金融科技与企业成长——基于长三角地区的实证分析

FinTech and Enterprise Growth—An Empirical Analysis Based on the Yangtze River Delta Region

摘要: 本文选取长三角城市群26个城市2011~2021年中国A股上市公司为研究样本，运用双向固定效应模型实证检验金融科技发展水平对企业成长的影响。研究发现，区域金融科技发展水平对企业成长具有显著的促进作用。进一步通过异质性研究发现，金融科技对企业成长的作用存在企业所有制和规模差异，民营企业和较大规模企业从金融科技发展中受益更大。

Abstract: This paper selects Chinese A-share listed companies of 26 cities in the Yangtze River Delta Region from 2011 to 2021 as the research sample, and uses the fixed-effect model to empirically examine the impact of FinTech on enterprise growth. The findings show that the development level of regional FinTech has a significant promoting effect on enterprise growth. Further heterogeneity test shows that there are differences in ownership and scale in the role of FinTech in enterprise growth, with private enterprises and larger scale enterprises benefiting more from the development of FinTech.

1. 引言

企业作为经济社会的主体之一，在经济发展和社会进步中扮演着至关重要的角色。企业的成长不仅关系到自身的生存与发展，更直接影响着经济的稳定和持续增长。然而，目前企业的成长与发展仍面临着种种艰难局面：经济全球化逆流、国际贸易争端升级、社会资本“脱实向虚”、中小企业融资困难……企业的高质量发展受到制约，助推企业成长势在必行。

金融科技通过运用大数据、人工智能、区块链等前沿技术，正在逐渐改变着传统金融业的格局与生态，引领金融业的创新与变革。同时，政府政策的支持与市场需求的推动使得科技型企业蓬勃兴起，为实体经济带来了新的活力与机遇。2022年1月，中国人民银行发布了《金融科技发展规划2022~2025》，提出要不断加深金融服务的智慧再造，为广大微观经济主体提供多元融通、更加普惠的金融服务方式。金融科技在提高金融服务效率、提供更为优质的金融支持、助推企业成长发展等方面被寄予厚望。

长三角地区作为我国最具活力和发展潜力的地区之一，其发展状况直接关系到我国经济的整体发展。2023年，长三角“三省一市”以不到全国4%的土地面积贡献了全国近四分之一的经济总量。长三角地区金融科技的发展呈现出多样化和高速化的特点，对地区甚至全国的金融创新和产业升级具有重要影响。

已有文献多围绕金融科技对融资约束的缓解作用进行研究，但从微观企业层面研究金融科技对中国企业成长影响的文献还不多，且鲜有文献聚焦于长三角地区展开讨论。本文选取长三角城市群26个城市2011~2021年中国A股上市公司为研究对象，运用双向固定效应模型进行实证分析，探讨金融科技发展水平对企业成长的影响。对于这一问题的研究，有助于深入理解长三角地区金融科技发展与企业成长之间的关系，以期能够增强区域协同发展示范效应，并为决策者制定合理的政策提供证据支持。

2. 理论分析与研究假设

基于企业成长的外生理论，企业面临的外部金融环境对其自身的成长性发挥着潜移默化的影响。王维等[1]的研究表明，企业所处的金融环境越好，企业越有机会降低融资成本并增强创新水平，从而对企业业绩产生积极影响。李斌和江伟[2]就金融发展对企业成长之间的影响机制展开了深入探讨，提出金融发展能够使企业获取成本相对较低的外部融资，从而更有效地促进企业的成长。具体而言，对于那些较为依赖外部融资的企业，金融发展对其成长性能够发挥更为显著的积极效应。汪洋等[3]的研究表明，金融科技能够改变微观企业的传统发展态势，从而有效驱动企业成长。吴传琦和张志强[4]聚焦于中小企业来探讨金融科技发展与企业成长的关系，得出了金融科技水平越高的区域，中小企业的成长速度越快的结论。宋敏等[5]提出，金融科技“赋能”不仅有助于改善企业和金融机构存在的信息不对称问题，还有利于增强信贷资源配置效益，进而提高企业的全要素生产率。

金融科技将金融服务和现代科技相结合，它作为一种新兴的普惠金融模式，在推动金融资源和实体经济共同发展层面获得了广泛认可[6]。金融科技的发展不仅有助于完善我国传统的金融体系、改善企业外部的金融生态环境，也能够通过降低企业融资成本、改善信息不对称、提高企业研发创新水平等方式助力企业成长。

结合上述分析，本文提出假设1。

假设1：金融科技能够促进企业成长。

从资源基础理论来看，企业竞争力的差异性取决于企业拥有的资源的异质性。聚焦于企业自身属性这一微观视角，金融科技的发展对于不同要素禀赋的企业的成长性所带来的影响具有差异化。就企业所有制而言，国有企业作为国民经济的重要支柱，政府的隐性担保使其在政策性贷款及政府研发补贴等方面具备优势。Behr et al. [7]提出，国有企业拥有资产规模优势、产业布局优势以及更强的战略定位，因而有着比民营企业更便捷的信贷融资。相对而言，民营企业则面临着较高的经营风险和融资成本，因而对外部新业态更为敏感，更容易受到金融科技的影响。Beck et al. [8]则从企业规模的角度切入，对企业成长是否受限于外部金融环境展开研究，最终得出了金融制度的发展能够削弱腐败障碍等外部因素的制约作用，其中受益最大的是小公司这一结论。Fort et al. [9]的研究表明，大企业自身的规模优势及信息敏感性使其更易接触并运用金融科技，从而推动企业成长建设。而小规模企业对于新技术、新模式的接收与消化能力相对较慢。由此可知，规模较大的企业基于自身优势能够敏锐地捕捉到新型业态的变化并加以灵活运用，从而比规模较小的企业更能够从金融科技的发展中获益。

基于上述分析，本文提出假设2。

假设2：金融科技对企业成长的影响存在企业所有制和规模异质性。

3. 研究设计

3.1. 数据来源与样本选择

本文以长三角城市群26个城市2011~2021年中国A股上市公司为样本，所使用的数据主要为企业财务数据和金融科技数据。其中，企业财务数据来自于CSMAR数据库。金融科技数据来源于北京大学的数字金融研究中心发布的“北京大学数字普惠金融指数”。借鉴已有研究，对数据样本做以下处理：1) 剔除金融类上市企业的样本；2) 剔除在样本期间内ST、*ST类公司样本；3) 对连续变量进行1%和99%的Winsorize处理。最终得到6371个观测样本。

3.2. 变量界定

3.2.1. 被解释变量

企业成长即企业未来发展的潜力，通常体现为企业市场占有率的增加、盈利能力的提升、资产规模的增长等等。已有研究中，度量企业成长的指标包括营业收入、托宾Q值、资产总额、就业人数等[10] [11]。在公司价值角度，企业成长就是企业获取投资回报的能力和持续经营的价值。托宾Q值是市场价值与重置价值之比，高Q值的企业通常有着更多的投资机会与成长性。因此，本文以托宾Q值作为企业成长(Growth)的度量指标。

3.2.2. 解释变量

对于金融科技发展水平的度量，一些学者选取文本挖掘法，通过构建词库、统计关键词在搜索引擎中的出现频次、确定权重等步骤得出指标。但由于关键词选取、搜索方式等差别不免会造成指标生成的差异与偏误。也有学者采用北京大学数字普惠金融指数作为度量指标，该指标基于蚂蚁金服提供的底层数据，运用分布式计算等技术从多个维度构建而成，已成为研究金融科技相关课题的主要数据。由此，本文借鉴孟娜娜等[12]的研究，选取城市级数字普惠金融指数来衡量金融科技发展程度(FinTech)。

3.2.3. 控制变量

影响企业成长的因素复杂多样，参考已有研究，本文对以下变量进行控制：企业年龄(Age)、企业规模(Size)、企业盈利能力(ROA)、企业杠杆率(LEV)、董事会规模(Board)、独立董事比例(InDep)、第一大股东持股比例(TOP1)、固定资产占比(PPE)。

3.3. 实证模型

为了研究金融科技对企业成长的影响，本文参考已有的关于企业成长的研究[13] [14]，通过控制年份效应和行业效应构建双向固定效应模型，基于2011~2021年长三角城市群26个城市的A股上市公司的数据设计如下计量模型：

${\text{Growth}}_{i,t}=\alpha +{\beta }_{\text{1}}{\text{FinTech}}_{i,t}+{\beta }_{\text{2}}{\text{Controls}}_{i,t}+\text{ Year}\_\text{Effects }+\text{ Industry}\_\text{Effects }+{\epsilon }_{i,t}$

其中，${\text{Growth}}_{i,t}$ 表示企业i在t年度的成长情况，${\text{FinTech}}_{i,t}$ 表示企业i所在城市在t年度的金融科技发展水平，${\text{Controls}}_{i,t}$ 为上述控制变量，Year_Effects表示年份固定效应，Industry_Effects表示行业固定效应，${\epsilon }_{i,t}$ 为随机误差项。若核心解释变量FinTech的估计系数β₁显著且为正，则表示金融科技的发展能够促进企业成长。

4. 实证结果与分析

4.1. 描述性统计

表1为样本的变量描述性统计。由表1得，企业成长(Growth)的最大值为8.094，最小值为0.868，标准差为1.256，最大值与最小值的差距以及标准差的值都很大，可知企业之间的成长性存在着显著差距。金融科技的发展水平(FinTech)均值为5.449，数据变化范围为4.345~5.885，可知长三角城市群26个城市之间的金融科技的发展水平存在着差异。并且从该指数的一级维度指标金融科技的覆盖广度(Coverage)的数据来看，仍然可以看出长三角城市群不同城市金融科技发展水平的差异性。企业盈利能力(ROA)最小值为−0.195，最大值为0.228，均值为0.051，可知样本中部分企业的盈利能力不高，个别公司甚至存在亏损的情况。

Table 1. Descriptive statistics

表1. 描述性统计

Variable	N	mean	sd	min	max
Growth	6371	2.035	1.256	0.868	8.094
FinTech	6371	5.449	0.389	4.345	5.885
Coverage	6371	5.449	0.357	4.431	5.918
Age	6371	2.829	0.352	1.792	3.434
Size	6371	22.200	1.243	20.040	25.860
ROA	6371	0.051	0.061	-0.195	0.228
LEV	6371	0.403	0.199	0.057	0.869
Board	6371	2.111	0.185	1.609	2.565
InDep	6371	0.376	0.052	0.333	0.571
TOP1	6371	0.348	0.145	0.080	0.743
PPE	6371	0.180	0.130	0.001	0.583

4.2. 基准回归分析

表2为金融科技(FinTech)对企业成长(Growth)的回归结果。表2的列(1)表明，金融科技的回归系数为0.330，t值为10.01，且在1%的水平下显著为正，可初步认为金融科技发展水平有助于推动企业成长。列(2)是加入控制变量之后的回归结果，列(3)为加入控制变量且固定时间效应后的回归结果，列(2)与列(3)中金融科技的系数分别为0.422和1.725，均在1%的水平下显著为正，皆可说明金融科技的发展水平对企业成长有着显著的正向影响。列(4)在列(3)的基础上加入了行业控制效应，金融科技的估计系数为1.299，t值下降至6.32，虽然估计系数略有下降，但仍在1%的水平下显著为正。综上，表2的回归结果表明，金融科技的发展能够显著促进企业成长，验证了本研究的假设1。金融科技丰富了传统金融服务的形式和领域，有助于改善企业外部的金融生态环境，缓解企业和金融机构间的信息不对称，提高企业的融资效率，这都对企业成长大有裨益。

Table2. Benchmark regression results

表2. 基准回归结果

Variable	Growth
	(1)	(2)	(3)	(4)
FinTech	0.330^***	0.422^***	1.725^***	1.299^***
	(10.01)	(11.90)	(8.08)	(6.32)
Age		0.011	0.028	0.074
		(0.23)	(0.63)	(1.63)
Size		−0.291^***	−0.295^***	−0.279^***
		(−19.82)	(−20.69)	(−18.65)
ROA		4.410^***	4.332^***	4.117^***
		(11.48)	(11.43)	(11.35)
LEV		−0.108	−0.126	0.013
		(−1.13)	(−1.38)	(0.13)
Board		−0.122	−0.124	−0.192^*
		(−1.13)	(−1.20)	(−1.86)
InDep		0.438	0.410	0.266
		(1.27)	(1.24)	(0.82)
TOP1		−0.824^***	−0.864^***	−0.628^***
		(−8.58)	(−9.33)	(−6.85)
PPE		−0.344^***	−0.274^***	−0.137
		(−3.43)	(−2.79)	(−1.22)
Constant	0.237	6.431^***	0.675	1.945^*
	(1.34)	(15.75)	(0.69)	(1.94)
Year FE	NO	NO	YES	YES
Industry FE	NO	NO	NO	YES
Observations	6371	6371	6371	6371
R-squared	0.010	0.180	0.263	0.302

注：括号内为t值，***、**、*分别表示在1%、5%、10%置信水平下显著，下同。

4.3. 稳健性检验

为验证回归结果的稳健性，本文采取将解释变量滞后一期、替换解释变量这两种方法进行检验。

4.3.1. 基于解释变量滞后一期的稳健性检验

企业的发展状况不仅仅会受到当期因素的影响，也会受前期因素的影响。金融科技对企业成长所发挥的作用可能存在滞后性。因此，本文借鉴姜付秀等[15]的研究，使用滞后一期的金融科技指数进行回归。与前文的回归一致，表3中列(1)至列(4)为逐步加入控制变量、时间固定效应和行业固定效应的估计结果。表3中的回归结果均表明，滞后一期的解释变量(L. FinTech)的回归系数在1%的置信水平下显著为正，验证了本文研究结果的稳健性。

Table 3. The robustness test results of the explanatory variable with a lag of one period

表3. 解释变量滞后一期的稳健性检验结果

Variable	Growth
	(1)	(2)	(3)	(4)
L. FinTech	0.253^***	0.386^***	2.039^***	1.613^***
	(6.61)	(9.69)	(8.68)	(7.24)
Age		−0.159^***	−0.140^***	−0.090
		(−2.88)	(−2.63)	(−1.64)
Size		−0.321^***	−0.334^***	−0.315^***
		(−19.99)	(−21.71)	(−19.75)
ROA		5.506^***	5.435^***	5.176^***
		(12.79)	(12.89)	(12.86)
LEV		−0.219^**	−0.222^**	−0.077
		(−2.05)	(−2.18)	(−0.70)
Board		−0.132	−0.119	−0.202^*
		(−1.07)	(−1.02)	(−1.74)
InDep		0.278	0.314	0.112
		(0.73)	(0.86)	(0.31)
TOP1		−0.767^***	−0.771^***	−0.526^***
		(−7.09)	(−7.48)	(−5.13)
PPE		−0.558^***	−0.437^***	−0.307^**
		(−4.99)	(−4.07)	(−2.50)
Constant	0.718^***	7.999^***	0.651	1.933^*
	(3.53)	(17.39)	(0.61)	(1.78)
Year FE	NO	NO	YES	YES
Industry FE	NO	NO	NO	YES
Observations	5320	5320	5320	5320
R-squared	0.006	0.216	0.308	0.346

4.3.2. 基于替换解释变量的稳健性检验

本文的基准回归中以北京大学数字普惠金融指数作为金融科技的度量指标，该指数的一级维度指标金融科技的覆盖广度(Coverage)也能够体现一个地区金融科技的发展水平。因此，本文将金融科技的覆盖广度作为替代变量进行稳健性检验。由表4可知，在金融科技指标被替换之后，解释变量的回归系数仍然在1%的置信水平下显著为正，进一步验证了实证结论的稳健性。

Table 4. The robustness test results of replacing the explanatory variable

表4. 替换解释变量的稳健性检验结果

Variable	Growth
	(1)	(2)	(3)	(4)
Coverage	0.401^***	0.506^***	1.234^***	0.972^***
	(10.88)	(12.76)	(7.87)	(6.42)
Age		−0.006	0.027	0.073
		(−0.12)	(0.61)	(1.59)
Size		−0.293^***	−0.293^***	−0.277^***
		(−20.00)	(−20.56)	(−18.57)
ROA		4.403^***	4.302^***	4.094^***
		(11.48)	(11.36)	(11.29)
LEV		−0.102	−0.139	0.005
		(−1.07)	(−1.53)	(0.05)
Board		−0.100	−0.107	−0.179^*
		(−0.92)	(−1.03)	(−1.73)
InDep		0.464	0.472	0.310
		(1.35)	(1.42)	(0.95)
TOP1		−0.820^***	−0.862^***	−0.627^***
		(−8.56)	(−9.30)	(−6.84)
PPE		−0.317^***	−0.296^***	−0.148
		(−3.16)	(−3.03)	(−1.31)
Constant	−0.153	5.997^***	2.548^***	3.169^***
	(−0.78)	(14.36)	(3.24)	(3.86)
Year FE	NO	NO	YES	YES
Industry FE	NO	NO	NO	YES
Observations	6371	6371	6371	6371
R-squared	0.013	0.182	0.262	0.302

4.4. 异质性分析

上文检验了金融科技对企业成长的影响，考虑到企业自身属性差别可能会导致金融科技发挥作用的差异性，本文构建模型2，通过区分企业所有制性质、企业规模展开进一步研究。

${\text{Growth}}_{i,t}=\alpha +{\beta }_{\text{1}}{\text{FinTech}}_{i,t}+{\beta }_{\text{2}}{\text{Controls}}_{i,t}+{\beta }_{\text{3}}{\text{Dummy}}_{i,t}+\text{Year}\_\text{Effects}+\text{Industry}\_\text{Effects}+{\epsilon }_{i,t}$

其中，${\text{Dummy}}_{i,t}$ 为哑变量，主要包括企业的所有权性质、企业规模，其他变量与模型1一致。

4.4.1. 基于企业所有制性质的异质性检验

表5的列(1)和列(2)分别表示国有企业(Dummy = 1)和民营企业(Dummy = 0)的回归结果。由表知，金融科技的估计系数在国有企业和民营企业的的样本组中分别是1.262和1.551，均在1%的水平上显著，但民营企业的回归系数更大。由此可知，相较于国有企业，金融科技能够对民营企业的成长性起到更为明显的促进作用。可能的原因在于，国有企业由于资产实力和融资渠道等方面优势而具备成长的稳健性，因此对金融科技的敏感性较低。但民营企业易面临经营风险、融资约束等困境，所以能够从金融科技的发展中获益更大，具备对金融科技更高的敏感性。

4.4.2. 基于企业规模的异质性检验

Table 5. Heterogeneity test results based on enterprise ownership and scale

表5. 基于企业所有制和规模的异质性检验结果

Variable	国有企业	民营企业	较大规模企业	较小规模企业
	(1)	(2)	(3)	(4)
FinTech	1.262^***	1.551^***	1.163^***	1.049^***
	(4.87)	(4.88)	(4.63)	(3.11)
Age	0.142^**	−0.225^***	−0.155^***	0.202^***
	(2.52)	(−2.82)	(−2.66)	(3.05)
Size	−0.282^***	−0.308^***	−0.192^***	−0.486^***
	(−12.72)	(−17.52)	(−10.57)	(−10.25)
ROA	4.228^***	3.658^***	5.977^***	2.900^***
	(9.99)	(6.45)	(11.60)	(6.18)
LEV	0.090	−0.312^***	−0.020	0.222
	(0.70)	(−2.71)	(−0.15)	(1.61)
Board	−0.369^**	0.256^***	0.183	−0.595^***
	(−2.57)	(2.76)	(1.60)	(−3.40)
InDep	−0.172	0.948^**	0.879^**	−0.710
	(−0.37)	(2.55)	(2.41)	(−1.28)
TOP1	−0.748^***	−0.173	−0.280^***	−1.215^***
	(−6.20)	(−1.29)	(−2.77)	(−7.63)
PPE	−0.190	−0.084	−0.271^**	−0.292
	(−1.21)	(−0.63)	(−2.14)	(−1.50)
Constant	2.381^*	1.283	−0.189	8.597^***
	(1.75)	(0.89)	(−0.16)	(4.50)
Year FE	YES	YES	YES	YES
Industry FE	YES	YES	YES	YES
Observations	4,659	1,712	3,185	3,186
R-squared	0.269	0.426	0.318	0.288

表5的列(3)和列(4)考察了企业规模的异质性，基于企业规模的中位数将样本分为较大规模企业(Dummy = 1)和较小规模企业(Dummy = 0)两组类别。回归结果显示，两组类别中金融科技的估计系数均显著为正，且较大规模企业的回归系数略大于较小规模企业的回归系数。由此可得，较大规模企业对金融科技的敏感性更高，更受益于金融科技的发展。这可能是因为小规模企业对于新技术、新业态的接收与消化能力相对较慢，而大企业自身的规模优势及信息敏感性使其更易接触并运用金融科技。因此，金融科技能够对较大规模企业的成长性带去更强的促进作用。

综上可知，金融科技的发展对民营企业和较大规模企业会产生更强的影响，验证了本研究的假设2。

5. 结论与启示

本文以长三角城市群26个城市2011~2021年中国A股上市公司为研究样本，构建双向固定效应模型实证分析了金融科技发展水平对企业成长的影响。此外，本文采用两种不同的方法进行了稳健性检验并从企业所有制和企业规模两方面探究影响的差异性。最终得到了以下结论：1) 金融科技能够显著促进企业成长。2) 相较于国有企业，金融科技更利于提升民营企业的成长性。3) 较大规模企业更受益于金融科技的发展。

结合上述研究结论，可得如下启示：

第一，应着力推动金融与科技的深度融合，扩大金融服务的深度与广度，同时大力建设金融科技基础设施，并加强金融基础设施的信息化与数字化，从而为金融科技助推企业成长、释放经济增长新动能夯实基础。

第二，基于地区企业的发展与需求，因地制宜地培育金融新型业态，完善配套产业，营造适宜的发展环境。以推动长三角区域创新协同、一体化高质量发展为目标，充分发挥经济发达城市的金融科技辐射效益，共拉长板、相互赋能。

第三，优化金融资源配置，大力支持受金融科技影响更大的民营企业的成长。拓展金融科技的普惠范围，聚焦于民营企业的发展需求，将金融资源适当地向民营企业倾斜，缓解其面临的融资困境，助力企业高质量发展。