金融融资模式[13]，因而，是一种新的金融业态。所以互联网金融是具有互联网精神、以互联网为平台、以云数据整合为基础而构建的具有相应金融功能链的新金融业态，也称第三金融业态[14]。在其指标体系构建方面，沈悦等[15]依据金融功能观确定了支付清算、资源配置、风险管理和网络渠道4个维度20个关键词的互联网金融关键词库，且选用十大常用成语的新闻数目作为新闻总数的代理变量。申创等[16]在进行互联网金融指数测算的时候，同样借鉴了沈悦等[15]关于关键词的确定方法，从中国重要报纸全文数据库(China core newspaper databases，CCND)中获取相关关键词的原始数据，该数据库的数据相对于以往数据更加全面且更具代表性。基于互联网金融发展指数测度的经验，于波等[17]在进行金融科技指数测算时，在沈悦等[15]确定的支付清算、资源配置、风险管理和网络渠道四大维度基础上加入了金融科技底层技术，形成了五大维度的25个与金融科技相关的关键词，其词频数据同样来源于CCND。

通过对以上文献的初步梳理可以看出，当前对互联网金融进行测度的研究对其发展维度进行了刻画，但互联网金融毕竟不完全等于金融科技，两者在诸多方面仍有一定的区别。根据金融稳定委员会对金融科技的定义，即技术推进的金融创新，进而形成对金融市场、机构及服务影响重大的商业模式、技术应用及流程创新的新产品服务，这便与互联网金融有着本质的区别。邱晗等[18]利用郭峰等[19]编制的数字普惠金融指数来代表金融科技发展水平，均分析了金融科技对银行业的影响，这一指数的确能够在一定程度上体现金融中介服务的使用水平，但其编制理念更加侧重于体现金融的普惠性，缺乏对金融科技的直接指标和底层技术等维度的全面刻画，故而对金融科技发展水平的代表性相对有限。

金洪飞等[20]在进行金融科技指数测度时，从毕马威中国的金融科技研究报告中提取了“大数据、云计算、人工智能、区块链、物联网”5个金融科技关键词来合成金融科技发展指数，他们打破了原有金融科技测度的数据来源限制，同时利用Python网络爬虫技术，从网页中爬取了大量含有“名称+关键词”的相关新闻结果来构成初始数据库，这一做法在一定程度上克服了原有互联网金融或者金融科技指数测度方法的数据库体量小、涉及范围小等缺点。李春涛等[21]根据《“十三五”国家科技创新规划》《大数据产业发展规划(2016—2020年)》《中国金融科技运行报告(2018)》以及相关重要新闻和会议，从中提取了与金融科技相关的48个关键词，然后将这些关键词与中国所有地级市或直辖市进行匹配，并在百度新闻高级检索中分年份搜索“地区+关键词”，最后运用网络爬虫技术，爬取百度新闻高级检索页面的网页源代码并提取出搜索的结果数量，并将同一地区层面的所有关键词搜索结果数量加总，得到总搜索量(也即是金融科技指数)。利用网络爬虫技术的优点在于能获得大量、准确的原始数据，就数据源头而言具有较强的说服力。盛天翔等[22]构建了基本技术、资金支付、金融中介服务和直接称呼在内的四大维度22个金融科技关键词，他们的数据来源不再是百度新闻发布次数，而是百度搜索指数，收集网民对某一关键词的搜索频次作为原始数据，所涉及的数据体量更大，更具有代表性。除此之外，丁娜等[6]将金融科技企业发布的报道定义为金融科技关注，然后按季度汇总作为金融科技的发展水平。

通过初步梳理金融科技指标体系构建和测度的相关文献可以看出，金融科技的指标选择和指数测度很大程度上仍然受限于关键词原始的数据库，现有研究主要存在以下三个不足之处：第一，在文本挖掘数据库方面，现有文献的关键词数据要么来源于百度网站或者相关新闻发布的数据量，要么来源于CCND数据库和相关研究报告，而此类数据来源存在数量体量有限、发布内容良莠不齐、涵盖范围狭窄、在一定程度上存在新闻信息噪声等问题，缺乏代表性，难以真正有效反映一个地区的金融科技发展水平。第二，现有的金融科技发展水平测度要么直接运用数字普惠金融指数代替，要么在关键词选择时为了满足特定实证研究的需要，指标选择都具有一定的倾向性。金融科技相关关键词复杂且繁多，没有形成统一的判断标准，并且指数测度的时间跨度较窄、具体年限分散，地级市的金融科技指数测度欠缺，导致难以对中国金融科技发展的总体趋势和地区差异、地区收敛性和空间关联性等方面进行深入研究。

三、金融科技发展指数的测算

(一)指标体系构建

金融科技指数科学构建的前提是设计一个完整、准确的金融科技指标体系。参考郭峰等[19]数字普惠金融指标体系构建的经验，本文借鉴了以下指标体系的构建原则：第一，兼顾纵向和横向可比性。金融科技的发展作为一个动态过程，同一个地区不同年份的金融科技发展状况有所不同，不同地区同一年份的金融科技发展也有所差异。因此所编制的金融科技指数应该同时具备纵向(时间维度)和横向(空间维度)的可比性。第二，体现金融科技发展的多层次性。金融科技的发展不仅仅体现在金融科技技术的进步，还应表现为对传统金融的赋能、促进作用，因此，从金融科技技术以及对传统金融的推动两方面来刻画金融科技发展水平更能体现金融科技水平的综合性、层次性与科学性。立足以上原则，本文延续已有研究，根据《金融科技(FinTech)发展规划(2019—2021年)》、《“十四五”国家科技创新规划》、《中国银行业转型20大痛点问题与金融科技解决方案》、相关重要新闻和会议以及现有互联网金融、金融科技领域的代表性文献[10，24]，从中提取出与金融科技相关的三大维度27个具体关键词，如表1所示。

表1 金融科技发展指标体系

多个维度的指标选择是为了保证金融科技发展指标体系构建的多层次性、代表性与综合性。相比于李春涛等[21]选用的48个金融科技关键词而言，本文只提取出了27个关键词。第一，该论文涉及48个关键词，基本上2/3是偏技术性的关键词，虽然技术支持维度是金融科技发展的最为核心维度，但有关技术性关键词选择，大数据、人工智能、云计算、区块链、物联网和生物识别这六大技术性指标事实上基本涵盖了所有的金融科技发展的底层技术。选择过多的关键词反而使得研究趋于复杂化，并且容易引起各关键词之间的交叉现象，导致金融科技发展水平的测度不够精确。不过，该文的关键词选择比较适合企业创新技术的研究。第二，该文利用基于Python的网络爬虫技术，爬取了百度新闻数据作为原始数据库，这会导致数据存在一定的信息噪声，但是他们没有进行较好的处理，而且该文的数据年限较早。第三，因为基础数据库的选择不同，该文所选用的关键词，有一些本文难以获取，从而难以保证本文数据的完整性与连贯性。

在直接关键词选择方面，本文主要选用了互联网金融和金融科技，因为从金融科技的定义和现有文献来看，虽然学者对金融科技与互联网金融、金融科技与科技金融等概念并未取得一致认识，但是却一直认为互联网金融只是金融科技的一个组成部分，或者说是金融科技的一个发展阶段[20]；或者说，金融科技为互联网金融的较成熟阶段，它利用的技术、解决的问题都较互联网金融要更深入一个层次，不可忽视这种循序渐进的提升[23]。直接关键词之所以没有选择数字金融，是因为数字金融和互联网金融、金融科技之间虽然存在细微差别[24]，但也有着密切联系。而数字金融类似于金融科技，只不过金融科技的重心在于“科技”，目的是用科技赋能金融[25]。显然，直接关键词如果选择了数字金融，必然会与互联网金融和金融科技发生重叠。从金融中介服务维度方面来看，依据金融功能观，最终选择了资金支付、资源配置、信息渠道、风险管理在内的4个方面19个指标。这样选择的原因主要有两个：第一，现有的主流文献主要注重金融科技技术方面，对金融科技发展水平的综合刻画有所不足。金融科技作为一种技术手段最终还是要作用于传统金融领域，因此融合传统金融领域的发展也能一定程度上反映金融科技的发展水平。第二，金融科技作为“金融”与“科技”的融合，二者单方面的发展都难以对金融科技发展水平形成完整、全面的刻画。

为了保证指标体系的纵向和横向可比性，首先需要保证原始数据的连贯性，最好为时间跨度较长的面板数据。因此，本文通过Python的爬虫技术获取了百度搜索指数的原始数据。百度搜索指数反映的是民众对某一关键词或热点事件的搜索关注程度，是基于需求导向的数据，并且能较好地处理数据的信息噪声问题，可以用于现状追踪和趋势预测[26]，得到学术界的广泛认可。

(二)指数计算

为了使指数测算结果更加科学准确，本文采用主观赋权与客观赋权相结合的方法来确定权重。具体而言，先利用熵值法求各具体指标对上一层准则层的权重，再通过层次分析法求各准则层指标对上层目标的权重，最后求得总指数。

1.熵值法

熵值法是一种客观赋权法，其根据各项指标观测值所提供的信息的大小来确定指标权重(权重设定参考表1)，既可以克服主观赋权法无法避免的随机性、臆断性问题，又可以有效解决多指标变量间信息的重叠问题。本文对熵值法进行了相关改进，加入时间变量，以此实现不同年份之间的比较，具体步骤如下：

步骤一：对各指标进行无量纲处理。设有r个年份，n个省份，m个指标，则xθij为第θ年省份i的第j项指标的原始数据(r=10，n=31，m=27)。为了避免求熵值时对数的无意义，本文对数据进行了平移。同时为了保证指数的纵向可比，本文选定2011年为基准年，对不同年份不进行单独的分年无量纲处理。各具体指标都为正向指标。

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

(1)

步骤二：确定在第θ年，第j项指标下，省份i的比重(pθij)。

(2)

步骤三：计算第j项指标的熵值(ej)。

(3)

步骤四：计算信息熵冗余度(dj)。

dj=1-ej

(4)

步骤五：计算各指标的权重(wj)。

(5)

步骤六：计算金融科技各具体指标指数(Hi)。

(6)

2.层次分析法

层次分析法是一种系统分析与决策的综合评价方法，它较合理地解决了定性问题定量化的问题。层次分析法的主要特点是通过建立递阶层次结构，把人们的判断转化为若干因素两两之间的重要性比较，从而把难以量化的定性判断转化为可操作的定量判断。本文依据金融科技定义在一级指数权重的赋予顺序为技术支持>金融中介>直接搜索，二级指数的权重赋予依据金融服务门槛与普及程度由高到低赋予，越容易获得则赋予权重越低。具体权重设置如表2所示。

表2 金融科技发展指标体系及各维度的权重

在确定各具体指数权重(见表1)与各维度指数权重的基础上进行指数合成，方法是由下往上逐层汇总，先计算各层分组指数，然后由各层分组指数加权汇总得到综合指数。根据上述的金融科技指数的指标体系和指数编制方法，编制了中国31个省份(不含港澳台地区)、332个地级以上城市(区、自治州、盟等，简称“城市”)两个层级的金融科技发展指数，其中指数时间跨度均为2011—2020年。

四、中国金融科技发展的总体趋势与地区差异分析

(一)中国金融科技发展的总体趋势分析

计算出金融科技发展指数之后，本文将在所有指数扩大了100倍的基础上，进一步详细介绍中国金融科技发展的总体趋势。2011—2020年中国31个省份、332个地级市的金融科技发展指数逐年均值和中位值分别如图1所示。从中可以得出，2011—2020年中国省份和各地级市金融科技发展实现了较快速增长，2011年各省份的金融科技发展指数中位值为15.89，到2020年增长到18.15，指数平均每年增长1.42%，其中2017年为最高值19.14；2011年各地级市的金融科技发展指数中位值为17.51，到2020年18.46，平均每年增长0.5%，其中2017年为最高值18.80。总体来看，省级金融科技发展指数与城市级金融科技发展指数增长趋势相似，2013年前金融科技增长变化不明显，2013年后金融科技呈现较快速增长，2017—2018年达到极值，而2019—2020年有所下降。2013年后，中国互联网金融迎来快速发展时期，随后几年间金融科技技术也逐渐孕育发展，金融科技发展指数增长变化与中国互联网金融、金融科技发展现实较为一致。但与互联网金融相比，金融科技发展速度相对较慢，金融科技发展潜力有待进一步释放。而2019和2020年金融科技发展水平在2018年的基础上有明显的下降，可能的原因有两点：一是监管机构出于对金融风险防范的深刻认识，自2017年起成立互联网金融风险专项整治工作领导小组，不断加强对互联网现金贷业务、P2P网贷等相关业务的监管力度，让人们对金融科技的发展有了更加清醒、理性的认识，对金融科技的追求热度相对有所下降，从而反作用到本研究的搜索数据源。二是金融科技兴起之后，尤其是2017年后，金融科技的相关书籍和其他网络媒体的普及效果较好，对百度搜索获取这方面知识的行为产生了一定的“替代作用”，也体现为百度搜索指数下降，进而使得以该指数为基础的金融科技发展指数有一定程度的下降。总的来说，金融科技数据的变化趋势是符合现实的，这也从侧面论证了本文数据以及测算的科学性与可靠性。

图1 2011—2020年省级和城市级金融科技发展指数的均值和中位值

从金融科技发展分指数来看(结果选用各年度的中位值)(4)篇幅所限，结果留存备索。，2011—2020年技术支持指数几乎一直保持正向增长的趋势，但每一年的增长变化幅度相对较小；而金融中介服务指数变化不太明显，增长较为缓慢。原因主要有以下几点：第一，本文在层次分析法中赋予技术支持层更多的权重，而金融中介服务的权重相对较小，且对金融中介服务的下一级指标进行了赋权，这就导致金融中介指数相对于技术支持指数、总指数而言有较大的差距。第二，本文依托百度搜索指数数据库，该数据库数据主要反映的是某一地区网民对于某一关键词在一定时间内的搜索频次以及关注程度。就金融中介服务而言，相关关键词出现较早，网民对于其较为了解，不同时间段的搜索词频数据变化较小，数据增长趋势不太明显；而技术支持层的相关关键词属于新颖词汇，且出现时间较短，网民对其追捧热度较大，不同时间段的搜索词频数据变化较大，有较明显的增长趋势。就2020年而言，由于受到新冠肺炎疫情的影响，各大金融机构纷纷开展“零接触式”服务，积极运用大数据、物联网、人工智能等金融科技技术来服务广大消费者，导致技术支持关键词关注热度相对于2019年有较为明显的上升趋势。

(二)中国金融科技发展的地区差异分析

2019年8月，中国人民银行印发的《金融科技(FinTech)发展规划(2019—2021年)》明确指出，中国金融科技发展不充分不平衡的社会现状，需要进一步深化金融科技发展。本部分将重点基于2011—2020年中国内地31个省的金融科技发展指数变动趋势对金融科技发展的地区差异进行详细分析(具体见表3)。从2011年的情况来看，排名前十的省份里，中西部地区仅有四川进入；东、中、西部地区(5)参考《中国卫生统计年鉴》的划分，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、海南11个省市，中部地区包括黑龙江、吉林、山西、安徽、江西、河南、湖北、湖南8个省，西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12个省区市。的金融科技发展指数均值分别为16.77、15.90、15.47，地区之间的发展表面来看较为均衡，但东部地区金融科技发展指数最高的北京与西部地区指数最低的西藏相差3.42，说明各省份之间差异显著。将当年金融科技发展指数排名前十、后十的省份分别划分为第一、三梯队，其余为第二梯队，经计算得三大梯队的金融科技发展指数均值分别为16.96、15.89和15.30，可以进一步看出各梯队之间的差距明显。2018年排名前十的省份中，广东于2017年超越北京，位居第一且遥遥领先；东、中、西部地区的指数均值分别为21.66、19.07和17.63，地区之间的差距相较于2011年都有显著的增长，其中东部地区增长速度最快，排名第一的广东与西藏的金融科技发展指数相差12.33，区域、省际之间的发展差距快速拉大；该年第一、二、三梯队的均值分别为22.79、18.82和16.75，与2011年相比，排名越靠前的梯队发展速度越快，排名靠后的梯队发展速度明显较慢，说明金融科技发展的过程中存在明显的“马太效应”。2020年排名前十的省份中，广东、北京、江苏、浙江、上海始终位居前列，属于领先梯队；东、中、西部地区的指数均值分别为20.28、18.44和17.12，广东与西藏的金融科技发展指数差值降低至9.58，三大梯队的均值分别为21.20、18.12和16.46，相比于2018年都有合理的回落，且降幅基本与均值相匹配。

表3 2011—2020年中国31个省份金融科技发展指数变动趋势

从2020年排名变动的具体情况来看，中部地区的安徽和西部地区的四川排名相比于2018年有了显著提高，前者是因为长三角一体化的规划和落地过程中，安徽积极参与相关产业链和城市群的建设，建立了与金融科技发达地区的利益分享机制，聚焦金融科技前沿领域发展；四川则是以成都为代表的城市率先跟进领先梯队的发展步伐，在全国范围内领先出台了《关于推进普惠金融发展的实施意见》(6)http://gk.chengdu.gov.cn/govInfoPub/detail.action?id=96123&tn=6。《网络信息安全产业发展规划(2018—2022)》(7)https://www.scba.org.cn/?list_16/28.html。和《关于支持金融科技产业创新发展的若干政策措施》(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，通过多项举措稳妥积极推进金融科技的发展。而以重庆为代表的部分地区金融科技排名与2018年相比出现了明显下滑，可能原因是其在早期的发展过程中，在诸如现金贷的业务中出现了“套路贷”等不良现象，监管机构深入相关领域开展整顿监督工作，范围不断扩大，整顿力度不断加强，对于金融科技和创新的态度相对谨慎，严控潜在的风险和不确定性。另外，无论是2011年还是2018年，排名前六的省份均位居东部沿海地区，唯有四川省在2011和2018年分别排名第九和第八，2020年则进一步上升到了第六，始终都是西部地区中唯一入选前十的省份，这一结果与《2020天府·中国金融科技指数》(9)https://www.scaft.cn/fintech/dynamic?mid=19。汇报的结果大致相同，因为该指数从行业基础环境、科学技术资源、金融科技市场三个维度全面考察了当前国内金融科技行业的发展情况，具有一定的代表性，这进一步反映了本研究有关的金融科技指数编制的科学性与测算的可行性。与此同时，各年度排名最靠后的地区并未发生变化，顺序一致。

与中国大多数地区的经济发展特征一样，金融科技发展程度在地区间也存在一定的差异。2018年中国金融科技指数得分最高的广东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，这充分说明了中国各省份之间、各地级市之间的差距相对较大，也即金融科技发展具备较弱的地理穿透性。

五、中国金融科技发展：空间特征分析

(一)中国金融科技发展的地区收敛性分析

为了更加严谨地论证地区金融科技发展指数差距的时间趋势，本文利用σ收敛、绝对β收敛对金融科技发展的地区收敛性进行检验。σ收敛是针对存量水平的刻画，是指不同地区金融科技发展水平的离差分布状况及其动态变化过程。如果地区金融科技发展水平的离差随时间的变化逐渐缩小，则可以认为地区金融科技发展水平存在收敛性，即不同地区的金融科技发展水平会越来越接近，地区差距逐渐减小。绝对β收敛指每一个地区的金融科技发展水平最终都会达到一个完全相同的稳态增长速度和增长水平。绝对收敛的回归系数显著为负就说明存在绝对收敛。

有关收敛性的检验一般采用变异系数计算的统计指标，变异系数计算结果与熵值法结果基本相似，因此本文也采用金融科技发展水平的变异系数计算结果来检验收敛性。具体的σ收敛、绝对β收敛模型如下：

(7)

其中，i代表地区，n代表地区数量，t代表年份，xit代表t年i地区的金融科技发展指数对数值，σt代表t年时金融科技发展指数的σ收敛检验系数。

为了方便计算和克服商业周期的影响，本文专门划分了三个时间段：2011—2013年、2014—2017年、2018—2020年。y3、y1分别对应2011—2013年和2018—2020年的平均值，两个时间段中间点相隔7年，用对数值的差除以7换算成每年的平均增长速度。

(lnyt-lny0)/τ=α+βlny0+ε

(8)

(lny3-lny1)/τ=α+βylny1+ε

(9)

β=-(1-e-λτ)/τ，τ=7

(10)

绝对β收敛速度指落后地区金融科技发展水平追赶先进地区金融科技发展水平的速度，通常用百分比表示。比如1%指的是地区每年能够缩小实际金融科技发展水平与稳态水平之间差距的1%，也就是说实际金融科技发展水平每年向稳态金融科技水平靠近的幅度是1%。绝对β收敛的收敛速度λ根据Mankiw等[27]的研究计算得来。

2011—2020年的省级和城市级金融科技发展指数的逐年σ收敛系数见表4，从中可以得出，2018年以前的省级和城市级中国金融科技发展指数的σ收敛系数逐渐变大，说明不存在σ收敛，各地区之间的差异在逐渐变大，但是2019和2020年省级城市级收敛系数在2018年的基础上有明显的下降，地区之间的发展差异有明显缩小的趋势。可能原因有以下几点：第一，金融科技是技术推动的金融创新，经济越发达的地区对人才的吸引力度越大，相关金融科技人才精英也就聚集越多，地区的金融科技发展水平也就相对较高，对于经济欠发达地区而言，由于经济较弱和人才欠缺，金融体系发展不完善等因素，金融科技发展水平相对较低。第二，金融科技发展时间相对较短，相关金融科技的技术红利与潜力还没有完全释放，地区之间潜力释放差异较大，导致金融科技发展水平差异较大。第三，随着经济的不断发展、技术的溢出效应进一步凸显和金融科技热的逐渐消散并进入理性认知阶段，2018年之后，金融科技发展水平落后的省份和城市得到了进一步发展，所以收敛系数相对有所下降。

表4 2011—2020年省级和城市级金融科技发展指数σ收敛系数

本文对绝对β收敛模型进行了最小二乘法(OLS)回归，回归结果如表5所示。2011—2020年省级和城市级的β系数均显著为正，说明省份和城市的金融科技发展水平是显著发散的，不存在绝对β收敛，与上文σ收敛检验一致，侧面说明了本文检验结果的准确性。同时从λ的结果可以得出，省级的发散速度为每年16.13%，城市的发散速度为每年11.69%。但是从表4中σ收敛系数的变化趋势和图1中金融科技的中位值、均值来看，不管是省份还是城市的系数，抑或是金融科技的中位值和均值，都在2018年后出现了明显的下降，所以在讨论β收敛时有必要将2011—2020年进行阶段性划分。从表5的结果来看，不管是省级和城市级的β系数还是λ的结果，在两个阶段表现出了截然不同的情况。其中，省级和城市级金融科技的β系数在2017年以前都是显著为正，但是2018年之后都变成显著为负；省级和城市级金融科技的λ结果在2017年以前均为负，2018年之后都为正。这说明2018年之后的省级和城市级金融科技发展水平是显著收敛的，其中省级金融科技的收敛速度为24.97%，城市级金融科技的收敛速度为20.58%。

表5 绝对β收敛检验OLS回归结果

从上述中国金融科技发展的地区收敛性分析可以发现，不管是针对省级数据还是城市级数据，其绝对β收敛检验与σ收敛检验结果基本趋于一致，也即是说中国金融科技的发展在2017年以前是明显发散的，地区之间的差距在逐渐扩大。刘传明等[28]对中国八大城市群互联网金融发展的收敛性研究发现，一部分城市的互联网金融发展水平是发散的，这与本研究2017年的金融科技发展的收敛性结果相同。显然，2018年及以后的金融科技发展在地区间又表现为明显的收敛，这与国内近年来各地区P2P被取缔、金融科技创新日趋规范、人们对金融科技的认识逐渐理性密不可分。

(二)中国金融科技发展的空间关联性分析

前文讨论了中国金融科技发展的地区收敛性，发现金融科技发展总体上是发散的，具备较弱的地理穿透性，说明其发展变化受到一定的地理区位影响而明显存在空间相关性。此外，金融科技与数字金融有着必然的联系，而数字金融的发展仍然要依赖实体经济和传统金融。所以，金融科技发展也与实体经济和传统金融发展相似，存在一定的空间相关性。结合以上两方面的考虑，研究金融科技发展的空间特征具有一定的理论价值与实践价值。和大多数研究一样，本文主要采用空间莫兰指数对省域金融科技的空间相关性进行检验，计算莫兰指数的过程中，主要采用地理距离矩阵，即空间权重矩阵的元素为两地区距离平方的倒数，表示金融科技发展随着地理距离的扩大，各地区间金融科技发展的影响程度将逐渐减小。

中国2011—2020年金融科技发展水平的全域莫兰指数值见表6。总体而言，中国金融科技发展水平在省级层面和城市级层面的全域莫兰指数均为正值，说明中国金融科技在2011—2020年始终表现为空间正自相关关系，不存在明显的交叉分布或均匀分布的特征。即相邻区域之间的金融科技发展具有相似属性。从显著性上来看，省级数据计算的全域莫兰指数只有2016和2017年不显著，而城市级数据计算的全域莫兰指数均显著，指数数值越大说明空间分布的正自相关性越强，集聚的强度也就越强。这说明金融科技发展在省份之间和城市之间具有显著的空间集聚效应，但是各省份内部城市之间的发展水平和省份之间的发展水平程度不一，即金融科技具备较弱的地理穿透力，城市之间的辐射能力较强，而省份之间的辐射能力较弱。

表6 2011—2020年中国金融科技发展的全域莫兰指数

1.中国省级金融科技发展的空间关联性分析

结合2011、2018和2020年省份金融科技发展指数莫兰指数的散点图，可以得到中国金融科技发展的空间相关模式(见表7)。不难看出，各个省域的金融科技的分布特征可分为4种空间相关模式：第1象限表示金融科技高发展水平省份被其他金融科技高发展水平省份所包围(HH模式)，代表正的空间自相关关系的集群(即空间依赖性)；第2象限表示金融科技低发展水平省份被其他金融科技高发展水平省份所包围(LH模式)，代表负的空间自相关关系的集群(即空间异质性)；第3象限表示金融科技低发展水平省份被其他金融科技低发展水平省份所包围(LL模式)，代表正的空间自相关关系的集群(即空间依赖性)；第4象限表示金融科技高发展水平省份被其他金融科技低发展水平省份所包围(HL模式)，代表负的空间自相关关系的集群(即空间异质性)。不难发现，2011、2018和2020年中国31个省份的金融科技发展水平的空间相关模式大致相同，都是大部分位于第1象限和第3象限，即金融科技发展呈现出HH和LL两种模式的分化，只有少数省份位于第2象限和第4象限。

以2020年为例，金融科技各省份分布的67.74%显示出正的空间相关性，其中10个省份位于第1象限(HH)，11个省份位于第3象限(LL)。因此可以进一步认为，中国金融科技发展水平存在着明显的地理空间分布上的依赖性，也就是说往往存在金融科技发展水平高的省域与其他金融科技发展水平高的省域和金融科技发展水平低的省域与其他金融科技发展水平低的省域分别发生集聚，呈现出明显的正向空间依赖性，而较少地表现出空间异质性。另外，从表7中还可以看出，东部地区发达省份除北京、广东外的省份全都位于第1象限，这些省份本身与周边省份都有较高的金融科技发展水平；中部地区的省份除山西以外，则主要分布在第1象限；西部地区的省份集中分布于第3象限，也就是说西部地区的省份本身与周边省份都处于较低的金融科技发展水平。

表7 中国金融科技发展的空间相关模式

2.中国城市级金融科技发展的空间关联性分析

根据2011和2020年的中国城市金融科技指数、技术支持指数、金融中介服务指数和直接搜索指数的莫兰指数散点图(10)由于篇幅限制，2011和2020年中国城市金融科技指数、技术支持指数、金融中介服务指数和直接搜索指数的莫兰指数散点图省略，留存备索。可以发现如下规律：一是4种莫兰指数中大多数城市位于第1象限和第3象限，莫兰指数显著为正，说明中国的城市金融科技发展水平存在空间正自相关。二是空间自相关现象以集聚在第3象限为主，即大部分城市的金融科技发展呈现出低—低集聚的形态，说明中国城市金融科技的总体发展水平仍有待提高。三是落在第1象限HH模式集聚的大部分是东部沿海发达城市，如深圳、广州、南京、杭州等，这些城市经济发达，对金融科技人才吸引力大，金融科技发展水平高，且集聚效应显著。较少一部分落在第4象限HL模式集聚板块的城市主要为中西部省份的省会城市，如兰州、成都、武汉、昆明等，说明中西部省份内部和城市之间的金融科技发展水平差距相对较大，主要表现为金融科技相关建设与投入更多地集中于省会城市，周边城市金融科技发展水平低。

对省份和城市进行空间集聚性检验的结果基本相似，这有力地说明了金融科技发展水平存在一定的空间集聚性与空间相关性，主要体现为沿海地区与中西部地区的差异，与中国经济发展、传统金融的空间集聚相似。

(三)中国金融科技发展的空间异质性

为了更加直观地观察金融科技发展的空间异质性、空间分布特征和时空演化特征，一方面运用ArcGIS基于省级数据和城市级数据绘制了2011、2018及2020年3个代表性年份的省级和城市级金融科技发展情况；另一方面运用Python自带的Pyecharts模块，分别基于省级数据和城市级数据绘制了2011—2020年金融科技发展的动态地图(11)由于篇幅所限和Pyecharts绘制的图形以离线网页格式显示，各种图留存备索。。

依照郭峰等[19]的做法，将其进行了梯队划分。2011和2020年的梯队分类标准都以当年指数最高的城市指数值为基准，将排序在基准值80%范围内的城市列为第一梯队，70%～80%、60%～70%分别为第二、三梯队，60%之后为第四梯队。可以看出，2011年的城市金融科技发展水平基本都属于第一梯队，而发展到2018年(因为2020年的金融科技发展指数比2018年有明显的下降，通过颜色进行梯队划分不再能看出明显的差别，所以在此重点分析2018年情况)，不管是省份还是城市金融科技指数都表现出了明显的梯队划分情况，并且不同省份之间和不同城市之间的金融科技发展水平差距明显扩大。城市金融科技指数的极差达到了14.14，其中第一梯队主要集中在长三角、珠三角以及其他个别大城市，第二梯队主要集中在浙江、江苏、山东、广东沿海地区的城市和中西部地区的一些省会城市，其他大部分城市主要分布于第三梯队和第四梯队。

从空间变化趋势中可以得出以下结论：第一，各地区的金融科技发展水平之间的差距都在随着时间的变化在逐渐扩大，并且省份之间的差距相对于城市之间的差距更加显著，总体上呈现出明显的东南沿海向内陆逐步递减的阶梯性变化。截至2020年，金融科技发展的高水平区主要还是集中于东部沿海，对内陆地区的渗透作用十分有限，其发展潜力还有待进一步释放。第二，从金融科技发展水平的梯队图趋势来看，“胡焕庸线”成为地区金融科技发展分异的分界线，该线以东地区的金融科技发展水平明显更高且发展速度较快，并且前三梯队几乎都位于胡焕庸线的东侧；而胡焕庸线以西地区的金融科技发展水平相对较低，体现为第四梯队的城市始终分布于该线西侧。这说明金融科技发展的触达性和地理穿透性主要适用于经济较发达地区，而经济欠发达地区就相对较弱，往往被地理区位以及经济区位所限制。

六、研究结论与展望

在借鉴现有互联网金融、数字普惠金融和金融科技指数编制的文献基础上，本文编制了一套可以准确刻画中国金融科技发展现状的金融科技发展指数，并以百度搜索指数为基础，综合运用熵值法和层次分析法测算了2011—2020年中国内地31个省和332个城市的金融科技发展指数。在此基础上，重点对中国的金融科技发展进行了定量刻画和时空特征分析，结论如下：(1)2011—2020年中国的金融科技水平实现了显著增长，得益于互联网金融的跨越式发展，金融科技发展水平在2013年后增速加快，其中技术支持指数增长最为迅速，对金融科技的发展贡献突出。(2)金融科技发展的收敛性在2017年前后表现为明显的阶段性特征，2017年以前地理穿透性弱，二元结构特征明显，地区之间的差距在逐渐扩大；2018年以后呈明显的收敛趋势，发达地区之间地理穿透性变强，地区之间的差距缩小。(3)经济发达地区天然地具备了发展金融科技的先行优势，其发展过程存在“马太效应”，而中西部地区仍然受限于地理或经济因素，与东部地区之间的差距逐渐增大，未来需要密切关注落后地区金融科技的技术红利与潜力释放问题。(4)金融科技发展水平存在明显的空间相关性，表现为沿海地区与中西部地区之间的巨大差异和发展水平相近的省份存在空间依赖性，中国地区经济发展、传统金融的空间集聚相似，并且金融科技发展水平呈现明显的东南沿海向内陆的阶梯性变化，而“胡焕庸线”成为各梯队之间的明显分界线。

本文力求以科学客观的方法编制中国金融科技发展的指标体系，并运用科学的测度方法和可靠的基础数据从省域和城市层面分别测度中国金融科技发展水平，初步探讨了中国近年来金融科技发展的总体态势和时空特征。但是，由于目前各界对于金融科技并未形成统一的定义，金融科技的实践发展又明显快于理论研究，在实践和理论方面与相近概念的边界也尚有不明晰之处。就本文而言，虽然在选择关键词和指数编制方法等关键流程进行了反复推敲，但在构建指标体系的时候，确实很难真正做到全面、准确地描述中国金融科技发展的全貌和细节，其实这也是各大类指标体系构建的共同问题。如本文仅选择了27个金融科技关键词，并不能做到全面反映中国金融科技发展的完整图景和细节。又如在关键词筛选的时候保留了“区块链”，但是去除了“分布式计算”，二者之间的含义基本上是可以互换的，具体使用取决于个人偏好，所以难免导致那些使用“分布式计算”的新闻报道无法被代表。综合来看，如果对这些同义的关键词都进行保留处理，会导致关键词过于繁杂，必然就存在部分词义互相涵盖、重复计算的情况，也会得到不准确的结果。

当然，笔者有理由相信本套指数可以为中国金融科技的发展趋势和地区差距等问题的研究提供有益借鉴，也可给后续相关研究提供必要的参考，并且随着对金融科技的认识加深、数据处理技术持续进步和数据的可得性进一步保证，有关金融科技的研究必然日臻完善。更重要的问题在于，我们需要清楚地看到金融科技在迅猛的发展过程中，既取得了可喜的成就，同时也遭遇了很大挑战，甚至产生了严重的问题，并导致了困惑、争议乃至误区。未来有关金融科技的相关研究，应该更加关注什么是真正意义上的金融科技，科技和金融的关系到底应该是什么样的，金融科技在未来的“新金融”中如何定位，如何避免金融科技发展再次陷入“雷区”，金融科技在提升企业发展能力和信用水平方面如何更有效地发挥作用，金融科技如何破解普惠金融发展悖论而更好地服务中小微企业和弱势群体，在高质量发展中推进共同富裕迈出更坚实步伐。