金融科技的发展如何影响技术进步？一个理论框架及实证证据

《Financial Innovation》：How does FinTech development impact technological progress? A theoretical framework and empirical evidence

　　摘要
目的
金融在技术进步中的关键作用已经得到了充分的认可，然而，关于金融科技发展（作为金融行业的新组成部分）如何影响技术进步的理论解释仍然较为匮乏。本研究旨在通过构建一个新颖的理论框架来填补这一空白，该框架能够解释金融科技公司的发展，特别是它们与传统金融中介之间的互动，对技术进步的影响。

设计/方法/途径
我们发展了一个内生增长模型，在该模型中，技术进步是内生的，并且金融部门被划分为金融科技公司和传统金融中介。该模型有两个新颖的特点：（i）一个扩展的物理资本积累方程，用于捕捉两个金融子部门不同的储蓄-投资转化效率；（ii）一个借鉴自Krugman（《政治经济学杂志》87:253-266, 1979；https://doi.org/10.1086/260755）和Grossman与Helpman（《经济学杂志》101:1214–1229, 1991；https://doi.org/10.2307/2234437）的互动框架，以模拟两个金融子部门之间的动态相互作用。在这个框架下，我们得出了三个可进行实证检验的命题。然后，我们使用中国的数据，通过面板数据模型、中介效应模型和差异GMM来检验这些命题。

发现
（i）金融科技公司可以促进传统金融中介的发展，从而间接推动技术进步；然而，（ii）两个金融子部门之间的效率差距对技术进步产生拖累。效率差距越大，负面影响越显著；因此，两个金融子部门之间的协同互动有利于技术进步。
（iii）金融科技公司可以通过人力资本和物理资本积累来促进技术进步。

实际意义
政策制定者应对金融科技公司采取积极包容的态度，并促进金融科技公司与传统金融中介之间的合作。监管机构应实施措施，以促进知识转移并加快传统金融中介对金融科技创新的采纳。这包括创建技术共享平台并提供现代化努力的激励措施。此外，鼓励传统银行为科技企业开发专门的金融产品也很重要。

原创性/价值
本文为金融科技在技术进步中的作用提供了新的见解。首先，它通过将金融科技作为一个独立的金融部门并将其与传统金融中介的互动纳入分析，扩展了现有的金融-技术进步关系的理论文献。其次，这些发现为现有研究金融科技对企业层面技术进步影响的实证研究提供了坚实的理论基础。

引言
由于金融科技革命，金融科技公司（以下简称“FinTechs”）正进入金融市场，逐渐占据市场份额，并吸引了原本由传统金融机构服务的客户，与传统金融机构形成了激烈的竞争关系，同时展现出强大的技术实力（Gomber等人，2017；Milian等人，2019）。金融科技公司能够直接向公众提供金融服务，因此成为金融行业的新组成部分（Giuseppe等人，2019；Anagnostopoulos，2018；Thakor，2020）以及一种新的金融中介形式（Cornelli等人，2023；Lagna和Ravishankar，2022；Rapih等人，2023）。因此，金融科技公司的崛起表明，金融服务的提供不再仅仅依赖于传统金融机构（Arner等人，2016）。它们与传统中介（即银行）进行了从竞争到合作的动态互动。这一演变使金融科技成为金融发展的一个新兴维度，并成为金融生态系统日益重要的组成部分（Ding等人，2022）。

许多研究强调了金融发展在促进技术进步中的关键作用（Hicks，1969；King和Levine，1993；Chemmanur等人，2011；Morales，2003；Levine，2005；Bravo-Biosca，2007；Laeven等人，2015；Hsu等人，2014；Bucci和Marsiglio，2019；Ding等人，2022），因为金融活动可以通过为长期创新项目提供外部资金（Jalil等人，2024）、高效分配资本到高风险高回报的技术项目中（Hall和Lerner，2010；Madsen和Ang，2016；Hsu等人，2014）以及加强投资监测和风险缓解（Madsen和Ang，2016；Heil，2018）来促进技术进步。此外，它们还提供了风险分散和保险机制，进一步支持创新（Fuente和Marin，1996；Madsen和Ang，2016；Heil，2018）。由于金融科技已成为金融发展的一个新兴维度和新形式的金融中介，探讨金融科技发展是否会影响技术进步是一个有趣的问题。

最近的实证研究证实，金融科技的发展通过缓解融资约束增强了企业的技术创新或全要素生产率（Tang等人，2020；Song等人，2021；Ding等人，2022；Abbasi和Alam，2021；Li等人，2025）。然而，这些现有研究存在两个明显的局限性。首先，它们未能提供关于金融科技发展——特别是其与传统金融中介的互动——如何影响技术进步的理论解释。其次，尽管这些研究主要将金融科技的影响归因于融资约束渠道，但它们可能忽略了其他潜在机制，因为技术进步涉及许多因素，可能受到除融资之外的多种因素的影响。

本研究旨在通过构建一个新颖的理论框架来阐明金融科技发展对技术进步的影响，从而弥补这一理论空白。我们的方法结合了新的金融科技范式的见解与现有的“金融-技术进步”关系的理论。这一理论基础建立在大量研究金融-技术进步关系的内生增长文献之上，包括Greenwood和Jovanovic（1990）、Saint-Paul（1992）、Pagano（1993）、King和Levine（1993）、Bresnahan和Trajtenberg（1995）、Fuente和Martin（1996）、Greenwood和Smith（1997）、Aghion和Howitt（2009）、Greenwood等人（2010）、Laeven等人（2015）以及Bucci和Marsiglio（2019）的研究。这些基础理论确立了金融中介在技术进步中的三个关键作用：（i）将资源从储蓄者引导到投资者；（ii）提供风险汇集机制；（iii）生成和处理借款人信息。通过这些渠道，金融部门的发展使企业能够采用更高风险、更高生产效率的技术。然而，尽管这些理论模型为传统金融系统提供了有力的解释，但它们未能解释金融科技作为独立金融中介类别的颠覆性作用。因此，现有理论仍不足以解释数字化时代金融科技驱动的金融发展如何影响技术进步。

在Bucci和Marsiglio（2019）的基础工作基础上，本研究发展了一个扩展的多部门内生增长模型，明确纳入了金融部门的异质性。我们的框架将经济划分为五个不同的部门：生产、研发（模拟技术创新）、双结构金融部门（分为金融科技公司和传统金融中介）、家庭和人力资本发展。这种方法使我们能够从理论角度分析金融科技发展如何通过多种传导渠道影响技术进步。我们在Bucci和Marsiglio（2019）的框架中引入了两项关键创新。首先，为了适应金融科技公司和传统金融中介的作用，我们的模型中的物理资本演变方程扩展了Pagano（1993）的模型，考虑了金融科技公司和传统金融中介的储蓄-投资转化效率。其次，为了探讨金融科技公司与传统金融中介的互动如何影响技术进步，并捕捉金融科技公司的领先技术优势这一显著特征，我们引入了Krugman（1979）和Grossman与Helpman（1991）的模型来描述两个金融子部门之间的互动。这些扩展使我们能够捕捉到金融科技公司的独特特征及其与传统金融机构相比在技术进步方面的差异性影响。

因此，本研究通过修改Pagano（1993）的物理资本演变方程来考虑金融中介的异质性，从而扩展了Bucci和Marsiglio（2019）的框架。其次，我们引入了“南-北”模型（Krugman，1979；Grossman和Helpman，1991）来描述金融科技公司与传统金融中介之间的动态互动。在这个扩展的理论框架下，我们得出了三个可进行实证检验的命题：（i）金融科技发展对技术进步既有直接的正效应，也有通过促进传统金融中介发展产生的间接正效应。（ii）然而，两个金融子部门之间的效率差距对技术进步产生拖累。效率差距越大，负面影响越显著。因此，两个金融子部门之间的协同互动有利于技术进步。（iii）金融科技公司可以通过人力资本和物理资本积累来促进技术进步。

尽管本研究的主要贡献在于其理论框架，但我们使用中国数据对命题进行了实证验证。我们的分析得出了三个关键发现，这些发现支持了理论预测：（i）回归结果表明，金融科技发展对技术进步既有直接的正效应（在1%的水平上显著），也有通过传统金融发展的间接正效应（在1%的水平上显著）。稳健性检验确认了这些发现在不同设定下的稳定性。区域异质性分析显示，从中国东部到西部的边际效应逐渐减弱，尽管各子样本之间的核心关系保持一致。（ii）金融科技与传统金融之间的中介和调节效应模型表明，这两个金融子部门既竞争又相互支持。此外，变异系数面板数据模型表明，目前在中国大多数省份，金融科技与传统金融之间的互动尚未协调，且金融科技发展在短期内对传统金融具有强烈的替代效应。因此，两个金融子部门之间的效率差距对技术进步产生负面影响，效率差距越大，负面影响越显著。因此，两个金融子部门之间的协同互动有利于技术进步。（iii）金融科技对技术进步的影响中有89.49%是通过人力资本积累实现的（在1%的水平上显著）。在全国范围内，物理资本积累没有显著的中介效应。然而，区域分析显示在中国中部和西部，物理资本具有显著效应，这突显了金融科技在技能偏向技术变革中的作用，并表明实证结果与理论模型的一致性。

本研究在三个方面为相关文献做出了贡献。首先，我们的研究为现有的关于“金融科技-技术进步”关系的实证发现提供了重要的理论基础（Tang等人，2020；Song等人，2021；Ding等人，2022；Abbasi和Alam，2021；Li和Wang，2024；Li等人，2025）。通过引入两项关键创新来扩展Bucci和Marsiglio（2019）的内生增长框架——（i）修改Pagano（1993）的资本积累方程；（ii）整合Krugman（1979）以及Grossman和Helpman（1991）的模型——我们实现了双重目标：首先，我们保留了古典理论中建立起来的金融中介的基本经济功能；其次，我们成功地捕捉到了FinTech公司的独特技术优势。在这个框架下，我们讨论了FinTech在技术进步中的作用，并从宏观角度证实了实证研究的发现，即FinTech的发展可以促进技术创新，从而为这一实证研究领域提供了理论支持。此外，尽管先前的实证研究主要强调缓解金融约束是主要机制（Tang等人2020；Song等人2021；Ding等人2022；Abbasi和Alam 2021；Li和Wang 2024；Li等人2025），但我们的理论模型揭示了额外的传导渠道：人力资本积累（中介效应显著，为89.49%）和物质资本积累（特别是在中部和西部地区）。这是因为技术进步往往与人力和物质资本相关，而金融可以促进物质资本（Rioja和Valev 2004；Jerzmanowski 2017）和人力资本（Levine 1991；De Gregorio和Se-Jik Kim 2000）的积累。另一个重要原因是，我们的模型是在内生增长模型的背景下进行分析的，在这些模型中，人力资本和物质资本是最重要的投入要素。因此，我们的论文为FinTech发展与技术进步之间的关系提供了新的见解，从而补充了这一实证研究领域。第三，本研究为金融-技术进步关系的理论文献做出了贡献（Saint-Paul 1992；Pagano 1993；Fuente和Martin 1996；Laeven等人2015；Bucci和Marsiglio 2019）。我们将Krugman（1979）和Grossman以及Helpman（1991）的理论模型整合到一个增强了FinTech功能的内生增长模型中。这种理论整合使我们能够模拟FinTech公司与传统中介机构之间的动态互动，捕捉FinTech技术优势的溢出效应，并分析这些互动如何最终塑造创新成果。在这个框架下，我们发现FinTech可以增强传统金融发展，从而促进技术进步。然而，这两个金融子行业之间的效率差距会对技术进步产生负面影响，效率差距越大，负面影响越明显。因此，它们之间的协同互动对技术进步至关重要。这些发现填补了关于FinTech与传统金融中介机构互动如何影响技术进步的研究空白，从而扩展了这一理论文献。

本文的其余部分安排如下。“文献综述”部分介绍了相关的学术研究。“理论分析”部分阐述了理论分析，包括模型的基本结构、动态优化和可检验的命题。“方法论与数据”部分介绍了方法论和数据，包括计量经济模型、变量和数据。“实证结果与讨论”部分考察了实证结果，并通过中国的数据评估了这三个命题的实证证据。“结论与政策含义”部分提出了结论和一些重要的政策建议，以及本研究的局限性和对未来研究的建议。

**文献综述**
FinTech作为金融行业的一个新组成部分和金融发展的一个独特维度，其增强创新的效果引起了越来越多的学术兴趣。大量的实证研究表明，FinTech的发展对技术进步有积极影响（Ding等人2022；Song等人2021；Tang等人2020；Abbasi和Alam 2021；Li和Wang 2024）。这些文献确定了FinTech促进技术进步的主要机制：缓解金融约束。Ding等人（2022）利用中国城市级别的FinTech指数报告指出，FinTech的发展激励了企业的技术创新，因为FinTech产品如点对点借贷、众筹和互联网财富管理产品能够汇集闲置资本用于投资初创企业。Abbasi和Alam（2021）利用来自22个OECD国家（2011-2018年）的1,617家中小企业的跨国数据表明，FinTech与中小企业的效率正相关。Li和Wang（2024）也基于中国上市公司（2010-2019年）的数据 arguing that 区域FinTech的发展通过缓解融资约束促进了企业创新。同样，Tang等人（2020）、Song等人（2021）和Li和Wang（2024）也证实了这些发现。这些一致的证据表明FinTech是技术进步的重要推动者，但同时出现了三个关键观察结果：（i）现有的关于FinTech发展与技术进步的研究主要采用实证方法，普遍缺乏对FinTech如何影响技术进步的坚实理论解释。特别是理论建模仍然不足，导致对理论框架的理解存在空白。（ii）实证研究将缓解融资约束确定为FinTech促进技术进步的主要渠道。然而，技术进步与人力资本和物质资本的积累密切相关（Bresnahan和Trajtenberg 1995；Helpman 1998）。鉴于金融发展已被证明可以促进物质资本（Rioja和Valev 2004；Jerzmanowski 2017）和人力资本积累（Levine 1991；De Gregorio和Kim 2000），当前的实证研究可能忽视了这些关键机制。（iii）FinTech的进入引入了合作或激烈竞争——甚至是颠覆性影响（Fuster等人2019；Tang 2019）——然而这种竞争或合作对技术进步的影响尚未得到充分探究。文献尚未充分考察FinTech公司与传统金融中介机构之间的互动如何影响技术进步。

**金融发展与技术进步的关系**
金融在技术进步过程中的重要性可以追溯到Schumpeter的早期工作，他认为金融市场的发展对一个国家的创新至关重要。这一基础性的见解催生了大量理论文献，研究金融-技术进步的关系。自20世纪90年代以来，许多理论研究都在内生增长模型的背景下进行了分析，例如Saint-Paul（1992）、Pagano（1993）、King和Levine（1993）、Morales（2003）、Levine（2005）、Bravo-Biosca（2007）以及Bucci和Marsiglio（2019）。Saint-Paul（1992）通过的形式化金融市场如何促进技术专业化，发展了Romer（1986）和Diamond（1984）的框架。他的模型表明，在缺乏发达金融市场的情况下，经济主体因未缓解的风险暴露而无法采用不太专业和技术效率较低的技术。这一理论命题有助于解释为什么金融不发达的经济体往往表现出技术停滞。在AK增长模型的基础上，Pagano（1993）引入了金融中介机构作为生产性风险承担的催化剂。他的框架展示了中介机构如何通过汇集机制克服个人风险厌恶，使得投资于高风险、高回报的技术成为可能，并通过专业筛选提高分配效率。Fuente和Martin（1996）扩展了内生增长模型，明确将金融中介在将资源引导至创新但风险较高的项目中的作用纳入其中，提供风险汇集服务，降低了研发投资的实际成本，并通过改善资本分配加速了知识生产。这些关于“金融-技术进步”关系的研究在基于研发的内生增长模型的背景下进行了分析，突显了金融在促进创意产出中的重要作用。

理论增长文献的最新发展继续强调金融在解释创新增长中的重要性。在Aghion等人（2005）、Aghion和Howitt（2009）、Ang（2014）以及Laeven等人（2015）开发的模型中，分析了金融与技术之间的关系，这些模型在基于创新的增长框架下进行分析。这些模型预测，金融发展可以减轻储蓄者和企业之间的信息不对称性，并识别出最有可能成功启动新商品和生产过程的企业家，从而使得采用新的、信息不透明的技术成为可能，提高技术创新率。例如，Laeven等人（2015）开发了一个基于创新的增长模型，其中包括金融家的作用，并预测成功的技术创新通常需要新的金融安排。最近，Bucci和Marsiglio（2019）构建了一个扩展的Uzawa-Lucas（1988）内生增长模型，将金融中介纳入其中，揭示了金融发展加速技术进步，并且这种进步诱导了更快的人力资本折旧率，形成了金融深化与技能提升之间的良性循环。他们的模型阐明了金融系统与人力资本积累在创新过程中的动态互动。

我们对金融发展-技术进步关系的文献回顾揭示了两个重要的理论局限性：（i）尽管现有的理论研究有效地扩展了内生增长模型，以纳入传统的金融参与者——包括市场、中介和金融机构——但这些框架明显忽略了FinTech创新。这种遗漏使得该领域缺乏一个坚实的理论框架来解释当代FinTech发展如何推动技术进步。（ii）当前的理论范式未能讨论一个关键维度：新兴FinTech公司与现有金融机构之间的竞争性和互补性互动如何共同影响技术进步。鉴于这种互动在重塑创新生态系统中的潜在变革力，这代表了一个理解上的重大空白。总之，无论是实证还是理论文献，都未能提供一个全面的理论框架来解释FinTech发展——作为金融行业的新组成部分和金融发展的一个新兴维度——如何影响技术进步。这一空白在理解FinTech公司与传统金融中介机构之间的动态互动如何塑造技术进步方面尤为明显。鉴于FinTech已经确立为金融行业的一个不可或缺的部分（Giuseppe等人2019；Anagnostopoulos 2018），并且代表了金融中介的一种新形式（Cornelli等人2023；Lagna和Ravishankar 2022；Rapih等人2023），迫切需要将这一新现象与已建立的金融-技术理论联系起来。为了填补这一空白，我们的研究基于Bucci和Marsiglio（2019）的理论框架，研究了FinTech发展在宏观经济层面上的技术进步影响。

**理论分析**
我们提出了一个扩展了FinTech功能的内生增长模型，通过扩展Bucci和Marsiglio（2019）的近期理论工作来实现内生技术进步。该模型的创新包括：（i）将金融部门划分为传统金融中介和FinTech公司；因此，我们扩展了Pagano（1993）的物质资本演化方程，以考虑FinTech公司从储蓄到投资的转化效率以及传统金融中介的转化效率；（ii）我们引入了Krugman（1979）和Grossman及Helpman（1991）中的“南-北”模型来解释FinTech公司与传统金融中介机构之间的互动。在这部分，我们首先阐述了关于生产部门、研发、金融、家庭和人力资本的假设，说明了我们为什么以及如何扩展Pagano（1993）的物质资本演化方程，并引入Krugman（1979）和Grossman及Helpman（1991）的模型。然后我们对模型进行了动态优化，得到了各行业的稳态增长率。根据模型的解，我们得到了三个可检验的命题。

**模型的基本结构**
正如Romer（1986）、Lucas（1988）和Bucci等人（2020）所假设的，我们假设经济由许多相似的家庭组成，这些家庭希望通过最优消费水平来最大化他们未来效用的现值。因此，代表性家庭的效用函数如下：$$${\text{U}} = \mathop \smallint \limits_{0}^{\infty } u\left[ {c\left( t \right)} \right]e^{ - \rho t} dt, \rho > 0$$ （1）其中\(c\left(t\right)\)是代表性家庭在时期t的消费；\(\rho\)是折现率，较小的\(\rho\)值表明家庭倾向于在未来消费，未来消费带来的效用高于当前水平；\(u\left(\cdot \right)\)表示效用函数，代表每个家庭在时期t的消费效用；\(u\left( \cdot \right)\)是CRRA（常数相对风险厌恶）效用函数：$$u\left[c\left(t\right)\right]=\frac{{c}_{t}^{1-\theta }-1}{1-\theta } , \theta >0$$ （2）其中\(\theta = \frac{{ - cU^{\prime \prime } \left( c \right)}}{{U^{\prime } \left( c \right)}}\)是CRRA系数，替代弹性是常数\({1 \mathord{\left/ {\vphantom {1 \theta }} \right. \kern-\nulldelimiterspace} \theta }\)。因此，代表性家庭的效用函数如下：$$\text{U}={\int }_{0}^{\infty }\frac{{c}_{t}^{1-\theta }-1}{1-\theta }{e}^{-\rho t}dt, \rho >0$$ (3) 生产根据Romer (1986)、Lucas (1988)、Ang (2011)以及Bucci和Marsiglio (2019)的研究，我们假设许多同质的制造商在市场上生产相同的产品，代表性制造商的生产函数是Cobb–Douglas生产函数，第t期的总社会产出如下：$$\text{Y}\left(t\right)={A(t)}^{\alpha }{K\left(t\right)}^{\beta }{\left({\mu }_{Y,t}\cdot H\left(t\right)\right)}^{\gamma }$$ (4) 其中A (t)代表技术进步；K (t)是实物资本存量；H(t)是人力资本存量；\({\mu }_{Y,t}\)表示在生产部门就业的劳动力占所有员工的比例；\(0<{\mu }_{Y,t}<1\)，而\(\alpha ,\beta ,\gamma\)分别代表技术、实物资本和人力资本对生产的贡献份额；并且 \(0<\alpha ,\beta ,\gamma <1\)。假设总社会产出Y分为消费C和储蓄S；即，Y?=?C?+?S。为了分析的简便，假设总社会劳动力\(L\left(t\right)=1\)，因此总社会消费\(C\left(t\right)=c\left(t\right)\cdot L\left(t\right)=c\left(t\right)\)。所有储蓄都来自家庭，金融中介在将储蓄转化为市场经济中的投资方面起着关键作用。Pagano (1993)指出，金融中介在将储蓄转化为投资的过程中会吸收资源，因此家庭储蓄每一美元所产生的投资价值小于一美元。储蓄的一部分在金融中介过程中“流失”，这部分主要流向银行，作为贷款利率和借款利率之间的差额。这一比例代表了储蓄转化为投资的转换效率。由于整个金融部门分为FinTech公司和传统金融中介，两者都对金融部门将储蓄转化为投资的整体效率有影响。Pagano (1993)的实物资本演变方程为$$K_{t + 1} - K_{t} = \emptyset S - \delta_{1} K_{t} ,{ }0 < \emptyset < 1,0 < \delta_{1} < 1$$，其中\({K}_{t}\)是第t期的实物资本；\(S\)是家庭的总储蓄；\(\emptyset\)比例的储蓄被转化为投资，这也代表了储蓄转化为投资的转换效率；\[1 - \emptyset\]比例的储蓄在金融中介过程中流失；\({\delta }_{1}\)是实物资本的折旧率；且\({0<\delta }_{1}<1\)。随着FinTech公司的迅速发展，它们现在提供了更广泛的金融服务，成为一种新的金融中介形式（Cornelli等人2023年；Lagna和Ravishankar 2022年；Rapih等人2023年），它们连接借款人和贷款人，并将储蓄转化为投资。我们通过考虑FinTech公司的储蓄-投资转换效率来扩展Pagano (1993)的实物资本演变方程。也就是说，金融部门将储蓄转化为投资的总体效率受到传统金融中介和FinTech公司的共同影响，因为我们假设金融部门进一步分为FinTech和传统金融两个子部门。第t期的扩展实物资本演变方程如下：$$\dot{K}\left(t\right)={{B}_{t}}^{\varphi }{{R}_{t}}^{1-\varphi }S-{\delta }_{1}K\left(t\right)={{B}_{t}}^{\varphi }{{R}_{t}}^{1-\varphi }\left({A(t)}^{\alpha }{K\left(t\right)}^{\beta }{\left({\mu }_{Y,t}\cdot H\left(t\right)\right)}^{\gamma }-c\left(t\right)\right)-{\delta }_{1}K\left(t\right)$$ (5) 其中\(\dot{K}\left(t\right)\)是实物资本的演变，\({B}_{t},{R}_{t}\)分别代表传统金融中介和FinTech公司将储蓄转化为投资的转换效率。\(\varphi\)代表传统金融中介对整个金融部门将储蓄转化为投资的总效率的贡献份额。研发部门在我们的模型中，技术生产是内生的。因此，引入研发（或R&D）部门来模拟新技术的生产。研发部门与人力资本存量和研发部门的原始技术水平密切相关（Aghion和Howitt 1992）。因此，我们扩展了Aghion和Howitt (1992)的研发方程，并设定第t期研发部门的演变方程如下：$$\dot{A}\left( t \right) = \mathcalligra{x}\left( {\mu_{A,t} \cdot H\left( t \right)} \right)^{\tau } A\left( t \right)^{\varepsilon } R_{t}^{\nu }$$ (6) 其中\(\mathcalligra{x}\)是常数参数（未包含在最终解中），\({\mu }_{A,t}\)表示研发部门员工在所有员工中的比例，\(\tau ,\varepsilon ,\nu\)是参数（大于零且小于一），分别代表人力资本、研发部门的技术水平以及FinTech公司对新技术生产\(\dot{A}\left(t\right)\)的弹性。\({{R}_{t}}^{\nu }\)显示了FinTech公司在研发部门中的作用，因为当前FinTech革命的一个显著特点是新兴企业甚至大型企业进入金融市场（Milian等人2019年）。这些FinTech公司大多以技术为导向（Drasch等人2018年）；因此，当它们吸收社会资本时，会在研发上大量投资。为了探索FinTech公司与传统金融中介的互动如何影响技术进步，捕捉FinTech公司在技术上的领先优势这一显著特征，我们引入了Krugman (1979)和Grossman与Helpman (1991)的模型来描述这两个金融子部门如何互动。Krugman (1979)和Grossman与Helpman (1991)的模型表明世界由两个区域“北方”和“南方”组成。新技术在中国北方开发，而南方的技术改进则是通过学习北方的技术来实现的。大量证据表明，FinTech公司在将储蓄转化为投资方面比传统银行更有效。首先，FinTech信贷比传统银行业更高效。这种由在线平台而非传统银行或贷款公司提供的信贷被称为“基于债务的替代金融”或“FinTech贷款”（Cornelli等人2023年）。Fuster等人（2019年）报告称，FinTech贷款机构处理申请的速度大约比其他贷款机构快20%。更快的处理速度并不会导致更高的违约率。FinTech贷款机构对外部抵押贷款需求冲击的响应更为灵活，从而减轻了与传统抵押贷款相关的能力限制。此外，在FinTech贷款更普遍的地区，借款人更频繁地进行再融资。在Lending Club，运营成本占未偿还贷款的比例为2.7%，而银行这一比例为7%。因此，普遍认为传统银行的运营成本高于FinTech贷款机构（Thakor 2020年）。第二个事实是FinTech公司缺乏监管（Arner等人2016年；Chen 2016年；Stern等人2017年）。与传统银行不同，FinTech公司不受严格监管，也不受存款准备金要求等监管机构的影响。因此，FinTech公司存在监管套利（Buchak等人2018年），FinTech公司的监管负担明显低于银行（Thakor 2020年）。因此，FinTech公司可以调动更多的金融资源用于投资。第三个事实是，各种类型的FinTech公司可以通过消除诸如缺乏信用记录和会计数据、财务或商业能力、市场准入（电子商务、供应链、市场数据和定价）以及传统抵押品等障碍，来提高中小微企业的融资渠道（IMF 2019年）。此外，FinTech公司还可以为中小微企业提供专业化的基于云的业务服务，降低成本（IMF 2020年）。因此，FinTech公司可以加速从储蓄中产生的投资。因此，我们假设FinTech公司在将储蓄转化为投资方面的效率（由\({R}_{t}\)表示）高于传统银行（由\({B}_{t}\)表示）；即\({R}_{t}>{B}_{t}\)。在这种情况下，FinTech子部门类似于技术先进的“北方”地区，而传统金融子部门则类似于需要从FinTech子部门学习并采纳先进技术的“南方”地区。我们采用这一框架，并建立了两个金融子部门的演变方程。FinTech公司的演变方程如下：$$\dot{R}_{t} = \textsc{m}\left( {\mu_{R,t} \cdot H\left( t \right)} \right)^{\pi } R_{t}^{w}$$ (7) 其中\({\mu }_{R,t}\)表示FinTech公司员工在所有员工中的比例，\(\textsc{m}\)是常数参数，\(\pi ,w\)代表人力资本和技术水平对\(\dot{R}\left(t\right)\)的弹性。然后，根据Krugman (1979)和Grossman与Helpman (1991)中“南方”的情况，我们建立了传统金融中介的演变方程如下：$$\dot{{B}_{t}}=\upeta {\left({\mu }_{B,t}\cdot H\left(t\right)\right)}^{\xi }{\left({R}_{t}-{B}_{t}\right)}^{\Psi }, {R}_{t}>{B}_{t}$$ (8) 其中\({\mu }_{B,t}\)表示传统金融中介员工在所有员工中的比例；\(\upeta\)是常数参数；\(\xi\)代表人力资本对\(\dot{{B}_{t}\)的弹性；\(\Psi\)显示了传统金融中介从FinTech公司那里获得的“学习效应”或FinTech公司对传统金融中介的“技术溢出效应”。因此，我们的论文发展了一个内生增长模型，并通过考虑FinTech公司的储蓄-投资转换效率以及引入Krugman (1979)和Grossman与Helpman (1991)的“南方-北方”模型来解释两个金融子部门的互动，从而扩展了Pagano (1993)的实物资本演变方程。它通过整合现有理论中嵌入的金融中介的经济函数，并同时捕捉FinTech公司在技术上的领先优势这一显著特征，实现了理论上的进步。人力资本部门如Lucas (1988)所述，人力资本的演变方程如下：$$\dot{H}\left( t \right) = \Phi \left( {1 - \mu_{Y,t} - \mu_{A,t} - \mu_{R,t} - \mu_{B,t} } \right)H\left( t \right) - \delta_{2} H\left( t \right)$$ (9) 其中\(\left( {1 - \mu_{Y,t} - \mu_{A,t} - \mu_{R,t} - \mu_{B,t} } \right)\)是人力资本部门员工在所有员工中的比例，\(\Phi > 0\)是常数参数，\({0<\delta }_{2}<1\)表示人力资本存量的折旧率。动态优化和可测试命题根据这一假设，涵盖生产、FinTech、传统金融、家庭、研发和人力资本部门的上述多部门内生增长模型的动态优化可以通过以下系统解决：$$\underset{\phantom{i}}{\text{max}}{\int }_{0}^{\infty }\frac{{c(t)}^{1-\theta }-1}{1-\theta }\cdot {e}^{-\rho t}dt$$ (10) 条件：$$\dot{K}\left(t\right)={{B}_{t}}^{\varphi }{{R}_{t}}^{1-\varphi }\left({A(t)}^{\alpha }{K\left(t\right)}^{\beta }{\left({\mu }_{Y,t}\cdot H\left(t\right)\right)}^{\gamma }-c\left(t\right)\right)-{\delta }_{1}K\left(t\right)$$ (10a) $$\dot{A}\left( t \right) = \mathcalligra{x}\left( {\mu_{A,t} \cdot H\left( t \right)} \right)^{\tau } A\left( t \right)^{\varepsilon } R_{t}^{\nu }$$ (10b) $$\dot{R}_{t} = \textsc{m}\left( {\mu_{R,t} \cdot H\left( t \right)} \right)^{\pi } R_{t}^{w}$$ (10c) $$\dot{{B}_{t}}=\upeta {\left({\mu }_{B,t}\cdot H\left(t\right)\right)}^{\xi }{\left({R}_{t}-{B}_{t}\right)}^{\Psi }$$ (10d) $$\dot{H}\left( t \right) = \Phi \left( {1 - \mu_{Y,t} - \mu_{A,t} - \mu_{R,t} - \mu_{B,t} } \right)H\left( t \right) - \delta_{2} H\left( t \right)$$ (10e) 其中\(c, {\mu }_{Y,t}, {\mu }_{A,t}, {\mu }_{R,t}, {\mu }_{B,t}\)是控制变量，\(H, B, R, A, K\)是状态变量。这种内生增长模型的创新之处在于：(i) 金融部门被划分为传统金融中介和金融科技企业；金融科技企业将储蓄转化为投资的效率（\(R_t\)）以及传统金融中介的效率（\(B_t\)）被纳入了实物资本演化方程中，并且 \(R_t > B_t\)（见方程（10a））；(ii) 根据克鲁格曼（1979年）和格罗斯曼与赫普曼（1991年）的“南北”模型，金融科技企业和传统金融中介的演化方程被分别建立为方程（10c）和（10d）。上述模型的动态优化可以通过以下哈密顿函数 \(F(\cdot)\) 来解决：

$$
\begin{aligned}
{\text{F}}\left( {c,H,B,R,A,K,\mu _{{Y,t}} ,\mu _{{A,t}} ,\mu _{{R,t}} ,\mu _{{B,t}} } \right)
& = \frac{{c\left( t \right)^{{1 - \theta }} - 1}}{{1 - \theta }} \cdot e^{{ - \rho t}} \\
& \quad + \lambda _{{1,t}} \left( {B_{t} ^{\varphi } R_{t} ^{{1 - \varphi }} \left( {A\left( t \right)^{\alpha } K\left( t \right)^{\beta } \left( {\mu _{{Y,t}} \cdot H\left( t \right)} \right)^{\gamma } - c\left( t \right)} \right) - \delta _{1} K\left( t \right)} \\
& \quad + \lambda _{{2,t}} \left( {\mathcalligra{x}\left( {\mu _{{A,t}} \cdot H\left( t \right)} \right)^{\tau } A\left( t \right)^{\varepsilon } R_{t} ^{\nu } } \right) + \lambda _{{3,t}} \left( {\eta \left( {\mu _{{B,t}} \cdot H\left( t \right)} \right)^{\xi } \left( {R_{t} - B_{t} } \right)^{\Psi } } \\
& \quad + \lambda _{{4,t}} \left( {\textsc{m}\left( {\mu _{{R,t}} \cdot H\left( t \right)} \right)^{\pi } R_{t} ^{w} } \right) + \lambda _{{5,t}} \left( {\Phi \left( {1 - \mu _{{Y,t}} - \mu _{{A,t}} - \mu _{{R,t}} - \mu _{{B,t}} } \right)H\left( t \right) - \delta _{2} H\left( t \right)} \\
\end{aligned}
$$

其中 \(\lambda_{1,t},\lambda_{2,t},\lambda_{3,t},\lambda_{4,t},\lambda_{5,t}\) 是哈密顿乘数，需要满足以下条件：
$$
\underset{t\to \infty }{\text{lim}}{\lambda }_{1,t}K\left(t\right)=0 \quad (12a) \\
\underset{t\to \infty }{\text{lim}}{\lambda }_{2,t}A\left(t\right)=0 \quad (12b) \\
\underset{t\to \infty }{\text{lim}}{\lambda }_{3,t}B\left(t\right)=0 \quad (12c) \\
\underset{t\to \infty }{\text{lim}}{\lambda }_{4,t}R\left(t\right)=0 \quad (12d) \\
\underset{t\to \infty }{\text{lim}}{\lambda }_{5,t}H\left(t\right)=0 \quad (12e)
$$

根据方程（10a）、（10b）、（10c）、（10d）和（10e），我们得到以下方程：
$$
g_{k} = \frac{{\dot{K}}}{K} = \frac{{B_{t}^{\varphi } R_{t}^{1 - \varphi } }}{K}\left( {Y - C} \right) - \delta_{1} \quad (13a) \\
g_{A} = \frac{{\dot{A}}}{A} = \mathcalligra{x}\left( {\mu_{A,t} \cdot H\left( t \right)} \right)^{\tau } A\left( t \right)^{\varepsilon - 1} R_{t}^{\nu } \quad (13b) \\
g_{B} = \frac{{\dot{B}}}{B} = \frac{{{\upeta }\left( {\mu_{B,t} \cdot H\left( t \right)} \right)^{\xi } \left( {R_{t} - B_{t} } \right)^{\Psi } }}{B} \quad (13c) \\
g_{R} = \frac{{\dot{R}}}{R} = \textsc{m}\left( {\mu_{R,t} \cdot H\left( t \right)} \right)^{\pi } R_{t}^{w - 1} \quad (13d) \\
g_{H} = \frac{{\dot{H}}}{H} = \varPhi \left( {1 - \mu _{{Y,t}} - \mu _{{A,t}} - \mu _{{R,t}} - \mu _{{B,t}} } \right) - \delta _{2} \quad (13e) \\
g_{Y} = \frac{{\dot{Y}}}{Y} = \alpha g_{A} + \beta g_{B} + \gamma \left( {g_{H} + g_{{\mu_{Y} }} \right) \quad (13f)
$$

通过哈密顿函数 \(F(\cdot)\) 的一阶条件以及方程（13a）、（13b）、（13c）、（13d）、（13e）和（13f），我们可以得到以下结果：
$$
\theta g_{c} + \rho + \varphi g_{B} + \left( {1 - \varphi } \right)g_{R} = - g_{{\lambda_{1} } \quad (14a) \\
\frac{{\tau \cdot \mu_{Y} \cdot \dot{A}}}{{\gamma \cdot B_{t}^{\varphi } R_{t}^{1 - \varphi } Y \cdot \mu_{A} }} \cdot \alpha \cdot B_{t}^{\varphi } R_{t}^{1 - \varphi } \frac{Y}{A} + \varepsilon \frac{{\dot{A}}}{A} = - g_{{\lambda_{2} }} \quad (14b) \\
\frac{{S \cdot \mu_{Y} \cdot \xi }}{{Y \cdot \mu_{B} \gamma }}g_{B} - \Psi \cdot \frac{{\dot{B}}}{R - B} = - g_{{\lambda_{3} }} \quad (14c) \\
\frac{{\pi \cdot \mu_{Y} \cdot S }}{{Y \cdot \mu_{R} \cdot \gamma }}g_{R} + \frac{{\pi \cdot v \cdot \mu_{A} }}{{\tau \cdot \mu_{R} }}g_{R} + \Psi \cdot \frac{{\pi \cdot \mu_{B} }}{{\xi \cdot \mu_{R} }}\frac{{\dot{R}}}{{\left( {R - B} \right)}} + w \cdot g_{R} = - g_{{\lambda_{4} }} \quad (14d) \\
\varPhi - \delta_{2} = - g_{{\lambda_{5} }} \quad (14e)
$$

从上述方程中，我们可以得到一般均衡下研发部门（\(g_{A}^{*}\)）的稳态增长率：
$$
g_{A}^{*} = \frac{{\tau + \frac{v\pi }{{1 - w}}}{1 - \varepsilon } \cdot \frac{{\Phi - \rho - \delta_{2} }}{1 - D} \quad (15)
$$
其中 \(\text{D}=\alpha \frac{\tau +\frac{v\pi }{1-w}}{1-\varepsilon }+\beta \varphi \frac{\xi +\frac{\pi }{1-w}}{2-\Psi }+\beta \left(1-\varphi \right)\frac{\pi }{1-w}+\gamma , D>\text{0}\)。一般均衡下其他部门的稳态增长率如下：
$$
g_{H}^{*} = \frac{{\Phi - \rho - \delta_{2} }}{1 - D} \quad (16) \\
g_{R}^{*} = \frac{\pi }{1 - w} \cdot \frac{{\Phi - \rho - \delta_{2} }}{1 - D} \quad (17) \\
g_{B}^{*} = \frac{{\xi + \frac{\pi }{1 - w}}}{2 - \Psi } \quad (18)
$$
公式（18）中的 \(\frac{{R}_{t}}{{B}_{t}}\)（\(R_{t}>B_{t}\)）用于衡量传统金融中介与金融科技企业之间的效率差距，而 \(g_{B}^{*}\)、\(g_{R}^{*}\)、\(g_{H}^{*}\) 分别是一般均衡下传统金融中介、金融科技企业、人力资本部门和生产部门的稳态增长率。

**可检验的命题：**
1. **命题1**：金融科技的发展对技术进步既有直接的正向影响，也有通过促进传统金融中介发展而产生的间接正向影响。**证明**：方程（15）表明金融科技企业的技术溢出效应（\(\Psi\)）可以影响技术生产。我们对方程（15）中的 \(\Psi\) 求一阶偏导数：
$$
\frac{{\partial g_{A}^{*} }}{\partial \Psi } = \frac{{\tau + \frac{v\pi }{{1 - w}}} \right)\left( {\Phi - \rho - \delta_{2} } \right)}}{1 - \varepsilon } \cdot \frac{1}{{1 - D^{2} }} \cdot \beta \varphi \left( {\xi + \frac{\pi }{1 - w}} \right)\frac{1}{{2 - \Psi^{2} }} > 0 \quad (20)
$$
由于方程（20）的结果为正，表明金融科技企业的技术溢出效应提高了研发部门的稳态增长率。这一发现说明金融科技企业可以直接促进技术进步。首先，这种直接效应主要源于技术扩散效应，因为金融科技企业加速了数字技术的传播，并推动了传统产业的数字化转型（Alt等人，2024年）。通过降低交易双方的匹配成本、利用大数据的规模经济以及降低信息传输和验证成本（Thakor，2020年），金融科技企业成为创新的催化剂。它们促进了尖端数字技术的采用，支持了传统产业的升级，并产生了降低互补技术采用成本的网络效应。其次，非银行金融科技企业的涌入扩大了金融可获得性（Makina，2019年；Sheng，2020年）并提高了资本配置效率（Muganyi等人，2022年）。通过增强融资机会和优化资源分配，金融科技补充了传统金融系统，进一步促进了技术进步。根据方程（15）、（16）和（18），一般均衡下研发部门（\(g_{A}^{*}\）的稳态增长率可以表示为：
$$
g_{A}^{*} = \frac{{\tau + \frac{v\pi }{{1 - w}}}{1 - \varepsilon } \cdot \frac{{\Phi - \rho - \delta_{2} }}{1 - D} = \frac{{\tau + \frac{v\pi }{{1 - w}}}{1 - \varepsilon } \cdot \frac{2 - \Psi }{{\xi + \frac{\pi }{1 - w}}} \cdot g_{B}^{*} \quad (21)
$$
方程（21）表明传统金融中介（\(g_{B}^{*}\）的稳态增长率与研发部门（\(g_{A}^{*}\）的稳态增长率正相关，因为 \(\frac{{\tau + \frac{v\pi }{{1 - w}}}{1 - \varepsilon } \cdot \frac{2 - \Psi }{{\xi + \frac{\pi }{1 - w}}} > 0\)，我们假设 \(\tau,\v,\pi ,w,\varepsilon ,\Psi ,\xi\) 大于零但小于一。此外，根据方程（17）和（18），传统金融中介（\(g_{B}^{*}\）的稳态增长率可以表示为：
$$
g_{B}^{*} = \frac{{\xi + \frac{\pi }{1 - w}}}{2 - \Psi }.g_{H}^{*} = \frac{\xi }{2 - \Psi }.g_{H}^{*} + \frac{1}{2 - \Psi}.g_{R}^{*} = \frac{\xi }{2 - \Psi }.g_{H}^{*} + \frac{1}{{\left( \frac{R}{B} \right)^{*} - 1}}.\frac{\Psi }{{\left( {2 - \Psi } \right)}} \quad (22)
$$
因此，方程（22）中 \(\Psi\) 的一阶偏导数为：
$$
\frac{{\partial g_{B}^{*} }}{\partial \Psi }} = \frac{\xi }{{\left( {2 - \Psi } \right)^{2} }} \cdot g_{H}^{*} + \frac{\xi }{{2 - \Psi }} \cdot \frac{1}{{\left( {1 - D} \right)^{2} }} \cdot \beta \varphi \left( {\xi + \frac{\pi }{{1 - w}}} \right)\frac{1}{{\left( {2 - \Psi } \right)^{2} }} + \frac{1}{{\left( {\frac{R}{B}} \right)^{*} - 1}} \cdot \frac{1}{{\left( {2 - \Psi } \right)^{2} }} + \frac{1}{{\left( {\frac{R}{B}} \right)^{*} - 1}} \cdot \frac{1}{{\left( {2 - \Psi } \right)}} > 0 \quad (23)
$$
方程（23）表明金融科技企业的技术溢出效应可以提高传统金融中介的稳态增长率（\(g_{B}^{*}\)，这意味着金融科技的发展可以提高传统金融中介的效率。因此，从方程（21）和（23）可以得出结论，金融科技的发展可以促进传统金融的发展，从而促进技术进步。因此，命题1得到证明。金融科技企业的间接促进效应可以归因于两个主要因素。首先，金融科技企业进入金融行业与传统金融中介产生了激烈的竞争（Fuster等人，2019年）。与传统银行不同，金融科技初创企业利用尖端技术开发以更快的速度和更高的创新能力提供以客户为中心的解决方案（Ansari，2012年）。这使它们成为金融创新的关键推动力，在塑造未来金融服务方面发挥着越来越重要的作用（Dapp，2017年）。因此，金融科技企业与传统银行之间形成了竞争动态。其次，金融科技企业补充而非仅仅颠覆传统金融中介（Boot，2017年）。例如，金融科技企业扩展了金融服务的覆盖范围，例如在人均银行分支机构较少的地区（Jagtiani和Lemieux，2018年）。由于这些双重竞争和互补效应，传统中介被迫采用金融科技创新，有些甚至成为数字金融领域的领导者（Ozili，2018年；Anagnostopoulos，2018年）。这种协同作用提高了整个金融行业的效率，从而为技术创新提供了更多支持。总之，金融科技的发展对技术进步既有直接的正向影响，也有通过促进传统金融中介发展而产生的间接正向影响。
2. **命题2**：两个金融子部门之间的效率差距对技术进步有负面影响。效率差距越大，负面影响越明显。因此，金融科技与传统金融之间的 synergistic interaction（协同互动）对技术进步是有益的。**证明**：从方程（21）和（22）可以看出，一般均衡下研发部门（\(g_{A}^{*}\）的稳态增长率可以表示为：
$$
\begin{aligned}
g_{A}^{*}
& = \frac{{\tau + \frac{v\pi }{{1 - w}}}{1 - \varepsilon } \cdot \frac{2 - \Psi }{{\xi + \frac{\pi }{1 - w}}} \cdot g_{B}^{*} = \frac{{\tau + \frac{v\pi }{{1 - w}}}{1 - \varepsilon } \cdot \frac{2 - \Psi }{{\xi + \frac{\pi }{1 - w}}}\left( { \xi \cdot \frac{{\Phi - \rho - \delta_{2} }}{{\left( {2 - \Psi } \right)\left( {1 - D} \right)}} + \frac{1}{{\left( \frac{R}{B} \right)^{*} - 1}} \cdot \frac{\Psi }{{\left( {2 - \Psi } \right)}}} \\
& = \frac{{\tau \left( {1 - w} \right) + v\pi }}{1 - \varepsilon } \cdot \frac{1}{{\xi \left( {1 - w} \right) + \pi }} \left( { \xi \cdot \frac{{\Phi - \rho - \delta_{2} }}{{\left( {1 - D} \right)}} + \frac{\Psi }{{\left( \frac{R}{B} \right)^{*} - 1}}} \\
\end{aligned}
$$
我们对方程（24）中的 \(\frac{R}{B}\) 求一阶偏导数：
$$
\frac{{\partial g_{A}^{*} }}{\partial \left( \frac{R}{B} \right)}} = - \frac{{\tau与Drasch等人（2018年）的观点一致，银行必须加快创新周期以保持竞争力，因为金融科技初创企业由于增长更快、收入潜力更高以及更强的长期生存能力，越来越有可能取得永久性成功。同样，Chen等人（2019年）强调，现有的金融机构必须积极投资于创新，以减轻来自金融科技进入者的颠覆性压力。因此，最佳的前进路径在于金融科技公司与传统中介之间的共生合作，因为它们的结合优势可以创造一个更有利于技术进步的环境。这支持了命题2。这种现象持续存在的主要原因是传统金融中介拥有大量的流动性、运营稳定性和已建立的可信度（Thakor和Merton 2018年）。它们提供更安全资产的能力——得益于其存款获取的优势——确保了它们不会被金融科技公司取代，从而促进了两个子行业之间的稳定共存（Thakor 2020年）。因此，金融科技对技术进步的积极影响取决于传统中介的持续参与。两者不应孤立运作，而应进行战略协作和协调，以最大化它们的综合效益。如果效率差距太大，传统金融中介被完全取代，向新的平衡状态的过渡将对经济造成代价高昂且有害的影响（Goldstein等人2019年）。因此，金融科技创新与传统金融基础设施之间的平衡、协同关系对于技术进步至关重要。此外，传统银行往往因内部问题或稳定的市场地位而缺乏创新（Anagnostopoulos 2018年）。与金融科技初创企业的合作正成为银行促进其创新的重要方式。此外，金融科技初创企业通常是非金融机构，如科技公司或数字平台（Kim和Hong 2016年），它们倾向于专注于 niche 金融服务（例如支付处理），而不是提供全面的银行业务（Gimpel和R?glinger 2018年；Nicoletti 2017年）。由于缺乏银行业执照，许多金融科技公司通过与传统机构的合作来利用其监管专业知识和风险管理框架（Dapp 2017年）。正如Ozili（2018年）所指出的，这种合作带来了互惠互利：银行获得了尖端技术，而金融科技公司则获得了合法性和规模。一些研究强调了这种共生关系。Drasch等人（2018年）确定了六种不同的银-金融科技合作模式，其中最普遍的是战略投资和联盟，这些合作使银行能够整合金融科技创新。这些合作伙伴关系使银行能够降低运营成本并提高服务质量——例如，通过简化在线贷款流程（Drasch等人2018年；Anagnostopoulos 2018年；Jagtiani和John 2018年）。值得注意的是，尽管竞争仍然存在，越来越多的传统银行正在积极与金融科技公司建立合作伙伴关系，以巩固其市场地位（Muganyi等人2022年）。总之，金融科技公司和传统金融中介将长期共存，传统金融中介仍然是金融服务行业的重要组成部分（Frost等人2019年）。因此，这两个金融子行业需要相互协作和协调，它们的协同作用对技术进步有益。命题3：金融科技的发展可以通过人力资本和物质资本的积累促进技术进步。证明：从方程（15）出发，方程（16）中\(\Psi\)的一阶偏导数如下：$$\frac{{\partial g_{H}^{*} }}{\partial \Psi } = \left( {\Phi - \rho - \delta_{2} } \right)\frac{1}{{\left( {1 - D} \right)^{2} }} \cdot \beta \varphi \cdot \left( {\xi + \frac{\pi }{1 - w}} \right) \cdot \frac{1}{{\left( {2 - \Psi } \right)^{2} }} > 0$$ （26）方程（26）表明，金融科技公司的技术溢出效应可以提高一般均衡中人力资本部门的稳定增长率；也就是说，金融科技的发展可以增加人力资本的积累。此外，从方程（15）出发，一般均衡中研发部门的稳定增长率可以重写为$$g_{A}^{*} = \frac{{\tau + \frac{v\pi }{{1 - w}}}}{1 - \varepsilon } \cdot g_{H}^{*}$$ （27）方程（27）表明，人力资本的积累可以促进技术进步：\(\frac{\tau +\frac{v\pi }{1-w}}{1-\varepsilon }>0\)。因此，方程（26）和（27）意味着金融科技的发展可以增加人力资本的积累，从而促进技术进步。也就是说，人力资本的积累是金融科技推动技术进步的重要渠道之一。金融科技的快速发展加速了现代信息技术领域人力资本的积累速度，因为提供金融科技服务需要专门的教育和培训（Kaji等人2021年）。这创造了一个技能熟练的专业人才流动管道，他们通过各种渠道在各个技术行业之间迁移，包括就业转换、创业企业和地理流动性。这种劳动流动性促进了知识的广泛传播，并使得整个经济中的技术扩散更加广泛。通过这种机制，金融科技的发展通过提高 IT 技能型人力资本的质量和数量以及促进技术专长的更有效分配，产生了积极的技术外部性。这些效应共同提高了研发部门的均衡增长率。本质上，金融科技通过培养和优化分配关键的人力资本资源，成为技术进步的催化剂。对于物质资本积累的渠道，我们可以从方程（13a）得到以下方程：$$g_{k} = \frac{{\dot{K}}}{K} = \frac{{B_{t}^{\varphi } R_{t}^{1 - \varphi } }}{K}\left( {Y - C} \right) - \delta_{1} \mathop \Rightarrow \limits^{{\phantom{i}}} g_{k}^{*} = \varphi g_{B}^{*} + \left( {1 - \varphi } \right)g_{R}^{*} + g_{s}^{*}$$ （28）因为在平衡增长路径上 \(g_{s}^{*} = g_{c}^{*} = g_{Y}^{*}\)，方程（28）等于：$$\begin{gathered} g_{k}^{*} = \varphi g_{B}^{*} + \left( {1 - \varphi } \right)g_{R}^{*} + g_{Y}^{*} = \varphi g_{B}^{*} + \left( {1 - \varphi } \right)g_{R}^{*} + \frac{{\alpha g_{A}^{*} + \beta \varphi g_{B}^{*} + \beta \left( {1 - \varphi } \right)g_{R}^{*} + \gamma g_{H}^{*} }}{1 - \beta } \hfill \\ \mathop \Rightarrow \limits^{{\phantom{i}}} g_{k}^{*} = \frac{\varphi }{1 - \beta }g_{B}^{*} + \frac{1 - \varphi }{{1 - \beta }}g_{R}^{*} + \frac{\alpha }{1 - \beta }g_{A}^{*} + \frac{\gamma }{1 - \beta }g_{H}^{*} \hfill \\ \end{gathered}$$ （29）方程（29）可以重写为$$\begin{gathered} \frac{\alpha }{\beta - 1}g_{A}^{*} = \frac{\varphi }{1 - \beta }g_{B}^{*} + \frac{1 - \varphi }{{1 - \beta }}g_{R}^{*} + \frac{\gamma }{1 - \beta }g_{H}^{*} - g_{k}^{*} \hfill \\ \mathop \Rightarrow \limits^{{\phantom{i}}} g_{A}^{*} = \frac{\varphi - 1}{\alpha }g_{R}^{*} - \frac{\varphi }{\alpha }g_{B}^{*} - \frac{\gamma }{\alpha }g_{H}^{*} + \frac{1 - \beta }{\alpha }g_{k}^{*} \hfill \\ \end{gathered}$$ （30）方程（30）意味着物质资本积累 \(g_{k}^{*}\) 可以提高研发部门 \(g_{A}^{*}\) 的稳定增长率，因为 \(\frac{1 - \beta }{\alpha } > 0\)。此外，根据方程（29），\(g_{k}^{*}\) 的\(\Psi\)的一阶偏导数如下：$$\frac{{\partial g_{K}^{*} }}{\partial \Psi } = \frac{\varphi }{1 - \beta }\frac{{\partial g_{B}^{*} }}{\partial \Psi } + \frac{1 - \varphi }{{1 - \beta }}\frac{{\partial g_{R}^{*} }}{\partial \Psi } + \frac{\alpha }{1 - \beta }\frac{{\partial g_{A}^{*} }}{\partial \Psi } + \frac{\gamma }{1 - \beta }\frac{{\partial g_{H}^{*} }}{\partial \Psi }$$ （31）\(\frac{{{\partial g}_{K}}^{*}}{\partial \Psi }\)的結果是正的，因为\(\frac{{{\partial g}_{B}}^{*}}{\partial \Psi }>0,\frac{{{\partial g}_{R}}^{*}}{\partial \Psi }>0,\frac{{{\partial g}_{A}}^{*}}{\partial \Psi }>0, \frac{{{\partial g}_{H}}^{*}}{\partial \Psi }>0\)。因此，方程（31）表明金融科技的发展可以增加物质资本的积累。简而言之，方程（30）和（31）表明金融科技的发展可以促进物质资本的积累，从而促进技术进步。金融科技通过优化直接和间接融资系统以及企业透明度（Huang等人2020年），扩大受信贷渠道限制的企业融资范围（Xie等人2018年），以及消除传统上阻碍中小型企业获得融资的障碍（IMF 2019年），在缓解企业的融资困难方面发挥了作用。因此，金融科技为技术投资动员了更多的金融资源，优化了技术生产中的资本分配效率，并降低了创新密集型活动的资金成本。通过缓解金融市场的不完善，金融科技使得物质资本在研究、开发和技术采用中的使用更加高效。这种资本深化效应加快了整个经济的技术进步速度。方法论和数据计量经济模型我们的理论分析表明，金融科技的发展可以直接和间接影响技术进步。这一概念框架为后续的实证研究提供了必要的基础。计量经济模型适用于分析金融科技发展与技术进步之间的直接和间接联系。为了检验命题1（即，金融科技发展可以直接促进技术进步，并可以通过其对传统金融发展的影响间接促进技术进步），我们构建了中介效应回归模型：$$\begin{gathered} TechProg = \alpha_{1} + \beta_{1} FinTech + e_{1} \hfill \\ TraFin = \alpha_{2} + \beta_{2} FinTech + e_{2} \hfill \\ TechProg = \alpha_{3} + \beta_{3} FinTech + \beta_{4} TraFin + e_{3} \hfill \\ \end{gathered}$$ （32）其中\({\beta }_{1}\)代表\(FinTech\)对\(TechProg\)的总效应，\({\beta }_{3}\)代表直接效应，\({\beta }_{2}\times {\beta }_{4}\)代表间接效应（中介效应），\({\beta }_{1}{={\beta }_{3}+\beta }_{2}\times {\beta }_{4}\)，\({e}_{i}(i=\text{1,2},3)\)是残差。为了验证中介效应的显著性，构建了Sobel Z统计量如下：$${\text{Z}} = \beta_{2} \beta_{4} /\sqrt {\beta_{2}^{2} s_{4}^{2} + \beta_{4}^{2} s_{2}^{2} }$$ （33）其中\({s}_{2}\)是\({\beta }_{2}\)的标准误差，\({s}_{4}\)是\({\beta }_{4}\)的标准误差。为了检验命题2（即，两个金融子行业之间的效率差距对技术进步有负面影响。效率差距越大，负面影响越大。因此，金融科技与传统金融之间的协同作用对技术进步有益，构建了以下中介效应回归模型：$$TechProg = \alpha + \beta_{1} FinTech + \beta_{2} TradFin + \beta_{3} FinTech \times TraFin + e$$ （34）其中\(FinTech\times TraFin\)是用于衡量金融科技与传统金融之间协作互动的交互项。为了检验命题3（即，金融科技的发展可以通过人力资本和物质资本的积累促进技术进步），构建了以下中介效应模型（K或L作为中介变量）：$$\begin{gathered} TechProg = \alpha_{1} + \beta_{1} FinTech + e_{1} \hfill \\ K\left( {or L} \right) = \alpha_{4} + \beta_{5} FinTech + e_{4} \hfill \\ TechProg = \alpha_{5} + \beta_{6} FinTech + \beta_{7} K \left( {or L} \right) + e_{5} \hfill \\ \end{gathered}$$ （35）其中\({\beta }_{6}\)代表直接效应，\({\beta }_{5}\times {\beta }_{7}\)代表间接效应（金融科技→K→TechProg或金融科技→L→TechProg的中介效应），\({\beta }_{1}{={\beta }_{6}+\beta }_{5}\times {\beta }_{7}\)，\({e}_{i}(i=\text{1,4},5)\)是残差。变量和数据技术进步被选为因变量，通过研发支出与名义GDP的比率来衡量。许多作者，如Hu等人（2023年）和Ductor和Grechyna（2015年），采用了这种方法。主要自变量是金融科技发展和传统金融发展。遵循Ding等人（2022年）的方法，我们使用北京大学数字金融研究所的数字金融包容指数来衡量金融科技发展。该指数可以反映金融科技的整体发展情况，因为它来源于蚂蚁金融服务集团的数据，该公司拥有许多互联网金融产品，在全球拥有超过十亿用户，并提供丰富和高质量的数字金融服务（Ding等人2022年）。银行贷款构成了主要的传统金融业务。为了与因变量保持一致，我们使用银行贷款与名义GDP的比率来代表传统金融发展，遵循Ding等人（2022年）、Arestis等人（2001年）、Hao（2006年）等人的方法。人力资本和物质资本积累被选为控制变量或中介变量。人力资本积累通过平均受教育年限来衡量，如Hao（2006年）、Chi（2008年）和Zhang与Zhuang（2011年）所提出的；物质资本积累存量通过永续库存方法计算，使用方程\({K}_{t+1}=\left(1-\delta \right){K}_{t}+{I}_{t}\)，其中\({I}_{t}\)是社会固定资产投资，\(\delta\)是折旧率，根据Zhang等人（2004年）的规定为9.6%。进口和出口、外国直接投资和失业率被视为控制变量，它们分别衡量开放度、外来投入和就业稳定性对技术进步的影响。面板数据用于建立计量经济模型。数据来自30个中国省份（包括直辖市北京、上海、天津和重庆，但由于数据不足未包括西藏、香港和台湾），时间范围为2011年至2020年，数据来源于中国统计年鉴、EPS中国宏观经济数据库和中国经济网络。表1包含变量解释和描述性统计。表1 变量解释和描述性统计全文表格实证结果和讨论实证证据支持命题1：表2显示了方程（32）的估计结果。在第一列中，FinTech的系数估计值\({\widehat{\beta }}_{1}\)为0.0037，在1%的水平上显著，这反映了FinTech对技术进步的总体效应。因此，总体效应是显著且积极的。直接效应为\({\widehat{\beta }}_{3}=0.0033，在1%的水平上也显著（见表2中的第五列），而间接效应（即中介效应）为\({\widehat{\beta }}_{2}\times {\widehat{\beta }}_{4}=0.0123\times 0.0344=0.0004\)（\({\widehat{\beta }}_{2}\)和\({\widehat{\beta }}_{4}\)分别见表2中的第三列和第五列）。表2显示了混合效应面板数据模型的回归估计结果。

估计结果表明，FinTech的发展通过两个渠道对技术进步产生了统计上显著的积极影响：1）直接效应；2）通过传统金融发展的中介效应。Sobel检验证实了这种中介效应的显著性，如表3中的路径1所示。路径1检验了FinTech与技术进步之间的传统金融的中介效应。系数（间接效应或中介效应）为0.0004，Sobel Z统计值为2.32（p<0.01），因此间接效应是显著的。我们可以类似地获得其他中介效应。

简而言之，我们对中国数据的实证分析为命题1提供了强有力的支持，表明FinTech的发展在宏观经济层面上显著促进了技术进步。这一发现验证了关于金融发展和技术进步的现有文献（Greenwood和Jovanovic 1990；Saint-Paul 1992；King和Levine 1993；Laeven等人2015），通过确认FinTech作为金融发展的一个新维度（Ding等人2022）表现出类似的增长促进特性，并支持了FinTech的创新刺激效应的新兴微观证据（Tang等人2020；Song等人2021；Ding等人2022）。因此，这项研究弥合了这一空白，为FinTech如何推动技术进步提供了新的见解。

为了验证表2中显示的混合效应面板数据模型的有效性，必须检查FinTech发展在促进技术进步方面的持续重要性，同时解决潜在的内生性问题。我们采用了差异GMM方法，将FinTech指定为内生变量，将TraFin指定为预定变量。控制变量包括L、K、Imex、FDI和Unemp，滞后项延长为两个时期（见表4）。

分析显示，滞后项的影响主要局限于初始滞后时期（ρ≈0.60<1.0），这表明技术进步具有短暂的惯性。重要的是，FinTech发展和TraFin都对技术进步保持了显著的积极贡献。尽管差异GMM估计提供了更高的一致性和可靠性，但它们并非没有局限性。这些局限性主要源于变量的差异处理以及由此导致的系数值解释精度下降。尽管通过差异GMM框架有效地缓解了模型内生性和个体效应的问题，但我们能否断言FinTech对技术进步的实质性积极影响仍然取决于表2中显示的混合效应面板回归模型所提供的基础证据。

我们进行了两项稳健性测试。首先，采用了稳健回归（如附录B中的表8所示）。我们发现稳健回归和普通回归之间的T值或显著性没有显著差异，且回归系数相对应，因此得出了相同的结论。其次，调整了样本大小和样本期间以比较模型的稳健性。这里，根据中国的省份将样本大小划分为东部、中部和西部地区进行比较，并且根据2011年至2015年和2016年至2020年的两个阶段比较样本期间，以调查不同的样本大小和样本期间是否对模型的稳健性有显著影响（如附录B中的表9和表10所示）。我们发现不同样本大小和时期的回归系数略有变化，但基本上保持不变。只有少数回归系数不再显著，但它们不影响总体结论。稳健性测试表明，表2中的结果是稳定和可靠的，结论是可信的。

异质性测试也可以从附录B中的表9和表10得出。东部、中部和西部地区之间只有少数细微差异。首先，FinTech对技术进步的影响从东部地区逐渐减弱到西部地区（表9的第二列）。其次，FinTech与技术进步之间的直接和间接效应在中间地区是显著的，但在东部和西部地区则不显著（表9的第三列和第六列）。第三，中部地区的人力资本是多余的，但中西部地区的物质资本稀缺（表9的第八列和第十列）。然而，地区之间的差异并不特别明显。

此外，2011-2015年和2016-2020年的结果基本上相同，2016-2020年的系数远大于2011-2015年的系数，特别是FinTech、TraFin和TechProg的回归结果（附录B，表10，第三列、第四列和第五列）。异质性测试表明，不同样本大小和样本时期的模型存在轻微的异质性，可以从这些模型中得出一致的结论。此外，当逐渐引入3个控制变量时，结果更为合理（表2的第10列、第11列和第12列）。

首先，使用面板数据构建了一个调节效应模型，并引入了一个交互项（FinTech × TraFin）来衡量FinTech和传统金融之间的协作互动（如表5中的第一列所示）。然而，交互项（FinTech × TraFin）的系数估计值\({\widehat{\beta }}_{3}\)为负（-0.00002，p>0.10），这意味着FinTech和传统金融之间的互动无法积极促进技术进步。总体交互图中的线条大致平行也表明调节效应不显著（见图1）。本质上，由于FinTech公司与传统金融中介之间存在竞争效应，FinTech公司可能会取代传统金融中介来促进技术进步。这也表明，FinTech与传统金融之间的效率差距越大，其对技术进步的负面影响就越大。

考虑到交互项（FinTech × TraFin）\({\widehat{\beta }}_{3}\)的估计系数不显著（表5的第一列），我们进一步使用变系数面板数据模型按地区扩展了交互项（FinTech × TraFin，如表5中的第二列所示）。结果显示，在大多数中国省份，交互项的估计系数在0.01的显著性水平上为负。只有在某些省份（如北京和上海），交互项的估计系数在0.01的水平上为正。我们选择北京作为代表地区绘制交互图，结果显示高水平和低水平的线条不平行，反映了显著的调节效应。此外，高水平的FinTech可以显著提升TechProg，并对TraFin有显著的调节效应（见图2）。这意味着在大多数中国省份，FinTech与传统金融之间的互动目前是不协调的，FinTech的发展对中国传统金融有很强的替代效应。

其次，构建了一个中介效应模型，其中FinTech发展是中介变量（表2的第二列、第四列和第五列）。我们发现传统金融在技术进步中发挥了直接作用，并且也通过FinTech发展间接推动了技术进步。Sobel中介效应检验结果在0.01的显著性水平上是有效的（表3中的路径2）。此外，通过计算中介效应模型中的直接效应和间接效应的比例（表3中的路径1和路径2），我们可以比较FinTech与传统金融之间的相互依赖性。FinTech的发展可以直接促进技术进步89.19%（即0.0033除以0.0037），或者通过传统金融的中介变量间接促进技术进步10.81%（即0.0004除以0.0037），因此FinTech对技术进步的直接效应非常强。这可能是因为大多数FinTech公司都是技术导向的，并在研发活动中投入大量资金。此外，传统金融的发展可以直接促进技术进步66.41%（即0.0344除以0.0518），或者通过FinTech发展间接促进技术进步33.59%，这表明传统金融对技术进步的直接效应也非常强，尽管低于FinTech的效应。这可能是因为传统金融仍然是金融行业的主体，并继续主导着金融行业（Frost等人2019）。因此，FinTech和传统金融是相互中介的变量，它们可以相互支持和促进。

FinTech公司和传统金融中介将在很长一段时间内共存，它们需要相互协调。它们的协同互动对技术进步非常重要。否则，它们之间的效率差距将对技术进步产生负面影响。效率差距越大，负面影响越大。总之，来自中国的实证证据证实了命题2。

这一结果为FinTech公司与传统金融中介之间的关系提供了文献支持。目前关于它们之间的关系有两种观点。第一种观点认为，FinTech的进入与传统金融中介之间存在相当大的竞争，甚至会导致颠覆效应（Contini等人2011；Ansari 2012；Fuster等人2019；Tang 2019）。Merritt（2011）认为，对于发展中国家来说，FinTech是现有金融结构的有前景和可行的替代方案。Milian等人（2019）指出，传统银行将仅用于存款，而其余部分将由FinTech服务使用。第二种观点认为，FinTech可以补充传统金融中介（Gimpel和R?glinger 2018；Khodawandi等人2003；Boot 2017；Jagtiani和Lemieux 2018；Tang 2019）。Anagnostopoulos（2018）指出，传统金融中介可以应对FinTech的冲击并采用FinTech解决方案，甚至成为FinTech领域的参与者。Muganyi等人（2022）认为，传统金融机构现在正在与FinTech服务提供商合作，加速自身的数字化转型策略，重点是提供更多以消费者为中心的金融服务（Sun等人2021）。关于它们是朋友还是敌人已经进行了广泛讨论，但尚未达成结论。我们的发现表明，这两个金融子行业需要相互协作和协调，它们的协同互动对技术进步有益。为了缩小效率差距，传统金融中介也应迅速采用尖端技术，并积极适应FinTech公司的竞争。我们的发现意味着成为FinTech领域的参与者可能是传统银行的最佳选择。

此外，关于FinTech与传统金融中介的互动如何影响技术进步的实证研究尚未在FinTech发展和技术创新的实证研究（Tang等人2020；Song等人2021；Ding等人2022）或金融发展和技术进步的理论研究（Saint-Paul 1992；Pagano 1993；Fuente和Martin 1996；Laeven等人2015；Bucci和Marsiglio 2019）中得到涵盖。这些发现扩展了以往的研究成果。

我们选择人力资本积累（L）和物质资本积累（K）作为中介变量来检验命题3。构建了四个混合效应面板数据模型（如表2中的第六列、第七列、第八列和第九列所示）。根据表2中的第六列和第七列，FinTech→L和L→TechProg的估计系数分别为0.0035和0.9173，在引入人力资本积累作为中介变量后，FinTech的估计系数为0.0005。间接效应结果是积极的且显著的，表明FinTech通过人力资本积累改善了技术进步。金融科技的发展需要大量高素质的人力资本，因此吸引了许多现代信息技术领域的专业和熟练专家。这些人力资本可能会流向技术生产领域，从而促进技术进步。Sobel中介效应测试显示，金融科技通过人力资本积累促进了89.49%的技术进步，显著性水平为0.01（见表3中的路径3）。这一结果表明，金融科技对高素质人力资本有巨大需求。因此，加强高素质人才的培训非常重要。然而，金融科技→K的估计系数（\({\widehat{\beta }}_{5}\），第8列）在0.01水平上是正的，而K→TechProg的估计系数（\({\widehat{\beta }}_{7}\），第9列）则是负的。\({\widehat{\beta }}_{7}\)为负的原因在于，尽管技术进步相对稳定，但物质资本积累的数量相对充足，并没有与技术进步保持协调。因此，技术进步与物质资本积累之间存在不匹配。也就是说，过度的物质资本积累会导致技术进步的边际效应下降。因此，物质资本积累在金融科技和技术进步之间的中介效应是负的，因为\({\beta }_{5}\times {\beta }_{7}（即-0.0002）在0.01水平上不显著。虽然只存在直接的总体效应，但在表8中（中西部地区，附录B），通过物质资本积累作为中介变量，金融科技和技术进步之间仍然存在间接效应，且这些间接效应在0.01水平上是正的。金融科技和技术进步之间在物质资本积累作为中介变量时存在显著的地区差异性。

上述来自中国的实证证据与命题3相符。这是因为技术进步通常涉及人力资本和物质资本（Bresnahan和Trajtenberg 1995；Helpman 1998），并且金融发展促进了物质资本（Rioja和Valev 2004；Jerzmanowski 2017）和人力资本（Levine 1991；De Gregorio和Se-Jik Kim 2000）的积累。然而，大多数实证文献认为，金融科技的发展是通过扩大金融可获得性和缓解融资约束来激励技术创新的，这忽略了人力资本积累的机制（Tang等人2020；Song等人2021；Ding等人2022）。因此，我们的论文为理解金融与技术进步之间的关系提供了一个新的视角。

**结论与政策启示**

**结论**

最近的实证研究已经证实，金融科技的发展增强了企业的技术创新（Tang等人2020；Song等人2021；Ding等人2022；Abbasi和Alam 2021；Li和Wang 2024；Li等人2025）。然而，这些研究未能从理论上解释金融科技企业的发展，特别是它们与传统金融机构的互动，如何影响技术进步。此外，现有的关于“金融-技术进步”联系的理论研究（Saint-Paul 1992；Pagano 1993；King和Levine 1993；Morales 2003；Levine 2005；Bravo-Biosca 2007；Aghion等人2005；Aghion和Howitt 2009；Ang 2014；Laeven等人2015；Bucci和Marsiglio 2019）未能考虑到金融科技企业在现代金融体系中的颠覆性作用。这一理论空白使得该领域缺乏一个适当的框架来分析金融科技对技术进步的独特贡献。为了填补这一空白，我们发展了一个新的理论框架，解释了金融科技发展如何影响技术进步，特别关注金融科技与传统金融机构的互动。

为此，本研究将金融科技企业这一新现象与分析金融-技术进步联系的现有理论框架联系起来（Greenwood和Jovanovic 1990；Saint-Paul 1992；Pagano 1993；King和Levine 1993；Bencivenga和Smith 1991；Fuente和Martin 1996；Greenwood和Smith 1997；Aghion和Howitt 2009；Greenwood等人2010；Laeven等人2015；Bucci和Marsiglio 2019）。特别是，我们通过开发一个具有异质性金融部门的多部门内生增长模型，扩展了Bucci和Marsiglio（2019）的框架。我们向Bucci和Marsiglio（2019）的模型中添加了两个新特征。首先，我们将金融部门划分为传统金融机构和金融科技企业，从而扩展了Pagano（1993）的物质资本积累方程，以纳入两个金融子部门的独特储蓄-投资转换效率。其次，我们采用了Krugman（1979）和Grossman与Helpman（1991）的“南北”框架来模拟金融科技企业与传统金融机构之间的动态互动。在这个框架中，我们展示了金融科技发展可以直接和间接促进技术进步。与现有研究相比，我们的工作在宏观经济层面上取得了三个重要的理论进展：（i）将金融部门的异质性引入增长模型；（ii）将金融科技企业纳入金融-技术联系的文献；（iii）在扩展传统金融发展理论的同时，为最近的实证发现提供了理论基础。

此外，我们发现两个金融子部门之间的效率差距对技术进步有负面影响，效率差距的扩大会产生越来越强的抑制作用。这一发现强调了两个金融子部门之间协同协调对于最佳技术发展的重要性。因此，传统金融机构必须积极适应金融科技的发展，缩小子部门之间的效率差距。这一要求源于传统机构在金融市场中持续的主导地位，因为它们拥有大量的流动性储备、运营稳定性、确立的信誉以及存款动员方面的竞争优势——所有这些都有助于它们提供更安全的金融资产。我们的分析揭示了金融科技对技术进步的积极影响是通过传统金融机构显著中介的。当效率差距过大时，传统机构的相对低效率会降低整个金融部门的绩效，最终阻碍技术进步。通过阐明这种相互依存的关系，我们的研究解释了金融科技与传统金融机构的互动如何影响技术进步，同时丰富了这两个研究领域（金融科技发展和技术进步；金融-技术进步联系）。

根据现有的实证研究，缓解金融约束是金融科技发展促进技术创新的主要机制。然而，这种观点可能忽视了其他影响渠道。通过将我们的分析基于内生增长理论，我们证明金融科技发展还通过人力资本积累和物质资本积累推动技术进步。因此，我们的研究通过识别和理论证实这些额外路径，扩展了现有的实证文献。

尽管本文的主要贡献是发展了一个关于金融科技如何促进技术进步的理论框架，我们还将该模型的命题与中国的数据进行了检验。实证结果与模型的命题一致。然而，根据实证结果还发现了一些其他有趣的发现。首先，目前在中国大多数省份，金融科技与传统金融之间的互动尚未协调，金融科技发展对传统金融有强烈的替代效应，这种缺乏协调阻碍了技术进步。然而，在某些发达城市，如北京和上海，两个子部门之间的互动是协调的。此外，这只是现象的一小部分。这一发现表明，对于大多数省份来说，金融科技的发展水平仍然不足，传统金融机构仍然是中国金融机构的主导子部门。其次，金融科技与技术进步之间的直接和间接效应在中西部地区是显著的，而这种效应从东部地区向西部地区逐渐减弱。估计结果表明，中国存在地区差异性，金融科技的发展仍然不均衡且不足。第三，估计结果显示，金融科技通过人力资本积累促进了89.49%的技术进步，这表明金融科技对高素质人力资本有巨大需求。金融科技子领域的人力资本可以通过就业、启动新企业、转换职业或工作地点等方式流向相关技术行业，从而促进技术进步。然而，物质资本积累在金融科技和技术进步之间的中介效应总体不显著，因为过度的物质资本积累会导致技术进步的边际效应下降。不过，在中国的中西部地区，这种效应仍然显著。

**政策启示**

我们的研究结果提出了几项重要的政策建议：

（i）虽然金融科技创新本身带有金融风险，但不应仅从风险规避的角度来看待它们。政策制定者应采取双重聚焦的策略。首先，政府应通过建立全面的金融科技数据库、开发集成信用平台、投资核心和基础技术以及扩大实际应用场景来培养支持性的金融科技生态系统。其次，监管机构应实施适应性框架，如监管沙箱来安全测试创新、风险比例监管模型、动态许可制度和增强监测系统。这种平衡的方法有助于金融科技对实体经济增长的积极贡献，同时保持金融稳定，这对于金融科技可能加剧违约风险的新兴经济体尤为重要（Tan等人2024）。

（ii）我们的研究结果表明，金融科技企业与传统金融机构之间的协同合作显著促进了技术进步。为了促进合作，政策制定者应建立两个金融子部门之间知识共享和最佳实践交流的平台，制定激励计划鼓励传统机构采用金融科技创新。可以支持联合创新实验室共同开发金融解决方案。传统金融机构应尝试通过战略投资于人工智能基础设施（如人工智能驱动的客户服务代理）来弥合效率差距。此外，政府机构应为传统金融的技术采用制定标准，提供数字化转型计划的资金，并实施技术整合的分阶段过渡路线图。

（iii）我们的分析显示，金融科技通过其对传统金融发展的影响促进了技术进步。鉴于传统金融机构在金融市场中持续的主导地位，政策制定者应认识到它们在融资技术进步中的关键作用，鼓励为科技企业发展专门化的金融产品，并支持传统银行建立多维度评估系统，这些系统应包括技术能力评估、创新潜力评估、知识产权价值测量和增长轨迹分析。

（iv）分析显示，人力资本在金融科技发展和技术进步之间起到了强大的中介作用。因此，加强金融科技人力资本的发展并促进其流入劳动力市场至关重要。因此，中国大学应扩大与金融科技相关的学位课程和专业化培训课程，以加快人才培养。他们还应建立金融科技研究中心和实习项目，以促进知识转移。虽然在中国背景下物质资本积累的边际收益递减，但战略性的金融重组是必要的。首先，金融资源应重新定向投入到高影响力领域，包括科技初创企业和规模扩张企业、先进制造企业和可持续发展项目。此外，传统银行应设立专门的技术金融分支机构，建立基于网格的基层服务网络，为本地化科技融资提供服务，并为创新驱动的企业实施差异化的信贷政策。

**局限性与未来建议**

我们的实证分析仅限于中国的金融发展，原因有三个：（i）中国在全球金融科技采用和创新方面的领先地位；（ii）中国的数据可用性优势；（iii）中国独特的监管环境。尽管这些因素使中国成为金融科技研究的理想实验室，但由于金融基础设施成熟度的显著差异、对金融科技的监管理念、技术采用的的文化决定因素等，我们的发现可能适用于其他市场。随着全球金融科技数据集的日益普及，未来的研究可以扩展这项工作：跨国家验证研究来测试我们框架的适用性；纵向研究金融科技的动态影响；特定行业的分析；以及纳入新创新指标的方法论扩展。这些努力将显著推进我们对金融科技在不同制度背景下异质效应的理解，同时建立在本研究建立的理论基础上。