數字金融對城市全要素生產率的影響

摘要：提高全要素生產率是實現高質量發展的動力源泉，數字金融作為經濟發展的新引擎，是增強金融機構服務實體經濟質效、助力生產率提升的重要舉措。本文以中國2011—2020年286個城市為樣本，考察數字金融對城市全要素生產率的影響效果及作用機制，數字金融顯著促進了城市全要素生產率提升。其中，數字金融覆蓋廣度的作用效果最為明顯，之后依次為數字金融使用深度、數字金融數字化程度。數字金融能夠通過推動技術創新和優化要素配置兩種效應賦能全要素生產率，創新驅動效應的貢獻度大于要素配置效應。不同城市化推進模式下，數字金融對城市全要素生產率的作用存在差異。相比于政府主導型和廣度推進型城市，市場主導型和深度推進型城市的數字金融對全要素生產率的提升效果更為顯著。

關鍵詞：數字金融；全要素生產率；創新驅動；要素配置；城市化推進模式

中圖分類號：F49；F832；F273文獻標識碼：A文章編號：1001-148X（2024）05-0059-10

收稿日期：2024-05-21

作者簡介：邸勍（1990—），男，河北保定人，助理教授，博士，研究方向：區域經濟與科技創新；袁曉玲（1964—），女，陜西西安人，教授，博士生導師，研究方向：高質量發展；張美莎（1991—），女，山西運城人，講師，博士，研究方向：制度與創新經濟。

基金項目：教育部哲學社會科學重大課題攻關項目“促進城市高質量建設發展的長效機制研究”，項目編號：20JZD012；陜西省社會科學基金項目“自立自強戰略下陜西科技創新助力經濟高質量發展的實現機制與路徑研究”，項目編號：2023D021。

①數據來源于聯合國國際比較計劃委托美國賓夕法尼亞大學建立的數據庫“佩恩表”。

一、引言

新古典經濟增長理論認為，提高全要素生產率是維系經濟長期穩定增長的主要驅動力［1］。然而，近十年來中國的全要素生產率不及美國的40%，年均增速僅有12%①，經濟發展亟須從規模速度型向質量效率型轉變。黨的二十大報告明確指出，“高質量發展是全面建設社會主義現代化國家的首要任務，要著力提高全要素生產率，推動經濟實現質的有效提升和量的合理增長”。從供給端來看，要實現這一目標，僅憑要素資源量的增長是不夠的，還必須依靠有效的金融手段從根源上改變資源配置的激勵安排。數字金融作為傳統金融與新興技術有機融合的產物，具有成本低、速度快、覆蓋廣等優勢，是增強金融機構服務實體經濟質效、助力生產率提升的重要舉措。充分發揮數字金融在推動城市全要素生產率中的作用，無疑對構建中國特色現代金融體系以及實現高質量發展具有重要的理論和現實意義。

梳理現有文獻發現，學者們對數字金融效應的研究尚未形成統一定論，主要觀點可以分為三類：第一類觀點認為，數字金融對全要素生產率具有促進效應。持此類觀點的學者們大多基于中國省級面板數據展開研究，認為科技與金融的結合可以提高區域融資能力，推動產業專業化與多樣化集聚，進而提升全要素生產率，且這一作用效果呈東強西弱的態勢［2-3］；也有少數學者以中小企業為研究對象，發現數字金融可以通過緩解融資約束促進企業全要素生產率提升，其促進效果與企業規模、產權性質等有關［4］。第二類觀點是數字金融對全要素生產率具有擠出效應。這類觀點認為，數字金融會利用金融杠桿增加企業負債率，導致其對全要素生產率的激勵作用遞減［5］。第三類觀點是數字金融對全要素生產率的影響呈現先抑制后促進的“U”型非線性關系［6］。這類觀點認為，在金融科技發展初期金融投機動機較大，使得企業將資金投向虛擬經濟領域而非實體經濟，當金融科技發展到一定程度時才能產生“脫虛向實”的作用。

現有文獻已圍繞數字金融對全要素生產率的影響進行了開拓式的有益探討，但仍值得進一步推進研究：一是大多文獻重點關注數字金融“能否”促進全要素生產率提升，對于“如何”促進的機制探討較為薄弱，鮮有研究從全要素生產率的內涵出發綜合考慮創新驅動和要素配置渠道，尤其缺乏針對不同渠道在影響機制中的貢獻度分析；二是既有文獻在分析數字金融對區域全要素生產率的影響時大多采用省級數據或國別數據，使得信息的豐富性大大降低，有必要以維度更為豐富的城市數據為樣本，為如何充分發揮數字金融在推動城市全要素生產率中的作用提供經驗支持；三是盡管有少數文獻以城市數據為樣本探究了數字金融對全要素生產率的影響，但其在進行異質性研究時主要局限于城市地域、規模、行政級別或要素維度，較少從城市化的動力來源和空間模式視角切入，更缺乏嚴謹的定量分析加以論證。事實上，中國不同地區城市化的演進過程和發展模式存在明顯差異，有必要從其動力來源和空間模式出發，拓展異質性研究視域。基于此，本文以中國2011—2020年286個城市為樣本，探究數字金融對城市全要素生產率的影響效果及作用機制，并立足中國城市化進程的動力來源與空間模式差異，進一步檢驗上述結論的異質性。

本文可能的邊際貢獻主要體現在以下三個方面：一是在研究內容上，以全要素生產率內涵為切入點，基于創新驅動效應和要素配置效應兩條渠道系統剖析數字金融對全要素生產率的影響機制，并采用KHB方法對各類效應進行分解，為理解數字金融的經濟效應提供更為清晰的理論解釋；二是在研究對象上，以中國286個城市為樣本，彌補了以往研究大多采用省級數據或國別數據導致的信息豐富性局限；三是在拓展分析上，立足中國城市化推進過程中的現實情境，從動力來源和空間模式出發對上述結論進行異質性檢驗，不僅拓展了現有研究視域，也為不同類型地區“量體裁衣”制定差異化的政策提供了理論依據與實踐指引。

二、理論分析與研究假設

本文在兼顧金融中介相關理論和全要素生產率影響因素的前提下，以信息不對稱理論、交易成本理論、長尾效應理論和經濟增長理論為基礎探究數字金融影響全要素生產率的內在機理。考慮到全要素生產率增長的主要途徑是科技進步和資源配置效率提升［7-8］，故而著重從創新驅動效應和要素配置效應兩個渠道細化數字金融影響全要素生產率的作用機理，并提出相應的研究假設。

（一）數字金融對全要素生產率的影響

數字金融對全要素生產率的影響可以借助信息不對稱理論、交易成本理論、長尾效應理論和經濟增長理論的主要觀點來闡釋。在上述理論分析框架下，金融市場普遍存在信息不對稱、交易成本高、融資門檻高、服務范圍受限等現象，導致道德風險和市場風險增加，企業騙貸和銀行壞賬等問題頻出，借款主體融資成本提高，資金分配不平衡加劇，嚴重影響著金融系統的資源配置效率［9］。資源配置是金融系統的核心功能，金融系統依靠各種金融手段和工具動員社會儲蓄，對聚集起來的資金進行配置。金融資源流向某一領域時，其他資源會在金融手段的支持下更快地完成在該領域的配置，從而作用于資本的邊際生產率和全要素生產率，最終產生正向或負向的經濟效應。隨著互聯網、大數據、5G、人工智能等數字技術在金融領域的運用，互聯網支付、移動支付、網上銀行、網上貸款、網上保險、網上基金、金融服務外包等數字金融服務與傳統金融服務實現互補，并逐漸擔負起更為重要的角色［10］。這種以數字技術為支撐創造出來的金融業務模式，構建起更加直接的網絡，打破了過去企業與企業、人和人、人與物之間的平面連接，形成立體、折疊的架構，并在此架構中實現了點對點、端對端的交互式連接，省去了很多中間節點，可以有效降低運行和交易成本，促進信息了解更加充分，助力新技術與金融產品、業務的多樣性發展，推動大企業、高收入群體與中小微企業、低收入群體的資金流向平衡，提高資金配置效率，有力彌補了傳統金融的不足，強化了金融體系服務于實體經濟的有效性，為全要素生產率的提升注入了新動能。基于此，本文提出以下研究假設：

H1：數字金融能夠促進全要素生產率的提升。

（二）數字金融影響全要素生產率的作用機制

全要素生產率是指國民經濟中所有人力、物力、財力等資源投入轉化為最終產出的總體效率，衡量的是除去勞動、資本、土地等要素投入之后的“剩余”，其增長的主要途徑是科技進步和資源配置效率提升。鑒于此，本文以全要素生產率內涵為切入點，基于創新驅動效應和要素配置效應兩條渠道探究數字金融對全要素生產率的作用機制。

1數字金融影響全要素生產率的創新驅動效應

技術創新是以創造新技術為目的或以科學技術知識及其創造的資源為66973637ca2ecc9002b15473a5397e02基礎的創新，系新技術替代舊技術的過程，能夠有效降低生產成本、提高生產效率、促進資本與高級勞動要素協同互補，對全要素生產率具有顯著提升作用。然而，其不確定性高、回報周期長等特性引發的信貸約束成為阻礙創新活動順利實施的“攔路虎”［11］，尤其是以銀行為主的傳統金融機構在提供信貸服務時，通常將考察重點專注于創新主體的信用等級與抵押物，忽略了主體自身的創新能力，致使技術創新潛力較大但抵押物不足或信用等級較低的主體被阻擋在正規金融服務范圍之外，創新活動難以得到可靠保障，創新水平難以實現高效提升［12］。

數字金融的發展在一定程度上能夠緩解上述制約，滿足研發資金需求，提高技術創新水平［13］。首先，數字技術與信息技術在金融領域的應用有助于金融機構建立更為有效的模型對可能存在的信用風險進行精準評估，因信息不對稱引發逆向選擇的可能性大幅降低，既能提高金融機構的決策效率，又能減少金融機構的放貸顧慮，從而提升創新主體的資金可得性；其次，數字金融的出現提高了信息搜尋速度與質量，能夠及時監督資金的去向與用途，并能動態追蹤借款主體的信用狀況，困擾金融機構的“監管難”問題得到一定緩和，有利于創新活動的順利開展；最后，金融機構憑借互聯網與大數據在金融領域的普及擴大了信息來源，能夠科學評判金融需求者的技術創新能力和市場發展潛力，甄別出具備創新潛力的主體與投資價值的項目，進而引導資金流向創新能力更高的領域，進一步加快了技術創新步伐。綜上，從創新驅動效應來看，數字金融能夠借助其內嵌的數字技術優勢，有效監督防范信用風險，提高金融機構的決策效率與資金配置效率，從而增加技術創新資金的可得性，提高整體技術創新能力，最終推動全要素生產率提升。鑒于此，本文提出研究假設：

H2：數字金融能夠通過推動技術創新提升全要素生產率。

2數字金融影響全要素生產率的要素配置效應

要素配置是指社會經濟活動中的人力、物力、財力等基本資源在不同用途上加以比較所作出的選擇。在生產技術凸性假設下，當要素投入邊際產出相等時達到最優配置，當要素邊際產出在橫截面上不相等時就會出現配置不均衡現象，即為要素錯配［14］。要素錯配會引致資源逆效率流動，生產率低的主體卻占據了更多生產要素，生產率高的主體反而受困于市場約束，因而資源錯配是全要素生產率提升的“絆腳石”。金融的核心功能就在于引領資源要素的流動與配置，但信息不對稱、融資門檻高等問題帶來的金融摩擦會阻礙要素流動，導致資源配置不足且配置效率偏低［15］。以銀行為主的金融機構通常將大客戶的業務視為重點，數量更多的長尾客戶則被擋在金融服務體系之外，導致一些生產率高但規模小的長尾客戶無法獲取正規信貸，生產率低但規模大的企業卻能以較低利率獲取資金，從而造成資源錯配。

數字金融的發展在一定程度上能夠擴大服務范圍，促進要素流動，改善資源錯配，以此實現要素配置的優化［16］。首先，數字金融的優勢之一在于可以通過大數據分析長尾客戶的信用狀況并以低廉的成本進行動態監控，無須采用提高準入門檻的方式保證資金安全，因而會有更多生產者獲得融資服務機會。與此同時，隨著金融服務準入門檻的下降，銀行等傳統金融機構及數字金融公司會在鯰魚效應驅使下相互競爭，金融服務受眾面進一步擴大，資源配置不足的問題能夠得到有效解決，全要素生產率也隨之提升。其次，數字金融具有不受時空限制的特性，這一特性促進要素在不同部門與區域間自由流動，有效緩解了因流動性不足導致資源配置效率低的問題，使得各地能夠根據自身需求進行快速連結和雙向匹配，拓展了區域資源整合的深度與廣度，提高了資金配置效率，進一步促進了全要素生產率的提升。最后，數字金融能夠借助互聯網等技術完成線上的點對點交易，弱化了傳統交易對物理網點和前臺的依賴，這一交易方式促使業務流程簡化，人為干預減弱，業務審批的尋租空間壓縮，隱形成本下降，資金實現了從盈余者向需求者的精準轉移，要素錯配與扭曲現象得到有效矯正，進而對全要素生產率產生了積極影響。綜上，從要素配置效應來看，數字金融能夠借助數字技術降低融資門檻，擴大金融服務覆蓋面，促進要素自由流動，精準調配資金供需，從而達成要素配置優化的目標，助推全要素生產率提升。鑒于此，本文提出研究假設：

H3：數字金融能夠通過優化要素配置提升全要素生產率。

三、研究設計

（一）模型構建

遵循上文理論分析及研究假設，為檢驗數字金融對全要素生產率的影響，設定如下基準回歸模型：

lnTFPit=α0+α1lnDFit+ΣαjlnXjit+μi+λt+εit（1）

其中，TFPit為i城市t年的全要素生產率；DFit為i城市t年的數字金融發展水平；Xit為i城市t年的一系列控制變量集合；α0為常數項；α1為數字金融系數，反映數字金融發展對全要素生產率的影響程度；αj為第j個控制變量系數；μi為城市固定效應；λt為時間固定效應；εit為隨機誤差，表示影響全要素生產率的其他因素。此外，為保證數據的平穩性，對所有變量進行取對數處理。

為進一步探究數字金融影響全要素生產率的創新驅動機制和要素配置機制，本文采用逐步檢驗回歸系數法［17］構建以下回歸模型：

lnideit/faeit=β0+β1lnDFit+ΣβjlnXjit+μi+λt+εit（2）

lnTFPit=β0+β2lnideit/faeit+ΣβjlnXjit+μi+λt+εit（3）

lnTFPit=β0+β3lnDFit+β4lnideit/faeit+ΣβjlnXjit+μi+λt+εit（4）

公式（2）—公式（4）中，ideit和faeit分別為i城市t年的創新驅動效應與要素配置效應；β0為常數項；β1-j為回歸系數，其余變量含義同上。為進一步探究數字金融對全要素生產率影響的直接效應與間接效應，厘清創新驅動效應與要素配置效應在數字金融影響全要素生產率過程中的貢獻度，本文采用KHB方法［18］構建如下模型進行分析：

lnTFPit=αE+βElnDFit+γE1lnideit+γE2faeit+ΣδEjXjit+εit（5）

lnTFPit=αF+βFlnDFit+ΣδFjXjit+εit（6）

式（5）和式（6）共同組成了效應分解模型，數字金融對全要素生產率的總效應為βF/σF；直接效應為βE/σE;間接效應為βF/σF-βE/σE；σE與σF為規模參數，其余變量含義不變。

（二）變量選取與數據來源

1被解釋變量：全要素生產率（TFP）。本文根據DEA方法計算Malmquist指數［19］，以2000年為基期進行累乘，得到各城市全要素生產率數據。具體來說，選取各城市的生產總值（GDP）衡量產出水平，并以2000年為基期進行平減處理；選取基于永續盤存法進行估算的各城市資本存量衡量資本投入水平；選取各城市城鎮單位與城鎮私營個體從業人數之和衡量勞動投入水平。

2核心解釋變量：數字金融（DF）。本文使用郭峰等（2020）［20］構建的城市級數字普惠金融指數表征數字金融發展水平。該指數以螞蟻集團后臺的交易金額、交易頻率、用戶數量等數據為基礎進行編制，包括總指數和覆蓋廣度（DFbreadth）、使用深度（DFdepth）、數字化程度（DFlevel）等三個一級指數。覆蓋廣度指數主要采用居民支付寶賬號數量、支付寶綁卡程度、交易金額等數據展現數字金融覆蓋人群的規模；使用深度指數主要表示各地區利用互聯網進行支付、貸款、保險、基金等金融活動的頻率；數字化程度指數主要從移動化、便利化等方面體現了數字金融的服務是否高效便捷。

3機制變量：創新驅動效應（ide）與要素配置效應（fae）。本文采用技術創新水平表征創新驅動效應，在具體指標計算中，采用包括發明專利、實用新型專利和外觀設計專利在內的專利申請數量進行衡量，并結合專利的價值屬性對三種類型專利依次賦予05、03和02的權重，最終加總得到各城市的技術創新水平，數值越大說明技術創新水平越高［21］。同時，本文采用要素錯配程度表征要素配置效應，具體選取GDP、資本存量、勞動力人數、資本價格彈性、勞動價格彈性等指標計算城市要素錯配指數，指數值越大說明錯配程度越高。

4控制變量：本文還考慮了與全要素生產率密切相關的因素作為控制變量進行考察，包括人均產值（pcov）、產業結構（is）、人力資本（hc）、資產規模（as）、信息化水平（inf）、對外開放程度（open）。其中，人均產值采用城市的GDP總量與從業人數的比值表征，數值越大說明經濟發展水平越高；產業結構采用各城市產業結構指數來衡量其轉型升級效果，即將三次產業增加值與總產值的比重進行加總，數值越大說明產業結構越優化；人力資本選取各城市教育支出占財政支出的比重衡量，該比值越大說明人力資本水平越高；資產規模采用各城市規模以上工業企業資產總計與GDP的比值表征，該數值越大表明城市資產總量越多；信息化水平選用各城市互聯網寬帶接入用戶數表征，數值越大表明信息化水平越高；對外開放程度選取各城市進出口總額與GDP的比重衡量，該比值越大表明對外開放程度越高。

本文以2011—2020年中國286個城市的面板數據為樣本進行實證分析根據中華人民共和國中央人民政府網公布的資料顯示：截至2022年底，中國有直轄市和地級市（含副省級城市）298個。考慮到數據的可得性與完整性，樣本剔除了港、澳、臺地區以及儋州、三沙、吐魯番、哈密、畢節、銅仁、日喀則、昌都、山南、林芝、那曲、海東等數據缺失較多或成為地級行政區時間相對較晚的城市樣本，最終選取了286個城市作為樣本。。研究數據主要來源于北京大學數字金融研究中心網站、CNRDS數據庫、CSMAR數據庫、CEIC數據庫、國家統計局網站、各省（市）統計局網站、各省（市）統計年鑒以及《中國城市統計年鑒》《中國金融年鑒》《中國科技統計年鑒》《中國工業統計年鑒》《中國勞動統計年鑒》《中國人口統計年鑒》等。個別年份數據缺失利用線性插值法補齊。

（三）描述性統計分析

變量原始數據的描述性統計結果見表1。可以看出，各變量的平均值與中位數相差不大，不存在顯著偏態分布。全要素生產率的均值為089，最大值為272，最小值為013，這意味著不同城市樣本之間的全要素生產率存在明顯差距。數字金融總指數的最大值與最小值分別為33448和1130；覆蓋廣度、使用深度及數字化程度指數的最大值分別為32649、34975、58123，最小值分別為1949、4326、2786，反映出不同城市的數字金融發展程度差距明顯。

四、實證結果分析

（一）基準回歸

在進行回歸分析前，首先對數據進行了Hausman檢驗，發現結果均在1%顯著水平上拒絕原假設，這表明采用雙向固定效應面板模型進行回歸分析具有可行性。與此同時，采用方差膨脹因子法（VIF）檢驗樣本數據整體是否存在多重共線性，結果均小于10，表明變量之間不存在嚴重的多重共線問題。

數字金融對全要素生產率影響的基準回歸結果如表2所示。可以看出，數字金融總指數以及三個分指數均與全要素生產率呈現正向單調線性關系，證明假設H1成立。表2列（1）為數字金融總指數對全要素生產率影響的回歸結果，數字金融的系數為0306，通過了1%的顯著性水平檢驗，即數字金融總體發展水平每提升1%會導致全要素生產率提高0306%。這一結果意味著數字金融對全要素生產率的提升具有積極影響，反映出數字金融在增強金融普惠性、降低交易成本、擴大融資規模、提高資金供求匹配度與資源流動效率等問題上起到了良好效果。表2列（2）—列（4）分別為數字金融覆蓋廣度、使用深度與數字化程度三項分指數對全要素生產率影響的回歸結果，可以看出，回歸系數通過了1%或5%的顯著性水平檢驗，說明數字金融覆蓋廣度、使用深度與數字化程度等均促進了全要素生產率的提升。從三個分指數的回歸系數大小來看，數字金融覆蓋廣度對全要素生產率的影響程度最大，說明使用支付寶等電子賬號的人群數量越多，用戶之間的支付轉賬就會越方便快捷，業務流程縮短，資金流動速度提高，從而對資源配置產生積極作用，這也充分體現出數字金融的普惠性特點；使用深度對全要素生產率的影響力僅次于覆蓋廣度，表明數字金融所提供的信貸、基金、保險等各種金融產品、服務的種類和便捷度仍需拓寬做深，以滿足更多人對金融的需求，進而促進全要素生產率的提升；相比于覆蓋廣度和使用深度，數字化程度對全要素生產率的作用最小，說明還要進一步加強數字基礎設施建設，拓展新數字技術研發空間，為提高數字金融的數字化程度提供保障，從而有力促進全要素生產率的提升。

在控制變量中，人均產值、人力資本、產業結構等對全要素生產率起到了提升作用。這表明隨著人均產出增長、人力資本投入增加以及產業結構升級，城市內部資源配置得到優化，技術水平得到提升，勞動者技能、素質、活力等得到增強，產業發展不斷向技術密集型與資本密集型調整，全要素生產率得到有效提升。與之相反，資產規模和對外開放抑制了全要素生產率提升，這可能源于企業規模與創新效率所形成的反差，相較于追求收益穩定的大型企業，中小型企業更傾向于選擇預期收益更高的創新投資項目，其較高的創新效率有利于全要素生產率的提升。同時，我國在全球分工體系中處于價值鏈較低位置，出口加工貿易企業居多，外資也傾向于勞動密集型和資源密集型產業，加之歐美的技術封鎖和貿易摩擦，阻礙了全要素生產率提升。另外，現階段信息化水平及相應基礎設施的提升未對全要素生產率產生顯著影響。

（二）作用機制分析

數字金融通過創新驅動和要素配置效應影響全要素生產率的回歸結果如表3所示。可以看出，數字金融可以通過提高技術創新水平、降低要素錯配率促進全要素生產率的提升，假設H2與假設H3成立。在表3列（1）和列（2）中，數字金融和創新驅動效應的回歸系數均顯著為正，表明數字金融的發展顯著促進了技術創新，技術創新水平的提高能夠帶動全要素生產率提升。表3列（3）在控制創新驅動效應后，數字金融系數顯著為正，且系數大小相較于前文基準回歸略有下降，說明數字金融發展通過促進技術創新提升了全要素生產率，且創新驅動效應起到了部分傳導作用。在表3列（4）和列（5）中，數字金融和要素配置效應的回歸系數均顯著為負，表明數字金融的發展顯著降低了要素錯配率，要素錯配率的降低能夠促進全要素生產率提升。表3列（6）在控制要素配置效應后，數字金融系數顯著為正，且系數大小相較于前文基準回歸略有下降，說明數字金融發展通過優化要素配置提升了全要素生產率，且要素配置效應起到了部分傳導作用。

上述結果表明數字金融能夠緩解眾多科技創新企業面臨的融資約束，并借助數字科技手段促進資金流向創新強度高的領域，加快了研發活動步伐，推動了技術創新發展。技術創新可以節省生產成本，提高生產效率，其溢出效應還會進一步帶動區域創新能力的提升，從而促進全要素生產率的整體提升。與此同時，數字金融能夠提高要素流動性，精準匹配資金供求關系，緩解資源配置不足問題，提高資源配置效率，從而對全要素生產率起到了積極作用。

進一步運用KHB方法對數字金融影響全要素生產率的各種效應進行分解，結果如表4所示。可以看出，數字金融對全要素生產率的直接效應占總效應的比重為1354%，間接效應占總效應的比重為8646%，表明數字金融發展通過創新驅動效應和要素配置效應對全要素生產率影響的貢獻度更高，推動技術創新、優化要素配置是數字金融促進全要素生產率提升的重要路徑。從作用機制的貢獻度看，創新驅動的間接效應系數更大，占據兩種作用機制產生間接效應總和的6991%，占到總效應的6044%，是要素配置效應的23倍，說明相較于資源配置為核心的傳統金融，數字金融的作用更偏重于推動技術創新，也在一定程度上揭示了從要素驅動向創新驅動轉變的高質量發展要義。

（三）內生性處理與穩健性檢驗

1內生性處理。數字金融的發展能夠促進城市全要素生產率提升，反過來全要素生產率的提升會擴大生產規模，增加資金需求，從而促進數字金融的發展，這就意味著二者之間可能存在內生性。為克服這一問題，更加準確地識別數字金融發展對全要素生產率的影響效果，本文借鑒張勛等（2019）［22］、郭珂和郭雪萌（2023）［23］的思路分別選取各城市到杭州的地理距離倒數和相鄰城市數字金融總指數的平均值作為數字金融的工具變量，使用2SLS方法重新對上述研究內容進行實證分析。盡管數字金融的主要實現形式為線上，但其發展程度仍受到地理空間因素影響，呈現與杭州相距越遠則推廣難度越大的特點，因此選取各城市到杭州的地理距離作為工具變量具有理論和現實可行性［24］。同時，周圍地區數字金融的發展推廣會對本地數字金融產生溢出效應，故而也可以考慮采用相鄰城市數字金融總指數的平均值作為本地數字金融的工具變量。加入工具變量的估計結果顯示，各城市到杭州的地理距離倒數以及相鄰城市數字金融總指數的平均值均為強工具變量，其結果與前文相比僅是解釋變量的系數值略有改變，變量系數方向和顯著性等與前文一致限于篇幅，該檢驗結果未做報告，如有需要可向作者索取。。這意味著在控制內生性問題后，本文的研究結論依然成立。

2穩健性檢驗。 本文采用同時替換核心解釋變量與回歸方法的方式對上文研究結論進行穩健性檢驗，用以控制可能存在的計量結果偏差。借鑒宋敏等（2021）［25］計算金融科技公司數量的做法，在“天眼查”網站搜索包含“數字金融”“金融科技”“互聯網金融”等在內的關鍵詞，獲取相關企業的工商注冊信息，將各城市每年的金融科技企業數量進行加總，以此作為數字金融發展水平的代理變量，并采用SYS-GMM方法重新對上文研究內容進行實證檢驗。結果顯示，核心解釋變量與機制變量的系數方向與顯著性沒有明顯差異，表明在替換變量和模型后，本文的研究結論依然成立限于篇幅，該檢驗結果未做報告，如有需要可向作者索取。。

五、進一步探討：城市化動力來源和推進模式差異下的再檢驗

盡管有少數文獻以城市數據為樣本探究了數字金融對全要素生產率的影響，但在進行異質性研究時主要局限于城市地域、規模、行政級別或要素維度，鮮少從城市化推進模式視角出發，更缺乏嚴謹的定量分析加以論證。事實上，中國不同地區城市化的演進過程和發展模式存在明顯差異，有必要從動力來源和空間模式出發，探究數字金融對城市全要素生產率的差異化影響。

從城市化推進的動力來源來看，政府和市場是兩種主要推動力量［26］。政府主導型城市化旨在根據國家經濟發展的需要，通過一系列行政控制和政策制度安排等手段，按照既定的計劃和目標來推動城市化進程，整體表現出“自上而下”的宏觀調控；市場主導型城市化主要通過人口、資本等要素的自由流動與聚集以及市場選擇等方式自發地促進某個城市的形成和發展，“自下而上”的“自發性”特征更加突出。從城市化推進的空間模式來看，一般有深度推進型和廣度推進型兩類，表現出以舊城改造、建設CBD等為主的內部重組和以建設開發區、建設新城和新區、擴展主城區、構建鄉鎮村莊產業化等模式為主的外延擴展兩種特征［27］。鑒于此，本文以城市化動力來源和推進模式的差異為切入點，將城市樣本按照政府主導型城市化、市場主導型城市化依據中國市場化指數課題組出版的《中國市場化指數》《中國分省份市場化指數報告（2018）》以及《中國分省份市場化指數報告（2021）》計算各省（自治區、直轄市）2011—2020年的市場化進程指數平均值，若某個省（自治區、直轄市）的均值高于全國平均水平，則將省、自治區內部的城市或直轄市本身認定為市場主導型城市化模式；反之，若某個省（自治區、直轄市）的均值低于全國平均水平，則將省、自治區內部的城市或直轄市本身認定為政府主導型城市化模式。需要指出的是，2011—2016年、2016—2020年的數據計算基期不同，評分和排序不可以直接進行比較。因此，本文首先將兩套數據計算得到指數進行比例換算，在此基礎上對跨時段數據進行平減處理，最終得到2011—2020年的可比數據。以及深度推進型城市化、廣度推進型城市化計算286個樣本城市2011—2020年新區建設與開發區建設面積之和占城市行政區面積比例的平均值，若某個城市的均值高于全國平均水平則認定其為廣度推進型城市化模式；反之，低于全國平均水平的城市認定為深度推進型城市化模式。的類別進行劃分，并在此基礎上探究數字金融對全要素生產率影響的異質性。當然，現實社會中沒有絕對的政府主導型城市化或市場主導型城市化城市，也沒有絕對的深度推進型城市化或廣度推進型城市化城市，這是相對概念。

表5報告了城市化推進模式存在差別的城市數字金融影響全要素生產率的回歸結果。從城市化動力來源的分組結果來看，表5列（1）中數字金融未通過顯著性水平檢驗，列（2）中數字金融系數為0415，且通過了5%的顯著性水平檢驗，表明市場主導型城市的數字金融發展促進了全要素生產率提升，而政府主導型城市的數字金融發展未對全要素生產率產生作用。這可能源于一方面市場機制具有善于識別勞動力需求、居民消費傾向、交易成本等特征，有利于強化數字金融對資源的合理高效配置，促進全要素生產率提升；另一方面，市場主導型城市大多集中于東南沿海地區，基礎設施完善、要素稟賦較好、交易成本較低、要素集聚能力較強，尤其是在招商引資、人才吸引、研發活動等方面具有優勢，這就使得數字金融不僅能充分促進要素流動，還便于在數字技術加持下實現知識和信息的快速流動，充分發揮創新驅動效應，進而提升了全要素生產率。與之相反，政府主導型城市的目標導向性與手段強制性突出，過去一段時間存在行政效率偏低、政策實施不靈活且較為保守等問題，導致金融資源匱乏，金融硬件和軟件相對薄弱，金融體系和制度保障不夠完善，限制了數字金融對全要素生產率的提升作用。

從城市化空間模式的分組結果來看，在表5列（3）和列（4）中數字金融系數均顯著為正，但列（3）中數字金融的系數值與顯著度均大于列（4），說明深度推進型城市中數字金融對全要素生產率的提升作用相較于廣度推進型城市更為顯著。這與深度推進型城市更加集約高效的發展密切相關，相較于廣度推進型城市，深度推進是基于原有城區進行的資源整合升級，人口、產業、公共基礎設施集中，為集聚效應和共享經濟提供了良好平臺，使得各類金融資金、人力資本、固定資本、知識信息等能夠在小范圍內匯聚和集散，從而更好地發揮數字金融的規模效益，提高要素空間配置效率，有效推動全要素生產率提升。此外，深度推進模式的客觀條件驅使了產業發展以技術密集型的高新技術產業以及資本密集型的第三產業為主，間接助推了數字金融發展速度，提高了全要素生產率。

六、結論及建議

本文以中國2011—2020年286個城市為樣本，探究了數字金融對城市全要素生產率的影響效果及作用機制，并立足中國城市化進程的動力來源與空間模式差異，進一步檢驗上述結論的異質性。研究發現：（1）數字金融顯著促進了城市全要素生產率提升。在三個分指數中，數字金融覆蓋廣度的促進作用最明顯，之后依次為數字金融使用深度、數字金融數字化程度。（2）數字金融能夠通過推動技術創新和優化要素配置兩種效應賦能全要素生產率。進一步采用KHB方法進行效應分解發現，數字金融通過創新驅動與要素配置效應提升城市全要素生產率的效果大于其直接產生的作用，且創新驅動效應的貢獻度大于要素配置效應。（3）在不同城市化推進模式下，數字金融對城市全要素生產率的作用存在差異。相較于政府主導型和廣度推進型城市，市場主導型和深度推進型城市的數字金融對全要素生產率的提升效果更為顯著。

根據上述結論，本文就如何提升數字金融服務實體經濟的質效提出以下幾點建議：（1）“軟硬兼施”賦能數字金融高質量發展。一方面，要強化數字金融基礎設施建設，加大對數字金融領域基礎設施建設的補貼力度，推動傳統金融基礎設施迭代升級，筑牢數字金融發展的“硬基礎”底座；另一方面，要完善數字金融業務流程，及時對金融業務流程進行數字化改造，重構底層業務邏輯，調整產品服務模式，提供更多優質數字金融產品和服務；此外，應加快數字金融法治體系建設，明確各監管機構權責，避免出現監管盲區，將數字技術與監管相結合，搭建動態風險管控平臺和信息共享數據庫，為數字金融發展提供優良的“軟環境”。（2）創新驅動和要素市場改革雙向發力，提升數字金融服務實體經濟質效。一方面，加強數字金融對科技人才培養和研發資金投入的作用，提升創新驅動效應；另一方面，要打破要素流通壁壘，實現要素在區域、部門、行業之間的自由流動，強化數字金融引領資源流動的作用；同時，還要推動數據等新型要素與傳統要素的融合發展，加強“數實融合”，改善要素市場信息匹配程度，提高資源配置效率。（3）發揮有效市場和有為政府在發展數字金融中的協同作用。一方面，讓“無形之手”大顯神通，充分發揮市場規律在資源配置中的主導力量與效率優勢，將數字金融這塊“蛋糕”做大；另一方面，讓“有形之手”有力調控，有效發揮政府引導要素規范調配的機能，彌補市場的自發性、盲目性、滯后性缺陷，維護市場秩序與公平競爭，優化公共服務，從而保障數字金融平穩有序發展。在此基礎上，既要“兩手抓”，也要實現“握手”，讓政府與市場各司其職、各盡其用，相互補充，共同推動數字金融高質量發展。（4）“量體裁衣”制定數字金融發展戰略。金融機構在發展數字金融時一定要從城市的實際情況及自身條件等客觀因素出發，在數字金融頂層設計和戰略布局上同時下功夫，既要抓住數字金融發展的戰略機遇，又要顧及城市客觀條件所限基礎設施、行業數字化和信息化水平等現狀，因地制宜發展數字金融。

參考文獻：

［1］SolowRM.TechnicalChangeandtheAggregateProductionFunction［J］.ReviewofEconomicsandStatistics，1957，39：312-320.

［2］唐松，賴曉冰，黃銳．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［J］．中國軟科學，2019，34（7）：134-144．

［3］許平祥.經濟金融化與“全要素生產率之謎”：理論機制與實證檢驗［J］.商業研究，2023，66（5）：90-99.

［4］顧寧，吳懋，趙勛悅．數字普惠金融對小微企業全要素生產率的影響——“錦上添花”還是“雪中送炭”［J］．南京社會科學，2021，32（12）：35-47．

［5］于江波，白凱，王曉芳．數字金融能否引領全要素生產率和經濟產出跨越胡煥庸線［J］．山西財經大學學報，2022，44（2）：31-46.

［6］巴曙松，白海峰，胡文韜．金融科技創新、企業全要素生產率與經濟增長——基于新結構經濟學視角［J］．財經問題研究，2020，42（1）：46-53．

［7］蓋慶恩，朱喜，程名望，等．要素市場扭曲、壟斷勢力與全要素生產率［J］．經濟研究，2015，50（5）：61-75．

［8］BaumannJ，KritikosAS.TheLinkbetweenR&D，InnovationandProductivity：AreMicroFirmsDifferent？［J］.ResearchPolicy，2016，45（6）：1263-1274.

［9］PiaoZF，WuCH，SuN，etal.FinancialConstraints，CapitalMisallocationandFirm’sTotalFactorProductivity（TFP）Loss-empiricalEvidencefromListedManufacturingCompaniesinChina［J］.AppliedEconomics，2023，55（39）：4572-4585.

［10］謝平，鄒傳偉．互聯網金融模式研究［J］．金融研究，2012，55（12）：11-22．

［11］ShiY，GongL，ChenJ.TheEffectofFinancingonFirmInnovation：MultipleCaseStudiesonChineseManufacturingEnterprises［J］.EmergingMarketsFinanceandTrade，2019，55（4）：863-888.

［12］錢雪松，唐英倫，方勝．擔保物權制度改革降低了企業債務融資成本嗎？——來自中國《物權法》自然實驗的經驗證據［J］．金融研究，2019，62（7）：115-134．

［13］萬佳彧，周勤，肖義．數字金融、融資約束與企業創新［J］．經濟評論，2020，41（1）：71-83．

［14］BankerRD，CharnesA，CooperWW.SomeModelsforEstimatingTechnicalandScaleInefficienciesinDataEnvelopmentAnalysis［J］.ManagementScience，1984，30（9）：1078-1092.

［15］李欣澤，陳言．金融摩擦與資源錯配研究新進展［J］．經濟學動態，2018，59（9）：100-114．

［16］張玲，董成立，張偉偉.數字普惠金融對經濟高質量發展的影響機制研究［J］.哈爾濱商業大學學報（社會科學版），2023，40（6）：20-30.

［17］BaronRM，KennyDA.TheModerator-mediatorVariableDistinctioninSocialPsychologicalResearch：Conceptual，Strategic，andStatisticalConsiderations［J］.JournalofPersonalityandSocialPsychology，1986，51（6）：1173-1182.

［18］KarlsonKB，HolmA，BreenR.ComparingCoefficientsofNestedNonlinearProbabilityModels［J］.TheStataJournal，2011，11：420-438.

［19］CavesDW，ChristenseLR，DiewertWE.TheEconomicTheoryofIndexNumbersandtheMeasurementofInput，Output，andProductivity［J］.Econometrica，1982，50（6）：1393-1414.

［20］郭峰，王靖一，王芳，等．測度中國數字普惠金融發展：指數編制與空間特征［J］．經濟學（季刊），2020，19（4）：1401-1418．

［21］鄭萬騰，趙紅巖，范宏．數字金融發展對區域創新的激勵效應研究［J］．科研管理，2021，42（4）：138-146．

［22］張勛，萬廣華，張佳佳，等．數字經濟、普惠金融與包容性增長［J］．經濟研究，2019，54（8）：71-86．

［23］郭珂，郭雪萌．產業集聚與企業資產結構——基于中國地級市及上市企業的證據［J］．金融經濟學研究，2023，38（6）：32-49．

［24］傅秋子，黃益平.數字金融對農村金融需求的異質性影響——來自中國家庭金融調查與北京大學數字普惠金融指數的證據［J］.金融研究，2018，61（11）：68-84.

［25］宋敏，周鵬，司海濤．金融科技與企業全要素生產率——“賦能”和信貸配給的視角［J］．中國工業經濟，2021，38（4）：138-155.

［26］邸勍，袁曉玲，王書蓓.城鎮化影響環境質量的典型機制與差異化研究［J］.當代經濟科學，2021，43（3）：94-106.

［27］李強，陳宇琳，劉精明．中國城鎮化“推進模式”研究［J］．中國社會科學，2012，33（7）：82-100+204-205．

TheImpactofDigitalFinanceonUrbanTotalFactorProductivity

——AnExaminationbasedonInnovation-drivenandFactorAllocationPerspectives

DIQing1a，b，YUANXiaoling1c，ZHANGMeisha2

（1.Xi’anJiaotongUniversity，a.SchoolofPublicPolicyandAdministration;b.Instituteof“TheBeltand

TheRoad”PilotFreeTradeZone;c.SchoolofEconomicsandFinance，Xi’anJiaotongUniversity，

Xi’an710049，China;2.SchoolofMarxism，Chang’anUniversity，Xi’an710064，China）

Abstract：Effortstoimprovetotalfactorproductivityisthedrivingforceforhigh-qualitydevelopment，anddigitalfinance，asanewengineforeconomicdevelopment，isanimportantmeasureforfinancialinstitutionstoimprovethequalityandefficiencyofservingtherealeconomyandboostproductivity.Taking286citiesinChinafrom2011to2020assamples，thispaperexplorestheeffectandmechanismofdigitalfinanceonurbantotalfactorproductivity，andfurtherteststheheterogeneityoftheaboveconclusionsbasedonthedifferencesofpowersourcesandspatialpatternsinChina’surbanizationprocess.Thefindingsareasfollows：（1）Digitalfinancesignificantlypromotestheimprovementoftotalfactorproductivity;Thecoverageofdigitalfinancehasthemostobviouseffect，followedbythedepthofuseofdigitalfinanceandthedegreeofdigitalfinancedigitalization.（2）Digitalfinancecanempowertotalfactorproductivitybypromotingtechnologicalinnovationandoptimizingfactorallocation;FurtherusingKHBmethodtodecomposethecontributiondegree，itisfoundthatthecontributiondegreeofinnovation-driveneffectisgreaterthanthatoffactorallocationeffect.（3）Underdifferenturbanizationpromotionmodels，theeffectofdigitalfinanceontotalfactorproductivityisdifferent.Comparedwithgovernment-ledandwidth-promotedcities，digitalfinanceinmarket-ledanddeep-promotedcitieshasamoresignificanteffectontheimprovementoftotalfactorproductivity.

Keywords：digitalfinance;totalfactorproductivity;innovation-driven;elementallocation;urbanizationpromotionmodel

（責任編輯：趙春江）