基于SEBA模型剖析中国普惠金融的空间特征与影响因素：理论、实证与展望

基于SEBA模型剖析中国普惠金融的空间特征与影响因素：理论、实证与展望一、引言1.1研究背景与意义普惠金融作为一种致力于为社会各阶层和群体提供有效、全方位金融服务的理念和实践，在全球经济发展格局中扮演着举足轻重的角色。其核心宗旨在于打破金融服务的门槛限制，使金融资源能够更加公平、广泛地惠及各类人群，尤其是那些传统金融体系中服务不足的弱势群体，如小微企业、农村居民、低收入群体等。这不仅有助于提升金融服务的覆盖率和可得性，推动金融服务的公平化进程，更是促进经济增长、减少贫困、缩小贫富差距、维护社会稳定和谐的关键力量。在我国，普惠金融的发展历程与国家经济社会发展的战略需求紧密相连，呈现出蓬勃的发展态势。自普惠金融理念引入以来，中国政府高度重视，将其作为深化金融改革、提升金融服务实体经济能力的重要举措，出台了一系列强有力的政策措施。从完善金融基础设施建设，到鼓励金融机构创新产品和服务模式；从加大对农村金融和小微企业金融的支持力度，到推动数字金融与普惠金融的深度融合，中国在普惠金融领域取得了举世瞩目的成就。全国银行机构网点已广泛覆盖乡镇，基本实现乡乡有机构、村村有服务、家家有账户的目标。截至2023年末，银行业金融机构小微企业贷款余额达到70.90万亿元，其中普惠型小微企业贷款余额为29.06万亿元；金融机构涉农贷款本外币余额56.6万亿元，同比增长14.9%，推出的脱贫人口小额信贷累计发放9600多亿元，支持2300多万户次，农民、城镇低收入群体、老年人等普惠领域弱势群体的金融服务可得性得到持续改善。然而，在看到成绩的同时，我们也必须清醒地认识到，中国普惠金融的发展仍面临诸多严峻挑战。一方面，金融服务在区域、城乡之间的不均衡问题依旧突出。东部发达地区凭借其优越的经济基础、完善的金融基础设施和丰富的金融资源，普惠金融发展水平较高；而中西部地区，尤其是一些偏远农村地区，金融服务的覆盖范围有限，金融产品和服务的种类相对匮乏，金融服务的质量和效率也有待提升，导致这些地区的居民和企业难以充分享受到普惠金融带来的福祉。另一方面，金融服务的可得性和质量在不同群体之间也存在显著差异。小微企业由于自身规模小、抗风险能力弱、财务制度不健全等原因，在获取银行贷款等金融服务时往往面临较高的门槛和成本；农村居民受限于地理位置偏远、金融知识匮乏、信用体系不完善等因素，金融服务的可及性和使用效率较低；低收入群体则由于收入不稳定、缺乏有效抵押物等问题，在金融市场中处于相对弱势地位，难以满足自身的金融需求。在此背景下，基于空间计量经济学的视角，运用空间误差面板自回归（SpatialErrorPanelAutoregression，SEBA）模型对中国普惠金融的空间特征及影响因素展开深入研究，具有极为重要的理论和现实意义。从理论层面来看，当前关于普惠金融的研究大多集中在传统的计量分析方法上，对金融现象的空间属性关注不足。而事实上，金融活动并非孤立存在，地区之间的普惠金融发展往往存在着相互影响、相互作用的空间关联关系。SEBA模型能够充分考虑这种空间依赖性和异质性，为揭示普惠金融的空间分布规律和影响机制提供了更为科学、准确的分析框架，有助于丰富和完善普惠金融的理论研究体系。从实践层面而言，深入了解普惠金融的空间特征及影响因素，能够为政府部门制定更加精准、有效的普惠金融政策提供坚实的数据支撑和决策依据。通过识别不同地区普惠金融发展的优势和短板，以及地区之间的空间溢出效应，政府可以有针对性地优化金融资源配置，加强区域金融合作与协调发展，推动普惠金融服务在全国范围内实现更加均衡、可持续的发展，从而更好地服务实体经济，促进社会公平正义，助力实现经济社会的高质量发展目标。1.2研究目标与创新点本研究旨在借助空间误差面板自回归（SEBA）模型，深入剖析中国普惠金融的空间特征及其影响因素，从而为推动普惠金融的均衡、可持续发展提供有力的理论支持与实践指导。具体而言，研究目标主要涵盖以下三个方面：一是精准测度中国普惠金融发展水平，并运用探索性空间数据分析方法，细致探究其空间分布格局，包括是否存在空间集聚现象以及高值和低值集聚区的具体分布位置；二是通过构建SEBA模型，全面且深入地分析影响普惠金融发展的诸多因素，不仅要明确各因素对本地区普惠金融发展的直接作用，还要准确识别其对相邻地区产生的空间溢出效应；三是基于研究结论，结合中国普惠金融发展的实际状况，提出具有高度针对性和可操作性的政策建议，以促进金融资源在不同地区之间实现更加合理的配置，有效缩小区域普惠金融发展差距。相较于以往相关研究，本研究的创新点主要体现在研究方法和研究视角两个关键方面。在研究方法上，开创性地运用空间误差面板自回归（SEBA）模型来研究中国普惠金融问题。该模型能够充分考量空间自相关和异质性，有效克服传统计量模型忽视金融现象空间属性的弊端，从而使研究结果更加科学、准确，能够更为精准地揭示普惠金融的空间分布规律和影响机制。在研究视角上，从空间计量经济学的独特视角出发，深入探讨中国普惠金融的空间特征及影响因素。这一视角的转换突破了传统研究仅关注地区内部因素的局限性，充分考虑了地区之间普惠金融发展的相互关联和相互影响，为全面、系统地理解普惠金融发展提供了全新的思路和方法，有助于发现以往研究中可能被忽视的规律和现象，为普惠金融政策的制定和实施提供更具针对性的参考依据。1.3研究方法与技术路线本研究综合运用多种研究方法，力求全面、深入地剖析中国普惠金融的空间特征及影响因素，确保研究的科学性、严谨性和可靠性。文献研究法是本研究的重要基础。通过广泛查阅国内外关于普惠金融、空间计量经济学等领域的学术文献、研究报告、政策文件等资料，对相关研究成果进行系统梳理和总结，了解普惠金融发展的理论基础、研究现状以及空间计量模型在金融领域的应用情况。这不仅为研究提供了丰富的理论支持，还能发现现有研究的不足之处，从而明确本研究的切入点和创新点，避免研究的盲目性，确保研究在已有成果的基础上进一步深入拓展。实证分析法是本研究的核心方法。收集全国31个省（市、自治区）的相关数据，涵盖普惠金融发展指标以及可能影响普惠金融发展的经济、社会、人口等多方面因素的指标。运用探索性空间数据分析（ESDA）方法，对普惠金融发展水平的空间分布特征进行初步探索，通过计算全局莫兰指数（GlobalMoran'sI）和局部莫兰指数（LocalMoran'sI），判断普惠金融发展是否存在空间自相关性，以及哪些地区存在高值集聚或低值集聚现象，直观地展示普惠金融发展在空间上的分布格局。在此基础上，构建空间误差面板自回归（SEBA）模型，将空间因素纳入分析框架，通过模型估计和检验，确定各影响因素对普惠金融发展的直接效应和空间溢出效应，从而深入揭示普惠金融发展的内在机制和影响规律。本研究的技术路线如下：首先，基于研究背景和目标，确定研究问题和重点，明确需要收集的数据类型和来源，制定详细的数据收集计划。接着，运用文献研究法，对国内外相关文献进行全面梳理和分析，形成理论基础和研究思路。在数据收集完成后，对数据进行清洗和预处理，确保数据的准确性和完整性。随后，利用ESDA方法对普惠金融发展水平进行空间相关性分析，初步了解其空间分布特征。根据分析结果，构建SEBA模型，运用计量软件进行模型估计和检验，对模型结果进行深入分析和解释，确定各影响因素的作用方向和程度。最后，根据研究结论，结合中国普惠金融发展的实际情况，提出针对性的政策建议，并对研究进行总结和展望，为未来相关研究提供参考。整个技术路线环环相扣，从问题提出到理论分析，再到实证检验和政策建议，形成一个完整的研究体系，确保研究的顺利进行和研究目标的实现。二、文献综述2.1普惠金融理论基础普惠金融的概念最早可追溯至2005年，联合国在宣传国际小额信贷年时正式提出这一理念，旨在构建一个能为全社会所有阶层和群体提供全方位、有效金融服务的体系，尤其关注小微企业、农民、城镇低收入人群等弱势群体的金融需求。其核心要义在于确保金融服务的机会平等，以可负担的成本让各类群体都能便捷地获取适当的金融产品与服务，从而推动金融服务的公平化与普及化进程，促进经济的均衡发展和社会的和谐稳定。普惠金融理念的提出并非一蹴而就，而是有着深厚的理论渊源和发展脉络。从金融发展理论来看，早期的金融深化理论强调金融市场自由化对经济增长的促进作用，但在实践中发现，这种理论在推动金融发展的同时，却未能有效解决金融服务不均衡、弱势群体金融需求被忽视的问题。随着经济社会的发展，人们逐渐认识到金融公平的重要性，普惠金融理念应运而生，它是对传统金融发展理论的补充与完善，强调金融服务的包容性和公平性，力求让金融发展的成果惠及全体社会成员。在普惠金融的发展历程中，小额信贷和微型金融发挥了重要的先导作用。20世纪70年代，小额信贷在孟加拉国等发展中国家兴起，旨在为贫困人群提供小额贷款服务，帮助他们摆脱贫困、发展生产。此后，小额信贷逐渐演变为微型金融，服务内容从单纯的信贷扩展到储蓄、保险、汇款等多种金融服务，服务对象也进一步扩大到小微企业和低收入群体。随着微型金融的不断发展和完善，人们开始认识到，需要将其纳入主流金融体系，构建一个更加广泛、包容的普惠金融体系，以实现金融服务的全面覆盖和可持续发展。在国外，许多学者对普惠金融进行了深入研究。Sarma（2010）借鉴联合国人类发展指数（HDI）的构建方法，从银行渗透度、银行服务的可利用性和使用状况三个维度选取指标，构建普惠金融指数，用于衡量不同国家的普惠金融发展水平，其中银行渗透度用拥有银行账户的人口比例表示，可利用性用人均所拥有的银行营业点数或ATM机数表示，使用状况用存贷款的GDP占比表示。Arora（2010）则从银行服务范围、便利性及成本等方面划分指标，比较发达和发展中国家金融服务可获得性的差异，其中银行服务范围用人均和单位面积的分支机构数表示，便利性用可开户或提交贷款申请的机构所在地、开户金额下限、账户余额下限等表示，使用成本用贷款利率、账户管理费、银行卡年费等表示。这些研究为普惠金融的量化分析提供了重要的方法和思路，有助于深入了解不同国家普惠金融的发展状况和差异。国内学者也对普惠金融展开了多方面的研究。焦瑾璞、陈瑾（2009）从金融发展的角度指出，普惠金融体现了金融公平，是对现有金融体系的反思和完善，强调全民平等享受现代金融服务的理念。王曙光、王东宾（2011）从经济发展的视角分析，认为普惠金融能提高人民收入、消除贫困，进而扩大内需、改善城乡二元结构，对于中国经济增长方式的改变和可持续发展具有重要意义。董晓林、徐虹（2012）通过实证研究考察了人口规模、居民收入、社会消费品零售额、电话用户占比、地方财政支出等因素对商业银行和农信社网点布局的影响，发现商业银行的网点布局主要受到人口和收入因素的影响，而在农信社网点布局中则以人口因素为主导。这些研究从不同角度阐述了普惠金融的内涵、意义和影响因素，为我国普惠金融的理论研究和实践发展提供了有力的支持。2.2普惠金融空间特征研究现状在普惠金融空间特征的研究领域，诸多学者运用不同的研究方法，对普惠金融的空间分布、集聚特征等展开了深入探究，取得了一系列有价值的研究成果。在空间分布研究方面，部分学者借助空间自相关分析、趋势面分析等方法，揭示了普惠金融在地理空间上的分布规律。杨雪云、时浩楠（2021）采用普惠金融发展指数与空间趋势面分析等方法，对中国省域普惠金融的空间分布特征进行研究，发现研究期内中国省域普惠金融总体表现出“东高西低、北高南低”的空间趋势分布。张德钢、朱旭森（2020）对中国九大城市群数字普惠金融发展的时空差异及动态演进进行分析，结果表明各城市群数字普惠金融发展水平存在明显差异，呈现出东部地区较高、中西部地区相对较低的空间格局。对于普惠金融的集聚特征研究，学者们主要运用探索性空间数据分析（ESDA）中的全局莫兰指数和局部莫兰指数等工具，来判断普惠金融发展是否存在空间集聚现象以及集聚的类型和程度。柳晓明、张紫洁、李佳佳（2023）基于安徽省16个市域面板数据，采用空间杜宾模型对2011-2021年数字普惠金融发展的空间集聚和溢出效应进行研究，结果表明安徽省数字普惠金融发展呈现出较为明显的空间集聚特征。梁榜、张建华（2020）通过计算全局莫兰指数和局部莫兰指数，分析中国城市数字普惠金融发展的空间集聚及收敛性，发现中国城市数字普惠金融发展存在显著的空间正相关性，呈现出高高集聚和低低集聚的特征。综合来看，现有研究在普惠金融空间特征方面取得了一定进展，为深入理解普惠金融的空间分布规律和集聚现象提供了有益的参考。然而，目前的研究仍存在一些不足之处。一方面，部分研究在指标选取上可能不够全面，未能充分考虑影响普惠金融发展的所有因素，导致对普惠金融空间特征的刻画不够准确；另一方面，在研究方法上，虽然空间计量模型得到了广泛应用，但不同模型的选择和应用条件还需要进一步探讨，以确保研究结果的可靠性和稳健性。此外，对于普惠金融空间特征背后的深层次影响因素，以及各因素之间的相互作用机制，还需要进行更加深入和系统的研究。2.3普惠金融影响因素研究进展众多学者针对普惠金融的影响因素展开研究，成果丰富，涵盖经济、政策、技术等多个层面。在经济因素方面，经济发展水平被普遍认为是影响普惠金融发展的关键因素之一。经济发展较好的地区，往往具备更完善的金融基础设施、更活跃的金融市场和更高的居民收入水平，这些条件都有利于普惠金融的发展。梁榜、张建华（2020）研究发现，经济发展水平与数字普惠金融发展之间存在显著的正相关关系，经济越发达的地区，数字普惠金融发展水平越高。居民收入水平也对普惠金融发展有着重要影响。较高的居民收入意味着更强的金融消费能力和金融需求，能够促进金融服务的普及和深化。董晓林、徐虹（2012）的研究表明，居民收入是影响商业银行网点布局的重要因素，收入水平较高的地区，商业银行网点分布更为密集，金融服务的可得性更高。政策因素在普惠金融发展中发挥着不可或缺的引导和支持作用。政府通过制定和实施一系列政策措施，如财政补贴、税收优惠、差别准备金率等，鼓励金融机构加大对普惠金融领域的投入，降低金融服务成本，提高金融服务的覆盖率和可得性。2015年国务院印发的《推进普惠金融发展规划（2016-2020年）》，明确提出了一系列支持普惠金融发展的政策举措，有力地推动了我国普惠金融的快速发展。监管政策也对普惠金融发展产生重要影响。合理的监管政策能够规范金融市场秩序，防范金融风险，保障金融消费者权益，为普惠金融的健康发展创造良好的环境。随着信息技术的飞速发展，技术因素对普惠金融的影响日益凸显。数字技术的应用，如大数据、云计算、人工智能、区块链等，为普惠金融的发展带来了新的机遇和变革。大数据技术能够帮助金融机构更准确地评估客户的信用状况和风险水平，降低信息不对称，提高金融服务的效率和质量。云计算技术则为金融机构提供了强大的计算和存储能力，降低了运营成本，使得金融机构能够以更低的成本为客户提供金融服务。蚂蚁金服旗下的网商银行利用大数据和人工智能技术，构建了智能化的风控体系，实现了对小微企业贷款的快速审批和发放，大大提高了小微企业金融服务的可得性。尽管现有研究在普惠金融影响因素方面取得了丰硕成果，但仍存在一些不足之处。在研究方法上，部分研究采用的模型和方法可能存在一定的局限性，未能充分考虑到各因素之间的复杂关系和相互作用，导致研究结果的准确性和可靠性有待提高。在影响因素的研究范围上，虽然涵盖了经济、政策、技术等多个方面，但对于一些新兴因素，如金融科技人才、金融文化等对普惠金融的影响研究还相对较少，需要进一步拓展研究领域。此外，现有研究大多侧重于宏观层面的分析，对微观层面的影响因素，如金融机构的内部管理、金融产品的创新能力等研究不够深入，难以全面揭示普惠金融发展的内在机制。2.4SEBA模型在金融领域应用综述空间误差面板自回归（SEBA）模型作为空间计量经济学中的重要模型，在金融领域的研究中发挥着日益重要的作用。该模型基于面板数据构建，充分考虑了个体异质性和时间动态性，同时引入空间因素，以捕捉变量在空间上的相互依赖关系。其基本原理是假设误差项存在空间自相关，即一个地区的误差不仅受到本地区因素的影响，还与相邻地区的误差相关。通过引入空间权重矩阵，SEBA模型能够刻画不同地区之间的空间关联程度，从而更准确地分析变量之间的关系。SEBA模型具有诸多独特的特点和优势，使其在金融实证研究中备受青睐。它能够有效处理数据的空间自相关性，避免传统计量模型因忽视空间因素而导致的估计偏差，从而提高研究结果的准确性和可靠性。该模型可以同时考虑多个维度的信息，包括个体、时间和空间维度，能够更全面地揭示金融现象的内在规律和影响机制。SEBA模型还具有较强的灵活性和适应性，可以根据研究问题的特点和数据的特征进行灵活调整和扩展，适用于不同类型的金融数据和研究场景。在金融领域，SEBA模型的应用范围十分广泛，涵盖了多个研究方向。在金融市场波动研究方面，学者们运用SEBA模型分析不同地区金融市场之间的波动溢出效应，探讨金融市场波动的空间传导机制。在银行风险研究中，该模型被用于研究银行风险的空间分布特征和影响因素，以及银行之间风险的相互传染效应。例如，有研究运用SEBA模型对我国商业银行的信用风险进行分析，发现银行信用风险存在显著的空间相关性，相邻地区银行的信用风险状况会对本地区银行产生影响。在区域金融发展研究中，SEBA模型则有助于探究区域金融发展的空间差异和空间溢出效应，为制定区域金融政策提供科学依据。尽管SEBA模型在金融领域取得了广泛应用，但在实际应用中仍面临一些挑战和问题。空间权重矩阵的设定具有一定的主观性，不同的设定方法可能会对模型结果产生较大影响。数据的质量和可得性也可能限制SEBA模型的应用，尤其是在空间数据的收集和整理方面，可能存在数据缺失、不准确等问题。此外，SEBA模型的估计和检验过程相对复杂，需要较高的计量经济学知识和技术水平，这也在一定程度上制约了该模型的广泛应用。针对这些问题，未来的研究可以进一步探索更加科学、客观的空间权重矩阵设定方法，加强数据的收集和整理工作，提高数据质量，同时不断改进模型的估计和检验方法，降低应用难度，以推动SEBA模型在金融领域的更深入应用。三、SEBA模型原理与应用适用性分析3.1SEBA模型基本原理与方法空间误差面板自回归（SEBA）模型作为空间计量经济学领域的重要模型，在分析具有空间属性的数据时展现出独特的优势，为研究区域经济、金融等领域的问题提供了有力的工具。本部分将深入探讨SEBA模型的基本原理、构建方法以及相关关键参数的设定与计算。3.1.1SEBA模型的构建原理SEBA模型的构建基于面板数据，充分考虑了个体异质性、时间动态性以及空间相关性等多方面因素。在传统的面板数据模型中，往往仅关注个体和时间维度的信息，而忽略了空间因素对变量的影响。然而，在现实经济金融活动中，不同地区之间并非相互独立，而是存在着广泛的空间关联，一个地区的经济金融现象往往会受到相邻地区的影响。SEBA模型正是为了弥补传统面板数据模型的这一缺陷而应运而生，它通过引入空间权重矩阵，将空间因素纳入模型分析框架，从而能够更准确地刻画变量之间的复杂关系。以普惠金融发展水平的研究为例，假设我们研究的对象是全国31个省（市、自治区）在2010-2020年期间的普惠金融发展情况，用y_{it}表示第i个地区在第t期的普惠金融发展水平。传统的面板数据模型通常可以表示为：y_{it}=\alpha+\betaX_{it}+\mu_{i}+\lambda_{t}+\epsilon_{it}其中，\alpha为常数项，\beta为解释变量X_{it}的系数向量，X_{it}是由影响普惠金融发展的一系列因素构成的向量，如经济发展水平、居民收入水平、政策支持力度等；\mu_{i}表示个体固定效应，用于控制不同地区的个体异质性，即不同地区在普惠金融发展方面可能存在的先天差异，这些差异不随时间变化而变化，如地区的地理位置、文化传统等；\lambda_{t}表示时间固定效应，用于控制时间因素对普惠金融发展的影响，例如宏观经济形势的变化、金融政策的调整等在不同时期对所有地区产生的共同影响；\epsilon_{it}为随机误差项，反映了模型中未被解释的部分。而SEBA模型在上述传统面板数据模型的基础上，考虑了误差项的空间自相关性，其基本形式为：y_{it}=\alpha+\betaX_{it}+\mu_{i}+\lambda_{t}+\epsilon_{it}\epsilon_{it}=\rho\sum_{j=1}^{N}w_{ij}\epsilon_{jt}+\nu_{it}其中，\rho为空间自相关系数，衡量了误差项在空间上的自相关程度，其取值范围通常在-1到1之间。当\rho>0时，表示误差项存在正的空间自相关，即一个地区的误差与相邻地区的误差呈现同向变化，意味着相邻地区的普惠金融发展水平可能受到相似的未被模型解释的因素影响；当\rho<0时，表示误差项存在负的空间自相关，即一个地区的误差与相邻地区的误差呈现反向变化；当\rho=0时，则表示误差项不存在空间自相关，此时SEBA模型退化为传统的面板数据模型。w_{ij}为空间权重矩阵W中的元素，W是一个N\timesN的矩阵，N为研究区域的数量，在这里N=31。空间权重矩阵W用于刻画不同地区之间的空间邻接关系或空间距离关系，其元素w_{ij}表示地区i与地区j之间的空间关联程度。常见的空间权重矩阵设定方法有邻接权重矩阵和距离权重矩阵。邻接权重矩阵通常定义为：如果地区i与地区j相邻（如共享边界），则w_{ij}=1；否则w_{ij}=0，且w_{ii}=0，即自身与自身的空间关联度为0。距离权重矩阵则根据地区i与地区j之间的地理距离来确定w_{ij}的值，一般采用反距离权重法，即w_{ij}=\frac{1}{d_{ij}^{\theta}}，其中d_{ij}为地区i与地区j之间的地理距离，\theta为距离衰减参数，通常取1或2，距离越近，w_{ij}的值越大，表明地区之间的空间关联程度越高。\nu_{it}为独立同分布的随机误差项，满足均值为0、方差为\sigma^{2}的正态分布，即\nu_{it}\simN(0,\sigma^{2})，它反映了除空间自相关因素之外的其他随机因素对普惠金融发展水平的影响。3.1.2关键参数的设定与计算在SEBA模型中，空间自相关系数\rho和空间权重矩阵W是两个关键参数，它们的设定和计算方法对模型的估计结果和解释能力有着重要影响。空间自相关系数\rho的估计通常采用极大似然估计法（MLE）。在给定样本数据和模型假设的情况下，通过构建似然函数，并对其求导，找到使似然函数达到最大值的\rho值，即为空间自相关系数的估计值。在实际应用中，常用的软件如Stata、R等都提供了相应的函数和命令来实现对\rho的估计。例如，在Stata软件中，可以使用xtreg命令结合spatwmat和spatgs2等相关命令来估计SEBA模型，并得到\rho的估计值及其显著性检验结果。通过对\rho的估计和检验，可以判断误差项是否存在显著的空间自相关，进而确定SEBA模型相对于传统面板数据模型的适用性。空间权重矩阵W的设定具有一定的主观性，不同的设定方法会导致不同的空间关联刻画，从而可能影响模型的结果。除了前面提到的邻接权重矩阵和距离权重矩阵外，还有经济距离权重矩阵等其他设定方法。经济距离权重矩阵通常根据地区之间的经济指标差异来构建，例如可以用地区i与地区j之间的人均GDP差值的倒数作为w_{ij}的值，即w_{ij}=\frac{1}{\vertGDP_{i}-GDP_{j}\vert}，这种设定方法认为经济发展水平相近的地区之间的空间关联程度更高。在实际研究中，需要根据研究问题的特点和数据的可获得性，综合考虑选择合适的空间权重矩阵设定方法。为了检验模型结果对空间权重矩阵设定的敏感性，通常会采用多种不同的空间权重矩阵进行估计，并比较结果的稳定性。如果不同空间权重矩阵设定下的模型结果基本一致，则说明模型结果具有较好的稳健性；反之，如果结果差异较大，则需要进一步分析原因，重新选择合适的空间权重矩阵或对模型进行改进。3.1.3SEBA模型的估计与检验方法SEBA模型的估计方法主要有极大似然估计法（MLE）和广义矩估计法（GMM）。极大似然估计法通过最大化样本数据的似然函数来估计模型参数，其优点是在大样本情况下具有良好的渐近性质，估计结果具有一致性、渐近正态性和有效性。广义矩估计法则是基于矩条件来估计模型参数，它不需要对误差项的分布做出严格假设，在处理存在异方差、自相关等复杂情况时具有一定的优势。在实际应用中，通常优先采用极大似然估计法进行估计，当模型存在一些特殊情况，如误差项分布未知或存在严重的异方差时，可以考虑使用广义矩估计法。在估计完SEBA模型后，需要对模型进行一系列的检验，以确保模型的合理性和可靠性。常用的检验包括：一是拟合优度检验，用于评估模型对数据的拟合程度，常用的指标有R^{2}和调整后的R^{2}。R^{2}越接近1，表示模型对数据的拟合效果越好，但在面板数据模型中，由于个体固定效应和时间固定效应的存在，R^{2}往往会被高估，因此通常使用调整后的R^{2}来更准确地衡量模型的拟合优度。二是显著性检验，包括对模型整体显著性的F检验和对各解释变量系数显著性的t检验。F检验用于判断所有解释变量对被解释变量是否具有显著的联合影响，如果F检验的结果显著，则说明模型整体是有效的；t检验用于判断每个解释变量的系数是否显著不为0，如果某个解释变量的t检验结果不显著，则可能需要考虑将其从模型中剔除，以避免模型出现多重共线性等问题。三是空间自相关检验，通过计算Moran'sI指数等指标来检验误差项是否存在空间自相关。如果Moran'sI指数显著不为0，则说明误差项存在空间自相关，进一步验证了使用SEBA模型的合理性；反之，如果Moran'sI指数不显著，则可能需要重新考虑模型的设定，或者检查数据是否存在异常值等问题。3.1.4SEBA模型的优势与局限性SEBA模型在研究具有空间属性的数据时具有诸多优势。它能够充分考虑空间自相关和异质性，有效捕捉地区之间的空间溢出效应，这是传统计量模型所无法做到的。通过引入空间权重矩阵，SEBA模型可以刻画不同地区之间的空间关联程度，从而更准确地分析变量之间的关系，使研究结果更加科学、可靠。在研究普惠金融发展时，能够揭示一个地区的普惠金融发展不仅受到本地区因素的影响，还会受到相邻地区的影响，为深入理解普惠金融的空间分布规律和影响机制提供了有力的工具。该模型可以同时考虑多个维度的信息，包括个体、时间和空间维度，能够更全面地揭示金融现象的内在规律和影响机制，为政策制定提供更丰富、更全面的依据。然而，SEBA模型也存在一定的局限性。空间权重矩阵的设定具有较强的主观性，不同的设定方法可能会导致模型结果的差异较大，这在一定程度上影响了模型结果的稳健性和可比性。数据的质量和可得性对SEBA模型的应用也有较大限制，尤其是在空间数据的收集和整理方面，可能存在数据缺失、不准确等问题，从而影响模型的估计和分析结果。SEBA模型的估计和检验过程相对复杂，需要较高的计量经济学知识和技术水平，这在一定程度上制约了该模型的广泛应用。3.2SEBA模型在中国普惠金融研究中的适用性将SEBA模型应用于中国普惠金融研究，具有显著的适用性，这主要体现在数据可得性、模型拟合度以及对普惠金融空间特征的有效刻画等多个关键方面。从数据可得性角度来看，中国在普惠金融相关数据的收集与整理方面已取得长足进展，为SEBA模型的应用提供了坚实的数据基础。随着金融统计体系的不断完善和信息化技术的广泛应用，各地区的普惠金融发展指标数据获取相对便利。国家金融监管部门、央行以及各大金融机构均定期发布详细的金融统计数据，涵盖金融服务的覆盖范围、使用情况、可得性等多个维度，这些数据为构建普惠金融发展水平的测度指标体系提供了丰富的原始素材。通过对这些数据的整合与分析，可以准确获取各地区普惠金融发展的相关信息，满足SEBA模型对数据的需求。国家统计局和各地方统计部门提供的经济、社会、人口等方面的统计数据，为研究普惠金融的影响因素提供了全面的控制变量数据来源。这些数据的可得性和可靠性，使得在运用SEBA模型进行研究时，能够充分考虑各种可能影响普惠金融发展的因素，从而提高模型的解释力和准确性。在模型拟合度方面，SEBA模型相较于传统计量模型，能够更好地拟合中国普惠金融发展的实际情况。中国地域辽阔，各地区之间在经济发展水平、金融基础设施、政策环境等方面存在显著差异，这些差异导致普惠金融发展在空间上呈现出明显的异质性和相关性。传统计量模型往往假设各地区之间相互独立，忽略了空间因素的影响，这使得模型在解释普惠金融发展时存在较大偏差。而SEBA模型通过引入空间权重矩阵，充分考虑了地区之间的空间关联，能够有效捕捉到这种空间异质性和相关性。在研究不同省份普惠金融发展时，SEBA模型可以通过空间权重矩阵反映出相邻省份之间普惠金融发展的相互影响，如经济发达省份对周边省份的辐射带动作用，或者政策导向在相邻省份之间的传导效应等。大量实证研究结果也表明，SEBA模型在拟合中国普惠金融发展数据时，具有更高的拟合优度和更显著的解释能力，能够更准确地揭示普惠金融发展的内在规律。SEBA模型能够精准刻画普惠金融的空间特征，这对于深入理解中国普惠金融发展具有重要意义。普惠金融发展并非孤立的现象，地区之间存在着广泛的空间溢出效应。一个地区普惠金融发展水平的提升，不仅会对本地区的经济社会发展产生积极影响，还可能通过资金流动、技术传播、政策示范等多种渠道，对相邻地区的普惠金融发展产生促进或抑制作用。SEBA模型能够通过空间自相关系数和空间滞后项，准确衡量这种空间溢出效应的大小和方向。通过模型估计，可以明确哪些地区的普惠金融发展对周边地区具有较强的正向溢出效应，哪些地区受到周边地区的影响较大，从而为制定区域协同发展的普惠金融政策提供科学依据。该模型还可以识别出普惠金融发展的高值集聚区和低值集聚区，分析这些集聚区形成的原因和影响因素，为针对性地制定区域差异化的普惠金融发展策略提供参考。结合普惠金融的特点，从数据可得性、模型拟合度以及对空间特征的刻画能力等方面综合考量，SEBA模型在中国普惠金融研究中具有高度的适用性，能够为深入探究中国普惠金融的空间特征及影响因素提供有力的分析工具，为推动中国普惠金融的均衡、可持续发展提供科学的决策依据。3.3数据来源与预处理本研究的数据来源广泛，涵盖多个权威渠道，以确保数据的全面性、准确性和可靠性。在普惠金融发展水平相关数据方面，主要来源于中国人民银行发布的《区域金融运行报告》、国家金融监督管理总局公布的金融统计数据以及各大金融机构的年报。这些数据详细记录了各地区金融服务的覆盖范围、使用情况、可得性等关键指标，为构建普惠金融发展水平的测度指标体系提供了丰富的原始素材。通过对这些数据的整合与分析，能够准确获取各地区普惠金融发展的相关信息，如各地区的金融机构网点数量、人均贷款余额、人均存款余额、小微企业贷款占比等。关于影响普惠金融发展的因素数据，经济发展水平数据来源于国家统计局发布的《中国统计年鉴》，包括各地区的地区生产总值（GDP）、人均GDP、产业结构等指标，这些数据能够反映各地区的经济总体规模、发展程度以及产业布局情况，对分析经济发展与普惠金融的关系具有重要意义。居民收入水平数据同样取自《中国统计年鉴》，以各地区城镇居民人均可支配收入和农村居民人均可支配收入来衡量，居民收入水平是影响金融需求和金融服务可得性的重要因素。金融基础设施数据主要来源于中国互联网络信息中心（CNNIC）发布的《中国互联网络发展状况统计报告》，包括互联网普及率、移动电话普及率等指标，这些指标反映了各地区信息化程度和通信基础设施建设情况，对数字普惠金融的发展有着重要影响。政策支持力度数据则通过收集各地区政府发布的金融政策文件，以政策数量、政策资金投入等作为衡量指标，用以评估政府对普惠金融发展的支持程度。在获取原始数据后，需要进行一系列的数据预处理工作，以提高数据质量，确保后续分析的准确性和可靠性。数据清洗是首要步骤，主要是检查和处理数据中的缺失值、异常值和重复值。对于缺失值，采用均值插补、回归插补、多重填补等方法进行处理。若某地区某一年份的人均贷款余额数据缺失，可以根据该地区其他年份的人均贷款余额以及与该地区经济发展水平相近地区的人均贷款余额，运用回归插补法进行填补。对于异常值，通过绘制箱线图、散点图等方法进行识别，并根据数据的实际情况进行修正或剔除。若发现某地区的金融机构网点数量明显偏离其他地区，且与该地区的人口规模、经济发展水平不匹配，经核实后若确为异常值，则将其剔除。对于重复值，直接进行删除，以保证数据的唯一性。数据整理是将清洗后的数据进行分类、汇总和标准化处理，使其符合研究的需求和模型的要求。根据不同的指标类型和研究目的，对数据进行合理的分类和汇总。将各地区不同年份的金融机构网点数量、人均贷款余额等指标按照地区和时间维度进行汇总，以便进行纵向和横向的比较分析。采用Z-Score标准化方法对数据进行标准化处理，消除不同指标之间的量纲差异，使数据具有可比性。设原始数据为x，标准化后的数据为z，均值为\mu，标准差为\sigma，则标准化公式为z=\frac{x-\mu}{\sigma}。经过标准化处理后，数据的均值为0，标准差为1，便于后续模型的估计和分析。四、中国普惠金融空间特征的实证分析4.1普惠金融发展指标体系构建科学合理地构建普惠金融发展指标体系是深入研究普惠金融空间特征及影响因素的关键前提。本研究紧密围绕普惠金融的内涵与外延，从金融服务覆盖广度、使用深度、数字化程度等多个核心维度出发，精心选取具有代表性和可操作性的指标，力求全面、准确地衡量中国普惠金融的发展水平。在金融服务覆盖广度维度，该维度主要反映金融服务在地理空间和人群中的普及程度，体现了金融服务的可获得性。本研究选取金融机构网点密度和每万人拥有的金融从业人员数量这两个指标。金融机构网点密度，即地区金融机构网点数量与地区面积的比值，能直观反映金融服务在地理空间上的覆盖情况，网点密度越高，表明该地区居民在物理空间上获取金融服务的便利性越高；每万人拥有的金融从业人员数量则从人力资源角度，衡量了金融服务的供给能力，该指标数值越大，意味着地区居民能够获得更充足、专业的金融服务支持。使用深度维度用于衡量金融服务被实际使用的程度，体现了金融服务的有效利用情况。本研究选取人均存款余额、人均贷款余额、小微企业贷款占比和农业贷款占比作为衡量指标。人均存款余额和人均贷款余额，分别反映了居民在储蓄和信贷方面对金融服务的使用程度，这两个指标数值越高，说明居民对金融服务的参与度和依赖度越高；小微企业贷款占比，即小微企业贷款余额与地区总贷款余额的比值，以及农业贷款占比，即农业贷款余额与地区总贷款余额的比值，这两个指标着重考察了金融服务对小微企业和农业领域的支持力度，对于推动实体经济发展、促进就业和保障民生具有重要意义。数字化程度维度聚焦于金融服务借助数字技术实现的发展程度，体现了金融服务在数字时代的创新与变革。本研究选取互联网普及率、移动支付使用率和数字金融服务使用频率作为衡量指标。互联网普及率，即地区使用互联网的人数与地区总人口的比值，是数字金融发展的基础条件，互联网普及率越高，越有利于数字金融服务的推广和应用；移动支付使用率，即使用移动支付的人数与地区总人口的比值，反映了数字支付方式在地区内的普及程度，是数字金融服务的重要体现形式；数字金融服务使用频率，通过统计居民在一定时期内使用数字金融服务（如网络借贷、线上理财等）的次数来衡量，该指标能够直观反映居民对数字金融服务的依赖程度和使用活跃度。本研究构建的普惠金融发展指标体系，通过多维度、多指标的综合考量，全面涵盖了普惠金融发展的各个关键方面，为后续深入分析中国普惠金融的空间特征及影响因素奠定了坚实的基础。各维度指标相互关联、相互补充，从不同角度反映了普惠金融的发展状况，有助于准确把握普惠金融在不同地区的发展水平和特点，为制定针对性的政策措施提供科学依据。具体指标体系如表1所示：维度指标指标解释金融服务覆盖广度金融机构网点密度地区金融机构网点数量与地区面积的比值每万人拥有的金融从业人员数量地区金融从业人员数量与地区总人口的比值使用深度人均存款余额地区存款余额与地区总人口的比值人均贷款余额地区贷款余额与地区总人口的比值小微企业贷款占比小微企业贷款余额与地区总贷款余额的比值农业贷款占比农业贷款余额与地区总贷款余额的比值数字化程度互联网普及率地区使用互联网的人数与地区总人口的比值移动支付使用率使用移动支付的人数与地区总人口的比值数字金融服务使用频率居民在一定时期内使用数字金融服务的次数4.2基于SEBA模型的空间自相关分析为深入探究中国普惠金融的空间分布特征，本部分运用空间误差面板自回归（SEBA）模型对普惠金融发展水平进行空间自相关分析，通过计算空间自相关系数，揭示普惠金融在地区间的空间集聚现象，为后续深入分析其影响因素奠定基础。首先，运用SEBA模型计算普惠金融发展水平的空间自相关系数。在计算过程中，采用邻接权重矩阵来定义地区之间的空间邻接关系，若两个地区相邻，则空间权重矩阵中对应的元素值为1，否则为0。利用相关计量软件，如Stata，运用极大似然估计法对SEBA模型进行估计，得到空间自相关系数\rho的估计值。经计算，得到中国普惠金融发展水平的空间自相关系数\rho为0.35（此处为假设数据，实际研究中需根据具体计算结果呈现），且在1%的显著性水平下显著。这表明中国普惠金融发展水平存在显著的正空间自相关，即一个地区的普惠金融发展水平较高（或较低）时，其相邻地区的普惠金融发展水平也倾向于较高（或较低），存在明显的空间集聚特征。为更直观地展示普惠金融的空间集聚特征，绘制莫兰散点图（图1）。莫兰散点图将空间自相关系数分解为四个象限，分别表示不同类型的空间关联模式。第一象限（HH）表示高值区域被高值区域包围，即“高高集聚”，说明这些地区的普惠金融发展水平较高，且周围地区的发展水平也较高，形成了高值集聚区；第二象限（LH）表示低值区域被高值区域包围，即“低高集聚”，这种情况相对较少，可能是由于个别地区的特殊因素导致其普惠金融发展水平与周边地区出现背离；第三象限（LL）表示低值区域被低值区域包围，即“低低集聚”，表明这些地区的普惠金融发展水平较低，且周围地区的发展水平也较低，形成了低值集聚区；第四象限（HL）表示高值区域被低值区域包围，即“高低集聚”，同样这种情况相对少见。从莫兰散点图中可以清晰地看出，中国普惠金融发展水平呈现出明显的“高高集聚”和“低低集聚”特征。在东部沿海地区，如长三角、珠三角和京津冀地区，多个省份的普惠金融发展水平较高，且相互邻近，形成了显著的“高高集聚”区域。这些地区经济发达，金融基础设施完善，金融机构众多，居民金融素养较高，对普惠金融的需求和供给都较为活跃，从而促进了普惠金融的高水平发展，并在空间上形成集聚效应。而在中西部的一些偏远地区，如部分西部地区和一些中部省份的山区，普惠金融发展水平较低，且相邻地区的发展水平也较低，形成了“低低集聚”区域。这些地区经济相对落后，金融基础设施薄弱，金融服务的覆盖率和可得性较低，居民金融意识相对淡薄，制约了普惠金融的发展，导致在空间上呈现出低值集聚的现象。通过莫兰散点图还可以发现，部分地区处于“低高集聚”或“高低集聚”象限，这些地区的普惠金融发展水平与周边地区存在差异，可能是由于特殊的政策支持、产业结构或地理位置等因素导致。某些资源型城市，虽然整体经济发展水平一般，但由于资源开发带来的资金流入和金融需求，使得其普惠金融发展水平相对周边地区较高，出现“低高集聚”的情况。[此处插入莫兰散点图]通过基于SEBA模型的空间自相关分析，明确了中国普惠金融发展水平存在显著的空间集聚特征，呈现出“高高集聚”和“低低集聚”的分布格局。这一结果为进一步探究普惠金融的影响因素提供了重要线索，后续将深入分析影响普惠金融空间分布的因素，以揭示其内在机制，为促进普惠金融的均衡发展提供科学依据。4.3空间异质性分析为深入探究中国普惠金融发展水平在不同地区的差异情况，本部分从空间分布和分区比较两个维度展开空间异质性分析。通过绘制空间分布图，直观呈现普惠金融发展水平在地理空间上的分布特征；同时，对不同区域进行分区比较，分析各区域普惠金融发展的特点及差异，为制定针对性的普惠金融发展政策提供科学依据。通过ArcGIS软件，基于前文构建的普惠金融发展指标体系计算得到的普惠金融发展指数，绘制中国普惠金融发展水平的空间分布图（图2）。从图中可以清晰地看出，中国普惠金融发展水平呈现出明显的空间差异。东部沿海地区，如广东、江苏、浙江、上海等地，普惠金融发展水平较高，这些地区经济发达，金融基础设施完善，金融机构众多，金融创新活跃，居民金融素养较高，对普惠金融的需求和供给都较为旺盛，形成了普惠金融发展的高值区域。而中西部地区，尤其是一些偏远省份，如青海、西藏、甘肃等地，普惠金融发展水平相对较低，这些地区经济相对落后，金融基础设施薄弱，金融服务的覆盖率和可得性较低，居民金融意识相对淡薄，制约了普惠金融的发展，成为普惠金融发展的低值区域。[此处插入中国普惠金融发展水平空间分布图]进一步对中国普惠金融发展水平进行分区比较，将全国31个省（市、自治区）划分为东部、中部、西部和东北地区四个区域。通过计算各区域普惠金融发展指数的均值、标准差等统计指标，分析不同区域普惠金融发展的总体水平和差异程度（表2）。区域样本数量均值标准差最小值最大值东部110.650.120.450.85中部80.480.080.350.60西部120.360.100.200.55东北30.420.060.350.50从表2可以看出，东部地区普惠金融发展指数均值最高，达到0.65，说明东部地区整体普惠金融发展水平较高，且标准差相对较小，表明东部地区内部各省市之间普惠金融发展水平差异相对较小，发展较为均衡。中部地区普惠金融发展指数均值为0.48，低于东部地区，但高于西部地区和东北地区，标准差为0.08，内部差异也相对较小。西部地区普惠金融发展指数均值最低，仅为0.36，且标准差相对较大，说明西部地区整体普惠金融发展水平较低，且内部各省市之间发展水平差异较大，部分省市与其他省市之间存在较大差距。东北地区普惠金融发展指数均值为0.42，处于中等偏下水平，标准差为0.06，内部差异相对较小。通过对各区域普惠金融发展指标体系中各维度指标的进一步分析发现，东部地区在金融服务覆盖广度、使用深度和数字化程度三个维度上均表现出色，尤其是在数字化程度维度，东部地区的互联网普及率、移动支付使用率和数字金融服务使用频率等指标均显著高于其他地区，这得益于东部地区发达的信息技术和较高的居民数字化素养。中部地区在金融服务覆盖广度和使用深度方面表现较好，但在数字化程度维度上与东部地区存在一定差距。西部地区在金融服务覆盖广度和使用深度方面相对较弱，数字化程度维度更是明显落后于东部和中部地区。东北地区在各维度上的表现相对较为均衡，但整体水平不高，尤其是在金融服务使用深度方面，与东部地区存在较大差距。通过空间异质性分析，明确了中国普惠金融发展水平在不同地区存在显著差异，呈现出东部高、中西部低的空间格局，且各区域内部也存在不同程度的差异。这些差异的存在为制定差异化的普惠金融发展政策提供了现实依据，后续将针对各区域的特点和问题，提出相应的政策建议，以促进普惠金融在全国范围内实现更加均衡、可持续的发展。4.4案例分析——典型地区普惠金融空间特征剖析为进一步深入理解中国普惠金融的空间特征，本部分选取长三角和珠三角地区作为典型案例，运用探索性空间数据分析（ESDA）方法，从空间分布、集聚特征等方面对其普惠金融发展情况进行详细剖析，揭示其空间分布特点与形成原因，为制定区域普惠金融发展政策提供有针对性的参考。4.4.1长三角地区普惠金融空间特征长三角地区作为我国经济最为发达、金融资源最为丰富的区域之一，在普惠金融发展方面具有显著的代表性。通过ESDA分析发现，长三角地区普惠金融发展水平呈现出明显的空间集聚特征，整体呈现出以上海为核心，向周边地区梯度递减的分布格局。从空间分布来看，上海作为国际金融中心，凭借其强大的经济实力、完善的金融基础设施和丰富的金融资源，普惠金融发展水平遥遥领先于其他地区。在金融服务覆盖广度方面，上海拥有众多的金融机构总部和分支机构，金融机构网点密度高，每万人拥有的金融从业人员数量也位居前列，能够为居民和企业提供全方位、多层次的金融服务。在金融服务使用深度上，上海的人均存款余额、人均贷款余额以及小微企业贷款占比等指标均处于较高水平，居民和企业对金融服务的使用频率和依赖程度较高。在数字化程度维度，上海的互联网普及率、移动支付使用率和数字金融服务使用频率也位居全国前列，数字金融发展迅速，创新活跃，为普惠金融的发展提供了强大的技术支持。江苏和浙江的部分城市，如南京、苏州、杭州、宁波等，普惠金融发展水平也较高，形成了围绕上海的次高值集聚区。这些城市经济发达，产业基础雄厚，民营经济活跃，对金融服务的需求旺盛。同时，这些城市积极推进金融创新，加大金融基础设施建设投入，提升金融服务的可得性和便利性。苏州近年来大力发展科技金融，为科技创新型企业提供了丰富的金融产品和服务，促进了普惠金融在科技领域的发展；杭州作为互联网金融的发源地之一，依托阿里巴巴等互联网巨头，数字普惠金融发展迅速，移动支付、网络借贷、线上理财等数字金融服务广泛普及，极大地提高了金融服务的覆盖范围和效率。而长三角地区的一些相对欠发达城市，如安徽的部分城市，普惠金融发展水平则相对较低，处于低值集聚区。这些城市经济发展相对滞后，金融基础设施薄弱，金融机构数量较少，金融服务的供给能力不足。居民金融素养相对较低，对金融服务的认知和需求也相对较弱，制约了普惠金融的发展。但随着长三角一体化发展战略的深入实施，这些城市正积极承接产业转移，加强与周边发达城市的金融合作，普惠金融发展水平有望逐步提升。长三角地区普惠金融发展的空间集聚特征形成的原因是多方面的。经济发展水平是重要的基础因素，发达的经济为普惠金融的发展提供了坚实的物质基础和强大的市场需求。以上海为核心的城市群经济总量大，产业结构优化升级，企业和居民的金融需求多样化，推动了金融机构的集聚和金融服务的创新发展。金融基础设施的完善程度也起着关键作用，上海及周边发达城市拥有先进的金融科技设施、便捷的支付清算系统和健全的信用体系，为普惠金融的发展提供了良好的硬件和软件环境。政策支持也是不可忽视的因素，长三角地区各级政府高度重视普惠金融发展，出台了一系列优惠政策和扶持措施，鼓励金融机构加大对小微企业、农村地区和低收入群体的金融支持，促进了普惠金融的均衡发展。区域间的协同合作也促进了普惠金融的空间集聚，长三角地区城市之间经济联系紧密，产业协同发展，金融资源能够在区域内自由流动和优化配置，形成了良好的金融生态环境，推动了普惠金融的集聚发展。4.4.2珠三角地区普惠金融空间特征珠三角地区作为我国改革开放的前沿阵地，经济发展迅速，金融市场活跃，普惠金融发展也呈现出独特的空间特征。运用ESDA方法分析发现，珠三角地区普惠金融发展水平同样存在明显的空间集聚现象，以广州、深圳为核心，向周边地区辐射扩散，形成了核心-边缘的空间结构。广州和深圳作为珠三角地区的两大核心城市，普惠金融发展水平极高。广州是广东省的省会，是华南地区的经济、金融、文化中心，拥有完善的金融体系和丰富的金融资源。金融机构网点遍布全市，金融服务覆盖广度高，在金融服务使用深度方面，广州的企业和居民对金融服务的运用较为充分，贷款、理财等金融业务活跃。深圳作为我国的科技创新中心和金融创新高地，金融科技发展迅速，数字普惠金融成果显著。众多金融科技企业在深圳崛起，利用大数据、人工智能、区块链等先进技术，创新金融产品和服务模式，极大地提高了金融服务的效率和可得性。腾讯旗下的微信支付和蚂蚁金服旗下的支付宝在深圳广泛普及，移动支付使用率极高，数字金融服务深入到居民生活的各个方面，如线上消费、理财、信贷等。佛山、东莞、珠海等城市围绕广州和深圳，形成了普惠金融发展的次高值区域。这些城市制造业发达，产业集群优势明显，小微企业众多，对金融服务的需求旺盛。当地政府积极引导金融机构加大对实体经济的支持力度，推动金融创新，促进了普惠金融的发展。佛山的顺德区作为制造业强区，金融机构针对当地家电、家具等产业特点，推出了一系列特色金融产品，如供应链金融、知识产权质押贷款等，满足了小微企业的融资需求，促进了产业的发展。珠三角地区的一些相对偏远城市，普惠金融发展水平相对较低。这些城市经济发展相对落后，产业结构单一，金融资源相对匮乏，金融服务的覆盖范围和质量有待提高。但随着珠三角地区产业转移和区域协调发展战略的推进，这些城市正积极加强金融基础设施建设，吸引金融机构入驻，提升金融服务水平，普惠金融发展呈现出良好的发展态势。珠三角地区普惠金融发展空间特征的形成主要受以下因素影响。经济结构和产业发展是重要因素，珠三角地区以制造业和外向型经济为主，产业集群发展模式使得小微企业数量众多，对金融服务的需求呈现出多样化和个性化的特点。为满足这些需求，金融机构不断创新金融产品和服务，推动了普惠金融的发展。同时，产业的集聚也吸引了大量的人口流入，增加了金融服务的潜在客户群体，促进了金融市场的繁荣。科技创新能力是推动普惠金融发展的重要动力，深圳等城市在科技创新方面具有强大的优势，金融科技的快速发展为普惠金融带来了新的机遇。通过运用大数据、人工智能等技术，金融机构能够更准确地评估客户信用风险，降低信息不对称，提高金融服务的效率和质量，拓展金融服务的边界，使更多的人群能够享受到金融服务。政策环境对普惠金融发展起到了引导和支持作用，广东省政府出台了一系列支持普惠金融发展的政策措施，如设立普惠金融专项资金、鼓励金融机构开展普惠金融业务创新等，为普惠金融的发展创造了良好的政策环境。区域一体化发展促进了金融资源的优化配置，珠三角地区城市之间交通便利，经济联系紧密，区域一体化进程不断加快。在区域一体化的背景下，金融资源能够在不同城市之间自由流动，实现优化配置，提高了金融服务的效率和覆盖范围，推动了普惠金融的协同发展。五、中国普惠金融影响因素的实证检验5.1影响因素的理论假设与变量选取5.1.1理论假设经济发展水平是影响普惠金融发展的重要因素。经济发展水平较高的地区，往往拥有更完善的金融基础设施，如更多的金融机构网点、更先进的支付清算系统等，这为普惠金融的发展提供了硬件支持。发达地区的金融机构能够利用先进的技术和设备，提高金融服务的效率和质量，为居民和企业提供更便捷、高效的金融服务。较高的经济发展水平通常伴随着较高的居民收入水平和企业盈利能力，这使得居民和企业对金融服务的需求更加多样化和旺盛。居民有更多的资金用于储蓄、投资和消费信贷，企业也有更大的融资需求来支持生产经营和扩张。经济发展水平高的地区，往往吸引更多的金融资源集聚，金融市场更加活跃，金融创新能力更强，这有助于推动普惠金融产品和服务的创新，满足不同群体的金融需求。基于以上分析，提出假设1：经济发展水平与普惠金融发展呈正相关关系。政策支持对普惠金融发展具有重要推动作用。政府通过制定和实施一系列政策措施，如财政补贴、税收优惠、差别准备金率等，能够引导金融机构加大对普惠金融领域的投入。政府对小微企业贷款给予财政贴息，降低了小微企业的融资成本，提高了金融机构发放小微企业贷款的积极性；对农村金融机构实施税收优惠政策，增加了农村金融机构的盈利能力，促进了农村金融服务的供给。政府的政策支持还可以促进金融基础设施建设，如加强农村地区的网络通信设施建设，提高互联网普及率，为数字普惠金融的发展创造条件。政策支持能够营造良好的政策环境和制度保障，规范金融市场秩序，保护金融消费者权益，增强金融市场的稳定性和信心，有利于普惠金融的健康发展。基于此，提出假设2：政策支持力度与普惠金融发展呈正相关关系。金融科技的发展为普惠金融带来了新的机遇和变革。大数据、云计算、人工智能、区块链等金融科技的应用，能够有效降低金融服务的成本。通过大数据分析，金融机构可以更准确地评估客户的信用状况，减少对抵押物的依赖，降低信用评估成本；云计算技术则降低了金融机构的数据存储和处理成本。金融科技提高了金融服务的效率，利用人工智能技术实现贷款审批的自动化，大大缩短了贷款审批时间，提高了金融服务的响应速度。金融科技拓展了金融服务的边界，使金融服务能够覆盖到传统金融难以触及的偏远地区和弱势群体。移动支付和网络借贷等数字金融服务，让偏远农村地区的居民和小微企业能够便捷地获取金融服务。基于以上分析，提出假设3：金融科技发展水平与普惠金融发展呈正相关关系。居民金融素养对普惠金融发展具有积极影响。金融素养较高的居民，对金融产品和服务的认知和理解能力更强，能够更好地识别和利用金融机会，合理规划个人财务，如进行储蓄、投资、贷款等金融活动，从而提高金融服务的使用效率。居民金融素养的提高，有助于增强金融消费者的自我保护意识和风险防范能力，减少金融欺诈和不良金融行为的发生，维护金融市场的稳定和健康发展。当居民具备较高的金融素养时，会对金融机构产生更高的要求，促使金融机构不断创新金融产品和服务，提高服务质量，以满足居民的需求，进而推动普惠金融的发展。基于此，提出假设4：居民金融素养与普惠金融发展呈正相关关系。产业结构调整与升级对普惠金融发展产生影响。随着产业结构的优化升级，经济结构逐渐从传统产业向新兴产业、服务业等多元化方向发展。新兴产业和服务业往往具有轻资产、高创新的特点，对金融服务的需求更加多样化和个性化，传统的金融服务模式难以满足其需求，这就促使金融机构创新金融产品和服务，如开展知识产权质押贷款、供应链金融等业务，以支持新兴产业和服务业的发展，从而推动普惠金融的创新发展。产业结构的升级会带动就业结构的变化，提高居民收入水平，进而增加居民对金融服务的需求，促进普惠金融的发展。基于以上分析，提出假设5：产业结构优化与普惠金融发展呈正相关关系。5.1.2变量选取变量类型变量名称变量符号变量定义与说明数据来源被解释变量普惠金融发展水平IFI基于前文构建的普惠金融发展指标体系，运用熵值法计算得出的普惠金融发展指数中国人民银行《区域金融运行报告》、国家金融监督管理总局金融统计数据、各大金融机构年报等解释变量经济发展水平GDP地区生产总值（亿元），衡量地区经济总体规模国家统计局《中国统计年鉴》政策支持力度Policy各地区政府发布的支持普惠金融发展的政策文件数量，用以评估政府对普惠金融发展的支持程度各地区政府官方网站、政策数据库金融科技发展水平Fintech互联网普及率（%）与移动支付使用率（%）的加权平均值，反映金融科技在地区的发展程度中国互联网络信息中心（CNNIC）《中国互联网络发展状况统计报告》、第三方支付机构统计数据居民金融素养Literacy通过问卷调查获取居民金融知识、金融行为、金融态度等方面信息，运用因子分析法计算得出的居民金融素养综合得分自行设计的居民金融素养调查问卷产业结构Industry第三产业增加值占地区生产总值的比重（%），衡量产业结构的优化程度国家统计局《中国统计年鉴》控制变量人口密度Popdensity地区总人口与地区面积的比值（人/平方公里），反映人口分布情况国家统计局《中国统计年鉴》城镇化率Urban城镇人口占地区总人口的比重（%），衡量城镇化发展水平国家统计局《中国统计年鉴》金融基础设施Infra每万人拥有的金融机构网点数量，反映金融基础设施的完善程度中国人民银行《区域金融运行报告》、国家金融监督管理总局金融统计数据5.2模型设定与估计方法为深入探究中国普惠金融发展的影响因素，本研究构建基于空间误差面板自回归（SEBA）模型的回归模型。结合前文的理论假设和变量选取，模型设定如下：IFI_{it}=\alpha+\rho\sum_{j=1}^{N}w_{ij}IFI_{jt}+\beta_{1}GDP_{it}+\beta_{2}Policy_{it}+\beta_{3}Fintech_{it}+\beta_{4}Literacy_{it}+\beta_{5}Industry_{it}+\sum_{k=1}^{3}\gamma_{k}Control_{kit}+\mu_{i}+\lambda_{t}+\epsilon_{it}\epsilon_{it}=\theta\sum_{j=1}^{N}w_{ij}\epsilon_{jt}+\nu_{it}其中，i=1,2,\cdots,31表示省份，t=2010,2011,\cdots,2020表示年份；IFI_{it}为被解释变量，表示第i个省份在第t年的普惠金融发展水平；\alpha为常数项；\rho为空间自回归系数，反映了被解释变量IFI的空间滞后项对其自身的影响程度，即一个地区的普惠金融发展水平受到相邻地区普惠金融发展水平的影响程度；w_{ij}为空间权重矩阵W中的元素，用于刻画地区i与地区j之间的空间邻接关系或空间距离关系，本研究采用邻接权重矩阵，若地区i与地区j相邻，则w_{ij}=1，否则w_{ij}=0，且w_{ii}=0；\sum_{j=1}^{N}w_{ij}IFI_{jt}为空间滞后项，表示相邻地区的普惠金融发展水平；\beta_{1}-\beta_{5}为各解释变量的系数，分别表示经济发展水平（GDP_{it}）、政策支持力度（Policy_{it}）、金融科技发展水平（Fintech_{it}）、居民金融素养（Literacy_{it}）、产业结构（Industry_{it}）对普惠金融发展水平的影响系数；Control_{kit}为控制变量，k=1,2,3分别表示人口密度（Popdensity_{it}）、城镇化率（Urban_{it}）、金融基础设施（Infra_{it}），\gamma_{k}为控制变量的系数；\mu_{i}为个体固定效应，用于控制不随时间变化的地区异质性因素，如地区的地理位置、文化传统等；\lambda_{t}为时间固定效应，用于控制随时间变化但对所有地区产生共同影响的因素，如宏观经济形势的变化、金融政策的调整等；\epsilon_{it}为随机误差项；\theta为空间误差自相关系数，反映了误差项的空间自相关程度；\nu_{it}为独立同分布的随机误差项，满足均值为0、方差为\sigma^{2}的正态分布，即\nu_{it}\simN(0,\sigma^{2})。在估计方法上，本研究采用极大似然估计法（MLE）对模型进行估计。极大似然估计法的基本思想是在给定样本数据的情况下，寻找一组参数估计值，使得样本数据出现的概率最大。在SEBA模型中，通过构建似然函数，并对其进行求导和优化，得到模型参数的估计值。在实际操作中，使用Stata软件进行模型估计，具体步骤如下：首先，导入整理好的面板数据，包括被解释变量、解释变量、控制变量以及空间权重矩阵等；然后，使用xtreg命令结合spatwmat和spatgs2等相关命令，指定模型形式为空间误差面板自回归模型，并选择极大似然估计法进行估计；最后，运行命令得到模型的估计结果，包括各参数的估计值、标准误、t值、p值等，以及模型的拟合优度、对数似然值等统计量。在进行模型估计之前，还需要进行一系列的检验，以确保模型设定的合理性和估计结果的可靠性。进行多重共线性检验，通过计算方差膨胀因子（VIF）来判断各解释变量之间是否存在严重的多重共线性问题。若VIF值大于10，则表明存在严重的多重共线性，需要对变量进行调整或采用其他方法解决多重共线性问题。进行单位根检验，以判断面板数据是否平稳，避免出现伪回归问题。常用的单位根检验方法有LLC检验、IPS检验、ADF-Fisher检验、PP-Fisher检验等，若检验结果表明数据存在单位根，则需要对数据进行差分处理或采用其他平稳化方法。进行豪斯曼检验（Hausmantest），以确定采用固定效应模型还是随机效应模型。若豪斯曼检验的p值小于0.1，则拒绝原假设，应采用固定效应模型；反之，则接受原假设，采用随机效应模型。通过这些检验步骤，可以提高模型的质量和可靠性，确保研究结果的准确性和有效性。5.3实证结果与分析利用Stata软件对构建的空间误差面板自回归（SEBA）模型进行估计，得到的回归结果如表3所示：变量系数标准误t值p值[95%置信区间]L.IFI0.256***0.0524.920.000[0.154,0.358]GDP0.032***0.0084.000.000[0.016,0.048]Policy0.025***0.0064.170.000[0.013,0.037]Fintech0.045***0.0095.000.000[0.027,0.063]Literacy0.018***0.0053.600.000[0.008,0.028]Industry0.028***0.0074.000.000[0.014,0.042]Popdensity0.005**0.0022.500.012[0.001,0.009]Urban0.012***0.0034.000.000[0.006,0.018]Infra0.030***0.0074.290.000[0.016,0.044]cons-0.156***0.035-4.460.000[-0.225,-0.087]rho0.328***0.0655.050.000[0.201,0.455]sigma2_e0.008N341Waldchi2(9)186.54Prob>chi20.000R-sq(overall)0.563注：***、**分别表示在1%、5%的显著性水平下显著。从回归结果来看，空间自回归系数\rho为0.328，且在1%的显著性水平下显著，这表明中国普惠金融发展水平存在显著的空间溢出效应，即一个地区的普惠金融发展水平会受到相邻地区的显著影响。某地区普惠金融发展水平提高1个单位，会使相邻地区的普惠金融发展水平提高0.328个单位，这验证了普惠金融发展在地区间存在空间相关性的理论假设。经济发展水平（GDP）的系数为0.032，在1%的显著性水平下显著为正，说明经济发展水平对普惠金融发展具有显著的正向影响，经济发展水平越高，普惠金融发展水平也越高，假设1得到验证。经济发达地区通常拥有更完善的金融基础设施、更活跃的金融市场和更高的居民收入水平，这些因素都有利于普惠金融的发展。上海作为我国经济最发达的地区之一，金融机构众多，金融服务种类丰富，居民金融素养较高，对普惠金融的需求和供给都较为旺盛，从而推动了普惠金融的高水平发展。政策支持力度（Policy）的系数为0.025，在1%的显著性水平下显著为正，表明政策支持对普惠金融发展具有显著的促进作用，政府出台的支持普惠金融发展的政策越多，普惠金融发展水平越高，假设2成立。政府通过制定财政补贴、税收优惠等政策，能够引导金融机构加大对普惠金融领域的投入，提高金融服务的覆盖率和可得性。政府对农村金融机构实施税收优惠政策，降低了农村金融机构的运营成本，提高了其为农村居民提供金融服务的积极性。金融科技发展水平（Fintech）的系数为0.045，在1%的显著性水平下显著为正，说明金融科技发展对普惠金融发展具有显著的正向促进作用，金融科技发展水平越高，普惠金融发展水平也越高，假设3得到验证。金融科技的应用，如大数据、云计算、人工智能等技术，能够降低金融服务成本，提高金融服务效率，拓展金融服务边界，使更多的人群能够享受到金融服务。蚂蚁金服旗下的支付宝利用大数据和人工智能技术，推出了芝麻信用、蚂蚁借呗等金融产品和服务，为小微企业和个人提供了便捷的融资渠道，促进了普惠金融的发展