查看原文
其他

数字金融发展能够降低企业杠杆率吗?

马文婷,等 学报后台2 2022-03-24
[提要]本文使用2011-2018年中国A股上市公司和北京大学数字普惠金融指数进行实证分析,结果表明:数字金融发展可以显著降低企业杠杆率,主要通过缓解企业财务困境、增加金融可得性和降低资源错配程度实现。进一步分析显示,数字金融对企业杠杆率及其引致的违约风险影响,与中长期信贷存在显著差异,同时数字金融又是传统信贷的替代方式。本文的研究丰富了数字金融对微观企业经济效应的认识,为规范数字金融发展、推动企业去杠杆、促进传统金融与数字金融协调发展提供了经验证据。
[关键词]数字金融;企业杠杆率;违约风险;财务困境;资源错配
 

基金项目:国家自然科学基金青年项目“贸易自由化与制造业企业储蓄率上升之谜”(71803017)阶段性成果。
作者简介:马文婷,对外经济贸易大学国际经济贸易学院博士研究生,研究方向:公司金融、宏观金融;蒋先玲,对外经济贸易大学国际经济贸易学院教授、博士生导师,博士,研究方向:货币银行、国际金融;俞毛毛,对外经济贸易大学国际经济贸易学院博士研究生,研究方向:绿色金融、企业经济等。


《西南民族大学学报》(人文社会科学版)
2021年第11期
 
引言
自2016年中央经济工作会议把“去杠杆”列为结构性改革的重点任务之后,党中央、国务院多次出台文件,将“三去一降一补”作为经济工作的重点。《2021年国务院政府工作报告》亦明确指出,要继续完成“三去一降一补”的重要任务。传统银行信贷存在的预算软约束、短债长投等问题使企业的资金使用效率偏低,杠杆率居高不下,传统金融去杠杆成效不明显。根据中国信息通讯研究院发布的《中国数字经济发展白皮书》,2020年我国数字经济规模达到39.2万亿元,占GDP比重为38.6%,数字经济发展增速更是达到了9.7%。“十四五”规划指出,要推动数字经济和实体经济深度融合,以“双融合”全面支撑“双循环”。数字金融是否能够有效解决传统信贷投放造成的高杠杆问题,通过金融业态转型降低企业杠杆率?其具体作用机制又是如何?对传统银行信贷会产生怎样的影响?这些问题值得深入思考,亦是本文研究的重点。
 
一、文献述评与研究假设
(一)文献述评
梳理国内外关于企业杠杆率的文献,可以归纳为如下三个研究视角:一是我国非金融企业高杠杆率形成的原因。主要有以投资为主导的经济增长模式、[1]金融结构、[2]企业资产收益率偏低、[3]政府隐性担保[4]等。二是企业高杠杆率对实体经济发展的影响。企业高杠杆使企业面临经营风险,[5]对经济增长的影响呈现非线性特征,[6]加剧了收入不平等的程度。[7]三是去杠杆的政策建议。企业去杠杆不应让居民部门加杠杆,[8]应推动金融结构市场化、建立多层次的金融服务体系,调控房价在合理范围内波动,[9](P.477-513)加强宏观经济政策的有效性和金融监管的质量。[10]
关于数字金融发展对企业行为的影响,国内外学者主要研究企业金融化行为、企业信息披露、企业创新活动、企业全要素生产率等方面。在企业金融化方面,陈春华等(2021)[11]认为,数字金融发展可以抑制企业配置金融资产的行为、降低企业金融化水平,其作用机制主要是通过弱化企业的预防性动机。在企业信息披露方面,数字金融发展可以鼓励企业主动向外界披露年报信息,提高投资者预期,增加股票交易的频率;[12]在企业创新活动方面,数字金融发展可以提升企业的生产效率,在原有研发创新的资源边界下实现更高的产出绩效,[13]并且创新产出效果会吸引外部投资者;[14]在企业全要素生产率方面,冉芳和谭怡(2021)[15]研究发现,数字金融对企业全要素生产率有显著的促进作用,其重要中介机制是企业创新投入。
关于数字金融发展对传统金融的影响方面,张铭心等(2021)[16]发现数字金融强化了正规制度和非正规金融的作用,在一定程度上帮助金融发展摆脱了对地区信任感及合作观念等社会心理的依赖;郭丽虹和朱柯达(2021)[17]分析了金融科技对银行业绩和风险的影响,发现金融科技手段的运用可以提升银行发放普惠贷款的意愿,并且降低风险。
综上,现有研究充分讨论了企业杠杆率的影响因素和数字金融对企业行为和传统金融的影响,但对于数字金融对企业杠杆率的影响机制仍缺乏详细的探讨,就数字金融与传统金融对企业经营影响的共性与差异、二者之间的关联等分析不足,同时多侧重于数字金融带来的融资约束缓解与融资成本降低等需求侧分析之中,对于数字金融带来的网点增加、金融可得性增加以及与传统信贷的区别分析不足。本文以企业杠杆率作为分析对象,拓展了现有文献对于数字金融实体效应的相关分析。
(二)理论分析与研究假设
大数据算法和金融科技的运用使数字金融大大减少了金融机构与用户之间的信息不对称。数字金融可以通过降低企业的融资约束和财务费用,进而提升企业内部控制质量和风险稳定程度来降低企业杠杆率。[18]林爱杰等(2021)[19]研究发现,数字金融不仅可以显著降低企业杠杆率,并且能够优化债务期限结构,尤其是对中小企业、私营企业、中部省份企业和高技术行业企业的杠杆率降低作用更明显。这是因为数字金融的普惠特征可以降低中小企业获得信贷资金的门槛、缩短借款审批流程,使资金的回报率上升。企业获得外部融资,有利于实体经营效率的提升,使总资产增加,进而降低企业杠杆率。基于此,本文提出假设H1a。
H1a:数字金融发展会降低企业杠杆率。
然而另一方面,企业金融可得性的增加可能导致企业改变贷款用途、增加金融化投资,出于利润最大化的目标,企业会进一步增加债务总额,使杠杆率上升。对于经营状况不佳的企业,坏账率增加会导致“借新还旧”,需要依赖更多外部融资维持企业的存续,使企业杠杆率上升。此外,数字金融发展会造成传统银行同业竞争加剧,使其倾向于拓展现有业务,造成信贷质量下降,原来无法获得信贷的低资质企业有机会获得信贷资金(例如各类高息贷款、P2P等),同时造成信贷成本提升,使企业的债务总额上升,杠杆率增加。根据上述分析,本文提出假设H1b。
H1b:数字金融发展会增加企业杠杆率。
进一步来看,数字金融降低企业杠杆率的重要途径是缓解企业的财务困境。财务困境是一个从资金紧张、财务危机、债务违约到经营失败的动态发展演变过程。[20]王相宁和刘肖(2021)[21]使用2011-2018年中国中小板企业数据研究发现:金融科技通过降低信息不对称程度显著改善了中小企业的融资约束;翟淑萍等(2021)[22]研究发现数字金融可以有效抑制短贷长投,缓解企业投融资期限错配。数字金融在缓解小微企业融资约束的同时降低了企业杠杆率,起到了一举两得的作用。[23]因此,本文提出假设H2。
H2:数字金融发展会缓解企业财务困境,进而降低企业杠杆率。
数字金融利用信息技术在时间和空间上的优势扩大了传统金融的覆盖面、缓解了金融排斥,并且降低了交易成本、提升了资金配置的效率,彻底改变了传统金融的模式。[24]数字金融发展缩短了银行网点与实体企业之间的物理距离,增加了城市的银行密度,使金融机构之间的同业竞争更为激烈,拓宽了企业的融资渠道,使企业的金融可得性大大提高。传统的银行贷款需要根据抵押物的市场价值评估贷款额度,而数字金融可以通过企业资质、经营状况、资金运营、管理层征信等“软约束”综合评估企业的还款能力,灵活调整贷款额度,企业的借贷需求较容易得到满足,贷款额度上升可能导致企业杠杆率增加。因此,本文提出假设H3。
H3:数字金融发展会增加企业金融可得性,进而增加企业杠杆率。
从资源配置的角度看,非完全竞争市场会导致资源错配。我国的金融市场并非有效的资本市场,社会结构的差异使某些政策和信贷资源配给存在垄断和错配的现象,企业面临的融资条件和融资成本存在差异,金融资源配置效率低下。[25][26]而金融错配会影响企业的实体投资和研发创新,弱化信贷资源的跨期配置能力。[27]数字金融的发展通过大数据甄别技术,降低了信贷搜索成本,更有效地解决了信贷配给问题,防止由于信贷资金向国企过度倾斜等问题,造成结构性信贷发放不合理,因此会降低资源错配程度,改善企业的融资约束、降低融资成本,这有利于增强企业的偿债能力,进而降低杠杆率。因此,本文提出假设H4。
H4:数字金融发展会降低资源错配程度,进而降低企业杠杆率。
综上,数字金融发展对企业杠杆率的影响机制主要有三:一是财务困境缓解,二是金融可得性增加,三是资源错配程度下降。
 
二、研究设计
(一)样本选取和数据来源
本文选取2011-2018年中国A股上市公司为研究样本,剔除金融行业、ST、*ST公司和数据异常及缺失的样本,同时对连续变量在1%上下进行缩尾处理,最终得到11848家上市企业连续8年的观测数据。匹配企业所在省份的北京大学数字普惠金融指数,包括数字普惠金融总指数、数字金融覆盖广度指数和数字金融使用深度指数。研究中所使用的上市企业财务数据来自WIND数据库,数字普惠金融指数来自北京大学数字金融研究中心。
(二)变量定义与度量
本文的被解释变量是企业的杠杆率水平,即资产负债率,等于企业总负债/总资产*100%。为避免内生性,企业杠杆率采用未来一期Flev。
本文的核心解释变量是北京大学数字普惠金融指数,包括数字普惠金融总指数的对数lndig1、数字金融覆盖广度指数的对数lndig2和数字金融使用深度指数的对数lndig3。
企业层面控制变量有:(1)企业现金流量的对数lncash,即企业当期持有的现金和现金等价物的对数。(2)企业的资产收益率roa,反映企业盈利能力,等于企业净利润/总资产年平均余额。(3)企业的销售收入增长率incgrowth,等于[(当期的销售收入-上一期的销售收入)/上一期的销售收入]*100%。(4)企业总经理与董事长是否二职分离dual,若是则变量取1,否则取0。(5)企业规模size,通过总资产取自然对数获得。(6)前10大股东持股比例top10。(7)企业的托宾Q值tobinq,等于(股票市值+净债务)/有形资产现行价值。
(三)计量模型设定
为验证H1a和H1b,本文构建面板数据固定效应模型(1)来考察数字金融发展对企业杠杆率的影响。若H1a成立,则lndig的系数α1会显著小于0,即数字金融发展降低了企业杠杆率;若H1b成立,则lndig的系数α1会显著大于0,即数字金融发展增加了企业杠杆率。CV为其他企业特征控制变量,Industry为行业固定效应,Year为时间固定效应,ε为随机误差项。

 
三、实证结果与分析
(一)描述性统计
表1的描述性统计显示,企业杠杆率的平均值是49.9%,标准差是0.294。数字普惠金融总指数lndig1介于2.846和5.822之间,数字金融覆盖广度指数lndig2介于1.085和5.759之间,数字金融使用深度指数lndig3介于2.049和5.984之间,地区之间的数字金融发展程度具有显著的差异。企业特征变量的均值和方差与既有文献一致。

(二)基准回归结果
表2显示了数字金融发展对企业杠杆率影响的基准回归结果。(1)-(3)列的核心解释变量分别是数字普惠金融总指数dig1、数字金融覆盖广度指数dig2和数字金融使用深度指数dig3的对数值,系数分别为-0.079、-0.041和-0.069,均在1%的水平显著。以lndig1为例,数字普惠金融总指数每上升10%,企业杠杆率平均下降0.79%。上述结果验证了H1a,即数字金融发展降低了企业杠杆率,并且作用渠道主要是通过数字金融覆盖广度和数字金融使用深度。


(三)调节机制分析
本文进一步虚拟变量通过樊纲市场化指数mktscore、是否网络中国试点城市treatdg和数字经济主成分lndigen与数字普惠金融总指数的交乘项来考察其调节效应。樊纲等(2003)[28]提出的樊纲市场化指数用于反映各地区的市场化程度,表3第(1)列显示,其交乘项系数显著为负,说明在市场化程度较高的地区,数字普惠金融发展对企业杠杆率的降低作用更大;张蕊和余进韬(2021)[29]以2013年我国开始推进的“宽带中国”试点建设作为外生冲击,从2014年到2016年先后选出120个城市作为试点,增大网络硬件投资,扩大宽带网络覆盖,提升网络运行速度,考察这一政策对数字金融降低企业杠杆率的调节效应。表3第(2)列显示,网络中国试点城市与数字普惠金融总指数的交乘项显著为负,说明在实施这一政策的城市,数字普惠金融发展对企业杠杆率的降低作用更大;表3第(3)列中,通过主成分分析法构造的数字经济指数,①与数字普惠金融总指数的交乘项系数也显著为负,说明区域数字经济发展程度的提升,能显著增强数字金融发展对企业杠杆率的降低作用。可见,数字网络环境的成熟增加了数字金融发展对企业杠杆率的降低作用。

(四)异质性分析
1.长短期杠杆率。表4显示了数字金融发展对企业长短期杠杆率的差异化影响。(1)(2)列分别是短期杠杆率和长期杠杆率,其中短期杠杆率等于短期借款/总资产,长期杠杆率等于长期借款/总资产。为尽可能避免互为因果导致的内生性,被解释变量采用未来一期,重点关注数字普惠金融总指数lndig1的系数。可以看出,数字金融发展显著降低了企业的短期杠杆率和长期杠杆率,系数分别为-0.015和-0.042,均在1%水平上显著。数字普惠金融总指数每上升10%,短期杠杆率平均下降0.15%,企业长期杠杆率平均下降0.42%,说明数字金融发展对长期杠杆率的降低作用显著强于短期杠杆率。
2.流动资产与流动负债。为考察数字金融发展对企业杠杆率分子端和分母端的差异化影响,分别从流动资产与流动负债的角度展开分析。为减小内生性,使用未来一期的流动资产与流动负债。表4的(3)(4)(5)列分别是企业流动资产对数值、流动负债对数值和流动比率。第(3)列结果显示,数字金融发展对企业流动资产的影响不显著。第(4)列结果显示,数字金融显著降低了企业的流动负债,这可能是由于金融可得性的增加减少了企业的预防性动机,短期资金需求很容易得以满足,而不必提前募集。第(5)列结果显示,数字金融发展显著提高了企业的流动比率,可能的原因是数字金融拓宽了企业的融资渠道、缓解了融资约束,使企业更易筹集到短期资金,流动负债减少导致流动比率提高,这与(3)(4)列的结果保持一致。

3.东中西部地区分组回归。我国幅员辽阔,东中西部地区经济发展差异大。数字金融发展依托于互联网技术、计算机人才和各种硬件设施的聚集,东部地区明显比中西部地区具有明显优势。表5展示了数字金融发展对东中西部地区企业杠杆率的影响。②结果显示,数字金融发展显著降低了东部地区企业的杠杆率,并在1%的水平上显著,而对中西部地区企业的杠杆率影响不显著。可能的原因在于,东部地区的数字网络硬件设施更为完善、金融发展水平较高、企业对外部融资的需求较大,数字金融可以成为传统银行信贷的有效替代,并降低企业杠杆率;而中西部地区囿于经济发展水平、有限融资途径以及金融科技覆盖率偏低,数字金融对企业借贷行为的影响并不显著。


(五)稳健性检验
1.剔除2015年金融冲击。在本文的研究时间窗口内,包含2015年国内“股灾”的金融冲击事件。鉴于此,在稳健性检验中剔除2015年的数据,尽可能排除“股灾”事件对企业违约风险的影响。结果显示,数字普惠金融总指数lndig1和数字金融覆盖广度指数lndig2显著降低了企业杠杆率,基准回归结果并未发生改变。
2.内生性处理。为尽可能避免反向因果和遗漏变量导致的内生性问题,本文采用工具变量两阶段最小二乘法进行内生性检验。参考林爱杰等(2021)[19],使用省级移动电话交换机容量对数值(lnexc)和互联网网络普及率(netrate)作为数字金融各指数的工具变量,其有利于促进数字金融发展,同时与企业杠杆率不相关,满足工具变量的相关性和排他性假设。从表6第(2)(4)列的回归结果中能够看到,无论是使用lndig1还是lndig2,数字金融发展均显著降低了企业的杠杆率。同时,工具变量均通过了弱工具变量检验、识别不足检验和过度识别检验。Wald F统计量的值分别为7794.73和6448.55,远大于经验值10,排除了弱工具变量的可能。LM统计量的值分别为6679.86和6132.10,拒绝工具变量识别不足的原假设。Sargan统计量对应的p值分别为0.5121和0.5491,不能拒绝原假设,工具变量选取有效。工具变量通过了所有检验,原模型不存在严重的内生性问题,基准回归结果稳健。

四、作用机制检验
上述回归结果表明,数字金融发展可以显著降低企业杠杆率,但其作用机制还需进一步厘清。本部分将从企业财务困境、金融可得性和资源错配三个视角进一步探讨二者之间的关系,以揭示数字金融发展降低企业杠杆率的内在作用机制。
(一)基于财务困境视角的作用机制检验
Altman(1968)[30]提出的zscore打分模型是最有代表性的财务困境预警模型,本文沿用其方法,使用zscore来衡量企业的财务困境。zscore越高,企业发生财务困境的概率越低。为减少内生性,使用未来一期的zscore作为中介变量进行检验。表7第(1)列的结果显示,数字金融发展显著增加了企业zscore,即降低了企业发生财务困境的可能性;第(2)列的结果显示,企业zscore增加会显著降低企业的杠杆率。因此,企业财务困境缓解是数字金融发展影响企业杠杆率的部分中介因子。这一结果验证了“数字金融发展—企业财务困境缓解—企业杠杆率下降”这一影响路径的存在,假设H2成立。
(二)基于金融可得性视角的作用机制检验
本文使用企业所在城市银行密度(bankdens)来衡量企业的金融可得性。银行密度等于城市银行数量除以城市面积,其值越大,企业的金融可得性越强。为减少内生性,使用未来一期的银行密度作为中介变量进行检验。表7第(3)列的结果显示,数字金融发展显著增加了企业所在城市银行密度;第(4)列的结果显示,城市银行密度会显著提升企业的杠杆率。因此,金融可得性增加是数字金融发展影响企业杠杆率的部分中介因子。这一结果进一步验证了“数字金融发展—金融可得性增加—企业杠杆率增加”这一影响路径的存在,假设H3成立。


(三)基于资源错配视角的作用机制检验
参考邵挺(2010)[27]、周煜皓和张盛勇(2014)[31]、江艇等(2018)[32],本文使用未来一期企业的资金使用成本减去行业平均资金使用成本的差值Finmis、企业全要素生产率减去行业平均全要素生产率的差值Ftfpmis来衡量资源错配程度。如果不存在资源错配,所有企业的资金使用成本和全要素生产率水平均应趋同,即等于行业平均的资金使用成本和全要素生产率水平。资金使用成本差异越大(TFP差值越小),说明资源错配的程度越高。表8第(1)(3)列展示了数字金融发展对资源错配程度的影响:数字金融发展显著降低了企业资金使用成本的离差,同时显著增加了企业全要素生产率的离差,这说明数字金融发展促进了企业资金使用成本的下降和全要素生产率的提高。表8第(2)(4)列中介效应第三阶段检验,反映了数字金融通过资源错配程度的降低,进而对企业杠杆率产生影响。可以看出,企业资金使用成本错配程度对企业杠杆率有显著的正向影响,而全要素生产率错配程度对企业杠杆率有显著的负向影响。因此,数字金融通过降低企业资源错配程度的渠道显著降低了企业杠杆率,假设H4得以验证。


五、进一步分析
(一)数字金融、中长期信贷与杠杆率
数字金融线上渠道融资一般是短期贷款,而传统银行信贷一般以中长期贷款为主,表9展示了数字金融发展通过传统银行信贷影响企业杠杆率的中介效应机制:第(1)列结果显示,企业中长期贷款比例对企业杠杆率有显著的提升作用,这与传统金融对企业融资影响的理论一致。第(2)(3)列结果显示,数字金融发展显著降低了企业中长期贷款的比例,并且显著降低了中长期贷款对企业杠杆率的提升作用。因此,传统银行信贷是数字金融发展影响企业杠杆率的部分中介因子。这也说明数字金融对传统银行信贷有一定的替代作用,其审批流程快、放款效率高、借贷门槛低的优势使企业减少了对银行中长期贷款的依赖。因此,数字金融发展会通过降低企业中长期贷款比例这一间接影响机制降低企业杠杆率。

(二)数字金融与传统金融对比:杠杆率与违约风险
众多研究发现:企业杠杆率过高会引发债务违约,进而导致系统性金融风险。[33](P.1-59)[34]表10展示了不同金融类型对企业债务违约风险的影响。参照孟庆斌等(2019)[35]的分析方法,以KMV模型为基础,根据Bharath & Shumway(2008)[36]的分析方法,计算未来一期企业简化违约概率Fedfm衡量企业的债务违约风险。由表10第(1)列可以看出,企业杠杆率的上升显著增加了企业的债务违约风险,这与现有研究的结论保持一致。由表10第(2)(3)列可以看出,在企业杠杆率增加债务违约风险的调节效应方面,数字金融发展并未发挥显著作用,而企业中长期借款比例会显著增强这一效果。这反映出数字金融的结构性信贷政策相较于传统金融大水漫灌式信贷政策的优势,在缓解企业融资约束的同时,能够避免企业杠杆率升高导致企业债务违约风险骤增。


六、结论与启示
本文基于2011-2018年中国A股上市公司和北京大学数字普惠金融指数,运用面板固定效应模型、中介效应模型和调节效应模型实证研究了数字金融发展对企业杠杆率的影响机制。主要结论如下:第一,数字金融发展可以显著降低企业杠杆率,通过剔除2015年金融冲击的数据以及使用工具变量法的稳健性检验,该结论依然成立。异质性方面,数字金融发展对长期杠杆率的降低作用显著强于短期杠杆率,对企业流动负债和东部地区企业杠杆率的降低作用较为显著。第二,数字金融发展降低企业杠杆率的作用机制主要是通过缓解企业财务困境、增加金融可得性和降低资源错配程度,表明数字经济能够对企业去杠杆和高质量发展提供助力。第三,地区金融发展水平和数字经济发展水平的提升,会显著增强数字金融降杠杆的作用。第四,传统长期信贷比例的提升会显著增加杠杆率,同时提升违约风险,而数字金融会带来杠杆率的下降,对违约风险影响不明显。
本文的研究结论为数字金融发展促进企业去杠杆提供了经验证据,并且具有如下政策启示:首先,数字金融具有降低企业杠杆率的经济效应,丰富了当前“稳增长”和“去杠杆”的政策工具。应加大对数字网络硬件设施的投入,促进数字中国建设,进而通过数字金融作为传统信贷的替代方式,降低企业杠杆率水平。其次,数字金融发展对传统银行信贷会产生一定的替代效应,促进同业竞争,提升市场效率。企业去杠杆政策应更多依靠信贷结构转型,大力推进新金融业态与传统信贷的结合。最后,数字金融发展通过降低企业杠杆率,可以进一步降低企业的债务违约风险。在当前全球经济低迷、疫情持续、企业违约事件不断发生的背景下,应加强地区市场化建设,增加网络硬件投资支出,完善数字网络环境,推动金融发展和数字经济、金融科技共同发展,进而降低企业债务违约风险,促进经济高质量发展。
 
注释:
①数字经济主成分由企业所在城市的电信业务收入、信息传输计算机服务和软件业从业人数、互联网宽带接入用户数和移动电话用户数构成,权重分别为0.8115、0.1200、0.0466和0.0219。
②其中,东部地区包括:江苏、上海、浙江、福建、广东、山东、安徽、海南、黑龙江、辽宁、吉林、河北、天津、北京;中部地区包括:河南、湖北、湖南、江西、山西、内蒙古;西部地区包括:陕西、宁夏、甘肃、四川、重庆、贵州、广西、云南、西藏、青海、新疆。
③由于篇幅所限,稳健性检验结果备索。
 
参考文献:
[1]纪敏,严宝玉,李宏瑾.杠杆率结构、水平和金融稳定——理论分析框架和中国经验[J].金融研究,2017(2).
[2]谭小芬,李源,王可心.金融结构与非金融企业“去杠杆”[J].中国工业经济,2019(2).
[3]王宇伟,盛天翔,周耿.宏观政策、金融资源配置与企业部门高杠杆率[J].金融研究,2018(1).
[4]金鹏辉,王营,张立光.稳增长条件下的金融摩擦与杠杆治理[J].金融研究,2017(4).
[5]周彬,周彩.土地财政、企业杠杆率与债务风险[J].财贸经济,2019(3).
[6]刘晓光,刘元春,王健.杠杆率、经济增长与衰退[J].中国社会科学,2018(6).
[7]刘晓光,刘元春,申广军.杠杆率的收入分配效应[J].中国工业经济,2019(2).
[8]刘哲希,李子昂.结构性去杠杆进程中居民部门可以加杠杆吗[J].中国工业经济,2018(10).
[9]Carlos Cuerpo,Ines Drumond,Julia Lendvai,Peter Pontuch,Rafal Raciborski.Indebtedness,Deleveraging Dynamics and Macroeconomic Adjustment[C].European Commission Economic Papers,2017.
[10]汪勇,李雪松.外生冲击、房地产价格与企业投资[J].财经研究,2019(3).
[11]陈春华,曹伟,曹雅楠,邵薪洁.数字金融发展与企业“脱虚向实”[J].财经研究,2021(6).
[12]Liu,S.Investor Sentiment and Stock Market Liquidity[J].Journal of Behavioral Finance,2015(16).
[13]Loebbecke,C.Picot,A.Reflections on Societal and Business Model Transformation Arising from Digitization and Big Data Analytics[J].Journal of Strategic Information Systems,2015(24).
[14]Hoenig,D,Henkel,J.Quality Signals? The Role of Patents,Alliances and Team Experience in Venture Capital Financing[J].Research Policy,2015(44).
[15]冉芳,谭怡.数字金融、创新投入与企业全要素生产率[J].统计与决策,2021(15).
[16]张铭心,汪亚楠,郑乐凯,石悦.数字金融的发展对企业出口产品质量的影响研究[J].财贸研究,2021(6).
[17]郭丽虹,朱柯达.金融科技、银行风险与经营业绩——基于普惠金融的视角[J].国际金融研究,2021(7).
[18]张斌彬,何德旭,张晓燕.金融科技发展能否驱动企业去杠杆?[J].经济问题,2020(1).
[19]林爱杰,梁琦,傅国华.数字金融发展与企业去杠杆[J].管理科学,2021(1).
[20]张金昌,王大伟.财务困境预警:概念界定与理论辨析[J].财经论丛,2020(12).
[21]王相宁,刘肖.金融科技对中小企业融资约束的影响[J].统计与决策,2021(13).
[22]翟淑萍,韩贤,陈曦.数字金融对企业投融资期限错配的影响及其路径分析[J].广东财经大学学报,2021(4).
[23]梁琦,林爱杰.数字金融对小微企业融资约束与杠杆率的影响研究[J].中山大学学报(社会科学版),2020(6).
[24]Demertzis,M.,S,Merler,G.B.Wolf.Capital Markets Union and the Fintech Opportunity[J].Journal of Financial Regulation,2018(1).
[25]韩珣,李建军.金融错配,非金融企业影子银行化与经济“脱实向虚”[J].金融研究,2020(8).
[26]张庆君,李雨霏,毛雪.所有制结构,金融错配与全要素生产率[J].财贸研究,2016(4).
[27]邵挺.金融错配,所有制结构与资本回报率:来自1999~2007年我国工业企业的研究[J].金融研究,2010(9).
[28]樊纲,王小鲁,张立文,朱恒鹏.中国各地区市场化相对进程报告[J].经济研究,2003(3).
[29]张蕊,余进韬.数字金融、营商环境与经济增长[J].现代经济探讨,2021(7).
[30]Altman E.I.Financial Ratios,Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].The Journal of Finance,1968(4).
[31]周煜皓,张盛勇.金融错配、资产专用性与资本结构[J].会计研究,2014(8).
[32]江艇,孙鲲鹏,聂辉华.城市级别、全要素生产率和资源错配[J].管理世界,2018(3).
[33]Mendoza,E.,Terrones,M.,An Anatomy of Credit Booms:Evidence from Macro Aggregates and Micro Data.[C].NBER Working Paper,2008.
[34]Schularick, Moritz, and Alan M. Taylor, Credit Booms Gone Bust:Monetary Policy, Leverage Cycles, and Financial Crises, 1870-2008.[J].American Economic Review, 2012,102(2)
[35]孟庆斌,侯粲然,鲁冰.企业创新与违约风险[J].世界经济,2019(10).
[36]Bharath S T,Shumway T.Forecasting Default with the Merton Distance to Default Model[J].Review of Financial Studies,2008(3).
 
责任编辑:刘梅

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存