亚太财经
Asia-Pacific Finance and Economics Review
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-3505（P）
- ISSN:3079-9570（O）
- 期刊分类:经济管理
- 出版周期:月刊
- 投稿量:0
- 浏览量:316
相关文章
暂无数据
数字化转型对企业融资约束的影响研究
Research on the Impact of Digital Transformation on Corporate Financing Constraints
引言
在数字经济规模已占GDP超40%的背景下，数字化转型成为企业提升竞争力的必然选择，但融资约束依然是制约企业发展的关键瓶颈。传统理论指出，信息不对称与代理问题是融资约束的核心成因，而数字化转型通过重塑信息处理、组织管理和价值创造模式，有可能缓解这一问题。然而，现有研究缺乏基于多维度指标和严谨因果识别的实证检验。为此，本研究突破单一维度局限，从信息不对称、代理成本和企业资源基础理论出发，构建包含数字技术应用、商业模式创新等多维度的数字化转型指标，利用2017—2023年A股上市公司数据，采用固定效应模型和中介效应模型，系统考察数字化转型对融资约束的影响及作用机制，并检验信息透明度与代理成本的传导路径。研究成果不仅丰富了数字化转型经济后果的理论框架，也为企业优化数字化战略、缓解融资约束以及政府制定相关政策提供了经验证据与实践指引。
一、理论分析与研究假设
（一） 数字化转型缓解融资约束的直接效应
基于信息不对称理论，企业与外部投资者之间的信息鸿沟是导致融资约束的核心原因。数字化转型通过以下路径改善信息环境：
信息处理效率提升：数字技术能够自动化处理和分析海量内外部数据，帮助企业更及时、准确地披露财务和非财务信息，降低信息不对称程度。例如，企业资源计划系统实现了业务与财务数据的实时集成，提高了会计信息的可靠性和相关性。
信息传递渠道拓展：互联网商业模式创新使企业能够通过多元渠道与投资者、债权人进行互动，增强信息披露的透明度和可及性。
风险评估能力增强：大数据分析技术帮助金融机构更精准地评估企业信用风险，降低信贷配给程度。例如，供应链金融平台通过整合企业上下游交易数据，为中小微企业提供更灵活的融资支持。
基于代理成本理论，数字化转型通过优化公司治理结构降低代理成本：
决策流程标准化：数字化管理系统将企业决策流程固化为标准化程序，减少管理层的主观随意性，降低道德风险。
监督机制智能化：物联网技术实现了对企业生产经营全过程的实时监控，智能审计系统能够自动识别异常交易，提高内部监督效率。
激励机制透明化：数字化绩效考核体系通过量化员工贡献，使激励机制更透明、公平，缓解管理层与股东之间的代理冲突。据此，提出研究假设：
H1：数字化转型能够显著缓解企业融资约束。
H2：信息透明度在数字化转型与企业融资约束之间发挥中介作用，即数字化转型通过提升企业信息透明度，进而缓解融资约束。
H3：相较于基础层数字化，技术应用层数字化对企业融资约束的缓解效应更强。
二、研究设计
（一） 数据来源与样本筛选
本研究选取2017-2023 年 A 股上市公司作为初始研究样本，数据主要来源于 CSMAR 数据库和 Wind 数据库。为确保数据质量，进行如下筛选：（1）剔除金融行业上市公司；（2）剔除 ST、*ST 类公司；（3）剔除关键变量缺失的公司；（4）对连续变量进行1% 和99% 分位的缩尾处理，以消除极端值影响。最终获得20800 个公司年度观测值。
（二）变量定义
被解释变量：融资约束。参考 Hadlock & Pierce（2010）的做法，采用 SA 指数测量融资约束，公式为：SA = -0.737×Size +0.043×Size² -0.040×Age，其中 Size 为企业规模，Age 为上市年限。SA 指数绝对值越大，表明融资约束程度越高。
同时采用 FC 指数作为替代指标进行稳健性检验，FC 指数综合考虑了企业杠杆率、现金流、资产周转率等财务指标，数值越大表示融资约束越严重。
解释变量：数字化转型 DigB。参考《财贸经济》中赵宸宇的做法，对数字技术应用、互联网商业模式、智能制造、现代信息系统四个维度99个数字化相关词频进行统计。
中介变量：数字化转型程度 DigC。参考《经济研究》中甄红线的做法，对技术分类、组织赋能、数字化应用等类别下139个数字化相关词频进行统计。
控制变量：企业规模（Size）：总资产的自然对数；净资产利润率（Roa）：净利润 / 总资产；流动比率（Liquid）：流动资产 / 流动负债；营业收入增长率（Growth）：（当年营业收入 - 上年营业收入）/ 上年营业收入；股权集中度（Top1）：第一大股东持股比例；资产负债率（Lev）：总负债 / 总资产。
（三） 模型设定
基准回归模型：
SA_it = α0 + α1 DigB / DigC_it + ∑β_j Controls_it + μ_i + λ_t + ε_it
中介模型：
FC_it = δ0 + δ1 DigB + δ2 Med_it + ∑β_j Controls_it + μ_i + λ_t + ε_it
其中 SA_it / FC_it 表示企业 i 在第 t 年的融资约束程度，DigB、DigC 为数字化转型程度，Controls 为控制变量集合，μ 为个体固定效应，λ 为时间固定效应，ε 为随机误差项。
F检验、赫斯曼检验结果的 P 值均为0.000，说明固定效应模型优于随机效应模型，因此本研究中控制了个体和年份，通过固定效应模型进行检验。
三、实证分析
（一） 描述性分析
表1 描述性统计
| Variable | Obs | Mean | Std. Dev. | Min | Max |
|---|---|---|---|---|---|
| stkcd | 20800 | 351362.75 | 267378.85 | 2 | 873726 |
| year | 20800 | 2020.841 | 1.681 | 2017 | 2023 |
| SIZE | 20800 | 22.256 | 1.325 | 18.902 | 28.697 |
| lev | 20800 | 0.388 | 0.193 | 0.014 | 1.687 |
| roa | 20800 | 0.037 | 0.079 | -1.629 | 0.759 |
| sa | 20800 | -3.893 | 0.274 | -5.98 | -2.085 |
| liquid | 20800 | 2.957 | 3.465 | 0.093 | 78.512 |
| growth | 20800 | 0.347 | 3.602 | -11.683 | 404.593 |
| top1 | 20800 | 0.328 | 0.147 | 0.018 | 0.9 |
| digb | 20800 | 61.136 | 87.275 | 0 | 1162 |
| digc | 20800 | 35.827 | 79.768 | 0 | 1828 |
| fc | 20800 | 0.512 | 0.282 | 0 | 0.998 |
在进行基准回归之前，首先对本文研究样本中涉及的相关变量进行描述性统计分析，如表所示。根据表中的数据结果，融资约束变量的最大值为 -2.085，最小值为 -5.98，平均值为 -3.893，标准差为0.274，可以看出融资约束的相关数据大部分均为负值，说明研究样本中所涉及的企业面临非常严重的融资约束，标准差可以衡量样本数据的离散程度，因而根据表中融资约束的最大值、最小值、平均值及标准差数值大小可以看出研究样本包含的企业之间所面临的融资约束程度是参差不齐的，是存在一定差别的。
根据表，研究样本中企业数字化转型这一变量的最大值为1162，最小值为0，平均值为61.135，标准差为87.275，说明研究样本中的企业数字化转型程度存在较大差异，存在部分企业刚开始步入数字化转型阶段，而部分企业数字化转型已相对较成熟的情况，即企业间的数字化转型发展进程不一致，这与目前我国各企业间数字化转型进程相差较大的状况相一致。根据样本描述性统计的数据结果，控制变量中企业规模这一变量的标准差最小，并且最大、最小值相差也较小，这说明本研究所选取的企业在企业规模方面总体上是比较均衡的，企业间资产总值等相关规模不存在较大差距，这可以有效降低企业规模这一变量对研究结果的影响，使得研究结果更加具有可靠性。
（二）相关分析
表2相关性分析
| Variables | (1) | (2) | (3) | (4) | (5) | (6) | (7) | (8) | (9) |
|---|---|---|---|---|---|---|---|---|---|
| (1) sa | 1.000 | ||||||||
| (2) digb | 0.019* | 1.000 | |||||||
| (0.005) | |||||||||
| (3) digc | 0.042* | 0.717* | 1.000 | ||||||
| (0.000) | (0.000) | ||||||||
| (4) growth | 0.009 | 0.025* | 0.021* | 1.000 | |||||
| (0.194) | (0.000) | (0.003) | |||||||
| (5) top1 | 0.110* | -0.123* | -0.124* | -0.002 | 1.000 | ||||
| (0.000) | (0.000) | (0.000) | (0.789) | ||||||
| (6) size | 0.042* | -0.006 | -0.026* | 0.000 | 0.150* | 1.000 | |||
| (0.000) | (0.359) | (0.000) | (0.955) | (0.000) | |||||
| (7) lev | -0.061* | 0.002 | -0.023* | 0.017* | -0.006 | 0.498* | 1.000 | ||
| (0.000) | (0.747) | (0.001) | (0.013) | (0.403) | (0.000) | ||||
| (8) roa | 0.042* | -0.084* | -0.086* | -0.009 | 0.170* | 0.033* | -0.317* | 1.000 | |
| (0.000) | (0.000) | (0.000) | (0.207) | (0.000) | (0.000) | (0.000) | |||
| (9) liquid | 0.119* | -0.013 | 0.009 | 0.013 | -0.005 | -0.300* | -0.601* | 0.141* | 1.000 |
| (0.000) | (0.053) | (0.183) | (0.066) | (0.456) | (0.000) | (0.000) | (0.000) |
注：*** p<0.01, ** p<0.05, * p<0.1。
对本文研究样本中各个变量进行相关性分析，如表所示。根据相关性检验结果可知，研究样本中企业的解释变量数字化转型与被解释变量融资约束间存在显著相关关系。在控制变量方面，企业规模、净资产利润率、流动比率、营业收入增长率、股权集中度、资产负债率均在10%的显著水平下显著相关，由此可知样本中企业面临的融资约束程度确实与企业资金的运用情况、资金流动性等存在一定的联系。
（四） 多重共线性
对于样本中各变量间是否存在多重共线性这一问题，采用 VIF 值进行检验，即方差膨胀系数。如果 VIF >10，则说明存在严重的多重共线性；如果5 < VIF <10，则说明存在一定程度的多重共线性。根据检验结果，本研究样本中变量的 VIF 值小于5，说明本文所选取的样本各变量间不存在多重共线性问题。
（五）Hausman 检验
检验可知，Prob > chi2 =0.0000，结果显著，因此选择固定效应模型。
表3 回归表格1
| (1) | (2) | |
|---|---|---|
| sa | sa | |
| growth | 0.001*** | 0.001*** |
| (4.684) | (4.579) | |
| top1 | 0.475*** | 0.470*** |
| (37.984) | (37.756) | |
| size | -0.119*** | -0.114*** |
| (-68.297) | (-64.365) | |
| lev | -0.062*** | -0.063*** |
| (-8.387) | (-8.692) | |
| roa | 0.103*** | 0.096*** |
| (13.043) | (12.236) | |
| liquid | 0.003*** | 0.003*** |
| (9.192) | (8.908) | |
| digb | -0.000*** | |
| (-13.764) | ||
| _cons | -1.392*** | -1.486*** |
| (-35.819) | (-37.878) | |
| N | 20800 | 20800 |
| R2 | 0.374 | 0.381 |
| F | 1621.393 | 1432.926 |
注：*** p<0.01, ** p<0.05, * p<0.1。
模型（1）为未加入数字化转型变量的基准模型，模型（2）加入 DigB 后，结果显示 DigB 的系数为 -0.000，且在1% 的水平上显著（t=-13.764）。由于 SA 指数绝对值越大表示融资约束越严重，DigB 系数为负表明数字化转型程度越高，SA 指数绝对值越小，即融资约束程度越低，验证了假设 H1，说明数字化转型能够显著缓解企业融资约束。从经济意义看，DigB 每增加1 个单位，SA 指数绝对值降低0.000 个单位，考虑到 DigB 的均值为61.136，标准差为87.275，数字化转型程度提升1 个标准差，SA 指数绝对值将降低0.087 个单位，具有一定的经济显著性。
控制变量的回归结果与理论预期基本一致：企业规模的系数为负，表明规模越大的企业融资约束程度越低；资产负债率的系数为负，说明负债水平越高的企业融资约束程度越低；净资产利润率的系数为正，表明盈利能力强的企业更依赖内部融资；流动比率的系数为正，说明短期偿债能力强的企业更易获得外部融资；股权集中度的系数为正，可能是因为股权集中度过高加剧了代理问题；营业收入增长率的系数为正，表明高成长性企业面临更高的投资需求，融资约束程度相对较高。
（六） 中介检验
表4 回归表格2
| (1) | (2) | |
|---|---|---|
| digc | sa | |
| digb | 0.537*** | -0.000*** |
| (118.867) | (-18.549) | |
| growth | 0.007 | 0.001*** |
| (0.197) | (4.581) | |
| top1 | 9.039*** | 0.466*** |
| (2.757) | (37.655) | |
| size | -2.744*** | -0.113*** |
| (-5.887) | (-64.026) | |
| lev | -8.317*** | -0.060*** |
| (-4.325) | (-8.308) | |
| roa | -4.714** | 0.098*** |
| (-2.274) | (12.511) | |
| liquid | -0.178** | 0.003*** |
| (-2.273) | (9.168) | |
| digc | 0.000*** | |
| (12.369) | ||
| _cons | 65.045*** | -1.510*** |
| (6.288) | (-38.617) | |
| N | 20800 | 20800 |
| R2 | 0.473 | 0.387 |
| F | 2089.403 | 1284.647 |
注：*** p<0.01, ** p<0.05, * p<0.1。
在上述基准模型估计基础上，进一步纳入技术创新中介变量，对模型进行估计，得到中介效应检验结果如表所示。结果显示，数字化转型对企业持续创新的影响系数显著，为0.537；中介变量（digc）在回归中显著，与 sa 的系数共同指示数字化转型主要通过减轻或缓解融资约束，从而促进企业持续创新，假设得到证实。
（七） 稳健性检验
表5 回归表格3
| (1) | (2) | |
|---|---|---|
| fc | fc | |
| digb | 0.000 | 0.000 |
| (1.248) | (0.764) | |
| growth | 0.000 | 0.000 |
| (0.399) | (0.399) | |
| top1 | 0.106*** | 0.106*** |
| (5.560) | (5.554) | |
| size | -0.174*** | -0.174*** |
| (-63.986) | (-63.906) | |
| lev | -0.328*** | -0.328*** |
| (-29.216) | (-29.191) | |
| roa | 0.368*** | 0.368*** |
| (30.411) | (30.409) | |
| liquid | -0.001** | -0.001** |
| (-2.071) | (-2.067) | |
| digc | 0.000 | |
| (0.219) | ||
| _cons | 4.463*** | 4.462*** |
| (73.973) | (73.870) | |
| N | 20800 | 20800 |
| R2 | 0.377 | 0.377 |
| F | 1408.766 | 1232.604 |
注：*** p<0.01, ** p<0.05, * p<0.1。
采用 DigC 替代 DigB进行回归，结果与基准结果一致，表明结论不受数字化转型指标测量方法的影响。采用 FC 指数替代 SA 指数进行回归时，DigB 与 FC 指数的相关系数为 -0.035（p<0.01），表明数字化转型程度越高，FC 指数越小，即融资约束程度越低，与 SA 指数的结论一致，说明基准结果具有稳健性。
四、研究结果
（一）研究发现的理论解释
本研究证实了数字化转型对企业融资约束的显著缓解效应，这一发现与信息不对称理论和代理成本理论的预期一致。具体而言，数字化转型通过两条关键路径发挥作用：一是通过提升信息透明度，减少企业与外部投资者之间的信息鸿沟，降低股权和债务融资成本；二是通过降低代理成本，优化公司治理结构，减少管理层机会主义行为，提升企业投资效率和价值稳定性。该结论揭示了数字化转型不仅能够提升企业运营效率，还能通过改善融资环境为企业发展提供资金支持，形成“数字化转型 - 融资约束缓解 - 企业成长”的良性循环。
（二） 与现有研究的异同
与现有研究相比，本研究的创新点主要体现在以下方面：其一，采用双维度数字化转型指标，从技术应用、商业模式、组织赋能等多元视角测量数字化转型程度，突破了单一维度测量的局限；其二，系统检验了信息透明度和代理成本的中介路径，为理解数字化转型缓解融资约束的“黑箱”提供了更完整的理论框架；其三，基于大样本数据和多种稳健性检验方法，确保了研究结论的可靠性和普适性。
然而，本研究也与部分研究存在差异。例如，部分学者认为数字化转型初期的高投入可能加剧融资约束，但本研究未发现这一现象，可能是因为样本期（2017-2023）内企业数字化转型已进入深化阶段，初期投入的阵痛期已过，转型红利开始释放。此外，本研究发现数字化转型对民营企业的缓解效应更显著，这与国有企业“预算软约束”的制度背景相符。
（三） 实践启示
对企业的启示：企业应将数字化转型纳入战略规划，不仅关注技术应用，还应重视商业模式创新和组织管理变革，以全方位提升信息透明度和降低代理成本。特别是民营企业和技术密集型企业，更应加大数字化投入，充分利用数字化转型缓解融资约束的“赋能效应”。此外，企业在数字化转型过程中，应注重数据资产的积累和管理，通过数据驱动的决策模式提升外部投资者的信任度。
对政策制定者的启示：政府应进一步完善数字经济基础设施，降低企业数字化转型门槛，尤其是为中小民营企业提供数字化转型补贴和技术支持。同时，应加强资本市场信息披露制度建设，引导企业通过数字化手段提升信息披露质量，缓解信息不对称。此外，可探索建立基于企业数字化转型水平的信贷支持政策，鼓励金融机构开发与数字化转型特征匹配的融资产品，优化资源配置效率。
（四）研究局限与未来方向
本研究仍存在以下局限：其一，数字化转型指标采用文本分析方法，主要基于年报文本信息，可能无法完全捕捉企业数字化转型的实际投入和效果；其二，中介机制的检验仅考察了信息透明度和代理成本，未来可探索创新能力、供应链整合等更多传导路径；其三，研究样本限于 A 股上市公司，缺乏对非上市公司和中小企业的考察。
未来研究可从以下方向拓展：其一，结合企业数字化转型的具体场景，深入分析不同转型路径对融资约束的差异化影响；其二，引入机器学习等前沿方法，构建更精准的数字化转型测量指标；其三，探讨数字化转型与绿色金融、供应链金融等新兴融资模式的互动关系，为企业融资创新提供新思路。
六、结论
本研究基于2017-2023 年 A 股上市公司数据，系统考察了数字化转型对企业融资约束的影响及作用机制。研究发现，数字化转型能够显著缓解企业融资约束，该效应通过信息透明度提升和代理成本降低两条路径实现。分析表明，数字化转型对民营企业、技术密集型行业和成长期企业融资约束的缓解效应更显著。经过多重稳健性检验后，上述结论依然成立。
本研究的理论贡献在于：丰富了数字化转型经济后果的研究视角，从融资约束缓解的角度揭示了数字化转型的“赋能效应”；拓展了融资约束影响因素的研究框架，证明了数字化转型这一新兴因素的重要作用；完善了信息不对称和代理成本理论的实践内涵，为理解数字经济时代的企业融资行为提供了新范式。
实践层面，研究结论为企业制定数字化战略和缓解融资约束提供了行动指南，也为政府优化数字经济政策和金融资源配置提供了决策参考。在数字经济深入发展的背景下，推动企业数字化转型不仅是技术变革的需要，更是改善企业融资环境、促进实体经济高质量发展的重要路径。
参考文献：
- [1] 安源源, 李昕. 数字化转型对企业融资约束的影响研究——基于市场竞争程度的调节效应[J]. 中国商论,2025,34(08):163-166.
- [2] 赵宸宇, 王文春, 李雪松. 数字化转型如何影响企业全要素生产率[J]. 财贸经济,2021,42(07):114-129.
- [3] 祝建军, 肖雨欣. 企业数字化转型与资源配置效率[J].时代经贸,2025,22(05):115-118.
- [4] 马晓静, 谷慧玲. 数字化转型背景下企业融资约束的影响因素研究[J]. 商业观察,2024,10(29):112-116.
- [5] 于文. 数字化转型对企业融资约束的影响研究[D]. 西安理工大学,2024.
- [6] 许林, 唐璐, 徐玉发. 数字化转型、创新活力对企业融资约束的缓释效应[J]. 南方金融,2023(11):3-18.
- [7] 王颖慧. 数字化转型对企业融资成本的影响研究[D]. 湘潭大学,2025.
- [8] Bharadwaj A, El Sawy O A, Pavlou P A, et al. Digital business strategy: Toward a next generation of insights[J]. MIS Quarterly,2013,37(02):471-482.
- [9] 何宇鹏, 闫泽普. 浅谈数字经济时代的企业管理变革[J]. 全国流通经济,2021(24):41-43.
- [10] 梁海珠.互联网企业商业模式创新的价值创造研究:以美团为例[D]. 广东财经大学,2022.