数字金融对长三角区域经济高质量发展的影响——基于空间杜宾模型的实证分析

吴楠楠 刘桁亦 徐心怡

一、引言

改革开放四十多年来，中国经济经历了持续的高速增长，已经成为全球第二大经济体。然而，多年来粗犷式的高速经济增长也导致出现如资源配置效率低、环境污染严重、收入差距拉大等一系列问题。在此背景下，党的十九大报告中首次指出，我国经济已由高速增长转向高质量发展阶段，党的二十大更是进一步强调了高质量发展的重要性：“高质量发展是全面建设社会主义现代化国家的首要任务”。由此可见，高质量发展已成为我国未来经济社会发展的重要战略方向。

随着我国经济步入新常态，如何推动经济高质量发展已成为社会各界重点关注的问题。金融作为现代经济运行的核心，在提升经济增长质量的过程中具有至关重要的作用。由中国人民银行印发《金融科技发展规划（2022-2025 年）》中指出要高质量推进金融数字化转型，健全适应数字经济发展的现代金融体系。数字金融作为数字经济的核心部分，将传统金融与数字科技紧密结合，打破了传统金融资源的时空限制，极大拓展了传统金融行业的服务深度与覆盖广度，降低了金融资源的错配程度，具有创新性、便捷性和普惠性等特征，被认为是促进我国经济高质量增长的重要驱动[1]。长三角区域是我国改革开放发展的先行区，它占据着全国1/26 的地理面积，却创造了全国近1/4 的经济总量，是我国经济发展最具有活力的区域之一。其汇聚着技术、人才、资本等众多创新要素，对我国的经济高质量发展具有重要作用。长三角也是我国数字经济发展最快的区域之一，根据《长三角数字经济发展报告（2021）》，2020 年长三角数字经济规模占区域生产总值比重约为44%，占全国数字经济规模总量约为28%。因此，研究对长三角区域数字金融对经济高质量发展的影响效应与作用机制将更有利于理解和解释中国其他城市的发展路径，也为其他区域的发展提供优质的经典案例。由于数字金融打破了传统金融的地理位置限制，实现区域间金融资源共享，因此其对经济高质量发展的影响不仅仅局限于内部，还可能通过空间溢出效应影响邻近地区，所以有必要将空间因素纳入分析框架中。那么，长三角区域数字金融是否能促进经济的高质量发展？数字金融是否对邻近城市具有空间溢出效应？是否存在时间上的差异？作用机制又是如何？这些问题值得深入探讨与研究。

二、文献综述

随着金融数字化时代的到来，数字金融与经济高质量发展之间的关系逐渐成为学者研究的焦点。学者们就数字金融对经济高质量发展的影响持有不同的观点，其主要包括促进论与抑制论两种。具体而言，Aduda 和Kalunda[2]认为，数字金融显著改善了传统金融弱势群体对于金融服务的可得性和便利性，对经济增长有显著正向作用。Anand 和Chhikara 等[3]的研究表明数字金融水平的提高能够减少贫困，消除区域失衡，实现经济的可持续、包容性增长。宇超逸等[4]通过2SLS 和系统GMM 等估计方法进行研究，结果发现数字金融能够帮助完善融资渠道推动城乡协调发展，改善资本错配有效提升资本配置效率，提高经济增长质量。腾磊和马德功[5]通过构建差分GMM和系统GMM模型也得到了数字金融促进经济高质量发展的结论，并发现数字金融可以通过缓解企业融资约束推动实现经济高质量发展。蒋长流和江成涛[6]则利用门槛回归模型分析认为数字普惠金融对经济高质量发展的驱动作用存在一定的网络技术门槛，其经济效应在跨越门槛值后才能得到更显著的发挥。薛秋童和封思贤[7]发现数字普惠金融对经济高质量发展有显著促进作用，但在中国的中、东、西部地区存在明显差异，并且居民消费充当中介变量显著促进了经济高质量发展。大多数学者肯定了数字金融对经济高质量发展的促进作用，但有一些学者持有不同的观点。张庆君和黄玲[8]认为对于传统金融体系建设相对完善的地区，数字金融虽然能弥补传统金融的发展盲区，但尚存在风险与监管的问题，数字金融发展能显著提高经济发展速度，但对经济发展质量呈现抑制作用。

除此之外，也有些许学者从空间关联性角度分析数字金融对经济高质量发展的影响效应。上官绪明和葛斌华[9]通过对287 个地级市构造空间杜宾模型进行研究，发现数字金融对城市经济高质量发展具有显著的促进效应，并且数字金融具有正向空间溢出效应。程云洁和段鑫[10]通过引入经济高质量发展的空间溢出效应后发现，区域间的协同效应会提高城市数字金融对经济高质量发展的正向作用。

综上所述，现有研究在数字金融与经济高质量发展相关方面取得了丰硕成果，为本文的研究提供了重要的理论和实证依据，但也还存在不足：一是现有文献使用传统面板模型来估计数字金融与经济高质量发展的研究居多，从而忽视了数字金融发展的空间溢出效应。二是多数文献以研究全国城市为主，鲜有立足于区域一体化角度讨论二者关联。本文的贡献在于：第一，从空间关联性角度出发研究长三角区域数字金融与经济高质量发展之间的关系。第二，通过构建递归模型实证研究数字金融推动技术创新实现经济高质量发展的中介传导机制。第三，运用动态空间杜宾模型缓解内生性问题，并从时间维度分析区域数字金融对经济高质量发展空间溢出效应。

三、机理分析与研究假设

经济高质量发展是能够更好满足人民日益增长的美好生活需要的发展，金碚[11]认为“创新、协调、绿色、开放、共享”的新发展理念是经济高质量发展的主要内涵。数字金融作为金融产品和数字技术相互融合的一种新型金融形态，能够以更低的资金成本、更便捷的服务方式为经济主体提供金融服务，在推动经济高质量发展中发挥着举足轻重的作用。首先，数字金融可以利用数字科技手段破除“数据壁垒”，为实体企业的基础研究、科技研发等活动提供相匹配的融资支持[12]，以实现创新发展理念。其次，数字金融能够缩小城乡收入差距，促进资金的公平分配和经济的包容性增长[13]，有助于区域的协调发展。再次，数字金融可以利用大数据、区块链等技术帮助企业向资源消耗低、环境污染少、投入产出高的技术领域突破[14]，进而实现经济绿色发展。从此，数字金融依靠数字技术形成的移动支付手段为对外贸易过程中的支付结算业务提供了极大的便利，促进了对外开放水平[15]。最后，数字金融能够缩小区域间的“数字鸿沟”，为原本受到金融排斥的弱势群体如城镇低收入者、农民以及小微企业等提供有效金融服务[16]，有助于推动共享发展。由此，数字金融的发展有助于推动区域创新、协调、绿色、开放、共享发展，进而实现经济高质量发展的目标。基于以上分析，提出H1：

H1：数字金融对区域经济高质量发展具有显著促进作用。

在区域经济一体化发展的背景下，数字金融的规模效应和范围效应会进一步对城市经济高质量发展产生空间影响。数字金融可以促进城市间的协同合作和交流，通过在线平台和数字化工具共享金融信息、经验，使资源、技术、资本等生产要素的跨时空整合，进一步提高本地区和周边地区的经济高质量发展水平，形成区域发展优势。基于此，提出H2：

H2：数字金融对经济高质量发展存在空间溢出效应。

技术创新是一个国家和地区经济高质量发展的重要驱动因素，数字金融作为生产活动的关键要素，能够促进金融、科技、产业的良性循环发展。一方面，数字金融在降低创新融资成本、提高创新融资效率方面具有独特优势，可以通过缓解创新融资约束来鼓励企业进行技术创新[17]。另一方面，数字金融能够充分发挥价值发现功能，使得资金、人才、技术等要素在高技术产业集聚，从而促进区域技术创新驱动发展[18]。基于此，提出H3：

H3：数字金融可以通过支持技术创新推动经济高质量发展。

四、研究设计

（一）模型构建

1.空间自相关分析。空间自相关是指相邻位置的两个区域的变量数据之间存在相互依赖性，莫兰指数(Moran’s I)是用来度量空间自相关性的常见方法。当莫兰指数大于0 时，表示正空间自相关，区域内变量高值与高值或者低值与低值相邻，具有一定空间集聚特征；当莫兰指数小于0 时，表示负空间自相关，区域内变量高值与低值或者低值与高值相邻，显现为空间离散特征。空间自相关可以分为全局空间自相关式与局部空间自相关式，计算公式如下：

其中，Xi、Xj分别表示长三角i 市以及相邻j 市的属性值，X 表示所有城市的属性值均值，n 为所观察区域个数，Wij表示空间权重矩阵。

2.空间计量模型。在实际经济运行中，任何一个地区都不可能独立存在，它总是与其他经济体存在着千丝万缕的联系。考虑到数字金融通过数字技术穿透传统地理位置限制，其对经济高质量发展的影响不仅仅存在内部，还可能是跨区域的。因此，本文采用空间计量模型实证研究数字金融与区域经济高质量发展之间的关系。

空间计量模型主要包括空间滞后模型(SLM)、空间误差模型(SEM)以及空间杜宾模型(SDM)。其中，SLM主要讨论因变量在某一地区是否有扩散现象；SEM 用于度量邻近地区关于因变量的误差冲击对本地区观察值的影响；SDM表示空间影响不仅体现在因变量上，还体现在自变量上。模型一般表达式如下：

(1)空间滞后模型SLM:

(2)空间误差模型SEM:

(3)空间杜宾模型SDM:

其中，HQit为城市i 第t 年的经济高质量发展水平，DFIit为城市i 第t 年的数字金融发展水平，Controlnit为控制变量组，α 为常规项系数，ρ 和β 为空间滞后项系数，Wij为空间权重矩阵，μi和vt分别为城市个体、时间固定效应，ξit为误差项。

3.空间权重矩阵选取。不同的空间权重矩阵反应了不同的空间相邻关系，本文选取经济地理空间权重矩阵Wij进行描述。具体参考曾燕萍等的研究方法[19]，首先构建空间邻接矩阵Dij；其次计算2011-2020年长三角41 个城市间的人均差额并取倒数，构建经济权重矩阵Gij；最后将二者相乘得到经济地理空间权重矩阵Wij。

（二）变量选择

1.被解释变量。经济高质量发展（HQ）。基于新时代中国经济高质量发展的基础理论，并考虑数据获取可得性，本文将围绕创新、协调、绿色、开放、共享五大经济发展理念，对长三角41 个城市的经济高质量发展水平进行评价。

目前，针对经济高质量发展水平，学者们已经基于各种方法构建了综合评价指标体系，其中主要包括主观评价法和客观评价法。鉴于主观评价法通常受主观因素影响较大，为保证评价的客观性，本文参考冯梅等的研究[20]，使用客观评价法中的主成分分析法（PCA）对长三角区域城市经济高质量发展水平进行测度，并构建评价指标体系，见表1。

表1 经济高质量发展评价指标体系

对数据进行KMO 检验和Bartlett 球体检验[21]，其KMO 统计量的值为0.86（大于0.8），Bartlett 球体检验结果在1%的显著水平下拒绝原假设，且前4 个主成分的特征值均大于1，累计贡献率79.38%。这说明各指标之间存在较强的相关性，因此主成分分析法（PCA）可以接受。

为了更直观地展示长三角各城市经济高质量发展水平的空间特征，选取2011 年与2020 年两个年度，运用ArcGIS 自然断裂法将经济高质量发展指数分为5 个等级进行可视化展示，具体如图1 所示。从整体来看，长三角区域经济高质量发展水平呈现明显的“中心—外围”梯度扩散的空间格局。经济高质量发展水平较高的城市主要分布在江苏南部、浙江北部以及安徽中部，形成了围绕上海为中心的高值集聚区；安徽西部与江苏北部的城市经济高质量发展水平相对较低，形成了长三角外围的低值集聚区。另外，从2011 年到2020 年，南京、杭州、合肥以及嘉兴等城市高质量发展迅速，经济高质量发展等级有所提升；宿州、亳州和衢州等城市高质量发展速度相对缓慢，经济高质量发展等级有所下降。

图1 长三角区域经济高质量发展水平空间分布状况

2.核心解释变量。数字金融（DFI）。采用北京大学数字金融研究中心发布的“北京大学数字普惠金融指数2011-2020”进行度量，并对数字普惠金融总指数除以100 进行处理[22]。

3.控制变量。在实证过程中，为了尽量避免部分不可测因素造成回归结果的偏差，本文参考李梦雨[23]、刘伟等[24]研究选取如下控制变量：地区经济发展水平（lnGDP)，选取地区生产总值自然对数来表示；政府干预（GOV），选取财政支出占地区GDP 比值来衡量；产业结构（IS)，以第三产业增加值与第二产业增加值比值衡量；基础设施建设（IV），用地区固定资产投资自然对数表示；科教支出（TEP），用地区科技与教育支出占财政支出比值表示。

4.中介变量。参考王平等的做法[25]，选取各个城市不同年份的发明专利授权数量作为技术创新产出指标（ITD），探究长三角区域数字金融对经济高质量发展的影响机制。

（三）数据来源与描述性统计

本文相关数据主要来源于Wind 数据库、《中国城市统计年鉴》《北京大学数字普惠金融指数2011-2020》等，并对部分缺失数据通过线性插值法进行补齐。各变量描述性统计如表2 所示。

表2 各变量描述性统计

五、实证分析

（一）空间相关性分析

1.全局空间相关性分析。基于上文构建的经济地理空间权重矩阵，利用Stata16 软件对各主要变量进行空间相关性检验，分别计算长三角41 个城市2011～2020 年数字金融和经济高质量发展的全局Moran’sI 指数，结果如表3 所示。

表3 各变量全局Moran’s I 指数

从表3 可知，从2011 到2020 年，经济高质量发展和数字金融的全局Moran’s I 指数均为正值且在1%水平下显著，说明长三角各城市经济高质量发展和数字金融并非各自独立存在的，而是具有显著的空间依赖集聚特征。从整体上看，经济高质量发展和数字金融的全局Moran’s I 指数呈现平稳趋势，空间相关性较为稳定。因此，基于空间视角对区域经济高质量发展进行分析是合理的。

2.局部空间相关性分析。为了进一步观测长三角区域内经济高质量发展和数字金融的空间相关性，分别绘制了2020 年经济高质量发展与数字金融的莫兰指数散点图。如图2 所示，长三角区域各城市的经济高质量发展和数字金融主要集中在一、三象限，呈现出“高-高”“低-低”型集聚，即经济高质量发展水平较高（低）的城市其周围相邻城市经济高质量发展水平也较高（低）。其中“高-高”型集聚城市主要分布在长三角区域东部，如上海、苏州、无锡、嘉兴、杭州等，这也是该区域经济最为发达的城市。“低-低”型城市主要集中在池州、亳州、安庆等城市，该区域位于长三角城市圈的西部，相对而言，该区域也是长三角发展较为落后的地区。“高-低”型的主要代表城市为合肥，近年来，合肥市积极推进数字产业化、产业数字化，培育数字经济企业，形成数字产业集群，数字金融发展正加速壮大，为高质量发展奠定了基础。这使得合肥形成了被低值城市群包围的局部“凸”点的空间特征。

图2 2020 年长三角数字金融与经济高质量发展局部Moran 散点图

（二）模型检验与回归结果分析

为了选择合适的空间计量模型，本文参照ELhorst[26]的研究方法对模型的适用度进行检验，首先对长三角区域数字金融影响经济高质量发展的空间效应进行LM检验以及其稳健形式的Robust LM检验。其次，利用Hausman 检验与联合显著性检验，选择适合的效应模型。最后，使用LR 检验用于判断SDM模型是否能简化为SLM模型与SEM模型。

从表4 可以看出，在经济地理空间权重矩阵下，LMerror 和LMlag 检验以及R-LMerror 和R-LMlag检验均在1%显著性下通过检验，这说明SLM模型与SEM模型都符合本文空间计量分析，因此本文选择二者结合的SDM模型。对SDM模型进行Hausman 检验与联合显著性检验，结果表明应采用时间空间双固定效应模型。最后，LR 检验结果均拒绝原假设，表明SDM模型不能简化为SLM模型与SEM模型。综合上述检验，本文选取时间空间双固定效应的SDM模型进行估计。

表4 LM 检验与LR 检验

为了进一步对不同模型估计参数比较和检验，表5 列出了具有双固定效应的SLM、SEM、SDM 模型的估计结果。如表5 所示，三个模型数字金融回归系数均在1%水平上显著为正，表明数字金融对本地区经济高质量发展具有正向促进效应。但是在引入解释变量空间滞后项的SDM模型下，其系数相对变小，可见，不能忽视数字金融对城市经济高质量发展的空间交互作用。另外，通过比较R2 与Log-likelihood 结果可知，SDM 模型要优于SLM与SEM模型。

表5 基准回归结果

从SDM模型来看，数字金融发展对本地区经济高质量发展的回归系数为0.822，相邻地区的数字金融发展（W×DFI）对本地区经济高质量发展的回归系数为0.397，且均在1%水平下显著，说明长三角各城市经济高质量发展水平不仅会受到本地数字金融发展的影响，还受到其他邻近城市的数字金融发展的影响，假设1、假设2 得到验证。这可能是数字金融的发展突破了传统金融城市间的边界壁垒，通过网络化溢出效应，从横向拓宽了金融服务的受众范围，从纵向深化了相邻城市间的产业融合，形成协同发展的空间联动，从而带动了邻近地区的经济高质量发展。另外，SDM 模型系数ρ 也显著为正，这表明城市经济高质量发展水平在地区层面存在一定溢出效应，这与国家推行长三角一体化发展的预期相符合。从控制变量来看，地区经济发展水平、产业结构、科教支出都对本地区高质量发展有显著的正向影响；基础设施建设对高质量发展显著为负，这可能是因为长三角地区交通运输等传统基础设施已趋于饱和，固定资产投资效率恶化而引起的；政府干预系数为正，但并不显著。

（三）溢出效应分析

尽管在SDM模型中，数字金融的空间滞后项系数显著为正，但是通过模型点估计结果来检验空间溢出效应仍是具有片面性，还需进一步对数字金融变量进行空间效应分解。本文参考Lesage 等[27]的研究成果，采用偏微分方法将数字金融对经济高质量发展的影响分为直接效应、间接效应和总效应。从表6 结果来看，数字金融直接效应与间接效应系数均显著为正，这表明数字金融不仅能够提升本地区经济高质量发展，还能通过空间外溢作用带动周围邻近城市经济高质量发展。假设1、假设2 再次得到验证。值得注意的是，直接效应的值要大于间接效应，说明数字金融对本地区的促进效应更为显著。

表6 空间杜宾模型效应分解结果

（四）传导机制分析

根据前文理论部分的分析，本文参考温忠麟的中介效应检验方法[28]，引入技术创新（ITD)中介变量进行传导机制检验，其中公式反映数字金融对经济高质量发展的影响，公式反映数字金融对技术创新变量的影响，公式反映数字金融与技术创新共同对经济高质量发展的影响：

其中，α1、θ1、η1、η2是传导机制中的核心系数。根据中介效应检验方法，如果DFI 对HQ 的系数α1显著则进行中介效应分析，即首先按顺序检测DFI 对ITD 的系数θ1与ITD 对HQ 的系数η2是否显著，若θ1、η2显著则继续，反之则停止分析。其次，检验DFI 对HQ 的系数η1是否显著，如果显著则称为部分中介效应，如果不显著则称为完全中介效应。最后，若部分中介效应成立，则中介效应占总效应的比例应为θ1η2/α1，其结果见表7。

表7 中介效应结果

如表7 所示，数字金融对中介变量的回归系数为3.410，说明数字金融对长三角区域技术创新产生了显著正向影响。数字金融和技术进步共同对经济高质量发展的回归系数分别为0.768 与0.015 且在1%水平上显著。由此可知，长三角区域数字金融可以通过促进技术创新实现经济高质量发展水平提升，其中介效应占比约为6.22%，假设3 得到验证。另外，参考姚凤阁的研究方法[29]，进一步对模型(7)-(9)进行空间效应分解。其中直接效应回归系数均显著，根据中介效应的检验方法，数字金融通过技术创新影响本地区经济高质量发展的效应占比6.36%；在间接效应中技术创新变量并不显著，说明数字金融通过技术创新影响邻近城市经济高质量发展的路径并不明显。

（五）稳健性检验

上述结果的计算是采用经济地理空间权重矩阵，为保证研究结论的可靠性，本文将使用空间邻接矩阵重新检验与观测数字金融对经济高质量发展的影响效应与传导机制。如表8 所示，虽然使用空间邻近矩阵后回归系数有所不同，但是主要变量符号和显著性水平与前文一致，这说明本文结果是稳健的。

（六）动态效应分析

考虑到社会经济发展的惯性，滞后一期的城市经济高质量发展可能会对当期城市经济高质量发展产生影响，因此，本文将SDM模型拓展为动态空间杜宾模型(DSDM)以缓解因遗漏变量或反向因果等因素导致的内生性问题。具体表达式如下：

其中，HQit-1表示经济高质量发展的滞后一期，θ 表示动态效应的回归系数，其他符号的解释式（5）一致，此处不再赘述。由表9 可知，滞后一期的经济高质量发展回归系数为0.781，且在1%水平上显著，说明长三角区域城市经济高质量发展受到动态效应的显著影响。另外，数字金融的回归系数为0.221，空间滞后项系数为0.103，分别在1%和10%水平上显著。与静态空间杜宾模型相比，虽然数值大小有所改变，但正负号方向并未改变，再次证明了数字金融促进长三角区域经济高质量发展且存在正向的空间溢出效应。

表9 动态空间杜宾模型回归结果

进一步对动态空间杜宾模型（DSDM）进行空间溢出效应分解，可以将数字金融对经济高质量发展的影响分为短期效应与长期效应，检验结果见表10。

表10 动态空间杜宾模型效应分解结果

首先，从短期来看，数字金融对经济高质量发展的直接效应与间接效应回归系数分别为0.218 和0.107，且在1%和5%水平上显著。这说明数字金融在短期内对本地以及邻近城市的经济高质量发展起着正向促进效应。从长期来看，直接效应系数为1.032 且在1%水平上显著，间接效应系数虽然为正但并不显著，这可能是因为随着数字金融的不断深化，长三角各城市数字金融的发展步伐不一致使得空间溢出效应存在差异而导致的。其次，在长、短期空间效应分解结果中，直接效应回归系数值均大于间接效应回归系数，这说明从数字金融支持经济高质量发展的角度来看，长三角各城市经济高质量发展提升的根源是该城市内部数字金融的发展。最后，从总效应回归系数来看，长期总效应系数值要大于短期总效应系数值，说明在考虑时间因素的基础上，数字金融的发展对长三角区域经济高质量发展将产生更为广泛和深远的影响。

六、结论与建议

本文采用长三角41 个城市2011～2020 年的面板数据作为研究样本，探讨了数字金融对长三角区域经济高质量发展的影响效应与作用机制。主要结论如下：第一，长三角各城市数字金融的发展不仅能为本地经济高质量发展提供强大助力，还能通过“扩散效应”提升邻近城市经济高质量发展水平；第二，技术创新对数字金融推动长三角区域经济高质量发展起到了中介作用。第三，数字金融对长三角区域经济高质量发展的长期促进总效应均要大于短期。

基于以上研究结论，本文提出如下政策建议：

第一，发挥数字金融对长三角区域经济高质量发展的促进作用，加大数字基础设施供给，拓展数字技术的应用范围，鼓励银行和保险等传统金融机构加快数字化转型，促进数字金融与传统金融的融合，提高金融服务的效率和便捷性，为实现经济高质量发展增势赋能。发挥数字金融辐射效应的正外部性，鼓励各城市积极展开数字金融发展方面的合作与交流，消除地理空间上的束缚，加快数字金融服务创新升级，协同促进区域经济一体化和高质量发展。

第二，鼓励数字金融机构与高技术企业建立长期稳定的合作关系，通过金融创新为其提供更加灵活、多样化的融资服务，同时加强对企业信用评价和风险管理，提高金融服务的精准性和有效性，以提升区域技术创新水平进而推动高质量发展。

第三，完善数字金融发展顶层设计，加强数字领域监督和管理，为服务实体经济打造良好信用环境，实现经济高质量发展的长效驱动。继续发挥长三角区域数字经济优势，拓展数字金融的发展宽度和深度，持续推动数字化建设、移动支付建设等数字化服务水平，为区域经济高质量发展提供坚实基础。