数字金融如何助力企业创新——基于融资约束和信息约束的视角

周振江 郑雨晴 李剑培

一 引言及文献综述

“十四五”规划明确指出要坚定不移地贯彻落实“新发展理念”、坚持“创新驱动发展”，加快转变经济发展方式，实现要素驱动、投资驱动向创新驱动转变。企业是创新的主体(庄涛和吴洪，2013)[1]，企业技术创新有助于转变经济增长方式、实现经济增长新目标(唐未兵等，2014)[2]，对于我国推动创新驱动发展具有重要意义(孙早和宋炜，2012)[3]。然而企业的创新活动离不开金融的支持，传统金融业对企业创新的支持略显不足，而数字金融的出现为企业创新活动提供了更多的可能性(王馨，2015)[4]。数字金融作为金融发展的重要产物，相比于传统金融在各个方面都更具优势，其有效扩大了金融服务的范围，加强了金融服务的深度，提高了金融服务的效率，数字金融的发展将对我国金融服务实体经济的目标产生重要影响。因此，深入探究数字金融对企业创新的影响和作用机理具有重要的现实和理论意义。

随着数字经济的发展，越来越多学者关注数字金融，研究的话题主要集中在数字金融发展激发城市创业活力(谢绚丽等，2018[5]；冯永琦和蔡嘉慧，2020[6])，缩小城乡收入差距(宋晓玲，2017[7]；张贺和白钦先，2018[8]；殷贺等，2020[9])，驱动城市创新(汪亚楠等，2020)[10]，通过提高创新能力与增强技术溢出实现产业结构的升级，全面提升了城市的全要素生产率(侯层和李北伟，2020)[11]，助推经济高质量发展(滕磊和马德功，2020)[12]。各地区金融发展水平是决定中国企业技术创新的关键外部因素(冯根福等，2021)[13]。良好的金融环境有助于企业技术创新能力的提高(Booth et al.，2006)[14]，金融体系的发展拓宽了企业融资渠道、信息渠道、人才渠道，使得企业在创新决策时可以获取更多资源，从而提高企业创新的积极性与成功率(庄毓敏等，2020)[15]。借助于云计算、大数据等技术的发展，数字金融可精准化地获取信息并通过计算机技术进行数据处理，缓解信息不对称问题，从而扩大金融服务范围与创新金融服务模式，相比于传统金融，数字金融拥有低门槛、高效、共享的优势(Gomber et al.，2018)[16]。数字金融发展水平的提高有助于提高企业的融资效率，降低企业融资约束，为企业创新带来丰富的现金支持(Pana et al.，2015)[17]。

综合现有研究，本文的创新点可能在于：相比于传统金融，数字金融出现的时间较晚，对于数字金融的研究大多集中于城市层面和居民层面(如经济高质量发展、城乡收入差距、居民消费等)，而在微观企业方面的研究还比较少(唐松等，2020)[18]，本文利用2011-2018年北京大学数字普惠金融指数市级层面的数据与中国A股上市公司面板数据，以企业创新过程的投入与产出两个维度进行分析和比较，进一步从融资约束和信息约束两个视角来探究数字金融对企业创新的影响机理，丰富了数字金融发展与微观企业创新的相关研究。

二 理论分析与研究假说

1. 融资约束视角下的数字金融与企业创新

企业创新离不开研发投入，而企业研发不足很大一部分原因是企业的融资约束(Brown et al.，2009)[19]。企业所面临的融资约束阻碍了企业进行研发创新的积极性，一方面，企业研发活动需要大量且持续不断的资金注入，一部分用于企业自主研发过程中的资金投入，而另一部分资金用于企业在适当时机实行并购或购买专利获取创新资源以支持企业创新(Atanassov，2013)[20]。另一方面，资金的流动性在支持企业自主研发的同时，对于企业间的协同创新更为重要，可将外部知识有效地转化为企业自我创新动能。而当企业面临的融资约束越大，其参与协同创新的可能性也就越低，其他企业会为了规避风险而选择资金流充足的公司进行合作(周开国等，2017)[21]。

从融资约束的视角来看，数字金融有效地解决了企业“融资贵与融资难”的问题。第一，数字金融提供了多样化的产品渠道，一些基于数字技术孕育而生的新融资模式得到广泛运用，为企业扩宽融资渠道，提高了企业的融资效率，从而为企业创新提供资金支持。第二，数字金融具有普惠性与包容性的特点，普惠性体现在门槛低且覆盖性广，包容性体现在对基础相对较差的群体也能提供支持。数字金融主要利用服务、数据的优势，克服了传统金融市场中利用金融网点连接各金融主体的地域难题，补足了传统金融对于信息存储与匹配的短板，降低金融服务的门槛，提高了对不同群体用户的触达，为企业融资扩大资金来源的同时也为小微企业享受金融服务、获取资金提供了渠道。第三，数字金融在其发展的过程中，成功地使得自由市场定价模式代替传统的信用定价模式，利用供需条件进行定价提升了金融市场自由化程度，有利于提高金融市场的资源配置效率，合理的定价模式有效地降低了企业的融资成本。基于以上分析，数字金融的发展有助于解决企业融资问题(唐松等，2020)[18]，扩大企业的资金来源渠道，提高信贷匹配效率，促进金融资源的合理配置，从而促进了企业创新。基于上述分析，提出假说一：

假说一：数字金融在一定程度上缓解了企业的融资约束，从而促进企业创新。

2.信息约束视角下的数字金融与企业创新

信息作为重要的生产要素，在企业创新活动中扮演了重要的角色。企业创新活动存在商业竞争，不会过多地向外界透露其研发的具体信息，进而引发投资者与企业之间、企业与企业之间存在信息差，而导致信息不对称的问题(杨鸣京等，2019)[22]。信息不对称导致投资者对企业存在判断失误，过分低估从事大量创新活动企业的价值，从而进行了“逆向选择”，间接导致从事创新活动的企业可能由于缺乏资金而放弃创新活动(徐欣和唐清泉，2010)[23]。

从信息约束的视角来看，数字金融的发展有助于解决企业信息不对称问题。一方面，数字金融发展缓解了企业内部信息不对称。数字金融利用其大数据优势较为全面且具体地对企业经营状况数据进行处理与分析，正确评估公司所有创新项目风险，识别出具有价值的创新项目，帮助企业管理层规避风险相对较大、回报率相对较低的创新活动，提高了企业投资效率，从根本上增加了企业创新投入的数量与质量。另一方面，数字金融的发展缓解了企业外部信息不对称。在数字金融模式下，各外部投资者能更清晰地了解企业经营状况与所从事的创新活动，增加投资者对创新项目的信任程度，企业内部人员也可通过金融中介了解到同行业企业的研发情况，帮助企业获得更多的融资资源与技术资源。此外，企业进行创新研究需要经历“汲取—尝试—失败—尝试—成功”的循环过程，因此，对新信息的汲取以及现有信息的分析整理是决定企业创新成果产出的关键因素。数字金融利用其大数据优势，使得企业在进行信息搜集、整理、评估、分析等环节高效便捷，信息处理成本的降低极大程度地加大了信息的可得性与可分析性。综合而言，数字金融发展增加了企业内外部信息透明度，缓解信息约束对企业融资和技术创新造成的障碍，从而促进了企业创新。基于上述分析，提出假说二：

假说二：数字金融在一定程度上缓解了企业的信息约束，从而促进企业创新。

三 实证模型设定、变量度量与数据说明

(一)实证模型设定

1.基准模型构建

本文借鉴唐松等(2020)[18]的研究，设定如下实证计量模型：

Yijt=α0+α1indexjt+∑αnContorlit+yeart+industryu+εit

(1)

式(1)中，变量下标i，j，t，u分别表示企业、该企业所在城市、观测年份与行业。被解释变量Yijt用于衡量企业创新，用创新投入(rd_re)与创新产出(pantent_invent)来衡量。indexjt为解释变量，用数字金融发展指数来衡量，包括总指数(finanacial_index)、广度指数(index_lenth)、深度指数(index_depth)与数字化程度指数(index_digital)。Contorlit表示可能影响企业创新的控制变量。yeart表示观测年份的虚拟变量，industryu表示企业所在行业的虚拟变量，εit为该模型的误差项。

2.中介效应模型构建

为探究数字金融如何影响企业创新，本文借鉴温忠麟等(2014)[24]的研究，在基准回归模型(1)的基础上设定以下中介效应模型：

Mijt=β0+β1indexjt+∑βnContorlit+yeart+industryu+εit

(2)

Yijt=γ0+γ1indexjt+γ2Mijt+∑γnContorlit+yeart+industryu+εit

(3)

首先检验模型(1)中核心解释变量数字金融对企业创新活动影响系数α1的显著性和大小；在模型(1)的基础上进行模型(2)的检验，用系数β1测度数字金融对中介变量(融资约束和信息约束)的影响；在模型(1)和模型(2)都显著的基础上进行模型(3)的检验，模型(3)系数γ1反映了数字金融对企业创新活动影响的直接效应，模型(2)系数β1与模型(3)系数γ2的乘积β1γ2则用来衡量中介变量所产生的中介效应大小，即本文尝试探究的作用机制。

(二)变量度量

1.被解释变量

企业创新。本文将企业创新的过程划分为两个阶段：第一阶段为企业创新投入(rd_re)，采用研发强度来衡量(周开国等，2017)[21]，即企业当年研发投入占营业收入的比例，研发强度越大说明该企业的创新投入越多；第二阶段为企业创新产出(lnpatent_invent)，已有研究大多通过专利指标来衡量企业创新产出(Lerner和Wulf，2007)[25]，考虑到不同变量之间数值大小的差异，本文采用企业发明类专利申请数量取对数来衡量。采用专利申请数而非授权数作为该指标的衡量，能更大限度地体现出企业创新成果，避免因为其他原因导致无法授权通过的因素；而专利申请数分为发明类专利和非发明类专利，相对而言，发明类专利更能体现企业在技术创新方面的实质性产出。

2.核心解释变量

数字金融发展指数(finanacial_index)。本文使用北京大学数字金融研究中心编制的数字普惠金融指数衡量中国数字金融发展水平(郭峰等，2020)[26]。该指标基于蚂蚁金服提供的数字金融大数据编制而成，包括广度、深度以及数字化程度三个维度，近年来已被广泛应用于中国数字金融的研究(唐松等，2020)[18]。数字金融发展指数的度量涉及全国、各省、各地级市，本文采用各地级市数字金融发展指数作为核心解释变量。

3.中介变量

(1)融资约束(fina_res)。本文采用Hadlock和Pierce(2010)[27]构建的SA指数来衡量企业面临的融资约束，该指数在中国企业的实证经验中得到了很好的验证(鞠晓生等，2013)[28]。SA指数的计算方法为:

SA=-0.737*Size+0.043*Size2-0.04*Age

(4)

其中，Size为企业规模，即企业总资产；Age为企业年龄，从企业成立当年算起。用该方法计算出的SA指数为负数，对其取绝对值得到fina_res，SA指数的绝对值越大，说明企业受到的融资约束越严重。

(2)信息约束(information_res)。信息不对称的发生主要是指企业对外界信息的不明朗所面临的风险以及企业之间对于创新技术信息的保密导致企业面临信息约束。而获取企业信息的途径主要依靠企业公布和调查研究，分析师作为企业信息搜集和传递的媒介，主要是通过调研、访谈等多种方式追踪企业信息并形成相关的研究报告，进行信息传递，提高上市企业信息的公开透明度(Yang et al.，2019)[29]，缓解各利益主体之间的信息不对称问题。因此，本文利用分析师跟踪人数来度量上市公司的信息约束情况，具体利用上市公司该年分析师跟踪人数+1取对数来衡量信息约束程度，该公司拥有的分析师人数越多，说明其受到的信息约束越少。

4. 控制变量

在企业生产经营过程中，企业创新容易受到诸多因素的影响，综合参考以往相关文献(唐松等，2020[18]；万佳彧等，2020[30])，本文选取以下变量作为本文的控制变量。

(1)资产规模(lnasset)。本文利用企业当期总资产金额(百万)取对数以衡量企业资产规模。企业资产规模与企业创新之间的关系在学界并没有一个定论，但资产规模在一定程度上影响企业创新的投入与产出这一结论得到了广泛的认同。

(2)收入规模(lnrevenue)。本文利用企业当年主营业务收入与其他业务收入之和(百万)取对数以衡量企业的收入规模。随着企业收入规模的不断扩大，相比于发展新技术，企业倾向于投资目前收入较高且稳定的项目，一些研究表明收入规模的扩大对企业创新存在负向影响。

(3)资产负债率(por_debt)。本文用企业当期总负债与总资产的比例来衡量企业资产负债率。资产负债率的提高意味着企业资产中负债的占比不断提高，当企业更多的通过负债融资时，其对于风险的偏好则相对保守，为避免面临更大风险以至于资不抵债，企业对创新的积极性也会相对下降。

(4)资本密集度(cap_intensive)。本文利用企业当期总资产与营业收入的比例来衡量企业资本密集度。资本密集度指标是一种用于衡量企业赚钱效率的指标，即企业需要花费多少钱才能赚钱，资本密集度高的企业其经营效率反而不高。企业的创新活动需要长期不断的资金支持，经营效率不高的企业面临的外部融资压力也越高，越不利于其从事创新活动。

(5)股权集中度(onwership)。本文利用第一大股东持股占全部股份的比例来衡量企业股权集中度。已有相关研究发现股权集中度与企业创新投资存在一定关系(冯根福和温军，2008)[31]，股权集中度决定了企业决策权的归属，而企业发展的路径以及是否从事创新活动是企业决策的重要内容。

(三)数据说明

本文所用数字金融发展指数来源于北京大学数字金融研究中心官网，专利数据以及分析师数据来源于国泰安数据库，企业财务数据来源于wind数据库，互联网接入数来源于前瞻数据库。本文收集了中国沪深两市A股上市企业2011-2018年数据作为研究基础，将其按照各企业注册地所在地级市与数字金融发展指数所涉及的337个地级市数据进行匹配，得到涵盖2011-2018年的面板数据集合。并对所得数据进行以下处理：(1)剔除了按照《国民经济行业分类(GB/T 4754-2017)》中行业代码为J金融以及K房地产的相关企业，因为金融行业与房地产行业过分依赖金融资本，容易对实证结果造成误差；(2)剔除了在此期间被ST*、ST的公司；(3)剔除了数据缺失较为严重的企业。最终经过整理得到2827家公司14267条观测样本进入实证研究。

各变量描述性统计结果如表1所示。

表1 各变量描述性统计

四 实证结果分析

(一)基准回归模型结果分析

表2 数字金融与企业创新基准回归结果

在控制变量中，资产规模的系数显著为正，说明资产规模的增加能显著促进企业创新活动，随着企业规模的增大，其更容易得到金融机构的信赖而获得资金支持，且信息获取的能力也越来越强，有利于其从事创新活动。收入规模与资产负债率对企业创新的影响显著为负。资本密集度对企业创新投入的影响系数显著为正，但其对创新产出的影响系数在回归中均不显著，原因可能在于资本密集度主要影响了经营者对是否从事创新活动的判断以及对创新活动的选择，而对技术成果的产出影响不大。股权集中度的系数则表明股权越集中越不利于企业的创新活动，股权集中者由于拥有较多股份，因此也承担较多的经营风险，创新活动具有高风险的特点，容易让股权集中者望而却步。

(续上表)

(二)作用机制分析

1.数字金融、融资约束与企业创新

以融资约束作为中介变量，将各项指标代入模型(1)-模型(3)，以检验融资约束的中介效应，结果如表3所示。表3列(1)和列(4)分别为数字金融对企业创新投入与产出的影响，与表2基准回归模型列(1)和列(2)所报告的结果相一致，参照模型(1)，α1分别为0.041与0.010，代表了总效应。表3列(2)与列(5)分别为数字金融对融资约束的影响，参照模型(2)，β1均为-0.001，表示数字金融显著缓解了企业的融资约束。表3列(3)与列(6)分别为加入融资约束后，数字金融对企业创新投入与产出的总效应，参照模型(3)，γ1分别为0.039与0.009，代表了直接效应，γ2分别为-1.721与-0.449，上述系数均在1%水平上显著，通过中介效应检验步骤，得出融资约束的中介效应显著，数字金融通过缓解企业融资约束从而促进了企业创新，与唐松等(2020)[18]的研究结论一致，由此假说一得以验证。进一步，β1γ2用于衡量融资约束在该影响中所起到中介效应的大小，以企业创新投入的视角，融资约束所起到的中介效应为0.0017，占总效应的比例为4.20%；以企业创新产出的视角，融资约束所起到的中介效应为0.0004，占总效应的比例为4.49%，相比之下，两者相差0.29%，融资约束在数字金融对企业创新产出影响中起到的中介效应略微高于在企业创新投入中的影响。此外，唐松等(2020)[18]的研究中得到融资约束的中介效应占总效应大小约为3.4%(以发明专利申请量衡量企业创新产出)，该数值小于本文得到的中介效应。从直观上来看，融资约束作为机制变量，其在数字金融影响企业创新的作用渠道中的解释力比前文理论分析要小，可能的原因在于：第一，数字技术在金融领域的应用和发展是近几年科技发展的产物，数字金融在企业融资市场的普及广度和应用深度还较小，企业融资渠道主要还是传统金融，因此数字金融通过融资约束影响企业创新的作用可能会偏小；第二，本文的中介变量融资约束是通过应用Hadlock和Pierce(2010)[27]构建的SA指数来衡量，该指数只考虑了企业资产和成立年限，可能会低估企业实际的融资约束；第三，本文尽可能地控制了影响企业创新的变量，但也可能存在一些遗漏变量，从而影响了本文中介效应的大小。但总的来看，数字金融在一定程度上缓解了企业的融资约束，进而促进了企业的创新投入与创新产出。

表3 数字金融、融资约束与企业创新

2.数字金融、信息约束与企业创新

以信息约束作为中介变量，将各项指标代入模型(1)-模型(3)，以检验信息约束的中介效应，表4报告了中介效应模型的检验结果。表4列(1)和列(4)分别为数字金融对企业创新投入与产出的影响，与表2列(1)和列(2)所报告的结果相一致，参照模型(1)，α1分别为0.041与0.010，代表了总效应。表4列(2)与列(5)分别为数字金融对信息约束的影响，参照模型(2)，β1均为0.006，表示数字金融显著地缓解了企业的信息约束。表4列(3)与列(6)分别为加入信息约束后，数字金融对企业创新投入与产出的总效应，参照模型(3)，γ1分别为0.037与0.009，代表了直接效应，γ2分别为0.600与0.151，且上述系数均在1%水平上显著，通过中介效应检验步骤，得出信息约束的中介效应显著，数字金融通过缓解企业信息约束从而促进了企业创新，由此假说二得以验证。进一步，β1γ2用于衡量信息约束在该影响中起到的中介效应大小，以企业创新投入的视角，信息约束起到的中介效应为0.0036，占总效应的比例为8.78%；以企业创新产出的视角，信息约束起到的中介效应为0.0009，占总效应的比例为9.06%，相比之下，两者的占比相差0.28%，信息约束在数字金融对企业创新产出影响中所起到的中介效应略微高于在企业创新投入中的影响。结合前文融资约束的结果来看，信息约束的中介效应大于融资约束，但其效应也不到10%。中介效应偏小的可能原因在于：第一，本文采用数字金融发展指数来衡量数字金融发展水平，该指数只使用中国一家代表性数字金融机构的微观数据测算得到，可能会低估实际的数字金融发展水平，从而影响到信息约束的中介效应大小；第二，本文采用分析师人数来衡量企业的信息约束，得到的结果与现实中企业面临的信息约束程度存在一定误差，可能会低估企业实际面临的信息约束；第三，数字金融作用于企业创新的机制可能存在其他途径，并未被本文识别，加上可能存在遗漏变量，因此回归结果会低估其作用。总的来看，数字金融在一定程度上缓解了企业的信息约束，进而促进了企业的创新投入与创新产出。

表4 数字金融、信息约束与企业创新

(三)内生性检验

研究数字金融对企业创新的影响可能存在以下内生性问题：(1)反向因果。企业创新活动在一定程度可能会推动数字金融的发展，而不仅仅是数字金融的发展促进了企业创新活动，特别是金融类的企业，故本文样本中剔除了金融类相关企业；此外，由于被解释变量来自企业的微观数据，而解释变量为市级层面数字金融发展指数，数据本身的来源不同，很大程度上降低了反向因果的可能性。(2)遗漏变量。在模型估计中，虽然控制了企业规模、资产负债率等对企业创新活动的影响，但仍可能存在其他影响企业创新的因素被纳入模型残差项中。因此，本文还运用高阶联合固定效应模型和工具变量法进行内生性问题的检验。

1.高阶联合固定效应模型

本部分借鉴唐松等(2020)[18]的内生性处理办法，利用控制了“时间×行业”的高阶联合固定效应模型(Moser和Voena，2012)[32]缓解内生性问题。该模型如下：

Yijt=α0+α1indexjt+∑αnContorlit+yeart+industryu+yeart*industryu+εit

(5)

表5列(1)和列(2)报告了在采用高阶联合固定效应模型下数字金融对企业创新投入和创新产出的回归结果，可以看到核心解释变量的系数在1%水平上显著为正，且各变量系数的显著性及大小与基准回归模型基本一致，表明本文基准回归模型结果较为稳健。

2.工具变量法

谢绚丽等(2018)[5]的研究中利用互联网普及率作为数字金融发展指数的工具变量，由于互联网普及率相关数据只统计到省一级层面，为了使得模型设计更为契合，同时考虑数据的可得性，本文采用市级层面的互联网用户接入数作为工具变量。一方面，互联网的使用率作为数字金融发展的基础，延伸了数字金融发展的广度与深度，与数字金融存在着密切的关系；另一方面，在控制相关变量后，互联网使用率与企业创新也不存在明显的关系渠道。因此，选取互联网用户接入数作为工具变量进行2SLS检验。

表5列(3)和列(4)为工具变量回归结果，其中包括第一阶段回归的F值与P值，P值为0.000，说明工具变量与数字金融发展指数显著相关。而在弱工具变量的检验中，Cragg-Donald Wald F在10%水平上的临界值为16.38，大于10，故不存在弱工具变量问题。互联网用户接入数作为工具变量具有合理性。从结果来看各核心解释变量的系数均在1%水平上显著为正，再次表明基准回归模型结果的稳健性。

表5 内生性检验

(续上表)

(四)稳健性检验

为检验数字金融与企业创新活动间关系的稳定性，在解决内生性问题的基础上，本文采用以下三种不同方法进行稳健性检验。

1.核心解释变量滞后一期

本文采用数字金融发展指数的滞后一期数值用于衡量数字金融发展水平，替换以后所表示的含义为滞后一期的数字金融发展水平对当期企业创新的影响，在一定程度上缓解了反向因果的问题。表6列(1)和列(2)回归结果显示，数字金融发展指数的系数在1%水平上显著为正，再次支持了基准回归结果的稳健性。

2.消除股灾影响

数字金融和企业创新两者都与金融市场大环境存在密切的关系，金融市场的波动在一定程度上影响着两者的关系，因此外生的市场因素容易影响回归结果的偏误。本文研究样本的数据时间为2011-2018年，在这个时间序列中，发生了一个典型的金融冲击事件，2015年的股灾使得中国金融市场动荡，且在未来的几年都持续产生了影响，由于这一事实发生持续了一段时间，很难通过特定的模型或者是变量进行衡量，本文借鉴唐松等(2020)[18]的处理办法，剔除2015年也就是中国股灾发生年份之后的数据样本，进行稳健性检验。表6列(3)和列(4)回归结果显示，数字金融发展指数的系数在1%水平上显著为正，表明数字金融对企业创新的促进作用在消除股灾影响后依然稳健。

3.消除直辖市影响

由于直辖市相比其他地级市拥有更大的行政级别和可调配的资源，该地区的企业创新活动相对活跃，且其数字金融发展的速度也相对较快，为了消除此类地区发展的影响，本文删除了四个直辖市(北京市、上海市、天津市与重庆市)的样本数据进行回归，以确保结果稳健。表6列(5)和列(6)回归结果显示，数字金融发展指数的系数在1%水平上均显著为正，再次表明数字金融对企业创新的促进作用在删除直辖市样本后依然稳健。

表6 稳健性检验

五 进一步分析

(一)基于企业所有权的异质性分析

从企业所有权性质角度来看，民营企业相对于国有企业更容易面临融资难与信息不对称的问题。一方面，国有企业由于国家对其资本拥有所有权或控制权的原因，在承担较多社会责任的同时也获得国家和政府更多的资金支持，银行的信贷政策也更偏向于国有企业。国有企业更容易获得传统金融机构的认可而获得融资，相比之下尽管民营企业的融资需求更为旺盛，但是民营企业更容易面临融资约束的困境。另一方面，由于所有权歧视问题的存在，民营企业的社会地位在一般情况下低于国有企业，故民营企业在市场中获取信息的成本也相对较高，更容易面临信息约束；而且民营企业囿于其产权特性，与传统金融机构接触的机会较少，信息相对闭塞。数字金融改变了传统金融机构自行对客户进行信用调查的模型，更多的是通过大数据实时、高效、准确地多维度挖掘客户信息，科学搭建评价系统进行授信考察，这一改变使得民营企业接触金融服务的机会更多。此外，国有企业相比于民营企业来说更容易受到国家的限制，某种程度上国有企业也面临较高的信息约束，而数字金融对企业信息透明度的提高正好解决了这一问题，进一步增加了企业间创新合作的机会。因此，企业所有权性质的不同可能影响数字金融对企业创新活动的作用。

基于上述考虑，本文进行了企业所有权的异质性检验。通过判断是否国有控股，将企业划分为国有企业和民营企业两组数据进行回归分析。表7的回归结果显示，无论是国有企业还是民营企业，数字金融发展指数对企业创新的影响均在1%水平上显著为正。具体来看，表7列(1)和列(3)反映了以企业创新投入为被解释变量的回归结果，可见数字金融对国有企业的影响系数为0.031，低于民营企业的0.042，数字金融更能增加民营企业的创新投入。可能的原因在于民营企业因其所有权性质的原因，在融资方面相比于国有企业更困难，具有更高的融资约束，所以在数字金融的背景下，其更容易获得数字金融所带来的融资福利；而表7列(2)、 列(4)以企业创新产出为被解释变量的回归结果显示，数字金融对国有企业的影响更明显，可能的原因在于，数字金融的发展更大程度地提高了国有企业的信息透明度，进一步增加了企业间创新合作的机会，故数字金融对国有企业的创新产出激励更明显。

表7 企业所有权和规模异质性分析

(二)基于企业规模的异质性分析

由于不同规模企业面临的融资约束和信息约束不同，数字金融对不同规模企业创新决策的影响可能存在一定的差异。因此，本文根据企业资产规模进行大小企业样本划分，将各年份资产大于50%百分位数的企业划分为大企业，否则为小企业，进一步探究了数字金融对不同规模企业的影响差异。回归结果如表7所示，无论是大企业还是小企业，数字金融对企业创新投入和创新产出的影响均在1%水平上显著为正。具体来看，表7列(5)和列(7)反映了以企业创新投入为被解释变量的回归结果，可见数字金融对小企业的影响系数为0.054，大于大企业的0.026，说明数字金融更能增加小企业的创新投入。可能的原因在于小企业获得更多融资后，更有积极性加大创新投入的力度。而表7列(6)和列(8)则是以企业创新产出为被解释变量的回归结果，可见数字金融对小企业的影响系数为0.008，小于大企业的0.010，说明数字金融对大企业创新产出的影响大于小企业。可能的原因在于，小企业创新能力(特别是科技人才、资源、技术等协调能力)相比大企业略显不足，大企业能够在受到相同的数字金融发展红利的帮助下获得更多的创新产出。

(三)基于地区差异的异质性分析

由于各地区禀赋的不同，数字金融对企业创新的作用可能存在区域差异(喻平和豆俊霞，2020)[33]。地区禀赋一般由经济发展水平来衡量，经济发达的地区，其传统金融体系相对发达且金融服务的覆盖面积广，综合实力强的企业数量多，对于该地区的企业来说，能享受的金融服务多且享受金融服务花费的成本也相对较低，他们更容易接触银行等传统金融机构，同时经济发达地区的制度较为完善，信息公开相对透明，因此经济发达地区的企业更容易获得资金与信息的支持，所受到的信息约束与融资约束也相对较小。而在经济欠发达地区，金融体系的搭建尚未完善，对该地区的触达率相对较低，且这些地区的企业大多是中小企业，他们更容易面临资金问题，资金不足的情况阻碍了企业从事创新活动的可能。基于上述分析，数字金融基于其覆盖面广且门槛低的特点对经济欠发达地区的企业影响更大。结合中国目前的实际情况来看，我国东部地区经济较发达，而中西部地区经济发展较为落后，因此，数字金融对中西部地区企业创新的影响应该更大(张辉等，2016)[34]。同时，粟芳和方蕾(2016)[35]在其研究中说到，目前中国的金融资源主要集中在沿海经济带，而中部地区对银行和保险的排斥相对严重，西部地区由于相关基础设施建设不完善，其对互联网金融的排斥也较为严重。因此，地区差异极有可能影响数字金融对企业创新活动的激励。

本文进一步考察了区位异质性。参照国家统计局对中国东中西部区域的划分标准，将样本企业划分为东部、中部和西部企业，表8报告了区位异质性回归的结果。在三组样本中，数字金融对企业创新活动的影响均显著为正。具体来看，表8列(1)、 列(3)和列(5)分别报告了数字金融对东部、中部和西部企业创新投入的影响，其系数大小分别为0.043、0.050、0.032，而列(2)、 列(4)和列(6)分别报告了数字金融发展指数对东部、中部和西部企业创新产出的影响，其系数大小分别为0.009、0.011、0.007。从上述数据可以看出，数字金融对企业创新活动影响的大小排序为：中部>东部>西部。西部地区由于经济发展水平落后，贫困地区相对较多，互联网相关基础设施建设不足，互联网金融服务的覆盖程度和水平有限，因而数字金融对西部地区企业的影响最小。中部地区兼具东部和西部的优势，经济发展水平紧跟东部发达地区，互联网等基础设施建设水平较高，故数字金融对中部地区企业创新影响最深刻。

六 结论与对策建议

数字金融为中国经济发展带来了新机会，数字金融的发展不仅在宏观层面促进了经济的发展，而在微观层面上也激发了各经济主体的活力。本文基于2011-2018年中国沪深A股上市企业数据与北京大学数字金融研究中心所提供的数字金融发展指数，实证检验了数字金融对企业创新活动的影响、作用机制及其异质性。主要结论为：(1)数字金融显著促进了企业创新投入与企业创新产出，数字金融对企业创新投入的影响大于企业创新产出。进一步地将数字金融发展指数区分为广度指数、深度指数与数字化指数，结果显示三个指数对企业创新的影响均显著为正，且数字金融发展广度指数与深度指数对企业创新的影响相比数字化指数更为显著。(2)作用机制分析表明，融资约束与信息约束的中介效应显著，数字金融在一定程度上缓解了企业的融资约束与信息约束，进而促进企业创新，融资约束在数字金融对企业创新投入影响中的中介效应高于在企业创新产出中的影响，而信息约束则相反。(3)从企业所有权的角度来看，无论是民营企业还是国有企业，数字金融均对企业创新起到正向影响。在对企业创新投入影响中，民营企业的影响大于国有企业；而在对企业创新产出影响中，国有企业的影响则大于民营企业。从企业规模异质性来看，数字金融更能增加小企业的创新投入，不过其对大企业创新产出的影响则更大。从地区差异的角度来看，数字金融对企业创新的影响在中部地区企业中较大，东部地区次之，而西部地区最小。

据此，得到的政策启示为：(1)大力完善金融体系建设，发展高效便捷的数字金融服务。加大对数字金融的推广，鼓励数字金融平台多元化发展，为企业享受数字金融服务提供便利，降低数字金融服务门槛。发展高效便捷的数字金融服务，助力企业在金融市场中获取有效资源，为数字金融驱动企业创新提供保障。(2)注重数字金融均衡发展，助力企业创新。创新离不开金融市场的支持，而我国金融发展由于历史原因，在结构上存在不平衡不充分的难题，各主体享受到的数字金融服务存在差异。因此，要注重数字金融的平衡发展，对欠发达的地区，加强数字金融的推广与普及工作；对于金融基础设施较薄弱的地区，加大网络基础设施建设力度，助力数字金融解决传统金融普惠的难题，从而促进企业创新。(3)与时俱进，全面发展数字金融的同时注重整体与局部相结合。数字金融要注重数字技术与金融发展的深度融合，充分利用云计算、大数据等信息技术，扩大数字金融覆盖的范围，深化数字金融的服务水平，提高数字金融数字化程度，为数字金融激励微观主体创新活动打下基础。在全面发展的同时，要抓住重点，在发展初期，以数字金融覆盖的广度为主，搭建数字金融渠道，打破传统金融的网点困境，提高各主体的触达率，为发展数字金融提供广泛的客户基础。