引言

数字经济时代，数字技术与传统金融的深度融合催生了数字金融这一新业态。依托大数据、云计算、人工智能等技术手段，数字金融深刻改变了金融服务的供给模式与触达能力，从第三方支付到网络信贷，从互联网理财到数字货币，其影响已渗透至居民消费、微观企业行为乃至宏观经济发展质量。与此同时，全要素生产率作为衡量企业生产效率的核心指标，直接关系到经济高质量发展目标的实现。在此背景下，一个值得深入探讨的问题是：数字金融发展能否提升企业全要素生产率？这一效应在不同企业特征和制度环境下是否存在差异？本文利用2014-2024年A股上市公司数据，实证考察数字金融对企业全要素生产率的影响，并进一步分析其在产权性质和市场化程度下的异质性表现，以期为理解数字金融的微观经济效应提供来自中国的经验证据。

文献综述

（一）数字金融的经济后果研究

既有研究表明，数字金融的发展能够有效缓解企业融资约束，降低融资成本和信息不对称程度，从而为企业技术创新和生产效率提升创造条件。唐松等发现，数字金融能够校正传统金融中存在的“属性错配”“领域错配”和“阶段错配”问题，且在金融发展禀赋较差的地区展现出更强的技术创新驱动效果。郭皓晨等基于科创企业样本的研究表明，数字金融通过降低融资成本、促进创新成果转化等途径显著提升企业全要素生产率。这些研究为理解数字金融的微观经济效应提供了重要启示。

（二）全要素生产率的测度与影响因素

关于全要素生产率的研究，鲁晓东和连玉君系统梳理了企业TFP估计的各类方法，指出OP法和LP法等半参数方法能够较好地解决传统计量方法中的内生性和样本选择问题。在影响因素方面，赵宸宇等发现数字化转型显著提高了制造业企业全要素生产率，创新能力提升、人力资本结构优化等是重要机制。黄勃等基于企业数字专利的研究表明，数字技术创新通过管理赋能、投资赋能、营运赋能等功能促进企业高质量发展。黄先海和高亚兴从数实产业技术融合视角出发，发现企业融合数字技术与实体产业技术能够显著提升全要素生产率。钱雪松等则从产业政策视角探讨了资本配置效率对TFP的影响机制。

（三）数字金融与全要素生产率

近年来，学者们开始关注数字金融与全要素生产率的关系。王道平和刘琳琳基于A股非金融类企业的研究发现，数字金融通过缓解融资约束促进企业全要素生产率提升。于江波等从空间视角考察数字金融能否引领TFP跨越胡焕庸线，发现数字金融空间格局呈现显著的东西分化特征。朴哲范等基于城市层面数据的空间杜宾模型分析表明，数字金融主要通过促进技术进步和提高规模效率提升区域全要素生产率。Cisheng等以商业银行为研究对象，发现数字金融通过风险承担的部分中介作用提升银行TFP，且多元化经营能够强化这一效应。Su和Liang的研究则发现，数字金融通过提升TFP和分析师关注度两条路径改善企业ESG表现。

理论分析与研究假设的提出

（一）数字金融对企业全要素生产率的影响

数字金融作为传统金融通过科技赋能形成的新业态，依托大数据、云计算等技术手段，深刻改变了金融服务的供给模式与触达能力。全要素生产率作为衡量企业生产效率的核心指标，综合反映了企业的技术进步和资源配置效率。数字金融可能通过缓解企业融资约束、优化资本配置效率等途径对企业全要素生产率产生积极影响。一方面，数字金融能够有效缓解银企间的信息不对称，降低企业融资成本，为企业增加研发投入和优化资源配置提供资金支持；另一方面，数字金融有助于校正传统金融中存在的结构性错配问题，提升资本配置效率，促使金融资源流向高生产率企业。因此，数字金融发展可能对企业全要素生产率产生正向促进作用。基于此，本文提出如下假设：

H1：数字金融发展对企业全要素生产率具有显著正向影响。

（二）数字金融影响企业全要素生产率的异质性

数字金融对企业全要素生产率的影响可能因企业特征和外部制度环境的不同而存在差异。从产权性质来看，国有企业和非国有企业在资源获取渠道和融资约束程度上存在显著差异。国有企业与政府存在天然联系，融资渠道多元，对数字金融的依赖程度相对较低；而非国有企业面临更强的融资约束，对数字金融的敏感性更高。因此，数字金融对非国有企业全要素生产率的提升作用可能更为显著。从市场化程度来看，高市场化地区制度环境更完善，要素流动更顺畅，企业能够更好地利用数字金融资源提升生产效率；而低市场化地区可能存在制度约束，阻碍数字金融赋能效应的充分发挥。因此，数字金融对全要素生产率的提升作用在高市场化地区可能更为显著。基于上述分析，本文提出如下假设：

H2：数字金融对企业全要素生产率的影响在不同产权性质和市场化程度下存在显著差异。

模型构建与变量选取

（一）模型构建

其中，下标表示企业，表示年份。被解释变量为企业全要素生产率，核心解释变量为数字金融发展指数，为一系列控制变量。为企业固定效应，控制不随时间变化的企业异质性特征；为年份固定效应，控制宏观经济波动和时间趋势；为随机误差项。本文重点关注系数，若其显著为正，则表明数字金融发展提升了企业全要素生产率。

（二）变量选取

1. 被解释变量：全要素生产率（TFP）

全要素生产率衡量企业生产效率水平，是企业技术进步和资源配置效率的综合体现。针对企业TFP估计中可能出现的同时性偏差和样本选择性偏差，传统的最小二乘法和固定效应方法难以有效解决。为此，本文采用晓东和连玉君的OP法测算企业全要素生产率，该方法通过引入企业投资作为生产率冲击的代理变量，有效解决了同时性偏差和样本选择问题。为保证结论稳健，在稳健性检验部分进一步采用LP法和GMM法进行替换检验。

2. 核心解释变量：数字金融发展指数（DF）

本文对城市数字金融发展水平的测度，参考了盛天翔与范从来的方法框架。在具体操作上，首先基于文献梳理确定数字金融相关的核心关键词集合；其次，借助百度搜索指数平台，采集各关键词在各城市的日度搜索频次，并计算年度均值；最后，采用熵值法对关键词层级的搜索数据进行客观赋权，加总得到各城市的数字金融综合指数。该指数取值越高，表示该城市数字金融发展水平越好。

3. 控制变量

借鉴已有研究，本文选取以下控制变量：（1）现金流比率（Cashflow），以经营活动现金流量净额除以资产总计衡量，反映企业内部现金流水平；（2）存货占比（INV），以存货净额除以资产总计衡量，控制企业资产结构；（3）营业收入增长率（Growth），控制企业成长性；（4）是否亏损（Loss），虚拟变量，当年净利润为负取1，否则取0，控制盈利能力影响；（5）上市年限（ListAge），以观测年份减上市年份加1后取自然对数衡量，控制企业生命周期；（6）员工规模（Employ），以员工总人数衡量，控制企业规模；（7）大股东资金占用（Occupy），以其他应收款净额除以资产总计衡量，控制第二类代理成本。

（三）数据来源和样本选择

本文以2014—2024年中国A股上市公司为初始研究样本。企业财务数据主要来源于CSMAR数据库和Wind数据库，数字金融发展指数基于百度搜索指数构建，市场化程度数据来自《中国分省份市场化指数数据库》。样本筛选如下：（1）剔除金融行业上市公司；（2）剔除ST、*ST及PT类公司；（3）剔除主要变量数据严重缺失的样本；（4）对所有连续变量在1%和99%分位上进行缩尾处理以消除极端值影响。最终获得28,358个观测值。

实证结果

（一）描述性统计

表1报告了主要变量的描述性统计结果。TFP的均值为6.9296，标准差为0.9099，表明不同企业间的全要素生产率存在较大差异。DF的均值为3.8755，标准差为0.8864，反映出样本期内数字金融发展水平波动明显。控制变量方面，Cashflow均值为0.0496，企业现金流占总资产约5%；INV均值为0.1348，存货占比合理；Growth均值为0.1283，营收平均增长12.83%；Loss均值为0.1724，约17.24%的样本处于亏损；ListAge均值为2.3842，对应约10.85年上市年限；Employ标准差较大，企业规模分布不均；Occupy均值为0.0142，大股东资金占用平均占1.42%。各变量分布均在合理范围内。

变量	样本量	均值	标准差	最小值	最大值
TFP	28,907	6.9296	0.9099	3.5529	11.4790
DF	29,036	3.8755	0.8864	-1.6693	5.5811
Cashflow	29,363	0.0496	0.0654	-0.1568	0.2376
INV	29,128	0.1348	0.1223	0.0002	0.6762
Growth	29,361	0.1283	0.3543	-0.5657	2.0031
Loss	29,363	0.1724	0.3778	0.0000	1.0000
ListAge	29,363	2.3842	0.7568	0.0000	3.4012
Employ	29,362	5500.1360	10044.7100	113.0000	65755.0000
Occupy	29,347	0.0142	0.0219	0.0001	0.1363

（二）基准回归

表2为基准回归结果。列（1）仅控制双向固定效应，列（2）在此基础上纳入控制变量。结果显示，核心解释变量DF的系数始终在1%水平上显著为正，表明数字金融发展能显著促进企业全要素生产率提升，假说H1成立。控制变量符号均符合理论预期，且加入后模型拟合优度显著提高。

	（1）	（2）
	TFP	TFP
DF	0.1574***	0.1238***
	（0.0370）	（0.0331）
Cashflow		0.7605***
		（0.0659）
INV		0.6819***
		（0.1120）
Growth		0.2528***
		（0.0094）
Loss		-0.1413***
		（0.0097）
ListAge		0.0488***
		（0.0156）
Employ		0.0000***
		（0.000）
Occupy		0.7213**
		（0.3011）
常数项	5.9825***	5.8008***
（0.1413）	（0.1308）
年份/企业FE	YES	YES
观测值	28,582	28,358
R2	0.2430	0.3467

注：括号内为聚类稳健标准误；*p<0.1，**p<0.05，***p<0.01。其余表格的标注方式与此一致。

（三）内生性处理与稳健性检验

1. 内生性处理

为缓解反向因果导致的内生性问题，本文采用滞后一期数字金融发展指数作为工具变量进行两阶段最小二乘回归。工具变量合理性检验如下：（1）弱工具变量检验：第一阶段F统计量为931.31，远高于Stock-Yogo弱工具变量临界值16.38，表明不存在弱工具变量问题；（2）不可识别检验：Kleibergen-Paap rk LM统计量为103.90（p=0.000），强烈拒绝不可识别的原假设。

2SLS回归结果显示，核心解释变量DF的系数为0.2600，仍在1%水平上显著为正，且系数较基准回归（0.1238）有所增大，表明基准回归可能低估了数字金融对TFP的真实影响。控制变量符号及显著性与基准回归基本一致。综上，考虑内生性后，数字金融发展对企业全要素生产率的正向促进效应依然稳健。

	（1）	（2）
	IV 第一阶段	IV 第二阶段
DF		0.2600***
		(0.0635)
IV	0.5366***
	(0.0176)
Controls	YES	YES
年份/企业FE	YES	YES
观测值	24,979	24,979
R2	-	0.3305

2. 稳健性检验

为确保基准回归结果的可靠性，本文进行以下稳健性检验，结果见表4。

（1）替换被解释变量

为避免单一TFP测算方法可能带来的估计偏差，本文分别采用LP法和GMM法重新测算企业全要素生产率，以替换基准回归中的OP法TFP。LP法通过引入中间品投入作为生产率冲击的代理变量，能够有效解决传统方法中的同时性偏差问题；GMM法则通过动态面板模型进一步控制内生性影响。列（1）和列（2）结果显示，无论采用LP法还是GMM法，核心解释变量DF的系数分别为0.1175和0.1173，且均在1%水平上显著，系数大小与基准回归基本接近，表明数字金融对全要素生产率的正向促进效应不依赖于特定的TFP测算方法，结论具有稳健性。

（2）剔除特殊年份样本

2020-2022年期间，我国宏观经济运行和企业生产经营造成了较大冲击，可能导致这一时期企业全要素生产率出现异常波动。为排除外生冲击对估计结果的干扰，本文剔除2020-2022年样本后重新进行回归。列（3）结果显示，DF系数为0.1365，仍在1%水平上显著，且系数较基准回归有所上升，表明基准结论并非由特殊时期的样本驱动，数字金融对企业生产效率的赋能效应在正常经营环境下同样成立。

（3）增加行业固定效应

不同行业在技术水平、资本密集度和市场竞争格局等方面存在固有差异，这些不随时间变化的行业特征可能同时影响数字金融发展水平和企业全要素生产率，从而造成遗漏变量偏误。为吸收行业层面的异质性影响，本文在基准模型的基础上进一步加入行业固定效应。列（4）结果显示，DF系数为0.1238，仍在1%水平上显著，与基准回归系数完全一致，表明在更严格的固定效应控制下，数字金融对全要素生产率的正向影响依然稳健。

综上，经过替换被解释变量、剔除特殊年份样本、增加行业固定效应等多种稳健性检验，数字金融发展对企业全要素生产率的正向促进效应依然成立，基准回归结果稳健可靠。

	（1）	（2）	（3）	（4）
	TFP_LP	TFP_GMM	剔除特殊年份	增加行业FE
DF	0.1175***	0.1173***	0.1365***	0.1238***
	（0.0346）	（0.0322）	（0.0329）	（0.0433）
Controls	YES	YES	YES	YES
年份/企业FE	YES	YES	YES	YES
行业FE	NO	NO	NO	YES
观测值	28,358	28,907	20,086	28,351
R2	0.3847	0.2828	0.3406	0.8869

（四）异质性分析

为考察数字金融对企业全要素生产率影响的异质性，本文从企业产权性质和市场化程度两个维度进行分组回归，结果见表5。

1.产权性质分组

按企业产权性质将样本分为国有企业和非国有企业两组。列（1）和列（2）结果显示，DF系数在国有企业组为0.1890（p<0.01），在非国有企业组为0.0803（p<0.1），表明数字金融对国有企业生产效率的提升作用更为显著。可能的原因是，国有企业资源获取能力更强，数字化基础设施更完善，更能有效吸收数字金融的赋能效应。

2. 市场化程度分组

按年度市场化程度中位数将样本分为高市场化行业和低市场化行业两组。列（3）和列（4）结果显示，DF系数在高市场化行业组为0.1129（p<0.05），在低市场化行业组为0.0526（p>0.1），表明数字金融对生产效率的提升作用主要存在于市场化程度较高的地区。可能的原因是，高市场化地区制度环境更完善，要素流动更顺畅，数字金融的资源配置功能得以更好发挥。

综上，数字金融对企业全要素生产率的影响存在显著的异质性，在国有企业和市场化程度较高的地区中效应更强。

	企业产权性质		市场化程度
	国有企业	非国有企业	高市场化行业	低市场化行业
	（1）	（2）	（3）	（4）
DF	0.1890***	0.0803*	0.1129**	0.0526
	（0.0556）	（0.0416）	（0.0520）	（0.0391）
Controls	YES	YES	YES	YES
年份/企业FE	YES	YES	YES	YES
观测值	10,855	17,503	14,318	14,040
R2	0.3449	0.3522	0.2865	0.3904

结论与政策建议

（一）研究结论

本文利用2014-2024年中国A股上市公司数据，实证考察数字金融发展对企业全要素生产率的影响，并进一步分析这一效应在不同产权性质和市场化程度下的异质性表现。主要结论如下：

第一，数字金融发展显著提升了企业全要素生产率。基准回归结果显示，核心解释变量DF的系数为0.1238，在1%水平上显著为正。这一结论在考虑内生性问题后依然成立：采用滞后一期工具变量的两阶段最小二乘估计显示，DF系数为0.2600，仍在1%水平上显著，表明数字金融与全要素生产率之间存在稳健的因果关系。经济意义上，数字金融发展水平每提升1%，企业全要素生产率平均提高0.1238个单位，这一效应具有显著的经济显著性。

第二，数字金融对全要素生产率的影响经过多种稳健性检验后依然成立。替换被解释变量为LP法TFP和GMM法TFP后，DF系数分别为0.1175和0.1173，均在1%水平上显著；剔除2020—2022年特殊年份样本后，DF系数为0.1365，仍在1%水平上显著；在基准模型基础上进一步控制行业固定效应后，DF系数为0.1238，结论不变。上述检验表明，数字金融对企业生产效率的正向促进效应具有高度稳健性。

第三，数字金融对企业全要素生产率的影响存在显著的异质性。从产权性质来看，数字金融对国有企业全要素生产率的提升作用（系数0.1890，p<0.01）大于非国有企业（系数0.0803，p<0.1）。可能的原因是，国有企业数字化基础设施更完善，资源整合能力更强，更能有效吸收数字金融发展带来的红利；而非国有企业虽然融资约束更强，但受制于自身数字化水平，对数字金融的利用效率相对有限。从市场化程度来看，数字金融对高市场化地区企业的影响显著为正（系数0.1129，p<0.05），而在低市场化地区不显著（系数0.0526，p>0.1）。这表明良好的制度环境和要素市场发育水平有助于数字金融赋能效应的充分发挥，市场化改革与数字金融发展具有协同促进作用。

（二）政策建议

基于上述结论，本文提出以下政策建议：

第一，持续推进数字金融基础设施建设。本文研究表明，数字金融发展能够显著提升企业全要素生产率。政府应加大对数字基础设施的投入力度，加快5G网络、大数据中心等新型基础设施建设，为数字金融的深度发展提供硬件支撑。同时，鼓励金融机构加快数字化转型，创新数字信贷产品和服务模式，提升金融服务实体经济的能力。

第二，实施差异化数字金融发展战略。异质性分析表明，数字金融对国有企业和非国有企业的影响存在差异。对于国有企业，应充分发挥其数字化基础较好的优势，引导其利用数字金融资源开展技术创新和效率改进；对于非国有企业，应着力降低数字金融服务门槛，通过政策倾斜缓解其融资约束，使其更好享受数字金融发展红利。

第三，协同推进市场化改革与数字金融发展。研究发现，数字金融对高市场化地区企业的提升作用更为显著。因此，在推动数字金融发展的同时，应持续深化市场化改革，完善产权保护制度，打破地方保护和行业垄断，促进要素自由流动，为企业全要素生产率提升创造更好的外部条件。

第四，完善数字金融监管体系。数字金融在提升生产效率的同时，也可能带来数据安全、隐私保护等新风险。监管部门应建立健全适应数字金融发展的监管框架，平衡创新激励与风险防范的关系，加强对数据安全和消费者权益的保护，确保数字金融始终服务于实体经济高质量发展。

参考文献：

1. [1] 鲁晓东,连玉君.中国工业企业全要素生产率估计:1999—2007[J].经济学(季刊),2012,11(02):541-558.
2. [2] 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[J].管理世界,2020,36(05):52-66+9.
3. [3] 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[J].经济学(季刊),2020,19(04):1401-1418.
4. [4] 黄益平,黄卓.中国的数字金融发展:现在与未来[J].经济学(季刊),2018,17(04):1489-1502.
5. [5] 张勋,杨桐,汪晨,等.数字金融发展与居民消费增长：理论与中国实践[J].管理世界,2020,36(11):48-63.
6. [6] Verduyn C M, Kranke M. Post-growth tokens or token post-growth? Bitcoin, alt-coins and infrastructural evolution in digital finance[J].Economy and society,2025,54(04):765-788.
7. [7] 赵宸宇,王文春,李雪松.数字化转型如何影响企业全要素生产率[J].财贸经济,2021,42(07):114-129.
8. [8] 黄勃,李海彤,刘俊岐,等.数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J].经济研究,2023,58(03):97-115.
9. [9] 黄先海,高亚兴.数实产业技术融合与企业全要素生产率——基于中国企业专利信息的研究[J].中国工业经济,2023(11):118-136.
10. [10] 钱雪松,康瑾,唐英伦,等.产业政策、资本配置效率与企业全要素生产率——基于中国2009年十大产业振兴规划自然实验的经验研究[J].中国工业经济,2018(08):42-59.
11. [11] 王道平,刘琳琳.数字金融、金融错配与企业全要素生产率——基于融资约束视角的分析[J].金融论坛,2021,26(08):28-38.
12. [12] 郭皓晨,陆岷峰,高伦.数字金融如何驱动科创企业高质量发展:基于全要素生产率的中国上市企业实证研究[J].新疆社会科学,2025(03):18-33+169.
13. [13] 于江波,白凯,王晓芳.数字金融能否引领全要素生产率和经济产出跨越胡焕庸线[J].山西财经大学学报,2022,44(02):31-46.
14. [14] 朴哲范,陈写,段琳琳.数字金融对区域结构性全要素生产率的空间效应——基于我国237个城市的经验证据[J].浙江社会科学,2023(03):15-25+156.
15. [15] Cisheng W, Teng L, Xiaoxian Y. Assessing the impact of digital finance on the total factor productivity of commercial banks: An empirical analysis of China[J].Mathematics,2023,11(03):665-665.
16. [16] Su R, Liang D How digital finance shapes ESG outcomes: The mediating roles of productivity and analyst coverage[J].Sustainability,2025,17(21):9431-9431.
17. [17] 鲁晓东,连玉君.中国工业企业全要素生产率估计:1999—2007[J].经济学(季刊),2012,11(02):541-558.