数字金融能否改善资源错配?

2021-04-15 08:36谭秋云靳景玉1
财经论丛 2021年4期
关键词:资源配置劳动力资本

田 杰,谭秋云,靳景玉1,

(1.重庆工商大学长江上游经济研究中心,重庆 400070;2.重庆工商大学金融学院,重庆 400070)

一、引 言

中国在四十年经济高速增长中一直面临着粗放型增长导致的资源配置效率不高的问题。资源错配会显著降低我国全要素生产率,造成国民经济的产出损失,从而影响长期经济增长。如何解决资源错配,以推动经济高质量发展,化解资源、环境约束及产能过剩等问题?金融摩擦可以解释中国经济中30%的资本错配,并导致8.3%的总体经济的全要素生产率损失[1],而以人工智能、大数据为基础的数字金融与传统金融的融合,能够有效降低信息不对称和不完全契约带来的金融摩擦,从而对资源错配产生影响。作为生产要素配置的一种重要方式,数字金融的快速发展能否起到改善我国资源错配的作用,具体的作用机理是什么?

经济发展中的资源错配一直是学术研究关注的热点话题。已有文献对我国资源错配的研究,主要包括资源错配程度的度量、成因及导致的后果。Hsieh and Klenow(2009)构建了测度资源错配的理论框架,采用的方法主要是基于规模报酬不变的C-D生产函数[2]。在这个理论框架基础上,国内外学者对我国资源错配进行大量理论和实证研究后认为,行政垄断引发的所有制歧视[3][4]、地方的过度保护和市场分割[5]、金融摩擦[6]等导致了资源错配。通过对外直接投资[7]、互联网[8]、交通基础设施投资[9][10]、提高金融中介效率和减少劳动力市场摩擦[11]、产业协同集聚[12]等措施使资本与劳动的流动与配置尽可能达到最优,并且在市场价格机制的作用下,遵循要素报酬等于边际产品价值的原则,生产要素能够自由流动和配置,最终改善资源错配。已有文献研究了金融科技对全要素生产率的影响[13],虽然全要素生产率的离散反映了资源错配程度,却未能反映资本错配和劳动力错配情况。本文立足于当前全面发展数字经济的大背景,将数字金融与资源错配纳入一个统一的分析框架,深入揭示数字金融影响资源错配的内在机理;利用2011~2017年中国285个地级市的面板数据,在测算各地级市资源错配的基础上,实证分析数字金融及其三个子维度分别对资源错配的影响;并进一步分析不同地区、城市规模、产能过剩水平、地区资源配置水平等异质特征下数字金融对资源错配的影响。

本文的边际贡献在于:第一,验证了数字金融与资源错配之间的关系,丰富了资源错配方面的研究;第二,详细研究了数字金融与资源错配之间的内在机制,从更深层理解资源错配的成因;第三,基于我国285个地级市的面板数据,采用面板数据进行估计,获得数字金融与资源错配之间的因果关系,有助于更为深刻认识资源错配的内涵,有利于政府相关部门制定政策。

二、影响机理

资源错配是相对资源有效配置而言的。在一个市场中,如果资源配置能实现产出最大化和效率最大化,那么这种资源配置就是有效的。如果资源错配严重,不仅会造成资源的浪费,更会使得经济发展受阻,不利于经济的可持续性增长。如果满足在生产技术凸性的假设下,各种生产要素在完全信息和完全竞争的经济中能够自由流动,当市场最终实现竞争均衡时,要素投入的边际产出价值在企业间是相等的,从而实现了生产要素和产出的配置的帕累托最优[2],而相对于最优配置状态的偏离即是“资源错配”。信息不完全、市场不完善和政府干预等因素会影响要素自由流动,边际回报率高的企业的生产要素会流向边际回报率低的企业,偏离帕累托最优的资源配置水平,导致资源配置效率和产出的损失,“资源错配”就发生了[14][15]。

由于金融摩擦导致的资源错配是影响经济增长的重要原因。金融摩擦会带来企业融资成本的增加[16],影响企业的动态进入和退出[17],使企业家才能与投资项目无法匹配[18],导致资源错配。政策性扭曲、信息不对称、不完全契约等因素引发金融摩擦[6]。数字金融依托互联网、大数据、人工智能、云计算、区块链等数字科技,与传统金融服务相融合,能够有效降低信息不对称和不完全契约带来的金融摩擦,进而通过降低实体经济融资成本,促进企业的创立和企业家才能的发挥等途径改善地区资源错配程度。本文将其作用机制归纳为金融市场效率提升和劳动力的创业效应,具体机制如下:

首先,数字金融通过提升金融市场效率改善资本错配。以信息技术为支撑的数字金融发展通过降低企业融资成本,提升融资规模,降低资本错配。数字金融利用区块链、人工智能、云计算、大数据等核心技术对金融体系进行改进和优化,完善金融机构的服务功能,填补了传统金融机构服务的不足[19]。数字金融借助于互联网、物联网、社交媒体、传感器、定位系统等多种方式获得各种金融产品大数据,借助云计算、机器学习、物联网、区块链等智能化手段分析数据,从而有效缓解了金融机构面临的信息约束,尤其是降低了长尾客户群体的信息收集成本,并且在强虹吸效应作用下,中小企业的金融服务需求将能得到更大程度的满足。因此,数字金融活动不受时间和空间的限制,能降低企业的融资成本,提升融资规模,提高金融市场效率,使得资本错配程度下降。

其次,数字金融对劳动力错配的改善主要是通过促进创新创业实现的。在数字经济时代,数字金融的普惠性使得各类创业主体能便捷高效地获得金融服务,数字金融惠及了更多的创业主体。数字金融的发展能够为创业资金渴求者提供必要的创业融资支持,激发其因为创业资金约束而受到抑制的创业活动[20]。同时,在数字经济快速发展的背景下,一方面数字金融对小微企业进行风险评估能够做到成本更低,另一方面数字金融使小微企业有更多的融资渠道和更广的资金来源,有助于解决小微企业融资难问题,明显激发不发达地区的经济主体以及社会资本匮乏、教育程度较低的创业主体的创业行为,从而在一定程度上减少劳动力的错配。数字金融作为一种重要的创新型金融基础设施,通过为具有创新性的创业主体提供各种金融服务,增加了他们的创业机会和成功概率[21]。数字金融以较低的成本联合其他部门构建企业信用体系,能够为创业主体定制精准的投融资需求,有效甄别那些具备创新实力却无法融资的创业主体的融资能力,最终实现金融资源对真正的科技创新项目的支持[13]。因此,数字金融的发展提升了创业主体的融资效率,增加了对创新型项目的支持,促进了创业,从而有利于改善劳动力错配。

三、研究设计

(一)数据来源和变量说明

本文选取的时间维度是2011年至2017年,主要考察的是我国内地地级市的资源错配,数据主要来源于《中国城市统计年鉴》《中国统计年鉴》和各省市统计年鉴。考虑到获得数据的难度以及数据的完整性,本文剔除了西藏数据,最终选取了285个地级市为基础样本。数字普惠金融指数来源于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—2018)》。

1.资源错配指数

借鉴陈永伟和胡伟明(2011)[22]的方法,对我国地级市资本和劳动力资源错配进行测算:

(1)

其中,TKit和ΤLit为资源错配指数;γKit和γLit为要素价格绝对扭曲系数,由于绝对扭曲系数的测算较为复杂,因此常用价格相对扭曲系数来代替:

(2)

其中,Kit/Kt表示t时期地级市i的资本存量占总资本存量的实际比例;Sit表示t时期地级市i的产出的贡献度;βKit表示t时期地级市i的资本贡献值;βKt=∑SitβKit,表示在产出加权的情况下t时期资本贡献值大小;SitβKit/βKt表示在有效配置情况下t时期地级市i使用资本的比例。Kit/Kt和SitβKit/βKt的比值可以反映t时期实际资本存量和有效配置时资本存量的偏离程度。同理,Lit/Lt和SitβLit/βLt的比值可以反映t时期实际劳动力投入和有效配置时劳动力投入的偏离程度。

对于资本与劳动产出弹性,假设生产函数为规模报酬不变的C-D生产函数,具体形式如下:

(3)

两边同时取自然对数,并在模型中加入地区个体效应μi和时间维度效应λt:

ln(Yit/Lit)=lnA+βKiln(Kit/Lit)+μi+λt+εit

(4)

其中,产出(Yit)用各地级市的GDP表示,并将所有年份GDP折算成以2004年不变价格表示的实际GDP。劳动力投入(Lit)选取各城市年末单位从业人员数(万人)来衡量。资本投入(Kit)主要借鉴张军等(2004)[23]的思路,计算公式如下:

Kt=It/Pt+(1-δt)Kt-1

(5)

其中,Kt表示t时期的固定资本存量;It为t时期的名义固定资本总额,为消除物价变动带来的影响,选取Pt为t时期固定资产投资价格指数进行平减;δt表示折旧率,参照张军等的研究设定为9.6%[23];Kt-1表示t-1时期的固定资本存量,并将所有数据调整为以2004年为基期。

通过以上计算,首先得出2011年至2017年各地级市的Yit、Kit、Lit,其次估计出各地级市的资本产出弹性βKit和劳动产出弹性βLit,然后根据式(1)和式(2)计算出各地级市的资本错配指数ΤKit和劳动力错配指数ΤLit。

2.数字金融指数

数字金融指数可分解为3个维度,分别为覆盖广度指标、使用深度指标、数字化程度指标。覆盖广度主要反映地区金融环境,表现为地区的电子账户人数;使用深度反映地区金融业务服务能力,表现为地区使用数字金融服务业务的程度;数字化程度主要反映地区交易成本和效率。本文采用各地级市的数字普惠金融指数除以100衡量,用dfi表示,并分别用we、de、deg表示数字金融的结构,即覆盖广度、使用深度和数字化程度。

(二)模型设计

为了分析数字金融对地区资源错配的影响,本文建立如下计量模型:

ΤKit=α0+β0dfiit+∑γjControlijt+μi+λt+εit

(6)

ΤLit=α0+β0dfiit+∑γjControlijt+μi+λt+εit

(7)

其中,下标i表示各地级市,下标t表示年份。ΤKit和ΤLit为本文的被解释变量,即各地级市的资源错配指数,用以反映我国地级市资源错配程度;dfiit是本文的核心解释变量,表示数字金融指数;Controlijt代表其他控制变量。μi表示不可观测的地区个体效应,λt表示时间效应,εit为随机干扰项。

式(6)和式(7)为静态面板模型。考虑到经济惯性的影响,上一期的资源错配会对当期产生一定的影响,即资源错配可能存在一定的路径依赖[24],因此,本文在上式基础上,加入资源错配指数的一阶滞后项,用以考察存在路径依赖下的动态效应:

ΤKit=α0+α1ΤKi,t-1+β0dfiit+∑γjControlijt+μi+λt+εit

(8)

ΤLit=α0+α1ΤLi,t-1+β0dfiit+∑γjControlijt+μi+λt+εit

(9)

其中,ΤKi,t-1表示资本错配指数ΤKit的一阶滞后项;ΤLi,t-1表示劳动力错配指数ΤLit的一阶滞后项。

控制变量包括:(1)政府干预(lngov),选用各地区政府一般预算内财政支出(万元),并对数化处理;(2)对外开放(lnopen),选用实际外商投资额(万元),并对数化处理;(3)人口规模(lnpop),选用各地级市年末总人口(万人)作为替代指标,并对数化处理;(4)固定资产投资(lninvest),选用各地区固定资产投资总额,并对数化处理;(5)产业结构(structure),选用第三产业增加值占地区GDP的比重衡量;(6)金融发展(fl),选用各地区历年的银行业金融机构人民币各项存贷款余额之和占地区GDP的比重衡量;(7)互联网发展(inter),选用各年度互联网宽带接入用户数占地区年末总人口数的比重衡量。

(三)变量描述性统计

表1报告了描述性统计特征。统计结果显示,各地级市的资本错配存在较大差异,资本错配指数最小值为0.000292,最大值为2.237,平均值为0.219,表明资本错配存在严重不均衡现象。劳动力错配指数最大值为4.217,远高于平均值0.276,说明不同地区劳动力错配更为严重。

表1 变量描述性统计

四、实证结果

(一)模型估计结果与分析

表2报告了采用静态面板和动态面板的数字金融对资源错配影响的回归结果,其中静态回归采用的是双向固定效应模型,动态面板为DIFF-GMM模型和SYS-GMM模型。估计结果显示,在固定效应模型下,核心解释变量dfi对两种资源错配的影响均为负,且在1%的水平上显著。考虑模型的动态效应,即加入资源错配指数的一阶滞后项(L1.T)后,模型的估计结果显示,数字金融对地区资源错配(资本错配和劳动力错配)的影响总体表现为负向关系,表明地区数字金融有助于降低地区的资本和劳动力错配程度。一方面,数字金融的快速发展使得国内市场上的资源得到更加合理的配置,促进资源错配的改善;另一方面,数字金融作为新型的互联网产物,有助于优化劳动投入和资本投入。同时,回归结果还显示,资本错配指数和劳动力错配指数的一阶滞后项均在1%的显著性水平上高度显著,说明在经济惯性下当期的资源错配是会受到前期资源错配的影响,资源错配存在一定的路径依赖。

表2 数字金融对资源错配的影响

续表

(二)数字金融结构差异的影响

为进一步确定数字金融影响资源错配的路径,本文分别分析了数字金融覆盖广度、使用深度和数字化程度的影响。表3回归结果表明,覆盖广度对资本错配和劳动力错配的影响分别在1%和5%的水平上显著为负,而使用深度的影响在1%的水平上显著为负,表明这两个维度对改善资源错配的作用最大。除了数字化程度对劳动力错配的影响为负但不显著,数字金融覆盖广度、使用深度、数字化程度三个渠道均可以改善资本错配和劳动力错配。

表3 数字金融结构差异影响的回归结果

(三)稳健性检验(1)限于篇幅未报告具体结果,作者备索。

1.替换被解释变量

为进一步检验模型估计结果的稳健性,本文采用间接法测算劳动要素扭曲指数和资本要素扭曲指数来替换资源错配指数,具体计算方法参考王宁和史晋川(2015)[25]。静态面板和动态面板的估计结果均显示,数字金融对资本要素扭曲指数和劳动要素扭曲指数的影响显著为负,这在一定程度上表明了本文结论的稳健性,即数字金融改善了资源错配。

2.替换核心解释变量

本文对数字金融指数取对数(lndfi)重新进行回归,结果显示,数字金融与地区资源错配之间仍存在负相关关系,表明数字金融能有效改善地区资源错配情况,解释变量和参数估计值均未发生明显变化,说明本文的结果是稳健的。

五、进一步讨论

(一)地区差异

由于我国各地区数字金融发展情况存在着明显的差异,地区的资本错配和劳动力错配也存在偏差。因此,为了进一步研究数字金融与资源错配之间的关系,本文将总样本分为东中西部三个子样本分别进行回归,结果如表4所示。

表4 分地区估计结果

从回归结果来看,数字金融对东中西部地区资本错配和劳动力错配的影响存在异质性。整体来看,数字金融对资本错配和劳动力错配均表现为负相关,表明数字金融均能改善东中西部地区资源错配情况。具体来看,东部地区的数字金融对资本错配和劳动力错配的影响系数分别在5%和1%的水平上显著为负;中部地区的数字金融对资本错配的影响系数在5%的水平上显著为负,对劳动力错配的影响为负但不显著;西部地区的数字金融对资本错配的影响系数为负但不显著,对劳动力错配的影响在10%的水平上显著为负。数字金融对东部地区资源错配改善效果最好,其次是中部地区,最后是西部地区。分区域表现不同可能的原因是:东部地区数字金融发展程度最高,中部次之,西部最低。东部地区市场竞争机制相对健全,一直是我国经济发展的主要地区,产品和要素市场发育相对完善,使得资源利用程度较高;同时,东部地区数字金融发展良好,能够有效改善资源错配。而中西部地区由于交通设施不发达,交通体系不完善、不健全,使得数字金融对资源错配的改善效果还未充分显现。

(二)地区间产能过剩差异

依托大数据和云计算,数字金融为化解国内的产能过剩提供了一条有效途径。本文参照程俊杰(2015)[26]的做法,依据省份不同将各地级市划分为产能过剩较高地区和产能过剩较低地区两个子样本分别进行回归。其中,产能过剩较高地区包括江苏、辽宁、北京、河北、山西、山东、广东、浙江、福建、云南、贵州和海南;产能过剩较低地区包括天津、上海、吉林、黑龙江、河南、湖北、湖南、江西、安徽、内蒙古、广西、四川、重庆、陕西、甘肃、青海、宁夏和新疆。估计结果如表5所示。

表5 分地区产能过剩水平估计结果

动态面板估计结果显示,地区间产能过剩水平的差异会影响数字金融对资源错配的改善效果。具体而言,对于产能过剩较高地区,数字金融均能改善地区资源错配情况。但从绝对值系数来看,数字金融对劳动力错配的改善效果更好。这是因为数字金融通过促进就业等缓解了过剩的劳动力,有力地促进了生产率水平的提升,使得地区的生产资源得到更为有效的配置,改善效果明显。对于产能过剩较低地区,数字金融对资源错配的影响存在显著差异,数字金融能有效改善资本错配情况,但对劳动力错配的改善不显著。这是因为其产能过剩并不严重,地区市场尚未饱和,还存在一定的扩展空间,数字金融能较好地满足企业资本短缺,改善本地区资本错配。

(三)地区资源配置差异

由于我国市场依然是政府主导的,地区的资源配置不能完全根据市场自由选择,造成部分地区资源配置过度(Τ<0)和部分地区资源配置不足(Τ>0)并存的情况。因此,本文根据资源错配指数测算的结果,将总样本划分为资源配置过度地区和资源配置不足地区两个子样本,考察地区资源配置差异情况下数字金融对资源错配的改善效果,结果如表6所示。对于资源配置过度的地区,数字金融均能改善地区的资源错配情况。但从绝对值系数来看,数字金融对劳动力错配的改善效果更好。这是因为数字金融依托互联网技术优化了生产要素配置,资源配置更为有效。对于资源配置不足的地区,数字金融对资源错配产生了负向影响,但是不显著。究其原因,一方面由于数字金融推出的时间较短,另一方面是因为这些地区本身资源配置不足,使得通过数字金融改善资源错配的效果不明显。

表6 分地区资源配置差异估计结果

(四)城市规模差异

我国各地级市的城市规模不一,而数字金融发展与人口规模息息相关,为了进一步研究数字金融与资源错配之间的关系,本文将总样本分为大型城市和中小型城市两个子样本分别进行回归,结果如表7所示。结果显示,对于大型城市,数字金融对资本错配指数和劳动力错配指数均表现为负,且通过了显著性检验,表明数字金融可以缓解大型城市资本错配和劳动力错配。但从绝对值系数来看,数字金融对资本错配的缓解作用稍强。对于中小型城市,数字金融对资本错配指数表现为正,对劳动力错配指数表现为负,但都不显著,表明数字金融缓解中小型城市资源错配效果不明显。城市是经济要素集聚的重要场所,城市规模大、生产效率高有利于地区资源配置。因此伴随着城市规模扩张带来的产业多样化和交通基础设施的改善,数字金融的发展带动了资本、劳动等生产要素的自由流动,使得资源在各产业之间重新配置,改善了资源配置结构不合理状况,促进了资源配置效率的提高。

表7 分城市规模估计结果

六、结论与政策建议

改善资源错配,提高资源配置效率是中国深化供给侧结构性改革,实现地区经济高质量发展过程中的一项重要议题。本文具体分析了数字金融对资源错配的影响机理,采用2011年至2017年中国285个地级市的面板数据,测算了我国各地级市资本和劳动力的错配程度,通过构建静态与动态面板模型,实证检验数字金融对地区资源错配的影响,并考察了在不同异质性情况下数字金融对资源错配的改善作用。研究发现:(1)数字金融显著改善了资本和劳动力的资源错配;(2)数字金融覆盖广度、使用深度及数字化程度均对资本错配和劳动力错配的改善产生了积极影响;(3)进一步分析表明,数字金融对资源错配的改善作用存在差异,数字金融对东部地区、产能过剩较高地区、资源配置过度地区以及较大规模城市的资源错配改善显著。

本文的研究结论提供了有益的政策启示:在国家大力发展数字经济的背景下,应进一步深化互联网、大数据、云计算、区块链等新型技术与传统金融的融合,继续升级数字金融的覆盖广度、使用深度及数字化程度。同时,各地政府部门应继续推进要素市场的市场化进程,减少不合理的政府干预,以减少地区内和地区间要素流动的障碍,尤其是对产能过剩较为严重地区以及资源配置过度地区,更要积极探索如何借助发展数字金融改善本地区资源配置。东部地区和较大规模城市要继续积极推进“互联网+”发展战略,加大数字金融基础设施建设,使得资源配置结构趋于合理化,实现地区经济高质量发展。

猜你喜欢
资源配置劳动力资本
2020年河南新增农村劳动力转移就业45.81万人
广东:实现贫困劳动力未就业动态清零
金茂资本 上地J SPACE
我国制造业资源配置概述
资本策局变
第一资本观
把资源配置到贫困人口最需要的地方
VR 资本之路
相对剥夺对农村劳动力迁移的影响
刑事侦查资源配置原则及其影响因素初探