數字普惠金融對企業信用風險的影響研究

（安慶師范大學 經濟與管理學院，安徽 安慶 246133）

一、引言

隨著我國全面深化改革任務的持續推進，建立健全現代化經濟體系已成為經濟高質量發展的必要保障，加強金融創新和豐富金融市場層次更是其中的重要環節。《中華人民共和國國民經濟和社會發展第十三個五年規劃綱要》中強調，健全現代金融體系，提高金融服務實體經濟效率和支持經濟轉型的能力，有效防范和化解金融風險。2013年11月12日，黨的十八屆三中全會上審議通過了《中共中央關于全面深化改革若干重大問題的決定》（以下簡稱《決定》）。《決定》中亦明確指出發展普惠金融。而得益于我國人工智能和區塊鏈等信息科技的重大突破以及移動通信終端的大規模普及，普惠金融數字化成為國內乃至全球的未來發展趨勢（貝多廣，2018）[1]。《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》指出，充分發揮海量數據和豐富應用場景優勢，促進數字技術與實體經濟深度融合，賦能傳統產業轉型升級，催生新產業、新業態、新模式，壯大經濟發展新引擎。數字普惠金融作為數字技術與金融創新的深度融合，其主要形式包括傳統金融機構利用數字技術提供的金融服務和互聯網大科技公司所推出的新型金融產品（黃益平和黃卓，2018）[2]，主要目標仍然是支持實體經濟發展。在實體經濟發展中，企業信用風險廣泛存在于企業的日常運營及生產過程中，并且在企業專業化和經濟全球化的背景下，企業信用風險存在傳染性。一家企業發生信用風險事件極有可能產生連鎖反應，短期內信用風險事件的集中爆發會對經濟穩定發展造成較大沖擊。而作為金融業的新興業態，數字普惠金融能否有效化解企業信用風險成了一個值得深入探究的課題。

數字普惠金融作為已知突破傳統金融發展瓶頸及滿足普惠金融內在需求的發展路徑，其發展所帶來的金融風險以及風險控制等相關領域已積累了一些研究，但現有文獻大多集中在銀行業競爭發展（林德發和張獻，2020）[3]和區域金融風險（歐陽資生等，2021）[4]等方面。而在微觀經濟效應層面，學術界目前普遍認可了數字普惠金融對于企業融資約束的緩解作用、對于企業全要素生產率的提升作用以及對于企業創新的促進作用。但數字普惠金融發展對于微觀企業信用風險乃至股票、債券市場風險的具體影響機理及機制等領域，仍然有待進一步研究。因此，在我國數字普惠金融蓬勃發展的背景下，研究數字普惠金融對企業信用風險的影響機制，具有一定的現實意義與理論價值。

本文可能的貢獻如下。第一，現有研究大多從較為宏觀的角度分析數字普惠金融發展對經濟社會等方面的影響，尚未有學者考慮其對于企業信用風險的影響機制，也缺乏相關理論分析與實證分析。而本文探討了數字普惠金融與企業信用風險之間的影響機制，完善了數字普惠金融的相關理論與實證研究，具有一定的創新性。第二，本文為我國企業在自身經營發展中控制信用風險、平穩運營等方面提供了一定的參考，拓寬了企業信用風險相關領域的研究。第三，本文的機制分析發現數字普惠金融能夠通過緩解企業融資約束和提升企業全要素生產率的鏈式中介機制來抑制企業信用風險，一定程度上反映了數字普惠金融發展的實際效果。

二、理論分析與研究假設

（一）數字普惠金融對企業信用風險影響的直接效應分析

企業信用風險理論指出，企業信用風險事件頻發主要由兩方面因素造成：一是由于企業自身長期經營不善或短期資金流動性不足可能會導致資金鏈斷裂，從而出現到期無力償還債務的情況；二是企業在所處的外部市場環境具有較大的信息不對稱性時，往往隱瞞不利因素或拒絕償付債務所取得的收益會遠大于成本，在此情形下企業管理者有較大的可能傾向于“機會主義”。從企業信用風險來源看，數字普惠金融有可能從兩方面來直接改善企業信用風險。

一方面，數字普惠金融能夠有效改善企業長期的經營困境，其主要體現在技術創新能力的提升（趙曉鴿等，2021）[5]及商業模式的變革。張勤（2019）[6]的研究表明，企業的技術創新能力與其經營效率顯著正相關。且張培和趙世豪（2022）[7]從技術創新維度出發，研究發現企業的創新產出越高，其信用風險越低。這是因為從長期視角來看，技術創新過程伴隨著長周期、高風險與高回報并存等特征。而數字普惠金融發展可以在一定程度上解決企業在技術創新過程中所面臨的創新效率低和創新能力不足等問題。同時，從商業模式創新來看，數字普惠金融不只是在技術創新產出過程中提供助力，其與電子商務結合所產生的新商業模式（王卓和李健，2019）[8]，能夠促進消費結構的升級（張翼，2016）[9]，為企業創造更多的市場機會，從而提高企業的銷售收入（謝雪燕和朱曉陽，2021）[10]。此外，企業的創新產出如新產品及新技術在投入市場后，一是能為企業帶來長久的良好聲譽，增加投資者的長期信心，降低其信用風險；二是能夠為企業帶來較強的可持續性經濟收益，改善企業長期盈利水平，降低其信用風險。

另一方面，數字普惠金融發展能夠借助數字技術改善信息不對稱程度（李建軍和王德，2015）[11]。在成本可控的前提下，數字普惠金融的發展有助于金融機構從多維度構建信息庫平臺，其不僅能夠分析合作企業盈利水平、負債比率等財務指標，還包括收集其主要管理者個人征信等“軟信息”（池仁勇和朱張帆，2020）[12]，為平臺使用者提供了一定的決策依據，一定程度上降低了逆向選擇和道德風險的發生概率（Gomber等，2018）[13]。從企業管理者的主觀層面來看，在信息透明度較高的市場環境中，數字普惠金融發展迫使企業共同選擇提高信息披露程度，減少了欺詐行為，增強了企業履約意愿，降低了企業信用風險。從企業外部監管的客觀層面來看，在強有力的外部監管和多維度甚至多領域的信用監管體系下，企業信用風險能夠得以有效抑制。黃益平和邱晗（2021）[14]進一步指出數字普惠金融所代表的“大科技信貸”模式相比于傳統風險預測模型，能夠利用大科技生態系統和大數據監測模型來建立新的信用風險管理框架，從而可以更有效地預測企業違約概率，并且大科技公司可以根據數字足跡來做到一定成本下的實時信用風險監控和信用風險評估。

據此，本研究提出第一個假設。

H1：數字普惠金融能夠有效抑制企業信用風險。

（二）數字普惠金融對企業信用風險影響的間接效應分析

在上述分析的基礎上，本文繼續探究數字普惠金融對企業信用風險影響的間接效應。數字普惠金融可以通過緩解融資約束和提升全要素生產率的鏈式中介機制來降低企業信用風險，具體的三條路徑如下。

第一條路徑是數字普惠金融通過緩解融資約束來抑制企業信用風險。數字普惠金融能夠有效糾正金融錯配問題（Demertzis等，2018）[15]，可以較好地解決實體企業在間接融資中面臨的規模歧視等問題，通過精準用戶識別和風險管理來幫助企業突破融資“天花板”。數字普惠金融提高了金融服務的可獲得性，突破了空間、時間限制，節約了雙方的融資成本，增強了資金配置效率，對銀行與企業均存在降本增效的作用。對企業而言，李賓等（2022）[16]研究表明數字普惠金融能夠有效降低企業的搜尋成本和財務費用，從而增強了企業財務可持續性，有利于日常資金的靈活周轉。對銀行而言，其獲客、信用評估及貸后管理等成本也得以顯著降低，一定程度上提高了銀行的經營效益（李建軍和姜世超，2021）[17]。這既有利于普惠金融可持續發展，也從供給側為企業破除融資約束，增強財務可持續性提供了助力。

第二條路徑是數字普惠金融通過提升企業全要素生產率來抑制企業信用風險。數字作為新的生產要素，不僅對企業生產與融資等方面增加了要素投入，而且顛覆性地改變著整個產業結構。數字普惠金融不僅促進了數字技術與組織管理方式的變革，而且幫助企業提升了全要素生產率。而羅朝陽和李雪松（2020）[18]研究發現企業全要素生產率與違約風險之間呈現負相關，即企業全要素生產率越高，企業信用風險越低。企業全要素生產率的提升，體現了企業綜合生產效率的改善，在一定程度上降低了企業信用風險。

第三條路徑是數字普惠金融通過緩解企業的融資約束而顯著提升其全要素生產率（馬芬芬等，2021）[19]，從而抑制信用風險。這是因為數字普惠金融所提供的多樣化金融服務能夠更有針對性地幫助企業改善生產效率。處于良好融資環境下的企業，其資金能夠得到更加有效的配置，其生產效率能夠得到大幅的提升（何光輝和楊咸月，2012）[20]，從而能夠顯著提高企業的產品質量與核心競爭力，讓其得以滿足在當下市場競爭中的生存需要。而外部融資不足的企業往往缺乏提升生產效率的動力（陳中飛和江康奇，2021）[21]。因此，數字普惠金融在改善企業融資困境的同時，也會提升其全要素生產率，從而抑制其信用風險。

根據以上分析，本研究提出第二個假設。

H2：數字普惠金融會通過緩解企業融資約束和提升企業全要素生產率的鏈式中介機制降低企業信用風險。

根據以上理論分析，本文構建了數字普惠金融對企業信用風險的鏈式中介機制圖，如圖1所示。

圖1 數字普惠金融對企業信用風險的鏈式中介機制

三、研究設計

（一）變量界定

1.被解釋變量

目前，現代信用分析方法中衡量企業信用風險模型有Z值計分模型、Credit Metrics模型、Credit Risk+模型以及KMV模型等。相比較其他模型，考慮到我國目前信用制度不健全的現狀，建立于Z值計分模型之上的巴薩利模型在應用范圍、準確性方面更能滿足計量我國企業信用風險的假設。同時，參考劉鵬飛和晏艷陽（2016）[22]的做法，因巴薩利模型計算數據來源的真實性和可獲得性較高，所以本文采用該模型評估企業信用風險（ECR）。

巴薩利模型（Enterprise credit risk B）計算企業信用風險公式如下：ECR B=（稅前利潤+折扣+遞延稅）/流動負債+稅前利潤/營運資本+股東權益/流動負債+有形資產凈值/負債總額+營運資本/總資產。

該模型最后計算得分越高，表明企業信用風險較小，如果得分很低或為負分，則表明企業信用風險很高。

2.核心解釋變量

借鑒謝絢麗等（2018）[23]的研究方法，采用北京大學數字金融研究中心編制的數字普惠金融省份層面總指數（DFI），并跟進2021年4月公布的最新一期數據（郭峰等，2020）[24]，采用數字普惠金融地級市層面總指數CDFI作為核心解釋變量。

3.中介變量

（1）融資約束。

KZ指數、SA指數與WW指數均可衡量企業融資約束程度。參考石璋銘和謝存旭（2015）[25]的研究，本文采用WW指數來衡量企業所面臨的融資約束，當企業WW指數為負時，企業存在融資約束，而WW指數越大則表明企業所面臨的融資約束程度越強。

（2）生產效率。

靜態生產率、單要素生產率以及全要素生產率可反映企業生產效益。參考魯曉東和連玉君（2012）[26]的研究，采用全要素生產率（TFP）指標衡量企業生產效率，使用LP法計算企業全要素生產率并取對數，當企業全要素生產率越高，表明企業生產效率越高。

4.控制變量

本文選取的宏觀及微觀層面的控制變量如表1所示，變量的描述性統計如表2所示。

表1 主要變量定義

（二）模型設定

1.基準模型

根據本文相關研究與Hausman檢驗結果，本文構建以下模型1—模型4。

在模型1中，ECR表示被解釋變量：企業信用風險。CDFI表示核心解釋變量：地級市層面數字普惠金融指數。Control表示控制變量。下標i表示企業，t表示年份，Year和Firm分別表示時間和個體固定效應，ε為隨機干擾項。

表2 變量描述性統計

2.鏈式中介模型

在模型1的基礎上，為驗證融資約束程度和企業生產效率在數字普惠金融影響企業信用風險過程中的鏈式中介效應，構建模型2、模型3和模型4如下：

在模型2—模型4中，WW表示中介變量：企業融資約束程度。TFP表示中介變量：企業生產效率。ECR表示被解釋變量：企業信用風險。CDFI表示核心解釋變量：地級市層面數字普惠金融指數。Control表示控制變量。下標i表示企業，t表示年份，Year和Firm表示時間和個體固定效應，ε為隨機干擾項。

（三）數據來源及處理

企業樣本選取自2012—2020年滬、深兩市A股上市公司。本文對數據進行如下處理：（1）剔除金融業企業；（2）剔除ST、*ST企業；（3）剔除財務數據極度缺失及異常企業；（4）剔除上市時間不足三年企業。為消除極值對實證分析的影響，對樣本數據主要連續變量進行1%水平的縮尾處理，最后得到滬、深兩市1567家企業14103個觀測的面板數據作為研究樣本。本研究中，企業樣本所使用公司層面數據來自CSMAR數據庫，宏觀層面數據來自各地區的《國民經濟與社會發展統計公報》《中國城市統計年鑒》《中國統計年鑒》及國家統計局，部分缺失值采用插補法補全。

四、實證分析

（一）基準回歸結果

由模型1檢驗數字普惠金融發展對于企業信用風險的影響。表3第（1）列的回歸結果顯示：在不加入任何控制變量的情況下，企業所處城市的數字普惠金融指數CDFI對于企業信用風險的回歸系數在1%的統計顯著性檢驗中顯著為正，這表明數字普惠金融發展對于企業信用風險存在抑制作用。在引入所有控制變量之后，表3第（2）列表明其回歸系數仍然顯著為正。同時，企業規模在1%的水平上顯著為正，這表明企業規模越大，企業信用風險越低。資產負債率的回歸系數在5%的水平為負，表明企業資產負債率越低，長期償債能力越高。這表明本文假設1得到了初步證實。此外，參考唐松等（2020）[27]的做法，將數字普惠金融指數滯后1期（L1.CDFI）、滯后2期（L2.CDFI）、滯后3期（L3.CDFI）作為動態面板，在時序上，進一步分析數字普惠金融發展對于企業信用風險的抑制作用是短期影響或是長期作用。如表3第（3）列、第（4）列和第（5）列的回歸結果所示，數字普惠金融滯后1期和滯后2期在1%水平上對于企業信用風險的回歸系數均為正，而在滯后3期后的L3.CDFI回歸系數仍然在10%的顯著性水平上為正。這表明數字普惠金融發展對于企業信用風險的影響具有動態疊加效應，對企業信用風險具有長期抑制作用。至此，本文假設1得到了證實，即數字普惠金融發展可以顯著減輕企業信用風險。

表3 數字普惠金融發展對企業信用風險的實證檢驗結果

（二）異質性分析

1.基于地區信用環境

本文基于地區信用環境進行異質性檢驗，具體做法是采用CEI課題組官方發布的《2019年中國城市商業信用環境指數地級市排行榜》中的地級市指數排名，并且將信用環境排名前120地級市劃分為信用環境較好的地區，取值為1；將其余地級市劃分為信用環境較差的地區，取值為0。本文在此基礎上，對樣本進行分組回歸。表4中第（1）列的回歸結果表示，在地區信用環境良好的地區，數字普惠金融對于企業信用風險的抑制作用并不明顯。這可能是由于在地區信用環境良好的地區，企業償債意愿較強，較為重視商譽等無形資產的價值。而在地區信用環境不發達的地區，表4中第（2）列的回歸結果表示數字普惠金融指數通過了1%的顯著性檢驗。這表明在地區信用環境不發達的地區，數字普惠金融的發展顯著有利于信用環境不發達地區所在企業抑制信用風險。

2.基于企業規模

此外，為了驗證數字普惠金融對于企業規模的異質性效應，本文根據測度樣本中企業規模中位數進行分組回歸，將樣本分為大規模和小規模兩個子樣本。根據表4中第（3）列和第（4）列的回歸結果顯示，對于小規模企業，數字普惠金融指數在1%的顯著性水平上均顯著為正。這表明企業信用風險的改善都可能得益于數字技術的進步，但回歸系數結果表明數字普惠金融發展對于大規模上市公司的信用風險抑制作用并不顯著。這可能是因為企業規模越大，除去融資約束程度較低的因素外，通常存在規模效應。大企業所具有的體量優勢再加上良好商譽等無形資產有利因素，使得自身的信用風險處于較低水平。對于上市公司中的相對小規模企業而言，數字普惠金融發展有助于改善其生產效率，緩解融資約束，從而降低其信用風險。

3.基于產權性質

民營企業作為我國市場經濟中的重要組成部分，為了進一步探究數字普惠金融發展對于民營企業信用風險的影響作用，本文根據企業產權性質將樣本分為國有企業和民營企業兩個樣本進行分組回歸。表4中第（5）列結果顯示數字普惠金融對國有企業的信用風險抑制作用僅僅通過了10%的顯著性檢驗。且第（5）列和第（6）列的回歸系數結果表明數字普惠金融發展對于民營企業信用風險改善遠遠大于國有企業。這可能由于國有企業具有特殊的經濟、社會地位，更容易在傳統金融機構獲得足額的資金支持。因此，數字普惠金融作為傳統金融機構的補充，對其信用風險的抑制作用相比于對民營企業來看不太明顯。而民營企業通過改善融資困境，可能較大提升了自身全要素生產率，進而改善了自身信用風險水平。

（三）穩健性檢驗與內生性處理

1.替換被解釋變量及核心解釋變量

（1）替換被解釋變量：在穩健性檢驗中，參考張玲（2000）[28]的做法，采用Z-score模型重新計算樣本企業信用風險，得到的計算結果記作ECR Z（Enterprise credit risk Z）。該模型最終計算得分越高，說明企業信用風險越小。

該模型計算企業信用風險公式如下：

ECR Z=0.517-0.46×（總負債/總資產）-0.388×（營運資金/總資產）+9.32×（凈利潤/平均總資產）+1.158×（留存收益/總資產）

表4 異質性檢驗結果

（2）替換解釋變量：為了進一步保證本文結論的可靠性，本文采取以下兩種做法。一是替換核心解釋變量的統計口徑。為進一步保證主要結論的穩健性，本文采用企業所在省份的數字普惠金融指數PDFI再次進行回歸檢驗。二是替換核心解釋變量的統計方法。本文從普惠性與數字性兩方面出發，構建了31個省份（不含港、澳、臺地區）2012—2020年的數字普惠金融綜合評價體系，然后運用熵值法將該評價體系測算所得的數字普惠金融發展水平（DFII）作為模型中核心解釋變量的替換變量。維度設計及具體指標定義如下所示。

普惠性。股票市場總市值/GDP（%），金融業法人機構數量（個），每萬人擁有的銀行業金融機構營業網點數量（%）。

數字性。互聯網寬帶接口個數（萬個），光纜線路長度（萬公里），互聯網上網人數（萬人）。

對上述指標進行標準化處理后運用熵值法進行計算，且由該綜合評價體系所得出的綜合評價指數（DFII）范圍在0到1之間。

如表5中第（1）列—第（4）列所示，第（1）列中改變了核心解釋變量的統計口徑，第（2）列中改變了被解釋變量的統計方法，第（3）列中改變了核心解釋變量的統計口徑和被解釋變量的統計方法，第（4）列中改變了核心解釋變量的統計方法。從這四列回歸結果來看，其回歸系數和顯著性水平并未發生較大改變。

2.剔除部分干擾因素

考慮到企業的經營狀況與外界環境息息相關，而2020年的新冠肺炎疫情對我國經濟造成較大沖擊，所以本文將疫情沖擊的可能影響剔除，將樣本數據年限確定為2012—2019年，以避免疫情干擾。此外，考慮到數字普惠金融發展與所處地區環境可能存在影響，而直轄市具有特殊的經濟、政治地位，本文將北京、上海、天津、重慶四個直轄市樣本剔除后再進行回歸。

表5 穩健性檢驗結果

穩健性檢驗結果如表5所示，第（5）列中更改了樣本時間窗口，第（6）列中剔除了部分樣本。無論是對樣本期間和數量做出變換后，結果顯示各變量回歸系數及顯著性水平均沒有較大改變，本文的主要結論具有一定穩健性。

3.內生性處理

數字普惠金融發展水平作為宏觀變量，受到個別企業信用風險的影響程度較小，但依舊有可能會因為遺漏變量或測量誤差導致內生性問題。借鑒林愛杰等（2021）[29]的方法，本文采用各地級市互聯網寬帶接入用戶的對數作為工具變量。表6第一階段F統計量結果顯示工具變量有效，且通過了弱工具變量檢驗。第二階段回歸結果顯示，數字普惠金融指數通過了5%的顯著性檢驗。綜上，本文的結論具有穩健性。

表6 內生性處理結果

（四）鏈式中介機制檢驗

參考柳士順和凌文輇（2009）[30]對于鏈式中介模型的檢驗，來分析數字普惠金融發展和企業信用風險之間的鏈式中介機制。首先，結果如表7所示，第（1）列、第（3）列和第（4）列的回歸結果顯示，CDFI的回歸系數均通過了1%的顯著性檢驗，第（2）列結果也通過了5%的顯著性檢驗。其次，分別計算鏈式機制的三種中介效應。用機制1來表示CDFI→WW→ECR的傳導機制，機制2表示CDFI→TFP→ECR的傳導機制，機制3表示CDFI→WW→TFP→ECR的傳導機制。由表第（2）列—第（4）列結果得到機制1—機制3的中介效應分別為0.0039、0.0077、0.0032，并且在總體中介效應占比分別為26.35%、52.03%、21.62%。總體中介效應為0.0148，略小于直接效應0.0203。再次，對比中介效應來看，機制2的中介效應最大，機制1次之，機制3最小。但機制1和機制3實際差距并不很大，這也體現了在鏈式中介機制中，數字普惠金融對企業信用風險的抑制作用是多因素綜合作用的結果。此外，通過第（1）列和第（4）列的回歸結果計算得出的直接效應為0.0149，與第（4）列中的回歸結果差異很小，可能是由于擾動項導致。由此，證實了假設2，數字普惠金融發展能通過緩解企業融資約束和提升企業全要素生產率的鏈式中介機制來降低企業信用風險。

表7 鏈式中介模型檢驗結果

五、結論與建議

本文以2012—2020年1567家滬、深A股上市公司為樣本，實證研究了數字普惠金融發展與企業信用風險的關系，并深入探尋了其作用機制。本文研究結論主要有以下三點。第一，數字普惠金融發展顯著抑制了上市公司信用風險。該結論在替換核心解釋變量及被解釋變量等一系列穩健性檢驗及內生性處理后仍然成立。第二，本文從產權性質、企業規模和地區分布這三個特征入手，識別并檢驗了數字普惠金融對企業信用風險減少效應的異質性差異。異質性分析表明：一是相比于國有企業和大型上市公司，民營企業和小規模上市公司的信用風險受到數字普惠金融發展所產生的抑制效果更明顯；二是數字普惠金融對企業信用風險的抑制作用存在一定的地區差異。具體而言，在地區信用環境不發達的地區，數字普惠金融對企業信用風險的抑制效果更明顯。第三，從間接效應的作用機制來看，數字普惠金融發展能通過緩解企業自身所面臨的融資困境和提高企業全部要素生產率的鏈式中介機制來抑制企業信用風險。

根據研究結論，本文主要從金融投資、企業發展以及政策監管這三個方面提出三點建議如下。

第一，從金融投資視角來看，需要加深數字技術應用，提升金融供給質量。對于銀行和互聯網金融公司等金融機構投資者而言，在評估所投資企業的信用風險時，一是要大力加強數字技術在金融業務上的應用，發展數字信貸等業務，在貸前、貸中與貸后流程中以數字技術來監控信用風險；二是要構建以數字技術為基礎的數字化管理平臺，打造針對不同類型客戶的數字金融服務生態，從而兼顧融資服務的精準性與覆蓋性，通過為用戶提供針對性的融資服務來降低信用風險。對于個人投資者而言，在進行投資決策時，除了從財務狀況、公司治理及管理者特質等傳統視角對企業進行考察，也應當適當關注企業所在地區的數字普惠金融發展情況。

第二，對于企業自身而言，需要加快形成數字資產，助力企業平穩運營。數字普惠金融的發展既能為企業帶來商業模式的變革，也能夠幫助企業提高生產效率。在電子商務等模式下，企業應當借助現有的數字平臺，以物聯網等數字科技將企業生產以及經營等“數字足跡”轉化為數字資產，加強業務智能化與數據資產化。企業與金融機構合作時，應當注意利用數字資產的優勢，降低融資門檻。在企業自身生產經營過程中，也需要借助數字普惠金融所支持的資金等要素，提升生產效率，減輕信用風險。特別是針對規模較小和非國有企業而言，由于在傳統金融體系中存在缺少抵押物等劣勢，則更應當重視數字資產在數字普惠金融體系中的應用，將數字作為新的生產要素來促進自身進一步發展。

第三，從政策監管來看，需要優化企業信用環境，加強金融創新監管，完善多維信用監管體系。數字普惠金融發展有利于降低銀企間的信息不對稱性，提高市場信息透明度，其數字基礎建設應該得到相關政策的大力支持。但要警惕以金融創新名義而違反法律法規的不當投融資行為。因此，相關部門要加大對數字普惠金融發展的監管力度，建立健全包容審慎的創新試錯容錯機制，通過與稅務等部門的信用數據共享，加強信息披露，開辟多維度的信用獲取途徑，來構建新型的信用監管體系網絡。