数字普惠金融对创新要素配置效率的影响研究

李 平

（黄河交通学院，河南 武陟 454950）

一、引言

创新要素配置作为提升全要素生产率的根本途径，对经济高质量发展具有重要推动作用[1]。对此，国家提出要持续提高市场、资金、人才等创新要素配置效率，助力高新技术产业实现转型升级。2021年3月，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中提出，打造数字经济新优势，提升重点领域人才、资金、基地一体化配置效率。二十大报告进一步指出，“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势”。基于此目标，坚持创新发展理念，提升创新要素配置效率成为促进经济高质量发展的必经之路。深入来看，创新要素配置效率不仅可以为优化要素市场提供可量化的标准，还能为国家政策调整与干预提供专业指导。因此，处理好经济与要素市场协调发展问题已成为当前亟待突破的核心难点。

数字普惠金融是数字技术与普惠金融的高效结合，近些年发展势头迅猛[2]。依托区块链、物联网、人工智能等高新技术发展，许多地区开始将数字普惠金融作为金融供给侧结构性改革的重要着力点和经济增长驱动力。具体而言，数据要素通常以虚拟形式存在，在创新要素配置与流动过程中具有低成本、低能耗的优势特性，能够助力数字普惠金融纵深发展。因而，数据要素资源在参与金融活动的过程中打破了传统高成本、高耗能的发展模式，有效体现了绿色化、创新化的发展理念，与创新要素配置中利用数字技术创造更多经济效益、利用更少成本创造更大资本产出的发展目标不谋而合。发展数字普惠金融是促进数字经济健康发展、缓减市场金融风险、提高创新要素配置效率的有效措施。因此，文章从创新要素配置效率和数字普惠金融内在联系的视角出发，以实证方式检验数字普惠金融对创新要素配置效率提升的影响作用，对提升中国国际竞争力、实现高质量发展具有现实意义。

二、文献综述

目前，学术界主要从产业结构、资本、企业等方面对创新要素配置效率展开分析。产业结构层面，韩军、孔令丞(2020)认为创新要素快速流动是优化配置效率的关键所在，也是产业结构调整的内在动力，即产业结构合理化调整会促进创新要素配置效率提升[3]。资本层面，Lin Bo Si&Wei Dong Meng(2017)利用复合系统协同作用模型实证分析京津冀装备制造业创新要素配置效率，结果显示天津装备制造业创新要素协同配置效率最高，在装备制造业创新资本投资层面，京津冀地区发展趋势一致[4]。李晓峰、卢紫薇(2020)基于超越对数生态函数，对珠三角地区创新要素配置效率进行测算与分析，结果显示，研究期内珠三角地区创新要素配置效率提升主要依赖于资本投入驱动，而劳动投入驱动作用并不显著[5]。王欣亮、兰宇杰(2020)将创新要素分为创新资本与人才两个维度，使用空间动态面板模型进行系统测算，结果显示强化军民融合可以通过优化区域内部创新资本与人才配置现状，提升创新要素配置效率[6]。企业层面，Ratna Meisa Dai(2020)采用描述性调查和多元线性回归进行定量分析，结果发现与创新战略、客户关系和创新要素配置效率相比，创新文化对企业要素配置效率影响最为显著[7]。曲玥(2020)基于“企业-员工”匹配调查数据，对企业综合创新要素配置效率进行具体测算，结果表明不同产业间创新要素配置效率发展水平具有差异性特征。劳动密集型企业内部劳动投入、员工受教育程度等生产要素的配置效率均有显著提升[8]。李犟、吴和成(2020)基于中国28个省份工业企业面板数据，运用非导向ERM模型测度工业企业创新要素配置效率，结果表明中国工业企业创新要素资源配置效率整体不佳，且区域内部配置效率分布差异显著[9]。

近年来，伴随数字经济的高速发展，数字普惠金融发展势头日益迅猛。2016年，在G20杭州峰会上通过《G20数字普惠金融高级原则》，标志着传统普惠金融开始逐步向数字普惠金融转变。此背景下，针对数字普惠金融的研究，专家学者也展开了众多讨论。理论层面而言，冯兴元、孙同全(2021)基于数字普惠金融发展内涵，从服务广度、深度与质量三个维度出发，认为各地区间数字普惠金融发展存在较大差异，且服务广度与深度提升较大，服务质量相对不足[10]。关佳(2022)研究认为数字普惠金融的核心动力是“数字维度”的金融科技。金融科技的革新工具价值，可以有效数字普惠金融精准扶贫发展目标[11]。蒋瑞琛、瞿艳平(2022)系统阐释了现阶段农村数字普惠金融尚处于初步发展阶段，在供需层面、载体层面与发展层面均存在短板。农村数字普惠金融高质量发展需要通过优化供需结构、完善载体渠道、挖掘发展潜能等方式实现[12]。实证层面，Qinghan Zeng(2022)采用面板模型和中介效应模型实证分析数字普惠金融对劳动收入份额的影响，研究发现数字普惠金融对规范劳动收入具有显著影响且具有地区异质性特征[13]。张珍花、杨朝晖(2022)基于政府参与视角，运用系统GMM方法，探究数字普惠金融对经济高质量发展的影响。研究认为数字普惠金融、政府参与渠道与经济高质量发展之间呈倒“U”型非线性影响关系[14]。

囿于数字普惠金融应用实践时间尚短，有关数字普惠金融与创新要素配置效率的实证研究相对偏少，且普遍聚焦于单一主体视角进行具体研究。就数字普惠金融视角而言，数字普惠金融可以促进企业创新[15]、优化绿色全要素生产率[16]、驱动创业活跃度[17]。就创新要素配置效率视角而言，创新绩效发展[18]、企业研发决策能力[19]、配置结构优化[20]、科技资源[21]可助力创新要素配置效率显著提升。已有研究结论为本研究提供了一定理论基础，但现时学术界并未将数字普惠金融与创新要素配置效率纳入同一框架展开系统研究。因此，在此基础上可进行一定补充与拓展。与现有研究文献相比，文章主要在以下几方面有所贡献：一是基于已有研究，将创新要素配置效率分为创新投入与创新产出两方面，并运用AHP法衡量创新要素配置效率，摆脱以往创新要素配置效率作为整体虚拟数值变量的研究桎梏。二是按照北京大学数字金融研究中心公布的数据将数字普惠金融指数当作衡量其发展水平的代理变量，并对其进行标准化处理，使研究更加全面化、具体化。根植于此，以2010—2020年中国29个省份面板数据为基础，借助双向固定效应模型实证考察数字普惠金融对创新要素配置效率的影响，以期为释放数字普惠金融发展潜力，提升创新要素配置效率，优化金融服务环境，实现数字经济高质量发展目标提供现实解释和启示作用。

三、模型构建与变量选择

1.模型设定

数字普惠金融对创新要素配置效率产生影响的同时还需考虑地区经济发展水平、数字基础设施、产业结构、数字技术等因素的影响，以及政府在优化数字普惠金融中的适当调控作用，因此设定如下模型：

式中，β0表示数据截距项数，βi(i=1，2，…，9)分别表示解释变量相对应的具体系数参数数值，λi表示不因个体改变而出现变化的时间效应，μi表示不伴随时间变化的个体效应数值，εit表示公式随机扰动项。在模型构建过程中发现数字普惠金融影响因素对创新要素配置效率具有非线性影响，因此在构建相关模型过程中加入数字普惠金融的二次项、产业结构的二次项，以此充分研究数字普惠金融对创新要素配置效率影响因素。

2.变量选择

（1）被解释变量：创新要素配置效率(MIF)

目前，学术界对于创新要素配置效率的测量，尚未形成专业统一标准。对此，文章通过梳理已有文献，借鉴陈阳等(2020)及陶长琪、徐茉(2021)构建的创新要素配置效率指标体系的研究思路[22，23]，并结合数据准确性、可获得性特征，运用AHP方法将创新要素配置效率整体分为创新投入与创新产出两部分进行具体研究。在创新投入层面，主要从创新劳动投入与创新资本投入两维度出发，以R&D活动人员全时当量衡量实际创新劳动投入数值。该数值表示研究期内R&D活动人员工作总量与非全时活动人员依据实际工作时间折算出的工作量总和。因为无论是基础学术研究还是未来科技研究，均离不开大量R&D经费投入作为研究基础保障。文章以R&D经费内部支出衡量开展创新科技研发活动的实际资本投资水平。由于R&D经费支出在一定程度上会对当期及之后的创新科研活动产生深刻影响，若以R&D经费支出直接作为创新资本投入的衡量指标，则会致使回归结果出现偏差，难以准确、系统反映地区科研创新的发展现状。基于上述考虑以及依据科研创新活动连续性特征，利用研发投入存量（永续盘存法）对创新资本投入进行存量测算，具体计算公式如下：

式中，σ表示R&D投入资产折旧率，At表示第t期的不变价格R&D投资资产数量。

创新产出层面，综合现有研究发现，常见衡量创新产出指标包括新产品开发项目数量、技术市场成交总额、专利申请授权量、科技论文发表总数等内容。综合以上指标，考虑到部分地区新项目尚未开发，以及大多科技论文实际并未准确应用与实际生产中，选取专利申请授权量与技术市场成交总额作为衡量区域创新产出活动的直接知识产出指标与间接经济产出指标。

（2）核心解释变量：数字普惠金融(AEOS)

文章根据北京大学数字金融研究中心所公布数据进行系统编制的地级层面数字普惠金融指数作为其发展水平的代理变量。同时，为缓减数字普惠金融指标数据出现趋势波动现象，在模型研究中需对其进行系统处理。

第一步，数据处理。由于设计研究指标种类繁多，不同计量单位之间无法进行快速统一比较。为提高研究效率，采用如下公式对研究指标进行系统化无量纲处理，以此消除研究指标优于计量单位不同而对回归结果产生偏差的影响，公式如下：

式中，Xij代表各指标消除计量单位差异后的标准数值，X代表原始数值，Xmax、Xmin则分别代表研究指标的最大数值与最小数值。

第二步，确定指标权重。文章选择对各项研究指标的权重进行均衡分配。由于在对指标进行研究过程中存在一定主观因素，因此对其进行平均赋权一定程度上能有效缓解主观因素带来的误差影响，且在数字普惠金融发展进程中，各项研究指标在同一领域对数字普惠金融发展均产生重要影响，所以认为各项指标在研究期内同等重要。

第三步，指标测度分析。基于各项研究指标的标准数值Xij与指标权重，创建以下公式测算数字普惠金融发展评价数值。

式中，DFE表示数字普惠金融发展评价数值，Xij为各指标消除计量单位差异后的标准数值，Wij代表各研究指标权重数值。

3.控制变量

为减缓遗漏变量为研究带来的内生性问题，参考有关创新要素配置效率的研究文献，文章选取以下控制变量进行研究：政府干预程度(Gov)、市场化水平(Mar)、数字基础设施(Base)、经济发展水平(Pgdp)、外商直接投资(Fdi)、城镇化发展水平(Fin)、产业结构(Ind)。综上所述，文章的相关研究变量定义如表1所示。

表1 定义变量介绍

4.数据来源及说明

有鉴于研究数据准确性、可得性原则，剔除西藏、宁夏、港澳台地区的相关数据。文章选取2010—2020年中国29个省份的面板数据分析数字普惠金融对创新要素配置效率的影响作用。个别省份部分年份出现数据丢失现象，采用插值法补全丢失数据，即取前一年与后一年的平均数值补齐当年数据。上述研究数据均来自于历年《中国统计年鉴》《中国金融统计年鉴》《中国科技统计年鉴》以及国家统计局网站、中国经济与社会发展统计数据库和各省份历年统计年鉴。

四、实证结果与相关检验

1.估计结果分析

运用OLS对面板数据模型进行系统估算时，需要确定在研究中选用随机效应模型还是固定效应模型。表2检验结果显示，P值均小于0.01，表明拒绝选用随机效应的原始假设，故本研究采用固定效应面板模型进行估计。之后，在固定效应面板模型中加入年度虚拟变量进一步探究是否存在个体时间效应。表3为充分考虑个体时间效应后，对所有年度虚拟研究变量的显著性联合系统检验结果。结果表明，P值仍旧小于0.01，故充分拒绝“无时间效应”的原始假设内容，认为固定效应面板模型存在显著时间效应。综合而言，文章选择双向固定效应模型，且具体使用指标聚类稳健的标准误方法，以充分消除异方差问题对双向固定效应模型产生的偏差影响。

表2 Hausman检验分析

表3 年度虚拟变量显著性联合检验

基于上述研究基础，为更好对比不同模型的测算效果，文章进一步利用固定效应模型(FE-robust)、双向固定效应模型(FE-TW-DED)、混合回归模型(OLS)对数据指标进行深入分析，旨在探析数字普惠金融对创新要素配置效率的影响作用（见表4）。

表4 不同类型面板模型回归结果

由表4中模型(2)的估算结果可知：总体而言，双向固定模型效应的面板模型回归结果拟合系数值R-sq为0.942，充分说明研究变量整体拟合效果较好，P值均小于0.01，表明双向固定模型的显著性联合普遍在1%水平显著，且各研究变量大多在1%水平上显著。

核心解释变量数字普惠金融发展指标(AEOS)的二次项系数在三种模型中均为正，且P值小于0.01，均在1%水平上显著。在模型设定测算中，进一步发现数字普惠金融发展与创新要素配置效率存在较为明显的非线性关系。回归结果显示创新要素配置效率指标与数字普惠金融发展指标的平方呈显著正向关系，且创新要素配置效率随着数字普惠金融发展呈指数变化态势。同时，数字普惠金融发展对创新要素配置效率具有显著促进作用。伴随数字普惠金融的高速发展，可以切实赋能技术、人才、市场、资金、产业等要素创新发展，充分释放创新要素配置潜能，减少资本能源消耗，从而提升创新要素配置效率，不断释放创新要素配置潜能。

控制变量中，政府干预程度指标(Gov)的回归结果系数为负，P值小于0.01，在1%水平上显著为负。这充分表明政府干预程度与创新要素配置效率呈反向变动态势。政府在干预创新要素配置效率过程中，由于受到市场、资金、人才等多方外部环境要素限制，可能存在一定局限性。

市场化水平研究指标(Mar)系数为正，P值小于0.01，且在1%水平上显著为正。这说明随着市场化发展水平的日益提升，不断畅通要素流通渠道，保障不同市场主体平等获取创新要素资源，从而推动要素配置实现效益最大化和效率最优化。

数字基础设施(Base)系数为正，P值小于0.01，在5%水平上显著为正。这说明数字基础设施建设水平的不断提高可以有效促进创新要素配置效率提升。数字基础设施建设水平提高可以通过完善信息网络基础设施及全国一体化大数据中心体系，逐步形成云网结合、智能快捷、绿色低碳、安全可控的综合智能型数字信息技术设施。在此背景下，需要不断提升数据中心跨网络交流能力，进而为创新要素配置市场提供坚实有力的外部支撑。

经济发展水平(Pgdp)系数均为正，P值小于0.01，在1%水平上显著为正。说明伴随经济社会发展水平的提高，促使创新要素在不同市场主体间的存量配置趋于优化，减少要素无效使用频率，提高要素配置质量，进而使市场向数字化、高配化转型升级，并依托创新驱动创新要素配置高效化发展。

外商直接投资(Fdi)回归结果系数虽为正，但P值却大于0.1。可以知悉，外商直接投资对创新要素配置效率的影响并不显著。细究其因，虽然外商直接投资能够有效促进国家GDP增长、增强技术创新的溢出效应，但现阶段大多外商投资的领域仅限于制造业与高科技产业的整体发展方向，对于内部创新要素配置的关注并不显著。

云游三年，红腰带在风影的眼前晃动了三年。他的脑海里有各种各样的猜想，红琴到底有没有去那片林子里，那根红腰带是否还挂在树枝上，风吹雨打，会不会烂断。那根红色的带子上打有一个结，之后一直没有打结，可他的心中早已经打了七七四十九个结，其实何止这几个，恐怕是心有千千结了。想来，红琴又何尝不是如此，恐怕她比他更甚。这些年来，如果她去林子里找他，或者直接去寺院里找他，见不到他又会怎么样，他不敢往下想。

城镇化发展水平(Fin)结果系数为正，P值小于0.05，在5%水平上显著。这表明随着城镇化发展水平的不断提升，其随着创新要素配置效率正向变动，呈现显著正相关。具体而言，新型城镇化快速形成，进一步推进产业升级、服务提升、要素集聚，增强了各要素向心发展合力。同时，能稳步促进新型都市区经济转型，联动推进城区一体化发展，协同推动地区经济板块差异化发展，从而可以打造创新要素高效配置的产城融合发展廊道。

产业结构(Ind)回归结果系数为正，P值小于0.05，在5%水平上显著。在上述模型测算过程中，研究发现产业结构指标与创新要素配置效率存在显著非线性影响关系。创新要素配置效率随着产业结构指标的变化呈现出较为明显的指数增长趋势，故在模型测算中加入产业结构二次项进行系统研究。这说明随着第三产业比重不断扩大，促使产业间协调发展、资源配置逐步系统化，对促进创新要素配置效率具有显著影响。

2.稳健性检验分析

（1）替换变量法

为验证上述结论的准确性与可靠性，避免实证研究结果由于选择特定变量进行研究而出现的偶然现象问题，文章在结合相关文件以及借鉴相关学者研究结论基础上，选取信息技术等高科技信息载体(JS)、数字普惠金融产品(CP)、金融服务体系(FW)、金融生态体系(ST)代替核心解释变量数字普惠金融发展评价值(AEOS)，成为数字普惠金融发展指标的代替变量，并对其进行稳健性检验分析。由表5稳健性检验结果可知，代替变量和核心解释变量虽然在整体参数测算数值上略有较小差异，但指标参数测算的数值正负号并无改变，且大多均呈现显著发展水平。同时，模型的数值拟合优度也趋于相似。据此，认为研究具有较强稳健性，并且研究结论具有一定可靠性与准确性。

表5 替换变量法稳健性检验结果

（2）样本取值范围法

依据国家统计局划分标准，文章将研究样本取值范围由全国整体范围转变为以东部、中部、西部与东北地区分别取值进行稳健性检验分析。具体估算结果如表6所示。

表6 样本取值范围法稳健性检验结果

3.内生性问题分析

通过借鉴众多学者研究结论[24，25]，文章利用工具变量方法，选取核心解释变量数字普惠金融发展指标的滞后两期作为工具研究变量，运用两阶段最小二乘回归法(TSLS)对测算模型进行检验分析。在工具研究变量的选择过程中，鉴于选用解释变量数字普惠金融发展指标的滞后一期作为工具测算变量，故工具测算变量与被解释变量之间具有显著相关性，因此不存在出现弱测算工具变量的研究情况，充分满足研究变量相关性约束条件。除此之外，选用数字普惠金融的滞后期作为工具测算变量，当期的随机扰动项因素无法对数字普惠金融发展指标滞后期研究结果产生影响，故也充分满足研究变量外生性的约束条件。从表7回归结果可知，运用数字普惠金融发展指标的滞后期作为工具测算变量对内生性问题加以重点控制后，回归结果显示数字普惠金融发展指标仍在1%水平上显著为正，且测算数值系数的正负号与显著性水平均无任何改变。据此，在对可能出现内生性问题的环节进行重点控制之后，数字普惠金融发展对创新要素配置效率具有显著促进作用，这充分说明本研究结果具有较强稳健性特征。

表7 内生性检验结果

五、结论与建议

1.研究结论

文章选取2010—2020年间中国29个省份的面板数据，深入探究中国数字普惠金融发展对创新要素配置效率的影响因素，得出如下结论：

一是数字普惠金融发展是推动创新要素配置效率提升的重要影响因素，在促进创新要素配置效率发展过程中具有显著作用。此结果在通过变换核心变量、改变研究样本区间和引入工具研究变量等相关检验之后依旧成立。二是中国数字普惠金融对创新要素配置效率的影响作用存在显著区域异质性特征。数字普惠金融对创新要素配置效率的影响在东部地区最大，中部地区次之，西部与东北地区最不显著。三是根据控制变量的结果分析可知，政府干预程度对创新要素配置效率的提升显著为负，出现显著抑制作用。市场化水平对创新要素配置效率存在显著正向促进作用。市场化水平提升有利于畅通要素流通渠道，优化市场创新要素集聚能力。数字基础设施对创新要素配置效率呈现显著正向作用。数字基础设施建设是提升创新要素配置效率的重要基础，为其优化发展提供托底作用。经济发展水平提升对创新要素配置效率呈显著促进作用。外商直接投资对创新要素配置效率提升具有促进作用但效果不明显。外商直接投资通常选择创新要素配置效率相对较高地区。因此其溢出效应在发达地区并不明显。

2.建议

基于上述研究结论，文章提出如下几点发展建议：

第一，打造产业金融基础服务平台。加快数字产业化，重点打造以区块链、人工智能等高新技术为核心的产业金融基础服务平台，并结合要素市场发展需求逐步完善数字普惠金融基础设施，优化数字金融发展环境，建构自下而上的数字普惠金融市场均等化体系。同时，大力发展高新技术产业，打造“金融+产业+生态”新型产业发展模式，加快金融性基础产业发展，充分发挥数字普惠金融在创新要素领域的联结作用，通过数字普惠金融促进创新要素配置效率的提升。

第二，构建高效金融审慎监管机制。数字普惠金融在创新要素金融监管与风险管控方面均提出更高要求。防范创新要素市场金融风险是数字普惠金融发展的基本底线。据此，国家需深刻认识传统创新要素金融市场风险专项治理经验与教训，构建智能化、高效化金融审慎监管机制。同时，重点关注数字普惠金融与创新要素市场联动创新能力，促进金融监管机制即时调整升级。此外，国家也需建立动态化审慎监管体系，对创新要素市场实行穿透式风险防控，全方位破解数字普惠金融服务中的风控难点，进一步提升对创新要素市场的容忍度，允许出现适当的数字金融监管弹性。

第三，完善差异化金融服务体系。各地政府要实时关注数字普惠金融与创新要素配置效率之间的流通服务效应，根据数字普惠金融不同发展阶段，采取相应举措合理配置创新要素资源，以此提升区域创新要素配置效率。同时，中小微企业提高自身数字化水平建设也是拓宽数字普惠金融发展渠道的重要因素之一。据此，国家需要积极引导中小微企业实现全流程数字化转型升级，提高中小微企业智能化数据采集效率，从而建立内部数字普惠金融服务生态数据系统。此外，应立足中小微企业发展现状，设立差异化专项投资补贴基金机制。通过差异化补贴机制降低创新要素市场交易成本，不断激发地区创新要素配置活力。