大数据税收征管与企业金融资产配置

闫慧慧

【摘要】本文借助“金税三期”工程实施的准自然实验， 利用2010 ～ 2017年沪深A股上市企业数据， 检验大数据税收征管对企业短期金融资产和长期金融资产二者配置结构的影响。研究发现： 大数据税收征管强化了企业持有金融资产的预防性储蓄动机， 企业会 增加短期金融资产配置； 同时， 企业持有金融资产的投机逐利性动机被抑制， 长期金融资产配置减少。这一影响在非国有企业和中小规模企业中更为凸显。机制分析表明， 大数据税收征管通过加剧企业现金流波动性和提高企业信息透明度影响企业金融资产配置动机。进一步分析表明， 在大数据税收征管实施的条件下， 企业短期金融资产配置和金融资产配置总额的增加有助于提高企业绩效， 而长期金融资产配置的增加会降低企业绩效。

【关键词】“金税三期”；金融资产配置；大数据税收征管；企业绩效

【中图分类号】F810      【文献标识码】A      【文章编号】1004-0994（2023）15-0124-8

一、 引言及文献综述

自20世纪80年代以来， 金融市场和金融机构在经济发展中的重要性逐渐凸显， 引发了经济的金融化（Davis和Kim，2015）。近年来， 我国实体经济呈现出明显的“脱实向虚”的趋势， 在微观企业层面， 越来越多的非金融企业热衷于委托理财、 股票投资等金融投资活动而脱离原有的主營业务， 表现为增加相对更多的金融资产投资而固定资产等生产性投资相对减少， 从而致使实体行业出现空心化发展的现象（彭俞超和黄志刚，2018；Cai和Ren，2014）。长此以往， 实体经济的金融化过度膨胀， 必然会导致系统性的金融风险， 甚至可能引发严重的经济危机。党的十九大报告强调要“深化金融体制改革， 增强金融服务于实体经济的能力”。在当前提振实体经济， 深化供给侧结构性改革的背景下， 探索企业金融资产配置的影响因素及其内在的驱动机制， 对于有效制定和采用相关政策， 引导金融资本服务于实体投资， 促进经济健康发展具有十分重要的意义。

企业的金融资产配置行为具有一定的结构性， 其中一个显著的特征在于金融资产配置在期限上存在差异（吴非和向海凌，2020）。随着经济增长向疲软趋势发展， 企业迫切需要转变发展方式， 其持有金融资产的动机也要相应调整，金融资产的配置结构呈现出差异性（戴静等，2022）。因此， 对于企业金融资产投资行为的研究， 除了关注企业金融资产配置总额的整体变化， 还需进一步研究金融资产配置结构以全面理解转型时期企业金融资产配置行为的内在动机。但目前有关企业金融化的研究大多基于企业整体层面， 集中于探讨企业金融化的动机、 影响因素以及经济后果等方面。现有研究指出， 企业配置金融资产的动机主要有预防性动机和投机逐利性动机（张成思和张步昙，2016；Wang，2019）。就企业金融化的影响因素而言， 现有研究从经济政策不确定性（刘贯春等，2020）、 产业政策（Cao等，2022）、 减税降费及政府采购（Qi等，2021）、 管理者行为（张多蕾和赵深圳，2022）、 融资约束与银行竞争（戴静等，2022）等视角展开分析。有关企业金融化的经济后果方面， 已有研究存在分歧。基于预防性储蓄动机， 已有研究认为企业金融资产配置能够缓解资金压力（Ding等，2021；杨筝等，2017）， 平滑企业投资波动（刘贯春等，2019；Chang等，2014）， 提升企业未来绩效（张超和宋华盛，2022）； 而基于投机逐利性动机的金融投资行为， 则会损害企业的主营业绩（杜勇等，2017；Xu和Xuan，2021）， 挤出企业创新以及固定资产更新等实体投资（陈孝明和张可欣，2020；Seo等，2012）， 抑制企业全要素生产率（王华和郭思媛，2022）。研究结论的差异说明， 如果笼统地将不同类别金融资产加总后一概而论， 有可能会混淆金融资产配置异质结构后的真实动机。

《“十四五”规划和2035年远景目标纲要》决议指出， 要“加快数字化发展， 建设数字中国”， 实现生产、 生活以及政府治理方式的数字化转型。建设“智慧税务”， 推进税收征管数字化， 是构建现代化税收征管体系， 联结数字政府建设和经济高质量发展的重要环节。“金税三期”工程是税务数字化建设的典型成功案例， 其依托“一个平台、 两级处理、 三个覆盖、 四个系统”， 基于大数据分析和云计算技术实现税收征管数据的集中化和涉税信息的共享化， 将征管模式由“经验分析”转变为“大数据分析”， 有力地推动了税收征管数字化建设。现有研究表明， 税收征管对企业的影响可以分为“征税效应”和“治理效应”： “征税效应”增加了企业现金流支出， 降低了其税后收益， 加剧了企业面临的资金约束难题（于文超等，2018）， 企业财务风险和避税活动的不确定性随之增加， 导致企业进行金融投资的预防性动机增强；而“治理效应”则能够提高企业信息透明度， 缓解企业信息不对称和代理冲突（孙雪娇等，2021）， 监督和约束管理层及企业投机逐利行为（魏志华等，2022），进而弱化企业金融投资的投机逐利性动机。因此，  数字技术驱动下的大数据税收征管进一步提高了税务部门的监管能力，  必然会通过“征税效应”和“治理效应”影响企业金融化的动机。从金融资产配置结构来看， 企业将会增加变现能力较强的短期金融资产以应对可能出现的现金流短缺风险， 即预防性动机增强， 而配置投资收益较高的长期金融资产的投机逐利性动机将被抑制（戴静等，2022；黄贤环等，2018）， 企业金融资产配置结构及份额随之异化。但目前鲜有文献从期限结构异质性的视角系统考察大数据税收征管对企业金融资产配置结构及份额的影响。

本文基于2010 ～ 2017年沪深A股上市公司数据， 将“金税三期”工程在各省市上线试点作为一项准自然实验， 利用多时点双重差分法分析大数据税收征管对企业短期金融资产和长期金融资产二者之间配置结构的影响。结果表明， 大数据税收征管的“征税效应”和“治理效应”促使企业调整短期金融资产和长期金融资产二者之间的配置结构， 即： 大数据税收征管使企业配置金融资产的预防性动机增强， 企业短期金融资产配置增加； 同时企业持有金融资产的投机逐利性动机被抑制， 长期金融资产配置上述效应在非国有企业和中小规模企业中尤为凸显。机制分析表明， 大数据税收征管的“征税效应”引发的现金流波动性和“治理效应”对信息透明度的提高作用是其影响企业金融资产配置结构及份额的两种路径。进一步检验发现， 受到大数据税收征管的影响， 企业短期金融资产配置和金融资产配置总额有助于提高企业绩效， 长期金融资产配置则会降低企业绩效。

本文的边际贡献主要体现在以下三个方面： 第一， 从税收征管的研究内容来看，现有文献主要从企业纳税遵从与逃避税行为（孙雪娇等，2021）、 融资约束（蔡昌等，2021）以及企业投资（刘铠豪，2021）等角度分析大数据税收征管的政策效应。而本文则从金融资产配置的期限结构异质性角度挖掘大数据税收征管对微观企业资产配置行为的潜在影响， 进一步丰富了税收征管“征税效应”和“治理效应”的相关研究， 有利于充分认识大数据税收征管可能产生的正向经济效应。第二， 现有关于企业金融化行为的研究主要从金融资产整体层面出发， 忽略了金融资产配置结构的差异， 而本文以企业金融资产投资的预防性储蓄动机和投机逐利性动机作为理论机制分析的基础， 从金融资产期限长、 短的层面来体现企业金融资产配置结构的变化，  拓展了金融资产配置的结构性指标体系， 丰富了有关企业金融资产配置的文献。第三， 本文从不同角度剖析了大数据税收征管背景下企业配置金融资产的动机， 将企业配置金融资产的预防性储蓄动机和投机逐利性动机与大数据税收征管的现实功能对接， 对于通过深化税收征管方式引导金融投资服务于实体经济发展有一定的借鉴意义。

二、 理论分析与研究假设

（一）大数据税收征管的“征税效应”

现金流在企业经营过程中至关重要， 现金流充裕与否不仅决定着企业在经营过程中的支付能力， 也在一定程度上反映了企业抵御风险的能力。稳定的现金流是保障实体企业日常经营和投资的重要条件之一。避税是企业降低纳税支出、 减少现金流支出的现实方式。“金税三期”工程上线后极大地提升了税务机关的税收征管能力和效率。税务部门利用大数据技术和云计算平台对不同税种和各个征管环节的涉税信息进行集中处理， 并利用第三方信息实现对企业内外部涉税信息的交叉稽核与比对， 使企业利用虚假交易等方式进行避税的难度和风险均大大增加。

一方面， 避税难度增加使企业避税失败的概率上升。再加之， 大数据税收征管的税收执法“黑名单”制度和多部门联合惩戒， 均使企业避税失败的成本在很大程度上抵消避税成功所带来的节税收益， 增加未来现金流的不确定性。企业因此也可能需要调整原有的避税策略和方式， 企业避税活动的变化会改变企业收益、 成本费用和现金流的分布， 尤其是跨期分布， 使现金流具有较大的波动性。

另一方面， 未预期到的税收征管变化也可能导致企业产生额外的资金需求， 企业需要保持较为充足的现金流来应对税务稽查。现金流波动是企业出于预防性储蓄动机配置金融资产的重要原因之一。根据资产负债表中资产项目的排列顺序， 货币类及交易性金融资产属于短期金融资产， 其中交易性金融资产又被视为现金类等价物。二者持有期限短，  交易便利且变现能力较强， 可以起到“蓄水池”的功能， 当企业预测未来可能存在现金流短缺等经验风险时， 将会倾向于持有期限短、 变现能力强的短期金融资产来平滑现金流波动（戴静等，2022）。因此， 为了规避大数据税收征管实施引发的现金流波动而带来的潜在风险， 企业出于预防性储蓄动机选择持有流动性较强的短期金融资产从而增加其流动性储备。基于此， 本文提出如下假设：

H1： 大数据税收征管会增强企业持有金融资产的预防性储蓄动机， 企业短期金融资产持有份额增加。

（二）大数据税收征管的“治理效应”

根据代理理论， 企业管理層具有“自然人”属性， 普遍存在追求高额收益的自利倾向。由于其对企业金融资产配置决策有较大的自由裁量权， 倾向于通过配置金融资产进行投机套利， 诱发了实体企业投机套利偏好（杜勇等，2017）。上市公司高管薪酬的激励约束机制对公允价值收益存在非理性激励， 但对公允价值损失却惩罚不足， 即存在“重奖轻罚”的不对称性。管理层投资于金融资产， 若获得公允价值变动收益， 其薪酬总额会随之增加， 而公允价值损失对高管薪酬不会产生显著影响， 这将进一步导致管理层出于更大的利己动机而配置金融资产， 使企业投资结构“脱实向虚”。已有研究表明， 税收征管能够发挥“公司治理效应”， 能够缓解信息不对称， 提高企业信息透明度， 进而约束企业和管理层的投机逐利性行为。长期金融资产收益率相对较高， 变现能力较弱， 缺乏足够的流动性， 非金融企业往往出于利润最大化或者投机套利的动机而配置更多的长期金融资产（李博阳等，2019）。大数据税收征管通过大数据应用平台， 对企业收入、 成本、 利润以及应纳税所得额等进行实时监控， 还可以将企业的各项收入、 费用以及利润率等与供应链上下游、 同行业或者同地区的均值和区间波动进行比对分析， 实现企业涉税信息自动检测预警的效果（张克中等，2020）。由此， 企业的各项交易信息在税务机关面前变得更加透明， 促使企业披露更为可靠、 及时与谨慎的会计信息， 提高企业信息透明度。当非金融企业金融渠道获利高于同行业及同区域其他企业时， 其收入类指标、 资产类指标等将会触发异常预警， 意味着其具有较高的经营风险， 将会受到税务部门进一步的审查， 同时引起股东和利益相关者的关注。那么管理层操纵金融资产而谋取私利的投机逐利行为将会受到制约。因此， 大数据税收征管通过提高企业信息透明度抑制企业金融资产配置的投机逐利性动机， 从而使得企业长期金融资产配置减少。基于此， 本文提出如下假设：

H2： 大数据税收征管会抑制企业持有金融资产的投机逐利性动机， 企业长期金融资产持有份额减少。

三、 研究设计

（一）计量模型设定

将“金税三期”工程分批试点实施视为一项准自然实验， 本文采用多时点双重差分法，构建模型（1）：

S_finai，t/L_finai，t=α0+α1GTPc，t+?jControlsj，i，t+GDPc，t+Firc，t+yeart+firmi+εi，t   （1）

其中， 下标i代表企业， t代表年份， c表示地区。S_fina和L_fina是本文的被解释变量， 分别为短期金融资产配置和长期金融资产配置。解释变量GTP表示样本企业所在省份当年实施了“金税三期”试点。Controls代表企业微观层面控制变量， GDP和Fir为宏观层面控制变量。在模型中， 本文控制了个体固定效应firmi和时间固定效应yeart， 以降低个体层面不随时间变化以及随时间变化的宏观环境因素对本文结果的干扰。

（二）变量说明

1. 被解释变量： 短期金融资产配置（S_fina）和长期金融资产配置（L_fina）。根据Demir（2009）、 刘贯春等（2019）的研究及中国会计准则对金融资产的定义， 本文将流动性相对较强的货币资金和交易性金融资产视为短期金融资产， 将持有至到期投资、 可供出售金融资产、 长期股权投资、 衍生性金融资产、 应收股利、 应收利息作为长期金融资产， 并采用企业资产总额对二者进行标准化。

2. 解释变量： 大数据税收征管（GTP）。得益于“金税三期”工程在各省市分批试点， 本文构建多时点双重差分政策变量GTP， 如果企业注册地在当年及以后实施了“金税三期”工程， 则GTP赋值为1， 否则赋值为0。特别地， 参考张克中等（2022）的相关做法， 如果企业注册地是在当年下半年上线“金税三期”， 则将其实施时间视为下一年度。

3. 控制变量。借鉴现有研究， 本文选取微观企业特征变量和宏观经济变量两个方面的控制变量。变量定义详见表1。

（三）样本与数据

本文采用2010 ～ 2017年沪深A股上市企业数据。之所以选择2010 ～ 2017年作为双重差分的样本期， 一是因为要保证“金税三期”实施前后保有一定的数据， 二是2018年1月1日开始执行的新金融工具准则对金融资产会计科目进行了删减和新增， 故样本期截止到2017年。本文依次剔除了金融保险行业和房地产行业， ST、 ?ST和 PT 等状态异常的企业， 核心变量取值严重缺失的样本。另外， 为了消除极端值的影响， 对连续变量进行上下1%的缩尾处理。最终得到15942个观测值。数据来源于国泰安CSMAR数据库及《中国统计年鉴》。

表2汇报了本文主要变量的描述性统计结果。短期金融资产配置S_fina的均值为0.2149， 约占企业总资产的1/5， 长期金融资产配置L_fina的均值为0.0570。这与李博阳等（2019）的研究结果相近， 说明本文的数据稳健。且从均值大小来看， 企业短期金融资产份额约是长期金融资产份额的4倍， 表明非金融企业配置金融资产的预防性储蓄动机要高于投机逐利性动机。GTP的均值为0.2697， 表明样本中有26.97%的企业受到了大数据税收征管的影响。

四、 实证分析

（一）基准回归结果

表3报告了大数据税收征管对企业金融资产配置结构影响的基准回归结果。表3列（1）和列（3）仅控制了微观企业特征变量， 结果显示， 短期金融资产配置S_fina对大数据税收征管GTP的回归系数在5%的水平上显著为正， 长期金融资产配置L_fina对GTP的回归系数在1%的水平上显著为负， 初步验证了H1和H2。表3列（2）和列（4）进一步控制宏观经济变量， 回归结果依然与预期一致。总体来看， 大数据税收征管显著提高了企业短期金融资产配置， 降低了企业长期金融资产配置。

（二）稳健性检验

1. 平行趋势检验。多时点双重差分法应用的潜在假设是处理组和对照组在政策实施之前不存在系统学差异， 即处理组和对照组样本企业的短期金融资产配置和长期金融资产配置在大数据税收征管实施之前应具有共同趋势。借鉴已有研究， 设置如下动态方程检验平行趋势：

S_finai，t/L_finai，t=               βk             +?Controlsi，t+

yeart+firmi+εi，t，  k≠-1    （2）

其中，                      表示i企业t时刻大数据税收征管实施前（后）的第k年的虚拟变量， 其余设定均与模型（1）一致。本文选取政策实施前一期作为基准期， 即 k取值不等于-1。另外， 为了充分利用样本的变异度， 本文将大数据税收征管实施后4年以上的样本归并到大数据税收征管实施后4年。回归结果表明， 在大数据税收征管实施前，                      的回归系数不显著， 即处理组和对照组企业的短期金融资产和长期金融资产没有显著差异， 满足处理组和对照组的平行趋势假设（限于篇幅，未报告稳健性检验结果，留存备索。下同）。

2. 倾向得分匹配。“金税三期”工程试点地区及试点顺序可能不是完全随机的， 这不可避免地会对本文的政策评估造成干扰。同时， 企业自身的特征异质性以及地区差异使得实验组和对照组企业之间存在系统性差异， 也可能导致估计结果的偏差。本文进一步采用模型（1）中的控制变量作为匹配变量， 采用Logit模型进行一对一最近邻匹配， 再利用匹配后的样本进行模型估计。回归结果与基准回归一致， 说明在控制样本自选择问题后结论仍然稳健。

3. 排除同期政策叠加效应。在“金税三期”工程逐渐试点的过程中， 我国也相继推出了一系列减税降费措施。其中影响较大的是固定资产加速折旧政策和“营改增”政策。加速折旧政策允许制造业企业在固定资产投入使用初期提取较多的折旧， 产生所得税抵税收益， 由此优化企业现金流， 影响企业配置金融资产的动机。“营改增”政策的实施则打通了抵扣链条， 减少了重复征税， 降低了企业实际税负， 进而影响企业实体经营收益率与金融投资收益率的差距， 影响企业资产配置结构。为了减少上述两种政策实施对本文回归结果的干扰， 借鉴魏志华等（2022）、 张克中等（2020）的相关研究， 本文首先构建虚拟变量JSZJ， 将在2014年及以后属于加速折旧政策试点的“六大行业”和“四大领域”的企业JSZJ赋值为1， 否则为0。其次， 构造“营改增”代理变量VAT， 即VAT=（增值税+营业税）/营业收入。然后分别将JSZJ和VAT纳入基准回归模型（1）中。在排除两项政策的影响后， 回归结果依然稳健。

4. 安慰剂检验。如果企业短期金融资产配置和长期金融资产配置变化确实是由“金税三期”工程所引起的， 而不是其他偶然因素所致， 那么通过随机“金税三期”试点的省份或者随机“金税三期”试点的时间而构造的“伪”政策变量将不会对企业短期金融资产配置和长期金融资产配置产生显著影响。借鉴魏志华等（2022）的相关研究， 本文随机分配“金税三期”的试点省份和随机设置“金税三期”的试点时间， 生成两个“伪”政策变量并分别代入模型（1）中， 重复500次上述随机过程进行模型估计。可以发现， 两种随机过程中绝大部分“伪”政策变量的估计系数都为0， 且 GTP的真实回归系数在安慰剂检验的核密度图中均处于小概率范围内。这表明， 其他偶然因素对大数据税收征管与企业金融资产配置结构之间关系的影响可以忽略， 即回归结果较为稳健。

5. 其他稳健性检验。首先， 考虑到样本的连续性， 为了保证每个样本企业在大数据税收征管实施前后每一年内都有观测值， 本文将研究样本转换为平衡面板。其次， 考虑到我国经济长期处于转型时期， 对实体企业实施的一系列经济政策可能会改变实体收益率和金融收益率之间的差距， 影响企业金融资产持有份额和金融渠道获利， 进而改变金融资产配置结构， 本文在回归方程中控制了实体收益率和金融收益率之差。再次， 为排除某些宏观因素对不同行业、 省份的时变性冲击， 本文进一步控制行业时间固定效应和省份年度固定效应。最后， 为了排除被解释变量不同度量方法对估计结果的干扰， 借鉴已有研究， 本文亦从狭义角度度量短期金融资产配置和长期金融资产配置。其中， 狭义短期金融资产不包含货币资金， 狭义长期金融资产不包括长期股权投资。以上四种方式的检验结果均与基准回归结果相似， 说明本文的回归结果是稳健的。

五、 影响机制及异质性分析

（一）作用机制分析

如前文所述， 大数据税收征管通过加剧现金流波动和提高信息透明度影响企业短期金融资产和长期金融资产之间的配置结构。为验证上述影响机制， 本文采用中介效应模型进行检验。其中， 中介变量为企业信息透明度（ABSDA）和现金流波动性（CF_VAR）。本文基于修正Jones模型， 利用操纵性应计利润的绝对值来衡量企业信息透明度， 其值越小， 代表信息透明度越高。参考刘贯春等（2020）的研究， 采用企业经营性现金流三个年度滚动标准差来衡量现金流波动。

表4列（1）和列（2）表明： GTP与ABSDA的回归系数显著为负， 表明大数据税收征管显著提高了企业信息透明度； 在控制了GTP以后， ABSDA与L_fina在1%的水平上显著正相关； GTP的回归系数绝对值小于基准回归结果， 且Sobel Z的值在10%的水平上显著， 表明信息透明度起到部分中介作用， 即大数据税收征管通过提高企业信息透明度抑制企业投机逐利性动机， 降低企业长期金融资产配置。同样， 由表4列（3）可知： GTP的回归系数显著为正， 表明大数据税收征管加剧了企业现金流波动； 在列（4）中， 现金流波动CF_VAR的回归系数显著为正， 说明现金流波动与企业短期金融资产配置正相关， 强化企业持有金融资产的预防性储蓄动机， 且GTP的回归系数小于基准回归结果， 说明现金流波动存在部分中介效应。即“金税三期”工程的实施加剧了现金流波动， 从而引发企业增加短期金融资产的持有。

（二）异质性分析

1. 产权异质性。所有制属性是导致企业异质性的重要原因之一， 大数据税收征管对企业金融资产配置的影响在不同产权性质的企业中可能存在差异。本文通过分组检验大数据税收征管对国有企业与非国有企业金融资产配置结构的影响， 回归结果如表5所示。结果显示， 大数据税收征管对国有企业短期金融资产配置和长期金融资产配置没有产生显著的影响， 表现为当回归样本为国有企业时， S_fina和L_fina对GTP的回归系数均不显著。而对于非国有企业， 回归结果与基准回归结果相一致， S_fina和L_fina对GTP的回归系数均在1%的水平上显著， 说明大数据税收征管对企业短期金融资产配置的提升作用和对长期金融资产配置的降低作用在非国有企业中更为凸显。究其原因可能在于， 一方面， 国有企业肩负一定的社会性职能， 需要达成提供社会就业岗位、 维护社会稳定以及优化经济布局等社会性政策目标。如2017年12月15日， 国务院国资委副秘书长、 新闻发言人彭华岗就表示国有企业应当聚焦实体经济， 把实体经济作为国有经济的主攻方向、 发展重点， 形成良好的导向作用和引领作用。可见， 国有企业的投资具有计划性和战略性， 其利用金融资产进行投机逐利的动机较弱， 由此， 大数据税收征管对长期金融资产配置的抑制作用在国有企业中并不显著。而非国有企业具有较强的投机逐利性动机， 其倾向于配置长期金融资产从而取得更多利润。另一方面， 国有企业能够享受政府的隐性担保， 在经营过程中往往具有资源优势， 尤其在融资方面， 更易获得更多的信用贷款， 因此大数据税收征管并不会对其现金流波动产生较大的冲击， 因而对国有企业预防性储蓄动机的影响也相对较小， 进而也不会改变国有企业原有的短期金融资产配置。

2. 企业规模异质性。对不同规模的企业， 其现金流的敏感性以及会计信息质量可能会有所不同， 因而大数据税收征管引致金融资产配置结构变动可能会受到企业规模异质性的制约， 因此有必要基于企业规模异质性进行进一步分析。本文根据企业规模中位数将样本分为大规模企业和中小规模企业两组， 分别检验大数据税收征管对其金融资产配置结构的可能影响， 回归结果如表6所示。

由表6中列（1）和列（3）可知， S_fina对GTP的回归系数仅在中小规模企业样本中显著为正， 在大规模企业中并不显著， 这说明大数据税收征管对中小企业预防性储蓄动机的影响更为凸显， 相对于大规模企业， 中小规模企业配置了更多的短期金融资产。这可能是因为， 企业规模在一定程度上决定了其在金融市场中的融资和议价能力， 相比于大规模企业， 中小规模企业往往由于会计信息质量低、 抵押资产少以及融资渠道窄等原因， 普遍存在融资难、 融资贵等问题， 因而中小规模企业对现金流波动更加敏感， 其金融资产配置的预防性储蓄动机可能更强， 因此大数据税收征管对中小规模企业短期金融资产配置的影响更为显著。对于长期金融资产配置， 从表6列（2）和列（4）可以看出， L_fina对GTP的回归系数均在5%的水平上显著为负， 这说明无论是大规模企业还是中小规模企业， 大数据税收征管均能对其投机逐利性动机产生抑制作用， 降低企业长期金融资产配置水平。从回归系数绝对值来看， 大数据税收征管对中小规模企业预防性储蓄动机的抑制作用更強。以上结果说明， 大数据税收征管依托大数据和云计算等新兴信息技术， 对涉税信息的监管能力显著提升， 有效缓解征纳双方之间的信息不对称， 对企业经营交易行为起到了有效的监督和约束作用， 即“治理效应”具有普遍性。但由于小规模企业受自身资金流以及外部融资约束的限制， 加之缺乏专业的财税人员， 大数据税收征管的“征税效应”对小规模企业的影响凸显。

（三）进一步分析

为了从整体层面明确企业金融资产配置的影响， 本文进一步检验了大数据税收征管对企业持有金融资产总额（Fina）的影响。从表7列（1）可以看出， Fina对GTP的回归系数在5%的水平上显著为正， 表明大数据税收征管显著增加了企业金融资产配置总额。这也意味着大数据税收征管对企业短期金融资产的促进作用大于对长期金融资产的抑制作用。

根据前文的分析可知， 企业出于预防性储蓄动机而持有短期金融资产， 基于投机逐利性动机而持有长期金融资产， 因此本文推测这两种不同类型的金融资产配置可能会对企业绩效产生差异化影响。为了验证这一猜测， 借鉴已有研究， 本文采用企业未来资产收益率（perfm）作为企业绩效的衡量指标， 结果如表7第（2） ～ （4）列所示。可以看出， S_fina的回归系数在1%的水平上显著为正， L_fina的回归系数在1%的水平上显著为负， 说明短期金融资产配置的增加有利于提升企业绩效水平， 而长期金融资产配置的增加则降低了企业绩效。另外， 金融资产配置总额Fina的回归系数也在1%的水平上显著为正， 说明以预防性储蓄动机为主的金融资产配置有利于提高企业绩效， 该结果与前文的推测一致。

六、 研究结论和政策启示

在促进实体经济高质量发展和深化税收征管改革的背景下， 本文采用2010 ～ 2017年沪深A股上市企业数据， 利用“金税三期”工程实施这一准自然实验， 实证分析了大数据税收征管对企业短期金融资产和长期金融资产二者配置结构的影响及作用路径。结果表明： 大数据税收征管使企业预防性储蓄动机增强， 企业短期金融资产配置增加； 同时， 大数据税收征管弱化了企业持有金融资产的投机逐利性动机， 企业长期金融资产配置减少。这一影响在非国有企业和中小规模企业中更为凸显。作用路径分析表明： 大数据税收征管加剧了企业现金流的波动性， 企业出于预防储蓄性动机而增持流动性较强的短期金融资产； 而大数据税收征管通过提高企业信息透明度进而抑制企业利用金融资产进行投机逐利的动机， 企业长期金融资产配置减少。进一步分析表明， 企业短期金融资产配置以及金融资产总额增加有助于提升企业绩效， 而长期金融资产配置的增加会降低企业绩效。

结合研究结论， 本文得出以下启示： 首先， 税收征管部门要着重加强对非国有企业和中小规模企业的政策支持和征管培训， 着重引导非国有企业和中小规模企业调整金融资产配置结构和份额， 优化实体经济结构， 促进经济高质量发展。其次， 本文理论机制分析指出， 大数据税收征管加剧了企业现金流波动使企业预防性储蓄动机增强， 因此在提高税收征管能力的同时， 也要持续深化减税政策， 通过税收征管与减税政策组合来缓解大数据税收征管的“征税效应”对企业现金流波动的影响， 从而平滑企业实体投资， 为经济增长提供长期增长动力。同时， 发挥大数据税收征管的“治理效应”， 运用税收大数据助力企业提高税收遵从度， 优化内部治理结构。最后， 税务机关等政府部门可以利用大数据征管平台和预警系统， 引导企业将自身关注点由短期金融资产配置转向长期金融资产配置， 帮助企业逐渐形成符合可持续发展的金融资产配置结构。

【 主 要 参 考 文 献 】

蔡昌，林高怡，王卉乔．税收征管与企业融资约束 —— 基于金税三期的政策效应分析［ J］．会计研究，2021（5）：107 ～ 120．

陈孝明，张可欣．企业金融资产配置与创新投资：蓄水池效应还是挤出效应［ J］．现代财经（天津财经大学学报），2020（6）：80 ～ 98．

戴静，杨筝，刘贯春．银行业竞争与企业金融资产配置结构异质性［ J］．管理评论，2022（1）：69 ～ 78．

杜勇，张欢，陈建英．金融化对实体企业未来主业发展的影响：促进还是抑制［ J］．中国工业经济，2017（12）：113 ～ 131．

黄贤环，吴秋生，王瑶．金融资产配置与企业财务风险：“未雨绸缪”还是“舍本逐末”［ J］．财经研究，2018（12）：100 ～ 112+125．

李博阳，沈悦，张嘉望．金融资产配置、企业经营风险与企业杠杆率［ J］．当代经济科学，2019（5）：116 ～ 128．

刘贯春，刘媛媛，张军．金融资产配置与中国上市公司的投资波动［ J］．经济学（季刊），2019（2）：573 ～ 596．

刘贯春，刘媛媛，张军．经济政策不确定性与中国上市公司的资产组合配置 —— 兼论实体企业的“金融化”趋势［ J］．经济学（季刊），2020（5）：65 ～ 86．

刘铠豪．税收征管与企业对外投资：来自“金税工程三期”的证据［ J］．南方经济，2021（12）：37 ～ 57．

彭俞超，黄志刚．经济“脱实向虚”的成因与治理：理解十九大金融体制改革［ J］．世界经济，2018（9）：3 ～ 25．

孙雪娇，翟淑萍，于苏．大数据税收征管如何影响企业盈余管理？ —— 基于“金税三期”准自然实验的证据［ J］．会计研究，2021（1）：67 ～ 81．

王华，郭思媛．实体企业金融化对全要素生产率的影响研究［ J］．统计与信息论坛，2022（1）：55 ～ 64．

魏志华，王孝华，蔡伟毅．税收征管数字化与企业内部薪酬差距［ J］．中国工业经济，2022（3）：152 ～ 170．

吴非，向海凌．企业金融化影响技术创新的期限结构异质性研究 —— 理论模型推演与中国经验证据［ J］．当代经济管理，2020（2）：84 ～ 91．

楊筝，刘放，王红建．企业交易性金融资产配置：资金储备还是投机行为？［ J］．管理评论，2017（2）：13 ～ 25+34．

于文超，王小丹，万清玉．税收征管、法制环境与企业投融资活动［ J］．当代金融研究，2018（3）：60 ～ 70．

張超，宋华盛．环境规制与企业金融资产配置 —— 来自新《环保法》颁布的证据［ J］．当代财经，2022（3）：53 ～ 65．

张成思，张步昙．中国实业投资率下降之谜：经济金融化视角［ J］．经济研究，2016（12）：32 ～ 46．

张多蕾，赵深圳．管理者行为、内外部监督与企业金融化［ J］．财经问题研究，2022（4）：121 ～ 128．

张克中，欧阳洁，李文健．缘何“减税难降负”：信息技术、征税能力与企业逃税［ J］．经济研究，2020（3）：116 ～ 132．

Cai M.， Ren S.. Corporate Financialization： A Literature Review［ J］．Finance & Economics，2014（7）：41 ～ 51．

Cao W.， Chen C.， Jiang D.， et al.. Industrial Policy and Non-financial Corporations' Financialization： Evidence from China［ J］．The European Journal of Finance，2022（4-5）：397 ～ 415．

Chang X.， Dasgupta S.， Wong G.， et al.. Cash-flow Sensitivities and the Allocation of Internal Cash Flow［ J］．The Review of Financial Studies，2014（12）： 3628 ～ 3657．

Davis G. F.， Kim S.. Financialization of the Economy［ J］．Annual Review of Sociology，2015（41）：203 ～ 221．

Demir F.. Capital Market Imperfections and Financialization of Real Sectors in Emerging Markets： Private Investment and Cash Flow Relationship Revisited［ J］．World Development，2009（5）：953 ～ 964．

Ding S.， Guariglia A.， Knight J.， et al.. Negative Investment in China： Financing Constraints and Restructuring Versus Growth［ J］．Economic Development and Cultural Change，2021（4）：1411 ～ 1449．

Qi Y.， Yang Y.， Yang S.， et al.. Does Government Funding Promote or Inhibit the Financialization of Manufacturing Enterprises？ Evidence from Listed Chinese Enterprises［ J］．The North American Journal of Economics and Finance，2021（58）：101463．

Seo H. J.， Kim H. S.， Kim Y. C.. Financialization and the Slowdown in Korean Firms' R&D Investment［ J］．Asian Economic Papers，2012（3）：35 ～ 49．

Wang C.. A Literature Review on Corporate Financialization［ J］．American Journal of Industrial and Business Management，2019（3）：647 ～ 657．

Xu X.， Xuan C.. A Study on the Motivation of Financialization in Emerging Markets： The Case of Chinese Nonfinancial Corporations［ J］．International Review of Economics & Finance，2021（72）：606 ～ 623．