数字金融与资本结构动态调整速度

王竹泉 高雅 于苏

(中国海洋大学 管理学院，山东 青岛 266100)

一、引言

随着我国经济步入高质量发展阶段，引导金融供给侧改革、助力金融服务实体经济成为促进和谐发展的主线任务。作为金融供给侧改革的重要组成部分，数字金融近年来发展迅猛。2018年毕马威研究报告中指出中国数字金融渗透率占92%，遥遥领先于其他国家(1)https://home.kpmg/cn/zh/home/campaigns/2018/12/china-fintech-50.html。以金融科技为基础的数字金融有效实现了以技术为桥梁，构建新金融产品、金融业务及用户交流互动新形式的交易平台，提高了金融资源供给[1]。作为新兴的金融服务业务，数字金融依托底层信息科技进行多元化场景构建，通过突破传统金融服务高成本和低效率窘境，与传统金融竞合，推动金融需求对接，已然成为增强金融服务实体经济质效的重要突破口之一。

然而，一个悬而未决的问题是数字金融是否影响资本结构动态调整？资本结构动态调整是指以追求价值最大化为目的的企业，在资本结构偏离目标水平时有动机进行资本结构调整[2]。由于资本市场交易双方存在交易费用、信息不对称等问题，公司调整资本结构时势必会导致其在调整成本与调整收益间进行权衡[3]，调整速度取决于调整成本、调整收益的大小[4-7]。但囿于我国金融抑制的现状，资金供需双方信息不对称程度较高，企业面临严重的融资约束问题。这加剧了企业进行资本结构调整的难度。而数字金融作为推动金融供给侧的创新型金融模式，可能产生融资约束缓解效应[8]和信息环境优化效应[9]，进而通过降低企业调整成本和增加企业调整收益加快调整速度。具体来说，对于负债不足的企业而言，数字金融通过拓宽企业融资渠道、增强信贷可得性以及减少企业融资成本缓解企业融资约束，从而降低向上调整的成本，增加企业向上调整速度。对于过度负债的企业而言，信息技术赋能的数字金融促使银行准确识别企业信用等级、及时变更贷款契约的同时，加大企业违约成本，理性的管理层为了规避损失倾向于缩减企业债务。因此，数字金融提升了过度负债企业缩减债务所带来的收益，进而可能加快向下调整的速度。

基于此，本文利用2011-2020年A股上市公司为研究样本，探究数字金融对企业资本结构动态调整的影响及其作用渠道。本文主要贡献如下：第一，首次考察了数字金融对公司资本结构动态调整行为的影响，揭示了数字金融对公司资本结构调整速度的促进作用，既丰富了数字金融经济效应的研究，也拓展了资本结构动态调整理论的相关文献。第二，推动了金融服务实体企业的研究。本文将研究视角延伸至企业资本结构动态调整，有利于更加完善地揭示数字金融助力实体企业高质量发展的逻辑推演，从而反映了金融抑制背景下金融供给侧改革对实体企业融资行为的影响。第三，从债务融资角度揭示数字金融与企业杠杆率变动之间的关系，为“降杠杆、稳杠杆”政策、缓解企业融资难融资贵的困境提供微观层面的具体实施方式，也为创新型金融模式有效降低系统性金融风险提供理论借鉴。

二、 文献综述

(一) 数字金融相关研究

以金融科技为基础的数字金融迅速崛起，并且利用大数据、云计算、人工智能等新兴技术促进了金融主体间的联结，打破固有金融模式，拓宽了金融服务的内容和边界，有效提高企业资源配置效率[1]，成为我国金融服务实体企业发展的重要引擎[10]。

现有文献认为数字金融通过带来缓解融资约束[11]、优化信息环境[12]的微观经济效应，对实体企业决策产生影响。从融资约束角度，数字金融的创新发展冲击了传统商业银行的负债端、资产端和中间端业务，加剧金融机构间竞争，增强企业的信贷可得性[13]，助力于企业缓解融资约束[14]，从而提高全要素生产率[15]、减缓企业投融资期限错配[16]等。从信息环境角度，数字金融可以利用人工智能等技术实时获取信息，分析企业决策等方式优化信息环境[12]，并且良好的信息环境可以通过影响银行监管力度增加企业违规成本，缩短违规收益时间，从而抑制实体经济“脱实向虚”[17]、提高企业风险承担水平[17]、增加企业价值[18]以及降低债务融资成本[19]等。虽然现有文献从投融资期限错配[16]以及债务融资成本[19]等角度探究了数字金融对企业财务决策的影响，但资本结构动态调整作为企业财务决策的重要内容，鲜有人探讨数字金融与资本结构动态调整的关系。

(二)企业资本结构动态调整相关研究

自MM理论提出以来，资本结构就成为学术界研究的热点话题，资本结构动态调整作为其重要分支受到社会各界的广泛关注。动态权衡理论认为，企业发展过程中存在一个目标资本结构能够促使其价值最大化[2]。为此，企业在价值驱动下有动机调整实际资本结构与目标资本结构的偏差。但是由于资本市场摩擦等因素产生了较高的调整成本，所以企业进行资本结构调整行为时需要在调整成本与调整收益之间权衡；而调整成本、调整收益的大小决定了企业的调整速度[6]。现有研究多以调整成本与调整收益为切入点探究资本结构动态调整的影响因素，大致可以分为两类：一类围绕企业内部环境因素，另一类围绕宏观经济政策展开。

基于企业内部环境因素而言，融资约束、公司治理以及投资决策等会对调整速度产生影响。首先，融资约束的强弱能够影响调整速度。Korajczyk和Levy(2003)[20]的研究表明，融资约束一定程度上反映了企业的调整成本，因此，融资约束程度越严重，调整成本越大，反映为企业融资约束与调整速度快慢呈反比。其次，公司治理是影响调整速度的重要因素[9]。黄继承等(2016)[21]认为当企业实际资本结构高于目标资本结构时，代理问题越严重，过度负债所带来的监督与破产风险会给经理人带来更大压力，相对来说企业向下调整收益增加，具体表现为过度负债的企业向下调整速度更快。陈志红和李宏伟(2019)[22]从两职合一角度验证了企业CEO自主权越高，其更倾向于追逐高风险，过度负债企业调整资本结构的收益降低。最后，不同的投资决策会对资本结构动态调整速度产生不同的影响。夏子航和辛宇(2020)[5]认为企业持股金融机构的策略选择将导致寻租的可能性上升，提高企业调整成本，进而减缓调整速度。安素霞和刘来会(2020)[23]的研究表明，企业金融化导致目标资本结构下降的同时，金融资产期限规定限制了企业变现能力，致使调整成本增加，调整速度降低。

同时，资本结构的选择理应是一个综合各种因素的动态决策过程，需要考虑外界经济政策环境对资本结构的影响。已有研究分别从媒体报道[24]、融资融券[25]以及高铁开通[26]等视角验证信息环境如何影响企业调整成本，进而作用于企业资本结构调整。此外，法律环境也会对资本结构动态调整产生影响。例如，黄继承等(2014)[7]认为良好的法律环境通过影响企业向上调整成本、向下调整收益，加快企业资本结构动态调整速度。

综上，已有文献从融资来源、融资环境等视角探究融资方式与企业资本结构动态调整速度的因果关系，认为调整成本和调整收益的大小可以影响调整速度，但尚未有研究关注到数字金融对调整速度的影响。数字金融作为中国数字经济迅猛发展背景下的一项金融科技创新，对微观企业可以带来缓解融资约束和优化信息环境的经济效应。基于此，本文在已有研究从全要素生产率[15]、投融资期限错配[16]、金融化[17]、债务融资成本[19]、企业创新[27]等角度探究数字金融微观经济后果的基础上，将资本结构动态调整纳入数字金融的研究范围，深入探讨数字金融是否会通过影响调整成本、调整收益的方式作用于企业资本结构动态调整速度？本文将针对上述问题进行分析与讨论。

三、理论分析与研究假设

(一) 数字金融与资本结构动态调整

1．数字金融与资本结构动态调整速度

根据动态权衡理论，企业存在一个目标资本结构会使得企业实现价值最大化，但囿于市场摩擦，企业存在调整成本，只有当调整收益超过调整成本时，企业才会改变资本结构，并且调整成本和调整收益的大小影响企业资本结构动态调整速度[3]。而数字金融通过降低负债不足企业的调整成本、提升过度负债企业的调整收益，缩减企业实际资本结构与目标资本结构之间的偏差，增加企业资本结构动态调整速度。

(1)数字金融通过降低负债不足企业的调整成本，增加资本结构向上调整的速度。负债不足企业的资本结构向上调整成本主要受到融资渠道、信贷可得性、融资成本的限制[28]。而数字金融通过三个方面降低调整成本进而提高企业资本结构向上调整速度。首先，数字金融通过网络技术突破物理网点的局限，加速了互联网理财产品的普及速度[29]，截流了商业银行现有以及潜在借款客户[30]，重塑了金融机构信贷市场的触及范围，拓宽了企业融资渠道，使得有竞争力的企业客户能够获得更多的金融服务及更低成本的资金供给，降低企业向上调整成本。其次，数字金融可能凭借其广覆盖、低成本和高效率的潜在优势占据商业银行的贷款份额，加剧商业银行的信贷业务竞争[8]，提升企业信贷可得性[31]，导致企业向上调整成本下降。最后，具有金融科技赋能的数字金融拥有技术优势，可以通过技术溢出的方式，倒逼传统银行优化业务流程与服务水平[26]，创新信息获取渠道，银行经营成本下降的同时推动企业债务融资成本缩减，进而削减企业向上调整成本。故而，数字金融将加快资本结构向上调整的速度，降低资本结构偏离度。

(2)数字金融通过提高过度负债企业的调整收益，增加资本结构向下调整的速度。过度负债的企业普遍存在无力偿债的风险以及再筹资风险等特征[31]，而数字金融本质上冲击了传统银行的信息匹配方式，使银行可以更准确地获知参与主体的交易习惯、风险偏好等各种行为特点，真正意义上做到了基于前端信息识别企业风险。具体而言，传统银行判断企业风险的方式主要基于企业线下资产交易信息[32]，但随着互联网平台的高速发展，线上贸易往来逐渐成为主流的交易方式，数字金融不仅可以刻画线上交易频率还可以准确记录同行业以及不同行业企业交易行为数据。就前者来说，交易频率可以侧面体现企业的财务状况；而后者展示了同行业或关联程度高的行业在经营决策、产品定位以及技术创新等资源上的相似性，大量相似信息整合将降低信息获取成本，进一步产生规模经济效应[33]。基于此，数字金融赋能下资金供给端可以全面获得企业财务、经营等信息，更为精准地判断企业信用评级，甚至可以根据企业的动态风险状况变更贷款契约，增加了过度负债企业的违约成本。过度负债企业为降低预期可能发生的违约成本，将增强风险规避意识，通过减少债务调整资本结构。因此，数字金融发展水平越高，企业向下调整资本结构所带来的收益越大，即数字金融将加快企业资本结构向下调整的速度，降低资本结构偏离度。

综上所述，数字金融能够通过影响企业向上调整成本与向下调整收益，影响资本结构动态调整速度，其作用效果为促进效应。

H1数字金融的发展加快了企业资本结构动态调整的速度。

2．数字金融与资本结构非对称性调整速度

由前文分析可知，数字金融通过降低企业调整成本、增加企业调整收益的方式提升调整速度。调整动机差异和损失厌恶心理可能使得数字金融对企业资本结构调整速度的影响呈现非对称性。从调整动机差异角度，企业调整成本的降低、调整收益的增加是企业向上、向下调整资本结构的动机。经济人假设认为，人的行为动机源自经济诱因，人都要争取最大的经济收益[7]。与降低向上调整资本结构的成本相比，理性的管理层更追逐向下调整资本结构所带来的收益。因此，数字金融对调整速度的促进作用受到上述非对称性的影响，表现为向下调整速度要快于向上调整速度。从损失厌恶心理角度，人对于潜在损失和潜在利益的感受存在差异，并且规避损失的意愿更加强烈。因此，数字金融通过优化信息环境，使得银行更容易了解企业的真实信息，从而导致企业违约风险上升，企业潜在损失规模增加，管理层为了规避潜在损失，更倾向于向下调整资本结构，即企业向下调整比向上调整更加敏感。

基于此，本文认为数字金融影响下资本结构向下调整速度快于向上调整速度。

H2数字金融影响下资本结构向下调整速度快于向上调整速度。

(二) 产权性质、数字金融与资本结构动态调整

作为转型经济时期的重要制度背景，所有制差异是研究金融服务与企业问题的重要情境[34]。我国信贷资源配置具有“国民”差异，非国有企业面临着严重的信贷歧视，且政府在行业准入和项目审批方面也歧视民企。相较之下，国有企业在资源禀赋方面具有显著优势[35]。基于此，本文尝试探讨数字金融对企业资本结构动态调整的影响在不同产权性质公司中存在何种差异？

数字金融会通过缓解融资约束的方式加快非国有企业向上调整资本结构的速度。具体来说，非国有企业由于缺少政府“背书”，往往面临着融资难融资贵的困境。这使得其在贷款时，银行过多地考虑企业还款能力，本着控制信贷风险的谨慎性原则会减少对非国有企业的贷款[36]。数字金融的发展可以通过增加融资渠道、提高银行竞争的方式降低融资成本[8]，为受到信贷歧视的非国有企业提供贷款，进而增加向上调整速度，使得非国有企业可以根据自身发展需求获得贷款。

数字金融会通过优化信息环境的方式加快国有企业向下调整资本结构速度。对于国有企业而言，与政府具有天然关联，便于获取各级政府给予的政策优惠、资源等。因此，商业银行更倾向于为国有企业贷款，导致大多数国有企业存在过度负债问题[37]。但由于产权不明晰，存在多重代理链条的国有企业具有资金使用效率偏低[38]、公司治理质量较差以及经营风险高等特征。然而，技术进步赋予了数字金融及时、准确捕捉企业信息的功能，优化了银企所处的信息环境。这不仅使得银行能够及时针对国有企业真实经营情况、风险状况进行监督以及提高风险补偿金额，同时也使得国有企业的债务融资成本提高。因此，数字金融将助力企业资本结构加速向下调整。

H3a与非国有企业相比，数字金融对国有企业资本结构动态向下调整速度的影响更加显著。

H3b与国有企业相比，数字金融对非国有企业资本结构动态向上调整速度的影响更加显著。

四、研究设计

(一)样本选择与数据来源

本文以2011—2020年A股上市公司为研究样本，同时借鉴姜付秀等(2008)[6]的研究方法，对样本进行了筛选：(1)剔除了金融类上市公司样本；(2)剔除了资产负债率大于1或者小于0的样本；(3)剔除了少于连续两年的观测样本；(4)剔除了数据存在缺失的样本。并且本文为避免异常值的影响对所有连续变量进行了上下1%分位数的缩尾处理，最终得到19 017个样本观测值。其中，数字金融数据来源于中国数字普惠金融发展指数；其他变量的相关数据均来自于CSMAR数据库。

(二)模型设定与变量定义

首先，本文借鉴已有文献[39]的做法，利用企业总资产(A)、企业有息负债(D)以及目标资本结构(Lev*)等指标来估计资本结构的调整速度(v)，即实际资本结构趋向目标资本结构的速度。模型设定如下

(1)

(2)

其中，控制变量(Control)参考已有研究[40]，并结合我国的实际情况，选取了诸多决定资本结构的公司特征变量，具体如表1所示。

参考黄继承等(2016)[21]的做法将模型(2)代入模型(1)，得到

Levi,t=(1-v)Levi,t-1+vβControli,t-1+εi,t

(3)

(4)

本文为了探究数字金融(Index)对资本结构调整速度(v)的影响，参考姜付秀等(2008)[6]、Faulkender等(2012)[4]的做法，对模型(1)进一步拓展，并且将模型(4)代入模型(1)，通过模型(5)来检验数字金融对资本结构调整速度的影响。

Levi,t-Levi,t-1=(c0+c1Indexi,t)×Devi,t-1+εi,t

(5)

其中，Index为数字金融指数。Indexi,t与Devi,t-1的交乘项系数(c1)，表示数字金融对调整速度的影响，c1大于0，表示调整速度增加；反之，调整速度降低。进一步本文还针对不同调整方向探究数字金融对资本结构动态调整的影响，即在除主回归以外，对模型(5)分向上和向下调整进行分组回归检验。

表1 变量定义

(三)描述性统计

表2报告了本文主要变量的描述性统计。Panel A结果发现，目标资本结构(Lev*)的均值(中位数)为0.449(0.435)，最小值为0.178，最大值为0.792，表明企业间最优资金需求存在较大差异；目标调整偏差(Dev)的均值(中位数)为0.016(0.015)，资产负债率(Lev)的均值(中位数)为0.441(0.437)，两个变量的正态分布呈现右偏状态，表明部分企业存在高杠杆现状，这与我国国情相符。同时，资产负债率(Lev)的样本分布与黄俊威和龚光明(2019)[21]研究得到的结果较为一致。数字金融指数(Index)标准化后的均值(中位数)为-0.028(0.143)，上四位数为-0.670，表明数字金融数据结构存在较多极小值，发展程度参差不齐。

Panel B报告了用来估计目标资本结构的公司特征变量。其中，公司规模(Size)的标准差为1.298，成长机会(TobinQ)的标准差为1.211，说明我国上市公司在规模和成长性方面存在较大差异。本文使用全样本来估计目标资本结构，不再阐述过度负债、负债不足时公司特征变量的均值及中位数。

Panel C报告了不同负债水平的描述性统计。过度负债样本(向下调整)中t-1期的实际负债率变动幅度明显小于负债不足样本(向上调整)的样本，初步说明在不同负债水平下，实际资本结构趋向目标资本结构的驱动因素存在差异，表明本文区分不同负债水平进行研究是有必要的。此外，2016年前后由于目标资本结构变动幅度较大以及过度负债样本中实际负债率下降幅度较大，导致负债不足样本和过度负债样本的目标调整偏差(Dev)出现不规律波动，本文考虑此情况可能是2016年动荡的资本市场环境制约了企业发展，导致企业目标资本结构下滑；同年“去杠杆”政策实施，重点关注企业过度负债问题，政策推导下过度负债企业开始“负债减负”。其余变量的描述性统计结果详见表2，不再赘述。

表2 描述性统计

五、实证结果分析

(一)数字金融与资本结构动态调整

为研究数字金融对资本结构动态调整速度的总效应，本文对模型(5)采用固定效应加异方差稳健标准误进行处理。表3列(1)(2)的结果显示，数字金融(Index)与企业目标调整偏差(Dev)的交乘项(Index×Dev)的回归系数为0.028，且在1%的水平上显著，说明数字金融发展程度越高，企业资本结构调整速度越快，从而支持了假设1。换言之，数字金融的发展可以优化信息环境，改善企业融资约束进而提高资本结构动态调整速度。表(3)列(3)(4)分别汇报了负债不足(向上调整)、过度负债(向下调整)的回归结果。在向上调整的样本中，Index每增加1%，向上调整速度提高7.985%(0.021/0.263)；在向下调整的样本中，Index每增加1%，向下调整速度增加10.538%(0.047/0.446)。这表明相对于向上调整的情况，当资本结构向下调整时，数字金融发展对资本结构调整速度的促进作用更加明显，且Bootstrap_Dbiff检验显示两组之间Index×Dev的回归系数差异显著。进一步验证假设2。这说明在数字金融的作用下，银行更易于获得企业稳定、透明、可预期的信息，针对负债过度并且盈利欠佳的企业缩减信贷规模，同时提高还款条款以及再贷款要求，因此基于这种外部融资资源挤压的现状，过度负债企业的实际资本结构可能加速回落到目标资本结构。

表3 数字金融与资本结构动态调整速度

(二)产权性质、数字金融与资本结构动态调整

本文参考李延喜等(2015)[34]的做法，国有企业赋值为1，否则为0，利用产权性质对样本进行分组检验。表4列(1)(4)分别为国有企业和非国有企业全样本的回归结果，数字金融均加快了企业资本结构动态调整速度。但鉴于在过度负债或负债不足时，不同产权性质下对应的资本结构调整影响路径不同，对于总体样本来说，调整方式可能存在抵消作用。所以在本部分，本文区分过度负债和负债不足两种情况分别进行检验。列(2)(3)检验了国有企业分组中数字金融对资本结构动态调整速度的影响，结果表明向下调整的样本中Index×Dev系数显著为正，这说明数字金融带来的信息环境优化导致了国有企业融资成本的提高，使得国有企业相对于保持现有负债水平，更倾向于减少负债，进而在“去杠杆”的同时，趋于目标资本结构。列(5)(6)检验了非国有企业分组中数字金融对资本结构动态调整速度的影响，在向上调整的样本中Index×Dev系数显著为正，且在1%水平下显著。研究结果表明，非国有企业多表现为负债不足，在数字金融的影响下企业融资约束得以缓解使得非国有企业资本结构动态调整速度提高，并且相较于非国有企业中向下调整的样本，数字金融对于向上调整速度作用更加明显。

表4 数字金融与资本结构动态调整速度—基于产权性质的调节机制

六、稳健性检验

(一)变换样本区间

我国2016年企业“去杠杆”政策实施，企业资本结构容易受到此政策的影响。因此，本文将“去杠杆”政策实施开始年份2016年剔除，以尽可能排除当年政策冲击。回归结构如表5列(1)—(3)所示，结果依旧显著。

(二)自变量滞后一期(L.Index)

为了避免内生性问题，本文对数字金融进行滞后一期处理，即L.Index。回归结构如表5列(4)-(6)所示，结果依旧显著。

表5 变换样本区间和自变量滞后一期

(三)变换解释变量

为了避免指标衡量偏误对回归结果产生影响，本文利用省级数字金融指标对数字金融发展水平重新进行衡量(S_Index)，结果如表6所示，结果依旧显著。

表6 变换解释变量

(四)更换模型设定

本文关键问题是探究数字金融与资本结构动态调整之间的因果关系，但是关于目标资本结构的计算方法多种多样，在此利用LSDVC、系统GMM方法对目标资本结构重新估算，结果如表7、表8所示，结果依旧显著。

表7 更换模型设定—LSDVC

表8 更换模型设定—系统GMM

(五)安慰剂检验

尽管上文验证了数字金融与企业资本结构动态调整间存在因果关系，然而在理论上，基准回归呈现的相关关系可能只是一种安慰剂效应。即在研究设计过程中存在未被觉察到的其他因素，导致本文数据出现数字金融与企业资本结构动态调整的相关关系。而事实上这与数字金融发展触发的微观经济效应并没有联系。为了排除这种担忧，本文利用如下的安慰剂检验进行测度。参考潘越等(2020)[42]的做法，将样本数据集的所有“公司-年度”观测值中Index×Dev变量的取值全部提取，重命名为Cross，再将这些数值逐个随机地分配到每一个“公司-年度”观测值中，最后重新对模型(1)进行回归。如果安慰剂效应确实存在，那么受未被觉察到的研究设计局限性的驱动，处理后的Cross依然会与企业资本结构动态调整呈现正相关。表9报告了数字金融与企业资本结构动态调整安慰剂检验的结果，Cross的系数不显著，与主回归结果存在明显的差异，意味着安慰剂效应不存在，进而确保了研究结论的稳健。

表9 安慰剂检验

七、进一步分析

(一)数字金融指数降维

本文进一步将数字金融指数分解降维至三个层面，分别从数字金融覆盖率(主要通过电子账户数等体现)、数字金融使用率(包括但不限于支付业务、信贷业务等，考察实际人均交易额)以及数字金融数字化程度来衡量数字金融，指标数值越大，该城市数字金融发展程度越高。

从表10、表11以及表12的回归结果可以看出，数字金融覆盖度(Coverage)、数字金融使用率(Usage)和数字化(Digit)对资本结构动态调整速度的边际影响为0.023、0.031与0.029，并且都在1%水平上显著，即数字金融覆盖度(Coverage)、数字金融使用率(Usage)或数字化(Digit)每提高1%，资本结构动态调整速度会提升9.957%(0.023/0.231)、12.500%(0.031/0.248)与11.885%(0.029/0.244)。根据调整方向进行分组回归后，其结果依旧在1%水平上显著；随后本文进行了组间差异性检验，回归结果证明覆盖度(Coverage)、使用率(Usage)与数字化(Digit)对资本结构向下调整速度效果更加明显。此结果也说明数字金融通过扩大覆盖率、提高客户使用频率、增加数字科技服务的方式增强企业信息透明度，实现资金流向收益更高的企业，进一步促使过度负债的企业降杠杆。

表10 数字金融覆盖度与企业资本结构动态调整

表11 数字金融使用率与企业资本结构动态调整

表12 数字化程度与企业资本结构动态调整

(二)数字金融与资本结构调整的路径分析

为检验数字金融影响企业资本结构动态调整的具体作用路径，参考黄继承等(2014)[7]构建如下实证模型

P(Adjusti,t=1)=φ(α0+α1Devli,t+α2FAi,t-1+α3Sizei,t+α4EBITi,t-1+α5DEPi,t+α6TobinQi,t+εi,t)

(6)

P(Adjusti,t=1)=φ(α0+α1Devli,t-1×Indexi,t+α2Indexi,t+α3Devli,t-1+α4FAi,t-1+α5Sizei,t-1+α6EBITi,t-1+α7DEPi,t-1+α8TobinQi,t-1+εi,t)

(7)

其中，Adjusti,t表示是否进行债务调整，如果i公司在t年度进行了债务调整则取值为1，否则为0。债务调整方式主要包括发行债务和偿还债务[7]，增加(降低)净债务融资(ID或DD)，衡量方式为t年新增(减少)的债务总额除以年总资产，当ID(DD)值不小于5%时取1，否则取0。为了便于解释回归结果，对t-1期目标资本结构偏离度(Dev)进行绝对值处理，即为Dev1。

本文对模型(6)和(7)进行了Logit回归分析，检验数字金融对企业债务调整的影响，回归结果如表13所示。从表13列(1)和列(3)中可以看出，当负债不足或过度负债时，Dev1的回归系数显著为正。这说明实际资本结构偏离目标水平越远，企业增加(减少)债务融资的可能性越大，即企业有可能通过债务方式来缩减偏离度。在列(2)和列(4)中，当负债不足或过度负债时，交互项Index×Dev1的回归系数均显著为正，这说明，数字金融发展程度越高，偏离程度与增加(降低)债务融资之间的关系越强。这也侧面验证了假设1，即数字金融通过扩宽融资渠道、降低融资成本的形式提高了负债不足企业获得债务融资的可能性，向上调整成本降低，进而加快向上调整速度；同时，数字金融还通过优化信息环境增加了企业的债务违约成本和破产成本，从而提高了具有超额负债的企业缩减债务的倾向，企业向下调整收益增加，促进向下调整速度。

基于前文的研究，数字金融可以通过增加(减少)债务融资的方式向上(向下)调整企业资本结构。但是在债务融资增减过程中，数字金融影响下银行为企业提供的债务期限可能存在差异。一方面，对于负债不足的企业来说，数字金融可能会促使其获得长期债务融资。我国金融抑制背景下，部分企业长期处于信贷市场的弱势地位，银行为了控制信贷风险，更倾向于提供短期贷款，导致企业只能不断续借短期贷款维持长期投资活动[43]。在数字金融影响下银行间竞争加剧，使得银行的垄断能力减弱、边际利润率降低[8]，负债不足企业在信贷市场的弱势地位得以缓解，获得长期贷款的可能性上升。另一方面，对于过度负债的企业来说，数字金融可能会降低银行为企业提供长期贷款的可能性。数字金融发展程度越高，银企间信息环境越好，银行可以更加准确地获知过度负债企业的破产风险与再融资风险，警惕企业潜在的违约行为，这导致银行在缩减借贷规模的同时，出于降低企业违约行为观测成本的考虑，缩减长期贷款金额。参考杨鑫等(2018)[44]的研究方法构建模型(8)。

DMi,t=β0+β1Indexi,t×Dev1i,t-1+β2Indexi,t+β3Dev1i,t-1+β4Sizei,t+β5Levi,t+β6TobinQi,t+β7Tangi,t+β8CFOi,t+β9CRli,t+β10Quali,t+β11ETRi,t+εi,t

(8)

表13 数字金融与资本结构调整的路径分析(一)

模型(8)中，企业长期贷款规模(DM)参考杜春明(2021)[45]的衡量方式，利用长期借款占比进行衡量，同时还控制了一系列企业层面的特征变量，包括企业规模(Size)、实际所得税率(ETR)、自由现金流量(CFO)、资产有形性(Tang)等(2)以当年所得税费用/当年税前会计利润衡量企业实际所得税率(ETR)；以当年经营活动现金流量净额/当年末总资产衡量自由现金流量(CFO)；(当年末固定资产+当年末存货)/当年末总资产衡量资产有形性(Tang)，其他变量衡量如上文所示。。表14列(1)-(3)是对长期贷款规模的检验结果。其中，全样本与向上调整的样本中Index×Dev1系数显著为正，而向下调整的样本中Index×Dev1系数显著为负。此结果可以说明在负债不足的样本中，数字金融作用下由于资金供给上升，银行通过增加向企业发放长期贷款的方式缓解企业融资约束，降低企业调整成本，增加向上调整速度的同时，企业可以避免投融资期限错配问题，进而降低财务风险。在过度负债的样本中，银行由于数字金融优化信息环境的作用，可以获得更多企业信息，出于降低自身风险的考虑缩减向企业提供长期贷款规模，此时企业出于持续发展的目的，会选择更为稳健的资本结构，故而向下调整收益增加，促进向下调整速度。

表14 数字金融与资本结构调整的路径分析(二)

一个可能的解释，数字金融或许通过影响短期贷款作用于资本结构动态调整。为了验证此观点，本文利用短期借款占比(SD)替换模型(8)中长期贷款规模(DM)，并重新回归，结果如表14列(4)-(6)所示。结果表明数字金融对短期贷款的影响不显著，说明数字金融不能以增加(减少)短期贷款的方式影响企业向上(向下)调整资本结构。这可能是因为银行业寡头竞争格局下银行在信贷博弈中具有较高的议价能力，考虑到银企信息不对称所带来的信贷风险，更愿意向企业提供长期贷款而非短期贷款[43]。而数字金融加剧了银行竞争，降低了银行贷款议价能力，进而提升了银行向企业提供长期贷款的意愿；同时，数字金融也可以提高银企间的信息透明度，增强各类信息在银企之间的传递效率，使得企业提供长期贷款的可能性上升。这也间接证明数字金融通过影响长期贷款作用于企业资本结构动态调整。

八、结论与启示

本文基于2011-2020年我国A股上市公司为研究样本，检验数字金融对资本结构调整速度的影响。研究表明：(1)数字金融显著增加了企业资本结构调整速度，并且向下调整速度快于向上调整速度。在考虑经济不确定性、模型设定等问题后，上述结论依旧成立。(2)区分产权性质后，国有企业向下调整速度以及非国有企业向上调整速度更加显著。(3)数字金融主要通过影响银行向企业提供长期债务融资规模进而调整企业资本结构，这一发现比较符合我国国情，即外部融资主要依赖银行贷款的事实。本文在拓展数字金融研究领域的同时，也为我国数字金融建设的必要性提供了新的证据支持，并且对于投资者理解企业财务决策具有较强的启示意义。

基于上述分析，本文获得如下启示：第一，持续深化数字金融改革，助力结构性去杠杆。应当提升“大智移云物”等新兴数字技术运用水平，同时制定数字金融相关配套措施，积极推动数字金融不断向纵深发展，提高数字金融的覆盖率与数字化程度，持续升级数字金融服务，促使银企精准对接金融需求，驱动银行间良性竞争，从资金供给角度落实“降杠杆、稳杠杆”政策，防范系统性金融风险。第二，应积极推动金融机构数字化转型，拓展数字金融新技能。促进金融机构数据要素积累，提升金融服务质效、纾解企业融资困境的同时，加强对数字金融的监管，引导和规范数字金融利用新兴技术优化信息环境、精准管控风险。第三，持续深化国有企业改革，建立国有资产监督约束机制，推动传统产业升级，激发数字金融在国企转型升级中的促进作用。另外，新冠肺炎疫情加剧了民营企业面临的融资难、融资贵问题，应当推进民营经济数字金融平台建设，提升金融机构服务民营企业的意愿，以科技优势营造良好民营企业融资环境。