摘要：数字普惠金融依托大数据、区块链等新兴技术，有效降低了金融服务门槛，为破解中小企业融资困境提供了新路径。当前，中小企业普遍面临融资渠道狭窄、信贷配给不足等问题，而数字普惠金融的发展能否真正缓解其融资约束，仍需深入验证。为此，通过阐述数字普惠金融与中小企业融资约束的理论机制，梳理国内外相关文献，以新三板150家制造业企业为样本，运用熵值法测算企业融资约束程度，构建多元回归模型，结果表明：数字普惠金融的发展水平与中小企业融资约束呈显著负相关，且这种缓解效应在民营企业和中西部地区企业中更为明显。基于此，提出完善数字普惠金融基础设施、优化中小企业信用评估体系等政策建议。

关键词：数字普惠金融；中小企业；融资约束；熵值法；多元回归

一、引言

数字普惠金融是指利用数字技术为传统金融服务覆盖不足的群体提供可负担、可持续的金融产品与服务，其核心在于降低交易成本、缓解信息不对称。近年来，我国数字支付、网络借贷、线上保险等业态快速发展，截至2022年末，数字普惠金融指数较2011年增长近8倍。然而，中小企业在发展过程中普遍面临“融资难、融资贵”问题，表现为银行贷款审批周期长、抵押担保要求高、信用贷款可得性低等。在此背景下，如何借助数字普惠金融的力量疏通中小企业融资堵点，成为理论界与实务界共同关注的议题。2016年国务院印发《推进普惠金融发展规划（2016—2020年）》，明确提出要利用互联网等现代信息技术推动普惠金融发展。2021年中国人民银行进一步强调，要深化数字普惠金融体系建设，提升小微企业金融服务质效。因此，系统考察数字普惠金融对中小企业融资约束的缓解效应，可为政策优化和企业融资决策提供实证依据，推动实体经济高质量发展。

二、研究现状

国内外学者围绕数字普惠金融与融资约束的关系开展了较为丰富的研究。国外研究起步较早，Beck et al.（2007）发现金融科技的发展显著降低了中小企业获取信贷的难度；Demirgüç-Kunt et al.（2018）基于全球普惠金融数据库分析指出，移动支付普及率每提高10个百分点，中小企业被银行拒贷的比例下降约3.2个百分点；Cornelli et al.（2020）利用跨国企业调查数据证实，数字信贷平台能够利用替代数据评估企业信用，从而缓解抵押品不足导致的融资约束。国内研究近年来快速增长，谢绚丽等（2018）基于北京大学数字普惠金融指数，发现数字普惠金融对民营企业融资具有显著促进作用；梁榜和张建华（2019）运用省际面板数据，证明数字普惠金融通过降低信息成本和交易成本缓解中小企业融资约束；李继尊（2020）从供应链金融视角出发，认为数字技术赋能下的应收账款融资模式能有效盘活中小企业沉淀资产；万佳彧等（2021）进一步区分融资约束类型，指出数字普惠金融对长期融资约束的缓解效果优于短期。

现有文献多从宏观或行业层面验证数字普惠金融的融资效应，但存在以下不足：第一，多采用单一指标衡量融资约束（如现金-现金流敏感性），缺乏综合考量企业多维度财务特征的测度体系；第二，对不同所有权性质、不同区域企业的异质性分析不够深入；第三，样本多集中在主板上市公司，对新三板等中小企业的关注有限。因此，本文以新三板制造业企业为研究对象，运用熵值法构建综合融资约束指数，系统检验数字普惠金融的缓解效应及其异质性特征，以期为精准施策提供参考。

三、研究方法

（一）熵值法

融资约束是一个多维度概念，单一财务指标难以全面反映企业面临的融资困境。熵值法是一种客观赋权方法，能够根据指标变异程度自动确定权重，避免主观偏差。其计算过程如下：设有m个待评价企业，n个融资约束评价指标，构成原始数据矩阵X＝(xij)m×n。首先对各指标进行标准化处理，消除量纲影响，正向指标和负向指标分别按公式（1）和（2）处理：

(1) 正向指标：zij = (xij - min(xj)) / (max(xj) - min(xj))

(2) 负向指标：zij = (max(xj) - xij) / (max(xj) - min(xj))

然后计算第j项指标下第i个企业的指标比重：pij = zij / Σi=1^m zij

计算第j项指标的信息熵：ej = -k Σi=1^m (pij × ln pij)，其中k = 1 / ln m

计算信息冗余度：dj = 1 - ej

最后确定指标权重：wj = dj / Σj=1^n dj

企业融资约束综合得分：FCi = Σj=1^n (wj × zij)，得分越高表示融资约束越严重。

（二）多元回归模型

为检验数字普惠金融对融资约束的缓解效应，构建基准回归模型如式（3）：

(3) FCit = α0 + α1 DIFit + α2 SIZEit + α3 AGEit + α4 ROAit + α5 GROWit + α6 LEVit + μi + εit

其中，FCit为企业i在第t年的融资约束指数；DIFit为数字普惠金融指数（取对数）；控制变量包括企业规模（SIZE，总资产对数）、企业年龄（AGE，成立年数对数）、盈利能力（ROA，资产收益率）、成长性（GROW，营业收入增长率）、财务杠杆（LEV，资产负债率）；μi为个体固定效应，εit为随机误差项。若α1显著为负，表明数字普惠金融能够缓解融资约束。

四、数据来源与处理

（一）样本选择

以新三板挂牌的制造业企业为研究对象，选择依据为：制造业是实体经济的重要支柱，且中小企业集中。剔除ST、*ST公司及数据缺失严重的样本，最终获得150家企业2017—2021年的平衡面板数据，共计750个观测值。

（二）数据来源

数字普惠金融指数来源于北京大学数字金融研究中心公布的《数字普惠金融指标体系（2011—2021）》。企业财务数据、公司基本信息来源于Wind数据库和新三板信息披露平台。其中，数字普惠金融指数涵盖覆盖广度、使用深度和数字化程度三个维度，本文采用总指数进行回归分析，并使用分维度指数进行稳健性检验。

（三）数据处理

（1）融资约束原始指标体系构建。从偿债能力、流动性水平、盈利能力和企业规模四个维度选取6个指标：流动比率（X1，反映短期偿债能力）、速动比率（X2，反映即时偿付能力）、资产负债率（X3，反映杠杆水平）、经营活动现金流与流动负债之比（X4，反映内生现金流充足度）、净资产收益率（X5，反映盈利积累能力）、总资产自然对数（X6，反映企业规模大小）。数据清洗后，采用熵值法逐年计算各企业融资约束综合得分FC。

（2）数字普惠金融指数匹配。根据企业注册地所在城市，将各城市年度数字普惠金融总指数与企业数据一一匹配。为消除量纲影响，对指数取自然对数，记为LnDIF。

（3）描述性统计。处理后的数据显示：FC均值为0.372，标准差为0.185，最小值0.094，最大值0.841，说明样本企业融资约束程度差异较大；LnDIF均值为4.921，标准差为0.463，覆盖范围从3.875到5.726，反映不同地区数字化金融发展不均衡。

（4）适用性检验。对融资约束6个指标进行KMO检验和Bartlett球形检验。KMO值为0.688，大于0.6的临界值；Bartlett检验近似卡方值为1247.36，Sig值为0.000，表明各指标间存在较强相关性，适合采用熵值法进行综合评价。

（四）指标选取

数字普惠金融解释变量采用北京大学数字金融研究中心编制的数字普惠金融总指数（DIF），同时选取覆盖广度（COV）、使用深度（USE）和数字化程度（DIG）进行稳健性检验。被解释变量为企业融资约束综合得分（FC）。控制变量及计算方法见表1。

表1 控制变量定义及计算公式

（五）熵值法赋权结果

采用熵值法逐年度计算融资约束各指标的权重。以2021年为例，6个指标的熵值及权重结果见表2。由表2可知，经营活动现金流与流动负债之比（X4）的权重最大，为0.241，说明内生现金流是衡量中小企业融资约束的关键因素；资产负债率（X3）次之，权重为0.208；流动比率（X1）和速动比率（X2）权重分别为0.182和0.176，反映短期偿债能力同样重要。各年度权重分布相对稳定，因此后续回归采用每年加权计算的FC值。

表2 融资约束指标熵值与权重（2021年）

（六）融资约束等级划分

根据计算得出的融资约束综合得分FC，将样本企业划分为三个等级：FC值在0～0.3区间为宽松融资约束（资金可得性较强），0.3～0.6区间为中度融资约束，0.6～1区间为严重融资约束。统计显示，2017年严重融资约束企业占比为32.7%，2021年该比例下降至21.3%，同期宽松融资约束企业占比由18.0%上升至26.7%，初步表明数字普惠金融发展可能缓解了企业融资压力。

五、回归分析

（一）基准回归

采用个体固定效应模型对式（3）进行回归估计，同时报告随机效应结果作为参照。Hausman检验p值为0.003，故采用固定效应模型。回归结果见表3。

表3 基准回归结果

注：***,**,*分别代表 1%,5%,10%的显著性水平，括号内为稳健标准误。

由表3可知，核心解释变量LnDIF的系数为-0.082，在1%水平上显著，表明数字普惠金融指数每提高1%，企业融资约束指数平均下降约0.082个单位，验证了数字普惠金融对中小企业的融资缓解效应。控制变量中，SIZE和ROA均显著为负，说明规模越大、盈利能力越强的企业面临的融资约束越小；LEV显著为正，反映高负债企业更难获得新增融资支持。

（二）异质性分析

将样本按照所有权性质分为国有企业和民营企业，按照区域分为东部地区和中西部地区，分别进行分组回归，结果见表4。

表4 异质性回归结果

结果显示，数字普惠金融对民营企业融资约束的缓解效应（-0.097）明显强于国有企业（-0.041），且后者不显著。可能原因在于国有企业天然具有政府背书和信贷资源优势，数字普惠金融的边际改善空间较小。区域异质性方面，中西部地区系数绝对值（-0.113）大于东部地区（-0.069），说明数字普惠金融对欠发达地区中小企业的“雪中送炭”效应更为突出，有利于缩小区域金融资源配置差距。

（三）稳健性检验

为保证结论可靠性，进行以下稳健性检验：第一，替换解释变量，采用数字普惠金融覆盖广度（COV）代替总指数，回归系数为-0.064（p<0.01），结果稳健；第二，替换被解释变量，采用现金-现金流敏感性模型重新测度融资约束，核心结论不变；第三，内生性处理，采用滞后一期的数字普惠金融指数作为工具变量进行两阶段最小二乘回归，系数仍显著为负。上述检验表明基准回归结果较为稳健。

六、结论与建议

研究结果表明，数字普惠金融的发展能够显著缓解中小企业融资约束，且这种缓解效应在民营企业和中西部地区企业中更为突出。基于此，提出以下建议：

从监管部门角度看，应进一步完善数字普惠金融基础设施建设。一方面，加快5G网络、大数据中心等新型基础设施在县域和农村地区的布局，降低数字金融服务的“最后一公里”成本；另一方面，建立健全数字普惠金融监管沙盒机制，在风险可控前提下鼓励金融机构开展供应链金融、动产质押等创新业务。同时，推动工商、税务、海关等政府部门数据与金融机构有序共享，提升中小企业信用画像的精准度。

从金融机构角度看，应开发适配中小企业特征的数字信贷产品。改变过度依赖抵押担保的传统风控模式，依托企业交易流水、纳税记录、社保缴纳等替代数据构建动态信用评估模型。针对制造业中小企业设备投入大、回款周期长的特点，推广基于物联网技术的设备融资租赁和存货质押贷款。此外，要降低数字金融服务的综合成本，避免因隐性收费加重企业负担。

从中小企业自身角度看，应主动提升数字化管理能力。规范财务核算体系，积极接入应收账款融资服务平台和供应链金融网络，增强自身信息透明度。企业要认识到，数字普惠金融降低了“关系型借贷”的依赖，良好的线上信用记录与持续的数字化经营行为是获取低成本融资的关键。根据回归结果中ROA显著负相关这一结论，企业应优先提升盈利能力和现金流管理水平，从根本上改善融资条件。

从投资者角度看，应关注数字普惠金融生态下的优质中小企业标的。在评估企业价值时，不仅要看传统的财务指标，还应考察企业是否积极应用数字支付、电子发票、线上供应链管理等工具，这些数字化行为往往预示着更低的融资约束和更强的成长潜力。通过跟踪企业所在城市的数字普惠金融发展水平，投资者可以前瞻性地识别融资环境改善受益企业，从而获取长期超额回报。