数字金融发展与企业产能利用率：基于沪深A股上市公司的实证研究

2024-06-24刘兴华吴晟婕

金融发展研究 2024年1期

刘兴华　吴晟婕

摘要：基于2011—2021年A股上市公司样本数据，探讨数字金融发展对企业产能利用率的影响机理。研究发现，数字金融发展能够显著提高企业的产能利用率，促进技术创新、改善资源错配和抑制过度投资是数字金融发展提高企业产能利用率的作用渠道。异质性分析发现，数字金融发展对企业产能利用率的提升作用在融资约束较大企业、高科技企业及市场化程度较低地区企业中表现得更为明显。适当的金融监管能够引导数字金融正外部性的发挥，助力数字金融发展对企业产能利用率的提升作用。据此提出大力推进数字金融发展、深化供给侧结构性改革、增强数字金融监管力度和提升企业质量管理能力等政策建议。

关键词：数字金融；产能利用率；信息不对称；过度投资；金融监管

中图分类号：F830.91 文献标识码：A 文章编号：1674-2265（2024）01-0035-09

DOI：10.19647/j.cnki.37-1462/f.2024.01.004

一、引言

近年来，我国数字经济发展迅速，取得了举世瞩目的成就，成为经济增长的重要引擎。党的二十大报告提出：“加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。”数字金融是金融与信息科技的融合，通过数字技术的广泛应用，对金融业进行变革和再升级，能够突破传统金融发展瓶颈，降低企业资金成本，拓宽金融服务域面，满足市场主体金融服务需求，对于推动经济高质量发展发挥了重要作用（滕磊和马德功，2020）[1]。长期以来，我国传统粗放型经济增长方式降低企业生产绩效，造成严重的产能过剩，成为经济高质量发展的掣肘因素。那么，数字金融发展是否会对产能承载的微观主体企业产生影响？若是，数字金融发展影响企业产能利用率的内在机理和传导路径如何？研究两者之间的关系，对于促进数字金融发展、化解企业产能过剩问题和推进高质量发展具有重要的理论意义和实践价值。

现有关于数字金融的研究，大多围绕其经济效应进行，数字金融通过优化数据要素提升资金配置效率，促进经济高质量发展（Beck等，2018）[2]，提高居民收入和消费水平（张勋等，2020）[3]，提升企业技术创新能力（唐松等，2020）[4]。关于数字金融与企业生产率的研究不多，主要聚焦于数字金融与企业全要素生产率的关系，认为数字金融能够缓解融资约束，激励技术创新，为提升全要素生产率提供驱动力（段军山和高雯玉，2022）[5]。现有关于企业产能利用率的研究，主要从市场失灵（Abrahamson和Rosenkopf，1993）[6]、政府干预（徐业坤和马光源，2019）[7]和企业行为（韩国高等，2022）[8]视角展开，但无论基于何种视角，最终都表现为过度投资引发企业产能过剩，进而导致低下的产能利用率。持续推进技术创新是解决这一问题的关键所在（韩国高，2017）[9]，数字金融发展能够推动企业技术创新，为数字金融发展与产能利用率之间关系的研究提供了基础。此外，数字金融发展能够优化金融资源配置，扩大金融业务范围，提升金融服务效率（封思贤和徐卓，2021）[10]，从而提高企业产能利用率（Han和Shen，2015）[11]。

基于此，本文利用我国2011—2021年A股上市公司数据，采用双向固定效应模型，探讨数字金融发展对企业产能利用率的影响以及作用机制。可能的边际贡献主要有：第一，聚焦数字金融发展对企业产能利用率的影响，丰富和拓展数字金融的微观效应研究，为提升产能利用率提供一定的决策依据。第二，揭示数字金融发展对企业产能利用率可能的作用机制，为数字金融服务实体经济和促进高质量发展提供参考依据。第三，尝试将金融监管纳入研究范式，重点考察金融监管在数字金融发展提升企业产能利用率中的作用，增强研究结论的科学性和有效性，为完善我国金融监管制度提供理论支撑。

二、理论分析与研究假设

伴随经济数字化发展，数字金融出现普及化趋势，可从需求侧和供给侧对企业产能利用率产生影响。从需求侧视角看，数字金融的互联互通属性突破了消费的时空限制，激活潜在的消费者，可为偏远地区提供完善的个性化服务；数字金融的网络经济特性促使市场交易活动全天候高效进行，在“扩面”的同时“提质”，扩大市场有效需求。数字金融发展引发需求侧的扩张，避免产品滞销，减少企业闲置产能，提高企业产能利用率。从供给侧视角看，一方面，数字金融综合运用大数据、云计算、区块链等技术，重塑要素流动格局，提高数据资源的可获得性，为市场活动提供更为全面和准确的信息，减少信息不完全约束下非理性投资造成的投资“潮涌”，进而增强企业供给能力，抑制企业过剩产能的形成，提高企业的产能利用率。另一方面，数字金融发展能够发挥“长尾效应”，以低成本将金融服务重点面覆盖到“长尾”群体，从而扩大市场上的资金供给，加之数字金融发展可以缓解借贷过程中的信息不对称（Goldstein等，2019）[12]，有效降低企业面临的融资约束（解维敏等，2021）[13]，为企业的生产经营提供充沛资金，降低边际生产成本，提高企业生产效率，进而提升企业的产能利用率。基于此，提出假设H1。

H1：数字金融发展促进企业产能利用率提升。

数字金融依托数字技术优势，提高金融市场透明度，规避信贷双方“事前”的逆向选择，进而降低风险识别成本，为价值型技术创新项目提供资金支持，缓解企业面临的“融资难、融资贵”问题；数字金融基于区块链技术手段，对技术创新资金用途持续监督，亦可缓解“事后”的道德风险问题，有利于激发企业创新潜能，提高企业技术创新水平（谢雪燕和朱晓阳，2021）[14]。基于网络经济理论，数字金融利用数字化转型契机，深度挖掘网络系统中的海量交易数据，从中识别出有投资价值的项目，助力企业实现最优的技术创新路径，提高企业的信息获取和数据分析能力，有利于企业更科学地做出研发创新决策。企业积极推进技术创新，可以通过提高产品核心竞争力来扩大市场份额，也可以通过原有设备的改造升级来淘汰落后产能，既扩张市场需求，又增加产品供给，两者交互叠加产生提升产能利用率的正向效应（冯长春等，2020）[15]。基于此，提出假设H2。

H2：数字金融发展通过促进技术创新来提高企业产能利用率。

我国传统金融发展过程中，出现了较为严重的资源错配现象，部分大型企业享有特权地位，从金融机构获取大量低息贷款，而较具成长性的中小企业被排斥于正规金融之外，难以获取低成本资金，金融市场呈现出低效的资源配置状态（韩珣和李建军，2020）[16]。数字金融借助金融科技力量，拓宽传统金融的服务边界，运用定向发力和精准滴灌方法，增大中小企业获取信贷融资的可能性，提高资金的利用率和边际产出，提升资源要素整体的适配度（Gomber等，2017）[17]。数字金融驱动金融机构创新发展，改进信贷风险评估方式，降低银企间的信息不对称程度，实现金融资源与企业项目的有效匹配，最大限度地发挥金融资源的边际效用，改善业已存在的信贷资源错配（Demertzis等，2018）[18]。资源错配的改善促使金融资源由“僵尸”企业流向高效率企业，进而提高企业的产能利用率。基于此，提出假设H3。

H3：数字金融发展通过改善资源错配来提高企业产能利用率。

数字金融应用海量数据，多维度地挖潜企业之间的关联，通过信息流和现金流的整合，实施常态化动态监测，进而为目标企业进行精准画像，有助于降低投资中的信息不对称，减少“潮涌”投资所带来的过度投资，表现为数字金融对企业投资过度的抑制效应。同时，数字金融可以缓解企业内部的委托代理问题，增进股东和管理层以及管理层之间的信息沟通，信息透明度提升促使市场和媒体等外部监督更加高效，减少管理者出于私利做出的盲目投资决策，在优化资源配置的基础上提高投资效率，进而抑制企业的过度投资行为，这对于理顺要素价格、消解产能过剩和提高企业产能利用率产生重要的影响（翟淑萍等，2022）[19]。基于此，提出假设H4。

H4：数字金融发展通过抑制过度投资来提高企业产能利用率。

三、研究设计

（一）数据来源

本文选取2011—2021年A股上市公司作为初始研究样本，并按以下原则对样本进行筛选：（1）剔除金融类公司；（2）剔除ST、*ST或PT类公司；（3）剔除重要观测变量缺失的上市公司；（4）为了缓解异常值影响，对公司层面的连续变量进行上下1%的缩尾处理。最终得到31611个“企业—年份”观测值。其中，数字金融数据来自北京大学数字金融研究中心，企业和行业层面的数据来自国泰安数据库和万得数据库，地区层面的数据来自各年度《中国统计年鉴》。

（二）模型构建

为检验数字金融发展对企业产能利用率的影响，本文构建如下模型：

其中，下标[i]、[t]分别表示企业和时间，[CUit]表示企业[i]在第[t]年的产能利用率，[DigFiit]为企业[i]所在省份在第[t]年的数字金融指数，[CVit]为本文的控制变量，[Yeart]表示时间固定效应，[Indusi]表示行业固定效应，[εit]表示随机误差项。参考唐松等（2020）[4]的做法，本文采用双向固定效应模型，通过控制时间固定效应和行业固定效应，并进一步采用公司层面的聚类稳健标准误来进行主回归的检验。

（三）变量定义

1. 被解释变量：企业产能利用率（CU）。借鉴李雪松等（2017）[20]的研究，本文采用随机前沿分析法（SFA）来测算企业的产能利用率，使用营业收入、总资产和员工人数指标来构建企业的前沿生产面，将实际产出与估计的前沿最优产出之比作为企业产能利用率的代理变量。随机前沿分析法承袭了生产函数法，兼具微观经济理论优点，更贴合企业真实生产情况，又避开了成本函数法不易获取投入价格数据的难题，成为当前测算企业产能利用率的一种主流方法。此外，相较于数据包络分析法，随机前沿分析法可以排除随机因素的影响，测量结果更稳定。

2. 解释变量：数字金融指数（DigFi）。本文采用北京大学数字金融研究中心编制的数字金融总指数来衡量我国各省份的数字金融发展程度，同时，为了消除因数据量级不同而导致的结果偏误，对数字金融总指数除以100后再进行回归分析。该指标体系不仅扩充了以往指标缺乏的数字化元素，而且能在较长的时间跨度和较大的地区覆盖广度上，反映数字金融发展在各个维度方面的特征，在当前学术研究中有着较为广泛的应用（段军山和高雯玉，2022；黄敦平和尹凯，2023）[5，21]。

3. 控制变量。借鉴韩国高等（2022）[8]的研究，本文选取以下可能影响企业产能利用率的因素作为控制变量：（1）企业规模（Size）。企业规模通过企业的生产效率和企业在市场中的地位来影响企业的产能利用率，采用“总资产的自然对数值”来衡量。（2）企业年龄（Age）。企业年龄反映企业的经营稳定性，通过企业的生产投资决策来影响企业的产能利用率，采用“企业上市年限加1的自然对数值”来衡量。（3）资产负债率（Deb）。企业资产负债率通过企业的融资能力来影响企业的产能利用率，采用“总负债与总资产之比”来衡量。（4）总资产收益率（Roa）。企业总资产收益率通过企业资产的盈利能力和利用效率，进而影响企业的产能利用率，采用“净利润与总资产之比”来衡量。（5）现金流比率（Cflow）。现金流比率反映企业的经营销售效率，从消费侧影响企业的产能利用率，采用“企业经营活动产生的现金流量净额与总资产之比”来衡量。（6）大股东资金占用（Occupy）。大股东资金占用情况通过影响公司内部治理来影响企业的产能利用率，采用“其他应收款净额与总资产之比”来衡量。（7）两职合一（Dou）。企业是否存在两职合一情况，可能会通过代理问题对企业的产能利用率产生一定的影响，采用“若董事长与总经理为同一人，则取值为1，否则为0”的虚拟变量来衡量。（8）前五大股东持股比例（Tfs）。股权结构会影响企业的生产决策，进而影响企业的产能利用率。（9）行业集中度（Hhi）。行业集中度通过影响行业内市场投资信息的透明度以及企业的策略性行为来对企业的产能利用率造成影响，采用“以公司营业收入计算的赫芬达尔指数”来衡量。（10）地区经济发展（Gdpdev）。地区经济发展既影响当地的数字金融发展水平，又能从供给侧和需求侧对企业的产能利用率施以影响，采用“地区GDP增长率”来衡量。（11）政府干预程度（Govint）。地方政府出于政绩考核压力等原因的过度干预容易影响企业的生产投资决策，进而影响企业的产能利用率，采用“地方政府财政支出与GDP之比”来衡量。

4.机制变量。本文选取的机制变量有：（1）技术创新（Innov），采用“企业发明专利申请量加1的自然对数值”来衡量。（2）资源错配（FM），借鉴邵挺（2010）[22]，采用企业的资金使用成本对所在行业的平均资金使用成本的偏离度来衡量金融错配，偏离度指标值越大，说明成本被抬高或压低越多，企业所承担的金融错配程度越大。（3）企业过度投资（OInv），借鉴Richardson（2006）[23]的做法，将当期的企业资本投资作为因变量，上期的企业成长性、现金持有量、上市年龄、企业规模、资产负债率、股票回报率、企业资本投资作为自变量，进行多元回归分析，用回归得到的正残差来衡量企业的过度投资水平。正残差越大，说明企业过度投资现象越严重。

四、实证结果与分析

（一）描述性统计

表1展示了主要变量的描述性统计结果。企业产能利用率的均值为0.7788，与已有研究基本相同。数字金融总指数最大值为4.5897，最小值为0.1622，相差较为悬殊，说明我国各省份之间数字金融发展水平还存在较大差距。此外，控制变量的描述性统计结果与已有文献也无明显差异。

（二）基准回归结果

表2为基准回归结果。列（1）采用双向固定效应模型，在控制了时间和行业固定效应后，检验数字金融发展对企业产能利用率的影响，结果显示数字金融对产能利用率的回归系数为0.016，且在1%的水平上显著；列（2）在列（1）的基础上加入控制变量，回归结果基本不变。列（3）是在列（2）的基础上，采用公司层面的聚类稳健标准误来进行检验，数字金融的系数依旧在1%的水平上显著为正。上述结果均说明，数字金融发展能够显著提高企业的产能利用率，本文H1得到验证。究其原因，数字金融发展能够重塑要素流动格局，优化资源配置，提高企业生产效率，同时增强数据信息的可获得性，提高企业与市场间的信息传导效率，企业能依据更准确全面的市场信息做出有效生产决策，进而促进产能利用率的提升。

在此基础上，本文进一步分析数字金融发展的动态效应，即数字金融发展对企业产能利用率的提升作用是短期的逐利效果还是具有长期的价值影响。参考唐松等（2020）[4]的做法，将核心解释变量分别滞后一期[、]三期、五期，检验数字金融发展对企业产能利用率影响的动态效应，回归结果见表3列（1）—（3）。可以看出，数字金融总指数滞后一期（L1.DigFi）、滞后三期（L3.DigFi）、滞后五期（L5.DigFi）后，对企业产能利用率的回归系数均在1%的水平上显著为正，说明数字金融发展对企业产能利用率的影响并非短期“一锤子买卖”的逐利行为，而是具有长期的价值提升效果，由此进一步验证了H1。

为了考察数字金融发展对企业产能利用率的结构效应，本文选取数字普惠金融总指数的两个子维度——覆盖广度（DigFi-GD）、使用深度（DigFi-SD）来进行分析。其中，覆盖广度用地区数字金融相关服务所涉及的电子账户数量来刻画，使用深度用数字金融相关服务的使用频率和程度来刻画（郭峰等，2020）[24]，具体回归结果见表3列（4）—（5）。无论是数字普惠金融覆盖广度还是使用深度，对企业产能利用率的影响均在1%的水平上显著为正，这表明，在数字金融发展过程中，既要注重数字金融辐射范围的扩展，也要注重数字金融服务深度的挖掘，做到“量”“质”并举，全方面提升数字金融服务实体经济的能力。

（三）稳健性检验

1.更换回归模型。考虑到双向固定效应模型对内生性的控制可能不够严格，本文参考Moser和Voena（2012）[25]的做法，采用控制“时间×行业”的高阶联合固定效应模型进行检验，具体回归结果见表4列（1）。可以看出，数字金融对产能利用率的回归系数显著为正，数字金融发展仍然能够促进企业产能利用率的提升，说明基准回归结果具有较好的稳健性。

2.替换被解释变量。借鉴赵昌文等（2015）[26]，本文采用总资产周转率（CU1）作为产能利用率的替代指标，总资产周转率越大，表明企业产能利用率越高，并在模型（1）的基础上进行稳健性检验。替换被解释变量后，数字金融发展对企业产能利用率的回归系数仍在1%的水平上显著为正（见表4列（2）），说明本文基准回归结果具有较好的稳健性。

3.替换核心解释变量。为进一步验证回归结果的稳健性，本文运用网络爬虫技术，构建金融科技发展水平指标，用以替换核心解释变量。参考李春涛等（2020）[27]的做法，基于网络爬虫技术，在百度新闻搜索引擎中分年份爬取关键词为“城市+金融科技”这一形式的新闻页面，并将该页面数量在同一地级市或直辖市层面加总后进行对数转换，最终得到2011—2021年各地级市或直辖市的金融科技发展水平（DigFi1），其中，金融科技关键词包括区块链、机器学习、互联网金融、人工智能、图计算等48个词汇。表4列（3）的回归结果显示，替换核心解释变量后，数字金融发展对企业产能利用率的影响系数在1%的水平上显著为正，本文的核心结论是稳健的。

4. 安慰剂检验。为了排除其他不可观测因素可能对本文结论的影响，参考綦建红等（2023）[28]，将数字金融总指数这一核心解释变量随机分配给每个企业，并按照模型（1）进行回归，重复上述过程1000次，将得到的回归系数及对应的P值绘成核密度分布图（见图1）。检验发现，虚假回归系数基本服从正态分布，均值落在0值附近，并且大部分回归结果不显著，基准回归估计系数0.015远大于虚假回归系数。据此，安慰剂检验基本通过，可以排除其他不可观测因素对本文基准回归结果造成的影响。

5.工具变量法。本文借鉴王道平和刘琳琳（2021）[29]的研究，采用各省网络普及率（Inter）作为工具变量进行内生性处理。网络普及率是数字金融发展的重要基础设施，满足工具变量的“相关性”要求；而网络普及率与企业产能利用率不存在直接联系，并且在控制企业、时间和行业固定效应后，网络普及率对企业产能利用率的回归系数不显著，能够满足工具变量的“无关性”特征。第一阶段回归结果见表5列（1），工具变量的回归系数在1%的水平上显著为正，且第一阶段F值为32201.2，远大于临界值10，说明网络普及率与数字金融的发展高度相关，不存在弱工具变量问题；第二阶段回归结果见表5列（2），数字金融的回归系数仍在1%的水平上显著为正，说明使用工具变量法最小化本研究的内生性问题后，数字金融发展仍能显著促进企业产能利用率提升。

6. 排除外生政策和事件干扰。我国经济发展进入“新常态”后，于2015年12月提出“三去一降一补”的供给侧结构性改革。为了排除供给侧结构性改革中“去产能”政策对结果造成的干扰，删除2016年及其之后的样本进行回归，结果如表5列（3）所示。同时，考虑到2020年新冠疫情使得大部分企业被迫停工停产，可能会对企业产能利用率造成影响，故本文剔除2020年及其之后的样本进行回归，结果如表5列（4）所示。上述结果均表明，在排除外生政策和事件干扰后，本文的核心结论并未发生变化。

五、进一步研究

（一）机制检验

根据前文理论分析，进一步检验数字金融发展对企业产能利用率的影响机制，将技术创新、资源错配和企业过度投资三个机制变量作为被解释变量按照模型（1）分别进行回归，回归结果如表6所示。由表6可以看出，数字金融的发展确实可以提高企业的技术创新水平，改善资源错配程度并且抑制企业的过度投资，而理论分析已说明通过这三个渠道可以提高企业的产能利用率。至此，本文H2—H4得以验证。

（二）异质性分析

1. 企业层面异质性分析。为了考察数字金融发展对不同融资约束程度企业产能利用率的影响差异，本文采用WW指数衡量企业融资约束情况，其数值越大表明企业所受融资约束程度越高，以各年度WW指数中位数为界将样本企业划分为高融资约束企业和低融资约束企业。相关回归结果见表7的列（1）和列（2），数字金融的系数均在1%的水平上显著为正，且在高融资约束组中系数更大。同时采用费舍尔组合检验考察组间系数差异，设置抽样次数为500次，得到的经验P值为0.014，说明相比于所受融资约束小的企业，数字金融发展确实更能提高受融资约束较大企业的产能利用率。可能的原因是，受融资约束较大的企业囿于资金限制，其原本的资产配置效率以及创新活力较低，而市场信息不对称是中小企业面临较高融资约束的主要原因之一。数字金融发展对资金供求双方间信息不对称程度的缓解可以大大降低高融资约束企业的融资成本，发挥出“长尾效应”，从而更有利于激发高融资约束企业的技术创新潜力，进而更能提升高融资约束企业的产能利用率。

2. 行业层面异质性分析。为了探究数字金融发展对高科技企业和传统企业产能利用率的影响差异，将样本企业分为高科技行业企业和传统行业企业。高科技行业的选取参考彭红星和毛新述（2017）[30]的研究，以《战略性新兴产业分类》及OECD等规定的高科技新兴行业为准，对照《上市公司行业分类指引（2012年修订）》，选取制造业大类中的C25-C29、C31-C32、C34-C41，信息传输、软件和信息技术服务业大类中的I63-I65，科学研究和技术服务业大类中的M73等19个行业为高科技行业。回归结果如表7列（3）和列（4）所示，数字金融的系数均在1%的水平上显著为正，且在高科技行业企业组中系数更大，其组间系数差异检验的经验P值为0，说明相比传统行业企业，数字金融发展对高科技行业企业产能利用率的提升作用更大。可能的原因是，高科技企业所涉行业大多为新兴产业，面临的信息不对称问题也会更为严重；数字金融能够通过信息技术有效识别高科技企业的软信息，更好地把资源与高科技企业风险特征相匹配，缓解信息不对称问题，以低成本为高科技企业提供创新活动开展所需的资金，有利于高科技企业提高技术创新水平，也有利于高科技企业产能利用率提升，从而助力我国经济高质量发展。

3. 地区层面异质性分析。传统金融与数字金融是一种互补关系，数字金融能够“补短板、纠错配”，弥补市场化程度的不足，更好地服务实体经济，并对企业产能利用率产生影响。为了分析数字金融发展对市场化程度不同地区企业产能利用率的影响差异，将样本划分为高市场化程度组和低市场化程度组，地区市场化程度用各省份市场化指数来衡量，数据来自《中国分省份市场化指数报告（2021）》，鉴于该数据只更新到2019年，参考俞红海等（2010）[31]，2020—2021年市场化指数采用2011—2019年的平均增长率来预测，并以该指数每年中位数为基准，若企业所在省份当年市场化指数大于中位数，则为高市场化程度组，反之为低市场化程度组。回归结果如表7列（5）和列（6）所示，数字金融指数系数均在1%的水平上显著为正，且在低市场化程度组中系数更大，其组间系数检验的经验P值为0.018，说明数字金融发展对企业产能利用率的提升作用在低市场化程度地区表现得更为明显。可能的原因是，在市场化程度较高的地区，资本市场环境较好，信息不对称程度相对较低，资源配置效率较高，数字技术赋能金融机构，提高资源配置效率，减少资源错配现象，进而提升企业产能利用率的边际作用较小。对于市场化程度较低的地区，数字金融发展可以显著降低提供金融服务的成本，提高金融资源配置效率，并通过信息技术深度挖掘各类数据价值，极大地缓解市场中的信息不对称问题，有利于企业做出正确的生产投资决策，更大程度提高当地企业的产能利用率，此结果在一定程度上印证了数字金融发展对市场化进程不足地区产生互补效用。

（三）金融监管的调节效应

数字金融发展弥补传统金融“短板”的同时，相关的新型金融风险也随之而至。早期宽松的监管环境极大地促进了数字金融的快速发展，但随着数据泄露、金融欺诈事件频发，加大金融监管力度成为规范金融市场发展的必然选择。金融监管的强化能进一步发挥外部治理作用，在防范系统性风险的同时，有利于企业利用有效市场信息做出最优的生产决策，进而助力企业提升产能利用率。调节效应的检验模型构建如下：

其中，[FRit]代表金融监管，其他变量同前。参考唐松等（2020）[4]，金融监管强度采用地方财政金融监管支出与金融业增加值之比来衡量，以该指标每年中位数为基准，若数值大于中位数取值为1，表示金融监管强度较高；反之取值为0，表示金融监管强度较低。模型（2）的回归结果见表8。由表8可知，金融监管和数字金融的交互项系数在5%的水平上显著为正，说明较强的金融监管有助于强化数字金融对企业产能利用率的提升作用。因此，金融监管强度的增大有助于规范数字金融的有序发展，降低数字金融发展过程中衍生出的数据泄露、流失和欺诈等风险以及相关的套利行为，缓解市场经济活动中的信息不对称问题，从而更好地履行金融服务实体经济的重要职责。

六、结论与政策建议

（一）研究结论

本文基于2011—2021年我国A股上市公司数据，采用双向固定效应模型，实证分析了数字金融发展对企业产能利用率的影响。研究发现：数字金融发展能够促进企业产能利用率的提升，并且数字金融发展对企业产能利用率的提升效果具有长期效应。机制检验发现，数字金融发展能够通过促进企业技术创新、改善资源错配和抑制企业过度投资等渠道来提高企业的产能利用率。异质性分析发现，数字金融发展对企业产能利用率的提升作用在受融资约束较大企业、高科技行业企业和市场化程度较低地区的企业中表现得更为明显。调节效应分析发现，金融监管在数字金融发展促进企业产能利用率提升中起正向调节作用。

（二）政策建议

一是大力推进数字金融发展，完善相关基础设施建设。夯实数字金融底层技术，加大数字金融建设投入，完善数字金融基础设施，为服务实体经济注入不竭动力。既要注重数字金融服务覆盖广度的延展，也要注重数字金融使用深度的挖掘，做到“量”“质”并举，提高数字金融服务能力，推动经济高质量发展。市场化程度不高的中西部地区更应把握数字经济红利，大力推进网络基础设施建设，提高数字金融服务渗透率，为企业投融资和生产活动提供良好的市场环境，激发企业创新活力，提升企业生产效率。

二是深化供给侧结构性改革，助力金融资源有效配置。数字金融发展有利于优化资源配置，推动企业技术创新，并抑制企业过度投资，提升企业的产能利用率。因此，应当深化金融供给侧结构性改革，充分发挥数字金融技术优势，深度赋能企业“蝶变”跃升，打造“全方位、多层次、高效率”的现代金融体系；提高直接融资比重，推进金融结构优化，既为大型国有企业提供均衡化的金融服务，又为中小民营企业打造个性化的金融服务，优化金融资源配置，确保资源高效流向高价值企业，最大限度地提高实体企业的产能利用率。

三是增强数字金融监管力度，增强金融风险防控意识。数字金融是一把“双刃剑”，既会推动金融服务方式业态的变革，也会放大金融体系中的风险传染性，而且风险的隐蔽性更强。因此，需要持续加强金融监管，尤其是对数字金融的监管，防范数据泄露、流失和欺诈风险，整治资本无序扩张和不当套利，建立动态实时风险监测预警系统，提高监管部门的数字化水平，完善促进数字金融有序发展的监管体系。

四是提升企业质量管理能力，提升企业产能利用效率。数字经济时代，必须深刻认识数字金融在企业管理中的重要作用，合理利用数字金融发展便利，高效配置企业生产资源，充分发挥要素边际效率，实现数字化金融场景中的资源优化配置。持续加大研发投入力度，改进生产工艺和设备，提高企业创新能力和生产效率。加强企业内部治理，畅通信息沟通交流渠道，建立公开透明运行机制，严控管理层出于私利导致的过度投资问题，提高管理能力和效率，紧抓数字金融发展机遇，加快企业转型升级的步伐。

参考文献：

[1]滕磊，马德功.数字金融能够促进高质量发展吗？[J].统计研究，2020，37（11）.

[2]Beck T，Pamuk H，Ramrattan R，Burak R U. 2018. Payment Instruments， Finance and Development [J].Journal of Development Economics，133（Jul）.

[3]张勋，杨桐，汪晨，万广华.数字金融发展与居民消费增长：理论与中国实践 [J].管理世界，2020，36（11）.

[4]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，2020，36（05）.

[5]段军山，高雯玉.数字金融发展对企业全要素生产率的影响研究 [J].当代财经，2022，（05）.

[6]Abrahamson E，Rosenkopf L. 1993. Institutional and Competitive Bandwagons： Using Mathematical Modeling as a Tool to Explore Innovation Diffusion [J].Academy of Management Review，18（3）.

[7]徐业坤，马光源.地方官员变更与企业产能过剩[J].经济研究，2019，54（05）.

[8]韩国高，陈庭富，刘田广.数字化转型与企业产能利用率——来自中国制造企业的经验发现 [J].财经研究，2022，48（09）.

[9]韩国高.环境规制能提升产能利用率吗？——基于中国制造业行业面板数据的经验研究 [J].财经研究，2017，43（06）.

[10]封思贤，徐卓.数字金融、金融中介与资本配置效率 [J].改革，2021，（03）.

[11]Han J，Shen Y. 2015. Financial Development and Total Factor Productivity Growth：Evidence from China [J]. Emerging Markets Finance and Trade，51（sup1）.

[12]Goldstein I，Jiang W，Karolyi G A. 2019. To FinTech and Beyond [J].The Review of Financial Studies，32（5）.

[13]解维敏，吴浩，冯彦杰.数字金融是否缓解了民营企业融资约束？[J].系统工程理论与实践，2021，41（12）.

[14]谢雪燕，朱晓阳.数字金融与中小企业技术创新——来自新三板企业的证据 [J].国际金融研究，2021，（01）.

[15]冯长春，王宇凡，姚晓明，朱晟君，肖灵.企业创新、地方环境与产能过剩——以黑色金属冶炼及压延加工业为例 [J].地域研究与开发，2020，39（06）.

[16]韩珣，李建军.金融错配、非金融企业影子银行化与经济“脱实向虚” [J].金融研究，2020，（08）.

[17]Gomber P，Koch J A，Siering M. 2017. Digital Finance and FinTech：Current Research and Future Research Directions [J].Journal of Business Economics，87（5）.

[18]Demertzis M，Merler S，Wolff G B. 2018. Capital Markets Union and the Fintech Opportunity [J].Journal of Financial Regulation，4（1）.

[19]翟淑萍，韩贤，毛文霞.数字经济发展能提高企业劳动投资效率吗 [J].当代财经，2022，（01）.

[20]李雪松，赵宸宇，聂菁.对外投资与企业异质性产能利用率 [J].世界经济，2017，40（05）.

[21]黄敦平，尹凯.数字普惠金融发展能否提升农村创业活跃度 [J].金融与经济，2023，（08）.

[22]邵挺.金融错配、所有制结构与资本回报率：来自1999—2007年我国工业企业的研究 [J].金融研究，2010，（09）.

[23]Richardson S. 2006. Over-Investment of Free Cash Flow[J]. Review of Accounting Studies，11（Jun）.

[24]郭峰，王靖一，王芳，孔涛，张勋，程志云.测度中国数字普惠金融发展：指数编制与空间特征 [J].经济学（季刊），2020，19（04）.

[25]Moser P，Voena A. 2012. Compulsory Licensing： Evidence from the Trading with the Enemy Act [J].American Economic Review，102（1）.

[26]赵昌文，许召元，袁东，廖博.当前我国产能过剩的特征、风险及对策研究——基于实地调研及微观数据的分析 [J].管理世界，2015，（04）.

[27]李春涛，闫续文，宋敏，杨威.金融科技与企业创新——新三板上市公司的证据 [J].中国工业经济，2020，（01）.

[28]綦建红，段宇航，张志彤.数字金融、资源配置与对外直接投资——内在机制与中国证据 [J].学术研究，2023，（01）.

[29]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，2021，26（08）.