——基于融资约束和长投短贷视角

马文栋1   王若懿2

1.天津财经大学金融学院   天津 300222

2.天津财经大学国际工商学院   天津 300222

基金项目：教育部人文社会科学研究规划基金项目“跨境资本流动加剧背景下人民币汇率政策选择研究”（17YJA790024）

摘要：提升中小企业经营效率是促进经济转型升级、推动经济高质量发展的重要动力。选择2011-2019年沪深两市中小板上市公司为样本检验金融科技对中小企业全要素生产率的影响和机制。研究表明：第一，金融科技可以通过缓解中小企业的融资约束来提升企业全要素生产率；第二，金融科技可以通过抑制中小企业的长投短贷行为来提升企业的全要素生产率。对样本进一步分组检验发现，金融科技抑制长投短贷的效果在金融化程度较低的企业、政府监管水平较高地区的企业更明显，而对于创新型企业，金融科技缓解融资约束的效果会更明显。

关键词：金融科技；全要素生产率；融资约束；长投短贷

一、文献综述

金融科技一直是国内外学者的重点研究对象，在金融科技的研究中，发现金融科技衍生出来的金融科技公司会抢占市场份额，加剧银行竞争，而金融机构利用技术来弥补缺失信息，提升市场的信息效率的同时，获取用户的真实背景信息以及科学的风险定价来纠正金融错配问题。

对企业全要素生产率和金融科技之间的研究进行梳理，现有研究大多关注金融科技通过技术创新、信息效率、融资等方面对企业全要素生产率的影响，仍存在以下不足：一、较少有文献从生产要素的视角来研究金融科技对企业全要素生产率的影响；二、现有文献缺少从长投短贷渠道来研究金融科技对全要素生产率的影响路径；三、很少有文献研究金融科技对中小企业的全要素生产率的影响。

针对以往文献的不足，本文的创新之处在于：着重研究金融科技通过融资约束、长投短贷这两个路径来反映金融科技对企业对生产要素的获取和分配的影响进而来探究对全要素生产率的影响，通过中介效应模型来研究金融科技对企业全要素生产率的影响路径。使用中小板企业的相关数据，克服以往文献在中小企业方面金融科技与全年要素生产率关系内容的缺少，聚焦国家重点关注问题。

二、研究假设

金融系统通过风险管理、资源配置和监督管理来帮助企业进行生产要素的积累和技术的创新，进而提高生产效率，在以往传统的金融模式下，中国资本市场很难收集精准数据，发布信息的质量较低，企业发展受到阻碍，而金融科技所带来的新兴技术可以推动技术的进步、加快了信息流通的效率，提升银行的信息挖掘能力、资本市场效率和企业自身的风险管理能力、财务决策能力，致使企业的全要素生产率上升。

基于上述分析，提出假设1：

H1：金融科技可以提升企业的全要素生产率。

金融科技融资模式扩大了金融服务范围，使长尾企业得到了金融服务，拓宽了企业的融资渠道，增加了银行之间的竞争，缓解了融资约束。金融科技帮助企业建立了信用记录，提升了企业的信用度，从而更容易获取正规融资，也能利用支付、结算系统与其他互联网融资平台进行合作，促进信贷约束的缓解，从企业的微观层面上缓解了融资约束，企业的融资约束过大时，企业的经营和项目也会受到损失，最终降低企业的效率，所以融资约束会抑制企业全要素生产率的上升。

基于上述分析，提出假设2：

H2：金融科技通过缓解融资约束来提升企业的全要素生产率

金融科技还可以降低公司长期资金的融资约束来阻止企业的长投短贷行为，金融科技加剧了银行间的竞争，反过来促使银行开始挖掘企业的信息，提供给企业高质量低成本的金融服务，缓解企业的长期资金的融资约束。从监督管理的角度来讲，金融科技可以抑制企业的过度投资来抑制长投短贷，大数据技术可以抓取企业真正的资金需求，从而通过监督企业管理者来约束企业的过度投资。

基于上述分析，提出假设3：

H3：金融科技通过抑制长投短贷来提升企业的全要素生产率。

三、研究假设和设计

（一）模型设定

（二）变量说明

1.解释变量：金融科技指数（Financial Technology，FinTech）

本文采用谢绚丽等（2018）的方法，用北京大学数字金融研究中心测算的2012-2019年市级层面的数字普惠金融指数来衡量地级市的金融科技发展水平，北京大学是用蚂蚁集团的数据计算出“数字普惠金融指数”，可以很好地反映各城市、银行等金融机构的金融科技应用水平。

2.被解释变量：企业全要素生产率（TFP_LP）

本文选择半参数法来计算企业全要素生产率，因为半参数法可以更好地解决TFP估计过程中的联立性偏误（盛明泉，2018），所以采用半参数法更加合理，半参数法包括OP估计法和LP估计法，本文用LP法进行作为主要被解释变量，用OP估计法作稳定性检验。

3.中介变量

（1）融资约束（WW）

目前的文献对融资约束的测量有三种指数：KZ指数、WW指数、SA指数，但构成 KZ 指数中代表企业投资机会的托宾Q值通常都具有非常大的测量误差（石璋铭，2015），SA指数的计算过程只包含企业规模、企业年龄两个变量，其有效性被学者质疑，所以本文决定用WW指数来衡量企业的融资约束。

（2）长投短贷（Seli）

本文借鉴Frank和Goyal（2004）的计算公式，采用如下公式来计算体现企业长投短贷的变量：“购置固定资产等投资活动的现金支出－（长期借款本期增加额+本期权益增加额+经营活动现金净流量+处置固定资产等长期资产的现金流入）”，并使用上一年的总资产数值对其进行标准化处理。

4.控制变量

关于控制变量，本文分别从企业和区域两个方面来实施控制。企业层面：采用企业年龄的对数（Year）和企业员工人数的对数（Lnemp）来表示企业规模，固定资产比例（Currate）来表示企业的流动性，资产负债率（Leverage）表示企业的资本结构，资产收益率（ROA）表示企业的盈利能力，第一大股东持股比例（Top1）来表示股权结构，用交易成本（Cost）来表示企业的经营管理水平。区域层面：用大学生人数除以城市总人口得到的比值再取对数来衡量人力资本（hum）表示地区的发展潜力，人均实际GDP（GDP）取对数来表示地区发展水平。

（三）样本数据

数据来自WIND数据库、CSMAR数据库、RESSET金融数据库、EPS全球数据库、中经网、中国统计年鉴。本文以沪深两市中小板上市公司作为研究对象，构建2011-2019年面板数据，剔除数据缺失的上市公司、得到604家观测样本，普惠金融指数源于北京大学数字普惠金融指数课题组。同时，本文对所有变量数据都在1%和99%的分位数水平上进行了缩尾处理用以避免异常值的影响。

三、实证结果分析

（一）描述性统计

变量描述性统计结果如表1所示。由表1可知，企业全要素生产率(TFP)的均值为 9.030,最大值为13.31,最小值为6.507,标准差为0.944,说明样本企业之间统计的时间内和区域内的TFP有一定差距，有一定进步的空间；金融科技指数(FinTech)的最大值为334.5,最小值仅为34.97,平均值为219.0,说明研究地区的金融科技发展程度不平衡，个别地区明显领先于其他地区。

表1 变量的描述性统计

（二）相关性分析

对变量进行相关性分析结果显示，金融科技指数(FinTech)与企业全要素生产率(TFP)显著正相关性，一定程度上验证了假设1，但由于未对其他变量的影响进行控制，因此需要对其进行进一步分析。

（三）基准回归结果

首先检验假设1，表2的2-4列分别为不加入控制变量、只控制企业层面因素以及同时控制企业微观层面因素和地方宏观层面因素的基准回归结果，结果显示金融科技指数（FinTech）的系数都在5%的水平上显著为正，这表明金融科技显著提高了全要素生产率，验证了研究假设1。

表2 基准回归检验结果

注:***p<0.01,**p<0.05,*p<0.1，括号内为稳健性标准误

（四）中介效应分析

1.融资约束

如理论分析所述，金融科技影响企业全要素生产率的途径是融资约束，近年来金融科技技术的不断成熟为缓解信息不对称带来可能，同时金融科技融资模式包含政府、互联网公司和银行等主体，B2B、P2B等互联网平台和银行信贷等融资平台也为企业增添了融资平台，因此，金融科技对企业全要素生产率的影响也可以通过融资约束传导的。为进一步明确H2的影响路径，设计中介效应模型来检测，对于中介变量的检验，采用模型（2）-（3） 检验数字金融对企业全要素生产率的影响。

从表3的模型（2）中科技金融的系数估计值在1%的显著性水平下显著为负，说明科技金融对中介变量融资约束具有负向抑制作用。模型（3）中变量金融科技和融资约束的系数估计值一个为正一个为负，且两个变量都在1%的显著性水平下显著。由此说明，中介变量科技创新对科技金融起到了部分中介效应，由此得出结论，金融科技是不完全通过融资约束来影响企业全要素生产率。

表3  融资约束的中介效应检验结果

注:***p<0.01,**p<0.05,*p<0.1，括号内为稳健性标准误

2.长投短贷

如理论分析所述，一方面金融与新兴技术的深度融合，提高了资本市场的信息效率、降低了交易成本，缓解资金需求来抑制长投短贷的，另一方面金融科技催生出来的金融科技公司进入资本市场，增加了银行间的竞争，从而缓解公司长期资金的融资约束来抑制长投短贷，因此，金融科技对企业全要素生产率的影响是通过抑制长投短贷传导的。为进一步明确H3的影响路径，设计中介效应模型来检测，对于中介变量的检验，采用模型（1）、（4）、（5）检验数字金融对企业全要素生产率的影响。

根据表4的模型（4）中科技金融的系数估计值在1%的显著性水平下显著且为负，说明科技金融对中介变量长投短贷具有抑制作用。模型（5）中变量金融科技和长投短贷的系数估计值一个为正一个为负，其中长投短贷的系数在1%水平下显著，金融科技的系数估计值在1%水平下显著，由此说明，中介变量长投短贷对科技金融起到了部分中介效应，由此得出结论，金融科技是不完全通过长投短贷来影响企业全要素生产率。

表4  长投短贷的中介效应检验结果

注:***p<0.01,**p<0.05,*p<0.1，括号内为稳健性标准误

（五）异质性分析

1.金融监管

为了进一步分析金融科技的作用，本文按照区域金融监管支出金融业增加值来衡量金融监管强度，按样本中位数划分，将样本分为高监管强度和低监管强度，考察金融科技对企业全要素生产率的长投短贷中介效应是否存在差异。结果发现金融科技对高金融监管区域企业长投短贷的回归系数为-0.0001378，小于低金融监管区域的-0.0003125，且效果显著。这表明尽管金融科技给低金融监管企业所带来的长投短贷抑制效应更大。

2.金融化

本文用(存贷款余额+ 股票市价总值+保费收入) /GDP来衡量金融化水平，按样本中位数划分，将样本分为高金融化和低金融化，考察金融科技对企业全要素生产率的长投短贷中介效应是否存在差异。结果显示金融科技对高金融化企业长投短贷的回归系数为-0.0000535，绝对值明显小于低金融化区域的-0.0002886，且只在低金融化的效果显著。这表明尽管金融科技给低金融化企业所带来的长投短贷抑制效应更大更显著。

3.创新企业

本文按照来衡量《高新技术企业认定管理办法》和国内已有研究针对创新企业的界定，定义证监会行业分类 C27、C39、I、M 的上市公司为创新企业，将样本分为创新型企业和非创新型企业两组，考察金融科技对企业全要素生产率的融资约束中介效应是否存在差异。结果表示金融科技对创新型企业融资约束的回归系数为-0.0233228，绝对值大于非创新型企业-0.0188224，且都显著。这表明尽管金融科技不同程度地对创新型企业和非创新型企业的融资约束均产生显著的缓解作用，但给创新型企业所带来的融资约束缓解效应更大。

（六）稳定性检验和内生性处理

为保证本文实证结果的稳健性，本文使用一系列方法进行稳健性检验，具体操作如下：

1.替换法

为保证研究结果的可靠性和严谨性，用替换法，对样本和变量进行替换从而进行稳定性检验，操作如下：（1）更换被解释变量，使用OP法来测算企业的全要素生产率。（2）更换核心解释变量的统计口径，采用省级金融科技指数来进行回归。（3）同时更换解释变量和被解释变量进行回归。（4）选择不同的样本，因为中国的直辖市存在较大的经济特殊性，直辖市的金融科技发展水平有可能存在较大差异，因此删除直辖市样本重新进行回归检验，这些方法的实证结果发现，本文结论非常稳健。2.样本替换法

2.工具变量法

由于金融科技指数为宏观变量，很难受到企业的微观行为的影响。本文用金融科技的滞后两期项和一阶差分项作为工具变量，使用两步系统GMM法去解决内生性问题。最终发现工具变量满足相关性要求且不存在弱工具变量问题以及数字金融指数的回归系数显著且为正，故本文的实证结论有稳定性。

四、研究结论与政策建议

本文得到的启发如下：第一，从经济发展全局进行考虑，要加强新兴技术与金融体系深度融合，同时，强化金融科技对实体经济的反哺力度，帮助金融机构应对危机，考虑到不同类型的企业，应不断调整、优化金融科技的结构，打造多元化金融科技业态。第二，推进金融科技与传统金融同步发展，前沿技术可以解决传统金融困境，对传统金融服务进行升级，创造透明又公平的投、融资环境，利用新兴科技助力解决融资约束与长投短贷问题，提高企业创新活力与投资效率。第三，加大金融监管的力度，通过更加全面、有效率的金融监管来降低潜在金融科技所产生的金融风险发生的概率，同时注重对中小企业的金融监管制定，保障中小企业的顺利发展。

参考文献：

[1]任曙明，吕镯.融资约束、政府补贴与全要素生产率——来自中国装备制造企业的实证研究[J].管理世界,2014(11):10-23+187.

[2]谢绚丽等.数字金融能促进创业吗?——来自中国的证据[J].经济学(季刊),2018,17(04):1557-1580.

[3]盛明泉，任侨，鲍群.“短贷长投”与全要素生产率关系研究[J].亚太经济,2020(01):116-126+152.

[4]石璋铭，谢存旭.银行竞争、融资约束与战略性新兴产业技术创新[J].宏观经济研究,2015(08):117-126.

[5]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):1-12.