金融科技能否成为企业高质量发展的新质动力？

摘 要：金融科技能够打破传统融资规则约束，成为赋能企业高质量发展的新质手段。本文着眼于银行金融科技，研究金融科技对企业高质量发展的影响，并检验金融科技的融资效应和监督治理效应在二者间的中介机制。实证结果表明：金融科技的应用显著促进了企业高质量发展，且对中小企业和私营企业表现出更强的促进作用；中介效应检验表明，金融科技可以通过缓解企业的融资约束、提高银行监督治理能力、缓解银企之间的信息不对称来促进企业高质量发展；此外，银企金融科技发展具有显著的协同效应，银企金融科技发展一致性显著增强了金融科技对企业高质量发展的促进效果。研究结论对于促进金融业更好地服务实体经济、推动企业高质量发展具有一定的理论价值和实践意义。

关键词：银行金融科技；高质量发展；融资约束；全要素生产率；银企协同效应

中图分类号：F830 文献标识码：A 文章编号：1674-2265（2024）09-0054-11

DOI：10.19647/j.cnki.37-1462/f.2024.09.006

一、引言

党的二十大报告中提出，“要坚持以推动高质量发展为主题，把实施扩大内需战略同深化供给侧结构性改革有机结合起来，增强国内大循环内生动力和可靠性，提升国际循环质量和水平，加快建设现代化经济体系，着力提高全要素生产率。”企业高质量发展是经济高质量发展在微观领域的重要方面，也是社会经济高质量发展的重要条件。要实现高质量发展，企业就要遵循经济规律，着力提升全要素生产率水平。然而，我国企业全要素生产率在近年来进入缓慢增长阶段。国家信息中心经济预测部数据显示，当前企业全要素生产率增速甚至出现下降趋势，从工业化阶段的年均4.2%逐渐下降至2%左右①。既往传统要素禀赋结构下支撑我国经济增长的资源要素红利逐渐消失，高度依赖要素投入驱动的粗放式传统发展模式难以维持经济持续增长，全要素生产率已成为企业高质量发展新的驱动力（李逸飞等，2022）[1]。以往研究表明，当企业面临不稳定的资金来源或较严重的融资约束时，其往往倾向于削减生产经营与投资活动投入，从而制约企业的高质量发展，因而企业高质量发展和全要素生产率的提高受到企业融资环境的极大影响（Wang等，2021；顾海峰和杨立翔，2018；李春涛等，2020a）[2-4]。实际上仍有许多企业的生产经营与投资活动正在受到融资短缺的限制，导致全要素生产率无法实现较快增长（Song和Wu，2015；蔡昉，2013）[5，6]。因此，如何通过缓解企业融资难题进而促进企业全要素生产率提高，成为亟待解决的问题。

企业的资金来源以金融机构信贷为主，银行在支持实体经济发展中扮演着十分重要的角色。通常来讲，当银企之间存在严重的信息不对称问题，银行难以准确识别企业财务状况及盈利潜力时，出于规避风险的动机，银行往往倾向于减少放贷，从而加剧企业的融资约束。因此，传统银行基于规避风险的惜贷行为制约了企业融资可得性，对企业全要素生产率造成了负面影响。然而近年来，随着云计算、大数据、人工智能和区块链等新兴技术在银行的广泛应用，金融科技正在迅速崛起，在赋能银行数字化转型的同时，也为缓解企业的融资约束、增强银行的监督管理能力、提升企业全要素生产率提供了新的契机。银行利用金融科技，精准识别具备盈利潜力的优质企业，有效缓解银企之间的信息不对称问题，增加银行信贷供给，从而减轻企业的融资约束（梅冬州等，2022）[7]，为企业全要素生产率提升创造了有利的条件。与此同时，银行对金融科技的应用不仅仅局限于提供融资支持，其所引发的融资规则变革也将使企业面临更为严格的外部监督环境。一方面，银行加大金融科技投入，旨在更好地评估和筛选企业，以便提供更精准的金融服务。另一方面，金融科技为银行的贷后管理提供了强大支持，显著提升了贷后管理的时效性和智能化水平（郭晔等，2022）[8]。综合考虑这两方面因素，基于数据驱动的融资规则将形成更为有效的激励和约束机制，展现出金融科技的监督治理效应。目前鲜有学者关注银行金融科技对企业高质量发展的影响，有鉴于此，本文以2012—2022年我国上市企业为研究对象，利用企业的逐笔贷款匹配，将视角集中于银行金融科技的应用，并分析其对企业高质量发展的影响及作用机制。研究结论不仅对于拓展金融科技的应用领域具有深刻的理论意义，同时对促进我国企业高质量发展具有重要的实践价值。

二、文献综述

众多学者聚焦于企业全要素生产率，主要从全要素生产率的发展困境和影响因素等方面进行了深入探讨。关于企业全要素生产率的发展困境，随着人口结构、劳动力成本和供需关系的改变，单纯依靠要素积累的增长方式已经难以为继（肖文和薛天航，2019）[9]。关于全要素生产率的影响因素，现有研究结果表明，融资约束、融资成本、信贷资源配置效率等外部因素和企业产业结构、创新能力、运营水平、人力资本结构等内部因素都会影响企业全要素生产率（Song和Wu，2015；陈中飞和江康奇，2021；宋敏等，2021；赵宸宇等，2021）[5，10-12]。

在金融科技的研究方面，已有文献发现基于数字技术的金融创新活动提高了金融服务的质量和效率，对实体经济产生了深远的影响（李春涛等，2020b；蔡庆丰等，2021；宋敏等，2023；周雷等，2024）[13-16]。金融科技作为数字金融的核心，从主体而言可以分为外部金融科技和银行金融科技（Cheng和Qu，2020）[17]，外部金融科技是指银行业之外的金融科技，如金融科技公司。以往研究更多集中于外部金融科技的经济效应，对于金融科技主体——银行金融科技的研究较少。当前，越来越多的学者开始转为关注内部金融科技（郭品和沈悦，2019；金洪飞等，2020；郭娜等，2023）[18-20]，内部金融科技主要指物联网、人工智能、区块链、云计算、大数据等技术在支付、信贷、理财等传统金融领域的创新应用，能够辅助银行进行数字化转型（Sheng，2021）[21]。银行通过运用金融技术可以降低运营成本、提高服务效率、增强风险控制能力、改善传统业务模式，进而提高盈利能力和综合竞争力（邱晗等，2018；盛天翔和范从来，2020）[22，23]。还有研究表明，银行金融科技发展能够通过提升银行信息甄别能力，优化风险控制模式，有效解决企业的融资难和融资贵问题，并能够驱动企业去杠杆，稳定财务状况，从而促进企业结构性改革，激励企业的数字化发展和企业创新（李逸飞等，2022；李真等，2023；唐松等，2020；张金清等，2022）[1，24-26]。

综上所述，相关文献在以下领域仍有待深入研究：第一，现有研究重点关注了企业高质量发展及影响因素（Caggese和Cunat，2013）[27]，但是我国银行金融科技的发展如何影响企业高质量发展仍鲜有提及。当前金融科技的快速发展在赋能银行风险管理的同时，是否能够疏通流动性在银行与企业之间的传导渠道，降低对企业的融资限制，这些问题值得进一步探究。第二，尽管已有部分文献关注到金融科技对企业全要素生产率的影响（侯层和李北伟，2022）[28]，但是前期文献主要立足于外部金融科技，鲜有研究关注到金融体系内部金融科技的发展会对企业的高质量发展产生怎样的作用。因此，基于银行内部金融科技视角展开对企业全要素生产率的研究，有助于进一步拓展前期文献的研究结论。第三，考虑到不同性质企业在生产经营模式和金融科技接受能力上存在差异，金融科技的应用对企业的融资约束和企业全要素生产率的影响可能存在异质性，这些方面仍然有待进一步研究。有鉴于此，本文着眼于银行内部金融科技，在此基础上实证检验金融科技的应用对企业全要素生产率的影响，以及融资约束和监督治理效应在二者关系中发挥的中介作用，并进一步探讨不同性质企业在金融科技接受能力上的差异，为促进企业高质量发展提供重要的参考依据。

三、理论分析与研究假说

（一）银行金融科技与企业高质量发展

金融科技不仅有助于优化银行信贷结构、银行业市场结构等，而且加快了市场中信息的流转速度和信息与技术的融合速度。金融科技的运用促使市场信息能够更快转化成对银行有用的资源，推动银行扩大信贷规模，缓解企业的融资约束，进一步提升对企业的监管能力，有效提高企业资源配置效率，推动企业全要素生产率高水平增长。一方面，金融科技带来的银行服务创新可以有效优化信贷融资方式和银行经营管理模式，简化企业融资程序，推动金融服务实体经济能力水平的提升。金融科技能够缓解信息不对称，提升银行的信息甄别能力，进而通过调整其信贷客户结构，优化信贷行业投向，最终给予企业更高质量的信贷服务（徐晓萍等，2021）[29]。另一方面，随着金融科技技术和产品的运用，银行能够对企业的研发设计、产品制造、成品销售等各个环节中的信息进行采集和分析，从而有效提升企业及所在产业链上游和下游的信息透明度，达到对企业产品的全生命周期进行资质评定和风险管理的目的，从资金端监管企业对于生产资料的分配和使用，最终达到了优化资源配置效率、提高企业全要素生产率、推动企业高质量发展的目标。基于此，本文提出以下假设：

假设1：金融科技可以显著促进企业高质量发展。

（二）金融科技的融资效应

在市场经济条件下，企业的生产经营和研发创新活动离不开稳定、充足的资金支持。然而，长期以来，融资约束严重影响了企业的创新行为，导致其全要素生产率难以快速提高（李逸飞等，2022）[1]。与传统金融相比，具有覆盖面广、成本低以及使用方便等特点的金融科技，降低了金融服务实体经济的门槛，从而提高了金融服务的可得性，也拓宽了企业的融资渠道，促使企业更多地进行研发创新、谋求技术进步，进而提高其全要素生产率。具体来说，在我国以银行为主导的金融体系下，银行信贷是实体经济获取外部融资的主要渠道。银行信贷供给量的变化直接决定着企业融资规模及难易程度，进而对企业高质量发展产生影响。金融科技与银行业务的深度融合能够通过削减成本提高银行的金融服务质量，让金融机构回归业务本身的价值探索和创新，对传统金融体系进行重塑（Banna等，2021）[30]，提升银行信贷意愿，使更多信贷资金可以被投放到实体经济中，在客观上优化了企业的生产经营活动，使得企业的全要素生产率提高（刘俏，2020）[31]。基于以上分析，本文提出如下假设：

假设2：金融科技可以通过缓解企业的融资约束来促进企业高质量发展，对银行融资依赖性越强的企业受到金融科技的影响越大。

（三）金融科技的监督治理效应

金融科技的应用不但可以在贷前降低企业的融资门槛和融资成本，而且可以在贷后进行有效监管，缓解银企之间的信息不对称，充分发挥治理作用。一方面，金融科技能够增强银行的信息识别能力，降低公司的违约风险（沈悦和郭品，2015）[32]。银行可以利用大数据技术，在降低信息成本和实施成本的同时，提升对借款公司后续资本利用的监管效果，从而提升公司的治理水平，并对管理层的机会主义行为进行约束（黄锐等，2020）[33]。另一方面，对企业来说，在客观准则成为决定公司融资能力的关键因素后，企业寻求融资的重心就从打通信息传递、建立信任关系转变为提高信用“得分”，从而致力于获得更高的信用评级。从这两方面来看，融资规则的数字化转型蕴含了作用于企业的治理效应：公司越注重改善自己的信用评级，越有可能得到融资支持。在追求更高的信用“得分”的激励约束下，公司会有更强烈的动机改进内部控制和规范投资决策过程，进而成为提高全要素生产率的内生动力。除此之外，银行可以通过金融科技快速了解企业融资意愿，以缓解银企之间的信息不对称问题，减少债务跨期错配风险带来的成本损失，加强银行体系作为金融服务中介的信息搜集能力，进而实现不同主体间信息的快速匹配（宋敏等，2021）[11]。金融科技为银行提供更多与企业经营、投资等重要决策有关的信息，提升银行对优质企业的识别能力，进一步缓解银企之间的信息不对称，强化了银行对企业资金使用的监督和治理（杨丰来和黄永航，2006）[34]。本文将金融科技这种影响看作监督治理效应，并认为其借助打通信息渠道并缓解银企之间信息不对称的机制路径来实现。根据上述分析，本文提出假设3：

假设3：金融科技应用具有监督治理效应，通过提高银行信息甄别能力、促进企业内部管理水平提升、缓解银企之间的信息不对称来实现企业全要素生产率增长。

四、实证设计

（一）样本选择与数据来源

本文采用2010—2021年中国A股上市公司和114家银行的面板数据进行实证分析。由于金融科技在银行内部的大规模应用始于2009年②，而2009年应用数据量有限，因此，本文将样本区间起始点设定为2010年。本文从国泰安上市公司贷款数据库整理企业2010—2021年的逐笔贷款信息，进而将逐笔贷款信息统一整理为“企业—年份—银行名称—贷款规模”的数据集，然后将该数据与各银行历年的金融科技发展水平和财务数据相匹配，并按贷款规模加权平均到企业层面，得到“企业—年份—加权银行层面金融科技—企业层面控制变量—加权银行层面控制变量”的面板数据。

企业财务数据来自国泰安数据库、万得数据库、中经网统计数据库和国家统计局，银行财务数据来自Bankscope数据库和国泰安数据库。本文以文本挖掘法为基础，综合运用Python网络爬虫、词频分析和综合指数法等技术手段构建了银行层面的金融科技指数，并将其匹配到企业层面。基于以上分析，本文对所选取的研究样本做进一步的筛选：（1）剔除ST、*ST以及PT企业，剔除2009年的上市公司样本数据；（2）剔除主要数据缺失的样本；（3）剔除上市不足一年或者已经退市的企业。为消除极端值的影响，本文对连续变量进行1%分位和99%分位的缩尾处理。最终形成包含6284个样本观测值的非平衡面板数据。

（二）模型设定与变量定义

参考项后军和周雄（2022）[35]的研究，本文以全要素生产率水平表征企业高质量发展水平，构建如下回归模型来分析金融科技对企业高质量发展的影响：

[TFPit=α0+β1FINTECHit+k=1kγkBANKit+k=1kδkENTi+ui+δt+εit] （1）

其中，[i]表示企业个体，[t]表示时间；[TFPit]为企业[i]在[t]年份的全要素生产率水平，具体采用OLS和FE两种方法进行度量；[FINTECHit]为企业[i]在[t]年份面对的银行金融科技水平；[BANKit]为银行微观层面控制变量；[ENTi]为企业层面控制变量；[ui]为个体固定效应，用以控制不随时间变化且不可观测的企业固有特征；[δt]为时间固定效应，用以控制不随企业个体变化且不可观测的宏观经济冲击；[εit]为随机扰动项。

1. 被解释变量：企业全要素生产率。全要素生产率的测度方法主要有五种：一是最小二乘法（OLS），二是固定效应方法（FE），三是GMM方法，四是Olley和Pakes（1996）[36]提出的基于一致半参数估计值方法（OP），五是Levinsohn和Petrin（2003）[37]在OP方法基础上提出的半参数的估计方法（LP）。其中，由于C-D生产函数结构简约易用，而且对于规模经济的测度较为直观且符合常理，故简单直接的OLS方法最为经典。在OLS方法的基础之上使用个体固定效应回归方法估计可以解决由于存在残差而产生的内生性问题，进而获得对生产函数的一致无偏估计（鲁晓东和连玉君，2012）[38]。因此，本研究选取OLS和FE方法测度企业全要素生产率。

2. 解释变量：银行金融科技。金融科技这一概念涉及范围较广，涵盖的前沿技术和应用成果较为庞杂，使得相关数据很难获得并且难以量化。李逸飞等（2022）[1]和李春涛等（2020b）[13]认为采用新闻媒体对金融科技相关信息的关注程度来度量金融科技具有可操作性强、准确度高的优势，因此，本文采用媒体对金融科技应用相关信息的关注度来衡量金融科技的发展。在一定时期内，KTG4B/zGhQJ8QWbiF5TmaA6EVr4vOsZz2MCelCjcZYM=关于特定主题的新闻报道数量很大程度上反映了这一主题的发展状况以及社会对其的关注程度（Askitas和Zimmermann，2015）[39]，因此，可以很好地替代度量银行金融科技水平。参考郭娜等（2023）[20]的研究，本文以文本挖掘法为基础（沈悦和郭品，2015）[32]，综合运用Python网络爬虫、词频分析和综合指数法等技术手段构建了“银行—年度”层面的金融科技指数，并将其匹配到企业层面。具体构建步骤如下：首先，从“金融科技直接称呼”“底层技术”“智能营销”“风险防控”以及“运营管理”五个关键维度选取32个与银行金融科技直接相关的关键词（郭娜等，2023）[20]。其次，基于百度搜索引擎资讯板块的原始信息，借助Python网络爬虫技术，采用“银行+关键词”依次匹配的方式，爬取得到114家银行在各年度中含有上述关键词的资讯信息。在此基础上，借助词频分析技术将上述结果转化为关键词词频数据。最后，采用熵值法将关键词词频数据合成“银行—年度”层面的金融科技发展指数（b_fintech）。

本文以企业每年对应贷款银行的逐笔贷款规模占总贷款的比重为权重，将企业对应银行的金融科技水平进行加权，得到企业对应银行综合金融科技指数，具体定义为：

[FINTECHit=n=1Nb_fintechitsum_bfintechit×b_sizeitsum_bsizeit] （2）

其中，[b_fintechit]表示企业[i]在[t]年对应银行[n]的银行金融科技发展水平，[sum_bfintechit]表示样本中所有银行在[t]年的金融科技发展水平之和，[b_sizeit]表示企业[i]在[t]年对应银行[n]的贷款规模，[sum_bsizeit]表示企业[i]在[t]年在所有银行的贷款规模总和。[FINTECHit]取值越大，表示企业受到银行金融科技的影响越显著。

3. 中介变量：企业融资约束（KZ）、信息不对称指标（ASY）。借鉴Kaplan和Zingales（1997）[40]的思想，计算观测企业KZ指数，并以此作为融资约束的衡量指标。KZ指数构造如下：

[KZt=α1×CFtASSETt-1+α2×LEVt+α3×DIVtASSETt-1+α4×CASHtASSETt-1+α5×TobinQt] （3）

其中，[CF]为企业经营性净现金流，[ASSETt-1]为企业上年度年初总资产，[DIV]为企业的现金股利，[CASH]为企业的现金持有，[LEVt]为企业资产负债率，[TobinQt]为企业的托宾Q值。如果[CFtASSETt-1]低于中位数，则KZ1 取1，否则取0；如果[DIVtASSETt-1]低于中位数，则KZ2取1，否则取0；如果[CASHtASSETt-1]低于中位数，则 KZ3取1，否则取 0；如果[LEVt]高于中位数，则 KZ4取1，否则取0；如果[TobinQt]高于中位数，则KZ5取1，否则取 0。计算KZ= KZ1+ KZ2+ KZ3+ KZ4+ KZ5。随后使用有序逻辑回归（Ordered Logit）模型对各项进行回归，估计出各个特征的系数。最后用估计的系数构建KZ指数。

参考于蔚等（2012）[41]的研究，利用公司个股的交易资料来捕捉证券市场上非知情交易者与知情交易者关于企业价值的信息不对称程度。依据宋敏等（2021）[11]的构建方法，先构建流动性比率指标LR、非流动性比率指标ILL、收益率反转指标GAM三个股票流动性指标，股票流动性越差，意味着信息不对称程度越高；然后对LR、ILL、GAM进行主成分分析，构建信息不对称综合指标ASY。在其他条件不变的情况下，信息不对称程度越高，股票流动性越低，LR、ILL和GAM指标越大。

4. 控制变量。在银行层面，通过逐笔贷款数据加权平均匹配得到银行层面的控制变量指标，具体包括：银行资产规模（B_SIZE）、银行杠杆率（B_LEV）、资产收益率（B_ROA）、不良贷款率（B_NPL）以及银行成立年份变量（B_YEAR）。企业层面的控制变量设定为：企业资产收益率（ROA）、企业杠杆率（LEV）、企业资产规模（SIZE）、固定资产比重（PFA）以及企业年龄（AGE）。变量具体名称及含义如表1所示。

（三）描述性统计

表2报告了各变量的描述性统计结果。用OLS法计算出的全要素生产率均值为11.180，标准差为1.372，用FE法计算出的全要素生产率均值为11.750，标准差为1.435，略高于OLS法计算的全要素生产率，说明因变量数据波动较大。经过标准化处理的金融科技指数FINTECH的均值为0.062。

五、实证分析

（一）基准回归结果

表3汇报了金融科技发展对企业高质量发展水平影响的回归结果。第（1）—（4）列的因变量为采用OLS法计算的全要素生产率，第（5）—（8）列的因变量为采用FE法计算的全要素生产率。其中，第（1）和（5）列展示了未加入控制变量的回归结果，第（2）—（4）列依次为只加入银行层面控制变量、只加入企业层面控制变量和加入所有控制变量的回归结果，第（6）—（8）列同理。为了确保实证结果的稳健，每列回归均控制了企业个体固定效应和时间固定效应，并且使用企业聚类效应对标准误进行了修正。

根据表3，银行金融科技的系数在1%水平上均显著为正，表明金融科技的发展有利于促进企业高质量发展，由此验证了本文假设1。通过金融科技的应用，银行在业务创新和管理创新方面均取得了显著成效，银企信息不对称问题得以缓解，银行的风险承受能力因为金融科技的加持而提升，进而缓解了企业融资难题，激励企业增加研发创新投入，提高企业的全要素生产率，最终促进实体经济高质量发展。

（二）影响机制检验

为进一步探讨金融科技发展对企业全要素生产率的影响机制，本文构建中介效应模型进行实证分析。基于理论分析，选取企业融资约束程度和信息不对称程度作为中介变量，并采用KZ指数和ASY指数作为代理变量进行回归。表4报告了回归结果。列（1）—（4）中，银行金融科技的估计系数显著为负，表明金融科技的应用能有效缓解企业整体的融资约束。主要原因在于银行通过运用金融科技，在信贷活动中能够快速对客户进行筛选、甄别，从而提升了信贷风险管控能力，企业有更多渠道和更大机会获取贷款，进而缓解其融资约束，提升全要素生产率，最终实现高质量发展。

列（5）—（8）中，银行金融科技的系数在5%的显著性水平上为负，意味着金融科技的发展显著降低了银企之间的信息不对称。银行可以利用金融科技获取企业经营状况、财务状况、产品市场份额及资金使用效率等方面的真实信息，从而对企业形成更加全面的认知；同时，银行能够通过科技手段确保资金交易过程中信息数据的真实性与安全性，进而降低银企之间的信息不对称，提升其监督治理效应。金融科技的运用可以极大地缓解企业的道德风险问题，从而减少银行的融资限制，进而促使其全要素生产率提高。

（三）内生性处理

1. 工具变9vKTIR9Q4zYNO8PJiXtSrg==量法。在基准回归模型中，尽管本文已经尽可能地控制了对金融科技发展与企业高质量发展水平都有潜在影响的因素，但是，仍然无法避免某些无法观测的因素对研究结果产生影响。此外，企业生产力的提高也会带来对金融科技的更大的需求，二者之间或许存在反向因果关系。为此，本文引入工具变量解决由遗漏变量、测量误差和反向因果关系引起的内生问题，分别选择同一省份规模相近的银行金融科技发展水平（FINTECH_RE） 和各个企业所在地与杭州的球面距离（DISTANCE）作为工具变量。一方面，规模相近的银行通常具有相似的金融科技发展水平，同一省份又可以保证区域性质趋同，因此，以同一省份规模相近的银行金融科技发展水平作为当期金融科技的工具变量，不仅可以体现金融科技水平的绝大部分信息，也与企业全要素生产率不存在相关性；另一方面，企业所在地与杭州球面的距离反映了所在区域的金融科技发展环境，是一个与金融科技有较高相关性的变量，但企业全要素生产率水平与其与杭州的球面距离没有明显的相关性，所以企业与杭州的球面距离符合排他性的条件。

表5第（1）和（2）列汇报的是以企业所在地与杭州的球面距离作为工具变量的两阶段最小二乘法回归结果，第（3）和（4）列汇报的是以企业所在地与杭州的球面距离和同一省份规模相近的银行金融科技两个变量作为工具变量的两阶段最小二乘法回归结果。由表5第（1）列结果可以看出，企业所在地与杭州的球面距离的回归系数显著为负，说明企业所在地距离杭州越远，受到金融科技发展水平的影响越小；列（2）的回归结果显示，金融科技变量的系数在1%的水平上显著为正，说明在纠正了潜在的内生性偏差后，金融科技和企业高质量发展水平的关系仍保持不变。同样地，由表5第（3）和（4）列结果可以看出，同一省份规模相近的银行金融科技对金融科技的影响显著为正，同时用第一阶段回归的预测值来代替金融科技变量进行第二阶段回归，回归系数仍显著为正，金融科技和企业全要素生产率之间的关系仍保持不变。

2. GMM动态面板分析。为了解决异方差和内生性问题，同时考虑到企业全要素生产率提升是一个动态持续的过程，可能存在序列相关的问题，本文进一步构建了动态面板模型，在模型中加入企业要素生产率的滞后项并使用系统GMM回归，结果如表6所示。AR（1）和AR（2）的检验结果表明随机扰动项一阶自相关假设通过了10%的显著性检验，但是二阶自相关假设被拒绝了，表明模型通过了序列相关性检验。Hansen检验的P值显著大于0.1，表明模型通过了过度识别检验。企业全要素生产率滞后一期（L.TFP_FE）的回归系数显著为正，且通过了1%的显著性水平检验，表明企业全要素生产率水平存在持续性。金融科技的系数显著为正，意味着在考虑了企业全要素生产率水平序列相关特征后，金融科技对企业全要素生产率的正向影响仍然存在，证明基准回归结果是稳健的。

3.控制滞后效应。金融科技从申请到具体应用再到传导至企业需要一定时间，因此，本文将金融科技分别滞后1—4期考察其滞后效应，回归结果如表7所示。金融科技滞后1期和滞后3期对企业全要素生产率的促进作用仍然显著，说明金融科技对企业全要素生产率的促进效应存在一定的长期特征。

（四）稳健性检验

1. 更换企业全要素生产率的衡量指标。除了OLS和FE方法，OP和LP方法亦能克服同时性偏差的问题，同时可以更加灵活地使用可获变量。因此，本文分别采取这两种方式重新构建企业高质量发展水平指数并进行回归。

2. 剔除特定样本。受新冠疫情的影响，2020年很多公司停工停产，阻碍了企业全要素生产率的提高。为此，删除2020—2021年的样本后再次回归。稳健性检验结果如表8所示，本文主要结论仍然不变。

（五）异质性分析

1. 企业规模异质性。大企业拥有得天独厚的融资优势，而中小企业融资一直面临着“规模歧视”问题，融资受限成为制约中小企业全要素生产率提升的瓶颈，不同规模企业全要素生产率受到金融科技的影响可能不同。为此，将企业按照规模分为大型企业、中型企业和小型企业进行分类探讨，分类方法为对所有样本企业按资产规模进行三等分。实证结果如表9所示。金融科技对中型和小型企业全要素生产率的回归系数显著为正，对大型企业的影响不显著，说明金融科技强化了对中小企业的金融支持，可以显著缓解中小企业的融资约束，进而提升其全要素生产率。

2. 企业所有制类型异质性。国有企业在信贷市场享有得天独厚的优势，而私营企业或混合所有制企业却在融资过程中面临着“所有制歧视”，得不到有效的金融支持（宋敏等，2021）[11]，这严重阻碍了全要素生产率的提升。为此，本文将样本企业分为国有企业、混合所有制企业和私营企业三类，分组回归结果如表9所示。金融科技对混合所有制企业和私营企业的全要素生产率的影响系数均显著为正，而在国有企业组的回归系数不显著。从数值上看，相比于混合所有制企业，金融科技对私营企业的正向影响更大。

（六）进一步分析：银企金融科技的协同效应

银行作为金融科技的主要推动者，其应用不仅限于内部系统升级，更在于与企业金融科技发展的深度融合与协同。实际上，银企之间的双向一致性在企业高质量发展中扮演着重要角色，有助于银企双方通过数字化渠道获取信息，降低银企之间的信息不对称，使企业获得更优渥的借贷条件。因此，本文认为银企金融科技发展一致性能够强化银行金融科技对企业全要素生产率的促进作用。为了验证该结论，本文将企业金融科技发展水平（C_FINTECH）和银企金融科技一致性（BC_FINTECH）③分别作为调节变量，检验银企金融科技发展的协同效应。回归结果如表10所示。第（2）列中企业金融科技发展与银行金融科技的交互项系数显著为正，与xbdPvdcFAKbTaAdClnmyoQg1Bxm10dXo0BVBQ1ysDcU=基准回归中银行金融科技的回归系数符号一致，说明银企金融科技发展之间具有显著的协同效应，即企业金融科技发展表现提升能够强化银行金融科技对企业全要素生产率的促进效果。第（3）列中银企金融科技发展一致性与银行金融科技的交互项显著为正，说明银企金融科技发展一致性能够强化对企业全要素生产率的提升作用。银行与企业一致推动金融科技应用，可以促进信息共享与透明度提升，有助于强化银行对企业资金运用和流转的监督作用，正反馈于企业的经营和创新活动，进而推动企业全要素生产率提高，助力企业高质量发展。

六、结论及政策建议

本文着眼于银行内部金融科技，运用Python网络爬虫和词频分析等技术手段，构建能够反映银行个体差异的银行层面金融科技发展指数，并匹配生成企业层面的银行金融科技指数，从而在此基础上实证检验银行金融科技应用对企业高质量发展水平的影响。实证结果表明：第一，银行金融科技的应用显著促进了企业高质量发展，该结论经内生性处理和稳健性检验后仍然成立。第二，企业的融资约束在银行金融科技对企业全要素生产率的影响中发挥了显著的中介作用，金融科技可以通过缓解企业的融资约束促进企业高质量发展。同时，银行金融科技应用具有监督治理效应，能通过提高银行信息甄别能力、促进企业内部管理水平提升进而缓解银企之间的信息不对称，最终促进企业全要素生产率增长。第三，金融科技在中小企业和非国有企业中对企业高质量发展表现出更强的促进作用。第四，银企金融科技发展具有显著的协同效应，银企金融科技一致性促进了企业高质量发展。

基于上述结论，提出如下建议：第一，充分利用好金融科技的“赋能”功效，推动银行金融科技发展，进而完成银行业数字化转型。第二，充分发挥金融科技的优势，降低金融服务门槛，将金融服务的触角延伸到受传统金融服务排斥的中小微企业，缓解企业在研发、生产、经营过程中遇到的融资困难。第三，企业应将金融科技创新思维融入组织与制度创新之中，充分发挥银企金融科技发展协同优势，不断提升全要素生产率，为整个社会的高质量发展助力。

注：

①工业化阶段的划分在这里特指前工业化阶段、工业化初期和工业化中期等三个阶段。企业全要素生产率增速数据来源于国家统计局和国家发展和改革委员会。

②中国人民银行每年度公布的“银行科技发展奖”可以反映银行业科技创新的最新进展，本文通过手动搜集整理历年 “银行科技发展奖”获奖项目发现，2009年起大型国有商业银行陆续开始构建自身IT体系，金融科技的发展开始起步。此后年份的获奖项目中与先进IT技术有关的科技创新项目逐渐增多，金融科技在银行内部的应用越来越普遍。

③企业金融科技发展水平：与构建银行金融科技指标方法相似，本文以文本挖掘法为基础，综合运用Python网络爬虫、词频分析和综合指数法等技术手段，基于企业年报中的数据和信息，构建了“企业—年度”层面的金融科技指数；银企金融科技发展一致性：将银行金融科技和企业金融科技发展水平归一标准化后，取银行金融科技与企业金融科技发展水平的差值作为银企金融科技发展一致性的代理变量。

参考文献：

[1]李逸飞，李茂林，李静. 银行金融科技、信贷配置与企业短债长用 [J].中国工业经济，2022，415（10）.

[2]Wang R，Liu J，Luo R H. 2021. Fintech Development and Bank Risk Taking in China [J].The European Journal of Finance，27.

[3]顾海峰，杨立翔. 互联网金融与银行风险承担：基于中国银行业的证据 [J].世界经济，2018，41（10）.

[4]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）.

[5]Song Z，Wu G L. 2015. Identifying Capital Misallocation [R].Working Paper of the University of Chicago.

[6]蔡昉.中国经济增长如何转向全要素生产率驱动型 [J].中国社会科学，2013，（01）.

[7]梅冬州，杨龙见，高崧耀. 融资约束、企业异质性与增值税减税的政策效果 [J].中国工业经济，2022，410（05）.

[8]郭晔，未钟琴，方颖.金融科技布局、银行信贷风险与经营绩效——来自商业银行与科技企业战略合作的证据 [J].金融研究，2022，（10）.

[9]肖文，薛天航. 劳动力成本上升、融资约束与企业全要素生产率变动 [J].世界经济，2019，（1）.

[10]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）.

[11]宋敏，周鹏，司海涛. 金融科技与企业全要素生产率——“赋能”和信贷配给的视角 [J].中国工业经济，2021，（04）.

[12]赵宸宇，王文春，李雪松. 数字化转型如何影响企业全要素生产率 [J].财贸经济，2021，42（07）.

[13]李春涛，张计宝，张璇. 年报可读性与企业创新[J].经济管理，2020，42（10）.

[14]蔡庆丰，王瀚佑，李东旭. 互联网贷款、劳动生产率与企业转型——基于劳动力流动性的视角 [J].中国工业经济，2021（12）.

[15]宋敏，司海涛，周鹏，刘华珂.金融科技发展能否促进银行创新？——信息赋能与产业竞争的视角 [J/OL].南开管理评论，2023-04-04.

[16]周雷，宁心怡，宋佳佳，张鑫.金融科技创新如何促进实体经济高质量发展——基于金融服务效率的机制分析与空间计量 [J].金融发展研究，2024，（01）.

[17]Cheng M Y，Qu Y. 2020. Does Bank Fintech Reduce Credit Risk？ Evidence from China [J].PacificBasin Finance Journal，63（10）.

[18]郭品，沈悦. 互联网金融、存款竞争与银行风险承担 [J].金融研究，2019，（08）.

[19]金洪飞，李弘基，刘音露. 金融科技、银行风险与市场挤出效应 [J].财经研究，2020，46（05）.

[20]郭娜，张骏，陈东晖. 金融科技、银行风险容忍度与流动性囤积 [J].金融论坛，2023，28（04）.

[21]Sheng T. 2021. The Effect of Fintech on BANKs’ Credit Provision to SMEs： Evidence from China [J].Finance Research Letters，39.

[22]邱晗，黄益平，纪洋. 金融科技对传统银行行为的影响——基于互联网理财的视角 [J].金融研究，2018，（11）.

[23]盛天翔，范从来. 金融科技、最优银行业市场结构与小微企业信贷供给 [J].金融研究，2020，（06）.

[24]李真，李茂林，朱林染. 银行金融科技与企业金融化：基于避险与逐利动机 [J].世界经济，2023，46（04）.

[25]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）.

[26]张金清，李柯乐，张剑宇. 银行金融科技如何影响企业结构性去杠杆？ [J].财经研究，2022，48（01）.

[27]Caggese A，Cunat V. 2013. Financing Constraints，Firm Dynamics，Export Decisions，and Aggregate Productivity [J].Review of Economic Dynamics，16（1）.

[28]侯层，李北伟. 金融科技是否提高了全要素生产率——来自北京大学数字普惠金融指数的经验证据 [J].财经科学，2020，（12）.

[29]徐晓萍，李弘基，戈盈凡. 金融科技应用能够促进银行信贷结构调整吗？——基于银行对外合作的准自然实验研究 [J]. 财经研究，2021，47（06）.

[30]Banna H，Kabir Hassan M，Rashid M. 2021. Fintech-based Financial Inclusion and Bank Risk Taking： Evidence from OIC Countries [J].Journal of International Financial Markets.Institutions and Money，75（6）.

[31]刘俏.中国经济有没有可能再创造一个奇迹？ [J].北京大学学报（哲学社会科学版），2020，57（02）.

[32]沈悦，郭品. 互联网金融、技术溢出与商业银行全要素生产率 [J].金融研究，2015，（03）.

[33]黄锐，赖晓冰，唐松.金融科技如何影响企业融资约束？——动态效应、异质性特征与宏微观机制检验 [J].国际金融研究，2020，（06）.

[34]杨丰来，黄永航.企业治理结构、信息不对称与中小企业融资 [J].金融研究，2006，（05）.

[35]项后军，周雄. 流动性囤积视角下的影子银行及其监管 [J].经济研究，2022，57（03）.

[36]Olley G S，Pakes A. 1996. The Dynamics of Productivity in The Telecommunications Equipment Industry[J].Econometrica，64（6）.

[37]Levinsohn J，Petrin A. 2003. Estimating Production Functions Using Inputs to Control for Unobservables [J]. Review of Economic Studies.

[38]鲁晓东，连玉君. 中国工业企业全要素生产率估计：1999—2007 [J].经济学（季刊），2012，11（02）.

[39]Askitas N，Zimmermann K F. 2015. The Internet as A Da162e215b47e7f89ded7befdeba8b51f393922fb3ab668a05b728e1d8db9bd62fta Source for Advancement in Social Sciences [J].International Journal of Manpower，36（1）.

[40]Kaplan S N，Zingales L. 1997. Do Investment-Cash Flow Sensitivities Provide Useful Measures of Financing Constraints？ [J].The Quarterly journal of Economics，112（1）.

[41]于蔚，汪淼军，金祥荣.政治关联和融资约束：信息效应与资源效应 [J].经济研究，2012，47（09）.