Existing literature primarily explores perspectives such as financial agglomeration and patient capital. However, studies focusing on the relationship between digital finance in micro-manufacturing enterprises and new quality productive forces remain relatively scarce.Amid challenges such as high external dependency on core technologies, manufacturing firms urgently need to innovate rapidly to develop new quality productive forces. This requires these enterprises to possess advanced innovative thinking and a strong willingness to innovate, with the level of risk-taking playing a crucial role in this process. The risk-taking level of manufacturing enterprises directly impacts organizational efficiency, productivity, and creativity. Digital finance, with its financial accelerator function, can effectively alter management's risk aversion tendencies, encouraging them to invest in high-risk, high-return projects, thus continuously improving technological innovation levels and fostering the ongoing emergence and enhancement of new quality productive forces. Therefore, risk-taking likely plays a channeling role in the relationship between digital finance and new quality productive forces in manufacturing enterprises. Furthermore, manufacturing enterprises' decision-making is constrained by internal resource endowments and influenced by external market conditions. Environmental uncertainties can exacerbate information asymmetry, underscoring the importance of digital finance in addressing these challenges. However, current research has not yet integrated risk-taking and environmental uncertainty into the framework to examine the relationship between digital finance and new quality productive forces, leaving their underlying mechanisms unexplored.
This paper uses a sample of Chinese listed manufacturing enterprises from 2013 to 2022 to examine the impact of digital finance on the development of new quality productive forces in the manufacturing sector. The findings reveal that digital finance significantly enhances the new quality productive forces of manufacturing enterprises. Digital finance increases enterprises' risk-taking levels, with risk-taking serving as a mediating mechanism between digital finance and new quality productive forces. Environmental uncertainty positively moderates the relationship between digital finance and enterprise risk-taking, amplifying the effects of digital finance on new quality productive forces. Heterogeneity analysis shows that digital finance consistently enhances the development of new quality productive forces in manufacturing enterprises, regardless of whether they are heavily polluting or non-heavily polluting, or whether they belong to traditional industries or strategic emerging industries. However, this promotion effect is more pronounced in non-heavily polluting enterprises and within the context of traditional industries.
This study investigates the impact of digital finance on the new quality productive forces in manufacturing enterprises, offering some novel insights. First, unlike previous research that primarily explored the impact of digital finance on new quality productive forces at a macro level, this study adopts a micro-level perspective to investigate how digital finance influences the new quality productive forces of manufacturing enterprises. This approach deepens the understanding of the underlying mechanisms and extends the application of financial development theory in this context. Second, the study identifies risk-taking as a key mediator in the relationship between digital finance and new quality productive forces. It clarifies how digital finance empowers manufacturing enterprises by influencing their willingness to undertake high-risk, high-return projects. Third, it empirically examines the moderating mechanism of environmental uncertainty in the relationship between digital finance and risk-taking in manufacturing enterprises. The findings shed light on the boundary conditions under which digital finance influences enterprise risk-taking and enriches the theoretical exploration of contingency factors and functional mechanisms in the interplay between digital finance and risk-taking.Fourth, the study provides nuanced insights into the heterogeneous effects of digital finance across enterprises with different pollution characteristics and between traditional and strategic emerging industries.
开放科学(资源服务)标识码(OSID)：
党的二十届三中全会强调,“高质量发展是全面建设社会主义现代化国家的首要任务”“要健全因地制宜发展新质生产力体制机制”。新质生产力是由技术革命性突破、生产要素创新性配置、产业深度转型升级而催生的当代先进生产力,它以劳动者、劳动资料、劳动对象及其优化组合的质变为基本内涵,以全要素生产率提升为核心标志[1]。制造业企业作为国民经济的重要组成部分,是发展新质生产力的重要支撑。2025年3月,国务院办公厅印发《关于做好金融“五篇大文章”的指导意见》,提出“深化金融供给侧结构性改革,强化金融政策和科技、产业、财税等政策衔接配合”。数字金融作为数字经济时代的主流金融形态通过提升资金配置效率,为实体经济发展提供金融支持,在推动实体经济新质生产力发展进程中发挥着重要作用[2]。
数字金融作为传统金融与数字技术相结合的新型金融服务模式,在技术的赋能下具有独特优势[3]。数字金融可通过整合企业各种信贷特征进行定量的风险分析,以缓解信贷市场的失灵问题;依托大数据等新兴数字技术降低实体经济金融服务门槛,提高普惠金融覆盖率;同时,面对企业创新活动不确定性因素强、投资规模大等特征,数字金融能够打破“数据壁垒”为实体企业科技创新提供融资支持。由此,数字经济时代,金融服务与数字技术结合形成的全新数字金融业态对我国实体经济产生了重要影响[4]。对制造业企业而言,数字金融具有创新性、科技性和包容性特点,能够产生技术溢出效应,为企业技术创新创造更加开放的市场环境,而且数字金融成本更低,资源配置更高效,能够与各方协同创造优越的金融市场环境,有效减少信息不对称,满足企业多样化的金融需求。具体地,数字金融先进的信息采集和处理技术可帮助制造业企业优化金融体系运行[5],弥补融资缺口,进行合理的信贷配置,从而有利于提高生产经营效率和扩大经营范围。数字金融日益成为我国制造业企业培育和发展新质生产力的重要助力。
近年来,学界围绕金融要素促进新质生产力发展的相关研究日益丰富,既有文献主要围绕金融聚集[6]、耐心资本[7]、ESG发展[8]等视角展开,但聚焦数字金融与企业新质生产力作用关系的研究较少。杨国玉和唐亮[2]基于省级数据研究发现数字金融能够通过赋能科技创新和产业结构升级促进区域新质生产力发展。朱波和曾丽丹[9]基于地级市数据的实证研究同样支持数字金融有利于提升区域新质生产力的研究结论。学者们主要从宏观区域的角度探讨数字金融与新质生产力的联系,鲜有研究从微观企业层面分析数字金融如何影响新质生产力发展。关于数字金融对制造业企业的新质生产力发展影响是否存在利好,本文从现有文献中挖掘出有关信息:从金融发展理论结构观的角度看,金融结构的合理性有助于优化资金渠道,提升资金流动效率,促进经济发展[10];从金融发展理论的功能观角度看,数字金融能有效改善金融体系为社会经济提供交易、兑换、结算的基础功能和跨时空进行金融资源配置的核心功能。对制造业企业而言,数字金融一方面增加金融市场的创新动能、缓解企业的信贷约束,支持企业创新与金融资源良好匹配,契合新质生产力发展方向;另一方面,在金融监管和技术支撑方面存在更高的门槛约束,其作为一种新型的金融创新模式对传统金融产生了冲击,也会出现企业数字金融和传统金融无法良性互动的现实问题,从而不利于制造业企业绿色创新[11]。综上,学界对数字金融如何影响制造业企业新质生产力发展的内在机理仍不明晰,有关二者间的作用关系研究还存在探索空间。
同时,为应对关键核心技术对外依存度高、技术“卡脖子”等问题,我国制造业企业亟需借助创新等手段实现新质生产力快速发展。这要求制造业企业拥有超前的创新思维和强烈的创新意愿,而在此过程中企业的风险承担水平发挥着重要作用[12],直接影响组织效能与创新效率。风险承担水平更高的制造业企业抵抗冲击的能力越强,越能在危机中抓住机会,对新质生产力发展产生积极影响。而数字金融本身则具有金融加速器的功能,能够有效改变制造业企业管理层的风险规避倾向,缓解融资约束问题,使其积极投资收益较高的风险性项目以不断提升技术创新水平[13],进而培育和发展新质生产力。因此,风险承担可能在数字金融与制造业企业新质生产力间发挥中介机制效应,但鲜有学者基于该视角分析数字金融对制造业企业新质生产力发展的作用路径,相关研究还有待进一步深入。
此外,有关上述转化机制的边界条件也有待进一步考察。制造业企业决策不仅受制于自身资源禀赋,还受外部市场环境影响。一方面,当外界环境不确定性因素较高时,企业的创新失败风险加大,管理层易表现出更为谨慎的投资行为,有可能倾向于降低企业内部的风险承担水平;另一方面,环境不确定性使得外部投资者与管理层的信息不对称程度逐渐增大[14],利益相关者无法有效预测和监督管理层行为,当企业出现业绩表现不好或无法取得预期回报时,管理层为免担责则可能将失败原因归咎于环境波动而非个人原因。由此,环境不确定性影响对管理层决策的客观评价程度,为管理层实施高风险高收益项目投资创造条件,进而影响数字金融在制造业企业中的应用方向。环境不确定性作为影响制造业企业风险承担水平的重要情境因素,其在数字金融与制造业企业风险承担间的作用关系中如何发挥调节效应,仍需进一步探索研究。
综上,本文以2013-2022年中国上市公司为样本,以风险承担为中介变量,环境不确定性为调节变量,研究数字金融如何影响制造业企业新质生产力发展。其边际贡献在于:①基于微观企业角度揭示数字金融对制造业企业新质生产力的影响机理,拓展金融发展理论在新质生产力研究领域的应用边界;②区别于从融资约束[15]、知识产权保护[16]等视角分析数字金融在微观企业中的经济后果,将风险承担纳入数字金融和制造业企业新质生产力的分析框架,揭示其中介作用,尝试打开数字金融赋能制造业企业新质生产力发展的机理“黑箱”;③区别于现有学者关注环境不确定性对企业风险承担的直接影响[17],本文研究环境不确定性在数字金融与制造业企业风险承担间的调节作用,进一步丰富数字金融与风险承担间的权变因素并对其作用规律展开理论探索;④进一步揭示不同污染性质企业、传统产业和战略性新兴产业中的数字金融对制造业企业新质生产力的差异化影响,为制造业企业抢抓数字金融机遇、因地制宜提高新质生产力提供理论参考和实践启示。
新质生产力是新发展阶段生产力现代化的具体表现,制造业企业的新质生产力则是具有高水平、高效率、高科技、高质量、可持续的生产力。数字金融通过赋能制造业企业全要素生产率提升与可持续发展,助推制造业企业新质生产力的培育和发展。
新质生产力的核心标志是全要素生产率提升,数字金融则对其有促进作用。首先,数字金融改变了资本市场的运作方式,也改变了传统金融机构的运营模式。其打破传统金融服务的时空限制,通过区块链、智能合约等技术手段实现制造业企业融资过程透明化、自动化,进一步降低市场交易成本和财务风险,实现企业内部生产要素的高效配置[18]。同时数字金融还具有创新、科技、包容的特点,为技术创新创造了更加开放的市场环境,有利于制造业企业生产经营效率提升。其次,基于金融发展理论,数字金融发展推动了金融结构的合理性,能够为制造业企业提供更加灵活、便捷、低成本的融资方式[19],有效保障了企业融资资金的可获得性。从短期经营看,融资资金可用于购置新设备和加大研发创新投入,提升制造业企业的全要素生产率;从长期经营看,融资资金可用于专业人才引进,提高制造业企业整体管理水平[20],进而进一步支持研发创新形成良性循环,契合新质生产力的发展理念。
从可持续角度出发,新质生产力本身是一种绿色生产力,因此,制造业企业的绿色创新水平是其能否实现经济运行新旧动能转换、新质生产力不断涌现或跃升的关键。但制造业企业的绿色技术创新具有周期长、资源依赖性强、收益不确定性高的特点,传统金融服务由于其逐利性和强烈的风险规避倾向,造成金融资源错配,对微型制造业企业绿色技术创新支持作用较弱[21]。而数字金融通过线上平台和金融技术创新,为制造业企业创造了更加便捷灵活的融资渠道,通过降低融资约束等方式提升企业绿色创新能力[22],从而赋能其新质生产力发展。综上,本文提出如下假设:
H1:数字金融能够有效促进制造业企业新质生产力发展。
风险承担是企业管理层倾向于承担风险的集中体现,即管理层为了追逐利益、提升价值、促进企业未来发展所愿意付出相应代价的决策。制造业企业高水平风险承担能力越强,通常对创新风险的容忍度越高[23]。首先,数字金融提高了企业与金融机构之间的信息透明度,有利于外部金融机构对传统制造业企业更加深入了解,从而更好地通过信贷等方式支持企业债务融资,促进其风险承担水平提升[24]。其次,数字金融在处理海量数据方面具备低成本和低风险的天然优势,能够实现金融资源和产业需求精准对接。其通过先进的数字技术分析制造业企业财务情况,进而研判企业未来发展前景并有针对性地提供资金支持,不仅可缓解融资约束等问题,也能有效降低管理者做出有偏见的风险决策可能性,既增加管理层风险偏好,又提高企业的风险承担能力[22]。同时,数字金融利用先进的信息技术,将复杂信息加工成易于理解的形式,降低制造业企业识别和管理风险的成本,表明其可以作为管理决策的良好辅助手段,提高企业的风险承受能力[23]。此外,数字金融的发展也会增加制造业企业对高技能人才的雇佣需求,企业通过优越的薪酬激励吸引更多高素质人才加入,从而加速内部劳动力结构的转变,促进低技能劳动力被替代[24]。拥有先进管理经验和前沿科学文化知识的管理人才,能够帮助制造业企业更加有效处理投融资过程中的复杂问题,降低决策过程中的不确定性,也可以凭借优质的社会网络和关系资源提升企业的风险承担水平[25]。综上,本文提出如下假设:
H2:数字金融能够有效提升制造业企业风险承担水平。
风险承担水平高的企业会主动追求高风险、高净现值项目[26], 反映了企业对利润风险的偏好程度。高水平的风险承担是企业长期发展的必要条件,也是制造业新质生产力发展不可或缺的重要力量。拥有较高风险承担水平的制造业企业,更能充分发挥现有的资源条件作用,以科技创新、企业转型升级与信息处理能力提升等为驱动力,为新质生产力的培育和发展提供支撑保障。
一方面,高风险承担水平有利于制造业企业发展新质生产力。首先,发展新质生产力需要推动以企业为主体的科技创新,特别是突破性创新。当制造业企业处于较高风险承担水平时,通常创新意愿强烈,且更倾向于突破性创新[27],以此帮助企业提高创新能力或摆脱创新低端困境,最终作用于新质生产力提升。其次,为应对复杂的业务环境和管理需求,制造业企业发展新质生产力则迫切地需要转型升级。当风险承担水平较高时,企业通常表现出较高的风险投资,对投资机会的把握也更加充分,会持续进行一系列的转型升级举措[28],进而有利于企业突破困境、优化布局、创新产品,促进新质生产力提升。此外,数字金融有利于制造业企业借助人工智能和互联网等技术获取经济、市场数据,并在数据分析基础上有效提取相关信息,提高企业的信息处理能力,为研发决策提供充足的信息资源,增强风险承受能力。
另一方面,高风险承担能力会激发制造业企业承担风险的意愿,增加选择高风险、高回报决策方案的可能性。风险承受能力强的企业具有长期竞争优势,其能为企业经营活动提供长期动力,进而促进全要素生产率高效提升[26],形成新质生产力发展的核心标志。综上,数字金融不仅能够提高制造业企业的风险承担水平,也可基于此赋能制造业企业新质生产力高效提升。因此,本文提出如下假设:
H3:风险承担在数字金融与制造业新质生产力间发挥中介作用。
外部环境是制造业企业获得关键资源的来源,也是影响企业内部决策的重要参考因素。当外界环境不确定性较低时,企业正处于较为稳定的商业环境之中,可通过信息预测分析市场前景并规划发展方向,且不需要以承担风险为代价获取高额投资收益。反之,当环境不确定性较高时,则加深了外部投资者与企业之间信息不对称的问题,外部投资者难以预测企业发展前景,从而易产生“惜贷”情绪,减少对外投资,导致企业融资难度也随之加大。面对外界的不确定性,企业为寻求可持续发展通常会采取相应的应对策略,而突破策略更能帮助制造业企业抓住发展的机会[29]。因此,制造业企业为在逆境中抓住机会实现快速增长,会倾向于利用数字金融构建的多渠道、多元化融资体系为高风险、高收益的投资项目提供金融支持[30],以顺利开展技术创新和生产研发活动[26],塑造人无我有、人有我优的创新优势,提高竞争风险的应对能力。此外,外部环境不确定性较大时,管理层可将决策失败归因于环境因素。这种归责机制降低了管理层的问责风险,进而为管理层实施高风险高收益项目投资提供便利,从而强化数字金融对制造业企业风险承担的促进作用。基于此,本文提出如下假设:
H4:环境不确定性在数字金融与制造业企业风险承担间发挥正向调节作用。
综上,本文构建制造业企业新质生产力的理论模型如图1所示。
图1 研究模型
Fig.1 Theoretical model
现有研究通常将余额宝开始运营的2013年作为我国数字金融元年。因此,本文选取2013-2022年中国制造业上市企业为研究样本,并排除ST及*ST类企业、数据严重缺失以及存在显著异常值问题的企业。考虑到被解释变量的滚动衡量周期为3年,本文剔除了连续数据少于3年的样本企业,最终得到10 880个观测样本。制造业企业数据均来源于国泰安数据库和CNRDS数据库,数字金融指数来自北京大学数字金融研究中心编制的《数字普惠金融指数》。在数据搜集和整理的基础上,本文采用Stata16进行计量分析。
(1)被解释变量:新质生产力(Npro)。由于新质生产力是一个较新概念,其定量研究尚处于初级阶段,有关新质生产力测度可从其实质内涵出发进行探索。在新质生产力与传统生产力的显著差异上,Fare等[31]的研究表明,传统生产力主要由资本和劳动力等因素驱动,在达到一定阶段后就会遇到发展瓶颈。Lee等[32]指出,新质生产力是由技术创新引领,被创新、开放和发展激发。Solow[33]认为,生产力包含劳动力和生产工具两个要素,并可以将劳动力细分为活劳动和物化劳动。随后Jorgenson &Griliches[34]阐明,活劳动可以通过人员工资、在劳动力中所占比例和受教育程度衡量,而物化劳动可以用资本密集度表示。Dinlersoz &Wolf[35]又将生产工具分化为硬科技和软科技,其中硬科技可以反映在资本活动中,如直接研发投资和相关摊销;软科技可以反映为资产周转率等指标[36]。基于上述研究,本文依据生产力二要素理论,在考虑数据的可得性基础上参考宋佳等[8]的研究方法,从活劳动、物化劳动、硬科技、软科技4个维度设计新质生产力的指标体系,并进一步从中国制造业情境出发进行构建。首先,考虑到创新是我国企业新质生产力形成的根本动力,且创新离不开人才,需要同时打造与新质生产力发展相匹配的新型劳动者队伍。因此本文在活劳动的构成指标上采用研发人员薪资占比、研发人员占比和高学历人员占比进行衡量,以此体现与制造业企业新质生产力相匹配的“智力工人”水平(刘敦虎等,2024)。其次,在物化劳动的构成指标上,由于本文是以中国制造业企业为研究对象,这类企业在实际经营中制造费用占比较高,且固定资产是中国制造业企业的主要物质基础,固定资产的投入和使用效率直接决定其运营效率与管理水平。因此本文选择制造费用占比和固定资产占比作为物化劳动的构成指标。再次,硬科技的构成指标主要涉及有关研发方面的硬件设备。由于新质生产力具有高科技、高效能、高质量等特征,通过硬科技构成指标可以评估企业在科技创新方面的投入和产出,进而判断其在新质生产力培育方面的潜力和成效。因此本文参考现有学者做法采用研发直接投入占比、折旧摊销占比、租赁费用占比、无形资产占比衡量[8],以直接反映制造业企业在新质生产力发展中的投入和实力。最后,在软科技的构成指标上,参考刘敦虎等(2024)对于中国制造业企业新质生产力在此方面的指标构成,采用权益乘数和总资产周转率衡量制造业企业的运营能力和财务风险。为便于计算,本文将全文指标均统一处理成正向指标,并利用熵值法确定各指标权重以测算各制造业企业新质生产力水平。
(2)解释变量:数字金融(DIF)。考虑到北京大学互联网金融研究中心编制的《数字普惠金融指数》能够相对科学、客观地描述中国数字金融在现阶段的总体发展程度和变化趋势,该指标也成为学术界普遍采用的测度方式。因此,本文参考Jin等[26]的做法,采用城市层面的数字金融普惠指数衡量各制造业企业数字金融水平。
(3)中介变量:风险承担(RISK)。参考余明桂等[37]的做法,使用3年内资产收益率的盈余波动性衡量企业风险承担水平。该指标越大,则企业风险承担水平越高。
(4)调节变量:环境不确定性(EU)。参考申慧慧等[38]的做法,采用经行业调整后的环境不确定性水平度量,具体利用各企业过去5年的非正常销售收入标准差与销售收入均值的比值计算未经行业调整的环境不确定性水平,再除以行业环境不确定性中位数进行计算。
(5)控制变量:基于相关研究,本文选取企业规模、财务杠杆水平、企业成长性、董事会人数、两职合一、企业上市年限、独立董事比例、企业价值作为控制变量。本文变量定义如表1所示。
表1 变量定义及测量
Table 1 Variable definitions and measurement
类别名称 符号定义及测量被解释变量新质生产力Npro基于生产力二要素理论并利用熵值法进行计算解释变量数字金融DIF采用《数字金融普惠金融指数》中的综合指数中介变量风险承担水平RISKROA净利润的3年波动率,即t-2年到t年的标准差调节变量环境不确定性EU经行业调整后的环境不确定性水平(见上文)控制变量企业规模Size总资产取自然对数财务杠杆水平Lev年末总负债除以年末总资产企业成长性Growth营业收入增长率董事会人数Board董事会人数取自然对数两职合一Dual董事长与总经理是同一个人为1,否则为0企业上市年限ListAge企业上市年限的自然对数独立董事比例Indep独立董事数量与董事规模之比企业价值TobinQ企业托宾Q值
为验证本文假设,构建回归模型(1)～(4),其中Npro代表新质生产力,DI代表数字金融,RISK代表风险承担,EU代表环境不确定性,Controls代表控制变量,ε代表残差,i和t分别代表企业与观测年份。
(1)
(2)
(3)
(4)
表2显示主要变量的描述性统计结果,制造业企业新质生产力平均值是16.328,标准差是8.079,其最小值和最大值存在显著差距。数字金融的标准差为59.864,极差为267.096,表明不同制造业企业间新质生产力发展水平以及不同城市数字金融发展水平均存在较大差异。此外,方差膨胀因子检验结果显示,Vif最大值为1.720,平均值为1.340,远低于10,表明各变量间不存在严重的多重共线性问题。表3显示各变量间相关性分析结果,数字金融与制造业企业新质生产力呈正相关关系;数字金融与风险承担水平呈正相关关系;风险承担水平与制造业企业新质生产力呈正相关关系,且均通过相应的显著性检验,初步支持研究假设。
表2 描述性统计结果
Table 2 Descriptive statistics
变量观测数平均值标准差最小值最大值Npro10 88016.3288.0791.206110.618DIF10 880246.31859.86493.970361.066RISK10 8800.0260.03600.633Size10 88022.3771.19119.58526.452Lev10 8800.4050.1820.0460.908Growth10 8800.1470.348-0.6584.024Board10 8802.1210.18902.708Dual10 8800.2600.43901ListAge10 8802.4280.5740.6933.401Indep10 88037.4825.436060TobinQ10 8802.0661.324015.607
表3 相关性分析结果
Table 3 Correlation analysis results
变量NproDIFRISKSizeLevGrowthBoardDualListAgeIndepTobinQNpro1DIF0.286***1RISK0.057***0.103***1Size0.077***0.107***-0.077***1Lev0.0150.053***0.035***0.487***1Growth0.026***-0.038***-0.021**0.052***0.019**1Board0.022**-0.031***-0.090***0.245***0.118***01Dual0.0010.034***0.035***-0.131***-0.076***0.020**-0.193***1ListAge0.068***0.155***0.084***0.410***0.301***-0.082***0.144***-0.171***1Indep0.028***0.031***0.043***-0.003-0.007-0.001-0.542***0.133***-0.028***1TobinQ0.042***-0.171***0.069***-0.330***-0.279***0.049***-0.104***0.070***-0.092***0.054***1
注：*、**、***分别代表统计量在 10%、5%、1%水平上显著,下同
本文首先对回归模型进行豪斯曼检验,检验结果在1%水平上拒绝原假设,故采用固定效应模型进行估计。同时,为排除变量间的量纲差距影响,本文参考苏屹和李忠婷[39]、王晓红等[40]的研究对所有变量进行标准化处理,回归结果如表4所示。列(1)显示数字金融与制造业企业新质生产力的回归系数在1%水平上正向显著,说明数字金融能够赋能制造业企业新质生产力发展,假设H1得以验证。列(2)显示数字金融与制造业企业风险承担水平的回归系数在1%水平上正向显著,说明数字金融能够有效提升制造业企业风险承担水平,假设H2得以验证。列(3)显示在加入风险承担后,数字金融与制造业企业新质生产力的回归系数仍在1%水平上显著,且风险承担与制造业企业新质生产力的回归系数在10%水平上显著,证明数字金融能够通过提升风险承担水平赋能制造业企业新质生产力发展,假设H3得以验证。列(4)显示环境不确定性与数字金融的交乘项与制造业企业新质生产力的回归系数在1%水平上正向显著,说明环境不确定性在数字金融与企业风险承担水平之间起正向调节作用,假设H4得以验证。
表4 基准回归分析结果
Table 4 Baseline regression analysis results
变量NproRISKNproRISK(1)(2)(3)(4)DIF0.262***0.054***0.261***0.068***(0.006)(0.010)(0.006)(0.009)RISK0.010*(0.006)EU0.271***(0.011)DIF×EU0.051***(0.008)Size-0.056***-0.247***-0.054***-0.230***(0.012)(0.020)(0.012)(0.020)Lev0.016*0.158***0.0140.148***(0.009)(0.015)(0.009)(0.014)Growth0.001-0.029***0.001-0.119***(0.005)(0.009)(0.005)(0.009)Board0.0010.0070.0000.012(0.009)(0.016)(0.009)(0.015)Dual0.016**0.0080.016**0.010(0.007)(0.012)(0.007)(0.011)ListAge0.093***0.427***0.089***0.418***(0.010)(0.018)(0.011)(0.017)Indep-0.015*0.011-0.015*0.020(0.008)(0.014)(0.008)(0.014)TobinQ-0.0110.037***-0.011*0.049***(0.007)(0.011)(0.007)(0.011)_cons0.000-0.0000.0000.003(0.005)(0.008)(0.005)(0.008)N10 88010 88010 88010 880R20.2450.0920.2450.151
注：括号内为标准差,下同
(1)工具变量法检验。为进一步解决模型中潜在的内生性问题,本文参考刘海洋等[41]的做法,选取滞后期核心解释变量作为工具变量进行2SLS回归,结果显示Cragg-Donald Wald F在10%水平上大于Stock-Yogo临界值,表明不存在弱工具变量的问题。表5结果显示,考虑内生性问题之后,数字金融依然对制造业企业新质生产力产生促进作用。
表5 工具变量法检验结果
Table 5 Test results of instrumental variable approach
变量DIFNproDIF0.264***(0.006)IV_DIF0.910***(0.002)Size0.018***-0.060***(0.003)(0.012)Lev-0.017***0.003(0.003)(0.009)Growth-0.0010.001(0.001)(0.005)Board-0.005*0.001(0.003)(0.009)Dual0.0030.013*(0.002)(0.007)ListAge0.114***0.079***(0.003)(0.010)Indep-0.005**-0.010(0.002)(0.008)TobinQ-0.032***-0.016**(0.002)(0.007)N9 7929 792R20.9770.218
(2)调整研究样本。根据样本观测年份,对研究样本缩小调整后再次进行回归分析。由表6可知,结果与基准回归一致,表明本文结果较为稳健。
表6 调整样本回归结果
Table 6 Adjusted sample regression results
变量NproRISKNproRISKDIF0.229***0.055***0.228***0.069***(0.007)(0.014)(0.007)(0.013)RISK0.013**(0.006)EU0.277***(0.014)DIF×EU0.030**(0.013)ControlsYESYESYESYESTobinQ0.022***0.068***0.021***0.092***(0.007)(0.015)(0.007)(0.015)_cons0.030***0.0030.030***0.008(0.005)(0.011)(0.005)(0.010)N8 7048 7048 7048 704R20.1440.0880.1450.145
(3)Soble和Bootstrap中介验证法。本文利用Soble和Bootstrap置信区间法对风险承担的中介作用进行补充验证,风险承担的Sobel Z值为2.963并在1%水平上显著。与此同时,Bootstrap检验提供的两种置信区间均不包含0,表明风险承担的中介作用结果稳健。
2024年7月,中共中央、国务院印发《关于加快经济社会发展全面绿色转型的意见》强调,“加快产业结构绿色低碳转型”,“坚决遏制高耗能、高排放、低水平项目盲目上马”。绿色发展是高质量发展的底色,新质生产力本身就是绿色生产力。不同于其他行业,重污染制造业企业具有高耗能、高污染、高碳排放的“三高”特点,新质生产力的发展难度较大。考虑到行业性质的不同可能会造成数字金融对制造业企业新质生产力的影响产生差异,首先,将现有研究样本进一步细分为重污染企业和非重污染企业,展开数字金融对制造业企业新质生产力影响的异质性分析。其次,传统产业与战略性新兴产业的新质生产力发展现状存在明显不同,不同产业中对数字金融和新质生产力的谋篇布局也必然存在差异,基于样本构成,本文进一步将现有研究样本细分为传统产业和战略性新兴产业,展开数字金融对制造业企业新质生产力影响的异质性分析。
首先,重污染制造业企业由于长期依赖传统的高污染、高能耗生产方式,其技术创新和应用新技术的难度相对较大,同时还面临着更严格的监管审查和更高的合规成本,这可能会限制管理者追求绿色创新的自由裁量权[42],在绿色化发展方面存在一定“惰性”。相比而言,非重污染制造业企业具有更大的灵活性和更少的监管限制,管理团队能更自由有效地实施创新战略[43],从而更易接受和开展数字金融应用。同时,数字金融平台在评估企业信用和风险时,会综合考虑企业的环保表现、技术创新能力等因素,给予非重污染企业相对优惠的融资条件和相对高的信用评级,因而非重污染企业更易得到数字金融平台提供的资金、信息和数据支持,加速技术创新和产业升级,进而提升新质生产力。其次,随着全球环境保护意识增强,各国纷纷出台一系列环保政策法规以限制重污染企业的排放和运营,使得重污染企业在获得金融支持和进行技术升级方面面临更多限制与挑战。数字金融虽然能够提供更加灵活高效的金融服务,但在支持重污染企业转型升级方面可能面临挑战或政策困境[44],从而影响数字金融对该类制造业企业新质生产力的赋能效果。非重污染企业则通常具有更好的市场接受度和品牌形象,使其在获得金融支持和拓展市场方面更具优势。数字金融平台更倾向于与具有良好市场口碑和品牌形象的企业合作,以降低风险并提高投资回报。因此,非重污染企业更容易获得数字金融的青睐和支持,进而赋能新质生产力快速提升。
首先,传统产业具有相对完善的产业链和成熟的生产模式,数字金融介入后更容易与现有体系相融合,通过数字化手段优化生产流程、提高管理效率[45]。相比而言,战略性新兴产业则可能处于初创期或成长期,产业链尚不完善,技术创新和市场应用存在不确定性。因此,数字金融的介入对新质生产力的提升效果在传统产业中更加明显。其次,传统产业的数字金融应用更注重对现有技术的优化和应用,这些技术相对成熟且易于实施,因此能更快地推动企业转型升级、获得良好成效。战略性新兴产业则更依赖于前瞻性、引领性等前沿技术的应用支撑[46],这些技术的研发和应用具有较大的不确定性和风险性,需要更多资金和资源投入,且成效显现的用时更长,所以数字金融对传统产业新质生产力的提升效果更强。最后,政策环境支持在战略性新兴产业发展中发挥着重要作用[47],相关部门正通过设置专项引导基金等方式引导社会资本投资战略性新兴产业。相比较传统产业,战略性新兴产业自身的资源约束较小,致使数字金融对传统产业新质生产力赋能的效果更为明显。
本文首先参考郭晔等(2019)的做法,根据原环保部公布的《上市企业环境核査分类管理名录》,将14个污染行业与证监会行业分类相匹配,筛选出属于重污染行业企业设置为1,否则为0。其次,综合《国务院关于加快培育和发展战略性新兴产业的决定》与国家统计局公布的《战略性新兴产业分类(2018)》对战略性新兴产业的界定,以企业所在行业代码与《战略性新兴产业分类(2018)》中的行业代码相匹配的方式,将识别为战略性新兴企业的设置为1,传统企业设置为0。基于此,展开异质性分析的实证检验,回归结果如表7所示。
表7 异质性分析回归结果
Table 7 Heterogeneity analysis regression results
变量重污染企业非重污染企业传统产业战略性新兴产业(1)(2)(3)(4)NproNproNproNproDIF0.173***0.306***0.283***0.149***(0.011)(0.008)(0.006)(0.010)ControlsYesYesYesYes_cons-0.057***0.031***0.016***-0.098***(0.008)(0.006)(0.005)(0.011)N4 1916 6899 3401 540R20.1500.3110.2610.170组间系数检验0.000***0.000***
表7列(1)(2)显示:重污染企业中,数字金融与新质生产力的系数为0.173,在1%水平上正向显著;非重污染企业中,数字金融与新质生产力的系数为0.306,在1%水平上正向显著,表明数字金融对重污染和非重污染企业的新质生产力均有显著促进作用。其中,非重污染企业样本中的数字金融系数更大,且费舍尔组间系数差异性在1%水平上显著,表明与重污染制造业企业相比,数字金融在更大程度上促进了非重污染制造业企业新质生产力水平的提高。
表7列(3)(4)显示:传统产业中,数字金融与新质生产力的系数为0.283,在1%水平上正向显著;战略性新兴产业中,数字金融与新质生产力的系数为0.149,在1%水平上正向显著,表明数字金融对传统产业和战略性新兴产业的制造业企业新质生产力均有显著促进作用。其中,传统产业样本中的数字金融系数更大,且费舍尔组间系数差异性在1%水平上显著,表明与战略性新兴产业相比,数字金融在更大程度上促进了传统产业制造业企业新质生产力水平的提高。
本文基于2013-2022年中国制造业上市企业数据,以风险承担为中介变量,以环境不确定性为调节变量,探讨数字金融对制造业企业新质生产力的影响,并进一步按照企业污染性质和产业类别将研究样本分组,展开数字金融对制造业企业新质生产力的异质性分析,研究结论如下:第一,数字金融对制造业企业新质生产力存在正向显著影响;第二,数字金融能够提高制造业企业的风险承担水平,且风险承担水平在数字金融与制造业企业新质生产力间发挥中介作用;第三,环境不确定性能够在数字金融与制造业企业新质生产力间发挥正向调节作用;第四,异质性研究发现,无论是非重污染企业还是重污染企业,抑或在传统产业还是战略性新兴产业中,数字金融均对制造业企业新质生产力产生提升作用,但效果存在差异,具体地,数字金融分别对非重污染企业和传统产业企业新质生产力的提升效果更强。
基于上述结论,本文提出如下启示:第一,抓住数字金融发展带来的机遇,积极参与产业数字金融平台,利用平台提供的定制化金融服务和产品,降低融资成本,提高融资效率。同时加大制造业企业内部数字基础设施投入,推进数字化转型,加强数字金融专业知识培养,积极引进创新人才,吸引数字金融资源汇入。此外,相关部门可牵头组建数字金融发展联盟,加强银行、金融科技公司、制造业企业等主体间的沟通交流,以提升制造业企业发展数字金融积极性。第二,重视风险承担在新质生产力发展过程中的积极作用,健全内部风险识别、评估、监控和应对机制,在明确数字金融应用场景和目标的基础上,结合风险管理计划促进企业新质生产力发展。第三,当外界环境不确定性较高时,制造业企业可构建动态风险管理体系,谨慎评估风险和收益的关系,利用数字金融技术实时监测市场动态与风险因素,提升企业风险承担水平,采取突破策略以便捕捉新兴机遇。第四,密切关注制造业企业获取数字金融资源情况。政策引导数字金融更多关注重污染制造业企业,激发其绿色转型积极性,以研发更加环保、高效的生产技术和产品,赋能企业新质生产力提升;继续加大对战略性新兴产业的金融扶持,同时叠加产学研用协作、专业人才培育等措施能效,形成新质生产力发展合力。
[1] 胡洪彬. 习近平总书记关于新质生产力重要论述的理论逻辑与实践进路[J]. 经济学家, 2023,35(12): 16-25.
[2] 朱波, 曾丽丹. 数字金融发展对区域新质生产力的影响及作用机制[J]. 财经科学, 2024,68(8): 16-31.
[3] WANG H N, LIU F S. Digital finance and enterprise innovation efficiency: evidence from China[J]. Finance Research Letters, 2024, 59: 104709.
[4] 张力伟,吴传清.数字普惠金融能影响长江经济带企业全要素生产率吗——来自A股上市公司的经验证据[J].长江流域资源与环境,2024,33(10):2140-2149.
[5] LI C M, HE S, TIAN Y, et al. Does the bank′s FinTech innovation reduce its risk-taking? evidence from China′s banking industry[J]. Journal of Innovation &Knowledge, 2022, 7(3): 100219.
[6] 任宇新, 吴艳, 伍喆. 金融集聚、产学研合作与新质生产力[J]. 财经理论与实践, 2024, 45(3): 27-34.
[7] 温磊, 李思飞. 耐心资本对企业新质生产力的影响[J]. 中国流通经济, 2024, 38(10): 86-97.
[8] 宋佳, 张金昌, 潘艺. ESG发展对企业新质生产力影响的研究——来自中国A股上市企业的经验证据[J]. 当代经济管理, 2024, 46(6): 1-11.
[9] 杨国玉, 唐亮. 基于数字普惠金融视角的新质生产力及其关系研究[J]. 云南民族大学学报(哲学社会科学版), 2024, 41(5): 84-94.
[10] 段永琴, 何伦志, 克甝. 数字金融、技术密集型制造业与绿色发展[J]. 上海经济研究, 2021, 33(5): 89-105.
[11] 韩先锋, 董明放, 李勃昕. 中国OFDI逆向绿色创新的动态溢出效应——基于数字金融与传统金融的互动调节[J]. 财经论丛, 2023,39(11): 36-46.
[12] 高磊, 赵雨笛. 多个异质大股东的混合所有制与企业创新——基于风险承担与融资约束的中介作用[J]. 管理评论, 2023, 35(11): 126-141.
[13] 罗岭, 曹青青. 数字金融、企业风险承担与审计费用[J]. 审计与经济研究, 2023, 38(1): 40-50.
[14] GHOSH D, OLSEN L. Environmental uncertainty and managers′ use of discretionary accruals[J]. Accounting, Organizations and Society, 2009, 34(2): 188-205.
[15] 解维敏, 吴浩, 冯彦杰. 数字金融是否缓解了民营企业融资约束[J]. 系统工程理论与实践, 2021, 41(12): 3129-3146.
[16] 籍明明. 数字金融、知识产权保护与企业技术创新能力[J]. 中国软科学, 2024, 39(7):147-156.
[17] 王佳希. 环境不确定性、风险承担与企业创新[J]. 商业研究, 2023,66(2): 127-134.
[18] 潘艺, 张金昌. 数字金融对企业可持续发展的影响及机制研究[J]. 金融理论与实践, 2023,45(6): 1-10.
[19] LI N, ZHOU Y F. Can digital financial development promote corporate green technology innovation[J]. International Review of Economics &Finance, 2024, 92: 1562-1582.
[20] XUE Q, LIU X Q. Can digital finance boost corporate green innovation[J]. Finance Research Letters, 2024, 62: 105224.
[21] MANSO G. Motivating innovation[J]. The Journal of Finance, 2011, 66(5): 1823-1860.
[22] FENG X C, YU R Q. How does digital transformation affect corporate risk-taking? evidence from China[J]. International Review of Economics &Finance, 2025, 97: 103614.
[23] MURRO P, PERUZZI V. Relationship lending and the use of trade credit: the role of relational capital and private information[J]. Small Business Economics, 2022, 59(1): 327-360.
[24] SU C W, YUAN X, UMAR M, et al. Does technological innovation bring destruction or creation to the labor market[J]. Technology in Society, 2022, 68: 101905.
[25] 宋建波, 文雯, 王德宏. 海归高管能促进企业风险承担吗——来自中国A股上市公司的经验证据[J]. 财贸经济, 2017, 38(12): 111-126.
[26] JIN Y, MA Y Y, YUAN L B. How does digital finance affect the total factor productivity of listed manufacturing companies[J]. Structural Change and Economic Dynamics, 2024, 71: 84-94.
[27] 王龙, 张腾, 林文敏. 风险投资对企业突破性创新的影响研究——来自中国上市公司的证据[J]. 宏观经济研究, 2024,46(6): 43-58.
[28] 张悦玫, 方聪聪, 崔淼. 风险承担、创新意愿与企业转型升级的动态关系研究[J]. 首都经济贸易大学学报, 2023, 25(3): 89-100.
[29] 张公一, 张畅, 刘思雯. 环境不确定情境下组织韧性影响路径、作用机制与应对策略研究[J]. 科技进步与对策, 2023, 40(2): 20-29.
[30] WU Y L, HUANG S L. The effects of digital finance and financial constraint on financial performance: firm-level evidence from China′s new energy enterprises[J]. Energy Economics, 2022, 112: 106158.
[31] F
RE R, GROSSKOPF S, PASURKA C A. Pollution abatement activities and traditional productivity[J]. Ecological Economics, 2007, 62(3-4): 673-682.
[32] LEE C C, HE Z W, YUAN Z H. A pathway to sustainable development: digitization and green productivity[J]. Energy Economics, 2023, 124: 106772.
[33] SOLOW R M. A contribution to the theory of economic growth[J]. The Quarterly Journal of Economics, 1956, 70(1): 65-94.
[34] JORGENSON D W, GRILICHES Z. The explanation of productivity change[J]. The Review of Economic Studies, 1967, 34(3): 249-283.
[35] DINLERSOZ E, WOLF Z. Automation, labor share, and productivity: plant-level evidence from U.S. manufacturing[J]. Economics of Innovation and New Technology, 2024, 33(4): 604-626.
[36] YUE S S, BAJURI N H, KHATIB S F A, et al. New quality productivity and environmental innovation: the hostile moderating roles of managerial empowerment and board centralization[J]. Journal of Environmental Management, 2024, 370: 122423.
[37] 余明桂, 李文贵, 潘红波. 管理者过度自信与企业风险承担[J]. 金融研究, 2013,56(1): 149-163.
[38] 申慧慧, 于鹏, 吴联生. 国有股权、环境不确定性与投资效率[J]. 经济研究, 2012, 47(7): 113-126.
[39] 苏屹, 李忠婷. 区域创新系统主体合作强度对创新绩效的影响研究[J]. 管理工程学报, 2021, 35(3): 64-76.
[40] 王晓红, 李娜, 张奔. 企业研发投入、产学研协同发展与区域创新产出——对外开放度的调节作用[J]. 系统管理学报, 2022, 31(3): 500-508, 521.
[41] 刘海洋, 林令涛, 李倩婷. 进口中间品与中国企业生存扩延[J]. 数量经济技术经济研究, 2017, 34(12): 58-75.
[42] NGUYEN T H H, ELMAGRHI M H, NTIM C G, et al. Environmental performance, sustainability, governance and financial performance: evidence from heavily polluting industries in China[J]. Business Strategy and the Environment, 2021, 30(5): 2313-2331.
[43] ZHOU Y Y, DU Y H, LEI F Y, et al. Influence of financialization of heavily polluting enterprises on technological innovation under the background of environmental pollution control[J]. International Journal of Environmental Research and Public Health, 2021, 18(24): 13330.
[44] 强以晨, 徐璋勇. 绿色金融对重污染企业数字化的影响[J]. 中国人口·资源与环境, 2024,34(8):93-102.
[45] 刘振中, 王妍. 以改造传统产业发展新质生产力:逻辑机理与基本路径[J]. 改革, 2024,37(10):29-43.
[46] 蒋文能, 凌荣安, 秦强, 等. 战略性新兴产业的内涵、机理及政府介入[J]. 经济与社会发展, 2013, 11(4): 1-6.
[47] 陈虹, 胡善贵. 新质生产力视角下战略性新兴产业发展水平测度与区域差异研究[J]. 科技进步与对策, 2024,41(23):63-73.