数字金融发展对中国货币政策有效性的影响——基于企业资产负债表渠道的分析

刘尧成 战文清

（1.无锡太湖学院，江苏 无锡 214063；2.复旦大学经济学院，上海 200433）

一、引言

近年来，在国际经济复苏乏力以及新冠疫情冲击等多重不利因素的影响下，中国经济呈现增速震荡下行和波动加剧的态势，使得调整货币政策以维持经济稳定的难度加大。中国人民银行发布的《2023年第一季度中国货币政策执行报告》指出，稳健的货币政策要精准有力，总量适度，节奏平稳，搞好跨周期调节。要想达到货币政策实施的既定目标，需要明确货币政策的传导渠道，以及在货币政策传导过程中有可能对政策效果产生影响的因素。

传统上对货币政策传导渠道的分析主要从利率渠道和货币渠道展开，这些渠道侧重于从借款人的利率敏感性角度研究货币政策的效果。随着近年来金融危机的频繁爆发，金融机构的惜贷行为逐步引起了学术界的重视，货币政策的实施如何通过影响贷款人的利率敏感性来影响货币政策的效果，成为货币政策传导渠道领域的关注重点。特别是随着信息经济学的发展，经济学家逐步将信息不对称理论引入借款人和贷款人的借贷合约，从而形成了“金融加速器”理论（Bernanke 和Gertler，1989；Bernanke 等，1999）[1，2]，认为金融市场上信息不对称等摩擦因素会放大货币政策的冲击效果。货币政策的这种传导渠道也被称为信用渠道。

与此同时，近年来数字金融在中国得到了快速发展，根据北京大学发布的数字普惠金融指数，2011年中国各省数字普惠金融的平均指数为40.1171，截至2020 年底，已经增长为340.0566，十年间增长了8.5倍。数字金融作为金融与科技的结合体，一方面，发挥了对于传统金融体系的增量补充作用，拓展了企业的融资来源，完善了金融市场的发展，提升了金融服务实体经济的效率，降低了信贷渠道的有效性，提升了利率渠道的有效性（Mishra 和Montiel，2013）[3]；另一方面，在大数据、人工智能以及区块链等技术的基础之上，数字金融的发展降低了借贷过程中的信息不对称程度，弱化了对抵押品的需求，从而有可能对既有的货币政策传导渠道产生影响，特别是对货币政策的信用渠道产生影响。

因此，本文将重点研究数字金融发展对货币政策有效性的影响。目前来看，已经有一些文献从货币政策的利率渠道和信用渠道的角度探讨了数字金融发展对货币政策效果的影响。与既有研究相比，本文的主要贡献在于：首先，侧重于从企业的资产负债表渠道分析数字金融发展对我国货币政策传导效果的影响。其次，探讨了数字金融发展的“结构调整”“普惠性”功能，并在此基础上进一步分析其具体的传导渠道，证明了数字金融的发展能够弱化中国货币政策的资产负债表渠道。最后，本文的分析有助于从货币政策影响微观企业资产负债表的角度来理解货币政策的传导效果，即将货币政策的着力点放在对微观企业的影响上，能够符合当前中国货币政策为实体经济复苏提供有力、稳固支持的要求。因此，本文的研究既是对数字金融影响货币政策传导效果的既有研究的有益补充，又能够为当前我国货币政策的实施提供相关经验证据，具有一定的理论与现实意义。

二、文献评述与理论分析

（一）文献评述

从理论上来看，货币政策的传导渠道可以分为传统的货币政策渠道和非传统的货币政策渠道两大类，前者主要包括利率渠道和货币渠道，后者主要包括信用渠道。数字金融发展对这两类渠道均会产生一定的影响。

1.数字金融与传统货币政策传导渠道。货币政策的利率渠道主要源自凯恩斯主义经济学的观点，认为货币政策的变化会引起利率的变化，而企业投资对于利率变化是敏感的，因此，货币政策变化可以影响企业的投资，进而影响社会总产出（Mishkin，2001）[4]。而货币渠道主要源自货币主义学派的观点，认为企业投资对利率变化并不敏感，货币政策变化会直接通过影响总需求进而影响企业投资和社会产出水平。目前，有关数字金融对传统货币政策传导渠道影响的研究主要集中于其对利率渠道的影响方面，有研究认为，数字金融发展会强化货币政策的利率渠道，主要体现在直接效应与间接效应两方面。其中，直接效应表现为，数字金融的发展完善了长短期利率相对应的金融市场，进而提高了投资对利率变动的反应；间接效应表现为，数字金融的发展使得长短期利率的传导更加符合利率期限结构理论（战明华等，2020）[5]。除此之外，数字金融的发展能够对传统金融体系产生一定的替代作用，从而增强了商业银行存款规模及市场利率对同业市场利率的敏感性（刘澜飚等，2016）[6]。总之，数字金融的发展完善了利率传导机制的链条，进而强化了货币政策利率渠道的效果。

2.数字金融与货币政策的信用渠道。随着信息经济学的发展，以及最近几十年金融危机的频繁爆发，以金融摩擦为基础的货币政策信用渠道逐渐引起了学者的重视。Bernanke和Blinder（1988）[7]提出了货币政策传导的信贷观点，通过构建CC-LM 模型放松了债券与银行贷款完全替代的假设，从而证明了货币政策能够影响商业银行的贷款供给进而影响总产出。Bernanke 和Gertler（1989）[1]构建了一个新古典实际经济周期理论框架，将借款人的资产负债表（资产净值）以及由信息不对称带来的代理成本联系起来，分析了企业净值变化的“金融加速器”效应，这也是货币政策资产负债表渠道的雏形。随后，Bernanke 和Gertler（1995）[8]进一步分析了货币政策传导的信用渠道（Credit Channel），并认为信用渠道和传统的货币政策传导渠道并不是割裂的，外部融资溢价的内生变化放大了货币政策对利率的影响，即信用渠道放大了传统利率渠道的传导机制。他们认为，货币政策的信用渠道可以分为银行贷款渠道（Bank Loan Channel）和资产负债表渠道（Balance Sheet Channel），而这两个渠道都和企业的外部融资溢价相关。其中，银行贷款渠道指的是：当中央银行收紧货币政策时，商业银行的可贷资金减少，商业银行会选择卖出企业债券从而平抑其准备金，引起企业债券的收益率上升，从而使得企业的外部融资溢价上升，进而导致企业投资和产出下降。资产负债表渠道成立的前提条件是由信息不对称所导致的商业银行信贷对企业抵押品价值的依赖，其核心在于货币政策变化不仅能够影响市场利率，而且能够影响企业的金融地位（Financial Position），进而影响企业的外部融资溢价。按照货币政策资产负债表渠道的思想，紧缩的货币政策通过两条途径直接恶化企业的资产负债表：一方面，对于拥有大量未偿债券和浮动利率债券的企业，紧缩的货币政策直接导致利息支出增加；另一方面，利率的上升通常伴随着资产价格的下降，从而导致企业抵押品价值的缩水。除此之外，紧缩性货币政策能够通过减少下游消费者的消费支出间接地导致企业的净现金流和抵押品价值下降（Bernanke 和Gertler，1995；朱博文等，2013）[8，9]。以上因素的综合作用使得紧缩性货币政策导致企业资产负债表恶化。

既有的研究认为，数字金融发展对信用渠道的影响主要体现在数字金融发展对金融市场摩擦的弱化效应方面，金融摩擦的弱化使得企业的外部融资条件改善，企业的融资来源增加，进而对商业银行信贷造成一定的挤出，商业银行为了增加利润，大力发展理财产品等表外业务，进而导致信用渠道有效性的降低（何剑和魏涛，2022）[10]。但战明华等（2020）[5]的研究结果表明，数字金融发展总的来说提高了中国货币政策的有效性。还有一些文献比较了货币政策的利率渠道和信用渠道的传导效果，大多数学者认为，数字金融的发展使得金融市场逐步完善，金融市场摩擦逐渐弱化，从而降低了信息不对称程度，进而增强了货币政策利率渠道的有效性，降低了信贷渠道的有效性（Mishra等，2014；Aysun等，2013）[11，12]。

虽然现有文献就数字金融对货币政策有效性的利率渠道和信用渠道的影响进行了深入的研究，但关于信用渠道的研究大多基于银行贷款渠道，有关数字金融如何影响企业资产负债表渠道的研究还比较缺乏，因此，本文基于货币政策的企业资产负债表渠道的视角，研究数字金融发展对货币政策有效性的影响。

（二）理论分析与假设提出

1.数字金融对企业资产负债表渠道的弱化效应。随着数字金融的发展，基于用户互联网足迹与实时数据的大科技信贷，取代了传统商业银行通过评估历史财务数据以及抵押品价值进行风控的贷款模式，弱化了由信息不对称所导致的“金融加速器”效应（Shen和Huang，2016）[13]，降低了商业银行信贷对抵押品的依赖，使得一些缺乏抵押品的新兴企业与小微企业能够获得商业银行的服务，参与到金融活动中来。货币政策的企业资产负债表渠道的核心在于信贷与抵押品价值的相关性。一方面，传统商业银行对企业信息的掌握主要依靠人工采集，不仅具有较强的主观性，而且难以对企业信息有较全面的掌握；另一方面，传统商业银行主要依赖相关人员的经验对借款人的风险进行识别和防控，不适应当前业务发展和市场环境变化的需要（李逸飞等，2022）[14]。相比较而言，数字金融的运用能够给商业银行经营管理带来革命性的影响。在数据收集方面，商业银行借助大数据和物联网等先进技术，可通过多渠道获取多维度的数据，全方位掌握借款人的交易数据与互联网足迹，使得商业银行搜集“软信息”更为便捷，有助于商业银行准确掌握用户信息，精准描摹用户画像，降低信息不对称程度（Cenni 等，2015；Goldstein 等，2019）[15，16]。在数据处理方面，基于大数据、区块链以及人工智能等底层技术，商业银行对于企业信息的甄别能力得到显著提升，在贷前能够通过人工智能等工具解决传统评级模型难以处理的非线性问题，提升客户评级的准确度，在贷中能够对借款人的财务状况进行实时监控，对风险变化快速做出反应（Fuster 等，2019；黄益平和邱晗，2021）[17，18]。

上述研究表明，数字金融的发展缓解了信息不对称问题，降低了信贷与抵押品的相关性，改变了货币政策资产负债表渠道所阐述的理论机制，因此，数字金融的发展有可能弱化货币政策的资产负债表渠道。其具体影响机制可以总结为：当货币政策处于宽松时期，房地产等资产价格膨胀，资产价格和信贷投放交替上升，企业信贷获取能力增强，经济增长加速，而随着数字金融的发展，借助于多维度的信息识别，可以降低资产价格泡沫，抑制企业信贷增加；反之，当货币政策处于紧缩时期，房地产等资产的价格下跌，又会造成资产价格和企业信贷获取的交替下降，进而造成实体经济增长的萎缩，此时，数字金融的发展可以减轻商业银行对于房地产等抵押品的需求，抑制企业信贷的下降，从而达到抑制实体经济萎缩的效果（张庆君和张港燕，2021；陈春华等，2021；刘畅和花俊国，2022）[19-21]。

根据上文分析，本文提出如下研究假说：

H1：数字金融的发展能够弱化中国货币政策的资产负债表渠道。

2.数字金融弱化货币政策资产负债表渠道的异质性分析。（1）数字金融的“结构调整”功能。有研究指出，金融在服务实体经济的过程中，面临的最主要的问题就是信息不对称，相较于国有企业，民营企业缺乏政府的担保、规范的财务数据和充足的抵押资产，面临的信息不对称问题更加严重，从而导致信贷资源更加倾向于国有企业，使得中国金融体系存在一定的结构失衡问题（唐松等，2020）[22]。而数字金融基于大科技平台和大数据技术，促进了商业银行信用风险评估的转型升级，通过关注用户的互联网足迹，弱化对抵押品的需求，从而改善了非国有企业的融资问题。由此可见，数字金融的发展能够矫正金融体系的结构失衡问题，从而对货币政策资产负债表渠道起到弱化作用。若上述理论逻辑成立，那么数字金融对货币政策资产负债表渠道的弱化作用应该在非国有企业样本中表现得更加明显，由此，本文提出如下研究假说：

H2：数字金融的发展能够缓解中国金融体系在服务实体经济过程中的结构性失衡问题，从而导致在非国有企业样本中数字金融弱化货币政策资产负债表渠道的作用更强。

（2）数字金融的“普惠性”功能。金融发展的最大难题就是信息不对称问题，由于规模小以及信用数据缺乏的用户服务成本较高，普惠金融的发展受到一定的限制。正如前文所述，数字金融的发展降低了借贷双方的信息不对称程度，能够弱化对抵押品的需求，解决了传统金融体系的痛点和难点问题，促进了普惠金融的发展。中国西部地区经济发展水平较为落后，存在着大量的“长尾客户”，金融需求没有得到满足，而数字金融弱化货币政策资产负债表渠道的关键在于，其放松了商业银行信贷对抵押品的需求，将大部分“长尾客户”纳入金融服务范围之内，拓展了金融服务的广度和深度，从而促进了普惠金融的发展。相较于东部和中部地区，西部地区的“长尾客户”较多，因此，若上述理论逻辑成立，那么在西部地区样本中数字金融弱化货币政策资产负债表渠道的效应会更强。由此，本文提出如下研究假说：

H3：数字金融的发展能够提升金融服务的普惠性，拓展金融服务的广度和深度，从而导致在西部地区样本中数字金融弱化货币政策资产负债表渠道的效应更强。

三、研究设计

（一）模型设定

为了识别中国货币政策的资产负债表渠道并检验其是否存在，本文参考朱新蓉和李虹含（2013）[23]以及杜勇和胡海鸥（2016）[24]的研究，设定如下模型：

其中，i和t分别代表企业和年份，Inv代表被解释变量企业投资，主要解释变量包括货币政策（MP）、抵押品价值（Coll）以及二者的交乘项MP×Coll，XControl表示控制变量的集合，λt表示年度虚拟变量，εit表示随机扰动项。由于企业投资具有较强的连续性，为了缓解内生性问题以及模型设定偏误，本文在模型（1）中引入了被解释变量的滞后一期，构建动态面板模型，采用两步差分GMM 方法对模型（1）进行实证估计。

理论上，若中国存在货币政策的资产负债表渠道，则交乘项MP×Coll的系数符号应与货币政策的系数符号保持一致，即若采用利率指标衡量货币政策，则MP 与MP×Coll 的估计系数均应显著为负。其原因在于，不同企业的抵押品价值存在较大差异，货币政策变动时具有不同抵押品价值的企业受到的影响也不同，对于抵押品价值较高的企业，货币政策变动带来的资产净值的变化可能大于抵押品价值较低的企业，从而导致货币政策效果随着抵押品价值的变化而存在差异（杜勇和胡海鸥，2016）[24]，这也是货币政策资产负债表渠道的核心内容。

接下来，为了检验数字金融的发展对上述货币政策资产负债表渠道的影响，本文参考战明华等（2020）[5]以及何剑和魏涛（2022）[10]的研究，继续设定如下调节效应模型：

其中，i代表企业，t代表年份，j代表省份或者地级市，DF代表企业所在省份或地级市的数字金融发展水平，其余变量定义与上文相同。本文同样采用两步差分GMM 方法对模型（2）进行实证估计。根据前文的理论分析，若数字金融的发展降低了对抵押品的需求，弱化了“金融加速器”机制，那么随着数字金融发展水平的提高，货币政策的资产负债表渠道将被弱化，即企业投资对于货币政策变动带来的企业资产净值变化的响应将减弱。反映在实证模型（2）中，则意味着交乘项MP×Coll×DF 的估计系数将与MP×Coll相反。

（二）变量定义与说明

1.被解释变量。被解释变量企业投资（Inv）是本文重点关注的变量。本文参考战明华等（2020）[5]的研究，采用“（购建固定资产、无形资产及其他长期资产支付的现金-处置固定资产、无形资产和其他长期资产收回的现金净额）/总资产”来衡量企业投资水平。

2.主要解释变量。

（1）货币政策（MP）。在基准检验部分，本文参考喻微锋和郑建峡（2022）[25]的研究，采用价格型货币政策——14 天中央银行逆回购利率（MP）作为货币政策代理变量。在稳健性检验部分，本文参考周之瀚（2022）[26]的研究，采用数量型货币政策——广义货币供应量M2 除以CPI 消除通货膨胀影响之后再取对数，作为货币政策代理变量。

（2）企业抵押品资产价值（Coll）。货币政策资产负债表渠道的核心在于货币政策变化导致的资产价格变动影响了企业抵押品的价值，进而影响商业银行信贷，因此，企业抵押品资产价值是本文重点关注的变量。本文参考刘行等（2016）[27]的研究，将企业可抵押资产定义为企业固定资产项目中的房屋建筑物，随后借鉴曾海舰（2012）[28]的研究，对企业抵押品资产价值进行计算。首先，参考现有文献的做法，假设折旧年限为30 年，预计净残值为0，采用直线折旧法，根据房屋建筑物的折旧年限、累计折旧以及原值计算出房屋建筑物的已使用年限，如式（3）所示。其次，根据计算出的房屋建筑物已使用年限，倒推出房屋建筑物的购置年份，并根据购置年份的房地产价格数据计算出房屋建筑物的平均面积。最后，根据房屋建筑物的平均面积与相应年份的房地产价格数据，计算出房屋建筑物的市场价值。随后，本文进一步将房屋建筑物的市场价值除以固定资产净额，最终得到企业抵押品资产价值变量（Coll）。在计算房屋建筑物市场价值时，对于1999 年以后的房地产价格，本文选用的是省级商业营业用房价格数据，对于1999年之前的房地产价格，采用的是全国层面的商业营业用房价格数据。

（3）数字金融变量（DF）。目前，学术界大多采用北京大学数字普惠金融指数衡量数字金融发展水平，该指数包括省级、地级市以及县域层面的数据，为了研究数字金融的发展是否弱化了货币政策资产负债表渠道，本文分别采用了省级以及地级市层面的数字普惠金融总指数与企业数据相匹配进行实证检验。除此之外，现有文献关于数字普惠金融指数的处理大多采用将原始数据除以100 以及取对数的处理方式，因此，本文分别将省级以及地级市层面数字普惠金融指数除以100 或取对数，由此形成了四个数字金融变量，分别记为DF1（省级数字普惠金融指数/100）、DF2（Ln（省级数字普惠金融指数））、DF3（地级市数字普惠金融指数/100）、DF4（Ln（地级市数字普惠金融指数）），其中，地级市层面的数据用于稳健性检验。图1汇报了2011—2020年各年度不同维度、不同处理方法的数字金融发展情况，可以发现，不同维度、不同处理方法下的数字金融指数在2011—2020年间均呈上升趋势，这意味着数字金融在中国实现了较快的增长，并且相同处理方法下数字金融指数的数量级以及变化趋势比较一致。

图1：各年度数字金融发展情况

3.控制变量。考虑到其他可能影响企业投资的变量，本文参考战明华等（2020）[5]、何剑和魏涛（2022）[10]，在实证模型中增加了如下控制变量：（1）企业规模（Size），采用企业资产总额的自然对数来衡量；（2）企业年龄（Age），采用企业成立年限的自然对数来衡量；（3）总资产净利润率（Roa），采用净利润/总资产来衡量；（4）账面市值比（Growth），采用总资产/市值来衡量；（5）流动比率（Liq），采用流动资产/流动负债来衡量；（6）董事长与总经理兼任情况（DZ），若董事长与总经理兼任，取值为1，否则取值为0。

（三）数据来源与处理

本文所采用的数据为2011—2020年年度频率面板数据，样本截面为沪深两市部分A股上市企业。为了保证实证结果的有效性，本文对企业层面的数据作了如下处理：剔除金融类、ST和*ST以及数据连续年份少于3 年的企业；对连续变量首尾进行1%的缩尾处理。经过上述处理，最终得到了23590 个非平衡面板样本观测值。其中，数字金融指数来源于北京大学发布的数字普惠金融指数，企业层面的数据以及宏观经济指标中的广义货币供应量M2、14 天中央银行逆回购利率来源于国泰安数据库，其余宏观经济指标来源于国家统计局网站。

表1 汇报了描述性统计的结果。企业投资（Inv）的均值为0.0581，最小值为-0.0384，最大值为0.2998，这意味着企业投资水平存在较大的个体差异。不同维度数字金融指数的同一种处理方式的描述性统计结果比较接近，结合图1 可以看出近些年来中国数字金融实现了较快的发展。

表1：描述性统计

四、数字金融弱化货币政策资产负债表渠道分析

（一）货币政策资产负债表渠道的存在性检验

根据前文的研究思路，本文先采用两步差分GMM 方法对模型（1）进行估计，表2 第（1）列汇报了估计结果，我们发现AR（2）检验以及Sargan检验的P 值均不显著，说明残差不存在二阶序列相关，并且工具变量选择合理，满足两步差分GMM 估计方法的要求。为了保证两步差分GMM 估计结果的可靠性，本文进而采用了动态FE方法以及动态POLS方法对模型（1）进行估计，若两步差分GMM 中被解释变量滞后一期的估计系数介于动态FE 和动态OLS 之间，则说明两步差分GMM 的估计结果比较可靠。表2的结果表明，L.Inv在两步差分GMM方法、动态FE方法及动态POLS 方法下的估计系数分别为0.2900、0.2268、0.5479，均在1%的水平上显著为正，两步差分GMM 中L.Inv 的估计系数介于动态FE 和动态OLS之间，意味着两步差分GMM 的估计结果具备较高的可信度。

表2：货币政策资产负债表渠道的存在性检验

观察表2 中的回归结果，第（1）列和第（3）列显示货币政策的回归系数显著为负，第（2）列中货币政策的回归系数为正但并不显著，说明紧缩的货币政策抑制了企业的投资。重点观察货币政策与企业抵押品价值的交乘项MP×Coll的估计系数，可以发现该系数为负（-0.0086），且在5%的水平上显著，说明抵押品价值对货币政策的效果产生了显著的调节效应，具体表现为：紧缩的货币政策使得抵押品价值较高的企业的资产价值出现了较大的变化，进而通过外部融资溢价对其投资水平产生了较大的影响，从而验证了中国货币政策资产负债表渠道的存在性。

（二）数字金融弱化货币政策资产负债表渠道检验

前文的实证检验识别出了中国货币政策资产负债表渠道并验证了其存在性，本小节在此基础之上，继续引入数字金融变量，以验证数字金融发展对中国货币政策资产负债表渠道的影响。表3 第（1）列汇报了以“省级数字普惠金融指数/100”（DF1）衡量数字金融发展水平时的估计结果，第（2）列汇报了以“省级数字普惠金融指数取对数”（DF2）衡量数字金融发展水平时的实证结果。可以发现，货币政策与企业抵押品价值的交乘项MP×Coll的估计系数都显著为负，这与模型（1）的估计结果一致。再重点观察三重交乘项的估计系数，可以发现都显著为正，由于MP×Coll×DF 与MP×Coll 的回归系数符号相反，说明数字金融的发展能够弱化模型（1）中货币政策的资产负债表渠道，从而验证了研究假说1。

表3：数字金融弱化货币政策资产负债表渠道检验

（三）稳健性检验

1.内生性问题。前文采用了数字普惠金融指数来衡量企业所在省份的数字金融发展水平，由于企业投资难以影响数字金融的发展，因此，基本不存在反向因果所导致的内生性问题，但仍然可能存在由变量衡量偏误以及遗漏变量所导致的内生性问题。鉴于此，本文参考钟凯等（2022）[29]的研究思路，采用相同年度该省份所有接壤省份数字普惠金融发展水平的均值作为工具变量，记为IV。由于信贷市场存在地域分割性，邻近地区数字金融的发展难以通过信贷影响本地企业的投资，因此，该工具变量满足外生性要求；相邻省份的数字金融发展水平较为相近，使用IV 作为工具变量满足相关性要求。表4 第（1）列汇报了替换工具变量的估计结果，我们发现实证结果与前文相比，并未发生显著性改变。

表4：稳健性检验1

2.改变变量衡量方法。本文采用“（购建固定资产、无形资产及其他长期资产支付的现金+当期投资所支付的现金+当期取得子公司及其他营业单位支付的现金）/总资产”重新衡量企业投资水平，记为Inv'；采用“广义货币供应量M2除以CPI消除通货膨胀之后再取对数”重新衡量货币政策，记为MP'；采用“（固定资产+在建工程+存货净额）/总资产”重新衡量企业抵押品价值，记为Coll'。由于此处采用了数量型货币政策指标，因此，预计双重交乘项MP'×Coll'以及三重交乘项MP'×Coll'×DF1 的估计系数应与前文相反。表4第（2）列结果显示，双重交乘项MP'×Coll'的估计系数为2.3291，在5%的水平上显著为正，三重交乘项MP' × Coll' × DF1 的估计系数为-0.1044，在1%的水平上显著为负，符合理论预期，说明前文的结论具备一定的稳健性。

3.删除2020 年样本。2019 年底新冠疫情暴发，对企业的经营造成了巨大的冲击，为了排除该事件对企业投资行为带来的影响，本文删除了2020 年的数据，重新对模型进行估计。表4 第（3）列汇报了相应的估计结果，我们发现双重交乘项MP×Coll的估计系数在1%的水平上显著为负，三重交乘项MP×Coll×DF1 的估计系数在1%的水平上显著为正，表明剔除了2020 年的样本之后，数字金融发展仍然能够显著弱化中国货币政策的资产负债表渠道。

4.采用系统GMM方法。差分GMM与系统GMM方法各有优缺点，前文采用差分GMM 方法对实证模型进行了估计，为了验证前文的实证结论不因实证方法的选择而发生改变，本文采用系统GMM 方法进行稳健性检验。表4第（4）列汇报了系统GMM方法的估计结果，实证结果依然支持数字金融的发展能够弱化中国货币政策资产负债表渠道的结论。

5.数字普惠金融子指数的影响。前文采用北京大学数字普惠金融总指数来衡量数字金融发展水平，该指数包括覆盖广度、使用深度以及数字化程度三个子指数，本文将上述三个省级层面的子指数除以100，分别记为DF1G、DF1S、DF1D，仍然采用差分GMM模型进行实证估计。表5 第（1）—（3）列汇报了估计结果，我们发现三个子指数的回归结果与前文一致，说明数字金融三个维度的发展均不同程度地弱化了中国货币政策的资产负债表渠道，进一步表明研究假设1是成立且稳健的。

表5：稳健性检验2

6.采用地级市层面的数字普惠金融指数。为了验证前文结果的稳健性，本文采用地级市数字普惠金融指数作为数字金融发展水平的代理变量，分别将原指数除以100（DF3）以及对数化（DF4），进行稳健性检验，相应结果汇报于表5 第（4）、（5）列，结果表明数字金融弱化我国货币政策资产负债表渠道的结论并未发生改变。

五、数字金融弱化货币政策资产负债表渠道的异质性分析

（一）数字金融的“结构调整”功能

中国金融体系在服务实体经济的过程中存在着结构性失衡的问题，具体表现为非国有企业面临较为严重的融资约束，导致金融服务实体经济效率的低下，进而影响了货币政策的实施效果。为了深入分析数字金融发展的“结构调整”作用，本文进一步根据企业性质将样本划分为国有企业和非国有企业，分析数字金融发展对中国货币政策资产负债表渠道的影响。

表6 第（1）列和第（2）列汇报了区分企业性质的异质性回归结果。首先，从回归系数符号来看，两组样本双重交乘项MP×Coll的回归系数均为负数，三重交乘项MP×Coll×DF1 的回归系数均为正数，说明两组样本中数字金融的发展均弱化了中国货币政策的资产负债表渠道；其次，从系数大小来看，非国有企业样本中数字金融对中国货币政策资产负债表渠道的弱化作用更强；最后，从统计显著性看，非国有企业样本的显著性强于国有企业样本。综上所述，非国有企业样本中数字金融发展弱化中国货币政策资产负债表渠道的作用更强。

表6：数字金融弱化货币政策资产负债表渠道：结构调整与普惠性

但值得注意的是，在采用差分GMM 方法对非国有企业样本进行实证回归时，AR（2）检验的P 值为0.0031，拒绝了不存在二阶序列相关的原假设，这说明非国有企业样本差分GMM 的模型设置存在一定的问题，从而可能导致系数估计存在一定的偏误。但对比全样本的估计结果可以发现，三重交乘项MP×Coll×DF1 的估计系数为0.0071，在1%的水平上显著，而在国有企业样本差分GMM 模型的Sargan 检验以及AR（2）检验满足模型要求的前提下，三重交乘项MP×Coll×DF1的估计系数为0.0036，在10%的水平上显著，无论系数大小还是显著性均弱于全样本，因此，本文推断非国有企业样本三重交乘项的系数大小以及显著性均应强于国有企业，前文的分析结论仍然成立。除此之外，为了从统计意义上比较两组间系数的差异，本文采用费舍尔组合检验（Fisher's Permutation test）分析组间系数是否存在显著差异，抽样次数设置为1000，得到组间系数差异的P 值为0.000，在1%的水平上拒绝了组间系数不存在差异的原假设。由此，假说2的内容得到验证。

（二）数字金融的“普惠性”功能

虽然本文证明了数字金融的发展能够弱化中国货币政策的资产负债表渠道，但值得深入探讨的是，数字金融的发展能否弥补传统金融体系的不足，促进普惠金融的发展，从而影响货币政策资产负债表渠道的有效性。为了深入理解数字金融发展的普惠效果，本文进一步区分地区异质性，根据企业注册地所在省份将企业划分为东部、中部和西部地区①，分析数字金融发展对中国货币政策资产负债表渠道的影响。

表6 第（3）—（5）列汇报了区分地域特征的异质性回归结果。首先，从回归系数符号来看，三组样本双重交乘项MP×Coll的回归系数均为负数，三重交乘项MP×Coll×DF1 的回归系数均为正数，说明三组样本中数字金融的发展均弱化了货币政策的资产负债表渠道；其次，从系数大小来看，西部地区样本中数字金融对货币政策资产负债表渠道的弱化作用更强，东部地区次之，最后是中部地区，但东部地区和中部地区的回归系数较为接近；最后，从统计显著性看，三组样本三重交乘项的回归系数均至少在5%的水平上显著。随后，本文采用费舍尔组合检验对东部、中部以及西部地区样本的组间系数差异两两进行检验，P值均为0.000，说明三组样本之间的系数估计值存在显著差异。综上所述，西部地区样本中数字金融发展弱化中国货币政策资产负债表渠道的作用更强。因此，假说3得到验证。

六、数字金融弱化货币政策资产负债表渠道的传导机制分析

前文的研究表明，数字金融的发展能够弱化中国货币政策资产负债表渠道，并且数字金融发展具备“结构调整”以及“普惠性”的功能，具体表现为在非国有企业以及西部地区样本中数字金融弱化货币政策资产负债表渠道的作用更强。货币政策资产负债表渠道的内容主要来自Bernanke 和Gertler（1989；1995）[1，8]的思想，他们认为企业等私人部门的资产负债表会在货币政策的传导过程中起到很大的作用，具体机制为紧缩性的货币政策使得利率上升，私人部门资产价值会下降，从而使得杠杆率提高，引起外部融资溢价上升，进而导致融资成本增加，投资和产出下降。前文研究了数字金融对货币政策资产负债表渠道的影响，仅为整体层面的分析，并未对中间传导渠道进行深入探讨。对此，本文将打开数字金融弱化货币政策资产负债表渠道的“黑箱”，进一步研究数字金融的发展是否弱化了“货币政策紧缩—企业资产缩水（杠杆率上升）—融资成本上升、信贷融资占比下降—投资下降”这一传导机制。因此，本文选取了债务融资成本（Cost）、信贷融资占比（Debt）两个变量作为中介变量，对上述传导渠道进行实证检验。其中，债务融资成本（Cost）用“财务费用/总负债”来衡量，信贷融资占比用“（短期借款+长期借款）/总资产”来衡量。

正如前文所述，数字金融发展的一个重要特征是弱化了商业银行信贷对抵押品的需求，从而有利于企业债务融资成本的降低和信贷融资占比的提升。表7第（1）—（3）列汇报了债务融资成本渠道的检验结果。我们发现第（1）列针对全样本的检验中，Sargan 检验的P 值为0.0002，在1%的水平上显著，意味着工具变量的选择存在一定的问题，从而导致系数估计值存在一定的偏误。考虑到数字金融的发展对额度较小、期限较短的贷款具有较高的有效性（黄益平和王勋，2022）[30]，而通常企业的规模决定了企业贷款的额度和期限，因此，本文将全样本划分为大规模与小规模两组，分别进行债务融资成本渠道的检验。我们发现小规模企业样本组的双重交乘项MP×Coll的回归系数显著为正，三重交乘项MP×Coll×DF1 的回归系数显著为负，并且AR（2）检验和Sargan检验均满足差分GMM 模型设定要求，说明模型设定是合理的，上述实证结果说明小规模企业组中，数字金融弱化货币政策资产负债表渠道的债务融资成本机制是成立的。表7 第（4）—（6）列继续检验了信贷融资占比机制，我们发现第（4）列针对全样本的检验中，双重交乘项MP×Coll 与三重交乘项MP×Coll×DF1 的估计系数均未通过显著性检验，同理，本文将全样本划分为大规模与小规模两组，分别进行信贷融资占比机制的分析。经过分析发现，在小规模企业样本中，数字金融弱化货币政策资产负债表渠道的信贷融资占比机制是成立的②。

表7：传导机制分析

上述实证结果意味着数字金融的发展降低了商业银行在服务小微企业过程中的信息不对称程度，解决了小微企业融资的“获客”和“风控”两大难题，弱化了对抵押品的依赖，从而导致企业债务融资成本对于货币政策变动带来的企业资产净值变化的响应减弱，企业信贷融资对于货币政策变动带来的企业资产净值的变化的响应减弱。由此，数字金融的发展弱化了“货币政策紧缩—企业资产缩水（杠杆率上升）—融资成本上升、信贷融资占比下降—投资下降”这一传导机制。

七、结论与启示

近年来，在国内外不利因素的冲击下，中国经济下行的压力逐渐增大，而货币政策作为调控宏观经济的重要工具，其传导机制是否畅通以及是否有效受到了学术界和政策界的广泛关注。相较于其他传导渠道，在2008 年次贷危机之后，货币政策资产负债表渠道的作用更加突出。正是在此背景下，本文探讨了数字金融的发展对货币政策资产负债表渠道的影响及其内在机理。研究结论主要包括如下三个方面：首先，从整体来看，数字金融的发展能够弱化货币政策资产负债表渠道；其次，数字金融的发展能够缓解中国传统金融系统的结构失衡问题，弥补传统金融体系的不足，促进普惠金融的发展，表现为在非国有企业样本以及西部地区样本中，数字金融弱化货币政策资产负债表渠道的效应较强；最后，进一步的传导渠道研究表明，在数字金融发展影响货币政策资产负债表渠道的过程中，能够有效驱动企业融资成本降低、信贷融资占比提升，即数字金融的发展弱化了“货币政策紧缩—企业资产缩水（杠杆率上升）—融资成本上升、信贷融资占比下降—投资下降”这一传导机制，但该影响在小规模企业中较为明显。

上述研究结论在实践层面具有一定的启示意义。从总体上来看，就资产负债表渠道而言，数字金融的发展弱化了货币政策逆周期调控的效果，中央银行应积极疏通其他货币政策传导渠道，以提高货币政策的有效性。从异质性分析结果来看，数字金融对中国货币政策资产负债表渠道的影响在不同性质以及不同地区企业之间存在差异性，这说明中国货币政策调控的微观主体是存在差异的，因此，在货币政策实施的过程中应充分考虑到微观主体的特征，从而提高货币政策的有效性。这也说明当前我国实施“精准有力”的货币政策是合理的，也给未来的货币政策实施提供了决策依据。具体来说，需要创新性地应用结构性货币政策工具，聚焦重点，合理有度、有进有退，加强对普惠小微和重点企业的扶持，只有这样，才能真正达到货币政策实施的效果。

注：

①东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南；中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南和广西；西部地区包括四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆和重庆。

②值得注意的是，表7 第（3）列和第（6）列中货币政策的系数估计值并不显著，这是引入交乘项的模型非常常见的一个现象，即引入交乘项之后，主效应变得不显著，但交乘项是显著的。这时的分析解读依然以“在未引入调节效应形成的交叉项之前主效应是显著的”的结论为基础。为了对比分析，本文进一步估计了未引入交乘项的模型（小规模企业样本），其中债务融资成本机制中，货币政策的系数估计值为0.0034，在10%的水平上显著为正；信贷融资占比机制中，货币政策的系数估计值为-0.0074，在5%的水平上显著为负。