金融科技、全要素生产率与数字经济增长

吴心弘 裴 平

内容提要：本文研究金融科技、全要素生产率与数字经济增长之间的关系，主要结论是：金融科技推进业态创新，加快数据要素积累，提升全要素生产率，促进数字经济增长。政府采取支持金融科技发展和数据要素积累的政策，能够产生推动数字经济增长的政策效应。直接政策效应(经济数字化效应)的机制是，金融科技扩散程度与数据要素价值挖掘外溢程度直接决定数字经济的全要素生产率外部性大小，即外部性越大，数字经济增长就越迅速。间接政策效应(人口覆盖效应)的机制是，基于金融科技充分挖掘中国大量人口潜在数据要素价值，进而在数字经济条件下增加数字经济参与人口占总人口的比重，比在传统经济条件下增加科研人员占总人口的比重更有利于间接推动经济增长，也更具有可操作性和可行性。

一、问题提出

金融科技是数字经济增长的重要创新驱动力。在金融产业领域，以数字技术为底层构架，金融产品、业务流程、商业模式、金融业态以及金融监管等方面实现了数字化重构。金融科技能够解决传统金融在服务传统经济时存在的“痛点”，促进数据要素积累，提升全要素生产率，赋能数字经济增长，助力数字经济高质量发展。数据要素是指嵌入数字经济生产函数中的一种新型生产要素。数据要素产生于数字经济本身，以数字设备为载体，在数字技术条件下，经过收集、筛选、清洗、加工、匹配和提炼后，重新应用于数字经济运行各个环节；同时，作为“养料”的数据要素也能够对数字技术和金融科技起到促进作用。那么，金融科技、全要素生产率与数字经济增长的关系是怎样的？金融科技与数据要素如何促进数字经济增长？政府应采取何种政策才能对数字经济增长起到推动作用？

本文聚焦于数字经济增长，通过经济学理论分析，界定金融科技、全要素生产率和数字经济的基本内涵及其关系；通过构建和检验包含金融科技和数据要素的数字经济增长模型，揭示数字经济增长的内在规律，为理解数字经济增长提供一个新的理论分析框架，为产生促进数字经济增长的政策效应提供明晰的政策路径，这对于数字经济的探索性研究具有重要的理论意义和实践意义。

本文余下内容安排如下：第二部分是文献综述；第三部分是理论模型构建与拓展，将金融科技和数据要素引入生产函数，改进传统内生增长模型的外部性参数设置和劳动力分配模式，分析全要素生产率的动态学特征，为探索数字经济增长提供一个基础性理论框架和研究视角；第四部分是参数校准与数值模拟，验证数字经济增长模型的合理性；第五部分是结论与建议。

二、文献综述

(一)金融科技与数字经济增长

对于数字经济较为权威且时间相对较早的定义来自二十国集团(G20)2016年峰会文件《二十国集团数字经济发展与合作倡议》：数字经济是指“以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动”[1]。专家学者从不同侧重点给出了对于数字经济内涵的理解，即数字经济内涵主要包括以数字技术构成的主导技术体系[2]、用字节取代实体的“去物质化”[3]、大数据处理技术和随之产生的企业歧视性定价[4]等。戈德法布和塔克(Goldfarb & Tucker，2019)指出，数字经济研究需要一个不同的侧重点，可重点关注成本(包括搜寻成本、复制成本、运输成本、跟踪成本和验证成本)大幅下降甚至接近于零时，标准经济模型会如何变化[5]。为了更加全面综合地衡量数字经济内涵，经济合作与发展组织、欧盟、世界经济论坛、国际电信联盟等国际组织使用多维度数据编制了数字经济指数，进一步丰富了数字经济的内涵[2]。巴克特和黑克斯(Bukht & Heeks，2017)指出，数字经济内涵由小到大包括三层：数字部门，例如硬件制造、软件与信息技术咨询、电信；狭义数字经济，例如数字服务、平台经济；广义数字(化)经济，例如工业4.0、算法经济[6]。上述观点说明，数字经济的内涵仍在不断发展变化，并非固定不变。

金融科技在很大程度上助推着数字经济高效率运转，能够助力数字经济高质量发展。G20下设的金融稳定理事会(Financial Stability Board，2017)将金融科技定义为：以技术手段推动的，能够通过新的业务模式、应用、流程或产品对金融服务产生重要影响的金融创新[7]。本文将金融科技定义为以大数据、云计算、区块链、人工智能为代表的数字技术与金融的深度融合。周全和韩贺洋(2020)认为，金融科技有利于增加长尾消费、投资转换和信用资本积累，拓展可贸易范围，进而促进数字经济增长[8]。王智新等(2021)认为，金融科技促进数字经济发展的内在机理体现在创造效应、信息效应、普惠效应、长尾效应和安全效应五个方面[9]。孟振全(2021)指出，金融科技是数字经济发展的重要驱动力[10]。

在金融科技促进数字经济增长的具体路径方面，王馨(2015)分析了金融科技在解决小微企业融资难问题上的可行性，认为金融科技有利于合理配置金融资源，促进数字经济增长[11]。谢绚丽等(2018)指出，金融科技能够为小微企业和欠发达地区提供普惠金融服务，助力创业和创新，从而促进数字经济增长[12]。上述研究均指出金融科技有助于实现包容性增长，这也与张勋等(2019)[13]的结论相一致。除此以外，刘森等(2016)认为，云计算技术颠覆了现有技术的使用模式，能显著节约企业成本和降低企业信息化门槛，进而有利于数字经济增长[14]。陈彦斌等(2019)构建了动态一般均衡模型，认为应用人工智能可较好应对老龄化对经济增长的不利影响[15]。

(二)金融科技与数据要素

金融科技代表了大数据、云计算、区块链、人工智能等数字技术与金融的深度融合。数据要素产生于数字经济本身，金融科技能够充分收集、挖掘、筛选、清洗、加工、匹配、提炼、存储和应用数据要素，将其重新应用于金融科技与数字经济运行的各个环节。何大安(2018)指出，大数据、云计算、人工智能等金融科技的普及与应用使人类社会进入“数据与数据对话”的时代，这会改变微观主体行为[16]。于立和王建林(2020)认为，数字经济条件下，数据要素是第一生产要素，但是数据要素无法脱离金融科技和数字技术而单独发挥效力[17]。金融科技大幅降低了数据要素在大规模收集和利用等环节的成本，促进数据要素积累，支持金融业态创新[18]。王谦和付晓东(2021)指出，金融科技对数据要素的挖掘与应用，不仅是一个技术过程，还是一个相互作用和适应的经济、社会过程[19]。

金融科技收集和利用的数据要素对数字经济增长具有重要价值，数据要素能够对数字经济增长产生正向效应。杨汝岱(2018)认为，数据可作为生产要素直接进入生产函数，并从优化企业决策(信息维度)和加速资源流转速度(时间维度)两个方面促进企业成长和数字经济增长[20]。徐翔和赵墨非(2020)将数据化的生产要素定义为数据资本，首次在经济增长模型中引入数据资本，得到数据资本稳态增速高于其他类型资本及总产出稳态增速的结论，并提供了一种测度数据资本存量的创新性方法[21]。王胜利和樊悦(2020)指出，数据要素对数字经济增长的贡献主要通过提高劳动生产率、缩短生产和流通时间、降低生产和流通成本来实现[22]。徐翔等(2021)总结了数据要素的最新研究进展，指出目前该领域还可以向数据要素的溢出效应、实证研究、跨国分析和社会福利等方面拓展[23]。

(三)数字经济条件下全要素生产率的提升

数字经济条件下的全要素生产率研究具有理论溯源依据和历史沿革。经济增长理论经历了从早期新古典增长理论到后期内生增长理论的转变，内生增长理论已成为当下经济增长的主流理论。新古典增长理论强调经济增长源于外生的全要素生产率提高。新古典增长理论向内生增长理论的转型，是伴随着对全要素生产率的解构而展开的，全要素生产率与经济增长相关研究能够为本文提供借鉴。琼斯和沃尔拉特(Jones & Vollrath，2013)指出，内生增长理论的“内生”通常有两种解释：一是指政策变化能够永久性地影响增长率，即政策具有增长效应而非水平效应(1)增长效应指政策变化能够永久性地提高增长率；水平效应指政策变化只能先短暂地提高增长率，而后增长率又回到政策变化之前的数值。需要指出的是，水平效应能够永久性地提高人均产出。；二是指经济增长内在因素的变化对经济的影响，第二种解释是对“内生”更好的表述方式[24]。全要素生产率(TFP)通常是指全部生产要素转化为产出的有效性，是全部生产要素的综合生产率。韦尔(Weil，2005)认为，全要素生产率可被分解为技术和效率两部分[25]。在一些研究中，全要素生产率也等同于知识。新古典增长理论认为全要素生产率是外生的，将全要素生产率对经济增长的影响视为外生冲击[26]。内生增长理论则将全要素生产率内生化，并关注全要素生产率的动态学特征(2)动态学特征是指变量随时间推移而变化的轨迹特征。及其对经济增长的影响[27]。

全要素生产率的动态学研究可分为两个层面。一是从理论层面研究全要素生产率的构成要素、表达形式和参数设置，即将全要素生产率表示为劳动力、资本以及全要素生产率本身的函数，并且与研发投入和中间品生产等微观主体行为相关联，进而使宏观经济理论具备微观基础，相关研究主要包括罗默(Romer，1990)[27]、格罗斯曼和赫尔普曼(Grossman & Helpman，1991)[28-30]、阿吉翁和豪伊特(Aghion & Howitt，1992)[31]。二是从技术层面对全要素生产率进行分解并测算具体数值，其结果因所使用的宏微观数据、分解项目、生产函数、回归模型设定以及测算方法等方面的不同而有一定差异，相关研究主要包括李平(2016)[32]、田友春等(2017)[33]。同时，在全要素生产率的动态学理论研究中，全要素生产率函数的参数设置与“规模效应”问题相关联。“规模效应”是指经济增长率与人口规模成正比，罗默(1990)[27]、格罗斯曼和赫尔普曼(1991)[28-30]、阿吉翁和豪伊特(1992)[31]等构建的经济增长模型中均存在“规模效应”，但现实数据并不支持“规模效应”的存在。琼斯(Jones，1995)通过改变全要素生产率函数的参数设置解决了“规模效应”问题，他发现经济增长率与人口规模没有关系，而与人口增长率成正比[34]。阿吉翁和豪伊特(2009)通过改变最终品生产函数，使得相关模型中部门增加速度等于人口增加速度，发现人口规模增长不能带来每个部门研发人员的增加，从而消除了“规模效应”问题[35]。严成樑等(2010)[36]的研究表明，相较于罗默(1990)[27]的全要素生产率函数，中国经济数据更支持琼斯(1995)[34]的全要素生产率函数，即中国不存在“规模效应”问题。虽然数字经济增长模式与传统经济增长模式有显著不同，但数字经济增长模式仍需考虑现实中可能存在的“规模效应”问题。

数字经济条件下，金融科技促进了金融业态和商业模式创新，有助于数据要素积累，全要素生产率产生结构性变化并向数字化转型，进而能够发挥出优于传统经济条件下全要素生产率的重要作用。关于数字经济条件下全要素生产率的提升的相关文献主要分为三类：

第一类文献关注金融科技对全要素生产率的提升效应。裴长洪等(2018)分析了数字经济这一“更高级”的经济形态，认为金融科技相关行业的无形资产投资驱动了数字经济增长，促进了全要素生产率的提升[37]。侯层和李北伟(2020)[38]、江红莉和蒋鹏程(2021)[39]、陈中飞和江康奇(2021)[40]的研究结论均支持金融科技对全要素生产率具有提升效应。

第二类文献关注数据要素对全要素生产率的提升效应。法布迪和韦尔德坎普(Farboodi & Veldkamp，2021)认为，数据要素可以成为全要素生产率的组成部分，他们基于数字经济增长模型研究发现，数据要素累积能够帮助企业减少不确定性，并提高企业营利能力与全要素生产率[41]。李治国和王杰(2021)指出，数字经济增长具有优化数据要素配置和提升制造业生产率的双重效应，数据开发应用和数据传播共享在数字经济增长提升制造业生产率过程中具有显著的渠道效应[42]。宋炜等(2022)通过实证检验发现，数据要素与资本、劳动的深度融合能够显著提升工业全要素生产率，并且数据要素对资本密集型工业全要素生产率的改善作用显著优于劳动密集型工业[43]。

第三类文献关注数字经济对全要素生产率的提升效应。荆文君和孙宝文(2019)指出，数字经济可以通过三条路径促进经济增长：新的投入要素、新的资源配置效率和新的全要素生产率[44]。郭吉涛和梁爽(2021)[45]、万晓榆和罗焱卿(2022)[46]通过实证检验发现，数字经济发展显著提升了全要素生产率。此外，部分学者关注到数字经济条件下数字化人才对全要素生产率、数字经济增长的提升效应[45，47]。

在借鉴国内外文献基础上，特别是针对相关研究在构建数字经济增长模型等方面的不足，本文以内生增长为理论视角，构建包含金融科技和数据要素的数字经济增长模型，并通过参数校准和数值模拟的方法，对数字经济增长的动态学特征、效果以及政策效应等进行分析，进而提出促进数字经济增长的对策性建议。

三、理论模型构建与拓展

(一)数字经济增长模型的构建

为体现数字经济与传统经济的差别，在理论模型的构建过程中，本文将金融科技与数据要素引入生产函数，设定数据要素的动态学方程，改进传统内生增长模型的外部性参数设置范围和劳动力分配模式，使理论模型更加符合数字经济增长的现实特征。数字经济增长模型中的最终品部门采用被普遍认同且有利于得出解析解的柯布-道格拉斯生产函数形式进行生产，同时，消费者行为可采用消费函数进行刻画：

(1)

C=Y-S=Y-sY

(2)

(3)

式(2)是消费函数，C代表消费，S和s分别代表储蓄和储蓄率。数字经济产出Y用于消费C和储蓄S。数字经济的消费方式与传统经济的消费方式存在区别：一是金融科技使得消费者在消费过程中所使用的硬件和软件相较于传统经济会更先进，消费者消费的产品种类将更加多样化，用户体验更好；二是数字经济条件下金融科技能以网络借贷、支付、金融信息服务等形式更好地支持消费方式转型升级；三是数字经济条件下，消费者的消费行为和偏好等结构化与非结构化数据能够被更好地记录、存储和应用，从而作为数据要素进入生产函数中创造价值。但是，上述区别并不能直接体现在消费函数式(2)中，即无法直接改变消费函数式(2)，消费者依然需要将收入划分为储蓄和消费两部分，因此本文在消费函数式(2)的使用上沿用了传统经济的消费函数形式。

在数字经济条件下，全要素生产率必然产生结构性变化并向数字化转型，这种变化离不开金融科技发展和数据要素融入。金融科技能够推进金融业态和商业模式创新，助力数据要素积累，提升全要素生产率，促进数字经济增长。海量的、多维度的数据本身无法直接产生任何经济价值，只有数字技术与金融深度融合所产生的金融科技才能够充分挖掘、匹配和发挥数据的潜在经济价值，数据也只有与金融科技相结合才能发挥“生产要素”的功能。金融科技与数据要素互相交叉、相辅相成，更加符合数字经济的现实特征。基于这样的经济学逻辑，本文将数字全要素生产率表示为：

(4)

(5)

(6)

式(5)中，LF代表参与数字经济的科研人员、金融科技从业人员、数据要素生成人口等，λ表示LF对金融科技变化率的外部性，φ表示F对其本身变化率的外部性，λ和φ大于零表示正外部性，小于零表示负外部性，等于零表示不存在外部性。式(5)表明，金融科技F的增长依赖于LF的各类活动，以及F自身存量所带来的外部性(7)对传统经济增长的研究假设是φ=1或φ<1，这决定了“规模效应”的存在与否。由于数字经济增长在现阶段已体现出明显的正外部性特点，本文创新性地放宽体现外部性的指数变量取值范围限制，以使模型的构建更加符合经济学逻辑和数字经济增长特征。。

(7)

数字经济的人口构成为：

(8)

(二)数字经济增长的动态学分析

(9)

(10)

(11)

(三)数字经济增长的政策效应

数字经济增长的政策效应是指政府采取支持金融科技发展和数据要素积累的政策，从而对数字经济增长产生积极的推动效应，政策效应分为直接政策效应和间接政策效应。

1.直接政策效应(经济数字化效应)

直接政策效应又称经济数字化效应，是指政府采取政策支持金融科技扩散程度与数据要素价值挖掘外溢程度的高低，直接决定了数字经济的全要素生产率外部性大小(ρ<1、ρ>1和ρ=1)，进而决定数字经济增长的动态学特征、数字经济增长效果与经济数字化程度。

(1)数字经济增长收敛(ρ<1)

(12)

(13)

(14)

(15)

(16)

(17)

(2)数字经济增长发散(ρ>1)

当式(10)中的ρ>1时，会出现非稳定结点均衡或鞍点均衡这两种情况。非稳定结点均衡是指式(10)

(3)数字经济增长发散(ρ=1)

2.间接政策效应(人口覆盖效应)

(18)

(1)数字经济增长收敛(ρ<1)

Y=K1-α(ALY)α

(19)

(20)

(21)

(22)

(2)数字经济增长发散(ρ>1)

(3)数字经济增长发散(ρ=1)

四、参数校准与数值模拟

由于金融科技、数据要素和数字经济的经验数据积累不足，目前还难以测算数字经济增长模型中相关变量的具体数值。目前，采用计量检验方法来验证数字经济增长模型的合理性面临较大困难。为尽可能地克服困难，本文采用参数校准和数值模拟的方法，对数字经济增长的动态学特征、增长效果以及政策效应进行数值解分析，并以此验证数字经济增长模型的合理性。

(一)参数校准

综合考虑国内相关研究的合理性、权威性和时效性，数字经济增长模型中劳动的产出弹性α参考金春雨等(2018)[50]的校准结果，将其设为α=0.659；人口增长率n采用2020年中国人口自然增长率，设定为1.45‰，数据来自国家统计局；储蓄率s采用2020年底中国境内总储蓄率，设定为45.708%，数据来自司尔亚司数据信息有限公司(CEIC Data)。

目前，尚无文献对数字经济条件下的资本折旧率进行专门研究，本文参考相关领域的权威文献，并以此作为参数校准的依据。张军等(2004)对资本折旧率的计算结果为9.6%[51]。王维等(2017)测算出的资本折旧率是14.38%，并指出由于资本种类、具体方法和口径差异，不同学者测算的平均资本折旧率范围基本在5.65%～13.92%[52]。徐翔和赵墨非(2020)认为，传统物质资本采用的折旧率通常是5%，但中国近年来资本存量测算类研究采用的折旧率普遍在10%左右；另外，他们将资本划分为传统物质资本、ICT资本和数据资本，认为这三种资本折旧率由大到小依次是ICT资本(20%)、传统物质资本(5%)、数据资本(约为0)[21]。本文认为，在数字经济条件下，根据国家统计局2021年6月公布的《数字经济及其核心产业统计分类(2021)》，生产函数中的资本构成会更多地集中于ICT资本，所以平均资本折旧率δ应比常用的传统物质资本折旧率要高，但应低于ICT资本折旧率。因此，综合考虑张军等(2004)[51]、王维等(2017)[52]、徐翔和赵墨非(2020)[21]的研究结论，本文将数字经济条件下的资本折旧率δ设置为15%。

综合比较各个数据源和学术文献对科研人员占总人口比重sR这一指标的计算方法可知，目前国际上衡量科技人力投入的最常用和认可度最高的可比指标是“研究与试验发展人员全时当量(万人年)”(9)国家统计局官网对此指标的解释是：“研究与试验发展(R&D)人员全时当量指全时人员数加非全时人员按工作量折算为全时人员数的总和。例如：有两个全时人员和三个非全时人员(工作时间分别为20%、30%和70%)，则全时当量为2+0.2+0.3+0.7=3.2人年”。。中国2020年研究与试验发展人员全时当量是509.19(万人年)，中国2020年末总人口是141 178万人，数据均来自国家统计局。因此，本文将中国科研人员占总人口比重sR校准为509.19/141 178=0.361%。

当ρ>1时，数字经济增长发散。ω表示更多数字经济参与人口融入数字经济后对数字经济所产生的外部性。以目前数字经济所处的发展阶段来看，更多的数字经济参与人口会同时产生异质性与同质性数据(11)异质性数据是指反映数字经济参与人口个体间差异性的数据，同质性数据是指反映数字经济参与人口个体间相似性或相同性的数据。，异质性数据对数字经济增长具有较大价值，有利于增强外部性；而同质性数据对数字经济增长的价值较小，其中一部分甚至会成为冗余且占用大数据处理能力，不利于增强外部性。因此，ω∈[0,1]，本文取中间值ω=0.500。ρ表示数字全要素生产率增量对数字全要素生产率提高所产生的外部性，因为数字经济所处的发展阶段决定了ρ∈(1,2)，即外部性还很难达到ρ=2的水平，所以本文取中间值ρ=1.500。不妨令ω为0.500、ρ为1.500，即(ω,ρ)的典型组合为(0.500,1.500)。

当ρ=1时，数字经济增长发散。考虑到更多的数字经济参与人口会同时产生异质性与同质性数据，因此ω∈[0,1]，本文取中间值ω=0.500。不妨令ω为0.500、ρ为1.000，即(ω,ρ)的典型组合为(0.500,1.000)。

(二)数值模拟

根据对数字经济增长模型的动态学特征和政策效应的分析，以及所做的参数校准，本文依次对数字经济增长的直接政策效应和间接政策效应进行数值模拟。

1.直接政策效应(经济数字化效应)

(1)数字经济增长收敛(ρ<1)

当数字全要素生产率增量对数字全要素生产率所产生的外部性参数ρ<1时，数字经济增长收敛。如果不同国家在除了ω和ρ以外的，能够体现基本国情和发展阶段的其他参数和变量上具有相似性，则ω和ρ的不同组合会造成这些国家数字经济增长的动态学差异。根据参数校准的分析，参数(ω，ρ)分别取(0.100,0.900)、(0.250,0.750)、(0.500,0.500)和(1.000,0.000)这四种组合时的数值模拟结果分别由图1至图4显示。为展现数字经济增长收敛的全过程，令时间t尽可能后延，将时间t的区间设为[0,5000]。需要说明的是，为了精确体现(ω，ρ)在不同取值下经济系统的动态学特征，便于观察、比较和分析结果，避免人为统一设置时间段造成时间段截取过短或过长的问题，本文依据数值模拟实际结果来截取最能反映动态学特征完整情况的时间范围(事实上可以输出任意时间段的图形进行局部分析)，这将导致相关的数值模拟时间取值范围不同。这不仅不会影响数值模拟结果的准确性和说服力，反而能够体现数字经济在收敛时的转型动态情况和在发散时的动态学特征，也将验证和强化数字经济增长模型的合理性。

图1 (ω, ρ)取(0.100,0.900)时和的动态学特征

图2 (ω, ρ)取(0.250,0.750)时和的动态学特征

图3 (ω, ρ)取(0.500,0.500)时和的动态学特征

图4 (ω, ρ)取(1.000,0.000)时和的动态学特征

(2)数字经济增长发散(ρ>1)

图5 (ω, ρ)取(0.500,1.500)时和的动态学特征

(3)数字经济增长发散(ρ=1)

图6 (ω, ρ)取(0.500,1.000)时和的动态学特征

2.间接政策效应(人口覆盖效应)

图7 传统经济条件下的间接政策效应

图8 数字经济条件下的间接政策效应

五、结论与建议

本文的建议包括：一是加快金融科技扩散与应用，如鼓励大数据、云计算、移动互联、区块链、物联网和人工智能等数字技术与金融业深度融合，推动先进数字技术在金融机构的开发与应用，以加大金融科技对数字经济发展的支持力度。二是重视数据要素积累政策指引，如利用金融科技充分挖掘、整合全社会数据要素资源，打破数据壁垒和建立数据资源共享机制，以提高数据要素的利用率，增强数字经济的全要素生产率的正外部性。三是提升数字经济参与人口占总人口的比重，如基于中国大量人口潜在数据要素价值，大力培养高端研发人才，扩大数字设备和载体的普及范围，通过金融科技创新金融业态和商业模式，充分发挥应用场景多样性优势，以将更多人口转化成为数字经济参与人口，不断弥补“数字鸿沟”。