数字金融、技术创新与区域经济增长

尹少华，罗汉祥

(中南林业科技大学 商学院，湖南 长沙 410004)

近年来，资源与环境约束导致中国经济再发展遭遇产业结构升级瓶颈，可持续经济增长动力亟待由“要素”“投资”驱动向“创新”驱动转变，技术创新正日益成为维持和推动中国区域经济可持续发展的决定性因素。[1]另一方面，数字金融作为一种高效、覆盖面广的金融服务，旨在构建一个汇集更多人、可持续、全方位的金融体系。[2]目前，已有文献从刺激消费需求、优化消费结构，促进产业结构升级、激励国际贸易发展以及缓解融资约束、释放资金潜力等层面阐述了数字金融对区域技术创新的激励效应，但承接国家“金融服务实体经济”的重要使命，数字金融是否可以直接作用于促进区域经济增长，或是通过技术创新激励路径间接实现它对区域经济增长的服务效能还有待实践检验。

数字金融诞生伊始，国内外专家、学者对这一领域的研究方兴未艾，伴随着数字金融量化测度技术的完善，研究方向逐渐从对定义、影响因素、风险与监管等纯理论形式的探讨，转为在指标测度基础上对减贫效应、创业、消费、产业结构优化 、创新、经济增长等方面的实证检验。[3-9]但关于数字金融、技术创新、经济增长关系的研究还存在空白。学者大多从单线关系入手，缺乏整体性关系研究体系的把握，使得该领域研究成果呈现出框架分散、研究内容单调等特点。

本文可能的创新点主要体现在三个方面。第一，首次将数字金融、区域技术创新与区域经济增长置于同一研究框架，检验数字金融服务实体经济的效能以及数字金融创新激励效应对经济增长的促进作用。第二，基于实际研究问题的需要以及克服内生性问题的考虑，本文综合采用静态、动态面板模型以及多路径检验机制围绕研究问题展开验证，最大程度上保证了研究结论的稳健性。第三，本文在稳健性检验部分，从创新投入层面对基准回归结果进行了二次验证，指标选取的创新与多样性既充分保证了实证研究结果的稳健性，同时也提供了该研究领域更丰富的指标选取经验。

数字金融会直接对区域经济增长产生显著影响。第一，数字金融增加了实体经济的融资渠道[10]，金融机构通过大数据技术获得潜在客户信息，基于云计算功能对信息进行价值分析，甄别出客户实际的信用与经营状况，在防范风险、降低成本的同时，能极大程度上缓解被传统金融机构排斥的长尾客户的融资约束困境，区域内投资项目得到资金支持，有利于实现区域经济的增长。第二，数字金融为区域实体经济带来了新的商业模式，数字化技术赋值后的金融模式为电子商务平台的正常运转提供了重要保障，不仅减少了市场分割干扰，还衍生出新的商业运营模式，便捷化支付与交易手段均不同程度、不同层面地刺激了区域经济增长。综上所述，本文提出如下假设：

H1：数字金融会直接且显著促进区域经济增长。

数字金融可通过刺激需求、优化需求结构[7]，缓解融资约束、释放资金潜力[11]，以及促进国际贸易发展[12]等路径实现其对区域技术创新水平的激励效应。一般来说，技术创新主要是通过以下渠道促进区域经济的发展。

首先，若创新成果能够满足或者带来新的市场需求则意味着该创新研发项目具有普遍认可度与较高潜力市场价值，新产品或服务的产生必将促进消费增加、消费结构变化，这会相应带来投资数量的上升与调整。[13]根据经济增长三驾马车的驱动理论，经济增长动力充足的情况下势必会带来区域经济的发展与进步。

其次，技术创新可以提高产品质量[14]，提升用户服务体验，锁定或拓展消费覆盖群体，并在降低生产成本的同时提高区域内企业的生产效率[15]，打破固有生产要素传统的组合形态，而后通过趋利性流动、匹配优化资源配置等，实现区域内经济增长。

最后，技术创新水平相对落后的地区会利用与技术创新水平发达地区的贸易活动，通过学习、模仿等手段提升该地区的技术创新水平[16]，有效的国际技术溢出路径反向活跃了国际贸易活动，带来区域经济进步。另外，率先开展技术创新的地区为了获得创新垄断利润会通过贸易方式率先抢占国际市场，本土企业为保护市场份额便会在竞争效应驱动下通过模仿或进行自主研发创新形成核心竞争力，整个过程必然会给区域经济注入新的活力，从而刺激区域经济的增长。

综上所述，本文提出如下假设：

H2：数字金融可以通过促进区域技术创新的路径间接实现其对经济增长的激励效应。

(一)样本与数据来源

本文选取2011～2020年中国31个省级面板数据。其中，产业结构调整指数、经济增长水平等代理变量构建数据来源于国家统计局，发明授权专利市场价值代理变量数据来源于复旦大学产业发展研究中心的《中国城市和产业创新力报告(2017)》，数字金融发展指数代理变量数据来源于北京大学数字金融研究中心的《北京大学数字普惠金融指数(2011～2020)》，传统金融发展水平代理变量数据来源于中经网统计数据库，研发投入密度数据来源于《中国科技统计年鉴》，外商直接投资、对外直接投资以及对外开放度等代理变量数据来源于Wind数据库，构建制度质量代理变量的数据来源于樊纲、王小鲁编制的《中国分省份市场化指数报告(2021)》，人力资本水平代理变量的数据来源于中央财经大学人力资本与劳动经济研究中心。

(二)变量说明

1.被解释变量

区域经济增长水平(GDP)。本文将采用各省人均实际GDP的对数值和人均实际GDP的增长率作为代理变量，分别衡量区域经济增长的规模和速度。

2.核心解释变量

数字金融发展指数(FI)。本文使用北京大学数字金融研究中心编制的北京大学数字普惠金融指数代表各地区数字金融发展程度，该指标具体测算方法详见《北京大学数字普惠金融指数(2011～2020)》。

3.中介变量

区域技术创新水平(Inno)。本文采用复旦大学和第一财经研究院利用微观大数据并通过专利更新模型估计的各区域发明授权专利市场价值(Inno)的数据，具体测算方法详见《中国城市和产业创新力报告(2017)》。

4.链条变量

产出变量。本文选取31个省自治区2011～2020年实际GDP作为产出变量。

劳动投入。基于数据可得性，本文以全社会年底从业人员数量作为劳动力投入数量。

资本投入。本文采用永续盘存法来对各省市的资本存量进行估算。

5.控制变量

参照已有关于区域技术创新的文献，本文选取以下指标作为控制变量纳入模型。①国际技术溢出的三条主要路径：外商直接投资(FDI)、对外直接投资(OFDI)、对外开放度(TRADE)，为各指标经按样本期间各年的平均汇率进行换算后与地区生产总值的比值；
[17，18]②研发投入密度(RDD)，为地区研发投入与地区生产总值的比值；
③传统金融发展水平(TF)，借鉴Lu and Yao和张宽、黄凌云的方法采用各省、自治区(除港、澳、台)的金融机构贷款余额与各地区生产总值的比值衡量各区域传统金融发展水平；
[19，20]④产业结构调整指数(Structure)，为第三产业年增加值与第二产业年增加值的比值；
⑤制度质量(Institutional)，本文将地区市场化指数作为制度质量的代理变量，数据来源于樊纲、王小鲁编制的《中国分省份市场化指数报告(2021)》；
⑥人力资本水平(HC)，本文将采用中央财经大学人力资本与劳动经济研究中心公布的各省人均实际人力资本水平作为区域人力资本水平的代理变量。

同时，本文也控制了年度固定效应和省份固定效应，以控制宏观层面因素的变化。为减少极端值对实证结果的影响，本文对所有连续变量在上、下1%水平上进行了缩尾处理。主要变量的定义如表1所示。

(三)模型设定

1.基准线性回归模型

考虑到数字金融可能存在对区域经济增长水平影响的滞后性特征，并在一定程度上缓解反向因果的内生性问题等，本文建立如下基准线性回归方程以验证研究假设H1：

为缓解内生性问题的影响，本文将使用两步系统GMM方法对上述模型进行检验。

2.机制检验模型

为验证H2内容，本文将利用三步式中介效应模型进行分析。我们将借鉴温忠麟、叶宝娟逐步回归系数法的中介效应检验机制程序构建如下方程：[21]

(2)

(3)

(4)

方程(2)(3)(4)为中介效应检验程序。第一步，检验方程(2)的系数θ1，若显著，进行第二步。第二步，查验方程(3)的系数φ1和方程(4)的系数μ2，如果两个都显著，则中介效应显著，转到第四步；
如果至少有一个不显著，进行第三步。第三步，用Bootstrap法直接验证H0：φ1μ2=0，如果显著，则中介效应显著，继续第四步；
否则中介效应不存在，分析终止。第四步，检验方程(4)的系数μ1，如果不显著，即为完全中介效应；
若显著，则为部分中介效应，进一步，若φ1μ2和μ1同号，中介效应占总效应的比重为φ1μ2/θ1。

根据Bootstrap检验机制的程序，如果间接效应的系数显著，且95%的置信区间不包括0，即中介效应成立。根据相关研究，当逐步回归系数法、Bootstrap的检验方法都显著的情况下，逐步回归系数的检验结果要强于Bootstrap检验的结果。[22]因此，若逐步回归系数φ1和系数μ2中至少有一个不显著，我们将汇报Bootstrap法的中介效应占比的检验结果，若两种检验方法的检验结果均显著，我们将利用逐步回归系数法的回归结果汇报中介效应占比的回归结果。

(一)描述性统计

表2报告了主要变量的描述性统计结果。结果显示，发明授权专利市场价值的标准差较大，说明区域间发明授权专利成果在市场化过程中出现了价值分层现象。数字化程度的均值最大，说明数字化技术赋值是总指数增长的重要来源。

表2 主要变量的描述性统计

(二)基本回归结果

考虑到作用机制的滞后性特征，实证分析中我们将对数字金融发展指数及其低维度指标做滞后一期处理，并在模型中进一步控制了上一期的技术创新水平(Innot-1)。随后，我们对模型(1)进行实证检验。

回归结果如表3所示，AR(1)与AR(2)的P值均超过10%的显著性水平，可以使用系统GMM进行检验估计。Hansen检验的P值结果不拒绝工具变量不存在过度识别的原假设，说明模型中工具变量的选择是有效的。Wald统计量结果也显示模型整体高度显著。因此，本文基于总样本回归的动态面板两步系统GMM的实证结果可信。在表3中，被解释变量的滞后一期项的系数在1%的水平上显著为正，证实了我国区域经济增长具有持续动态变化的特征。

表3 总样本动态模型回归结果

表3列(1)回归结果虽未表现出统计意义上的显著性，但数字金融发展指数估计系数为正。表3的列(2)中，数字金融发展指数的估计系数在1%的水平上显著为正；
另外，无论模型中是否包含控制变量，表3列(3)(4)中，核心解释变量即数字金融发展指数的估计系数均显著为正。以上结果均说明数字金融的发展显著促进了区域经济增长水平的提升，验证了H1中关于数字金融具有直接促进区域经济增长水平的存在性假设。

(三)机制检验结果

中介机制检验结果显示，发明授权专利市场价值作为中介变量的直接效应与间接效应均显著为正，且其95%的置信区间均不包括0，即意味着地区人均实际GDP作为经济增长水平代理变量时，区域技术创新水平的中介效应显著，属于部分中介效应的范畴，中介效应在总效应的比重为29.167%。经过计算，此部分中介效应的比重为19.355%，以上实证结果均肯定了H2假设内容的存在性。

机制检验的结果初步证实了H2假设内容，但是我们仍对其影响机制的内在作用机理缺乏必要理解。若数字金融激励区域内企业增加研发投入和创新产出为数量效应和短期效应，那么质量效应和长期效应即为数字金融通过研发投入的增加促进区域创新产出的提高进而加速技术进步带来全要素生产率的增长，最后改善区域经济增长水平和增强区域竞争力的因果链机制。关于研发投入、创新产出、全要素生产率、区域经济增长水平是基于“知识生产函数”的CDM结构模型。[23]后来Acosta等对该模型延伸为企业决定创新投入，创新投入影响创新产出，创新产出解释企业生产率。[24]CDM模型可以纠正企业是否进行研发投入的选择性，同时纠正研发和创新产出的内生性，并假设研发投入、创新和生产率之间具有同步性。因此，我们将进一步利用技术创新活动时间序列上的链条效应特点做细致展开，借鉴涂晶的研究[25]，通过构建结构方程模型，对数字金融-区域技术创新水平-地区经济增长水平之间关系做因果链条的路径分析(见图1)。

图1 因果链条路径的结构方程模型

其中，椭圆形边框内的内容代表潜变量，矩形边框里面的内容代表观测变量，圆形边框内的内容代表残差项。

(一)信度检验

本文利用SPSS软件对数据进行标准化处理的基础上进行信度与效度检验。但在进行检验之前，先采用下列的公式对数据进行无量纲化处理，使得其在(0,1)范围之内：

其中，X表示标准化数值，Xi表示第i个指标的原始数据；
Xmax、Xmin分别为每个指标变量中的最大值和最小值，a、b表示参数，设a=0.9,b=0.1。

我们将借鉴Hair et al.的研究结论[26]，运用Cronbach’s alpha指标对标准化的数据进行信度检验。结果显示，创新产出与地区经济增长水平等潜变量的Cronbach’s alpha值分别为0.832、0.809，均大于0.7，该结果说明数据之间的内部一致性水平较高，可以进行下一步分析。

(二)模型的适配度检验

我们将遵循与之相对应的标准考衡模拟路径的有效性。整体模型适配度检验结果显示，模型整体适配度卡方值P值为0.161，大于0.05，不能拒绝原假设，即模型协方差矩阵和样本协方差矩阵可以契合，说明上述结构方程模型与实际样本数据可以适配。进一步，从选取的其他部分指标检验结果看，各项指数均在可接受范围之内，说明模型的契合度可以接受，数据与模型整体的拟合状况良好。综上所述，可以使用该模型进行相关变量的路径分析。

(三)路径结果与分析

在确认模型中的路径均通过检验以及整体模型适配良好以后，我们将运用AMOS软件分析整体模型的路径结果，并基于此结果验证因果链条等相关内容的存在性。整体模型的具体数据如图2所示。

图2 结构方程路径结果图

检验结果显示，数字金融的发展促进了区域内研发投入的增加，研发投入的增加是创新产出水平提升的重要诱因，创新产出的增加与应用实现了区域整体的技术进步，而技术进步作为重要驱动力显著激励了区域经济增长水平的提升。H2假设内容再次得到支持，因果链条成立。图2可以很直观地看出这一因果链条机制。

为了更好识别数字金融发展与区域经济增长水平关系，本文将从关键变量选取和研究方法置换等两个角度开展针对基准线性回归与中介机制检验等部分的稳健性检验。

(一)针对基本回归结果的内生性问题探讨与稳健性检验

为增加基本回归结论的稳健性，本文还同时增加了静态模型估计及工具变量法的估计检验结果。回归结果显示，无论是从何角度衡量区域经济增长水平，数字金融发展指数的系数均在不同的显著性水平下为正，同样验证并支持了H1的内容。

本文选取的外生事件冲击分别为2013年“余额宝开张”，2014年“数字金融首次在政府工作报告中出现”以及2016年“央行颁布《G20数字普惠金融高级准则》”。一方面，这三个事件或政策满足了相关性要求。另一方面，这三个事件或政策均属于外生的、全国范围内一次性铺开的事件冲击，以上述外部事件冲击作为数字金融发展指数的工具变量能够尽可能地避免与分离因该工具变量的地域性差异影响而对数字金融作用造成的外部干扰，且其外生属性也意味着以上政策、事件与区域技术创新不相关，满足了工具变量需具备的外生性要求。

本文以各事件冲击哑变量的滞后一期与数字金融发展指数滞后两期的乘积作为数字金融发展指数滞后一期的工具变量。回归结果显示，工具变量法第一阶段回归结果中F统计量均超过10，说明模型设定中并不存在弱工具变量问题，工具变量法的估计结果真实、有效。数字金融发展指数的系数仍然显著为正，该结果与原文中利用两步系统GMM的估计结果相一致，再次验证并支持了H1的假设内容。

(二)针对机制检验部分的内生性问题探讨与稳健性检验

本文采用创新投入端数据，即研发投入密度作为区域技术创新水平的代理变量，验证数字金融于区域技术创新水平衍生、长期效应的存在性。

回归结果显示，间接效应估计系数结果显著为正，95%的置信区间不包括0，即意味着研发投入密度作为区域技术创新水平代理变量的中介效应显著。直接效应估计系数结果显著为正，95%的置信区间不包括0，部分中介效应显著。其中，数字金融促进区域经济增长水平提升的直接效应为0.640，数字金融通过激励区域内技术创新水平进而促进区域经济增长水平提升的间接效应为0.288，中介效应在总效应的比重为31.034%。用地区人均实际GDP增长率衡量地区经济增长水平、研发投入密度作为区域技术创新水平代理变量的中介机制，检验结果显示，中介效应在总效应的比重为30.964%。

综上所述，利用逐步检验回归系数法与系数乘积检验法相结合的方式，通过置换区域技术创新水平的代理变量进行机制效应检验的诸上回归分析结果与前文机制检验部分的结论一致，再次验证了H2假设内容，即区域技术创新作为机制变量的合理性以及数字金融于区域技术创新水平激励效果的衍生、长期效应显著。与此同时，从各区域技术创新水平代理变量的中介效应占比结果看，支持了国家倡导并实施创新驱动战略、数字金融服务实体经济的合理性与价值。

(一)结论

本文运用2011～2020年31个省、自治区的面板数据，检验了数字金融、区域技术创新水平与区域经济增长之间的关系。实证研究结果表明，首先，数字金融对提升区域经济增长水平的确具有显著影响，且该显著影响在东部与中部地区较为卓著。其次，该影响的实现路径之一为区域技术创新驱动，即数字金融可以通过促进区域技术创新水平的提升进而实现该地区经济的增长。最后，本文发现，该路径隐含着更为细致的关于技术创新活动的因果链条传导路径，即数字金融的发展促进了区域内研发投入的增加，研发投入的增加是创新产出水平提升的重要诱因，创新产出的增加与应用实现了区域整体的技术进步，而技术进步作为重要驱动力显著激励了区域经济增长水平的提升。

(二)建议

1.加快数字金融这一新型金融服务模式在中国的布局。第一，提高大数据等技术的场景应用能力，这一过程同时包括输入、输出两个端口；
与此同时，大数据技术情景化的应用能力方面，还要加快其在渠道、场景端的应用布局。第二，做好数字金融风险防控，坚持市场化、法治化、国际化原则的统一，尊重国际共识和规则的基础上，将金融活动全面纳入监管，有效防范风险，保证金融系统的安全性与稳定性。

2.正确引导与实施创新驱动战略，充分利用和发挥技术创新自身以及数字金融作用于区域技术创新过程中在时间维度上、区域间的空间溢出效应。首先，地区管理当局应从政策层面合理、科学利用区域技术创新行为的外溢特征，引导技术创新为区域内实体经济提质增效。其次，利用数字金融创新“激励效应”的空间外溢特征，通过学习经济背景相似地区先进的金融场景数字化赋值方法等助力区域内技术创新研发行为，切实提升区域内创新产出数量与市场认可度。