数字金融对区域创新效率的影响——基于空间杜宾模型的实证分析

余谦，刘汀滢

(武汉理工大学 经济学院，湖北 武汉 430070)

一、引 言

创新是建设现代化经济体系的战略支撑，党的十九届五中全会提出要坚持创新在我国现代化建设全局中的核心地位。在我国经济处于高质量发展阶段的背景下，以科技创新引领产品创新、产业创新、商业模式创新从而驱动发展，这一转变势在必行。

与此同时，作为推动创新不可或缺的要素之一，数字化技术与各个产业深度融合，使传统经济的发展开始迈入数字化转型新阶段。自数字化概念提出以来，我国意识到数字经济将成为未来经济增长的新动力，开始大力推动数字化发展战略。新华三集团数字经济研究院与中国信息通信研究院发布的《中国城市数字经济指数蓝皮书(2021)》相关数据显示，数字经济新一线城市数量同比增长62.1%；70%以上的省级、副省级政府以及半数以上的地级市政府均在政府官网上搭建了数据共享平台；2020年，新冠肺炎疫情对全球经济造成严重冲击，但中国紧抓数字化转型的机遇，成为全球唯一实现经济正增长的主要经济体。数字金融的发展为数字经济提供了有力保障。与传统金融相比，数字金融具有普惠性和包容性的鲜明特征，可以有效减少金融资源的配置不当，促进实体经济的发展，成为创新的强大动力。

在数字化转型的新阶段，如何通过发展数字金融来提高区域创新效率是一个亟需解决的实际问题。近年来，许多学者就影响地区创新有效性的因素开展研究，发现影响因素是多维的。而数字金融作为信息化发展的产物，其对创新是否有影响，影响程度及作用路径如何，尚有待研究。鉴于此，科学梳理我国有关数字金融与创新的文献，对数字金融发展如何影响区域创新效率这一内在机制进行探讨，具有一定的现实意义。本研究可能的贡献表现在以下三个方面：其一，将数字金融与区域创新效率相结合，为提高区域创新效率提供新的研究视角；其二，研究中纳入空间因素，运用空间杜宾模型分析数字金融对区域创新效率影响的空间自相关性及其溢出效应；其三，利用中介模型分析数字金融影响区域创新发展的内在作用机制。笔者拟使用2011—2018年中国省际面板数据，从空间关联视角采用空间计量方法实证考察数字金融发展与创新效率的关系及其内在机理，同时考虑区域创新的异质性，以期为我国数字金融发展如何提高区域创新效率、促进创新体系升级提供可量化的政策建议。

二、文献综述与理论假设

(一)区域创新效率具有空间溢出效应

党的十八届五中全会明确提出“创新、协调、绿色、开放、共享”五大发展理念，强调区域创新在于同步向好，共同促进经济增长。基于中西部地区与东部沿海地区之间经济的交流互动，创新要素会存在省域层面上的空间溢出效应。张春红等[1]通过分析区域创新能力得分的差异性与集聚性，发现某一省域的技术扩散效应对邻近省域的创新能力具有正向促进作用，溢出效应越大，越有利于本地区创新能力的提升。张可[2]从空间视角对经济集聚与区域创新进行分析，发现经济集聚度高的地区可通过产业关联促进相邻地区学习知识技术和各类创新要素，形成创新网络关联，产生一定的空间溢出效应。产业集聚在一定程度上也会对区域创新产生影响，郭将等[3]认为，工业相关多样化集聚的区域能通过技术要素扩散、人力资本流动和示范效应间接提升周边地区的创新效率，并且地区之间的创新项目会因为“虹吸作用”产生竞争效应。基于此，提出以下假设：

假设1：区域创新效率具有一定的空间溢出性，并且各地区之间的创新活动存在竞争效应。

(二)数字金融发展对区域创新效率的直接效应

金融科技发展与创新快速成为现阶段国内外学者探讨的热点，黄益平等[4]就数字金融发展对创新活动的影响进行研究。Khin等[5-6]认为，数字科技产品的普及能有效缓解区域创新主体信息不对称等问题，使资本向创新领域集聚，提升区域创新水平。中小企业的发展规模和资金链无法支持周期性长、研发风险高的创新项目，导致企业无法通过拓宽融资渠道获得创新成本，而数字金融的快速发展可以弱化金融服务边界，从而降低融资限制与约束[7]。梁榜等[8-10]的研究结果显示，数字金融的去中心化可有效降低中小企业内部融资成本和外部融资约束，进而促进创新发展进程。徐子尧等[11]认为，受区域地理位置、初始发展水平等因素的影响，数字金融对不同区域创新水平的影响具有异质性效应，对中心外围城市和金融不发达地区创新水平的提升更明显。基于此，提出以下假设：

假设2：数字金融发展水平的提升可以提高本地区创新效率，但邻近地区数字金融发展则会抑制本地区创新效率，并且其影响效应具有异质性。

(三)数字金融发展对区域创新效率的间接效应

创新的影响因素有很多，影响的内在机制也各不相同，因此，需要考虑数字金融间接影响区域创新的路径机制。唐松等[12]认为，数字金融发展的普惠性特点对缩小企业间的融资差距起作用，具体通过“资产负债率”和“财务支出”等路径变量显著促进技术创新，这种正向效应对金融发展较为落后的地区更为显著。聂秀华等[13]进一步研究发现，数字金融的发展可以激励中小企业的技术创新，但通过融资约束SA指数这一中介变量证实高科技中小企业的创新水平受惠程度更大。李春涛等[14]利用Python等信息技术结合新三板数据证明数字金融可以通过调整税收额度产生创新效应，从而在一定程度上提升创新水平。郑雅心等[15-16]发现，数字金融等金融服务可有效缓解“融资难”“融资贵”等问题，并通过提高受教育水平、改善基础设施建设间接促进区域创新水平的提升。杜传忠等[17-18]有关数字金融对区域创新影响的中介机制研究表明，调整信贷资源、刺激居民消费是数字金融促进区域创新的一种可行路径。基于此，提出以下假设：

假设3：数字金融发展主要通过扩大金融规模和产业结构升级来提高区域创新水平。

综上所述，虽然很多学者就数字金融与创新进行了深入的分析与探讨，但经过对比总结发现，国内学者较少从利用随机前沿方法计算创新效率的角度将创新与数字金融结合起来，而且并未考虑二者之间的作用机制；此外，绝大多数实证分析方法都忽略了二者间的空间依赖性。笔者拟重新从空间关联视角考察数字金融对区域创新效率的影响，以期研究结论更合理。

三、模型设定与数据说明

(一)模型设定

空间杜宾模型不仅考虑了被解释变量之间的空间相关关系，而且考虑了不同区域的解释变量与该区域被解释变量之间的空间相关性，模型设置更为合理。笔者以空间杜宾模型为基础，构建如下空间计量模型：

eff=ρWeff+θ1green+θ2Wgreen+Xcontrolφ1+WXcontrolφ2+ε

ε～N(0,σ2In)

(1)

式中：eff为被解释变量，即区域创新效率；green为解释变量，即数字金融综合指数；Xcontrol为控制变量。参数θ1和φ1表示本省数字金融发展与控制变量对本省创新效率的作用；参数θ2和φ2表示其他省域数字金融水平与控制变量对本省创新效率的作用。参数ρ代表被解释变量间的空间关系，W为空间权重矩阵，ε为随机误差项。

(二)变量选取及定义

1.被解释变量

笔者从区域层面出发研究不同区域间创新效率的差异，主要采用随机前沿方法(stochastic frontier approach,SFA)估计出生产函数,以计算我国各地区的创新效率。一方面，创新活动需要投入大量人力物力与资本，因此，从资本存量(lnK)和人员全时当量(lnL)两方面来表征创新投入。资本存量是某地区为创新活动的产生所投入的资本，人员全时当量是某地区为创新活动的产生所投入的劳动力数量。资本存量的测算参考张军等[19]的永续盘存法。另一方面，从自主创新能力的角度，选取知识技术含量最高、核心竞争力最强的万人发明专利授权量这一指标来表征创新产出。SFA所需变量的定义如表1所示。

表1 SFA所需变量定义

为了有效估计效率，需要设定模型所需生产函数的具体形式。此处选用超越对数函数形式，假定技术中性，从而解决了柯布-道格拉斯生产函数中假定技术水平相同这一与实际情形不符的问题。因此，将生产函数设定为如下形式的超越对数函数，即

ln PAT=β0+β1lnK+β2lnL+β3(lnK)2+β4(lnL)2+β5lnKlnL

(2)

使用Frontier 4.1对上述模型进行分析，得到有关随机前沿生产函数的系数估计值，结果如表2所示。方差比高达0.928 5并通过了显著性检验，这说明无效率因素高达92.85%，适合使用SFA模型估计效率。

表2 随机前沿生产函数估计结果

2.核心解释变量

借鉴多数学者的做法，使用北京大学2011—2018年数字普惠金融指数来衡量各省的数字金融发展水平[20]。该指数由北京大学数字金融研究中心与蚂蚁金服集团运用层次分析法、指数分析法等方法计算和编制。

3.控制变量

参考有关区域创新效率的已有研究，兼顾数据可得性，控制变量选取地区GDP水平(PGDP)、人力资本(hum)、政府科技支出(gov)、对外开放度(open)、交通发展水平(trf)。将产业结构(ind)和金融规模(dev)作为数字金融对区域创新效率影响机制中的中介变量。

变量定义如表3所示。

表3 变量定义

(三)数据及样本

本研究采用了2011—2018年北京大学数字普惠金融指数，为保持数据的一致性，样本选取时期为2011年至2018年。由于新疆、西藏和港澳台地区数据不全，而海南作为自由贸易试验区，其实证结果可能会有所偏误，基于数据的可得性，选取除上述省份外的中国28个省份作为观测样本。数据样本来自中国科技成果数据库(CSTAD)、《中国统计年鉴》以及万得数据库(Wind)等。

(四)空间权重矩阵的选取

W为空间权重矩阵，用来衡量各区域间的空间作用程度。最广泛的界定方式有以下三种：0-1邻接矩阵、地理距离矩阵和经济距离矩阵。0-1矩阵忽略距离的远近，对相邻区域和不相邻地区进行一致化处理，方法过于绝对。若使用经济距离矩阵，则其与本文控制变量中的经济因素产生内生性问题。因此，笔者选用地理距离矩阵，通常使用两省省会直线距离进行计算。计算表达式为

(3)

四、实证结果

(一)基准回归分析

在纳入空间因素和运用空间杜宾模型之前，先使用面板模型进行基准回归，以探究数字金融发展对区域创新水平是否具有线性的正向促进作用。以数字金融综合指数作为解释变量，区域创新效率作为被解释变量，同时加入地区GDP水平等控制变量，构建如下模型：

effit=α1greenit+α2PGDPit+α3humit+α4govit+α5openit+uit

(4)

式中：i表示省份，t表示年份(2010—2018年)。根据Hausman检验结果选取固定效应模型，进一步应用RStudio对面板数据进行回归，回归结果如表4所示。

表4 面板回归结果

表4报告了数字金融发展影响区域创新能力的线性估计结果。无论是否加入控制变量，在1%的显著性水平下，模型(1)和模型(2)中的核心解释变量数字金融综合指数对区域创新效率的影响均为正值，系数分别为0.137和0.106，证明数字金融促进了区域层面的创新效率。一方面，在科技与产业双变革的背景下，数字金融的普惠性得以凸显，某一地区使用数字金融的创新项目越多，越有利于提高此地区域创新水平；另一方面，从消费者的角度而言，用户能体验的业务种类更丰富、使用频率更高，进而推动创新项目享受到更大额度的信贷，促进了区域创新。

此外，在加入了控制变量的模型(2)中，各地区GDP水平与区域创新水平之间具有显著的负相关关系，表明经济总量虽然有所增长，但区域创新水平并未得到有效提升。对外开放度的系数值为负并且在1%的水平下显著，说明该地区的外商投资可能无法大大改善该地区的创新水平，这可能是因为引进外资导致此地区对外来技术的依赖，从而不利于提高其创新能力。人力资本与创新效率在1%显著性水平下正相关，这与冯江茹[21]的研究结果相一致，说明劳动力的受教育水平是地区创新的影响因素之一，若想提高地区创新水平，在发展数字金融的同时，要加强对创新创业人才的引进。

(二)空间计量回归结果

在使用空间模型进行回归前，采用莫兰检验对其适用性进行分析。本节运用莫兰指数检验我国2011—2018年各地区数字金融和区域创新的空间自相关程度，并在此基础上进行分析。

表5的结果显示，区域创新效率的莫兰指数均大于0且呈现逐年递增的趋势，在10%显著性水平下，大部分估计值均通过了显著性检验。这说明我国各省域的创新效率在不断提高，且具有正向的空间自相关性，这种相关性在不断增强。进一步表明，各省域的创新效率在空间上显现出集聚效应。数字金融综合指数的莫兰指数呈现U型分布的趋势，并且中间几年表现并不显著。可能的原因是：虽然数字金融作为新兴产业在国家各项政策的扶持下发展势头较足，但在发展过程中对数字信息技术、资本力量以及科研人员的要求在不断提高，要素也逐渐向发展迅速的地区流动，所以集聚趋势并不明显。2016年后，我国数字化产业研发投入快速增加，业务模式不断创新拓展，数字产业群保持平稳较快的增长态势，从而对数字金融形成了有力支撑，这有利于数字金融发展水平高的地区相互集聚。

表5 区域创新效率与数字金融综合指数莫兰指数值

基于莫兰指数，分别画出2011年和2018年的数字金融指数和区域创新效率的莫兰指数散点图，可以看出，结果基本相关。如图1所示，从局部相关的角度来看，图1(a)和图1(b)第一、三象限的点明显多于第二、四象限的点，即经济发展水平较低(高)的地区在空间上更易聚，并且地区之间的空间差异较小。而图1(c)和图1(d)第二、四象限的点明显多于第一、三象限的点，这表示“高—低”型、“低—高”型的区域更多，侧面证明了地区之间的创新活动具有竞争效应。因此，进一步构建空间计量模型来探讨数字金融对区域创新效率的空间作用。

图1 数字金融指数和区域创新效率之间的莫兰指数散点图

表6列示了基于式(1)的空间杜宾模型的回归结果。模型中参数ρ=2.418，系数估计值在5%的显著性水平下显著为正，说明若本地区相邻地区的创新效率提高1%，会促进本地区创新效率提高2.418%。这表明邻近省份创新效率的提高能够有效推动本省创新的发展，该结论与大多数学者的研究结论相一致。导致此现象的可能原因：一是地区之间的资源相互竞争利用，人员相互沟通学习，从而形成“学习—竞争—创新”的良性发展局面，促进了创新活动的产生；二是知识创新技术是一种具有流动性的要素，所在地区创新项目可以利用流入的新型技术促进自我研发与创新，并与邻里创新项目产生积极互动，共同形成创新新局面。以上结果说明区域创新效率具有一定的空间溢出性。

表6 空间计量回归结果

由解释变量的系数可以明显看出，本地区数字金融发展能够显著促进本地区创新效率，但邻近地区数字金融发展则会显著抑制本地区的创新效率，这与学界普遍认为的数字金融发展能够整体拉动创新水平提升的观点似乎不太一致。除去估计偏差的情况，导致此现象的可能原因表现在以下三个方面：第一，大部分省份的数字金融发展水平还处于尚未成熟的阶段，与创新效率共同发展的良性机制尚未形成，而创新要素更利于向经济发展水平高的地方流动，所以数字金融水平高的地区不一定能够带动整体区域创新效率的提升。第二，我国数字金融不断开放发展，增加了系统性风险、信息不对称性和市场波动，这在一定程度上扰乱了市场的正常运转。区域创新活动会因为整个金融市场的动荡而缺乏数字金融的支持，这再次证实金融发展在一定程度上对提高整个地区的创新效率具有负面影响。第三，2011—2018年正是我国大力提倡数字化发展的阶段，其中数字金融发展水平处于领先地位的省份由于金融科技的技术壁垒较高而产生“洼地效应”。于是，周边地区的创新活动因资源匮乏而受到限制，这对创新效率起到了抑制作用。

对控制变量组进行分析可知，无论是本省域还是邻近省域，区域创新效率的提升与人力资源的集聚是密不可分的。人才作为第一资源为创新发展奠定了基础，一方面，地区间可以通过彼此交流、相互学习等方式实现知识要素的跨地区流动和流动过程中的知识整合再创新，整体拉动地区劳动力素质水平的提升，进而促进创新；另一方面，各地区可以通过研发新型技术、拓展创新项目等直接促进创新局面的形成。影响地区之间创新效率的另一至关重要的因素是交通，地区的创新效应会因为本地区的道路基础设施建设引发本地效应乃至跨区域溢出效应。本地创新效应能够有效促进本地创新资源利用率，而跨区域创新溢出效应则有助于区域之间创新资源的共享与转化。综上所述，gov，hum，open以及trf等控制变量对区域创新效率的影响在纳入空间因素后，依然与基准回归结果保持一致，这侧面印证了模型选用的合理性。

(三)异质性检验

基于我国各省域之间的科技交流更频繁、交通设施条件更完善以及人力资源要素进出更灵活的背景，无论是事实经验还是实证分析，都说明创新具有显著的空间溢出效应。事实上，数字金融发展水平与创新效率囿于先天资源条件和后天经济发展，在区域分布上呈现出明显的异质性特点。因此，数字金融对区域创新效率的影响也极有可能存在省域异质性特征。参照大多数文献的划分方法，将28个省份分为东中西部地区，分地区对此假设进行具体的分析探讨。表7列示了东中西部地区数字金融对区域创新效率影响的回归结果。

表7 异质性检验结果

由表7可以看出，一方面，东部地区创新效率的自回归系数ρ为正，说明东部地区创新效率的空间溢出效应为正；另一方面，中部和西部地区的系数为负，说明中西部地区创新活动具有明显的负向空间溢出效应。因此，中西部地区邻近省域的创新水平显著抑制了本地区创新项目与创新活动。但是，因为中西部地区的抑制作用远不如东部地区的带动促进作用强，所以整体还是呈现出邻近省域对本省域创新活动的正向促进作用。这可能是基于以下事实：随着国家各种政策的倾斜，东部地区(尤其是沿海地区)是现阶段创新的中心区域，其吸引中部地区创新资源的能力相对较高，因而中部地区对创新资源产生激烈竞争。

东中西部本地区的数字金融指数都为正(1%显著性水平下显著)，说明东中西部本地区的数字金融发展都能提高本地区的区域创新效率，这与上文的研究结论相符，但是中西部邻近地区数字金融发展对本地区的创新具有抑制作用。造成这种现象的可能原因是：相比于东部地区，中西部地区在促进转型和创新发展方面还相对落后。事实上，我国的经济发展模式本就是从沿海到内陆、沿海带动内陆的发展模式。中西部地区的地理位置、资源分布、金融基础设施建设以及信息时滞性等多方面因素影响了其经济的发展，使该地区金融服务能力以及人力物力配置均不足，二者共同制约了数字金融服务对中西部地区区域创新效率的提升。因此，政府应该针对中西部地区制定有效政策，解决欠发达的中西部地区数字金融服务配置不足、基础设施落后、优势产业发展动能不足等问题，以实现区域创新水平整体提升的统筹发展新局面。

(四)数字金融发展对区域创新效率的影响机制分析

空间杜宾模型的实证结果表明，本地区数字金融的发展显著提高本地区创新效率，但邻近地区数字金融发展则会抑制本地区的创新效率。笔者基于前文的理论机制分析来构建中介模型，验证本省数字金融发展是否可以通过扩大金融规模、升级产业结构来提高本省区域创新水平。模型如下：

effit=ω1greenit+ω2Xit+σi+ϑt+τit

(5)

Mit=1greenit+2Xit+σi+ϑt+τit

(6)

effit=γ1greenit+γ2Mit+γ3Xit+σi+ϑt+τit

(7)

式中：i表示省份，t表示年份，ϑ表示时间固定效应，σ表示省份固定效应，τ表示随机误差项。金融规模(dev)和产业结构(ind)属于中介变量，进而将其放入中介变量组M中，通过中介效应模型对数字金融影响区域创新效率的作用机制进行检验：首先，参见式(6)，将变量组X中的中介变量分别与数字金融指数green进行回归，若系数没有不显著，说明数字金融发展能够在一定程度上对中介变量起作用。而后，参见式(7)，将green和中介变量dev及ind分别一同与区域创新效率eff进行回归，若green的系数不显著或者显著但系数降低，则说明金融规模和产业结构是对区域创新效率产生影响的路径变量。全样本的数字金融影响区域创新效率作用机制的检验结果如表8所示。

表8 数字金融影响区域创新效率作用机制的检验结果

为使比较具有公平性和明确性，在所有模型中加入了相同的控制变量。所有回归结果都显示，在 1%的显著性水平下，数字金融的高速发展对区域创新效率具有显著正向效应。从模型(2)和模型(4)中可以发现，数字金融的发展对金融规模和产业结构也存在正向显著影响。更重要的是，基于模型(1)证明了数字金融发展水平提升显著促进了区域创新效率提升的结论。加入了中介变量后，模型(3)和模型(5)中的数字金融相较于之前依旧在5%水平下显著，但系数均有所降低，并且金融规模和产业结构的系数显著为正，由此证明dev和ind是数字金融发展水平对区域创新效率的路径变量。究其原因，一方面，可能是数字金融能够凭借云计算、云存储、大数据等技术确保市场信息的可达性和有效性，极大地缓解了信息不对称问题，进而拓宽资金来源的渠道及提升资本配置效率，缓解资金链紧张和配置不足等问题，使创新研发项目有充足的资金支撑和保障；另一方面，由数字金融演化而来的京东白条、花呗等便捷金融工具迅速应用于消费者的日常生活中，极大纾缓了中低消费人群消费资金的压力，整体拉动了居民消费信贷创新，促进了消费结构升级乃至产业升级，从消费者角度出发形成技术创新新局面。因此，数字金融发展主要通过扩大金融规模和产业结构升级提高区域创新效率。

五、结论与启示

基于我国2011—2018年省际面板数据，一是运用SFA方法计算出区域创新效率；二是利用空间杜宾模型就数字金融对区域创新效率的影响进行实证研究，同时进行区域异质性分析；三是运用中介效应模型研究数字金融对区域创新效率的作用机制。基于此，得出以下主要结论：

第一，区域创新效率具有一定的空间溢出性，并且各地区之间的创新活动存在竞争效应。

第二，数字金融发展水平提升可以有效提高本地区创新效率，但邻近地区数字金融发展则会抑制本地区的创新效率。异质性分析显示：中西部地区创新活动具有明显的负向空间溢出效应，西部地区表现得尤为明显；东部地区创新效率的空间溢出效应显著为正。但是，因为中西部地区的抑制作用远不如东部地区的带动促进作用强，所以整体还是呈现出邻近地区对创新活动的显著促进作用。

第三，数字金融发展主要通过扩大金融规模和产业结构升级来提高区域创新水平。

基于研究结论，提出如下政策建议：

首先，在国家层面，相关部门应当统筹全局，利用数字金融能够解决地理限制问题的优势，形成区域之间数字金融联动发展的有效机制。在大力促进数字金融创新溢出的同时，也要加强对数字金融服务业的监管，以确保我国金融事业的持续发展。作为金融和大数据技术的叠加产物，数字金融的风险特征具有了更多不确定性，加强监管可以为创新活动的顺利开展奠定一定的基础。

其次，地方政府应当因地制宜，给予本地优势科技企业一定的政策扶持，放宽中小微企业创新项目的融资要求，采取各种针对性措施鼓励数字金融对区域创新的促进作用。我国东部地区数字金融发展最快，其在促进本地区创新水平提升的同时应该持续发挥带头作用，带动周围地区同步向好。对于中西部地区，国家应给予一定的资金补助并加大财政转移支付力度。各省应当注重均衡发展，建立良好创新软环境，构建共生互利、协调发展的区域创新格局。

最后，应扩大人力资本的投入和科研机构、高等学校、企业间跨地区的创新合作。一方面，应该继续加强教育投入，提高我国从业人员教育水平，促进高素质劳动要素在跨地区之间的流动。实证结果表明，在发展数字金融的同时，应该加强对创新创业人才的引进。另一方面，各省域具有领先科技创新技术的巨头公司可以充分发挥其核心市场和资源分配的优势，利用并整合邻近地区高质量市场的创新资源，并加强对相邻省域创新的资金支持，形成强强联合、局部带动整体的良性创新局面。