数字金融影响企业全要素生产率的异质性机理

张永芳 吴科 程庭威 孙光林

DOI：10．19641/j．cnki．42-1290/f．2023．24．021

【摘要】本文基于我国2011 ～ 2021年上市公司面板数据， 采用面板双向固定效应模型实证检验数字金融影响企业全要素生产率的异质性机理。研究发现： 数字金融对企业全要素生产率具有显著促进作用， 数字金融对处于市场化程度低和金融发展水平高地区企业的全要素生产率的作用效果更加显著。内在机制检验表明： 数字金融对企业全要素生产率的影响机理存在显著异质性， 即數字金融通过促进企业创新提高企业全要素生产率的机理在市场化程度高、 市场化程度低和金融发展水平低的区域均显著， 但在金融发展水平高的区域不显著； 数字金融通过促进企业数字化转型提升企业全要素生产率的机理只在金融发展水平高和市场化程度高的区域显著， 而在金融发展水平低和市场化程度低的区域不显著。

【关键词】数字金融；企业全要素生产率；异质性影响；企业创新；数字化转型

【中图分类号】F832；F279.2      【文献标识码】A      【文章编号】1004-0994（2023）24-0146-7

一、 引言

高质量发展是社会主义现代化建设新征程的本质要求， 全要素生产率提升是推动经济高质量发展的重要抓手。提高全要素生产率推动高质量发展， 关键是要提高资源利用效率、 推动技术创新和产业升级， 提升金融服务实体经济的效率。但是， 企业创新及数字化转型都是周期长、 多层次的系统性工程， 需要稳定、 持续的金融资源作为支撑。由于政府干预、 信息不对称等因素， 传统金融资源配置更加偏好“二八定律”， 导致产生了融资供给不足、 金融资源错配、 信贷歧视等问题， 严重制约了金融服务实体经济的效率（王道平和刘琳琳，2021；孙光林和蒋伟，2021）， 同时严重抑制了微观主体在创新发展上的潜在动力。这些问题成为当前金融改革与发展需要关注的痛点。

关于企业全要素生产率影响因素的研究主要集中在宏观和微观两个层面。宏观层面主要从产业政策（钱雪松等，2018）、 经济开放程度（程惠芳和陆嘉俊，2014）、 基础设施建设（刘生龙和胡鞍钢，2010）、 大数据发展（史丹和孙光林，2022）等方面展开研究。近些年， 随着对环境问题关注程度的提高， 环境规制对企业全要素生产率的影响也引起了学界的关注（盛丹和张国峰，2019；刘祎等，2020）。微观层面主要关注企业技术水平（李华等，2020）、 企业内部管理效率（盛明泉和蒋世战，2019）等。此外， Hsieh和Klenow（2009）发现， 中美企业全要素生产率差异主要是由资源配置效率不同造成的。我国企业在发展过程中一直面临着比较严重的融资约束， 持续的资金不足会限制企业生产能力和创新能力， 直接影响企业生产效率的优化， 这不利于企业全要素生产率的提升（Kong等，2022）。

近年来， 数字金融与数字经济快速发展促进了金融领域的创新和变革， 为金融行业带来了巨大的发展机遇， 为解决传统金融发展困境提供了可能， 进而为实体经济的发展提供了强有力的支持（孙光林和蒋伟，2021）。已有较多研究探讨了数字金融与数字经济对企业全要素生产率的影响。比如： 史丹和孙光林（2023）发现， 数字经济对企业全要素生产率具有显著促进作用； 董岩辉（2023）认为， 数字金融能够纠正资源错配和缓解融资约束， 从而提升中小民营企业全要素生产率； 陈贺和龙海明（2023）认为， 数字金融能够减少金融机构与企业间的信息差， 通过创新效应提升企业全要素生产率。

然而， 鲜有文献从异质性视角出发系统性地探讨数字金融对企业全要素生产率的影响机理。与已有文献相比， 本文的创新点主要体现在以下两个方面： 首先， 对数字金融影响企业全要素生产率的异质性机理进行深入研究， 能够弥补当前研究的不足， 为更好发挥数字金融服务企业高质量发展提供理论依据。其次， 本文根据研究结论相应地提出了政策建议， 对于建设金融强国和提升数字金融服务实体经济的效率， 具有一定的政策价值。

二、 理论分析与研究假说

首先， 数字金融依托“金融+科技”模式， 能够优化金融服务模式， 通过扩大金融服务覆盖广度、 深化金融服务的触达能力， 使得更多的企业获得融资支持， 为企业的创新升级和效率提升提供坚实的金融支撑。其次， 数字金融借助数字技术能够增强信息搜集和处理能力， 降低传统金融由于信息不对称产生的道德风险， 提升金融系统的风险控制能力， 并在风险和收益平衡的基础上， 实现金融资源配置效率的提升， 而资源配置效率的提升能够更好地满足不同企业的融资需求（孙光林等，2023）， 进而提升企业全要素生产率。根据上述理论分析， 提出假说1：

假说1： 数字金融可以提高企业全要素生产率。

数字金融能够融合大数据和人工智能等底层技术， 引导金融、 技术、 劳动等生产要素的跨时空配置， 提升实体经济系统的资源流通效率， 这将极大地提升地区、 行业间资源的配置效率， 从而有助于企业开展创新活动（唐松等，2020）。数字金融利用数据、 场景和服务等优势， 拓宽企业的融资渠道， 减少信息不对称问题， 降低资本成本， 优化资源配置， 缓解金融错配（赵晓鸽等，2021）。数字金融发展能够为企业提供更好的金融服务， 在数字技术的支撑下， 通过收集和分析市场、 技术、 竞争等方面的信息， 企业可以更好地了解市场需求和趋势， 把握市场机遇， 制定更加科学和有针对性的创新战略与决策， 进而促进企业创新。

企业创新可以从技术进步、 管理赋能及改善资源配置等多个方面提升全要素生产率。第一， 企业创新带来的技术进步对生产效率具有直接促进效应（史丹和孙光林，2022）。技术创新及生产模式的智能化、 数字化变革可以有效优化生产工艺、 提高生产效率， 减少对劳动、 资本的依赖， 进而提升企业全要素生产率（孙光林和蒋伟，2021）。第二， 创新有助于企业实现可持续发展。一方面， 企业通过技术创新可以有效获取市场的先发优势， 提升新市场份额的占有率， 实现研发投入的超额利润回报， 为企业的研发创新提供资本支持， 实现正向循环； 另一方面， 企业创新能够有效降低企业成本。企业技术升级能够优化生产流程， 智能化、 数字化管理有助于协调要素合理配置， 从而降低企业生产成本。第三， 企业流程创新可以帮助企业优化组织结构和流程， 提高组织效能和管理能力。通过重新设计和优化工作流程， 企业可以更好地分配资源、 协调工作、 提高工作效率。这有助于减轻企业组织臃肿、 人员冗杂等问题， 提高人力资源利用率， 从而降低企业的人力成本和管理成本（武力超等，2021）。根据上述理论分析， 提出假说2：

假说2： 数字金融可以通过促进企业创新提升企业全要素生产率。

数字经济推动了数字技术在金融领域的应用， 其在促进创新水平提升、 拓宽金融普惠性方面发挥着重要作用（黄益平和陶坤玉，2019）。企业数字化转型升级是多学科、 多维度交叉的长期系统工程， 涉及技术升级、 业务流程优化、 战略转型等多个方面， 企业现有人员素质和技术水平无法支撑企业数字化， 这就需要企业加强数字基础设施投入， 加快數字技术研发创新， 引进高素质人才。企业数字化转型具有周期长、 风险高的特点， 传统金融对于风险项目的标准较高、 审核严格， 企业难以获得数字化转型必要的金融支持， 数字金融扩大了传统金融的覆盖面， 从而能够为企业引进数字化人才、 数字化设备提供更好的资金支持， 增强企业数字化转型升级的动力（史丹和孙光林，2023）。一方面， 数字金融利用大数据、 人工智能、 云计算等技术对海量数据进行分析和挖掘， 使得金融机构可以获取企业的经营数据、 财务信息等， 从而更准确地评估企业的信用风险， 缓解金融机构和企业之间的信息不对称， 降低借贷双方的信息搜寻成本（江红莉和蒋鹏程，2021）。这有助于金融资源合理配置， 从而为企业提供更好的金融支持。另一方面， 数字金融打破了传统金融的地域限制和时间限制， 增加了信贷市场融资供给， 使更多的企业可以获得融资支持。通过互联网和移动设备等渠道， 企业可以与全国乃至全球的投资者和金融机构进行连接， 拓宽融资渠道， 缓解企业面临的资金约束。此外， 数字金融提升了企业数字化管理水平， 如通过智能支付、 云计算等技术提升企业财务管理效率， 从而实现金融资源的有效配置， 保证资金流循环畅通（周卫华和郑欣圆，2023）， 进一步为企业数字化转型提供保障。

企业数字化转型能够从以下方面帮助企业提升全要素生产率： 第一， 企业数字化转型有助于提升要素配置效率。企业升级智能化、 数字化管理体系， 有助于提升生产要素在企业内部的配置效率， 实现生产和服务的自动化， 从而提高要素利用率； 同时， 数字化转型还可以优化企业的组织结构和流程， 提高工作效率， 减少人力资源的浪费。第二， 企业利用大数据技术能够精准地分析出消费者的消费偏好， 提升生产效率， 同时利用数字技术搭建售后服务平台， 及时接收消费者反馈， 可提升消费者满意度， 降低服务成本， 提升服务效率。第三， 企业数字化转型能够优化企业的经营模式。企业数字化转型通过信息共享和协同工作、 数据驱动决策、 灵活的组织结构以及创新和变革驱动等方面， 推动企业管理系统的优化， 进而驱动企业组织的变革， 提升运营效率（戚聿东和肖旭，2020）。这有助于提高企业的管理效率和决策能力， 增强企业的竞争力和创新能力。根据上述理论分析， 提出假说3：

假说3： 数字金融可以通过促进数字化转型提升全要素生产率。

三、 研究设计

（一）模型设定

1. 基准回归模型。为了检验数字金融对企业全要素生产率的影响效应， 本文构建的基准回归模型如下：

TFP_i，j，t=β₀+β₁DF_j，t+Σβ_kcontrol_i，j，t+Yeardum+Inddum+ε_i，j，t（1）

其中： 变量的下标i、 j、 t分别代表企业、 城市和年度； TFP表示企业全要素生产率， 使用LP法和OP法测量的企业全要素生产率分别用TFP_LP、 TFP_OP表示； DF表示数字金融； control为控制变量集； Yeardum和Inddum分别为年度固定效应和行业固定效应； ε为随机扰动项。

2. 机制效应模型。为了检验数字金融通过企业创新和企业数字化转型影响企业全要素生产率的机制效应， 本文构建以下模型：

Media_i，j，t=β₀+β₂DF_j，t+Σβ_kcontrol_i，j，t+Yeardum+Inddum+ε_i，j，t（2）

TFP_i，j，t=β₀+β₃DF_j，t+β₄Media_i，j，t+Σβ_kcontrol_i，j，t+Yeardum+Inddum+ε_i，j，t（3）

其中， Media表示中介变量， 分别为企业创新（RD）和企业数字化转型（digital）。模型（2）用于检验核心解释变量数字金融对企业创新和企业数字化转型的影响； 模型（3）用于检验传导机制是否成立， 如果β₂>0和β₄>0， 且通过显著性水平检验， 则说明企业创新和数字化转型的中介效应存在。其他变量和符号与模型（1）一致。

（二）变量说明

1. 被解释变量： 全要素生产率（TFP）。本文参考史丹和孙光林（2022）的做法， 使用 OP法和LP法测度企业全要素生产率。

2. 核心解释变量： 数字金融（DF）。北京大学数字金融研究中心联合蚂蚁金服收集了海量数字金融数据， 并从2011起每年公布“数字金融指数”， 数据涵盖了我国省域、 市域以及县域层面。本文选取2011 ～ 2021年城市层面数字金融指数的自然对数值来衡量数字金融， 其包括数字金融覆盖广度bre和使用深度dep。

3. 中介变量。

（1）企业创新（RD）。本文选取企业每年申请并被授予的专利数的自然对数值来测度企业创新。

（2）企业数字化转型（digital）。本文使用关键词频率统计的方法构建企业层面数字化转型程度指数。具体而言， 将特征词库细分为包括人工智能、 区块链、 云计算、 大数据在内的“底层技术架构”以及“数字技术应用”两个方面（吴非等，2021；史丹和孙光林，2022）， 统计企业年报中上述关键词出现的次数， 并以关键词总频次衡量企业数字化转型程度， 为了避免统计过程中出现的各种偏误， 进一步对关键词总频次采取对数化处理。

4. 控制变量。本文选取的控制变量如下： 企业财务杠杆（lev）， 利用企业资产负债率度量； 企业现金持有水平（cash）， 企业货币资金与总资产之比； 盈利能力（roa）， 利用总资产收益率度量； 股权集中度（first）， 第一大股东持股比例； 资本存量（ppe）， 年末固定资产净值与总资产之比； 区域经济发展水平（lgdp）， 企业所在省份人均GDP的自然对数值； 产业结构（gdpsec）， 企业所在省份第二产业总规模占比。

（三）数据来源

本文选择2011 ～ 2021年我国A股上市公司作为样本， 企业数据来自国泰安数据库， 区域经济数据来源于国家统计局。为保证样本数据的完整性以及数据质量， 样本数据不包括标记为ST的企业及存在财务数据缺失的企业。为了降低回归结果产生偏差的概率， 本文对样本数据进行Winsorize处理和对数化处理， 消除了样本异常值。

四、 实证分析

（一）描述性统计

表1为主要变量的描述性统计结果。由表1可知， 企业全要素生产率TFP_LP和TFP_OP的最大值分别为14.646和11.976， 最小值分别为5.626和1.519， 表明不同企业的全要素生产率存在显著差异。

（二）基准回归结果分析

基于模型（1）， 检验数字金融能否提升企业全要素生产率， 回归结果如表2所示。实证分析过程中， 采用OP法和LP法两种方法测量企业全要素生产率， 以增强回归结果稳健性， 采用年度固定效应和行业固定效应双固定模型进行回归分析。列（1）、 列（2）中数字金融对企业全要素生产率的系数为0.110、 0.125， 且均在1%的水平上显著， 说明数字金融发展能够提升企业全要素生产率， 假说1得到验证。

进一步地， 为了更加深入地考察数字金融对企业全要素生产率的影响， 本文将数字金融分为覆盖广度和使用深度两个方面， 并实证分析数字金融的作用差异性。覆盖广度是数字金融在经济体中被广泛使用的程度。数字金融覆盖广度高意味着更多的企业能够获得数字金融服务， 数字金融通过提供多样化的融资渠道和资金支持， 帮助企业提高创新能力和竞争力。使用深度是数字金融在经济体中应用的程度和深度。数字金融使用深度高意味着数字金融在金融服务中的应用更加全面和深入， 能够提供更多、 更高质量的金融产品和服务， 满足经济体各个层面的需求。

表2中列（3）和列（4）反映了数字金融覆盖广度对全要素生产率的影响： 采用LP法测量全要素生产率时， 回归结果是不显著的； 采用OP法测量全要素生产率时， 数字金融覆盖广度的系数为0.058， 且在5%的水平上显著。列（5）和列（6）反映了数字金融使用深度对全要素生产率的影响， 估计系数分别为0.305和0.257， 且均在1%的水平上显著。由回归结果可以看出， 数字金融对全要素生产率的影响显著不同， 数字金融的建设不能局限于增加服务人数和扩大覆盖面积， 即扩大数字金融的服务范围， 更要注重金融服务深度的挖掘， 充分发挥数字金融深度服务能力（陈中飞和江康奇，2021）。

（三）异质性基准回归结果分析

1. 基于金融发展水平的异质性检验。表3中列（1） ～ （4）展示了在金融发展水平不同地区数字金融对企业全要素生产率的影响差异。金融发展水平高组的回归结果如表3中列（1）和列（2）所示， 数字金融回归系数为0.379、 0.324， 且在1%的水平上显著； 金融发展水平低组的回归结果如表3中列（3）和列（4）所示， 数字金融的回歸系数为0.337、 0.247， 且在1%的水平上显著。由两组回归系数对比可知， 金融发展水平低弱化了数字金融对企业全要素生产率的促进作用， 究其原因： 数字金融的发展必须依靠传统金融部门的支持， 地区金融发展水平的高低势必会影响数字金融增益效应的释放。考虑到在金融发展水平较低的区域， 传统金融服务、 数字基础设施以及制度环境等多方面都落后于金融发展水平高的地区， 这增加了金融数字化转型的不确定性， 进而抑制了数字金融效力的发挥。同时， 金融发展水平较高的地区， 其经济发展活力、 发展潜力、 创新动力强于金融落后地区， 且金融发展水平较高地区的企业积累了丰厚的人才资源和创新资本， 创新意识比较强。因此， 较高的金融发展水平更有利于数字金融的潜力释放。

2. 基于市场化程度的异质性检验。由表3列（5） ～ （8）的结果可知， 无论是在市场化程度高的地区还是在市场化程度低的地区， 数字金融发展对企业全要素生产率均具有显著的促进作用。具体而言： 在市场化程度高组， 数字金融的回归系数是0.295和0.174， 均在1%的水平上显著； 而在市场化程度低组， 数字金融的回归系数是0.375和0.336， 均在1%的水平上显著。这说明当市场化程度较低时， 数字金融对企业全要素生产率的促进作用更加明显。这是因为在市场化程度较低时， 企业发展过程中面临资源不足、 约束较多的情况， 也就拥有更大的潜力没有释放。数字金融可以提供更多的融资渠道、 降低交易成本、 提供精确的数据分析和决策支持， 以及促进创新和竞争等， 这些优势可以帮助企业突破市场化程度低的限制， 提高全要素生产率。

（四）稳健性检验

首先， 采用省级层面数字金融指数替换核心解释变量。回归结果显示， 省域层面数字金融的系数为0.180、 0.098， 且在1%的水平上显著， 验证了本文回归结果的稳健性。其次， 本文采用拟合生产函数法（ols）、 固定效应估计技术（fe）两种方法来测量企业全要素生产率。回归结果表明， 数字金融的系数为0.128、 0.130， 且在1%的水平上显著。最后， 为了缓解数字金融滞后效应对企业全要素生产率的影响， 本文将数字金融滞后一期进行回归。回归结果表明， 数字金融的系数分别为0.145和0.088， 均在1%的水平上显著， 再次验证了数字金融对企业全要素生产率具有促进作用这一结论的稳健性。限于篇幅， 稳健性检验结果均未列示。

（五）中介效应检验

1. 基于企业创新的作用机制回归结果。表4为企业创新机制效应实证结果。列（1）中数字金融的回归系数β2为0.148， 满足β2>0的假设， 并且在1%的水平上显著， 说明数字金融有利于提升企业创新水平。列（2）和列（3）的结果表明， 企业创新水平的提升能够显著促进企业全要素生产率的提高。其中： 列（2）显示， 当使用LP法测量企业全要素生产率时， 根据模型设定， 企业创新的回归系数β4为0.007， 满足β2>0和β4>0的假设， 且两者均通过1%的统计显著性检验； 列（3）中采用OP法测量企业全要素生产率， 企业创新的回归系数β4为0.012， 满足β2>0和β4>0的假设， 且两者均通过1%的统计显著性检验。实证结果表明， 数字金融通过促进企业创新提升了企业全要素生产率。这一结果可以进一步理解为： 数字金融提高了传统金融服务水平， 为企业的创新升级和效率提升提供了坚实的金融支撑， 有助于企业创新活动的开展， 企业创新带动了企业整体效率的提升， 进而提升了企业全要素生产率。

上述实证结果验证了假设2， 说明数字金融通过促进企业创新， 进而促进企业全要素生产率的提升。为了多元化分析传导机制的效果， 本文进一步从地区市场化程度和金融发展水平角度分析该机制作用的差异。

表5显示了在市场化程度不同的地区， 数字金融通过影响企业创新， 提升全要素生产率作用效果的差异。列（1）中数字金融对企业创新的影响系数在5%的水平上显著为负， 说明市场化程度较高时， 数字金融会抑制企业创新。究其原因， 本文认为市场化程度高的地区通常有更多的企业参与竞争， 市场竞争压力更大。数字金融的发展可能会加剧市场竞争， 企业需要投入更多的资源和精力来应对竞争， 使得其进行创新的机会减少、 能力减弱。市场化程度高的地区通常有更为规范和成熟的市场环境， 市场规则和标准更为严格， 企业更加注重符合市场规范和标准， 而不愿意冒险进行创新， 从而抑制了创新活动的开展。列（4）中数字金融对企业创新的影响系数在1%的水平上显著为正， 说明市场化程度较低时， 数字金融有助于企业创新， 且列（5）和列（6）显示企业创新对全要素生产率具有显著促进作用， 再次验证了数字金融可以通过促进企业创新提升全要素生产率。

表6显示了在金融发展水平不同的地区， 数字金融通过影响企业创新提升全要素生产率作用效果的差异。列（1）中数字金融对企业创新的影响系数为0.025， 但未通过显著性检验， 说明在金融发展水平较高的地区， 数字金融对企业创新的促进作用不显著。究其原因， 本文认为在金融发展水平较高的地区， 其本身金融资源更加丰富、 金融服务更加完善、 融资渠道更加多样， 企业有更多的融资途径选择， 因而数字金融对企业创新的支持作用有限； 但是在金融发展水平较低的地区， 企业融资面临严重的约束， 创新活动难以顺利开展。但是数字金融能够突破传统金融空间限制， 扩展金融服务的触达范围， 因此更加有利于金融发展水平较低地区的企业加速创新。列（4）中数字金融对企业创新的影响系数在1%的水平上显著为正， 说明在金融发展水平较低的地区， 数字金融有助于企业创新； 列（5）和（6）显示企业创新对全要素生产率具有促进作用， 说明在金融发展水平较低的地区， 数字金融可以通过促进企业创新提升企业全要素生产率。

2. 基于企业数字化转型的作用机制回归结果。表7显示了企业数字化转型的机制效应实证结果。列（1）中数字金融的回归系数β2为0.167， 满足β2>0的假设， 且在1%的水平上显著， 说明数字金融发展有利于企业数字化转型活动的开展。列（2）和列（3）的结果表明， 企业数字化转型可以显著提升全要素生产率。列（2）显示， 当使用LP法测量企业全要素生产率时， 根据模型设定， 企业数字化转型的系数β4为0.034， 满足β2>0和β4>0的假设， 且两者均通过1%的统计显著性检验； 列（3）中采用OP法测量企业全要素生产率， 企業数字化转型的系数β4为0.036， 满足β2>0和β4>0的假设， 且两者均通过1%的统计显著性检验。实证结果表明， 数字金融通过促进企业数字化转型提升了企业全要素生产率。这一结果可以进一步理解为： 数字金融缓解了企业的融资约束， 数字技术浪潮推动企业数字化转型， 以智能化、 数字化为特征的生产运营模式的改进， 可从管理效率、 生产模式、 资源配置等多个维度提升企业效率， 进而提升企业全要素生产率。

上述实证结果验证了假设3， 说明数字金融通过促进企业数字化转型， 进而促进企业全要素生产率的提升。为了多元化分析传导机制的效果， 本文进一步从地区市场化程度和金融发展水平角度分析该机制作用的差异。

表8显示了在市场化程度不同的地区， 数字金融通过影响企业数字化转型提升全要素生产率作用效果的差异。列（1）中数字金融对企业数字化转型的影响系数在1%的水平上显著为正， 说明市场化程度较高时， 数字金融极大地提升了企业数字化水平； 列（2）和列（3）中企业数字化转型对企业全要素生产率的影响系数均在1%的水平上显著， 说明企业数字化转型对全要素生产率具有显著促进作用， 再次验证了数字金融可以通过促进企业数字化转型提升全要素生产率。列（4）中数字金融对企业数字化转型的影响系数为0.06， 但未通过显著性检验， 说明市场化程度较低时， 数字金融对企业数字化转型的影响不显著。究其原因， 本文认为市场化程度低的地区缺乏先进的技术和高素质的人才， 这使得企业难以进行数字化转型。数字化转型需要企业具备一定的技术能力和人才支持， 包括数据分析、 人工智能、 云计算等方面的知识和技能。同时， 市场化程度低的地区可能存在传统观念和文化限制， 企业和个人对数字化转型的认识与接受程度较低， 这使得企业难以改变传统的经营方式和思维模式， 阻碍了数字化转型的推进。

表9显示了在金融发展水平不同的地区， 数字金融通过影响企业数字化转型提升全要素生产率作用效果的差异。列（1）中数字金融对企业数字化转型的影响系数在1%的水平上显著为正， 说明在金融发展水平较高的地区， 数字金融能够极大地提升企业数字化水平； 列（2）和列（3）中企业数字化转型对企业全要素生产率的影响系数均在1%的水平上显著为正， 说明企业数字化转型对全要素生产率具有显著促进作用， 再次验证了数字金融可以通过促进企业数字化转型提升全要素生产率。列（4）显示， 在金融发展水平较低的地区， 数字金融对企业数字化转型的影响系数为-0.047， 且未通过显著性检验， 说明数字金融无法促进企业数字化转型， 反而可能抑制企业数字化转型。究其原因： 本文认为数字金融发展建立在传统金融部门提供的基础性支撑上， 在金融发展水平较低的地区， 数字金融效力释放受到抑制， 企业融资需求更加依赖传统金融部门的支持； 同时相关研究表明， 数字金融对企业数字化转型的促进作用在金融、 经济发达地区的效果更好， 更多地承担了“锦上添花”的角色（王宏鸣等，2022）。

五、 结论与政策建议

本文从直接作用效应、 中介传导机制和异质性分析三个维度分析了数字金融发展对企业全要素生产率的作用效果， 得出以下结论： ①数字金融发展有利于提高企业全要素生产率； ②数字金融可以通过促进企业创新和数字化转型提高企业全要素生产率； ③数字金融必须注重覆盖广度和使用深度的协同发展， 这样才能深度发挥数字金融对企业全要素生产率的促进作用； ④无论地区的市场化程度、 金融发展水平是高还是低， 数字金融发展对企业全要素生产率的提升作用都是显著的， 但在市场化程度低的地区， 该促进作用强于市场化程度高的地区， 在金融发展水平高的地区， 该促进作用强于金融发展水平低的地区。

根据研究结论， 本文提出以下政策建议： ①重视数字金融发展对企业全要素生产率的提升效应， 政府要为数字金融发展创造良好的外部环境。在严格防范金融风险的前提下， 应当出台相应的政策， 积极支持数字金融的发展， 例如： 加快数字基础设施建设， 持续支持数字金融产业发展， 鼓励并加大数字技术的研发投入， 为推动这一新兴金融业态的更快更好发展奠定坚实的基础； 适当降低数字金融行业的门槛， 鼓励竞争和创新， 利用市场机制筛选出优质企业， 进一步促进数字金融产业向好发展。②数字金融发展不仅要注重整体效应， 而且要注重结构化差异。在覆盖广度上， 要提升金融资源和服务的可得性， 通过数字技术打破时空约束， 扩展数字金融服务在地域的覆盖度， 同时要开发多种类的金融服务产品， 实现对企业类型、 企业数量的广覆盖； 在使用深度上， 提高数字金融服务的适配性， 针对企业类型和需求， 提供个性化金融定制服务， 使得金融服务可以灵活适配不同生产经营活动的资金需求， 促进数字金融的深度应用。③采用差异化数字金融发展策略。对于传统金融发达地区， 应该倡导以商业银行为主的金融机构加快金融科技布局， 以数字技术驱动金融数字化发展， 从而为实体经济发展提供更好的金融支持。

【 主 要 参 考 文 献 】

陈贺，龙海明．数字金融发展对企业全要素生产率的影响研究［ J］．金融理论与实践，2023（4）：1 ～ 15．

陈中飞，江康奇．数字金融发展与企业全要素生产率［ J］．经济学动态，2021（10）：82 ～ 99．

程惠芳，陆嘉俊．知识资本对工业企业全要素生产率影响的实证分析［ J］．经济研究，2014（5）：174 ～ 187．

董岩辉．数字金融驱动中小民营企业全要素生产率提升路径［ J］．财会通讯，2023（22）：138 ～ 141+165．

黄益平，陶坤玉．中国的数字金融革命：发展、影响与监管启示［ J］．国际经济评论，2019（6）：24 ～ 35+5．

江红莉，蒋鹏程．数字金融能提升企业全要素生产率吗？——来自中国上市公司的经验证据［ J］．上海财经大学学报，2021（3）：3 ～ 18．

刘生龙，胡鞍钢．交通基础设施与经济增长：中国区域差距的视角［ J］．中国工业经济，2010（4）：14 ～ 23．

刘祎，杨旭，黄茂兴．环境规制与绿色全要素生产率——基于不同技术进步路径的中介效应分析［ J］．当代经济管理，2020（6）：16 ～ 27．

戚聿东，肖旭．数字经济时代的企业管理变革［ J］．管理世界，2020（6）：135 ～ 152+250．

钱雪松，康瑾，唐英伦等．产业政策、资本配置效率与企业全要素生产率——基于中国2009年十大产业振兴规划自然实验的经验研究［ J］．中国工业经济，2018（8）：42 ～ 59．

盛丹，张国峰．两控区环境管制与企业全要素生产率增长［ J］．管理世界，2019（2）：24 ～ 42+198．

盛明泉，蒋世战．高管股权激励、技术创新与企业全要素生产率——基于制造业企业的实证分析［ J］．贵州财经大学学报，2019（2）：70 ～ 76．

史丹，孙光林．大数据发展对制造业企业全要素生产率的影响机理研究［ J］．财贸经济，2022（9）：85 ～ 100．

史丹，孫光林．数字经济、产业融合的绿色效应分析［ J］．福建论坛（人文社会科学版），2023（4）：67 ～ 82．

孙光林，蒋伟．数字经济对商业银行不良贷款率的影响机制研究［ J］．证券市场导报，2021（5）：37 ～ 44+54．

孙光林，汪琳琳，艾永芳．大数据发展对我国县域碳排放的影响机理研究［ J］．西安理工大学学报，2023（3）：301 ～ 309．

唐松，伍旭川，祝佳．数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异［ J］．管理世界，2020（5）：52 ～ 66+9．

王道平，刘琳琳．数字金融、金融错配与企业全要素生产率——基于融资约束视角的分析［ J］．金融论坛，2021（8）：28 ～ 38．

王宏鸣，孙鹏博，郭慧芳．数字金融如何赋能企业数字化转型？——来自中国上市公司的经验证据［ J］．财经论丛，2022（10）：3 ～ 13．

吴非，胡慧芷，林慧妍，任晓怡．企业数字化转型与资本市场表现——来自股票流动性的经验证据［ J］．管理世界，2021（7）：130 ～ 144+10．

武力超，陈韦亨，林澜等．创新及绿色技术创新对企业全要素生产率的影响研究［ J］．数理统计与管理，2021（2）：319 ～ 333．

赵晓鸽，钟世虎，郭晓欣．数字普惠金融发展、金融错配缓解与企业创新［ J］．科研管理，2021（4）：158 ～ 169．

周卫华，郑欣圆．城市数字金融推动企业数字化与绿色化融合发展研究［ J］．城市问题，2023（8）：26 ～ 36+53．

Hsieh C. T.， Klenow P. J.. Misallocation and manufacturing TFP in China and India［ J］．The Quarterly Journal of Economics，2009（4）：1403 ～ 1448．

Kong T.， Sun R.， Sun G.， Song Y.. Effects of digital finance on green innovation considering information asymmetry： An empirical study based on Chinese listed firms［ J］．Emerging Markets Finance and Trade，2022（15）：4399 ～ 4411．

（責任编辑·校对： 喻晨  许春玲）

【基金项目】南京市软科学研究计划项目“数字普惠金融对南京市中小企业绿色创新的作用机制研究”（项目编号：202303024）

【作者单位】1.新乡学院商学院， 河南新乡 453003；2.三江学院法商学院， 南京 210012；3.南京航空航天大学经济与管理学院， 南京 210016；4. 碳排放权交易省部共建协同创新中心， 武汉 430205；5.南京财经大学金融学院， 南京 210023。 孙光林为通讯作者