金融集聚与企业高质量发展——金融机构空间分布的视角

冯 珏,黄解宇

(运城学院 经济管理系,山西 运城 044000)

一、引言

企业高质量发展是经济高质量发展的微观表现,也是经济高质量发展的重要组成部分。在经济转型的背景下,2017 年十九大报告首次提出了绿色低碳循环的高质量发展方向,随后中部地区以及资源型地区高质量发展的文件也相继出台,2022 年政府工作报告同样指出推动高质量发展依然是现阶段中国政府的工作任务。学者们对于如何推动经济高质量发展展开了丰富且翔实的研究,但其中关于企业高质量发展的研究却相对缺乏。

企业的高质量发展离不开金融的支持。微观数据显示:伴随着中国GDP 的平稳增长,中国上市公司的数量从2000 年的1 175 家增长到2020 年的4 432 家,基本上每10 年就会增加一倍(图1)。与此同时,中国上市公司周边5 公里、10 公里、20 公里、30 公里范围内金融机构的平均数量分别从2000年的222 家、377 家、546 家、698 家增加到2020 年的345 家、842 家、1 583 家、2 169 家,增加幅度分别为55.73%、123.37%、189.9%和210.63%,均表现出明显的上升趋势(图2)。那么,金融机构在企业周边产生的集聚现象是一种必然还是巧合,其对企业高质量发展又会产生怎样的影响?

图1 上市公司数量

图2 企业周边金融机构平均数量

金融机构集聚现象本质上还是金融集聚问题,反映的是金融与实体经济的关系。金融发展能够带动资源流动,提高金融资源的配置效率,促进社会技术创新,进而推动经济增长。资本配置效率提高意味着高资本回报率的实体经济会得到更多的资金支持,资本流入能够减轻企业的融资约束,降低企业投资对内部现金流的依赖性,从而促进企业发展[1]。金融对实体经济的促进作用已得到了广泛论证,但是近年来的金融危机却使得“金融服务实体经济”的口号频频出现,金融“脱实向虚”等问题也引起了学者们的普遍关注。这也就意味着金融对实体经济的作用出现了偏差和错位,未达到服务实体经济的预期效果。为实体经济提供更好的金融服务,根本要求在于降低流通成本,提高金融的中介效率和分配效率[2]。要实现这些要求,制度层面上需要健全资本管理机制、发展普惠金融、完善金融监管框架等,而在实践层面上也可以通过金融的集聚效应加以补充。因此,微观层面上研究金融集聚对企业高质量发展具有重要的理论和现实意义。

微观金融集聚指标的构建是考察金融集聚对微观企业行为影响的关键。构造微观金融集聚指标的必要性体现在两个方面:第一,现有对金融集聚的研究大多数集中在宏观层面上,极少有学者考察金融集聚对微观企业的影响,一个可能的原因是缺乏相应的微观金融集聚数据。第二,金融集聚反映的是金融资源的时空动态变化过程,表现出一定的区域特征,宏观层面上常用的测量方法包括构建金融集聚指标体系以及计算地区金融集聚的区位熵。然而这些测量方法在研究企业问题时缺乏一定的适用性,原因是特定区域范围内金融集聚对不同企业会产生不同的作用效果,或者说不同企业面临的金融服务和金融资源存在个体差异。因此,本文认为现有金融集聚指标在微观层面上进行分析时存在一定的局限性,制约了相关研究的发展。

基于以上分析,本文选取2011—2019 年中国A股上市公司作为考察对象,利用上市公司周边金融机构的地理信息数据,构建企业层面金融集聚指标,探讨微观层面上金融集聚对企业高质量发展的影响及其机制。实证结果表明,金融集聚显著促进了企业高质量发展。进一步研究发现,金融集聚通过降低银企信息不对称和提高银行业竞争,进而促进企业高质量发展。此外,本文还从金融机构类别、企业特征以及外部环境三个方面考察了这种影响的异质性。

本文可能的边际贡献体现在以下两个方面:第一,微观金融集聚数据。现有研究对金融集聚的测量指标集中在宏观数据上,测量方法主要是构建指标体系和区位熵的方法,在分析金融集聚对企业影响的微观机制中存在较大的局限性,本文创新性地使用上市公司周边金融机构数量测量企业层面金融集聚水平,为后续关于微观金融集聚的研究提供了有益的借鉴。第二,微观研究视角。现有文献对金融集聚的研究多集中在省级层面、城市层面或行业层面,企业层面上相关的研究极少。本文通过分析金融集聚对企业高质量发展的影响,为理解企业高质量发展的影响因素提供了新的微观证据,同时丰富了微观金融集聚与企业行为的相关研究。

二、理论分析与研究假设

(一)企业高质量发展的内涵

企业高质量发展是经济高质量发展的延伸和拓展,对于经济高质量发展的理解,多数学者采用构建指标体系的方式反映其内涵。经济高质量发展可以分解为经济成果分配、人力资本及其分布状况、经济效率与稳定性[3],也可以从创新、协调、绿色、开放、共享五个更为宽泛的维度去理解。学者们对指标的选取虽然略有区别,但基本上都是围绕经济发展是否满足人民日益增长的美好生活需要这一准则展开的。相比经济高质量发展,企业高质量发展的内涵就更加具体,也会因为企业特征的不同而有所变化。例如,国有企业由于其特殊性会存在“大而不强”“大而不优”“大而不活”等问题[4],而非国有企业往往不存在这些问题。实现国有企业高质量发展的逻辑框架可以分为国有经济、国有资本、国有企业整体以及国有企业个体四个方面[5];而民营经济高质量发展的突破路径需要从质量变革、效率变革、动力变革和环境变革四个方面着手[6]。简单分析可以看出,由于中国经济主体相对复杂,不同股权性质的企业在实现高质量发展的目标和方式上存在差异,因此,全样本分析中选择一个客观且具有代表性的指标来评价企业高质量发展是十分必要的。

相比企业生产经营过程中的中间变量,全要素生产率(TFP)包含的信息更加丰富且综合性更强,所以更适合评价企业高质量发展。采用TFP 作为企业高质量发展的代理变量在研究中得到了广泛应用。陈昭等[7]采用TFP 研究了政府补贴、企业创新与制造业企业高质量发展之间的关系,发现政府补贴抑制了企业的高质量发展,企业创新对这种抑制作用有遮掩效应;石大千等[8]以TFP 和劳动生产率共同作为高质量发展的代理变量,运用双重差分的方法,研究得出文明城市建设对企业高质量发展具有显著提高的作用;孟茂源等[9]基于2011—2017 年制造业上市公司数据,实证得出劳动力成本上升对企业高质量发展具有正向促进作用。除此之外,还有学者从企业杠杆率、知识产权保护、财务管理模式、内部控制等对企业高质量发展的影响因素进行研究,这些研究为正确理解企业高质量发展提供了丰富的宝贵经验。但作为影响企业发展的重要因素,鲜有金融集聚对企业高质量发展的相关研究,本文尝试将与TFP 相关的文献也纳入参考范围,结果依然如此。基于以上分析,本文进一步将金融集聚对企业高质量发展的影响具象化为金融集聚对企业TFP 的影响。考虑到十九大报告中关于“中国经济已由高速增长阶段转向高质量发展阶段”提出的时间节点,这一时点之前关于企业高质量发展的文献多表现为金融集聚对TFP 的研究,因此本文将文献范围扩展到金融集聚对TFP 相关的研究以及金融集聚对经济高质量发展的研究。

(二)金融集聚与企业全要素生产率

金融集聚是金融地理学的重要分支,研究的是金融资源、金融活动、金融机构等在某一区域形成金融中心的现象。国际金融中心的出现引发了学者对金融集聚的思考,而金融集聚的理论研究与实践又进一步指导各个区域创建区域金融中心,二者相辅相成。信息腹地理论指出非标准化信息需要更加专业的从业者面对面才能获得,信息外部性和不对称信息是决定金融中心形成的重要因素[10]。地理因素的存在使得金融交易产生更多的运输成本和信息成本。异地的银行经理、投资者会花费更多的时间、精力和费用与潜在的资金供给者沟通和接洽[11],为了弥补事前评估和事后监督产生的运输成本,银行会对不同距离的借款人实施差别定价[12]。地理距离的增加虽然不会影响金融机构获得公开披露的信息,但会加深资金供求双方非公开信息的不对称情况,在这方面本地金融机构具有明显的信息优势[13]。这些为本文从微观层面构建金融集聚指标提供了一个启示。宏观层面的金融集聚描述的金融资源在区域上的集中,微观层面上也可以通过金融资源在企业周边的集聚程度加以测量,二者对非标准化信息作用机制的理解本质上是一致的。

金融集聚对经济发展的影响是多方面的,包括提高城市绿色生产率、促进地区绿色发展和技术创新水平等,但这些都是金融集聚作用于企业后的宏观表现,要明确金融集聚对企业TFP 的影响,就需要更深入地了解其内在机制。金融集聚对实体经济的影响至少包括以下三个方面[14]:第一,金融集聚不仅是金融资源的集聚,也会导致与金融服务相关的会计、资产评估、投资咨询等产业的集聚,同时产生劳动力升级效应和知识溢出效应[15]。通过外部规模经济效应,为实体企业提供融资和投资便利,提高资金的流动性,扩大企业规模的同时降低融资成本和投资风险[16]。第二,金融机构集聚形成的资源网络能够降低信息挖掘的成本、信息流动的成本,降低银企之间的信息不对称,完善信誉机制,进而降低企业的融资成本和提高资金配置效率,而资源配置效率的改善能够促进企业TFP 显著提高[17]。第三,金融机构的集聚加剧了区域范围内的行业竞争,金融机构为抢占市场份额会提高服务质量,加速金融产品创新,提高金融机构经营效率,优化企业融资环境。

因此,本文提出假设:金融机构的集聚能够提高企业的TFP。

三、数据、模型与变量

(一)样本选取和数据来源

本文以2011—2019 年中国沪深A 股上市公司作为研究对象。上市公司基本特征、财务数据来源于CSMAR 数据库和Wind 数据库,据此获得企业的TFP。金融机构许可证信息数据来源于中国银行保险监督管理委员会网站,对其中机构地址因短缺或无法定位而不能正常使用的信息进行人工纠错和补充。数字经济信息来源于《中国统计年鉴》《中国工业经济统计年鉴》《中国科技统计年鉴》以及各省份统计年鉴。借鉴以往文献对样本的处理:剔除金融行业数据;剔除已退市的上市公司;剔除既发行A股又发行B 股的上市公司;剔除样本区间内ST、*ST、PT 的上市公司;对连续变量进行双侧1%的缩尾处理。最终得到3 183 家上市公司20 371 个样本观测值。

(二)模型构建

本文采用固定效应模型检验金融集聚对企业TFP 的影响,模型设定如下:

其中,Tfpi,t表示企业i在第t年的全要素生产率,解释变量fini,t表示企业i在第t年的金融集聚水平,Controlsi,t表示与企业个体特征相关的控制变量,包括资产负债率、企业年龄、第一大股东持股比率、企业成长性、现金流、董事会独立性。本文关注的核心解释变量fin的系数α1若显著为正,则表示金融集聚能够促进企业TFP。

(三)变量度量

1.被解释变量:全要素生产率。对于企业TFP常用的估计方法有OLS 法、OP 法和LP 法,OP 法将企业的进入和退出情况考虑在内,避免了样本选择偏差的问题。LP 法进一步改进了OP 法,采用中间投入指标作为不可观测生产率的代理变量。相对OLS 法,OP 法和LP 法都能够解决生产率估计中的内生性问题,结果也更加可靠[18]。因此,本文用LP法作为企业TFP 的估计方法,OP 法计算的指标作为被解释变量的替代变量。

2.核心解释变量:金融集聚。关于金融集聚的测量方法主要有构建指标体系法和区位熵的方法。金融集聚指标体系中选取的二级指标基本上为金融资本、金融机构和金融人才,但三级指标却相差较大,构建指标体系的方法因不同学者对金融集聚的理解、数据获取情况、研究需求的不同存在较大差异。区位熵的方法反映的是各省份金融业在空间上的集聚水平以及在全国的地位和作用。现有文献中常用于计算金融集聚区位熵的数据包括金融业增加值、地区生产总值、金融从业人数和地区全部从业人数等,也有学者将区位熵的方法进行扩展,先计算出银行业、证券业、保险业的区位熵,然后采用因子分析的方式得到地区金融集聚水平。通过对现有学者测算金融集聚指标方式的分析可以看出,无论是构建指标体系的方法还是区位熵的方法,在数据的选取上都集中在省级层面、城市层面或行业层面,而研究的问题也多与宏观经济挂钩,在研究企业层面问题时缺乏适用性,这可能是导致企业层面金融集聚研究无法深入的一个重要原因。即使使用宏观数据测算的金融集聚指标能够较好地解释微观经济问题[19],但同样存在着适用性的问题。用地区金融集聚指标构建模型表现的是不同企业对同一地区金融集聚水平的因果关系,一方面有可能因为企业的个体差异较大而使模型解释力不足,另一方面这种测量方式也无法真实反映出每个企业所面临的差异化金融集聚效应。因此,在微观层面上分析金融集聚效应时应该根据每个企业的个体特征分别测算。

本文创新性地使用上市公司周边金融机构数量测量企业层面金融集聚水平。使用这种测量方式的内在逻辑是:企业周边的金融机构集聚能够发挥集聚优势,共享人才、信息、基础设施建设等资源,实现外部规模经济,降低金融机构经营成本,提高金融机构经营绩效。更重要的是,金融机构在对企业调查过程中,除了从公开资源上获取企业的生产经营情况信息,也需要开展线下调研和接触,许多潜在的风险无法从公开信息中获得,这些获取难度较大的非标准化信息使得金融机构在空间上会尽量靠近信息来源。而且公开信息在一定程度上也存在被粉饰的可能,从而使得非标准化信息的重要性就更加凸显。金融机构在空间上靠近企业,对企业的了解也会更加深入,从而能够在源头上最大程度降低金融风险。因此,采用这种测量方式研究微观企业金融集聚效应更具合理性和可靠性,这种测量方式已经被其他学者应用于金融相关的其他研究[20]。

本文统计的金融机构包括信托公司、农村信用社、农村合作银行、商业银行、政策性银行、村镇银行、汽车金融公司、消费金融公司、财务公司、货币经纪公司、贷款公司、资金互助社、邮政储蓄网点、金融租赁公司、金融资产管理公司以及其他金融机构,在统计口径上相对其他学者要更加宽泛,也更符合金融集聚的内涵。上市公司的地址选用企业办公地址,金融机构的地址来自中国银行保险监督管理委员会网站,对其中无法通过百度地图定位的地址,更改为该金融机构最近可定位的地址。根据上市公司与金融机构的经纬度信息并考虑当年金融机构的退出情况,通过空间坐标距离公式计算出各年每家企业周边一定范围内金融机构的数量,用来度量每个企业所面临的金融集聚水平,并通过加1 取对数处理作为实证分析中的核心解释变量。

3.控制变量。借鉴已有文献,本文选取的企业控制变量有:资产负债率Lev衡量企业利用债权人提供资金进行经营活动的能力。商业信用、库存现金等经营性负债能够缓解融资约束,因此,当经营性负债较高时,企业TFP 也较高。一般而言,随着企业年龄Age的增加,企业规模也会随之增大,大规模的企业比小规模企业管理更规范、经营风险更小,成长性也就更好。第一大股东持股比率Top1 表现为大股东与小股东之间的利益冲突问题,股权结构对公司绩效有显著影响。企业成长性Growth表现为企业附加值不断增加的过程,是企业盈利能力的体现,具有良好成长性的企业,往往其企业生产率较高。现金流Cashflow与企业发展面临的融资约束密切相关,是企业提高TFP 的重要影响因素。董事会独立性Indep在企业的监督管理中起着重要作用,有效的监督管理能够使管理者的决策更加谨慎,从而提高企业的生产经营效率。

本文加入了金融集聚的溢出效应作为宏观控制变量。由于经济变量的特殊性,金融集聚的溢出效应不仅表现为地理位置上的关联,更与经济联系相关,较多文献采用空间计量模型对金融集聚进行分析,如空间滞后、空间误差或者空间杜宾模型,其原理是加入被解释变量、解释变量或者误差项的空间滞后项,这些空间滞后项都依赖省份层面或者城市层面的空间权重矩阵,本文参考的文献中并未发现将空间模型应用于企业研究。宋敏等[21]在研究金融科技对企业全要素生产率的影响过程中,考虑到金融科技同样存在溢出效应,采用地市周边一定范围内非本市金融科技公司数目来度量金融科技的溢出效应,结果却不显著。其原因可能是:一方面,这种测量方式忽视了经济变量溢出效应的特殊性,从而将距离很远但也有可能存在关联的因素排除;另一方面,这种测量方式忽视了区域间的地理因素,金融发展或金融监管都有一定的地域性,只考虑距离因素容易混淆集聚效应和溢出效应,从而使模型无法识别。

因此,本文采用区位熵的方式来度量金融集聚的溢出效应。具体做法:首先,计算出各个省份金融集聚的区位熵,计算区位熵的指标选择地区金融业从业人员和地区全部从业人员。其次,通过空间权重矩阵计算出各个企业所在省份的溢出效应作为企业金融集聚的代理变量。计算溢出效应的权重矩阵采用嵌套的经济距离空间权重矩阵,由于经济活动除了受到地理因素的影响,也会受到非地理因素的影响,这种影响表现在经济差异较小的地区间更容易发生经济行为,同时较大影响力的地区与较小影响力的地区相互的溢出效应存在明显差异,具有非对称性。计算嵌套权重矩阵的公式为Wgdp=Wddiag。其中Wd为地理距离空间权重矩阵,通过两个地区的地理距离倒数的平方计算获得;表示考察期内第i省地区生产总值平均值,表示考察期内所有地区生产总值的均值,为了消除可变价格影响,所有样本值均先除以当年全国GDP,然后用该比值带入公式求得嵌套权重矩阵。最后,通过不同指标测量的区位熵和嵌套权重矩阵计算出溢出效应spillover。主要变量的具体定义见表1。

表1 主要变量定义

(四)描述性统计分析

表2 结果显示,LP 法得到的全要素生产率均值为8.142 1,中位数为8.038 2,高于OP 法计算的均值3.604 4 和中位数3.522 9。金融集聚相关指标随着测量范围的扩大,均值依次为5.142 4、6.083 6、6.817 5、7.221 9,呈现出递增的趋势,从平均值的角度看,上市公司周边的金融机构分布较为均匀,没有出现特定区间扎堆的现象。核心解释变量与被解释变量通过对数处理后的中位数与均值结果接近,表明数据的偏态问题得到较好的改善,其余控制变量基本统计特征均与其他学者研究相近。

表2 主要变量的基本统计特征

四、实证分析

(一)基准回归

基准回归模型估计了不同范围内金融集聚水平对企业TFP 的影响。表3 结果显示上市公司周边5公里、10 公里、20 公里、30 公里范围内金融集聚对企业TFP 的回归系数分别是0.064 8、0.101 4、0.140 7、0.159 5,均在1%统计水平上显著为正,表明金融集聚对企业TFP 有显著促进作用。随着测量指标范围的扩大,列(1)～列(4)的回归系数有明显增加的趋势,而增加量出现递减的趋势,说明随着测量范围的扩大,金融机构产生的金融集聚效应也在增加,距离越远的金融机构对总效应的边际贡献越小。控制变量回归系数显示:资产负债率、企业年龄、营业收入的增长率、现金流回归系数显著,而第一大股东持股比率、董事会独立性显著性较弱。溢出效应系数显著为正,表明样本期内金融集聚的涓流效应大于极化效应。控制变量系数的显著性和符号基本符合预期。

表3 基准回归结果

表3 中测算的距离分别为5 公里、10 公里、20公里、30 公里。那么,是否任意距离内的金融集聚对企业高质量发展都存在正向影响,其合理范围是多少? 基于以上考虑,本文同时测算了100 公里范围内的金融集聚对企业高质量发展的回归系数及P值。图3 显示金融机构集聚效应并不会随着距离增加而一直存在,大约75 公里范围内,回归系数至少在10%水平上显著为正,大约65 公里范围内,回归系数至少在5%水平上显著为正,范围小于55 公里,回归系数在1%水平上显著为正,这表明平均来说金融集聚影响企业高质量发展的最佳范围为5～55 公里。随着距离的不断增加,回归系数大小呈现出倒U 型曲线,并且在距离为30 公里时,回归系数达到了最大值,说明从金融机构集聚的视角来看,金融集聚影响企业高质量发展的最佳半径是30 公里。下文以30 公里范围内金融机构集聚指标Fin30 为例进行相关分析,其他合理距离测算的指标分析得出的结论与Fin30 一致。

图3 企业周边不同范围内金融集聚对企业高质量发展的影响

(二)内生性问题

金融机构的空间分布与地区经济发展水平密切相关,一般来说经济发展水平较高的地区,金融资源相对充裕,因而金融机构的数量也会较多。例如,2019 年上市公司30 公里范围内金融机构平均数量排名前三的省份是北京、上海、广东,而排名最后三名的省份是内蒙古、宁夏、西藏。经济发展水平较高的地区,其基础设施建设完善、人力资源充沛、企业往往具有更高的公司治理能力以及信息获取能力,企业更容易获得更高的TFP,而企业生产效率的提高也同样有可能吸引更多的金融资源集聚,从而产生双向因果问题。

借鉴其他学者的做法[22],本文采用两种方法对双向因果关系进行控制。一是以金融机构的增量D.Fin30 为解释变量,以控制过去企业特征对当期金融机构数量的影响;二是将当期金融机构数量对上一期企业TFP进行回归,提取回归的残差项R.Fin30,该残差项表示为当期金融机构数量不受上一期企业TFP 影响的部分。表4(1)～(2)列的结果显示增量D.Fin30 和残差项R.Fin30 对企业TFP的回归系数分别为0.257 3 和0.097 5,且至少在5%水平上显著。上述结果表明,在控制了双向因果关系的干扰后,结果依然稳健。

表4 内生性和稳健性

(三)稳健性检验

1.替换被解释变量。为了排除指标选取的影响,本文选择OP 法计算的企业TFP 作为被解释变量的替代指标。表4 列(3)金融集聚对企业TFP 的回归系数为0.090 7,在1%的水平上显著为正。相比LP 法的回归结果,OP 法获得的金融集聚回归系数值较小,可能的原因是LP 法与OP 法计算的TFP本身存在较大差异。

2.替换解释变量。由于政策性银行一般不发放贷款,上市公司一般很少在农村地区,因此剔除政策性银行、农村合作银行、农村信用社、村镇银行数据。同时,汽车金融公司、财务公司、金融资产管理公司等也不是企业主要的融资渠道,在众多的金融机构中,上市公司和商业银行的关系最为密切,因此文本从232480 家金融机构中剔除了25760 家非商业银行金融机构,重新测算上市公司周边30 公里范围内金融机构的数量,作为解释变量的替代指标。表4列(4)结果显示:在剔除了其他非商业银行金融机构后,金融集聚对企业TFP 的回归系数为0.180 9,在1%水平上显著,表明仅考虑商业银行产生的金融集聚效应,本文的结果仍然具有稳健性。

3.替换模型。TFP 反映的是投入转化为最终产出的总体效率,多数研究中将其表示为技术水平,或者更为宽泛地理解为技术水平、知识水平、管理技能、制度等,但无论是技术水平还是其他,这些因素在时间上往往存在一定的黏性,表现为TFP 在时间上产生了一定的序列相关性。本文将TFP 滞后一期纳入基准模型,采用系统GMM 方法进行估计。估计模型如下:

其中,Tfpi,t-1表示TFP 的滞后一期变量,其他变量与符号与基准模型一致。表4 列(5)结果显示TFP滞后一期的回归系数在1%水平上显著,说明企业生产中TFP 在时间上具有较高的正向相关性,金融集聚对企业TFP 的回归系数为0.203 1,在1%水平上显著,结论与前文保持一致。

(四)异质性分析

本文分别从金融机构异质性、企业异质性以及地区差异三个方面分析金融集聚对企业TFP 影响的差异。

1.金融机构异质性。通过对机构类别代码的分析可以发现,在所有金融机构中,银行类金融机构占比高达88.92%,结合现实情况,企业融资主要来源于银行类金融机构,因此,金融机构异质性分析中包括的商业银行有国有大型商业银行、股份制商业银行、城市商业银行、农村商业银行以及外资银行。其中,城市商业银行、农村商业银行和外资银行在部分省份未设立相应的金融机构,因此从样本中将相应的上市公司剔除。表5 结果显示上述5 类商业银行除了农村商业银行对企业TFP 无显著影响外,其余4 类商业银行均表现出显著为正的回归系数,其原因在于农村商业银行贷款的对象主要是三农以及小微企业,并不属于本文研究的范畴。对比结果还可以发现,国有大型商业银行、股份制商业银行以及城市商业银行的集聚对企业TFP 的影响差别不大,而外资银行集聚的影响明显大于前面三者的影响。金友森等[23]以外资银行进入中国各城市作为准自然实验分析得出:外资银行进入以后对企业TFP 的提高产生了6%的差异,这一结论与本文结果类似。

表5 金融机构异质性

2.企业异质性。本文将从企业受政府补贴的程度以及企业股权性质两个方面进行分析。

第一,政府补贴是政府通过补贴的方式,对企业融资约束的适度调节和干预。一方面,政府补贴能够释放出积极的信号,政府往往会对具有较强发展潜力的企业进行补贴,金融机构获得这些补贴信号后能够更容易发现企业的发展潜力,提高其获得信贷的可能性;另一方面,政府补贴降低了企业的融资约束,弥补企业的资金缺口,增加企业创新投入和规模扩张,进而提高企业的TFP。但也有学者认为寻租和腐败行为会影响政府补贴的实施效果,存在补贴依赖症的企业获得补贴会影响政府补贴的实际效果,同时政府补贴受到企业决策者动机的影响,在监管不足的情况下,企业容易产生“过度购买”和“突击花钱”等行为,这些行为也会抑制政府补贴效果。本文认为政府补贴在一定程度上会影响金融集聚对企业高质量发展的作用效果。从上市公司财务数据中获取政府补贴数据,剔除政府补贴为0 的观测值,选择政府补贴合计项的自然对数作为企业政府补贴的代理变量log(sub),在基准模型中加入政府补贴以及金融集聚和政府补贴的交乘项。表6 列(1)回归结果显示交乘项的系数在1%水平上显著为正,表明获得政府补贴越多的企业,金融集聚促进TFP 的作用越大,政府补贴在一定程度上放大了金融集聚效应。

表6 企业和地区异质性

第二,股权性质是企业自身的重要异质特征。相比非国有企业,国有企业长期面临预算软约束,企业破产的可能性较小,在实现“拨改贷”和银行商业化后,这种情况有所缓解,但并没有根本消除[24],即使在资源倾斜的背景下,其表现依然比不上民营企业[25],而非国有企业目标更加明确,相应的激励措施也更加完备。在“双循环”战略背景下,国有企业通过改革完善企业内部管理制度、优化激励措施、引入各类资本发展混合所有制经济,进而提高了企业TFP[26]。尽管如此,股权性质的异质性就决定了这种差异有可能缩小,却不可能消失。因此,股权性质是不同企业获取外部资源的一个重要内部特征,很可能对金融集聚效应产生影响。在基准模型中加入股权性质虚拟变量Soe以及金融集聚和股权性质的交乘项,当企业为国有企业时,Soe值为1,否则为0。表6 列(2)回归结果显示交乘项的系数在1%水平上显著为负,表明金融集聚效应在不同股权性质的企业之间存在差异,对非国有企业TFP 的促进作用更大。

3.地区异质性①。本文从企业所在省份的数字经济发展水平以及是否处于东部地区两个方面进行分析。

第一,风险和信用是金融业发展的两个重要方面,金融业属于数据密集型行业,没有数据金融机构就无法建立可靠的征信系统。传统金融与金融科技的融合为金融机构的信息建设带来了“增质提效”的优势。这种优势能够在一定程度上缓解传统金融暴露出的结构性错配问题和靶向偏离问题[27],与此同时,数字经济能够倒逼金融部门转型升级,提高资源的配置效率和风险管理能力[28]。因此,不同地区数字经济发展程度不同,金融集聚所产生的集聚效应也会有所区别。借鉴潘为华等[29]的做法,采用数字经济基础设施、数字产业化、产业数字化、数字化治理四个一级指标构建2011—2019 年地区数字经济发展指数作为数字经济Digital的代理变量。表6列(3)回归结果显示交乘项的系数在1%水平上显著为正,表明随着数字经济水平的提高,金融机构服务实体经济的能力也在不断提高。

第二,东部地区金融资源丰富,金融市场相对成熟。图4 描述了30 公里范围内上市公司周边金融机构平均数量的变化趋势。2000 年东部地区企业周边金融机构平均数量不到中西部地区的2 倍,而仅仅到2005 年东部地区就超过中西部地区平均值的2 倍,这种差距更是在2010 年不断扩大,一直到2020 年出现了缩小的趋势。金融机构数量上的差异反映出的是金融集聚水平上的差异。因此,东部地区和中西部地区经济发展水平的高低以及其他外部环境因素,在一定程度上也会影响金融服务实体企业的能力。在基准模型中加入东部地区虚拟变量East以及金融集聚和东部地区的交乘项,当企业位于东部地区时,East值为1,否则为0。表6 列(4)回归结果显示交乘项的系数在5%水平上显著为正,表明东部地区金融资源更加充沛,金融基础和配套设施更加完备,为金融集聚发挥其功效提供了必要的环境基础,而中西部地区不仅金融集聚水平普遍较低,而且相应的配套也与东部地区存在一定的差距。

图4 30 公里范围内不同地区企业周边金融机构平均数量

五、机制分析

为了进一步考察金融集聚影响企业TFP 的作用机制,本文尝试从信息不对称和银行业竞争两个视角对影响路径展开研究。借鉴李春涛等[30]的思路构建模型:

其中,M表示银企信息不对称水平或企业周边的银行业竞争水平。测量信息不对称指标ASY的方法如下:计算得出流动性比率指标、非流动性比率指标以及收益率反转指标。对第一步获得的三个指标进行主成分分析,根据主成分分析的结果,仅第一主成分的特征值大于1,因此提取第一主成分作为信息不对称指标ASY,ASY值越大表明企业信息不对称越严重。测量银行业竞争采用的是赫芬达尔指数HHI,采用企业周边30 公里范围内不同银行类金融机构的数量计算得出,指数越小表明企业周边银行业竞争越激烈。考虑到政府隐形担保的存在,国有企业在融资过程中优势较大,银行向国有企业提供信贷的风险往往小于向非国有企业提供信贷的风险,侧面反映出的现实就是非国有企业更容易陷入融资难、融资贵的困境。因此,银行业竞争对非国有企业的影响要大于对国有企业的影响,银行业竞争对金融机构集聚促进企业TFP 的影响机制在非国有企业样本中会更加明显。

表7 列(1)～(3)为信息不对称的影响机制检验,列(4)～(6)为非国有企业银行业竞争的影响机制检验。列(1)检验结果显示金融机构集聚对信息不对称的回归系数在1%水平上显著为负,表明金融机构集聚能够缓解银企之间的信息不对称。列(2)中信息不对称对企业TFP 的回归系数在1%水平上显著为负,表明信息不对称的降低能够提高企业TFP。列(3)交乘项系数在5%水平上显著为负,表明金融机构集聚对企业TFP 的影响主要存在于信息不对称水平较低的企业。列(4)检验结果显示非国有企业金融机构集聚对银行业竞争的回归系数在1%水平上显著为负,表明金融机构集聚能够促进非国有企业周边的银行业竞争水平。列(5)中银行业竞争对非国有企业TFP 的回归系数在10%水平上显著为负,表明更高的银行业竞争水平能够提高非国有企业TFP。列(6)交乘项系数在5%水平上显著为负,表明金融机构集聚对非国有企业TFP 的影响主要存在于银行业竞争程度较高的企业。对于国有企业,检验结果表明金融机构集聚虽然能够显著提高企业周边的银行业竞争水平,但银行业竞争水平的提高却不能显著提高国有企业TFP。

表7 机制分析:信息不对称和银行业竞争

六、结论与政策启示

本文用2011—2019 年A 股上市公司的数据,创新性地用不同年份上市公司周边金融机构的数量衡量金融集聚水平,考察了企业层面金融集聚对实体企业高质量发展的影响。研究发现,微观金融集聚能够显著提高企业高质量发展水平,且在测算距离为30 公里时这种效应最为明显,超过75 公里微观金融集聚效应不再明显。在考虑内生性问题和一系列稳健性检验后结论依然成立。异质性分析结论显示,国有大型商业银行、股份制商业银行、城市商业银行以及外资银行金融机构的集聚均对企业TFP产生正向影响,其中外资银行的集聚对企业TFP 的影响较高;政府补贴或非国有企业特征能够放大这种集聚效应,同时数字经济的发展和企业所在的区位优势也能够提升这种集聚效应。机制分析表明,金融集聚效应能够通过降低银企信息不对称和提高银行业竞争水平两种途径促进企业高质量发展。

基于以上结论,得出如下政策启示:

第一,合理优化金融机构布局,实现金融集聚效应最大化。金融机构集聚对企业高质量发展具有显著促进作用,而不同范围内金融机构的数量对企业高质量发展作用的效果明显不同。一方面,要继续推动金融机构集聚进程,在地方经济发展水平的基础上最大化金融集聚水平;另一方面,要对金融资源合理布局,避免过度集中或过度分散。本文对企业周边金融机构范围的分析可以为地方金融资源布局提供一定的参考,地区发展要进一步改善金融产业招商体系,尤其是中西部地区,更要着重改善当地的金融生态环境。加大对外资金融机构的重视程度,优化相关的服务机制。

第二,发挥政策引导作用,促进金融体系增质提效,强化金融集聚对实体企业的服务能力。政府补贴会向公众传递出“良好市场潜力”的信号,间接影响金融资源的倾斜力度。因此,坚持良好的政府补贴政策,完善补贴资格审查机制,做好补贴事后评估,发挥好政府补贴政策的信号作用。与此同时,根据各地区不同的资源禀赋,因地制宜,统筹协调发展数字经济。加大对落后地区和省份的扶持力度和基础设施建设,进一步将数字要素融入金融体系,促进数字经济对金融体系的增量补充和存量优化作用,降低企业融资成本,提高资源配置效率,更好地发挥金融集聚对企业高质量发展的促进作用。

注释:

①东部:京、津、冀、辽、沪、苏、浙、闽、鲁、粤、琼;中部:晋、吉、黑、皖、赣、豫、鄂、湘;西部:内蒙古、滇、川、渝、贵、陕、甘、宁、新、藏、桂、青。