江苏金融服务外包产业综合竞争力实证研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇江苏金融服务外包产业综合竞争力实证研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

〔摘要〕本文应用因子分析法和灰色关联度分析法，将江苏金融服务外包重点城市南京、苏州、无锡、常州与国内其它15个金融服务外包主要城市进行比较，用实证的方法分析了江苏金融服务外包的综合竞争力。本文的结论是：从经济环境指标看，除常州外，其它3个城市均位列第一梯队；从综合竞争力看，江苏4个城市的城市排名处于中下游水平，但各有自身特色；对金融服务外包产业竞争力起决定作用的是产业聚集所带来的规模效应的大小与政府的支持力度。

〔关键词〕金融服务外包；综合竞争力；因子分析；灰色关联度分析

中图分类号：F719文献标识码：A文章编号：10084096（2013）02003208

一、引言

20世纪90年代以来，随着经济全球化的发展和全球产业结构调整，服务业出现在全球范围内转移的基本特征。而金融服务外包更成为国际服务业转移的重点，其降低成本、增加收入、提高质量和改进效能等多重优势对金融服务贸易贡献与日俱增。近年来，江苏金融服务外包产业发展迅猛，本文应用因子分析法和灰色关联度法，以南京、苏州、无锡、常州、北京、上海、深圳、广州、佛山、天津、杭州、大连、成都、西安、重庆、武汉、长沙、青岛和沈阳等19个主要金融服务外包城市为样本进行研究，以反映江苏重点城市南京、苏州、无锡和常州的金融服务外包综合竞争力在全国的发展水平与地位。

二、研究方法、指标选取及指标预处理

1因子分析法和灰色关联度分析法

因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。其基本思想为，根据相关性大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量不相关或相关性较低，每组变量代表一个基本结构——即公共因子。本文用因子分析法对江苏金融服务外包城市综合竞争力进行评价分析，将原有指标变量用一组公因子来表示，而这些公因子涵盖了原有变量绝大多数的信息，并且同组公因子表示的变量相关性较强，而异组公因子表示的变量相关性较弱。由于每个公因子表示的变量不同，因此，使得每个公因子具有不同的实际意义。

灰色关联度分析法实质上是一种因素比较分析法，它通过对灰色系统内有限数据序列的分析，寻求系统内部诸因素间的关系，找出影响目标值的主要因素，进而分析各因素间关联程度。关联度分析的目的是对两个系统间相关因素随时间或对象的不同而变化的关联性大小进行度量。在系统发展过程中，若两个因素变化的趋势具有一致性，即统计数列所构成的各条曲线集合形状越接近且同步变化程度较高，则各条曲线越平行，即可谓两者关联程度较高；反之，则较低。因此，灰色关联度分析法是根据因素之间发展趋势的相似或相异程度作为衡量因素间关联程度的一种方法[1]。本文以各指标之中最优值作为参考数列，其它被评价指标作为比较数列，求其关联度。关联度越大，说明这一地区金融服务外包产业的竞争力越强；反之，则越弱。关联度大小的排序说明了研究总体内金融服务外包竞争力的强弱。

2指标选取标准

本文从接包方视角出发，参照迈克尔·波特的钻石模型以及加拿大学者Padmore和Gibson[2]建立的区域产业竞争力影响因素及指标选取研究的GEM模型，对金融服务外包综合竞争力评价指标进行科学设计，设定了7个一级指标和13个二级指标，如表1所示。研究中最初选取：金融企业数量、金融相关服务外包商数量、城市拥有金融后台业务中心数量、金融产业增加值占GDP比重；政府管理能力指数、政府支持指数、产权保护制度指数；单位在岗职工平均工资、办公楼市场平均租金；普通高校与中等职业学校的在校生人数、计算机与软件业从业人员数量；科学竞争力指数、信息技术基础设施指数、专利授权数量；开放程度指数、资本竞争力指数、综合区位指数、制度竞争力指数等18个标准化后的指标排列组合进行KMO检验和巴利特球度检验，检验结果发现其中15个指标的KMO检验统计量 KMO（Kaiser-Meyer-Olkin）检验统计量是用于比较变量间简单相关系数和偏相关系数的指标。KMO统计量取值在0和1之间。KMO值越接近于1，意味着变量间的相关性越强，原有变量越适合做因子分析。当所有变量间的简单相关系数平方和接近0时，KMO值接近0。KMO值越接近于0，意味着变量间的相关性越弱，原有变量越不适合做因子分析。为0654，为最适合做因子分析的一组指标。

3指标的预处理

由于系统中各因素的物理意义不同，各项指标数据的量纲也不尽相同，因此，要对这些指标进行无量纲化处理，本文采用区间值法进行标准化处理，使其转化为取值在[0，1]区间的相对化数据，若评价指标Xi为正指标，则：

若评价指标Xi为负指标，则：

其中，xi为原始值，xi′为转化后的值，xmax为最大样本值，xmin为最小样本值。

由于X4、X5为负指标，所以参照式（2）标准化；其它都为正指标，所以参照式（1）标准化。标准化处理后的数据，如表2所示。

三、因子分析法分析与结论

利用SPSS160统计软件对标准化后的数据进行变量之间相关关系分析以及KMO检验和巴利特球度检验，由检验结果可知，近似卡方值为2859310，自由度为1050000，伴随概率P值为00000，即相关矩阵不是一个单位阵，可以进行因子分析。

KMO是用于比较观测偏相关系数以及相关系数值的指标，其值越接近1，表明对变量的因子分析效果越好。本文中KMO值为06540，显然原有变量比较适合进行因子分析。

通过表6可以看出江苏金融服务外包重点城市的一般竞争力水平。苏州与上海和北京一起以高分位列前三。由于北京、上海为直辖市，较之于其它城市在资源方面有显著优势，所以因子综合竞争力得分很高。苏州有着较为开放、包容的城市文化氛围以及良好的基础设施，在由金融服务外包行业供需状况，经营成本以及行业外部的科技、资本与区位竞争力组成的一般竞争力指标上名列第一，并且政府支持力度较大，使得金融服务外包行业的聚集带来了一定的规模经济效应。由于一般竞争力指标权重较大，故苏州的综合排名在各城市中位列第一。江苏其它重点城市南京、无锡和常州分列第5、11和18位。南京市在一般竞争力指标上同样具有优势，人才与制度方面优势明显，但产业与政策因子得分全国最低，由于权重影响，得分排名仍处于上游水平。苏州、无锡和常州属于地级城市，高校和研究机构的相对缺乏使得人才储备方面捉襟见肘，可见，依靠人才流动与引进是这些城市金融服务外包产业发展的最大软肋。

四、灰色关联度分析法分析及结论

由于金融服务外包综合竞争力评价系统具有信息不完全的“灰色”特征，同时也为了克服因子分析法中过多主观因素带来的负面影响，本文在因子分析法的基础上进一步选择灰色关联度分析法进行研究。

3评价结果分析与结论

第一，从3个因子关联度大小看，关联度最大的是产业与政策因子，这表明建立在更具产业特色的需求与供给要素以及政府支持力度上的竞争力优势比建立在其它因素上的竞争力优势相比，更加稳定与显著。因此，对金融服务外包产业的竞争力而言，起决定作用的是产业聚集所带来的规模效应的大小与政府的支持力度。

第二，从经济环境因子竞争力水平来看，江苏省内南京、苏州和无锡三市均位列杭州与天津领头的第一梯队，说明江苏代表城市在经济环境指标上处于上游，既具备雄厚的资本与较发达的金融市场，又做好了国际化的准备，而相对一线城市较低的运营成本是其金融服务外包产业吸引力的杀手锏。因此，应该发挥好得天独厚的经济环境优势，大力发展金融服务外包产业。

第三，从产业与政策因子竞争力反映情况看，北京、上海和广州拔得头筹，南京、苏州、无锡和常州4市均处于下游水平甚至不及西安与重庆等西部城市。由于苏州、无锡和常州是二、三线城市，所以金融企业、金融服务外包提供商、相关行业从业人员聚集程度不及北京、上海和广州为代表的一线城市，甚至低于西安和重庆为代表的西部大城市。在政府支持力度方面，除苏州有着较强竞争力以外，其余3个城市均有明显差距。就关联度数值而言，南京、苏州、无锡和常州与排名上游城市相比差距并不大，说明从长远看，江苏发展金融服务外包产业具有较强的潜力。

第四，就一般竞争力因子而言，南京竞争力较强，苏州处于中游水平，而无锡、常州处于下游水平。南京科技和信息基础设施、制度环境、综合区位方面条件优越，且拥有众多高校，而且这些高校还有众多金融、软件行业相关的本科生、研究生，并拥有众多国家级的重点实验室和科研院所，有充足的科技与人才储备。苏州、无锡和常州3市虽然没有众多的高校和科研机构，但其完备的信息基础设施，综合区位和制度优势在19个城市中也位列前茅。

第五，从综合竞争力水平看，江苏样本在全国各城市排名处于中下游。但省内4市南京、苏州、无锡和常州各有特色，应发挥其优势来弥补自身不足，以利于又快又好的发展金融服务外包产业。

参考文献：

[1]邓聚龙灰色系统的基本方法[M]武汉：华中理工大学出版社，1986

[2]Padmore，T，Gibson，HModeling Systems of Innovation： A Frame Work for Industrial Cluster Analysis in Regions[J]Research Policy，1998，（26）：625-641

[3]倪鹏飞2011年中国城市竞争力蓝皮书：中国城市竞争力报告 [M]北京：社会科学文献出版社，2012336-374

[4]花桥金融外包研究中心中国金融业服务外包2009年度报告 [M]北京：中信出版社，2009111-128