1. 引言
党的二十大报告中指出“加强企业主导的产学研深度融合,强化目标导向,提高科技成果转化和产业化水平”,科技成果转化的重要性不言而喻,提高其效率对于我国实现新旧动能的转化和成为科技强国意义深远。因此,在当前经济高质量发展的时代背景下,我们必须将经济发展的重心转向以科技创新为核心的新型增长模式。我国的科技创新在数量上呈现出持续增长的态势。但高数量创新并未带来高质量科技成果转化。2012年我国专利申请量由205.1万件到2022年的536.5万件,年均增长率约为10%。以有效专利实施率1来看,2013年以前,我国有效专利实施率在60%左右浮动,但发展至2018年,这一数据第一次低于50%,2018至2022年处于52.6%和61.1%之间,2022年为58.7%,较上年下降2.4个百分点,表明我国的科技成果转化效率呈现出下滑趋势,这已成为一个不容忽视的现象。目前,我们所面临的主要挑战之一便是如何将巨大的科技成果有效地转化为实际可行的科技应用,并加速科技产品商业化进程的实施步伐。科技成果转化往往漫长且复杂,其中资金的持续投入起着至关重要的作用。因此,金融市场的长期支持对于科技成果的顺利转化具有不可替代的意义。然而,目前我国金融在促进科技成果转化方面的作用尚未完全发挥,金融资源不足对科技成果转化造成严重阻碍,要迫切解决这一问题就要在科技转化过程中增加金融的供给。党的二十大报告提出了明确的数字经济发展目标,要深入推进数字经济与实体经济融合,重点发展数字基础设施、数字产业和数字化服务业,提升数字经济核心技术创新能力,打造数字化经济发展新优势。数字普惠金融成本较低,惠及范围更广,作为科技创新的动力,亟需深入研究其作用特征及机理,并总结相关经验,进一步深化其提升科技成果转化效率的作用。
本文的创新之处主要体现在以下几个方面。第一,选取更合适的科技成果转化效率的测算方法,以往的科技成果转化效率大多采用DEA的方法,本文研究通过选取三阶段随机前沿分析更合理地测算出科技成果转化效率。第二,在探究数字金融对创新的影响时,本文创造性地以科技成果转化效率作为研究切入点,这一做法突破了以往研究主要以专利数量等单一指标来衡量创新的局限。为了更全面、深入地分析数字金融对科技创新的实际推动作用,通过对全国30个省市自治区在2012年至2022年间的科技成果转化效率进行测定,并通过实证分析数字金融对科技成果转化效率的具体影响。
本文的研究结论也具有重要的现实意义。首先,从金融机构的角度出发,研究如何能够给科创企业等新质生产力提供金融服务,从而促进科技成果的转化。这不仅要求金融机构深入理解科技企业的需求和特点,还需要创新金融服务模式,提升服务质量,以更好地满足科技企业在成果转化过程中的资金需求。其次,从政府部门的视角来看,要促进地区金融基础设施的布局和建设,同时应依据当地企业的情况和特点,因地制宜地夯实相关政策,提升服务水平。政府部门还应发挥引导作用,优化金融环境,为科技成果转化提供有力的政策支持。此外,还要加强与金融机构的合作,共同推动科技成果转化的顺利进行。
2. 文献综述与理论分析
2.1. 科技成果转化效率研究文献综述
学术界对于科技成果转化效率研究的视角主要集中于其指标体系的构建和效率评价。在科技成果转化效率指标的选取上,国外学者认为应基于投入产出的经济效益。比如,在科技产出绩效评价指标的选择中,应该重视与销售和节约以及对利润影响相关的科技产出组成(Rubensteln et al., 1982) [1]。在充分吸收国外学者研究精髓的基础上,当前国内学术界对科技成果转化效率的探讨已形成了多维度、系统化的研究框架,主要包括高校、企业和区域三个核心领域。在研究高校科技成果转化效率时,贺佳(2024) [2]将签订合同数和合同转让当年的实际收入作为产出变量;在研究企业时,林青宁等(2020) [3]选择企业的新产品销售收入作为成果转化阶段的产出指标。根据区域划分,在省市级层面探究科技成果转化效率。在研究省级层面科技成果转化效率时,选择技术市场成交额和高技术产品新产品销售收入(张亚明等,2024) [4];在研究地市级层面时,选择技术市场成交额和新产品销售收入与专利授权量的比值(曹幸如等,2021) [5]。在效率评价方面,主要的研究方法分为参数的随机前沿分析法(SFA)和非参数数据包络分析法(DEA)这两大类。现有文献一部分为DEA和基于DEA模型上的改进,比如林青宁、毛世平(2019) [6]通过构建空间误差模型,并借助网络DEA模型法,对高校的科技成果转化效率进行了深入的测度。研究结果显示,高校科技成果转化效率普遍偏低,并且呈现出明显的地域差异,其中东部地区的转化效率显著高于中西部地区。艾时钟等(2021) [7]采用了非径向SBM模型,对科技成果研发与经济转化两个阶段进行了效率分析,研究发现这两个阶段在效率上存在着不均衡的问题。另一部分为SFA法,郑李昂、李豫新(2020) [8]则运用随机前沿模型,深入探讨了教育水平和研发机构从业人员数对科技创新效率的影响。在测算效率的基础上,学者们进一步探究了效率的影响因素,主要分为内部因素和外部因素。内部因素根据主体分为企业和高校。企业有科研投入情况、国有化程度、公司规模等(李晶洁等,2023) [9],高校有高校科研人员素质、高校科技合作度等(杨树旺等,2023) [10];外部因素方面国外学者Decter等(2007) [11]和Rogers等(2001) [12]发现,科技成果转化效率与新兴市场、外部激励等环境因素也有显著关系。国内学者还研究了经济发展水平、产业结构、政府科研经费投入情况(巩宿裕,2011) [13]和经济开放程度等影响因素(王谢勇等,2022) [14]。科技成果转化活动还因区域不同而存在明显差距。马博等(2024) [15]通过对2002~2019年长江经济带的沿线11个省份的测算,发现长江经济带及其上、中、下游地区的科技成果转化效率存在较大的空间差距。王海花等(2022) [16]发现,长三角区域与京津冀和珠三角对比,其科技创新效率偏低。
2.2. 数字金融与科技成果转化研究文献综述
相关学者采用郭峰等“北京大学数字普惠金融指数”[17]作为数字金融的指标,重点研究了数字金融的经济效应。谢绚丽等(2018) [18]研究发现,数字金融指数及三个分指数与创业之间有显著的正向关系。易行健和周利(2018) [19]从微观角度出发,利用CFPS调查数据进行了深入探究,证实了数字金融在提升居民消费水平方面的积极作用。汪亚楠等(2020) [20]深入剖析了地级市层面的数字金融指数对社会保障的影响路径。研究结果表明,数字金融通过促进收入以及提升就业显著提升社会保障水平。吴雨等(2020) [21]研究验证了数字金融从供需两方面对私人借贷能够产生替代效应。侯层和李北伟(2020) [22]深入研究检验了数字金融提升区域全要素生产率的影响机制,发现其通过提高创新能力和促进产业结构转型升级等实现。陶云清等(2021) [23]研究证明了数字金融对创业存在非线性影响。汤渌洋等(2024) [24]发现数字普惠金融发展对经济包容性增长影响有空间溢出效应。
多数文献从微观角度出发研究数字金融与创新之间的关系。如唐松等(2020) [25]利用A股上市公司的数据,深入研究剖析了数字金融发展对企业技术创新的影响及其内在机理。谢雪燕和朱晓阳(2021) [26]实证发现,可以通过提高销售收入、降低管理成本以及增加可贷资金数量这三方面机制促进中小企业创新。钞小静(2024) [27]发现,数字金融可以显著促进上市公司创新效率提升,并且进行了融资约束和代理成本的机制分析。徐子尧等(2020) [28]基于地级及以上城市的丰富数据,深入实证检验了数字金融发展对区域创新的影响及其作用机制。郑雅心(2020) [29]研究发现,数字金融在推动创新产出方面发挥着重要的促进作用。具体而言,数字金融的发展可以通过提升区域高等教育水平、完善基础设施建设以及增加居民平均工资等途径,为创新产出提供有力的支撑和保障。
通过对现有文献的梳理,我们发现关于数字金融与创新的研究主要聚焦于高校和企业的微观数据,且多数研究以创新的产出,如专利数量,作为核心解释变量,用以探讨数字金融对企业创新的影响。然而,这种微观层面的研究视角尚存在一定的局限性。鉴于此,本文从宏观角度出发,选择科技成果转化效率作为新的切入点,深入分析数字金融对科技成果转化效率的影响机制,不仅能够拓宽数字金融的研究范围,而且有助于全面理解数字金融在推动科技创新中的重要作用。
2.3. 数字金融与科技成果转化效率的理论分析
数字金融整合了信息技术、金融业务和风险管理,使得财富管理、融资服务、支付服务等得到了更好的创新和提升,促进和推动科技成果的转化活动。首先,其发展推动了移动支付的广泛普及,并对传统商业模式带来了深刻的变革。这种现象不仅极大地促进了新技术和新产品的研发速度,而且直接地激发了创新活动的活力,提升了科技成果转化的效率。其次,数字金融还在提高区域科技转化融资效率方面发挥了特别显著作用。而数字金融的发展,通过为科技企业打造个性化的产品,改变传统的信用评级制度,解决了线下金融服务不足的瓶颈,有效缓解了信息不对称问题,扩大了对“长尾用户”的金融服务覆盖面。因此,数字金融能够多方面推动科技成果转化,作用机制如图1所示。
Figure 1. Mechanism of digital finance’s impact on the efficiency of scientific and technological achievement transformation
图1. 数字金融对科技成果转化效率的作用机制
由此,本文提出假设H1:数字金融对科技成果转化效率的提升起促进作用。
数字金融,作为一种依托数字技术的新型金融服务模式,它主要通过拓宽融资渠道、缓解信贷双方信息不对称问题来缓解区域的融资约束。首先,数字金融显著拓宽了融资渠道。科创企业的金融资源需求者可以通过线上金融服务,更加便利地获取信贷资金。同时,传统的金融机构常常因为吸纳成本高、手续繁琐等问题而无法将大量“多、小、散”特征的金融资源纳入到金融体系中。而数字金融的出现则通过低成本、快速、便捷的方式,有效地吸收了这部分空闲闲置金融资源,并将其转化为科创市场上的有效金融供给(唐松,2020) [25]。其次,数字金融能够减少信息不对称现象,金融机构可以更加准确地评估科创企业的信用记录和风险水平,从而制定更为合理的信贷策略,完善传统的信用评估体系,利用数字技术增加其历史销售情况(Huang et al., 2018) [30]、社会网络关系(Lin et al., 2013) [31]等信息,减少信息不对称,显著增强了金融作为信息咨询的搜集能力(赵晓鸽等,2021) [32],提高了资金供需方的匹配程度(黄浩,2018) [33]。
由此,本文提出假设H2-1:数字金融通过融资约束促进科技成果转化效率。
数字金融作为一种新兴方式,结合了数字化技术和传统金融产业的优势,其所构建的庞大系统不仅集成了多方面信息,还实现了多维度指标的评估和筛选,从而在资金投入领域内,有着精准辨别和扶持技术创新型融资项目、促进长期投资潜力和市场认可度的独特优势(马光荣、杨恩艳,2011) [34]。这能够深层次地引导社会资源流向,重塑产业发展方向,推动产业结构合理化(付宏等,2013) [35]。产业结构的升级优化,推动技术要素的转移,促进了技术创新(徐洁香、邢孝兵,2019) [36]。
由此,本文提出假设H2-2:数字金融通过产业结构促进科技成果转化效率。
制度环境会影响科技成果转化活动的开展。当地区制度质量较低时,数字金融可能面临监管的长期缺失,其可持续发展受到威胁,进而无法缓解区域内科技成果转化的融资约束。如果营造良好的制度环境,能够保障数字金融资金的稳定、及时和可追溯的支持,从而大幅度推动当地企业技术进步的实现,进一步促进其研发成果在市场价值上的充分转化,这将有力地支撑转化活动的开展,以促进地区科技创新与经济发展实现良性互动。因而优化制度环境,提升制度质量,能够有效激励企业创新研发(史宇鹏、顾全林,2013) [37],提升科技成果转化效率。
由此,本文提出理论假设H3:数字金融对科技成果转化效率的影响存在制度环境的门限效应。较好的制度环境下,数字金融对转化效率的促进作用较大。
3. 效率测算、变量与模型设定
3.1. 效率测算
3.1.1. 效率测算变量选取
在选择科技成果转化投入产出变量时,在投入方面,现有的文献主要分为人员投入和资金投入,因此本文选择R&D人员全时当量以及R&D经费内部支出作为衡量科技成果投入的主要指标。在产出方面,关于创新成果,借鉴曹幸如等(2021) [5]选择新产品销售收入与专利授权数的比值作为创新产出。技术市场成交额可较为直接地反映出各地区创新成果转化的市场水平。最终变量如表1所示。
Table 1. Description of input, output and environmental variables
表1. 投入、产出与环境变量说明
类别 |
指标维度 |
指标 |
投入指标 |
资金投入 |
R&D经费内部支出 |
人员投入 |
R&D人员全时当量 |
产出指标 |
成果转化 |
新产品销售收入/专利授权数 |
市场转化 |
技术市场成交额 |
环境变量 |
经济发展水平 |
人均GDP |
对外开放水平 |
外商进出口收入/GDP |
政府支持水平 |
科技支出/一般支出 |
3.1.2. 结果分析
利用Frontier 4.1软件,以投入松弛变量作为被解释变量,以政府支持水平、经济发展水平、对外开放水平作为自变量,进行SFA回归,结果如表2所示。
Table 2. SFA regression results
表2. SFA回归结果
变量 |
人员投入 |
资金投入 |
常数项 |
2.30E+05*** |
8.48E+06*** |
经济发展水平 |
5.95E+06*** |
2.25E+08*** |
对外开放水平 |
5.24E+04*** |
2.34E+06*** |
政府支持水平 |
3.52E+04*** |
1.40E+06*** |
σ2 |
2.82E+10*** |
3.81E+13*** |
γ |
0.959*** |
0.940*** |
注:***、**、*分别表示在1%、5%、10%水平上显著。
根据上表的数据,我们可观察到在回归方程中,科技成果转化人员投入变量的系数为0.959,科技成果转化资金投入变量的系数为0.940,这两个值都接近于1。根据之前的分析,我们可以推断出实际效率与效率前沿面的偏离主要归因于管理无效率。因此,我们有必要采用随机前沿分析(SFA)回归进行深入研究。
经过第二阶段的调整处理,各区域的相关变量可以看作处于相同的环境之中,并受到一致的随机因素影响。因此在第三阶段,将调整后的科技转化投入变量和产出变量借助效率测算软件再次测算,这一步骤将准确地评估效率。基于上述方法计算2012年至2022年区域科技成果转化效率及其均值,如表3所示。
Table 3. Efficiency of transformation of scientific and technological achievements from 2012 to 2022
表3. 2012~2022年科技成果转化效率
区域 |
2012 |
2013 |
2014 |
2015 |
2016 |
2017 |
2018 |
2019 |
2020 |
2021 |
2022 |
东部 |
0.448 |
0.493 |
0.464 |
0.474 |
0.408 |
0.480 |
0.481 |
0.443 |
0.581 |
0.486 |
0.585 |
中部 |
0.320 |
0.291 |
0.328 |
0.311 |
0.313 |
0.449 |
0.351 |
0.311 |
0.236 |
0.283 |
0.153 |
西部 |
0.056 |
0.248 |
0.074 |
0.056 |
0.051 |
0.163 |
0.214 |
0.091 |
0.170 |
0.209 |
0.150 |
东北 |
0.512 |
0.136 |
0.520 |
0.487 |
0.509 |
0.482 |
0.260 |
0.485 |
0.280 |
0.126 |
0.113 |
全国 |
0.334 |
0.292 |
0.346 |
0.332 |
0.320 |
0.393 |
0.327 |
0.332 |
0.317 |
0.276 |
0.250 |
表3详细列出了2012年至2022年间不同地区科技成果转化的效率平均值。从全国层面上看,科技成果转化效率展现出一种持续波动但总体稳定的趋势。从各区域看,东部与中部省份的科技成果转化能力普遍较强,相较之下,西部及东北地区的转化能力普遍偏弱。究其原因,东中部省份在科技成果转化领域脱颖而出,很大程度上源于其综合实力雄厚。这些地区在经济、科技等诸多领域均拥有丰富的资源和强大的实力,为科技成果转化的持续推进提供了有力支撑。这种支撑不仅增强了地区的吸引力,吸引了更多的创新项目落户,还进一步提升了东中部省份在经济发展和创新领域的综合实力。这种良性循环使得创新发展在这些地区呈现出明显的集聚特征。然而,这种空间集聚性在一定程度上加剧了区域不平衡。因此,要充分利用技术资源的空间溢出效应,推动科技创新成果的跨区域流动与共享。
3.2. 变量选取
3.2.1. 被解释变量
区域科技成果转化效率(transfer)。在本文中,采用三阶段SFA模型测算。
3.2.2. 核心解释变量
数字普惠金融指数(index)。在衡量数字金融,选择北京大学数字金融中心的数字普惠金融指数,并为了统一量纲,将该指数除以100。
3.2.3. 控制变量
本文借鉴已有文献,选择的控制变量如下:
1) 对外开放水平(open),随着地区对外开放程度的不断提升,国外的创新知识、尖端技术以及优秀人才会逐渐向本地区转移并集聚。这种开放水平的提升,能够大幅拓宽区域创新主体获取创新资源的渠道和途径。本文选取了货物进出口总额占地区GDP的比重作为衡量指标。2) 研发投入强度(rd),用研发经费投入占GDP比重的相对指标为代替。3) 城市化水平(urb),采用城镇人口占区域总人口的比重来衡量。4) 基础设施(infra),基础设施的完善程度对于提升要素流动性具有显著作用,进而能够有效促进科技研发转化活动的顺利进行。为了更准确地衡量一个地区的基础设施水平,本文采用公路里程的对数作为指标。5) 劳动力水平(emplo),采用就业人员数的自然对数衡量。各变量具体说明如表4所示。
Table 4. Definition and description of variables
表4. 各变量定义与说明
变量类型 |
变量名称 |
变量含义 |
变量说明 |
被解释变量 |
transfer |
科技成果转化效率 |
三阶段DEA |
解释变量 |
index |
数字金融总指数 |
北京大学数字金融总指数 |
cover |
覆盖广度 |
数字金融覆盖广度 |
depth |
使用深度 |
数字金融使用深度 |
dig |
数字化程度 |
数字金融数字化程度 |
控制变量 |
open |
对外开放程度 |
进出口总额/GDP |
rd |
研发强度 |
研发经费投入/GDP |
urb |
城市化水平 |
城镇人口/总人口 |
infra |
基础设施建设 |
公路里程的自然对数 |
emplo |
劳动力水平 |
就业人员的自然对数 |
3.3. 数据来源
在选取研究样本的过程中,充分考虑了数据的完整性和可用性。由于西藏地区在多项数据上存在不完整的问题,进而对研究结果产生不利影响。因此,在样本中排除西藏自治区,而专注于其余30个省市自治区的数据。在选择研究时期时,权衡了数据的可得性与时效性。考虑到科技创新活动的长期性和时效性,最终选取了2012年至2022年这一时间段内的科技成果转化投入与产出数据。这一时期涵盖了我国经济发展的重要阶段,能够较好地反映数字金融对科技成果转化的影响。为了获取准确、全面的数据,广泛搜集了《中国统计年鉴》《中国科技统计年鉴》以及国家统计局等网站上的相关资料。此外,在数据处理过程中,为消除数据中极端值对回归估计结果的影响,本文采用Winsorize法对各代理变量进行了1%分位及99%分位的缩尾处理。
3.4. 模型设定
3.4.1. 基准回归模型设定
在本文中,我们借鉴了韩先锋等(2019) [38]在区域创新效率方面的研究成果,通过构建面板模型来深入剖析数字金融对科技成果转化效率的具体影响。这一研究旨在为我们提供一个更加全面、系统的视角来审视数字金融与科技成果转化效率之间的关系。基准回归模型的设定如下:
(3-1)
其中,transfer表示科技成果转化效率,index表示数字普惠金融发展程度,下标i表示省份,t表示年份;在后续研究中,index用数字普惠金融总指数及其三个二级指标覆盖广度、覆盖深度和数字化程度进行替换。在第三项中,我们引入了CONTROL作为控制变量,其主要目的是全面考虑区域特征对最终结果的潜在影响,以确保分析结果的准确性和可靠性。μ表示个体固定效应,用于捕捉不同个体间可能存在的稳定差异,λ则代表时间固定效应,控制随时间变化而可能对结果产生影响的因素。此外,ε作为随机扰动项,反映未考虑的其他随机影响。
3.4.2. 门限回归模型设定
为深入探究数字金融对区域科技成果转化效率是否存在门限效应,本文采用了Hansen提出的面板门限模型进行实证检验。在此过程中,我们选取制度质量作为关键的门限变量,以此基础对公式(3-1)进行拓展和完善。模型构建如下:
(3-2)
上述公式中,
是门限变量,ρ是待估计门限值。门限值ρ作为一种有效的分类工具,能够根据不同的发展水平对研究样本进行细致的划分。在发展水平各异的区间内,回归系数可能会呈现出不同的变化特征。I(∙)在此过程中发挥着关键作用,当变量值高于设定的门限值时,该函数取值为1,反之为0。
4. 主要实证分析
4.1. 基准回归结果分析
在进行基准回归估计前,为避免伪回归,确保估计结果的有效性,本文采用LLC检验对所有变量进行平稳性检验。检验结果显示各变量的p值在5%水平下显著,表明各变量是平稳的。此外,在进行实证检验前,通过Hausman检验对模型进行选择,最终选择了双向固定效应模型。为缓解异方差问题,回归结果使用了省份层面的聚类稳健标准误。表5是本文的基准回归结果。其中,模型(1)说明的是数字金融总指数对科技成果转化效率的影响,模型(2)~(4)说明的是三个维度覆盖广度、使用深度和数字化程度的影响效应。
Table 5. Benchmark regression results
表5. 基准回归结果
|
(1) |
(2) |
(3) |
(4) |
|
transfer |
transfer |
transfer |
transfer |
index |
0.9446*** |
|
|
|
|
(3.1826) |
|
|
|
cover |
|
0.8641* |
|
|
|
|
(2.0292) |
|
|
depth |
|
|
0.4955*** |
|
|
|
|
(2.8969) |
|
dig |
|
|
|
0.2538** |
|
|
|
|
(2.6887) |
Control |
控制 |
控制 |
控制 |
控制 |
时间 |
控制 |
控制 |
控制 |
控制 |
地区 |
控制 |
控制 |
控制 |
控制 |
N |
330 |
330 |
330 |
330 |
R2 |
0.7342 |
0.7232 |
0.7286 |
0.7227 |
注:括号内是T统计量,***、**、*分别表示在1%、5%、10%水平上显著,下同。
表5第(1)列的回归结果显示,数字金融总指数的系数估计值为0.9446,在1%的统计水平上显著为正,说明数字金融总指数对科技成果转化效率具有一定的促进作用,验证了假设H1成立,即数字金融对科技成果转化效率的提升起到促进作用。从数字金融指数的各个维度来看,表5中数字金融覆盖广度即模型(2)的系数为0.8641,在10%水平下显著为正,说明数字金融覆盖广度指数越大,意味着更多的企业和个人能够接触到数字金融服务,因而获得融资支持,推动科技成果从实验室走向市场。数字金融使用深度即模型(3)的系数为0.4955,在1%水平下显著为正,说明数字金融使用深度指数越大,科技成果的持有者能够更加深入地利用数字金融工具和服务,实现更为精准和高效的融资。数字金融数字化程度即模型(4)的系数为0.2538,在5%水平下显著为正,说明数字化程度指数越大,数字化平台能够将科技成果的信息迅速传递,进而提升科技成果的转化效率。此外,对比三个维度的系数可知,最大是数字金融覆盖广度的系数估计值0.8641,其次是数字金融使用深度的系数估计值0.4955,最后是数字化程度的系数估计值0.2538,这是因为数字金融指数的覆盖广度能够更为全面且真实地反映该区域数字金融的整体状况,对科技成果转化效率的促进作用更为明显。
4.2. 稳健性检验与内生性检验
4.2.1. 稳健性检验
基准回归结果分析表明,数字金融对科技成果转化效率具有正向促进作用,在加入一系列控制变量后,该结论依旧显著。但这种关系可能是因变量选取、样本选择偏差等原因造成的,为了实证结果的可靠性,本文主要从更换被解释变量和研究样本方式进行稳健性检验。
1) 更换被解释变量
本文采用更换被解释变量的方法,实现对实证结果的稳健性检验。在测算区域科技成果转化效率时,用DEA-malmquist方式重新测算了效率。表6中(1)列为更换了被解释变量后的数字金融总指数的回归结果,模型(2)~(4)分别报告的是各维度数字金融与科技成果转化效率之间的关系,结果说明,数字金融总指数和三个维度分指数仍然显著为正,说明模型的稳健性。
Table 6. Robustness test
表6. 稳健性检验
|
更换被解释变量 |
更换样本层面 |
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
(7) |
(8) |
|
eff |
eff |
eff |
eff |
transfer |
transfer |
transfer |
transfer |
index |
0.4975*** |
|
|
|
1.0681*** |
|
|
|
|
(2.7599) |
|
|
|
(3.3701) |
|
|
|
cover |
|
0.6785*** |
|
|
|
1.2280** |
|
|
|
|
(3.3763) |
|
|
|
(2.5808) |
|
|
depth |
|
|
0.1888* |
|
|
|
0.5479*** |
|
|
|
|
(1.7129) |
|
|
|
(2.8643) |
|
dig |
|
|
|
0.1508** |
|
|
|
0.2553** |
|
|
|
|
(2.0851) |
|
|
|
(2.6519) |
Control |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
时间 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
地区 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
N |
330 |
330 |
330 |
330 |
286 |
286 |
286 |
286 |
R2 |
0.2443 |
0.2454 |
0.2310 |
0.2479 |
0.5296 |
0.5184 |
0.5161 |
0.5038 |
2) 更换样本层面
本文还参考唐松等(2020) [25]的做法采用更换样本的方法来进行稳健性检验。通常情况下,直辖市拥有较大的经济规模、广袤的地域以及众多的人口,这使得面临的政治经济环境与其他区域存在显著差异。鉴于北京市、上海市、天津市、重庆市这四个直辖市的经济特性,其自身的经济发展规律可能会对结果产生偏差。因此,本节在进行稳健性检验时,将从研究样本中剔除这四个直辖市,最后的估计结果如表6的(5)~(8)列所示。结果说明,数字金融总指数和三个维度分指数仍然显著为正,即在更换样本后得到与之前一致的结论,说明模型的稳健性。
4.2.2. 内生性检验
通过对基准回归结果的分析,发现数字金融能够促进科技成果转化效率。但是可能存在内生性问题,本文通过控制遗漏变量和加入工具变量进行内生性检验。
1) 加入控制变量
为防止遗漏变量引起的内生性,本文进一步加入地区金融发展作为控制变量,以排除传统金融的影响。本文借鉴陈中飞等(2021) [39]使用商业银行金融机构贷款规模度量地方金融发展水平,地方金融发展水平的计算公式为年末商业银行贷款余额除以人口总数,指标越大,代表传统金融发展水平越高。加入后的回归如表7所示,数字金融总指数及三个分指数仍然显著,说明实证具有稳健性。
Table 7. Regression after adding traditional financial variables
表7. 加入传统金融变量后的回归
|
(1) |
(2) |
(3) |
(4) |
|
transfer |
transfer |
transfer |
transfer |
index |
0.9385*** |
|
|
|
|
(3.0893) |
|
|
|
cover |
|
0.8756* |
|
|
|
|
(2.0394) |
|
|
depth |
|
|
0.4880*** |
|
|
|
|
(2.7613) |
|
dig |
|
|
|
0.2522** |
|
|
|
|
(2.6056) |
Control |
控制 |
控制 |
控制 |
控制 |
时间 |
控制 |
控制 |
控制 |
控制 |
地区 |
控制 |
控制 |
控制 |
控制 |
N |
330 |
330 |
330 |
330 |
R2 |
0.7340 |
0.7235 |
0.7281 |
0.7226 |
2) 加入工具变量
本文将采取工具变量的方法,来对内生性问题进行讨论。本文参考李春涛等(2020) [40]的研究,采用手工整理各省接壤省份及其普惠金融发展水平的数字,将该省份所接壤的所有省份的数字普惠金融发展水平的平均值,作为工具变量进行回归分析。该工具变量兼具经济关联度和外生性约束,一方面,邻近省份通常具有相似的经济状况和数字金融发展水平,另一方面,由于信贷融资的地域性分布,数字金融发展水平难以通过融资渠道影响本地科技成果的转化,符合工具变量的使用要求。表8展示了工具变量的回归结果。此时数字金融指数系数仍为正,表明数字金融发展对科技成果转化效率的推动作用显著,该结果与之前的研究结果一致。
Table 8. Instrumental variable regression
表8. 工具变量回归
|
第一阶段 |
第二阶段 |
变量 |
index |
transfer |
index |
|
1.137** |
|
|
(2.75) |
iv |
1.007*** |
|
|
(14.65) |
|
control |
控制 |
控制 |
一阶段F值 |
232.14*** |
|
N |
330 |
330 |
R2 |
|
0.169 |
4.3. 异质性分析
4.3.1. 基于不同地区的分析
数字金融与传统金融服务具有互补性,并能够在缓解创新个体融资困境的同时,促进科技成果的有效转化。鉴于其快速发展,其效应在不同的经济地区也许存在差异。因此,为论证差异是否存在,根据所处地区分为东部和中西部地区,以R表示,其中R = 1是东部,R = 0是中西部。本文在基准模型中加入交叉项R*index,对此进行估计,进而检验数字金融对科技成果转化效率对不同地区的异质性影响。
Table 9. Regional heterogeneity analysis
表9. 区域异质性分析
|
(1) |
|
transfer |
index |
1.0480*** |
|
(3.5851) |
R*index |
−0.0995** |
|
(−2.1174) |
control |
控制 |
时间 |
控制 |
地区 |
控制 |
N |
330 |
R2 |
0.7398 |
表9回归结果表明,交互项显著为负,说明中西部地区数字金融对区域科技成果转化效率的促进作用较为显著。这种差异的产生可能归因于数字金融的独特作用。具体而言,数字金融通过大幅扩展金融服务的覆盖范围和使用深度,显著降低了创新融资的约束,从而有效推动了区域科技成果转化活动的发展。
4.3.2. 基于数字金融发展进程的分析
尽管数字金融作为新兴事物在近年来才逐渐崭露头角,但其发展历程中却经历了多次重大变革,这些变革对于数字金融的普及和深化起到了关键作用。为了深入研究数字金融对科技成果转化的影响,本文定义“余额宝开张”的虚拟变量命名为event 1,其取值在2012~2013年为0,在2014~2022年为1;而“数字金融首次出现在政府工作报告”的虚拟变量则命名为event 2,其取值在2012~2014年为0,在2015~2022年为1。回归结果如表10所示,经过深入探究,我们发现数字金融发展指数与时间虚拟变量的交乘项系数在1%的显著性水平上均为正值,event 1即“余额宝开张”的交乘项系数为0.3598,event 2即“数字金融首次出现在政府工作报告”的交乘项系数为0.3644。因此,我们可以得出结论,数字金融的快速发展与相关政策共同推动了区域科技成果转化的进程。
Table 10. Analysis of major digital financial events
表10. 数字金融重大事件分析
|
(1) |
(2) |
|
transfer |
transfer |
index |
0.5676* |
0.5914* |
|
(1.8317) |
(1.7549) |
Event 1*index |
0.3598*** |
|
|
(3.7065) |
|
event 2*index |
|
0.3644*** |
|
|
(2.8466) |
control |
控制 |
控制 |
时间 |
控制 |
控制 |
地区 |
控制 |
控制 |
N |
330 |
330 |
R2 |
0.7372 |
0.7371 |
4.4. 门限面板回归
在深入探讨数字金融对科技成果转化影响的过程中,制度质量作为一个重要的外部因素,其影响不容忽视。为了准确衡量并量化这一变量,参考了以往的研究,制度质量用地区市场化指数去衡量。因而本文构建关于制度质量的面板门限存在性检验。根据表11的检验结果来看,制度质量在5%水平上只存在单一门槛。
Table 11. Threshold effect test results
表11. 门限效应检验结果
门限变量 |
模型 |
F值 |
P值 |
BS次数 |
门限估计值 |
insti |
单一门槛 |
21.97** |
0.0167 |
300 |
- |
- |
8.6150 |
双重门槛 |
10.05 |
0.2500 |
300 |
- |
7.6750 |
8.6150 |
三重门槛 |
15.06 |
0.4300 |
300 |
7.4760 |
7.6750 |
8.6150 |
表12展示了门限回归的结果。结果表明,当制度质量水平未达到特定门限值8.6150时,数字金融发展指数对科技成果转化效率的影响系数为0.6033,且在5%的显著性水平下显著。然而,一旦制度质量水平跨越这一关键门限值后,数字金融发展指数的系数呈现出增加的趋势。这充分表明,随着制度环境的不断优化,数字金融对区域科技成果转化的促进作用逐渐显现并得以增强。因此,说明假设H3成立,即较好的制度环境对数字金融科技成果转化效率的促进作用更高。
Table 12. Threshold regression results
表12. 门限回归结果
变量 |
门限效应 |
transfer(insti < ρ) |
0.6033** |
|
(2.4471) |
transfer(insti > ρ) |
0.6817** |
|
(2.7396) |
control |
控制 |
时间 |
控制 |
地区 |
控制 |
N |
330 |
R2 |
0.2399 |
5. 进一步分析
本文参考江艇(2022) [41]关于调节效应的研究,加入调节变量的交互项,使用以下模型来检验数字金融对科技成果转化效率的机制分析,模型设定如下:
(5-1)
其中,MOD为调节变量,并对交互项进行中心化处理。当数字金融指数与调节变量的交互项显著时,说明影响机制得到验证。
5.1. 缓解融资约束
本文借鉴聂秀华(2021) [42]采用区域金融机构存贷比作为区域融资约束(credit)的代理变量。由表13列(1)~(4)的估计结果可知,数字金融发展总指数和三个分指数系数均显著为正,除了数字使用深度之外,其余数字金融发展指数与融资约束代理指标的交乘项系数均显著为负。上述结果深入揭示了数字金融在推动区域科技成果转化方面的重要影响。特别是在那些面临严重融资约束困境的地区展现出了更显著的作用。在这些地区,由于传统融资渠道受限资金流动不畅,导致科技成果难以转化为实际生产力。然而,数字金融通过其高效、便捷的特性,提供了全新的融资途径,有效地缓解了融资约束问题,进而促进了科技成果的转化。该回归结果验证了假设H2-1,即数字金融通过缓解融资约束提高科技成果转化效率。
Table 13. Analysis of mechanism
表13. 机制分析
|
融资约束机制 |
产业结构机制 |
|
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
(7) |
(8) |
|
transfer |
transfer |
transfer |
transfer |
transfer |
transfer |
transfer |
transfer |
Mod |
0.5273 |
0.7296 |
0.1887 |
1.3646** |
1.0111* |
1.4164** |
1.2340* |
0.9821 |
|
(1.3095) |
(1.6213) |
(0.4590) |
(2.2892) |
(1.8161) |
(2.3424) |
(2.0366) |
(1.4460) |
index |
1.1027*** |
|
|
|
0.8222*** |
|
|
|
|
(3.5856) |
|
|
|
(2.9878) |
|
|
|
index*mod |
−0.2265** |
|
|
|
−0.4377** |
|
|
|
(−2.2119) |
|
|
|
(−2.3604) |
|
|
|
cover |
|
1.1266** |
|
|
|
0.7991** |
|
|
|
|
(2.5467) |
|
|
|
(2.0713) |
|
|
cover*mod |
|
−0.3134*** |
|
|
|
−0.6235*** |
|
|
|
(−2.9384) |
|
|
|
(−3.3742) |
|
|
depth |
|
|
0.5668*** |
|
|
|
0.4462*** |
|
|
|
|
(2.9361) |
|
|
|
(2.8488) |
|
depth*mod |
|
|
−0.0920 |
|
|
|
−0.5596** |
|
|
|
(−0.7470) |
|
|
|
(−2.5044) |
|
dig |
|
|
|
0.5504*** |
|
|
|
0.2714*** |
|
|
|
|
(3.8267) |
|
|
|
(2.8363) |
dig*mod |
|
|
|
−0.3591*** |
|
|
|
−0.3677** |
|
|
|
(−2.9498) |
|
|
|
(−2.1827) |
Control |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
时间 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
地区 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
控制 |
N |
330 |
330 |
330 |
330 |
330 |
330 |
330 |
330 |
R2 |
0.7361 |
0.7288 |
0.7274 |
0.7291 |
0.7357 |
0.7313 |
0.7322 |
0.7237 |
5.2. 优化产业结构
本文借鉴袁航等(2018) [43]采用产业结构合理化(stru)作为衡量指标,即泰尔指数。由表13的(5)~(8)可以发现,数字金融发展总指数和三个分指数系数均显著为正,数字金融发展指数与产业结构代理指标的交乘项系数均为负,即数字金融在产业结构优化程度较差的地区可以发挥更大、更显著的提升区域内科技成果转化的激励作用。以上回归结果支持假设H2-2,即产业结构合理优化升级是数字金融作用于科技成果转化效率提升可能路径的预期。
6. 结论与建议
本文使用2012~2022年30个省(自治区、直辖市)的数据,测算效率并与数字金融指数进行实证研究。结果说明,数字金融对科技成果转化效率的提升具有显著的促进作用,并且这种促进作用在不同地区和不同年份下呈现出明显的异质性效应。同时,根据门限回归分析表明,在地区制度质量较高的背景下,数字金融对科技成果转化效率的促进作用显得尤为显著。在机制分析中,发现数字金融能够有效缓解融资约束问题和促进产业结构升级来提升科技成果转化效率。
经过深入探究,本文得出了一系列关于数字金融发展的启示性结论,由此提出以下政策建议,以期为数字金融的健康发展提供有益参考:
第一,积极主动地推进数字信息技术与金融之间的紧密结合,以实现两者的深度融合与互动发展。金融部门应与大型数字金融服务平台建立紧密的合作关系,政府部门应致力于完善数字信息技术基础设施建设,为其稳健发展奠定坚实的基础。
第二,完善地区制度质量。为了充分发挥数字金融在推动地区科技成果转化方面的作用,我们需要对地区制度质量等关键辅助性因素进行持续优化。
第三,构建数字金融生态系统圈,实现跨区域协调发展。在制定数字金融发展策略时,各地区需紧密结合自身实际,实施差异化的发展策略。一方面,我们应高度重视数字金融增长极的培育,充分发挥优势地区的引领作用。另一方面,我们还应注重“面”和“圈”的协同发展,防止极化效应过度集中。
基金项目
天津师范大学研究生科研创新项目(2023KYCX034F)资助。
NOTES
1有效专利实施率计算为获得国家知识产权局授权的用于企业实际生产、进行许可或转让的专利占企业拥有有效专利的比率,其较为直观地反映了专利被实际利用的程度。数据来源于国家知识产权局。