经济管理前沿
Frontiers in Economics and Management
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-3696（P）
- ISSN:3079-9090（O）
- 期刊分类:经济管理
- 出版周期:月刊
- 投稿量:3
- 浏览量:665
相关文章
暂无数据
金融科技对企业全要素生产率的影响
The Impact of Fintech on the Total Factor Productivity of Enterprises
引言
在当前经济高质量发展的背景下，提升企业全要素生产率已成为关键议题。然而，传统金融体系由于自身局限性，制约了生产率的进一步提升。而金融科技作为新型的金融体系，依托其科技与金融属性，能切实提高全要素生产率。为此，本文以2013-2022年沪深A股上市公司为样本，实证检验金融科技对企业全要素生产率的影响。研究发现，金融科技能显著促进企业全要素生产率提升，其作用机制在于降低代理成本。本研究为理解金融科技的微观赋能路径提供了经验证据，也为相关政策制定与企业实践提供了有益参考。
一、研究背景与研究意义
（一）研究背景
党的二十大报告指出“建设现代化产业体系,坚持把发展经济的着力点放在实体经济上”。党的十九大和二十大均提出要提高全要素生产率。企业作为经济发展的重要组成部分，其运行状况影响着经济的良好发展。企业全要素生产率作为企业发展的重要组成部分，在近年来取得了一定的进步。但企业仍存在着资源配置不合理、信息不对称、创新能力不足等问题，这些都不利于企业全要素生产率的提高。传统的金融发展格局无法解决这些不利于提高企业全要素生产率的问题。
国家越来越重视金融科技的发展，提出了如何促进金融发展的规划。在2022年1月，中国人民银行印发《金融科技发展规划（2022—2025年）》。金融科技作为新型的金融服务，由于其内在的金融属性和科技属性，能够深刻改变传统金融发展格局中的融资问题和信息不对称问题，能着力提高企业全要素生产率。
在国家发展实体经济和金融科技的背景下，研究金融科技对企业全要素生产率的影响，一方面能够提高企业全要素生产率，助力实体经济高质量发展；另一方面，也可以深化金融科技的范围，让金融科技普及到更多人群，让更多的人享受到科技发展的好处。
（二）研究意义
企业全要素生产率作为其企业效率和企业创新能力的衡量指标，其水平的高低决定着企业在市场上是否有更强的核心竞争力。金融科技依靠其对信息的处理能力，可以解决企业创新活动中遇到的信息不对称等问题，为具有创新潜力的企业能够提高有效的金融支持。通过研究金融科技与全要素生产率的关系，能为提升全要素生产率提供好的方法。
对于政府来说，金融科技作为其发展战略的重要组成部分，通过研究其对企业全要素生产率的影响，能丰富金融科技助力经济高质量发展的理论。该项研究也能为政府和监管机构提供决策支持，可以帮助国家制定进一步改善金融科技发展和提高企业全要素生产率的政策。科技是第一生产力，为了保证国家走在世界发展的前列，现代的金融发展必须与科技紧密相连。金融科技作为新型的金融发展，通过研究金融科技对经济的各方面影响，能够切实提高科技在经济中的运用能力，能着力改善我国的科技发展格局，增强我国在国际市场的竞争能力，为我国实现政策目标提供强有力的支持。
因此，对金融科技与企业全要素生产率进行研究，有助于为其制定更加科学、有效的经济发展战略，能够为真实可靠的政策制定依据，实现经济可持续发展，切实提高人民对美好生活的满足程度。
二、文献综述
（一）金融科技的相关研究
不同的学者对金融科技的内涵有不同的观点。巴曙松和白海峰认为金融科技是将科学技术应用于金融行业，以此提高效率的技术手段。皮天雷等人认为金融科技是给传统金融行业带来新的业务模式的金融创新。
不同的学者围绕着金融科技与经济的话题，提出了自己的观点。董晓林等人从市场竞争和技术赋能的视角出发，认为金融科技对商业银行信贷供给具有促进作用。王晓青和孙文远认为银行金融科技的应用通过技术型资本要素配置进而优化其就业技能结构。贺唯唯和张亚斌认为金融科技通过加速金融市场化、增加普惠金融供给助力我国经济高质量发展。赵瑞瑞等人从融资约束的角度进行考察，发现金融科技更能改善融资约束高企业的投资效率。邵学峰和胡明认为金融科技可以通过降低融资约束和财务费用率这两个机制来提高企业投资效率。
（二）全要素生产率的相关研究
不同学者对如何提高企业全要素生产率提出了自己的观点。郑展鹏等人从企业内部和企业外部的视角出发，认为企业数字化转型可以提高企业绿色全要素生产率。王璐璐等人认为数据要素信息披露通过提高技术创新能力和产能利用率来提高企业全要素生产率。李天建和樊逸男认为知识产权保护通过提高技术引进水平和企业自主创新来提高企业全要素生产率。邱蓉等人通过构建耐心资本与企业全要素生产率的模型，发现其可以提高企业全要素生产率。杜然和刘柯认为绿色制造通过创新补偿和竞争优势效应提高企业的技术水平,进而提升企业的全要素生产率。刘胜强等人基于完整创新的链式中介效应模型，发现了企业数字化转型可以提高全要素生产率。Qian Y认为公共数据开放通过降低信息不对称、增强企业运营能力、优化市场环境来提高企业全要素生产率。Liu F发现数据资产通过增加人力资本和促进企业内部的创新来提高企业的全要素生产率。
（三）金融科技与企业全要素生产率的相关研究
学者围绕金融科技与企业全要素生产率的话题提出了不同的观点。候层和李北伟以北大数字普惠金融指数为金融科技的代理变量，发现金融科技可以提高全要素生产率。胡国晖和朱露露认为金融科技通过增强银行创新能力、改善人力资本结构以提高全要素生产率。胡金焱等人认为金融科技可以通过提高高管绿色认知和企业绿色创新来提高企业的绿色全要素生产率。刘元雏和陈亚军从战略性新兴产业的视角出发，发现金融科技可以提高企业全要素生产率。宋敏等人认为金融科技通过降低融资约束和信贷配来提高企业的全要素生产率。
三、理论分析与研究假设
（一）金融科技与企业全要素生产率
在当今时代，企业全要素生产率的发展仍然存在着创新能力不足和资源配置不合理等现象，金融科技因为其科技属性，可以较好的解决这些问题，能提高企业的全要素生产率。金融科技能够为企业提供更多多样性、门槛低、成本低的金融产品，企业通过挑选这些产品可以做到低成本融资，切实缓解企业不能创新也不敢创新的现象。同时，在金融科技发展作为新型金融发展格局的大背景下，推动着传统金融机构向数字化转型，不断提升传统金融机构的风险管理能力和资源配置效率，让企业享受到成本更低、质量更好的金融服务。金融科技在促进传统金融机构向数字化转型的过程中，也通过技术溢出效应降低了企业的信息不对称。一些技术领先的企业逐步把及时传递到技术落后的企业，使得市场上的企业的全要素生产率都有了一定的进步。
基于此基础，本文提出假设1：
H1：金融科技提高了企业的全要素生产率。
（二）金融科技影响企业全要素生产率的作用机制
代理问题是阻碍企业全要素生产率提高的不利条件。代理成本基于管理者的私人收益和私人成本这些道德风险和逆向选择，其会影响企业的资源配置效率和技术研发效率，进而不利于企业全要素生产率的提高。传统的金融发展格局无法良好地改善这一局面，而新兴的金融科技由于其强大的科学属性，能够在金融领域降低代理成本。金融科技的发展增强了金融机构和审计机关的监督力度，大数据和人工智能技术增加了资金流向的透明度，减少了企业经理人的不合理行为。金融科技提供了数字化信息系统，让股东了解到了管理者候选人的背景，避免了不良代理问题的出现。
基于以上基础，本文提出假设2：
H2：金融科技可以通过降低代理成本来提高企业的全要素生产率。
四、研究设计
（一）数据来源
根据金融科技发展现状与数据的可得性，本文选取了2013年到2022年共10年的中国沪深A股上市公司的数据值为样本。本文的数据来源于CMSAR数据库、北京大学数字金融研究中心。并且用北京大学的《数字金融普惠金融指数》作为金融科技发展指数的代理变量。
为了让数据具有更好的真实性，本文结合已有的参考文献，对数据进行如下处理：剔除样本企业中的金融业行业的样本；剔除在样本区间挂牌ST和退市的企业；剔除财务数据缺失的企业；对变量中的极端值进行查找以及删除；最终得到了23203条非平衡面板的数据观测值。
（二）变量定义
1.被解释变量
本文的被解释变量为企业全要素生产率（TFP）。全要素生产率是衡量生产效率的重要指标，反映在资本、劳动等生产要素投入不变的情况下，经济产出的增长能力。结合相关的参考文献，本文采用op法和lp法计算的全要素生产率作为代理变量。
2.解释变量
金融科技指数（Fintech）。本文结合已有的参考文献，发现在论文写作中，金融科技指数构建方法存在着两种情况：第一种情况是用现有指数进行替代，北京大学数字普惠金融指数做为金融科技水平的衡量。该指数涉及31个省，337个地级市。这也是现在最常用的方法；第二种方法是采用Python方法爬取有关的关键词所构建金融科技指数作为金融科技水平的衡量。本文采用第一种方法作为金融科技指数。
3.中介变量
管理费用率（MER）。结合已有文献，本文选用管理费用率作为代理成本的衡量指标。
4.控制变量
本文避免因变量的遗漏而影响研究的准确性，采用资产规模（Size）、资产负债率（Lev）、成长机会（Growth）、现金持有量（Cash）、净资产收益率（ROA）、第一大股东持股比率（Top1）、固定资产占比（Fixed)7个变量作为本文的控制变量。
（三）模型设计
1.基准回归模型
在基准回归模型中，本文把被解释变量企业全要素生产率定义为以op法计算的全要素生产率和以lp法计算的全要素生产率。解释变量表示第个上市企业在第年的金融科技发展水平。被解释变量和分别表示第个上市企业在第年的以op方法计算的全要素生产率和以lp方法计算的全要生产率，是指上文中的7个解释变量为第个企业在第年的值。因为本文的金融科技水平使用的是省级的数字普惠金融发展指数，所以本文要控制个体、年份和省份。
2.管理费用率的中介效应模型
为了验证金融科技对企业全要素生产率的中介效应，本文采用两步法进行中介效应检验。两步法是指先做解释变量对被解释变量的实证分析，再做解释变量对中介变量的实证分析。在金融科技对企业全要素生产率的基准回归模型中，本文已经构建了模型，所以在这一步只构建了解释变量对中介变量的中介效应模型，即金融科技指数对管理费用率的中介效应模型。具体模型如以下公式所示：
这个模型中的变量与上一个模型构建的变量基本一样，只是有些不同，是第个企业在第年的管理费用率水平。
五、实证结果分析与讨论
（一）描述性统计
描述性统计分析结果见表1。在经过一系列处理后，表中的观测值均为23203个。通过观测上述数据的标准差，可以看到企业的成长机会的标准差最大，为2.737，最小值和最大值相差较大，证明公司的成长机会存在着较大的差异。把其作为控制变量是非常重要的。企业现金持有量存在着负值，应该重视这个指标。
| 观测值 | 平均值 | 标准差 | 最小值 | 中位数 | 最大值 | |
|---|---|---|---|---|---|---|
| TFP_op | 23203 | 6.7698 | 0.882 | 2.56 | 6.66 | 11.45 |
| TFP_lp | 23203 | 8.4465 | 1.056 | 4.4 | 8.34 | 13.11 |
| Fintech | 23203 | 56.707 | 2.96 | 47.92 | 57.63 | 60.685 |
| Growth | 23203 | 2.1696 | 2.737 | 0.64 | 1.67 | 259.146 |
| Lev | 23203 | 0.4276 | 0.197 | 0.008 | 0.42 | 0.998 |
| Cash | 23203 | 0.05725 | 0.102 | -4.05 | 0.05 | 4.636 |
| Size | 23203 | 22.3824 | 1.289 | 15.58 | 22.21 | 28.64 |
| Roa | 23203 | 0.03262 | 0.087 | -3.994 | 0.03 | 0.786 |
| Fixed | 23203 | 0.2185 | 0.156 | 0 | 0.19 | 0.929 |
| Top1 | 23203 | 0.3377 | 0.146 | 0.018 | 0.314 | 0.8999 |
（二）基准回归结果分析
结合本文的研究内容，本文控制了年份、个体和省份。为了研究金融科技对企业全要素生产率的影响，将被解释变量分为以op法和lp法构建的全要素生产率，分别对应上表中的第一列和第二列，发现了金融科技与全要素生产率在1%的水平下显著正相关（见表2）。这表明了金融科技可以提高企业的全要素生产率，因此假设1得以证明。
| (1) TFP_op | (2) TFP_lp | |
|---|---|---|
| Fintech | 0.051***
(4.16) |
0.026**
(2.11) |
| Growth | 0.006***
(5.75) |
0.008***
(7.86) |
| Lev | 0.176***
(7.30) |
0.258***
(10.67) |
| Cash | 0.403***
(16.59) |
0.406***
(16.72) |
| Size | 0.421***
(67.70) |
0.574***
(92.31) |
| Roa | 0.683***
(22.21) |
0.683***
(22.24) |
| Fixed | -0.857***
(-26.07) |
-1.126***
(-34.25) |
| Top1 | -0.075*
(-1.93) |
-0.049
(-1.26) |
| _cons | -5.486***
(-7.69) |
-5.787***
(-8.11) |
| 年份、个体、省份固定效应 | 控制 | 控制 |
| N | 23203 | 23203 |
| R2 | 0.2957 | 0.4185 |
（三）内生性分析
本文为了缓解模型存在的内生性问题，参考已有文献的方法，将接壤省份的金融科技发展水平作为工具变量进行内生性分析。本文的工具变量为接壤省份的金融发展水平的总和除以接壤省份数量，用fintech来表示。接壤省份的金融科技发展水平仍为北京大学数字金融研究中心发布的省级金融科技发展指数。选用这个工具变量进行内生性分析的原因在于，接壤省份的金融科技发展水平会因为发展上的相似性，不断加强沟通，从而影响该省份的金融发展水平。但是，由于地域的分割性、发展上存在差异性等特点，无法影响到该省份企业的全要素生产率。
表3第一列和第三列是第一阶段回归的结果，工具变量与解释变量的系数在1%的水平下显著正相关。第二列、第四列为第二阶段的回归结果，金融科技对全要素生产率的系数在1%的水平下显著正相关。控制潜在的内生性问题后，与主效应结果一致，验证了假设1的准确性。
| (1) First Fintech | (2) Two TFP_op | (3) First Fintech | (4) Two TFP_lp | |
|---|---|---|---|---|
| fintech | 0.349***
(79.61) |
0.349***
(79.61) |
||
| Fintech | 0.056**
(2.24) |
0.032***
(10.61) |
||
| Constant | 36.738***
(140.65) |
-5.768***
(-4.03) |
36.738***
(140.65) |
-5.890***
(-39.43) |
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| 年份、个体、省份固定效应 | 控制 | 控制 | 控制 | 控制 |
| 样本数 | 23203 | 23203 | 23203 | 23203 |
| R-squared | 0.2420 | 0.2952 | 0.2420 | 0.5448 |
（四）稳健性检验
剔除直辖市。因为本文采用的金融科技指数为北京大学数字金融研究中心发布的省级普惠金融指数，这就造成了直辖市的金融科技发展水平较快，位于直辖市的企业的全要素生产率会更高。由于直辖市的数据与其他省份的数据相比存在较大的差异，这可能会影响整个样本的准确性。因此，本文参考了已有文献的做法，剔除了北京、天津、上海和重庆四个直辖市的样本。
在剔除四个直辖市后，金融科技对全要素生产率的相关系数仍为正，且在1%的水平下显著，通过了稳定性检验，假设1成立。
| TFP_op | TFP_lp | |
|---|---|---|
| Fintech | 0.027**
(1.98) |
0.012***
(10.91) |
| Constant | -4.058***
(-5.17) |
-4.772***
(-37.23) |
| 控制变量 | 控制 | 控制 |
| 年份、个体、省份固定效应 | 控制 | 控制 |
| 样本数 | 18697 | 18697 |
| R-squared | 0.2942 | 0.5523 |
（五）异质性分析
1.企业规模
在这一部分，本文重点关注金融科技对不同规模企业的投资效率的影响。结合现有文献，本文将企业自身资产规模的中位数作为分界线进行规模大小分类。低于资产规模的中位数的企业为小规模企业，高于资产规模的中位数的企业为大规模企业。
根据表5的内容可知，与小规模企业相比，金融科技对大规模企业的系数更大，这说明金融科技更能改善大规模企业的全要素生产率。而且，金融科技对大规模企业的正相关关系显著，金融科技对小规模企业的正相关关系是不显著的。因此，以后更应该用金融科技切实提高小规模企业的全要素生产率。
| TFP_lp 大规模企业 | TFP_lp 小规模企业 | TFP_op 大规模企业 | TFP_op 小规模企业 | |
|---|---|---|---|---|
| Fintech | 0.031*
(1.90) |
0.013
(0.70) |
0.048***
(2.93) |
0.028
(1.57) |
| Constant | -5.539***
(-6.36) |
-3.819***
(-3.97) |
-4.363***
(-5.00) |
-2.801***
(-2.93) |
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| 年份、个体、省份固定效应 | 控制 | 控制 | 控制 | 控制 |
| 样本数 | 11602 | 11601 | 11602 | 11601 |
| R-squared | 0.5072 | 0.4207 | 0.4434 | 0.3442 |
2.所属地区
本文按照企业所处的位置，按照省份将其分为东部、中部和西部，发现金融科技显著地改善东部和西部企业的全要素生产率，且金融科技改善西部企业的效果更好（见表6），这可能是因为国家支持西部企业发展的力度更大。但是金融科技对中部地区的全要素生产率不显著且为负。因此，在今后更应该利用金融科技和实施更有效的金融科技措施，切实提高中部地区的全要素生产率。
| TFP_op 东部 | TFP_lp 东部 | TFP_op 中部 | TFP_lp 中部 | TFP_op 西部 | TFP_lp 西部 | |
|---|---|---|---|---|---|---|
| Fintech | 0.060***
(2.96) |
0.055***
(2.71) |
-0.174
(-0.46) |
-0.0233
(-0.62) |
0.108***
(3.59) |
0.098***
(3.20) |
| Constant | -6.387***
(-5.46) |
-7.773***
(-6.68) |
-1.540
(-0.72) |
-3.455
(-1.63) |
-7.484***
(-4.38) |
-7.851***
(-4.50) |
| 控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 年份、个体、省份固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 样本数 | 16231 | 16231 | 3864 | 3864 | 3108 | 3108 |
| R-squared | 0.2956 | 0.4221 | 0.2809 | 0.4099 | 0.3427 | 0.4218 |
（六）机制检验
本文选用管理费用率作为代理成本的衡量指标，因而在机制检验中，主要分析了金融科技对管理费用率的影响。从表7可以观察到金融科技对管理费用率的系数在1%的水平下显著为负。这说明了金融科技可以降低管理费用率，即金融科技可以降低代理成本，假设2成立。
| TFP_op | Me | TFP_lp | Me | |
|---|---|---|---|---|
| Fintech | 0.051***
(4.16) |
-0.002***
(-5.10) |
0.026**
(2.11) |
-0.002***
(-5.10) |
| Constant | -5.486***
(-7.69) |
0.862***
(21.34) |
-5.787***
(-8.11) |
0.862***
(21.34) |
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| 年份、个体、省份固定效应 | 控制 | 控制 | 控制 | 控制 |
| 样本数 | 23203 | 23203 | 23203 | 23203 |
| R-squared | 0.2957 | 0.0611 | 0.0969 | 0.0611 |
六、研究结论与启示
（一）研究结论
通过研究金融科技与企业全要素生产率的关系，发现了金融科技可以显著提高企业的全要素生产率。从描述性统计的结果上看，企业成长机会存在着较大差异，现金流有负的情况，这说明了当前仍然存在着较强的融资约束和代理成本，金融科技仍然不完善，还有需要改进和提高的部分。
在内生性分析中，本文采用接壤省份的金融科技发展水平作为工具变量进行内生性分析，发现了控制潜在的内生性后，金融科技仍然可以提高企业的全要素生产率。本文采用剔除直辖市的方法进行稳健性检验，发现该模型设定具有稳定性和准确性。接着，本文从企业资产规模和东西中部进行异质性分析。在资产规模异质性分析时，发现了金融科技能帮助大规模企业改善全要素生产率，但是金融科技帮助小规模企业改善全要素生产率的效果不好。从地区划分的角度来看，金融科技不能较好地改善中部地区企业的全要素生产率，因此在今后，国家要制定完善的政策来解决这一问题。最后，本文进行了机制分析，发现了金融科技对管理费用率显著负相关，证明了假设2。
（二）启示
通过研究金融科技与企业全要素生产率的影响，发现了金融科技能提高企业的全要素生产率，但也存在一些不足。以下是本文提出的一些建议：第一，小规模企业是国家经济发展的重要组成部分，在进行异质性分析时，金融科技对小规模企业的全要素生产率的正相关关系不显著。政府应该制定出更加合理有效的方针政策，用金融科技切实提高小规模企业的全要素生产率；第二，金融科技对中部企业的全要素生产率改善不是很明显，因此国家要在中部地区着力发展金融科技，帮助中部企业拓宽融资渠道，改善信息不对称，提供更为优质的金融服务来提高其全要素生产率；第三，企业也要把握金融科技发展的机遇，逐步改变过去发展全要素生产率的方式，应用金融科技所提供的数字化平台，做到合理有效地创新，进一步提高全要素生产率，以促进自身目标的实现和国家经济的可持续发展。
参考文献：
- [1] 巴曙松, 白海峰. 金融科技的发展历程与核心技术应用场景探索[J]. 清华金融评论,2016(11):99-103.
- [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] 董晓林, 熊健, 张晔. 金融科技发展对商业银行信贷供给的影响——市场竞争和技术赋能的视角[J]. 财贸研究,2023,34(12):51-63.
- [4] 王晓青, 孙文远. “减员增效”抑或“精兵简政”:金融科技对商业银行就业的影响[J]. 财贸研究,2024,35(10):1-16+61.
- [5] 贺唯唯, 张亚斌. 金融科技发展与城乡共同富裕[J].经济评论,2024(06):19-35.
- [6] 赵瑞瑞, 张玉明, 刘嘉惠. 金融科技与企业投资行为研究——基于融资约束的影响机制[J]. 管理评论,2021,33(11):312-323.
- [7] 邵学峰, 胡明. 金融科技有助于提升企业投资效率吗？——基于中国A股上市企业的实证研究[J]. 学习与实践,2022(03):38-46.
- [8] 郑展鹏,侯迎信, 刘笑言, 等. 企业数字化转型能否提升绿色全要素生产率?——内在动力与外在压力的视角[J]. 上海经济研究,2025(04):89-102.
- [9] 王璐璐, 凌爱凡, 黄飞鸣. 数据要素信息披露与企业全要素生产率——基于文本分析的视角[J]. 江西社会科学,2025,45(02):59-76.
- [10] 李天建, 樊逸男. 知识产权保护、创新路径与企业全要素生产率：基于中国制造业企业的研究[J]. 西北师大学报(社会科学版),2025,62(02):122-133.
- [11] 邱蓉,田子豪, 买俊鹏, 等. 耐心资本与企业全要素生产率提升[J].证券市场导报,2024(12):3-12.
- [12] 杜然, 刘柯.绿色制造能否提升企业全要素生产率?——来自绿色工厂认证的证据[J]. 商业研究,2025(02):1-9.
- [13] 刘胜强,余鑫月, 胡轩瑜, 等. 企业数字化转型对全要素生产率的影响——基于完整创新的链式中介效应模型[J]. 华东经济管理,2025,39(03):92-103.
- [14] Qian Y. Public data openness and corporate total factor productivity[J]. Economic analysis and policy,2025,85:733-753.
- [15] Liu F. Data assets and enterprise total factor productivity[J]. Pacific international journal,2024,7(06).
- [16] 侯层, 李北伟. 金融科技是否提高了全要素生产率——来自北京大学数字普惠金融指数的经验证据[J]. 财经科学,2020(12):1-12.
- [17] 胡国晖,朱露露. 金融科技对商业银行全要素生产率的影响及作用机制[J]. 科技管理研究,2023,43(22):175-182.
- [18] 胡金焱, 荣彦博, 张笑. 金融科技如何提高绿色全要素生产率[J].经济问题,2025(04):91-100.
- [19] 刘元雏, 陈亚军. 金融科技如何提升企业全要素生产率?——基于战略性新兴产业视角[J].现代经济探讨,2024(07):89-101.
- [20] 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.
- [21] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济,2022(05):100-120.