中国数字经济的快速发展使中国在金融科技（FinTech）领域处于全球领先地位。在此背景下，有必要研究金融科技在宏观层面对微型企业研发融资来源的影响。本文使用2011至2020年期间中国上海和深圳主要板块上市公司的数据，以及市级金融科技发展指数，采用系统广义矩估计法（system GMM）进行实证测试。研究发现，金融科技促进了企业外部融资用于研发。不同类型的企业存在显著异质性，金融科技对年轻企业和非国有企业的研发融资促进作用更为明显。本研究不仅补充了关于金融科技对研发融资影响的文献，还具有重要的实践指导意义，可以为不同类型企业的研发融资决策提供有价值的指导和帮助。
作者 |Chenguang Fan；Seongho Bae；Yu Liu
来源 |East Asian Economic Review
1. 引言
近年来，金融科技（Fintech）在全球范围内迅速发展。许多研究表明，金融科技为实体经济服务。例如，金融科技可以扩展企业融资渠道（Bollaert等，2021），减少企业融资约束（Guo等，2023；Lai等，2023），提高企业投资效率（Huang，2022；Lin等，2022；Lv和Xiong，2022），促进企业创新（Chen等，2019；Tan等，2023），推动企业转型和可持续发展（Luo等，2022）等。与其他国家相比，中国金融科技的发展具有独特性和代表性。根据我们的了解，很少有严谨的研究将宏观金融科技发展与微观层面的企业研发融资联系起来。因此，本文旨在揭示金融科技发展对中国上市公司研发融资的影响证据。
我们的研究分为以下几个步骤。首先，基于Brown和Petersen（2011）提出的模型，利用2011至2020年间中国深圳证券交易所和上海证券交易所主要板块上市公司的财务数据，我们验证了中国上市公司的研发融资来源和研发平滑。我们采用OLS、固定效应（FE）和系统广义矩估计法（system GMM）进行回归分析，以最大程度地控制内生性问题。研究发现，经营现金流、股权融资和债务融资对研发有显著的正面影响，验证了这三者均为中国上市公司研发资金的来源，而现金持有的变化对研发有显著的负面影响。这表明公司利用现金持有进行研发平滑。
其次，基于2011至2020年间中国深圳证券交易所和上海证券交易所主要板块上市公司的数据，我们匹配了上市公司所在地城市的金融科技发展指数数据，该指数用于衡量上市公司所在城市金融科技发展的程度。在上述模型基础上，添加了关键变量与金融科技的交互项，同样采用OLS、FE和系统GMM估计方法进行回归分析。研究发现，金融科技对研发的外部融资来源有显著的正面影响，表明金融科技能够促进外部研发融资。然而，关于金融科技对内部研发融资影响的证据较少。同时，关于金融科技是否影响研发平滑的证据也很有限。
第三，我们对样本进行了分组，首先根据企业规模进行分类，将自然对数销售额位于总样本70%及以上的企业视为大企业，而将自然对数销售额位于总样本30%及以下的企业视为中小企业（SMEs）。接着，根据企业年龄分组，上市不超过15年的企业归类为年轻企业，上市超过15年的企业归类为成熟企业。最后，根据所有制结构将样本分为两组，国有企业（SOEs）和非国有企业（non-SOEs），分别代表融资约束低和高的样本组。我们再次使用系统广义矩估计法进行回归分析以验证上述问题。研究发现，大企业和中小企业之间没有显著差异，但金融科技对年轻企业和非国有企业的研发融资促进作用明显强于成熟企业和国有企业。我们采用替代估计策略进行稳健性检验，包括两步系统GMM估计、改变工具变量的滞后顺序以及正交变换。测试结果变化不大，表明我们的发现具有稳健性。
本研究的贡献主要体现在以下几个方面：首先，它丰富了关于金融科技对研发融资影响的文献，这在以往研究中很少提及，并验证了金融科技在中国研发融资中的作用。其次，它补充了关于研发融资来源的文献流。我们分别测试了内部融资、外部融资和研发平滑，确认了中国上市公司的研发融资来源。第三，它具有实践指导意义，利用我们的研究结果指导和帮助不同类型的企业在融资决策过程中。
接下来的部分是研究背景，基于以往研究提出假设。第三部分是方法论，包括数据、模型和描述性统计。第四部分是实证分析及结果。第五部分是结论与政策建议。
2. 假设发展
1. 研发内部融资
熊彼特（Schumpeter，1942）对创新理论的开创性研究确认了现有文献所提到的融资创新的困难（Nelson，1959；Arrow，1972）。研发投资的特殊属性使其与普通投资有所不同。Hall和Lerner（2010）的研究发现，首先，超过一半的研发支出用于研发人员的薪资，这些人员高度专业化，因此，终止和重新雇佣研发人员对研发活动带来了巨大的调整成本（Hall等，1986）。其次，研发投资的产出不确定性远大于其他投资，因为只有当研发成果转化为商品时，才能产生收入，而研发活动的中断、暂停和失败会产生相当可观的沉没成本（Stiglitz等，1987；Manez等，2009）。
优先顺序理论认为，由于信息不对称和交易成本，企业在融资新项目时优先使用内部资金（Myers和Majluf，1984；Hall，2002）。研究人员认识到，内部融资是中小企业和年轻企业研发投入的主要来源，但现有研究对大型和成熟企业并没有一致的证据。例如，Hall（1992）发现美国制造企业的研发投资与现金流之间存在正弹性。Himmelberg和Petersen（1994）也确认内部资金是小型高科技企业研发的主要融资来源。Brown等（2009）确认现金流对年轻美国企业的研发有显著影响，而对成熟企业则未发现类似的结果。Brown和Petersen（2011）确认企业出于预防性动机持有更多现金，并利用现金储备来平滑研发支出。He和Ciccone（2020）发现，美国工业企业的研发支出对现金持有的敏感性在1971年至2012年间显著增加。过剩现金使创新企业尽管面临融资限制，仍能够承担更多的研发支出。
已有研究表明，金融科技有助于增加企业现金流。例如，Shim和Shin（2016）指出，中国消费者更倾向于使用现金和第三方支付，而非信用卡，且第三方支付提供了一种简单且安全的方式来节省交易成本。Ding等（2022）指出，即时金融科技支付可以降低消费者的交易成本，促进他们的商品购买。客户支付更加便捷，可以减少公司的应收账款并增加销售现金流入，使企业拥有更多现金用于研发活动。Fan等（2024）发现，金融科技可以缓解融资限制对企业流动性的负面影响，使企业拥有更多资金投资于研发。基于上述分析，我们提出第一个研究假设：
H1：金融科技可以促进研发内部融资。
2. 研发外部融资
内部融资成本最低，但当内部资金不足或现金流受限时，企业必然会选择通过发行新股来融资研发（Brown et al., 2009）。已经确认，股票市场是企业研发融资的重要来源。例如，Carpenter和Petersen（2002）发现小型科技公司充分利用首次公开募股（IPO）融资。然而，由于股权融资成本较高，大多数企业在上市后会利用自身资金维持其研发活动。只有少数企业会继续使用股权融资。因此，股权融资并不是内部融资的完美替代品。Brown等（2009）使用了1990至2004年间美国高科技公司的数据，确认年轻公司的股权融资对研发支出有显著影响，但对成熟公司的影响则不显著。
Martinsson（2010）比较了欧洲市场和美国市场，指出英国和美国的情况相似。英国公司研发强度更高的原因在于它们获得了外部股权融资。同时，大多数欧洲国家缺乏研发股权融资，因为它们的股票市场发展水平不及美国和英国。Zhang等（2019）基于1996至2015年间35个发达国家的跨国样本，发现股权融资对创新的影响优于债务融资。即使在经济低迷时期，股权融资也能很好地支持技术创新。
基于技术的金融创新导致了金融市场的转型（Kauffman et al., 2015）。已有研究证实金融科技正在改变证券交易市场，Gomber等（2017）的研究总结了以下几个方面：移动交易，使用手机、平板电脑和其他终端设备上的应用程序进行证券交易，交易平台提供实时的金融市场数据，摆脱了时间和空间的限制；社交交易利用Facebook和Twitter等社交软件进行实时证券交易，实现社交媒体网络与投资活动的结合，更有利于信息的传播；高频交易（HFT）利用计算机和数学模型在极短的时间内无须人工干预地执行交易决策。总之，金融科技的发展有利于企业更好地利用股权融资来支持创新活动。由此我们推导出第二个假设：
H2：金融科技可以促进研发股权融资。
另一方面，已有研究表明，企业对研发的债务融资并不像对股权融资那样青睐。Szewczyk等（1996）确认，由于信息不对称问题，研发的债务融资需要更高的回报率。Carpenter和Petersen（2002）也指出，由于信息不对称和缺乏抵押品，小型科技公司很难获得债务融资。Hall（2002）提供了证据表明，债务并不是研发投资的有利资金来源，研发密集型企业的杠杆水平通常远低于其他企业。Brown等（2009）也确认了这一结论，认为年轻的高科技公司很少获得债务融资。Brown等（2012）进一步确认，对于面临融资约束的企业，现金持有和股权融资显著影响研发，但没有证据表明债务融资对研发有显著影响。上述研究在不同程度上否定了债务融资在研发中的作用，但这并不意味着债务融资毫无用处，因为这些研究都是基于发达国家成熟的金融体系。同时，中国作为一个发展中国家，正处于转型期，其金融市场不完善，银行信贷仍然是企业融资的重要来源。
关于金融科技如何帮助债务融资的证据相当丰富。首先，金融科技可以缓解银行与企业之间的信息不对称，减少企业融资约束，促进企业创新（Chen et al., 2019；Guo et al., 2023；Tan et al., 2023）。其次，与传统金融服务不同，金融科技无需建立分支机构，仅利用终端设备即可提供金融服务，从而大幅降低服务成本；同时，它依赖于金融科技公司的大数据，降低了客户准入门槛，扩展了金融服务的广度（Buchak et al., 2018；Ding et al., 2022）。第三，金融科技的发展还可以简化信贷审批流程并加快速度，这种快速审批并不会增加贷款违约的风险（Fuster et al., 2019）。由此可见，金融科技能够更好地服务于研发债务融资。基于以上证据，我们提出第三个假设：
假设3：金融科技可以促进研发债务融资。
3. 研究设计
1. 数据
本研究中的金融科技数据来源于北京大学数字金融研究中心发布的《北京大学数字普惠金融指数（2011-2020）》(PKU-DFIIC)。该指数由北京大学数字金融研究中心与蚂蚁集团研究院的研究团队编制，利用了蚂蚁集团的大量数据（Guo et al., 2020）。该指数包括三个维度：覆盖范围、使用深度和各地区金融科技的数字化程度，其中使用深度进一步包括支付、保险、货币基金、信用服务、投资和信贷六个方面，以全面描绘各地区金融科技的发展水平。2020年金融科技指数按省份的分布如图1所示，结果显示，上海、北京和浙江的金融科技指数显著高于其他省份，位于第一梯队；而排在西藏之后的省份位于西部或东北地区，金融科技发展水平明显较低，处于第三梯队；其他东部和中部省份则位于上述两个梯队之间。
财务及其他数据来源于中国股市与会计研究（CSMAR）数据库。本研究使用的样本包括2011年至2020年间在深圳证券交易所和上海证券交易所上市的A股公司数据。为确保样本的代表性，采取了以下数据处理步骤：1）剔除金融行业的上市公司，2）剔除连续三年为*ST*状态的上市公司，3）剔除关键变量缺失数据的样本。此外，为了减小极端值的影响，对主要连续变量中低于第1百分位数和高于第99百分位数的数据点进行了温莎化处理。最终构建了一个包含20442个观察值的不平衡面板数据集。
图1. 2020年金融科技指数各省分布
2. 模型
本研究基于Brown和Petersen（2011）模型，采用两步法构建金融科技对研发融资影响的计量经济学模型。首先，借鉴Brown和Petersen（2011），我们在一个模型中考察研发支出的融资来源，该模型包括现金流、股权和债务融资，同时考虑现金持有的变化，以直接探讨现金储备在研发平滑中的使用。即，企业利用现金储备确保研发投资的稳定，从而导致现金持有的波动。模型如下：
在模型中，𝑟𝑑it表示公司 i 在年份 t 的研发支出。研发具有高度的持续性，因此滞后研发（𝑟𝑑i,t-1）的系数应接近 1，而平方项（𝑟𝑑2it,𝑡−1）的系数预计为负值。关键变量包括当前和滞后的现金流（cf）、股权融资（stock）和债务融资（debt）用于衡量研发的融资来源。预期系数为正。当前和滞后现金持有变化（Δcash）的预期系数为负，表明企业存在研发平滑行为。市净率（mb）和销售增长（grow）控制投资需求变量。模型包括公司效应（𝑢i）和时间效应（𝜆t），以控制可能影响研发需求的整体变化。
其次，为了检验假设1-3，我们引入金融科技变量（dif）及其与其他变量的交互变量，在模型（1）的基础上构建模型（2），如下所示：
金融科技变量（dif）表示公司所在城市的金融科技发展指数，值越高表示该城市的金融科技发展水平越高（Guo et al., 2020）。当前和滞后现金流交互项（cf × dif）、股权融资交互项（stock × dif）以及债务融资交互项（debt × dif）的预期系数为正，表明金融科技对研发融资具有促进作用。当前和滞后现金持有变化交互项（Δcash×dif）的预期系数为负，进一步测试金融科技对企业研发平滑行为的缓解作用。变量定义见表1。
表 1. 变量定义
由于模型中包含滞后变量作为解释变量，可能会出现异方差性或自相关问题。因此，我们采用专门为动态面板模型设计的广义矩估计（GMM）估计量（Arellano和Bover，1995；Blundell和Bond，1998）。系统GMM基于将差分和水平方程的GMM估计作为一个方程组的原则，以提高估计效率并估计不随时间变化的变量系数。这种方法结合了差分GMM和水平GMM的优点，通过形成一个综合系统，提高了估计的效率和准确性。具体来说，系统GMM可以通过使用来自差分和水平方程的信息，更高效地处理数据，同时允许估计不随时间变化的变量的系数。通常情况下，使用内生解释变量的滞后变量作为工具变量。在我们的模型中，一方面，方程右侧的内生解释变量与其滞后变量相关；另一方面，滞后变量表明其已经发生，并且与当前时期的扰动项无关。因此，工具变量的假设条件得以满足，从而确保了系统GMM估计结果的可靠性和有效性。
作为对比，我们还采用了普通最小二乘法（OLS）估计，包含公司效应、时间效应、额外的公司特定聚类稳健标准误，以及一个结合公司效应和时间效应的固定效应（FE）模型。我们将所有财务变量视为潜在的内生变量。我们使用滞后水平（时间 t-3）作为差分方程的工具变量，而滞后差分（时间 t-2）则作为水平方程的工具变量。
为了评估GMM估计量的有效性，我们报告了一系列测试结果。在存在二阶自相关问题的情况下，GMM估计可能不一致，因此我们展示了二阶自相关的m2测试结果。为了解决过度识别的问题，我们还报告了Hansen J检验的结果。此外，我们还报告了差异Hansen检验，以评估工具变量的有效性。
3.描述统计
表 2 和表 3 显示了样本在行业和地区层面的分布情况
表 2. 样本行业分布
表 3. 样本地区分布
注：回归样本为中证数据（CSMAR）2011-2020年深、上证主板A股上市公司，金融科技数据来自《北大数字普惠金融指数》（2011-2020）（PKU-DFIIC）。我们剔除了连续三年ST且主要变量数据缺失的金融行业公司进入样本，所有变量均在1%水平上进行了缩尾处理。变量详细定义见表1。
如表4所示，主要变量的描述性统计结果显示，上市公司的研发投资存在显著差异，最大值为0.266，最小值为0.001。两种外部融资方式的均值相似，表明债务融资和股权融资在中国公司中发挥着同样重要的作用。对于一些企业，现金流可能为负，这表明现金流不是研发活动的可持续资金来源。现金持有变化的均值相对较小，表明公司的现金持有波动很小，保持相对稳定。关于控制变量，市净率和销售增长的方差较大，显示上市公司之间存在显著差异。
4. 实证结果
1. 相关性
表 5 列出了主要变量的 Pearson 相关系数。股权融资 (stock) 与研发投资 (rd) 呈显著正相关。同时，现金持有量变化 (Δcash) 与研发投资 (rd) 呈显著负相关，这与 Brown 和 Petersen (2011) 的研究结果一致。然而，经营现金流 (cf) 和债务融资 (debt) 与研发投资 (rd) 呈显著负相关，这与我们的预期相反，值得进一步研究。公司所在城市的金融科技发展水平 (dif) 与研发投资 (rd) 呈显著正相关，这与我们的预期一致，表明公司所在城市的金融科技发展水平促进了其研发活动。在控制变量方面，市净率（mb）与研发投入（rd）显著正相关，而销售增长率（grow）与研发投入（rd）显著负相关。
2. 基线回归
表6的第(1)-(3)列提供了上市公司研发融资的证据。滞后研发变量（rdt-1）的系数接近1，使用GMM估计的系数介于OLS和固定效应（FE）之间，表明没有模型拟合问题。如预期，平方项的系数（rd²t-1）为负，但研发的影响较小（0.006）。当前和滞后现金持有变化（Δcash）的联合显著性显著为负（-0.010，卡方检验的p值为0.006），表明中国公司也持有现金以平滑研发支出。这与Brown和Petersen（2011）的发现一致。
在经济显著性方面，根据Mitton（2024）的研究，变量cf、stock和debt的经济显著性分别为0.007、0.012和0.011，表示运营现金流、股权融资和债务融资的一个标准差的增加与研发强度的增加分别关联为0.06、0.15和0.09个百分点，相对于标准差，这意味着研发强度分别增加了1.20%、3.34%和2.01%。变量Δcash的经济显著性为-0.010，表示现金持有变化的一个标准差的增加与研发强度的减少相关联，减少幅度为0.11个百分点，相对于标准差，研发强度减少了2.43%。
表6的第(3)列末尾提供了额外的测试结果。m2检验的值（0.232）表明没有自相关问题，J检验的值（0.185）表明没有过度识别问题，Diff-Hansen检验的值（0.247）表明工具变量的有效性。综合这些结果，证明了GMM估计量的有效性。
为了验证我们的假设，我们在模型（1）的基础上引入金融科技变量（dift）以及金融科技与其他变量的交互变量构建了模型（2）。表6的第(4)-(6)列展示了回归分析的结果，滞后研发（rdt-1）的系数接近1（0.975），系统GMM估计的系数位于OLS和FE之间，表明没有模型拟合问题。平方项的系数（rd²t-1）仍然为负但不显著（-0.565），这些与预期一致。
在外部融资方面，当前期与滞后股权融资交互项（stock×dif）和债务融资交互项（debt×dif）这两个变量的联合显著性均显著为正（0.028, 0.034，卡方检验的p值分别为0.003, 0.001），表明金融科技可以促进股权和债务研发融资。假设2和假设3得到了验证。此外，从回归结果中我们还可以看到，金融科技对研发债务融资的促进作用大于对股权融资的促进作用。
在内部融资方面，当前期与滞后经营现金流（cf×dif）交互项的联合显著性为正但不显著（0.012，卡方检验的p值为0.294），没有证据表明金融科技促进内部研发融资，因此假设1无法得到验证。关于研发平滑，当前期与滞后现金持有变化（Δcash×dif）的交互项的联合显著性为负但不显著（-0.010，卡方检验的p值为0.415），未能证明金融科技与研发平滑之间的关系。
在控制变量方面，企业增长与金融科技的交互项（grow×dif）显著为负，表明金融科技强化了企业增长与研发强度之间的负向关系。这主要有两个原因：金融科技的发展使企业获取融资的方式更加多样化和便捷。例如，众筹、P2P借贷和在线金融平台的普及，使得企业在收入增长期间更容易获得资金。这可能导致企业倾向于投资于短期回报项目，而非长期的研发投资。其次，在金融科技发展水平较高的城市，资本市场更加活跃，投资者和金融机构更关注企业的短期业绩。这可能促使企业管理层优先考虑短期收入增长，而牺牲长期研发投资。
表6的第(6)列末尾提供了额外的测试结果。m2检验的值（0.241）表明没有自相关问题。J检验的值（0.197）表示没有过度识别问题。Diff-Hansen检验的值（0.270）表明工具变量的有效性。综合这些结果确认了系统GMM估计量的有效性。
备注：此表估计了研发资金来源以及金融科技对研发融资的影响。估计采用一步系统GMM，滞后水平（t-3）作为差分方程的工具变量，滞后差分（t-2）作为水平方程的工具变量。所有回归中均包含固定的公司效应和时间效应。标准误差对异方差性和公司内部序列相关性具有鲁棒性。所有变量在1%水平上进行了温莎化处理。有关变量的详细定义，请参见表1。带有*、**和***标记的系数分别表示在10%、5%和1%水平上显著性。m2统计量检验第一差分残差中不存在二阶自相关的原假设。Sum是当前变量和滞后变量联合显著性的卡方检验。Hansen J检验是检验过度识别限制有效性的原假设。Diff-Hansen检验用于识别工具变量的有效性。
5. 替代测试和稳健性
在本节中，我们考察了一系列替代指标和不同的估计方法。得出的结论与前一节中所呈现的一致，确认了我们研究结果的稳健性。
1. 替代样本划分
以往研究确认企业之间存在不同程度的融资约束（Fazzari et al., 1988；Almeida et al., 2004）。我们采用了两个常用指标来区分融资约束：企业规模和年龄。遵循Brown和Petersen（2011）的方法，我们根据企业的规模和年龄对其进行了分类。正如Gertler和Gilchrist（1994）所强调的，在经济低迷时期，货币紧缩会导致更多的信贷资金流入大企业，导致小企业的现金流敏感性更高。我们根据企业规模进行分组，将销售额位于整个样本70百分位以上的企业视为大企业，而将销售额位于30百分位以下的企业视为中小企业（SMEs）。
借鉴Devereux和Schiantarelli（1990）的研究发现，不同的企业年龄也导致不同的融资约束，年轻企业更容易受到信息不对称的影响，因此对现金流更为敏感。我们将15年及以下的企业分类为年轻企业，将15年以上的企业分类为成熟企业。此外，考虑到中国社会主义市场经济的独特特征，所有权结构作为划分企业融资约束的第三个指标。Liu等（2021）指出，由于隐性政府担保，金融机构在发放信贷时更倾向于国有企业（SOEs），使其更可能获得银行贷款，因此融资约束低于私营企业。在此基础上，我们将样本划分为国有企业和非国有企业，分别代表低融资约束和高融资约束。
按企业规模分组的结果见表7。第(1)和第(3)列为大企业样本的回归结果；可以看出，当前和滞后股权融资（stock）的联合显著性显著为正（0.015，卡方检验的p值为0.001），而当前和滞后股权融资交互项（stock×dif）的联合显著性也显著为正（0.038，卡方检验的p值为0.015），但不幸的是，我们的检验未通过，因此我们将工具变量的滞后顺序改为3至4期，此时检验完全通过（测试结果省略），结果保持不变。这表明对于大企业，股权融资是研发的主要来源，金融科技可以促进研发的股权融资。
第(2)和第(4)列展示了中小企业样本的回归结果。可以看出，与大企业不同，中小企业当前和滞后股权融资（stock）和债务融资（debt）的联合显著性显著为正（-0.027，-0.028，卡方检验的p值分别为0.000和0.004），这表明对于中小企业，股权融资和债务融资是研发的主要来源；现金持有变化（Δcash）的联合显著性显著为负（-0.016，卡方检验的p值为0.034），表明中小企业进行研发平滑行为。另一方面，当前和滞后股权融资交互项（stock×dif）的联合显著性显著为正（0.032，卡方检验的p值为0.096），这表明对于中小企业，金融科技促进研发股权融资，这与大企业的结果相同。表7的第(2)和第(4)列末尾的检验结果显示没有自相关或过度识别问题，工具变量是有效的。
按企业年龄分组的结果见表8。第(1)和第(3)列为年轻企业样本的回归结果；可以看出，年轻企业当前和滞后经营现金流（cf）、股权融资（stock）和债务融资（debt）的联合显著性均显著为正（0.008、0.020、0.021，卡方检验的p值分别为0.093、0.000、0.000），这表明对于年轻企业，内部融资、股权融资和债务融资是研发的主要来源，企业更依赖外部融资而非内部融资；现金持有变化（Δcash）的联合显著性显著为负（-0.008，卡方检验的p值为0.055），表明年轻企业存在研发平滑行为。另一方面，当前和滞后股权融资交互项（stock×dif）以及债务融资交互项（debt×dif）的联合显著性均显著为正（0.028、0.027，卡方检验的p值分别为0.011和0.026），这表明对于年轻企业，金融科技促进研发的外部融资。表8的第(1)和第(3)列末尾提供的测试结果显示没有自相关问题，没有过度识别问题，工具变量是有效的。
第(2)和第(4)列展示了成熟企业样本的回归结果。可以看出，当前和滞后股权融资（stock）的联合显著性显著为正（0.019，卡方检验的p值为0.000），这表明对于成熟企业，只有股权融资是研发的主要来源；现金持有变化（Δcash）的联合显著性显著为负（-0.017，卡方检验的p值为0.011），这表明成熟企业也存在研发平滑行为。另一方面，当前和滞后债务融资的交互项（debt × dif）的联合显著性显著为正（0.035，卡方检验的p值为0.087），但当前和滞后债务融资（debt）的联合显著性并不显著（0.004，卡方检验的p值为0.430），这表明对于成熟企业，没有发现金融科技促进研发融资的证据。
为了确保结果的稳健性，我们进一步测试了债务的边际效应。测试结果显示，在低、中、高不同的dift水平下，债务对研发强度（rd）的边际效应均不显著（t值分别为1.96、0.55和-0.99）。这表明我们的结果是稳健的。表8的第(2)和第(4)列末尾的测试结果显示所有测试均通过，明确表明系统GMM估计量的结果是有效的。
按企业所有制结构分组的结果见表9。第(1)和第(3)列展示了国有企业（SOE）样本的回归结果。可以看出，国有企业当前和滞后股权融资（stock）的联合显著性显著为正（0.015，卡方检验的p值为0.016），这表明对于国有企业，股权融资是研发的主要资金来源。另一方面，当前和滞后债务融资交互项（debt × dif）的联合显著性显著为正（0.042，卡方检验的p值为0.014），但当前和滞后债务融资（debt）的联合显著性并不显著（0.006，卡方检验的p值为0.281），这表明对于国有企业，没有发现金融科技促进研发融资的证据。
为了确保结果的稳健性，我们进一步测试了债务的边际效应。测试结果显示，债务对研发强度（rd）的边际效应在低、中、高不同dift水平下均不显著（t值分别为-1.31、-0.52和0.37）。这表明我们的结果是稳健的。表9的第(1)和第(3)列末尾提供的测试结果显示没有自相关问题或过度识别问题，工具变量是有效的。
第(2)和第(4)列展示了非国有企业样本的回归结果。可以看出，非国有企业当前和滞后股权融资（stock）以及债务融资（debt）的联合显著性显著为正（0.021、0.017，卡方检验的p值分别为0.000和0.000），这表明对于非国有企业，外部融资是研发的主要来源；现金持有变化（Δcash）的联合显著性显著为负（-0.008，卡方检验的p值为0.041），这表明非国有企业也存在研发平滑行为。另一方面，当前和滞后股权融资交互项（stock × dif）以及债务融资交互项（debt × dif）的联合显著性显著为正（0.029、0.026，卡方检验的p值分别为0.008和0.036），这表明对于非国有企业，金融科技促进了研发的外部融资。
表9的第(2)和第(4)列末尾的测试结果显示所有测试均在5%的显著性水平上通过。我们将工具变量的滞后顺序改为3至4期，此时所有测试均通过（测试结果省略），结果保持不变。可以看出，系统GMM估计量的结果是有效的。
备注：此表使用国有企业（SOEs）和非国有企业（non-SOEs）的替代样本划分估计动态研发回归。估计采用一步系统GMM，滞后水平（t-3）作为差分方程的工具变量，滞后差分（t-2）作为水平方程的工具变量。所有回归中均包含固定的公司效应和时间效应。标准误差对异方差性和公司内部序列相关性具有鲁棒性。所有变量在1%水平上进行了温莎化处理。有关变量的详细定义，请参见表1。带有*、**和***标记的系数分别表示在10%、5%和1%水平上显著性。m2统计量检验第一差分残差中不存在二阶自相关的原假设。Sum是当前变量和滞后变量联合显著性的卡方检验。Hansen J检验是检验过度识别限制有效性的原假设。Diff-Hansen检验用于识别工具变量的有效性。
2. 替代工具和估计方法
在本节中，我们对之前提出的研究发现进行了稳健性测试，使用了替代工具和估计方法，结果仍然保持稳健。首先，我们使用两步GMM方法重新估计了方程（1）和（2）。虽然两步GMM比一步GMM更有效，但在小样本中，两步GMM的标准误差往往存在向下偏差（Arellano and Bond, 1991）。两步GMM估计的结果显示在表10的第(1)和第(2)列中，与表6中的结果非常相似。
其次，我们调整了工具变量的滞后顺序，在差分方程中使用滞后水平（t-4或更早）作为工具变量，在水平方程中使用滞后差分（t-3或更早）作为工具变量。表10的第(3)和第(4)列中的结果得出了类似的结论。
第三，我们使用正交变换替代一阶差分，以消除公司特定效应。在一阶差分过程中，非平衡面板数据可能会导致数据丢失。采用前向正交变换，即从当前值中减去前期所有观察值的均值，可以减轻数据损失并提高估计准确性（Arellano and Bover, 1995）。这种替代方法的结果显示在表10的第(5)和第(6)列中，同样得出了类似的结论。综合来看，这些发现证明了我们结论的稳健性。
最后，我们还关注了宏观经济因素可能带来的影响，因此基于以往研究，我们选择了五个宏观经济水平控制变量：地区人均GDP、产业结构、教育和科技支出、人均受教育年限以及地区GDP增长率，这些变量被加入模型并显示在表11中，结果没有实质性变化。此外，我们还关注了行业因素可能带来的影响，因此我们添加了行业固定效应。再次，我们没有发现结论的实质性变化（由于篇幅限制，结果未报告）。
备注：此表使用两步系统GMM（第1-2列）、增加工具变量的滞后顺序（第3-4列）和正交变换（第5-6列）来估计动态研发回归的稳健性。所有回归中均包含固定的公司效应和时间效应。标准误差对异方差性和公司内部序列相关性具有鲁棒性。所有变量在1%水平上进行了温莎化处理。有关变量的详细定义，请参见表1。带有*、**和***标记的系数分别表示在10%、5%和1%水平上显著性。Sum是当前变量和滞后变量联合显著性的卡方检验。m2统计量检验第一差分残差中不存在二阶自相关的原假设。Hansen J检验是检验过度识别限制有效性的原假设。Diff-Hansen检验用于识别工具变量的有效性。
备注：此表估计了在加入宏观控制变量后金融科技对研发融资的影响。估计采用一步系统GMM，滞后水平（t-3）作为差分方程的工具变量，滞后差分（t-2）作为水平方程的工具变量。为了比较，我们还包括了OLS和固定效应（FE）估计的结果。所有回归中均包含固定的公司效应和时间效应。标准误差对异方差性和公司内部序列相关性具有鲁棒性。所有变量在1%水平上进行了温莎化处理。有关变量的详细定义，请参见表1。带有*、**和***标记的系数分别表示在10%、5%和1%水平上显著性。m2统计量检验第一差分残差中不存在二阶自相关的原假设。Sum是当前变量和滞后变量联合显著性的卡方检验。Hansen J检验是检验过度识别限制有效性的原假设。Diff-Hansen检验用于识别工具变量的有效性。
6. 结论与政策建议
研发的特殊性导致了对研发融资的不确定性，而缺乏持续和稳定的资金来源无法保证研发的正常进行。这甚至可能导致研发失败并增加破产风险。在本研究中，我们尝试寻找金融科技影响研发融资的证据，结果发现金融科技促进了研发的外部融资。然而，未能找到金融科技对研发内部融资和研发平滑的影响证据。经过子组回归分析，我们发现大企业和中小企业在研发外部融资方面没有显著的异质性，但金融科技对年轻企业和非国有企业的研发外部融资影响显著，而对成熟企业和国有企业则没有发现类似的证据。
我们的研究提供了以下政策建议：首先，金融科技可以促进企业的外部融资，推动商业创新和经济增长。政府应加大对金融科技基础设施的投资，以确保高效、稳定和安全的金融科技服务网络覆盖全国，特别是偏远和经济相对落后的地区。此外，政府应鼓励金融科技企业在支付、借贷和信用收集等领域进行技术创新，并通过设立专项资金和提供税收优惠来支持金融科技企业的发展。
第二，金融科技企业应优化其产品，并有针对性地提供金融服务。政府应为年轻和非国有企业制定专项金融科技支持政策，例如设立专项金融科技贷款和补贴，并提供相关的教育和培训，以提升其金融科技素养。成熟企业和国有企业应优化传统融资渠道，促进金融科技与传统金融的深度融合，开发新型金融产品和服务，以提高融资效率。
第三，为了促进东亚金融科技的共同发展，各国可以借鉴中国在移动支付、区块链技术、大数据风险控制等方面的成功经验。通过建立跨境合作机制，推动区域金融科技标准化，加强技术和人才交流，并支持跨境金融科技项目，可以提升该地区金融科技的整体水平和创新能力，从而优化各国的研发融资环境，提高东亚地区在全球金融科技领域的竞争力。
需要注意的是，我们的研究也存在一些局限性。首先，其他融资来源包括非正式融资来源（Xiao, 2011）、政府支持（Chen et al., 2020）和风险资本（Hall and Lerner, 2010）。这些并不是本文的重点，因此未被提及，未来的进一步研究将集中在这些方向上。其次，尽管本研究控制了城市级宏观变量，但仍可能存在未被充分捕捉的遗漏变量，例如政策环境、社会资本和其他可能影响企业研发投资的经济因素。此外，企业可能会根据自身的需求和战略选择在金融科技发展较好的城市落户，这种选择偏差可能导致对金融科技发展影响的高估。为了减轻这些偏差的影响，我们尝试使用多种估计方法，但这些方法并未完全消除所有潜在的偏差，因此研究结果需要谨慎解读。
第三，我们使用了北京大学数字金融研究中心发布的指数来衡量城市金融科技变量。尽管该指数具有一定的科学有效性，并已广泛用于科学研究，但它仍可能无法客观和全面地衡量城市金融科技发展的状态。未来，我们应探索更好的度量指标，使研究结果更具说服力。
未来的研究可以通过更长的时间跨度和更广泛的城市数据捕捉金融科技发展的长期影响。同时，结合定性研究方法，如访谈和案例研究，以更好地理解企业在金融科技环境中的研发决策过程，可以提供更丰富的见解。此外，通过跨国比较研究分析金融科技发展对不同国家或地区企业研发强度的影响，可以帮助检验结果的普遍性，并扩展研究发现的适用性。
……
获取完整文章
请后台回复“
获取下载链接
END
责编/张谦
排版/陈亚洲、贺彦锦
编译/吴子怡
【延伸阅读】
