数字普惠金融发展对区域创新效率的作用研究

■邹辉文，黄 友

一、引言与文献综述

中共十九大报告指出，加快普惠金融体系建设、引导金融回归服务实体经济是深化金融供给侧结构性改革的重要内容。近年来，依托互联网大数据、云计算等数字技术的不断进步，普惠金融服务在可获得性和可负担性方面取得了重大进展。根据《2019 年中国普惠金融发展报告》显示，截至2019 年6 月，我国行政村基础金融服务覆盖率已达到99.20%，较2014 年末提高了8.1 个百分点。金融科技及数字金融产品的创新为解决普惠金融成本高、效率低和服务失衡问题提供了有效途径，数字普惠金融成为了现代金融发展的主流和重点（黄益平和黄卓，2018）。

值得注意的是，作为传统金融体系的有力补充，数字普惠金融打破了传统金融机构服务中小企业的壁垒，为促进区域技术创新带来了新机遇，是推动“大众创业、万众创新”的重要方式和手段。而研发项目的高风险、长周期及不可预测性等特点，导致企业创新活动容易遭受到外源性融资限制，融资约束逐渐成为企业技术创新所面临的首要难题（Hall & Lerner，2010）。因此，提高中小企业的金融可得性对于扶持中小企业进而推动区域技术创新而言显得尤为重要。那么，数字金融发展与推广能否成为新时代下促进区域技术创新效率提升的新动能？数字普惠金融影响创新效率的潜在机制又是什么？

从已有研究看，大多从宏观层面考虑数字普惠金融的包容性特征及其对经济增长和福利的影响，涉及数字普惠金融与创新效率的微观研究较少，相关文献主要集中在金融科技发展对技术创新水平的调节和机制分析。例如Khin&HO（2019）和Ozili（2020）认为，小额信贷、微型金融等数字科技产品的普及在降低融资成本、改善资源配置、缓解信息不对称等方面发挥了积极作用，有效地推动资源向创新领域集聚，提升了创新和经济活动的水平。Arner et al.（2020）研究表明，数字技术还具有将新的金融资源引入金融体系的潜力，随着储蓄率上升，这些资源将通过金融体系重新配置，用以支持区域创新、商业发展和基础设施建设，从而为实现创新发展目标提供支撑。聂秀华（2020）进一步研究发现，对于传统金融模式下受融资约束越强的中小经济实体，数字金融的技术创新激励效应则越显著。而唐松等（2020）的研究结果却显示，数字金融广度的发展对企业创新效应的影响并不明显，且表现出随时间推移逐步衰减的特征。

已有研究鲜有文献将数字普惠金融这一新兴宏观要素纳入区域创新效率的研究框架，对于数字普惠金融能否成为驱动区域创新效率提高的新动能也尚无定论。鉴于此，本文尝试从微观视角出发，厘清数字普惠金融对区域创新效率的作用机制及其影响效应，以期为进一步推动“大众创业，万众创新”提供参考和借鉴。同时，准确评价数字普惠金融对区域创新效率的作用，对提高我国数字金融政策的有效性具有重要的理论和现实意义。

二、理论分析与研究假设

作为新兴金融业态，数字普惠金融通过信息化技术和数字金融产品创新，显著提高金融服务实体经济质量和效率，增强了弱势群体的权能，有助于激发区域创新主体的研发积极性和主动性，对推动区域技术创新效率改进具有重要意义。具体表现为：

首先，技术创新离不开金融的支持，数字普惠金融提高了创新企业的金融可得性，缓解了流动性约束，促进研发投入和创新产出，从而以企业创新带动区域创新。数量庞大且创新活跃的中小企业是区域自主创新的重要力量，但由于其发展规模小、担保资质差、经营与信用记录不完善等，往往被排斥在正规金融体系之外，难以获得适当、有效的金融服务。金融发展理论认为，在产品技术创新的最初阶段，金融体系通过支持资源转移和资本动员，极大地影响了企业的研发过程及其结果。流动性充裕使得企业具有更强的能力和更多的机会进行产学研拓展，而当融资约束收紧时，则会对企业的低效益投资行为产生约束，迫使企业减少高风险创新投入，进而导致企业创新效率降低（顾群和翟淑萍，2012）。数字金融所具备的触达便捷、覆盖广泛、商业可持续等特征，较好地契合了中小经济体创新活动持续、高频、小额的资金需求特征，有效缓解中小企业长期以来的创新融资难题，释放了中小企业等弱势群体的创新活力，有利于区域创新绩效的提升（梁榜和张建华，

2019）。

其次，金融科技发展为创新活动带来正外部性，有助于改善区域创新效率。数字技术的跨时空互联共享、低成本信息获取等先天优势和本质特征，可以为区域间创新活动带来外部性。在传统要素流动方式下，距离是阻碍知识信息交流的最大屏障，这导致创新要素跨区域流动效率不高。而数字技术的应用使得部分创新要素的流动变成了不同主体间的计算机数据交互，促进了区域间要素流动和技术信息扩散，形成区域创新空间互联；并且依托互联网的网状拓扑结构，区域内部的创新主体间形成了一个完整的协同创新圆环，各环节间的高效协同提高了区域创新效率（霍丽和宁楠，2020）。

最后，技术创新又是一个涉及多个体、多元素，同时又充满高度不可预测性的动态过程。研发过程中的资源投入只是创新实现的必要而非充分条件，研发活动的复杂性和风险性注定了其结果的不确定性（李晓龙和冉光和，2018）。如上所述，在普惠金融发展初期，数字普惠金融通过资本红利、知识溢出、要素资源共享等正外部性，对区域创新效率产生了积极影响。但随着创新活动的深入，技术创新难突破、过度投资、不确定性等问题开始显现，此时尽管数字普惠金融发展水平有了明显提升，但也很难进一步发挥其创新激励效应，由此导致数字普惠金融发展对区域创新效率的促进作用呈现出逐步递减的趋势。基于此，提出如下假设：

H1：数字普惠金融发展对区域创新效率的促进作用呈现“边际效应”递减的非线性特征。

在新常态下，数字普惠金融的创新激励效应会受到外界环境影响。目前，随着我国对外开放程度和层次的不断加深，外资带来的技术外溢逐渐成为影响区域创新产出不可忽视的因素——开放的环境不仅能加快创新知识溢出，而且有助于将前沿技术带进本国经济，提升区域创新产出和创新效率。但同时，外资的流入对东道国的人力资源和创新资本投入产生了一定的挤出效应，使东道国失去创新动力，从而削弱了数字普惠金融的创新激励效应（李政等，2017）。由此可见，对外开放环境显著影响着数字普惠金融的创新激励过程，但其作用结果并不确定。另外，“金融科技+区域创新”融合离不开政府支持——政府可以通过适当的财政补贴机制，降低企业创新成本，增强其抵御市场风险的能力（白俊红和李婧，2011）；通过产业引导政策，深化互联网、大数据产业与实体经济的融合，推动区域科技创新发展再上新台阶。综上所述，本文提出如下假设：

H2：数字普惠金融与区域创新效率之间的非线性关系会受到对外开放程度的影响；

H3：数字普惠金融与区域创新效率之间的非线性关系会受到政府干预力度的影响。

三、区域创新效率水平测算

（一）测算方法

DEA 方法是用来评估“多投入多产出”情形下决策单元间的相对有效性，被广泛应用于各项经济效率的测算当中。虽然DEA模型具有无需事先设定具体函数形式及估计权重等优点，但该方法却忽略了统计性检验问题，而且也无法回避样本敏感性和极端值对评价结果产生的影响。因此，为弥补传统DEA方法的不足，本文基于可变规模报酬假定下的DEA 模型，使用Bootstrap技术进行纠偏，以实现对区域创新效率及其变化进行更为精确的测度。Bootstrap—DEA的具体算法如下：

一是通过传统DEA 方法，计算出每个决策单元的原始效率得分：

其中，b为使用Bootstrap方法的第b次迭代。

四是将调整后的投入与（原始）产出数据重新进行DEA 效率计算，得到模拟样本的效率得分：

五是重复上述过程B次，最终得到决策单位的初始效率得分的偏差、纠偏效率值及置信区间，具体为：

（二）变量选取

变量的选取主要包含了投入和产出两个部分。在创新投入方面，主要从资本和劳动力投入两个维度进行考虑，选取研究与试验发展（R&D）人员全时工作当量及R&D经费支出作为创新投入指标。其中，在研发经费指标选择上，本文采用的是研发投入存量（永续盘存法）①限于篇幅，具体测算结果并未在文中披露。，而不是流量数据，这是因为研发是一个创新环境对区域创新效率的持续性影响过程，前期的研发投入在当期依然发挥着重要作用。创新产出方面，选取国内专利申请数和技术市场成交额来衡量区域创新活动的直接知识产出与间接经济产出。虽然，专利授权数指标相比申请数更为直接，但其具有明确的时滞效应，而在缺乏有效的滞后处理时，选择专利申请数来衡量知识产出则更为准确（韩兆洲和程学伟，2020）。

表1 创新效率评价指标体系

（三）测算结果

利用R3.5.3软件，基于Bootstrap纠偏的DEA方法，对我国30 个省份区域创新效率进行了测度，结果如表2所示。

表2 各省份区域创新效率测度结果

续表2

四、实证分析

（一）模型构建

基于前文理论基础，结合Gonzales et al.（2005）研究，为更好地刻画数字普惠金融发展对区域创新效率的非线性影响，构建了一个多因素变量的面板平滑转换回归（Panel Smooth Transition Regression，PSTR）模型，模型如下：

其中，xit为解释变量，yit为被解释变量，μit表示固定个体效应，μit为随机误差项，β0为解释变量线性部分估计系数，βj为解释变量非线性部分估计系数。转换函数g（qit，γj，cj）满足logistic 函数形式，即：

其中，转换函数g（qit，γj，cj）的取值在0—1间平滑转换，这使得解释变量的参数估计以cj为中心随着qit的变换在β0～β0+β1之间平滑转换。γ为大于0的斜率参数，γ越大，则不同区制间转换速度越快。qit为转换变量，r为转换函数个数。cj代表位置参数，一般为转换函数的拐点，m 则是位置参数的个数。

（二）变量解释

被解释变量：区域创新效率（Inno）数值由上文计算获得的各地区创新效率来表示。

核心解释变量与转换变量：数字普惠金融发展（dif）既是核心解释变量也是转换变量。关于数字普惠金融发展的度量，使用北京大学数字金融研究中心编制的《数字金融普惠金融指数》。本文将其作为衡量各地区的数字普惠金融发展水平的代理变量。

控制变量：为避免遗漏变量而造成估计偏误，选取对外开放（open）、政府干预（gov）、金融发展规模（fin）和产业结构（ind）作为控制变量。其中，对外开放以经营地所在单位进出口贸易总额与GDP 比值为代表；政府干预以科学技术支出占当年财政支出比重为代表；金融发展规模采用各地区金融机构年末贷款余额与GDP的比值来衡量；产业结构则以各省历年第二产业产值占地区生产总值的比重来表征。

限于数据的可得性，选取2014—2018 年我国30 个省份（由于西藏和港澳台地区数据缺失严重，故未纳入考虑）的经验数据来分析数字普惠金融发展对区域创新效率改进的激励效应。数据来源于历年《国家统计年鉴》、《国家科技统计年鉴》和《国家金融统计年鉴》。表3为选取的6个变量的描述性统计。

表3 主要变量的描述性统计

（三）机制检验

在确定采用面板平滑转换回归模型时，首先需要考察数据间是否存在非线性转换机制。借鉴Hansen（1996）处理方法，对转换函数在γ=0处进行一阶泰勒展开来构造辅助回归式，从而通过计算LM、LMF 和LRT 统计量进行等价的“线性检验”。

表4 线性检验与剩余非线性检验

表5 位置参数个数的确定

由表4的检验可知，LM统计量、LMF统计量和LRT 统计量在10%的置信水平下，均拒绝了截面同质性（γ=0）的原假设，这意味着数字普惠金融发展与创新效率之间存在显著的非线性相关关系。此时，若忽略非线性效应采用传统的线性面板模型进行估计将产生结构性偏误，故应将非线性特征纳入模型加以考虑。为进一步确定转换函数个数，对相同统计量下的剩余转移机制进行再检验，结果显示，在10%的显著水平下，各统计量均无法拒绝γ=1 的原假设，说明模型中只存在一个转换函数。接着，根据最小AIC和BIC准则确认位置参数的个数m。观察表5 可以发现，m=1 时AIC 数值略大于m=2 时AIC的数据值，但m=1时BIC的数值要小于m=2是相应的数值，两者存在选择差异性。进一步分析发现m=1时LMF统计量要大于m=2时的LMF统计量，表明在m=1 时数据的非线性特征更为显著，选择m=1更具统计合理性。因而，模型最终的转换函数与位置参数个数均为1，即包含一个转换函数的两机制PSTR模型。

建立的PSTR模型如式（8）所示：

（四）参数估计

通过以上检验使模型在正确设定的基础上，采用非线性最小二乘法（NLS）对模型相关参数展开估计。在此过程中，运用了遗传优化算法进行多次迭代，以此来确定γ和c 的最优估计初始值。

表6 面板平滑转换回归模型估计结果

通过表6 中模型（3）的估计结果可以看出，模型对应的平滑参数较小（2.662），表明模型在门限值前后的转换速度一般（如图1）。模型的门限值为201.012，接近于数字普惠金融发展指数的中位数水平，反映出2014—2018 年各省份数字普惠金融发展水平的集中趋势。门限值前后，数字普惠金融发展水平的高低对区域技术创新效率的影响呈现两种不同的作用机制。在跨越门限值之前，数字普惠金融对创新效率的影响表现为显著的正向作用，即数字普惠金融发展有助于推动区域创新效率的提高。然而在跨越门限值之后，dif 的非线性系数为-0.171 且高度显著，虽然0.257 减0.171 依旧为正，但此时创新激励效应随着数字普惠金融发展水平的提高开始减弱，表现出边际效应递减的规律，这一现象充分证明了本文提出的假设H1。结合前文的描述性统计可知，我国普惠金融发展水平的平均值为241.5，已超过门限估计值水平201.012，说明我国数字普惠金融对于创新效率的促进作用已经步入第二阶段，速度逐渐放缓。总体而言，研发过程的复杂性与不确定性等问题，使得外部环境边际改善在影响创新活动长期表现的决定方面相对乏力，因而随着数字普惠的继续深入其对区域创新效率的促进作用将逐渐趋于饱和。

图1 转换函数的非线性变化趋势

基于模型的估计结果还可以发现，4个控制变量中，对外开放水平对区域创新效率的影响表现为先促进后抑制，说明在短期内外资的技术溢出效应要大于挤出效应，对区域创新效率具有显著的正向影响，但长期内会呈现出较为明显的挤出效应（0.283-0.368<0），不利于技术创新效率的改进，从而印证了研究假设H2。金融发展规模对区域创新效率的影响则表现为先抑制后促进，这可能是由于我国长期存在的资源配置不合理现象，使得金融发展所带来的红利效应具有一定的时滞性，但在渡过这段磨合期之后，金融规模发展则会促进创新效率的提高。而政府干预与区域创新效率之间的非线性关系并不可靠，说明政府的积极干预对区域创新效率的提升可以起到长期的正面促进作用，这与假设H3 的理论预期相一致。此外，产业结构对创新效率的影响在门限值前后也呈现出了差异性的特征，尽管这一影响效应并不显著。

表7 基于门限水平的样本空间分布

（五）地区异质性分析

为进一步分析数字普惠金融发展的创新激励效应在各区域间的异质性表现，将2014—2018年30个省份的数字普惠金融发展水平和门槛值进行对比。表7显示，截至2014年末，仅北京、上海、江苏、浙江、福建和广东6 个东部省份的数字普惠金融发展实现了对门限值的跨越，说明我国数字普惠金融发展的创新激励效应存在较大的区域差异性，东部地区在推动转型创新发展取得显著成效，中西部则相对落后。这可能是因为，传统上中西部地区经济发展有先天不足，融资心理、融资场景和金融基础设施建设的滞后，使得区域内资源配置和金融服务能力相较东部整体较弱，制约了数字普惠金融发展对中西部地区创新效率的提升。但随着时间的推移，东部与中西部地区间“数字鸿沟”明显缩小，这充分地反映了数字金融这种特定模式的普惠性特征，有助于后发地区直接获得并利用更为广泛的外部性，有效地解决了欠发达地区传统金融服务供给不足、基础设施较差、要素市场化程度低等问题，能更好地实现区域统筹，协同发展。

（六）稳健性检验

为检验参数估计的稳健性，采用基于R&D人员全时工作当量经费（流量）支出来衡量的区域创新效率对式（3）中的因变量进行替换，重新建立PSTR 模型[估计结果见表6 中模型（4）]。由表6 可知，不同因变量下的模型估计结果差异不大。在跨越门限值前后，数字普惠金融发展对区域创新效率的促进作用仍表现出边际效应递减的非线性特征。特别地，两个模型各自的位置参数也几乎保持一致，进一步证明了本文建立的PSTR 模型稳健性好，参数估计结果可信度强。

五、结论与启示

本文基于Bootstrap 纠偏的DEA 方法测算了我国30 个省份的区域创新效率值，并通过构建面板平滑转换回归（PSTR）模型，考察了数字普惠金融对区域创新效率的非线性影响及门限特征。研究发现：一是数字普惠金融发展与区域创新效率间呈现正向边际报酬递减的非线性关系，其发生体制转换的门限水平为201.012。即在跨越门限值之后，数字普惠金融发展对区域创新效率的促进作用逐渐减弱。二是从地区差异性看，数字普惠金融对区域创新效率的影响效应具有明显的区域异质性，东部地区较早地实现了对门限水平的跨越，创新引领东部地区率先实现优化发展。但随着数字金融普惠性特征日益体现，地区间“数字鸿沟”明显缩小，逐渐形成了科技创新区域协同新格局。三是对外开放水平与金融发展规模对创新效率也表现出显著的非线性特征。在门限水平前后，对外开放水平与创新效率的关系呈倒U型趋势，金融发展规模对区域创新效率的影响则由抑制转变为促进。而政府干预的非线性效应并不显著，其对区域创新效率的影响则始终表现为促进。

根据上述研究结论，得到如下政策启示：第一，加快推进金融基础设施建设，改善数字金融发展环境，助力数字金融服务，为提高金融服务质量，推动自下而上的金融权利均等化打下坚实基础。第二，实施差异化金融支持，提高创新资源利用效率。关注数字金融发展与创新效率之间的门槛效应，根据数字普惠金融发展的不同阶段，采取相应的措施来合理配置其他金融资源，以更有效的方式促进区域创新协同发展。此外，政府也应为中小企业等弱势群体设立专项投资基金及财政补贴等差异化创新激励机制，通过制度机制降低创新活动交易成本，激发区域科技创新新活力。第三，构建包容有效的数字普惠金融监管体系，在防范风险的前提下合理创新。