本文以长三角城市群26个城市2011~2021年中国A股上市公司为样本，所使用的数据主要为企业财务数据和金融科技数据。其中，企业财务数据来自于CSMAR数据库。金融科技数据来源于北京大学的数字金融研究中心发布的“北京大学数字普惠金融指数”。借鉴已有研究，对数据样本做以下处理：1) 剔除金融类上市企业的样本；2) 剔除在样本期间内ST、*ST类公司样本；3) 对连续变量进行1%和99%的Winsorize处理。最终得到6371个观测样本。

企业成长即企业未来发展的潜力，通常体现为企业市场占有率的增加、盈利能力的提升、资产规模的增长等等。已有研究中，度量企业成长的指标包括营业收入、托宾Q值、资产总额、就业人数等 [10] [11] 。在公司价值角度，企业成长就是企业获取投资回报的能力和持续经营的价值。托宾Q值是市场价值与重置价值之比，高Q值的企业通常有着更多的投资机会与成长性。因此，本文以托宾Q值作为企业成长(Growth)的度量指标。

对于金融科技发展水平的度量，一些学者选取文本挖掘法，通过构建词库、统计关键词在搜索引擎中的出现频次、确定权重等步骤得出指标。但由于关键词选取、搜索方式等差别不免会造成指标生成的差异与偏误。也有学者采用北京大学数字普惠金融指数作为度量指标，该指标基于蚂蚁金服提供的底层数据，运用分布式计算等技术从多个维度构建而成，已成为研究金融科技相关课题的主要数据。由此，本文借鉴孟娜娜等 [12] 的研究，选取城市级数字普惠金融指数来衡量金融科技发展程度(FinTech)。

影响企业成长的因素复杂多样，参考已有研究，本文对以下变量进行控制：企业年龄(Age)、企业规模(Size)、企业盈利能力(ROA)、企业杠杆率(LEV)、董事会规模(Board)、独立董事比例(InDep)、第一大股东持股比例(TOP1)、固定资产占比(PPE)。

为了研究金融科技对企业成长的影响，本文参考已有的关于企业成长的研究 [13] [14] ，通过控制年份效应和行业效应构建双向固定效应模型，基于2011~2021年长三角城市群26个城市的A股上市公司的数据设计如下计量模型：

${\text{Growth}}_{i,t}=\alpha +{\beta }_{\text{1}}{\text{FinTech}}_{i,t}+{\beta }_{\text{2}}{\text{Controls}}_{i,t}+\text{Year}\_\text{Effects}+\text{Industry}\_\text{Effects}+{\epsilon }_{i,t}$

其中， ${\text{Growth}}_{i,t}$表示企业i在t年度的成长情况， ${\text{FinTech}}_{i,t}$表示企业i所在城市在t年度的金融科技发展水平， ${\text{Controls}}_{i,t}$为上述控制变量，Year_Effects表示年份固定效应，Industry_Effects表示行业固定效应， ${\epsilon }_{i,t}$为随机误差项。若核心解释变量FinTech的估计系数β₁显著且为正，则表示金融科技的发展能够促进企业成长。

表1 为样本的变量描述性统计。由 表1 得，企业成长(Growth)的最大值为8.094，最小值为0.868，标准差为1.256，最大值与最小值的差距以及标准差的值都很大，可知企业之间的成长性存在着显著差距。金融科技的发展水平(FinTech)均值为5.449，数据变化范围为4.345~5.885，可知长三角城市群26个城市之间的金融科技的发展水平存在着差异。并且从该指数的一级维度指标金融科技的覆盖广度(Coverage)的数据来看，仍然可以看出长三角城市群不同城市金融科技发展水平的差异性。企业盈利能力(ROA)最小值为−0.195，最大值为0.228，均值为0.051，可知样本中部分企业的盈利能力不高，个别公司甚至存在亏损的情况。

表2 为金融科技(FinTech)对企业成长(Growth)的回归结果。 表2 的列(1)表明，金融科技的回归系数为0.330，t值为10.01，且在1%的水平下显著为正，可初步认为金融科技发展水平有助于推动企业成长。列(2)是加入控制变量之后的回归结果，列(3)为加入控制变量且固定时间效应后的回归结果，列(2)与列(3)中金融科技的系数分别为0.422和1.725，均在1%的水平下显著为正，皆可说明金融科技的发展水平对企业成长有着显著的正向影响。列(4)在列(3)的基础上加入了行业控制效应，金融科技的估计系数为1.299，t值下降至6.32，虽然估计系数略有下降，但仍在1%的水平下显著为正。综上， 表2 的回归结果表明，金融科技的发展能够显著促进企业成长，验证了本研究的假设1。金融科技丰富了传统金融服务的形式和领域，有助于改善企业外部的金融生态环境，缓解企业和金融机构间的信息不对称，提高企业的融资效率，这都对企业成长大有裨益。

注：括号内为t值，***、**、*分别表示在1%、5%、10%置信水平下显著，下同。

为验证回归结果的稳健性，本文采取将解释变量滞后一期、替换解释变量这两种方法进行检验。

企业的发展状况不仅仅会受到当期因素的影响，也会受前期因素的影响。金融科技对企业成长所发挥的作用可能存在滞后性。因此，本文借鉴姜付秀等 [15] 的研究，使用滞后一期的金融科技指数进行回归。与前文的回归一致， 表3 中列(1)至列(4)为逐步加入控制变量、时间固定效应和行业固定效应的估计结果。 表3 中的回归结果均表明，滞后一期的解释变量(L. FinTech)的回归系数在1%的置信水平下显著为正，验证了本文研究结果的稳健性。

本文的基准回归中以北京大学数字普惠金融指数作为金融科技的度量指标，该指数的一级维度指标金融科技的覆盖广度(Coverage)也能够体现一个地区金融科技的发展水平。因此，本文将金融科技的覆盖广度作为替代变量进行稳健性检验。由 表4 可知，在金融科技指标被替换之后，解释变量的回归系数仍然在1%的置信水平下显著为正，进一步验证了实证结论的稳健性。

上文检验了金融科技对企业成长的影响，考虑到企业自身属性差别可能会导致金融科技发挥作用的差异性，本文构建模型2，通过区分企业所有制性质、企业规模展开进一步研究。

${\text{Growth}}_{i,t}=\alpha +{\beta }_{\text{1}}{\text{FinTech}}_{i,t}+{\beta }_{\text{2}}{\text{Controls}}_{i,t}+{\beta }_{\text{3}}{\text{Dummy}}_{i,t}+\text{Year}\_\text{Effects}+\text{Industry}\_\text{Effects}+{\epsilon }_{i,t}$

其中， ${\text{Dummy}}_{i,t}$为哑变量，主要包括企业的所有权性质、企业规模，其他变量与模型1一致。

表5 的列(1)和列(2)分别表示国有企业(Dummy = 1)和民营企业(Dummy = 0)的回归结果。由表知，金融科技的估计系数在国有企业和民营企业的的样本组中分别是1.262和1.551，均在1%的水平上显著，但民营企业的回归系数更大。由此可知，相较于国有企业，金融科技能够对民营企业的成长性起到更为明显的促进作用。可能的原因在于，国有企业由于资产实力和融资渠道等方面优势而具备成长的稳健性，因此对金融科技的敏感性较低。但民营企业易面临经营风险、融资约束等困境，所以能够从金融科技的发展中获益更大，具备对金融科技更高的敏感性。

表5 的列(3)和列(4)考察了企业规模的异质性，基于企业规模的中位数将样本分为较大规模企业(Dummy = 1)和较小规模企业(Dummy = 0)两组类别。回归结果显示，两组类别中金融科技的估计系数均显著为正，且较大规模企业的回归系数略大于较小规模企业的回归系数。由此可得，较大规模企业对金融科技的敏感性更高，更受益于金融科技的发展。这可能是因为小规模企业对于新技术、新业态的接收与消化能力相对较慢，而大企业自身的规模优势及信息敏感性使其更易接触并运用金融科技。因此，金融科技能够对较大规模企业的成长性带去更强的促进作用。

综上可知，金融科技的发展对民营企业和较大规模企业会产生更强的影响，验证了本研究的假设2。