企业数字化转型与短贷长投.pdf

第 7 期(总第 381 期)2023 年 7 月商业经济与管理JOURNAL OF BUSINESS ECONOMICSNo.7(General No.381)Jul.2023收稿日期:2023-05-11基金项目:国家自然科学基金面上项目“企业集团的债券管理模式:影响因素与经济后果”(72072012);国家自然科学基金青年项目“企业金融化与投资行为研究:基于产业公司设立私募基金的分析”(71902028);国家自然科学基金面上项目“投资者服务中心保护中小股东权益的机制与效果研究”(71972010)作者简介:钟凯,男,副教授,管理学博士,主要从事公司财务与资本市场研究;李鑫,男,博士研究生,主要从事公司财务与资本市场研究;佟岩(通讯作者),女,教授,博士生导师,管理学博士,主要从事公司财务与资本市场研究。企业数字化转型与短贷长投钟凯1,李鑫2,佟岩2(1.对外经济贸易大学 国际商学院,北京 100029;2.北京理工大学 管理与经济学院,北京 100081)摘要:当前数字化变革日益成为实体企业提高经营决策效率、实现高质量发展的重要推动力。文章利用20072020年中国沪深两市 A 股上市公司数据,研究发现数字化转型显著缓解了企业“短贷长投”的程度,证实了“决策优化假说”。机制检验发现,数字化转型对企业短贷长投的抑制作用主要通过提高资本配置效率、降低经营风险来实现。异质性检验结果表明,当企业自身融资能力较弱、外部融资环境较差、公司治理相对薄弱时,数字化转型对企业短贷长投的影响更为明显。文章丰富和拓展了企业数字化转型影响机制与经济后果的研究框架,为缓解企业投融资期限错配、防范与化解金融风险找到了新的经验证据,对于数字化相关政策的制定与调整也具有一定的参考价值。关键词:数字化转型;短贷长投;投融资期限错配中图分类号:F234.4文献标志码:A文章编号:10002154(2023)07 0064 19DOI:10.14134/33-1336/f.2023.07.005Enterprise Digital Transformation and Short-term Loans Used as Long-term InvestmentZHONG Kai1,LI Xin2,TONG Yan2(1.Business School,University of International Business and Economics,Beijing 100029,China;2.School of Management and Economics,Beijing Institute of Technology,Beijing 100081,China)AbstractAt present,enterprise digital transformation has increasingly become an important driving force for real enterprises toimprove the efficiency of business decision-making and achieve high-quality development.This paper uses the data of A-share listedcompanies in Chinas Shanghai and Shenzhen stock exchanges from 2007 to 2020 and finds that enterprise digital transformation sig-nificantly alleviates the degree of“short-term loans used as long-term investment”,confirming the“decision optimization hypothe-sis”.The mechanism tests find that the inhibitory effect of enterprise digital transformation on short-term loans used as long-term in-vestment is mainly achieved by improving the efficiency of capital allocation and reducing operating risks.The cross-sectional testsshow that when the enterprises financing ability is weak,the external financing environment is poor,and the corporate governance isrelatively weak,the impact of enterprise digital transformation on the short-term loans used as long-term investment is more obvious.This paper enriches and expands the research framework of the impact mechanism and economic consequences of enterprise digitaltransformation,and finds new empirical evidence for alleviating the maturity mismatch of investment and financing and preventing fi-nancial risks,and provides implication for the authorities to put forward digital related policies.Key words enterprise digital transformation;short-term loans used as long-term investment;maturity mismatch of investmentand financing一、引言近年来,随着人工智能、区块链、云计算、大数据等新一代技术的迅猛发展,推进数字化变革已日益成为传统企业实现转型升级和高质量发展的核心战略方向。2022年,中国数字经济保持着10.3%的高位增长,总规模已高达50.2万亿元,约占 GDP 的41.5%。2023年国务院政府工作报告 中强调未来我国要“促进数字经济和实体经济深度融合加快传统产业和中小企业数字化转型”。企业数字化转型是我国发展数字经济的主要任务,现有研究发现企业通过数字化转型能够有效提升经营绩效、改善公司治理和加强供应链管理(李琦等,2021;祁怀锦等,2020;陈剑和刘运辉,2021)1-3,而并未关注到对企业投融资期限结构的影响。与此同时,中国企业普遍存在“短贷长投”现象,这虽然可以为企业投资提供流动性支持,降低债务融资成本(Myers,1984;Campello 等,2011)4-5,但也会产生一系列严重的消极后果,诸如损害公司业绩,引发资金链断裂,加剧经营风险和财务困境成本等(Acharya 等,2011;钟凯等,2016)6-7,甚至可能会诱发系统性金融风险(李增福等,2022)8。因此本文将重点考察数字化转型对企业“短贷长投”的影响及作用机制,以期为企业合理安排投融资结构、强化风险管控提供有益参考。实践中数字技术与实体经济的深度融合正在逐步映射在微观企业的生产经营活动当中,本文预测数字化转型与企业短贷长投之间可能存在两种关系:一方面,企业数字化转型可以为优化经营管理决策、提高资本配置效率提供数字技术支撑,同时降低了经营风险,继而增加了长期信贷的可得性,有助于缓解短贷长投,即“决策优化假说”;另一方面,企业数字化转型也会增加长期投资需求、诱发管理层风险激进行为,导致企业会在长期融资不足的情况下,以滚动短期资金的方式来盲目推进数字化变革,从而加剧了短贷长投,即“决策激进假说”。可见,企业数字化转型对短贷长投的影响是一个待检验的实证问题。为此,本文利用20072020年中国沪深两市 A 股上市公司数据进行检验,研究发现数字化转型显著缓解了企业短贷长投的现象,降低了企业投融资期限错配的程度,证实了“决策优化假说”。机制检验发现,数字化转型会通过提高资本配置效率、降低经营风险,抑制了企业的短贷长投。异质性检验结果表明,当企业自身融资能力较弱、外部融资环境较差以及公司治理相对薄弱时,数字化转型对企业短贷长投的抑制作用更为明显。本文可能的边际贡献在于:第一,本文丰富了企业数字化转型的经济后果的研究文献。已有研究关注到数字化转型对公司绩效、公司治理、供应链管理、资本市场等多方面的影响,但数字技术与企业生产、销售等环节的融合会直接影响企业运行效率和资源获取能力,从而影响企业的投融资期限错配程度。第二,本文在企业短贷长投影响因素的研究上具有一定增量贡献。短贷长投现象在我国大量存在,以往文献大多从战略决策、公司治理等企业传统特性,以及货币政策、税收政策、经济政策不确定性等宏观视角探讨了影响企业短贷长投的原因,对云计算、大数据等新一代数字技术的关注相对较少。第三,本文得出的研究结论还具有一定的实践价值。目前数字经济正在成为中国经济增长的新动能,而促使企业投融资期限匹配是“促进企业高质量发展”和“防范化解重大风险”的题中之义。在此背景下,本文首先证实了数字化转型会缓解企业投融资期限错配的现象,并从内部融资能力、外部融资环境、公司治理水平三个角度探讨了这一关系的异质性特征,有助于我国企业根据自身实际情况利用数字化浪潮实现转型升级。二、文献综述与研究假设(一)文献综述作为一项重要的战略变革,数字化转型是指人工智能、区块链、云计算、大数据等数字技术与企业核心业务的深度融合,促使企业在战略制定、组织结构、技术更新、产品创新、管理变革、业务流程和活动等方面56 第 7 期 钟凯,李鑫,佟岩:企业数字化转型与短贷长投数据来源于中国信息通信研究院中国数字经济发展研究报告(2023年)。产生数字化的系统性演变(戚聿东和肖旭,2020)9。近年来,数字化转型的微观经济后果逐渐受到学术界的广泛关注。首先,数字化转型凭借高效处理海量数据信息、挖掘个性化需求、强化供需双方的衔接、降低市场交易成本(张萌等,2022;许恒等,2020)10-11,提高了企业经营决策效率。沿着这一理论逻辑,相关研究发现企业数字化转型有助于增强创新能力(杨震宁等,2021)12、促进专业化分工(袁淳等,2021)13和提高现金持有水平(谭志东等,2022)14。其次,数字化转型还促使各项业务流程更加透明化,压缩了管理层的机会主义行为空间,具有改善公司治理的重要作用(祁怀锦等,2020;Manita 等,2020)2,15。基于此,已有研究发现数字化转型会诱使组织向下赋权、促进了分权变革(刘政等,2020)16,亦能够显著降低债务违约风险(王守海等,2022)17和改善企业的社会责任表现(Cardinali 和 De Giovanni,2022)18。综合来看,数字化转型对于改善企业绩效、提高生产效率具有一定的积极作用(李琦等,2021;刘淑春等,2021)1,19。此外,部分学者对数字化转型的价值实现保持消极态度,认为企业数字化变革往往无法实现预期的收入增长(赵玲和黄昊,2022)20,反而会让企业承担更多的管理费用、增加协同难度(戚聿东和蔡呈伟,2020)21和降低研发效率(徐伟,2022)22,对劳动力市场也构成了潜在威胁(陈冬梅等,2020)23,甚至会给传统经济带来巨大冲击(许恒等,2020)11。“短贷长投”是指企业大量利用短期资金来支持长期投资活动。目前已有较多文献对企业短贷长投的影响因素展开研究。从企业外部来看,我国金融市场结构不完善、经济政策不稳定以及利率期限结构不合理等制度缺陷是导致我国企业投融资期限错配的重要原因,相关研究认为推进利率市场化(白云霞等,2016)24,提高货币政策适度水平(钟凯等,2016)7,加强政府与金融机构、实体企业之间的政策沟通(李增福等,2022)8可以在一定程度上缓解企业短贷长投。另外,已有文献还立足于企业内部视角,发现公司购买董事高管责任保险(赖黎等,2019)25、战略越激进(叶志伟等,2023)26,企业投融资期限错配会越严重,而加强产融结合(马红等,2018)27、提高内部控制质量(罗宏等,2021)28和化解股权质押风险(王百强等,2021)29则是有效抑制短贷长投的内部途径。由此可见,现有研究并未就企业采取短贷长投的成因得出一致性的结论,既可能是企业在外部金融抑制环境下做出的被动决策,也可能是企业为降低融资成本而采取的主动举措。综合上述文献可以发现,现有关于数字化转型影响企业投融资行为的文献,大多只关注到数字化转型对企业投资或融资其中一个方面的影响,对投资问题研究时忽视了企业的融资来源和潜在风险,对融资问题研究时则并未深入探讨企业融资与投资在期限上的匹配关系。另外,作为我国发展数字经济的主要任务,企业数字化转型意味着企业将在组织结构、生产、营销等方面发生系统性的数字化变革,也必将会深刻、持续地影响其投融资关系,而当前研究在探讨企业短贷长投的成因时并未给予其足够的重视,也鲜有从企业优化自身运营的角度提出应对措施。有鉴于此,本文从企业短贷长投的角度出发,重点分析数字化转型影响企业投融资期限错配的内在逻辑。(二)研究假设提出基于以上文献回顾,本文认为数字化转型对企业短贷长投存在两种可能的影响,据此提出“决策优化假说”和“决策激进假说”。1.决策优化假说。企业数字化转型会通过优化企业内部决策(包括资本配置决策、生产经营决策、公司治理决策等),从而降低短贷长投,对此本文称之为“决策优化假说”。具体表现为:第一,进行数字化转型的企业可以借助人工智能、大数据、云计算等技术采集、处理和分析各种非标准化、非结构化的海量数据,并将其输出为标准化、结构化信息(吴非等,2021)30,从而打破了企业内部不同部门、不同环节之间的“数据孤岛”,提升了企业对数据资产的利用能力(刘淑春等,2021)19。利用这类数据信息,公司管理者可以更好地掌握市场动态变化,提高项目未来现金流预测的准确性,做出更符合经营战略的资本配置决策(姚立杰等,2020;Nauhaus 等,2021)31-32,有助于盘活企业内部资源、提高获利能力(李琦等,2021)1,有更多的留存盈余用于未来发展,进而减少了企业外源融资需求,缓解了投融资期限错配(邱穆青和白云霞,2019)33。第二,数字技术与实体经济的深度融合促使企业在组织结构、生产方式、营销模式等方面发生重大变66商业经济与管理2023 年革,如组织结构更加网络化、扁平化(戚聿东和肖旭,2020;刘政等,2020)9,16,生产模式由规模化生产逐渐转向定制化生产,营销模式日益精细化、精准化(张永珅等,2021)34,过去由产品供给方单方向输出流动逐渐转变为产品供需双方的双向交换流动(赵涛等,2020)35,实现“供给需求”两端的快速匹配,这有助于管理层适时调整生产经营决策,增强了企业供应链管理能力和市场应对能力(陈剑和刘运辉,2021)3,最终有利于降低企业经营风险。而经营风险的降低也为企业按期履行债务契约提供了有力保障(王守海等,2022;Liu 等,2011)17,36,银行对企业信贷风险的担忧得以缓解,更愿意向企业提供长期信贷资金。第三,数字化转型还促使企业调整公司治理决策,积极改善内部治理环境(祁怀锦等,2020)2,这不仅可以减轻由管理层机会主义引起的非效率投资,提高管理决策效率,同时也能够有效缓和债权人与股东之间的矛盾,强化银行等外部资金提供者对企业的正向预期,增加了企业长期信贷的可得性,继而减轻了短贷长投。基于上述分析,本文提出如下假设:H1a:在数字化转型水平较高时,企业进行“短贷长投”的水平较低。2.决策激进假说。企业数字化转型还可能会增加长期投资需求、诱发风险激进行为,继而加剧企业短贷长投,对此本文称之为“决策激进假说”。原因在于:企业实现数字化变革往往需要在实际业务中大范围应用数字技术、建设数字化基础设施(如软硬件设施、运维系统等)以及组建数字化专业团队,这无疑会增加企业的长期投资需求(吴非等,2021)30。大规模的长期投资需要大量资金长期支持,而在数字化转型初级阶段,企业通常会经历一段“阵痛期”,即企业数字技术投资增加较快,但投资收益和企业绩效并未获得预期的增长(赵玲和黄昊,2022;戚聿东和蔡呈伟,2020)20-21。因此为了避免潜在的坏账损失,银行更愿意为企业提供短期信贷资金,这无疑会加重企业的投融资期限错配。进一步地,“数字化转型”如今已成为资本市场上的流行趋势,若企业盲目跟风地推进数字化变革,可能会对未来经营预期过于乐观,高估自身的偿债能力,从而在转型过程中更容易做出非理性的激进行为,例如通过滚动短期资金的方式来满足数字化转型的长期投资需求。基于此,本文提出如下假设:H1b:在数字化转型水平较高时,企业进行“短贷长投”的水平较高。三、研究设计(一)数据来源与样本选择本文以20072020年中国沪深两市 A 股上市公司为研究对象,并按照如下流程进行筛选:(1)剔除 ST和ST 的样本;(2)剔除金融行业样本;(3)剔除创业板上市公司样本,这类公司多为高新技术企业,与互联网、大数据、人工智能的联系较为紧密;(4)剔除属于计算机、通信和其他电子设备制造业,信息传输、互联网和相关服务、软件和信息技术服务业的上市公司样本,这类公司的“数字化转型”词频数可能只与公司自身业务相关;(5)剔除资产负债率大于1的样本;(6)剔除关键数据缺失的样本,最终得到22568个公司年度观测值,数据均来源于国泰安数据库。为消除极端值的干扰,本文对所有连续变量在前后两端进行1%的 Winsorize 缩尾处理,并对统计标准误在公司层面进行了聚类调整。(二)变量定义1.企业短贷长投。参考钟凯等(2016)7的方法,本文定义企业“短贷长投”=购建固定资产等投资活动现金支出-(长期借款本期增加额+本期权益增加额+经营活动现金净流量+出售固定资产现金流入),同时利用上一年度总资产剔除规模效应后得到指标 SFLI,其数值越大意味着短贷长投的程度越高。2.数字化转型水平。本文使用上市公司年报中涉及企业“数字化转型”的特征词词频数来测度企业数字化转型水平。CSMAR 数据库中的“中国数字经济研究数据库”采用吴非等(2021)30的做法,将数字化转型划分为“底层技术”和“实践应用”两大层面,其中“底层技术”层面包括人工智能技术、区块链技术、76 第 7 期 钟凯,李鑫,佟岩:企业数字化转型与短贷长投长期借款本期增加额=(本期长期借款+一年内到期非流动负债-上一年度长期借款)。云计算技术、大数据技术四个维度,“实践应用”层面则是指数字技术在实践当中的具体运用,以此构建出特征词库,然后基于上市公司年报文本对特征词进行搜索和匹配,最终形成数字化转型的综合指标体系。考虑到各维度的特征词数量不同,本文通过对各维度指标分年度离差标准化处理来消除量纲差异(袁淳等,2021)13,然后加总得到数字化转型变量(DIGI)。3.控制变量。借鉴钟凯等(2016)7、赖黎等(2019)25、汪伟和张少辉(2022)37的研究,本文选取的控制变量包括:公司规模(Size)、财务杠杆(Lev)、盈利能力(ROA)、企业成长性(Tobinq)、公司现金流(CF)、资本密集度(SD)、公司年龄(Lnage)、产权性质(State)、股权集中度(First)、治理结构(Dual)、董事会独立性(Independent)、董事会规模(Board),各变量定义见表1。表1变量定义及说明变量类型变量名称变量符号变量定义因变量企业短贷长投SFLI购建固定资产等投资活动现金支出-(长期借款本期增加额+本期权益增加额+经营活动现金净流量+出售固定资产现金流入),并利用上一年度总资产剔除规模效应自变量数字化转型水平DIGI上市公司年报中涉及企业“数字化转型”的特征词词频数经过分年度离差标准化处理后的总和控制变量公司规模Size公司总资产的自然对数财务杠杆Lev总负债/总资产盈利能力ROA净利润/总资产企业成长性Tobinq托宾 Q 值(总市值/总资产)公司现金流CF经营活动产生的现金流量净额/总资产资本密集度SD总资产/营业收入公司年龄Lnage公司成立年数加1后取自然对数产权性质State虚拟变量,公司为国有控股取值为1,否则为0股权集中度First第一大股东持股比例治理结构Dual虚拟变量,董事长和经理兼任取值为1,否则为0董事会独立性Independent独立董事人数/董事会人数董事会规模Board董事会人数的自然对数(三)回归模型设定为考察数字化转型对企业短贷长投的影响,本文设定如下模型:SFLIi,t=0+1DIGIi,t+Xi,t+Industry+Year+i,t(1)其中模型(1)下标 i 为公司,t 为年份,被解释变量为企业短贷长投(SFLI),0表示截距项,1为解释变量数字化转型(DIGI)的待估参数,若 1显著为负,表明数字化转型能够显著抑制企业短贷长投,“决策优化假说”(研究假设 H1a)成立;若 1显著为正,表明数字化转型会加剧企业短贷长投,“决策激进假说”(研究假设 H1b)成立。Xi,t表示控制变量集,Industry、Year 分别表示行业和年度固定效应,i,t为随机扰动项。86商业经济与管理2023 年数字化转型的特征词库包括:第一,人工智能技术:人工智能、商业智能、图像理解、投资决策辅助系统、智能数据分析、智能机器人、机器学习、深度学习、语义搜索、生物识别技术、人脸识别、语音识别、身份验证、自动驾驶、自然语言处理。第二,区块链技术:区块链、数字货币、分布式计算、差分隐私技术、智能金融合约。第三,云计算技术:云计算、流计算、图计算、内存计算、多方安全计算、类脑计算、绿色计算、认知计算、融合架构、亿级并发、EB 级存储、物联网、信息物理系统。第四,大数据技术:大数据、数据挖掘、文本挖掘、数据可视化、异构数据、征信、增强现实、混合现实、虚拟现实。第五,数字技术运用:移动互联网、工业互联网、移动互联、互联网医疗、电子商务、移动支付、第三方支付、NFC 支付、智能能源、B2B、B2C、C2B、C2C、O2O、网联、智能穿戴、智慧农业、智能交通、智能医疗、智能客服、智能家居、智能投顾、智能文旅、智能环保、智能电网、智能营销、数字营销、无人零售、互联网金融、数字金融、Fintech、金融科技、量化金融、开放银行。四、实证结果与分析(一)描述性统计分析表2显示,SFLI 的均值(中位数)为-0.1199(-0.0746),大致约有1/4的样本存在较为严重的短贷长投行为,与已 有 研 究 的 估 计 结 果 较 为 接 近(钟 凯 等,2016;汪 伟 和 张 少 辉,2022;范 文 林 和 胡 明 生,2020)7,37-38。DIGI 的平均值为0.0143,在0到0.2168的范围内波动,说明各个样本公司数字化转型程度存在较大差异。此外,其他变量基本符合正态分布特征并在样本区间内呈现一定的差异性。表2描述性统计变量名称样本量均值标准差最小值中位数最大值SFLI22568-0.11990.2660-2.0983-0.07460.2757DIGI225680.01430.0343000.2168Size2256822.32491.317719.475022.153726.2620Lev225680.46650.20120.06340.46960.9077ROA225680.03800.0545-0.19930.03440.2020Tobinq225682.24211.54230.84241.752910.1589CF225680.04980.0730-0.18800.04940.2552SD225682.46292.28970.36921.784016.1821Lnage225682.82930.36661.60942.89043.4657State225680.49060.4999001First225680.36550.15220.09230.35000.7573Dual225680.20900.4066001Independent225680.37060.05230.30000.33330.5714Board225682.16250.19701.60942.19722.7081(二)多元回归分析表3报告了数字化转型对企业短贷长投的检验结果。第(1)列报告的是在不考虑其他影响因素的结果,发现 DIGI 的系数为负且在1%的水平下显著,第(2)列进一步控制了公司财务特征变量,结果显示DIGI的系数显著为负,第(3)列增加控制了公司治理特征变量后所得结果不变。从经济意义上来看,DIGI 每增加1个百分点,SFLI 则会降低0.1561个百分点。以上结果说明,数字化转型对企业短贷长投具有一定的抑制作用,且存在显著的经济意义,至此“决策优化假说”(研究假设 H1a)得以验证。(三)稳健性检验1.工具变量法。上述结论可能存在反向因果关系导致的内生性问题,即企业短贷长投的水平越低,说明其面临的融资约束越弱,可以为大范围应用数字技术提供必要的资金支持,从而促进数字化转型,对此本文利用工具变量法进行缓解。借鉴赵涛等(2020)35的研究,本文选取“宽带中国”战略试点作为 DIGI的第一个工具变量。加入“宽带中国”战略试点后,当地致力于推进宽带网络提速、增加宽带网络覆盖范围,为当地企业实现数字化转型发展提供了坚实的基础。基于此,本文设置“宽带中国”战略试点虚拟变量(BIC),当公司所在地被纳入“宽带中国”战略试点名单时取值为1,否则为0。其次,本文还选择同城市同行业其他企业数字化转型水平的均值(DIGI_IV)作为 DIGI 的第二个工具变量。因为当同城市同行业其他企业通过数字化转型提高了资源整合效率时,本企业也会主动模仿和学习其他企业的数字化转型战略,满足相关性条件,而其他企业的数字化转型程度可能不会直接影响到本企业的短贷长投行为,满足外生性要求。基于此,本文采用两阶段最小二乘法(2SLS)进行回归,结果如表4所示。第一阶段结果显示 BIC 和 DIGI_IV 的系数显著为正,与理论预期一致。第二阶段结果表明 DIGI 的系数依然显著为负,进一步支持了研究假设 H1a。此外,本文还对2SLS 的估计结果进行了识别不足检验和弱工具变量检验,可以看出 Kleibergen-96 第 7 期 钟凯,李鑫,佟岩:企业数字化转型与短贷长投Paap rk LM 统计量在1%的水平上显著,拒绝了工具变量识别不足的原假设;Cragg-Donald Wald F 统计量大于 Stock-Yogo 弱工具变量识别 F 检验在10%显著性水平下的临界值,拒绝了弱工具变量的原假设。综合来看,本文选取的工具变量是合理可靠的。表3企业数字化转型与短贷长投:基本回归变量(1)(2)(3)SFLISFLISFLIDIGI-0.2497 -0.1807 -0.1561 (-3.89)(-3.21)(-2.72)Size-0.0220 -0.0250 (-11.31)(-11.80)Lev-0.0061-0.0079(-0.48)(-0.63)ROA-1.1389 -1.1182 (-31.20)(-30.75)Tobinq-0.0084 -0.0083 (-4.94)(-4.86)CF-0.7791 -0.7800 (-29.02)(-29.18)SD-0.0129 -0.0127 (-9.20)(-9.08)Lnage-0.0223 -0.0278 (-3.66)(-4.24)State0.0175 (4.19)First-0.0128(-0.89)Dual0.0002(0.05)Independent0.1179 (3.31)Board0.0365 (3.40)Constant-0.1163 0.5720 0.5275 (-55.95)(12.33)(10.24)IndustryYesYesYesYearYesYesYesObservations225682256822568Adj R20.01640.16170.1631注:括号内为 t 值,、分别表示在1%、5%、10%的显著性水平下显著。表4工具变量法回归结果变量第一阶段第二阶段DIGISFLIBIC0.0027(2.55)DIGI_IV0.8181 (21.89)DIGI-0.3004(-1.68)Size0.0025 -0.0245 (5.42)(-11.10)Lev-0.0017-0.0081(-0.69)(-0.64)ROA0.0029-1.1096 (0.44)(-30.71)Tobinq0.0005-0.0081 (2.08)(-4.75)CF-0.0091-0.7857 (-2.29)(-29.14)SD-0.0004-0.0129 (-2.18)(-9.02)Lnage-0.0011-0.0275 (-0.74)(-4.20)State-0.0051 0.0164 (-5.37)(3.83)First-0.0037-0.0139(-1.32)(-0.97)Dual0.00180.0006(1.70)(0.14)Independent0.00540.1166 (0.69)(3.28)Board0.00140.0361 (0.68)(3.35)Constant-0.0529 0.4729 (-4.63)(9.08)IndustryYesYesYearYesYesObservations2251922519Adj R20.23940.1639Kleibergen-Paap rk LM statistic70.53 Cragg-Donald Wald F statistic1582.9219.93注:括号内为 t 值,、分别表示在1%、5%、10%的显著性水平下显著,方括号内为在10%的显著性水平上Stock-Yogo 弱工具变量识别 F 检验的临界值。07商业经济与管理2023 年 2.熵平衡匹配。考虑到数字化转型往往需要更好的资源禀赋和资金实力,因而采取数字化转型的企业与未采取数字化转型的企业可能本身就存在差异,进而导致两类公司短贷长投程度的不同。基于此,本文采用熵平衡匹配法予以缓解,首先设置虚拟变量 Dum_DIGI,在样本期间内进行数字化转型的企业取值为1,一直未进行数字化转型的企业取值为0,并参考吴非等(2021)30、张永珅等(2021)34的研究,选取公司规模(Size)、财务杠杆(Lev)、盈利能力(ROA)、资本密集度(SD)、研发投入(RD)、公司年龄(Lnage)、产权性质(State)、股权集中度(First)、治理结构(Dual)、是否“四大”审计(Big4)、非标准审计意见(Opin)作为协变量。表5为熵平衡匹配的平衡性测试结果,可以看出在匹配前处理组和控制组特征变量的差距较大,在匹配后差距缩小,说明数据的平衡效果较好。表5平衡性测试变量处理组控制组(匹配前)控制组(匹配后)均值方差偏度均值方差偏度均值方差偏度Size22.39001.77100.615621.85001.23500.757922.39001.77100.6149Lev0.47250.0401-0.01510.42410.04140.13420.47250.0401-0.0152ROA0.03870.0029-0.65130.03340.0034-0.65390.03870.0029-0.6513SD2.43705.09503.16102.64306.24403.34002.43705.09503.1610RD0.01140.00024.36600.01390.000723.59000.01140.00024.5690Lnage2.83100.1351-0.86032.81900.1293-0.80422.83100.1351-0.8606State0.49130.24990.03460.48510.24990.05970.49130.25000.0347First0.36840.02350.38590.34470.02020.49150.36840.02350.3858Dual0.20860.16511.43500.21180.16701.41100.20850.16511.4350Big40.07780.07173.15400.03410.03305.13300.07770.07173.1540Opin0.02410.02356.21400.02990.02905.52500.02400.02356.2150表6首先展示了经过熵平衡匹配后的回归结果,发现 DIGI 的回归系数依然显著为负。同时为确保上述结果的稳健性,本文也采取了倾向得分匹配法,通过“最近邻匹配”构建控制组,并按1 1的比例进行配对。从表6可以看到,DIGI 的系数依然显著为负,证明了结论的稳健性。表6熵平衡匹配和倾向得分匹配回归结果变量熵平衡匹配倾向得分匹配SFLISFLIDIGI-0.1825 -0.6687 (-2.80)(-2.70)Size-0.0220 -0.0380 (-6.03)(-6.55)Lev0.00220.0614(0.12)(2.37)ROA-1.1553 -1.0516 (-20.91)(-13.93)Tobinq-0.0058-0.0056(-2.53)(-1.69)CF-0.8206 -0.8000 (-18.23)(-15.59)SD-0.0182 -0.0177 (-7.54)(-5.82)17 第 7 期 钟凯,李鑫,佟岩:企业数字化转型与短贷长投其中研发投入(RD)是上市公司研发投入与总资产之比;是否“四大”审计(Big4)是当公司为国际“四大”会计师事务所审计取值为1,否则为0;非标准审计意见(Opin)是当年度会计师事务所出具非标准审计意见取值为1,否则为0,其余变量与前文的定义相同。(续表6)变量熵平衡匹配倾向得分匹配SFLISFLILnage-0.0347 -0.0117(-2.82)(-0.75)State0.01030.0093(1.47)(1.12)First0.00000.0325(0.00)(1.11)Dual0.00760.0038(1.27)(0.42)Independent0.06600.0434(0.72)(0.49)Board0.04480.0193(1.69)(0.81)Constant0.3988 0.7926 (3.93)(5.63)IndustryYesYesYearYesYesObservations225685088Adj R20.16820.1749注:括号内为 t 值,、分别表示在1%、5%、10%的显著性水平下显著。3.敏 感性分析。为缓解因遗 漏变量导致 的内生性问 题,本文借鉴 孙亮和刘春(2022)39、Li 等(2022)40的方法,选择 ROA 作为与可能存在的遗漏变量进行对比的变量,考察遗漏变量需要达到 ROA强度的多少倍才会影响之前的研究结果。图1的等值线为回归系数 值,红线为 =0。数值点分别代表加入 ROA 0 3倍强度的遗漏变量的情况,小括号中汇报了对应系数 值,可以观察到全部数值点位于红线左侧,这意味着即使加入 ROA 3倍强度的遗漏变量,也不会使得原系数由负转正。图2的等值线为 t 统计量,红线为-1.96(95%置信区间临界值)。小括号中汇报了对应 t 统计量,可以看到数值点均在红线左侧,表明即使加入 ROA 3倍强度的遗漏变量,也不会使得原估计系数变为