數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的影響

■ 俞毛毛，馬文婷，錢金娥

一、引言

近年來國內(nèi)外經(jīng)濟下行壓力持續(xù)增大，新冠肺炎疫情肆虐全球，企業(yè)經(jīng)營困難重重。2016 年企業(yè)“違約潮”的發(fā)生使得各方對于金融發(fā)展的利弊進行了更多關(guān)注與探討，如何使金融發(fā)展更好地服務(wù)實體經(jīng)濟，為企業(yè)發(fā)展提供更多的資金支持，同時又能避免信貸不合理發(fā)放造成的違約風(fēng)險提升等問題，成為關(guān)注的焦點。

隨著大數(shù)據(jù)、人工智能、云計算等技術(shù)的不斷涌現(xiàn)，與傳統(tǒng)金融相結(jié)合的新型普惠金融模式——數(shù)字金融應(yīng)運而生，經(jīng)濟社會進入“數(shù)字時代”，中國的數(shù)字金融市場不斷擴張。與傳統(tǒng)金融機構(gòu)相比，一方面，數(shù)字金融使用門檻低、信息優(yōu)勢強，對市場的反應(yīng)能力靈敏，可以有效彌補傳統(tǒng)金融機構(gòu)體系龐大、轉(zhuǎn)型緩慢的不足，易于推動金融服務(wù)的普惠性。另一方面，由于依托大數(shù)據(jù)算法等多項前沿技術(shù)，數(shù)字金融可以更為精準的識別客戶需求，并且操作便捷、成本低，從而對傳統(tǒng)金融機構(gòu)形成有效競爭，具有一定的替代作用。同時，對企業(yè)而言，數(shù)字金融帶來的資本擴張能夠提供更多金融便利，降低融資成本，但信貸的過度擴張又可能造成低效率投資與代理問題的加劇，進而造成違約風(fēng)險的不斷增加。

本文邊際貢獻主要有三：第一，從數(shù)字金融視角，從企業(yè)投融資行為與銀行網(wǎng)點布局兩個方面，揭示數(shù)字金融對企業(yè)債務(wù)違約風(fēng)險的影響，拓展了企業(yè)債務(wù)違約影響因素的分析框架；第二，作為一種新興的金融業(yè)態(tài)，數(shù)字金融的發(fā)展能夠更好解決實體企業(yè)的資金需求，提升投資效率，還是加劇金融體系信息不對稱下風(fēng)險積聚的狀況？本文回答了這一問題；第三，通過數(shù)字金融發(fā)展帶來的商業(yè)銀行網(wǎng)點增加（金融可及性）以及商業(yè)銀行同業(yè)競爭增加兩個角度，進一步拓展了銀企關(guān)聯(lián)性的相關(guān)理論。

二、文獻綜述與研究假設(shè)

（一）數(shù)字金融對企業(yè)需求側(cè)影響渠道

數(shù)字金融發(fā)展可以提升企業(yè)的生產(chǎn)效率，在原有研發(fā)創(chuàng)新的資源邊界下實現(xiàn)更高的產(chǎn)出績效（Loebbecke & Picot，2015），并且創(chuàng)新產(chǎn)出效果會吸引外部投資者（Hoenig & Henkel，2015）。宋敏等（2021）發(fā)現(xiàn)金融科技能顯著促進企業(yè)全要素生產(chǎn)率的提高。但鮮有文獻從數(shù)字金融發(fā)展與企業(yè)違約風(fēng)險之間的關(guān)聯(lián)進行分析。而對于債務(wù)違約問題，現(xiàn)有文獻多從企業(yè)管理層過度自信（姜付秀等，2019）、高杠桿率造成的償債能力低下（解文增和王安興，2014）、短期資金運營能力等（鄧路等，2020）分析債務(wù)違約風(fēng)險的影響因素。企業(yè)債務(wù)違約具有傳染效應(yīng)，短期內(nèi)企業(yè)債務(wù)風(fēng)險的集中釋放極有可能演化為系統(tǒng)性債務(wù)危機。因此，合理防控企業(yè)債務(wù)違約風(fēng)險，無論是對企業(yè)長遠發(fā)展，還是對整個國家金融和經(jīng)濟體系的穩(wěn)定，都具有至關(guān)重要的意義（孟慶斌等，2019）。

數(shù)字金融發(fā)展可以通過降低金融機構(gòu)與借款人之間的信息不對稱，緩解借款人的融資約束（李春濤等，2020）。Lin et al.（2013）利用美國Prosper 借貸平臺數(shù)據(jù)，發(fā)現(xiàn)平臺審核信貸時會使用借款人的社會網(wǎng)絡(luò)信息對其資質(zhì)進行評估，以降低債務(wù)違約風(fēng)險。Huang et al.（2018）使用螞蟻金服的小額貸款數(shù)據(jù)研究發(fā)現(xiàn)：金融科技的運用使傳統(tǒng)銀行信貸審批發(fā)放的流程從數(shù)月降低到3 秒，使企業(yè)的融資成本大為降低。數(shù)字金融通過融資約束的緩解，為企業(yè)提供更多的資金支持，同時又能為企業(yè)提供更多新業(yè)態(tài)下的市場空間，例如通過“互聯(lián)網(wǎng)+”改變傳統(tǒng)業(yè)態(tài)下企業(yè)經(jīng)營模式，更好地將金融與實體發(fā)展相結(jié)合，這有利于提高企業(yè)的投資效率，提高短期資金運用能力，從而降低企業(yè)債務(wù)違約風(fēng)險。根據(jù)上述分析，提出假設(shè)H1。

H1：從需求側(cè)看，數(shù)字金融發(fā)展會緩解企業(yè)的融資約束，提高投資效率，從而降低企業(yè)債務(wù)違約風(fēng)險。

（二）數(shù)字金融對銀行網(wǎng)點供給側(cè)影響渠道

數(shù)字金融主要通過對傳統(tǒng)金融普惠特征的互補作用，增強企業(yè)金融可得性，通過傳統(tǒng)金融市場競爭性的提升作用，增強信貸質(zhì)量和外部監(jiān)督作用，進而降低企業(yè)違約風(fēng)險。一方面，金融可得性主要用于衡量企業(yè)獲取金融資源的可得程度，尤指金融設(shè)施的有無和數(shù)量（張偉俊等，2021）。數(shù)字金融發(fā)展縮短了銀行與企業(yè)之間的地理距離，降低了信息搜尋成本，對傳統(tǒng)金融具有互補作用，信息不對稱的減少有利于金融機構(gòu)對企業(yè)信貸資金的有效監(jiān)控，企業(yè)能夠通過金融網(wǎng)點的擴張和銀企距離的縮短，促進信貸資金可獲得性增加，降低企業(yè)融資約束導(dǎo)致的違約風(fēng)險。另一方面，數(shù)字金融通過大數(shù)據(jù)和區(qū)塊鏈技術(shù)的應(yīng)用，降低了銀企之間的信息距離，同時打破了商業(yè)銀行的信息壟斷和區(qū)域壟斷（封思賢等，2019），又會吸引大量的小微企業(yè)和個人借貸客戶，進而降低了傳統(tǒng)銀行的利潤水平（邱兆祥和粟勤，2008）。同時，現(xiàn)存的金融機構(gòu)會加強貸前審查、貸中監(jiān)督和貸后管理，對企業(yè)資質(zhì)嚴格把關(guān)，降低債務(wù)違約風(fēng)險，否則便會在激烈的同業(yè)競爭中失去市場份額，甚至面臨不良貸款導(dǎo)致的利潤虧損、最終被逐出市場。在金融科技的沖擊下，部分銀行網(wǎng)點合并關(guān)停便是市場競爭加劇導(dǎo)致部分網(wǎng)點退出市場的證據(jù)。根據(jù)上述分析，提出假設(shè)H2。

H2：從供給側(cè)看，數(shù)字金融發(fā)展增加了金融可得性和傳統(tǒng)銀行網(wǎng)點競爭程度，從而降低企業(yè)債務(wù)違約風(fēng)險。

綜上所述，本文從需求側(cè)和供給側(cè)兩個方面分析數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的影響，需求側(cè)的影響機制主要是緩解企業(yè)融資約束，提高企業(yè)投資效率，供給側(cè)的影響機制主要是增強金融可得性和傳統(tǒng)銀行的競爭程度。全文的分析框架如圖1所示。

圖1 全文分析框架圖

三、研究設(shè)計

（一）樣本選取和數(shù)據(jù)來源

選取2011—2018年中國A股上市公司為研究樣本，剔除金融行業(yè)、ST、ST 公司和數(shù)據(jù)缺失的樣本，并對連續(xù)變量進行上下1%縮尾處理。通過上市公司所在城市，將上市公司財務(wù)數(shù)據(jù)與數(shù)字金融指數(shù)進行匹配，最終得到“企業(yè)-年度”級樣本15248 個，其中包含2732 家上市企業(yè)連續(xù)8 年的非平衡面板觀測數(shù)據(jù)。研究中所使用的上市企業(yè)財務(wù)數(shù)據(jù)來自Wind 數(shù)據(jù)庫，數(shù)字普惠金融指數(shù)來自北京大學(xué)數(shù)字金融研究中心，最短銀企距離和銀行密度的數(shù)據(jù)通過網(wǎng)絡(luò)爬蟲技術(shù)獲取企業(yè)與銀行網(wǎng)點的經(jīng)緯度，構(gòu)造企業(yè)層面銀行網(wǎng)點擴張指標獲得。

（二）變量定義與度量

1.被解釋變量

（1）企業(yè)債務(wù)違約風(fēng)險

參照孟慶斌等（2019）的分析方法，計算企業(yè)簡化違約概率方程如下：

其中，σ表示債務(wù)波動率水平，而σ表示企業(yè)股權(quán)波動率水平。并通過企業(yè)債務(wù)市值（V）和股權(quán)市值（V）占比進行加權(quán)運算，計算出市值加權(quán)企業(yè)風(fēng)險水平為：

進一步通過Merton DD（1987）模型，計算得出簡化違約距離為：

其中，T取1年，r為無風(fēng)險利率，取一年期國債利率通過標準累計正態(tài)分布函數(shù)轉(zhuǎn)化為企業(yè)違約概率edf，違約概率落在0-1 之間，概率越大，企業(yè)違約風(fēng)險越高。違約風(fēng)險計算公式為：

（2）企業(yè)實質(zhì)違約指標

參照孫錚等（2006）研究，企業(yè)是否發(fā)生實質(zhì)違約取決于企業(yè)上年度短期借款與企業(yè)當期償還額度的差額是否大于零，如若借款額度大于償還額度，則說明企業(yè)并未按期償還借款，此時界定為企業(yè)發(fā)生實質(zhì)違約（violate=1），否則企業(yè)未發(fā)生實質(zhì)違約（violate=0）。

2.解釋變量

核心解釋變量是北京大學(xué)數(shù)字普惠金融指數(shù)，包括數(shù)字普惠金融總指數(shù)（dig1）、數(shù)字金融覆蓋廣度指數(shù)（dig2）、數(shù)字金融使用深度指數(shù)（dig3）。對上述變量取對數(shù)后作為解釋變量lndig1-lndig3。

3.控制變量

控制變量主要包括：企業(yè)規(guī)模size，對總資產(chǎn)取對數(shù)獲得；企業(yè)年末貨幣資金對數(shù)值Lncash；企業(yè)資產(chǎn)負債率lev，等于企業(yè)年末總負債/總資產(chǎn)；企業(yè)的托賓Q 值tobinq，等于（股票市值+凈債務(wù)）/有形資產(chǎn)現(xiàn)值；企業(yè)年末固定資產(chǎn)占總資產(chǎn)比例fxpro；董事會規(guī)模boardsize，用董事會人數(shù)對數(shù)值表示；企業(yè)董事長與總經(jīng)理是否二職合一虛擬變量dual，若是則為1，否則為0；企業(yè)是否為國企虛擬變量soe，若是則為1，否則為0。

（三）模型設(shè)計

主回歸中，構(gòu)建面板數(shù)據(jù)固定效應(yīng)模型（5），其中CV 為控制變量，industry 為行業(yè)固定效應(yīng)，year為年度固定效應(yīng)，ε為隨機誤差項。

為進一步驗證數(shù)字金融發(fā)展對企業(yè)實質(zhì)違約的影響，構(gòu)建了模型（6），采用Logit 回歸重點關(guān)注數(shù)字金融發(fā)展指數(shù)的系數(shù)。

四、實證結(jié)果與分析

（一）描述性統(tǒng)計

表1的描述性統(tǒng)計顯示，企業(yè)債務(wù)違約風(fēng)險的平均值是6.5%，標準差是0.169。數(shù)字普惠金融總指數(shù)對數(shù)值介于2.846 和5.937 之間，數(shù)字金融覆蓋廣度對數(shù)值介于1.085 和5.872 之間，數(shù)字金融使用深度指數(shù)對數(shù)值介于2.049 和5.995 之間，說明地區(qū)之間的數(shù)字金融發(fā)展程度具有顯著的差異。企業(yè)特征變量的均值和方差與既有文獻一致。

表1 描述性統(tǒng)計

變量名稱edfm violate lndig1 lndig2 lndig3 size lncash lev tobinq fxpro boardsize dual soe變量個數(shù)15248 14851 15248 15248 15248 15248 15248 15248 15248 15248 15248 15248 15248最小值0.000 0.000 2.846 1.085 2.049 16.520 11.289 0.019 0.153 0.000 0.000 0.000 0.000最大值1.000 1.000 5.937 5.872 5.995 28.520 26.494 0.884 118.255 0.971 1.372 1.000 1.000平均值0.065 0.093 5.282 5.167 5.301 22.390 20.295 0.494 2.042 0.231 1.181 0.226 0.440標準差0.169 0.290 0.551 0.629 0.518 1.301 1.436 0.603 2.282 0.174 0.057 0.418 0.496

（二）基準回歸結(jié)果

表2 匯報了數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險影響的基準回歸結(jié)果。lndig1、lndig2 和lndig3的系數(shù)分別為-0.022、-0.010和-0.019，均在5%及以上水平顯著。以lndig1 為例，數(shù)字普惠金融總指數(shù)每上升10%，企業(yè)債務(wù)違約風(fēng)險的概率會下降0.22%。上述結(jié)果驗證了數(shù)字金融發(fā)展降低了企業(yè)債務(wù)違約風(fēng)險，并且數(shù)字金融覆蓋廣度和數(shù)字金融使用深度對違約風(fēng)險影響相同。

表2 數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的影響

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。

變量lndig1 lndig2 lndig3控制變量_cons N年份/行業(yè)R2值（1）edfm-0.022***（-2.754）（2）edfm （3）edfm-0.010**（-2.035）是是-0.479***（-8.719）15248是0.157-0.526***（-10.736）15248是0.157-0.019***（-2.773）是-0.491***（-9.409）15248是0.157

（三）穩(wěn)健性檢驗①限于篇幅，結(jié)果留存?zhèn)渌鳌?/h3>

1.更換被解釋變量

將被解釋變量替換為企業(yè)是否發(fā)生實質(zhì)違約虛擬變量，并通過Logit模型進行回歸分析，結(jié)果顯示：lndig1、lndig2和lndig3的系數(shù)均在1%的水平上顯著為負，與基準回歸的結(jié)論一致，即數(shù)字金融發(fā)展降低了企業(yè)實質(zhì)違約的概率。上述分析說明，數(shù)字金融發(fā)展不僅能夠降低企業(yè)違約風(fēng)險，還能顯著降低實質(zhì)違約發(fā)生的可能性。

2.剔除2015年金融沖擊

在本文的研究時間窗口內(nèi)，包含2015 年國內(nèi)“股災(zāi)”的金融沖擊事件。鑒于此，在穩(wěn)健性檢驗中剔除2015 年的數(shù)據(jù)，盡可能排除“股災(zāi)”事件對企業(yè)違約風(fēng)險的影響。結(jié)果顯示數(shù)字普惠金融總指數(shù)lndig1 和數(shù)字金融覆蓋廣度指數(shù)lndig2 顯著降低了企業(yè)債務(wù)違約風(fēng)險和實質(zhì)違約概率，基準回歸結(jié)果并未發(fā)生改變。

3.內(nèi)生性處理

為盡可能避免反向因果和遺漏變量導(dǎo)致的內(nèi)生性問題，采用工具變量兩階段最小二乘法進行內(nèi)生性檢驗。參考林愛杰等（2021），使用省級移動電話交換機容量對數(shù)值（lnexc）和互聯(lián)網(wǎng)用戶數(shù)對數(shù)值（lnnet）作為數(shù)字金融各指數(shù)的工具變量，二者在技術(shù)發(fā)展水平上存在一定的獨立性。同時，省級移動電話交換機容量和互聯(lián)網(wǎng)用戶數(shù)反映了一個地區(qū)網(wǎng)絡(luò)移動硬件設(shè)施環(huán)境和用戶活躍程度，與數(shù)字金融發(fā)展水平呈正相關(guān)關(guān)系；同時對微觀企業(yè)借貸決策沒有影響，故與企業(yè)杠桿率不相關(guān)，工具變量滿足相關(guān)性和排他性條件。結(jié)果顯示工具變量通過了弱工具變量檢驗和過度識別檢驗，LM 檢驗系數(shù)顯著，Sargan 檢驗系數(shù)不顯著。同時，回歸結(jié)果與前文保持一致，說明基準回歸結(jié)果穩(wěn)健。

（四）異質(zhì)性分析

1.市場化程度調(diào)節(jié)效應(yīng)分析

為考察地區(qū)市場化程度差異對數(shù)字金融發(fā)展與企業(yè)債務(wù)違約風(fēng)險之間關(guān)系的影響，構(gòu)建了模型（7）。

重點關(guān)注數(shù)字金融發(fā)展指數(shù)與市場化指數(shù)的交互項lndig×mktscore 的系數(shù)δ。市場化指數(shù)mktscore 越大，企業(yè)的市場化程度越高。表3 第（1）（2）列的回歸結(jié)果顯示，數(shù)字金融發(fā)展指數(shù)lndig1 和lndig2 與市場化指數(shù)的交互項分別在5%和10%的水平下顯著為負，說明數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的降低作用在市場化程度較高的企業(yè)中更為明顯。

2.政策不確定性的調(diào)節(jié)效應(yīng)分析

為考察政策不確定性對數(shù)字金融發(fā)展與企業(yè)債務(wù)違約風(fēng)險之間關(guān)系的差異化影響，構(gòu)建了模型（8）。

重點關(guān)注數(shù)字金融發(fā)展指數(shù)與政策不確定性指數(shù)的交互項lndig×epu 的系數(shù)γ。政策不確定性指數(shù)epu 越大，地區(qū)政策不確定性程度越高。表3列（3）和列（4）的回歸結(jié)果顯示，數(shù)字金融發(fā)展指數(shù)lndig1 和lndig2 與政策不確定性指數(shù)的交互項均在10%的水平下顯著為負，說明數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的降低作用在政策不確定性較高年度中對企業(yè)的影響更為明顯。數(shù)字金融發(fā)展有利于降低企業(yè)與金融機構(gòu)之間的信息不對稱，尤其是在政策不確定性較高年度，這有利于債權(quán)人合理評估企業(yè)償債能力，從而降低企業(yè)債務(wù)違約風(fēng)險。

表3 異質(zhì)性分析

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。

變量lndig1 mktscore lndig1×mktscore lndig2 lndig2×mktscore epu lndig1×epu lndig2×epu控制變量_cons N年份/行業(yè)R2值（1）edfm-0.013（-1.018）0.019**（2.037）-0.004**（-2.103）（2）edfm （3）edfm 0.010（0.519）（4）edfm 0.012（1.625）0.001（0.105）-0.002*（-1.797）0.015（0.979）0.075*（1.826）是0.100**（1.973）-0.016*（-1.827）是是-0.574***（-7.788）10563是0.166-0.609***（-9.567）10563是0.166-0.670***（-6.102）15248是0.158-0.013*（-1.821）是-0.664***（-7.478）15248是0.157

（五）機制檢驗

本部分將從企業(yè)融資約束和投資效率視角進一步探討，以揭示數(shù)字金融發(fā)展影響企業(yè)債務(wù)違約風(fēng)險的內(nèi)在作用機制。

1.融資約束渠道

數(shù)字金融發(fā)展能夠有效緩解企業(yè)的融資約束，通過“數(shù)字金融發(fā)展——企業(yè)融資約束——企業(yè)債務(wù)違約風(fēng)險”這一路徑影響企業(yè)債務(wù)違約風(fēng)險。為驗證假設(shè)H1，本文使用KZ指數(shù)作為長期融資約束的衡量指標，KZ 指數(shù)越大則企業(yè)長期融資約束越大，同時，cr表示企業(yè)流動比率，反映企業(yè)短期融資約束?；貧w結(jié)果如表4所示。

表4 長短期融資約束影響機制檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。

變量lndig1 kz cr控制變量_cons N年份/行業(yè)R2值（1）kz-0.693***（-7.176）（2）edfm-0.019**（-2.397）0.012***（14.063）（3）cr 0.182**（2.483）（4）edfm-0.027***（-3.352）是是是4.671***（7.788）15247是0.183-0.333***（-6.204）15247是0.184 6.790***（11.866）15248是0.192-0.004***（-4.147）是-0.251***（-4.671）15248是0.169

由列（1）和列（2）可知，數(shù)字金融發(fā)展可以顯著降低企業(yè)的融資約束，并在1%水平下顯著；而較弱的融資約束對企業(yè)債務(wù)違約風(fēng)險具有顯著的降低作用。由列（3）和列（4）可知，數(shù)字金融發(fā)展可以顯著提升企業(yè)流動比率，而短期資金運營能力的提升可以顯著降低企業(yè)的債務(wù)違約風(fēng)險。因此，企業(yè)融資約束是數(shù)字金融發(fā)展影響企業(yè)債務(wù)違約風(fēng)險的部分中介因子。此外，企業(yè)融資約束還是影響企業(yè)創(chuàng)新和區(qū)域創(chuàng)新水平的重要渠道（聶秀華等，2021）。上述分析證明了假設(shè)H1 成立，即數(shù)字金融發(fā)展會通過融資約束的緩解，降低企業(yè)違約風(fēng)險。

2.投資效率渠道

借鑒王娟和朱衛(wèi)未（2020），采用模型（9）估計企業(yè)的最佳投資規(guī)模，然后用實際投資水平相減，殘差的絕對值abovr 表示企業(yè)的非效率投資水平。其值越大，企業(yè)的投資效率越低。若殘差為正，說明企業(yè)投資過度，若殘差為負，說明企業(yè)投資不足。invest為i 公司在t 期的投資水平，growth為i公司在t-1期的營業(yè)收入增長率，cash為其現(xiàn)金資產(chǎn)，age為存續(xù)年限，size為資產(chǎn)規(guī)模，return為股票年回報率，year為年度虛擬變量，industry為行業(yè)虛擬變量。

表5列（1）的結(jié)果顯示，lndig1顯著降低了企業(yè)的非效率投資水平，提升了投資效率；列（2）說明企業(yè)的非效率投資會顯著增加企業(yè)的債務(wù)違約風(fēng)險，因此企業(yè)投資效率是數(shù)字金融發(fā)展影響企業(yè)債務(wù)違約風(fēng)險的部分中介因子。列（3）（4）將 lndig1 替換為 lndig2 后，結(jié)果保持不變。上述分析說明，數(shù)字金融發(fā)展提升了企業(yè)的投資效率，進而降低了企業(yè)債務(wù)違約風(fēng)險，假設(shè)H1進一步得以驗證。

表5 企業(yè)投資效率中介機制檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。

變量lndig1 lndig2 abovr控制變量_cons N年份/行業(yè)R2值（1）abovr-0.011***（-3.828）（2）edfm-0.013（-1.638）（3）abovr （4）edfm 0.138***（5.632）是-0.240***（-4.290）14570是0.200是是-0.006***（-3.341）0.117***（5.921）14570是0.060 0.097***（5.364）14570是0.060-0.006（-1.156）0.138***（5.649）是-0.268***（-5.364）14570是0.200

（六）進一步分析——銀企關(guān)聯(lián)視角

數(shù)字金融的發(fā)展，不但會對企業(yè)自身投融資行為產(chǎn)生影響，進而影響違約風(fēng)險，同時又會對區(qū)域金融布局和銀行競爭狀況產(chǎn)生影響，間接影響企業(yè)投融資行為。為驗證假設(shè)H2，參照張偉俊等（2021）分析方法，本文將數(shù)字金融供給側(cè)影響分為兩種效應(yīng)，即金融可得性影響和銀行網(wǎng)點競爭性影響，同時為排除由于不同區(qū)域經(jīng)濟發(fā)展水平差異產(chǎn)生的影響差異，加入樣本所在城市固定效應(yīng)。

1.金融可得性影響途徑

現(xiàn)有理論認為，數(shù)字金融發(fā)展能夠作為傳統(tǒng)銀行的補充手段，通過大數(shù)據(jù)技術(shù)的應(yīng)用，降低傳統(tǒng)金融信息搜集成本和運營成本，設(shè)立更多中小銀行和村鎮(zhèn)銀行網(wǎng)點，為企業(yè)提供更多的信貸資金支持，并更為充分地發(fā)揮外部監(jiān)督機制，但與此同時，數(shù)字技術(shù)的應(yīng)用又可能造成傳統(tǒng)金融機構(gòu)網(wǎng)點撤并。銀企距離通過網(wǎng)絡(luò)爬蟲結(jié)合高德地圖將企業(yè)和銀行網(wǎng)點的經(jīng)緯度按照“省、市”匹配，在企業(yè)與城市范圍內(nèi)所有銀行網(wǎng)點的地理距離中取最短獲得。為對兩類不同銀行網(wǎng)點進行分類，分別計算出企業(yè)距離所在城市國有六大銀行銀企平均距離（lnmeandist1）和城商行銀企平均距離（lnmeandist2）?；貧w結(jié)果如表6所示。

表6 銀企距離中介機制檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。

變量lndig1 lnmeandist1（1）lnmeandist1-0.076***（-2.706）（2）edfm-0.028***（-3.387）0.003（1.141）（3）lnmeandist2-0.242***（-7.795）（4）edfm-0.026***（-3.170）lnmeandist2控制變量_cons N年份/行業(yè)城市R2值是是是3.341***（17.671）15248-0.286***（-5.200）15248 4.332***（23.020）15248 0.008***（3.118）是-0.311***（-5.604）15248是 是是 是是 是是 是0.120 0.168 0.092 0.169

由表6 列（1）和列（3）可知，數(shù)字金融發(fā)展顯著縮短了兩類銀企距離，對于城商行的銀企距離縮短效應(yīng)更為明顯；其次，從列（4）看出數(shù)字金融發(fā)展能夠通過城商行銀企距離的縮短，降低企業(yè)債務(wù)違約風(fēng)險，而列（2）國有六大銀行銀企距離影響的中介途徑并不顯著。一方面，金融科技的推廣應(yīng)用對傳統(tǒng)銀行網(wǎng)點造成一定的沖擊，另一方面又會促進中小銀行網(wǎng)點的設(shè)立，為企業(yè)提供更多信貸資金支持，同時充分發(fā)揮信息優(yōu)勢，降低代理問題導(dǎo)致的違約風(fēng)險提升問題。這一結(jié)果進一步驗證了“數(shù)字金融發(fā)展——金融可得性——企業(yè)債務(wù)違約風(fēng)險”這一影響路徑的存在，假設(shè)H2 得證。這和許和連等（2020）的結(jié)論一致，即數(shù)字金融帶來的銀企距離縮短使企業(yè)的金融可得性增加，同時驗證了數(shù)字普惠特性能夠通過上述渠道，降低企業(yè)債務(wù)違約風(fēng)險，此種效應(yīng)更多體現(xiàn)在城商行設(shè)立的影響之上。

2.銀行網(wǎng)點競爭影響途徑

數(shù)字金融通過供給側(cè)影響的另一渠道，便是數(shù)字金融對傳統(tǒng)銀行競爭格局的影響。數(shù)字金融的發(fā)展會帶來網(wǎng)點擴張效應(yīng)，促進更多中小銀行打破地域分隔和信息不透明等問題造成的進入壁壘，成立新的網(wǎng)點。銀行競爭性的提升，一方面對傳統(tǒng)銀行信貸業(yè)務(wù)造成沖擊，另一方面又會促進銀行機構(gòu)通過差異化戰(zhàn)略提升存量信貸質(zhì)量，降低由于關(guān)系信貸造成的違約風(fēng)險問題。本文參照姜付秀等（2019）的分析方法，運用城市中各銀行網(wǎng)點數(shù)目計算得出銀行競爭度HHI 指數(shù)，對供給側(cè)第二條影響路徑進行驗證。同時，考慮到不同城市發(fā)展水平存在的差異，可能會對銀行競爭度指標和數(shù)字金融發(fā)展水平同時產(chǎn)生影響，本文引入樣本所在城市人均GDP 對數(shù)值（lnpgdp）和東部地區(qū)虛擬變量（resign=1），同時，進一步控制城市固定效應(yīng)，分析銀行業(yè)競爭途徑的影響?；貧w結(jié)果如表7 所示。

表7 銀行網(wǎng)點競爭影響途徑檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。列（1）—列（3）為中介效應(yīng)第二階段檢驗，同時列（2）、列（3）中加入了調(diào)節(jié)變量，列（4）為中介效應(yīng)第三階段檢驗。

（1）bankhhi-0.027***（-10.359）（2）bankhhi-0.025***（-9.210）（3）bankhhi-0.058***（-4.852）（4）edfm-0.029***（-3.053）0.144***（3.874）0.007**（1.975）-573.921（-0.000）0.002**（2.294）變量lndig1 bankhhi resign lndig1×resign lnpgdp lndig1×lnpgdp N控制變量年份/行業(yè)城市R2值15238 0.967-0.014（-1.236）0.004**（2.405）15014 15238 15021是是是是是是是是是是是是0.967 0.963 0.171

表7列（1）中，數(shù)字金融發(fā)展水平的提升，會顯著降低銀行集中度HHI 指數(shù)，即造成銀行體系競爭程度提升；列（2）（3）中，通過異質(zhì)性分析能夠看出，對于東部地區(qū)以及人均GDP 較高的樣本地區(qū)，數(shù)字金融對銀行集中度影響水平相對較弱，但同樣具有銀行競爭度提升作用；列（4）中介效應(yīng)第三階段分析能夠看出，數(shù)字金融能夠通過競爭機制的引入，降低企業(yè)違約風(fēng)險。上述分析證明了假設(shè)H2 成立，即數(shù)字金融發(fā)展會通過加強銀行競爭程度，進而降低企業(yè)違約風(fēng)險，同時排除地區(qū)經(jīng)濟發(fā)展水平等影響后仍然成立。

3.進一步引入銀行種類指標

銀行網(wǎng)點增加可以區(qū)分為同一家銀行的區(qū)域網(wǎng)點擴張以及新銀行網(wǎng)點設(shè)立兩種情況，前者更多體現(xiàn)出網(wǎng)點擴張的金融普惠性特征，而后者更多體現(xiàn)出不同種類銀行的競爭性特征。進一步地，為區(qū)分金融可得性與銀行競爭性對企業(yè)債務(wù)違約風(fēng)險影響的差異，借鑒張偉俊等（2021）的分析方法，進一步引入距離企業(yè)5km和10km半徑范圍內(nèi)的銀行種類對數(shù)值（lnbk5與lnbk10），同時根據(jù)20km區(qū)域內(nèi)銀行網(wǎng)點與種類是否同時增加作為分組依據(jù)，分為“銀行網(wǎng)點增加但種類未增加”組和“銀行網(wǎng)點種類同時增加及其他樣本”組，進行分組回歸分析，結(jié)果如表8所示。

表8 銀行種類擴張影響的進一步區(qū)分

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內(nèi)為t值。

變量lndig1 lnbk5 lndig1×lnbk5 lnbk10 lndig1×lnbk10_cons N控制變量年份/行業(yè)城市R2值（1）edfm-0.007（-0.649）0.043**（2.336）-0.008**（-2.498）（2）edfm-0.002（-0.205）（3）edfm-0.010（-0.389）（4）edfm-0.029***（-3.443）-0.386***（-5.977）15238 0.048***（2.604）-0.009***（-2.744）-0.410***（-6.094）15238-0.182（-1.092）2318-0.298***（-5.204）12930是是是是是是是是是是是是0.169 0.169 0.216 0.164

表8 列（1）和列（2）中，5km 和10km 內(nèi)銀行種類增加時，會顯著增強數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的降低作用；列（3）網(wǎng)點增加但種類未增加的樣本中，數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險降低作用并不明顯，列（4）網(wǎng)點增加種類也增加的樣本中，數(shù)字金融發(fā)展水平提高，才會顯著降低企業(yè)債務(wù)違約風(fēng)險。上述分析進一步證明，數(shù)字金融通過銀行競爭度的提升，能夠促使更多商業(yè)銀行新設(shè)網(wǎng)點，進而通過信貸質(zhì)量的提升，降低區(qū)域內(nèi)企業(yè)的債務(wù)違約風(fēng)險。

五、結(jié)論與對策建議

本文使用2011—2018年中國A股上市公司數(shù)據(jù)，運用面板數(shù)據(jù)固定效應(yīng)模型實證研究了數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的影響，得到以下結(jié)論：第一，從需求側(cè)看，數(shù)字金融發(fā)展顯著降低了上市企業(yè)的債務(wù)違約風(fēng)險，其作用機制主要是緩解企業(yè)融資約束、提高投資效率；第二，從供給側(cè)看，數(shù)字金融會影響傳統(tǒng)銀行發(fā)展，具體表現(xiàn)為縮短了銀行與企業(yè)之間的地理距離、增加了金融可得性和銀行網(wǎng)點競爭程度，從而能夠降低企業(yè)的債務(wù)違約風(fēng)險；第三，若樣本所在城市中銀行種類增加，數(shù)字金融發(fā)展對企業(yè)債務(wù)違約風(fēng)險的降低作用更為顯著。

基于以上研究結(jié)論，提出三點對策建議：首先，應(yīng)進一步推動數(shù)字金融發(fā)展，充分利用大數(shù)據(jù)帶來的信息優(yōu)勢，有效降低企業(yè)的融資成本，緩解融資約束并提高投資效率，進而降低違約風(fēng)險；其次，應(yīng)促進數(shù)字金融與傳統(tǒng)金融的更好融合，充分發(fā)揮數(shù)字金融對傳統(tǒng)金融錯配特征與信息不對稱問題的緩解作用，通過金融普惠性同時縮短地理距離與信息距離；最后，通過數(shù)字金融的發(fā)展，提升傳統(tǒng)銀行市場競爭程度，增加信貸質(zhì)量，進而通過網(wǎng)點的合理布局降低企業(yè)債務(wù)違約風(fēng)險。