数字金融、金融错配与制造业企业数字化转型

王雨婷

(西南大学经济管理学院 重庆 400715)

1 引言

“十四五”规划及2035年远景目标强调，要充分发挥海量数据和丰富应用场景的优势，驱使数字技术和实体经济紧密融合，加快传统产业转型升级，打造新产业、新业态、新模式。2022年，我国数字经济规模达到50.2万亿元，同比名义增长10.3%，已连续11年显著高于同期GDP名义增速；数字经济占GDP比重达41.5%，这一比重相当于第二产业占国民经济的比重。其中，我国产业数字化规模为41万亿元，占数字经济的比重为81.7%。制造业是我国实体经济发展的重要基石，虽然有部分龙头企业通过数字化转型已成为全球顶尖制造业企业，但中国企业数字化转型成效显著的仅占17%。当前，以互联网、物联网、大数据、云计算、人工智能等为代表的新一代数字技术日新月异，数字金融应运而生，数字金融为全球经济注入活力，目前已成为全球经济高质量发展的新动能。

目前，学者大多聚焦数字金融对经济增长(连俊华，2022)、城乡收入差距(杨怡等，2022)、消费升级(易行健、周利，2018)等宏观层面的影响。关于数字金融对企业行为的影响，主要考虑对企业全要素生产率(江红莉等，2021)、创新(唐松等，2020)、风险承担(马连福、杜善重，2021)等方面的影响，有关数字金融影响企业数字化转型的文献相对较少。王宏鸣等(2022)发现，数字金融通过四个渠道促进企业数字化转型：缓解资金限制、优化商业环境、改善风险承担和增加研发支出。但已有研究并未很好地揭示数字金融在企业数字化转型中的作用机理，且鲜有文献从制造业面临的“三大转型难题”分析数字金融给制造业企业数字化转型的影响。

基于此，本文利用2011—2022年制造业上市企业数据，分析了数字金融对制造业数字化转型的影响，并引入了金融错配这一中介变量进行实证研究。本文的边界贡献是：第一，目前学者大多聚焦数字金融在宏观层面的影响，微观层面则主要考虑生产绩效、创新等方面的影响，本文从“三大转型难题”进行理论分析，丰富了数字金融在微观企业层面的经济效应研究；第二，本文引入金融错配，探讨了数字金融影响企业数字化转型的机制；第三，本文进行了金融市场化水平和企业所有制的异质性分析。

2 理论分析与研究假设

2.1 数字金融与制造业企业数字化转型

数字金融具有普惠性，可以更好地完成金融服务实体经济的任务，破解制造业企业面临“不会转”“不能转”“不敢转”的困局。

(1)数字金融发挥信息效应破解“不会转”的困局。数字化转型不是简单地引入数字技术设备，其核心是管理模式的根本性变革，重塑企业的组织结构、业务模式和生产流程。一方面，数字金融天然的信息耦合效应能够缓解信息不对称、降低企业获取和处理信息的成本，为企业的数字化转型提供技术支持(马连福、杜善重，2021)；另一方面，数字金融驱使企业培养和引进高素质技术人才来改善现有的人员结构不足以实施数字化战略的难题。

(2)数字金融发挥资源效应破解“不能转”的困局。企业数字化转型需要长期稳定的资金来源，因此外部融资是不可或缺的转型动力。一方面，数字金融使得银行能够获取企业的“软信息”，并转化为“硬信息”来判断贷款违约风险(黄益平和邱晗，2021)，将更多金融弱势群体纳入业务范围，同时促进企业长期融资由抵押贷款向信用贷款转型(李逸飞等，2022)；另一方面，企业信用透明化使得政府部门更容易甄选符合资助条件的高潜能制造业企业，并提供资金支持，极大地降低企业转型成本，分担转型风险(吴非等，2021)。

(3)数字金融发挥同群效应破解“不敢转”的困局。出于学习动机与避险动机，企业会向同群企业中转型成功的企业学习(杜勇等，2023)，能够提高转型的成功率，进而提高企业实行数字化转型战略的积极性。

综上分析，本文提出以下假设：

H1：数字金融能够促进制造业企业的数字化转型。

2.2 数字金融、金融错配与制造业企业数字化转型

传统金融长期以商业银行为核心，但传统金融暴露了一些结构性问题，比如“属性错配”“领域错配”和“阶段错配”问题(唐松等，2020)，使得金融资源出现了显著的“流动性分层”现象。政府的产业政策、财政补贴、信贷倾向令大量金融资源配给至政府自身项目、传统制造业、污染较大的重化工企业、房地产行业，而对中小企业、战略性新兴产业、制造业升级的金融资源需求配给严重不足，众多亟须大量资金进行数字化转型的制造业企业无法从外部获得融资进行数字化转型。

数字金融能够有效缓解金融错配。首先，数字金融能有效降低搜寻成本、风险识别成本、数据处理成本，获取边际客户的信息成本几乎为零，能够更好地帮助长尾群体突破融资难题，改善金融错配；其次，数字金融使企业信用更加透明化，有效减少银企间因信息不对称带来的金融摩擦问题。最后，银行可借助大数据和人工智能技术,高效收集海量数据，快速获取和分析有效信息，并利用物联网和区块链实现跟踪和远程监控，增加软信息的“硬度”(张金清等，2022)，进而优化企业的信用期限结构，推动企业长期融资方式从按揭向信用借贷转变(李逸飞等，2022)，降低了企业获取信贷的成本。由此，本文提出以下假设：

H2：数字金融能够通过降低企业的金融错配程度，进而促进企业的数字化转型。

3 研究设计

3.1 模型设定

第一，为了验证数字金融对制造业企业数字化转型的影响，本文设置了如下模型：

第二，为了验证数字金融对制造业企业金融错配的影响，本文设置如下模型：

第三，为了验证金融错配的中介作用，本文设置如下模型：

式(3)中：i表示企业；t表示时间；εi,t为随机误差项。

3.2 变量测度与说明

3.2.1 被解释变量

企业数字化转型(Digtrans)，参考吴非等(2021)的研究，界分了包括人工智能技术、区块链技术、云计算技术、大数据技术和数字技术应用的“底层技术运用”与“技术实践应用”两个层面，分类归集这两个层面的词频并最终加总，从而构建企业数字化转型的指标体系。

3.2.2 核心解释变量

数字金融(DIF)，采用北京大学互联网金融研究中心编制的《数字普惠金融指数》来衡量。

3.2.3 中介变量

金融错配(FM)，参考韩珣、李建军(2020)的研究，用企业的资金成本与所在行业平均资金成本的偏离程度来表示，即两者之差。本文采用财务费用占负债总额扣除应付账款的比值来衡量企业的资金成本。

3.2.4 控制变量

(1)盈利能力(Roa)，用净利润/总资产来衡量；(2)资产负债率(Lev)，用总负债/总资产来衡量；(3)总资产周转率(Tat)，用营业收入净额/平均资产总额来衡量；(4)企业成长性(Growth)，用营业收入增长率来衡量；(5)两职合一(Dual)，设置0和1的虚拟变量，若总经理与董事长兼任取1，否则取0；(6)股权集中度(Top)，用第一大股东持股比例来衡量。此外，还控制了行业和年份效应。

3.3 数据来源与样本处理

本文选取2011—2022年沪深A股上市公司制造业作为研究样本，企业层面的原始数据均来源于国泰安(CSMAR)数据库，数字金融数据来源于北京大学数字普惠金融指数，移动互联网普及率来源于各地地方统计局。为了使分析更加准确，本文对上述数据做了以下处理：(1)剔除ST类企业；(2)对所有企业层面的连续变量进行双边1%的缩尾处理。

4 实证检验

4.1 主效应回归：数字金融对制造业企业数字化转型的影响

主效应回归分析具体结果如表1所示。表1列(1)未加入控制变量，数字金融的回归系数在1%的水平上显著为正；表2列(2)加入了控制变量，列(3)进一步对行业和年份进行了控制，仍然在1%的水平上显著正相关。结果证明数字金融能够显著促进企业数字化转型，假设H1得以验证。

表1 数字金融对企业数字化转型的影响

表2 中介效应检验

4.2 机制路径分析

表2列(1)的结果显示，数字金融的回归系数在1%的水平上负相关，说明地区数字金融发展能够缓解金融错配，主要原因可能是以信息技术为支撑的数字金融可通过大数据来解决信息不对称问题，进而缓解金融错配程度。表2列(2)将解释变量、被解释变量和中介变量纳入同一个模型进行回归。由结果可以看出，数字金融与企业数字化转型在1%的水平上显著正相关；金融错配与企业数字化转型在1%的水平显著负相关，说明金融错配作为中介变量是显著的。数字金融的系数由表1中的0.064降至0.063，表明金融错配起到了部分中介作用，验证了假设H2。

4.3 内生性检验

数字金融与企业数字化转型之间的互为因果关系可能性较小，但仍有可能因遗漏变量而引起内生性问题。因此，本文选择了两种方法作为内生性检验的工具：第一种方法是解释变量数字金融滞后一期(L.Dif)。表3列(1)结果表明，解释变量滞后一期后，数字金融对制造业企业数字化转型仍有积极的促进作用；第二种方法是工具变量法。本文选取互联网普及率作为工具变量，并采用2SLS法对模型进行重新估计。表3的列(2)、(3)是工具变量法的结果显示，数字金融对制造企业数字化转型的促进作用在1%的显著水平上为正。以上内生性检验结果均证明了主回归结果稳健。

4.4 稳健性检验

本文采用替换被解释变量和替换回归模型的方法进行稳健性检验。

第一，替换被解释变量。以上市公司财务报告附注披露的年末无形资产明细项中与数字技术应用相关部分占无形资产总额的百分比为代理变量(张永坤等，2021)。具体地，无形资产明细项中包括“软件”“网络”“客户端”“管理系统”“智能平台”等与数字化转型相关的关键词及专利时，标记为“企业数字技术无形资产”，再根据年份加总，计算其占无形资产的比例，即数字化转型的代理变量。表4的前三列使用了替换被解释变量的方法进行稳健性检验，列(1)是基准回归稳健性检验，列(2)(3)则是中介效应的稳健性检验，回归结果稳健。

表4 稳健性检验

第二，替换回归模型。本文使用的样本中有部分企业数字化转型的代理变量数值为0，因此重新应用Tobit回归对模型进行检验，表4列(4)为仅更换回归模型方法的结果，数字金融的系数仍显著为正，说明样本中存在的一部分数字化转型为0值的企业并未对最初的假设造成影响。表4列(5)为同时替换被解释变量和回归模型方法的结果，数字金融的系数为正，在1%的水平上显著，再次验证了假设H1。表4列(6)(7)为替换模型并替换被解释变量的中介效应稳健性检验，结果依旧显著，再一次验证了假设H2。

5 进一步分析

为了深入研究数字金融发展影响不同特征制造业企业数字化转型的差异，本文进一步基于企业所有制属性、企业所处地区市场化水平进行异质性分组回归，回归结果如表5所示。

表5 异质性分析

一是企业产权性质。按企业产权性质将样本分为国有企业和非国有企业。由表5列(1)(2)以看出，国有企业和非国有企业的回归系数分别为0.050和0.071，均在1%的水平上显著为正，说明数字金融对两类企业的数字化转型均有促进作用，且对非国有企业数字化转型的促进作用更强。可能的原因是，相较国有企业，非国有企业受到的融资约束更强，数字金融利用数字技术降低了金融服务门槛，提高了金融的覆盖率、降低了融资成本，从而有效缓解了非国有企业的融资约束，使得非国有企业有足够的资金进行数字化转型。

二是金融市场化水平。本文采用王小鲁等编著的《中国分省份市场化指数报告》中的金融市场化指数来衡量。若该省份近五年金融市场化指数均值位于所有省份金融市场化指数均值中位数以上，则为金融市场化水平较高组；否则，为金融市场化水平较低组。表5的列(3)(4)结果显示，两组系数在1%的水平上均显著为正，且所处地区在市场化水平低的企业更加明显。可能的原因是：一方面，市场化程度低的地区，企业难以受到有效的外部监管，而数字金融可在一定程度上弥补这一缺陷；另一方面，市场化水平较低的地区，企业的内部控制质量较差(李志斌，2013)，数字金融带来的信息效应能够影响企业内部经营和决策，令其有效规避逆向选择和道德风险问题，显著提高企业的内部控制质量(王宏鸣等，2022)，进而有利于推进数字化转型。

6 结语

6.1 研究结论

本文基于2011—2022年沪深A股的制造业上市公司样本，考察了数字金融对制造业企业数字化转型的影响及内在机制。研究结果表明：第一，数字金融能够显著促进制造业企业的数字化转型；第二，中介机制检验结果表明，数字金融能通过降低金融错配程度，进而提高企业的数字化转型；第三，异质性分析结果表明，数字金融对国有企业数字化转型的影响更显著；在金融市场化水平较低地区，数字金融对企业数字化转型的促进作用更显著。

6.2 政策与管理启示

根据以上研究结论，本文提出以下3点政策建议：

(1)进一步加快数字金融的发展。各地政府应顺应数字化发展的潮流，给予企业数字化转型更多的政策支持(如税收优惠等鼓励政策)。相关部门要牵头制定相关的法律法规，完善数字金融的规范和标准(如健全征信系统和数据资源共享机制)，为数字金融服务实体经济营造良好的信用环境。引导传统金融机构和数字金融平台合作，进一步提高金融资源的配置效率，更大程度地满足制造业数字化转型所需资金。

(2)金融机构提高信息甄别能力。除了缩小金融供需缺口外，还应将金融资源有效流向融资需求旺盛、发展潜力大的制造业企业。同时，传统金融机构应加快数字技术战略部署，积极拥抱金融数字化发展趋势。

(3)企业应逐步开展转型工作。目前，传统制造业企业的数字化转型尚处于“摸着石头过河”的阶段，制造企业在决策时需考虑自身在整个生命周期中的独特情况和性质，以及企业的资源状况、财务状况、创新能力诸多方面，通过逐步升级硬件设施，引入数字技术人才，重塑生产流程、组织架构和商业模式，进而驱动企业展开全方位的数字化转型。