中國銀行退出網(wǎng)點的多尺度格局及其影響因素

李楚海，林 娟,b，盧嘉新，伍世代,b

（1.福建師范大學 a.文化旅游與公共管理學院；b.智慧旅游福建省重點實驗室，福州 350117；2.海南大學 旅游學院，海口 570228）

近年來，在信息化發(fā)展、金融改革與銀行競爭主體多元化的背景下，中國經(jīng)歷了一場聲勢浩大的銀行網(wǎng)點關(guān)停潮（Fraisse et al., 2018；鄒小華 等，2019）。不少學者認為，移動手機的廣泛應用與數(shù)字化時代的到來，既對傳統(tǒng)線下銀行服務模式發(fā)起挑戰(zhàn)（Gupta et al., 1997；李依憑，2002；孫娜，2018），也帶動了第三方支付平臺的廣泛使用，使傳統(tǒng)實體銀行面臨巨大的經(jīng)營壓力（Deyoung et al.,2004; Zhao, 2018；劉孟飛 等，2021）。銀行網(wǎng)點經(jīng)營與處理小額交易成本過高時，可通過減少網(wǎng)點數(shù)量降低運營成本，提高盈利能力來提供支撐（Shahrokhi，2008；王修華 等，2014）。然而，部分學者認為商業(yè)銀行當前的核心地位（劉忠璐，2016）、數(shù)字鴻溝背景下老齡人口的需求（赫國勝 等，2015）以及商業(yè)銀行客戶服務的供需（徐志宏，2007）均使傳統(tǒng)銀行在數(shù)字化轉(zhuǎn)型過程，仍需保留實體營業(yè)點，并不會加速其退出。

近年來，金融地理學日趨注重金融要素在空間差異、過程及相互作用上的探析，而銀行網(wǎng)點作為金融機構(gòu)的重要組成部分，其與地理空間的相互關(guān)系已成為金融地理學的重要研究內(nèi)容（張國俊 等，2015；馬學廣 等，2017）。早在20世紀80年代，國外金融地理學者發(fā)現(xiàn)，隨著金融環(huán)境的變化，金融機構(gòu)因產(chǎn)品服務盈利性降低等緣由，便開始呈現(xiàn)對已開發(fā)區(qū)、弱勢群體等逐步縮減供給的態(tài)勢，致使小城市與農(nóng)村偏遠地區(qū)的金融機構(gòu)紛紛關(guān)閉，形成“金融排斥”現(xiàn)象（Leyshon et al., 2008；馬學廣等，2017）。該現(xiàn)象最初廣受關(guān)注是因為金融機構(gòu)具有明顯地理分布特征，分析區(qū)域內(nèi)銀行網(wǎng)點的撤并，及其對微觀主體與金融機構(gòu)的聯(lián)系所造成的影響，具有較強的地理指向性，由此發(fā)現(xiàn)金融機構(gòu)的退出有著農(nóng)村偏遠地區(qū)高于城市發(fā)達區(qū)域的空間差異性特征（Osei, 2009; Joassart et al., 2010；馬學廣，2017），這加劇了社會不公與區(qū)域經(jīng)濟發(fā)展的邊緣性現(xiàn)象（Simpson et al., 2009）。從國內(nèi)現(xiàn)有研究看，金融地理學仍處于初步發(fā)展階段（蘇曦 等，2013），“金融排斥”概念的引入和研究到目前雖只有10余年，卻已有諸多學者從銀行業(yè)的空間系統(tǒng)變化等多方面展開相應探討，其中，多以農(nóng)村地區(qū)為主要研究對象，基于現(xiàn)有銀行網(wǎng)點或新增銀行機構(gòu)的空間分布數(shù)據(jù)，從不同性質(zhì)等級銀行的角度出發(fā)進行論述。從理論視角看，已有研究既介紹了金融地理學在銀行網(wǎng)點領(lǐng)域的研究進展，又推動了獨具中國特色的“金融排斥”分析研究框架的構(gòu)建（李小建等，2006a；董曉林 等，2012；馬學廣，2017；武毅 等，2020）。

綜上所述，已有研究對金融銀行網(wǎng)點的空間特征、驅(qū)動因素及其“金融排斥”進行相應探討，但對于銀行網(wǎng)點的關(guān)停現(xiàn)象存在怎樣的時空格局及其相應影響因素還需進一步探究。中國獨特的經(jīng)濟體系、居民對銀行服務的偏好、對直接人工服務的習慣性以及對網(wǎng)商銀行的排斥性，或?qū)е裸y行退出網(wǎng)點在時空分布上與西方國家具有較大特征差別（李小建 等，2006b），以中國為案例，既可以觀察銀行退出網(wǎng)點在區(qū)域之間的空間差異以及與經(jīng)濟社會等因素的關(guān)聯(lián)，也可揭示中國城鄉(xiāng)之間所存在的金融服務不均衡問題，為促進均衡、可持續(xù)的銀行網(wǎng)點發(fā)展提供借鑒與參考。因此，本研究在現(xiàn)有銀行網(wǎng)點的研究議題上，對中國銀行退出網(wǎng)點的空間分布特征進行解析，探討其發(fā)展趨勢以及影響因素。

1 數(shù)據(jù)來源與方法

1.1 數(shù)據(jù)來源

中國銀行保險監(jiān)督委員會①中國銀行保險監(jiān)督委員會.http://www.cbirc.gov.cn/cn/view/pages/index/index.html的金融許可證平臺記錄了迄今為止過去兩年時間范圍的銀行退出網(wǎng)點的相關(guān)信息，具有較強的權(quán)威性，從中獲取2019-01-01—2021-12-31的銀行退出網(wǎng)點共計10175條數(shù)據(jù)。結(jié)合2019—2021年部分地級市農(nóng)村商業(yè)銀行的合并，及2020 年包商銀行的破產(chǎn)等非正常退出現(xiàn)象，剔除農(nóng)村商業(yè)銀行933 家，破產(chǎn)銀行316 家，最后納入研究的銀行網(wǎng)點共計8 626 條。根據(jù)清單名錄，通過愛企查與企查查獲取網(wǎng)點具體地址，并在空間上進行可視化。

1.2 研究方法

1.2.1 地理集中指數(shù) 地理集中指數(shù)可用來衡量不同區(qū)域上金融銀行退出數(shù)量的集中程度，公式為（王兆峰 等，2020）：

式中：G為地理集中指數(shù)；xm為第m個省份銀行退出網(wǎng)點數(shù)量；k為區(qū)域省份數(shù)量；T為該年內(nèi)銀行退出網(wǎng)點數(shù)量。若銀行退出網(wǎng)點在三大經(jīng)濟地帶②根據(jù)國家統(tǒng)計局（2000）《中國統(tǒng)計年鑒》分類標準，將中國劃分為東、中、西部三大地區(qū)，其中東部包括遼寧、北京、天津、河北、山東、江蘇、上海、浙江、福建、廣東、廣西、海南12個省市；中部包括山西、內(nèi)蒙古、黑龍江、吉林、安徽、河南、江西、湖北、湖南9個省區(qū)；西部包括陜西、甘肅、青海、寧夏、新疆、四川、重慶、云南、貴州、西藏10個省區(qū)。的地理集中指數(shù)大于分布于全國各省市的地理集中指數(shù)，則說明各經(jīng)濟帶內(nèi)金融銀行退出網(wǎng)點呈集中分布的態(tài)勢，反之呈分散分布（王兆峰 等，2020）。

1.2.2 核密度分析 核密度分析用于計算每個輸出柵格像元周圍的點要素密度，通常可以比較直觀的體現(xiàn)分析目標在空間上的集聚情況，其計算公式為（黃銳 等，2022）：

式中：∫(Xi)為核密度估計量；k為核函數(shù)；n為樣本的數(shù)量；h為寬帶；Xi-Xj為點Xi到樣本點Xj處的距離。

1.2.3 DBSCAN算法 借助于基于密度的聚類算法對單一城市內(nèi)銀行退出網(wǎng)點的集群熱點區(qū)域及分布特征進行識別。DBSCAN 聚類算法最早由Ester 等（1996）提出，能在不預先設置形成聚類的情況下，較為快速地發(fā)現(xiàn)空間中任意形狀的聚類，并且能快速識別出空間數(shù)據(jù)的噪聲，即離群數(shù)據(jù)（馬小賓等，2021）。算法主要包含2 個重要的參數(shù)——Eps和Minpts，其中，Eps指鄰域距離，主要根據(jù)對象之間的歐式距離和降序K的距離確定；Minpts指Eps鄰域內(nèi)至少包含的最小樣本數(shù)目（李江蘇 等，2018；張亞 等，2020）。DBSCAN參數(shù)的選擇對于結(jié)果有較大影響，為了減少人工干預的影響，李文杰等（2019）提出一種自適應的優(yōu)化算法，根據(jù)數(shù)據(jù)集本身的統(tǒng)計特性，多次迭代試驗選取最優(yōu)Eps 和Minpts的參數(shù)值。

1.2.4 空間計量模型 為探討信息化背景下，各影響因素與銀行退出網(wǎng)點數(shù)量之間的關(guān)系，在空間計量模型中，用最小二乘法（OLS）進行回歸估計的基礎(chǔ)上，結(jié)合拉格朗日乘數(shù)計量標準（Anselin et al., 1991），選取空間誤差模型（SEM）進行綜合分析。其模型形式設定為：

式中：Y為被解釋變量；c為常數(shù)項；βi為待估計的常數(shù)回歸系數(shù)；Ai為解釋變量；Wμ為擾動項的空間滯后項，λ為誤差項的空間自回歸系數(shù)；ε為隨機擾動項。

2 銀行退出網(wǎng)點的類型特征與空間格局

2.1 類型間差異

為統(tǒng)計各年份不同類型銀行退出數(shù)量情況，參考車冰清等（2017）對銀行網(wǎng)點類型的劃分方法，將銀行劃分為4個類別：五大商業(yè)銀行（中國工商銀行、中國農(nóng)業(yè)銀行、中國銀行、中國建設銀行和交通銀行）、農(nóng)業(yè)金融機構(gòu)（主要包括：農(nóng)村信用合作社、農(nóng)村商業(yè)銀行和信用合作社儲蓄所等）、外資銀行（主要包括：渣打銀行、匯豐銀行、恒生銀行和東亞銀行）以及中小商業(yè)銀行（主要包括：郵政儲蓄銀行、招商銀行、中信銀行、民生銀行、光大銀行和華夏銀行等）。

通過統(tǒng)計2019—2021 年銀行退出網(wǎng)點數(shù)量發(fā)現(xiàn)，不同類型銀行的退出特征存在較大的數(shù)量比例差異（圖1）。2019年銀行退出數(shù)量最多的類型為五大商業(yè)銀行，占比達40.32%，2020 年其數(shù)量與占比仍占據(jù)首位，但已呈明顯減少的態(tài)勢，到2021年，五大商業(yè)銀行的數(shù)量和占比分別為833 家和31.37%，在四大類型銀行中位居第三位。上述變化趨勢緣于五大商業(yè)銀行的基數(shù)較大，多分布在東部、即信息化最為發(fā)達的地區(qū)，受沖擊程度較深；又由于五大商業(yè)銀行具有跨區(qū)域經(jīng)營和創(chuàng)新能力較強等特征，能夠較好地應對信息化所帶來的沖擊效應（劉孟飛 等，2021）。農(nóng)村金融機構(gòu)的退出數(shù)量雖呈倒“U”型，但占比卻從21.66%逐漸遞增到32.62%，說明農(nóng)村金融銀行面臨著巨大的經(jīng)營壓力，一方面是因為隨著中國城鎮(zhèn)化水平提高，農(nóng)村金融銀行市場的規(guī)模逐漸縮小；另一方面，隨著互聯(lián)網(wǎng)的普及，農(nóng)村的信息化水平得以快速提升，信息化對銀行網(wǎng)點的沖擊力向農(nóng)村地區(qū)滲透。此外，2020年在新冠疫情的影響下，農(nóng)村金融銀行資產(chǎn)利潤率降幅也最為明顯，其受影響的程度最深（琚亞利，2022），從而使得2020 年農(nóng)村金融機構(gòu)退出數(shù)量占比呈現(xiàn)較大的漲幅。中小商業(yè)銀行的退出數(shù)量雖也呈逐漸遞減的趨勢，2020 年占比相較2019 年下降了2.94%，但在2021年略有上浮，除了總體基數(shù)原因外，中小商業(yè)銀行盤整速率較慢，仍是當前退出銀行的主要部分。2019—2021年外資銀行網(wǎng)點的退出數(shù)量則變化不大。

圖1 2019—2021年中國四類銀行退出網(wǎng)點數(shù)量、占比及其變化Fig.1 The number, proportion, and changes of bank outlets withdrawn among four types in China from 2019 to 2021

2.2 地帶間差異

通過統(tǒng)計發(fā)現(xiàn)，各年份銀行退出網(wǎng)點在不同經(jīng)濟地帶上的數(shù)量占比也具有較大的差異性，總體呈由東往西逐漸遞減的規(guī)律（表1）。東部地區(qū)金融銀行退出數(shù)量占比雖顯現(xiàn)逐年遞減的態(tài)勢，但仍占全國銀行退出網(wǎng)點數(shù)量的一半左右；西部地區(qū)銀行退出數(shù)量較少，占比也呈逐漸下降的態(tài)勢；中部地區(qū)銀行退出數(shù)量占比逐漸提升；比較發(fā)現(xiàn)，各經(jīng)濟地帶的退出數(shù)量占比與區(qū)域經(jīng)濟發(fā)展水平具有正相關(guān)性。

表1 中國2019―2021年各經(jīng)濟帶銀行退出網(wǎng)點地理集中指數(shù)和數(shù)量占比Table 1 Geographical concentration index and proportion of bank outlets withdrawn in different economic zones in China from 2019 to 2021

地理集中指數(shù)顯示，銀行退出網(wǎng)點皆呈集中分布的態(tài)勢，并且，西部經(jīng)濟帶的地理集中指數(shù)最高。經(jīng)濟環(huán)境是銀行網(wǎng)點布局最直接的考慮因素，而經(jīng)濟水平又是影響地區(qū)信息化水平的重要因素（劉曉陽 等，2019）。西部經(jīng)濟發(fā)達的城市數(shù)量較少，銀行退出網(wǎng)點主要聚焦于信息化水平較高、經(jīng)濟較發(fā)達的地區(qū)，從而使得西部經(jīng)濟帶銀行退出網(wǎng)點的地理集中指數(shù)高于東中部經(jīng)濟帶。

2.3 城市間差異

借助核密度估計分析銀行退出網(wǎng)點的市級尺度空間集聚特征，由圖2可知，2019—2021年銀行退出網(wǎng)點在空間分布上存在以下特征：

圖2 中國2019、2020、2021年銀行退出網(wǎng)點核密度分布Fig.2 Kernel density distribution of bank outlets withdrawn in 2019,2020, and 2021 of China

1）大型城市群是銀行退出網(wǎng)點的主要集聚區(qū)域。東部以長三角、珠三角和京津冀城市群為典型分布區(qū)域，中部地區(qū)集中于中原城市群和長江中游城市群，西部地區(qū)則以成渝城市群為代表。在各個城市群范圍內(nèi)，形成以核心城市為中心、由內(nèi)向外密度值逐漸遞減的中心—外圍結(jié)構(gòu)。

2）核心區(qū)域集聚效應增強，集聚組團間的斷裂帶逐漸消失。2019—2021年，各經(jīng)濟帶發(fā)達城市群銀行退出網(wǎng)點的集中態(tài)勢顯著增強，核心范圍明顯擴張，同時，核心區(qū)域不斷由內(nèi)向外逐漸延伸，由塊狀分散格局轉(zhuǎn)變?yōu)槿簣F狀分布格局，該特征在各經(jīng)濟分區(qū)城市群地帶較為明顯。隨著中西部地帶網(wǎng)絡基礎(chǔ)設施環(huán)境等條件的改善，銀行退出網(wǎng)點的影響效應在中西部地帶也日趨擴散。

2.4 城市內(nèi)部差異

中國自改革開放以來，區(qū)域之間及區(qū)域內(nèi)部所存在的經(jīng)濟發(fā)展條件差異較為明顯，受銀行股權(quán)性質(zhì)及地方居民習性影響（李小建，2006a），城市邊緣地區(qū)的銀行退出現(xiàn)象反而不顯著，故此金融熱點現(xiàn)象仍需結(jié)合區(qū)域特殊情況加以探索。為從微觀尺度作進一步佐證，將研究范圍鎖定在單一城市內(nèi)部，并采用Python語言開發(fā)環(huán)境Spyder，進行DBSCAN聚類算法編寫，統(tǒng)計各地級市2019—2021年銀行退出網(wǎng)點數(shù)量，對三大經(jīng)濟帶中銀行退出網(wǎng)點數(shù)量占比最多的其中4個城市進行分析，探討其微觀集聚特征。

利用自適應算法，結(jié)合實際密度分布效果，觀察不同系數(shù)下的差異性，通過判定集群結(jié)果與核密度分析所得的熱點區(qū)域是否存在較高的一致性，最終確定4個城市的相關(guān)參數(shù)（表2）。

表2 城市銀行退出網(wǎng)點DBSCAN聚類參數(shù)選取Table 2 DBSCAN clustering parameter selection for bank outlets withdrawn in the cities

通過算法所得的聚類情況，結(jié)合自然間斷分級法，最終選擇聚類個數(shù)＞25 為一級聚類中心，11～25為二級聚類中心，6～10為三級聚類中心，＜6個為四級聚類中心。將各個城市的分級結(jié)果可視化（圖3）。

圖3 中國銀行退出網(wǎng)點占比最多的4大城市內(nèi)部聚類結(jié)果Fig.3 Clustering results of bank outlets withdrawn with the highest proportion in four major cities in China

為探討聚類等級與城市中心區(qū)域之間的相互聯(lián)系，以各市域政府為核心，建立半徑分別為4、8和10 km 的緩沖區(qū)。可以發(fā)現(xiàn)，一級聚類中心大體位于距離市中心4或8 km的區(qū)間內(nèi)，除重慶受行政區(qū)面積較小的原因影響以外，其余城市在距離市中心10 km 的范圍，基本囊括了所有的聚類等級，參考曹義等（2019）的劃分標準，這些區(qū)域均歸屬于城市建成區(qū)地帶。

從單一城市內(nèi)部看，1）北京市2019—2021 年銀行退出網(wǎng)點數(shù)量共計287 個，規(guī)模最大的前5 個集中區(qū)域呈現(xiàn)“兩主三副”的空間結(jié)構(gòu)，其中，主中心分別位于海淀區(qū)和朝陽區(qū)，前者是北京科技和教育中心，后者是金融中心，3 個副中心分別大致位于遠洋萬和城、北京高新創(chuàng)業(yè)服務中心和中關(guān)村附近，擁有完善交通設施、良好商圈環(huán)境亦或高新產(chǎn)業(yè)密集的條件。2）廣州形成“二主一副”的分布格局。一級聚類位于越秀區(qū)建設街道和天河珠江新城，屬于廣州傳統(tǒng)和現(xiàn)代的經(jīng)濟中心，布局眾多的政務機構(gòu)和商業(yè)圈。二級聚類位于白云區(qū)棠景街的機場路，是典型的現(xiàn)代交通樞紐。3）武漢市在聚類結(jié)果中形成“一主一副”分布格局，一級聚類中心主要集聚于江漢路附近，其為老漢口最重要的商業(yè)交通干道，二級聚類中心位于武昌區(qū)水果湖街道與中南路附近，擁有楚河漢街以及眾多商業(yè)性廣場。4）重慶無副中心聚集區(qū)，一級聚集區(qū)位于渝中區(qū)，屬于重慶市中心所在地，既具有眾多商業(yè)中心，也凝聚較多的高新技術(shù)企業(yè)。

綜上，銀行退出網(wǎng)點主要集中于城市資本、人口和技術(shù)密集區(qū)。區(qū)位優(yōu)勢條件較好的地區(qū)無疑會增加銀行的線下經(jīng)營成本，若銀行效益得不到改善，易造成銀行線下網(wǎng)點的經(jīng)營壓力。區(qū)域人口素質(zhì)化水平聚集，意味著該地居民對移動通信等設備具有較高的學習能力。一方面，居民不再依托銀行傳統(tǒng)線下經(jīng)營網(wǎng)點置辦業(yè)務，實體銀行業(yè)務收入也因此不斷減少；另一方面，應用程序的發(fā)展，也使居民在支付手段上有更多選擇權(quán)，分割了傳統(tǒng)銀行網(wǎng)點的利益收入與金融市場。

此外，4 個案例地城市之間也存在聚類差異，網(wǎng)點聚類核心數(shù)量存在由中國東部向西部遞減的規(guī)律。從上述提及的銀行布局拉力因素及城市信息化程度看，東部城市相較于中西部城市而言更為發(fā)達，銀行退出網(wǎng)點數(shù)量占比較高，故識別獲取的聚類等級數(shù)量多于中西部地區(qū)。

3 地市級尺度的銀行退出網(wǎng)點空間分布的驅(qū)動因素

銀行退出網(wǎng)點在全國分布具有明顯的空間異質(zhì)性，其緣于多種影響因素綜合作用的結(jié)果。為探討銀行退出網(wǎng)點空間分布的驅(qū)動因素，綜合考慮所選指標，基于數(shù)據(jù)可獲取的最小尺度，利用2020年各地級市的統(tǒng)計數(shù)據(jù)，通過空間計量模型進行實證分析。因港澳臺、海南及新疆直轄縣級市的相關(guān)指標數(shù)據(jù)獲取較難齊全，故未并入研究區(qū)域，其余部分地級市指標獲取不齊全則參考陳依曼等（2020）的方法，運用插值法進行補齊校正。

3.1 指標選取

以往有關(guān)于信息化發(fā)展水平的研究，一般選取互聯(lián)網(wǎng)普及率作為衡量區(qū)域信息化發(fā)展水平的指標（謝俊貴，2018）。本研究考慮到移動電話已成為所有網(wǎng)絡平臺、操作終端與線上支付的集合背景下，能對線下銀行網(wǎng)點造成影響的重要因素，借鑒辛大楞等（2020）選取方法，采用移動電話普及率（Mobile），即移動用戶數(shù)占地區(qū)總?cè)丝诒戎兀鳛楹饬啃畔⒒l(fā)展水平的核心解釋變量。綜合已有研究，將互聯(lián)網(wǎng)背景下銀行退出網(wǎng)點的影響因素分為信息化環(huán)境、經(jīng)營成本、經(jīng)營效應和市場競爭4個類別（表3）。已有研究認為，專利授權(quán)數(shù)量是城市創(chuàng)新能力的體現(xiàn)，是城市信息化環(huán)境創(chuàng)新發(fā)展的支撐，而人口素質(zhì)則可視為城市的教育指數(shù)，是信息化環(huán)境發(fā)展的知識支撐，也可反映信息化的應用水平（孫媛媛，2016；劉曉陽 等，2019；吳代龍 等，2021）。銀行作為服務型網(wǎng)點，其選址一般以追求利潤與效益最大化為原則，而人工與地租作為經(jīng)營成本的重要支出，也需進行相應考慮。類同于理，人口數(shù)量與存貸款經(jīng)濟比，可反映銀行作為金融機構(gòu)的經(jīng)營效應，在信息化條件下，其與銀行網(wǎng)點的退出是否具有關(guān)聯(lián)性仍需開展探討。王杏芬等（2016）指出，銀行市場競爭越激烈，網(wǎng)點退出的概率越大，當區(qū)域金融銀行分布過于集聚時，銀行之間為尋求存貸款的客源群體而角逐，利潤收益不斷被分割，進而影響銀行的生存。

表3 中國銀行退出網(wǎng)點空間分布的影響因素變量選取及描述Table 3 Variable selection and description of factors influencing the spatial distribution of bank outlets withdrawn in China

綜上，選取移動電話普及率（Mobile）、創(chuàng)新能力（Patent）和人口素質(zhì)（Quality）作為信息化環(huán)境因素的量化指標；選取土地成本（Landprice）和人力成本（Salary）作為經(jīng)營成本要素的量化指標；選擇人口數(shù)量（POP）及存貸款經(jīng)濟比（DNL）為經(jīng)營效益要素的統(tǒng)計指標；市場競爭量化指標則依附于銀行聚集度（Compete）。部分數(shù)據(jù)取對數(shù)處理，為防止受到多重共線性影響，進行方差膨脹性因子檢驗（VIF<10），表明不存在共線性問題。

3.2 空間計量分析

統(tǒng)計相關(guān)指標數(shù)據(jù)，運用GeoDa軟件進行綜合分析，以空間鄰接為空間權(quán)重矩陣。結(jié)合空間依賴性檢驗等判定準則得出，在模型的擬合程度上，SEM 模型要優(yōu)于OLS 模型（表4），對銀行推出網(wǎng)點的影響因素評估效果更優(yōu)。

表4 中國銀行退出網(wǎng)點空間影響因素計量分析Table 4 Spatial factors quantitative analysis of bank outlets withdrawn in China

據(jù)SEM的回歸結(jié)果可知（見表4），人口數(shù)量、人力成本、銀行網(wǎng)點集聚度和存貸款經(jīng)濟比與銀行退出網(wǎng)點數(shù)量均呈正相關(guān)。線下金融銀行網(wǎng)點的經(jīng)營困境，一方面由于其本身缺少對大數(shù)據(jù)的積累與運用，另一方面則是在移動互聯(lián)網(wǎng)的背景下，傳統(tǒng)金融銀行的經(jīng)營成本過高的問題逐漸被突顯出來（任靜 等，2016）。

在信息化環(huán)境中，移動電話普及率和人口素質(zhì)提升是引起線下銀行網(wǎng)點退出的重要原因。手機等移動設備的普遍使用，支撐了線上支付行為與互聯(lián)網(wǎng)金融的興起，在業(yè)務領(lǐng)域形成與傳統(tǒng)商業(yè)銀行的競爭態(tài)勢，從而給銀行網(wǎng)點線下機構(gòu)造成生存困境甚至導致其退出市場。人口素質(zhì)要素通過了顯著性檢驗，印證了教育中心也是銀行退出網(wǎng)點的集聚中心之一。高素質(zhì)人口對移動互聯(lián)網(wǎng)的應用程度較深，銀行的離柜業(yè)務率也大幅提升，銀行網(wǎng)點的使用率大量降低，易遭到市場淘汰。而創(chuàng)新能力并沒有通過顯著性檢驗，說明較好創(chuàng)新能力在一定程度上幫助傳統(tǒng)銀行數(shù)字化轉(zhuǎn)型，對銀行是否退出影響不明顯。

在經(jīng)營成本上，銀行的主要成本壓力主要來自勞動力成本，而非土地成本。根據(jù)城市地租理論，土地租金高的地區(qū)具有較好的區(qū)位優(yōu)勢，可形成“宣稱效應”，帶來較高收益，而相關(guān)人員需配套對應的薪酬和五險一金，往往增加了銀行的支出成本，影響其運營效益。經(jīng)營效應的2個指標均通過了顯著性檢驗，說明良好的經(jīng)營效應下同樣有大量的銀行網(wǎng)點退出，銀行網(wǎng)點并非全因經(jīng)營不善而退出，側(cè)面驗證了銀行網(wǎng)點受到信息化沖擊轉(zhuǎn)為線上經(jīng)營是線下銀行網(wǎng)點退出的重要原因。同時，銀行網(wǎng)點間的競爭加劇了銀行網(wǎng)點的退出。而銀行網(wǎng)點過于集聚預示區(qū)域布局存在過剩與不足并存的問題，迫使各家銀行對原有銀行網(wǎng)點布局進行調(diào)整。

4 結(jié)論與討論

基于2019—2021 年的中國銀行退出網(wǎng)點數(shù)據(jù)，結(jié)合地理空間分析方法、DBSCAN算法和空間計量模型，探討中國銀行退出網(wǎng)點空間分布格局與驅(qū)動因素，得出以下結(jié)論：

1）2019—2021 年，銀行退出網(wǎng)點在全國及各經(jīng)濟帶內(nèi)均呈集聚分布的狀態(tài)，各類型銀行網(wǎng)點在應對信息網(wǎng)絡沖擊時，呈現(xiàn)不同的資源優(yōu)劣勢和反應機理，因而也具有不同的變化規(guī)律。

2）從地帶上看，銀行退出網(wǎng)點的數(shù)量存在由東向西遞減的規(guī)律，但西部地區(qū)的地理集中度卻高于中部和東部。在市域尺度上，銀行退出網(wǎng)點主要集中在大型城市群，并形成以核心城市為中心的中心—外圍結(jié)構(gòu)。通過對中國東中西部4個典型城市的內(nèi)部分析可知，銀行退出網(wǎng)點聚類核心數(shù)量按東—中—西依次遞減，且退出網(wǎng)點主要分布在城市內(nèi)資本、人口和技術(shù)的密集區(qū)。

3）線下銀行網(wǎng)點的退出是由各種影響因素綜合作用的結(jié)果，其中，移動互聯(lián)網(wǎng)加速了銀行網(wǎng)點的消亡，經(jīng)營效益?zhèn)让骝炞C了銀行網(wǎng)點的退出受到市場外部的影響。此外，勞動力經(jīng)營成本和市場競爭也對銀行的退出產(chǎn)生顯著影響。

過往研究更多關(guān)注銀行機構(gòu)的空間擴張，而銀行退出網(wǎng)點數(shù)量的劇增可能成為一個新的金融發(fā)展轉(zhuǎn)折點，應引起更廣泛的關(guān)注與探討。本研究從時間和多維度空間的視角探討了金融銀行退出網(wǎng)點的發(fā)展特征，豐富了金融地理學的研究，并在此基礎(chǔ)上，考慮了市場競爭、經(jīng)營效應和經(jīng)營成本對銀行線下經(jīng)營網(wǎng)點生存所帶來的影響，對后續(xù)開展相關(guān)研究具有一定的借鑒意義。但本研究也存在不足之處：首先，由于銀保監(jiān)網(wǎng)站對數(shù)據(jù)獲取有所限制，僅對2019—2021年的樣本進行分析，缺少長時間的發(fā)展規(guī)律探討。其次，移動互聯(lián)網(wǎng)要素的衡量標準較為單一，未來將盡可能采用更豐富的數(shù)據(jù)進行更精細的研究。本研究關(guān)注的銀行退出網(wǎng)點僅占銀行總數(shù)的一小部分，但其所呈現(xiàn)的空間特征卻與已有（車冰清 等，2017）有關(guān)銀行機構(gòu)空間分布的特征較為相似，說明銀行網(wǎng)點在擴張與收縮之間存在一定程度上的動態(tài)平衡。雖然移動互聯(lián)網(wǎng)發(fā)展十分迅速，但銀行網(wǎng)點的退出卻需經(jīng)歷較長時間的決策與行動，互聯(lián)網(wǎng)及相應技術(shù)發(fā)展對銀行網(wǎng)點退出的影響也存在時間滯后性，未來還需針對長時間樣本進行細致觀察與驗證。