中国地区金融发展与技术创新的实证检验及优化建议

(一)模型设定与方法

以国内外学者研究(Po-Hsuan、Xuan and Yan，2014；^[4]李苗苗、肖洪钧和赵爽，2015^[5])为基础，旨在考察金融发展对中部省份层面技术创新的影响，本书运用如下实证模型进行估计：

在(4-1)式中，被解释变量为技术创新(ΔProvinceTech)，解释变量为金融发展(Equity、Credit)，ΔR＆D、ΔEducation、ΔGDP、Openness、ΔEmploy等变量为控制变量。Province、Year分别为省份、时间固定效应，e为随机误差项。

因为出现了滞后1期被解释变量，对上述面板数据模型运用传统的最小二乘虚拟变量法(LSDV)得到的结果是有偏的。为避免这个潜在的偏误，选择合适的工具变量是十分必要的。Arellano和Bond(1991)提出了用一阶差分GMM(First Differenced GMM)估计方法来解决。^[6]但是，Blundell和Bond(1998)指出，一阶差分GMM估计方法容易受到弱工具变量的影响而得到有偏的估计结果。为克服弱工具变量的影响，他们提出了一种更加有效的方法，即系统GMM(System GMM)估计方法。^[7]本书运用系统GMM估计方法进行实证研究，具体做法是将水平回归方程和差分回归方程结合起来进行估计。

(二)变量选择与数据说明

1.被解释变量

被解释变量为技术创新水平。以各省份年度的专利授权数量为基础，本书以专利授权增长ΔProvinceTechi，t＝ln(1＋patenti，t)-ln(1＋patenti，t-1)，度量i省第t年的技术创新水平，其中patenti，t代表在i省第t年获得的专利授权数量。

2.解释变量

解释变量为金融发展水平。在目前的文献中，通常以信贷和股票市场总额占GDP的比值计算一国或地区的金融发展水平(Rajan和Zingales，1998)。^[8]旨在区分和分别考察股票市场和信贷市场对技术创新所造成的不同影响，本书构建两个金融发展变量：(1)股票市场发展变量。以各省份上市公司年度股票筹资总额占GDP的比重为基础，本书以Equityi，t＝ln(1＋GPCZi，t/GDPi，t)，度量股票市场发展水平，其中GPCZi，t为i省第t年上市公司筹资总额。(2)信贷市场发展变量。以各省年度银行信贷总额占GDP的比重为基础，本书以Crediti，t＝ln(1＋BankCrediti，t/GDPi，t)，度量信贷市场发展水平，其中BankCrediti，t为i省第t年的银行信贷总额。

3.其他控制变量

本书选取的其他变量包括：(1)研发支出增长(ΔR＆Di，t)，定义为i省第t年研发总支出的自然对数减去i省第t-1年的相应值。R＆D支出的规模和强度指标反映一国或地区的科技实力和核心竞争力，　是技术创新的重要决定因素。(2)教育发展速度(ΔEducationi，t)，定义为i省第t年每万人在校大学生人数的自然对数减去第t-1年的相应值。作为技术创新的主体，劳动者的教育程度是区域技术创新活动重要的影响因素。(3)经济增长(ΔGDPi，t)，定义为i省第t年GDP的自然对数减去i省第t-1年的相应值。GDP增长是衡量一国或地区经济状况的最佳指标，它不但反映一个地区的经济实力和表现，也会对技术创新产生重要的影响。(4)经济开放程度(Opennessi，t)，定义为i省第t年的进出口总额占GDP比例的自然对数。国际贸易是国际技术外溢的主要渠道与方式，且进出口贸易的技术外溢效应有助于一国或地区的技术创新。(5)城镇就业水平变化(ΔEmployi，t)，定义为i省第t年的就业率的自然对数减去i省第t-1年的相应值。城镇就业水平变化反映了人力资本的实际利用程度，并影响区域技术创新的水平。(6)滞后1期的技术创新(ΔProvinceTechi，t-1)。基于知识积累和技术创新的延续性特征，本书将滞后1期的技术创新引入实证模型。

本书研究主要涉及中国1997—2013年31个省(市、自治区)的面板数据。在分组实证研究中，我们将面板数据分别划分中部6省、东部10省(市)、西部12省(自治区)和东北3省四个组成部分。本书的数据来源于中经网统计数据库、国信金太阳股票交易软件、wind资讯，相关年度的《中国统计年鉴》、《中国科技统计年鉴》、《中国金融统计年鉴》、《各省市统计年鉴》，以及《新中国六十周年统计资料汇编》。本书对数据的统计分析和模型的实证估计均使用Stata14统计软件完成。

(三)实证结果及分析

1.统计描述与分析

(1)主要变量统计描述。

以中部6省为研究样本，对ΔProvinceTech、Equity、Credit、ΔR＆D、ΔEducation、ΔGDP、Openness、ΔEmploy等变量指标进行统计描述，相关统计量及其结果见表4-3。

表4-3　主要变量的描述性统计结果

如表4-3所示，中部省级层面技术创新(ΔProvinceTech)均值为0.1034，标准差为0.0973。股票市场发展(Equity)和信贷市场发展(Credit)均值分别为0.0826和0.3915，标准差分别为0.2135和0.7843。经济增长(ΔGDP)和研发支出增长(ΔR＆D)均值分别为0.2012和0.0432，标准差为0.1037和0.0294。教育发展速度(ΔEducation)和经济开放程度(Openness)均值分别为0.1295和-2.8354，标准差分别为0.1937和1.0362，其中Openness负的均值归因于自然对数形式。最后，平均的城镇就业水平变化(ΔEmploy)为0.0048，标准差为0.0062。

(2)主要变量相关分析。

进一步，对ΔProvinceTech、Equity、Credit、ΔR＆D、ΔEducation、ΔGDP、Openness、ΔEmploy等变量进行相关分析，省级层面技术创新与其他变量之间的相关系数矩阵见表4-4。

如表4-4所示，省级层面技术创新与股票市场、信贷市场发展之间存在一定相关性。ΔProvinceTech与Equity之间的相关系数为0.064，ΔProvinceTech与Credit之间的相关系数为-0.022。因为ΔR＆D是技术创新的必需投入，ΔGDP是一个地区经济状况的反映，所以，ΔR＆D和ΔGDP与ΔProvinceTech之间有较高的相关系数，分别为0.147和0.206。ΔEducation、Openness和ΔEmploy也有利于技术创新，它们与ΔProvinceTech的相关系数分别为0.043、0.017和0.060。此外，Equity与Credit的相关系数为-0.372，说明信贷市场发展与股票市场之间存在较强的竞争替代关系。

表4-4　主要变量的相关系数矩阵

2.基本估计结果

运用1997—2013年中部6个省份的面板数据，对实证模型(4-1)进行系统GMM估计，估计结果见表4-5。

表4-5显示了系统GMM基本估计结果，其中被解释变量是省级层面技术创新增长。在只包含股票市场发展、信贷市场发展、滞后1期的技术创新、省份和年份虚拟变量的方程(a)中，Equity和Credit均通过显著性检验，估计系数分别为0.038和-0.064。在方程(b)中，加入研发支出增长、教育发展速度和经济增长，Equity和Credit的估计系数分别变为0.013和-0.043，且均通过显著性检验。在方程(c)中，进一步加入经济开放程度和城镇就业水平变化，Equity的估计系数为正和统计显著，且大小升至0.051，Credit的估计系数为负和统计显著，且大小上升为-0.021。根据方程(c)完整的估计结果，我们发现股票市场的发展对技术创新有正的影响，而信贷市场的发展对技术创新有负的影响；并且，股票筹资增加一个标准差会使省份层面技术创新提速1.09%，而银行信贷增加一个标准差会使省份层面技术创新减速1.65%。

表4-5　模型的基本估计结果

(www.xing528.com)

注：∗∗∗、∗∗、∗分别代表1%、5%和10%的显著性水平；表中(·)内为t检验值。

上述结果与前述国外学者的观点一致。可能的原因是，在中部地区，信贷市场对保守的投资具有与生俱来的偏好，并阻碍企业技术创新活动；相反，股票市场则提供更多的机制促进企业投资不确定但可能具有突破进展的创新活动。尤其是，因为利率市场化改革、社会征信系统建设的滞后和中小银行发展不足，以国有银行为主体的金融中介更倾向于为国有企业的传统项目提供贷款，信贷市场对技术创新的阻碍作用更为突出。此外，研发支出增长、城镇就业水平变化、经济开放程度和经济增长也有利于促进省份层面技术创新。如果控制了其他变量，滞后1期的省份层面技术创新增长的估计系数为负，说明技术创新增长具有一定的均衡值回归特征。

3.Granger因果检验

在作出股票市场发展促进创新、信贷市场发展阻碍创新的判断之前，我们还需要考虑金融发展内生性问题。事实上，金融和经济增长之间因果关系方向性问题的争论由来已久(Robinson，1952；^[9]Rajan and Zingales，1998^[10])。虽然通过使用滞后回归变量作为工具变量，系统GMM估计将金融发展的内生性纳入考虑，但是仍然不能排除技术创新在驱动未来的技术创新的同时，促进未来的金融发展的可能性，并导致技术创新领先、金融发展滞后的关系。然而，这种可能在我们的实证中并没有得到支持，因为根据表4-5的系统GMM估计结果，滞后1期的技术创新对当期的技术创新回归系数是负值。

另一种因果倒置的可能是，如果经济体拥有好的技术创新前景，就会促进金融发展，进而为实现良好的技术创新前景提供资金支持，从而产生技术创新在先、金融发展在后的关系。为了排除这种可能，我们运用下列实证模型进行Granger因果检验(Granger，1969)。

运用1997—2013年中部6个省份的面板数据，对实证模型(4-2)进行回归估计，估计结果见表4-6。

表4-6　Granger因果检验结果

注：∗∗∗、∗∗、∗分别代表1%、5%和10%的显著性水平；表中(·)内为t检验值。

表4-6显示了Granger因果检验结果。在方程(d)中，Equity是被解释变量，ΔProvinceTech-1的系数估计为0.021，但统计不显著。Equity-1的估计系数为0.062且统计显著。在其他控制变量中，经济增长、信贷市场发展预示着Equity的反方向变化，而研发支出增长、教育发展速度则预示着Equity的同方向变化。在方程(e)中，Credit是被解释变量，ΔProvinceTech-1的估计系数为0.019，但统计不显著。Credit-1的估计系数为0.074且统计显著，经济增长、教育发展速度、城镇就业水平变化与Credit正相关，而经济开放程度与Credit负相关。上述Granger因果检验表明，技术创新促进未来金融发展的可能性并不存在。综合基本估计和因果检验结果可以发现，前期的金融发展会影响其后的技术创新，而前期的技术创新与其后的金融发展则没有实质联系。

(四)稳健性检验

1.技术创新的代理变量

为了检验基本估计结果的稳健性，我们构造了另一个技术创新的代理变量，实证考察金融发展对由这个代理变量所表示的技术创新的影响。该代理变量是省级层面的技术市场交易额增长，本书以ΔTurnoveri，t＝ln(turnoveri，t)-ln(turnoveri，t-1)，度量i省第t年的技术市场交易额的变化，其中turnoveri，t是i省第t年技术市场交易额。技术市场是技术创新成果商业化的重要场所，技术市场交易规模是一个国家或地区技术创新能力的重要体现。所以，技术市场交易额增长可以作为技术创新水平的良好替代指标；并且，在一定程度上可以克服专利授权作为技术创新指标带来的难以衡量经济价值的困难。

以上述代理变量为被解释变量，本书运用实证模型(4-1)进行系统GMM估计，检验中部6个省份金融发展对技术市场交易额增长所表示的技术创新的影响，估计结果见表4-7。

表4-7　代理变量的估计结果

注：∗∗∗、∗∗、∗分别代表1%、5%和10%的显著性水平；表中(·)内为t检验值。

表4-7中代理变量ΔTurnover是被解释变量，方程(f)、(g)、(h)估计结果显示：Equity的估计系数全部为正(0.032、0.045、0.063)且统计显著，而Credit的估计系数全部为负(-0.054、-0.014、-0.034)且统计显著。以ΔTurnover为代理变量的估计结果，与前文得出的股票市场发展促进技术创新，而信贷市场发展阻碍技术创新的结论是一致的，说明我们的基本估计结果是稳健的。

2.异质性分组面板数据

进一步，本书运用东部地区(北京、天津、河北、上海、江苏、浙江、福建、广东、山东和海南)、东北地区(黑龙江、吉林和辽宁)和西部地区(广西、四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆和内蒙古)的面板数据，进行了与中部地区相同的估计与比较，考察经济发展异质性分组面板数据来检验金融发展对技术创新的影响。表4-8报告了估计结果。

表4-8　估计结果比较分析

续表

注：∗∗∗、∗∗、∗分别代表1%、5%和10%的显著性水平；表中(·)内为t检验值。

如表4-8所示，在上述4个研究样本中，Equity的回归结果均是正的，且在1%的显著性水平上是显著的；Credit的回归结果均为负，且在1%的显著性水平上是显著的。由此我们可以得出，我们的基准结论在所有的样本上都得到了很好的支持。

进一步，比较各个样本上的回归结果，我们可以发现：在西部和中部省份Equity的估计系数比东部省份大得多(分别为0.050、0.051和0.016)，而东北部地区的这一系数(0.036)位于各个地区的中间位置。即股票市场发展对于技术创新的促进作用的显著程度在西部、中部地区要明显大于东部地区，而在东北地区其影响程度介于两者之间。西部、中部、东北部地区与东部的Credit的估计系数分别是-1.674，-0.061、-0.043和-0.031。即信贷市场发展对于技术创新的阻碍的显著程度在西部地区要明显大于中部地区与东北地区，而在东部地区其影响程度最弱。

上述结论表明，在经济相对落后地区，股票市场发展对技术创新的正向作用，以及信贷市场发展对技术创新的负面影响可能都会更强。可能的解释为，在经济相对落后地区，技术创新项目面临的技术、市场风险更大，银行信贷供给更偏向低风险的传统项目，阻碍技术创新的力量更强。在此背景下，在经济相对落后地区私人部门的技术创新更缺乏充足的资金投入，股票市场发展对技术创新的推动作用更大。