中国银行退出网点的多尺度格局及其影响因素

李楚海，林 娟,b，卢嘉新，伍世代,b

（1.福建师范大学 a.文化旅游与公共管理学院；b.智慧旅游福建省重点实验室，福州 350117；2.海南大学 旅游学院，海口 570228）

近年来，在信息化发展、金融改革与银行竞争主体多元化的背景下，中国经历了一场声势浩大的银行网点关停潮（Fraisse et al., 2018；邹小华 等，2019）。不少学者认为，移动手机的广泛应用与数字化时代的到来，既对传统线下银行服务模式发起挑战（Gupta et al., 1997；李依凭，2002；孙娜，2018），也带动了第三方支付平台的广泛使用，使传统实体银行面临巨大的经营压力（Deyoung et al.,2004; Zhao, 2018；刘孟飞 等，2021）。银行网点经营与处理小额交易成本过高时，可通过减少网点数量降低运营成本，提高盈利能力来提供支撑（Shahrokhi，2008；王修华 等，2014）。然而，部分学者认为商业银行当前的核心地位（刘忠璐，2016）、数字鸿沟背景下老龄人口的需求（赫国胜 等，2015）以及商业银行客户服务的供需（徐志宏，2007）均使传统银行在数字化转型过程，仍需保留实体营业点，并不会加速其退出。

近年来，金融地理学日趋注重金融要素在空间差异、过程及相互作用上的探析，而银行网点作为金融机构的重要组成部分，其与地理空间的相互关系已成为金融地理学的重要研究内容（张国俊 等，2015；马学广 等，2017）。早在20世纪80年代，国外金融地理学者发现，随着金融环境的变化，金融机构因产品服务盈利性降低等缘由，便开始呈现对已开发区、弱势群体等逐步缩减供给的态势，致使小城市与农村偏远地区的金融机构纷纷关闭，形成“金融排斥”现象（Leyshon et al., 2008；马学广等，2017）。该现象最初广受关注是因为金融机构具有明显地理分布特征，分析区域内银行网点的撤并，及其对微观主体与金融机构的联系所造成的影响，具有较强的地理指向性，由此发现金融机构的退出有着农村偏远地区高于城市发达区域的空间差异性特征（Osei, 2009; Joassart et al., 2010；马学广，2017），这加剧了社会不公与区域经济发展的边缘性现象（Simpson et al., 2009）。从国内现有研究看，金融地理学仍处于初步发展阶段（苏曦 等，2013），“金融排斥”概念的引入和研究到目前虽只有10余年，却已有诸多学者从银行业的空间系统变化等多方面展开相应探讨，其中，多以农村地区为主要研究对象，基于现有银行网点或新增银行机构的空间分布数据，从不同性质等级银行的角度出发进行论述。从理论视角看，已有研究既介绍了金融地理学在银行网点领域的研究进展，又推动了独具中国特色的“金融排斥”分析研究框架的构建（李小建等，2006a；董晓林 等，2012；马学广，2017；武毅 等，2020）。

综上所述，已有研究对金融银行网点的空间特征、驱动因素及其“金融排斥”进行相应探讨，但对于银行网点的关停现象存在怎样的时空格局及其相应影响因素还需进一步探究。中国独特的经济体系、居民对银行服务的偏好、对直接人工服务的习惯性以及对网商银行的排斥性，或将导致银行退出网点在时空分布上与西方国家具有较大特征差别（李小建 等，2006b），以中国为案例，既可以观察银行退出网点在区域之间的空间差异以及与经济社会等因素的关联，也可揭示中国城乡之间所存在的金融服务不均衡问题，为促进均衡、可持续的银行网点发展提供借鉴与参考。因此，本研究在现有银行网点的研究议题上，对中国银行退出网点的空间分布特征进行解析，探讨其发展趋势以及影响因素。

1 数据来源与方法

1.1 数据来源

中国银行保险监督委员会①中国银行保险监督委员会.http://www.cbirc.gov.cn/cn/view/pages/index/index.html的金融许可证平台记录了迄今为止过去两年时间范围的银行退出网点的相关信息，具有较强的权威性，从中获取2019-01-01—2021-12-31的银行退出网点共计10175条数据。结合2019—2021年部分地级市农村商业银行的合并，及2020 年包商银行的破产等非正常退出现象，剔除农村商业银行933 家，破产银行316 家，最后纳入研究的银行网点共计8 626 条。根据清单名录，通过爱企查与企查查获取网点具体地址，并在空间上进行可视化。

1.2 研究方法

1.2.1 地理集中指数 地理集中指数可用来衡量不同区域上金融银行退出数量的集中程度，公式为（王兆峰 等，2020）：

式中：G为地理集中指数；xm为第m个省份银行退出网点数量；k为区域省份数量；T为该年内银行退出网点数量。若银行退出网点在三大经济地带②根据国家统计局（2000）《中国统计年鉴》分类标准，将中国划分为东、中、西部三大地区，其中东部包括辽宁、北京、天津、河北、山东、江苏、上海、浙江、福建、广东、广西、海南12个省市；中部包括山西、内蒙古、黑龙江、吉林、安徽、河南、江西、湖北、湖南9个省区；西部包括陕西、甘肃、青海、宁夏、新疆、四川、重庆、云南、贵州、西藏10个省区。的地理集中指数大于分布于全国各省市的地理集中指数，则说明各经济带内金融银行退出网点呈集中分布的态势，反之呈分散分布（王兆峰 等，2020）。

1.2.2 核密度分析 核密度分析用于计算每个输出栅格像元周围的点要素密度，通常可以比较直观的体现分析目标在空间上的集聚情况，其计算公式为（黄锐 等，2022）：

式中：∫(Xi)为核密度估计量；k为核函数；n为样本的数量；h为宽带；Xi-Xj为点Xi到样本点Xj处的距离。

1.2.3 DBSCAN算法 借助于基于密度的聚类算法对单一城市内银行退出网点的集群热点区域及分布特征进行识别。DBSCAN 聚类算法最早由Ester 等（1996）提出，能在不预先设置形成聚类的情况下，较为快速地发现空间中任意形状的聚类，并且能快速识别出空间数据的噪声，即离群数据（马小宾等，2021）。算法主要包含2 个重要的参数——Eps和Minpts，其中，Eps指邻域距离，主要根据对象之间的欧式距离和降序K的距离确定；Minpts指Eps邻域内至少包含的最小样本数目（李江苏 等，2018；张亚 等，2020）。DBSCAN参数的选择对于结果有较大影响，为了减少人工干预的影响，李文杰等（2019）提出一种自适应的优化算法，根据数据集本身的统计特性，多次迭代试验选取最优Eps 和Minpts的参数值。

1.2.4 空间计量模型 为探讨信息化背景下，各影响因素与银行退出网点数量之间的关系，在空间计量模型中，用最小二乘法（OLS）进行回归估计的基础上，结合拉格朗日乘数计量标准（Anselin et al., 1991），选取空间误差模型（SEM）进行综合分析。其模型形式设定为：

式中：Y为被解释变量；c为常数项；βi为待估计的常数回归系数；Ai为解释变量；Wμ为扰动项的空间滞后项，λ为误差项的空间自回归系数；ε为随机扰动项。

2 银行退出网点的类型特征与空间格局

2.1 类型间差异

为统计各年份不同类型银行退出数量情况，参考车冰清等（2017）对银行网点类型的划分方法，将银行划分为4个类别：五大商业银行（中国工商银行、中国农业银行、中国银行、中国建设银行和交通银行）、农业金融机构（主要包括：农村信用合作社、农村商业银行和信用合作社储蓄所等）、外资银行（主要包括：渣打银行、汇丰银行、恒生银行和东亚银行）以及中小商业银行（主要包括：邮政储蓄银行、招商银行、中信银行、民生银行、光大银行和华夏银行等）。

通过统计2019—2021 年银行退出网点数量发现，不同类型银行的退出特征存在较大的数量比例差异（图1）。2019年银行退出数量最多的类型为五大商业银行，占比达40.32%，2020 年其数量与占比仍占据首位，但已呈明显减少的态势，到2021年，五大商业银行的数量和占比分别为833 家和31.37%，在四大类型银行中位居第三位。上述变化趋势缘于五大商业银行的基数较大，多分布在东部、即信息化最为发达的地区，受冲击程度较深；又由于五大商业银行具有跨区域经营和创新能力较强等特征，能够较好地应对信息化所带来的冲击效应（刘孟飞 等，2021）。农村金融机构的退出数量虽呈倒“U”型，但占比却从21.66%逐渐递增到32.62%，说明农村金融银行面临着巨大的经营压力，一方面是因为随着中国城镇化水平提高，农村金融银行市场的规模逐渐缩小；另一方面，随着互联网的普及，农村的信息化水平得以快速提升，信息化对银行网点的冲击力向农村地区渗透。此外，2020年在新冠疫情的影响下，农村金融银行资产利润率降幅也最为明显，其受影响的程度最深（琚亚利，2022），从而使得2020 年农村金融机构退出数量占比呈现较大的涨幅。中小商业银行的退出数量虽也呈逐渐递减的趋势，2020 年占比相较2019 年下降了2.94%，但在2021年略有上浮，除了总体基数原因外，中小商业银行盘整速率较慢，仍是当前退出银行的主要部分。2019—2021年外资银行网点的退出数量则变化不大。

图1 2019—2021年中国四类银行退出网点数量、占比及其变化Fig.1 The number, proportion, and changes of bank outlets withdrawn among four types in China from 2019 to 2021

2.2 地带间差异

通过统计发现，各年份银行退出网点在不同经济地带上的数量占比也具有较大的差异性，总体呈由东往西逐渐递减的规律（表1）。东部地区金融银行退出数量占比虽显现逐年递减的态势，但仍占全国银行退出网点数量的一半左右；西部地区银行退出数量较少，占比也呈逐渐下降的态势；中部地区银行退出数量占比逐渐提升；比较发现，各经济地带的退出数量占比与区域经济发展水平具有正相关性。

表1 中国2019―2021年各经济带银行退出网点地理集中指数和数量占比Table 1 Geographical concentration index and proportion of bank outlets withdrawn in different economic zones in China from 2019 to 2021

地理集中指数显示，银行退出网点皆呈集中分布的态势，并且，西部经济带的地理集中指数最高。经济环境是银行网点布局最直接的考虑因素，而经济水平又是影响地区信息化水平的重要因素（刘晓阳 等，2019）。西部经济发达的城市数量较少，银行退出网点主要聚焦于信息化水平较高、经济较发达的地区，从而使得西部经济带银行退出网点的地理集中指数高于东中部经济带。

2.3 城市间差异

借助核密度估计分析银行退出网点的市级尺度空间集聚特征，由图2可知，2019—2021年银行退出网点在空间分布上存在以下特征：

图2 中国2019、2020、2021年银行退出网点核密度分布Fig.2 Kernel density distribution of bank outlets withdrawn in 2019,2020, and 2021 of China

1）大型城市群是银行退出网点的主要集聚区域。东部以长三角、珠三角和京津冀城市群为典型分布区域，中部地区集中于中原城市群和长江中游城市群，西部地区则以成渝城市群为代表。在各个城市群范围内，形成以核心城市为中心、由内向外密度值逐渐递减的中心—外围结构。

2）核心区域集聚效应增强，集聚组团间的断裂带逐渐消失。2019—2021年，各经济带发达城市群银行退出网点的集中态势显著增强，核心范围明显扩张，同时，核心区域不断由内向外逐渐延伸，由块状分散格局转变为群团状分布格局，该特征在各经济分区城市群地带较为明显。随着中西部地带网络基础设施环境等条件的改善，银行退出网点的影响效应在中西部地带也日趋扩散。

2.4 城市内部差异

中国自改革开放以来，区域之间及区域内部所存在的经济发展条件差异较为明显，受银行股权性质及地方居民习性影响（李小建，2006a），城市边缘地区的银行退出现象反而不显著，故此金融热点现象仍需结合区域特殊情况加以探索。为从微观尺度作进一步佐证，将研究范围锁定在单一城市内部，并采用Python语言开发环境Spyder，进行DBSCAN聚类算法编写，统计各地级市2019—2021年银行退出网点数量，对三大经济带中银行退出网点数量占比最多的其中4个城市进行分析，探讨其微观集聚特征。

利用自适应算法，结合实际密度分布效果，观察不同系数下的差异性，通过判定集群结果与核密度分析所得的热点区域是否存在较高的一致性，最终确定4个城市的相关参数（表2）。

表2 城市银行退出网点DBSCAN聚类参数选取Table 2 DBSCAN clustering parameter selection for bank outlets withdrawn in the cities

通过算法所得的聚类情况，结合自然间断分级法，最终选择聚类个数＞25 为一级聚类中心，11～25为二级聚类中心，6～10为三级聚类中心，＜6个为四级聚类中心。将各个城市的分级结果可视化（图3）。

图3 中国银行退出网点占比最多的4大城市内部聚类结果Fig.3 Clustering results of bank outlets withdrawn with the highest proportion in four major cities in China

为探讨聚类等级与城市中心区域之间的相互联系，以各市域政府为核心，建立半径分别为4、8和10 km 的缓冲区。可以发现，一级聚类中心大体位于距离市中心4或8 km的区间内，除重庆受行政区面积较小的原因影响以外，其余城市在距离市中心10 km 的范围，基本囊括了所有的聚类等级，参考曹义等（2019）的划分标准，这些区域均归属于城市建成区地带。

从单一城市内部看，1）北京市2019—2021 年银行退出网点数量共计287 个，规模最大的前5 个集中区域呈现“两主三副”的空间结构，其中，主中心分别位于海淀区和朝阳区，前者是北京科技和教育中心，后者是金融中心，3 个副中心分别大致位于远洋万和城、北京高新创业服务中心和中关村附近，拥有完善交通设施、良好商圈环境亦或高新产业密集的条件。2）广州形成“二主一副”的分布格局。一级聚类位于越秀区建设街道和天河珠江新城，属于广州传统和现代的经济中心，布局众多的政务机构和商业圈。二级聚类位于白云区棠景街的机场路，是典型的现代交通枢纽。3）武汉市在聚类结果中形成“一主一副”分布格局，一级聚类中心主要集聚于江汉路附近，其为老汉口最重要的商业交通干道，二级聚类中心位于武昌区水果湖街道与中南路附近，拥有楚河汉街以及众多商业性广场。4）重庆无副中心聚集区，一级聚集区位于渝中区，属于重庆市中心所在地，既具有众多商业中心，也凝聚较多的高新技术企业。

综上，银行退出网点主要集中于城市资本、人口和技术密集区。区位优势条件较好的地区无疑会增加银行的线下经营成本，若银行效益得不到改善，易造成银行线下网点的经营压力。区域人口素质化水平聚集，意味着该地居民对移动通信等设备具有较高的学习能力。一方面，居民不再依托银行传统线下经营网点置办业务，实体银行业务收入也因此不断减少；另一方面，应用程序的发展，也使居民在支付手段上有更多选择权，分割了传统银行网点的利益收入与金融市场。

此外，4 个案例地城市之间也存在聚类差异，网点聚类核心数量存在由中国东部向西部递减的规律。从上述提及的银行布局拉力因素及城市信息化程度看，东部城市相较于中西部城市而言更为发达，银行退出网点数量占比较高，故识别获取的聚类等级数量多于中西部地区。

3 地市级尺度的银行退出网点空间分布的驱动因素

银行退出网点在全国分布具有明显的空间异质性，其缘于多种影响因素综合作用的结果。为探讨银行退出网点空间分布的驱动因素，综合考虑所选指标，基于数据可获取的最小尺度，利用2020年各地级市的统计数据，通过空间计量模型进行实证分析。因港澳台、海南及新疆直辖县级市的相关指标数据获取较难齐全，故未并入研究区域，其余部分地级市指标获取不齐全则参考陈依曼等（2020）的方法，运用插值法进行补齐校正。

3.1 指标选取

以往有关于信息化发展水平的研究，一般选取互联网普及率作为衡量区域信息化发展水平的指标（谢俊贵，2018）。本研究考虑到移动电话已成为所有网络平台、操作终端与线上支付的集合背景下，能对线下银行网点造成影响的重要因素，借鉴辛大楞等（2020）选取方法，采用移动电话普及率（Mobile），即移动用户数占地区总人口比重，作为衡量信息化发展水平的核心解释变量。综合已有研究，将互联网背景下银行退出网点的影响因素分为信息化环境、经营成本、经营效应和市场竞争4个类别（表3）。已有研究认为，专利授权数量是城市创新能力的体现，是城市信息化环境创新发展的支撑，而人口素质则可视为城市的教育指数，是信息化环境发展的知识支撑，也可反映信息化的应用水平（孙媛媛，2016；刘晓阳 等，2019；吴代龙 等，2021）。银行作为服务型网点，其选址一般以追求利润与效益最大化为原则，而人工与地租作为经营成本的重要支出，也需进行相应考虑。类同于理，人口数量与存贷款经济比，可反映银行作为金融机构的经营效应，在信息化条件下，其与银行网点的退出是否具有关联性仍需开展探讨。王杏芬等（2016）指出，银行市场竞争越激烈，网点退出的概率越大，当区域金融银行分布过于集聚时，银行之间为寻求存贷款的客源群体而角逐，利润收益不断被分割，进而影响银行的生存。

表3 中国银行退出网点空间分布的影响因素变量选取及描述Table 3 Variable selection and description of factors influencing the spatial distribution of bank outlets withdrawn in China

综上，选取移动电话普及率（Mobile）、创新能力（Patent）和人口素质（Quality）作为信息化环境因素的量化指标；选取土地成本（Landprice）和人力成本（Salary）作为经营成本要素的量化指标；选择人口数量（POP）及存贷款经济比（DNL）为经营效益要素的统计指标；市场竞争量化指标则依附于银行聚集度（Compete）。部分数据取对数处理，为防止受到多重共线性影响，进行方差膨胀性因子检验（VIF<10），表明不存在共线性问题。

3.2 空间计量分析

统计相关指标数据，运用GeoDa软件进行综合分析，以空间邻接为空间权重矩阵。结合空间依赖性检验等判定准则得出，在模型的拟合程度上，SEM 模型要优于OLS 模型（表4），对银行推出网点的影响因素评估效果更优。

表4 中国银行退出网点空间影响因素计量分析Table 4 Spatial factors quantitative analysis of bank outlets withdrawn in China

据SEM的回归结果可知（见表4），人口数量、人力成本、银行网点集聚度和存贷款经济比与银行退出网点数量均呈正相关。线下金融银行网点的经营困境，一方面由于其本身缺少对大数据的积累与运用，另一方面则是在移动互联网的背景下，传统金融银行的经营成本过高的问题逐渐被突显出来（任静 等，2016）。

在信息化环境中，移动电话普及率和人口素质提升是引起线下银行网点退出的重要原因。手机等移动设备的普遍使用，支撑了线上支付行为与互联网金融的兴起，在业务领域形成与传统商业银行的竞争态势，从而给银行网点线下机构造成生存困境甚至导致其退出市场。人口素质要素通过了显著性检验，印证了教育中心也是银行退出网点的集聚中心之一。高素质人口对移动互联网的应用程度较深，银行的离柜业务率也大幅提升，银行网点的使用率大量降低，易遭到市场淘汰。而创新能力并没有通过显著性检验，说明较好创新能力在一定程度上帮助传统银行数字化转型，对银行是否退出影响不明显。

在经营成本上，银行的主要成本压力主要来自劳动力成本，而非土地成本。根据城市地租理论，土地租金高的地区具有较好的区位优势，可形成“宣称效应”，带来较高收益，而相关人员需配套对应的薪酬和五险一金，往往增加了银行的支出成本，影响其运营效益。经营效应的2个指标均通过了显著性检验，说明良好的经营效应下同样有大量的银行网点退出，银行网点并非全因经营不善而退出，侧面验证了银行网点受到信息化冲击转为线上经营是线下银行网点退出的重要原因。同时，银行网点间的竞争加剧了银行网点的退出。而银行网点过于集聚预示区域布局存在过剩与不足并存的问题，迫使各家银行对原有银行网点布局进行调整。

4 结论与讨论

基于2019—2021 年的中国银行退出网点数据，结合地理空间分析方法、DBSCAN算法和空间计量模型，探讨中国银行退出网点空间分布格局与驱动因素，得出以下结论：

1）2019—2021 年，银行退出网点在全国及各经济带内均呈集聚分布的状态，各类型银行网点在应对信息网络冲击时，呈现不同的资源优劣势和反应机理，因而也具有不同的变化规律。

2）从地带上看，银行退出网点的数量存在由东向西递减的规律，但西部地区的地理集中度却高于中部和东部。在市域尺度上，银行退出网点主要集中在大型城市群，并形成以核心城市为中心的中心—外围结构。通过对中国东中西部4个典型城市的内部分析可知，银行退出网点聚类核心数量按东—中—西依次递减，且退出网点主要分布在城市内资本、人口和技术的密集区。

3）线下银行网点的退出是由各种影响因素综合作用的结果，其中，移动互联网加速了银行网点的消亡，经营效益侧面验证了银行网点的退出受到市场外部的影响。此外，劳动力经营成本和市场竞争也对银行的退出产生显著影响。

过往研究更多关注银行机构的空间扩张，而银行退出网点数量的剧增可能成为一个新的金融发展转折点，应引起更广泛的关注与探讨。本研究从时间和多维度空间的视角探讨了金融银行退出网点的发展特征，丰富了金融地理学的研究，并在此基础上，考虑了市场竞争、经营效应和经营成本对银行线下经营网点生存所带来的影响，对后续开展相关研究具有一定的借鉴意义。但本研究也存在不足之处：首先，由于银保监网站对数据获取有所限制，仅对2019—2021年的样本进行分析，缺少长时间的发展规律探讨。其次，移动互联网要素的衡量标准较为单一，未来将尽可能采用更丰富的数据进行更精细的研究。本研究关注的银行退出网点仅占银行总数的一小部分，但其所呈现的空间特征却与已有（车冰清 等，2017）有关银行机构空间分布的特征较为相似，说明银行网点在扩张与收缩之间存在一定程度上的动态平衡。虽然移动互联网发展十分迅速，但银行网点的退出却需经历较长时间的决策与行动，互联网及相应技术发展对银行网点退出的影响也存在时间滞后性，未来还需针对长时间样本进行细致观察与验证。