金融虚拟集聚平台的区位选择*

王如玉，王志高

一、引 言

数字经济时代，随着新一代信息技术的突破式发展，产业空间组织出现了基于虚拟网络空间的“虚拟集聚”形态（王如玉等，2018）。而金融与数字具备共同的基因——虚拟性，使得金融更早地与数字科技紧密结合，产生了大量创新的金融模式，蓬勃发展，形成了数字金融这一新型金融业态。然而，虽然对互联网金融、数字金融的研究文献汗牛充栋，但以往的研究较少从金融的空间组织结构视角出发。数字经济时代，金融的资源空间配置形态也呈现物理空间和虚拟空间双重集聚的新形态。金融资源在物理空间的集聚主要是金融机构、金融人才等的集聚；在虚拟空间的虚拟集聚主要是资金、金融信息、金融数据等的集聚。

本文关注金融的双空间集聚具有怎样的特征，又是如何互相影响的。具体而言，本文将回答以下问题：金融虚拟集聚的空间格局呈现哪些新特点？是更趋于集中还是更趋于分散？其集中与分散受到何种因素的影响？

金融虚拟集聚的载体是各类金融虚拟集聚平台。例如网络支付与结算平台、大数据金融平台、虚拟金融服务平台、新型融资平台等。其中，P2P平台是创新金融模式的一个典型代表。自P2P模式出现以来，网贷平台经过了一段时间的爆发式增长，据不完全统计，2014年底登记运营平台总数为2 595家，全年网贷成交量9 823.04亿元，累计成交量13 652亿元①数据来自网贷之家，https：//www.wdzj.com。。但同时，由于一度缺乏监管，乱象丛生，风险事件频发，行业经过多次洗牌，各类P2P平台不是暴雷，就是退出或转型。直到2020年11月中旬，我国实际运营的P2P平台数量清零①欧阳剑环、彭扬：《刘福寿：全国实际运营P2P网贷机构11月中旬完全归零》，（2021—11—57），http：//www.cs.com.cn/sylm/jsbd/202011/t20201127_6115473.html。。尽管如此，P2P平台具有金融资源在虚拟和物理双空间集聚的典型性，是一个很好的研究对象，特别是大量P2P平台在短期内迅速出现，其地理区位选择，能够有效反应金融虚拟集聚空间格局分布的内在机制，因此，本文的实证部分以网贷平台作为代表验证理论模型提出的结论。

相关的文献涉及地理距离因素和互联网金融方面的研究。许多文献探讨了互联网和信息技术如何改变距离因素对金融集聚的重要影响，但文献未能获得一致性结论。O'brien（1992）较早地提出金融的全球一体化将导致地理的终结。Cairncross（1997）也提出信息技术的革新导致“距离死亡”。许多研究发现互联网和信息技术去除了金融机构物理网点和地理距离的限制，降低了交易成本，提高了金融效率，降低了金融产品的边际成本。而另一些研究则指出距离因素虽然弱化了，却依然重要。原因主要为：其一，金融产品的多样性、复杂性离不开面对面的交流与服务（Parr和Budd，2000），在P2P平台的案例中，许多贷款的审批依然需要线下审批，特别是大额贷款。其二，信息流作为金融的关键资源，会在某些区域集聚，成为“本地化知识”（Saxenian，1994），因此在不同地域的金融交易双方存在信息不对称。本地银行和线下机构与借款人的距离越远，贷款合同的限制越高（Hollander和Verriest，2016）。其三，知识的溢出需要社会网络，而社会网络则具有很强的本地化特征（Hampton和Wellman，2003），位于同一地方的金融消费者具有相同的人文特征和地域偏好（廖理等，2014a）。Lin和Viswanathan（2016）通过众筹网站的数据实证发现，即使在互联网金融平台上，交易仍倾向于在地理位置接近的双方发生，这种“本土偏好”不能完全用理性解释。

针对网贷平台的研究，主要有：其一，我国学者的大量文献从风险防范和风险监管的角度进行探讨，并对我国网贷行业的经验与教训进行总结与反思；其二，探讨借款人的信息如何影响借款的可获得性和违约率，这些信息包括借款人的能力、借款意愿、相貌、社会关系等（Herzenstein et al.，2008；李悦雷等，2013；王会娟和廖理，2014；郭峰，2017）；其三，对出借人的投资行为进行分析，从信息识别能力、学习能力、风险厌恶、本地偏好、羊群行为等角度（Freedman et al.，2011；廖理等，2014b；封思贤和那晋领，2020）；其四，基于网络和双边市场理论，研究网贷平台自身的网络外部性及双边市场特性（崔婷等，2019）；其五，探讨我国互联网金融的空间分布，发现在我国人口与区域经济发展不平衡的情况下，互联网金融发展存在较大的东西部差异，且仍然呈现较强的空间集聚（郭峰等，2017；粟芳等，2020）。

但以往的研究首先未考虑作为数字金融形态代表的网贷平台的空间分布和区位选择，且未深入研究其驱动机制；其次未将其与传统金融行业进行对比，分析数字金融在地理和虚拟空间双重集聚的特性及相互影响的机制；再次是未分析数字经济时代，信息技术行业集聚对数字金融空间格局的影响。数字金融是金融科技创新的体现，基于此本文在含有创新与技术溢出的空间经济学理论基础上，发展出一城市两区域的金融与科技创新的空间溢出模型，试图解释上述问题。本文余下内容安排如下：第二部分是理论分析并提出经验假设，第三部分建立数学模型，第四部分进行实证检验，第五部分是结论与启示。

二、理论分析与经验假设

本文涉及的理论主要有信息不对称、匹配理论、声誉理论、金融中介创新、产业组织、产业关联及技术溢出效应、网络及双边市场理论。本文基于以上理论着重提出以下三个方面的问题。

（一）数字金融的地理集聚和虚拟集聚水平

一方面数字金融较传统金融体现了更大的规模经济效应、范围经济效应、知识溢出效应、信息溢出效应、长尾效应。具体体现在数字金融的交易成本更低，对用户需求的匹配效率更高，服务提供方能够根据用户信息与数据提供更多样化的金融产品，能够为更大范围的群体提供低成本金融服务，信息技术发展推动加速金融创新，增加金融服务实体的效率和输血管道。交易成本越低的服务与产品（即高等级商品）将越集中于高等级城市（中心城市）（Fujita et al.，1999）。同时，金融虚拟集聚平台的地理集聚将带来金融人才、金融机构等资源的集中，也会产生传统的集聚经济性，例如：降低数字基础设施的成本、扩大数字金融专业劳动力池、信息技术溢出与知识溢出促进创新等等。因此，金融虚拟集聚平台的地理集中度更高。

另一方面，金融虚拟集聚平台是双边平台，具有网络正外部性。它的效率越高，用户数越多，规模经济效应越强，交易成本更低，产品更多样化，盈利水平更高，则核心竞争力更强，更能够提升其服务水平和金融服务实体的能力，对用户的集聚力更强，从而形成正反馈机制。虽然金融虚拟集聚平台也存在拥塞效应，例如增加的竞争、用户筛选成本提高、虚假信息增多等，但其正向网络效应更显著，因而行业集中度也更高。

经验假设1：数字金融比传统金融企业的虚拟集聚与地理集聚水平更高。

（二）信息技术对金融虚拟集聚平台区位选择的影响

基于互联网、大数据、云计算等信息技术，金融虚拟集聚受地理空间距离的限制减弱，与更倾向于面对面交流、获得软信息的传统金融业务相比，数字金融对本地因素的依赖度降低。Petersen和Rajan（2002）指出信息技术允许贷款人收集，存储和分发更多不同的信息，获得更及时的有关借款者信誉的硬信息，从而可以对贷款进行频繁的事后监督和快速干预，及时控制贷款风险，是信息技术让远程贷款成为可能。Blasio（2008，2009）的研究表明信息技术可以作为城市群的替代品，电商服务基本不受家庭所在城市规模的影响。

经验假设2：信息技术弱化了本地因素对金融虚拟集聚平台的区位选择的影响。

（三）信息技术与数字金融的协同集聚

金融功能与信息技术特性在基因层面上的匹配是数字金融生存和发展的充分条件和逻辑基础（吴晓求，2015），谢平等（2015）认为互联网本身就可以定义为金融市场。信息技术企业是数字金融企业的上游，对数字金融存在技术知识溢出，且二者雇佣的人才技能存在重合；数字金融具有较强的技术粘性，对新知识、新技术有较强需求。因此，信息技术与数字金融的溢出与上下游关联更强，金融虚拟聚集平台将与信息技术行业的企业产生协同集聚效应。同时，新兴技术往往都在大城市产生并提升城市竞争力（Glaeser，2011）。因此，城市信息技术发展水平高、创新能力高，数字金融也发展得更好。

经验假设3：金融虚拟集聚平台将与信息技术企业进行协同区位选择。

三、数理模型

按照Martin和Ottaviano（1999）以及NEGG模型的技术分析路线，在此提出一个城市内部的两区域模型。假定一个城市存在东城区和西城区两区域，三个部门，分别为同质化的最终产品部门；提供差异化的金融产品与服务的传统金融部门，该部门市场为垄断竞争市场；以及为传统金融部门服务的金融创新部门（创新型金融科技、数字金融等）。西城区的金融创新部门的知识资本存量K(0)多于东城区的知识资本存量K*(0)，即有K(0)＞K*(0)（上标有星号代表东城区，下标Z表示东西两城区总量）。初期东城区与西城区的劳动力总量为L，劳动力增长率为0。同质化的最终产品部门以及知识资本的流动都无交易成本，但是差异化的金融产品D则按照萨缪尔森“冰山”形式的交易成本进行买卖，即τ单位的金融产品与服务从西城区的金融企业提供至东城区，实际只有1个单位到达，或者需要支付τ-1单位的成本。

（一）消费者选择

假定代表性家庭拥有相同的柯布—道格拉斯型偏好并最大化之下效用函数：

其中ρ是主观贴现率或时间偏好率，0＜α＜1，H是同质化的最终产品部门提供的产品；Q是一个复合的传统金融部门的产品与服务商品，它由大量的差异化金融产品与服务构成，其可以表示成：

在式（2）中，N=n+n*为东城区与西城区的传统金融部门的产品品种总数，Qz是产品z的消费量，σ＞1是任何两种传统金融部门产品之间的不变替代弹性系数。

用E(t)表示西城区的代表性消费者在第t期的预算约束：

其中pi(t)是西城区提供的金融产品与服务Qi(t)在第t期的价格，p*i(t)是东城区提供的金融产品与服务在第t期的价格。

通过拉格朗日最优化方法，求解消费支出约束条件下的效用最大化，可以得到西城区的消费者对西城区提供的差异化传统金融产品i及东城区提供的差异化传统金融产品j的需求分别等于：

当pi=p*j=p时，由式（4）有：

以及有：

相应地，

其中i∈n，j∈n*。

每个代表性家庭都面临最大化其生命周期效用（公式（1））的跨期优化问题，其跨期预算约束条件为：

其中A（t）是代表性家庭在第t期的资产，w（t）是第t期的劳动工资率，r（t）是t期的市场利率。

在跨期预算约束条件下，通过使用Hamilton函数并动态优化公式（1），可以得到欧拉方程为：

式（6）表明：当且仅当市场利率r超过主观贴现率ρ时，支出E才会增长。

（二）传统金融企业行为

传统金融部门每提供x单位金融产品与服务需要一个单位的知识资本和c单位的劳动力。且其中变动成本c与x的数量关系为c=βx，且x=1+c，这里β是边际生产成本。

知识资本总存量Kz决定了两个经济体中可生产的差异化金融产品与服务的品种总数。在平衡状态下，每一种金融产品与服务都仅由一家传统金融企业提供，因而Kz也决定了传统金融企业的总数，即有：

就金融的技术知识资本流动性而言，按照Martin和Ottaviano（1999）假设知识资本将是自由流动的，即便知识资本所有者不是自由流动。因此，利润将会汇回至拥有知识资本的地区。这进而意味着，位于西城区的传统金融企业的数量份额（以Sn表示）可能与位于西城区的技术知识资本份额（以Tn表示）不同。

（三）传统金融产品与服务的市场空间分布

在给定总支出和其他金融企业的价格情况下，每个传统的金融产品与服务提供商都选择一个利润最大化的价格，且西城区和东城区都面临相同的边际生产成本β和相同的需求价格弹性系数σ。因此，无论位于何处的金融企业都会使用利润最大化时的价格水平，即：

利润为：

其中x代表传统金融企业规模。

在总需求与总供给相等的市场均衡条件下，西城区与东城区的传统金融企业的生产规模x与x*：

市场均衡同时也意味着x=x*。根据式（10）还得到：

由此得到：

继而可得到位于西城区的传统金融企业数量所占比例：

最后，通过将式（11）代入式（10），可得到位于东城区和西城区的传统金融企业的规模：

其中EZ=E+E*。

（四）金融创新的知识资本

金融企业为了积累数字金融、金融科技的知识资本，必须将资源投入到金融创新的研发上。与Romer（1990）一样，知识资本是一种准公共物品，可供所有潜在的创新者免费使用。根据NEGG模型对于创新部门知识资本生产函数的设定，可以假设部门I创造一单位的资本需要bI单位的劳动力。在均衡时创造的资本产量即资本存量的增量，即有对西城区的金融创新的研发工作进行具体讨论，得到西城区的创新部门开发的金融新产品的增速为：

把东城区和西城区看成一个整体，则有：

由于新创造的知识会产生空间溢出，即东城区会从西城区创造的新知识中获得启发等，而知识创造过程中也具有一定的拥塞效应。按照Romer（1990），可设以下函数关系成立：

其中

因为一个企业将使用一单位的知识资本，因此Sn也代表实际使用知识资本的份额；而λ代表金融创新技术空间溢出程度，λ越大，资本生产的成本越低；D代表距离因素的影响。B(t)和B*(t)是考虑了距离因素的两城区技术溢出水平，距离研究中心越靠近，金融创新的技术溢出水平越大，距离越远，金融创新的技术溢出水平越小。这也即是创新部门同样也存在拥塞效应，即创新效率与创新部门所使用的劳动者数量之间存在倒U型关系。为简化研究，假设西城区与东城区都处于倒U型右侧，这将使得金融创新在东城区与西城区都存在，而不是所有金融创新都集中于一个城区，且在均衡时，有B(t)=B*(t)=BZ(t)。

（五）均衡

当处于均衡时，进行金融创新与以无风险利率形成的借贷之间的套利机会是不存在的。以v(t)表示传统金融企业的股票市值，那么该值将等于金融企业的税后运营利润的贴现值，即有：

同时v(t)也代表单位的新创知识资本的市场价格。因此在工资率等于1的情况下，金融创新部门新创造的知识资本的成本为b。因此在均衡时有以下等式：

在稳定状态下，B是常数。因此可计算出金融企业的价值增长率为：

金融企业的价值以与增长率相等的速度下降，其原因在于更多的金融企业进入金融市场，增加了传统金融部门的竞争。而使用式（19），式（16）以及关系KZ=N代替式（13）中的相应值，可得到无套利方程为：

移项后可得：

将式（20）中的g对λ、D分别进行求导，则有：

结论1：为使得企业价值更快的增长，金融企业在地理上需尽量地靠近金融创新中心，以获得更大的知识溢出。

由于两城区的代表性消费者在0期的工资率为1，同时西城区的代表性消费者投资收益为，东城区的投资收益为遵循Martin等（1999）的技术路线，可将代表性消费者的收入表达成以下式子：

从式（22）可以得出以下结论：

结论2：金融创新部门（即数字金融、互联网金融、金融科技企业等）所创造的知识资本份额（Tn）与传统金融部门企业数份额（Sn）之间存在正向相关关系。但金融创新部门是否比传统金融部门更集中，即是否有，则取决于城市的人口规模（L）、技术溢出（λ）、无风险收益率（r）、交易成本（τ）及金融产品间的替代弹性（σ）因素的影响。

利用式（22）与式（12），也可直接给出下面的表达式：

在式（23）中，当δ趋近于1，则该式趋近于0。故可得出以下结论：

结论3：当金融创新增加金融交易的自由度（δ），则能够弱化本地因素（城市人口规模、距离因素等）对金融创新部门集中度的影响。

四、实证检验

（一）计量模型

根据公式（19）、（20），对两边取对数后可变成以下形式：

上式表明，金融虚拟集聚平台的价值增长率lng与城市的人口规模lnL，技术溢出的水平lnB，规模经济因素相关，因此可将上述式子变化成以下计量模型形式：

其中i代表第i个互联网金融或数字金融企业，t代表时期。Pop_city代表第i个企业所在的城市的人口规模，B代表所在城市的技术及技术溢出的水平，scale代表规模经济的变量。εit为随机误差项，服从N(0，σ2)的标准正态分布。本文采用网贷平台的贷款余额代表互联网金融或数字金融企业的市场价值。同时结合假设，按照金融虚拟集聚平台维度，及各平台所在的城市进行加总后的城市维度，因此，本文提出以下计量模型：

（二）数据来源与变量选择

本文的主要数据来源之一为网贷天眼（http：//www.p2peye.com/）上的636家对接平台数据7日交易数据与30天交易数据资料，已涵盖我国大部分网贷平台①据网站介绍，其已与中国社会科学院金融研究所、清华大学经济管理学院、湖南大学互联网金融研究所等建立数据合作关系。《中国网络信贷行业发展报告（2014-2015）——P2P网贷平台风险评级与分析》，《中国互联网金融行业分析与评估（2016-2017）》等报告由网贷天眼提供数据支持。。由于2018年起，P2P平台发生严重的“暴雷潮”，大量平台关停，这一行业逐渐消失。因此为了本文的研究目的，选取了“暴雷潮”发生前，行业活跃期的数据。平台数据中的7天与30天交易数据包括的指标有各网贷平台的排序、平台名称、成交额、综合利率、投资人数、借款周期、借款人数、满标速度、累计贷款余额、资金净流入，本研究主要截取使用的指标有平台名称、成交额、综合利率、投资人数、借款人数、累计贷款余额，并结合网贷平台档案中的数据匹配了相应的公司注册地址与联系地址，同时对注册地址与联系地址不一致的进行了核实，采用网贷平台总部办公所在的城市。

城市人口规模数据来自《2017年中国城市建设统计年鉴》中的数据，使用2017年各市区人口与暂住人口之和代表市区的常住人口。

各城市计算机通信技术、互联网技术发展能力以2017年各城市从事信息传输、计算机服务和软件业行业的从业人员数来表征，数据来自《2017年中国城市统计年鉴》。

为使得分析准确、科学，防止出现选择性偏差，获取2018年3月12日30日交易数据与2018年3月13日7日交易数据。按网贷平台和城市两个维度分别建立金融虚拟集聚平台的数据集与按城市汇总后的数据集，其中城市维度的贷款余额、成交额、借款人数和投资者人数等是该城市所有相应指标的总和。

在稳健性讨论部分，选择了网贷之家（https：//www.wdzj.com/）统计的各网贷平台2017年10月至2018年7月间的月度数据进行佐证。

（三）数据探索与描述

本文首先对所收集的数据进行了探索性分析。

表1表明数字金融的虚拟集聚具有更高的集中性，验证了经验假设1。无论是7天的成交额占比，还是累计贷款余额占比，排名前四强的北京、上海、深圳、杭州的占比之和都在80%以上。而以同时期2017年末的城市金融各项存贷款余额之和计算，排名前四强的城市是北京、上海、深圳、广州；四个城市占全国的比重仅为14.6%（数据来自《2017年中国城市统计年鉴》）。

表1 网贷平台的城市集中度

同时，也表明信息技术改变了传统的金融空间布局。根据同时期深圳综合研究院发布的2017“中国金融中心指数”（CFCI），杭州位列第7位①其综合排名前十为上海、北京、深圳、广州、天津、成都、杭州、重庆、南京、苏州。，但在本研究的网络贷款余额、成交额的统计中，其占比则稳居第4位。这也验证了经验假设3，以阿里巴巴为代表的信息技术行业企业在杭州的集聚，带动了杭州的数字金融企业的集聚。

（四）计量结果

1.贷款余额计量分析

本研究首先计量分析各个网贷平台贷款余额情况，采用的数据是各网贷平台截止至2018年3月12日30天交易数据中的累计贷款、截止至2018年3月13日7天交易数据中的累计贷款及两组数据按城市进行汇总后所得，计量结果见表2。

表2 各网贷平台累计贷款余额计量分析结果表

各方程的F检验值所对应的P值相对较小，说明各估计方程均显著。

从各个网贷平台的企业角度看，列（1）至列（6）表明借款人数对于网贷余额具有显著的正向推动作用。说明网贷平台的规模或虚拟集聚的规模大小对网贷余额产生直接影响，进而影响网贷平台的业绩收入。从列（1）和列（4）可以得出借款人数、综合利率、城市人口规模对各网贷平台的贷款余额度有显著的影响，但就影响的大小而言，包含借款人数等三因素的估计方程列（1）的R平方值为0.2085，但列（2）只包含借款人数这一单因素的估计方程的R平方值为0.1939；同样地也包含借款人数等三因素的估计方程列（4）的R平方值为0.3514，列（5）只包含借款人数这一单因素的估计方程的R平方值为0.3417，从列（1）与列（2）、列（4）与列（5）的比较中可说明借款人数对于贷款余额的解释能力大（相对于综合利率、城市人口规模因素），城市人口规模因素对于网贷余额的解释能力小，这验证了经验假设2，说明随着互联网的发展，本地因素的作用变小。综合利率对于网贷平台的贷款余额增长具有负向作用，这是因为综合贷款利率代表借款成本，而当资金的单位成本（价格）上升时，必然导致对资金需求的下降。

从城市维度来看，借款人数、网贷平台数量、ICT从业人员数量均对城市网贷余额的增长有正向推动作用。数字时代金融创新的发展需要高质量的信息技术从业者和优质的数字化企业。北上深杭均有互联网龙头和科研院所的产业集聚，为本城市提供了较大的高质量从业人员池子，以及很强的知识和技术溢出。此外，数字金融的安全性、风险判别等需要有相应的技术予以保障，因此数字金融首先发端于数字基础设施比较好的大城市。以上验证了经验假设3。

2.成交额计量分析

从估计方程的拟合优度值R平方来看，城市维度的计量方程的拟合优度值显著高于企业维度的拟合优度值。

从成交额来看，资金价格——利率水平对成交额具有负向作用。而无论从城市维度还是从金融虚拟集聚平台的角度，投资者人数都对成交额的增长具有正向推动作用。从列（4）可以得出，投资者人数对投资额的影响显著且掩盖了互联网企业个数、城市计算机通信网络的技术能力对城市维度的金融虚拟集聚平台成交额增长的影响，这说明虚拟集聚的规模大小对金融虚拟集聚平台的作用更明显。而列（3）则进一步佐证城市的网贷投资者人数对成交额具有显著且较大的促进作用。而从城市维度的计量模型列（1）、列（5）、列（7）、列（8）可得出，城市绝对的人口规模数量对成交额有正向影响，但不显著，城市虚拟变量则正向显著。这意味着起作用的是城市在城市层级体系中的地位而非人口规模。此验证了经验假设2。

从列（3）、列（7）可得出，城市的金融科技企业个数、ICT从业人员数对成交额的增长具有正向推动作用，而这将进一步地提升城市网贷平台的业绩，得出与表2类似的结论。此验证了经验假设3。

综合分析，可得出网贷平台规模（无论是借款者还是投资者）对平台的贷款余额、成交额产生显著的影响，而城市绝对人口规模的作用则相对减弱。

3.城市地位与城市人口规模的计量

从表2-3的分析中，可以得出城市的人口规模对于金融虚拟集聚平台的影响是显著但微弱的，而在城市层面，人口规模影响不显著，但城市类型的影响则是显著的。为进一步探讨，本文基于2018年3月12日30天的交易额数据进一步进行城市地位（城市虚拟变量）与城市人口规模的影响分析。

从微观的网贷平台维度，比较表4中的列（1）与列（2）、列（5）与列（6）可得出城市虚拟变量对网贷企业的成交额、贷款余额皆有正向推动作用，同时比城市人口规模因素更显著，但在R平方值的大小比较上则没有获得一致的结论，尽管其差异比较小。

而从中宏观的城市维度分析，比较表4中的列（3）与列（4）、列（7）与列（8）可得出城市虚拟变量对城市网贷成交额、城市网贷余额皆有正向推动作用，同时比城市绝对人口规模因素更显著，其R平方值更大，说明其对城市网贷成交额、城市网贷余额具有较强的解释能力。

综合上述，可认为城市这一虚拟变量的影响要比城市人口规模的影响要更大且更显著，城市人口规模之所以对网贷平台成交额、贷款余额产生影响，主要还在于城市地位、城市品牌和城市技术能力等因素的作用。

4.稳健性讨论

首先，前文已经构造4个数据集，并分别从金融虚拟集聚平台维度与城市维度计量并相互佐证，使得结果具备一定的稳健性。

其次，我们同时选用网贷之家（https：//www.wdzj.com/）统计的各网贷平台2017年10月至2018年7月间的月度数据，并从企业维度进行了计量检验；其中城市人口规模数为各城市城区常住人口数，数据来自于《2016年中国城市建设统计年鉴》，检验结果见表5。

表5得到的结论与前文一致，这也说明前文使用的截至2018年3月12日的30天交易数据中的累计贷款、截止至2018年3与13日中的7天交易数据具有一定的代表性，其可能的原因是：本文选用的指标网贷余额是存量数据，是对网贷平台的历史与当前期发展情况的总体描述；成交额是流量数据，四对特定时期网贷平台业务的发展情况的描述。这两个指标都有较强的趋势性，如前期贷款余额较大的企业或城市在下一期的贷款余额可能也较大，因而在平台间或城市间进行横向比较时，反映出相同的趋势性规律。

五、结论与启示

本文从金融的双空间集聚视角分析了以网贷平台为代表的创新型金融企业的区位选择，得出以下结论：信息技术发展有助于提升金融集聚水平，虚拟集聚下依然存在地理集聚，金融虚拟集聚将比传统金融在地理空间上更集中，信息技术在扩大数字金融服务半径的同时也使其产生更大的技术依赖性。因而对数字经济时代金融的空间结构而言，城市的意义在于其能提供更高水平的信息技术与金融创新，城市规模因素则弱化了。但基于信息技术溢出的区位选择对创新型金融企业更为重要。因此，发展数字金融将有助于打造新金融中心。为让金融企业价值获得更快增长，无论是传统金融企业还是数字金融、互联网金融、金融科技企业，在地理上应尽量靠近金融科技创新中心，以获得更大的知识溢出。

研究结果给我们的启示是，即使在数字经济时代，金融企业并不会去金融地理中心化，信息技术和金融结合的数字金融，有着知识密集、信息密集的特征，呈现地理集聚和虚拟集聚相融合的双空间集聚形式。从城市层级或金融中心层级来观察，最可能同时具备信息技术和金融的集聚所需条件的，要么是科技与创新中心，要么是原有的金融中心；科技与金融的合一是当前城市发展的另一种新趋势，比如硅谷作为世界科技创新中心的同时，也是世界的风险投资资本中心。

同时我们也注意到，数字与金融共同的虚拟性基因，使得在数字经济时代，虚拟集聚的情景下，金融的风险传导效应被放大了。地理位置对数字金融的局限弱化，使本地政府对境内金融资源的掌控力减弱；同时，随着数字金融企业在地理上的集聚，金融风险也向大城市集聚，一个典型的例子就是网贷平台在杭州的暴雷潮。为更好地应对和处置风险，这就要求大城市具备更高的风险处置能力与监管能力，以应对数字经济时代的金融创新，同时需进一步完善监管政策，从国家层面统筹建立整体的金融科技监管框架，使得金融创新始终在审慎监管前提下进行。