數字金融對戰略性新興產業新質生產力的影響研究

摘 要：在新一輪科技與產業變革加速演進的背景下，戰略性新興產業作為構建新質生產力的重要載體，其發展亟須金融要素的有效支撐。本文基于2011—2022年A股上市企業面板數據，采用雙固定效應模型檢驗數字金融對戰略性新興產業新質生產力的影響效應。研究發現：數字金融能夠顯著提升戰略性新興產業的新質生產力水平，且該結論在多項穩健性與內生性檢驗下均保持穩健；機制分析表明，數字金融通過影響人力資本、數字化轉型與科技創新三條路徑間接促進新質生產力生成；異質性研究顯示，數字金融對戰略性新興產業新質生產力的促進作用在企業規模、區域分布與產業類型等維度上存在顯著差異。本文研究成果為推動戰略性新興產業提質增效提供了理論支持與政策啟示。

關鍵詞：數字金融；戰略性新興產業；新質生產力；科技創新；數字化轉型

中圖分類號：F832.5；F124 文獻標識碼：A 文章編號：2096-0298（2025）08（b）--07

1 引言

新質生產力是在馬克思生產力理論的基礎上，結合中國實際，以創新為主導，將科學技術融入傳統生產力三要素，推進傳統生產力的躍遷，進而促進經濟高質量發展的先進生產力質態。2023年，習近平總書記在調研中指出，應加快形成以科技創新為驅動的新質生產力，推進戰略性新興產業發展。

從世界經濟發展的歷史邏輯來看，每一次產業革命與科技革命的本質都是由生產技術革新、生產要素創新配置、產業結構升級帶來的社會生產力變革。當前，我國正處于科技革命和產業變革的深度融合時期，發展戰略性新興產業成為實現高質量發展的重要路徑。該產業通過與傳統產業相融合，有效提高技術附加值與資源配置效率。金融是現代經濟的核心和國民經濟的血脈，進入數字化時代，數字金融融合人工智能、大數據等技術，提升金融服務效率與普惠性，在助力科技創新、資源優化配置方面具有重要作用。其通過改善企業融資環境與提高要素配置效率等方式，為新質生產力發展注入新動能。

本文可能的邊際貢獻如下：第一，研究路徑方面，從數字金融角度出發，以戰略性新興產業為研究對象，探討數字金融對新質生產力的影響，為數字金融與企業新質生產力的關系研究拓展了新維度。第二，作用機制方面，基于人力資本積累、數字化轉型、科技創新三個角度，揭示數字金融影響戰略性新興產業新質生產力的機制路徑，構建更加完整的研究框架。第三，異質性方面，從規模、區域和產業異質性等方面挖掘數字金融對不同戰略性新興產業的影響，為企業高質量發展提供了理論依據。

2 理論分析與研究假設

2.1 數字金融與戰略性新興產業新質生產力：直接效應分析

新質生產力“新”的關鍵在于創新驅動，“質”的錨點在于高質效發展（杜壯，2023）。首先，數字金融內含的科技創新與金融創新是推動戰略性新興產業新質生產力發展的核心驅動力，直接推動新質生產力“新”的形成。一方面，數字金融以科技創新為基礎，通過重構金融服務方式與傳導機制，為新質經濟形態的孕育提供了直接動力。各類數字技術的應用帶動經濟體系加快向新技術、新產業、新業態和新模式方向演進。另一方面，數字金融的金融創新突破傳統融資體系的局限，通過智能風控、供應鏈金融、數字信貸、風險投資平臺等創新工具，為企業提供更加多元化、個性化的融資、支付、風險管理和財富管理解決方案。尤其是對于戰略性新興產業而言，數字金融有助于構建“資本+技術”的雙向賦能體系，提高創新資源配置效率、降低創新門檻和成本（戴艷娟等，2023）、加快核心技術突破與商業化應用，實現由要素驅動向創新驅動的質變式躍升，形成持續增長的新動能。

其次，數字金融直接推動戰略性新興產業“質”的形成，為戰略性新興產業提供更精準、高效的金融支持，推動其高質量、高質效發展。數字金融改變了資本與創新資源的配置方式。大數據、區塊鏈等技術使具有可信度的特質性信息更有效地反映在股價中，形成股價信息反饋機制，引導投資者做出更明智的投資決策（李林達，2024）。同時，還降低了企業獲得融資的金融交易成本，緩解了金融資源錯配，提高了戰略性新興產業的市場資源利用率，增強其靈活性和適應性，塑造符合數字經濟時代需求的新產業發展范式。基于以上分析，本文提出以下假設：

H1：數字金融能夠促進戰略性新興產業新質生產力的產生。

2.2 數字金融與戰略性新興產業新質生產力：機制分析

“新”與“質”構成新質生產力的核心特征，而勞動者、勞動資料與勞動對象及其優化重構則構成其內在基礎。本文認為，數字金融通過賦能新型勞動要素，推動其功能結構的數字化躍升，進而激發新質生產力的形成，是實現戰略性新興產業轉型升級的重要路徑。

首先，數字金融通過培育新質勞動者，促進人力資本的積累與躍升，為戰略性新興產業新質生產力的形成提供了關鍵支撐。在“新”與“質”的雙重驅動下，生產方式與產業結構的變革進一步塑造了人力資本需求。一方面，新質生產力的本質在于全要素生產率（TFP）的提高（石敏俊等，2024），而根據內生增長理論，人力資本已被納入生產函數，成為影響TFP的重要變量。另一方面，作為生產力的創造者和使用者，新質勞動者是推動新質生產力形成的核心主體，其創新能力與技術素養直接決定了生產力水平的提升。數字金融依托大數據風控、智能信貸、在線教育等投資與人才激勵機制，為高技能人才的培養和流動提供高效的融資支持，優化資源配置，提高人力資本積累速度（黃益平和邱晗，2021）。人力資本水平的提升不僅直接推動勞動生產率增長，還通過加強知識溢出效應、強化企業創新能力和產業競爭力，從而促進新質生產力的加速形成，使其成為最具活力、最具決定意義的增長要素。基于此，本文提出以下假設：

H2：數字金融通過促進人力資本的積累來推動戰略性新興產業新質生產力的產生。

其次，數字金融推動了勞動資料的數字化、智能化升級，促進戰略性新興產業數字化轉型，從而加速新質生產力的形成。一方面，數字金融依托技術驅動的金融服務體系，通過提升企業獲取技術改造所需資金的可得性與效率，顯著降低數字化生產資料的引入門檻。在此過程中，企業得以加速部署新興智能勞動資料，推動生產環節向數據驅動與算法支撐的方向演進。勞動資料形態的更新不僅改變了資源配置方式，還為企業生產系統整體的數字化轉型提供了物質基礎與技術路徑。另一方面，新質勞動資料的“新”體現為企業引入智能制造設備、云計算和大數據分析工具，使生產方式突破傳統模式，向數字化方向演進；“質”體現為生產資料的精準匹配和高效利用，提升生產過程的數字化水平，提高資源配置效率（宋虹橋和張夏恒，2024）。在“新”與“質”的雙重作用下，企業生產方式由機械化向數字化轉型，數據、算力等數字化勞動資料成為關鍵生產要素，推動全產業鏈協同優化與創新突破（劉敦虎等，2025），從而催生新質生產力，使其成為推動經濟高質量發展的核心驅動力。基于此，本文提出以下假設：

H3：數字金融通過提升數字化轉型程度來推動戰略性新興產業新質生產力的產生。

最后，數字金融有助于推動勞動對象的革命性突破，促進戰略性新興產業科技創新，從而推動新質生產力的生成。習近平總書記強調，企業是科技成果轉化的核心載體，創新成果只有在生產過程中實現應用，才能轉化為實際生產能力，進而引發生產力的深刻變革。在傳統金融體系下，戰略性新興產業在獲取資金支持、產業鏈協同、知識產權保護等方面存在較高壁壘，導致許多前沿技術難以實現大規模產業化應用（何大安，2022）。數字金融旨在依托數字技術和創新金融模式，提升戰略性新興產業在關鍵技術研發和產業化應用方面的資本可得性，縮短技術成果轉化周期，推動具有顛覆性特征的創新產品迅速滲透至生產過程。在新原理、新機理、新架構的支撐下，數字金融優化資本配置和資源匹配，促進勞動對象的革命性突破，加速戰略性新興產業的科技創新進程，最終推動新質生產力的形成（圖1）。基于此，本文提出以下假設：

H4：數字金融通過促進科技創新來推動戰略性新興產業新質生產力的產生。

3 研究設計

3.1 數據來源與數據處理

參考李文靜和朱喜安（2021）的研究，本文以中國戰略性新興產業綜合指數中的778家A股上市公司作為戰略性新興產業樣本，樣本期為2011—2022年。數字金融指數及其三個子指標來源于北京大學數字普惠金融指數；其他中國A股上市公司企業層面的變量來源于國泰民安數據庫（CSMAR）和wind數據庫，部分數據手動篩選添加。為進一步保證數據的有效性，本文對所有數據進行以下處理：（1）剔除金融行業企業；（2）剔除樣本期內為ST、*ST的企業；（3）剔除在特定年份中關鍵新質生產力指標缺失的企業樣本；（4）對所有連續變量都采用winsor2方法進行縮尾處理。最終獲得8，397個有效觀測值，構建了研究所需的平衡面板數據集。

3.2 變量設定

3.2.1 被解釋變量：戰略性新興產業新質生產力（NPRO）

本文參考宋佳等（2024）的研究，基于生產力二要素理論，分別從勞動力和生產工具兩個方面構建戰略性新興產業新質生產力指標體系，并利用熵值法計算。

3.2.2 解釋變量：數字金融（DIFI）

本文選取北京大學數字金融研究中心發布的《數字普惠金融指數》作為衡量數字金融發展水平的核心變量。此外，選擇覆蓋廣度（breath）、使用深度（depth）和數字化服務支持度（payment）三個子指標進行補充。為確保樣本的精確程度，本文選擇地級市的數字金融指標與企業數據進行匹配。

3.2.3 中介變量

為驗證數字金融對戰略性新興產業新質生產力的影響，本文選取以下中介變量：企業數字化轉型程度（DIG）、企業科技創新（INV）、人力資本（HUM）、產業結構升級（TS）。其中，企業數字化轉型程度借鑒吳非等（2021）的測度方法，利用Python提取上市公司年報中的數字化關鍵詞并統計詞頻，結合政策文件完善特征詞篩選，剔除否定表達后，對數據加1取對數以修正右偏性；企業科技創新以戰略性新興產業上市企業的發明專利申請數量加1的對數形式來衡量；人力資本方面，將戰略性新興產業上市企業的研究人員數量取對數作為代理變量；產業結構升級通過戰略性新興產業集聚城市的第三產業產值與第二產業產值的比值進行衡量。

3.2.4 控制變量

參考已有文獻，本文選擇以下變量作為控制變量：公司規模（SIZE）、資產負債率（LEV）、固定資產占比（FIXED）、總資產周轉率（ATO）、前十大股東持股比例（TOP10）、兩職合一（DUAL）。

3.3 模型設定

本文基于面板數據結構，鑒于Hausman檢驗顯著拒絕隨機效應模型假設（p=0），采用雙向固定效應模型，并針對戰略性新興產業上市企業個體進行聚類穩健標準誤估計，以控制個體異質性和時間趨勢對估計結果的影響。模型設定如下：

NPROit≡α0+α1DIFIit+α2Controlit+∑industry+∑year+εit（1）

式中，i和t分別為個體企業和時間；NPRO為戰略性新興產業新質生產力；DIFI為數字金融發展程度；Control為控制變量；industry和year分別代表行業固定效應和年份固定效應；εit為隨機擾動項。

為了檢驗假設2～4，本文在式（1）的基礎上進一步探討了數字金融如何通過不同機制作用于戰略性新興產業新質生產力，采用溫忠麟和葉寶娟（2014）提出的中介效應檢驗方法，并構建以下回歸模型：

Mit=β0+β1DIFIit+β2Controlit+∑industry+∑year+θit" （2）

NPROit≡γ0+γ1DIFIit+γ2Mit+γ3Controlit+∑industry+∑year+it（3）

式中，M為中介變量，分別用數字化轉型程度（DIG）、企業科技創新（INV）、人力資本（HUM）表示。中介效應回歸模型中，式（2）用于分析數字金融對中介變量的影響，β1反映了數字金融如何通過特定機制作用于新質生產力的形成；式（3）則在控制中介變量后，進一步測算數字金融對新質生產力的直接效應，其中系數γ1反映了數字金融的直接影響，而中介效應的大小則通過β1γ2計算。

4 實證檢驗與結果分析

4.1 描述性統計

表1列示了各變量的描述性統計結果，揭示了戰略性新興產業新質生產力及數字金融等變量的分布特征。NPRO的均值為5.560，標準差為2.708，最小值和最大值分別為1.221和15.520，表明企業間新質生產力水平差異較大，且均值低于中位數（5.035），反映出數據右偏，整體提升空間較大。這一現象進一步驗證了數字金融促進新質生產力提升的現實性。同時，DIFI的最小值與最大值差異顯著，說明我國數字金融發展不均衡，仍有較大拓展空間。此外，各控制變量的分布范圍較廣，有助于提升模型估計的穩健性。

此外，所有變量的方差膨脹因子（VIF）均低于2（均值VIF=1.41），表明多重共線性問題較弱，不會對回歸估計結果產生較大影響。

4.2 基準回歸

表2展示了基準回歸結果，列（1）～（4）列分別為僅包含核心解釋變量的回歸、控制固定效應的回歸、加入控制變量的回歸及同時控制固定效應和控制變量的回歸。回歸結果顯示，無論是否加入控制變量和固定效應，數字金融（DIFI）的系數都在1%水平上顯著為正，表明數字金融發展對戰略性新興產業新質生產力（NPRO）具有穩健的正向促進作用，支持本文假設H1。在控制行業和時間固定效應后，數字金融每增加1個單位，戰略性新興產業新質生產力平均提升0.481個單位。回歸模型的R2值從列（1）～（4）依次上升，表明模型擬合度逐步提高，控制變量和固定效應的加入有效提高了解釋力，進一步驗證了回歸結果的穩健性。

為了進一步識別數字金融內部結構對戰略性新興產業新質生產力影響的差異性，本文將數字金融發展指數的三項子指標，即金融服務覆蓋廣度（breadth）、金融使用深度（depth）與數字化服務支持度（payment），分別納入回歸模型，以探討數字金融不同結構要素的效應異質性。由表2可知，三項子指標的核心回歸系數均在1%水平上顯著為正，表明無論是金融可得性、使用頻率還是支付技術的滲透程度，均能顯著促進戰略性新興產業新質生產力的提升。具體而言，金融覆蓋廣度擴大了企業，尤其是中小企業接觸金融資源的可能性；金融使用深度更多體現為企業在已有數字金融平臺上的活躍度，體現出企業利用金融賦能進行結構優化和資源配置的能力；數字化服務支持度作為企業交易活動數字化的基礎設施，能顯著降低交易成本、提高資金周轉效率，間接提升企業在產業鏈中的響應速度與協作能力。

4.3 穩健性檢驗

為驗證基準回歸結果的穩健性，本文采用以下五種穩健性檢驗方法，以減少估計偏誤，提升研究結論的可靠性，回歸結果如表3所示。

4.3.1 替換被解釋變量

考慮到因變量測度方式可能影響估計結果的穩健性，本文借鑒張秀蛾等（2024）提出的企業新質生產力測度思路，基于新質勞動者、新質勞動資料與新質勞動對象三類要素，構建衡量戰略性新興產業新質生產力的替代性指標體系，并據此對實證模型進行再估計。表3列（1）結果顯示，數字金融發展（DIFI）的回歸系數仍在1%水平上顯著為正，表明數字金融對戰略性新興產業新質生產力的促進作用均穩健存在，進一步提升了研究結論的可靠性。

4.3.2 剔除異常年份

考慮到2020年起新冠疫情在全球范圍內爆發，對企業經營環境、產業鏈穩定性及數字化進程產生了深遠影響，為規避重大外生沖擊對實證估計結果可能造成的干擾，本文對樣本時間窗口進行了調整，剔除受疫情沖擊最為顯著的2020—2022年數據，并重新進行回歸分析，實證結果如表3列（2）所示，在剔除異常年份后，DIFI的回歸系數仍在1%水平上對新質生產力的促進作用顯著為正，進一步驗證了這種促進作用并非疫情等短期沖擊的產物，而是具有長期穩定性。

4.3.3 剔除異常城市

考慮到直轄市（北京、上海、天津、重慶）在產業結構、政策扶持、金融資源配置等方面具有顯著特殊性，其經濟發展模式與普通城市可能存在系統性差異，因此本文剔除了這四個直轄市的數據。根據表3列（3）的回歸結果，剔除異常城市后，DIFI仍在1%水平上顯著為正，說明數字金融發展對戰略性新興產業新質生產力的促進作用不依賴特定城市的經濟特征，研究結論具有較強的普適性。

4.3.4 變更聚類檢驗

考慮到時間維度可能存在自相關性和序列相關性，本文采用時間聚類方法對基準回歸模型進行重新估計。據表3列（4）所示的回歸系數，在采用時間序列調整后，數字金融發展對新質生產力的正向影響仍顯著，表明其對戰略性新興產業新質生產力躍升的促進效應不受時間序列相關性的影響。

4.4 內生性問題處理

為了進一步確保估計結果的有效性與穩健性，本文從逆向因果關系與遺漏變量偏誤兩個主要來源出發，采用滯后變量法與工具變量法，對數字金融（DIFI）與戰略性新興產業新質生產力（NPRO）之間可能存在的內生性問題進行處理，實證結果如表4所示。

首先，為了緩解因果倒置可能帶來的估計偏誤，本文將核心解釋變量 DIFI 分別滯后一期與兩期后重新引入回歸模型。表4列（1）與列（2）回歸結果表明，滯后一期和滯后二期的 DIFI 系數在1%統計水平下均顯著為正，表明即便在控制時間滯后，數字金融發展對新質生產力的促進作用也較為顯著，說明本文結論并非短期內雙向關系的結果，而是具有穩定的動態效應，進一步證明了假設H1。

其次，為處理由遺漏變量可能導致的內生性問題，本文引入省級互聯網普及率（INTERNET）作為DIFI的外生工具變量，并采用兩階段最小二乘法（2SLS）進行估計。選擇該變量的原因在于：一方面，互聯網普及程度直接影響數字金融的基礎設施建設與服務可達性，具有較強的解釋力；另一方面，互聯網普及率作為宏觀層面指標，難以直接作用于企業層面的生產力表現，具備良好的外生性。

表4列（3）作為第一階段回歸結果，互聯網普及率（INTERNET）對DIFI的影響顯著為正，且Cragg-Donald Wald F統計量為455.395、Kleibergen-Paap F統計量為49.814，均遠高于經驗判斷的門檻值10，有效排除了弱工具變量的可能性。在第二階段回歸中，DIFI在5%水平H顯著為正，進一步說明在使用外生工具變量進行調整后，數字金融對戰略性新興產業新質生產力的正向影響依然存在，且影響強度有所增強。綜上，無論是滯后變量法還是工具變量法的實證結果，均表明本文核心結論具備較強的內生性和穩健性，數字金融在推動新質生產力形成方面發揮了顯著正向作用。

4.5 異質性分析

4.5.1 規模異質性

為探究數字金融對戰略性新興產業新質生產力的影響是否存在企業規模層面的異質性，本文基于企業資產總額對樣本企業進行四分位劃分，將處于樣本前25%分位的企業定義為“大規模企業”，處于后25%分位的企業界定為“小規模企業”，并分別進行分組回歸。

表5列（1）與列（2）的結果顯示，在不同規模企業樣本中，DIFI的回歸系數均在1%的統計水平下顯著為正，說明數字金融對戰略性新興產業新質生產力的促進作用在各類企業中普遍存在。小規模企業組的系數顯著高于大規模企業組，表明數字金融對小規模企業的新質生產力提升作用更顯著。

該差異可能源于小型企業在傳統金融體系中普遍面臨更為嚴重的融資約束和信息不對稱問題，融資成本高、渠道有限，難以有效獲得創新發展所需的資金支持。數字金融的發展通過數據驅動的風控機制和平臺化技術手段，提升了小微企業的可得信貸能力和信息透明度，進而緩解其融資難題，激發其技術改造與組織創新的潛能，提升其在新質生產力形成過程中的參與度與活躍性。

4.5.2 區域異質性

為了進一步識別數字金融對戰略性新興產業新質生產力影響在不同地區之間的差異性，本文按照區域劃分標準，將樣本企業分別歸入東部地區、中部地區與西部地區，并進行分組回歸分析。表5列（3）～（5）的回歸結果顯示，在東部與中部地區，數字金融對新質生產力的回歸系數均在1%的水平上顯著，而在西部地區，雖然回歸系數為正，但未通過顯著性檢驗。

上述結果說明，數字金融對戰略性新興產業新質生產力的影響存在明顯的區域異質性，東中部地區的促進效應更為顯著。其原因可能在于，東部地區作為我國數字經濟發展水平最高的區域，具備更成熟的數字金融基礎設施與制度環境，企業對金融技術的接受度與適配能力較高，從而能更有效地將數字金融資源轉化為創新產出與生產能力；近年來，中部地區受益于數字經濟發展與政策支持，數字金融對企業的賦能效果逐步顯現；而西部地區數字金融滲透率偏低，基礎設施薄弱，疊加部分企業數字化程度有限，可能導致數字金融對其新質生產力的提升作用尚未充分顯現。

4.5.3 產業異質性

考慮到戰略性新興產業內部在生產模式與組織形態上的差異，本文將行業為制造業與建筑業的樣本企業歸為實體企業組，其他樣本企業則劃分為非實體企業組。表5列（6）與列（7）的回歸結果顯示，DIFI對兩類企業的新質生產力均表現出顯著的正向影響，說明數字金融在不同產業類型中普遍具有促進企業新質生產力提升的功能。

其中，實體企業的回歸系數在1%水平上顯著為正，非實體企業的回歸系數在5%水平上顯著為正，說明數字金融對實體企業的影響更加穩健。在生產過程中，實體企業對技術設備更新、自動化轉型與生產流程數字化等投入依賴程度更高，數字金融在改善其融資環境的同時，更容易支持其技術改造與產能升級，從而顯著提升其新質生產力水平。非實體企業雖在業務形態上更易嵌入數字化環境，但其對金融資源的依賴路徑相對間接，數字金融的滲透效應可能更多體現在經營效率與服務拓展層面，對新質生產力的促進作用在短期內的表現不如實體經濟直接而強烈。

4.6 中介效應分析

本文進一步探討數字金融如何通過數字化轉型、科技創新及人力資本積累等機制影響戰略性新興產業新質生產力的形成。基于中介效應檢驗方法，本文構建回歸模型，并結合Sobel檢驗與Bootstrap方法對中介效應的顯著性進行穩健性分析，實證結果如表6所示。

4.6.1 人力資本機制

表6列（1）～（3）回歸結果顯示，α1、β1、γ1的估計系數均在1%水平上顯著，表明人力資本在數字金融對新質生產力的影響機制中發揮了不可忽視的中介作用。列（2）的回歸結果表明，數字金融的發展顯著促進了人力資本積累，表明數字金融的發展拓寬了企業的人才投資渠道，使其能夠加大對高技能人才的引進、培訓和激勵，進而提高企業的創新能力和競爭力。人力資本的中介效應占總效應的21.32%，Sobel Z值為4.167（plt;0.01），Bootstrap方法的95%置信區間為[0.1714，0.2349]，且該區間不包含0，進一步驗證了人力資本作為中介變量的穩健性。因此，本研究證明假設H2，即數字金融通過促進人力資本的積累來推動戰略性新興產業新質生產力的產生。

4.6.2 數字化轉型機制

表6列（4）進一步分析發現，在控制數字化轉型變量后，數字金融的估計系數γ1仍在5%水平上顯著，但較未引入中介變量時有所下降，表明數字化轉型在數字金融作用于新質生產力的過程中起到了部分中介作用。進一步計算中介效應占比發現，數字化轉型的中介效應β1γ2占總效應α1的比例為12.30%，表明數字化轉型是數字金融促進戰略性新興產業新質生產力的重要路徑。數字化轉型機制的Sobel Z值為2.402（plt;0.05），Bootstrap檢驗的95%置信區間同樣未包含0，進一步排除了偶然性因素的影響，確保了估計結果的穩健性。假設3成立，即數字金融通過提升數字化轉型程度推動戰略性新興產業新質生產力的產生。

4.6.3 科技創新機制

表6列（6）、列（7）檢驗結果顯示，β1、γ1的估計系數均在1%的統計水平上顯著，表明科技創新在數字金融對新質生產力的影響路徑中起到了關鍵的中介作用。列（6）結果顯示，數字金融對企業科技創新投入具有顯著的正向作用，說明數字金融通過提升資本可得性、優化金融資源配置，為企業技術研發、專利創新和產業升級提供了有力支撐。此外，Sobel Z值為3.249（plt;0.01），Bootstrap置信區間為[0.2150，0.2912]，驗證了科技創新的中介效應具有較高的穩健性。綜上可知，數字金融通過促進科技創新推動戰略性新興產業新質生產力的產生，即假設H4成立。

5 結語

綜上所述，新一輪科技革命和產業變革深入發展，作為金融與數字技術的有機融合，數字金融的發展將對戰略性新興產業新質生產力產生怎樣的影響？本文基于中國數字普惠金融指數與A股上市戰略性新興產業企業數據，構建雙向固定效應模型，系統檢驗數字金融對企業新質生產力的作用機制與效應特征。實證結果表明：一是數字金融顯著提升戰略性新興產業企業的新質生產力水平，該促進效應在一系列穩健性檢驗下依然穩固，表明研究結論具有較強的穩定性與可信度；二是機制分析發現，數字金融主要通過三條路徑間接影響新質生產力的形成，即通過促進人力資本積累、推動企業數字化轉型與激發科技創新活力實現對企業新質生產力的多維賦能；三是異質性分析顯示，數字金融在不同企業特征下的作用存在明顯差異，對大規模企業、東部地區企業及實體企業的促進作用更為顯著，反映出企業資源基礎、區域發展水平和產業屬性在數字金融傳導機制中的差異性。

基于上述研究結論，本文提出以下政策建議：

第一，統籌推進數字金融發展，加快釋放其對戰略性新興產業和新質生產力的系統性促進效應。為了進一步提高數字金融對實體經濟特別是戰略性新興產業的支持能力，亟須從宏觀制度層面健全數字金融資源高效配置機制，以適應新質生產力導向下的要素結構重構需求。統籌推進數字金融與產業發展政策的協調聯動，推動金融監管部門與產業主管部門協同制定面向戰略性新興產業的數字金融發展規劃，建立涵蓋技術評估、信用評價、資本對接的一體化支持機制。

第二，深化數字金融與生產要素協同機制建設，強化其在人力資本積累、技術創新、數字基礎設施等方面的賦能功能。進一步構建與要素結構相匹配的分層分類金融支持體系，以精準推動企業要素質量提高。一是在勞動者維度，發展面向高技能人才與數字型人才的人力資本金融服務，設立“人才成長型貸款”“技能提升金融包”等金融產品，鼓勵企業投入員工培訓與人才引進；二是在勞動對象維度，構建科技金融專屬產品線，完善“知識產權質押融資”“科技成果轉化貸款”等風險緩釋機制，引導更多資金流向原始創新和前沿技術領域；三是在勞動資料維度，推動產業鏈金融、設備融資租賃、云資源金融等服務場景落地，支持企業實現生產資料的數字化、平臺化和智能化改造。通過圍繞核心生產要素形成精準、分層、協同的數字金融支持格局，可有效提升其對新質生產力的“機制內嵌式”促進效應。

第三，因企施策、因區施策，推動數字金融精準賦能，增強其在不同特征企業中的適配性和包容性。建立差異化金融引導機制，推動金融資源在空間、企業類型與產業形態層面的精準對接與有效滲透。一方面，在區域層面，應將中西部地區與產業轉型重點區域納入數字金融普惠發展的重點支持范疇，通過財政補貼、稅收優惠、數字平臺建設等方式推進區域金融基礎設施均等化，構建區域協調發展與金融普惠共享機制；另一方面，在企業層面，應推動數字金融服務下沉，鼓勵金融科技企業根據企業生命周期、風險特征與數字成熟度開展定制化產品創新，提升服務的靈活性與包容性。同時，引導金融監管機構強化分類監管與功能監管，防范金融錯配與過度創新風險，以確保數字金融在不同企業群體中實現高質量、廣覆蓋的發展態勢。

參考文獻

杜壯.總書記首提“新質生產力”與新興產業、未來產業有何關聯？[N].中國經濟導報，2023-09-19（001）.

戴艷娟，沈偉鵬，譚偉杰.大數據發展對企業數字技術創新的影響研究：基于國家大數據綜合試驗區的準自然實驗[J].西部論壇，2023，33（2）：16-28.

李林達.數字普惠金融對企業新質生產力發展的影響研究[J].中國科技投資，2024（28）：1-10.

石敏俊，陳嶺楠，王志凱，等.新質生產力的科學內涵與綠色發展[J].中國環境管理，2024，16（3）：5-9.

黃益平，邱晗.大科技信貸： 一個新的信用風險管理框架[J].管理世界，2021，37（2）：12-21.

宋虹橋，張夏恒.數字化轉型賦能新質生產力： 機理、挑戰與路徑選擇[J].北京理工大學學報（社會科學版），2024，26（6）：41-51.

劉敦虎，易敏軒，唐國強，等.數字化轉型對制造企業新質生產力影響機理研究[J].軟科學，2025，39（1）：31-39.

何大安.互聯網、數字經濟與產業組織變動[J].電子科技大學學報（社科版），2022，24（3）：23-31.

李文靜，朱喜安.經濟政策不確定性?融資約束與技術創新[J].統計與決策，2021，37（20）：141-145.

吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現：來自股票流動性的經驗證據[J].管理世界，2021，37（7）： 130-144.

溫忠麟，葉寶娟.中介效應分析：方法和模型發展[J].心理科學進展，2014，22（5）：731-745.