数字普惠金融促进企业全要素生产率提高了吗？

张 勇 殷 健

内容提要：本文利用北京大学数字普惠金融指数，检验了我国各地区数字普惠金融的发展对区域内企业全要素生产率的影响及其作用机制。研究结果表明，地区数字普惠金融的发展能够促进处于该区域内的企业全要素生产率的提升。上述驱动作用的异质性分析表明，与国有企业、市场地位高的企业以及技术密集型企业相比，数字普惠金融对非国有企业、市场地位低的企业以及资本密集型和劳动密集型企业全要素生产率的提升作用更大。利用中介效应检验法，本文进一步的机制分析表明，缓解企业“融资难”“融资贵”问题是数字普惠金融促进企业全要素生产率提升的重要路径。

一、引 言

党的十九大报告指出，“我国经济已由高速增长阶段转向高质量发展阶段”，要“推动经济发展质量变革、效率变革、动力变革，提高全要素生产率”。这里的全要素生产率（Total Factor Productivity）是经济学中衡量单位投入的产出水平的一个重要指标，一般被定义为总产出中由要素投入之外的技术进步、管理技能、生产创新等因素所带来的“剩余”，其从本质上来说能够代表微观经济实体和宏观经济发展质量的水平。学术界普遍认为，制约我国经济质量的重要因素之一就是全要素生产率偏低，因而经济的高质量发展应以提高企业全要素生产率的方式来实现（蔡昉，2018）。企业是整个国家宏观经济活动的微观基础，从这个角度来讲，高质量的经济发展一定程度上有赖于企业全要素生产率的提高，后者是前者在微观层面的体现（钱雪松等，2018）。鉴于高水平的微观企业全要素生产率在促进宏观经济增长方式由“粗放式增长”转向“集约式增长”中的重要地位，既有文献围绕着如何提高企业全要素生产率展开了多角度研究。其中，诸多经验研究证实，以企业“融资难、融资贵”作为外在表现的融资约束问题会对企业全要素生产率的提升造成负向冲击，因为企业的资本配置效率与生产经营活动效率会在融资约束的影响下降低（任曙明和吕镯，2014；张羽瑶和张冬洋，2019）。上述经济生活中的融资约束现象大量存在于我国各类企业中，其原因在于，传统金融部门在服务实体企业生产经营活动的过程中存在着属性错配、领域错配及阶段错配等结构性错配问题（唐松等，2020）。

作为数字技术与金融服务跨界融合的新产物，数字普惠金融的发展已被证实可以有效地校正上述传统金融中普遍存在的结构性错配现象，使金融支持实体经济发展的质量和效率被优化，从而有助于企业缓解其所面临的“融资难”“融资贵”问题（唐松等，2020；汪亚楠等，2020；黄锐等，2021），而融资约束问题又被视为抑制企业全要素生产率提升的重要负面因素（任曙明和吕镯，2014；张羽瑶和张冬洋，2019）。因此，根据上述逻辑，可以推演出数字普惠金融的发展理应能够提高企业的全要素生产率的结论。本文的研究目标在于，基于我国经济高质量发展的“双循环”新格局背景，为数字普惠金融能够提升实体经济的全要素生产率提供大样本经验证据。

本文的边际贡献可能有以下几点：（1）拓展了企业全要素生产率影响因素研究的视角。既有文献主要围绕传统金融发展（Midrigan and Xu，2014）、资源错配（Hsieh and Klenow，2009；盖庆恩等，2015）、契约执行效率（Costinot，2009）、融资约束（任曙明和吕镯，2014）、研发投入（程惠芳和陆嘉俊，2014）等方面探讨了影响企业全要素生产率提升的各种因素。本文则基于数字普惠金融这一数字技术与金融服务跨界融合的新产物视角考察了企业全要素生产率的驱动因素，从而对既有企业全要素生产率影响因素研究的理论分析框架进行了实质性的拓展。（2）为数字普惠金融促进宏观经济高质量发展提供了微观企业层面的经验证据。既有经验研究大多基于我国各省份或地级市的面板数据，检验区域数字金融发展水平对地区经济增长的促进效应（钱海章等，2020；汪亚楠等，2020），而本文则从微观层面，将企业这一宏观经济发展的微观基础和中观产业发展的基本组织作为分析对象，考察数字普惠金融能否提升微观企业的全要素生产率及其作用路径，从而为数字技术通过赋能传统金融可以推动我国经济增长方式由“粗放式增长”转向“集约式增长”，从而实现经济高质量发展这一论断提供经验证据。

二、理论分析与研究假设

（一）数字普惠金融发展与企业全要素生产率

数字金融泛指在数字技术的帮助下，传统金融机构与互联网公司相互合作，共同研发出投资、支付、融资及其他一系列新型金融业务模式（黄益平和黄卓，2018）。一方面，数字金融能够较好地对传统金融体系起到补充作用，即凭借“成本低、速度快、覆盖广”的诸多优势有效降低金融服务的门槛和成本，优化企业融资环境，拓展金融的服务范围与触达能力，从而提高服务普惠金融主体的效率（黄益平和黄卓，2018）；另一方面，数字金融作为传统金融的竞争对手，可以通过加快落实金融结构变革、优化金融效率的方式增强金融的普惠性（吴晓求，2015）。上述两方面可以对企业面临的融资困境产生积极的缓释作用。比如，黄锐等（2021）的研究表明，企业融资约束状况能够在数字普惠金融优化融资结构、降低融资费用以及杠杆水平的作用下得到缓解。前已述及，以“融资难”“融资贵”作为外在表现的融资约束问题会降低企业资本配置效率和生产经营活动效率，进而对其全要素生产率的提升造成负向冲击。换言之，企业的全要素生产率会随着其融资约束的缓解而上升。具体地，本文将数字普惠金融通过纾解企业融资约束，从而提高全要素生产率的作用机理总结如下：

（1）数字普惠金融能够拓宽企业经营所需资金的来源渠道，增加企业外部融资的数量，进而缓解企业全要素生产率提升中遇到的“融资难”问题。数字金融凭借信息技术手段，重构金融基础设施（如交易规则与技术、支付与清偿系统等），优化金融新业务流程和模式，将金融服务方向由线下转向线上，这使得数字金融服务的对象从传统金融重点关注的少量高端客户拓展到传统金融覆盖不足的企业长尾群体（即位于正态曲线两侧、累加规模大于曲线头部流行市场的尾部非流行市场，如大量分散的中小企业）。在此过程中，具有包容性和普惠性特征的数字金融突破了传统金融的边界约束（张勋等，2019），校正了传统金融中的金融排斥和信贷资源结构性错配问题（唐松等，2020），并且在数字普惠金融的快速发展下，金融服务门槛和成本的降低使得传统金融弱势群体企业的金融服务可得性得到了极大的提高。上述金融资源配置效率的提高会有效缓解各类企业“融资难”问题，这会提高企业资本配置效率和生产经营活动效率，进而促进其全要素生产率的提升。

（2）数字普惠金融能够降低借贷双方的信息不对称程度，通过影响银行业竞争格局促使传统金融行业提高金融服务效率，从而缓解企业全要素生产率在提升过程中遇到的“融资贵”问题。数字普惠金融凭借大数据、人工智能、云计算等信息技术可以低成本地实时挖掘、获取借款企业的各类数据，据此快速评估其信用风险，并对其获得信贷资金后的还款风险情况实施动态监管（万佳彧等，2020）。在此过程中，借贷双方不仅信息搜集、分析成本大幅度降低，而且彼此之间的信息不对称程度也得到缓解，这会纾解企业的“融资贵”难题，原因在于企业融资成本的高低取决于借贷双方之间信息不对称程度是否得到缓解（Rajan，1992），较低的信息不对称程度能够减轻企业的融资成本负担。此外，作为信息技术与金融服务深度融合的产物，数字金融能够低成本地为企业提供更加便捷的融资服务，比如依赖于数字金融技术的供应链融资、贸易融资等金融服务，因而数字金融会对传统融资方式产生一定的替代性冲击。数字金融的快速发展加剧了金融行业的竞争程度，使得传统金融部门迫于竞争压力，不得不通过数字化转型逐步提升金融服务效率（王诗卉和谢绚丽，2021），从而为企业提供低成本的信贷资金。由上述分析可知，数字普惠金融可以缓解企业“融资贵”问题，这有助于企业管理层做出最优的资本结构决策，优化资金配置效率和生产经营活动效率，并最终提高全要素生产率水平。根据以上分析，本文提出假设H1。

H1：在其他条件相同的情况下，地区数字普惠金融发展水平越高，处于该区域内的企业全要素生产率越高。

（二）产权性质、数字普惠金融发展与企业全要素生产率

我国传统金融体系长期以来一直以银行作为主导方，不仅存在着严重的金融资源配置“所有制歧视”，还有明显的“政治优序融资”特征（白俊和连立帅，2012），这会导致银行资本配置中因存在过多的政府干预而难以实现高度的市场化，从而出现金融错配现象（唐松等，2020）。具体来说，表现在：与非国有企业相比，国有企业在获得传统金融部门提供的金融服务上具有天然的优势，能够以较低的融资成本获得数量较多的信贷资源，“融资难”“融资贵”问题可能并不突出。相比之下，对经济发展做出重要贡献的非国有企业却难以获得正规金融的支持，通常以较高的利率获取较低的信贷额度或者只能依赖企业内部积累和非正规金融渠道（如商业信用、民间借贷等）进行有限的替代性融资（张羽瑶和张冬洋，2019），“融资难”“融资贵”问题较为严重。在上述正规金融中的“所有制歧视”和“政治优序融资”影响下，与非国有企业相比，国有企业在提升全要素生产率过程中，因其可以从传统金融机构那里筹集到更多的低成本资金而面临更低的融资约束程度。此时，数字普惠金融带来的融资增加对国有企业全要素生产率的边际影响并不大，即数字普惠金融对全要素生产率的促进作用在国有企业中显著弱化。相反，非国有企业因在优化资金配置效率和生产经营活动效率的过程中，从传统金融部门那里获得的资金数量严重不足或成本过高，故提升全要素生产率所受到的资金约束程度较高，此时数字普惠金融带来的融资效应在促进其全要素生产率的提升上作用更大。综上，本文提出假设H2。

H2：与国有企业相比，数字普惠金融对非国有企业全要素生产率的提升作用更大。

（三）市场地位、数字普惠金融发展与企业全要素生产率

理论与实务界普遍认为，市场地位低的中小企业因传统金融体系中的“规模歧视”而在外部融资问题上存在先天的劣势，难以得到有效的金融支持。张新民等（2012）指出，市场地位低的中小企业之所以融资困难，是因为其产品市场议价能力较低、信息不透明、担保和抵押物不足导致的借贷方之间信息不对称程度较高等多个方面。除了上述内在特质因素之外，姚耀军和董钢锋（2015）的研究表明，造成中小企业融资困难的深层次原因主要包括过低的金融发展水平（包括金融中介、股票市场等）和不完善的外部金融体系（如银行业结构）。既有经验研究证实，相比于具有较低市场地位的企业而言，市场地位高的企业可以借助其在抵押资产数量、信息透明度以及供应链中的议价能力等融资优势，从传统金融机构、供应商以及客户处获得更多的银行借款、商业信用（张新民等，2012），因而市场地位低的中小企业普遍面临着更为严重的融资约束问题（梁榜和张建华，2018）。在此情况下，相对于市场地位低的企业，市场地位高的企业在提升全要素生产率的过程中，因能够筹集到更多的银行借款、商业信用等正规、非正规经营性融资而遇到的“融资难”“融资贵”问题并不突出，前述数字普惠金融带来的融资增加对市场地位高的企业全要素生产率的边际提升作用较弱。与此相反，市场地位低的中小企业在进行最优资本结构决策、提升全要素生产率时所受到的融资约束问题更为严重，因此难以从外部获得充足的资金供给量，此时数字普惠金融凭借“广覆盖、低成本、高效率”的特点，能够为市场地位低的中小企业拓宽融资渠道、增加融资数量和降低融资成本，其带来的融资效应在促进该类企业全要素生产率的提升上边际作用更为显著。根据上述分析，本文提出假设H3。

H3：与市场地位高的企业相比，数字普惠金融对市场地位低的企业全要素生产率的提升作用更大。

（四）行业性质、数字普惠金融发展与企业全要素生产率

现实经济生活中，因各个行业在资源、技术、资金和组织等方面具有不同的特点，故在全要素生产率的动态变化及其驱动因素上存在着显著差异，这决定着不同行业全要素生产率的提升路径具有各自不同的侧重点（鲁桐和党印，2014；李政等，2019）。比如，资本密集型或劳动密集型企业的研发投入水平和研发效率通常较低，主要遵循规模经济路径，通过不断增加投资和扩大生产经营规模等方式来提升全要素生产率，因而该类企业对外部资金的需求量较大（李政等，2019）。在此情况下，数字普惠金融带来的融资数量增加和融资成本降低效应可以较好地缓解企业在增加投资、扩大生产规模中遇到的资金短缺问题，进而促进企业全要素生产率的提升。从这个角度来看，在资本密集型或劳动密集型企业中，数字普惠金融带来的融资效应在促进企业全要素生产率的提升方面具有更大的边际作用。与上述两类企业相反，技术密集型企业的研发投入水平和研发效率较高，但其规模一般较小（李政等，2019），即便获得数字普惠金融带来的融资支持，也很难从规模经济上挖掘技术密集型企业的效率潜能，故数字普惠金融对这类企业全要素生产率的边际影响并不大，即数字普惠金融对全要素生产率的提升作用在技术密集型企业中显著弱化。根据上述分析，本文提出假设H4。

H4：与技术密集型企业相比，数字普惠金融对资本密集型和劳动密集型企业全要素生产率的提升作用更大。

三、研究设计

（一）变量定义与回归模型设定

1.数字普惠金融发展水平的度量

本文基于“北京大学数字普惠金融指数（2011-2018）”中的数据，对我国内地各区域数字普惠金融的发展水平进行合理度量，即对省级层面的数字普惠金融总指数除以100，将其定义为Dif_prov。

2.企业全要素生产率的度量

根据宋敏等（2021）的做法，本文采用半参数法中的OP 法对企业全要素生产率Tfp_op 进行估计。此外，本文也采取LP 法计算全要素生产率Tfp_lp，以防止单一估计方法导致研究结论出现偏误。

3.企业产权性质的度量

本文的企业产权性质NonState 根据CCER 经济金融数据库中的最终控制人类型进行判断，对于非国有控股企业，NonState 取值为1，否则为0。

4.企业市场地位的度量

参考张新民等（2012）的研究，具体衡量方式如下：首先，计算年度企业营业收入占该年度本行业内所有企业营收总和的比值Income_rat；其次，计算该年度行业内所有样本Income_rat 的中值；最后，将Income_rat 与上述中值进行比较，若Income_rat 小于该中值，则将MP 赋值为1，表示低市场地位，否则取值为0。

5.企业所处行业性质的度量

根据2001 版的证监会上市公司行业分类标准，我国除金融保险业之外的上市公司分布在21 个行业中（A 至M，其中制造业细化为C0 至C9）。与鲁桐和党印（2014）的要素密集度行业分类做法一致，本文将以下行业划分为技术密集型行业：C5（电子）；C7（机械、设备、仪表）；C8（医药、生物制品）；C9（其他制造业）；G（信息技术业）。处于资本密集型的行业为：C3（造纸、印刷）；C4（石油、化学、塑胶、塑料）；C6（金属、非金属）；J（房地产）；K（社会服务业）。其余 11 个行业则为劳动密集型行业。根据上述分类，本文设置行业性质变量NatLabCap，若企业处于资本密集型或劳动密集型行业时，赋值为1，技术密集型行业赋值为0。

6.模型设定

本文构造模型（1）检验地区数字普惠金融的发展是否对该区域内的企业全要素生产率有提升作用。模型（2）（3）（4）分别检验企业产权性质、市场地位以及行业性质对数字普惠金融与全要素生产率之间正相关关系的调节效应①本文通过引入数字普惠金融与调节变量交乘项的方式验证数字普惠金融发展对企业全要素生产率影响的差异性。之所以采用该方式，是因为当调节变量M 是虚拟变量时，相当于把全样本分为M=0 和M=1 两个组，交乘项M*X 的系数就是分组进行的Y（因变量）对X（自变量）的回归中X 的系数的组间异质性。。

此外，如表1 所示，本文借鉴李政等（2019）、宋敏等（2021）的做法，将能够影响企业全要素生产率的企业财务状况和公司治理方面特征的控制变量（Control）以及年度、行业虚拟变量（Year、Industry）纳入前述回归模型中。

表1 控制变量定义

（二）数据来源与样本选择

鉴于北京大学数字普惠金融指数的年份是2011 至2018 年，故本文以2011 至2018 年的沪深A 股所有上市公司为实证检验的样本。本文剔除了金融保险业、指标数据缺失的样本。在回归检验中，本文对所有连续变量分别在1%、99%的水平上进行了缩尾处理。在数据来源方面，本文度量各省份数字普惠金融发展水平的数据来自于北京大学数字金融研究中心；判断企业产权性质的最终控制人类型数据取自CCER 经济金融数据库；计算余下指标所需的数据来源于CSMAR 数据库。

四、实证检验结果与分析

（一）主要变量的描述性统计

表2 是本文主要变量的描述性统计结果。样本期间内，企业全要素生产率Tfp_lp、Tfp_op 的均值分别为16.49、14.59，中位数分别为16.39、14.52，可以看出基于LP 法、OP 法估算得到的全要素生产率数据无明显偏态。NonState 的均值为0.59，这说明样本中平均有59%的企业为非国有企业产权性质。市场地位MP 的均值为0.429，根据前文定义，这表明平均42.9%的样本企业具有较低的市场地位。NatLabCap 的均值为0.569，即平均有56.9%的样本企业处于资本密集型或劳动密集型行业。

表2 主要变量描述性统计

（二）多元回归分析

表3 是假设H1 是否成立的回归结果。实证检验结果显示，数字普惠金融发展水平Dif_prov 对企业全要素生产率两个指标Tfp_lp、Tfp_op 的回归系数分别为0.2167、0.1562，并且显著性水平达到1%。其经济含义①从经济意义上来解释自变量对因变量的回归系数，首先要计算标准化后的回归系数，其计算方法为：自变量X 对因变量Y 的边际效应（即回归系数）乘以自变量X 的标准差。假设自变量X 是连续变量，且X 对Y 的回归系数显著为正。根据标准化回归系数，可以分析：X 每提高一个标准差，将使得Y 增加**个百分点（=回归系数乘以X 的标准差），这相当于Y 样本平均值的**%（=标准化回归系数除以Y 样本均值）。在于，数字普惠金融发展水平Dif_prov 每提高一个标准差，将促进企业全要素生产率 Tfp_lp、Tfp_op 分别提升 17.83 个百分点（=0.2167×0.823）和 12.86 个百分点（=0.1562×0.823）。由此，假设H1 获得了经验证据的支持。

表3 数字普惠金融与企业全要素生产率

续表

为了验证假设H2，本文对模型（2）进行了估计，以此考察企业产权性质是否会影响数字普惠金融对其全要素生产率的作用效果，回归结果如表4 所示。在第（4）（8）列中，无论因变量是Tfp_lp，还是Tfp_op，其所对应的Dif_prov 的回归系数均显著为正，产权性质NonState 的回归系数则显著为负，而二者交乘项Dif_prov*NonState 的回归系数分别为0.0351、0.0404，且显著性水平达到1%，该实证检验结果证实数字普惠金融对企业全要素生产率的影响因产权性质而存在差异，非国有企业产权性质会正向调节数字普惠金融对企业全要素生产率的作用效果，即与国有企业相比，数字普惠金融对非国有企业全要素生产率的提升作用更大。由此可见，假设H2 得以验证。

表4 产权性质、数字普惠金融与企业全要素生产率

续表

表5 给出了利用模型（3）对假设H3，即企业市场地位会影响数字普惠金融与全要素生产率之间关系的检验结果。在所有MP 参与的回归中，其回归系数均显著为负（1%水平上），证实具有低市场地位的中小企业，其全要素生产率水平也较低。本文更关心的是检验调节效应的数字普惠金融Dif_prov 与市场地位MP 二者的交乘项Dif_prov*MP。从第（4）（8）的回归结果可以看到，Dif_prov*MP的回归系数显著为正（均在5%水平上），该结果表明低市场地位会正向调节数字普惠金融发展对企业全要素生产率的提升效果，当企业为市场地位低的中小企业时，数字普惠金融对其全要素生产率的激励效应更强，即相比于市场地位高的企业，数字普惠金融对市场地位低的企业全要素生产率的提升作用更大。因此，假设H3 获得了有效验证。

表5 市场地位、数字普惠金融与企业全要素生产率

接下来，本文对模型（4）进行估计，以此验证假设H4，即企业所处行业性质是否会影响数字普惠金融对其全要素生产率的作用效果。表6 的回归结果表明，行业性质NatLabCap 与全要素生产率Tfp_lp、Tfp_op 之间均为显著的负相关关系，这说明与技术密集型企业相比，全要素生产率水平在资本密集型和劳动密集型企业中表现得更低。第（4）（8）列中，Dif_prov、NatLabCap 的交乘项Dif_prov*NatLabCap，其回归系数分别为0.0456、0.0495，并且均在1%水平上显著。这表明，数字普惠金融带来的融资效应对企业全要素生产率的作用效果会因行业性质不同而存在显著差异，即与技术密集型企业相比，数字普惠金融对资本密集型和劳动密集型企业全要素生产率的提升作用更大。由此可见，假设H4 也在前述回归检验结果中得到了验证。

表6 行业性质、数字普惠金融与企业全要素生产率

（三）稳健性检验

1.采用工具变量和两阶段最小二乘法缓解因存在不可观测变量对数字金融、企业全要素生产率同时产生影响，从而可能引起的内生性问题。本文计算了以下两个工具变量：各地区互联网普及率Netrat；数字金融指数滞后一阶Dif Lag1、数字金融指数在时间上的一阶差分Dif D1 二者的乘积DifLag1_Dif D1。在第一阶段中，以Dif_prov 作为因变量，上述Netrat、Dif Lag1_Dif D1 分别作为自变量，回归之后可以得到对应的预测值P_Dif_prov、P_Dif_prov2。在第二阶段中，以Tfp_lp、Tfp_op 作为因变量，P_Dif_prov、P_Dif_prov2 作为自变量进行回归。结果表明，数字普惠金融与企业全要素生产率之间的正向关系依然存在。

2.重新计算数字普惠金融发展水平Dif_city。本文将北京大学数字普惠金融总指数的市级层面数据除以100，以此度量各地区数字普惠金融发展水平Dif_city。利用模型（1）至（4）重新进行估计后发现，假设仍然得到验证。

3.重新计算企业市场地位。本文以企业年度总资产的自然对数作为市场地位的替代性指标MP2，并利用原模型重新进行估计，相关研究结论依然得以证实。

4.考虑到数字普惠金融发展和企业全要素生产率之间存在一定的空间集聚特征，本文通过LM检验方法确定使用空间杜宾模型来考察一地数字普惠金融发展是否能够对周边地区的企业全要素生产率产生影响。结果显示，空间滞后项的回归系数在1%水平上显著为正，这表明数字普惠金融发展对企业全要素生产率的提升具有空间溢出效应。

限于篇幅，上述稳健性检验结果不再列示。

五、进一步研究与检验

本部分运用中介效应检验方法对“数字普惠金融发展→企业‘融资贵’‘融资难’问题缓解→全要素生产率提升”这一作用路径进行验证。具体来说，运用逐步法，在构建模型（5）至（7）的基础上检验联立方程组的回归系数。

模型（6）中的中介传导变量Mediator 为融资成本Intcost 和信用借款CreditLoan，分别度量企业的“融资贵”“融资难”情况。Intcost 的计算方法为企业利息支出除以总负债，再乘以100；用（短期信用借款+长期信用借款）/（短期信用借款+短期担保借款+长期信用借款+长期担保借款）的公式计算反映企业信用借款情况的CreditLoan。中介效应分为三个阶段，其中第一阶段的实证检验结果见表3，第二、三阶段的实证检验结果见表7。在表7 中，第（1）列给出的是基于模型（6）的估计而得到的第二阶段回归结果。可以看到，Dif_prov 的回归系数为-0.2136，并且显著性水平达到1%，该数据结果说明企业外部融资成本会随着数字普惠金融的发展而逐渐下降。第（2）（4）列是基于模型（7）的估计而得到的第三阶段回归结果。结果显示，Intcost 对Tfp_lp、Tfp_op 的回归系数显著为负，这意味着企业外部融资成本越高，其全要素生产率水平越低。在中介变量融资成本Intcost 被同时纳入模型的第（2）（4）列中，Dif_prov 的回归系数均显著为正，此时能够判定融资成本Intcost 的中介效应显著。进一步说，融资成本Intcost 发挥了部分中介作用。第（5）列给出的是数字普惠金融对中介变量信用借款（CreditLoan）的实证检验结果。Dif_prov 的回归系数显著为正，这说明数字普惠金融的发展能够帮助企业获得更多的信用借款。第（6）（8）列中，CreditLoan 对Tfp_lp、Tfp_op 的回归系数均在1%的水平上显著为正，这表明企业获得的信用借款越多，其全要素生产率水平越高。此时在中介变量CreditLoan 也被纳入模型的情况下，Dif_prov 的回归系数显著为正，可以判定信用借款的增加是数字普惠金融发展与企业全要素生产率提升之间的部分中介因子。综上，前文提出的影响机制得以验证。

表7 “数字普惠金融→融资难、融资贵问题缓解→全要素生产率提升”的中介效应检验

六、研究结论与启示

本文检验了我国各地区数字普惠金融的发展对区域内企业全要素生产率的提升作用。检验结果表明，地区数字普惠金融的发展能够促进处于该区域内的企业全要素生产率的提升。与国有企业、市场地位高的企业以及技术密集型企业相比，数字普惠金融对非国有企业、市场地位低的企业以及资本密集型和劳动密集型企业全要素生产率的提升作用更大。在进一步的中介效应检验中，所得结果表明，数字普惠金融是通过缓解企业“融资难”“融资贵”的问题来促进企业全要素生产率的提升。

本文研究结论的实践价值在于：（1）政府相关部门应继续着力发展人工智能、大数据、云计算、移动互联网等领域的先进技术，不断加强数字基础设施建设，积极、稳妥地推进我国数字普惠金融的发展，进而提升数字金融服务实体经济的质量和效率。（2）本文研究证实，数字普惠金融对市场地位低的中小企业和非国有企业全要素生产率的提升作用更大。这提示政府相关部门要纾解中小企业、民营经济的“融资难”“融资贵”问题，提升其全要素生产率，必须依托数字金融技术建立“多层次、广覆盖、有差异”的现代化金融体系，设计一系列具有“个性化、差异化、定制化”等特点的金融产品，以弥补传统金融体系难以服务中小企业和民营经济的不足。（3）对于传统金融机构来说，应积极将新兴数字技术（如人工智能、大数据等）与金融服务进行深度融合，通过数字化转型逐步提升金融服务效率，做到“广覆盖、低成本、高效率”。