□ 上官绪明 徐秋实
过高的杠杆率增加了企业债务负担、阻碍经济增长，同时加剧市场动荡、提高金融风险发生的概率（上官绪明等，2022）。2020年我国企业部门的杠杆率为162.3%，同比提高了10.4个百分点①数据来源于《2020 年度中国杠杆率报告》。，非金融企业部门杠杆问题最为突出，尤其是金融危机之后（谭小芬，2020）。去杠杆已经成为我国政府和学者关注的焦点问题，2015年中央经济工作会议提出“三去一降一补”的重大经济任务，标志着“去杠杆”已成为中国供给侧结构性改革的重要任务之一。不少学者发现杠杆率不仅在宏观层面表现出上升趋势，而且在微观层面表现出明显的结构性特征，即杠杆率在不同部门之间以及各部门内部有明显的结构性特点（杨戈，2018）。故此，2018年4月，中央财经委员会提出结构性去杠杆的新思路。学者认为，我国银行主导的融资结构、高储蓄率投资导向的经济发展模式及国有企业承担大量非市场化公共职能和预算软约束是造成我国企业杠杆走高的主要原因（史贞等，2022）。近年来，我国数字金融呈现快速增长态势（上官绪明和李剑岚，2022），凭借其在信贷、支付、投资等方面的优势为企业去杠杆提供了契机（赵芮，2022）。学者也证实了数字金融与企业杠杆率具有负相关关系（周谢亮，2021；
马文婷，2021）。但既有研究鲜有关注杠杆率结构性失衡这一现象，在实证过程中只是简单地使用企业杠杆率代替企业结构性去杠杆，在实践中未能体现国家结构性调整企业杠杆率的意愿，在理论中缺乏对数字金融助推企业结构性去杠杆的内在机制进行深入探索。
鉴于此，本文以2011-2020年中国沪深A股非金融上市企业为样本，深入探究数字金融赋能对企业结构性去杠杆的助推效应。相较于已有文献，本文的边际贡献主要体现在：首先，从企业内部债务期限的不同，实证检验了数字金融对企业杠杆率的结构性影响，为企业主动调整杠杆结构提供微观思路；
其次，进一步从企业间的异质性，实证检验数字金融对不同企业去杠杆的影响，弥补了从宏观层面研究结构性去杠杆的不足；
最后，发现数字金融是通过校正传统金融错配进而促进企业结构性去杠杆，揭示了数字金融赋能实体经济的微观作用机制。
（一）数字金融对企业杠杆率调整的影响效应
数字金融有多种类型的业务和功能，其中支付和信贷融资功能最为重要，但其影响企业杠杆的机制不同（万佳彧等，2020）。数字金融支付方式，如第三方支付，高效、安全、易用且交易成本低，可最大限度地提高销售方利润，使企业能够获得稳定充足的现金流，增加企业内部的盈余积累，减少对外部资金的需求和依赖，以及主动加杠杆的融资需求（梁琦等，2020）。根据融资约束理论，若企业可以及时取得在生产经营和投资等方面的资金，则有助于企业盈利能力的提升，充足企业内部的现金流以实现债务偿还，从而实现企业杠杆率下降。
此外，从数字金融的信贷功能看，数字金融利用大数据、云计算、区块链等现代化信息技术，能有效减少贷款人与企业之间的信息不对称，提高信贷服务效率（姚凯辛，2022）。同时，数字金融凭借其优越的信息甄别能力可以减少资金出现错配的概率，使得优质企业能够获得贷款，而劣质企业则被排斥在授信之外。在信贷市场中，企业主要通过债务融资或者股权融资两个渠道获得外部资金（李佳，2022）。企业通过网上贷款获得的外部资金是债务融资，若企业高效运用资金，形成有效资产，将进一步增强其盈利能力，使利润和总资产增加，表现为企业杠杆率降低。
综上，结合融资约束理论以及信息不对称理论，数字普惠金融可以立足于支付、信贷融资两大功能助力非金融企业部门杠杆率下降。基于以上分析，提出如下假设：
H1：数字金融与企业杠杆率具有负相关关系，即数字金融赋能可促进企业杠杆率下降。
（二）数字金融赋能企业结构性去杠杆的异质性
1.债务期限结构
白云霞等（2016）指出，长期以来，中国金融市场处于金融抑制的状态，卖方主导信贷市场已是不容置疑的客观现实。由于信息不对称、金融管制等一些原因，银行等传统金融机构更倾向于为企业提供短期贷款来规避风险（钟凯，2016）。因此，这迫使企业不得不以短期信贷支持长期投资，进而将导致企业的债务期限结构趋于短化，出现“短贷长投”的现象（Bharath Setal.,2011）。由此可见，在研究企业债务总体水平的同时，也要关注企业的债务期限结构。
已有研究表明（叶永卫等，2022），信贷期限结构对企业经营有重要影响，短期贷款主要用于满足当前生产经营需要，中长期贷款主要用于技术改造、基础设施建设和固定资产项目。可以看出，如果企业主动提高杠杆率，表明其具有很高的盈利能力和投资意向，增强对这些企业的信贷以帮助他们开展投资活动，则有利于增强企业经济实力。即杠杆率的分母端扩大，表现为企业杠杆率下降。此外，数字金融在线渠道融资一般是一年期的短期贷款，能及时满足企业的短期融资需求，而无需提前募集，能有效降低企业的短期杠杆率。基于以上分析，本文提出如下假设：
H2a：数字金融赋能企业杠杆率调整因为债务期限结构不同存在异质性，即相较于长期杠杆率，数字金融对短期杠杆率下降的助推效应更显著。
2.所有权性质
中国是银行主导型的金融体系,信贷市场存在严重的所有制歧视（Songetal.,2018）。银行更倾向于向国有企业提供资金，同时又抑制对私营企业的信贷，这使得银行的行为决定了企业所面临的融资难度有所不同。与此同时，在不同经济实体之间，金融资源的低效分配意味着国有和私营企业将获得与其自身生产效率不匹配的杠杆水平（周煜皓等，2014）（邵挺，2010），其原因主要体现在以下几个方面：第一，政企关联。国有股权作为企业与政府之间的关系纽带，有利于企业获得各种政策优惠，并可以向银行等金融机构传递出政府认可与支持的信号，能有效解决银行所面临的信息不对称问题（徐慧伦，2021）。第二，预算软约束。由于国有企业的特殊属性，若经营出现问题，政府更可能出面帮助解决资源上的困境（江伟和李斌，2006）。因此，银行出于自身利益的考虑会选择把贷款提供给国有企业，由此导致国有企业的杠杆率越来越高，但这种融资占用了银行资金，却减少了银行的收益。
鉴于银行等传统金融机构不能有效地进行信息的收集与处理。因此，数字金融发展则对金融交易面临信息不对称的困境做出了巨大贡献，改变了银行的资产选择行为，特别是对传统金融机构由于信息不对称难以接触和服务的企业很有帮助。基于以上分析，提出如下假设：
H2b：数字金融赋能企业杠杆率调整因为所有权性质不同存在异质性，即相较于民营企业，数字金融对国有企业杠杆率下降的助推效应更显著。
3.企业规模
企业规模也影响企业融资的难易程度，企业规模大意味着企业的整体实力更强、声誉也更好，具有在资源获取上的优势（罗能生等，2018）。一般来说，大规模企业较高的信息透明度，能有效缓解信息不对称，而小企业的信息透明度很难得到保证。两类企业的异质性特征决定了不同的融资难度，也说明银行在发放企业贷款时限制企业规模是合理的决定。因此，权衡理论认为，大规模企业的分散程度大，财务成本低，由此导致杠杆率较高。而小规模企业在进行财务管理时受制于生命周期短、抗风险能力弱、抵押担保能力不足等各方面的问题（陈晓明，2016），导致小型企业从银行获得的信贷资金不足以支持其长期发展，存在相当大的资本金缺口和信贷资本缺口，更多的是依靠自筹资金来谋求发展，企业杠杆率相对较低。
与传统金融机构不同，数字金融不要求抵押品，使得一些缺少抵押品的小型企业更容易获得融资。因此，数字金融发展既能缓解融资歧视程度，丰富小规模企业的资金来源，也能够抑制大规模企业的中介收益，降低企业杠杆率水平。然而，相较于杠杆率水平较低的小型企业，数字普惠金融可能对高杠杆的大型企业作用更大。基于以上分析，提出如下假设：
H2c：数字金融赋能企业杠杆率调整因为规模不同存在异质性，即相较于小规模企业，数字金融对大规模企业杠杆率下降的助推效应更显著。
4.盈利能力
在分析企业杠杆率水平时，不可能仅仅以其水平的高低来衡量债务负担和偿付能力，有必要进一步探讨企业的盈利能力，企业利润的增加意味着其未来现金流可以偿还更多债务（钟宁桦，2021）。根据啄食理论的推断，盈利能力与企业杠杆有着明显的负相关关系，因为高收益企业的融资需求可以通过自身留存收益来满足，因而这些企业的杠杆水平较低。这是因为当企业内部现金流充足时，它们往往较少依赖外部资金（谭小芬，2018）。反观一些国有僵尸企业，它们的盈利水平很低甚至为负，仍可以继续从银行系统获得贷款，这与政府“背书”和“担保”等原因是不可分割的（刘鹏和何冬梅，2021）。然而，由于信贷资源供应不足，大量盈利水平高的私营企业、成长性企业无法进一步发展，最终导致企业生产经营状况恶化，退出市场，产生“劣币驱逐良币”效应。
数字金融的发展为提高信息甄别能力做出了巨大贡献，通过有效分析企业经营状况，判断其盈利能力的高低，使有限的信贷资源从劣质企业中释放出来，实现信贷资源的合理配置（郭峰，2020）。基于以上分析，提出如下假设：
H2d：数字金融赋能企业杠杆率调整因为盈利能力不同存在异质性，即相较于高盈利能力企业，数字金融对低盈利能力企业杠杆率下降的助推效应更显著。
（三）数字金融赋能企业结构性去杠杆的作用机制
金融错配意味着金融资源的配置出现偏差，即没有分配到效率最高的部门。从长期看，金融资源的错配是导致非金融企业部门杠杆率结构性失衡的一个重要因素。由于政府的隐性背书、预算软约束，国有企业和大型企业凭借其自身的“所有制优势”和“规模优势”，在资金获取上更加便利（董骥等，2020）。但是，由于财务信息不透明和缺乏担保，民营企业和中小企业面临着融资约束（罗来军等，2016）。因此，数字金融的快速发展可以为民营企业和中小企业提供一种解决路径。那么，在我国非金融企业部门杠杆率结构性失衡的背景下，数字金融发展是如何影响金融错配，进而助推企业结构性去杠杆呢？本文将从降低信息不对称、提高金融可得性两个方面来展开论述。
首先，数字金融依托大数据、区块链以及互联网等现代化信息技术能够以数字化信息为牵引，提高信息共享程度、减少信息不对称（谭小芬和尹碧娇，2018）。有效挖掘企业“软信息”，并确保其现金流、销售额等经营信息的真实性（Chod et al.，2020）。进而帮助优质的民营企业、中小企业能够以合理的风险定价利率获得贷款资源（Philippon,2016）。其次，数字金融具有多元化的业态和功能，通过有效提高金融可得性进而影响企业杠杆率（梁琦，2020）。其原因在于：第一，数字金融在某种程度上可以突破传统金融机构实体网点的界限，提高了企业获取更多融资的可能性（滕磊，2020）。第二，数字金融还产生了一定的鲶鱼效应和示范效应（李展和叶蜀君，2019），使传统金融机构利用基础互联网技术实现转型。使其更好地服务于实体经济，拓宽企业的融资渠道和方式（唐松等，2020），进而助推企业结构性去杠杆。基于以上分析，提出如下假设：
假设3：数字金融通过校正金融错配，赋能企业结构性去杠杆。
（一）数据来源
文章以2011-2020年中国沪深A股上市企业为研究对象，企业层面的数据均来自CSMARS数据库，数字金融层面的数据均来自北京大学所编制的2011-2020年地级市层面的数字普惠金融指数。对数据做如下处理：（1）将金融类的企业样本从数据中予以剔除；
（2）剔除ST、ST*类企业样本，以保证数据的完整性；
（3）剔除含有缺失值、财务数据存在异常的样本。此外，为了消除离散群值的影响，本文对企业层面的连续变量，采用了1%和99%的双边缩尾（winsorize2处理），最终得到4399家，共计14070个观测值。
（二）模型设定
1.双向固定效应模型
为了避免观察期内其他宏观因素导致企业杠杆率发生变化，在双向固定效应模型中控制了“年份（year）-行业（industry）”。如式（1）所示：
（1）式中：Levit被解释变量是企业杠杆率；
解释变量indexit是数字金融指数；
controlit为可能对企业杠杆率产生影响的控制变量；
year和industry分别为时间和行业固定效应；
ε为随机项。利用模型（1）检验假设1，尤其关注数字金融指数（index）的回归系数λ1，若λ1为负且显著，则表明假设1正确。
2.中介效应模型
为进一步考察数字金融是否通过校正金融资源错配进一步对企业结构性去杠杆起到助推效应，参考温忠麟和叶宝娟（2014）提出的中介效应检验方法。其中，中介变量是金融错配FM指标，其他变量的定义及测量方法均与上文一致：
（三）变量定义
1.被解释变量
从微观企业的角度看，企业杠杆率是所有者权益与资产的比率。为了与宏观杠杆率保持一致，资产负债率通常作为微观企业杠杆率的替代性指标（卢莎莎，2019；
吴立力，2021）。
2.核心解释变量
本文将采用北京大学数字普惠金融指数（2011-2020年）提供的地级市层级“数字普惠金融指数”。该指数自发布以来，已经有较多学者使用其作为数字金融的衡量指标，进行研究并在主流期刊上发表了代表性文章。它已被相关研究证明，能较好地刻画中国数字金融的发展水平。
3.中介变量
对于金融错配（FM）的度量，本文参照邵挺（2010）和周煜皓等（2014）的研究，将企业资本成本偏离行业平均资本成本的程度，作为企业金融错配的代理变量。其中企业的资本成本，是用财务费用中的利息支出与扣除了应付账款后负债总额的比值来计算的。
4.控制变量
各变量的具体定义如下表1所示。
表1 变量定义及其说明表
企业规模 size 对企业总资产取对数营业收入增长率 gro （当期营业收入-上期营业收入）/上期营业收入销售收入增长率 incgrowth（当期销售收入-上期销售收入）/上期销售收入成长性 growth 年末总资产增长率控制变量托宾Q值 q 市值/总资产企业年龄 age （当年-上市年份）的自然对数经营性现金流 cfo 经营性现金流/总资产两职分离率 dual 若董事长与总经理为一人则取值为1，否则取值为0地区经济发展水平 pgdp 地区人均GDP的自然对数经济增长率 m2 经济增长速度
（四）描述性统计
表2报告了描述性统计特征，如下表所示，企业杠杆率（lev）平均值为0.422,最小值为0.052，最大值为0.873，标准差是0.202。这表明样本的杠杆率之间有较为明显的差异。区分杠杆率的债务期限后，观察长期杠杆率（llev）和短期杠杆率（slev），可以得出长期杠杆率的平均值为0.082，低于短期杠杆率0.340的平均值，即每个样本企业的长期杠杆率和短期杠杆率存在一定差异。
表2 变量描述性统计结果
（一）数字金融对企业杠杆率影响分析
表3报告了数字金融对企业杠杆率的基准回归结果。第（1）列是在控制时间和行业固定效应对单变量进行回归得到的结果。实证结果显示，数字金融赋能与企业杠杆率的回归系数为-0.378；
第（3）列则是在第（1）列回归的基础上加入控制变量，结果表明，数字金融与企业杠杆率的回归系数为-0.216，上述系数均通过1%的统计显著性检验，表明数字金融能促使企业杠杆率下降。与此同时，考虑到数字金融赋能对企业杠杆率的影响需要时间，本文对数字金融发展（lnindex）进行了滞后处理，这也能适度缓解反向因果问题。检验结果如表3列（2）（4）所示，变量的显著性和系数都没有发生较大的变化，这表明在消除内生性干扰后，研究结论可靠。具体而言，数字金融赋能与企业杠杆率有显著的负相关关系，数字金融发展水平越高，地方企业杠杆率越低，假说1得证。
表3 基准回归结果
基于唐松等（2020）的研究，本文将数字金融进一步分为覆盖广度、使用深度以及数字化程度三个不同维度的指标纳入到回归分析中，以考察数字金融对企业杠杆率影响的结构效应，回归结果报告于表4。列（2）（3）的结果表明数字金融覆盖广度、数字金融使用深度均有助于企业杠杆率下降。而由（4）列知，数字金融的数字化程度系数不显著，说明其没有产生降低效果。因此，从对总指标分解得到的影响效应来看，覆盖广度和使用深度的作用效果与整体效应一致，再次有力地论证了数字金融在整体上能较好地达到降低企业杠杆率水平的效果。
表4 数字金融子维度与企业杠杆率
（二）内生性处理
1.两阶段最小二乘法（IV-2SLS）
借鉴（张勋，2020）和（林木西，2022）的思想，本文通过选用“杭州到地级市的球面距离”作为分析的工具变量（IV）。①相关性。首先，以支付宝为代表的数字金融，其发展起源于杭州，所以杭州数字金融的发展处于两线位置，可以预期越接近杭州，数字金融的发展就越好；
其次，互联网、固定电话是数字金融发展密切相关，是数字金融发展的必要基础设施。因此，“杭州到地级市的球面距离”、移动电话普及率与城市数字金融的发展高度相关。②外生性。“杭州到地级市的球面距离”与移动电话普及率很难直接影响企业杠杆率水平。因此，本文选取的IV满足工具变量的相关性和外生性假定。表5报告了两阶段最小二乘法的回归结果，从列（2）可以看出，数字金融指数的系数在1%的显著性水平上显著为负，表明数字金融的发展能显著推动企业杠杆率下降。
2.系统GMM估计
由于企业的杠杆率水平往往具有持续性，因此时间维度中可能存在序列相关。为解决这一问题，参考肖文和薛天航（2019），将杠杆率滞后一期引入回归模型，以此来验证前文结论的稳健性。通过使用两步系统GMM方法对系数进行了估计，结果见表5第（3）列。lnindex的系数在5%的显著性水平上为负，表明数字金融对企业结构性去杠杆的助推作用在考虑了企业杠杆率序列相关这一特征后依然存在，前文结论稳健。
表5 两阶段最小二乘法及系统GMM检验结果
（三）稳健性检验
1.分位数回归
因此，本文参考Koenker和Bassett（1978）采用分位数回归模型来检验不同分位点上，解释变量（lnindex）对被解释变量（lnlev）的影响是否出现偏差。因此，本文利用分位数回归方法分析了数字金融对企业杠杆率的影响，表6给出了企业杠杆率在25%、50%、75%、90%、95%分位点处的回归结果，可以得出数字金融系数的绝对值随着企业杠杆率水平的增大而提高，即数字金融可以降低企业杠杆率，尤其是对于较高的杠杆率水平，这种负向影响会更加明显。由此可见，其内生性检验结果与本文实证结果相一致，故本文的研究结论较为可靠。
表6 分位数回归结果
2.子样本检验
考虑到2015年国内“股灾”金融事件的影响，参考赵芮（2022）和马文婷（2022）在稳健性检验中剔除2015年的数据，并利用模型（1）对2011-2014年的子样本进行重新估计，以便尽可能排除“股灾”金融事件对企业杠杆率的冲击。表7列（1）结果显示，数字金融的估计系数为-0.260，且通过1%的显著性检验。由此可见，金融环境的变化未对基准回归结果造成影响。
3.更换被解释变量
前文从资产负债率的角度来衡量企业杠杆率，采用总负债/总资产来表示。为了验证结果的稳健性,本文参考王竹泉（2019），将资本负债率用作被解释变量。表7第（2）列为检验结果，可以发现，数字金融能显著降低企业杠杆率,与之前的研究结论一致。上述稳健性检验进一步验证了本文研究的核心结论。
表7 子样本与更换被解释变量回归结果
（四））异质性分析
1.债务期限结构的异质性分析
表8汇报了考虑企业杠杆率债务期限的回归结果。第（1）列显示的是数字金融指数作用于企业长期杠杆率的回归结果，第（2）列显示的是数字金融指数对企业短期杠杆率影响的回归结果。通过分析相关系数，第（1）列长期杠杆率系数为-0.038，第（2）列短期杠杆率系数为-0.050，均通过了1%的显著性检验。观察各控制变量与企业杠杆率大部分呈显著相关关系，且参数估计的结果符合理论预期。综合上述实证结果，相比长期杠杆率，短期杠杆率下降幅度较大，表明数字金融发展在降低短期杠杆率方面要比长期杠杆率更有效，验证了H2a。
表8 债务期限结构的异质性回归结果
t statistics in parentheses，★p＜0.1, ★★p＜0.05, ★★★p＜0.01
2.所有权属性的异质性分析
企业的所有权性质会影响非金融企业部门的杠杆率水平。长期以来，国有企业的内部治理结构不完善、外部融资约束较少，过度融资、影子银行等问题突出，由此导致国有企业杠杆率与非国有企业的杠杆率之间存在着显著差异。因此，国有企业降杠杆是结构性去杠杆工作的重中之重。本文按照国有企业和私营企业进行分组回归。其中，国有企业取值1，非国有企业取值0。如表9列（1）和列（2）所示，数字金融发展与国有企业杠杆率之间的回归系数为-0.168，且通过了5%的显著性检验，而数字金融发展与非国有企业杠杆率之间不存在显著性关系。由此验证前文的假设H2b，即数字金融发展对国有企业的负向作用更大。
3.企业规模的异质性分析
通过设置规模虚拟变量来探究数字金融发展对非金融企业杠杆率的影响，高于所有企业规模均值的企业是大型企业，取值为1；
反之则为小规模企业，取值0。表9第（3）（4）列是按照企业规模回归得到的结果，数字金融发展与大规模企业杠杆率的回归系数为-0.276，且通过1%的显著性水平检验，这在一定程度上表明数字金融发展对大规模企业杠杆率的影响高于小规模企业。由此可以验证前文的假设H2c；
即数字金融对企业杠杆率的影响以企业规模的大小出现差异性，相较于小规模企业，数字金融发展能降低大规模企业的杠杆率。
4.企业盈利能力的异质性分析
企业过高的杠杆率水平往往反映了债务负担和盈利能力之间的结构性矛盾。为进一步检验数字金融赋能能否助推企业结构性去杠杆，通过设置虚拟变量，将盈利能力的中位值作为划分标准，小于所有企业盈利能力均值的为低盈利企业，取值1；
反之为高盈利企业，取值0。进行分样本回归，回归结果见表9列（5）和列（6），数字金融指数系数为-0.235，在1%的显著性水平上为负，表明相比较高盈利能力企业，数字金融对低盈利能力企业的负向影响更大。综合来看，数字金融能有效降低低盈利企业的杠杆率水平，进而助推企业结构性去杠杆，假设H2d得到验证。
表9 所有权属性、企业规模、盈利能力异质性回归结果
（五）数字金融赋能企业结构性去杠杆的作用机制分析
根据中介效应检验步骤，第一步是考察数字金融赋能与企业杠杆率的关系。表10第（1）列的结果显示，在1%的显著性水平上，数字金融赋能企业结构性去杠杆。第二步，将金融错配加入模型（2）中进行回归。回归结果见表10第（2）列，数字金融指数的估计系数为-0.552，且通过了1%的显著性检验。第三步，考察数字金融是否能通过缓解金融错配来赋能企业结构性去杠杆。表10第（3）列是同时对数字金融发展、金融错配和企业杠杆率三者进行回归，结果表明当其他因素保持不变时，数字金融赋能与企业杠杆率在5%的水平上显著负相关，金融错配与企业杠杆率在1%的水平上正相关，这说明金融错配的程度越高，企业杠杆率越高。综上，中介效应检验结果表明，数字金融发展可以通过减缓金融错配来助推企业的结构性去杠杆，H3得到验证。同时，Bootstrap检验表明该中介效应在1%的水平上显著。
表10 数字金融、金融错配与企业杠杆率
t statistics in parentheses，*p＜0.1, **p＜0.05, ***p＜0.01
本文探索数字金融赋能对企业结构性去杠杆的助推效应以及作用渠道，通过实证研究表明:（1）数字金融发展能有效抑制企业的杠杆率水平，而且在考虑了内生性及被解释变量置换等稳健性检验后也成立。（2）就企业内部杠杆率而言，相较于企业的长期杠杆率，数字金融对企业短期杠杆率的负向作用更大，在一定程度上能降低其杠杆率水平。就企业之间的杠杆率而言，数字金融对国有企业杠杆率的抑制作用更加明显，可消减其无效杠杆。而对于企业规模所带来的影响，相较于小规模企业，数字金融能显著降低大规模企业的杠杆率。此外，实证结果表明，数字金融能有效降低低盈利能力企业的杠杆率水平，从而实现企业杠杆率的结构性调整。（3）机制分析表明，地区数字金融发展能校正金融错配问题，进而在“质”上优化信贷资源配置，能够更具靶向性地支持企业结构性去杠杆。
基于以上研究结论，本文提出以下几点建议：（1）持续推动数字普惠金融发展，深化金融供给侧结构性改革。首先，政府部门要给予数字金融足够的政策支持与发展空间，加强数字普惠金融配套基础设施建设和相关产业的发展，促进信息资源的有效流动和信贷资源的高效配置，助力非金融企业部门实现结构性去杠杆；
其次，要切实提高数字金融的可得性和普惠性，注重其在不同属性企业间的均衡发展。这要求地方政府应增强主动服务意识，为不同所有制、不同规模、不同盈利能力企业的资金需求提供保障。积极引导数字金融为实体经济提供服务，扩大惠及范围，实现资源配置的均等化。（2）避免“一刀切”去杠杆政策，实现数字金融与企业精准对接。一方面，要具体问题具体分析，正确认识我国非金融企业部门杠杆率水平的结构特征。积极推进国有企业破产重组，通过逐步淘汰“僵尸企业”、市场化债转股等模式，降低国有企业的债务存量。同时，对产能过剩、技术落后的低盈利企业、大规模企业，要坚决关停，释放其所占用的信贷资源。另一方面，应积极引导数字金融的发展方向，实现将有限的金融资源精准滴灌到有资金需求的私营、小规模，以及高盈利企业，为企业部门健康发展营造良好的融资生态环境，进一步释放企业活力。此外，充分发挥数字金融支付、信贷配置两大功能，优化企业债务期限结构，降低流动性风险和期限错配风险，将数字金融赋能的“关键变量”转化成企业发展的“最大增量”。（3）传统金融机构应实现数字化转型，提高金融资源的配置效率。一是改善银行的资源配置倾向，提高信贷资源配置市场化程度，以消除不同经济实体间信贷资源配置效率低下造成的杠杆分化问题。与此同时，对融资需求旺盛、有良好盈利能力的企业给予足够的金融支持。二是传统金融机构应依托科技“赋能”金融，利用大数据、云计算等先进技术构建多层次、差异化、广覆盖金融服务模式，迎合企业的多样需求。与此同此，要充分发挥数字金融的规模化、普惠性优势，降低企业融资成本，帮助企业提高资源运作能力以及风险承担能力，降低其对无效杠杆的需求，激活企业发展的内生动力。