金融科技創新如何影響全要素生產率：促進還是抑制？
——理論分析框架與區域實踐

唐 松，賴曉冰，黃 銳

(廣東金融學院 行為金融與區域實驗室，廣東 廣州 510521)

一、引言

中國經濟已由高速增長轉變為高質量發展階段，其核心就是對內轉變經濟增長方式，由傳統增加要素投入的“粗放式”增長向提高全要素生產率的“集約式”增長方式轉型；對外通過創新產業發展提升國際競爭力，邁向全球產業供應鏈中高端。但中國經濟高質量發展的背后同樣面臨全要素生產率增長乏力，外部環境顯著惡化等問題。反映在現實層面即是內部創新動力不足引致的經濟轉型成本增大，加之產業創新驅動外部市場需求端的環境沖擊，特別是中美產業分工逐步從互補向競爭關系轉變[1-2]，導致2018年以來的中美貿易爭端，進一步壓縮了創新發展轉型的窗口期。毫無疑問，通過創新驅動進而提升全要素生產率作為保障經濟高質量運行的重要前提，已然成為當下學界關注的焦點之一。

金融是實現創新驅動的重要條件，在金融支持下的先進科技融合創新，有助于提高金融服務供給質量與資源配置效率。特別是金融科技(Fintech)[注]金融科技(financial technology)，簡稱Fintech。根據金融穩定理事委員會(FSB)的定義，金融科技指技術帶來的金融創新，它能創造新的業務模式、應用、流程或產品，從而對金融市場、金融機構或金融服務的提供方式造成重大影響。的發展，利用大數據、云計算、人工智能、區塊鏈等技術在金融領域的融合創新，在一定程度解決信息不對稱問題，拓展金融服務的應用邊界，增加金融服務的有效供給，從而滿足實體部門要素生產需求。與此同時，金融科技依托自身的網絡化發展，有益于開拓技術知識溢出渠道，在一定程度上幫助技術知識在區域間的開放和流動，加速創新產業集群發展，為區域實體部門的要素生產活動提供內在動力。數據顯示[注]數據來源于埃森哲對研究機構CB Insights數據的分析報告。，2010年至2017年期間，全球投資總額達到977億美元，總資金復合年增長率為47%；到2018年，全球金融科技投資額攀升至553億美元，中國金融科技投資額亦創出255億美元新高(接近2017年全球金融科技投資總額)。可見，現階段中國乃至全球金融科技的快速發展，為不斷提高金融服務的普惠性和便捷性，繼而促進全要素生產率增長提供現實可能性。

但不可否認，金融科技創新也會衍生出新的風險。一方面，由于監管存在滯后性，金融科技又具備技術快速迭代和金融產品轉化周期短的特征，容易突破現行監管框架[3]，會導致風險頭寸不斷積累和蔓延；另一方面，金融科技創新過程并沒有脫離金融屬性，在技術創新推動下，金融科技所內含的金融風險將呈現更快速、隱蔽、多渠道傳導，最終對實體部門要素生產過程產生一定抑制作用。因此，在考察金融科技發展是否有利于提高全要素生產率的同時，如何遵循技術運行規律與金融法規邊界內，有效借助金融科技中的創新驅動機制，在防范創新所引發的風險前提下，促使金融業與實體部門的技術革新，優化要素生產環境，提升全要素生產率。這對于當前中國經濟高質量發展背景下，有效把握穩增長和防風險之間的平衡具有重要的理論意義與實踐價值。

現有文獻有關金融科技創新與全要素生產率的研究主要基于微觀層面、產業層面和宏觀層面，旨在探討技術驅動下的金融創新給要素生產過程帶來的機遇和風險。從微觀層面來看，部分研究以技術進步為導向，認為金融科技涵蓋金融領域的數字創新和技術支持的商業模式創新，其通過革新現有企業對產品與服務的生產及交付方式[4]，為投資者提供創新性后臺服務、教育和培訓，帶來技術的進步[5]。另有研究以資源配置效率為導向，發現金融科技基于技術創新優勢，一方面可以利用區塊鏈技術的不可篡改特性解決交易雙方信任問題，有效釋放生產力[6]；另一方面通過大數據分析和處理克服信息不對稱問題，譬如在沒有實體投資情況下提供貸款服務，有效匹配資金供求雙方成交意向，拓展金融服務范圍[7-8]，提升金融資源配置效率。就產業層面而言，金融科技創新顛覆了以間接融資為主的金融資源配置模式，對傳統金融業產生一定挑戰[9]。然而，傳統金融業在金融科技支持下亦能將挑戰轉化為機遇。有學者指出，信息科技與金融部門融合創新產生乘數效應，有助于提高經濟產出和生產率[10]，諸如IT技術與支付、匯款及資產管理等金融服務的融合創新，產生電子、數字和金融科技服務，不斷推動生產力發展[11-12]。值得注意的是，金融科技創新的出現必然同時存在機遇和挑戰。從宏觀層面來看，金融科技創新催生的風險容易突破地理邊界，并伴隨風險更具傳染性、隱蔽性和系統性[13]，沖擊實體經濟運行。但大數據、云計算、分布式賬本技術等金融科技的應用，也有利于風險識別與管理，并降低自身風險集中度，實現金融體系穩定，提高資源配置效率[14]。綜合而言，盡管有關金融科技創新與全要素生產率的研究已經閃現部分成果，但從區域視角探求金融科技創新的空間溢出機制對全要素生產率的空間影響研究，越來越受到金融、區域科學等領域學者關注。事實上，不同地區間的經濟事物往往存在空間相關性[15]，金融科技創新過程本身產生的空間知識溢出對周邊地區全要素生產率的影響，能促使金融資源要素跨區域流動，若忽視金融科技創新與要素生產之間的“地理特征”，將使其問題導向的理論研究框架和實踐價值產生缺陷。

相較于以往研究，主要貢獻有兩點：第一，探索性的以金融科技創新為切入點，在理論上深入闡釋金融科技創新通過何種路徑提高全要素生產率；第二，基于空間計量方法，考慮到金融科技創新的空間溢出效應和區域全要素生產率的空間關聯性，并建立多種空間面板計量模型實證檢驗金融科技創新對區域全要素生產率的直接影響和空間溢出影響。

文章后續安排如下：第二部分從區域內部層面和區域間(空間)層面對金融科技創新與全要素生產率之間的傳導機制進行理論分析；第三部分在傳統面板OLS模型上引入空間因素構建SAR、SEM和SDM模型，并進行數據說明和描述性統計；第四部分為金融科技創新與全要素生產率之間關系的實證分析；第五部分是全文結論與政策啟示。

二、理論分析框架

近期以來，金融科技在中國得到快速發展，金融與科技創新融合的發展趨勢，正在改變傳統金融資源配置方式，影響要素生產過程。本文試圖從金融科技創新角度出發，首先通過長尾理論，在區域內部層面探討金融科技創新如何發揮長尾效應進而作用于全要素生產率；另一方面基于知識溢出理論，在區域間層面剖析金融科技創新如何對全要素生產率產生空間知識溢出。

(一)區域內部層面金融科技創新與全要素生產率之間的形成機制

區域內部金融科技創新與全要素生產率之間的作用機制，可通過催生長尾市場的方式促進全要素生產率提升。根據長尾理論，位于正態曲線兩端需求量小、差異化大的尾部非流行市場，其市場規模累加的結果將超越位于正態曲線頭部的流行市場。由于物理網點等限制，傳統金融服務模式更偏向于“二八定律”，將有限的資源和精力傾注于少量高端客戶，在某種程度上被動地忽略長尾市場這一價值洼地的開采。但金融科技的出現，為打破“二八定律”服務困境、完善普惠性金融服務提供另一種可能性。金融科技依托底層的大數據、云計算、人工智能和區塊鏈等技術創新，深刻重構現行交易規則和技術、支付和清償系統、規制與監管制度等領域的金融基礎設施，在金融服務供給層面產生新商業模式、技術應用、業務流程和創新產品，推動金融新業態形成。諸如智能投顧、保險科技、股權眾籌、移動支付等金融新業務模式，實現金融服務方向從線下到線上轉變，服務邊界從高端向普惠性拓展，為長尾需求群體提供多樣化金融服務。值得注意的是，金融科技基于技術創新對金融功能的深入發掘，不僅顛覆傳統金融機構物理網點限制，也催生以民營企業需求群體為主的長尾市場。具體而言，金融科技通過對金融機構和非金融企業的基礎信息大數據展開實時和智能化搜集、分析、決策和共享，輔以去中心化的分布式記賬技術保證企業信息數據安全性并降低信任風險，可以大幅降低長尾市場信息不對稱成本，并在強虹吸效應下擴大對民營企業需求群體的金融服務范圍，改善對具備創新實力卻無法融資的企業甄別能力，進而強化金融資源對富含技術創新項目的有效配置，促成全要素生產率提高。基于此，提出以下命題：

命題1：區域內部層面，金融科技創新有助于提升區域全要素生產率。

(二)區域間層面金融科技創新與全要素生產率之間的傳導機理

從區域間層面考察，金融科技創新在空間知識溢出作用下推動區域全要素生產率提升。知識溢出理論在空間的應用，表現為地理區位之間無意識的知識交流與傳播過程，即發生空間知識溢出。具體到金融科技創新利用空間知識溢出提高全要素生產率的路徑主要有兩種：第一種路徑基于網絡效應，通過金融科技創新加速顯性知識的空間溢出提升區域全要素生產率。金融科技借助大數據、云計算、人工智能和區塊鏈等一系列技術支持下的創新行為本身，具有技術知識特征。首先金融科技運用大數據、云計算等網絡化技術分析工具，依賴于互聯網進行傳播和應用，而互聯網具有顯著的網絡效應[16]，其創新活動在網絡效應作用下打破知識傳導的地理限制，加速顯性知識跨區域傳播；其次鄰近區域吸收主體通過學習模仿其先進的技術知識，吐故納新，在助推技術進步和效率提升的同時也能控制企業在技術研發過程中遇到的財務風險。

第二條路徑則基于人員流動效應，通過攜帶金融科技創新知識的人才在區域間流動，在合理配置人員與技術對接的同時加快技術知識吸收[17]，能夠拓展隱性知識的空間溢出渠道，最終實現區域全要素生產率增長。換言之，由于隱性知識較難編碼和記錄[18]，其傳播過程主要通過人與人之間的直接交流來完成[19]。具體到金融科技領域，其創新人才在區域間流動引發空間知識溢出，產生流動效應；而流動效應將對企業創新產生積極影響[20]，不僅能夠強化隱性知識在不同區域和企業群體之間傳遞和交流，還會拓展隱性知識空間溢出渠道；鄰近區域的技術知識吸收主體在模仿效應作用下助力自身技術進步和效率提高，進一步促使全要素生產率上升。鑒于此，提出以下命題：

命題2：區域間層面，金融科技創新能促進知識的跨區域傳導，即發生空間知識溢出，推動周邊地區全要素生產率增長。

從風險監管視角考量，由于傳統金融監管缺乏同步和自動化特性，快速更新的金融科技產品和技術能夠輕易地突破現有監管框架，對金融部門基本面構成沖擊[21]；并在利益驅使下采用更高風險金融工具進行監管套利，導致風險頭寸不斷積累和蔓延，誘發系統性金融風險，從而制約實體部門要素生產進程，阻礙全要素生產率增長。因此，金融科技創新對全要素生產率并非只產生積極作用。就金融屬性而言，金融科技創新仍存在金融風險外部性和順周期性，隨著技術創新延伸會增加風險傳染的突發概率和波動幅度，其風險地形成會引致跨部門、跨行業、跨區域交叉傳染，擴大實體部門風險敞口，惡化實體部門在要素生產時所處發展環境，進而對全要素生產率的提升產生阻力。就現實而言，中國金融科技正處于發展初期，大部分停留在傳統金融基礎上拓展金融服務范圍，激發客戶獲取金融服務的欲望和需求[22-23]，為金融服務實體部門做出重要補充；其作用形式更多表現為金融科技對傳統金融部門的技術知識溢出，實現傳統金融部門技術升級改造，對系統龐大的傳統金融部門風險沖擊力度極為有限。與此同時，金融科技創新在監管機構的應用也催生了監管科技(Reg Tech)發展，其對監測機構行為、風險定價、信息渠道獲取和信用評估等領域的深刻重構，并結合監管技術創新制定監管標準，可為金融創新行為實施智能合規管理，精準監測和排查風險[24]，避免監管套利的發生，在一定程度上彌補傳統金融監管覆蓋面不足等問題，保障金融科技創新對實體部門進行技術傳導和金融服務的有效實施。據此，整體來看，現階段金融科技創新對全要素生產率的促進作用要遠遠大于其抑制作用。

三、空間面板計量模型構建、變量與數據

(一)空間面板計量模型構建

傳統OLS模型僅僅在區域內部揭示變量與TFP之間的作用關系，而沒有從空間視角出發，忽略了變量的區際流動對TFP的空間溢出影響，造成計量結果嚴重偏離實際情況。為此，本文首先構建OLS模型，并對其殘差項進行空間相關性檢驗，以進一步說明加入空間項的必要性；另一方面，分別建立含有空間滯后項(ρWTFP)的SAR模型、含空間誤差項(λWμ)的SEM模型和同時考慮空間滯后項(ρWTFP)、空間交互項(φWX)的SDM模型。

TFP=Inconst+βX+ε

(1)

TFP=Inconst+ρWTFP+βX+ε

(2)

TFP=Inconst+βX+μ

(3)

μ=λWμ+ε，ε～N(0，σ2In)

TFP=Inconst+ρWTFP+βX+φWX+ε

(4)

其中，(1)式為不考慮空間因素的傳統OLS模型，(2)、(3)、(4)式分別為SAR、SEM、SDM模型的一般形式。TFP表示因變量全要素生產率，X為自變量，包含核心解釋變量金融科技創新(Fintech)及一系列控制變量(數據說明部分進行解釋)，const為截距項，In為n*1的列向量，In為n*n的單位向量，μ與ε表示服從正態分布的隨機擾動項，W為空間權重矩陣，β表示自變量的回歸系數，φ、ρ與λ分別表示空間交互項系數、空間自回歸系數和空間誤差系數。

(二)空間溢出效應度量

當存在空間溢出效應時，SDM模型的空間項系數無法直接測算自變量對TFP產生的空間溢出影響，Lesage和Pace(2009)采用偏微分方法，將自變量對因變量的作用具體分解為直接效應、間接效應與總效應[25]，更加直觀測度兩者之間的關系，具有較好的解釋力度。其中，直接效應為自變量變化對本地區TFP的影響；間接效應(空間溢出效應)反映自變量變化所引致周邊地區TFP的影響；總效應為直接效應與間接效應之和，表示自變量對區域內部以及區域外部TFP的總體作用。

具體的，將SDM模型中ρWTFP項左移，將等式兩邊同時乘以(In-ρW)-1，等式轉化后可得：

TFP=(In-ρW)-1*(βX+φWX)+(In-ρW)-1*(Inconst+ε)

(5)

(6)

其中，Pk(W)=(In-ρW)-1*(Inβk+φkW)；Q(W)=(In-ρW)-1*(Inconst+ε)。將(2)矩陣擴展可轉化為：

(7)

(三)變量與數據

1．被解釋變量：全要素生產率(TFP)

根據TFP的構成，可分解為技術效率提升和技術進步[26]。目前國內外有關TFP的測度方法主要包括基于非參數運算的數據包絡分析法(DEA)和基于參數運算的隨機前沿分析法(SFA)。其中，DEA模型無需設定函數具體形式[27]，通過輸出確定性前沿的方式來拒絕在優化問題中所出現的隨機錯誤，但其忽略了隨機因素地沖擊作用，且無法就模型的設定進行適宜性檢驗[28]。SFA模型考慮到隨機誤差(v)與技術無效率()因素，尤以變彈性超越對數生產函數形式增強了模型的包容性，并通過參數檢驗方法及函數有效性檢驗確立更好的擬合效果[29]。因此，參考白俊紅和卞元超(2016)等人研究，采用SFA模型構建超越對數生產函數[30]，對中國31省域TFP展開估算。具體形式如下所示。

lnYit=0+1*lnKit+2*lnLit+0.53*

(lnKit)2+0.54*(lnLit)2+5lnKit*lnLit+(vit-μit)

(8)

式(8)中，Yit表示地區i在t年的實際GDP；Kit表示資本存量，運用永續盤存法估算，關于基期資本存量的測度，參照Hall和Jones(1999)的做法Ki0=Ii0/(gi+σ)[31]；其中，Ki0為i地區基期資本存量，Ii0代表基期固定資本形成額，gi表示樣本期內固定資本形成額的幾何平均增長率；σ為折舊率，與單豪杰(2008)一致，采用10.96%[32]；Lit表示勞動，即社會從業人員數；β0為常數項，β1～β5分別表示資本(Kit)、勞動(Lit)及相應的平方項與交叉項系數；其中(vit-μit)為復合誤差，兩者相互獨立，其中，vit為隨機誤差項，μit為技術無效率項。

表1 超越對數生產函數形式的SFA模型估計結果

注：*、**和***分別表示在10%、5%和1%的水平下顯著。

表1通過R語言“Frontier”包的SFA函數對生產函數適宜性和參數顯著性進行檢驗。回歸結果顯示，大部分系數均通過顯著性檢驗，值高達99.8%，說明模型(4)存在明顯的復合結構，在控制K、L等投入要素的情況下，產出地波動主要歸因于技術無效率，SFA模型較為合理；同時，時變因素η在1%的水平下顯著為正，表明在樣本期內技術效率有所改善；此外，通過LR統計量對原假設H0(3=4=5=0)展開估計，結果發現，LR統計量通過1%的顯著性檢驗，應選取超越對數生產函數形式的SFA模型。

2．核心解釋變量：金融科技創新

關于金融科技發展程度的衡量指標，現有研究大致可分為兩類，一是基于網絡搜索熱度構建的情緒指數，沈悅和郭品(2015)在金融功能觀與技術融合視角下，建立互聯網金融指數原始詞庫，并采用“文本挖掘法”對百度新聞各關鍵詞的詞頻進行數據挖掘和結構化數據轉化，最終合成互聯網金融指數[33]；Li等(2017)借助文本挖掘技術對韓國Naver網站有關金融科技服務新聞數據進行收集和情緒分析，旨在探求金融科技行業的發展趨勢和任務[34]。二是基于結構化數據構建的金融科技指標體系，代表性研究如郭峰等(2016)依托金融科技企業的交易賬戶底層數據，從金融科技服務的覆蓋廣度、使用深度和數字支持服務等視角，搭建數字普惠金融體系[35]，用以衡量金融科技發展程度。螞蟻金服作為中國金融科技代表性企業，其支付寶業務更能精準衡量用戶所獲取的金融科技服務。特別是，邱晗等(2018)在此基礎上進一步利用螞蟻金服關于數字金融的微觀數據，選取支付寶賬戶覆蓋率(涵蓋平均每個支付寶賬號綁定銀行卡數、支付寶綁卡用戶比例以及每萬人擁有支付寶賬號數三個指標)作為金融科技代理變量[36]。據此，結合金融科技的兩種構造思路，本文認為詞頻熱度建立的金融科技情緒指數并不一定能夠真實反映金融科技發展水平。其中一個重要原因在于概念地快速更迭[注]如謝治春等(2018)將金融科技發展歷程分為金融IT、互聯網金融與金融科技數字化階段[37]，各個發展階段的概念均存在一定差異。，依靠關鍵詞表測度金融科技情緒發展，容易陷入“不盡完善”與“疲于更新”的兩難境地[38]，由此建立的后續分析將缺乏根基性；不同的是，以支付寶為代表的金融科技服務涵蓋海量結構化數據，更能細致全面地體現中國金融科技發展。基于上述考慮，本文與邱晗等(2018)研究一致，選用北京大學數字金融研究中心編制的中國數字普惠金融指數(省級層面)作為金融科技創新代理變量。

3．控制變量

為準確表述金融科技與TFP之間的作用關系，本文分別從宏觀、區域、社會、結構和基礎設施五個層面實施控制。一是宏觀層面(rgdp)，選取經對數化處理后的各地區人均實際GDP衡量宏觀經濟發展水平；二是區域層面(gov)，利用各地區對數化后政府財政支出衡量區域政府行為；三是社會層面(urban)，選取城鎮人口占總人口比重表征中國社會人口發展動態；四是結構層面(str)，以第三產業增加值占GDP比重表征產業結構發展；最后是基礎設施層面(inf)，選用每萬人鐵路營業里程衡量網絡交通基礎設施發展水平。采用2011-2015年中國31省域面板數據作為樣本，所有原始數據來源于Wind金融終端、國家統計局網站與各地區統計局網站。變量含義與描述性統計如表2所示。

表2 變量含義與描述性統計

四、實證結果分析

為了驗證計量模型設定適宜性，本文首先從傳統非空間面板模型(OLS)出發，借助回歸殘差的空間自相關測試，佐證模型是否需要將空間因素納入研究范圍，以更好地揭示金融科技創新與TFP之間關系。在此基礎上，分別建立SAR、SEM、和SDM空間計量模型，從空間視角分析TFP與其影響因素之間的作用關系，進而探索提升TFP的方法。本部分的計量運算通過MATLAB_R2015a軟件完成。

(一)傳統OLS面板模型估計結果

在空間面板檢驗前，首先對OLS模型估計結果進行研究，從OLS模型殘差的Moran’s I指數測試結果來看，其殘差表現出顯著的空間相關性[注]在進行OLS回歸之前，本文已對全要素生產率(TFP)進行Moran’s I指數檢驗，研究發現存在顯著的空間互動性特征。，結果見于表3。

表3 傳統OLS面板模型估計及其殘差項空間相關性分析

注：括號內為T統計值；*、**和***分別表示在10%、5%和1%的水平下顯著，下同。

特別地，進一步對OLS殘差展開LM檢驗和R-LM檢驗，發現LMERR在5%水平下顯著，R-LMLAG以及R-LMERR均通過1%的顯著性檢驗，表明殘差存在顯著的空間相關性，這也再次佐證前述全要素生產率的空間相關性檢驗和OLS模型殘差空間相關性測試結論。因而傳統非空間面板OLS模型已然無法完整解釋金融科技創新與全要素生產率之間在空間層面的作用關系，應將空間因素納入計量模型予以考察。

(二)空間面板計量模型估計結果

經Hausman檢驗，空間計量模型選用固定效應，其中，sF、tF和stF分別對應固定效應下的空間固定、時間固定與時空雙固定效應，空間面板固定效應的估計結果見于表4。

總體而言，從表4中的9個空間面板模型估計結果可以發現，金融科技創新(Fintech)的回歸系數絕大部分在10%水平下顯著為正，說明金融科技水平的提升能夠進一步強化本地區TFP；同時，不同固定效應條件下模型的空間項滯后項系數(ρ)及空間誤差項系數(λ)多數為顯著，這體現了本地區TFP受到周圍地區TFP及其他因素的溢出影響。就空間計量模型及固定效應具體類型的選擇而言，stF下SDM模型的擬合效果在9個模型中達到最優。換句話講，stF下SDM模型在最小方差(δ2)、最優擬合優度(R2)及最大似然值(Log-L)等指標上，相較其他模型總體最優。進一步通過Wald檢驗和LR檢驗發現，帶有空間滯后的Wald檢驗(Wald-lag)和LR檢驗(LR-lag)以及帶有空間誤差的Wald檢驗(Wald-err)和LR檢驗(LR-err)均在1%的水平下顯著，這表明SDM模型無法退化為SAR及SEM模型。綜上所述，采用stF下的SDM模型估計結果進行分析。

表4 空間面板固定效應模型估計結果

通過表4空間項系數(ρ或λ)可知，空間溢出效應顯著存在，而SDM模型的回歸系數無法直接測算自變量對TFP的作用大小。為此，借鑒Lesage和Pace(2009)的研究，在表4中stF下SDM模型估計結果基礎上，將自變量對TFP的空間效應進一步分解為直接效應、間接效應(空間溢出效應)和總效應。金融科技創新及各控制變量的三種效應測度見表5。

表5 時空雙固定效應(stF)下SDM模型的直接效應、 空間溢出效應與總效應

將表5空間面板杜賓模型的三種效應分解可以發現：

就金融科技(Fintech)而言，一是在直接效應中，回歸系數在5%水平上顯著為正，表明金融科技創新有利于激發本地區TFP增長，證實了命題1的理論闡述。換言之，金融科技創新催生的金融新業務模式、金融新業態和金融基礎設施有助于擴大金融服務覆蓋率并保障公平交易，其對金融消費者金融數據的智能化收集、分析及處理能有效緩解信息不對稱問題，滿足企業和金融消費者投融資需求，覆蓋傳統金融業務遺漏的長尾用戶群，完善長尾群體進行技術創新時所必須的金融支持，促成生產效率提升。二是在間接效應中回歸系數在5%水平下顯著為正，說明金融科技創新通過產生空間知識溢出，進一步強化周邊地區TFP增長水平，這也驗證了命題2的理論分析。具體來講，金融科技創新通過網絡效應和人員流動效應促進顯性知識和隱性知識的空間溢出，技術知識吸收主體通過學習模仿其先進技術和風控管理模式，在促使自身技術進步和效率改善的同時也能將其技術創新過程所遇到的財務風險控制在合理水平，保障技術創新有效實施。三是在總效應中，回歸系數通過了1%的顯著性檢驗。不難發現，總體上金融科技創新益于提升區域內部及區域外部TFP的發展水平，印證了理論部分有關金融科技創新對TFP存在空間知識溢出的判斷，也反映出從空間計量模型角度揭示兩者關系的有效性和必要性。

就控制變量而言，一是在宏觀層面，人均收入(rgdp)直接效應的回歸結果顯著為正，而間接效應的回歸結果卻顯著為負，這表明自身經濟發展水平的提升有助于促進本地區TFP增長，然而也會對周邊地區TFP產生負向空間溢出。事實上，提高TFP是實現經濟高質量發展的重要條件，相應地，經濟發展水平提升又能為TFP增長提供更多優質的人力、資本、技術等要素資源；但同時，經濟發展水平較高的發達地區容易吸引周邊地區要素資源向中心地帶集聚，在一定程度上對周邊地區TFP產生極化效應。二是在區域層面，政府財政支出(gov)的直接、間接和總效應均顯著為負，可能的解釋在于政府干預的非市場化行為破壞了金融發展的資源配置，從而影響技術創新的資本環境；特別是在“中國式財政分權”制度下，財政支出結構不完善容易引致要素市場扭曲，阻礙TFP的提升[39]。三是在社會層面，城市化(urban)直接效應的系數顯著為正，而間接效應的系數顯著為負。這表明，城市化不僅促進了本地區TFP增長，還會抑制其他地區TFP增長。其原因在于，城鎮化即是人口向城市流動的過程，將勞動力資源從生產率較低的第一產業向生產率更高的產業部門轉移[40]；不難看出，城鎮化過程也伴隨資源要素掠奪，對欠發達地區TFP產生負的空間溢出效應。四是在結構層面，產業結構(str)間接效應與總效應的回歸系數均顯著為負，這主要歸咎于金融業作為第三產業結構的重要組成部分，近年來隨著金融風險不斷集聚和跨部門、跨區域傳染，加之“金融空轉”等現象的發生，在導致金融資源配置效率下降的同時也扭曲了產業結構發展，對TFP的提升形成制約。最后是在基礎設施層面，盡管交通基礎設施(inf)直接效應并不顯著，但間接效應與總效應的回歸系數均顯著為正，且這三種效應的回歸結果均說明交通基礎設施已對中國TFP增長形成強勁動力，這與張學良(2012)等人研究結論一致，交通基礎設施建設益于各種生產要素在區域間便捷流動，在網絡屬性及擴散效應影響下，將各地區經濟要素活動連成一個整體[41]，共同促進TFP提升。

五、結論與政策啟示

對全要素生產率增長動力的準確識別，是持續深化供給側改革、推動經濟高質量發展的前提條件。本文以金融科技創新為切入點，分別從區域內部層面和區域間層面對金融科技創新與全要素生產率之間的作用路徑展開理論分析；并利用2011-2015年中國31省市面板數據，綜合采用空間面板杜賓模型，深入揭示金融科技創新對提升區域全要素生產率的直接和間接作用效果。研究發現：(1)區域間TFP地發展具有顯著的空間關聯性，本地區TFP受到周邊地區TFP的溢出影響；(2)金融科技創新借助技術優勢緩解信息不對稱問題，其衍生的創新性金融基礎設施、金融新業態和金融新業務模式助力本地區TFP提升，其作為提高TFP的全新路徑，可為政府支持其發展提供理論支撐；(3)金融科技創新在空間知識溢出傳導下助力周邊地區TFP增長，外地金融科技創新對本地區TFP的輻射效應不容忽視。

研究結論為探索TFP的新增長動力進而實現經濟高質量發展提供重要的政策啟示。

第一，深化金融供給側結構性改革，緩解民營企業融資困境。2017年8月以來，美國單方面宣布對中國開展“301條款”調查、中興制裁、華為技術封鎖以及對《中國制造2025》重點支持的高新技術進口產品加征25%關稅等。面對由中美貿易摩擦帶來的技術限制，提高中國自主創新能力變得更加迫切。民營企業作為中國技術創新的重要主體，受信息不對稱等因素影響難以在傳統金融機構獲取融資[42]，成為金融需求的長尾群體。鑒于此，金融科技創新應以服務實體經濟為導向，通過技術在金融領域的深度融合，提升金融供給質量和資源配置效率，有效增強民營企業的金融可獲得性。首先，應有效結合大數據、云計算等技術創新，完善交易規則和技術、支付和清償系統、監管制度等領域的金融基礎設施建設，保障民營企業融資環境；其次，引導金融產業鏈細化分工，將內生、封閉的產業鏈條轉變為更具專業化、個性化、一體化的金融新業態，為金融消費者和民營企業提供多樣化投融資服務；最后，加強創新性金融業務模式發展，拓展金融服務范圍和技術知識傳播渠道，將金融科技創新應用到傳統金融服務無法觸及的長尾群體中，擴大普惠金融覆蓋面。以期借助金融科技，深化金融供給側結構性改革，為民營企業技術創新提供更廣泛的金融支持，實現金融、科技與實體經濟的深度融合。

第二，拓寬區域間技術知識溢出通道，助推金融科技產業集聚發展。從實證結果可以看出，近年來中國省域要素生產活動具有顯著的空間關聯性，并且金融科技創新通過空間知識溢出效應能夠明顯提高周邊地區全要素生產率。這一結論的政策啟示在于，首先政府應消除地區之間的市場分割，積極構建區域間金融基礎數據信息以及數字技術知識共享平臺，建立健全網絡化金融科技基礎研究體系，引導金融科技創新人才和資本等要素市場自由流動，從而拓寬區域間技術知識溢出通道，助力周邊地區技術知識吸收主體模仿學習，實現區域間全要素生產率增長的優勢互補和整體提升。另一方面，鼓勵金融科技產業與其服務主體之間橫向、縱向合作交流，深化區域間要素生產主體分工協作。此外，利用發達地區高端技術和金融功能優勢，推動金融科技產業集聚發展，強化發達地區金融科技創新對鄰近地區要素生產的輻射功能，最終促進區域全要素生產率提升。

第三，加快構建圍繞金融科技發展的創新驅動政策和“監管沙盒”機制頂層設計，保障金融科技創新有序推進。當前全球金融科技處于快速發展時期，金融科技利用其技術優勢進行金融創新，為實體部門要素生產過程發揮巨大優勢；與此同時，金融科技創新過程所暗含的風險又會對全要素生產率產生一定抑制作用。據此，應抓住金融科技發展的歷史機遇，一方面，從政策層面激勵金融科技創新及其應用成果轉化，突破金融科技創新成果轉化的體制機制障礙，保障金融科技創新成果對實體部門及時、有效的傳導，為實體部門技術進步和技術效率的改善提供新增長動力，不斷落實十九大報告中關于“推動經濟發展質量變革、效率變革、動力變革，提高全要素生產率”和“創新驅動發展”的政策要求；另一方面，構建“監管沙盒”機制，在支持有益創新的同時亦能切實防范風險蔓延，有效把握金融科技創新與風險防范之間的平衡，夯實金融科技創新對實體部門要素生產的資本輸入和技術支撐。