大数据技术应用与企业融资成本

车德欣，李宝儿，向海凌，吴非

1）广东金融学院金融科技工程技术开发中心，广东 广州 510521；2）广东金融学院经济贸易学院，广东 广州 510521；3）广东金融学院金融与投资学院，广东 广州 510521；4）广东金融学院行为金融与区域实验室，广东 广州 510521

企业作为前沿技术创新的重要应用对象和宏观经济发展的最小构成部分，在扩大就业、激发市场活力、促进国民经济高质量发展等方面发挥着中流砥柱的作用.然而长期以来，世界各国（特别是发展中国家和转型经济体）的企业都面临着融资困境［1］，作为世界上最大的发展中国家和全球第2 大经济体，中国企业的发展更是长期受到融资成本高的制约［2］.即便对上市企业而言，融资成本高的问题也不容小觑：国务院发展研究中心在《2021中国企业经营者问卷跟踪调查报告》指出，中国大多上市企业平均融资成本高达8.33%；世界银行对全球80 多个国家的研究发现，融资约束是中国约75%的非金融类上市公司发展进程中面临的关键性问题［3］.可见，探究如何降低企业融资成本以期符合实际需要与政策指引，是新时代新阶段下需重点关注的问题.

企业融资成本居高不下的原因主要有2点：一是信息不对称.在企业发展前期，受数据量和技术的限制，投资者难以获取真实完整的企业数据，由信息可获性低衍生的授信信任缺失，在客观上降低了企业融资的可获得性［4］.企业为了获取金融资源，只能支付较高的风险溢价.在实践中，企业不得不借助“高杠杆”行为来维系基本的生产和财务活动，因此也承担了更大的财务利息负载［5］.二是金融部门覆盖触角相对有限.传统金融体系创新变迁滞缓，融资渠道单一化特征突出，一方面，资本市场在准入条件和结构等方面存在较高门槛［6］；另一方面，传统银行业部门本身就存在高成本、低信任等问题，银行机构内嵌的风险厌恶偏好在信息不对称下会被进一步放大，由此会对微观经济主体产生更为强烈的金融排斥.从这个角度来看，当前中国金融结构的扭曲和不足，在一定程度上是企业融资成本居高不下的重要推手.

基于上述讨论不难发现，“金融资源-企业需求”双向拟合过程中的关键，在于如何发挥信息的黏合作用.在数字经济时代下，万物互联的实践中形成了海量异构、动态更新且分布多样的“结构化-非结构化”数据.新时代新阶段下的大数据技术应用，包括数据采集、存储、预处理、分析挖掘与应用等不同层面的技术，与云计算、机器学习、区块链和人工智能等相辅相成，成为充分利用数据信息这类核心生产要素的重要路径［7］.习近平总书记曾倡议，“将‘新技术应用及其影响’作为一项重点工作深入研究，认真探索合作思路和举措”.但遗憾的是，当前并无直接研究大数据技术应用与企业融资成本之间关系的文献.一方面，大数据技术应用能以更低的成本获取更广的融资渠道，从而提升融资的可触达性与可获得性［8］，并显著改善企业发展质效［9］，强化市场正向预期，为融资成本降低打开空间.另一方面，高技术意味着高难度，大数据应用对技术和人才的要求更高，而企业不一定都具备客观的应用环境；前沿数字技术的应用反而会衍生出更复杂和隐蔽的风险，使企业在信息安全和法律法规等方面面临极大威胁［10］，想要以此改善企业融资境遇更是困难重重.从这个角度来看，针对大数据应用对企业融资成本的影响关系和影响机制尚有待厘清.基于以上情况，本研究从企业融资成本的影响因素出发，研究大数据技术应用与企业融资成本的关系，并在考虑重要外部因素的情况下，试图厘清它们的作用机理.

1 理论分析与假说提出

大数据技术应用即企业把大数据技术应用到实际场景中，目前主要应用于用户画像、信用评估、用户分群、精准营销、风险管理和产品迭代等业务，不仅对企业产品的生产、保存、运输、销售和售后等环节产生了深远影响，还会推动企业未来的发展方向，因此日益受到政府部门、企业界以及学术界的广泛关注［11］.大数据技术能通过披露高质量信息，弥补企业因信用不足而带来的一系列连锁反应，有效解决了交易双方的信任问题，为降低企业融资成本提供了可能［12］；能有效改善企业的投融资行为，增强企业财务风险的稳定性，促进外界对企业的正向预期，进而降低融资成本.简而言之，大数据技术在企业上的应用，能实现企业融资的降本增效.从大数据驱动的渠道来看，本研究认为存在如下3条机制.

1.1 大数据技术应用与信息不对称改善

大数据技术通过改善信息不对称问题降低了企业融资成本.大数据技术通过收集和整合海量的非结构化信息，对抹平资金供需双方的信息鸿沟产生了重要影响.对于企业内部来说，大数据技术应用能降低各部门之间信息传递的成本，提高信息流转的效率，从而降低企业内部管理成本，实现更加扁平且高效的管理模式，提高企业内部稳定性，企业更容易整合自身的信息并有效地向外输出，进而改善融资过程中的信息不对称问题［13］.对于企业的外部影响而言，大数据技术等前沿数字技术的应用，为企业开展多维度、深层次的信息挖掘提供了便利，有助于企业释放更多有价值的信息流，有效改善了银行等金融机构、投资者与企业间信息缺失的难题.一个突出的表现在于，大数据技术应用会得到市场专业个体（分析师）的重点关注［14］，这显然会打破融资过程中的信息不对称问题［15］，缓解传统金融市场优质金融供给不足的难题，同时也方便了金融机构对市场进行具有前瞻性的预判，而企业通过不断完善自身服务，在降低自身生产管理成本的同时，提高融资的效率与成功率［16］.具体来说，通过大数据技术应用，一方面投资者可以掌握企业真实的生产经营状况和资信水平等内容，有利于他与企业形成信任，从而降低企业融资难度［17］；另一方面，企业也能了解到投资者的相关信息，确保资金来源安全可靠，提升融资质量，从而降低融资成本.

1.2 大数据技术应用与财务风险稳定

大数据技术应用通过增强企业财务稳定性，进而降低企业融资成本.传统的财务风险管理模式在经营、投资和融资各环节的风险评估都是独立且彼此割裂的，又因主要依靠人为判断，缺乏信息化方法，令企业对财务风险管理的认知存在不足，因此，企业融资成本居高不下.大数据技术应用为解决此问题提供了可行的方案.基于大数据的信息数据处理，排除了人为因素的干扰和低效，能更全面、准确和高效地借助非标准化和非结构化的信息进行编码和识别，将这些数据有效转换成标准化、结构化信息，并基于这类数据构建具有前瞻性的财务风险识别机制，以此进行财务业务的程序化管理和自动化校正，提升企业内部财务的运行效率，实现全风险发掘和预警工作的实时性，也能提高对用户真实需求、各种宏微观经济变量、行业发展状况等方面的预测能力，帮助企业达成有效决策，改善对其的投融资行为［18］，助力企业内部财务稳定性的提升.在这种情形下，企业内部财务的稳定性提升，一是企业无须“另辟蹊径”采取诸如“脱实向虚”“期限错配”等方式来融取资金，减少了不必要的财务费用支出；二是企业能够向外界传递更加优质的信号，外部金融机构在金融资本注入上往往会减少相应的风险溢价要求，从而实现融资成本的有效降低.

1.3 大数据技术应用与市场预期优化

大数据技术通过提高市场对企业的正向预期降低了企业融资成本.首先，基于大数据技术的应用，信息不对称程度会大幅降低，从而吸引更多投资者的目光.进一步地，投资者对目标企业关注度的提升，会降低其与企业及市场之间潜在的信息不对称水平［19］.在此良性循环下，信息流转将更加快捷.显然，在信息透明的情况下，市场中经济主体对其预期的不确定性因素会显著减少，正向预期会有所增加［20］.其次，大数据技术通过收集、整合大量信息，能提升企业生产效率，有效改善研发创新的进程［21］，这对企业发展起到了提质增效的作用，而企业的健康发展必然会提升外界对它的正向预期，降低外部风险溢价水平［22］，从而降低企业融资成本.最后，大数据技术应用符合国家政策大方向，企业在实际应用中不仅能实现自身效率的提高，还会得到很多政策支持，拥有极佳的生存土壤，市场预期呈现良好态势，这种优质的信号传递有助于金融机构更好地评估企业信贷活动，降低企业融资成本.基于以上分析，本研究提出有待验证的核心假说：在其他条件不变的情况下，大数据技术应用能显著降低企业融资成本.

2 研究设计

2.1 数据来源

选取2007—2020 年中国沪深两地所有A 股上市企业的相关数据并展开研究.其中，大数据技术应用指标由样本集内所有企业的年报文本识别并汇总而来（数据源自巨潮资讯网http：//www.cninfo.com.cn/new/index），企业层面的宏微观数据通过采集国泰安数据库（China stock market & accounting research database，CSMAR）和各地统计年鉴而得.为确保研究结果的可靠性，须先对原始数据进行清洗：① 剔除经营异常（ST、*ST、PT及退市）、具有金融属性、首次公开募股（initial public offering，IPO）的企业；② 仅保留至少连续5 a无数据缺失的企业样本；③ 对所有连续型变量的1%和99%分位数的样本进行缩尾处理.

2.2 变量设定

2.2.1 核心解释变量：大数据技术应用指标（IBD）

中国当前实质上处于一个语境传播率较高的资本市场中［23］，企业年报中那些非统一框架的文本信息，能体现出企业的发展理念乃至背后的发展逻辑［24］，蕴含着丰富的研究价值.本研究通过挖掘企业年报文本信息，分4 步构建大数据技术应用指标.① 确定文本检索词库.基于吴非等［25］搭建的大数据技术语句库，借鉴《促进大数据发展行动纲要》《“十四五”大数据产业发展规划》等政策文件，以及《中国大数据发展报告（2022）》《2021年大数据产业发展指数白皮书》和《2022年中国大数据产业全景图谱》等行业研究报告，完善大数据技术应用关键词词谱，构建可供筛选的文本数据池.② 匹配关键词词库.借助Python 爬虫技术，整合沪深交易所全部A 股上市企业年报，再利用Java PDFbox 库提取所有文本内容，匹配与大数据技术应用相关的关键词频数（详细词谱见图1）.③ 数据清洗.剔除关键词前存在否定表述以及非本企业（包括企业高管、股东、客户和供应商等）表达的情况.④ 得到每家企业不同年度的关键词统计词频，考虑到词频计数总量的右偏性问题，对初始的原始指标进行加1并取对数处理，最终得出衡量企业大数据技术应用的指标IBD.

图1 大数据技术应用特征词词谱Fig.1 The feature word lexicon for the application of big data technology.

2.2.2 被解释变量：企业融资成本（Fcost）

以净财务费用与总负债的比来衡量企业融资成本［26］，综合分析企业年报中的明细科目，把手续费、利息收支、汇兑收支和其他财务费用均列入考察范围，通过将手续费、利息支出、汇兑损失和其他财务费用相加的办法近似计算出净财务费用.

2.2.3 控制变量

为提高研究的精度和准确度，在模型中添加了以下控制变量：总资产（L）、杠杆率（RLeverage）、企业年龄（A）、账面市值比（RB-M）、董事长与总经理是否兼任（HC-M，当董事长兼任总经理时取HC-M= 1，否则取HC-M= 0）、股票换手率（T）、第1大股东持股比例（S1st）、净资产收益率（return on equity，ROE）、机构持股占总股本比例（SI-T）、审计意见（O，当事务所出具标准无保留意见时取O= 1，否则取O= 0）.

2.3 模型设定与实证策略

为研究大数据技术应用对企业融资成本的影响，设定式（1）模型进行检验.

其中，Fcosti，τ为第i个企业在第τ年的企业融资成本；(IBD)i，τ-1为第i个企业在第τ-1年的大数据技术应用水平；ϕ为常数项；ϕ1为大数据技术应用指标对企业融资成本的边际效用，大数据技术应用指标每变化1个单位，企业融资成本就变化ϕ1个单位；γ为控制变量组对企业融资成本的影响程度；C为控制变量组；κ和λ分别为年份和行业变量组对企业融资成本的影响程度；Y为年份虚拟变量；Vind为行业虚拟变量；εi，τ为第i个企业在第τ个年的随机扰动项.

为提高实证结果的可靠性，本研究对模型进行了如下预处理：① 对核心解释变量IBD作滞后1 期处理，以缓解传导过程中可能出现的时滞问题，并降低反向因果的扰动；② 构建“时间-行业”固定效应模型以缓解不可观测的遗漏因素带来的影响；③ 通过聚类稳健标准误（聚类至企业层面）降低异方差的影响.

3 实证结果与经济解释

3.1 基准回归

针对大数据技术应用指标与企业融资成本的基准核心关系进行识别检验，结果见表1.其中，R2adj为调整后的拟合优度，用于测度模型所有变量对于企业融资成本的可解释力；模型通过控制年份（Fy）和行业（FI）这两个固定效应，以吸收不可观测因素的影响.表1的实证结果发现，无论是否纳入控制变量组（C），IBD的回归系数ϕ1都均为负值，且高度显著.表1 结果表明，大数据技术应用程度越高，企业融资成本就越低，本研究提出的核心假说得到了经验证据的支持.

表1 大数据技术应用对企业融资成本的影响1）Table 1 The impact of big data technology application on enterprise financing cost

3.2 稳健性检验与内生性处理

3.2.1 分位数检验

为考察不同融资成本场景下大数据技术应用的功效变化，基于分位数检验进行回归分析，结果如图2.具体来看，日新月异的金融市场和蓬勃发展的数字经济正不断影响着企业的战略方向与实践操作，融资成本会令企业在风险处理和创新投入等方面表现出差异化，因此，大数据技术应用对降低企业成本的功效也展现出差异.从图2的拟合结果可见：① 拟合线及其置信区间基本位于横轴下方，表明无论融资成本处于何种水平，企业应用大数据技术都能起到降成本的作用.② 大数据技术应用在差异化的分位数节点上时，对企业融资成本产生的影响不同.在融资成本较低的层次，大数据技术应用的作用较小，但随着企业融资成本分位数的上升，大数据技术应用降低融资成本的边际效应愈发显著.这说明在融资成本较高时，企业为缓解成本过高带来的一系列问题，会寻求新的发展机遇以维持自身发展经营与市场份额，也会加大对大数据等新兴技术的需求，而需求与投入的双重作用会进一步降低企业的融资成本，这也从另一个层面说明，高融资成本下的大数据技术应用有着更广泛的应用空间和绩效弹性.可见，大数据技术应用在高融资成本企业中具有更高的边际影响力.

图2 不同分位数节点的大数据技术应用对企业融资成本的影响（黑色实线为大数据技术对企业融资成本的影响系数拟合线，灰色部分为该拟合线的置信区间）Fig.2 The impact of big data technology applicationon enterprise financing costs in different quantile intervals.(The black line indicates the fitted line of the coefficient of the impact of big data technology on the cost of corporate finance, and the gray part indicates the confidence interval of this fitted line.)

3.2.2 动态效应检验

从大口径时间视野出发，延长核心解释变量时间考察窗口，以识别大数据技术应用是否能持续性降低企业融资成本.本研究对核心解释变量（大数据技术应用指标）进行滞后2 ～ 5期处理，分别记为IBD_τ-2、IBD_τ-3、IBD_τ-4和IBD_τ-5，并对回归结果进行可视化表达，结果如图3.由图3 可见，回归系数ϕ1在多个滞后年度中均为负值，且其置信区间与“0”轴线不存在相交（该回归系数低于0 值具有统计显著意义），说明企业大数据技术应用能够在较长的时间周期内保持降低融资成本的功效.不仅如此，滞后期越长的大数据技术应用变量系数的绝对值也在显著增加（各个回归节点系数的绝对值呈递增态势）.这意味着，在较长的可观测时期内，大数据技术应用对企业融资成本的降低作用具有增强趋势且展现出较好的动态可叠加性.

图3 延长回归分析的时间窗口Fig.3 Extending the time window for regression analysis.

3.2.3 变更核心指标口径

表2为在调整变量的计算口径基础上再次验证原有假设稳健性的实证检验结果.从核心解释变量的处理来看，原有大数据技术应用指标是在文本关键词词频的加总基础上进行对数化处理得到，这种技术手法可能会忽略企业年报文本的规模效应.为此，本研究基于“词汇数-句子数”视角来修正变量的刻度.具体而言，就是将大数据技术的特征词词频分别除以年报词汇数和句子数，得到大数据技术词汇数与年报词汇数之比（V）和大数据技术词汇数与年报句子数之比（S）两种指标.从被解释变量来看，引入利息支出占总负债比（Fcost_I）来作为财务费用衡量的新口径指标.表2结果表明，变量口径变更后的实证结果依旧支持本研究的核心假说.

表2 核心变量口径变换的稳健性检验1）Table 2 Robustness test for caliber transformation of core variables

3.2.4 采用工具变量法进行内生性处理

虽然稳健性检验有效验证了本研究的核心假说，但依旧存在遗漏变量所带来的内生性问题.对此，本研究采用工具变量法来缓解这一问题.采用企业所在地上市企业数量规模作为工具变量，原因为：首先，某区域内上市企业数量规模越大，企业面临的竞争就越大，也就越有动力去应用大数据技术来促进自身发展，满足工具变量的相关性要求；其次，企业融资成本主要与企业自身实力以及外部金融资源供给相关，区域内的上市企业数量规模并不会过多地影响企业的财务费用，满足工具变量的排他性要求.因此，本研究采用城市级别口径的上市企业数量规模作为工具变量.表3为采用工具变量法进行内生性处理的结果.由表3 可见，Cragg-Donald WaldF统计量为63.077，远大于Stock-Yogo弱工具变量检验的10%临界值（16.38），表明不存在弱工具变量；Kleibergen-Paaprk LM 统计量显著异于0，拒绝工具变量识别不足假设，同时，第1阶段回归F统计量显著，通过了弱工具变量检验，即工具变量是有效的.经工具变量调整后，大数据技术应用对企业融资成本的回归系数（-1.744）依旧为负且高度显著，进一步证明本研究核心假说的可靠性.

表3 采用工具变量法进行内生性处理1），2）Table 3 Endogenous treatment: instrumental variable method

3.2.5 安慰剂检验

对本研究而言，一个可能的疑虑在于，企业年报披露的大数据信息可能源自某些不可观测的随机因素.为此，本研究构造随机抽样的安慰剂检验，来识别大数据技术应用对企业融资成本的影响是否由其他随机性因素引发.以大数据技术应用指标为处理对象，将所有有关核心解释变量的样本全部提取并进行随机分配［27］，再重复开展1 000 次回归检验，统计所有回归中的t值，构造出大数据技术应用的回归t值核密度图（图4），并与基准回归中大数据技术应用的t值进行比较.由图4 可见，大数据技术应用系数的t统计量大部分集中在0 附近，且几乎没有回归t值（的绝对值）大于基准回归中的t值（-3.49），这说明大数据技术应用改善企业的融资成本并非由随机偶然事件引发，与其他未知的随机性干扰不构成显著因果关联.

图4 基于非参数随机模拟（1 000次）下大数据技术应用对企业融资成本影响的结果分布Fig.4 Distribution of results based on the impact of big data technology application on enterprise financing cost under nonparametric stochastic simulation (1 000 times).

3.3 异质性检验

上述分析确证了大数据技术应用对降低企业融资成本的积极作用，值得注意的是，企业内生的禀赋特征差异，决定了企业的发展状态差异和技术应用的不同，这使得企业在面对相同强度的大数据技术支持时，会产生非对称式的效果.一般来说，融资困境较大、科技禀赋较强的企业对大数据技术的需求和利用程度更大，更可能产生显著的降成本效果.为验证该设想的准确性以及提高核心结论的精确度，本研究根据企业产权属性（是否国有）与科技属性（是否高科技）的差异，分别识别大数据技术应用对企业融资成本的结构性影响，结果如表4.

表4 大数据技术应用对企业融资成本影响的异质性检验1）Table 4 A heterogeneity test of the impact of big data technology applications on corporate financing costs

3.3.1 产权属性差异检验

由表4中基于产权属性（是否国有企业）分析得到的大数据技术应用对企业融资成本的差异化影响发现，大数据技术应用指标在国有企业组别中的回归系数为-0.026，但t值偏小（-0.68），不能通过任何惯常水平下的统计显著性检验；而在非国有企业组中，大数据技术应用对降低企业融资成本有明显的推动作用.这表明，大数据技术在企业融资领域的应用上，具有明显的产权属性偏向性特征.究其原因，一方面，从资源可获性来看，国有企业以国家信用为担保，实力雄厚且发展态势良好，更易得到政府部门与金融市场的资源支持，因此大数据技术应用为其带来的边际融资改善不太明显；反观非国有企业，经济规模和盈利状况相对较弱，自身信息披露机制不完善，在传统金融市场中受到的阻碍较大，融资成本往往居高不下.另一方面，从创新应用的必要性和主动性来看，国有企业作为国民经济的重要支柱，更偏向风险低、收益稳定的发展策略［28］；而非国有企业为维系自身生存与发展，也为了抢占更多的市场份额，不得不通过应用大数据等前沿技术来增强核心竞争力.因此，大数据技术应用对非国有企业的降成本作用更加显著.

3.3.2 科技属性差异检验

表4 的实证检验基于科技属性（是否高科技企业）验证大数据技术应用对企业融资成本的差异化影响.本研究将高科技企业分为制造业（C）、信息传输、软件和信息技术服务业（I）和科学研究和技术服务业（M）3 个门类共19 个大类（具体分类可扫描论文末页右下角二维码查看补充材料表S1）.由表4可见，在高科技企业组别中，大数据技术应用对企业融资成本的回归系数为-0.074，且高度显著，而在非高科技企业组别，大数据技术的作用未能得到有效验证.可见，大数据技术在企业融资领域的应用具有明显的科技属性偏向性特征.原因如下：① 高科技企业本身拥有较好的技术创新底蕴，人才资源和技术供给较充分，主观上能更好地借助大数据技术来满足自身的发展需求，有助于融资成本的有效降低；加上研发创新等活动具有长周期、高投入和高风险的特征，在传统金融系统中极易受到排挤，外部风险溢价水平较高，客观上需借助大数据技术来拓宽融资渠道、降低融资成本.更重要的是，高科技企业由于自身高投入、长周期的生产特征，庞大的资金规模需求衍生出的财务费用较为沉重，大数据技术应用带来的边际改善十分明显.② 非高科技企业本身缺乏创新发展的主观能动性和客观的技术基础，难以最大限度地发挥大数据技术的潜能，无法借助前沿数字技术来服务自身的发展质效，在降低融资成本上有明显的效力边界约束限制.因此，大数据技术应用对高科技企业的降成本作用更加显著.

4 大数据技术应用影响企业融资成本的机制路径识别

前述部分针对大数据技术应用与企业融资成本的核心关系及其异质性特征展开了丰富的实证分析，为理解前沿数字技术应用的效果提供了丰富的经验支撑，但尚未打开二者之间的“机制黑箱”.鉴于此，本章将顺延前文的理论逻辑，从信息优化机制、财务稳定机制和预期机制3个维度进行深入剖析，检验大数据技术应用对信息披露、财务风险稳定、市场正向预期不同的企业融资成本的具体影响.

4.1 信息优化机制

表5考察了企业大数据技术应用通过信息优化机制对融资成本产生的影响.采用迪博·中国上市公司内部控制指数中的分项指数内部控制信息披露（internal control disclosure，ICD）指数来刻画企业内部控制信息披露的质量，并展开相关的机制研究分析.首先考察大数据技术应用对企业内部控制信息披露的影响，发现回归系数为正（0.005）且高度显著，证明大数据技术确实能提高企业内部控制信息的披露.进一步以内部控制信息披露指数的中位数（ICIm）为界，将全样本界分为较高（ICI ＞ ICIm）和较低（ICI ＜ ICIm）组别重新检验.由表5可见，大数据技术应用对内部控制信息披露较好的企业，降成本作用更显著，而对于内部控制信息较差的企业而言，这种作用并不显著（大数据技术应用对信息披露较好企业的t值为-2.72，呈现出高度显著状态；而后者的t值仅为-1.51，无法通过任何惯常水平下的统计显著性检验）.本研究认为，大数据技术应用有助于缓解信息不对称，强化内部信息披露质量，在数据信息披露环境较好的状态下，强化与外界优质金融资源的交流，此时企业融取资金所需的风险溢价水平会有明显降低.

表5 大数据技术应用通过信息优化路径对企业融资成本的影响1）Table 5 The impact of big data technology application on corporate financing cost through information optimization path

4.2 财务稳定机制

表6考察了企业大数据技术应用通过财务稳定机制对融资成本产生的影响.以Z计分模型来刻画企业内部财务风险稳定性［29］，并展开相关的机制研究.表6的实证结果表明，大数据技术应用对企业财务风险稳定性具有促进作用（回归系数为0.047，具有高度显著性）.在此基础上，以财务风险稳定指标的中位数（Zm）为界，将全样本界分为较高（Z＞Zm）和较低（Z＜Zm）组别重新检验.由表6可见，大数据技术应用能显著降低财务风险稳定性较高的企业的融资成本，对财务风险稳定性较低的企业则并未展现出具有统计显著差异的影响（前者回归系数显著为负而后者不显著）.本研究认为，从企业内部来看，大数据技术应用会促进企业财务全流程更加规范化与透明化，达到财务处理效率提升与人为处理出错率降低的双重效果，有助于实现全风险发掘与预警，不断改进企业的投融资行为，实现内部财务稳定.在这种状态下，大数据技术应用能够帮助企业向外界传递财务状态良好的信号，从而为降低融资成本提供坚实基础.

表6 大数据技术应用通过财务稳定路径对企业融资成本的影响1）Table 6 The impact of big data technology application on corporate financing cost through financial stability path

4.3 市场预期机制

表7考察了企业大数据技术应用通过市场预期机制对融资成本产生的影响.选取年报正向语调（Tp）来反映市场以及公众对企业的正向预期［30］，即采用年报内积极与消极词汇数之差占年报总词汇的比例，并展开相关的机制研究分析.表7实证结果表明，大数据技术应用有助于提升企业年报正向语调，改善了企业对未来发展的预期（回归系数为0.002且高度显著）.在此基础上，以年报正向语调指标的中位数（Tp，m）为界，将全样本界分为较高（Tp＞Tp，m）和较低（Tp＜Tp，m）组别重新检验.回归分析结果表明，市场正向预期越强的企业，大数据技术应用的降成本作用就越显著，而在正向预期相对较弱的企业组别中，大数据技术应用并未展现出显著功效（对正向预期较强企业的回归系数显著为负，对正向预期较弱企业的系数不显著）.本研究认为，一方面，企业在应用大数据技术后，会吸引更多的关注，激发更高的企业失信成本与违约成本，倒逼企业审慎经营；另一方面，应用大数据技术通过合理配置资源，可引导企业更加注重创新能力的养成，有效改善企业研发创新水平，特别是当前大数据等新兴技术符合国家政策指引时，企业将获得更好的发展空间.在此状态下，外部金融机构对企业融资所需的风险溢价会得到明显降低.

表7 大数据技术应用通过预期优化路径对企业融资成本的影响1）Table 7 The impact of big data technology application on corporate financing cost through expectation optimization path

5 基于货币政策不确定性视角的经验证据

自2008 年全球金融危机以来，经济社会中的不确定性骤增，中国企业发展同样面临较严重的阻碍，加之新冠疫情的强烈冲击，中国经济下行压力不断加大，企业融资成本不断拉高，令许多企业难以承担促进国民经济繁荣发展的重要使命.为此，中国政府多次调整货币政策，试图降低企业融资成本，激发企业转型升级的意愿与能力.然而，虽然实行下调利率等货币政策略有成效，能暂时降低企业的融资成本，但中国经济环境复杂多变，牵一发而动全身，过于频繁的政策调整会直接影响企业的投融资行为，增大企业的经营风险，不利于企业整体经营，对下一轮融资造成阻碍.可以说，从长期来看，货币政策的不确定性并不利于企业融资，甚至会进一步拉高融资成本，这在相关文献已有印证［31-32］.在实践方面，不确定性将会是未来很长一段时间内全球经济环境的显著特征，尤其对中国这个目前全球最大的发展中国家来说.那么，在这种情况下，大数据等新兴技术的应用是否能在一定程度上降低企业的融资成本呢？

为确证以上设想，本研究借鉴文献［33］的方法，基于114份中国境内报刊，识别内容中同时包括“中国”“货币政策”（主要关键词包括“货币政策”“人民银行/央行”“公开市场操作”“降准/下（上）调存款准备金”“正（逆）回购”“货币流动性/资本流动性”“通货膨胀/通货紧缩”“量化宽松/QE”等）和“不确定”（如“不确定/不明确”“波动/震荡/动荡”“不稳/未明/不明朗/不清晰/未清晰”“难料/难以预料/难以预测/难以预计/难以估计/无法预料/无法预测/无法预计”等）文本信息的新闻报道，将其确定为一份谈及“货币政策不确定性”的报道，在月度统计数据上进行12 个月的加总并进行算数平均，得到全国性质的年度统计变量（相关数据可扫描论文末页右下角二维码查看补充材料表S2），以此来刻画中国货币政策不确定性（monetary policy uncertainty，MPU），并展开边际预测检验，结果如图5.

图5 基于货币政策不确定性情境下大数据技术应用对企业融资成本的边际预测检验Fig.5 Marginal prediction test of corporate financing costs based on the application of big data technology in scenarios with monetary policy uncertainty.

由图5可见，在MPU水平较低时，大数据技术应用对降低企业融资成本的边际效应也较低，随着MPU的逐步增加，这种边际效应也在不断增强，且始终保持显著状态（边际节点的置信区间始终远离横轴）.这说明，随着货币政策环境的恶化（不确定性提升），大数据技术的应用反而能够对降低企业融资成本起到更显著的作用.本研究认为，当货币政策不确定性较高时，金融机构与企业融资需求之间的配置错位更为凸显，金融机构所面临的不确定性逐渐增强，出于避险动机，金融机构的惜贷抑或是提高资金风险溢价的现象会较正常时期更为频繁.此时企业应用大数据技术能够更显著地促进信息流转、财务稳定和改善预期，这会给外部金融机构传递更加积极的信号，从而在不确定的环境下以自身技术完善的确定性来打开融资成本下降通道.

本研究基于货币政策不确定性的视角，进而论证了大数据技术应用对于降低企业融资成本的显著性作用，特别是在货币政策不确定性较高的情形中更是如此，为当前不确定性陡增的大环境提供了新的发展方向.

6 结论与政策建议

研究得出以下结论：① 应用大数据技术的企业能显著降低其融资成本.② 大数据技术应用对属性不同的企业有着非对称式的影响.非国有企业和高科技属性的企业在大数据技术应用的驱动下，降低企业融资成本的边际效应更加显著，对于国有企业和非高科技企业而言则无明显效果.③ 大数据技术应用通过信息优化路径、财务稳定路径以及市场预期路径，助力企业融资成本的有效降低.④ 大数据技术应用在货币政策不确定性较高的大环境下具有更强的融资降成本作用.

基于以上结论，本研究提出如下政策建议：① 政府应出台相关政策以支持企业实践大数据技术应用，高度重视相关复合型人才的培养，重点关注技术基础设施建设，加大对大数据技术的资金投入，为企业发展和融资提供坚实基础.② 实行差异化的政策供给，保障各微观企业能真正享受到大数据技术应用的红利.一方面，对非国有与高科技企业要给予精准导向的政策鼓励和技术支持，优化企业信息渠道，保持财务稳定性，强化市场正向预期，着力缓解其融资贵的问题；另一方面，对于国有企业和非高科技企业，则应积极引导，帮助其打破传统体制的限制，以新兴技术焕发企业活力，进一步提升企业整体运营水平与能力，助力融资成本的降低.③ 保持货币市场上的平稳运行，加大对大数据技术的支持力度，发挥货币政策精准靶向的作用.本研究发现，频繁调整货币政策带来的不确定性会拉高企业的融资成本，因此央行在每次出台货币政策前，都应充分调研并审慎决策，保持货币政策连续性，增强货币政策透明度，维护市场预期稳定，协助企业正确理解货币政策信息，降低货币政策本身不确定性对企业带来的负面影响.同时，应着力提高大数据基础设施、人才培养、经费支持的力度，落实创新驱动发展战略，用前沿技术的“确定性”弥补外在货币政策“不确定性”带来的不良影响，为降低企业融资成本寻求新的出路.

结 语

由于本研究的核心为企业的大数据技术应用，目前仍缺少对该指标进行直接识别测度的手段，只能从企业的年报文本进行信息的大数据识别筛查，这在一定程度上降低变量测度的可靠性，研究结果是否稳健还有待证实.因此，未来可采用更多元化的文本信息识别方式进行测度，通过不同类型文本信息加权的方式来构建起更有效的大数据技术应用指标.

参考文献 / References：

［1］DRAKOS K, GIANNAKOPOULOS N.On the determinants of credit rationing: firm-level evidence from transition countries [J].Journal of International Money and Finance, 2011, 30(8): 1773-1790.

［2］聂秀华.数字金融促进中小企业技术创新的路径与异质性研究［J］.西部论坛，2020，30（4）：37-49.NIE Xiuhua.Research on the path and heterogeneity of digital finance boosting technical innovation of small and medium-sized enterprises [J].West Forum, 2020, 30(4):37-49.(in Chinese)

［3］袁鲲，曾德涛.区际差异、数字金融发展与企业融资约束——基于文本分析法的实证检验［J］.山西财经大学学报，2020，42（12）：40-52.YUAN Kun, ZENG Detao.Regional differences, digital finance development and firm financing constraints ——an empirical test based on textual analysis method [J].Journal of Shanxi University of Finance and Economics, 2020,42(12): 40-52.(in Chinese)

［4］黄锐，赖晓冰，唐松.金融科技如何影响企业融资约束？——动态效应、异质性特征与宏微观机制检验［J］.国际金融研究，2020（6）：25-33.HUANG Rui, LAI Xiaobing, TANG Song.How can Fintech affect corporate financing constraints?——Dynamic effects, heterogeneity characteristics and macro-micro mechanism test [J].Studies of International Finance, 2020(6): 25-33.(in Chinese)

［5］刘晓光，刘元春.杠杆率、短债长用与企业表现［J］.经济研究，2019，54（7）：127-141.LIU Xiaoguang, LIU Yuanchun.Leverage, short-term debt for long-term use and firm performance [J].Economic Research Journal, 2019, 54(7): 127-141.(in Chinese)

［6］刘莉亚，何彦林，王照飞，等.融资约束会影响中国企业对外直接投资吗？——基于微观视角的理论和实证分析［J］.金融研究，2015（8）：124-140.LIU Liya, HE Yanlin, WANG Zhaofei, et al.Do financial constraints affect Chinese firms' outward FDI behavior? A theoretical and empirical analysis based on the micro perspective [J].Journal of Financial Research, 2015 (8): 124-140.(in Chinese)

［7］LU Lerong.Promoting SME finance in the context of the fintech revolution: a case study of the UK's practice and regulation [J].Banking and Finance Law Review, 2018,33: 317-343.

［8］HASAN M M, POPP J, OLÁH J.Current landscape and influence of big data on finance [J].Journal of Big Data,2020, 7(1): 21.

［9］张叶青，陆瑶，李乐芸.大数据应用对中国企业市场价值的影响——来自中国上市公司年报文本分析的证据［J］.经济研究，2021，56（12）：42-59.ZHANG Yeqing, LU Yao, LI Leyun.Effects of big data on firm value in China: evidence from textual analysis of Chinese listed firms' annual reports [J].Economic Research Journal, 2021, 56(12): 42-59.(in Chinese)

［10］盛安琪，耿献辉.基于区块链技术的金融科技监管路径研究［J］.科学管理研究，2019，37（5）：157-161.SHENG Anqi, GENG Xianhui.Research on the regulatory path of financial technology based on block chain [J].Scientific Management Research, 2019, 37(5): 157-161.(in Chinese)

［11］张军欢，葛俊杰，张辉.基于多维特性的数据交易定价与风险管理综述［J］.广西财经学院学报，2022，35（1）：62-76.ZHANG Junhuan, GE Junjie, ZHANG Hui.Overview on transaction, pricing and risk management of multiattribute data [J].Journal of Guangxi University of Finance and Economics, 2022, 35(1): 62-76.(in Chinese)

［12］HEISKANEN A.The technology of trust: how the internet of things and blockchain could usher in a new era of construction productivity [J].Construction Research and Innovation, 2017, 8(2): 66-70.

［13］GAO Jun.Analysis of enterprise financial accounting information management from the perspective of big data[J].International Journal of Science and Research, 2022,11(5): 1272-1276.

［14］王敬勇，孙彤，李珮，等.数字化转型与企业融资约束——基于中小企业上市公司的经验证据［J］.科学决策，2022（11）：1-23.WANG Jingyong, SUN Tong, LI Pei, et al.Digital transformation and financing constraints of small and mediumsized enterprises: empirical evidence based on GEM listed companies [J].Scientific Decision Making, 2022 (11): 1-23.(in Chinese)

［15］皮天雷，刘垚森，吴鸿燕.金融科技：内涵、逻辑与风险监管［J］.财经科学，2018（9）：16-25.PI Tianlei, LIU Yaosen, WU Hongyan.Fintech: connotation, logic and risk regulation [J].Finance & Economics,2018(9): 16-25.(in Chinese)

［16］梁琦，林爱杰.数字金融对小微企业融资约束与杠杆率的影响研究［J］.中山大学学报社会科学版，2020，60（6）：191-202.LIANG Qi, LIN Aijie.Impact of digital finance on financial constraints and leverage ratio of small and micro enterprises [J].Journal of Sun Yat-sen University Social Science Edition, 2020, 60(6): 191-202.(in Chinese)

［17］张文菲，金祥义.投资者关注、融资成本与企业创新［J］.世界经济文汇，2022（3）：85-102.ZHANG Wenfei, JIN Xiangyi.Investor attention, financing costs and corporate innovation [J].World Economic Papers, 2022 (3): 85-102.(in Chinese)

［18］GAO Jun.Research on the corporate financial transformation with big data technologies [J].International Journal of Progressive Sciences and Technologies, 2022, 32(2): 8-12.

［19］刘杰，陈佳，刘力.投资者关注与市场反应——来自中国证券交易所交易公开信息的自然实验［J］.金融研究，2019（11）：189-206.LIU Jie, CHEN Jia, LIU Li.Investor attention and market reaction: a natural experiment based on trading information disclosure from stock exchanges in China [J].Journal of Financial Research, 2019(11): 189-206.(in Chinese)

［20］车德欣，戴美媛，吴非.企业数字化转型对融资成本的影响与机制研究［J］.金融监管研究，2021（12）：56-74.CHE Dexin, DAI Meiyuan, WU Fei.The impact and mechanism of enterprise digital transformation on financing cost [J].Financial Regulation Research, 2021 (12): 56-74.(in Chinese)

［21］COCKBURN I M, HENDERSON R, STERN S.The impact of artificial intelligence on innovation: an exploratory analysis [M]// AGRAWAL A, GANS J,GOLDFARB A.The Economics of Artificial Intelligence:an Agenda.Chicago: University of Chicago Press, 2019:115-146.

［22］黄静如，刘永模.媒体关注对企业债务融资成本的影响研究——基于会计稳健性的中介效应检验［J］.投资研究，2020，39（2）：113-133.HUANG Jingru, LIU Yongmo.Effect of media attention on the cost of corporate debt financing [J].Review of Investment Studies, 2020, 39(2): 113-133.(in Chinese)

［23］林乐，谢德仁.投资者会听话听音吗？——基于管理层语调视角的实证研究［J］.财经研究，2016，42（7）：28-39.LIN Le, XIE Deren.Do investors listen for the meanings behind executives' words? An empirical analysis based on management tones [J].Journal of Finance and Economics,2016, 42(7): 28-39.(in Chinese)

［24］姚加权，张锟澎，罗平.金融学文本大数据挖掘方法与研究进展［J］.经济学动态，2020（4）：143-158.YAO Jiaquan, ZHANG Kunpeng, LUO Ping.Text mining in financial big data and its research progress [J].Economic Perspectives, 2020 (4): 143-158.(in Chinese)

［25］吴非，胡慧芷，林慧妍，等.企业数字化转型与资本市场表现——来自股票流动性的经验证据［J］.管理世界，2021，37（7）：130-144.WU Fei, HU Huizhi, LIN Huiyan, et al.Enterprise digital transformation and capital market performance: empirical evidence from stock liquidity [J].Journal of Management World, 2021, 37(7): 130-144.(in Chinese)

［26］李广子，刘力.债务融资成本与民营信贷歧视［J］.金融研究，2009（12）：137-150.LI Guangzi, LIU Li.Debt financing cost and credit discrimination on private listed firms [J].Journal of Financial Research, 2009 (12): 137-150.(in Chinese)

［27］刘瑞明，毛宇，亢延锟.制度松绑、市场活力激发与旅游经济发展——来自中国文化体制改革的证据［J］.经济研究，2020，55（1）：115-131.LIU Ruiming, MAO Yu, KANG Yankun.Deregulation,market vitality and tourism economy development: evidence from Chinese cultural system reform [J].Economic Research Journal, 2020, 55(1): 115-131.(in Chinese)

［28］JIA Nan, HUANG K G, MAN ZHANG C.Public governance, corporate governance, and firm innovation: an examination of state-owned enterprises [J].Academy of Management Journal, 2019, 62(1): 220-247.

［29］ALTMAN E I, IWANICZ-DROZDOWSKA M, LAITINEN E K, et al.Financial distress prediction in an international context: a review and empirical analysis of Altman's Z-score model [J].Journal of International Financial Management & Accounting, 2017, 28(2):131-171.

［30］姚加权，冯绪，王赞钧，等.语调、情绪及市场影响：基于金融情绪词典［J］.管理科学学报，2021，24（5）：26-46.YAO Jiaquan, FENG Xu, WANG Zanjun, et al.Tone, sentiment and market impacts: the construction of Chinese sentiment dictionary in finance [J].Journal of Management Sciences in China, 2021, 24(5): 26-46.(in Chinese)

［31］才国伟，吴华强，徐信忠.政策不确定性对公司投融资行为的影响研究［J］.金融研究，2018（3）：89-104.CAI Guowei, WU Huaqiang, XU Xinzhong.Research on the effect of policy uncertainty on corporate financing and investment behavior [J].Journal of Financial Research,2018 (3): 89-104.(in Chinese)

［32］王丽纳，李敬，李玉山.经济政策不确定性与制造业全要素生产率提升——基于中国各省级党报数据的分析［J］.财政研究，2020（9）：65-79.WANG Lina, LI Jing, LI Yushan.Economic policy uncertainty and improvement of total factor productivity in manufacturing industry: based on data from Chinese provincial party newspapers [J].Public Finance Research,2020 (9): 65-79.(in Chinese)

［33］HUANG Yun, LUK P.Measuring economic policy uncertainty in China [J].China Economic Review, 2020, 59:101367.