【《数字普惠金融与企业创新的关系实证分析案例》6100字】

数字普惠金融与企业创新的关系实证分析案例目录TOC\o"1-3"\h\u3499数字普惠金融与企业创新的关系实证分析案例 127909第一节样本选取与数据来源 118343一、样本选取 128898二、数据来源 28250第二节描述性分析 219915第三节相关性分析 37227第四节回归结果分析 519891一、基准固定效应模型的回归结果及分析 515461二、基于融资约束的中介效应模型回归结果及分析 66835三、考虑金融监管水平差异的检验 79610四、考虑企业所有权差异的检验 825838五、考虑不同区域的中小企业差异检验 921369六、稳健性检验 10第一节样本选取与数据来源一、样本选取本文选取2011-2018年我国中小板和创业板上市公司作为样本对象，一方面是由于中小板和创业板的公司都是以中小企业为主，相较于A股大型企业，中小企业由于发展前景不确定、信用评价体系不完善等原因更容易面临融资约束，数字普惠金融是缓解融资约束的渠道之一，所以选择此样本符合本文研究主题；另一方面是限于数据的可获得性，中小板和创业板财务数据公开完整，本文研究用到的研发投入和专利申请数量相关的数据披露较为完整，且经过外部审计审核，准确性高。在样本筛选上，按照如下的选择过程：（1）去除金融类上市公司。（2）剔除样本期内曾经或已经处于ST或ST*的公司。（3）剔除了相关指标及信息披露不全的公司。（4）对连续变量进行1%的Winsor缩尾处理。经过筛选后，本文最终样本为481家公司，共计3848个样本观测值。二、数据来源本文有关中小企业所在地级市的数字普惠金融数据来自于《北京大学数字普惠金融指数（2011-2018）》，样本公司财务指标（股权集中度、资产报酬率等）主要从CSMAR国泰安数据库中获得，企业创新相关数据（创新投入金额、发明专利申请数量）均来自于WIND数据库。第二节描述性分析表5.1列出了样本数据的描述性统计结果。从被解释变量来看，对于中小企业创新研发投入而言，将中小企业研发投入金融进行对数化处理后的平均值为3.918，但最值间差距大，标准差也较大，反映出样本企业间研发投入规模存在较大差异。样本中小企业专利产出数量对数化处理后均值为0.85，但与中小企业研发投入数据一样都存在最大值和最小值差异较大的现象。这可能是由于不同行业中小企业的研发特点所决定的，所以在本文的研究中控制了行业之间的差异。从解释变量来看，对于数字普惠金融指数及3个二级指标，其平均值都稳定在1.8左右，但4类数据的最值差异明显，说明仍有中小企业处在数字普惠金融发展水平较低的地区。在地区间数字普惠金融发展非平衡的状态下，更有利于研究数字普惠金融发展对不同区域中小企业创新的影响。从中介变量来看，样本企业融资约束的指标数据最大值和最小值之间仍存在一定差距，说明样本企业面临的融资约束有差异。从控制变量来看，样本企业的资本密集度和托比Q值的标准差较大，最值间也存在不小的差距，这说明样本企业间的经营风险和发展潜力不同。表5.1变量描述性统计变量名称观测数平均值标准差最小值最大值INPUT3,3673.9181.0361.4906.715OUTPUT3,3670.8501.55005.541DIF3,3671.8040.6100.4772.892DIFCD3,3671.8210.5880.4362.876DIFUD3,3671.7750.6360.5373.205DIFDL3,3671.8030.7890.1923.228FINCONS3,367-1.0010.049-1.135-0.887ROA3,3670.0610.046-0.0810.218CAPIT3,3672.3521.2750.5097.350EQUITY3,3670.3240.1360.0880.689TOBINQ3,3672.5491.5171.0729.330AUDIT3,3670.4100.49201SAME3,3670.3660.48201AGE3,3672.4480.1532.1972.833PGDP3,3670.5150.1440.2300.854第三节相关性分析表5.2列出了变量间的皮尔森相关系数矩阵，初步判断各变量之间基本不存在多重共线性问题，且各变量通过了VIF检验。从变量间的系数来看，数字普惠金融发展（DIF）与中小企业创新投入（INPUT）呈现显著正相关，融资约束（FINCONS）对中小企业创新投入及产出有显著的负相关关系。表5.2变量的皮尔森相关系数矩阵INPUTOUTPUTDIFFINCONSROACAPITEQUITYTOBINQAUDITSAMEAGEPGDPINPUT11OUTPUT1.115***1DIF.413***.0031FINCONS-.618***-.060***-.312***1ROA.145***.039**-.136***-.312***1CAPIT-.180***-.028*.033**.150***-.312***1EQUITY-.029*.045***-.159***-.038**.092***-.150***1TOBINQ.027*.049***.238***.081***.206***.072***-.086***1AUDIT-.029*-.001.085***.036**-.056***-.011-.028*.0041SAME-.097***-.003-.028*.085***.011.054***.095***.031*.0031AGE.196***.041**-.079***-.154***.129***-.190***-.034**.018-.043***-.101***1PGDP.271***-.053***.571***-.171***.007-.034**-.070***.126***.027*.047***-.093***1注：***表示在0.01上显著；**表示在0.05上显著；*表示在0.1上显著，下同。第四节回归结果分析一、基准固定效应模型的回归结果及分析表5.3报告了年份行业双向固定效应模型的回归结果，即数字普惠金融发展对中小企业创新的影响。在模型M（1）和M（2）中仅仅控制了时间变量和行业变量。结果发现，滞后一期的数字普惠金融发展（L.DIF）对中小企业创新投入（INPUT）和创新产出（OUTPUT）都有正向的影响，提高了中小企业的创新水平，但模型M（2）中数字普惠金融发展（L.DIF）的系数仅通过了10%水平的统计显著性检验，说服力不强。在模型M（3）和M（4）中，将控制变量加入基准回归中，发现数字普惠金融发展既促进了中小企业创新投入，也促进了中小企业创新产出，此时模型M（3）和模型（4）中数字普惠金融发展（L.DIF）的系数分别通过了5%和1%水平的统计显著性检验。回归结果表明，数字普惠金融发展能够提升中小企业的创新竞争力，并且对企业创新投入和创新产出都有显著的促进作用。表5.3数字普惠金融发展影响中小企业创新的总效应：基准回归M(1)M(2)M(3)M(4)INPUTOUTPUTINPUTOUTPUTL.DIF0.410**0.270*0.381**0.738***(2.41)(1.75)(2.18)(3.78)ROA1.393***1.163*(3.70)(1.77)CAPIT-0.053***-0.013(-2.81)(-0.56)EQUITY-0.3610.367*(-1.42)(1.72)TOBINQ-0.032***0.017(-3.07)(0.68)AUDIT-0.025**0.034(-2.10)(0.60)SAME-0.012-0.059(-0.34)(-0.98)AGE1.482***0.291(6.36)(1.49)PGDP0.411-1.171***(1.29)(-4.30)续表5.3数字普惠金融发展影响中小企业创新的总效应：基准回归M(1)M(2)M(3)M(4)INPUTOUTPUTINPUTOUTPUTYearYESYESYESYESIndustryYESYESYESYES_cons2.885***0.174-0.577-0.573(10.88)(0.98)(-0.92)(-1.10)N3367336733673367Adj.R²0.5000.2840.5110.388数字普惠金融发展能够促进中小企业创新投入和创新产出，这种创新驱动效应究竟是因为数字普惠金融的覆盖群体扩大，还是数字金融服务多样化所导致？表5.4列出了“覆盖广度、使用深度及数字支持服务”三个维度的发展水平对中小企业创新发展的影响。模型M（1）至M（3）度量的是3个二级指标对企业创新投入的影响，模型M（4）至M（6）度量的是3个二级指标对企业创新产出的影响。可以发现，无论是对于中小企业创新投入还是创新产出，数字普惠金融的覆盖广度都能够促进中小企业创新发展。对比模型M（2）和M（4），数字普惠金融的使用深度能够促进中小企业的创新投入，且通过了10%的统计显著性检验；使用深度和创新产出呈现正相关关系但没有通过显著性检验。从模型（3）和模型（6）来看，数字支持服务的系数为负数且不显著，与预期假设不符合。表5.4数字普惠金融发展对中小企业创新的影响：指标降维M(1)M(2)M(3)M(4)M(5)M(6)INPUTINPUTINPUTOUTPUTOUTPUTOUTPUTL.DIFCD0.292**0.604***(2.30)(4.56)L.DIFUD0.204*0.120(1.71)(0.67)L.DIFDL-0.061-0.267(-0.69)(-1.22)ControlsYESYESYESYESYESYESYEARYESYESYESYESYESYESINDUSTRYYESYESYESYESYESYES_cons-0.588-0.430-0.377-0.590-0.326-0.160(-0.94)(-0.68)(-0.60)(-1.13)(-0.62)(-0.29)Adj.R²0.5110.5120.5120.4100.3440.347综上，从基准固定效应模型的回归结果来看，数字普惠金融总指数确实能够促进中小企业的创新投入和创新产出，这验证了假设H1。针对数字普惠金融的3个二级指标进一步分析，数字金融的覆盖广度和使用深度都有助于提升中小企业创新能力，但强化覆盖广度是驱动中小企业创新的核心路径。二、基于融资约束的中介效应模型回归结果及分析表5.5的回归结果分析了数字普惠金融发展影响中小企业创新活动的具体渠道机制，检验了融资约束在其中所起到的作用。根据中介效应检验程序，首先，模型（1）的回归结果表明，在1%的显著性水平上，数字普惠金融的发展能够促进中小企业的创新投入；其次，模型M（2）的回归结果显示，数字普惠金融发展能够缓解中小企业所面临的融资约束问题（在1%的统计水平上显著）；最后，由模型（3）的结果可知，数字普惠金融发展（L.DIF）的系数为0.241，在5%的水平上显著，说明数字普惠金融发展对中小企业创新投入存在直接效应，同时，融资约束（L.FINCONS）的系数为负且在1%的水平上显著，说明数字普惠金融通过缓解融资约束促进中小企业创新投入，即融资约束起到中介效应，中介效应占总效应33.69%。同理，从模型（4）和模型（5）可以看出，对于中小企业创新产出，融资约束发挥的中介效应占比5.77%。表5.5融资约束的中介效应分析M(1)M(2)M(3)M(4)M(2)M(5)INPUTFINCONSINPUTOUTPUTFINCONSOUTPUTL.DIF0.381**-0.023***0.241**0.738***-0.023***0.695***(2.18)(-4.76)(2.09)(3.78)(-4.76)(3.58)L.FINCONS-5.58***-1.850**(-14.69)(-2.50)ControlsYESYESYESYESYESYESYEARYESYESYESYESYESYESINDUSTRYYESYESYESYESYESYES_cons-0.577-0.843***-10.64***-0.573-0.843***-2.132***(-0.92)(-59.75)(-26.22)(-1.10)(-59.75)(-2.66)Adj.R²0.5110.3550.5810.3880.3550.408数字普惠金融作为有效的“增量补充”，拓宽了中小企业的融资渠道。同时，数字普惠金融利用大数据、人工智能等技术手段降低了信息搜集成本和风险控制成本，降低了信息不对称程度，并提供供应链金融、智能投顾等多种融资模式，提高了企业贷款的可获得性，为中小企业技术创新活动的开展提供了便利条件。实证结果验证了假设H2，融资约束在数字普惠金融发展促进中小企业创新中发挥中介作用，但中介效应在创新投入和产出中占比不同，在对企业创新投入的影响上占比更多。三、考虑金融监管水平差异的检验数字金融的创新应在审慎监管的前提下进行，本部分嵌入金融监管元素进行实证研究。本文采用“地方财政金融监管支出”作为金融监管的代理变量，将金融监管水平（REGULATION）定义为“地方财政金融监管支出/银行业金融机构各项贷款余额”。根据金融监管水平的50%分位数为界，将样本公司分成了两组对基准方程分别进行回归。表5.6给出了回归结果。从模型（1）和模型（2）可以看出，当被解释变量为创新投入时，在更强的金融监管水平下，数字普惠金融发展的系数（0.585，且在1%的水平上显著）比金融监管水平较弱区间的更大，即数字普惠金融发展在较强的金融监管水平下对中小企业创新投入有着更强的驱动效应。本文基于SUR估计进行了组间系数差异检验，数字普惠金融发展（L.DIF）的系数在两组之间存在显著差异，对应的p值为0.0000。当被解释变量为创新产出时，在模型（3）中，当金融监管水平较弱时，数字普惠金融发展对创新产出没有产生显著影响；而在模型（4）中，金融监管水平较高的情况下，数字普惠金融发展的系数较大（1.07），且在1%的水平上显著。同时，在两组模型的组间差异检验中，数字普惠金融发展（L.DIF）的系数在两组之间也存在显著差异，对应的p值为0.0366。综上，在不同的金融监管强度下，数字普惠金融对中小企业的创新促进作用存在差异，在更高的金融监管强度下数字普惠金融的促进效应更加显著。表5.6考虑金融监管水平差异的效应研究M(1)M(2)M(3)M(4)金融监管较弱区间金融监管较强区间金融监管较弱区间金融监管较强区间INPUTINPUTOUTPUTOUTPUTL.DIF0.548***0.585***0.2271.070***(2.85)(3.10)(0.75)(3.97)ControlsYESYESYESYESYEARYESYESYESYESINDUSTRYYESYESYESYES_cons-0.676-0.723-0.410-0.748(-1.01)(-1.07)(-0.52)(-0.93)Adj.R²0.5430.4980.3580.558四、考虑企业所有权差异的检验鉴于国有企业和非国有企业在社会信用水平、融资便利程度等方面存在差异性，本文对国有企业和非国有企业样本进行了分组检验，进一步考察数字普惠金融发展对不同所有权类型中小企业创新的影响效应是否存在差异。表5.7给出了回归结果。在模型（1）和模型（2）中，被解释变量为中小企业的创新投入，数字普惠金融发展对中小非国有企业创新投入具有显著的正效应（回归系数为0.513，在1%的水平上显著），而对中小国有企业创新投入产生负向且不显著的影响（回归系数为-0.175）。在模型（3）和模型（4）中，被解释变量为中小企业创新产出，数字普惠金融同样对中小非国有企业的创新产出具有促进作用（回归系数为0.776，在1%的水平上显著），对中小国有企业的影响为正但不显著。综上，假设H4成立，数字普惠金融发展对不同所有权类型中小企业创新的影响效应存在差异，这种创新促进作用在非国有企业中表现更强。表5.7数字普惠金融对不同所有权性质企业创新的影响效应M(1)M(2)M(3)M(4)被解释变量：INPUT被解释变量：OUTPUT国企非国有国企非国有L.DIF-0.1750.513***0.1310.776***(-0.31)(2.84)(0.20)(3.82)ControlsYESYESYESYESYEARYESYESYESYESINDUSTRYYESYESYESYES_cons2.223-0.395-0.188-0.218(1.06)(-0.60)(-0.10)(-0.40)Adj.R²0.4310.5270.4840.411五、考虑不同区域的中小企业差异检验本文认为数字普惠金融不受物理网点的限制，具有地域穿透力强的特征，对于中西部地区的中小企业来说更能够提升他们对于金融服务的可得性，从而促进中小企业创新发展。因此本文按照中小企业样本所在区域的不同，划分成了东部和中西部地区，探究数字普惠金融发展对不同区域的中小企业创新的影响效应是否存在差异，估计结果如表5.8所示。对于中小企业创新投入来说，数字普惠金融发展对中西部企业创新的估计系数（系数为0.725，在5%的水平上显著）要大于对东部地区企业的系数（系数为0.328）。同样，从模型（3）和模型（4）可以看出，数字普惠金融对中西部中小企业创新产出的促进作用（系数为1.166，且在1%的水平上显著）要显著大于对东部地区企业的系数（系数为0.557）。回归结果表明，数字普惠金融发展更容易突破时空限制，对中西部中小企业创新的促进作用更为突出，具有更高的边际效应，也验证了假设H5成立。表5.8数字普惠金融对不同区域企业创新的影响效应M(1)M(2)M(3)M(4)被解释变量：INPUT被解释变量：OUTPUT东部地区中西部地区东部地区中西部地区L.DIF0.328**0.725**0.557**1.166***(1.96)(2.14)(2.40)(2.94)ControlsYESYESYESYESYEARYESYESYESYESINDUSTRYYESYESYESYES_cons-0.097-1.617-0.6771.164(-0.14)(-1.18)(-1.02)(0.93)Adj.R²0.5210.4970.3550.481六、稳健性检验（一）基准回归的内生性处理在基准回归中，本文对核心解释变量进行滞后一期处理，但在识别数字普惠金融发展对中小企业创新的影响中仍可能会受到内生性的干扰。一方面是由于反向因果影响，企业创新发展较好的地方，更能推动地区数字普惠金融发展；另一方面不可观测因素的遗漏变量会导致偏误。基于此，本文参考谢绚丽等（2018）的研究，采用各省互联网的普及率（数据来源于2011-2018年《我国互联网络发展状况统计报告》）作为数字普惠金融发展的工具变量，对基准回归进行内生性处理。各省互联网普及率测度该省份使用网络的人口比例，衡量信息化发达程度，能够比较全面地反映出地区数字普惠金融发展的基础建设情况，满足工具变量相关性要求。而且该地区网络使用人口比例且与企业创新的直接关系影响较小，并不存在直接的影响路径，满足了工具变量排他性约束。表5.9汇报了基于2SLS工具变量法的内生性处理结果，从模型（2）可以看出，各省互联网普及率（L.IPR）的回归系数在1%的水平上显著，满足工具变量相关性要求。Cragg-DonaldWaldF值为119.186，说明不存在弱工具变量的问题。从第二阶段的结果来看，在模型（3）中，对于中小企业创新投入，数字普惠金融发展的创新激励效应依然显著。在模型M（5）中，数字普惠金融发展的回归系数虽然有所下降，但仍通过了10%水平的统计性检验，能够促进中小企业创新产出。表5.9基准回归模型的内生性处理：2SLS工具变量法M(1)M(2)M(3)M(4)M(5)基准回归模型FirstSecond基准回归模型SecondINPUTL.DIFINPUTOUTPUTOUTPUTL.DIF0.381**0.544***0.738***0.575*(2.18)(5.62)(3.78)(1.81)L.IPR0.057***(65.21)ControlsYESYESYESYESYESYearYESYESYESYESYESIndustryYESYESYESYESYES_cons-0.577-0.392***-0.983***-0.573-0.618(-0.92)(-95.02)(-2.83)(-1.10)(-0.98)Adj.R²0.5110.9570.4790.3880.239Prob＞F0.0000.0000.0000.0000.000Cragg-DonaldWaldFstatistic119.186>10%maximalIVsize