数字金融、产品市场竞争地位与企业全要素生产率

王 桢,祁 亚,张永丽,3

(1.西北师范大学 商学院,兰州 730070;2.首都经济贸易大学 会计学院,北京 100070;3.甘肃省精准扶贫与区域发展研究中心,兰州 730070)

引 言

随着中国经济由高速增长进入高质量发展阶段,迫切需要对内转换经济增长方式,改变传统增加要素投入的粗放式增长,向提高全要素生产率的内涵式增长过渡。但是,我国经济增长目前仍面临全要素生产率增长乏力、外部环境恶化等问题(唐松等,2019)[1]。长期以来,民营企业面临严峻的“融资难”“融资贵”等问题(吕劲松,2015)[2]。此外,我国传统金融市场资源呈现低效率非均衡的错配特征,不仅减损要素资源配置效率,同时也易造成外部融资市场治理缺位(周煜皓等,2014)[3]。2022年8月18日国务院总理李克强主持召开国务院常务会议,致力于完善市场机制、推动降低企业融资成本。因此,如何提高资本要素配置效率,降低企业信贷成本,缓解融资约束困境,加快产业升级与创新驱动,提升企业全要素生产率,已成为推进和深化我国供给侧结构性改革,实现经济高质量发展的必然要求。

技术创新与金融发展是保证实体经济高质量运行的首要前提。2020年4月国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》,要“促进技术要素与资本要素融合发展”,并首次将数据正式纳入生产要素范围,要“加快培育数据要素市场”。数字科技与金融产业融合创新会产生乘数效应、提高经济产出效率(Broby and Hoepner ,2018)[4],数字金融便由此应运而生,通过将互联网、云计算、区块链等融入金融系统与决策流程(李春涛等,2020;唐松等,2020)[5-6],构建以科技创新驱动为主的大数据金融生态,通过对相关企业或个体用户信息精准挖掘,全面评估客户资质与信用状况等,加速信贷主体间互联互通,提高市场信息甄别与风险管控,以更快的放贷速度提供多元化融资渠道。数字成为推动金融支撑实体企业高质量发展的新引擎,全要素生产率作为衡量宏观经济高质量发展的重要指标,涵盖资本要素、技术创新、知识资本、管理技能以及制度环境等因素对产出的影响。若将其应用于微观研究领域,不仅引导微观企业探寻实现质量变革与效率变革的突破口和着力点(王瑶等,2021)[7],还能更好地测度数字金融服务微观企业和要素资源配置的有效性。

数字金融本质仍为金融,在致力于拓宽融资渠道和降低信贷成本的同时,更具有包容性与普惠性,涌现出P2P网络借贷、供应链金融、微众银行、网商银行等一系列多元化的大科技信贷,全方面改善传统金融市场融资模式,触及更多的长尾群体。根据产业组织理论,市场竞争是影响企业生产经营决策的重要外部环境,产品市场竞争地位的高低也会伴随外部融资能力的差异,产品市场竞争地位越高的企业抵御外部冲击、应对资金波动的能力更强(Irvine等,2009)[8],并且竞争地位越高的企业议价能力较强,更易以较低成本获取商业信用(贾军和魏雅青,2019)[9],传统金融市场对其有较好预期和投资偏好。相对来说,竞争地位较低的企业在传统融资模式下获取商业信用和银行借款的机会较少,数字金融这一融资新业态的快速发展,凭借大数据金融生态整合各类软信息,延伸金融服务深度和覆盖广度,降低金融服务壁垒和信息不对称程度,尤其为传统金融市场中竞争地位较低的长尾弱势群体提供良好的融资契机。因此,产品市场竞争地位高低可能会导致数字金融对企业全要素生产率的影响程度迥异。

基于以上理论分析与实践问题,本文探讨数字金融能否促进微观企业提高全要素生产率?产品市场竞争地位高低对该基本关系会有何种影响?兼具金融与科技双重属性的数字金融,其微观作用机制能否通过降低企业信贷成本、缓解融资约束以及助力创新投资来传导?行业异质性对本文基本关系的影响是否存在差异?这些都是值得深入探讨的问题。因此,构建研究框架如下图所示。

图 研究框架

一、文献综述

(一)数字金融的相关研究

近年来,随着数字经济的迅速崛起,引导数字金融向普惠性与包容性全面发展,学者们逐渐开始关注数字金融对宏观经济运行与微观企业行为的影响。较早研究出现在宏观层面,涉及企业创业(谢绚丽等,2018)[10]、经济增长(李汉林,2021)[11]、减贫效应(姚凤阁与李丽佳,2020)[12]等方面。相对而言,数字金融在微观层面的研究起步较晚,主要研究如下:其一,从投融资决策角度来看,数字金融发展能够缓解微观企业融资约束困境(廖婧琳等,2020)[13]、降低企业融资成本(涂咏梅等,2022)[14]、促进企业创新投资(唐松等,2020)[6]。其二,从生产效率和实体经济高质量发展角度来看,数字经济对实体企业的驱动效果更佳,能够有效实现降本增效(Brynjolfsson等,2011)[15],数字金融不仅有助于提升小微企业全要素生产率(顾宁等,2021)[16],还能从整体上促进实体企业高质量发展,尤其在经济欠发达地区的激励效果更为突出(张超等,2022)[17]。

(二)企业全要素生产率的影响因素

现有关于全要素生产率(TFP)的讨论主要围绕两大主题展开。一方面,从TFP角度探讨实现实体经济高质量发展的路径。经济可持续增长的关键动力源自全要素生产率,刘艳霞(2022)[18]研究就揭示了数字化转型对企业TFP的内在影响机制,并指出企业数字化转型是实现经济高质量发展的内在动能。在激烈的市场竞争环境下,企业竞争力和创新效率有助于推动企业发挥产业升级效能,技术创新能驱动TFP提升。企业TFP的提升来源于效率变革,黄速建等(2018)[19]发现,企业的效率变革、动力转型、管理创新有利于企业高质量发展。另一方面,现有学者将宏观TFP的研究方法引入微观领域,探讨实体企业全要素生产率的影响因素,主要聚焦于企业外部环境方面,即产业政策、制度环境、政府补贴、环境规制、数字经济等。例如,产业政策通过资本配置效率机制对企业TFP产生影响(钱雪松等,2018)[20],政府补贴对企业TFP的影响存在甄选效应和激励效应(韩亚峰等,2022)[21],数字经济能够通过规模、范围、创新、管理效率等经济效应促进企业TFP增长(杜传忠和张远,2021)[22]。另外,也有学者探讨了TFP的消极影响因素,如实体企业金融化会负向影响企业TFP(盛明泉等,2018)[23]。

综上,数字金融在微观企业领域的研究,较多体现在投融资决策、技术创新和生产效率等方面,而且数字金融的微观作用可能受到其他外部因素的交互影响,在不同类型或不同区域的企业表现出结构性差异。因此,企业全要素生产率是受到外部融资环境、内部自身竞争力的多重作用。数字金融发展很可能通过影响企业融资约束、信贷成本、技术创新等,进而促进微观企业生产效率提升。但是,鲜有文献从产品市场竞争地位角度,综合探讨数字金融对企业全要素生产率的影响,并且缺少文献综合探讨数字金融的微观作用机制。

本文可能的边际贡献有:(1)尽管已有部分研究探讨了数字金融的微观作用,但本文的创新点在于考虑产品市场竞争地位的影响,在全面深入剖析数字金融与企业全要素生产率相互作用关系的基础上,致力于探讨数字金融能否真正发挥包容性和普惠性优势,为传统金融市场中处于弱势地位的长尾群体带来更强烈的利好效应。(2)丰富了数字金融在微观企业领域的相关研究,为深入研究数字金融与微观企业经济行为关系提供新的研究视角,为数字金融更好地服务和支撑微观实体企业提高生产效率提供理论依据。(3)有助于更好地引导数字金融拓宽服务广度、触及传统金融模式下的长尾群体,使其充分发挥数字金融这一新业态的包容性和普惠性优势,对全面促进微观企业高质量发展具有重要的实践意义。

二、理论分析与研究假设

(一)数字金融对企业全要素生产率的影响

根据以上文献梳理与理论分析,本文从以下三个方面分析数字金融与企业全要素生产率的基本关系。

第一,驱动传统金融产业升级重塑,拓宽金融供给渠道与覆盖范围,满足企业多元化的生产要素需求。数字金融凭借人工智能与区块链等网络技术,能够在低成本、低风险的基础上整合处理海量数据信息(Gomberet al.,2018)[24],打破传统金融“硬资产”和“高利率”的风险定价模式。数字金融服务触及由中小企业等弱势群体组成的利基市场,并形成巨大的市场收益与发展空间,倒逼传统金融数字化转型升级,助力金融产业与资本市场重塑竞争格局。通过智能投顾、供应链金融、消费金融等减少对抵押品的依赖,降低信贷门槛,延伸金融覆盖广度。逐步构建大数据金融生态系统,增强商业信用透明度,创造性地改变传统信用定价模式(Duarte et al.,2012)[25],使专业化的金融服务模式与企业多元化融资需求相契合,减少金融资源属性错配和领域错配,实现资本要素对实体企业的高效率配置,驱动企业全要素生产率水平提升。

第二,缓解信息不对称,降低交易成本与搜寻成本,为企业释放新型商业空间。数字金融突破空间限制与组织边界,降低投资者与企业之间信息不对称(唐松等,2019)[1],减少交易摩擦与吸收成本,利用数字平台的场景、服务、技术等优势,整合吸收游离态的“小散型”投资者,集聚大规模资金,增加金融市场有效供给。大数据金融生态为投资项目风险与发展前景分析等提供技术支持,将金融资源与目标客户群体精准对接,规避市场逆向选择和道德风险问题(Demertzis等,2018)[26],提高微观企业对资本要素的可得性。此外,数字金融能够优化商业价值交付模式,极大降低企业在市场上的搜寻成本,释放更多商业空间和市场机会(唐松等,2020)[6]。同时,数字金融归集整合结构化信息,有助于企业及时获取外部投融资机会,增强管理者积极性和创新意愿,提升企业风险承担能力(马连福,2021)[27],为提升公司生产效率创造条件。

第三,数字科技驱动企业技术创新,信息平台共享发挥市场监督效用,防止企业过度融资与低效率投资。企业支付汇款、资产管理等与IT技术融合创新,不断推动技术革新与生产力发展(Koffi,2016)[28],孕育出数字支付、供应链金融等附加服务。大数据支付和融资平台为上下游商业流通提供便利,优化企业供应链管理与运营效率。此外,根据资源配置理论,在完全信息竞争市场,信贷资源自由流向高效率部门和企业,实现帕累托最优。但在信息不对称市场,企业会出现过度融资、低效率投资、滥用资金等问题。数字金融以互联网为媒介、大数据为支撑分析投资潜力,实时追踪用资去向与进度,并为利益相关者沟通等提供便利,避免因外部市场运作失调、公司内部要素配置失衡导致的经营风险(廖婧琳等,2020)[13],监督企业合理融资与适度投资,提高企业要素投入产出效率。基于此,本文提出如下假设:

H1:数字金融对提高企业全要素生产率具有促进作用

(二)产品市场竞争地位、数字金融与企业全要素生产率

根据超产权理论,提升公司效益的根本条件在于市场竞争的约束机制,产品市场竞争地位较高的企业通过抢占市场份额和获取市场定价等产生掠夺效应(陈志斌和王诗雨,2015)[29],影响公司资本结构和经营决策。当企业市场地位较高时,企业往往具有更大的市场规模(Ojima等,2018)[30],从而使得竞争地位越高的企业议价能力较强 ,随着在行业竞争网络中的嵌入程度加深,更易以较低成本获取商业信用,市场投资者对其有较好的预期和稳定的投资偏好。在信贷资源稀缺的资本市场环境下,传统金融配置存在门槛限制,对可供抵押的硬资产要求较高,使竞争地位较低的企业在金融资源争夺中成为“长尾群体”。由于信息不对称、市场搜寻成本、风险管控等制约因素,传统金融机构重点关注高端客户与企业群体,相比之下,在信息严重不对称的情况下,中小型民营企业成为市场竞争地位较低的企业,无法在传统金融市场中具备信息与资源优势。

然而,数字金融具备较好的普惠特征(宋敏等,2021)[31],其发展重点就在于解决弱势群体融资问题。数字科技为拓宽融资渠道、延伸金融服务广度等提供技术支撑(Jagtiani等,2017)[32],利用大数据金融生态高效匹配资金供求主体双方成交意愿,降低信贷准入门槛,使金融资源能够向市场竞争地位较低、具备增长潜力急需资金成长的中小企业倾斜,帮助“长尾群体”突破传统金融的“卷帘门”与“玻璃门”束缚,缓解长期以来的外源融资约束,这为竞争地位较低的企业提高生产效率带来较为强烈的刺激作用。已有研究表明,当市场金融资源供给不足时,竞争地位较高的企业作为行业中的“领头羊”,具有较高的市场定价权,获取超额利润与稳定现金流(邢立权等,2013)[33],实现要素投入产出“自我循环”。在传统金融市场中,竞争地位较高的企业凭借相对充裕的自身资源和竞争优势,拥有较为稳定的信贷来源和融资渠道。相对而言,数字金融发展为其带来的利好冲击效应相对较弱一些。此外,产品市场竞争地位越低,公司信息透明度就会相对较差(王雄元等,2020)[34],而数字金融正好可以发挥信息资源整合效能,增强企业信息透明度,降低传统金融服务壁垒,缓解信息不对称带来的金融资源错配,拓宽信息共享范围和服务广度,完善金融系统对“长尾群体”资金需求和信用风险的整体评估。因此,数字金融发展在受到传统金融歧视的长尾企业中具有更大的边际效应,为市场竞争地位较低的“长尾群体”带来更强烈的驱动效应。据此,本文提出如下假设:

H2:当产品市场竞争地位较低时,数字金融对企业全要素生产率的促进效果更好

三、研究设计

(一)数据来源

北京大学数字金融研究中心发布2011—2018年《数字普惠金融指数》,该指数涵盖全国31个省份、337个地级市。本文选择省级口径的数字金融指数,以沪深A股上市公司作为研究对象,选择公司注册地与年份对宏微观数据进行匹配,构建2012—2018年的面板数据集。并做如下处理:剔除金融类样本、ST和退市企业,以及关键数据缺失且无法补充的样本。相关财务数据来自Wind、CSMAR数据库,手动测算企业信贷成本与全要素生产率数据。本文选用stata 16进行数据分析处理。为排除极端值影响,对所有连续变量在1%和99%分位数上进行缩尾处理。

(二)变量选取

1.企业全要素生产率

目前关于该指标(Lntfp)的测度,主流方法包括半参数法、参数法、非参数法。其中,半参数法是微观领域研究企业全要素生产率的通用做法。采用生产函数OLS法估计是TFP的经典测度方法,但是存在样本选择性偏差与内生性问题,导致估计结果有偏。OP方法要求每个样本企业投资数据为正数,这会导致大量样本数据缺失。LP方法作为OP法的改进,不仅能够克服数据缺失、截断等,还能解决生产函数内生性问题。参照鲁晓东和连玉君(2012)[35]的做法,选用LP法测度,并对测算结果取自然对数。具体测算所用数据:产出变量为公司营业收入,劳动力投入为年度职工人数,资本投入为固定资产净值,中间产品投入用企业“购买商品、接受劳务支付的现金”测度。此外,对LP 法测算出的数值tfp取自然对数,作为本文的被解释变量Lntfp。

2.数字金融

数字金融指数(DIF)是本文的核心解释变量。为全面考查数字金融的微观效应,参考唐松等(2019)[6]的做法,在基准回归中细分数字金融发展水平的子维度、覆盖广度(DCB)与使用深度(DUD)指标。数据金融相关指标均来自北京大学数字金融研究中心发布的数据,由于该系列指数相关数值较大,数据处理时采取除以100的方法。该系列指数数值越大,数字金融发展水平越高。

3.产品市场竞争地位

调节变量为产品市场竞争地位(PCM)。借鉴贾军等(2019)[9]的研究,选取公司勒纳指数作为市场竞争地位的替代变量,PCM=(营业收入-营业成本-销售费用-管理费用)/营业收入。公司勒纳指数越高,其产品市场竞争地位越高。

4.中介变量

(1)信贷成本(MC)。信贷成本为企业信贷资金使用成本。参考周煜皓等(2014)[3]对企业资金使用成本的度量方式,通过利息支出占负债扣除应付账款余额的占比来计算。该占比越高,信贷资本成本越高。

(2)融资约束(SA)。主要有三种代表性的测量方式:KZ指数、SA指数与WW指数,其中,KZ和WW 指数包含部分内生变量,可能造成测算偏误。然而,SA指数是不含内生性特征的融资变量,相对来说较为稳健,在学术界得到较为广泛使用。因此,为避免内生性干扰,借鉴李小青等(2020)[36]的做法,选用SA指数测度样本企业融资约束程度,SA=-0.737×Size+0.043×Size2 -0.040×Age,其中,Size是公司以百万为单位总资产规模。SA指数均为负数,绝对值越大,企业融资约束程度越高。

(3)创新能力(RD)。主要的测度方法有研发投入占营业收入比重、研发人员数占总员工人数比重以及公司专利申请数三种方式。考虑到上市公司专利数据部分缺失、研发人员数等指标披露不全,采用王站杰等(2019)[37]的做法,选用企业研发投入占营业收入比重衡量。

5.控制变量

参考已有相关研究,从公司特征、治理结构、经营绩效以及外部环境等方面控制相关变量。首先,公司规模(Size)越大,越易实现规模经济,具备资源获取优势;公司成立年限(Age)越长,生产经营学习曲线越好,规模效应和学习效应会表现更好的企业生产效率。其次,股权结构与两职合一影响生产经营决策,选用股权制衡度(Balance)来控制公司股权结构的影响。公司资本结构(Lev)与资本密集度(Capital)影响生产要素投入比例。经营(TQ)越强成长性(Grouth)越好的企业应对外部环境波动的能力越强,资产配置效率更高。公司性质(Property)差异也会导致生产效率迥异。最后,考虑到数字金融的微观作用可能受各地区经济发展水平影响,经济越发达地区的企业,数字金融化和生产率水平较高,故控制公司注册地的人均GDP水平。具体定义见表1。

表1 变量定义表

(三)实证模型

为了验证前文的研究假设1和假设2,考察数字金融对企业全要素生产率的影响,首先建立基准回归模型如下:

Lntfp=α1DIF+φ∑Controlsit+∑Yeart+∑Indi+εit

(1)

Lntfp=β1DIF+β2PSM+φ∑Controlsit+∑Yeart+∑Indi+εit

(2)

Lntfp=γ1DIF+γ2PSM+γ3DIF×PSM+φ∑Controlsit+∑Yeart+∑Indi+εit

(3)

其中,Controls表示所有控制变量集合,α1、β1～β2、γ1～γ3、φ为回归系数,εit为残差项。在回归检验中,为了解决异方差问题,采用聚类稳健标准误。在稳健性检验部分,选用工具变量法解决内生性问题。

四、实证分析

(一)描述性统计与相关性分析

从表2看出,DIF最小值与最大值变动区间为0.871～3.777,说明我国数字金融发展水平在不同区域间存在较大差异。企业全要素生产率水平lntfp最大值10.82,最小值5.973,说明不同样本企业生产率水平高低相差较大。创新能力RD均值仅为4.454%,标准差却高达4.359,说明我国上市公司创新投入严重不足,且不同企业之间创新投入水平相差悬殊。

表2 变量描述性统计

根据表3相关性分析结果,DIF与lntfp相关系数为0.077,p<0.01,说明在0.01的显著性水平下,数字普惠金融与企业全要素生产率正相关,初步验证假设1成立。PCM与lntfp相关系数为0.022,在1%水平下显著,说明产品市场竞争地位越高,企业全要素生产率水平越高。

表3 主要部分变量Person分析

(二)假设检验

表4反映主效应基准回归结果。列(1)DIF系数为0.2144(t=3.9048),p<0.01,说明在1%显著性水平下,数字金融能够促进企业全要素生产率,验证H1成立。进一步细分数字金融维度研究,列(2)DCB系数为0.1708(t=3.2623),p<0.01,列(3)DUD系数为0.1280(t=4.2575),p<0.01,数字金融的两个细分维度,即覆盖广度与使用深度层面均能促进企业提高全要素生产率,进一步证实H1。

表4 基准回归结果

据此检验结果,本文认为,作为传统金融的结构化升级,数字金融能够提高企业资本要素的可得性,促进企业的全要素投入产出水平。数字金融发展不仅要大面积增加覆盖广度,同时需要从根本上深度挖掘、提高金融服务质量,使其微观激励效果更具有持续性与延伸性。数字金融作用效果可能的原因是:数字金融这一新型外部融资模式,为微观企业拓宽融资渠道,纾解企业融资约束困境,降低企业信贷成本,驱动微观企业结构性创新。本文将在进一步讨论部分验证数字金融的具体作用路径。

(三)产品市场竞争地位的调节作用

为了验证产品市场竞争地位对上文关系的调节效应,通过在模型(1)的基础上产生交互项DIF×PCM,具体模型变换过程如表5所示。列(1)表示主效应回归结果,DIF系数为0.2144,加入交互项DIF×PCM后,列(3)DIF系数为0.2292,交互项系数为-0.0963(t=-2.1061),p<0.05,与DIF系数符号相反,说明PCM产生负向调节作用。假设H2得以证实,即当企业市场竞争地位相对较低时,数字金融对企业全要素生产率的促进效果更好。数字金融的微观作用随企业产品市场竞争地位高低体现不同的作用效果,市场竞争地位较低的企业往往不具备“硬资产”信息优势,逐渐成为传统债务融资市场中的“长尾群体”。数字金融通过大数据信息技术,深度挖掘企业相关信息,降低企业与市场信息不对称,打破信贷门槛限制,使得金融资源能够触达长尾弱势群体,为急需资金成长、竞争地位较低的企业带来更加强烈的利好效应。因此,我国数字金融发展在微观领域体现其包容性特色,触及传统金融市场中的“长尾群体”,为产品市场竞争地位较低的企业群体创造发展机遇和条件,进而促进企业全要素生产率水平提升。

表5 产品市场竞争地位的调节作用过程

(四)内生性与稳健性检验

1.内生性问题:工具变量法

本文尽可能考虑了影响数字金融发展与企业全要素生产率的相关因素。但是,以上基准实证过程可能还会存在遗漏变量等内生性偏差。此外,高生产水平的企业可能有更高的数字金融发展需求,可能存在反向因果关系。为了解决遗漏变量、反向因果等内生性偏差,采用工具变量法来弱化内生性问题,选用各省网络普及率作为工具变量。原因如下:第一,相关性。网络普及作为数字金融建设的基础设施条件,与数字金融发展水平密切相关。第二,外生性。当控制相关变量后,各地网络普及程度难以直接影响企业全要素生产水平。据表6报告结果,弱工具变量检测均大于10,不存在弱工具变量和过度识别问题,工具变量选择有效。在考虑可能存在内生性问题后,在1%显著性水平下,数字金融的三个维度指标DIF、DCB、DUD依然显著为正,交互项也显著为负,与前文回归结果一致,即本文结论稳健。

表6 工具变量法2SLS回归

2.稳健性检验

(1)替换解释变量:更换数字金融口径。更换解释变量数字金融的测量口径。参考唐松等(2019)[6]的研究采用城市一级的数字金融指数稳健性检验。根据表7结果可知,数字金融维度的三个系数均显著为正,交互项系数显著为负,前文结论依然成立。

表7 替换数字金融口径稳健性检验

(2)被解释变量滞后一期处理。考虑到数字金融发展水平对微观企业的影响可能存在滞后性,故将被解释变量作滞后一期处理(lltfp),进行稳健性检验。根据表8可知,基准回归与调节效应结果依然显著,与前文一致。即本文研究结论稳健。

表8 滞后一期ltfp检验

五、进一步讨论

(一)数字金融的作用机制分析

前文已证实数字金融确实能够促进企业全要素生产率,本部分将继续探讨数字金融的具体作用路径。首先,针对企业面临的“融资贵”问题,数字金融能否降低企业信贷成本。其次,针对企业长期存在的“融资难”问题,数字金融能否缓解企业融资约束,实现资本要素驱动全要素生产率提升。最后,在发挥金融本质的同时,数字金融的科技属性能否带动微观企业提高创新能力,最终实现全要素投入高效产出。因此,参照温忠麟等(2014)[38]的中介效应检验流程,在前文模型(1)基础上增加模型(4)与模型(5),M中介变量,依次检验信贷成本(FC)、融资约束(SA)与企业创新(RD)三条路径是否成立。

M=θ1DIF+φ∑Controlsit+∑Yeart+∑Indi+εit

(4)

Lntfp=μ1DIF+μ2M+φ∑Controlsit+∑Yeart+∑Indi+εit

(5)

具体检测过程如下:第一步,对模型(1)回归,检验数字金融对企业全要素生产率发生的总效应α1是否显著。第二步,对模型(4)回归,检验数字金融对中介变量是否有显著影响θ1。第三步,对模型(5)回归,检验数字金融与中介变量对全要素生产率各自的影响系数μ1、μ2。若α1θ1μ1μ2α1不显著,说明自变量DIF与因变量lntfp不相关,终止检验。当α1显著时,继续判断:若θ1与μ2均显著,则为部分中介效应;若θ1与μ2至少有一个不显著,则需要进行sobel检验,若检验结果显著则为部分中介效应,否则中介效应不存在。若θ1显著但μ1不显著,则为完全中介效应。具体检验过程与结果,如表9所示。

表9 中介机制检验

1.基于信贷成本的路径分析

根据前文中介效应检验步骤。第一步,由表5列(1),数字金融系数α1=0.2144,在1%水平下显著,说明主效应α1显著存在。第二步,由表9列(1)知,DIF系数θ1为-0.0030(t=-2.6896),在1%水平下DIF与FC显著负相关,说明数字金融发展水平能够显著降低企业信贷成本。第三步,由表9列(2),信贷成本FC系数μ2为-2.5396(t=-12.6688),数字金融系数 μ1为0.1912(t=7.2140),均有P<0.01。因此,在0.01显著性水平下,α1、θ1、μ2均显著,信贷成本发挥了部分中介效应。即“数字金融—降低企业信贷成本—提高企业全要素生产率”作用路径成立。数字金融创新不仅以低风险和低成本的信息优势,为企业提供更加普惠、多元化外部融资通道,还进一步驱动传统金融升级重塑,改变传统金融服务摈弃对“硬资产”要求的定价思维,打破传统商业银行对信贷资源的垄断局面,数字化转型中金融行业竞争形成“鲶鱼效应”,这为微观企业融资提供潜在机会,大大降低企业信贷成本。

2.基于融资约束的路径分析

具体检验过程与前文分析类似,不再赘述。其结果分析如下:据表9列(3)可知,数字金融DIF与中介变量SA的回归系数θ1为0.0187(t=3.0000),且在1%水平下显著,说明DIF越大,SA指数越高。由于SA是个反向指标,SA指数越高,企业融资约束程度越小,即数字金融能够发挥金融本质作用,降低企业融资约束程度,这与廖婧琳等[13]的研究结论一致。从表9列(4)看出,SA系数μ2为-0.1674(-5.0613),在1%水平下显著,且数字金融DIF系数μ1为0.2176(t=8.4580),P<0.01不难发现,α1、θ1、μ2均显著,融资约束发挥了部分中介作用。即“数字金融—缓解融资约束—提高企业全要素生产率”路径成立。因此,融资约束制约企业全要素生产率提升,数字金融凭借大数据技术挖掘整合企业经济活动数据,建立可靠的第三方征信体系,降低企业与信贷市场信息不对称,减轻金融错配程度,推进资本要素合理配置,为缓解企业融资约束提供可能。

3.基于企业创新的路径分析

据表9列(5),DIF与RD的回归系数1.7719(t=6.8616),p<0.01,说明在1%水平下,数字金融与创新能力正相关,即数字金融赋能数字科技促提高企业创新能力,驱动企业技术创新这与万佳彧等(2020)[16]的研究结论一致。再由列(6),在0.01水平下,中介变量RD系数μ2显著,DIF系数μ1=0.2000(8.2531),p<0.01。由此可见,α1、θ1、μ2也均显著,企业创新能力RD发挥部分中介效应。即“数字金融—驱动企业创新—提高企业全要素生产率”路径成立。因此,技术创新是企业全要素生产率的核心驱动要素,但却是一项高投入、高风险、长周期的企业活动,需要持续不断的资金注入,数字金融改善企业外部融资环境,利用数字科技释放新动能,激发微观企业创新活力,全面提升全要素生产水平。

(二)行业异质性分析

考虑到数字金融对微观企业的微观作用可能会受行业性质的影响,进而呈现不同的作用效果。相对而言,高科技行业一直受到相关政策的大力扶持,更是市场投资者较为青睐的企业群体,在外部融资过程中本身就处于相对有利地位。但是,非高科技行业在传统金融市场的融资过程,受到自身规模、经营模式以及创新资源等多种因素制约,其投资前景并未被市场投资者看好,面临更为严峻的融资约束。因此,数字金融这一普惠的融资新模式对非高科技行业的企业可能会带来更为显著的促进效果。为了验证以上分析,本文将全样本划分为高科技行业和非高科技行业,分组讨论本文的研究结论。

由表10列(1)和列(3)可知,在不同分组下DIF的系数均显著为正,表明无论是高科技企业还是非高科技企业,数字金融均能促进企业全要素生产率提升。但是,可以看出,非高科技行业组的DIF系数更大,并且显著性水平更高,这表明数字金融(DIF)对非高科技行业的企业全要素生产率的促进效果更好。

表10 行业异质性分析

由表10列(2)可知,交互项DIF×PCM的系数为-0.3103,p<0.01,说明在1%显著性水平下,产品市场竞争地位发挥负向调节作用。由列(4)知,交互项DIF×PCM的系数为-0.0693,p<0.1,说明在10%的显著性水平下,产品市场竞争地位产生负向调节效应。这表明,相比之下,产品市场竞争地位高低对高科技企业的影响更为显著,在高科技行业中,产品市场竞争地位越低的企业,数字金融对企业全要素生产率的促进作用更好。

六、结论与启示

(一)研究结论

本文将宏观经济TFP测度方法应用于微观领域测量企业生产全要素生产率,并通过对2012—2018年数字金融指数与A股上市公司数据相匹配获取研究样本。研究发现:(1)数字金融能够显著促进微观企业提高全要素生产率,并且通过对数字金融发展细分维度探讨发现,数字金融覆盖深度与应用广度均能促进微观企业全要素生产率提升。(2)当产品市场竞争地位较低时,数字金融对企业全要素生产率的促进效果更好。(3)进一步研究发现,数字金融对企业全要素生产率的微观作用机制具体可通过降低信贷成本、缓解融资约束和驱动技术创新三条路径传导。(4)通过行业异质性的分组讨论发现,相比于高科技行业,数字金融对非高科技企业全要素生产率促进效果更好。但是,在高科技行业中,产品市场地位高低对数字金融作用效果的影响更为显著,即数字金融对产品市场竞争地位较低的高科技企业促进效果更为显著。

综上,我国数字金融发展水平对企业全要素生产率的微观积极效应显著存在,并且表现为数字金融覆盖深度与应用广度层面的全面促进。对产品市场竞争地位较高的企业来说,在传统金融市场本身就具备天然的融资优势,数字金融的发展对其无疑是“锦上添花”。然而,数字金融发展更加体现出包容性特质,触及传统金融市场中的“长尾群体”,为产品市场竞争地位较低的企业带来更为强烈的利好效应冲击,扭转长期以来在长尾效应下的融资困境,数字金融的良性发展对于竞争地位较低的企业来说,必然是“雪中送炭”,助力企业全要素生产率提升。此外,相比于高科技行业,非高科技企业不仅缺少相关政策扶持和金融资源支持,在传统金融市场融资过程中处于相对弱势的地位,数字金融发挥其包容性尤其为非高科技企业带来更为显著的利好效应。

事实上,数字金融以金融为本质,科技为手段,逐步构建外部融资新业态。首先,大数据耦合集成技术使得企业“软信息”透明化,降低企业与市场信息不对称,以低成本提供多元化融资通道。通过“数字金融—降低信贷成本、缓解融资约束—提高企业全要素生产率”链条发挥微观效应。此外,数字金融还附带科技属性,技术溢出效应驱动企业创新与产业升级,利用数字技术帮助企业判断技术导向与市场潜力等,提高经营决策有效性,即“数字金融—驱动企业创新—提高企业全要素生产率”。因此,我国数字金融发展为解决我国民营企业融资难、融资贵等“实践”问题提供实践可行性,数字金融还赋能科技属性,驱动微观企业结构创新,这为解决实体企业创新短板问题提供实践思路。数字金融的微观作用发挥资本要素与技术创新的双向驱动,为进一步提升企业全要素生产率水平奠定基础。

(二)研究启示

根据以上研究结论,数字金融对企业融资难、创新能力以及全要素生产率的连锁反应显著,这为如何发展数字金融模式,解决微观企业融资难、创新投入不足以及要素资源配置等问题提供理论参考与实践指导。本文研究具有以下启示:

第一,引导数字金融全方位服务实体经济,延伸金融服务触达广度与穿透力度,助力微观企业全要素生产率提升。产品市场竞争地位较低的中小企业群体是宏观经济发展的主力军,为促进经济增长、解决劳动就业、激发市场活力起到关键性作用,但其发展面临严峻的融资约束和信贷门槛限制。因此,数字金融应深入推进覆盖广度与应用深度,使其微观效应更具持续性、延伸性与联动性,利用大数据金融生态降低信贷市场与实体企业间信息不对称,打破传统金融对“硬资产”要求的门槛限制,为产品市场竞争地位较低的中小企业群体提供更多融资机会,实现资本要素对生产资源配置的驱动效用,提高全要素生产水平,实现经济高质量发展。

第二,数字金融发展应始终以金融为本质,逐步推进传统金融数字化转型,强化数字科技对实体企业的多元化服务功能,为市场竞争地位较低的中小企业和非高科技企业提供更多的融资通道,纾解传统金融模式下的融资困境。以银行为主导的金融服务机构,应积极顺应数字化发展趋势,依托数字科技构建多层次、广覆盖、差异化的金融服务新模式,引导要素资源跨空间配置,最大化发挥数字金融的包容性功效。将金融资源向传统金融市场中的“长尾群体”倾斜,对具备创新潜力、资金需求旺盛的企业给予足够金融支持,实现信贷资源与投资项目精准对接。充分利用智能投顾、供应链、区块链等赋能金融创新,全方位拓宽融资渠道,定制更具附加价值的综合性服务,促进企业技术创新与管理模式升级,激发实体企业创造活力与生产效率。

第三,政府部门要加快培育数据要素市场,实现资本要素与技术要素融合发展,驱动数字金融释放经济增长新动能。尽可能要给予数字金融这一新业态更多的政策扶持,提供极具市场活力与价值导向的成长空间,完善数据资源信息共享机制,为数字金融服务实体经济营造良好的市场环境,引导我国经济发展“脱虚向实”,实现经济发展质量变革和效率变革。通过行业重点扶持和经济政策导向积极推动大数据、人工智能、区块链等高端核心技术应用式发展,深化数字金融市场体制改革,为数字科技与金融产业反哺实体企业技术创新和高质量发展打下坚实基础。

(三)不足与展望

本文仅从理论推演与实证检验角度探讨了数字金融、产品市场竞争地位对微观企业全要素生产率的交互影响,后续研究可通过数理模型进一步推演分析,并结合案例分析研究产品市场竞争地位高低对本文基本关系的影响。此外,本文仅探讨了数字金融影响企业TFP的三条作用路径,但数字金融的微观作用机制可能还存在其他内在驱动机制,有待进一步探讨检验。最后,关于数字金融的微观作用,不仅可以从企业TFP角度分析,数字金融可能还会影响企业的创新绩效、公司治理、信息披露、财务风险等,后续研究还可结合外部宏观环境与企业战略选择,展开更为深入的探讨。