数字普惠金融、要素错配与工业智能制造

沈 洋 郭孝阳 张秀武

（华侨大学数量经济研究院，厦门 361021）

引 言

制造业是立国之本、兴国之器、强国之基。改革开放以来，我国工业制造业取得了跨越式发展，行业规模迅速扩张，整体实力不断增强。中国已成为世界上门类最齐全、规模最大的制造业国家。不可置否的是，隐藏在 “中国增长奇迹”背后的重要驱动力正是来源于以制造业为核心的工业体系［1］。但随着人口红利逐渐消失、美国制造业回流和全球能源危机加剧等多重因素叠加干扰，我国制造业 “大而不强”的弊病凸显，工业高质量发展之路仍道阻且长。供应链 “断链”隐患、产业韧性不足和产品附加值不高等问题迫切呼吁新动能、新技术和新环境。为破解我国制造业面临的自主创新性不强、核心技术受制于人、产业韧性不足等难题，中央全面深化改革委员会第十四次会议明确指出，要加快新一代信息技术和制造业融合发展，将智能制造作为主攻方向，着力推进工业互联网创新发展，提升制造业数字化、网络化和智能化发展水平，实现工业生产方式和企业形态根本性变革。智能制造作为智能化和工业化有机融合的粘合剂，正不断突破新技术，催生新业态，实现制造信息系统和物理系统的高度协同与深度融合，进一步打通企业—供应链—行业数据链，已成为新一轮工业革命的核心驱动力。作为数字经济浪潮中新业态的具体表现，数字普惠金融服务对象的筛选逻辑、 “金融痛点”的解决思路，正是金融高质量发展的内涵所在。其通过矫正 “二八定律”偏差，增进全民福祉，促使金融 “血脉”畅通，增强了经济 “肌体”免疫力。那么，现行的数字普惠金融给我国工业智能制造带来的影响究竟是 “福利”还是 “灾难”呢？若其真能如 “甘霖”般惠及我国工业发展，那么其中间的作用机制又是如何呢？哪些群体获益最大呢？回答这些问题，对于提升我国工业国际竞争力和提升金融服务实体经济的适配度有启示意义。

现有文献对智能制造产生逻辑［2］、国际经验启示［3－5］、 转型路径［6］以及数字金融对工业数字化转型的影响［7－9］做了大量研究，但其主要是围绕着数字金融或金融科技对企业技术创新、产业升级和产品质量的研究，而智能制造作为现代信息技术物化于机器设备的典型实践，关于数字普惠金融如何影响工业智能制造的研究还比较少，进一步从要素错配的中介渠道来研究数字普惠金融何以影响工业智能制造的研究就更少了。因此，本文将资本错配和劳动力错配嵌入数字普惠金融影响工业智能制造的分析框架，考察要素错配在两者传导过程中发挥着何种作用；同时采用分位数回归揭示数字普惠金融对工业智能制造的异质性影响效应，这有助于提升数字普惠金融服务工业现代化的精准性。

1 作用机制与研究假设

1.1 数字普惠金融的直接效应

于工业企业而言，融资约束往往是制约其技术创新和数字化转型的最大障碍。由于存在交易成本和贷款不确定性，即较高的信贷交易成本会抑制工业企业借款欲望，金融机构严格的信贷条件、信息传递失真可能引致的逆向选择或道德风险造成企业贷款被拒时有发生，因而银行大多采取 “所有制歧视”和 “规模歧视”来对冲信息不对称的信用风险和机会成本，其贷款额度也会低于市场出清水平［10］。数字普惠金融借助互联网、社交媒体、定位系统等复合信息系统获取金融产品信息大数据，并进一步通过云计算、深度学习和区块链等智能化技术处理、分析技术来搜集和追踪客户信息。因而数字技术能降低金融借贷过程中的搜寻成本、复制成本、追踪成本和验证成本等多种经济成本［11］。这能缓解金融机构面临的信息不对称问题，尤其是极大地降低了长尾客户的信息收集成本，降低金融服务门槛、增加差异化金融产品供给和提高服务效率。同时，数字普惠金融还能通过大数据分析对获得融资支持的企业的后续资金使用行为实行更为严格的监管，借助数字征信提升资金利用透明度，从而抑制管理者自信和降低管理者冲动冒险的可能，这能减少企业偏好金融投资的短视行为和商业信用二次分配［12］。尽管数字普惠金融天然的普惠属性决定了其对于初创公司和中等规模的企业更为友好。但同时在经济实践中，因监管制度不完善和技术隐蔽性强等原因，数字普惠金融运行还存在 “使命飘逸”、“跑冒滴漏”和 “精英俘获”的问题。基于普惠和商业利润最大化原则，金融机构仍会优先考虑资质较好的企业并同时发挥着普惠金融的作用。数字普惠金融市场还不够成熟，金融普惠性有待深化［13，14］。因此数字普惠金融对不同类型的工业企业智能制造有异质性影响效应。据此提出研究假设1和假设2：

假设1：数字普惠金融能促进工业智能制造。

假设2：数字普惠金融对工业智能制造的促进效应有异质性，其对中等水平企业的促进作用最大，而对初级水平企业的促进作用最小。

1.2 要素错配的中介效应

由于产业政策、制度障碍和地方保护主义等“经济楔子”干扰，中国要素市场化改革进程明显滞后于产品市场，这种滞后性一定程度上反映了地方各级政府对要素市场交易活动的干预和控制——职能部门掌管着初级要素资源的分配和定价权，要素价格被低估和市场扭曲现象较为严重［15］。从短期来看，这种出于保护本土产业而阻绝与其他区域贸易往来的行为在一定程度能促进本土相关市场主体发育；但从长期来看，要素价格扭曲和市场分割会阻碍要素在地区间的自由流动，其直接结果是市场调节难以反映要素真实价格，进而导致价格信号失真，这会使得要素资源无法实现最优配置［16］。这种低效的资源配置局面和扭曲的要素价格会激励企业密集使用有形要素，同时也会使那些从事技术研发和智能化转型的企业无法从范围经济中获取额外收益。低要素成本是中国制造业最直观的比较优势，要素价格上涨会触动其根基并产生剧烈影响，工业企业很有可能在价格上升中失去比较优势［17］。与此同时，若劳动力和资本要素价格被低估，相关企业会更倾向于将公司注意力转移到寻租活动中以获取持续性的低价有形要素，而不会通过高风险、高投入的研发活动获取利润或发展机会，这显然不利于企业数字化转型和智能化改造［18］。

数字金融不仅在账户渗透、小额支付和金融覆盖等方面对传统金融做了有益补充，同时其在普及金融知识和共享金融资源时构建的社交网络有助于打破个体 “自给自足”、“自我封闭”的心理枷锁，促使提高微观市场主体的数字金融参与度。因此，数字普惠金融能够通过降低企业融资成本、促进个体创业和劳动力高质量就业的渠道缓解要素错配程度［19］。据此提出研究假设3和假设4：

假设3：要素错配不利于工业智能制造。

假设4：数字普惠金融能减缓要素错配，进而促进工业智能制造。

2 研究设计

2.1 变量选取

2.1.1 被解释变量

智能制造（Rob）。智能制造是一系列信息化、数字化和自动化技术的总和，文献中常出现的人工智能、工业机器人、工业互联网都是智能制造在生产领域的具体实践［20］。鉴于国际机器人联合会（IFR）公布的是国家－行业层面的数据，不足以支撑本文的面板数据分析。对此，参照沈洋和张秀武 （2022）［21］、 闫雪凌等 （2020）［22］的做法， 先根据IFR公布的14个制造业分类与我国31个制造业子行业进行匹配，然后利用历年各地区各子行业城镇单位就业人员占全国总就业人口的比重来作为权重指标，最后引入美国2005年行业层面的工业机器人数量来构造省级层面的工业机器人安装密度。其计算公式表示为：

式 （1）中，Rob表示机器人安装密度，本文用其表征智能制造；Lobjit为i省（区、市）j行业t年的从业人员数量，Lobit表示i省（区、市）t年所有行业城镇单位从业人员数量，Robit表示j行业t年的工业机器人安装存量，Lobjt为全国层面j行业t年的从业人员总量；MRobt／L2005为本文设定的工具变量，其中MRobt表示美国在年份t的工业机器人安装存量，Lob2005表示2005年美国制造业从业人员数量。

2.2.2 核心解释变量

数字普惠金融（DFI）。数字普惠金融是指在数字技术支持下通过金融服务促进普惠金融行动的总称。 根据郭峰等 （2020）［23］和钟凯等 （2022）［24］的研究，本文使用北京大学数字金融研究中心编制的 “北京大学数字普惠金融指数”作为本文数字普惠金融的代理变量。

2.1.3 中介变量

要素错配。资源错配是相对资源有效配置而言的，指的是因要素市场价格扭曲使得资源配置偏离帕累托最优均衡。由于信息不充分或市场不完善等因素使得资源流动受阻，甚至出现高回报率的生产要素流向低回报率的企业，此时资源配置偏离帕累托最优状态，要素错配也就随之产生了。本文主要使用Aoki模型测算要素错配指数，其表现形式为：

式 （2） 和 （3） 中， τKi、 τLi分别表示资本错配指数（MK）和劳动力错配指数（ML）； γKi、 γLi分别表示第i个地区资本价格绝对扭曲系数和劳动力价格绝对扭曲系数；由于现实经济中价格绝对扭曲系数往往是难以观测且无法获取的，通行的做法是采用价格相对扭曲系数做替代。因而上述两个式子可以转化为：

2.1.4 控制变量

影响工业智能化转型的因素有很多，为尽可能缓解遗漏重要变量产生的内生性问题以获取更加精准的估计结果，根据现有文献，本文选取了8个控制变量。具体而言：减税降费（Tax），使用税收增速的变动幅度来作为代理变量；产业升级（UP），选取第三产业增加值与第二产业增加值的比值作为代理变量；城镇化（Urban），选取城镇人口占总人口的比重作为代理变量；对外开放（Open），选取各省（区、市）进出口总额作为代理变量；土地成本（Price），选取商业营业用房平均销售价格（元／平方米）作为代理变量；道路密度（Road），选取公路和铁路总里程作为代理变量；宏观调控（Gov），选取政府财政一般预算支出占国内生产总值的比重作为代理变量；研发投入（RD），选取规模以上工业企业R＆D项目人员折合全时当量（人年）作为代理变量。

2.2 计量模型

根据上文的理论机制分析，为验证数字普惠金融对智能制造的影响，本文构建了以下面板数据计量模型：

式 （6）中，下标i和t分别表示省（区、市）和年份，νt表示时间固定效应，λi表示个体固定效应，εit表示服从白噪声过程的随机扰动项，Con⁃trol表示一系列控制变量。进一步地，为验证要素错配在数字普惠金融影响智能制造传导过程中所发挥的中介效应，延续温忠麟等 （2004）［25］的思路建立中介效应递推方程组。基于内生性考虑，本文将式 （6）拓展为兼具时间固定、个体固定及其一维交互项的交互固定效应模型。相较于传统固定效应模型，该模型充分考虑了经济现实中的时间多维冲击，以及不同个体对这些冲击所表现的异质性反应，将时间效应和个体效应以乘法的形式纳入模型，能更直接地反应经济现实。因此可得到：

式 （7）～（9）共同组成资本要素错配的中介效应检验方程组。其中，式 （7）表示数字普惠金融影响智能制造的总效应，其显著是中介效应存在的前提，若系数c1不显著，那么就没有必要展开后续的中介效应检验程序。式 （9）表示分离资本错配的间接效应后数字普惠金融影响智能制造的直接效应；式 （8）表示数字普惠金融对资本错配的直接影响，其与式 （9）中资本错配估计系数的乘积共同构成间接效应，即e2×c1。同样地，式 （7）、式 （10）和式 （11） 共同组成了劳动力要素错配的中介效应检验方程组，相关释义与资本错配中介效应模型保持一致。

2.3 数据来源

基于数据可得性原则，本文选取2011～2020年中国30个省（自治区、直辖市）（不含西藏和港、澳、台地区）的面板数据作为考察样本。本文相关变量的原始数据主要来源于 《中国统计年鉴》、《中国工业统计年鉴》、《中国劳动统计年鉴》、《中国国土资源统计年鉴》、《中国科技统计年鉴》、国际机器人联盟、北京大学数字金融研究中心、美国经济分析局和EPS数据库。极少数缺失值采用线性插值法进行补齐。需要说明的是，2019年末爆发的新冠肺炎疫情对中国宏观经济运行产生了影响，但得益于相关行政部门及时出台了一系列宽松的货币政策和财政政策来对冲公共风险，因而新冠肺炎疫情对2020年经济的影响是有限的，样本数据因此也未出现极端值。

3 实证分析

3.1 基准回归结果

根据式 （6）设定的计量经济学模型，本文先使用混合最小二乘法（Pooled OLS，POLS）做回归以得到不存在个体固定效应前提下的最基本估计结果。再考虑到各地区间的发展差异，选用双向固定效应并结合 DK（Driscoll－Kraay， DK）标准误做拟合计算。基准回归结果见表1。

由表1可知，混合最小二乘法的估计系数为0.912且在1%水平上显著，表明数字普惠金融能推动工业生产转向智能制造，验证了假设1。固定效应的估计结果为0.087且在1%水平上显著，数字普惠金融对智能制造的影响效应与POLS的结果保持一致。若将两者的结果作比较可以发现，在控制个体异质性和时间异质性后的双向固定效应模型的拟合系数明显低于POLS的结果，表明剔除不可观测因素对模型干扰后所计算的估计系数更符合真实值，考虑个体差异和时间差异是有必要的。在数字经济时代，随着数字技术在金融领域的广泛运用和推广，金融科技助力资金流通顺畅和财产优化配置，为未来的金融模式和商业运营带来了全面的变革性力量。

表1 基准回归估计结果

3.2 稳健性检验

3.2.1 缩尾处理

若样本数据中存在离群值则可能对回归结果造成偏误。因此，本部分将各变量上下1%分位做缩尾处理以剔除异常值对拟合计算的干扰。

3.2.2 更换模型

基于对扰动项组间异方差或组内自相关的考虑，本文分别做了组间异方差沃尔德检验、组内自相关沃尔德检验和组间同期相关的Breusch－Pa⁃gan LM检验，3种方法的检验结果均显示在1%水平上拒绝原假设，认为建立的计量模型存在异方差、序列相关和截面相关问题。尽管基准回归部分本文使用了DK稳健标准误做修正，但考虑其功效性和严谨性，本文在考虑自回归系数相同（AR1）的情形下运用FGLS模型对上述几个问题进一步调整。

3.2.3 内生性问题

上文为缓解遗漏变量内生性问题从而选取了尽可能多的控制变量，但数字普惠金融和智能制造之间潜在的互为因果关系的内生性问题还需警惕。鉴于北京大学数字金融研究院的数字普惠金融指数也是根据蚂蚁金服交易数据编制而成，本文使用各省（区、市）省会城市到杭州市的球面距离作为工具变量。考虑到获取一个严格意义上的外生工具变量是十分困难的，本文在沈洋等 （2021）［26］的思路上，将二维面板数据模型拓展为空间三维面板计量模型，在原有的框架中纳入空间高阶滞后项与数字普惠金融的交互项作为工具变量，然后运用广义空间两阶段最小二乘法进行估计。为捕捉各地区间地理差异和经济社会发展差异，空间权重矩阵使用的是经济地理嵌套矩阵。最后，考虑到空间计量模型易受到空间权重矩阵干扰，为增强其估计结果的稳健性，本文还使用了基于邻接矩阵的广义空间矩估计（SPGMM）。该模型主要使用的是内生变量的时间滞后项作为工具变量，能在一定程度上消除内生性问题。

由稳健性检验结果（表略）可知，沿着3种思路而重新建立的5种计量模型拟合结果均显示，数字普惠金融至少在5%显著性水平上正向影响智能制造。稳健性检验结果与基准回归的估计结果大致保持一致，只是估计系数有轻微变动，这表明基准回归部分得出的数字普惠金融能够正向促进制造业智能化转型的结论是稳健且可靠的。

4 数字普惠金融影响工业智能制造的机制和异质性分析

4.1 机制检验

为验证要素错配在数字普惠金融正向影响工业智能制造的传导路径中发挥着何种作用，根据上文建立的中介效应方程组，使用交互固定效应模型做验证，拟合结果见表2。

由表2可知，在交互固定效应模型中数字普惠金融对工业智能制造的估计系数为0.092且在1%水平上显著，表明总效应是成立的，可以做下一步中介效应分析。从中介效应的第二段方程来看，数字普惠金融对资本错配和劳动力错配的估计系数分别为－0.032、－0.041，且至少在10%水平上显著，表明递推方程式的直接效应成立。最后从中介效应的第三段方程来看，数字普惠金融对工业智能制造的估计系数分别为0.116和0.089，且均在1%水平上显著；资本错配和劳动力错配对工业智能制造的估计系数分别为－0.225、0.138，且至少通过了5%水平的显著性检验，表明无论是资本还是劳动力，一旦发生要素错配，其对工业数字化发展都是起负面作用的，验证了假设3。另外，分别纳入资本错配和劳动力错配后，数字普惠金融对工业智能制造的估计系数有所增大，尤其是在资本错配的方程中较为明显，表明要素错配本身无法推进工业智能化转型，但却强化了数字普惠金融的正向作用。从e2×c1、f2×d1与总效应d1的符号来看，可以发现间接效应与总效应的符号保持一致，表明资本错配和劳动力错配在数字普惠金融影响工业智能制造的传导路径中发挥着部分中介作用，其中介效应占比分别为8.87%和6.15%，验证了假设4。

表2 机制检验结果

4.2 异质性检验

相较于传统线性计量模型，分位数回归的优点在于：（1）一般的线性回归模型着重考察的是自变量对因变量条件期望E（l｜x）的影响，所得的平均估计效应只能反映分布于l｜x的集中趋势；而分位数回归能够估计条件分布l｜x在不同区间的条件分位数，更能反映变量间的相关性；（2）使用残差绝对值的加权平均作为最小化目标函数，能降低离群值对估计结果的影响。具体而言，分位数回归可以分为条件分位数回归（CQR）和无条件分位数回归（UQR）。由于CQR的条件累积分布函数Fl｜x（·）依赖于自变量x，且该方法的估计结果考虑了过多甚至是不必要的个体特征，同时还易受到协变量删减变化的影响；而非条件分位数回归正好克服了这些缺陷，所估计的结果是 “无条件”的。基于RIF中心方程法的无条件分位数估计结果见表3。

表3 无条件分位数估计结果

由表3可知，在不同工业机器人安装密度层面上，数字普惠金融对工业智能制造的边际影响效应均为正，表明考察期内数字普惠金融能推动工业智能化转型的影响效应始终是成立的；但在不同分位点上，数字普惠金融对智能制造的影响有明显的异质性，验证了假设2。随着分位点从低位（0.1）向高位（0.9）变动，数字普惠金融对智能制造的影响系数由0.498提升至0.977，同时在50%分位点处有明显的 “拐点效应”，其影响系数大致呈现出先增加后下降的倒U型演进趋势；最后，当分位点处于0.25～0.75的区间时，数字普惠金融对智能制造的影响效应比较大，表明数字普惠金融更能够惠及那些中等智能化发展水平的工厂，这也体现了数字普惠金融对社会中等阶层有更强的包容性。

5 结论与建议

云制造、服务型制造和智能制造以颠覆性技术为依托，已成为做大做强做优中国制造、中国创造的重要突破口。本文先是从理论层面阐释了数字普惠金融、要素错配对工业智能制造的作用机制和传导路径；然后以2011～2020年中国省级面板数据为考察样本，综合运用固定效应、中介效应和无条件分位数回归验证了数字普惠金融、要素错配对工业智能制造的影响效应。研究结果表明：（1）数字普惠金融能够显著推动工业智能化转型，且这一结论经过一系列稳健性和内生性处理后依然成立；（2）劳动力错配和资本错配在数字普惠金融影响工业智能制造的传导过程中发挥着部分中介作用，即数字普惠金融可以通过缓解要素的中介渠道来提升金融资源服务于实体经济的作用效果，其中资本错配和劳动力错配的中介效应占比分别为8.87%和6.15%；（3）数字普惠金融对工业智能制造的正向影响效应呈现两头小中间大的 “橄榄型”分布态势；在给定的5个分位点中，数字普惠金融对工业智能制造的推动作用在50%分位点处达到最大值，有明显的 “拐点效应”。

结合上述研究结论，本文提出以下政策建议：

（1）完善数字金融基础设施。努力拓展数字普惠金融的覆盖广度，强化使用深度，夯实数字支持程度。在践行金融普惠性和商业可持续性的基本指导理念基础上，打造一个更具备包容性的现代数字普惠金融体系，通过完善个人支付、小额信贷、互联网保险和基金理财等数字化功能，重点保障中小微企业公平机会获取金融资源的权益，适当推出符合规模以上工业企业中长期贷款需求的产品。充分发挥人工智能、大数据分析和云计算等新一代数字技术在资源配置精准化、服务渠道全时化、业务流程自动化、风险管控智能化的实践优势，极力创新供应链金融、融资租赁、债权融资、抵押担保和投贷保联动与研发投资等金融服务和产品，力促数字技术完善与普惠金融发展同频共振，构建多层次、全链条、专业化和在地化的智能制造数字普惠金融服务体系。

（2）注意风险防控。推动数字普惠金融服务工业智能制造的过程中，应始终遵循合规经营和守正创新的底线，积极解决行业发展突出问题。相关行政主体应进一步完善相关制度体系，严格把控数字金融市场准入，明确各监管机构的行政职责与考核标准，优化数字金融监管体系框架，制定包括政策、制度、技术在内的系统性数字普惠金融防范与化解体系，维护良好的金融生态环境和金融发展格局。逐步探索应用以区块链、多方安全计算、联邦学习为内核的隐私计算，搭建跨机构、跨领域的数据融合应用平台，推动智能制造领域的金融信用信息和新型替代性数据有机结合，筑牢数字普惠金融服务智能制造的数据基础，防范化解金融风险。

（3）强化金融供给精准性。将目光聚焦于制造业核心本质，紧扣智能制造特征内核，重点面向关键技术核心攻关、网络协同等新模式培育，智能制造创新成果转化、工业互联网及工业软件研发和智能制造硬装备等新型基础设施建设，充分发挥产业融合平台、银企融合平台的作用，依法合规调取企业生产经营信息、产业政策信息和金融产品信息，深入挖掘各类型工业企业对金融服务的差异化需求和有效需求，充分利用数字技术增加金融供给的灵活性和适应性。始终按照 “择优、扶强、扶优、普惠和商业可持续”的原则，从源头把控金融供给质量，为真正有市场、有需求、有效益和有技术的智能制造企业主体和项目提供高质量的金融服务供给。