科技金融有助于企业创新效率提升吗？*——兼论企业数字化转型的调节效应

郭景先，鲁 营

（山东理工大学管理学院，山东 淄博 255012）

一、引言及文献综述

中国在统筹经济发展和疫情防控方面取得的成效全球瞩目，但是外部环境更趋复杂严峻和不确定，国内经济面临需求收缩、供给冲击、预期转弱三重压力，企业生存与发展遇到前所未有的挑战，数字赋能、科技创新无疑是企业提高核心竞争力的重中之重。然而，由于企业自主创新风险高、周期长，加之信息不对称的存在，许多企业融资困难，阻碍了创新能力与创新效率的有效提升。因此，加大企业创新的金融资源供给、提高金融服务实体经济效率，是推动企业实现高质量发展的重要路径。我国“十四五”规划和2035年远景目标纲要提出，要完善金融支持创新体系，鼓励金融机构发展知识产权质押融资、科技保险等科技金融产品。

科技金融作为促进科技创新发展的一系列金融工具、金融制度、金融政策与金融服务等构成的体系（赵昌文等，2009），对企业技术创新的作用效果备受关注。Schumpeter（1912）首次论证了金融与技术创新之间的关系，但是国外对“科技金融”一词从概念上并没有形成独立、完整的研究范畴（张明喜，2018），其主要围绕金融与科技创新的关系展开研究。Giannetti（2012）发现金融机构介入对中小高新技术企业的技术进步和创新有更显著的促进作用。Hsu等（2014）发现资本市场发展越好的国家，企业科技创新能力越强，高质量科技成果也越多。Kim等（2016）发现银行贷款对技术创新活动有负面影响，而证券融资对技术创新活动有积极影响。国内学者的相关研究主要集中两方面：一是科技金融对企业技术创新影响。张玉喜和赵丽丽（2015）研究发现短期内科技金融对科技创新效果显著，而长期内效果不明显。芦锋和韩尚容（2015）将科技创新划分为技术创新阶段、成果转化阶段与产业化阶段，发现公共科技金融与市场科技金融对不同阶段的科技创新效果不同。路启梅（2019）研究发现科技金融对制造业自主创新具有非线性作用效果。二是依据系统学与协同学理论研究科技金融与技术创新的协同发展。王宏起和徐玉莲（2012）阐述了科技金融与科技创新协同发展机理，并购复合系统协同度模型开展实证研究，研究表明中国科技创新与科技金融间良性协同发展机制尚未形成。张芷若和谷国锋（2019）从空间视角分析发现中国科技金融与科技创新耦合协调度具有区域差异，近半数省份处于低度协同以下。刘义臣（2021）评价了科技金融与先进制造业的动态耦合协调度。

有关科技金融与科技创新的互动研究较为丰富，但关于科技金融与企业创新效率的研究较少。企业创新效率是在一定环境和创新资源配置条件下对单位创新投入与产出的评价，其高低受众多因素影响。以往文献关于企业创新效率影响因素的研究主要集中于企业资源与治理因素、以及外部宏观环境与政策因素，而对于科技金融如何影响企业创新效率的研究尚待丰富。

在“加快数字化发展，建设数字化中国”战略引领下，各行业纷纷出台相关政策，加快推动企业数字化转型进程，越来越多的企业制定了清晰的数字化转型战略规划。本文以2010—2019年沪深A股上市公司为研究对象，在测度企业创新效率与科技金融发展水平基础上，理论分析与实证检验科技金融对企业创新效率的影响机制，以及企业数字化转型的调节效应。本文可能的边际贡献主要有以下三点：第一，分别从企业融资与公司治理视角理论分析科技金融与企业创新效率之间的逻辑关系，有助于厘清科技金融对创新效率的作用机理，可作为对现有研究的补充；第二，以往文献主要研究科技金融对科技创新的作用效果，较少关注科技金融对企业创新效率的影响，本文有助于丰富科技金融作用效果的相关研究。

二、理论分析

（一）科技金融与企业创新效率

创新效率反映单位创新投入对产出的贡献程度，通常用一定创新环境和创新资源配置条件下单位创新投入获得的产出，或者单位创新产出所消耗的创新投入来衡量（樊华和周德群，2012）。创新效率可以分解为纯技术效率和规模效率。近年来虽然中国科技创新效率明显提升，但基本处于最佳生产前沿之下，仍然存在较大提升空间（杨骞，2021），创新的纯技术效率和规模效率低下问题仍长期存在（章成帅，2016）。

创新规模效率反映的是实际规模与创新成本最低或要素生产率最高点的最佳规模相比的效率差异（孟韬等，2021）。根据信息不对称理论和融资约束理论，信息不对称导致企业外部融资成本增加，使得企业更加依赖于内部融资。而研发项目的专业性、不确定性、机密性等特点加剧了信息不对称程度，企业创新项目面临更加严重的外部融资约束，资金不足将会引起创新投资偏离最优规模，造成创新规模效率损失。科技金融作为科技和金融的有机结合体，其发展水平不断提高，所能提供的金融资源与金融产品越来越丰富。一方面，发展科技金融可以通过财政科技投入方式设立科创基金或母基金，利用政府信用吸引民间资本、境外资本进入科创领域，以此发挥政府资金的杠杆效应，聚集社会金融资源，大幅增加企业研发资金供给量，有效缓解企业创新资金供给不足问题（马凌远和李晓敏，2019；陈振权等，2021）。另一方面，发展科技金融能够创新金融产品，丰富创新融资工具与方式，拓宽企业融资渠道。随着科技金融不断发展完善，知识产权质押、投贷联动、科技保险等金融产品相继出现，可以分散创新投资风险，降低外部投资主体的风险准入门槛（张玉喜，2015），扩大科技创新的投资群体。由此可见，科技金融发展可以拓宽创新项目的融资渠道，丰富金融产品和服务，从而促进金融链和科技链的融合，有效缓解企业创新融资约束，促进企业创新规模向最佳规模趋近，减少创新规模效率损失。

创新纯技术效率是创新实际所处生产曲线与技术前沿之间的距离，越接近前沿，技术效率越高（章成帅，2016），是企业管理、生产经验累积的体现。创新效率不足的原因不仅包括创新规模投资不足，企业管理与生产经验方面的问题也是不可忽视的（孟韬等，2021）。由于创新活动的高度专业性、保密性特征，股东难以对管理者的决策行为实施有效监督（陈修德等，2018），所以相对于传统项目，企业创新活动更容易存在道德风险或逆向选择等委托代理问题。另外，由于创新成果的直接受益人是公司实际控制人，公司管理者的薪资报酬主要与经营业绩有关，与研发项目是否成功无直接关系，在利益驱动下管理者有动机规避高风险的创新项目投资，或者操纵研发成本，进而导致创新资源配置不当和创新效率低下（Wang，2018）。科技金融有助于改善不确定环境中的资源时空配置，参与主体之间的创新与竞争将会提升企业管理效率，减少研发资金的错配，实现创新效率增长。一方面，科技金融机构对创新项目的筛选与审查能够提高科技金融资源配置效率。科技金融机构参与创新项目的项目评审与筛选、创新过程的监督、创新阶段成果鉴定以及项目经费使用明细审查，有助于保证创新资金专款专用（郭玥，2018）。银行可发挥信息收集的效率优势与成本优势，审查企业运营战略，筛选出优质项目给予贷款（Liu，2019），倒逼企业提升自身治理水平、改善经营业绩以满足银行放贷要求。另一方面，科技金融参与主体的监督能够提高被资项目的管理效率。风险投资机构擅长设计完善的激励机制、制定财务规划、资金运营管理、专利保护等增值服务，能够有效防控企业管理层的道德风险与逆向选择，降低创新项目风险，提高管理效率。由此可见，科技金融对企业治理的监督功能与倒逼效能有助于提升企业管理水平，促进企业创新纯技术效率增长，提高企业创新效率。

基于上述分析，本文提出第一个研究假设：

H1：科技金融有助于提升企业创新效率。

（二）企业数字化转型的调节作用

企业数字化转型是指企业利用数字化系统将产品的设计、生产、营销以及反馈等各环节结合起来，助推企业对海量数据的精细化和高效化管理（刘飞，2020）。企业数字化转型可通过信息赋能以及技术赋能方式，对研发过程中的企业治理、成本管理以及融资管理进行高效管理，以此推动企业创新效率水平增长。

一方面，企业数字化转型的信息赋能可以降低信息不对称，缓解企业融资约束，进而提升企业创新规模效率。数字化转型加快了企业内外部信息的交互频率，通过建立互联互通的商业网络（殷群和田玉秀，2021），打破了组织间的传统边界，有助于形成新型伙伴合作关系（赵术高和李珍，2021），使得企业交易更加透明、安全，利益相关者之间的信任度上升。科技金融机构作为企业创新资金的供给方，也是重要的利益相关者之一，可借助企业数据资源的开放、共享、连接等特性，获取更加丰富的企业信息资源，从而更加精准地对企业创新项目进行判断，提高其投资积极性，缓解企业面临的融资约束，提升企业创新规模效率。同时，企业产品创新离不开企业对于市场前沿需求的把控，企业使用数字终端可以更加精准地掌握用户信息，提高与用户之间的信息交互效率（钱雨，2021），及时了解市场对产品需求的动态变化，提高创新项目开发的精准性。这不仅可以降低企业研发中的信息搜寻成本，而且可以降低变更研发策略或者研发方向产生的调整成本（祁怀锦等，2020），使得真正应用于创新研发的资金更多，对企业创新规模效率产生的驱动效应更强。

另一方面，企业数字转型的技术赋能，能够提高监督管理效率，降低研发风险，提高研发成功率。企业将大数据、物联网、人工智能以及区块链等技术应用于材料采购、产品生产、产品设计、营销策略、报表制作以及客户关系维护，推动业务流程优化（Hess，2016）、分工模式转变（袁淳等，2021），便于对企业经理人的行为实施有效的监督，给企业带来“精、准、快”的经营决策优势（刘洋等，2020）。因此，伴随企业数字化水平的提升，科技金融参与主体能够利用数字化信息技术对企业创新项目进行审查，及时监督创新项目进展以及研发资金使用状态，提升企业的治理水平，避免企业经理人侵占研发资金等代理问题出现，从而提升企业的创新纯技术效率。此外，企业使用数字技术可以将内部业务流程数据上传到数字化平台，以此建立起现实世界与数字世界的桥梁，企业研发人员通过数字建模、算法并结合实际场景，对创新项目的资源配置以及研发进程进行动态仿真与模拟，可以降低研发风险成本，提高研发成功率。因此，数字化转型可以有效降低企业研发产生的风险和成本，产生更多的创新产出。

基于上述分析，本文提出第二个研究假设：

H2：企业数字化转型正向调节科技金融对企业创新效率的促进效果。

三、研究设计

（一）样本选择和数据来源

鉴于我国科技金融在2010年以后进行试点和推广，同时考虑到新冠肺炎疫情的外生冲击，本文选择2010—2019年沪深A股上市公司为研究样本。按照以下标准对样本数据进行筛选：①剔除ST和*ST公司；②剔除财务数据缺失的样本；③剔除金融业公司；④剔除没有披露研发人员数和专利申请数的样本。最终得到3088家公司的19396个样本数据。数据来源方面，企业财务数据均来自CSMAR数据库，企业专利数量、研发支出和研发人员来自CNRDS和CSMAR数据库，科技金融的相关数据来自《中国科技统计年鉴》《中国创业风险投资发展报告》《中国证券期货统计年鉴》以及Wind数据库。

（二）变量选择

1.被解释变量：创新效率（Inn_Effi）

借鉴王华（2020）和王雅洁（2021）的指标体系构建和测度方法，采用投入导向的DEA-BCC模型测算企业创新效率，并进一步分解为创新纯技术效率（Inn_Pure_Effi）和创新规模效率（Inn_scale_Effi）。其中，投入变量选取企业研发人员数量和研发支出数，产出变量采用企业专利申请数，考虑到专利产出的滞后性，采用专利滞后一期数据衡量。

2.解释变量：科技金融（TF）

参考汪淑娟（2021）和张玉喜（2015）的方法，选取财政科技支出、银行科技贷款①国家统计局自2009年起不统计科技贷款指标，本文中银行科技贷款用《中国科技统计年鉴》中各地区“按资金来源分研究与开发经费内部支出”中的“其他资金”来衡量。、创投管理资本额以及科技型企业股市融资四个指标。科技型企业的界定参考房汉廷《上市公司科技板块分析报告（2006）》。在Wind数据库中搜集科技型企业融资额，然后根据企业所属省份归类加总计算各省份的科技型企业股市融资额。以上四个指标的缺失数据采用趋势递补法进行填补，并采取熵值法确定各指标的权重，加权计算获得各省份科技金融指标TF。

3.调节变量：企业数字化转型（DT）

企业数字化转型指标构建遵循以下三个步骤：首先，参考袁淳等（2021）的研究建立企业数字化转型词典。其次，利用python的文本提取功能，对年报中“管理层讨论与分析”（MD&A）部分的数字化转型相关词根进行提取，并保证以上词根中不包括“没”“不”“无”等否定前缀，加总得到词根出现的频数。最后，考虑到年报MD&A部分文本长度存在差异，将提取的词根频数总和除以MD&A词频数并乘以100，该指标越大表明企业数字化转型程度越高。

4.控制变量

在企业创新效率的研究中，参考王靖宇（2020）等的研究，选取销售费用率（Market）、股权集中度（Equity）、资产负债率（Lev）、营业收入增长率（Growth）、企业规模（Size）、企业年龄（Age）、产权性质（Soe）、分析师数量（Inf）以及年度（year）和行业（Industry）虚拟变量作为控制变量。

本文变量的具体定义如表1所示。

表1 变量定义

（三）模型构建

为了检验科技金融对企业创新效率的影响以及企业数字化转型的调节效应，构建模型（1）和模型（2）。

其中：Z为被解释变量，回归时分别使用变量Inn_Effi、Inn_Pure_Effi或Inn_scale_Effi；i表示第i个公司，j表示第j个省，t表示时间，controls表示控制变量，year和Industry表示时间和行业虚拟变量。

为了检验科技金融对企业创新效率的影响机制，建立中介效应模型（3）-（5）。

其中：Y表示Inn_Pure_Effi或Inn_scale_Effi； M表示中介变量，选择公司治理水平和融资约束作为中介变量。

四、实证分析

（一）描述性统计

总样本与分组样本的变量描述性统计结果如表2所示。从总样本的变量统计结果看，科技金融（TF）的均值为0.514，最小值为0.202，最大值为1.179，最大值和最小值相差较大，说明存在科技金融发展的地区差异较大。创新效率（Inn_Effi）的均值为0.315，说明相当一部分企业的创新效率处于DEA无效状态。企业数字化转型程度（DT）的均值为0.025，最小值为0，最大值为31.352，说明存在数字化转型较好的头部企业但占比较小，绝大部分企业数字化转型程度不高。从2010—2019年的企业创新效率时间序列来看，各年均在0.3上下波动，规模效率值均在0.7以下，纯技术效率值均在0.5以下，说明我国企业创新的规模效率高于纯技术效率，且创新效率整体还有较大提升空间。

表2 描述性统计结果

根据数字化转型词根的统计结果，将DT=0的样本归为未转型组，DT不等于0的样本归为已转型组。未转型组样本量为13016个，已转型组样本量为6380个，总样本中仅有约1/3的企业进行了数字化转型。从分组样本的均值T检验结果可见，无论是纯技术效率、规模效率还是创新总效率，已转型组企业的均值显著高于未转型组企业，表明已完成数字化转型企业的创新效率相对较高，初步判断数字化技术应用可能对企业创新效率具有促进作用。已转型组企业的企业年龄（Age）和营业收入增加率（Growth）明显高于未转型组企业，表明企业存续时间越长、市场前景越好，越愿意进行数字化转型。已转型组企业的销售费用率显著低于未转型组企业，初步推断数字化转型有助于降低企业的经营成本。

（二）基准回归

表3列示了模型（1）的回归结果。第（1）列未加入控制变量，科技金融（TF）的回归系数为0.030并通过1%显著性检验，表明科技金融对企业创新效率具有正向激励作用。在控制一系列企业层面特征变量后，第（2）列的科技金融（TF）回归系数仍在1%显著性水平下显著为正，说明科技金融发展水平越高，越有助于提升企业创新效率，假设H1得到验证。

表3第（3）和（4）列分别为创新纯技术效率（Inn_Pure_Effi）和创新规模效率（Inn_scale_Effi）作为被解释变量的回归结果。科技金融对创新纯技术效率的回归系数为0.022、对创新规模效率的回归系数为0.077，均在1%显著性水平下显著为正，表明科技金融对企业创新规模效率和纯技术效率具有显著的正向影响，进一步验证了假设H1。

表3 科技金融对企业创新效率的影响

控制变量方面，从第（2）-（4）列结果看，国有产权（Soe）的回归系数在1%显著水平下显著为正，说明国有企业的创新效率更高。企业规模、企业成长性的回归系数均显著为正，表明企业发展能力越强、规模越大，企业越有能力和动机通过提高创新效率获得长期竞争优势。资产负债率的回归系数显著为负，表明企业负债率越高，财务风险越大，企业越注重短期收益投资，创新效率下降。

（三）企业数字化转型的调节效应分析

表4列示了模型（2）的回归结果。第（1）列中DT×TF的回归系数在5%显著性水平下显著为正，且TF的回归系数在1%显著性水平下显著为正，说明随着企业数字化转型程度不断提高，科技金融对企业创新效率的正向激励效果也越大，即假设H2成立。

在表4第（2）和（3）列中，企业数字化转型程度与科技金融的交乘项（DT×TF）均在5%显著性水平下显著为正，且TF的回归系数在1%显著性水平下显著为正，表明企业数字化转型正向调节科技金融对创新纯技术效率或创新规模效率的促进效果。也就是说，企业数字化转型程度上升可以增强科技金融对于创新纯技术效率以及创新规模效率的促进效果。

表4 企业数字化转型的调节效应检验

（四）稳健性检验

1.替换关键变量

（1）替换解释变量。将财政科技支出、科技型企业股市融资额、创投管理资本额以及银行科技贷款分别取对数，作为分项指标财政科技支出、股市融资、风险投资以及银行科技贷款的代理变量，然后代入模型（1）进行检验，结果如表5第（1）-（4）列所示。财政科技支出、股市融资、风险投资以及银行科技贷款的回归系数均在1%显著性水平下显著为正。以科技金融分项指标替换原有指标后的结果与前文一致，即科技金融可以有效提升企业创新效率。从四项分项指标对企业创新效率的作用效果对比可知，财政科技支出的影响最强，风险投资的影响最弱，银行科技贷款和股市融资的影响分别位于第二位和第三位。

（2）替换被解释变量和调节变量。采用随机前沿模型对企业创新效率值进行重新测算，检验结果如表5第（5）列所示。采用企业财务报告附注披露中数字化技术相关部分的无形资产占比作为企业数字化转型程度的替代变量，检验结果如表5第（6）列。科技金融的回归系数均在1%显著性水平下显著为正，且科技金融与企业数字化转型交乘项（DT×TF）的回归系数在1%显著性水平下显著为正，表明科技金融对企业创新效率具有正向作用效果，且企业数字化转型具有正向调节作用，假设1和假设2成立。

表5 稳健性检验结果（一）

2.替换回归模型

企业创新效率变量的分布区间为[0,1]，为进一步增强研究结论的稳健性，利用Tobit回归对研究结论做进一步验证，检验结果如表6第（1）（2）列所示。科技金融的回归系数在1%显著性水平下显著为正，同时科技金融与企业数字化转型交乘项（TF×DT）的回归系数在1%显著性水平下显著为正，表明科技金融可以有效提升企业创新效率，并且企业数字化转型具有正向调节作用，假设1和假设2成立。

3.基于匹配样本的回归分析

科技金融试点区内的企业具有良好的政策优势以及丰富的科创资源，企业创新效率自然而然就高，以致研究结果可能有偏。为了尽可能缓解可观测样本的选择性偏差问题，采用倾向匹配得分法（PSM）进行样本匹配后对回归模型重新估计。

借鉴马凌远和李晓敏（2019）对科技金融试点城市的划分标准，选取样本中在2011年第一批科技金融试点城市的1769家企业作为实验组，注册地在试点地区的企业作为对照组。然后，利用所选择的控制变量作为协变量进行了样本一对一匹配，得到10437个样本，在平衡性检验中实验组和对照组没有显著差异并且满足共同支撑假设。表6第（3）（4）报告了样本匹配后的回归结果，科技金融对企业创新的促进效果在1%显著性水平下显著为正，并且企业数字化转型和科技金融交乘项（DT×TF）的系数也显著为正，说明在其他条件十分相似的情形下，地区科技金融发展水平越高，企业创新效率的提升效果越大，前文研究结论具有稳健性。

表6 稳健性检验结果（二）

五、影响机制检验

（一）科技金融对企业创新效率的影响机制检验

如前文理论分析所述，科技金融对企业创新效率的促进效应有两条影响路径。一是发展科技金融可以丰富企业创新融资产品、拓宽创新融资渠道，缓解企业创新融资约束，促进企业创新投入规模扩大，进而提升企业创新规模效率；二是科技金融机构通过对企业创新项目的筛选与评审、过程监督、成果验收等措施发挥治理效应，提升企业管理水平，进而提升企业的创新纯技术效率。

为了验证上述理论分析，选择公司治理水平与融资约束作为中介变量，检验科技金融对企业创新效率的作用机制。对于公司治理变量（CorGovindex），借鉴顾乃康（2017）的研究方法，构建包括股权制衡度、高管持股比例、独立董事规模、董事会规模、董事长和总经理的兼任情况、高管前三名薪酬、机构投资者持股比例等变量的指标体系，运用因子分析法确定各指标权重，加权得到公司治理水平指标，该指标数值越大表示企业治理水平越高。对于融资约束变量（SA），借鉴鞠晓生（2013）和凌润泽（2021）的研究方法，采用SA指数的绝对值来衡量，数值越大表示企业面临的融资约束越强。运用模型（3）-（5）所示的中介效应模型进行回归分析，结果如表7所示。

表7 科技金融对企业创新效率的影响机制检验

公司治理水平的中介效应检验结果如表7第（1）-（3）列所示。第（1）列结果显示科技金融对企业创新纯技术效率的影响在1%显著性水平下显著为正，表明科技金融发展能够促进企业创新技术效率水平提升。第（2）列中的TF回归系数在1%显著性水平下显著为正，说明科技金融发展水平越高，越能促进公司治理水平提升。第（3）列为同时加入金融科技TF和公司治理CorGovindex的回归结果，TF和CorGovindex的回归系数均在1%显著性水平下显著为正，且第（3）列中TF回归系数小于第（1）列，说明公司治理在科技金融促进企业效率提升中发挥了中介效应，科技金融机构是企业监督管理的重要参与者，可以有效提升公司治理水平以实现企业创新纯技术效率增长，从而对企业创新效率产生推进效应。

融资约束的中介效应检验结果如表7中第（4）-（6）列所示。第（4）列结果显示科技金融对企业创新规模效率的影响在1%显著性水平下显著为正，表明科技金融发展越好，企业创新规模效率提升越多。从第（5）列的回归结果看，TF的回归系数在1%显著性水平下显著为负，说明发展科技金融有助于缓解企业融资约束。第（6）列将中介变量SZ和自变量TF同时加入模型，TF的回归系数在1%显著性水平下显著为正，SA的系数在1%显著性水平下显著为负，根据中介效应检验准则可知，科技金融可以通过缓解企业融资约束，促进创新规模效率水平提升。

（二）企业数字化转型的调节效应检验

前文理论分析表明，企业数字化转型的信息赋能可以提高企业创新信息的透明度，降低企业创新项目的搜寻成本与调整成本，进而提升科技金融对企业创新效率的作用效果。另外，企业数字化转型的技术赋能可以降低企业研发风险、提高创新项目成功率，实现对企业经理人行为的有效监督、提升企业治理有效性，进而助推科技金融对企业创新效率的作用效果。为了验证上述理论分析，本文检验了企业数字化转型对公司治理与融资约束作用机制的调节效应，回归结果如表8所示。

表8 数字化转型的调节效应检验

企业数字化转型对公司治理作用机制的调节效果如表8中第（1）-（3）列所示。第（1）列结果显示，企业数字化转型与科技金融交乘项（DT×TF）的回归系数为0.064，在5%显著性水平下显著，说明随着企业数字化水平的不断加深，科技金融对企业创新纯技术效率的作用效果增强。第（2）列结果显示，企业数字化转型与科技金融的交乘项（DT×TF）的回归系数为0.372，在5%显著性水平下显著，说明企业数字化转型能够增强科技金融对企业治理水平的正向效果。第（3）列结果显示，企业数字化转型与科技金融的交乘项（DT×TF）的回归系数在5%显著性水平下显著为正，且公司治理水平（CorGovindex）的回归系数在1%显著性水平下显著为正，说明企业实行数字化转型可以有效提升科技金融对企业治理效果，进而促进企业创新纯技术效率提升。

企业数字化转型对融资约束作用机制的调节效果如表8中第（4）-（6）列所示。第（4）列结果显示，企业数字化转型与科技金融的交乘项（DT×TF）的回归系数在1%显著性水平下显著为正，说明科技金融对企业创新规模效率的直接效应受到企业数字化转型的正向调节。第（5）列结果显示，企业数字化转型与科技金融的交乘项（DT×TF）的回归系数在1%显著性水平下显著为负，第（6）列结果显示，融资约束（SA）的回归系数在1%显著性水平下显著为负，并且交乘项DT×TF的回归系数在5%显著性水平下显著为正，说明数字化转型可以有效提升科技金融对企业融资约束的缓解效果，以此增强科技金融对企业创新规模效率的推动效果。

六、研究结论与政策启示

本文以2010—2019年沪深A股上市公司为研究对象，理论分析和实证检验科技金融对企业创新效率的影响及其作用机制，以及企业数字化转型在其中发挥的调节作用。结果表明：第一，科技金融发展显著提升了企业创新效率。第二，影响机制研究表明，科技金融可以通过缓解企业融资约束与提升企业治理水平两个路径，实现企业创新规模效率和纯技术效率的提升。第三，调节效应检验表明，伴随企业数字化转型程度加深，科技金融对企业创新效率的正向作用效果越强，数字技术应用增强了科技金融缓解融资约束与提升企业治理水平的作用效果，进而推动企业创新规模效率以及创新纯技术效率的提升。

为更好地发展科技金融，增强金融服务实体经济的能力，促进企业扩大创新投资规模、提升创新效率，提出如下建议：第一，鼓励和支持科技金融发展，满足企业创新融资需求。创新融资约束依然是企业规模效率提升的重要阻碍，为此，在强化科技金融体系顶层设计基础上，优化科技金融政策，吸引社会资本流向创新领域。与此同时，鼓励科技金融机构进行产品和服务创新，开发契合企业创新发展需要的精细化和定制化的科技金融产品。第二，推动企业加快数字化转型，助力企业提升创新效率。加大对企业开展数字化转型及创新研发的财税支持，加快对符合企业数字化转型需求的复合人才的培养、引进；引导企业加快数字技术与原有业务流程、工作模式、组织方式的集成，实现跨越业务领域和环节的整体资源优化，提高现有资源的配置效率。