数字金融发展抑制企业“僵尸化”的实证研究

高思佳 翁佳怡 高昕

摘 要：僵尸企业已成为我国经济持续健康发展的阻碍，如何有效治理企业僵尸化已成为政府和学术界关注的焦点。本文基于2011—2019年新三板上市公司的样本数据及北京大学数字金融研究中心的数字金融数据，采用Logit模型实证研究了数字金融发展对企业僵尸化的影响及其内在机制。研究结果表明：数字金融的发展能够有效抑制企业僵尸化；融资可得性提高与融资成本降低是数字金融影响企业僵尸化的两个重要机制；从数字金融维度、所在地域差异与是否属于高科技行业三个视角进行异质性分析。结果显示，数字金融发展在数字化程度这一维度对抑制企业僵尸化作用最大，数字金融发展抑制企业僵尸化的作用在位于东部地区和属于高科技行业的企业中表现得更加显著。

关键词：数字金融；企业僵尸化；融资可得性；融资成本；Logit模型

本文索引：高思佳，翁佳怡，高昕.数字金融发展抑制企业“僵尸化”的实证研究[J].中国商论，2023（10）：-110.

中图分类号：F832 文献标识码：A 文章编号：2096-0298（2023）05（b）--06

近年来，在经济结构转型升级和防范化解重大风险的时代背景下，大多数僵尸企业依赖政府补助或银行续贷维持生存，严重阻碍了我国的经济发展。僵尸企业阻碍社会经济发展主要体现在加剧产能过剩（何帆和朱鹤，2016）、导致资源错配（Kwon et al.，2015）、易诱发金融风险（申广军，2016）等。为治理僵尸企業，国家发展改革委等部门在2018年发布《关于进一步做好“僵尸企业”及去产能企业债务处置工作的通知》等文件，强调僵尸企业破产退出或改良升级。2019年2月，习近平总书记发表了重要讲话，指出“要加大力度妥善处理僵尸企业”。近年来，数字金融作为新兴金融模式，在信息技术的支持下，能够实现产业发展需求与资本供给的精准匹配，提高资本的配置效率，进而促进产业结构优化（程宇，2022）。数字金融能否有效抑制企业僵尸化？其内在影响机制又是如何？是否存在其影响的边界条件？

现有关于金融发展与企业僵尸化的研究较多，主要从政府干预（张栋，2016）、城商行的设立（王海等，2021）及其规模的扩张（蔡宏波等，2020）、银行竞争（王俊毅等，2022）、外资银行开放（李旭超等，2021）、地方财政存款（刘冲等，2020）、融资可得性低（吕靖烨，2022）等方面探索了对企业僵尸化的影响。现有研究鲜有从数字金融发展的视角探讨对企业僵尸化的影响，故有必要对此进行深入研究。基于此，本文使用logit模型，选取2011—2019年全国新三板上市企业作为研究对象，探究数字金融的发展对企业僵尸化产生抑制作用。研究结论表明：数字金融发展可以有效抑制企业的僵尸化，并通过降低企业融资成本、增强企业融资可得性两个渠道来实现。通过异质性分析可以得到结论：数字金融的数字化程度对企业僵尸化的抑制效应最强；相对中西部地区，数字金融对东部地区企业的抑制效应更强；相对非高科技企业，数字金融的发展对高科技企业僵尸化抑制作用较强。

本文可能的边际贡献主要体现在以下三点：第一，不同于从传统金融发展的角度研究企业僵尸化成因的既有文献，本文在数字金融新模式下，探究并证明了发展数字金融能够对企业僵尸化产生一定程度的抑制作用，丰富了数字金融发展的微观效应与企业僵尸化成因的相关理论。第二，本文从提高融资可得性和降低融资成本两个渠道探索了数字金融抑制企业僵尸化的内在机制，打开了数字金融发展与抑制企业僵尸化的黑箱，为政府部门更好地发展数字金融抑制企业僵尸化提供建议。第三，从数字金融的不同维度、企业所在不同地区、是否为高科技企业等方面揭示了数字金融抑制企业僵尸化的异质性效应，探索其边界条件，为进一步抑制企业僵尸化提供了有价值的经验证据和政策启示。

1 理论分析与研究假设

长期以来，“融资难、融资贵”是世界各国中小微企业面临的信贷难题（侯宝锋等，2022）。随着数字金融在我国的快速发展，相较传统金融业而言，数字金融依托互联网技术，具有更高可获得性、更强可持续性等优势（刘莉和杨宏睿，2022）。因此，根据对已有文献的梳理，本文通过融资成本降低效应和融资可得性提高效应两方面分析数字金融抑制企业僵尸化的内在机制。

（1）融资成本降低效应。已有研究表明融资贵成为企业僵尸化的一个重要因素（肖争艳和陈惟，2017;陈金勇等，2020）。数字金融可通过以下几点降低融资成本来抑制企业僵尸化：首先，已有文献表明数字金融可以通过大数据和互联网平台缓解信息不对称问题，减少银企在评估和核实信贷企业方面的成本，进而提高企业的融资效率（赵芮和曹延贵，2022；Goldstein et al， 2019）。其次，数字金融极具广度和深度，在金融市场上，无论是数字支付、现金还是其他具体形式，寻找和识别风险的费用都大幅减少（唐松等，2020）。此外，数字金融的应用优化了金融类产品和服务的分配效率，缩短了银行与企业之间的空间距离，促使非融资集团能够以较低成本相对容易地获取金融服务（翟淑萍等，2022）。最后，数字金融平台具有多产品集成功能，数据收集有助于商业银行提高风控模型的准确性，降低企业的融资成本（黄益平和邱晗，2021）。

（2）融资可得性提高效应。融资难问题成为企业僵尸化的另一个重要因素（吕靖烨和史家荣，2022）。数字金融可能通过以下几点提高融资可得性，从而抑制企业僵尸化：首先，从融资渠道来看，数字金融具有范围广、成本低、速度快等优势（张芯萌和王雪颖，2022），通过增加金融覆盖面、降低金融服务门槛等方式（顾宁等，2021），为企业提供多层次的融资渠道和方法（耿伟等，2021）。其次，从资金供给角度来看，一方面，数字金融可以打破地域限制，实现投资主体多元化；另一方面，可以借助信息化技术的提高，对资金需求方进行有效识别，从而降低资金错配的概率，提高融资资金的可获得性（赵芮和曹延贵，2022）。最后，从信息不对称角度来看，数字金融能够凭借人工智能、数字传感等技术低成本地处理海量数据，从而有效减轻与信息不对称的相关风险，增加金融服务的可获得性（Gomber等，2017;Rosavina等，2019）。

基于以上分析，本文提出以下假设：

假设1：在其他条件不变的前提下，数字金融的发展能有效抑制企业僵尸化。

假设2：数字金融主要通过融资成本的降低和融资可得性的提高来抑制企业僵尸化。

2 研究设计

2.1 样本选择与数据来源

本文选取2011—2019年新三板上市公司的数据为初始样本，探索数字金融对中小微企业僵尸化的影响效应。本文之所以选择新三板企业，主要有以下考量：（1）本文研究对象是中小微企业，相对主板上市公司，新三板更偏向规模较小的企业。（2）新三板上市企业的数据可获得性较高。

同时，为了使样本数据更具代表性，按以下原则对原始样本企业进行处理：（1）为了保证样本企业数据的连续性和严谨性，剔除2017年后（包含2017年）新三板上市的企业和2017年前（包含2017年）破产、倒闭而退市的企业。（2）剔除银行、证券、保险等金融类的上市企业。（3）剔除主要变量存在数据缺失的样本。（4）剔除资产负债率大于1的企业样本。（5）为避免异常值的影响，本文对所有连续型变量采取1％分位数的缩尾（Winsorize）处理，最终得到6929家企业样本，37503个样本观测值。本文所需的新三板上市企业财务数据是通过北京大学中国经济研究中心和北京色诺芬公司联合开发的CCER中国经济金融数据库系统收集的；企业所属城市相关特征来源于历年《中国城市统计年鉴》的记录；数字金融数据来源于北京大学数字金融研究中心编制的《北京大学数字普惠金融指数（2011—2020）》。

2.2 模型构建

本文要考察数字金融发展对企业僵尸化的影响，借鉴申广军（2016）、陈运森和黄健峤（2017）等的处理方法，构建以下Logit模型以分析数字金融发展与企业僵尸化之间的关系：

其中，i、t分别代表企业和年份；为常数项；是核心解释变量数字金融发展的回归系数，反映数字金融发展对企业僵尸化的影响程度；Zombieit为被解释变量，表示t年i企业是否为僵尸企业；DFit为核心解释变量，表示t年i地区的数字金融发展水平；Controlit为控制变量；μt为时间固定效应；ωi为企业固定效应；εit是随机误差项。

为了检验数字金融主要通过融资可得性的提高与融资成本的降低来抑制企业僵尸化，本文借鉴中介效应（温忠麟等，2004）检验方法，在公式（1）的基础上，构建以下检验方程：

其中，Med分别为融资可得到性（Fav）与融资成本（Fcost）两个中介变量，深入探究了数字金融发展对企业僵尸化的影响机制。

2.3 变量定义与说明

2.3.1 被解释变量

僵尸企业（Zombie）。国内外主流研究做法主要有：第一种由政府部门提出， 具体表述是“不符合国家能耗、环保、质量、安全等标准， 持续亏损三年以上且不符合结构调整方向的企业”；第二种标准是Caballero等提出的CHK标准；第三种是采取更加严格的官方标准和过度借贷法（申广军，2016；李旭超等，2018）。

本文采取第三种方法，当一个企业满足以下3个条件时，就把它认定为僵尸企业：（1） 实际利润小于0，即公司正常经营获得的净利润减去政银扶持和非经常性损益，净利润为负。（2） 资产负债率高于50%，即实际经营正亏损状态，且有较高的资产负债率， 但是外源融资较上年有所增加的企业。（3） 负债额高于上一年的企业，但排除因临时困难造成实际亏损的企业。本文采用此种方法是因为同时考虑了政府、银行和企业的作用，更为全面，但对企业实际经营情况的考察只关注了高度资产负债水平。同时，本文采用CHK方法进行稳健性检验。

2.3.2 核心解释变量

地区数字金融发展水平（DF）。本文采用北京大学数字金融研究中心编制的“北京大学数字普惠金融指数”度量各区域数字金融发展水平。这一指数从宽度（DF_breadth）、使用深度（DF_depth）及数字化程度（DF_ digitization）三个维度构建数字金融评价指标体系。在江红莉等（2022）、唐松等（2020）、张勋等（2019）的研究中，已经用来衡量地区数字金融发展水平，从而为数字金融领域的研究提供了可靠的数据支撑。

2.3.3 控制变量

（1）企业层面：企业规模（Size），企业当年总资产取对数；企业年龄（Age），样本企业所在年份与企业成立年份之差；固定资产比率（FAR）， 样本企业当年固定资产占总资产比重。（2）地区层面：人均GDP（PGDP），所在地区人均GDP取对数；财政支出占比（FINE），所在地区财政支出占GDP比重。

各主要变量描述性统计如表1所示，且由表1观测可得Zombie均值为0.0851，表明僵尸企业在所有样本企业中占比为8.51%。

3 实证结果与分析

3.1 基准回归结果

表2反映由模型（1）估算的数字金融发展对企业僵尸化的影响，列（1）只考察了数字金融发展对企业僵尸化的影响。结果表明，核心解释变量的估计系数为负，且达到1%的显著性水平，意味着数字金融的发展能够有效抑制企业僵尸化。从列（1）到列（2）的过程中，本文加入了5个控制变量，可以发现，在1%的显著性水平上，核心解释变量的估计系數仍为负数，说明当考虑了遗漏变量误差之后，数字金融的发展仍然显著抑制企业僵尸化。列（3）在列（2）的基础上控制了年份和企业固定效应作用，列（3）显示在1%的显著水平上，数字金融的系数仍为负，证实了数字金融的发展能够有效抑制企业僵尸化这一假设。由此可以说明，数字金融的发展有助于抑制企业僵尸化，前文假设1得到验证。

3.2 内生性处理

首先，为减少反向因果关系导致的内生性问题，本文将自变量和控制变量均滞后一期，以重新审视数字金融对企业僵尸化的影响。如表3的列（1）所示，滞后处理后数字金融（L.DF）的回归系数依旧在1%的水平上显著为负，即本文的研究结论很稳健。

其次，采用工具变量两阶段最小二乘法（IV-2SLS），为妥善解决回归方程中核心解释变量存在的样本选择误差和双向因果等内生性问题，借鉴黄倩等（2019）的思路，本文整理了各个地区年度电话普及率，选择的工具变量是所在地区（城市）年度移动电话普及率（部/人）。其逻辑在于： 一方面，移动电话普及率与数字金融发展紧密关联：另一方面，通过对企业特征、年份和行业双向固定效应进行控制，探究移动电话普及率与企业僵尸化之间的关系，发现两者并不存在直接关联。由此可以得出，移动电话普及率作为工具变量是有效的，可以被采用。

表3中（2）、（3）两列显示了IV-2SLS的回归结果，在考虑了数字金融发展与企业僵尸化之间可能存在的内生性问题后，数字金融发展的系数依然为负，且达到1%的显著性水平。由此可得，数字金融的发展能够显著抑制企业僵尸化，与前文回归结果一致。

3.3 稳健性检验

为了消除其他因素对研究结论产生的误差影响，从而进一步验证研究结论的可靠性，本文通过更换僵尸企业识别方法、删除部分样本数据等方法进行稳健性检验。

一是更换僵尸企业的识别方法，前文中采取更加严格的官方标准和过度借贷法，而僵尸企业的定性识别标准尚不存在统一标准，为避免实证过程的误差，本文用CHK法替换前文认定僵尸企业的方法，回归结果如表4第（1）列所示。在5%的显著性水平上，核心解释变量DF的估计系数为负数，符合前文的基准回归结果。

二是将企业注册地为直辖市的样本删除，由于直辖市与其他地级市之间存在差异，所以需要消除由这一因素带来的误差影响。结果如表4列（2）所示，核心变量DF在1%的水平上显著为负，与上文一致，说明在剔除注册地为直辖市的企业后，数字金融发展对企业僵尸化仍然具有显著的抑制效应，验证了前文研究结论的稳健性。

3.4 影响机制分析

前文已经探讨数字金融发展抑制了企业僵尸化，但其成立的前提需要对影响机制加以检验。为检验数字金融抑制企业“僵尸化”的内在机制，本文基于前文模型（2）、（3）进行估计。

模型（2）中，Med分别为融资可得性（F_av）与融资成本（F_cost）两个中介变量，对模型（2）的估计结果报告在表5的（1）、（3）列。列（1）显示在1%的显著性水平上，数字金融的回归结果为正，意味着数字金融发展能够显著提高融资可得性；列（3）显示在1%的显著性水平上，回归结果为负，表明数字金融的发展能够有效降低融资成本。

模型（3）的估计结果在表5的第（2）、（4）列显示，可见在5%的显著性水平上，中介变量F_av的估计系数为负，但是中介变量F_cost的估计系数为正，意味着数字金融发展通过提高融资可得性与降低融资成本来抑制企业僵尸化。由此可见，数字金融发展抑制企业僵尸化的两个重要机制融资是可得性提高与融资成本降低，证实了前文的假设2。

4 异质性分析

4.1 数字金融维度的异质性分析

本文从数字金融的覆盖广度、使用深度和数字化程度三个不同维度研究数字金融对企业僵尸化形成的异质性影响，结果如表6所示。由表6可知，最显著作用于抑制企业僵尸化的数字金融维度是数字化程度，作用系数为-0.4891，且在1%的水平上显著。覆盖广度和使用深度均显著抑制了企业僵尸化，作用系数分别为-0.2766和-0.2861，同样是在1%的水平上显著为负。基于此，为使数字金融发展对僵尸企业形成的抑制更有效，企业应致力于提高数字金融的数字化程度，降低企业的融资成本，提高融资可得性，使企业充分享受数字金融服务带来的便利性，并提高信用化程度，以帮助抑制企业僵尸化的形成。

4.2 所在地区（城市）的异质性

考虑到我国地域差异的问题，各地区的资源要素、政策环境及经济发展水平多方面存在显著差异，可能导致数字金融对企业僵尸化的影响作用存在差异。本文借鉴李春涛等（2020）的地区划分标准，根据样本企业所处城市的省份，将样本分成东部地区和中西部地区两部分，以更清晰地考察不同地区企业僵尸化受数字金融影响作用的差异性。

企业所在地区的估计结果在表7前两列显示。由表7可知，数字金融在东部和中西部地区的企业僵尸化过程中的抑制作用均显著。东部地区的企业受到数字金融发展的抑制作用在1%的水平上显著为负，估计系数为-0.5875；而在中西部地区，数字金融对企业僵尸化的作用效果仅在10%的水平上显著为负，估计系数为-0.1135。从系数的比较可知，数字金融的估计系数在东部地区更大，表明与中西部地区即欠发达地区相比，数字金融对发达地区的企业僵尸化抑制效果更显著。本文推测有如下原因：相对中西部地区而言，东部地区市场化制度和营商环境水平较高，基础设施建设完善，数字化和信息化程度较高；数字金融体系的搭建较为成熟，企业对数字金融的认同度和接受度较高，积极运用数字金融体系降低企业的融资成本和提高运营效率，从而有效抑制企业的僵尸化。

4.3 企业异质性分析

数字金融作为一种新金融业态，金融与科技深度融合，依据其金融本质和技术手段，能够降低信贷双方信息不对称的程度，扩大了金融服务的范围与规模。另外，对高科技企业来说，数字金融的投入能够在一定程度上帮助企业面临的信贷约束问题，从而推动企业的技术创新，有利于抑制企业的僵尸化。基于此，本文从企业创新的角度将全样本企业划分为高科技行业和非高科技行业，用于探究数字金融带来的创新效应对企业僵尸化形成作用的异质性，结果如表7的（3）（4）列所示。

由表7可知，数字金融对高科技行业和非高科技行业的企业僵尸化都有抑制作用。进一步分析可以得知，在1%显著水平上，数字金融对高科技行业的作用系数为-0.5387；在10%显著水平上，数字金融对非高科技行業的作用系数为-0.1731。由此可见，无论是从显著性水平还是作用系数比较，数字普惠金融对高科技行业的企业僵尸化具有更显著的抑制作用。这是因为高科技行业的市场竞争激烈，产品更新迭代迅速，生命周期短，而且这类企业属于知识与技术密集型，所以对创新能力和技术水平的要求极高，数字金融的加入降低了企业的融资成本，提高了融资可得性，将更多的资本和资源投入产品的研究与开发中，优化提升了资源配置和使用效率，大大增加了企业产品创新的机会，提升了利润空间，从而抑制了企业僵尸化。在非高科技行业中，企业对产品创新的意愿相对较低，企业运用数字金融的能力相对较弱，成本运用未得到良好的控制，利润提升空间不大，所以数字普惠金融对非高科技行业的企业僵尸化抑制作用影响不大。

5 结语

5.1 研究结论

本文利用2011—2019年新三板上市公司的样本数据及北京大学数字金融研究中心的数字普惠金融数据，采用Logit模型研究了数字金融发展对中小微企业僵尸化的影响，并得出以下结论：

第一，數字金融能够有效抑制企业僵尸化。第二，数字金融通过增强企业融资可得性、降低企业融资成本两个渠道有效抑制企业的僵尸化。第三，数字金融的不同维度在影响企业僵尸化时发挥的作用具有差异性，数字化程度与覆盖广度、使用深度相比，更有益于抑制企业僵尸化。第四，数字金融在东部地区对企业僵尸化的抑制作用比在西部地区显著；相较非高科技企业，数字金融发展能够更有效地抑制高科技企业的僵尸化。

5.2 建议启示

基于以上结论，本文得出以下几点建议：

首先，稳步推进数字金融高质量发展。随着数字化技术的不断革新，粗放式的数字金融发展模式已然不能适应新时代下数字化技术不断革新的趋势和经济高质量发展的要求，推动数字金融纵深化发展刻不容缓。重点是深入推进大数据、云计算、人工智能等新一代信息技术在金融服务领域的融合发展与集成应用，着重提高数字金融的数字化程度，更好地为中小微企业服务。同时，有效降低了企业的融资成本，有力提高了企业融资可得性，对进一步加强数字金融对企业僵尸化的抑制作用产生积极的影响。

其次，从改善中西部地区的营商环境入手，同时优化资本、劳动要素市场化程度，完善市场化体系，更加充分地发挥数字金融抑制企业僵尸化的重要能动作用，从而形成以优化营商环境为突破口，充分发挥数字金融有效抑制中西部地区企业僵尸化的局面。

最后，鼓励和支持金融机构充分利用数字金融行业优势，进一步打破信息孤岛，实现信息的高效流动，从而达到金融机构精准识别高科技企业，并为其提供帮助的效果，有效促进高科技企业融资可得性的提高，降低融资成本，充分利用数字金融发展对高科技企业僵尸化的抑制作用。

参考文献

安强身，白璐.数字金融发展与居民家庭金融资产配置：基于CHFS（2019）调查数据的实证研究[J].经济问题，2022（10）：51-60.

蔡宏波，宋研霏，马红旗.城市商业银行设立与僵尸企业的形成[J].中国工业经济，2020（9）：80-98.

陈小辉，张红伟.数字经济如何影响企业风险承担水平[J].经济管理，2021，43（5）：93-108.

程宇.数字金融发展对产业结构的影响效应与作用机制[J].东南学术，2022（5）：179

翟淑萍，韩贤，张晓琳，等.数字金融能降低企业债务违约风险吗[J].会计研究，2022（2）：117-131.

杜丹清.消费理念多元化视角下的流通模式创新研究[J].经济问题，2013（1）：18-22.

高建来，李美辰.基于财务视角的“僵尸企业”识别方法探讨：以钢铁行业上市公司为例[J].会计之友，2018（6）：12-16.

黄益平，邱晗.大科技信贷：一个新的信用风险管理框架[J].管理世界，2021，37（2）：12-21+50+2+16.

江红莉，蒋鹏程，胡林柯.数字金融影响了劳动收入份额吗：来自中国上市公司的经验证据[J].广东财经大学学报，2022，37（3）： 34-48.

李春涛，闫续文，宋敏，等.金融科技与企业创新：新三板上市公司的证据[J].中国工业经济，2020（1）：81-98.

李欠强，陈衍泰，厉婧.海外研发投资与企业创新绩效[J].国际贸易问题，2021（6）：159-174.

刘冲，周峰，刘莉亚，等.财政存款、银行竞争与僵尸企业形成[J].金融研究，2020（11）：113-132.

刘莉，杨宏睿.数字金融、融资约束与中小企业科技创新：基于新三板数据的实证研究[J].华东经济管理，2022，36（5）：15-23.

石玲玲，余秀江，杨威，等.数字普惠金融的增收效应与作用机制：基于中国市级面板数据的实证分析[J].金融经济学研究， 2022，37（2）：93-104.

唐松，伍旭川，祝佳.数字金融与企业技术创新：结构特征、机制识别与金融监管下的效应差异[J].管理世界，2020，36（5）： 52-66+9.

唐未兵，傅元海，王展祥.技术创新、技术引进与经济增长方式转变[J].经济研究，2014，49（7）：31-43.

王海，吴梦萱，尹俊雅.地区金融机构与僵尸企业：基于城商行设立的准自然实验[J].统计研究，2021，38（3）：58-70.

王智新，韩承斌，朱文卿.数字金融发展对出口技术复杂度的影响研究[J].世界经济研究，2022（8）：26-42+135-136.

魏志华，曾爱民，李博.金融生态环境与企业融资约束：基于中国上市公司的实证研究[J].会计研究，2014（5）：73-80+95.

肖正，翟胜宝，张静.引入国有资本能够化解民营企业僵尸化风险吗：来自中国上市公司的经验证据[J].经济管理，2022，44（2）： 36-56.

赵芮，曹廷贵.数字金融发展有助于企业去杠杆吗[J].现代经济探讨，2022（1）：71-82.

何帆，朱鹤.僵尸企业的识别与应对[J].中国金融，2016（5）：20-22.

周业安，章泉.财政分权、经济增长和波动[J].管理世界，2008 （3）：6-15+186.

Adelheid Holl. Highways and productivity in manufacturing firms[J]. Journal of Urban Economics，2016，93.

Aditi Kapoor. Financial inclusion and the future of the Indian economy[J]. Futures，2014，56.

Itay Goldstein，Wei Jiang，G Andrew Karolyi. To FinTech and Beyond[J]. The Review of Financial Studies，2019，32（5）.

Jie Li， Yu Wu， Jing Jian Xiao. The impact of digital finance on household consumption： Evidence from China[J]. Economic Modelling，2020，86（C）.