數字金融發展與企業去杠桿

林愛杰，梁 琦，傅國華

1 中山大學 管理學院，廣州 510275 2 海南大學 管理學院，海口 570228

引言

2008年以來，中國經濟整體債務水平和宏觀杠桿水平快速上升。債務率和杠桿率增長過快極易引發經濟危機和金融危機[1-2]。根據國家資產負債表研究中心的測算，2019年年末中國的宏觀杠桿率上升至245.400%，其中非金融企業的宏觀杠桿率為151.300%，在全球處于偏高水平。非金融企業是中國債務的大頭[3]，其中國有企業和大型企業杠桿率偏高[4-5]，而對中國經濟增長有重要貢獻的私營企業和中小企業杠桿率較低，存在突出的融資難和融資貴問題。目前中國實體經濟正面臨債務風險高、融資難和融資貴的局面，中國金融資源配置存在渠道不暢的問題。迫切需要研究如何既能將金融資源引導至資金不足的企業又不增加實體經濟的債務風險，數字金融的發展可能有助于破解這種雙重困境。

近年來，數字金融在中國呈現爆發式發展，中國數字金融市場規模在全球位居前列。數字金融為被排除在正規金融服務之外的私營企業和中小企業提供了新型融資渠道和金融服務，緩解了企業融資約束，增強了金融服務實體經濟的能力，但鮮有研究探討數字金融是否會加劇企業的債務風險。如果數字金融既緩解了企業融資約束，又降低了企業債務風險，便起到一舉兩得的作用。因此，本研究探討中國數字金融發展對企業杠桿率的影響，這對于防范和化解重大風險、深化金融供給側結構性改革、優化金融資源配置、提升中國經濟整體效率具有重要意義。

1 相關研究評述

1.1 數字金融發展的經濟后果

已有研究主要關注數字金融發展對經濟活動和傳統金融市場的影響。在經濟活動方面，數字金融發展促進了居民消費[6]，縮小了城鄉居民收入差距[7]，減少了農村生產性正規信貸需求，增加了農村消費性正規信貸需求[8]，提高了農村低收入家庭的收入[9]，通過緩解借款人的融資約束促進了創業和企業創新[10-11]。由此可見，數字金融發展對經濟活動產生了諸多積極作用。

在對傳統金融市場的影響方面，數字金融發展加劇了銀行風險承擔[12]，推動了利率市場化，對銀行的負債結構產生了顯著影響，負債結構的變化使銀行資產端的風險承擔偏好上升[13]。此外，數字金融對依賴傳統金融中介的貨幣政策效果造成沖擊[14]，削弱了貨幣政策銀行信貸渠道的有效性[15]。

1.2 金融和企業杠桿率

雖然影響企業杠桿率的因素眾多，但由于數字金融發展時間較短，關于數字金融發展和企業杠桿率的研究并不多。有少數研究關注數字金融發展與企業杠桿率之間的關系。張斌彬等[16]從數字金融的融資功能出發，闡述影響企業杠桿率的機理，認為數字金融發展優化了以間接融資為主的中國金融體系，并利用2007年至2017年滬深兩市A股上市企業數據檢驗發現，數字金融發展通過緩解企業融資約束、降低企業財務費用、提升企業內部控制和風險穩定程度來降低企業杠桿率；阮堅等[17]利用2011年至2017年滬深兩市A股上市企業數據檢驗發現，數字金融發展顯著降低了企業杠桿率；唐松等[18]同樣利用2011年至2017年滬深兩市A股上市企業數據研究發現，數字金融發展改善了企業融資環境，降低了企業通過加杠桿獲取融資的主動性需求，從而驅動企業去杠桿。

對于數字金融發展與企業杠桿率關系的研究，其研究難點在于：①研究人員通常缺乏充分的數據構建測量數字金融多種業務形態發展水平的指標體系，增加了開展相關實證研究的難度。②數字金融是新興事物，在中國的發展時間還不長，觀察數字金融發展的影響需要較長的時間，才能更準確地考察數字金融發展與企業杠桿率的關系。③從企業規模維度看，目前中國數字金融的主要服務對象是被排除在正規金融服務之外的中小企業，而該類企業數據難以收集和獲取；上市企業規模較大，融資渠道多元化，融資約束程度比中小企業低得多，但大企業并不是數字金融的主要服務對象。已有研究常用上市企業數據研究數字金融發展對其行為的影響，這與上市公司數據易獲取有關，但結果可能有誤。這些可能是導致目前數字金融發展與企業行為包括杠桿率之間關系的研究較少的重要原因。

對于前兩個研究難點，北京大學數字金融研究中心課題組利用螞蟻金服關于數字普惠金融的海量微觀數據，編制了一套2011年至2018年中國省份、城市和縣域3個層級的北京大學數字普惠金融指數，較為科學、全面和準確地刻畫了中國一段較長時間跨度的數字金融多種業態的實際發展狀況[19]，這為實證檢驗數字金融發展的影響提供了數據基礎。為克服第3個研究難點，本研究未采用上市企業數據，而是利用各省工業數據和2位數代碼制造業行業數據檢驗數字金融發展對企業杠桿率的影響。

已有研究聚焦于傳統金融和貨幣政策對企業杠桿率的影響，卻對數字金融與企業杠桿率的關系缺少關注。已有研究探討國家(地區)宏觀層面的金融結構對企業杠桿率的影響，發現金融結構市場化程度越高，企業杠桿率越低，二者呈反向關系[20-21]。曾海艦等[22]利用中國上市公司數據檢驗發現，信貸擴張為規模小、民營化程度高和擔保能力弱的公司提供了較多的銀行資金，其負債水平也顯著提高，而信貸緊縮則產生了相反的效果。

金融結構市場化有利于降低企業杠桿率，但是只有上市企業才能利用資本市場進行直接融資，中國數量龐大的非上市企業則被拒之門外。寬松型貨幣政策雖然能夠緩解企業融資約束，但抬高了企業杠桿率，增加了企業債務風險。數字金融是異于傳統金融的一種新型金融模式，雖未改變金融的本質，但具有與傳統金融不同的特性。中國是全球規模最大的數字金融市場之一，數字金融對中國實體經濟的影響應得到更多關注。

由于不同規模(大企業和中小企業)、不同所有制(國有企業和私營企業)、不同區域(中部和非中部)、不同研發投入強度(高技術行業和傳統行業)的企業之間融資約束程度存在很大差異，企業對數字金融的依賴程度可能不同，受到的影響也不同。本研究分別考察數字金融發展對不同規模、不同所有制、不同區域、不同研發投入強度的企業杠桿率的異質性影響，既反映了中國金融體系結構和實體經濟發展的特征，又體現了傳統金融與數字金融之間的相互關系。數字金融可能對不同期限的企業杠桿率產生異質性影響，本研究進一步細分短期杠桿率、長期杠桿率和債務期限并進行檢驗。

2 理論分析和研究假設

目前，中國數字金融發展最快、應用最廣的是支付、融資和投資等功能，支付功能是金融的基礎功能，也是數字金融被大眾使用最多的功能，是數字金融最主要的業務模式，針對資金供給和需求的融資和投資功能次之。

(1)與傳統的現金、支票、預付款、匯款等支付方式相比，數字金融的支付功能更加安全、高效和便捷，它打破了支付的時空束縛，加快了企業資金周轉速度，提高了資金利用效率，有利于提升企業經營績效，降低企業杠桿率。由于移動支付和電子貨幣都具有網絡規模效應，交易成本很低，隨著移動支付技術安全性的不斷提高，移動支付不僅用于日常生活中的小額支付，還用于企業間的大額支付，有可能取代現金、支票、銀行卡、信用卡等傳統支付結算手段，提高了支付結算效率，降低了支付的資金成本和時間成本[23]。以支付寶為代表的第三方支付充當了電子商務平臺上的商戶與消費者之間的交易信用中介，促使網上交易達成。數字金融其他業態，如網絡貸款、網絡眾籌和互聯網理財等也依賴于第三方支付，用戶留存在互聯網上的交易信息和其他支付記錄有助于解決互聯網中的信息不對稱問題[24]。傳統銀行利用互聯網等信息技術提高了銀行體系的支付清算效率，使交易雙方特別是資金接收方的利益得到最大程度的保障。而數字金融的支付工具和支付體系，具有某些“脫媒”和高技術特性，比傳統銀行利用互聯網技術進行創新和改進的支付工具和支付體系更加靈活、便捷、快速和高效，大幅提升了整個金融體系的支付清算效率[25]。

JACK et al.[26]利用在肯尼亞實施的一項家庭調查數據，研究基于非智能手機的移動支付工具M-PESA對家庭風險分擔的影響，發現負面收入沖擊降低了非M-PESA用戶家庭的人均消費水平，但未降低M-PESA用戶家庭的人均消費水平，M-PESA使家庭在遭受負面收入沖擊時能夠收到更多的匯款來平滑消費和消除風險的影響；SURI et al.[27]進一步研究發現，M-PESA提高了肯尼亞家庭的人均消費水平，使19.4 萬個家庭脫離極端貧困；BECK et al.[28]以M-PESA為例，構建了一個包含商業信貸約束、信息不對稱和資金易被盜3種市場摩擦的動態一般均衡模型，利用肯尼亞的企業層面數據進行校準研究，發現生產率越高且獲得商業信貸的企業，在向供應商購買投入品時越可能使用移動支付工具，使用移動支付工具反過來改善了企業的商業信貸約束，減少了企業產出損失，促進了企業成長。

(2)對數字金融的融資功能而言，與傳統金融機構只注重借款人的收入、信用記錄和資產等財務硬信息的信用評估模型不同，數字金融機構通過利用大數據、云計算和人工智能等新一代信息技術，分析和挖掘借款人在互聯網上留存的大量行為數據等軟信息，對借款人進行信用評估。新一代信息技術與過去以互聯網為主的信息技術在金融市場中發揮的作用不同，過去的信息技術只是獲取借款者的硬信息而非軟信息，這能在一定程度上打破借貸雙方的時空限制；而新一代信息技術不僅能獲得借款人的硬信息，還能挖掘借款人的軟信息，緩解借貸雙方的信息不對稱程度，有效控制信貸風險，使沒有充分硬信息的借款人也能獲得融資。曾鵬志等[29]研究發現，網貸平臺上的借款人披露的標準信息和非標準信息數量越多，越有可能獲得借款；DUARTE et al.[30]發現網貸平臺上長相看起來更值得信任的借款人獲得融資的概率更高、得到的信用評分更高、違約率更低；王會娟等[31]利用網貸平臺的交易數據檢驗發現，信用認證機制對揭示信用風險具有積極作用，借款人信用評級越高，借款成功率越高、成本越低。網貸平臺上的個人借款并非全都用于消費，部分中小企業主以個人身份在網貸平臺上借款用于企業生產經營，這有助于緩解中小企業融資約束。數字金融能夠降低處于金融需求長尾的中小企業與貸款人之間的信息不對稱程度，為中小企業提供融資能夠實現外部經濟、規模經濟和范圍經濟三重效應，從而降低金融交易成本[32]。

除了網貸平臺模式之外，另一種數字金融機構提供的網絡小額貸款利用借款人的非財務硬信息和軟信息作為信貸決策的依據，降低了借貸雙方的信息不對稱程度，加快了信貸審批效率，降低了信貸融資成本和門檻，擴大了金融服務群體，緩解了借款人的融資約束，并控制了信貸風險。中國的電商平臺生成大量可用于信用分析的商戶和消費者數據，數字金融機構能夠利用大數據技術挖掘這些數據，為具有更高事前信用風險、常被排除在傳統銀行信貸之外的借款人提供貸款，借款人的信息越多，貸款人對風險定價越精確，還能根據特定群體的風險特征調整信貸條款，對電商平臺的實時銷售監控也使數字金融機構比傳統銀行具有顯著的信息優勢，能夠對借款人進行更嚴格的篩選[33]。FUSTER et al.[34]認為數字金融貸款模式代表了一種技術創新，能夠減少抵押貸款中的摩擦，利用美國住房抵押貸款層面的數據研究發現，數字金融貸款機構的貸款審批速度比傳統貸款機構更快，而且貸款違約率比傳統貸款機構更低，表明更加快速的貸款審批未增加數字金融貸款的違約風險。數字金融通過挖掘更全面的用戶信息，降低借貸雙方的信息不對稱程度；加快信貸審批程序，減少融資成本；擴大金融服務覆蓋面，降低信貸市場準入門檻，從而緩解企業融資約束[11]。

綜上所述，數字金融通過利用大數據、云計算和人工智能等新一代信息技術，提高了信貸服務效率，減少了企業融資成本，建立了完善的風險控制體系，降低了企業與貸款人之間的信息不對稱程度，緩解了企業融資約束。優質企業能夠獲得貸款，而劣質企業被排除在授信之外，在行業層面上表現為杠杠率降低。另外，網絡貸款屬于債權融資，股權眾籌屬于股權融資。通過網絡借貸獲得的外部資金屬于企業債務，如果企業高效運用債務資金，形成有效資產，使企業利潤和總資產增加，則企業杠桿率下降，表現為企業杠桿率偏低；如果企業不能高效利用債務資金，不能形成有效資產，則企業杠桿率上升，表現為企業杠桿率偏高。目前中國網絡貸款期限大多在1年以內，以短期借款為主。企業負債包括短期負債和長期負債，較短的貸款期限影響的是企業短期杠桿率和總杠桿率，不會影響長期杠桿率，但短期杠桿率降低的同時會增加企業債務期限。數字金融中的股權眾籌提高了企業資產負債表中權益資產比例，同樣表現為企業杠桿率偏低。數字金融的投資理財功能可以為企業的閑置資金賺取額外收益，有利于增加企業資產、降低企業杠桿率。根據以上分析，本研究提出假設。

H1數字金融發展能夠降低企業總杠桿率和短期杠桿率，增加企業債務期限，但不影響長期杠桿率。

與大企業相比，中小企業由于規模有限、財務硬信息少、可抵押資產少、經營記錄不完善，與貸款人之間的信息不對稱問題更加嚴重，信息不對稱提高了傳統金融機構對中小企業的金融交易成本，導致中小企業融資難和融資貴。而數字金融具有低成本、廣覆蓋、高效率的特點，可以有效補充傳統金融服務觸及不到或不愿觸及的領域和地區，為中小企業提供普惠金融服務。大企業比中小企業具有更加多元化的融資渠道，對數字金融的依賴程度較低，而中小企業對數字金融的依賴程度較高。因此，本研究考察數字金融發展對不同規模的企業杠桿率的異質性影響。

中國是銀行主導型金融體系，信貸市場存在嚴重的所有制歧視，表現為國有企業通常能夠以較低的利率獲得銀行貸款，而私營企業難以從銀行獲得貸款，存在融資難和融資貴的問題。在中國的銀行正式貸款分配方面，對國民經濟發展做出重要貢獻的私營企業獲得的銀行正式貸款份額遠低于國有企業[35]，私營企業受到銀行信貸歧視主要是由于政治因素、規模較小和貸款政策三方面原因[36]。國有企業能夠從傳統銀行獲得更多的資金，面臨的融資約束程度較低；而私營企業由于難以從傳統銀行獲得資金，融資約束程度較高，導致私營企業比國有企業更加依賴數字金融的信貸資金。數字金融能夠緩解企業融資約束的關鍵機制在于降低借貸雙方的信息不對稱程度，而私營企業的信息不對稱問題比國有企業更加嚴重，私營企業的融資約束比國有企業更高[37]。數字金融改善私營企業信息透明度的作用高于國有企業，對私營企業融資約束的緩解作用強于國有企業，理論上對私營企業杠桿率的影響也應比國有企業更加明顯。因此，本研究考察數字金融發展對國有企業與私營企業杠桿率的異質性影響。根據以上分析，本研究提出假設。

H2數字金融發展對企業杠桿率的影響隨企業規模和所有權性質的不同而不同。

金融對經濟發展具有先導作用，金融發展有助于提高中國經濟全要素生產率[38]。長期以來中國區域發展不平衡、不協調的一個重要原因是中國區域金融發展差異巨大，金融資源在地區之間分布不平衡。根據央行發布的《中國區域金融運行報告(2018)》，2017年東部地區的社會融資規模增量占比為53.9%，中部地區該占比為20.1%，西部地區該占比為21.6%，東北地區該占比為4.4%，銀行業資產規模、金融機構網點數量和從業人員數量也呈現類似的地區分布狀況。數字金融的發展受到金融基礎設施和互聯網普及程度的影響，西部地區傳統金融資源不足，金融基礎設施落后，限制了數字金融的發展。根據中國互聯網信息中心發布的第39次《中國互聯網絡發展狀況統計報告》，2016年西部地區平均互聯網普及率為48.133%，與全國平均水平存在一定差距，這也制約了數字金融跨時空配置金融資源的作用。因此，數字金融發展對西部地區企業杠桿率的影響有限。東部地區傳統金融資源豐富，傳統金融資源配置效率較高，因此東部地區企業受數字金融發展的影響較小。根據以上分析，本研究提出假設。

H3數字金融發展對中部地區企業杠桿率的影響程度大于對非中部地區企業杠桿率的影響程度。

高技術企業通常具有知識和技術密集的特點，創新研發費用投入大，從產品研制到投放市場的周期較長，不確定因素較多且風險難以預見，這些特點加大了高技術企業的融資難度。在債權融資方面，中國是銀行主導型金融體系，銀行普遍只認可土地、房產和其他自有資產等抵押品，企業一旦出現債務違約，銀行便可以處置抵押品以挽回部分損失，這有助于克服由借貸雙方信息不對稱引發的道德風險問題，風險越高的企業被要求提供抵押品的可能性越大[39-40]。與傳統行業企業相比，高技術企業缺少實物抵押資產，在不動產抵押上不具備優勢，高技術企業的優勢在于技術創新和擁有較多的知識產權。但由于缺少權威的知識產權評估機構，知識產權抵押的實行效果并不理想，單一投資者也很難分辨其技術創新的真實性、創新程度、風險水平和應用前景，風險資本對高技術企業的支持通常局限于自己熟悉的行業和技術企業，而且存在地理親近現象[41-42]，對數量龐大、行業眾多和地理分布廣泛的高技術企業支持有限。在對銀行和金融市場融資選擇上，銀行更傾向于技術產品成熟、風險較低和資本回報穩定的傳統行業；對于依靠技術創新和產品研發的高技術行業，其技術風險和市場風險都較高，更適合在金融市場上融資[43]。

從股權融資看，盡管目前中國資本市場已經設立了中小板、創業板、新三板和科創板，但總體上對創新型高技術企業發展的支持力度還有待提升。資本市場重視實實在在的企業財務數據和硬資產，中國資本市場上市條件仍然對企業盈利有較高的要求，輕資產、知識技術密集的高技術企業比傳統行業企業上市難度更高。數字金融能夠有效識別企業的軟信息，契合了被排除在傳統債權融資和股權融資之外的高技術企業的融資需求。關于行業技術水平差異產生的異質性影響，譚小芬等[21]認為，金融結構市場化對企業杠桿率的影響在科技創新型行業顯著大于傳統行業；潘敏等[44]認為，金融中介創新對企業技術創新的影響在高技術行業更強。根據以上分析，本研究提出假設。

H4數字金融發展對高技術行業企業杠桿率的影響程度大于對傳統行業企業杠桿率的影響程度。

3 研究設計

目前中國數字金融的主要服務對象是中小企業而非大企業，中國工業企業中絕大部分是中小企業。基于數據可得性，本研究選擇2012年至2016年中國31個省份工業數據和31個2位數代碼制造業行業相關數據作為樣本。最終得到155個工業樣本和3 702個2位數代碼制造業行業樣本。參考潘敏等[44]采用國家制造業整體行業數據和國家制造業細分行業數據檢驗金融中介創新對企業技術創新及其行業異質性的研究，為了檢驗4個研究假設，本研究從兩個層面進行實證分析。①利用中國各省工業企業整體數據，從總體層面檢驗數字金融發展對各省工業企業杠桿率以及不同規模、不同所有制工業企業杠桿率的異質性影響；②利用各省2位數代碼制造業細分行業數據，檢驗數字金融發展對不同區域和不同研發投入強度的制造業行業企業杠桿率的異質性影響。

本研究采用北京大學數字金融研究中心課題組編制的數字普惠金融指數的省級數據測量各省的數字金融發展程度，該指數根據中國最大的數字金融公司螞蟻金服關于普惠金融的海量數據編制，具有代表性和可靠性，郭峰等[19]對該指數的編制過程進行了詳細說明，已有研究使用該指數研究數字金融發展對居民消費[6]、城鄉收入差距[7]、信貸需求[8]、家庭收入[9]、創業[10]和銀行行為[13]的影響。本研究選取2011年至2015年數字普惠金融指數中的總指數、覆蓋廣度指數、使用深度指數和數字化程度指數共4個指數測量不同維度的數字金融發展狀況。數字金融覆蓋越廣，該地區使用電子賬戶的人群越多，該地區整體的金融服務環境越好，企業能夠獲得更加多元化的金融服務；使用深度指數由支付業務、貨幣基金業務、信貸業務、保險業務、投資業務和征信業務指標合成，使用深度指數越高，表示該地區對各項數字金融業務的依賴程度越深；數字化程度指數反映數字金融使用的便利性和低成本優勢。工業企業杠桿率可能會反向影響各省的數字金融發展，為減弱反向因果引起的內生性問題，本研究使用所有連續型解釋變量滯后1期的數據。

參考有關企業杠桿率的研究[45]，并考慮到數據的可得性與變量之間的共線性問題，本研究選取省級層面控制變量：①金融發展水平，為銀行業金融機構各項貸款余額占GDP的比重；②融資結構，為直接融資占社會融資規模的比重，直接融資為企業債券與非金融企業境內股票融資之和；③實際加權貸款利率，等于根據1年期貸款基準利率按時間加權計算得到名義加權貸款利率，再扣除各省對應年份的CPI(上年為100)；④實際M2增長率，等于名義M2增長率扣除各省對應年份的CPI(上年為100)；⑤實際GDP增速，先利用2010年至2015年各省的CPI(2010年為100)對各省名義GDP進行平減得到實際GDP，再根據實際GDP計算出2011年至2015年各省實際GDP增速。用實際加權貸款利率和實際M2增長率反映貨幣政策對企業杠桿率的影響。國家層面控制變量：去杠桿政策，因為2015年12月召開的中央經濟工作會議提出去杠桿的結構性改革任務，去杠桿政策可能降低企業杠桿率，因此，設置年份虛擬變量，2016年去杠桿政策取值為1，其他年份取值為0。行業層面控制變量：①資產回報率，為利潤總額除以總資產；②固定資產比重，為固定資產與總資產之比，反映固定資產的抵押潛力；③所有權結構，為國家資本占實收資本的比重，因為在中國對不同所有制企業存在信貸歧視，國有企業比私營企業更容易獲得貸款，故以此變量控制所有制差異的影響。

以上數據源自《中國統計年鑒》《中國工業統計年鑒》《中國金融年鑒》和Wind數據庫。對所有的連續型變量均在1%～99%區間進行winsorize處理，以消除離群值的影響。

(1)數字金融發展與工業企業杠桿率的關系

數字金融發展與各省工業企業杠桿率的二維面板回歸模型為

Yi,t=α0+α1Indi,t-1+α2Fini,t-1+α3Diri,t-1+α4Loai,t-1+

α5M2i,t-1+α6Gdpi,t-1+α7Polt+α8Roai,t-1+

α9Fixi,t-1+α10Owni,t-1+ui+εi,t

(1)

其中，i為省，泛指大陸22個省、4個直轄市、5個自治區；t為年，即2012年至2016年共5年；Y為企業杠桿率，包括企業總杠桿率、企業短期杠桿率、企業長期杠桿率和企業債務期限，企業總杠桿率為企業總負債除以企業總資產，企業短期杠桿率為企業流動負債除以企業總資產，企業長期杠桿率為企業非流動負債除以企業總資產，企業債務期限為企業非流動負債除以企業總負債；Ind為數字金融發展程度，分別用總指數、覆蓋廣度指數、使用深度指數和數字化程度指數表征。α0為常數項，α1～α10為變量的回歸系數，ui為省份固定效應，εi,t為殘差項。其他變量含義見表1。α1的標準誤采用省級層面的聚類穩健標準誤，根據H1，被解釋變量為總杠桿率和短期杠桿率時，預期α1顯著為負。

表1 描述性統計結果Table 1 Results for Descriptive Statistics

(2)數字金融發展與制造業行業企業杠桿率的關系

制造業是實體經濟的主體，本研究根據《國民經濟行業分類》(GB/T 4754-2011)，對各省2位數代碼制造業的31個行業構建三維面板回歸模型進行實證分析。設定數字金融發展與各省2位數代碼制造業行業企業杠桿率的三維面板回歸模型為

Yi,j,s=β0+β1Indi,s-1+β2Fini,s-1+β3Diri,s-1+β4Loai,s-1+

β5M2i,s-1+β6Gdpi,s-1+β7Pols+β8Roai,j,s-1+

β9Fixi,j,s-1+β10Owni,j,s-1+vi,j+δi,j,s

(2)

其中，j為2位數代碼制造業行業；s為年，由于缺少2011年制造業行業層面的控制變量數據，取值為2013年至2016年共4年；β0為常數項，β1～β10為變量的回歸系數，vi,j為省份-行業固定效應，δi,j,s為殘差項。β1的標準誤采用省份-行業層面的聚類穩健標準誤，根據H1，被解釋變量為總杠桿率和短期杠桿率時，預期β1顯著為負。在2位數代碼制造業行業層面，行業企業杠桿率反向影響各省數字金融發展的強度大大降低，但為了最大程度地減弱可能存在的反向因果關系，所有連續型解釋變量仍然采用滯后1期數據。(1)式和(2)式均采用固定效應模型進行基準回歸估計。

表1給出變量的描述性統計結果。其中，大型工業企業總杠桿率的均值為59.786%，中位數為60.592%，大于中型工業企業和小型工業企業總杠桿率的均值和中位數，表明企業規模越小杠桿率越低；國有工業企業總杠桿率的均值為61.622%，中位數為63.939%，大于私營工業企業總杠桿率的均值和中位數。以上結果在一定程度上反映了不同規模和所有制企業的融資能力存在差異，與已有研究結果一致。

4 實證結果和分析

4.1 數字金融發展對工業企業杠桿率的影響

4.1.1 數字普惠金融指數對工業企業杠桿率的影響

根據(1)式，表2給出數字普惠金融指數對各省工業企業總杠桿率的回歸結果。表2的(1)列～(4)列分別檢驗了數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對工業企業總杠桿率的影響。在控制宏觀政策、省份和行業層面的影響因素后，數字普惠金融各指數的回歸系數均在5%水平上顯著為負，表明數字金融發展顯著降低工業企業總杠桿率，數字普惠金融總指數增長100個單位，工業企業總杠桿率降低1.700%，即數字金融越發達的省份，工業企業總杠桿率越低。各指數的回歸結果表明數字普惠金融覆蓋廣度、使用深度和數字化程度增加，都有利于降低工業企業總杠桿率。

控制變量方面，金融發展水平越高、直接融資比重越高、實際加權貸款利率越低、實際M2增長越快，工業企業總杠桿率越高；實際GDP增速對工業企業總杠桿率沒有產生顯著影響；宏觀去杠桿政策顯著降低工業企業總杠桿率，體現了去杠桿政策的有效性，有利于防控實體經濟風險和系統性金融風險。

表2 數字普惠金融指數與工業企業 總杠桿率的回歸結果Table 2 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of Industrial Enterprises

本研究進一步考察數字金融發展對各省工業企業不同期限杠桿率的異質性影響，表3給出數字普惠金融指數對工業企業短期杠桿率、企業長期杠桿率和企業債務期限的回歸結果。表3的(1)列～(4)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對工業企業短期杠桿率的影響，結果表明數字普惠金融各指數的回歸系數均在1%水平上顯著為負，表明數字金融發展顯著降低工業企業短期杠桿率，數字普惠金融總指數增長100個單位，工業企業短期杠桿率降低2.300%，大于對工業企業總杠桿率的影響。

表3 數字普惠金融指數與工業企業短期杠桿率、長期杠桿率和債務期限的回歸結果Table 3 Regression Results for Digital Financial Inclusion Indexes and Short-term Leverage Ratio, Long-term Leverage Ratio and Debt Maturity of Industrial Enterprises

本研究分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對工業企業長期杠桿率的影響，結果表明數字普惠金融各指數的回歸系數均不顯著，限于篇幅，表3的(5)列僅給出總指數的回歸結果。表3的(6)列和(7)列分別檢驗數字普惠金融總指數和數字化程度指數對工業企業債務期限的影響，數字普惠金融總指數的回歸系數在10%水平上顯著為正，數字普惠金融總指數增長100個單位，工業企業債務期限上升1.500%。數字化程度指數的回歸系數在5%水平上顯著為正，表明數字普惠金融對工業企業債務期限的顯著影響是由于數字化程度對工業企業債務期限產生了顯著影響。因覆蓋廣度指數和使用深度指數未對工業企業債務期限產生顯著影響，故未在表3中報告。綜上，數字金融發展能夠提升工業企業債務期限，是由于降低了工業企業總負債中的短期債務率，才能夠在未增加長期負債的條件下優化債務期限結構。由表3可知，數字金融發展對工業企業不同期限杠桿率的影響存在異質性，數字金融發展有助于降低工業企業總杠桿率和短期杠桿率、優化企業債務期限結構，未增加企業長期杠桿率，整體上有利于降低工業企業債務風險，H1得到驗證。

4.1.2 數字普惠金融指數對不同規模和不同所有制工業企業總杠桿率的影響

盡管數字金融發展有利于降低工業企業總杠桿率，但數字金融發展對企業總杠桿率的影響可能在不同規模的企業之間表現出異質性，表4給出數字普惠金融指數分別對大型、中型和小型工業企業總杠桿率的回歸結果。本研究分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對大型工業企業總杠桿率的影響，結果表明數字普惠金融各指數的回歸系數均為負且不顯著，限于篇幅，表4的(1)列僅給出總指數的回歸結果。(2)列～(5)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對中型工業企業總杠桿率的影響，數字普惠金融各指數的回歸系數均在10%及以上水平上顯著為負，表明數字金融發展顯著降低中型工業企業總杠桿率，數字普惠金融總指數增長100個單位，中型工業企業總杠桿率減少2.200%。(6)列～(9)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對小型工業企業總杠桿率的影響，數字普惠金融各指數的回歸系數均在5%及以上水平上顯著為負，表明數字金融發展顯著降低小型工業企業總杠桿率，數字普惠金融總指數增長100個單位，小型工業企業總杠桿率減少2.500%，大于對中型工業企業總杠桿率的影響。表4結果表明，數字金融發展對工業企業總杠桿率的降低程度隨著企業規模的減小而增大，顯著性水平也增高，充分說明數字金融的主要服務對象是中小企業，H2得到部分驗證。

本研究進一步考察數字金融發展對不同所有制工業企業總杠桿率的異質性影響，實證結果表明，數字普惠金融各指數對國有工業企業和私營工業企業總杠桿率的回歸系數為負但均不顯著，故未報告回歸結果。總杠桿率中包含了企業長期杠桿率，但由表3可知，數字普惠金融總指數對工業企業長期杠桿率沒有顯著影響，后文將考察數字金融發展對國有工業企業和私營工業企業短期杠桿率的異質性影響。

表4 數字普惠金融指數與大型工業企業、中型工業企業和小型工業企業總杠桿率的回歸結果Table 4 Regression Results for Digital Financial Indusion Indexes and Total Leverage Ratio of Large, Medium and Small Industrial Enterprises

4.2 數字金融發展對制造業行業企業總杠桿率的影響

4.2.1 數字普惠金融指數對制造業行業企業總杠桿率的影響

根據(2)式，表5給出數字普惠金融指數對各省2位數代碼制造業行業企業總杠桿率的回歸結果。表5的(1)列～(4)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對2位數代碼制造業行業企業總杠桿率的影響，結果表明數字普惠金融各指數對2位數代碼制造業行業企業總杠桿率的回歸系數均在1%水平上顯著為負，表明數字金融發展顯著降低2位數代碼制造業行業企業總杠桿率，數字普惠金融總指數增長100個單位，2位數代碼制造業行業企業總杠桿率減少2.600%。

4.2.2 數字普惠金融指數對不同區域制造業行業企業總杠桿率的影響

本研究進一步考察數字金融發展對2位數代碼制造業行業企業總杠桿率的影響在不同區域之間是否存在異質性。表6給出數字普惠金融指數分別對中部地區和非中部地區省份2位數代碼制造業行業企業總杠桿率的回歸結果，(1)列～(4)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對中部地區省份2位數代碼制造業行業企業總杠桿率的影響，數字普惠金融各指數的回歸系數均在1%水平上顯著為負，表明數字金融發展顯著降低中部地區省份2位數代碼制造業行業企業總杠桿率，數字普惠金融總指數增長100個單位，中部地區省份2位數代碼制造業行業企業總杠桿率減少5.700%。(5)列～(8)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對非中部地區省份2位數代碼制造業行業企業總杠桿率的影響，數字普惠金融各指數的回歸系數均在5%及以上水平上顯著為負，表明數字金融發展顯著降低非中部地區省份2位數代碼制造業行業企業總杠桿率，數字普惠金融總指數增長100個單位，非中部地區省份2位數代碼制造業行業企業總杠桿率減少2.100%。

表5 數字普惠金融指數與2位數代碼 制造業行業企業總杠桿率的回歸結果Table 5 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of Two-digit Manufacturing Enterprises

表6 數字普惠金融指數與中部地區和非中部地區2位數代碼制造業行業企業總杠桿率的回歸結果Table 6 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of Two-digit Manufacturing Enterprises in the Central and Non-central Region of China

由表6可知，數字金融發展對中部地區省份制造業行業企業總杠桿率的降低程度大于非中部地區省份，H3得到部分驗證。根據郭峰等[19]對2011年至2018年中國數字普惠金融發展現狀的分析，中部地區數字普惠金融發展出現崛起的趨勢，增速遠超東北地區和西部地區，全國各地區之間的數字金融發展存在一定差距。這與本研究結果一致，體現了數字金融的普惠價值。

4.2.3 數字普惠金融指數對不同研發投入強度的制造業行業企業總杠桿率的影響

本研究檢驗數字金融發展對制造業行業企業總杠桿率的影響在高技術行業企業和傳統行業企業之間是否存在異質性。表7給出數字普惠金融指數分別對高技術行業企業和傳統行業企業總杠桿率的回歸結果，(1)列～(4)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對高技術行業企業總杠桿率的影響，數字普惠金融各指數的回歸系數均在5%水平上顯著為負，表明數字金融發展顯著降低高技術行業企業總杠桿率，數字普惠金融總指數增長100個單位，高技術行業企業總杠桿率減少3.500%。(5)列～(8)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對傳統行業企業總杠桿率的影響，數字普惠金融各指數的回歸系數均在5%及以上水平上顯著為負，表明數字金融發展顯著降低傳統行業企業總杠桿率，數字普惠金融總指數增長100個單位，傳統行業企業總杠桿率減少2.200%，小于對高技術行業企業總杠桿率的影響。另外，從覆蓋廣度指數、使用深度指數和數字化程度指數的回歸系數看，每個指數對高技術行業企業總杠桿率的降低程度均大于對傳統行業企業總杠桿率的降低程度。因此，數字金融發展對高技術行業企業總杠桿率的降低程度大于對傳統行業的降低程度，H4得到驗證。

5 內生性檢驗和穩健性檢驗

5.1 內生性檢驗

為避免內生性問題，本研究將所有的解釋變量滯后1期，這在一定程度上能緩解反向因果造成的內生性問題。雖然已經控制了宏觀、省份和行業層面影響杠桿率的因素，但是仍可能存在遺漏變量帶來的內生性問題。因此，本研究利用工具變量兩階段最小二乘法(IV-2SLS)進行內生性檢驗，采用《中國統計年鑒》公布的省級電話普及率、移動電話普及率和互聯網普及率作為數字金融各指數的工具變量。一方面，電話、移動電話和互聯網是數字金融得以快速發展的基礎設施，與數字金融發展密切相關；另一方面，在控制了宏觀、省份和行業層面影響杠桿率的因素后，電話普及率、移動電話普及率、互聯網普及率與工業企業債務不存在直接關聯。因此，電話普及率、移動電話普及率和互聯網普及率可以構成一組有效的工具變量。

表7 數字普惠金融指數與高技術行業企業和傳統制造業行業企業總杠桿率的回歸結果Table 7 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of High-tech and Traditional Manufacturing Enterprises

數字普惠金融總指數是本研究首要關注的變量，利用IV-2SLS檢驗數字普惠金融總指數對工業企業總杠桿率、短期杠桿率、長期杠桿率和債務期限的影響，結果見表8。由表8可知，工具變量全部通過識別不足檢驗、弱識別檢驗和過度識別檢驗等有效性檢驗，而異方差穩健的內生性檢驗統計量的相伴概率分別為0.986、0.064、0.062和0.051，均在5%的顯著性水平上接受不存在內生性的原假設，因此，本研究原模型設定不存在嚴重的內生性問題，前文根據固定效應模型估計得到的基準結果具有穩健性。

為進一步加強該結論的可靠性，本研究繼續檢驗數字普惠金融的覆蓋廣度指數、使用深度指數和數字化程度指數與工業企業短期杠桿率和債務期限的內生性問題。在滿足工具變量有效性檢驗的前提下，就短期杠桿率而言，覆蓋廣度指數、使用深度指數和數字化程度指數對應的異方差穩健的內生性檢驗統計量分別為4.361、1.422和2.392，相伴概率分別為0.037、0.233和0.122，覆蓋廣度指數的回歸系數在IV-2SLS估計下在10%水平上顯著為負，未改變固定效應模型估計的結果。就債務期限而言，覆蓋廣度指數、使用深度指數和數字化程度指數對應的異方差穩健的內生性檢驗統計量分別為4.774、2.117和3.109，相伴概率分別為0.029、0.146和0.078，覆蓋廣度指數的回歸系數在IV-2SLS估計下不顯著，未改變固定效應模型估計的結果。因此，本研究根據固定效應模型估計得到的數字金融發展與工業企業杠桿率的關系是穩健的。

表8 數字普惠金融指數與工業企業 杠桿率的回歸結果: IV-2SLS估計Table 8 Regression Results for Digital Financial Inclusion Indexes and Leverage Ratio of Industrial Enterprises:IV-2SLS Estimation

5.2 穩健性檢驗

5.2.1 數字金融發展與短期杠桿率的關系

為加強本研究實證結果的穩健性，繼續檢驗數字普惠金融指數對不同規模、不同所有制、不同區域和不同行業企業短期杠桿率和債務期限的異質性影響，仍采用固定效應模型進行回歸估計。

本研究首先檢驗數字普惠金融指數對不同規模、不同所有制、不同區域和不同行業企業短期杠桿率的異質性影響。實證結果表明，數字普惠金融各指數對工業企業和2位數代碼制造業行業企業短期杠桿率的異質性影響與數字普惠金融各指數對總杠桿率的異質性影響在多數維度下相似，因此不做重復報告，僅給出在不同所有制維度下的回歸結果，表9給出數字普惠金融指數分別對國有工業企業和私營工業企業短期杠桿率的回歸結果。表9的(1)列～(4)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對國有工業企業短期杠桿率的影響，數字普惠金融總指數、覆蓋廣度指數、數字化程度指數的回歸系數均在5%水平上顯著為負，而使用深度指數的回歸系數為負但不顯著，表明總體上數字金融發展顯著降低國有工業企業短期杠桿率，數字普惠金融總指數增長100個單位，國有工業企業短期杠桿率減少1.600%。表9的(5)列～(8)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對私營工業企業短期杠桿率的影響，數字普惠金融各指數的回歸系數均在5%水平上顯著為負，表明數字金融發展顯著降低私營工業企業短期杠桿率，數字普惠金融總指數增長100個單位，私營工業企業短期杠桿率減少2.500%。使用深度指數對國有工業企業短期杠桿率的回歸系數為負但不顯著，對私營工業企業短期杠桿率的回歸系數顯著為負，表明數字金融使用深度增加，國有工業企業短期杠桿率未受到顯著影響，但降低了私營工業企業短期杠桿率。此外，數字普惠金融總指數、覆蓋廣度指數和數字化程度指數對私營工業企業短期杠桿率的回歸系數絕對值均大于對國有工業企業短期杠桿率的回歸系數絕對值，表明數字金融發展對私營工業企業短期杠桿率的降低程度均大于對國有工業企業的降低程度，H2得到驗證。由表9可知，國有工業企業擁有正規金融為主的服務渠道，對數字金融依賴程度較低，數字金融發展更有利于降低私營工業企業的短期債務風險，充分體現了數字金融對私營工業企業的支持作用，彰顯了數字金融的普惠價值。

表9 數字普惠金融指數與國有工業企業和私營工業企業短期杠桿率的回歸結果Table 9 Regression Results for Digital Financial Inclusion Indexes and Short-term Leverage Ratio of State-owned and Private Industrial Enterprises

表10 數字普惠金融指數與小型工業企業和高技術行業企業債務期限的回歸結果Table 10 Regression Results for Digital Financial Inclusion Indexes and Debt Maturity of Small Industrial Enterprises and High-tech Manufacturing Enterprises

5.2.2 數字金融發展與債務期限的關系

本研究檢驗數字普惠金融指數對不同規模、不同所有制、不同區域和不同行業企業債務期限的異質性影響，僅給出數字普惠金融各指數回歸系數同時顯著的實證結果，見表10。表10的(1)列～(4)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對小型工業企業債務期限的影響，數字普惠金融各指數對小型工業企業債務期限的回歸系數均顯著為正，表明數字金融發展顯著提高小型工業企業債務期限，H2得到驗證。(5)列～(8)列分別檢驗數字普惠金融總指數、覆蓋廣度指數、使用深度指數和數字化程度指數對高技術行業企業債務期限的影響，數字普惠金融各指數對高技術行業企業債務期限的回歸系數均顯著為正，表明數字金融發展顯著增加高技術行業企業債務期限，H4得到驗證。

6 結論

本研究以2012年至2016年中國31個省(自治區、直轄市)的工業和制造業行業相關數據為樣本，檢驗數字金融發展對企業杠桿率的影響。研究結果表明，①數字金融發展顯著降低工業企業和2位數代碼制造業行業企業的總杠桿率和短期杠桿率，增加了債務期限，而對長期杠桿率沒有產生顯著影響，即數字金融發展沒有增加企業的杠桿率，反而優化了企業債務期限結構，降低了企業的債務風險。②數字金融發展對企業總杠桿率和短期杠桿率的影響在不同規模、不同所有制、不同區域和不同研發投入強度的企業之間表現出異質性。③在企業規模維度，數字金融發展顯著降低了中小型企業的總杠桿率，未降低大型企業的總杠桿率。④在所有制維度，數字金融發展顯著降低了國有工業企業和私營工業企業短期杠桿率，對私營工業企業的降低程度大于國有工業企業。⑤在區域維度，數字金融發展對中部地區省份企業總杠桿率的降低作用最強，大于非中部地區。⑥在行業研發投入強度維度，數字金融發展對高技術行業企業總杠桿率的降低程度大于對傳統制造業行業企業。綜上所述，數字金融發展既能緩解私營企業、中小企業、中部地區省份企業和高技術行業企業的融資約束，又能降低實體經濟的債務風險，體現出數字金融的普惠價值。

本研究結果具有一定的政策啟示。

(1)發展數字金融有助于深化金融供給側結構性改革。中國的金融資源配置傾向于國有企業、大企業、非中部地區企業和傳統制造業行業企業，深化金融供給側結構性改革的側重點之一是要增強金融服務于私營企業、中小企業、中部地區省份企業和高技術行業企業的能力，后者的融資約束程度更高，對數字金融的依賴程度也更大。政府的相關政策要規范、引導和支持數字金融的發展，一方面，要加強對數字金融機構的監管，嚴控數字金融機構自身的風險；另一方面，對專注于為私營企業、中小企業、中部地區省份企業和高技術行業企業等金融弱勢群體提供金融服務且發展良好的數字金融機構給予一定的政策支持，鼓勵數字金融機構與金融弱勢群體精準對接，有利于提升中國整體的金融資源配置效率和經濟發展效益。

(2)發展數字金融有助于防范和化解重大風險。防范和化解重大風險是黨的十九大以來確立的三大攻堅戰之首，實體經濟健康發展是防范和化解風險的基礎，要在穩增長的基礎上防風險。本研究發現，數字金融發展并沒有增加企業杠桿率，反而優化了企業債務期限結構，降低了企業的債務風險，尤其是短期債務風險。這表明數字金融發展既能緩解企業融資約束、促進實體經濟增長，又能降低實體經濟的債務風險，發揮一舉兩得的作用。能夠產生這種效果的重要原因之一是數字金融機構利用數字技術分析和挖掘借款人的軟信息進而緩解信息不對稱問題，企業要充分認識到數據的信用價值，重視數據資產建設，提高數據治理和管理能力，有利于緩解企業的融資約束，降低信貸融資雙方的交易成本，控制債務風險。

(3)傳統金融機構要加快與數字技術融合的步伐，實現數字化轉型。本研究采用的數字普惠金融指數是根據數字金融機構利用數字技術開展的金融業務數據編制，未包含傳統金融機構利用數字技術開展的金融業務活動。與傳統金融機構尤其是中小型金融機構相比，目前中國的數字金融公司在數字金融領域領先一步。傳統金融機構要積極應對數字化浪潮，加快提升金融服務效率，擴大金融服務覆蓋面，降低金融服務準入門檻和成本，這將有力推動中國數字金融快速發展，中小企業等劣勢群體的融資難、融資貴問題能進一步得到切實有效的解決。

本研究仍存在一些不足之處。①由于2018年及之后年份的《中國工業統計年鑒》尚未出版，本研究實證檢驗所用的數據時間跨度較小，無法反映經濟周期對數字金融發展與企業杠桿率之間關系的影響，若未來出版該年鑒后續年份數據，可以拉長時間跨度重新檢驗二者的關系；②由于《中國工業統計年鑒》中只有省份數據，沒有城市層面的工業企業和制造業行業企業數據，本研究無法更加細致地從城市層面檢驗數字金融發展與企業杠桿率的關系；③本研究采用中國工業企業和制造業行業企業層面數據而非微觀企業層面的數據，未能正面考察數字金融發展對企業杠桿率影響的傳導機制，未來將考慮利用中國微觀企業數據繼續展開深入研究。