非正規金融的區域差異及其影響因素分析

李鑫 田秀娟

【摘要】區域金融發展不均衡作為亟需解決的問題， 長期影響著我國金融系統的穩定性。 本研究從資金供給端以體現投資者偏好的借貸滿標時間構建斷尾模型， 實證檢驗非正規金融是否存在區域差異， 結果表明不同省份借款訂單滿標時間存在顯著差異。 進一步研究發現， 低收入地區借款人傾向于更快地獲得借款， 原因可能在于： 一方面正規金融的風險溢出使得放款人更傾向于低收入地區借款人; 另一方面針對不同地區的借款人， 借貸平臺執行了差異化的信用審核標準。 因此， 非正規金融即使有高新技術的支持仍然存在區域差異等市場分割， 金融市場效率有待提升。

【關鍵詞】借貸滿標時間;非正規金融;區域差異;影響因素

【中圖分類號】F830? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2021）18-0153-8

一、引言

我國金融業歷經多年的發展， 資產規模增長迅速， 金融產品逐漸豐富， 取得了長足的進步。 但是囿于資本“嫌貧愛富”的本質以及受到資源稟賦、金融政策或制度的影響[1] ， 我國的金融業卻呈現出區域發展失衡的狀態。 金融資源供給與需求的空間不對稱性勢必導致區域金融發展不均衡， 建立一個惠及全民的金融體系的重要性毋庸置疑。 然而， 傳統正規金融市場的路徑依賴特性和金融制度的約束使得金融體系的均衡發展任重而道遠。

非正規金融是虛擬金融活動的集合[2] ， 其作為傳統正規金融的重要補充， 彌補了正規金融的服務缺位， 滿足了中小企業和低收入個體等長尾人群的資金需求， 尤其是近年來憑借互聯網等高新技術在我國迅速發展的網絡眾籌、網絡借貸等。 網絡借貸和眾籌等模式客觀上促進了金融服務的多樣化[3] ， 那么非正規金融的存在是否提升了金融市場的效率？ 這是值得關注的問題。 金融市場效率體現為在資金供需雙方各自追求最佳收益的目標下使得市場間的收益和成本均等化[4] ， 其中， 借款人對于最低融資成本的追求是促使金融市場效率提升的關鍵因素之一。 以借貸時間成本為例， 據2017年6月網貸之家公布的數據， 網絡借貸借款訂單平均26.4小時滿標， 也就是說借款人在26.4小時內便能籌到資金， 這一融資時間相比傳統資金借貸已顯著縮減。 網絡借貸借助技術優勢突破了地域限制， 其效率應體現為各地網絡借貸市場的一體化， 原因在于相比網絡借貸市場分割， 一體化的借貸市場更有效[5] 。 我國各地網絡借貸如果形成了一體化市場， 那么各地網絡借貸時間成本應該無差異化; 反之， 如果各地網絡借貸時間成本存在顯著的區域差異， 則表明我國網絡借貸市場是分割的， 借貸效率有待提升。 因此， 擁有技術優勢的網絡借貸是否存在區域差異及其影響因素便是本文研究的重點。

二、文獻綜述

稀缺的借貸資源使得金融資源的區域分布對借貸關系產生了重要影響。 傳統金融機構若擁有金融資源， 便會對借款人實施信貸配給， 同時信貸配給中被剔除的主要是抵押品不足、資產規模較小、部分高風險和地區偏遠的中小微企業或個人[6] 。 相比傳統金融機構， 網絡借貸由于其虛擬屬性， 避免了借貸雙方的直接接觸， 因此對借款人更為友善[7] 。 Morales[8] 研究發現， 互聯網金融平臺可以完全消除借貸地域歧視。 國內也有學者認為借貸雙方可以通過互聯網金融平臺的信息甄選、匹配等機會均等地參與金融交易， 有效緩解金融排斥[9] ， 這一交易模式及其虛擬特征使其能為各區域的客戶提供普惠性的金融服務[10] ， 進而有效提升資源配置效率。 同樣， 吳本健等[11] 認為互聯網金融作為傳統金融的補充， 其滿足了借貸雙方多樣性的金融需求， 是提升金融包容性的重要工具。

然而， Mollick[12] 以美國眾籌網站為研究對象， 發現地域不同會顯著影響眾籌的成功率。 廖理、李夢然和王正位[13] 經過研究發現各省份的訂單成功率存在很大差異， 但成功率較低省份的訂單， 其違約率并沒有顯著高于其他省份， 因此認為存在偏好性歧視。 在此基礎上， 低收入地區的借款人傾向于以較高的利率成本獲得貸款， 而高收入地區的借款人則傾向于以較低的利率成本來獲得貸款， 同時這種由于地區差異引起的借貸關系差異因借款人學歷、借款金額、信用等的不同而不同， 即存在異質性[14] 。

在資金供給方面， 粟芳、方蕾[15] 認為農村互聯網金融排斥主要源自供給排斥。 網絡借貸的投資者具有較強的本土偏好， 更傾向于借款給本地的融資者， 與互聯網金融的虛擬化背道而馳[16] 。 孫濤、苗妙[17] 發現網絡借貸的投資者對金融可得水平較高區域的借款人存在偏好， 同時， 正規金融可得水平較低區域的借款人對于網絡借貸有著更強烈的融資需求。 這說明目前互聯網金融存在區域差異[5] ， 原因在于互聯網金融是傳統正規金融的延續， 其發展同樣依賴于實體經濟和傳統金融[18，19] 。 彭紅楓等[20] 在證實地域差異對借貸關系影響的基礎上， 指出各地經濟水平、金融發展水平和教育程度的不同是這種影響存在的根源; 同時“正規金融普及程度與借款成功率負相關”這一結論， 則為網絡借貸成為正規金融的有效補充提供了機會。

基于以上文獻梳理， 可以發現大多數研究都是從借貸成功率、違約率或者利率的角度來考察網絡借貸是否存在區域差異。 本文的貢獻體現在以下兩個方面： 第一， 區別于以往研究從借貸成功率和違約率等借貸結果的角度， 本文從資金供給端出發， 以借貸滿標時間觀察網絡借貸是否存在區域差異; 第二， 研究并不止于探析網絡借貸是否存在區域差異， 而是基于此更深入地探究其影響因素。

三、實證設計

（一）實證思路

首先考察不同省份的借貸滿標時間， 即網絡借貸滿標時間是否存在差異， 如果存在差異則說明網絡借貸存在區域差異現象。 然后， 在此基礎上進一步針對其影響因素進行分析。 本文通過構建不同省份的經濟發展水平、居民收入、支出等實體經濟因子來具體探究其影響因素。

（二）網絡借貸區域差異實證模型設定

網絡借貸中存在區域差異的直觀表現是各省份之間的借貸滿標時間存在顯著差異。 但借貸滿標時間除了有可能受區域差異影響， 還可能受到利率[21] 等因素的影響， 因此需要在控制借款人個人特征信息、信用信息和訂單信息的基礎上， 考察各省份的借貸滿標時間是否存在顯著差異。

不同于借貸是否成功或違約的啞變量， 借貸滿標時間是離散變量。 由于借貸滿標時間是從借款人發起訂單至借款成功的時間間隔， 因此借貸滿標時間受到借貸是否成功的影響， 數據中也只有借款成功的訂單才能觀測到借貸滿標時間。 即：

（1）

其中： Interval為訂單滿標時間， Interval*為實際的訂單滿標時間; suci為訂單i是否成功， suci=1表示借貸成功， suci=0表示借貸失敗。 因此， 借貸滿標時間在借貸失敗時就存在左邊斷尾， 本文將采用斷尾回歸來檢驗如下模型設定：

Intervali=α+βn×Prn+δ×BIi+φ×OIi+γ×CIi+εi

（2）

其中： Prn表示第n個省份; BIi為借款人個人特征信息控制變量; OIi為借款訂單信息控制變量; CIi為借款人信用信息控制變量; εi為誤差項。 在模型（2）中， 如果回歸系數β1=β2=β3=…=βn是聯合顯著的， 則說明不同省份借款訂單滿標時間沒有顯著差異， 即不存在區域差異; 反之， 說明網絡借貸存在區域差異。

（三）網絡借貸區域差異影響因素模型設定

若上述結果表明網絡借貸存在區域差異， 將繼續探討其影響因素。 由于借貸滿標時間反映了投資者偏好， 而模型（2）中的工作地區為啞變量， 回歸系數βn的不同則體現了不同省份借貸滿標時間的不同， 因此將βn作為借貸關系的代理變量。 經濟發展水平和貨幣經濟化會影響網絡借貸的區域差異[22] ， 因此將各省份職工平均貨幣工資（Wage）和各省人均地區生產總值（GDPP）作為解釋變量。 同時， 投資者在進行投資時重點考察的是借款人的還款能力， 而還款能力受到收入和生活支出的影響， 因此將房屋平均銷售價格（P_estate）、人均稅收（Taxp）和居民消費水平（C）作為解釋變量。 另外， 將政府行政壟斷力（M）、人力資本（H_capital）納入各省經濟環境因素體系進行控制， 設定如下模型：

βn=α+λ1×lnWagen+λ2×lnP_estaten+

λ3×lnTaxpn+λ4×lnCn+λ5×lnGDPPn+λ6×Mn+

λ7×lnH_capitaln+εn? ? ? ? ? ? （3）

模型（3）中系數λn若顯著不等于零， 則說明其對應的解釋變量顯著影響各省借貸滿標時間。 其中： 若λn>0， 說明各省借貸滿標時間隨解釋變量的增加而增加; 若λn<0， 說明各省借貸滿標時間隨解釋變量的增加而減少。 借貸滿標時間越短表明放貸人越偏好該類借款人， λn>0表明放貸人偏好其對應解釋變量的較小值， λn<0則表明放貸人偏好其對應解釋變量的較大值。

四、數據選取與變量設定

（一）數據選取

本文選取了國內網絡借貸綜合排名前十的某平臺2015年5月 ～ 2016年6月期間的借款標的作為研究對象， 共205302條數據樣本。 申請借款成功的數據樣本， 即可以觀測到訂單滿標時間的借款標的有95547條， 其中訂單滿標時間為0的數據有960條。

本文所用數據分為借款訂單信息、借款人個人特征信息、借款人信用信息。 由于篇幅有限， 詳細變量及其說明參見表1。

（二）變量設定

1. 網絡借貸區域差異模型。

（1）被解釋變量。 被解釋變量為訂單滿標時間（Interval）， 由于訂單滿標時間數值大而且較分散， 因此在估計時采用訂單滿標時間的對數形式， 這樣也能剔除訂單滿標時間為0對回歸結果的干擾。

（2）解釋變量。 解釋變量為借款人工作省份（Pr）， 選取31個啞變量進行控制， 即：

如果Pr1=Pr2=…=Prn=0， 則表明借款人未提供工作省份信息。

（3）控制變量。 現有文獻表明借款人的個人特征、信用信息和訂單信息會影響借貸行為[23-25] ， 因此本文引入個人特征信息（BI）、信用信息（CI）和訂單信息（OI）作為控制變量。

2. 網絡借貸區域差異影響因素模型。

（1）被解釋變量。 基于前文所述， 被解釋變量為網絡借貸區域差異模型的回歸系數βn。

（2）解釋變量。 該模型中解釋變量有： 各省職工平均貨幣工資（Wage）， 收入不平等會影響家庭借貸行為[26] ， 那么地區間的收入差異同樣會影響地區間借貸關系; 各省人均地區生產總值（GDPP）， 彭紅楓等[20] 認為人均地區生產總值的增加可以顯著提升該地區網絡借貸成功率; 房屋平均銷售價格（P_estate）， 在家庭借貸中， 房屋按揭貸款占據主導地位， 因此各省的房屋平均銷售價格能較好地衡量地方人民生活負擔。 同時， 本文也將衡量生活負擔的各地人均稅收（Taxp）和居民消費水平（C）作為解釋變量。

（3）控制變量。 該模型控制變量包括： 省地方政府行政壟斷力（M）， 采用各省一般預算收入在GDP的比重作為地方政府行政壟斷力的代理變量[27] ; 人力資本（H_capital）， 采用每萬人中高等學校的在校生數量來衡量各省的人力資本。

由于可觀測到訂單滿標時間的數據大部分發生在2015年， 因此網絡借貸區域差異影響因素模型中的解釋變量均采用2015年的年度數據， 在估計時除政府行政壟斷力以外， 均采用對數形式。

在表2 的基礎上， 本文統計了各省成功訂單平均滿標時間①和借款成功訂單占比②的分布， 如圖1所示。

其中， 上海每筆成功借款平均需要的時間最長， 其次為安徽省， 而西藏自治區、青海省、廣西自治區、內蒙古自治區、新疆自治區和寧夏自治區平均用時較短， 其他省份成功借款訂單平均用時分布在2000秒附近。 訂單占比分布相對較為分散， 其中， 江蘇省的訂單占比最高， 其次是廣東省和福建省， 其余大部分省份的訂單占比則處于8%以下， 青海省、寧夏自治區、內蒙古自治區、西藏自治區、廣西自治區和新疆自治區的訂單占比較少， 其中青海省的訂單占比最少。 巧合的是， 成功訂單占比較少的省份恰恰是成功訂單平均滿標用時較少的省份。

五、實證結果分析

（一）網絡借貸區域差異模型的實證檢驗

表3展示了網絡借貸區域差異模型的回歸結果。 為了檢驗結果的穩健性， 本文依次控制了借款人個人特征信息、訂單信息和借款人信用信息變量。 觀察檢驗結果可知， 絕大部分系數都不同程度地顯著大于零， 說明借款人工作所在區域可以顯著影響其借貸滿標時間。 在逐漸增加控制變量的過程中， R2也逐漸增加并在斷尾回歸（3）中達到了最大值。 以斷尾回歸（3）為基準， 除西藏自治區外其他省份和直轄市的系數均顯著大于零， 其中系數最低的三個省份為海南省、吉林省和重慶市， 海南省的系數最低為1.191; 系數最高的前三個省份為上海市、寧夏自治區和新疆自治區， 上海市的系數最高為2.439。 但在所有斷尾回歸中， 西藏自治區的系數都不顯著， 結合各省訂單占比的分布狀況， 可推斷為西藏自治區訂單數量太少的緣故。 為了避免極端值對回歸的影響且為了使得回歸結果更加穩健， 本文同時進行了列（4）的中位數回歸和列（5）的最小二乘回歸， 其中在中位數回歸中各省份系數均顯著大于零， 最小二乘回歸中僅海南省系數不顯著。 在此基礎上對斷尾回歸（3）的系數β1=β2=β3=…=βn進行了聯合顯著檢驗， χ2（30）=442.27顯著地拒絕了系數相等的原假設， 即不同地區之間的回歸系數有顯著差異， 那么不同地區之間的借貸滿標時間也存在顯著差異。 也就是說， 網絡借貸存在區域差異。 圖2 更直觀地展示了各省斷尾回歸系數情況。

（二）網絡借貸區域差異影響因素模型的實證檢驗

由于網絡借貸存在區域差異， 接下來將進一步考察網絡借貸區域差異的影響因素。 還款能力是投資人最關注的因素， 而借款人的收入和支出可以體現其還款能力， 因此通過各省職工平均貨幣工資、人均地區生產總值、房屋平均銷售價格、人均稅收和消費水平等變量予以考察。 此外， 實體經濟是金融的根基， 區域經濟環境等因素勢必影響其金融發展， 因此同時控制了各省份的政府行政壟斷力和人力資本等變量。 回歸結果如表4所示。

在上述回歸中， 考慮到有可能存在遺漏變量以及各省份職工平均貨幣工資和借貸滿標時間有可能存在雙向因果關系而引起的內生性問題， 進行了Ramsey檢驗， F值為2.33， 接受無遺漏變量的原假設。 另外， 由于我國高工資地區主要集中在京津、長三江和珠三角省份以及西藏自治區、青海省和寧夏自治區， 但西藏自治區、青海省以及寧夏自治區的借款訂單占比非常低， 因此選擇是否為沿海省份的啞變量（CM）作為省職工平均貨幣工資的工具變量， 是沿海省份則為1， 否則為0， 其與職工平均貨幣工資的相關系數為0.3610， 且在5%的水平上顯著（p值為0.0460）。 對解釋變量進行豪斯曼內生性檢驗， 結果為接受所有解釋變量均為外生的原假設， 因此仍采用最小二乘法估計的結果。 在各解釋變量中， 各省份職工平均貨幣工資的系數在5%的水平上顯著， 且大于零， 說明各省份職工平均貨幣工資越高， 斷尾回歸系數越大， 即該省借款人借貸滿標時間越長， 投資人越不偏好。 這一結果與有些學者得出的貸款人傾向于向高收入地區提供資金， 而不愿向低收入地區提供資金[14，20] 的結果不同。

由于高收入地區的借款人更多地通過正規金融獲得資金， 而低收入地區的借款人則更多地依賴于非正規金融借貸[26] ， 即通過網絡借貸的更多的是該地區從正規金融溢出到網絡借貸的高風險、低收入借款人， 這會增加投資者面臨的不確定性， 導致投資者基于風險—收益的角度更傾向于將資金投向低收入地區， 減少對低收入地區的金融排斥。 廣東省、福建省、江蘇省和山東省等沿海發達地區居民收入水平較高， 通過網絡借貸的高風險、低收入借款人占比相對較多， 因此在網絡借貸中投資者并不偏好這些高收入地區， 而高收入地區訂單數量較多會更加凸顯這一現象。 相反在低收入地區由于自然稟賦、基礎設施薄弱[28] 、政府助推互聯網金融[19] 等因素導致可以通過網絡借貸的更多的是該區域收入較高的人群， 還款能力反而相對較好， 得到投資者的青睞。

另外， 也有可能針對不同地區的借款人， 借貸平臺實行了差異化的信貸審核制度。 上海市、江蘇省、廣東省等收入水平較高的地區由于經濟發展迅速， 在資金供給一定的情形下不同行業的資金需求旺盛， 因此網貸平臺在實際操作中執行了較為嚴格的信用審核制度; 相反由于低收入地區的資金需求相對較少， 網貸平臺執行了較為寬松的信用審核制度。 因此， 現階段地區收入水平顯著地影響網絡借貸的訂單滿標時間， 而且呈正相關關系。

為了保證結果的穩健性， 本文采用各省城鎮居民可支配工資性收入替代職工平均工資作為解釋變量進行回歸， 估計結果如表5所示。

由表5可知， 城鎮居民可支配工資性收入依然可以正向影響借貸滿標時間， 且該影響顯著。 由于可支配工資剔除了社保繳費等不可支配資金的影響， 因此借貸滿標時間對于城鎮居民可支配工資性收入更敏感。 城鎮居民可支配工資的系數略大于職工平均貨幣工資系數， 結果依然穩健。

六、結論與建議

本文首先利用網絡借貸國內排名前十的某平臺交易數據從借貸滿標時間的角度構建斷尾模型， 對以網絡借貸為代表的非正規金融進行區域差異研究。 研究發現， 在控制了借款人個人特征信息、信用信息和訂單信息等變量后， 網絡借貸顯著地存在區域差異現象， 這意味著網絡借貸即使是建立在先進互聯網技術之上也存在區域差異的市場分割。 進一步探究網絡借貸區域差異的影響因素， 發現體現放款人偏好的借貸滿標時間隨著區域收入水平的提高而增加。

本文的研究結果為非正規金融的相關研究提供了理論依據和數據支持： 第一， 從借貸滿標時間的角度觀察， 網絡借貸存在顯著的區域差異， 原因可能在于網絡借貸平臺過度介入借貸交易， 背離了信息中介的角色定位， 引起了借貸市場的混亂。 第二， 借貸滿標時間與區域收入水平顯著正相關。 一方面意味著由于正規金融風險的溢出， 從借貸滿標時間角度來看放款人并不偏好高收入地區， 相反更青睞低收入地區的借款人; 另一方面也意味著面對不同地區的借款人， 網絡借貸平臺執行了差異化的信用審核標準。 因此， 本文認為針對非正規金融市場， 政府應提高非正規金融平臺的準入門檻， 規范非正規金融中介的平臺操作， 同時制定合理的信用審核標準和流程以加快非正規金融市場一體化建設， 提升金融市場效率。

【 注 釋 】

① 某省成功訂單平均滿標時間為該省借款成功的訂單滿標時間的平均值。

② 某省成功訂單占比為該省借款成功訂單數量在所有提交工作省份信息且借款申請成功訂單數量中的比例。

【 主 要 參 考 文 獻 】

[1] 崔光慶，王景武.中國區域金融差異與政府行為：理論與經驗解釋[ J].金融研究，2006（6）：79 ～ 89.

[2] Andersons， Baland J.. The Economics of Roscas and Intra-householda Resource Allocation[ J].The Quarterly Journal of Econo-

mics，2002（3）：963 ～ 995.

[3] 謝平，鄒傳偉.互聯網金融模式研究[ J].新金融評論，2012（12）：11 ～ 22.

[4] 何光輝，楊咸月，陳詩一.入世以來中國證券市場動態國際一體化研究[ J].經濟研究，2012（10）：82 ～ 96.

[5] 楊何燦， 楊咸月.中國網絡借貸市場的區域差異及信息引導關系研究[ J].當代經濟科學，2016（5）：35 ～ 41.

[6] 王霄，張捷.銀行信貸配給與中小企業貸款—— 一個內生化抵押品和企業規模的理論模型[ J].經濟研究，2003（7）：68 ～ 75.

[7] Pope D. G.， Sydnor J. R.. What's in a Picture： Evidence of Discrimination from Prosper.com[ J].Journal of Human Resources，2011（1）：53 ～ 92.

[8] Morales M. F.. Financial Intermediation in a Model of Growth Through Creative Destruction[ J].Macroeconomic Dynamics，2010（7）：93 ～ 363.

[9] 郭喜才.互聯網金融風險及其監管研究[ J].江西社會科學，2015（7）：80 ～ 84.

[10] 吳曉求.互聯網金融：成長的邏輯[ J].財貿經濟，2015（2）：5 ～ 15.

[11] 吳本健，毛寧，郭利華.“雙重排斥”下互聯網金融在農村地區的普惠效應[ J].華南師范大學學報（社會科學版），2017（1）：94 ～ 100.

[12] Mollick E.. The Dynamics of Crowdfunding： An Explora-

tory study[J]. Journal of Business Venturing，2014（1）：1 ～ 16.

[13] 廖理，李夢然，王正位.中國互聯網金融的地域歧視研究[ J].數量經濟技術經濟研究，2014（5）：54 ～ 70.

[14] 蔣彧，周安琪.P2P網絡借貸中存在地域歧視嗎？——來自“人人貸”的經驗數據[ J].中央財經大學學報，2016（9）：29 ～ 39.

[15] 粟芳，方蕾.中國農村金融排斥的區域差異：供給不足還是需求不足？——銀行、保險和互聯網金融的比較分析[ J].管理世界，2016（9）：70 ～ 83.

[16] Lin M.， Viswanathan S.. Home Bias in Online Investments： An Empirical Study of an Online Crowdfunding Market[Z].Working Paper，2013.

[17] 孫濤，苗妙.互聯網金融對區域金融可得的均衡效應——基于P2P網貸交易數據的實證研究[ J].技術經濟，2016（8）：118 ～ 128.

[18] Feng G.， Kong S. T.， Wang J.. General Patterns and Regional Disparity of Internet Finance Development in China： Evidence from the Peking University Internet Finance Development Index[ J].China Economic Journal，2016（3）：1 ～ 19.

[19] 姚耀軍，施丹燕.互聯網金融區域差異化發展的邏輯與檢驗——路徑依賴與政府干預視角[ J].金融研究，2017（5）：131 ～ 146.

[20] 彭紅楓，楊柳明，譚小玉.地域差異如何影響P2P平臺借貸的行為——基于“人人貸”的經驗證據[ J].當代經濟科學，2016（5）：21 ～ 34.

[21] 張曉玫，王博，周玉琴.非完全利率市場化下網絡借貸的利率定價有效嗎——來自“人人貸”的微觀借貸證據[ J].南開管理評論，2016（4）：98 ～ 110.

[22] 高鑫.區域差異視角下我國所有制結構與非正規金融關系研究[ J].經濟問題探索，2015（11）：98 ～ 105.

[23] Green T. C.， Jame R.. Company Name Fluency， Investor Recognition， and Firm Value[ J].Journal of Financial Economics，2013（3）：813 ～ 834.

[24] 葉德珠，陳霄.標點與字數會影響網絡借貸嗎——來自人人貸的經驗證據[ J].財貿經濟，2017（5）：65 ～ 79.

[25] 郭峰.網絡昵稱與P2P借貸的成功率和違約率[ J].經濟科學，2016（6）：102 ～ 116.

[26] 郭新華，劉輝，伍再華.收入不平等與家庭借貸行為——家庭為追求社會地位而借貸的動機真的存在嗎[ J].經濟理論與經濟管理，2016（5）：84 ～ 99.

[27] 王開科，曾五一，王開泳.中國省域城鎮工資水平的區域分異機制與空間效應[ J].地理研究，2013（11）：2107 ～ 2120.

[28] 馮湖，張璇.中國互聯網發展的區域差異與政策治理[ J].北京科技大學學報（社會科學版），2011（3）：150 ～ 157.