数字金融、融资水平与企业全要素生产率——基于A股和新三板制造业上市企业的实证研究

潘 艺，张金昌

（1.中国社会科学院大学 研究生院，北京 102488；2.中国社会科学院 工业经济研究所，北京 100006）

一、引言

党的二十大报告提出，“坚持以推动高质量发展为主题，加快建设现代化经济体系，着力提高全要素生产率，推动经济实现质的有效提升和量的合理增长”。目前，我国经济正面临资本报酬逐渐递减、人口红利逐渐消失的困境，因此，提升我国企业全要素生产率必定是支撑我国经济增长的主要动力［1］。制造业是我国国民经济的命脉，制造业的发展状况将直接影响我国经济发展的质量和速度［2］。我国制造业起步比较晚、基础比较薄弱，相关技术和人才比较缺乏，一些高精技术又长期受到发达国家的封锁，必须依靠自身力量发展，而制造业的发展又需要大量资金支持，因此，制造业企业必须依靠外部融资来解决资金需求［3］。

长久以来，融资问题一直是制约制造业企业高质量发展的瓶颈问题。虽然金融机构多次出台政策和措施，但制造业企业“融资难、融资贵”问题始终没有得到有效解决。

近些年，随着大数据、人工智能、云计算等数字技术的快速发展和广泛应用，数字技术与金融实现了深度融合。数字金融已成为我国新金融、新经济的重要发展方向［4-5］。在以促进实体经济高质量发展、实现数字中国为目标的发展阶段，数字金融这一新型的金融方式是否能有效解决制造业企业的融资问题，数字金融的发展对制造业企业全要素生产率的影响和作用机制如何？目前相关研究比较缺乏。因此，本文将2011—2020 年数字金融数据与同期A 股和新三板制造业上市企业数据进行匹配，实证考察了数字金融发展对制造业企业全要素生产率的影响以及融资水平的中介效应。

本文的边际贡献有：①目前数字金融的实证研究大多采用省级数字金融指数数据，本文采用企业所在的地级市数字金融指数数据，研究结果将更加稳健；②目前关于制造业企业融资问题的研究集中于融资约束，仅回答了数字金融是否解决制造业企业“融资难”的问题，本文以融资水平为中介效应进行研究，回答了数字金融是否解决制造业企业“融资贵”的问题，弥补了对现有企业融资问题研究的不足；③现有数字金融对微观企业影响的研究样本主要基于A股上市企业，而A股企业主要以大中型企业为主，小微企业较少，本文以A股和新三板制造业企业为样本，研究范围更加全面。

二、文献综述和研究假设

（一）文献综述

1954 年，Solow（1957）［6］提出“索洛余值”之后，国外学者开展了大量关于全要素生产率方面的研究，并建立了很多研究方法和计算模型，主要有：Caves 等（1982）将Malmquist 指数应用于生产效率变化的测算并建立了CCD 模型［7］，Blundell 和Bond（1998）建立了广义矩估计方法（GMM）［8］，Olley 和Pakes（1996）运用半参数方法建立了OP 模型［9］，Levinsohn 和Petrin（2003）基于OP 模型内生性问题建立了LP 模型［10］，Ackerberg 等（2006）通过ACF 方法解决了LP方法的共线性问题［11］。这些模型的广泛应用，推动了全要素生产率研究的发展。

相较于国外学者在全要素生产率领域取得的丰富研究成果，我国学者关于全要素生产率的研究起步比较晚，但发展迅速，取得了丰富的研究成果［12-14］。在宏观研究方面，唐松等（2019）基于我国31 个省级面板数据的研究发现，金融科技创新借助技术优势缓解了信息不对称，创新性金融新业态和金融新业务能助力地区全要素生产率提升［15］；侯层和李北伟（2020）运用2011—2018 年省级面板数据开展实证检验，结果表明，数字金融通过创新能力、技术溢出和产业结构升级等途径提高了全要素生产率［16］；惠献波（2021）基于2011—2018年中国278个地级市数据研究发现，数字普惠金融通过提升技术创新水平、产业结构升级及缓解资源错配等途径促进了城市全要素生产率增长［17］。在微观研究方面，冉芳和谭怡（2021）选取2011—2018 年上市企业微观数据并结合省级数字金融指标数据进行研究，结果表明，数字金融以及3 个不同子维度对企业全要素生产率均具有促进作用，但东部和中西部地区的企业存在明显差异［1］；陈中飞和江康奇（2021）基于省级数字金融数据和A股上市公司数据进行了研究，认为数字金融发展可通过企业营收渠道和金融效率渠道促进企业生产率水平提高［18］；张树果（2022）同样基于省级数字金融数据和A 股上市公司数据进行实证研究，发现数字金融通过缓解企业融资约束，进而提高企业全要素生产率［19］。

在梳理上述数字金融与全要素生产率相关研究文献后，发现相关研究存在以下局限性：①在数据层面，大多数学者都以省级数字金融指数作为研究基础，基于地级市数字金融指数的研究文献较少；②在微观全要素生产率研究方面，大多以A股上市企业为样本，由于A股上市企业以大中型企业为主，因此，针对小微企业的研究较少。另外，制造业是我国最大的行业，但数字金融对制造业企业全要素生产率影响的研究比较匮乏；③对传导机制的研究主要集中在融资约束和技术创新视角，其他研究视角较少。数字金融的发展首要解决的是企业融资问题，现有文献回答了数字金融缓解了企业“融资难”的问题，但并没有回答是否解决了企业“融资贵”的问题。上述文献研究过程中的局限性，为本文研究提供了方向。

（二）研究假设

许多研究表明，技术研发和创新投入对企业全要素生产率的提升有积极作用［1］，但持续的研发投入和技术创新需要大量的资金支持。长期以来，制造业企业都面临融资难和融资贵的问题，融资问题阻碍了企业通过金融市场获取资金，使得企业无法持续开展研发投入和技术创新，企业全要素生产率无法得到有效提升。随着数字金融的发展，传统金融的瓶颈问题逐一得到解决：①信息不对称问题。传统金融机构与企业之间信息不对称是企业融资困难的重要原因［20］，数字金融利用互联网技术提升了信息搜集能力，利用大数据技术提升了海量数据挖掘和快速匹配能力，缓解了信息不对称［21］。另外，数字金融凭借数字技术建立可靠的第三方征信体系，也缓解了信息不对称［22］。②金融机构资金不足问题。传统金融机构由于本身资金不足，造成了放贷压力。数字金融的发展方便了客户的理财和投资需求，能以更低的成本吸引众多小散投资者，进而增加了金融机构的资金规模，可以有效满足企业资金供给需求，缓解企业融资困难［23］。③交易成本的问题。数字平台的推出降低了金融机构和企业之间的协商成本和交易成本，金融机构的监督成本也会降低，因而企业融资成本也会下降。

上述分析表明，数字金融的发展使得原先传统金融机构的融资问题得到有效解决，制造业企业通过外部融资渠道可以更便捷、更低价地获得更多的资金。长期、稳定的资金来源有助于企业持续开展研发投入和技术创新，通过低成本的规模扩张，实现企业全要素生产率的提升［24］。据此，本文提出假设1。

H1：数字金融的发展可以显著促进制造业企业全要素生产率的提升。

企业外部融资包括负债融资和权益融资。随着数字金融的发展、交易成本的降低，金融机构的贷款利率也会逐渐下降。对制造业企业来说，企业外部融资会更便捷，融资成本会更低，企业“融资贵”的问题得到缓解。目前，很多学者都对财务费用的下降是否缓解企业“融资贵”的问题进行研究。该方法存在一定的局限性，财务费用是企业利息支出减去利息收入和汇兑损益之后的金额，当企业利息收入较多时，财务费用难以真实揭示企业融资成本。另外，使用利息支出与营业收入之比（简称“利息负担水平”）虽然可以真实反映企业的融资成本，但该指标仅能揭示企业承受的负债压力，难以看出企业实际的贷款水平，因此，能够与金融机构的贷款利率相互验证的是利息支出与付息负债之比这一指标（简称“负债融资水平”），该指标可以揭示商业银行贷款利率变化对企业产生的影响。除负债融资成本外，企业的外部融资成本还有权益融资成本，可以用企业为分配红利所支付的现金与权益资金之比（简称“权益融资水平”）进行评价［25］。因此，通过“利息负担水平”“负债融资水平”和“权益融资水平”3个维度的综合分析可以评价企业“融资贵”的问题是否得到缓解。

上文的分析表明，随着数字金融的发展，“融资贵”问题会得到缓解，制造业企业融资成本也会随之下降，企业会更积极地通过外部融资获得资金用于研发投入和技术创新，有助于企业全要素生产率的提升，据此，本文提出假设2、假设3 和假设4。

H2：数字金融的发展会降低制造业企业利息负担水平，进而促进企业全要素生产率的提升。

H3：数字金融的发展会降低制造业企业负债融资水平，进而促进企业全要素生产率的提升。

H4：数字金融的发展会降低制造业企业权益融资水平，进而促进企业全要素生产率的提升。

由于制造业企业存在产权性质、规模、密集型、所在地区的异质性，数字金融发展对制造业企业的影响会存在差异。综上，设计出本文研究框架如图1所示。

图1 数字金融对制造业企业全要素生产率影响的研究框架

三、模型设计和数据说明

（一）模型设计

本文根据H1设计模型（1）：

其中：TFP 为被解释变量，表示制造业企业全要素生产率；DiFin为解释变量，表示企业所在城市的数字金融指数；Control 为控制变量；Year、Pro 和Ind 分别表示年度、省份和行业固定效应；ε表示残差项；i表示企业；t表示年度。

本文根据H2、H3和H4，设计传导机制模型（2）和模型（3）：

其中，FL 为中介变量，表示企业的融资水平，分别用利息负担水平（IBL）、负债融资水平（DFCR）、权益融资水平（EFCR）衡量。本文参考江艇（2022）［26］的中介效应验证方法，首先，选择与被解释变量有显著关系的融资水平作为中介变量；然后，根据模型（2）中系数β1的显著性识别融资水平是否存在中介效应；最后，利用模型（3）分别采用Sobel 检验和Bootstrap 检验，验证所选择的中介变量的传导机制是否存在。

（二）变量定义

1.被解释变量

本文的解释变量是全要素生产率（TFP）。微观企业全要素生产率的估计方法主要有GMM、OP、LP 和ACF 等，由于LP 方法可以较好地解决企业同时选择产量与资本存量带来的同时性偏差和数据丢失问题，适用于企业层面的全要素生产率估计。因此，本文使用LP 方法估算制造业企业的全要素生产率（TFP）。

2.解释变量

本文的解释变量是数字金融指数（DiFin）。参考已有研究，采用北京大学数字金融研究中心的数字普惠金融指数进行衡量。目前，该数据已经涵盖了我国31 个省份、337 个地级以上城市以及约2 800 个县区，具有一定的公开性和权威性。本文采用上市企业所在城市的数字普惠金融指数数据，并且使用覆盖广度（DiExt）、使用深度（DiDep）、金融化程度（DiLev）3 个维度的明细数据进行分类研究。

3.中介变量

根据上文的研究假设内容，本文选择融资水平变化作为衡量“融资贵”变化的指标。融资水平由利息负担水平（IBL）、负债融资水平（DFCR）和权益融资水平（EFCR）3个维度组成。

4.控制变量

借鉴相关学者的研究方法，本文选取企业年龄（Age）、企业资本密集度（Cap）、企业规模（Size）、资产负债率（Lev）、股权集中度（Ten）、两职合一（Dual）、独立董事比例（Inde）、审计意见（Aud）作为控制变量。

变量定义具体见表1所列。

（三）数据来源

本文使用2011—2020 年制造业上市企业财务报表数据和企业所在城市的数字金融数据，其中，制造业上市企业的财务报表数据来源于Wind系统A 股和新三板数据，上市企业所在城市的数字金融数据来源于北京大学数字金融研究中心课题组的《北京大学数字普惠金融指数》报告，并且对相关数据进行了如下处理：①剔除ST 等经营不善的企业；②剔除营业收入、员工数量、固定资产、销售商品和提供劳务收到的现金、融资水平小于0的企业；③对所有变量进行Winsorize 处理，最后得到31 751 个样本观测值。本文所使用的分析软件为Stata15。

四、实证分析

（一）描述性统计

表2列示了各主要变量的描述性统计结果。

从表2 可以看出，本次研究的样本数为31 751个，TFP 均值为16.100，接近中位数16.070，标准差为1.027，表明研究样本企业全要素生产率大致满足正态分布。另外，TFP的最小值为11.200，最大值为19.970，表明制造业企业全要素生产率在样本期间存在明显差异，使得本文研究具有一定的现实意义。DiFin 的最大值和最小值有较大差异，表明数字金融在各城市的发展存在显著差异。除此之外，控制变量分布值域比较广，能够较好地控制研究过程中存在的遗漏变量偏差问题，使研究结果更加稳健。

（二）基础回归

表3 列示了数字金融与制造业企业全要素生产率的回归结果。

表3 基本回归

从表3 列（1）的回归结果来看，DiFin 系数在1%水平上显著为正，表明总体上数字金融的发展可以显著促进制造业企业全要素生产率的提升，H1 初步得证。主要原因是：数字金融的发展有效缓解了信息不对称；随着数字金融的发展，众筹、小额贷款等融资方式拓宽了企业融资渠道；数字技术的发展和应用降低了金融机构的审批风险、简化了审批流程，使得企业比以往更容易、更便捷、更低成本地获得融资资金；企业获得资金后可以持续开展研发投入和技术创新，有助于促进企业全要素生产率的提升。从列（2）至列（4）的回归结果来看，DiExt、DiDep 和DiLev 系数在1%水平上显著为正，DiDep 值大于DiExt，DiLev 数值最小，表明数字金融的覆盖广度、使用深度和数字化程度对企业全要素生产率的影响存在差异，使用深度对企业全要素生产率影响最大，覆盖广度次之，而数字化程度对企业全要素生产率影响最小。该情况与《北京大学数字普惠金融指数（2011—2020 年）》的结论相似，意味着在数字金融发展过程中，数字化程度和覆盖广度已经逐步达到一定的饱和度，不可能再出现发展初期的快速增长现象，金融机构只有针对数字金融的应用场景和服务模式进行完善和提高，才能获得更大的发展空间。

（三）稳健性检验

1.替换被解释变量

本文参考陈维涛等（2019）［27］计算TFP的方法，将重新计算得到的全要素生产率（TFP_C）作为被解释变量进行回归，结果见表4所列。

从回归结果来看，替换被解释变量后，DiFin系数在1%水平上显著为正，说明数字金融的发展显著促进了制造业企业全要素生产率的提升，与基本回归结果一致，H1 得到验证。此外，DiExt、DiDep和DiLev 的值在1%水平上同样显著为正，其中，DiDep 值最大，DiExt 次之，DiLev 值最小，该回归结果与基本回归结果也一致，进一步验证了H1。

2.剔除异常数据。

考虑2015 年中国股市剧烈波动对上市企业的影响以及北京、上海、天津和重庆4 个直辖市存在的经济特殊性，本文借鉴唐松等（2020）［28］的研究方法，将上述异常数据剔除，然后分别进行回归，结果见表5所列。从回归结果来看，DiFin、DiExt、DiDep和DiLev 的值在1%水平上显著为正，说明数字金融发展有助于制造业企业全要素生产率提升的结论依然成立，H1再次得到验证。

表5 稳健性检验（剔除异常数据）

3.内生性检验

为了避免数字金融发展与制造业企业全要素生产率提升之间存在的反向因果关系，以及因遗漏变量而影响回归结果的准确性，本文采用工具变量法对上述研究结论进行稳健性检验。首先，借鉴黄群慧等（2019）［29］的研究方法，选取各城市1984 年每百人固定电话数量和每万人邮局数量作为地区数字金融发展指数的工具变量，电话用户数和邮局数代表城市信息化发展水平，也将对城市数字金融发展产生影响，而1984 年的电话和邮局数量不会通过数字金融发展影响企业全要素生产率；借鉴郭峰（2017）［30］的研究方法，选择企业注册地所在城市到杭州市的球面距离作为工具变量，杭州作为自然地理变量，与城市数字金融发展水平有显著关系，但各城市与杭州之间的距离不会通过数字金融发展而影响企业全要素生产率。此外，上述选用的工具变量都能满足有效工具变量的外生性和相关性的假设条件。从表6 回归结果来看，F值均远超过临界值10，排除了弱工具变量问题，Sagan 检验结果，P值为0.964，表明工具变量通过过度识别检验，工具变量是外生的，说明本文选用的工具变量有效；DiFin 系数在1%水平上显著为正，说明数字金融发展对制造业企业全要素生产率有显著推动作用，由此，H1再次得到验证。

表6 稳健性检验（内生性检查）

五、传导机制分析

（一）利息负担水平的效应分析

首先，将利息负担水平（IBL）代入模型（2）和模型（3）进行回归，结果见表7 列（1）和列（2）。从回归结果来看，表7 列（1）的DiFin 系数在1%水平上显著为负，可初步确定利息负担水平（IBL）存在中介效应；然后，进行Sobel检验，发现P值为0.001（结果小于0.050），表明利息负担水平（IBL）中介效应仍然存在；最后，进行Bootstrap 检验，在通过1 000次抽样结果后发现，95%置信区间为［0.001，0.005］（结果不包含0），进一步验证了利息负担水平（IBL）的中介效应。由此，验证了H2，即数字金融发展会降低制造业企业利息负担水平，进而促进企业全要素生产率的提升。

表7 中介效应分析（利息负担水平）

按照上述方法，分别将数字金融的覆盖广度（DiExt）、使用深度（DiDep）和数字化程度（DiLev）代入模型（2）和模型（3）进行回归，结果见表7列（3）至列（8）。可以看出，列（3）DiExt系数在1%水平上显著为负，列（5）和列（7）DiDep 和DiLev 系数都在5%水平上显著为负，初步表明数字金融指数的3 个维度发展都能显著降低企业利息负担水平，即数字金融3 个维度的发展能通过企业利息负担水平（IBL）影响企业全要素生产率。此外，Sobel检验和Bootstrap 检验结果显示，P值都小于0.050，抽样1 000次后95%的置信区间结果都不包含0，进一步表明，数字金融3个不同维度的发展都降低了制造业企业的利息负担水平，进而促进了企业全要素生产率的提升。

（二）负债融资水平效应分析

本文将负债融资水平（DFCR）作为中介变量代入模型（2）和模型（3）进行回归，结果见表8 所列。按照上文中介效应分析的方法进行分析，结果显示：列（1）DiFin 系数在1%水平上显著为负，Sobel 检验结果P值小于0.050，Bootstrap 检验结果包含0，说明数字金融的发展能降低制造业企业负债融资水平，但负债融资水平并没有起到中介效应作用，即数字金融的发展不能通过负债融资水平促进制造业企业全要素生产率的提升，因此，H3不成立；列（3）DiExt 系数在1%水平上显著为负，Sobel 检验结果P值小于0.050，Bootstrap 检验结果不包含0，列（5）和列（7）DiDep 和DiLev 系数都在1%水平上显著为负，Sobel 检验结果P值大于0.050，Bootstrap 检验结果都不包含0，说明数字金融的覆盖广度、使用深度和数字化程度都能够降低制造业企业负债融资水平，但负债融资水平的中介作用存在异质性。负债融资水平在数字金融覆盖广度对企业全要素生产率的影响中起到了中介作用，但在数字金融使用深度和数字化程度对企业全要素生产率的影响中没有起到中介作用。

表8 中介效应分析（负债融资水平）

（三）权益融资水平的效应分析

本文将权益融资水平（EFCR）作为中介变量进行回归，结果见表9 所列。可以看出，列（1）DiFin系数在5%水平上显著为正，Sobel检验结果P值小于0.050，Bootstrap 检验结果包含0，说明数字金融的发展提升了制造业企业权益融资水平，但权益融资水平并没有起到中介作用，即数字金融的发展不能通过权益融资水平促进制造业企业全要素生产率提升，因此，H4 不成立；列（5）DiDep 系数在5%水平上显著为正，Sobel 检验结果P值小于0.050，Bootstrap 检验结果不包含0，列（3）和列（7）中，DiExt 系数在1%水平上显著为正，DiLev 系数不显著，Sobel检验结果P值都大于0.050，Bootstrap检验结果都包含0，说明数字金融的覆盖广度和使用深度促进了制造业企业权益融资水平的提升，而数字化程度对制造业企业权益融资水平的变化没有显著影响。权益融资水平在数字金融使用深度对制造业企业全要素生产率的影响中起到了中介作用，但在数字金融覆盖广度和数字化程度对制造业企业全要素生产率的影响中没有起到中介作用。

表9 中介效应分析（权益融资水平）

六、异质性分析

（一）数字金融对不同产权性质企业的影响差异

为了考察数字金融对不同产权性质企业的影响差异，本文将样本按企业产权性质分为国有企业和非国有企业，具体为中央国有企业和地方国有企业归类为国有企业；民营、外资、集体、公众和其他企业归类为非国有企业，分别进行回归，结果见表10 列（1）和列（2）。可以看出，国有企业DiFin 系数在1%水平上显著为正，而非国有企业DiFin 系数在5%水平上显著为正，说明数字金融发展对国有制造业企业全要素生产率的促进作用更显著。原因可能是：数字金融的发展提高了金融机构的贷款效率、降低了贷款利率，国有制造业企业和非国有制造业企业都能享受数字金融带来的红利，国有制造业企业通过专业化、体系化、法治化建设，进一步增加了人才储备、优化了企业结构、提升了管理水平，有助于其利用人才和技术优势进行研发投入和技术创新，进而提升全要素生产率；相较于国有企业，虽然数字金融的发展缓解了非国有制造业企业的融资问题，但在人才和技术储备上仍存在较大差距，非国有企业在研发和创新投入方面显著不足，无法有效提升企业全要素生产率。因此，数字金融的发展对国有制造业企业全要素生产率的提升作用更显著。

表10 异质性分析

（二）数字金融对不同规模企业的影响差异

为了考察数字金融对不同规模企业的影响差异，本文按企业规模将样本分为大型企业和非大型企业，其中，非大型企业为中型、小型和微型企业，分别进行回归，结果见表10 列（3）和列（4）。可以看出，大型企业DiFin 系数在1%水平上显著为正，而非大型企业DiFin 系数不显著，说明数字金融的发展能显著促进大型制造业企业全要素生产率的提升，但对非大型制造业企业没有显著影响。原因可能是：大型制造业企业经营规范、业务稳定、抗风险能力强、人才和技术储备丰富，随着数字金融的发展，金融机构的融资效率进一步提高、融资成本进一步降低，更能助力大型制造业企业全要素生产率的提升；中小微制造业企业经营模式单一、抗风险能力弱、人才储备不足，金融机构为了控制信贷风险，往往无法为企业提供足够的信贷资金或者将信贷风险的成本转嫁给中小微制造业企业，不利于其创新发展，并且我国大多数中小微企业盈利能力较弱，获得的资金主要用于维持企业正常运营，用于技术改造提高生产效率的资金较少，因此，数字金融的发展能缓解中小微企业的融资问题，但对企业全要素生产率的提升作用不显著。

（三）数字金融对不同密集型企业的影响差异

为了考察数字金融对不同密集型企业的影响差异，本文将制造业企业分类为劳动密集型和非劳动密集型企业，其中，非劳动密集型企业为资本和技术密集型企业，分别进行回归，结果见表10列（5）和列（6）。可以看出，劳动密集型企业和非劳动密集型企业的DiFin 系数都在1%水平上显著为正，进一步通过chow 检验，结果显示，交叉项系数在5%水平上显著为负，说明数字金融的发展对非劳动密集型制造业企业全要素生产率的提升作用更大。原因可能是：我国制造业企业中许多企业是以手工作业为主的劳动密集型企业，数字金融的发展缓解了劳动密集型企业的融资问题，但劳动密集型企业的人工成本比较低，所以这些企业仍倾向于采用以人工操作为主的生产方式；数字金融的发展缓解了技术密集型和资本密集型制造业企业的融资问题，这些企业更愿意将资金投入到产品研发和技术创新，因而非劳动密集型企业能显著地提升企业全要素生产率。

（四）数字金融对不同地区企业的影响差异

我国地域广阔，各地区的历史、文化、地理环境不同，经济发展差异较大，为考察数字金融对不同地区企业的影响差异，本文按企业所在地区将样本分为东部（经济发达）地区和非东部（经济欠发达）地区（不包含港澳台地区）（1），分别进行回归，结果见表10 列（7）和列（8）。可以看出，东部地区企业DiFin 系数在1%水平上显著为正，非东部地区企业DiFin 系数不显著，说明数字金融的发展对东部制造业企业全要素生产率的提升作用更显著。原因可能是，数字金融对企业全要素生产率的影响需要企业所在城市综合经济实力的支持，经济水平较高的城市，基础设施、人才水平、政府效率都会好于经济水平较低的城市，因此，东部地区企业提升企业全要素生产率的动力更足。

七、研究结论与政策建议

（一）研究结论

为了探究数字金融的发展是否有效解决了制造业企业融资问题，是否提升了制造业企业全要素生产率，本文利用2011—2020 数字金融数据与同期A 股和新三板制造业企业数据，实证研究了数字金融对制造业企业全要素生产率的影响及其传导机制。研究结果表明：①总体上，数字金融发展能显著促进我国制造业企业全要素生产率的提升；②分渠道来看，数字金融的覆盖广度、使用深度和数字化程度都能促进我国制造业企业全要素生产率的提升；③从传导机制来看，数字金融发展降低了制造业企业利息负担水平和负债融资水平，但提升了企业权益融资水平，其中，利息负担水平起到了中介作用，而负债融资水平和权益融资水平没有起到中介作用；④异质性分析发现，数字金融的发展对提升国有、大型、非劳动密集型、东部地区的制造业企业全要素生产率的作用更显著。

（二）政策建议

根据上述研究结果，本文提出以下建议：

第一，国家应继续发展数字金融，并加大数字化程度的发展力度，促进制造业企业全要素生产率的提升。国家应在政策层面继续鼓励和支持数字金融发展的同时，考虑数字金融的覆盖广度和使用深度逐渐趋于饱和，后续发展乏力，而目前数字化程度发展对降低制造业企业负债融资水平和权益融资水平仍有很大空间。因此，可以将发展数字金融的数字化程度作为下一阶段的重点发展方向，进一步降低制造业企业融资水平，促进制造业企业全要素生产率提升。

第二，金融机构应进一步缓解中小微制造业企业“融资贵”问题，促进制造业整体高质量发展。数字金融发展缓解了制造业企业融资问题，但并没有解决中小微制造业企业“融资贵”的难题，中小微制造业企业仍无法通过享受数字金融红利来促进企业全要素生产率的提升。因此，金融机构需进一步加强数字金融建设，加大对中小微制造业企业的支持力度，促进我国制造业整体高质量发展。

第三，加大数字金融对经济欠发达地区的支持力度，推动地区产业联动，实现共同发展。数字金融发展突破了空间和时间的限制，将金融服务业务延伸到许多偏远地区，但没有改变非东部经济欠发达地区企业全要素生产率发展缓慢的窘境。因此，金融机构可以适当实施针对不同地区差异化的金融政策，为经济欠发达地区提供更优惠的金融政策，吸引更多制造业企业和人才入驻，推动经济欠发达地区的经济发展；同时，利用金融政策，鼓励、引导经济发达地区制造业企业参与中西部地区建设，通过地区联动、产业联动，实现共同发展的目标。

（三）研究不足

本文研究了数字金融的发展对我国制造业企业全要素生产率的影响及传导机制，在研究过程中仍存在一些不足之处有待改进：①在数据层面，本研究采用的数字金融指数是利用蚂蚁集团关于数字普惠金融的海量数据计算得到，该数据有一定的局限性，相关指标仍需要进一步优化和完善；②在研究内容上，本文虽然研究和分析了制造业行业，但我国制造业有30个行业，数字金融发展对每个制造业行业的影响也会存在差异，需进一步细化研究。

注 释：

（1）东部（经济发达）地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南10 个省份；非东部（经济欠发达）地区包括辽宁、吉林、黑龙江、山西、安徽、江西、河南、湖北、湖南、内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆21个省份。