引言

近年来，数字化技术的蓬勃兴起驱动了“科技”与“金融”的深度融合。互联网、云计算、区块链等新兴技术在金融领域的应用与迭代，标志着金融科技时代的来临，并持续推动全球数字经济发展。在此浪潮下，中国积极把握时代机遇，致力于推动数字经济与实体产业的结合，通过颁布《“十四五”数字经济发展规划》及《金融科技发展规划（2022-2025年）》等顶层设计，强调金融科技服务实体经济的根本宗旨。在此战略指引下，以人工智能、大数据等为核心的金融科技，正持续为我国实体经济赋能，并催化企业创新、加快企业数字化转型。

科技驱动金融业态发生了深刻变革，为区域经济发展注入了持续动力，推动产业发展至新阶段。面对日益多元化与升级的市场需求，传统企业业态难以为继，纷纷加大研发投入，开启金融科技转型之路。然而，企业内部的数字化努力已难以独自应对新时代的发展挑战，作为关键因素的金融科技发展水平对企业的影响日益凸显。在此背景下，金融科技与企业之间的关系已成为经济学界的研究热点，并积累了丰富成果。在此基础上，本文以2018-2022年中国A股上市公司为样本，探究地区金融科技与当地企业经营绩效的关系，为引导企业实现健康与可持续发展提供理论支撑。

一、理论分析与假设

国内外学者对金融科技与企业关系的研究，主要聚焦在金融科技对企业的融资约束、资源配置、治理水平以及市场环境等方面的影响。

在融资约束方面，皮天雷等通过研究发现金融科技可以改善银行与企业间的信息缺失等问题，为疏通融资渠道提供一定帮助。不仅如此，Klapper等表示金融科技在数字支付系统中的运用，可以帮助企业建立信用记录，提升正规融资可得性。在资源配置方面，有部分研究显示金融科技可以降低金融机构与企业之间的信息不对称，从而对企业的生产率有显著提高；孙继国等观察到企业可以通过金融科技手段来提高自身信息透明度，来提升企业价值。在公司治理方面，Ambrus等分析得出企业可运用金融科技帮助其避免由于中介人与代理人之间存在的利益冲突导致的信息传递扭曲，并能监控日常生产经营活动；李小玲等认为企业能够运用金融科技技术来高信息透明度，使实际控制人的决策更加透明、更加高效，有效防止股东和管理层对公司利益的损害，降低委托代理成本，进而优化公司治理。在市场环境方面，金融科技发展改变了传统银行业的信贷模式，降低了金融市场信息不对称和契约不完备程度，为企业发展创造了一个良好的市场环境。根据以上内容，本文推断企业可以通过借助区域金融科技手段来提高其经营绩效。基于上述分析，提出本文的研究假说：控制其他条件不变的情况下，地区发展金融科技会提高所在地区企业的经营绩效。

二、研究设计

（一）样本选择和数据获取

本文选择2018-2022年中国A股市场上市公司作为研究对象，主要出于以下考虑：1.A股上市企业遍及全国各个省市，包涵各个行业，更具有参考性。2.上市公司数据更加全面完整，可以通过相关数据库获得经过外部审计的数据，来保证样本数据真实可靠性。本文数据来自《中国城市统计年鉴》、北京大学数字普惠金融指数、国泰安（CSMAR）数据库。此外，本文还对原始数据进行了如下处理: 剔除银行、证券、保险等金融类公司；剔除房地产公司；剔除ST、PT公司；剔除在缺失变量数据的观测值。经过以上数据处理，最终筛选出了2336家企业的财务数据，总计10586条面板数据。

（二）变量选取

1. 被解释变量

企业经营绩效。针对企业经营绩效的衡量指标有很多，常用的包括资产收益率（ROA）、股本收益率（ROE），Tobin Q值，销售利润率等。根据先前学者的研究，由于Tobin Q值是代表着公司相关利益者和潜在投资者等对公司未来盈利能力、长期发展趋势和投资价值增溢潜力评估的重要特征。本文基于对上市企业的相关数据进行研究，因此本文从市场视角选用Tobin Q值作为对企业的经营绩效的评估标准指标进行衡量。具体计算公式如下：

Tobin Q值的数值大小代表了公司市场价值与公司重置成本的偏离程度。如果Tobin Q值大于1，代表企业的市场价值高于重置成本，说明企业越能得到市场的认可，反映其经营绩效就越高；相反，如Tobin Q值小于1，企业的市场价值低于重置成本，反映其经营绩效就越高。

2. 核心解释变量

地区金融科技指数。由于本文以地区金融科技水平（Fintech）作为核心解释变量，通过参考赵涛等的构思方法，从互联网发展水平和数字金融普惠这两个维度对地区数字经济综合发展水平进行测度，通过相关指标构成，来测算数字经济综合发展指数。其中的原始数据来源于《中国城市统计年鉴》、北京大学数字普惠金融指数。

地区金融科技指数的具体构成如表1所示。

维度	构成指标
互联网发展水平	每百人互联网用户数
	计算机服务和软件从业人员占比
	人均电信业务总量
	每百人移动电话用户数
数字金融普惠	北大普惠金融指数

3. 控制变量

本文选取的控制变量主要是企业内部层面。通过参考先前学者的研究，本文选取的企业内部层面的控制变量有：企业规模（Size），企业年龄（Age），资产负债率（Lev），企业发展能力（Growth），董事会结构（Board），员工规模（Emp）。

本文选取的相关变量及说明如表2所示。

变量类型	变量名称	符号	变量说明
被解释	经营绩效	Tobin Q	股权市值与净债务市值之和除以资产总额
解释	地区金融科技	Fintech	地区数字经济指数
	数字普惠金融	fin	北京大学发布的城市层面数字普惠金融指数
中介	融资约束	SA	股票市场的投资者情绪指数
控制	企业规模	Size	企业期末总资产的自然对数
	企业年龄	Age	企业成立年限
	资产负债率	Lev	年末负债除以年末总资产
	企业发展能力	Growth	营业收入增长率
	董事会结构 员工规模	Board Emp	企业董事会人数的自然对数 企业员工人数的自然对数

（三）模型构建

其中，表示企业i在第t年的经营绩效；核心解释变量表示企业i所在地区在第t年的金融科技指数；表示一系列控制变量；为随机误差项。进一步地，模型还控制了地区固定效应与时间固定效应。模型中度量了地区发展金融科技对当地企业经营绩效的影响，若回归结果显示显著正，则表明地区发展金融科技可以显著提升当地企业的经营绩效，即假设成立。

三、实证结果分析

（一）描述性统计

对样本企业的主要变量进行描述性统计。从统计结果可以看出，部分变量在样本中的变化范围非常大，样本间存在较大差异。

其中，托宾Q值（Tobin Q）的平均值、中位数、最大值和最小值分别为1.966、1.549、22.57和0.625，标准差为1.448，说明样本企业之间的企业经营绩效存在较大差异；地区金融科技指数（Fintech）的平均值、中位数、最大值和最小值分别为1.755、1.343、4.224和0.031，标准差为1.392，表明样本企业所对应地区的金融科技水平存在较大差异，同时表明我国大部分地区的金融科技发展水平处于平均水平以上，整体呈现出较好的发展态势，但小部分地区的金融科技发展水平还较低。

此外，控制变量的标准差均较大，说明其在样本企业之间的观测值也存在较大差异。因此，本文通过研究样本企业之间变量的观测值之间的关系，进而验证地区金融科技发展水平对企业经营绩效的影响。

本文所研究的主要变量的基本统计特征如表3所示。

变量	样本量	平均值	中位数	标准差	最小值	最大值
Tobin Q	10586	1.966	1.549	1.448	0.625	22.57
Fintech	10586	1.755	1.343	1.392	-1.363	4.224
Size	10586	3.108	3.101	0.0590	2.949	3.355
Age	10586	3.020	3.045	0.270	1.609	4.159
Lev	10586	0.412	0.409	0.183	0.0140	0.994
Growth	10586	0.172	0.103	0.920	-0.940	56.17
Board	10586	2.107	2.197	0.199	1.386	2.890
Emp	10586	7.819	7.718	1.245	3.367	13.25

（二）相关性分析

为了消除多重共线性的干扰，在进行实证回归验证之前，先对主要变量进行相关性分析。由回归结果可以得知，除企业规模与企业员工规模的相关系数较大之外，其他变量之间的相关系数的绝对值均低于0.5，因此判断各相关变量之间不存在严重的多重共线性问题。从相关性分析结果观察到，企业托宾Q值（Tobin Q）与企业所在的地区金融科技指数（Fintech）的相关系数为0.033，且在1%水平上显著，初步表明企业所在地的地区金融科技指数会对企业的经营绩效产生正向影响，与前文假设基本相符。

主要变量之间的Person相关系数如表4所示。

	Tobin Q	Fintech	Size	Age	Lev	Growth	Board	Emp
Tobin Q	1
Fintech	0.033***	1
Size	-0.233***	0.027***	1
Age	-0.059***	-0.029***	0.146***	1
Lev	-0.263***	0.016*	0.481***	0.073***	1
Growth	0.033***	-0.0140	0.041***	-0.023**	0.037***	1
Board	-0.121***	-0.080***	0.287***	0.140***	0.124***	0.00300	1
Emp	-0.157***	0.016*	0.813***	0.085***	0.395***	0.036***	0.240***	1

注：括号内数字为标准误，*** p<0.01，** p<0.05，* p<0.1，下表同。

（三）基准回归分析

通过不断增加控制变量进行回归。由结果可知，第（1）至第（7）列为依次加入控制变量的估计结果，并且控制了企业和时间固定效应。结果发现，地区金融科技指数在1%水平下保持显著为正，且系数差异较小，表明地区发展金融科技能够提高企业经营绩效。通过增加控制变量，能够提高回归结果中系数的准确性，由此可验证成立。由控制变量回归的结果可知，企业规模（Size）、企业年龄（Age）等控制变量系数均在1%水平上保持显著，说明控制变量的选取合理的。基准回归结果如表5所示。

	(1)	(2)	(3)	(4)	(5)	(6)	(7)
	Tobin Q	Tobin Q	Tobin Q	Tobin Q	Tobin Q	Tobin Q	Tobin Q
Fintech	0.056***	0.064***	0.061***	0.063***	0.064***	0.062***	0.063***
	(0.013)	(0.012)	(0.012)	(0.012)	(0.012)	(0.012)	(0.012)
Size		-6.274***	-6.076***	-3.619***	-3.662***	-3.333***	-5.677***
		(0.233)	(0.235)	(0.263)	(0.263)	(0.271)	(0.419)
Age			-0.330***	-0.334***	-0.327***	-0.298***	-0.277***
			(0.052)	(0.051)	(0.051)	(0.051)	(0.051)
Lev				-1.602***	-1.610***	-1.615***	-1.617***
				(0.082)	(0.082)	(0.082)	(0.082)
Growth					0.071***	0.070***	0.070***
					(0.014)	(0.014)	(0.014)
Board						-0.342***	-0.353***
						(0.070)	(0.069)
Emp							0.134**
							(0.018)
_cons	1.699***	21.193***	21.590***	14.659***	14.762***	14.374***	20.594***
	(0.092)	(0.730)	(0.731)	(0.801)	(0.801)	(0.804)	(1.169)
N	10586.0
r2	0.003 / 0.067 / 0.071 / 0.103 / 0.105 / 0.107 / 0.112
r2_a	0.002 / 0.066 / 0.070 / 0.102 / 0.104 / 0.106 / 0.110
id	控制
year	控制

（四）稳健性检验

为确保实证结果的有效性与可靠性，本文进行以下稳健性检验：

1. 替换核心解释变量。通过将数字普惠金融指数（fin）替换地区金融科技指数（Fintech），代入模型中进行回归。第二，改变样本容量。通过对观测值进行双侧1%缩尾处理，来改变样本容量，进行稳健性检验。数据清洁处理后，减少了数据偏离和极端值对研究结果的干扰。

稳健性检验结果，如表6所示。由表前两列可知，替换解释变量后的相关系数与基准回归结果的相关系数在显著性和方向均保持一致。表后两列展示了缩尾处理后的回归结果，发现回归系数均在1%的水平下显著为正，并且与未缩尾处理回归结果数据相差不大。

稳健性检验结果均支持前文假设，再次验证了地区金融科技发展水平与所在地企业的经营绩效之间存在显著的正向相关关系，进一步证明了基准回归结果的稳健性。

	(1)	(2)	(3)	(4)
	Tobin Q	Tobin Q	Tobin Q	Tobin Q
fin		0.001***		0.001***
		(0.000)		(0.000)
Size	-5.677***	-5.581***	-5.891***	-5.885***
	(0.419)	(0.422)	(0.352)	(0.352)
Age	-0.277***	-0.282***	-0.201***	-0.200***
	(0.051)	(0.051)	(0.043)	(0.043)
Lev	-1.617***	-1.628***	-1.471***	-1.471***
	(0.082)	(0.082)	(0.068)	(0.068)
Growth	0.070***	0.071***	0.627***	0.627***
	(0.014)	(0.014)	(0.037)	(0.037)
Board	-0.353***	-0.356***	-0.273***	-0.274***
	(0.069)	(0.069)	(0.058)	(0.058)
Emp	0.134***	0.135***	0.134***	0.133***
	(0.018)	(0.018)	(0.015)	(0.015)
Fintech	0.063***		0.069***
	(0.012)		(0.010)
_cons	20.594***	20.388***	20.771***	20.607***
	(1.169)	(1.174)	(0.978)	(0.978)
N	10586.0
r2	0.112 / 0.112 / 0.159 / 0.159
r2_a	0.110 / 0.110 / 0.158 / 0.158
id	控制
year	控制

（五）异质性分析

1. 基于企业产业类型的异质性分析

不同类型的企业由于在资本实力、人才储备等方面存在差异，在组织结构等方面亦会存在差异，这会导致不同类型的企业受地区金融科技发展水平的影响程度不同。因此，本文为考察不同类型的企业受地区金融科技发展水平对其经营绩效的异质性影响，将样本企业按照企业日常经济活动中投入的生产要素的比例进行划分为劳动密集型、技术密集型和资本密集型三组，并基于不同子样本进行实证检验。由分组回归结果可知，随着地区金融科技的发展，地区金融科技指数（Fintech）对企业经营绩效（Tobin Q）的回归系数在劳动密集型企业子样本下大于0但不显著，而在技术密集型和资本密集型企业子样本下回归系数均在1%的水平下显著为正，且资本密集型企业的回归系数为0.071大于技术密集型企业的0.065，表明相比于进行生产主要依靠大量使用劳动力，而对技术和设备的依赖程度低的企业，需要投入较多资本的高科技企业受地区金融科技发展水平对其经营绩效的提升更为明显。可能原因在于，一方面，劳动密集型企业对金融科技的需求和应用程度较低；而技术密集型和资本密集型企业对金融科技的需求更大、应用更为广泛。另一方面，技术密集型和资本密集型企业对金融科技的应用更广，企业能够运用金融科技手段有效缓解信息不对称，施行更及时的数据监管机制，提升企业的公司治理水平。地区发展金融科技有助于资本投入需求较高的企业缓解信息不对称，优化公司治理水平，降低管理成本，对其经营绩效的提高更为明显。根据企业类型进行分组回归的异质性分析的结果，如表7所示。

	(1)	(2)	(3)	(4)
	全样本	劳动密集型	技术密集型	资本密集型
Fintech	0.063***	0.022	0.065***	0.071***
	(0.012)	(0.019)	(0.019)	(0.020)
Size	-5.677***	-3.476***	-4.779***	-5.710***
	(0.419)	(0.623)	(0.766)	(0.699)
Age	-0.277***	-0.046	-0.269***	-0.213**
	(0.051)	(0.079)	(0.082)	(0.088)
Lev	-1.617***	-1.424***	-1.981***	-0.877***
	(0.082)	(0.123)	(0.130)	(0.146)
Growth	0.070***	0.021	0.400***	0.103***
	(0.014)	(0.014)	(0.048)	(0.032)
Board	-0.353***	-0.485***	-0.267**	-0.016
	(0.069)	(0.109)	(0.111)	(0.112)
Emp	0.134***	0.082***	0.113***	0.068**
	(0.018)	(0.025)	(0.033)	(0.033)
_cons	20.594***	13.728***	18.007***	19.738***
	(1.169)	(1.749)	(2.152)	(1.913)
N	10586.0	3200.0	5434.0	1836.0
r2	0.112	0.105	0.095	0.196
r2_a	0.110	0.099	0.092	0.187
id	控制
year	控制

2. 基于企业所在地区的异质性分析

金融科技的发展和应用弥补了传统金融业的不足，能够有效降低融资成本，缓解信息不对称程度，改善企业融资约束程度，进而对企业的经营绩效产生影响。考虑到金融科技发展水平的地域性，其对企业经营绩效的影响程度可能有所差异。因此，本文将从地域性这个角度对其进行异质性分析：考察地区金融科技发展水平对提高企业经营绩效影响的地域差异，按照惯例将所有研究企业样本划分为东部、中部和西部三个地区，并基于不同子样本进行实证检验。根据回归结果可知，第（2）列和第（3）列的地区金融科技指数（Fintech）系数分别在1%和5%的水平下显著为正，说明地区发展金融科技可以提高东部和中部地区企业的经营绩效。而第（4）列西部地区企业组中地区金融科技指数的系数大于0但不显著。原因可能是，受区域因素影响，中国东部和中部地区的金融基础设施服务更为完善、科技教育发展水平更好，而西部地区与其相比金融服务基础设施水平和科技发展水平仍存在差距，并且中部和东部地区企业融资方式和渠道更多样化，融资约束程度更好得到缓解，能够更好的发挥地区金融科技的作用。因此，相比西部地区企业，地区金融科技能够更好地提升中部和东部地区企业的经营绩效。根据企业所在地区进行分组回归的异质性分析结果，如表8所示。

	(1)	(2)	(3)	(4)
	全样本	东部地区	中部地区	西部地区
Fintech	0.063***	0.044***	0.143**	0.065
	(0.012)	(0.014)	(0.064)	(0.049)
Size	-5.677***	-5.733***	-7.491***	-3.562***
	(0.419)	(0.493)	(1.108)	(1.197)
Age	-0.277***	-0.316***	-0.290**	0.143
	(0.051)	(0.059)	(0.129)	(0.164)
Lev	-1.617***	-1.538***	-1.746***	-1.828***
	(0.082)	(0.097)	(0.204)	(0.240)
Growth	0.070***	0.119***	0.028	0.093
	(0.014)	(0.022)	(0.019)	(0.060)
Board	-0.353***	-0.310***	-0.383**	-0.419**
	(0.069)	(0.082)	(0.167)	(0.209)
Emp	0.134***	0.136***	0.188***	0.078
	(0.018)	(0.021)	(0.049)	(0.053)
_cons	20.594***	20.822***	25.613***	13.702***
	(1.169)	(1.372)	(3.120)	(3.333)
N	10586.0	7730.0	1588.0	1268.0
r2	0.112	0.101	0.172	0.131
r2_a	0.110	0.100	0.164	0.121
id	控制
year	控制

四、研究结论与政策建议

（一）研究结论

本文通过实证检验，得出以下主要结论：首先，地区金融科技发展水平对当地企业的经营绩效具有显著的正向促进作用。其次，该影响存在结构性差异：相较于劳动密集型企业，金融科技对技术密集型和资本密集型企业的绩效提升效应更为显著。最后，区域异质性分析表明，在金融基础设施与科技教育水平更为完善的中部和东部地区，金融科技的积极效应更为明显，其对企业绩效的促进作用显著优于西部地区。

（二）政策建议

第一，强化区域金融科技的战略布局与生态培育。地方政府要重视发展当地金融科技，通过制定前瞻性的产业政策与扶持方针，积极引导金融与科技深度融合，构建良好的区域金融科技生态。同时，企业应跟紧时代步伐，将外部金融科技资源与内部战略发展相结合，借力其赋能作用以驱动产业升级与数字化转型。

第二，弥合数字鸿沟，夯实金融科技的发展基础。政府及相关部门应着力完善数字基础设施的建设，提升区域的科技教育水平。此举不仅能直接为企业应用金融科技提供良好的发展环境，助其提升服务能力与经营绩效，更能通过“产教融合”为行业持续输送专业人才，从而为金融科技的长期发展提供坚实的人才与设施保障，有效缩小区域发展差距。

第三，构建适应性的金融科技监管与风险防控体系。鉴于我国金融科技仍处于探索深化阶段，相关制度有待完善。在推动其高质量发展的过程中，必须同步加强风险防范能力建设，构建兼具包容性与稳定性的监管框架，完善风险预警与处置机制，保障金融科技稳健与可持续发展。

参考文献：

1. [1] 李小玲, 崔淑琳, 赖晓冰. 数字金融能否提升上市企业价值?——理论机制分析与实证检验[J]. 现代财经, 2020, 40(09):83-95.
2. [2] 皮天雷, 刘垚森, 吴鸿燕. 金融科技:内涵、逻辑与风险监管[J]. 财经科学, 2018(09):16-25.
3. [3] 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[J]. 中国工业经济, 2021(04):138-155.
4. [4] 孙继国, 陈琪, 胡金焱. 金融科技是否提升了中小企业价值?——基于技术创新和信息透明度的视角[J]. 财经问题研究, 2022(08):73-81.
5. [5] 赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界, 2020, 36(10):65-76.
6. [6] Ambrus A, Azevedo E M, Kamada Y, et al. Legislative committees as information intermediaries: A unified theory of committee selection and amendment rules[J]. Journal of economic behavior & organization, 2013, 94:103-115.
7. [7] Hommel K, Bican P M. Digital entrepreneurship in finance: Fintechs and funding decision criteria[J]. Sustainability, 2020, 12(19):8035.
8. [8] Tobin J. A general equilibrium approach to monetary theory[J]. Journal of money, credit and banking, 1969, 1(01):15-29.