齐 兰 王 旦

习近平总书记在第二十届中共中央政治局第二次集体学习时强调，“要继续把发展经济的着力点放在实体经济上，扎实推进新型工业化，加快建设制造强国、质量强国、网络强国、数字中国，打造具有国际竞争力的数字产业集群”。促进实体经济发展是建设现代化产业体系的核心内容之一，是推动经济高质量发展、加快形成新发展格局的重要任务。金融支持实体经济实现高质量发展，是现阶段及今后很长一段时期经济金融的发展方向。近年来，随着人工智能、区块链、云计算、移动互联网等信息技术的快速发展，数字技术与金融服务行业不断深度融合，当前金融形态已由以银行类金融机构为代表的传统金融体系转变为以互联网金融、数字金融为代表的新兴金融业态，金融服务实体经济发展的方式方法也发生了相应变化。数字金融泛指传统金融机构与互联网公司利用数字技术实现融资、支付、投资和其他新型金融业务模式。①黄益平、黄卓：《中国的数字金融发展：现在与未来》，《经济学（季刊）》2018 年第4 期，第1489—1502 页。学术界关于数字金融对实体经济发展的影响作用的认识高度一致，即认为数字金融有助于实体经济高质量发展。一方面，数字金融的诞生改变了原有金融业的竞争格局，数字技术与传统金融服务的深度融合，促使金融服务模式改革、金融服务效率提升，使金融服务更具普惠性，②吴晓求：《互联网金融：成长的逻辑》，《财贸经济》2015 年第2 期，第5—15 页。增强了实体经济工业企业金融资源的可得性。另一方面，人工智能、区块链、云计算、移动互联网等数字技术的使用，缓解了金融资源供需双方的信息不对称，促使数字金融相对传统金融拥有缩短地理距离和降低成本优势，提升了金融服务的触达能力，拉近了金融资源供给端与需求端的距离，拓宽了金融服务的边界，在降低工业企业融资成本的同时，还可以促使工业企业投资研发创新性活动，进一步提升工业企业的生产效率。③张勋、万广华、张佳佳等：《数字经济、普惠金融与包容性增长》，《经济研究》2019 年第8 期，第71—86 页；唐松、伍旭川、祝佳：《数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异》,《管理世界》2020 年第5 期，第52—66+9 页。因此，探讨数字金融对实体经济质量提升的影响效应，其影响是否存在时间和地域的异质性，以及通过何种渠道机制来影响实体经济质量提升，对进一步完善数字金融发展、提升实体经济发展质量，进而促进金融助力实体经济高质量发展，以及数字经济与实体经济深度融合等均具有丰富的理论意义和现实意义。

相比已有研究，本文可能的边际贡献在于：第一，以数字金融作为新金融业态的代表，理论分析并实证检验数字金融对实体经济质量提升的影响效应和作用机制，从而对现有金融与经济增长、产业发展等关系研究形成有益补充，拓宽金融与实体经济关系的研究范畴，进而为“金融服务实体经济”的目标提供经验证据和重要启示；第二，从供给侧结构性改革角度考察实体经济质量提升，聚焦增加有效和中高端供给、减少低端和无效供给两个维度，利用工业企业全要素生产率和产能利用率两个指标进行刻画，以全面综合分析实体经济质量；第三，在数字金融对实体经济质量提升影响的框架中，进一步探讨数字金融对实体经济质量提升的时间异质性和区域异质性，为分类引导不同区域完善数字金融、促进数字金融提升实体经济质量提供依据。

本文的后续结构安排如下：第一部分是文献综述与理论假说；第二部分是研究设计与数据来源；第三部分是检验结果及分析，包括基准分析、稳健性检验和异质性分析；第四部分是机制检验；最后是结论与政策启示。

一、文献综述与理论假说

（一）文献综述

现有关于数字金融与实体经济质量的研究主要包括宏观层面关于金融与实体经济关系的相关研究，以及微观层面关于金融对城市效率、企业投资等方面影响的相关研究。

众多学者从宏观层面围绕金融与实体经济的关系展开了大量的理论与实证研究。周建亮和鄢晓非在理论探讨金融与实体经济共生关系的基础上，构建了金融发展与实体经济增长的脉冲响应实证模型，研究结果发现我国金融业与实体经济之间是一种有利于金融业的非对称性互惠共生关系，金融发展需要实体经济需求的跟进。①周建亮、鄢晓非：《我国金融与实体经济共生关系的实证研究》，《统计与决策》2015 年第20 期，第137—140 页。李健和盘宇章基于省级面板数据，将金融发展和实体部门经济发展之间的增长差异与金融发展的交互项纳入动态面板模型，研究发现金融发展对全要素生产率（TFP）的影响取决于金融发展和实体部门经济发展之间的增长差异。②李健、盘宇章：《金融发展、实体部门与全要素生产率增长——基于中国省级面板数据分析》，《经济科学》2017 年第5 期，第16—30 页。张秀艳等基于33 个工业行业的大中型企业数据考察金融集聚、研发资本与工业生产率提升的关系，结果得出金融集聚通过增加研发资本投入能够显著提高工业全要素生产率，并提出只有金融市场、企业和政府三位一体合力优化金融资源配置效率时，才能最优化实现金融服务实体经济。③张秀艳、周毅、白雯：《金融集聚与工业生产率提升——基于研发资本的中介传导有效性研究》，《吉林大学社会科学学报》2019 年第2 期，第30—40+219 页。孙继国和吴倩从资金流动、金融发展规模、人才集聚和技术创新等角度分析了金融发展与实体经济增长良性互动的内在机理，同时运用系统动力学构建金融发展与实体经济增长的因果反馈路径，并利用Vensim 软件进行仿真模拟和政策检验，研究发现金融发展与实体经济是双向的互动循环而非单向传导，信贷资金投放增加、金融产业规模扩大会促进实体经济增长，但金融人才规模变化对实体经济影响不显著。④孙继国、吴倩：《金融发展与实体经济增长良性互动机制研究》，《理论学刊》2019 年第2 期，第71—79 页。刘亦文等从金融服务的供给性、需求性、使用效应性和可负担性四个维度构建了包含银行业、证券业、保险业等金融行业在内的金融可得性水平评价指标体系，并利用该指标实证得出金融可得性对实体企业投资效率的影响是正向的，且主要是通过提升企业风险承担水平来提升实体经济的投资效率。⑤刘亦文、陈亮、李毅等：《金融可得性作用于实体经济投资效率提升的实证研究》，《中国软科学》2019 年第11 期，第42—54 页。林键等基于金融与实体经济利润分享的理论机理，构建了银行业面板门限模型，研究发现银行业盈利与实体经济发展之间存在双门限非对称效应，即随着银行业利润率的不断提高，银行业盈利对实体经济发展的影响由抑制到共生。⑥林键、范从来、蔡欣磊：《金融同实体经济共生的收益率阈值研究——基于银行业面板门限模型的实证检验》，《经济学家》2021 年第6 期，第22—31 页。以上学者关于金融与实体经济关系的研究主要聚焦在以银行业为代表的传统金融发展对实体经济的作用。

近年来，随着数字技术与金融服务的不断渗透融合，不少学者从宏观层面研究以互联网金融、数字金融等为代表的金融新业态与实体经济发展的关系。钱海章等在分析我国数字金融发展的特征事实的基础上，利用省级面板数据构建计量模型，研究发现我国数字金融发展通过技术创新和地区创业渠道促进经济增长。①钱海章、陶云清、曹松威等：《中国数字金融发展与经济增长的理论与实证》，《数量经济技术经济研究》2020 年第6 期，第26—46 页。成学真和龚沁宜基于省级面板数据实证检验得出，数字普惠金融对实体经济发展的影响显著为正，传统金融发展、消费水平和科技创新在数字普惠金融影响实体经济发展的传导作用机制表现为遮掩效应。②成学真、龚沁宜：《数字普惠金融如何影响实体经济的发展——基于系统GMM 模型和中介效应检验的分析》，《湖南大学学报（社会科学版）》2020 年第3 期，第59—67 页。

相对于宏观层面聚焦金融发展与实体经济关系的研究成果，微观层面关于数字金融与实体经济关系的研究主要聚焦在数字金融对企业技术创新、企业全要素生产率、城乡收入差距、企业投资等的影响。唐松等认为数字金融对微观企业技术创新乃至宏观经济发展质量有重大影响，基于沪深两市A 股上市公司数据实证研究发现，数字金融发展对企业技术创新存在“结构性”的驱动效果，并且主要通过缓解企业“融资难、融资贵”等渠道驱动企业技术创新；同时指出，相比较于传统金融，数字金融具有较好的普惠特征，能校正传统金融中存在的“属性错配”“领域错配”和“阶段错配”等问题，而有效合理的金融监管约束更有助于数字金融发挥对企业技术创新的促进作用。③唐松、伍旭川、祝佳：《数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异》，《管理世界》2020 年第5 期，第52—66+9 页。巴曙松等研究发现，金融科技创新活力和创新规模对企业全要素生产率影响显著为正，但金融科技创新通过提升企业全要素生产率进而促进经济增长存在门槛效应。④巴曙松、白海峰、胡文韬：《金融科技创新、企业全要素生产率与经济增长——基于新结构经济学视角》，《财经问题研究》2020 年第1 期，第46—53 页。宋敏等从“赋能”和信贷配给的视角研究发现，金融科技对企业全要素生产率的影响显著为正，中介机制检验得出金融科技通过缓解信息不对称、缓解融资约束和提高金融资源配置效率等渠道影响企业全要素生产率。金融科技对小型民营企业、缺乏竞争的行业以及市场化进程缓慢的地区的企业全要素生产率的正向作用更为明显。⑤宋敏、周鹏、司海涛：《金融科技与企业全要素生产率——“赋能”和信贷配给的视角》，《中国工业经济》2021 年第4 期，第138—155 页。江红莉和蒋鹏程以2011—2017 年A 股非金融类上市公司数据实证研究发现，数字金融通过缓解企业融资难、融资贵的困境，促进企业技术创新两条路径提升企业的全要素生产率，并且影响作用的大小与数字金融结构特征、企业自身特征、企业所属产业和所处城市要素禀赋密切相关，因此促进数字金融发展要根据本地区资源禀赋、产业发展状况等实施差异化政策。⑥江红莉、蒋鹏程：《数字金融能提升企业全要素生产率吗？——来自中国上市公司的经验证据》，《上海财经大学学报》2021 年第3 期，第3—18 页。由此可见，现有部分文献已对金融与实体经济发展的关系进行了深入研究，但落脚点基本集中在从宏观层面探讨金融是否服务于实体经济，或从微观层面探讨数字金融对企业全要素生产率、企业研发创新、城市效率等的影响。如何在全面认识实体经济质量的基础上探讨金融对实体经济质量提升影响的研究依然少见。因此，需要更深入探讨数字金融对实体经济质量提升的影响并进行严密的理论与实证分析，以期得到可靠的研究结论。

（二）理论分析

实体经济质量提升就是要求实体经济更好地满足消费者需求，从供给侧结构性改革层面来看就是要减少实体经济的无效和低端供给，增加实体经济的有效和中高端供给。因此，根据前文文献的分析可知，数字金融不仅能拓宽金融服务的边界，增加金融资源的可得性，还能借助数字技术缓解金融资源供需双方的信息不对称，提高金融投资效率等。本文认为数字金融会通过规模经济、缓解融资约束和研发创新三个渠道提升实体经济质量。一是规模经济机制。数字金融发展最大的优势在于推动普惠金融的发展。一方面，数字金融发展缩短了金融资源供需双方的地理距离和时间距离，使得工业企业有更多的资金开展购买先进设备、扩大生产经营等生产性活动，形成规模经济优势，增加实体经济的有效和中高端供给。另一方面，数字金融发展提高了金融资源配置效率，使得金融资源可在更广阔的空间和无限的时间里寻找高效可持续的投资项目，实现更有效率的生产经营活动，减少实体经济的无效和低端供给。两方面的作用促使数字金融能够通过规模经济机制提高实体经济质量。二是缓解融资约束机制。数字金融发展提高了金融资源可得性，既降低了工业企业进行外部融资的成本，又可借助数字技术降低工业企业生产经营的信息成本和交易成本，为工业企业节约生产成本，促使工业企业开展更有效率的生产经营活动，而有效率的生产经营活动往往是实体经济质量提升的关键，其能增加有效和中高端供给，进而促进实体经济质量提升。三是研发创新机制。实体经济质量提升的关键在于提高工业企业的生产效率，而工业企业生产效率的提高依赖于企业的研发创新。一般来说，工业企业的研发创新往往具有高收益、高风险的特征，对外部融资的需求更为迫切。一方面，数字金融的普惠性可以为工业企业研发创新活动提供更多的资金，促使工业企业开展有助于提高生产效率的研发创新活动，从而增加有效和中高端供给。另一方面，数字金融中数字技术的信息处理和资金配置功能，促使金融资源投资者对所投企业项目发挥项目筛选、信息处理、风险管理等作用，促使工业企业能更有效地开展生产研发活动，淘汰落后或仅有短期收益的生产研发项目，从而减少无效和低端供给。除此之外，数字金融的发展能够带动区域间人力、资本和技术等要素的流动，进一步促使工业企业改进现有产品和自主研发新产品，主动增加有效和中高端供给，减少无效和低端供给，从而促进实体经济质量提升。数字金融对实体经济质量提升的影响机制如图1 所示。

图1 数字金融对实体经济质量提升的影响机制

基于以上文献梳理与理论分析，本文提出如下研究假说。

研究假说1：数字金融发展对实体经济质量提升有正向影响，且数字金融的覆盖广度、使用深度和数字化程度三个维度对实体经济质量提升的影响存在差异。

研究假说2：数字金融通过规模经济、缓解融资约束和研发创新三个渠道对实体经济质量提升产生影响。

从数字金融发展的区域特征来看，东部地区和城市地区的数字金融发展程度远高于中西部地区和农村地区。①郭峰、王靖一、王芳等：《测度中国数字普惠金融发展：指数编制与空间特征》，《经济学（季刊）》2020 年第4 期，第1401—1418 页。近年来随着以人工智能、区块链、云计算等为代表的数字技术的快速发展，原来金融发展比较滞后的地区也得以实现金融普惠服务，越来越多的区域受到数字金融的影响，数字金融的普惠性得以体现。然而，由于不同地区资源禀赋、产业特征、经济发展基础、传统金融发展水平等有所不同，数字金融对实体经济质量提升的影响在不同区域有所不同。同时，尽管以支付宝为代表的移动支付在2004 年上线，但学界普遍将余额宝上线的2013 年视为中国数字金融发展的元年，在其之后数字金融发展更为规范，影响更为巨大。因此，数字金融对实体经济质量提升的影响在不同时间段具有异质性。由此提出如下研究假说。

研究假说3：数字金融对实体经济质量提升的影响具有时间异质性和区域异质性。

二、研究设计与数据来源

（一）模型设计

为验证数字金融对实体经济质量提升的影响，本文构建如下时间和地区双向固定效应模型：

式中：下标i和t分别表示地区和年份；TFPi,t是核心被解释变量，用来刻画实体经济质量；DFi,t表示i地区t年度的数字金融发展水平，用数字金融指数（DF）和三个子指数来刻画，三个维度包括数字金融覆盖广度（DF_cov）、数字金融使用深度（DF_use）和数字金融数字化程度（DF_dig）；Xi,t表示地区层面城镇化率、人力资本质量、经济发展水平、市场规模、开放水平、地区社会投资水平、财政自主权等一系列控制变量的集合，μi表示地区个体固定效应；δt表示时间固定效应；εi,t表示随机扰动项；β0是常数项；β1是本文最核心的估计系数，表示数字金融对实体经济质量提升的影响效应。

（二）变量说明

1. 被解释变量：实体经济质量提升

实体经济质量提升既要考虑减少实体经济的无效和低端供给，又要考虑增加实体经济的有效和中高端供给。为全面反映某个地区的实体经济质量，本文从工业全要素生产率和产能利用率两个维度综合考察。

（1）工业全要素生产率（TFP），采用数据包络分析（Data Envelopment Analysis，DEA）模型的Malmquist 指数法测算各省区市的工业全要素生产率，①限于文章篇幅，利用DEA-Malmquist 指数法测度工业全要素生产率的过程，参见王旦：《中国工业全要素生产率的测算、波动及地区差异》，《广西财经学院学报》2021 年第4 期，第59—70 页。所涉及的指标包括以下变量。①产出指标：工业总产值（Y）。选取各省区市规模以上工业企业的工业总产值（亿元）为产出变量，部分年份没有找到工业总产值，数据进行如下处理得到：一方面，2004 年数据来自《中国经济普查年鉴 2004》；另一方面，由于《中国工业经济统计年鉴》从2011 年起不再报告“工业总产值”数据，在此根据“工业企业产品销售率=工业销售产值/工业总产值”反推计算各年的工业总产值，其他采用插值法填补。考虑数据的可比性，将历年各地区名义工业总产值按2000—2020 年各年份分行业工业生产者出厂价格指数进行平减，得到以2000 年为基期的各行业实际工业总产值。②董敏杰、梁永梅、张其仔：《中国工业产能利用率：行业比较、地区差距及影响因素》，《经济研究》2015 年第1 期，第84—98 页。投入指标：固定资本投入（K）和可变投入劳动力（L）。固定资本投入（K）选用规模以上工业企业固定资产净值（亿元），部分存在固定资产净值缺失值，则采用“固定资产净值=固定资产原值-累计折旧”计算得出，同样为考虑数据的可比性，根据分地区固定资产投资价格指数将历年各地区名义固定资产净值换算成以2000年为基期的各地区实际固定资产净值。可变投入劳动力（L）选取各省区市规模以上工业企业年平均从业人数（万人），少量缺失值采用插值法处理。

（2）工业产能利用率（CU），采用产能利用率来反映产能过剩，主要采用DEA 窗口分析法（DEA Window Analysis）来测度各省区市的工业产能利用率，具体过程为在董敏杰等②的测算方法的基础上，引入SBM（Slack Based Measure，即至前沿最远距离函数）模型，解决传统径向DEA 模型对无效率的测度没有包含松弛变量的问题， 所涉及的指标包括以下变量。①产出指标：工业总产值（Y），处理方式同上；②投入指标包括固定资本投入（K）、可变投入（L）和中间投入（Z），其中固定资本投入（K）、可变投入（L）处理同上。中间投入（Z）采用公式Zt= (TVt-AVt + Tt) /PPIRMt反推出来，其中Zt、TVt、AVt、Tt、PPIRMt分别指第t期的中间投入、工业总产值、工业增加值、应交增值税及工业生产者购进价格总指数。其中，工业增加值的缺失值进行如下补充处理：首先计算没有缺失值年份的工业增加值与工业总产值的比值，然后求取其平均值，再与缺失值年份的工业总产值相乘，得到该年的工业增加值。应交增值税缺失值处理办法同工业增加值处理办法：首先计算没有缺失值的增值税与工业增加值的比重，然后求其平均值，再与缺失值年份的工业增加值相乘，得到该年的应交增值税。为保持研究前后一致，本文暂没有考虑增值税改革对应交增值税的影响。在计算每一期的中间投入（Zt）之后，对各年名义中间投入采用2000—2020 年的工业生产者购进价格总指数进行平减，得到以2000 年为基期的各地区中间投入。

2.核心解释变量：数字金融

国内关于数字金融的研究主要基于北京大学数字金融研究中心与蚂蚁金服合作编制的“数字普惠金融指数”来刻画数字金融发展水平。该数字金融指数基于数字金融及其普惠性特征，构建了包含数字金融的覆盖广度、使用深度、数字化程度三个维度的指标体系，每个维度又由33 个具体指标构成。本文采用该指数来研究刻画数字金融发展水平，将数字金融细分为一个总指标和三个子指标，即DFi,t =(DF_covi,t,DF_usei,t,DF_digi,t)。具体而言，数字金融覆盖广度（DF_covi,t）涉及每万人拥有支付宝账户数量、支付宝绑定银行卡比例及银行卡数；数字金融使用深度（DF_usei,t）涉及支付、货币基金、信贷、保险、投资和信用等业务使用互联网金融服务的情况及频率；数字化程度（DF_digi,t）则侧重考察数字普惠金融的移动化、实惠化、信用化和便利化等。①郭峰、王靖一、王芳等：《测度中国数字普惠金融发展：指数编制与空间特征》，《经济学（季刊）》2020 年第4 期，第1401—1418 页。以上四个指标值越大，表明某一地区数字金融发展水平越高。为消除因数据量纲和量级不同而引致的模型估计偏误，在具体回归时进行必要的取对数处理，同时为保证结论的稳健性，分别采用数字金融总指数和各子指数进行回归。

3. 控制变量

利用影响实体经济质量的关键因素来筛选控制变量，鉴于数据可得性，本文从三方面选取控制变量：一是从资源禀赋供给的基础设施角度选取反映基础设施水平、互联网普及度、地区开放水平、人力资本质量等的指标；二是从地区经济发展与社会需求角度选取反映地区市场规模、经济发展水平、城镇化率等的指标；三是从技术进步与制度环境角度选取反映财政自主权、地区社会投资水平等的指标。（1）交通基础设施（transport），用铁路运营里程与公路运营里程之和与省域面积的比值来衡量；（2）互联网普及度（infor），用各省区市互联网使用人数占常住人口比重来刻画；（3）城镇化率（urban），用城镇人口与常住人口的比值来刻画；（4）人力资本质量（edu），用6 岁及以上人口受教育年限来衡量；（5）经济发展水平（reGDP），用人均GDP 来衡量；（6）财政自主权（finaut），用地方财政一般预算收入与地方财政一般预算支出的比值来衡量；（7）地区固定投资水平（pfixinv），用全社会固定资产投资总额占地区GDP 比重来刻画；（8）地区市场规模（pcom），用人均社会零售品总额来衡量；（9）开放水平（open），用地区出口总额与GDP 的比值来刻画。

4. 中介变量

根据前文理论分析，数字金融通过规模经济、缓解融资约束和研发创新三个渠道影响实体经济质量提升，涉及的中介机制变量包括：（1）规模经济机制（stru），用工业总产值占GDP 比重来衡量；（2）缓解融资约束机制（lever），借鉴肖文和薛天航的做法，②肖文、薛天航：《劳动力成本上升、融资约束与企业全要素生产率变动》，《世界经济》2019 年第1 期，第76—94 页。采用财务费用率即企业财务费用与营业收入之比来衡量融资成本；（3）研发创新（patg），采用各省区市专利授权量的自然对数值作为代理变量。相关模型变量选取、计算及说明如表1 所示。

表1 模型变量选取、计算及说明

（三）数据来源

本文相关原始数据来源包括：（1）各省区市工业企业原始数据来自2012—2021 年《中国工业经济统计年鉴》《中国统计年鉴》与《中国经济普查年鉴2004》，以及各省区市统计公报等；（2）数字金融相关数据来自北京大学数字金融研究中心发布的数字普惠金融指数的最新测度结果；（3）互联网普及率数据来源于历年《中国互联网发展状况统计报告》。部分缺失数据采用插值法等填补。最终形成实证分析面板数据，样本包括中国30 个省区市（由于数据可得性，不包括西藏、香港、澳门和台湾），时间跨度为2011—2020 年。为消除不同单位差异，在实证分析中对transport、edu、reGDP、finaut、pfixinv、pcom、open等单位不统一指标进行取对数处理，相关变量的描述性统计结果如表2 所示。

表2 相关变量的描述性统计结果

三、检验结果及分析

（一）基准回归

基于公式（1），分别以数字金融总指数和数字金融覆盖广度、使用深度和数字化程度三个子指数（即DFi,t =(DF_covi,t,DF_usei,t,DF_digi,t)）为核心解释变量，以工业全要素生产率（lnTFP）为被解释变量，采用双向固定效应模型检验，结果如表3 所示。

表3 数字金融对实体经济质量提升的影响：基准回归

表3 中的第（1）～（4）和第（5）～（8）列分别报告了以数字金融指数（lnDF）及数字金融覆盖广度（lnDF_cov）、使用深度（lnDF_use）和数字化程度（lnDF_dig）三个子指数为核心解释变量控制地区固定效应和时间固定效应，以及加入控制变量前后的回归结果，可见回归结果没有发生本质变化。在加入控制变量之后，数字金融指数（lnDF），以及数字金融覆盖广度（lnDF_cov）和使用深度（lnDF_use）两个子指数的回归系数依然为正，且皆通过了5% 显著性水平的统计检验，仅数字金融数字化程度子指数（lnDF_dig）没有通过显著统计检验。将第（5）～（8）列结果视为基准回归结果可以发现，其中第（5）列结果反映数字金融显著地提升了实体经济发展质量，验证了研究假说1。工业企业发展需要较多的外部融资，数字金融的发展，不仅可为工业企业发展提供诸如众筹、小额贷款等多种外部融资方式，而且大数据、区块链、人工智能等数字技术的嵌入，改善了工业企业的融资流程，使融资约束得以缓解，融资效率得以提升，进而使工业企业可以增加创新投资，增加有效供给，淘汰落后产能，从而提升工业全要素生产率。第（6）～（7）列结果反映数字金融的覆盖广度和使用深度均能提升实体经济发展质量，从根本上体现了数字金融的普惠功能，即大数据、人工智能、区块链等数字技术的使用，拓宽了金融服务边界，拉近了工业企业与融资供给主体之间的地理距离，提升了金融服务的可得性和金融覆盖广度。数字金融覆盖广度的提升又进一步促使工业企业使用数字普惠金融，提升数字金融服务的多样性和使用深度。第（8）列结果反映数字金融的数字化程度对实体经济质量的影响为负，并在30%的显著性水平下通过显著性检验。一般来说，数字化程度反映数字金融服务的数字化方式，这与各地的数字基础设施、数字金融技术的使用，以及工业企业获取金融服务的技术渠道等密切相关，传统的工业企业受其规模、行业、有形资产占比大等影响更偏向于传统的银行信贷融资，但数字金融数字化程度的加深，促使数字金融资源可能在虚拟经济行业进行套利产生“脱实向虚”等等，①齐兰、王旦：《信贷市场对中国制造业全球价值链分工地位的影响》，《上海商学院学报》2022 年第5 期，第57—80 页。这些都有可能使得工业企业在短期难以享受数字金融服务带来的便利性和低贷款利率，从而使得数字金融数字化程度对实体经济质量提升的影响为负。

控制变量中，城镇化水平（urban）、财政自主权（lnfinaut）、地区固定投资水平（lnpfixinv）等对实体经济质量的影响显著为正，说明地区城镇化水平越高、财政自主权越大，以及投资水平更高，越有助于数字金融的发展进而促进实体经济质量的提升。互联网普及度（infor）、经济发展水平（lnreGDP）和开放水平（lnopen）等对实体经济质量的影响显著为负，这与预期不符，可能的原因在于衡量这些控制变量的指标选取不完备或没有考虑到实体经济质量提升的滞后性等，如互联网普及度的代理指标（infor）采用各省区市互联网使用人数占常住人口比重，不能完全刻画影响数字金融发展所需要的以人工智能、区块链和云计算等为代表的数字技术。此外，人力资本质量（lnedu）、交通基础设施水平（lntransport）、地区市场规模（lnpcom）等对实体经济质量影响的回归系数不显著。

（二）稳健性检验

为全面考察数字金融对实体经济质量影响的稳健性，本文从三个方面展开分析。

1. 替换被解释变量

根据前文分析，实体经济质量提升可以从增加有效和中高端供给，以及减少无效和低端供给两个方面来考察，因此本文以工业企业产能利用率（CU）替换被解释变量进行回归，并为消除因数据量纲和量级不同而引致的模型估计偏误，用数字金融指数及三个维度子指数除以100 替换核心解释变量，模型具体形式如下：

式中：CUi,t表示工业产能利用率；DF1i,t反映数字金融发展程度，其采用数字金融指数及三个维度子指数除以100 来刻画，即DF1i,t =(DF_cov1i,t,DF_use1i,t,DF_dig1i,t)。回归结果如表4 所示。

表4 数字金融对实体经济质量提升的影响：替换被解释变量

表4 中第（5）～（8）列结果显示，在替换被解释变量和核心解释变量后，数字金融指数（DF1）、数字金融覆盖广度（DF_cov1）对实体经济质量影响的系数都在5%的水平上为正，而数字金融使用深度（DF_use1）和数字金融数字化程度（DF_dig1）对实体经济质量影响的系数在20%水平上为正，说明数字金融显著促进了实体经济质量的提升，再次证明了研究假说1。

2. 考虑内生性

由前文分析可知，工业企业尤其是规模以上工业企业由于其固定资产规模庞大、能提供有形资产抵押等特征更容易吸收金融资源，从而产生反向因果关系，导致回归结果由于存在内生性而出现偏差。同时，本文尽可能地考虑了影响实体经济质量因素的控制变量，但依然可能遗漏变量导致内生性问题。因此，本文进一步采用工具变量估计法来缓解可能存在的内生性。现有研究主要采用互联网普及率、①谢绚丽、沈艳、张皓星等：《数字金融能促进创业吗？——来自中国的证据》，《经济学（季刊）》2018 年第4 期，第1557—1580 页。各地级市到杭州的球面距离、②傅秋子、黄益平：《数字金融对农村金融需求的异质性影响——来自中国家庭金融调查与北京大学数字普惠金融指数的证据》，《金融研究》2018 年第11 期，第68—84 页。数字金融滞后项③汪亚楠、谭卓鸿、郑乐凯：《数字普惠金融对社会保障的影响研究》，《数量经济技术经济研究》2020 年第7 期，第92—112 页。以及使用数字金融指数滞后一阶与数字金融指数在时间上的一阶差分的乘积构建“Bartik instrument”④易行健、周利：《数字普惠金融发展是否显著影响了居民消费——来自中国家庭的微观证据》，《金融研究》2018 年第11 期，第47—67 页。等为工具变量。本文选用数字金融指数滞后一期（L.lnDF）和滞后2 期（L2.lnDF）作为数字金融（lnDF）的工具变量，为检验工具变量的有效性，采用工具变量两阶段最小二乘法（2SLS）进行估计，并采用多种统计检验进行判断。表5 的第（1）列显示了用数字金融指数滞后一期（L.lnDF）和滞后2 期（L2.lnDF）作为数字金融（lnDF）的工具变量的回归结果。一方面，工具变量与核心解释变量（lnDF）的回归系数为0.310 和0.057，且都通过了5%的显著性水平检验，说明工具变量与内生变量存在较强的相关性；另一方面，分别采用Kleibergen-Paaprk LM统计检验、Kleibergen-Paaprk Wald F 统计检验和Anderson-Rubin Wald 统计检验，统计检验结果均在10%显著性水平上拒绝原假设，进一步说明工具变量与内生变量之间具有较强的相关性。此外，第一阶段的F统计量值为168.95，大于10，说明不存在弱工具变量。相比较固定效应基准模型，数字金融（lnDF）对实体经济质量影响的回归系数为0.015，通过了10%的显著性水平检验，说明存在内生性，使得OLS 回归估计结果有偏差。采用工具变量法检验内生性结果依然支持研究假说1。

表5 数字金融对实体经济质量提升的影响：工具变量与控制传统金融发展水平

3. 控制传统金融发展水平

提高地区传统金融发展水平会增加工业企业的外部融资渠道。因此，参考江红莉和蒋鹏程的做法，⑤江红莉、蒋鹏程：《数字金融能提升企业全要素生产率吗？——来自中国上市公司的经验证据》，《上海财经大学学报》2021 年第3 期，第3—18 页。以地区人均金融机构存贷款（tfin）刻画地区传统金融发展水平，将其纳入式（1）进行回归，回归结果如表5 第（2）列所示。结果显示，在控制传统金融发展水平后，数字金融依旧能显著促进实体经济质量的提升，再次验证了研究假说1。

（三）异质性分析

1.时间异质性

尽管很多人认为中国数字金融的起点为2004 年支付宝上线，但业界普遍将余额宝上线的2013 年看作数字金融发展的元年，移动支付、传统金融产品销售、电子商务、数字技术运用等的快速发展，意味着数字金融在2013 年前后发生了结构性的变化。为检验这一结构性的变化，将样本回归时间划分为2011—2012 年与2013—2020 年两个时间段，并对式（1）分别进行回归。回归结果如表6 第（1）～（2）列所示，在2011—2012 年，数字金融对实体经济质量提升的回归系数为正但不显著，这可能是因为，2013 年以前，数字金融发展主要集中在东南沿海地区，且企业需要时间来了解新型外部融资渠道。在2013—2020 年，数字金融对实体经济质量提升的回归系数显著为正，说明2013 年后，随着数字金融在落后地区快速发展，帮助传统金融发展比较滞后的地区通过数字金融实现金融普惠服务，数字金融对地区经济发展、实体经济质量提升有明显的促进作用。

表6 数字金融对实体经济质量提升的影响：时间异质性与区域异质性

2.区域异质性

我国东部、中部、西部和东北部四大区域①采用常见区域划分方式：东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南；中部地区包括山西、安徽、江西、河南、湖北、湖南；西部地区包括四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、广西、内蒙古；东北地区包括辽宁、吉林和黑龙江。资源禀赋、区位优势、发展基础、市场化程度等存在较大差异，不仅数字金融发展在四大区域存在差异，而且数字金融对实体经济质量提升的作用在四大区域也有所不同。因此，本文将样本分为东部、中部、西部和东北部四大区域，以考察数字金融对实体经济质量的影响的区域异质性，回归结果如表6 第（3）～（6）列所示。结果显示数字金融对东部、中部、西部和东北部四大区域的影响皆显著为正，但影响系数从大到小排序为中部、东部、西部和东北部，数字金融对发展较为落后的中部和西部地区的实体经济质量提升作用反而更大，这也恰恰反映了数字金融能实现金融普惠服务的优势。

四、机制检验

本部分进一步检验数字金融通过何种机制影响实体经济质量提升，以检验数字金融对实体经济质量的影响机制。由前文的理论机制分析可知，数字金融会通过规模经济、缓解融资约束和研发创新三个渠道影响实体经济质量。借鉴温忠麟等的研究，①温忠麟、张雷、侯杰泰等：《中介效应检验程序及其应用》，《心理学报》2004 年第5 期，第614—620 页。运用经典中介检验三步法，利用公式（1）、（3）和（4）的中介效应模型对数字金融影响实体经济质量提升进行机制检验：

式中：M代表中介机制变量，包括规模经济、缓解融资约束和研发创新三个中介机制的代理变量，相关变量指标在前文已给出。对单位不统一代理变量取对数后，利用经典中介检验三步法进行中介机制检验，结果如表7 所示。

表7 数字金融对实体经济质量提升的影响的机制检验

由表7 第（2）～（3）列可知，当地区数字金融发展水平高时，工业企业有更多的资金进行购买先进设备、扩大生产经营等生产性活动，数字金融带来工业企业的规模经济效应，进而通过发挥规模经济效应促使实体经济质量提升。由表7 第（4）～（5）列可知，数字金融的发展增加金融资源的可得性，又降低工业企业生产经营的信息成本和交易成本，从而缓解工业企业的融资约束，进而促使工业企业全要素生产率的提升。由表7 第 （6）～（7）列可知，地方数字金融发展发挥金融普惠功能，增加了工业企业金融资源的可得性，一方面，使工业企业更容易获得开展研发性活动的资金，促进人力、资本和技术等要素在区域间流动，有助于企业通过研发创新增加中高端和有效供给；另一方面，数字金融中数字技术的使用可缓解信息的不对称，使得数字金融能筛选高效的投资项目，从而减少低端和无效供给，两方面的作用使得数字金融通过研发创新效应提升实体经济质量。

五、结论与政策启示

本文基于2011—2020 年中国省级工业面板数据理论分析并实证考察了数字金融对实体经济质量提升的影响效应和作用机制，主要结论如下。一是数字金融对实体经济质量提升有显著的促进作用，该结论在替换被解释变量、考虑内生性和控制传统金融发展水平后依然成立。这一基本结论为“十四五”规划中明确提出的“提高金融服务实体经济能力”“深化金融供给侧结构性改革”等任务要求提供了经验证据。二是基于时间异质性和区域异质性检验得出，数字金融对实体经济质量提升的促进作用在2013 年以后更为明显，在金融发展相对落后的中西部地区更为显著，进一步证明数字金融能发挥普惠金融的优势和潜力。三是机制检验得出，数字金融通过规模经济、缓解融资约束和研发创新三个渠道提升实体经济质量。

以上结论对中国完善数字金融体系、促进实体经济高质量发展，以及提升数字金融助力实体经济高质量发展等有以下启示。一是进一步健全中国数字金融体系，提升数字金融三个子维度对实体经济高质量发展的支持效率。数字金融是普惠金融的重要源动力和增长点，也是金融供给侧结构性改革的重点，因此，要进一步健全数字化金融基础设施、数字金融治理体系和数字金融监管体系等，为推动数字金融高质量发展提供保障，从而使数字金融更有效率、更加全面、更加安全地服务实体经济高质量发展。二是持续推进欠发达地区的数字金融体系的完善与改革，发挥数字普惠金融的优势和潜力。坚持目标导向和问题导向并重，对欠发达地区展开数字普惠金融专项行动，推动数字金融基础设施建设、数字金融产品创新、数字金融服务效率提升等，充分发挥数字金融的数字技术优势，拓宽金融服务边界，提高金融服务效率，使金融服务触及对资金有迫切需求的工业企业，为有潜力的工业企业提供精准的金融服务，促使企业开展合理可持续的生产性、研发性活动，并在其生产与研发过程中利用数字技术最大程度地发挥数字金融的资金支持、项目筛选、信息处理、风险监控等功能，以通过提供高效、精准的金融服务来增加有效和中高端供给，减少无效和低端供给，进而提升实体经济发展质量。三是进一步畅通数字金融通过规模经济、缓解融资约束和研发创新渠道促进实体经济高质量发展的路径。数字金融的发展促使金融资源触及真正的资金需求方，突破传统地域限制，降低工业企业的融资成本及金融机构的获客成本，缓解工业企业融资约束，引导金融“脱虚向实”，促使工业企业开展生产性活动，实现规模经济。同时，数字金融有别于传统金融，其可借助大数据、人工智能、区块链、云计算等数字技术，进行大数据信用评定、风险监控等，有效缓解信息不对称带来的问题。一方面，数字金融可直接为工业企业的研发性活动提供金融资源，发挥工业企业的研发创新效应；另一方面，数字技术的应用和资金资源流动带来的人力、物力、信息和技术等的流动所产生的溢出效应，能提高工业企业的生产效率，进一步促进实体经济高质量发展。