数字金融对城市全要素生产率的影响

摘要：提高全要素生产率是实现高质量发展的动力源泉，数字金融作为经济发展的新引擎，是增强金融机构服务实体经济质效、助力生产率提升的重要举措。本文以中国2011—2020年286个城市为样本，考察数字金融对城市全要素生产率的影响效果及作用机制，数字金融显著促进了城市全要素生产率提升。其中，数字金融覆盖广度的作用效果最为明显，之后依次为数字金融使用深度、数字金融数字化程度。数字金融能够通过推动技术创新和优化要素配置两种效应赋能全要素生产率，创新驱动效应的贡献度大于要素配置效应。不同城市化推进模式下，数字金融对城市全要素生产率的作用存在差异。相比于政府主导型和广度推进型城市，市场主导型和深度推进型城市的数字金融对全要素生产率的提升效果更为显著。

关键词：数字金融；全要素生产率；创新驱动；要素配置；城市化推进模式

中图分类号：F49；F832；F273文献标识码：A文章编号：1001-148X（2024）05-0059-10

收稿日期：2024-05-21

作者简介：邸勍（1990—），男，河北保定人，助理教授，博士，研究方向：区域经济与科技创新；袁晓玲（1964—），女，陕西西安人，教授，博士生导师，研究方向：高质量发展；张美莎（1991—），女，山西运城人，讲师，博士，研究方向：制度与创新经济。

基金项目：教育部哲学社会科学重大课题攻关项目“促进城市高质量建设发展的长效机制研究”，项目编号：20JZD012；陕西省社会科学基金项目“自立自强战略下陕西科技创新助力经济高质量发展的实现机制与路径研究”，项目编号：2023D021。

①数据来源于联合国国际比较计划委托美国宾夕法尼亚大学建立的数据库“佩恩表”。

一、引言

新古典经济增长理论认为，提高全要素生产率是维系经济长期稳定增长的主要驱动力［1］。然而，近十年来中国的全要素生产率不及美国的40%，年均增速仅有12%①，经济发展亟须从规模速度型向质量效率型转变。党的二十大报告明确指出，“高质量发展是全面建设社会主义现代化国家的首要任务，要着力提高全要素生产率，推动经济实现质的有效提升和量的合理增长”。从供给端来看，要实现这一目标，仅凭要素资源量的增长是不够的，还必须依靠有效的金融手段从根源上改变资源配置的激励安排。数字金融作为传统金融与新兴技术有机融合的产物，具有成本低、速度快、覆盖广等优势，是增强金融机构服务实体经济质效、助力生产率提升的重要举措。充分发挥数字金融在推动城市全要素生产率中的作用，无疑对构建中国特色现代金融体系以及实现高质量发展具有重要的理论和现实意义。

梳理现有文献发现，学者们对数字金融效应的研究尚未形成统一定论，主要观点可以分为三类：第一类观点认为，数字金融对全要素生产率具有促进效应。持此类观点的学者们大多基于中国省级面板数据展开研究，认为科技与金融的结合可以提高区域融资能力，推动产业专业化与多样化集聚，进而提升全要素生产率，且这一作用效果呈东强西弱的态势［2-3］；也有少数学者以中小企业为研究对象，发现数字金融可以通过缓解融资约束促进企业全要素生产率提升，其促进效果与企业规模、产权性质等有关［4］。第二类观点是数字金融对全要素生产率具有挤出效应。这类观点认为，数字金融会利用金融杠杆增加企业负债率，导致其对全要素生产率的激励作用递减［5］。第三类观点是数字金融对全要素生产率的影响呈现先抑制后促进的“U”型非线性关系［6］。这类观点认为，在金融科技发展初期金融投机动机较大，使得企业将资金投向虚拟经济领域而非实体经济，当金融科技发展到一定程度时才能产生“脱虚向实”的作用。

现有文献已围绕数字金融对全要素生产率的影响进行了开拓式的有益探讨，但仍值得进一步推进研究：一是大多文献重点关注数字金融“能否”促进全要素生产率提升，对于“如何”促进的机制探讨较为薄弱，鲜有研究从全要素生产率的内涵出发综合考虑创新驱动和要素配置渠道，尤其缺乏针对不同渠道在影响机制中的贡献度分析；二是既有文献在分析数字金融对区域全要素生产率的影响时大多采用省级数据或国别数据，使得信息的丰富性大大降低，有必要以维度更为丰富的城市数据为样本，为如何充分发挥数字金融在推动城市全要素生产率中的作用提供经验支持；三是尽管有少数文献以城市数据为样本探究了数字金融对全要素生产率的影响，但其在进行异质性研究时主要局限于城市地域、规模、行政级别或要素维度，较少从城市化的动力来源和空间模式视角切入，更缺乏严谨的定量分析加以论证。事实上，中国不同地区城市化的演进过程和发展模式存在明显差异，有必要从其动力来源和空间模式出发，拓展异质性研究视域。基于此，本文以中国2011—2020年286个城市为样本，探究数字金融对城市全要素生产率的影响效果及作用机制，并立足中国城市化进程的动力来源与空间模式差异，进一步检验上述结论的异质性。

本文可能的边际贡献主要体现在以下三个方面：一是在研究内容上，以全要素生产率内涵为切入点，基于创新驱动效应和要素配置效应两条渠道系统剖析数字金融对全要素生产率的影响机制，并采用KHB方法对各类效应进行分解，为理解数字金融的经济效应提供更为清晰的理论解释；二是在研究对象上，以中国286个城市为样本，弥补了以往研究大多采用省级数据或国别数据导致的信息丰富性局限；三是在拓展分析上，立足中国城市化推进过程中的现实情境，从动力来源和空间模式出发对上述结论进行异质性检验，不仅拓展了现有研究视域，也为不同类型地区“量体裁衣”制定差异化的政策提供了理论依据与实践指引。

二、理论分析与研究假设

本文在兼顾金融中介相关理论和全要素生产率影响因素的前提下，以信息不对称理论、交易成本理论、长尾效应理论和经济增长理论为基础探究数字金融影响全要素生产率的内在机理。考虑到全要素生产率增长的主要途径是科技进步和资源配置效率提升［7-8］，故而着重从创新驱动效应和要素配置效应两个渠道细化数字金融影响全要素生产率的作用机理，并提出相应的研究假设。

（一）数字金融对全要素生产率的影响

数字金融对全要素生产率的影响可以借助信息不对称理论、交易成本理论、长尾效应理论和经济增长理论的主要观点来阐释。在上述理论分析框架下，金融市场普遍存在信息不对称、交易成本高、融资门槛高、服务范围受限等现象，导致道德风险和市场风险增加，企业骗贷和银行坏账等问题频出，借款主体融资成本提高，资金分配不平衡加剧，严重影响着金融系统的资源配置效率［9］。资源配置是金融系统的核心功能，金融系统依靠各种金融手段和工具动员社会储蓄，对聚集起来的资金进行配置。金融资源流向某一领域时，其他资源会在金融手段的支持下更快地完成在该领域的配置，从而作用于资本的边际生产率和全要素生产率，最终产生正向或负向的经济效应。随着互联网、大数据、5G、人工智能等数字技术在金融领域的运用，互联网支付、移动支付、网上银行、网上贷款、网上保险、网上基金、金融服务外包等数字金融服务与传统金融服务实现互补，并逐渐担负起更为重要的角色［10］。这种以数字技术为支撑创造出来的金融业务模式，构建起更加直接的网络，打破了过去企业与企业、人和人、人与物之间的平面连接，形成立体、折叠的架构，并在此架构中实现了点对点、端对端的交互式连接，省去了很多中间节点，可以有效降低运行和交易成本，促进信息了解更加充分，助力新技术与金融产品、业务的多样性发展，推动大企业、高收入群体与中小微企业、低收入群体的资金流向平衡，提高资金配置效率，有力弥补了传统金融的不足，强化了金融体系服务于实体经济的有效性，为全要素生产率的提升注入了新动能。基于此，本文提出以下研究假设：

H1：数字金融能够促进全要素生产率的提升。

（二）数字金融影响全要素生产率的作用机制

全要素生产率是指国民经济中所有人力、物力、财力等资源投入转化为最终产出的总体效率，衡量的是除去劳动、资本、土地等要素投入之后的“剩余”，其增长的主要途径是科技进步和资源配置效率提升。鉴于此，本文以全要素生产率内涵为切入点，基于创新驱动效应和要素配置效应两条渠道探究数字金融对全要素生产率的作用机制。

1数字金融影响全要素生产率的创新驱动效应

技术创新是以创造新技术为目的或以科学技术知识及其创造的资源为66973637ca2ecc9002b15473a5397e02基础的创新，系新技术替代旧技术的过程，能够有效降低生产成本、提高生产效率、促进资本与高级劳动要素协同互补，对全要素生产率具有显著提升作用。然而，其不确定性高、回报周期长等特性引发的信贷约束成为阻碍创新活动顺利实施的“拦路虎”［11］，尤其是以银行为主的传统金融机构在提供信贷服务时，通常将考察重点专注于创新主体的信用等级与抵押物，忽略了主体自身的创新能力，致使技术创新潜力较大但抵押物不足或信用等级较低的主体被阻挡在正规金融服务范围之外，创新活动难以得到可靠保障，创新水平难以实现高效提升［12］。

数字金融的发展在一定程度上能够缓解上述制约，满足研发资金需求，提高技术创新水平［13］。首先，数字技术与信息技术在金融领域的应用有助于金融机构建立更为有效的模型对可能存在的信用风险进行精准评估，因信息不对称引发逆向选择的可能性大幅降低，既能提高金融机构的决策效率，又能减少金融机构的放贷顾虑，从而提升创新主体的资金可得性；其次，数字金融的出现提高了信息搜寻速度与质量，能够及时监督资金的去向与用途，并能动态追踪借款主体的信用状况，困扰金融机构的“监管难”问题得到一定缓和，有利于创新活动的顺利开展；最后，金融机构凭借互联网与大数据在金融领域的普及扩大了信息来源，能够科学评判金融需求者的技术创新能力和市场发展潜力，甄别出具备创新潜力的主体与投资价值的项目，进而引导资金流向创新能力更高的领域，进一步加快了技术创新步伐。综上，从创新驱动效应来看，数字金融能够借助其内嵌的数字技术优势，有效监督防范信用风险，提高金融机构的决策效率与资金配置效率，从而增加技术创新资金的可得性，提高整体技术创新能力，最终推动全要素生产率提升。鉴于此，本文提出研究假设：

H2：数字金融能够通过推动技术创新提升全要素生产率。

2数字金融影响全要素生产率的要素配置效应

要素配置是指社会经济活动中的人力、物力、财力等基本资源在不同用途上加以比较所作出的选择。在生产技术凸性假设下，当要素投入边际产出相等时达到最优配置，当要素边际产出在横截面上不相等时就会出现配置不均衡现象，即为要素错配［14］。要素错配会引致资源逆效率流动，生产率低的主体却占据了更多生产要素，生产率高的主体反而受困于市场约束，因而资源错配是全要素生产率提升的“绊脚石”。金融的核心功能就在于引领资源要素的流动与配置，但信息不对称、融资门槛高等问题带来的金融摩擦会阻碍要素流动，导致资源配置不足且配置效率偏低［15］。以银行为主的金融机构通常将大客户的业务视为重点，数量更多的长尾客户则被挡在金融服务体系之外，导致一些生产率高但规模小的长尾客户无法获取正规信贷，生产率低但规模大的企业却能以较低利率获取资金，从而造成资源错配。

数字金融的发展在一定程度上能够扩大服务范围，促进要素流动，改善资源错配，以此实现要素配置的优化［16］。首先，数字金融的优势之一在于可以通过大数据分析长尾客户的信用状况并以低廉的成本进行动态监控，无须采用提高准入门槛的方式保证资金安全，因而会有更多生产者获得融资服务机会。与此同时，随着金融服务准入门槛的下降，银行等传统金融机构及数字金融公司会在鲶鱼效应驱使下相互竞争，金融服务受众面进一步扩大，资源配置不足的问题能够得到有效解决，全要素生产率也随之提升。其次，数字金融具有不受时空限制的特性，这一特性促进要素在不同部门与区域间自由流动，有效缓解了因流动性不足导致资源配置效率低的问题，使得各地能够根据自身需求进行快速连结和双向匹配，拓展了区域资源整合的深度与广度，提高了资金配置效率，进一步促进了全要素生产率的提升。最后，数字金融能够借助互联网等技术完成线上的点对点交易，弱化了传统交易对物理网点和前台的依赖，这一交易方式促使业务流程简化，人为干预减弱，业务审批的寻租空间压缩，隐形成本下降，资金实现了从盈余者向需求者的精准转移，要素错配与扭曲现象得到有效矫正，进而对全要素生产率产生了积极影响。综上，从要素配置效应来看，数字金融能够借助数字技术降低融资门槛，扩大金融服务覆盖面，促进要素自由流动，精准调配资金供需，从而达成要素配置优化的目标，助推全要素生产率提升。鉴于此，本文提出研究假设：

H3：数字金融能够通过优化要素配置提升全要素生产率。

三、研究设计

（一）模型构建

遵循上文理论分析及研究假设，为检验数字金融对全要素生产率的影响，设定如下基准回归模型：

lnTFPit=α0+α1lnDFit+ΣαjlnXjit+μi+λt+εit（1）

其中，TFPit为i城市t年的全要素生产率；DFit为i城市t年的数字金融发展水平；Xit为i城市t年的一系列控制变量集合；α0为常数项；α1为数字金融系数，反映数字金融发展对全要素生产率的影响程度；αj为第j个控制变量系数；μi为城市固定效应；λt为时间固定效应；εit为随机误差，表示影响全要素生产率的其他因素。此外，为保证数据的平稳性，对所有变量进行取对数处理。

为进一步探究数字金融影响全要素生产率的创新驱动机制和要素配置机制，本文采用逐步检验回归系数法［17］构建以下回归模型：

lnideit/faeit=β0+β1lnDFit+ΣβjlnXjit+μi+λt+εit（2）

lnTFPit=β0+β2lnideit/faeit+ΣβjlnXjit+μi+λt+εit（3）

lnTFPit=β0+β3lnDFit+β4lnideit/faeit+ΣβjlnXjit+μi+λt+εit（4）

公式（2）—公式（4）中，ideit和faeit分别为i城市t年的创新驱动效应与要素配置效应；β0为常数项；β1-j为回归系数，其余变量含义同上。为进一步探究数字金融对全要素生产率影响的直接效应与间接效应，厘清创新驱动效应与要素配置效应在数字金融影响全要素生产率过程中的贡献度，本文采用KHB方法［18］构建如下模型进行分析：

lnTFPit=αE+βElnDFit+γE1lnideit+γE2faeit+ΣδEjXjit+εit（5）

lnTFPit=αF+βFlnDFit+ΣδFjXjit+εit（6）

式（5）和式（6）共同组成了效应分解模型，数字金融对全要素生产率的总效应为βF/σF；直接效应为βE/σE;间接效应为βF/σF-βE/σE；σE与σF为规模参数，其余变量含义不变。

（二）变量选取与数据来源

1被解释变量：全要素生产率（TFP）。本文根据DEA方法计算Malmquist指数［19］，以2000年为基期进行累乘，得到各城市全要素生产率数据。具体来说，选取各城市的生产总值（GDP）衡量产出水平，并以2000年为基期进行平减处理；选取基于永续盘存法进行估算的各城市资本存量衡量资本投入水平；选取各城市城镇单位与城镇私营个体从业人数之和衡量劳动投入水平。

2核心解释变量：数字金融（DF）。本文使用郭峰等（2020）［20］构建的城市级数字普惠金融指数表征数字金融发展水平。该指数以蚂蚁集团后台的交易金额、交易频率、用户数量等数据为基础进行编制，包括总指数和覆盖广度（DFbreadth）、使用深度（DFdepth）、数字化程度（DFlevel）等三个一级指数。覆盖广度指数主要采用居民支付宝账号数量、支付宝绑卡程度、交易金额等数据展现数字金融覆盖人群的规模；使用深度指数主要表示各地区利用互联网进行支付、贷款、保险、基金等金融活动的频率；数字化程度指数主要从移动化、便利化等方面体现了数字金融的服务是否高效便捷。

3机制变量：创新驱动效应（ide）与要素配置效应（fae）。本文采用技术创新水平表征创新驱动效应，在具体指标计算中，采用包括发明专利、实用新型专利和外观设计专利在内的专利申请数量进行衡量，并结合专利的价值属性对三种类型专利依次赋予05、03和02的权重，最终加总得到各城市的技术创新水平，数值越大说明技术创新水平越高［21］。同时，本文采用要素错配程度表征要素配置效应，具体选取GDP、资本存量、劳动力人数、资本价格弹性、劳动价格弹性等指标计算城市要素错配指数，指数值越大说明错配程度越高。

4控制变量：本文还考虑了与全要素生产率密切相关的因素作为控制变量进行考察，包括人均产值（pcov）、产业结构（is）、人力资本（hc）、资产规模（as）、信息化水平（inf）、对外开放程度（open）。其中，人均产值采用城市的GDP总量与从业人数的比值表征，数值越大说明经济发展水平越高；产业结构采用各城市产业结构指数来衡量其转型升级效果，即将三次产业增加值与总产值的比重进行加总，数值越大说明产业结构越优化；人力资本选取各城市教育支出占财政支出的比重衡量，该比值越大说明人力资本水平越高；资产规模采用各城市规模以上工业企业资产总计与GDP的比值表征，该数值越大表明城市资产总量越多；信息化水平选用各城市互联网宽带接入用户数表征，数值越大表明信息化水平越高；对外开放程度选取各城市进出口总额与GDP的比重衡量，该比值越大表明对外开放程度越高。

本文以2011—2020年中国286个城市的面板数据为样本进行实证分析根据中华人民共和国中央人民政府网公布的资料显示：截至2022年底，中国有直辖市和地级市（含副省级城市）298个。考虑到数据的可得性与完整性，样本剔除了港、澳、台地区以及儋州、三沙、吐鲁番、哈密、毕节、铜仁、日喀则、昌都、山南、林芝、那曲、海东等数据缺失较多或成为地级行政区时间相对较晚的城市样本，最终选取了286个城市作为样本。。研究数据主要来源于北京大学数字金融研究中心网站、CNRDS数据库、CSMAR数据库、CEIC数据库、国家统计局网站、各省（市）统计局网站、各省（市）统计年鉴以及《中国城市统计年鉴》《中国金融年鉴》《中国科技统计年鉴》《中国工业统计年鉴》《中国劳动统计年鉴》《中国人口统计年鉴》等。个别年份数据缺失利用线性插值法补齐。

（三）描述性统计分析

变量原始数据的描述性统计结果见表1。可以看出，各变量的平均值与中位数相差不大，不存在显著偏态分布。全要素生产率的均值为089，最大值为272，最小值为013，这意味着不同城市样本之间的全要素生产率存在明显差距。数字金融总指数的最大值与最小值分别为33448和1130；覆盖广度、使用深度及数字化程度指数的最大值分别为32649、34975、58123，最小值分别为1949、4326、2786，反映出不同城市的数字金融发展程度差距明显。

四、实证结果分析

（一）基准回归

在进行回归分析前，首先对数据进行了Hausman检验，发现结果均在1%显著水平上拒绝原假设，这表明采用双向固定效应面板模型进行回归分析具有可行性。与此同时，采用方差膨胀因子法（VIF）检验样本数据整体是否存在多重共线性，结果均小于10，表明变量之间不存在严重的多重共线问题。

数字金融对全要素生产率影响的基准回归结果如表2所示。可以看出，数字金融总指数以及三个分指数均与全要素生产率呈现正向单调线性关系，证明假设H1成立。表2列（1）为数字金融总指数对全要素生产率影响的回归结果，数字金融的系数为0306，通过了1%的显著性水平检验，即数字金融总体发展水平每提升1%会导致全要素生产率提高0306%。这一结果意味着数字金融对全要素生产率的提升具有积极影响，反映出数字金融在增强金融普惠性、降低交易成本、扩大融资规模、提高资金供求匹配度与资源流动效率等问题上起到了良好效果。表2列（2）—列（4）分别为数字金融覆盖广度、使用深度与数字化程度三项分指数对全要素生产率影响的回归结果，可以看出，回归系数通过了1%或5%的显著性水平检验，说明数字金融覆盖广度、使用深度与数字化程度等均促进了全要素生产率的提升。从三个分指数的回归系数大小来看，数字金融覆盖广度对全要素生产率的影响程度最大，说明使用支付宝等电子账号的人群数量越多，用户之间的支付转账就会越方便快捷，业务流程缩短，资金流动速度提高，从而对资源配置产生积极作用，这也充分体现出数字金融的普惠性特点；使用深度对全要素生产率的影响力仅次于覆盖广度，表明数字金融所提供的信贷、基金、保险等各种金融产品、服务的种类和便捷度仍需拓宽做深，以满足更多人对金融的需求，进而促进全要素生产率的提升；相比于覆盖广度和使用深度，数字化程度对全要素生产率的作用最小，说明还要进一步加强数字基础设施建设，拓展新数字技术研发空间，为提高数字金融的数字化程度提供保障，从而有力促进全要素生产率的提升。

在控制变量中，人均产值、人力资本、产业结构等对全要素生产率起到了提升作用。这表明随着人均产出增长、人力资本投入增加以及产业结构升级，城市内部资源配置得到优化，技术水平得到提升，劳动者技能、素质、活力等得到增强，产业发展不断向技术密集型与资本密集型调整，全要素生产率得到有效提升。与之相反，资产规模和对外开放抑制了全要素生产率提升，这可能源于企业规模与创新效率所形成的反差，相较于追求收益稳定的大型企业，中小型企业更倾向于选择预期收益更高的创新投资项目，其较高的创新效率有利于全要素生产率的提升。同时，我国在全球分工体系中处于价值链较低位置，出口加工贸易企业居多，外资也倾向于劳动密集型和资源密集型产业，加之欧美的技术封锁和贸易摩擦，阻碍了全要素生产率提升。另外，现阶段信息化水平及相应基础设施的提升未对全要素生产率产生显著影响。

（二）作用机制分析

数字金融通过创新驱动和要素配置效应影响全要素生产率的回归结果如表3所示。可以看出，数字金融可以通过提高技术创新水平、降低要素错配率促进全要素生产率的提升，假设H2与假设H3成立。在表3列（1）和列（2）中，数字金融和创新驱动效应的回归系数均显著为正，表明数字金融的发展显著促进了技术创新，技术创新水平的提高能够带动全要素生产率提升。表3列（3）在控制创新驱动效应后，数字金融系数显著为正，且系数大小相较于前文基准回归略有下降，说明数字金融发展通过促进技术创新提升了全要素生产率，且创新驱动效应起到了部分传导作用。在表3列（4）和列（5）中，数字金融和要素配置效应的回归系数均显著为负，表明数字金融的发展显著降低了要素错配率，要素错配率的降低能够促进全要素生产率提升。表3列（6）在控制要素配置效应后，数字金融系数显著为正，且系数大小相较于前文基准回归略有下降，说明数字金融发展通过优化要素配置提升了全要素生产率，且要素配置效应起到了部分传导作用。

上述结果表明数字金融能够缓解众多科技创新企业面临的融资约束，并借助数字科技手段促进资金流向创新强度高的领域，加快了研发活动步伐，推动了技术创新发展。技术创新可以节省生产成本，提高生产效率，其溢出效应还会进一步带动区域创新能力的提升，从而促进全要素生产率的整体提升。与此同时，数字金融能够提高要素流动性，精准匹配资金供求关系，缓解资源配置不足问题，提高资源配置效率，从而对全要素生产率起到了积极作用。

进一步运用KHB方法对数字金融影响全要素生产率的各种效应进行分解，结果如表4所示。可以看出，数字金融对全要素生产率的直接效应占总效应的比重为1354%，间接效应占总效应的比重为8646%，表明数字金融发展通过创新驱动效应和要素配置效应对全要素生产率影响的贡献度更高，推动技术创新、优化要素配置是数字金融促进全要素生产率提升的重要路径。从作用机制的贡献度看，创新驱动的间接效应系数更大，占据两种作用机制产生间接效应总和的6991%，占到总效应的6044%，是要素配置效应的23倍，说明相较于资源配置为核心的传统金融，数字金融的作用更偏重于推动技术创新，也在一定程度上揭示了从要素驱动向创新驱动转变的高质量发展要义。

（三）内生性处理与稳健性检验

1内生性处理。数字金融的发展能够促进城市全要素生产率提升，反过来全要素生产率的提升会扩大生产规模，增加资金需求，从而促进数字金融的发展，这就意味着二者之间可能存在内生性。为克服这一问题，更加准确地识别数字金融发展对全要素生产率的影响效果，本文借鉴张勋等（2019）［22］、郭珂和郭雪萌（2023）［23］的思路分别选取各城市到杭州的地理距离倒数和相邻城市数字金融总指数的平均值作为数字金融的工具变量，使用2SLS方法重新对上述研究内容进行实证分析。尽管数字金融的主要实现形式为线上，但其发展程度仍受到地理空间因素影响，呈现与杭州相距越远则推广难度越大的特点，因此选取各城市到杭州的地理距离作为工具变量具有理论和现实可行性［24］。同时，周围地区数字金融的发展推广会对本地数字金融产生溢出效应，故而也可以考虑采用相邻城市数字金融总指数的平均值作为本地数字金融的工具变量。加入工具变量的估计结果显示，各城市到杭州的地理距离倒数以及相邻城市数字金融总指数的平均值均为强工具变量，其结果与前文相比仅是解释变量的系数值略有改变，变量系数方向和显著性等与前文一致限于篇幅，该检验结果未做报告，如有需要可向作者索取。。这意味着在控制内生性问题后，本文的研究结论依然成立。

2稳健性检验。 本文采用同时替换核心解释变量与回归方法的方式对上文研究结论进行稳健性检验，用以控制可能存在的计量结果偏差。借鉴宋敏等（2021）［25］计算金融科技公司数量的做法，在“天眼查”网站搜索包含“数字金融”“金融科技”“互联网金融”等在内的关键词，获取相关企业的工商注册信息，将各城市每年的金融科技企业数量进行加总，以此作为数字金融发展水平的代理变量，并采用SYS-GMM方法重新对上文研究内容进行实证检验。结果显示，核心解释变量与机制变量的系数方向与显著性没有明显差异，表明在替换变量和模型后，本文的研究结论依然成立限于篇幅，该检验结果未做报告，如有需要可向作者索取。。

五、进一步探讨：城市化动力来源和推进模式差异下的再检验

尽管有少数文献以城市数据为样本探究了数字金融对全要素生产率的影响，但在进行异质性研究时主要局限于城市地域、规模、行政级别或要素维度，鲜少从城市化推进模式视角出发，更缺乏严谨的定量分析加以论证。事实上，中国不同地区城市化的演进过程和发展模式存在明显差异，有必要从动力来源和空间模式出发，探究数字金融对城市全要素生产率的差异化影响。

从城市化推进的动力来源来看，政府和市场是两种主要推动力量［26］。政府主导型城市化旨在根据国家经济发展的需要，通过一系列行政控制和政策制度安排等手段，按照既定的计划和目标来推动城市化进程，整体表现出“自上而下”的宏观调控；市场主导型城市化主要通过人口、资本等要素的自由流动与聚集以及市场选择等方式自发地促进某个城市的形成和发展，“自下而上”的“自发性”特征更加突出。从城市化推进的空间模式来看，一般有深度推进型和广度推进型两类，表现出以旧城改造、建设CBD等为主的内部重组和以建设开发区、建设新城和新区、扩展主城区、构建乡镇村庄产业化等模式为主的外延扩展两种特征［27］。鉴于此，本文以城市化动力来源和推进模式的差异为切入点，将城市样本按照政府主导型城市化、市场主导型城市化依据中国市场化指数课题组出版的《中国市场化指数》《中国分省份市场化指数报告（2018）》以及《中国分省份市场化指数报告（2021）》计算各省（自治区、直辖市）2011—2020年的市场化进程指数平均值，若某个省（自治区、直辖市）的均值高于全国平均水平，则将省、自治区内部的城市或直辖市本身认定为市场主导型城市化模式；反之，若某个省（自治区、直辖市）的均值低于全国平均水平，则将省、自治区内部的城市或直辖市本身认定为政府主导型城市化模式。需要指出的是，2011—2016年、2016—2020年的数据计算基期不同，评分和排序不可以直接进行比较。因此，本文首先将两套数据计算得到指数进行比例换算，在此基础上对跨时段数据进行平减处理，最终得到2011—2020年的可比数据。以及深度推进型城市化、广度推进型城市化计算286个样本城市2011—2020年新区建设与开发区建设面积之和占城市行政区面积比例的平均值，若某个城市的均值高于全国平均水平则认定其为广度推进型城市化模式；反之，低于全国平均水平的城市认定为深度推进型城市化模式。的类别进行划分，并在此基础上探究数字金融对全要素生产率影响的异质性。当然，现实社会中没有绝对的政府主导型城市化或市场主导型城市化城市，也没有绝对的深度推进型城市化或广度推进型城市化城市，这是相对概念。

表5报告了城市化推进模式存在差别的城市数字金融影响全要素生产率的回归结果。从城市化动力来源的分组结果来看，表5列（1）中数字金融未通过显著性水平检验，列（2）中数字金融系数为0415，且通过了5%的显著性水平检验，表明市场主导型城市的数字金融发展促进了全要素生产率提升，而政府主导型城市的数字金融发展未对全要素生产率产生作用。这可能源于一方面市场机制具有善于识别劳动力需求、居民消费倾向、交易成本等特征，有利于强化数字金融对资源的合理高效配置，促进全要素生产率提升；另一方面，市场主导型城市大多集中于东南沿海地区，基础设施完善、要素禀赋较好、交易成本较低、要素集聚能力较强，尤其是在招商引资、人才吸引、研发活动等方面具有优势，这就使得数字金融不仅能充分促进要素流动，还便于在数字技术加持下实现知识和信息的快速流动，充分发挥创新驱动效应，进而提升了全要素生产率。与之相反，政府主导型城市的目标导向性与手段强制性突出，过去一段时间存在行政效率偏低、政策实施不灵活且较为保守等问题，导致金融资源匮乏，金融硬件和软件相对薄弱，金融体系和制度保障不够完善，限制了数字金融对全要素生产率的提升作用。

从城市化空间模式的分组结果来看，在表5列（3）和列（4）中数字金融系数均显著为正，但列（3）中数字金融的系数值与显著度均大于列（4），说明深度推进型城市中数字金融对全要素生产率的提升作用相较于广度推进型城市更为显著。这与深度推进型城市更加集约高效的发展密切相关，相较于广度推进型城市，深度推进是基于原有城区进行的资源整合升级，人口、产业、公共基础设施集中，为集聚效应和共享经济提供了良好平台，使得各类金融资金、人力资本、固定资本、知识信息等能够在小范围内汇聚和集散，从而更好地发挥数字金融的规模效益，提高要素空间配置效率，有效推动全要素生产率提升。此外，深度推进模式的客观条件驱使了产业发展以技术密集型的高新技术产业以及资本密集型的第三产业为主，间接助推了数字金融发展速度，提高了全要素生产率。

六、结论及建议

本文以中国2011—2020年286个城市为样本，探究了数字金融对城市全要素生产率的影响效果及作用机制，并立足中国城市化进程的动力来源与空间模式差异，进一步检验上述结论的异质性。研究发现：（1）数字金融显著促进了城市全要素生产率提升。在三个分指数中，数字金融覆盖广度的促进作用最明显，之后依次为数字金融使用深度、数字金融数字化程度。（2）数字金融能够通过推动技术创新和优化要素配置两种效应赋能全要素生产率。进一步采用KHB方法进行效应分解发现，数字金融通过创新驱动与要素配置效应提升城市全要素生产率的效果大于其直接产生的作用，且创新驱动效应的贡献度大于要素配置效应。（3）在不同城市化推进模式下，数字金融对城市全要素生产率的作用存在差异。相较于政府主导型和广度推进型城市，市场主导型和深度推进型城市的数字金融对全要素生产率的提升效果更为显著。

根据上述结论，本文就如何提升数字金融服务实体经济的质效提出以下几点建议：（1）“软硬兼施”赋能数字金融高质量发展。一方面，要强化数字金融基础设施建设，加大对数字金融领域基础设施建设的补贴力度，推动传统金融基础设施迭代升级，筑牢数字金融发展的“硬基础”底座；另一方面，要完善数字金融业务流程，及时对金融业务流程进行数字化改造，重构底层业务逻辑，调整产品服务模式，提供更多优质数字金融产品和服务；此外，应加快数字金融法治体系建设，明确各监管机构权责，避免出现监管盲区，将数字技术与监管相结合，搭建动态风险管控平台和信息共享数据库，为数字金融发展提供优良的“软环境”。（2）创新驱动和要素市场改革双向发力，提升数字金融服务实体经济质效。一方面，加强数字金融对科技人才培养和研发资金投入的作用，提升创新驱动效应；另一方面，要打破要素流通壁垒，实现要素在区域、部门、行业之间的自由流动，强化数字金融引领资源流动的作用；同时，还要推动数据等新型要素与传统要素的融合发展，加强“数实融合”，改善要素市场信息匹配程度，提高资源配置效率。（3）发挥有效市场和有为政府在发展数字金融中的协同作用。一方面，让“无形之手”大显神通，充分发挥市场规律在资源配置中的主导力量与效率优势，将数字金融这块“蛋糕”做大；另一方面，让“有形之手”有力调控，有效发挥政府引导要素规范调配的机能，弥补市场的自发性、盲目性、滞后性缺陷，维护市场秩序与公平竞争，优化公共服务，从而保障数字金融平稳有序发展。在此基础上，既要“两手抓”，也要实现“握手”，让政府与市场各司其职、各尽其用，相互补充，共同推动数字金融高质量发展。（4）“量体裁衣”制定数字金融发展战略。金融机构在发展数字金融时一定要从城市的实际情况及自身条件等客观因素出发，在数字金融顶层设计和战略布局上同时下功夫，既要抓住数字金融发展的战略机遇，又要顾及城市客观条件所限基础设施、行业数字化和信息化水平等现状，因地制宜发展数字金融。

参考文献：

［1］SolowRM.TechnicalChangeandtheAggregateProductionFunction［J］.ReviewofEconomicsandStatistics，1957，39：312-320.

［2］唐松，赖晓冰，黄锐．金融科技创新如何影响全要素生产率：促进还是抑制？——理论分析框架与区域实践［J］．中国软科学，2019，34（7）：134-144．

［3］许平祥.经济金融化与“全要素生产率之谜”：理论机制与实证检验［J］.商业研究，2023，66（5）：90-99.

［4］顾宁，吴懋，赵勋悦．数字普惠金融对小微企业全要素生产率的影响——“锦上添花”还是“雪中送炭”［J］．南京社会科学，2021，32（12）：35-47．

［5］于江波，白凯，王晓芳．数字金融能否引领全要素生产率和经济产出跨越胡焕庸线［J］．山西财经大学学报，2022，44（2）：31-46.

［6］巴曙松，白海峰，胡文韬．金融科技创新、企业全要素生产率与经济增长——基于新结构经济学视角［J］．财经问题研究，2020，42（1）：46-53．

［7］盖庆恩，朱喜，程名望，等．要素市场扭曲、垄断势力与全要素生产率［J］．经济研究，2015，50（5）：61-75．

［8］BaumannJ，KritikosAS.TheLinkbetweenR&D，InnovationandProductivity：AreMicroFirmsDifferent？［J］.ResearchPolicy，2016，45（6）：1263-1274.

［9］PiaoZF，WuCH，SuN，etal.FinancialConstraints，CapitalMisallocationandFirm’sTotalFactorProductivity（TFP）Loss-empiricalEvidencefromListedManufacturingCompaniesinChina［J］.AppliedEconomics，2023，55（39）：4572-4585.

［10］谢平，邹传伟．互联网金融模式研究［J］．金融研究，2012，55（12）：11-22．

［11］ShiY，GongL，ChenJ.TheEffectofFinancingonFirmInnovation：MultipleCaseStudiesonChineseManufacturingEnterprises［J］.EmergingMarketsFinanceandTrade，2019，55（4）：863-888.

［12］钱雪松，唐英伦，方胜．担保物权制度改革降低了企业债务融资成本吗？——来自中国《物权法》自然实验的经验证据［J］．金融研究，2019，62（7）：115-134．

［13］万佳彧，周勤，肖义．数字金融、融资约束与企业创新［J］．经济评论，2020，41（1）：71-83．

［14］BankerRD，CharnesA，CooperWW.SomeModelsforEstimatingTechnicalandScaleInefficienciesinDataEnvelopmentAnalysis［J］.ManagementScience，1984，30（9）：1078-1092.

［15］李欣泽，陈言．金融摩擦与资源错配研究新进展［J］．经济学动态，2018，59（9）：100-114．

［16］张玲，董成立，张伟伟.数字普惠金融对经济高质量发展的影响机制研究［J］.哈尔滨商业大学学报（社会科学版），2023，40（6）：20-30.

［17］BaronRM，KennyDA.TheModerator-mediatorVariableDistinctioninSocialPsychologicalResearch：Conceptual，Strategic，andStatisticalConsiderations［J］.JournalofPersonalityandSocialPsychology，1986，51（6）：1173-1182.

［18］KarlsonKB，HolmA，BreenR.ComparingCoefficientsofNestedNonlinearProbabilityModels［J］.TheStataJournal，2011，11：420-438.

［19］CavesDW，ChristenseLR，DiewertWE.TheEconomicTheoryofIndexNumbersandtheMeasurementofInput，Output，andProductivity［J］.Econometrica，1982，50（6）：1393-1414.

［20］郭峰，王靖一，王芳，等．测度中国数字普惠金融发展：指数编制与空间特征［J］．经济学（季刊），2020，19（4）：1401-1418．

［21］郑万腾，赵红岩，范宏．数字金融发展对区域创新的激励效应研究［J］．科研管理，2021，42（4）：138-146．

［22］张勋，万广华，张佳佳，等．数字经济、普惠金融与包容性增长［J］．经济研究，2019，54（8）：71-86．

［23］郭珂，郭雪萌．产业集聚与企业资产结构——基于中国地级市及上市企业的证据［J］．金融经济学研究，2023，38（6）：32-49．

［24］傅秋子，黄益平.数字金融对农村金融需求的异质性影响——来自中国家庭金融调查与北京大学数字普惠金融指数的证据［J］.金融研究，2018，61（11）：68-84.

［25］宋敏，周鹏，司海涛．金融科技与企业全要素生产率——“赋能”和信贷配给的视角［J］．中国工业经济，2021，38（4）：138-155.

［26］邸勍，袁晓玲，王书蓓.城镇化影响环境质量的典型机制与差异化研究［J］.当代经济科学，2021，43（3）：94-106.

［27］李强，陈宇琳，刘精明．中国城镇化“推进模式”研究［J］．中国社会科学，2012，33（7）：82-100+204-205．

TheImpactofDigitalFinanceonUrbanTotalFactorProductivity

——AnExaminationbasedonInnovation-drivenandFactorAllocationPerspectives

DIQing1a，b，YUANXiaoling1c，ZHANGMeisha2

（1.Xi’anJiaotongUniversity，a.SchoolofPublicPolicyandAdministration;b.Instituteof“TheBeltand

TheRoad”PilotFreeTradeZone;c.SchoolofEconomicsandFinance，Xi’anJiaotongUniversity，

Xi’an710049，China;2.SchoolofMarxism，Chang’anUniversity，Xi’an710064，China）

Abstract：Effortstoimprovetotalfactorproductivityisthedrivingforceforhigh-qualitydevelopment，anddigitalfinance，asanewengineforeconomicdevelopment，isanimportantmeasureforfinancialinstitutionstoimprovethequalityandefficiencyofservingtherealeconomyandboostproductivity.Taking286citiesinChinafrom2011to2020assamples，thispaperexplorestheeffectandmechanismofdigitalfinanceonurbantotalfactorproductivity，andfurtherteststheheterogeneityoftheaboveconclusionsbasedonthedifferencesofpowersourcesandspatialpatternsinChina’surbanizationprocess.Thefindingsareasfollows：（1）Digitalfinancesignificantlypromotestheimprovementoftotalfactorproductivity;Thecoverageofdigitalfinancehasthemostobviouseffect，followedbythedepthofuseofdigitalfinanceandthedegreeofdigitalfinancedigitalization.（2）Digitalfinancecanempowertotalfactorproductivitybypromotingtechnologicalinnovationandoptimizingfactorallocation;FurtherusingKHBmethodtodecomposethecontributiondegree，itisfoundthatthecontributiondegreeofinnovation-driveneffectisgreaterthanthatoffactorallocationeffect.（3）Underdifferenturbanizationpromotionmodels，theeffectofdigitalfinanceontotalfactorproductivityisdifferent.Comparedwithgovernment-ledandwidth-promotedcities，digitalfinanceinmarket-ledanddeep-promotedcitieshasamoresignificanteffectontheimprovementoftotalfactorproductivity.

Keywords：digitalfinance;totalfactorproductivity;innovation-driven;elementallocation;urbanizationpromotionmodel

（责任编辑：赵春江）