數字金融緩解了企業短債長用問題嗎？
——基于中國A股制造業上市企業的實證研究

■黃靜 張金昌 潘藝

一、引言

黨的二十大報告指出，“堅持把發展經濟的著力點放在實體經濟上，推進新型工業化，加快建設制造強國”的目標。制造業是保障經濟增長、促進就業、消除貧困、提高綜合國力重要的產業部門，也是助推實體經濟高質量發展的重要動力[1]。長期以來，制造業企業發展一直受到融資難、融資貴的困擾，無法從金融市場上獲得長期投資和發展的資金，迫使其采用不斷滾動短期債務以支持長期投資的方式來解決企業長期投資資金不足的問題，因而形成了制造業企業短債長用的現象。短債長用雖然暫時緩解了企業長期投資資金不足的問題，但會增加企業財務成本，長此以往更會引發債務風險，嚴重影響企業正常經營[2]，不利于制造業的高質量發展。因此，如何幫助制造業企業獲得長期穩定的融資、優化企業債務期限結構成為各界關注的重要問題。

近些年，隨著數字技術的快速發展和廣泛應用，數字技術已經深度融合到各個行業，有效促進了各行業的發展。尤其在金融行業，數字技術有效降低了傳統金融與企業客戶之間的信息不對稱，緩解了企業融資難問題，改善了企業融資環境。那么，數字金融的發展是否緩解了制造業企業短債長用的問題，優化了企業債務期限結構？為回答上述問題，本文基于2011—2020 年中國A 股制造業上市企業財務報表數據，實證檢驗了各地區數字金融發展對制造業企業短債長用的影響和傳導機制，為優化制造業企業債務結構，促進制造業企業高質量發展提供有意義的經驗證據。

本文可能的邊際貢獻在于：第一，豐富了企業“短債長用”方面的研究。目前關于企業融資期限的研究多集中于“短貸長投”方面，關于“短債長用”方面的研究較少，本文通過研究數字金融對企業短債長用的影響，豐富了企業債務與資產期限結構方面的研究。第二，關于融資問題的中介效應研究大多集中于融資約束，本文將融資問題分為融資約束和融資成本兩個方面開展中介效應的研究，使得有關企業融資問題的研究更加全面。第三，本文通過多個維度的異質性分析，從多方面揭示了數字金融對不同性質制造業企業債務與資產期限結構的影響，研究結論為相關部門進一步識別企業特點，更有針對性地開展金融服務，緩解制造業企業短債長用問題，促進制造業高質量發展提供了依據。

二、文獻綜述與研究假設

（一）文獻綜述

本文研究的是制造業企業融資期限的問題。目前，常用的企業融資期限度量方法有兩種：第一種是“短債長用”指標[3]，該指標主要反映了企業的債務與資產期限結構的匹配情況；另一種是“短貸長投”指標[2]，該指標是基于企業資金缺口情況而構建。基于上述兩種方法，學者們開展了一系列研究，研究結果表明，短貸長投會抑制企業創新發展[4]、降低投資效率[5]、提升債務壓力[6]、加劇財務風險[7]，不利于企業績效的提升[8]，對上市企業來說甚至有股價崩盤的風險[9]。郝麗萍等[10]的研究結果也證實了短債長用對企業經營會產生不利影響。可見，雖然企業融資期限的度量方法不同，但都得出了會對企業發展產生不利影響的結論。另外，也有部分學者從外部宏觀視角進行研究，結果發現經濟政策不確定性會造成短貸長投的風險增加[11]，也會促使短債長用水平的提高[12]，對企業發展造成不利影響。

數字金融的發展對宏觀經濟和微觀企業都會產生影響，與本文研究內容有關的是對微觀企業的影響。Sarma等[13]研究認為，數字金融能夠有效降低金融機構與企業之間信息不對稱問題，緩解融資約束，提高企業的融資效率。萬佳彧等[14]研究發現數字金融會通過融資約束的渠道促進企業創新發展。陳銀飛等[15]利用上市企業數據，研究發現數字金融通過政府補助能促進企業創新產出。潘藝等[16]研究認為數字金融顯著促進了企業的高質量發展，其覆蓋廣度、使用深度和數字化程度均發揮了作用，財務風險起到了中間效應。李君銳等[17]研究發現數字金融能通過降低交易成本，間接對企業的商業模式創新產生影響。

從上述文獻來看，目前研究存在一定的局限性：（1）關于企業融資期限方面的研究多集中于“短貸長投”方面，而研究“短債長用”的文獻較少；（2）研究企業融資期限對企業發展影響的文獻較多，研究外部因素對企業融資期限影響的文獻較少；（3）數字金融對企業影響的機制研究大多以融資約束作為中介效應研究，其他方面的機制研究較少；（4）在上市企業的研究中，進行全樣本企業的研究較多，針對制造業企業的專項研究較少。相關研究中的局限，為本文的研究提供了方向。

（二）理論分析與研究假設

第一，隨著大數據、云計算等數字技術與各個行業的融合發展，數據作為一種生產要素得到前所未有的關注和應用，個人和企業信息比以往任何時候都更加重要，也更加透明。金融機構各項業務的開展離不開個人和企業信息。以往因為這些信息不易獲取，金融機構與客戶之間存在較多隔閡，現在隨著數字技術的發展，這些信息變得更易獲取且更精準，打破了傳統金融機構與個人和企業之間的信息壁壘，金融機構在審批過程中能有效識別客戶的相關風險[13]。以往由于信息不對稱，金融機構擔心潛在風險造成的損失，而將隱性成本轉嫁給客戶，現在因信息不對稱問題得到緩解，金融機構信貸風險大大降低，對應的信貸風險成本也顯著下降，客戶可以獲得比以往更低成本的融資資金[18]。隨著外部融資資金問題的緩解，制造業企業滾動的短期借款頻率也會降低，進而緩解了企業短債長用問題。

第二，數字技術與金融行業融合，紙質的個人與企業信息逐步被電子信息替代。在傳統金融行業審批流程中，需要采集、整理、匯總大量客戶信息，并作為附件進行提報和審核；數字時代，所有信息都實現了數字化傳輸，并且大數據、云計算、人工智能等手段可以有效識別并進行科學評估，不僅縮短了審批流程，提高了審批效率，還降低了審批風險，使得客戶可以更快速地獲得信貸資金，彌補了傳統金融服務的短板[14]。由于融資審批效率提升，企業獲得資金的速度加快，融資周期長、貸款資金不能及時到位的問題得以緩解，企業短期貸款申請的頻率隨之減少，企業短債長用問題得到明顯改善。

第三，從金融機構來看，數字技術的發展使得原先需要人工收集、整理、匯總的工作被計算機和互聯網替代，原先需要多個部門協同的人工審批工作被云計算和人工智能技術替代，數字金融的發展使得金融機構的職能架構更加扁平化和簡潔化，有效降低了金融機構的人工成本、風險成本和管理成本[19]。金融機構的成本下降，會傳導到交易成本下降，企業融資成本也會相應降低，有利于企業短債長用問題的緩解。

第四，隨著數字技術在金融行業的應用，拓展了金融機構的App 程序，打破了原先金融機構開展業務必須開設物理網點的局限，使得金融機構的業務可以為更遠更偏僻的客戶服務，同時數字金融可以提供全天24 小時的不間斷服務。金融機構App 程序的廣泛應用：一方面，使得大量小而散的客戶可以通過移動終端購買金融產品，充實了金融機構的資金池[20]，金融機構資金的充實有助于為更多的制造業企業提供融資；另一方面，也方便了許多偏遠地區的制造業企業，通過移動終端與金融機構開展業務，有效緩解了因交通不便而無法開展融資業務的問題，改善了企業融資環境，降低了企業融資約束，緩解了企業短債長用問題。

綜上分析，本文提出以下三個研究假設：

假設1：數字金融的發展能緩解制造業企業短債長用問題。

假設2：數字金融通過緩解制造業企業融資約束緩解企業短債長用問題。

假設3：數字金融通過降低制造業企業融資成本緩解企業短債長用問題。

三、研究模型與變量說明

（一）模型設計

參考相關學者的研究方法，構建回歸模型（1）分析數字金融發展對制造業企業短債長用的影響。

模型（1）中，被解釋變量SDLU表示制造業企業短債長用水平，該指標越大表明企業短債長用水平越高；解釋變量DF表示制造業企業所在城市的數字金融指數，該指數越大表明當地數字金融發展越好；CT為一系列控制變量；IFE、PFE和YFE分別為行業固定效應、地區固定效應和時間固定效應；ε表示隨機擾動項。另外，下標i 和t 分別表示企業和年份。若α1顯著為負，則表明數字金融發展能顯著緩解制造業企業短債長用問題；若α1顯著為正，則表明加劇了制造業企業短債長用問題；若α1不顯著，則表明數字金融對制造業企業短債長用影響不顯著。

根據本文假設2和假設3，參考江艇[21]的研究方法，設計傳導機制研究模型（2）：

模型（2）中，FP為中介變量，代表制造業企業的融資問題，分別用融資約束（SA）和融資成本（SC）表示，其他變量同模型（1）所示。若β1顯著為正，則表明數字金融加劇了制造業企業融資問題；若β1顯著為負，則表明數字金融的發展緩解了制造業企業的融資問題；若α1不顯著，則表明數字金融對制造業企業融資問題影響不顯著，分別再使用Sobel檢驗和Bootstrap檢驗，評估融資問題的傳導機制是否存在。

（二）變量說明

1.被解釋變量

本文的被解釋變量是制造業企業短債長用（SDLU），使用模型（3）來衡量：

模型（3）中，CL 代表企業的流動負債，TL 代表企業的總負債，CA代表企業的流動資產，TA代表企業的總資產。SDLU 數值越大，則表明制造業企業短債長用問題越嚴重，企業的長期資產依靠短期負債來支撐，該企業的資產與負債的期限錯配問題較大；反之，則表明企業短債長用問題較小。

2.解釋變量

本文的解釋變量是數字金融（DF），參考大部分學者的研究方法，使用北京大學數字金融研究中心公布的各城市數字金融指數來衡量。該指標基于螞蟻金服數據庫通過綜合計算得來，目前已經被廣泛使用，具有普遍性和一定權威性。本文將各城市數字金融指數取對數后作為數字金融的解釋變量。

3.中介變量

本文的中介變量是融資約束（SA）和融資成本（SC）。融資約束參考Hadlock 等[22]的研究方法來衡量，如模型（4）所示：

模型（4）中，Size 為企業規模，Age 為企業年齡。本文取SA 指數的絕對值，該數值越大，則表明制造業企業的融資約束越嚴重。企業外部融資成本包括負債融資成本和權益融資成本。考慮到本文研究的是數字金融，體現了銀行等傳統金融行業與數字技術的融合，所以采用負債融資成本進行衡量，并使用企業利息支出與營業收入的比值作為融資成本進行研究。

4.控制變量

影響企業短債長用的因素有很多，本文參考相關學者的研究方法，并綜合考慮對中介變量的影響，選取企業年齡（Age）、股權集中度（TOP）、外部審計意見（Audit）、兩職合一（Dual）、獨立董事占比（Indep）、董事會規模（Board）、資產收益率（ROA）、資產負債率（Lev）作為控制變量。相關變量取值方法如下：企業年齡采用當期年度加1 減去公司成立年度的差值取對數；股權集中度采用前十大股東股權占總股數的份額衡量；如果外部審計意見為標準無保留意見，則審計意見為1，反之為0；董事長兼職總經理，則兩職合一為1，反之為0；獨立董事占比用獨立董事人數占董事會人數比例衡量；資產收益率采用凈利潤與總資產比值衡量；資產負債率采用負債總額與資產總額比值衡量。

（三）數據說明

上述研究變量主要來源于Wind 數據庫2011—2020 年A 股制造業上市企業年報數據和北京大學數字金融研究中心公布的各城市數字金融指數。相關數據做以下處理：首先，刪除ST、PT等經營不善的樣本；其次，刪除城市數字金融指數缺失、財務報表數據不完整的樣本；最后，進行1%和99%的縮尾處理。通過上述處理后得到22563個有效樣本。本文實證研究的分析軟件為Stata15.1。

四、實證研究與穩健性檢驗

（一）描述性統計

表1 列示了本文主要變量的描述性統計結果。可以看出，被解釋變量SDLU的均值（0.2546）與中位數（0.2540）比較接近，標準差為0.1724，表明樣本數呈現正態分布。另外，SDLU 的最小值（-0.4530）與最大值（0.7786）差異較大，表明樣本范圍較廣，選擇的樣本有較好的代表性。解釋變量DF 的極值也有顯著差異，表明不同城市數字金融的發展也有較大差異，證明本次研究有較好的實踐意義。從各控制變量的極值來看，最大值與最小值同樣有顯著差異，說明選擇的控制變量取值范圍廣泛，對本次實證研究能起到較好的控制作用。

表1 變量描述性統計

（二）基準回歸

表2列示了數字金融對于制造業企業短債長用的基準回歸結果。其中，（1）列為數字金融（DF）與制造業企業短債長用（SDLU）的直接回歸結果；（2）列是在（1）列基礎上控制了行業、地區、時間固定效應后的回歸結果；（3）列是在（1）列基礎上加入了控制變量后的回歸結果；（4）列是在（1）列基礎上控制了固定效應和所有控制變量后的回歸結果。從表2（1）至（4）列的結果來看，控制固定效應前后或加入控制變量前后，DF系數都在1%的水平上顯著為負，表明數字金融發展能顯著緩解制造業企業短債長用問題，本文研究假設1成立。可能的原因在于，隨著大數據、云計算等數字技術在金融行業的廣泛應用，有效緩解了金融機構與客戶之間信息不對稱的問題，數字金融的發展也有效提升了金融機構的工作效率，降低了交易成本，并且數字金融利用互聯網技術有效地拓展了服務網點，使得更多偏遠地區的制造業企業享受到數字金融帶來的便捷服務，緩解了制造業企業短債長用問題，優化了企業的融資期限結構，有助于制造業企業高質量發展。

表2 基準回歸

（三）穩健性檢驗

1.替換被解釋變量

在表2 基準回歸中，本文采用企業年末短債長用的時點數據作為被解釋變量。在穩健性檢驗時，本文采用企業年初和年末的平均數（SDLUA）作為替換的被解釋變量進行檢驗。從表3（1）和（2）列的結果來看，在控制固定效應并加入控制變量前后，DF 系數都在1%的水平上顯著為負，表明數字金融發展越好，制造業企業短債長用的可能性越小。該結論與基準回歸的結論一致，假設1得到驗證。

表3 穩健性檢驗

2.剔除異常數據

由于異常數據可能會造成研究結果偏差，因此本文將剔除可能影響研究結果的異常數據。從地區影響來看，我國直轄市因存在經濟和政治的特殊性，可能對研究結果產生影響，因此，本文首先剔除北京、上海、天津和重慶4個直轄市數據進行回歸，結果如表3（3）和（4）列所示。從結果來看，在控制固定效應并加入控制變量前后，DF系數都在1%的水平上顯著為負，同樣表明數字金融的發展能顯著緩解制造業企業的短債長用問題，假設1 再次得到驗證。從時間影響來看，2015 年股市的異常波動以及2020年新冠疫情的暴發，都可能對上市企業的經營產生不利影響，因此，本文將上述異常年份剔除后進行回歸，結果如表3（5）和（6）列所示。從結果來看，在控制固定效應并加入控制變量前后，DF系數都在1%水平上顯著為負，表明數字金融的發展能緩解制造業企業短債長用的假設依然成立，本文研究結論具有穩健性。

3.內生性檢驗

為了避免數字金融與企業短債長用之間存在反向因果關系，本文采用工具變量方法進行內生性檢驗。首先，本文將解釋變量分別滯后一期和二期作為工具變量（IV）進行內生性檢驗。其次，參考黃群慧等[23]的研究方法，使用1984年該地區每百人電話數量和每萬人郵局數量作為工具變量（IV）進行內生性檢驗。上述回歸結果如表4所示。從各個第一階段回歸結果來看，各IV 系數都在1%的水平上顯著為正，表明本次選擇的各個工具變量對數字金融（DF）都有顯著影響，符合工具變量相關性的假設條件；從F 檢驗結果來看，各數值都遠大于10，排除了弱工具變量的問題；進一步使用Sagan檢驗，結果顯示P 值為0.2739，表明本文選擇的工具變量是外生的。從第二階段回歸結果來看，在控制固定效應并加入控制變量后，各DF 系數都在1%的水平上顯著為負，表明數字金融發展越好，則制造業企業短債長用的問題越小，即數字金融的發展有效緩解了制造業企業短債長用問題。假設1通過了內生性檢驗。

表4 內生性檢驗

4.聚類標準誤層級檢驗

為了使研究結論更加穩健，本文分別加入行業、地區、行業與地區的交乘項、企業個體4個維度的聚類層級進行回歸。從表5 的回歸結果來看，無論加入哪個層面的聚類，DF系數的數值和顯著性都沒有顯著變化，表明數字金融的發展能緩解制造業企業短債長用問題的結論不會隨著行業、地區和企業的標準誤層級改變而發生明顯波動。前文結論穩健。

表5 聚類標準誤層級檢驗

（四）傳導機制研究

1.融資約束的機制研究

根據本文假設2，參考江艇[21]的研究建議，選擇對被解釋變量企業短債長用（SDLU）有顯著影響的融資約束（SA）作為中間變量代入模型（2）進行回歸，結果如表6（1）列所示。從回歸結果來看，DF 系數在1%的水平上顯著為負，表明存在融資約束的中介效應。為了驗證該結論，首先采用Sobel 檢驗，結果顯示P 值為0.0001，遠小于0.0500，表明假設2 的結論通過Sobel 檢驗；然后采用Bootstrap 檢驗，結果顯示，通過抽樣1000 次后的95%的置信區間為[-0.0034，-0.0013]，置信區間結果不包含0，同樣表明假設2 的結論通過Bootstrap 檢驗。由此可見，數字金融的發展減輕了制造業企業的融資約束，進而緩解了企業的短債長用問題。

表6 傳導機制研究

2.融資成本的機制研究

根據本文假設3，采用上文的方法，選擇對解釋變量企業短債長用（SDLU）有顯著影響的融資成本（SC）作為中間變量代入模型（2）進行回歸。從結果來看，表6（2）列DF 系數在1%的水平上顯著為負，表明數字金融的發展顯著降低了制造業企業的融資成本，融資成本起到了中介效應。然后，分別進行Sobel 檢驗和Bootstrap 檢驗。從檢驗結果來看，P 值為0.0072，置信區間為[-0.0012，-0.0001]，表明融資成本在數字金融與企業短債長用之間起到了傳導作用。本文假設3 成立，即數字金融能通過降低制造業企業融資成本緩解企業短債長用問題。

（五）異質性分析

1.企業規模的異質性分析

規模不同的企業，其經營情況有顯著差異。為檢驗數字金融發展對不同規模制造業企業的影響，本文依據工信部等印發的《大類統計上大中小微型企業劃分辦法（2017）》，將樣本中的大型企業歸類為大型企業（Size=1），將中小微企業歸類為非大型企業（Size=0），并且在模型（1）中加入數字金融與企業規模的交互項（DF×Size）。回歸結果如表7 所示。從結果來看，（2）和（3）列的DF 系數都在1%水平上顯著為負，表明數字金融的發展對緩解不同規模制造業企業的短債長用問題都有顯著影響；（1）列DF×Size系數在1%的水平上顯著為正，表明數字金融發展對緩解大型制造業企業的短債長用作用更加顯著。進一步使用模型（2），將融資約束（SA）和融資成本（SC）代入回歸，結果如表7所示。從結果來看，（3）和（4）列的DF 系數顯著為負，而（6）和（7）列的DF系數不顯著，表明數字金融的發展能有效緩解大型制造業企業的融資約束和降低融資成本，進而緩解了企業短債長用問題，而對非大型制造業企業的融資約束和融資成本沒有顯著影響。可能的原因是，大型企業經營多元，人才和技術儲備充足，盈利能力和抗風險能力更強，而非大型企業經營模式單一，抗風險能力差。雖然數字技術使得金融機構的資金更加充沛，融資效率更高，然而金融機構為了規避風險，仍然更青睞大型企業，因此大型制造業企業融資約束和融資成本會更低，能獲得更多的資金來緩解企業短債長用問題。

表7 企業規模的異質性分析

2.企業經營的異質性分析

企業經營狀況的不同，會造成銀行等金融機構對企業評估結果的不同，進而影響企業的融資。為了考察數字金融發展對不同經營狀況的制造業企業的影響，將樣本中企業利潤為正的企業歸類為盈利企業（Ope=1），將企業利潤為負的企業歸類為虧損企業（Ope=0），并且在模型（1）中加入數字金融與企業經營狀況的交叉項（DF×Ope）。結果如表8 所示。從結果來看，（2）列的DF系數在1%的水平上顯著為負，（5）列的DF系數在10%的水平上顯著為負，表明數字金融的發展對緩解制造業盈利企業的短債長用問題作用更顯著。進一步利用模型（2）進行機制分析，結果顯示，數字金融的發展對制造業盈利企業的融資約束有顯著的抑制作用，而對虧損企業沒有顯著影響。可能原因是，金融機構在審批企業信貸申請時，常常會考量企業的經營情況，認為長期盈利的企業經營風險較小，而盈利情況不佳或者長期虧損的企業經營風險較大，金融機構為了規避可能存在的信貸風險，針對經營狀況不好的企業會提高信貸門檻，加大了企業的融資難度，而這些經營狀況不佳的企業因無法得到有效的外部融資，無法有效降低企業短債長用問題；反之，經營狀況良好的企業，更容易獲得金融機構的信賴和支持，通過外部融資獲得資金，緩解企業的短債長用問題。

表8 企業經營的異質性分析

3.企業密集度的異質性分析

借鑒陽立高等[24]對制造業企業密集度的分類方法，將制造業企業分為勞動密集型、資本密集型、技術密集型企業。勞動密集型企業主要以手工作業為主，與后兩者有顯著差異，因此將樣本企業分類為勞動密集型企業（MJD=1）和非勞動密集型企業（MJD=0）。同樣，在研究模型中加入數字金融與企業密集度的交叉項（DF×MJD），回歸結果如表9 所示。結果顯示，（2）和（3）列的DF系數均在1%的水平上顯著為負，而（1）列的DF×MJD系數不顯著。進一步使用Chow 檢驗，結果顯示交叉項系數在1%的水平上顯著為負，費舍爾組合檢驗結果顯示P 值為0.0000，表明數字金融的發展對緩解制造業非勞動密集型企業短債長用問題作用更顯著。進一步利用模型（2）進行機制分析，結果表明，數字金融的發展對制造業非勞動密集型企業的融資約束和融資成本有顯著抑制作用，而對勞動密集型企業沒有顯著影響。可能的原因是，我國制造業勞動密集型企業的產品生產過程大多數是以手工制造和加工為主，這些企業對外部融資的依賴程度相對較低，而資本密集型企業和技術密集型企業的生產過程更多依賴流水線生產，需要購買大量的機器設備和系統軟件，企業的經營和發展對資金依賴程度較高，數字金融的發展正好解決了這些企業的融資難和融資貴問題，進而緩解了企業短債長用問題。

表9 企業密集度的異質性分析

五、研究總結與政策建議

（一）研究總結

本文基于2011—2020 年中國A 股制造業上市企業財務報表數據，實證檢驗了數字金融發展對制造業企業短債長用的影響、傳導機制以及異質性影響。研究結果顯示：（1）數字金融發展能顯著緩解制造業企業的短債長用問題，經過一系列穩健性檢驗后，該結論依然成立；（2）機制研究表明，數字金融能通過融資約束和融資成本渠道對制造業企業短債長用產生影響；（3）異質性分析表明，數字金融發展對緩解規模大、盈利、非勞動密集型制造業企業的短債長用問題的緩解作用更顯著；（4）進一步分析發現，數字金融發展對緩解上述企業的融資約束和融資成本的作用更顯著。

（二）政策建議

第一，國家應持續推進數字金融的發展，以緩解更多制造業企業的融資壓力，降低融資成本，促進制造業企業優化融資期限結構，緩解短債長用問題。

第二，針對中小微制造業企業融資難和融資貴的實際困難，金融機構應進一步細化金融服務，針對不同行業的特點和發展前景，支持重要行業中小微企業的外部融資，從融資政策、資金、效率上幫助幫助這些企業優化融資期限結構，緩解短債長用問題，促進制造業整體高質量發展。

第三，從企業來看，經營規范、盈利能力強的企業能獲得金融機構更多青睞。因此，企業應該規范經營，重視人才和技術引進，減少對人口紅利的依賴，充分利用數字技術開展數字化轉型，提高企業全要素生產率水平，提升企業的競爭力，通過外部融資資金，持續優化企業融資期限結構，緩解短債長用的風險，促進企業高質量發展。

（三）研究不足

本文實證檢驗了數字金融發展對制造業企業短債長用的影響，研究過程存在以下不足：（1）我國是制造業大國，制造業門類齊全，有31個行業分類，數字金融發展對制造業不同行業會有差異。今后可以進一步分析數字金融對制造業各個行業的影響情況，以得到更細致的結論。（2）本文采用的數字金融指數數據是根據螞蟻金融數據計算得到的，該數據雖然比較豐富，但仍存在一定的局限性。后期可以進一步優化數據來源和計算方法，在更多金融維度的基礎上計算得到更完善的數字金融指數，為開展實證研究提供更好的幫助。