数字普惠金融对服务业劳动生产率的影响研究——兼论“鲍莫尔病”治理

姜 松 林小童

（1.重庆理工大学经济金融学院，重庆 400054；2.贵州财经大学经济学院，贵州 贵阳 550025）

一、引言

数字技术作为世界科技革命和产业变革的先导力量，日益融入经济社会发展各领域全过程，深刻改变着生产方式、生活方式和社会治理方式。在数字技术产生的众多影响中，其在产业融合与赋能中所带来的劳动生产率差距表现得日益突出，这种现象被称为“鲍莫尔病”。“鲍莫尔病”最早由美国经济学家威廉·鲍莫尔于1967 年提出。他认为，“进步部门”生产率的快速增长，将导致“停滞部门”生产成本的不断上升。通常，把制造业视为“进步部门”，把服务业视为“停滞部门”（Baumol，1967）[1]。

从这个层面来看，“鲍莫尔病”本质上反映的是劳动生产率和工资增长率的不匹配性。这种问题的产生与作为“停滞部门”的服务业密切相关，受到服务业劳动生产率的影响。可以说，服务业劳动生产率的降低是导致“鲍莫尔病”形成和社会经济增速放缓乃至停滞的底层逻辑。尤其是，当一个国家迈入工业化阶段后，服务业在国民经济部门中所占的比重会大幅上升。这一问题如果不能根治，产生的影响不可估量。就我国而言，自2015 年进入服务经济时代以来，“鲍莫尔病”现象已经出现，我国进入了经济缓慢下行通道（庞瑞芝和李帅娜，2022）[2]，这也是时任国务院副总理刘鹤在2021 年世界互联网大会致辞中特别强调治理“鲍莫尔病”的直接原因。

治理“鲍莫尔病”的关键是要提高服务业劳动生产率。影响服务业劳动生产率的因素有很多，其中，金融发展对提高劳动生产率具有显著的促进作用，这已经由发达国家的发展经验所证实（Rioja 和Valev，2004）[3]。在理论层面，金融通过货币交换，有效降低了交易成本，促进了劳动分工。按照亚当·斯密在《国富论》中的阐释，劳动分工是提升劳动生产率的重要因素。因此，金融发展通过推动劳动分工，进而提升劳动生产率。在众多金融业态中，作为数字技术与金融融合发展的新业态，数字普惠金融利用互联网等技术为社会提供金融产品和服务（刘瑞凝等，2019）[4]，提高了金融服务的公平性、渗透性、普遍性、可负担性，对于劳动生产率的提升作用不言而喻，为促进服务业高质量发展、治理“鲍莫尔病”提供了新契机。

然而，近年来，随着数字普惠金融创新实践的深入推进，数字普惠金融发展中存在的多目标冲突、监管套利问题也不断涌现，部分数字普惠金融产品仍是披着数字普惠金融外衣的非法金融活动，“不出问题就合法，出问题就非法”问题十分明显（姜松和周鑫悦，2021）[5]。更需要特别关注的是，与传统金融业态相比，数字普惠金融以金融科技手段为支撑，风险生成机理更为复杂、传导过程更为迂回、传染范围更为宽广，数字普惠金融呈现的这种复杂风险特质已经对劳动生产率的提升产生了不良影响（Chen 等，2022）[6]，这在一定程度上可能会进一步加剧“鲍莫尔病”的问题，影响构建优质高效的服务业新体系的进程。那么，数字普惠金融对劳动生产率到底产生了怎样的影响？实践中，数字普惠金融所呈现的风险特质是否会加剧“鲍莫尔病”？深层次原因是什么？这就是本研究要解决的问题。

为此，基于服务业劳动生产率低下导致的“鲍莫尔病”问题，在数字普惠金融对劳动生产率可能存在的多面性影响下，本文以服务业作为研究对象，旨在探究数字普惠金融对服务业劳动生产率的复杂影响，为治理“鲍莫尔病”提供新的解决方案，促进服务业发展，推动经济的稳步增长。本研究的边际贡献主要体现在：一是立足“鲍莫尔病”治理的宏观大环境，将数字普惠金融发展与服务业劳动生产率相联系，评估数字普惠金融对服务业劳动生产率的影响效应，明辨当前数字普惠金融的真实效应和主要贡献，能够澄清争议、校正偏差。二是基于理论分析框架，进一步检验数字普惠金融对服务业劳动生产率的影响机制，深刻解剖数字普惠金融对服务业劳动生产率影响传导环节中的薄弱环节和约束，找到“鲍莫尔病”的解决方向和化解路径，为政府决策提供有效经验支撑。

二、数字普惠金融对服务业劳动生产率影响的理论分析

（一）数字普惠金融对服务业劳动生产率的直接影响

1.数字普惠金融通过促进金融便利化来提高服务业劳动生产率。数字普惠金融通过移动支付、数字货币等方式，打破了传统金融机构的服务时间和地理位置限制，简化了金融服务流程和操作，大大提高了金融服务的便利性和灵活性，这将节省劳动时间和资源，并扩大服务业经济产出，从而促进服务业劳动生产率的提升。具体而言，通过数字普惠金融平台，个人和企业可以完成移动支付、在线转账等一系列便捷的金融服务，避免了传统金融服务中烦琐的人工操作、纸质文件处理和排队等待，这将减少企业在经济活动中的人力、时间和物质资源的投入和浪费，有效降低劳动投入。此外，更便捷的支付、转账等金融活动将促进更多的人享受数字金融服务，这扩大了经济活动范围，能够促进服务业的交易量和规模的提升，从而在减少劳动投入的同时实现了服务业产出的扩大，进而有效提高服务业劳动生产率。

2.数字普惠金融通过丰富金融品类来提升服务业劳动生产率。数字普惠金融的广泛应用能够提高全社会使用数字金融服务的频率和种类，满足了企业多元化的金融需求，能有效扩大服务业产出并降低投入，促进服务业劳动生产率的提升。一方面，多样化的金融服务品类满足了不同类型、不同规模服务业企业的信贷和融资需求，促进了其生产活动的开展，提高了产出。例如，针对小微企业和个体经营者，数字普惠金融提供了小额贷款、信用贷款等服务，解决了其过去难以获得金融服务的问题，使其能够及时获得资金支持开展经济活动，从而提高产出。针对大型企业，数字普惠金融通过供应链金融、大数据信贷等服务帮助其优化资金链、提高生产效率，进一步扩大了产出。另一方面，专业的金融管理服务，如现金流管理、资产配置等，还可以直接减少企业的投入。因为，这可以使企业更合理地安排资金，减少了在资金调度上的时间和人力成本，还能帮助企业制定出最优的投资组合，从而减少在投资决策和管理上的劳动投入。因此，数字普惠金融将有效改善服务业的劳动产出投入比，促进了服务业劳动生产率的提升。

3.数字普惠金融通过建立多元风险防范机制提高服务业劳动生产率。数字普惠金融可以提供多元化的风险管理产品，有效降低企业风险损失，保障生产活动的有效运行，促进劳动生产率的提升。一方面，数字普惠金融通过提供保险服务，如财产保险、责任保险等，能够帮助企业管理和分散风险，这种风险转移机制可以有效减小各种风险事件导致的投入损失。此外，金融衍生品等工具还可以帮助企业进行风险对冲，如通过购买期货、期权等金融产品，企业能够对冲经营过程中可能出现的价格风险和汇率风险，在一定程度上消除市场波动带来的不确定性，减少了因市场波动导致的投入损失。另一方面，这些风险管理机制可以增强企业在面对不确定性时抵御风险的能力，使企业能够将更多的注意力和资源集中在生产活动本身，从而更加专注于提高生产效率和服务质量，而不需要过分关注市场风险，保障了生产活动的高效运行。这使得企业在避免风险投入损失的同时，保障了产出质量，从而使服务业劳动生产率得到有效提升。

（二）数字普惠金融对服务业劳动生产率的间接影响

1.数字普惠金融→生产性分工→服务业劳动生产率。服务业分工水平的高低主要体现在生产性服务业的发展程度上。一般而言，生产性服务业越发达，服务业内部生产性分工越明确，生产性服务业高专业化、高技术资本以及产业关联性和空间聚集性的特征就越明确，资本积累和规模经济效应也越强，这将极大地提升服务业劳动生产率（Grubel 和Walker，1989；惠炜和韩先锋，2016）[7，8]。而分工取决于生产力发展和生产关系性质，数字普惠金融作为以数字技术为基础的金融业务模式，以普惠化、多样化、个性化的金融服务覆盖更多中小企业和个体经营者，降低了服务成本，扩大了服务范围，能够提高生产力，改善生产关系，推动自然分工和社会分工的形成，从而促进生产性分工。具体而言，数字普惠金融利用互联网、移动设备等，提高了要素配置的效率，使生产力得到解放，促进了自然分工。另外，数字普惠金融使更多的个人和小微企业能够更加平等地获得多样化、个性化的金融服务支持，这鼓励了市场中的各个生产者和消费者根据各自的优势和特长参与到自由的市场交易中，扩大了市场规模和交易活动范围，促进生产者在特定领域的工作细分，推动产品和服务的精细化、差异化，解决了“二八定律”问题，优化了生产关系，促进了社会分工，从而形成更加高效的生产性分工网络。

2.数字普惠金融→专业化→服务业劳动生产率。亚当·斯密在《国富论》中运用分工理论解释了专业化对劳动生产率的提升作用，认为专业化能够使劳动者专注于某一特定任务，通过不断的练习和改进来提高自己的技术水平，从而更快、更准确地完成工作，避免了切换任务所带来的时间成本，有效地节约了生产资源和时间，进而实现劳动生产率的提升。服务业作为劳动密集型产业，专业化对服务业劳动生产率的提升作用不言而喻。一般而言，专业化发展需要充分的劳动力知识、技能和经验积累，这离不开对劳动者的教育和培训，而数字普惠金融的产生推动了教育资源的普惠化，并提供了标准化的操作流程和自动化、智能化的业务处理模式，这为专业化提供了支持。一方面，数字普惠金融在教育领域的应用降低了教育信贷的获取门槛，缓解了私人部门的融资约束，从而扩大了人力资本投资以及文教、文娱、文化消费，提高了劳动力技能知识水平（杨晓智，2015）[9]，而标准化、自动化的操作流程和业务处理模式又使得不同岗位的职责和分工更加明确，使每个员工可以更加专注于自己的任务，提升工作熟练度，实现经验积累，从而促进专业化。另一方面，智能化的数字普惠金融平台加快了金融科技知识的流通，使信息更加顺畅、有效地传递，能够促进内隐知识转换为外显知识（Guo等，2023）[10]，加强了劳动力对金融知识、技术的积累和利用，产生知识溢出效应，从而推动专业化发展。

3.数字普惠金融→技术进步→服务业劳动生产率。在新古典经济增长模型以及内生增长理论中，技术进步均被视为驱动劳动生产率提升的重要因素。技术进步能够降低服务成本、聚合市场资源、扩大市场范围，有助于实现服务供需间的及时匹配与协调，提高资源配置效率，并推动服务业规模化发展和现代化转型升级，从而提升劳动生产率（江小涓，2017；张龙鹏和周笛，2020）[11，12]。技术进步的实现需要依托强大的资金支持和创新能力，而数字普惠金融是创新的金融服务业态，具有多样化的融资渠道和创新支持途径，能够帮助企业创新商业模式、增强研发动力。从创新商业模式来看，数字普惠金融具有创新型金融模式，其发展能够推动产品和服务的生产与交付革新，创新后台服务、教育及培训，加快企业对新技术的吸收和转化，从而实现技术进步（Haddad 和Hornuf，2019）[13]。从增强研发动力来看，数字普惠金融为中小企业和个体经营者提供了更多样化的融资方式，缓解了融资约束，降低了研发投资风险，为创新创业提供了资金支持，能够有效释放创新主体的创造力，扩大研发支出，最终促进新技术的出现（田晨阳等，2022；惠献波，2021）[14，15]。

三、研究设计

（一）模型设定

1.基准模型。为检验数字普惠金融对服务业劳动生产率的影响，本文先建立面板数据基准模型，从总体、结构及区域三个层面进行实证检验。基准模型如下：

其中，被解释变量prodit表示第i个省第t年服务业劳动生产率；解释变量difit表示第i个省第t年数字普惠金融指数，其中还包括了覆盖广度、使用深度、数字化程度三个子指标；controlit为控制变量，包括经济发展水平（pergdp）、信息化水平（int）、政府干预（gov）、产业结构服务化程度（stru）；εit为随机扰动项。

进一步地，本文引入Shapley 值分解法明确数字普惠金融各子指标对服务业劳动生产率影响的贡献度。Shapley 值分解是由Shorrocks（1999）[16]在合作博弈分析框架基础之上引出的分解方法。基本原理如下：X 对Y 的贡献率可以通过剔除X 时所产生的边际效应均值来衡量，即在给定X 的分布情况下，X 所产生的边际效应均值越大，X 对Y 的影响就越大；X 自身的分布越不平均，对Y 的贡献也越大（刘丹鹭，2017）[17]。假设有三个解释变量X1、X2、X3，则X1的Shapley值为式（2）：

2.中介效应模型。基于上述基准模型，为进一步验证数字普惠金融对服务业劳动生产率影响的传导机制，本文采用生产性分工、专业化、技术进步作为中介变量，探究数字普惠金融对服务业劳动生产率影响的作用路径。为此，基于模型（1），本文采用三步回归法，建立以下中介效应模型：

上式中，mediatorit表示第i个省第t年的中介变量，包括生产性分工、专业化、技术进步。我们先对方程（3）进行回归，以检验系数β1是否具有显著性。如果回归结果表明β1是显著的，那么我们将继续对方程（4）和（5）进行回归，以检验系数γ1和系数η2是否显著。如果均显著，我们将得出存在中介效应的结论。如果系数η1不显著，那么存在完全中介效应；相反，则存在部分中介效应。

（二）变量说明

1.被解释变量：服务业劳动生产率（prod）。一般而言，劳动生产率是指劳动者在一定时期内创造的劳动成果与其相适应的劳动消耗量的比值。借鉴这一概念，本文中的服务业劳动生产率指服务行业劳动者在一定时期内创造的劳动成果与其相适应的劳动消耗量的比值。因此，根据服务业劳动生产率的定义，本文采用服务业增加值除以服务业就业数量表示服务业劳动生产率。

2.核心解释变量：数字普惠金融指数（difa）。本文采用北京大学数字金融研究中心发布的北京大学数字普惠金融发展指数作为数字普惠金融发展水平的衡量标准。该指数还包括数字普惠金融的三个子指标，即覆盖广度（difb）、使用深度（difd）和数字化程度（difl）。具体来说，覆盖广度主要考察支付宝账户的普及程度以及支付宝绑定银行卡的用户比例，使用深度则关注实际使用互联网金融服务的情况和频率，数字化程度则评估地区数字普惠金融的便利性和效率。

3.中介变量。（1）生产性分工（prc）。根据理论分析，生产性服务业①发展是服务业分工的重要体现，生产性服务业发展水平的提升在一定程度上反映了服务业分工的深化和产业结构的升级。因此，本文用生产性服务业的发展水平来表示生产性分工程度，考虑到数据的可得性，本文借鉴丁博等（2019）[18]的做法，采用生产性服务业城镇就业人数占城镇就业总人数的比重对此进行衡量。（2）专业化（hum）。人力资本作为劳动主体，具有知识、技能、经验等方面的积累，高质量人力资本意味着具有更高的知识及专业水平，是专业化的体现。因此，本文采用人力资本表示专业化程度，借鉴顾乃华（2010）[19]对人力资本的衡量方式，使用平均受教育年限表示人力资本，并根据受教育程度对受教育年限进行估算。（3）技术进步（tec）。对于技术进步的衡量，周卫民等（2022）[20]认为，根据《中国科技统计年鉴》《中国统计年鉴》，技术市场成交额实际上体现了科学技术在市场中的实际应用所创造的市场价值，这在一定程度上反映了科学技术对经济的支撑作用以及科学技术服务经济发展的水平。现代服务业的技术密集性特征突出了技术对经济活动的服务性质。据此，本文采用技术市场成交额来衡量技术进步。政支出占地区生产总值的比重对各地政府干预程度进行衡量。（4）产业结构服务化程度。产业结构的服务化程度可以反映服务业在该区域国民经济中的地位，同时也是衡量服务业与制造业互动程度和发展水平的一项指标，预测产业结构服务化程度的提升能够积极促进服务业劳动生产率的提升（丁潇潇和黄繁华，2014）[22]。据此，本文采用第三产业增加值占第二、三产业增加值的比重来表示产业结构服务化程度。模型变量说明如表1所示。

表1：模型变量说明

（三）数据来源与说明

4.控制变量：服务业劳动生产率除了受数字普惠金融影响外，还受到其他一系列内部和外部变量的影响。根据惠献波（2021）[15]、钱龙（2018）[21]、丁潇潇和黄繁华（2014）[22]的研究成果，本研究选取了经济发展水平（pergdp）、信息化水平（int）、政府干预（gov）以及产业结构服务化程度（stru）作为控制变量。（1）经济发展水平。根据配第—克拉克定理的观点，随着经济发展水平的提高，劳动力会依次在三次产业之间进行转移，地区的产业结构也会从低级向高级进行变迁。经济发展水平提升，将会提高人们对于服务的需求，从而推动服务业的发展，本文采用人均地区生产总值度量地区经济发展水平。（2）信息化水平。信息技术代表了一种新型的生产方式，包括新的工作系统、组织结构、业务流程等。它为企业提供了更有效、更先进的组织管理模式，从而提高了企业的生产力和效率。同时，信息化水平的不断提高能够大大减少服务中的沟通与协调成本，实现标准和工作自动化，减少资源投入和浪费，进一步提升生产率（韩自然等，2017）[23]。本文采用互联网宽带接入用户数来表示信息化水平。（3）政府干预。陈海涛等（2021）[24]分析指出，适度的政府干预对全要素生产率的提升具有正向效应，而过度的政府干预则具有负向影响。我国的产业发展具有政府主导的特征，政府在产业结构变迁中扮演着关键角色，并通过制度安排发挥着重要的作用。政府干预将会影响服务业的发展环境，对服务业劳动生产率产生影响。本文使用各地财

本研究选取2011—2020 年间我国30 个省（自治区、直辖市，以下简称省份）（考虑到数据可得性，排除了西藏、香港、澳门和台湾地区）的面板数据。其中，数字普惠金融数据来自北京大学数字金融研究中心。其他数据均来源于《中国统计年鉴》及各省份统计年鉴。由于辽宁省2019 年第三产业就业人数数据缺失，故本文采用2018 年和2020 年该指标的算术平均值进行估计。同时，为增强数据可比性以及减少异方差，本文对服务业劳动生产率、数字普惠金融指数、生产性分工、专业化以及技术进步指标进行对数化处理。描述性统计如表2所示。

表2：描述性统计

四、实证分析

（一）多重共线性检验

为保证研究的科学性，本文采用方差膨胀因子（VIF）分别从总体、结构及区域层面对模型中各解释变量的共线性进行检验。VIF 衡量了解释变量之间的相关性，VIF 值越高，表示多重共线性越严重。一般来说，VIF 大于10 可以被认为存在多重共线性的问题，检验结果如表3 所示。可以看出，多数变量的VIF 值小于10，且VIF 均值均小于5，故认为模型不存在严重的多重共线性，可以进一步进行回归分析。

表3：多重共线性检验

（二）基准模型检验

1.数字普惠金融对服务业劳动生产率的影响效应检验。回归结果如表4所示，根据F检验、LM检验以及Hausman检验的结果，在揭示数字普惠金融对服务业劳动生产率的影响效应时均构建个体固定效应模型。其中，模型（1）表示总体估计结果，模型（2）—（5）表示在依次加入经济发展水平、信息化水平、政府干预以及产业结构服务化程度等控制变量后的估计结果。

表4：基准回归结果

在总体层面，数字普惠金融总指数对服务业劳动生产率的影响为正，并在1%显著性水平下通过检验，说明数字普惠金融能够显著促进服务业劳动生产率的提升。从控制变量回归结果来看，经济发展水平、信息化水平、产业结构服务化程度系数符号为正，且在1%显著性水平下通过检验，说明有利的宏观经济环境、不断成熟的互联网技术以及不断扩大的服务业比重推动着服务业不断向好发展，缓解了传统服务业存在的低效率问题。但是，政府干预的系数符号为负且在1%显著性水平下通过检验，表明政府干预对服务业劳动生产率具有显著的抑制作用，这间接说明在我国财政分权制度下，财政支出结构的不完善可能导致要素市场扭曲，阻碍了产业的正常发展，最终使得劳动生产率下降，造成财力资源的浪费，这与余泳泽和刘大勇（2018）[25]得出的结论一致。

2.数字普惠金融对服务业劳动生产率影响的结构性特征。接下来，本文将继续就数字普惠金融的三个子指标，即数字普惠金融服务覆盖广度、使用深度及数字化程度对服务业劳动生产率的结构性影响进行分析。表5 模型（6）—（8）依次展示了数字普惠金融的覆盖广度、使用深度以及数字化程度对服务业劳动生产率的影响效应，数字普惠金融的三个子指标对服务业劳动生产率均具有显著正向影响。其中，使用深度对服务业劳动生产率的影响系数最大，其次是覆盖广度，这两者的影响程度相近，而数字化程度对服务业劳动生产率的影响相对较弱，说明相较于覆盖广度与使用深度而言，数字化程度的拉动作用还不足，数字普惠金融的发展尚未完全成熟，可能需要更深层次的技术创新来实现更大的生产率提升。未来应重点加强对于数字化程度的建设，关注数字普惠金融如何利用好数字技术来推动服务业的发展，以进一步提升数字普惠金融对服务业劳动生产率的促进作用。

表5：数字普惠金融对服务业劳动生产率影响的结构效应

3.数字普惠金融对服务业劳动生产率影响的区域性差异。我国金融资源分配不均衡，普遍呈现出东部资源充沛而中西部资源匮乏的现象，为此，本文将30个省份按照东、中、西三个区域进行划分②，分区域探讨数字普惠金融对服务业劳动生产率的影响。结果如表6 所示。可以发现，数字普惠金融对服务业劳动生产率的影响存在区域异质性。具体而言，数字普惠金融对服务业劳动生产率的促进作用在西部地区最为明显，其次是东部地区，而中部地区数字普惠金融对服务业劳动生产率的影响并不显著。原因可能是，我国东部地区丰富的金融资源禀赋、基础设施建设、市场范围以及服务水平，为数字普惠金融提供了良好的发展环境，打破了过去传统服务业在空间、时间上面临的局限性，从而有效促进了服务业劳动生产率的提升。对于经济发展较为落后的西部地区而言，农村金融资源供给不足问题十分突出，地理范围广阔、物理网点覆盖成本高的特点导致其金融服务的可得性较低，且存在大量弱势行业和人群，而这恰好是数字普惠金融的重点服务对象，加上近年来西部地区的普惠金融意识逐渐增强，数字普惠金融在一定程度上得到了跨越式发展（郭峰等，2020）[26]，使得数字普惠金融对于西部地区服务业的发展具有显著的边际效应，能够大大降低西部地区服务业信息获取的成本，扩大服务市场范围，提高资源配置的效率，并缓解中小微企业的融资难问题，从而有效提高金融服务的可得性，促进了生产率的提升。

表6：数字普惠金融对服务业劳动生产率影响的区域性差异

然而，对于中部地区而言，尽管其具有承接东部产业转移的优势，是连接东西部的桥梁和纽带，但其承接的产业多为传统型产业，且承接外包的环境条件、保证手段缺失，又在一定程度上受到东部相对发达的服务业抑制，导致在国际分工乃至区域分工中的位置靠后，现代服务业发展层次不高，在短期内难以实现产业转型升级。同时，中部地区农村市场范围广，人均收入水平相对较低，对服务业（尤其是高端服务业）的需求不旺盛，产业价值链较短，使得服务业发展面临一定困难。吴志军和舒晓杰（2022）[27]的研究结果显示，2006—2020年，中部地区的第三产业结构性转移增长为-8815.04，在三个五年规划期间均呈负值。这表明中部地区的现代服务产业比重相对较低，服务产业体系还不够成熟，长期处于结构性劣势，人才资源匮乏、市场创新活力不足等问题也限制了中部地区服务业的发展，这一系列因素导致了数字普惠金融对于服务业劳动生产率的提升作用尚未显现，还具有较大开拓空间。

（三）数字普惠金融对服务业劳动生产率的贡献分析

为了检验各变量对服务业劳动生产率影响的贡献度，本文采用夏普里值（Shapley value）分解法对各变量的贡献度进行衡量，该方法通过观测不同解释变量组合下R²的变化，分解测度出解释变量的边际贡献和贡献率（Huettner 和Sunder，2012）[28]。表7 显示了数字普惠金融总指数、数字普惠金融的三个子指标以及控制变量对服务业劳动生产率的贡献度。根据结果可知，数字普惠金融总指数对服务业劳动生产率的影响贡献度为18.71%。在各子指标中，覆盖广度的贡献度最大，达到了18.70%，其次为使用深度，贡献度为18.09%，而数字化程度对服务业劳动生产率的影响贡献度较低，仅为7.41%。这进一步说明了目前数字化程度发展还较不成熟，产生的影响相较于数字普惠金融覆盖广度和使用深度而言更加微弱。可能的原因是：我国金融体系数字化转型起步较晚，目前正处于转型期间，硬件设施及普及力度还存在一定不足，数字金融资源难以完全覆盖所有的有效金融诉求，这使得数字化程度对服务业劳动生产率的影响可能被减弱（汪亚楠等，2020）[29]。

表7：基于夏普里值的数字普惠金融各变量的贡献率

（四）数字普惠金融对服务业劳动生产率影响的机制检验

接下来，本文运用中介效应模型检验生产性分工、专业化以及技术进步在数字普惠金融与服务业劳动生产率关系中的中介效应，回归结果如表8所示。

表8：中介效应回归结果

在以技术进步为中介变量的路径下，回归分析结果与理论预期一致，如表8 模型（21）、（22）所示。由模型（21）可知，数字普惠金融对技术进步的影响系数为0.210，且在1%的水平下显著，说明数字普惠金融能够显著正向影响技术进步。由模型（22）可知，在加入技术进步这一中介变量后，数字普惠金融对服务业劳动生产率的影响系数为0.076，与基准回归相比数值稍有变小，且在1%的水平下显著，说明技术进步存在部分中介效应，即数字普惠金融可以显著促进样本省份技术进步，并最终提高服务业劳动生产率。同时，根据回归系数，数字普惠金融通过技术进步对服务业劳动生产率的间接效应系数为0.008，小于直接效应系数0.076，这表明技术进步在数字普惠金融促进服务业劳动生产率提高的作用中发挥着较小的中介效应，而大部分为直接效应，说明数字普惠金融通过技术进步来拉动服务业劳动生产率这一渠道还具有较大的上升空间，提升作用有待进一步加强。

在以生产性分工和专业化为中介变量的路径下，回归分析结果与理论预期不一致，但二者存在差异。其中，表8 模型（17）、（18）以生产性分工为中介变量，根据回归结果可知，数字普惠金融能够显著促进生产性分工，而生产性分工对服务业劳动生产率的影响显著为负，数字普惠金融对服务业劳动生产率的间接效应为-0.018（-0.176×0.102），其方向与直接效应相反，直接效应系数0.102 大于总效应系数0.084，说明生产性分工在其中发挥了显著的遮掩效应。对此，可能的解释是：从理论上讲，当生产性分工水平提高时，分工过细可能导致信息不对称、协调成本增加等问题，可能使得服务业企业和组织对于整个价值链的其他环节了解不足，劳动者过度依赖其特定领域的专业化，限制了他们学习新技能和适应新环境的能力，这种局限性可能会使劳动者无法充分利用数字普惠金融带来的潜力，限制其对劳动生产率的提升作用，从而产生遮掩效应。此外，由于生产性分工程度主要受到生产性服务业发展水平的影响，生产性服务业发展水平的提升意味着注意力和资源可能更多地集中在该行业的发展上，而忽视了其他行业的需求和机会，这可能导致数字普惠金融在其他服务业部门中的推广和应用受到限制，无法充分发挥对劳动生产率的促进作用，从而掩盖了数字普惠金融对服务业劳动生产率的潜在影响。也就是说，当生产性服务业比重相对于其自身的需求过高时，带来的需求结构和现有产业结构的不平衡将会使资源和要素分配失衡，分工结构的不合理导致了生产率的下降（金晓雨，2015）[30]，也就掩盖了数字普惠金融对服务业劳动生产率的提升作用，数字普惠金融对于生产性分工结构合理化的拉动作用还有待挖掘。

表8 中模型（19）和（20）是以专业化为中介变量的回归结果，由回归结果可知，数字普惠金融能够显著促进专业化水平，在加入专业化这一中介变量后，数字普惠金融对服务业劳动生产率的影响系数为0.085，且在1%的水平下显著，专业化对服务业劳动生产率的影响系数为-0.106，但并不显著。因此，需通过进一步检验来判断中介效应是否存在。本文借鉴温忠麟和叶宝娟（2014）[31]的检验方法，采用Bootstrap 法检验，结果如表9 所示。直接效应置信区间为（0.047，0.122），不包含0，说明数字普惠金融对服务业劳动生产率存在显著影响，与上文结果一致。间接效应置信区间（-0.004，0.028）含有0，说明专业化的中介效应不成立。专业化是多维度的，包括职能、区域、产业等方面的专业化，而本文考虑的仅是人力资本因素的影响，人力资本作为专业化的一个方面，可能在数字普惠金融对服务业劳动生产率的影响中未能发挥中介作用。这可能是由于：第一，数字普惠金融虽然促进了人力资本水平的提升，但高层次专业化人才并未大量进入服务行业，而是更多进入了制造业等实体行业或者生产率较低的服务部门，可能存在人力资源错配问题（项松林，2020）[32]；第二，由于我国数字普惠金融发展还处于初期，加之人才的转型升级可能存在一个过渡期，数字普惠金融对专业化、高技能、高层次人才的促进作用还未能及时有效地落地到生产率的提升上，这使得人力资本在其中并没有发挥作用，从而导致专业化并未产生积极有效的中介作用。

表9：Bootstrap检验结果

（五）稳健性检验

1.内生性问题。为了缓解模型的内生性问题，避免回归结果存在偏误，本研究采用工具变量法对模型内生性进行检验。对于数字普惠金融工具变量的选择，目前常用的方法是采用各省份到杭州的球面距离构建地理工具变量。这是因为，杭州是我国电商业务发展的中心，城市的数字普惠金融水平受到与杭州距离的影响，且城市与杭州的距离作为自然地理变量，不会对服务业劳动生产率产生直接影响。由于本文使用面板数据，距离工具变量无法解释数字普惠金融变化中的时间因素，因此，本文参照陆凤芝和王群勇（2022）[33]的方法，采用各省省会城市到杭州的距离（与个体相关）与移动电话普及率（与时间相关）的交互项作为数字普惠金融的工具变量，回归结果如表10 模型（23）所示。基于不可识别的Anderson canon.corr.LM 统计量为45.656，在1%水平上显著，弱工具变量识别的Cragg-Donald Wald F 统计量为53.930＞16.38，均通过检验，且工具变量回归的结果（0.139，P=0.00）支持了数字普惠金融对服务业劳动生产率的显著促进作用，这表明在本研究中基准回归结果是可靠且稳健的。

表10：稳健性检验

2.剔除直辖市。在数字金融的发展进程中，受到政策偏向的影响，重点城市能够获得更多的经济金融资源和支持政策。因此，为了验证结论的普遍性，本文借鉴刘哲（2022）[34]等的研究方法剔除直辖市样本，对模型进行稳健性检验，检验结果如表10 模型（24）所示。在剔除直辖市后，数字普惠金融指数的系数仍在1%的水平下显著为正，说明对服务业劳动生产率存在显著的正向影响，与基准回归结果保持一致。

3.调整样本区间。根据刘军等（2020）[35]的观点，我国的数字经济发展将经历两个时期，即从萌芽期到蓬勃发展期。他们认为，在测算数字经济水平时，萌芽期的数据并没有太大的意义，而应该以政府开始重视数字经济发展作为时间节点来确定数字经济发展时期的选择。因此，本文以政府开始重视数字金融发展的2015 年作为样本起始时间，对2015—2020年数据的回归结果如表10 模型（25）所示。数字普惠金融指数对服务业劳动生产率的影响在1%显著性水平下通过检验（0.188，P=0.000），即数字普惠金融发展正向影响服务业劳动生产率，与基准回归结果保持一致。

五、结论与政策建议

（一）结论

本研究利用2011—2020年我国30个省份的省级面板数据，运用固定效应模型和中介效应模型，对我国数字普惠金融发展对服务业劳动生产率的影响进行了分析与检验。根据理论机制分析，数字普惠金融能够通过生产性分工、专业化、技术进步这三条机制对服务业劳动生产率产生促进作用。实证检验发现：第一，数字普惠金融对我国服务业劳动生产率具有显著的促进作用，但在中部地区影响效果不显著，存在区域性矛盾。第二，根据Shapley值分解结果，数字普惠金融覆盖广度的贡献度最大，使用深度次之，分别为18.70%和18.09%，而数字化程度的贡献度微弱，仅为7.4%，存在结构不平衡问题。第三，数字普惠金融可以通过技术进步这一中介变量来促进服务业劳动生产率的提升，且直接效应高于间接效应，但数字普惠金融在生产性分工和专业化这两条路径上对服务业劳动生产率的中介作用与理论分析不符，主要表现为生产性分工在数字普惠金融对服务业劳动生产率的影响中呈现出遮掩效应，而专业化的中介作用则不存在。

（二）政策建议

1.加快数字普惠金融建设，重点推进数字化程度提升。提高服务业劳动生产率要充分发挥数字普惠金融的优势，需加大对数字普惠金融的宣传推广，尤其要重点推进数字化建设。这包括增加数字普惠金融相关硬件和软件的投入，引入强大的数字安全技术，奠定数字化建设基础。同时，需重点关注弱势群体，简化操作流程，建立智能化支付系统，并利用大数据对消费者偏好的感知，扩大服务范围和提高服务效率，致力打造“智慧普惠金融”，更好地实现数字普惠金融在服务业劳动生产率提升中的作用。

2.精准施策，平衡数字普惠金融区域协调发展。对于数字普惠金融在不同地区对服务业劳动生产率的异质性影响，应精准施策以缓解区域不平衡状况。尤其是面对中部地区可能存在的现代服务业需求低、市场创新活力不足等问题，应重点推进数字普惠金融创新，扩大和利用好中部地区所具备的资源优势，平衡产业间的发展，带动服务业市场需求和消费能力提升，支持现代服务业发展。同时，东中西部地区应加强合作与交流，平衡资源分配，提高区域金融创新活力，促进共同发展。

3.推动数字普惠金融下服务业分工结构合理化，平衡普惠资源分配。为了克服生产性分工对数字普惠金融在提升服务业劳动生产率方面的限制，需要优化服务业分工结构，促进合理分工。这要求关注服务业的整体发展，需要加强不同服务业部门之间的合作与协同，建立合作机制与信息共享平台，鼓励联合创新，以推动服务业整体发展。同时，要平衡数字普惠金融在服务业的普及和应用，通过提供更普惠的金融服务，帮助劳动者在不同领域之间实现更好的资源配置和资金流动，以实现各部门资源的合理分配。

4.优化服务业人才资源配置，避免人力资本错配。提高服务业劳动生产率，要落实服务业专业化发展，尤其是要优化人才资源配置。因此，应优化人才引进政策，吸引高层次人才进入服务业，并加大人才培养力度，促进专业化和多样化技能发展，避免人力资本流失和错配。此外，要充分利用先进技术和创新型金融科技，完善数字普惠金融下的人才管理制度，实现科学智能化管理，建立有效的人力资源发展体系，引导从业人员学习和应用新技术，加快人力资本的转型升级，从源头上为提升服务业劳动生产率提供强大支持。

注：

①根据国家统计局发布的《生产性服务业统计分类（2019）》，本文中生产性服务业包括：交通运输、仓储和邮政业，信息传输、软件和信息技术服务业，金融业，租赁和商业服务业，科学研究和技术服务业。

②东部地区包括北京、福建、广东、海南、河北、江苏、辽宁、山东、上海、天津和浙江，共计11 个省份。中部地区包括安徽、河南、黑龙江、湖北、湖南、吉林、江西和山西，共计8 个省份。西部地区包括内蒙古、甘肃、广西、贵州、宁夏、青海、陕西、四川、新疆、云南和重庆，共计11个省份。