数字普惠金融对县域全要素生产率的影响及机制分析

莫 媛，林丽泰，孙光林

（1.南京财经大学 金融学院，南京 210023；2.南京大学 商学院，南京 210093）

0 引言

县域经济是国民经济发展的基本组成部分，扮演着承接产业转移、优化经济结构、推进城镇化发展的重要角色。县域经济总量约占全国的40%左右，2022年“千亿县”总数达到54 个，完成GDP8.6 万亿元，占全国经济总量的7.1%。但是，当前县域生产总值增长率持续下降、增长动力不足，从2011 年的20%下降至2021 年的12%。培育发展新动能是促进县域经济持续发展的重要支撑，随着信息技术的进步，数字普惠金融为促进县域经济发展提供了新思路。截至2023 年6 月，农村地区互联网普及率为60.5%，2023 年上半年全国农村网络零售额达1.12 万亿元，同比增长12.5%。那么，数字普惠金融能否成为驱动县域全要素生产率的新动能？其影响渠道是扩大县域经济规模，抑或是促进技术进步？地区之间是否存在差异？这些都是亟须解答的问题。

目前，关于金融发展与全要素生产率之间的关系并未得出一致结论，主要原因在于：第一，金融发展衡量指标未统一，单一的指标并不能较好地刻画金融发展的全部内涵。有学者使用银行贷款[1]、银行分支机构数量[2]、金融机构存贷款余额占地区生产总值的比重[3]来度量金融发展水平，发现金融发展与全要素生产率存在显著正相关关系。但使用金融业增加值占GDP 的比重时，则得出了相反的结论[4]。第二，由于各国经济发展模式不同，且世界经济偶有动荡，这导致针对不同期间、不同样本的研究得到了不同的结论。Asteriou 和Spanos（2019）[5]以欧洲26 个国家为研究对象，发现自2008年金融危机后，金融发展对经济增长的作用逐渐减弱，抑制了全要素生产率水平的提高。Ahmad等（2021）[6]指出印度当地金融发展对全要素生产率具有显著正向影响。还有部分国别研究则认为金融发展与全要素生产率之间存在非线性关系[7—9]。

数字普惠金融作为数字技术与普惠金融的结合，其与全要素生产率的关系也引起了很多学者的关注。在省域层面，数字经济对全要素生产率的可持续发展具有驱动作用，主要源于降低了金融服务门槛[10]，提高了资本配置效率[11]，以及发挥了知识、人才、资金等生产要素的空间溢出效应[12,13]。同时，他们的研究也提出了上述作用的区域非平衡性。在城市层面，科技与金融结合主要通过提高城市创新水平、融资能力等途径促进全要素生产率增长[14—16]。

综上所述，学者们就金融发展、数字普惠金融与全要素生产率之间的关系进行了充分讨论。相对省域和城市而言，农村地区基础设施与公共服务建设仍不够完善，数字普惠金融发展水平也较低。以省域和城市作为研究对象得出的结论对农村是否具有适用性仍不得而知。对此，本文首先运用DEA-Malmquist 指数法测算县域全要素生产率，然后实证分析县域数字普惠金融发展对县域全要素生产率的影响及作用机制，最后进一步分析上述影响的区域异质性，以期为促进县域经济高质量发展提供有益参考。

1 研究假设

已有研究表明，全要素生产率偏低的主要原因之一是存在资源错配问题。数字普惠金融在一定程度上加速了信息与要素流动、缓解了信息不对称、减少了资源错配与市场扭曲。一方面，数字普惠金融通过缓解流动性约束、便利居民支付促进了家庭消费支出，同时也衍生出多样化的消费模式。2023 年上半年全国农产品网络零售额为0.27万亿元，同比增长13.1%。因此，数字普惠金融有助于促进市场分工的深化细化，对于实现规模经济发挥着重要的作用。另一方面，已有研究认为技术创新可以降低生产要素的投入成本，从而优化资源的配置。由于创新过程需要不断投入新设备和技术人才，因此企业创新活动对于资金的需求非常大[17]，且资金投入具有周期长、风险高的特征。农村中小企业普遍规模小、抵押物不足，使得他们在创新过程中往往面临较强的融资约束。而数字普惠金融增加了金融产品的多样性、降低了金融服务门槛；且相比传统银行贷款，数字普惠金融能够发挥数字技术优势，更准确地量化违约风险，同时也有助于简化企业贷款流程，为企业创新活动保驾护航。根据技术溢出理论，头部企业具有示范效应和竞争效应，从而推动整个地区全要素生产率的提高。基于此，本文提出假设1：数字普惠金融通过刺激居民消费提升规模效率，通过激发企业创新能力提升纯技术效率，进而提高县域全要素生产率水平。

根据信息不对称理论，信息优势方会存在“道德风险”，而信息劣势方则会出现“逆向选择”，导致市场低效甚至无效。农村地区由于契约信用文化发展不足、征信系统覆盖率低、农户缺乏有效质押担保等问题，信息不对称问题较为严重。根据金融排斥理论，在不完全竞争市场条件下，各个阶层差距逐渐扩大，一些弱势群体很容易被排斥在金融体系之外。有研究表明，在金融中介发展水平较高的地区，数字金融[11]、金融政策实施[14]等驱动因素对于地区资本配置效率和技术进步具有正向促进作用。较高的地区信用水平是数字普惠金融发挥作用的重要条件，对于缓解信息不对称与金融排斥具有重要的作用。因此，本文提出假设2：在信用水平较高的地区，数字普惠金融对全要素生产率的促进作用更大。

在传统要素流动方式下，物理距离是阻碍要素跨区域流动的最大障碍。惠献波（2021）[15]研究发现，数字普惠金融在传统基础设施更加完善的城市，更能显著促进城市全要素生产率的增长；李建军等（2020）[18]则基于省域样本指出在信息基础设施建设不完备地区的普惠金融对经济增长的边际作用更大。因此，无论是铁路、机场、港口等传统基础设施建设，还是以数字化、信息化为代表的信息基础设施建设，都会对经济产生积极影响。截至2023 年6月，我国农村地区互联网普及率仍比城市低24.6 个百分点。信息基础设施不完备、物理交通不便的地区要素流动更加闭塞，可能导致微观主体获得金融服务成本更大。基于此，本文提出假设3：在信息基础设施建设水平更高的地区，数字普惠金融对全要素生产率的促进作用更大。

2 研究设计

2.1 研究方法

（1）DEA-Malmquist指数法

当采用面板数据时，可以运用DEA 线性规划和Malmquist TFP 指数测量生产率变化，即两个年份之间生产率的相对变化，弥补DEA 模型静态分析的不足。该方法通过观测值，基于一定的生产有效性标准确定生产前沿包络面上的相对有效点，从而对各决策单元进行效率评价。Malmqusit 指数变化还可以分解为技术进步变化和技术效率变化，以反映生产率变化的原因。公式如下：

其中，Xt表示t时期的投入，Yt表示t时期的产出；表示在时间t的技术条件下从t到t+1 时期的技术效率变化，表示在时间t+1 的技术条件下从t到t+1时期的技术效率变化；Dt0为生产距离函数，表示t时期实际值与前沿生产面之间的相对值；tfpch为全要素生产率指数；techch为技术进步指数，此处主要表现为数字技术带来的前沿生产面变动情况；effch为技术效率变化指数，更加强调在技术水平不变的前提下，县域各类生产要素的配置与利用状态，表示对前沿生产面的追赶情况；pech和sech分别为纯技术效率变化指数和规模效率变化指数。变化指数值小于1代表效率水平降低，大于1则代表效率水平提高。

（2）两阶段最小二乘法和面板分位数回归模型

先构建基础面板回归模型：

其中，tfpchit代表t年县域i的全要素生产率指数，difiit是t年县域i的数字普惠金融水平，xit代表模型中t年县域i的控制变量，α0为截距项，α1和α2为待估计系数，εit为随机扰动项。

考虑到研究可能存在遗漏变量与反向因果问题，本文选用各县域到杭州市的距离作为工具变量，利用两阶段最小二乘法对原估计进行纠正，以缓解模型的内生性问题。

再构建面板分位数回归模型，以观测数字普惠金融在不同水平全要素生产率下的作用差异：

其中，Qτ(tfpchit)为县域全要素生产率指数的τ分位数，β1τ为核心解释变量的τ分位数估计系数，β2τ为控制变量的τ分位数估计系数。

（3）中介效应模型

为探究数字普惠金融发展对县域全要素生产率的影响机制，本文进一步构建中介效应模型[19]，同时使用boostrap法进行稳健性检验。中介效应模型如下：

其中，Mit为中介变量，本文选取消费率（consu）和企业创新能力（inno）作为中介变量，分别从微观主体行为和企业创新角度探究传导机制。

2.2 变量说明

本文具体变量的设置及说明如表1所示。

表1 变量设置及说明

2.3 数据来源

本文以2014—2021年中国1639个县域（包括县级市、自治县、旗）为样本，覆盖我国31 个省份（不含港澳台）。为保证样本稳定性，本文以2014 年行政区划作为基准。2014 年全国共有2082 个县域，而北京大学数字普惠金融指数（县级）在2014年的统计样本仅包含1754个县域。为兼顾地方区划变化，本文最终选取1639 个县域作为研究样本，数据有效率达78.72%。核心解释变量的数据来源于北京大学数字普惠金融指数；被解释变量、控制变量、分组变量及中介变量的数据来源于《中国县域统计年鉴》《中国城市统计年鉴》以及《中国统计年鉴》，其中银行网点数据来源于银保监会金融许可证信息，企业创新数据来源于《中国区域创新能力报告》。

3 结果分析

3.1 县域全要素生产率的变化特征

从时序变化看（见表2），县域全要素生产率稳步增长。其中，县域技术进步与纯技术效率整体呈现正向增长趋势，而规模效率表现较为稳定。县域全要素生产率的提升究竟是源于技术进步还是技术效率，需要后续实证进一步分析。从区域不平衡性看（见表3），方差检验和t 检验结果显示，在不同信用水平、信息基础设施建设水平的地区，全要素生产率均存在显著的差异。据统计，样本中东部地区全要素生产率大于1的县域占比达67%，比中西部地区高出约7个百分点。

表2 2013—2021年县域Malmquist全要素生产率指数

表3 不同地区全要素生产率的差异检验

3.2 县域数字普惠金融的发展趋势

整体而言，数字普惠金融在农村地区发展呈增长趋势，2014—2021 年年均增长率达13.13%，且有逐渐收敛趋势。从城乡差异看，县域数字普惠金融发展的变异系数自2017年后明显小于市域和省域①变异系数是数据组标准偏差与均值的比值，常用于分析数据的离散程度，是分析内部差异与收敛性较为合理的指标。2017年县域变异系数为0.058，市域为0.092，省域为0. 088；2021年县域变异系数为0.065，市域为0.086，省域为0.088。，表明县域内部差异较小，数字普惠金融在农村地区具有广泛的潜在市场。从东、中、西三大地区的差异看（见下页图1），2014—2016年中部地区县域之间数字普惠金融水平的差异最小，东部地区次之，西部地区最大；2017—2021 年，西部地区县域之间的变异系数最小，东部地区最大，可能的原因是，西部地区县域数字金融发展水平普遍较低，而东部地区是全国百强县最为集中的地区，由于上海市、杭州市等中心城市的辐射作用，引致周边县域的数字普惠金融发展水平明显高于其他地区。

图1 三大地区县域数字普惠金融指数变异系数逐年变化趋势

3.3 数字普惠金融对全要素生产率的影响分析

依据上述思路，本文采用Stata 软件分析数字普惠金融对全要素生产率的影响及作用机制。工具变量有效性检验的Kleibergen-Paap rk LM统计量对应的P值为0.000，拒绝了“工具变量不可识别”的原假设；Kleibergen-Paap rk Wald F 统计量大于Stock-Yogo 弱识别检验在10%水平上的临界值为16.38，表明县域到杭州市的距离是合适工具变量。

根据表4，整体而言，数字普惠金融显著提升了技术效率以及全要素生产率。在信息不对称的农村信贷市场上，金融中介（网上银行、数字金融平台等）比个人和企业更具信息优势，提高了资金配置效率。这也说明发展普惠金融是贯彻新发展理念的重要举措，它在缓解信贷分配不平衡方面发挥了重要作用。但是，数字普惠金融对技术进步的影响并不显著，可能的原因是县域经济技术进步路径存在一定依赖性，此外，它还受农村技术能力、经济基础条件等因素影响，如数字技术赋能乡村产业发展的应用场景仍显不足。分位数估计结果（表5）表明，县域资源配置效率越高或技术创新水平越高，越有利于数字技术的触达，从而拓展服务广度和深度，更有效地提升全要素生产率。由此可见，数字普惠金融与县域全要素生产率存在显著正相关关系，且数字普惠金融可以促进全要素生产率的规模效率和纯技术效率。

表4 数字普惠金融与全要素生产率及其分解效率关系的估计结果

表5 数字普惠金融对县域全要素生产率影响的分位数估计结果

3.4 机制检验

（1）居民消费的中介效应检验

由表6可知，数字普惠金融通过减少居民传统消费进而提升了县域全要素生产率。此处与假设1 不一致的原因可能是，本文选取的社会消费品零售额包括实物商品网上零售额，但不包括非实物商品网上零售额。随着乡村移动互联网和智能手机普及，数字普惠金融下沉力度加大，线下消费活动的大幅收缩反而刺激线上消费和数字化新兴消费需求，显示出乡村消费升级潜力。据统计，2023年1月至2月乡村消费品零售额同比增长4.5%，较城镇消费品零售额增速高出0.3个百分点。在“双循环”新发展格局下，数字普惠金融引起的“消费升级”形成了对县域经济高质量发展的有力支撑。

（2）企业创新能力的中介效应检验

由下页表7可知，数字普惠金融可以通过提高企业创新能力提升县域全要素生产率。在金融资源错配情况下，数字普惠金融能够缓解具有增长潜力企业的融资困境，从而增加了企业技术创新投入和产出[20]。这些企业又进一步产生示范效应，从而促进了县域全要素生产率的提升。这与假设1对企业创新机制的设定一致。

表7 企业创新对全要素生产率影响的中介效应检验结果

3.5 异质性分析

从地区信用水平的异质性来看，下页表8的估计结果显示，地区信用水平越高，数字普惠金融的效率提升效应越强。在信用水平低的地区，“被动金融排斥”与“主动金融排斥”均会降低农村居民金融服务可得性。在信用水平高的地区，农村信用体系更加健全、金融担保机构数量更多，金融中介聚集社会闲散资金的速度更快，进而满足微观主体的投融资需求，假设2成立。

表8 地区信用水平异质性视角下的分组估计结果

从信息基础设施的异质性来看，作为一种重要的经济性基础设施，信息基础设施具有数字化、信息化与公共性的特征，是数字普惠金融发挥作用的载体。由表9 可知，相比在信息基础设施低水平、中低水平地区，信息基础设施高水平县域的数字普惠金融提升县域全要素生产率的效果更大。通信技术的发展，加快了信息与要素的流动，使金融交易成本进一步降低，在信息基础设施水平越高的地区，信息的可触及性与通达性更高，进而加快促进了全要素生产率提升。假设3成立。

表9 信息基础设施水平异质性视角下的分组估计结果

从控制变量看，人力资本水平对技术进步的估计系数显著为正，但对纯技术效率的估计系数显著为负。在人力资本水平高的县域，劳动密集型产业对劳动力的依赖程度大，抑制了其他生产要素的配置需求，但从长远看，人力资本积累有助于获得更大技术进步。值得注意的是，2010—2021年，全国农村地区的人均受教育年限为7.35年，西部地区仅为6.87 年①根据《中国人口和就业统计年鉴》公布的数据计算得出。。由于农村产业水平落后于城市，优秀人才返乡工作意愿低，人力资本外溢现象较为普遍，因此提高县域人力资本水平对于促进地区全要素生产率具有现实意义。创新驱动基础对规模效率和技术进步的影响显著为正，对纯技术效率影响显著为负。囿于数据可得性，本文选取规模以上工业企业数作为代理变量。虽然，规模以上工业企业是工业经济转型升级的重要力量，但是，县域传统产业重复投资严重，县域经济仅仅注重规模以上企业的发展，可能并不利于全要素生产率的提高；县域新型工业化应当立足区域优势，加强产业链建设，通过产业集聚增强创新能力。银行业集中度对规模效率和技术进步的影响显著为负，并最终呈现对全要素生产率的抑制作用。依据效率结构假说及安逸生活假说，银行业市场集中度越高，机构的经营绩效越低。区位特征估计结果显示，东部地区的各项效率指标均显著高于其他地区。

3.6 稳健性检验

本文已在机制分析部分使用Bootstrap 法进行了稳健性检验，此处使用缩尾处理与差分GMM 法进行进一步的稳健性检验。

（1）缩尾处理

考虑到我国区域分布差异，为剔除样本异常值对估计结果的影响，本文在1%的水平上对主要解释变量进行缩尾处理并重新估计，结果见表10。工具变量有效性检验的Kleibergen-Paap rk LM统计量对应P值为0.000，拒绝了“工具变量不可识别”的原假设；Kleibergen-Paap rk Wald F统计量大于Stock-Yogo 弱识别检验在10%水平上的临界值16.38。估计系数方向与显著性与上文一致，表明估计结果较为稳健。

表10 数字普惠金融与全要素生产率关系的缩尾处理估计结果

（2）差分GMM模型

为了避免模型设定中产生的内生性问题，并考虑到当地全要素生产率水平可能会受到过去水平的影响而使估计出现偏差，本文引入全要素生产率水平的滞后项，使用差分GMM模型进行动态估计。由下页表11可知，本文的结论不依赖于模型的设定，仍具有稳健性。

表11 数字普惠金融与全要素生产率关系的差分GMM估计结果

4 结论

在数字技术广泛应用的背景下，本文以2014—2021年中国1639 个县域为例，在采用DEA-Malmquist 指数法测度县域全要素生产率的基础上，运用两阶段最小二乘法、面板分位数回归模型和中介效应模型分析数字普惠金融对全要素生产率的影响及作用机制。研究发现：（1）整体而言，样本期内我国县域全要素生产率整体处于稳定上升趋势，主要源于技术进步与纯技术效率的提高。东部地区有效率的县域数占比明显高于中西部地区。（2）在作用机制方面，数字普惠金融通过刺激居民消费升级，以及提升企业创新能力提高县域的全要素生产率。农村居民的消费升级，改善了生产要素的再配置效率和规模效率；企业创新能力培育则有助于要素在产业间的优化配置。（3）从异质性视角来看，在信用水平更高、信息基础设施建设更完善的地区，数字普惠金融对县域全要素生产率的促进作用更大。地区信用水平越高，缓解农村金融排斥的影响和力度越大；地区信息基础设施建设越完善，信息的可触及性与通达性越高。