商业银行数智金融与企业结构性去杠杆：来自面板数据与fsQCA的研究

夏天添，王慧

（1.江西科技学院，江西 南昌 330000；2.江西省区域发展研究院，江西 南昌 330000）

引言

“十三五”以来，我国金融资源过度倾斜国有企业，致使可用于民营企业的金融资源匮乏，“融资贵、融资难”成为我国各大民营企业共同关注的话题，这也变相印证了金融赋能对我国实体经济的助力亦有所减弱[1]。2018 年4 月2 日，中央财经委工作会议强调了“打好防范化解金融风险攻坚战”，首次提出了“结构性去杠杆”的概念，并强调“要降低国有企业杠杆率，规避系统性金融风险，保障民营企业的融资需求”[1]。因此，如何在新时代背景下，加快企业结构性去杠杆进程，成为目前我国进一步释放金融市场活力，推动经济高质量发展的关键。

随着新一轮技术革命浪潮冲击，数字经济在我国金融行业中得到了广泛应用，区块链、大数据、云计算等数字技术与金融业务的深度融合，深化了数字金融的业务边界与服务内涵，“数智金融”由此孕育而生[2]。2021 年6 月，浙江省在《浙江省金融业发展“十四五”规划》中，率先提出了“数智金融”的概念[3]。从定义上来看，数字金融是由传统金融业务数字化转型所衍生的投融资、支付、征信等数字化金融业务模式[3]；而数智金融则是在传统金融业务的数字化转型基础上，通过AI、机器学习等人工智能算法（工具），为金融机构的相关金融业务开展提供最优决策、评价与规划，其中，“智能化”是数智金融的核心[4]。数智金融可以借助人工智能技术，依托金融业务相关情境，围绕业务涉及组织（含核心企业、供应链上下游企业、担保企业、二级平台等）收集相关数据，并在获取足够当量的金融数据后，提取关键数据，形成科学决策与评估结论，从而为金融机构进一步拓展业务边界与提高资金安全保障，提供了实现的可能[4]。

由此而言，数智金融是数字金融持续创新的下一阶段，是助力我国金融服务迭代创新的必然趋势。那么，“数智金融能否加快改善金融资源错配，推动企业结构性去杠杆？”这一问题的厘清有助于进一步明确商业银行数智金融与企业结构性去杠杆之间的影响机制，是我国商业银行发展数智金融的理论支撑。然而，在对以往相关研究进行分析后，发现了以下不足之处：

1.忽视了“智能化”的金融业数字化转型初衷。前人多停留于对数字金融层面的作用讨论，即过分关注数字金融在支付、信贷、理财、投资等业务的数字化转型问题，以及由此产生的应用性研究，却少有学者从数智金融视角，审视智能化对宏观经济或微观企业的助益及干预机制，忽视了“智能化”这一金融机构或金融业务的数字化转型初衷[5]，这也为本研究的理论贡献提供了实现的可能。故而，本研究将参考金洪飞等人的呼吁[5]，从金融业务的智能化角度入手，讨论数智金融对企业部门的干预机制。

2.忽视了数字普惠金融指标的局限。现有研究在指标观测上，多采用北京大学编制的数字普惠金融指数观测样本企业所在地域的数字金融的代理变量，但该指数的样本来源为支付宝的支付系统，其内置研究样本多为一般民众与个体工商户，而上市企业的主要融资渠道是银行，其二者间亦存在矛盾之处。故而，本研究为保障研究设计的科学性，将参考罗斌元等人的思路[6]，利用大数据技术构建商业银行层面的数智金融指标，并依照上市公司的信息披露数据，匹配企业与各大商业银行的年贷款数据均值[7]，作为测算对应企业的贷款商业银行数智金融指标。

3.忽视了数智金融的过程机制。以往研究大多证实数字金融有助于赋能实体经济高质量发展，并对此展开了诸多有意义的探索，如数字金融对金融机构的业务效率提升[8]、对企业融资约束的缓解[9]、对企业创新的支持[10]等。但多为净效应的讨论，忽视了对过程机制的讨论，更鲜有研究将金融机构与融资企业同时纳入分析框架，以检视金融机构的数智金融对实体企业融资的影响过程机制。而张一林等人的研究证实，数智金融的智能化赋能，可以通过进一步完善其金融业务的信用评价与风险防控，精准控制对贷款企业的授信额度及信贷风险[11]。故而，本研究将一并讨论数智金融对企业结构性去杠杆的过程机制影响。

综上所述，本研究将基于信贷技术理论与动态能力理论，以我国沪深两市的上市公司与商业银行为样本，通过构建面板回归模型与fsQCA 分析（模糊集定性比较分析），揭示商业银行数智金融对企业结构性去杠杆的影响“黑箱”及其过程机制。

本研究的边际贡献主要包括：（1）构建了“数智金融—企业结构性去杠杆”的理论框架，揭示了金融机构的数智金融对实体企业结构性去杠杆的影响“黑箱”，丰富了数智金融领域的研究内涵。（2）检视了数字普惠金融指数的不足之处，验证了数智金融指数的观测机制的科学性，为后续学者提供了一个可参考的观测范式。（3）从信用评价机制优化与风险防控机制完善的过程性视角，诠释了数智金融对企业结构性去杠杆的路径影响机制，并提出了2个基于商业银行数智金融的企业结构性去杠杆方案，为我国进一步打好防范化解金融风险攻坚战，提供了理论支撑与决策依据。

一、研究假设

（一）数智金融与企业结构性去杠杆

根据信贷技术理论，商业银行主要依靠“硬信息”（企业财务信息、贷款抵押（质押）、贷款担保等）与“软信息”（管理者背景、企业能力与行业趋势等），对贷款企业的信用进行评价与决策[12]。对我国国有企业而言，“共和国长子”拥有与生俱来的政治背景，享受着各级政府机关的隐性担保，并具备更多可用于信贷抵押的资产，商业银行亦对国有企业的信贷需求，有着极高的业务热情[13]。然而，对我国民营企业而言，由于在资产、信用和企业实力等方面的不足与局限，在信贷获取方面亦无法与国有企业同日而语[14]；尤其在实际业务中，商业银行或多或少会出于信心不对称，即无法有效对民营企业信用或价值进行有效评价[9]，继而导致商业银行为规避信贷资金风险，漠视了民营企业的融资需求，而将企业部门的更多金融资源，倾斜于国有企业，以造成企业结构性杠杆错位[7]。

为此，国务院、中央财经委在“十三五”期间，先后提出了“去杠杆”[15]与“结构性去杠杆”的金融改革目标[1]。但与“去杠杆”不同的是，结构性去杠杆的目的在于，优化企业部门的杠杆率，使其达到兼顾“留好杠杆”和“去坏杠杆”的均衡杠杆率，即实现削弱过度负债的国有企业资产负债率，以避免企业部门的金融资源浪费，并同时要保留绩优民营企业的资产负债率，以进一步保存企业发展优势[7]。基于这一目的，以往研究主要立足经济形式[16]、货币[17]、税收[18]、宏观经济政策[19]等角度，讨论了企业结构性去杠杆的对策及干预机制。但由于前人多聚焦于宏观上的干预机制，忽视了商业银行的逐利性，即若无法改变商业银行对民营企业的信贷意愿，诸如调整商业银行信贷战略趋势、补齐金融资源配置短板等政策干预机制犹如“空中楼阁”，亦难从本质上根除企业杠杆错位的“顽疾”。

随着我国数字经济与实体经济的不断深化，数智金融的出现为我国企业结构性去杠杆带来了新选择。“十三五”以来，我国各大商业银行如雨后春笋般推动了自身组织及金融业务的数字化转型，大数据、区块链、云计算等数字技术，帮助商业银行打破了传统业务在时间、空间与效率上的瓶颈，实现了数字金融转型[9]；而AI、机器学习、边缘计算等人工智能算法（技术）更是将商业银行金融业务的数字化转型步伐，推进了智能化门槛[6]。张一林等人的研究证实，数字化转型确可在信贷决策数据挖掘、风险防控、业务模式等方面，提高商业银行的金融业务效率与能力[11]；该观点亦得到了后续学者的印证与认可，如陆岷峰等人的研究发现，商业银行数字化信贷业务不仅在用户（贷款企业）的满意度、使用意愿、便捷性等方面，比传统信贷业务有了显著的增长或优化，更在信贷资金的安全保障和风险监控上，有着较高的稳定性[20]。然而，罗斌元等人则认为，商业银行的业务数字化并未发挥“数字经济”应有之功效，应在商业银行金融业务数字化转型的基础上，进一步探索数字技术的“智能化”赋能及其作用机制[6]。同时，张金清等人的研究也证实，数字技术的智能化机制或赋能，可以更好地处理海量的数据池，提高数据分析精度，进而实现组织对业务数据流的实时监控，并同时为组织提供更好的业务决策，或是在突发事件冲击下，为组织提供科学的应急方案组合[7]。

由此而言，数智金融作为数字金融的深化阶段，可为商业银行提供更加精准的信贷信息挖掘评价，或是对贷款企业做出更加精确的信贷画像，从而提高商业银行对民营企业的信贷意愿与支持力度，并由此进一步引导企业部门的金融资源流向有融资需求的绩优民营企业，以均衡我国企业部门的结构性杠杆错位。故而，本研究提出下列研究假设：

H1：数智金融与企业结构性去杠杆之间存在显著的正向影响。同时，数智金融对数字金融存在显著的替代效应。

（二）信用评价的中介作用

根据动态能力理论，数智金融的智能化赋能，给予了商业银行更加精准的信用评价能力。具体而言：

1.在数据收集方面。Goldstein等人认为商业银行可通过物联网、大数据挖掘、区块链等数字技术，收集大量有关贷款企业的信用数据，以用于对其的信用评价[21]。该观点虽得到了大量以往研究的证实，但却忽视了智能化对其的效率提升机制。如陆岷峰等人的研究发现，大数据挖掘仅能依据人工设置的关键词，收集相关信息（数据），但依旧会存在信息缺失，而人工操作亦无法及时、高效的解决这一关键问题[20]。而张一林等人的研究则证实了在数智金融赋能下，商业银行可同时借助数字技术与数智技术，进一步完善替代性数据的收集机制，从而收集包括信贷企业及其社会网络关系在内的各种多元化数据（含替代性数据），为后续做出更加精准的信用评价夯实基础[11]。

2.在数据分析方面。鉴于贷款企业的唯一性特征，商业银行往往通过人工预设的信用评价机制亦存在一定疏漏[11]。然而，在数智金融的赋能下，通过融合数字技术与数智技术，对数据池中的数据进行非线性关系的智能化识别与判断，高效过滤无效数据，抓取有效数据，并为缺失值提供替代性数据，致力还原贷款企业的真实信用写照[5]；同时，区块链、物联网的溯源和动态监控成了可实现的目标，亦有效降低了商业银行对企业“硬信息”的依赖。

由此而言，数智金融能够帮助商业银行实现“软信息”对“硬信息”的机制替代，从而让商业银行的信贷业务边界拓及“长尾”群体，让一系列受传统信贷模式抵触的绩优民营企业获得金融资源支持，并减少对盈利能力较差的国有企业的金融支持，如此便可有效推动企业部门的结构性去杠杆。故而，本研究提出下列研究假设：

H2：信用评价会在数智金融与企业结构性去杠杆的正向关系中，起到显著的中介作用。

（三）风险控制的中介作用

根据动态能力理论，数智金融的智能化赋能，给予了商业银行更加精确的风险控制能力。数智金融促进了商业银行的风险控制模式改革，让以抵押（质押）、担保等“硬信息”为核心的风险控制模型，逐步转变为以“软信息”（信用）为驱动的风险控制模式[9]。如此一来，我国企业部门的结构性杠杆错位，亦将随商业银行的风险控制模式改变，而趋于均衡。具体而言，数智金融的风险控制模式主要有两类：

1.数智信贷风险控制模式。该模式主要借助数智化的信息处理优势与智能算法优势，构建动态信贷风险的识别机制[22]、预警机制[8]和保障机制[7]，从而精确地预测贷款企业的可能性信用风险，并基于此制定相应防控方案，以加强商业银行对民营企业的信贷支持意愿与力度，从而加快企业结构性去杠杆进程。

2.数智供应链金融风险控制模式。该模式主要借助数智金融在区块链及物联网方面的技术优势，一方面，通过区块链溯源技术保障供应链数据，约束企业信息披露违规行为，保障资金流向数据的溯源与动态性[23]；另一方面，亦可通过供应链金融的上下游企业信用的动态变化，反向预测贷款企业的信贷资金使用安全及偿债能力等，从而实现商业银行对资金安全风险的全面性动态监控[24]。

由此而言，数智金融的赋能让商业银行即使在民营企业缺乏相关抵押或担保的门槛条件下，依旧可以借助精确的风险控制能力，为民营企业提供信贷支持。这既符合了商业银行自身的利益诉求，更将金融资源有效的配置到了绩优民营企业，缓解了我国企业部门的结构性杠杆错位。故而，本研究提出下列研究假设：

H3：风险防控会在数智金融与企业结构性去杠杆的正向关系中，起到显著的中介作用。

二、研究设计

（一）模型设定

本研究参考相关学者做法[13]，通过构建面板回归模型，以验证数智金融对企业结构性去杠杆的影响机制。

其中，E-SD（企业结构性去杠杆）为被解释变量，DI-F（数智金融）为解释变量，C为控制变量，i 为第 i 家企业，t 为第 t 年，ε 为随机误差项，Ind 为行业控制，Y 为年份控制。鉴于商业银行的数智金融对企业结构性去杠杆的影响效果，应存在一定的滞后性，故本研究对DI-F 进行了滞后一期处理。如公式（1）所示，β1为正向显著，则说明H1的假设成立。

同时，为进一步探究信用评价与风险控制的中介作用，本研究参考龚强等人的做法[24]，构建了下列中介效应模型。

其中，CE（信用评价）和R（风险控制）为中介变量，若公式（2）和公式（3）中，β2为正向显著，且95%CI 的区间效应成立，则说明H2和H3的假设成立。

（二）变量界定

1.企业结构性去杠杆（E-SD）。本研究参考相关学者的做法，采用样本企业的资产负债率观测企业结构性去杠杆[25]。并采用企业短期结构性去杠杆（流动负债与总资产之比）和企业长期结构性去杠杆（非流动负债与总资产之比），作为替代变量进行稳健性检验。

2.数智金融（DI-F）。在数智金融的观测上，以往研究主要采用两种方式：一种是直接采用北京大学编制的数字普惠金融指数，该方式覆盖面广，并下至区县[10]；而另一种则是采用数据挖掘的方式，根据商业银行公开披露的数据中，有关数智金融的词频，该方法统计方式灵活，且数据来源多元化，可兼具数字普惠金融指数的各项优点（盛天翔和范从来，2020）。故而，本研究参考相关学者的建议[26]，利用Python技术爬取我国各大商业银行的数智金融信息，并匹配企业的融资渠道，加权合成商业银行的数智金融指标。具体做法为：首先，本研究以AI、机器学习、区块链、云计算等8 个词语作为数智金融的关键词。其次，利用Python 技术爬取2016—2020 年我国各大商业银行的数智金融关键词词频，并按照商业银行和年份分别整理。再次，利用熵值法测算各指标之权重，并聚合为商业银行的数智金融指标。最后，对照企业每年在各融资渠道所募集的贷款总量比例，将各大商业银行的数智金融指标进行加权处理，以聚合成对应企业的数智金融指标。此外，为验证本研究所提出之观测方法的有效性，特以2016—2020 年各大上市商业银行的年报为样本，进行稳健性检验。结果显示，熵值法所构建的数智金融指标与年报版本的指标相关性达到80%，这也从侧面印证了该观测方法的科学性。

3.信用评价（CE）。本研究参考相关学者的做法[13]，采用样本企业的总资产收益率，以观测商业银行的信用评价质量。并同时采用净资产收益率和投资回报率作为稳健性检验的替代变量。

4.风险防控（R）。本研究参考相关学者的做法[7]，采用样本企业的不良贷款率进行观测。

5.控制变量。本研究参考相关学者的做法[27]，以企业规模（Size）、固定资产（FA）、成长能力（G）、组织性质（PE）作为企业层面的控制变量，以地市级经济水平（GDP）、数字金融（FD）、货币政策（MR）、资本结构（TE）作为宏观层面的控制变量。

（三）数据来源

本研究以我国2016—2020 年沪深两市的上市公司为样本。其中，企业数据来源于国泰安CS⁃MAR 数据库和Wind 金融数据库；银行数据来自BankScope 数据库，以及百度新闻的数据爬取。宏观经济数据来源于国泰安CSMAR 数据库和北京大学编制的《中国数字普惠金融指数》。

本研究在剔除了总样本中的ST 企业样本、金融类企业样本、外资企业样本、集体及公共类企业样本、杠杆率高于100%的极端样本后，共得到了2026 家企业（含715 家国有企业）与98 家商业银行的10440 条数据，并按照0.01 进行缩尾处理。同时，各主要变量的相关性系数在0.013~0.304 之间呈现显著，且VIF系数均低于阈值门槛，说明多重共线性对此的影响较低。

三、假设检验

（一）基准回归检验

1.直接作用检验。根据表2 的M1 列结果可知，数字金融与企业结构性去杠杆之间正向影响显著（β=0.242，P<0.05），说明数智金融能够推动企业结构性去杠杆。同时，根据表2 的M4 列的结果可知，将数智金融移除后，数字金融作为解释变量时，虽能够显著影响企业结构性去杠杆，但影响程度亦与数智金融有所差距，说明数智金融对数字金融存在一定的替代效应。故H1的假设得到了支持。

表1 变量定义

2.中介作用检验。根据表2 的M2—M3 列结果可知，在数智金融与企业结构性去杠杆之间的正向影响关系中，信用评价的中介作用显著（β间接=0.087，P<0.01，95%CI[0.077，0.098]），说明数智金融可以通过完善信用评价机制，精准预测企业盈利能力，进而推动企业结构性去杠杆，H2的假设得到了支持；同时，在数智金融与企业结构性去杠杆之间的正向影响关系中，风险防控的中介作用显著 （β间接=0.074，P<0.01，95%CI[0.066，0.083]），说明数智金融可以通过强化风险防控机制，精确控制企业资金风险，进而推动企业结构性去杠杆，H3假设得到了支持。

表2 假设检验结果

（二）稳健性检验

1.替换核心变量。首先，本研究以企业短期结构性去杠杆与企业长期结构性去杠杆作为替换变量，分别进行假设检验；结果显示：数智金融依旧可以推动企业短期结构性去杠杆（β=0.169，P<0.01）和企业长期结构性去杠杆（β=0.076，P<0.01），进一步验证了H1的假设。其次，本研究以净资产收益率和投资回报率，分别作为信用评价的替换变量进行中介效应检验；结果显示：以净资产收益率作为信用评价的观测指标时，中介效应最为显著 （β间接=0.087，P<0.01，95%CI[0.073，0.092]），而投资回报率则相对较低 （β间接=0.076，P<0.01，95%CI[0.078，0.093]）。

2.分样本检验。首先，本研究按照地域范围，将样本划分为华东、华南、华中和其他四组，并分别展开检验；结果显示：在华东（β=0.231，P<0.01）、华中 （β=0.206，P<0.01） 与华南 （β=0.198，P<0.01）地区，数智金融的企业结构性去杠杆效果最为显著，而其他（β=0.063，P<0.05）则影响效果相对较弱。其次，本研究按照企业所属行业，将样本划分为制造业、建筑业、化工业、生物制药业与其他五组，并分别展开检验；结果显示：数智金融的企业结构性去杠杆效果，对制造业样本的影响最大（β=0.259，P<0.01），而对其他行业的影响，则相对均衡（β=0.057~0.201，P<0.05）。

3.内生性检验。首先，鉴于企业结构性去杠杆的连续性，本研究参考相关学者的建议，将企业结构性去杠杆的滞后一期作为工具变量进行检验；结果显示：数智金融依旧正向显著影响企业结构性去杠杆（β=0.205，P<0.01）。其次，本研究参考宋敏等（2021）的做法，以2018 年正式提出“结构性去杠杆”为基点，按照“数智金融为连续变量，2018 年之后的年份为1，其他为0”的设置进行DID 检验（双重差分模型检验）；结果显示：数智金融可显著推进企业结构性去杠杆（β=0.224，P<0.01），而2018 年之前则不显著（β=0.107，P>0.1），说明政策实施前各组间无差异，但实施后其系数显著，说明政策实施产生显著的干预效应。

（三）模糊集定性比较分析（fsQCA分析）

本研究以我国沪深两市的上市公司为样本，讨论了商业银行的数智金融赋能对企业结构性去杠杆的推动作用与影响机制。但诸如“数智金融究竟如何提升商业银行对绩优民营企业的信贷意愿与支持力度”等问题，依然没有得到解答。故而，本研究将按照杜运周等（2020）的建议，引入模糊集定性比较分析的组态分析机制，以展开更进一步的探索。具体步骤为：

1.根据表2 的结果可知，数智金融、信用评价、风险防控、数字金融等8个变量，能够显著影响企业结构性去杠杆。故而，在对以上条件变量进行必要性检验后发现，数智金融等8个变量均不构成单一性影响变量，说明存在前因变量组合的可能。

2.本研究按照95%、50%和5%的标准对上述变量进行校准，并将约束条件设置为0.8 和1，最终得到了2个高绩效的组态方案；其中，方案1和方案2的组态一致性分别为0.854和0.870，同时组态方案的总体一致性为0.910，说明了这两个组态方案具备较好的解释力度。

3.本研究将在组态分析结果达到阈值门槛后，分别对2个组态方案命名，并展开案例分析。

（四）案例讨论

1.数智信用预测型企业结构性去杠杆方案。如表3的方案1的结果所示，数智信用预测型企业结构性去杠杆方案的净覆盖率超过50%，组态方案一致性超过80%。其中，核心条件包括数智金融和信用评价，辅助条件包括数字金融、组织性质与经济水平。由此说明，即便在经济形势不明确的条件下，基于数字化和数智化的商业银行金融业务改革，依然能够精准预测企业盈利能力，从而让商业银行敢于以“信用”替代“担保”这一传统信贷业务的核心要件，将更多金融资源流向绩优民营企业，从而实现我国企业部门的结构性杠杆均衡。适用于该组态方案的样本企业约占总样本的46%，主要分布于我国华东和华南地区，且多来自先进制造业、生物医药等优先发展领域；此类企业囿于地方数字经济发展完善与政策倾斜度高的宏观优势，以及自身企业组织与业务体系的高度数字化，均易于商业银行对其信用展开更加完整的评价和预测，从而提高了商业银行对绩优民营企业的信贷支持意愿和力度。

2.数智风险监控型企业结构性去杠杆方案。如表3的方案2结果所示，数智风险监控型企业结构性去杠杆方案的净覆盖率超过50%，组态方案一致性超过80%。其中，核心条件包括数智金融、风险防控和组织性质，辅助条件包括固定资产与成长能力。由此说明，无论国企民企，对我国各大商业银行而言，资金安全是保障其组织生存的第一要务，而在数智金融的智能化赋能下，商业银行可以通过人工智能算法或技术，实现对贷款企业的资金往来及其组织社会网络关系变化的动态监控，从而对资金安全风险做出及时评价、预警与突发事件科学决策。适用于该组态方案的样本企业约占总样本的53%，其样本地域分布与行业分布相对平均，但此类企业若要提高商业银行对其的信贷支持意愿与力度，则需更进一步的加快业务数字化转型，并着力逐步优化贷款结构与提升企业成长能力。

四、结论与建议

（一）研究结论与理论贡献

本研究以我国沪深两市上市的2026 家企业与98 家商业银行为对象，检视了我国商业银行数智金融对企业结构性去杠杆的影响机制。结果显示：（1）商业银行的数智金融能够通过智能化的信用评价机制与风险控制机制，有效推动企业部门的结构性去杠杆；（2）提出了一个数智金融的观测范式；（3）揭示了数智金融对企业结构性去杠杆的组态影响机制，并提出了2个基于商业银行数智金融的企业结构性去杠杆方案。根据研究结论，本研究的理论贡献包括：

1.丰富了数智金融的研究内涵。本研究基于商业银行的金融资源供给意愿视角，验证了数智金融对企业结构性去杠杆具有显著的干预作用，该观点在一定程度上拓展了数智金融的研究边界。一方面，目前对数字金融的研究，更侧重于“数字化”，而鲜有学者结合商业银行的信贷供给意愿，讨论数智金融对民营企业信贷供给的作用效果。另一方面，以往研究在关注企业结构性去杠杆的前因变量时，忽视了商业银行本身的营利性在实际的企业结构性去杠杆过程中，可能存在一定的抑制性影响。故此，该观点在极大程度上补充和丰富了数智金融的研究内涵。

2.提出了数智金融的观测范式。本研究基于数字普惠金融指数在上市公司领域的研究局限，提出了一个基于商业银行数智化转型信息挖掘的数智金融指数构建范式。该做法汲取了数字普惠金融指数在高覆盖面上的优势，并同时采用商业银行年报信息进行范式效度检验，故而，在范式可行性与科学性上，具备一定的推广价值。

3.揭示了数智金融的过程机制。本研究基于动态能力理论，通过引入信用评价与风险控制的中介变量，揭示了商业银行数智金融对企业结构性去杠杆的过程机制，该观点不仅呼应了唐松等人的观点[9]，拓展了数智金融对实体经济的作用“黑箱”，更有助于进一步诠释数智金融对实体经济干预的过程机制，同时，也为后续学者提供了一个较好的理论分析框架。

（二）管理对策与政策建议

1.加大商业银行数智化转型力度，发挥数智金融对实体经济健康发展的最大势能。根据研究结论，数智金融是商业银行数字化转型的必然趋势，是其谋求未来市场竞争力的关键抓手。故建议我国各大商业银行应结合自身组织特征与优势，适时引入智能化数字技术或人工智能算法，以进一步完善现有金融业务的智能化水平，从而实现每笔业务的智能化预测与决策，以提高资金收益保障和资金安全保障，并逐步将金融业务扩及实体经济的每一个角落，进而从本质上实现共同富裕。

2.加快企业数字化转型进程，积极打破银企之间的信息孤岛。数字经济时代，信息（数据）作为企业的新型资产，其重要性亦提高至生产要素水平。而根据研究结论，民营企业要获得商业银行的信贷支持，则势必需要将其组织和相关业务信息数字化，以便于商业银行更好、更精准地做出信用评价与业绩预测，从而摆脱“担保”信贷的高成本、高压力的融资渠道，为我国企业部门的结构性去杠杆做出最大贡献。

3.加速推动企业数据共享机制建设，助力数字金融更好地促进实体经济健康发展。国家及相关政府部门应加大对以数智技术为核心的“新基建”，如构建企业数据共享平台、行业企业数据披露机制等，以增强企业征信数据的公允性与真实性，从而在大幅降低商业银行的数据获取成本的同时，间接提升对贷款企业的信用评价质量，这也将进一步提升商业银行对绩优民营企业的信贷支持意愿与力度，并逐步均衡我国企业部门的结构性杠杆错位。