數字普惠金融對服務業勞動生產率的影響研究
——兼論“鮑莫爾病”治理

姜 松 林小童

（1.重慶理工大學經濟金融學院，重慶 400054；2.貴州財經大學經濟學院，貴州 貴陽 550025）

一、引言

數字技術作為世界科技革命和產業變革的先導力量，日益融入經濟社會發展各領域全過程，深刻改變著生產方式、生活方式和社會治理方式。在數字技術產生的眾多影響中，其在產業融合與賦能中所帶來的勞動生產率差距表現得日益突出，這種現象被稱為“鮑莫爾病”。“鮑莫爾病”最早由美國經濟學家威廉·鮑莫爾于1967 年提出。他認為，“進步部門”生產率的快速增長，將導致“停滯部門”生產成本的不斷上升。通常，把制造業視為“進步部門”，把服務業視為“停滯部門”（Baumol，1967）[1]。

從這個層面來看，“鮑莫爾病”本質上反映的是勞動生產率和工資增長率的不匹配性。這種問題的產生與作為“停滯部門”的服務業密切相關，受到服務業勞動生產率的影響。可以說，服務業勞動生產率的降低是導致“鮑莫爾病”形成和社會經濟增速放緩乃至停滯的底層邏輯。尤其是，當一個國家邁入工業化階段后，服務業在國民經濟部門中所占的比重會大幅上升。這一問題如果不能根治，產生的影響不可估量。就我國而言，自2015 年進入服務經濟時代以來，“鮑莫爾病”現象已經出現，我國進入了經濟緩慢下行通道（龐瑞芝和李帥娜，2022）[2]，這也是時任國務院副總理劉鶴在2021 年世界互聯網大會致辭中特別強調治理“鮑莫爾病”的直接原因。

治理“鮑莫爾病”的關鍵是要提高服務業勞動生產率。影響服務業勞動生產率的因素有很多，其中，金融發展對提高勞動生產率具有顯著的促進作用，這已經由發達國家的發展經驗所證實（Rioja 和Valev，2004）[3]。在理論層面，金融通過貨幣交換，有效降低了交易成本，促進了勞動分工。按照亞當·斯密在《國富論》中的闡釋，勞動分工是提升勞動生產率的重要因素。因此，金融發展通過推動勞動分工，進而提升勞動生產率。在眾多金融業態中，作為數字技術與金融融合發展的新業態，數字普惠金融利用互聯網等技術為社會提供金融產品和服務（劉瑞凝等，2019）[4]，提高了金融服務的公平性、滲透性、普遍性、可負擔性，對于勞動生產率的提升作用不言而喻，為促進服務業高質量發展、治理“鮑莫爾病”提供了新契機。

然而，近年來，隨著數字普惠金融創新實踐的深入推進，數字普惠金融發展中存在的多目標沖突、監管套利問題也不斷涌現，部分數字普惠金融產品仍是披著數字普惠金融外衣的非法金融活動，“不出問題就合法，出問題就非法”問題十分明顯（姜松和周鑫悅，2021）[5]。更需要特別關注的是，與傳統金融業態相比，數字普惠金融以金融科技手段為支撐，風險生成機理更為復雜、傳導過程更為迂回、傳染范圍更為寬廣，數字普惠金融呈現的這種復雜風險特質已經對勞動生產率的提升產生了不良影響（Chen 等，2022）[6]，這在一定程度上可能會進一步加劇“鮑莫爾病”的問題，影響構建優質高效的服務業新體系的進程。那么，數字普惠金融對勞動生產率到底產生了怎樣的影響？實踐中，數字普惠金融所呈現的風險特質是否會加劇“鮑莫爾病”？深層次原因是什么？這就是本研究要解決的問題。

為此，基于服務業勞動生產率低下導致的“鮑莫爾病”問題，在數字普惠金融對勞動生產率可能存在的多面性影響下，本文以服務業作為研究對象，旨在探究數字普惠金融對服務業勞動生產率的復雜影響，為治理“鮑莫爾病”提供新的解決方案，促進服務業發展，推動經濟的穩步增長。本研究的邊際貢獻主要體現在：一是立足“鮑莫爾病”治理的宏觀大環境，將數字普惠金融發展與服務業勞動生產率相聯系，評估數字普惠金融對服務業勞動生產率的影響效應，明辨當前數字普惠金融的真實效應和主要貢獻，能夠澄清爭議、校正偏差。二是基于理論分析框架，進一步檢驗數字普惠金融對服務業勞動生產率的影響機制，深刻解剖數字普惠金融對服務業勞動生產率影響傳導環節中的薄弱環節和約束，找到“鮑莫爾病”的解決方向和化解路徑，為政府決策提供有效經驗支撐。

二、數字普惠金融對服務業勞動生產率影響的理論分析

（一）數字普惠金融對服務業勞動生產率的直接影響

1.數字普惠金融通過促進金融便利化來提高服務業勞動生產率。數字普惠金融通過移動支付、數字貨幣等方式，打破了傳統金融機構的服務時間和地理位置限制，簡化了金融服務流程和操作，大大提高了金融服務的便利性和靈活性，這將節省勞動時間和資源，并擴大服務業經濟產出，從而促進服務業勞動生產率的提升。具體而言，通過數字普惠金融平臺，個人和企業可以完成移動支付、在線轉賬等一系列便捷的金融服務，避免了傳統金融服務中煩瑣的人工操作、紙質文件處理和排隊等待，這將減少企業在經濟活動中的人力、時間和物質資源的投入和浪費，有效降低勞動投入。此外，更便捷的支付、轉賬等金融活動將促進更多的人享受數字金融服務，這擴大了經濟活動范圍，能夠促進服務業的交易量和規模的提升，從而在減少勞動投入的同時實現了服務業產出的擴大，進而有效提高服務業勞動生產率。

2.數字普惠金融通過豐富金融品類來提升服務業勞動生產率。數字普惠金融的廣泛應用能夠提高全社會使用數字金融服務的頻率和種類，滿足了企業多元化的金融需求，能有效擴大服務業產出并降低投入，促進服務業勞動生產率的提升。一方面，多樣化的金融服務品類滿足了不同類型、不同規模服務業企業的信貸和融資需求，促進了其生產活動的開展，提高了產出。例如，針對小微企業和個體經營者，數字普惠金融提供了小額貸款、信用貸款等服務，解決了其過去難以獲得金融服務的問題，使其能夠及時獲得資金支持開展經濟活動，從而提高產出。針對大型企業，數字普惠金融通過供應鏈金融、大數據信貸等服務幫助其優化資金鏈、提高生產效率，進一步擴大了產出。另一方面，專業的金融管理服務，如現金流管理、資產配置等，還可以直接減少企業的投入。因為，這可以使企業更合理地安排資金，減少了在資金調度上的時間和人力成本，還能幫助企業制定出最優的投資組合，從而減少在投資決策和管理上的勞動投入。因此，數字普惠金融將有效改善服務業的勞動產出投入比，促進了服務業勞動生產率的提升。

3.數字普惠金融通過建立多元風險防范機制提高服務業勞動生產率。數字普惠金融可以提供多元化的風險管理產品，有效降低企業風險損失，保障生產活動的有效運行，促進勞動生產率的提升。一方面，數字普惠金融通過提供保險服務，如財產保險、責任保險等，能夠幫助企業管理和分散風險，這種風險轉移機制可以有效減小各種風險事件導致的投入損失。此外，金融衍生品等工具還可以幫助企業進行風險對沖，如通過購買期貨、期權等金融產品，企業能夠對沖經營過程中可能出現的價格風險和匯率風險，在一定程度上消除市場波動帶來的不確定性，減少了因市場波動導致的投入損失。另一方面，這些風險管理機制可以增強企業在面對不確定性時抵御風險的能力，使企業能夠將更多的注意力和資源集中在生產活動本身，從而更加專注于提高生產效率和服務質量，而不需要過分關注市場風險，保障了生產活動的高效運行。這使得企業在避免風險投入損失的同時，保障了產出質量，從而使服務業勞動生產率得到有效提升。

（二）數字普惠金融對服務業勞動生產率的間接影響

1.數字普惠金融→生產性分工→服務業勞動生產率。服務業分工水平的高低主要體現在生產性服務業的發展程度上。一般而言，生產性服務業越發達，服務業內部生產性分工越明確，生產性服務業高專業化、高技術資本以及產業關聯性和空間聚集性的特征就越明確，資本積累和規模經濟效應也越強，這將極大地提升服務業勞動生產率（Grubel 和Walker，1989；惠煒和韓先鋒，2016）[7，8]。而分工取決于生產力發展和生產關系性質，數字普惠金融作為以數字技術為基礎的金融業務模式，以普惠化、多樣化、個性化的金融服務覆蓋更多中小企業和個體經營者，降低了服務成本，擴大了服務范圍，能夠提高生產力，改善生產關系，推動自然分工和社會分工的形成，從而促進生產性分工。具體而言，數字普惠金融利用互聯網、移動設備等，提高了要素配置的效率，使生產力得到解放，促進了自然分工。另外，數字普惠金融使更多的個人和小微企業能夠更加平等地獲得多樣化、個性化的金融服務支持，這鼓勵了市場中的各個生產者和消費者根據各自的優勢和特長參與到自由的市場交易中，擴大了市場規模和交易活動范圍，促進生產者在特定領域的工作細分，推動產品和服務的精細化、差異化，解決了“二八定律”問題，優化了生產關系，促進了社會分工，從而形成更加高效的生產性分工網絡。

2.數字普惠金融→專業化→服務業勞動生產率。亞當·斯密在《國富論》中運用分工理論解釋了專業化對勞動生產率的提升作用，認為專業化能夠使勞動者專注于某一特定任務，通過不斷的練習和改進來提高自己的技術水平，從而更快、更準確地完成工作，避免了切換任務所帶來的時間成本，有效地節約了生產資源和時間，進而實現勞動生產率的提升。服務業作為勞動密集型產業，專業化對服務業勞動生產率的提升作用不言而喻。一般而言，專業化發展需要充分的勞動力知識、技能和經驗積累，這離不開對勞動者的教育和培訓，而數字普惠金融的產生推動了教育資源的普惠化，并提供了標準化的操作流程和自動化、智能化的業務處理模式，這為專業化提供了支持。一方面，數字普惠金融在教育領域的應用降低了教育信貸的獲取門檻，緩解了私人部門的融資約束，從而擴大了人力資本投資以及文教、文娛、文化消費，提高了勞動力技能知識水平（楊曉智，2015）[9]，而標準化、自動化的操作流程和業務處理模式又使得不同崗位的職責和分工更加明確，使每個員工可以更加專注于自己的任務，提升工作熟練度，實現經驗積累，從而促進專業化。另一方面，智能化的數字普惠金融平臺加快了金融科技知識的流通，使信息更加順暢、有效地傳遞，能夠促進內隱知識轉換為外顯知識（Guo等，2023）[10]，加強了勞動力對金融知識、技術的積累和利用，產生知識溢出效應，從而推動專業化發展。

3.數字普惠金融→技術進步→服務業勞動生產率。在新古典經濟增長模型以及內生增長理論中，技術進步均被視為驅動勞動生產率提升的重要因素。技術進步能夠降低服務成本、聚合市場資源、擴大市場范圍，有助于實現服務供需間的及時匹配與協調，提高資源配置效率，并推動服務業規模化發展和現代化轉型升級，從而提升勞動生產率（江小涓，2017；張龍鵬和周笛，2020）[11，12]。技術進步的實現需要依托強大的資金支持和創新能力，而數字普惠金融是創新的金融服務業態，具有多樣化的融資渠道和創新支持途徑，能夠幫助企業創新商業模式、增強研發動力。從創新商業模式來看，數字普惠金融具有創新型金融模式，其發展能夠推動產品和服務的生產與交付革新，創新后臺服務、教育及培訓，加快企業對新技術的吸收和轉化，從而實現技術進步（Haddad 和Hornuf，2019）[13]。從增強研發動力來看，數字普惠金融為中小企業和個體經營者提供了更多樣化的融資方式，緩解了融資約束，降低了研發投資風險，為創新創業提供了資金支持，能夠有效釋放創新主體的創造力，擴大研發支出，最終促進新技術的出現（田晨陽等，2022；惠獻波，2021）[14，15]。

三、研究設計

（一）模型設定

1.基準模型。為檢驗數字普惠金融對服務業勞動生產率的影響，本文先建立面板數據基準模型，從總體、結構及區域三個層面進行實證檢驗。基準模型如下：

其中，被解釋變量prodit表示第i個省第t年服務業勞動生產率；解釋變量difit表示第i個省第t年數字普惠金融指數，其中還包括了覆蓋廣度、使用深度、數字化程度三個子指標；controlit為控制變量，包括經濟發展水平（pergdp）、信息化水平（int）、政府干預（gov）、產業結構服務化程度（stru）；εit為隨機擾動項。

進一步地，本文引入Shapley 值分解法明確數字普惠金融各子指標對服務業勞動生產率影響的貢獻度。Shapley 值分解是由Shorrocks（1999）[16]在合作博弈分析框架基礎之上引出的分解方法。基本原理如下：X 對Y 的貢獻率可以通過剔除X 時所產生的邊際效應均值來衡量，即在給定X 的分布情況下，X 所產生的邊際效應均值越大，X 對Y 的影響就越大；X 自身的分布越不平均，對Y 的貢獻也越大（劉丹鷺，2017）[17]。假設有三個解釋變量X1、X2、X3，則X1的Shapley值為式（2）：

2.中介效應模型。基于上述基準模型，為進一步驗證數字普惠金融對服務業勞動生產率影響的傳導機制，本文采用生產性分工、專業化、技術進步作為中介變量，探究數字普惠金融對服務業勞動生產率影響的作用路徑。為此，基于模型（1），本文采用三步回歸法，建立以下中介效應模型：

上式中，mediatorit表示第i個省第t年的中介變量，包括生產性分工、專業化、技術進步。我們先對方程（3）進行回歸，以檢驗系數β1是否具有顯著性。如果回歸結果表明β1是顯著的，那么我們將繼續對方程（4）和（5）進行回歸，以檢驗系數γ1和系數η2是否顯著。如果均顯著，我們將得出存在中介效應的結論。如果系數η1不顯著，那么存在完全中介效應；相反，則存在部分中介效應。

（二）變量說明

1.被解釋變量：服務業勞動生產率（prod）。一般而言，勞動生產率是指勞動者在一定時期內創造的勞動成果與其相適應的勞動消耗量的比值。借鑒這一概念，本文中的服務業勞動生產率指服務行業勞動者在一定時期內創造的勞動成果與其相適應的勞動消耗量的比值。因此，根據服務業勞動生產率的定義，本文采用服務業增加值除以服務業就業數量表示服務業勞動生產率。

2.核心解釋變量：數字普惠金融指數（difa）。本文采用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發展指數作為數字普惠金融發展水平的衡量標準。該指數還包括數字普惠金融的三個子指標，即覆蓋廣度（difb）、使用深度（difd）和數字化程度（difl）。具體來說，覆蓋廣度主要考察支付寶賬戶的普及程度以及支付寶綁定銀行卡的用戶比例，使用深度則關注實際使用互聯網金融服務的情況和頻率，數字化程度則評估地區數字普惠金融的便利性和效率。

3.中介變量。（1）生產性分工（prc）。根據理論分析，生產性服務業①發展是服務業分工的重要體現，生產性服務業發展水平的提升在一定程度上反映了服務業分工的深化和產業結構的升級。因此，本文用生產性服務業的發展水平來表示生產性分工程度，考慮到數據的可得性，本文借鑒丁博等（2019）[18]的做法，采用生產性服務業城鎮就業人數占城鎮就業總人數的比重對此進行衡量。（2）專業化（hum）。人力資本作為勞動主體，具有知識、技能、經驗等方面的積累，高質量人力資本意味著具有更高的知識及專業水平，是專業化的體現。因此，本文采用人力資本表示專業化程度，借鑒顧乃華（2010）[19]對人力資本的衡量方式，使用平均受教育年限表示人力資本，并根據受教育程度對受教育年限進行估算。（3）技術進步（tec）。對于技術進步的衡量，周衛民等（2022）[20]認為，根據《中國科技統計年鑒》《中國統計年鑒》，技術市場成交額實際上體現了科學技術在市場中的實際應用所創造的市場價值，這在一定程度上反映了科學技術對經濟的支撐作用以及科學技術服務經濟發展的水平。現代服務業的技術密集性特征突出了技術對經濟活動的服務性質。據此，本文采用技術市場成交額來衡量技術進步。政支出占地區生產總值的比重對各地政府干預程度進行衡量。（4）產業結構服務化程度。產業結構的服務化程度可以反映服務業在該區域國民經濟中的地位，同時也是衡量服務業與制造業互動程度和發展水平的一項指標，預測產業結構服務化程度的提升能夠積極促進服務業勞動生產率的提升（丁瀟瀟和黃繁華，2014）[22]。據此，本文采用第三產業增加值占第二、三產業增加值的比重來表示產業結構服務化程度。模型變量說明如表1所示。

表1：模型變量說明

（三）數據來源與說明

4.控制變量：服務業勞動生產率除了受數字普惠金融影響外，還受到其他一系列內部和外部變量的影響。根據惠獻波（2021）[15]、錢龍（2018）[21]、丁瀟瀟和黃繁華（2014）[22]的研究成果，本研究選取了經濟發展水平（pergdp）、信息化水平（int）、政府干預（gov）以及產業結構服務化程度（stru）作為控制變量。（1）經濟發展水平。根據配第—克拉克定理的觀點，隨著經濟發展水平的提高，勞動力會依次在三次產業之間進行轉移，地區的產業結構也會從低級向高級進行變遷。經濟發展水平提升，將會提高人們對于服務的需求，從而推動服務業的發展，本文采用人均地區生產總值度量地區經濟發展水平。（2）信息化水平。信息技術代表了一種新型的生產方式，包括新的工作系統、組織結構、業務流程等。它為企業提供了更有效、更先進的組織管理模式，從而提高了企業的生產力和效率。同時，信息化水平的不斷提高能夠大大減少服務中的溝通與協調成本，實現標準和工作自動化，減少資源投入和浪費，進一步提升生產率（韓自然等，2017）[23]。本文采用互聯網寬帶接入用戶數來表示信息化水平。（3）政府干預。陳海濤等（2021）[24]分析指出，適度的政府干預對全要素生產率的提升具有正向效應，而過度的政府干預則具有負向影響。我國的產業發展具有政府主導的特征，政府在產業結構變遷中扮演著關鍵角色，并通過制度安排發揮著重要的作用。政府干預將會影響服務業的發展環境，對服務業勞動生產率產生影響。本文使用各地財

本研究選取2011—2020 年間我國30 個省（自治區、直轄市，以下簡稱省份）（考慮到數據可得性，排除了西藏、香港、澳門和臺灣地區）的面板數據。其中，數字普惠金融數據來自北京大學數字金融研究中心。其他數據均來源于《中國統計年鑒》及各省份統計年鑒。由于遼寧省2019 年第三產業就業人數數據缺失，故本文采用2018 年和2020 年該指標的算術平均值進行估計。同時，為增強數據可比性以及減少異方差，本文對服務業勞動生產率、數字普惠金融指數、生產性分工、專業化以及技術進步指標進行對數化處理。描述性統計如表2所示。

表2：描述性統計

四、實證分析

（一）多重共線性檢驗

為保證研究的科學性，本文采用方差膨脹因子（VIF）分別從總體、結構及區域層面對模型中各解釋變量的共線性進行檢驗。VIF 衡量了解釋變量之間的相關性，VIF 值越高，表示多重共線性越嚴重。一般來說，VIF 大于10 可以被認為存在多重共線性的問題，檢驗結果如表3 所示。可以看出，多數變量的VIF 值小于10，且VIF 均值均小于5，故認為模型不存在嚴重的多重共線性，可以進一步進行回歸分析。

表3：多重共線性檢驗

（二）基準模型檢驗

1.數字普惠金融對服務業勞動生產率的影響效應檢驗。回歸結果如表4所示，根據F檢驗、LM檢驗以及Hausman檢驗的結果，在揭示數字普惠金融對服務業勞動生產率的影響效應時均構建個體固定效應模型。其中，模型（1）表示總體估計結果，模型（2）—（5）表示在依次加入經濟發展水平、信息化水平、政府干預以及產業結構服務化程度等控制變量后的估計結果。

表4：基準回歸結果

在總體層面，數字普惠金融總指數對服務業勞動生產率的影響為正，并在1%顯著性水平下通過檢驗，說明數字普惠金融能夠顯著促進服務業勞動生產率的提升。從控制變量回歸結果來看，經濟發展水平、信息化水平、產業結構服務化程度系數符號為正，且在1%顯著性水平下通過檢驗，說明有利的宏觀經濟環境、不斷成熟的互聯網技術以及不斷擴大的服務業比重推動著服務業不斷向好發展，緩解了傳統服務業存在的低效率問題。但是，政府干預的系數符號為負且在1%顯著性水平下通過檢驗，表明政府干預對服務業勞動生產率具有顯著的抑制作用，這間接說明在我國財政分權制度下，財政支出結構的不完善可能導致要素市場扭曲，阻礙了產業的正常發展，最終使得勞動生產率下降，造成財力資源的浪費，這與余泳澤和劉大勇（2018）[25]得出的結論一致。

2.數字普惠金融對服務業勞動生產率影響的結構性特征。接下來，本文將繼續就數字普惠金融的三個子指標，即數字普惠金融服務覆蓋廣度、使用深度及數字化程度對服務業勞動生產率的結構性影響進行分析。表5 模型（6）—（8）依次展示了數字普惠金融的覆蓋廣度、使用深度以及數字化程度對服務業勞動生產率的影響效應，數字普惠金融的三個子指標對服務業勞動生產率均具有顯著正向影響。其中，使用深度對服務業勞動生產率的影響系數最大，其次是覆蓋廣度，這兩者的影響程度相近，而數字化程度對服務業勞動生產率的影響相對較弱，說明相較于覆蓋廣度與使用深度而言，數字化程度的拉動作用還不足，數字普惠金融的發展尚未完全成熟，可能需要更深層次的技術創新來實現更大的生產率提升。未來應重點加強對于數字化程度的建設，關注數字普惠金融如何利用好數字技術來推動服務業的發展，以進一步提升數字普惠金融對服務業勞動生產率的促進作用。

表5：數字普惠金融對服務業勞動生產率影響的結構效應

3.數字普惠金融對服務業勞動生產率影響的區域性差異。我國金融資源分配不均衡，普遍呈現出東部資源充沛而中西部資源匱乏的現象，為此，本文將30個省份按照東、中、西三個區域進行劃分②，分區域探討數字普惠金融對服務業勞動生產率的影響。結果如表6 所示。可以發現，數字普惠金融對服務業勞動生產率的影響存在區域異質性。具體而言，數字普惠金融對服務業勞動生產率的促進作用在西部地區最為明顯，其次是東部地區，而中部地區數字普惠金融對服務業勞動生產率的影響并不顯著。原因可能是，我國東部地區豐富的金融資源稟賦、基礎設施建設、市場范圍以及服務水平，為數字普惠金融提供了良好的發展環境，打破了過去傳統服務業在空間、時間上面臨的局限性，從而有效促進了服務業勞動生產率的提升。對于經濟發展較為落后的西部地區而言，農村金融資源供給不足問題十分突出，地理范圍廣闊、物理網點覆蓋成本高的特點導致其金融服務的可得性較低，且存在大量弱勢行業和人群，而這恰好是數字普惠金融的重點服務對象，加上近年來西部地區的普惠金融意識逐漸增強，數字普惠金融在一定程度上得到了跨越式發展（郭峰等，2020）[26]，使得數字普惠金融對于西部地區服務業的發展具有顯著的邊際效應，能夠大大降低西部地區服務業信息獲取的成本，擴大服務市場范圍，提高資源配置的效率，并緩解中小微企業的融資難問題，從而有效提高金融服務的可得性，促進了生產率的提升。

表6：數字普惠金融對服務業勞動生產率影響的區域性差異

然而，對于中部地區而言，盡管其具有承接東部產業轉移的優勢，是連接東西部的橋梁和紐帶，但其承接的產業多為傳統型產業，且承接外包的環境條件、保證手段缺失，又在一定程度上受到東部相對發達的服務業抑制，導致在國際分工乃至區域分工中的位置靠后，現代服務業發展層次不高，在短期內難以實現產業轉型升級。同時，中部地區農村市場范圍廣，人均收入水平相對較低，對服務業（尤其是高端服務業）的需求不旺盛，產業價值鏈較短，使得服務業發展面臨一定困難。吳志軍和舒曉杰（2022）[27]的研究結果顯示，2006—2020年，中部地區的第三產業結構性轉移增長為-8815.04，在三個五年規劃期間均呈負值。這表明中部地區的現代服務產業比重相對較低，服務產業體系還不夠成熟，長期處于結構性劣勢，人才資源匱乏、市場創新活力不足等問題也限制了中部地區服務業的發展，這一系列因素導致了數字普惠金融對于服務業勞動生產率的提升作用尚未顯現，還具有較大開拓空間。

（三）數字普惠金融對服務業勞動生產率的貢獻分析

為了檢驗各變量對服務業勞動生產率影響的貢獻度，本文采用夏普里值（Shapley value）分解法對各變量的貢獻度進行衡量，該方法通過觀測不同解釋變量組合下R2的變化，分解測度出解釋變量的邊際貢獻和貢獻率（Huettner 和Sunder，2012）[28]。表7 顯示了數字普惠金融總指數、數字普惠金融的三個子指標以及控制變量對服務業勞動生產率的貢獻度。根據結果可知，數字普惠金融總指數對服務業勞動生產率的影響貢獻度為18.71%。在各子指標中，覆蓋廣度的貢獻度最大，達到了18.70%，其次為使用深度，貢獻度為18.09%，而數字化程度對服務業勞動生產率的影響貢獻度較低，僅為7.41%。這進一步說明了目前數字化程度發展還較不成熟，產生的影響相較于數字普惠金融覆蓋廣度和使用深度而言更加微弱。可能的原因是：我國金融體系數字化轉型起步較晚，目前正處于轉型期間，硬件設施及普及力度還存在一定不足，數字金融資源難以完全覆蓋所有的有效金融訴求，這使得數字化程度對服務業勞動生產率的影響可能被減弱（汪亞楠等，2020）[29]。

表7：基于夏普里值的數字普惠金融各變量的貢獻率

（四）數字普惠金融對服務業勞動生產率影響的機制檢驗

接下來，本文運用中介效應模型檢驗生產性分工、專業化以及技術進步在數字普惠金融與服務業勞動生產率關系中的中介效應，回歸結果如表8所示。

表8：中介效應回歸結果

在以技術進步為中介變量的路徑下，回歸分析結果與理論預期一致，如表8 模型（21）、（22）所示。由模型（21）可知，數字普惠金融對技術進步的影響系數為0.210，且在1%的水平下顯著，說明數字普惠金融能夠顯著正向影響技術進步。由模型（22）可知，在加入技術進步這一中介變量后，數字普惠金融對服務業勞動生產率的影響系數為0.076，與基準回歸相比數值稍有變小，且在1%的水平下顯著，說明技術進步存在部分中介效應，即數字普惠金融可以顯著促進樣本省份技術進步，并最終提高服務業勞動生產率。同時，根據回歸系數，數字普惠金融通過技術進步對服務業勞動生產率的間接效應系數為0.008，小于直接效應系數0.076，這表明技術進步在數字普惠金融促進服務業勞動生產率提高的作用中發揮著較小的中介效應，而大部分為直接效應，說明數字普惠金融通過技術進步來拉動服務業勞動生產率這一渠道還具有較大的上升空間，提升作用有待進一步加強。

在以生產性分工和專業化為中介變量的路徑下，回歸分析結果與理論預期不一致，但二者存在差異。其中，表8 模型（17）、（18）以生產性分工為中介變量，根據回歸結果可知，數字普惠金融能夠顯著促進生產性分工，而生產性分工對服務業勞動生產率的影響顯著為負，數字普惠金融對服務業勞動生產率的間接效應為-0.018（-0.176×0.102），其方向與直接效應相反，直接效應系數0.102 大于總效應系數0.084，說明生產性分工在其中發揮了顯著的遮掩效應。對此，可能的解釋是：從理論上講，當生產性分工水平提高時，分工過細可能導致信息不對稱、協調成本增加等問題，可能使得服務業企業和組織對于整個價值鏈的其他環節了解不足，勞動者過度依賴其特定領域的專業化，限制了他們學習新技能和適應新環境的能力，這種局限性可能會使勞動者無法充分利用數字普惠金融帶來的潛力，限制其對勞動生產率的提升作用，從而產生遮掩效應。此外，由于生產性分工程度主要受到生產性服務業發展水平的影響，生產性服務業發展水平的提升意味著注意力和資源可能更多地集中在該行業的發展上，而忽視了其他行業的需求和機會，這可能導致數字普惠金融在其他服務業部門中的推廣和應用受到限制，無法充分發揮對勞動生產率的促進作用，從而掩蓋了數字普惠金融對服務業勞動生產率的潛在影響。也就是說，當生產性服務業比重相對于其自身的需求過高時，帶來的需求結構和現有產業結構的不平衡將會使資源和要素分配失衡，分工結構的不合理導致了生產率的下降（金曉雨，2015）[30]，也就掩蓋了數字普惠金融對服務業勞動生產率的提升作用，數字普惠金融對于生產性分工結構合理化的拉動作用還有待挖掘。

表8 中模型（19）和（20）是以專業化為中介變量的回歸結果，由回歸結果可知，數字普惠金融能夠顯著促進專業化水平，在加入專業化這一中介變量后，數字普惠金融對服務業勞動生產率的影響系數為0.085，且在1%的水平下顯著，專業化對服務業勞動生產率的影響系數為-0.106，但并不顯著。因此，需通過進一步檢驗來判斷中介效應是否存在。本文借鑒溫忠麟和葉寶娟（2014）[31]的檢驗方法，采用Bootstrap 法檢驗，結果如表9 所示。直接效應置信區間為（0.047，0.122），不包含0，說明數字普惠金融對服務業勞動生產率存在顯著影響，與上文結果一致。間接效應置信區間（-0.004，0.028）含有0，說明專業化的中介效應不成立。專業化是多維度的，包括職能、區域、產業等方面的專業化，而本文考慮的僅是人力資本因素的影響，人力資本作為專業化的一個方面，可能在數字普惠金融對服務業勞動生產率的影響中未能發揮中介作用。這可能是由于：第一，數字普惠金融雖然促進了人力資本水平的提升，但高層次專業化人才并未大量進入服務行業，而是更多進入了制造業等實體行業或者生產率較低的服務部門，可能存在人力資源錯配問題（項松林，2020）[32]；第二，由于我國數字普惠金融發展還處于初期，加之人才的轉型升級可能存在一個過渡期，數字普惠金融對專業化、高技能、高層次人才的促進作用還未能及時有效地落地到生產率的提升上，這使得人力資本在其中并沒有發揮作用，從而導致專業化并未產生積極有效的中介作用。

表9：Bootstrap檢驗結果

（五）穩健性檢驗

1.內生性問題。為了緩解模型的內生性問題，避免回歸結果存在偏誤，本研究采用工具變量法對模型內生性進行檢驗。對于數字普惠金融工具變量的選擇，目前常用的方法是采用各省份到杭州的球面距離構建地理工具變量。這是因為，杭州是我國電商業務發展的中心，城市的數字普惠金融水平受到與杭州距離的影響，且城市與杭州的距離作為自然地理變量，不會對服務業勞動生產率產生直接影響。由于本文使用面板數據，距離工具變量無法解釋數字普惠金融變化中的時間因素，因此，本文參照陸鳳芝和王群勇（2022）[33]的方法，采用各省省會城市到杭州的距離（與個體相關）與移動電話普及率（與時間相關）的交互項作為數字普惠金融的工具變量，回歸結果如表10 模型（23）所示。基于不可識別的Anderson canon.corr.LM 統計量為45.656，在1%水平上顯著，弱工具變量識別的Cragg-Donald Wald F 統計量為53.930＞16.38，均通過檢驗，且工具變量回歸的結果（0.139，P=0.00）支持了數字普惠金融對服務業勞動生產率的顯著促進作用，這表明在本研究中基準回歸結果是可靠且穩健的。

表10：穩健性檢驗

2.剔除直轄市。在數字金融的發展進程中，受到政策偏向的影響，重點城市能夠獲得更多的經濟金融資源和支持政策。因此，為了驗證結論的普遍性，本文借鑒劉哲（2022）[34]等的研究方法剔除直轄市樣本，對模型進行穩健性檢驗，檢驗結果如表10 模型（24）所示。在剔除直轄市后，數字普惠金融指數的系數仍在1%的水平下顯著為正，說明對服務業勞動生產率存在顯著的正向影響，與基準回歸結果保持一致。

3.調整樣本區間。根據劉軍等（2020）[35]的觀點，我國的數字經濟發展將經歷兩個時期，即從萌芽期到蓬勃發展期。他們認為，在測算數字經濟水平時，萌芽期的數據并沒有太大的意義，而應該以政府開始重視數字經濟發展作為時間節點來確定數字經濟發展時期的選擇。因此，本文以政府開始重視數字金融發展的2015 年作為樣本起始時間，對2015—2020年數據的回歸結果如表10 模型（25）所示。數字普惠金融指數對服務業勞動生產率的影響在1%顯著性水平下通過檢驗（0.188，P=0.000），即數字普惠金融發展正向影響服務業勞動生產率，與基準回歸結果保持一致。

五、結論與政策建議

（一）結論

本研究利用2011—2020年我國30個省份的省級面板數據，運用固定效應模型和中介效應模型，對我國數字普惠金融發展對服務業勞動生產率的影響進行了分析與檢驗。根據理論機制分析，數字普惠金融能夠通過生產性分工、專業化、技術進步這三條機制對服務業勞動生產率產生促進作用。實證檢驗發現：第一，數字普惠金融對我國服務業勞動生產率具有顯著的促進作用，但在中部地區影響效果不顯著，存在區域性矛盾。第二，根據Shapley值分解結果，數字普惠金融覆蓋廣度的貢獻度最大，使用深度次之，分別為18.70%和18.09%，而數字化程度的貢獻度微弱，僅為7.4%，存在結構不平衡問題。第三，數字普惠金融可以通過技術進步這一中介變量來促進服務業勞動生產率的提升，且直接效應高于間接效應，但數字普惠金融在生產性分工和專業化這兩條路徑上對服務業勞動生產率的中介作用與理論分析不符，主要表現為生產性分工在數字普惠金融對服務業勞動生產率的影響中呈現出遮掩效應，而專業化的中介作用則不存在。

（二）政策建議

1.加快數字普惠金融建設，重點推進數字化程度提升。提高服務業勞動生產率要充分發揮數字普惠金融的優勢，需加大對數字普惠金融的宣傳推廣，尤其要重點推進數字化建設。這包括增加數字普惠金融相關硬件和軟件的投入，引入強大的數字安全技術，奠定數字化建設基礎。同時，需重點關注弱勢群體，簡化操作流程，建立智能化支付系統，并利用大數據對消費者偏好的感知，擴大服務范圍和提高服務效率，致力打造“智慧普惠金融”，更好地實現數字普惠金融在服務業勞動生產率提升中的作用。

2.精準施策，平衡數字普惠金融區域協調發展。對于數字普惠金融在不同地區對服務業勞動生產率的異質性影響，應精準施策以緩解區域不平衡狀況。尤其是面對中部地區可能存在的現代服務業需求低、市場創新活力不足等問題，應重點推進數字普惠金融創新，擴大和利用好中部地區所具備的資源優勢，平衡產業間的發展，帶動服務業市場需求和消費能力提升，支持現代服務業發展。同時，東中西部地區應加強合作與交流，平衡資源分配，提高區域金融創新活力，促進共同發展。

3.推動數字普惠金融下服務業分工結構合理化，平衡普惠資源分配。為了克服生產性分工對數字普惠金融在提升服務業勞動生產率方面的限制，需要優化服務業分工結構，促進合理分工。這要求關注服務業的整體發展，需要加強不同服務業部門之間的合作與協同，建立合作機制與信息共享平臺，鼓勵聯合創新，以推動服務業整體發展。同時，要平衡數字普惠金融在服務業的普及和應用，通過提供更普惠的金融服務，幫助勞動者在不同領域之間實現更好的資源配置和資金流動，以實現各部門資源的合理分配。

4.優化服務業人才資源配置，避免人力資本錯配。提高服務業勞動生產率，要落實服務業專業化發展，尤其是要優化人才資源配置。因此，應優化人才引進政策，吸引高層次人才進入服務業，并加大人才培養力度，促進專業化和多樣化技能發展，避免人力資本流失和錯配。此外，要充分利用先進技術和創新型金融科技，完善數字普惠金融下的人才管理制度，實現科學智能化管理，建立有效的人力資源發展體系，引導從業人員學習和應用新技術，加快人力資本的轉型升級，從源頭上為提升服務業勞動生產率提供強大支持。

注：

①根據國家統計局發布的《生產性服務業統計分類（2019）》，本文中生產性服務業包括：交通運輸、倉儲和郵政業，信息傳輸、軟件和信息技術服務業，金融業，租賃和商業服務業，科學研究和技術服務業。

②東部地區包括北京、福建、廣東、海南、河北、江蘇、遼寧、山東、上海、天津和浙江，共計11 個省份。中部地區包括安徽、河南、黑龍江、湖北、湖南、吉林、江西和山西，共計8 個省份。西部地區包括內蒙古、甘肅、廣西、貴州、寧夏、青海、陜西、四川、新疆、云南和重慶，共計11個省份。