魏蓉蓉,王梅玲

(1.无锡学院 数字经济与管理学院,江苏 无锡 214105;2.南京林业大学 经济管理学院,江苏 南京 210037)

一、问题的提出

《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》指出,要“围绕强化数字转型、智能升级、融合创新支撑,布局建设信息基础设施、融合基础设施、创新基础设施等新型基础设施”“稳妥发展金融科技,加快金融机构数字化转型”。新型基础设施的本质即数字化的基础设施,新型基础设施建设应以数字化基础设施建设为核心,重构中国经济增长方式[1]。新型数字基础设施建设和金融科技创新的核心技术均是以人工智能、大数据、云计算等新一代信息技术为基础,数字新基建拓展了金融科技创新的市场和空间,金融科技创新的安全技术发展反哺了数字新基建的创新和应用。新基建促进金融科技实现三大转变,即在技术创新上更加注重用户导向、在组织创新上更加注重普惠均等、在模式创新上更加注重千人千面[2]。随着新基建的推进,中国经济由高速增长阶段转向高质量发展阶段,要以技术创新金融服务,发挥金融科技的创新效应,打造经济高质量、可持续发展的新引擎。

根据央行2019年8月22日发布的《金融科技(FinTech)发展规划(2019—2021年)》,“金融科技是技术驱动的金融创新(该定义由金融稳定理事会(FSB)于2016年提出,目前已达成全球共识),旨在运用现代科技成果改造或创新金融产品、经营模式、业务流程等,推动金融发展提质增效”。易宪容认为金融科技是通过挖掘和利用大数据,将金融和科技融合或将科技应用到金融中,以提升金融服务效率、创造金融服务需求和价值[3]。随着社会各界对金融科技认知的不断加深,金融科技能够回归本源并服务实体经济也逐渐成为学术界关注的热点,学者们基于不同角度对此进行研究。从产业结构优化升级的视角,Knight和Wjcik认为金融科技的兴起引导资本流向区块链等底层技术,结合产业关联效应、促进产业结构转型升级进而推动经济发展[4]。巴曙松等的研究结果显示金融科技创新对全要素生产率的带动作用在产业结构以高技术密集型为主时更为显著[5]。尹应凯和彭兴越提出金融科技能减少信息不对称,使金融机构更好地满足企业融资需求,促进居民消费和产业结构升级进而助力经济发展[6]。田秀娟等认为金融科技通过科技创新带动产业结构升级、金融创新提高资本配置效率来共同助推实体经济,其中前者作用更为明显[7]。庄雷和王烨指出金融科技创新通过带动消费与投资的优化升级来支持实体经济发展[8]。从缓解融资约束的视角,董竹和蔡宜霖指出金融科技通过缓解融资约束、提高投资效率双路径促进实体经济发展[9]。刘少波等认为金融科技能降低金融市场的融资门槛并让外部融资普惠化[10]。田新民和张志强指出增强金融科技的普惠性有助于优化企业信贷渠道、增加企业融资渠道[11]。皮天雷等的研究发现金融科技能通过甄别客户更好地评估信誉,打破了传统投融资机制的界限,缓解融资贵、融资难问题[12]。

2011年10月20日,国科发财〔2011〕539号确定中关村国家自主创新示范区、天津市、上海市、江苏省、浙江省“杭温湖甬”地区、安徽省合芜蚌自主创新综合实验区、武汉市、长沙高新区、广东省“广佛莞”地区、重庆市、成都高新区、绵阳市、关中—天水经济区(陕西)、大连市、青岛市、深圳市等16个地区为首批促进科技和金融结合试点地区;2016年5月30日,国科发资〔2016〕183号确定在郑州市、厦门市、宁波市、济南市、南昌市、贵阳市、银川市、包头市和沈阳市等9个城市开展第二批促进科技和金融结合试点。科学技术是当代先进生产力的集中体现与重要标志,金融是经济社会发展的重要推动力,科技和金融结合试点有助于以金融创新支持技术创新,以技术创新促进金融创新,科技和金融的深度融合是新常态下中国经济可持续发展的动力引擎。学界以科技和金融结合试点政策作为准自然实验来评估政策实施的有效性,多集中于研究促进科技和金融结合试点政策对创新的影响,如马凌远和李晓敏以科技和金融试点政策作为准自然实验来评估科技金融政策对于区域创新的效应,发现结合试点政策通过提高金融发展效率、提高政府科技支出来促进区域创新水平[13]。郑石明等评价了试点政策对于技术创新的影响,认为结合试点政策直接推动了试点地区的技术创新,进一步提高了经济发展水平[14]。冯锐等考察了试点政策对全要素生产率的作用,研究结果表明创新水平、融资效率在试点政策和全要素生产率间发挥了中介作用[15]。

综上,金融科技主要通过产业结构优化升级、缓解融资约束等来推动经济增长,科技和金融结合试点政策对技术创新、区域创新等具有促进作用。本文将侧重于科技和金融结合试点政策的金融科技创新效应,并基于数字新基建背景,将结合试点政策的金融科技创新效应与金融科技创新的经济增长效应有机结合。具体来说,以上述文献为研究基础,本文可能的边际贡献在于:研究视角上,随着新型数字基础设施建设的推进,金融科技变革再提速,因此基于数字新基建的背景从金融科技创新的视角深化了科技和金融结合试点政策创新效应的研究,并根据科技和金融结合试点政策实施以及金融科技创新水平提升这一典型事实,系统评估试点政策对金融科技创新水平的影响,丰富已有的金融科技创新研究;研究方法上,尝试将科技和金融结合试点政策作为准自然实验,更严谨地分析试点政策对金融科技创新影响机制;为了减少样本偏差问题给实证分析可能带来的影响,使用倾向得分匹配—倍差法(PSM-DID)以尽可能获得更可靠的估计结果,反映试点政策的实施效果;研究内容上,不仅分析了科技和金融结合试点政策对金融科技创新变化的平均处理效应和动态边际影响效应,而且更细致地考察了财政科技投入和技术创新的异质性影响,并通过引入中介效应模型进行试点政策经济增长效应的检验,从而深化对结合试点政策在金融科技创新影响方面的解读,有助于完善结合试点政策、增强结合试点政策效应、提高金融科技创新水平、推进数字新基建。

二、理论分析

(一)科技和金融结合试点政策对金融科技创新的促进作用

1.科技和金融结合优化金融资源配置

科技和金融结合试点政策是融合多元化金融资源、共同支持科技创新发展的有效方式,通过扩大金融服务覆盖面、降低金融风险来优化金融资源配置,进而促进区域金融科技创新水平的提高。

(1)有助于扩大金融服务覆盖范围和可获得性,将更多金融资源配置到实体经济发展的关键薄弱环节

科技和金融的相互融合发展有助于利用新兴前沿技术对企业经营运行数据进行建模分析,实时监测资金流、信息流和物流,并且信息来自多方,不会被单一的声音掩盖,可以实现真实、有效的互相验证,降低信息错配成本,改变传统的信用评级方法,为金融资源的合理、高效配置提供科学依据,引导资金从高污染、高能耗的产能过剩产业流向核心高科技产业、战略新兴产业,提升金融服务实体经济的质效。同时,基于科技和金融的结合，银行等金融机构可以借助智能技术进行数字化转型,实现滴灌式精准扶持,将其资源禀赋和服务能力充分释放出来,缓解科技型民营小微企业融资难融资贵等问题,缩小“麦克米伦缺口”,扩大金融服务的覆盖面、提高金融服务质量,把更多金融资源配置到经济社会发展的重点领域和薄弱领域,实现金融资源更高的配置效率和更广的配置范围[16-17]。

(2)有助于推动传统金融业向智能化转型发展,提高金融风险管控能力,优化金融资源配置

通过促进科技资源与金融要素深度结合,金融业务借助信息技术和计算机技术等的全方位应用,目前已基本完成了自动化,如大数据反欺诈和智能风控。将大数据实时计算技术运用于整个风险等级评估中,基于机器学习模型和深度神经网络算法等,通过全方位掌握用户的个人数据、行为习惯等信息来做出判断,避免恶意骗贷等信用欺诈行为,提高风险评估的精准度,避免金融资源错配。在大数据风控应用中,运用大数据+AI核心技术来实现信息专业化、实时化和全球化,并建立金融风控模型,有效甄别高风险交易,智能感知异常交易,降低信息不对称性所带来的风险[18]。同时，用户行为的数据也可以成为智能风控的原材料,拓宽了风控的边界。根据个人征信系统,截至2019年1月,央行征信中心已累计收录自然人数量9.9亿,有信贷记录人数5.3亿,征信覆盖率为38%。可见,金融和科技的结合激活了金融生态原有资源的价值,促进金融实现资源配置的功能,提升金融风险防范能力。

2.科技和金融结合提升全要素生产率

科技和金融结合试点政策积极探索科技资源与金融资源对接的新机制,通过减少金融市场摩擦和促进技术进步来提升全要素生产率,从而带动金融科技创新能力提升。

(1)科技和金融的结合以科技赋能减少金融市场摩擦、降低金融服务成本、提高全要素生产率

首先,中国的长尾市场巨大,但由于信息不对称,传统金融机构无法涉足,导致大量的小微企业和个人正常的资金需求无法实现,而蚂蚁金服等平台通过对支付等信息的搜集整理来衡量借贷风险,把钱借给需要的企业以及个人,真正实现金融服务实体经济的目的;其次,初创型科技企业和银行之间存在严重的信息不对称,银行面对海量的数据信息、高精尖技术以及未来的不确定性会不敢轻易放贷,而如果要想科学合理地评估还款能力和信贷风险,信息搜寻成本和交易成本也会随之上升,限制了金融机构对初创型科技企业的支持,而科技与金融的融合可以疏通信息渠道,减少贷款风险,使银行资金有效促进科技创新;最后,智能投顾等新兴金融模式通过让机器做投资决策可以有效避开人类惯性思维的局限性,实现更理性更科学的决策。Chowdhury和Maung指出科技和金融发生化学反应后可以促进资源匹配成本和交易成本的大幅度降低,并缩短交易时间、加快价值创造[19]。科技与金融的有机结合让信息实现网络化和透明化,从而有效处理信息不对称、交易成本过高等金融市场摩擦和金融市场失灵问题。

(2)通过技术进步、技术外溢促进全要素生产率提升

互联网、大数据、云计算等信息技术实现了金融功能场景化、智能化和定制化的革新和升级,金融价值链将进一步优化,边际成本降至足够覆盖大多数客户,推动金融服务向更多小微科创型企业延伸,以提升企业技术进步水平。部分学者通过实证手段证实了科技和金融的结合通过技术进步以及外溢促进全要素生产率的提升。郭家堂和骆品亮将全要素生产率分解为技术进步变化和技术效率变化,发现中国互联网对属于技术进步推动型的全要素生产率有明显正面效应,而对技术效率具有负面效应[20]。综上所述,结合试点政策影响金融科技创新水平的理论机制如图1所示。

图1 结合试点政策影响金融科技创新水平的理论机制

(二)科技和金融结合试点政策对金融科技创新的推动作用与财政科技投入和技术创新的异质性相关

在2015年底启动第二批促进科技和金融结合试点的申报工作之际,科技部对首批16个促进科技和金融结合试点地区的工作进展情况开展了调研,发现试点地区不断创新财政科技投入方式,金融资本和民间投资的引导和带动作用加强。科技和金融结合的财权是政府投入对金融资本的引导,开展科技和金融试点工作有助于为金融和科技的有机融合释放财政动力,发挥市场在资源配置中的决定性作用。财政科技支出对促进企业技术创新水平的提升至关重要,且这种创新驱动效果可能具有异质性。同时,科技和金融结合试点政策能否促进金融科技发展与技术创新也有一定的关系。根据《促进科技和金融结合试点实施方案》,要深刻把握科技创新和金融创新的客观规律,选择国家技术创新工程试点省(市)等先行先试。科技和金融的深度融合使得金融活动突破了时空限制,方便了不同地区、不同行业的研发创新合作,有效推动了企业的技术创新活动。李春涛等通过实证研究得出金融和科技的结合有助于缓解企业的融资约束、提高税收返还的创新效应,进而提升企业技术创新水平,且这种推动作用在东部地区和高科技行业尤为显著[21]。唐松等的研究结果表明数字金融发展通过解决企业融资难题、帮助企业去杠杆以及提升财务稳定性等来促进企业技术创新[22]。

(三)科技和金融结合试点政策与创新驱动发展战略

《经济发展理论》中指出,经济发展是创新打破旧均衡、推进新方式的“创造性毁灭”过程。党的十八大报告明确提出,“科技创新是提高社会生产力和综合国力的战略支撑,必须摆在国家发展全局的核心位置”,并强调“要坚持走中国特色自主创新道路、实施创新驱动发展战略”。为加快实施创新驱动发展战略,科技部及一行三会联合开展“第二批促进科技和金融结合试点”工作。科技和金融结合试点政策最终是要通过促进科技资源与金融资源有效融合,走要素驱动发展向创新驱动发展转变的新道路,打造促进经济高质量发展、建设创新型国家的新引擎。李杨和程斌琪指出投资资本积累、长尾消费需求以及拓展对外经济贸易中的可贸易范围是金融科技影响中国经济增长的主要渠道[23]。唐松等以金融科技为切入点,考察“创新驱动高质量发展”的金融服务实体经济实现路径,指出金融科技创新通过借助技术优势缓解信息不对称来促进本地区以及邻近地区TFP的提升[24]。

三、研究设计

(一)研究方法

DID方法(又称倍差法)可以通过双重差分解决内生性问题而分离出“政策处理效应”,但可能无法规避样本偏差问题,而PSM有助于处理样本偏差问题,因此本文尝试采用两者相结合的PSM-DID来更为准确地估计科技和金融结合试点政策对地区金融科技创新水平的影响,即首先通过倾向得分匹配寻找控制组样本,然后使用匹配后的控制组和原始实验组进行双重差分估计。

1.倾向得分匹配法(PSM)

倾向得分匹配法(PSM)是一种“反事实”的推断模型,其思想源于匹配估计量,基本思路如下:假设地区i为实验组,在非科技和金融结合试点地区的控制组中找到某个地区j,如果地区i和地区j的可测变量取值足够相似,即Xi≈Xj。当地区的个体特征对是否实施科技和金融结合试点政策的作用完全取决于可观测的控制变量,那么就可为地区i匹配到一个应该被纳入科技和金融结合试点地区但实际没有纳入的地区j,从而使地区i和地区j实行科技和金融结合试点政策的概率相近,具有可比性,通过检验两组地区在金融科技创新水平方面是否存在显著差异来考察科技和金融结合试点政策的创新效应,即:

(1)

根据处理组变量和控制变量,通过Logistic模型获得倾向得分。对式(1)采用Logistic估计,可以得到样本中每个地区的倾向得分P(Xi),以此为依据采用最近邻匹配(nearest neighbor matching)、核匹配(kernel matching)和半径匹配(radius matching)三种方式对得分相近的个体进行匹配。最邻近匹配将控制组中与实验组倾向得分差异最小的个体进行匹配;核匹配将处理组样本与由控制组所有样本计算出的一个估计效果进行配对,其中估计效果由实验组个体得分值与控制组所有样本得分值加权平均获得,而权数则由核函数计算得出;半径匹配提前设定卡尺,按照半径范围寻找控制个体进行匹配,卡尺越小匹配严格程度越高。

通过计算科技和金融结合试点地区的被解释变量在政策实施前后的变化,对于科技和金融结合试点地区i,计算与其匹配的所有非科技和金融结合试点地区在政策实施前后的变化,将科技和金融结合试点地区在政策实施前后的变化减去匹配后非科技和金融结合试点地区的变化,得到政策平均处理效应(Average treated effect,ATT),可以有效度量政策实施所带来的实际影响,即科技和金融结合试点政策对地区金融科技创新水平的平均影响:

(2)

2.双重差分法(DID)

随机实验一般将实验个体随机分为处理过的实验组和未经处理的控制组,通过比较两组在处理前后的情况来评估政策效果,虽然随机实验结果可靠性较强,但考虑到实验成本,往往采用基于随机实验的自然实验或准自然实验,其实验成本低且结果也较真实客观。政策试点往往作为经济学中的自然实验来评价政策效果,其中PSM-DID是一种典型的基于自然实验评估政策实施有效性的方法,可以减少实验组和控制组非随机分配造成的偏差。

本文基于2011年实施的促进科技和金融结合试点这一政策自然实验,运用多时点DID考察科技和金融结合试点政策如何影响金融科技创新水平[25]。首先设置分组虚拟变量pilot与时间虚拟变量after,如果该省份属于试点地区,则变量取值为1,否则取0。2011年,首批促进科技和金融结合试点地区有北京、天津、辽宁、上海、江苏、浙江、安徽、山东、湖北、湖南、广东、重庆、四川、陕西共14个,2016年第二批促进科技和金融结合试点地区新增内蒙古、福建、江西、河南、贵州、宁夏共6个(1)浙江、山东、辽宁已有第一批结合试点城市,故此处不再重复包含。,所以实验组共20个地区,将余下的11个地区设定为控制组。同时,设置时间虚拟变量after,after=1表示结合试点以后的年份,其他年份after=0,如河南于2016年获得了科技和金融结合试点资格,则河南在2016年及之后pilot取值为1,2016年之前pilot取值为0,而其他的11个地区在样本期内一直属于试点名单之外,pilot始终赋值为0。本文DID回归模型设置如下:

lnFintechit=β0+β1pilotit×afterit+β2pilotit+β3afterit+βXit+τi+ωit

(3)

其中,i和t分别表示地区和年份,lnFintechit是各地区i在第t期的金融科技创新水平,pilot是分组虚拟变量,after为时间虚拟变量,本文关心的是交互项pilot×after的系数,X是一组随时间变化的可观测的影响金融科技创新水平的控制变量,τi是个体效应,ωit为误差项。

如表1所示,对于控制组地区(即pilot=0),科技和金融结合试点政策前后的金融科技创新水平分别为β0和β0+β3,因此,不受科技和金融结合试点政策影响的地区在结合试点政策实施年份前后的金融科技创新水平的变化幅度为diff0=β3,这一变化即排除了科技和金融结合试点政策影响时区域金融科技创新水平存在的时间趋势差异。

表1 DID模型中各参数的含义

对于实验组地区(即pilot=1),科技和金融结合试点政策实施年份前后的金融科技创新水平分别为β0+β2和β0+β1+β2+β3,则diff1=β1+β3,这一变化幅度不仅包含了科技和金融结合试点政策的效果β1,还包含了上述时间趋势差异β3,所以科技和金融结合试点政策对金融科技创新水平的政策效应为diff=diff1-diff0=(β1+β3)-β3=β1,β1即DID估计量,也是促进科技和金融结合试点的净效应,是本文关注的重点。如果科技和金融结合试点政策真实提升了地区金融科技创新水平,则β1的系数应显著为正[26]。

(二)变量说明

被解释变量的选择。对于金融科技创新程度的度量主要有两种,一是运用网络爬虫技术以相关词频来构建指标[21,27];二是基于结构化数据而编制发布的北京大学数字普惠金融指数[28-29]。由于概念快速更迭,根据网络搜索热度构建的指标难以及时更新和完善,无法真实体现金融科技发展水平;而后者依托金融科技创新企业的交易账户底层数据,从金融科技服务的覆盖广度、使用深度和数字化程度等维度,构建数字普惠金融体系以刻画金融科技创新的发展水平。多维度、海量的结构化数据,更能全面细致地衡量中国金融科技创新发展程度[24]。因此本文使用北京大学发布的数字普惠金融指数作为金融科技创新水平lnFintechit的代理变量。

解释变量的选择。本文使用分组虚拟变量pilot、时间虚拟变量after以及两者交互项pilot×after作为解释变量,最关注的是交互项系数,反映了科技和金融结合试点政策对金融科技创新水平的净效应。

控制变量的选择。本文的控制变量主要有:股票市价总值和金融机构贷款之比Fs、金融业全社会固定资产投资和GDP的比值Ffai、金融业增加值占GDP之比Fav、第三产业增加值与GDP的比值Industry等。

(三)数据来源和描述性统计

考虑到港澳台部分相关数据缺失,本文的数据范围仅为中国内地31个省、自治区和直辖市2011—2018年的相关数据(2)北京大学数字金融研究中心发布的数字普惠金融指数(第二期)的时间范围是2011—2018年。,主要来源于WIND资讯、《中国统计年鉴》《中国金融年鉴》以及《中国科技统计年鉴》等,主要变量的描述性统计如表2所示。

表2 描述性统计

四、估计结果与分析

(一)倾向得分匹配

最常见的匹配方法有最近邻匹配法、核匹配法、半径匹配法等,目前并无统一标准判定各种匹配方法的优劣,所以此处以最近邻匹配作为基本匹配方法,并通过尝试其他的匹配方法,然后比较结果,结果相似说明很稳健。PSM的实证结果主要包括Logistic估计结果(表3第2列)、匹配后的变量平衡表(表3)以及ATT值(表4)。

表3 最近邻匹配后的变量平衡结果

表4 PSM检验结果

t检验结果反映的是均值差异检验,大部分变量的t值结果不拒绝Treat-Control组无系统性差异的原假设,表明平行趋势假设得到满足;标准化差异检验表明匹配后,所有变量的标准化偏差均在10%以内,除Ffai外,变量的标准化偏差均大幅减小,表明匹配效果较好地平衡了数据。同时,匹配后估计结果的R2值较小,表明匹配变量对于一个地区是否获得促进科技和金融结合试点资格的解释力很弱,即是否获得试点资格对于匹配后样本而言是条件随机的。

从表4的估计结果可以发现,三种匹配方法的ATT估计值分别为0.234 0、0.205 4、0.206 3,对应t值均大于1.96临界值,说明匹配均有效。

如图2所示,经过PSM处理后的控制组和实验组金融科技创新均值之差呈递减趋势,表明结合试点政策对金融科技创新的影响可能会表现出即时性特征,因为组间均值差先扩大后减小。

图2 金融科技创新组间均值差变动趋势

(二)结合试点政策对金融科技创新的净效应

1.平均处理效应

表5的列(1)考虑了地区效应,列(2)在列(1)的基础上进一步加入了地区控制变量,列(1)和列(2)的pilot×after均显著为正,反映出科技和金融结合试点政策显著提高了地区金融科技创新水平。

表5 结合试点政策对金融科技创新的平均处理效应

2.动态边际影响效应

本文引入year12、year13和year14的时间虚拟变量,分别在2012年、2013年和2014年取1,其他年份取0,然后将其与政策虚拟变量pilot作交互项,以考察科技和金融结合试点政策对金融科技创新水平的动态影响。

lnFintechit=β0+β1piloti×year12t+β2piloti×year13t+β3piloti×year14t+β4piloti+β5year12t+β6year13t+β7year14t+βXit+τi+ωit

(4)

可见,实验组(pilot=1)和控制组(pilot=0)在2012年的金融科技创新水平分别是β0+β1+β4+β5和β0+β5,所以2012年时实验组和控制组的金融科技创新水平差异为β1+β4;同样地,实验组和控制组在2013年和2014年的金融科技创新水平差异分别是β2+β4和β3+β4。很明显,它们都包含β4。因此,本文在分析科技和金融结合试点政策对金融科技创新水平的动态边际影响效应时,关注的重点是β1、β2和β3,即pilot×year12、pilot×year13、pilot×year14这三个交互项的系数。

由表6可以看出,实验组的金融科技创新水平显著提高,且由三项交互项的系数逐渐减小,显著性也有所降低可知,科技和金融结合试点政策对金融科技创新的正面推动作用有所减弱,这与前文图2的情形相吻合,即结合试点政策对金融科技创新的影响具有即时性。

表6 结合试点政策对金融科技创新的动态作用检验

3.稳健性检验

(1)基于倾向得分对样本进行尾部修剪

倾向得分匹配的共同支撑假设可能会受到倾向得分尾部的影响,本文利用尾部修建策略(trimming strategy)进行稳健性检验。如果修剪之后的结果和之前基准回归结果较为一致,则说明之前的基准回归结果并不依赖于倾向得分分布的尾部,进而是较为可靠的。本文对倾向得分分布分别进行2%、5%以及10%水平的修剪,结果见表7,基于不同水平修剪后的估计结果与基准结果较为一致,在一定程度上增强了前述基准回归结果的稳健性。

表7 基于修剪策略的稳健性检验

(2)更换被解释变量

用数字普惠金融的使用深度lnDepth和宽度lnBreadth来代替被解释变量lnFintech,结果如表8的列(1)和列(2)所示,pilot×after系数显著为正,仍然可以得出与前面一样的结论,即科技和金融结合试点政策对实验组地区的金融科技创新水平具有明显推动作用。

(3)更换模型估计方法

表8列(3)替换模型的估计方法为分位数回归,结果表明,科技和金融结合试点政策有利于金融科技创新水平的提升,再次显示了本文研究结果的稳健性。

表8 变更被解释变量和模型估计方法的稳健性检验

(三)异质性因素模型

运用有效发明专利授权占专利授权总数比重Invent来度量技术创新,并在此基础上与科技财政支出占国内生产总值比重Fe一起进行异质性检验,即用中位数将样本分成技术创新多、技术创新少；科技财政支出大、科技财政支出小的地区来检验结合试点政策对金融科技创新影响的异质性。

从有效发明专利授权的视角来看:表9列(1)的pilot×after系数显著为正,而列(2)中的交互项系数不显著为正,这反映出与控制组地区相比,科技和金融结合试点政策冲击引起了实验组地区金融科技水平的显著提高,且这一促进作用仅在有效发明专利授权较多的区域存在,可能的解释是科技创新产出颇丰的地区享受结合试点政策,通过前沿技术手段驱动金融产品和金融服务创新,加强科技创新链条与金融资本链条的有机结合,从而带动金融科技创新能力提升。

从科技财政支出的视角来看:表9列(3)结果显示,pilot×after的系数显著为正,列(4)中的交互项系数不显著为正,表明相对于科技财政支出较小的区域而言,科技财政支出较大区域内的金融科技水平对科技和金融结合试点政策冲击的反应更为明显,可能是因为地方政府科技财政支出占总财政支出的比重高在一定程度上说明科技创新的金融资源较为丰富、当地政府对科技创新较为重视,再加上结合试点政策,推进科技和金融的深度融合,地区的金融科技创新水平自然可以得到显著提升。

表9 结合试点政策对金融科技创新的影响:异质性的估计结果

(四)影响机制检验

综上,对于实验组地区而言,科技和金融结合试点政策显著提升了区域金融科技创新水平,此处进一步分析结合试点政策通过何种路径来影响金融科技创新水平。由于结合试点政策出台的主要举措在于利用新兴前沿技术创新金融产品和金融服务,优化金融资源配置效率,促成全要素生产率提高,因此本文从金融资源配置效率和全要素生产率的视角切入,分析结合试点政策对区域金融科技创新水平的冲击,以发现科技和金融结合试点政策影响地区金融科技创新水平的内在机理。

全要素生产率增长率Tfp由索罗剩余法计算整理得出,金融资源配置效率Fs从金融资源配置结构的角度,直接融资和间接融资相比得出。表10第(1)列结果显示,在加入地区控制变量并考虑了地区效应的情况下,三项交互项pilot×after×Fs的系数显著为正,而pilot×after×Tfp的系数为正但不显著,这表明：一方面,科技和金融结合试点政策实施后,科技和金融结合试点政策通过金融资源配置效率使得实验组地区的金融科技创新水平显著提升,即科技和金融结合试点政策是融合多元化金融资源共同支持科技创新发展的有效方式,通过解决企业融资难题、降低金融风险来优化金融资源配置,进而促进区域金融科技创新水平的提高;另一方面,虽然科技和金融结合试点政策积极探索科技资源与金融资源对接的新机制,但由于信息不对称和技术进步瓶颈的制约,影响了全要素生产率对地区金融科技创新能力提升的带动作用。

表10 结合试点政策提升金融科技创新水平的传导路径

(五)中介效应模型

创新是引领经济增长的主要动力。科技和金融结合试点政策最终是要通过推进金融创新和技术创新的深度融合,充分发挥金融科技创新对实体经济发展的动力源泉作用,从而有效支持经济社会高质量全面发展。在科技和金融结合试点政策显著提升地区金融科技创新水平的基础上,此处进一步考察其对经济发展水平的作用,此处以人均国内生产总值lnpgdp作为经济发展水平的代理变量。

lnpgdpit=∂0+∂1piloti×afterit+∂Xit+τi+ωit

(5)

lnFintechit=β0+β1piloti×afterit+βXit+τi+ωit

(6)

lnpgdpit=γ0+γ1piloti×afterit+γ2lnFintechit+γiXit+τi+ωit

(7)

式(5)是pilot×after对经济发展进行回归,由表11可知,交互项回归系数显著为正,说明结合试点政策对经济发展水平有直接推动作用;式(6)是pilot×after对lnFintech进行回归,交叉项系数显著为正,表明结合试点政策可以显著提升金融科技创新水平,与前文研究结论一致;式(7)是金融科技创新水平和pilot×after共同对经济发展水平进行回归,lnFintech系数在1%的水平上显著为正,模型(3)的交互项系数也显著为正,显示科技和金融结合试点政策对经济发展的金融科技创新效应显著存在,科技和金融结合试点政策可以通过直接和间接效应实现“创新驱动发展”。

表11 结合试点政策实现“创新驱动发展”的中介效应检验

五、结论与政策启示

本文利用2011—2018年中国内地31个省份的相关数据,以相继实施的促进科技和金融结合试点政策为准自然实验,运用PSM-DID方法考察数字新基建背景下科技和金融结合试点政策对金融科技创新水平以及创新驱动发展的影响。科技和金融结合试点政策对金融科技创新水平的平均处理效应显示,与控制组相比,结合试点政策显著提高了实验组地区的金融科技创新水平;动态边际影响效应表明,科技和金融结合试点政策对金融科技创新的正面推动作用具有即时性;异质性因素检验显示,结合试点政策对金融科技创新的正面效应可能因财政科技投入和技术创新的不同而存在差异,即科技和金融结合试点政策对金融科技水平的促进作用在科技财政支出较大、有效发明专利授权较多的区域更为明显;影响机制检验发现,科技和金融结合试点政策主要通过优化金融资源配置来影响金融科技创新水平;中介效应模型表明,科技和金融结合试点政策对经济发展的金融科技创新效应显著存在,即科技和金融结合试点政策也可以通过间接效应实现创新驱动发展。

本文的研究结论为数字新基建背景下促进金融科技创新、打造新常态下经济发展的新引擎、实施创新驱动发展战略提供了如下政策启示:第一,利用科技和金融结合试点政策,加强金融科技创新,支持创新驱动发展。通过深化科技和金融结合试点,进一步为地方实施金融科技创新营造良好政策环境,大力推进科技资源与金融资源对接,鼓励科技和金融领域的创新政策在试点地区先行先试,支持金融科技底层关键技术创新、打造金融科技产业集群、探索金融科技应用场景,探索总结出可复制推广的试点经验,提升金融科技整体工作水平,实施创新驱动发展战略；第二,加大财政科技投入、鼓励技术创新,推动金融科技创新。着重推进创新科技投入方式与机制,优化政府财政科技资金投入结构,发挥财政资金的引导作用,使市场在资源配置中发挥决定性作用,激励社会资本支持技术创新,使企业和政府投入力度良性互动,构建多元化、多渠道财政科技投入体系。同时,更好发挥政府作用,政府要加大对市场低效配置资源的基础性、战略性和公益性科技创新研究的稳定支持；第三,优化金融资源配置，解决企业融资难题,促进金融科技创新。积极发挥银行业金融机构在推进金融科技创新中的作用,弥补科技创新的金融资源不足,为科技型、创新型企业提供多元化的融资渠道,缓解企业创新的融资约束,以优化与实体经济、科技创新协同发展的现代金融资源配置,全面激发金融要素活力,提高与互联网、大数据、人工智能深度融合的金融综合服务能力,推动经济发展的质量变革、效率变革和动力变革。