科技溢出效应对金融政策的实证研究

（1）实证模型的合理性检验

采用静态面板的混合效应（POOL）、固定效应（FE）与随机效应（RE）模型估计方程（4）。Hausman检验强烈拒绝“随机扰动项与解释变量不相关”的原假设。根据F检验结果，模型1、2、4的固定效应更优，模型3、5、6却接受混合回归。对比固定效应和混合回归的结果发现差异不明显，因此统一列示固定效应的结果。为了克服滞后因变量的内生性导致参数估计非一致的问题，同时采用动态面板系统广义矩（SYS-GMM）估计，Abond（2）检验结果支持在5%的显著性水平下扰动项的差分不存在一阶和二阶自相关，强烈接受“扰动项无自相关”的原假设。过度识别的Sargan检验结果显示所有工具变量均有效。故系统GMM估计法对于本文所选模型具有适用性。表6.5列示了固定效应和系统GMM的回归结果，可以看出本文的结论是比较稳健的。所有回归均通过stata 14.0实现。

（2）吸收能力视角下的溢出效应实证结果分析

模型1检验了金融创新对于商业银行全要素生产率的整体技术溢出效应。可以看出无论是商业银行自身的研发投入，还是吸收来自金融科技公司的研发投入，均对于全要素生产率提升有显著正向作用。相较而言，银行自身的研发投入影响程度更大。金融科技带来的竞争效应迫使银行变革创新，促进效率的提升，而溢出效应需结合银行自身吸收能力，由模型2—5进行检验。(www.xing528.com)

模型2—5分别检验了商业银行的研发强度、人力资本、开放度和技术距离作为吸收能力指标，对技术溢出的动态影响。从显著度上看，无论是系统广义矩还是固定效应估计，回归方程均具有显著的解释能力（仅有固定效应估计中的研发强度交互项系数不具有显著性）。从模型2发现，银行自身的研发投入一方面能直接促进全要素生产率的显著提升，另一方面还能通过增强吸收能力间接强化外界技术溢出的效果。固定效应的回归结果显示，商业银行研发资本投入每增长1%，会促进下一期全要素生产率的增长率（以下用tfpch表示）平均提升0.2755%，因研发吸收带来的技术溢出对tfpch的边际贡献率达到0.0048%。模型3中人力资本指标的回归系数具有很强的显著性，但是溢出的边际贡献率为负。原因可能是受制于数据的可得性，所选指标的针对性不强，既未能专门考虑研发人员的投入，也未能专门考虑适应金融科技发展需要的高端人才的投入。也可能说明目前商业银行的人力资本质量和结构还不足以适应金融科技时代的需要，成为溢出的制约因素。模型4里开放度指标的回归系数具有很好的显著性，溢出的边际贡献率达到0.003%，说明银行内部的金融创新能够较好地破除自身核心刚性的束缚，激发向外界学习的动力。金融业务越多元化、创新力度越大、心态越开放包容的银行，吸收能力越强，相应从外界得到正溢出的程度也越大。从模型5可看出，商业银行与金融科技公司之间的技术距离同样显著强化了金融创新的溢出效果，且对tfpch有0.0014%的边际贡献率。由于本文衡量的是商业银行与蚂蚁金服的研发产出占比，比值越大，意味着两者之间的技术差距越小。从而说明与外界先进技术差距越小的银行，越容易也越有能力吸收、消化和应用外在技术。综合来看，四个吸收变量的交互项系数绝对值从大到小依次是：rdr＞open＞hum＞tgap，说明银行自身研发强度不仅具有双重效应，还是提升溢出效果最为重要的单指标因素。

模型6通过构建吸收能力综合变量，检验了商业银行整体吸收能力对于金融创新技术溢出的总影响。结果发现综合吸收能力带来的技术溢出对tfpch的边际贡献率高达0.0821%，远高于任一吸收变量的边际贡献率，说明四个吸收要素的技术溢出效应存在相互增强机制。同时，这一贡献率甚至超过了银行自身研发投入对于tfpch 0.0625%的贡献度，与模型1的结论形成鲜明对比，再次印证了吸收能力对于接受外界技术溢出的重要性。