数字金融发展对地区资本回报率的影响研究

杜朝运，俞翔宇

(1.泉州师范学院 商学院，福建 泉州 362000；2.厦门大学 经济学院，福建 厦门 361005)

得益于现代信息通信技术的发展，数字经济正成为继农业经济、工业经济之后的又一主要经济形态。其特征是基于数据资源这一关键要素，依托现代信息网络平台，通过通信技术进行要素间的流动。目前数字经济发展势头迅猛，正以一种前所未有的方式，深刻地影响着各行各业的发展。数字金融作为数字经济的一种，是改善生产方式和产业结构的重要力量。那么，数字金融会对经济发展带来什么样的影响？在这方面已有不少文献，如廖凯诚(2021)基于2011—2018年的城市面板数据，发现数字金融与金融业全要素生产率显著负相关，存在一定的抑制效应[1]；赵军(2021)将数字金融与绿色创新相结合，探讨了二者对促进城市高质量发展的影响，发现二者在促进程度上存在较大差异[2]；陈雨飞(2021)考察了数字金融与产业结构升级之间的关系，发现数字金融显著促进产业结构升级，但在不同区域存在差异，例如在中部地区的作用就比在东部地区大[3]；滕磊(2020)利用数字金融指数与271家中小企业数据进行实证分析，发现数字金融通过缓解中小企业融资可以促进企业创新，且对民营企业的影响要大于国有企业[4]；王霄等(2021)利用沪深A股2011—2018年间的民营企业数据，探讨数字金融与企业创新之间的关系，结果显示数字金融明显提升了民营企业的创新活动[5]。

虽然已有文献不乏数字金融对促进经济发展的研究，但多是针对宏观经济或微观企业的分析。本文拟将数字金融对经济发展的影响细化到地区资本回报率这一变量上，基于省域数据并分产业、分空间进行分析，探究数字金融在产业间、在地区间的不同影响程度，这不仅能丰富数字金融领域的研究，也能为地方的政策拟定提供有益参考。

一、地区资本回报率的测算

1.测算方法

计算地区资本回报率的方法主要有微观层面和宏观层面两类。微观层面以企业的财务数据为基础，进行相应计算。如李春娟(2011)针对全国31个省区，从统计年鉴中获取规模以上工业的净利润、所有者权益等数据，令二者之比作为地区资本收益率的衡量指标[6]。由于微观方法需要有相应的财务数据作为前提，但目前统计范围有限，从综合可获得的数据来看，主要局限于各地区成规模以上工业，或是地区的上市企业数据，无法全面反应地区整体的资本回报情况，所以比较多的文献采用宏观层面的方法。

从宏观层面测算资本回报率，需要以资本存量为基础。目前国际上关于测算资本存量的方法主要有两种：永续盘存法和特征价格估值法，前者运用更为普遍。本文参照徐现祥等(2003)[7]、柏培文和许捷(2018)[8]的做法，采用永续盘存法按不变价格测算省区不分产业和三次产业各自的资本存量，见式(1)。

(1)

其中，K代表实际资本存量，本文采用1978年为基期进行计算；I为固定资本形成总额，分产业的固定资本形成总额通过三次产业固定资产投资所占全社会固定资产投资(不含农户)的比重乘以该省当年固定资本形成总额得到；D为固定资产折旧，同样根据前面的比重乘以该省当年固定资产折旧得到；P为投资价格指数；i=1，2，…，代表我国各省区；j=1，2，3，分别代表三次产业；t代表年份。当计算各省区不分产业的资本存量时，则不考虑j。

测算出资本存量后，就可以计算资本回报率，见式(2)。

(2)

2.数据来源与说明

本文的数据主要来源于历年《中国统计年鉴》《中国国内生产总值核算历史资料》《中国固定资产投资统计年鉴》和各省历年统计年鉴，以及国家统计局其他相关数据。

本文计算资本存量和资本回报率所需数据主要包括固定资本形成总额、固定资产折旧、固定资产投资价格、营业盈余、固定资本形成总额指数，各省区的分产业的名义GDP和实际GDP(可通过GDP指数计算获得)等。其中，固定资本形成总额、固定资产折旧、营业盈余，分别从历年《中国统计年鉴》中的按支出法和收入法核算GDP条目中获得，但由于国家统计局目前只统计到2017年，致使本文只能计算截止到2017年的结果。

由于海南、重庆、天津部分数据缺失，因此本文用固定资产投资价格指数来代替这三个地区的固定资本形成总额价格指数。由于西藏缺失数据较多，故在计算时将其剔除。计算三大产业的固定资本形成总额和固定资产折旧时，本文采用各省区全社会三大产业固定资产投资(不含农户)的比重进行分解，将其乘以各省的固定资本形成总额和固定资产折旧作为当年资本投资。

3.测算结果

表1为我国2011—2017年各区域不分产业的资本回报率情况。可以看出三大区域的资本回报率水平由东、中、西部依次递减，且近年来呈现平稳下降的趋势。2017年东部区域的平均资本回报率处于10%左右的水平，其中最高的是上海，达到23.95%；中部区域的平均资本回报率约7%，各省区水平比较接近；西部区域的平均资本回报率水平不到5%，区域间差异比较明显，最低的是宁夏、甘肃、青海，分别为2.45%、2.26%和1.19%。

表1 2011—2017年中国各区域资本回报率 %

表1(续) %

图1、图2、图3展示了各区域三次产业2011—2017年资本回报率的变动趋势。其中，第一产业的资本回报率变动趋势从2013年后变得比较平稳，没有出现明显的上升或下降趋势，回报率水平中部最高，东部其次，西部相对较低；第二产业的资本回报率呈现平稳下降趋势，且中部的变化幅度相比东部和西部较大，整体水平同样是东、中、西部依次递减；第三产业的资本回报率呈现单边下降趋势，中部和西部的变化趋势比较接近，中部和东部的第三产业资本回报率水平比较接近，西部明显较低。

图1 2011—2017年我国各区域第一产业资本回报率变动百分比

图2 2011—2017年中国各区域第二产业资本回报率变动百分比

图3 2011—2017年中国各区域第三产业资本回报率变动百分比

二、研究设计

1.假设的提出

(1)数字金融对资本回报率的影响

数字金融的发展会带来金融规模的扩大、金融效率的提高，对整体经济而言，会因此而更具活力和动力。从现有对地区资本回报率影响因素的研究中可以发现，各地区的金融发展水平确实对资本回报率有着显著的积极影响。故本文提出第一个假设。

假设H1：数字金融与地区资本回报率显著正相关，数字金融发展会提高地区的资本回报率。

(2)数字金融对第一产业资本回报率的影响

第一产业主要包括农业、林业、渔业、牧业等。第一产业主要是利用自然力生产产品和工业原料。我国当前第一产业的现代化水平还有待进一步提升，其发展可能更多依赖国家政策扶持，资金来源上相对也比较局限，数字金融作为一种新兴金融手段，可能对第一产业作用不明显。因此，本文提出第二个假设。

假设H1a：数字金融与地区第一产业的资本回报率没有显著相关关系，数字金融无法影响地区的第一产业资本回报率。

(3)数字金融对第二产业资本回报率的影响

第二产业主要包括制造业、采掘业、建筑业、医药业等，是三大产业的核心。第二产业又以实体工业为主，需要大量的机械设备，这决定了第二产业往往需要更多的初始资本投入。数字金融在多场景的运用能为工业企业提供便利，打通融资渠道，因此可以推测数字金融会提高第二产业的资本回报率，促进其投资的持续性。故本文提出第三个假设。

假设H1b：数字金融与地区第二产业的资本回报率显著正相关，数字金融发展会提高地区的第二产业资本回报率。

(4)数字金融对第三产业资本回报率的影响

第三产业可分为流通和服务两大部门，流通部门主要代表是商业饮食、通迅、物流交通业等，服务部门主要代表则是金融、教育、体育、文化业等。由数字金融的定义来看，其本身就源于金融业，与其他服务部门间存在相应关联，而近年来智能物流、智能仓储等智能应用场景的广泛出现，叠加数字金融，也为流通部门的发展带来了积极影响。因此本文提出第四个假设。

假设H1c：数字金融与地区第三产业的资本回报率显著正相关，数字金融发展会提高地区的第三产业资本回报率。

2.变量的选取

(1)被解释变量

本文的被解释变量为地区资本回报率。本文第一部分已说明了测算方法及测算结果，包括不分产业的各省区资本回报率和各省区三次产业所分别对应的资本回报率。

(2)解释变量

本文的解释变量为数字金融发展水平，该变量选用《北京大学数字普惠金融指数(2011-2017)》中的数字金融总指数作为代理指标，其包含的维度包括覆盖广度、使用深度、数字支持服务。考虑到各变量单位上的不同，对该数据进行对数化处理。

(3)控制变量

第一，第三产业占GDP比重。各地区由于初始发展水平不一致，在产业结构上存在着较大差异，为避免这一因素可能导致的偏误，本文采用各地区第三产业GDP增加值与地区生产总值的比值作为控制变量之一。

第二，资本深化率。资本深化率=资本存量/劳动人口。资本深化率会影响到资本回报率，故将其作为控制变量之一。

第三，外贸发展水平。通常地区的外贸发展水平越高，该地区的资本回报率水平也越高，因此，本文用各地区的进出口总额与GDP的比值作为衡量地区外贸发展水平的代理指标，纳入控制变量之一。

表2 变量解释

3.模型设定

由于本文所选取的解释变量是数字金融指数来源于《北京大学数字普惠金融指数(2011-2020)》只有2011—2020年间的城市或省际数据，而本文所选取的被解释变量资本回报率需要用到各省依据收入法核算的相关数据，但目前《中国统计年鉴》仅能提供到2017年各省的最新数据，城市层级数据缺失较多，无法获取所需计算数据，因此，本文数据范围为2011—2017年的各省数据。剔除掉西藏这一同样数据不足的省份，本文样本量约在200个左右。

由于本文样本数据是典型的面板数据，考虑到不可观测的个体效应和时间效应，以及变量间可能存在的共线性，故采用面板数据回归模型进行回归。本文选用固定效应面板模型进行回归，一定程度上增加了自由度，提升了估计的有效性，主要面板模型设定见式(3)。

Ratei,t=ui+λt+c1index+β1structuret+

β2capitalt+β3outt+εit

(3)

其中，t为年份，μi为个体固定效应，λt为时间固定效应，εit为扰动项。Ratei,t为三次产业在第t年的资本回报率，i=1，2，3，分别表示三次产业。

三、实证分析

1.数据预处理

在对面板数据进行回归前，必须先通过单位根对数据平稳性进行检验。本文使用Dickey-Fuller对数据进行平稳性检验，从表3可以看出各解释变量均为平稳序列，证明后续的回归结果是有效的。本文还对各变量进行VIF检验，通过识别各变量的膨胀因子来判断变量之间是否存在严重的多重共线性。从表4的检验结果可以看出，各变量的VIF值均小于10，因此可以认为各变量之间不存在严重多重共线性。此外，异方差问题的存在也会影响模型的回归结果。本文利用White Test对数据进行异方差检验，检验结果显示不存在异方差的问题。

表3 平稳性性检验

表4 多重共线性检验

2.描述性统计

表5为地区资本回报率(不分产业)、三次产业资本回报率、数字金融总指数、数字金融覆盖广度、使用深度、数字支持服务、产业结构、资本深化率、外贸发展水平等变量的描述性统计。可以看出，各地区的资本回报率水平存在较大的差距，最高值为26%，而最低则仅1%。三次产业的资本回报率水平依次由第一、第二、第三递减，但第一产业和第二产业的资本回报率均值比较接近。

表5 变量描述性统计

3.回归分析

首先对各地区不分产业的资本回报率进行回归，结果见表6。可以发现，数字金融与地区不分产业的资本回报率显著正相关，验证了H1，其中三个一级子维度对资本回报率的影响不一致，覆盖广度和使用深度对资本回报率有显著的正向作用，数字支持服务则不显著。此外，还可以看出，产业结构、资本深化和外贸发展水平与资本回报率存在一定的显著相关关系。

表6 数字金融对地区资本回报率(不分产业)基准回归

(2)表中的(1)列指数字金融总指数对各省区不分产业的资本回报率影响；(2)(3)(4)列分别指数字金融的覆盖广度、使用深度、数字支持服务对各省区不分产业的资本回报率的影响

表7为数字金融发展对三次产业资本回报率的影响。可以看出，数字金融对第一产业的影响并不显著，对第二、第三产业的影响显著正相关，分别验证了假设H1a、H1b、H1c。

表7 数字金融对地区三次产业资本回报率基准回归

4.稳健性检验

考虑到自变量数字金融指数在不同阶段的发展水平不一致，结合数据可获得性，本文将自变量滞后一期进行稳健性检验，回归结果见表8、表9。将回归结果与表7对比，可以发现不论是显著性还是符号，基本较为一致，验证了此前结果的稳健性。但需要指出的是，这里的数字金融(滞后一期)对第三产业资本回报率无显著关系，可能是因为区域的差异性造成。为此，下面进一步进行区域的异质性分析。

表8 数字金融(滞后一期)对地区资本回报率(不分产业)基准回归

表9 数字金融(滞后一期)对地区三次产业资本回报率基准回归

(2)表中的(1)列指数字金融总指数对各省区不分产业的资本回报率影响；(2)(3)(4)列分别指数字金融的覆盖广度、使用深度、数字支持服务对各省区不分产业的资本回报率的影响

5.区域异质性分析

我国各省区由于地理环境、公共基础设施、初期资本投入等方面存在一定的差异，致使各地区的金融发展水平、市场结构也存在一定的差异(Maskus et al，2012)[9]。数字金融对资本回报率的影响程度势必会受到各区域的基本面情况影响，也即数字金融对区域资本回报率的影响存在区域异质性。本文仍采用前文模型，把我国各省区分为东、中、西部三大区域，分别对其进行不分产业、分三次产业的基准回归，所采用的控制变量均与此前一致。得出结果见表10。可以看出，数字金融对各地区不分产业的资本回报率的影响，在金融发展水平较高的东部和中部地区较为显著，在东部地区的显著性更强，而在西部地区则不显著。具体到数字金融对各区域三次产业资本回报率的影响：数字金融对东部和西部的第一产业的资本回报率没有显著相关关系，但在中部地区则一定程度上抑制了第一产业的资本回报率水平；数字金融对东部和中部这两个初始工业基础设施水平较高的区域对第二产业资本回报率有着显著正向影响，且影响水平极为接近；数字金融仅对东部这一初始要素禀赋水平较高区域的第三产业资本回报率，产生显著正相关的影响。这点恰好解释了上文稳健性分析中数字金融(滞后一期)对第三产业资本回报率影响不显著的问题，即数字金融对中部、西部第三产业资本回报率的影响不显著，致使对不分产业不分区域的地区资本回报率影响不显著。

表10 数字金融对地区资本回报率的影响(分区域研究)

由此可见，数字金融对区域资本回报率的影响存在区域异质性，并且只有在金融市场发展较成熟的区域，或是初始要素禀赋水平较高的区域，数字金融才会对资本回报率产生一定的作用。金融市场越发达、金融服务效率越高的区域，数字金融对资本回报率的促进作用愈发显著。

四、结论与建议

1.结论

(1)我国各省区近年来的资本回报率呈现平稳下降趋势。其中，第一产业的资本回报率水平是中部最高，东部其次，西部相对较低；第二产业的资本回报率东、中、西部依次递减；第三产业的资本回报率水平西部较低，中部和东部比较接近。

(2)数字金融能够显著提升各省区资本回报率水平。数字金融对第二、第三产业的资本回报率有显著正向影响，但对第一产业无显著正向影响。此外，资本深化、产业结构、外贸发展水平等因素也会影响地区资本回报率。

2.建议

对政府而言，在资本回报率平稳下降的背景下，应更加注重稳固资本回报率水平，追求经济的高质量发展。政府应根据自身地理方位、特征，为适合本地的数字金融产品提供支持。对有着资本和环境优势的东部地区而言，政府应加大力度，引导数字金融为经济高质量发展赋能，依托现有资金流和技术水平，推动数字金融与产业协同发展，进一步提升本地区的竞争力。中部和西部地区实体经济发展还有上升空间，政府应推动数字金融充分地发挥其功能，改善金融资源配置能力，吸引资金、技术等要素，促使经济更好更快地发展。

对金融机构而言，由于数字金融对不同产业的资本回报率影响不一，因此，金融机构要与政府的产业支持政策配合，针对各地区、各产业的发展特征打造相应的数字金融产品，促进数字金融与产业的有机结合。金融供给主体要借助数字金融的技术优势，实现贴近客户需求的各种金融产品的创新[10]，改进金融服务质量，对企业做好识别和筛选，让资金更精准地流向有良好前景的企业，进而促进地区资本回报率的提升。