■ 俞毛毛，馬文婷，錢金娥

一、引言

近年來國內外經濟下行壓力持續(xù)增大，新冠肺炎疫情肆虐全球，企業(yè)經營困難重重。2016 年企業(yè)“違約潮”的發(fā)生使得各方對于金融發(fā)展的利弊進行了更多關注與探討，如何使金融發(fā)展更好地服務實體經濟，為企業(yè)發(fā)展提供更多的資金支持，同時又能避免信貸不合理發(fā)放造成的違約風險提升等問題，成為關注的焦點。

隨著大數據、人工智能、云計算等技術的不斷涌現，與傳統金融相結合的新型普惠金融模式——數字金融應運而生，經濟社會進入“數字時代”，中國的數字金融市場不斷擴張。與傳統金融機構相比，一方面，數字金融使用門檻低、信息優(yōu)勢強，對市場的反應能力靈敏，可以有效彌補傳統金融機構體系龐大、轉型緩慢的不足，易于推動金融服務的普惠性。另一方面，由于依托大數據算法等多項前沿技術，數字金融可以更為精準的識別客戶需求，并且操作便捷、成本低，從而對傳統金融機構形成有效競爭，具有一定的替代作用。同時，對企業(yè)而言，數字金融帶來的資本擴張能夠提供更多金融便利，降低融資成本，但信貸的過度擴張又可能造成低效率投資與代理問題的加劇，進而造成違約風險的不斷增加。

本文邊際貢獻主要有三：第一，從數字金融視角，從企業(yè)投融資行為與銀行網點布局兩個方面，揭示數字金融對企業(yè)債務違約風險的影響，拓展了企業(yè)債務違約影響因素的分析框架；第二，作為一種新興的金融業(yè)態(tài)，數字金融的發(fā)展能夠更好解決實體企業(yè)的資金需求，提升投資效率，還是加劇金融體系信息不對稱下風險積聚的狀況？本文回答了這一問題；第三，通過數字金融發(fā)展帶來的商業(yè)銀行網點增加（金融可及性）以及商業(yè)銀行同業(yè)競爭增加兩個角度，進一步拓展了銀企關聯性的相關理論。

二、文獻綜述與研究假設

（一）數字金融對企業(yè)需求側影響渠道

數字金融發(fā)展可以提升企業(yè)的生產效率，在原有研發(fā)創(chuàng)新的資源邊界下實現更高的產出績效（Loebbecke & Picot，2015），并且創(chuàng)新產出效果會吸引外部投資者（Hoenig & Henkel，2015）。宋敏等（2021）發(fā)現金融科技能顯著促進企業(yè)全要素生產率的提高。但鮮有文獻從數字金融發(fā)展與企業(yè)違約風險之間的關聯進行分析。而對于債務違約問題，現有文獻多從企業(yè)管理層過度自信（姜付秀等，2019）、高杠桿率造成的償債能力低下（解文增和王安興，2014）、短期資金運營能力等（鄧路等，2020）分析債務違約風險的影響因素。企業(yè)債務違約具有傳染效應，短期內企業(yè)債務風險的集中釋放極有可能演化為系統性債務危機。因此，合理防控企業(yè)債務違約風險，無論是對企業(yè)長遠發(fā)展，還是對整個國家金融和經濟體系的穩(wěn)定，都具有至關重要的意義（孟慶斌等，2019）。

數字金融發(fā)展可以通過降低金融機構與借款人之間的信息不對稱，緩解借款人的融資約束（李春濤等，2020）。Lin et al.（2013）利用美國Prosper 借貸平臺數據，發(fā)現平臺審核信貸時會使用借款人的社會網絡信息對其資質進行評估，以降低債務違約風險。Huang et al.（2018）使用螞蟻金服的小額貸款數據研究發(fā)現：金融科技的運用使傳統銀行信貸審批發(fā)放的流程從數月降低到3 秒，使企業(yè)的融資成本大為降低。數字金融通過融資約束的緩解，為企業(yè)提供更多的資金支持，同時又能為企業(yè)提供更多新業(yè)態(tài)下的市場空間，例如通過“互聯網+”改變傳統業(yè)態(tài)下企業(yè)經營模式，更好地將金融與實體發(fā)展相結合，這有利于提高企業(yè)的投資效率，提高短期資金運用能力，從而降低企業(yè)債務違約風險。根據上述分析，提出假設H1。

H1：從需求側看，數字金融發(fā)展會緩解企業(yè)的融資約束，提高投資效率，從而降低企業(yè)債務違約風險。

（二）數字金融對銀行網點供給側影響渠道

數字金融主要通過對傳統金融普惠特征的互補作用，增強企業(yè)金融可得性，通過傳統金融市場競爭性的提升作用，增強信貸質量和外部監(jiān)督作用，進而降低企業(yè)違約風險。一方面，金融可得性主要用于衡量企業(yè)獲取金融資源的可得程度，尤指金融設施的有無和數量（張偉俊等，2021）。數字金融發(fā)展縮短了銀行與企業(yè)之間的地理距離，降低了信息搜尋成本，對傳統金融具有互補作用，信息不對稱的減少有利于金融機構對企業(yè)信貸資金的有效監(jiān)控，企業(yè)能夠通過金融網點的擴張和銀企距離的縮短，促進信貸資金可獲得性增加，降低企業(yè)融資約束導致的違約風險。另一方面，數字金融通過大數據和區(qū)塊鏈技術的應用，降低了銀企之間的信息距離，同時打破了商業(yè)銀行的信息壟斷和區(qū)域壟斷（封思賢等，2019），又會吸引大量的小微企業(yè)和個人借貸客戶，進而降低了傳統銀行的利潤水平（邱兆祥和粟勤，2008）。同時，現存的金融機構會加強貸前審查、貸中監(jiān)督和貸后管理，對企業(yè)資質嚴格把關，降低債務違約風險，否則便會在激烈的同業(yè)競爭中失去市場份額，甚至面臨不良貸款導致的利潤虧損、最終被逐出市場。在金融科技的沖擊下，部分銀行網點合并關停便是市場競爭加劇導致部分網點退出市場的證據。根據上述分析，提出假設H2。

H2：從供給側看，數字金融發(fā)展增加了金融可得性和傳統銀行網點競爭程度，從而降低企業(yè)債務違約風險。

綜上所述，本文從需求側和供給側兩個方面分析數字金融發(fā)展對企業(yè)債務違約風險的影響，需求側的影響機制主要是緩解企業(yè)融資約束，提高企業(yè)投資效率，供給側的影響機制主要是增強金融可得性和傳統銀行的競爭程度。全文的分析框架如圖1所示。

圖1 全文分析框架圖

三、研究設計

（一）樣本選取和數據來源

選取2011—2018年中國A股上市公司為研究樣本，剔除金融行業(yè)、ST、ST 公司和數據缺失的樣本，并對連續(xù)變量進行上下1%縮尾處理。通過上市公司所在城市，將上市公司財務數據與數字金融指數進行匹配，最終得到“企業(yè)-年度”級樣本15248 個，其中包含2732 家上市企業(yè)連續(xù)8 年的非平衡面板觀測數據。研究中所使用的上市企業(yè)財務數據來自Wind 數據庫，數字普惠金融指數來自北京大學數字金融研究中心，最短銀企距離和銀行密度的數據通過網絡爬蟲技術獲取企業(yè)與銀行網點的經緯度，構造企業(yè)層面銀行網點擴張指標獲得。

（二）變量定義與度量

1.被解釋變量

（1）企業(yè)債務違約風險

參照孟慶斌等（2019）的分析方法，計算企業(yè)簡化違約概率方程如下：

其中，σ表示債務波動率水平，而σ表示企業(yè)股權波動率水平。并通過企業(yè)債務市值（V）和股權市值（V）占比進行加權運算，計算出市值加權企業(yè)風險水平為：

進一步通過Merton DD（1987）模型，計算得出簡化違約距離為：

其中，T取1年，r為無風險利率，取一年期國債利率通過標準累計正態(tài)分布函數轉化為企業(yè)違約概率edf，違約概率落在0-1 之間，概率越大，企業(yè)違約風險越高。違約風險計算公式為：

（2）企業(yè)實質違約指標

參照孫錚等（2006）研究，企業(yè)是否發(fā)生實質違約取決于企業(yè)上年度短期借款與企業(yè)當期償還額度的差額是否大于零，如若借款額度大于償還額度，則說明企業(yè)并未按期償還借款，此時界定為企業(yè)發(fā)生實質違約（violate=1），否則企業(yè)未發(fā)生實質違約（violate=0）。

2.解釋變量

核心解釋變量是北京大學數字普惠金融指數，包括數字普惠金融總指數（dig1）、數字金融覆蓋廣度指數（dig2）、數字金融使用深度指數（dig3）。對上述變量取對數后作為解釋變量lndig1-lndig3。

3.控制變量

控制變量主要包括：企業(yè)規(guī)模size，對總資產取對數獲得；企業(yè)年末貨幣資金對數值Lncash；企業(yè)資產負債率lev，等于企業(yè)年末總負債/總資產；企業(yè)的托賓Q 值tobinq，等于（股票市值+凈債務）/有形資產現值；企業(yè)年末固定資產占總資產比例fxpro；董事會規(guī)模boardsize，用董事會人數對數值表示；企業(yè)董事長與總經理是否二職合一虛擬變量dual，若是則為1，否則為0；企業(yè)是否為國企虛擬變量soe，若是則為1，否則為0。

（三）模型設計

主回歸中，構建面板數據固定效應模型（5），其中CV 為控制變量，industry 為行業(yè)固定效應，year為年度固定效應，ε為隨機誤差項。

為進一步驗證數字金融發(fā)展對企業(yè)實質違約的影響，構建了模型（6），采用Logit 回歸重點關注數字金融發(fā)展指數的系數。

四、實證結果與分析

（一）描述性統計

表1的描述性統計顯示，企業(yè)債務違約風險的平均值是6.5%，標準差是0.169。數字普惠金融總指數對數值介于2.846 和5.937 之間，數字金融覆蓋廣度對數值介于1.085 和5.872 之間，數字金融使用深度指數對數值介于2.049 和5.995 之間，說明地區(qū)之間的數字金融發(fā)展程度具有顯著的差異。企業(yè)特征變量的均值和方差與既有文獻一致。

表1 描述性統計

變量名稱edfm violate lndig1 lndig2 lndig3 size lncash lev tobinq fxpro boardsize dual soe變量個數15248 14851 15248 15248 15248 15248 15248 15248 15248 15248 15248 15248 15248最小值0.000 0.000 2.846 1.085 2.049 16.520 11.289 0.019 0.153 0.000 0.000 0.000 0.000最大值1.000 1.000 5.937 5.872 5.995 28.520 26.494 0.884 118.255 0.971 1.372 1.000 1.000平均值0.065 0.093 5.282 5.167 5.301 22.390 20.295 0.494 2.042 0.231 1.181 0.226 0.440標準差0.169 0.290 0.551 0.629 0.518 1.301 1.436 0.603 2.282 0.174 0.057 0.418 0.496

（二）基準回歸結果

表2 匯報了數字金融發(fā)展對企業(yè)債務違約風險影響的基準回歸結果。lndig1、lndig2 和lndig3的系數分別為-0.022、-0.010和-0.019，均在5%及以上水平顯著。以lndig1 為例，數字普惠金融總指數每上升10%，企業(yè)債務違約風險的概率會下降0.22%。上述結果驗證了數字金融發(fā)展降低了企業(yè)債務違約風險，并且數字金融覆蓋廣度和數字金融使用深度對違約風險影響相同。

表2 數字金融發(fā)展對企業(yè)債務違約風險的影響

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。

變量lndig1 lndig2 lndig3控制變量_cons N年份/行業(yè)R2值（1）edfm-0.022***（-2.754）（2）edfm （3）edfm-0.010**（-2.035）是是-0.479***（-8.719）15248是0.157-0.526***（-10.736）15248是0.157-0.019***（-2.773）是-0.491***（-9.409）15248是0.157

（三）穩(wěn)健性檢驗①限于篇幅，結果留存?zhèn)渌鳌?/h3>

1.更換被解釋變量

將被解釋變量替換為企業(yè)是否發(fā)生實質違約虛擬變量，并通過Logit模型進行回歸分析，結果顯示：lndig1、lndig2和lndig3的系數均在1%的水平上顯著為負，與基準回歸的結論一致，即數字金融發(fā)展降低了企業(yè)實質違約的概率。上述分析說明，數字金融發(fā)展不僅能夠降低企業(yè)違約風險，還能顯著降低實質違約發(fā)生的可能性。

2.剔除2015年金融沖擊

在本文的研究時間窗口內，包含2015 年國內“股災”的金融沖擊事件。鑒于此，在穩(wěn)健性檢驗中剔除2015 年的數據，盡可能排除“股災”事件對企業(yè)違約風險的影響。結果顯示數字普惠金融總指數lndig1 和數字金融覆蓋廣度指數lndig2 顯著降低了企業(yè)債務違約風險和實質違約概率，基準回歸結果并未發(fā)生改變。

3.內生性處理

為盡可能避免反向因果和遺漏變量導致的內生性問題，采用工具變量兩階段最小二乘法進行內生性檢驗。參考林愛杰等（2021），使用省級移動電話交換機容量對數值（lnexc）和互聯網用戶數對數值（lnnet）作為數字金融各指數的工具變量，二者在技術發(fā)展水平上存在一定的獨立性。同時，省級移動電話交換機容量和互聯網用戶數反映了一個地區(qū)網絡移動硬件設施環(huán)境和用戶活躍程度，與數字金融發(fā)展水平呈正相關關系；同時對微觀企業(yè)借貸決策沒有影響，故與企業(yè)杠桿率不相關，工具變量滿足相關性和排他性條件。結果顯示工具變量通過了弱工具變量檢驗和過度識別檢驗，LM 檢驗系數顯著，Sargan 檢驗系數不顯著。同時，回歸結果與前文保持一致，說明基準回歸結果穩(wěn)健。

（四）異質性分析

1.市場化程度調節(jié)效應分析

為考察地區(qū)市場化程度差異對數字金融發(fā)展與企業(yè)債務違約風險之間關系的影響，構建了模型（7）。

重點關注數字金融發(fā)展指數與市場化指數的交互項lndig×mktscore 的系數δ。市場化指數mktscore 越大，企業(yè)的市場化程度越高。表3 第（1）（2）列的回歸結果顯示，數字金融發(fā)展指數lndig1 和lndig2 與市場化指數的交互項分別在5%和10%的水平下顯著為負，說明數字金融發(fā)展對企業(yè)債務違約風險的降低作用在市場化程度較高的企業(yè)中更為明顯。

2.政策不確定性的調節(jié)效應分析

為考察政策不確定性對數字金融發(fā)展與企業(yè)債務違約風險之間關系的差異化影響，構建了模型（8）。

重點關注數字金融發(fā)展指數與政策不確定性指數的交互項lndig×epu 的系數γ。政策不確定性指數epu 越大，地區(qū)政策不確定性程度越高。表3列（3）和列（4）的回歸結果顯示，數字金融發(fā)展指數lndig1 和lndig2 與政策不確定性指數的交互項均在10%的水平下顯著為負，說明數字金融發(fā)展對企業(yè)債務違約風險的降低作用在政策不確定性較高年度中對企業(yè)的影響更為明顯。數字金融發(fā)展有利于降低企業(yè)與金融機構之間的信息不對稱，尤其是在政策不確定性較高年度，這有利于債權人合理評估企業(yè)償債能力，從而降低企業(yè)債務違約風險。

表3 異質性分析

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。

變量lndig1 mktscore lndig1×mktscore lndig2 lndig2×mktscore epu lndig1×epu lndig2×epu控制變量_cons N年份/行業(yè)R2值（1）edfm-0.013（-1.018）0.019**（2.037）-0.004**（-2.103）（2）edfm （3）edfm 0.010（0.519）（4）edfm 0.012（1.625）0.001（0.105）-0.002*（-1.797）0.015（0.979）0.075*（1.826）是0.100**（1.973）-0.016*（-1.827）是是-0.574***（-7.788）10563是0.166-0.609***（-9.567）10563是0.166-0.670***（-6.102）15248是0.158-0.013*（-1.821）是-0.664***（-7.478）15248是0.157

（五）機制檢驗

本部分將從企業(yè)融資約束和投資效率視角進一步探討，以揭示數字金融發(fā)展影響企業(yè)債務違約風險的內在作用機制。

1.融資約束渠道

數字金融發(fā)展能夠有效緩解企業(yè)的融資約束，通過“數字金融發(fā)展——企業(yè)融資約束——企業(yè)債務違約風險”這一路徑影響企業(yè)債務違約風險。為驗證假設H1，本文使用KZ指數作為長期融資約束的衡量指標，KZ 指數越大則企業(yè)長期融資約束越大，同時，cr表示企業(yè)流動比率，反映企業(yè)短期融資約束。回歸結果如表4所示。

表4 長短期融資約束影響機制檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。

變量lndig1 kz cr控制變量_cons N年份/行業(yè)R2值（1）kz-0.693***（-7.176）（2）edfm-0.019**（-2.397）0.012***（14.063）（3）cr 0.182**（2.483）（4）edfm-0.027***（-3.352）是是是4.671***（7.788）15247是0.183-0.333***（-6.204）15247是0.184 6.790***（11.866）15248是0.192-0.004***（-4.147）是-0.251***（-4.671）15248是0.169

由列（1）和列（2）可知，數字金融發(fā)展可以顯著降低企業(yè)的融資約束，并在1%水平下顯著；而較弱的融資約束對企業(yè)債務違約風險具有顯著的降低作用。由列（3）和列（4）可知，數字金融發(fā)展可以顯著提升企業(yè)流動比率，而短期資金運營能力的提升可以顯著降低企業(yè)的債務違約風險。因此，企業(yè)融資約束是數字金融發(fā)展影響企業(yè)債務違約風險的部分中介因子。此外，企業(yè)融資約束還是影響企業(yè)創(chuàng)新和區(qū)域創(chuàng)新水平的重要渠道（聶秀華等，2021）。上述分析證明了假設H1 成立，即數字金融發(fā)展會通過融資約束的緩解，降低企業(yè)違約風險。

2.投資效率渠道

借鑒王娟和朱衛(wèi)未（2020），采用模型（9）估計企業(yè)的最佳投資規(guī)模，然后用實際投資水平相減，殘差的絕對值abovr 表示企業(yè)的非效率投資水平。其值越大，企業(yè)的投資效率越低。若殘差為正，說明企業(yè)投資過度，若殘差為負，說明企業(yè)投資不足。invest為i 公司在t 期的投資水平，growth為i公司在t-1期的營業(yè)收入增長率，cash為其現金資產，age為存續(xù)年限，size為資產規(guī)模，return為股票年回報率，year為年度虛擬變量，industry為行業(yè)虛擬變量。

表5列（1）的結果顯示，lndig1顯著降低了企業(yè)的非效率投資水平，提升了投資效率；列（2）說明企業(yè)的非效率投資會顯著增加企業(yè)的債務違約風險，因此企業(yè)投資效率是數字金融發(fā)展影響企業(yè)債務違約風險的部分中介因子。列（3）（4）將 lndig1 替換為 lndig2 后，結果保持不變。上述分析說明，數字金融發(fā)展提升了企業(yè)的投資效率，進而降低了企業(yè)債務違約風險，假設H1進一步得以驗證。

表5 企業(yè)投資效率中介機制檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。

變量lndig1 lndig2 abovr控制變量_cons N年份/行業(yè)R2值（1）abovr-0.011***（-3.828）（2）edfm-0.013（-1.638）（3）abovr （4）edfm 0.138***（5.632）是-0.240***（-4.290）14570是0.200是是-0.006***（-3.341）0.117***（5.921）14570是0.060 0.097***（5.364）14570是0.060-0.006（-1.156）0.138***（5.649）是-0.268***（-5.364）14570是0.200

（六）進一步分析——銀企關聯視角

數字金融的發(fā)展，不但會對企業(yè)自身投融資行為產生影響，進而影響違約風險，同時又會對區(qū)域金融布局和銀行競爭狀況產生影響，間接影響企業(yè)投融資行為。為驗證假設H2，參照張偉俊等（2021）分析方法，本文將數字金融供給側影響分為兩種效應，即金融可得性影響和銀行網點競爭性影響，同時為排除由于不同區(qū)域經濟發(fā)展水平差異產生的影響差異，加入樣本所在城市固定效應。

1.金融可得性影響途徑

現有理論認為，數字金融發(fā)展能夠作為傳統銀行的補充手段，通過大數據技術的應用，降低傳統金融信息搜集成本和運營成本，設立更多中小銀行和村鎮(zhèn)銀行網點，為企業(yè)提供更多的信貸資金支持，并更為充分地發(fā)揮外部監(jiān)督機制，但與此同時，數字技術的應用又可能造成傳統金融機構網點撤并。銀企距離通過網絡爬蟲結合高德地圖將企業(yè)和銀行網點的經緯度按照“省、市”匹配，在企業(yè)與城市范圍內所有銀行網點的地理距離中取最短獲得。為對兩類不同銀行網點進行分類，分別計算出企業(yè)距離所在城市國有六大銀行銀企平均距離（lnmeandist1）和城商行銀企平均距離（lnmeandist2）?；貧w結果如表6所示。

表6 銀企距離中介機制檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。

變量lndig1 lnmeandist1（1）lnmeandist1-0.076***（-2.706）（2）edfm-0.028***（-3.387）0.003（1.141）（3）lnmeandist2-0.242***（-7.795）（4）edfm-0.026***（-3.170）lnmeandist2控制變量_cons N年份/行業(yè)城市R2值是是是3.341***（17.671）15248-0.286***（-5.200）15248 4.332***（23.020）15248 0.008***（3.118）是-0.311***（-5.604）15248是 是是 是是 是是 是0.120 0.168 0.092 0.169

由表6 列（1）和列（3）可知，數字金融發(fā)展顯著縮短了兩類銀企距離，對于城商行的銀企距離縮短效應更為明顯；其次，從列（4）看出數字金融發(fā)展能夠通過城商行銀企距離的縮短，降低企業(yè)債務違約風險，而列（2）國有六大銀行銀企距離影響的中介途徑并不顯著。一方面，金融科技的推廣應用對傳統銀行網點造成一定的沖擊，另一方面又會促進中小銀行網點的設立，為企業(yè)提供更多信貸資金支持，同時充分發(fā)揮信息優(yōu)勢，降低代理問題導致的違約風險提升問題。這一結果進一步驗證了“數字金融發(fā)展——金融可得性——企業(yè)債務違約風險”這一影響路徑的存在，假設H2 得證。這和許和連等（2020）的結論一致，即數字金融帶來的銀企距離縮短使企業(yè)的金融可得性增加，同時驗證了數字普惠特性能夠通過上述渠道，降低企業(yè)債務違約風險，此種效應更多體現在城商行設立的影響之上。

2.銀行網點競爭影響途徑

數字金融通過供給側影響的另一渠道，便是數字金融對傳統銀行競爭格局的影響。數字金融的發(fā)展會帶來網點擴張效應，促進更多中小銀行打破地域分隔和信息不透明等問題造成的進入壁壘，成立新的網點。銀行競爭性的提升，一方面對傳統銀行信貸業(yè)務造成沖擊，另一方面又會促進銀行機構通過差異化戰(zhàn)略提升存量信貸質量，降低由于關系信貸造成的違約風險問題。本文參照姜付秀等（2019）的分析方法，運用城市中各銀行網點數目計算得出銀行競爭度HHI 指數，對供給側第二條影響路徑進行驗證。同時，考慮到不同城市發(fā)展水平存在的差異，可能會對銀行競爭度指標和數字金融發(fā)展水平同時產生影響，本文引入樣本所在城市人均GDP 對數值（lnpgdp）和東部地區(qū)虛擬變量（resign=1），同時，進一步控制城市固定效應，分析銀行業(yè)競爭途徑的影響?；貧w結果如表7 所示。

表7 銀行網點競爭影響途徑檢驗

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。列（1）—列（3）為中介效應第二階段檢驗，同時列（2）、列（3）中加入了調節(jié)變量，列（4）為中介效應第三階段檢驗。

（1）bankhhi-0.027***（-10.359）（2）bankhhi-0.025***（-9.210）（3）bankhhi-0.058***（-4.852）（4）edfm-0.029***（-3.053）0.144***（3.874）0.007**（1.975）-573.921（-0.000）0.002**（2.294）變量lndig1 bankhhi resign lndig1×resign lnpgdp lndig1×lnpgdp N控制變量年份/行業(yè)城市R2值15238 0.967-0.014（-1.236）0.004**（2.405）15014 15238 15021是是是是是是是是是是是是0.967 0.963 0.171

表7列（1）中，數字金融發(fā)展水平的提升，會顯著降低銀行集中度HHI 指數，即造成銀行體系競爭程度提升；列（2）（3）中，通過異質性分析能夠看出，對于東部地區(qū)以及人均GDP 較高的樣本地區(qū)，數字金融對銀行集中度影響水平相對較弱，但同樣具有銀行競爭度提升作用；列（4）中介效應第三階段分析能夠看出，數字金融能夠通過競爭機制的引入，降低企業(yè)違約風險。上述分析證明了假設H2 成立，即數字金融發(fā)展會通過加強銀行競爭程度，進而降低企業(yè)違約風險，同時排除地區(qū)經濟發(fā)展水平等影響后仍然成立。

3.進一步引入銀行種類指標

銀行網點增加可以區(qū)分為同一家銀行的區(qū)域網點擴張以及新銀行網點設立兩種情況，前者更多體現出網點擴張的金融普惠性特征，而后者更多體現出不同種類銀行的競爭性特征。進一步地，為區(qū)分金融可得性與銀行競爭性對企業(yè)債務違約風險影響的差異，借鑒張偉俊等（2021）的分析方法，進一步引入距離企業(yè)5km和10km半徑范圍內的銀行種類對數值（lnbk5與lnbk10），同時根據20km區(qū)域內銀行網點與種類是否同時增加作為分組依據，分為“銀行網點增加但種類未增加”組和“銀行網點種類同時增加及其他樣本”組，進行分組回歸分析，結果如表8所示。

表8 銀行種類擴張影響的進一步區(qū)分

注：*、**和***分別表示10%、5%和1%水平下顯著；括號內為t值。

變量lndig1 lnbk5 lndig1×lnbk5 lnbk10 lndig1×lnbk10_cons N控制變量年份/行業(yè)城市R2值（1）edfm-0.007（-0.649）0.043**（2.336）-0.008**（-2.498）（2）edfm-0.002（-0.205）（3）edfm-0.010（-0.389）（4）edfm-0.029***（-3.443）-0.386***（-5.977）15238 0.048***（2.604）-0.009***（-2.744）-0.410***（-6.094）15238-0.182（-1.092）2318-0.298***（-5.204）12930是是是是是是是是是是是是0.169 0.169 0.216 0.164

表8 列（1）和列（2）中，5km 和10km 內銀行種類增加時，會顯著增強數字金融發(fā)展對企業(yè)債務違約風險的降低作用；列（3）網點增加但種類未增加的樣本中，數字金融發(fā)展對企業(yè)債務違約風險降低作用并不明顯，列（4）網點增加種類也增加的樣本中，數字金融發(fā)展水平提高，才會顯著降低企業(yè)債務違約風險。上述分析進一步證明，數字金融通過銀行競爭度的提升，能夠促使更多商業(yè)銀行新設網點，進而通過信貸質量的提升，降低區(qū)域內企業(yè)的債務違約風險。

五、結論與對策建議

本文使用2011—2018年中國A股上市公司數據，運用面板數據固定效應模型實證研究了數字金融發(fā)展對企業(yè)債務違約風險的影響，得到以下結論：第一，從需求側看，數字金融發(fā)展顯著降低了上市企業(yè)的債務違約風險，其作用機制主要是緩解企業(yè)融資約束、提高投資效率；第二，從供給側看，數字金融會影響傳統銀行發(fā)展，具體表現為縮短了銀行與企業(yè)之間的地理距離、增加了金融可得性和銀行網點競爭程度，從而能夠降低企業(yè)的債務違約風險；第三，若樣本所在城市中銀行種類增加，數字金融發(fā)展對企業(yè)債務違約風險的降低作用更為顯著。

基于以上研究結論，提出三點對策建議：首先，應進一步推動數字金融發(fā)展，充分利用大數據帶來的信息優(yōu)勢，有效降低企業(yè)的融資成本，緩解融資約束并提高投資效率，進而降低違約風險；其次，應促進數字金融與傳統金融的更好融合，充分發(fā)揮數字金融對傳統金融錯配特征與信息不對稱問題的緩解作用，通過金融普惠性同時縮短地理距離與信息距離；最后，通過數字金融的發(fā)展，提升傳統銀行市場競爭程度，增加信貸質量，進而通過網點的合理布局降低企業(yè)債務違約風險。