金融科技、异质性创新与企业全要素生产率

《Journal of Innovation & Knowledge》：FinTech, heterogeneous innovation, and firm total factor productivity

　　

金融科技（FinTech）作为一种技术驱动的金融创新，是深化金融供给侧结构性改革、增强金融服务实体经济能力的重要引擎。在推进创新驱动发展的背景下，研究人员利用2000至2023年上市公司的微观数据，从异质性创新行为的角度考察了金融科技如何提升企业全要素生产率（TFP）。结果表明，金融科技显著提高了企业全要素生产率。在解决了内生性问题并进行了多项稳健性检验后，这一结论仍然稳健。机制分析表明，金融科技促进了企业异质性创新（渐进式创新和突破式创新），进而提升了全要素生产率。突破式创新对全要素生产率的边际贡献更大。异质性分析进一步揭示，金融科技对全要素生产率的影响在制造业和大规模企业、供应链议价能力较低或数字化转型（Digital Transformation, DT）水平较高的企业中更强。这些发现强调了金融科技在缓解信息摩擦、将知识和金融资源重新配置到具有更高生产率回报的创新中的作用，从而将金融数字化与企业层面的知识创造和扩散联系起来。

在数字经济时代，金融科技（FinTech）作为技术驱动的金融创新，成为深化金融供给侧结构性改革和提升服务实体经济能力的重要引擎。然而，现有文献多聚焦于FinTech的金融属性，通过融资约束、信息不对称等渠道解释其对企业全要素生产率（Total Factor Productivity, TFP）的影响，较少从企业异质性创新行为（包括突破式创新和渐进式创新）的角度进行机制分析。传统研究仅用专利数量衡量创新，难以区分生产率提升是源于进入新领域还是强化现有领域。为此，研究人员利用2000至2023年中国沪深上市公司微观数据，从异质性创新视角系统考察FinTech如何提升企业全要素生产率。研究发现，FinTech显著提高企业TFP，且结论在多种内生性处理和稳健性检验后依然成立；机制上，FinTech通过促进企业异质性创新（尤其是突破式创新）提升TFP；异质性上，该效应在制造业、大规模企业、供应链议价能力较低或数字化转型程度较高的企业中更强。这些发现强调了FinTech在缓解信息摩擦、将知识和金融资源重新配置到高生产率创新中的作用，为金融数字化与企业知识创造和扩散之间的关联提供了证据。该论文发表在《Journal of Innovation》。

为开展研究，研究人员采用以下关键技术方法：首先，样本来源于2000—2023年中国上市公司的非平衡面板数据，涵盖3,697家企业，专利数据来自中国国家知识产权局（CNIPA）和CNRDS，财务与治理数据来自CSMAR，城市层面数据来自国家统计局和《中国城市统计年鉴》。主要方法包括：（1）基于上市公司年报文本分析，利用Python构建涵盖人工智能、区块链、云计算、大数据、在线转型和移动转型六个维度的关键词字典，计算企业层面FinTech发展指数；（2）采用Olley–Pakes（OP）和Levinsohn–Petrin（LP）方法估算企业TFP，稳健性检验中使用OLS、固定效应（FE）和GMM方法；（3）异质性创新的测量依据国际专利分类（IPC）四位数代码，将新领域专利数量（lnNew_patent）和新增IPC代码数量（lnNew_IPC）作为突破式创新代理，将现有领域专利数量（lnKnown_patent）和技术相似度（Similarity）作为渐进式创新代理；（4）采用双向固定效应模型进行基线回归，运用四步中介模型（分别检验FinTech对中介变量、中介变量对TFP、两者共同对TFP的影响）并结合Sobel和Bootstrap检验验证机制；（5）内生性处理采用工具变量（同地区同行业其他企业平均FinTech水平）、Heckman两步法和安慰剂检验，稳健性检验包括替换变量测量、加入高维固定效应（企业×年份、城市×年份、省份×年份）、控制外生政策冲击（科技金融试点、人工智能创新应用试点、大数据综合试验区）以及双/去偏机器学习（DDML）方法（随机森林、LASSO、梯度提升）。

**基线回归结果**：通过构建双向固定效应模型，以TFP_OP和TFP_LP为因变量，逐步加入控制变量后，FinTech系数均在1%水平上显著为正，表明FinTech显著提升企业TFP，支持假设1。

**内生性处理**：（1）针对反向因果问题，采用工具变量（同地区同行业其他企业同期平均FinTech水平IV1，以及同行业其他企业同期平均FinTech水平IV2）进行两阶段最小二乘回归（2SLS），第一阶段显著相关，第二阶段FinTech系数仍显著为正，且通过了弱工具变量和过度识别检验。（2）针对样本选择偏差，使用Heckman两步法，第一阶段构建企业FinTech是否高于样本期平均值的二值变量进行Probit回归，估计逆米尔斯比率（IMR），第二阶段将IMR加入基线模型，IMR显著但FinTech系数仍显著正，表明结论稳健。（3）针对遗漏变量问题，进行安慰剂检验，随机生成虚假FinTech变量重复1000次回归，真实估计系数位于虚假分布之外，表明结果非随机因素驱动。

**稳健性检验**：（1）替换变量测量：TFP用OLS、FE、GMM方法估算，FinTech用城市层面新注册FinTech企业数和累计注册数替代，结果均显著为正。（2）高维固定效应：逐步加入企业×年份、城市×年份、省份×年份交互固定效应，FinTech系数仍显著。（3）考虑外生政策冲击：将科技金融试点、人工智能创新应用试点、大数据综合试验区政策哑变量纳入模型，FinTech系数不变。（4）双/去偏机器学习（DDML）：使用随机森林、LASSO和梯度提升算法估计部分线性模型，FinTech系数均显著为正。

**机制分析**：采用四步中介模型检验异质性创新的中介效应。以突破式创新（lnNew_patent和lnNew_IPC）为中介变量，列（1）显示FinTech显著促进突破式创新（1%水平），列（2）显示突破式创新显著提升TFP（1%水平），列（3）显示FinTech和突破式创新同时显著正向影响TFP，Sobel和Bootstrap检验均支持中介效应。以渐进式创新（Similarity和lnKnown_patent）为中介变量，同样发现FinTech显著促进渐进式创新，进而提升TFP。比较间接效应大小，突破式创新对TFP的贡献大于渐进式创新，支持假设2。

**异质性分析**：（1）行业异质性：构建制造业虚拟变量与FinTech交互项，交互项系数显著为正，表明FinTech对制造业企业TFP的提升效应更强。（2）企业规模异质性：以总资产衡量企业规模，大企业（高于行业中位数）的交互项系数显著为正，表明FinTech对大企业TFP的提升更强。（3）供应链议价能力异质性：以供应商和客户集中度反向衡量供应链议价能力（SSC，值越高议价能力越低），交互项系数显著为正，表明FinTech对议价能力较低企业（如小微企业）的TFP提升更强。（4）数字化转型异质性：构建数字化转型（DT）指数与FinTech交互项，交互项系数显著为正，表明FinTech对数字化转型程度较高企业TFP的提升更强。

**总结讨论部分**：研究结论翻译如下：面对新一代数字技术与生产力变革带来的机遇与挑战，FinTech是推动企业技术创新进而提升运营效率的重要驱动力。在推进高质量发展和中国式现代化的双重目标下，本研究以2000至2023年中国上市公司为样本，考察了FinTech对企业TFP的影响、作用机制与异质性效应。主要发现如下：FinTech发展显著提升企业TFP；在解决反向因果、样本选择偏差和遗漏变量等内生性问题，并通过双机器学习进行稳健性检验后，该结论依然成立。机制分析表明，FinTech通过异质性创新促进企业TFP，其中突破式创新对TFP的边际贡献更大。FinTech的TFP提升效应在制造业企业、大规模企业、低供应链议价能力（SSC）企业和高数字化转型（DT）企业中更强。基于此，研究人员提出了建立动态监管框架与数字包容体系、优化金融资源配置以催化技术—产业—金融良性循环、加强国际政策协调与制度型开放等政策建议。本研究也指出未来可进一步丰富机制识别（如资源分配效率、信贷错配）并探究动态演化机制（如企业生命周期差异）。