数字金融发展与企业去杠杆

林爱杰，梁 琦，傅国华

1 中山大学 管理学院，广州 510275 2 海南大学 管理学院，海口 570228

引言

2008年以来，中国经济整体债务水平和宏观杠杆水平快速上升。债务率和杠杆率增长过快极易引发经济危机和金融危机[1-2]。根据国家资产负债表研究中心的测算，2019年年末中国的宏观杠杆率上升至245.400%，其中非金融企业的宏观杠杆率为151.300%，在全球处于偏高水平。非金融企业是中国债务的大头[3]，其中国有企业和大型企业杠杆率偏高[4-5]，而对中国经济增长有重要贡献的私营企业和中小企业杠杆率较低，存在突出的融资难和融资贵问题。目前中国实体经济正面临债务风险高、融资难和融资贵的局面，中国金融资源配置存在渠道不畅的问题。迫切需要研究如何既能将金融资源引导至资金不足的企业又不增加实体经济的债务风险，数字金融的发展可能有助于破解这种双重困境。

近年来，数字金融在中国呈现爆发式发展，中国数字金融市场规模在全球位居前列。数字金融为被排除在正规金融服务之外的私营企业和中小企业提供了新型融资渠道和金融服务，缓解了企业融资约束，增强了金融服务实体经济的能力，但鲜有研究探讨数字金融是否会加剧企业的债务风险。如果数字金融既缓解了企业融资约束，又降低了企业债务风险，便起到一举两得的作用。因此，本研究探讨中国数字金融发展对企业杠杆率的影响，这对于防范和化解重大风险、深化金融供给侧结构性改革、优化金融资源配置、提升中国经济整体效率具有重要意义。

1 相关研究评述

1.1 数字金融发展的经济后果

已有研究主要关注数字金融发展对经济活动和传统金融市场的影响。在经济活动方面，数字金融发展促进了居民消费[6]，缩小了城乡居民收入差距[7]，减少了农村生产性正规信贷需求，增加了农村消费性正规信贷需求[8]，提高了农村低收入家庭的收入[9]，通过缓解借款人的融资约束促进了创业和企业创新[10-11]。由此可见，数字金融发展对经济活动产生了诸多积极作用。

在对传统金融市场的影响方面，数字金融发展加剧了银行风险承担[12]，推动了利率市场化，对银行的负债结构产生了显著影响，负债结构的变化使银行资产端的风险承担偏好上升[13]。此外，数字金融对依赖传统金融中介的货币政策效果造成冲击[14]，削弱了货币政策银行信贷渠道的有效性[15]。

1.2 金融和企业杠杆率

虽然影响企业杠杆率的因素众多，但由于数字金融发展时间较短，关于数字金融发展和企业杠杆率的研究并不多。有少数研究关注数字金融发展与企业杠杆率之间的关系。张斌彬等[16]从数字金融的融资功能出发，阐述影响企业杠杆率的机理，认为数字金融发展优化了以间接融资为主的中国金融体系，并利用2007年至2017年沪深两市A股上市企业数据检验发现，数字金融发展通过缓解企业融资约束、降低企业财务费用、提升企业内部控制和风险稳定程度来降低企业杠杆率；阮坚等[17]利用2011年至2017年沪深两市A股上市企业数据检验发现，数字金融发展显著降低了企业杠杆率；唐松等[18]同样利用2011年至2017年沪深两市A股上市企业数据研究发现，数字金融发展改善了企业融资环境，降低了企业通过加杠杆获取融资的主动性需求，从而驱动企业去杠杆。

对于数字金融发展与企业杠杆率关系的研究，其研究难点在于：①研究人员通常缺乏充分的数据构建测量数字金融多种业务形态发展水平的指标体系，增加了开展相关实证研究的难度。②数字金融是新兴事物，在中国的发展时间还不长，观察数字金融发展的影响需要较长的时间，才能更准确地考察数字金融发展与企业杠杆率的关系。③从企业规模维度看，目前中国数字金融的主要服务对象是被排除在正规金融服务之外的中小企业，而该类企业数据难以收集和获取；上市企业规模较大，融资渠道多元化，融资约束程度比中小企业低得多，但大企业并不是数字金融的主要服务对象。已有研究常用上市企业数据研究数字金融发展对其行为的影响，这与上市公司数据易获取有关，但结果可能有误。这些可能是导致目前数字金融发展与企业行为包括杠杆率之间关系的研究较少的重要原因。

对于前两个研究难点，北京大学数字金融研究中心课题组利用蚂蚁金服关于数字普惠金融的海量微观数据，编制了一套2011年至2018年中国省份、城市和县域3个层级的北京大学数字普惠金融指数，较为科学、全面和准确地刻画了中国一段较长时间跨度的数字金融多种业态的实际发展状况[19]，这为实证检验数字金融发展的影响提供了数据基础。为克服第3个研究难点，本研究未采用上市企业数据，而是利用各省工业数据和2位数代码制造业行业数据检验数字金融发展对企业杠杆率的影响。

已有研究聚焦于传统金融和货币政策对企业杠杆率的影响，却对数字金融与企业杠杆率的关系缺少关注。已有研究探讨国家(地区)宏观层面的金融结构对企业杠杆率的影响，发现金融结构市场化程度越高，企业杠杆率越低，二者呈反向关系[20-21]。曾海舰等[22]利用中国上市公司数据检验发现，信贷扩张为规模小、民营化程度高和担保能力弱的公司提供了较多的银行资金，其负债水平也显著提高，而信贷紧缩则产生了相反的效果。

金融结构市场化有利于降低企业杠杆率，但是只有上市企业才能利用资本市场进行直接融资，中国数量庞大的非上市企业则被拒之门外。宽松型货币政策虽然能够缓解企业融资约束，但抬高了企业杠杆率，增加了企业债务风险。数字金融是异于传统金融的一种新型金融模式，虽未改变金融的本质，但具有与传统金融不同的特性。中国是全球规模最大的数字金融市场之一，数字金融对中国实体经济的影响应得到更多关注。

由于不同规模(大企业和中小企业)、不同所有制(国有企业和私营企业)、不同区域(中部和非中部)、不同研发投入强度(高技术行业和传统行业)的企业之间融资约束程度存在很大差异，企业对数字金融的依赖程度可能不同，受到的影响也不同。本研究分别考察数字金融发展对不同规模、不同所有制、不同区域、不同研发投入强度的企业杠杆率的异质性影响，既反映了中国金融体系结构和实体经济发展的特征，又体现了传统金融与数字金融之间的相互关系。数字金融可能对不同期限的企业杠杆率产生异质性影响，本研究进一步细分短期杠杆率、长期杠杆率和债务期限并进行检验。

2 理论分析和研究假设

目前，中国数字金融发展最快、应用最广的是支付、融资和投资等功能，支付功能是金融的基础功能，也是数字金融被大众使用最多的功能，是数字金融最主要的业务模式，针对资金供给和需求的融资和投资功能次之。

(1)与传统的现金、支票、预付款、汇款等支付方式相比，数字金融的支付功能更加安全、高效和便捷，它打破了支付的时空束缚，加快了企业资金周转速度，提高了资金利用效率，有利于提升企业经营绩效，降低企业杠杆率。由于移动支付和电子货币都具有网络规模效应，交易成本很低，随着移动支付技术安全性的不断提高，移动支付不仅用于日常生活中的小额支付，还用于企业间的大额支付，有可能取代现金、支票、银行卡、信用卡等传统支付结算手段，提高了支付结算效率，降低了支付的资金成本和时间成本[23]。以支付宝为代表的第三方支付充当了电子商务平台上的商户与消费者之间的交易信用中介，促使网上交易达成。数字金融其他业态，如网络贷款、网络众筹和互联网理财等也依赖于第三方支付，用户留存在互联网上的交易信息和其他支付记录有助于解决互联网中的信息不对称问题[24]。传统银行利用互联网等信息技术提高了银行体系的支付清算效率，使交易双方特别是资金接收方的利益得到最大程度的保障。而数字金融的支付工具和支付体系，具有某些“脱媒”和高技术特性，比传统银行利用互联网技术进行创新和改进的支付工具和支付体系更加灵活、便捷、快速和高效，大幅提升了整个金融体系的支付清算效率[25]。

JACK et al.[26]利用在肯尼亚实施的一项家庭调查数据，研究基于非智能手机的移动支付工具M-PESA对家庭风险分担的影响，发现负面收入冲击降低了非M-PESA用户家庭的人均消费水平，但未降低M-PESA用户家庭的人均消费水平，M-PESA使家庭在遭受负面收入冲击时能够收到更多的汇款来平滑消费和消除风险的影响；SURI et al.[27]进一步研究发现，M-PESA提高了肯尼亚家庭的人均消费水平，使19.4 万个家庭脱离极端贫困；BECK et al.[28]以M-PESA为例，构建了一个包含商业信贷约束、信息不对称和资金易被盗3种市场摩擦的动态一般均衡模型，利用肯尼亚的企业层面数据进行校准研究，发现生产率越高且获得商业信贷的企业，在向供应商购买投入品时越可能使用移动支付工具，使用移动支付工具反过来改善了企业的商业信贷约束，减少了企业产出损失，促进了企业成长。

(2)对数字金融的融资功能而言，与传统金融机构只注重借款人的收入、信用记录和资产等财务硬信息的信用评估模型不同，数字金融机构通过利用大数据、云计算和人工智能等新一代信息技术，分析和挖掘借款人在互联网上留存的大量行为数据等软信息，对借款人进行信用评估。新一代信息技术与过去以互联网为主的信息技术在金融市场中发挥的作用不同，过去的信息技术只是获取借款者的硬信息而非软信息，这能在一定程度上打破借贷双方的时空限制；而新一代信息技术不仅能获得借款人的硬信息，还能挖掘借款人的软信息，缓解借贷双方的信息不对称程度，有效控制信贷风险，使没有充分硬信息的借款人也能获得融资。曾鹏志等[29]研究发现，网贷平台上的借款人披露的标准信息和非标准信息数量越多，越有可能获得借款；DUARTE et al.[30]发现网贷平台上长相看起来更值得信任的借款人获得融资的概率更高、得到的信用评分更高、违约率更低；王会娟等[31]利用网贷平台的交易数据检验发现，信用认证机制对揭示信用风险具有积极作用，借款人信用评级越高，借款成功率越高、成本越低。网贷平台上的个人借款并非全都用于消费，部分中小企业主以个人身份在网贷平台上借款用于企业生产经营，这有助于缓解中小企业融资约束。数字金融能够降低处于金融需求长尾的中小企业与贷款人之间的信息不对称程度，为中小企业提供融资能够实现外部经济、规模经济和范围经济三重效应，从而降低金融交易成本[32]。

除了网贷平台模式之外，另一种数字金融机构提供的网络小额贷款利用借款人的非财务硬信息和软信息作为信贷决策的依据，降低了借贷双方的信息不对称程度，加快了信贷审批效率，降低了信贷融资成本和门槛，扩大了金融服务群体，缓解了借款人的融资约束，并控制了信贷风险。中国的电商平台生成大量可用于信用分析的商户和消费者数据，数字金融机构能够利用大数据技术挖掘这些数据，为具有更高事前信用风险、常被排除在传统银行信贷之外的借款人提供贷款，借款人的信息越多，贷款人对风险定价越精确，还能根据特定群体的风险特征调整信贷条款，对电商平台的实时销售监控也使数字金融机构比传统银行具有显著的信息优势，能够对借款人进行更严格的筛选[33]。FUSTER et al.[34]认为数字金融贷款模式代表了一种技术创新，能够减少抵押贷款中的摩擦，利用美国住房抵押贷款层面的数据研究发现，数字金融贷款机构的贷款审批速度比传统贷款机构更快，而且贷款违约率比传统贷款机构更低，表明更加快速的贷款审批未增加数字金融贷款的违约风险。数字金融通过挖掘更全面的用户信息，降低借贷双方的信息不对称程度；加快信贷审批程序，减少融资成本；扩大金融服务覆盖面，降低信贷市场准入门槛，从而缓解企业融资约束[11]。

综上所述，数字金融通过利用大数据、云计算和人工智能等新一代信息技术，提高了信贷服务效率，减少了企业融资成本，建立了完善的风险控制体系，降低了企业与贷款人之间的信息不对称程度，缓解了企业融资约束。优质企业能够获得贷款，而劣质企业被排除在授信之外，在行业层面上表现为杠杠率降低。另外，网络贷款属于债权融资，股权众筹属于股权融资。通过网络借贷获得的外部资金属于企业债务，如果企业高效运用债务资金，形成有效资产，使企业利润和总资产增加，则企业杠杆率下降，表现为企业杠杆率偏低；如果企业不能高效利用债务资金，不能形成有效资产，则企业杠杆率上升，表现为企业杠杆率偏高。目前中国网络贷款期限大多在1年以内，以短期借款为主。企业负债包括短期负债和长期负债，较短的贷款期限影响的是企业短期杠杆率和总杠杆率，不会影响长期杠杆率，但短期杠杆率降低的同时会增加企业债务期限。数字金融中的股权众筹提高了企业资产负债表中权益资产比例，同样表现为企业杠杆率偏低。数字金融的投资理财功能可以为企业的闲置资金赚取额外收益，有利于增加企业资产、降低企业杠杆率。根据以上分析，本研究提出假设。

H1数字金融发展能够降低企业总杠杆率和短期杠杆率，增加企业债务期限，但不影响长期杠杆率。

与大企业相比，中小企业由于规模有限、财务硬信息少、可抵押资产少、经营记录不完善，与贷款人之间的信息不对称问题更加严重，信息不对称提高了传统金融机构对中小企业的金融交易成本，导致中小企业融资难和融资贵。而数字金融具有低成本、广覆盖、高效率的特点，可以有效补充传统金融服务触及不到或不愿触及的领域和地区，为中小企业提供普惠金融服务。大企业比中小企业具有更加多元化的融资渠道，对数字金融的依赖程度较低，而中小企业对数字金融的依赖程度较高。因此，本研究考察数字金融发展对不同规模的企业杠杆率的异质性影响。

中国是银行主导型金融体系，信贷市场存在严重的所有制歧视，表现为国有企业通常能够以较低的利率获得银行贷款，而私营企业难以从银行获得贷款，存在融资难和融资贵的问题。在中国的银行正式贷款分配方面，对国民经济发展做出重要贡献的私营企业获得的银行正式贷款份额远低于国有企业[35]，私营企业受到银行信贷歧视主要是由于政治因素、规模较小和贷款政策三方面原因[36]。国有企业能够从传统银行获得更多的资金，面临的融资约束程度较低；而私营企业由于难以从传统银行获得资金，融资约束程度较高，导致私营企业比国有企业更加依赖数字金融的信贷资金。数字金融能够缓解企业融资约束的关键机制在于降低借贷双方的信息不对称程度，而私营企业的信息不对称问题比国有企业更加严重，私营企业的融资约束比国有企业更高[37]。数字金融改善私营企业信息透明度的作用高于国有企业，对私营企业融资约束的缓解作用强于国有企业，理论上对私营企业杠杆率的影响也应比国有企业更加明显。因此，本研究考察数字金融发展对国有企业与私营企业杠杆率的异质性影响。根据以上分析，本研究提出假设。

H2数字金融发展对企业杠杆率的影响随企业规模和所有权性质的不同而不同。

金融对经济发展具有先导作用，金融发展有助于提高中国经济全要素生产率[38]。长期以来中国区域发展不平衡、不协调的一个重要原因是中国区域金融发展差异巨大，金融资源在地区之间分布不平衡。根据央行发布的《中国区域金融运行报告(2018)》，2017年东部地区的社会融资规模增量占比为53.9%，中部地区该占比为20.1%，西部地区该占比为21.6%，东北地区该占比为4.4%，银行业资产规模、金融机构网点数量和从业人员数量也呈现类似的地区分布状况。数字金融的发展受到金融基础设施和互联网普及程度的影响，西部地区传统金融资源不足，金融基础设施落后，限制了数字金融的发展。根据中国互联网信息中心发布的第39次《中国互联网络发展状况统计报告》，2016年西部地区平均互联网普及率为48.133%，与全国平均水平存在一定差距，这也制约了数字金融跨时空配置金融资源的作用。因此，数字金融发展对西部地区企业杠杆率的影响有限。东部地区传统金融资源丰富，传统金融资源配置效率较高，因此东部地区企业受数字金融发展的影响较小。根据以上分析，本研究提出假设。

H3数字金融发展对中部地区企业杠杆率的影响程度大于对非中部地区企业杠杆率的影响程度。

高技术企业通常具有知识和技术密集的特点，创新研发费用投入大，从产品研制到投放市场的周期较长，不确定因素较多且风险难以预见，这些特点加大了高技术企业的融资难度。在债权融资方面，中国是银行主导型金融体系，银行普遍只认可土地、房产和其他自有资产等抵押品，企业一旦出现债务违约，银行便可以处置抵押品以挽回部分损失，这有助于克服由借贷双方信息不对称引发的道德风险问题，风险越高的企业被要求提供抵押品的可能性越大[39-40]。与传统行业企业相比，高技术企业缺少实物抵押资产，在不动产抵押上不具备优势，高技术企业的优势在于技术创新和拥有较多的知识产权。但由于缺少权威的知识产权评估机构，知识产权抵押的实行效果并不理想，单一投资者也很难分辨其技术创新的真实性、创新程度、风险水平和应用前景，风险资本对高技术企业的支持通常局限于自己熟悉的行业和技术企业，而且存在地理亲近现象[41-42]，对数量庞大、行业众多和地理分布广泛的高技术企业支持有限。在对银行和金融市场融资选择上，银行更倾向于技术产品成熟、风险较低和资本回报稳定的传统行业；对于依靠技术创新和产品研发的高技术行业，其技术风险和市场风险都较高，更适合在金融市场上融资[43]。

从股权融资看，尽管目前中国资本市场已经设立了中小板、创业板、新三板和科创板，但总体上对创新型高技术企业发展的支持力度还有待提升。资本市场重视实实在在的企业财务数据和硬资产，中国资本市场上市条件仍然对企业盈利有较高的要求，轻资产、知识技术密集的高技术企业比传统行业企业上市难度更高。数字金融能够有效识别企业的软信息，契合了被排除在传统债权融资和股权融资之外的高技术企业的融资需求。关于行业技术水平差异产生的异质性影响，谭小芬等[21]认为，金融结构市场化对企业杠杆率的影响在科技创新型行业显著大于传统行业；潘敏等[44]认为，金融中介创新对企业技术创新的影响在高技术行业更强。根据以上分析，本研究提出假设。

H4数字金融发展对高技术行业企业杠杆率的影响程度大于对传统行业企业杠杆率的影响程度。

3 研究设计

目前中国数字金融的主要服务对象是中小企业而非大企业，中国工业企业中绝大部分是中小企业。基于数据可得性，本研究选择2012年至2016年中国31个省份工业数据和31个2位数代码制造业行业相关数据作为样本。最终得到155个工业样本和3 702个2位数代码制造业行业样本。参考潘敏等[44]采用国家制造业整体行业数据和国家制造业细分行业数据检验金融中介创新对企业技术创新及其行业异质性的研究，为了检验4个研究假设，本研究从两个层面进行实证分析。①利用中国各省工业企业整体数据，从总体层面检验数字金融发展对各省工业企业杠杆率以及不同规模、不同所有制工业企业杠杆率的异质性影响；②利用各省2位数代码制造业细分行业数据，检验数字金融发展对不同区域和不同研发投入强度的制造业行业企业杠杆率的异质性影响。

本研究采用北京大学数字金融研究中心课题组编制的数字普惠金融指数的省级数据测量各省的数字金融发展程度，该指数根据中国最大的数字金融公司蚂蚁金服关于普惠金融的海量数据编制，具有代表性和可靠性，郭峰等[19]对该指数的编制过程进行了详细说明，已有研究使用该指数研究数字金融发展对居民消费[6]、城乡收入差距[7]、信贷需求[8]、家庭收入[9]、创业[10]和银行行为[13]的影响。本研究选取2011年至2015年数字普惠金融指数中的总指数、覆盖广度指数、使用深度指数和数字化程度指数共4个指数测量不同维度的数字金融发展状况。数字金融覆盖越广，该地区使用电子账户的人群越多，该地区整体的金融服务环境越好，企业能够获得更加多元化的金融服务；使用深度指数由支付业务、货币基金业务、信贷业务、保险业务、投资业务和征信业务指标合成，使用深度指数越高，表示该地区对各项数字金融业务的依赖程度越深；数字化程度指数反映数字金融使用的便利性和低成本优势。工业企业杠杆率可能会反向影响各省的数字金融发展，为减弱反向因果引起的内生性问题，本研究使用所有连续型解释变量滞后1期的数据。

参考有关企业杠杆率的研究[45]，并考虑到数据的可得性与变量之间的共线性问题，本研究选取省级层面控制变量：①金融发展水平，为银行业金融机构各项贷款余额占GDP的比重；②融资结构，为直接融资占社会融资规模的比重，直接融资为企业债券与非金融企业境内股票融资之和；③实际加权贷款利率，等于根据1年期贷款基准利率按时间加权计算得到名义加权贷款利率，再扣除各省对应年份的CPI(上年为100)；④实际M2增长率，等于名义M2增长率扣除各省对应年份的CPI(上年为100)；⑤实际GDP增速，先利用2010年至2015年各省的CPI(2010年为100)对各省名义GDP进行平减得到实际GDP，再根据实际GDP计算出2011年至2015年各省实际GDP增速。用实际加权贷款利率和实际M2增长率反映货币政策对企业杠杆率的影响。国家层面控制变量：去杠杆政策，因为2015年12月召开的中央经济工作会议提出去杠杆的结构性改革任务，去杠杆政策可能降低企业杠杆率，因此，设置年份虚拟变量，2016年去杠杆政策取值为1，其他年份取值为0。行业层面控制变量：①资产回报率，为利润总额除以总资产；②固定资产比重，为固定资产与总资产之比，反映固定资产的抵押潜力；③所有权结构，为国家资本占实收资本的比重，因为在中国对不同所有制企业存在信贷歧视，国有企业比私营企业更容易获得贷款，故以此变量控制所有制差异的影响。

以上数据源自《中国统计年鉴》《中国工业统计年鉴》《中国金融年鉴》和Wind数据库。对所有的连续型变量均在1%～99%区间进行winsorize处理，以消除离群值的影响。

(1)数字金融发展与工业企业杠杆率的关系

数字金融发展与各省工业企业杠杆率的二维面板回归模型为

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为省，泛指大陆22个省、4个直辖市、5个自治区；t为年，即2012年至2016年共5年；Y为企业杠杆率，包括企业总杠杆率、企业短期杠杆率、企业长期杠杆率和企业债务期限，企业总杠杆率为企业总负债除以企业总资产，企业短期杠杆率为企业流动负债除以企业总资产，企业长期杠杆率为企业非流动负债除以企业总资产，企业债务期限为企业非流动负债除以企业总负债；Ind为数字金融发展程度，分别用总指数、覆盖广度指数、使用深度指数和数字化程度指数表征。α0为常数项，α1～α10为变量的回归系数，ui为省份固定效应，εi,t为残差项。其他变量含义见表1。α1的标准误采用省级层面的聚类稳健标准误，根据H1，被解释变量为总杠杆率和短期杠杆率时，预期α1显著为负。

表1 描述性统计结果Table 1 Results for Descriptive Statistics

(2)数字金融发展与制造业行业企业杠杆率的关系

制造业是实体经济的主体，本研究根据《国民经济行业分类》(GB/T 4754-2011)，对各省2位数代码制造业的31个行业构建三维面板回归模型进行实证分析。设定数字金融发展与各省2位数代码制造业行业企业杠杆率的三维面板回归模型为

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为2位数代码制造业行业；s为年，由于缺少2011年制造业行业层面的控制变量数据，取值为2013年至2016年共4年；β0为常数项，β1～β10为变量的回归系数，vi,j为省份-行业固定效应，δi,j,s为残差项。β1的标准误采用省份-行业层面的聚类稳健标准误，根据H1，被解释变量为总杠杆率和短期杠杆率时，预期β1显著为负。在2位数代码制造业行业层面，行业企业杠杆率反向影响各省数字金融发展的强度大大降低，但为了最大程度地减弱可能存在的反向因果关系，所有连续型解释变量仍然采用滞后1期数据。(1)式和(2)式均采用固定效应模型进行基准回归估计。

表1给出变量的描述性统计结果。其中，大型工业企业总杠杆率的均值为59.786%，中位数为60.592%，大于中型工业企业和小型工业企业总杠杆率的均值和中位数，表明企业规模越小杠杆率越低；国有工业企业总杠杆率的均值为61.622%，中位数为63.939%，大于私营工业企业总杠杆率的均值和中位数。以上结果在一定程度上反映了不同规模和所有制企业的融资能力存在差异，与已有研究结果一致。

4 实证结果和分析

4.1 数字金融发展对工业企业杠杆率的影响

4.1.1 数字普惠金融指数对工业企业杠杆率的影响

根据(1)式，表2给出数字普惠金融指数对各省工业企业总杠杆率的回归结果。表2的(1)列～(4)列分别检验了数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对工业企业总杠杆率的影响。在控制宏观政策、省份和行业层面的影响因素后，数字普惠金融各指数的回归系数均在5%水平上显著为负，表明数字金融发展显著降低工业企业总杠杆率，数字普惠金融总指数增长100个单位，工业企业总杠杆率降低1.700%，即数字金融越发达的省份，工业企业总杠杆率越低。各指数的回归结果表明数字普惠金融覆盖广度、使用深度和数字化程度增加，都有利于降低工业企业总杠杆率。

控制变量方面，金融发展水平越高、直接融资比重越高、实际加权贷款利率越低、实际M2增长越快，工业企业总杠杆率越高；实际GDP增速对工业企业总杠杆率没有产生显著影响；宏观去杠杆政策显著降低工业企业总杠杆率，体现了去杠杆政策的有效性，有利于防控实体经济风险和系统性金融风险。

表2 数字普惠金融指数与工业企业 总杠杆率的回归结果Table 2 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of Industrial Enterprises

本研究进一步考察数字金融发展对各省工业企业不同期限杠杆率的异质性影响，表3给出数字普惠金融指数对工业企业短期杠杆率、企业长期杠杆率和企业债务期限的回归结果。表3的(1)列～(4)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对工业企业短期杠杆率的影响，结果表明数字普惠金融各指数的回归系数均在1%水平上显著为负，表明数字金融发展显著降低工业企业短期杠杆率，数字普惠金融总指数增长100个单位，工业企业短期杠杆率降低2.300%，大于对工业企业总杠杆率的影响。

表3 数字普惠金融指数与工业企业短期杠杆率、长期杠杆率和债务期限的回归结果Table 3 Regression Results for Digital Financial Inclusion Indexes and Short-term Leverage Ratio, Long-term Leverage Ratio and Debt Maturity of Industrial Enterprises

本研究分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对工业企业长期杠杆率的影响，结果表明数字普惠金融各指数的回归系数均不显著，限于篇幅，表3的(5)列仅给出总指数的回归结果。表3的(6)列和(7)列分别检验数字普惠金融总指数和数字化程度指数对工业企业债务期限的影响，数字普惠金融总指数的回归系数在10%水平上显著为正，数字普惠金融总指数增长100个单位，工业企业债务期限上升1.500%。数字化程度指数的回归系数在5%水平上显著为正，表明数字普惠金融对工业企业债务期限的显著影响是由于数字化程度对工业企业债务期限产生了显著影响。因覆盖广度指数和使用深度指数未对工业企业债务期限产生显著影响，故未在表3中报告。综上，数字金融发展能够提升工业企业债务期限，是由于降低了工业企业总负债中的短期债务率，才能够在未增加长期负债的条件下优化债务期限结构。由表3可知，数字金融发展对工业企业不同期限杠杆率的影响存在异质性，数字金融发展有助于降低工业企业总杠杆率和短期杠杆率、优化企业债务期限结构，未增加企业长期杠杆率，整体上有利于降低工业企业债务风险，H1得到验证。

4.1.2 数字普惠金融指数对不同规模和不同所有制工业企业总杠杆率的影响

尽管数字金融发展有利于降低工业企业总杠杆率，但数字金融发展对企业总杠杆率的影响可能在不同规模的企业之间表现出异质性，表4给出数字普惠金融指数分别对大型、中型和小型工业企业总杠杆率的回归结果。本研究分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对大型工业企业总杠杆率的影响，结果表明数字普惠金融各指数的回归系数均为负且不显著，限于篇幅，表4的(1)列仅给出总指数的回归结果。(2)列～(5)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对中型工业企业总杠杆率的影响，数字普惠金融各指数的回归系数均在10%及以上水平上显著为负，表明数字金融发展显著降低中型工业企业总杠杆率，数字普惠金融总指数增长100个单位，中型工业企业总杠杆率减少2.200%。(6)列～(9)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对小型工业企业总杠杆率的影响，数字普惠金融各指数的回归系数均在5%及以上水平上显著为负，表明数字金融发展显著降低小型工业企业总杠杆率，数字普惠金融总指数增长100个单位，小型工业企业总杠杆率减少2.500%，大于对中型工业企业总杠杆率的影响。表4结果表明，数字金融发展对工业企业总杠杆率的降低程度随着企业规模的减小而增大，显著性水平也增高，充分说明数字金融的主要服务对象是中小企业，H2得到部分验证。

本研究进一步考察数字金融发展对不同所有制工业企业总杠杆率的异质性影响，实证结果表明，数字普惠金融各指数对国有工业企业和私营工业企业总杠杆率的回归系数为负但均不显著，故未报告回归结果。总杠杆率中包含了企业长期杠杆率，但由表3可知，数字普惠金融总指数对工业企业长期杠杆率没有显著影响，后文将考察数字金融发展对国有工业企业和私营工业企业短期杠杆率的异质性影响。

表4 数字普惠金融指数与大型工业企业、中型工业企业和小型工业企业总杠杆率的回归结果Table 4 Regression Results for Digital Financial Indusion Indexes and Total Leverage Ratio of Large, Medium and Small Industrial Enterprises

4.2 数字金融发展对制造业行业企业总杠杆率的影响

4.2.1 数字普惠金融指数对制造业行业企业总杠杆率的影响

根据(2)式，表5给出数字普惠金融指数对各省2位数代码制造业行业企业总杠杆率的回归结果。表5的(1)列～(4)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对2位数代码制造业行业企业总杠杆率的影响，结果表明数字普惠金融各指数对2位数代码制造业行业企业总杠杆率的回归系数均在1%水平上显著为负，表明数字金融发展显著降低2位数代码制造业行业企业总杠杆率，数字普惠金融总指数增长100个单位，2位数代码制造业行业企业总杠杆率减少2.600%。

4.2.2 数字普惠金融指数对不同区域制造业行业企业总杠杆率的影响

本研究进一步考察数字金融发展对2位数代码制造业行业企业总杠杆率的影响在不同区域之间是否存在异质性。表6给出数字普惠金融指数分别对中部地区和非中部地区省份2位数代码制造业行业企业总杠杆率的回归结果，(1)列～(4)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对中部地区省份2位数代码制造业行业企业总杠杆率的影响，数字普惠金融各指数的回归系数均在1%水平上显著为负，表明数字金融发展显著降低中部地区省份2位数代码制造业行业企业总杠杆率，数字普惠金融总指数增长100个单位，中部地区省份2位数代码制造业行业企业总杠杆率减少5.700%。(5)列～(8)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对非中部地区省份2位数代码制造业行业企业总杠杆率的影响，数字普惠金融各指数的回归系数均在5%及以上水平上显著为负，表明数字金融发展显著降低非中部地区省份2位数代码制造业行业企业总杠杆率，数字普惠金融总指数增长100个单位，非中部地区省份2位数代码制造业行业企业总杠杆率减少2.100%。

表5 数字普惠金融指数与2位数代码 制造业行业企业总杠杆率的回归结果Table 5 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of Two-digit Manufacturing Enterprises

表6 数字普惠金融指数与中部地区和非中部地区2位数代码制造业行业企业总杠杆率的回归结果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，数字金融发展对中部地区省份制造业行业企业总杠杆率的降低程度大于非中部地区省份，H3得到部分验证。根据郭峰等[19]对2011年至2018年中国数字普惠金融发展现状的分析，中部地区数字普惠金融发展出现崛起的趋势，增速远超东北地区和西部地区，全国各地区之间的数字金融发展存在一定差距。这与本研究结果一致，体现了数字金融的普惠价值。

4.2.3 数字普惠金融指数对不同研发投入强度的制造业行业企业总杠杆率的影响

本研究检验数字金融发展对制造业行业企业总杠杆率的影响在高技术行业企业和传统行业企业之间是否存在异质性。表7给出数字普惠金融指数分别对高技术行业企业和传统行业企业总杠杆率的回归结果，(1)列～(4)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对高技术行业企业总杠杆率的影响，数字普惠金融各指数的回归系数均在5%水平上显著为负，表明数字金融发展显著降低高技术行业企业总杠杆率，数字普惠金融总指数增长100个单位，高技术行业企业总杠杆率减少3.500%。(5)列～(8)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对传统行业企业总杠杆率的影响，数字普惠金融各指数的回归系数均在5%及以上水平上显著为负，表明数字金融发展显著降低传统行业企业总杠杆率，数字普惠金融总指数增长100个单位，传统行业企业总杠杆率减少2.200%，小于对高技术行业企业总杠杆率的影响。另外，从覆盖广度指数、使用深度指数和数字化程度指数的回归系数看，每个指数对高技术行业企业总杠杆率的降低程度均大于对传统行业企业总杠杆率的降低程度。因此，数字金融发展对高技术行业企业总杠杆率的降低程度大于对传统行业的降低程度，H4得到验证。

5 内生性检验和稳健性检验

5.1 内生性检验

为避免内生性问题，本研究将所有的解释变量滞后1期，这在一定程度上能缓解反向因果造成的内生性问题。虽然已经控制了宏观、省份和行业层面影响杠杆率的因素，但是仍可能存在遗漏变量带来的内生性问题。因此，本研究利用工具变量两阶段最小二乘法(IV-2SLS)进行内生性检验，采用《中国统计年鉴》公布的省级电话普及率、移动电话普及率和互联网普及率作为数字金融各指数的工具变量。一方面，电话、移动电话和互联网是数字金融得以快速发展的基础设施，与数字金融发展密切相关；另一方面，在控制了宏观、省份和行业层面影响杠杆率的因素后，电话普及率、移动电话普及率、互联网普及率与工业企业债务不存在直接关联。因此，电话普及率、移动电话普及率和互联网普及率可以构成一组有效的工具变量。

表7 数字普惠金融指数与高技术行业企业和传统制造业行业企业总杠杆率的回归结果Table 7 Regression Results for Digital Financial Inclusion Indexes and Total Leverage Ratio of High-tech and Traditional Manufacturing Enterprises

数字普惠金融总指数是本研究首要关注的变量，利用IV-2SLS检验数字普惠金融总指数对工业企业总杠杆率、短期杠杆率、长期杠杆率和债务期限的影响，结果见表8。由表8可知，工具变量全部通过识别不足检验、弱识别检验和过度识别检验等有效性检验，而异方差稳健的内生性检验统计量的相伴概率分别为0.986、0.064、0.062和0.051，均在5%的显著性水平上接受不存在内生性的原假设，因此，本研究原模型设定不存在严重的内生性问题，前文根据固定效应模型估计得到的基准结果具有稳健性。

为进一步加强该结论的可靠性，本研究继续检验数字普惠金融的覆盖广度指数、使用深度指数和数字化程度指数与工业企业短期杠杆率和债务期限的内生性问题。在满足工具变量有效性检验的前提下，就短期杠杆率而言，覆盖广度指数、使用深度指数和数字化程度指数对应的异方差稳健的内生性检验统计量分别为4.361、1.422和2.392，相伴概率分别为0.037、0.233和0.122，覆盖广度指数的回归系数在IV-2SLS估计下在10%水平上显著为负，未改变固定效应模型估计的结果。就债务期限而言，覆盖广度指数、使用深度指数和数字化程度指数对应的异方差稳健的内生性检验统计量分别为4.774、2.117和3.109，相伴概率分别为0.029、0.146和0.078，覆盖广度指数的回归系数在IV-2SLS估计下不显著，未改变固定效应模型估计的结果。因此，本研究根据固定效应模型估计得到的数字金融发展与工业企业杠杆率的关系是稳健的。

表8 数字普惠金融指数与工业企业 杠杆率的回归结果: IV-2SLS估计Table 8 Regression Results for Digital Financial Inclusion Indexes and Leverage Ratio of Industrial Enterprises:IV-2SLS Estimation

5.2 稳健性检验

5.2.1 数字金融发展与短期杠杆率的关系

为加强本研究实证结果的稳健性，继续检验数字普惠金融指数对不同规模、不同所有制、不同区域和不同行业企业短期杠杆率和债务期限的异质性影响，仍采用固定效应模型进行回归估计。

本研究首先检验数字普惠金融指数对不同规模、不同所有制、不同区域和不同行业企业短期杠杆率的异质性影响。实证结果表明，数字普惠金融各指数对工业企业和2位数代码制造业行业企业短期杠杆率的异质性影响与数字普惠金融各指数对总杠杆率的异质性影响在多数维度下相似，因此不做重复报告，仅给出在不同所有制维度下的回归结果，表9给出数字普惠金融指数分别对国有工业企业和私营工业企业短期杠杆率的回归结果。表9的(1)列～(4)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对国有工业企业短期杠杆率的影响，数字普惠金融总指数、覆盖广度指数、数字化程度指数的回归系数均在5%水平上显著为负，而使用深度指数的回归系数为负但不显著，表明总体上数字金融发展显著降低国有工业企业短期杠杆率，数字普惠金融总指数增长100个单位，国有工业企业短期杠杆率减少1.600%。表9的(5)列～(8)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对私营工业企业短期杠杆率的影响，数字普惠金融各指数的回归系数均在5%水平上显著为负，表明数字金融发展显著降低私营工业企业短期杠杆率，数字普惠金融总指数增长100个单位，私营工业企业短期杠杆率减少2.500%。使用深度指数对国有工业企业短期杠杆率的回归系数为负但不显著，对私营工业企业短期杠杆率的回归系数显著为负，表明数字金融使用深度增加，国有工业企业短期杠杆率未受到显著影响，但降低了私营工业企业短期杠杆率。此外，数字普惠金融总指数、覆盖广度指数和数字化程度指数对私营工业企业短期杠杆率的回归系数绝对值均大于对国有工业企业短期杠杆率的回归系数绝对值，表明数字金融发展对私营工业企业短期杠杆率的降低程度均大于对国有工业企业的降低程度，H2得到验证。由表9可知，国有工业企业拥有正规金融为主的服务渠道，对数字金融依赖程度较低，数字金融发展更有利于降低私营工业企业的短期债务风险，充分体现了数字金融对私营工业企业的支持作用，彰显了数字金融的普惠价值。

表9 数字普惠金融指数与国有工业企业和私营工业企业短期杠杆率的回归结果Table 9 Regression Results for Digital Financial Inclusion Indexes and Short-term Leverage Ratio of State-owned and Private Industrial Enterprises

表10 数字普惠金融指数与小型工业企业和高技术行业企业债务期限的回归结果Table 10 Regression Results for Digital Financial Inclusion Indexes and Debt Maturity of Small Industrial Enterprises and High-tech Manufacturing Enterprises

5.2.2 数字金融发展与债务期限的关系

本研究检验数字普惠金融指数对不同规模、不同所有制、不同区域和不同行业企业债务期限的异质性影响，仅给出数字普惠金融各指数回归系数同时显著的实证结果，见表10。表10的(1)列～(4)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对小型工业企业债务期限的影响，数字普惠金融各指数对小型工业企业债务期限的回归系数均显著为正，表明数字金融发展显著提高小型工业企业债务期限，H2得到验证。(5)列～(8)列分别检验数字普惠金融总指数、覆盖广度指数、使用深度指数和数字化程度指数对高技术行业企业债务期限的影响，数字普惠金融各指数对高技术行业企业债务期限的回归系数均显著为正，表明数字金融发展显著增加高技术行业企业债务期限，H4得到验证。

6 结论

本研究以2012年至2016年中国31个省(自治区、直辖市)的工业和制造业行业相关数据为样本，检验数字金融发展对企业杠杆率的影响。研究结果表明，①数字金融发展显著降低工业企业和2位数代码制造业行业企业的总杠杆率和短期杠杆率，增加了债务期限，而对长期杠杆率没有产生显著影响，即数字金融发展没有增加企业的杠杆率，反而优化了企业债务期限结构，降低了企业的债务风险。②数字金融发展对企业总杠杆率和短期杠杆率的影响在不同规模、不同所有制、不同区域和不同研发投入强度的企业之间表现出异质性。③在企业规模维度，数字金融发展显著降低了中小型企业的总杠杆率，未降低大型企业的总杠杆率。④在所有制维度，数字金融发展显著降低了国有工业企业和私营工业企业短期杠杆率，对私营工业企业的降低程度大于国有工业企业。⑤在区域维度，数字金融发展对中部地区省份企业总杠杆率的降低作用最强，大于非中部地区。⑥在行业研发投入强度维度，数字金融发展对高技术行业企业总杠杆率的降低程度大于对传统制造业行业企业。综上所述，数字金融发展既能缓解私营企业、中小企业、中部地区省份企业和高技术行业企业的融资约束，又能降低实体经济的债务风险，体现出数字金融的普惠价值。

本研究结果具有一定的政策启示。

(1)发展数字金融有助于深化金融供给侧结构性改革。中国的金融资源配置倾向于国有企业、大企业、非中部地区企业和传统制造业行业企业，深化金融供给侧结构性改革的侧重点之一是要增强金融服务于私营企业、中小企业、中部地区省份企业和高技术行业企业的能力，后者的融资约束程度更高，对数字金融的依赖程度也更大。政府的相关政策要规范、引导和支持数字金融的发展，一方面，要加强对数字金融机构的监管，严控数字金融机构自身的风险；另一方面，对专注于为私营企业、中小企业、中部地区省份企业和高技术行业企业等金融弱势群体提供金融服务且发展良好的数字金融机构给予一定的政策支持，鼓励数字金融机构与金融弱势群体精准对接，有利于提升中国整体的金融资源配置效率和经济发展效益。

(2)发展数字金融有助于防范和化解重大风险。防范和化解重大风险是党的十九大以来确立的三大攻坚战之首，实体经济健康发展是防范和化解风险的基础，要在稳增长的基础上防风险。本研究发现，数字金融发展并没有增加企业杠杆率，反而优化了企业债务期限结构，降低了企业的债务风险，尤其是短期债务风险。这表明数字金融发展既能缓解企业融资约束、促进实体经济增长，又能降低实体经济的债务风险，发挥一举两得的作用。能够产生这种效果的重要原因之一是数字金融机构利用数字技术分析和挖掘借款人的软信息进而缓解信息不对称问题，企业要充分认识到数据的信用价值，重视数据资产建设，提高数据治理和管理能力，有利于缓解企业的融资约束，降低信贷融资双方的交易成本，控制债务风险。

(3)传统金融机构要加快与数字技术融合的步伐，实现数字化转型。本研究采用的数字普惠金融指数是根据数字金融机构利用数字技术开展的金融业务数据编制，未包含传统金融机构利用数字技术开展的金融业务活动。与传统金融机构尤其是中小型金融机构相比，目前中国的数字金融公司在数字金融领域领先一步。传统金融机构要积极应对数字化浪潮，加快提升金融服务效率，扩大金融服务覆盖面，降低金融服务准入门槛和成本，这将有力推动中国数字金融快速发展，中小企业等劣势群体的融资难、融资贵问题能进一步得到切实有效的解决。

本研究仍存在一些不足之处。①由于2018年及之后年份的《中国工业统计年鉴》尚未出版，本研究实证检验所用的数据时间跨度较小，无法反映经济周期对数字金融发展与企业杠杆率之间关系的影响，若未来出版该年鉴后续年份数据，可以拉长时间跨度重新检验二者的关系；②由于《中国工业统计年鉴》中只有省份数据，没有城市层面的工业企业和制造业行业企业数据，本研究无法更加细致地从城市层面检验数字金融发展与企业杠杆率的关系；③本研究采用中国工业企业和制造业行业企业层面数据而非微观企业层面的数据，未能正面考察数字金融发展对企业杠杆率影响的传导机制，未来将考虑利用中国微观企业数据继续展开深入研究。