劉興華　吳晟婕

摘? ?要：基于2011—2021年A股上市公司樣本數據，探討數字金融發展對企業產能利用率的影響機理。研究發現，數字金融發展能夠顯著提高企業的產能利用率，促進技術創新、改善資源錯配和抑制過度投資是數字金融發展提高企業產能利用率的作用渠道。異質性分析發現，數字金融發展對企業產能利用率的提升作用在融資約束較大企業、高科技企業及市場化程度較低地區企業中表現得更為明顯。適當的金融監管能夠引導數字金融正外部性的發揮，助力數字金融發展對企業產能利用率的提升作用。據此提出大力推進數字金融發展、深化供給側結構性改革、增強數字金融監管力度和提升企業質量管理能力等政策建議。

關鍵詞：數字金融；產能利用率；信息不對稱；過度投資；金融監管

中圖分類號：F830.91? ?文獻標識碼：A? 文章編號：1674-2265（2024）01-0035-09

DOI：10.19647/j.cnki.37-1462/f.2024.01.004

一、引言

近年來，我國數字經濟發展迅速，取得了舉世矚目的成就，成為經濟增長的重要引擎。黨的二十大報告提出：“加快發展數字經濟，促進數字經濟和實體經濟深度融合，打造具有國際競爭力的數字產業集群。”數字金融是金融與信息科技的融合，通過數字技術的廣泛應用，對金融業進行變革和再升級，能夠突破傳統金融發展瓶頸，降低企業資金成本，拓寬金融服務域面，滿足市場主體金融服務需求，對于推動經濟高質量發展發揮了重要作用（滕磊和馬德功，2020）[1]。長期以來，我國傳統粗放型經濟增長方式降低企業生產績效，造成嚴重的產能過剩，成為經濟高質量發展的掣肘因素。那么，數字金融發展是否會對產能承載的微觀主體企業產生影響？若是，數字金融發展影響企業產能利用率的內在機理和傳導路徑如何？研究兩者之間的關系，對于促進數字金融發展、化解企業產能過剩問題和推進高質量發展具有重要的理論意義和實踐價值。

現有關于數字金融的研究，大多圍繞其經濟效應進行，數字金融通過優化數據要素提升資金配置效率，促進經濟高質量發展（Beck等，2018）[2]，提高居民收入和消費水平（張勛等，2020）[3]，提升企業技術創新能力（唐松等，2020）[4]。關于數字金融與企業生產率的研究不多，主要聚焦于數字金融與企業全要素生產率的關系，認為數字金融能夠緩解融資約束，激勵技術創新，為提升全要素生產率提供驅動力（段軍山和高雯玉，2022）[5]。現有關于企業產能利用率的研究，主要從市場失靈（Abrahamson和Rosenkopf，1993）[6]、政府干預（徐業坤和馬光源，2019）[7]和企業行為（韓國高等，2022）[8]視角展開，但無論基于何種視角，最終都表現為過度投資引發企業產能過剩，進而導致低下的產能利用率。持續推進技術創新是解決這一問題的關鍵所在（韓國高，2017）[9]，數字金融發展能夠推動企業技術創新，為數字金融發展與產能利用率之間關系的研究提供了基礎。此外，數字金融發展能夠優化金融資源配置，擴大金融業務范圍，提升金融服務效率（封思賢和徐卓，2021）[10]，從而提高企業產能利用率（Han和Shen，2015）[11]。

基于此，本文利用我國2011—2021年A股上市公司數據，采用雙向固定效應模型，探討數字金融發展對企業產能利用率的影響以及作用機制。可能的邊際貢獻主要有：第一，聚焦數字金融發展對企業產能利用率的影響，豐富和拓展數字金融的微觀效應研究，為提升產能利用率提供一定的決策依據。第二，揭示數字金融發展對企業產能利用率可能的作用機制，為數字金融服務實體經濟和促進高質量發展提供參考依據。第三，嘗試將金融監管納入研究范式，重點考察金融監管在數字金融發展提升企業產能利用率中的作用，增強研究結論的科學性和有效性，為完善我國金融監管制度提供理論支撐。

二、理論分析與研究假設

伴隨經濟數字化發展，數字金融出現普及化趨勢，可從需求側和供給側對企業產能利用率產生影響。從需求側視角看，數字金融的互聯互通屬性突破了消費的時空限制，激活潛在的消費者，可為偏遠地區提供完善的個性化服務；數字金融的網絡經濟特性促使市場交易活動全天候高效進行，在“擴面”的同時“提質”，擴大市場有效需求。數字金融發展引發需求側的擴張，避免產品滯銷，減少企業閑置產能，提高企業產能利用率。從供給側視角看，一方面，數字金融綜合運用大數據、云計算、區塊鏈等技術，重塑要素流動格局，提高數據資源的可獲得性，為市場活動提供更為全面和準確的信息，減少信息不完全約束下非理性投資造成的投資“潮涌”，進而增強企業供給能力，抑制企業過剩產能的形成，提高企業的產能利用率。另一方面，數字金融發展能夠發揮“長尾效應”，以低成本將金融服務重點面覆蓋到“長尾”群體，從而擴大市場上的資金供給，加之數字金融發展可以緩解借貸過程中的信息不對稱（Goldstein等，2019）[12]，有效降低企業面臨的融資約束（解維敏等，2021）[13]，為企業的生產經營提供充沛資金，降低邊際生產成本，提高企業生產效率，進而提升企業的產能利用率。基于此，提出假設H1。

H1：數字金融發展促進企業產能利用率提升。

數字金融依托數字技術優勢，提高金融市場透明度，規避信貸雙方“事前”的逆向選擇，進而降低風險識別成本，為價值型技術創新項目提供資金支持，緩解企業面臨的“融資難、融資貴”問題；數字金融基于區塊鏈技術手段，對技術創新資金用途持續監督，亦可緩解“事后”的道德風險問題，有利于激發企業創新潛能，提高企業技術創新水平（謝雪燕和朱曉陽，2021）[14]。基于網絡經濟理論，數字金融利用數字化轉型契機，深度挖掘網絡系統中的海量交易數據，從中識別出有投資價值的項目，助力企業實現最優的技術創新路徑，提高企業的信息獲取和數據分析能力，有利于企業更科學地做出研發創新決策。企業積極推進技術創新，可以通過提高產品核心競爭力來擴大市場份額，也可以通過原有設備的改造升級來淘汰落后產能，既擴張市場需求，又增加產品供給，兩者交互疊加產生提升產能利用率的正向效應（馮長春等，2020）[15]。基于此，提出假設H2。

H2：數字金融發展通過促進技術創新來提高企業產能利用率。

我國傳統金融發展過程中，出現了較為嚴重的資源錯配現象，部分大型企業享有特權地位，從金融機構獲取大量低息貸款，而較具成長性的中小企業被排斥于正規金融之外，難以獲取低成本資金，金融市場呈現出低效的資源配置狀態（韓珣和李建軍，2020）[16]。數字金融借助金融科技力量，拓寬傳統金融的服務邊界，運用定向發力和精準滴灌方法，增大中小企業獲取信貸融資的可能性，提高資金的利用率和邊際產出，提升資源要素整體的適配度（Gomber等，2017）[17]。數字金融驅動金融機構創新發展，改進信貸風險評估方式，降低銀企間的信息不對稱程度，實現金融資源與企業項目的有效匹配，最大限度地發揮金融資源的邊際效用，改善業已存在的信貸資源錯配（Demertzis等，2018）[18]。資源錯配的改善促使金融資源由“僵尸”企業流向高效率企業，進而提高企業的產能利用率。基于此，提出假設H3。

H3：數字金融發展通過改善資源錯配來提高企業產能利用率。

數字金融應用海量數據，多維度地挖潛企業之間的關聯，通過信息流和現金流的整合，實施常態化動態監測，進而為目標企業進行精準畫像，有助于降低投資中的信息不對稱，減少“潮涌”投資所帶來的過度投資，表現為數字金融對企業投資過度的抑制效應。同時，數字金融可以緩解企業內部的委托代理問題，增進股東和管理層以及管理層之間的信息溝通，信息透明度提升促使市場和媒體等外部監督更加高效，減少管理者出于私利做出的盲目投資決策，在優化資源配置的基礎上提高投資效率，進而抑制企業的過度投資行為，這對于理順要素價格、消解產能過剩和提高企業產能利用率產生重要的影響（翟淑萍等，2022）[19]。基于此，提出假設H4。

H4：數字金融發展通過抑制過度投資來提高企業產能利用率。

三、研究設計

（一）數據來源

本文選取2011—2021年A股上市公司作為初始研究樣本，并按以下原則對樣本進行篩選：（1）剔除金融類公司；（2）剔除ST、*ST或PT類公司；（3）剔除重要觀測變量缺失的上市公司；（4）為了緩解異常值影響，對公司層面的連續變量進行上下1%的縮尾處理。最終得到31611個“企業—年份”觀測值。其中，數字金融數據來自北京大學數字金融研究中心，企業和行業層面的數據來自國泰安數據庫和萬得數據庫，地區層面的數據來自各年度《中國統計年鑒》。

（二）模型構建

為檢驗數字金融發展對企業產能利用率的影響，本文構建如下模型：

其中，下標[i]、[t]分別表示企業和時間，[CUit]表示企業[i]在第[t]年的產能利用率，[DigFiit]為企業[i]所在省份在第[t]年的數字金融指數，[CVit]為本文的控制變量，[Yeart]表示時間固定效應，[Indusi]表示行業固定效應，[εit]表示隨機誤差項。參考唐松等（2020）[4]的做法，本文采用雙向固定效應模型，通過控制時間固定效應和行業固定效應，并進一步采用公司層面的聚類穩健標準誤來進行主回歸的檢驗。

（三）變量定義

1. 被解釋變量：企業產能利用率（CU）。借鑒李雪松等（2017）[20]的研究，本文采用隨機前沿分析法（SFA）來測算企業的產能利用率，使用營業收入、總資產和員工人數指標來構建企業的前沿生產面，將實際產出與估計的前沿最優產出之比作為企業產能利用率的代理變量。隨機前沿分析法承襲了生產函數法，兼具微觀經濟理論優點，更貼合企業真實生產情況，又避開了成本函數法不易獲取投入價格數據的難題，成為當前測算企業產能利用率的一種主流方法。此外，相較于數據包絡分析法，隨機前沿分析法可以排除隨機因素的影響，測量結果更穩定。

2. 解釋變量：數字金融指數（DigFi）。本文采用北京大學數字金融研究中心編制的數字金融總指數來衡量我國各省份的數字金融發展程度，同時，為了消除因數據量級不同而導致的結果偏誤，對數字金融總指數除以100后再進行回歸分析。該指標體系不僅擴充了以往指標缺乏的數字化元素，而且能在較長的時間跨度和較大的地區覆蓋廣度上，反映數字金融發展在各個維度方面的特征，在當前學術研究中有著較為廣泛的應用（段軍山和高雯玉，2022；黃敦平和尹凱，2023）[5，21]。

3. 控制變量。借鑒韓國高等（2022）[8]的研究，本文選取以下可能影響企業產能利用率的因素作為控制變量：（1）企業規模（Size）。企業規模通過企業的生產效率和企業在市場中的地位來影響企業的產能利用率，采用“總資產的自然對數值”來衡量。（2）企業年齡（Age）。企業年齡反映企業的經營穩定性，通過企業的生產投資決策來影響企業的產能利用率，采用“企業上市年限加1的自然對數值”來衡量。（3）資產負債率（Deb）。企業資產負債率通過企業的融資能力來影響企業的產能利用率，采用“總負債與總資產之比”來衡量。（4）總資產收益率（Roa）。企業總資產收益率通過企業資產的盈利能力和利用效率，進而影響企業的產能利用率，采用“凈利潤與總資產之比”來衡量。（5）現金流比率（Cflow）。現金流比率反映企業的經營銷售效率，從消費側影響企業的產能利用率，采用“企業經營活動產生的現金流量凈額與總資產之比”來衡量。（6）大股東資金占用（Occupy）。大股東資金占用情況通過影響公司內部治理來影響企業的產能利用率，采用“其他應收款凈額與總資產之比”來衡量。（7）兩職合一（Dou）。企業是否存在兩職合一情況，可能會通過代理問題對企業的產能利用率產生一定的影響，采用“若董事長與總經理為同一人，則取值為1，否則為0”的虛擬變量來衡量。（8）前五大股東持股比例（Tfs）。股權結構會影響企業的生產決策，進而影響企業的產能利用率。（9）行業集中度（Hhi）。行業集中度通過影響行業內市場投資信息的透明度以及企業的策略性行為來對企業的產能利用率造成影響，采用“以公司營業收入計算的赫芬達爾指數”來衡量。（10）地區經濟發展（Gdpdev）。地區經濟發展既影響當地的數字金融發展水平，又能從供給側和需求側對企業的產能利用率施以影響，采用“地區GDP增長率”來衡量。（11）政府干預程度（Govint）。地方政府出于政績考核壓力等原因的過度干預容易影響企業的生產投資決策，進而影響企業的產能利用率，采用“地方政府財政支出與GDP之比”來衡量。

4.機制變量。本文選取的機制變量有：（1）技術創新（Innov），采用“企業發明專利申請量加1的自然對數值”來衡量。（2）資源錯配（FM），借鑒邵挺（2010）[22]，采用企業的資金使用成本對所在行業的平均資金使用成本的偏離度來衡量金融錯配，偏離度指標值越大，說明成本被抬高或壓低越多，企業所承擔的金融錯配程度越大。（3）企業過度投資（OInv），借鑒Richardson（2006）[23]的做法，將當期的企業資本投資作為因變量，上期的企業成長性、現金持有量、上市年齡、企業規模、資產負債率、股票回報率、企業資本投資作為自變量，進行多元回歸分析，用回歸得到的正殘差來衡量企業的過度投資水平。正殘差越大，說明企業過度投資現象越嚴重。

四、實證結果與分析

（一）描述性統計

表1展示了主要變量的描述性統計結果。企業產能利用率的均值為0.7788，與已有研究基本相同。數字金融總指數最大值為4.5897，最小值為0.1622，相差較為懸殊，說明我國各省份之間數字金融發展水平還存在較大差距。此外，控制變量的描述性統計結果與已有文獻也無明顯差異。

（二）基準回歸結果

表2為基準回歸結果。列（1）采用雙向固定效應模型，在控制了時間和行業固定效應后，檢驗數字金融發展對企業產能利用率的影響，結果顯示數字金融對產能利用率的回歸系數為0.016，且在1%的水平上顯著；列（2）在列（1）的基礎上加入控制變量，回歸結果基本不變。列（3）是在列（2）的基礎上，采用公司層面的聚類穩健標準誤來進行檢驗，數字金融的系數依舊在1%的水平上顯著為正。上述結果均說明，數字金融發展能夠顯著提高企業的產能利用率，本文H1得到驗證。究其原因，數字金融發展能夠重塑要素流動格局，優化資源配置，提高企業生產效率，同時增強數據信息的可獲得性，提高企業與市場間的信息傳導效率，企業能依據更準確全面的市場信息做出有效生產決策，進而促進產能利用率的提升。

在此基礎上，本文進一步分析數字金融發展的動態效應，即數字金融發展對企業產能利用率的提升作用是短期的逐利效果還是具有長期的價值影響。參考唐松等（2020）[4]的做法，將核心解釋變量分別滯后一期[、]三期、五期，檢驗數字金融發展對企業產能利用率影響的動態效應，回歸結果見表3列（1）—（3）。可以看出，數字金融總指數滯后一期（L1.DigFi）、滯后三期（L3.DigFi）、滯后五期（L5.DigFi）后，對企業產能利用率的回歸系數均在1%的水平上顯著為正，說明數字金融發展對企業產能利用率的影響并非短期“一錘子買賣”的逐利行為，而是具有長期的價值提升效果，由此進一步驗證了H1。

為了考察數字金融發展對企業產能利用率的結構效應，本文選取數字普惠金融總指數的兩個子維度——覆蓋廣度（DigFi-GD）、使用深度（DigFi-SD）來進行分析。其中，覆蓋廣度用地區數字金融相關服務所涉及的電子賬戶數量來刻畫，使用深度用數字金融相關服務的使用頻率和程度來刻畫（郭峰等，2020）[24]，具體回歸結果見表3列（4）—（5）。無論是數字普惠金融覆蓋廣度還是使用深度，對企業產能利用率的影響均在1%的水平上顯著為正，這表明，在數字金融發展過程中，既要注重數字金融輻射范圍的擴展，也要注重數字金融服務深度的挖掘，做到“量”“質”并舉，全方面提升數字金融服務實體經濟的能力。

（三）穩健性檢驗

1.更換回歸模型。考慮到雙向固定效應模型對內生性的控制可能不夠嚴格，本文參考Moser和Voena（2012）[25]的做法，采用控制“時間×行業”的高階聯合固定效應模型進行檢驗，具體回歸結果見表4列（1）。可以看出，數字金融對產能利用率的回歸系數顯著為正，數字金融發展仍然能夠促進企業產能利用率的提升，說明基準回歸結果具有較好的穩健性。

2.替換被解釋變量。借鑒趙昌文等（2015）[26]，本文采用總資產周轉率（CU1）作為產能利用率的替代指標，總資產周轉率越大，表明企業產能利用率越高，并在模型（1）的基礎上進行穩健性檢驗。替換被解釋變量后，數字金融發展對企業產能利用率的回歸系數仍在1%的水平上顯著為正（見表4列（2）），說明本文基準回歸結果具有較好的穩健性。

3.替換核心解釋變量。為進一步驗證回歸結果的穩健性，本文運用網絡爬蟲技術，構建金融科技發展水平指標，用以替換核心解釋變量。參考李春濤等（2020）[27]的做法，基于網絡爬蟲技術，在百度新聞搜索引擎中分年份爬取關鍵詞為“城市+金融科技”這一形式的新聞頁面，并將該頁面數量在同一地級市或直轄市層面加總后進行對數轉換，最終得到2011—2021年各地級市或直轄市的金融科技發展水平（DigFi1），其中，金融科技關鍵詞包括區塊鏈、機器學習、互聯網金融、人工智能、圖計算等48個詞匯。表4列（3）的回歸結果顯示，替換核心解釋變量后，數字金融發展對企業產能利用率的影響系數在1%的水平上顯著為正，本文的核心結論是穩健的。

4. 安慰劑檢驗。為了排除其他不可觀測因素可能對本文結論的影響，參考綦建紅等（2023）[28]，將數字金融總指數這一核心解釋變量隨機分配給每個企業，并按照模型（1）進行回歸，重復上述過程1000次，將得到的回歸系數及對應的P值繪成核密度分布圖（見圖1）。檢驗發現，虛假回歸系數基本服從正態分布，均值落在0值附近，并且大部分回歸結果不顯著，基準回歸估計系數0.015遠大于虛假回歸系數。據此，安慰劑檢驗基本通過，可以排除其他不可觀測因素對本文基準回歸結果造成的影響。

5.工具變量法。本文借鑒王道平和劉琳琳（2021）[29]的研究，采用各省網絡普及率（Inter）作為工具變量進行內生性處理。網絡普及率是數字金融發展的重要基礎設施，滿足工具變量的“相關性”要求；而網絡普及率與企業產能利用率不存在直接聯系，并且在控制企業、時間和行業固定效應后，網絡普及率對企業產能利用率的回歸系數不顯著，能夠滿足工具變量的“無關性”特征。第一階段回歸結果見表5列（1），工具變量的回歸系數在1%的水平上顯著為正，且第一階段F值為32201.2，遠大于臨界值10，說明網絡普及率與數字金融的發展高度相關，不存在弱工具變量問題；第二階段回歸結果見表5列（2），數字金融的回歸系數仍在1%的水平上顯著為正，說明使用工具變量法最小化本研究的內生性問題后，數字金融發展仍能顯著促進企業產能利用率提升。

6. 排除外生政策和事件干擾。我國經濟發展進入“新常態”后，于2015年12月提出“三去一降一補”的供給側結構性改革。為了排除供給側結構性改革中“去產能”政策對結果造成的干擾，刪除2016年及其之后的樣本進行回歸，結果如表5列（3）所示。同時，考慮到2020年新冠疫情使得大部分企業被迫停工停產，可能會對企業產能利用率造成影響，故本文剔除2020年及其之后的樣本進行回歸，結果如表5列（4）所示。上述結果均表明，在排除外生政策和事件干擾后，本文的核心結論并未發生變化。

五、進一步研究

（一）機制檢驗

根據前文理論分析，進一步檢驗數字金融發展對企業產能利用率的影響機制，將技術創新、資源錯配和企業過度投資三個機制變量作為被解釋變量按照模型（1）分別進行回歸，回歸結果如表6所示。由表6可以看出，數字金融的發展確實可以提高企業的技術創新水平，改善資源錯配程度并且抑制企業的過度投資，而理論分析已說明通過這三個渠道可以提高企業的產能利用率。至此，本文H2—H4得以驗證。

（二）異質性分析

1. 企業層面異質性分析。為了考察數字金融發展對不同融資約束程度企業產能利用率的影響差異，本文采用WW指數衡量企業融資約束情況，其數值越大表明企業所受融資約束程度越高，以各年度WW指數中位數為界將樣本企業劃分為高融資約束企業和低融資約束企業。相關回歸結果見表7的列（1）和列（2），數字金融的系數均在1%的水平上顯著為正，且在高融資約束組中系數更大。同時采用費舍爾組合檢驗考察組間系數差異，設置抽樣次數為500次，得到的經驗P值為0.014，說明相比于所受融資約束小的企業，數字金融發展確實更能提高受融資約束較大企業的產能利用率。可能的原因是，受融資約束較大的企業囿于資金限制，其原本的資產配置效率以及創新活力較低，而市場信息不對稱是中小企業面臨較高融資約束的主要原因之一。數字金融發展對資金供求雙方間信息不對稱程度的緩解可以大大降低高融資約束企業的融資成本，發揮出“長尾效應”，從而更有利于激發高融資約束企業的技術創新潛力，進而更能提升高融資約束企業的產能利用率。

2. 行業層面異質性分析。為了探究數字金融發展對高科技企業和傳統企業產能利用率的影響差異，將樣本企業分為高科技行業企業和傳統行業企業。高科技行業的選取參考彭紅星和毛新述（2017）[30]的研究，以《戰略性新興產業分類》及OECD等規定的高科技新興行業為準，對照《上市公司行業分類指引（2012年修訂）》，選取制造業大類中的C25-C29、C31-C32、C34-C41，信息傳輸、軟件和信息技術服務業大類中的I63-I65，科學研究和技術服務業大類中的M73等19個行業為高科技行業。回歸結果如表7列（3）和列（4）所示，數字金融的系數均在1%的水平上顯著為正，且在高科技行業企業組中系數更大，其組間系數差異檢驗的經驗P值為0，說明相比傳統行業企業，數字金融發展對高科技行業企業產能利用率的提升作用更大。可能的原因是，高科技企業所涉行業大多為新興產業，面臨的信息不對稱問題也會更為嚴重；數字金融能夠通過信息技術有效識別高科技企業的軟信息，更好地把資源與高科技企業風險特征相匹配，緩解信息不對稱問題，以低成本為高科技企業提供創新活動開展所需的資金，有利于高科技企業提高技術創新水平，也有利于高科技企業產能利用率提升，從而助力我國經濟高質量發展。

3. 地區層面異質性分析。傳統金融與數字金融是一種互補關系，數字金融能夠“補短板、糾錯配”，彌補市場化程度的不足，更好地服務實體經濟，并對企業產能利用率產生影響。為了分析數字金融發展對市場化程度不同地區企業產能利用率的影響差異，將樣本劃分為高市場化程度組和低市場化程度組，地區市場化程度用各省份市場化指數來衡量，數據來自《中國分省份市場化指數報告（2021）》，鑒于該數據只更新到2019年，參考俞紅海等（2010）[31]，2020—2021年市場化指數采用2011—2019年的平均增長率來預測，并以該指數每年中位數為基準，若企業所在省份當年市場化指數大于中位數，則為高市場化程度組，反之為低市場化程度組。回歸結果如表7列（5）和列（6）所示，數字金融指數系數均在1%的水平上顯著為正，且在低市場化程度組中系數更大，其組間系數檢驗的經驗P值為0.018，說明數字金融發展對企業產能利用率的提升作用在低市場化程度地區表現得更為明顯。可能的原因是，在市場化程度較高的地區，資本市場環境較好，信息不對稱程度相對較低，資源配置效率較高，數字技術賦能金融機構，提高資源配置效率，減少資源錯配現象，進而提升企業產能利用率的邊際作用較小。對于市場化程度較低的地區，數字金融發展可以顯著降低提供金融服務的成本，提高金融資源配置效率，并通過信息技術深度挖掘各類數據價值，極大地緩解市場中的信息不對稱問題，有利于企業做出正確的生產投資決策，更大程度提高當地企業的產能利用率，此結果在一定程度上印證了數字金融發展對市場化進程不足地區產生互補效用。

（三）金融監管的調節效應

數字金融發展彌補傳統金融“短板”的同時，相關的新型金融風險也隨之而至。早期寬松的監管環境極大地促進了數字金融的快速發展，但隨著數據泄露、金融欺詐事件頻發，加大金融監管力度成為規范金融市場發展的必然選擇。金融監管的強化能進一步發揮外部治理作用，在防范系統性風險的同時，有利于企業利用有效市場信息做出最優的生產決策，進而助力企業提升產能利用率。調節效應的檢驗模型構建如下：

其中，[FRit]代表金融監管，其他變量同前。參考唐松等（2020）[4]，金融監管強度采用地方財政金融監管支出與金融業增加值之比來衡量，以該指標每年中位數為基準，若數值大于中位數取值為1，表示金融監管強度較高；反之取值為0，表示金融監管強度較低。模型（2）的回歸結果見表8。由表8可知，金融監管和數字金融的交互項系數在5%的水平上顯著為正，說明較強的金融監管有助于強化數字金融對企業產能利用率的提升作用。因此，金融監管強度的增大有助于規范數字金融的有序發展，降低數字金融發展過程中衍生出的數據泄露、流失和欺詐等風險以及相關的套利行為，緩解市場經濟活動中的信息不對稱問題，從而更好地履行金融服務實體經濟的重要職責。

六、結論與政策建議

（一）研究結論

本文基于2011—2021年我國A股上市公司數據，采用雙向固定效應模型，實證分析了數字金融發展對企業產能利用率的影響。研究發現：數字金融發展能夠促進企業產能利用率的提升，并且數字金融發展對企業產能利用率的提升效果具有長期效應。機制檢驗發現，數字金融發展能夠通過促進企業技術創新、改善資源錯配和抑制企業過度投資等渠道來提高企業的產能利用率。異質性分析發現，數字金融發展對企業產能利用率的提升作用在受融資約束較大企業、高科技行業企業和市場化程度較低地區的企業中表現得更為明顯。調節效應分析發現，金融監管在數字金融發展促進企業產能利用率提升中起正向調節作用。

（二）政策建議

一是大力推進數字金融發展，完善相關基礎設施建設。夯實數字金融底層技術，加大數字金融建設投入，完善數字金融基礎設施，為服務實體經濟注入不竭動力。既要注重數字金融服務覆蓋廣度的延展，也要注重數字金融使用深度的挖掘，做到“量”“質”并舉，提高數字金融服務能力，推動經濟高質量發展。市場化程度不高的中西部地區更應把握數字經濟紅利，大力推進網絡基礎設施建設，提高數字金融服務滲透率，為企業投融資和生產活動提供良好的市場環境，激發企業創新活力，提升企業生產效率。

二是深化供給側結構性改革，助力金融資源有效配置。數字金融發展有利于優化資源配置，推動企業技術創新，并抑制企業過度投資，提升企業的產能利用率。因此，應當深化金融供給側結構性改革，充分發揮數字金融技術優勢，深度賦能企業“蝶變”躍升，打造“全方位、多層次、高效率”的現代金融體系；提高直接融資比重，推進金融結構優化，既為大型國有企業提供均衡化的金融服務，又為中小民營企業打造個性化的金融服務，優化金融資源配置，確保資源高效流向高價值企業，最大限度地提高實體企業的產能利用率。

三是增強數字金融監管力度，增強金融風險防控意識。數字金融是一把“雙刃劍”，既會推動金融服務方式業態的變革，也會放大金融體系中的風險傳染性，而且風險的隱蔽性更強。因此，需要持續加強金融監管，尤其是對數字金融的監管，防范數據泄露、流失和欺詐風險，整治資本無序擴張和不當套利，建立動態實時風險監測預警系統，提高監管部門的數字化水平，完善促進數字金融有序發展的監管體系。

四是提升企業質量管理能力，提升企業產能利用效率。數字經濟時代，必須深刻認識數字金融在企業管理中的重要作用，合理利用數字金融發展便利，高效配置企業生產資源，充分發揮要素邊際效率，實現數字化金融場景中的資源優化配置。持續加大研發投入力度，改進生產工藝和設備，提高企業創新能力和生產效率。加強企業內部治理，暢通信息溝通交流渠道，建立公開透明運行機制，嚴控管理層出于私利導致的過度投資問題，提高管理能力和效率，緊抓數字金融發展機遇，加快企業轉型升級的步伐。

參考文獻：

[1]滕磊，馬德功.數字金融能夠促進高質量發展嗎？[J].統計研究，2020，37（11）.

[2]Beck T，Pamuk H，Ramrattan R，Burak R U. 2018. Payment Instruments， Finance and Development [J].Journal of Development Economics，133（Jul）.

[3]張勛，楊桐，汪晨，萬廣華.數字金融發展與居民消費增長：理論與中國實踐 [J].管理世界，2020，36（11）.

[4]唐松，伍旭川，祝佳.數字金融與企業技術創新——結構特征、機制識別與金融監管下的效應差異 [J].管理世界，2020，36（05）.

[5]段軍山，高雯玉.數字金融發展對企業全要素生產率的影響研究 [J].當代財經，2022，（05）.

[6]Abrahamson E，Rosenkopf L. 1993. Institutional and Competitive Bandwagons： Using Mathematical Modeling as a Tool to Explore Innovation Diffusion [J].Academy of Management Review，18（3）.

[7]徐業坤，馬光源.地方官員變更與企業產能過剩[J].經濟研究，2019，54（05）.

[8]韓國高，陳庭富，劉田廣.數字化轉型與企業產能利用率——來自中國制造企業的經驗發現 [J].財經研究，2022，48（09）.

[9]韓國高.環境規制能提升產能利用率嗎？——基于中國制造業行業面板數據的經驗研究 [J].財經研究，2017，43（06）.

[10]封思賢，徐卓.數字金融、金融中介與資本配置效率 [J].改革，2021，（03）.

[11]Han J，Shen Y. 2015. Financial Development and Total Factor Productivity Growth：Evidence from China [J]. Emerging Markets Finance and Trade，51（sup1）.

[12]Goldstein I，Jiang W，Karolyi G A. 2019. To FinTech and Beyond [J].The Review of Financial Studies，32（5）.

[13]解維敏，吳浩，馮彥杰.數字金融是否緩解了民營企業融資約束？[J].系統工程理論與實踐，2021，41（12）.

[14]謝雪燕，朱曉陽.數字金融與中小企業技術創新——來自新三板企業的證據 [J].國際金融研究，2021，（01）.

[15]馮長春，王宇凡，姚曉明，朱晟君，肖靈.企業創新、地方環境與產能過剩——以黑色金屬冶煉及壓延加工業為例 [J].地域研究與開發，2020，39（06）.

[16]韓珣，李建軍.金融錯配、非金融企業影子銀行化與經濟“脫實向虛” [J].金融研究，2020，（08）.

[17]Gomber P，Koch J A，Siering M. 2017. Digital Finance and FinTech：Current Research and Future Research Directions [J].Journal of Business Economics，87（5）.

[18]Demertzis M，Merler S，Wolff G B. 2018. Capital Markets Union and the Fintech Opportunity [J].Journal of Financial Regulation，4（1）.

[19]翟淑萍，韓賢，毛文霞.數字經濟發展能提高企業勞動投資效率嗎 [J].當代財經，2022，（01）.

[20]李雪松，趙宸宇，聶菁.對外投資與企業異質性產能利用率 [J].世界經濟，2017，40（05）.

[21]黃敦平，尹凱.數字普惠金融發展能否提升農村創業活躍度 [J].金融與經濟，2023，（08）.

[22]邵挺.金融錯配、所有制結構與資本回報率：來自1999—2007年我國工業企業的研究 [J].金融研究，2010，（09）.

[23]Richardson S. 2006. Over-Investment of Free Cash Flow[J]. Review of Accounting Studies，11（Jun）.

[24]郭峰，王靖一，王芳，孔濤，張勛，程志云.測度中國數字普惠金融發展：指數編制與空間特征 [J].經濟學（季刊），2020，19（04）.

[25]Moser P，Voena A. 2012. Compulsory Licensing： Evidence from the Trading with the Enemy Act [J].American Economic Review，102（1）.

[26]趙昌文，許召元，袁東，廖博.當前我國產能過剩的特征、風險及對策研究——基于實地調研及微觀數據的分析 [J].管理世界，2015，（04）.

[27]李春濤，閆續文，宋敏，楊威.金融科技與企業創新——新三板上市公司的證據 [J].中國工業經濟，2020，（01）.

[28]綦建紅，段宇航，張志彤.數字金融、資源配置與對外直接投資——內在機制與中國證據 [J].學術研究，2023，（01）.

[29]王道平，劉琳琳.數字金融、金融錯配與企業全要素生產率——基于融資約束視角的分析 [J].金融論壇，2021，26（08）.

[30]彭紅星，毛新述.政府創新補貼、公司高管背景與研發投入——來自我國高科技行業的經驗證據 [J].財貿經濟，2017，38（03）.

[31]俞紅海，徐龍炳，陳百助.終極控股股東控制權與自由現金流過度投資 [J].經濟研究，2010，45（08）.

收稿日期：2023-09-06? ? ? 修回日期：2023-11-28

基金項目：江西省社會科學基金“十四五”重點項目“數字經濟賦能江西鄉村產業振興模式與路徑研究”（23YJ01）；江西省社會科學基金“十四五”地區項目“吉安實施擴大內需戰略研究”（23ZXDQ41）。

作者簡介：劉興華，男，江西吉安人，經濟學博士，江西財經大學金融學院教授，博士生導師，研究方向為公司金融；吳晟婕，女，湖南婁底人，江西財經大學金融學院，研究方向為公司金融。