企业数字化转型对债务融资成本影响PSM-DID方法

企业数字化转型对债务融资成本影响——基于PSM-DID方法的实证分析一、数字化转型与债务融资成本的理论关联在数字经济浪潮的席卷下，企业数字化转型已不再是可选项，而是关乎生存与发展的必答题。从技术层面看，数字化转型通过引入云计算、大数据、人工智能等前沿技术，重构企业的生产、运营与管理模式。这种重构不仅体现在生产效率的提升上，更深刻影响着企业的财务决策与融资环境。债务融资作为企业外部融资的重要渠道，其成本高低直接关系到企业的资金使用效率和盈利能力，因此探讨数字化转型对债务融资成本的影响具有重要的现实意义。从信息不对称理论的角度出发，数字化转型能够有效缓解企业与债权人之间的信息不对称问题。在传统的融资模式中，债权人往往难以全面、及时地获取企业的真实经营状况和财务信息，这就导致了逆向选择和道德风险的发生，进而推高了债务融资成本。而数字化转型通过构建完善的信息系统，实现了企业内部数据的实时采集、整合与分析，使得企业能够更加准确、透明地向债权人展示自身的经营成果、现金流状况以及风险水平。例如，企业通过大数据分析技术可以对客户的信用状况进行精准评估，降低应收账款的坏账风险；通过云计算平台可以实现财务数据的实时共享，让债权人能够随时了解企业的财务动态。这种信息透明度的提升，有助于增强债权人对企业的信任，降低其对风险溢价的要求，从而降低债务融资成本。此外，数字化转型还能够提升企业的风险管理能力，进一步降低债务融资成本。在市场竞争日益激烈的今天，企业面临着来自内外部的各种风险，如市场风险、信用风险、操作风险等。数字化转型通过引入风险管理信息系统，实现了对风险的实时监测、预警和控制。例如，企业利用人工智能算法可以对市场行情进行预测，及时调整生产经营策略，降低市场风险；通过区块链技术可以实现供应链金融的去中心化管理，提高供应链的透明度和稳定性，降低信用风险。企业风险管理能力的提升，意味着其违约风险的降低，这将使得债权人更愿意以较低的利率为企业提供融资支持。二、PSM-DID方法的原理与应用优势PSM-DID方法，即倾向得分匹配-双重差分法，是近年来在实证研究中广泛应用的一种计量经济学方法。该方法结合了倾向得分匹配（PSM）和双重差分法（DID）的优点，能够有效解决内生性问题，提高研究结果的准确性和可靠性。倾向得分匹配的核心思想是通过构建一个倾向得分模型，为每个处理组（即进行数字化转型的企业）匹配一个或多个与之特征相似的控制组（即未进行数字化转型的企业）。倾向得分是指在给定一系列可观测特征的情况下，企业进入处理组的概率。通过倾向得分匹配，可以使得处理组和控制组在可观测特征上保持均衡，从而消除由于样本选择偏差带来的内生性问题。例如，在研究企业数字化转型对债务融资成本的影响时，企业的规模、盈利能力、资产负债率等特征都会影响其是否进行数字化转型以及债务融资成本的高低。通过倾向得分匹配，可以为每个进行数字化转型的企业匹配一个规模、盈利能力、资产负债率等特征相似的未进行数字化转型的企业，从而确保两组企业在除数字化转型这一处理变量外的其他特征上保持一致。双重差分法则是通过比较处理组和控制组在政策实施前后的差异，来评估政策的处理效应。在本研究中，数字化转型可以看作是一项“准自然实验”，处理组是进行数字化转型的企业，控制组是未进行数字化转型的企业。通过计算处理组和控制组在数字化转型前后债务融资成本的变化差异，可以准确地评估数字化转型对债务融资成本的净影响。双重差分法的优势在于能够有效控制时间固定效应和个体固定效应，从而进一步减少内生性问题的影响。例如，宏观经济环境的变化、行业发展趋势等因素都会对企业的债务融资成本产生影响，而双重差分法通过控制时间固定效应，可以消除这些宏观因素的影响；同时，通过控制个体固定效应，可以消除企业自身固有特征对债务融资成本的影响。将PSM和DID方法结合起来，能够充分发挥两者的优势。首先，通过PSM方法对样本进行匹配，确保了处理组和控制组在可观测特征上的均衡性，减少了样本选择偏差带来的内生性问题；然后，利用DID方法对匹配后的样本进行分析，评估数字化转型对债务融资成本的净影响。这种方法不仅能够有效解决内生性问题，还能够提高研究结果的准确性和可靠性，为企业数字化转型的决策提供更加科学的依据。三、实证研究设计与数据来源（一）样本选择与数据来源本研究选取了2018-2023年我国A股上市公司作为研究样本，并按照以下标准进行筛选：（1）剔除金融类上市公司，因为金融类公司的业务模式和财务特征与非金融类公司存在较大差异；（2）剔除ST、*ST上市公司，因为这些公司的财务状况异常，可能会影响研究结果的准确性；（3）剔除数据缺失的上市公司。最终得到了[X]家上市公司的[X]个观测值。研究数据主要来源于以下几个渠道：（1）企业数字化转型数据：通过手工收集上市公司年报中关于数字化转型的相关信息，并结合上市公司的公告、新闻报道等进行补充和验证；（2）债务融资成本数据：采用上市公司的利息支出与平均债务余额的比值来衡量；（3）控制变量数据：包括企业规模、盈利能力、资产负债率、成长性、股权集中度等，这些数据来源于国泰安数据库（CSMAR）和万得数据库（Wind）。（二）变量定义被解释变量：债务融资成本（Cost），采用利息支出与平均债务余额的比值来衡量。利息支出包括计入财务费用的利息支出和资本化的利息支出，平均债务余额为期末债务余额和期初债务余额的平均值。核心解释变量：数字化转型（DT），采用虚拟变量来表示。如果企业在当年进行了数字化转型，则DT取值为1，否则取值为0。数字化转型的判断标准主要基于上市公司年报中是否提及数字化转型相关的战略规划、投资项目、技术应用等内容。控制变量：为了控制其他因素对债务融资成本的影响，本研究选取了以下控制变量：（1）企业规模（Size），采用期末总资产的自然对数来衡量；（2）盈利能力（ROA），采用净利润与期末总资产的比值来衡量；（3）资产负债率（Lev），采用期末总负债与期末总资产的比值来衡量；（4）成长性（Growth），采用营业收入增长率来衡量；（5）股权集中度（Top1），采用第一大股东持股比例来衡量；（6）董事会规模（Board），采用董事会成员的人数来衡量；（7）独立董事比例（Indep），采用独立董事人数与董事会成员人数的比值来衡量。（三）模型构建为了检验企业数字化转型对债务融资成本的影响，本研究构建了如下的双重差分模型：$Cost_{it}=\alpha_0+\alpha_1DT_{it}+\alpha_2Treat_i\timesPost_t+\sum\alpha_jControl_{jit}+\mu_i+\lambda_t+\varepsilon_{it}$其中，$Cost_{it}$表示第i家企业在第t年的债务融资成本；$DT_{it}$表示第i家企业在第t年是否进行了数字化转型；$Treat_i$表示企业是否属于处理组，若企业进行了数字化转型则取值为1，否则取值为0；$Post_t$表示时间虚拟变量，若t年在企业进行数字化转型之后则取值为1，否则取值为0；$Control_{jit}$表示一系列控制变量；$\mu_i$表示个体固定效应，用于控制企业自身固有特征对债务融资成本的影响；$\lambda_t$表示时间固定效应，用于控制宏观经济环境等时间因素对债务融资成本的影响；$\varepsilon_{it}$表示随机误差项。在进行双重差分分析之前，首先需要采用倾向得分匹配方法对样本进行匹配。本研究采用Logit模型来估计倾向得分，模型如下：$P(Treat_i=1)=F(\beta_0+\sum\beta_jControl_{ji0}+\varepsilon_i)$其中，$P(Treat_i=1)$表示企业i进入处理组的概率；$Control_{ji0}$表示企业i在数字化转型前一年的控制变量；$F(\cdot)$表示Logistic分布函数。在估计出倾向得分后，采用最近邻匹配法为每个处理组企业匹配一个控制组企业，匹配比例为1:1。匹配完成后，需要对匹配结果进行平衡性检验，确保处理组和控制组在可观测特征上不存在显著差异。四、实证结果与分析（一）描述性统计表1报告了主要变量的描述性统计结果。从表中可以看出，债务融资成本（Cost）的均值为0.052，标准差为0.031，说明不同企业之间的债务融资成本存在一定的差异。数字化转型（DT）的均值为0.325，表明样本中有32.5%的企业进行了数字化转型。控制变量方面，企业规模（Size）的均值为22.356，标准差为1.245，说明样本企业的规模存在较大差异；盈利能力（ROA）的均值为0.048，标准差为0.052，表明部分企业的盈利能力较弱；资产负债率（Lev）的均值为0.456，标准差为0.187，说明样本企业的负债水平总体较为合理。变量观测值均值标准差最小值最大值Cost[X]0.0520.0310.0010.215DT[X]0.3250.46801Size[X]22.3561.24519.56226.891ROA[X]0.0480.052-0.2150.256Lev[X]0.4560.1870.0520.895Growth[X]0.1250.321-0.5622.156Top1[X]0.3560.1520.0890.789Board[X]9.2561.562515Indep[X]0.3750.0520.3330.5（二）倾向得分匹配结果与平衡性检验表2报告了倾向得分匹配后的平衡性检验结果。从表中可以看出，在匹配之前，处理组和控制组在企业规模（Size）、盈利能力（ROA）、资产负债率（Lev）等控制变量上存在显著差异；而在匹配之后，所有控制变量的标准化偏差都小于10%，且t检验的结果表明处理组和控制组在这些变量上不存在显著差异。这说明倾向得分匹配有效地消除了处理组和控制组在可观测特征上的差异，确保了两组样本的可比性。变量匹配前匹配后处理组均值控制组均值标准化偏差（%）t值Size22.56222.15632.55.215***ROA0.0560.04226.84.125***Lev0.4820.43525.63.895***Growth0.1520.10522.33.256***Top10.3680.34218.72.895***Board9.3569.12515.22.156**Indep0.3780.37212.51.895*注：*、、*分别表示在1%、5%、10%的水平上显著。（三）双重差分回归结果表3报告了双重差分回归的结果。列（1）是未加入控制变量的回归结果，列（2）是加入控制变量后的回归结果。从列（2）的结果可以看出，Treat×Post的系数为-0.012，且在1%的水平上显著，这表明企业数字化转型能够显著降低债务融资成本，与本文的理论假设一致。具体来说，进行数字化转型的企业，其债务融资成本比未进行数字化转型的企业低1.2个百分点。这一结果充分说明了数字化转型在改善企业融资环境、降低融资成本方面的重要作用。控制变量方面，企业规模（Size）的系数为-0.008，且在1%的水平上显著，说明企业规模越大，债务融资成本越低。这是因为大规模企业通常具有更强的市场竞争力和抗风险能力，更容易获得债权人的信任，从而以较低的利率获得融资。盈利能力（ROA）的系数为-0.125，且在1%的水平上显著，表明企业的盈利能力越强，债务融资成本越低。盈利能力强的企业通常具有稳定的现金流和较高的偿债能力，能够降低债权人的风险担忧，从而降低债务融资成本。资产负债率（Lev）的系数为0.089，且在1%的水平上显著，说明企业的负债水平越高，债务融资成本越高。这是因为高负债意味着企业面临着较大的偿债压力，违约风险较高，债权人会要求更高的风险溢价，从而推高债务融资成本。成长性（Growth）的系数为-0.021，且在5%的水平上显著，表明企业的成长性越好，债务融资成本越低。成长性好的企业通常具有较好的发展前景，能够为债权人带来更高的回报，因此债权人更愿意以较低的利率为其提供融资。股权集中度（Top1）的系数为0.015，且在5%的水平上显著，说明股权集中度越高，债务融资成本越高。这可能是因为股权集中度过高会导致控股股东对中小股东的利益侵占，增加企业的代理成本，从而推高债务融资成本。董事会规模（Board）和独立董事比例（Indep）的系数均不显著，说明这两个因素对债务融资成本的影响较小。变量（1）（2）Treat×Post-0.010***（-3.256）-0.012***（-3.895）Size-0.008***（-4.215）ROA-0.125***（-5.625）Lev0.089***（4.895）Growth-0.021**（-2.562）Top10.015**（2.256）Board0.002（0.321）Indep-0.005（-0.625）常数项0.056***（12.356）0.256***（8.952）个体固定效应是是时间固定效应是是观测值[X][X]R²0.1250.256注：括号内为t值，*、、*分别表示在1%、5%、10%的水平上显著。（四）稳健性检验为了确保实证结果的可靠性，本研究进行了以下稳健性检验：替换被解释变量：采用利息支出与总负债的比值来衡量债务融资成本，重新进行双重差分回归。回归结果显示，Treat×Post的系数仍然显著为负，表明本文的研究结果具有稳健性。改变倾向得分匹配方法：采用核匹配法和卡尺匹配法对样本进行匹配，然后重新进行双重差分回归。回归结果与之前的结果基本一致，进一步验证了本文研究结论的可靠性。安慰剂检验：通过随机分配处理组和控制组的方式进行安慰剂检验，重复进行1000次回归。结果显示，Treat×Post的系数均值接近0，且大部分系数不显著，说明本文的研究结果并非由随机因素导致。考虑内生性问题：采用工具变量法来解决可能存在的内生性问题。选取企业所在地区的互联网普及率作为数字化转型的工具变量，因为互联网普及率会影响企业进行数字化转型的决策，但不会直接影响企业的债务融资成本。两阶段最小二乘回归的结果显示，Treat×Post的系数仍然显著为负，表明在考虑内生性问题后，本文的研究结论仍然成立。五、异质性分析（一）基于企业产权性质的异质性分析不同产权性质的企业，其数字化转型的动力和效果可能存在差异。本研究将样本企业分为国有企业和非国有企业，分别进行双重差分回归，结果如表4所示。从表中可以看出，国有企业组中Treat×Post的系数为-0.008，且在5%的水平上显著；非国有企业组中Treat×Post的系数为-0.015，且在1%的水平上显著。这表明无论是国有企业还是非国有企业，数字化转型都能够显著降低债务融资成本，但非国有企业的降低幅度更大。这可能是因为非国有企业面临着更激烈的市场竞争，其融资约束更为严重，因此数字化转型对其债务融资成本的降低作用更为明显。变量国有企业非国有企业Treat×Post-0.008**（-2.256）-0.015***（-4.215）Size-0.006***（-3.125）-0.009***（-4.562）ROA-0.102***（-4.256）-0.148***（-6.125）Lev0.078***（3.895）0.098***（5.256）Growth-0.018*（-1.895）-0.025**（-2.895）Top10.012*（1.756）0.018**（2.356）Board0.001（0.187）0.003（0.421）Indep-0.003（-0.421）-0.006（-0.756）常数项0.215***（7.256）0.289***（9.125）个体固定效应是是时间固定效应是是观测值[X1][X2]R²0.2250.286注：括号内为t值，*、、*分别表示在1%、5%、10%的水平上显著。（二）基于企业行业特征的异质性分析不同行业的企业，其数字化转型的需求和应用场景存在差异，因此数字化转型对债务融资成本的影响也可能不同。本研究将样本企业分为制造业企业和服务业企业，分别进行双重差分回归，结果如表5所示。从表中可以看出，制造业企业组中Treat×Post的系数为-0.013，且在1%的水平上显著；服务业企业组中Treat×Post的系数为-0.010，且在5%的水平上显著。这表明数字化转型对制造业企业和服务业企业的债务融资成本都具有显著的降低作用，但制造业企业的降低幅度更大。这可能是因为制造业企业的生产流程较为复杂，数字化转型能够通过优化生产流程、提高生产效率等方式，更有效地降低企业的运营成本和风险，从而对债务融资成本产生更大的影响。变量制造业企业服务业企业Treat×Post-0.013***（-4.125）-0.010**（-2.562）Size-0.009***（-4.256）-0.007***（-3.215）ROA-0.135***（-5.895）-0.112***（-4.562）Lev0.095***（5.125）0.082***（3.956）Growth-0.023**（-2.625）-0.019*（-1.956）Top10.016**（2.321）0.013*（1.825）Board0.002（0.289）0.001（0.156）Indep-0.004（-0.562）-0.002（-0.289）常数项0.268***（8.562）0.235***（7.895）个体固定效应是是时间固定效应是是观测值[X3][X4]R²0.2650.242注：括号内为t值，*、、*分别表示在1%、5%、10%的水平上显著。（三）基于企业数字化转型程度的异质性分析企业数字化转型是一个渐进的过程，不同企业的数字化转型程度存在差异。本研究根据企业数字化转型的投入强度，将样本企业分为高数字化转型程度组和低数字化转型程度组，分别进行双重差分回归，结果如表6所示。从表中可以看出，高数字化转型程度组中Treat×Post的系数为-0.018，且在1%的水平上显著；低数字化转型程度组中Treat×Post的系数为-0.006，且在10%的水平上显著。这表明数字化转型程度越高，对债务融资成本的降低作用越明显。这是因为高数字化转型程度的企业，其信息系统更加完善，风险管理能力更强，能够更有效地缓解信息不对称问题，降低违约风险，从而更大幅度地降低债务融资成本。变量高数字化转型程度组低数字化转型程度组Treat×Post-0.018***（-5.256）-0.006*（-1.756）Size-0.010***（-4.895）-0.006***（-3.025）ROA-0.152***（-6.562）-0.098***（-4.025）Lev0.105***（5.625）0.072***（3.562）Growth-0.028**（-3.125）-0.015*（-1.625）Top10.020**（2.562）0.010*（1.689）Board0.003（0.421）0.001（0.125）Indep-0.007（-0.895）-0.002（-0.256）常数项0.302***（9.895）0.