數字金融發(fā)展對中國貨幣政策有效性的影響
——基于企業(yè)資產負債表渠道的分析

劉堯成 戰(zhàn)文清

（1.無錫太湖學院，江蘇 無錫 214063；2.復旦大學經濟學院，上海 200433）

一、引言

近年來，在國際經濟復蘇乏力以及新冠疫情沖擊等多重不利因素的影響下，中國經濟呈現增速震蕩下行和波動加劇的態(tài)勢，使得調整貨幣政策以維持經濟穩(wěn)定的難度加大。中國人民銀行發(fā)布的《2023年第一季度中國貨幣政策執(zhí)行報告》指出，穩(wěn)健的貨幣政策要精準有力，總量適度，節(jié)奏平穩(wěn)，搞好跨周期調節(jié)。要想達到貨幣政策實施的既定目標，需要明確貨幣政策的傳導渠道，以及在貨幣政策傳導過程中有可能對政策效果產生影響的因素。

傳統(tǒng)上對貨幣政策傳導渠道的分析主要從利率渠道和貨幣渠道展開，這些渠道側重于從借款人的利率敏感性角度研究貨幣政策的效果。隨著近年來金融危機的頻繁爆發(fā)，金融機構的惜貸行為逐步引起了學術界的重視，貨幣政策的實施如何通過影響貸款人的利率敏感性來影響貨幣政策的效果，成為貨幣政策傳導渠道領域的關注重點。特別是隨著信息經濟學的發(fā)展，經濟學家逐步將信息不對稱理論引入借款人和貸款人的借貸合約，從而形成了“金融加速器”理論（Bernanke 和Gertler，1989；Bernanke 等，1999）[1，2]，認為金融市場上信息不對稱等摩擦因素會放大貨幣政策的沖擊效果。貨幣政策的這種傳導渠道也被稱為信用渠道。

與此同時，近年來數字金融在中國得到了快速發(fā)展，根據北京大學發(fā)布的數字普惠金融指數，2011年中國各省數字普惠金融的平均指數為40.1171，截至2020 年底，已經增長為340.0566，十年間增長了8.5倍。數字金融作為金融與科技的結合體，一方面，發(fā)揮了對于傳統(tǒng)金融體系的增量補充作用，拓展了企業(yè)的融資來源，完善了金融市場的發(fā)展，提升了金融服務實體經濟的效率，降低了信貸渠道的有效性，提升了利率渠道的有效性（Mishra 和Montiel，2013）[3]；另一方面，在大數據、人工智能以及區(qū)塊鏈等技術的基礎之上，數字金融的發(fā)展降低了借貸過程中的信息不對稱程度，弱化了對抵押品的需求，從而有可能對既有的貨幣政策傳導渠道產生影響，特別是對貨幣政策的信用渠道產生影響。

因此，本文將重點研究數字金融發(fā)展對貨幣政策有效性的影響。目前來看，已經有一些文獻從貨幣政策的利率渠道和信用渠道的角度探討了數字金融發(fā)展對貨幣政策效果的影響。與既有研究相比，本文的主要貢獻在于：首先，側重于從企業(yè)的資產負債表渠道分析數字金融發(fā)展對我國貨幣政策傳導效果的影響。其次，探討了數字金融發(fā)展的“結構調整”“普惠性”功能，并在此基礎上進一步分析其具體的傳導渠道，證明了數字金融的發(fā)展能夠弱化中國貨幣政策的資產負債表渠道。最后，本文的分析有助于從貨幣政策影響微觀企業(yè)資產負債表的角度來理解貨幣政策的傳導效果，即將貨幣政策的著力點放在對微觀企業(yè)的影響上，能夠符合當前中國貨幣政策為實體經濟復蘇提供有力、穩(wěn)固支持的要求。因此，本文的研究既是對數字金融影響貨幣政策傳導效果的既有研究的有益補充，又能夠為當前我國貨幣政策的實施提供相關經驗證據，具有一定的理論與現實意義。

二、文獻評述與理論分析

（一）文獻評述

從理論上來看，貨幣政策的傳導渠道可以分為傳統(tǒng)的貨幣政策渠道和非傳統(tǒng)的貨幣政策渠道兩大類，前者主要包括利率渠道和貨幣渠道，后者主要包括信用渠道。數字金融發(fā)展對這兩類渠道均會產生一定的影響。

1.數字金融與傳統(tǒng)貨幣政策傳導渠道。貨幣政策的利率渠道主要源自凱恩斯主義經濟學的觀點，認為貨幣政策的變化會引起利率的變化，而企業(yè)投資對于利率變化是敏感的，因此，貨幣政策變化可以影響企業(yè)的投資，進而影響社會總產出（Mishkin，2001）[4]。而貨幣渠道主要源自貨幣主義學派的觀點，認為企業(yè)投資對利率變化并不敏感，貨幣政策變化會直接通過影響總需求進而影響企業(yè)投資和社會產出水平。目前，有關數字金融對傳統(tǒng)貨幣政策傳導渠道影響的研究主要集中于其對利率渠道的影響方面，有研究認為，數字金融發(fā)展會強化貨幣政策的利率渠道，主要體現在直接效應與間接效應兩方面。其中，直接效應表現為，數字金融的發(fā)展完善了長短期利率相對應的金融市場，進而提高了投資對利率變動的反應；間接效應表現為，數字金融的發(fā)展使得長短期利率的傳導更加符合利率期限結構理論（戰(zhàn)明華等，2020）[5]。除此之外，數字金融的發(fā)展能夠對傳統(tǒng)金融體系產生一定的替代作用，從而增強了商業(yè)銀行存款規(guī)模及市場利率對同業(yè)市場利率的敏感性（劉瀾飚等，2016）[6]?？傊?，數字金融的發(fā)展完善了利率傳導機制的鏈條，進而強化了貨幣政策利率渠道的效果。

2.數字金融與貨幣政策的信用渠道。隨著信息經濟學的發(fā)展，以及最近幾十年金融危機的頻繁爆發(fā)，以金融摩擦為基礎的貨幣政策信用渠道逐漸引起了學者的重視。Bernanke和Blinder（1988）[7]提出了貨幣政策傳導的信貸觀點，通過構建CC-LM 模型放松了債券與銀行貸款完全替代的假設，從而證明了貨幣政策能夠影響商業(yè)銀行的貸款供給進而影響總產出。Bernanke 和Gertler（1989）[1]構建了一個新古典實際經濟周期理論框架，將借款人的資產負債表（資產凈值）以及由信息不對稱帶來的代理成本聯系起來，分析了企業(yè)凈值變化的“金融加速器”效應，這也是貨幣政策資產負債表渠道的雛形。隨后，Bernanke 和Gertler（1995）[8]進一步分析了貨幣政策傳導的信用渠道（Credit Channel），并認為信用渠道和傳統(tǒng)的貨幣政策傳導渠道并不是割裂的，外部融資溢價的內生變化放大了貨幣政策對利率的影響，即信用渠道放大了傳統(tǒng)利率渠道的傳導機制。他們認為，貨幣政策的信用渠道可以分為銀行貸款渠道（Bank Loan Channel）和資產負債表渠道（Balance Sheet Channel），而這兩個渠道都和企業(yè)的外部融資溢價相關。其中，銀行貸款渠道指的是：當中央銀行收緊貨幣政策時，商業(yè)銀行的可貸資金減少，商業(yè)銀行會選擇賣出企業(yè)債券從而平抑其準備金，引起企業(yè)債券的收益率上升，從而使得企業(yè)的外部融資溢價上升，進而導致企業(yè)投資和產出下降。資產負債表渠道成立的前提條件是由信息不對稱所導致的商業(yè)銀行信貸對企業(yè)抵押品價值的依賴，其核心在于貨幣政策變化不僅能夠影響市場利率，而且能夠影響企業(yè)的金融地位（Financial Position），進而影響企業(yè)的外部融資溢價。按照貨幣政策資產負債表渠道的思想，緊縮的貨幣政策通過兩條途徑直接惡化企業(yè)的資產負債表：一方面，對于擁有大量未償債券和浮動利率債券的企業(yè)，緊縮的貨幣政策直接導致利息支出增加；另一方面，利率的上升通常伴隨著資產價格的下降，從而導致企業(yè)抵押品價值的縮水。除此之外，緊縮性貨幣政策能夠通過減少下游消費者的消費支出間接地導致企業(yè)的凈現金流和抵押品價值下降（Bernanke 和Gertler，1995；朱博文等，2013）[8，9]。以上因素的綜合作用使得緊縮性貨幣政策導致企業(yè)資產負債表惡化。

既有的研究認為，數字金融發(fā)展對信用渠道的影響主要體現在數字金融發(fā)展對金融市場摩擦的弱化效應方面，金融摩擦的弱化使得企業(yè)的外部融資條件改善，企業(yè)的融資來源增加，進而對商業(yè)銀行信貸造成一定的擠出，商業(yè)銀行為了增加利潤，大力發(fā)展理財產品等表外業(yè)務，進而導致信用渠道有效性的降低（何劍和魏濤，2022）[10]。但戰(zhàn)明華等（2020）[5]的研究結果表明，數字金融發(fā)展總的來說提高了中國貨幣政策的有效性。還有一些文獻比較了貨幣政策的利率渠道和信用渠道的傳導效果，大多數學者認為，數字金融的發(fā)展使得金融市場逐步完善，金融市場摩擦逐漸弱化，從而降低了信息不對稱程度，進而增強了貨幣政策利率渠道的有效性，降低了信貸渠道的有效性（Mishra等，2014；Aysun等，2013）[11，12]。

雖然現有文獻就數字金融對貨幣政策有效性的利率渠道和信用渠道的影響進行了深入的研究，但關于信用渠道的研究大多基于銀行貸款渠道，有關數字金融如何影響企業(yè)資產負債表渠道的研究還比較缺乏，因此，本文基于貨幣政策的企業(yè)資產負債表渠道的視角，研究數字金融發(fā)展對貨幣政策有效性的影響。

（二）理論分析與假設提出

1.數字金融對企業(yè)資產負債表渠道的弱化效應。隨著數字金融的發(fā)展，基于用戶互聯網足跡與實時數據的大科技信貸，取代了傳統(tǒng)商業(yè)銀行通過評估歷史財務數據以及抵押品價值進行風控的貸款模式，弱化了由信息不對稱所導致的“金融加速器”效應（Shen和Huang，2016）[13]，降低了商業(yè)銀行信貸對抵押品的依賴，使得一些缺乏抵押品的新興企業(yè)與小微企業(yè)能夠獲得商業(yè)銀行的服務，參與到金融活動中來。貨幣政策的企業(yè)資產負債表渠道的核心在于信貸與抵押品價值的相關性。一方面，傳統(tǒng)商業(yè)銀行對企業(yè)信息的掌握主要依靠人工采集，不僅具有較強的主觀性，而且難以對企業(yè)信息有較全面的掌握；另一方面，傳統(tǒng)商業(yè)銀行主要依賴相關人員的經驗對借款人的風險進行識別和防控，不適應當前業(yè)務發(fā)展和市場環(huán)境變化的需要（李逸飛等，2022）[14]。相比較而言，數字金融的運用能夠給商業(yè)銀行經營管理帶來革命性的影響。在數據收集方面，商業(yè)銀行借助大數據和物聯網等先進技術，可通過多渠道獲取多維度的數據，全方位掌握借款人的交易數據與互聯網足跡，使得商業(yè)銀行搜集“軟信息”更為便捷，有助于商業(yè)銀行準確掌握用戶信息，精準描摹用戶畫像，降低信息不對稱程度（Cenni 等，2015；Goldstein 等，2019）[15，16]。在數據處理方面，基于大數據、區(qū)塊鏈以及人工智能等底層技術，商業(yè)銀行對于企業(yè)信息的甄別能力得到顯著提升，在貸前能夠通過人工智能等工具解決傳統(tǒng)評級模型難以處理的非線性問題，提升客戶評級的準確度，在貸中能夠對借款人的財務狀況進行實時監(jiān)控，對風險變化快速做出反應（Fuster 等，2019；黃益平和邱晗，2021）[17，18]。

上述研究表明，數字金融的發(fā)展緩解了信息不對稱問題，降低了信貸與抵押品的相關性，改變了貨幣政策資產負債表渠道所闡述的理論機制，因此，數字金融的發(fā)展有可能弱化貨幣政策的資產負債表渠道。其具體影響機制可以總結為：當貨幣政策處于寬松時期，房地產等資產價格膨脹，資產價格和信貸投放交替上升，企業(yè)信貸獲取能力增強，經濟增長加速，而隨著數字金融的發(fā)展，借助于多維度的信息識別，可以降低資產價格泡沫，抑制企業(yè)信貸增加；反之，當貨幣政策處于緊縮時期，房地產等資產的價格下跌，又會造成資產價格和企業(yè)信貸獲取的交替下降，進而造成實體經濟增長的萎縮，此時，數字金融的發(fā)展可以減輕商業(yè)銀行對于房地產等抵押品的需求，抑制企業(yè)信貸的下降，從而達到抑制實體經濟萎縮的效果（張慶君和張港燕，2021；陳春華等，2021；劉暢和花俊國，2022）[19-21]。

根據上文分析，本文提出如下研究假說：

H1：數字金融的發(fā)展能夠弱化中國貨幣政策的資產負債表渠道。

2.數字金融弱化貨幣政策資產負債表渠道的異質性分析。（1）數字金融的“結構調整”功能。有研究指出，金融在服務實體經濟的過程中，面臨的最主要的問題就是信息不對稱，相較于國有企業(yè)，民營企業(yè)缺乏政府的擔保、規(guī)范的財務數據和充足的抵押資產，面臨的信息不對稱問題更加嚴重，從而導致信貸資源更加傾向于國有企業(yè)，使得中國金融體系存在一定的結構失衡問題（唐松等，2020）[22]。而數字金融基于大科技平臺和大數據技術，促進了商業(yè)銀行信用風險評估的轉型升級，通過關注用戶的互聯網足跡，弱化對抵押品的需求，從而改善了非國有企業(yè)的融資問題。由此可見，數字金融的發(fā)展能夠矯正金融體系的結構失衡問題，從而對貨幣政策資產負債表渠道起到弱化作用。若上述理論邏輯成立，那么數字金融對貨幣政策資產負債表渠道的弱化作用應該在非國有企業(yè)樣本中表現得更加明顯，由此，本文提出如下研究假說：

H2：數字金融的發(fā)展能夠緩解中國金融體系在服務實體經濟過程中的結構性失衡問題，從而導致在非國有企業(yè)樣本中數字金融弱化貨幣政策資產負債表渠道的作用更強。

（2）數字金融的“普惠性”功能。金融發(fā)展的最大難題就是信息不對稱問題，由于規(guī)模小以及信用數據缺乏的用戶服務成本較高，普惠金融的發(fā)展受到一定的限制。正如前文所述，數字金融的發(fā)展降低了借貸雙方的信息不對稱程度，能夠弱化對抵押品的需求，解決了傳統(tǒng)金融體系的痛點和難點問題，促進了普惠金融的發(fā)展。中國西部地區(qū)經濟發(fā)展水平較為落后，存在著大量的“長尾客戶”，金融需求沒有得到滿足，而數字金融弱化貨幣政策資產負債表渠道的關鍵在于，其放松了商業(yè)銀行信貸對抵押品的需求，將大部分“長尾客戶”納入金融服務范圍之內，拓展了金融服務的廣度和深度，從而促進了普惠金融的發(fā)展。相較于東部和中部地區(qū)，西部地區(qū)的“長尾客戶”較多，因此，若上述理論邏輯成立，那么在西部地區(qū)樣本中數字金融弱化貨幣政策資產負債表渠道的效應會更強。由此，本文提出如下研究假說：

H3：數字金融的發(fā)展能夠提升金融服務的普惠性，拓展金融服務的廣度和深度，從而導致在西部地區(qū)樣本中數字金融弱化貨幣政策資產負債表渠道的效應更強。

三、研究設計

（一）模型設定

為了識別中國貨幣政策的資產負債表渠道并檢驗其是否存在，本文參考朱新蓉和李虹含（2013）[23]以及杜勇和胡海鷗（2016）[24]的研究，設定如下模型：

其中，i和t分別代表企業(yè)和年份，Inv代表被解釋變量企業(yè)投資，主要解釋變量包括貨幣政策（MP）、抵押品價值（Coll）以及二者的交乘項MP×Coll，XControl表示控制變量的集合，λt表示年度虛擬變量，εit表示隨機擾動項。由于企業(yè)投資具有較強的連續(xù)性，為了緩解內生性問題以及模型設定偏誤，本文在模型（1）中引入了被解釋變量的滯后一期，構建動態(tài)面板模型，采用兩步差分GMM 方法對模型（1）進行實證估計。

理論上，若中國存在貨幣政策的資產負債表渠道，則交乘項MP×Coll的系數符號應與貨幣政策的系數符號保持一致，即若采用利率指標衡量貨幣政策，則MP 與MP×Coll 的估計系數均應顯著為負。其原因在于，不同企業(yè)的抵押品價值存在較大差異，貨幣政策變動時具有不同抵押品價值的企業(yè)受到的影響也不同，對于抵押品價值較高的企業(yè)，貨幣政策變動帶來的資產凈值的變化可能大于抵押品價值較低的企業(yè)，從而導致貨幣政策效果隨著抵押品價值的變化而存在差異（杜勇和胡海鷗，2016）[24]，這也是貨幣政策資產負債表渠道的核心內容。

接下來，為了檢驗數字金融的發(fā)展對上述貨幣政策資產負債表渠道的影響，本文參考戰(zhàn)明華等（2020）[5]以及何劍和魏濤（2022）[10]的研究，繼續(xù)設定如下調節(jié)效應模型：

其中，i代表企業(yè)，t代表年份，j代表省份或者地級市，DF代表企業(yè)所在省份或地級市的數字金融發(fā)展水平，其余變量定義與上文相同。本文同樣采用兩步差分GMM 方法對模型（2）進行實證估計。根據前文的理論分析，若數字金融的發(fā)展降低了對抵押品的需求，弱化了“金融加速器”機制，那么隨著數字金融發(fā)展水平的提高，貨幣政策的資產負債表渠道將被弱化，即企業(yè)投資對于貨幣政策變動帶來的企業(yè)資產凈值變化的響應將減弱。反映在實證模型（2）中，則意味著交乘項MP×Coll×DF 的估計系數將與MP×Coll相反。

（二）變量定義與說明

1.被解釋變量。被解釋變量企業(yè)投資（Inv）是本文重點關注的變量。本文參考戰(zhàn)明華等（2020）[5]的研究，采用“（購建固定資產、無形資產及其他長期資產支付的現金-處置固定資產、無形資產和其他長期資產收回的現金凈額）/總資產”來衡量企業(yè)投資水平。

2.主要解釋變量。

（1）貨幣政策（MP）。在基準檢驗部分，本文參考喻微鋒和鄭建峽（2022）[25]的研究，采用價格型貨幣政策——14 天中央銀行逆回購利率（MP）作為貨幣政策代理變量。在穩(wěn)健性檢驗部分，本文參考周之瀚（2022）[26]的研究，采用數量型貨幣政策——廣義貨幣供應量M2 除以CPI 消除通貨膨脹影響之后再取對數，作為貨幣政策代理變量。

（2）企業(yè)抵押品資產價值（Coll）。貨幣政策資產負債表渠道的核心在于貨幣政策變化導致的資產價格變動影響了企業(yè)抵押品的價值，進而影響商業(yè)銀行信貸，因此，企業(yè)抵押品資產價值是本文重點關注的變量。本文參考劉行等（2016）[27]的研究，將企業(yè)可抵押資產定義為企業(yè)固定資產項目中的房屋建筑物，隨后借鑒曾海艦（2012）[28]的研究，對企業(yè)抵押品資產價值進行計算。首先，參考現有文獻的做法，假設折舊年限為30 年，預計凈殘值為0，采用直線折舊法，根據房屋建筑物的折舊年限、累計折舊以及原值計算出房屋建筑物的已使用年限，如式（3）所示。其次，根據計算出的房屋建筑物已使用年限，倒推出房屋建筑物的購置年份，并根據購置年份的房地產價格數據計算出房屋建筑物的平均面積。最后，根據房屋建筑物的平均面積與相應年份的房地產價格數據，計算出房屋建筑物的市場價值。隨后，本文進一步將房屋建筑物的市場價值除以固定資產凈額，最終得到企業(yè)抵押品資產價值變量（Coll）。在計算房屋建筑物市場價值時，對于1999 年以后的房地產價格，本文選用的是省級商業(yè)營業(yè)用房價格數據，對于1999年之前的房地產價格，采用的是全國層面的商業(yè)營業(yè)用房價格數據。

（3）數字金融變量（DF）。目前，學術界大多采用北京大學數字普惠金融指數衡量數字金融發(fā)展水平，該指數包括省級、地級市以及縣域層面的數據，為了研究數字金融的發(fā)展是否弱化了貨幣政策資產負債表渠道，本文分別采用了省級以及地級市層面的數字普惠金融總指數與企業(yè)數據相匹配進行實證檢驗。除此之外，現有文獻關于數字普惠金融指數的處理大多采用將原始數據除以100 以及取對數的處理方式，因此，本文分別將省級以及地級市層面數字普惠金融指數除以100 或取對數，由此形成了四個數字金融變量，分別記為DF1（省級數字普惠金融指數/100）、DF2（Ln（省級數字普惠金融指數））、DF3（地級市數字普惠金融指數/100）、DF4（Ln（地級市數字普惠金融指數）），其中，地級市層面的數據用于穩(wěn)健性檢驗。圖1匯報了2011—2020年各年度不同維度、不同處理方法的數字金融發(fā)展情況，可以發(fā)現，不同維度、不同處理方法下的數字金融指數在2011—2020年間均呈上升趨勢，這意味著數字金融在中國實現了較快的增長，并且相同處理方法下數字金融指數的數量級以及變化趨勢比較一致。

圖1：各年度數字金融發(fā)展情況

3.控制變量?？紤]到其他可能影響企業(yè)投資的變量，本文參考戰(zhàn)明華等（2020）[5]、何劍和魏濤（2022）[10]，在實證模型中增加了如下控制變量：（1）企業(yè)規(guī)模（Size），采用企業(yè)資產總額的自然對數來衡量；（2）企業(yè)年齡（Age），采用企業(yè)成立年限的自然對數來衡量；（3）總資產凈利潤率（Roa），采用凈利潤/總資產來衡量；（4）賬面市值比（Growth），采用總資產/市值來衡量；（5）流動比率（Liq），采用流動資產/流動負債來衡量；（6）董事長與總經理兼任情況（DZ），若董事長與總經理兼任，取值為1，否則取值為0。

（三）數據來源與處理

本文所采用的數據為2011—2020年年度頻率面板數據，樣本截面為滬深兩市部分A股上市企業(yè)。為了保證實證結果的有效性，本文對企業(yè)層面的數據作了如下處理：剔除金融類、ST和*ST以及數據連續(xù)年份少于3 年的企業(yè)；對連續(xù)變量首尾進行1%的縮尾處理。經過上述處理，最終得到了23590 個非平衡面板樣本觀測值。其中，數字金融指數來源于北京大學發(fā)布的數字普惠金融指數，企業(yè)層面的數據以及宏觀經濟指標中的廣義貨幣供應量M2、14 天中央銀行逆回購利率來源于國泰安數據庫，其余宏觀經濟指標來源于國家統(tǒng)計局網站。

表1 匯報了描述性統(tǒng)計的結果。企業(yè)投資（Inv）的均值為0.0581，最小值為-0.0384，最大值為0.2998，這意味著企業(yè)投資水平存在較大的個體差異。不同維度數字金融指數的同一種處理方式的描述性統(tǒng)計結果比較接近，結合圖1 可以看出近些年來中國數字金融實現了較快的發(fā)展。

表1：描述性統(tǒng)計

四、數字金融弱化貨幣政策資產負債表渠道分析

（一）貨幣政策資產負債表渠道的存在性檢驗

根據前文的研究思路，本文先采用兩步差分GMM 方法對模型（1）進行估計，表2 第（1）列匯報了估計結果，我們發(fā)現AR（2）檢驗以及Sargan檢驗的P 值均不顯著，說明殘差不存在二階序列相關，并且工具變量選擇合理，滿足兩步差分GMM 估計方法的要求。為了保證兩步差分GMM 估計結果的可靠性，本文進而采用了動態(tài)FE方法以及動態(tài)POLS方法對模型（1）進行估計，若兩步差分GMM 中被解釋變量滯后一期的估計系數介于動態(tài)FE 和動態(tài)OLS 之間，則說明兩步差分GMM 的估計結果比較可靠。表2的結果表明，L.Inv在兩步差分GMM方法、動態(tài)FE方法及動態(tài)POLS 方法下的估計系數分別為0.2900、0.2268、0.5479，均在1%的水平上顯著為正，兩步差分GMM 中L.Inv 的估計系數介于動態(tài)FE 和動態(tài)OLS之間，意味著兩步差分GMM 的估計結果具備較高的可信度。

表2：貨幣政策資產負債表渠道的存在性檢驗

觀察表2 中的回歸結果，第（1）列和第（3）列顯示貨幣政策的回歸系數顯著為負，第（2）列中貨幣政策的回歸系數為正但并不顯著，說明緊縮的貨幣政策抑制了企業(yè)的投資。重點觀察貨幣政策與企業(yè)抵押品價值的交乘項MP×Coll的估計系數，可以發(fā)現該系數為負（-0.0086），且在5%的水平上顯著，說明抵押品價值對貨幣政策的效果產生了顯著的調節(jié)效應，具體表現為：緊縮的貨幣政策使得抵押品價值較高的企業(yè)的資產價值出現了較大的變化，進而通過外部融資溢價對其投資水平產生了較大的影響，從而驗證了中國貨幣政策資產負債表渠道的存在性。

（二）數字金融弱化貨幣政策資產負債表渠道檢驗

前文的實證檢驗識別出了中國貨幣政策資產負債表渠道并驗證了其存在性，本小節(jié)在此基礎之上，繼續(xù)引入數字金融變量，以驗證數字金融發(fā)展對中國貨幣政策資產負債表渠道的影響。表3 第（1）列匯報了以“省級數字普惠金融指數/100”（DF1）衡量數字金融發(fā)展水平時的估計結果，第（2）列匯報了以“省級數字普惠金融指數取對數”（DF2）衡量數字金融發(fā)展水平時的實證結果?？梢园l(fā)現，貨幣政策與企業(yè)抵押品價值的交乘項MP×Coll的估計系數都顯著為負，這與模型（1）的估計結果一致。再重點觀察三重交乘項的估計系數，可以發(fā)現都顯著為正，由于MP×Coll×DF 與MP×Coll 的回歸系數符號相反，說明數字金融的發(fā)展能夠弱化模型（1）中貨幣政策的資產負債表渠道，從而驗證了研究假說1。

表3：數字金融弱化貨幣政策資產負債表渠道檢驗

（三）穩(wěn)健性檢驗

1.內生性問題。前文采用了數字普惠金融指數來衡量企業(yè)所在省份的數字金融發(fā)展水平，由于企業(yè)投資難以影響數字金融的發(fā)展，因此，基本不存在反向因果所導致的內生性問題，但仍然可能存在由變量衡量偏誤以及遺漏變量所導致的內生性問題。鑒于此，本文參考鐘凱等（2022）[29]的研究思路，采用相同年度該省份所有接壤省份數字普惠金融發(fā)展水平的均值作為工具變量，記為IV。由于信貸市場存在地域分割性，鄰近地區(qū)數字金融的發(fā)展難以通過信貸影響本地企業(yè)的投資，因此，該工具變量滿足外生性要求；相鄰省份的數字金融發(fā)展水平較為相近，使用IV 作為工具變量滿足相關性要求。表4 第（1）列匯報了替換工具變量的估計結果，我們發(fā)現實證結果與前文相比，并未發(fā)生顯著性改變。

表4：穩(wěn)健性檢驗1

2.改變變量衡量方法。本文采用“（購建固定資產、無形資產及其他長期資產支付的現金+當期投資所支付的現金+當期取得子公司及其他營業(yè)單位支付的現金）/總資產”重新衡量企業(yè)投資水平，記為Inv'；采用“廣義貨幣供應量M2除以CPI消除通貨膨脹之后再取對數”重新衡量貨幣政策，記為MP'；采用“（固定資產+在建工程+存貨凈額）/總資產”重新衡量企業(yè)抵押品價值，記為Coll'。由于此處采用了數量型貨幣政策指標，因此，預計雙重交乘項MP'×Coll'以及三重交乘項MP'×Coll'×DF1 的估計系數應與前文相反。表4第（2）列結果顯示，雙重交乘項MP'×Coll'的估計系數為2.3291，在5%的水平上顯著為正，三重交乘項MP' × Coll' × DF1 的估計系數為-0.1044，在1%的水平上顯著為負，符合理論預期，說明前文的結論具備一定的穩(wěn)健性。

3.刪除2020 年樣本。2019 年底新冠疫情暴發(fā)，對企業(yè)的經營造成了巨大的沖擊，為了排除該事件對企業(yè)投資行為帶來的影響，本文刪除了2020 年的數據，重新對模型進行估計。表4 第（3）列匯報了相應的估計結果，我們發(fā)現雙重交乘項MP×Coll的估計系數在1%的水平上顯著為負，三重交乘項MP×Coll×DF1 的估計系數在1%的水平上顯著為正，表明剔除了2020 年的樣本之后，數字金融發(fā)展仍然能夠顯著弱化中國貨幣政策的資產負債表渠道。

4.采用系統(tǒng)GMM方法。差分GMM與系統(tǒng)GMM方法各有優(yōu)缺點，前文采用差分GMM 方法對實證模型進行了估計，為了驗證前文的實證結論不因實證方法的選擇而發(fā)生改變，本文采用系統(tǒng)GMM 方法進行穩(wěn)健性檢驗。表4第（4）列匯報了系統(tǒng)GMM方法的估計結果，實證結果依然支持數字金融的發(fā)展能夠弱化中國貨幣政策資產負債表渠道的結論。

5.數字普惠金融子指數的影響。前文采用北京大學數字普惠金融總指數來衡量數字金融發(fā)展水平，該指數包括覆蓋廣度、使用深度以及數字化程度三個子指數，本文將上述三個省級層面的子指數除以100，分別記為DF1G、DF1S、DF1D，仍然采用差分GMM模型進行實證估計。表5 第（1）—（3）列匯報了估計結果，我們發(fā)現三個子指數的回歸結果與前文一致，說明數字金融三個維度的發(fā)展均不同程度地弱化了中國貨幣政策的資產負債表渠道，進一步表明研究假設1是成立且穩(wěn)健的。

表5：穩(wěn)健性檢驗2

6.采用地級市層面的數字普惠金融指數。為了驗證前文結果的穩(wěn)健性，本文采用地級市數字普惠金融指數作為數字金融發(fā)展水平的代理變量，分別將原指數除以100（DF3）以及對數化（DF4），進行穩(wěn)健性檢驗，相應結果匯報于表5 第（4）、（5）列，結果表明數字金融弱化我國貨幣政策資產負債表渠道的結論并未發(fā)生改變。

五、數字金融弱化貨幣政策資產負債表渠道的異質性分析

（一）數字金融的“結構調整”功能

中國金融體系在服務實體經濟的過程中存在著結構性失衡的問題，具體表現為非國有企業(yè)面臨較為嚴重的融資約束，導致金融服務實體經濟效率的低下，進而影響了貨幣政策的實施效果。為了深入分析數字金融發(fā)展的“結構調整”作用，本文進一步根據企業(yè)性質將樣本劃分為國有企業(yè)和非國有企業(yè)，分析數字金融發(fā)展對中國貨幣政策資產負債表渠道的影響。

表6 第（1）列和第（2）列匯報了區(qū)分企業(yè)性質的異質性回歸結果。首先，從回歸系數符號來看，兩組樣本雙重交乘項MP×Coll的回歸系數均為負數，三重交乘項MP×Coll×DF1 的回歸系數均為正數，說明兩組樣本中數字金融的發(fā)展均弱化了中國貨幣政策的資產負債表渠道；其次，從系數大小來看，非國有企業(yè)樣本中數字金融對中國貨幣政策資產負債表渠道的弱化作用更強；最后，從統(tǒng)計顯著性看，非國有企業(yè)樣本的顯著性強于國有企業(yè)樣本。綜上所述，非國有企業(yè)樣本中數字金融發(fā)展弱化中國貨幣政策資產負債表渠道的作用更強。

表6：數字金融弱化貨幣政策資產負債表渠道：結構調整與普惠性

但值得注意的是，在采用差分GMM 方法對非國有企業(yè)樣本進行實證回歸時，AR（2）檢驗的P 值為0.0031，拒絕了不存在二階序列相關的原假設，這說明非國有企業(yè)樣本差分GMM 的模型設置存在一定的問題，從而可能導致系數估計存在一定的偏誤。但對比全樣本的估計結果可以發(fā)現，三重交乘項MP×Coll×DF1 的估計系數為0.0071，在1%的水平上顯著，而在國有企業(yè)樣本差分GMM 模型的Sargan 檢驗以及AR（2）檢驗滿足模型要求的前提下，三重交乘項MP×Coll×DF1的估計系數為0.0036，在10%的水平上顯著，無論系數大小還是顯著性均弱于全樣本，因此，本文推斷非國有企業(yè)樣本三重交乘項的系數大小以及顯著性均應強于國有企業(yè)，前文的分析結論仍然成立。除此之外，為了從統(tǒng)計意義上比較兩組間系數的差異，本文采用費舍爾組合檢驗（Fisher's Permutation test）分析組間系數是否存在顯著差異，抽樣次數設置為1000，得到組間系數差異的P 值為0.000，在1%的水平上拒絕了組間系數不存在差異的原假設。由此，假說2的內容得到驗證。

（二）數字金融的“普惠性”功能

雖然本文證明了數字金融的發(fā)展能夠弱化中國貨幣政策的資產負債表渠道，但值得深入探討的是，數字金融的發(fā)展能否彌補傳統(tǒng)金融體系的不足，促進普惠金融的發(fā)展，從而影響貨幣政策資產負債表渠道的有效性。為了深入理解數字金融發(fā)展的普惠效果，本文進一步區(qū)分地區(qū)異質性，根據企業(yè)注冊地所在省份將企業(yè)劃分為東部、中部和西部地區(qū)①，分析數字金融發(fā)展對中國貨幣政策資產負債表渠道的影響。

表6 第（3）—（5）列匯報了區(qū)分地域特征的異質性回歸結果。首先，從回歸系數符號來看，三組樣本雙重交乘項MP×Coll的回歸系數均為負數，三重交乘項MP×Coll×DF1 的回歸系數均為正數，說明三組樣本中數字金融的發(fā)展均弱化了貨幣政策的資產負債表渠道；其次，從系數大小來看，西部地區(qū)樣本中數字金融對貨幣政策資產負債表渠道的弱化作用更強，東部地區(qū)次之，最后是中部地區(qū)，但東部地區(qū)和中部地區(qū)的回歸系數較為接近；最后，從統(tǒng)計顯著性看，三組樣本三重交乘項的回歸系數均至少在5%的水平上顯著。隨后，本文采用費舍爾組合檢驗對東部、中部以及西部地區(qū)樣本的組間系數差異兩兩進行檢驗，P值均為0.000，說明三組樣本之間的系數估計值存在顯著差異。綜上所述，西部地區(qū)樣本中數字金融發(fā)展弱化中國貨幣政策資產負債表渠道的作用更強。因此，假說3得到驗證。

六、數字金融弱化貨幣政策資產負債表渠道的傳導機制分析

前文的研究表明，數字金融的發(fā)展能夠弱化中國貨幣政策資產負債表渠道，并且數字金融發(fā)展具備“結構調整”以及“普惠性”的功能，具體表現為在非國有企業(yè)以及西部地區(qū)樣本中數字金融弱化貨幣政策資產負債表渠道的作用更強。貨幣政策資產負債表渠道的內容主要來自Bernanke 和Gertler（1989；1995）[1，8]的思想，他們認為企業(yè)等私人部門的資產負債表會在貨幣政策的傳導過程中起到很大的作用，具體機制為緊縮性的貨幣政策使得利率上升，私人部門資產價值會下降，從而使得杠桿率提高，引起外部融資溢價上升，進而導致融資成本增加，投資和產出下降。前文研究了數字金融對貨幣政策資產負債表渠道的影響，僅為整體層面的分析，并未對中間傳導渠道進行深入探討。對此，本文將打開數字金融弱化貨幣政策資產負債表渠道的“黑箱”，進一步研究數字金融的發(fā)展是否弱化了“貨幣政策緊縮—企業(yè)資產縮水（杠桿率上升）—融資成本上升、信貸融資占比下降—投資下降”這一傳導機制。因此，本文選取了債務融資成本（Cost）、信貸融資占比（Debt）兩個變量作為中介變量，對上述傳導渠道進行實證檢驗。其中，債務融資成本（Cost）用“財務費用/總負債”來衡量，信貸融資占比用“（短期借款+長期借款）/總資產”來衡量。

正如前文所述，數字金融發(fā)展的一個重要特征是弱化了商業(yè)銀行信貸對抵押品的需求，從而有利于企業(yè)債務融資成本的降低和信貸融資占比的提升。表7第（1）—（3）列匯報了債務融資成本渠道的檢驗結果。我們發(fā)現第（1）列針對全樣本的檢驗中，Sargan 檢驗的P 值為0.0002，在1%的水平上顯著，意味著工具變量的選擇存在一定的問題，從而導致系數估計值存在一定的偏誤?？紤]到數字金融的發(fā)展對額度較小、期限較短的貸款具有較高的有效性（黃益平和王勛，2022）[30]，而通常企業(yè)的規(guī)模決定了企業(yè)貸款的額度和期限，因此，本文將全樣本劃分為大規(guī)模與小規(guī)模兩組，分別進行債務融資成本渠道的檢驗。我們發(fā)現小規(guī)模企業(yè)樣本組的雙重交乘項MP×Coll的回歸系數顯著為正，三重交乘項MP×Coll×DF1 的回歸系數顯著為負，并且AR（2）檢驗和Sargan檢驗均滿足差分GMM 模型設定要求，說明模型設定是合理的，上述實證結果說明小規(guī)模企業(yè)組中，數字金融弱化貨幣政策資產負債表渠道的債務融資成本機制是成立的。表7 第（4）—（6）列繼續(xù)檢驗了信貸融資占比機制，我們發(fā)現第（4）列針對全樣本的檢驗中，雙重交乘項MP×Coll 與三重交乘項MP×Coll×DF1 的估計系數均未通過顯著性檢驗，同理，本文將全樣本劃分為大規(guī)模與小規(guī)模兩組，分別進行信貸融資占比機制的分析。經過分析發(fā)現，在小規(guī)模企業(yè)樣本中，數字金融弱化貨幣政策資產負債表渠道的信貸融資占比機制是成立的②。

表7：傳導機制分析

上述實證結果意味著數字金融的發(fā)展降低了商業(yè)銀行在服務小微企業(yè)過程中的信息不對稱程度，解決了小微企業(yè)融資的“獲客”和“風控”兩大難題，弱化了對抵押品的依賴，從而導致企業(yè)債務融資成本對于貨幣政策變動帶來的企業(yè)資產凈值變化的響應減弱，企業(yè)信貸融資對于貨幣政策變動帶來的企業(yè)資產凈值的變化的響應減弱。由此，數字金融的發(fā)展弱化了“貨幣政策緊縮—企業(yè)資產縮水（杠桿率上升）—融資成本上升、信貸融資占比下降—投資下降”這一傳導機制。

七、結論與啟示

近年來，在國內外不利因素的沖擊下，中國經濟下行的壓力逐漸增大，而貨幣政策作為調控宏觀經濟的重要工具，其傳導機制是否暢通以及是否有效受到了學術界和政策界的廣泛關注。相較于其他傳導渠道，在2008 年次貸危機之后，貨幣政策資產負債表渠道的作用更加突出。正是在此背景下，本文探討了數字金融的發(fā)展對貨幣政策資產負債表渠道的影響及其內在機理。研究結論主要包括如下三個方面：首先，從整體來看，數字金融的發(fā)展能夠弱化貨幣政策資產負債表渠道；其次，數字金融的發(fā)展能夠緩解中國傳統(tǒng)金融系統(tǒng)的結構失衡問題，彌補傳統(tǒng)金融體系的不足，促進普惠金融的發(fā)展，表現為在非國有企業(yè)樣本以及西部地區(qū)樣本中，數字金融弱化貨幣政策資產負債表渠道的效應較強；最后，進一步的傳導渠道研究表明，在數字金融發(fā)展影響貨幣政策資產負債表渠道的過程中，能夠有效驅動企業(yè)融資成本降低、信貸融資占比提升，即數字金融的發(fā)展弱化了“貨幣政策緊縮—企業(yè)資產縮水（杠桿率上升）—融資成本上升、信貸融資占比下降—投資下降”這一傳導機制，但該影響在小規(guī)模企業(yè)中較為明顯。

上述研究結論在實踐層面具有一定的啟示意義。從總體上來看，就資產負債表渠道而言，數字金融的發(fā)展弱化了貨幣政策逆周期調控的效果，中央銀行應積極疏通其他貨幣政策傳導渠道，以提高貨幣政策的有效性。從異質性分析結果來看，數字金融對中國貨幣政策資產負債表渠道的影響在不同性質以及不同地區(qū)企業(yè)之間存在差異性，這說明中國貨幣政策調控的微觀主體是存在差異的，因此，在貨幣政策實施的過程中應充分考慮到微觀主體的特征，從而提高貨幣政策的有效性。這也說明當前我國實施“精準有力”的貨幣政策是合理的，也給未來的貨幣政策實施提供了決策依據。具體來說，需要創(chuàng)新性地應用結構性貨幣政策工具，聚焦重點，合理有度、有進有退，加強對普惠小微和重點企業(yè)的扶持，只有這樣，才能真正達到貨幣政策實施的效果。

注：

①東部地區(qū)包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東和海南；中部地區(qū)包括山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北、湖南和廣西；西部地區(qū)包括四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆和重慶。

②值得注意的是，表7 第（3）列和第（6）列中貨幣政策的系數估計值并不顯著，這是引入交乘項的模型非常常見的一個現象，即引入交乘項之后，主效應變得不顯著，但交乘項是顯著的。這時的分析解讀依然以“在未引入調節(jié)效應形成的交叉項之前主效應是顯著的”的結論為基礎。為了對比分析，本文進一步估計了未引入交乘項的模型（小規(guī)模企業(yè)樣本），其中債務融資成本機制中，貨幣政策的系數估計值為0.0034，在10%的水平上顯著為正；信貸融資占比機制中，貨幣政策的系數估計值為-0.0074，在5%的水平上顯著為負。