安徽省数字普惠金融的聚类分析.docVIP

安徽省数字普惠金融的聚类分析 　　摘要：随着全球普惠金融的深入发展，普惠金融的内涵也逐渐丰富。当前普惠金融的发展步入数字时代。基于北京大学数字普惠金融指数的数据，通过对安徽省16个地级市数字普惠金融指数进行聚类分析，定量分析安徽省金融发展的地域差距。 　　关键词：普惠金融指数；互联网金融；聚类分析 　　中图分类号：F832 文献标识码：A 文章编号：1008-4428（2018）01-132-02 　　一、引言 　　普惠金融（亦译为包容性金融）首先出现在2005年联合国举办的“国际小额信贷年”活动中，是指将金融普遍惠及社会所有阶层、群体，尤其关注处于弱势地区的金融服务需求，特别是贫困地区、少数民族地区、偏远地区以及残疾人士和其他社会弱势群体的金融服务。普惠金融极大地促进金融资源分配的升级，有助于金融的平稳发展，提升社会盈利水平。我国首次提出发展普惠金融是在2013年召开的十八届三中全会。2015年，《推进普惠金融发展规划》正式由国务院发行，该规划第一次站在国家的高度上对普惠金融进行了明确的定义。在2016中国普惠金融国际论坛上，易纲曾披露了《G20数字普惠金融高级原则》。 　　虽然普惠金融推行了很多年，但是有两大核心问题很难解决，第一，如何覆盖更多的用户，推进成本是否合理，第二，如何加强风险监管，提高信息透明度。传统金融机构受资金成本和客户市场的限制，很难解决这两大难题。解决这一问题最有效的办法是运用数字技术。随着技术网络和移动设备的普及，互联网金融改变了金融服务模式，拓展金融服务便捷。文章聚焦于互联网金融领域，着重分析互联网金融趋势下安徽省各地区数字普惠金融的发展程度和地区差异。 　　二、研究综述 　　前人对普惠金融已有了多角度的研究。经济学家Sarma（2012）受联合国人类发展指数（HDI）的构建方法的影响，将银行渗透度、金融服务的可利用性和使用状况这三个要素作为其研究中的重要指标，通过欧式距离法，对不同国家普惠金融的发展现状进行了研究。焦瑾璞等（2015）从金融服务的便捷性、使用状况及服务质量这3个维度人手，构建了包含19个指标在内的普惠金融指标体系，并同时计算了2013年中国各省份的普惠金融指数。 　　通过对海内外相关研究的整理，不难发现，现有研究虽然比较全面，但是仍然存在一些不足。第一，现有的多数研究机构没有多样的金融服务，主要表现为其主要服务于银行，不能很好地表现其他金融机构对于惠普金融的助益。第二，互联网金融在现有相关文献中仍然比较少。第三，关于普惠金融的地域差距研究鲜有涉及。立足于业内相关研究仍有不足这一点，文章主要分析互联网金融下安徽省各地区数字普惠金融的发展状况。 　　三、数据的来源与分析方法 　　（一）指数体系与数据来源 　　在分析数据时，为了方便不同指标的差异对比，在处理多指标综合评价体系时，性质与计量单位的不同指标必须通过无量纲化处理。结合当下中国互联网金融快速发展的特点，为了保持数值的平稳性避免指数过快增长，采取对数型功效函数法进行无量纲化。同时采用AHP层次分析法确定指标层次（图1），具体的指数体系包含三部分，一是覆盖广度，二是使用深度，三是数字支持。其中，使用深度又由支付、保险、货基、投资、征信和信贷这6个指标构成。最后采用算术平均合成模型将指数进行合成。合成后的指标数值见表1。 　　（二）分析方法 　　聚类分析是对样本或变量进行分析的一种统计方法，目的是根据事物本身的特性将相似的事物归类。作为目前最常用的聚类方法，系统聚类的主要步骤如下：对于一组对象，首先定义该组对象之间的距离，然后对这组对象进行分类，再计算对象之间的距离，根据距离对比，得出其中距离最小的两个类，并合并这两个类，之后，将通过合并得到的类与其他类进行第二次的距离计算，得出的新类与其他类之间距离最小的再次合并为一类，依次类推，得出一个大类。一般来说，在聚类进行之前，要首先用距离过程对原始变量进行预处理，再通过标准化方法，进行原始数据的转换，同时还要计算出相似性测度或距离测度，然后再利用聚类过程对转换后的数据进行聚类分析。文章采用欧氏距离计算分类对象之间的距离，欧氏距离公式为： 　　四、实证分析 　　聚类分析的结果如表2和图1所示。由表2可知，第一列“阶段”表示聚类的步数，以第3行为例，此步是将第3和第8合并为一类。第二列“组合的集群”表示在聚类分析的某个阶段聚成一类的两个对象，以第3行为例，在第3阶段中，聚成一类的是第3和第8。第三列“系数”表示的是对象之间的距离，以第3行为例，该行的系数为662.092，表示对象间的距离为662.092，距离，也就是系数越小，聚类越优先。第四列“首次出现阶段集群”表示在聚类时参与某个步骤的类型，对应单元格中，0表示对象，大于或等于1的数字n表示本步与第n步聚类