□ 倪进峰 隗斌贤

内容提要 本文基于2012—2019年长三角地区41 座城市的面板数据，在测度城市群经济分布特征及演变轨迹的基础上，采用时空加权回归模型从城市金融与经济存在时空非平衡关系的视角，解释城市群经济时空演变轨迹形成的原因，并以传统金融和数字金融两种维度，实证检验两类金融业态驱动城市经济发展的时空异质性。研究发现：（1）长三角空间经济呈现相对稳定但极化程度逐步减弱的“核心—外围”结构，伴随城际经济差距的拉大，经济分布主要向南北两端扩散；（2）传统金融对城市经济发展的影响存在时空异质性，促进效应较大的区域逐渐由苏南等次核心区向周边城市迁移，显示其对城市群经济向北、向西扩散具有重要作用；（3）数字金融对城市经济的影响受空间异质性主导，促进效应较大的城市主要是上海及上海以南的浙江城市，表明数字金融是拉动城市群经济向南扩散的主要力量。

一、引言

当前，我国经济正处于由高速发展向高质量发展转换的关键时期，在这样一个时期，金融愈发成为保持我国经济稳定增长的重要力量。《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》指出，“十四五”时期要加快构建以国内大循环为主体、 国内国际双循环相互促进的新发展格局，并强调要健全具有高度适应性、竞争力、普惠性的现代金融体系，构建金融有效支持实体经济的体制机制。这指明了未来一段时期我国现代金融体系建设的重点和方向，突出金融服务要兼顾适应性和普惠性特征，目标是提升竞争力，同时应从多维的角度观察和思考金融对经济的作用，以服务的有效性为根本落脚点，深入探索新发展格局下金融服务经济高质量发展的政策路径。

金融与经济增长联系紧密，但二者之间并非简单的线性关系。在这方面的经验研究中，Goldsmith（1969）关于金融体系规模与经济增长紧密相关的讨论具有开创性贡献，之后围绕该话题的实证检验经久不衰，但就金融发展究竟对经济增长产生怎样的影响并未达成共识。大多数研究认为，整体来看金融发展能够促进经济增长（King & Levine，1993；周立和王子明，2002； Luintel et al.，2008）。但也有文献提出了金融扩张会阻碍经济増长的相反观点（De la Torre et al.，2011）。为解释这种研究结论的差异，有学者开始注意到研究样本地域的影响。其中，外文文献主要关注国别因素，在控制考察期和估计方法的前提下，主要采用面板数据子样本进行分类研究，或是对不同国家的时序数据结果进行比较。研究表明金融发展对经济增长的促进在某些经济体很明显，在另一些经济体中效果很弱，甚至是抑制作用（Beck et al.，2014； Arcand et al.，2015；Durusu-Ciftci et al.，2017）。中文文献聚焦国内，研究发现，我国金融发展与经济增长关系具有明显的区域差异 （逯进和朱顺杰，2015；张文和钟宸，2019），这种区域差异不仅体现在金融资源集聚对本地经济发展的影响上，也体现在对周边经济发展的溢出效应上（武耀华等，2021）。金融对经济的促进存在一种区域结构效应，经济发达的地区金融资源饱和，制约了资源配置效率，而欠发地区金融资源稀缺，对经济增长的边际贡献更大（徐徕，2020）。但也有学者持不同观点，他们发现金融发展在欠发达地区与发达地区之间的收敛速度，要明显快于经济增长的收敛速度（周丽丽等，2014），或是从信贷规模投放的角度来看，更多的信贷资源对发达地区的长期增长更有利（谢朝华等，2020），证明欠发达地区金融的促进效果要低于发达地区。

上述文献都关注到区域差异在金融对经济增长影响过程中起到的作用，但综合来看，现有研究在以下几个方面仍有改进空间。一是突出变量关系的时空属性。现有研究一般是从经济禀赋的视角看待区际差异，大多将金融影响效应的区域差异归结为各地固定资产投资、人力资本、产业结构等经济属性的不同，其他因素被笼统地纳入个体固定效应予以控制，但这样做实际上遗漏了很多重要信息（Cline，2015），其中就包括经济变量的空间属性，即使近年有少量研究将区位因素纳入分析框架，但也主要是借助空间自回归（SAR）、空间杜宾（SDM）等空间计量经济模型，从空间全域的角度对金融作用的溢出效应做出一个整体性的定义，却没有区分区域个性，缺乏从空间局部的视角观察作用关系的区域变化。因此需要借助一种局部分析工具，描述金融作用经济的局部效应，并动态观察这种局部效应会沿着怎样的路径演变，对整个空间经济格局会有怎样的冲击和影响。

二是下沉研究视角。现有文献普遍将国别、行政大区、经济板块、省域作为区域单元，缺少更小空间尺度下对金融与经济差异化关系的观察。然而，世界各大经济体早已进入城市群时代，在我国，以长三角、 珠三角等为代表的城市群已成为支撑构建“双循环”发展格局、承载实现高质量发展的基本地域形态，在此背景下，应当更多地站在城市体系的视角，审视城市尺度下金融与经济的关系。

三是扩充变量内涵。近年来我国数字金融快速兴起，已在全球处于领先地位。数字金融服务是头部金融科技企业和互联网公司引领发起的、侧重于使用数字技术进行金融创新活动的业务模式，是有别于依赖网点铺设获客展业、投放抵押贷款等传统银行行为的新型金融业态 （邱晗等，2018）。数字金融服务的蓬勃发展对推动各地经济增长贡献了积极的力量（王永仓和温涛，2020），但其与传统金融服务是补充还是替代的关系仍未有定论（王喆等，2021），故有必要对不同金融业态的经济发展效应进行多维度的观察和探讨。此外，早期文献基本都采用单一的GDP 代理经济增长，但对于我国来说，一方面，一些地方层面的GDP 数据由于受到“基础数据失真”、“GDP 锦标赛”等人为因素的干扰，数据质量的可靠性问题一直备受关注（卢盛峰等，2017）。另一方面，中国GDP 核算体系在金融业核算、不变价GDP 核算、季度GDP 核算、GDP 核算分类等方面存在一定的不足（许宪春和吕峰，2018），虽然近年我国持续改进和完善核算方法，修订GDP 的定义、生产范围及其构成指标，但与经济社会管理需求、国民经济核算国际标准、发达国家水平相比，中国GDP 核算还有一定的差距（许宪春，2020）。随着统计技术的发展，可以借助一些更加客观普适的、国内外通用可比的、具有综合性内涵的指标衡量区域经济发展水平。

长三角城市群常被称为 “世界第六大城市群”，是我国经济发展最活跃、开放程度最高、创新能力最强的区域之一，在国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。长三角城市群经济体量大、密度高，以约4%的国土面积贡献了全国约1/4 的经济总量。地区内部大型城市较多，围绕中心城市上海，次核心区域的杭州、南京、苏州等城市形成“多中心”空间结构，同时也不乏位居周边腹地的众多中小型城市，城市群整体具有一定的经济梯度和层级特点。长三角金融资源丰裕，辖内法人机构众多，各类金融网点林立，金融业态丰富，金融业整体发展良好。其中，上海是国际金融中心，其他城市的金融竞争力也位居全国前列——据《2020年中国城市金融竞争力评价报告》的测算，江苏、浙江和安徽所属城市在参与测评的26 个省份中分别名列第1、2 和9 位（中国社会科学院金融研究所等，2021）。

鉴于此，本文的研究工作安排如下：首先为面向长三角一体化国家战略，探索区域经济发展新形势下经济空间结构发生深刻变化背后的客观经济规律。①本文兼顾样本的代表性和参考价值，选用2012—2019年长三角地区41 座城市的面板数据进行研究。其次，为突出变量关系的时空属性，本文的实证分析主要采用时空加权回归模型这一局部效应分析工具，创新性地将金融与经济的时空非平衡关系纳入城市群空间经济演化过程中进行研究，检验城市群内部金融影响经济的时空异质性效应，并以动态的视角观察这种时空异质性效应的演进路径，研究其对推动城市群经济格局演变的影响。最后，为扩充变量内涵，本文以国内外学界常用的夜间灯光数据综合反映城市经济发展水平，测度城市群经济的分布特征及演变轨迹。同时结合当前金融业发展新趋势，从传统金融和数字金融两种维度细化城市金融发展概念、 丰富城市金融发展内涵，实证检验区域金融与城市经济发展的时空非平衡关系，探讨两类金融业态驱动城市经济发展的时空异质性，明确两类金融业态在长三角经济发展中各自扮演的角色。期望本文的分析能对金融发展理论、区域金融学、金融地理学等相关领域的理论研究提供经验方面的证据，并为长三角地区的相关规划及区域政策实践工作提供决策参考。

二、研究设计

（一）变量

1.因变量

城市经济活跃度。自Henderson et al.（2012）的开创性研究以来，夜间灯光数据被广泛运用于代理经济增长、城市扩张、能源消费等各类反映地表人类经济活动的变量，其数据质量和适用性已得到学界的普遍认可。国内外文献常用的夜间灯光影像资料主要有两种，一种是由美国国防气象卫星（Defense Meteorological Satellite Program，DMSP）搭载的业务型线扫描传感器（Operational Linescan System，OLS）获取的夜间灯光影像，是夜间灯光数据的早期版本，虽存在辐射测量精度相对粗糙、时效性有限、具有“噪点”等缺陷，但经过“饱和校正”、“平均校正”、“异常像元校正” 等标准程序的校正后不影响正常使用（刘修岩等，2017a）。2013年，随着DMSP/OLS 的衰减和失效，另一种夜间灯光数据登上舞台，即美国国家极轨卫星Suomi-NPP （Suomi national Polar Orbiting Partnership）搭载的可见光近红外成像辐射仪 （Visible Infrared Imaging Radiometer Suite，VIIRS）夜间灯光波段（Day/Night Band，DNB），成为DMSP/OLS 的继任者，继续进行全球夜间地球微光图像的收集。对比DMSP/OLS 影像资料，新一代高分辨率的VIIRS/DNB 提供了更强的夜光观测能力，极大地克服了DMSP/OLS 灯光数据的限制和不足，对人类经济活动的探测更加细致、精准（郑渊茂等，2020）。此外，VIIRS/DNB 数据自2012年4月起更新至今，有专家持续修复和校正数据应用上的各类瑕疵，迭代出新的版本，维护和保障了影像资料的数据质量和应用价值。

相比于GDP 等传统数据，夜间灯光数据具有以下优势： 一是夜间灯光数据通过卫星上的传感器扫描获得，精度高，不受人为因素的过多干扰，而且全球统一口径，相对客观普适，适合跨区、跨国研究结论的衔接和比较 （Donaldson & Storeygard，2016）。二是夜间灯光能够反映GDP 难以涵盖的一些信息，比如未能被准确记录的非正规经济或者地下经济（王贤彬和黄亮雄，2018）。Henderson et al.（2018） 认为，夜间灯光辐射值整合了人均GDP、人口规模等区域经济属性和生产资源禀赋，更加全面、综合地衡量了区域经济活动的强度，而不仅仅是GDP 反映的生产能力和市场价值。三是灯光数据不会受到价格因素的干扰，适合直接比较一定时期内不同地区的经济活动。鉴于上述优点，本文选用VIIRS/DNB 影像资料，同时为排除地理面积因素的干扰，参考现有文献的常用做法（曾冰，2020），用各市辖内单位像元的平均灯光辐射值（MEAN）来表示经济活跃度（ea），衡量城市的综合经济发展水平。

2.核心自变量

传统金融供给。商业银行是传统金融的代表，各市传统金融供给状况可以用银行业机构的金融服务供给来衡量，包括服务深度和服务广度两个细分维度。前者根据“金融深化”的定义，在区域层面以“戈氏指标”（Goldsmith，1969；周立和王子明，2002）的金融相关率（fir），即银行业机构贷款余额与GDP 的比值来衡量；后者反映银行业服务的可达性（bank），参考国内外文献的一般做法（尹志超等，2015），以每万人拥有的银行业分支机构数衡量。

数字金融发展。国内外文献常用综合性指数衡量数字金融发展水平（王喆等，2021），其中，“北京大学数字普惠金融指数”因底层数据强大（依托我国代表性数字金融机构数以亿计的微观交易数据编制而成）、区域数据较全（覆盖中国内地31 个省、337 个地级以上城市和约2800 个县域）、包含细分维度（数字金融覆盖广度、使用深度、数字化程度）等优点（郭峰等，2020），近年来被广泛运用于数字金融的实证研究 （邱晗等，2018； 唐松等，2020）。本文选用各市数字普惠金融指数（index）衡量当地数字金融发展的总体水平，同时也分析数字金融在覆盖广度（coverage）、使用深度（depth）、数字化程度（digitization）三个细分维度的表现。

3.控制变量

参考已有文献，本文设定了若干影响城市经济发展的代表性因素作为实证模型的控制变量。首先，物质资本投入（invest）是经济增长的重要支撑力量，借鉴刘修岩等 （2017a）、 陈旭和邱斌（2021）等研究，以全市固定资产投资金额占GDP的比重来衡量。人力资本（hc）被称作最活跃的生产要素，其对城市技术创新和经济发展具有重要作用，参考刘修岩等（2017b），采用每万人常住人口中普通高等学校在校生人数来衡量。经济开放度（open）显示了城市融入全球经济的深度，也体现了城市运用外资促进本地经济发展的能力，借鉴陈安平（2022）的研究，选用城市外商直接投资额占GDP 的比重来衡量。我国地方政府在地方经济发展中一直扮演着重要角色，参考赵建吉等（2022），以地方财政一般预算内支出占GDP 的比重衡量政府干预（gov），控制地方政府行为对城市经济发展的影响。各变量指标的设定详见表1。

表1 各变量及其衡量指标列表

（二）数据

综合数据的质量和可获得性，并避免极端事件对研究结论的干扰，本文选取新冠疫情爆发前的2012—2019年作为考察期。选用的夜间灯光数据是VIIRS/DNB年度夜间灯光数据 （Annual VNL V2 版本），资料来源于Colorado School of Mines 官网。②该数据由美国国家海洋和大气局（NOAA）所属的地球观察项目小组（EOG）根据VIIRS月度影像资料合成制作。获取影像资料后，用Krasovsky_1940_Albers 坐标系对栅格影像进行投影，像元重采样为500*500m，再利用矢量地图掩模提取研究区域。此外，由于VIIRS 套件的探测精度较高，也捕捉到了一些散光、 闪电、 生物质燃烧等背景噪音，为此，在2021年3月最新公布的Annual VNL V2 版本中，EOG 校正了数据质量上的这些瑕疵，但对于火灾等所致的气体燃烧并没有处理，导致栅格资料中有少量像元会出现极大的“异常值”。本文通过对栅格像元重分类获取这些异常值，将异常值调整成其8 个邻域像元的最大值以平滑灯光数值。

各市银行业分支机构数主要来源于中国银保监会网站发布的金融许可证信息，考虑到其公布的机构退出数据仅包括最近两年，本文结合国家企业信用信息系统的工商登记注册数据，整理获得各市银行分支机构当年的历史数据。数字普惠金融指数（第二期，2011—2020年）数据来源于北京大学数字金融研究中心。其他数据来源于历年《中国城市统计年鉴》、历年各市统计年鉴、《国民经济和社会发展统计公报》和国家知识产权局。少量缺失数据通过线性插值法推算得到。矢量地图根据国家基础地理信息系统1：400 万数据绘制获得，行政区划以2019年底为准。各变量指标的描述性统计如表2 所示。

表2 各变量指标描述性统计

（三）研究方法

空间经济演变分析。（1）首先进行空间自相关分析，通过全局莫兰指数（Moran’s I）判断城市经济活动的空间关联关系，检验城市群内部的经济集聚性。为突出邻近城市的影响力，本文选用欧式距离倒数的平方定义空间权重矩阵，同时也选用欧式距离倒数作为参考。再结合各城市经济水平的变异系数和标准差，考察城际经济的绝对差距和相对差距，定量描述城市群空间经济结构的不平衡程度。（2）考察空间经济分布及演变轨迹，依托GIS 技术实现城市经济分布的空间可视化，比较不同时点经济分布的层级变化，观察经济分布的时空演变轨迹。

时空加权回归模型（GTWR）回归分析。传统的固定效应模型、空间计量模型等实证模型，是从空间全域的视角定义变量关系，回归系数对于全体样本数据都是固定值，不体现空间局部差异，没有区域个体特性。与此不同，地理加权回归模型（GWR）是一种局部变参数计量模型，赋予同一自变量在不同区位有不同的系数值，目的是衡量自变量作用因变量的空间局部效应。拓展的GTWR模型进一步揭示了时空数据的非平衡性，在GWR的参数估计策略框架中纳入了时间维度，从时空两种维度捕捉变量的异质性关系。GTWR 模型的基本表达式为（Huang et al.，2010）：

式（1）中（ai，bi，ti）表示特定时空位点i 的“时空”坐标，β0（ai，bi，ti）、βk（ai，bi，ti）表示时空位点i 的参数向量，k 表示自变量个数。参数估计的表达式为：

式（2）中W（ai，bi，ti）=diag（wi1，wi1，……win）是对角矩阵，对角元素wij用以衡量不同位点的时空关系。参数估计的基本逻辑是：在时空坐标系中，与观测i 点“接近”的观测数据对（ai，bi，ti）的估计比距离点i“较远”的数据有更大的影响。这种“接近”的内涵包括时间接近和空间接近两个维度。因此，依托时空加权矩阵的构建，在时空坐标系中定义和测量时空“距离”是构建GTWR 模型的关键。通常采用高斯核函数（Gaussian kernel）定义wij，如式（3）所示：

式（3）中，h 被称作带宽（bandwidth），用以衡量距离衰减关系，一般需要借助先验值或通过交叉验证（cross-validation）、拟合优度、赤池信息等信息准则两种方式获得，通过后一种方式获得的被称作自适应带宽（adaptive bandwidth）。dijST表示时空距离，一般是参考欧式距离公式（Euclidean distance）定义时空距离，将其表示为空间距离和时间距离的线性组合：

式（4）中的λ 和η 是比例因子，分别表示空间、时间距离的相对重要性，即变量关系在空间异质性和时间异质性两个方面的力量对比。对式（4）两边平方，并同除以λ，为了精简参数可以令λ=1，得到：

式中φ 表示时间距离相对空间距离的重要性。将式（5）带入式（3）中得到：

式（7）中Yi是城市经济发展变量，finis是区域金融变量，下标s=fir、bank，index、coverage、depth、digitization，表示不同的金融变量，controlik、εi分别表示控制变量向量和随机误差项。下标i 代表不同样本观测点。局部效应系数αs（ai，bi，ti）是本文关注的焦点，衡量了特定时空环境下各维度金融变量对城市经济发展的影响。实际操作中，一般是通过四分位数、均值、中位数等统计属性展示局部效应系数的结构，并结合可视化方式，反映作用效应的空间分布和演化情况。同理，βk（ai，bi，ti）衡量了时空异质性环境下各控制变量对城市经济发展的影响。此外，参照国内外文献的通常做法，本文选取自适应带宽构建加权矩阵，以赤池信息准则（AIC）、拟合优度和残差平方和（RSS）作为诊断性指标，对全局线性回归、TWR、GWR、GTWR 模型的回归结果进行综合比较，确立样本数据的适用模型。

三、长三角城市群空间经济演变分析

（一）空间经济的总体特征

如表3 所示，整个考察期内，长三角城市群经济发展水平的Moran’s I 在0.01 水平下显著为正，表明城市群内部存在显著且稳定的高值被高值包围、低值被低值包围的空间正向关联模式，两种空间权重矩阵形式下，莫兰指数值都在0.5 以上，且逐渐递增至0.6 附近，空间经济的集聚性稳定且逐年强化。同时，观察城市之间经济发展水平的标准差和变异系数，可以发现，整个考察期内，城市群内部的标准差总体呈上升趋势，变异系数总体呈下降趋势，并且标准差的上升幅度（26.34%）要高于变异系数的下降幅度（-17.53%），也即城市间经济发展水平的相对差异有所缩小，但绝对差异不断扩大。这说明城市群经济在整体发展的同时，内部的发展不平衡问题也比较严峻，有的城市经济活跃度持续高涨，有的城市发展缓慢，相互之间在经济发展水平上的差距有扩大之势。

表3 2012—2019年长三角城市群经济发展水平的空间关联度和变异度

（二）空间经济分布及演变轨迹

根据自变量数据的分布情况，本文按照灯光值为1.4 的固定区间，将长三角各市的经济发展水平由低向高分成“低（ea≤1.4）”、“次低（1.4＜ea≤2.8）”、“中低 （2.8＜ea≤4.2）”、“中 （4.2＜ea≤5.6）”、“中高（5.6＜ea≤7）”、“次高 （7＜ea≤8.4）”、“高（ea＞8.4）”七个层级，为节约篇幅，图1 仅展示2012、2016 和2019年的层级图。整体来看，考察期内城市群经济总体呈现明显且相对稳定的“核心—外围”结构，经济分布围绕以上海为代表的核心区，以一定的经济梯度向周边层级递减。期初，中心城市上海的“单峰”优势明显，周边城市的经济落差下降较快，整个经济空间缺少次高、中高区域，呈现一定的“金字塔”特点。随着时间的推进，经济的极化现象缓解，经济分布由上海向北沿着“上海—南京—蚌埠”“上海—泰州—连云港”（即“京沪”、“京沪—新长” 线）、 向南沿着“上海—杭州—温州”（即“沪昆—杭深”线）对外扩散。地区峰值由上海这一单核扩展为“上海—苏州”双核；更多毗邻核心的苏南、浙北和浙东等腹地城市逐步迈入次高、 中高层级，次核心区域稳步扩大；最终，浙中、苏北和皖北在经济层级上都有跃升，中低、次低、低值区域明显减少。但皖南、浙西等地的经济地位在考察期内基本没有发生改变，仍然固定在低值区间。

总体来看，考察期内经济分布主要向南—北方向扩散，向西扩散的幅度较小，说明南—北方向的城市发展的更快，苏北和浙中、浙南的经济地位有所提升，东—西方向的城市发展相对缓慢。从南—北（西）发展的顺序来看，基于图1（b）和（c）的比较，浙中、浙南率先在经济层级上有所跃升，苏北经济的提升相对靠后，说明城市群的经济分布是先向浙中、浙南扩散，后向苏中、苏北等北边和西边扩散。

图1 长三角市域经济分布层级及变动

2012—2019年间，长三角城市群的空间经济演变存在两个“同时”，一是相对稳固的“核心—外围”结构和核心弱化的趋势同时存在，中心城市辐射周边的“涓滴效应”逐步显现，城市群经济格局可能正处于“量变”向“质变”演进的过渡阶段。二是空间经济的不平衡性和扩散性同时存在，城市间经济发展水平的方差不断增大，但同时经济分布的扩散有明确方向，表明城市间的发展潜力出现分化，一些城市的经济活跃起来了，另一些可能正面临发展瓶颈。

四、金融发展影响城市经济演变的时空异质性分析

（一）全局线性回归

在进行时空加权回归分析之前，需要先参考全局线性回归模型的结果。全局线性回归模型暂不考虑样本个体所处的时空环境，忽略个体异质性，通过普通最小二乘法（OLS）整体把握变量间的线性关系。③系数估计结果详见表4。

表4 全局线性回归模型估计结果

表中（1）～（7）分别代表仅含控制变量，以及以金融相关率、金融可达性和数字普惠金融总指数、覆盖广度、使用深度、数字化程度为核心变量的回归模型。回归结果显示，各类金融变量的系数在1%的显著性水平下显著为正，说明不分新老业态的区别，传统金融、数字金融都显著地促进了本市经济的发展。为比较各金融变量作用效应的大小，计算得到变量fir、bank、index、coverage、depth 和digital 的标准化系数分别为0.289、0.121、0.392、0.424、0.338 和0.365。其中数字金融变量系数全部大于传统金融变量，说明对于长三角城市群，在不考虑时空因素的前提下，数字金融的经济发展效应整体大于传统金融； 四类数字金融变量中coverage 的系数最大，意味着进一步拓宽数字金融的覆盖范围，提高数字金融可触达性，对促进城市经济发展最有效。

传统金融服务当中，服务深度的作用要大于服务广度，且bank 系数在所有金融变量中最小，说明布局银行网点对发展经济的作用较小，反映在微观层面是布局网点的经济效益有限，这可能是近年来出现银行网点收缩趋势的主要原因之一。④控制变量中，hc、open 的系数值为正，且显著性相对较强，说明人力资本和对外开放仍然是驱动长三角经济发展的重要力量。invest 在1%的显著性水平下显著为负，表明长三角资本投入过度饱和，过高的固定资本密度显得“拥挤”，成为制约集聚经济的分散力。gov 的系数不显著，表明地区整体视角下政府干预对城市经济发展的作用不明显，也有可能二者不是单一的线性关系，需要考虑城市个体特征。此外，各实证模型的可决系数基本上不超过0.6，模型有较大的优化空间。

（二）时空加权回归

1.模型选择

为解释城市群经济时空演变轨迹的形成，考察各金融变量影响城市经济发展的时空异质性，本文选用TWR、GWR 和GTWR 分别拟合不同实证模型下的数据样本，为节约篇幅，表5 集中报告了回归结果的诊断信息。观察各列可以发现，首先，各实证模型下，相比于GWR 与GTWR，TWR的RSS、AIC 都明显更大，调整R2也明显更小，应予以排除。其次，对比GWR 与GTWR，GWR 更适用于模型（4）～（7），其RSS、AIC 和调整R2等诊断指标表现更好，说明空间异质性主导数字金融对经济发展的影响，数字金融与城市经济发展的空间非平衡关系不易受时间变化的影响。与此相反，GTWR 更适用于模型（2）和（3），其诊断性指标更优，意味着传统金融对城市经济发展的影响具有时空异质性，传统金融的经济发展效应存在时空演变特点。

表5 各类局部加权回归模型的诊断结果

2.回归结果分析

根据表5 的诊断结果，表6、表7 分别统计了实证模型（2）～（3）的GTWR 系数估计情况，以及（4）～（7）的GWR 系数估计情况。

如表6 所示，fir 系数和bank 系数的均值都大于0，与表4 的OLS 结果相近，说明基于城市群的整体视角，提高传统金融的服务深度、服务广度有利于经济发展。fir 的显著系数比例达到86.59%，要比bank 的高出10 个百分点，说明相比于金融广度，金融深度对经济发展的影响更明显。fir 系数的中位数大于0，且大于0 的系数占全部显著系数的比例达到86.97%，说明对于绝大多数城市，在大部分时间里，金融深化有利于城市经济发展，继续加大信贷投放力度是有必要的。相比而言，bank 系数的中位数小于0，大于0 的系数比例略低于50%，说明服务广度对经济发展的作用方向存在明显的时空分异性，增设银行网点在有些城市是有利的，但在超过一半的情况下，增设网点是无效率的，过多的银行网点会挤占经济资源，对经济发展产生抑制作用。此外，bank 系数的变异程度（13.158）明显要比fir 的（1.847）大很多，说明bank 作用效应的区域分异性更明显，相比于金融服务深度，金融服务广度与城市经济发展具有更明显的空间非平衡关系，其更容易造成区域经济发展速度的不同步。

在控制变量中，与OLS 的结果相近，hc 和open 的系数大多为正，说明加大教育投入和进一步扩大开放，对于城市群内绝大多数城市的经济发展是有利的。与此相反，invest 和gov 的系数大多为负，说明考察期内，依赖投资拉动或是政府主导的经济发展模式，对长三角城市经济发展的贡献很有限，大多情况下是一种负面作用。此外，gov 的变异系数较大，说明相较于其他影响因素，政府的作用在不同的时空环境下表现出较大的差异性和波动性，与经济发展并非简单的线性关系，这也解释了gov 变量为何在全局线性回归模型中不显著。

对比表7 与表6，主要区别体现在，相比于传统金融变量，各维度数字金融变量系数为正的比例明显更高，比例值都在97%以上，且系数的变异程度普遍较小，经济发展效应在城市间相对平衡，凸显了数字金融对于促进长三角城市经济发展的“普惠性”。

表6 和表7 仅简要列示了变量系数的统计信息，需要进一步分析其具体的空间分布结构及时序变动情况。图2 通过可视化的方式对各金融变量系数的时空演变进行了展示，参考地理加权模型常用四分位列示系数，各图统一采用分位数分级法，将系数值分成高、次高、次低、低四个层级。

表6 以传统金融为核心变量的GTWR 系数估计结果统计

表7 以数字金融为核心变量的GWR 系数估计结果统计

图2 中（a）～（d）从左向右分别展示了2012、2014、2016 和2019年fir 系数的空间分布。通过各期对比来看，期初次高、高值区域主要集中在围绕长三角核心区的苏南、苏中，以及浙江等城市，苏北、安徽等城市落入次低或不显著区域。随着时间的推移，高值、次高区域沿着城市群主轴，逐渐向南北两端以及向西迁移，苏中、 浙南城市落入次高、高值区间。（e）～（h）从左向右分别展示了2012、2014、2016 和2019年bank 系数的空间分布，对比各期分布情况可以发现，在早期，bank 系数的次高、高值区域集中在上海周边的苏南、浙北的次中心城市，系数值向外逐级递减，随后次高、高值区域向南北两端和向西迁移。期末，少数苏中、浙南城市成为次高、高值区域。

fir 和bank 两大传统金融变量系数的区域分布和演变模式相近，都是次高、高值区域向周边迁移，期初次低、低值的腹地成为次高、高值区域，而原先的次高、 高值区域则逐渐落入次低、 低值区域。系数分布变动的背后，反映的是金融作用经济效应的演变。整个考察期内，传统金融对发展上海的经济基本没有太大效果，甚至是抑制作用。在早期，传统金融影响力最大的区域主要是苏南和浙北等次中心城市，随着时间推进，传统金融逐渐对苏中、 浙南等腹地城市的经济起到更好的发展效果，而对次中心城市经济的影响日渐式微。

这背后的机理可能有几点，一是金融与经济的倒U 型关系，传统金融的发展超过一定阈值，促进经济的效果减弱，甚至挤占经济资源，产生抑制作用。二是金融服务的手段和模式需要与经济发展阶段相适应，长三角核心区陆续步入后工业化社会，服务业占比较高，传统金融业务依赖抵押物的商业模式较难适应产业的轻资产化趋势，服务质量逐渐下滑；而在此期间，苏北等外围地区开启了承接传统产业转移的大幕，资本密集型产业的集聚和配套基础设施建设的背后，是大量的信贷资源做支撑，再考虑到近年来三四线城市房地产业的兴起，拉动房开贷、住房按揭等房地产贷款快速增长，这些都有利于银行贷款迅速“上规模”，让传统金融得以施展拳脚，对发展经济的贡献明显提升。

图2 的（i）～（l）从左向右分别展示了变量index、coverage、depth 和digitization 系数的空间分布。整体来看，数字普惠金融指数及其三个子维度变量系数的分布情况非常近似，高值区域主要是长三角核心区及其以南的城市，北部、西部等外围区域则落入次低、低值区域。这一现象说明，数字金融对经济发展的影响存在时间上相对稳定的“适应性”，影响力较大的城市一直是上海，部分苏南、苏中以及整个浙江省所辖城市，对苏北、安徽等地的经济发展影响较小。

图2 各金融发展变量时空加权回归系数的空间分布及其演变

凭借新一轮信息技术的大发展，数字金融服务显著延展了金融服务的触角，相比于传统金融在地理穿透性上有很大的优势。但这并不意味着数字金融的发展能够完全摆脱空间因素的影响，现有文献发现我国区域数字金融的发展具有显著的空间相关性（郭峰等，2020）。本文进一步观察到数字金融的经济发展效应也体现出很强的空间异质性，反映在长三角城市群内，数字金融影响力较大的区域包括上海、苏南部分经济较发达的城市，或是重视发展数字经济、各类数字产业发达、数字金融基础较好的浙江地市。而经济欠发达、数字金融发展相对滞后的外围城市，数字金融促进经济发展的效应较小。以上说明数字金融对经济发展的促进可能存在“门槛”效应：一方面，数字金融的“小而分散”、 依托数字画像的精准投放等特点更适应发达城市的产业结构和发展诉求；另一方面，数字金融资源要经历一定的积累和沉淀才能较好地发展当地经济。

五、结论与政策建议

（一）研究结论

基于长三角地区的城市面板数据，本文的分析从观察长三角城市群空间经济的演变入手，发现以夜间灯光数据描绘的长三角空间经济呈现相对稳定的“核心—外围”结构，随着时间的推移，“核心”的极化程度有所缓解，城市间经济发展水平的相对差异有所缩小，但绝对差异不断扩大，经济发展的潜力出现区际分化，经济分布主要是向南北两端扩散，向西扩散的幅度较小。

为解释上述演变轨迹的形成，进一步的分析借助时空加权回归模型，从城市金融与经济存在时空非平衡关系的视角，实证检验传统金融和数字金融影响城市经济发展的时空异质性。研究表明，在推进长三角空间经济演变的进程中，两类金融业态对于促进不同城市的经济发展表现出一定的 “适应性”或“功能互补性”。一方面，传统金融对城市经济发展的促进存在时空异质性，促进效应较大的区域逐渐由苏南等次核心区向周边城市迁移，是拉动城市群经济格局向北和向西扩散的主要力量。另一方面，数字金融对于发展长三角城市经济具有“普惠性”，但促进效应较大的区域主要是上海及浙江各地市，解释了经济格局向南扩散的原因，并且，可能正是数字金融影响效应的重心一直在南，致使经济向南演变的步伐要快于向北、向西的演变。

（二）政策建议

一是因地制宜推进金融业发展规划，统筹引导各类金融资源科学布局。对于苏北、皖北等长三角腹地城市，一方面，应着力提升传统金融供给的服务质效，围绕当地特色优势产业、民营小微企业等重点领域，加大信贷支持力度，严格信贷资金投向，引导金融活水“精准滴灌”实体经济发展；大力吸引金融资源集聚，有序扩充金融体量，引入战略投资者做强做优地方龙头金融企业，完善地方金融组织体系，强化区域性股权市场建设，培育多层次资本市场的区域板块。另一方面，适时借助大数据、物联网等科技力量，加快融资需求响应速度，提高金融机构信贷审批效率，提升实质性风险的识别和管控能力；同时，也不应过度裁撤金融机构网点，防止造成“金融排斥”现象，有损金融服务的覆盖面和普惠性。对于上海、苏南和浙江的城市，在依法将金融活动全面纳入监管的前提下，应当鼓励数字金融深入发展，加快推进金融服务的数字化改造，推动打造数字金融发展高地，支持当地的各类金融机构持续迭代升级金融科技，更好地对接新兴产业在各类场景下的多元化投融资需求；深化区域金融合作，依托金融基础设施的互联互通，进一步突出数字金融的普惠性，引导数字金融向农村偏远地区渗透，覆盖更多的经济主体，并与传统金融服务相配合，打造线上线下有机融合的服务体系，共同推进区域金融服务水平一体化，驱动城市群经济的高质量协调发展。

二是推动地方数据资源开放共享，规范区域金融合理创新。建设完善的地方综合信息服务平台，优化数据资源开放和共享机制，便利金融机构获取高质量外部数据，摆脱对不动产抵押物等强担保方式的过多依赖，让“数据”、“信息”在信贷决策和金融风险缓释中扮演更重要的角色，助力金融机构合理创新，让他们愿意适当下沉目标客群，敢于开展相关业务，拓宽金融覆盖面。同时，建立完善的区域性金融风险监测预警体系，硬化地方政府债务预算约束机制，防范大量资金假借“创新”绕道进入高杠杆的虚拟部门或“两高一剩”产业，平衡好金融创新产业和防控区域金融风险的关系，守住不发生系统性风险的底线。

注释：

①2019年12月，习近平总书记在《求是》杂志发表题为《推动形成优势互补高质量发展的区域经济布局》的重要文章，文章指出当前需要正确认识经济空间结构发生深刻变化的区域经济发展新形势，按照客观经济规律调整完善区域政策体系，多方面健全区域协调发展新机制。

②影像资料下载地址：https：//eogdata.mines.edu/produ cts/vnl/。

③本文没有选用个体固定效应而选用OLS 是出于如下考虑。一是OLS 是一种从空间全域角度粗略观察变量关系的基准分析，是一种暂不考虑区域个体时空特征的参照性分析，也是国内外时空加权回归分析的常用模块和一般程序。二是个体固定效应是选用一个截距参数控制区域的个体异质性，没有考虑每个区域的区位属性和空间经济关联性，得出的结论不符合本文的分析框架，反而会对局部效应的分析形成干扰。综上两点，本文未选用计量经济学常用的固定效应模型进行分析。此外，考虑到各维度金融发展变量在指标构建和内涵上有一定的重叠，为避免共线性对实证结论的干扰，本文参考已有研究的通常做法，将各金融变量单独作为核心变量进行分析，以突出变量对经济发展的独立影响。

④中国银行业协会数据显示，2020年银行业离柜交易率接近90%，2012年这一数值仅为54.37%。另据央行《2020年支付体系运行总体情况》数据，仅2020 一年，ATM就减少了8.39 万台。