数字金融发展如何影响企业全要素生产率？——来自中国的经验

刘立夫 杜金岷

(暨南大学 经济学院， 广东 广州 510632)

一、数字金融发展赋能企业全要素生产率

提高企业全要素生产率已经成为新时代强化中国经济韧性的共识，而优化企业全要素生产率的重要途径之一便是通过金融部门的赋能和带动，促成企业的技术进步和创新效率提升。数字金融作为当代金融部门的新兴载体，必然在优化企业全要素生产率的进程中发挥出更多的作用。

首先，数字金融的发展有助于降低融资成本和充裕现金流，从而为提升全要素生产率提供良好条件。数字化信息流转速度和质量的提升，助力外部投资者掌握更为全面的企业运营状况并进而从中识别优质企业[1]，有助于降低企业为实体项目进行融资的成本，从而保障了实体项目的顺利推进，推动企业全要素生产率的提升。延此逻辑，随着获取金融资源路径更为多样化，企业融资可得性也同步提升，这将使其掌握更为充足的现金流，使其有强大的动力将更多的资源投放至实体项目以提升核心竞争力，从而有助于企业全要素生产率的稳步提升。

其次，数字金融的发展能够有效针对技术创新和研发投入进行支持，从而为提振全要素生产率提供良好的技术基础支撑。数字金融可以引导资源优先配置至具有较好发展前景的技术创新项目，推动企业技术升级。进一步从“增量”创新的角度来看，数字金融为企业的数字化信息搜集和挖掘提供了更为有效的技术手段，提升企业技术创新和研发投入决策的科学性和有效性[2]。而基于“存量”创新的视角，数字金融可以更好地将创新项目与金融资源相匹配，从而对企业全要素生产率有所裨益。

最后，数字金融的发展能够有效降低企业杠杆率，提升财务稳定性，由此驱动全要素生产率优化。数字金融能够较好地识别企业的潜在机遇和风险[3]，有助于缓解企业的融资约束，从而有助于降低企业杠杆率，减轻企业的财务压力，对于企业财务稳定性有所助益。更为重要的是，数字金融还能为企业提供更多信息处理上的技术解决方案。不难理解，较低的企业杠杆和较高的财务稳定性，使企业不需要将较多的精力投放到维系财务稳定方面，从而能够将主要的精力配置于实体领域，更容易达到提升企业全要素生产率的合意效果。

综上，本文将基于实证分析的方法，验证数字金融发展对企业全要素生产率的影响作用，并从融资成本、创新投入、杠杆率三个角度开展路径研究，以揭示其内在机理。

二、研究设计

(一)数据来源

本文选取2011-2020年沪深A股上市企业的数据作为研究载体，相关企业财务信息数据来源于Wind数据库，数字金融指数来源于北京大学数字金融中心的《数字金融普惠指数》。在进行数据回归之前，对数据进行如下基本清洗：第一，针对样本中的金融类、ST类和期间退市企业进行了剔除。第二，针对样本数据中的连续型变量，采用Winsor进行上下1%的缩尾处理。第三，为提高数据质量，本文保留了那些至少连续五年数据不存在缺失的样本。第四，对于样本数据中的连续型绝对值变量，本文均进行了对数化处理。

(二)变量设定

1.被解释变量

企业全要素生产率(TFP)。在有关企业全要素生产率的测度上，本文借鉴莱文索恩和佩特林的研究[4]，采用LP法进行计算。

2.核心解释变量

数字金融(Digital)。参照经典文献的做法[2]，本文采用《数字金融普惠指数》中的相关数据开展研究，以省一级口径的数字金融指数作为核心变量。为了进一步提升研究结果的有效性，还采用了细化口径的数字金融指数，将其分解为“深度—广度”两个层面进行检验(上述指数均进行了归一化处理)。

3.中介变量组

(1)融资成本与现金强度。企业的融资成本采用利息支出与总负债之比进行测度，企业的现金流强度则采用(货币资金+交易性金融资产)/(总资产-现金及现金等价物)进行衡量[5]。

(2)研发投入与创新产出。企业的研发投入强度(R&D)以研发投入与主营业务收入之比进行计算。企业的创新产出，则选取企业的发明专利申请数(Lnpati)对数化处理后的指标进行测度[15]。

(3)杠杆与风险。选取企业的金融杠杆水平，即(Fin-Lev=(非流动负债+短期借贷+一年内到期的非流动负债+交易性金融债+衍生性金融债)/负债合计)，该指标同时体现“金融化”和“杠杆”特征，是较为适宜的选择。

在企业风险稳定的测度上，当属Altman的风险Z值法具有权威性[6]，在吴国鼎和张会丽的研究中[7]，则采用修正的Altman Z值来刻画中国上市企业的财务风险，该技术处理手法能够在较大程度上规避股票市场指标对财务风险测度的干扰，更适合以中国为代表的新兴市场企业风险评估，该指标越大，代表企业财务风险越小。有鉴于此，本文采用修正后适配中国资本市场的Z值展开检验。

4.控制变量

为进一步提高研究的回归精度，本文纳入了相关的控制变量集。包括企业年龄(及其平方项)、股权集中度、总资产、资本密集度、净资产收益率、两职合一、每股收益率、营业收入、审计意见等变量(见表1)。

(三)模型设定

为验证数字金融对企业全要素生产率水平的影响，本文设定如下回归方程加以验证：

TFPit=α+β1Digitalit-1+CVsit+∑Ind+

∑Year+εit

(1)

上式中，被解释变量和TFP代表企业的全要素生产率，核心解释变量Digital为数字金融指数，控制变量组CVs包含了前述的控制变量；Ind和Year分别为行业和年度的虚拟变量。

方程(1)已基于“数字金融—企业全要素生产率”的范式进行了探讨分析，但这并不足以剖析二者之间的影响机制。对此，本文参考温忠麟等的递归方程进行机制识别[8]。

TFPit+1=φ0+φ1Digitalit-1+∑CVs+∑Ind+

∑Year+ω

(2)

Mediatorit=θ0+θ1Digitalit-1+∑CVs+∑Ind+

∑Year+τ

(3)

∑CVs+∑Ind+∑Year+ξ

(4)

其中，Mediator作为中介变量，其余设定同上所述。在变量的选取上，本文从三条路径进行研究：一是融资费用与现金强度，以企业债务融资费用(Debcost)和企业现金流强度(Cash)为中介变量；二是研发投入与创新产出，以企业研发投入(R&D)和发明专利(Lnpati)为中介变量；三是“企业杠杆与风险稳定”，以企业杠杆率(Lev)和风险稳定(Z-Score)为中介变量。

三、实证结果及经济解释

(一)基准回归结果

表2中的模型M(1)和M(2)结果表明，数字金融发展能够有效驱动企业全要素生产率水平的提升。原因可归结为如下几点：第一，数字金融融合新技术，为大量企业提供金融服务创造了良好的基础条件，从而为企业的生产率提升提供有效支撑。第二，数字金融能够提升“企业—市场”间的信息流动传导，能够让企业更好地掌握市场的演进信息，做出有效的经营决策。第三，数字金融使得金融要素打破了时空限制，通过网络信息技术极大地便利了地区和行业间的交流，促进了生产要素(包括但不限于金融资源)的优化配置。

为了确保研究的稳健，首先，本文将原有数字金融指数(Digital)进行降维处理，从数字金融的覆盖广度(Digital-B)和深度(Digital-D)开展研究；其次，采用“时间—行业”联合固定效应和个体固定效应，尽可能减弱内生性问题。结果发现，数字金融发展越好，企业全要素生产率水平越高的核心结论依旧是稳健的。在模型M(7)中，本文借鉴理查德森的非效率投资水平来反向刻画企业全要素生产率[9]。研究发现，数字金融发展与非效率投资行为之间存在高度显著的负向相关关系(系数为-0.008且t值为-3.99)。综上所述，在经过变量降维、固定效应调整乃至被解释变量更替后，相关的研究结论同前文依旧保持高度一致，由此可以确证本文的核心结论是确当的。

进一步，在模型M(8)中，本文通过工具变量法进行内生性处理。在工具变量选取上，以企业所在省份的上市企业数量作为工具变量。采用省份上市企业数量的滞后2-3期作为工具变量加以检验。结果发现，Kleibergen-Paap rk LM统计检验表明不存在弱工具变量问题，Hansen J统计量均不显著，无法拒绝原假设，即工具变量是有效的。这表明，在减弱了内生性问题干扰后，本文的核心结论没有受到冲击。

表2 数字金融与企业全要素生产率：基准回归与稳健性检验

进一步，本文从动态效应和边际效应角度考察数字金融对企业全要素生产率的影响。在模型M(1)-M(3)中，考察了数字金融影响企业全要素生产率的远期特征。从表3结果来看，数字金融能够在较长一个时间轴内保持对企业全要素生产率的促进作用(L2.Digital-L4. Digital的回归系数均为正值且t值最小为3.48)。由此，数字金融在驱动企业效率提升上的功效必须引起高度重视。进一步地，本文对企业的全要素生产率进行分组(以均值为界限)，考察数字金融影响企业全要素生产率的边际效应。研究发现，无论是在TFP的高低组别中，数字金融都有着一定的促进作用(系数均为正值且至少通过了10%的统计显著性检验)，但具体来看，在企业全要素生产率较高的组别中，数字金融的促进作用相对较弱(系数为0.037仅在10%的水平上边缘显著)；而在企业全要素生产率较低的组别中，数字金融的促进作用较为明显(系数为0.186且通过了1%的统计显著性检验)。这可能是因为，企业若具有较高的生产率，由此外部的金融供给改善所能带来的边际弹性会减弱，这也符合边际效益的递减规律。按照前述逻辑，企业的全要素生产率水平较低，数字金融所能带来的改善则较为明显。当然，这也可能归因为，数字金融能够凭借自身的信息处理和识别优势，专项针对那些生产率较低的企业进行普惠覆盖，提升了企业生产率水平。

(二)渠道机制识别检验

在前述实证检验中，本文就“数字金融—企业全要素生产率”之间的整体影响进行了分析检验，但对于二者之间的传导机制却所知不多。本部分着重从“费用与现金”“研发与创新”和“杠杆与风险”三条路径出发进行研究(见表4-6)。

在表4中，本文从“费用与现金”视角检验了数字金融影响企业全要素生产率的路径。实证结果说明，数字金融的发展，能够提高企业的信息识别度，帮助企业以更小的代价获取相应的融资，从而在一定程度上降低了企业的融资费用。且这种融资费用的降低，并非以企业融资规模的减少为代价。在模型M(4)中，数字金融发展对企业自身现金流强度(Cash)有着高度显著的促进作用。数字金融作为一种新兴的金融业态，的确增强了市场内部的金融供给，从而缓解了企业的融资约束状况。在资金相对充裕的情况下，企业能够有效对自身技术进行有效改造，从而提升自身的全要素生产率水平。综上，数字金融的发展实现了金融“增供给”和“降成本”的双重拟合，并最终带来了企业全要素生产率提升的合意效果。

在表5中，本文从“研发与创新”视角检验了数字金融影响企业全要素生产率的路径。模型M(2)的结果说明，数字金融发展提高了企业研发创新能力，从而提升了企业全要素生产率。但具体来看，技术创新活动的“投入—产出”指标对企业全要素生产率的影响展现出一定差别。企业研发投入指标(R&D)的t值偏小，这意味着研发投入在转化成为全要生产率上可能存在一定的效力不足；相比之下，企业技术创新产出指标(Lnpati)的回归系数则高度显著，表明企业的专利创新产出能够强有力地驱动企业全要素生产率的提升。因此，研发投入仅能是一项“中间指标”而非“终极指标”，是技术创新活动有效性的必要不充分条件。综上所述，尽管企业研发投入所能带来的全要素生产率提升相对较弱，但相关的“数字金融→(提升)企业技术投入和专利产出→(提升)企业全要素生产率”的路径是稳健存在的。

从表6的结果发现，数字金融发展能够有效降低企业的金融杠杆水平(系数为-0.206且t值为-8.49)，在数字金融改善企业融资境遇并降低市场信息不对称的情况下，企业对资金获取的预期较为正面，确实无需通过“金融化+杠杆”的激进方式来获取金融资源，降低了对金融杠杆的需求水平。数字金融的去金融杠杆效果，能够最大限度地降低对生产效率的扰动。在模型M(4)中，L.Digital对Z-Score的回归系数为正且高度显著，表明数字金融的发展能够有效提升企业财务稳定，这不单同数字金融能够去金融杠杆有关，还与获取更多金融资源和服务有密切关联。而企业全要素生产率的提升，必须要有稳定的财务环境作为支撑。由此，形成了“数字金融→(提升)财务稳定→(提升)企业全要素生产率”的正向传导机制。

四、拓展性研究：数字金融发展的金融基础与普惠特征检验

在中国金融的发展情境下，新金融业态如若离开了传统金融部门的承托，则无法有效发展[10]。上述研究结论具有可类推逻辑：由互联网金融优化而成的金融科技乃至数字金融，其效力的释放，仍需传统金融部门作为支撑，离开了传统金融部门，数字金融则极有可能成为无源之水。

本文进一步嵌入传统金融部门因素讨论。具体来看，依照传统的研究路线，从银行业部门和资本市场部门两条主线出发，刻画传统金融部门的发展。其中，银行业规模(Bank Sector)，测度地区间接融资规模。本文采用张成思等的研究手法[11]，使用中国每个省份的银行规模(存款余额+贷款余额)总量与地区GDP产值的比值来反映地区的间接金融规模；资本市场规模(Capital Market)，测度地区直接融资规模。股市规模的测度，借鉴了艾伦等人的思路[12]，使用省份年末股票流通市值与地区当年GDP产值之比来反映地区的资本市场规模。其中，每个省份的股票流通市值则根据Wind数据库中的个股流通市值进行加总和分省配对处理。在此基础上，本部分着重分析在传统金融部门不同的发展状态(以均值为界)下，数字金融对企业全要素生产率具有怎样的影响。

研究发现(表7)，L.Digital在银行业部门、资本市场发展较好的地区系数显著，而在两者发展较差的地区t值偏小。从这个角度来看，数字金融的发展离不开传统金融部门。进一步来看，在资本市场发展较好时，数字金融的正向驱动作用更为明显(0.456>0.148)。这可能是因为，融合了数字金融后，对风险有更强偏好的资本市场更契合此类经济项目；相比之下，有一定“嫌贫爱富”偏好的银行业部门，即便在数字金融的互嵌下进行了改良，也难以达到资本市场的驱动效果。

表8 数字金融、金融基础条件与企业全要素生产率：企业规模结构差异

数字金融作为新时代下的新金融业态，本质是为了弥补传统金融触达不足，以服务那些被传统金融所排斥的小微企业。于此，一个重要问题是，数字金融是否具有普惠特征？为了回答上述问题，本文在表8的基础之上，进一步界分企业的规模结构(大规模、小规模，以总资产的75%和25%分位数为界)进行分析。

表8的实证结果同表7之间有着明显的逻辑联系，二者都强调了较好的金融部门发展水平是数字金融发挥效力的基础。进一步，表8的实证结果解读了更多的积极信息：数字金融发展具有明显的专项性和针对性，对于那些小规模企业起到了明显的普惠覆盖作用，有效地提升了这类企业的TFP，但对于那些本就处于市场较强地位、融资约束不明显的大型企业而言，数字金融对其的影响并不甚明显。从这个角度来看，数字金融在普惠服务实体经济上的确有着明显功效。

五、结论与政策建议

全面考察数字金融对企业全要素生产率的驱动效果，得到如下结论：

第一，数字金融的发展能够为企业全要素生产率的提升提供动力，且具有长期性特征。特别地，对于那些全要素生产率水平较低的企业，数字金融的正向驱动作用则更为显著。

第二，数字金融发展能够推动企业加大研发投入，并能够推动企业去杠杆，为企业提高全要素生产率提供了支撑条件。

第三，数字金融存在区域异质性特征与普惠特征，既数字金融只对金融部门发展程度较好的地区以及对小规模企业发挥作用。

本文的政策建议如下：

第一，大力发展数字金融，为企业技术的效率提升和进步提供增长新动力。应好好利用大数据、区块链、人工智能等技术创新，不断加强金融与互联网技术的融合，扩大金融服务范围和拓宽技术传播途径。牢牢抓住数字金融的历史发展机遇，推动数字金融产品与应用成果的转化，优化数字金融的服务体制机制，确保其成果传导至企业的及时性和有效性，从而激励企业的技术进步与效率提升。

第二，将深化金融供给侧结构性改革与数字金融发展深度融合。应努力提高金融部门发展程度较差地区的金融水平，特别是大力发展资本市场，进一步优化当前中国的金融结构，强化金融机构内部的机制体制改革，使得数字金融充分发挥出其应有的功效，扩大数字金融的覆盖面。还应发挥好金融机构利用数字金融来助推金融发展的作用，扩大服务覆盖面的同时提升服务质量与效率，加强企业资金的可获得性。

第三，为企业提升研发投入力度和降低金融杠杆率提供切实有效的支持。一方面，精准化扶持企业技术创新，强化对研发活动的靶向性输血，更加关注以数字金融来针对性地支持企业的研发创新活动，以更好提振企业全要素生产率；另一方面，为企业过高的金融杠杆率赋予一定的成本，鼓励企业降低杠杆水平并提升财务稳定性，多管齐下疏通数字金融驱动效应的传导渠道，降低企业借助杠杆行为来获取资源的需求，为企业全要素生产率的提增奠定良好的基础。

第四，加强数字金融的监管，完善风险防范体系。数字金融仍处于发展初期阶段，我们不仅要充分利用其带来的益处，还要清楚地认识到其可能引发全新的金融风险。应该增强对监管科技的应用，不断提高金融监管数字化、信息化水平，构建能够适应于数字金融发展的监管体系。