金融业集聚是否促进了京津冀科技创新？<br/>——基于京津区级及河北地级市面板数据的实证分析

金融业集聚是否促进了京津冀科技创新？
——基于京津区级及河北地级市面板数据的实证分析

2022-09-20戴宏伟杨思华

河北经贸大学学报 2022年5期

戴宏伟，杨思华

(中央财经大学经济学院，北京 102206)

一、引言

近年来，我国的科技创新能力迅速提升，全球创新指数①排名由2010年的第43位跃升至2021年的第12位。在我国经济发展进入新常态的背景下，科技创新对于促进经济转型和产业升级、实现高质量发展具有极其重要的意义。正因如此，党的十九大提出要坚定实施创新驱动发展战略，加快建设创新型国家。

科技创新需要资金投入，金融业为科技创新提供了重要支撑。从人才引进到技术研究再到科技成果转化，金融为科技创新的各个环节提供了融资渠道和资金支持。区域金融发展水平的高低也对科技创新实力的强弱有着重要的影响。随着我国经济的快速发展，金融业发展水平不断提升，金融市场规模不断扩大，金融业呈现集聚化趋势。金融业集聚提升了当地的金融业竞争力，但同时也出现了地区间金融业发展不均衡的问题。金融业集聚对当地科技创新会有什么影响，也值得进一步探讨。

京津冀地区金融资源雄厚、人才吸引力较强，是带动我国经济发展的重要增长极。同时，京津冀还是科技创新的增长极，不仅自身科技创新实力突出，对其他地区的创新活动也有重要引领作用。《中国城市科技创新发展报告2021》②显示，京津冀地区的科技创新水平在全国19个地区中位列第一，创新指数得分0.84，强势领先排名二、三位的珠三角地区(0.66)和长三角地区(0.54)。科技创新也是京津冀实现高质量发展的重要抓手。《京津冀协同发展规划纲要》明确提出，推动京津冀协同发展是重要的国家战略，协同战略的任务之一就是打造京津冀协同创新共同体，建设京津冀国家技术创新中心，推动其朝着科技创新能力体系化方向不断迈进。“十四五”开局伊始，北京四个中心职能之一的“全国科技创新中心”也明确升级为“国际科技创新中心”③，并将进一步带动京津冀和北方地区的科技创新水平。

但总体来看，目前京津冀内部的科技创新水平存在着发展不平衡、不协调的问题。《中国城市科技创新发展报告2021》显示，北京的科技创新指数得分超过0.8，位列全国第一；天津的创新指数在0.5以上，在288个城市中排名第十三；而河北省各城市的创新指数得分普遍在0.3～0.4，综合创新能力处于较低水平。另外，虽然京津冀特别是北京的金融业集聚程度较高，但是金融业在京津冀区域的资源分布和发展状况存在较大差距，仅从金融市场规模来看，2020年北京市金融业增加值为7 188亿元，天津市为2 057亿元，而河北省全省的金融业增加值为2 600亿元④。金融业集聚对京津冀科技协同创新的支持作用有待进一步发挥。

基于上述分析，本文重点探析京津冀金融业集聚对科技创新的影响。而通过梳理文献可知，目前国内探讨金融业集聚对科技创新影响的文献数量并不多，结论也不甚一致；对两者关系的研究或是从微观出发研究某个行业，或是围绕全国视角利用省级面板数据开展，研究对象也多为长三角地区、粤港澳大湾区等，而对科技创新能力最强、金融业集聚程度最高的京津冀则关注不足。本文既讨论京津冀金融业集聚对科技创新的影响，分析京津冀金融业集聚的创新效应差异，还进一步用实证方法分析京津冀各自金融业集聚与科技创新的影响关系，这在其他文献中较为少见。相较于他人研究京津冀文献中一般使用2市一省或京津2市+河北11个地级市数据，笔者搜集整理了北京、天津各16个区和河北省11个地级市的相关数据，力图在分析中避免京津冀经济总量差距大、分析对象不对等问题，使数据集更贴合实际。同时，使用北京和天津的各区数据以降低观测维度，可以扩充观测样本量，便于得到更具可信性的实证结果。

本文后续的结构安排如下：第二部分是国内外研究综述及传导机制归纳分析；第三部分通过专利数据和金融业集聚区位熵指数衡量科技创新与金融业集聚的发展现状；第四部分将构建面板数据模型，利用固定效应和系统GMM方法研究金融业集聚对科技创新的影响，并进一步探讨地区异质性；第五部分是研究结论及对策建议。

二、文献评述及机理分析

(一)文献评述

国外学者对金融业集聚与科技创新之间关系的研究较少，且研究视角偏向于某一行业或企业，对国家层面和区域层面的讨论不多，对京津冀的相关研究更为少见。Atanassov[1]以美国科技型企业上市公司为研究对象，认为金融业集聚有利于打造良好的外部环境，促进企业科技创新水平提升。Perez[2]打破新古典思维定式，首次研究了科技创新、金融发展与经济增长之间的作用关系。Alessandro[3]以意大利工业企业为研究对象，发现金融业集聚区内银行业的完善有助于企业降低创新资金消耗的敏感度，增加研发积极性。Hsu[4]则认为，银行业集聚与证券业集聚对不同产业科技创新的影响程度不同。Kim S[5]根据韩国企业的数据分析得出：金融业集聚过程中直接融资有利于创新活动开展，而间接融资则对创新产生反向的结果。

与国外学者不同，国内学者多是从国家或区域层面研究金融业集聚对区域科技创新的影响。就现有研究来看，不同学者对于两者关系的研究结论尚未达成一致。如有些学者通过实证分析认为金融业集聚正向促进了科技创新，部分学者却得出两者关系不显著甚至是相反的结果。高小龙和杨建昌[6]采集中国30个省市自治区的面板数据，利用计量分析模型进行实证研究，结果表明：金融业集聚对于科技创新具有显著的正相关关系；王文静和刘诗琳[7]采用耦合协调度模型研究中国30个省份金融业集聚与区域创新能力两个系统的耦合协调发展，认为金融业集聚与区域创新能力在空间区域内存在正相关关系，并且前者的发展水平优于后者。郭文伟和王文启[8]以粤港澳大湾区11个城市为研究对象，分析大湾区各城市的金融业集聚对科技创新的空间溢出效应，发现整体金融行业的集聚对科技创新的影响不显著，但存在显著的金融子行业异质性特征；黎杰生和胡颖[9]利用我国省域数据研究金融业集聚、经济增长、科技创新三者的作用关系，认为金融业集聚会促进经济增长，但是会阻碍科技创新效率的提升，并且金融业集聚的创新效应存在区域异质性；李胜旗和邓细林[10]使用1998—2015年我国30个省份的面板数据，分析金融业集聚对科技创新效率的影响，同时以金融业集聚对经济增长的影响为参照，结果发现金融业集聚会抑制经济增长所需要的技术创新。

总体来看，国内研究京津冀金融业集聚与科技创新关系的文献数量还相对不多，研究结论也存在明显差异：李婷和李伟军[11]基于2008—2016年我国三大经济圈的城市面板数据，研究金融业集聚程度对科技创新影响的区域差异，发现京津冀金融业集聚对城市创新无显著影响，而珠三角与长三角地区则呈现显著正向关系。徐欣和董洪超[12]通过知识生产函数和空间杜宾模型探究金融业集聚对科技创新的影响，发现金融业集聚对科技创新的空间不对称溢出效应在京津冀城市群中不显著。白金鑫[13]选取京津冀城市群的面板数据，建立空间计量模型研究金融业集聚对科技创新效率的影响，发现京津冀整体金融业集聚显著促进科技创新效率提升；分行业来看，京津冀城市群银行业和保险业集聚起到显著促进作用，而证券业则不显著。

同时，学者对科技创新影响因素的研究也进行了探讨。潘文卿[14]认为外商投资过程中存在显著的技术外溢效应，会提升当地科技创新水平；而范承泽等[15]则认为，外商直接投资对中国国内研发投入的净作用是负向的。窦鹏辉和陈诗波[16]认为，科技人力投入、财政科研经费、企业研发经费对中国的科技创新能力和科技创新产出绩效具有显著的正向影响。樊华和周德群[17]的研究显示，工业结构、高等教育发展水平对中国科技创新效率具有正影响效应,而政府影响力具有负向作用。仇怡[18]认为，城镇化水平的提升会通过创新要素集聚效应和新需求拉动效应为科技创新带来正外部性。孙晶和李涵硕[19]、于斌斌[20]等通过实证检验得出产业结构会影响科技创新水平的结论。郭文伟和王文启[21]认为，随着全国房价不断上涨，较高的购房压力会通过影响创新资金和人才流动对科技创新产生抑制作用。

综上所述，国内外学术界在不断加深对金融业集聚与科技创新二者关系的研究，其研究成果对于本文具有很大启示和借鉴意义。然而，目前对两者关系的实证分析上尚未形成较统一的结论：国外学者多从微观层面入手研究金融业集聚对行业或企业科技创新的影响，但在城市群或跨地区层面的探讨尚不多见，宏观层面上金融业集聚对科技创新有何种影响尚待进一步讨论；国内学者多数从国家或区域层面进行研究，但分别得出了正向、不显著或负向的实证结果，对二者关系仍需做进一步探讨。并且，国内相关研究更多地将目光聚焦在了长三角地区、粤港澳大湾区，而对科技创新能力最强、金融业集聚程度最高的京津冀地区则关注不够。因此本文选择京津冀地区为研究对象，实证研究该区域金融业集聚对科技创新的影响，并分别对北京、天津和河北省进行回归检验，以探究金融业集聚对科技创新的影响是否存在显著区域差异，总体来看本文与以往的研究存在较大区别，对于进一步探讨影响京津冀协同的因素也是新的尝试。

(二)金融业集聚对科技创新的传导机制分析

金融业集聚对科技创新的影响机理如图1所示。具体包括正向和反向两方面作用。

图1 金融业集聚影响科技创新的传导机制

1.正向作用

一是缓解资金约束。创新活动具有时间周期长、成果输出缓慢的特点，科技创新的各个环节都需要充足的资金支持。金融业集聚意味着区域内存在着大量的金融机构、充足的社会闲散资金、多样化的金融服务，企业更容易获得资金信贷支持，还可以通过股权、债权等方式降低融资成本、拓宽融资渠道，从根本上缓解了企业创新面临的资金压力。

二是促进信息共享。由于创新活动运行程序较为复杂、专业性较强，企业与市场投资者之间存在着信息不对称问题，投资者很难获取创新活动的相关信息，阻碍其投资需求与有价值创新活动的有效匹配。而金融业集聚区域内，各家金融机构信息沟通便捷，有利于企业科技创新项目相关信息的披露和广泛传播，引导金融资源向优质创新项目流动，实现金融资源的优化配置，促进了科技创新。

三是分散市场风险。科技创新活动是探索未知的过程，因此具有很强的不确定性，这使得企业和投资者均具有很大风险。而金融业集聚产生的较为发达的金融市场恰好具有风险分散的功能，一方面可以随时为企业提供充足的流动性应对创新中的突发风险，另一方面可以根据投资者的偏好和禀赋提供合适的多元投资组合，既为创新企业提供了兜底机制，又提高了投资者的资金使用效率，最终有利于提升科技创新水平。

2.负向作用

一是容易诱发金融业过度竞争。随着金融行业的不断发展、金融业集聚程度的不断提升，区域内金融市场的拥挤程度会不断增加，市场竞争不断加剧。各金融机构为了获取更多的市场份额，赚取更大的盈利空间，很可能导致市场出现恶性竞争、增加交易成本，而过量新型产品和服务也会导致市场供给过剩、价格下降，两者都损害了金融机构的盈利能力，增加了金融市场的波动风险，最终影响对创新企业的资金支持力度，阻碍了科技创新水平的进一步提升。

二是存在进一步加剧地区差距的可能。金融业集聚化发展会带来地区间在金融业发展上的差距，有加剧地区经济发展差距的风险：由于经济因素对科技创新具有重要作用，也存在导致地区间科技创新差距进一步加大的风险，不利于科技创新的健康发展。

3.小结

本文认为，金融业集聚是一把“双刃剑”，既能从资金、信息和风险等层面促进科技创新，也可能在多个层面引致市场拥挤、增加交易成本、加剧差距等对科技创新产生抑制作用。在正负向影响的双重作用下，不同金融业集聚度的地区对科技创新的影响存在符号和程度上的差异。根据相关文献及初步分析，本文预计随着金融业集聚度的不断增加，金融资源作为一种正常商品会受到边际效用递减规律的影响，金融业集聚对科技创新的正向作用减弱，而产生的负向作用会由于拥挤程度增加而逐渐增强，当正向作用大于负向作用时，经验分析呈现促进关系；而当负向作用超越正向作用时，则在经验分析中呈现出了抑制关系。

三、京津冀科技创新与金融业集聚的现状分析

(一)京津冀科技创新的现状分析

专利数据作为科技创新的成果输出，是科技创新水平的直接体现。本文将使用专利申请量和专利授权量对比分析城市的科技创新水平。专利申请量⑤是指创新主体向知识产权局提出申请并被受理的专利数量，它反映了创新主体对自身创新绩效的主观评价，也反映了科技创新活动的活跃程度。专利授权量是指知识产权局依照有关标准在受理专利审核通过后的专利数量，由于经过政府部门的审查和认可，专利授权量对于科技创新水平的衡量更具客观性。

从图2专利申请量来看，2019年京津冀地区的专利申请量达42.34万件，相较于2011年的专利申请量11.25万件，年均增长率⑥为18.02%，发展势头良好。

图2 京津冀国内专利申请量占区域总量比重情况

具体来看，2011—2019年，北京的国内专利申请量占京津冀总量的50%以上，表明北京的创新成果输出始终保持城市群的领头羊地位。天津2019年的专利申请量占京津冀总量比重为22.7%，虽然比重不及北京，但是相较2011年的比重14.9%，增幅较为显著。河北省各个城市的专利申请量与北京、天津存在较大差距。2019年全省有四个城市的专利申请量在万件以上，分别为石家庄(2.3万)、保定(1.4万)、唐山(1.2万)和廊坊(1.1万)。其他城市的创新成果虽然在数量上处于低位水平，但是占城市群总量的比重呈增长趋势，这表明其年均增速均高于区域总体增速。

从表1专利授权量来看，2011—2019年，京津冀地区的专利授权量从6.54万件增长至24.73万件，年均增速为18.09%，与专利申请总量增速相当。

表1 京津冀2011—2019年各市专利授权量情况

分省市来看，2019年北京的专利授权量达13.17万件，占区域总量的比重为53%。天津专利授权量从2011年的1.34万件增长至2019年的5.78万件，年均增速达20.04%。河北省各城市中，石家庄、保定和唐山的专利授权量较为突出，2019年的专利授权量分别为1.38万件、0.81万件和0.71万件，这与专利申请量的排位保持一致。其它城市中，张家口和承德的专利授权量垫底，创新成果输出能力有待加强。

综合专利数据来看，京津冀地区的科技创新水平处于快速发展期，但是城市群内部存在明显不平衡现象。北京的专利水平明显领先，充分显示出了科技创新中心的实力。天津的专利数量逐年增长，科技创新发展势头良好。河北省各个城市的创新水平虽有快速提升，但是与北京、天津相比差距明显。

(二)京津冀金融业集聚的现状分析

在研究金融业集聚的文献中，学者多采用区位熵指数来衡量金融业集聚水平，但计算方式具有多样性。王仁祥和白旻[22]使用年末金融机构人民币存款余额来测度金融业集聚程度；李胜旗和邓细林[10]则使用年末金融机构各项存贷款余额总规模来计算；周南南和王修宇[23]还使用金融业增加值衡量金融业集聚区位熵指数。限于数据的可获得性，本文采用年末金融机构存贷款余额来计算金融业集聚区位熵指数，计算公式为：

公式中，FINj表示j地区金融业集聚区位熵指数，finj表示j地区金融机构存贷款余额总规模，pepj表示j地区常住人口，fin表示全域金融机构存贷款余额总规模，pep表示全域常住人口总数。在数值上，区位熵指数的值越高表示金融业集聚水平越高。当FINj>1时，认为j地区的产业发展优先于全域水平，集聚能力强；当FINj=1时，认为j地区的产业发展恰处于全域平均水平，未呈现明显的集聚效应；当FINj<1时，认为j地区的产业发展逊色于全域水平，集聚能力较弱。京津冀金融业集聚区位熵指数如表2所示。整体看，京津冀不同城市的金融业集聚水平存在着较大差异，金融业发展存在不平衡的现象。

表2 京津冀2011—2019年金融业集聚区位熵指数

北京作为城市群的核心城市，2011—2019年金融业集聚区位熵指数一直遥遥领先于天津和河北各地级市，说明其金融行业的发展存在明显的集聚效应。

天津的金融业集聚区位熵指数在2011—2019年均低于北京，但是各年数值都大于1，说明其金融业发展优先于京津冀区域平均水平。

河北省各城市的金融业集聚区位熵指数在2011—2019年均小于1，说明这些城市的金融业发展在区域中处于劣势，相较于北京、天津存在显著差距。在河北省内部，金融业集聚程度可以划分为三个梯队：第一梯队包括石家庄、秦皇岛和唐山，它们的金融业集聚程度大致相当且处于省内较高水平。石家庄是省会城市，在金融资源上相对更有优势；唐山是河北省的“工业中心”，其经济总量持续排名第一；秦皇岛是环渤海重要的港口城市，人均GDP居省内前列。这3个城市均具有良好的经济基础，为其金融业发展提供了条件。第二梯队包括廊坊和张家口，廊坊和张家口与北京相邻，天然的地理优势使它们有条件获取北京的优质资源，从而带动金融业迅速发展。第三梯队包括承德、邯郸、保定、衡水、沧州、邢台等城市。其中，承德和保定毗邻北京，但是并没有充分发挥这一区位优势，金融业集聚程度较弱。邯郸、衡水、邢台距离核心城市北京较远，金融业的发展较为落后，金融业并未呈现明显的集聚现象。沧州距离天津较近，但是由于天津本身金融优势并不突出，难以为沧州金融产业的发展提供较强助力。

从以上分析来看，北京、天津的金融业集聚水平较高，科技创新水平也较高，初步判断两者之间存在一定正向关系。而河北省内部，较高金融业集聚水平的城市并不一定拥有较高的科技创新水平。比如，唐山的金融业集聚程度不及石家庄，其科技创新成果输出也低于石家庄；而保定的金融业集聚程度较低，但是依然拥有较高的科技创新成果输出。秦皇岛的金融业集聚程度处于全省前列，但是科技创新成果输出却较低。张家口的金融业集聚程度居于省内中游水平，但是科技创新成果输出垫底。

四、金融业集聚影响京津冀科技创新的实证分析

(一)变量选取与数据来源

1.被解释变量

本文选用专利授权量来衡量京津冀各地的科技创新水平。

2.核心解释变量

本文进一步选取北京和天津各16个区、河北省11个地级市的相关数据，计算金融业集聚区位熵指数作为反映京津冀金融业集聚水平的指标。

3.控制变量

研发经费投入(RDE)。充足的研究发展经费投入是创新主体持续开展科技创新活动的基本条件，本文使用R&D内部经费支出来反映研发经费投入情况。

人力资本储备(HUM)。相关文献大多采用R&D人员全时当量、高校在校生数量等指标衡量科技创新的人力资本投入。但R&D人员等数据在北京和天津的区级层面存在缺失。而区域内的潜在人才储备密切关系着该区域是否能获取充足的人力资本；高等院校是一个城市优质人才的潜在来源，也是相关研究中常用的变量指标；因此本文采用每万人平均高校在校生数量作为反映人力资本储备的指标。

财政科技支出(GOV)。我国政府对于各类市场的发展具有重要的导向作用，因此地方政府对科技创新的支持力度也可能是影响当地科技创新水平的重要因素。因此本文将地方政府财政科技支出加入控制变量。

固定资产投资(INV)。固定资产投资水平是影响科学技术升级和创新的重要物质条件。在固定资产投资较高的区域，通常具有较为完善的技术配套设施，可以配合人才和资金投入更好发挥创新效能。本文使用非农户固定资产投资额来衡量固定资产投资水平。

对外开放水平(OPE)。潘文卿[14]认为，外商投资过程中会存在显著的技术外溢效应，从而提升当地科技创新水平。但范承泽等[15]认为，外商投资带来的技术引进会对东道国的科技研究与开发产生替代作用，最终抑制东道国科技创新。总之，区域的对外开放水平都可能对科技创新产生影响，本文采用实际利用外商投资额来衡量区域的对外开放水平，如表3所示。

表3 主要变量和测度方式

4.数据来源及说明

本文采用京津冀地区2011—2019年的相关数据。从全国视角来看，2011年是“十二五”规划的开局之年，我国的科技发展开始进入重要跃升期；2012年，党中央实施创新驱动发展战略，我国的科技创新发展进入快车道。从京津冀区域来看，2014年京津冀协同发展明确成为国家战略，2015年《京津冀协同发展规划纲要》正式出台，京津冀在各方面的交流互动愈发紧密，创新驱动发展也正成为区域未来合作的重点。由于2020年初爆发了新冠肺炎疫情，国内外经济社会发展遭受重大冲击，为了排除外生事件的影响，本文未加入2020年的数据。

在数据集的选择上，笔者搜集了北京、天津各16个区和河北省11个地级市的面板数据集进行分析，期望得到更具可信性的实证结果，如表4所示。

表4 数据集包含的区及地级市情况

在数据采集和处理方面，本文所需的区级和地级市数据摘自《北京区域统计年鉴》《天津科技统计年鉴》《河北经济年鉴》和河北省各地级市的统计年鉴；部分数据还参考了各区或市的《国民经济和社会发展统计公报》，及中经网统计数据库和Wind资讯金融终端。其中，本文的人口数据选用的是各区或市的年末常住人口数据；由于实际利用外商投资额的统计单位是美元，本文使用2011—2019年国家统计局公布的人民币兑换美元汇率中间价进行了换算；为了排除通货膨胀的影响，本文采用2011年为基期CPI指数对模型中的相关经济量数据进行了平减处理。

(二)面板数据回归分析

1.模型构建

本文构建的面板数据模型如下：

lnTECit=α0+γ1FINit+γ2lnRDEit+γ3lnHUMit+γ4lnGOVit+γ5lnINVit+γ6lnOPEit+εit

公式中，lnTECit为第t年区域i的科技创新水平，FINit表示第t年区域i的金融业集聚水平，控制变量包括研发投入经费(lnRDEit)、人力资本储备(lnHUMit)、财政科技支出(lnGOVit)、固定资产投资水平(lnINVit)、对外开放水平(lnOPEit)。α0为常数，γ1、γ2、γ3、γ4、γ5表示对应变量的系数，反映了各个变量对该区域科技创新水平的影响程度。εit表示区域i在不同时期t的随机扰动项。

考虑到模型中有可能存在无法观测的遗漏变量，本文将使用固定效应模型，同时控制个体和时间固定效应以初步解决内生性问题。另外，随着以信息技术为核心的“金融科技”不断发展，科技创新及成果的广泛应用带来了金融行业的技术变革，因此本文模型在一定程度上存在反向因果的可能。但回顾“金融科技”的发展历程可以看出：2013年以前，信息技术只是用于提升金融机构的办公和服务效率，并没有参与到金融业务本身环节；2013—2018年，互联网与金融的结合带来了新型的金融业务模式，但这只是传统金融渠道的变革和拓宽，并没有改变金融业的本质；2018年起，智慧金融逐渐成为可能，行业内开始尝试利用人工智能技术重构金融业务体系。考虑到本文的观测期为2011—2019年，这一阶段的互联网技术创新对金融业集聚并没有造成直接且重要的影响，同时文章使用的专利数据的统计范围为区域内规模以上工业企业，对互联网技术创新的测度是有限的。综上所述，本文认为模型中科技创新与金融业集聚之间的反向因果关系并不强烈，不会对实证结果产生较大影响。

2.回归结果分析

本文采用逐步加入控制变量的方式进行回归，以验证金融业集聚水平对科技创新影响的稳定性。回归结果如表5所示，核心解释变量的系数符号均为正，数值变动不大，且均在1%的显著性水平下通过了检验。

表5 基准回归结果

具体来看，核心解释变量金融业集聚水平的回归系数显著为正，说明京津冀金融业集聚对科技创新有积极作用，金融业集聚区位熵指数每提升1数值，代表科技创新水平的专利授权量则提高19.4%。

控制变量中，研发投入、财政科技支出、人力资本储备、固定资产投资的回归系数均为正，且通过了1%的显著性检验，对外开放水平的回归系数为正，但是不显著。其中，人力资本储备和固定资产投资对科技创新的影响力度最大(0.5左右)，其次是企业研发经费投入和政府财政科技支出(0.2左右)。这表明京津冀地区，创新资金的投入并不是创新主体面临的首要约束，人才的智力投入和科技配套的设施建设能够带动更多的创新成果输出。对外开放水平对京津冀科技创新的影响存在不确定性，可能是国外科技创新的正向溢出效应和对当地科技创新的替代效应同时发挥作用的结果。

(三)稳健性检验

1.加入新控制变量

为了进一步避免遗漏重要变量而引致内生性，本文参考了梁斌等[24]的稳健性检验方法，加入更多的控制变量，观察核心解释变量的回归系数是否会发生较大变动。本文将引入以下3个控制变量。

产业结构水平(IND)。首先，周叔莲等[25]认为产业结构调整对科技创新会产生促进作用，当某一产业处于快速发展阶段时，市场中的竞争压力加剧，各企业会加大研发力度、重组现有技术，最终实现科技创新水平的提高。其次，金融业集聚对产业结构的优化升级有显著促进作用。一方面，金融业集聚过程中存在的规模效应可以降低交易成本，提升资金配置效率，缓解产业结构升级的资金压力[26]；另一方面，区域内的金融业集聚使得金融机构之间实现信息共享，增加优质行业或企业的资金供给，加快生产要素的产业间转移，由此促进产业结构优化升级[27]。孙晶、李涵硕[19]和于斌斌[20]均通过实证研究检验了以上观点的国内适用性。因此本文将在模型中控制产业结构以考察金融业集聚对科技创新的净效应。参考相关文献，本文使用第三产业与第二产业产值之比衡量产业结构水平。

房价水平(BUD)。郭文伟和王文启[21]认为高房价会对科技创新产生影响。理论上看，房价会通过影响创新资金和人才流动间接作用于科技创新。一方面，房价上涨提升了企业拥有房产的价值，增加了抵押贷款额度，放松了企业的融资约束，对自主创新产生积极作用；另一方面，房产投资回报率走高会吸引金融行业部分资金流向房地产，企业自身也可能会减少研发投入，将资金投资于房地产市场以赚取高额收益，最终高房价的资金挤占效应将对创新产生抑制作用。同时，高房价提高了当地的生活成本，降低了城市生活幸福感，抑制了高素质人才的流入，也会对科技创新产生负面影响。并且，北京、天津与河北省各地级市的房价水平存在较大差距，购房压力差异可能会对科技创新水平产生显著影响，因此在模型中控制房价变量是有必要的。本文将使用年均房价水平⑦与可支配收入之比来控制房价水平。

城镇化水平(URB)。仇怡[18]认为城镇化水平的提升为科技创新带来了正外部性。一方面，城镇化带动了劳动力等各类生产要素向城市空间集聚，经济活动增多引致了更多的创新活动，加速了科技创新水平的提升；另一方面，城镇化会带动新技术和创新产品的传播和扩散，由此诱发的新型需求会进一步刺激当地的技术创新。另外，本文考虑到，研究所用数据集包含北京16个区和天津16个区，这些区有明显的城区和郊区之分，研究个体之间存在较强的城乡差异，城镇化水平可能会对科技创新造成显著影响，因此在模型中有必要引入城镇化因素。本文使用城镇常住人口占年末常住人口的百分数来衡量城镇化水平。

逐步加入产业结构、城镇化水平和房价水平的模型回归结果见表6中模型(6)—(8)。

表6 稳建性检验Ⅰ

首先，金融业集聚水平的回归系数依然为正，也通过了1%的显著性水平检验，说明京津冀金融业集聚对科技创新的正向效应是稳健的。系数数值从0.194降低至0.172，可能是因为剔除了金融业集聚通过产业结构对科技创新造成的影响。

其次，原有的5个控制变量的系数符号均稳定为正，显著性水平变动不大。其中，对外开放水平的系数依然不显著，说明京津冀地区对外开放水平未对科技创新产生显著影响；人力资本储备对科技创新的影响系数最大，为0.557；固定资产投资的影响系数次之，为0.354；财政科技支出和研发经费投入对科技创新的回归系数分别为0.198和0.187。回归结果依然显示，相较于企业与政府的资金性投入，人力资本和科技配套的设施建设对科技创新的促进效应更强。

最后，新加入的控制变量中，产业结构和城镇化水平对区域科技创新存在显著的正向作用；房价水平(BUD)的回归系数为负，但未通过显著性检验，说明高房价对京津冀科技创新抑制作用不明显。

2.替换指标和计量方法

为了进一步检验实证结果的可靠性，本文还将通过替换关键变量和更换计量模型的方式进行验证。

(1)替换被解释变量与核心解释变量。参考罗勇根等[28]的方法，本文将使用专利申请量替换专利授权量来衡量科技创新水平。考虑到专利申请量在一定程度上反映了当地的科技创新活跃度，而相较于存款，金融业主要通过提供金融贷款的方式支持科技创新活动，当地科技创新活跃度可能更多地受到金融贷款的影响。因此，本文将采用金融机构贷款余额重新计算区位熵指数，来衡量区域的金融业集聚水平。

回归结果如表7中实证模型(9)所示。金融业集聚水平的回归系数较为稳健，反映京津冀金融业集聚程度确实正向促进了科技创新水平的提升。控制变量中，对外开放水平在10%的显著性水平上抑制了区域科技创新水平的提升，说明国外创新成果对京津冀科技创新的替代作用要显著大于技术外溢效应。人力资本储备和城镇化率的系数符号未变，但是不再显著。其他控制变量的系数和显著性水平与模型(8)相近。

表7 稳健性检验Ⅱ

总体来看，替换指标后，模型的回归系数变动不大，证明本文的实证结论通过检验。

(2)更换动态GMM计量模型。考虑到行为惯性可能导致当前的科技创新水平取决于过去的水平[10-11]，本文在面板数据模型中引入科技创新水平的滞后项，构建动态面板模型，采用系统GMM方法研究金融业集聚对科技创新的影响。

表7中模型(10)表示对基准回归模型(5)的重新回归结果，模型(11)—(13)展示了逐步加入更多控制变量的重新回归结果。

被解释变量的一阶滞后项回归系数均显著为正，表明上一年的科技创新水平会对当前年度的科技创新水平产生促进作用。模型(10)—(12)中，核心解释变量的回归系数依然为正，说明京津冀金融业集聚对科技创新存在明显的促进作用；模型(13)控制了城镇化水平后，核心解释变量系数符号依然为正，但是显著程度降低。控制变量中，对外开放水平对京津冀科技创新存在显著负向影响；人力资本储备和产业结构对科技创新的影响不显著；其他控制变量对科技创新的影响与基准模型相比变动不大。

整体上看，更换系统GMM方法后，动态面板模型回归结果与前文实证结果具有较强一致性，也反映本文的研究结论较为稳健。

(四)异质性分析

由前文研究可知，京津冀金融业集聚显著地促进科技创新水平的提高。那么，对北京、天津和河北省分别进行回归是否会出现金融业集聚程度越高的地区促进作用越强的情况？本文分三个样本集回归的结果见表8。根据前文分析，本文发现使用固定效应模型可以较好地推断金融业集聚与科技创新的影响关系，因此本文依然选择固定效应模型进行研究。

表8 异质性分析

分别来看，北京、天津和河北的金融业集聚程度均正向作用于科技创新水平，其中北京和天津的影响系数都通过了10%的显著性水平检验，而河北的影响系数则不显著。三者的显著性与整体回归显著性(1%)相比有所降低，本文认为这可能与分样本后数据量明显变少，而模型控制变量较多有关。

从影响程度来看，金融业集聚对科技创新的促进效应存在明显的地区差异，金融业集聚对天津科技创新的影响要明显大于北京，并没有呈现出金融业集聚度越高，对科技创新的促进效应越强的现象。参照第二部分对传导机制的分析，本文认为，由于北京的金融业集聚度明显高于天津，金融行业集聚产生的拥挤效应更为突显，从而较强地抵消了金融业集聚对科技创新的正向作用，最终导致金融业集聚度高的北京反而对科技创新的促进效应低于天津。

具体来看，北京市的金融业集聚对科技创新的影响系数为0.100，意味着金融业集聚区位熵指数提升1单位，科技创新产出增加10%。控制变量中，研发经费投入、人力资本储备、固定资产投资和城镇化率显著促进了科技创新。其中，人才储备情况对北京科技创新的影响程度最大，弹性系数为0.448，这一结果意味着，北京未来要重视创新人才引入，打好“人才争夺战”才能实现科技创新中心的战略定位。研发经费投入和固定资产投资的回归系数仅次于人力资本，弹性系数分别为0.381和0.373，反映了充足的创新资金和成熟的科技配套在拉动北京科技创新水平方面效果显著。由于北京市16个区存在城区与郊区之分，城区的综合实力明显强于远郊区域，因此城镇化率对科技创新也存在显著正向影响。政府财政科技支出对北京科技创新的促进作用不显著，可能是因为北京市各类创新主体的自我创新意识较强，并且可以较为便捷地借助发达的金融市场获得研发资金，从而降低了对政府部门的依赖性。对外开放水平、产业结构和房价水平并未对北京科技创新水平产生显著影响。

天津市的金融业集聚对科技创新的影响系数为0.636，意味着金融业集聚度每提升1数值，代表创新成果的专利授权量就增加63.6%，金融业集聚对天津科技创新的促进效应十分明显。控制变量中，研发经费投入、固定资产投资和城镇化水平显著促进了天津市的科技创新。其中，固定资产投资对天津科技创新的弹性系数为0.822，影响力度最大，说明2011—2019年的科技配套设施建设极大推动了天津市科技创新实力的提升。研发资金投入也有力促进了天津科技创新水平的发展，回归系数为0.187。天津作为北方重要港口城市，对外开放水平较高，但是并没有呈现出显著的技术溢出效应。人力资本储备对科技创新的影响系数为正，但是未通过显著性检验。与北京类似，其政府财政科技支出、产业结构和房价水平对科技创新的作用不明显。

河北省金融业集聚对科技创新的回归系数较小，仅为0.064，且未通过显著性检验。这可能是由于河北省的金融业发展水平较低，区位熵指数均小于1，并没有呈现明显的金融业集聚效应，因此集聚效应对科技创新的正向和负向的影响程度都较低，最终在实证上表现为弱正向且不显著的结果。控制变量中，人力资本储备、财政科技支出、对外开放水平和城镇化率均在1%的显著性水平上提升了河北省的科技创新实力。其中，人力资本对科技创新的影响系数为0.491，充分证明人才对河北省的创新发展至关重要。对外开放水平的回归系数为0.358，说明河北省科技创新水平的提升很大程度上受到国外投资的技术溢出效应影响。政府财政支持显著地促进了科技创新，而企业研发经费投入对科技创新的影响并不显著，这说明河北省内各类创新主体在市场上获取研发资金的途径仍存在困难，较为依赖政府的资金支持。城镇化水平对河北省科技创新的影响系数为0.110。固定资产投资、产业结构和房价水平对河北省科技创新未产生显著影响。

五、结论及政策启示

(一)研究结论

1.京津冀金融业集聚对科技创新有显著促进作用。基准回归中，金融业集聚对科技创新的影响系数为0.194，在剔除金融业集聚通过促进产业结构升级而影响科技创新后，金融业集聚对科技创新的净影响系数稳定在0.172，意味着京津冀金融业集聚区位熵指数每提升1数值，代表科技创新水平的专利授权量提升17.2%。

2.控制变量中，人力资本储备对京津冀科技创新有显著正向作用，影响系数为0.557；固定资产投资的影响系数次之，为0.354；财政科技支出和研发经费投入对科技创新的影响系数分为0.198和0.187。这表明，京津冀地区科技创新的资金投入并不是创新主体面临的首要约束因素，人才智力投入和科技配套设施对科技创新的意义更大。产业结构升级和城镇化水平对京津冀地区科技创新水平存在积极作用，回归系数分别为0.013和2.502。尽管京津冀地区房价水平较高、差异较大，但是对科技创新的抑制作用不显著。

3.地区异质性方面，京津冀金融业集聚对科技创新的促进效应存在明显区域差异。北京、天津和河北三地的金融业集聚均正向作用于科技创新水平，但河北的促进作用不显著。北京和天津的影响系数分别为0.100和0.636，尽管北京的金融业集聚程度远高于天津，但是受到较强的拥挤效应影响，北京金融业集聚对科技创新的促进效应要明显弱于天津。

4.对北京而言，人力资本储备、研发经费投入、固定资产投资和城镇化率显著促进了科技创新。其中，人力资本储备的影响程度最大，弹性系数为0.448，研发经费投入和固定资产投资的回归系数次之，弹性系数分别为0.381和0.373，城镇化水平的影响系数为0.146。这表明，人才对于北京科技创新的提升十分关键，研发资金和科技配套对提升北京科技创新水平有重要作用。城镇化水平的提升对北京科技创新也存在促进作用。

5.对天津而言，固定资产投资、城镇化水平和研发经费投入显著提升了科技创新水平。其中，固定资产投资对天津科技创新的影响系数为0.822，说明科技配套设施建设明显推动了天津科技创新实力的提升。研发经费投入的回归系数为0.187，对科技创新的影响程度小于固定资产投资。相较于北京，城镇化水平对天津科技创新的影响效应较弱。

6.对河北而言，人力资本储备、财政科技支出、对外开放水平和城镇化率显著促进了科技创新。其中，人力资本储备的影响系数为0.491，证明人才对河北省的科技创新十分重要。对外开放水平的影响系数为0.358，说明河北省的科技创新水平会受到国外投资的技术溢出效应影响。城镇化水平对河北省科技创新的影响系数为0.110。政府财政科技支出的影响系数为0.194，而企业研发经费投入对科技创新的影响不显著，这说明河北省内各类创新主体的资金投入不足，较为依赖政府的财政支持。