数字普惠金融对企业信用风险的影响研究

（安庆师范大学 经济与管理学院，安徽 安庆 246133）

一、引言

随着我国全面深化改革任务的持续推进，建立健全现代化经济体系已成为经济高质量发展的必要保障，加强金融创新和丰富金融市场层次更是其中的重要环节。《中华人民共和国国民经济和社会发展第十三个五年规划纲要》中强调，健全现代金融体系，提高金融服务实体经济效率和支持经济转型的能力，有效防范和化解金融风险。2013年11月12日，党的十八届三中全会上审议通过了《中共中央关于全面深化改革若干重大问题的决定》（以下简称《决定》）。《决定》中亦明确指出发展普惠金融。而得益于我国人工智能和区块链等信息科技的重大突破以及移动通信终端的大规模普及，普惠金融数字化成为国内乃至全球的未来发展趋势（贝多广，2018）[1]。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》指出，充分发挥海量数据和丰富应用场景优势，促进数字技术与实体经济深度融合，赋能传统产业转型升级，催生新产业、新业态、新模式，壮大经济发展新引擎。数字普惠金融作为数字技术与金融创新的深度融合，其主要形式包括传统金融机构利用数字技术提供的金融服务和互联网大科技公司所推出的新型金融产品（黄益平和黄卓，2018）[2]，主要目标仍然是支持实体经济发展。在实体经济发展中，企业信用风险广泛存在于企业的日常运营及生产过程中，并且在企业专业化和经济全球化的背景下，企业信用风险存在传染性。一家企业发生信用风险事件极有可能产生连锁反应，短期内信用风险事件的集中爆发会对经济稳定发展造成较大冲击。而作为金融业的新兴业态，数字普惠金融能否有效化解企业信用风险成了一个值得深入探究的课题。

数字普惠金融作为已知突破传统金融发展瓶颈及满足普惠金融内在需求的发展路径，其发展所带来的金融风险以及风险控制等相关领域已积累了一些研究，但现有文献大多集中在银行业竞争发展（林德发和张献，2020）[3]和区域金融风险（欧阳资生等，2021）[4]等方面。而在微观经济效应层面，学术界目前普遍认可了数字普惠金融对于企业融资约束的缓解作用、对于企业全要素生产率的提升作用以及对于企业创新的促进作用。但数字普惠金融发展对于微观企业信用风险乃至股票、债券市场风险的具体影响机理及机制等领域，仍然有待进一步研究。因此，在我国数字普惠金融蓬勃发展的背景下，研究数字普惠金融对企业信用风险的影响机制，具有一定的现实意义与理论价值。

本文可能的贡献如下。第一，现有研究大多从较为宏观的角度分析数字普惠金融发展对经济社会等方面的影响，尚未有学者考虑其对于企业信用风险的影响机制，也缺乏相关理论分析与实证分析。而本文探讨了数字普惠金融与企业信用风险之间的影响机制，完善了数字普惠金融的相关理论与实证研究，具有一定的创新性。第二，本文为我国企业在自身经营发展中控制信用风险、平稳运营等方面提供了一定的参考，拓宽了企业信用风险相关领域的研究。第三，本文的机制分析发现数字普惠金融能够通过缓解企业融资约束和提升企业全要素生产率的链式中介机制来抑制企业信用风险，一定程度上反映了数字普惠金融发展的实际效果。

二、理论分析与研究假设

（一）数字普惠金融对企业信用风险影响的直接效应分析

企业信用风险理论指出，企业信用风险事件频发主要由两方面因素造成：一是由于企业自身长期经营不善或短期资金流动性不足可能会导致资金链断裂，从而出现到期无力偿还债务的情况；二是企业在所处的外部市场环境具有较大的信息不对称性时，往往隐瞒不利因素或拒绝偿付债务所取得的收益会远大于成本，在此情形下企业管理者有较大的可能倾向于“机会主义”。从企业信用风险来源看，数字普惠金融有可能从两方面来直接改善企业信用风险。

一方面，数字普惠金融能够有效改善企业长期的经营困境，其主要体现在技术创新能力的提升（赵晓鸽等，2021）[5]及商业模式的变革。张勤（2019）[6]的研究表明，企业的技术创新能力与其经营效率显著正相关。且张培和赵世豪（2022）[7]从技术创新维度出发，研究发现企业的创新产出越高，其信用风险越低。这是因为从长期视角来看，技术创新过程伴随着长周期、高风险与高回报并存等特征。而数字普惠金融发展可以在一定程度上解决企业在技术创新过程中所面临的创新效率低和创新能力不足等问题。同时，从商业模式创新来看，数字普惠金融不只是在技术创新产出过程中提供助力，其与电子商务结合所产生的新商业模式（王卓和李健，2019）[8]，能够促进消费结构的升级（张翼，2016）[9]，为企业创造更多的市场机会，从而提高企业的销售收入（谢雪燕和朱晓阳，2021）[10]。此外，企业的创新产出如新产品及新技术在投入市场后，一是能为企业带来长久的良好声誉，增加投资者的长期信心，降低其信用风险；二是能够为企业带来较强的可持续性经济收益，改善企业长期盈利水平，降低其信用风险。

另一方面，数字普惠金融发展能够借助数字技术改善信息不对称程度（李建军和王德，2015）[11]。在成本可控的前提下，数字普惠金融的发展有助于金融机构从多维度构建信息库平台，其不仅能够分析合作企业盈利水平、负债比率等财务指标，还包括收集其主要管理者个人征信等“软信息”（池仁勇和朱张帆，2020）[12]，为平台使用者提供了一定的决策依据，一定程度上降低了逆向选择和道德风险的发生概率（Gomber等，2018）[13]。从企业管理者的主观层面来看，在信息透明度较高的市场环境中，数字普惠金融发展迫使企业共同选择提高信息披露程度，减少了欺诈行为，增强了企业履约意愿，降低了企业信用风险。从企业外部监管的客观层面来看，在强有力的外部监管和多维度甚至多领域的信用监管体系下，企业信用风险能够得以有效抑制。黄益平和邱晗（2021）[14]进一步指出数字普惠金融所代表的“大科技信贷”模式相比于传统风险预测模型，能够利用大科技生态系统和大数据监测模型来建立新的信用风险管理框架，从而可以更有效地预测企业违约概率，并且大科技公司可以根据数字足迹来做到一定成本下的实时信用风险监控和信用风险评估。

据此，本研究提出第一个假设。

H1：数字普惠金融能够有效抑制企业信用风险。

（二）数字普惠金融对企业信用风险影响的间接效应分析

在上述分析的基础上，本文继续探究数字普惠金融对企业信用风险影响的间接效应。数字普惠金融可以通过缓解融资约束和提升全要素生产率的链式中介机制来降低企业信用风险，具体的三条路径如下。

第一条路径是数字普惠金融通过缓解融资约束来抑制企业信用风险。数字普惠金融能够有效纠正金融错配问题（Demertzis等，2018）[15]，可以较好地解决实体企业在间接融资中面临的规模歧视等问题，通过精准用户识别和风险管理来帮助企业突破融资“天花板”。数字普惠金融提高了金融服务的可获得性，突破了空间、时间限制，节约了双方的融资成本，增强了资金配置效率，对银行与企业均存在降本增效的作用。对企业而言，李宾等（2022）[16]研究表明数字普惠金融能够有效降低企业的搜寻成本和财务费用，从而增强了企业财务可持续性，有利于日常资金的灵活周转。对银行而言，其获客、信用评估及贷后管理等成本也得以显著降低，一定程度上提高了银行的经营效益（李建军和姜世超，2021）[17]。这既有利于普惠金融可持续发展，也从供给侧为企业破除融资约束，增强财务可持续性提供了助力。

第二条路径是数字普惠金融通过提升企业全要素生产率来抑制企业信用风险。数字作为新的生产要素，不仅对企业生产与融资等方面增加了要素投入，而且颠覆性地改变着整个产业结构。数字普惠金融不仅促进了数字技术与组织管理方式的变革，而且帮助企业提升了全要素生产率。而罗朝阳和李雪松（2020）[18]研究发现企业全要素生产率与违约风险之间呈现负相关，即企业全要素生产率越高，企业信用风险越低。企业全要素生产率的提升，体现了企业综合生产效率的改善，在一定程度上降低了企业信用风险。

第三条路径是数字普惠金融通过缓解企业的融资约束而显著提升其全要素生产率（马芬芬等，2021）[19]，从而抑制信用风险。这是因为数字普惠金融所提供的多样化金融服务能够更有针对性地帮助企业改善生产效率。处于良好融资环境下的企业，其资金能够得到更加有效的配置，其生产效率能够得到大幅的提升（何光辉和杨咸月，2012）[20]，从而能够显著提高企业的产品质量与核心竞争力，让其得以满足在当下市场竞争中的生存需要。而外部融资不足的企业往往缺乏提升生产效率的动力（陈中飞和江康奇，2021）[21]。因此，数字普惠金融在改善企业融资困境的同时，也会提升其全要素生产率，从而抑制其信用风险。

根据以上分析，本研究提出第二个假设。

H2：数字普惠金融会通过缓解企业融资约束和提升企业全要素生产率的链式中介机制降低企业信用风险。

根据以上理论分析，本文构建了数字普惠金融对企业信用风险的链式中介机制图，如图1所示。

图1 数字普惠金融对企业信用风险的链式中介机制

三、研究设计

（一）变量界定

1.被解释变量

目前，现代信用分析方法中衡量企业信用风险模型有Z值计分模型、Credit Metrics模型、Credit Risk+模型以及KMV模型等。相比较其他模型，考虑到我国目前信用制度不健全的现状，建立于Z值计分模型之上的巴萨利模型在应用范围、准确性方面更能满足计量我国企业信用风险的假设。同时，参考刘鹏飞和晏艳阳（2016）[22]的做法，因巴萨利模型计算数据来源的真实性和可获得性较高，所以本文采用该模型评估企业信用风险（ECR）。

巴萨利模型（Enterprise credit risk B）计算企业信用风险公式如下：ECR B=（税前利润+折扣+递延税）/流动负债+税前利润/营运资本+股东权益/流动负债+有形资产净值/负债总额+营运资本/总资产。

该模型最后计算得分越高，表明企业信用风险较小，如果得分很低或为负分，则表明企业信用风险很高。

2.核心解释变量

借鉴谢绚丽等（2018）[23]的研究方法，采用北京大学数字金融研究中心编制的数字普惠金融省份层面总指数（DFI），并跟进2021年4月公布的最新一期数据（郭峰等，2020）[24]，采用数字普惠金融地级市层面总指数CDFI作为核心解释变量。

3.中介变量

（1）融资约束。

KZ指数、SA指数与WW指数均可衡量企业融资约束程度。参考石璋铭和谢存旭（2015）[25]的研究，本文采用WW指数来衡量企业所面临的融资约束，当企业WW指数为负时，企业存在融资约束，而WW指数越大则表明企业所面临的融资约束程度越强。

（2）生产效率。

静态生产率、单要素生产率以及全要素生产率可反映企业生产效益。参考鲁晓东和连玉君（2012）[26]的研究，采用全要素生产率（TFP）指标衡量企业生产效率，使用LP法计算企业全要素生产率并取对数，当企业全要素生产率越高，表明企业生产效率越高。

4.控制变量

本文选取的宏观及微观层面的控制变量如表1所示，变量的描述性统计如表2所示。

表1 主要变量定义

（二）模型设定

1.基准模型

根据本文相关研究与Hausman检验结果，本文构建以下模型1—模型4。

在模型1中，ECR表示被解释变量：企业信用风险。CDFI表示核心解释变量：地级市层面数字普惠金融指数。Control表示控制变量。下标i表示企业，t表示年份，Year和Firm分别表示时间和个体固定效应，ε为随机干扰项。

表2 变量描述性统计

2.链式中介模型

在模型1的基础上，为验证融资约束程度和企业生产效率在数字普惠金融影响企业信用风险过程中的链式中介效应，构建模型2、模型3和模型4如下：

在模型2—模型4中，WW表示中介变量：企业融资约束程度。TFP表示中介变量：企业生产效率。ECR表示被解释变量：企业信用风险。CDFI表示核心解释变量：地级市层面数字普惠金融指数。Control表示控制变量。下标i表示企业，t表示年份，Year和Firm表示时间和个体固定效应，ε为随机干扰项。

（三）数据来源及处理

企业样本选取自2012—2020年沪、深两市A股上市公司。本文对数据进行如下处理：（1）剔除金融业企业；（2）剔除ST、*ST企业；（3）剔除财务数据极度缺失及异常企业；（4）剔除上市时间不足三年企业。为消除极值对实证分析的影响，对样本数据主要连续变量进行1%水平的缩尾处理，最后得到沪、深两市1567家企业14103个观测的面板数据作为研究样本。本研究中，企业样本所使用公司层面数据来自CSMAR数据库，宏观层面数据来自各地区的《国民经济与社会发展统计公报》《中国城市统计年鉴》《中国统计年鉴》及国家统计局，部分缺失值采用插补法补全。

四、实证分析

（一）基准回归结果

由模型1检验数字普惠金融发展对于企业信用风险的影响。表3第（1）列的回归结果显示：在不加入任何控制变量的情况下，企业所处城市的数字普惠金融指数CDFI对于企业信用风险的回归系数在1%的统计显著性检验中显著为正，这表明数字普惠金融发展对于企业信用风险存在抑制作用。在引入所有控制变量之后，表3第（2）列表明其回归系数仍然显著为正。同时，企业规模在1%的水平上显著为正，这表明企业规模越大，企业信用风险越低。资产负债率的回归系数在5%的水平为负，表明企业资产负债率越低，长期偿债能力越高。这表明本文假设1得到了初步证实。此外，参考唐松等（2020）[27]的做法，将数字普惠金融指数滞后1期（L1.CDFI）、滞后2期（L2.CDFI）、滞后3期（L3.CDFI）作为动态面板，在时序上，进一步分析数字普惠金融发展对于企业信用风险的抑制作用是短期影响或是长期作用。如表3第（3）列、第（4）列和第（5）列的回归结果所示，数字普惠金融滞后1期和滞后2期在1%水平上对于企业信用风险的回归系数均为正，而在滞后3期后的L3.CDFI回归系数仍然在10%的显著性水平上为正。这表明数字普惠金融发展对于企业信用风险的影响具有动态叠加效应，对企业信用风险具有长期抑制作用。至此，本文假设1得到了证实，即数字普惠金融发展可以显著减轻企业信用风险。

表3 数字普惠金融发展对企业信用风险的实证检验结果

（二）异质性分析

1.基于地区信用环境

本文基于地区信用环境进行异质性检验，具体做法是采用CEI课题组官方发布的《2019年中国城市商业信用环境指数地级市排行榜》中的地级市指数排名，并且将信用环境排名前120地级市划分为信用环境较好的地区，取值为1；将其余地级市划分为信用环境较差的地区，取值为0。本文在此基础上，对样本进行分组回归。表4中第（1）列的回归结果表示，在地区信用环境良好的地区，数字普惠金融对于企业信用风险的抑制作用并不明显。这可能是由于在地区信用环境良好的地区，企业偿债意愿较强，较为重视商誉等无形资产的价值。而在地区信用环境不发达的地区，表4中第（2）列的回归结果表示数字普惠金融指数通过了1%的显著性检验。这表明在地区信用环境不发达的地区，数字普惠金融的发展显著有利于信用环境不发达地区所在企业抑制信用风险。

2.基于企业规模

此外，为了验证数字普惠金融对于企业规模的异质性效应，本文根据测度样本中企业规模中位数进行分组回归，将样本分为大规模和小规模两个子样本。根据表4中第（3）列和第（4）列的回归结果显示，对于小规模企业，数字普惠金融指数在1%的显著性水平上均显著为正。这表明企业信用风险的改善都可能得益于数字技术的进步，但回归系数结果表明数字普惠金融发展对于大规模上市公司的信用风险抑制作用并不显著。这可能是因为企业规模越大，除去融资约束程度较低的因素外，通常存在规模效应。大企业所具有的体量优势再加上良好商誉等无形资产有利因素，使得自身的信用风险处于较低水平。对于上市公司中的相对小规模企业而言，数字普惠金融发展有助于改善其生产效率，缓解融资约束，从而降低其信用风险。

3.基于产权性质

民营企业作为我国市场经济中的重要组成部分，为了进一步探究数字普惠金融发展对于民营企业信用风险的影响作用，本文根据企业产权性质将样本分为国有企业和民营企业两个样本进行分组回归。表4中第（5）列结果显示数字普惠金融对国有企业的信用风险抑制作用仅仅通过了10%的显著性检验。且第（5）列和第（6）列的回归系数结果表明数字普惠金融发展对于民营企业信用风险改善远远大于国有企业。这可能由于国有企业具有特殊的经济、社会地位，更容易在传统金融机构获得足额的资金支持。因此，数字普惠金融作为传统金融机构的补充，对其信用风险的抑制作用相比于对民营企业来看不太明显。而民营企业通过改善融资困境，可能较大提升了自身全要素生产率，进而改善了自身信用风险水平。

（三）稳健性检验与内生性处理

1.替换被解释变量及核心解释变量

（1）替换被解释变量：在稳健性检验中，参考张玲（2000）[28]的做法，采用Z-score模型重新计算样本企业信用风险，得到的计算结果记作ECR Z（Enterprise credit risk Z）。该模型最终计算得分越高，说明企业信用风险越小。

该模型计算企业信用风险公式如下：

ECR Z=0.517-0.46×（总负债/总资产）-0.388×（营运资金/总资产）+9.32×（净利润/平均总资产）+1.158×（留存收益/总资产）

表4 异质性检验结果

（2）替换解释变量：为了进一步保证本文结论的可靠性，本文采取以下两种做法。一是替换核心解释变量的统计口径。为进一步保证主要结论的稳健性，本文采用企业所在省份的数字普惠金融指数PDFI再次进行回归检验。二是替换核心解释变量的统计方法。本文从普惠性与数字性两方面出发，构建了31个省份（不含港、澳、台地区）2012—2020年的数字普惠金融综合评价体系，然后运用熵值法将该评价体系测算所得的数字普惠金融发展水平（DFII）作为模型中核心解释变量的替换变量。维度设计及具体指标定义如下所示。

普惠性。股票市场总市值/GDP（%），金融业法人机构数量（个），每万人拥有的银行业金融机构营业网点数量（%）。

数字性。互联网宽带接口个数（万个），光缆线路长度（万公里），互联网上网人数（万人）。

对上述指标进行标准化处理后运用熵值法进行计算，且由该综合评价体系所得出的综合评价指数（DFII）范围在0到1之间。

如表5中第（1）列—第（4）列所示，第（1）列中改变了核心解释变量的统计口径，第（2）列中改变了被解释变量的统计方法，第（3）列中改变了核心解释变量的统计口径和被解释变量的统计方法，第（4）列中改变了核心解释变量的统计方法。从这四列回归结果来看，其回归系数和显著性水平并未发生较大改变。

2.剔除部分干扰因素

考虑到企业的经营状况与外界环境息息相关，而2020年的新冠肺炎疫情对我国经济造成较大冲击，所以本文将疫情冲击的可能影响剔除，将样本数据年限确定为2012—2019年，以避免疫情干扰。此外，考虑到数字普惠金融发展与所处地区环境可能存在影响，而直辖市具有特殊的经济、政治地位，本文将北京、上海、天津、重庆四个直辖市样本剔除后再进行回归。

表5 稳健性检验结果

稳健性检验结果如表5所示，第（5）列中更改了样本时间窗口，第（6）列中剔除了部分样本。无论是对样本期间和数量做出变换后，结果显示各变量回归系数及显著性水平均没有较大改变，本文的主要结论具有一定稳健性。

3.内生性处理

数字普惠金融发展水平作为宏观变量，受到个别企业信用风险的影响程度较小，但依旧有可能会因为遗漏变量或测量误差导致内生性问题。借鉴林爱杰等（2021）[29]的方法，本文采用各地级市互联网宽带接入用户的对数作为工具变量。表6第一阶段F统计量结果显示工具变量有效，且通过了弱工具变量检验。第二阶段回归结果显示，数字普惠金融指数通过了5%的显著性检验。综上，本文的结论具有稳健性。

表6 内生性处理结果

（四）链式中介机制检验

参考柳士顺和凌文辁（2009）[30]对于链式中介模型的检验，来分析数字普惠金融发展和企业信用风险之间的链式中介机制。首先，结果如表7所示，第（1）列、第（3）列和第（4）列的回归结果显示，CDFI的回归系数均通过了1%的显著性检验，第（2）列结果也通过了5%的显著性检验。其次，分别计算链式机制的三种中介效应。用机制1来表示CDFI→WW→ECR的传导机制，机制2表示CDFI→TFP→ECR的传导机制，机制3表示CDFI→WW→TFP→ECR的传导机制。由表第（2）列—第（4）列结果得到机制1—机制3的中介效应分别为0.0039、0.0077、0.0032，并且在总体中介效应占比分别为26.35%、52.03%、21.62%。总体中介效应为0.0148，略小于直接效应0.0203。再次，对比中介效应来看，机制2的中介效应最大，机制1次之，机制3最小。但机制1和机制3实际差距并不很大，这也体现了在链式中介机制中，数字普惠金融对企业信用风险的抑制作用是多因素综合作用的结果。此外，通过第（1）列和第（4）列的回归结果计算得出的直接效应为0.0149，与第（4）列中的回归结果差异很小，可能是由于扰动项导致。由此，证实了假设2，数字普惠金融发展能通过缓解企业融资约束和提升企业全要素生产率的链式中介机制来降低企业信用风险。

表7 链式中介模型检验结果

五、结论与建议

本文以2012—2020年1567家沪、深A股上市公司为样本，实证研究了数字普惠金融发展与企业信用风险的关系，并深入探寻了其作用机制。本文研究结论主要有以下三点。第一，数字普惠金融发展显著抑制了上市公司信用风险。该结论在替换核心解释变量及被解释变量等一系列稳健性检验及内生性处理后仍然成立。第二，本文从产权性质、企业规模和地区分布这三个特征入手，识别并检验了数字普惠金融对企业信用风险减少效应的异质性差异。异质性分析表明：一是相比于国有企业和大型上市公司，民营企业和小规模上市公司的信用风险受到数字普惠金融发展所产生的抑制效果更明显；二是数字普惠金融对企业信用风险的抑制作用存在一定的地区差异。具体而言，在地区信用环境不发达的地区，数字普惠金融对企业信用风险的抑制效果更明显。第三，从间接效应的作用机制来看，数字普惠金融发展能通过缓解企业自身所面临的融资困境和提高企业全部要素生产率的链式中介机制来抑制企业信用风险。

根据研究结论，本文主要从金融投资、企业发展以及政策监管这三个方面提出三点建议如下。

第一，从金融投资视角来看，需要加深数字技术应用，提升金融供给质量。对于银行和互联网金融公司等金融机构投资者而言，在评估所投资企业的信用风险时，一是要大力加强数字技术在金融业务上的应用，发展数字信贷等业务，在贷前、贷中与贷后流程中以数字技术来监控信用风险；二是要构建以数字技术为基础的数字化管理平台，打造针对不同类型客户的数字金融服务生态，从而兼顾融资服务的精准性与覆盖性，通过为用户提供针对性的融资服务来降低信用风险。对于个人投资者而言，在进行投资决策时，除了从财务状况、公司治理及管理者特质等传统视角对企业进行考察，也应当适当关注企业所在地区的数字普惠金融发展情况。

第二，对于企业自身而言，需要加快形成数字资产，助力企业平稳运营。数字普惠金融的发展既能为企业带来商业模式的变革，也能够帮助企业提高生产效率。在电子商务等模式下，企业应当借助现有的数字平台，以物联网等数字科技将企业生产以及经营等“数字足迹”转化为数字资产，加强业务智能化与数据资产化。企业与金融机构合作时，应当注意利用数字资产的优势，降低融资门槛。在企业自身生产经营过程中，也需要借助数字普惠金融所支持的资金等要素，提升生产效率，减轻信用风险。特别是针对规模较小和非国有企业而言，由于在传统金融体系中存在缺少抵押物等劣势，则更应当重视数字资产在数字普惠金融体系中的应用，将数字作为新的生产要素来促进自身进一步发展。

第三，从政策监管来看，需要优化企业信用环境，加强金融创新监管，完善多维信用监管体系。数字普惠金融发展有利于降低银企间的信息不对称性，提高市场信息透明度，其数字基础建设应该得到相关政策的大力支持。但要警惕以金融创新名义而违反法律法规的不当投融资行为。因此，相关部门要加大对数字普惠金融发展的监管力度，建立健全包容审慎的创新试错容错机制，通过与税务等部门的信用数据共享，加强信息披露，开辟多维度的信用获取途径，来构建新型的信用监管体系网络。