互联网金融发展提升了区域创新效率吗——基于空间杜宾模型的实证分析

（上海大学 经济学院，上海 201800）

党的十八届五中全会提出的创新、协调、绿色、开放、共享发展理念逐渐成为了我国引领新常态发展的重要指导思想。在这一发展理念中，创新居于首要地位。十九大报告进一步将创新作为引领发展的第一动力。在新常态背景下，我国从要素、投资规模驱动发展为主向以创新驱动发展为主的转变势在必行。与此同时，互联网作为推动创新不可或缺的要素之一，在金融、环境、能源等各个领域都做出了极大贡献。尤其是目前由大数据、区块链、云计算、人工智能等新兴前沿技术催生的金融科技，不仅对金融市场及金融服务业务供给产生了重大影响，也凭借其“爆发式”的崛起成为了创新的强大推动力。作为信息化发展的高级产物，互联网金融的发展过程中展现出来强大的创新能力与创新精神尤其值得关注。鉴于此，针对互联网金融发展与区域创新效率关系的研究能够为我国高效创新发展提供关联支撑，具有一定的现实意义。

一、文献综述

目前学界对于互联网金融发展影响创新效率这一领域的研究尚处于起步阶段，相关实证文章更是少之又少，为此本文可以从金融发展对创新的影响以及互联网发展对创新的影响研究中找出一些共同点并加以融合提升。

对于金融发展与创新的研究，经济学家熊彼特［1］最早提出金融发展可以通过作用于企业技术创新进而推动经济发展。Xiao 和Zhao［2］认为完善的金融体系可以产生信息揭示的帕累托改进从而缓解信息不对称问题，对创新效率的提升有积极的影响。国内学者孙伍琴和朱顺林［3］通过对23 省市技术创新的Malmquist 生产率测算研究发现，金融可以通过创新资本的融通、投资风险的分散、信息处理的加速与创新激励的产生达到促进技术创新的效果。同时也有一些学者对金融发展正向作用于技术创新持怀疑态度。Maria 和Gustavo［4］经过实证分析得出资本匮乏和制度不完善的金融体系可能会阻碍创新活动的进行，如果发展中国家希望通过金融发展来刺激创新，首先应创造适当的体制条件。Chowdhury 和Maung［5］认为在信息不对称的状况下，融资机构可能会误配资源，导致技术创新效率低下。贾俊生等［6］发现创新是金融发展影响经济增长的重要渠道，其中信贷市场能显著促进创新，但资本市场融资功能的不健全会削弱这种促进作用。姚雪松和凌江怀［7］通过实证分析得出，虽然目前我国金融规模的增长对技术进步具有显著的正向影响，但是金融效率的提高却阻碍了技术进步。因此，金融发展与创新的关系不能一概而论，中国作为发展中国家，二者的关系亟待更为全面的分析。

另一方面，与本文研究联系紧密的文献还集中于讨论互联网对创新的影响。宏观层面上，Forés 和Camisón［8］发现信息通讯技术能够显著提升区域创新能力。韩先锋等［9］从直接效应以及金融发展、人力资本聚集、产业升级3 个间接作用机制及其门槛效应进行了实证分析，最后发现通过实施合理的“互联网+”区域创新策略，不仅可以促进区域创新效率的快速提升，而且还可以缩小区域间的创新差距、推动区域创新实现从模仿创新向原始性创新转变。微观层面，Audretsch 等［10］、Guire 等［11］和李海舰等［12］从理论层面探讨了互联网与企业创新的关联性，王春燕和张玉明［13］认为互联网具有灵活性、整合性，开放度广等特征，能显著推动企业创新。Cui 等［14］和Lyytinen 等［15］利用微观数据进行实证分析得出了一致结论。Paunova 和Rollob［16］基于发展中国家和新兴国家的企业数据分析得出，效率越高、吸收能力越强的企业越容易从互联网的广泛使用中获得创新收益。

经过对比总结发现，国内文献研究的主要是区域创新水平，对创新效率的研究甚少；此外，大部分实证分析都基于普通面板模型，并未考虑二者的空间效应。基于此，本文试图在以下两方面有所贡献：①将互联网金融与区域创新效率连接起来，通过直接效应与影响机制分析为区域创新效率的提升提供新的切入点；②试图运用动态空间面板模型探究互联网金融发展对区域创新效率影响的空间溢出效应。

二、分析框架与研究假说

（一）直接传导机制

互联网的技术溢出效应使得创新效率提升，具体表现在以下方面：第一，网络效应。随着接口数量的不断增加，互联网表现出边际效益递增、边际成本递减的独特性质，所有用户都可能从网络规模的不断扩大中获得更高价值［17］。第二，长尾效应。由于极低的边际成本，那些位于中长尾部分的冷门技术和产品能够成为寄予厚望的新的利润增长点，互联网的发展使得大部分创新的想法和技术都能得到实现［1819］。第三，示范效应与竞争效应。与互联网结合的金融部门往往具有创新的思维，先进的技术，因此成为行业标杆。为了保持自身竞争力，其他企业会争相效仿，进而促进各企业的研发和创新［20］。

互联网与金融的结合通过降低信息成本、创新支付手段、优化资源配置，推动了金融业态的革新，使得金融更具普惠性［2122］。在匹配风险、降低成本的同时，还改善了融资结构、拓宽了企业的融资渠道，盘活了资产，极大地提升了各部门的融资效率，打破了传统金融的二八定律，中小微企业能更轻松地得到资金支持其创新生产活动［23］。

互联网金融的发展加强了要素流通，对创新效率利好。在我国政府管控大部分生产要素的定价与分配，“权力寻租”行为不可避免，一些企业与政府保持长期的寻租关系以获得超额利润［24］。此外，为了保护当地利益不受侵蚀，地方政府通过行政管制手段强制割裂本地区与外界的经济联系，造成了严重的市场分割现象［25］。要素市场不匹配，价格扭曲，极大地削弱了企业创新的积极性，对创新效率也是不小的打击。互联网金融帮助企业突破地域限制，改善要素市场流动环境，为创新提供了良好的金融环境。

以上分析均表明，互联网金融对创新效率是有正向影响的。考虑到互联网金融体系的复杂性和分析视角的丰富性，互联网金融与创新效率之间的关系应该是不确定的、动态的，且与地理有着密切的关联，因此本文提出假说1：

互联网金融发展对区域的创新效率具有提升作用且存在一定的空间效应（H1）。

（二）间接传导机制

为了国有经济的稳固，我国长期实行金融抑制政策，该政策也暴露出一定的缺点。比如，银行利率连续下调使得低技术部门贷款进行大规模的低水平投资，而先进技术部门形成融资缺口，政府不得不强加干预形成倒逼的贷款，此时高技术部门的融资缺口会进一步加大，其创新生产活动受到阻碍。互联网金融能够加快资金流转速度，提升资本配置效率，缓解不同技术等级部门之间的资金调配不均问题，使得各部门都有充足的资金进行创新研发工作。此外，由于金融市场的不完善，信息不对称问题日渐严重。受到政府保护的国有企业更容易获得资金、技术支持，而对资金需求旺盛的中小企业内部则出现了融资渠道狭窄、结构不合理等问题。尤其是大部分民营企业，由于其信息披露不充分，经常很难从银行处获得贷款。互联网金融具有很强的普惠性［26］，凭借其云计算、云存储、大数据等技术，可以确保市场信息的可达性和有效性，同时市场交易主体通过搜索引擎、社交网络等信息获取新渠道，可以提高信息获取的可能性和准确性，极大地缓解了信息不对称问题，拓宽了资金来源的渠道，提高了资金利用效率，中小型企业尤其受益。基于以上两个方面，本文提出假说2：

互联网金融可以通过扩大金融发展规模影响区域创新效率（H2）。

依托互联网，人们获取信息、学习知识、掌握新技能更为快速便捷，人力资本逐渐向高级化迈进。“互联网+金融”更是聚集了行业各种资源、创新人力资源产品和服务内容，打造了人力资源行业生态圈［16，27］。作为创新的主体，人力资源的高级化能够提升创新效率与技术转化效率，因此本文提出假说3：

互联网金融可以通过加速人力资本积累从而提升区域创新效率（H3）。

三、计量模型、变量选取与数据说明

（一）计量模型

根据“地理学第一定律”，较近的事物之间关系更为密切，标准的计量方法通常假设各省的变量相互独立，无法反映出邻近地区变量的互动关系，而充分考虑了各经济单元空间依赖性的空间计量模型逐渐进入主流。

1.空间自相关分析

在决定是否采用空间计量模型之前需要进行自相关性的检验，如不存在自相关性，则可直接采用标准计量方法。自相关性的常用检验方法有：全局Moran’sI指数、Geary C指数和全局G指数。其中，全局Moran’sI指数使用最为广泛，计算方法如下：

2.空间面板模型

著名空间计量学家Anselin［28］指出，空间里的各个经济单元都不是孤立存在的，通常与邻近经济单元有着千丝万缕的联系，表现出一定的空间地理依赖与溢出。由于我国的互联网金融发展水平和区域创新效率均具有一定的空间集聚性，因此在研究互联网金融发展提升创新效率时应当将空间因素纳入其中。空间杜宾模型是空间自回归模型与空间误差模型的一般形式，能捕捉各经济单位之间的空间异质性及外溢性；模型中同时包含了解释变量与被解释变量的空间滞后项，可以处理增加或遗漏变量等问题，本文择其作为基准模型进行分析，下文将进行相关检验进一步验证模型的合理性。此外，考虑到内生性问题的存在，本文引入被解释变量的滞后一期构建出动态空间面板杜宾模型，以期更好地拟合互联网金融发展对区域创新效率的影响效果。具体形式如下：

其中：effit与itfinit分别为各省各年度的创新效率水平与互联网发展水平；αi为各变量系数；Z为一系列控制变量；ρ为空间相关系数；ui为控制的个体效应；εit为空间扰动项。

（二）变量选取

（1）被解释变量。本文的解释变量是区域创新系统及其子系统的创新效率水平。在效率测度及评价方法中，综合评价法和前沿分析法受到广大学者的亲睐。综合评价法中的因子分析和主成分分析尤为突出，而前沿分析法中数据包络分析（DEA）和随机前沿模型（SFA）应用最为广泛。传统的DEA 方法根据前沿规模报酬是否可变分为CCR 和BCC 两种模型，均主要运用线性规划计算，且对观测数有一定限制，因此本文选择参数法中基于投入产出的SFA 方法对效率进行测算，参数法有统计检验数作为样本拟合度和统计性质的参考，测算结果真实可靠。创新投入方面，从传统的柯布 道格拉斯函数分析，主要包括人力（L）以及资本（K）两部分。本文采用研发人员全时当量作为人力投入变量。在资本投入方面，学界普遍采用的是R&D 流量或R&D存量，R&D 存量需要采取一定的折旧率（δ）进行测算，而目前该折旧率的选取有9.6%［29］、15%［30］、20.6%［31］等，相差较大，具有明显的主观性，为了避免折旧率选取差异对结果造成影响，本文选取R&D 经费内部支出额这一流量指标作为资本投入的衡量。在创新产出的选取上沿用韩先锋等［9］采用的专利申请授权量。运用Frontier4.1 软件，分别选用Cobb Douglas 以及Translog 两种生产函数进行测算，并进行广义似然比检验，检验结果表明统计量LR 大于5%显著平下的混合卡方分布临界值，最终选择超越对数随机前沿生产模型作为效率结果输出模型。

（2）核心解释变量。互联网金融发展水平作为核心解释变量的同时也是门槛变量。目前针对互联网金融发展水平的衡量指标较少，一些学者采用互联网相关网页数量、互联网用户数量、第三方互联网支付规模［3233］等指标进行度量，但尚未得到一致认可。相比之下，北京大学2015 年发布的互联网金融相关指数［34］是目前较为权威的衡量互联网发展水平的指标。该指数来源于包括蚂蚁金服在内的多家业内有代表性的互联网金融企业及第三方机构的数据，具有完整性与统一性，横纵可比。本文选取其中的互联网金融综合发展指数作为主要解释变量。

（3）控制变量。参考已有学者对区域创新效率的研究，兼顾数据的可得性，选取①城市化水平（urb），用年末城镇人口与总人口比例来衡量；②对外开放程度（open），用实际利用外商投资的对数来表示；③产业结构（ind），用第三产业与第二产业的增加值之比反映；④技术转移和科技成果转化水平（tec），用技术市场交易额与GDP 之比反映。

（4）中介变量。①金融发展水平（fin），用金融机构年末各项贷款余额表示；②人力资本（hc），用高等学生在校生数与总人口之比表示。

（5）空间权重矩阵。本文在现有研究的基础之上，结合研究对象的特殊性，分别在模型中嵌入地理距离矩阵与金融距离矩阵。地理距离矩阵的表达式为

其中：dij为根据各省会城市经纬度测算出的欧氏距离。金融矩阵的表达式为

其中：FLi与FLj分别表示城市i与城市j的金融发展水平。本文选取两城市之间金融发展水平乘积的平方根与地理距离的倒数来度量地理距离与金融发展对两城市之间的空间作用程度。

本文中的主要变量的具体含义和描述性统计见表1。

表1 变量的定义与描述性统计

（三）数据说明

由于北京大学北京大学互联网金融发展指数从2011 年开始，为了保持数据的一致性本文的样本观测时间为2011—2018 年。在观测样本上选取中国30 个省份，剔除了相关数据明显缺失的西藏和港澳台地区。本文使用的互联网各项指数来源于北京大学互联网金融研究中心课题组编制并发布的“北京大学互联网金融发展指数”，金融指标原始数据从《中国金融统计年鉴》中采集，其余变量的原始数据来自《中国统计年鉴》《中国科技统计年鉴》或Wind 数据库。

四、实证结果及分析

（一）空间自相关性

从表2 中可以看出，2011—2017 年区域创新效率与互联网金融发展均有显著的正向空间相关性，即互联网金融发展水平或区域创新效率高（低）的地区，其邻近省份的互联网金融发展水平或区域创新效率也较高（低）。互联网金融发展的莫兰指数大体上呈现先下降后上升的趋势，这与郭峰等［35］发现的2014 年初至2015年末中国互联网金融指数的空间分布朝分散化发展这一结论一致。这一指数近3 年来持续上升，本文认为在金融科技飞速发展的今天，互联网金融的模式及手段发生了巨大变化，对技术、资本以及人员的要求不断提高，要素也逐渐向发展迅速的地区流动；其次，尽管各地普惠政策纷纷出台，作为依赖于经济增长而获得稳健发展的产业，互联网金融在经济下行压力下发展并不如预期的那样乐观。区域创新效率的莫兰指数变动较不规律，近年来该指数下降较快，且在2018 年表现不显著。习近平总书记在十九大上多次提出“创新”，并且强调了创新的普及性，加上政策向科技创新相对落后地区的倾斜，区域创新效率表现出一定的收敛性和普惠性［36］。

表2 2011—2018 年中国互联网金融发展水平与区域创新效率的Moran’s I 统计值

（二）空间计量回归结果

依次采用空间杜宾模型（SDM）、空间自回归模型（SAR）与空间误差模型（SEM）进行回归，进一步检验SDM 是否退化为SAR 或者SEM，结果见表3，LR 检验量均通过了1%显著性水平的检验，有理由拒绝“计量模型退化为SAR”与“计量模型退化为SEM”的原假设，本文最终选择空间面板杜宾模型对互联网金融发展与区域创新效率的衰减边界距离进行识别。

表3 空间计量模型选择结果

由表4 可以看出，在4 种不同的模型下空间滞后项系数ρ均在1%水平上表现显著，这说明即便在控制了一系列相关经济变量后，区域创新效率仍然具有一定的空间溢出效应，并未表现出完全的超地理特征。此外，大部分估计结果在系数符号与显著性方面基本类似，且被解释变量滞后一期在两种距离矩阵下均通过了1%的显著性检验，这说明考虑空间溢出与被解释变量滞后项作用来分析互联网金融对区域创新效率的影响效应是合适的。值得注意的是，互联网金融系数及其空间滞后项系数在静态及动态SDM 模型下却表现出一定的差异，静态空间面板模型中的互联网金融发展系数及其空间滞后项系数要显著低于动态空间面板模型中的互联网金融系数及其空间滞后项系数，在金融距离矩阵下该差异表现更为巨大（0.0411 与0.1783，-0.0511 与-0.2748）。静态模型低估了互联网金融发展对区域创新效率的促进效应与空间溢出效应，这说明该作用效果在长期表现更为显著，中国区域创新效率的提升具有动态性与连续性。

考虑到内生性问题的存在，本文另采用动态空间杜宾GMM 模型进行估计以检验基准回归模型的稳健性［37］。在两种矩阵下判断GMM 工具变量有效性的Sargan 值分别为28.233 和26.756，伴随概率值为0.8188 和0.8685，说明工具变量有效且不存在过度识别问题。模型（5）、模型（6）的估计结果与模型（3）、模型（4）较为一致，本文可以认为采用动态SDM 模型是稳健的。

本文主要研究的是互联网金融发展影响区域创新效率的空间效应，考虑到解释变量在影响其他地区的同时也会反过来影响该地区，为了捕捉这种“反馈效应”，参考已有研究，采取空间面板回归偏微分效应分解法对互联网金融发展对区域创新效率的直接效应与间接效应进行详细解读。

（1）直接效应。无论是地理距离矩阵还是金融距离矩阵，互联网金融发展对区域创新效率都具有显著的正向影响。但在金融发展水平的介入下，这种影响作用稍稍减弱，这与学界普遍认为的传统金融发展能提升区域创新效率［3］的观点似乎不太一致。除去估计偏差的情况，本文将原因归结为以下两点：首先，大部分省份的金融发展与创新效率共同发展的良性机制尚未形成，传统金融的发展并不一定能够带动区域创新效率的提升；除此之外，我国金融开放进程的持续推进在促进资本流动的同时使得系统风险增加、市场波动、信息不对称，在一定程度上扰乱了市场的正常运作，金融市场的波动会阻碍互联网金融对创新效率支持，这也再次印证了金融发展在一定程度上对互联网金融对区域创新效率的提升起到负面影响。

（2）间接效应。由表5 可以发现，在静态模型下，互联网金融发展对区域创新效率的空间溢出效应在地理距离矩阵下（-0.0591）小于金融距离矩阵下（-0.0678），金融发展水平的嵌入削弱了地理距离的摩擦作用，表现为邻近地区互联网金融发展显著抑制了本地区的创新效率。本文的样本研究期间正值金融科技飞速发展的阶段，金融科技的高门槛加强了互联网金融发达地区的“虹吸效应”。这些地区凭借其先进的技术、充盈的资本不断蚕食邻近地区的资源，使得周边地区的物资变得匮乏，各项生产、创新活动都因此受到影响。此外，我国的金融水平尚不均衡，内部分化严重，在考虑了金融发展水平后，金融中心的“极化效应”使得各地区创新效率的分布更为不均。

表4 互联网金融发展对区域创新效率影响的空间回归结果

表5 互联网金融发展对区域创新效率的直接效应与间接效应

（三）互联网金融发展对区域创新效率的影响机制分析

前文理论部分分析了互联网金融发展可能通过影响金融发展与人力资本进而对区域创新效率造成影响。为了检验这两种中介效应的存在，本文分别进行了中介效应估计，并给出了分解效应的估计结果。

从表6 可以看出，一方面，互联网金融的发展可以显著提高金融的发展水平，但金融的发展稍稍抑制了区域创新效率的提升，其原因可能是金融市场的不完善阻碍了区域技术的创新活动［38］。前者的提升作用大于后者的抑制作用，最后结果仍表现为促进；另一方面，互联网金融的发展使得人力资源进步，而人力资源的进步带动了创新效率的提升，该结果与大部分研究结论一致。在分解效应方面，创新效率提升的直接效应估计系数均显著且符合中介效应检验的判断标准和预期，两个中介变量的直接效应参数也均显著且符合预期，说明金融发展与人力资本积累在互联网金融发展提升区域创新效率的影响中起到了部分中介作用，H2 与H3 得到验证。

表6 中介效应估计结果

五、结论性评述

基于2011—2018 年中国30 个省的面板数据，利用随机前沿模型中的超越对数生产函数测度中国区域创新效率，在此基础上构建动态空间面板杜宾模型以探究互联网金融发展对区域创新效率的影响及其作用机制，主要结论如下：①互联网金融发展与区域创新效率都表现出一定的正空间相关性，互联网金融发展程度（创新效率）高的地区其邻近省份的互联网金融发展程度（创新效率）也较高；②互联网金融发展能够促进本区域创新效率，但邻近地区的互联网金融发展对本地区的创新效率却有一定的抑制作用；③互联网金融可以通过促进金融发展与人力资本积累进而提升区域创新效率。

尽管当前中国互联网金融的发展与创新效率取得了长足进步，但地区之间创新驱动发展仍不平衡，结合本文的研究结论得出启示意义：一是要拓展大数据的搜集与运用，强化互联网金融与创新的联动发展机制；二是要培育长尾效应，对具有发展潜力的技术专利给予扶持；三是在实施动态化、差异化的“互联网+”区域创新策略的同时兼顾区域间协同发展，进一步为创新提供源动力。各级政府应把握互联网金融创新溢出的经验，树立良好的创新驱动发展理念，营造有利于技术创新的政策与金融环境，使在新常态背景下的互联网金融对区域创新效率起到切实的提升作用。

当然，本文未充分考虑产业升级、政府行为等因素对互联网金融正向促进区域创新效率的影响，这也是未来值得深入和拓展研究的方向。