数字金融能驱动城市创新吗？

汪亚楠 徐枫 郑乐凯

(1.华南理工大学经济与贸易学院，广东 广州 510006；2.上海黄金交易所，上海 200001)

一、引言

2012年我国提出创新驱动发展战略，时至今日成效显著，科技进步对经济增长的贡献率由2012年的52.2%提升至2017年的57.5%1。推动城市创新升级，是我国提高经济发展效益、迈向现代化强国、解决新时代社会主要矛盾的重要途径。然而传统金融存在的结构性矛盾在一定程度上阻碍了我国向创新型国家转变的进程。党的十九大报告明确指出服务“三农”、小微企业等弱势群体是金融改革的重要方向，而与新一代信息技术融合的数字金融则可以帮助从理论落地到实践。图1显示2011年以来我国数字金融与城市创新均呈现稳健的增长趋势。这种现象不禁引人深思：数字金融与城市创新之间是否存在因果关系？数字金融能否驱动城市创新？

图1 数字金融与城市创新的关联关系

提升金融服务的可获得性是金融发展不变的追求。在传统金融模式下，成本高、效率低、服务不均衡、商业不可持续等难题无法得到很好解决。数字金融创新性地引入了互联网信息技术，如移动互联、网络和通信服务、云计算等数字化技术，其作用主要表现在拓展覆盖面、扩大资金规模、降低交易成本、优化风险管理方式四个方面，同时也有促进创新、促进居民消费的作用。具体来看，第一，依托互联网，数字金融突破了地域限制，有效提升了金融服务可获得性，扩大了金融服务覆盖面。互联网金融可以降低传统金融对物理网点的依赖，具有更强的地理穿透性(李继尊，2015)[18]。众筹融资平台通过信息显示效应弱化了投资的空间约束(Agrawal et al., 2011)[2]。第二，传统商业银行具有存贷款利差保护，余额宝、微信理财通等金融产品的投资收益率更高，提升了居民的购买意愿。1元起购的低门槛和灵活的提现盘活了居民的闲散资金。网络贷款和众筹融资使得中小企业及个体户能高效、便利地融资，资金使用规模也得以最大限度地提升。第三，金融服务的提供脱离了对实体设施的依赖，转而以网络作为交易载体，这一改变有效降低了金融交易成本(Lewis, 2011；谢绚丽等，2018)[7][26]、搜寻成本和评估成本(Zeng and Reinartz, 2003)[12]。第四，第三方支付平台可以通过搜集用户的交易和支付数据反映用户的信用状况(张勋等，2019)[31]，即互联网金融可以利用大数据加强信用体系建设。相比于传统金融，数字金融在信息获取和分析、风险识别和控制等方面均展现出了独特优势。

城市创新是当前我国实现经济转型的战略性选择，城市创新应以发展科技创新、产品创新、知识转移、知识创造为主。从构成要素上看，城市创新须具备创新主体(企业、大学、研究机构等)、创新资源(基础设施、信息网络、资金、技术等)、创新制度(激励、竞争、评价和监督等)。从发展驱动上看，城市创新是以知识(包含科技)、人力资本为核心要素的一种城市发展模式。关于城市创新的动因，可以归纳为三条研究主线：其一，城市创新增长的重要推动力是知识溢出(周锐波等，2019)[32]，技术、知识、资金、人才投入对知识溢出分别发挥着重要的投入保障作用(丁志伟等，2018)[14]。其二，城市创新能力内生于经济结构(冯云廷等，2019)[15]，诸如经济水平、国际贸易水平、金融水平等因素都会不同程度地影响城市创新能力的发展(易高峰和刘成，2018)[28]。城市对风险的态度越开放，城市的创新能力则越强(Caragliu et al., 2016)[3]。其三，专业化分工程度也能够推动城市创新。知识密集型商业服务对所在城市的创新做出了巨大贡献(Simmie and Strambach, 2006)[11]、技术密集型制造业的专业化对城市创新具有显著的正向溢出效应(Qi et al., 2019)[8]、生产性服务业专业化和多样化集聚对城市创新有显著的促进作用。

与已有研究相比，本文可能的边际贡献在于：第一，在研究视角上，已有研究主要关注数字金融可否拓展金融服务深度和广度、可否降低金融服务成本以及是否具有收入效应，较少涉及数字金融与城市创新之间的作用关系。为此，本文将在数字金融视角下，检验金融发展能否促进城市创新。第二，在研究数据上，本文一方面采用北京大学数字金融研究中心和蚂蚁金服联合发布的地级市层面数字普惠金融指数，另一方面采用复旦大学经济学院与第一财经研究院联合发布的地级市层面的城市创新指数，更为精确地从地级市层面考察数字金融发展对城市创新的影响。第三，在作用机制上，本文从理论层面推导出数字金融借助收入效应和人力资本效应影响城市创新，进而在实证层面对上述影响机制进行了验证。

二、理论机制与研究假设

数字金融具有成本可负担、商业可持续、服务范围广泛等优点，较好地契合了城市创新的需要。本文将具体探究数字金融对城市创新的影响效应及传导机制，从而推导出本文的研究假设。

企业作为城市创新的重要主体之一，亦是金融机构服务的主要对象。据此，本文将从创新企业和金融部门两个角度出发，讨论数字金融给城市创新带来的影响。一方面，数字金融提高了创新企业的融资可得性，缓解了流动性约束，有利于鼓励城市创新。数字金融利用大数据、云计算、区块链、人工智能等新一代信息技术手段，降低了金融交易成本，缓解了流动性约束(易行健和周利，2018)[29]。对于城市创新的重要主体——企业而言，流动性充裕意味着企业具有更强的能力和更多的机会进行产学研拓展，更多的资金支持研发活动，从而以企业创新带动城市创新。同时，数字金融搭建了良好的信息沟通和资源交换平台，帮助新兴的创新创业企业完成从起步到站稳的过渡。由管理经验和销售渠道匮乏导致的公司内部混乱和资金回流困难等问题，常常困扰着成立初期的创新企业。支付宝、微信、京东开发的创新产品众筹平台不仅吸引了资金，而且宣传了产品及企业本身。创新企业借助曝光度可以更好地开拓销售渠道，招募更为合适的人员，获得珍贵的合作机会。换言之，数字金融借助发达的通信技术，拓展了金融服务边界、有效控制风险、降低准入门槛、提升信息透明度，实现包容、效率和创新，从而形成规模经济和完整的商业 体系。

另一方面，数字金融的商业可持续特点与创新企业的高增长潜力相匹配。以往聚集了大量资金的房地产业因“房住不炒”的国家方针以及伴随的一系列限购政策而放缓了增速，与此同时，新一轮的科技革命和产业变革方兴未艾，数字化浪潮席卷全球。创新企业的丰厚盈利使得金融部门垂涎，但是高风险和信息不对称等问题的存在使其望而却步。数字金融运用大数据、云计算、人工智能等数字技术，提高风险控制水平，构建动态信用评估和风险监测系统，从而消除金融机构的投资顾虑(汪亚楠等，2020)[25]。同时，金融机构可以通过分析创新企业在互联网上沉淀下来的行为大数据，精准识别其有效的金融需求，以便提供更具针对性和适用性的金融服务。数字金融哺育了创新技术的发展，而技术转化的成果反过来推动了数字金融的进一步发展。《中国金融科技与数字普惠金融发展报告(2018)》2显示，科技对金融的影响不再局限于渠道等浅层次方面，而是在不断探索监管科技、智能投顾、供应链金融、互联网保险等“金融+科技”的深层次融合。

值得注意的是，数字金融对城市创新的驱动效应可能存在结构化与区域化的差异。一是厘清结构化差异。数字金融包含覆盖广度、使用深度、数字化程度三个子维度(郭峰等，2019)[16]。覆盖广度和使用深度是在原有金融基础上的延伸。我国数字化金融设施不够完备，数字化程度支持城市创新的成效尚未显现。二是分析区域化差异。我国金融资源集中于珠三角、长三角和环渤海地区(张辉等，2016)[30]，高新技术产业的分布也呈聚集之势，大多分布在东部沿海地区，例如在杭州的阿里，在深圳的大疆、华为、腾讯。然而中西部地区不仅在客观条件上处于劣势，而且在观念上也更为落后。中西部农村地区均存在着严重的金融排斥(粟芳和方蕾，2016)[22]，这些区域差异必然会制约数字金融对城市创新的驱动作用。基于以上论述，本文提出第一个假设：

H1：数字金融对城市创新存在直接驱动效应，且这一效应存在结构化和区域化差异。

根据党的十九大报告，提高人民收入是逐步实现全体人民共同富裕的重要内容。数字金融通过缓解金融排斥和降低金融成本来提升个人和企业的收入。在互联网技术的支持下，数字金融通过降低门槛，增加了乡村居民及偏远地区居民的金融服务可获得性和可选择范围，为弱势低收入群体提供更为广泛、便捷和低成本的金融服务；通过重点服务农村地区需要金融服务的人群，有效缓解了金融服务的地理排斥现象，表现出明显的减贫效应；通过小额借款者融资创新，大幅降低金融服务的边际成本；依托大数据降低征信成本(陈丹和姚明明，2019)[13]、减少排队时间(Ifere and Okosu，2017)[6]来降低借贷成本；提供更贴近客户需求的支付服务来降低交易成本；提供更具流动性的理财工具来增加资金收益。显然，更加多元的金融服务、更加低廉的金融成本、更加丰厚的资金收益，能够提高个人和企业的收入。

城市创新离不开高新技术人才，而提供优越的薪资待遇是吸引人才最有效的手段。高薪带来的激励效应，可以调动员工从事创新研发活动的积极性，从而推动技术进步和成果转化，提升城市的创新水平。王刚等(2017)[24]研究发现随着社会资本偏好的不断加强，均衡之下拥有高技能的个人在研发部门工作的比例变高，从而引起个人工资与储蓄上升，社会资本水平也增加，进而带动技术创新。5G专利技术全球排名第一的华为公司采用全员高薪制度3，致力于保持公司源源不断的创新活力。从国家层面出发，一旦进入中等收入陷阱，技术研发人员的工资低将导致从事创新活动的劳动力比例降低，进而创新增长率下降(Agénor and Canuto, 2017)[1]。因此提高国民收入，让国民拥有更多“获得感”，从而提升创新增长率，是我国未来经济建设的重要方向。综上分析，居民收入是连接数字金融与城市创新的中介桥梁，本文提出第二个假设：

H2：数字金融能够通过收入机制来驱动城市创新。

过往研究结果表明，金融发展对于人力资本存在正向的促进作用(Dutta and Sobel，2018；申广军等，2015)[4][20]。一方面，对于城市而言，数字金融的发展与居民在文教娱乐等商品和服务消费的支出显著正相关(易行健和周利，2018)[29]。随着企业平均生产率的提升，城市劳动者倾向于增加教育投资(严伟涛和盛丹，2014)[27]，而数字金融作为一项技术进步，能够提升生产效率。文化教育方面的支出增加，意味着城市居民积极参与专业技能相关的培训和交流，注重培养自身持续学习的能力，这对于人力资本的提升具有重要意义。另一方面，对于农村而言，金融服务的缺失严重影响了农民获取教育、就业、创业等机会(宋晓玲，2017；谢绚丽等，2018)[21][26]，而这些机会的获取几乎是弱势群体提升人力资本的唯一途径(Raheem et al.，2018)[9]。数字金融发展弥补了这一劣势，促进了金融机会平等。

城市创新寻求的是技术的突破和制度的革新，这对于人力资本提出了更高要求。企业人力资本水平的提高，体现为生产过程中劳动力专业技能的提升与知识储备的增加，通过积累效应，有效驱动企业的生产技术创新(逯进等，2019)[19]。Romer(1990)[10]提出，随着人们受教育水平的提升，劳动力的平均素质和技能水平会相应提高，此时产业内自主创新能力得到增强，并会在一定程度上促进产业结构优化。在工艺与设备技术水平较高、利润率高的技术密集型制造业部门，劳动者的边际生产力高，对高技术劳动力需求水平也高，人力资本集聚对技术进步的正向促进作用最大。此外，高人力资本地区更容易应用新技术(Fu，2008)[5]，在良好的人力资本环境下，直接投资带来的技术溢出更为显著(何兴强等，2014)[17]。由此可见，人力资本是数字金融与城市创新之间的枢纽，因此本文提出第三个假设：

图2 数字金融促进城市创新的传导机制

H3：数字金融能够通过人力资本机制来驱动城市创新。

综上所述，数字金融对城市创新的影响效应及传导机制可总结如图2所示。

三、模型、指标与数据

(一)实证模型

为进一步分析数字金融对城市创新的影响，本文构建了如下计量模型进行验证：

其中，Innoit为城市i在t年的创新产出，用以衡量城市创新程度；Dfit是核心解释变量数字金融总指数，它可以细分为覆盖广度、使用深度、数字化程度；Xit是一系列可能对地级市创新产生影响的控制变量；λi为个体固定效应，ηt为时间固定效应，εit为随机扰动项。

(二)数据来源

本文主要使用了三套数据：第一套是中国数字普惠金融发展数据，由北京大学数字金融研究中心与蚂蚁金服集团联合开发4；第二套是中国城市创新指数，来自复旦大学经济学院和第一财经研究院联合发布的《中国城市和产业创新力报告》5；第三套是中国城市统计年鉴，统计年鉴中出现的个别缺失值可以用CEIC数据库和Wind数据库进行补充。考虑到这三套数据库的契合度，本文选择了2011―2017年280个地级市面板数据进行实证研究，剔除了北京、天津、上海、重庆四个直辖市和西藏自治区。

(三)指标说明

1.城市创新Inno

现有的城市创新指标大多是省级层面，《中国城市和产业创新力报告》发布了地级市层面的城市创新指标，因此本文采用该数据进行分析。

2.数字金融DF

本文采用了中国数字普惠金融发展数据库，数字金融又可以细分为覆盖广度、使用深度和数字化程度三个子指标(郭峰等，2019)[16]。

3.控制变量X

为减少因遗漏变量而导致的估计偏误，本文加入了一系列控制变量：①城市化水平，用城镇人口占总人口的比重表示；②对外开放，用进出口贸易总额与GDP的比值表示；③市场化程度，用非国有单位职工人数占比表示；④金融发展，用存贷款总额与GDP的比值表示；⑤财政规模，用一般预算支出占GDP的比重表示；⑥基础设施，用单位国土面积的公路里程数表示；⑦产业升级，用第三产业增加值与第二产业增加值的比重表示；⑧建成区绿化率，用建成区绿地面积与建成区面积的比重表示。各变量的描述性统计结果如表1所示。

表1 描述性统计

四、实证结果与分析

(一)基础回归

本文所有回归结果均做了如下处理：第一，均控制了个体和时间的双重固定效应；第二，均采用了标准化的回归系数，以便对回归结果进行比较。假设1可以通过表2和表3来论证，其中，表2的第(1)～(2)列用于验证数字金融对城市创新的驱动效应，表2的第(3)～(8)列用于验证其结构化差异，表3用于验证其区域化差异。表2第 (1)～(2)显示，数字金融的系数分别为1.678、0.564，并且在1%水平下显著。以第(2)列为例，这反映出数字金融每提高1个标准差，城市创新水平将相应地提高0.564个标准差，有力地证实了数字金融对于城市创新的驱动作用，拓展了鼓励城市创新的新思路。

(二)结构效应

表2 检验数字金融对城市创新的影响效应

表2的第(3)、(5)、(7)列没有控制变量，第(4)、(6)、(8)列加入了控制变量。其中，第(1)～(6)列的数字金融、覆盖广度、使用深度的拟合系数显著为正。可见，数字金融的不同维度对于城市创新的影响不尽相同。覆盖广度和使用深度可以显著促进我国城市创新，数字化程度的作用不显著。换言之，覆盖广度对城市创新的驱动效应最强，使用深度其次，数字化程度最差。可能的解释是：第一，覆盖广度的延伸，体现为该城市使用支付宝等电子账户的人数增加，表明依托互联网的新金融模式不再依赖于物理网点，辐射范围更广，为城市创新发展提供了良好的金融环境。第二，使用深度的拓展，比如数字金融提供的一系列金融服务(包含征信、保险、投资、信贷等)可以覆盖创新企业全生命周期的服务需求，例如存贷汇、资金融通、保险保障、投资理财。完善的金融服务体系为企业及个人从事创新活动提供了有力支持，进而促进了城市创新水平的提升。第三，目前我国金融系统正朝着数字化方向转型，数字化程度支持城市创新的实践尚在磨合阶段，而数字化金融设施亦不够健全，所以数字化金融对城市创新的影响效果没能显现，仍需要等待时间的检验。

(三)区域效应

表3 检验数字金融影响城市创新的区域性效应

表4 数字金融影响城市创新的稳健性检验：剔除重点城市

我国金融资源的空间分布呈现东部充裕、中西部稀缺的集聚现象。表3分区域探讨数字金融对城市创新的影响，第(1)、(3)、(5)、(7)列和第(2)、(4)、(6)、(8)列分别为东部和中西部地区的实证结果。由表3可知：第一，数字金融及其覆盖广度和使用深度两个子指标对我国各区域的城市创新均具有显著的正面影响；第二，数字化程度对东部、中西部城市创新的作用均不显著；第三，从区域来看，数字金融对于东部地区城市创新的驱动效应明显强于中西部。可能的解释是，中西部地区在金融资源、金融观念和创新产业基础等多方面均落后于东部。在金融发展方面，北京有金融街，上海有陆家嘴，深圳有福田金融中心。在创新产业方面，北上深是互联网公司的聚集地，各自孕育了一些互联网独角兽企业，例如北京的百度和小米，杭州的阿里和网易，深圳的华为、腾讯和大疆。除此之外，中西部地区较为强烈的金融排斥也在一定程度上阻碍了数字金融的发展。

表5 数字金融影响城市创新的稳健性检验：更换计量方法

(四)稳健性检验

1.剔除重点城市

在数字金融发展的进程中，省会及计划单列市等“中心城市”处于全国领先地位。为检验上述研究结论的稳健性，此处剔除了重点城市来考察数字金融对城市创新的作用效果。表4第(1)～(4)列、第(5)～(8)列和第 (9)～(12)列分别汇报了剔除省会城市、6个计划单列市、15个副省级城市的回归结果6。由表4可知，剔除重点城市后，数字金融仍对城市创新存在显著的正向影响，与上文的研究结论保持一致。

2.更换计量方法

表6 数字金融影响城市创新的稳健性检验：联立方程估计

表5的(1)～(4)列汇报了动态面板估计结果，(5)～(8)列汇报的是工具变量法的估计结果。本文选取了数字金融及其细分指标的滞后一期作为工具变量。工具变量结果均通过了“不可识别”检验和“弱工具变量”检验，证明了工具变量结果的可靠性。实证结果表明，不论使用动态面板方法还是工具变量方法，数字金融、覆盖广度、使用深度的拟合系数均显著为正，但数字化程度的拟合系数不显著，与上文的研究结论吻合。

3.处理双向因果关系

在工具变量回归的基础上，本文进一步构建面板联立方程来处理城市创新与数字金融之间的双向因果关系。在联立方程系统中城市创新和数字金融都是内生变量，多个控制变量将充当数字金融的工具变量，这有利于处理回归结果的潜在内生性问题。本文构建的面板联立方程如下：

表7 数字金融影响城市创新的稳健性检验：更换被解释变量

其中，与上文保持一致，X为影响城市创新的8个控制变量，Z为影响数字金融的控制变量集合，包括市场化程度、金融发展、互联网用户(取对数)、手机用户(取对数)、各城市距离杭州的距离(取对数)7。表6汇报了面板联立方程的估计结果，第(1)～(4)列为数字金融对城市创新的影响，第(5)～(8)列为城市创新对数字金融的影响，除了数字化程度之外其他数字金融指标的拟合系数均在1%水平下显著为正，本文的研究结论依然成立。

4.更换被解释变量

城市创新升级与当地政府的财政支持密不可分，因此本文选取财政科技支出与总体财政支出的比值作为城市创新的替代变量。表7结果显示，无论是使用静态面板还是动态面板，数字金融、覆盖广度的回归系数都显著为正，与上文的研究结论基本相同。

五、进一步检验：中介效应

上述实证结果使得假设1得到了充分论证，接下来本文将通过中介效应模型来检验假设2和3。主要包括三个步骤(王海成和吕铁，2016)[23]：第一，城市创新Inno对数字金融Df进行回归，见公式(4)；第二，中介变量Channel对数字金融Df进行回归，见公式(5)；第三，城市创新Inno对数字金融Df和中介变量Channel一起进行回归，见公式(6)。需要同时满足a1、b1、c2、 都显著，才说明有中介效应。若c1不显著，说明存在完全中介效应；若a1显著，且c1＜a1，说明存在部分中介效应b1c2。下面等式的变量含义与式(1)一致，Channel为中介变量，用人均收入或人力资本表示，c1为数字金融的直接影响效应，b1c2为中介效应。

(一)收入效应的中介机制检验

表8展示的是收入效应的中介机制回归结果，选用人均收入的对数形式作为中介变量。第(1)～(9)列是数字金融、覆盖广度、使用深度的中介效应结果，各拟合系数均符合中介效应的检验标准。第(3)、(6)、(9)列中数字金融的拟合系数小于第(1)、(4)、(7)列，且都在1%水平下显著，说明收入发挥了部分中介效应。数字金融、覆盖广度和使用深度的中介效应值依次为0.122、0.101和0.032。但是，第(10)～(12)列的实证结果差强人意，说明数字化程度对城市创新的直接影响和借助收入机制的间接影响都不显著。数字金融的发展提升了我国的居民收入，使得人民能够切实享受国家整体经济增长带来的福利，进而更加积极活跃地开展创新活动，共同建设祖国的未来。表8的实证结果证实了收入在数字金融影响城市创新过程中的传导作用，假设2得以验证。

表8 数字金融与城市创新：以收入效应为中介机制

(二)人力资本效应的机制检验

表9展示的是人力资本效应的中介机制回归结果，选用每万人在校大学生数(取对数)作为中介变量。第(1)～ (9)列是数字金融、覆盖广度、使用深度的中介效应结果，各拟合系数均符合中介效应的检验标准。第(3)、(6)、(9)列中数字金融的拟合系数明显小于第(1)、(4)、(7)列，且都在1%水平下显著，这说明人力资本发挥了部分中介效应。数字金融、覆盖广度和使用深度的中介效应值分别为0.292、0.180和0.076。第(10)～(12)列的实证结果同样差强人意，说明数字化程度对于城市创新的直接影响和借助人力资本的间接影响都是不显著的。城市创新升级是我国提升全球价值链地位和顺利实现经济转型的关键所在，人力资本的提升则是城市创新发展的重要前提。数字金融通过提供教育贷款、培训机会等方式提升人力资本，为城市创新输送高精尖人才。表9的实证结果证明了人力资本在数字金融影响城市创新过程中的中介作用，假设3得以验证。

六、结论与政策建议

科技创新是我国经济转型的着力点，数字金融是近年来政策着力发展的方向，两者对于我国未来发展意义深远，而现有文献较少针对数字金融和城市创新之间的关联进行深入讨论。为此，本文探究了数字金融发展对城市创新的影响和作用机制，发现：第一，数字金融的发展整体上可以显著促进我国的城市创新；第二，考虑结构化差异，数字金融的三个子维度中，覆盖广度和使用深度对城市创新水平的提升具有显著的驱动作用；第三，考虑区域性差异，数字金融对于我国东部地区城市创新的驱动作用强于中西部地区；第四，数字金融通过收入和人力资本间接提升城市创新水平。上述结果在多种稳健性检验下依然成立。

表9 数字金融与城市创新：以人力资本效应为中介机制

本研究可以引申出若干建议：首先，运用数字金融构建多样化、多层次的金融体系，服务处于不同阶段的企业创新需求。信贷、保险、支付等多元化的金融服务有助于衔接创新研发、技术转化、投产、产品销售等每一个环节。过去金融服务只对特定的群体(国有企业、大型民营企业)开放，数字金融的出现降低了金融服务的门槛，为小微企业及个人的创新活动提供了有力支持。其次，提高科研人员收入待遇，带动科研人员的创新积极性。基础科学研究是城市创新腾飞的跳板，改善科研人员待遇，既能直接促进当地创新活动的开展，又能传导数字金融对城市创新的正面影响。最后，提升我国人力资本，形成稳定的人才输出，摆脱人才引进的路径依赖，才是城市创新的可持续发展之道。财政上，政府通过拨款来改善农村学校的基本办学条件，配置多媒体教学设备，在硬件上支持教育质量的提升；政策上，政府可以开展对口支援等计划，提高中西部地区的教学水平。

注释

1. 数据来源http://www.gov.cn/xinwen/2018-01/09/content_5254851.htm.

2. 数据来源http://www.czifi.org/html/2019-01/5006.html.

3. 数据来源http://www.ceweekly.cn/2020/0507/296309.shtml.

4. 数据来源https://idf.pku.edu.cn/yjcg/zsbg/485016.htm.

5. 数据来源http://www.cbnri.org/news/5389402.html.

6. 计划单列市包括深圳、大连、青岛、宁波、厦门5个城市，副省级城市包括广州、武汉、哈尔滨、沈阳、成都、南京、西安、长春、济南、杭州、大连、青岛、深圳、厦门、宁波等15个城市。

7. 联立方程组要求两个回归模型中相同的外生变量不得多于2个，所以本文式(2)、式(3)中相同的外生变量为市场化程度和金融发展。