目录 一 摘要... 1 二 全国互联网金融发展指数分析... 3 ( 一 ) 我国互联网金融发展迅速, 但增速不稳定... 3 ( 二 ) 不同业务发展速度差异较大, 跟其成熟度有关... 4 ( 三 ) 不同性别的互联网金融发展差异不大... 6 ( 四 ) 不同年龄段的互联网金融分类指数差异大

Transcription

1 北京大学互联网金融发展指数 ( 第三期,2014 年 1 月 年 3 月 ) 1 北京大学互联网金融研究中心课题组 指数编制课题组顾问 : 黄益平 陈龙 北京大学互联网金融研究中心主任 蚂蚁金服集团首席战略官 指数编制课题组成员 : 郭峰 孔涛 王靖一 程志云 阮方圆 邵根富 王芳 杨静 本期分析报告执笔人 : 孙涛 郭峰 2016 年 7 月 1 在指数编制和分析过程中, 得到了北京大学互联网金融研究中心 上海新金融研究院和蚂蚁金服集团的领导和同事的大力支持和帮助, 特此致谢 但指数编制和分析过程中存在的问题分别由课题组成员和执笔人负责, 并不代表北京大学互联网金融研究中心 上海新金融研究院和蚂蚁金服集团的观点

2 目录 一 摘要... 1 二 全国互联网金融发展指数分析... 3 ( 一 ) 我国互联网金融发展迅速, 但增速不稳定... 3 ( 二 ) 不同业务发展速度差异较大, 跟其成熟度有关... 4 ( 三 ) 不同性别的互联网金融发展差异不大... 6 ( 四 ) 不同年龄段的互联网金融分类指数差异大... 7 ( 五 ) 互联网金融发展趋势与实体经济趋同... 9 ( 六 ) 互联网金融发展趋势与传统金融有一定的正相关性 三 省级和城市互联网金融发展指数分析 ( 一 ) 地区间互联网金融发展水平差异较大, 但排名相对稳定 ( 二 ) 杭州继续领跑城市互联网金融发展排行榜 ( 三 ) 互联网金融的发展表现出地理依赖性 附录一 互联网金融发展指数编制方法 ( 一 ) 指标体系设置原则 ( 二 ) 指标体系构建 ( 三 ) 数据来源 ( 四 ) 权重确定 ( 五 ) 总指数及业务指数计算 ( 六 ) 分地区指数计算 附录二 北京大学互联网金融发展指数主要数据 附录三 互联网金融空间集聚效应分析 ( 一 ) 引言 ( 二 ) 变量与数据 ( 三 ) 空间计量分析方法 ( 四 ) 实证结果分析 ( 五 ) 结论与启示 北京大学互联网金融研究中心简介 致谢 ii 2016 年 7 月 ii

3 一 摘要 2015 年 12 月, 北京大学互联网金融研究中心联合上海新金融研究院和蚂蚁金服集团, 编制了一套 北京大学互联网金融发展指数 基于蚂蚁金服以及其他代表性的互联网金融企业的海量数据, 并结合北京大学和上海新金融研究院学术和专业优势, 通过编制互联网金融的全国总指数, 以及分属性 分业务 分地区指数, 揭示了我国互联网金融发展的现状和趋势, 为互联网金融企业家 监管部门官员和学术专家提供了有益的参考, 并在 2016 年 4 月份发布的第二期指数中, 特别编制了城市互联网金融发展指数 为了继续跟踪分析我国互联网金融的发展趋势, 课题组在之前指数的基础上, 进行了指数数据更新, 并对指数数值进行了分析 概括而言, 通过对本期互联网金融发展指数的分析, 我们有以下主要发现 : 2016 年 1 月到 3 月, 互联网金融指数继续攀升 以 2014 年 1 月份为基期 ( 设定为 100), 全国互联网金融发展指数从 2015 年 12 月的 386 上升到 2016 年 3 月份的 430.3, 说明我国互联网金融继续快速发展 从互联网金融分类指数看, 互联网支付和互联网货币基金指数继续平稳增长, 但互联网投资和互联网保险两个指数增速较快, 尽管近期出现一些波动 从年龄结构看,80 后和 90 后继续是互联网金融发展的主力 从各省份和城市互联网金融发展指数而言, 各地区互联网金融发展指数的排名稳定 : 互联网金融发展水平十强城市中有九个是在东部地区, 另一个是来自中部的武汉 此外, 互联网金融发展与网络消费的发展密切相关, 说明互联网金融对实体经济的促进作用 互联网金融发展与所在地理位置有密切关系 虽然从理论上说, 互联网金融应该表现出一定的超地理特征, 即与地理位置无关, 但我们的实证研究发现, 互联网金融的发展还是与地理位置相关并具有空间集聚特征 互联网金融的发展依赖于具有一定空间集聚特征的实体经济和传统金融发展, 并呈现一定的地理依赖性和空间溢出效应 我们附上了主要的数值结果和全部数据的获取方式, 以期更多的研究者和从业者可以基于本套互联网金融发展指数, 进行更丰富的分析, 从而得出更多有价值的结论, 助力互联网金融发展政策的制定, 乃至整个经济转型的战略布局 报告全文及指数全部数值可通过以下方式免费获取 : 年 7 月 1

4 北京大学互联网金融研究中心 ( 上海新金融研究院 ( 蚂蚁金服研究院 ( 年 7 月 2

5 二 全国互联网金融发展指数分析 根据第一期所阐述的互联网金融指数指标体系和指数编制方案, 结合最新的互联网金融的发展情况, 本次我们更新互联网金融发展指数到 2016 年 3 月 1, 并简要分析新特征 完整的指数编制方法和主要指数数据详见附录 ( 一 ) 我国互联网金融发展迅速, 但增速不稳定 2016 年 3 月, 互联网金融指数创历史新高 2015 年 12 月, 互联网金融指数为 386, 在 2016 年 2 月, 下降到 354, 但在 3 月, 又迅速回升到 430.3, 并创历史新高, 是 2014 年 1 月份的 4.3 倍 从同比看, 互联网金融指数增长速度在 2016 年 2 月短暂下调后于 3 月略有回升 ( 图 1) 这一特征也同样表现在环比方面( 图 2) 图 1: 全国互联网金融发展指数 ( 定基指数和月度同比增速 ) 数据来源 : 北京大学互联网金融发展指数 定基指数 ( 左轴 ) 月同比增速 (%, 右轴 ) 1 本套互联网金融发展指数的频率为月度指数, 但受限于部分数据的可获得频率, 暂时每季度发布, 本次 指数更新仅到 2016 年 3 月, 未来将争取提高发布频率 年 7 月 3

6 北京大学互联网金融发展指数 ( 第三期 ) 定基指数 ( 左轴 ) 月度环比增速 (%, 右轴 ) 图 2: 全国互联网金融发展指数 ( 定基指数和月度环比增速 ) 数据来源 : 北京大学互联网金融发展指数 2016 年 1 月到 3 月间, 互联网金融发展指数的月度环比增速波动非常大, 变现出很强的季节性 主要是因为春节期间大量城镇居民和农民工从互联网金融发达的大城市返回到互联网金融落后的小城镇或乡村, 也可能是城市居民忙于走亲访友 欢度节日 ( 二 ) 不同业务发展速度差异较大, 跟其成熟度有关 2016 年 1 月到 3 月间, 互联网金融分业务发展指数继续呈现较大差异 图 2 表明, 互联网支付发展指数和互联网货币基金发展指数增长都相对较慢, 截至 2016 年 3 月, 分别仅达到 和 227.9, 互联网投资发展指数则达到 401.6, 而互联网保险发展指数更是高达 这些分业务指数差别反映新兴业务, 如投资和保险业务发展速度快 比如, 互联网支付已经有数年的历史, 因此以 2014 年 1 月份为基期时, 到截至的 2016 年 3 月, 增长幅度确实相对较低 而互联网金融投资业务, 则是最近一两年才兴起的新兴业务, 因此发展速度较快 ( 图 3) 从同比看, 投资指数增速在 2016 年第 1 季度略有回升, 保险指数同比增速则略有下降 ( 图 4) 从环比看, 所有业务在 2016 年 3 月都较 2 月有所回升, 并大多都回到 2015 年 12 月的增速 ( 图 5) 年 7 月 4

7 北京大学互联网金融发展指数 ( 第三期 ) 互金指数投资指数货基指数保险指数支付指数 数据来源 : 北京大学互联网金融发展指数 250 图 3: 互联网金融各业务发展指数 互金增速投资增速货基增速保险增速支付增速 图 4: 互联网金融各业务月度同比增速 (%) 年 7 月 5

8 北京大学互联网金融发展指数 ( 第三期 ) 互金增速投资增速货基增速保险增速支付增速 图 5: 互联网金融各业务月度环比增速 (%) 数据来源 : 北京大学互联网金融发展指数 ( 三 ) 不同性别的互联网金融发展差异不大 互联网金融发展的性别差异不大 图 6 和图 7 分别给出了分性别的互联网金 融发展指数和月度增速 不同性别之间互联网金融发展指数的差异极小, 互联网 金融发展总指数和分业务发展指数均如此 这说明, 男性和女性对互联网金融的 参与程度和增长趋势基本一致 年 7 月 6

9 北京大学互联网金融发展指数 ( 第三期 ) 互金发展指数互金发展指数 ( 男 ) 互金发展指数 ( 女 ) 数据来源 : 北京大学互联网金融发展指数 图 6: 分性别互联网金融发展指数 互金月度增速互金月度增速 ( 男 ) 互金月度增速 ( 女 ) 图 7: 分性别互联网金融月度环比增速 (%) 数据来源 : 北京大学互联网金融发展指数 ( 四 ) 不同年龄段的互联网金融分类指数差异大 不同年龄段的互联网金融指数差异较大 图 8 和图 9 给出了 2016 年 3 月分 年龄的互联网金融发展指数和 2014 年 1 月到 2016 年 3 月间的增长幅度 互联网 金融发展指数, 还是各互联网金融分业务发展指数,80 后和 90 后都是最主要的 年 7 月 7

10 增长力量 很大程度上这也揭示了年龄所代表的生命周期 劳动力市场参与和收入等因素对互联网金融发展的作用 不过, 从图 7 的不同年龄人群各自纵向增幅看, 自 2014 年 1 月至 2016 年 3 月,60 前和 90 后是互联网金融纵向增长的排头兵, 这也说明互联网金融正在向年龄的两端渗透 总指数投资货基保险支付 总指数 60 前 60 后 70 后 80 后 90 后 00 后 图 8:2016 年 3 月不同年龄段不同业务互联网金融发展指数 数据来源 : 北京大学互联网金融发展指数 年 7 月 8

11 总指数投资货基保险支付 总指数 60 前 60 后 70 后 80 后 90 后 00 后 图 9:2016 年 3 月各年龄各业务指数 /2014 年各业务发展指数 数据来源 : 北京大学互联网金融发展指数 ( 五 ) 互联网金融发展趋势与实体经济趋同互联网金融发展与实体经济呈现不断趋同之势 从互联网金融发展指数和制造业采购经理人指数 (PMI) 的关系看, 互金指数增速的 2 个月移动平均 ( 克服季节波动的影响 ) 表明和 PMI 表现出越来越强的正相关性 ( 图 10) 具体而言, 在 2014 年 1 月 年 3 月全样本期间, 互金增速与财新制造业 PMI 指数和统计局制造业 PMI 指数相关系数分别为 和 -0.00, 但到 2015 年 3 月之后, 互联网金融发展指数增速与财新 PMI 指数以及统计局 PMI 指数相关系数分别为 0.44 和 年以来,PMI 反映出的实体经济愈发趋缓, 而我们的互联网金融发展指数的月度环比增速也逐渐回落,2016 年 3 月互金指数和 PMI 指数双双反弹 由此可见, 互联网金融并不背离实体经济的运行规律 年 7 月 9

12 北京大学互联网金融发展指数 ( 第三期 ) 互金增速 2 月移动平均 (%, 左轴 ) 财新制造业 PMI( 右轴 ) 统计局制造业 PMI( 右轴 ) 图 10: 互联网金融发展指数与制造业 PMI 对比 数据来源 : 北京大学互联网金融发展指数 国家统计局 财新传媒 网络消费的发展进一步说明了互联网金融发展与实体经济的紧密关系 近年来, 中国网络消费发展迅速, 上升动力强劲 从规模看, 在 2011 年 1 月到 2016 年 4 月间, 季节调整后的网络消费规模指数扩张了 12.1 倍, 其增速是在社会消费品零售总额增速的 2 倍以上 网络消费的发展得益于包括互联网金融在内的多种因素的支持 这一点可以通过互联网金融发展指数与网络消费指数高度正相关关系体现出来 无论是两个指数之间还是两个指数的月度环比增速之间的相关系数都高达 0.86( 图 11 和 12) 这说明互联网金融与网络消费的相互促进: 退运货险通过降低网络消费者的购物风险促进了网络消费, 网络消费反过来又带动了保险业务 货币市场基金和理财业务的发展 网络消费对实体经济的促进作用显现 年 7 月 10

13 北京大学互联网金融发展指数 ( 第三期 ) 网络消费规模指数互金总指数 ( 右轴 ) 图 11: 互联网发展指数与网络消费指数 数据来源 : 北京大学互联网金融发展指数 上海证券交易所和蚂蚁金服研究院 网络消费规模指数月环比增速互金总指数月环比增速 ( 右轴 ) 图 12: 互联网发展指数月度环比增速与网络消费指数月度环比增速 数据来源 : 北京大学互联网金融发展指数 上海证券交易所和蚂蚁金服研究院 ( 六 ) 互联网金融发展趋势与传统金融有一定的正相关性互联网金融和传统金融的关系, 一直是业界争论的焦点 图 13 和图 14 中, 我们给出了互联网金融发展指数与社会融资规模增量以及广义货币供给 (M2) 1 增速的对比 从中, 我们可以看出, 互联网金融月度环比增速与社会融资规模环比增速 广义货币供给量环比增速表现出一定的正相关性, 尽管相关系数并不很 1 社会融资规模分存量和增量口径, 这里使用的是增量口径, 因为对应的互联网金融都是每月月内发生的 新的交易 年 7 月 11

14 北京大学互联网金融发展指数 ( 第三期 ) 高, 只有 0.4 和 0.2 左右 但 2015 年下半年以后, 互联网金融月度环比增速与社会融资规模的相关性有增大的趋势, 达到 0.7 考虑到目前互联网金融的大部分业务尚未纳入社会融资规模的统计, 因此我们可以认为, 虽然互联网金融仍然游离在 体制 边缘, 但其总体趋势和传统金融有一定的一致性 互金指数增速 (%, 左轴 ) 社会融资规模增量增速 (%, 右轴 ) 图 13: 互联网金融发展指数与社会融资规模增量增速对比 数据来源 : 北京大学互联网金融发展指数 中国人民银行 互金增速 (%, 左轴 ) M2 增速 (%, 右轴 ) -1.5 图 14: 互联网金融发展指数与 M2 对比 ( 月度环比增速 ) 年 7 月 12

15 数据来源 : 北京大学互联网金融发展指数 中国人民银行 三 省级和城市互联网金融发展指数分析 ( 一 ) 地区间互联网金融发展水平差异较大, 但排名相对稳定 全国地区间互联网金融发展水平差异较大, 但排名相对稳定 表 1 展示了 2016 年 3 月全国 31 个省级行政单位 ( 不含港澳台, 下同 ) 互联网金融发展指数 的基本情况 上海 北京 浙江 广东 福建 江苏和天津等省市的互联网金融 发展水平高于全国平均水平, 这与 2015 年 12 月没有变化 全国范围来看, 绝大 多数省份的排名和 2015 年 12 月也没有太大变化, 但河南省上升了 5 位, 非常显 眼 排名第一和排名最末的指数差距 ( 倍数 ), 由 2015 年 12 月份的 3.59, 略微 下降为 2016 年 3 月份的 3.49 然而, 如果从 2014 年 1 月份的期初算起, 则下降 更多, 期初排名第一的省份是排名最末省份的 4.41 倍, 这说明落后地区的后发 优势正在显现 表 1:2016 年 3 月城市互联网金融排名及较 2015 年 12 月变化情况 省份名 2016 年 3 月排名变化 省份名 2016 年 3 月排名变化 上海市 不变 海南省 下降 1 北京市 不变 山西省 下降 1 浙江省 不变 河北省 不变 广东省 不变 湖南省 不变 福建省 上升 1 广西自治区 不变 江苏省 下降 1 黑龙江省 不变 天津市 453 不变 宁夏自治区 上升 1 湖北省 不变 吉林省 下降 1 重庆市 上升 1 贵州省 上升 3 山东省 下降 1 内蒙古自治区 下降 1 安徽省 上升 1 新疆自治区 下降 1 陕西省 上升 1 云南省 下降 1 河南省 上升 5 甘肃省 上升 2 辽宁省 下降 3 西藏自治区 下降 1 四川省 下降 1 青海省 下降 1 江西省 下降 1 数据来源 : 北京大学互联网金融发展指数 ( 二 ) 杭州继续领跑城市互联网金融发展排行榜在第二期互联网金融发展指数编制中, 我们特别编制了城市互联网金融发展指数 指数编制方法与省级相同, 以期初 2014 年 1 月份的全国互联网金融发展 年 7 月 13

16 指数为基准 (100), 各城市纵向 横向之间都具有可比性 1 表 2 给出了 2016 年 3 月份互联网金融发展指数排名前 20 的城市, 以及排名较 2015 年 12 月的变 化情况 从中我们可以看出, 这个榜单具有较强的稳定性,2015 年 12 月排名前 20 的城市, 到 2016 年 3 月仅有排名最末的无锡跌出了前 20 名, 其他 19 个城市 仍然在这一榜单, 绝大多数城市排名基本无变化, 或者只不过为上升或下降一两 位 排名前三的城市仍然是杭州 深圳和广州 互联网金融发展水平靠前的基本 上是沿海城市, 互联网金融十强城市当中有九个是在东部地区, 只有武汉作为中 部城市, 排在了第十位 表 2:2016 年 3 月城市互联网金融排名及较 2015 年 12 月变化情况 排名城市名指数值 1 杭州市 不变 2 深圳市 不变 3 广州市 不变 排名变化 4 厦门市 上升 1 5 珠海市 下降 1 6 南京市 不变 7 上海市 不变 8 北京市 不变 9 武汉市 不变 10 苏州市 不变 11 金华市 不变 数据来源 : 北京大学互联网金融发展指数 12 三亚市 上升 5 13 宁波市 下降 1 14 东莞市 下降 1 15 温州市 上升 1 16 中山市 下降 2 17 郑州市 上升 1 18 福州市 上升 1 19 嘉兴市 下降 5 20 成都市 上升 1 2 ( 三 ) 互联网金融的发展表现出地理依赖性 互联网金融的发展与地理位置的关系有两种可能 一方面, 是互联网特征使 得互联网金融突破传统地理空间上的局限, 在遥远的地区实现低成本 便捷的金 1 更详细的讨论请参考 : 北京大学互联网金融研究中心课题组 ( 郭峰 孔涛 王靖一 程志云 阮方圆 邵根富 王芳 杨静 ), 互联网金融发展指数的编制与分析, 新金融评论,2016 年第 1 期, 第 页 2 本部分更详细的讨论见附录三 年 7 月 14

17 融资源配置, 因而从这个角度而言, 互联网金融应该具有某种超地理特征, 即某地区互联网金融的发展与该地区的地理位置没有关系, 该地区互联网金融的发展也与周边地区的互联网金融发展水平无关 另一方面, 互联网金融作为金融的一种新的业态, 仍然要遵循金融发展的一些基本规律, 例如前两期互联网金融发展指数分析报告中指出的, 互联网金融并不能凭空发展, 而是仍要依赖于实体经济和传统金融 因而综合多方面因素, 非常有必要实证探讨互联网金融发展的地理空间特征 通过空间自相关检验和空间计量模型, 我们揭示了中国区域互联网金融的空间集聚特征, 主要得到以下结论 : 中国互联网金融发展水平高的地区主要集中在沿海地区, 表现出一定的空间集聚特征, 但也有少部分中西部地区的互联网金融发展水平超过了本地区的通常表现, 互联网金融的发展空间集聚性和空间异质性都有所体现 空间自相关检验结果显示, 中国互联网金融发展不同区域之间具有显著的空间自相关性, 不同地区之间形成了较强的空间依赖特征和正的空间溢出效应 这种正的空间溢出效应说明本地相邻地区的互联网金融的发展, 能够促进本地区互联网金融业的发展 空间计量模型结果则显示, 即便是控制了一系列的经济特征变量之后, 互联网金融的发展仍有有显著的正向溢出效应 换言之, 互联网金融的发展还是地理依赖的, 这在进一步控制了多个地区经济特征变量后, 仍然如此, 尽管添加控制变量后, 空间滞后项的系数有所变小 这说明互联网金融表现出的地理依赖和空间集聚特征 互联网金融的发展依赖于具有一定空间集聚特征的实体经济和传统金融发展, 并呈现一定的地理依赖性和空间溢出效应 中国的互联网金融为何能够异军突起, 在世界范围内领先, 对此不同的学者都给予了很多的讨论, 本部分仅讨论互联网金融的地理依赖性, 虽不能对此问题进行直接回答, 但本部分的结论也启示我们, 由于中国的互联网金融有其独特的发展模式, 所以, 金融监管当局需要考虑地区的不同特点设计不同的监管政策 例如根据银监会等发布的关于 P2P 网络借贷行业的监管办法 ( 征求意见稿 ), 未来 P2P 网络借贷就以地方政府来负责日常监管, 就是正确反映地区不同特点的政策举措 年 7 月 15

18 ( 一 ) 指标体系设置原则 1 附录一 互联网金融发展指数编制方法 (1) 代表性原则 : 选取的互联网金融业务组合在一起要能够综合全面地代 表互联网金融市场 选取的指标要既能反映互联网金融业务的总体广度发展 ( 总 量指标 ), 也能反映各业务的深度发展 ( 平均指标 ), 以便能分析比较互联网金 融发展过程中的变化和可能存在的问题 (2) 可操作性原则 : 选取的各类指标及细分类指标含义要明确, 不仅能够 客观的反映互联网金融的发展进程, 还能比较容易获得持续 完整 准确的数据 资料 (3) 独立性原则 : 各业务下的具体指标之间要保持一定的相对独立性, 避 免指标间的信息交叉, 至少没有明显的包含关系 (4) 可拓展性原则 : 互联网金融属于新兴业态, 处于快速发展过程中, 未 来还会有新的业务形态出现 在构建指标体系框架时, 要充分考虑业务和指标体 系的拓展性, 能基于新业务特征进行同步调整 既要考虑现有各业务的通用指标, 也要考虑新业务的个性指标 ( 二 ) 指标体系构建 依照以上代表性 可操作性 独立性和可拓展性原则构建六大业务的指标体 系, 既考虑业务的通用性, 也考虑业务的个性化, 整体指标体系共分为四级, 具 体如图 2 所示 六大业务的通用性指标又可以分为广度指标和深度指标 广度指 标是指反映各业务发展规模的总量指标, 深度指标是反映各业务发展质量的平均 指标 其中五项业务 ( 互联网支付 互联网货币基金 互联网信贷 互联网保险 和互联网投资理财 ) 的通用广度指标为最近 1 个月的交易渗透率, 通用深度指标 为最近 1 个月的人均交易金额和人均交易笔数 而征信业务由于是互联网金融的 基础设施, 并不直接产生交易, 而是协同其他业务产生交易, 为其他业务提供风 控 定价服务, 所以其广度指标为最近 1 个月被调用互联网征信人数渗透率, 深 度指标为最近 1 个月人均被调用互联网征信的次数 1 更详细的讨论请参考 : 北京大学互联网金融研究中心课题组 ( 郭峰 孔涛 王靖一 程志云 阮方圆 邵根富 王芳 杨静 ), 互联网金融发展指数的编制与分析, 新金融评论,2016 年第 1 期, 第 页 年 7 月 16

19 图附 1: 互联网金融发展指数指标体系框架图 通用指标具体解释为 : (1) 交易渗透率 该指标用来反映某业务的覆盖广度 具体来看, 全国某业务总体渗透率通过该业务最近 1 个月有购买记录的总人数, 除以当期全国总人数得到 ; 地区某业务渗透率通过该地区该业务最近 1 个月有购买记录的总人数, 除以该地区当期常住人口数得到 ; 分属性渗透率通过该属性人群最近 1 个月有购买记录的总人数, 除以该属性下当期人口数得到 (2) 人均交易金额 该指标用来反映某业务发展的深度和质量, 通过某业务最近 1 个月的实际总交易金额除以实际交易人数得到 (3) 人均交易笔数 该指标也用来反映某业务发展的深度和质量 通过某业务最近 1 个月的实际总交易笔数除以实际交易人数得到 为从不同角度来反映互联网金融行业的发展状况, 课题组力图构建科学完整的互联网金融发展指数体系, 主要包括互联网金融发展总指数, 以及分地区 分业务 分属性发展指数等 总指数主要反映全国互联网金融发展状况 ; 分类指数主要包括地区互联网金融发展指数和六大业务的分类指数 ; 分属性指数主要是依据互联网用户属性特征计算得到地特定人群的互联网金融发展指数, 如年龄 性别等 图 3 反映了互联网金融发展指数体系框架 年 7 月 17

20 ( 三 ) 数据来源 图附 2: 互联网金融发展指数体系 本课题所编制的互联网金融发展指数所需要的数据来源于蚂蚁金服, 以及铜板街 米么金服 趣分期 中国人民银行 零壹财经等其他代表性的互联网金融企业或第三方机构的公开数据 鉴于数据可得性的约束, 我们将采用分期逐步引入, 多次迭代的方法吸收其他机构的数据 在逐步引入其他机构数据源时, 我们将根据指数调整规则以实现指数的连续性和稳定性 为了保证蚂蚁金服和其他机构业务数据的逻辑一致性和便于融合, 对于其他机构数据, 我们将尽量采用同时包含上图 2 所示的三个指标的数据源, 以确保从其他机构引入的数据指标口径与蚂蚁金服一致 对于其他机构的部分无法获得的数据指标, 我们则基于蚂蚁金服和其他可获得的数据来进行必要的计量估计 ( 四 ) 权重确定由上图 2 的互联网金融发展指数指标体系可看出, 整个指标体系分为四级, 在编制指数之前, 首先要确定各级指标的权重 本项目采用主观定性法和客观定量法相结合的方式来确定权重 (1) 四级指标 ( 广度指标和深度指标 ) 权重设定 : 交易渗透率 50%, 人均交易金额 25%, 人均交易笔数 25% (2) 三级 ( 蚂蚁金服和其他机构 ) 权重设定 : 采用定量法确定, 同时为减少每个月权重变动对指数波动的影响, 我们按照蚂蚁金服和其他机构业务实际获取的交易金额的 3 个月移动平均值占两者之和的比重来计算各自权重 (3) 二级权重设定 : 各大业务之间的权重主要依据各业务发展成熟度进行主观定权 成熟度的标准是综合考虑业务的发展时长和发展的稳定程度 因此, 六大版块业务权重设置为 : 互联网支付 30%, 互联网货币基金 25%, 互联网信贷 15%, 互联网保险 15%, 互联网投资理财 10%, 互联网征信 5% 年 7 月 18

21 由于互联网金融带有互联网基因, 各版块业务之间的发展变化较快, 因此我们计划未来每年第一个月将根据业务成熟度等标准来重新审视各业务版块的权重 在调整各业务版块权重时, 为避免权重变化 ( 非业务自身发展 ) 引起指数跳动, 我们将参照指数编制文献中较为常用的 除数调整法 进行修正 为保证指数的拓展性和代表性, 未来在指数运行过程中, 如果有新业务板块产生, 则在新业务产生的第 2 个月开始将其纳入指数中 ( 第 2 个月可计算环比数据 ), 由于此时业务板块由 N 变为 N+1, 各业务之间的权重在新业务纳入后需根据专家法进行重新评审 鉴于新业务刚产生, 处于波动较大阶段, 为避免新业务波动和各业务权重更 新对总指数造成较大影响, 我们规定新业务权重应不超过 10%,( 设为 WN 1 ), 原 有业务之间的相对权重保持不变, 即原有第 i 个业务权重更新为 W (1 W ) i N 1 ( 五 ) 总指数及业务指数计算确定了各级权重之后, 指数计算过程为自下而上逐级加权平均汇总, 先计算各级环比指数, 再基于该级环比指数通过链式相乘得到该级定基指数, 具体计算过程如下 : (1) 各级环比指数计算一级环比指数为各级环比指数自下而上逐级加权平均获得 具体公式如下 : I L K i W W ( P ) t i, t i, j, t t i i i, j, t I 1 i 1 L, 1 i 1 j 1 K t i t i, j, t 1 X i, j, k, t W P,, m i i j t k i 1 j 1 k 1 X i, j, k, t 1 It 其中, It 1 L 表示互联网金融发展环比指数 ( 一级环比指数 ), L it, it, 1 表示第 i 个业 K 务 t 期环比指数 ( 二级环比指数 ), K i, j, t i, j, t 1 X 其他机构 )t 期环比指数 ( 三级环比指数 ), X 表示第 i 个业务 j 部分 ( 蚂蚁金服及 i, j, k, t i, j, k, t 1 表示第 i 个业务 j 部分 ( 蚂 年 7 月 19

22 蚁金服及其他机构 ) 的第 k 个四级指标 t 期环比相对数 ( 四级环比指数 ) (i=1,2,3,4,5,6) 为第 i 个业务的权重, m j (j=1,2,3) 表示第 j 个四级指标的权重,, W i P i j t 表示第 i 个业务 j 部分 t 期权重, (2) 各级定基指数计算各级 t 期定基指数为各级 t 期环比指数与对应级的 t-1 期定基指数的乘积 L X I W I W P m I i, t i, j, k, t ( ) [ 1,, ] t i t i i j t k t 1 i 1 L, 1 i 1 j 1 k 1 X i t i, j, k, t 1 其中,t-1 期的定基指数由各期环比指数连乘获得 我们将各业务和综合指数基期 (2014 年 1 月 ) 基准值设定为 100 计算公式如下: I 100 i i... i t t 1 I I I I I t 2 t I I I I I t 3 t 2 其中, i 1, i 2... i t 分别表示各期的月环比指数 ( 六 ) 分地区指数计算地区作为全国的子集, 为保证地区属性下各地区间指数点位具有横向可比性, 我们按照以下步骤进行计算 : 第一步 : 先计算分地区某业务下的四级指标 ( 交易渗透率, 人均交易金额, 人均交易笔数 ) 与全国同业务同指标同期值的相对数, 依次得到相对全国的相对交易渗透率, 相对人均交易金额和相对人均交易笔数 ; A h, i, j, t X h, i, j, t X i,, j t 其中, X h, i, j, t 表示地区 h 第 i 个业务的第 j 个指标在 t 期的值, X,, i j t 表示全国总指 数中第 i 个业务第 j 个指标在 t 期的值, A h, i, j, t 表示地区 h 第 i 个业务第 j 个指标 t 期相对全国同业务同指标同期的相对值 第二步 : 计算地区 h 第 i 个业务在 t 期相对全国的系数 B 3 m A h, i, t j h, i, j, t j 年 7 月 20

23 其中, B h i t 表示地区 h 第 i 个业务 t 期相对全国的系数,m1=50%,m2=25%,m3=25%,, 第三步 : 计算地区 h 在 t 期的总指数 6 I ( W B ) I h, t i h, i, t t i 1 其中, I ht, 表示地区 h 在 t 期的定基指数值, W i 表示第 i 个业务的权重, I t 表示全国定基指数 其他基于渗透率指标计算的人口属性分组指数计算方法依此类推 年 7 月 21

24 月份 1 附录二 北京大学互联网金融发展指数主要数据 附表 1: 全国互联网金融发展指数 ( 总指数 分业务 ) 互联网金融 发展指数 互联网支付 发展指数 互联网货币基金 发展指数 互联网保险 发展指数 互联网投资 发展指数 受限于篇幅, 这里仅列举了部分主要指数的数值, 指数全部数值可通过北京大学互联网金融研究中心 ( 上海新金融研究院 ( 或蚂蚁金服研究院 ( 网站免费获取 年 7 月 22

25 附表 2: 全国互联网金融分性别指数互联网金融发互联网金融发展互联网金融发展指月份展指数指数 ( 男 ) 数 ( 女 ) 年 7 月 23

26 附表 3: 分年龄段全国互联网金融发展指数互联网金融月份 60 前 60 后 70 后 80 后 90 后 00 后发展指数 年 7 月 24

27 附表 4: 分省互联网金融发展指数 (1) 月份 全国 北京 天津 河北 山西 内蒙古 辽宁 吉林 黑龙江 年 7 月 25

28 附表 5: 分省互联网金融发展指数 (2) 月份 上海 江苏 浙江 安徽 福建 江西 山东 河南 湖北 年 7 月 26

29 附表 6: 分省互联网金融发展指数 (3) 月份 湖南 广东 广西 海南 重庆 四川 贵州 云南 西藏 年 7 月 27

30 附表 7: 分省互联网金融发展指数 (4) 月份 陕西 甘肃 青海 宁夏 新疆 年 7 月 28

31 附表 8:2016 年 3 月分地级市互联网金融发展指数 (1) 排序 地区名称 发展指数 排序 地区名称 发展指数 排序 地区名称 发展指数 1 杭州市 台州市 兰州市 深圳市 太原市 芜湖市 广州市 莆田市 龙岩市 厦门市 海口市 揭阳市 珠海市 济南市 石家庄市 南京市 泉州市 烟台市 上海市 舟山市 北海市 北京市 惠州市 马鞍山市 武汉市 青岛市 江门市 苏州市 汕头市 徐州市 金华市 镇江市 连云港市 三亚市 扬州市 三明市 宁波市 昆明市 南平市 东莞市 南宁市 哈尔滨市 温州市 丽水市 长春市 中山市 宁德市 盐城市 郑州市 南通市 呼和浩特市 福州市 大连市 阿拉善盟 嘉兴市 东营市 宜昌市 成都市 乌鲁木齐市 淄博市 常州市 铜陵市 景德镇市 无锡市 威海市 克拉玛依市 长沙市 沈阳市 拉萨市 合肥市 银川市 重庆市 佛山市 衢州市 大庆市 西安市 天津市 日照市 绍兴市 泰州市 柳州市 南昌市 鄂州市 淮安市 湖州市 漳州市 洛阳市 贵阳市 廊坊市 黄石市 年 7 月 29

32 附表 9:2016 年 3 月分地级市互联网金融发展指数 (2) 排序 地区名称 发展指数 排序 地区名称 发展指数 排序 地区名称 发展指数 91 秦皇岛市 宣城市 西双版纳州 黄山市 唐山市 泰安市 潍坊市 盘锦市 牡丹江市 防城港市 许昌市 锡林郭勒盟 桂林市 岳阳市 河源市 新余市 韶关市 大同市 乌海市 荆州市 营口市 咸宁市 潮州市 荆门市 焦作市 肇庆市 梅州市 十堰市 三门峡市 运城市 宿迁市 赣州市 漯河市 枣庄市 林芝地区 郴州市 湘潭市 池州市 吉林市 淮南市 巴音郭楞州 孝感市 晋中市 滁州市 莱芜市 株洲市 延边州 长治市 襄阳市 淮北市 安庆市 蚌埠市 萍乡市 鹤壁市 绵阳市 德阳市 临汾市 酒泉市 西宁市 乐山市 阳泉市 鄂尔多斯市 邢台市 临沂市 鞍山市 佳木斯市 包头市 随州市 湛江市 晋城市 抚顺市 昌吉州 阳江市 滨州市 安阳市 汕尾市 金昌市 雅安市 九江市 丽江市 鹤岗市 哈密地区 济宁市 聊城市 鹰潭市 保定市 黄冈市 新乡市 清远市 海西州 年 7 月 30

33 附表 10:2016 年 3 月分地级市互联网金融发展指数 (3) 排序 地区名称 发展指数 排序 地区名称 发展指数 排序 地区名称 发展指数 181 抚州市 德宏州 菏泽市 衡水市 本溪市 汉中市 攀枝花市 延安市 泸州市 开封市 云浮市 安顺市 石嘴山市 六安市 阿勒泰地区 濮阳市 张家口市 玉林市 咸阳市 吉安市 六盘水市 娄底市 宝鸡市 贺州市 平顶山市 阜阳市 南充市 衡阳市 茂名市 遵义市 丹东市 德州市 黑河市 上饶市 朔州市 山南地区 眉山市 大兴安岭 邵阳市 白山市 鸡西市 永州市 恩施州 梧州市 承德市 宜春市 双鸭山市 遂宁市 辽阳市 南阳市 铁岭市 信阳市 玉溪市 辽源市 榆林市 伊春市 阿里地区 呼伦贝尔市 七台河市 崇左市 博尔塔拉州 通化市 怀化市 忻州市 常德市 内江市 锦州市 商丘市 黔南州 葫芦岛市 广安市 宿州市 沧州市 宜宾市 黔东南州 自贡市 巴彦淖尔市 大理州 益阳市 张家界市 资阳市 吕梁市 阜新市 驻马店市 邯郸市 钦州市 迪庆州 张掖市 铜川市 贵港市 年 7 月 31

34 附表 11:2016 年 3 月分地级市互联网金融发展指数 (4) 排序 地区名称 发展指数 排序 地区名称 发展指数 排序 地区名称 发展指数 271 广元市 朝阳市 海南州 伊犁州 兴安盟 黄南州 四平市 甘孜州 昌都地区 亳州市 保山市 日喀则地区 渭南市 巴中市 海东地区 达州市 凉山州 齐齐哈尔市 武威市 白银市 绥化市 阿克苏地区 克孜勒苏州 来宾市 楚雄州 嘉峪关市 怒江州 塔城地区 中卫市 安康市 平凉市 赤峰市 文山州 吴忠市 喀什地区 湘西州 临沧市 周口市 商洛市 百色市 天水市 通辽市 毕节市 黔西州 和田地区 红河州 昭通市 吐鲁番地区 那曲地区 白城市 固原市 庆阳市 定西市 阿坝州 甘南州 河池市 陇南市 松原市 临夏州 曲靖市 果洛州 乌兰察布市 玉树州 铜仁市 海北州 年 7 月 32

35 1 附录三 互联网金融空间集聚效应分析 ( 一 ) 引言 近年来, 随着信息技术的发展和监管层的容忍, 中国的互联网金融快速发展, 引起全球性的关注 从理想情形而言, 由于互联网的特征, 互联网金融可以突破传统地理空间上的局限, 在遥远的地区实现低成本 便捷的金融资源配置, 因而从这个角度而言, 某地区互联网金融的发展与该地区的地理位置应该没有关系, 该地区互联网金融的发展也与周边地区的互联网金融发展水平无关 当然, 另一方面, 互联网金融作为金融的一种新的业态, 仍然要遵循金融发展的一些基本规律, 例如互联网金融并不能凭空而发展, 而是仍要依赖于实体经济和传统金融 (Guo et al.,2016) 因而综合这两方面因素, 非常有必要去探讨互联网金融发展的地理空间特征 自从克鲁格曼将地理学纳入到经济学的分析框架中以来, 经济活动的空间影响逐渐引起了经济学家的重视, 并且对于金融的空间特征也逐渐纳入到学者们的分析框架中 在本文, 我们主要考察的是互联网金融的空间分布情况 : 通过空间计量分析方法, 对中国区域互联网金融的地理特征和空间集聚情况进行实证分析, 以期揭示中国互联网金融发展的一些规律特征, 为相关发展和监管政策, 提供参考依据 受限于数据可得性, 虽然还没有学者对区域互联网金融的发展, 特别是空间特征进行分析, 但对传统金融的空间集聚, 已经有很多文献进行了研究 任英华等 (2010) 对中国 28 个省域金融集聚的研究发现, 金融集聚在省域之间有较强的空间依赖性和正的空间溢出效应 周凯和刘帅 (2013) 的研究也得到了类似的结论 杜家廷 (2010) 则发现中国金融发展的空间集聚特征有逐渐增强的趋势 郭峰和胡军 (2016) 详细讨论地区金融发展的竞争效应和溢出效应, 认为在不同的情形设置下, 地区金融扩张可能会表现出不同的空间特征, 即有政治竞争关系的地区, 地区金融扩张可能会正相关, 而地理相邻的地区, 地区金融扩张又可能 1 本部分为以下学术论文的改编 : 郭峰 孔涛 王靖一, 互联网金融的空间集聚效应分析 : 来自北京大学 互联网金融发展指数的证据, 北京大学互联网金融研究中心工作论文,2016 年 7 月 年 7 月 33

36 负相关, 因为跨区域经营的金融会有 正外部性 ( 二 ) 变量与数据 互联网金融作为一种新兴业态, 尚缺乏相应的统计数据, 因此本文主要采用北京大学互联网金融研究中心课题组 (2016) 编制的 北京大学互联网金融发展指数 该互联网金融发展指数在区域层面, 分为省级和地级市两级, 省级截面只有 31 个地区, 样本量太小, 为了得到更丰富和可靠的结果, 因此我们主要使用地级市层面的数据进行分析, 共计包含 335 个地级市 ( 盟 自治州和地区 ) 的数据 根据该指数的编制方法, 不仅有每个城市 2014 年 1 月 年 12 月每个月的互联网金融发展指数, 还有各城市的互联网支付发展指数 互联网货币基金发展指数 互联网投资发展指数 互联网保险发展指数等 各城市互联网金融发展指数纵向横向之间均具有可比性 为了对互联网金融发展水平的区域分布有更清晰的展示, 我们根据 2015 年 12 月各城市互联网金融发展指数, 描绘出了图 1 这样一个城市互联网金融发展指数排序图 其中我们将发展水平排名 1-50 的城市列为第一梯队, 排名 的城市列为第二梯队, 排名 的城市列为第三梯队, 排名 200 以后的城市列为第四梯队 从中我们可以看出, 互联网金融发展水平靠前的城市, 基本都集中在东部沿海地区, 但部分内陆城市也进入第一梯队 并且, 从图 1 中也可以看出, 总体而言, 地区互联网金融发展指数之间具有较强的空间集聚特征, 互联网金融发达的地区倾向于和同样发达的地区集聚在一起, 互联网金融落后的地区, 其周边地区也大多同属落后地区 同时, 互联网金融分布又存在较大的空间异质性, 经济发达的东部地区集聚了更多的互联网金融业务, 而广大中西部地区互联网金融业务则较为稀缺, 中国互联网金融在空间分布上呈现出非均质性特点 在主要地区上, 我们可以看到长三角和珠三角地区的互联网金融集聚特征非常明显, 基本都挤入第一梯队, 但环渤海地区则只有北京的互联网金融业务较为发达, 北京周边地区则表现平平 互联网金融作为超地理的金融活动, 理论上应该不受地理因素约束, 但互联网金融发达城市集中在沿海地区并有明显的集聚特征, 因此有必要对其分布的空间和地理特征进行详细讨论 年 7 月 34

37 图 1: 2015 年 12 月城市互联网金融发展指数排序 注 : 台港澳地区和海南省的省直辖县市缺少数据, 因此为白色 为了描述各城市互联网金融的发展速度, 我们将 2014 年 1 月 年 12 月各城市互联网金融发展速度进行排序并绘图 与上文一致, 将发展速度排名 1-50 的城市列为第一梯队, 排名 的城市列为第二梯队, 排名 的城市列为第三梯队, 排名 200 以后的城市列为第四梯队 从图 2 当中我们可以看出, 由于基数不同, 中西部地区城市发展速度较快, 东部地区城市发展速度较慢, 互联网金融使得落后地区有了赶超的机会, 其发展具有一定的收敛性或者说普惠性 年 7 月 35

38 图 2: 2014 年 1 月 年 12 月城市互联网金融发展增速排序 ( 三 ) 空间计量分析方法 上面图 1 和图 2 仅仅是利用互联网金融发展指数相对数值直观观察得到的结论, 在统计学意义上未必成立 为此, 为了得到更严谨的结论, 下面本文主要采用空间计量模型进行进一步的分析 空间计量模型主要讨论经济社会指标的空间效应 (Spatial Effects), 空间效应是指各地区间的经济地理行为之间存在空间相互作用, 可分为空间依赖性 ( 也叫空间自相关 ) 和空间异质性 ( 也叫空间差异性 ) 空间依赖性是空间计量经济学模型识别的第一个来源, 一方面它意味着空间上的观测值之间缺乏独立性 ; 另一方面它也意味着空间相关的强度及模式由空间的绝对位置和相对位置共同决定 空间异质性是空间计量经济学模型识别的第二个来源, 它是指地理空间上的地区缺乏均质性, 即存在中心和外围地区 核心和边缘地区 发达和落后地区等经济地理结构, 从而导致经济社会发展存在空间差异性 空间计量模型主要解决回归模型中复杂的空间相互作用与空间依存性问题 空间计量经济学认为, 一个地区空间单元上的某种经济地理现象或某一属性值与 年 7 月 36

39 临近地区空间单元上同一现象或属性值是相关的 1 空间自相关分析根据空间计量经济学原理, 分析互联网金融空间效应的思路如下 : 首先采用 Moran 指数 (Moran s I) 检验互联网金融是否存在空间自相关性 ; 如果存在空间自相关性, 则建立空间计量经济模型进行互联网金融影响因素的空间计量估计和检验 检验互联网金融集聚现象的空间相关性存在与否, 可以运用空间自相关指数 Moran s I, 计算公式为 : Moran n n W ( Y Y )( Y Y ) ij i j i 1 j s I= (1) n n 2 S Wij i 1 j n 2 1 其中, S Wi( Yi Y ), Y n i 1 1 n Yi n i 1, Y i 表示第 i 个地区的观测值, 即互联网 金融发展指数 ( 及分业务指数 ); n 为地区总数 ( 本文为 335 个 ); 重矩阵, 本文主要选取地理距离矩阵 W ij 为空间权 Moran 指数可看作各地区互联网金融发展指数的乘积和, 取值范围介于 -1 至 1 之间, 若其数值大于 0, 则说明互联网金融存在空间正自相关, 即相邻区域 之间具有相似属性, 互联网金融发展水平高的城市集聚在一起, 发展水平低的城 市集聚在一起, 数值越大说明空间分布的正自相关性越强, 集聚的强度也越强 ; 若其数值小于 0, 则说明互联网金融存在空间负自相关, 互联网金融发展水平高 的城市和低的城市集聚在一起, 数值越小则说明各空间单元的离散性越大 ; 若其 数值为 0, 则说明互联网金融发展服从随机分布, 地区间不存在相关关系 根据 Moran 指数的计算结果, 可采用正态分布假设来检验 n 个地区的互联网 金融发展指数是不是存在自相关关系, 其标准化形式为 : I - E(I) Zd ( ) (2) VAR( I) 其中, EI ( ) 和 VAR( I ) 分别为 Moran 指数的均值和方程, 可以证明, 标准化的 Moran 指数服从渐进标准正态分布 这样就可以检验 n 个区域的互联网金融发展 年 7 月 37

40 指数是否存在空间自相关关系 如果 Moran 指数的正态统计量的 Z 值大于正态 分布函数在 0.05( 或 等显著性临界值 ) 水平下的临界值 1.96, 表明互 联网金融在空间分布上具有明显的正相关关系, 反之则不存在空间自相关关系 全域 Moran 指数可以描绘经济变量整体的空间自相关性, 但不能反映具体 地区的空间依赖性, 而局域 Moran 分析则可以提供各地区与相邻地区间的空间 关系 在局域 Moran 分析中, 一般是通过图形, 展示不同地区的空间关系模式 具体而言, 是通过在二维平面上, 绘制局域 Moran 指数散点图, 将各区域互联 网金融发展指数分为 4 个象限的集群模式, 用以清晰识别一个区域与临近区域的 空间关系 2 空间计量模型 在单变量的空间自相关检验之外, 我们还可以用空间计量模型进行回归, 以 便考察在控制了其他影响因素之外, 区域互联网金融的发展是否仍具有空间溢出 效应 空间计量模型有多种, 本文在根据相关检验确认后, 采用的空间计量模型 主要是空间滞后模型 (Spatial Lag Model,SLM) 空间滞后模型主要是探讨各变 量在一个地区是否具有扩散效应 ( 或溢出效应 ) 其表达式为 : Y WY X (3) 其中,Y 为因变量 ( 或被解释变量 ); X 为解释变量 ; 为空间回归系数, 取值 介于 -1 和 1 之间, 反映了临近空间单元之间的相互影响, 即溢出效应的大小和方 向 ;W 为空间权重矩阵,WY 为空间滞后因变量 ; 为随机误差向量 参数 主 要反映了自变量 X 对因变量 Y 的影响 对于其他经济特征数据, 我们选取了人均 GDP 人口密度 金融机构信贷余 额 /GDP 等变量, 以检验互联网的发展受到了哪些因素的影响, 并考察在控制这 些因素之后, 互联网金融的空间集聚效应是否仍存在 具体变量含义和描述性统 计见表 1, 数据主要来源于 2014 年 中国区域经济统计年鉴 表 1: 变量说明和描述性统计 变量名变量含义均值标准差最小值最大值 lnpgdp 人均 GDP( 对数 ) lnpopden 人口密度 ( 对数 ) loan_gdp 金融机构贷款余额 /GDP pphone 百人移动电话数 年 7 月 38

41 tgdp 第三产业比重 open 进出口总额 /GDP gov_gdp 政府财政支出 /GDP teach_stu 小学师生人数比 phospital 万人医疗机构床位数 proad 人均公里里程 capital 省会城市哑变量 west 西部城市哑变量 central 中部城市哑变量 distbj 到北京距离 distsh 到上海距离 disthz 到杭州距离 distsz 到深圳距离 ( 四 ) 实证结果分析 1 互联网金融发展指数空间自相关检验利用 2015 年 12 月中国 335 个地级市的互联网金融发展指数计算 Moran 指数, 其中, 空间权重矩阵根据各城市距离平方的倒数计算 表 2 给出了互联网金融总指数和分业务指数的 Moran 检验结果, 从中我们可以看出, 互联网金融各业务均有显著的正向空间相关性 也就是说, 中国地级市互联网金融的发展在空间分布上, 并非表现出完全随机的状况, 而是表现出某些地级市的相似值之间在空间上趋于集聚, 这说明中国互联网金融发展存在空间集聚现象 表 2:2015 年 12 月互联网金融指数 Moran s I P 值 总指数 互联网支付 互联网货币基金 互联网投资理财 互联网保险 注 : 使用的空间权重矩阵为各城市距离平方的倒数 图 3 给出了 2014 年 1 月 年 3 月每个月的互联网金融发展指数的 Moran 指数变化趋势 从中可以看出, 一方面中国互联网金融仍表现出较强的空间集聚特征, 因为每个月的 Moran 指数都为正数, 且均非常显著 ; 另一方面中国互联网金融集聚的空间相关性呈现出一定的下降趋势 Moran 指数从 2014 年 1 月的 0.42 下降到 2016 年 3 月的 0.38, 虽然下降幅度比较小, 但仍然揭示出中国互联 年 7 月 39

42 Jan-14 Feb-14 Mar-14 Apr-14 May-14 Jun-14 Jul-14 Aug-14 Sep-14 Oct-14 Nov-14 Dec-14 Jan-15 Feb-15 Mar-15 Apr-15 May-15 Jun-15 Jul-15 Aug-15 Sep-15 Oct-15 Nov-15 Dec-15 Jan-16 Feb-16 Mar-16 北京大学互联网金融发展指数 ( 第三期 ) 网金融空间分布具有一定的分散化趋势 上文的分析曾发现互联网金融发展表现出一定的收敛性和普惠性, 这与 Moran 指数下降趋势一致, 但这与杜家廷 (2010) 发现的中国传统金融发展空间集聚特征逐渐增强的趋势不同 Moran 指数 图 3:2014 年 1 月 年 3 月互联网金融发展指数的 Moran s I 注 : 使用的空间权重矩阵为各城市距离平方的倒数, 所有月份 Moran s I 的 P 值均为 局部 Moran 指数分析为了进一步分析中国区域互联网金融发展指数的空间集聚特征, 本部分给出了局域 Moran 指数散点图 Moran s I 散点图根据某地区互联网金融所属局部空间的集聚类型, 将其划分为四个象限, 分别对应于地区互联网金融与临近地区之间的四种类型的局部空间联系形式 第 1 象限为高 - 高组合, 表示互联网金融发展水平高的地区被同是高水平的地区包围 ; 第 2 象限为低 - 高组合, 表示互联网金发展水平低的地区被高水平地区包围 ; 第 3 象限为低 - 低组合, 表示互联网金融发展水平低的地区被同是低水平的地区包围 ; 第 4 象限为高 - 低组合, 表示互联网金融水平高的地区被低水平的地区包围 总体而言, 图 4 显示, 绝大多数城市落在第 1 象限或者第 3 象限, 即要么是高 - 高组合, 要么是低 - 低组合, 但也有一些城市落在了第二和第四象限 落在第 1 象限的大部分都是东部沿海城市, 城市本身互联网金融发展水平高, 周边城市互联网金融发展水平也高 ; 落在第 3 象限的则恰恰相反, 基本上在中西部地区, 城市本身和周边城市互联网金融发展水平都低 第 4 象限城市多为中西部地区的区域中心城市, 城市本身互联网金融发展水平高, 但周边城市互联网金融发展水平一般 ; 而第 3 象限又与此相反, 多位于中心城市的周边, 周边有互联网金融发 年 7 月 40

43 展水平高的城市, 自身互联网金融发展水平却一般 这也说明中国互联网金融在 表现出一定的空间集聚特征之外, 也有一定的空间异质性, 空间集聚并不是绝对 的 完全的 4 Moran scatterplot (Moran's I = 0.371) index_if 漳州 东莞 Wz 中山嘉兴珠海湘潭绍兴江门惠州舟山苏州丽水上海湖州无锡镇江台州宁波肇庆宣城泰州衢州南通莆田泉州吴忠清远汕尾阳江马鞍山扬州常州温州宁德佛山福州金华上饶忻州六安河源滁州潮州黄山三明盐城芜湖南京孝感渭南茂名云浮抚州咸阳昌吉梅州池州宿州乌兰察贺州张家口吐鲁番日喀则商洛绥化海东昌都定西陇南临夏黄南海北固原果洛毕节昭通文山和田那曲驻马店平凉怒江天水武威铜仁河池周口庆阳来宾铁岭朝阳曲靖楚雄中卫黔西南安康通辽松原黔东南赤峰齐齐哈巴中临沧凉山兴安保山玉树白银湘西贵港白城亳州百色塔城永州承德崇左钦州阜阳梧州黄冈吉安张家界辽源巴彦淖达州广元红河遂宁怀化甘孜遵义黔南阿勒泰安顺邵阳南阳阿克苏南充伊犁商丘阿坝黑河呼伦贝铜川菏泽常德山南阜新恩施益阳信阳朔州德州宜春开封湛江沧州安庆滨州咸宁株洲南平龙岩烟台廊坊铜陵石嘴山安阳聊城本溪吕梁娄底迪庆六盘水玉林泸州广安内江大理汉中宜宾资阳张掖伊春通化鸡西玉溪邯郸七台河博尔塔双鸭山葫芦岛大兴安平顶山濮阳榆林嘉峪关宝鸡眉山四平雅安丹东辽阳荆门衡水衡阳随州锡林郭运城漯河临汾长治荆州营口鹤壁大同济宁郴州莱芜保定德阳鹰潭唐山韶关萍乡泰安岳阳淮北赣州九江晋中景德镇淮南淮安临沂宿迁焦作晋城蚌埠十堰佳木斯牡丹江吉林许昌攀枝花白山西双版三门峽延边巴音郭鄂尔多延安新乡襄阳包头枣庄阳泉新余黄石潍坊日照揭阳威海汕头厦门连云港淄博青岛海口三亚天津东营防城港洛阳桂林鞍山绵阳阿里盘锦哈密乌海宜昌秦皇岛北海石家庄大连合肥南昌长沙北京济南自贡乐山鹤岗锦州邢台海西抚顺丽江林芝鄂州柳州阿拉善重庆克拉玛呼和浩徐州南宁太原武汉郑州大庆哈尔滨长春乌鲁木沈阳甘南海南德宏金昌拉萨昆明贵阳成都西安喀什克孜酒泉兰州银川 西宁 广州 深圳 杭州 z 图 4:2015 年 12 月互联网金融发展指数局部 Moran s I 散点图 ( 三 ) 空间计量回归结果分析在进行空间计量回归之前, 我们首先进行了普通最小二乘法 (OLS) 的回归 回归结果如表 3 所示, 并根据该结果进行了空间模型优劣的检验, 表 4 是相关检验结果 其中,Moran s I( 误差 ) 检验表明变量存在空间依赖性, 因此空间模型优于普通的 OLS 模型 而在空间模型中, 根据拉格朗日乘子 (Lagrange Multiplier) 和稳健拉格朗日乘子 (Robust LM) 检验结果, 空间滞后模型优于空间误差模型, 因此本文主要采用了空间滞后模型 表 3: 未考虑空间效应的 OLS 回归的相关检验 (1) (2) (3) (4) index_if1512 index_if1512 index_if1512 index_if1512 lnpgdp *** *** *** *** (10.019) (9.763) (10.747) (9.980) lnpopden *** *** *** *** (3.872) (2.961) (4.439) (4.572) loan_gdp *** *** *** 年 7 月 41

44 (11.749) (11.593) (11.863) pphone *** *** *** (0.184) (0.178) (0.155) tgdp *** *** (48.892) (43.778) open *** *** (0.148) (0.133) gov_gdp ** *** (27.376) (23.147) teach_stu (3.050) (2.849) phospital ** (0.378) (0.337) proad *** *** (0.074) (0.063) capital *** (16.035) west *** (11.521) central ** (10.771) distbj *** (0.996) distsh *** (8.634) disthz *** (8.986) distsz *** (1.279) N r 表 4: 未考虑空间效应的 OLS 回归的相关检验 1 统计量 P 值 Moran s I Lagrange Multiplier (error) Robust LM(error) Lagrange Multiplier (lag) Robust LM (lag) 表 5 给出了空间滞后模型的回归结果, 从中可以看出, 人均 GDP 人口密度 1 本表检验的是跟表 4 第 (5) 一致的 OLS 回归结果, 具体回归结果可向作者索取 年 7 月 42

45 传统金融以及互联网基础实施等, 都与互联网金融的发展显著正相关, 这说明互联网金融的发展仍要以实体经济和传统金融业为发展基础, 但对比表 3 和表 5, 可以看出, 包含空间滞后项之后, 这些变量的系数都有所缩小, 这也说明遗漏空间滞后项, 会使得相关经济因素的估计有高估 而空间滞后项本身显著为正, 说明互联网金融发展有正的空间集聚效应 空间滞后项的显著性, 在控制变量逐步增多的时候, 有逐步减小的趋势, 这说明互联网金融的空间集聚特征, 部分原因可能是因为互联网金融的发展仍然依赖于其他经济特征, 而其他经济特征又具有空间集聚特征, 进而导致互联网金融也表现出一定的空间集聚特征 但即便是在尽可能罗列相关经济特征控制变量后, 空间滞后项仍然显著为正, 即在考虑其他因素影响之后, 互联网金融的发展仍然具有一定的集聚特征和空间溢出效应, 互联网金融并没有表现出完全的超地理的特征 互联网金融是金融业和互联网业的大融合, 而中国的金融业和互联网业在某几个少数地区和城市有高度集聚的特征, 例如北京 上海 深圳 杭州等地 (Guo et al.,2016) 为了特别控制和检验这几个地区互联网金融发展的溢出效应, 我们在表 5 第 (5) 列的回归方程中, 加入了各个城市到北京 上海 深圳 杭州等地区的距离, 回归结果显示, 不同城市距离杭州的距离越近, 距离北京 上海 深圳的距离越远, 互联网金融发展水平越高 这说明杭州互联网金融的发展对周边城市的影响是正的溢出, 而北京 上海和深圳的互联网金融发展对周边城市的影响是负的吸附效应 这是一个非常有趣的结果, 由于我们的数据主要来源为总部位于杭州的蚂蚁金服集团, 因此该结果表明, 距离该数据源越近, 互联网金融的推广力度越大, 从而互联网金融发展水平越高 表 5: 空间滞后模型估计结果 (1) (2) (3) (4) (5) 总指数 总指数 总指数 总指数 总指数 WY *** *** *** *** *** (0.055) (0.057) (0.044) (0.047) (0.051) lnpgdp *** *** *** *** (9.430) (8.423) (10.005) (9.638) lnpopden *** *** *** *** (3.711) (2.714) (4.177) (4.407) loan_gdp *** *** *** (10.157) (10.725) (11.434) pphone *** *** *** 年 7 月 43

46 (0.161) (0.165) (0.153) tgdp *** *** (45.259) (42.268) open *** *** (0.142) (0.132) gov_gdp *** (25.464) (22.504) teach_stu (2.816) (2.747) phospital (0.372) (0.334) proad *** *** (0.070) (0.061) capital *** (15.675) west ** (11.308) central ** (10.490) distbj *** (1.019) distsh *** (8.328) disthz *** (8.700) distsz *** (1.245) N 对互联网金融各业务的发展指数的空间计量回归结果, 与互联网金融总指数的结果大体一致, 这说明对于各业务而言, 在控制了各地的经济特征之后, 各互联网金融业务仍然具有一定的空间集聚特征和地理依赖性 表 6: 各业务指数空间计量结果 (1) (2) (3) (4) 互联网支付 互联网货币基金 互联网投资 互联网保险 WY *** ** ** ** (0.050) (0.057) (0.067) (0.048) lnpgdp *** *** *** *** (5.118) (6.149) (13.574) (9.491) lnpopden *** *** *** *** (2.343) (2.810) (6.210) (4.321) loan_gdp *** ** *** *** 年 7 月 44

47 (6.079) (7.289) (16.112) (11.213) pphone *** *** *** *** (0.082) (0.097) (0.214) (0.149) tgdp *** *** * *** (22.459) (26.959) (59.542) (41.476) open *** *** *** *** (0.070) (0.084) (0.184) (0.128) gov_gdp *** (12.010) (14.307) (31.590) (21.932) teach_stu (1.460) (1.751) (3.870) (2.692) phospital (0.178) (0.212) (0.467) (0.327) proad *** *** ** *** (0.032) (0.039) (0.086) (0.059) capital *** *** *** ** (8.317) (9.998) (22.104) (15.450) west *** * (6.085) (7.183) (15.751) (10.975) central *** (5.613) (6.656) (14.701) (10.253) distbj *** *** *** *** (0.535) (0.643) (1.422) (0.999) distsh *** *** * (4.434) (5.316) (11.740) (8.163) disthz *** *** *** ** (4.637) (5.567) (12.205) (8.517) distsz *** *** *** *** (0.659) (0.803) (1.767) (1.216) N ( 五 ) 结论与启示 本文通过空间自相关检验和空间计量模型, 揭示了中国区域互联网金融的空间集聚特征 本文主要得到以下结论 : 中国互联网金融发展水平高的地区主要集中在沿海地区, 表现出一定的空间集聚特征, 但也有少部分中西部地区的互联网金融发展水平超过了本地区的通常表现, 互联网金融的发展空间集聚性和空间异质性都有所展现 空间自相关检验结果显示, 中国互联网金融发展不同区域之间具有显著的空间自相关性, 不同地区之间形成了较强的空间依赖特征和正的空间溢出效应 这 年 7 月 45

48 种正的空间溢出效应说明本地相邻地区的互联网金融的发展, 能够促进本地区互联网金融业的发展 空间计量模型结果则显示, 即便是控制了一系列的经济特征变量之后, 互联网金融的发展仍有有显著的正向溢出效应 虽然从理想情形而言, 互联网金融应该表现出一定的超地理特征, 但本文的实证结果表明, 互联网金融的发展还是地理依赖的, 这在进一步控制了多个地区经济特征变量后, 仍然如此, 尽管添加控制变量后, 空间滞后项的系数有所变小 这说明互联网金融表现出的地理依赖和空间集聚特征, 可能并不完全是因为互联网金融的发展依赖于实体经济和传统金融的发展, 而实体经济和传统金融的发展又具有一定的空间集聚特征, 而是互联网金融发展本身就不是完全超地理的, 而是仍具有一定的地理依赖性和空间溢出效应 中国的互联网金融为何能够异军突起, 在世界范围内领先, 对此不同的学者都给予了很多的讨论, 本文仅从互联网金融是否仍有地理依赖性进行了讨论, 虽不能对此问题进行直接回答, 但本文的结论也启示我们, 中国的互联网金融有其独特的发展模式, 这是制定监管政策时, 必须要充分考虑的 例如根据银监会等发布的关于 P2P 网络借贷行业的监管办法 ( 征求意见稿 ), 未来 P2P 网络借贷就以地方政府来负责日常监管 参考文献 北京大学互联网金融研究中心课题组 ( 郭峰 孔涛 王靖一 程志云 阮方圆 邵根富 王芳 杨静 ), 互联网金融发展指数的编制与分析, 新金融评论, 2016 年第 1 期 杜家廷, 中国区域金融发展差异分析: 基于空间面板模型的研究, 财经科学,2010 年第 9 期 郭峰 胡军 : 地区金融扩张的竞争效应和溢出效应_ 基于空间面板模型的分析, 经济学报,2016 年第 1 期 Guo, F., S. T. Kong and J. Wang, General Patterns and Regional Disparity of Internet Finance Development in China: Evidence from the Peking University Internet Finance Development Index, China Economic Journal, 2016, forthcoming. 任英华 徐玲 游万海 : 金融集聚影响因素空间计量模型及其应用, 数 年 7 月 46

49 量经济技术经济研究,2010 年第 5 期 周凯 刘帅 : 金融资源空间集聚对经济增长的空间效应分析, 投资研究, 2013 年第 1 期 年 7 月 47

50 北京大学互联网金融研究中心简介 2015 年 10 月 13 日, 经北京大学校长办公会批准, 北京大学互联网金融研究中心 (Institute of Internet Finance, Peking University) 正式成立 研究中心由北京大学中国社会科学调查中心 上海新金融研究院 蚂蚁金服集团共同发起成立, 挂靠北京大学国家发展研究院 中心致力于开展对金融科技 普惠金融 金融改革等领域的学术研究, 向社会提供权威的科研成果, 为政府决策提供参考, 服务于金融行业的发展和监管 研究中心施行理事会领导下的主任负责制 三方发起单位的代表出任理事会创始理事, 包括北京大学社会科学调查中心主任李强 上海新金融研究院常务副院长王海明 蚂蚁金服集团首席战略官陈龙, 并由李强教授担任理事长 2016 年 7 月, 增选北京大学国家发展研究院院长姚洋教授为研究中心理事 未来, 理事会将逐步吸收其他互联网金融机构加盟 研究中心首任主任由北京大学国家发展研究院副院长黄益平教授担任, 王海明担任常务副主任 中心首批研究人员包括北大国家发展研究院和社科调查研究中心的黄卓 孔涛 沈艳 谢绚丽 徐建国 薛兆丰 朱家祥等多位教授, 中心还聘请中国工商银行原行长杨凯生先生 中南财经政法大学龚强教授等业界 学界专家担任特约高级研究员 此外, 中心每年招聘数名全职博士后, 并吸纳北京大学国家发展研究院研究生 中国金融四十人论坛和上海新金融研究院青年研究员担任研究助理 年 7 月 48

51 致谢 在指数编制和分析过程中, 得到了北京大学 上海新金融研究院 蚂蚁金服集团以下同事的大力支持 : 沈艳 宋晓佺 刘雅 任洁 蔡佳良 陈前进 邓君英 樊振华 韩晓东 黄国进 姜雪 纪大猛 李颖赟 李振华 娄鹏 楼叶芳 罗兰 聂正军 潘晓峰 戚栋梁 孙乔夫 王帅 蔚洁明 吴敏 吴青云 吴寅钊 夏超 宣竞 徐超 徐笛 徐虎 姚伟春 袁胜雄 叶伟 张道生 周波 特此感谢 年 7 月 49