數字普惠金融與債務違約風險

薛雨佳

【摘要】文章以2011—2020年A股上市公司為樣本，使用手工搜集的上市公司債務違約訴訟數據對企業債務違約風險進行度量，研究發現中國數字普惠金融的發展有助于降低企業的債務違約風險。進一步研究發現，數字普惠金融的發展主要通過影響企業的融資能力以及盈利能力，進而影響企業的債務違約風險。研究內容為中國通過普惠金融創新優化金融環境，穩定金融市場提供證據支持，為中國金融創新以及企業風險防范提供有益借鑒。

【關鍵詞】數字普惠金融；債務違約風險；金融市場

【中圖分類號】F275；F49；F832

一、引言

近年來，債務違約成為中國企業面臨的嚴峻問題，一系列的債務違約事件引發了社會各界的關注。2020年10月，華晨汽車集團發行的規模為10億元的公司債券“17華汽05債”未能如期兌付，導致其旗下的公司債停牌，債權人的利益受到嚴重損害，其信用等級也被多家信用評級機構下調。債務違約不僅會侵害債權人的利益，而且具有“傳染效應”，一家上市公司發生債券違約，可能會“傳染”至其他上市公司，從而危害整個金融市場的穩定，對實體經濟造成負面影響（Leitner，2005；寧博等，2020）[1，2]。銀保監會的統計數據顯示，我國商業銀行2013年的不良貸款率為0.96%，而到2022年第三季度末，我國商業銀行的不良貸款率已經達到1.66%，債務違約已經成為我國資本市場中亟待解決的問題。

隨著數字技術和互聯網技術的高度發展，數字金融成為我國經濟高質量發展的重要引擎（萬佳彧等，2020）[3]。很多研究關注數字普惠金融的影響，但是很少有研究關注數字普惠金融的發展是否有助于降低企業的債務違約風險，維護金融市場的穩定。本文以2011-2020年A股上市公司為樣本，研究發現數字普惠金融的發展有助于降低企業的債務違約風險。進一步研究發現數字普惠金融的發展可以通過降低企業的債務融資成本、提升企業的盈利能力，進而降低企業的債務違約風險，即債務融資成本和盈利能力具有中介效應。

二、研究假設

本文認為數字普惠金融的發展有助于降低企業的債務違約風險。第一，數字普惠金融降低了信息的不對稱性，這有助于提升金融機構對貸款方的了解程度，篩選高風險貸款人，提前防范違約風險的發生。數字普惠金融依托互聯網技術，通過云計算、大數據分析等方法，構建基于數據的風險控制體系，實現了信息的共享。信息不對稱性的降低有助于債權人更高效地采集企業財務狀況數據等相關信息，更加了解企業的財務狀況和風險情況，對企業的還款能力進行合理的評估，促進資源的有效配置（黃浩，2018）[4]。有效的資金配置有助于減少不良貸款的產生，降低企業債務違約的概率（陳德球等，2013；許浩然和荊新，2016）[5，6]。

第二，信息不對稱性的降低有助于降低企業的融資成本，提升企業的融資能力，進而降低債務違約風險。前人研究發現信息不對稱性的降低有助于制定更有效的債務契約，有效的債務契約形成有效的監督，可以顯著降低企業的債務違約風險（Han and Zhou，2014）[7]。Hasan等（2017）[8]研究發現債權人所要求的風險溢價會隨著信息不對稱性的降低而降低。過高的融資約束容易導致企業資金鏈斷裂，債務違約風險增加，而較為寬松的債務條款有助于企業以較低的成本獲得所需資金，降低了資金鏈斷裂的可能性，進而降低企業的債務違約風險（許浩然和荊新，2016）[5]。數字普惠金融的發展使債權人更加了解企業的發展水平，緩解了因信息不對稱導致的逆向選擇問題，這有助于企業與債權人簽訂更合理的債務契約，降低企業的融資成本，提升企業的融資能力，防止資金鏈的斷裂，進而降低了企業的債務違約風險。

第三，數字普惠金融拓寬了企業的資金來源，有助于企業改善財務狀況及盈利能力。企業的財務狀況和盈利能力與其債務違約風險密切相關（Bharath and Shumway，2008）[9]。吳世農和盧賢義（2001）[10]研究發現凈資產報酬率對我國上市公司的債務違約風險有極強的解釋能力。Becchetti and Sierra（2003）[11]提出企業的全要素生產效率與其債務違約風險緊密相關，企業生產效率越高，債務違約風險越低。對于數字普惠金融來說，一方面，數字普惠金融平臺通過支付、社交、電商等場景沉淀的數據，將很多原來無法從銀行等金融機構獲得貸款的企業納入到金融服務體系，拓寬了這些企業獲得資金的渠道，使得企業的發展有更加充足的資金支持，這有助于改善企業的經營和財務狀況，提升企業的償債能力，降低企業債務違約風險；另一方面，相比傳統金融，數字普惠金融在技術方面的創新提升了交易效率、降低了交易成本，從而降低了金融服務門檻（萬佳彧等，2020）[3]。這有助于吸引更多的投資者，拓寬企業的融資來源，提升企業績效，進而降低企業的債務違約風險。由此提出主假設：

H：數字普惠金融有助于降低企業的債務違約風險。

三、樣本選擇與模型構建

（一）樣本選擇

本文以2011—2020年A股上市公司為樣本，檢驗數字普惠金融發展對債務違約的影響。數字普惠金融數據來源于《北京大學數字普惠金融指數》，由于該指標的開始時間為2011年，因此本文的樣本起始時間為2011年。債務違約數據基于CNRDS數據庫以及Wind數據庫手工整理所得，其他數據來源于CSMAR數據庫。剔除金融行業的樣本、ST及*ST的公司樣本以及存在缺失值的樣本后，本文一共得到17 853個“公司-年度”觀測值。為了避免異常值對文章的實證結果產生干擾，本文對所有連續變量進行了1%和99%分位數的縮尾處理。

（二）變量定義

1.債務違約（Default）

本文借鑒陳婧等（2018）[12]對企業債務違約的度量方法，根據上市公司訴訟數據中涉及債務違約的訴訟樣本作為上市公司是否發生債務違約的判斷標準。具體篩選標準如下：（1）在“案件名稱”項目中，篩選含“借款合同糾紛”“借款糾紛”“貸款糾紛”“金融借款糾紛”“票據糾紛”“企業借貸糾紛”“欠款糾紛”“債權債務糾紛”“債務糾紛”的樣本；（2）剔除數據披露方作為原告的樣本；（3）剔除了披露方作為擔保方（非第一被告）而被訴請承擔連帶擔保責任的樣本；（4）剔除了被告為披露方母公司或其他大股東的樣本；（5）剔除了被告為披露方參股公司（非控股股東）的樣本；（6）剔除了披露方與被告存在其他關聯關系，但無直接控股關系的樣本。若上市公司出現債務違約，則Default=1，否則Default=0。

2.數字普惠金融（Index）

參照易行健和周利（2018）[13]的度量方法，本文使用北京大學互聯網金融研究中心聯合螞蟻金服發布的《北京大學數字普惠金融指數》中的數字普惠金融總指數及其兩個主要細分指標：數字普惠金融覆蓋廣度和數字普惠金融使用深度，共同度量數字普惠金融的發展水平。參照已有文獻的做法，本文采用市級維度指數進行度量，將指數同時除以100以解決數值過大的問題。

3.控制變量

借鑒陳德球等（2013）[5]的研究，本文還控制了以下可能對企業債務違約產生影響的控制變量：企業規模（Size）；資產負債率（Lev）；盈利能力（Roa）；現金流量（Cf）；企業資產的流動性（Liq）；債務擔保能力（Tang）；產權性質（Soe）；審計質量（Big4）。本文還控制了年份以及行業固定效應，并采用公司層面的聚類標準誤。本文中各變量的具體定義如表1所示。

（三）模型設計

模型（1）中，被解釋變量為企業債務違約（Default），考慮到債務違約具有一定的滯后性，為了緩解內生性問題，本文參照陳德球等（2013）的研究，使用t+1期的債務違約數據。解釋變量為數字普惠金融發展指數（Index），共有三種度量方法。根據前文的理論推導，本文預期β1顯著為負，即數字普惠金融的發展有助于降低企業的債務違約風險。

由于被解釋變量Default為虛擬變量，本文將使用Logit回歸進行實證檢驗。

四、實證結果

（一）描述性統計

各變量的描述性統計如表2所示。Default的均值為0.028，說明有2.8%的樣本發生了債務違約，這一統計結果與陳婧等（2018）[12]通過手工收集得到的結果相似。Index1、Index2和Index3的最小值約為0.5，最大值約為3.0，不同樣本之間數字普惠金融發展水平存在較大的差距。Size的均值為22.011，最小值為19.322，最大值為26.000，標準差為1.167；Soe的均值為0.362，說明樣本中國有企業占比36.2%。其他變量的描述性統計結果與以往的研究相似。

（二）實證結果分析

回歸結果如表3所示，Index1、Index2和Index3的系數分別為-0.950、-0.599和-1.087，且均在1%的水平上顯著，說明數字普惠金融發展水平越高，企業的債務違約風險越小。實證結果驗證了主假設，數字普惠金融的發展降低了企業的債務違約風險，在一定程度上起到了穩定金融市場的作用。

（三）進一步檢驗

1.債務融資成本的中介作用

其中，Debtcost為企業的債務融資成本，參照周楷唐等（2017）[15]的研究方法，采用利息支出除以長短期債務總額平均值進行度量。三步法的具體檢驗方法如下：第一步，利用模型（1）檢驗β1是否顯著為負，若β1顯著為負，則說明數字普惠金融對債務違約的負向總效應存在，可以進行接下來的檢驗；若β1不顯著，說明不存在總效應，應該停止接下來的檢驗。第二步，利用模型（2）和模型（3）檢驗α1和β2的顯著性，若α1顯著為負，β2顯著為正，則說明債務融資成本存在中介效應，可進行最后一步的檢驗；若α1和β2有任何一項不顯著，則需要進行sobel檢驗。第三步，利用模型（3）檢驗β1’的顯著性，若β1’顯著為負，說明債務融資成本存在部分中介效應；若β1’不顯著，說明債務融資成本存在全部中介效應。

債務融資成本的中介機制檢驗結果如表4所示。第（1）、（4）、（7）列匯報了數字普惠金融對企業債務違約的總效應，Index1、Index2和Index3的系數均在1%的水平上顯著為負，說明總效應存在。第（2）、（5）、（8）列匯報了數字普惠金融與債務融資成本之間的相關系數，Index1、Index2和Index3的系數均顯著為負，說明數字普惠金融的發展有助于降低債務融資成本。在第（3）、（6）、（9）列中，Index1、Index2和Index3的系數均在1%的水平上顯著為負，Debtcost的系數均在5%的水平上顯著為正。實證結果說明數字普惠金融會通過影響企業的債務融資成本進而影響企業的債務違約風險，債務融資成本至少起到了部分中介效應。

2.企業盈利能力的中介作用

其中，Roa為企業的資產收益率，用于度量企業的盈利能力。三步法的具體檢驗方法同上。企業盈利能力的中介機制檢驗結果如表5所示。第（1）、（4）、（7）列匯報了數字普惠金融對企業債務違約的總效應，Index1、Index2和Index3的系數均在1%的水平上顯著為負，說明總效應存在。第（2）、（5）、（8）列匯報了數字普惠金融與企業盈利能力之間的相關系數，Index1、Index2和Index3的系數均在1%的水平上顯著為正，說明數字普惠金融的發展有助于提升企業的盈利能力。在第（3）、（6）、（9）列中，Index1、Index2和Index3的系數均在1%的水平上顯著為負，Roa的系數均在1%的水平上顯著為負。實證結果說明數字普惠金融會通過影響企業的盈利能力進而影響企業的債務違約風險，盈利能力至少起到了部分中介效應。

（四）穩健性檢驗

1.替換被解釋變量

在主檢驗中，本文使用了Default這一虛擬變量來度量企業是否發生債務違約，在穩健性檢驗中，本文使用企業當年發生債務違約次數加一的自然對數（Time）重新度量債務違約，重新進行實證檢驗。穩健性檢驗的回歸結果如表6所示，Index1、Index2和Index3的系數均顯著為負，即數字普惠金融發展水平越高，企業發生債務違約的次數越少，穩健性檢驗結果支持主假設。

2.工具變量檢驗

為了解決回歸模型中可能存在的遺漏變量等內生性問題，本文使用省級互聯網普及率作為工具變量（IV）進行兩階段檢驗，省級互聯網普及率數據源于《中國互聯網絡發展狀況統計報告》，本文也對普及率指數除以100，以解決數據較大的問題。工具變量的檢驗結果如表7所示，第（1）、（3）、（5）列列示了第一階段的檢驗結果，工具變量與主要解釋變量在1%的水平上顯著正相關。第（2）、（4）、（6）列列示了第二階段的檢驗結果，Index1、Index2、Index3的系數均在5%的水平上顯著為負，說明控制了潛在的內生性問題之后，本文的結果依然存在，研究結果較為穩健。

3.其他穩健性檢驗

本文還進行了其他方面的穩健性檢驗，如控制地區固定效應；控制董事會規模、獨立董事占比等代表公司治理的變量等，回歸結果均保持不變。

五、結論與政策性建議

本文以A股上市公司2011—2020年的數據為樣本，研究發現數字普惠金融的發展有助于降低企業的債務違約風險。進一步研究發現，債務融資成本以及盈利能力起到了中介作用，即數字普惠金融的發展可以通過降低企業的債務融資成本，提升企業的盈利能力，進而降低企業的債務違約風險。

根據研究結論，本文提出如下的政策性建議：第一，應大力推進數字普惠金融的發展，積極進行技術創新，提升中國普惠金融發展水平，這有助于降低債務違約風險，維護金融市場穩定，這是我國面臨復雜多變的世界經濟環境的重要途徑之一。第二，作為市場經濟的重要參與者，企業應該認識到防范自身風險的重要意義。債務違約風險具有“傳染效應”，重要環節的債務違約可能危害整個金融系統的穩定。我國企業應該合理運用數字普惠金融這一創新性的平臺，提升自身的盈利能力、償債能力，健全風險控制體系，積極防范債務違約風險。

主要參考文獻：

[1]Leitner Y.Financial networks： Contagion，commitment， and private sector bailouts[J].The Journal of Finance，2005，60（6）： 2925-2953.

[2]寧博，潘越，陳秋平，肖金利.信用風險傳染與企業盈余管理：基于信用債違約的視角[J].會計研究，2020（03）：66-77.

[3]萬佳彧，周勤，肖義.數字金融、融資約束與企業創新[J].經濟評論，2020（01）：71-83.

[4]黃浩.數字金融生態系統的形成與挑戰——來自中國的經驗[J].經濟學家，2018（04）：80-85.

[5]陳德球，劉經緯，董志勇.社會破產成本、企業債務違約與信貸資金配置效率[J].金融研究，2013（11）：68-81.

[6]許浩然，荊新.社會關系網絡與公司債務違約——基于中國A股上市公司的經驗證據[J].財貿經濟，2016（09）：36-52.

[7]Han S，Zhou X.Informed bond trading，corporate yield spreads，and corporate default prediction[J]. Management Science，2014，60（3）： 675-694.

[8]Hasan I，Hoi C K，Wu Q，et al.Social capital and debt contracting： Evidence from bank loans and public bonds[J].Journal of Financial and Quantitative Analysis，2017，52（3）： 1017-1047.

[9]Bharath S T，Shumway T.Forecasting default with the Merton distance to default model[J].The Review of Financial Studies，2008，21（3）： 1339-1369.

[10]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001（06）：46-55+96.

[11]Becchetti L，Sierra J.Bankruptcy risk and productive efficiency in manufacturing firms[J]. Journal of banking & finance，2003，27（11）： 2099-2120.

[12]陳婧，張金丹，方軍雄.公司債務違約風險影響審計收費嗎[J].財貿經濟，2018，39（05）：71-87.

[13]易行健，周利.數字普惠金融發展是否顯著影響了居民消費——來自中國家庭的微觀證據[J].金融研究，2018（11）：47-67.

[14]溫忠麟，張雷，侯杰泰，劉紅云.中介效應檢驗程序及其應用[J].心理學報，2004（05）：614-620.

[15]周楷唐，麻志明，吳聯生.高管學術經歷與公司債務融資成本[J].經濟研究，2017，52（07）：169-183.

責編：險峰