数字金融与城市创业活跃度

李彦龙 孟 冰

1（北京大学国家发展研究院，北京 100871） 2（中国社会科学院大学应用经济学院，北京 102488）

引 言

中小微企业贡献了90%以上的市场主体，80%以上的就业机会，70%以上的发明和专利，超过60%的GDP和50%以上的税收，是推动国民经济发展的主要驱动力。十九大报告指出，“激发和保护企业家精神，鼓励更多社会主体投身创新创业”。习近平总书记在 “七一”讲话中进一步指出，要“推动人的全面发展，全体人民共同富裕取得更为明显的实质性进展”。而推动大众创业、万众创新，既可以扩大就业和国民经济发展，又有利于促进社会纵向流动和公平正义，是激发市场活力和释放发展潜力的重要力量，对扩大就业和实现共同富裕这一目标具有重要意义。但长期以来金融市场的信息不对称使中小微企业面临着 “融资难、融资贵” 的问题[1-6]，而数字金融是传统金融的有力补充，可以有效缓解信息不对称问题，数字金融由于具有普惠性，为拓展金融服务范围提供了巨大发展空间[7，8]。数字金融也为推动中小微企业发展提供了新的发展机遇。

考虑到数字金融在推动中小微企业发展过程中的重要作用，也有学者对数字金融发展促进创业的效果进行了研究[9，10]。但由于数据可得性原因，现有多数研究是从省级层面进行了考察，数字金融对创业的影响尚未深入到城市层面，对数字金融促进创业的效果在城市间存在怎样的差异尚未得知。

考察数字金融对创业影响的文献中，谢绚丽等（2018）[10]的研究发现，数字金融有效促进了创业，并且对于城镇化率较低的省域、注册资本较少的微型企业有更强的鼓励创业的作用。何婧和李庆海（2019）[11]发现数字金融使用不仅缓解了农户的信贷约束，还增加了农户的信息可得性，促进了农户创业和创业绩效。陶云清等（2021）[12]的研究发现数字金融促进了地区创业，这种促进作用主要体现在覆盖广度和使用深度两个维度。张正平和黄帆帆（2021）[13]基于北京大学数字普惠金融指数和中山大学中国劳动力动态调查（CLDS）数据库的匹配数据，发现数字普惠金融对农村劳动力自我雇佣均有显著的正向作用。巩鑫和唐文琳（2021）[14]基于2011～2018年中国 30个省（区、市）的面板数据，采用空间杜宾模型考察了数字金融对创业的影响，研究发现数字金融促进了本省（区、市）的创业，但相邻省域数字金融的空间溢出效应仅在东部地区得到了较为显著的体现。

本文基于城市层面的月度工商注册数据，首次从城市和月度层面考察了数字金融对创业活跃度的影响，对数字金融影响创业活跃度的效果在不同类别如主要城市与非主要城市间的差异，对数字金融影响创业活跃度的相对重要性进行考察。基于上述发现，本文从促进创业视角对如何实施数字金融发展政策以促进扩大就业和实现共同富裕这一目标提出相关政策建议。

1 研究策略

为全面展示数字金融对城市创业活跃度的影响，本文采用如下研究策略。首先基于城市层面的月度工商注册数据，考察数字金融对创业活跃度的影响，然后通过分组回归检验数字金融的促进作用在不同类别城市间的差异，采用分位数回归进行估计，并基于优势分析方法对数字金融促进创业活跃度的相对重要性进行考察。

1.1 研究数据

本文所用的数据包括2016年1月～2020年12月的市级工商注册月度数据和2015～2019年地级市和省域的部分经济数据。其中，汇总计算各城市工商注册数量的注册企业信息来自国家市场监督管理总局，省市级变量数据来自Wind数据库和国家统计局。本文使用的城市级创业活动数据是338个城市的研究数据，样本数为17256个。数字金融发展水平数据来源于北京大学数字金融研究中心。值得注意的是，由于新冠肺炎疫情的爆发，2020年的经济和创业活跃度也会受到影响，本文通过计算城市创业活跃度在2016～2020年的平均值可以发现，2020年的城市创业活跃度相对2019年的增长率有了较大幅度的下滑。如2018～2020年城市创业活跃度的对数均值为5.92、6.36和6.45。对此，本文也尝试在下文的模型中引入2020年的时间虚拟变量，发现估计系数存在细微差异，但估计结果并未发生显著变化，本文的研究结论依然是稳定的。

1.2 研究方法

本文基于城市层面的面板数据，以工商注册数量作为因变量，通过面板数据固定效应估计来考察数字金融对城市创业活跃度的影响，计量模型如下①：

其中因变量number即为城市层面的工商注册数量，c表示城市，t表示年度，m表示月度。α和γ分别为城市和月度固定效应，u表示随机扰动项。index为本文的核心解释变量即数字金融发展指数，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度量。除了总指数（index）外，本文还选用了数字普惠金融指数的3个细分指标：覆盖广度（index1）、使用深度（index2）和数字支持服务程度（index3），其中覆盖广度是数字金融的覆盖人群的评价指标，强调的是提供足够的金融服务；使用深度衡量的是地区实际使用数字金融服务的频率等，强调的是数字普惠金融服务的有效需求；数字支持服务程度强调的是数字金融的便利性和效率[15]。

X为影响城市创业活跃度的控制变量，基于数据可得性和研究需要，本文选择的控制变量X包括：（1）传统金融发展水平（FD）。金融机构对企业的发展一直是助力企业发展的重要力量，本文通过（城市年末金融机构存款+贷款）／GDP计算得到；（2）产业结构（Ind）。第二、三产业占比越高，市场创业的潜力也可能越大。本文以第二、三产业增加值占GDP的比重度量； （3）财政实力（Gov）。各地的财政实力也是影响创业的重要因素，基于财政支出总额／GDP计算得到；（4）交通基础设施（Road）。基础设施改善能够促进创业的发展[16]，本文采用省级层面的公路密度即公路里程与区域面积的比值作为交通基础设施的度量。最后，为了减弱可能存在的双向因果所导致的内生性问题，本文对所有解释变量作滞后1期处理。

2 数字金融与城市创业活跃度的实证估计

2.1 数字普惠金融与城市创业活跃度：基准回归

本文首先对模型（1）进行估计，估计结果如表1所示。其中表1列（1）为仅引入数字金融变量的估计结果，列（2）在列（1）基础上引入了城市和月度固定效应，列（3）则进一步引入了控制变量。由表1的估计结果可知，在列（1）基础上，逐步引入城市、月度固定效应和控制变量后，数字金融变量的估计系数仍然为正且在1%的水平下显著，说明数字金融发展整体有利于推动城市创业活跃度的提高。

表1 数字金融与城市创业活跃度：基准回归

2.2 覆盖广度、使用深度、数字支持服务程度与创业活跃度的实证估计

本文进一步在表2中报告覆盖广度、使用深度与数字支持服务程度影响城市创业活跃度的估计结果。由表2的估计结果可知，覆盖广度、使用深度与数字支持服务程度变量的估计系数均为正且在1%的水平下显著，这说明数字金融覆盖广、使用更频繁、数字金融服务更加便利的城市，创业活跃度也越高，这一发现是在控制了当地传统金融发展程度、产业结构升级、当地的财政实力，以及以交通便利程度为代表的基础设施情况下得到的。

表2 覆盖广度、使用深度、数字支持服务程度与创业活跃度

2.3 内生性问题的处理：工具变量估计

模型（1）中的数字金融变量可能会由于遗漏变量等导致内生性问题，从而导致表1的基准回归结果出现偏误。本文以各市所在省域城市的数字金融发展水平均值作为工具变量②，因为数字普惠金融的发展存在明显的空间集聚效应[15]，相邻地区的数字金融发展会影响本地区的数字金融发展，但相邻地区的数字普惠金融发展不会直接

影响本省域的经济发展。工具变量的估计结果如表3所示。其中列（1）为第一阶段的估计结果，列（2）～（5）为工具变量估计结果。 列（1）～（4）中第一阶段的估计结果显示，工具变量的估计系数均为正且在1%的水平下显著，说明本省域其他城市数字普惠金融发展水平会影响本市的数字金融发展，并且该工具变量均通过了弱工具变量检验。列（5）～（8）的估计结果显示，数字金融变量与覆盖广度、使用深度、数字支持服务程度3个子维度变量的估计系数仍然为正且在1%的水平下显著，说明数字金融的发展对城市创业活跃度仍然起到了显著的促进作用，这与前文基准回归得到的核心结论一致。

表3 内生性问题的处理：工具变量估计

2.4 异质性分析

由于各地区经济环境存在显著差异，数字金融发展对各城市创业活跃度的促进效果会由于经济环境差异而不同。本部分从主要城市与其他城市、经济发达地带和经济欠发达地带等角度考察数字金融的异质性影响。其中主要城市包括4个一线城市、15个新一线城市、30个二线城市以及未包含在上述范围内的省会城市。此外，在经济区划分方面，参考国务院发展研究中心发表报告，本文将全国分为八大经济地带，其中北部沿海、东部沿海和南部沿海划分为发达地带，其余五大地带为其他地带。估计结果如表4所示。表4的估计结果显示，列（1）～（4）中数字金融变量的估计系数均为正且在1%的水平下显著，说明数字金融对主要城市与非主要城市、发达地带与其他地带均带来了显著促进作用。比较系数大小可知，数字金融变量的估计系数表现出了主要城市＞其他城市、发达地带＞其他地带的特征，但列（1）和列（2）的估计系数非常接近。总体来看，表4的估计结果并未发现数字金融能够缩小城市间创业活跃度的差距，反而有拉大倾向，这与现有研究中数字金融对创业表现出的普惠性不同。

表4 数字金融与城市创业活跃度：地区差异

2.5 数字金融与城市创业活跃度：分位数估计

本文进一步采用分位数估计方法对模型（1）进行估计，可以对前文的估计结果进行稳健性检验，还可以对数字金融发展对城市创业活跃度区域差距的影响进行考察，分位数估计结果如表5所示。由表5全样本的估计结果可知，随着分位点的提高，数字金融变量的估计系数从0.1分位点逐渐下降到了0.9分位点的0.016，说明数字金融发展更加有利于促进落后城市创业活跃度的提高，有利于缩小城市间的创业活跃度差距。由主要城市和其他城市的估计结果可知，随着分位点的提高，无论是主要城市还是其他城市，数字金融变量的估计系数均表现出了明显的下降趋势，说明数字金融发展不仅有利于缩小主要城市间差距，也有利于缩小其他城市之间的创业活跃度差距。此外，各分位点上主要城市与其他城市数字金融变量的估计系数比较接近，这与表4中列（1）和列（2）的结论一致。由发达地带和其他地带的分样本估计结果可知，随着分位点的提高，数字金融变量的估计系数均表现出了明显的下降趋势，说明数字金融发展不仅有利于缩小发达地带城市间的创业活跃度差距，也有利于缩小其他地带城市之间的创业活跃度差距。此外，各分位点上发达地带的估计系数更大，这与表4中列（3）和列（4）的结论一致，说明数字金融发展会拉大发达地带与其他地带之间的创业活跃度差距。

表5 数字金融与城市创业活跃度：分位数估计

综合表4和表5的估计结果可知，数字金融发展虽然整体缩小了城市间的创业活跃度差距，但数字金融发展对主要城市与其他城市的差距、发达地带与其他地带间的创业活跃度差距均未表现出缩小甚至表现出拉大的效果。数字金融发展缩小了主要城市、其他城市、发达地带、其他地带各类别城市群体内部之间的创业活跃度差距，是导致数字金融发展缩小全部城市间创业活跃度差距的重要原因。

2.6 数字金融促进城市创业活跃度的相对重要性：优势分析

前文已经考察了数字金融发展对城市创业活跃度的影响，本文进一步基于优势分析方法对数字金融促进创业活跃度的相对重要性进行考察。但在不同的量纲下，由于回归结果得到的估计系数无法直接进行比较，也不能简单的对不同影响因素做标准化处理，数字金融变量与其余变量哪个相对更为重要是未知的。本文基于Luchman（2021）[17]中介绍的优势分析方法和命令，通过确定不同影响因素对拟合优度R2的贡献程度以确定不同影响因素的相对重要性，计算的结果如表6所示。由表6的计算结果可知，所有变量中，解释率最高的是城市固定效应，说明城市固定效应的差异能够解释因变量即城市创业活跃度大约30%的变异，月度固定效应的解释率也达到了大约5%。除了城市和固定效应，其余解释变量中解释率最高的即为数字金融发展，贡献率达到了将近20%，远高于其余解释变量。这说明城市间数字金融发展水平的差异能够解释城市间创业活跃度差异的大约20%，相对传统金融发展、交通基础设施、财政支出规模和产业结构升级而言，是更重要的解释变量。这也说明数字金融是推动城市创业活跃度提高的重要力量，是未来促进城市创业活跃度的重要驱动力，对进一步扩大就业与经济增长、促进共同富裕具有重要意义。

表6 创业活跃度影响因素的相对重要性：拟合优度分解

3 结论与政策含义

本文基于2016年1月～2020年12月国家市场监督管理总局的工商注册信息数据，汇总计算得到了城市层面的创业活跃度数据，通过匹配创业活跃度数据与城市层面的数字金融发展指数和经济变量数据，考察数字金融发展对城市创业活跃度的影响及其在不同类别城市间的差异，最后基于优势分析方法考察数字金融发展促进城市创业活跃度的相对重要性。本文首次从城市层面考察数字金融对创业的影响，也能够从不同类别城市（如主要城市和非主要城市）间的差异进行研究，这是基于省级数据无法做到的。本文从促进创业视角为扩大就业、促进经济增长和实现共同富裕这一目标提供了新的研究视角和经验证据。

本文研究发现：（1）数字金融发展显著促进了城市创业活跃度的提高，数字金融覆盖广、使用更频繁、数字金融服务更加便利的城市，创业活跃度也越高。该结论在采用工具变量法进行估计后依然成立；（2）异质性检验发现，数字金融发展对主要城市与其他城市创业活跃度的促进效果相差不大，对发达地带创业活跃度的促进效果大于其他地带，数字金融发展并未缩小主要城市与其他城市、发达地带与其他地带之间的创业活跃度差距；（3）分位数估计结果显示，数字金融发展总体缩小了城市之间的创业活跃度差距，数字金融发展缩小了主要城市、其他城市、发达地带、其他地带各类别城市群体内部之间的创业活跃度差距，是导致数字金融发展缩小全部城市间创业活跃度差距的重要原因；（4）城市固定效应的差异能够解释因变量即城市创业活跃度大约30%的变异。除了城市固定效应，其余解释变量中解释率最高的即为数字金融发展，贡献率达到了将近20%，远高于其余解释变量，说明相对传统金融发展、交通基础设施、财政支出规模和产业结构升级而言，数字金融发展是更重要的解释变量。

本文研究结论的政策含义如下：（1）促进城市创业活跃度的提高应考虑加大对数字金融的投入力度。本文从多个角度论证了数字金融助力提高城市创业活跃度的证据，而且能够缩小城市间的创业活跃度差距，表明发展数字金融总体上可以兼顾 “效率”和 “公平”。因此，在第四次工业革命浪潮中，要避免因为发现新业态带来新问题而因噎废食，错失推动数字金融助力创业，带动就业和经济增长以及促进共同富裕的良机；（2）对创业活跃度解释率最高的变量是数字金融，贡献率达到了大约20%。将数字金融相关的创新向落后地区推广，加强各省域之间的协作，让数字金融更大发挥释放市场潜力的作用；（3）由于主要城市和经济发达地带集中了大多数的经济资源优势，在带动周边地区发展方面发挥了重要作用。但也可能由于 “虹吸”效应的存在，数字金融发展并未有效缩小甚至拉大了主要城市与其他城市、发达地带与其他地带间的创业活跃度差距。因此，防止资源过度集中在主要城市和发达地带，推动资源向其他城市流动，加大其他城市和其他地带的创业支持力度，是当下 “稳增长、保就业”和促进共同富裕的途径之一。

注释：

①模型（1）中因变量为工商注册数量+1后的自然对数。

②此外，另外一种类似的思路是选择每个省（区、市）相邻省市数字金融发展水平均值作为工具变量，基本结论与表3结果一致。