论文部分内容阅读
摘 要：以北京市16区县的3836家银行网点为研究对象，通过构建评价指标体系，利用主成分分析进行降维处理，运用经典回归模型、空间滞后模型、空间误差模型甄别空间布局影响因素，研究表明：人口数量、GDP总量等七个因素是影响北京市银行网点空间布局的主要因素。
关键词：银行网点；回归模型；空间布局；影响因素
作者简介：李平（1985-），女，满族，吉林省社会科学院城市发展研究所实习研究员，硕士，研究方向：城市发展与产业经济；
邓丽君（1984-），男，长春市城乡规划设计研究院工程师，硕士，研究方向：城市与区域规划。
中图分类号：F832 文献标识码：A doi：10.3969/j.issn.1672-3309（x）.2013.11.48 文章编号：1672-3309（2013）11-104-04
引言
金融地理学是地理学的一个重要分支，其研究侧重在金融的空间差异、空间过程和空间相互作用[1]。由于金融部门的保密性缘故，较少披露详细的资料和信息，影响金融地理学研究的深入开展。最具代表性的成果是吉恩·拉贝斯的博士论文研究和瑞典经济地理学家瑞斯托·劳拉詹南出版的《金融地理学》[2]。当前国外金融地理学主要研究议题集中在地缘政治、地缘经济和金融排斥性等政治经济问题和有关货币、货币网络和金融中心研究等两大方面。
区位论对金融地理研究产生了很大的影响，金融地理学者从多个角度对金融行业的区位选择、金融业的集聚与扩散等问题进行研究，这些研究往往以金融中心作为主要切入点。不同金融机构具有不同的区位特征，这是其本身功能特征与社会经济现象的空间格局相互作用的结果，而银行网点选址是银行进行实体经营中首先要解决的问题，因此，银行网点选址也成为金融机构区位研究的一项重要内容。目前，关于银行网点选址的研究主要集中在具体国家或地区的选址，并且主要研究外资银行的选址及其影响因素，研究区域主要集中在美国和日本 [3][4][5]，而影响因素主要集中在跨国公司、国际贸易等有限的几个因素[6]。
国内有关金融及银行网点空间分布研究的主体是银行的从业人员，主要从金融网络及金融网点经营与管理的角度探讨[7]。改革开放以来银行网点的研究首先集中在不同类银行的发展形势、各大银行的功能定位，一些学者则从研究方法入手，为银行网点布局选址分析提出具体可行的方法[8][9]。银行区位选择研究主要集中在外资银行，以及外资银行的进入对中国银行业的影响[10][11]，而对中国银行业的区位选择和影响因素的研究却寥寥无几。试图以北京市银行网点为例，按照不同类别的银行进行研究，并从多方面分析其影响因素，运用空间回归模型等方法探寻银行网点的布局因素。
一、数据来源
选取北京市16个区县（旧东城和宣武合并为东城区，旧西城和崇文合并为西城区）为研究范围，选取中国银行、建设银行、工商银行、农业银行、交通银行、中信银行、华夏银行、民生银行、光大银行、浦发银行、深圳发展银行、广东发展银行、招商银行、兴业银行、北京银行、农村商业银行、邮政储蓄银行等18家银行作为研究对象。部分数据来源于2011年《北京市统计年鉴》。
二、北京市银行网点空间布局特征
通过GIS空间分析每平方公里上的银行数量（图1（a））可以看出，银行网点的布局符合圈层结构即银行密度从市中心向外递减。东城区和西城区银行密度超过9家/km2；朝阳区、海淀区、石景山区和丰台区密度在 1家/km2，延庆、密云、怀柔、大兴）的银行密度不到0.05家/km2，最高值与最低值相差348倍，银行在中心城区等优势地段高度集聚。
通过GIS空间分析单位银行的服务人数（图1（b））可以看出，东城区、西城区的值很低，即每个银行服务的人数较少，银行具有较高的密度，而门头沟区成为最低值区，每家银行的服务人数不足1500人。整体来看，北部单位银行服务的人数要少于南部区县，最小的西城区3211人与最大的昌平区10512人相差三倍左右，由此可见门槛人口的作用在银行的网点设置中发挥着较大的作用。
三、银行网点空间布局影响因素分析
（一）影响银行网点空间布局因素的选取
银行网点的发展过程非常复杂，但有其特殊的成长规律，银行网点的空间布局受经济、社会等多方面的影响，本文以评价的准确性和数据的可获取性为原则，选取了人口因素、经济因素和基础设施因素构建评价体系，选取具体指标分析评价银行网点空间布局的影响因素。
银行的服务对象是区域内的个人消费者，因此人口因素是影响银行网点布局的首要因素。人口因素涉及人口数量、密度和收入水平等方面，同时人口年龄、性别、职业和受教育程度都可能影响银行网点的布局，将人口总数（X1）、人口密度（X2）、人均可支配收入（X3）作为衡量人口因素的次级指标。
银行服务区域内的经济发展水平是影响银行业务量和业务类型的重要因素，区域内的企业、公司带来了大量的资金流动，同时地方政府的财政收入也会影响到银行网点的布局。因此，选取GDP总量（X4）、法人单位数（X5）、进出口总额（X6）和财政收入（X7）、服务业水平（X8）作为经济指标。服务业发展水平采用服务业的绝对指标，人均服务产品占有量，即限额以上第三产业收入和总人数的比值。
基础设施对银行网点布局的影响主要通过区位、环境和房价等因素。按照阿隆索的城市租金梯度理论，城市的中心区应适合布局商服产业，按照北京城市功能划分为首都功能核心区、城市功能拓展区、城市发展新区、生态涵养区，并分别赋值4、3、2、1，符合北京各区县与中央城区的距离递增关系，区位因素（X9）用赋值方法确定。环境因素主要考虑银行网点周围的环境状况，以旅游人数（X10）作为衡量指标，旅游者的数量既能衡量环境状况又能拉动消费。房价通过商品房销售价格（X11）来衡量。 （二）银行网点布局影响因素的主成分分析
为了简化运算，运用主成分分析法将上述指标归纳为变量进行评价，主成分分析能够确定每个因素的贡献率，同时还能将变量简化为数量更少的综合因素，消除变量之间的相关性。
影响城市银行网点布局的各因素， 无论从指标的分级还是从计量单位上看， 都不具有可比性， 因此， 需要对指标进行标准化处理，采用中心化无量纲方法对原始数据进行处理，计算公式如下：
■
式中Zi为标准化后的指标值，Xi为原始指标值，E（x）为该项指标的平均值，S为该项指标的标准差。标准化后变量的均值为零，方差为1，其几何意义相当于将坐标原点移到重心。
主成分分析要求原始变量之间存在一定的相关性，通过对原始数据各变量之间的KMO检验发现KMO值为0.533，说明变量之间存在一定的相关性，可以对原始变量进行主成分分析。主成分分析结果表明：前两个主成分已经包含了原始变量中高达84.8%的信息，前两项主成分已经较好的反映了影响城市银行网点布局的因素。
通过SPSS的分析可以得到主成分载荷矩阵，每一个载荷量表示主成分与对应变量的相关系数ai，ai=ei■，利用主成分载荷矩阵以及各主成分对应的特征值，便可以得到主成分系数ei，ei=ai/■，在此给出前两个特征值所对应的特征向量，也即主成分的线性表示中的系数，即：
F1=0.29X1+0.27X2+0.34X3+0.35X4+0.32X5+0.31X6+0.24X7+0.29X8+0.31X9+0.30X10+0.27X11
F2=-0.38X1+0.48X2-0.16X3-0.12X4-0.29X5-0.22X6-0.20X7+0.38X8+0.30X9-0.08X10+0.41X11
通过对主成分的分析，可以发现第一主成分主要解释了X3、 X4 、X5、X6、X7、X9和X10，而第二主成分主要是解释X1、X2、X8、X11。通过两个主成分，可以将原始的数据进行处理，得到各区县的11个影响因素的降维后的值，计算结果如表1。
（三）银行网点空间布局和影响因素的回归分析
由于银行网点总数在空间上的布局不仅受到所在区县的影响，也受到周边区县的影响，即银行网点的服务范围不完全受制于行政区划的影响，为了检验这种分布特征，对银行总数的空间分布进行空间自相关分析。空间自相关是指地理事物分布于不同空间位置的某一属性值之间的统计相关性，所统计的内容包括空间对象的空间位置和其属性， 即每个对象与其它相邻统计分析对象之间的空间位置关系以及属性取值特征，通常距离越近的两值之间相关性越大。空间自相关性由空间自相关系数衡量，常用的空间自相关指标是Moran’s I，Getis G和Geary’s C，本文选用Moran’s I 指数[15]，其计算公式如下：
■
式中，Yi 和Yj 分别为i和j所在位置的观测值，？棕ij为权重。
运用Geoda软件计算银行总数的自相关指数，结果Moran’s I=0.1385，通过Z值检验P值为0.04<0.1，这说明银行网点的数量在0.1的水平上具有空间正相关性，即银行总数较多的区县和银行总数的区县相邻，而总数较少的区县相邻。
由于各区县的银行网点总数在空间上有较强的空间相关性，因此在银行网点布局和影响因素的回归分析过程中选取了空间回归模型，计算公式如下：
■
其中， y 为因变量， 权重矩阵W1反映因变量本身的空间趋势， 权重矩阵W2 反映残差的空间趋势， 一般应有0≤ρ<1， 0≤λ<1； X 为解释变量。由此， 整个空间线性回归方程受制于参数矢量θ=[ρ，λ，α]，常见的空间自回归模型有空间滞后模型（ y=ρWy+Xβ+μ） 、空间误差模型（ y=Xβ+ε，ε=λWε+μ）[12]。将影响银行网点布局因素的两个主成分值作为自变量，银行总数作为因变量，分别运用经典回归模型、空间滞后模型、空间误差模型进行回归分析，结果如表2所示。
表2a中列出了经典线性回归模型的拟合度、回归系数、标准误差、t检验值和显著水平，表2b和2c表示选用和表2a一样的自变量而建立的空间滞后模型和空间误差模型的参数结果。一般采用LIK（或AIC或SC） 指标来比较不同空间模型的拟合度[13]，从表2a和表2b 可看出， 空间自回归模型的LIK值和R2 值比经典回归模型的值要大， 从而显示出空间自回归模型的解释能力要强一些，通过2b和2c的比较我们可以发现2c的LAMBDA的P值为0.989即空间误差模型的模拟效果并不显著，而空间滞后模型的p值在0.05水平上是显著的，因此空间滞后模型的解释能力要比空间误差模型解释力更强，总之，空间滞后模型在解释银行网点的布局影响因素方面最好。
通过对主成分的回归发现，第一主成分对银行网点的布局的影响要明显高于第二主成分，而第二主成分主要解释人口密度（X2）、财政收入（X7）、公路总里程（X8）。银行网点的布局往往受门槛人口的影响，因此人口数量对银行网点的布局影响应该更大一些，而人口密度直接影响银行网点的密度；财政收入对银行网点的数量影响不是很大，主要是由于政府的财政收入是通过某些特定银行办理业务的，而并不是所有的银行都有机会服务于政府机关；而交通因素作为影响银行网点布局的一个重要因素的贡献率不是很高，主要是因为我们选取的数据是一级公路里程，一定程度上影响银行网点的布局，但银行网点更多的受到城市主干道、次干道等低级道路的影响，并且银行网点应该更倾向于停车比较方便的城市次级干道和交叉路口处。
四、结论与讨论
1、通过对北京市银行网点的密度分析，可以发现单位面积的银行数呈现圈层结构分布，并且与城市功能区的布局吻合较好，每万人拥有的银行数的分布比较均匀。 2、通过对各区县的银行总数进行空间自相关分析得出银行数量在空间上具有空间正相关性，即银行总数较多的区县和银行总数的区县相邻，而总数较少的区县相邻。
3、运用三种回归模型对提取的主成分和银行网点的数量之间的关系进行回归模拟，发现空间滞后模型模拟效果最好，并且得出了人口数量、GDP总量等七个因素的影响效果最显著。
参考文献：
[1] 杨香花.GIS辅助下的金融网点选址——以广州农业银行网点布局调整为例[D].长春：东北师范大学，2003.
[2] 瑞斯拉.劳拉詹南.金融地理学[M].北京：商务印书馆，2001：1-10.
[3] LG Goldberg， A Saunders. The determinants of foreign banking activity in the United States[J] Journal of Banking and Finance， March 1981（5）：17-32.
[4] F Moshirian， T Pham. Determinants of US investment in real estate Abroad[J]. Journal of Multinational Financial Management，2000，10（l）：63-72.
[5] Shaoming Chen， Roger R. Stough. Location decision of Japanese new manufacturing Plants in china： a discrete—choice analysis[J].Journal of Annals Regional Science，2006，40（3）：369-387.
[6] R.A. Brealey， E.C. Kaplanis. The determination of foreign banking Location[J]. Journal of International Money and Finance，1996，15（4）：577-597.
[7] 张文武.论银行营销渠道的结构调整[J].中国城市金融，2002，（03）：41-42.
[8] 梁家森、杨启忠. 银行网点的优化调整[J].中国金融论坛，2002，（0l）：15-16.
[9] 艾广峰.也谈本量利分析及在银行分析预测中的应用[J].金融会计，2001，（04）：24-31.
[10] 贺灿飞、傅蓉.外资银行在中国的区位选择[J].地理学报，2009，（06）：701-712.
[11] 王唏.跨国银行进入中国决定因素的实证分析[J].金融研究，2005，（08）：63-71.
[12] 王劲峰、廖一兰、刘鑫.空间数据分析[M].北京：科学出版社，2010：126-131.
[13] 张鸿辉、曾永年、金晓斌.南京市城市地价空间自相关分析[J].南京大学学报（自然科学），2009，（06）：822-830.
关键词：银行网点；回归模型；空间布局；影响因素
作者简介：李平（1985-），女，满族，吉林省社会科学院城市发展研究所实习研究员，硕士，研究方向：城市发展与产业经济；
邓丽君（1984-），男，长春市城乡规划设计研究院工程师，硕士，研究方向：城市与区域规划。
中图分类号：F832 文献标识码：A doi：10.3969/j.issn.1672-3309（x）.2013.11.48 文章编号：1672-3309（2013）11-104-04
引言
金融地理学是地理学的一个重要分支，其研究侧重在金融的空间差异、空间过程和空间相互作用[1]。由于金融部门的保密性缘故，较少披露详细的资料和信息，影响金融地理学研究的深入开展。最具代表性的成果是吉恩·拉贝斯的博士论文研究和瑞典经济地理学家瑞斯托·劳拉詹南出版的《金融地理学》[2]。当前国外金融地理学主要研究议题集中在地缘政治、地缘经济和金融排斥性等政治经济问题和有关货币、货币网络和金融中心研究等两大方面。
区位论对金融地理研究产生了很大的影响，金融地理学者从多个角度对金融行业的区位选择、金融业的集聚与扩散等问题进行研究，这些研究往往以金融中心作为主要切入点。不同金融机构具有不同的区位特征，这是其本身功能特征与社会经济现象的空间格局相互作用的结果，而银行网点选址是银行进行实体经营中首先要解决的问题，因此，银行网点选址也成为金融机构区位研究的一项重要内容。目前，关于银行网点选址的研究主要集中在具体国家或地区的选址，并且主要研究外资银行的选址及其影响因素，研究区域主要集中在美国和日本 [3][4][5]，而影响因素主要集中在跨国公司、国际贸易等有限的几个因素[6]。
国内有关金融及银行网点空间分布研究的主体是银行的从业人员，主要从金融网络及金融网点经营与管理的角度探讨[7]。改革开放以来银行网点的研究首先集中在不同类银行的发展形势、各大银行的功能定位，一些学者则从研究方法入手，为银行网点布局选址分析提出具体可行的方法[8][9]。银行区位选择研究主要集中在外资银行，以及外资银行的进入对中国银行业的影响[10][11]，而对中国银行业的区位选择和影响因素的研究却寥寥无几。试图以北京市银行网点为例，按照不同类别的银行进行研究，并从多方面分析其影响因素，运用空间回归模型等方法探寻银行网点的布局因素。
一、数据来源
选取北京市16个区县（旧东城和宣武合并为东城区，旧西城和崇文合并为西城区）为研究范围，选取中国银行、建设银行、工商银行、农业银行、交通银行、中信银行、华夏银行、民生银行、光大银行、浦发银行、深圳发展银行、广东发展银行、招商银行、兴业银行、北京银行、农村商业银行、邮政储蓄银行等18家银行作为研究对象。部分数据来源于2011年《北京市统计年鉴》。
二、北京市银行网点空间布局特征
通过GIS空间分析每平方公里上的银行数量（图1（a））可以看出，银行网点的布局符合圈层结构即银行密度从市中心向外递减。东城区和西城区银行密度超过9家/km2；朝阳区、海淀区、石景山区和丰台区密度在 1家/km2，延庆、密云、怀柔、大兴）的银行密度不到0.05家/km2，最高值与最低值相差348倍，银行在中心城区等优势地段高度集聚。
通过GIS空间分析单位银行的服务人数（图1（b））可以看出，东城区、西城区的值很低，即每个银行服务的人数较少，银行具有较高的密度，而门头沟区成为最低值区，每家银行的服务人数不足1500人。整体来看，北部单位银行服务的人数要少于南部区县，最小的西城区3211人与最大的昌平区10512人相差三倍左右，由此可见门槛人口的作用在银行的网点设置中发挥着较大的作用。
三、银行网点空间布局影响因素分析
（一）影响银行网点空间布局因素的选取
银行网点的发展过程非常复杂，但有其特殊的成长规律，银行网点的空间布局受经济、社会等多方面的影响，本文以评价的准确性和数据的可获取性为原则，选取了人口因素、经济因素和基础设施因素构建评价体系，选取具体指标分析评价银行网点空间布局的影响因素。
银行的服务对象是区域内的个人消费者，因此人口因素是影响银行网点布局的首要因素。人口因素涉及人口数量、密度和收入水平等方面，同时人口年龄、性别、职业和受教育程度都可能影响银行网点的布局，将人口总数（X1）、人口密度（X2）、人均可支配收入（X3）作为衡量人口因素的次级指标。
银行服务区域内的经济发展水平是影响银行业务量和业务类型的重要因素，区域内的企业、公司带来了大量的资金流动，同时地方政府的财政收入也会影响到银行网点的布局。因此，选取GDP总量（X4）、法人单位数（X5）、进出口总额（X6）和财政收入（X7）、服务业水平（X8）作为经济指标。服务业发展水平采用服务业的绝对指标，人均服务产品占有量，即限额以上第三产业收入和总人数的比值。
基础设施对银行网点布局的影响主要通过区位、环境和房价等因素。按照阿隆索的城市租金梯度理论，城市的中心区应适合布局商服产业，按照北京城市功能划分为首都功能核心区、城市功能拓展区、城市发展新区、生态涵养区，并分别赋值4、3、2、1，符合北京各区县与中央城区的距离递增关系，区位因素（X9）用赋值方法确定。环境因素主要考虑银行网点周围的环境状况，以旅游人数（X10）作为衡量指标，旅游者的数量既能衡量环境状况又能拉动消费。房价通过商品房销售价格（X11）来衡量。 （二）银行网点布局影响因素的主成分分析
为了简化运算，运用主成分分析法将上述指标归纳为变量进行评价，主成分分析能够确定每个因素的贡献率，同时还能将变量简化为数量更少的综合因素，消除变量之间的相关性。
影响城市银行网点布局的各因素， 无论从指标的分级还是从计量单位上看， 都不具有可比性， 因此， 需要对指标进行标准化处理，采用中心化无量纲方法对原始数据进行处理，计算公式如下：
■
式中Zi为标准化后的指标值，Xi为原始指标值，E（x）为该项指标的平均值，S为该项指标的标准差。标准化后变量的均值为零，方差为1，其几何意义相当于将坐标原点移到重心。
主成分分析要求原始变量之间存在一定的相关性，通过对原始数据各变量之间的KMO检验发现KMO值为0.533，说明变量之间存在一定的相关性，可以对原始变量进行主成分分析。主成分分析结果表明：前两个主成分已经包含了原始变量中高达84.8%的信息，前两项主成分已经较好的反映了影响城市银行网点布局的因素。
通过SPSS的分析可以得到主成分载荷矩阵，每一个载荷量表示主成分与对应变量的相关系数ai，ai=ei■，利用主成分载荷矩阵以及各主成分对应的特征值，便可以得到主成分系数ei，ei=ai/■，在此给出前两个特征值所对应的特征向量，也即主成分的线性表示中的系数，即：
F1=0.29X1+0.27X2+0.34X3+0.35X4+0.32X5+0.31X6+0.24X7+0.29X8+0.31X9+0.30X10+0.27X11
F2=-0.38X1+0.48X2-0.16X3-0.12X4-0.29X5-0.22X6-0.20X7+0.38X8+0.30X9-0.08X10+0.41X11
通过对主成分的分析，可以发现第一主成分主要解释了X3、 X4 、X5、X6、X7、X9和X10，而第二主成分主要是解释X1、X2、X8、X11。通过两个主成分，可以将原始的数据进行处理，得到各区县的11个影响因素的降维后的值，计算结果如表1。
（三）银行网点空间布局和影响因素的回归分析
由于银行网点总数在空间上的布局不仅受到所在区县的影响，也受到周边区县的影响，即银行网点的服务范围不完全受制于行政区划的影响，为了检验这种分布特征，对银行总数的空间分布进行空间自相关分析。空间自相关是指地理事物分布于不同空间位置的某一属性值之间的统计相关性，所统计的内容包括空间对象的空间位置和其属性， 即每个对象与其它相邻统计分析对象之间的空间位置关系以及属性取值特征，通常距离越近的两值之间相关性越大。空间自相关性由空间自相关系数衡量，常用的空间自相关指标是Moran’s I，Getis G和Geary’s C，本文选用Moran’s I 指数[15]，其计算公式如下：
■
式中，Yi 和Yj 分别为i和j所在位置的观测值，？棕ij为权重。
运用Geoda软件计算银行总数的自相关指数，结果Moran’s I=0.1385，通过Z值检验P值为0.04<0.1，这说明银行网点的数量在0.1的水平上具有空间正相关性，即银行总数较多的区县和银行总数的区县相邻，而总数较少的区县相邻。
由于各区县的银行网点总数在空间上有较强的空间相关性，因此在银行网点布局和影响因素的回归分析过程中选取了空间回归模型，计算公式如下：
■
其中， y 为因变量， 权重矩阵W1反映因变量本身的空间趋势， 权重矩阵W2 反映残差的空间趋势， 一般应有0≤ρ<1， 0≤λ<1； X 为解释变量。由此， 整个空间线性回归方程受制于参数矢量θ=[ρ，λ，α]，常见的空间自回归模型有空间滞后模型（ y=ρWy+Xβ+μ） 、空间误差模型（ y=Xβ+ε，ε=λWε+μ）[12]。将影响银行网点布局因素的两个主成分值作为自变量，银行总数作为因变量，分别运用经典回归模型、空间滞后模型、空间误差模型进行回归分析，结果如表2所示。
表2a中列出了经典线性回归模型的拟合度、回归系数、标准误差、t检验值和显著水平，表2b和2c表示选用和表2a一样的自变量而建立的空间滞后模型和空间误差模型的参数结果。一般采用LIK（或AIC或SC） 指标来比较不同空间模型的拟合度[13]，从表2a和表2b 可看出， 空间自回归模型的LIK值和R2 值比经典回归模型的值要大， 从而显示出空间自回归模型的解释能力要强一些，通过2b和2c的比较我们可以发现2c的LAMBDA的P值为0.989即空间误差模型的模拟效果并不显著，而空间滞后模型的p值在0.05水平上是显著的，因此空间滞后模型的解释能力要比空间误差模型解释力更强，总之，空间滞后模型在解释银行网点的布局影响因素方面最好。
通过对主成分的回归发现，第一主成分对银行网点的布局的影响要明显高于第二主成分，而第二主成分主要解释人口密度（X2）、财政收入（X7）、公路总里程（X8）。银行网点的布局往往受门槛人口的影响，因此人口数量对银行网点的布局影响应该更大一些，而人口密度直接影响银行网点的密度；财政收入对银行网点的数量影响不是很大，主要是由于政府的财政收入是通过某些特定银行办理业务的，而并不是所有的银行都有机会服务于政府机关；而交通因素作为影响银行网点布局的一个重要因素的贡献率不是很高，主要是因为我们选取的数据是一级公路里程，一定程度上影响银行网点的布局，但银行网点更多的受到城市主干道、次干道等低级道路的影响，并且银行网点应该更倾向于停车比较方便的城市次级干道和交叉路口处。
四、结论与讨论
1、通过对北京市银行网点的密度分析，可以发现单位面积的银行数呈现圈层结构分布，并且与城市功能区的布局吻合较好，每万人拥有的银行数的分布比较均匀。 2、通过对各区县的银行总数进行空间自相关分析得出银行数量在空间上具有空间正相关性，即银行总数较多的区县和银行总数的区县相邻，而总数较少的区县相邻。
3、运用三种回归模型对提取的主成分和银行网点的数量之间的关系进行回归模拟，发现空间滞后模型模拟效果最好，并且得出了人口数量、GDP总量等七个因素的影响效果最显著。
参考文献：
[1] 杨香花.GIS辅助下的金融网点选址——以广州农业银行网点布局调整为例[D].长春：东北师范大学，2003.
[2] 瑞斯拉.劳拉詹南.金融地理学[M].北京：商务印书馆，2001：1-10.
[3] LG Goldberg， A Saunders. The determinants of foreign banking activity in the United States[J] Journal of Banking and Finance， March 1981（5）：17-32.
[4] F Moshirian， T Pham. Determinants of US investment in real estate Abroad[J]. Journal of Multinational Financial Management，2000，10（l）：63-72.
[5] Shaoming Chen， Roger R. Stough. Location decision of Japanese new manufacturing Plants in china： a discrete—choice analysis[J].Journal of Annals Regional Science，2006，40（3）：369-387.
[6] R.A. Brealey， E.C. Kaplanis. The determination of foreign banking Location[J]. Journal of International Money and Finance，1996，15（4）：577-597.
[7] 张文武.论银行营销渠道的结构调整[J].中国城市金融，2002，（03）：41-42.
[8] 梁家森、杨启忠. 银行网点的优化调整[J].中国金融论坛，2002，（0l）：15-16.
[9] 艾广峰.也谈本量利分析及在银行分析预测中的应用[J].金融会计，2001，（04）：24-31.
[10] 贺灿飞、傅蓉.外资银行在中国的区位选择[J].地理学报，2009，（06）：701-712.
[11] 王唏.跨国银行进入中国决定因素的实证分析[J].金融研究，2005，（08）：63-71.
[12] 王劲峰、廖一兰、刘鑫.空间数据分析[M].北京：科学出版社，2010：126-131.
[13] 张鸿辉、曾永年、金晓斌.南京市城市地价空间自相关分析[J].南京大学学报（自然科学），2009，（06）：822-830.