數字普惠金融對債券信用利差的影響研究

■張雪瑩 劉茵偉 于露

一、引言

我國已成為全球第二大債券市場，債券種類也日益豐富。但由于我國債券市場起步較晚，存在諸多不完善之處，例如信息透明度低和政府隱性擔保等問題，在一定程度上阻礙了債券市場融資效率的提高。尤其是中小企業債券融資往往面臨較高的融資成本。2016年，G20 杭州峰會首次提出數字普惠金融的概念。數字普惠金融即借助互聯網技術，立足于機會平等、可持續的原則，為有金融服務需求的社會各階層和群體提供適當的、有效的金融服務[1]，對于緩解金融市場信息不對稱和降低金融市場融資成本等問題具有重要意義。近年來，國家高度重視普惠金融的發展，例如：2013年11月，黨的十八屆三中全會通過的《中共中央關于全面深化改革若干重大問題的決定》提出發展普惠金融的理念；2015年底，國務院在《推進普惠金融發展規劃（2016—2020）》中明確提出大力發展普惠金融以向社會各階層和群體提供有效金融服務；2021年十三屆全國人大四次會議指出要運用金融科技和大數據降低服務成本，增強數字普惠金融支持實體經濟的精準性。在過去的普惠金融實踐中，銀行是實施普惠金融戰略的主力軍，雖然取得了一定成效，但仍然面臨著一系列的現實問題。近年來，以移動互聯網、大數據、云計算、人工智能、區塊鏈等為代表的金融科技飛速發展，金融科技與普惠金融高度融合，數字普惠金融取得長足進步。數字普惠金融的發展對于解決傳統普惠金融所存在的問題具有重要意義。債券市場作為中國多層次資本市場的重要組成部分，不僅為國家貨幣政策和財政政策奠定了市場化基礎，還為中央政府、企業、金融機構等提供了便利的融資渠道。數字技術對債券市場的業務模式、流程與產品研發有著極其深遠的影響，對于提高債券市場效率、降低運行成本、增強債券市場透明度等具有重要意義。在此背景下，考察數字普惠金融對債券市場發展的影響至關重要。

與已有文獻相比，本文主要有以下幾點創新之處：第一，拓展了債券定價方面的研究。已有文獻發現影響債券信用利差的因素主要有政府隱性擔保[2，3]、會計信息質量[4，5]、契約條款[6，7]、市場違約事件[8，9]等，本文考察了數字普惠金融發展對債券定價的影響。第二，深化了數字普惠金融的影響研究。已有文獻主要闡述了數字普惠金融與經濟增長[10]、收入分配[11]、精準扶貧[12]、居民消費[13，14]以及企業創新[15]等的關系，本文則考察了數字普惠金融與債券信用利差的關系。第三，本文進一步考察了數字普惠金融對債券信用利差影響的異質性，這在當下中小企業融資難以及區域發展不均衡的背景下具有較強的現實意義。第四，在債券違約日益常態化的背景下，本文考察了數字普惠金融對債券市場整體違約風險程度的調節效應，提出了具有針對性的債券違約處置建議。

二、文獻綜述與研究假設

數字普惠金融的重點體現在“數字”和“普惠”兩個方面。“數字”主要是指互聯網相關技術，互聯網技術的應用對于緩解金融市場中的信息不對稱問題至關重要；“普惠”主要指立足于機會平等的原則，為需要金融服務的群體特別是中小企業提供適當的金融服務。因此，數字普惠金融會通過緩解信息不對稱和其“普惠”特征兩個渠道來影響我國的債券市場。

信息不對稱對債券融資成本有重要影響。我國債券市場透明度相對較低，存在著較為嚴重的信息不對稱問題。信息不對稱會導致“道德風險”和“逆向選擇”問題，進而對債券融資成本產生重要影響。其中，“道德風險”是一種“事后”的信息不對稱，是指在交易協定簽訂后，交易雙方中具有信息優勢的一方，可能會為了自身利益最大化而損害到對方利益的風險。投資者和債券發行人相比，債券發行人往往是有信息優勢的一方，其在獲取投資者的資金后，為了自身利益最大化，可能會違背資金使用的本意，而從事一些高風險的經營活動。從而導致債券發行人有可能到期無法償還本息，進而損害投資者的利益。為緩解道德風險問題，投資者往往要求債券發行人給予一定的風險補償，導致債券融資成本提高。“逆向選擇”是一種“事前”的信息不對稱，就本文的研究而言，由于較多企業財務信息披露不完全，投資者有時候不能夠很好地分辨債券發行企業資質的好壞，因此，投資者會要求一定的風險補償，從而推高整體債券融資成本，但這可能對好的企業造成“誤傷”。信息不對稱的存在會嚴重損害資本市場運作效率，因此，緩解債券市場中的信息不對稱問題對于降低債券市場融資成本具有重要意義。較多的學者經研究發現，信息不對稱的降低能夠顯著降低債券融資成本。例如，何志剛等[16]以2002—2014年發行的城投債數據為樣本，采用真實利息成本模型，探討了包含信用評級、承銷商認證以及擔保機制在內的第三方金融認證對緩解城投債發行市場的信息不對稱的效果，發現金融認證機制有助于緩解債券融資的信息不對稱，降低債券融資成本。周宏等[17]基于2008—2016年的債券數據研究發現，良好的公司治理能通過降低管理者與投資者之間的信息不對稱來減少債券的信用利差。數字普惠金融能借助大數據、云計算、人工智能等技術，對海量企業的商務數據、信用數據等進行充分的挖掘、分析和處理，極大緩解了信息不對稱問題[1]。數字普惠金融的發展有利于大幅降低征信成本、風控成本、金融交易成本。為此，本文提出如下研究假設：

H1：數字普惠金融能夠顯著降低債券信用利差。

數字普惠金融的普惠特征對不同產權、是否上市公司的債券信用利差可能產生不同影響。長期以來，我國市場主體普遍存在政府剛性兌付預期，而且傳統金融體制遵循“二八定律”的原則，導致過多的資金流向了大型國有企業，而數量眾多的中小民營企業難以獲得銀行貸款，加之近年來債券市場民企債違約事件層出不窮，民營企業融資約束問題愈加凸顯。2018年11月國家發展改革委為解決民營企業融資難的問題，積極研究出臺政策措施，助力民營企業通過債券市場開展市場化融資，拓寬民營企業融資渠道。有學者研究發現，數字普惠金融有利于民營企業發展。萬佳彧等[18]研究發現，數字普惠金融的發展有利于緩解中小民營企業為代表的長尾市場①的融資約束問題。首先，作為一種外部改善機制，相較于可以輕易獲取銀行貸款且自身資金充沛的大型國有企業來講，數字普惠金融的發展對民企債利差具有更好的降低作用。其次，相較于資金來源廣泛的上市公司來講，眾多的非上市公司的融資渠道較為狹窄。同時，相比于非上市公司來說，投資者更容易獲取上市公司的信息，所以上市公司所發行債券的透明度更高，投資者面臨的逆向選擇成本更低[19，20]。數字普惠金融對于拓寬非上市公司的融資渠道和緩解非上市公司的信息不對稱問題的作用更加顯著，進而對非上市公司的債券信用利差作用效果更強。最后，數字普惠金融以中小企業等弱勢群體為重點服務對象。這也會通過“信號傳遞效應”增強投資者對中小企業的認可，有利于引導資金向中小企業轉移，進而有利于降低中小企業的融資成本。由此，本文提出如下研究假說：

H2：與國企債和上市公司債相比，數字普惠金融的發展對民企債和非上市公司債信用利差的降低效果更明顯。

市場化發展程度以及地域狀況會影響數字普惠金融的實施效果。郭峰等[1]運用全局Moran 指數和局部Moran指數檢驗了數字普惠金融的空間集聚性和空間依賴性。雖然數字金融在理論上可以具有某種超地理特征，但在現實中并不能完全擺脫地理限制。造成這種現象的原因在于：相較于發達的東部地區，中西部地區由于經濟實力相對較弱、傳統金融機構相對不完善、網絡基礎建設狀況較差以及市場化指數較低等，導致數字普惠金融發展的空間相對有限。由此，本文提出如下研究假說：

H3：市場化程度高的地區受數字普惠金融的影響更顯著。相較于中西部地區，東部地區受數字普惠金融的影響更大。

三、數據與模型設定

（一）樣本選取與數據來源

本文以2011—2018年在滬深交易所債券市場發生過交易的公司債和企業債為研究對象。按照如下標準對初始樣本中的債券數據進行處理：剔除跨市場交易的重復債券；剔除浮動利率債券，只保留固定利率債券；由于債券評級為AA-以下的樣本占總樣本的比重過小，本文只考察AAA、AA+、AA、AA-四個評級的債券；剔除剩余期限不足兩個月的債券；剔除金融行業發行的債券；由于中外合資企業債券、公眾企業債券、外商獨資企業債券和集體企業債券的樣本量較小，本文也將其剔除，只保留中央國有企業債券、地方國有企業債券和民營企業債券；最后，剔除數據缺失較為嚴重的樣本。本文用個券日度數據的月末收盤到期收益率數據與無風險國債到期收益率進行匹配得到月度債券信用利差，且鑒于普惠金融指數只有年度數據，將各變量求平均值轉化為年度數據。對樣本進行處理后，最終得到1674只債券共4853個年度觀測值。

本文所用到的公司財務數據、宏觀層面的變量、無風險國債到期收益率數據來自Wind數據庫；債券層面的數據，主要是日度數據，來自Resset 數據庫；數字普惠金融指數等數據來自北京大學數字普惠金融指數，同時為剔除異常值對回歸結果的影響，對最終用于回歸的連續變量使用Winsor2 命令進行1%的雙邊縮尾處理。

（二）模型設定

為檢驗數字普惠金融指數對債券信用利差的影響，本文設計如下基準計量模型：

其中，被解釋變量SPi,t為債券信用利差，本文借鑒大多數學者的做法，計算每只債券的到期收益率yi,t與同期相同剩余期限國債到期收益率yGB i,t之差得到每一時點t各只債券i的信用利差，即：

Digital為數字普惠金融指數。該指數由北京大學數字金融研究中心課題組編制，包括數字普惠金融指數、數字金融覆蓋廣度、數字金融使用深度以及普惠金融數字化程度，此外使用深度指數中還包含支付、信貸、保險、信用、投資、貨幣基金等業務分類指數。指數范圍涵蓋中國31 個省（直轄市、自治區，簡稱“省”），部分地區數據存在缺失，暫未包括港澳臺地區數據。若假設H1成立，即數字普惠金融指數越高，債券信用利差越低，則β1＜0。

Controls 為控制變量，具體包括：公司層面的變量，如是否為上市公司、發債公司所在地、總資產報酬率、資產負債率等；債券層面的變量，包括債項評級、債券期限、發行規模等；同時考慮到債券違約對信用利差產生了重要影響，違約變量在債券定價中不可忽視，為此，本文基于Wind 數據庫對市場整體債券違約數目進行了統計和整理，以此表征市場整體違約程度。τi表示時間固定效應，μi表示行業固定效應，εi,t為誤差項。具體變量定義如表1所示。

表1 變量定義

根據表2的描述性統計結果可知，信用利差的平均值為2.246，數字普惠金融指數的平均值（取對數）為0.918。產權和信用評級的平均值分別為0.658 和2.835，說明本文的樣本中的國企債樣本和AA 評級以上的樣本占比較大。其余變量均在合理范圍內，此處不再贅述。

表2 描述性統計

四、回歸結果與分析

（一）基準回歸結果

基準回歸結果如表3所示。表3（1）列只使用了核心解釋變量即數字普惠金融指數；（2）列和（3）列在（1）列基礎上，分別加入了公司層面和債券層面的控制變量；（4）列將各變量共同加入回歸模型。實證結果顯示：數字普惠金融指數在1%的水平上顯著為負，說明數字普惠金融的發展能夠顯著降低債券信用利差，證實了假說H1成立。同時，由表3（4）列的回歸結果得知，Default 的回歸系數顯著為正，說明債券違約會抬升債券信用利差；Listed 與State 的回歸系數顯著為負，說明上市公司與國有企業屬性能夠顯著降低債券信用利差。

表3 基準回歸結果

（二）異質性檢驗

數字普惠金融發展對不同產權、是否上市公司債券信用利差的影響可能存在差異。本文進一步將回歸樣本劃分為國企債樣本組與民企債樣本組以及上市公司債樣本組和非上市公司債樣本組。分別考察兩對樣本組中數字普惠金融發展指數變量回歸系數的顯著性水平與回歸系數差異水平，以此來分析數字普惠金融發展的異質性影響，回歸結果如表4所示。由表4可知，各樣本組中數字普惠金融變量均在1%的水平上顯著為負，說明數字普惠金融能夠在整體上降低債券的信用利差，體現了數字普惠金融普惠的特征。不同分組樣本中，數字普惠金融的回歸系數大小存在顯著差異，與國企債、上市公司債相比，數字普惠金融的發展對民企債和非上市公司債的利差降低效果更強，顯著緩解了民營企業和非上市公司的融資約束問題。支持了假說H2。

表4 企業異質性檢驗

數字普惠金融受到市場發展水平、經濟發展水平和地理位置的影響。根據市場化指數的均值，本文將市場化指數大于均值的地區稱為高市場化指數地區，反之則是低市場化指數地區。同時，本文進一步按照地理位置和經濟發展狀況把中國劃分為東部地區和中西部地區，以此來考察數字普惠金融指數對債券信用利差的異質性影響，回歸結果如表5所示。由表5可知，不同樣本組之間的回歸系數存在顯著差異：在市場化指數高的地區，數字普惠金融對債券信用利差有顯著影響；而在市場化程度低的地區，數字普惠金融指數變量不顯著。從區域差異視角來看，數字普惠金融對東部地區債券信用利差的影響效果更大，對中部地區的影響次之，對西部地區的影響最小。這與本文的研究假說H3一致。

表5 市場環境、區域差異檢驗

（三）穩健性檢驗

本文通過替換數字普惠金融發展指數代理變量、檢驗遺漏變量問題以及內生性檢驗對回歸結果進行了穩健性分析。

首先，替換數字普惠金融指數變量。本文使用北京大學數字金融研究中心提供的數字普惠金融深度指數、數字普惠金融廣度指數以及普惠金融數字化程度對數字普惠金融指數進行替換。

其次，關于遺漏變量對回歸結果的影響問題。近年來，債券違約事件愈演愈烈。大規模債券違約事件的發生，會使得流動性對債券信用利差影響顯著增強[21，22]。本文基于Resset 數據庫中的日度數據計算個券流動性水平，記債券流動性變量為Amihud。

最后，個券信用利差的變動一般不會影響數字普惠金融政策，即數字普惠金融政策可能是外生的。為了避免債券信用利差與數字普惠金融之間出現雙向因果關系，克服模型的內生性問題，本文借鑒謝絢麗等[23]使用的各省互聯網普及率數據表作為工具變量進行兩階段最小二乘回歸（TSLS），互聯網普及率數據是根據中國互聯網絡信息中心（CNNIC）發布的統計報告及公開數據整理而成的。

穩健性檢驗結果如表6所示。在各種檢驗形式下，核心解釋變量的系數符號與顯著性水平未發生明顯改變，說明本文的回歸結論是穩健的。在遺漏變量檢驗中，流動性對債券信用利差的影響顯著為正，說明流動性對債券定價產生了重要影響，與王永欽等[24]的研究結果一致。

表6 被解釋變量替換與遺漏變量的穩健性分析

五、擴展性分析

（一）數字普惠金融深度指標進一步分析

隨著金融服務的不斷創新發展，金融服務已呈現多元化和多層次發展的特征，數字普惠金融指數也發生了顯著的變化。北京大學數字金融研究中心課題組[25]認為數字金融使用深度的增長成為數字普惠金融指數增長的重要驅動力。我國數字普惠金融已進入深度拓展的新階段，因此深入研究數字金融深度指標對債券信用利差的影響至關重要。數字金融深度指標包括支付（Payment）、保險（Insurance）、貨幣基金（Fund）、投資（Invest）、信貸（Credit）等業務分類指數。各分類指數對債券信用利差影響的回歸結果如表7所示。研究發現，數字金融使用深度指數的各子類發展均顯著降低了債券的信用利差，這進一步證實了數字普惠金融發展對債券信用利差影響的穩健性。

表7 數字金融使用深度子類對債券信用利差的影響

（二）數字普惠金融對債券違約風險的調節效應

自2014年“11超日債”違約以來，違約對債券市場發展產生了深遠持久的影響，尤其是2018年以后，金融監管趨嚴，債券違約規模呈爆發式增長。2020年11月，遼寧省國資委旗下重點國有企業華晨汽車集團控股有限公司發行的“17 華汽05 債”以及擁有AAA 評級的河南省國企永城煤電控股集團有限公司旗下債券“20永煤SCP003”發生的“超預期違約”事件，在一定程度上沖擊了債券市場穩定。我國債券違約處置機制雖在持續完善但仍有不足，如何加強債券市場風險防范能力是一個亟待解決的問題。借鑒王敘果等[9]的做法，本文進一步用債券違約金額（每月新增債券違約金額和違約利息之和）來度量債券市場整體違約程度。本文將債券違約規模超過其均值的時期定義為高違約程度時期，反之則為低違約程度時期。

回歸結果如表8所示。結果表明，在兩種債券違約度量方式下，相較于債券違約程度較低的時期，數字普惠金融在債券違約程度較高的時期對債券信用利差的影響更大，說明數字普惠金融的發展有助于緩和債券市場違約對債券信用利差的影響，這使得發展數字普惠金融在當今債券違約日益常態化的背景下具有重要的現實意義。

表8 不同債券違約程度時期數字普惠金融對債券信用利差的影響

六、研究結論與政策建議

基于滬深交易所債券數據，本文考察了數字普惠金融對債券信用利差的影響，發現數字普惠金融顯著降低了債券信用利差，尤其是顯著降低了民企債和非上市公司債的信用利差，有效緩解了長尾市場的融資約束問題。進一步研究發現數字普惠金融指數發展對債券信用利差的影響受到市場化程度的制約，由于東部地區相較于中西部地區擁有更好的經濟發展水平、更豐富的傳統金融機構以及更發達的網絡體系，數字普惠金融對東部地區債券信用利差的降低作用更加明顯。同時，在債券違約頻發的背景下，數字普惠金融顯著降低了市場整體違約狀況對債券信用利差的影響，有利于債券市場平穩運行。基于此，本文提出以下政策建議：

第一，由于數字普惠金融能夠顯著降低債券信用利差，緩解長尾市場融資約束問題，降低債券違約影響，國家應進一步加強對數字普惠金融的政策支持，提高數字金融的覆蓋廣度、使用深度和數字化程度，以實現包容性發展，提高金融服務實體經濟的效率，維護金融市場穩定性。第二，考慮到互聯網使用狀況對數字普惠金融有顯著的促進作用，應繼續加強互聯網基礎設施建設，尤其是加強中西部地區的互聯網建設，同時進一步深入實施西部大開發戰略，加強中西部地區的金融市場基礎設施建設，從而充分發揮數字普惠金融在中西部地區的發展潛力，縮小區域經濟發展差異。第三，作為金融創新的產物，數字普惠金融發展突飛猛進，而金融監管在部分領域還存在缺失，因此，國家在鼓勵數字普惠金融發展的同時，要增強監管創新的能力，制定并完善相關政策法規，防范金融風險。■

注 釋

①最早是用來比喻亞馬遜之類的網站商業模式，指需求較小但商品數量眾多的尾部所占份額與需求較大但商品數量較少的頭部所占份額大體相當。但是在后來人們也把難以獲得傳統金融服務的市場主體稱為金融需求的“長尾”，如中小企業、民營企業等。