大数据税收征管能否抑制企业“脱实向虚”？——基于“金税三期”的准自然实验证据

李晓艳 梁日新 李英

(1.首都经济贸易大学会计学院，北京 100070； 2.北京国家会计学院 教研中心，北京 101318)

一、引言

党的十九大报告指出，要“深化金融体制改革，增强金融服务于实体经济的能力”。这一要求有利于解决我国经济发展过程中出现的金融化问题。金融化是指非金融企业将资源倾斜于金融资产，并更多地依赖金融渠道获得利润而非生产贸易[1]。由于金融资产具备周期短、收益高的特点，越来越多的非金融企业涌入金融市场。近十年来，雅戈尔(600177)金融资产占总资产比值最高达40%，金融投资收益与房地产投资收益占净利润比值是其主业服装纺织的3倍，成为雅戈尔利润的主要来源；奥马电器(002668)自2016年开始，金融资产占比迅速上升，直至2018年占比达到最大值20.72%，随后其金融化程度一直居高不下(1)数据由作者依据雅戈尔(600177)和奥马电器(002688)年报整理。。金融资产的投资比重不断增加势必挤占企业实业投资资金，使资金不断流入虚拟经济，呈现出“脱实向虚”的趋势，这不仅会增加企业经营风险，侵害股东长期利益[2]，还可能加剧系统性金融风险，引发金融危机[3]。因此，如何抑制和防范企业金融化成为当前亟需解决的重要问题之一。已有研究主要从公司内部治理机制的角度探讨如何抑制企业金融化，而在大数据和信息技术的背景下，鲜有文献探讨外部治理机制对企业金融化的影响及作用机制。

作为一种外部治理机制，税收征管有助于完善公司治理机制，提高公司治理水平[4]。在我国，“人管人”的传统税收模式给予了税务人员一定的自由裁量权，但同时也带来一定的弊端，如操作不规范、数据来源单一、增加交易成本等[5]。随着我国新一轮工商税制改革的开展，传统的税收征管手段已不能适应新税制的改革。因此，为解决新税制与旧征管模式的矛盾，国务院以“以票控税”为指导思想，利用信息化手段，提出了金税工程这一重大项目。“金税三期”工程基于大数据与云计算平台，实现了税收大数据的集中，并运用现代化手段对增值税进行监管与征收，这标志着我国进入了信息管税的新阶段。大数据税收征管改变了传统的税收征管手段，不仅实现了海量数据相互印证、“程序管人”的管理模式、数据分析方法的改进，还改变了管理理念与管理方法，促使企业提升了公司治理水平[6]。2018年，国家税务总局税收科学研究所指出，“金税三期”工程的运行不仅能够提高涉税数据处理的能力，还有助于促进国家经济的发展。

那么，面对当前实体企业“脱实向虚”的现象，大数据税收征管通过提升征管能力，能否对企业金融化产生一定的治理效果，从而防范和抑制企业金融化？本文以“金税三期”工程在各省的试点作为准自然实验，基于2011-2018年中国A股上市公司数据，利用多期双重差分模型，考察了大数据税收征管对企业金融化的影响。本文的研究贡献体现在以下四方面：(1)从公司治理的角度看，以往对如何防范企业金融化的研究大多从内部治理机制的角度展开，较少关注外部治理机制对企业金融化的作用。本文从大数据税收征管这一外部治理机制的视角展开研究，拓展了公司治理与企业金融化的相关文献，并为未来化解和防范企业金融化的研究提供了新思路。(2)从税收征管的角度看，已有研究主要从企业税负与信息操纵的视角探讨大数据税收征管的治理机制，本文的研究揭示了大数据税收征管在企业资源配置方面的治理效应，深化了学术界对大数据税收征管这一外部治理机制的认识，有助于发挥大数据税收征管的正向溢出效应。(3)从研究方法来看，以往对税收征管指标的衡量具有较强的内生性问题，本文借鉴“金税三期”工程分批实施的契机，构造多时点的双重差分模型，在一定程度上缓解了内生性问题。(4)本文的研究结论还具有重要的政策启示，不仅为监管部门治理企业“脱实向虚”、预防系统性金融风险提供了新思路，也为利用大数据技术推进税收征管现代化改革以及国家治理体系和治理能力现代化建设提供了支持性证据。

二、文献回顾与研究假设

(一)文献回顾

1.实体企业金融化的相关研究

非金融企业金融化的现象引起了学术界的广泛关注，学者们对企业金融化的动机、影响因素以及如何防范企业金融化展开了一系列研究。

首先，针对企业金融化的动机，目前学界将其主要概括为两类：一类是基于“蓄水池”理论，学者认为企业出于预防性储蓄动机将部分资金用于购置金融资产[7]。另一类是依据“投资替代”理论，学者认为非金融企业金融化的主要目的是追逐金融资产短期内较高的利润[8]。其次，基于这两类动机，现有研究探讨了影响企业金融化的宏微观因素，微观因素主要包括高管个人特征[9]、企业业绩[1]、企业社会责任[10]等；宏观因素主要包括宏观经济状况[7]、经济政策不确定性[11]、数字金融的发展[12]等。最后，针对如何防范企业金融化，目前已有文献从企业内外部治理机制展开分析。从内部治理的角度来看，高管股权激励有助于促使管理层和股东目标趋于一致，降低管理层的短期逐利性动机，抑制企业金融化[13]；多个大股东能够发挥监督效应，通过缓解大股东与中小股东的代理问题，改善企业信息环境，从而抑制企业金融化[14]；员工持股有助于激励员工参与公司治理，改善公司治理结构，进而对企业金融化现象产生积极的治理效应[15]；良好的内部控制也能强化对管理层的监督，降低企业金融化程度[16]。从外部治理机制的角度来看，以长期持股为目的的交叉持股机构投资者能够利用其专业的管理知识和私有信息，充分发挥外部监督治理职能，抑制管理层金融化的逐利性动机[17]；国有资本介入民营企业能够提高民营企业的内部控制水平与实体业务的盈利水平，从而有效降低民营企业金融化[18]。

通过对企业金融化文献的梳理，可以发现，企业金融化的“蓄水池”理论与“投资替代”理论得到了学者们的广泛认同，并且高管个人特征等微观因素以及经济政策不确定性等宏观因素均会影响企业的金融化程度。关于如何防范和治理企业金融化，目前文献大多从公司内部治理机制的角度展开讨论，外部治理机制影响企业金融化的研究还相对较少。税收征管作为一种外部治理机制，尚未有研究探讨税收征管对企业金融化的影响及作用机制，特别在大数据的时代背景下，税收征管方式发生重大变革，探讨大数据税收征管对企业金融化的作用具有重要的理论意义和现实意义。

2.税收征管的经济后果

针对传统税收征管体制的经济后果，现有研究发现，税收征管直接抑制了企业避税行为[19]，不仅增加了企业税负现金流支出，减少了企业的内源融资[20]，还增加了企业外部融资需求[21-22]，最终加剧了企业的融资约束[5]。同时，税收征管还发挥着重要的公司治理作用。首先，税收征管能够加强对企业账目的核查力度，提升会计信息质量[23]，并督促企业及时披露内部负面信息，避免负面信息的囤积[24]，降低股价崩盘风险[25]，提升企业长期价值[26]。其次，税收征管有助于完善公司内部治理机制，提高公司治理水平[4]，进而有效抑制大股东侵占资产以及管理层获取私利的机会主义行为[27]，降低代理成本[28]，抑制管理层的盈余管理行为[29]。

特别地，伴随信息技术的发展，大数据技术的应用改变了传统的税收征管模式。目前，针对大数据税收征管经济后果的研究主要围绕企业税负与实施效率展开，发现大数据税收征管显著降低了企业避税程度[30]，并提高了信息披露透明度[31]，缓解了政企之间的信息不对称程度[32]，抑制了企业盈余管理程度[6,33-34]，从而降低了审计风险与审计费用[35]。

通过对税收征管经济后果的文献梳理发现，税收征管对企业具有“征税效应”和“治理效应”，大数据技术的应用有效提升了税收征管的征管力度从而影响企业行为。然而，一方面，目前文献仅从单一的视角研究税收征管的“征税效应”或“治理效应”对企业行为的影响，少有研究关注这两种效应同时存在时对企业发挥的作用，税收征管对企业行为的影响及作用机理还有待进一步探讨；另一方面，已有文献主要从企业税负与信息操纵的角度探讨大数据税收征管的直接实施效果，对大数据税收征管溢出效应的研究还相对缺乏。因此，本文将基于企业金融化的角度，探究大数据税收征管的有效性。

(二)研究假设

1.大数据税收征管的“征税效应”

大数据税收征管通过加剧企业融资约束，降低了企业金融化程度，有效发挥了“征税效应”。具体地，税收是政府强制要求企业从利润中按照税法规定扣除一定比例上交政府的部分，税收的增加会挤占企业的现金流及内部留存收益[30]，因此，通过避税活动节约税后现金流成为很多企业缓解融资约束的重要手段之一[21-22,36]。大数据税收征管则极大提升了税务机关的工作效率与征税能力，抑制了企业避税行为。“金税三期”工程上线后，税务监管机构利用大数据技术及云计算平台，对企业资金流与票据流进行追踪，显著提升了对企业偷税、漏税行为的识别概率。同时，大数据技术利用收入、成本等科目之间的勾稽关系、数据历史波动趋势等信息，预测企业未来应纳税所得，据此判断企业纳税异常情况，使企业避税空间受到压缩[30]，增加了企业的税负现金流支出，削弱了企业的内部融资能力。依据优序融资理论，内源融资的减少会导致外部融资需求增加，企业的融资成本与融资难度将随之加大，加剧了企业融资约束。

融资约束加剧在一定程度上会降低企业金融化程度。一方面，金融投资收益较高且变现能力较强，依据“蓄水池理论”，企业利用富余资金购置金融资产时，可支配的资金越多，其用于配置金融资产的资金越多。反之，当面临较大的融资约束时，企业将缺乏足够的资金投资于金融资产，甚至通过出售已持有的金融资产缓解当前财务困境，减少金融资产的持有数量，从而降低企业金融化程度[37]。另一方面，金融投资带来高收益的同时往往伴随着高风险，当融资约束较大时，企业面临的财务风险更大，此时，企业可能难以承受金融投资带来的高风险，因而降低金融投资的意愿。基于上述分析，大数据税收征管通过加剧企业融资约束降低了企业金融化程度。

2.大数据税收征管的“治理效应”

大数据税收征管作为一种外部治理机制，通过缓解股东与管理层之间的代理问题，能够抑制管理层的逐利性动机，从而降低企业金融化程度，发挥“治理效应”。具体地，管理层与股东之间的代理问题是导致实体企业过度金融化的一种重要因素[2,11]。企业金融化在一定程度上反映了企业对长短期利益的权衡。金融投资能够在短期内获得大量收益，但是也会挤占企业实体业务的投资资金，导致企业不断缩小实业规模，逐渐脱离主业，最终损害企业的长期价值[2]。基于委托代理理论，管理层在实际经营过程中可能更多地出于资本套利的动机购买金融资产以谋取私人利益，违背股东意愿。具体原因包括两个方面，一方面，薪酬契约以及薪酬业绩敏感性给了管理层获取短期利益足够的动机[3]。金融资产投资收益具有“短平快”的特点，管理层能够利用金融投资收益平滑利润、粉饰短期业绩和市场表现，给股东呈现出公司良好的经营现状，以获取契约薪酬及超额报酬[37-38]。另一方面，金融投资还存在“重奖轻罚”的不对称性[39]，当金融投资盈利时，管理层能够在短期内得到超额报酬，而金融投资亏损时，管理层则容易将其失败归咎于市场风险等外部因素以减轻自身责任。因此，相比于周期长、风险大、不确定性高的实业投资，管理层有动机将企业资金更多投资于金融资产。

税收征管作为一种外部治理机制，能够缓解股东和管理层之间的代理问题[27-28]。大数据技术的应用则进一步强化了税收征管的治理作用，进而降低企业金融化程度。具体表现为：首先，大数据税收征管提高了税收征管能力，降低了管理层利用避税活动掩盖代理行为的可能。已有研究表明，管理层从事避税活动时会故意增加交易的复杂度与财务信息的理解难度，为管理层谋取私人利益提供可趁之机，从而加剧了管理层和股东之间的代理问题[36]。大数据税收征管则利用互联网开票、大数据分析等现代信息技术，直接将企业涉税数据传递给税务机关，使得税务机关能够根据企业的实时交易数据掌握企业经营生产状况，这有效弥补了人工征税方式的弊端，增加了企业避税的难度，进而遏制了管理层的代理行为，有助于缓解管理层因代理问题引致的金融投资行为，降低企业金融化程度。

其次，“金税三期”工程引入了风险管理理念，利用大数据分析技术对高风险领域以及高风险对象进行预警，规范了管理层的内部管理行为[40]。大数据税收征管通过对企业数据进行分析，不仅能够判断企业应纳税金额的准确性，还能对企业营业收入占比、金融资产持有比例等数据进行分析，并通过同行业对比预测企业未来的经营风险。当企业的金融化程度显著高于其他行业时，其财务风险将在一定程度上显著提高，因而引起股东等相关利益者的关注，使得管理层利用金融资产进行资本套利的机会主义行为难以掩盖。因此，大数据税收征管有效地约束了管理层的机会主义行为，促使管理层投资于有利于股东价值最大化的实体业务，降低企业金融化程度，抑制企业“脱实向虚”。

综上所述，大数据税收征管通过加剧企业融资约束、缓解股东与管理层之间的代理问题，降低企业金融化程度。基于此，本文提出下列假设。

H1大数据税收征管显著降低了企业金融化程度。

H1a大数据税收征管通过加剧融资约束降低了企业金融化程度。

H1b大数据税收征管通过缓解代理问题降低了企业金融化程度。

三、实证设计

(一)样本选取及数据来源

“金税三期”工程自2013年率先在山西、重庆、山东三个省(市)上线运行；2014年在河南、内蒙古、广东(除深圳市)上线运行；2015年相继在宁夏、海南等14个省上线运行；2016年覆盖全国，全面实现了大数据税收征管。考虑到政策实施前后的时间跨度以及2019年增值税改革对研究结论可能产生一定干扰，本文从第一批“金税三期”工程试点上线前两年开始，自“金税三期”工程实现全面覆盖后两年结束，选取2011-2018年A股上市公司为样本。因不同地区“金税三期”工程上线时间存在差异，本文剔除了办公所在地与注册地不同的企业样本。此外，本文还依次剔除了ST类公司样本、金融业与保险业公司样本、资产与所有者权益小于0的样本以及缺失值样本，最终共得到15 692个公司-年度有效样本。为避免极端值的影响，对连续变量进行了上下1%的缩尾处理。数据主要来源于CSMAR数据库及WIND数据库。

(二)主要变量定义

1.大数据税收征管——“金税三期”工程的实施

“金税三期”工程分批次逐步在全国各省市上线，因此，本文使用GTP衡量企业所在地区当年是否实施了大数据税收征管，即“金税三期”工程是否上线。若企业i办公所在地区c在第t年实施了大数据税收征管，则c地区第t年及t年以后GTP取1，否则取0。具体地，考虑到“金税三期”工程上线后需要一定的推广过程，因此参照朱凯等(2021)[34]的做法，若该地区“金税三期”工程在上半年上线则视为当年实现大数据税收征管，若在下半年上线则视为下一年正式开始实施。其中，山东省青岛市和广东省深圳市分别于2016年7月和2016年10月开始上线“金税三期”工程，与其所在省份其他地区实施时间不同，本文单独考虑这两个城市大数据税收征管的实施时间。

2.企业金融化程度

参照杜勇等(2019)[9]的做法，本文使用企业金融资产占总资产的比例衡量企业金融化程度。具体地，企业金融资产包括交易性金融资产、衍生金融资产、发放贷款及垫款净额、可供出售金融资产、持有至到期投资净额和投资性房地产。

3.控制变量

本文参照杜勇等(2019)[9]、顾雷雷等(2020)[10]、陈春华等(2021)[12]等的做法，控制了可能影响企业金融化的微观因素及宏观因素。微观层面，考虑到企业财务特征和公司治理变量会对企业金融化产生影响，本文控制了企业规模(SIZE)、财务杠杆(LEV)、盈利能力(ROA)、企业成长性(GROWTH)、投资强度(INVEST)、企业现金持有(CASH)、产权性质(STATE)、股权制衡度(HC)、高管持股比例(INSHARE)。宏观层面，考虑到企业金融化在一定程度上受地区经济发展程度和地区金融发展程度的影响，本文参照赵彦锋等(2022)[14]、赵晓阳和衣长军(2021)[18]等的做法，控制了地区经济发展程度(GDP)和地区金融发展程度(FIR)。此外，本文还控制了年度(YEAR)和企业(FIRM)双向固定效应。具体变量定义如表1所示。

表1 变量定义表

(三)模型构建

“金税三期”工程自2013年开始试运行到全面推行，为本文研究提供了一个良好的“准自然实验”。因此，本文采用多期双重差分法，构建模型(1)，检验大数据税收征管对企业金融化程度的影响。

FINi,t=α0+α1GTPc,t+α2SIZEi,t+α3LEVi,t+α4ROAi,t+α5GROWTHi,t+α6INVESTi,t+α7CASHi,t+α8STATEi,t+α9HCi,t+α10INSHAREi,t+α11GDPc,t+α12FIRc,t+YEARt+FIRMi+εi,t

(1)

其中，i表示企业，c表示地区，t表示年份。FINi,t为企业金融化程度，GTPc,t为企业所在地当年是否实施大数据税收征管的哑变量，其余为控制变量。此外，本文控制了企业层面和时间层面双向固定效应。依据假设1，本文预期α1显著为负，即大数据税收征管能够降低企业金融化程度，抑制企业“脱实向虚”。

四、实证分析

(一)描述性统计

表2展示了主要变量的描述性统计结果。非金融企业金融化程度(FIN)的均值为0.033 6，最小值为0.000 0，最大值为0.388 3，表明企业之间金融化程度存在较大的差异，该统计结果与杜勇等(2019)[9]已有研究相近。GTP均值为0.410 7，表明样本期间共41.07%的上市公司所在地实施了大数据税收征管，与已有研究描述一致[33]。在控制变量方面，产权性质(STATE)的均值为0.395 6，说明样本中约有39.56%为国有企业；高管持股比例(INSHARE)的均值为0.131 9，最小值为0.000 0，最大值为0.678 4，说明样本中不同企业高管持股比例差距较大。其余变量描述性统计结果均与已有研究相似。

表2 描述性统计

(二)多元回归结果分析

为检验大数据税收征管(GTP)对企业金融化程度(FIN)的影响，本文采用式(1)进行回归分析。表3列(1)-(4)展示了逐步加入控制变量后，大数据税收征管对企业金融化的影响。其中，列(1)为仅控制企业-年度固定效应的回归结果。结果显示，大数据税收征管(GTP)回归系数为-0.003 1，在5%的水平上显著，初步验证了假设1。列(2)(3)中，依次控制了企业层面的特征和公司治理层面的特征，回归结果与预期一致。最后，考虑到宏观因素可能对企业金融化产生一定的影响，进一步控制了地区经济发展程度(GDP)与地区金融发展程度(FIR)，回归结果如列(4)所示，GTP的回归系数在1%的水平上显著为负，且回归模型的拟合度(adj.R2)随着控制变量的增加逐步提高。结果表明，大数据税收征管能够有效降低非金融企业的金融化程度，企业“脱实向虚”的现象在一定程度上得到了有效抑制。上述实证结果均验证了本文的假设1。

(三)平行趋势假设检验

上述回归结果表明大数据税收征管有助于降低企业金融化程度。由于使用双重差分模型评估大数据税收征管的实施所产生的政策冲击，需要在政策实施前满足平行趋势假设，即政策实施前实验组与对照组样本的金融化程度具有相同的变化趋势。为进行平行趋势检验，本文构建了企业-年度双向固定效应模型，如式(2)所示。

(2)

表3 大数据税收征管对企业金融化程度的影响

其中，POST-3、POST-2、POST-1、POST0、POST1、POST2、POST3分别代表大数据税收征管实施的前三年及以前年度、前两年、前一年、实施当年、实施后一年、后两年、后三年及以后年度。参照郑建明和孙诗璐(2021)[35]的做法，选取大数据税收征管实施前一年POST-1作为基准年，采用式(2)进行分析。理论上，如果满足平行趋势假设，那么在政策实施前，大数据税收征管的回归系数不显著。若政策实施前显著为负，则表明企业金融化程度的降低可能是其他因素所导致的，即大数据税收征管不能降低企业金融化程度。回归结果如表4所示，POST-3、POST-2系数均不显著，上述结果表明大数据税收征管实施前，实验组与对照组企业金融化的变化趋势不存在显著差异，符合平行趋势假设，满足了多期双重差分法的前提条件。此外，大数据税收征管实施后，POST1、POST2的系数在10%的水平上显著为负，这表明大数据税收征管对企业金融化的影响在实施后两年内均存在，初步验证了假设1，即大数据税收征管降低了企业金融化程度。

表4 平行趋势检验

为直观显示平行趋势假设检验结果，本文绘制了平行趋势检验图。图1为βt在90%的置信区间平行趋势检验图。由图1可知，大数据税收征管实施之前，实验组和对照组样本的企业金融化程度无显著差异，满足平行趋势检验。大数据税收征管实施后，持续两年内实验组的企业金融化程度显著低于对照组，初步验证了假设1。

图1 平衡趋势检验图

(四)稳健性检验

1.安慰剂检验

表5 安慰剂检验结果

此外，针对每个样本企业，本文将大数据税收征管变量(GTP)随机赋值，基于式(1)重新回归，并将此过程重复1 000次。回归系数模拟结果如图2所示。由图2可知，随机模拟的回归系数集中在0点附近且多数散点在10%的水平上不显著，显著异于真实回归系数-0.003 5，这表明大数据税收征管的确降低了企业金融化程度，排除了随机因素对结果的干扰。

图2 随机抽样1 000次安慰剂检验图

2.PSM-DID检验

为控制实验组与对照组之间存在的系统性差异对结论产生的影响，本文进一步使用PSM-DID的方法进行内生性检验。首先，使用倾向得分匹配法将实验组与对照组样本进行匹配，具体地，采用企业规模(SIZE)、财务杠杆(LEV)、盈利能力(ROA)、企业成长性(GROWTH)、投资强度(INVEST)作为协变量，使用Logit模型进行一对四匹配，共得到14 591个有效样本。表6为平衡性检验结果。相比于匹配前，匹配后协变量标准误明显缩小，均远小于10%。且t检验表明，匹配后实验组与对照组之间的均值不存在显著差异，说明样本得到有效匹配。

表6 平衡性检验结果

基于倾向得分匹配结果，本文采用式(1)重新检验大数据税收征管对企业金融化的影响，回归结果如表7所示，GTP回归系数为-0.004 0，且在1%的水平上显著，表明在控制样本偏差后，大数据税收征管仍然有效降低了企业金融化程度，再次验证了假设1。

3.排除“营改增”政策的干扰

自2012年，我国开启了“营改增”试点，随后逐步扩大试点地区以及行业范围，直至2016年全面实现“营改增”。“营改增”政策的实施使营业税与增值税之间重复征税的问题得以解决，减轻了企业面临的税收负担，增加了实体经济给企业带来的投资回报，从而促使企业投资于实体经济，降低了企业金融化程度[41]，由此可能对本文研究结论产生干扰。鉴于“营改增”政策主要对房地产业、生活服务业、金融业以及建筑业四大服务行业产生影响，本文参照郑建明和孙诗璐等(2021)[35]的做法，仅选取受“营改增”政策影响较小的制造业和批发零售业，重新界定样本范围进行检验。回归结果如表8列(1)所示，GTP回归系数为-0.002 4，在10%的水平上显著。该结果表明，排除了“营改增”政策对本文结论的干扰后，大数据税收征管仍显著降低了企业金融化程度，验证了结论的稳健性。

以社会主义核心价值观为引领，是构建高校德育工作的必然要求。首先，它凝练了社会主义科学发展的精神内核；其次，它展示了建设中国特色社会主义理论成果与实践成果的一体化；第三，明确了青年学生的精神追求，进一步指明了高校德育工作的方向，明确了高校德育工作的目标。

表7 PSM-DID检验结果

4.控制高阶固定效应

为排除行业时变冲击与地区时变冲击的影响，本文进一步控制行业年度联合固定效应与地区年度联合固定效应。回归结果如表8列(2)(3)所示，GTP回归系数分别为-0.002 9和-0.036 5，均在5%的水平上显著，再次验证了本文结论的稳健性。

五、作用机制检验

上述回归结果均验证了基本假设，即大数据税收征管有效降低了企业金融化程度。如前所述，一方面，大数据税收征管通过加剧企业融资约束，降低企业金融化程度，发挥了“征税效应”。另一方面，大数据税收征管也通过缓解企业代理问题，降低企业金融化程度，发挥了“治理效应”。为验证上述影响机制，本文参照温忠麟和叶宝娟(2014)[42]的做法，在模型(1)的基础上，构建中介效应模型，分别检验基于融资约束和代理问题的中介效应，具体模型如式(3)(4)所示

Mi,t=μ0+μ1GTPc,t+∑CONTROL+YEARt+FIRMi+εi,t

(3)

FINi,t=γ0+γ1GTPc,t+γ2Mi,t+∑CONTROL+YEARt+FIRMi+εi,t

(4)

其中，M为中介变量，本文主要指融资约束(SA)和代理成本(AGENCY)。融资约束(SA)变量，考虑到学术界常用的KZ指数、WW指数计算中包含了现金流、财务杠杆等内生变量，而SA指数具有较好的外生性，因此，本文参照鞠晓生等(2013)[43]的做法，采用SA指数衡量企业融资约束，具体计算方式为SA=-0.737*SIZE+0.043*SIZE2-0.04*AGE，其中SIZE为企业资产总额除以1 000 000后取自然对数，AGE为企业上市年龄。本文对SA指数取绝对值(SA)，值越大表明企业面临的融资约束越大。代理成本(AGENCY)变量，本文参照叶康涛和刘行(2014)[36]、蔡昌等(2021)[32]的做法，使用管理费用与营业收入的比值衡量。由于企业内部代理问题的驱动，管理层为实现自身利益最大化，往往会通过金融投资实现资本套利、获取短期收益等机会主义目的。其他变量定义同模型(1)。

表8 稳健性检验

表9列式了大数据税收征管影响企业金融化的中介效应回归结果。其中，列(1)(2)反映了基于融资约束的中介效应检验结果，结果显示，GTP与SA的回归系数为0.004 3，且在1%的水平上显著为正，表明大数据税收征管显著加剧了企业的融资约束。在控制了GTP后，SA与FIN在1%的水平上显著负相关，且μ1*γ2与γ1同号；GTP的回归系数为-0.003 3，在1%的水平上显著，其绝对值小于主回归中GTP回归系数(-0.003 5)的绝对值，且Sobel Z值为2.197 0，在5%的水平上显著，表明融资约束起到了部分中介效应，即大数据税收征管通过加剧融资约束降低了企业金融化程度，发挥了“征税效应”，验证了假设1a。

表9 机制检验

列(3)(4)反映了基于代理成本的中介效应检验。当μ1与γ2至少有一个系数不显著时，应当通过Sobel检验判断是否存在中介效应[42]。列(3)显示，GTP与AGENCY的回归系数为-0.001 3，但不显著，因此，本文进行了Sobel检验，Sobel Z值为-3.574 0，在1%的水平上显著，并且控制中介变量AGENCY后，GTP的回归系数为-0.003 4，其绝对值小于主回归中GTP系数(-0.003 5)的绝对值，表明代理成本起到了部分中介效应，即大数据税收征管的实施通过缓解管理层与股东的代理问题，抑制了管理层的机会主义行为，从而降低了企业金融化程度，验证了假设1b。

为进一步检验中介效应的稳健性，本文使用Bootstrap法加以判断。相比于逐步回归法和Sobel检验法，使用Bootstrap方法判断是否通过95%置信水平的临界值，能够得出更精确的结果，统计效力更高。本文采用Bootstrap方法进行1 000次重复取样，并构造95%的置信区间，若置信区间上下限不包括0，则证明中介效应成立。表9展示了中介效应的Bootstrap分析结果，在95%的置信区间均不包含0，即中介效应成立。综上所述，大数据税收征管通过加剧企业融资约束和缓解代理问题，降低了企业金融化程度。

六、进一步分析

1.企业避税动机

“金税三期”工程上线后，税收机关利用大数据技术极大提高了其征税能力，企业避税行为得到有效治理[30]。因此，相比于避税动机较小的企业，大数据税收征管对企业金融化的影响可能在避税动机较大的企业中更为显著。具体地，参照Desai和Dharmapala(2006)[4]、叶康涛和刘行(2014)[36]、张克中等(2020)[30]，本文使用扣除应计利润影响后的会计-税收差异衡量企业避税动机，差异越大企业从事避税活动的可能越大，因而避税动机越强。依据企业避税动机行业年度的中位数，本文将样本划分为两组，若高于行业年度中位数，则认为避税动机较强，反之避税动机较弱。分组回归结果如表10列(1)(2)所示。结果显示，针对避税动机较弱的企业，GTP回归系数为-0.001 9，但不显著。针对避税动机较强的企业，GTP回归系数为-0.005 4，且在1%的水平上显著。二组组间系数差异检验p值为0.086，通过了组间系数差异检验。该结果表明，大数据税收征管对企业金融化的抑制作用在避税动机较强的企业中更为显著。

2.产权性质

大数据税收征管对企业金融化的影响可能在不同产权性质的企业中存在差异。一方面，鉴于非国有企业相比国有企业的避税动机与融资难度相对较大，大数据税收征管发挥“征税效应”，可能对非国有企业金融化的抑制作用更为显著。具体地，首先，产权性质决定着企业的经营目标。国有企业扮演着政府代理人的角色，其经营目标更加多元，除财务目标外，还包括维护社会稳定、捍卫国家安全等政治目标。而非国有企业主要以追求股东财富最大化为目标，其管理层面临经营业绩压力更高[44]，避税动机更强。其次，产权性质对企业经营环境产生重要影响。国有企业拥有政府的隐性担保，更容易获得银行贷款，其融资约束相对较小，而非国有企业多面临“融资难”且“融资贵”的问题，更倾向于优先使用内部融资。考虑到税收会在一定程度上挤占企业内部留存收益，因此，大数据税收征管的“征税效应”可能对非国有企业金融化产生更大的影响。

另一方面，由于国有企业所有者缺位，其委托代理问题往往更加严重，因此，相比于非国有企业，大数据税收征管可能对国有企业发挥更为显著的治理效应，从而降低企业金融化程度。具体地，由于所有者缺位，国有企业管理层缺乏有效监管，导致管理层与股东的委托代理问题更加严重。出于提升短期业绩、获取自身利益的目的，管理层在监管不严的情况下更愿意投资于短期收益较高的金融资产，以获取私有收益。大数据税收征管则有效发挥了“治理效应”，使管理层的资本套利等机会主义行为受到制止。此时，大数据税收征管可能对国有企业金融化产生更为显著的影响。

基于上述分析，本文分组检验了大数据税收征管对国有企业与非国有企业金融化产生的影响，回归结果如表10列(3)(4)所示。结果显示，针对国有企业，GTP回归系数为-0.001 6，但不显著，而针对非国有企业，GTP回归系数为-0.004 7，且在1%的水平上显著。但是，组间系数差异检验p值为0.133，未通过组间系数差异检验。这可能是因为大数据税收征管同时发挥“征税效应”和“治理效应”，不论国有企业还是非国有企业，均在一定程度上受到影响，因此两组回归结果未产生显著差异。

表10 基于企业避税动机和产权性质的分组检验

3.公司治理

作为一种外部治理机制，大数据税收征管通过完善税收征管系统，加强了对企业行为的制约，能够有效缓解管理层和股东之间的代理问题，从而抑制企业“脱实向虚”。鉴于此，大数据税收征管作为一种外部治理机制，对公司治理水平较差的企业可能产生更大的边际效应。参照谢露等(2021)[45]的做法，本文使用分析师跟踪人数与股权制衡度衡量公司治理水平。具体而言，当分析师对企业的关注度较高时，企业所受外部监督水平较高，其信息更加透明，因而公司治理水平相对较高。相反，当分析师关注度相对较少时，企业的治理水平更差。与此同时，股权制衡度也在一定程度上反映了公司的治理水平。当股权制衡度较高时，其他大股东对第一大股东与高管侵害中小股东利益的行为具有更强的监督意愿及监督能力，能够有效提升公司的治理水平，遏制管理层的短视行为。因此，股权制衡度较高的企业，公司治理水平更高。

表11 基于公司治理水平的分组检验

基于此，首先，本文使用分析师跟踪人数衡量分析师关注度，分析师跟踪人数越多，则分析师关注度越高，企业治理水平越好。其次，采用第二到第十大股东的持股比例之和占第一大股东持股比例的比值衡量股权制衡度。本文分别依据同行业同年度企业分析师关注度和股权制衡度的中位数将样本划分为低分析师关注度组和高分析师关注度组、低股权制衡度组和高股权制衡度组，依次基于式(1)进行分组回归。回归结果如表11所示。由列(1)-(4)可知，大数据税收征管与企业金融化的负相关关系仅在低分析关注度组和低股权制衡度组更为显著，并且均通过了组间系数差异检验。该结果表明，在公司治理水平差的企业，大数据税收征管对企业金融化的抑制作用更为显著。

七、研究结论与启示

本文以2011-2018年A股上市公司为研究样本，基于“金税三期”工程的实施这一准自然实验，使用多期双重差分法，研究了大数据税收征管对企业金融化的影响及作用机制。研究发现，大数据税收征管显著降低了企业金融化程度，抑制了企业“脱实向虚”；机制检验表明，大数据税收征管通过加剧企业融资约束、缓解企业代理问题双路径抑制企业金融化，有效发挥了税收征管的“征税效应”和“治理效应”。进一步研究表明，大数据税收征管对企业金融化的负向影响在避税动机较大的企业和公司治理水平较差的企业中更为显著，而在产权性质不同的企业中没有显著差异。

本文基于数字经济的时代背景，从外部治理机制的视角探讨了大数据税收征管如何防范和抑制企业“脱实向虚”，不仅丰富了大数据税收征管微观经济后果的相关研究，也为治理企业金融化提供了新视角，具有一定的理论贡献。基于上述结论，本文得出以下启示：第一，税收部门应当依托大数据与现代信息技术，持续推进税收征管改革。大数据税收征管不仅能够规范税收程序，发挥征税效应，同时还有助于提升企业治理水平，发挥积极的治理效应，进而抑制企业“脱实向虚”，优化企业的资源配置。因此，未来“金税四期”系统可以进一步纳入“非税业务”，整合更多的企业信息，如企业生产、经营、规章制度等数据，扩大数据范围，实现对企业业务更全面的监控，深化税收征管现代化改革。第二，金融部门、银保监会等监管部门应当充分关注大数据税收征管的正向溢出效应，并利用企业的涉税信息、交易记录等，提高对企业资产配置等更多领域的监管力度。同时，还应当积极改进管理方式，充分利用大数据分析技术及风险预警手段，有效提升管理效率，助力国家治理体系和治理能力现代化建设。第三，企业应当积极推进内外部相结合的治理机制，完善治理体系。本文研究发现大数据税收征管的“征税效应”和“治理效应”在避税动机较大、公司治理水平较差的企业中更为明显，这启示企业不仅需要进一步规范自身行为，提高内部治理水平，同时还应当适时引入外部监督机制，构建内外部相结合的公司治理体系。