数字金融对企业科技创新的影响研究——基于信贷融资约束视角的微观证据

上官绪明，李剑岚

(1.信阳师范学院 商学院，河南 信阳，464001；2.首都经济贸易大学 工商管理学院，北京， 100070；3.中央财经大学 经济学院，北京， 100081)

一、引言与文献综述

中国经济发展已由要素驱动和投资驱动向创新驱动转变，科技创新成为推动经济增长和产业结构优化升级的核心动力。然而，相较发达国家，当前中国的科技创新能力依然薄弱，制约科技创新的金融障碍依旧存在，这种状况致使许多领域基础研究投入不足，缺乏具有自主知识产权的核心技术。企业作为科技创新的载体，在传统金融市场上往往面临较强的融资排斥。融资方式不改变，企业科技创新难以推进。十九大报告明确强调，“深化金融体制改革，增强金融服务实体经济的能力”。近年，依托大数据、云计算及区块链等信息技术的数字金融，以其可得性、普惠性、低成本等天然优势，对经济社会发展产生了重要影响[1]。

学术界一致认为科技创新需要运转有效的金融资本市场。由于科技创新具有高风险与高成本的特点，因此企业需向外寻求金融支持以分散风险和削减成本[2]。传统金融市场在一定程度上促进了企业科技创新，但仍存在不容忽视的弊端[3]。风险投资增加了中间人泄露企业重要信息的可能性[4]，而股票流动性的提高会加剧信息不对称和恶意收购的风险[5]，这些均会阻碍企业科技创新。此外，传统金融还存在金融资源分配不公、对制造业支持不足等问题[6]。

随着信息技术的发展，数字金融因其在服务效率和体验性上的双重潜力，为金融业务功能带来新一轮变革[7]。数字金融是金融业数字化的总称，包括金融部门所有的电子产品和服务，此外还涉及所有的移动和应用服务。在银行基础设施未覆盖的欠发达国家及地区，数字金融可以提供银行进入端口及服务[8]。同时，数字金融的发展能更好地服务实体经济，赋能企业科技创新。在传统金融框架下，银行等信贷机构在审查贷款申请时更关注企业“硬抵押”，却对“软抵押”(如知识存量和科技创新能力)置之不理，导致企业因资金不足而放弃一些极具潜力的科技创新项目[9]。相比之下，数字金融通过场景、数据和结合金融创新产品来补足传统金融服务的短板，充分发挥成本低、速度快、覆盖广的优势[10]，改善企业融资环境。

鉴于此，部分学者考察了数字金融对企业科技创新的影响。谢绚丽等运用省级层面数字金融指数探究其对创新创业的影响，得出数字金融对城镇化率较低的省份以及注册资金较少的企业促进作用更强[11]。谢雪燕和朱晓阳以新三板企业为研究对象，采用互联网接入户数作为数字金融的工具变量，研究结果表明数字金融通过提高企业的研发投入水平激发企业科技创新[12]。数字金融通过削减企业杠杆率、激发非控股股东参与决策的主动性提高企业绿色创新能力。综上可知，数字金融的发展有助于激发企业科技创新活力，推动科技成果转化进程，但关于数字金融对何种类别的企业科技创新的赋能效应更强，学术界尚未达成共识。部分学者认为数字金融对企业核心科技创新能力的赋能效应更显著[13]；而另一部分学者持相反观点，认为数字金融对企业低端科技创新能力的赋能效应更强[14]。

融资约束是阻碍企业科技创新的首要难题。盛明泉等以工业企业为例，发现数字金融能够有效纾解融资约束难题进而助力企业科技创新[15]。同时，蒋建勋等研究表明，数字金融通过拓宽融资渠道等方式缓解融资约束进而促进新能源企业绿色创新[16]。其中，信息不对称是企业面临融资约束困境的重要因素[17]。数字金融依托发达的信息技术，能在低成本基础上抓取海量数据，精准评估企业的风险承担能力，构建可靠的第三方征信体系[18]，助力企业冲破传统金融环境下“二八定律”的牢笼[2]，规避金融市场上的逆向选择和道德风险[19]，更好满足企业的资金需求，从而推动企业科技创新。

相对已有研究，本文的边际贡献是：第一，相对于仅采用宏观数据或代表性企业的微观数据的相关研究，本文结合地级市宏观数据和A股上市公司的微观数据，探讨数字金融对企业科技创新的影响，进而形成宏观金融环境改善助推微观企业创新的新研究思路。第二，已有研究考察了数字金融总体发展水平对企业科技创新的影响，本文进一步考察了数字金融的覆盖广度、使用深度和数字化程度对企业科技创新的异质性影响。第三，本文采用企业与杭州市的球面距离与所在省上一年互联网普及率的交互项作为数字金融的工具变量，有效化解了既有文献仅采用单一指标作为数字金融工具变量可能存在的估计偏误问题。

二、研究设计

(一)数据来源与指标选取

首先，本文对数据进行说明：(1)北京大学数字普惠金融指数(PKU-DFIIC)，其由北京大学数字金融研究中心编制：(2)选取2011—2018年A股上市企业为研究样本，数据来源于国泰安数据库(CSMAR)、万徳数据库(WIND)以及公司年报；(3)城市层面控制变量数据来源于《中国城市统计年鉴》。其次，参照唐松等[6]的做法，对数据进行以下处理：(1)剔除金融类、保险类以及房地产类上市企业；(2)剔除*ST、ST的上市企业；(3)剔除关键指标数据缺失的上市企业。最后，依据企业注册地址使城市数据与企业数据进行匹配，最终生成15 971个观测值的面板数据。

1.被解释变量

企业科技创新(Inno)。企业科技创新目前主要包括两大类衡量指标：(1)投入角度主要是研发费用；(2)产出角度主要包括专利引用次数、新产品产值、专利申请量。由于科技创新具有高风险性，借助研发投入指标存在高估企业科技创新能力的可能，而企业专利申请数量能更直观地反映企业内部创新活动的开展情况及成果产出情况。因此，本文采用专利申请总量(Tpat)表征企业科技创新。其中，发明专利技术含量最高，实用新型专利技术含量次之，外观设计专利技术含量最低，故而参照唐松等[6]和李春涛等[9]的做法，将发明专利数定义为核心科技创新(Cpat)，实用新型专利数与外观设计专利数之和称为低端科技创新(Lpat)。鉴于部分样本企业在某些年份的专利申请数值为零，以防先取对数时出现缺失值，将所用专利数值加1并取自然对数。

2.核心解释变量

数字金融(DigFin)。北京大学数字金融研究中心联合蚂蚁金服集团借助大数据等信息技术从多维度刻画中国数字金融发展水平，编制出数字普惠金融指数，为数字金融领域的研究提供了可靠的数据支撑。本文采用2011—2018年地级市层面数字普惠金融指数作为衡量数字金融发展水平的代理变量。同时，在异质性分析中采用覆盖广度、使用深度和数字化程度三个数字金融的二级维度指标，以期探究数字金融赋能企业科技创新的深层动力。

3.控制变量

为最大限度减弱遗漏变量产生的影响，尽可能缓解样本期间企业所处地区对科技创新发展趋势造成的影响，减轻模型内生性问题，本文加入企业和城市两个层面的控制变量。企业层面包括：企业规模Size(企业总资产的自然对数)、企业财务杠杆Lev(总负债与总资产的比值)、企业绩效ROA(企业总利润与总资产的比值)、产品市场竞争SFIN(销售费用与营业收入的比值)、两职合一Dual(若董事长与总经理为同一人则取值为1，否则取值为0)。城市层面包括：地区经济发展水平PCGDP(选取地区人均GDP的自然对数表征)、科研教育投入EI(以地区科学与教育支出之和与财政预算内支出的比值衡量)、外商投资FDI(依据外商直接投资实际使用额与地区生产总值的比值测算)。

(二)模型构建

本文对解释变量进行滞后一期处理，以尽可能消除企业科技创新越好的地方，数字金融发展越好这一反向因果关系导致的内生性问题。首先验证数字金融对企业科技创新的赋能效应：

Innoit=α0+α1DigFinmt-1+α2Controls+δi+εit

(1)

(1)式中，变量的下标i、t、m分别表示企业、年份和城市。被解释变量Innoit用专利总申请Tpat、核心科技创新Cpat和低端科技创新Lpat衡量；核心解释变量DigFinmt-1表示地区m在地t-1年的数字金融发展水平，用数字普惠金融总指数表征；Controls为上述控制变量；δi表示企业个体固定效应，由于地区固定效应会被企业个体固定效应吸收，因此本文相当于同时具有地区固定效应；εit为随机误差项；α0为常数项。核心解释变量DigFinmt-1的系数α1表示数字金融对企业科技创新的赋能效应，预估该系数显著为正。在回归检验中，采用聚类稳健标准误(Cluster聚类至企业层面)。

三、实证结果与分析

(一)基准回归与结果分析

表1报告了数字金融对企业科技创新赋能效应的回归结果，回归模型中均使用企业聚类效应对标准误进行修正，并控制企业个体固定效应。第(1)(2)和(3)列回归未加入控制变量，仅控制企业个体固定效应。实证结果显示，数字金融发展对专利申请总量、核心科技创新以及低端科技创新的回归系数均为正，且均通过1%的统计显著性检验，这表明数字金融的发展有利于激发企业科技创新活力，提高科技创新成果转化率。第(4)(5)和(6)列回归进一步加入企业和城市层面的控制变量，上述结论依旧成立。具体而言，数字金融发展水平每提升1%，企业专利申请总量、核心科技创新和低端科技创新分别增加0.28%、0.24%和0.26%，从而证实数字金融能有效弥补传统金融缺陷，提供多样化融资手段，更好满足企业科技创新融资需求，促进专利申请数量日益增加，显著提升企业创新能力。然而，数字金融对企业科技创新的赋能效应存在偏差，相比核心科技创新，其对低端科技创新的赋能效应更强，这说明数字金融从总体上提升了企业科技创新，但没有聚焦于企业核心技术创新。

表1 数字金融赋能企业科技创新的回归结果

(二)内生性处理与工具变量检验

尽管在构建模型中分别从企业和区域层面尽可能多地控制了影响企业科技创新的相关变量，但仍无法避免不可观测的遗漏变量问题。通过科学合理的工具变量能有效解决模型中的内生性问题，有助于正确理解和研究数字金融赋能企业科技创新的状况。

学界目前关于数字金融工具变量的选取主要有两种：一是互联网相关指标。谢绚丽等率先使用省级互联网普及率作为数字金融的工具变量[11]，随后不少学者也借鉴此法，将其作为数字金融的工具变量[2,6]，也有学者采用互联网接入户数作为工具变量[12]。但是互联网的普及情况只是数字金融发展的一个方面，并不能合理有效地评估数字金融。二是与浙江省或杭州市的距离[3]。使用这种方法的文献大都依据北京大学与蚂蚁金服共同编制的数字普惠金融指数来衡量数字金融发展水平，其原因在于数字金融的发展具有空间溢出性，会辐射周边地区并起到带动发展作用，进而不同城市与杭州的距离会影响当地数字金融发展水平。但这种方法也存在一定的缺陷：与浙江省或杭州市的距离较近虽能享受数字金融发展溢出红利，但如果当地政策支持力度较弱或基础设施建设不完善，也会抑制当地数字金融的赋能效应。此外距离是一个截面数据，不会随时间发生变化，对于当前基于面板数据进行分析的研究来讲，其并不能较好地反映数字金融的发展。

对比这两类工具变量，本文选取据杭州市的球面距离作为数字金融的工具变量。为消除截面数据在面板回归分析中的缺陷，本文创新性地采用企业注册地与杭州市的球面距离与所在省上一年互联网普及率的交互项，来表征数字金融的工具变量。表2显示了工具变量法的回归结果，列(1)报告了工具变量第一阶段回归结果，IV系数通过1%显著水平检验，符合工具变量相关性要求且F值大于10，即不存在弱工具变量问题。列(2)(3)和(4)的第二阶段回归结果表明，在借助工具变量法消除内生性之后，数字金融赋能企业科技创新的效应依旧显著，且回归系数略有提高，说明数字金融对企业科技创新存在显著赋能效应。

表2 工具变量法

(三)稳健性检验

为验证上述实证结果的稳健性，本文使用多种方法对基本模型进行稳健性检验。一是替换回归模型。考虑到回归模型中采用企业个体固定效应模型是普遍做法，但可能对内生性处理并不严格，因此采用时间—行业双固定模型进行检验。由表3前三列结果不难看出，数字金融赋能企业科技创新的方向及大小与基准回归结果基本一致；二是更换被解释变量衡量指标。基准回归中采用企业专利申请量作为科技创新的代理变量是从产出端进行分析，但企业科技创新能力也离不开企业对研发投入的支持力度。因此，本文在稳健性检验中从投入端进行验证，采用企业当年研发投入的自然对数衡量科技创新并重新进行回归。通过表3列(4)发现，DigFint-1的系数在1%水平上显著为正，表明虽然部分企业未披露研发投入相关数据，致使回归样本数量减少，但数字金融赋能企业科技创新的作用依然显著；三是剔除部分城市①。表3后三列结果表明，数字金融赋能企业科技创新的核心结论仍旧成立，可见基准回归结果不受城市经济特性的影响，相关结论具有稳健性。

表3 稳健性检验

(四)异质性分析

1.基于数字金融三维度异质性分析

本文将数字金融分为三个二级指标：覆盖广度(CoverB)，其反映数字金融依托互联网技术的地理穿透性；使用深度(UseD)，其反映数字金融的实际使用情况；数字化程度(DigL)反映数字金融的便利性和低成本等优势。根据表4中的实证结果显示，数字金融三个细分维度均通过1%的统计显著性检验，说明当前数字金融发展态势较好，极大地激发了企业科技创新活力。其中，覆盖广度的赋能程度最强，其每提升1%，企业专利申请总量、核心科技创新和低端科技创新分别增加0.27%、0.23%和0.26%。这表明数字金融对企业科技创新的赋能效应主要源于其覆盖范围较广，基础设施建设较为完备。

表4 数字金融三维度异质性分析

2.基于企业所有制异质性分析

根据理论分析，虽然研究样本均为深沪A股上市企业，但企业个体特征不同，面临的信贷排斥也不尽相同，致使科技创新意愿也有所不同，因而在提供相似数字金融赋能下，对科技创新的促进效果也会有差异。本文将企业样本按所有制性质分为国有企业和非国有企业，以期探明数字金融赋能企业科技创新效应的所有制异质性。表5的结果表明，数字金融对国有企业和非国有企业科技创新均具有显著正向作用，且均通过1%显著性水平检验。进一步对比可知，数字金融指数每提升1%，国有企业专利申请总量、核心专利量和低端专利量分别增加0.27%、0.24%和0.25%，而非国有企业相应增加0.28%、0.23%和0.25%，这说明数字金融对非国有企业的赋能效应更强。

表5 企业所有制异质性分析

四、机制分析

上述研究表明，数字金融发展越好，企业科技创新能力就越强，科技创新成果转化率就越高。这为我们深刻理解数字金融赋能效应提供了坚实的实证基础，但此前研究主要是从整体上探究数字金融对企业科技创新的影响效果，并未深入剖析其具体的赋能机制。本文将进一步通过中介效应模型进行验证。

中介变量信贷融资约束(FC)的选取。最早测度企业信贷融资约束指数的是Kaplan 和 Zingales[17]，他们先根据企业财务状况，定性划分约束程度，再测出融资约束与企业特征变量之间的关系，其系数就是融资约束指数。SA指数测算公式为：SA指数= -0.737×企业规模+0.043×企业规模2-0.04×企业年龄。因此，本文采用SA指数衡量信贷融资约束，SA指数越大，表明信贷融资约束越明显。

表6显示了信贷融资约束充当中介路径的实证结果，第(1)列中数字金融回归系数为负并通过1%显著性水平检验，即数字金融指数每增加1%，企业信贷融资约束缓解0.04%，说明数字金融的发展一方面大幅降低了企业的融资门槛，更好满足了企业资金需求；另一方面缓解了企业融资时信息不对称问题。第(2)(3)(4)列信贷融资约束回归系数均通过1%显著性水平检验，说明信贷融资约束的中介效应是显著的。研究结果证实数字金融通过缓解企业信贷融资约束而赋能企业科技创新，这与唐松等[6]的研究结论一致。

表6 数字金融、信贷融资约束与企业科技创新

五、结论及对策建议

(一)研究结论

随着数字金融在我国的快速发展，其天然的普惠性有效弥补了传统金融市场的缺陷。本文基于2011—2018年深沪A股上市公司数据，创新性采用距杭州市的球面距离与上期该省互联网普及率的交互项作为数字金融的工具变量，从多角度实证检验了数字金融对企业科技创新的赋能效应，并进一步探明其作用机制。研究结论如下：第一，数字金融对企业科技成果转化有显著促进作用，其对低端科技创新的促进作用高于核心科技创新；第二，数字金融赋能企业科技创新存在结构性差异，其赋能效应更依赖于覆盖广度。此外，数字金融对非国有企业科技创新的赋能效应更为显著；第三，信贷融资约束在赋能企业科技创新的过程中具有部分中介作用，表明数字金融能在“量”上拓宽融资渠道，有效纾解企业信贷融资困境，进而赋能企业科技创新活动。

(二)对策建议

基于以上研究结论，本文提出如下政策建议。

第一，促进数字金融赋能企业核心技术创新。首先，企业应将资源向含金量高的创新活动集中，以保证最大限度发挥数字金融对企业科技创新的赋能效应。其次，传统金融机构要顺应数字金融发展趋势，重视数字技术与金融的深度融合，打造数字化金融服务模式。最后，重视数字金融监管体系建设，加快构建政府监管与行业自律相结合的治理新模式，防范信息泄露风险，保障数据安全。

第二，继续增强数字金融的普惠性。充分拓展数字金融覆盖广度，进一步发挥其信息传递的便利性和低成本优势。同时，关注非国有企业科技创新活动中的资金诉求，不断激发非国有企业科技创新活力。

第三，切实提高资金使用效率。一方面，金融机构应提供多样性、差异化的金融服务，改善地区金融环境，降低金融服务门槛，对企业科技创新提供针对性金融服务；另一方面，依托数字技术科学精准评估项目价值，助力草根企业以方便快捷的途径获取金融服务，实现资金与需求企业精准对接。

注释：

① 剔除的城市包括：北京市、上海市、天津市、重庆市、深圳市、珠海市、厦门市、汕头市和海南省的各个城市。