金融集聚與企業高質量發展
——金融機構空間分布的視角

馮 玨,黃解宇

(運城學院 經濟管理系,山西 運城 044000)

一、引言

企業高質量發展是經濟高質量發展的微觀表現,也是經濟高質量發展的重要組成部分。在經濟轉型的背景下,2017 年十九大報告首次提出了綠色低碳循環的高質量發展方向,隨后中部地區以及資源型地區高質量發展的文件也相繼出臺,2022 年政府工作報告同樣指出推動高質量發展依然是現階段中國政府的工作任務。學者們對于如何推動經濟高質量發展展開了豐富且翔實的研究,但其中關于企業高質量發展的研究卻相對缺乏。

企業的高質量發展離不開金融的支持。微觀數據顯示:伴隨著中國GDP 的平穩增長,中國上市公司的數量從2000 年的1 175 家增長到2020 年的4 432 家,基本上每10 年就會增加一倍(圖1)。與此同時,中國上市公司周邊5 公里、10 公里、20 公里、30 公里范圍內金融機構的平均數量分別從2000年的222 家、377 家、546 家、698 家增加到2020 年的345 家、842 家、1 583 家、2 169 家,增加幅度分別為55.73%、123.37%、189.9%和210.63%,均表現出明顯的上升趨勢(圖2)。那么,金融機構在企業周邊產生的集聚現象是一種必然還是巧合,其對企業高質量發展又會產生怎樣的影響?

圖1 上市公司數量

圖2 企業周邊金融機構平均數量

金融機構集聚現象本質上還是金融集聚問題,反映的是金融與實體經濟的關系。金融發展能夠帶動資源流動,提高金融資源的配置效率,促進社會技術創新,進而推動經濟增長。資本配置效率提高意味著高資本回報率的實體經濟會得到更多的資金支持,資本流入能夠減輕企業的融資約束,降低企業投資對內部現金流的依賴性,從而促進企業發展[1]。金融對實體經濟的促進作用已得到了廣泛論證,但是近年來的金融危機卻使得“金融服務實體經濟”的口號頻頻出現,金融“脫實向虛”等問題也引起了學者們的普遍關注。這也就意味著金融對實體經濟的作用出現了偏差和錯位,未達到服務實體經濟的預期效果。為實體經濟提供更好的金融服務,根本要求在于降低流通成本,提高金融的中介效率和分配效率[2]。要實現這些要求,制度層面上需要健全資本管理機制、發展普惠金融、完善金融監管框架等,而在實踐層面上也可以通過金融的集聚效應加以補充。因此,微觀層面上研究金融集聚對企業高質量發展具有重要的理論和現實意義。

微觀金融集聚指標的構建是考察金融集聚對微觀企業行為影響的關鍵。構造微觀金融集聚指標的必要性體現在兩個方面:第一,現有對金融集聚的研究大多數集中在宏觀層面上,極少有學者考察金融集聚對微觀企業的影響,一個可能的原因是缺乏相應的微觀金融集聚數據。第二,金融集聚反映的是金融資源的時空動態變化過程,表現出一定的區域特征,宏觀層面上常用的測量方法包括構建金融集聚指標體系以及計算地區金融集聚的區位熵。然而這些測量方法在研究企業問題時缺乏一定的適用性,原因是特定區域范圍內金融集聚對不同企業會產生不同的作用效果,或者說不同企業面臨的金融服務和金融資源存在個體差異。因此,本文認為現有金融集聚指標在微觀層面上進行分析時存在一定的局限性,制約了相關研究的發展。

基于以上分析,本文選取2011—2019 年中國A股上市公司作為考察對象,利用上市公司周邊金融機構的地理信息數據,構建企業層面金融集聚指標,探討微觀層面上金融集聚對企業高質量發展的影響及其機制。實證結果表明,金融集聚顯著促進了企業高質量發展。進一步研究發現,金融集聚通過降低銀企信息不對稱和提高銀行業競爭,進而促進企業高質量發展。此外,本文還從金融機構類別、企業特征以及外部環境三個方面考察了這種影響的異質性。

本文可能的邊際貢獻體現在以下兩個方面:第一,微觀金融集聚數據。現有研究對金融集聚的測量指標集中在宏觀數據上,測量方法主要是構建指標體系和區位熵的方法,在分析金融集聚對企業影響的微觀機制中存在較大的局限性,本文創新性地使用上市公司周邊金融機構數量測量企業層面金融集聚水平,為后續關于微觀金融集聚的研究提供了有益的借鑒。第二,微觀研究視角。現有文獻對金融集聚的研究多集中在省級層面、城市層面或行業層面,企業層面上相關的研究極少。本文通過分析金融集聚對企業高質量發展的影響,為理解企業高質量發展的影響因素提供了新的微觀證據,同時豐富了微觀金融集聚與企業行為的相關研究。

二、理論分析與研究假設

(一)企業高質量發展的內涵

企業高質量發展是經濟高質量發展的延伸和拓展,對于經濟高質量發展的理解,多數學者采用構建指標體系的方式反映其內涵。經濟高質量發展可以分解為經濟成果分配、人力資本及其分布狀況、經濟效率與穩定性[3],也可以從創新、協調、綠色、開放、共享五個更為寬泛的維度去理解。學者們對指標的選取雖然略有區別,但基本上都是圍繞經濟發展是否滿足人民日益增長的美好生活需要這一準則展開的。相比經濟高質量發展,企業高質量發展的內涵就更加具體,也會因為企業特征的不同而有所變化。例如,國有企業由于其特殊性會存在“大而不強”“大而不優”“大而不活”等問題[4],而非國有企業往往不存在這些問題。實現國有企業高質量發展的邏輯框架可以分為國有經濟、國有資本、國有企業整體以及國有企業個體四個方面[5];而民營經濟高質量發展的突破路徑需要從質量變革、效率變革、動力變革和環境變革四個方面著手[6]。簡單分析可以看出,由于中國經濟主體相對復雜,不同股權性質的企業在實現高質量發展的目標和方式上存在差異,因此,全樣本分析中選擇一個客觀且具有代表性的指標來評價企業高質量發展是十分必要的。

相比企業生產經營過程中的中間變量,全要素生產率(TFP)包含的信息更加豐富且綜合性更強,所以更適合評價企業高質量發展。采用TFP 作為企業高質量發展的代理變量在研究中得到了廣泛應用。陳昭等[7]采用TFP 研究了政府補貼、企業創新與制造業企業高質量發展之間的關系,發現政府補貼抑制了企業的高質量發展,企業創新對這種抑制作用有遮掩效應;石大千等[8]以TFP 和勞動生產率共同作為高質量發展的代理變量,運用雙重差分的方法,研究得出文明城市建設對企業高質量發展具有顯著提高的作用;孟茂源等[9]基于2011—2017 年制造業上市公司數據,實證得出勞動力成本上升對企業高質量發展具有正向促進作用。除此之外,還有學者從企業杠桿率、知識產權保護、財務管理模式、內部控制等對企業高質量發展的影響因素進行研究,這些研究為正確理解企業高質量發展提供了豐富的寶貴經驗。但作為影響企業發展的重要因素,鮮有金融集聚對企業高質量發展的相關研究,本文嘗試將與TFP 相關的文獻也納入參考范圍,結果依然如此。基于以上分析,本文進一步將金融集聚對企業高質量發展的影響具象化為金融集聚對企業TFP 的影響。考慮到十九大報告中關于“中國經濟已由高速增長階段轉向高質量發展階段”提出的時間節點,這一時點之前關于企業高質量發展的文獻多表現為金融集聚對TFP 的研究,因此本文將文獻范圍擴展到金融集聚對TFP 相關的研究以及金融集聚對經濟高質量發展的研究。

(二)金融集聚與企業全要素生產率

金融集聚是金融地理學的重要分支,研究的是金融資源、金融活動、金融機構等在某一區域形成金融中心的現象。國際金融中心的出現引發了學者對金融集聚的思考,而金融集聚的理論研究與實踐又進一步指導各個區域創建區域金融中心,二者相輔相成。信息腹地理論指出非標準化信息需要更加專業的從業者面對面才能獲得,信息外部性和不對稱信息是決定金融中心形成的重要因素[10]。地理因素的存在使得金融交易產生更多的運輸成本和信息成本。異地的銀行經理、投資者會花費更多的時間、精力和費用與潛在的資金供給者溝通和接洽[11],為了彌補事前評估和事后監督產生的運輸成本,銀行會對不同距離的借款人實施差別定價[12]。地理距離的增加雖然不會影響金融機構獲得公開披露的信息,但會加深資金供求雙方非公開信息的不對稱情況,在這方面本地金融機構具有明顯的信息優勢[13]。這些為本文從微觀層面構建金融集聚指標提供了一個啟示。宏觀層面的金融集聚描述的金融資源在區域上的集中,微觀層面上也可以通過金融資源在企業周邊的集聚程度加以測量,二者對非標準化信息作用機制的理解本質上是一致的。

金融集聚對經濟發展的影響是多方面的,包括提高城市綠色生產率、促進地區綠色發展和技術創新水平等,但這些都是金融集聚作用于企業后的宏觀表現,要明確金融集聚對企業TFP 的影響,就需要更深入地了解其內在機制。金融集聚對實體經濟的影響至少包括以下三個方面[14]:第一,金融集聚不僅是金融資源的集聚,也會導致與金融服務相關的會計、資產評估、投資咨詢等產業的集聚,同時產生勞動力升級效應和知識溢出效應[15]。通過外部規模經濟效應,為實體企業提供融資和投資便利,提高資金的流動性,擴大企業規模的同時降低融資成本和投資風險[16]。第二,金融機構集聚形成的資源網絡能夠降低信息挖掘的成本、信息流動的成本,降低銀企之間的信息不對稱,完善信譽機制,進而降低企業的融資成本和提高資金配置效率,而資源配置效率的改善能夠促進企業TFP 顯著提高[17]。第三,金融機構的集聚加劇了區域范圍內的行業競爭,金融機構為搶占市場份額會提高服務質量,加速金融產品創新,提高金融機構經營效率,優化企業融資環境。

因此,本文提出假設:金融機構的集聚能夠提高企業的TFP。

三、數據、模型與變量

(一)樣本選取和數據來源

本文以2011—2019 年中國滬深A 股上市公司作為研究對象。上市公司基本特征、財務數據來源于CSMAR 數據庫和Wind 數據庫,據此獲得企業的TFP。金融機構許可證信息數據來源于中國銀行保險監督管理委員會網站,對其中機構地址因短缺或無法定位而不能正常使用的信息進行人工糾錯和補充。數字經濟信息來源于《中國統計年鑒》《中國工業經濟統計年鑒》《中國科技統計年鑒》以及各省份統計年鑒。借鑒以往文獻對樣本的處理:剔除金融行業數據;剔除已退市的上市公司;剔除既發行A股又發行B 股的上市公司;剔除樣本區間內ST、*ST、PT 的上市公司;對連續變量進行雙側1%的縮尾處理。最終得到3 183 家上市公司20 371 個樣本觀測值。

(二)模型構建

本文采用固定效應模型檢驗金融集聚對企業TFP 的影響,模型設定如下:

其中,Tfpi,t表示企業i在第t年的全要素生產率,解釋變量fini,t表示企業i在第t年的金融集聚水平,Controlsi,t表示與企業個體特征相關的控制變量,包括資產負債率、企業年齡、第一大股東持股比率、企業成長性、現金流、董事會獨立性。本文關注的核心解釋變量fin的系數α1若顯著為正,則表示金融集聚能夠促進企業TFP。

(三)變量度量

1.被解釋變量:全要素生產率。對于企業TFP常用的估計方法有OLS 法、OP 法和LP 法,OP 法將企業的進入和退出情況考慮在內,避免了樣本選擇偏差的問題。LP 法進一步改進了OP 法,采用中間投入指標作為不可觀測生產率的代理變量。相對OLS 法,OP 法和LP 法都能夠解決生產率估計中的內生性問題,結果也更加可靠[18]。因此,本文用LP法作為企業TFP 的估計方法,OP 法計算的指標作為被解釋變量的替代變量。

2.核心解釋變量:金融集聚。關于金融集聚的測量方法主要有構建指標體系法和區位熵的方法。金融集聚指標體系中選取的二級指標基本上為金融資本、金融機構和金融人才,但三級指標卻相差較大,構建指標體系的方法因不同學者對金融集聚的理解、數據獲取情況、研究需求的不同存在較大差異。區位熵的方法反映的是各省份金融業在空間上的集聚水平以及在全國的地位和作用。現有文獻中常用于計算金融集聚區位熵的數據包括金融業增加值、地區生產總值、金融從業人數和地區全部從業人數等,也有學者將區位熵的方法進行擴展,先計算出銀行業、證券業、保險業的區位熵,然后采用因子分析的方式得到地區金融集聚水平。通過對現有學者測算金融集聚指標方式的分析可以看出,無論是構建指標體系的方法還是區位熵的方法,在數據的選取上都集中在省級層面、城市層面或行業層面,而研究的問題也多與宏觀經濟掛鉤,在研究企業層面問題時缺乏適用性,這可能是導致企業層面金融集聚研究無法深入的一個重要原因。即使使用宏觀數據測算的金融集聚指標能夠較好地解釋微觀經濟問題[19],但同樣存在著適用性的問題。用地區金融集聚指標構建模型表現的是不同企業對同一地區金融集聚水平的因果關系,一方面有可能因為企業的個體差異較大而使模型解釋力不足,另一方面這種測量方式也無法真實反映出每個企業所面臨的差異化金融集聚效應。因此,在微觀層面上分析金融集聚效應時應該根據每個企業的個體特征分別測算。

本文創新性地使用上市公司周邊金融機構數量測量企業層面金融集聚水平。使用這種測量方式的內在邏輯是:企業周邊的金融機構集聚能夠發揮集聚優勢,共享人才、信息、基礎設施建設等資源,實現外部規模經濟,降低金融機構經營成本,提高金融機構經營績效。更重要的是,金融機構在對企業調查過程中,除了從公開資源上獲取企業的生產經營情況信息,也需要開展線下調研和接觸,許多潛在的風險無法從公開信息中獲得,這些獲取難度較大的非標準化信息使得金融機構在空間上會盡量靠近信息來源。而且公開信息在一定程度上也存在被粉飾的可能,從而使得非標準化信息的重要性就更加凸顯。金融機構在空間上靠近企業,對企業的了解也會更加深入,從而能夠在源頭上最大程度降低金融風險。因此,采用這種測量方式研究微觀企業金融集聚效應更具合理性和可靠性,這種測量方式已經被其他學者應用于金融相關的其他研究[20]。

本文統計的金融機構包括信托公司、農村信用社、農村合作銀行、商業銀行、政策性銀行、村鎮銀行、汽車金融公司、消費金融公司、財務公司、貨幣經紀公司、貸款公司、資金互助社、郵政儲蓄網點、金融租賃公司、金融資產管理公司以及其他金融機構,在統計口徑上相對其他學者要更加寬泛,也更符合金融集聚的內涵。上市公司的地址選用企業辦公地址,金融機構的地址來自中國銀行保險監督管理委員會網站,對其中無法通過百度地圖定位的地址,更改為該金融機構最近可定位的地址。根據上市公司與金融機構的經緯度信息并考慮當年金融機構的退出情況,通過空間坐標距離公式計算出各年每家企業周邊一定范圍內金融機構的數量,用來度量每個企業所面臨的金融集聚水平,并通過加1 取對數處理作為實證分析中的核心解釋變量。

3.控制變量。借鑒已有文獻,本文選取的企業控制變量有:資產負債率Lev衡量企業利用債權人提供資金進行經營活動的能力。商業信用、庫存現金等經營性負債能夠緩解融資約束,因此,當經營性負債較高時,企業TFP 也較高。一般而言,隨著企業年齡Age的增加,企業規模也會隨之增大,大規模的企業比小規模企業管理更規范、經營風險更小,成長性也就更好。第一大股東持股比率Top1 表現為大股東與小股東之間的利益沖突問題,股權結構對公司績效有顯著影響。企業成長性Growth表現為企業附加值不斷增加的過程,是企業盈利能力的體現,具有良好成長性的企業,往往其企業生產率較高。現金流Cashflow與企業發展面臨的融資約束密切相關,是企業提高TFP 的重要影響因素。董事會獨立性Indep在企業的監督管理中起著重要作用,有效的監督管理能夠使管理者的決策更加謹慎,從而提高企業的生產經營效率。

本文加入了金融集聚的溢出效應作為宏觀控制變量。由于經濟變量的特殊性,金融集聚的溢出效應不僅表現為地理位置上的關聯,更與經濟聯系相關,較多文獻采用空間計量模型對金融集聚進行分析,如空間滯后、空間誤差或者空間杜賓模型,其原理是加入被解釋變量、解釋變量或者誤差項的空間滯后項,這些空間滯后項都依賴省份層面或者城市層面的空間權重矩陣,本文參考的文獻中并未發現將空間模型應用于企業研究。宋敏等[21]在研究金融科技對企業全要素生產率的影響過程中,考慮到金融科技同樣存在溢出效應,采用地市周邊一定范圍內非本市金融科技公司數目來度量金融科技的溢出效應,結果卻不顯著。其原因可能是:一方面,這種測量方式忽視了經濟變量溢出效應的特殊性,從而將距離很遠但也有可能存在關聯的因素排除;另一方面,這種測量方式忽視了區域間的地理因素,金融發展或金融監管都有一定的地域性,只考慮距離因素容易混淆集聚效應和溢出效應,從而使模型無法識別。

因此,本文采用區位熵的方式來度量金融集聚的溢出效應。具體做法:首先,計算出各個省份金融集聚的區位熵,計算區位熵的指標選擇地區金融業從業人員和地區全部從業人員。其次,通過空間權重矩陣計算出各個企業所在省份的溢出效應作為企業金融集聚的代理變量。計算溢出效應的權重矩陣采用嵌套的經濟距離空間權重矩陣,由于經濟活動除了受到地理因素的影響,也會受到非地理因素的影響,這種影響表現在經濟差異較小的地區間更容易發生經濟行為,同時較大影響力的地區與較小影響力的地區相互的溢出效應存在明顯差異,具有非對稱性。計算嵌套權重矩陣的公式為Wgdp=Wddiag。其中Wd為地理距離空間權重矩陣,通過兩個地區的地理距離倒數的平方計算獲得;表示考察期內第i省地區生產總值平均值,表示考察期內所有地區生產總值的均值,為了消除可變價格影響,所有樣本值均先除以當年全國GDP,然后用該比值帶入公式求得嵌套權重矩陣。最后,通過不同指標測量的區位熵和嵌套權重矩陣計算出溢出效應spillover。主要變量的具體定義見表1。

表1 主要變量定義

(四)描述性統計分析

表2 結果顯示,LP 法得到的全要素生產率均值為8.142 1,中位數為8.038 2,高于OP 法計算的均值3.604 4 和中位數3.522 9。金融集聚相關指標隨著測量范圍的擴大,均值依次為5.142 4、6.083 6、6.817 5、7.221 9,呈現出遞增的趨勢,從平均值的角度看,上市公司周邊的金融機構分布較為均勻,沒有出現特定區間扎堆的現象。核心解釋變量與被解釋變量通過對數處理后的中位數與均值結果接近,表明數據的偏態問題得到較好的改善,其余控制變量基本統計特征均與其他學者研究相近。

表2 主要變量的基本統計特征

四、實證分析

(一)基準回歸

基準回歸模型估計了不同范圍內金融集聚水平對企業TFP 的影響。表3 結果顯示上市公司周邊5公里、10 公里、20 公里、30 公里范圍內金融集聚對企業TFP 的回歸系數分別是0.064 8、0.101 4、0.140 7、0.159 5,均在1%統計水平上顯著為正,表明金融集聚對企業TFP 有顯著促進作用。隨著測量指標范圍的擴大,列(1)～列(4)的回歸系數有明顯增加的趨勢,而增加量出現遞減的趨勢,說明隨著測量范圍的擴大,金融機構產生的金融集聚效應也在增加,距離越遠的金融機構對總效應的邊際貢獻越小。控制變量回歸系數顯示:資產負債率、企業年齡、營業收入的增長率、現金流回歸系數顯著,而第一大股東持股比率、董事會獨立性顯著性較弱。溢出效應系數顯著為正,表明樣本期內金融集聚的涓流效應大于極化效應。控制變量系數的顯著性和符號基本符合預期。

表3 基準回歸結果

表3 中測算的距離分別為5 公里、10 公里、20公里、30 公里。那么,是否任意距離內的金融集聚對企業高質量發展都存在正向影響,其合理范圍是多少? 基于以上考慮,本文同時測算了100 公里范圍內的金融集聚對企業高質量發展的回歸系數及P值。圖3 顯示金融機構集聚效應并不會隨著距離增加而一直存在,大約75 公里范圍內,回歸系數至少在10%水平上顯著為正,大約65 公里范圍內,回歸系數至少在5%水平上顯著為正,范圍小于55 公里,回歸系數在1%水平上顯著為正,這表明平均來說金融集聚影響企業高質量發展的最佳范圍為5～55 公里。隨著距離的不斷增加,回歸系數大小呈現出倒U 型曲線,并且在距離為30 公里時,回歸系數達到了最大值,說明從金融機構集聚的視角來看,金融集聚影響企業高質量發展的最佳半徑是30 公里。下文以30 公里范圍內金融機構集聚指標Fin30 為例進行相關分析,其他合理距離測算的指標分析得出的結論與Fin30 一致。

圖3 企業周邊不同范圍內金融集聚對企業高質量發展的影響

(二)內生性問題

金融機構的空間分布與地區經濟發展水平密切相關,一般來說經濟發展水平較高的地區,金融資源相對充裕,因而金融機構的數量也會較多。例如,2019 年上市公司30 公里范圍內金融機構平均數量排名前三的省份是北京、上海、廣東,而排名最后三名的省份是內蒙古、寧夏、西藏。經濟發展水平較高的地區,其基礎設施建設完善、人力資源充沛、企業往往具有更高的公司治理能力以及信息獲取能力,企業更容易獲得更高的TFP,而企業生產效率的提高也同樣有可能吸引更多的金融資源集聚,從而產生雙向因果問題。

借鑒其他學者的做法[22],本文采用兩種方法對雙向因果關系進行控制。一是以金融機構的增量D.Fin30 為解釋變量,以控制過去企業特征對當期金融機構數量的影響;二是將當期金融機構數量對上一期企業TFP進行回歸,提取回歸的殘差項R.Fin30,該殘差項表示為當期金融機構數量不受上一期企業TFP 影響的部分。表4(1)～(2)列的結果顯示增量D.Fin30 和殘差項R.Fin30 對企業TFP的回歸系數分別為0.257 3 和0.097 5,且至少在5%水平上顯著。上述結果表明,在控制了雙向因果關系的干擾后,結果依然穩健。

表4 內生性和穩健性

(三)穩健性檢驗

1.替換被解釋變量。為了排除指標選取的影響,本文選擇OP 法計算的企業TFP 作為被解釋變量的替代指標。表4 列(3)金融集聚對企業TFP 的回歸系數為0.090 7,在1%的水平上顯著為正。相比LP 法的回歸結果,OP 法獲得的金融集聚回歸系數值較小,可能的原因是LP 法與OP 法計算的TFP本身存在較大差異。

2.替換解釋變量。由于政策性銀行一般不發放貸款,上市公司一般很少在農村地區,因此剔除政策性銀行、農村合作銀行、農村信用社、村鎮銀行數據。同時,汽車金融公司、財務公司、金融資產管理公司等也不是企業主要的融資渠道,在眾多的金融機構中,上市公司和商業銀行的關系最為密切,因此文本從232480 家金融機構中剔除了25760 家非商業銀行金融機構,重新測算上市公司周邊30 公里范圍內金融機構的數量,作為解釋變量的替代指標。表4列(4)結果顯示:在剔除了其他非商業銀行金融機構后,金融集聚對企業TFP 的回歸系數為0.180 9,在1%水平上顯著,表明僅考慮商業銀行產生的金融集聚效應,本文的結果仍然具有穩健性。

3.替換模型。TFP 反映的是投入轉化為最終產出的總體效率,多數研究中將其表示為技術水平,或者更為寬泛地理解為技術水平、知識水平、管理技能、制度等,但無論是技術水平還是其他,這些因素在時間上往往存在一定的黏性,表現為TFP 在時間上產生了一定的序列相關性。本文將TFP 滯后一期納入基準模型,采用系統GMM 方法進行估計。估計模型如下:

其中,Tfpi,t-1表示TFP 的滯后一期變量,其他變量與符號與基準模型一致。表4 列(5)結果顯示TFP滯后一期的回歸系數在1%水平上顯著,說明企業生產中TFP 在時間上具有較高的正向相關性,金融集聚對企業TFP 的回歸系數為0.203 1,在1%水平上顯著,結論與前文保持一致。

(四)異質性分析

本文分別從金融機構異質性、企業異質性以及地區差異三個方面分析金融集聚對企業TFP 影響的差異。

1.金融機構異質性。通過對機構類別代碼的分析可以發現,在所有金融機構中,銀行類金融機構占比高達88.92%,結合現實情況,企業融資主要來源于銀行類金融機構,因此,金融機構異質性分析中包括的商業銀行有國有大型商業銀行、股份制商業銀行、城市商業銀行、農村商業銀行以及外資銀行。其中,城市商業銀行、農村商業銀行和外資銀行在部分省份未設立相應的金融機構,因此從樣本中將相應的上市公司剔除。表5 結果顯示上述5 類商業銀行除了農村商業銀行對企業TFP 無顯著影響外,其余4 類商業銀行均表現出顯著為正的回歸系數,其原因在于農村商業銀行貸款的對象主要是三農以及小微企業,并不屬于本文研究的范疇。對比結果還可以發現,國有大型商業銀行、股份制商業銀行以及城市商業銀行的集聚對企業TFP 的影響差別不大,而外資銀行集聚的影響明顯大于前面三者的影響。金友森等[23]以外資銀行進入中國各城市作為準自然實驗分析得出:外資銀行進入以后對企業TFP 的提高產生了6%的差異,這一結論與本文結果類似。

表5 金融機構異質性

2.企業異質性。本文將從企業受政府補貼的程度以及企業股權性質兩個方面進行分析。

第一,政府補貼是政府通過補貼的方式,對企業融資約束的適度調節和干預。一方面,政府補貼能夠釋放出積極的信號,政府往往會對具有較強發展潛力的企業進行補貼,金融機構獲得這些補貼信號后能夠更容易發現企業的發展潛力,提高其獲得信貸的可能性;另一方面,政府補貼降低了企業的融資約束,彌補企業的資金缺口,增加企業創新投入和規模擴張,進而提高企業的TFP。但也有學者認為尋租和腐敗行為會影響政府補貼的實施效果,存在補貼依賴癥的企業獲得補貼會影響政府補貼的實際效果,同時政府補貼受到企業決策者動機的影響,在監管不足的情況下,企業容易產生“過度購買”和“突擊花錢”等行為,這些行為也會抑制政府補貼效果。本文認為政府補貼在一定程度上會影響金融集聚對企業高質量發展的作用效果。從上市公司財務數據中獲取政府補貼數據,剔除政府補貼為0 的觀測值,選擇政府補貼合計項的自然對數作為企業政府補貼的代理變量log(sub),在基準模型中加入政府補貼以及金融集聚和政府補貼的交乘項。表6 列(1)回歸結果顯示交乘項的系數在1%水平上顯著為正,表明獲得政府補貼越多的企業,金融集聚促進TFP 的作用越大,政府補貼在一定程度上放大了金融集聚效應。

表6 企業和地區異質性

第二,股權性質是企業自身的重要異質特征。相比非國有企業,國有企業長期面臨預算軟約束,企業破產的可能性較小,在實現“撥改貸”和銀行商業化后,這種情況有所緩解,但并沒有根本消除[24],即使在資源傾斜的背景下,其表現依然比不上民營企業[25],而非國有企業目標更加明確,相應的激勵措施也更加完備。在“雙循環”戰略背景下,國有企業通過改革完善企業內部管理制度、優化激勵措施、引入各類資本發展混合所有制經濟,進而提高了企業TFP[26]。盡管如此,股權性質的異質性就決定了這種差異有可能縮小,卻不可能消失。因此,股權性質是不同企業獲取外部資源的一個重要內部特征,很可能對金融集聚效應產生影響。在基準模型中加入股權性質虛擬變量Soe以及金融集聚和股權性質的交乘項,當企業為國有企業時,Soe值為1,否則為0。表6 列(2)回歸結果顯示交乘項的系數在1%水平上顯著為負,表明金融集聚效應在不同股權性質的企業之間存在差異,對非國有企業TFP 的促進作用更大。

3.地區異質性①。本文從企業所在省份的數字經濟發展水平以及是否處于東部地區兩個方面進行分析。

第一,風險和信用是金融業發展的兩個重要方面,金融業屬于數據密集型行業,沒有數據金融機構就無法建立可靠的征信系統。傳統金融與金融科技的融合為金融機構的信息建設帶來了“增質提效”的優勢。這種優勢能夠在一定程度上緩解傳統金融暴露出的結構性錯配問題和靶向偏離問題[27],與此同時,數字經濟能夠倒逼金融部門轉型升級,提高資源的配置效率和風險管理能力[28]。因此,不同地區數字經濟發展程度不同,金融集聚所產生的集聚效應也會有所區別。借鑒潘為華等[29]的做法,采用數字經濟基礎設施、數字產業化、產業數字化、數字化治理四個一級指標構建2011—2019 年地區數字經濟發展指數作為數字經濟Digital的代理變量。表6列(3)回歸結果顯示交乘項的系數在1%水平上顯著為正,表明隨著數字經濟水平的提高,金融機構服務實體經濟的能力也在不斷提高。

第二,東部地區金融資源豐富,金融市場相對成熟。圖4 描述了30 公里范圍內上市公司周邊金融機構平均數量的變化趨勢。2000 年東部地區企業周邊金融機構平均數量不到中西部地區的2 倍,而僅僅到2005 年東部地區就超過中西部地區平均值的2 倍,這種差距更是在2010 年不斷擴大,一直到2020 年出現了縮小的趨勢。金融機構數量上的差異反映出的是金融集聚水平上的差異。因此,東部地區和中西部地區經濟發展水平的高低以及其他外部環境因素,在一定程度上也會影響金融服務實體企業的能力。在基準模型中加入東部地區虛擬變量East以及金融集聚和東部地區的交乘項,當企業位于東部地區時,East值為1,否則為0。表6 列(4)回歸結果顯示交乘項的系數在5%水平上顯著為正,表明東部地區金融資源更加充沛,金融基礎和配套設施更加完備,為金融集聚發揮其功效提供了必要的環境基礎,而中西部地區不僅金融集聚水平普遍較低,而且相應的配套也與東部地區存在一定的差距。

圖4 30 公里范圍內不同地區企業周邊金融機構平均數量

五、機制分析

為了進一步考察金融集聚影響企業TFP 的作用機制,本文嘗試從信息不對稱和銀行業競爭兩個視角對影響路徑展開研究。借鑒李春濤等[30]的思路構建模型:

其中,M表示銀企信息不對稱水平或企業周邊的銀行業競爭水平。測量信息不對稱指標ASY的方法如下:計算得出流動性比率指標、非流動性比率指標以及收益率反轉指標。對第一步獲得的三個指標進行主成分分析,根據主成分分析的結果,僅第一主成分的特征值大于1,因此提取第一主成分作為信息不對稱指標ASY,ASY值越大表明企業信息不對稱越嚴重。測量銀行業競爭采用的是赫芬達爾指數HHI,采用企業周邊30 公里范圍內不同銀行類金融機構的數量計算得出,指數越小表明企業周邊銀行業競爭越激烈。考慮到政府隱形擔保的存在,國有企業在融資過程中優勢較大,銀行向國有企業提供信貸的風險往往小于向非國有企業提供信貸的風險,側面反映出的現實就是非國有企業更容易陷入融資難、融資貴的困境。因此,銀行業競爭對非國有企業的影響要大于對國有企業的影響,銀行業競爭對金融機構集聚促進企業TFP 的影響機制在非國有企業樣本中會更加明顯。

表7 列(1)～(3)為信息不對稱的影響機制檢驗,列(4)～(6)為非國有企業銀行業競爭的影響機制檢驗。列(1)檢驗結果顯示金融機構集聚對信息不對稱的回歸系數在1%水平上顯著為負,表明金融機構集聚能夠緩解銀企之間的信息不對稱。列(2)中信息不對稱對企業TFP 的回歸系數在1%水平上顯著為負,表明信息不對稱的降低能夠提高企業TFP。列(3)交乘項系數在5%水平上顯著為負,表明金融機構集聚對企業TFP 的影響主要存在于信息不對稱水平較低的企業。列(4)檢驗結果顯示非國有企業金融機構集聚對銀行業競爭的回歸系數在1%水平上顯著為負,表明金融機構集聚能夠促進非國有企業周邊的銀行業競爭水平。列(5)中銀行業競爭對非國有企業TFP 的回歸系數在10%水平上顯著為負,表明更高的銀行業競爭水平能夠提高非國有企業TFP。列(6)交乘項系數在5%水平上顯著為負,表明金融機構集聚對非國有企業TFP 的影響主要存在于銀行業競爭程度較高的企業。對于國有企業,檢驗結果表明金融機構集聚雖然能夠顯著提高企業周邊的銀行業競爭水平,但銀行業競爭水平的提高卻不能顯著提高國有企業TFP。

表7 機制分析:信息不對稱和銀行業競爭

六、結論與政策啟示

本文用2011—2019 年A 股上市公司的數據,創新性地用不同年份上市公司周邊金融機構的數量衡量金融集聚水平,考察了企業層面金融集聚對實體企業高質量發展的影響。研究發現,微觀金融集聚能夠顯著提高企業高質量發展水平,且在測算距離為30 公里時這種效應最為明顯,超過75 公里微觀金融集聚效應不再明顯。在考慮內生性問題和一系列穩健性檢驗后結論依然成立。異質性分析結論顯示,國有大型商業銀行、股份制商業銀行、城市商業銀行以及外資銀行金融機構的集聚均對企業TFP產生正向影響,其中外資銀行的集聚對企業TFP 的影響較高;政府補貼或非國有企業特征能夠放大這種集聚效應,同時數字經濟的發展和企業所在的區位優勢也能夠提升這種集聚效應。機制分析表明,金融集聚效應能夠通過降低銀企信息不對稱和提高銀行業競爭水平兩種途徑促進企業高質量發展。

基于以上結論,得出如下政策啟示:

第一,合理優化金融機構布局,實現金融集聚效應最大化。金融機構集聚對企業高質量發展具有顯著促進作用,而不同范圍內金融機構的數量對企業高質量發展作用的效果明顯不同。一方面,要繼續推動金融機構集聚進程,在地方經濟發展水平的基礎上最大化金融集聚水平;另一方面,要對金融資源合理布局,避免過度集中或過度分散。本文對企業周邊金融機構范圍的分析可以為地方金融資源布局提供一定的參考,地區發展要進一步改善金融產業招商體系,尤其是中西部地區,更要著重改善當地的金融生態環境。加大對外資金融機構的重視程度,優化相關的服務機制。

第二,發揮政策引導作用,促進金融體系增質提效,強化金融集聚對實體企業的服務能力。政府補貼會向公眾傳遞出“良好市場潛力”的信號,間接影響金融資源的傾斜力度。因此,堅持良好的政府補貼政策,完善補貼資格審查機制,做好補貼事后評估,發揮好政府補貼政策的信號作用。與此同時,根據各地區不同的資源稟賦,因地制宜,統籌協調發展數字經濟。加大對落后地區和省份的扶持力度和基礎設施建設,進一步將數字要素融入金融體系,促進數字經濟對金融體系的增量補充和存量優化作用,降低企業融資成本,提高資源配置效率,更好地發揮金融集聚對企業高質量發展的促進作用。

注釋:

①東部:京、津、冀、遼、滬、蘇、浙、閩、魯、粵、瓊;中部:晉、吉、黑、皖、贛、豫、鄂、湘;西部:內蒙古、滇、川、渝、貴、陜、甘、寧、新、藏、桂、青。