激励与倒逼:数字金融对企业全要素生产率影响研究

鲁小凡,窦钱斌,王仁文

(1.中国科学技术大学 人文与社会科学学院,合肥 230026;2.中国科学技术大学 知识产权研究院,合肥 230026;3.安徽财经大学 合肥高等研究院,合肥 230071)

引 言

向依托全要素生产率提高的内生增长转型成为我国迈向高质量发展阶段的关键环节,而全要素生产率的提高离不开金融体系的支持。既有研究表明企业全要素生产率的提高与金融支持关系密切[1],但不完备的金融市场会抑制企业全要素生产率的提升[2]。这是因为传统金融体系支持实体企业的主要方式是以银行等机构向企业提供信贷业务[3],虽可为企业生产经营和技术创新提供资金支持从而提高生产率水平,却无法根据不同企业融资贷款情况进行精准金融支持,极易造成金融资源错配从而降低配置效率,进一步抑制了全要素生产率的提升[4-5]。而数字金融作为一种新型金融行为模式[6],具有一定的“技术溢出效应”[7-8]。其可通过利用大数据、人工智能等信息技术精准识别企业特征,有效缓解传统金融机构面临的信息不对称难题进而提高资源配置效率[9]。随着数字技术在金融服务中的广泛应用,金融资源开始从物理空间向虚拟空间转移,一定程度上扭曲了过去地理空间中传统信贷资源的分布状态,进而导致那些依赖于金融资源从事生产的企业行为发生改变。那么数字金融究竟能否促进企业全要素生产率,进而助力高质量发展?

大多数学者认为数字金融可以促进企业全要素生产率[2,10-11],但作用路径有一定差异。有学者认为,数字技术是全要素生产率增长的主要驱动力,随着数字技术的引入会加速传统金融机构的内部竞争,激发银行服务企业的内生动力,逼迫其为维持自身绩效而主动寻找有金融服务需求的优质企业,有效解决金融供给方和需求方的信息不对称,畅通企业融资渠道,从而影响企业全要素生产率[12-13]。还有学者认为,数字金融可以有效降低企业金融获取门槛,有利于企业通过利用外部资金扩大R&D投入规模,增强技术创新能力,减少生产成本,提升全要素生产率[14-15]。但对不同规模、不同属性、不同地区的企业促进效应却有较大差距[16-17]。目前,有关数字金融、企业全要素生产率研究的文献较为丰富,既有研究肯定了数字金融发展带来的正向积极效应,但大多聚焦于考察宏观层面数字金融对省份或者城市全要素生产率的影响,在企业层面也大多聚焦于企业内部视角探讨影响机制。但数字金融作为宏观政策,并不直接影响企业微观主体的经营状况,目前研究较为缺乏讨论影响企业全要素生产率的宏观作用机制。那么数字金融发展是否能对企业全要素生产率产生促进作用?如果数字金融能赋能企业全要素生产率的发展,那么其宏观作用机制又包括哪些?

基于上述背景,本文以2011—2017年沪深两市上市公司数据为基础,将其与数字普惠金融指数匹配后构造出一个准自然实验,通过双重差分法识别了数字金融对企业全要素生产率的影响,并在异质效应方面谈论了股权集中度、企业规模和资本密集度。同时,本文还以全新视角探究了数字金融如何影响企业全要素生产率这一问题。研究表明,数字金融一方面通过调节区域市场竞争强度影响企业全要素生产率,另一方面通过提升劳动力要素成本,倒逼企业提高全要素生产率。

本文与以往研究的区别:(1)丰富了该领域的研究视角。既有文献较多关注到了传统金融模式和金融结构对企业全要素生产率的影响,但数字金融作为新型金融业态,其对企业全要素生产率的影响还有待深入探讨。(2)本文基于异质性视角分别研究了在不同股权集中度、不同规模、不同资本密集度企业中数字金融的促进效应,为理解数字金融精准服务企业提供了依据。(3)不同于已有文献探讨数字金融通过降低企业融资难度或提高创新水平影响全要素生产率的作用路径,本文通过引入市场竞争和劳动力成本两个宏观环境因素详细阐述了数字金融影响企业全要素生产率的全新机制,为数字金融更好服务企业全要素生产率的提升提供了理论借鉴。

一、特征性事实与研究假说

(一)特征性事实

首先,根据“数字金融—企业全要素生产率”的假说,我们从两方面考察特征性事实。一方面,通过公式(1)利用企业收入规模的权重,将微观的全要素生产率加总到地区层面,可以直观地观察某地区加权平均的全要素生产率水平。

(1)

特征性事实1:数字金融发展水平越高的地区,其平均技术水平也越高。下图1显示,无论是从全要素生产率的加权平均还是从地区人均GDP去构建技术水平的替代指标,数字金融指数与其均表现出显著的正相关关系。

图1 数字金融指数与地区平均技术水平(1)简化起见,图1仅展示了2018年的情形,其余样本年份也出现了类似特征。

出现这一特征事实的原因有可能来自企业所处宏观市场环境的变化吗?我们从影响企业生产行为的最重要两个宏观环境因素来考察:一是市场竞争程度,二是市场要素成本。若数字金融发展水平与这些因素存在显著的事实关联,可能在一定程度上说明了数字金融发展水平改变了当地的宏观市场环境,进而对企业的生产行为产生影响。

基于图2,我们可进一步观察到如下两个特征性事实:

图2 数字金融、地区市场竞争与劳动力要素成本

特征性事实2:区域数字金融发展水平越高,市场竞争程度越高。通过采用樊纲、王小鲁编撰的《中国市场化指数》来直观描述地区市场竞争程度(2)由于《中国市场化指数》只有省级层面的数据,后文的实证分析,会通过构造更加细致的地级市级别的竞争程度指标来考察地区市场竞争水平。,地区市场化指数越高则一定程度说明了该区域市场机制越完善,市场竞争机制体现得也越明显。根据图2A,数字金融指数与市场化指数之间具有正相关关系,这可能说明了地区数字金融发展越好,该地区的市场竞争越强。

特征性事实3:数字金融发展水平越高的地区,劳动力要素成本越高。我们主要通过劳动力要素成本去考察企业所面临的要素市场环境,在岗职工平均工资指标可以代表地区的劳动力要素成本高低。由图2B可见,地区数字金融发展水平与该地在岗职工平均工资的对数呈现出较强的正相关性。

(二)研究假设

数字金融是一种促进信息共享的数字化方式[18]。其将信息处理、数据通信、云计算等相关技术作用于金融领域开展大数据分析,有效降低了金融业务模式的交易成本和门槛,在空间层面挖掘了金融服务的广度和深度。同时数字金融以其低成本、低门槛的特性构建了共享、便捷、安全的数据体系,全面提升金融服务水平[19-20]。数字金融与传统金融的差异化体现在金融市场中有许多具有非普遍性和非大众化的金融需求人群,但若通过常规的金融服务手段则需要花费极大的人力物力,但投资回报很低,机会成本过高。而由数字技术加持的数字金融体现了金融科技的初衷和目标,让被现代金融服务锁在门外的人群更易获得高质量金融服务。正因如此,数字金融的外部性、可得性等特征对于我们理解其对企业全要素生产率的影响机制是不可或缺的,这是因为数字金融改变了企业发展的外部环境,即市场竞争环境和要素成本环境。市场环境的改变导致企业生产行为发生变化,企业全要素生产率随之改变。

具体而言:从市场竞争的角度看,一方面数字金融主要依赖于信息技术与金融业务的深度融合,提升金融数据的挖掘能力和处理效率。而数据作为信息的载体,通过降低数据获取和处理难度解决了信息不对称问题,使得买卖双方对彼此情况更为了解,降低了信用风险,解决了企业融资困难问题,让传统主流金融行业无法提供服务的企业能较快获得资金去用于研发、生产和经营等活动。另一方面,数字技术赋予了数字金融可以在不受时空限制的情况下降低线下市场经济的信息壁垒,驱动企业通过对接市场数据库和各类平台,更易获取大量市场数据,并利用现代信息技术的海量储存和智能分析方法,便捷高效地筛选出有益企业发展的行业动态和市场情报,从而调整其生产研发方向,提高企业竞争力。以上两方面最后导致了金融服务成本下降,企业获益难度降低,越来越多的企业会主动选择在数字金融发展较好地区集聚,导致“优胜劣汰”的情况愈发严重,进一步“逼迫”企业进行技术创新从而免遭淘汰[21]。而原本处于技术优势的企业为保持相对优势也必须进行创新,由此带来更高的生产率。据此,本文提出如下假设:

H1:数字金融将通过市场竞争的自选择效应提高企业全要素生产率

从劳动力要素成本的角度看,地区数字金融发展越好,会放大该地区的货币乘数和货币流通速度,导致资本要素变多。在地区间要素无法有效自由流动的情况下,资本要素的增加会导致资本价格反向变化,劳动力要素价格则是正向变化。而在地区间要素能够相对自由流动的情况下,数字金融发展越好的地区,资本要素会向价格较高的地方流动,进而提高周边地区的资本要素水平,带动周边地区劳动力要素价格上升,即数字金融的发展会对周边地区企业的全要素生产率产生溢出效应。所以随着地区数字金融的发展,该地区的劳动力要素价格都会上升。而这种由数字金融所带来的外生性成本上升扩大了企业技术投入前后的利润差距,倒逼企业更倾向于增加技术投入来提升全要素生产率[22]。据此,本文提出如下假设:

H2:数字金融通过提升劳动力要素成本,倒逼企业加大对知识和技术资本的投入,产出的创新成果将进一步支撑企业全要素生产率的提高

二、因果识别策略与变量说明

(一)因果识别策略

为精准识别数字金融对企业全要素生产率的影响效应,本文将数字金融作为一个外生政策冲击,采用准自然实验框架下的双重差分法(DID)构造如下模型:

TFPft=α+βDIF×Post13t+γControl+δf+δt+εft

(2)

其中,下标f、tδf+δp+δt分别代表企业和时间;被解释变量TFPft代表企业全要素生产率的对数;DIF为本文对地区数字金融指数进行分组的变量,具体解释见后文;Post13t代表中国开始实施数字金融的时间虚拟变量,业内将2013年余额宝的出现视为中国数字金融发展的元年,因此我们将政策冲击的年份设定为2013年,2013年及以后取值为1,否则为0;DIF×Post13t的系数β是数字金融发展水平对中国制造业企业全要素生产率的因果效应。若β>0,则表示在外生政策冲击下数字金融发展水平较高地区的企业(treat组)相比较低地区的企业(control组)而言,企业的全要素生产率更高,即数字金融发展越好,区域企业全要素生产率越高。Control代表一系列可能影响全要素生产率的控制变量集合;δf和δt分别代表个体和年份的固定效应;εft为随机误差项。

为了识别假设H1和假设H2的影响机制,基于式(2)我们进一步构造如下计量模型:

Channels=α+βDIF×Post13t+γControl+δf+δt+εft

(3)

其中,Channels为渠道变量,分别从市场竞争程度和劳动力要素成本两个维度进行考察,变量的具体构造过程见下文。其他变量的含义与式(2)保持一致。

(二)变量说明

1.被解释变量

企业全要素生产率的对数(TFP)。关于全要素生产率的测算,常见的主要有OLS、OP、GMM和LP等。参考聂辉华和贾瑞雪(2011)[23]的测算过程,并使用OP法对企业全要素生产率进行估计,用LP法计算的TFP进行稳健性检验。

2.解释变量

核心解释变量为数字金融分组变量(DIF)和政策冲击的时间虚拟变量(Post13t)。《数字普惠金融指数》是北京大学结合蚂蚁金服大数据技术编制出的衡量我国地区层面数字金融发展水平的数据库[24]。需要说明的是:第一,业内普遍认为2013年是中国数字金融发展元年,因此我们对于政策冲击变量的设定是以2013年为界而不是数据库中的起始年份2011年。第二,与既有文献采用面板数据直接进行回归的做法不同[25-26],本文利用各地区在2013—2017年数字金融指数的年均值构造了地区分组变量DIF。该变量不随时间维度变化,仅随个体维度而变化。该构造方法可较好区分出不同地区个体在数字金融政策冲击下受到政策影响的程度。分组指数越高代表该地区数字金融发展水平越高,可以说明个体维度在2013年政策冲击下该地区受到数字金融政策影响的程度越大,可以将其视为处理组(treat),反之,若该地区的分组指数越低,则代表了在个体维度受到政策实施的影响较小,可以视为控制组(control)(3)进行这样构造的一个前提假设是,2013—2017各年份中地区之间数字金融发展水平的相对排名不大,否则可能导致构造出的分组变量无法真实反映个体受到政策冲击的影响程度。。因此,本文进一步考察了各年份之间数字金融指数的相关性情况。图3显示,以2013年作为初始年份,数字金融发展水平越高的地区,其在2014年、2016年和2017年的数字金融发展水平也相对越高,具有显著的正相关性,说明分组变量DIF的构造具有一定的稳健性。另外,本文也使用了2013年初始年份的数字金融指数(DIF1)作为分组变量的替代变量,用于稳健性检验。

图3 不同年份的数字金融发展水平相关度

3.渠道变量

本文渠道变量包含市场竞争和劳动力成本。其中,劳动力成本指标参照林炜(2013)[27]的方法,以在岗职工平均工资的对数来衡量。而市场竞争指标则参照吴三忙、李善同(2011)[28]的处理方法,具体公式为:

(4)

4.控制变量

包括资产负债率(LEV),参照万佳彧、周勤和肖义(2020)[29]采用企业期末总负债与资产之比来衡量;资本支出(CAP),参照梁榜、张建华(2018)[30]采用长期资本性支出与期初总资产的比值来衡量;股权集中度(EQU),参照周冬华等(2022)[31]采用企业第一大股东的持股比例来衡量;融资约束(DFC),参照余明桂、钟慧洁和范蕊[32]的做法,采用企业利息费用与总负债的比值来衡量;产权性质(SOE),根据企业性质,国企取1,反之为0;企业特征(GXIN),根据企业是否为高新技术企业,高新技术企业取1,反之为0。

(三)数据说明

本文选择沪深A股2011—2017年制造业上市公司为样本。将样本限定在2018年之前,主要是考虑到2018年开始受中美贸易摩擦这一外生性冲击,中国制造业企业受到较大波及。而在双重差分下,为排除其他可能存在的外生性冲击的影响,既有文献普遍截取事件发生前后的三到五年做双重差分的因果分析,本文因而沿用这一做法。在样本搜集与处理过程中,我们仅保留了沪深A股中属于制造业的上市公司,并剔除关键变量严重缺失的企业,将样本内企业所在制造业行业编码参照2002年颁布的《国民经济行业分类》统一调整为两位数代码。公司数据来自CSMAR数据库,数字金融数据来自北京大学发布的《数字普惠金融指数》,市场竞争和劳动力成本数据则来自《中国工业经济统计年鉴》和《中国城市统计年鉴》。表1报告了各变量的描述性统计结果。从表1中可以看到,企业全要素生产率的均值为13.554,标准差为0.7436,说明样本企业在全要素生产率方面存在较大差异。数字金融分组的均值为5.3942,标准差为0.1036,表明数字金融在各省份之间存在差异,这也为本文研究提供了条件。

表1 描述性统计结果

三、实证结果分析

(一)基准回归

表2报告了数字金融发展影响企业全要素生产率的基准回归结果。为了保障后续研究结果的可靠性,首先在不加入任何控制变量的情形进行考察,列(1)是在不加入任何控制变量的回归检验中数字金融发展与企业全要素生产率之间关系的检验结果,后续逐步纳入全部控制变量。结果显示,核心解释变量数字金融发展的估计系数均显著为正,且控制变量的引入并未改变基本的回归结果且逐步收敛,实证结论具有较高的稳健性。说明数字金融的发展能够促进企业全要素生产率的提高。在控制个体和年份固定效应以及相关变量的基础上,数字金融发展水平每提升1个单位,企业全要素生产率将提升13%。由此可知,数字金融的发展能够促进企业全要素生产率的提高。可能的原因是随着人工智能、大数据等信息技术与金融服务业的交叉融合,使得企业的需求和资本的供给可以更好地连接起来,从而在资本的推动下提升企业全要素生产率,但其具体作用机制有待进一步分析。

表2 基准回归结果

(二)双重差分的稳健性检验

表2虽通过逐步加入控制变量已初步显示了估计结果具有较强的稳健性,但仍无法完全排除可能存在的内生性问题,因而还需要对前提假设进行检验。

1.预期效应检验

如果企业在受到数字金融政策利好之前就存在了全要素生产率提高的预期,那么利用DIF指数构造的处理组和控制组之间就没有可比性,进而将导致系数估计结果存在偏误。因此,为了检验企业是否存在预期效应,我们以2013年为基准,构造了数字金融政策实施前一年的时间虚拟变量Pre,将其与核心解释变量交乘后引入到双重差分模型中。表3的第(1)列给出了具体的估计结果,DIF×Pre的交互项系数为0.097,没有通过10%的置信水平检验。检验结果表明,企业在受到数字金融政策影响之前的预期效应不明显。

表3 DID设定有效性检验结果

2.构造变量的稳健性检验

第(2)列是将分组变量更换为DIF1,并与Post交乘后的系数即检验当数字金融政策开始实施后是否有明显效果。根据表3第(2)列可知,2013年之后,DIF×Pre的交互项系数为0.1003,且均在5%水平上显著,说明在中国数字金融发展的元年之后促进了企业全要生产率的上升,因此,数字金融发展的正向冲击有助于推动企业生产率的提升。说明分组有效。

表3第(3)和(4)列是把被解释变量替换成LP法测算的TFP,解释变量分别是两个不同分组DIF和DIF1并与Post交乘,交互项系数分别为0.2125和0.1498,均通过了1%的置信水平检验。通过替换变量检测均不改变结果的显著性,说明构造的变量稳健。

3.共同趋势检验

双重差分模型的前提假设是共同趋势。该假设意味着地区在未受到数字普惠金融影响之前,按照DIF划分为处理组和控制组之间,不同地区的企业全要素生产率的变化趋势总体一致,因此在式(2)基础上构造了如下扩展的双重差分模型加以验证:

(5)

其中,Yearz表示年份虚拟变量,βz是重点关注的待估参数,若在数字普惠金融冲击前βz不显著不为0,则通过共同趋势检验。

表3第(5)列是进行共同趋势的假设检验。取数字金融政策开始实施的前三年构建虚拟变量,估计系数没有通过10%的置信水平检验,在2013年之前均不显著,在数字金融政策冲击的那一年都开始显著且为正。说明数字金融政策开始实施后对企业全要素生产率有显著促进效应。为了进行更直观地观察,图4绘制了第(5)列的估计值,可以发现不同组别的企业全要素生产率在数字金融这一政策冲击之前没有显著差异,能够满足共同趋势的假设检验。

图4 共同趋势检验

4.安慰剂检验

上文尽管控制了各类固定效应以及讨论了各种可能影响政策因果效应识别的因素,但在实际中仍无法完全排除政策效果可能受到其他不可观测因素的影响,因此采用安慰剂检验对结论进行验证。具体而言,将受到数字金融影响的企业随机分配给上市公司,并生成模拟的解释变量,重复回归1 000次。若影响企业全要素生产率的因素并不仅是数字金融,那么模拟解释变量的估计系数将依然显著为正;反之将不再显著,安慰剂检验过程中仍然控制其他变量。由图5可知系数值基本呈现以零为中心的正态分布,安慰剂检验通过。

图5 安慰剂检验

(三)机制检验

本部分将从区域市场竞争和劳动力成本两个角度分析数字金融促进企业全要素生产率提升的作用机制。结果如表4所示。

表4 数字金融影响企业全要素生产率的机制检验

表4中模型(1)、(2)是无控制变量和加入控制变量后分别检验了以市场竞争作为路径的影响机制。结果表明不论是否有控制变量,结果均显著为正,即数字金融政策的推行能够增加当地同产业企业数量,这使得企业之间为了生存而不得不进行激烈的市场竞争。劣势地位的企业会更加重视技术创新,而处于技术优势的企业也必须不断地进行创新从而保证其相对地位。

表4中模型(3)、(4)是无控制变量和加入控制变量后分别检验了以劳动力成本作为路径的影响机制。结果表明不论是否有控制变量,结果均显著为正,即数字金融政策的推行会提高该地劳动力要素成本。而这种由数字金融所带来的外生性成本上升扩大了企业技术投入前后的利润差距,倒逼企业更倾向于增加技术投入。

既有研究大部分认同区域市场竞争和劳动力成本会促进企业全要素生产率的提升[33-36],其原因在于,一方面市场竞争的提高会让企业的集聚效应和自选择效应愈发明显,从而使得更有效率或生产率更高的企业得以生存。另一方面,劳动力成本的抬高会激励企业加大研发投入提高技术水平,使企业重获竞争优势,以其内生增长提高全要素生产率。再结合本文研究,数字金融既可提高当地劳动力要素成本,也可增加当地同产业企业数量从而强化市场竞争。故数字金融会通过影响市场竞争环境和劳动力成本促进企业全要素生产率的提高。假设H1、H2均成立。

四、异质性分析

(一)股权集中度

以股权集中度进行分组,表5列(1)、(3)是股权集中度大于70%的分组,表5列(2)、(4)是股权集中度小于70%的分组。结果显示,数字金融发展与低股权集中度企业的交互项估计系数显著为正,说明相比于高股权集中度企业,数字金融发展对低股权集中度企业全要素生产率的促进效果更加显著。这可能是因为:一方面,数字金融的广泛应用将促进区域市场竞争。当市场竞争强度提高上升时,同业竞争将逐渐激烈,对企业市场占有率的冲击将更强,企业所面临的外部环境将更加严峻;另一方面,数字金融的发展将引发劳动力成本提高的社会效应,从而加重企业对利润率的控制难度,使其不得不调整生产经营模式来适应新的市场变化。此时对于企业下一步的经营发展,如果只是有少数股东进行决策,则容易造成片面性和主观性,无法科学准确分析市场环境变化对企业生产经营活动所产生的影响,从而对企业全要素生产率的提高造成影响。相反,当股权集中度不高时,企业可以广泛征集股东意见,对市场环境变化进行充分研判并制定更加合理的应对方案,从而促进数字金融对企业全要素生产率的提高。

表5 不同股权集中度企业的异质性分析

(二)企业规模

本文将样本企业按照企业规模进行分组,考察数字金融促进企业全要素生产率是否受到企业规模的影响。具体而言,按照企业规模分组,表6第(1)-(3)列的分组分别是:企业规模的分位数处于33.33%以下的(代表规模较小的企业)、分位数处于33.33%～66.66%中间的(代表规模中等的企业)、分位数处于66.66%以上的(代表规模较大的企业)。结果显示,数字金融发展与大中型企业的交互项估计系数显著为正,说明相比于小微企业,数字金融发展对大中型企业全要素生产率的促进效果更加显著。进一步分析,一方面,对于大型企业,影响系数达到了0.4713,远高于中型企业,说明数字金融政策具有规模效应。造成这一结果的可能原因是:大规模企业的员工人数相对中小企业更多。随着数字金融带来的金融服务便利化,劳动力成本越来越高,大型企业不得不面对提高员工福利待遇等现实问题,这就容易造成在企业盈利能力不变的情况下生产销售投入的降低。所以,大型企业必须更加注重提升全要素生产率来应对人力资本提高所带来的连锁效应。但对于小型企业来说,劳动力成本更低,转型升级的压力较小。另一方面,数字金融的发展将引发激烈的市场竞争。在市场竞争强的环境下,优秀人才在市场竞争下将被逐渐筛选出来并占据有利地位。此时企业和人员的角色面临双向选择,大型企业为了留住人才将不得不在待遇上给予支持,这将间接增加企业经营成本,从而逼迫企业提高自身全要素生产率,从而降低生产成本,提高利润率来维持其行业地位。

表6 不同规模企业的异质性分析

(三)资本密集度

表7列(1)-(3)是根据资本密集度的差异将样本按照33.33%和66.66%两个分位点进行划分。结果发现,数字金融发展与大中型企业的交互项估计系数显著为正,说明相比于小微企业,数字金融发展对中低资本密集度企业的全要素生产率的促进效果更加显著,而对高资本密集度企业的全要素生产率提升效应不显著,其中以低资本密集度企业的提升作用更大。这是因为,一方面,随着地区数字金融发展水平的提高,该地劳动力要素成本更高,而以劳动密集型企业为主的低资本密集度企业相较于其他企业更依赖劳动力要素的投入,在劳动力要素成本不断上升的情况下将承担更大的成本压力[37],而其又难以通过其他有效途径缓解短期内的成本压力,通过技术进步提高全要素生产率将成为其突破瓶颈的必然路径和紧迫需要。另一方面,数字金融激发了区域市场竞争强度的提高,要素流动将会加快。对于原本要素不占优势的低资本密集度企业来说,要想继续在市场中存活,就必须通过提升全要素生产率实现企业转型升级,向资本密集型企业转变,从而在激烈的市场竞争中免遭淘汰。

表7 不同资本密集度企业的异质性分析

五、结论与建议

(一)研究结论

自数字金融诞生以来,得益于政策支持和环境变化,数字金融得到了巨大发展。通过借助新型信息技术手段降低了服务门槛,提高了工作效率,在原本传统金融的基础上实现了广度、深度的升级。在经济高质量发展的背景下研究数字金融对企业全要素生产率的提升将有重大的理论和实践意义。本文基于2011—2017年沪深两市上市公司数据和北京大学数字金融研究中心发布的数字金融普惠金融指数,运用双重差分展开了详细的实证研究,得到如下结论:(1)数字金融发展显著提高了当地企业的全要素生产率水平。(2)数字金融发展可通过市场竞争和劳动力成本间接影响企业全要素生产率,具体表现为:数字金融发展促进市场竞争,企业自选择性提高自身全要素生产率;数字金融发展提高地区劳动力成本,倒逼企业提高全要素生产率。(3)数字金融的发展对生产率的驱动效应在大型企业、非股权集中企业和低资本密集型企业中更加显著。

(二)政策建议

本文从数字金融角度研究了金融市场发展对企业生产率的影响,为如何支持企业提升生产率提供了新的经验参考。具体政策建议如下:(1)应充分肯定数字金融对实体经济发展的驱动作用。在严格防范金融风险的前提下,发挥数字金融对生产率提升的促进效应,创造支持数字金融进一步发展的外部环境。同时对数字金融的底层技术产业也要持续支持,可以通过制定必要的税收补贴政策和融资优惠政策激励底层技术革新,促进数字金融和相关技术产业协同发展。(2)应持续关注大型企业和低资本密集型企业,并在市场竞争强度较大和劳动力成本较高的地区鼓励金融机构结合云计算、大数据等新型信息技术的存储与分析功能,广泛收集行业信息、认真分析企业情况,择优向大型企业和低劳动密集企业发放贷款,为特定企业贷款实施定向降准。同时,在面对股权集中度较高的企业时,金融机构要层层把关,加大贷款批准审核力度和后期资金流向的监督。(3)数字技术的运用可能使得用户面临隐私泄漏风险,服务商也可能由于非结构化数据的不恰当处理而面临法律风险。故在推动数据挖掘和开放共享的同时,应清晰界定数据价值和知识产权,建立制度提高技术水平,为信息安全提供保障。