2024年9月，Finance Research Letters发表了“Financial technology, regional financial agglomeration, and urban economic resilience”一文，研究选取2012-2022年地级城市数据，考察了金融科技对城市经济韧性的影响，并探讨区域金融集聚程度可能的调节作用。研究结论表明，金融科技促进城市经济韧性的建立和提高；区域金融集聚程度越高，金融科技对城市经济韧性的促进作用越强。基于研究结论，建议发挥金融信息集聚的溢出效应，加快区域金融集聚的形成。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。
1.引言
金融科技在宏观和微观领域都发挥着非常重要的作用。随着全球经济增长放缓，金融科技成为打破僵局的替代方案。随着数字技术的快速发展和广泛应用，金融科技作为金融与大数据、人工智能等新兴技术结合的产物，是对传统金融业的颠覆性创新。与传统金融模式相比，金融科技可以利用区块链、分布式记账等技术采集海量数据，并借助机器算法、人工智能等技术对海量信息进行有效处理，使其得以转化。为城市经济发展转化有效信息，强化城市创新发展优势（Suyono等，2020）。
19世纪中叶，起源于物理学的韧性传播到经济领域，“韧性”一词现已在学术界得到广泛认可。它用于衡量经济体应对外部冲击的抵抗力、弹性和转型。城市作为复杂的社会系统，是恢复力的重要载体，需要具有反身性、适应性、鲁棒性、冗余性、灵活性和包容性的特征（Martin和Sunley，2015）。
如今，金融活动并没有明显表现出独立于地理空间发展的趋势，而是更加依赖于城市功能集聚（Espinoza等，2012）。随着金融与实体经济融合程度不断加深，金融活动和货币资金向发展水平更高、潜力更大的城市地区聚集。为了缓解地域市场运营成本高与金融专业知识提升之间的矛盾，金融管理机构更加注重区域内金融科技的协同发展，从而导致金融科技在区域内的形成空间区域聚集，最终演变成高端金融集聚，进而利用金融规模优势影响城市的功能配置和韧性城市的发展。
目前，这些关于城市韧性的研究主要集中在市场风险、城市经济、城市基础设施韧性等领域（Feng等，2023；Hallegatte，2014；Hill等，2008）。研究内容重点关注城市韧性演化过程、城市韧性评估与规划（Ribeiro等，2019）。没有很好地解释金融科技与城市经济韧性之间的影响机制。本研究重点解释金融科技对中国城市经济韧性的直接和间接影响，并检验区域金融集聚对金融科技与城市经济韧性相关性的调节作用。本研究认为，可能的创新之处在于，与以往的单一研究不同，文章认为金融科技存在一定程度的溢出效应，从而从经济维度探讨金融集聚的调节作用。
本研究认为当前研究的一个可能的缺点是，虽然较高水平的区域金融集聚对城市韧性的贡献更大，但金融科技对城市韧性的贡献更大。但对于不同区域之间的调节作用还没有进一步研究，文章认为未来的研究方向可以继续研究区域政策因素、金融因素和经济因素的调节作用，这将有利于后续的调整为了更好地促进经济绿色健康发展，针对研究中存在的不足，提出了金融科技政策的研究。
2.理论分析与假设
金融技术在时间和空间上具有异质性，极大地拉大了城市之间的技术差距（Benkraiem等，2022；Cerny，1994）。熊彼特在创新理论中提出，竞争程度较大的个体往往具有规模经济和垄断优势，能够持续产生利润，保证个体生产经营活动的开展而不受外部环境的限制。区域金融科技水平的提高使得城市形成规模优势，在城市抵御市场风险的阶段，可以增强城市经济的抗风险能力；在城市经济复苏阶段，可以促进积极韧性的提高；在城市创新发展阶段，能够实现基本韧性的保障。基于此，我们提出假设1：
假设1.金融科技可以增强城市经济韧性。
新经济地理学认为，金融科技信息作为公共信息，具有外部性特征，而“集聚与溢出”效应是这种外部性的直接体现。现有文献表明，金融科技信息的“集聚溢出”效应可以通过创新主体之间的知识流动和交流来实现（DeMarchi，2012）。此外，金融科技信息的“集聚溢出”效应具有明显的空间效应。新经济地理学理论指出，在空间结构机制下，由于区域和组织的接近，金融科技水平普遍从中部地区开始扩散，最终使得金融科技的发展。区域内技术信息存在空间自相关性，区域金融集聚形成的先后弱化程度（Benkraiem等，2022）。
从社会互动的角度来看，同一社会的不同地市之间会存在相互影响，这就是区域组群效应。区域组群效应指出，同一区域内地级城市面临相同的区域发展水平和相同的外部政策环境，因此目标城市会以同一区域的其他城市为参考调整自身的战略。因此，由于集群效应，地级城市的金融科技在一定程度上受到区域金融集聚程度的影响。区域金融集聚程度越高，目标城市金融科技越容易受到区域内其他城市金融科技的影响，城市经济韧性也越容易提高；而区域内金融集聚程度较弱，金融集聚溢出效应减弱，导致组群效应减弱，地级市科技金融水平受益。不足可能导致城市经济韧性减弱。基于此，我们提出假设2：
假设2.区域金融集聚对金融科技与城市经济韧性之间的相关性具有正向调节作用。
3.研究设计
3.1 样本选择与数据
我们的研究基于2012年至2022年中国A股上市公司的数据。选取272个城市的面板数据，共有2720个有效观察。数据主要来源于中国城市统计年鉴、各省统计年鉴、CECN数据库、各地经济社会发展统计公报，地级市相关经济指标数据来自CSMAR和CNRDS数据库。数据还进行了缩尾处理，以消除极值的影响。
但由于绿色技术创新存在一定的滞后性，研究时，2023年全国技术创新数据尚未全部发布，为了保证面板数据的平衡性和结果的稳健性，文章的数据节点选择为2012年至2022年期间。
3.1.1 变量
被解释变量：金融科技（FI）：本研究筛选地级城市金融科技企业数量，并以“地级城市金融科技企业数量+1”的对数作为金融科技的代理变量。对于金融科技公司的认定，我们参考宋敏，通过天元查网站搜索“金融科技”、“科学计算”、“数据科学”、“人工智能”等37个金融科技关键词，排序获取地级市所有相关企业工商注册信息。该指数越大，表明该地级市的金融科技水平越高。
解释变量：城市经济韧性（Res）：城市经济韧性不仅表现在城市应对外部风险冲击的能力，还体现在日常经济的发展和创新中，因此参照敏感性分析法构建城市经济韧性指标的公式（Martin等，2012）如下：
式中Yit分别表示地级市i在t年的GDP总值
调节变量：区域金融集聚（Rafi）：区域金融集聚响应金融监管机构、中介机构、境内外金融企业等在区域内形成的特殊产业空间组织结构。相关金融集聚衡量指标主要包括空间基尼系数、产业集中度、区位熵。考虑到数据获取的可实现性，研究以金融业相对地理密度为代理变量，通过区域熵计算金融集聚程度，计算公式如下：
式中，Savei,t和Ri,t分别表示地级市i在t年的财政总产值和土地面积；Saven,t和Rn,t分别表示t年全国的财政总产值和土地面积。该指数值越大，表明地级城市金融集聚程度越高。
模型中控制了影响城市韧性的其他因素：城市工业化水平（Ind）、政府监管程度（Gov）、居民消费指数（St）、外资水平（Fdi）、资本投资（Cap）、劳动力投入（Lap）、科技创新水平（Sci）。本研究变量的定义如表1所示。
3.2 模型设定
针对假设1，构建基准模型(3)来验证金融科技对城市经济韧性的影响：
针对假设2，为了验证区域金融集聚程度的调节作用，构建调节效应模型(4)：
Res表示地级城市i年的城市经济韧性；FI表示当年地级城市i的金融科技；FI*Rafi表示第t年地级城市i的城市金融科技与第t年地级城市金融集聚程度的叉乘项；Controls表示控制变量；Company和Year确定地区和年份；ε表示随机扰动项。
4.模型说明与方法论
4.1 描述性统计和相关性分析
表2为各变量的描述性统计结果，各变量之间存在显著差异，表明城市经济韧性与金融科技之间存在一定的不平衡。城市经济韧性中位数为0.085，表明一半以上城市经济韧性超过全国平均水平，全国城市经济韧性总体水平偏高；金融科技的最小值为2.026，最大值为6.136，表明全国范围内金融科技的偏差较小。
为了进一步检测变量间可能存在的多重共线性问题，对模型（1）进行解释变量和控制变量的方差膨胀因子（VIF）检验，检验各变量的VIF值均小于3，因此认为模型不存在严重的多重共线性问题。
4.2 估算方法的选择
检验样本数据是否存在横截面相关、序列相关和异方差问题，导致F检验结果不可靠。根据表3的结果，Frees检验的F值在10%水平上大于临界值，Wooldridge检验、Wald检验P值在1%水平上拒绝了原假设，因此不可能排除横截面相关问题、序列相关和异方差问题的存在。
考虑到样本数据存在上述三个问题，我们参考Hoechle的做法检验是否存在个体效应（Hoechle，2007），并构建辅助回归模型对所有解释变量进行联合显著性检验，F检验的结果在1%的水平上拒绝了原来的假设，说明模型存在个体效应，因此我们最终选择使用“面板校正标准误差”作为标准误差。最终选择“修正标准误差”固定效应模型，估计方法的结果如表3所示。
4.3 回归结果分析
4.3.1 基线回归结果分析分析
表4为金融科技对城市经济韧性影响的基准回归结果，第(1)列是仅加入金融科技水平的回归结果，可见FI系数为0.256，在1 %水平处显著，表明金融科技水平对城市经济韧性具有正向影响，地级城市金融科技水平的提高能够显著促进城市经济韧性的增长，金融科技的发展科技从多个维度助力地级城市经济发展。金融科技的发展可以帮助地级城市经济多维度发展，提高城市抵御金融风险的能力和创新水平，从而提高城市经济韧性。
第(2)列添加控制变量后，基准回归结果显示FI系数在1%水平下显著，即0.788，与第(1)列回归结果一致，假设1得到验证。从控制变量来看，城市工业化水平的提高有利于城市经济韧性的提高，这可能是由于第二产业比重的增加，可能使城市基础和经济水平得到提高。从而加快应对外部冲击和结构调整的速度，改善经济；政府控制程度的增加不利于城市经济韧性的发展，这可能是市场是资源配置的最优方式，政府干预可能过多。这可能是因为市场是资源配置的最优方式，政府干预过多可能会降低城市对市场风险的敏感度，导致经济难以及时复苏；此外，劳动力和资本投入的增加可以提高城市经济的韧性。
4.3.2 稳健性检查
1）内生性问题：内生性问题的产生是因为城市经济韧性与工业化和科技创新之间存在反向因果关系：工业化和科技创新程度较高的地级城市具有较高的风险承担水平和吸引力金融资本规模较大，金融科技水平相对较高（Faggian等，2018）。差分GMM是解决逆向因果问题常用的方法之一，研究中引入的工具变量是城市工业化水平与科技创新水平之间一年的滞后；当年的城市工业化水平和城市科技创新水平与下一年的城市韧性直接相关，但当年的城市经济韧性，与下一年的水平存在一年的滞后性。城市工业化和科技创新水平尚未产生，不会影响当年城市经济韧性水平。因此，该工具变量与解释变量高度相关，但与随机误差项不相关。回归结果如表5所示，估计显著性和系数方向与前期研究结果一致。此外，AR(2)的p值在10%显著性水平上接受了“模型中不存在序列相关”的原始假设，而Sargan值表明模型接受了“所有工具变量都是在10%显著水平下有效”。
2）变量替代：为保证测试结果不因代理变量设置的改变而改变，进一步采用北大数字普惠金融指数作为金融科技的代理变量并重新回归，结果如表5第(2)列所示，与表4的结果一致，说明结果具有一定的稳健性。
3）估计方法的替代：为了克服面板数据中的截面相关性、异方差性和序列相关性问题，面板数据中的异方差性和序列相关性采用Hoechle提出的“Driscoll-Kraay标准误”固定效应模型回归方法（Hoechle，2007）。回归结果如表5第(3)列所示，与表4的结果一致，结果具有一定的稳健性。
4.4 调节效应
表6为区域金融集聚程度调节作用的回归结果，第(1)列显示FI系数为0.859，在5%水平上显著，FI*Rafi系数为3.003，在1%水平上显著，说明区域金融集聚对金融科技与城市经济韧性之间存在显著的正向调节作用，假设2得到验证。由于城市金融具有一定的集聚和溢出效应，金融科技水平在一定程度上受到区域金融集聚程度的影响。区域金融集聚程度越高，由于组群效应，目标城市的金融科技增益越大，城市经济韧性越容易受到该城市金融科技的影响。而在金融集聚程度较弱的地区，金融溢出效应和组群效应减弱，可能会导致金融科技水平下降，从而导致城市韧性减弱。
5.结论与启示
城市是现代经济社会高质量发展的空间载体，城市经济韧性的建立和提高有赖于市场经济的有效配置以及与之协调的区域信息功能和服务体系的联动，从现代金融科技水平和区域金融集聚角度探讨的城市经济韧性尚未引起足够的重视（Akhtaruzzaman等，2021）。本研究基于中国272个城市的面板数据，试图解释金融科技和区域金融集聚对城市经济韧性的影响，回归结果支持金融科技水平的提高有助于城市经济韧性的提高。地级城市的金融技术在受益于区域金融集聚程度较高时对城市经济韧性的影响更大。
根据结论，我们提出以下建议。加快金融科技创新应用，提升城市经济发展。加强金融科技信息基础设施建设。金融科技水平的集聚和溢出效应离不开金融信息的流动，信息基础设施使信息资源要素在区域间流动和共享，促进城市流动的同时提升金融科技水平。要加强信息基础设施建设并推动其向金融集聚边缘薄弱地区延伸，着力发挥信息化作用，赋能实现城市经济韧性的共同提升。
……
获取完整文章
请后台回复“240916”
获取下载链接
END
