数字经济对企业信用风险的影响机制研究

[摘要]数字经济与新能源产业的深度融合已逐渐成为全球竞争的重要领域，探究数字经济对新能源企业信用风险的影响具有重要的时代价值和理论意义。基于2012—2020年新能源上市公司的市场交易和财务数据以及省级面板数据，采用固定效应模型和面板门槛模型进行实证研究，结果表明：从全国层面来看，数字经济能够显著降低新能源企业的信用风险，并且这一影响在知识溢出的调节作用下存在双门槛效应。随着地区知识溢出水平的提高，数字经济对新能源企业信用风险的边际作用效果先减弱后增强。从区域层面来看，相较于中、西部地区，数字经济对东部地区新能源企业信用风险的影响最为明显。根据研究结论，提出加强数字经济与实体产业的集成结合、完善区域创新机制以及实施差异性的地区数字化发展战略等建议。

[关键词]数字经济；信用风险；知识溢出；新能源企业

一、 引言

新能源企业作为推动我国经济绿色转型的重要微观载体，在数字经济的影响下，发生了颠覆式变革。工业互联网的应用使数据成为链接各项产业活动的纽带，不仅重塑了新能源企业的生产方式和商业模式，也推动了新能源供应链与服务链的智能互联。这有利于优化能源供给结构，提升资源配置效率，对后疫情时代企业走上快速复苏道路起到了不可忽视的作用。然而，利用数字经济赋能实体企业实现数字化转型是一项复杂工程和长期任务，不可毕其功于一役，以坚持底线思维，防范信用风险为基本原则，稳中求进，逐步实现才是切合实际的最优实现路径。因此，对数字经济助企降险效应的研究与探讨已经成为推动实体产业数字化转型的内在要求和当务之急。

基于数字经济和实现“双碳”目标的双重背景，本文试图探究数字经济与新能源企业信用风险之间的复杂关系，可能的边际贡献有3个方面。第一，在研究视角上，现有文献中关于数字经济在微观层面的经济后果研究较多集中在对企业生产效率、商业模式、组织结构和治理机制等方面的影响，本文尝试从信用风险的角度丰富和发展数字经济的微观效应研究成果。第二，在研究内容上，通过理论分析与实证检验重点回答数字经济是否有利于化解新能源企业的信用风险这一问题，并利用双门槛回归模型探讨在不同的地区知识溢出水平下，数字经济对企业信用风险的作用规律。第三，在变量刻画上，基于GKMV模型估计企业的信用风险，在利用高斯混合模型重新拟合中间变量[d1]和[d2]概率分布的基础上，对模型的主要参数与计算方法进行修正与改进，力求达到科学精准的测量效果。

二、 文献综述与理论分析

1. 数字经济与企业信用风险

围绕数字经济对企业信用风险的影响这一问题，学术界主要从偿债能力和偿债意愿两个层面进行揭示[1]。在偿债能力方面，随着数字经济逐渐渗透到实体产业的各领域全过程，数字经济以全新的技术范式突破了企业原有的生产方式和管理模式，不仅带动了生产效率的提升，也推动了企业形成新型的数字化管理模式，这为增强企业的偿债能力、降低信用风险提供了有力支撑[2]。一方面，数字经济具有较强的网络外部性，当企业的用户数量达到一定的规模时，企业便能够从大宗交易、统一采购原材料与摊薄研发成本等方面降低平均成本，享受规模经济带来的红利[4]。另一方面，数字技术的普及降低了经济活动的信息门槛，拓展了企业销售的覆盖半径，便于企业以主营业务积累的顾客资源为核心低成本地开展多样性业务。这既为行业提供了多样化的产品和服务，契合长尾需求，也成功地增加了主营业务的价值，实现范围经济效应[5]。

在偿债意愿方面，偿债意愿指的是当企业拥有足额偿债资金时仍然选择违反偿债约定的主观态度，与借款人的机会主义行为有关[6]。基于经典经济学的理论框架，企业作为追求利益最大化的“经济人”，只有当违约行为的外部成本大于外部收益时，才会选择偿还债务[7]。然而，信息交互网络和“核聚变式”的信息传播方式无限放大了信息的传播速度和范围，导致企业违约的舆论压力和机会成本激增[8]。这就使得理性的企业不得不提升自身的信息透明度，按时履行偿债义务，避免负面舆论的扩散对企业的持续经营造成不利影响[9]。此外，偿债能力也是决定企业偿债意愿的重要因素。研究发现，偿债能力较强的企业往往更加注重市场评价对企业未来发展空间的影响[10]。基于上述分析，本文提出以下假设：

H1：数字经济能够显著降低企业的信用风险，即数字经济水平越高，越有助于降低企业的信用风险。

2. 数字经济、知识溢出与新能源企业信用风险

随着新能源产业的增长动力逐渐由低成本要素驱动向高附加值创新驱动转变，知识将代替传统的生产要素，成为推动新能源产业转型升级的主导力量。在数字经济与新能源企业的信用风险之间，知识溢出的调节作用主要体现在两个层面。

第一，知识溢出具有协同创新效应。基于企业的创新体系而言，企业的创新生产不仅依赖自身的技术条件和人才储备，还来源于对其他企业的要素获取[12]。在数字化情境下，智力资本在区域内的高效流通，降低了新知识与新技术的创造成本，满足了企业在转型升级过程中所产生的技术需求，在实现区域企业的协同发展中促进了企业信用水平的提升[13]。

第二，知识溢出促进数字经济的集聚效应释放。虽然互联网等新兴技术的应用丰富了知识要素的传播方式，削弱了知识扩散的时空阻碍，使智力资本的大范围流通变得更加容易，但由于构成企业竞争优势的核心智力要素往往是只能通过面对面交流传播的暗默知识，这就使得知识溢出具有空间集聚效应[14-15]。企业为了能够以快速、精准和低成本的方式获取新知识，会自发地集聚在知识溢出源周围。同时，数字经济所营造的良好的创新环境与营商环境不仅激励着企业更加高效地开展创新活动，还促使新兴技术、风险投资与创新型人才趋向集聚，为深化和拓展产业链条不断注入能量和活力[16]。因此，知识溢出水平越高，越可能为当地的新能源产业带来知识溢出与数字经济协同的双重集聚效应，并在促进技术进步、推动产业和区域发展中起到推波助澜的作用。基于此，本文提出以下假设：

H2：知识溢出可以正向调节数字经济对新能源企业信用风险的抑制作用。

根据上述分析，本文搭建了数字经济对企业信用风险的影响机理模型，见图1。

三、 研究设计

1. 数据来源

本文采用2012—2020年东方财富新能源概念板块（BK0493）的181家上市公司作为初始样本，样本企业多属于电气机械和器材制造业、电力热力生产和供应业、通用设备制造业、专用设备制造业、计算机通信和其他电子设备制造业、非金属矿物制品业、交通运输设备制造业、金属制品业等八大制造业。为了提升数据质量，剔除了以下样本公司：（1）上市时间晚于2012年1月1日的上市公司；（2）ST或*ST类的上市公司；（3）核心指标数据缺失的上市公司。同时，为了避免新能源企业集中于个别地区，影响研究结论的稳健性与可靠性，本文控制位于同一地区的样本个数在3至15之间。经过前述处理，最终得到112家新能源上市公司作为本文的研究样本。由于西藏、青海和新疆3个地区符合条件的样本个数较少，故不作讨论。上市公司的股票交易和财务数据均来源于国泰安数据库，衡量数字经济水平的省级面板数据来自历年《中国统计年鉴》《中国能源统计年鉴》《中国科技统计年鉴》和《高技术产业统计年鉴》。

2. 变量选取

（1）企业信用风险

KMV模型是现代信用风险评价中应用最为广泛的模型之一。它的基本思路是将公司股权的期权性质引入信用风险的测度中，认为股东权益相当于一份以公司资产价值为标的、债务价值为执行价格的欧式看涨期权，从而借助B-S期权定价公式，运用上市公司的市场交易和财务数据推算资产的市场价值。然后，再通过比较资产价值与负债价值的大小来衡量上市公司的信用风险水平。模型的具体计算步骤如下：

[E=VNd1-De-rtNd2] （1）

[EσE=Nd1VσA] （2）

其中：

[d1=lnVD+（r+12σ2A）tσAt] （3）

[d2=d1-σAt] （4）

式（1）至式（4）展示了公司资产价值的演算过程。由已知参数股权价值E及其波动率[σE]、负债价值D、无风险利率r和债务到期时间t估算出未知的资产价值V及其波动率[σA]。接着，再用资产价值V与KMV模型中的违约点DP进行比较，最终计算得到的违约距离DD即为表征上市公司信用风险水平的关键指标。考虑到资产价值的波动性，违约距离通常以资产价值波动率的倍数表示：

[DD=EV-DPE（V）σA] （5）

由于我国的金融市场环境与西方国家相比存在较大差异，直接使用原模型的指标设定与计算方法会使测量结果有偏。因此本文借鉴邵翠丽[17]提出的GKMV模型，运用高斯混合模型重新估计中间变量[d1]和[d2]的概率分布并对主要参数的指标选取与计算方法进行修正（表1），从而达到提升原模型精确性与适用性的目的。根据GKMV模型计算得到的违约距离越大，表明企业的偿债水平越高，信用风险越低。

（2）数字经济水平

目前各国对数字经济的界定存在分化，再加上新产业、新模式、新业态的不断涌现，使数字经济水平尚缺乏统一的测度标准。本文借鉴张雪玲等[18]的研究思路，以数字经济的内在定义和发展特点为依据，从信息基础建设、产业数字化、数字产业化和数字化投入四个层面构建省级数字经济水平的指标体系（表2）。其中，信息基础设施通过传输基础和承载能力度量；产业数字化通过应用广度与深度度量；数字产业化通过生产投入和产业规模度量；数字化投入通过资金投入和人才储备度量。最后采用熵值法为15个三级指标赋予权重，计算各地区各年份的数字经济指数。

（3）知识溢出水平

专利申请数量能够反映地区创新活动的丰富程度，是表征当地知识生产能力与技术创新水平的重要指标。本文借鉴余婕等[19]的研究，采用专利申请数量的对数衡量地区知识溢出水平。

（4）控制变量

参照以往学者的研究，本文控制以下企业层面的变量：（1）盈利能力Roa，以资产收益率表示；（2）企业规模Size，以总资产的自然对数表示；（3）股权集中度Top1，以第一大股东持股比例表示；（4）流动比率Cratio，以流动资产和流动负债的比率表示；（5）所有权属性Sow，国有企业取1，否则取0；（6）两职合一Dual，若董事长与总经理兼任取1，否则取0[1]。具体变量的描述性统计见表3。

3. 模型设计

（1）固定效应模型

关于回归模型的选择，对面板数据进行Chow检验、LR检验和Hausman检验，发现上述检验均在5%的水平下拒绝原假设。为此，本文构建固定效应模型来检验数字经济水平对新能源企业信用风险的抑制作用以及知识溢出的调节作用，待检验模型如下：

[DDi，t=α0+β1lnDigii，t+β2Controli，t+μi+γt+εi，t] （6）

[DDi，t=α0+β1lnDigii，t+β2lnKSi，t+β3lnDigii，t*lnKSi，t+β4Controli，t+μi][+γt+εi，t] （7）

其中，DD为根据GKMV模型得到的违约距离，表征企业的信用风险水平；Digi为企业所在地区的数字经济水平；KS为地区知识溢出水平；Control为控制变量；[μi]为个体效应；[γt]为时间效应；[εi，t]为随机误差项；下标i，t分别为企业和年份。

（2）面板门槛模型

考虑到不同的知识溢出强度可能会影响其调节作用，本文将知识溢出作为门槛变量引入Hansen面板门槛模型中，探究随着知识溢出水平的提升，数字经济对新能源企业信用风险的作用规律。本文建立的门槛回归模型如下：

[DDi，t=α0+β1lnDigii，t×IlnKSi，t≤λ+β2lnDigii，t×IlnKSi，t>λ+β3Controli，t+μi+εi，t] （8）