数字普惠金融、债务融资成本与中小微企业创新——来自新三板挂牌公司和中国地级市的经验证据

房 昊

（南开大学，天津 300350）

一、引言

技术创新是推动经济增长的根本因素，创新已成为推动我国经济发展的第一动力。目前我国经济正处于由高速增长转向高质量发展的重要阶段，而高质量发展阶段的重要特征便是经济发展需要从“要素驱动”转向“创新驱动”，增强自主创新能力和加快科技自立自强是畅通国内大循环、在国际循环中赢得主动的关键所在。中小微企业作为实体经济的重要组成部分，具有强烈的创新动力和创新潜力，是技术创新的生力军。《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》强调，要“支持创新型中小微企业成长为创新重要发源地”。然而，对于中小微企业来说，仅凭借内源性融资难以满足其高质量研发创新的需求，而外部融资又存在“融资难、融资贵、融资慢”的问题，极大程度制约了中小微企业的研发创新，融资难题成为中小微企业实现技术创新的绊脚石。

2015 年12 月31 日，国务院印发《推进普惠金融发展规划（2016—2020 年）》，将大力发展普惠金融提升到国家战略层面，用以促进金融业可持续均衡发展，推动大众创业、万众创新，助推经济发展方式的转型升级。数字普惠金融将移动互联、大数据、人工智能、云计算、区块链等各类数字技术与金融服务业态深度融合发展，具有广覆盖、低成本、高效率等诸多优势，作为传统金融体系的有力补充，为促进中小微企业的技术创新带来新的机遇。

本文基于2011—2018 年新三板挂牌公司的数据，结合我国337个地级以上城市的数字普惠金融指数，实证探讨数字普惠金融对企业创新是否存在显著的激励效应，并进行影响机制分析。本文的边际贡献体现在：第一，本文选取新三板挂牌公司作为研究对象，实证检验数字普惠金融对中小微企业技术创新的促进作用，现有研究主要集中于A 股上市公司领域。相较于上市公司，新三板挂牌公司的市值、收入、盈利等规模普遍更小，更符合“中小微企业”这一特性，因此本文在研究对象上具备一定创新性。第二，从数字普惠金融通过降低债务融资成本进而促进企业创新这一中介效应的角度出发，探究数字普惠金融促进中小微企业创新的作用机制。第三，本文运用了解释变量滞后一期、工具变量法和双重差分模型，在一定程度上缓解了模型潜在的内生性问题，提高实证结果的稳健性和有效性，在控制模型内生性这一点上较现有研究更为完善。第四，创造性地将数字普惠金融对于当地商业银行竞争程度的调节效应与降低企业融资成本、促进企业创新结合起来，进一步实证分析数字普惠金融影响中小微企业技术创新的作用机制。第五，从地理位置、市场分层、所处行业、企业所有制四个角度，探究数字普惠金融促进中小微企业技术创新的异质性，对于增强我国金融服务实体经济的能力、实现创新驱动高质量经济发展具有重要现实意义。

二、文献综述及研究假设

近年来，数字普惠金融对于企业技术创新的影响成为中国学者研究的热点。孙继国等（2020）发现数字普惠金融对于发明专利、实用新型专利、外观设计专利这三类企业创新成果均有明显的促进作用。钱海章等（2020）通过工具变量法和双重差分法，研究发现数字金融可以通过促进该地区的技术创新和创业，进而促进该地区的经济增长。贾俊生和刘玉婷（2021）发现数字金融发展对辖区企业创新有较显著的促进作用，且企业高管的研发技术背景和政治关联背景能够对数字金融在创新激励方面的作用产生正向和负向的调节效果。赵晶晶（2021）利用2011—2018 年深交所创业板民营上市公司的财务数据，研究发现数字普惠金融能够显著促进民营中小企业创新投入的增加，且这种促进效应会随着该企业社会责任履行的提高而增加。唐松等（2020）基于2011—2017年沪深两市A股上市公司数据，研究发现数字金融的发展能够有效校正传统金融中存在的错配问题，进而对企业技术创新产生结构性的驱动效果，并且在金融发展水平相对较差的地区，数字金融展现出更强的企业创新驱动效果，从而证明数字金融所具备的普惠特征。

据此，本文提出研究假设1：数字普惠金融能够促进中小微企业的技术创新。

数字普惠金融主要通过降低中小微企业的融资成本，缓解其融资约束，从而促进研发投入和技术创新。聂秀华（2020）采用2014—2018年深交所中小板及创业板上市公司的数据进行分析，结果表明数字普惠金融主要通过缓解中小企业的融资约束，进而促进中小企业的技术创新。梁榜和张建华（2019）通过研究发现数字普惠金融的发展能够降低中小企业债务融资成本，同时缓解中小企业面临的外部融资约束，促进中小企业的创新产出。袁鲲和曾德涛（2020）采用文本分析法构建2011—2018 年A 股上市公司融资约束度量指标，并与数字普惠金融指数进行匹配，结果发现数字金融能够显著缓解企业面临的融资约束，这一作用可以归因于企业债务融资成本的降低。

据此，本文提出研究假设2：数字普惠金融通过降低中小微企业的债务融资成本，从而促进技术创新。

此外，数字普惠金融还可以通过调节当地银行业的竞争，进而间接影响中小微企业的技术创新。封思贤和郭仁静（2019）认为数字金融发展通过促进银行竞争改善银行的成本效率，但同时降低了银行的利润率。袁鲲和曾德涛（2021）将数字普惠金融指数与2011—2018 年中国银行业区域性价格竞争指标相结合，研究结果表明，某地区数字金融的发展在一定程度上加剧了当地银行业的竞争。吴桐桐和王仁曾（2021）利用中国149 家中小商业银行的面板数据进行实证分析，结果证明数字金融的发展能够促进中小商业银行间的竞争，且这一影响对城市商业银行和中西部地区中小商业银行的效果更显著。而随着当地银行业的竞争程度加剧，各商业银行为获得更多的业务，会降低企业贷款利率，因此中小微企业从银行获得贷款融资的成本就会相应降低，从而促进中小微企业的技术创新。

据此，本文提出研究假设3：数字普惠金融能够调节当地银行业的竞争程度，降低中小微企业获得债务融资的成本，进而促进其技术创新。

三、数据说明及模型设计

（一）模型设计

为了检验本文的研究假设1，即数字普惠金融对中小微企业技术创新的影响，本文构建模型如公式（1）所示。

其中，lnpatentit是公司i在第t年的创新水平，选用企业专利申请数加1后的自然对数来表征；DFIICit为公司i所在的地级以上城市在第t年的普惠金融指数，其系数β1是本文的关注重点，用于衡量数字普惠金融对中小微企业技术创新的影响情况；controlsit为一系列公司特征控制变量；μit为年份*行业固定效应，目的是控制随年份变化的行业特征；εit为随机误差项。

1.被解释变量。企业创新（lnpatent）：专利数量最能体现一个企业技术创新的能力，因此本文将专利申请数量作为企业技术创新的替代变量，选用企业专利申请数加1后的自然对数作为被解释变量，代表企业的创新能力。

2.核心解释变量。数字普惠金融指数（DFIIC）：本文的核心解释变量为北京大学数字金融研究中心编制的数字普惠金融指数，该指数涵盖的时间范围为2011 年至2018 年。同时，北京大学数字金融研究中心在传统普惠金融指标的基础上，结合数字金融服务新形势和新特征与数据的可得性和可靠性，构建数字普惠金融覆盖广度指数（coverage_breadth）、数字普惠金融使用深度指数（usage_depth）等维度来衡量数字普惠金融服务的广度和深度。鉴于该数字普惠金融指数所具备的代表性和可靠性，众多学者将该指数用于数字金融相关的研究之中。

3.控制变量。企业规模（lnasset）：由于企业规模是决定企业技术创新的关键内部因素（冯根福等，2021），本文选取企业规模作为控制变量，使用中小微企业总资产的自然对数来度量。杠杆率（lev）：对企业技术创新的影响存在公司规模异质性和行业异质性（王玉泽等，2019），本文选取杠杆率作为控制变量，采用公司总负债和总资产之比来度量。由于公司成长性、资产收益率和企业年龄也是影响企业创新的重要因素（冯根福等，2021），本文选取成长性、资产收益率、企业年龄作为控制变量，成长性（growth）采用公司营业收入同比来测度；总资产收益率（roa）使用公司净利润与年末总资产的比值来衡量；企业年龄（lnage）选取公司成立年限的对数来度量。股权集中度的提高一方面能够缓解代理问题，督促管理者开展创新活动，另一方面还会加大大股东承担的风险成本，导致大股东对创新支持程度的下降（冯根福和温军，2008），因此本文进一步控制了股权集中度（equity），采用公司前十大股东持股比例来衡量。

主要变量及其定义如表1所示。

表1 主要变量及其定义

（二）样本选择与数据来源

本文的样本区间为2011 年至2018 年，研究对象为新三板挂牌公司，并对样本进行如下处理：剔除金融业和房地产业的公司；剔除ST、*ST 的公司；剔除2018 年后挂牌的公司；对主要连续变量进行1%以下、99%以上的Winsorize 缩尾处理。本文采用的企业专利申请数量来自佰腾网专利数据库，经处理后得到共21307 个公司的年度专利面板数据。数字普惠金融指数来自北京大学数字金融研究中心编制的数字普惠金融指数，银行业市场份额数据来自中国银保监会官网的金融许可证信息查询，企业债务融资成本、总资产、杠杆率、营业收入增长率、总资产收益率等财务数据均来自Wind数据库。

（三）变量描述性统计与相关性分析

从表2的描述性统计可以看出，企业专利申请数量（lnpatent）的均值为0.75，中位数为0，表明大部分新三板挂牌公司的专利申请数量较少，当前的技术创新水平不足，中小微企业具备巨大的创新潜力。企业规模（lnasset）的均值为8.88，标准差为1.28，表明多数新三板挂牌公司在规模上相差不大，均为中小微企业。杠杆率（lev）的均值为4.77，但标准差为36.89；资产收益率（roa）的均值为0.04，但标准差为0.20，表明新三板挂牌公司之间虽然规模上差异不大，但其杠杆率和资产收益率相差较为悬殊。股权集中度（equity）的均值为93.87，标准差为9.67，表明新三板挂牌公司的股权较为集中，控股股东的平均持股比例超过90%。

表2 描述性统计

从表3的相关性分析可以看出，企业创新（lnpatent）和数字普惠金融指数（DFIIC）在1%的显著性水平下正相关，企业创新（lnpatent）和企业规模（lnasset）、总资产收益率（roa）、企业年龄（lnage）在1%的显著性水平下正相关，企业创新（lnpatent）和杠杆率（lev）、股权集中度（equity）在1%的显著性水平下负相关。被解释变量、核心解释变量、控制变量之间的相关系数较小（均小于0.6），说明基准回归不存在严重的多重共线性问题。

表3 相关性分析

四、实证分析

（一）基准回归

表4 展示了数字普惠金融影响中小微企业创新的基准回归结果，其中各回归式中的被解释变量均为企业全部专利申请数加1后的自然对数，各回归式均控制了年份和行业固定效应，并使用公司层面聚类的稳健标准误。列（1）和列（2）的结果显示，数字普惠金融指数（DFIIC）的系数在1%的显著性水平下为正，表明数字普惠金融能够显著地提升新三板企业的创新能力，从而印证研究假设1，即数字普惠金融的推广和实施能够有效促进中小微企业的技术创新。本文还以数字普惠金融覆盖广度（coverage_breadth）和数字普惠金融使用深度（usage_depth）这两个二级指标作为解释变量进行回归，结果如列（3）至列（6）所示，可以看出，这两个指标的回归系数均显著为正，说明数字普惠金融覆盖广度（coverage_breadth）和使用深度（usage_depth）的提升，能够使得中小微企业的创新能力随之得到提升。从控制变量的回归结果来看，企业规模（lnasset）在1%的水平下显著为正，总资产收益率（roa）在10%的水平下显著为正，股权集中度（equity）在5%的水平下显著为负，表明更大的公司规模、更高的资产收益率和更分散的股权集中度会促进中小微企业创新。

表4 数字普惠金融与中小微企业技术创新

（二）债务融资成本的中介效应

前文的分析结果显示数字普惠金融促进新三板企业技术创新的结论是稳健的，本文进一步从企业债务融资成本的角度考察数字普惠金融促进中小微企业创新的内在机制。为了印证研究假设2，本文构建中介效应模型来检验数字普惠金融影响中小微企业技术创新的作用机制。中介效应检验模型设计如公式（2）至公式（4）所示。

其中，debtcostit为中介变量，选用公司i在第t年的利息支出除以该公司在第t年末的总负债余额来衡量，该变量反映一家公司为获得债务融资而付出的成本；lnpatentit是公司i在第t年的创新水平，选用企业专利申请数加1后的自然对数来表征；DFIICit为公司i所在的地级以上城市在第t年的数字普惠金融指数；controlsit为一系列公司特征控制变量；μit为年份*行业固定效应，目的是控制随年份变化的行业特征；εit为随机误差项。

中介效应检验的第一步衡量了数字普惠金融对新三板挂牌企业技术创新的影响，若β1显著为正，则表明数字普惠金融能够显著提升新三板挂牌企业的创新能力；中介效应检验的第二步衡量了数字普惠金融对新三板挂牌企业债务融资成本的影响，若γ1显著为负，则表明数字普惠金融能够显著降低新三板挂牌企业的债务融资成本；中介效应检验的第三步将中介变量debtcostit加入基准回归方程中，若α2显著为负，则说明中介效应存在，即数字普惠金融能够通过降低新三板挂牌企业的债务融资成本，进而促进挂牌企业的技术创新；此时若α1显著，证明debtcostit的部分中介效应，若α1不显著，则说明debtcostit的完全中介效应。

表5 为检验债务融资成本中介效应的三步法回归结果，其中列（1）的回归结果显示，数字普惠金融指数（DFIIC）的系数在1%的显著性水平下为正，表明数字普惠金融能够显著降低中小微企业的融资成本。列（2）的回归结果显示债务融资成本（debtcost）的系数在5%的显著性水平下为负，这表明债务融资成本的降低能够有效促进中小微企业的技术创新。列（3）的回归结果显示数字普惠金融指数（DFIIC）在5%的显著性水平下为正，债务融资成本（debtcost）的系数在5%的显著性水平下为负，这表明债务融资成本的中介效应显著，即数字普惠金融能够通过降低债务融资成本，从而促进中小微企业的技术创新，研究假设2得到证实。

表5 数字普惠金融、债务融资成本与企业创新

（三）稳健性检验

1.替换计量模型。由于很多新三板挂牌公司并没有申请专利，基准回归的被解释变量为零值，存在截尾数据的特征，因变量左侧受限适合使用Tobit 模型进行估计；由于被解释变量专利申请数具有计数变量的特征，适用于泊松模型进行估计；此外，本文还根据企业专利申请数（lnpatent）是否为0构建虚拟变量，若观测当年企业申请了专利，则令lnpatent为1，若观测当年企业未申请专利，则令lnpatent为0，当被解释变量为二元离散变量时适用于Logit模型回归。Tobit模型、Poisson模型、Logit模型的估计结果如表6所示，各回归式中DFIIC的系数均显著为正，在替换计量模型后本文的研究假设1仍然成立。

表6 稳健性检验（替换计量模型）

2.替换变量和调整样本容量。本文选取企业研发支出总额占销售收入的比例这一指标替换企业创新变量（lnpatent），回归结果如表7 列（1）和列（2）所示，从中可以看出，数字普惠金融指数（DFIIC）的系数仍显著为正，表明数字普惠金融对中小微企业的创新仍具有正向显著的激励作用；同时，考虑到未取自然对数的数字普惠金融指数数据为离散型变量，可能不符合正态分布的假定，故本文对数字普惠金融指数（DFIIC）取自然对数后作为新的解释变量进行回归，结果如表7列（3）和列（4）所示，新的数字普惠金融变量lnDFIIC的系数仍显著为正，表明替换解释变量后，本文的研究结论仍然成立。此外，为了确保实证分析的结论不受特定城市的影响，本文剔除北京、上海、天津、重庆这四个直辖市样本后再次进行回归，结果如表7 列（5）和列（6）所示，DFIIC的系数依然显著为正，证明本文实证分析结论的稳健性。

表7 稳健性检验（替换变量和调整样本容量）

（四）内生性检验

考虑到数字普惠金融与中小微企业创新之间可能存在内生性，本文采取解释变量滞后一期、工具变量法和双重差分法三种方法来检验模型是否存在严重的内生性问题。

1.解释变量滞后一期。为了尽量减少数字普惠金融与企业创新之间的内生性问题，本文考虑将关键解释变量DFIIC和各控制变量滞后一期后进行回归，结果如表8列（1）和列（2）所示，滞后一期的解释变量L.DFIIC系数仍显著为正，印证本文的研究假设1，即数字普惠金融有助于促进中小微企业实现技术创新。

2.工具变量法。数字金融的发展源自互联网技术的应用和普及，而互联网技术的推广和应用又源自固定电话的普及，因此固定电话的普及率与数字金融的发展存在相关性，固定电话普及率较高的地区一般来说数字金融发展也较好（黄群慧等，2019），同时固定电话数量对于中小微企业的技术创新几乎没有影响。因此本文选取固定电话数量作为地区数字金融发展的工具变量，满足工具变量的相关性和外生性要求。回归结果如表8 列（3）和列（4）所示，工具变量IV.DFIIC的系数显著为正，再次证明数字普惠金融对于中小微企业创新的激励效果。

3.双重差分法。对于欠发达的中西部地区与发达的东部地区来说，数字普惠金融政策的影响程度存在显著差异（钱海章等，2020）。故本文通过双重差分法来实证检验数字普惠金融的政策效应。其中time为时间虚拟变量，2016 年数字普惠金融政策正式提出之前为0，2016年之后为1；dist是地区虚拟变量，中西部地区为1，东部地区为0。模型控制了年份和个体固定效应，回归结果如表8 列（5）和列（6）所示，交互项time_dist的系数在1%的显著性水平下显著为正，表明数字普惠金融政策的正式提出和推进对于中西部地区而言，显著促进了该地区企业的技术创新。

表8 内生性检验

（五）异质性检验

1.基于地理位置的异质性分析。截至2021 年1月31 日，新三板挂牌企业分布在全国365 个地级市，不同城市的经济发展水平、基础设施条件、人才资源存在较大差异。本文考察数字普惠金融影响中小微企业创新的区域异质性，表9的列（1）和列（2）的回归结果显示，数字普惠金融指数（DFIIC）的系数在中西部企业样本中显著为正，而在东部企业样本中并不显著，即相较于东部的公司，数字普惠金融显著提升了中西部地区的新三板挂牌公司的技术创新。

2.基于市场分层的异质性分析。根据全国股转系统于2019年12月27日发布的《中小企业全国股份转让系统——分层管理办法》，全国股转系统划分为基础层、创新层和精选层三个层级，符合不同条件的挂牌公司分别纳入不同市场层级管理。基础层、创新层、精选层对挂牌企业的要求不同，精选层的门槛是三个层级中最高的，对挂牌企业规模、盈利能力的要求也是最高的，而基础层的门槛相对最低。本文进一步考察数字普惠金融影响中小微企业创新的市场分层异质性，表9 列（3）至列（5）的回归结果显示，在基础层样本中DFIIC的系数在1%的显著性水平下显著为正，在创新层样本中DFIIC的系数在10%的显著性水平下显著为正，在精选层样本中DFIIC的系数不显著，表明数字普惠金融对基础层挂牌企业技术创新的激励作用最为明显，对创新层挂牌企业技术创新的激励作用一般，对精选层挂牌企业技术创新的激励作用较不明显。

表9 异质性检验（地理位置和市场分层）

3.基于所属行业的异质性分析。本文将新三板挂牌公司按其主营业务的类型划分为制造业和非制造业两个子样本，进一步考察数字普惠金融对企业创新的影响在不同所属行业之间的异质性。表10的列（1）至列（4）显示，对于制造业企业，数字普惠金融指数（DFIIC）的系数显著为正，而在非制造业企业样本中不显著。因此，相对于非制造业企业，数字普惠金融能够显著促进制造业企业的技术创新。

4.基于企业所有制的异质性分析。江小涓和孟丽君（2021）认为，民营经济在高技术领域的创新具有更大潜力。本文将经营性质为“国营或国有控股”的公司划分为国有企业，将经营性质为“私营企业”“事业单位”“集体企业”等的公司划分为非国有企业，进一步考察数字普惠金融对新三板挂牌企业技术创新的影响在不同所有制企业之间是否存在差异。表10列（5）和列（6）的回归结果显示，在非国有企业样本中数字普惠金融指数（DFIIC）的系数在1%的显著性水平下显著为正，在国有企业样本中数字普惠金融指数（DFIIC）的系数在5%的显著性水平下显著为正，这意味着相较于国有挂牌企业，数字普惠金融对非国有企业技术创新的激励作用更显著。

表10 异质性检验（所属行业和所有制）

（六）进一步检验：银行业竞争的调节效应

为了印证研究假设3，本文选取除前五大银行（即中国工商银行、中国农业银行、中国银行、中国建设银行和交通银行）外其他银行的分支机构数占该地区全部商业银行分支机构数的比重（bank）作为反映该地区银行业竞争程度的指标，bank指标越高，说明当地银行业的竞争程度越高，而银行之间的竞争越激烈，中小微企业从银行取得贷款融资的成本就相对越低，更低的融资成本促进了中小微企业的技术创新。

本文通过回归分析进一步考察数字普惠金融对银行业竞争以及中小微企业创新的影响，回归结果如表11 所示，列（1）和列（2）的结果显示，银行业竞争（bank）的系数在10%的显著性水平下显著为正，表明银行业竞争程度越高，越有利于中小微企业实现技术创新；列（3）和列（4）的结果显示，数字普惠金融指数（DFIIC）和银行业竞争（bank）的交互项系数为正，且在1%的显著性水平下通过显著性检验，这表明数字普惠金融能够有效提升当地银行业的竞争程度，降低企业的融资成本，提升企业的创新产出水平，研究假设3得到证实。

表11 银行业竞争的调节效应

五、结论及政策建议

在我国实施创新驱动发展战略背景下，为了考察数字普惠金融能否激励中小微企业技术创新，本文基于2011—2018年新三板挂牌公司数据，结合我国337个地级以上城市的数字普惠金融指数，实证检验数字普惠金融对企业创新是否存在激励效应及其作用机理。研究发现，数字普惠金融可以通过提升当地银行业的竞争程度，降低企业的债务融资成本，从而有助于增加企业的研发投入，促进企业技术创新。对于中西部地区的企业、新三板基础层的企业、制造业企业和非国有企业，数字普惠金融提升企业创新能力的效果更加显著。

基于以上研究结论，本文提出三项政策建议。第一，扩大数字普惠金融的普及范围和渗透程度。大力加强中西部地区和农村偏远地区的数字金融基础设施建设力度，设立数字金融试点，实现传统金融与数字技术的不断融合，缩小数字普惠金融的区域差距，打造“广覆盖、多层次、高效率”的数字普惠金融体系。第二，加强对于中小微企业的创新支持力度。通过人才培养、财政补贴、税收返还等方式引导和鼓励中小微企业大力投入创新，同时利用数字化技术和传统金融的深度融合，积极寻求解决方案，切实解决中小微企业面临的“融资难、融资贵、融资慢”等普遍性问题，降低企业融资成本，缓解融资约束，从而不断释放中小微企业和民营企业的创新活力，提升我国企业的整体创新水平。第三，进一步完善多层次的资本市场，因企施策。对于所处不同层级、不同行业、不同所有制的企业采取不同类型和程度的帮扶政策，鼓励符合条件的中小企业通过债券市场、股权市场获得外部融资，同时利用信息技术识别具备创新潜力的中小企业，加大支持力度，促进并优化市场资源的合理配置。