数字金融对地方政府债务信用风险影响的实证研究

I1引言1.1研究背景中国金融发展战略是指我国政府制订的致力于维护社会金融体制平稳、预防和化解重大风险、确保金融体系纪律健康运行的长远规划和各项政策。金融安全是国家安全不可或缺的一部分，都是社会经济发展稳步发展的重要基石。近年来，地方政府债务规模不断增长，已成为我国经济面临的重要挑战之一。首先，地方政府债务规模庞大已成为各级地方政府普遍存在的现象，一些地方政府债务甚至超过了其财政收入水平地方政府。其次，直接债务占比较低的这种债务结构容易埋下金融风险隐患，一旦出现问题可能对地方政府财政造成严重冲击。另外，部分地区的地方政府债务管理能力相对较弱，缺乏规范的债务融资管理制度和风险防范机制，容易造成债务风险积聚的情况。在这种背景下，寻求一种行之有效的技术手段以降低地方政府债务的信用风险至关重要。数字金融的内涵包括了互联网金融、手机支付、大数据风控、区块链技术等等新兴科技手段，其实质是通过数字化手段完成金融业活动等各个环节在线化、智能化、人性化。时迄今日，数字金融的高速发展已深刻改变了金融行业的布局，推动了金融服务的创新和普惠，提升了金融行业的效率和用户体验。当下，数字金融的应用正向着多元化和多样化的方向推进，例如，通过移动支付技术，用户使用手机完成各种支付和转账操作；通过区块链技术，完成中心化的信任机制，保证买卖的安全性清晰度；通过大数据分析，更精准地评估风险和提供个性化的金融产品。数字金融服务具有便捷快速低成本的特征，其发展水平的提高在提升地方政府债务信用风险监管水平、增加信息透明度、多元化融资渠道以及强化风险管理等方面或有助益。基于此，本文将深入探讨数字金融对地方政府债务的影响效应，以期为我国各地区政府面临的地方政府债务信用风险问题的解决提供一定的思路和建议。1.2研究意义数字金融作为金融领域的新兴技术和模式，其本身对于地方政府债务体系的涉及范围值得研究。新时代，数字技术尤其是数字金融为很多领域的管理和发展提供了新的可能性，也为相关研究提出了新的课题和挑战。首先，数字金融的研究与进步可以提高政府债务管理的透明性与规范性。数字技术的应用，使得对地方政府债务的测度数据的实时分析与监测成为了现实，利于研究者更为及时的发现潜在风险，提高债务管理的效率和水平。其次，数字金融对地方政府债务信用风险的影响实证研究有助于深入理解数字金融在债务管理中的作用机制。通过实证研究，能够更为准确的检测数字金融发展水平对于地方政府债务的相关陈百度，为研究人员与相关政府部门的决策提供参考。此外，本课题的研究同样对于提升地方政府的债务管理水平具有重要意义。通过对数字金融工具的有效运用，各地方政府对债务的管理将更为牢固，使得债务违约率降低，债务偿还能力提高，地方政府的财务状况将更为稳定。1.3文献综述1.3.1数字金融与地方政府债务大数据与人工智能的内涵包罗万千，象征着新时代的朝气蓬勃，本文基于这两个主题思想构思立题。数字金融是一个时新的热点词汇和研究方向，不论是曾祥炎REF_Ref11117\r\h[1]等关于数字金融对区域金融服务均衡化发展的影响研究，还是李琳REF_Ref11215\r\h[2]在农民农村共同富裕问题上的关注，或者是才子媛REF_Ref11267\r\h[3]对于商业银行数字化转型行为的分析，无不彰显着数字金融服务的独有优势和对于现代社会各方各面向前进步的促进作用。自20世纪70年代末以来，地方政府债务经历了诞生、扩张、膨胀、到现在的政府管束、风险防范等阶段。期间，国内学者在地方政府债务的成因探究、信用风险的防范与度量等领域深耕不止，提出了许多的宝贵建议和科学方法，诸如：林志超REF_Ref11303\r\h[4]结合实际，具体而祥实的探讨分析了我国地方政府的现状、成因，并提出了相关政策建议；唐德红REF_Ref11329\r\h[5]就地方政府债务风险问题归纳总结了八种化解主要模式；韩立岩REF_Ref11359\r\h[REF_Ref11512\r\h[6]等首先在地方政府债券领域引入了KMV模型思路，为我国地方政府债务测度研究开辟了一条新思路。分开来讲，关于数字金融和地方政府债务两者的研究可以说是不胜枚举，有许多的经验可供参考。总体来讲，无论是数字金融对地方政府债务，还是地方政府债务对数字金融，两者放在一起，探究影响的研究在其论文领域内却是相对空白的，国内仅有的研究文献中，张璇REF_Ref11359\r\h[7]等使用动态SDM模型研究发现了数字金融与地方政府债务均存在空间依赖性，为本文研究在方法上提供了指导思路；王冠军REF_Ref11551\r\h[8]结合基准回归模型、调节模型和空间计量模型计算处理数字金融对地方政府债务的影响效应，并提出了科学的政策建议，其使用更换空间矩阵的方法进行稳健性检验为本文的模型稳健性研究提供了理论支持。1.3.2统计方法本文以动态空间面板模型为主，结合KMV模型和随机森林模型的功能特点，在“数字金融对地方政府信用风险的影响效应”的问题上进行了科学严谨的探讨。关于这三种统计方法的具体实证，许多学者留下了宝贵的可供借鉴的经验文献，具体参考论述如下：郑洁REF_Ref11584\r\h[9]等基于KMV模型评估了我国三十个省份（不含港澳台和西藏地区）2018年和2019年的违约率。高逸霏REF_Ref11617\r\h[10]在地方政府债务风险对区域性金融风险的影响研究上，使用KMV模型测度了2012-2021年间30个省份（不含港澳台和西藏地区）的违约距离，并将之作为地方政府债务信用风险水平的衡量指标。本文借鉴上述文献的选择使用KMV度量作为本文核心研究对象的地方政府债务信用风险水平。机器学习方法在研究两个宏观经济现象之间的非线性效应以及解释变量的重要性度量方面时有着较为显著的表现。陈浩REF_Ref11653\r\h[11]等在数字经济与制造业高质量发展的促进效应研究中使用随机森林模型研究了两者之间的非线性效应；邓光耀REF_Ref11682\r\h[12]等研究中国各省数字经济对绿色创新效率的非线性影响时使用的亦是机器学习方法。在此基础上，本文决定使用机器学习方法中的随机森林模型作为本文在进行模型回归之前的预分析方法和本文在人工智能领域的方法尝试。面板模型的发展有其自身的演变史，本文选择的动态空间面板模型作为面板模型发展的一个分支，目前将该模型用于数字金融对地方政府债务的研究文献相对较少，但依仗着前文论述的各种文献指导，本文对于本文结论的科学性以及结果的稳健性具有信心。本文在动态空间面板上的参考主要包括谢宜章REF_Ref11711\r\hREF_Ref11803\r\h[13]等在制造业绿色发展上的研究和许梦博REF_Ref11711\r\h[14]等在中国地区生产率上的研究等等。1.3.3文献述评综合分析过往的文献，在数字金融对地方政府债务信用风险的度量研究领域中，对地方政府债务信用风险指标的度量方法多样，有使用结合各种指标构建使用熵权法构建度量体系的，也有直接使用违约率、负债率等相关指标的等等，但是基于KMV模型构建指标体系，使用违约距离衡量地方政府债务风险的研究却相对空白。因此，本文使用此方法进行测度研究对填补空白起到了一定程度的作用。另外，将机器学习的方法应用到该领域的研究十分匮乏，本文使用随机森林方法测度各指标对地方政府债务影响的重要性是在该领域的一次新尝试。至于在动态空间面板模型的应用上，张璇REF_Ref11359\r\h[7]等给出的研究角度和结论比较全面，本文结合三种模型计算的结果或是对其研究结论的一次有力印证和补充。2理论分析与研究假设2.1理论分析2.1.1数字金融数字金融是指利用信息技术和互联网手段，突破了传统进入的商业发展与服务体系的封锁，实现了金融体系发展的数字化、网络化和智能化。数字金融理论涵盖了多个领域，其中最重要的基础理论包括网络金融、区块链技术、数字货币与人工智能等。在其中，互联网金融科技是数字金融的关键所在,运用大数据进行金融信息服务开放、高效和普惠。金融科技的发展趋向不仅改变了传统金融机构的经营模式，也推动了金融体系创新和发展。区块链应用作为数字金融的重要保障,结合区块链应用、防篡改和区块链区块链应用区块链技术区块链智能合约等优点，保证了投资安全系数、透明和更有效。区块链技术在数字金融行业迅猛发展，如数字资产交易、融资模式和第三方支付等。数字货币作为数字金融的一种重要呈现形式，通过区块链技术的技术支持，实现了中心化的价值传递。大数据分析在数字金融中起着重要作用，根据对海量数据的深入挖掘剖析，能够实现风险管控、智能推荐和大数据营销等场景。人工智能作为数字金融的核心技术，利用机器学习各种算法和辅助决策的技术，让现代金融服务更为智能，也让客户服务和风险管控的自动化成为了可能。综上可知，数字金融的应用维度是具有多面性的，在面对复杂的社会或经济问题时，从数字金融的角度出发或许不失为一种好的思考方向。2.1.2地方政府债务地方政府债务是指各省地方政府为了筹措资金、开展公共事业建设和运营管理等活动，而向社会借款发行债券或其他债务工具，形成的债务责任。随着我国城市化进程加快和经济社会发展需求不断增长，地方政府债务问题逐渐凸显。地方政府债务的高速发展最早可以追溯到20个世纪80时代国家实行的改革开放现行政策。改革开放前期,地方政府债务规模不大,依赖于中央财政补贴和银行贷款适用基础设施建设和公共文化服务。伴随着对外开放和城市化进程的推进，地方政府需要更多资金来满足基础设施建设和公共服务的需求，因此开始尝试发行债券融资。自2008年美国次贷危机爆发进而演化为国际金融危机后，我国地方政府债务规模扩张迅速。为了刺激经济增长和保障就业稳定，地方政府通过举债方式加大投资力度，推动基础设施建设和产业发展。然而，一些地方政府债务经营规模太大、风险和隐患开始显现，引发了广泛关注和监管机构的警惕。针对这一现象，我国政府开展启动了地方政府的债务置换活动，使地方政府的隐性债务转为显性债务，用以降低债务风险。伴随着一举措，我国中央政府对于各地方政府的债务监管与风险防范有了显著的加强，相应的，其债务管理机制也更加完善。后来，国家又接连发布了《地方政府债务债务管理条例》等相关法规，约束地方政府债务融资行为，提升信息公开，预防和化解债务风险。关于地方政府债务的成因，本文有如下概括：财政制度方面的因素，1994年施行的分税制财政管理模式使市财政局收益大幅度集中，而事权划分确实一点也不清晰。近年来各项改革力度不断加大，各种各样刚性支出不断增加，地方财政支出增长速度大大超过收益增速，已有的转移支付制度还不完善，相关部门政府转移支付幅度不能满足当地政府正常运行的要求，为维持各个地方政府部门的正常运转，地方政府只有借债处理开支压力。其次，地方政府通常通过负债来筹集资金用以基础建设，如公路、桥梁、水利设施等，为了满足这些基础设施建设的需求，地方政府不得不借债填补财政资金缺口，而且我国地方政府很大程度上依赖土地出让收入，不过土地市场波动不定，地方政府就很有可能通过债务填补土地收入不足的缺口，维持财政平衡。最后部分地方政府还有可能面临财政收入不足、支出过度的问题，为了弥补财政赤字，也只能通过增加债务来平衡收支。当前，我国地方政府债务已经成为一个值得关注与处理的问题。一方面，地方政府债务规模宏大，债务风险开始显现，可能对金融安全和经济发展产生不利影响。另一方面，地方政府债务构造亟需提升，一部分地方政府债务应用效率不高，存在着规模较大、风险较高的隐患。因此，接下来本文将以此问题为基础，尝试通过数字金融发展的角度提出解决该问题的一些建议。2.2研究假设假设一：数字金融发展对地方政府债务信用风险的有负向影响假设二：本文选用动态空间面板模型计算出的回归结果具有稳健性3研究设计3.1数据处理3.1.1对数化处理本文研究所涉及指标众多，其中不乏有对于宏观经济现象的衡量以及各种水准度量，企业不一而同。为消除量纲危害，防止因量纲差别而可能导致的异方差性难题，本文对其数据做多元回归分析之前，将对文中的各项指标数据做统一对数化处理，以期让本文的回归结果更具有科学性。3.1.2滞后处理动态空间面板模型是本文结果论述的核心模型，在面板模型的各种区分中，本文模型的核心之处在于加入了对本文核心变量的（空间）滞后项回归，因此滞后处理是本文模型回归不可缺少的一环。3.2模型设计3.2.1KMV模型假定地方政府可偿债收入这一变量服从马尔可夫随机过程，则有： （3-1）其中，为政府可偿债收入，为服从标准正态分布的随机变量。 （3-2）其中，是可偿债收入的增长率，是可偿债收入的波动率，是可偿债收入的变动量，是标准几何布朗运动的增量。当时，有 （3-3）当时，地方政府可偿债收入为： （3-4）其增长率和波动率分别为： （3-5） （3-6）本文模型设置的违约点DP 为：= （3-7）地方政府债务的违约距离和违约率为： （3-8） （3-9）其中，和的求解公式为： （3-10） （3-11）3.2.2随机森林模型集成算法主要有三种：并行处理集成化bagging优化算法、串行通信集成化、boosting优化算法。本文选取的随机森林模型主要基于并行集成算法，其具体公式表达如下： （3-12）3.2.3动态空间面板模型（1）空间权重矩阵地理距离权重矩阵的定义是，取2个省区地域之间用地理坐标计算得出之间的距离平米的倒数做为引流矩阵值以构建矩阵，该值越大，表明实际地理上的距离越是相近，对于其权重值就越大。同时，根据地理距离权重矩阵具有的稳定性，文中选择该矩阵为本文核心模型回归的核心空间矩阵，具体公式表达如下： （3-13）邻接矩阵较为简单，只注重各省市地域之间是否邻接,假如邻近则数值1，说明两个地方有空间关联，假如不邻近则数值0，说明两个地方本身没有室内空间关联。邻接矩阵以其界定的简单性在模型回归时很容易出现失真的状况，本文用之做为文中回归的稳健性检验方法之一,具体公式表达如下： （3-14）经济距离矩阵根据其定义的不同而有所差异，同时考虑到该矩阵的外生性较弱，本文也将之作为回归结果的稳健性检验方法之一。本文使用人均GDP指标作文本文经济矩阵的核算指标，依据公式计算得出的两地的人均GDP之差的绝对值，在对其做倒数处理，得到经济距离矩阵的各个指标值，具体公式表达如下： （3-15）其中，人均GDP值选取各省在研究期内的平均值。（2）空间自相关检验在进行动态空间面板回归之前，最先要检验的是模型的核心因变量和核心自变量的空间自相关性，以保证本文模型选取的合理性和科学性。因此，本文将使用莫兰指数从全局和局部两个角度综合考量模型变量的空间相关性。具体公式如下：， （3-16） （3-17）其中，为全局莫兰指数公式，为局部莫兰指数公式，公式中所展示的空间矩阵均为地理距离权重矩阵。（3）动态空间面板模型动态空间面板模型类型有很多种，本文通过一系列检验（具体检验结果分析将在后文展开论述）最终确定模型的具体形式如下： （3-18）在上述模型公式中，i表示个体，t表示时间，ｍ表示控制变量的次序，表示地方政府债务信用风险违约距离，表示北京大学数字普惠金融指数，表示表示地理距离空间权重矩阵，表示控制变量集合，包括后续的稳健性检验方法，共计9个控制变量指标，、、分别为上述回归各项的系数代表字母，、、分别表示个体固定效应，时间固定效应和误差项，则是截距项。（4）稳健性检验 （3-19）上述模型公式中，为邻接矩阵。 （3-20）上述模型公式中，为邻接经济距离空间权重矩阵。3.3指标选取与测度3.3.1指标选取（1）核心解释变量数字金融的本质是传统金融和现代互联网等信息技术手段的结合产物。对于其发展水平的观测，目前主要有三种方式。第一都是围绕文本挖掘而进行的大数据匹配方式，第二则是运用金融科技指数来类似考量数字金融发展趋势水平，第三是运用北京大学数字金融研究所所度量的北京大学数字普惠金融指数REF_Ref11956\r\h[15]。本文在对各种相关文献的研究比对中发现，普适度较高的是第三种方法，因此本文选择该方法。本文将从实验数据所涉及的覆盖广度、使用深度、普惠金融数字化程度等三个维度搭建文中的一环评价体系，运用北京大学数字金融普惠指评估数字金融发展水平，并把它当作本文的核心自变量。（2）核心被解释变量政府债务在划分上包括显性与隐性两种，本文依据相关文献做出以下总结：显性债务以中国地方政府债卷信息管理系统发布的地方政府债务余额为主导，隐性债务以城投债和PPP项目为主导。由于篇数和信息的可得性限定，本文决定将地方政府的显性债务作为本文针对地方政府债务研究方向和研究主体。2015年实行的《新预算法》中要求只有省级以上地方政府发行的债券才可以记入地方政府债务，因此本文针对地方政府债务信用风险水平的评估也停留在省级层面。对于其信用风险的测度，本文并不满足于该领域研究的一般方法，如违约率等。下面本文就依据KMV公司提出的KMV模型计算出地方政府债务的违约距离，应用这个指标衡量地方政府债务信用风险水平的高低，这个指标无疑是本文的核心被解释变量，相应指标体系构建如下：表3-1KMV模型参数定义参数符号参数名参数状态可偿债收入已知债务期限已知债务价值已知可偿债收入增长率待求可偿债收入波动率待求违约距离待求（3）控制变量在探究数字金融对地方政府债务信用风险水平的影响效应时，本文将使用以下变量做控制研究。产业结构（IS）：一个国家或地区在一定时期里，各个行业在地区生产总值的比重以及彼此的相互影响关系。产业结构是对一个国家或地区的经济发展、优势产业与经济变化的特征反映。本文选用第三产业总产值与第二产业年产值的比值做为各省市产业结构的衡量指标。财政分权（DFD）：指中央与地方在财政上的权力分配。财政分权度的高低直接影响着政府的运行效率、资源配置效率以及经济社会发展的稳定和持续性。本文应用各省的平均财政收支与中央平均财政收支的比值作为各省市财政分权度评估指标。经济水平（GDP）：是一个国家和地区在一定时期内生产制造、分派、消费服务创造财富的总体表现。经济水平的评价可以从多个角度进行，包括地区生产总值、人均地区生产总值、劳动生产率、就业率、财富分配公平度等指标。本文选取地区生产总值衡量各省的经济水平。对外开放水平（OL）：指某个地区的对外开发程度，本文使用各省的货物进出口情况在地区生产总值中的占比反映对外开放水平。城镇化水平（UL）：城镇化是指人口从农村向城市地域转移的一个过程,伴随城市规模不断扩大和都市化水平的提升。本文选用各省城市人口在整个省域人口所占比率作为各省城市化水平的衡量指标。固定资产投资额（FAI）：固定资产投资是一个国家经济发展的重要指标之一，直接关系到国民经济的长远发展和现代化建设。本文使用各省分行业全社会固定资产投资总额作为本文固定资产投资额的衡量指标。市场化水平（ML）：：一个好的大环境对地方政府的举债融资及其债券商品流通有非常大的帮助。本文研究参考应用由王小鲁和樊纲计算的国内分省区社会化指数值去衡量各省市的市场化水平。表3-2变量定义变量类别变量名变量符号变量定义被解释变量地方政府债务信用风险水平（DR）y违约距离（KMV模型测度）解释变量数字金融（DF）x北京大学数字金融普惠指数控制变量产业结构（IS）s第三产业产值/第二产业产值财政分权度（DFD）d各省人均财政支出/中央人均财政支出的比值经济水平（GDP）g地区生产总值城镇化水平（UL）u各省城市人口占比对外开放水平（OL）o货物进出口总额/地区生产总值固定资产投资额（FAI）f各省分行业全社会固定资产投资总额市场化指数（ML）m分省份市场化指数3.3.2指标测度（１）数字金融如上文所述，,本文参考应用北京大学数字金融研究室所统计分析北京大学数字金融普惠发展发展指数和有关评价体系作为研究数字金融发展水平这一指标测度体系，故此本节对于数字金融的测度不做详述。地方政府债务KMV模型本是用来评估公司违约风险的模型，韩立岩[6]等使用该模型对市政债券的违约风险的测度研究，为我国地方政府债务的测度分析提供了参考。因其最初用途，在正式使用KMV模型之前，还需对该模型做出一定的修正，具体公式推导与计算上文已经给出，本节只对其重要参数的计算修正做出说明。可偿债收入=地方财政收入*50%+转移支付*30%+政府性基金收入*20%其中，各单项的衡量指标分别是各省一般公共预算收入、中央对地方一般公共预算转移支付、政府性基金预算收入。当期应偿还债务=地方政府债务余额*4.5%+债券还本*（1+4.5%）其中，本文拟将地方政府债务余额作为未到期债务，将债券还本作为到期偿还债务。利率4.5%参考高逸霏[10]基于谨慎性原则对于到期债务和未到期债务的假设和选取。本文在这上述两项参数在测度方法上的选取参考了许多文献，限制于数据的可获得性以及本文对于数据准确性的严格要求，在仔细斟酌与总结之后，本文得出两项参数的定义如上所述，尚存不足之处。在下文模型结论的稳健性检验过程中，本文将基于此对结果做出科学性检验。以上公式计算数据来源于由统计局发布的统计年鉴、各地方政府统计年鉴与中国地方政府债卷信息公开平台。本文应用excel软件通过上文所述公式计算获得表3-3，其中，分别为2022年可偿债收入的平均瞬时增长率和平均波动率。表3-3KMV模型参数值地区2022年可偿债收入/亿元2022年债务规模/亿元地区2022年可偿债收入/亿元2022年债务规模/亿元北京37780.0640.0691663湖北35370.0500.0671652天津14750.1140.0431104湖南35980.0350.0771748河北39670.0570.1031809广东85450.0750.0912516山西26190.0640.127781广西23890.0610.0921285内蒙古24800.0820.0971401海南8370.0730.099462辽宁23380.0680.0701847重庆22120.0540.0551141吉林13730.0760.056968四川53420.0610.1052269黑龙江19440.0880.092863贵州24460.0300.0772107上海49570.0420.0741021云南24290.0830.0891916江苏76800.0580.0803105西藏8700.1520.16281浙江64670.0810.1392513陕西30260.0780.1121314安徽36400.0370.0831623甘肃14910.0920.099596福建26820.0570.0801334青海6650.0970.108386江西26910.0660.0831277宁夏6130.0920.099286山东57950.0750.0902768新疆22190.0900.106922河南42590.0620.0892029表3-4为由KMV模型计算得到的各省从2015-2022年的违约距离估计值，违约距离越大，其相应的信用水平越高，信用风险水平越低，如表3-4所示，随然各省的违约距离估计值有高有低，差距明显，但在数据上并未显示哪一省份在那一年具体违约，通过查阅相关文献，本文对其可能原因做出以下总结：第一可能是中央政府出于全局考虑会在某一地方政府债务实际出现违约情况时予以援助；第二可能是地方政府在债务借贷的考量上有更多的优势和更严谨的把控。表3-4各省违约距离估计值省份20152016201720182019202020212022北京19.0818.5621.0215.1012.8010.339.546.01天津11.519.608.697.394.822.590.861.08河北21.2516.3217.0311.808.889.176.576.52山西21.3815.1515.5615.1413.619.879.528.90内蒙古12.559.418.577.185.652.932.133.22辽宁12.159.6110.126.023.882.961.441.56吉林13.4610.9810.759.878.824.314.732.11黑龙江12.769.819.866.776.675.033.474.27上海34.0631.4230.7425.1418.5517.9216.6117.80江苏21.9219.5319.0113.0611.348.418.717.42浙江16.4712.6613.179.928.837.446.235.49安徽30.6524.5625.5520.2919.5313.3811.1810.25福建19.8315.8315.6615.3813.157.705.695.80江西18.0514.0115.8713.2411.838.648.475.33山东16.2013.8013.8410.078.027.064.124.59河南19.7616.0016.7013.9712.169.178.135.60湖北24.1619.7219.6517.3611.117.736.337.16湖南31.1324.0823.3019.128.8211.458.379.92广东19.8016.9817.2915.6014.2611.417.907.63广西18.1513.6313.8210.8811.116.985.224.75海南14.6510.4210.5011.077.666.854.063.78重庆21.8018.0318.4814.8410.548.395.675.77四川18.9914.0714.7810.518.136.717.046.59贵州25.8320.0321.1312.1211.573.932.292.31云南11.558.128.626.165.734.412.651.26西藏14.8712.4311.1711.9510.009.196.967.25陕西14.5710.1010.637.394.755.243.974.99甘肃13.319.829.549.148.035.484.794.63青海9.906.195.715.013.723.823.272.55宁夏11.628.099.636.144.474.852.883.85新疆13.9110.059.868.026.335.014.034.454数字金融对地方政府债务信用风险的影响效应分析4.1数据来源2015年的债务数据是中国地方政府债券信息公开平台公布的最早的数据，依据本文所选用的模型的特点，同时为保证本文研究结果的准确，本文的数据选用也是从2015年开始的，即2015-2022年全国31个省份（不包括港澳台）的短面板数据，包括地方政府债务信用风险体系指标、北京大学数字金融普惠指数体系和控制变量体系。本文各模型的实验数据主要来源于由国家统计局官网公布的《中国统计年鉴》和各政府平台公布的财政信息和债务信息。本文选用的面板模型是动态空间面板模型，使用的统计方法为极大似然估计。4.2描述性统计分析表4-1描述性统计分析变量观测值均值标准差最小值最大值y24810.9476.3080.85634.059x248304.96563.879186.380460.691x12481359.2151038.69829.6004628.700x2248383.13741.458293.115467.172x324820.83827.5120.070161.070s2481.4240.7360.7565.297d2487.4534.0413.79628.272g24830358.90025416.8101043.000129118.600u24861.73611.70028.87089.330o2480.2360.2390.0081.114f24822254.38016234.0201295.67865037.660m2488.2942.1321.12412.864如表4-1所示，各面板数据指标的观察值总数均为248，其中地方政府债务违约距离的最大值为34.059、最小值为0.856、均值为10.947，北京大学数字金融普惠指数的最大值为460.691、最小值为186.380、均值为304.965。4.3平稳性检验为防止模型回归分析中出现伪回归情况，原文中利用软件stata根据检测编码序列内容中存不存在单位根来判定面板数据是不是稳定，基于数据验证的可靠性角度出发，本文同时应用LLC检验跟IPS检测两种方式对数据进行检测。表4-2平稳性检验变量原始数据变量原始数据LLC检验IPS检验LLC检验IPS检验-9.849-2.286-6.408-3.1030.0000.0000.0000.001-12.729-6.589-14.921-6.3220.0000.0000.0000.000-10.7980.545-50.309-4.4040.0000.0000.0000.000-13.441-2.493-18.136-4.6750.0000.0000.0000.000-7.280-1.8190.0000.034据表4-2分析，在检验结果上，LLC检验与IPS检验的ｐ值均比0.01要小，拒绝了原假设，所以数据平稳，可使用原始数据直接回归。4.4基于随机森林模型的预分析本文使用随机森林模型对样本变量做预分析，综合IncMSE和IncNodePurity两种方法观测得出解释变量和本文涉及的所有控制变量对地方政府债务信用风险的影响效应。表4-3输入变量重要性度量%IncMSEIncNodePuritylnDF38.239lnDF27.010lnML16.203lnML7.738lnIS17.573lnIS10.295lnDFD22.106lnDFD11.132lnGDP23.003lnGDP12.562lnUL18.401lnUL11.214lnOL19.075lnOL10.735lnFAI18.407lnFAI9.026图4-1输入变量重要性度量散点图使用Rstudio软件计算得出输入变量重要度量表4-3和其散点图4-1，从图表中，本文发现市场化水平这一变量在随机森林模型的两种度量方法中均为重要性最低的变量，因此本文决定在回归分析中将暂且剔除该变量，以用于本文模型结果的稳健性检验方法之一。4.5基于动态空间面板模型的影响效应分析4.5.1空间自相关检验在本文模型体系构建中以及给出了有关于空间自相关检验的一种方法，即使用莫兰指数分别从全局和局部两个角度考虑本文模型的自相关性。全局莫兰指数表4-4全局莫兰指数yearDRDFIP-valueIP-value20150.2020.0100.3190.00020160.1790.0180.3760.00020170.1660.0280.3860.00020180.1430.0530.4090.00020190.1000.1450.4190.00020200.1110.1050.4260.00020210.0940.1490.4390.00020220.1310.0490.4380.000据表4-4分析，北京大学数字金融普惠指数指标的莫兰指数在2015-2022年均通过了p值为0.01的显著性水平检验，即拒绝了原假设，该指标具有空间特征。地方政府债务违约距离指在有部分年限的莫兰指数未能在5%水平显著性水平上拒绝原假设，对于其空间特征的存在，将在下文进一步说明。（2）局部莫兰指数图4-2和图4-3为Moran散点图，通过散点图可以观察所研究对象的空间集聚性，具体几句类型四种：低-低集聚、低-集聚、高-高集聚和高-低集聚。图中共包含四个象限，其中第一、三象限表示空间正相关，第二、四象限表示空间负相关。图4-22015和2022年地方政府债务信用风险指标空间矩阵LISA分布图Figure3LISADistributionMapofGeographicalDistanceSpatialMatrixforDigitalFinanceDevelopmentIndicatorsin2015and2022图4-32015和2022年数字金融发展指标地理距离空间矩阵LISA分布图使用stata18绘制出图4-2和图4-3，从中可以看出无论是地方政府债务指标还是数字金融指标，各省份大多分布一、三象限，说明两个指标的空间集聚特征均表现为低-低集聚与高-高集聚。从这里也说明了地方政府债务指标具有空间自相关特征，在研究其变化时必须考虑空间因素。4.5.2模型选择本文的实证模型根据LM检验、husaman检验、LR检验、Wald检验等几种检验方式的检验结果综合得到。表4-5模型检验空间面板模型检验valuep-valueLM检验Moran'sI0.0000.000LM-lag43.5300.000Robust-LM-lag33.2640.000LM-err10.3830.001Robust-LM-err0.1170.732husaman检验chi（17）33.9600.009LR检验LR-SDM/SAR141.4600.000LR—SDM/SEM141.8600.000Wald检验Wald-SDM/SAR20.1700.003Wlad—SDM/SEM86.9100.000模型效应检验LR-both/time64.5200.000LR-both/ind63.8000.000据表4-5分析，LM检验的检验值基本通过了ｐ值为0.01的显著性水平检验，且结果显著，说明了在进行模型估计时需考虑其相应的空间效应，同时这也是地方政府债务指标具有空间特征的又一佐证。husaman检验值结果显著，说明固定效应应该作为本文研究的一个考虑方向，LR检验和Wald检验等两种检验，其检验结果均表明本文的空间模型为SDM模型。综合分析过后，本文选取时空固定效应模型作为实际回归的核心模型。4.5.3实证结果分析（1）数字普惠金融指数本节及以后对于回归结果的分析主要集中在对本文的核心解释变量北京大学数字金融普惠指数。表4-6样本回归lnyCoefficientzlnx0.337**2.16lns-0.115-0.41lnd0.771***3.69lng0.0000.13lnu-0.295-0.77lno-0.753-1.40lnf-0.003-1.24L1.lny0.557***9.10L1.Wlny0.532***2.66Spatialrho0.354***2.71注：表中***p<0.01**p<0.05*p<0.1表4-6中rho表示空间自相关系数，L1.lny表示被解释变量对数滞后项，L1.Wlny表示被解释变量的空间对数滞后项。lnx表示核心解释变量的对数项，其他皆为控制变量的对数项。据表4-6分析，地方政府债务信用风险违约距离的对数滞后项通过1%显著性水平的假设检验，表明该指标在时间维度上存在惯性；该指标的空间自相关系数为0.354，且在1%水平上显著，表明中国地方政府债务信用风险在地理距离上临近的地区的空间溢出效应很是显著；该指标的空间对数滞后项系数显著，为0.532，表明某一地区某一年的地方政府债务风险对邻近地区下一年的地方政府债务风险可能会产生正向影响，具有时空季风性。这些结论充分说明了本文在模型构建的考量上具有全面性。北京大学数字金融普惠指数的回归系数为0.337，通过了显著性水平为5%的假设检验，地方政府债务的违约距离越大，其信用水平越高，信用风险水平越低，因此以上结果充分表明数字金融的发展可以有效降低地方政府债务的信用风险水平，验证了本文的假设一，即数字金融发展对地方政府债务信用风险的有负向影响。基础维度分析表4-7数字金融服务水平lnyCoefficientzlnx10.431**-0.02lns0.086***2.78lnd-0.065-1.21lng0.244***3.05lnu-0.185-0.75lno0.0110.80lnf-0.029-1.20L1.lny0.740***19.56L1.Wlny0.006***-0.06Spatialrho0.066***0.67如表4-7所示，数字金融服务水平的的发展对地方政府债务信用风险水平的影响效应较小，为0.431，显著性水平是5%，其相应的影响效应为正向影响，说明提升数字金融服务水平有助于防范地方政府信用危机。表4-8数字金融基础设施lnyCoefficientzlnx20.528**1.59lns0.134***2.84lnd0.0901.16lng-0.013-0.11lnu-0.258-0.85lno0.037*1.89lnf-0.042-1.17L1.lny0.243***3.57L1.Wlny0.049***0.30Spatialrho0.091***0.87如表4-8所示，数字金融基础设施的建设对地方政府债务信用风险水平的影响效应较大，为0.528，且通过了显著性水平为5%的检验，这表明了明政府在进行对地方政府债务信用风险的管控时可以注重于对数字金融基础设施的建设。表4-9数字金融监管水平lnyCoefficientzlnx30.589**-1.09lns1.800**2.42lnd1.6161.29lng3.458*1.80lnu-0.060-0.01lno0.915***2.80lnf-0.321-0.55L1.lny0.251***3.51L1.Wlny0.066***0.48Spatialrho0.031***0.31如表4-9所示，数字金融监管水平的提升对地方政府债务信用风险水平的影响效应较大，为0.589，显著性水平为5%，可以看出如果地方政府可以对数字金融领域进行合理的监管，地方政府的债务信用水平会因此得到有效的提高，即地方数字金融监管水平与政府债务信用风险水平成正相关。4.5.4空间效应分析本文在“数字金融对地方政府债务信用风险的影响效应”的分析上兼顾研究两者之间普通线性影响和空间效应影响，线性影响在上节已有分析，本节只进行对其空间效应影响的分析工作。表4-10空间效应分析lnyCoefficientz直接效应lnx10.277**2.10lnx2-0.418-1.58lnx30.263*1.78lnx40.005**2.03lnx5-0.146-0.93lnx6-0.439-0.86lnx7-0.003-1.47间接效应lnx1-0.804***-5.06lnx2-1.587-1.58lnx3-2.348***-3.22lnx40.0120.93lnx51.606**2.33lnx6-0.271-0.13lnx7-0.012-1.02总效应lnx1-0.527***-4.65lnx2-2.005*-1.77lnx3-2.085***-2.63lnx40.0181.17lnx51.460**2.09lnx6-0.709-0.32lnx7-0.015-1.17注：表中***p<0.01**p<0.05*p<0.1如表4-10所示，参考各种文献之后，本文通过把两者产生的影响效用分解成直接效应、间接效应和总效应方法进行结构化分析。表格中北京高校数字金融普慧指数从三个效用上来说皆已通过5%的显著性检验检测，且指数均大于零，三种效用结果的一致性充分表明数字金融的快速发展正向促进着地方政府信用风险水平的提高，即数字金融对地方政府债务存在显著的空间溢出效应，其中直接效应为正向，间接效应为负向，总效应系数反馈值是-0.527，为负向空间溢出效应。因此，从直接效应上看，数字金融发展水平的提高，可以降低邻近地方政府债务风险，甚至降低整体的系统性金融风险，而从间接效应、总效应上分析，其结果是相反的，说明直接效应在数字金融对地方政府债务信用风险的影响效应上起主要作用。4.5.5稳健性检验（1）变量增加、替换在稳健性检验领域，变量增替一直是其中重要的方法。本文使用控制变量和被解释变量作为增替变量，具体来说：使用负债率替换违约距离，使用各省人均GDP替换地区生产总值，增加前文通过随机森林模型测度后剔除的变量市场化指数。表4-11变量增替变量负债率（替换）人均GDP（替换）市场化指数（增加）lnyCoefficientzCoefficientzCoefficientzlnx-1.263***-2.672.3398**2.052.379**2.09lns0.182***3.04-0.028-0.180.0330.23lnd-0.312***-2.940.722***2.730.742***2.80lng0.14320.850.0890.190.3610.88lnu0.1630.36-1.431-1.27-1.847*-1.69lno0.132***4.67-0.064-0.99-0.053-0.79lnf0.382***7.95-0.135-1.20-0.127-1.11lnm-0.024-0.18L1.lny1.555***40.020.808***12.500.776***11.36L1.Wlny2.217***14.170.840***4.360.811***4.09Spatial.rho0.983***6.920.466***3.940.467***3.91sigma2_e0.005***12.750.025***11.740.024***11.72注：表中***p<0.01**p<0.05*p<0.1据表4-11分析，三种方法的数字金融指标回归系数均显著为负，负债率越高，其地方政府债务的信用风险越大，结合违约距离的定义可知，该结论与前文的回归结果一致，即数字金融的发展能有效抑制地方政府债务