数字金融、产业集聚与高技术产业技术创新

陈艳勤

(桂林理工大学商学院，广西 桂林 541004)

以医药制造、电子通信等为主要组成部分的高技术产业具有知识技术密集度高、资源能量消耗少、研发投资大及产品附加值高等特点，在推动产业结构优化升级、实现经济高质量发展方面具有重要战略意义。大力推动高技术产业技术创新水平的稳步提升是落实创新驱动发展战略、实现经济高质量发展目标的共同要求。然而，各区域高技术产业囿于高投入和高风险的行业特征，一直面临着不同程度的融资约束问题。将传统金融发展模式与信息处理、大数据及云计算等技术融合发展的数字金融，为高技术产业创新活动提供了有力支撑。数字金融对技术创新的相关研究可归结为两个角度：一是宏观区域技术创新。数字金融对区域技术创新水平[1]和创新质量[2]的正向促进作用已经得到普遍认可，也有部分学者发现数字金融与创新效率之间存在着非线性发展关系[3]。二是微观企业技术创新。研究表明，数字金融可以通过增加资金的流动性[4]、降低融资成本[5]、降低企业杠杆水平[6]等途径对企业不同阶段的技术创新产生积极影响，从而促进企业技术创新能力的提升。

从文献研究来看，产业集聚与技术创新之间的研究相对丰富，主要有以下研究结论：一是高技术产业集聚促进了技术创新，产业集聚能够激励研发活动[7]、促进创新产出[8]、提高专利转化率[9]，从而对技术创新绩效产生积极作用；
二是高技术产业集聚一定程度上抑制了技术创新，谢子远发现产业集聚与技术创新之间存在非线性关系[10]；
童鑫也得出专业化集聚与技术创新之间存在倒U型关系、多样化集聚与技术创新间存在U型关系的研究结论[11]。

1.1 数字金融对高技术产业技术创新的激励效应

尚处于蓬勃发展状态的高技术产业是未完全成熟的[6]，需要持续稳定的资金投入。然而，传统金融机构在向企业提供金融服务时出于规避风险的考虑，倾向于选择规模大、风险低的企业作为放贷对象，与我国高技术产业民营性质企业居多、风险较高、需要持续稳定的资金支持的发展现状相矛盾，严重制约产业发展。数字金融的出现为解决融资难、融资贵难题提供了可行途径。首先，数字金融能够利用现代信息技术快速识别、收集、处理和分析海量企业运营信息，增强金融机构与企业间的信息透明度，提高企业获取金融服务的可能性[12]；
其次，数字金融突破了时空限制，简化了信贷流程，降低了交易费用，同时也创造出更多高技术产品的市场需求，这就使得高技术企业可以以更短的时间[13]、更低的门槛和交易成本获取优质的金融服务，扩大的市场需求也会改善行业的经营状况，从而促进高技术产业技术创新[4]；
最后，以数字技术为支撑的金融机构，在吸收以“多、小、散”为特征的长尾投资者的资金方面具有天然优势，增加了金融体系的资本存量，进一步提升高技术产业获取金融支持的可能性。

据此，提出假设1：数字金融可以激励高技术产业技术创新水平提升。

1.2 数字金融对高技术产业技术创新的作用机制

首先，数字金融发展对产业集聚的影响。数字金融通过创新投融资渠道吸收大量闲散资金并在有效风险管控之下将其放贷给小微私营企业，金融体量的扩张和信贷效率的提升可以促进区域内资本收益率提升，在规模报酬递增的情况下会激励企业扩大生产规模[14]，也会吸引区域外的企业在此建立分部，从而推动产业集聚。随着生产规模不断扩大，中间产品的需求量快速增长[15]，为了节约运输成本，中间商有动力将生产车间转移到集聚区内，产业链的延伸强化产业集聚水平。其次，产业集聚对技术创新水平的影响。集聚初期，各创新主体之间的经验交流、信息共享等行为形成创新网络，能有效降低技术和市场的不确定性、突破单个主体创新能力极限[16]，从而促进高端技术创新；
同类型企业为了降低生产成本、抢占市场份额，不断增加研发投入进行工艺改进、产品创新，也会促使技术创新水平提升。随着集聚水平逐步提升，交通拥挤、环境恶化、恶性竞争等现象逐渐显现，溢出效应也会引起越来越多的“搭便车”行为，从而抑制技术创新。鉴于高技术产业是我国当前乃至未来一段时间内产业结构优化升级的引擎[10]，高技术产业集聚对技术创新的影响以集聚效应为主。

据此，提出假设2：数字金融可以通过产业集聚促进高技术产业技术创新。

2.1 模型设定

2.1.1 基准回归模型

借鉴谢婷婷等[5]模型设计，本文设定如下基准模型：

Lteci,t=β0+β1Lfini,t-1+β2Xt-1+Yt+Ii+εi,t

其中，i表示省份，t表示时间；
Ltec代表高技术企业技术创新水平；
Lfin为省际层面数字金融指数；
X为各个控制变量；
Y、I和ε分别表示时间、个体虚拟变量和随机扰动项。模型中所有的解释变量滞后一期，用以缓解内生性问题。

2.1.2 中介效应模型

为了进一步验证高技术产业集聚中介作用的存在性，参考温忠麟等[17]研究成果，本文采用逐步回归法进行机制检验，模型如下：

Lteci,t=β0+β1Lfini,t-1+β2Xt-1+Yt+Ii+εi,t

aggi,t=α0+α1Lfini,t-1+α2Xt-1+Yt+Ii+εi,t

Lteci,t=γ0+γ1aggi,t-1+γ2Lfini,t-1+γ3Xt-1+Yt+Ii+εi,t

其中，agg表示高技术产业集聚水平。β1表示数字金融对高技术产业技术创新的总效应，α1×γ1反映了高技术产业集聚的中介效应，γ2反应了数字金融对高技术产业技术创新的直接效应。预计β1、α1、γ1和γ2的数值显著为正，β1>γ2，表示高技术产业集聚在数字金融驱动高技术产业技术创新过程中发挥部分中介作用。

2.2 变量设定与数据来源

2.2.1 变量设定

被解释变量：高技术产业技术创新(Ltec)，以高技术产业专利申请数的对数作为代理变量。

核心解释变量：数字金融指数(Lfin)，使用北京大学数字金融研究中心编制的数字普惠金融指数，及其分指数覆盖广度(Lfingd)、使用深度(Lfinsd)和数字化程度(Lfinsz)，并作对数化处理。

中介变量：产业集聚(agg)，本研究将采用区位熵法测量各个省、市的高技术产业集聚水平。计算公式如下：

其中，aggit代表i省或市t年高技术产业集聚水平；
Uit为i省或市t年高技术产业从业人员年平均人数；
Eit为i省或市规模以上工业企业平均用工人数；
Ut为t年全国高技术产业从业人员年平均人数；
Et为t年全国规模以上工业企业平均用工人数。

控制变量：人力资本水平(peo)，以平均受教育年限衡量；
政府干预程度(gov)，用财政支出与地区生产总值的比值衡量；
外商投资(fdi)，以外商投资企业年末登记的投资额与地区生产总值的比值衡量；
市场化水平(mar)，用国有及国有控股企业主营业务收入与规模以上工业企业主营业务收入的比值表示；
基础设施水平(jc)，用各省市每万人铁路公路里程数表示。

2.2.2 数据来源

本文构建了2011—2019年30个省市的面板数据，并对数据做了如下处理：第一,西藏自治区数据缺失较多，将其剔除；
第二，采用均值法对缺失数据进行填充；
数字金融数据来源于北京大学数字金融研究中心发布的省际《北京大学数字金融普惠金融指数》，其余数据均来自全国及各省市统计年鉴。描述性统计见表1。

表1 变量描述性统计

3.1 基准回归分析

表2第(1)列和(2)列结果表明，无论是否加入控制变量，数字金融均可以在1%的显著水平下促进高技术产业技术创新，从而假设1得到验证。表2第(3)～(8)列是数字金融分指数对高技术产业技术创新的回归结果，其中，覆盖广度和使用深度的弹性系数为正且通过了1%水平下的显著性检验，数字化程度的弹性系数为负但不显著。数字化程度对高技术产业技术创新的影响之所以与总指数表现出相反的作用方向，可能的原因在于数字化程度的提升，金融服务的移动化和便利化得到了改进，从而增强了金融资源的流动性，使得多数欠发达地区的创新资源流向少数发达地区。

表2 基准回归结果

3.2 稳健性检验

为了确保基准回归结果的稳健性，本文进行了以下稳健性检验：第一，更换被解释变量的衡量方法。将高技术产业新产品销售收入的对数作为被解释变量再次进行回归；
第二，剔除直辖市数据。在经过上述操作后，数字金融及其分指数对高技术产业技术创新的作用方向和显著性并没有发生变化，基准回归结果具有一定稳健性。

根据中介效应模型，对模型(1)～(3)进行依次回归，结果如表3所示。第(1)列，数字金融回归系数显著为正，说明数字金融对高技术产业技术创新的激励作用显著；
第(2)列，数字金融的回归系数显著为正，说明数字金融可以有效促进高技术产业集聚；
第(3)列，数字金融和产业集聚的估计系数为正，且均通过了1%置信水平的显著性检验，系数α1和系数γ1的显著，说明产业集聚的中介效应存在，系数β1大于系数γ2，说明产业集聚起到了部分中介效应的作用，中介效应(α1γ1)占总效应(β1)的比例为12.2%，研究假设2得到验证。

表3 机制检验：产业集聚

数字金融总指数、分指数覆盖广度和使用深度均能显著促进高技术产业技术创新，分指数数字化程度的提升使金融服务的移动化和便利化得到了改善，从而增强了金融资源的流动性，使得多数欠发达地区的创新资源流向少数发达地区，从而对高技术产业技术创新表现出抑制作用；
数字金融不仅可以直接促进高技术产业技术创新，还可以通过推动高技术产业集聚进而激励高技术产业技术创新。

对此，建议加快数字金融基础设施建设，推动传统金融机构借助大数据、云计算等信息技术进行系统升级，增强金融服务实体经济的能力，同时，也要协调好数字金融基础设施建设与高技术产业的区域分布，最大限度地发挥数字金融对高技术产业的创新激励作用；
各地政府需要共同合作完善金融监管网络，为数字金融发展保驾护航。