数字金融缓解了企业短债长用问题吗？——基于中国A股制造业上市企业的实证研究

■黄静 张金昌 潘艺

一、引言

党的二十大报告指出，“坚持把发展经济的着力点放在实体经济上，推进新型工业化，加快建设制造强国”的目标。制造业是保障经济增长、促进就业、消除贫困、提高综合国力重要的产业部门，也是助推实体经济高质量发展的重要动力[1]。长期以来，制造业企业发展一直受到融资难、融资贵的困扰，无法从金融市场上获得长期投资和发展的资金，迫使其采用不断滚动短期债务以支持长期投资的方式来解决企业长期投资资金不足的问题，因而形成了制造业企业短债长用的现象。短债长用虽然暂时缓解了企业长期投资资金不足的问题，但会增加企业财务成本，长此以往更会引发债务风险，严重影响企业正常经营[2]，不利于制造业的高质量发展。因此，如何帮助制造业企业获得长期稳定的融资、优化企业债务期限结构成为各界关注的重要问题。

近些年，随着数字技术的快速发展和广泛应用，数字技术已经深度融合到各个行业，有效促进了各行业的发展。尤其在金融行业，数字技术有效降低了传统金融与企业客户之间的信息不对称，缓解了企业融资难问题，改善了企业融资环境。那么，数字金融的发展是否缓解了制造业企业短债长用的问题，优化了企业债务期限结构？为回答上述问题，本文基于2011—2020 年中国A 股制造业上市企业财务报表数据，实证检验了各地区数字金融发展对制造业企业短债长用的影响和传导机制，为优化制造业企业债务结构，促进制造业企业高质量发展提供有意义的经验证据。

本文可能的边际贡献在于：第一，丰富了企业“短债长用”方面的研究。目前关于企业融资期限的研究多集中于“短贷长投”方面，关于“短债长用”方面的研究较少，本文通过研究数字金融对企业短债长用的影响，丰富了企业债务与资产期限结构方面的研究。第二，关于融资问题的中介效应研究大多集中于融资约束，本文将融资问题分为融资约束和融资成本两个方面开展中介效应的研究，使得有关企业融资问题的研究更加全面。第三，本文通过多个维度的异质性分析，从多方面揭示了数字金融对不同性质制造业企业债务与资产期限结构的影响，研究结论为相关部门进一步识别企业特点，更有针对性地开展金融服务，缓解制造业企业短债长用问题，促进制造业高质量发展提供了依据。

二、文献综述与研究假设

（一）文献综述

本文研究的是制造业企业融资期限的问题。目前，常用的企业融资期限度量方法有两种：第一种是“短债长用”指标[3]，该指标主要反映了企业的债务与资产期限结构的匹配情况；另一种是“短贷长投”指标[2]，该指标是基于企业资金缺口情况而构建。基于上述两种方法，学者们开展了一系列研究，研究结果表明，短贷长投会抑制企业创新发展[4]、降低投资效率[5]、提升债务压力[6]、加剧财务风险[7]，不利于企业绩效的提升[8]，对上市企业来说甚至有股价崩盘的风险[9]。郝丽萍等[10]的研究结果也证实了短债长用对企业经营会产生不利影响。可见，虽然企业融资期限的度量方法不同，但都得出了会对企业发展产生不利影响的结论。另外，也有部分学者从外部宏观视角进行研究，结果发现经济政策不确定性会造成短贷长投的风险增加[11]，也会促使短债长用水平的提高[12]，对企业发展造成不利影响。

数字金融的发展对宏观经济和微观企业都会产生影响，与本文研究内容有关的是对微观企业的影响。Sarma等[13]研究认为，数字金融能够有效降低金融机构与企业之间信息不对称问题，缓解融资约束，提高企业的融资效率。万佳彧等[14]研究发现数字金融会通过融资约束的渠道促进企业创新发展。陈银飞等[15]利用上市企业数据，研究发现数字金融通过政府补助能促进企业创新产出。潘艺等[16]研究认为数字金融显著促进了企业的高质量发展，其覆盖广度、使用深度和数字化程度均发挥了作用，财务风险起到了中间效应。李君锐等[17]研究发现数字金融能通过降低交易成本，间接对企业的商业模式创新产生影响。

从上述文献来看，目前研究存在一定的局限性：（1）关于企业融资期限方面的研究多集中于“短贷长投”方面，而研究“短债长用”的文献较少；（2）研究企业融资期限对企业发展影响的文献较多，研究外部因素对企业融资期限影响的文献较少；（3）数字金融对企业影响的机制研究大多以融资约束作为中介效应研究，其他方面的机制研究较少；（4）在上市企业的研究中，进行全样本企业的研究较多，针对制造业企业的专项研究较少。相关研究中的局限，为本文的研究提供了方向。

（二）理论分析与研究假设

第一，随着大数据、云计算等数字技术与各个行业的融合发展，数据作为一种生产要素得到前所未有的关注和应用，个人和企业信息比以往任何时候都更加重要，也更加透明。金融机构各项业务的开展离不开个人和企业信息。以往因为这些信息不易获取，金融机构与客户之间存在较多隔阂，现在随着数字技术的发展，这些信息变得更易获取且更精准，打破了传统金融机构与个人和企业之间的信息壁垒，金融机构在审批过程中能有效识别客户的相关风险[13]。以往由于信息不对称，金融机构担心潜在风险造成的损失，而将隐性成本转嫁给客户，现在因信息不对称问题得到缓解，金融机构信贷风险大大降低，对应的信贷风险成本也显著下降，客户可以获得比以往更低成本的融资资金[18]。随着外部融资资金问题的缓解，制造业企业滚动的短期借款频率也会降低，进而缓解了企业短债长用问题。

第二，数字技术与金融行业融合，纸质的个人与企业信息逐步被电子信息替代。在传统金融行业审批流程中，需要采集、整理、汇总大量客户信息，并作为附件进行提报和审核；数字时代，所有信息都实现了数字化传输，并且大数据、云计算、人工智能等手段可以有效识别并进行科学评估，不仅缩短了审批流程，提高了审批效率，还降低了审批风险，使得客户可以更快速地获得信贷资金，弥补了传统金融服务的短板[14]。由于融资审批效率提升，企业获得资金的速度加快，融资周期长、贷款资金不能及时到位的问题得以缓解，企业短期贷款申请的频率随之减少，企业短债长用问题得到明显改善。

第三，从金融机构来看，数字技术的发展使得原先需要人工收集、整理、汇总的工作被计算机和互联网替代，原先需要多个部门协同的人工审批工作被云计算和人工智能技术替代，数字金融的发展使得金融机构的职能架构更加扁平化和简洁化，有效降低了金融机构的人工成本、风险成本和管理成本[19]。金融机构的成本下降，会传导到交易成本下降，企业融资成本也会相应降低，有利于企业短债长用问题的缓解。

第四，随着数字技术在金融行业的应用，拓展了金融机构的App 程序，打破了原先金融机构开展业务必须开设物理网点的局限，使得金融机构的业务可以为更远更偏僻的客户服务，同时数字金融可以提供全天24 小时的不间断服务。金融机构App 程序的广泛应用：一方面，使得大量小而散的客户可以通过移动终端购买金融产品，充实了金融机构的资金池[20]，金融机构资金的充实有助于为更多的制造业企业提供融资；另一方面，也方便了许多偏远地区的制造业企业，通过移动终端与金融机构开展业务，有效缓解了因交通不便而无法开展融资业务的问题，改善了企业融资环境，降低了企业融资约束，缓解了企业短债长用问题。

综上分析，本文提出以下三个研究假设：

假设1：数字金融的发展能缓解制造业企业短债长用问题。

假设2：数字金融通过缓解制造业企业融资约束缓解企业短债长用问题。

假设3：数字金融通过降低制造业企业融资成本缓解企业短债长用问题。

三、研究模型与变量说明

（一）模型设计

参考相关学者的研究方法，构建回归模型（1）分析数字金融发展对制造业企业短债长用的影响。

模型（1）中，被解释变量SDLU表示制造业企业短债长用水平，该指标越大表明企业短债长用水平越高；解释变量DF表示制造业企业所在城市的数字金融指数，该指数越大表明当地数字金融发展越好；CT为一系列控制变量；IFE、PFE和YFE分别为行业固定效应、地区固定效应和时间固定效应；ε表示随机扰动项。另外，下标i 和t 分别表示企业和年份。若α1显著为负，则表明数字金融发展能显著缓解制造业企业短债长用问题；若α1显著为正，则表明加剧了制造业企业短债长用问题；若α1不显著，则表明数字金融对制造业企业短债长用影响不显著。

根据本文假设2和假设3，参考江艇[21]的研究方法，设计传导机制研究模型（2）：

模型（2）中，FP为中介变量，代表制造业企业的融资问题，分别用融资约束（SA）和融资成本（SC）表示，其他变量同模型（1）所示。若β1显著为正，则表明数字金融加剧了制造业企业融资问题；若β1显著为负，则表明数字金融的发展缓解了制造业企业的融资问题；若α1不显著，则表明数字金融对制造业企业融资问题影响不显著，分别再使用Sobel检验和Bootstrap检验，评估融资问题的传导机制是否存在。

（二）变量说明

1.被解释变量

本文的被解释变量是制造业企业短债长用（SDLU），使用模型（3）来衡量：

模型（3）中，CL 代表企业的流动负债，TL 代表企业的总负债，CA代表企业的流动资产，TA代表企业的总资产。SDLU 数值越大，则表明制造业企业短债长用问题越严重，企业的长期资产依靠短期负债来支撑，该企业的资产与负债的期限错配问题较大；反之，则表明企业短债长用问题较小。

2.解释变量

本文的解释变量是数字金融（DF），参考大部分学者的研究方法，使用北京大学数字金融研究中心公布的各城市数字金融指数来衡量。该指标基于蚂蚁金服数据库通过综合计算得来，目前已经被广泛使用，具有普遍性和一定权威性。本文将各城市数字金融指数取对数后作为数字金融的解释变量。

3.中介变量

本文的中介变量是融资约束（SA）和融资成本（SC）。融资约束参考Hadlock 等[22]的研究方法来衡量，如模型（4）所示：

模型（4）中，Size 为企业规模，Age 为企业年龄。本文取SA 指数的绝对值，该数值越大，则表明制造业企业的融资约束越严重。企业外部融资成本包括负债融资成本和权益融资成本。考虑到本文研究的是数字金融，体现了银行等传统金融行业与数字技术的融合，所以采用负债融资成本进行衡量，并使用企业利息支出与营业收入的比值作为融资成本进行研究。

4.控制变量

影响企业短债长用的因素有很多，本文参考相关学者的研究方法，并综合考虑对中介变量的影响，选取企业年龄（Age）、股权集中度（TOP）、外部审计意见（Audit）、两职合一（Dual）、独立董事占比（Indep）、董事会规模（Board）、资产收益率（ROA）、资产负债率（Lev）作为控制变量。相关变量取值方法如下：企业年龄采用当期年度加1 减去公司成立年度的差值取对数；股权集中度采用前十大股东股权占总股数的份额衡量；如果外部审计意见为标准无保留意见，则审计意见为1，反之为0；董事长兼职总经理，则两职合一为1，反之为0；独立董事占比用独立董事人数占董事会人数比例衡量；资产收益率采用净利润与总资产比值衡量；资产负债率采用负债总额与资产总额比值衡量。

（三）数据说明

上述研究变量主要来源于Wind 数据库2011—2020 年A 股制造业上市企业年报数据和北京大学数字金融研究中心公布的各城市数字金融指数。相关数据做以下处理：首先，删除ST、PT等经营不善的样本；其次，删除城市数字金融指数缺失、财务报表数据不完整的样本；最后，进行1%和99%的缩尾处理。通过上述处理后得到22563个有效样本。本文实证研究的分析软件为Stata15.1。

四、实证研究与稳健性检验

（一）描述性统计

表1 列示了本文主要变量的描述性统计结果。可以看出，被解释变量SDLU的均值（0.2546）与中位数（0.2540）比较接近，标准差为0.1724，表明样本数呈现正态分布。另外，SDLU 的最小值（-0.4530）与最大值（0.7786）差异较大，表明样本范围较广，选择的样本有较好的代表性。解释变量DF 的极值也有显著差异，表明不同城市数字金融的发展也有较大差异，证明本次研究有较好的实践意义。从各控制变量的极值来看，最大值与最小值同样有显著差异，说明选择的控制变量取值范围广泛，对本次实证研究能起到较好的控制作用。

表1 变量描述性统计

（二）基准回归

表2列示了数字金融对于制造业企业短债长用的基准回归结果。其中，（1）列为数字金融（DF）与制造业企业短债长用（SDLU）的直接回归结果；（2）列是在（1）列基础上控制了行业、地区、时间固定效应后的回归结果；（3）列是在（1）列基础上加入了控制变量后的回归结果；（4）列是在（1）列基础上控制了固定效应和所有控制变量后的回归结果。从表2（1）至（4）列的结果来看，控制固定效应前后或加入控制变量前后，DF系数都在1%的水平上显著为负，表明数字金融发展能显著缓解制造业企业短债长用问题，本文研究假设1成立。可能的原因在于，随着大数据、云计算等数字技术在金融行业的广泛应用，有效缓解了金融机构与客户之间信息不对称的问题，数字金融的发展也有效提升了金融机构的工作效率，降低了交易成本，并且数字金融利用互联网技术有效地拓展了服务网点，使得更多偏远地区的制造业企业享受到数字金融带来的便捷服务，缓解了制造业企业短债长用问题，优化了企业的融资期限结构，有助于制造业企业高质量发展。

表2 基准回归

（三）稳健性检验

1.替换被解释变量

在表2 基准回归中，本文采用企业年末短债长用的时点数据作为被解释变量。在稳健性检验时，本文采用企业年初和年末的平均数（SDLUA）作为替换的被解释变量进行检验。从表3（1）和（2）列的结果来看，在控制固定效应并加入控制变量前后，DF 系数都在1%的水平上显著为负，表明数字金融发展越好，制造业企业短债长用的可能性越小。该结论与基准回归的结论一致，假设1得到验证。

表3 稳健性检验

2.剔除异常数据

由于异常数据可能会造成研究结果偏差，因此本文将剔除可能影响研究结果的异常数据。从地区影响来看，我国直辖市因存在经济和政治的特殊性，可能对研究结果产生影响，因此，本文首先剔除北京、上海、天津和重庆4个直辖市数据进行回归，结果如表3（3）和（4）列所示。从结果来看，在控制固定效应并加入控制变量前后，DF系数都在1%的水平上显著为负，同样表明数字金融的发展能显著缓解制造业企业的短债长用问题，假设1 再次得到验证。从时间影响来看，2015 年股市的异常波动以及2020年新冠疫情的暴发，都可能对上市企业的经营产生不利影响，因此，本文将上述异常年份剔除后进行回归，结果如表3（5）和（6）列所示。从结果来看，在控制固定效应并加入控制变量前后，DF系数都在1%水平上显著为负，表明数字金融的发展能缓解制造业企业短债长用的假设依然成立，本文研究结论具有稳健性。

3.内生性检验

为了避免数字金融与企业短债长用之间存在反向因果关系，本文采用工具变量方法进行内生性检验。首先，本文将解释变量分别滞后一期和二期作为工具变量（IV）进行内生性检验。其次，参考黄群慧等[23]的研究方法，使用1984年该地区每百人电话数量和每万人邮局数量作为工具变量（IV）进行内生性检验。上述回归结果如表4所示。从各个第一阶段回归结果来看，各IV 系数都在1%的水平上显著为正，表明本次选择的各个工具变量对数字金融（DF）都有显著影响，符合工具变量相关性的假设条件；从F 检验结果来看，各数值都远大于10，排除了弱工具变量的问题；进一步使用Sagan检验，结果显示P 值为0.2739，表明本文选择的工具变量是外生的。从第二阶段回归结果来看，在控制固定效应并加入控制变量后，各DF 系数都在1%的水平上显著为负，表明数字金融发展越好，则制造业企业短债长用的问题越小，即数字金融的发展有效缓解了制造业企业短债长用问题。假设1通过了内生性检验。

表4 内生性检验

4.聚类标准误层级检验

为了使研究结论更加稳健，本文分别加入行业、地区、行业与地区的交乘项、企业个体4个维度的聚类层级进行回归。从表5 的回归结果来看，无论加入哪个层面的聚类，DF系数的数值和显著性都没有显著变化，表明数字金融的发展能缓解制造业企业短债长用问题的结论不会随着行业、地区和企业的标准误层级改变而发生明显波动。前文结论稳健。

表5 聚类标准误层级检验

（四）传导机制研究

1.融资约束的机制研究

根据本文假设2，参考江艇[21]的研究建议，选择对被解释变量企业短债长用（SDLU）有显著影响的融资约束（SA）作为中间变量代入模型（2）进行回归，结果如表6（1）列所示。从回归结果来看，DF 系数在1%的水平上显著为负，表明存在融资约束的中介效应。为了验证该结论，首先采用Sobel 检验，结果显示P 值为0.0001，远小于0.0500，表明假设2 的结论通过Sobel 检验；然后采用Bootstrap 检验，结果显示，通过抽样1000 次后的95%的置信区间为[-0.0034，-0.0013]，置信区间结果不包含0，同样表明假设2 的结论通过Bootstrap 检验。由此可见，数字金融的发展减轻了制造业企业的融资约束，进而缓解了企业的短债长用问题。

表6 传导机制研究

2.融资成本的机制研究

根据本文假设3，采用上文的方法，选择对解释变量企业短债长用（SDLU）有显著影响的融资成本（SC）作为中间变量代入模型（2）进行回归。从结果来看，表6（2）列DF 系数在1%的水平上显著为负，表明数字金融的发展显著降低了制造业企业的融资成本，融资成本起到了中介效应。然后，分别进行Sobel 检验和Bootstrap 检验。从检验结果来看，P 值为0.0072，置信区间为[-0.0012，-0.0001]，表明融资成本在数字金融与企业短债长用之间起到了传导作用。本文假设3 成立，即数字金融能通过降低制造业企业融资成本缓解企业短债长用问题。

（五）异质性分析

1.企业规模的异质性分析

规模不同的企业，其经营情况有显著差异。为检验数字金融发展对不同规模制造业企业的影响，本文依据工信部等印发的《大类统计上大中小微型企业划分办法（2017）》，将样本中的大型企业归类为大型企业（Size=1），将中小微企业归类为非大型企业（Size=0），并且在模型（1）中加入数字金融与企业规模的交互项（DF×Size）。回归结果如表7 所示。从结果来看，（2）和（3）列的DF 系数都在1%水平上显著为负，表明数字金融的发展对缓解不同规模制造业企业的短债长用问题都有显著影响；（1）列DF×Size系数在1%的水平上显著为正，表明数字金融发展对缓解大型制造业企业的短债长用作用更加显著。进一步使用模型（2），将融资约束（SA）和融资成本（SC）代入回归，结果如表7所示。从结果来看，（3）和（4）列的DF 系数显著为负，而（6）和（7）列的DF系数不显著，表明数字金融的发展能有效缓解大型制造业企业的融资约束和降低融资成本，进而缓解了企业短债长用问题，而对非大型制造业企业的融资约束和融资成本没有显著影响。可能的原因是，大型企业经营多元，人才和技术储备充足，盈利能力和抗风险能力更强，而非大型企业经营模式单一，抗风险能力差。虽然数字技术使得金融机构的资金更加充沛，融资效率更高，然而金融机构为了规避风险，仍然更青睐大型企业，因此大型制造业企业融资约束和融资成本会更低，能获得更多的资金来缓解企业短债长用问题。

表7 企业规模的异质性分析

2.企业经营的异质性分析

企业经营状况的不同，会造成银行等金融机构对企业评估结果的不同，进而影响企业的融资。为了考察数字金融发展对不同经营状况的制造业企业的影响，将样本中企业利润为正的企业归类为盈利企业（Ope=1），将企业利润为负的企业归类为亏损企业（Ope=0），并且在模型（1）中加入数字金融与企业经营状况的交叉项（DF×Ope）。结果如表8 所示。从结果来看，（2）列的DF系数在1%的水平上显著为负，（5）列的DF系数在10%的水平上显著为负，表明数字金融的发展对缓解制造业盈利企业的短债长用问题作用更显著。进一步利用模型（2）进行机制分析，结果显示，数字金融的发展对制造业盈利企业的融资约束有显著的抑制作用，而对亏损企业没有显著影响。可能原因是，金融机构在审批企业信贷申请时，常常会考量企业的经营情况，认为长期盈利的企业经营风险较小，而盈利情况不佳或者长期亏损的企业经营风险较大，金融机构为了规避可能存在的信贷风险，针对经营状况不好的企业会提高信贷门槛，加大了企业的融资难度，而这些经营状况不佳的企业因无法得到有效的外部融资，无法有效降低企业短债长用问题；反之，经营状况良好的企业，更容易获得金融机构的信赖和支持，通过外部融资获得资金，缓解企业的短债长用问题。

表8 企业经营的异质性分析

3.企业密集度的异质性分析

借鉴阳立高等[24]对制造业企业密集度的分类方法，将制造业企业分为劳动密集型、资本密集型、技术密集型企业。劳动密集型企业主要以手工作业为主，与后两者有显著差异，因此将样本企业分类为劳动密集型企业（MJD=1）和非劳动密集型企业（MJD=0）。同样，在研究模型中加入数字金融与企业密集度的交叉项（DF×MJD），回归结果如表9 所示。结果显示，（2）和（3）列的DF系数均在1%的水平上显著为负，而（1）列的DF×MJD系数不显著。进一步使用Chow 检验，结果显示交叉项系数在1%的水平上显著为负，费舍尔组合检验结果显示P 值为0.0000，表明数字金融的发展对缓解制造业非劳动密集型企业短债长用问题作用更显著。进一步利用模型（2）进行机制分析，结果表明，数字金融的发展对制造业非劳动密集型企业的融资约束和融资成本有显著抑制作用，而对劳动密集型企业没有显著影响。可能的原因是，我国制造业劳动密集型企业的产品生产过程大多数是以手工制造和加工为主，这些企业对外部融资的依赖程度相对较低，而资本密集型企业和技术密集型企业的生产过程更多依赖流水线生产，需要购买大量的机器设备和系统软件，企业的经营和发展对资金依赖程度较高，数字金融的发展正好解决了这些企业的融资难和融资贵问题，进而缓解了企业短债长用问题。

表9 企业密集度的异质性分析

五、研究总结与政策建议

（一）研究总结

本文基于2011—2020 年中国A 股制造业上市企业财务报表数据，实证检验了数字金融发展对制造业企业短债长用的影响、传导机制以及异质性影响。研究结果显示：（1）数字金融发展能显著缓解制造业企业的短债长用问题，经过一系列稳健性检验后，该结论依然成立；（2）机制研究表明，数字金融能通过融资约束和融资成本渠道对制造业企业短债长用产生影响；（3）异质性分析表明，数字金融发展对缓解规模大、盈利、非劳动密集型制造业企业的短债长用问题的缓解作用更显著；（4）进一步分析发现，数字金融发展对缓解上述企业的融资约束和融资成本的作用更显著。

（二）政策建议

第一，国家应持续推进数字金融的发展，以缓解更多制造业企业的融资压力，降低融资成本，促进制造业企业优化融资期限结构，缓解短债长用问题。

第二，针对中小微制造业企业融资难和融资贵的实际困难，金融机构应进一步细化金融服务，针对不同行业的特点和发展前景，支持重要行业中小微企业的外部融资，从融资政策、资金、效率上帮助帮助这些企业优化融资期限结构，缓解短债长用问题，促进制造业整体高质量发展。

第三，从企业来看，经营规范、盈利能力强的企业能获得金融机构更多青睐。因此，企业应该规范经营，重视人才和技术引进，减少对人口红利的依赖，充分利用数字技术开展数字化转型，提高企业全要素生产率水平，提升企业的竞争力，通过外部融资资金，持续优化企业融资期限结构，缓解短债长用的风险，促进企业高质量发展。

（三）研究不足

本文实证检验了数字金融发展对制造业企业短债长用的影响，研究过程存在以下不足：（1）我国是制造业大国，制造业门类齐全，有31个行业分类，数字金融发展对制造业不同行业会有差异。今后可以进一步分析数字金融对制造业各个行业的影响情况，以得到更细致的结论。（2）本文采用的数字金融指数数据是根据蚂蚁金融数据计算得到的，该数据虽然比较丰富，但仍存在一定的局限性。后期可以进一步优化数据来源和计算方法，在更多金融维度的基础上计算得到更完善的数字金融指数，为开展实证研究提供更好的帮助。