数据资产质押、信用风险定价与企业数字化转型

Data asset collateralization, credit risk pricing, and corporate digital transformation

一、论文主题

本文研究数据资产抵押（Data Asset Collateralization）、信用风险定价（Credit Risk Pricing）与企业数字化转型（Digital Transformation, DT） 三者之间的作用机制。基于中国A股上市公司2015–2023年的面板数据，实证检验了数据资产抵押对数字化转型的直接促进效应、信用风险定价的中介传导作用，以及企业数字化基础水平的异质性影响。

二、创新点

1. 理论框架创新：将数据资产抵押、信用风险定价与数字化转型纳入统一的“直接效应—异质性效应—中介效应”分析框架，突破了以往单独研究数据资产金融化或数字化转型驱动因素的局限，系统揭示了三者之间的内在逻辑链条。

2. 机制发现创新：

   • 验证了数据资产抵押通过缓解融资约束直接促进数字化转型（H1）；

   • 发现信用风险定价在两者之间起部分中介作用（H4），即数据资产抵押通过优化信用风险定价（降低风险溢价）间接加速数字化转型；

   • 揭示了数字化基础的异质性：高数字化企业能更有效地利用数据资产抵押推动转型，而低数字化企业效果不显著（H3）。

3. 实证策略创新：采用工具变量法（地区法律法规严格度、地区金融发展水平）处理内生性，并通过逐步回归法严格检验中介效应，增强了因果识别的可信度。

三、数据集

• 数据来源：CSMAR、Wind数据库，以及上市公司年报和公告。

• 样本范围：中国A股上市公司，时间跨度为2015–2023年。

• 样本筛选：剔除ST公司、金融类公司以及关键变量缺失的观测值，最终得到10,966个公司-年度观测值。

• 主要变量：

  • 数字化转型（dig_trans）：基于年报文本分析构建关键词词频并取对数。

  • 数据资产抵押（data_asset）：虚拟变量（1=发生数据资产抵押，0=未发生）。

  • 信用风险定价（credit_risk）：公司债券收益率与无风险基准利率的利差。

  • 控制变量：企业规模、研发投入、融资约束（SA指数）、资产收益率、杠杆率、现金流、金融化水平、企业年龄等。

四、研究方法

1. 基准回归模型：

   • 采用双向固定效应模型（控制企业和年份固定效应），逐步加入控制变量，检验数据资产抵押对数字化转型的影响（公式1），以及信用风险定价对数字化转型的影响。

2. 中介效应模型：

   • 采用Baron & Kenny三步法（公式2–3）检验信用风险定价的中介作用：

     • 第一步：数据资产抵押→信用风险定价（显著正相关）；

     • 第二步：信用风险定价→数字化转型（显著正相关）；

     • 第三步：加入中介变量后，数据资产抵押的系数显著下降但仍显著，确认部分中介效应。

3. 内生性处理：

   • 使用工具变量两阶段最小二乘法（IV-2SLS）：

     • 工具变量1：地区法律法规严格度（regulation），用于数据资产抵押；

     • 工具变量2：地区金融发展水平（finance），用于信用风险定价。

   • 通过Anderson LM检验和Cragg-Donald Wald F检验确认工具变量的相关性和外生性。

4. 异质性分析：

   • 按企业数字化水平的中位数将样本分为高、低两组，分别进行回归，比较数据资产抵押系数的差异。

5. 变量度量：

   • 数字化转型：基于关键词词典（大数据、云计算、人工智能、区块链等）对年报进行文本挖掘，统计词频并取自然对数。

   • 数据资产抵押：根据公司公告是否披露数据资产质押融资行为设定虚拟变量。

   • 信用风险定价：采用债券信用利差（到期收益率减同期限国债收益率）衡量。

总结

本文通过严谨的实证设计，揭示了数据资产抵押通过信用风险定价渠道驱动企业数字化转型的机制，并识别了企业数字化基础的调节作用，为数据要素资本化与数字经济政策提供了理论依据和实证支持。