金融科技與企業全要素生產率的影響效應研究——基于資本市場信息效率中介視角

張敏杰

（蘭州大學經濟學院，甘肅 蘭州 730000）

一、引言

當下“人口紅利”逐漸消失，為防止資本報酬遞減現象的出現，中國經濟轉向全要素生產率支撐型模式是實現經濟增長的必然選擇。其中，高效的金融體系的支持是必不可少的。然而中國傳統金融體系存在間接融資比重過大、供給不足等問題，嚴重制約了金融行業服務實體經濟的質效，使其并不能為微觀主體生產效率的增長提供充足穩定的金融資源作保障。

近年來，大數據、人工智能、云計算等新興科技與金融業的深度融合，打破了傳統金融體系所面臨的發展困境，金融科技應運而生。金融科技的發展催生出更高效的信息機制和市場交易機制，降低了信息不對稱的程度并更新了金融服務模式，有助于資本市場的穩定健康發展。資本市場信息效率的高低影響著資產價格信號傳遞功能的發揮，進而決定了金融資源的有效配置，最終影響企業的生產效率。金融科技能否通過提升上市公司信息透明度，增強外部監管能力，優化市場整體投資效率，有效緩解金融要素扭曲程度，進而助推企業全要素生產率增長，是一個值得探究的現實問題。

基于以上分析，可見當前對于金融科技發展和企業生產效率的關系存在諸多不明。本文重點探討金融科技與企業全要素生產率之間的影響效應及其作用機制，為相關理論提供實證依據。

二、研究假說

中國經濟的持續增長依賴于全要素生產率的提升。關于企業全要素生產率驅動因子的研究，已有文獻主要從企業外部環境和企業自身因素兩個層面進行探討。企業外部環境主要可分為政府視角和市場視角，既有研究從產業政策（張莉等，2019）、經濟開放程度（程惠芳等，2017）等角度進行分析；企業自身因素視角主要關注了研發創新（唐未兵等，2014）、企業金融化（胡海峰等，2020）等方面。關于金融科技等創新性的金融模式對微觀企業生產率的助推作用，鮮有文獻進行研究。值得重視的是，Hsieh等（2009）指出中美兩國全要素生產率差異的49%是由資源配置效率差異造成的，可知金融系統和市場調配對微觀企業全要素生產率的提升起重要的支撐作用。

金融科技通過速度、準度和規模三個維度增強信息處理能力，進而降低成本、提高風控能力（王道平等，2021），其發展大大降低了資本市場中參與者的信息獲取成本和風險識別能力，可以有效改善傳統金融體系中由于信息不對稱而存在的高風險溢價和高運營成本問題（黃浩，2018）。對于企業成長和經濟發展，股權導向的金融系統可能會發揮更大作用（唐松等，2020），這是因為資本市場可以通過信息歸集、整理和披露來幫助市場參與者克服道德風險和逆向選擇問題。股價波動是鏈接企業與投資者進行信號傳遞的重要渠道，股價中所反映的企業特質信息的增多，不僅有助于外部環境間接監督功能和治理效應的發揮（任燦燦等，2021），還能引導金融資源流向高內在價值的企業，實現要素的合理配置，進而影響企業的經營行為。金融科技的發展有利于增強資本市場的信息處理能力，降低信息成本，改善信息環境，增加個股股價包含的企業異質性信息，幫助個人和機構投資者進行投資決策，提高市場整體投資效率和資金的流動性；同時可以產生治理效應，優化公司治理水平；最終通過降低融資成本、提升風控能力為企業的生產經營賦能，提高資源使用效率，助推企業全要素生產率增長。據此，本文提出如下假設。

H1：金融科技發展推動企業全要素生產率增長。

H2：金融科技發展有益于提升資本市場信息效率，進而助推企業全要素生產率增長。

三、模型構建、變量說明與數據來源

1.模型構建

為檢驗假設H1和H2，本文首先就金融科技對企業全要素生產率的直接效應影響，構建基本模型：

其次，為探明金融科技對企業全要素生產率可能存在的間接傳導機制，結合前文理論機制分析，需要對資本市場信息效率是否為金融科技與企業全要素生產率的中介變量進行檢驗，構建中介效應模型為：

2.變量測度及說明

（1）企業全要素生產率的測度

本文使用微觀企業層面數據，采用LP法測算企業全要素生產率。參照魯曉東等（2012）的做法，構建模型如下：

其中，Y為產出水平，L為勞動投入，K為資本投入，M為中間投入，i、t分別代表企業和年度。變量均是以2000年為基期的實際值。

（2）金融科技水平的測度

本文選用2012年～2019年，地級市層面的北京大學數字普惠金融指數作為金融科技發展水平的測度進行分析（郭峰等，2021），該指數運用了金融科技企業的結構化交易數據構建指標體系，很好地衡量了地區金融科技水平。本文將進行了對數化處理后的數字普惠金融總指數用于基準回歸。

（3）資本市場信息效率的測度

資本市場通過股價的信號機制來配置金融資源，其效率高低依賴于股價信息含量。股價同步性指標體現了上市公司個股價格波動和資本市場價格波動之間的相關性，其值越高，表明股價中所反映的公司異質性信息越少，股價信息含量越差，個股呈現相似的波動規律，資本市場信息效率越低。因此，本文選取股價同步性作為資本市場信息效率的代理變量，參照劉瑤瑤等（2021）的做法，構建回歸模型如下：

（4）控制變量

參照已有文獻，本文選取了企業規模（Size）、企業杠桿率（lev）、資產回報率（Roa）、企業成長性（Growth）、董事會規模（Bsize）、董事會獨立性（Indep）、兩職合一（Both）、公司年齡（Age）和產權性質（POE）作為控制變量加入模型。

2.數據來源與描述性統計

本文以2012年～2019年中國滬深A股上市企業為研究樣本，微觀企業數據均來自CSMAR數據庫和Wind數據庫，省級和地級市層面數字普惠金融指數來自北京大學數字金融研究中心。同時，對數據做如下處理：（1）剔除ST類企業；（2）剔除金融業上市企業；（3）剔除每年交易周數小于30的企業樣本；（4）剔除樣本數據缺失或異常的企業。最終構造出10088個平衡面板數據。變量描述性統計結果如表1所示。

表1 變量描述性統計

四、實證結果與分析

1.基準回歸

在回歸之前，本文首先對主要變量進行相關性分析。所選核心解釋變量、中介變量和控制變量之間的Pearson相關系數最大值為0.56，進一步檢驗方差膨脹因子（VIF），得到各變量的VIF值均在2.0以下，說明變量間不存在嚴重的多重共線性問題。

表2匯報了金融科技發展水平對企業全要素生產率的影響效應。第（1）列的回歸結果顯示，金融科技水平的回歸系數在1%的水平上顯著為正，表明金融科技發展水平的提高有助于企業全要素生產率的提升，假設H1得證。大數據、云計算等新興技術出現推動了金融科技的蓬勃發展，其高效的信息處理能力增強了現代金融的服務深度和覆蓋廣度，有效吸引了市場中大量分散的小規模投資者，將這類長尾用戶納入進金融體系之中，將部分游離的金融資源轉化為有效供給，以此滿足更多市場投資者和企業投融資需要，為資本市場注入了新的活力。這降低了企業直接融資的難度，促進其生產效率的提升。同時，控制變量的回歸系數也基本符合預期，并與現有研究結論基本一致。

表2 金融科技對企業全要素生產率影響的基準估計結果

考慮到可能存在的市場信息以及企業發展過程中政策的時滯性，為了探究金融科技發展水平對企業全要素生產率的促進作用是長期還是短期影響，本文參照唐松等（2020）的做法，運用動態疊加效應研究金融科技發展對企業全要素生產率影響的時效性。將金融科技總指數滯后1、2、3期進行回歸，結果如表1列（2）－（4）所示：滯后1、2、3期的金融科技總指數對企業TFP的回歸系數均在1%的水平上顯著為正，表明金融科技發展對企業TFP的正向促進作用具有時間上的持續性，并非短期影響，而是長期提升。

2.中介效應檢驗

根據前文理論分析，為檢驗資本市場信息效率是否為金融科技推動企業全要素生產率提升的有效傳導渠道之一，本文通過模型（1）、（2）、（3）進行回歸，結果如表3所示。選取金融科技水平總指數為核心解釋變量時，模型（1）的結果表示金融科技對企業全要素生產率的增長具有顯著的正向促進作用。模型（2）檢驗了金融科技發展是否助推了資本市場信息效率的提升，結果顯示，金融科技的回歸系數顯著為負，并通過了1%的顯著性水平，說明金融科技的發展顯著降低了股價同步性水平，金融科技發展水平越高，股價信息含量越好，資本市場信息效率越高。最后將資本市場信息效率這一中介變量放入模型（1），構造出模型（3）進行回歸，結果顯示，股價同步性水平與企業全要素生產率顯著負相關，其回歸系數通過了5%的顯著性水平，說明降低股價同步性有益于金融資源優化配置，進而提升企業全要素生產率。相較于模型（1），模型（3）中金融科技的回歸系數有所下降，表明資本市場信息效率在金融科技對企業全要素生產率的影響中發揮了積極的中介作用。金融科技的發展提高了市場的信息處理能力，并催生出更高效的市場交易機制，更新了金融服務模式，推動資本市場信息效率的提升。個股股價能更好地發揮信號傳遞功能，合理引導投資者的行為，提高市場的整體投資效率，優化金融資源配置，使資本流向可以創造更多價值的企業，最終增強企業的生產效率。假設H2得以驗證。

表3 資本市場信息效率中介效應回歸結果

3.異質性分析

（1）企業特征

①創新程度

參照黃銳等（2020）的劃分標準，按照證監會2012版行業分類，將其中上市企業為C27、C39、I和M行業的認定為創新型企業，其余企業為非創新型企業。按企業創新程度分組，回歸結果如表4中列（1）、列（2）所示：創新型企業其全要素生產率水平受金融科技影響程度更高。目前國內仍以間接融資為主，但創新型企業低實物資產、高無形資產的特征，及其所進行的高風險的研發活動，均不符合銀行的信貸理念，相比非創新型企業，更具發展潛力的創新型企業很可能遭遇融資困境。金融科技的發展不僅通過降低企業信用評估成本緩解了創新型企業的融資約束，還擴大了金融服務的覆蓋人群，將“長尾”客戶納入資本市場，又由于資本市場信息效率的提升，資本將更多地流向能創造更多價值的企業，這拓寬了創新型企業的融資渠道，緩解了創新型企業可能會遇到的資金鏈壓力，提高了其生產效率。

② 審計質量

審計質量高的企業，其所發布的企業財務報告具有更高的可信度，有利于降低市場投資者的信息獲取成本，增強其投資信心。而審計質量差的企業容易影響投資者的分析決策，帶給投資者其可能存在信息隱瞞的負面印象。根據企業所雇用審計人員是否屬于國際四大會計師事務所，將樣本進行劃分，回歸結果如表4列（3）、列（4）所示：僅在非Big4審計樣本組中，金融科技發展對企業全要素生長產率有顯著的正向促進作用。這說明金融科技發展有利于提高企業異質性信息在公司股價中的反應程度，增強企業透明度，更有效發揮外部監督機制，提高企業融資效率，增強其全要素生產率。

（3）市場環境

市場金融資源配置的有效性部分依賴于所在區域的市場化程度，高市場化程度的地區市場配置資源的效力會更高，能夠為企業提供良性的成長環境。而在低市場化區域，政府干預等非市場因素在資源配置中發揮更大效力，可能導致金融要素扭曲，折損企業全要素生產率。根據王小魯等（2021）發布的中國分省份市場化指數報告，按照市場化總指數排序，將樣本分為高市場化地區的企業和低市場化地區的企業，分別檢驗金融科技發展在兩組市場化程度不同的樣本中對企業TFP的影響效應，結果顯示在表4列（5）、列（6）中：低市場化地區的企業其全要素生產率受金融科技水平的影響更大。一個可能的解釋是，金融科技的發展增加了資本市場中個股股價的信息含量，使其能反映更多的企業特質信息，從而發揮股價的信號機制，引導資源的優化配置，彌補市場不健全導致的要素扭曲，降低市場中企業的融資成本，提高生產效率。

表4 異質性分析

4.穩健性檢驗

為了進一步檢驗動態面板數據結論的可靠性，本文進行了一系列穩健性檢驗。（1）將被解釋變量替換為采用OP法測算的企業全要素生產率，核心解釋變量替換為省級數字金融普惠指數，改變其測度方法后，基準結論與中介效應檢驗結果未發生變化。（2）剔除部分干擾因素。相較于其他城市，直轄市具有更重要的經濟特殊性和戰略地位，金融科技發展水平和政策傾斜度可能存在很大不同，因此本文考慮刪除直轄市的樣本后再次回歸，并未改變模型回歸結果。（3）工具變量法。為緩解可能因反向因果、遺漏變量和測量誤差引致的內生性問題，本文參照謝絢麗等（2018）的做法，引入《中國互聯網絡發展狀況統計報告》發布互聯網普及率省級數據作為金融科技水平的工具變量，采用IV-2SLS法進行估計，第一階段回歸結果顯示工具變量與金融科技水平顯著正相關，第二階段回歸結果與原假設一致。綜上表明本文的回歸結論具有穩健性。

五、結論與建議

本文檢驗了金融科技水平對企業全要素生產率的影響效果及其作用機制。實證結果發現：第一，金融科技發展對企業全要素生產率增長有顯著促進作用，且具有長期提升效果；第二，金融科技發展有效改善了資本市場信息不透明的問題，從而推動了企業生產效率的提升，資本市場信息效率發揮了重要的中介作用；第三，金融科技對創新型企業、審計質量差的企業和地處低市場化區域企業的生產率的促進作用更強，可以有效改善金融錯配現象。在考慮了內生性問題，并進行一系列穩健性檢驗后，本文研究結論仍具有穩健性。

本文所進行的研究具有以下的政策啟示。第一，利用制度優勢和先進數字技術優勢，為推進科技與金融的深度融合提供政策支持，強化金融行業對實體經濟的服務功能。第二，加快新型數字基礎設施建設，鼓勵新興科技與資本市場更進一步融合，為資本市場穩定發展提供基礎保障；同時，穩步推動我國資本市場開放，逐步降低對上市企業規模、市值等方面的限制，優化我國資本市場的投資者結構，提高市場投資效率，從而更好地引導金融資源的合理流向，緩解實體企業融資困境。第三，建立區域間協調發展機制，引導和加速市場化水平不同地區之間的要素資源流動，推動區域間互聯互通，優化要素配置效率；同時，建議上市企業重視審計質量和信息披露質量的提升，有助于市場投資者進行科學決策，提高投資效率，發揮資本市場的良性效應。第四，加強宏觀審慎監管，平衡好金融風險與支持實體經濟發展之間的關系。實施激勵相容的監管政策，在防范化解金融風險的同時秉持“試點容錯”的監管態度，創造松緊適宜的監管環境，為金融科技的成長保留一定的空間。