数字金融如何赋能企业数字化转型——基于融资约束机制与地区差异的证据

How Does Digital Finance Empower the Digital Transformation of Enterprises—Evidence Based on Financing Constraint Mechanisms and Regional Differences

摘要: 数字金融的发展对企业数字化转型带来了新的机遇与挑战。然而，数字金融能否促进企业数字化转型仍需要进一步的检验。本文以2011~2021年沪深A股非金融类上市公司为样本，在定量测度企业数字化转型的基础上，构建实证模型，分析数字金融对企业数字化转型的影响，并通过异质性分析与建立中介效应模型，进一步探究两者之间的关系。研究表明：数字金融发展能够促进企业数字化转型；数字金融对西部地区企业数字化转型的作用略微大于中东部地区，企业可以通过缓解融资约束促进企业数字化转型。在此基础上提出企业应该积极适应数字化发展趋势，重视数字技术的发展，推动硬件设备与软件服务统一实施，加速企业数字化转型；在防范系统性金融风险的前提下，需要更多对数字金融政策支持，健全数字金融征信体系。

Abstract: The development of digital finance has brought new opportunities and challenges to the digital transformation of enterprises. However, whether digital finance can promote the digital transformation of enterprises still needs further verification. This paper takes non-financial listed companies on the Shanghai and Shenzhen A-share markets from 2011 to 2021 as samples. Based on the quantitative measurement of enterprise digital transformation, an empirical model is constructed to analyze the impact of digital finance on enterprise digital transformation. Through heterogeneity analysis and the establishment of a mediating effect model, the relationship between the two is further explored. Research shows that the development of digital finance can promote the digital transformation of enterprises. The role of digital finance in the digital transformation of enterprises in the western region is slightly greater than that in the central and eastern regions. Enterprises can promote their digital transformation by alleviating financing constraints. On this basis, it is proposed that enterprises should actively adapt to the trend of digital development, attach importance to the development of digital technology, promote the unified implementation of hardware equipment and software services, and accelerate the digital transformation of enterprises. Under the premise of preventing systemic financial risks, more policy support for digital finance is needed and a sound credit reporting system for digital finance should be improved.

1. 引言

近年来，在大数据、人工智能、区块链等新兴数字技术飞速发展，数字经济增长与实体经济加速融合的背景下，企业数字化转型的问题也逐渐得到了许多学者、政策制定者和行业专家的关注，成为研究的热点和发展趋势[1]。在数字金融背景下，企业通过引入利用人工智能、区块链等新兴数字技术，改变了传统生产运营方式，从而实现企业管理模式和组织架构的升级。企业运用数字技术所需要投入的成本与企业绩效之间的错综复杂的关系，使得企业面对数字化转型时踌躇不前。部分企业面临数字化转型时，往往遭遇一系列数字化转型问题，没有数字化转型经验出现的“不会转型”、没有数字化转型所需成本出现的“不愿转型”、数字化转型过程中常常遭遇绩效变化出现的“不敢转型”，甚至部分企业由于数字化转型问题陷入两难境地[2]。

另一方面，数字技术对于内部管理、生产等过程的改善至关重要，在加强公司的生产效率和质量的同时，提高了客户体验和企业的可持续性。数字金融可以一定程度上减少金融市场中存在的信息不对称和资源错配行为[3]。为企业在数字化转型面对的高成本、高风险问题提供有效的解决方案。与此同时，政府不断出台相关法规政策支持企业数字化转型，例如2020年国家发展改革委发布的“数字化转型伙伴行动”倡议、十七部门联合印发的《关于健全支持中小企业发展制度的若干意见》[4]都着重提出企业数字化转型的必要性，我国“十四五”规划中，“数字化转型”一词也被多次强调，规划明确提出要推动我国经济高质量发展，加快数字化发展，实现数字经济和实体产业融合[5]。公共卫生事件发生以来，许多线下行业发展受到影响，数字经济却仍具有活力与创新力，企业的数字化转型也已经成为我国目前经济社会发展进程中的一大特征。

从最开始初现雏形的银行，到后来的互联网金融以及数字金融，一致反映出金融和信息科技的结合，2012年“互联网金融”便在“金融四十人年会上”被首次提出；2014年互联网金融被首次写入《政府工作报告》，互联网金融产品也逐渐走进大众视野，余额宝作为互联网金融的代表之一，在其创新理念的影响下，改变了人们对于传统投融资方式的看法；2015年P2P行业的教训使得监管部门对于数字金融的监管逐渐转向规范严格，数字金融开始进入规范发展时期；近年来，国务院出台相关政策文件，进一步规范消费信贷发展，二十大报告提出加快实施创新驱动发展战略，全面推进数字中国建设。

本文通过对数字金融和企业数字化转型进行统一分析，考虑企业转型中内部以及外部影响因素，在定量测度企业数字化转型的基础上，构建实证模型，分析数字金融对企业数字化转型的影响，同时以融资约束作为中介变量，建立中介效应模型进一步探究两者关系，为推进企业数字化转型提供有益借鉴。

2. 国内外文献综述

2.1. 数字金融内涵与测度

黄益平、黄卓(2018)提出数字金融泛指金融机构或互联网公司利用数字技术实现各种金融服务模式，包括融资、移动支付、投资等[6]。余额宝作为互联网金融的代表之一，在2013年诞生，由此现有研究通常将2013年当作数字金融元年，随着互联网科技的快速发展，数字金融成为了金融领域的重要分支。在众多国家中，中国的数字金融已然成为世界研究数字金融的中坚力量。特别是在第三方支付领域，中国相较于其他国家遥遥领先中国数字金融在国际市场上具有着较高的知名度和影响力。这得益于互联网科技公司如阿里巴巴、腾讯、京东等对于数字金融的研究和应用不断推进。这些互联网科技公司各自拥有巨大的用户数量和流量，所提供的充足数据支持为官方研究数字金融提供了可靠的数据基础。黄浩(2018)运用案例事件，结合数字金融发展过程，总结归纳出数字金融逐渐融入传统金融体系，而金融的实质内涵并没有被改变[7]。

近年来的研究成果显示，数字金融已经成为推动经济发展和金融创新的重要力量，黄益平(2021)在其最新研究中指出，数字技术能够赋能于经济和金融传统业态模式，通过重塑经济金融体系影响货币政策调控机理，从而产生深远的影响[8]。Leonardo Becchetti (2016)提出，数字金融的发展，拓宽了信贷客户信息搜寻渠道，进一步提高企业信贷支持的可能性，为企业投资提供资金支持，加深资金需求与供给双方对于信贷市场的认识，也提供了更多的潜在客户，推动着数字金融市场的发展[9]。

2.2. 数字金融的促进作用

国内外专家学者及组织机构的研究都表明，数字金融的发展在降低信息不对称性，加快信息化发展，增加企业获得信贷支持等方面具有优势地位。Chunxia Jiang (2013)的研究理论表明，数字金融大大降低了信息的不对称性，同时，与传统金融服务相比，数字金融的普惠性，包容性也更为突出[10]；Shahrokhi M (2008)认为由于法律法规，缺乏国家政策统一标准等问题，金融服务业发展缓慢，但数字金融的优点显而易见，从降低交易成本、扩大金融服务范围，到增加信息搜索范围，提高财务信息质量等，这些优点都需要企业接纳并运用新技术，调整传统的金融服务，参与企业数字化转型[11]。谢平和邹传伟(2012)指出数字金融模式大大降低交易成本，提高资源配置，减少信息不对称性的优点[12]，对于企业发展既是机遇也是挑战；曹凤岐(2015)在论文中提出，中国长期以来的金融抑制现象被数字金融的出现和发展所打破，在中国金融市场的发展路径上，数字金融为人们带来更加普惠的金融形式，这将进一步推动中国金融市场的改革与创新[13]。

在数字金融的背景下，数字金融也推动了企业的数字化转型。肖宇和李诗林(2020)研究了数字金融背景下，商业银行数字化带来的优势，他们认为数字化转型减少了公共卫生事件时期线下接触的风险，有利于业务的办理，也对数字化转型有一定的深化作用[14]；刘畅和花俊国(2022)对于数字金融对企业数字化转型的影响的研究表明，数字金融发展对企业数字化转型有着正向推动作用，且数字金融通过缓解金融错配，提高企业创新能力等方面来促进企业数字化转型[15]。

2.3. 数字化转型的影响因素

关于企业数字化转型的现有研究大都从地区或产业层面对其影响因素进行分析，在企业层面，将影响数字化转型的因素分为外部因素与内部因素[16]。

在外部因素方面，包括政治、行业差异以及产业环境等因素都会影响企业数字化转型，吴江(2021)提出技术创新对企业数字化转型起到关键性影响，数字技术的发展与企业融合进一步表现出技术创新这一要素的重要性[17]。政府部门的政策因素，包括企业数字化技术平台、协作体系等，为中小企业提供了数字化转型的经验。对于行业差异因素，陈力田和许庆瑞(2016)将不同技术水平下的制造企业创新能力进行对比，提出创新性能力强的企业更倾向于推动企业数字化转型[18]。

在内部因素方面，转型的目的以及转型条件是影响企业数字化转型的主要内部因素。企业实施数字化转型仍是为了创造价值。张夏恒(2020)的研究揭示出，中小企业数字化转型的首要因素是满足市场需求，此外，降低企业成本，提高生产效率是另外两个重要的驱动因素[19]。Lam和Law (2019)的研究表明，相较于日益复杂的外部环境变化，经营者对于数字技术的创新应用，对企业战略的制定实施，是企业成功进行数字化转型的重要因素[20]。

3. 研究设计

3.1. 变量定义

(1) 被解释变量：企业数字化转型(DIGT)。本文参考王宏鸣等(2022)的研究方法[21]：将企业数字化转型分为底层技术与实践应用两个维度，底层技术包含人工智能、区块链、云计算、大数据四个类别，实践运用包含数字技术应用一个类别。在此基础上，对企业年报中与数字化转型相关的关键词词频进行统计，本文对其采取了对数化处理。

(2) 核心解释变量：数字金融(DIF)。参照多数研究采用的方法，本文选取北京大学数字金融研究中心编制的数字普惠金融指数来衡量数字金融发展水平，该指标包含省级、地市级。本文的主体回归采用省级层面指数。

(3) 控制变量：在参照有关研究采用的方法的基础上，本文选取以下控制变量，企业营业收入(Sale)，以企业总收入的对数数值衡量；资本密集度(SD)，以营业收入与企业总资产之比衡量；总资产收益率(Roa)，净利润与总资产比例，净资产收益率(Roe)，净利润与净资产的比率，财务杠杆(Lev)总负债与总资产之比；人均国内生产总值(GDP)，对人均GDP采用对数化处理。

3.2. 模型设立

本文建立如下面板固定效应模型，以此探究数字金融对企业数字化转型的影响：

$DIG{T}_{it}={\alpha }_0+{\alpha }_{1}DI{F}_{it}+{\alpha }_2{M}_{it}+{\alpha }_3{X}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$ (1)

其中，i表示企业，t表示时间，DIGT_it为企业数字化转型程度(被解释变量)，DIF_it为数字金融(解释变量)，X_it为一系列控制变量，μ_i表示企业效应，λ_t表示年份效应，ε_it为随机误差项。

为进一步检验数字金融对企业数字化转型的影响，本文构建如下的中介效应模型：

$M_{it}={\beta }_0+{\beta }_{1}DI{F}_{it}+{\beta }_2{X}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$ (2)

$DIG{T}_{it}={\gamma }_0+{\gamma }_{1}DI{F}_{it}+{\gamma }_2{M}_{it}+{\gamma }_3{X}_{it}+{\mu }_i+{\lambda }_t+{\epsilon }_{it}$ (3)

其中，除M_it为考虑时间与企业的中介变量外，其他变量的定义与(1)中相同。对于中介变量的选取，本文选取变量为融资约束，参考Hadlock (2010)衡量企业的融资约束SA计算公式为[22]

$SA=(-0.737)\times Size+0.043\times Siz{e}^2-0.04\times Age$

3.3. 样本选择与数据来源

本文选取2011~2021年沪深A股上市企业年度面板数据进行研究设计，以便在理论分析的基础上进行实证分析。在此过程中，本文选取了恰当且合理的解释及控制变量，以建立与之匹配的实证分析模型。在进行实证分析前对数据采取预处理：第一，剔除企业中的房地产、金融类企业；第二，剔除ST、ST*企业；第三，剔除数据缺失或数据明显异常的企业[22]，总计23,566个数据。数据来源于国泰安(CSMAR)、Wind数据库以及北京大学数字金融研究中心编制的数字普惠金指数。表1是对本文主要变量的指标评价体系。

Table 1. Evaluation system of main variable indicators

表1. 主要变量指标评价体系

变量代码	变量含义	具体衡量方式
DIGF	企业数字化转型	数字化转型相关关键词词频的对数
DIF	数字金融	北大数字普惠金融指数
Sale	企业营业收入	企业总收入的对数
SD	资本密集度	营业收入/企业总资产
Roa	总资产收益率	净利润/总资产
Roe	净资产收益率	净利润/净资产
Lev	财务杠杆	总负债/总资产
GDP	人均国内生产总值	人均GDP的对数
SA	融资约束	融资约束计算方法

4. 实证分析

4.1. 描述性统计

表2为本文主要变量的描述性统计结果。从总体上看，不同企业的数字化转型程度(DIGT)呈现出一定差异，其平均值为1.453，最小值为0.000，最大值为6.306，说明企业正努力推进数字化转型，但企业整体数字化转型程度不高。数字金融(DIF)均值为222.931，最小值为21.26，最大值为359.683，说明各省份之间数字金融水平也有所差异，总体发展趋势稳健向上，部分低于均值的省份需要更加关注数字金融发展水平。

Table 2. Descriptive statistics of main variables

表2. 主要变量描述性统计

变量代码	样本数	均值	标准差	最小值	最大值
DIGF	23,566	1.4531	1.4571	0	6.3063
DIF	23,566	222.9314	75.3405	21.26	359.6826
Sale	23,566	21.6637	13.5374	13.5374	28.7182
SD	23,566	0.6206	0.5065	0.0006	11.4156
Roa	23,566	0.0381	0.0820	−2.8341	0.6042
Roe	23,566	0.01935	1.8574	−186.5570	0.8743
Lev	23,566	0.4260	0.2034	0.0071	0.9976
GDP	23,566	11.1518	9.6818	9.6818	12.1226

资本密集度(SD)、净资产收益率(Roe)以及财务杠杆(Lev)的最大最小值之间具有一定差距，说明不同企业的发展水平不一致。

4.2. 相关性检验

各变量相关性分析结果如表3。初步来看，各变量间相关度均小于0.5，各主要变量不存在显著的相关性。

Table 3. Statistics of correlation of main variables

表3. 主要变量相关性统计

变量代码	DIGT	DIF	Sale	SD	Roa	Roe	Lev	GDP
DIGT	1.000
变量代码	DIGT	DIF	Sale	SD	Roa	Roe	Lev	GDP
DIF	0.390^*	1.000
Sale	0.049^*	0.128^*	1.000
SD	0.052^*	−0.041^*	0.409^*	1.000
Roa	−0.024^*	−0.022^*	0.072^*	0.053^*	1.000
Roe	−0.011	−0.013	0.025^*	0.001	0.325^*	1.000
Lev	−0.064^*	−0.026^*	0.519^*	0.139^*	−0.292^*	−0.071^*	1.000
GDP	0.304^*	0.667^*	0.074^*	−0.014	0.011	−0.004	−0.075^*	1.000

注：^***、^**、^*分别表示在1%、5%、10%的水平下显著。

本文进一步对各主要变量进行多重共线性VIF检验，检验结果如表4所示。

通常情况下，当方差膨胀系数小于10，说明不存在多重共线性，根据图表可以看出，VIF均明显小于5，故各变量之间不存在较为严重的多重共线性。

Table 4. Multicollinearity VIF test

表4. 多重共线性VIF检验

变量代码	VIF	1/VIF
DIF	1.850	0.541
Sale	1.820	0.548
GDP	1.810	0.552
Lev	1.670	0.600
Roa	1.320	0.759
SD	1.230	0.813
Roe	1.120	0.893
Mean VIF	1.550

4.3. 模型选择

本文通过两个检验来确定合适的面板模型，首先，通过F检验来比较固定效应和混合效应模型，其次运用豪斯曼检验来比较固定效应模型与随机效应模型，通过检验得出确定的一种模型来进行面板数据的分析。

Table 5. Model F-Test

表5. 模型F检验

测试汇总	F统计量	自由度	P值
Cross-section F	20.34	(3589, 19.969)	0.0000

F检验的结果见表5。模型的F检验值为20.34，对应的P值为0.0000，在0.01的显著性水平下拒绝混合模型的原假设，因此，相比于混合模型，固定效应模型更适合进行面板回归。

Table 6. Model Hausmann test

表6. 模型豪斯曼检验

测试汇总	卡方统计量	卡方统计量的自由度	P值
Cross-section random	326.81	7	0.0000

豪斯曼检验的结果见表6。模型的豪斯曼检验值为326.81，对应的P值为0.0000，在0.1的显著性水平下拒绝随机效应模型的原假设，因此，相比于随机效应模型，还是选择固定效应模型进行面板回归，总的来看，本文应选用固定效应模型。

4.4. 基准回归结果

数字金融对企业数字化转型影响的总体检验结果如表7。其中，模型1单独对数字金融水平与企业数字化转型程度进行回归，不包含其他控制变量和年份固定效应，数字金融与企业数字化转型通过1%水平下的显著性检验，且系数为正，这说明数字金融发展水平每提高1个单位，企业数字化转型程度将上升0.7%；模型2相对于模型3进一步加入控制变量，可以看出企业数字化转型的相关不可观测影响被其他控制变量吸收，数字金融发展水平的系数有所减小，但仍然通过1%水平下的显著性检验，数字金融发展水平上升1个单位，企业数字化转型程度仍会提高0.6%；模型3相比于模型2同时控制了年份固定效应和企业固定效应。从数值上看，数字金融(DIF)的回归系数为0.005，在保持其他因素不变的情况下，数字金融发展水平每提高1个单位，企业数字化转型程度将上升0.5%，表明数字金融对企业数字化转型有正向推动作用。

由模型3可知，企业营业收入(Sale)的回归系数为0.252，并且它的P值在1%的水平下显著，它的经济学含义是企业营业收入每增加1%，企业数字化转型程度增加0.252%，两者呈正相关关系，营业收入支撑着企业的经营，只有当营业收入增加，在资金充足、有能力面对风险的条件下，企业才能着手于推进数字化转型。

净资产收益率(Roe)的回归系数为0.003，未通过显著性水平检验，可能由于模型时间序列截面较短，净资产收益率对被解释变量企业数字化转型(DIGT)的影响不明显。

人均国内生产总值(GDP)的回归系数为−0.266，并且它的P值在1%的水平下显著，它的经济学含义是人均国内生产总值每增加1%，企业数字化转型程度减少0.266%，两者呈负相关关系，人均国内生产总值反映了国家的经济状态，其对企业数字化转型的负效应，随着GDP的增长，企业投资者用于经济活动的支出增加，引起劳动力成本的上升，从而导致企业不愿进行数字化转型。

Table 7. Benchmark regression results

表7. 基准回归结果

变量代码	模型(1)	模型(2)	模型(3)
DIF	0.007^***	0.006^***	0.005^***
	(94.61)	(24.12)	(5.76)
Sale		0.261^***	0.252^***
		(21.76)	(20.95)
SD		−0.214^***	−0.183^***
		(−9.37)	(−8.02)
Roa		−0.334^***	−0.306^***
		(−4.34)	(−4.01)
Roe		0.004	0.003
		(1.28)	(1.23)
Lev		−0.132^**	−0.118^**
		(−2.45)	(−2.19)
GDP		−0.215^***	−0.266^***
		(−2.92)	(−3.09)
Constant	−0.046^***	−2.934^***	−2.091^**
	(−2.79)	(−3.73)	(−2.22)
Observations	23566	23566	23566
R-squared	0.309	0.326	0.337
Company FE	YES	YES	YES
Year FE	NO	NO	YES

注：^***、^**、^*分别表示在1%、5%、10%的水平下显著；其中数字化转型程度(DIGT)、企业营业收入(Sale)、人均国内生产总值(GDP)采用对数处理。

4.5. 中介效应模型回归

通过实证结果可以看出，数字金融对企业数字化转型有促进作用。

为进一步检验数字金融对企业数字化转型的影响，根据中介效应模型(3)，本文得出以下回归结果。

中介效应模型回归结果见表8，模型1结果显示数字金融对融资约束显著为负，这一结果表明企业可以通过减少融资约束来促进企业数字化转型。

Table 8. Mediating effect model

表8. 中介效应模型

变量代码	模型(1)	模型(2)
	SA	DIGT
DIF	−0.001^**	0.005^***
	(−1.96)	(5.81)
SA		0.048^***
		(3.49)
控制变量	控制	控制
Constant	−15.501^***	−1.351
	(−31.78)	(−1.40)
固定效应	控制	控制
Observations	23566	23566
R-squared	0.750	0.337

注：^***、^**、^*分别表示在1%、5%、10%的水平下显著。

5. 结论与不足

本文以2011~2021年沪深A股非金融类上市公司为样本，在定量测度企业数字化转型的基础上，构建实证模型，分析数字金融对企业数字化转型的影响，并通过建立中介效应模型，进一步探究两者之间的关系，研究结果如下：

(1) 数字普惠金融指数与我国互联网普及率的现状与趋势共同反映出，我国数字金融市场逐渐走向成熟，增长幅度由高速增长向常态化增长过度，2011年各省的数字普惠金融指数均值为40.0，2015年增长到230.4，2021年增长到363.6，互联网普及率从2012年的42.10%增长至2016年53.20%，数字金融的潜在群体增加，数字金融发展前景广阔；在2011至2021年期间，不同行业的数字化转型程度趋势大体相同，传统行业与现代服务业的数字化转型程度均稳步上升。

(2) 数字金融对企业数字化转型起到正向推动作用。从本文的实证结果来看，在控制了年份固定效应和企业固定效应并加入一系列可能影响企业数字化转型系数的控制变量后，数字金融发展水平的系数但依然在1%的水平上显著，数字金融发展水平每提高1个单位，企业数字化转型程度将上升0.5%，表明数字金融对企业数字化转型有着重要的指导意义。

(3) 企业可以通过缓解融资约束促进企业数字化转型。本文选取融资约束作为中介变量，对中介效应模型进行回归后发现，其系数通过显著性水平检验且系数为负，表明减少融资约束是企业推进数字化转型的一种方法。

本研究在数字金融与企业数字化转型的关联探讨上取得初步成果，但仍存在可深化之处：理论层面，对二者作用的具体机制及相关理论的融合分析有待加强；实证层面，中介效应检验方法的稳健性、控制变量选择的论证深度及内生性问题的处理需进一步完善；企业特征异质性的细化程度与地区差异的机制挖掘仍有提升空间。