冯智杰 刘丽珑

内容提要：金融科技的发展在提高融资效率、促进经济增长、金融发展的同时，也因为“金融脱媒”加速了信贷扩张，容易引发金融风险。本文通过空间计量模型的方法，采用2011—2018年的省级面板数据，考察金融科技对区域金融风险和固定资产投资的空间溢出效应。研究表明：金融科技对本地区的区域金融风险和固定资产投资具有正向影响，固定资产投资在金融科技对区域金融风险影响中具有中介效应。金融科技对邻近地区的区域金融风险和固定资产投资水平具有负向空间溢出效应。同时，金融科技对区域金融风险和固定资产投资的空间溢出效应存在地区异质性，较落后地区的金融科技对区域金融风险和固定资产投资的直接影响相对较大。

关键词：金融科技;固定资产投资;区域金融风险

中图分类号：F832 文献标识码：A 文章编号：1001-148X（2021）06-0065-08

作者简介：冯智杰（1980-），男，福建仙游人，厦门大学经济学院博士研究生，研究方向：金融科技、固定收益;刘丽珑（1981-），女，福建龙岩人，厦门理工学院经济与管理学院副教授，管理学博士，研究方向：财务管理、金融科技。

基金项目：福建省自然科学基金项目，项目编号： 2019J05125。

一、引言

近年来，金融科技蓬勃发展，然而其两面性也逐渐显现：一方面，金融和科技相结合的金融创新，促进了金融资源配置、降低金融服务门槛，逐步成为金融发展的核心力量;另一方面，金融科技通过“金融脱媒”，加速信贷扩张、扩大信贷规模，但是金融科技监管却无法跟上金融科技快速发展的脚步，从而引发金融风险的聚集。而从历史来看，金融创新往往会伴随着严重的金融危机。因此，在利用金融科技创造金融发展优势的同时，绝不能忽视金融科技潜在的风险。2019年，央行在金融科技发展规划中提出完善金融业务风险防控体系、建立金融科技监管规则体系的总体目标。2020年11月7日，人民银行发布《中国金融稳定报告2020》表示：对于金融科技的监管，要打造包容审慎的创新监管机制。基于这样的金融科技发展背景，本文进一步围绕金融科技和区域金融风险展开研究，对于合理应用金融科技、降低金融科技风险具有一定的理论和实践意义。

在近年来的国内外研究中，绝大多数的研究都围绕在金融科技对经济增长、创业和企业创新、产业结构升级、城乡包容性增长、降低企业财务费用和减少融资约束的促进作用上。对于金融科技可能引发的系统性金融风险，相关研究也进行了比较充分的探讨。但关于金融科技对固定资产投资、区域金融风险的空间溢出效应的研究还比较欠缺，对此本文选择我国2011-2018年的省级面板数据进行实证检验。

二、理论提出和研究假设

（一）金融科技对区域金融风险的空间溢出效应

金融科技的应用仍然具有传统金融业务原有的风险，还产生了新的信息技术风险，也因“二次脱媒”产生更为复合的风险[1]。金融科技提高了金融机构之间的关联性，加快了风险的传播速度，扩散区域金融风险，具有空间溢出性，也容易引发系统性危机[2]。金融科技降低了信贷审批门槛，导致金融机构盲目追求规模，大大提高了区域非金融企业部门的债务规模，容易引起杠杆结构的失衡，增加了非金融企业部门的系统性危机[3]。当前金融监管尚未能适应金融科技的发展，监管者却无法及时识别金融科技带来的金融风险，增加了监管空白和监管套利的风险[4]。

金融科技对区域金融风险的空间溢出效应具有地区异质性。较发达的地区，金融监管较为严格，约束了金融科技带来的金融风险，而对于较落后地区，融资手段单一，金融科技的发展扩大融资覆盖范围，加上较为宽松的金融监管，也使得信贷杠杆在金融科技的作用下得到扩大，从而提高了区域金融风险。地方经济发展不均衡加剧了风险的空间传导和传染[5]。

基于此，本文提出假设1：

H1：金融科技对区域金融风险有空间溢出作用，金融科技对区域金融风险具有地区差异性，发展相对落后地区金融科技对区域金融风险的影响更大。

（二）金融科技对固定资产投资的空间溢出效应

金融科技加速了金融行業的转型与升级，在这个过程中，金融科技的发展呈现出区域发展不均衡的情况，区域之间存在空间的关联和互动，即存在一定的溢出效应[6]。金融科技有助于拓宽金融覆盖面，降低融资成本，提高金融资源配置效率，推动金融多元化发展，促进金融产品、服务及工具的创新，有助于缓解企业融资约束。固定资产投资通常和信贷约束有关，企业的投资决策常常受到信贷配给的影响[7]。固定资产投资较多的企业会更多地得到商业银行的贷款，并进一步扩大固定资产的规模[8]。金融科技的空间溢出效应和对金融资源配置的作用也对固定资产投资带来了影响，金融科技降低了融资约束，固定资产投资在融资约束较低的地区上升明显，金融科技对固定资产投资的影响具有空间溢出性。而且，对于较落后地区，金融基础设施不完善，企业较难通过正规渠道获得金融资源，而金融科技降低了融资难度，因此，较落后地区的企业更有动力通过金融科技获取贷款扩大固定资产投资。

因此，本文提出假设2：

H2：金融科技对固定资产投资有空间溢出作用，金融科技对固定资产投资具有地区差异性，发展相对落后的地区金融科技对固定资产投资的影响更大。

（三）固定资产投资在金融科技对区域金融风险空间溢出中的中介效应

金融科技加大了非金融企业固定资产投资的资源错配。金融科技降低借贷门槛，放松金融约束，扩大金融覆盖范围，非金融企业部门通过提高资产负债率增加固定资产投资，但是从金融机构的角度来看，固定资产投资所需的贷款通常是中长期贷款，固定资产投资规模的上升，增加了中长期贷款，通过金融科技获得短期存款与固定资产投资的长期贷款不匹配，导致流动性风险的上升，因此固定资产投资的增加，又会因为期限错配、流动性错配导致区域金融风险的上升。固定资产贷款会导致资金期限错配，从而增加商业银行的流动性风险，增加金融风险。

基于此，本文提出假设3：

H3：金融科技通过固定资产影响区域金融风险，固定资产投资具有中介效应。

三、实证方法

（一）变量说明

考虑到样本的可得性与合理性，并参考相關文献，构造了如下变量：

1.被解释变量

区域金融风险指数（regrisk）：区域金融风险的测度尚未形成统一的标准，本文借鉴陈雨露和马勇（2013）[9]、沈丽等（2019）[5]方法构造区域金融风险指数，主要选取不良贷款率、存贷比、保险密度、资产负债率、企业亏损额度、财政缺口等6个主要指标来构造区域金融风险指数，其中对负向指标——保险密度转换为正向指标，在此基础上使用主成分分析，并利用主成分载荷矩阵及方差贡献率得到新的指标，进一步对新指标进行归一化处理（限于篇幅，没有列出主成分分析的过程，如有需要可向作者索取）。

2.解释变量

金融科技指数（fintech）：作为关键的解释变量，本文借鉴张勋等（2019）[10]、吴雨等（2020）[11]等文献，采用北京大学的数字普惠金融指数作为金融科技指数，该指数涵盖信贷、投资等多个领域，被广泛应用于对金融科技的衡量。金融科技与互联网金融、数字金融的概念基本相似[12]。数字金融是金融科技的具体表现，因此该指数被广泛应用于对金融科技的衡量。但是该指数目前的时间跨度为2011年到2018年，本文在采用该指数进行分析之前对指数进行了归一化处理。

固定资产投资水平（invest）：对于固定资产投资水平，本文以各省市的固定资产在GDP中的占比来衡量不同区域的固定资产投资水平。

3.控制变量

本文通过对相关文献梳理，借鉴相关文献，选择了如下反映区域经济状况的控制变量：经济发展水平（lnreggdp）：固定投资水平、区域金融风险和地方经济发展环境及基础设施有关，所以利用各地区人均GDP的对数值来衡量地区经济发展水平;城市化水平（urban）：城镇化的加快推进，同时也刺激了地方融资业务的扩张和风险的上升，采用区域内年末城镇人口与总人口之比来反映;经济结构（ecostruct）：经济结构代表了地区经济发展的方向，采用第二产业占比来衡量区域经济结构;经济开放水平（open）：以进出口贸易总额在GDP中占比来表示经济的开放程度。

（二）计量模型

为探究金融科技对固定资产投资与区域金融风险的空间效应，将经济变量的空间相关性引入到模型中，同时为避免其他宏观因素的影响，本文均使用双向固定效应模型，固定了年份效应和省份效应。综合考虑各个变量之间的关系，首先建立空间杜宾模型（SDM），空间杜宾模型包含了自变量和因变量的空间滞后项，具有更一般的形式，可以表示如下：

其中，i表示地区，t表示年份，regriskit表示区域金融风险指数，fintechit表示地区金融科技指数，Xit表示控制变量，β0为截距项，β1为金融科技系数，βc为控制变量系数，δi、μt代表固定效应变量，εit表示随机误差项，W为空间权重矩阵，ρ为空间自回归系数，θf、θc为空间交互项系数。

除此以外，作为空间计量模型的对照模型，将因变量的滞后项引入模型表示相邻区域的影响，构造空间滞后模型（SAR），可以表示为：

如果考虑经济变量因为相对位置而存在相互影响的差异，可以构造空间误差模型（SEM），表示为：

其中，λ为空间误差系数。

而对于金融科技、固定资产投资对区域金融风险的影响，以及固定资产投资在其中表现出的中介效应，主要采用杜宾模型进行分析，

其中，investit表示地区固定资产投资水平，在α1显著的情况下，如果β1和γ2都显著，则检验γ1显著度，如果γ1显著且小于α1，则说明中介变量具有部分中介效应，如果γ1不显著，说明中介变量具有完全中介效应;如果β1和γ2至少有一个不显著，则进行Sobel检验，如果显著，则说明存在中介效应，否则不存在。

为反映各地区在空间之间的相互关系，本文从地理权重和经济权重两个方面构造空间矩阵，其中，地理矩阵以地理之间距离的倒数作为权重，即Wit=1dij，dij为两省间的地理距离，而经济矩阵采用2011-2018年各地平均GDP作为权重进行计算。

四、实证结果及分析

（一）数据描述

本文考虑数据可得性，选择了2011年到2018年之间的省级面板数据，除了金融科技指数来自北京大学外，其他数据都来自万得（Wind）数据库。在实证分析之前，对部分数据进行了归一化处理，包括区域金融风险指数、金融科技指数、城镇人口比例、市场化水平、固定资产投资水平。然后，为了避免极值影响，对各变量经过Winsorize在1%和99%的处理，各个变量的名称、说明、统计特征如表 1所示。金融科技指数均值为0.473，标准差为0.235，说明金融科技的发展存在地区差异性。

（二）空间自相关检验

本文采用Moran’s I指数，对金融科技、固定资产投资及区域金融风险等指标进行全局自相关检验。选取2011-2018年份，采用地理矩阵和经济矩阵进行计算（限于篇幅，检验结果未作报告，如有需要可向作者索取）。金融科技所有年份指标均为正且通过检验，说明金融科技有显著的地理邻接和经济空间溢出效应，说明省份间存在空间聚集效应。区域金融风险在地理矩阵下，除了2011年外，都具有统计显著性，在经济矩阵下，除了2011年、2012年外，都具有统计显著性，说明区域金融风险也具有比较明显的空间溢出效应。而固定资产投资在地理矩阵下，除了2011年、2018年，都具有统计显著性，而在经济矩阵下，除了2011年、2012年、2018年，其他年份都具有统计显著性，说明固定资产投资仍然具有比较明显的空间溢出效应，。

（三）金融科技对区域金融风险的空间溢出效应

1. 空间计量模型的选择

在进行回归分析前对模型进行了Hausman检验，在忽略空间因素的条件下，Hausman检验值为29.45，P值为0.000，显著性通过了检验，因此采用双向固定效应模型。

通過似然比检验选择合适的空间计量模型（限于篇幅，检验结果未作报告，如有需要可向作者索取），从地理矩阵和经济矩阵的似然统计量来看，空间杜宾模型（SDM）相对于空间滞后模型（SAR）和空间误差模型（SEM）的统计系数都具有统计显著性，因此空间杜宾模型更具有优势。因此本文主要利用空间杜宾模型进行检验，同时为了更好地说明空间效应，同时列出了空间滞后模型和空间误差模型的回归结果。

2.空间计量回归结果

金融科技对区域金融风险的空间计量回归结果如表2所示。表 2中σ2均在1%的水平下显著，证明了模型的拟合度较好，同时Log-likelihood的数值越大证明模型的效果越好，可以发现SDM模型的 Log-likelihood数值最大，说明选择 SDM 模型的可信度较高，优于SAR模型和SEM模型，也印证了前文的模型选择。从列（1）-（6）中可以看到，金融科技指数不管是在SDM模型还是在SAR模型、SEM模型，都具有明显统计显著性。尤其是在列（1）SDM模型地理矩阵下，金融科技指数对区域金融风险的影响系数为0.974，在5%的水平上具有统计显著性，在列（2）经济矩阵下，金融科技对区域金融风险的影响系数为1.059，在1%水平上具有统计显著性，说明不管是地理矩阵还是经济矩阵，金融科技指数对区域金融风险具有正向影响。从交互项W×fintech来看，虽然在地理矩阵下，总体样本没有表现出明显的统计显著性，但是在经济矩阵下，总体样本的影响系数为-1.653，在10%的水平具有统计显著性，说明金融科技对区域金融风险有负向的空间溢出效应，说明金融科技提高了本地区的金融风险，但是因为虹吸作用降低了相邻区域的金融风险，而在表4列（1）地理矩阵下，较发达地区的影响系数为-1.702，也表现出明显的统计显著性，也进一步证实金融科技对区域金融风险具有负向的空间溢出效应，由于金融科技降低了本地区的金融门槛，降低了信贷获取成本，扩大了信贷来源，邻近地区的信贷资金也会被吸引到金融科技较为发达的地区，从而降低邻近地区的金融风险，反而增加本地区的金融风险。从控制变量来看，在列（1）-（6）中，经济发展水平在1%的水平上对区域金融风险有显著的负向影响，说明地区的经济发展水平的提高有助于降低区域金融风险，在列（2）经济矩阵中，城市化水平在10%的水平上具有显著的正向影响，说明城市化水平会增加区域金融风险。

3. 金融科技对区域金融风险的空间效应

本文从地理矩阵和经济矩阵两个角度对空间溢出效应进行分解，考虑到空间杜宾模型优于其他模型，这里只采用空间杜宾模型进行检验。空间效应如表3所示。直接效应反映各经济因素对本地区区域金融风险的平均影响，从直接效应来看，不管是地理矩阵还是经济矩阵，金融科技对区域金融风险的影响系数显著为正，分别为0.973和1.020，说明金融科技对本地区的区域金融风险具有显著的正向推动作用，金融科技的应用会带来区域金融风险的增加，究其原因，金融科技降低金融约束，增加地区负债，从而增加了区域金融风险。从控制变量来看，人均GDP对区域金融风险有负向影响，会降低区域金融风险。间接效应反映各经济因素对空间内有联系的其他地区造成的平均影响，总效应反应各经济因素对所有地区的区域金融风险总的影响程度，但是从间接效应和总体效应来看，金融科技对区域金融风险的影响并不明显。但是从前文的交互项W×fintech来看，金融科技对区域金融风险仍然具有空间溢出效应。

4. 金融科技对区域金融风险影响的异质性检验

本文在全样本的基础上，将全国32个省份分为较发达地区、较落后地区（较发达地区包括中东部地区和辽宁省、四川省、重庆市19 省市，剩余12个省份为较落后地区）。地区异质性检验结果如表4所示。从地区异质性的角度来看，也可以看到，在地理矩阵下，列（2）较落后地区的影响系数为1.309，大于列（1）较发达地区的影响系数0.890，在经济矩阵下，列（4）较落后地区的影响系数为1.164，大于列（3）较发达地区的影响系数0.753，说明不管是地理矩阵，还是经济矩阵，较落后地区金融科技对区域金融风险的影响系数都要大于较发达地区。结合前文，假设1得到证明。这是因为较落后地区金融发展水平比较低，监管水平也相对比较落后，所以金融科技对区域金融风险的影响相对较发达地区来得更加显著，从直接效应的影响系数来看，也可以得到一样的结论（限于篇幅，此处没有列出，如有需要可向作者索取）。

（四）金融科技对固定资产投资的空间溢出效应

1. 空间计量模型的选择

同前文一致，在忽略空间因素的条件下，首先通过Hausman检验确定是固定效应还是随机效应，模型Hausman 检验值为58.58，P 值为0.000，显著性通过了检验，因此采用双向固定效应模型。

本文通过似然比检验选择合适的空间计量模型（限于篇幅，检验结果未作报告，如有需要可向作者索取），从地理矩阵和经济矩阵的似然统计量来看，空间杜宾模型（SDM）优于空间滞后模型（SAR）和空间误差模型（SEM），都具有1%的统计显著性。

2. 金融科技对固定资产投资的空间计量回归结果

金融科技对固定资产投资的空间计量回归结果如表5所示。由于空间杜宾模型具有明显优势，这里采用空间杜宾模型进行检验。在总体样本下，在列（1）地理矩阵下，金融科技指数对固定资产投资的影响系数为0.743，在1%的水平上具有统计显著性，在列（4）经济矩阵下，金融科技对固定资产投资的影响系数为0.699，在5%水平上具有统计显著性，说明不管是地理矩阵还是经济矩阵，金融科技指数对固定资产投资具有正向影响，而从W×fintech交叉项来看，金融科技对邻接省份的固定资产投资的影响系数为-1.051，在5%的水平上具有显著的负向溢出效应，虽然经济矩阵下不具有统计显著性，这可能是和地理、经济特征有关，但从地理矩阵的角度，仍然可以看到负向溢出效应，这说明：一方面，由于金融科技放松了金融约束，降低信贷门槛，显著增加了本地区的固定资产投资，但是另一方面，在金融科技的作用下，本地区对其他地区的固定资产投资具有挤出效应和虹吸效应：稀缺的资本会在空间中流向具有规模效应、聚集效应的地区，以获得高额回报，因此相邻地区在金融科技的作用下形成了竞争关系，本地区的投资对其他地区的投资产生了挤出效应;并且，金融科技促进了本地区的经济增长，具有经济活力的地区会更吸引其他地区的人才和技术，从而形成明显的投资优势，从而对周边形成虹吸效应，从而促使固定资产的投资向较发达地区流动。从控制变量来看，在列（1）、（4）中，城市化水平和经济结构对固定资产投资有显著的正向影响。

表5同时列出了地区异质性检验结果。在从地区异质性角度来看，在地理矩阵中，列（2）较发达地区的金融科技指数影响系数不显著，列（3）较落后地区的影响系数具有1%水平的统计显著性，并且，较落后地区的影响系数会大于较发达地区，虽然经济矩阵下列（6）较落后地区的影响系数不显著，但是P值为0.124，接近边缘显著性，且影响系数大于列（5）较发达地区。究其原因，较发达地区的经济发展水平比较高，资源配置完善，金融科技对固定资产投资的提高存在边际递减的效应，而对于较落后地区，金融科技有助于降低融资门槛，降低信贷审批难度，较落后地区的企业更会通过金融科技获取信贷资金增加固定资产投资，因此在较落后地区的金融科技对固定资产投资的影响相对较发达地区更大。假设2得到证明，从直接效应的影响系数来看，可以得到一样的结论（限于篇幅，没有列出估计结果，如有需要可向作者索取）。这说明，金融科技的发展还存在区域的不平衡性，而从W×fintech交叉项来看，在地理矩阵下，列（3）较落后地区的金融科技具有显著的正向溢出，在经济矩阵下，列（6）较落后地区存在显著的负向溢出效应，虽然表现出不同的统计特点，可能是由于地理特征和经济特征不同的影响，但是也说明金融科技在较落后地区的空间溢出效应更为明显，具有跨区域影响。

（五）固定资产投资中介效应的检验

金融科技的发展降低了融资难度，扩大了金融覆盖范围、提高金融应用深度，因此也增加了区域金融杠杆和固定资产投资，因此，本文通过中介效应模型分析金融杠杆和固定资产投资在金融科技和区域金融风险之间的中介效应。表6列出了中介效应回归的结果，列（1）中固定资产投资对区域金融风险的影响系数为0.443，在1%水平上具有显著的正向影响，列（2）中固定资产投资对区域金融风险的影响系数为0.421，具有1%水平显著的正向影响，并且金融科技指数不再具有统计显著性，结合表2列（1）、表8列（1），可见，在地理矩阵下，固定资产投资在金融科技指数对区域金融风险的影响中具有完全中介效应。在列（3）中，固定资产投资对区域金融风险的影响系数为0.491，在1%水平上具有统计显著性，在列（4）中，固定资产投资的影响系数仍然在1%具有统计显著性，而金融科技指数虽然仍然在5%水平上具有统计显著性，但是对比表6列（4），影响系数下降，同时结合表2列（2），可以发现，在经济矩阵下，固定资产投资在金融科技指数对区域金融风险具有部分中介效应。因此假设3得到证明。这是因为，金融科技降低信贷门槛、扩大融资范围，促进了地区固定资产投资的上升，但是固定资产投资的信贷资金通常是中长期贷款，而信贷供应端通常是短期贷款，通过金融科技，金融机构可以会将短期资金归拢提供给中长期贷款，从而产生期限错配、流动性风险等问题，导致区域金融风险的上升，增加了金融机构的潜在系统风险。

从空间效应的分解来看（限于篇幅，检验结果未作报告，如有需要可向作者索取），在直接效应上，不管是地理矩阵还是经济矩阵，金融科技对固定资产投资的影响系数显著为正。从间接效应来看，在地理矩阵中，金融科技对固定资产投资的间接效应显著为负，说明各地区金融科技对其他地区具有负的空间溢出效应，在金融科技作用下，本地区对其他地区固定资产投资的虹吸作用，导致固定资产投资向金融科技更发达的地区聚集。

（六）稳健性检验

本文采用0-1邻接矩阵进行稳健性检验，结果如表7所示，由回归结果可知，在列（1）中，金融科技对区域金融风险的影响系数为0.898，在5%水平上具有统计显著性，金融科技对区域金融风险具有正向影响，在列（3）中，金融科技对固定资产投资水平的影响系数为0.628，在1%水平上具有统计显著性，说明金融科技对固定资产投资具有正向影响，在列（2）中，固定资产投资水平对区域金融风险的影响系数为0.442，在1%上具有正向的统计显著性，同时考虑金融科技、固定资产投资水平的情况下，列（4）显示，固定资产投资的影响系数为0.419，显著为正，而金融科技指数系数不再具有统计显著性，说明固定资产投资水平具有完全中介效应，因此，本文的实证结果具有稳健性。

五、研究结论及政策建议

金融科技的发展对金融风险的影响近年来受到广泛的关注，本文采用空间计量模型研究金融科技对固定资产投资和区域金融风险的空间溢出效应，通过2011年到2018年的样本数据进行研究，研究发现：（1）金融科技对区域金融风险和固定资产投资具有正向的影响，金融科技会直接增加本地区区域金融风险和固定资产投资水平，并且对邻近地区具有负向空间溢出效应，通过虹吸作用间接影响其他地区的固定资产投资和区域金融风险，降低邻近地区的区域金融风险和固定资产投资。（2）固定资产投资在金融科技对区域金融风险影响中具有的中介效应，金融科技有助于降低金融门槛，增加信贷配给，提高固定资产投资水平，但是存在潜在的期限错配、流动性风险，进而增加了区域金融风险。（3）金融科技对区域金融风险和固定资产投资的空间溢出效应存在地区异质性，较落后地区金融科技对区域金融风险和固定资产投资的直接影响相对较大。

本文的研究对于合理利用金融科技、降低金融科技风险具有重要的理论和实践意义，对于有效实施金融科技监管具有重要的启示意义。根据本文的研究结论，提出如下建议：第一，完善金融科技的相关法规和监管政策。制定相关法律，保障健康的金融科技创新，建立符合政策导向和金融发展需求的监管框架，实现金融科技创新与区域金融风险的平衡，满足金融科技快速发展的需要。第二，提高金融科技监管的执行效率。及时跟进金融科技的发展，跟进金融风险的变化，紧紧抓住当前金融科技快速发展的历史机遇，发挥政府的监管和引领作用，从而提高金融监管的及时性和适应性。第三，实行差异化的监管政策。完善较落后地区的金融服务和金融监管，提升较落后地区的金融整体发展水平，减少较落后地区金融科技带来的负面影响，继续发挥金融科技在较落后地区促进经济增长、促进创新、提高农村居民收入的作用。

参考文献：

[1]吴晓求.互联网金融：成长的逻辑[J].财贸经济，2015（2）：5-15.

[2]戴国强，方鹏飞.监管创新、利率市场化与互联网金融[J].现代经济探讨，2014（7）：64-67.

[3]姜建华，秦志宏.非均衡发展格局下的区域金融风险与宏观金融运行[J].国际金融研究，1999（9）：44-50.

[4]吕勇斌，陈自雅.区域金融风险部门间传递的空间效应——2005～2012年[J].财政研究，2014（8）：46-48.

[5]沈丽，刘媛，李文君.中国地方金融风险空间关联网络及区域传染效应：2009-2016[J].管理评论，2019，31（8）：35-48.

[6]李志强，徐宇明.空间外溢视角下的科技金融与区域经济增长质量[J].当代财经，2020（10）：62-74.

[7]冯科.信贷配给、固定资产投资水平与企业创新[J].中央财经大学学报，2016（4）：42-51.

[8]王霄，張捷.银行信贷配给与中小企业贷款——一个内生化抵押品和企业规模的理论模型[J].经济研究，2003（7）：68-75.

[9]陈雨露，马勇.构建中国的“金融失衡指数”：方法及在宏观审慎中的应用[J].中国人民大学学报，2013，27（1）：59-71.

[10]张勋，万广华，张佳佳，等.数字经济、普惠金融与包容性增长[J].经济研究，2019，54（8）：71-86.

[11]吴雨，李成顺，李晓，等.数字金融发展对传统私人借贷市场的影响及机制研究[J].管理世界，2020，36（10）：53-64.

[12]黄益平，陶坤玉.中国的数字金融革命：发展、影响与监管启示[J].国际经济评论，2019（6）：24-35.

（责任编辑：赵春江）