科技金融对高新技术企业全要素生产率的影响研究.docx

科技金融对高新技术企业全要素生产率的影响研究于静（湖南大学金融与统计学院，湖南省长沙市，410006）捕吴：本文将2011年和2016年两批“促进科技和金融结合试点”建设作为准自然实脸，基于2010-2020年中小板和科创板高新技术企业数据，运用多时点DlD模型实证检脸了科技金融试点政策对高新技术企业全要素生产率的影响效果及其机制。研究结果表明，科技金融试点政策显著提升了高新技术企业全要素生产率。影响机制检脸表明，科技金触试点政策对高新技术企业全要素生产率的提升作用通过资金融通和创新激励路径实现。异质性检验表明，科技金融试点政策对国有和成长期高新技术企业全要素生产率的促进作用更加明显。关健词：科技金融：高新技术企业；全要素生产率中图分类号：F8文献标识码：A一、引言目前我国经济正由高速发展阶段迈向高质量发展阶段,单纯依靠资本、劳动力等传统要素驱动的经济增长模式难以为继，不断推动要素投入向结构效率转变，实现全要素生产率增长对经济转型发展至关重要。作为创新引领发展的新引擎，高新技术企业不仅体现着国家自主创新能力，更是全要素生产率增长的重要推动力量。近年来，为支持我国高新技术企业高质量发展，一系列科技金融政策密集出台，2011年开始实施的“促进科技和金融结合试点”政策标志着我国科技金融工作进入深化发展阶段，为探讨科技金融对高新技术企业高质量发展的影响提供了独特的研究契机。现阶段“促进科技和金融结合试点”政策是否有效促进了高新技术企业全要素生产率提升、推动企业高质量发展，以及通过何种机制影响企业全要素生产率都是值得关注的问题，对我国经济高质量发展具有重要的现实价值。科技金融是随着科技创新不断发展起来的，科技金融发展与科技金融政策的出台不仅可以促进宏观经济增长（韩军强，2019）口和产业结构优化升级（陈亚男等，2017），还能对微观企业创新（Amoreetal.,2013）、资金融通（顾海峰和卞雨晨，2020）和企业竞争力（程翔等，2020）等产生积极效应。从本文研究主题出发，己有文献多聚焦于科技金融试点政策对企业创新（吴净，2022）和数字化转型（陈振权等，2021）的积极影响。另外，在主流全要素生产率测算方法的基础上，如何有效提升企业全要素生产率始终为学术界密切关注。不少学者指出研发投入（Griliches,1986）'、金融发展（Brownetal.,2009）、资本市场开放（Larrain&Slumpner,2017）等都会对企业全要素生产率产生积极效应。鉴于此，本文可能的边际贡献为：第一，本文基于资金融通和创新激励视角，从微观企业层面考察科技金融试点政策效果，关注高新技术企业发展质量，延伸研究的逻辑链条至企业全要素生产率，拓展了研究视角和深度。第二，已有研究多探讨首批科技金融试点的政策效应，本文采取逐年PSM和多时点DlD相结合的方法研究两批试点政策的综合影响，结果更具说服力。二、理论分析与研究假设（一）科技金融试点政策与企业全要索生产率“促进科技和金融结合试点”政策旨在探索科技资源与金融资源对接的新机制，以促进科技型企业高质量发展，并通过多种机制影响高新技术企业全要素生产率。一方面，政策要求试点地区探索科技投入新方式、加快金融产品与服务创新、拓宽科技创新领域融资渠道,有助于进一步缓解高新技术企业所面临的融资约束，进而提高企业全要素生产率（任曙明和吕镯，2014）,1另一方面，实施优惠政策、完善创新风险分散机制、吸引优质专业人才等一系列措施，能激励企业加大研发投入、开展自主创新。相较于其他企业，高新技术企业研发投入对生产率的边际贡献更大，研发投入的增加对全要素生产率的正向作用更显著（毛德凤等，2013）,2综合上述分析，提出本文核心假设如下：Hl:“促进科技和金融结合试点”政策有利于高新技术企业全要素生产率提升。（二）科技金融试点政策影响企业全要素生产率的机制一是资金融通机制。“促进科技和金融结合试点”政策的实施意味着政府加大对科技创新的投入，有助于缓解企业所面临的融资约束。首先，拓宽企业融资渠道。促进科技和金融结合试点实施方案指出，“构建多元化、多层次、多渠道的投融资体系，为处于不同生命周期的企业提供差异化融资支持”，拓宽了高新技术企业融资渠道，有助于提高企业资源配置效率，进而有效地推动企业全要素生产率提升。其次，降低企业融资成本。“建立科技专家库评估创新成果，利用新兴技术完善企业信用体系”，有利于解决资金提供者与需求者间的信任问题，缓解因信息不对称等导致的外部融资溢价，降低企业融资成本。最后，优化融资环境。科技金融政策可以促进金融市要素资源标准化发展，推动市场规则和制度完善，这提升了资本市场的融资质量；同时完善科技金融中介服务体系，有利于改善高新技术企业面临的信息不对称问题，为缓解融资约束提供了一定帮助。从企业内部看，融资约束的缓解有助于优化企业内部资源配置，促使资源流向高效率生产部门，高效率生产活动进一步带动闲置资源的流通，提升企业资源的总体使用效率，从而提升全要素生产率。从外部环境看，资金提供者会形成外部监督和约束作用，直接或间接帮助企业筛选最优研发项目，降低企业研发失败率，提高企业自主研发的积极性，进而对全要素生产率产生积极影响。二是创新激励机制。“促进科技和金融结合试点”政策的实施促使企业创新主要体现在三个方面：第一，激励企业加大研发投入。“充分发挥政府带头作用，引导金融机构积极参与科技创新，实施优惠政策鼓励企业自主创新”，这一举措既会强化高新技术企业加大研发投入的信心，又给外部投资者传递强烈的政策信号，引导资金流向企业，将有利于企业加快创新成果转化，从而实现全要素生产率的提升。第二，分散风险。试点政策提出“建立自主创新产品风险分散机制”，为高新技术企业提供综合保险服务，很大程度上分散了企业研发投资和成果转化过程中的风险，促使企业将精力集中在创新活动中，提升创新效率。第三,优化企业人力资本。试点地区对高新技术企业员工开展技术培训，并依托国家重大人才工程和高校优质人才,吸引高素养创新人才,促使企业人力资本的优化及高质量人力资本的积累，有利于企业创新能力和科技成果转化能力的提高。创新活动不仅能促使技术积累，还能改变生产方式，是企业全要素生产率提升的重要力量。基于上述分析，提出研究假设如下：H2:“促进科技和金融结合试点”政策会通过资金融通和创新激励机制促使企业全要素生产率提升。三、研究设计（一）模型设定由于我国分别于2011年和2016年开展两批科技和金融结合试点，各地区政策实施时间不一致，因此本文构建多时点DID模型，分析“促进科技和金融结合试点”政策的微观企业效应。多时点DID模型具体如下：Tfpit=÷STreciJpostit+Controlit+6+仰+生（1）其中，TfPit为企业i在第t年的全要素生产率，Tre砒yOSM为核心解释变量，若企业i在第I年受到科技金融试点政策影响，t年及之后年份TreajPoStiC取值为1,否则取值为0；ControG为企业层面和地区层面控制变量;&为企业个体固定效应,t为时间固定效应，以消除个体及时间差异的影响；为误差项。（二）变量选取与数据来源L被解释变量：企业全要素生产率（Tfp）。本文选用OP法和LP法测算样本高新技术企业全要素生产率，所涉及的主要变量为总产出、资本投入和劳动力投入，分别以企业营业收入、固定资产净额和支付给职工以及为职工支付的现金表示。两种方法最主要的区别是OP法使用企业投资作为不可观测的全要素生产率变动的代理变量，而LP法使用中间投入作为代理变量。2 .核心解释变量：科技金融试点政策（Treat_post）。本文将“促进科技和金融结合试点政策”视为一项准自然实验，Treat_PoS?为政策虚拟变量，衡量政策实施的净效应。若企业i在第t年受到科技金融政策冲击，t年及之后年份Treat_PoS包取值为1,否则取值为Oo3 .控制变量。参考已有文献,在企业层面,本文选取企业规模（SiZe）、资产负债率（Lev）、总资产净利润率（Roa）、有形资产占比（Tangible）、人力资本（Cash）作为控制变量。在城市层面，选取地区金融水平（Fin）、产业结构（TS）、对外开放（OPen）、财政科技支出（Tec）作为控制变量。4 .中介变量。一是以SA指数衡量企业面临的融资约束，计算公式为：SA=-0.737*Size+0.043*Size2-0.04*Age,其中Size为企业规模，Age为企业年龄，以当年年份-企业成立年份度量。二是企业创新水平（Inno）,以企业当年研发投入表示。本文主要从微观企业层面研究科技和金融结合试点政策实施效果，所使用的企业数据均来源于国泰安（CSMAR）数据库，主要包括企业基本情况、财务情况、经营情况等，所使用的城市数据均来源于中国城市统计年鉴（2011-2021）o另外，选取在2010-2020年间通过国家高新技术企业认定的中小板和创业板上市高新技术企业作为样本更具有代表性，并对企业层面数据做如下处理：第一，剔除ST、*ST及PT类公司，避免因企业财务状况异常影响估计结果的准确性。第二，剔除2010年2020年企业关键财务变量缺失的样本。最终将企业层面数据与企业所在城市数据进行匹配，整理形成城市企业层面的非平衡面板数据。变量描述性统计见表Io表1变量描述性统计变量ObsMeanStd.Dev.MinMaxTfpop61813.43970.57681.58456.1467Tfp_lp61817.80640.80605.719111.1775Treat_post61810.45350.497901Size618112.42730.93059.814817.0000Lev61810.34100.20570.00754.5963Roa61810.03570.0878-1.88020.3789Tangible61810.91280.09500.18921Cash61819.53881.07176.243714.6885Fin61811.45420.76560.26379.0121TS61810.49250.09610.18810.8049Open61810.00430.004200.0299Tec61810.04150.02700.00130.1627三、实证结果分析（一）基准回归结果表2为科技金融试点政策影响高新技术企业全要素生产率的回归结果，其中列（1）-列（3）均使用个体和时间双向固定效应。从结果看，在列（1）中，本文仅加入核心解释变量Treat_post,其估计系数显著为正，表明科技金融试点政策显著促进了高新技术企业全要素生产率提升。在此基础上，在列（2）中加入一系列公司层面控制变量，R2由0.0608变为0.2749,模型整体解释力增强；同时核心解释变量Treat_post估计系数仍然在5%水平上显著为正。列（3）进一步加入地区层面控制变量，以控制地区层面因素对回归结果的可能影响，结果显示，核心解释变量Treal_p。St估计系数为0.0481,系数大小和显著性均未发生明显变化，说明科技金融试点政策对支持企业全要素生产率的提升作用依旧稳健。另外，列（1）-列（3）核心解释变量的估计系数较为接近，在一定程度上表明估计结果具有一定的稳健性。总体而言，科技金融试点政策对高新技术企业全要素生产率具有显著的正向影响，验证了本文研究假设Hlo从结果的经济含义看，以列（2）为例，treat_PoSt估计系数为0.0481,由变量描述性统计可知，高新技术企业全要素生产率的平均值为3.4132,则在科技金融试点政策实施之后，支持企业的全要素生产率平均而言提升L40机表2基准回归结果变量(1)Tfp_op(2)Tfp_op(3)Tfp_op0.0647*0.0490*0.0481*treat_post(2.4899)(2.1500)(2.2145)Constant3.5586*0.5581*0.7134*(211.6231)(1.7891)(2.3029)公司层面控制变量否是是地区层面控制变量否否是时间固定效应是是是个体固定效应是是是样本量618161816181R20.06080.27490.2766注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10%水平上显著。（二）稳健性检验1 .平行趋势假设检验使用双重差分模型的重要前提是在政策实施之前处理组和对照组企业的分布趋势不存在明显差异，即满足平行趋势假定。平行趋势假设检验结果见图1。结果表明，在科技金融试点政策实施之前，处理组和对照组企业的全要素生产率分布趋势不存在明显差异，说明样本满足平行趋势假设，可以进行多时点双重差分估计。而试点政策实施之后，处理组企业的全要素生产率显著高于对照组企业，政策对处理组企业全要素生产率产生了显著的正向影响,且实施效果具有长期性和动态性。图1平行趋势检验图2 .基于PSM-DID方法的检验为解决自选择偏误及内生性问题，本文选用PSNHHD相结合的方法作为稳健性检验。在倾向得分法匹配过程中，本文采用逐期匹配方法，即匹配时仅在同一年的对照组个体中寻找最合适的匹配；同时为保证匹配质量，使用最近邻匹配（1:1）与卡尺匹配（0.05）相结合的匹配方法。图2绘制了匹配前后的倾向得分核密度图，与匹配前核密度图相比，匹配后处理组和对照组的核密度曲线偏差缩小，且均值线距离缩短，这表明匹配效果较好，在一定程度上降低了样本选择性偏差。图2匹配前后核密度图将匹配后样本进行多时点双重差分估计，结果见表3。从结果可以看出，列（1）-列（3）核心解释变量Treat_post估计系数未出现明显变化，说明科技金融试点政策对支持企业全要素生产率的提升作用较为稳健。总体来看，PSM-DID回归结果与表2回归结果基本一致,在一定程度上表明基准回归结果稳健。表3PSM-DlD回归结果变量(1)Tfp_op(2)Tfp_op(3)Tfp_op0.0640*0.0499*0.0508*treat_post(2.3757)(2.1608)(2.3268)Constant3.5625*0.5966*0.7513*(235.8711)(1.8819)(2.3820)公司层面控制变量否是是地区层面控制变量否否是时间固定效应是是是个体固定效应是是是样本量618161816181R20.07000.28000.2818注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10%水平上显著。3.安慰剂检验本文通过虚构科技金融试点政策实施时间进行安慰剂检验。具体而言，选择政策实施前1年和后2年作为“伪政策时点”，利用模型（1）检验虚构的科技金融试点政策对富新技术企业全要素率的影响，结果见表4所示。结果显示，当使用“伪政策时点”后，核心解释变量Ireat_post的估计系数都变得不显著，表明本文的回归结果不是由随机因素导致的，具有一定的稳健性，科技金融试点政策确实促进了企业全要素生产率的提升。表4安慰剂检验结果变量提前1年Tfp_op推迟2年Tfp_op0.03260.0217treat_post(1.1678)(0.9261)Constant0.3961*0.7030*(11.3797)(2.2710)控制变量是是时间固定效应是是个体固定效应是是样本量61816181R20.27580.2759注：*表示在1%水平上显著，4.替换被解释变量*表示在5%水平上显著，*表示在10%水平上显著。为检验基准回归结果的稳健性，本文利用LP方法测算的企业全要素生产率作为被解释变量对基准模型重新估计，结果见表5。利用LP方法测算的企业全要素生产率作为被解释变量，列（1）-列（3）核心解释变量treat_posl的估计结果依旧显著，表明基准回归结果稳健。表5替换被解释变量变量(1)Tfp_lp(2)Tfp_lp(3)TfpJptreatpost0.0855*0.0462*0.0460*(2.4931)(2.5886)(2.5040)Constant7.4476*1.1315*1.3984*(354.6270)(7.7820)(9.0281)公司层面控制变量否是是地区层面控制变量否否是时间固定效应是是是个体固定效应是是是样本量618161816181R20.32160.61080.6128注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10%水平上显著。（）影响机制检验1.资金融通机制资金融通机制实证检验结果见表6。第（1）列为基准模型回归结果，第（2）列被解释变量为企业面临的融资约束SA指数，核心解释变量Treat_pOSt的估计系数显著为负，表明科技金融试点政策的实施缓解了企业融资约束，促进了企业资金融通。第（3）列将科技金融试点政策虚拟变量与企业融资约束SA指数同时引入模型，结果显示核心解释变量Treat_post的估计系数为0.0458,在5%的统计水平下显著；SA估计系数为-0.4393,在10%的统计水平下显著；同时试点政策虚拟变量treajpost的估计系数从0.0481降到0.0458,说明资金融通中介效应存在，并且是部分中介效应，即“促进科技和金融结合试点”政策通过缓解企业融资约束促进了其全要素生产率的提升。表6资金融通机制变量(1)Tfp_op(2)SA(3)Tfp_op0.0481*-0.0053*0.0458*Treat_post(2.2145)(-2.1383)(2.0901)SA-0.4393*(-1.7730)Constant0.7134*-7.6122*-2.6309(2.3029)(-363.9600)(-1.3499)控制变量是是是个体固定效应是是是时间固定效应是是是样本量618161816181R20.27660.94100.2796注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10里水平上显著。2.创新激励机制表7汇报了创新激励机制的中介效应回归结果。第（2）列被解释变量为企业创新水平，核心解释变量Treat_posl的估计系数为0.0912,在5%的统计水平下显著，表明试点政策的实施显著促进了企业创新。列（3）被解释变量为企业全要素生产率，科技金融试点政策Treat一PoSt、企业创新Inno的估计系数分别为0.0359、0.1289,均在一定统计水平下显著，说明企业创新中介效应存在。另外，Treat_p。St的估计系数从0.0481降到0.0359,这说明存在部分中介效应，即“促进科技和金融结合试点”政策通过促进企业技术创新提升了其全要素生产率。表7创新激励机制变量(1)Tfp_op(2)Inno(3)Tfp_op0.0481*0.0912*0.0359*Treat_post(2.2145)0420)(2.1847)0.1289*0A(16.2160)0.7134*-2.5963*1.0605*Constant(2.3029)(-5.3765)(7.5704)控制变量是是是个体固定效应是是是时间固定效应是是是样本量618161816181R20.27660.68550.3098注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10%水平上显著。（四）异质性分析1.企业所有制异质性分析当政府通过政策引导与支持企业发展的过程中，不同所有制类型的企业所受到的支持程度可能存在较大的差异。因此，本文考虑企业所有制因素，进一步分析科技金融试点政策对不同所有制企业全要素生产率的影响。本文将样本划分为国有企业和非国有企业，使用模型（1）分样本进行回归，结果见表8。结果显示，国有企业Treat_pOSt估计系数为0.0498,在5%统计水平下显著，表明科技金融试点政策的实施显著促进了国有企业全要素生产率的提升,而非国有企业估计系数并不显著。这可能是由于国有企业在科技金融试点城市建设过程中获得了更多的优惠性资源支持，其全要素生产率提升更为明显；而非国有企业本身全要素生产率水平较高，要想达到预期的政策效果可能还需要投入更多的资源。表8企业所有制异质性分析变量国有企业Tfp.op非国有企业Tfp_opTreatpost0.0498*0.0267(2.0384)(0.6006)0.8104*0.0547Constant(2.3982)(0.0742)控制变量是是个体固定效应是是时间固定效应是是样本量19164265R20.26840.4065注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10%水平上显著。2.企业生命周期异质性分析企业所处生命周期不同，其经营、发展等综合能力各不相同，可能会导致科技金融试点政策对处于不同生命周期的企业产生异质性的影响。基于此,本文将样本企业划分为成长期、成熟期、衰退期三个不同的发展阶段，并使用模型（1）分样本进行回归，结果见表9。结果显示，科技金融试点政策显著促进了成长期企业全要素生产率的提升，然而对成熟期、衰退期企业的作用效果并不显著。这一结果是由成长期企业规模扩张需要长期而稳定的外部资金支持的特点所导致的。表9企业生命周期异质性分析变量成长期Tfp_op成熟期Tfp_op衰退期Tfp_opTreat_post0.0729*0.0231-0.0056(2.4947)(0.7507)(-0.0421)0.9630*0.4620-0.5610Constant(2.5975)(0.9239)(-0.5064)控制变量是是是个体固定效应是是是时间固定效应是是是样本量30142449718R20.29760.29060.2474注：*表示在1%水平上显著，*表示在5%水平上显著，*表示在10%水平上显著。四、结论与对策建议本文以2011年和2016年实施的“促进科技和金融结合试点”政策为切入点，研究科技金融试点政策与高新技术企业全要素生产率间的内在联系。首先，基于资金融通、创新激励和公司治理视角，阐述科技金融试点政策对企业全要素生产率的微观作用机理。其次，立足于我国科技金融试点政策和高新技术企业现实特征，构建多时点双重差分模型，实证检验科技金融试点政策对高新技术企业全要素生产率的影响。另外，从企业所有制和生命周期角度分析科技金融试点政策对不同高新技术企业全要素生产率的异质性影响。研究结果表明，第一，“促进科技和金融结合试点”政策显著提升了高新技术企业全要素生产率，在科技金融试点政策实施之后，支持企业的全要素生产率平均而言提升1.401这一结论在PSM-DID模型、构造虚拟政策试点、替换被解释变量等一系列检验下依然稳健成立。第二，影响机制检验结果表明，科技金融试点政策对高新技术企业全要素生产率的提升作用是通过资金融通、创新激励和公司治理路径实现的。第三，科技金融试点政策对高新技术企业全要素生产率的提升效果在不同所有制和生命周期下存在明显差异。研究结论具有以下政策启示：首先,健全科技金融政策体系。其一,根据各地区特色形成差异化的科技金融发展模式。结合各地区的区位优势、资源禀赋和科技发展水平，将各地区高新技术企业特征与科技金融政策紧密结合，构建具有区域特色的科技金融体系。其二，在制定与推行科技金融政策时，充分考虑不同发展阶段的企业特征，提升政策措施与企业生命周期的匹配度。其三，制定科技金融政策时，要正确认识政府政策调控和市场自动调节的互补关系。科技和金融的深度结合发展不能仅仅依靠各级政府的重视程度，科技金融具有自身独特的发展规律，既离不开金融资源投入，也离不开科技创新的市场回报。其次，增强企业技术创新能力。科技金融政策安排和企业经营管理者均应重视技术创新在提升全要素生产率过程中发挥的作用。一方面，政府部门充分发挥科技金融政策作用，精准化支持高新技术企业技术创新，解决“卡脖子”问题。对于国有企业，要引导企业通过市场机制提高资源利用率；对于非国有企业，在科技金融政策支持方面处于弱势地位，应进一步破除企业所有制身份桎梏，完善市场准入、项目审批、金融财税等方面的配套政策，加强对非国有企业技术创新资金的政策倾斜。另一方面，中小高新技术企业应充分抓住科技金融发展的机遇，强化自主创新能力和风险管理能力，及时了解科技金融政策信息与动态，积极寻求政策支持。同时有效利用科技金融资源，加大科技创新和专业化发展力度，通过凝聚人才、产学研合作、竞争式合作创新等方式研发“专精特新”产品，充分利用科技金融支撑平台激发自身创新潜力。最后，强化金融服务有效供给。在做强、做优科技风险投资公司、科技金融服务公司、科技担保公司等科技金融专营机构的同时，大力推动资本市场、债券市场、知识产权等中介服务市场发展，有效发挥发挥多层次资本市场对高新技术企业的直接融资作用，完善全链条的、覆盖高新技术企业全生命周期的融资体系。在鼓励传统金融机构创新的同时发展新兴金融业态，以适应科技创新及高新技术企业高速发展的节奏。适度发展股权投资基金、供应链金融、融资租赁等新兴金融业态，拓宽中小高新技术企业融资渠道。孝考文献1韩军强.科技金融发展能够提高中国经济增长质量吗?基于空间杜宾模型的实证研究J科技管理研究，2019,39(14):42-47.2陈亚男，包慧娜.科技金融发展对产业结构升级影响的实证分析J.统计与决策,2017(15):170-173.3AmoreMD,SchneiderC,2aIdokasA.CreditsupplyandcorporateinnovationJ.JournalofFinanciaIEconomics,2013,109(3):835-855.4顾海峰，卞雨尽.科技-金融耦合协同提升了企业融资效率吗?基于中国755家科技型上市公司的证据.统计与信息论坛，2020,35(09):94-109.5程翔，张瑞，张峰.科技金融政策是否提升了企业竞争力？来自商新技术上市公司的证据J经济与管理研究,2020,41(08):131-144.6吴净.科技金融对民营企业创新的影响一基于国家科技与金融结合试点城市建设的准自然实跄J金融理论与实践，2020,486(01)：27-32.7陈振权，李大伟，吴非.科技金融政策、企业生命周期与数字化技术应用基于“科技和金融结合试点”的准自然实验J.南方金融,2021(09)：3-19.8 GriIichesZ.Productivity,RandD,andBasicResearchattheFirmLeveIinthe1970'sJ.TheAmericanEconomicReview,1986,76(1):141-154.9 BrownJR,FazzariSM,PetersenBC.FinancingInnovationandGrowth:CashFlow,ExternalEquity,andthe1990sR&DBoomJ.TheJournaIofFinance,2009,64(1):151-185.10 LarrainM,StumpnerS.CapitalAccountLiberalizationandAggregateProductivity:TheRoleofFirmCapifaIAllocationJ.TheJournalofFinance,2017,72(4):1825-1858.11任曙明，吕镯融资约束、政府补贴与全要素生产率来自中国装备制造企业的实证研究J.管理世界，2014,(11):10-23+187.12毛德凤，李静，彭飞等.研发投入与企业全要素生产率基于PSM和GPS的检脸J.财经研究,2013,39(04):134-144.ResearchontheImpactofScienceandTechnologyFinanceontheTotalFactorProductivityofHigh-techEnterprisesYuJing(CollegeofFinanceandStatistics,HunanUniversity,ChangShaHunan,410006)Abstract：Thispapertakestheconstructionof"promotingthecombinationofscienceandfinancepilotprojects"in2011and2016asaquasi-naturalexperiment.Basedonthedataofhigh-techenterprisesonthesmallandmedium-sizedboardandthescienceandtechnologyinnovationboardfrom2010to2020,thispaperempiricallyteststheeffectandmechanismofthepilotpoliciesofscienceandtechnologyfinanceonthetotalfactorproductivityofhigh-techenterprisesbyusingthemulti-timepointDIDmodel.Theresultsshowthatthepilotpolicyofscienceandtechnologyfinancesignificantlyimprovesthetotalfactorproductivityofhigh-techenterprises.Theinfluencemechanismtestshowsthattheeffectofthepilotpolicyofscienceandtechnologyfinanceonthetotalfactorproductivityofhigh-techenterprisesisrealizedthroughthefinancingandinnovationincentivepaths.Theheterogeneitytestshowsthatthescienceandtechnologyfinancepilotpolicieshaveamoresignificantpromotingeffectonthetotalfactorproductivityofstate-ownedandgrowinghigh-techenterprises.Keywords:Scienceandtechnologyfinance;High-techenterprises;Totalfactorproductivity