江苏金融服务外包产业综合竞争力实证的研究.docVIP

江苏金融服务外包产业综合竞争力实证的研究 　　〔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2013 　　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