數字金融對區域結構性全要素生產率的空間效應*
——基于我國237個城市的經驗證據

□ 樸哲范 陳 寫 段琳琳

內容提要 本文利用DEA-Malmquist 方法測算區域結構性全要素生產率， 并基于我國2012—2019年237 個城市的空間面板數據，利用空間杜賓模型實證檢驗數字金融（覆蓋廣度、使用深度和數字化程度）對區域結構性全要素生產率的空間效應。 研究發現：數字金融主要通過促進技術進步和提高規模效率有效提升區域全要素生產率；在全國范圍和東中西部區域中，數字金融發展均能提升本城市的全要素生產率，而東部區域內周邊城市數字金融的發展卻對本城市全要素生產率起抑制作用；數字金融覆蓋廣度、使用深度提高均能提升我國全要素生產率整體水平，同時在東中部區域直接效應顯著，在西部區域卻以間接效應為主。因此，政府應積極完善數字金融基礎設施建設，推進區域間差異化金融發展戰略，優化產業和就業結構。

一、引言及文獻綜述

創新與技術進步能夠推動全要素生產率的提高、實現經濟效益的提升，正在成為驅動模式轉變的主要引擎（田國強，2019）。數字金融作為融合金融業務與新興技術的一種高效、覆蓋面廣的金融服務（Gomber et al.，2017；郭峰等，2020），在緩解金融錯配和融資約束、減小金融服務成本和信息不對稱（王馨，2015；Ozili，2018；黃益平和黃卓，2018）等方面具有優勢，能夠優化經濟要素配置，提高企業全要素生產率，為經濟高質量發展提供動力（錢海章等，2020；杜莉和王梓琦，2022）。

伴隨著數字金融量化測度技術的完善，當前學者們的研究方向逐漸從對定義、影響因素、風險與監管等純理論形式的探討，轉為對產業結構優化、創新、經濟增長、全要素生產率等方面的實證檢驗（錢海章等，2020）。學界在關于數字金融與經濟高質量發展的實證研究中發現，我國數字金融和全要素生產率之間存在創新機制，即數字金融有助于提高區域及相關產業創新，通過技術進步提高區域全要素生產率（邱子迅和周亞虹，2021；惠獻波，2021），但區域間存在作用的異質性（Pan et al.，2022；Gu et al.，2022）。微觀企業視角下，數字金融通過緩解融資困境（江紅莉和蔣鵬程，2021），降低金融機構與企業之間的信息不對稱， 提高信貸資源配置效率（宋敏等，2021），促進企業技術創新，進而提升企業全要素生產率（冉芳和譚怡，2021）。另有研究發現， 數字金融發展可能導致上市公司融資約束增加進而對全要素生產率產生負向影響， 但金融體系相對完善的情況下數字金融可以大幅度提高上市公司全要素生產率（Chen et al.，2022）。 陳清華等（2022）認為數字普惠金融與中國經濟增長質量之間呈現“U 型”曲線關系，二者服從“數字金融—普惠金融—緩解企業創新融資約束—企業技術創新—經濟增長質量”的傳導機制。但在對全要素生產率分解時，這些研究由于缺少全要素生產率結構性信息的支撐， 可能導致缺失部分生產率增長來源的重要因素（Boussemart et al.，2020）。

從以上文獻可以發現， 數字金融有助于提高區域及相關產業創新， 通過技術進步提高區域全要素生產率。 但是現有文獻就數字金融對區域結構性全要素生產率影響問題尚未得出統一結論，數字金融對區域結構性全要素生產率空間效應的研究也較少。鑒于此，本文基于我國237 個城市的面板數據， 利用DEA-Malmquist 指數法和空間杜賓模型， 實證檢驗數字金融對區域結構性全要素生產率的空間效應并解釋影響途徑， 力圖在以下三個方面有所創新：（1）理論層面上，本文從數字金融四個維度（總指數、覆蓋廣度、使用深度和數字化程度）和空間效應角度，梳理了數字金融對區域結構性全要素生產率的影響， 探究了數字金融對全要素生產率的“極化效應”和“涓流效應”，拓展了研究視角。 （2）實證層面上，在測度區域結構性全要素生產率時，不同于已有文獻，輸入變量中除資本和勞動力要素外，本文增加“科技支出”，因為科技支出不僅是數字金融的一個表現， 也是技術進步的重要體現。 同時， 本文利用空間杜賓模型， 實證研究了數字金融對區域結構性全要素生產率的空間效應。（3）本文的研究結論為政府在數字金融基礎設施建設、推進區域間差異化金融發展戰略、優化產業和就業結構等方面提供了經驗證據。

本文剩余部分的安排如下：第二部分是理論分析與研究假設； 第三部分是變量說明與研究設計；第四部分是實證結果分析；第五部分是結論和政策建議。

二、理論分析與研究假設

（一）數字金融發展與全要素生產率

近年來，大數據、云計算、物聯網、區塊鏈等數字技術發展迅速， 蔓延到傳統金融行業的各個領域，數字金融應運而生。數字金融通過互聯網在線獲得支付、儲蓄和信貸設施以及其他所需的金融服務。 數字金融發展（包含數字覆蓋廣度、使用深度和數字化程度）通過以下三個方面提升企業全要素生產率，進一步提高區域全要素生產率。 第一，金融自由化方面， 當前我國金融服務仍然集中于大型企業， 中小企業及民營企業融資仍存在一定限制。 數字金融有助于改善金融供給側與需求側失衡問題，緩解利率管制對經濟的扭曲，提高企業資金配置效率，為生產創新活動提供資金支持（宋敏等，2021）。 第二，金融功能方面，數字金融通過數字技術對傳統金融業進行賦能，對金融業功能進行重塑。在數字金融廣度上，我國互聯網基礎設施的完善以及互聯網絡較高的普及率與使用率為降低交易成本提供了基礎（Ozili，2018；江紅莉和蔣鵬程，2021）。 在數字金融深度上，多樣化、個性化和場景化的金融服務有助于促進金融創新， 大數據分析挖掘長尾客戶也減少了信息不對稱（王馨，2015），從而緩解了企業融資約束、提高了創新效率（冉芳和譚怡，2021）。第三，金融監管方面，數字金融提供多樣化監管方式并強化功能性監管，彌補了傳統金融缺乏同步和自動化的特征。同時，數字金融監管發展也將推動企業重視自身風險管理和內部控制，為生產創新活動提供穩定的環境（馬連福和杜善重，2021）。鑒于此，數字金融通過優化經濟要素配置、緩解企業融資約束和促進企業創新，提升區域技術效率和技術進步效率，進一步提高區域全要素生產率（江紅莉和蔣鵬程，2021）。除此以外，數字金融還能通過資源配置效率和技術進步的網絡效應，提升區域技術進步效率和規模效率，進一步提高區域全要素生產率（郭家堂和駱品亮，2016； Boussemart et al.，2020；Chen et al.，2022）。

同時眾多學者在研究中發現，雖然數字金融有助于促進區域全要素生產率增長， 但因為數字金融結構、企業自身特征、企業所屬產業和所處城市要素稟賦不同， 數字金融的使用深度、數字化程度、覆蓋廣度對全要素生產率的影響效果也不同（李雙燕等，2021； 江紅莉和蔣鵬程，2021；Chen et al.，2022；Gu et al.，2022）。

基于以上分析，本文提出假設：

H1：數字金融能夠提升區域全要素生產率，但數字金融三個子指標對全要素生產率的效應不同， 同時數字金融對結構性全要素生產率的影響也有差異。

（二）數字金融的空間效應

數字金融對全要素生產率的提升作用在不同區域內也存在差異，數字金融發展提高全要素生產率的效果在基礎設施較為完善的地區更顯著（杜莉和王梓琦，2022；Chen et al.，2022）。 也有部分文獻得出與之相反的結論，如數字金融對資本市場發展較弱的區域全要素生產率的正向效應更強（惠獻波，2021）。 受益于數字金融發展，城市金融資源在區域內自由流動，且城市資源配置能夠在最大程度上擺脫地理限制，對周邊城市產生溢出效應。 具體而言，區域中金融發達的城市能夠吸收各城市的金融資源來推動自身發展，產生“極化效應”，提升極化城市的全要素生產率，卻降低了周邊城市的全要素生產率（Moulaert et al.，2003）。 但隨著金融規模的不斷擴張，數字金融能夠對金融發展不足的城市產生“涓流效應”，大幅提升周邊城市便捷獲取金融資源的概率，提高其利用金融資源獲取生產要素的效率，不斷優化產業、就業結構、推動基礎設施建設，鼓勵科研創新，進而提高周邊城市的全要素生產率，促進當地經濟高質量發展（Aghion & Bolton，1997）。鑒于此，數字金融對區域全要素生產率提升存在“極化效應”和“涓流效應”的空間效應。

基于以上分析，本文提出假設：

H2a：數字金融對區域結構性全要素生產率的空間效應在不同區域內不同；

H2b：數字金融不同子指標對全要素生產率的空間效應在不同區域內不同。

三、變量說明與研究設計

（一）數據來源

本文選取2012—2019年我國237 個城市的面板數據作為樣本，共計1896 個觀測點。 時間及樣本的選擇原則為：（1）城市資本存量數據受國家統計局網站公布的固定資產價格指數限制（該指數更新至2019年，尚無最新數據），因此樣本時間選取至2019年；（2）237 個城市為地級及以上城市，由于數據部分缺失，剔除西藏自治區、新疆維吾爾自治區、臺灣省、香港特別行政區、澳門特別行政區。本文根據1986年全國人大六屆四次會議通過的“七五”計劃及1997年和2000年的兩次修訂，將樣本城市劃分為東中西部三個區域。①本文的數字金融數據來自北京大學數字金融研究中心發布的《北京大學數字普惠金融指數》2021年版，計算全要素生產率所使用的投入產出數據以及其他城市相關數據，來自《中國城市統計年鑒》和國泰安CSMAR 數據庫。

（二）模型設定

本文借鑒Boussemart et al.（2020）、郭峰等（2020）及杜莉和王梓琦（2022）的研究，構建空間杜賓模型檢驗數字金融總指數及各分解指數對全要素生產率的空間效應：

式中，被解釋變量TFPCHct為t 時期c 城市的全要素生產率；Xct為自變量，包括c 城市t 時期數字金融總指數（Indexct）、數字金融覆蓋廣度指數（Breathct）、數字金融使用深度指數（Depthct）和金融數字化程度指數（Digitct）；Cct為控制變量；參數ρ 為空間自回歸系數；參數β1和φ1為本城市數字金融總指數及分解指數與控制變量對本城市全要素生產率的作用；參數β2和φ2為周邊城市數字金融總指數及分解指數與控制變量對本城市全要素生產率的作用；W 為空間權重矩陣，ε 為隨機誤差項（ε～N（0，σ2In））。

式中，因變量為Yct，包括t 時期c 城市的技術效率變化指數（TECHct）、技術進步變化指數（TECCHct）和規模效率變化指數（SECHct）。參數α1和γ1為本城市數字金融總指數與控制變量對本城市TECHct、TECCHct和SECHct的作用， 參數α2和γ2為周邊城市數字金融總指數與控制變量對本城市TECHct、TECCHct和SECHct的作用，其他參數含義同上。

本文在空間權重矩陣（W）的選取方面主要借鑒聶秀華和吳青（2021）的研究，使用GDP 平均值構造空間權重矩陣，如公式（3）所示：

式 中，GDPi和GDPj分別表示城市i 和j 的GDP 平均值，wij的取值區間為[0，1]，當兩地GDP 接近時，wij接近1，當兩地GDP 差異顯著時，wij接近0。

為克服雙向因果關系可能導致的內生性問題，本文借鑒余東華等（2019）、Boussemart et al.（2020）和郭峰等（2020）的研究，通過廣義矩估計（GMM）緩解內生性問題。 穩健性檢驗方面， 本文選用Luenberger 生產率指數及分解值代替被解釋變量。

（三）變量的測度與說明

1．被解釋變量

本文借鑒Ray & Desli（1997）的研究，用修正的Malmquist 方法得出城市結構性全要素生產率指數（詳見公式4），將其分解為技術效率變化指數、技術進步變化指數、規模效率變化指數。 投入變量為固定資產資本存量、科技支出和第二、三產業從業人員總數；產出變量為城市生產總值。科技支出設為投入變量的主要依據參考了Gomber et al.（2017）和徐翔（2021），數字金融包括大量新的金融產品、金融服務、金融管理軟件以及與客戶溝通和互動的新方式，應考慮知識產出。參照張少輝等（2021）的研究，固定資本存量用Ki，t=Ki，t-1（1-δi，t）+Ii，t/Pi，t計算。 Ki，t為第i 個城市第t年的資本存量，Ii，t為第i個城市 第t年的固定資產形成額，Pi，t為固定資產投資價格指數（以各城市每年GDP 平減指數衡量），δ 為折舊率（設為9.6%）。 投入和產出變量描述性統計如表1 所示。

表1 投入和產出變量的描述性統計

式中，TFPCH 為全要素生產率指數，TECH 為技術效率變化指數，TECCH 為技術進步變化指數，SECH 為規模效率變化指數。

2．解釋變量

數字金融為本文的主要解釋變量。本文主要借鑒黃益平和黃卓（2018）、江紅莉和蔣鵬程（2021）以及陳清華（2022）的研究，采用北京大學數字普惠金融指數作為數字金融的代理變量， 包括數字金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數。

3．控制變量

本文借鑒惠獻波（2021）和黃大為（2021）的研究，將控制變量設為就業結構、信息化水平、政府財政支出水平、金融發展水平、科技支出和教育支出，變量定義與解釋見表2。

表2 變量定義與解釋

（四）描述性統計與空間相關性分析

1.描述性統計

由表3 可知，我國城市全要素生產率指數的最小值為0.512，最大值為1.880，標準差為0.932，說明我國城市間全要素生產率指數差異較大。 而從三個分解指數來看，城市間差異并不明顯。我國城市數字金融總指數的最小值為55.520， 最大值為321.650，標準差為54.910，說明各個城市之間數字金融發展差異較大。 從覆蓋廣度、使用深度、數字化程度這三個方面來看，存在較明顯的地區結構性差異。

表3 變量描述性統計

圖1 是2013年、2016年和2019年的全國、東中西部的全要素生產率和數字金融總指數的柱狀圖。 由圖1 可知， 區域結構性全要素生產率方面， 所有區域全要素生產率指數及技術進步變化指數增長趨勢明顯， 而技術效率變化指數呈現下降趨勢， 尤其是全國和東部區域技術效率變化指數下降趨勢明顯，規模效率變化指數無明顯增長。數字金融方面， 數字金融指數及其分解指數均呈增長趨勢。 數字金融指數東部區域比中西部地區更大，說明東部區域數字金融發展更好。

圖1 2013、2016 與2019年數字金融總指數和全要素生產率及分解指數圖

2．空間相關性

為檢驗數字金融對區域結構性全要素生產率的空間效應，本文借鑒余東華等（2019）、郭峰等（2020）、杜莉和王梓琦（2022）的研究，利用全局Geary’s C 指數，對區域結構性全要素生產率的空間相關性進行探究。 由表4 可知，2012—2019年全要素生產率指數（TFPCH）不存在空間相關性的年份較多，但其分解指數，特別是技術進步變化指數（TECCH）和規模效率變化指數（SECH）在眾多年份中存在空間相關性。此外，東中西部區域之間結構性全要素生產率空間相關的年份存在明顯差異。

表4 我國區域結構性全要素生產率的Geary’s C 指數顯著性匯總表

四、實證結果分析

在經濟距離空間權重矩陣下，LR-error 值、Wald-error 值、LR-lag 值和Wald-lag 值都通過了1%的顯著性檢驗，②因此本文利用雙固定效應（固定時間和個體）的空間杜賓模型（SDM），研究數字金融分解指數對區域全要素生產率的空間效應以及數字金融總指數對區域結構性全要素生產率的空間效應。

（一）數字金融對區域全要素生產率的空間效應分析

1．數字金融分解指數對全要素生產率的空間效應分析

借鑒Lesage & Pace（2009）的研究，本文從直接效應、間接效應和總效應三個方面分析數字金融覆蓋廣度、使用深度和數字化程度指數對全要素生產率的空間效應。由表5 可知，在全國范圍內直接效應中， 本城市數字金融覆蓋廣度和使用深度均能提升本城市全要素生產率， 但數字化程度無明顯影響。間接效應中，周邊城市數字金融覆蓋廣度能提升本城市全要素生產率， 數字化程度對本城市全要素生產率存在負向影響。 在總效應方面，數字金融覆蓋廣度能提升區域全要素生產率，但使用深度和數字化程度無明顯影響。 以上結果表明假設H1 得到部分驗證。

表5 數字金融分解指數對區域全要素生產率的空間效應

分區域看，東中部區域主要通過直接效應、西部區域主要通過間接效應提升區域全要素生產率。 在西部區域數字金融覆蓋廣度對全要素生產率具有顯著正向空間溢出效應， 但東中部區域空間溢出效應不顯著。 雖然西部區域數字金融覆蓋廣度低于東中部區域，但隨著“西部大開發”的推進和數字金融的發展， 東部區域金融資源的涌入提高了西部區域經濟和社會發展水平。從列（2）結果可知， 東中部區域本城市金融使用深度均能提升本城市全要素生產率， 但東西部區域周邊城市數字金融使用深度卻降低了本城市全要素生產率。 列（3）結果顯示，數字金融數字化程度提升全要素生產率的空間效應在我國顯著為負， 但東中西部區域均不顯著。 以上結果表明假設H2b 得到驗證。

2.數字金融總指數對區域結構性全要素生產率的空間效應分析

表6 中（1）～（4）列的被解釋變量分別為全要素生產率指數、技術效率變化指數、技術進步變化指數和規模效率變化指數， 核心解釋變量為數字金融總指數。由表6 可知，我國數字金融總指數的直接效應和總效應系數顯著為正，但間接效應不顯著。本城市數字金融發展能提升本城市的全要素生產率， 主要體現在提升技術進步和規模效率方面。在間接效應方面，周邊城市數字金融對本城市全要素生產率沒有明顯的影響，但是能顯著推動本城市技術進步。總效應方面表現為數字金融通過技術進步和規模效率的提升，提高全要素生產率，該結論與邱子迅和周亞虹（2021）、惠獻波（2021）等研究結論一致。 以上結果表明假設H1 得到驗證。

表6 數字金融總指數對全要素生產率及其分解指數的空間效應

分區域看， 東部區域數字金融發展對全要素生產率的技術進步變化指數顯著為負， 說明周邊城市數字金融的發展會降低本城市的全要素生產率，且主要體現于抑制技術進步。中西部區域周邊城市數字金融發展對本城市的全要素生產率無明顯影響， 但在中部區域中周邊城市數字金融的發展會降低本城市技術效率，提升本城市技術進步，而在西部區域中則會提升本城市規模效率。 總效應方面， 東部區域所有城市數字金融發展對全要素生產率無明顯影響。

整體來看，數字金融發展能夠推動技術進步、提升規模效率， 但是在提升技術效率方面無顯著影響。 在東中部區域數字金融主要通過推動規模效率和技術進步來提升全要素生產率。 在西部區域則通過推動技術進步、規模效率來提升全要素生產率。 數字金融發展在推動技術進步方面西部不如東中部區域明顯，原因在于區域經濟發展相對落后、產業結構相對不平衡、基礎設施建設不完善、城市間關聯度較低。 但是西部區域具有數字金融提升規模效率的明顯優勢。 以上結果表明假設H2a 和H2b 得到驗證。

（二）穩健性檢驗

在上述研究中， 本文通過DEA-Malmquist 指數法對全要素生產率進行測量及分解， 驗證了假設H1、H2a 和H2b。 為了提高實證結果的真實性和可信性， 本文將測算方法替換為Luenberger 生產率指數， 該指數同時考慮了投入的減少和產出的增加，對測度角度要求不高，因此比Malmquist指數法更具一般性（原毅軍和謝榮輝，2015）。本文將Luenberger 生產率指數記為STFP，t 期和t+1 期之間的STFP 及其分解的表達式如下：

式中，a、b、c 代表資本、勞動力、科技支出三個投入變量，g 代表產出變量GDP，距離函數的下標V 表示規模報酬可變，EC 和TC 分別代表t 期到t+1 期之間技術效率變化指數和技術進步變化指數（原毅軍和謝榮輝，2015）。為研究數字金融總指數及各分解指數對STFP 的空間效應，本文構建如下模型：

公式（8）檢驗數字普惠金融總指數及分解指數對STFP 的空間效應，公式（9）檢驗數字金融總指數對STFP 兩個分解指數的空間效應。 其中，Zct包括EC 和TC，其他變量含義同上。 如表7 所示，該結果與前文得出的結論基本一致。

表7 數字金融指數對STFP 及其分解指數的空間效應

本文利用系統廣義矩估計（GMM）進一步檢驗空間面板計量模型中是否存在雙向因果產生的內生性問題。 通過Sargan 檢驗判斷工具變量選擇的合理性，通過AR（2）檢驗判斷干擾項的二階自相關性。如表8 所示，Sargan 檢驗和AR（2）檢驗均不顯著，說明系統GMM 估計是有效的。 估計結果在內生性緩解后仍然為正， 說明數字金融對全要素生產率的提高有促進作用。

表8 內生性檢驗結果

五、結論和政策建議

本文以全國237 個城市為研究對象， 實證檢驗了數字金融對區域結構性全要素生產率的空間效應。 本文研究表明：第一，我國數字金融發展能夠提升全要素生產率， 且空間效應在東中西部區域存在明顯差異， 數字金融通過提升技術進步和規模效率，提高全要素生產率，且在東中部區域數字金融發展主要推動技術進步， 而在西部區域主要提升規模效率；第二，我國城市數字金融發展均能提升本城市的全要素生產率， 但東部區域內周邊城市數字金融發展卻對本城市全要素生產率提升起抑制作用；第三，數字金融覆蓋廣度和使用深度的提高均可以提升全要素生產率， 但該效應在東中西部存在顯著差異， 東中部區域數字金融覆蓋廣度與使用深度的發展可以促進本城市全要素生產率提升，但在西部區域卻以間接效應為主。

在黨的二十大提出著力推動高質量發展與區域協調發展的時代背景下， 為更好地促進我國數字金融提升區域結構性全要素生產率的水平，本文提出如下對策建議：

第一，完善數字金融基礎設施建設。通過政策引導、產業協同和創業基金等多方位支持，加快以金融科技為核心，集合大數據、云計算、人工智能和區塊鏈的新型金融數據中心建設。同時，加速信息技術對傳統基礎設施的融合升級，如數字貨幣、企業及個人征信基礎設施、盡職調查服務平臺等。此外，鼓勵技術開發與理論研究、加大人才扶持力度以完善數字金融創新基礎設施，提升技術效率，進而提升全要素生產率。

第二， 實行動態化、差異化數字金融發展戰略。東中部區域應加快數據要素產業化，強化金融監管，促進金融創新，加速技術溢出和人才區域間流動，而在西部區域實施差異化數字金融戰略，進而縮小地域間發展不平衡， 比如促進融資方式多樣化，緩解“融資難、融資貴”的困境，鼓勵金融機構推出支持地方特色產業的創新型金融服務產品，滿足當地企業對技術創新的需求。

第三， 通過強化數字金融受地理空間限制程度低的優勢，將互聯網、大數據、人工智能深度融入實體經濟。促進勞動力在東中西部三個區域內、城鄉間、行業中的有序流動，提升就業崗位與人才的匹配度，助力經濟發展“脫虛向實”，提高技術效率進而促進全要素生產率整體水平提升。

注釋：

①據1986年全國人大六屆四次會議通過的“七五”計劃及1997年和2000年的兩次修訂， 我國區域劃分如下：東部區域包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東和海南11 個省（市）；中部區域包括山西、吉林、黑龍江、安徽、江西、河南、湖北和湖南8 個省；西部區域包括重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆、內蒙古和廣西12 個省（市、自治區）。

②由于篇幅原因，檢驗結果不進行匯報，若讀者有需要可向作者索取。