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(chuàng)新是第一動力”[1]?？萍紕?chuàng)新可以促進經濟發(fā)展，提高國家競爭力。中小企業(yè)以靈活的創(chuàng)新機制和敏銳的市場洞察力，在推動科技創(chuàng)新方面發(fā)揮著重要作用?？萍紕?chuàng)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(yè)之間存在嚴重的信息不對稱[2]，以及中小企業(yè)經營風險、融資規(guī)模小等因素[3]，在科技創(chuàng)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(yè)外部融資成本過高，投資過分依賴企業(yè)內部資金，不能達到最優(yōu)情況。鄧可斌和曾海艦(2014)認為[5]，融資約束是指企業(yè)獲取資金的困難程度，這一概念是相對企業(yè)的投資機會而言的。

2005年，聯(lián)合國首先提出普惠金融這一概念，重點針對中小企業(yè)、農民等弱勢群體。2016年，G20杭州峰會指出，希望優(yōu)先通過數字化來發(fā)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(yōu)勢是支持普惠金融的發(fā)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(tǒng)普惠金融相對較多，研究數字普惠金融對中小企業(yè)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(yè)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(yè)科技創(chuàng)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(yè)高質量發(fā)展。現(xiàn)有文獻大多研究滬深主板上市公司，這些公司往往規(guī)模較大、融資較易、科技創(chuàng)新水平較高，不能充分體現(xiàn)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(yè)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(chuàng)板、創(chuàng)業(yè)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(fā)展是否對中小企業(yè)科技創(chuàng)新產生促進作用，并探究不同區(qū)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(yè)的科技創(chuàng)新需要大量持續(xù)穩(wěn)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(yè)獲得貸款用于研發(fā)；利用互聯(lián)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(xiàn)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(yè)科技創(chuàng)新。

中西部地區(qū)經濟發(fā)展相對滯后，傳統(tǒng)金融服務的覆蓋面和滲透率較低，數字普惠金融的發(fā)展可以彌補傳統(tǒng)普惠金融的缺陷，為中小企業(yè)提供更高效的金融服務。中西部地區(qū)金融市場發(fā)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(yè)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(qū)交通不便、信息不對稱等問題較為突出，傳統(tǒng)金融服務難以覆蓋到這些地區(qū)，數字普惠金融可通過互聯(lián)網平臺、移動金融等渠道，為這些地區(qū)的中小企業(yè)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(yè)科技創(chuàng)新的影響在中西部地區(qū)更顯著。

數字普惠金融創(chuàng)新了多種金融產品和服務，如互聯(lián)網金融等，有助于降低中小企業(yè)的融資成本[10]，進而加大研發(fā)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(tǒng)地評估中小企業(yè)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(chuàng)新；數字普惠金融借助互聯(lián)網技術，實現(xiàn)了快速、高效的金融服務，企業(yè)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(chuàng)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(yè)科技創(chuàng)新。

3 研究設計

3.1 數據來源

本文選取2011—2020年科創(chuàng)板、創(chuàng)業(yè)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(xù)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(lián)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(lián)網分省普及率(2011—2016年)來自中國互聯(lián)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(tǒng)計與實證分析。

3.2 變量定義

3.2.1 被解釋變量

科技創(chuàng)新水平(RD)：參照王剛和陳迪(2023)[14]的研究，選擇研發(fā)強度作為被解釋變量來反映中小企業(yè)的科技創(chuàng)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(fā)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(lián)網分省普及率(IPR)：參照謝絢麗等的研究，互聯(lián)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(yè)科技創(chuàng)新不直接相關,因此選擇互聯(lián)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(guī)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(yè)融資約束程度的指標。SA指數只使用企業(yè)總資產(Size)和企業(yè)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(yè)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(yè)科技創(chuàng)新之間的關系，本文參照劉靖宇等的研究，采用控制行業(yè)、地區(qū)、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(yè)科技創(chuàng)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(yè)，t表示年份；Finit表示第i個企業(yè)所在的省份在第t年的數字普惠金融發(fā)展水平；Ind、Area、Year分別表示行業(yè)、地區(qū)、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，F(xiàn)C對RD的效應；參數 1γ是在控制了FC的影響后，F(xiàn)in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(tǒng)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(yè)之間科技創(chuàng)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(fā)展水平和互聯(lián)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(yè)存在較大的融資約束，且融資約束水平在不同中小企業(yè)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(yè)、地區(qū)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(yè)、地區(qū)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(yè)、地區(qū)和年份固定效應，對基準回歸模型(即模型(2)進行回歸，F(xiàn)in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(yè)科技創(chuàng)新有促進作用，H1得以驗證。以上所有回歸聚類穩(wěn)健標準誤都聚類到行業(yè)層面。

表2 基準回歸模型結果

4.3 穩(wěn)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(wěn)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(yè)科技創(chuàng)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(wěn)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(yè)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(wěn)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(qū)標準，按照企業(yè)注冊地將樣本劃分為東部地區(qū)與東北地區(qū)(統(tǒng)一為東部地區(qū))、中部地區(qū)與西部地區(qū)(統(tǒng)一為中西部地區(qū))兩組分別進行回歸，以驗證H2。聚類穩(wěn)健標準誤均聚類到行業(yè)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(qū)取1，東部地區(qū)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(wěn)健標準誤聚類到行業(yè)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(yè)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(yè)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(fā)展促進中小企業(yè)科技創(chuàng)新，這種影響在中西部地區(qū)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(tǒng)金融機構數字化轉型，提升數字普惠金融發(fā)展水平；(2)加大對中西部中小企業(yè)的政策扶持力度，讓數字普惠金融推動區(qū)域經濟平衡發(fā)展；(3)加強對數字普惠金融這一新領域的監(jiān)管，確保信貸市場公平有效，緩解中小企業(yè)在科技創(chuàng)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(yè)，但考慮到大部分中小企業(yè)并未上市，未來應采取實地調研、發(fā)放問卷等方式獲取一手資料，展開相關研究。