劉堯成 戰(zhàn)文清

（1.無錫太湖學(xué)院，江蘇 無錫 214063；2.復(fù)旦大學(xué)經(jīng)濟(jì)學(xué)院，上海 200433）

一、引言

近年來，在國際經(jīng)濟(jì)復(fù)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(jīng)濟(jì)呈現(xiàn)增速震蕩下行和波動(dòng)加劇的態(tài)勢(shì)，使得調(diào)整貨幣政策以維持經(jīng)濟(jì)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(bào)告》指出，穩(wěn)健的貨幣政策要精準(zhǔn)有力，總量適度，節(jié)奏平穩(wěn)，搞好跨周期調(diào)節(jié)。要想達(dá)到貨幣政策實(shí)施的既定目標(biāo)，需要明確貨幣政策的傳導(dǎo)渠道，以及在貨幣政策傳導(dǎo)過程中有可能對(duì)政策效果產(chǎn)生影響的因素。

傳統(tǒng)上對(duì)貨幣政策傳導(dǎo)渠道的分析主要從利率渠道和貨幣渠道展開，這些渠道側(cè)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(jī)的頻繁爆發(fā)，金融機(jī)構(gòu)的惜貸行為逐步引起了學(xué)術(shù)界的重視，貨幣政策的實(shí)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(dǎo)渠道領(lǐng)域的關(guān)注重點(diǎn)。特別是隨著信息經(jīng)濟(jì)學(xué)的發(fā)展，經(jīng)濟(jì)學(xué)家逐步將信息不對(duì)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(rèn)為金融市場(chǎng)上信息不對(duì)稱等摩擦因素會(huì)放大貨幣政策的沖擊效果。貨幣政策的這種傳導(dǎo)渠道也被稱為信用渠道。

與此同時(shí)，近年來數(shù)字金融在中國得到了快速發(fā)展，根據(jù)北京大學(xué)發(fā)布的數(shù)字普惠金融指數(shù)，2011年中國各省數(shù)字普惠金融的平均指數(shù)為40.1171，截至2020 年底，已經(jīng)增長為340.0566，十年間增長了8.5倍。數(shù)字金融作為金融與科技的結(jié)合體，一方面，發(fā)揮了對(duì)于傳統(tǒng)金融體系的增量補(bǔ)充作用，拓展了企業(yè)的融資來源，完善了金融市場(chǎng)的發(fā)展，提升了金融服務(wù)實(shí)體經(jīng)濟(jì)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(shù)據(jù)、人工智能以及區(qū)塊鏈等技術(shù)的基礎(chǔ)之上，數(shù)字金融的發(fā)展降低了借貸過程中的信息不對(duì)稱程度，弱化了對(duì)抵押品的需求，從而有可能對(duì)既有的貨幣政策傳導(dǎo)渠道產(chǎn)生影響，特別是對(duì)貨幣政策的信用渠道產(chǎn)生影響。

因此，本文將重點(diǎn)研究數(shù)字金融發(fā)展對(duì)貨幣政策有效性的影響。目前來看，已經(jīng)有一些文獻(xiàn)從貨幣政策的利率渠道和信用渠道的角度探討了數(shù)字金融發(fā)展對(duì)貨幣政策效果的影響。與既有研究相比，本文的主要貢獻(xiàn)在于：首先，側(cè)重于從企業(yè)的資產(chǎn)負(fù)債表渠道分析數(shù)字金融發(fā)展對(duì)我國貨幣政策傳導(dǎo)效果的影響。其次，探討了數(shù)字金融發(fā)展的“結(jié)構(gòu)調(diào)整”“普惠性”功能，并在此基礎(chǔ)上進(jìn)一步分析其具體的傳導(dǎo)渠道，證明了數(shù)字金融的發(fā)展能夠弱化中國貨幣政策的資產(chǎn)負(fù)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(chǎn)負(fù)債表的角度來理解貨幣政策的傳導(dǎo)效果，即將貨幣政策的著力點(diǎn)放在對(duì)微觀企業(yè)的影響上，能夠符合當(dāng)前中國貨幣政策為實(shí)體經(jīng)濟(jì)復(fù)蘇提供有力、穩(wěn)固支持的要求。因此，本文的研究既是對(duì)數(shù)字金融影響貨幣政策傳導(dǎo)效果的既有研究的有益補(bǔ)充，又能夠?yàn)楫?dāng)前我國貨幣政策的實(shí)施提供相關(guān)經(jīng)驗(yàn)證據(jù)，具有一定的理論與現(xiàn)實(shí)意義。

二、文獻(xiàn)評(píng)述與理論分析

（一）文獻(xiàn)評(píng)述

從理論上來看，貨幣政策的傳導(dǎo)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(shù)字金融發(fā)展對(duì)這兩類渠道均會(huì)產(chǎn)生一定的影響。

1.數(shù)字金融與傳統(tǒng)貨幣政策傳導(dǎo)渠道。貨幣政策的利率渠道主要源自凱恩斯主義經(jīng)濟(jì)學(xué)的觀點(diǎn)，認(rèn)為貨幣政策的變化會(huì)引起利率的變化，而企業(yè)投資對(duì)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(jìn)而影響社會(huì)總產(chǎn)出（Mishkin，2001）[4]。而貨幣渠道主要源自貨幣主義學(xué)派的觀點(diǎn)，認(rèn)為企業(yè)投資對(duì)利率變化并不敏感，貨幣政策變化會(huì)直接通過影響總需求進(jìn)而影響企業(yè)投資和社會(huì)產(chǎn)出水平。目前，有關(guān)數(shù)字金融對(duì)傳統(tǒng)貨幣政策傳導(dǎo)渠道影響的研究主要集中于其對(duì)利率渠道的影響方面，有研究認(rèn)為，數(shù)字金融發(fā)展會(huì)強(qiáng)化貨幣政策的利率渠道，主要體現(xiàn)在直接效應(yīng)與間接效應(yīng)兩方面。其中，直接效應(yīng)表現(xiàn)為，數(shù)字金融的發(fā)展完善了長短期利率相對(duì)應(yīng)的金融市場(chǎng)，進(jìn)而提高了投資對(duì)利率變動(dòng)的反應(yīng)；間接效應(yīng)表現(xiàn)為，數(shù)字金融的發(fā)展使得長短期利率的傳導(dǎo)更加符合利率期限結(jié)構(gòu)理論（戰(zhàn)明華等，2020）[5]。除此之外，數(shù)字金融的發(fā)展能夠?qū)鹘y(tǒng)金融體系產(chǎn)生一定的替代作用，從而增強(qiáng)了商業(yè)銀行存款規(guī)模及市場(chǎng)利率對(duì)同業(yè)市場(chǎng)利率的敏感性（劉瀾飚等，2016）[6]?？傊瑪?shù)字金融的發(fā)展完善了利率傳導(dǎo)機(jī)制的鏈條，進(jìn)而強(qiáng)化了貨幣政策利率渠道的效果。

2.數(shù)字金融與貨幣政策的信用渠道。隨著信息經(jīng)濟(jì)學(xué)的發(fā)展，以及最近幾十年金融危機(jī)的頻繁爆發(fā)，以金融摩擦為基礎(chǔ)的貨幣政策信用渠道逐漸引起了學(xué)者的重視。Bernanke和Blinder（1988）[7]提出了貨幣政策傳導(dǎo)的信貸觀點(diǎn)，通過構(gòu)建CC-LM 模型放松了債券與銀行貸款完全替代的假設(shè)，從而證明了貨幣政策能夠影響商業(yè)銀行的貸款供給進(jìn)而影響總產(chǎn)出。Bernanke 和Gertler（1989）[1]構(gòu)建了一個(gè)新古典實(shí)際經(jīng)濟(jì)周期理論框架，將借款人的資產(chǎn)負(fù)債表（資產(chǎn)凈值）以及由信息不對(duì)稱帶來的代理成本聯(lián)系起來，分析了企業(yè)凈值變化的“金融加速器”效應(yīng)，這也是貨幣政策資產(chǎn)負(fù)債表渠道的雛形。隨后，Bernanke 和Gertler（1995）[8]進(jìn)一步分析了貨幣政策傳導(dǎo)的信用渠道（Credit Channel），并認(rèn)為信用渠道和傳統(tǒng)的貨幣政策傳導(dǎo)渠道并不是割裂的，外部融資溢價(jià)的內(nèi)生變化放大了貨幣政策對(duì)利率的影響，即信用渠道放大了傳統(tǒng)利率渠道的傳導(dǎo)機(jī)制。他們認(rèn)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(chǎn)負(fù)債表渠道（Balance Sheet Channel），而這兩個(gè)渠道都和企業(yè)的外部融資溢價(jià)相關(guān)。其中，銀行貸款渠道指的是：當(dāng)中央銀行收緊貨幣政策時(shí)，商業(yè)銀行的可貸資金減少，商業(yè)銀行會(huì)選擇賣出企業(yè)債券從而平抑其準(zhǔn)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(jià)上升，進(jìn)而導(dǎo)致企業(yè)投資和產(chǎn)出下降。資產(chǎn)負(fù)債表渠道成立的前提條件是由信息不對(duì)稱所導(dǎo)致的商業(yè)銀行信貸對(duì)企業(yè)抵押品價(jià)值的依賴，其核心在于貨幣政策變化不僅能夠影響市場(chǎng)利率，而且能夠影響企業(yè)的金融地位（Financial Position），進(jìn)而影響企業(yè)的外部融資溢價(jià)。按照貨幣政策資產(chǎn)負(fù)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(chǎn)負(fù)債表：一方面，對(duì)于擁有大量未償債券和浮動(dòng)利率債券的企業(yè)，緊縮的貨幣政策直接導(dǎo)致利息支出增加；另一方面，利率的上升通常伴隨著資產(chǎn)價(jià)格的下降，從而導(dǎo)致企業(yè)抵押品價(jià)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(fèi)者的消費(fèi)支出間接地導(dǎo)致企業(yè)的凈現(xiàn)金流和抵押品價(jià)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(dǎo)致企業(yè)資產(chǎn)負(fù)債表惡化。

既有的研究認(rèn)為，數(shù)字金融發(fā)展對(duì)信用渠道的影響主要體現(xiàn)在數(shù)字金融發(fā)展對(duì)金融市場(chǎng)摩擦的弱化效應(yīng)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(jìn)而對(duì)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(cái)產(chǎn)品等表外業(yè)務(wù)，進(jìn)而導(dǎo)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(jié)果表明，數(shù)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(xiàn)比較了貨幣政策的利率渠道和信用渠道的傳導(dǎo)效果，大多數(shù)學(xué)者認(rèn)為，數(shù)字金融的發(fā)展使得金融市場(chǎng)逐步完善，金融市場(chǎng)摩擦逐漸弱化，從而降低了信息不對(duì)稱程度，進(jìn)而增強(qiáng)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(xiàn)有文獻(xiàn)就數(shù)字金融對(duì)貨幣政策有效性的利率渠道和信用渠道的影響進(jìn)行了深入的研究，但關(guān)于信用渠道的研究大多基于銀行貸款渠道，有關(guān)數(shù)字金融如何影響企業(yè)資產(chǎn)負(fù)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(chǎn)負(fù)債表渠道的視角，研究數(shù)字金融發(fā)展對(duì)貨幣政策有效性的影響。

（二）理論分析與假設(shè)提出

1.數(shù)字金融對(duì)企業(yè)資產(chǎn)負(fù)債表渠道的弱化效應(yīng)。隨著數(shù)字金融的發(fā)展，基于用戶互聯(lián)網(wǎng)足跡與實(shí)時(shí)數(shù)據(jù)的大科技信貸，取代了傳統(tǒng)商業(yè)銀行通過評(píng)估歷史財(cái)務(wù)數(shù)據(jù)以及抵押品價(jià)值進(jìn)行風(fēng)控的貸款模式，弱化了由信息不對(duì)稱所導(dǎo)致的“金融加速器”效應(yīng)（Shen和Huang，2016）[13]，降低了商業(yè)銀行信貸對(duì)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(wù)，參與到金融活動(dòng)中來。貨幣政策的企業(yè)資產(chǎn)負(fù)債表渠道的核心在于信貸與抵押品價(jià)值的相關(guān)性。一方面，傳統(tǒng)商業(yè)銀行對(duì)企業(yè)信息的掌握主要依靠人工采集，不僅具有較強(qiáng)的主觀性，而且難以對(duì)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(guān)人員的經(jīng)驗(yàn)對(duì)借款人的風(fēng)險(xiǎn)進(jìn)行識(shí)別和防控，不適應(yīng)當(dāng)前業(yè)務(wù)發(fā)展和市場(chǎng)環(huán)境變化的需要（李逸飛等，2022）[14]。相比較而言，數(shù)字金融的運(yùn)用能夠給商業(yè)銀行經(jīng)營管理帶來革命性的影響。在數(shù)據(jù)收集方面，商業(yè)銀行借助大數(shù)據(jù)和物聯(lián)網(wǎng)等先進(jìn)技術(shù)，可通過多渠道獲取多維度的數(shù)據(jù)，全方位掌握借款人的交易數(shù)據(jù)與互聯(lián)網(wǎng)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(zhǔn)確掌握用戶信息，精準(zhǔn)描摹用戶畫像，降低信息不對(duì)稱程度（Cenni 等，2015；Goldstein 等，2019）[15，16]。在數(shù)據(jù)處理方面，基于大數(shù)據(jù)、區(qū)塊鏈以及人工智能等底層技術(shù)，商業(yè)銀行對(duì)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(píng)級(jí)模型難以處理的非線性問題，提升客戶評(píng)級(jí)的準(zhǔn)確度，在貸中能夠?qū)杩钊说呢?cái)務(wù)狀況進(jìn)行實(shí)時(shí)監(jiān)控，對(duì)風(fēng)險(xiǎn)變化快速做出反應(yīng)（Fuster 等，2019；黃益平和邱晗，2021）[17，18]。

上述研究表明，數(shù)字金融的發(fā)展緩解了信息不對(duì)稱問題，降低了信貸與抵押品的相關(guān)性，改變了貨幣政策資產(chǎn)負(fù)債表渠道所闡述的理論機(jī)制，因此，數(shù)字金融的發(fā)展有可能弱化貨幣政策的資產(chǎn)負(fù)債表渠道。其具體影響機(jī)制可以總結(jié)為：當(dāng)貨幣政策處于寬松時(shí)期，房地產(chǎn)等資產(chǎn)價(jià)格膨脹，資產(chǎn)價(jià)格和信貸投放交替上升，企業(yè)信貸獲取能力增強(qiáng)，經(jīng)濟(jì)增長加速，而隨著數(shù)字金融的發(fā)展，借助于多維度的信息識(shí)別，可以降低資產(chǎn)價(jià)格泡沫，抑制企業(yè)信貸增加；反之，當(dāng)貨幣政策處于緊縮時(shí)期，房地產(chǎn)等資產(chǎn)的價(jià)格下跌，又會(huì)造成資產(chǎn)價(jià)格和企業(yè)信貸獲取的交替下降，進(jìn)而造成實(shí)體經(jīng)濟(jì)增長的萎縮，此時(shí)，數(shù)字金融的發(fā)展可以減輕商業(yè)銀行對(duì)于房地產(chǎn)等抵押品的需求，抑制企業(yè)信貸的下降，從而達(dá)到抑制實(shí)體經(jīng)濟(jì)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(jù)上文分析，本文提出如下研究假說：

H1：數(shù)字金融的發(fā)展能夠弱化中國貨幣政策的資產(chǎn)負(fù)債表渠道。

2.數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的異質(zhì)性分析。（1）數(shù)字金融的“結(jié)構(gòu)調(diào)整”功能。有研究指出，金融在服務(wù)實(shí)體經(jīng)濟(jì)的過程中，面臨的最主要的問題就是信息不對(duì)稱，相較于國有企業(yè)，民營企業(yè)缺乏政府的擔(dān)保、規(guī)范的財(cái)務(wù)數(shù)據(jù)和充足的抵押資產(chǎn)，面臨的信息不對(duì)稱問題更加嚴(yán)重，從而導(dǎo)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(jié)構(gòu)失衡問題（唐松等，2020）[22]。而數(shù)字金融基于大科技平臺(tái)和大數(shù)據(jù)技術(shù)，促進(jìn)了商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估的轉(zhuǎn)型升級(jí)，通過關(guān)注用戶的互聯(lián)網(wǎng)足跡，弱化對(duì)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(shù)字金融的發(fā)展能夠矯正金融體系的結(jié)構(gòu)失衡問題，從而對(duì)貨幣政策資產(chǎn)負(fù)債表渠道起到弱化作用。若上述理論邏輯成立，那么數(shù)字金融對(duì)貨幣政策資產(chǎn)負(fù)債表渠道的弱化作用應(yīng)該在非國有企業(yè)樣本中表現(xiàn)得更加明顯，由此，本文提出如下研究假說：

H2：數(shù)字金融的發(fā)展能夠緩解中國金融體系在服務(wù)實(shí)體經(jīng)濟(jì)過程中的結(jié)構(gòu)性失衡問題，從而導(dǎo)致在非國有企業(yè)樣本中數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的作用更強(qiáng)。

（2）數(shù)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(duì)稱問題，由于規(guī)模小以及信用數(shù)據(jù)缺乏的用戶服務(wù)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(shù)字金融的發(fā)展降低了借貸雙方的信息不對(duì)稱程度，能夠弱化對(duì)抵押品的需求，解決了傳統(tǒng)金融體系的痛點(diǎn)和難點(diǎn)問題，促進(jìn)了普惠金融的發(fā)展。中國西部地區(qū)經(jīng)濟(jì)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(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的關(guān)鍵在于，其放松了商業(yè)銀行信貸對(duì)抵押品的需求，將大部分“長尾客戶”納入金融服務(wù)范圍之內(nèi)，拓展了金融服務(wù)的廣度和深度，從而促進(jìn)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(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的效應(yīng)會(huì)更強(qiáng)。由此，本文提出如下研究假說：

H3：數(shù)字金融的發(fā)展能夠提升金融服務(wù)的普惠性，拓展金融服務(wù)的廣度和深度，從而導(dǎo)致在西部地區(qū)樣本中數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的效應(yīng)更強(qiáng)。

三、研究設(shè)計(jì)

（一）模型設(shè)定

為了識(shí)別中國貨幣政策的資產(chǎn)負(fù)債表渠道并檢驗(yàn)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(shè)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(jià)值（Coll）以及二者的交乘項(xiàng)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(jī)擾動(dòng)項(xiàng)。由于企業(yè)投資具有較強(qiáng)的連續(xù)性，為了緩解內(nèi)生性問題以及模型設(shè)定偏誤，本文在模型（1）中引入了被解釋變量的滯后一期，構(gòu)建動(dòng)態(tài)面板模型，采用兩步差分GMM 方法對(duì)模型（1）進(jìn)行實(shí)證估計(jì)。

理論上，若中國存在貨幣政策的資產(chǎn)負(fù)債表渠道，則交乘項(xiàng)MP×Coll的系數(shù)符號(hào)應(yīng)與貨幣政策的系數(shù)符號(hào)保持一致，即若采用利率指標(biāo)衡量貨幣政策，則MP 與MP×Coll 的估計(jì)系數(shù)均應(yīng)顯著為負(fù)。其原因在于，不同企業(yè)的抵押品價(jià)值存在較大差異，貨幣政策變動(dòng)時(shí)具有不同抵押品價(jià)值的企業(yè)受到的影響也不同，對(duì)于抵押品價(jià)值較高的企業(yè)，貨幣政策變動(dòng)帶來的資產(chǎn)凈值的變化可能大于抵押品價(jià)值較低的企業(yè)，從而導(dǎo)致貨幣政策效果隨著抵押品價(jià)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(chǎn)負(fù)債表渠道的核心內(nèi)容。

接下來，為了檢驗(yàn)數(shù)字金融的發(fā)展對(duì)上述貨幣政策資產(chǎn)負(fù)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(shè)定如下調(diào)節(jié)效應(yīng)模型：

其中，i代表企業(yè)，t代表年份，j代表省份或者地級(jí)市，DF代表企業(yè)所在省份或地級(jí)市的數(shù)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(duì)模型（2）進(jìn)行實(shí)證估計(jì)。根據(jù)前文的理論分析，若數(shù)字金融的發(fā)展降低了對(duì)抵押品的需求，弱化了“金融加速器”機(jī)制，那么隨著數(shù)字金融發(fā)展水平的提高，貨幣政策的資產(chǎn)負(fù)債表渠道將被弱化，即企業(yè)投資對(duì)于貨幣政策變動(dòng)帶來的企業(yè)資產(chǎn)凈值變化的響應(yīng)將減弱。反映在實(shí)證模型（2）中，則意味著交乘項(xiàng)MP×Coll×DF 的估計(jì)系數(shù)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(diǎn)關(guān)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(chǎn)、無形資產(chǎn)及其他長期資產(chǎn)支付的現(xiàn)金-處置固定資產(chǎn)、無形資產(chǎn)和其他長期資產(chǎn)收回的現(xiàn)金凈額）/總資產(chǎn)”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(zhǔn)檢驗(yàn)部分，本文參考喻微鋒和鄭建峽（2022）[25]的研究，采用價(jià)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(yàn)部分，本文參考周之瀚（2022）[26]的研究，采用數(shù)量型貨幣政策——廣義貨幣供應(yīng)量M2 除以CPI 消除通貨膨脹影響之后再取對(duì)數(shù)，作為貨幣政策代理變量。

（2）企業(yè)抵押品資產(chǎn)價(jià)值（Coll）。貨幣政策資產(chǎn)負(fù)債表渠道的核心在于貨幣政策變化導(dǎo)致的資產(chǎn)價(jià)格變動(dòng)影響了企業(yè)抵押品的價(jià)值，進(jìn)而影響商業(yè)銀行信貸，因此，企業(yè)抵押品資產(chǎn)價(jià)值是本文重點(diǎn)關(guān)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(chǎn)定義為企業(yè)固定資產(chǎn)項(xiàng)目中的房屋建筑物，隨后借鑒曾海艦（2012）[28]的研究，對(duì)企業(yè)抵押品資產(chǎn)價(jià)值進(jìn)行計(jì)算。首先，參考現(xiàn)有文獻(xiàn)的做法，假設(shè)折舊年限為30 年，預(yù)計(jì)凈殘值為0，采用直線折舊法，根據(jù)房屋建筑物的折舊年限、累計(jì)折舊以及原值計(jì)算出房屋建筑物的已使用年限，如式（3）所示。其次，根據(jù)計(jì)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(jù)購置年份的房地產(chǎn)價(jià)格數(shù)據(jù)計(jì)算出房屋建筑物的平均面積。最后，根據(jù)房屋建筑物的平均面積與相應(yīng)年份的房地產(chǎn)價(jià)格數(shù)據(jù)，計(jì)算出房屋建筑物的市場(chǎng)價(jià)值。隨后，本文進(jìn)一步將房屋建筑物的市場(chǎng)價(jià)值除以固定資產(chǎn)凈額，最終得到企業(yè)抵押品資產(chǎn)價(jià)值變量（Coll）。在計(jì)算房屋建筑物市場(chǎng)價(jià)值時(shí)，對(duì)于1999 年以后的房地產(chǎn)價(jià)格，本文選用的是省級(jí)商業(yè)營業(yè)用房價(jià)格數(shù)據(jù)，對(duì)于1999年之前的房地產(chǎn)價(jià)格，采用的是全國層面的商業(yè)營業(yè)用房價(jià)格數(shù)據(jù)。

（3）數(shù)字金融變量（DF）。目前，學(xué)術(shù)界大多采用北京大學(xué)數(shù)字普惠金融指數(shù)衡量數(shù)字金融發(fā)展水平，該指數(shù)包括省級(jí)、地級(jí)市以及縣域?qū)用娴臄?shù)據(jù)，為了研究數(shù)字金融的發(fā)展是否弱化了貨幣政策資產(chǎn)負(fù)債表渠道，本文分別采用了省級(jí)以及地級(jí)市層面的數(shù)字普惠金融總指數(shù)與企業(yè)數(shù)據(jù)相匹配進(jìn)行實(shí)證檢驗(yàn)。除此之外，現(xiàn)有文獻(xiàn)關(guān)于數(shù)字普惠金融指數(shù)的處理大多采用將原始數(shù)據(jù)除以100 以及取對(duì)數(shù)的處理方式，因此，本文分別將省級(jí)以及地級(jí)市層面數(shù)字普惠金融指數(shù)除以100 或取對(duì)數(shù)，由此形成了四個(gè)數(shù)字金融變量，分別記為DF1（省級(jí)數(shù)字普惠金融指數(shù)/100）、DF2（Ln（省級(jí)數(shù)字普惠金融指數(shù)））、DF3（地級(jí)市數(shù)字普惠金融指數(shù)/100）、DF4（Ln（地級(jí)市數(shù)字普惠金融指數(shù)）），其中，地級(jí)市層面的數(shù)據(jù)用于穩(wěn)健性檢驗(yàn)。圖1匯報(bào)了2011—2020年各年度不同維度、不同處理方法的數(shù)字金融發(fā)展情況，可以發(fā)現(xiàn)，不同維度、不同處理方法下的數(shù)字金融指數(shù)在2011—2020年間均呈上升趨勢(shì)，這意味著數(shù)字金融在中國實(shí)現(xiàn)了較快的增長，并且相同處理方法下數(shù)字金融指數(shù)的數(shù)量級(jí)以及變化趨勢(shì)比較一致。

圖1：各年度數(shù)字金融發(fā)展情況

3.控制變量。考慮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(shí)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(chǎn)總額的自然對(duì)數(shù)來衡量；（2）企業(yè)年齡（Age），采用企業(yè)成立年限的自然對(duì)數(shù)來衡量；（3）總資產(chǎn)凈利潤率（Roa），采用凈利潤/總資產(chǎn)來衡量；（4）賬面市值比（Growth），采用總資產(chǎn)/市值來衡量；（5）流動(dòng)比率（Liq），采用流動(dòng)資產(chǎn)/流動(dòng)負(fù)債來衡量；（6）董事長與總經(jīng)理兼任情況（DZ），若董事長與總經(jīng)理兼任，取值為1，否則取值為0。

（三）數(shù)據(jù)來源與處理

本文所采用的數(shù)據(jù)為2011—2020年年度頻率面板數(shù)據(jù)，樣本截面為滬深兩市部分A股上市企業(yè)。為了保證實(shí)證結(jié)果的有效性，本文對(duì)企業(yè)層面的數(shù)據(jù)作了如下處理：剔除金融類、ST和*ST以及數(shù)據(jù)連續(xù)年份少于3 年的企業(yè)；對(duì)連續(xù)變量首尾進(jìn)行1%的縮尾處理。經(jīng)過上述處理，最終得到了23590 個(gè)非平衡面板樣本觀測(cè)值。其中，數(shù)字金融指數(shù)來源于北京大學(xué)發(fā)布的數(shù)字普惠金融指數(shù)，企業(yè)層面的數(shù)據(jù)以及宏觀經(jīng)濟(jì)指標(biāo)中的廣義貨幣供應(yīng)量M2、14 天中央銀行逆回購利率來源于國泰安數(shù)據(jù)庫，其余宏觀經(jīng)濟(jì)指標(biāo)來源于國家統(tǒng)計(jì)局網(wǎng)站。

表1 匯報(bào)了描述性統(tǒng)計(jì)的結(jié)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(gè)體差異。不同維度數(shù)字金融指數(shù)的同一種處理方式的描述性統(tǒng)計(jì)結(jié)果比較接近，結(jié)合圖1 可以看出近些年來中國數(shù)字金融實(shí)現(xiàn)了較快的發(fā)展。

表1：描述性統(tǒng)計(jì)

四、數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道分析

（一）貨幣政策資產(chǎn)負(fù)債表渠道的存在性檢驗(yàn)

根據(jù)前文的研究思路，本文先采用兩步差分GMM 方法對(duì)模型（1）進(jìn)行估計(jì)，表2 第（1）列匯報(bào)了估計(jì)結(jié)果，我們發(fā)現(xiàn)AR（2）檢驗(yàn)以及Sargan檢驗(yàn)的P 值均不顯著，說明殘差不存在二階序列相關(guān)，并且工具變量選擇合理，滿足兩步差分GMM 估計(jì)方法的要求。為了保證兩步差分GMM 估計(jì)結(jié)果的可靠性，本文進(jìn)而采用了動(dòng)態(tài)FE方法以及動(dòng)態(tài)POLS方法對(duì)模型（1）進(jìn)行估計(jì)，若兩步差分GMM 中被解釋變量滯后一期的估計(jì)系數(shù)介于動(dòng)態(tài)FE 和動(dòng)態(tài)OLS 之間，則說明兩步差分GMM 的估計(jì)結(jié)果比較可靠。表2的結(jié)果表明，L.Inv在兩步差分GMM方法、動(dòng)態(tài)FE方法及動(dòng)態(tài)POLS 方法下的估計(jì)系數(shù)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(jì)系數(shù)介于動(dòng)態(tài)FE 和動(dòng)態(tài)OLS之間，意味著兩步差分GMM 的估計(jì)結(jié)果具備較高的可信度。

表2：貨幣政策資產(chǎn)負(fù)債表渠道的存在性檢驗(yàn)

觀察表2 中的回歸結(jié)果，第（1）列和第（3）列顯示貨幣政策的回歸系數(shù)顯著為負(fù)，第（2）列中貨幣政策的回歸系數(shù)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(diǎn)觀察貨幣政策與企業(yè)抵押品價(jià)值的交乘項(xiàng)MP×Coll的估計(jì)系數(shù)，可以發(fā)現(xiàn)該系數(shù)為負(fù)（-0.0086），且在5%的水平上顯著，說明抵押品價(jià)值對(duì)貨幣政策的效果產(chǎn)生了顯著的調(diào)節(jié)效應(yīng)，具體表現(xiàn)為：緊縮的貨幣政策使得抵押品價(jià)值較高的企業(yè)的資產(chǎn)價(jià)值出現(xiàn)了較大的變化，進(jìn)而通過外部融資溢價(jià)對(duì)其投資水平產(chǎn)生了較大的影響，從而驗(yàn)證了中國貨幣政策資產(chǎn)負(fù)債表渠道的存在性。

（二）數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道檢驗(yàn)

前文的實(shí)證檢驗(yàn)識(shí)別出了中國貨幣政策資產(chǎn)負(fù)債表渠道并驗(yàn)證了其存在性，本小節(jié)在此基礎(chǔ)之上，繼續(xù)引入數(shù)字金融變量，以驗(yàn)證數(shù)字金融發(fā)展對(duì)中國貨幣政策資產(chǎn)負(fù)債表渠道的影響。表3 第（1）列匯報(bào)了以“省級(jí)數(shù)字普惠金融指數(shù)/100”（DF1）衡量數(shù)字金融發(fā)展水平時(shí)的估計(jì)結(jié)果，第（2）列匯報(bào)了以“省級(jí)數(shù)字普惠金融指數(shù)取對(duì)數(shù)”（DF2）衡量數(shù)字金融發(fā)展水平時(shí)的實(shí)證結(jié)果。可以發(fā)現(xiàn)，貨幣政策與企業(yè)抵押品價(jià)值的交乘項(xiàng)MP×Coll的估計(jì)系數(shù)都顯著為負(fù)，這與模型（1）的估計(jì)結(jié)果一致。再重點(diǎn)觀察三重交乘項(xiàng)的估計(jì)系數(shù)，可以發(fā)現(xiàn)都顯著為正，由于MP×Coll×DF 與MP×Coll 的回歸系數(shù)符號(hào)相反，說明數(shù)字金融的發(fā)展能夠弱化模型（1）中貨幣政策的資產(chǎn)負(fù)債表渠道，從而驗(yàn)證了研究假說1。

表3：數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道檢驗(yàn)

（三）穩(wěn)健性檢驗(yàn)

1.內(nèi)生性問題。前文采用了數(shù)字普惠金融指數(shù)來衡量企業(yè)所在省份的數(shù)字金融發(fā)展水平，由于企業(yè)投資難以影響數(shù)字金融的發(fā)展，因此，基本不存在反向因果所導(dǎo)致的內(nèi)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(dǎo)致的內(nèi)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(shù)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(chǎng)存在地域分割性，鄰近地區(qū)數(shù)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(shù)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(guān)性要求。表4 第（1）列匯報(bào)了替換工具變量的估計(jì)結(jié)果，我們發(fā)現(xiàn)實(shí)證結(jié)果與前文相比，并未發(fā)生顯著性改變。

表4：穩(wěn)健性檢驗(yàn)1

2.改變變量衡量方法。本文采用“（購建固定資產(chǎn)、無形資產(chǎn)及其他長期資產(chǎn)支付的現(xiàn)金+當(dāng)期投資所支付的現(xiàn)金+當(dāng)期取得子公司及其他營業(yè)單位支付的現(xiàn)金）/總資產(chǎn)”重新衡量企業(yè)投資水平，記為Inv'；采用“廣義貨幣供應(yīng)量M2除以CPI消除通貨膨脹之后再取對(duì)數(shù)”重新衡量貨幣政策，記為MP'；采用“（固定資產(chǎn)+在建工程+存貨凈額）/總資產(chǎn)”重新衡量企業(yè)抵押品價(jià)值，記為Coll'。由于此處采用了數(shù)量型貨幣政策指標(biāo)，因此，預(yù)計(jì)雙重交乘項(xiàng)MP'×Coll'以及三重交乘項(xiàng)MP'×Coll'×DF1 的估計(jì)系數(shù)應(yīng)與前文相反。表4第（2）列結(jié)果顯示，雙重交乘項(xiàng)MP'×Coll'的估計(jì)系數(shù)為2.3291，在5%的水平上顯著為正，三重交乘項(xiàng)MP' × Coll' × DF1 的估計(jì)系數(shù)為-0.1044，在1%的水平上顯著為負(fù)，符合理論預(yù)期，說明前文的結(jié)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(duì)企業(yè)的經(jīng)營造成了巨大的沖擊，為了排除該事件對(duì)企業(yè)投資行為帶來的影響，本文刪除了2020 年的數(shù)據(jù)，重新對(duì)模型進(jìn)行估計(jì)。表4 第（3）列匯報(bào)了相應(yīng)的估計(jì)結(jié)果，我們發(fā)現(xiàn)雙重交乘項(xiàng)MP×Coll的估計(jì)系數(shù)在1%的水平上顯著為負(fù)，三重交乘項(xiàng)MP×Coll×DF1 的估計(jì)系數(shù)在1%的水平上顯著為正，表明剔除了2020 年的樣本之后，數(shù)字金融發(fā)展仍然能夠顯著弱化中國貨幣政策的資產(chǎn)負(fù)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(diǎn)，前文采用差分GMM 方法對(duì)實(shí)證模型進(jìn)行了估計(jì)，為了驗(yàn)證前文的實(shí)證結(jié)論不因?qū)嵶C方法的選擇而發(fā)生改變，本文采用系統(tǒng)GMM 方法進(jìn)行穩(wěn)健性檢驗(yàn)。表4第（4）列匯報(bào)了系統(tǒng)GMM方法的估計(jì)結(jié)果，實(shí)證結(jié)果依然支持?jǐn)?shù)字金融的發(fā)展能夠弱化中國貨幣政策資產(chǎn)負(fù)債表渠道的結(jié)論。

5.數(shù)字普惠金融子指數(shù)的影響。前文采用北京大學(xué)數(shù)字普惠金融總指數(shù)來衡量數(shù)字金融發(fā)展水平，該指數(shù)包括覆蓋廣度、使用深度以及數(shù)字化程度三個(gè)子指數(shù)，本文將上述三個(gè)省級(jí)層面的子指數(shù)除以100，分別記為DF1G、DF1S、DF1D，仍然采用差分GMM模型進(jìn)行實(shí)證估計(jì)。表5 第（1）—（3）列匯報(bào)了估計(jì)結(jié)果，我們發(fā)現(xiàn)三個(gè)子指數(shù)的回歸結(jié)果與前文一致，說明數(shù)字金融三個(gè)維度的發(fā)展均不同程度地弱化了中國貨幣政策的資產(chǎn)負(fù)債表渠道，進(jìn)一步表明研究假設(shè)1是成立且穩(wěn)健的。

表5：穩(wěn)健性檢驗(yàn)2

6.采用地級(jí)市層面的數(shù)字普惠金融指數(shù)。為了驗(yàn)證前文結(jié)果的穩(wěn)健性，本文采用地級(jí)市數(shù)字普惠金融指數(shù)作為數(shù)字金融發(fā)展水平的代理變量，分別將原指數(shù)除以100（DF3）以及對(duì)數(shù)化（DF4），進(jìn)行穩(wěn)健性檢驗(yàn)，相應(yīng)結(jié)果匯報(bào)于表5 第（4）、（5）列，結(jié)果表明數(shù)字金融弱化我國貨幣政策資產(chǎn)負(fù)債表渠道的結(jié)論并未發(fā)生改變。

五、數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的異質(zhì)性分析

（一）數(shù)字金融的“結(jié)構(gòu)調(diào)整”功能

中國金融體系在服務(wù)實(shí)體經(jīng)濟(jì)的過程中存在著結(jié)構(gòu)性失衡的問題，具體表現(xiàn)為非國有企業(yè)面臨較為嚴(yán)重的融資約束，導(dǎo)致金融服務(wù)實(shí)體經(jīng)濟(jì)效率的低下，進(jìn)而影響了貨幣政策的實(shí)施效果。為了深入分析數(shù)字金融發(fā)展的“結(jié)構(gòu)調(diào)整”作用，本文進(jìn)一步根據(jù)企業(yè)性質(zhì)將樣本劃分為國有企業(yè)和非國有企業(yè)，分析數(shù)字金融發(fā)展對(duì)中國貨幣政策資產(chǎn)負(fù)債表渠道的影響。

表6 第（1）列和第（2）列匯報(bào)了區(qū)分企業(yè)性質(zhì)的異質(zhì)性回歸結(jié)果。首先，從回歸系數(shù)符號(hào)來看，兩組樣本雙重交乘項(xiàng)MP×Coll的回歸系數(shù)均為負(fù)數(shù)，三重交乘項(xiàng)MP×Coll×DF1 的回歸系數(shù)均為正數(shù)，說明兩組樣本中數(shù)字金融的發(fā)展均弱化了中國貨幣政策的資產(chǎn)負(fù)債表渠道；其次，從系數(shù)大小來看，非國有企業(yè)樣本中數(shù)字金融對(duì)中國貨幣政策資產(chǎn)負(fù)債表渠道的弱化作用更強(qiáng)；最后，從統(tǒng)計(jì)顯著性看，非國有企業(yè)樣本的顯著性強(qiáng)于國有企業(yè)樣本。綜上所述，非國有企業(yè)樣本中數(shù)字金融發(fā)展弱化中國貨幣政策資產(chǎn)負(fù)債表渠道的作用更強(qiáng)。

表6：數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道：結(jié)構(gòu)調(diào)整與普惠性

但值得注意的是，在采用差分GMM 方法對(duì)非國有企業(yè)樣本進(jìn)行實(shí)證回歸時(shí)，AR（2）檢驗(yàn)的P 值為0.0031，拒絕了不存在二階序列相關(guān)的原假設(shè)，這說明非國有企業(yè)樣本差分GMM 的模型設(shè)置存在一定的問題，從而可能導(dǎo)致系數(shù)估計(jì)存在一定的偏誤。但對(duì)比全樣本的估計(jì)結(jié)果可以發(fā)現(xiàn)，三重交乘項(xiàng)MP×Coll×DF1 的估計(jì)系數(shù)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(yàn)以及AR（2）檢驗(yàn)滿足模型要求的前提下，三重交乘項(xiàng)MP×Coll×DF1的估計(jì)系數(shù)為0.0036，在10%的水平上顯著，無論系數(shù)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(xiàng)的系數(shù)大小以及顯著性均應(yīng)強(qiáng)于國有企業(yè)，前文的分析結(jié)論仍然成立。除此之外，為了從統(tǒng)計(jì)意義上比較兩組間系數(shù)的差異，本文采用費(fèi)舍爾組合檢驗(yàn)（Fisher's Permutation test）分析組間系數(shù)是否存在顯著差異，抽樣次數(shù)設(shè)置為1000，得到組間系數(shù)差異的P 值為0.000，在1%的水平上拒絕了組間系數(shù)不存在差異的原假設(shè)。由此，假說2的內(nèi)容得到驗(yàn)證。

（二）數(shù)字金融的“普惠性”功能

雖然本文證明了數(shù)字金融的發(fā)展能夠弱化中國貨幣政策的資產(chǎn)負(fù)債表渠道，但值得深入探討的是，數(shù)字金融的發(fā)展能否彌補(bǔ)傳統(tǒng)金融體系的不足，促進(jìn)普惠金融的發(fā)展，從而影響貨幣政策資產(chǎn)負(fù)債表渠道的有效性。為了深入理解數(shù)字金融發(fā)展的普惠效果，本文進(jìn)一步區(qū)分地區(qū)異質(zhì)性，根據(jù)企業(yè)注冊(cè)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(shù)字金融發(fā)展對(duì)中國貨幣政策資產(chǎn)負(fù)債表渠道的影響。

表6 第（3）—（5）列匯報(bào)了區(qū)分地域特征的異質(zhì)性回歸結(jié)果。首先，從回歸系數(shù)符號(hào)來看，三組樣本雙重交乘項(xiàng)MP×Coll的回歸系數(shù)均為負(fù)數(shù)，三重交乘項(xiàng)MP×Coll×DF1 的回歸系數(shù)均為正數(shù)，說明三組樣本中數(shù)字金融的發(fā)展均弱化了貨幣政策的資產(chǎn)負(fù)債表渠道；其次，從系數(shù)大小來看，西部地區(qū)樣本中數(shù)字金融對(duì)貨幣政策資產(chǎn)負(fù)債表渠道的弱化作用更強(qiáng)，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(shù)較為接近；最后，從統(tǒng)計(jì)顯著性看，三組樣本三重交乘項(xiàng)的回歸系數(shù)均至少在5%的水平上顯著。隨后，本文采用費(fèi)舍爾組合檢驗(yàn)對(duì)東部、中部以及西部地區(qū)樣本的組間系數(shù)差異兩兩進(jìn)行檢驗(yàn)，P值均為0.000，說明三組樣本之間的系數(shù)估計(jì)值存在顯著差異。綜上所述，西部地區(qū)樣本中數(shù)字金融發(fā)展弱化中國貨幣政策資產(chǎn)負(fù)債表渠道的作用更強(qiáng)。因此，假說3得到驗(yàn)證。

六、數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的傳導(dǎo)機(jī)制分析

前文的研究表明，數(shù)字金融的發(fā)展能夠弱化中國貨幣政策資產(chǎn)負(fù)債表渠道，并且數(shù)字金融發(fā)展具備“結(jié)構(gòu)調(diào)整”以及“普惠性”的功能，具體表現(xiàn)為在非國有企業(yè)以及西部地區(qū)樣本中數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的作用更強(qiáng)。貨幣政策資產(chǎn)負(fù)債表渠道的內(nèi)容主要來自Bernanke 和Gertler（1989；1995）[1，8]的思想，他們認(rèn)為企業(yè)等私人部門的資產(chǎn)負(fù)債表會(huì)在貨幣政策的傳導(dǎo)過程中起到很大的作用，具體機(jī)制為緊縮性的貨幣政策使得利率上升，私人部門資產(chǎn)價(jià)值會(huì)下降，從而使得杠桿率提高，引起外部融資溢價(jià)上升，進(jìn)而導(dǎo)致融資成本增加，投資和產(chǎn)出下降。前文研究了數(shù)字金融對(duì)貨幣政策資產(chǎn)負(fù)債表渠道的影響，僅為整體層面的分析，并未對(duì)中間傳導(dǎo)渠道進(jìn)行深入探討。對(duì)此，本文將打開數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的“黑箱”，進(jìn)一步研究數(shù)字金融的發(fā)展是否弱化了“貨幣政策緊縮—企業(yè)資產(chǎn)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(dǎo)機(jī)制。因此，本文選取了債務(wù)融資成本（Cost）、信貸融資占比（Debt）兩個(gè)變量作為中介變量，對(duì)上述傳導(dǎo)渠道進(jìn)行實(shí)證檢驗(yàn)。其中，債務(wù)融資成本（Cost）用“財(cái)務(wù)費(fèi)用/總負(fù)債”來衡量，信貸融資占比用“（短期借款+長期借款）/總資產(chǎn)”來衡量。

正如前文所述，數(shù)字金融發(fā)展的一個(gè)重要特征是弱化了商業(yè)銀行信貸對(duì)抵押品的需求，從而有利于企業(yè)債務(wù)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(bào)了債務(wù)融資成本渠道的檢驗(yàn)結(jié)果。我們發(fā)現(xiàn)第（1）列針對(duì)全樣本的檢驗(yàn)中，Sargan 檢驗(yàn)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(dǎo)致系數(shù)估計(jì)值存在一定的偏誤?？紤]到數(shù)字金融的發(fā)展對(duì)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(jìn)行債務(wù)融資成本渠道的檢驗(yàn)。我們發(fā)現(xiàn)小規(guī)模企業(yè)樣本組的雙重交乘項(xiàng)MP×Coll的回歸系數(shù)顯著為正，三重交乘項(xiàng)MP×Coll×DF1 的回歸系數(shù)顯著為負(fù)，并且AR（2）檢驗(yàn)和Sargan檢驗(yàn)均滿足差分GMM 模型設(shè)定要求，說明模型設(shè)定是合理的，上述實(shí)證結(jié)果說明小規(guī)模企業(yè)組中，數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的債務(wù)融資成本機(jī)制是成立的。表7 第（4）—（6）列繼續(xù)檢驗(yàn)了信貸融資占比機(jī)制，我們發(fā)現(xiàn)第（4）列針對(duì)全樣本的檢驗(yàn)中，雙重交乘項(xiàng)MP×Coll 與三重交乘項(xiàng)MP×Coll×DF1 的估計(jì)系數(shù)均未通過顯著性檢驗(yàn)，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(jìn)行信貸融資占比機(jī)制的分析。經(jīng)過分析發(fā)現(xiàn)，在小規(guī)模企業(yè)樣本中，數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的信貸融資占比機(jī)制是成立的②。

表7：傳導(dǎo)機(jī)制分析

上述實(shí)證結(jié)果意味著數(shù)字金融的發(fā)展降低了商業(yè)銀行在服務(wù)小微企業(yè)過程中的信息不對(duì)稱程度，解決了小微企業(yè)融資的“獲客”和“風(fēng)控”兩大難題，弱化了對(duì)抵押品的依賴，從而導(dǎo)致企業(yè)債務(wù)融資成本對(duì)于貨幣政策變動(dòng)帶來的企業(yè)資產(chǎn)凈值變化的響應(yīng)減弱，企業(yè)信貸融資對(duì)于貨幣政策變動(dòng)帶來的企業(yè)資產(chǎn)凈值的變化的響應(yīng)減弱。由此，數(shù)字金融的發(fā)展弱化了“貨幣政策緊縮—企業(yè)資產(chǎn)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(dǎo)機(jī)制。

七、結(jié)論與啟示

近年來，在國內(nèi)外不利因素的沖擊下，中國經(jīng)濟(jì)下行的壓力逐漸增大，而貨幣政策作為調(diào)控宏觀經(jīng)濟(jì)的重要工具，其傳導(dǎo)機(jī)制是否暢通以及是否有效受到了學(xué)術(shù)界和政策界的廣泛關(guān)注。相較于其他傳導(dǎo)渠道，在2008 年次貸危機(jī)之后，貨幣政策資產(chǎn)負(fù)債表渠道的作用更加突出。正是在此背景下，本文探討了數(shù)字金融的發(fā)展對(duì)貨幣政策資產(chǎn)負(fù)債表渠道的影響及其內(nèi)在機(jī)理。研究結(jié)論主要包括如下三個(gè)方面：首先，從整體來看，數(shù)字金融的發(fā)展能夠弱化貨幣政策資產(chǎn)負(fù)債表渠道；其次，數(shù)字金融的發(fā)展能夠緩解中國傳統(tǒng)金融系統(tǒng)的結(jié)構(gòu)失衡問題，彌補(bǔ)傳統(tǒng)金融體系的不足，促進(jìn)普惠金融的發(fā)展，表現(xiàn)為在非國有企業(yè)樣本以及西部地區(qū)樣本中，數(shù)字金融弱化貨幣政策資產(chǎn)負(fù)債表渠道的效應(yīng)較強(qiáng)；最后，進(jìn)一步的傳導(dǎo)渠道研究表明，在數(shù)字金融發(fā)展影響貨幣政策資產(chǎn)負(fù)債表渠道的過程中，能夠有效驅(qū)動(dòng)企業(yè)融資成本降低、信貸融資占比提升，即數(shù)字金融的發(fā)展弱化了“貨幣政策緊縮—企業(yè)資產(chǎn)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(dǎo)機(jī)制，但該影響在小規(guī)模企業(yè)中較為明顯。

上述研究結(jié)論在實(shí)踐層面具有一定的啟示意義。從總體上來看，就資產(chǎn)負(fù)債表渠道而言，數(shù)字金融的發(fā)展弱化了貨幣政策逆周期調(diào)控的效果，中央銀行應(yīng)積極疏通其他貨幣政策傳導(dǎo)渠道，以提高貨幣政策的有效性。從異質(zhì)性分析結(jié)果來看，數(shù)字金融對(duì)中國貨幣政策資產(chǎn)負(fù)債表渠道的影響在不同性質(zhì)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(diào)控的微觀主體是存在差異的，因此，在貨幣政策實(shí)施的過程中應(yīng)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(dāng)前我國實(shí)施“精準(zhǔn)有力”的貨幣政策是合理的，也給未來的貨幣政策實(shí)施提供了決策依據(jù)。具體來說，需要?jiǎng)?chuàng)新性地應(yīng)用結(jié)構(gòu)性貨幣政策工具，聚焦重點(diǎn)，合理有度、有進(jìn)有退，加強(qiáng)對(duì)普惠小微和重點(diǎn)企業(yè)的扶持，只有這樣，才能真正達(dá)到貨幣政策實(shí)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(nèi)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(shù)估計(jì)值并不顯著，這是引入交乘項(xiàng)的模型非常常見的一個(gè)現(xiàn)象，即引入交乘項(xiàng)之后，主效應(yīng)變得不顯著，但交乘項(xiàng)是顯著的。這時(shí)的分析解讀依然以“在未引入調(diào)節(jié)效應(yīng)形成的交叉項(xiàng)之前主效應(yīng)是顯著的”的結(jié)論為基礎(chǔ)。為了對(duì)比分析，本文進(jìn)一步估計(jì)了未引入交乘項(xiàng)的模型（小規(guī)模企業(yè)樣本），其中債務(wù)融資成本機(jī)制中，貨幣政策的系數(shù)估計(jì)值為0.0034，在10%的水平上顯著為正；信貸融資占比機(jī)制中，貨幣政策的系數(shù)估計(jì)值為-0.0074，在5%的水平上顯著為負(fù)。