摘要 本文以中国人民银行2017年起分批次推进的金融科技应用试点政策为准自然实验，研究金融科技发展对“专精特新”中小企业突破性创新的影响及作用机制。基于20112024年A股上市专精特新企业面板数据，构建多期双重差分模型开展实证检验，并通过中介效应模型分析企业风险承担水平的内在作用路径。结果表明：金融科技冲击显著提升了专精特新中小企业的突破性创新产出，该效应主要通过提高企业风险承担能力实现；金融科技的创新赋能效应在非国有、小规模企业中更为显著。平行趋势检验、PSM-DID、安慰剂检验等一系列稳健性检验均支持结论的可靠性。本文研究丰富了金融科技与实体经济创新的相关文献，为完善科技金融政策、激发中小企业创新活力提供了实证支撑与决策参考。

关键词：金融科技；风险承担水平；突破性创新；专精特新中小企业；多期双重差分模型

第一章引言

中国经济正处于由要素驱动向创新驱动深度转型的关键期，“专精特新”中小企业作为突破关键核心技术、保障产业链供应链安全的核心主体， 新能力直接关系到创新驱动战略的落地成效。与渐进式创新不同，突破性创新是对现有技术范式 长周期、高失败率的特征，对企业资金储备与风险承担能力提出了极高要求。但在传 体系 专精特新企 普遍存在轻资产、无合格抵押品、信息不透明的特征，长期面临融资难、融资贵的困境，进而被迫放弃高风险的突破性研发项目，转向短周期、低风险的渐进式创新。

近年来，大数据、人工智能、区块链等数字技术推动金融科技（FinTech）快速发展，为破解中小企业融资困境提供了全新路径。与传统金融依赖财务硬信息的风控模式不同，金融科技可通过挖掘企业经营全流程的数字足迹与软信息，构建动态信用评估模型，有效缓解银企信息不对称，拓宽中小企业融资边界。现有研究已证实数字金融对企业创新的促进作用，但仍存在三方面拓展空间：一是研究对象多聚焦于全市场上市公司，对承载国家科技战略使命的专精特新企业群体关注不足[7]；二是创新测度多未区分渐进式与突破性创新，忽视了金融科技对底层技术突破的差异化影响；三是作用机制多围绕融资约束展开，鲜有从风险承担视角，探究金融科技如何激发企业“敢于试错”的内在创新动力[6]。

基于此，本文构建“金融科技—风险承担水平—专精特新企业突破性创新”的理论分析框架，以央行分批次金融科技应用试点政策作为外生冲击，采用2011—2024年A股上市专精特新企业数据，通过多期双重差分模型检验金融科技对突破性创新的因果效应，识别风险承担水平的中介作用，并进一步分析产权性质、企业规模的异质性影响。本文的边际贡献在于：一是聚焦专精特新企业群体，丰富了金融科技赋能实体经济创新的细分领域研究；二是从风险承担视角打开了金融科技驱动突破性创新的机制黑箱，补充了相关理论文献；三是依托准自然实验缓解内生性问题，为政策制定提供了更可靠的经验证据。

第2章理论基础与研究假设

2.1制度背景

中国金融体系长期以银行信贷为主导，存在显著的规模偏好与所有制偏好，信贷资源长期向大型国企集中，中小企业融资困境长期存在。为破解这一结构性难题，金融科技被提升至国家战略层面[11]。2017年起，中国人民银行联合多部委，先后在北京、上海、广东、浙江等十余个省市启动多批次金融科技应用试点项目，并相继印发《金融科技发展规划（2019-2021年）》《金融科技发展规划（2022-2025年）》，引导持牌金融机构与科技企业合作，利用数字技术优化信贷流程、创新风控模型，重点解决小微企业与科创企业融资痛点[12]。这种自上而下、分批次推进的区域性政策试点，为本文采用双重差分法评估金融科技的政策净效应提供了理想的准自然实验场景[8]。

2.2理论分析与研究假设

2.2.1金融科技与专精特新企业突破性创新

金融科技可从信息效率与资源供给两个维度，直接促进专精特新企业突破性创新。基于信息不对称理论，金融科技革新了传统信用定价逻辑。传统金副 务数据评估企业信用，而专精特新企业的核心资产多为无形资产与技术专利，难以 金融科技通过机器学习算法挖掘企业供应链交易、支付流水、经营行为等全维度数字 走逊， 构建动态信用评估模型，有效打破银企信息壁垒，降低事前逆向选择与事后道德风险，使企业可凭借经营活力与技术潜力获得无抵押信用贷款，为长周期、高风险的突破性研发提供稳定的资金支持。

基于资源基础理论，金融科技拓宽了企业外部资源边界。金融科技平台多内嵌于数字经济生态系统，供应链金融科技可通过区块链技术将核心企业信用沿产业链传导，盘活企业应收账款等流动资产，缓解营运资金压力。融资约束的缓解与供应链效率的提升，使企业可将更多资源从日常营运配置到高风险、高收益的突破性技术研发中。据此，本文提出假设：

H1：金融科技发展显著促进专精特新中小企业的突破性创新。

2.2.2风险承担水平的中介作用

企业风险承担水平反映了企业面对高不确定性投资项目时，愿意承受业绩波动的程度。突破性创新的高风险特征，决定了其必须以企业充足的风险承担意愿为前提[10]。本文认为，金融科技可通过缓冲垫效应与治理效应，提升企业风险承担水平，进而驱动突破性创新。

第一，缓冲垫效应降低企业创新试错的后顾之忧。在传统信贷市场中，企业一旦创新项目失败，将面临融资渠道枯竭与经营危机，因此普遍存在风险规避倾向。金融科技凭借高效的普惠信贷机制，为企业构建了弹性资金安全网。当企业预期未来可通过数字金融渠道快速获得流动性支持时，对创新失败的恐惧将显著降低，进而提升当期高风险研发投资的意愿。

第二，治理效应缓解委托代理冲突。根据委托代理理论，管理者与股东的风险偏好存在天然分歧，管理者为保障短期业绩与职位稳定，往往会放弃有利于企业长期价值但会引发业绩波动的突破性研发项目。金融科技与企业数字化系统的融合，使企业资金流向、经营与研发进程更加透明，压缩了管理者的道德风险空间，推动管理者聚焦企业长期创新目标，缓解短视化的风险规避行为。

综上，金融科技通过提升企业风险承担水平，为突破性创新扫清了心理与机制障碍。据此，本文提出假设：H2：企业风险承担水平在金融科技促进专精特新中小企业突破性创新的过程中发挥显著中介作用。

2.2.3异质性影响

金融科技的创新赋能效应并非均质分布，会受到企业产权性质与规模的影响。从产权性质来看，国有企业天然具备政府信用背书，在传统信贷体系 页算软约束与融资优先权，资金并非其创新的核心瓶颈，金融科技的边际赋能效应较弱。而非国有专精特 新证 业长期面临所有制信贷歧视，融资约束更为严重，金融科技的算法中立特征打破了体制信用壁垒，其带来的融资改善与创新激励效应更为显著。

从企业规模来看，大型企业已建立稳定的融资渠道，抗风险能力更强，而小规模专精特新企业信息不透明度更高、抗风险能力更弱，是传统信贷配给的核心对象。金融科技的长尾效应精准填补了这一市场空白，为小微企业提供了长周期研发的资金保障，其边际赋能效应更为突出。据此，本文提出假设：

H3：金融科技对专精特新中小企业突破性创新的促进作用，在非国有企业、小规模企业中更为显著。

第3章研究设计

3.1样本选择与数据来源

本文选取2011—2024年中国A股上市专精特新中小企业为初始研究样本。其中，专精特新企业名单依据工信部分批公布的《专精特新“小巨人”企业名单》与各省市工信厅公布的省级专精特新企业名单，与A股上市公司手工匹配确定[13]。对初始样本进行如下筛选处理 剔除金融业、房地产业上市公司；（2）剔除样本期内被标记为ST、*ST、PT及退市的样本；（3）剔除IPO当年及上市后首年的样本；（4）剔除核心变量存在严重缺失的样本；（5）对所有连续型变量在1%和99%分位进行缩尾处理，以消除极端值影响。最终得到12456个“企业-年度”非平衡面板数据[16]。

本文数据来源如下：企业财务与公司治理数据来自国泰安（CSMAR）[14]与Wind数据库[15]：专利授权数据来自国家知识产权局（CNIPA），并通过Inojoy数据库交叉验证；城市层面宏观数据来自《中国城市统计年鉴》；地区金融科技发展辅助数据来自北京大学数字普惠金融指数。数据清洗与实证回归均通过Stata17.0完成。

3.2变量定义

1.被解释变量：突破性创新（B_Innov）参考学术界主流做法，采用企业当年获得的授权发明专利数量衡量突破性创新。发明专利需通过国家知识产权局严格的实质性审查，代表了企业核心技术突破，与突破性创新的内涵高度契合。为处理专利数为0的样本，采用“发明专利授权量+1”后取自然对数的方式计算，指标值越大，代表企业突破性创新水平越高[1]。

2.核心解释变量：金融科技冲击（FT_DID）本文以央行分批次金融科技应用试点政策为准自然实验，构建多期双重差分模型的核心交乘项。具体而言：若企业注册地所在城市在t年被纳入金融科技应用试点范围，则该企业在t年及以后年度FT_DID取值为1，否则为0。该变量可精准捕捉金融科技政策冲击对实验组企业的净效应。

3.中介变量：企业风险承担水平（Risk）参考主流文献做法，采用经行业调整后的ROA三年滚动窗口标准差衡量企业风险承担水平[2]。具体计算步骤：首先，以企业当年EBIT与年末总资产的比值计算 ROA，减去当年所属行业平均ROA，得到经行业调整的ROA；其次，计算企业在三年滚动窗口期内经行业调整ROA的标准差，即为风险承担水平指标。指标值越大，代表企业业绩波动越大，风险承担水平越高。

4.控制变量：为排除其他因素对企业创新的干扰，从企业特征、财务状况、公司治理三个维度选取控制变量，具体包括：企业规模（Size，年末总资产自然对数）、资产负债率（Lev，总负债/总资产）、盈利能力（ROA，净利润/总资产）、经营性现金流（Cash，经营活动现金流净额/总资产）、企业成长性（Growth，营业收入同比增长率）、股权集中度（Top1，第一大股东持股比例）、董事会独立性（Indep，独立董事占比）、多元化经营程度（Entro，熵指数）。

3.3计量模型设定

为检验H1，构建多期双重差分基准模型：

（20 B_-Innov_i，t=α₀+β₁FT_-DID_c（i），t+γX_i，t+μ_i+λ_t+θ_ind，t+ε_i，t （204号其中，i代表企业，c代表企业注册地城市，t代表年份，ind 代表行业。 B_-Innoν_i，t 为被解释变量突破性创新；1 FT_-DID_c（i），t c（i），t 为核心解释变量金融科技冲击： X_i，t 为控制变量集； μ_i 为企业个体固定效应，吸收不随时间变化的企业异质性特征； λ_t 为年份固定效应，控制宏观经济周期等全国性冲击; ind，t 为行业-年份联合固定效应，控制不同行业随时间变化的产业政策冲击；8 E_i，t 为随机扰动项。模型标准误在城市层面聚类调整，以缓解同一城市内企业的残差相关性问题。若H1成立，核心系数 β₁ 应显著为正。

为检验H2，参考中介效应检验流程，构建如下模型：

中介效应检验逻辑如下：首先检验基准模型中 β₁ 的显著性；其次检验 β₂ ，若金融科技对风险承担水平的系数显著为正，说明金融科技可显著提升企业风险承担水平；最后检验 β₃⋅β₄ ，若两者均显著为正，β₃∗β₁ 有所下降，说明风险承担水平发挥部分中介作用；若 β₃ 不显著、 β₄ 显著，说明风险承担水平发挥完全中介作用。

第4章实证检验与结果分析

4.1描述性统计

表1报告了主要变量的描述性统计结果。结果显示，突破性创新B_Innov的均值为1.342，标准差为1.156，最小值为0，最大值为4.852，说明即使在专精特新企业群体内部，突破性创新水平仍存在极大差异，部分企业仍存在发明专利零突破的问题。核心解释变量FT_DID的均值为0.412，说明样本中41.2%的观测值处于金融科技试点政策覆盖范围内。中介变量Risk的均值为0.045，标准差为0.038，与国内同类研究的统计特征基本一致。其余控制变量的分布均处于合理区间，无明显异常值，为后续回归分析奠定了可靠基础。

表1主要变量描述性统计

4.2基准回归结果

表2报告了基准模型的回归结果，采用逐步递进的回归策略验证H1。列（1）仅控制企业与年份固定效应，未加入控制变量，结果显示FT_DID的系数为0.185，在1%水平上显著为正，初步验证了金融科技对突破性创新的促进作用。列（2）在列（1）基础上加入全部控制变量，FT_DID的系数降至0.152，仍在1%水平上显著。列（3）进一步加入行业-年份联合固定效应，以控制产业政策的非对称冲击，FT_DID的系数为0.138，依旧在1%水平上显著为正，H1得到验证。

从经济意义来看，列（3）的系数结果表明，在其他条件不变的情况下，金融科技试点政策的实施，使试点城市专精特新企业的发明专利授权量平均提升 13.8%， 对于处于技术追赶期的专精特新企业而言，这一核心专利增量具有显著的经济价值，证实了金融科技对实体经济创新的实质性赋能作用。

表2基准回归结果

注：括号内为城市层面聚类的t值；*、、*分别代表 1% ， 5% 、10%的统计显著性水平。

4.3平行趋势检验

双重差分模型的核心前提是平行趋势假设，即政策实施前，实验组与控制组的突破性创新趋势不存在系统性差异。本文采用事件研究法构建动态模型，以政策实施前1年为基准组，检验政策的动态效应。结果显示，政策实施前3年，所有时间虚拟变量的系数均不显著，且数值在0附近小幅波动，说明实验组与控制组在政策冲击前满足平行趋势假设，双重差分模型的设定有效。

从动态效应来看，政策实施当年，系数为正但不显著；政策实施后第1年起，系数开始在5%水平上显著为正，且随着时间推移，系数量级逐年递增。这一结果与突破性创新的长周期特征高度契合：金融科技政策在当期缓解了企业融资约束，但从资金投入研发到最终获得发明专利授权，需要1-3年的周期，因此政策的创新赋能效应呈现逐年递增的动态特征，进一步佐证了基准结论的可靠性。

4.4 稳健性检验

为确保基准结论的稳健性，本文开展一系列稳健性检验，结果均支持核心结论的稳定性。

第一，PSM-DID检验。为缓解试点城市与非试点城市企业的初始禀赋差异带来的自选择偏误，采用倾向得分匹配法，以所有控制变量为协变量，通过1：1最近邻四 配特征相近的控制组企业，匹配后样本通过了平衡性检验，组间系统性差异已消除。基于匹配 日，FT_DID的系数为0.134，在1%水平上显著为正，与基准结果基本一致。

第二，安慰剂检验。为排除随机因素对基准结果的干扰，通过蒙特卡洛模拟，随机打乱企业所属的试点城市与政策实施时间，人为构建虚假的政策冲击变量，重复回归 1000% 。结果显示，1000次回归得到的虚假系数服从均值为0的正态分布，而基准回归的真实系数0.138处于分布的极右侧尾部，p值接近0，说明基准结论并非由随机因素导致。

第三，替换核心解释变量。为避免单一变量测度带来的偏误，采用两个替代指标重新回归[18]：一是北京大学数字普惠金融指数的城市层面对数化指标，二是基于百度新闻关键词抓取的城市层面“金融科技”相关词频对数化指标。结果显示，两个替代指标的系数均在1%水平上显著为正，再次验证了金融科技对突破性创新的促进作用。

第四，剔除特殊样本。考虑到直辖市与深圳等超一线城市的金融资源与创新资源高度集中，可能夸大政策效应，剔除四个直辖市与深圳的企业样本后重新回归，FT_DID的系数仍在1%水平上显著为正，基准结论保持稳定。

第5章作用机制与异质性分析

5.1作用机制检验：风险承担水平的中介效应

表3报告了风险承担水平的中介效应检验结果，以验证H2。列（1）为金融科技冲击对中介变量风险承担水平的回归结果，FT_DID的系数为0.012，在1%水平上显著为正，说明金融科技政策的实施显著提升了专精特新企业的风险承担水平。列（2）将核心解释变量与中介变量同时纳入模型，结果显示，Risk的系数为1.245，在1%水平上显著为正，说明企业风险承担水平的提升显著促进了突破性创新；同时，FT_DID的系数降至0.123，仍在1%水平上显著为正，说明风险承担水平在金融科技与突破性创新之间发挥部分中介作用[5]。

进一步通过 Sobel检验与Bootstrap检验验证中介效应的显著性[3]，结果显示，Sobel检验的Z统计量为3.25，在1%水平上显著；Boostrap500次重复抽样的95%置信区间不包含0，中介效应显著成立。至此，H2得到验证，金融科技可通过提升企业风险承担水平，进而驱动专精特新企业突破性创新，本文的理论机制链条得到完整验证。

表3中介效应检验结果

注：括号内为城市层面聚类的t值；***代表1%的统计显著性水平。

5.2异质性分析

5.2.1产权性质异质性

表4列（1）与列（2）报告了产权性质的分组回归结果。在非国有企业组，FT_DID的系数为0.165，在1%水平上显著为正；而在国有企业组，FT_DID的系数为0.045，统计上不显著。组间系数差异检验的经验P值小于0.01，说明两组系数存在显著的统计学差异。这一结果与理论预期一致，非国有企业长期面临传统信贷市场的所有制歧视，金融科技的算法中立特征打破了体制信用壁垒，其带来的融资改善与创新激励效应更为显著，而国有企业的融资约束较弱，金融科技的边际赋能效应不明显。

5.2.2企业规模异质性

表4列（3）与列（4）报告了企业规模的分组回归结果，以企业总资产中位数为界，将样本划分为小规模企业组与大规模企业组。结果显示，小规模企业组中FT_DID的系数为0.182，在1%水平上显著为正；大规模企业组中FT_DID的系数为0.088，仅在5%水平上显著， 且系数 远小于小规模企业组。组间系数差异检验的经验P值小于0.05，两组差异显著。这一结果证实了金融科技的长尾效应，小规模专精特新企业是传统信贷配给的核心对象，金融科技的普惠性特征精准填补了这一市场空白，对小规模企业的创新赋能效应更为突出。至此，H3得到完整验证。

表4异质性分析结果

注：括号内为城市层面聚类的t值；***、**分别代表 1% 、5%的统计显著性水平第6章研究结论与政策启示6.1研究结论

本文以央行分批次金融科技应用试点政策为准自然实验，基于2011—2024年A股上市专精特新企业数据，通过多期双重差分模型，实证检验了金融科技对专精特新中小企业突破性创新的影响、作用机制与异质性特征。主要研究结论如下：第一，金融科技发展显著促进了专精特新中小企业的突破性创新，该结论经过平行趋势检验、PSM-DID、安慰剂检验等一系列稳健性检验后依然成立。第二，企业风险承担水平是金融科技驱动突破性创新的重要中介路径，金融科技通过缓冲垫效应与治理效应提升企业风险承担意愿，进而激励企业开展高风险的突破性研发活动。第三，金融科技的创新赋能效应存在显著异质性，在非国有企业、小规模专精特新企业中更为突出，有效纠正了传统信贷市场的所有制歧视与规模歧视，实现了金融资源的精准滴灌。

6.2政策启示

基于研究结论，本文提出如下政策建议：

第一，持续深化金融科技基础设施建设，全面推广试点经验。在总结多批次金融科技应用试点成效的基础上，加快向中西部地区与县域下沉市场推广，扩大金融科技服务的覆盖范围。由国家层面主导构建跨部门公共数据共享平台，整合工商、税务、海关、司法、水电等公共数据，打破数据孤岛，使专精特新企业的数字足迹可转化为信用资产，从根源上缓解企业融资困境。

第二，完善创新风险共担与容错机制，提升企业风险承担意愿。政策制定者需充分认识到，风险承担是突破性创新的核心前提。应通过财政贴息、风险补偿基金、政府性融资担保等方式，与金融机构、企业共同分担创新研发的风险，降低企业创新试错的后顾之忧。鼓励金融机构基于金融科技开发适配突破性创新的长周期信贷产品，放宽对科创企业不良贷款的容忍度，营造鼓励创新、宽容失败的金融环境。

第三，实施差异化的科创金融政策，实现精准滴灌。针对金融科技赋能效应的异质性特征，摒弃“大水漫灌”的政策模式，重点向非国有、小规模专精特新企业倾斜政策资源。在科创资源集中的区域设立科创金融监管沙盒，鼓励金融机构与科技企业合作，探索基于大模型、区块链技术的新型信贷审批模式，在守住不发生系统性金融风险的底线前提下，最大化释放金融科技培育新质生产力的战略红利。

参考文献

[1]黎文靖，郑曼妮.实质性创新还是策略性创新？——宏观产业政策对企业创新的影响[J].经济研究，2016，51（04）：60-73.

[2]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（01）：149-163.

[3]温忠麟，叶宝娟.中介效应分析：方法和模型发展[J].心理科学进展，2014，22（05）：731-745.

4]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.

[5]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.

[6]任缙，朱琳.数字普惠金融与专精特新企业创新：机制识别与异质性检验[J].软科学，2024，38（04）：1-8.

[7]王满，徐晨阳，何新宇.数字金融、营商环境与专精特新企业持续创新[J].上海财经大学学报，2023，25（06）：95-110.

[8]谢绚丽，沈艳，张皓星，郭峰.数字金融能促进创业吗？——来自中国的证据[J].经济学（季刊），2018，17（04）：1557-1580.

[9]何瑛，周访.高管团队异质性、股权激励与企业风险承担[J].会计研究，2019（05）：135-143.

[10] CAMERON A C， MILLER DL.A Practitioner’s Guide to Cluster-Robust Inference[J].Journal of H uman Resources， 2015， 50（2）：317-372.

[11]中国人民银行.金融科技发展规划（2019-2021年）[EB/OL].（2019-08-22）[2024-12-31].htp：//www.pbc.gov.cn/tiaofasi/144941/144979/3904751/index.html.

[12]中国人民银行.金融科技发展规划（2022-2025年）[EB/OL].（2022-01-04）[2024-12-31].htp：/www.pbc.gov.cn/tiaofasi/144941/144979/4474674/index.html.

[13]工业和信息化部.专精特新“小巨人"企业名单[EB/OL].（2019-05-20）[2024-12-31].https：//www.mit.gov.cn/jgsi/qyi/gzdt/list.htm.

[14]国泰安数据库（CSMAR）[DB/OL].深圳：深圳国泰安信息技术有限公司，

[15]Wind金融数据库[DB/OL].上海：万得信息技术股份有限公司，2024.

[16]中华人民共和国国家知识产权局.中国专利数据库（CNIPA）[DB/OL].（2024-12-31）[2024-12-31].https：//pss-system.cnipa.gov.cn.

[17]国家统计局城市社会经济调查司.中国城市统计年鉴2023[M].北京：中国统计出版社，2023

[18]北京大学数字金融研究中心.北京大学数字普惠金融指数[DB/OL].北京：北京大学，2024.

基金项目：2025年省级大学生创新创业训练计划项目《产业链视角下金融科技赋能企业技术创新的多维机制和影响效应研究》（编号：S202510621053）

作者简介：李雨欣（2003—），女，汉族，四川德阳，成都信息工程大学本科生，国际经济与贸易专业.