数字金融发展与产业结构升级
——基于城市面板数据的实证研究
2022-04-20焦帅涛孙秋碧
焦帅涛,孙秋碧
(福州大学经济与管理学院,福建福州,350108)
一、引言
在经济新常态背景下,我国经济增长速度进入换挡期,经济高质量发展的要求越来越得到重视。中国正面临经济结构转型、增长动力转换的现状和发展不平衡不充分突出等社会问题,发展数字金融对解决相关问题提供了新的增长动力。在发展数字经济的大背景下,大力发展数字金融已成为实现产业结构升级的重要手段之一。
发展数字金融和实现产业结构升级是经济高质量发展中重要的议题。近年来,随着大数据、云计算、物联网及各种数字化平台的出现,数字技术的发展对经济社会生活方方面面都产生了深远的影响,数字金融等相关研究也日益增多,研究内容归纳为3个层面展开。理论层面,黄益平、黄卓认为数字金融发展可以降低金融服务门槛,还可以推动价格发现和信息传输,降低交易成本,进而提升金融的可获得性[1];郭峰等指出数字金融拓宽金融使用的广度、深度和数字化程度[2];孙玉环等对中国主城区、城乡结合区、镇中心区、镇乡结合区、乡中心区、村庄的数字金融现状与前景进行了理论分析,发现数字金融发展程度逐年提升[3]。实证层面,周利等利用门槛模型与分位数回归模型实证分析了数字金融发展与城乡差异的关系,发现发展数字金融有助于降低城乡差异化水平[4];钱海章等实证研究显示中国数字金融发展促进了区域经济增长[5];谢绚丽等指出中国数字金融发展能促进区域创业[6];易行健和周利发现数字金融发展能显著促进样本期内的居民消费水平提升[7];唐松等研究得出数字金融发展促进了企业的技术创新[8];杜金岷等揭示收入差距缩小、资本积累、消费需求扩张以及技术创新是数字普惠金融促进产业结构优化升级的重要中介渠道[9]。此外,由于数字经济具有数字金融的属性,也有相关研究对数字经济发展对产业结构升级的影响进行了分析。陈晓东、杨晓霞基于灰关联熵与耗散结构理论实证分析了数字经济发展对产业结构升级的影响[10];焦帅涛、孙秋碧通过工具变量法和中介效应等模型研究了数字经济发展对中国省际产业结构升级的影响及传递路径[11];刘洋、陈晓东等指出数字经济发展对产业结构升级存在非线性特征[12]。
梳理文献可以发现,数字金融发展对经济社会各个方面影响的研究总体上还有待深入,且数字金融发展对经济社会的影响多集中创新创业、消费升级、地区发展差异等方面,较少涉及对数字金融发展与产业结构升级关系的探讨。产业结构升级是经济可持续发展和高质量发展的重要因素[13]。因此,在数字化技术不断发展过程中,数字金融发展对城市产业结构升级的作用效果如何?是否存在时空差异性?是否存在门槛效应?这些都是值得关注的问题。鉴于数字金融发展和产业结构升级两大主题的重要性,文章可能的边际贡献和潜在价值主要有:其一,基于城市层面数据,利用双固定效应模型研究数字金融发展对城市产业结构升级的作用效果;其二,分别基于“异质性视角”和“匹配协调视角”研究数字金融发展的异质性效果和数字金融发展的门槛效应;其三,基于以上实证分析,不仅回答了数字金融发展对产业结构升级的影响,而且也为相关政策出台提供参考和依据。
二、研究假设
(一)数字金融发展对产业结构升级的作用效果分析
有研究显示,金融服务可以促进产业结构优化和经济发展。[14]数字金融发展基于竞争压力从垂直产业链和产业延伸层面同时激发其他需求产品部门的发展和创新动能,从而推动产业结构的完善。[15]数字金融发展可以优化行业内部及行业间信息不对称的现状,从“水平效应”与“结构效应”渠道显著影响产业成长。[16]同时,数字金融发展显著促进了产业结构优化,对产业结构合理化、高级化和产业内部演化趋势贡献明显。[9]宏观视角:与传统生产要素或资源相比,数据不受稀缺性限制,数据可重复利用、重复和共享,这使得数字金融发展为产业结构升级提供可持续的新动力。中观视角:数字金融的发展与传统产业相互融合,突破时空因素的限制,对传统行业的效率提升和升级改造具有“赋能效应”。微观视角:由于数字技术具备通用目的技术(GPT)的所有特征,数字技术可以降低企业的交易成本,也可以降低企业的边际生产成本。在数字金融时代,伴随着大数据、深度学习和区块链技术的发展,数字技术可以为交易双方建立公开透明的信用机制,这一机制不仅可以减低交易风险,而且提升交易效率。因此,基于宏观、中观和微观视角理论分析,本文提出第一个研究假设。
假设1:数字金融发展对城市产业结构升级具有促进作用。
(二)数字金融发展对产业结构升级的门槛效应分析
有研究显示,金融发展必须与地区发展水平相匹配,若经济发展水平落后,即使其金融市场再发达,由于缺乏与之匹配的禀赋结构、技术水平和制度环境,也很难推动产业结构转型升级。[17]金融发展也因创新活跃度匹配协调的差异性对产业结构升级的影响具有门槛效应。[18]从金融发展质量角度出发,金融结构对产业结构变迁具有非线性影响,具体呈现出门限、分层和时变多重特征。[19]一方面,数字金融的高技术特性对城市创业方向具有引领作用,它也对城市创业的能力提出新的要求[6]。数字金融的发展离不开完善的数字化基础设施,然而基础设施的建设周期相对较长,进而会使得数字金融发展和城市创业不同步和不协调。另一方面,城市创业的产生需要时间的累积,城市创业的效果可能存在“时滞”现象。同时,城市创业对城市的人力资本、城市的创新环境和城市产业政策等要求极高,这使得数字金融发展和城市创业出现“不匹配”的现象。基于“匹配协调视角”,数字金融发展与城市创业的“不同步、不协调和不匹配”导致产业结构升级出现“门槛”效应。因此,本文提出第二个研究假设。
假设2:数字金融发展和城市创业的“非协调性”导致产业结构升级具有“门槛”效应。
三、研究设计
(一)模型设计
1.基准模型设定
基于以上文献分析,为研究我国数字金融发展对城市产业结构升级的影响,设定如下模型:
2.面板门槛模型分析
数字金融发展与城市创业存在着相互影响的动态关系[6],即:数字金融发展对城市创业具有一定的引领作用,壮大数字金融发展也是城市创业的结果或目标之一。但是,产业结构可能因为两者的不匹配而产生“门槛”效应,因此利用Hansen的门槛效应模型[20],首先选取数字金融发展综合指数作为门槛变量,城市创业作为区域变量;接着选取城市创业作为门槛变量,数字金融发展综合指数作为区域变量,分别进行门槛效应模型实证回归分析,具体模型如下:
(二)变量及数据说明
1.被解释变量
产业结构升级(ISU):参照钱海章、陶云清等的研究[5],本文用第三产业占地区生产总值比重/第二产业占地区生产总值比重来表示。
2.解释变量
数字金融发展(DF):本文用北京大学数字普惠金融指数来表示数字金融发展[2],其综合测评体系中的数字金融发展综合指数及3个分指数(数字金融覆盖广度、数字金融使用深度以及普惠金融数字化程度)分别用DF、DF1、DF2、DF3来表示。
3.门槛变量
城市创业(RE):参考钱海章、陶云清等的做法[5],本文利用地区城镇个体和私营企业从业人员数占比总就业人数来表示门槛变量创业(RE)。
4.控制变量
本文选取如下控制变量:经济发展水平(EDL),用实际人均GDP表示,并取对数处理[21];城市化水平(UL),用人口密度表示,用总人口数/总面积衡量,并取对数处理[22];财政分权度(FD),用财政预算内收入/财政预算内支出表示[5];外商投资(FDI),用当年实际使用外资额/地区生产总值表示[23]。
5.数据描述性分析
考虑到数据的可得性、可比性和完整性,选取2011—2019年中国201个地级以上城市进行实证分析,所有数据来源于《中国城市统计年鉴》、wind数据库、各省市区统计年鉴和北京大学数字金融研究中心官网。①根据2020年行政区划数据,我国有293个地级市。此间只选取201个面板数据,是由于样本时间长,所涉城市众多,部分相关变量不同年份存在较多缺失值,考虑到数据的可得性和可靠性等因素,所以删除部分年份数据缺失的城市。201个城市的面板数据可满足样本数据量需求。对所有变量进行描述性统计,具体变量描述性分析见表1。
表1 变量描述性统计
四、实证结果分析
(一)基准模型分析
根据基准模型设定,进行Hausman检验,P值等于0.000,检验结果表明选择固定效应模型。因此,将利用面板固定效应模型研究数字金融发展对城市产业结构升级的影响效果,具体结果见表2。模型(1)~模型(4)中,数字金融综合指数(DF)、数字金融覆盖广度指数(DF1)、数字金融使用深度指数(DF2)以及普惠金融数字化程度指数(DF3)均通过1%的显著性水平检验,数字金融综合指数及3个分指数均对产业结构升级具有显著的促进作用。可能的原因是:数字化技术具有渗透性、融合性和协同性特征,数字金融的发展是数字化技术不断创新进步的结果。随着数字化技术的发展,政府及企业对数字化管理和数字化生产的重视程度越来越大,全行业和全产业的数字化程度也在不断加大加深,这使得数字金融发展对城市产业结构升级具有助力作用,这也与杜金岷、韦施威、吴文洋的研究相一致[9]。从而,研究假设(1)得到证明。
表2 总指数及分指数对产业结构的影响
(二)异质性分析
数字金融发展对城市产业结构升级具有促进作用。考虑到我国各个城市发展过程中存在“不平衡和不充分”等问题,需要进行异质性分析。具体过程是:分别以变量经济发展水平(EDL)和变量城市化水平(UL)的中位数为参考,将所有研究样本分别划分为高EDL地区和低EDL地区、高UL地区和低UL地区,变量经济发展水平(EDL)和变量城市化水平(UL)中位数分别为10.6979和6.0146,具体模型回归结果见表3。在模型(1)~(2)中,解释变量数字金融综合指数(DF)值均通过1%的显著性水平检验,在高经济发展水平(EDL)地区,数字金融发展对城市产业结构升级的促进作用更大。在模型(3)~(4)中,解释变量数字金融综合指数(DF)值再次均通过1%的显著性水平检验,但低城市化水平(UL)地区,数字金融发展对城市产业结构升级的促进作用更大。可能的原因是:一方面,近年来随着第三产业数字化程度的加深,产业结构升级更多的是体现第三产业与第二产业的比值,在经济发展水平好的地区,数字金融发展水平也往往较高,数字化使用宽度和广度也往往较大;另一方面,城市化水平高的地区往往数字金融发展程度也较深,数字金融普惠性红利能得到较大释放。相比城市化水平较低的地区,鉴于数字基础、数字应用、数字覆盖深度和使用广度等因素,数字金融的可获得性红利还未得到充分释放,因此数字金融发展对城市产业结构升级的助力作用更大。
表3 异质性分析
(三)面板门槛模型
基于“匹配协调”研究视角分析数字金融发展与城市创业两者之间的协调问题。首先将数字金融综合指数(DF)作为门槛变量,区域创业(RE)作为区域变量进行门槛效应回归,接着将门槛变量和区域变量进行互换再次进行门槛效应和门槛值检验,bootstrap次数选择为300次。结果表明仅在数字金融综合指数(DF)作为门槛变量,区域创业(RE)作为区域变量时存在门槛效应,其余情况不存在门槛效应或效应不明显,具体结果见表4。单一门槛F值91.03,通过1%的显著性检验;双门槛和三门槛F值分别为30.71和56.32,均通过5%的显著性水平检验。因此,说明存在三重门槛效应。
表4 门槛效应检验
在门槛效应检验之后,将进行门限值检验,见表5。
表5 门槛值估计结果
在门槛效应和门槛值检验之后,运用似然比函数(LR)画出门槛变量图,具体结果见图1。当门槛值为183.1487、87.4700和91.1100时,LR函数值均接近0;即:门限效应及门限值通过95%的置信水平检验。进而可得:数字金融发展门限值可分为四种类型,即:高水平数字金融发展城市(DF>183.1487)、中水平数字金融发展城市(91.1100≤DF≤183.1487)、低水平数字金融发展城市(87.4700 图1 门槛估计值和置信区间 为了证明数字金融发展对城市产业结构升级具有助力作用这一结论,将分别利用动态系统GMM模型、空间杜宾模型、Pool回归模型和缩尾模型回归的方法对此结论进行稳定性检验,具体结果见表6。在模型(1)中,选择变量产业结构滞后一期(1-ISU)进行回归,数字金融发展(DF)系数值为0.0035,系数值通过1%的显著性水平检验,说明数字金融发展促进了城市产业结构升级。在模型(2)中,选取空间杜宾模型进行回归,并选取空间反距离矩阵进行检验,结果显示数字金融发展(DF)系数值为0.002,系数值通过5%的显著性水平检验,再次说明数字金融发展促进了城市产业结构升级。在模型(3)和模型(4)中,数字金融发展(DF)系数值分别为0.0043和0.0037,系数值均通过1%的显著性水平检验,模型(3)~(4)也再次证明数字金融发展促进了城市产业结构升级。通过模型(1)~(4)回归结果可知,除了变量系数值大小和显著性水平略有差异外,变量系数符号方向均为正向,表明这一结论具有稳定性,即:数字金融发展对城市产业结构升级具有助力作用。 表6 稳定性分析 发展数字金融和实现产业结构升级是中央和地方政府的重要目标。本文选取2011—2019年中国201个地级以上城市为研究对象,通过利用面板双固定效应模型和门槛效应模型实证分析了数字金融发展对城市产业结构升级的作用效果,并对实证结果进行稳定性检验,主要研究结果和研究建议如下: 其一,在全样本中,数字金融发展对城市产业结构升级具有显著助力作用。在双固定效应模型回归中,数字金融综合指数(DF)、数字金融覆盖广度指数(DF1)、数字金融使用深度指数(DF2)以及普惠金融数字化程度指数(DF3)回归结果变量系数值的显著性均通过1%的显著性水平检验。因此,为了提升城市产业结构升级水平,地方政府应以发展数字金融为抓手,提升产业和行业数字化水平,加大城市数字化使用的深度和广度,努力做强和做优城市数字金融。 其二,“异质性视角”分析,数字金融发展对城市产业结构升级的促进作用具有差异性。在以变量经济发展水平(EDL)和变量城市化水平(UL)的中位数为参考的异质性分析中,在高经济发展水平(EDL)地区,数字金融发展对城市产业结构升级的促进作用更大;在低城市化水平(UL)地区,数字金融发展对城市产业结构升级的促进作用更大。因此,在发展数字金融时,要充分认识到城市发展过程中存在的差异性,要不断提升地区经济发展的综合竞争力水平,也要注意到城市化水平高低对产业结构升级的异质性影响。 其三,“匹配协调视角”分析,数字金融发展对产业结构升级存在“门槛效应”。当数字金融综合指数(DF)作为门槛变量,区域创业(RE)作为区域变量时存在门槛效应,数字金融发展门限值可分为4种类型,即:高水平数字金融发展城市(DF>183.1487)、中水平数字金融发展城市(91.1100≤DF≤183.1487)、低水平数字金融发展城市(87.4700(四)稳定性检验
五、研究结论与建议