数字金融与城市创新——来自中国城市层面的证据

武小菲，岳中刚，周 勤

(1.东南大学经济管理学院，江苏 南京 211189；2.南京邮电大学经济学院，江苏 南京 210023)

0 引言

在内部经济转型和外部市场不确定的双重压力下，科技创新成为推动中国高质量发展和提升国家竞争力的战略举措。城市是经济发展的载体，其资源再配置将成为现代经济增长的重要源泉。科技创新作为城市发展的关键引擎，对城市竞争力提升起决定性作用[1]。目前，中国城市创新受制于高昂的创新成本约束和人力资本约束。一方面，外部融资是城市创新项目获得资金的重要手段，但产出不确定降低银行等金融机构的合作意愿，增加创新项目的融资难度[2]。另一方面，城市创新的核心主体是企业，而大量创新企业有限的规模使其缺乏对高素质人才的吸纳能力。数字金融缓解城市的融资约束困境和人才储备压力，促进中国城市创新发展。

现有文献关于数字金融与创新的研究多集中在微观企业层面，缺乏对城市层面的深入探讨[3]。事实上，城市创新是衡量中国地区创新水平差异的重要指标，对推动创新驱动发展战略以及建设有梯度的创新型国家具有重大参考价值[4]。相比企业创新而言，城市创新更加强调要素在空间上的集聚效应，尤其是资本集聚和高素质劳动力集聚[5-6]。资本集聚可以在一定程度上缓解高昂的创新成本压力，而人才集聚有助于城市创新主体间的交流与合作[7]。本文拟回答的主要问题是：数字金融发展是否促进城市创新能力提升？资本集聚和人才集聚是否是数字金融影响城市创新的主要路径？

基于上述分析，本文选取2011—2018年中国289个城市的面板数据，考察数字金融对城市创新能力的影响及作用机制。实证结果表明，数字金融促进城市创新能力提升。进一步对数字金融降维分析发现，数字金融的覆盖广度相对使用深度而言，更有助于提升城市创新能力。经过一系列内生性处理和稳健性检验，该结果依旧成立。机制分析发现，数字金融通过缓解融资约束和人才约束，推动城市创新发展，即验证 “资本集聚”和 “高素质劳动力集聚”两个渠道的有效性。此外，分地区检验发现数字金融对中西部地区的城市创新影响显著，而对东部地区影响不显著。

本文的边际贡献在于以下3个方面：①以往关于数字金融与创新的研究多集中在企业层面，缺乏对城市层面的剖析。本文将研究视角聚焦在城市层面，验证数字金融与城市创新的关系，为数字金融提升城市创新能力提供可靠的现实证据。②本文采用中介效应模型进行机制检验，试图从资本和劳动力两个方面打开数字金融影响城市创新的 “黑箱”。 ③考虑到数字金融在中国不同地区发展速度不同，本文加入地区异质性检验，发现数字金融对城市创新能力提升具有显著的地区差异。中国政府应当注重区域发展平衡，为不同地区创新发展提供有梯度的政策支持。

1 数字金融与城市创新的理论分析

较传统金融而言，数字金融更加兼顾效率与公平，旨在为有金融服务需要的各个阶层提供金融支持。在中国传统金融体系中，金融客户的资信状况由抵押资产等显性实力决定，缺乏对创新能力等综合因素的考量。传统的金融模式使得还款能力较强的大型企业成为金融服务主要惠及群体，而具有创新能力但还款能力较弱的中小微企业被排除在金融系统之外。这种金融资源配置不均的现象不仅违背 “大众创业、万众创新”的发展理念，还使得饱受融资约束压力的中小微企业对城市创新贡献长期乏力。

数字金融借助信息技术、大数据技术、云计算等新兴技术，深入拓展金融服务群体，对创新项目的创新能力和企业还款能力进行有效甄别，为具有创新前景的企业，尤其是被排除在金融体系之外的中小微企业提供机会均等、成本合理的金融服务[9]。数字金融有效解决中国金融体系中因资源分配不均而产生的结构性矛盾，为创新发展提供更加健康、可持续的生存环境，全面支持中国创新发展。数字金融的公平性和普惠性是否能够驱动城市技术创新，且通过什么渠道驱动发展，是十分有趣且值得详细探讨的现实问题。根据上述分析，提出假说1：数字金融发展有助于提升城市创新能力。

城市创新兼具创新的基本特征，即成本高、产出不确定性大。相比企业创新，城市创新更加强调要素在空间上的集聚效应。受制于高昂的劳动力投入和设备成本约束，外部融资成为负担创新项目的重要手段。而创新产出不确定降低银行等金融机构对创新项目的支持意愿，造成创新 “融资难、融资贵”的困境。融资约束是制约创新发展的关键阻力，尤其对城市中被排除在金融系统之外的中小微企业更是雪上加霜。数字金融借助科学技术降低融资门槛、减少信息不对称风险，缓解融资约束压力，具体机制表现在两个方面：①创新项目在融资过程中不仅面临难以负担的融资成本，还耗费大量时间[10]。数字金融依托普惠性政策为创新项目提供成本合理的金融支持，降低创新项目融资门槛。同时，数字金融依托新兴技术加快不同主体间的匹配速度，为创新项目融资节约时间成本[11]。②传统金融服务模式注重历史数据和抵押资产，难以惠及城市中规模小又普遍缺乏数据的中小微企业[12]。数字金融通过机器学习将中小微企业实时交易和行为特征等数据纳入信息风险评估，帮助银行等金融机构获取更多企业信息数据，降低双方信息不对称风险。根据上述分析，提出假说2：数字金融发展通过增加资本集聚，推动城市创新发展。

劳动力受教育程度是城市创新的重要影响因素。高素质劳动力集聚有助于创新信息的交流与扩散，形成知识溢出效应。知识溢出不仅有利于形成开放共享的创新环境，还为城市中创新相对欠缺的区域创造模仿创新条件[13]。同时，知识溢出的空间衰减性使得劳动力聚集地成为知识溢出的最大受益者，有效激发城市自主创新活力。数字金融发展推动创新企业规模扩张和外部规模经济形成，为高素质人才创造更多就业岗位和更好的创新环境，吸引高素质人才加入，具体作用机制表现在两个方面：①中国银行系统中普遍存在规模歧视现象。由规模歧视造成的融资约束压力严重制约城市中创新企业规模的扩张。数字金融在低成本、低风险的基础上处理信息数据，改善传统金融中银企信息不对称问题，促进创新企业规模扩张。②数字金融以较低成本吸纳市场中海量、分散的小额金融资源并转化为有效供给，使得创新企业逐渐壮大、集聚，形成外部规模经济。外部规模经济有助于削减创新成本，提高创新资源利用效率，增强城市核心竞争力。城市竞争力提升有助于加快完善人才评价标准和回报标准，保障人才以知识、技能等方面参与合理的利益分配，从而吸引更多高素质人才。根据上述分析，提出假说3：数字金融发展通过增加高素质劳动力集聚，推动城市创新发展。

2 研究设计

2.1 样本选择与数据来源

本文选取2011—2018年中国地级市的专利数据和数字普惠金融指数作为研究样本。城市专利数据来自中国研究数据服务平台；数字普惠金融指数来自北京大学数字金融研究中心编制的数字普惠金融指数；其他城市层面的控制变量由 《中国城市统计年鉴》和各省市统计年鉴整理得到。经过处理，最终得到2312个城市—年度观测值。

2.2 实证模型构建

本文参考唐松等[3]关于数字金融与企业创新的研究，构建如下回归模型探讨数字金融对城市创新能力的影响：

Innovationi,t=α+βDIFi,t-1+γControls+δi+θt+εi,t

(1)

式中，被解释变量Innovationi,t衡量城市创新能力，下标i和t分别表示城市和年份。

在以往研究中，对于创新衡量主要有两类指标，即研发投入和专利。考虑到创新活动属于典型高风险活动，较高的失败率导致R&D支出与实际创新产出之间存在难以忽视的差距，本文选取专利申请数据来测度城市创新能力[15]。根据现有城市专利申请数据，本文具体考察城市的专利申请总数 (lnpat_g)、发明专利申请数量 (lninvpat_g)、非发明专利申请数量 (lngenpat_g)、实用新型专利申请数量 (lnumpat_g)、外观设计专利申请数量 (lndespat_g)，均用原始数据加1取自然对数计算得到。

核心解释变量DIFi,t-1衡量数字普惠金融水平。本文采用北京大学数字金融研究中心编制的数字普惠金融指数来衡量中国城市层面数字金融发展水平。根据现有数字普惠金融数据，本文具体考察数字普惠金融总指数 (lndif)、数字金融覆盖广度指数 (lndif_b)、数字金融使用深度指数 (lndif_d)，均用原始数据取自然对数处理得到。考虑到数字金融对城市创新能力影响具有一定时滞性，且城市创新水平对数字金融存在一定影响，本文将数字普惠金融指数做滞后一期处理。

控制变量Controls纳入城市层面多个变量以减少遗漏变量偏误。本文参考已有研究[16-17]，纳入人均地区生产总值 (lnper_gdp)、年末金融机构各项贷款余额占地区生产总值的比例 (lnfd)、政府支出占地区生产总值的比例 (lngov)、普通高等学校在校学生数占总人数的比例 (lnstudent_p)、进出口总值占地区生产总值的比例 (lnimex_g)、邮政和电信业务总量占地区生产总值的比例 (lnpostcom_g)，均取自然对数处理。此外，本文采用双向固定效应模型进行分析，δi表示个体固定效应、θt表示城市固定效应，εi,t表示随机误差项。

2.3 描述性统计

变量描述性统计结果见表1。首先，中国城市非发明专利数量远高于发明专利数据，说明中国专利申请水平有待提高；其次，专利申请总数 (pat_a)的均值是6384.3992，远大于中位数1389，说明pat_a数值分布存在严重右偏特征，且所有专利相关数据均存在右偏特征。因此，本文对所有专利数据进行对数转换，即在原始数据加1的基础上取自然对数，如lnpat_a=ln (pat_a+1)。

表1 变量描述性统计

3 数字金融与城市创新的实证结果及分析

3.1 数字金融与城市创新

本文基于式 (1)进行城市和时间的双重固定效应模型分析，数字金融发展对城市创新能力影响的实证结果见表2。表2列 (1)～ (3)显示，数字金融发展显著提高专利申请总量 (lnpat_a)和发明专利申请数量 (lninvpat_a)，而对非发明专利申请数量 (lngenpat_a)影响不显著。在控制经济水平、教育水平等其他控制变量的基础上，数字普惠金融指数每提升1%，专利申请总量增加0.7129个百分点、发明专利申请数量增加1.0674个百分点。无论是经济显著性还是统计显著性，数字金融均显著提升城市创新能力，且体现在发明专利上。

表2 数字金融与城市创新：基准回归

可能的原因是：①数字金融降低中小微企业融资门槛，并借助新兴技术归纳、整理和分析市场中大量数据，为具有创新潜力的中小微企业提供融资的资信证明，缓解其融资压力。②创新企业集聚为创新人才提供更多就业岗位和更优创新环境，吸引更多创新人才集聚，产生知识溢出效应，推动城市创新能力的提升。

考虑到数字金融不同维度对城市创新能力影响不同，本文进一步对数字金融降维，分别考察数字金融广度 (L.dif_b)和深度 (L.dif_d)对城市创新能力的影响，结果见表3。在列 (1)～ (3)中，数字金融广度对专利申请总量、发明专利申请数量和非发明专利申请数量的影响均显著为正，而列 (4)～ (6)中数字金融深度对不同专利申请数量均不显著。由此可见，数字金融广度相对深度更有助于提升城市创新能力。

3.2 稳健性检验

(1)内生性处理。本文对核心解释变量数字普惠金融指数 (L.dif)做滞后一期处理，缓解 “城市创新能力影响数字金融发展水平”这一反向因果的内生性问题，但是仍然可能存在遗漏变量问题。借鉴谢绚丽等[18]的处理方法，本文采用地级市互联网普及率作为工具变量进行内生性处理。理论上，选择互联网普及率作为工具变量的合理之处在于：从相关性而言，互联网普及是数字金融发展的有力支撑，对推动数字金融发展起到至关重要的作用。在互联网支撑下，新型数字金融产品为更多消费者提供丰富的金融服务。因此，互联网作为数字金融的基础设施，与其存在强相关性。从外生性而言，在控制地区经济发展水平、金融发展水平、教育水平、邮电业务水平等后，互联网普及率不会通过影响数字金融以外渠道直接影响城市创新能力。因此，互联网普及率满足外生性条件。工具变量的估计结果见表4。其中，列 (1)～ (3)回归结果显示，数字金融对专利申请总数、发明专利申请数量影响显著，对非发明专利申请数量影响不显著，且Cragg-Donald Wald F值远大于临界值 (10% maximal IV size)，表明不存在弱工具变量问题。

为了进一步验证结果的稳健性，本文借鉴张丹丹等[19]以省级层面变量作为市级层面变量的工具变量思想，使用省级数字普惠金融指数作为工具变量。从相关性而言，一个城市与其所在省份其他城市具有相似的经济、金融发展水平，因此地级市数字普惠金融指数与省一级数字普惠金融指数具有一定相关性；从外生性而言，在控制地区经济发展水平、金融发展水平等一系列控制变量后，省级数字普惠金融指数不会通过影响市级数字金融水平以外渠道直接影响城市创新能力，因此，省级数字普惠金融指数满足工具变量的选择条件，是相对合适的工具变量。表4列 (4)～ (6)显示，数字金融对专利申请总数、发明专利申请数量影响显著，对非发明专利申请数量影响不显著，与前文结果一致，且不存在弱工具变量问题。

表4 数字金融与城市创新：工具变量回归

(2)使用专利获取数量替代被解释变量。专利获取数量是衡量一个城市创新能力的重要指标。为了检验数字金融对城市创新能力的影响，本文运用城市专利获得总数 (lnpat_g)、发明专利获得数量 (lninvpat_g)、非发明专利获得数量 (lngenpat_g)更替城市创新度量指标进行回归，回归结果见表5。

表5 基于专利获得数据的稳健性检验

表5列 (1)～ (3)显示，数字金融对地级市专利获得总数和发明专利获得数量影响显著，而对非发明专利获得数量影响不显著，与前文结果一致。

(3)剔除特殊事件干扰。金融业整体发展态势不仅影响数字金融发展，也和城市创新有着密切关系。特殊金融事件将导致实证结果出现偏误。考虑到2015年中国股灾事件及其滞后影响，本文将2015年和2016年样本予以剔除，以排除特殊金融事件干扰。剔除特殊事件干扰的稳健性检验结果见表6。由表6可知，数字金融对地级市专利获得总数和发明专利获得数量影响显著，而对非发明专利获得数量影响不显著，证明前文回归结果具有稳健性。

表6 剔除特殊事件干扰的稳健性检验

4 数字金融影响城市创新的机制分析

研究表明，数字金融对城市创新存在显著正向效应，特别是体现在发明专利创新产出上。通过降维分析发现，覆盖广度作为数字金融的核心特征，其相对于使用深度而言更有助于提升城市创新能力。为了探究数字金融对城市创新能力的影响机制，本文选取 “资本集聚”和 “高素质劳动力集聚”两个渠道，采用中介效应进行机制验证，模型如下：

Innovationi,t=α+α1DIFi,t-1+γControls+δi+θi+εi,t

(2)

Mediatori,t=β+β1DIFi,t-1+φControls+δi+θi+εi,t

(3)

Innovationi,t=λ+λ1DIFi,t-1+λ2Mediatori,t+ηControls+δi+θi+εi,t

(4)

本文选取科学支出占政府支出比重 (lnsci_g)和科研从业人员数占总人数比重 (lnworker)作为中介变量，其余设定同上所述。选择这两个中介变量的原因如下：①政府科学支出占比能够反映出政府对科技创新的重视程度和扶持力度。政府对创新的态度与当地创新项目的融资约束具有较强的相关性。②科研人员普遍学历较高、知识技能较丰富，属于高质量劳动力。科研人员占比能够客观的反映该地的高素质劳动力聚集情况。

基于资本集聚的机制分析见表7。表7中列 (2)显示，数字普惠金融指数对资本集聚 (lnsci_g)的回归系数显著为正，表明数字金融发展对当地资本集聚具有显著促进作用。列 (3) (5)和 (7)显示，资本集聚显著提升城市专利申请总数、发明专利申请数量和非发明专利申请数量，即资本集聚有助于提升城市创新能力。综上，数字金融发展通过为当地研发提供资金支持，提升城市创新能力。基于高素质劳动力集聚的机制分析见表8。表8列 (2)显示，数字金融对高素质劳动力集聚 (lnworker)的回归系数为正，意味着数字金融发展有助于当地科研人才储备。列 (3) (5)和 (7)显示，高素质劳动力集聚对城市专利申请总数、发明专利申请数量均有显著正向影响，而对非发明专利数量影响不显著，意味着高素质劳动力集聚有助于提升当地创新能力。综上所述， “资本集聚”和 “高素质劳动力集聚”两个渠道均为数字金融促进城市创新发展的有效机制。

表7 基于研发投入的机制分析

表8 基于创新人才储备的机制分析

5 扩展性讨论：地区异质性分析与包容性发展

地区发展不平衡是国土面积较大国家面临的普遍问题。中国幅员辽阔，不同地区的经济发展水平、教育水平、制度环境等均存在显著差异。北京大学 《数字普惠金融指数报告》指出，数字金融在不同地区发展速度存在明显不同。为了考察数字金融对城市创新能力影响的区域差异性，本文将样本分成东部地区和中西部地区两个子样本，基于地区异质性的回归结果见表9。结果显示，数字金融对东部地区城市创新能力影响不显著，对中西部地区城市创新能力影响显著。就中西部地区而言，数字金融对城市专利申请总数和发明专利申请数量影响显著性较高，而对非发明专利影响显著性相对较低，这和上文实证结果相一致。

表9 基于分地区的异质性分析

上文回归结果显示数字金融对城市创新能力的影响主要体现在覆盖广度上。数字金融覆盖广度提升旨在帮助欠发达地区扩大金融服务触达范围，使其享受到成本合理的金融服务，实现金融的普惠性，体现中国包容性发展理念。因此，数字金融对中西部地区城市创新能力影响显著符合中国现实国情。

6 结论与政策含义

在信息、大数据、云计算等创新技术依托下，中国金融服务的可得性和便利性得到极大改善。数字金融促进城市中资本和人才集聚，对中国城市创新能力提升产生积极作用。本文的主要贡献在于从城市层面探讨数字金融对创新的影响，并打开数字金融促进城市创新 “黑箱”。本文基于2011—2018年中国289个城市的面板数据，考察数字金融对城市创新的影响及其作用机制。研究发现，数字金融显著提升城市创新能力。相对数字金融使用深度而言，覆盖广度对于城市创新能力提升作用更大。经过内生性处理和稳健性检验后，结果仍成立。进一步地，本文探讨数字金融对城市创新的影响机制，发现数字金融有助于缓解融资约束压力、增加高素质人才储备，进而推动城市创新发展，即验证资本集聚和高素质劳动力集聚两个渠道的有效性。最后，本文讨论数字金融对城市创新影响的地区异质性，发现数字金融显著提高中国相对落后的中西部地区城市创新能力，有助于中国包容性发展。

基于上述结论，本文提出如下政策建议：首先，鼓励科学技术与金融行业深度融合，促进城市创新发展。中国应鼓励新兴技术在金融行业积极探索，进一步改善金融服务触达性和便捷性，为加快城市创新建设提供坚实力量。其次，注重数字金融集聚高素质人才的潜力，激发城市创新活力。中国应借助金融工具加快完善高素质人才评价和回报标准，营造良性创新环境，以人才驱动激发城市创新活力。最后，贯彻包容性发展理念，推行数字金融地区差异化发展模式。对于东部地区，中国应将数字金融扶持重点放在相对贫困的农村地区。对于欠发达的中西部地区，中国应加大对当地中小微企业创新项目扶持力度，激发中小微企业创新潜力，发挥长尾效应，助力中西部地区城市创新发展。

在数字全球化和创新驱动的热潮下，数字化改革在金融领域的应用以及数字金融驱动区域创新发展将成为各界持续关注的重要问题。本文受研究数据所限，仅以城市整体作为研究样本，研究数字金融对城市创新的影响，而未将中小微企业等各创新主体贡献予以区分。此外，就本文提出 “资本集聚”和 “高素质劳动力集聚”两个机制而言，现有关于数字金融与创新的研究大多建立在融资约束基础上，而较少涉及人才约束。后续研究可以在 “高素质劳动力集聚”机制上深入挖掘，如从劳动力市场角度进一步详细探讨数字金融如何激发人才创新活力以推动区域创新发展等。