金融科技投入对经济增长的溢出效应研究——基于面板平滑转移模型（PSTR）分析

李奇璘，姚 莉

（上海第二工业大学 经济与管理学院，上海 201209）

一、引言

金融科技是促进科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策与金融服务的系统性、创新性安排，是由向科技与技术创新活动提供金融资源的政府、企业、市场、社会中介机构等各种主体，及其在科技创新投融资过程中的行为活动共同组成的一个体系，是国家科技创新体系和金融体系的重要组成部分。肇启伟等（2015）[1]通过对首届中国金融科技年会综述，从金融科技的发展环境、发展重点以及发展范式三个角度对金融科技的未来发展，风险问题以及生态环境建设问题进行了阐述。曲昭等（2015）[2]梳理了促进科技与金融相结合的金融政策与科技政策调整路径。“金融科技投资”即金融科技链条中各个活动的资金支出发生额，其在网络中与“高科技（中小型）金融企业”“金融政策”“科技创新”等多个关键词存在共现关系，是促进科技与金融相结合的政策研究热点问题，包含了科技财税（政府科技投入以及面向数字化改造、网络建设、研发费用、创业风险投资、科技型企业等一系列税收政策）、科技贷款（知识产权融资、科技银行）、多层次资本市场以及科技保险等内容。

金融科技的投入有助于提高创新效率，使金融和科技有效地结合在一起，打破经济发展的瓶颈，促进经济增长。邓天佐和张俊芳（2012）[3]认为随着科技体制改革的不断深化，金融科技的内涵与外延不断深化扩展，向多要素、多层面、多维度的金融科技系统演变；科技和金融结合的实践不断丰富与发展，已覆盖到创业风险投资、科技贷款、科技保险、多层次资本市场、金融科技中介平台等多个领域，对于转化科技成果、发展高新技术产业发挥了重要作用。Po-Susan Hus 等（2014）[4]用32 个发达国家和新兴国家的数据，研究发现股票市场和信贷市场融资对创新产出有显著影响，金融市场创新带动了实体行业的发展。

关于金融科技的投入要素，房汉廷（2015）[5]对金融科技进行了深刻阐释，指出金融科技是科技创新和金融创新的深度融合，本身具有政策价值，而金融科技工作首先是科技工作的重要组成部分，需要具备专业知识的科技人员。洪银兴（2011）[6]强调了政府在金融科技方面资金投入的重要性，政府投入在前期关注基础性和公共性的创新成果，后期形成导向引入市场和私人资金投入。

关于研究的方法，国内学者多从定性研究的角度分析金融科技对创新或经济的影响，运用实证研究方法的较少，选用非线性面板平滑转移回归的更少。但是有部分学者选用该模型研究相关领域的其他问题。冯照桢等（2016）[7]运用面板平滑转移回归（PSTR）模型，从风险投资规模和风险投资数量两个角度探讨了风险投资与技术创新的非线性关系，风险投资规模低于阈值时，会抑制企业技术创新；但规模超越阈值时，促进促进企业技术创新。牛泽东和张倩肖（2011）[8]采用我国高技术产业行业水平的面板数据，在研究FDI 创新溢出效应行业差异的基础上，运用非线性面板平滑转移回归（PSTR）模型对我国高新技术产业FDI 创新溢出的门槛效应做进一步检验，揭示了FDI 创新溢出效应与行业技术水平、人力资本、市场竞争程度之间的非线性关系，测度得到行业技术水平对FDI 创新溢出的影响最为显著。吴勇民（2014）[9]认为技术进步与金融结构通过协同演化机制紧密耦合在一起，相互作用、相互渗透、协同演化，并在协同演化过程中，表现出系统开放性与自适应性、系统主体间的双向因果关系、系统主体间的正反馈关系、系统各主体相互作用的非线性和复杂性以及系统涨落性、突变性与功能涌现性等演化系统的典型特征。国内文献在实证分析时较少对变量的非线性作用进行处理，运用更为稳健的计量技术研究中国金融科技投资对创新的非线性作用仍有必要。

结合以上研究，本文从金融科技投入视角出发，以政府、企业、金融机构和从事科技人员四个方面投入为切入点，运用中国省级面板数据，采用面板平滑转换模型（PSTR）对金融科技投入与经济增长之间可能存在的非线性影响及作用机制进行实证分析，研究金融科技投入对创新和经济增长的贡献。可能的创新如下：第一，从金融科技要素投入的视角分析金融科技影响的问题。第二，发现金融科技投入与创新效率和经济增长之间非线性关系和门槛效应，即金融科技投入的作用在门槛值前后发生实质性变化。第三，运用GMM-IV 实证分析保障结论的稳健性。本文后续安排如下：第二部分是模型构建、变量与数据选择；第三部分是实证分析；第四部分是结论及政策建议。

二、模型构建、变量与数据选择

金融科技的投入可以从多方面促进金融的发展，更好地助推实体经济增长。本文通过构建PSTR模型来分析金融科技投入对经济增长的溢出效应，从政府投入、金融机构投入、企业投入、市场投入、科技人员投入几个角度衡量金融科技投入。与普通的面板模型不同的是，PSTR 模型可以将线性面板转换成非线性面板，可以通过转移方程进行转换，其更加一般化，符合现实情况。

（一）模型设定

在新经济增长理论中，人力资本很大程度上影响了技术进步，它也是内生经济增长的源泉，本文参考张玉喜和赵丽丽（2015）[10]构建的Cobb-Douglas生产函数模型，冯照桢等（2016）[7]、牛泽东等（2011）[8]构建的面板平滑转移模型（PSTR），首先由Cobb-Douglas 函数基础上进行拓展得：

式中Y代表经济产出，K1 代表政府财政金融科技投入。K2 代表企业自有资金投入，K3 代表金融机构科技贷款，L代表金融科技人员当时量，进一步将Cobb-Douglas 生产函数取对数并加以拓展：

然而，在实际情况中，政府投入更多表现为非线性影响，本文借鉴Gonzalez 等（2004）[11]最初在Hansen（1999）[12]提出的面板门限回归（PTR）和Timo（1994）[13]提出的单变量平滑转移模型（STAR）基础上构建了面板平滑转移回归（PSTR）模型，构建如下：

若写出矩阵模型如下：

其中i=1，…，N，t=1，…，T，N和T分别表示面板模型中的截面和时间维度。lnyit表示经济增长的对数，xit表示三维时变外生自变量，分别为代表政府财政科技投入、企业自有资金、金融机构科技贷款，μi表示各个省市的差异性影响，μit为随机干扰项。β0和β1分别表示线性部分系数和非线性部分系数。（1994）[13]通过设定、估计和评价对变量平滑转移模型（STAR）模型进行建模，van Dijk等（2001）[14]提出进行转移变量序贯检验，从而选择转移方程g（FIIit；γ，c）应该指数型（ESTAR）还是logistic 函数（LSTAR）的形式，鉴于本文需要一个值域收敛于0～1 之间的有界连续函数，采用logistic 函数形式的平滑转换更为合理，其放松了限制条件，使面板门限回归突变以更加柔和、渐变的方式进行过渡，因而能够更好地刻画面板数据的截面异质性，具体为如下表达方式：

其中，RDEit为转换变量的连续函数，c=（c1，…，cm）' 为m维位置参数向量，反映了转移函数的阈值，γ为平滑转移系数，并且γ＞0，它决定了区制转移速度。在实际中，一般考虑m=1 或m=2 就可满足实际需求。上述转换方程g（RDEit；γ，c）表现为非线性平滑转换的部分，通常也被解释为区制转换（Regime SwitchingRegression）回归模型。当m=1 时，转移函数g（RDEit；γ，c）随着转移变量q的增加，从而表现为系数从低区制到高区制以转移位置c为中心在β0～β0+β1之间发生转化，尤其是当γ→∞时，转移方程g（RDEit；γ，c）转化成指示函数I[qit＞c1]，此时，面板平滑转移模型退居成两区制的面板门限回归模型（PTR），系数也平滑转换为β0+β1。当m=2 时，转移函数g 随着转移变量q的增加，先增加后递减，尤其在γ→∞，转移方程g（RDEit；γ，c）相当于指示函数I[c1＜RDEit＜c2]，则PSTR 模型转换成三区制的面板门限回归模型（PTR）。而当γ→0 时，无论m取何值，PSTR 模型退化成系数为线性或同质性固定效应模型。可见，线性固定效应模型和面板门限模型均可看成面板平滑转移模型的特殊情形。

（二）变量选取

根据金融稳定理事会（FSB）的定义，金融科技主要是指利用各类科技手段，包括大数据、区块链、云计算、人工智能等新兴前沿技术，创新传统金融行业，对金融市场以及金融服务业务提供新兴业务模式、新技术应用、新产品服务等。金融科技的主体为科技创新活动提供金融资源的政府、企业、金融机构、金融科技人员等，因此本文研究政府、企业、金融机构、从事科技人员四类主体的金融科技投入对金融创新和经济增长的作用效果，其中政府投入以政府财政金融科技投入来衡量，企业金融科技投入以自有资金中的R&D 投入来衡量，金融机构投入以金融机构科技贷款指标衡量，从事金融科技人员选取STP 为代理指标。考虑到金融科技投入与产出存在滞后性的问题，本文选取包含2011—2020 年共10 年，全国30 个省、市和地区（不含港澳台地区以及西藏自治区）的面板数据进行研究，数据来源于历年的《中国科技统计年鉴》《中国金融年鉴》及国家统计局网站等。

三、实证分析

（一）各变量描述性统计

根据2011—2020 年中国30 个省（市、区）金融科技指标面板数据，采用静态和动态面板数据结合的模型方法，实证分析中国金融科技投入对技术创新与经济增长的作用效果。表1 为各变量描述性统计。研究结果表明：金融科技投入与科技创新之间短期内呈显著正相关关系，对经济增长作用明显，长期作用效果不显著；其中政府投入、企业自有资金和金融机构贷款是影响科技创新与经济增长的主要因素，金融科技投入的作用效果存在地区差异，东西部地区科技创新与经济增长受企业自有资金和社会资本的影响较大，中部地区受政府财政科技投入影响较大。

表1 各变量描述性统计

（二）面板数据平稳性检验

分别采用LLC、IPS、ADF、PP四种方法检验各变量的平稳性。其中，LLC、IPS、ADF、PP四种方法检验原假设均为面板数据存在单位根，即不平稳；备注假设为数据不存在单位根，即平稳。具体检验结果如表2 所示。

表2 面板数据单位根检验

表2 显示，对于GOV、COM、STP、PA/ln（R&D）为非平稳序列，需对其一阶差分，即变量为一阶单整I（1）序列。其余变量为平稳序列。

进一步对各变量进行kao 协整检验，检验结果如表3 所示。

表3 面板数据Kao 协整检验

表3 显示，残差项一起滞后项及其一阶差分项均在1%水平上显著，ADF 统计量t值也在1%水平上显著，表明拒绝不存在协整关系的原假设，即变量之间存在协整关系，可以构建面板平滑转移模型进一步分析。

（三）面板平滑转移非线性检验

我们无法应用传统的嵌套检验统计量来执行这一检验，原因在于模型中含有未识别参数（彭方平等，2013）[15]。我们希望对面板平滑转移模型寻求变换，借鉴Hansen（1996）[16]进行一阶泰勒展开，从而构造辅助回归方程逼近原来的面板平滑转移模型检验非线性是否存在，具体为如下表达方式：

此时，原假设由H0：γ=0 变换为H0：β0=β1=β2=…=βm=0。检验过程为：首先，消除固定效应项；原模型如下：

剔除个体均值得：

其次，对转换后的模型计算LM 统计量：

在原假设下LM 检验统计量服从χ2（K）分布。

由表4 得，LM、LMF、LRT分别在不同显著水平上拒绝了原假设，表示方程存在非线性影响，即存在转移方程；进而对多个转移方程进行检验，LM、LMF、LRT分别在不同显著水平上接受了原假设，即不存在多个转移方程，从而模型只存在一个转移方程。

表4 非线性检验和剩余非线性检验结果

（四）面板平滑转移回归及其稳健性分析

本文选取研发效率作为转移变量，随着研发效率服从Logistics 概率分布，从低区制转移到高区制，模型也从线性转移到非线性，而当转移速度伽马趋向于无穷时，此时构建的方程转换成为面板门限回归（PTR），因此，面板平滑转移回归模型更加具有一般性，更能精确的度量金融科技投入与经济增长之间的非线性关系，比普通的面板模型更加具有准确性。表5 为面板平滑转移模型参数估计值以及GMM-IV 稳健性参数估计值。

表5 面板平滑转移模型及其稳健性分析结果

表5 给出了两区制的泰勒规则面板平滑转移模型的回归结果，企业科技筹集、金融机构科技贷款、从事科技人员均在两区制内的估计系数呈现不同程度地拒绝原假设。金融机构贷款是影响最大因素，对研发效率之间的相关性较高；而政府资金投入对研发效率几乎没有影响，这也与张玉喜和赵丽丽（2015）[10]的文章做出了进一步验证。

金融机构科技贷款影响最为显著，金融机构科技贷款每增加1%，GDP 增加0.060 1%～0.145 8%，增加金融机构科技贷款能够有效助力金融科技的发展，提升GDP 水平。人才是行业发展的源动力，从事金融科技相关人员每增加1%，GDP 增加0.028 5%～0.366 8%，金融科技业务发展对于人才的需求也呈现井喷式增长，科技人才对经济增长的贡献十分显著。

接着，我们给出面板平滑转移估计式：

以及低区制和高区制的线性表达式：

当给定PSTR 模型的参数估计，可以计算出每个省份的时变弹性系数（见如下公式）。这些平滑的科技投入资金和人力资本的平均弹性，如表6 所示。估计参数的平均值的平滑弹性为最优的PSTR 模型，这些值对应于个体估计的平均值：

由表6 得科技投入平均值大于0.28 的有天津、河北、内蒙古、辽宁、福建、山东、河南、湖北、重庆。

表6 PSTR 个体差异估计的平均值（产出弹性）

由图1 要素投入省份的平均弹性折线图清晰可见，在高位时金融机构科技贷款弹性最大，超越0.05%，企业科技投入居中达到0.04%，而政府科技投入最低，低至0.03%以下。再次，河北、山西、辽宁、吉林、安徽、江西、甘肃、青海、宁夏、新疆都为低点。人力资本投入省份的平均弹性折线图中显而易见，山西、黑龙江、江苏、江西、甘肃在平均弹性较高。

图1 要素投入省份的平均弹性

四、结论及政策建议

本文主要研究了金融科技与创新效率和经济增长的非线性关系，从而对经济增长的影响，并给出稳健性分析GMM-IV 分析结果，对PSTR 做出验证。增加金融科技投入可以传统金融行业所提供的产品和服务，提升研发效率并通过各类创新有效降低运营成本，促进经济增长。企业筹集、金融机构贷款、从事科技人员均在两区制内的估计系数呈现不同程度的拒绝原假设。从事科技人员是最大影响因素，表明从事科技人员对研发效率之间的相关性较高，而企业资金投入以及金融贷款相比较低。金融机构贷款与研发效率和经济增长之间的相关性较高，而政府资金投入对研发效率直接影响较小。

以互联网金融、区块链技术、智能投顾、人工智能基础的金融科技（FinTech），正在引领新的金融发展趋势，成为中国金融的主流趋势。一方面金融科技促进了消费金融、供应链金融创新发展，P2P、移动支付、众筹等互联网金融业态不断更新迭代，将传统金融结构与小微金融、普惠金融、互联网金融和智能金融相结合，带来金融科技更加广阔的应用空间。利用数据广泛采集和流通，可以方便地获取电信、电商、医疗、出行、教育等其他行业的数据；金融数据和其他行业数据融合，使得金融机构的营销和风控模型更精准，金融基础能力能够得到更多其他行业资源的补充和支撑。另一方面，跨行业数据融合会催生出更多跨行业的应用，金融科技企业得以设计出更多基于场景的金融产品，更加准确地匹配企业和个人的金融服务需求，提供更加差异化和个性化的服务体验，为商业银行解决小微企业金融服务中存在的信息不对称、交易成本高、场景服务不足和风控难等问题，为小微金融服务提供个性化、特色化和专业化解决方案，促进金融服务与实体经济更紧密的融合发展。

因此，应营造良好的投融资生态，通过政府、企业、金融机构对金融科技的投资，特别是金融科技贷款，吸引全球创新要素聚集。同时还应当重视金融科技人才，金融机构对于科技人员的重视程度仍有待提升，在很多传统金融企业，科技人员仍被认为是系统管理员，把信息技术部门简单当成一个后台基础支撑部门，在企业受重视程度较低。应当建立科研人员的内外部培养机制，创新范围和环境培养，使得其自身能力优势得到充分发挥。政府投入虽然在金融科技发展中的直接影响作用较小，但是政府可以通过成立一些重点行业引导基金，对重点项目和优势项目采取“领投”行为，释放积极信号，吸引民营资本进入，以推动相关金融科技行业的发展。我国应当抓住金融科技发展的窗口期，在云计算、大数据、人工智能和区块链等领域掌握先进技术，使金融更好地服务于实体经济，在这一崭新的领域崭露头角，夺得国际领先的竞争优势。