金融科技创新如何影响全要素生产率：促进还是抑制？——理论分析框架与区域实践

唐 松，赖晓冰，黄 锐

(广东金融学院 行为金融与区域实验室，广东 广州 510521)

一、引言

中国经济已由高速增长转变为高质量发展阶段，其核心就是对内转变经济增长方式，由传统增加要素投入的“粗放式”增长向提高全要素生产率的“集约式”增长方式转型；对外通过创新产业发展提升国际竞争力，迈向全球产业供应链中高端。但中国经济高质量发展的背后同样面临全要素生产率增长乏力，外部环境显著恶化等问题。反映在现实层面即是内部创新动力不足引致的经济转型成本增大，加之产业创新驱动外部市场需求端的环境冲击，特别是中美产业分工逐步从互补向竞争关系转变[1-2]，导致2018年以来的中美贸易争端，进一步压缩了创新发展转型的窗口期。毫无疑问，通过创新驱动进而提升全要素生产率作为保障经济高质量运行的重要前提，已然成为当下学界关注的焦点之一。

金融是实现创新驱动的重要条件，在金融支持下的先进科技融合创新，有助于提高金融服务供给质量与资源配置效率。特别是金融科技(Fintech)[注]金融科技(financial technology)，简称Fintech。根据金融稳定理事委员会(FSB)的定义，金融科技指技术带来的金融创新，它能创造新的业务模式、应用、流程或产品，从而对金融市场、金融机构或金融服务的提供方式造成重大影响。的发展，利用大数据、云计算、人工智能、区块链等技术在金融领域的融合创新，在一定程度解决信息不对称问题，拓展金融服务的应用边界，增加金融服务的有效供给，从而满足实体部门要素生产需求。与此同时，金融科技依托自身的网络化发展，有益于开拓技术知识溢出渠道，在一定程度上帮助技术知识在区域间的开放和流动，加速创新产业集群发展，为区域实体部门的要素生产活动提供内在动力。数据显示[注]数据来源于埃森哲对研究机构CB Insights数据的分析报告。，2010年至2017年期间，全球投资总额达到977亿美元，总资金复合年增长率为47%；到2018年，全球金融科技投资额攀升至553亿美元，中国金融科技投资额亦创出255亿美元新高(接近2017年全球金融科技投资总额)。可见，现阶段中国乃至全球金融科技的快速发展，为不断提高金融服务的普惠性和便捷性，继而促进全要素生产率增长提供现实可能性。

但不可否认，金融科技创新也会衍生出新的风险。一方面，由于监管存在滞后性，金融科技又具备技术快速迭代和金融产品转化周期短的特征，容易突破现行监管框架[3]，会导致风险头寸不断积累和蔓延；另一方面，金融科技创新过程并没有脱离金融属性，在技术创新推动下，金融科技所内含的金融风险将呈现更快速、隐蔽、多渠道传导，最终对实体部门要素生产过程产生一定抑制作用。因此，在考察金融科技发展是否有利于提高全要素生产率的同时，如何遵循技术运行规律与金融法规边界内，有效借助金融科技中的创新驱动机制，在防范创新所引发的风险前提下，促使金融业与实体部门的技术革新，优化要素生产环境，提升全要素生产率。这对于当前中国经济高质量发展背景下，有效把握稳增长和防风险之间的平衡具有重要的理论意义与实践价值。

现有文献有关金融科技创新与全要素生产率的研究主要基于微观层面、产业层面和宏观层面，旨在探讨技术驱动下的金融创新给要素生产过程带来的机遇和风险。从微观层面来看，部分研究以技术进步为导向，认为金融科技涵盖金融领域的数字创新和技术支持的商业模式创新，其通过革新现有企业对产品与服务的生产及交付方式[4]，为投资者提供创新性后台服务、教育和培训，带来技术的进步[5]。另有研究以资源配置效率为导向，发现金融科技基于技术创新优势，一方面可以利用区块链技术的不可篡改特性解决交易双方信任问题，有效释放生产力[6]；另一方面通过大数据分析和处理克服信息不对称问题，譬如在没有实体投资情况下提供贷款服务，有效匹配资金供求双方成交意向，拓展金融服务范围[7-8]，提升金融资源配置效率。就产业层面而言，金融科技创新颠覆了以间接融资为主的金融资源配置模式，对传统金融业产生一定挑战[9]。然而，传统金融业在金融科技支持下亦能将挑战转化为机遇。有学者指出，信息科技与金融部门融合创新产生乘数效应，有助于提高经济产出和生产率[10]，诸如IT技术与支付、汇款及资产管理等金融服务的融合创新，产生电子、数字和金融科技服务，不断推动生产力发展[11-12]。值得注意的是，金融科技创新的出现必然同时存在机遇和挑战。从宏观层面来看，金融科技创新催生的风险容易突破地理边界，并伴随风险更具传染性、隐蔽性和系统性[13]，冲击实体经济运行。但大数据、云计算、分布式账本技术等金融科技的应用，也有利于风险识别与管理，并降低自身风险集中度，实现金融体系稳定，提高资源配置效率[14]。综合而言，尽管有关金融科技创新与全要素生产率的研究已经闪现部分成果，但从区域视角探求金融科技创新的空间溢出机制对全要素生产率的空间影响研究，越来越受到金融、区域科学等领域学者关注。事实上，不同地区间的经济事物往往存在空间相关性[15]，金融科技创新过程本身产生的空间知识溢出对周边地区全要素生产率的影响，能促使金融资源要素跨区域流动，若忽视金融科技创新与要素生产之间的“地理特征”，将使其问题导向的理论研究框架和实践价值产生缺陷。

相较于以往研究，主要贡献有两点：第一，探索性的以金融科技创新为切入点，在理论上深入阐释金融科技创新通过何种路径提高全要素生产率；第二，基于空间计量方法，考虑到金融科技创新的空间溢出效应和区域全要素生产率的空间关联性，并建立多种空间面板计量模型实证检验金融科技创新对区域全要素生产率的直接影响和空间溢出影响。

文章后续安排如下：第二部分从区域内部层面和区域间(空间)层面对金融科技创新与全要素生产率之间的传导机制进行理论分析；第三部分在传统面板OLS模型上引入空间因素构建SAR、SEM和SDM模型，并进行数据说明和描述性统计；第四部分为金融科技创新与全要素生产率之间关系的实证分析；第五部分是全文结论与政策启示。

二、理论分析框架

近期以来，金融科技在中国得到快速发展，金融与科技创新融合的发展趋势，正在改变传统金融资源配置方式，影响要素生产过程。本文试图从金融科技创新角度出发，首先通过长尾理论，在区域内部层面探讨金融科技创新如何发挥长尾效应进而作用于全要素生产率；另一方面基于知识溢出理论，在区域间层面剖析金融科技创新如何对全要素生产率产生空间知识溢出。

(一)区域内部层面金融科技创新与全要素生产率之间的形成机制

区域内部金融科技创新与全要素生产率之间的作用机制，可通过催生长尾市场的方式促进全要素生产率提升。根据长尾理论，位于正态曲线两端需求量小、差异化大的尾部非流行市场，其市场规模累加的结果将超越位于正态曲线头部的流行市场。由于物理网点等限制，传统金融服务模式更偏向于“二八定律”，将有限的资源和精力倾注于少量高端客户，在某种程度上被动地忽略长尾市场这一价值洼地的开采。但金融科技的出现，为打破“二八定律”服务困境、完善普惠性金融服务提供另一种可能性。金融科技依托底层的大数据、云计算、人工智能和区块链等技术创新，深刻重构现行交易规则和技术、支付和清偿系统、规制与监管制度等领域的金融基础设施，在金融服务供给层面产生新商业模式、技术应用、业务流程和创新产品，推动金融新业态形成。诸如智能投顾、保险科技、股权众筹、移动支付等金融新业务模式，实现金融服务方向从线下到线上转变，服务边界从高端向普惠性拓展，为长尾需求群体提供多样化金融服务。值得注意的是，金融科技基于技术创新对金融功能的深入发掘，不仅颠覆传统金融机构物理网点限制，也催生以民营企业需求群体为主的长尾市场。具体而言，金融科技通过对金融机构和非金融企业的基础信息大数据展开实时和智能化搜集、分析、决策和共享，辅以去中心化的分布式记账技术保证企业信息数据安全性并降低信任风险，可以大幅降低长尾市场信息不对称成本，并在强虹吸效应下扩大对民营企业需求群体的金融服务范围，改善对具备创新实力却无法融资的企业甄别能力，进而强化金融资源对富含技术创新项目的有效配置，促成全要素生产率提高。基于此，提出以下命题：

命题1：区域内部层面，金融科技创新有助于提升区域全要素生产率。

(二)区域间层面金融科技创新与全要素生产率之间的传导机理

从区域间层面考察，金融科技创新在空间知识溢出作用下推动区域全要素生产率提升。知识溢出理论在空间的应用，表现为地理区位之间无意识的知识交流与传播过程，即发生空间知识溢出。具体到金融科技创新利用空间知识溢出提高全要素生产率的路径主要有两种：第一种路径基于网络效应，通过金融科技创新加速显性知识的空间溢出提升区域全要素生产率。金融科技借助大数据、云计算、人工智能和区块链等一系列技术支持下的创新行为本身，具有技术知识特征。首先金融科技运用大数据、云计算等网络化技术分析工具，依赖于互联网进行传播和应用，而互联网具有显著的网络效应[16]，其创新活动在网络效应作用下打破知识传导的地理限制，加速显性知识跨区域传播；其次邻近区域吸收主体通过学习模仿其先进的技术知识，吐故纳新，在助推技术进步和效率提升的同时也能控制企业在技术研发过程中遇到的财务风险。

第二条路径则基于人员流动效应，通过携带金融科技创新知识的人才在区域间流动，在合理配置人员与技术对接的同时加快技术知识吸收[17]，能够拓展隐性知识的空间溢出渠道，最终实现区域全要素生产率增长。换言之，由于隐性知识较难编码和记录[18]，其传播过程主要通过人与人之间的直接交流来完成[19]。具体到金融科技领域，其创新人才在区域间流动引发空间知识溢出，产生流动效应；而流动效应将对企业创新产生积极影响[20]，不仅能够强化隐性知识在不同区域和企业群体之间传递和交流，还会拓展隐性知识空间溢出渠道；邻近区域的技术知识吸收主体在模仿效应作用下助力自身技术进步和效率提高，进一步促使全要素生产率上升。鉴于此，提出以下命题：

命题2：区域间层面，金融科技创新能促进知识的跨区域传导，即发生空间知识溢出，推动周边地区全要素生产率增长。

从风险监管视角考量，由于传统金融监管缺乏同步和自动化特性，快速更新的金融科技产品和技术能够轻易地突破现有监管框架，对金融部门基本面构成冲击[21]；并在利益驱使下采用更高风险金融工具进行监管套利，导致风险头寸不断积累和蔓延，诱发系统性金融风险，从而制约实体部门要素生产进程，阻碍全要素生产率增长。因此，金融科技创新对全要素生产率并非只产生积极作用。就金融属性而言，金融科技创新仍存在金融风险外部性和顺周期性，随着技术创新延伸会增加风险传染的突发概率和波动幅度，其风险地形成会引致跨部门、跨行业、跨区域交叉传染，扩大实体部门风险敞口，恶化实体部门在要素生产时所处发展环境，进而对全要素生产率的提升产生阻力。就现实而言，中国金融科技正处于发展初期，大部分停留在传统金融基础上拓展金融服务范围，激发客户获取金融服务的欲望和需求[22-23]，为金融服务实体部门做出重要补充；其作用形式更多表现为金融科技对传统金融部门的技术知识溢出，实现传统金融部门技术升级改造，对系统庞大的传统金融部门风险冲击力度极为有限。与此同时，金融科技创新在监管机构的应用也催生了监管科技(Reg Tech)发展，其对监测机构行为、风险定价、信息渠道获取和信用评估等领域的深刻重构，并结合监管技术创新制定监管标准，可为金融创新行为实施智能合规管理，精准监测和排查风险[24]，避免监管套利的发生，在一定程度上弥补传统金融监管覆盖面不足等问题，保障金融科技创新对实体部门进行技术传导和金融服务的有效实施。据此，整体来看，现阶段金融科技创新对全要素生产率的促进作用要远远大于其抑制作用。

三、空间面板计量模型构建、变量与数据

(一)空间面板计量模型构建

传统OLS模型仅仅在区域内部揭示变量与TFP之间的作用关系，而没有从空间视角出发，忽略了变量的区际流动对TFP的空间溢出影响，造成计量结果严重偏离实际情况。为此，本文首先构建OLS模型，并对其残差项进行空间相关性检验，以进一步说明加入空间项的必要性；另一方面，分别建立含有空间滞后项(ρWTFP)的SAR模型、含空间误差项(λWμ)的SEM模型和同时考虑空间滞后项(ρWTFP)、空间交互项(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)式为不考虑空间因素的传统OLS模型，(2)、(3)、(4)式分别为SAR、SEM、SDM模型的一般形式。TFP表示因变量全要素生产率，X为自变量，包含核心解释变量金融科技创新(Fintech)及一系列控制变量(数据说明部分进行解释)，const为截距项，In为n*1的列向量，In为n*n的单位向量，μ与ε表示服从正态分布的随机扰动项，W为空间权重矩阵，β表示自变量的回归系数，φ、ρ与λ分别表示空间交互项系数、空间自回归系数和空间误差系数。

(二)空间溢出效应度量

当存在空间溢出效应时，SDM模型的空间项系数无法直接测算自变量对TFP产生的空间溢出影响，Lesage和Pace(2009)采用偏微分方法，将自变量对因变量的作用具体分解为直接效应、间接效应与总效应[25]，更加直观测度两者之间的关系，具有较好的解释力度。其中，直接效应为自变量变化对本地区TFP的影响；间接效应(空间溢出效应)反映自变量变化所引致周边地区TFP的影响；总效应为直接效应与间接效应之和，表示自变量对区域内部以及区域外部TFP的总体作用。

具体的，将SDM模型中ρWTFP项左移，将等式两边同时乘以(In-ρW)-1，等式转化后可得：

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)。将(2)矩阵扩展可转化为：

(7)

(三)变量与数据

1．被解释变量：全要素生产率(TFP)

根据TFP的构成，可分解为技术效率提升和技术进步[26]。目前国内外有关TFP的测度方法主要包括基于非参数运算的数据包络分析法(DEA)和基于参数运算的随机前沿分析法(SFA)。其中，DEA模型无需设定函数具体形式[27]，通过输出确定性前沿的方式来拒绝在优化问题中所出现的随机错误，但其忽略了随机因素地冲击作用，且无法就模型的设定进行适宜性检验[28]。SFA模型考虑到随机误差(v)与技术无效率()因素，尤以变弹性超越对数生产函数形式增强了模型的包容性，并通过参数检验方法及函数有效性检验确立更好的拟合效果[29]。因此，参考白俊红和卞元超(2016)等人研究，采用SFA模型构建超越对数生产函数[30]，对中国31省域TFP展开估算。具体形式如下所示。

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

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

(8)

式(8)中，Yit表示地区i在t年的实际GDP；Kit表示资本存量，运用永续盘存法估算，关于基期资本存量的测度，参照Hall和Jones(1999)的做法Ki0=Ii0/(gi+σ)[31]；其中，Ki0为i地区基期资本存量，Ii0代表基期固定资本形成额，gi表示样本期内固定资本形成额的几何平均增长率；σ为折旧率，与单豪杰(2008)一致，采用10.96%[32]；Lit表示劳动，即社会从业人员数；β0为常数项，β1～β5分别表示资本(Kit)、劳动(Lit)及相应的平方项与交叉项系数；其中(vit-μit)为复合误差，两者相互独立，其中，vit为随机误差项，μit为技术无效率项。

表1 超越对数生产函数形式的SFA模型估计结果

注：*、**和***分别表示在10%、5%和1%的水平下显著。

表1通过R语言“Frontier”包的SFA函数对生产函数适宜性和参数显著性进行检验。回归结果显示，大部分系数均通过显著性检验，值高达99.8%，说明模型(4)存在明显的复合结构，在控制K、L等投入要素的情况下，产出地波动主要归因于技术无效率，SFA模型较为合理；同时，时变因素η在1%的水平下显著为正，表明在样本期内技术效率有所改善；此外，通过LR统计量对原假设H0(3=4=5=0)展开估计，结果发现，LR统计量通过1%的显著性检验，应选取超越对数生产函数形式的SFA模型。

2．核心解释变量：金融科技创新

关于金融科技发展程度的衡量指标，现有研究大致可分为两类，一是基于网络搜索热度构建的情绪指数，沈悦和郭品(2015)在金融功能观与技术融合视角下，建立互联网金融指数原始词库，并采用“文本挖掘法”对百度新闻各关键词的词频进行数据挖掘和结构化数据转化，最终合成互联网金融指数[33]；Li等(2017)借助文本挖掘技术对韩国Naver网站有关金融科技服务新闻数据进行收集和情绪分析，旨在探求金融科技行业的发展趋势和任务[34]。二是基于结构化数据构建的金融科技指标体系，代表性研究如郭峰等(2016)依托金融科技企业的交易账户底层数据，从金融科技服务的覆盖广度、使用深度和数字支持服务等视角，搭建数字普惠金融体系[35]，用以衡量金融科技发展程度。蚂蚁金服作为中国金融科技代表性企业，其支付宝业务更能精准衡量用户所获取的金融科技服务。特别是，邱晗等(2018)在此基础上进一步利用蚂蚁金服关于数字金融的微观数据，选取支付宝账户覆盖率(涵盖平均每个支付宝账号绑定银行卡数、支付宝绑卡用户比例以及每万人拥有支付宝账号数三个指标)作为金融科技代理变量[36]。据此，结合金融科技的两种构造思路，本文认为词频热度建立的金融科技情绪指数并不一定能够真实反映金融科技发展水平。其中一个重要原因在于概念地快速更迭[注]如谢治春等(2018)将金融科技发展历程分为金融IT、互联网金融与金融科技数字化阶段[37]，各个发展阶段的概念均存在一定差异。，依靠关键词表测度金融科技情绪发展，容易陷入“不尽完善”与“疲于更新”的两难境地[38]，由此建立的后续分析将缺乏根基性；不同的是，以支付宝为代表的金融科技服务涵盖海量结构化数据，更能细致全面地体现中国金融科技发展。基于上述考虑，本文与邱晗等(2018)研究一致，选用北京大学数字金融研究中心编制的中国数字普惠金融指数(省级层面)作为金融科技创新代理变量。

3．控制变量

为准确表述金融科技与TFP之间的作用关系，本文分别从宏观、区域、社会、结构和基础设施五个层面实施控制。一是宏观层面(rgdp)，选取经对数化处理后的各地区人均实际GDP衡量宏观经济发展水平；二是区域层面(gov)，利用各地区对数化后政府财政支出衡量区域政府行为；三是社会层面(urban)，选取城镇人口占总人口比重表征中国社会人口发展动态；四是结构层面(str)，以第三产业增加值占GDP比重表征产业结构发展；最后是基础设施层面(inf)，选用每万人铁路营业里程衡量网络交通基础设施发展水平。采用2011-2015年中国31省域面板数据作为样本，所有原始数据来源于Wind金融终端、国家统计局网站与各地区统计局网站。变量含义与描述性统计如表2所示。

表2 变量含义与描述性统计

四、实证结果分析

为了验证计量模型设定适宜性，本文首先从传统非空间面板模型(OLS)出发，借助回归残差的空间自相关测试，佐证模型是否需要将空间因素纳入研究范围，以更好地揭示金融科技创新与TFP之间关系。在此基础上，分别建立SAR、SEM、和SDM空间计量模型，从空间视角分析TFP与其影响因素之间的作用关系，进而探索提升TFP的方法。本部分的计量运算通过MATLAB_R2015a软件完成。

(一)传统OLS面板模型估计结果

在空间面板检验前，首先对OLS模型估计结果进行研究，从OLS模型残差的Moran’s I指数测试结果来看，其残差表现出显著的空间相关性[注]在进行OLS回归之前，本文已对全要素生产率(TFP)进行Moran’s I指数检验，研究发现存在显著的空间互动性特征。，结果见于表3。

表3 传统OLS面板模型估计及其残差项空间相关性分析

注：括号内为T统计值；*、**和***分别表示在10%、5%和1%的水平下显著，下同。

特别地，进一步对OLS残差展开LM检验和R-LM检验，发现LMERR在5%水平下显著，R-LMLAG以及R-LMERR均通过1%的显著性检验，表明残差存在显著的空间相关性，这也再次佐证前述全要素生产率的空间相关性检验和OLS模型残差空间相关性测试结论。因而传统非空间面板OLS模型已然无法完整解释金融科技创新与全要素生产率之间在空间层面的作用关系，应将空间因素纳入计量模型予以考察。

(二)空间面板计量模型估计结果

经Hausman检验，空间计量模型选用固定效应，其中，sF、tF和stF分别对应固定效应下的空间固定、时间固定与时空双固定效应，空间面板固定效应的估计结果见于表4。

总体而言，从表4中的9个空间面板模型估计结果可以发现，金融科技创新(Fintech)的回归系数绝大部分在10%水平下显著为正，说明金融科技水平的提升能够进一步强化本地区TFP；同时，不同固定效应条件下模型的空间项滞后项系数(ρ)及空间误差项系数(λ)多数为显著，这体现了本地区TFP受到周围地区TFP及其他因素的溢出影响。就空间计量模型及固定效应具体类型的选择而言，stF下SDM模型的拟合效果在9个模型中达到最优。换句话讲，stF下SDM模型在最小方差(δ2)、最优拟合优度(R2)及最大似然值(Log-L)等指标上，相较其他模型总体最优。进一步通过Wald检验和LR检验发现，带有空间滞后的Wald检验(Wald-lag)和LR检验(LR-lag)以及带有空间误差的Wald检验(Wald-err)和LR检验(LR-err)均在1%的水平下显著，这表明SDM模型无法退化为SAR及SEM模型。综上所述，采用stF下的SDM模型估计结果进行分析。

表4 空间面板固定效应模型估计结果

通过表4空间项系数(ρ或λ)可知，空间溢出效应显著存在，而SDM模型的回归系数无法直接测算自变量对TFP的作用大小。为此，借鉴Lesage和Pace(2009)的研究，在表4中stF下SDM模型估计结果基础上，将自变量对TFP的空间效应进一步分解为直接效应、间接效应(空间溢出效应)和总效应。金融科技创新及各控制变量的三种效应测度见表5。

表5 时空双固定效应(stF)下SDM模型的直接效应、 空间溢出效应与总效应

将表5空间面板杜宾模型的三种效应分解可以发现：

就金融科技(Fintech)而言，一是在直接效应中，回归系数在5%水平上显著为正，表明金融科技创新有利于激发本地区TFP增长，证实了命题1的理论阐述。换言之，金融科技创新催生的金融新业务模式、金融新业态和金融基础设施有助于扩大金融服务覆盖率并保障公平交易，其对金融消费者金融数据的智能化收集、分析及处理能有效缓解信息不对称问题，满足企业和金融消费者投融资需求，覆盖传统金融业务遗漏的长尾用户群，完善长尾群体进行技术创新时所必须的金融支持，促成生产效率提升。二是在间接效应中回归系数在5%水平下显著为正，说明金融科技创新通过产生空间知识溢出，进一步强化周边地区TFP增长水平，这也验证了命题2的理论分析。具体来讲，金融科技创新通过网络效应和人员流动效应促进显性知识和隐性知识的空间溢出，技术知识吸收主体通过学习模仿其先进技术和风控管理模式，在促使自身技术进步和效率改善的同时也能将其技术创新过程所遇到的财务风险控制在合理水平，保障技术创新有效实施。三是在总效应中，回归系数通过了1%的显著性检验。不难发现，总体上金融科技创新益于提升区域内部及区域外部TFP的发展水平，印证了理论部分有关金融科技创新对TFP存在空间知识溢出的判断，也反映出从空间计量模型角度揭示两者关系的有效性和必要性。

就控制变量而言，一是在宏观层面，人均收入(rgdp)直接效应的回归结果显著为正，而间接效应的回归结果却显著为负，这表明自身经济发展水平的提升有助于促进本地区TFP增长，然而也会对周边地区TFP产生负向空间溢出。事实上，提高TFP是实现经济高质量发展的重要条件，相应地，经济发展水平提升又能为TFP增长提供更多优质的人力、资本、技术等要素资源；但同时，经济发展水平较高的发达地区容易吸引周边地区要素资源向中心地带集聚，在一定程度上对周边地区TFP产生极化效应。二是在区域层面，政府财政支出(gov)的直接、间接和总效应均显著为负，可能的解释在于政府干预的非市场化行为破坏了金融发展的资源配置，从而影响技术创新的资本环境；特别是在“中国式财政分权”制度下，财政支出结构不完善容易引致要素市场扭曲，阻碍TFP的提升[39]。三是在社会层面，城市化(urban)直接效应的系数显著为正，而间接效应的系数显著为负。这表明，城市化不仅促进了本地区TFP增长，还会抑制其他地区TFP增长。其原因在于，城镇化即是人口向城市流动的过程，将劳动力资源从生产率较低的第一产业向生产率更高的产业部门转移[40]；不难看出，城镇化过程也伴随资源要素掠夺，对欠发达地区TFP产生负的空间溢出效应。四是在结构层面，产业结构(str)间接效应与总效应的回归系数均显著为负，这主要归咎于金融业作为第三产业结构的重要组成部分，近年来随着金融风险不断集聚和跨部门、跨区域传染，加之“金融空转”等现象的发生，在导致金融资源配置效率下降的同时也扭曲了产业结构发展，对TFP的提升形成制约。最后是在基础设施层面，尽管交通基础设施(inf)直接效应并不显著，但间接效应与总效应的回归系数均显著为正，且这三种效应的回归结果均说明交通基础设施已对中国TFP增长形成强劲动力，这与张学良(2012)等人研究结论一致，交通基础设施建设益于各种生产要素在区域间便捷流动，在网络属性及扩散效应影响下，将各地区经济要素活动连成一个整体[41]，共同促进TFP提升。

五、结论与政策启示

对全要素生产率增长动力的准确识别，是持续深化供给侧改革、推动经济高质量发展的前提条件。本文以金融科技创新为切入点，分别从区域内部层面和区域间层面对金融科技创新与全要素生产率之间的作用路径展开理论分析；并利用2011-2015年中国31省市面板数据，综合采用空间面板杜宾模型，深入揭示金融科技创新对提升区域全要素生产率的直接和间接作用效果。研究发现：(1)区域间TFP地发展具有显著的空间关联性，本地区TFP受到周边地区TFP的溢出影响；(2)金融科技创新借助技术优势缓解信息不对称问题，其衍生的创新性金融基础设施、金融新业态和金融新业务模式助力本地区TFP提升，其作为提高TFP的全新路径，可为政府支持其发展提供理论支撑；(3)金融科技创新在空间知识溢出传导下助力周边地区TFP增长，外地金融科技创新对本地区TFP的辐射效应不容忽视。

研究结论为探索TFP的新增长动力进而实现经济高质量发展提供重要的政策启示。

第一，深化金融供给侧结构性改革，缓解民营企业融资困境。2017年8月以来，美国单方面宣布对中国开展“301条款”调查、中兴制裁、华为技术封锁以及对《中国制造2025》重点支持的高新技术进口产品加征25%关税等。面对由中美贸易摩擦带来的技术限制，提高中国自主创新能力变得更加迫切。民营企业作为中国技术创新的重要主体，受信息不对称等因素影响难以在传统金融机构获取融资[42]，成为金融需求的长尾群体。鉴于此，金融科技创新应以服务实体经济为导向，通过技术在金融领域的深度融合，提升金融供给质量和资源配置效率，有效增强民营企业的金融可获得性。首先，应有效结合大数据、云计算等技术创新，完善交易规则和技术、支付和清偿系统、监管制度等领域的金融基础设施建设，保障民营企业融资环境；其次，引导金融产业链细化分工，将内生、封闭的产业链条转变为更具专业化、个性化、一体化的金融新业态，为金融消费者和民营企业提供多样化投融资服务；最后，加强创新性金融业务模式发展，拓展金融服务范围和技术知识传播渠道，将金融科技创新应用到传统金融服务无法触及的长尾群体中，扩大普惠金融覆盖面。以期借助金融科技，深化金融供给侧结构性改革，为民营企业技术创新提供更广泛的金融支持，实现金融、科技与实体经济的深度融合。

第二，拓宽区域间技术知识溢出通道，助推金融科技产业集聚发展。从实证结果可以看出，近年来中国省域要素生产活动具有显著的空间关联性，并且金融科技创新通过空间知识溢出效应能够明显提高周边地区全要素生产率。这一结论的政策启示在于，首先政府应消除地区之间的市场分割，积极构建区域间金融基础数据信息以及数字技术知识共享平台，建立健全网络化金融科技基础研究体系，引导金融科技创新人才和资本等要素市场自由流动，从而拓宽区域间技术知识溢出通道，助力周边地区技术知识吸收主体模仿学习，实现区域间全要素生产率增长的优势互补和整体提升。另一方面，鼓励金融科技产业与其服务主体之间横向、纵向合作交流，深化区域间要素生产主体分工协作。此外，利用发达地区高端技术和金融功能优势，推动金融科技产业集聚发展，强化发达地区金融科技创新对邻近地区要素生产的辐射功能，最终促进区域全要素生产率提升。

第三，加快构建围绕金融科技发展的创新驱动政策和“监管沙盒”机制顶层设计，保障金融科技创新有序推进。当前全球金融科技处于快速发展时期，金融科技利用其技术优势进行金融创新，为实体部门要素生产过程发挥巨大优势；与此同时，金融科技创新过程所暗含的风险又会对全要素生产率产生一定抑制作用。据此，应抓住金融科技发展的历史机遇，一方面，从政策层面激励金融科技创新及其应用成果转化，突破金融科技创新成果转化的体制机制障碍，保障金融科技创新成果对实体部门及时、有效的传导，为实体部门技术进步和技术效率的改善提供新增长动力，不断落实十九大报告中关于“推动经济发展质量变革、效率变革、动力变革，提高全要素生产率”和“创新驱动发展”的政策要求；另一方面，构建“监管沙盒”机制，在支持有益创新的同时亦能切实防范风险蔓延，有效把握金融科技创新与风险防范之间的平衡，夯实金融科技创新对实体部门要素生产的资本输入和技术支撑。