数字金融对上市公司投资效率影响的研究

陈俊屹

上海大学

摘要：本文以我国沪深A股上市公司2016-2020年的数据为研究样本，并采用北京大学数字普惠金融指数衡量数字金融发展，实证分析数字金融发展对上市公司投资效率的影响并根据研究结果提出建议。

关键词：数字金融，投资效率，Richardson模型

1.引言

近年来，随着大数据、云计算、区块链和人工智能等新兴技术在金融领域的应用，金融业正面临着一场数字的变革。在2020年新冠疫情席卷全球，严重制约着实体经济的发展，即使众多企业及时复工复产，但仍然是面临融资难，投资效率低下等问题。因此，解决企业投融资问题显得尤为重要。非效率投资已然成为众多学者研究的热点问题，造成非效率投资的原因有很多，随着研究的深入，学者们逐渐从研究造成非效率投资的原因转向研究如何缓解企业非效率投资。更多学者从金融发展角度研究公司投资效率问题，研究表明金融发展有助于缓解融资约束问题，降低融资成本，提高投资效率，但鲜有文献从数字金融方面探究公司投资效率问题，那么数字金融是否可以缓解企业投资不足、抑制过度投资，从而达到提高投资效率的目的，是本文探讨的主题。

本文以沪深A股上市公司为样本，采用北京大学数字金融研究中心开发的数字普惠金融指数，深入探讨了数字金融对公司投资效率的影响，为解决企业投资效率问题提供相关经验证据。

2. 理论分析与研究假设

数字金融对企业投资效率的影响从以下两方面分析：一方面，对于融资约束较大的企业，数字金融发展可以帮助企业有效地获得外部融资，缓解投资不足，提高其投资效率；另一方面，数字金融发展能够改善信息不对称并降低委托代理问题，约束管理层自利行为来限制企业的过度投资行为。基于以上分析，提出以下假设：

假设1：在其他条件不变情况下，数字金融与过度投资呈现负相关。

假设2：在其他条件不变情况下，数字金融与投资不足呈现负相关。

3. 研究设计

3.1变量说明

1.被解释变量：投资效率。采用Richardson模型对投资效率进行度量。因此，本文也借鉴此模型，具体模型如下：

Investi,t=ɑ0+ɑ1Growthi,t-1+ɑ2Levi,t-1+ɑ3Cashi,t-1+ɑ4Agei,t-1+ɑ5Sizei,t-1+ɑ6Reti,t-1+ɑ7Investi,t-1+ɑiIndustryi+ɑjYearj+εi

其中：Investi,t表示i企业在t期的投资支出；Growthi,t-1为i企业t-1期年末的成长机会；Levi,t-1表示i企业t-1期年末的资产负债率；Cashi,t-1表示i企业在t-1期年末的现金持有量；Agei,t-1表示i企业t-1期的上市年龄；Sizei,t-1表示i企业t-1期年末的企业规模；Reti,t-1表示i企业t-1期考虑现金红利再投资的年个股回报率；Year为年度效应；Industry为行业效应；εi为残差，残差大于0，表示过度投资，残差小于0，表示投资不足。以下本文用符号Over_inv表示过度投资，Under_inv表示投资不足。

对模型分年度进行OLS回归，求得模型的残差，模型估计的残差的绝对值为公司非效率投资程度，残差绝对值越大，意味着非效率投资程度越高，即投资效率越低。

2.解释变量：数字金融发展。本文用北京大学数字普惠金融省级总指数（Digitalfin）来衡量数字金融这一变量。同时，本文将该指数取对数来解决该指标数值相对过大的问题。

3.控制变量。借鉴已有研究，本文选取营业收入增长率（Growth）、资产负债率（Lev）、公司规模（Size）、总资产净利润率（Roa）作为研究的控制变量。

3.2模型设计

为了验证假设1与假设2，本文构建下述双向固定效应模型进行回归分析：

Yi,t=β0+β1Digitalfinj,t+β2Xi,t+μi+vt+εi,t

其中：i为公司、j为地区、t为年份，Yi,t分别代表过度投资Over_inv，投资不足Under_inv。Digitalfin表示北京大学数字普惠金融总指数，是文章关注的核心变量。Xi,t表示控制变量组。模型还控制了不可观测的行业固定效应（μi）和年份固定效应（vt），εi,t为误差项。

3.3数据选取说明

本文选取2016年-2022年沪深A股上市公司数据为研究样本，并对样本进行如下处理：剔除ST和PT类公司、剔除资不抵债的公司、剔除金融及保险类公司、剔除财务数据缺失样本，最终得到个12688样本观测值，其中：残差大于0的样本有4752个，残差小于0的有7936个。解释变量数字金融来源于北京大学数字普惠金融指数，采用的是省级总指数，将各公司按省划分，并对相应年份进行赋值；被解释变量为投资效率，主要借鉴Richardson模型，数据直接采用国泰安（CSMAR）数据库中非效率投资程度与非效率投资程度标识，对其进行处理得到相应的残差；其余数据均来自于国泰安（CSMAR）数据库。

4.实证分析

4.1回归分析

1.Over_inv

数字金融（Digitalfin）与过度投资（Over_inv）之间回归系数为-0.101，在1%的显著性水平上通过检验，这验证了本文的假设1，说明数字金融发展可以抑制企业过度投资行为，从而提升投资效率，具体来说，数字金融发展水平每提高1%，过度投资就会降低1%。

2.Under_inv

数字金融（Digitalfin）与投资不足（Under_inv）之间回归系数为-0.021，在1%的显著性水平上通过检验，这验证了本文的假设2，说明数字金融发展水平每提高1%，投资不足会减小0.2%，这表明数字金融发展可以帮助企业有效地获得外部融资，缓解投资不足，提高其投资效率。

4.2稳健性检验

本文使用替换变量法来进行稳健性检验。在基准回归分析中本文采用的是北大数字普惠金融省级总指数来作为解释变量，由于北大数字普惠金融指数细分有三个维度，包括数字金融覆盖广度、数字金融使用深度和普惠金融数字化程度，本文将采用其中一个维度，即数字金融覆盖广度（Digitalfin_breadth）来进行替换，本文依旧将该指数取对数来解决该指标数值相对过大的问题。通过双向固定效应模型回归最终得出结果与基准回归结果一致。

5.结论与建议

研究表明：数字金融发展能够改善信息不对称并降低委托代理问题，约束管理层自利行为，限制企业的过度投资行为；数字金融发展可以帮助企业有效地获得外部融资，缓解投资不足，从而提高其投资效率。

结合本文以上分析，提出以下建议：一是创造良好的金融环境，加快建设数字金融发展基础设施；二是建立完善的数字金融创新监管体系，降低数字金融带来的风险；第三，继续促进科技与金融深度融合创新，充分发挥数字技术在扩大金融服务、提高金融效率、降低金融成本等方面的潜在优势，为上市公司研发投资提供更充足、更低成本的金融支持。

参考文献

［1］李红，谢娟娟.金融发展、企业融资约束与投资效率——基于2002—2013年上市企业面板数据的经验研究.

［2］王娟，朱卫未.数字金融发展能否校正企业非效率投资［J］.财经科学，2020（03）：14-25.

［3］张友棠，常瑜洺.数字金融对科技型企业投资效率影响的实证检验［J］.统计与决策，2020，36（16）：179-183.