□ 朴哲范 陈 写 段琳琳
内容提要 本文利用DEA-Malmquist 方法测算区域结构性全要素生产率， 并基于我国2012—2019年237 个城市的空间面板数据，利用空间杜宾模型实证检验数字金融（覆盖广度、使用深度和数字化程度）对区域结构性全要素生产率的空间效应。
研究发现：数字金融主要通过促进技术进步和提高规模效率有效提升区域全要素生产率；
在全国范围和东中西部区域中，数字金融发展均能提升本城市的全要素生产率，而东部区域内周边城市数字金融的发展却对本城市全要素生产率起抑制作用；
数字金融覆盖广度、使用深度提高均能提升我国全要素生产率整体水平，同时在东中部区域直接效应显著，在西部区域却以间接效应为主。因此，政府应积极完善数字金融基础设施建设，推进区域间差异化金融发展战略，优化产业和就业结构。
创新与技术进步能够推动全要素生产率的提高、实现经济效益的提升，正在成为驱动模式转变的主要引擎（田国强，2019）。数字金融作为融合金融业务与新兴技术的一种高效、覆盖面广的金融服务（Gomber et al.，2017；
郭峰等，2020），在缓解金融错配和融资约束、减小金融服务成本和信息不对称（王馨，2015；
Ozili，2018；
黄益平和黄卓，2018）等方面具有优势，能够优化经济要素配置，提高企业全要素生产率，为经济高质量发展提供动力（钱海章等，2020；
杜莉和王梓琦，2022）。
伴随着数字金融量化测度技术的完善，当前学者们的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，转为对产业结构优化、创新、经济增长、全要素生产率等方面的实证检验（钱海章等，2020）。学界在关于数字金融与经济高质量发展的实证研究中发现，我国数字金融和全要素生产率之间存在创新机制，即数字金融有助于提高区域及相关产业创新，通过技术进步提高区域全要素生产率（邱子迅和周亚虹，2021；
惠献波，2021），但区域间存在作用的异质性（Pan et al.，2022；
Gu et al.，2022）。微观企业视角下，数字金融通过缓解融资困境（江红莉和蒋鹏程，2021），降低金融机构与企业之间的信息不对称， 提高信贷资源配置效率（宋敏等，2021），促进企业技术创新，进而提升企业全要素生产率（冉芳和谭怡，2021）。另有研究发现， 数字金融发展可能导致上市公司融资约束增加进而对全要素生产率产生负向影响， 但金融体系相对完善的情况下数字金融可以大幅度提高上市公司全要素生产率（Chen et al.，2022）。
陈清华等（2022）认为数字普惠金融与中国经济增长质量之间呈现“U 型”曲线关系，二者服从“数字金融—普惠金融—缓解企业创新融资约束—企业技术创新—经济增长质量”的传导机制。但在对全要素生产率分解时，这些研究由于缺少全要素生产率结构性信息的支撑， 可能导致缺失部分生产率增长来源的重要因素（Boussemart et al.，2020）。
从以上文献可以发现， 数字金融有助于提高区域及相关产业创新， 通过技术进步提高区域全要素生产率。
但是现有文献就数字金融对区域结构性全要素生产率影响问题尚未得出统一结论，数字金融对区域结构性全要素生产率空间效应的研究也较少。鉴于此，本文基于我国237 个城市的面板数据， 利用DEA-Malmquist 指数法和空间杜宾模型， 实证检验数字金融对区域结构性全要素生产率的空间效应并解释影响途径， 力图在以下三个方面有所创新：（1）理论层面上，本文从数字金融四个维度（总指数、覆盖广度、使用深度和数字化程度）和空间效应角度，梳理了数字金融对区域结构性全要素生产率的影响， 探究了数字金融对全要素生产率的“极化效应”和“涓流效应”，拓展了研究视角。
（2）实证层面上，在测度区域结构性全要素生产率时，不同于已有文献，输入变量中除资本和劳动力要素外，本文增加“科技支出”，因为科技支出不仅是数字金融的一个表现， 也是技术进步的重要体现。
同时， 本文利用空间杜宾模型， 实证研究了数字金融对区域结构性全要素生产率的空间效应。（3）本文的研究结论为政府在数字金融基础设施建设、推进区域间差异化金融发展战略、优化产业和就业结构等方面提供了经验证据。
本文剩余部分的安排如下：第二部分是理论分析与研究假设；
第三部分是变量说明与研究设计；
第四部分是实证结果分析；
第五部分是结论和政策建议。
（一）数字金融发展与全要素生产率
近年来，大数据、云计算、物联网、区块链等数字技术发展迅速， 蔓延到传统金融行业的各个领域，数字金融应运而生。数字金融通过互联网在线获得支付、储蓄和信贷设施以及其他所需的金融服务。
数字金融发展（包含数字覆盖广度、使用深度和数字化程度）通过以下三个方面提升企业全要素生产率，进一步提高区域全要素生产率。
第一，金融自由化方面， 当前我国金融服务仍然集中于大型企业， 中小企业及民营企业融资仍存在一定限制。
数字金融有助于改善金融供给侧与需求侧失衡问题，缓解利率管制对经济的扭曲，提高企业资金配置效率，为生产创新活动提供资金支持（宋敏等，2021）。
第二，金融功能方面，数字金融通过数字技术对传统金融业进行赋能，对金融业功能进行重塑。在数字金融广度上，我国互联网基础设施的完善以及互联网络较高的普及率与使用率为降低交易成本提供了基础（Ozili，2018；
江红莉和蒋鹏程，2021）。
在数字金融深度上，多样化、个性化和场景化的金融服务有助于促进金融创新， 大数据分析挖掘长尾客户也减少了信息不对称（王馨，2015），从而缓解了企业融资约束、提高了创新效率（冉芳和谭怡，2021）。第三，金融监管方面，数字金融提供多样化监管方式并强化功能性监管，弥补了传统金融缺乏同步和自动化的特征。同时，数字金融监管发展也将推动企业重视自身风险管理和内部控制，为生产创新活动提供稳定的环境（马连福和杜善重，2021）。鉴于此，数字金融通过优化经济要素配置、缓解企业融资约束和促进企业创新，提升区域技术效率和技术进步效率，进一步提高区域全要素生产率（江红莉和蒋鹏程，2021）。除此以外，数字金融还能通过资源配置效率和技术进步的网络效应，提升区域技术进步效率和规模效率，进一步提高区域全要素生产率（郭家堂和骆品亮，2016；
Boussemart et al.，2020；
Chen et al.，2022）。
同时众多学者在研究中发现，虽然数字金融有助于促进区域全要素生产率增长， 但因为数字金融结构、企业自身特征、企业所属产业和所处城市要素禀赋不同， 数字金融的使用深度、数字化程度、覆盖广度对全要素生产率的影响效果也不同（李双燕等，2021；
江红莉和蒋鹏程，2021；
Chen et al.，2022；
Gu et al.，2022）。
基于以上分析，本文提出假设：
H1：数字金融能够提升区域全要素生产率，但数字金融三个子指标对全要素生产率的效应不同， 同时数字金融对结构性全要素生产率的影响也有差异。
（二）数字金融的空间效应
数字金融对全要素生产率的提升作用在不同区域内也存在差异，数字金融发展提高全要素生产率的效果在基础设施较为完善的地区更显著（杜莉和王梓琦，2022；
Chen et al.，2022）。
也有部分文献得出与之相反的结论，如数字金融对资本市场发展较弱的区域全要素生产率的正向效应更强（惠献波，2021）。
受益于数字金融发展，城市金融资源在区域内自由流动，且城市资源配置能够在最大程度上摆脱地理限制，对周边城市产生溢出效应。
具体而言，区域中金融发达的城市能够吸收各城市的金融资源来推动自身发展，产生“极化效应”，提升极化城市的全要素生产率，却降低了周边城市的全要素生产率（Moulaert et al.，2003）。
但随着金融规模的不断扩张，数字金融能够对金融发展不足的城市产生“涓流效应”，大幅提升周边城市便捷获取金融资源的概率，提高其利用金融资源获取生产要素的效率，不断优化产业、就业结构、推动基础设施建设，鼓励科研创新，进而提高周边城市的全要素生产率，促进当地经济高质量发展（Aghion & Bolton，1997）。鉴于此，数字金融对区域全要素生产率提升存在“极化效应”和“涓流效应”的空间效应。
基于以上分析，本文提出假设：
H2a：数字金融对区域结构性全要素生产率的空间效应在不同区域内不同；
H2b：数字金融不同子指标对全要素生产率的空间效应在不同区域内不同。
（一）数据来源
本文选取2012—2019年我国237 个城市的面板数据作为样本，共计1896 个观测点。
时间及样本的选择原则为：（1）城市资本存量数据受国家统计局网站公布的固定资产价格指数限制（该指数更新至2019年，尚无最新数据），因此样本时间选取至2019年；
（2）237 个城市为地级及以上城市，由于数据部分缺失，剔除西藏自治区、新疆维吾尔自治区、台湾省、香港特别行政区、澳门特别行政区。本文根据1986年全国人大六届四次会议通过的“七五”计划及1997年和2000年的两次修订，将样本城市划分为东中西部三个区域。①本文的数字金融数据来自北京大学数字金融研究中心发布的《北京大学数字普惠金融指数》2021年版，计算全要素生产率所使用的投入产出数据以及其他城市相关数据，来自《中国城市统计年鉴》和国泰安CSMAR 数据库。
（二）模型设定
本文借鉴Boussemart et al.（2020）、郭峰等（2020）及杜莉和王梓琦（2022）的研究，构建空间杜宾模型检验数字金融总指数及各分解指数对全要素生产率的空间效应：
式中，被解释变量TFPCHct为t 时期c 城市的全要素生产率；
Xct为自变量，包括c 城市t 时期数字金融总指数（Indexct）、数字金融覆盖广度指数（Breathct）、数字金融使用深度指数（Depthct）和金融数字化程度指数（Digitct）；
Cct为控制变量；
参数ρ 为空间自回归系数；
参数β1和φ1为本城市数字金融总指数及分解指数与控制变量对本城市全要素生产率的作用；
参数β2和φ2为周边城市数字金融总指数及分解指数与控制变量对本城市全要素生产率的作用；
W 为空间权重矩阵，ε 为随机误差项（ε～N（0，σ2In））。
式中，因变量为Yct，包括t 时期c 城市的技术效率变化指数（TECHct）、技术进步变化指数（TECCHct）和规模效率变化指数（SECHct）。参数α1和γ1为本城市数字金融总指数与控制变量对本城市TECHct、TECCHct和SECHct的作用， 参数α2和γ2为周边城市数字金融总指数与控制变量对本城市TECHct、TECCHct和SECHct的作用，其他参数含义同上。
本文在空间权重矩阵（W）的选取方面主要借鉴聂秀华和吴青（2021）的研究，使用GDP 平均值构造空间权重矩阵，如公式（3）所示：
式 中，GDPi和GDPj分别表示城市i 和j 的GDP 平均值，wij的取值区间为[0，1]，当两地GDP 接近时，wij接近1，当两地GDP 差异显著时，wij接近0。
为克服双向因果关系可能导致的内生性问题，本文借鉴余东华等（2019）、Boussemart et al.（2020）和郭峰等（2020）的研究，通过广义矩估计（GMM）缓解内生性问题。
稳健性检验方面， 本文选用Luenberger 生产率指数及分解值代替被解释变量。
（三）变量的测度与说明
1．被解释变量
本文借鉴Ray & Desli（1997）的研究，用修正的Malmquist 方法得出城市结构性全要素生产率指数（详见公式4），将其分解为技术效率变化指数、技术进步变化指数、规模效率变化指数。
投入变量为固定资产资本存量、科技支出和第二、三产业从业人员总数；
产出变量为城市生产总值。科技支出设为投入变量的主要依据参考了Gomber et al.（2017）和徐翔（2021），数字金融包括大量新的金融产品、金融服务、金融管理软件以及与客户沟通和互动的新方式，应考虑知识产出。参照张少辉等（2021）的研究，固定资本存量用Ki，t=Ki，t-1（1-δi，t）+Ii，t/Pi，t计算。
Ki，t为第i 个城市第t年的资本存量，Ii，t为第i个城市 第t年的固定资产形成额，Pi，t为固定资产投资价格指数（以各城市每年GDP 平减指数衡量），δ 为折旧率（设为9.6%）。
投入和产出变量描述性统计如表1 所示。
表1 投入和产出变量的描述性统计
式中，TFPCH 为全要素生产率指数，TECH 为技术效率变化指数，TECCH 为技术进步变化指数，SECH 为规模效率变化指数。
2．解释变量
数字金融为本文的主要解释变量。本文主要借鉴黄益平和黄卓（2018）、江红莉和蒋鹏程（2021）以及陈清华（2022）的研究，采用北京大学数字普惠金融指数作为数字金融的代理变量， 包括数字金融总指数、覆盖广度指数、使用深度指数和数字化程度指数。
3．控制变量
本文借鉴惠献波（2021）和黄大为（2021）的研究，将控制变量设为就业结构、信息化水平、政府财政支出水平、金融发展水平、科技支出和教育支出，变量定义与解释见表2。
表2 变量定义与解释
（四）描述性统计与空间相关性分析
1.描述性统计
由表3 可知，我国城市全要素生产率指数的最小值为0.512，最大值为1.880，标准差为0.932，说明我国城市间全要素生产率指数差异较大。
而从三个分解指数来看，城市间差异并不明显。我国城市数字金融总指数的最小值为55.520， 最大值为321.650，标准差为54.910，说明各个城市之间数字金融发展差异较大。
从覆盖广度、使用深度、数字化程度这三个方面来看，存在较明显的地区结构性差异。
表3 变量描述性统计
图1 是2013年、2016年和2019年的全国、东中西部的全要素生产率和数字金融总指数的柱状图。
由图1 可知， 区域结构性全要素生产率方面， 所有区域全要素生产率指数及技术进步变化指数增长趋势明显， 而技术效率变化指数呈现下降趋势， 尤其是全国和东部区域技术效率变化指数下降趋势明显，规模效率变化指数无明显增长。数字金融方面， 数字金融指数及其分解指数均呈增长趋势。
数字金融指数东部区域比中西部地区更大，说明东部区域数字金融发展更好。
图1 2013、2016 与2019年数字金融总指数和全要素生产率及分解指数图
2．空间相关性
为检验数字金融对区域结构性全要素生产率的空间效应，本文借鉴余东华等（2019）、郭峰等（2020）、杜莉和王梓琦（2022）的研究，利用全局Geary’s C 指数，对区域结构性全要素生产率的空间相关性进行探究。
由表4 可知，2012—2019年全要素生产率指数（TFPCH）不存在空间相关性的年份较多，但其分解指数，特别是技术进步变化指数（TECCH）和规模效率变化指数（SECH）在众多年份中存在空间相关性。此外，东中西部区域之间结构性全要素生产率空间相关的年份存在明显差异。
表4 我国区域结构性全要素生产率的Geary’s C 指数显著性汇总表
在经济距离空间权重矩阵下，LR-error 值、Wald-error 值、LR-lag 值和Wald-lag 值都通过了1%的显著性检验，②因此本文利用双固定效应（固定时间和个体）的空间杜宾模型（SDM），研究数字金融分解指数对区域全要素生产率的空间效应以及数字金融总指数对区域结构性全要素生产率的空间效应。
（一）数字金融对区域全要素生产率的空间效应分析
1．数字金融分解指数对全要素生产率的空间效应分析
借鉴Lesage & Pace（2009）的研究，本文从直接效应、间接效应和总效应三个方面分析数字金融覆盖广度、使用深度和数字化程度指数对全要素生产率的空间效应。由表5 可知，在全国范围内直接效应中， 本城市数字金融覆盖广度和使用深度均能提升本城市全要素生产率， 但数字化程度无明显影响。间接效应中，周边城市数字金融覆盖广度能提升本城市全要素生产率， 数字化程度对本城市全要素生产率存在负向影响。
在总效应方面，数字金融覆盖广度能提升区域全要素生产率，但使用深度和数字化程度无明显影响。
以上结果表明假设H1 得到部分验证。
表5 数字金融分解指数对区域全要素生产率的空间效应
分区域看，东中部区域主要通过直接效应、西部区域主要通过间接效应提升区域全要素生产率。
在西部区域数字金融覆盖广度对全要素生产率具有显著正向空间溢出效应， 但东中部区域空间溢出效应不显著。
虽然西部区域数字金融覆盖广度低于东中部区域，但随着“西部大开发”的推进和数字金融的发展， 东部区域金融资源的涌入提高了西部区域经济和社会发展水平。从列（2）结果可知， 东中部区域本城市金融使用深度均能提升本城市全要素生产率， 但东西部区域周边城市数字金融使用深度却降低了本城市全要素生产率。
列（3）结果显示，数字金融数字化程度提升全要素生产率的空间效应在我国显著为负， 但东中西部区域均不显著。
以上结果表明假设H2b 得到验证。
2.数字金融总指数对区域结构性全要素生产率的空间效应分析
表6 中（1）～（4）列的被解释变量分别为全要素生产率指数、技术效率变化指数、技术进步变化指数和规模效率变化指数， 核心解释变量为数字金融总指数。由表6 可知，我国数字金融总指数的直接效应和总效应系数显著为正，但间接效应不显著。本城市数字金融发展能提升本城市的全要素生产率， 主要体现在提升技术进步和规模效率方面。在间接效应方面，周边城市数字金融对本城市全要素生产率没有明显的影响，但是能显著推动本城市技术进步。总效应方面表现为数字金融通过技术进步和规模效率的提升，提高全要素生产率，该结论与邱子迅和周亚虹（2021）、惠献波（2021）等研究结论一致。
以上结果表明假设H1 得到验证。
表6 数字金融总指数对全要素生产率及其分解指数的空间效应
分区域看， 东部区域数字金融发展对全要素生产率的技术进步变化指数显著为负， 说明周边城市数字金融的发展会降低本城市的全要素生产率，且主要体现于抑制技术进步。中西部区域周边城市数字金融发展对本城市的全要素生产率无明显影响， 但在中部区域中周边城市数字金融的发展会降低本城市技术效率，提升本城市技术进步，而在西部区域中则会提升本城市规模效率。
总效应方面， 东部区域所有城市数字金融发展对全要素生产率无明显影响。
整体来看，数字金融发展能够推动技术进步、提升规模效率， 但是在提升技术效率方面无显著影响。
在东中部区域数字金融主要通过推动规模效率和技术进步来提升全要素生产率。
在西部区域则通过推动技术进步、规模效率来提升全要素生产率。
数字金融发展在推动技术进步方面西部不如东中部区域明显，原因在于区域经济发展相对落后、产业结构相对不平衡、基础设施建设不完善、城市间关联度较低。
但是西部区域具有数字金融提升规模效率的明显优势。
以上结果表明假设H2a 和H2b 得到验证。
（二）稳健性检验
在上述研究中， 本文通过DEA-Malmquist 指数法对全要素生产率进行测量及分解， 验证了假设H1、H2a 和H2b。
为了提高实证结果的真实性和可信性， 本文将测算方法替换为Luenberger 生产率指数， 该指数同时考虑了投入的减少和产出的增加，对测度角度要求不高，因此比Malmquist指数法更具一般性（原毅军和谢荣辉，2015）。本文将Luenberger 生产率指数记为STFP，t 期和t+1 期之间的STFP 及其分解的表达式如下：
式中，a、b、c 代表资本、劳动力、科技支出三个投入变量，g 代表产出变量GDP，距离函数的下标V 表示规模报酬可变，EC 和TC 分别代表t 期到t+1 期之间技术效率变化指数和技术进步变化指数（原毅军和谢荣辉，2015）。为研究数字金融总指数及各分解指数对STFP 的空间效应，本文构建如下模型：
公式（8）检验数字普惠金融总指数及分解指数对STFP 的空间效应，公式（9）检验数字金融总指数对STFP 两个分解指数的空间效应。
其中，Zct包括EC 和TC，其他变量含义同上。
如表7 所示，该结果与前文得出的结论基本一致。
表7 数字金融指数对STFP 及其分解指数的空间效应
本文利用系统广义矩估计（GMM）进一步检验空间面板计量模型中是否存在双向因果产生的内生性问题。
通过Sargan 检验判断工具变量选择的合理性，通过AR（2）检验判断干扰项的二阶自相关性。如表8 所示，Sargan 检验和AR（2）检验均不显著，说明系统GMM 估计是有效的。
估计结果在内生性缓解后仍然为正， 说明数字金融对全要素生产率的提高有促进作用。
表8 内生性检验结果
本文以全国237 个城市为研究对象， 实证检验了数字金融对区域结构性全要素生产率的空间效应。
本文研究表明：第一，我国数字金融发展能够提升全要素生产率， 且空间效应在东中西部区域存在明显差异， 数字金融通过提升技术进步和规模效率，提高全要素生产率，且在东中部区域数字金融发展主要推动技术进步， 而在西部区域主要提升规模效率；
第二，我国城市数字金融发展均能提升本城市的全要素生产率， 但东部区域内周边城市数字金融发展却对本城市全要素生产率提升起抑制作用；
第三，数字金融覆盖广度和使用深度的提高均可以提升全要素生产率， 但该效应在东中西部存在显著差异， 东中部区域数字金融覆盖广度与使用深度的发展可以促进本城市全要素生产率提升，但在西部区域却以间接效应为主。
在党的二十大提出着力推动高质量发展与区域协调发展的时代背景下， 为更好地促进我国数字金融提升区域结构性全要素生产率的水平，本文提出如下对策建议：
第一，完善数字金融基础设施建设。通过政策引导、产业协同和创业基金等多方位支持，加快以金融科技为核心，集合大数据、云计算、人工智能和区块链的新型金融数据中心建设。同时，加速信息技术对传统基础设施的融合升级，如数字货币、企业及个人征信基础设施、尽职调查服务平台等。此外，鼓励技术开发与理论研究、加大人才扶持力度以完善数字金融创新基础设施，提升技术效率，进而提升全要素生产率。
第二， 实行动态化、差异化数字金融发展战略。东中部区域应加快数据要素产业化，强化金融监管，促进金融创新，加速技术溢出和人才区域间流动，而在西部区域实施差异化数字金融战略，进而缩小地域间发展不平衡， 比如促进融资方式多样化，缓解“融资难、融资贵”的困境，鼓励金融机构推出支持地方特色产业的创新型金融服务产品，满足当地企业对技术创新的需求。
第三， 通过强化数字金融受地理空间限制程度低的优势，将互联网、大数据、人工智能深度融入实体经济。促进劳动力在东中西部三个区域内、城乡间、行业中的有序流动，提升就业岗位与人才的匹配度，助力经济发展“脱虚向实”，提高技术效率进而促进全要素生产率整体水平提升。
注释：
①据1986年全国人大六届四次会议通过的“七五”计划及1997年和2000年的两次修订， 我国区域划分如下：东部区域包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南11 个省（市）；
中部区域包括山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南8 个省；
西部区域包括重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、内蒙古和广西12 个省（市、自治区）。
②由于篇幅原因，检验结果不进行汇报，若读者有需要可向作者索取。
猜你喜欢生产率要素效应中国城市土地生产率TOP30决策(2022年7期)2022-08-04铀对大型溞的急性毒性效应核科学与工程(2021年4期)2022-01-12懒马效应今日农业(2020年19期)2020-12-14掌握这6点要素，让肥水更高效当代水产(2020年4期)2020-06-16国外技术授权、研发创新与企业生产率产业经济评论(2019年4期)2019-09-10观赏植物的色彩要素在家居设计中的应用现代园艺(2017年22期)2018-01-19论美术中“七大要素”的辩证关系河北书画研究(2017年1期)2017-08-22应变效应及其应用中学物理·高中(2016年12期)2017-04-22关于机床生产率设计的探讨中国市场(2016年45期)2016-05-17也谈做人的要素山东青年(2016年2期)2016-02-28
