數字普惠金融與中小企業科技創新

黃尉洲

(蘇州大學 江蘇蘇州 215021)

1 引言與綜述

黨的二十大報告指出，“創新是第一動力”[1]。科技創新可以促進經濟發展，提高國家競爭力。中小企業以靈活的創新機制和敏銳的市場洞察力，在推動科技創新方面發揮著重要作用。科技創新的過程中需要大量資金投入，然而由于資金供給方與中小企業之間存在嚴重的信息不對稱[2]，以及中小企業經營風險、融資規模小等因素[3]，在科技創新過程中面臨一定程度的融資約束。

什么是融資約束？Fazzari 等(1988)認為[4]，融資約束是指因為金融市場不完善，企業外部融資成本過高，投資過分依賴企業內部資金，不能達到最優情況。鄧可斌和曾海艦(2014)認為[5]，融資約束是指企業獲取資金的困難程度，這一概念是相對企業的投資機會而言的。

2005年，聯合國首先提出普惠金融這一概念，重點針對中小企業、農民等弱勢群體。2016年，G20杭州峰會指出，希望優先通過數字化來發展普惠金融，這是數字普惠金融這一概念第一次被正式提出。數字金融所展示的最大優勢是支持普惠金融的發展[6],數字普惠金融是利用新型數字金融模式的普惠金融服務[7]，是金融普惠、數字普惠和社會普惠的交集[8]。

目前，學術界研究傳統普惠金融相對較多，研究數字普惠金融對中小企業的影響較少，且不夠深入。梁榜和張建華(2018)[9]、喻平和豆俊霞(2020)、文紅星(2021)認為，數字普惠金融能夠緩解中小企業的融資約束；唐松等(2020)、朱俊豐(2023)、王剛和陳迪(2023)認為，數字普惠金融能夠促進中小企業科技創新；謝雪燕和朱曉陽(2021)、劉靖宇等、任縉等認為，數字普惠金融可以促進中小企業高質量發展。現有文獻大多研究滬深主板上市公司，這些公司往往規模較大、融資較易、科技創新水平較高，不能充分體現數字金融的普惠性，不能準確反映數字普惠金融對中小企業的影響。為此，本文將2011—2020年數字普惠金融指數、融資約束指數和科創板、創業板與北證A股公司的其他數據相匹配，研究數字普惠金融發展是否對中小企業科技創新產生促進作用，并探究不同區域之間是否存在差異，以及融資約束是否產生中介效應。

2 理論分析與研究假設

中小企業的科技創新需要大量持續穩定的資金支持。數字普惠金融利用大數據、人工智能等數字技術，通過風險識別與評估，緩解了信息不對稱等問題，有利于中小企業獲得貸款用于研發；利用互聯網平臺進行交易，降低了交易成本，提高了交易效率；拓寬了融資渠道，打破了地域限制，實現了資金供求的適度匹配[14]。據此，本文提出以下假設：

H1：數字普惠金融可以促進中小企業科技創新。

中西部地區經濟發展相對滯后，傳統金融服務的覆蓋面和滲透率較低，數字普惠金融的發展可以彌補傳統普惠金融的缺陷，為中小企業提供更高效的金融服務。中西部地區金融市場發育相對不成熟，數字普惠金融可通過大數據、人工智能等技術手段，對中小企業進行更精準的信用評估和風險控制，為其提供更靈活的金融服務。中西部地區交通不便、信息不對稱等問題較為突出，傳統金融服務難以覆蓋到這些地區，數字普惠金融可通過互聯網平臺、移動金融等渠道，為這些地區的中小企業提供更廣泛的金融服務。據此，本文提出以下假設：

H2：數字普惠金融促進中小企業科技創新的影響在中西部地區更顯著。

數字普惠金融創新了多種金融產品和服務，如互聯網金融等，有助于降低中小企業的融資成本[10]，進而加大研發投入力度；數字普惠金融通過大數據、人工智能等技術，全面系統地評估中小企業的信用狀況，提高融資成功率，緩解融資約束，進而支持科技創新；數字普惠金融借助互聯網技術，實現了快速、高效的金融服務，企業可通過在線申請、審批和放款等流程，快速獲得所需資金，進而促進科技創新。據此，本文提出以下假設：

H3：數字普惠金融通過緩解融資約束促進中小企業科技創新。

3 研究設計

3.1 數據來源

本文選取2011—2020年科創板、創業板和北證A股公司數據，并進行了以下處理：(1)剔除數據存在缺失的樣本；(2)剔除研究期間被ST或*ST或退市的樣本；(3)剔除金融類公司；(4)為避免離群值的影響，在1%和99%兩個分位點對連續型變量進行縮尾處理。經過處理后，得到包含SA指數的4945條數據和包含互聯網分省普及率的2109條數據。數字普惠金融指數省級數據(2011—2020年)來自北京大學數字金融研究中心官方網站，互聯網分省普及率(2011—2016年)來自中國互聯網絡信息中心官方網站，其他數據包括SA指數、資產負債率、管理費用率等均來自國泰安數據庫。本文運用STATA17等軟件對數據進行統計與實證分析。

3.2 變量定義

3.2.1 被解釋變量

科技創新水平(RD)：參照王剛和陳迪(2023)[14]的研究，選擇研發強度作為被解釋變量來反映中小企業的科技創新水平。

3.2.2 核心解釋變量

數字普惠金融(Fin)：參照郭峰等，采用北京大學數字金融研究中心發布的2011—2020年省級的數字普惠金融總指數(DIFTI)、覆蓋廣度指數(CovDIF)、使用深度指數(UseDIF)和數字化程度指數(DigDIF)來衡量。

3.2.3 控制變量

控制變量(Control)：參考已有文獻，設定如表1所示。

表1 控制變量說明

3.2.4 工具變量

互聯網分省普及率(IPR)：參照謝絢麗等的研究，互聯網分省普及率反映了各省金融服務基礎設施的水平，與數字普惠金融所需技術支持服務密切相關，且與中小企業科技創新不直接相關,因此選擇互聯網分省普及率作為工具變量。

3.2.5 中介變量

融資約束水平(FC)：對于融資約束的度量，目前學術界主要有兩種方式：單指標判別方法和多指標判別方法。單指標判別方法包括財務松弛、公司規模、利息保障倍數等。多指標判別方法包括ZFC指數、KZ指數、WW指數、SA指數等。本文參照鞠曉生等的研究，使用SA指數作為衡量企業融資約束程度的指標。SA指數只使用企業總資產(Size)和企業年齡(Age)兩個變量，避免像其他指數那樣可能存在較多內生性變量。本文使用國泰安數據庫中已經計算好的SA指數，計算時企業總資產(Size)以百萬元為單位，計算公式如下：

3.3 模型構建

為研究數字普惠金融與中小企業科技創新之間的關系，本文參照劉靖宇等的研究，采用控制行業、地區、年份的固定效應模型，設定基準回歸模型如下：

進一步地，為檢驗數字普惠金融與融資約束和中小企業科技創新之間的內在關系，本文參照溫忠麟和葉寶娟(2014)的研究，構建以下中介效應模型：

式(3)(4)中：i表示中小企業，t表示年份；Finit表示第i個企業所在的省份在第t年的數字普惠金融發展水平；Ind、Area、Year分別表示行業、地區、年份固定效應；itε表示隨機擾動項，參數 1α表示Fin對RD的總效應；參數 1β表示Fin對FC的效應；參數 2γ表示在控制了Fin的影響后，FC對RD的效應；參數 1γ是在控制了FC的影響后，Fin對RD的直接效應。在該中介效應模型中，中介效應等于間接效應，即等于。參照MacKinnon 等的研究，總效應等于直接效應加上間接效應，即。

4 實證結果分析

4.1 描述性統計

IPR有2109個有效樣本，其余變量有4945個有效樣本；RD極差和標準差較大，表明中小企業之間科技創新水平存在較大差異；DIFTI、CovDIF、UseDIF、DigDIF、IPR極差和標準差較大，表明不同省份之間數字普惠金融發展水平和互聯網普及率存在較大差異；SA最小值為-4.24679，最大值為-3.21269，均值為-3.68398，標準差為0.216121，表明中小企業存在較大的融資約束，且融資約束水平在不同中小企業之間存在較大差異。

4.2 基準回歸結果分析

首先，在不加入控制變量且不控制行業、地區和年份固定效應情況下，將DIFTI作為核心解釋變量的代理變量進行回歸，結果如表2列(1)所示。DIFTI的系數為正，且在1%水平下顯著，初步驗證H1，但R-squared為0.0128，說明擬合程度較低。其次，在不加入控制變量但控制行業、地區和年份固定效應情況下，將DIFTI作為核心解釋變量的代理變量進行回歸，結果如表2列(2)所示。DIFTI的系數為正，驗證了H1，但系數并不顯著。最后，在加入控制變量且控制行業、地區和年份固定效應，對基準回歸模型(即模型(2)進行回歸，Fin分別用代理變量DIFTI、CovDIF、UseDIF和DigDIF來衡量，結果如表2列(3)～(6)所示。由于DIFTI、CovDIF、UseDIF和DigDIF的系數均為正，且DIFTI、UseDIF的系數在5%水平上顯著，CovDIF、DigDIF的系數在10%水平上顯著，說明數字普惠金融對中小企業科技創新有促進作用，H1得以驗證。以上所有回歸聚類穩健標準誤都聚類到行業層面。

表2 基準回歸模型結果

4.3 穩健性檢驗

4.3.1 兩階段工具變量法

為了避免核心解釋變量的內生性問題，本文采用兩階段工具變量法重新回歸，結果如表3所示，仍然穩健。

表3 兩階段工具變量法

4.3.2 核心解釋變量滯后一期

為避免數字普惠金融與中小企業科技創新之間存在反向因果關系，本文將DIFTI滯后一期，結果如表4所示，仍然穩健。

表4 核心解釋變量滯后一期

4.3.3 子樣本回歸

考慮到直轄市的特殊性，本文刪除直轄市樣本后重新回歸；考慮到2020年新冠疫情對中小企業產生較大影響，故刪除2020年的樣本后重新回歸，結果如表5所示，仍然穩健。

表5 刪除直轄市樣本和刪除2020年樣本回歸結果

4.4 異質性分析

根據我國當前四大經濟分區標準，按照企業注冊地將樣本劃分為東部地區與東北地區(統一為東部地區)、中部地區與西部地區(統一為中西部地區)兩組分別進行回歸，以驗證H2。聚類穩健標準誤均聚類到行業層面，結果如表6所示，DIFTI系數均在10%水平上顯著，且列(2)DIFTI系數比列(1)大。同時，在不進行分組、替換部分控制變量的情況下，引入虛擬變量Western(中西部地區取1，東部地區取0)和交互項DIFTI ×Western ，交互項系數在10%水平上顯著，驗證了H2。

表6 分組回歸結果

4.5 中介效應分析

本文選擇SA作為FC的代理變量對模型(3)、(4)進行回歸，聚類穩健標準誤聚類到行業層面，結果如表7所示。鞠曉生等指出，當SA 指數為負時，SA 指數越小，企業受到的融資約束程度越嚴重。所以，由模型(3)回歸結果中DIFTI的系數大于零，且在1%水平上顯著，可知數字普惠金融對中小企業融資約束程度有緩解作用。本文參照溫忠麟和葉寶娟提供的中介效應檢驗的流程。首先，在模型(2)中，DIFTI的系數在5%水平上顯著，則按中介效應立論, 而不按遮掩效應立論；其次，在模型(3)中，DIFTI的系數在1%水平下顯著，且在模型(4)中SA的系數在5%水平上顯著，則間接效應顯著；再次，在模型(4)中，DIFTI的系數在5%水平上顯著，則直接效應顯著；最后，模型(3)中DIFTI的系數和模型(4)中SA的系數的乘積與模型(4)中DIFTI的系數同號，證明存在部分中介效應，且中介效應占總效應的比例為3.45%，H3得以驗證。

表7 中介效應分析

5 結語

綜上所述，數字普惠金融的發展促進中小企業科技創新，這種影響在中西部地區更為顯著，融資約束水平產生了一定的中介效應。基于上述結論，本文提出以下建議：(1)推動傳統金融機構數字化轉型，提升數字普惠金融發展水平；(2)加大對中西部中小企業的政策扶持力度，讓數字普惠金融推動區域經濟平衡發展；(3)加強對數字普惠金融這一新領域的監管，確保信貸市場公平有效，緩解中小企業在科技創新過程中融資困難的問題。

在數據的選取上，本文選擇上市公司中的中小企業，但考慮到大部分中小企業并未上市，未來應采取實地調研、發放問卷等方式獲取一手資料，展開相關研究。