宋清华 张继强 杨洋｜ 货币政策冲击与企业投资: 数字金融的调节效应

一、引言

2024年政府工作报告指出“稳健的货币政策要灵活适度、精准有效”，同时强调“畅通货币政策传导机制，避免资金沉淀空转”。货币政策是宏观调控最主要的政策手段之一，其传导渠道主要依赖金融市场。企业投资作为货币政策传导链条的重要一环，无论是其前置的融资、本身的投资还是后续的收益，均会因金融市场结构或者模式改变而受到影响，进而影响货币政策目标的实现。近年来，中国数字金融发展迅速。2023年5月，中国数字金融市场规模高达41.7万亿元，位居全球第一；中国数字金融用户规模达到9.6亿人，占总人口的68.6％。2023年，中央金融工作会议将数字金融作为推进金融高质量发展的五篇大文章之一，数字金融的迅速发展在很大程度上改变了金融市场的运行模式。数字金融的发展是否会对中国货币政策冲击产生影响?尤其是，数字金融如何调节货币政策冲击对企业投资的影响?该调节作用是通过哪些传导机制实现的?研究上述问题可为优化货币政策操作提供理论依据和政策启示。

随着数字金融的蓬勃发展，关于其与货币政策之间关系的研究层出不穷。大多数学者认为，数字金融发展完善了金融体系，从而增强了货币政策传导效果。战明华等采用SVAR模型实证检验发现，数字金融发展显著提高了货币政策对经济产出的影响；卢垚和战明华通过理论和实证研究表明，数字金融对货币政策利率传导渠道具有显著的积极作用。此外，其他学者从金融科技、数字货币、互联网金融等不同视角进行相关研究并得出类似结论。也有学者认为，数字金融的兴起会削弱商品市场分割性，极大降低价格信息的获取成本和调价成本，导致价格黏性减弱。价格黏性越弱，实际利率对货币政策变动越不敏感，最终削弱货币政策效果。

尽管现有文献已从不同角度探讨了数字金融对货币政策效果的影响，但是鲜有研究针对数字金融如何调节货币政策冲击对企业投资的影响这一关键问题进行深入分析。从目前来看，仅何剑和魏涛、冯永琦等对货币政策、数字金融和企业投资三者之间的关系进行了分析。前者基于中国Ａ股上市公司投资行为的微观面板数据，发现数字金融弱化了货币政策对企业投资的影响，后者发现数字金融强化了不同货币政策对企业金融资产投资的影响。

目前，有关数字金融对货币政策影响的实证研究大多直接采用利率、M2等货币政策的原始变量构建回归模型，忽略了货币政策的内生性问题。例如，何剑和魏涛将M2增速较小的年份定义为货币政策紧缩时期，将M2增速较大的年份定义为货币政策宽松时期；冯永琦等使用上海银行间同业拆借利率代指货币政策。两种方法本身既不能解决货币政策指标中的内生性问题，又难以适应中国货币政策工具多元的现状。

货币政策冲击是货币政策剔除系统性成分后所剩余的部分，是未预期的货币政策变化。研究货币政策效果的前提是识别出外生的货币政策冲击，从而避免回归模型的内生性问题。目前，国际上一个主流的方法是基于央行货币政策公告前后货币市场短期利率的高频变化构建货币政策冲击的工具变量，在此基础上，利用IV SVAR模型分离出外生的货币政策冲击。在国内的研究中，陈贞竹等、梅冬州和张咪、王洋等使用IV SVAR模型研究中国的现实经济问题，得到了较好的货币政策冲击识别结果，由此说明这一模型在中国货币政策研究中的适用性和科学性。在传导渠道方面，数字金融对货币政策传导渠道的影响是分析的重点。现有研究主要聚焦利率渠道和信贷渠道，而对货币政策其他传导渠道的研究相对较少。

基于对上述文献的梳理，本文针对数字金融如何调节货币政策冲击对企业投资的影响这一问题进行分析。具体而言，本文首先以货币政策公告前后利率衍生品价格的高频变动作为外生工具变量，以IV SVAR模型识别货币政策冲击；而后以所识别的货币政策冲击作为解释变量，以北京大学数字普惠金融指数作为调节变量，利用Ａ股非金融业上市公司2011—2022年的数据研究数字金融如何调节货币政策冲击对企业投资的影响。实证结果表明，数字金融强化了货币政策冲击对企业投资的影响。异质性分析发现，该强化作用对非国有企业、规模较小企业、高科技企业和宽松性货币政策较为明显。进一步的机制分析表明，数字金融主要通过缓解企业融资约束、提升企业价值和提高企业风险承担水平三种机制强化货币政策冲击对企业投资的影响。

本文的边际贡献在于:首先，借助货币政策公告前后利率衍生品价格的高频变动和IV SVAR模型识别货币政策冲击，较好地解决了大多数货币政策实证文章直接使用利率、M2等货币政策原始变量进行回归所产生的内生性问题；其次，拓展了数字金融调节货币政策冲击对企业投资影响的机制分析，实证检验了企业融资约束、企业价值和企业风险承担水平这三个影响机制，为数字金融影响货币政策冲击效果的研究提供了新的视角；最后，从货币政策立场、微观企业和行业层面分析了数字金融发展对货币政策冲击效果的异质性，拓宽了货币政策冲击研究的边界。

二、理论分析与假设提出

已有研究表明，金融市场发展会提升货币政策效果。在发展中国家，因金融市场发展不完善而导致的较高金融摩擦，严重阻碍货币政策的传导，最终影响实体经济对货币政策冲击的响应。随着金融市场的完善，金融摩擦程度降低，货币政策传导渠道被疏通，货币政策对实体经济的调控作用趋于显著。而数字金融发展对传统金融结构造成冲击，促使传统金融变革，进而导致金融市场效率提升，促进金融市场的发展和完善。从金融市场角度来看，数字金融会强化货币政策冲击对企业投资的影响。

具体而言，数字金融发展降低了金融市场中的摩擦程度，降低信息不对称，进而削弱金融加速器效应，完善了短期利率向长期利率的传导，强化了货币政策利率渠道。对于银行信贷渠道来说，数字金融在驱动传统金融重塑的过程中将会倒逼金融部门转型升级，促进其信贷业务的发展。对银行来说，数字金融可凭借其大数据等信息技术为银行业务(如营销、运营、风控等)开展进行性能优化，提高银行成本控制、风险管理能力，为贷款等业务提供支持。邱晗等表明金融科技可间接导致商业银行风险承担水平的提升，强化货币政策效果。上述研究的结论都表明数字金融会对商业银行发展产生积极作用，间接提高其信贷能力。商业银行贷款利率的下降和信贷增长会进一步扩大企业投资规模。因此，结合上述理论分析，本文提出第一个假设:

假设１:数字金融强化货币政策冲击对企业投资的影响。

多数学者认为数字金融具有缓解融资约束的作用。数字金融缓解融资约束的第一种机制是拓宽金融可得性，唐松等称其为“增量补充”。数字金融在金融科技的支持下使得长尾群体的资金得以聚拢，为融资方拓展融资渠道进而产生规模效应，扩大金融的服务范围。第二种机制是降低融资成本。数字金融可以优化金融市场的信息环境，缓解投资和融资双方的信息不对称，降低投资和融资主体之间的金融摩擦，最终导致融资成本降低。第三种机制是矫正传统金融支持错配问题，优化金融资源配置效率。企业融资约束得到缓解后，货币政策冲击对企业投资的影响必然增强。因此，本文梳理出第二个假设:

假设２:数字金融通过缓解融资约束强化货币政策冲击对企业投资的影响。

缓解融资约束是数字金融对企业外部环境的作用，在企业内部，数字金融的作用也不可忽略。企业内部特征大部分反映在资产负债表上，有研究表明，中国货币政策的资产负债表渠道是有效的。资产负债表渠道反映企业价值在货币政策传导中的作用:企业价值上升通过降低信贷风险、提高抵押品价值、增强信用评级、增强市场吸引力等多个方面，使企业更容易获得银行等金融机构的贷款，最终作用于企业投资。而数字金融发展可以从提高企业信息披露质量、促进企业创新、优化运营效率等多个方面提升企业价值。当银根放松时，价值更高的企业会得到银行等机构的“偏爱”，该企业更容易得到银行贷款，进而增加投资。因此，企业投资对货币政策冲击的反应更加敏感。基于此，本文提出假设３:

假设３:数字金融通过提升企业价值强化货币政策冲击对企业投资的影响。

在经济活动中，经济主体的信心至关重要。如果企业主体对将来的经营足够有信心，则其投资意愿必然更加强烈。央行引导预期是货币政策的重要机制。当经济参与者预期央行在未来不久将会放松银根时，其对未来经济前景预期良好，将会采取一系列积极的经营措施，哪怕是宽松性货币政策尚未实施。同理，数字金融无论是缓解融资约束还是提升企业价值，抑或是从科技层面上给予企业经济支持，都会导致企业主体对未来的经营更有信心，将本来因风险较大而投资意愿较低的项目纳入投资计划，提高其风险承担水平。风险承担水平的提高必然会导致货币政策对企业投资的影响更大。基于此，本文提出假设４:

假设４:数字金融通过提高企业风险承担水平强化货币政策冲击对企业投资的影响。

三、研究设计

参考张成思等、Chen等、郭长林等的实证方法，本文构建了一个二阶段回归框架，实证分析数字金融如何调节货币政策冲击对企业投资的影响。该框架包含IV SVAR模型和固定效应面板模型。前者用以提取货币政策冲击，并解决货币政策的内生性问题；后者用以实证检验数字金融如何调节货币政策冲击对企业投资的影响。

(一)中国货币政策冲击的识别

目前，中国货币政策冲击识别面临两个难点。一是多目标制导致的货币政策工具多元化。货币政策工具多元化会导致中间目标难以确定，并直接导致货币政策立场难以准确识别。另外，伴随利率市场化改革的推进与不断深化，中国货币政策正处在从数量型货币政策向价格型货币政策转型的过程中，而转型时期的货币政策工具是多元且时变的。二是内生性问题。一方面，央行会根据当前的经济形势进行逆周期调节；另一方面，央行的政策操作会深刻地影响金融市场和宏观经济的运行。

本文以高频识别法解决中国货币政策冲击识别的第一个难点———货币政策工具多元化。高频识别法的思路是:在央行调控货币政策的较短窗口内，对经济基本面施加影响的只有货币政策冲击而非其他。因此，使用对货币政策调控较为敏感的金融产品的价格变化，即可识别并捕捉到货币政策冲击。

在解决货币政策工具多元化的问题时，首先，要选择能够代表货币政策立场调整的货币政策工具:第一，法定存款准备金率是执行数量型货币政策最主要的政策工具，可直接改变货币乘数、调控市场上的货币流通量；第二，存贷款基准利率是早期进行价格型货币政策调控的主要工具；第三，货币政策执行报告是中国人民银行进行预期引导的重要工具，其内蕴含央行对经济基本面的重要预期。上述三大政策工具在中国货币政策高频识别的文献中是标准的货币政策框架。另外，考虑到中期借贷便利(MLF近年来的有规律实施，其因为既可提供基础货币也可影响金融机构的资产负债表和市场预期而蕴含丰富的政策倾向。因此，本文将MLF纳入货币政策框架。其中，在样本期间内，法定存款准备金率调整44次，存贷款基准利率调整18次，LPR调整5次，货币政策执行报告发布58次，中期借贷便利操作75次。

其次，要确定对货币政策实施较为敏感的高频金融资产价格。与美国不同，中国比较成熟的利率衍生品是利率互换，且频率为日度。张成思等认为金融市场价格是日度数据还是日间数据并不影响论文结论，因此本文选择成交量最高的利率互换品种1年期FR007－IRS作为构建外生工具变量的基准指标。另外，考虑到货币政策公告在日中发布的时间差异较大，现作如下计算:若中国人民银行上述相关货币政策框架的公告在节假日发布，则采用节假日结束后第一天的利率收盘价减去节假日开始前第一天的利率收盘价；若该公告发布于工作日的非开盘时间，则采用该工作日后第一个工作日的收盘价减去该工作日的收盘价；若该公告发布于工作日的开盘时间段内，则采用该工作日的收盘价减去前一个工作日的收盘价。具体计算方法如下:

其中，ＭＰＳｋ

最后，为适应其他变量，参照张成思等的方法，采用加总法将日频数据变换为月度数据。具体方法是:参照中国人民银行官网所发布的货币政策公告日期，将在下半月发布的货币政策工具的调整或操作顺延计入下一月，然后按照月份将１年期FR007－IRS利率变动的日度数据进行加总，得到指代货币政策立场的货币政策立场指数。

本文使用IV SVAR模型解决货币政策冲击识别的第二个难点———内生性问题。本文依照Gertler和Karadi的方法，构建IV SVAR模型。首先构建包含６个变量的SVAR模型:

其中，ｙｔ＝(ｒｒｒｔ, ｉｎｄｏｕｔｔ, ｉｎｆｌａｔｉｏｎｔ, Ｍ２ｔ, ＣＩｔ, ｉｎｔｅｒｂａｎｋｔ)。各变量依次是存款准备金率、以价格调整的规模以上工业增加值、用CPI表示的通货膨胀率、广义货币供给量增长率、股票价格、７天银行间同业拆借利率。εｔ是结构化冲击，且Ｅ[εｔε′ｔ]＝ＩＮ。设Ｚｔ为本文所研究货币政策冲击εｎｔ的外生工具，与工具变量估计文献中的常见假设类似，工具变量必须满足以下条件:

Ｚｔ与潜在结构冲击εｎｔ相关

Ｚｔ是系统中其他结构性冲击的外生因素

(二)固定效应面板模型

在第二阶段回归中，本文以上文所识别的货币政策冲击为基础构建固定效应面板模型，分析数字金融如何调节货币政策冲击对企业投资的影响。具体模型设定如下:

其中，invest表示企业投资；MPS表示货币政策冲击(即上文中利用IV SVAR所识别出的货币政策冲击序列)；INF表示数字金融；Ｘ表示一系列控制变量；α是城市固定效应；φ为时间固定效应；ε为扰动项。本文重点关注交互项系数β３。β３刻画了货币政策冲击MPS对企业投资invest的边际效用随数字金融发展水平INF变化的变动情况。若交互项系数β３与货币政策冲击系数β１符号相同，则表示数字金融强化了货币政策冲击对企业投资的影响；反之则为削弱。

(三)变量选取与处理

参考战明华等、李青原等的方法，本文将基准模型中的企业投资变量invest定义为:企业投资＝(购建固定资产、无形资产和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。至于数字金融变量INF，本文以北京大学数字普惠金融指数表示。由于不同企业之间数字金融发展可能存在较大差异，为捕捉该发展差异，本文使用北京大学数字普惠金融指数进行实证分析，以每个地级市及其以上城市的数字金融发展程度代指该城市企业的数字金融水平。

参考张成思等的做法，本文控制变量包括经营性现金流比率(cfo)、销售收入同比增长率(sale)、短期资产负债率(lev)、对数化总资产(lasset)、有形资产比率(tang)、净资产收益率(ROE)和前十大股东持股比例(stock)。考虑到其他可能影响企业投资决策的多元变量，本文将资产流动性(liquid)、无形资产比率(itang)、长期资本负债率(long)、财务费用比率(finex)、应收类资产比率(RA)和固定资产增长率(fixed)纳入控制变量，以提供更加全面和精准的分析。

对企业层面微观数据进行如下处理:本文选取Ａ股上市公司为总样本。首先，剔除金融类、保险类企业，以及出现过PT和ST的企业；其次，使用Winsorize方法对企业财务数据进行首尾各１％的缩尾处理；再次，对主要变量缺失的企业进行剔除；最后，剔除至样本期末上市不足一年的企业。经过上述处理，最终得到样本区间为2011—2022年4164家Ａ股上市公司的财务数据。

(四)数据来源与描述性统计

货币政策工具的实施信息和执行报告的发布信息来自中国人民银行官网，FR007－IRS日度数据来自Wind，其他低频数据来自CEIC数据库，企业层面财务数据来自Wind数据库和CSMAR数据库。最终，识别出的货币政策冲击与企业财务数据的描述性统计如表１所示。

根据描述性统计结果，企业投资invest均值为0.0121，说明样本企业投资水平约为1.21％，标准差为0.0146，说明样本较为分散；数字金融INF5％分位点与95％分位点相差巨大，表明随着时间推移，我国数字金融发展较为迅速，且不同地区数字金融发展有较大差异。在本文中，货币政策指标MPS为正，则表示为宽松性货币政策；反之则为紧缩性货币政策。

四、实证结果分析

(一)中国货币政策冲击构建

在上文中，以１年期FR007－IRS日度利率在货币政策公告发布前后的变化作为货币政策冲击的外生工具变量，利用IV SVAR识别货币政策冲击，其脉冲响应如图１所示:

根据图１，当货币政策冲击导致M2上升１％时，产出(即工业增加值)在即期平均上升0.4％。该冲击在第10期时达到最大，大约为0.6％；且该冲击有较好的持续性，在冲击发生两年后尚未收敛于0。这表明宽松性货币政策冲击对产出有较为正面的影响，且该影响会持续相当长的一段时间。从整体而言，宏观变量的脉冲响应函数符合经典经济学理论，本文所识别的货币政策冲击符合样本期间我国货币政策立场。

(二)基准回归结果

表２是基准回归结果，报告了数字金融如何调节货币政策冲击对企业投资影响的经验证据，所有模型均对城市层面特征和时间固定效应进行控制。单独进行企业投资对货币政策冲击的回归，结果发现货币政策冲击系数显著为正，表明宽松性货币政策冲击会促进企业的投资行为。第(２)列报告了使用综合指数指代数字金融作为调节变量的回归结果，其中货币政策冲击系数与交互项系数均显著为正，表明数字金融在整体层面上强化了货币政策冲击对企业投资的影响。假设１得到验证。针对北京大学数字普惠金融指数的三个一级维度，本文进行了验证。结果表明仅有使用深度这一指标在货币政策冲击对企业投资的影响中存在明显的调节效应[表２第(３)列]，其他两维度均无类似效应。另外，针对使用深度的众多二级维度，本文经过分析发现仅有信用业务存在调节效应[表２第(４)列]。针对上述结果，本文给出如下解释。首先，在三个一级维度中，近年来使用深度成为增长最快的维度，是数字金融发展的重要驱动力。其次，使用深度是三个一级维度中拥有二级维度最多的指标，其包含数字金融的大部分方面，在衡量数字金融发展质量方面效果更好，相较而言更能代表数字金融发展水平。最后，相对于支付业务和保险业务，信用业务与宏观经济和政策联系更为密切，因此，其更能强化货币政策冲击对企业投资的影响。

表３为稳健性检验结果，第(１)列和第(２)列分别参考李青原等、王义中和宋敏所计算的企业投资指标进行稳健性检验。前者所构建的企业投资指标为investment_1＝购建固定资产、无形资产和其他长期资产支付的现金/期初总资产，后者所构建的企业投资指标为investment_2＝(固定投资原值的增加值＋在建工程的增加值＋工程物资的增加值)/期初固定资产净值，结果均与基准回归结果类似。第(３)列使用宋敏等所构建的城市金融科技指数替代北京大学数字普惠金融指数进行稳健性检验，结果依然显著。第(４)列所用货币政策冲击指标为将IV SVAR模型的样本区间修改为2007—2022年所构建的货币政策指标，结果显示交互项系数和货币政策冲击系数均显著为正。

五、异质性分析

(一)关于企业的异质性

企业规模是企业的重要特征之一。企业规模会影响企业投资水平，也会影响货币政策在企业环节的传导效果。规模较大的企业获得银行信贷较为容易，货币政策在其中的传导也更加顺畅。至于规模较小的企业，相对规模较大的企业来说，其盈利能力较低，资产负债表质量较差，获得银行信贷较为困难，货币政策在其中传导的障碍较多。而数字金融通过显著提升金融机构与规模较小企业之间的信息透明度有效减少这些企业的融资成本，并大幅降低其融资门槛，显著缓解了规模较小企业面临的融资约束。这种缓解作用使得货币政策在促进规模较小企业投资方面的效果变得更为显著和直接。因此，在规模较小的企业样本中，数字金融强化货币政策冲击对企业投资影响的作用应该更大。表４第(１)列和第(２)列分别表示在规模较大和规模较小样本中的实证结果。其中，在规模较小的企业样本中交互项系数显著为正，在规模较大的样本中交互项系数不显著，表明相对规模较大的企业，数字金融对货币政策冲击的强化作用在规模较小的企业中更为明显。

在我国，企业的产权性质是企业自身重要的特征之一。国有企业在发展的过程中融资约束更低，对货币政策冲击的传导更加有效，数字金融在其中的作用空间较小；非国有企业融资约束较高，货币政策在其中的传导不甚畅通，数字金融在其中的作用空间会更大。表４第(３)列和第(４)列的实证结果证明了这一观点。

(二)行业异质性

按照是不是高科技行业进行异质性分析。高科技行业由于存在科技上的优势，可以更加容易地获取数字金融发展所带来的技术福利。因此，相对其他行业或企业，在高科技行业中，数字金融关于货币政策冲击对企业投资影响的强化作用应该更加明显。表５第(１)列和第(２)列展示了异质性分析的结果。参考钟凯等的研究，本文将制造业中的通用设备、专用设备、交通运输设备、电气机械及器材、计算机及其他电子设备、通信设备划分为高科技行业。结果显示，高科技行业分组中的交互项系数显著为正，证明了上述观点。

(三)数字金融对货币政策作用的非对称性

表５第(３)列和第(４)列分别报告了当货币政策处于紧缩或宽松区间时数字金融对企业投资影响的调节作用。由结果可知，当货币政策宽松时，数字金融强化货币政策冲击对企业投资的影响；当货币政策处于紧缩时，其交互项系数并不显著。这体现了数字金融对货币政策作用的非对称性。数字金融可以缓解企业融资约束、提高银行和企业风险承担水平，这些作用在货币政策宽松时，对货币政策效果起到了强化作用；然而，当货币政策立场改变后，数字金融对经济的作用不会发生转变，不可能提高企业融资约束或者降低银行和企业的风险承担水平。因此，紧缩银根时，数字金融对货币政策的效果不会放大，甚至可能会削弱。

六、机制分析

参考江艇提出的机制分析方法，对数字金融强化货币政策促进企业投资效应的影响机制进行分析。江艇建议的机制检验方法是，提出一个或多个能够作为中介且对被解释变量的作用是显而易见的变量，检验解释变量对该中介变量的因果关系即可。较多文献如方先明和胡丁采用类似机制检验方法。根据理论和文献分析，本节主要验证融资约束机制、企业价值机制和企业风险承担机制。具体机制分析模型如下:

根据江艇的研究结论，本文只对解释变量和中介变量进行回归，除因变量Ｍ指代中介变量外，公式(６)与公式(５)没有区别。

(一)融资约束机制

企业融资约束一直是中国乃至世界各国都面临的困境，不只是企业发展的难题，也是宏观政策调控的难题。众多研究表明数字金融可以缓解企业融资约束，而企业在融资过程中的摩擦降低，其在传导货币政策冲击时就有更大的实施空间，最终促进货币政策冲击的传导。因此，融资约束可直接影响企业投资行为和货币政策冲击传导，选取融资约束作为中介效应变量符合江艇进行中介效应分析所要满足的条件。本节就融资约束机制是否在数字金融对货币政策冲击的强化中发挥作用进行实证分析。表６第(１)列和第(２)列对融资约束机制进行了实证检验。参考鞠晓生等、方先明和胡丁构建融资约束指标SA，并取绝对值，其绝对值越大，融资约束程度越大。结果显示，货币政策系数和交互项系数均显著为负。此外，银行信贷在企业的融资结构中占据主导地位，一旦融资约束得到缓和，企业为满足融资需求而得到的贷款往往会随之上升。因此，本文以长期借款与短期借款之和(loan)作为中介变量，对融资约束机制进行验证。结果显示，交互项系数显著为正。上述结果表明宽松性货币政策会导致企业融资约束程度降低，而数字金融发展会强化该作用进而强化货币政策冲击对企业投资的影响。从而，假设２得到验证。

(二)企业价值机制

企业价值是衡量企业经营绩效的关键指标。当企业价值上升时，这一积极信号显著提高银行风险管理部门对该企业的评级，从而为企业获得银行信贷或其他形式的融资提供有力支持。更为重要的是，企业价值的提升不仅简化了融资过程，而且增强了企业在投资决策中的容错能力，激发了企业对于投资的热情。这种融资的便利性和投资意愿的增强无疑将直接影响企业的投资活动，并在货币政策冲击传导至企业投资的过程中发挥重要作用。而数字金融可以通过调整企业资源配置、增加盈利渠道、提高市值等提高企业价值，因此选取企业价值作为中介效应变量也符合江艇的条件。参考梁若冰等使用Tobin Q和市净率(PB)衡量企业价值。表６第(３)列和第(４)列报告了企业价值机制的分析结果。结果显示，交互项系数显著为正，假设３得到验证。

(三)企业风险承担机制

根据理论分析，数字金融会从不同方面提高企业主体的风险承担水平，而风险承担水平的提高必然会导致在货币政策相同宽松程度之下的企业投资水平更大规模地提高。根据江艇的机制分析方法，企业风险承担水平会对企业投资有明显且直接的影响，因此符合其两步法的检验条件。由此，本文参考方先明和胡丁，采用企业Ｒ＆Ｄ支出与总资产的比值(risktake1)和人均Ｒ＆Ｄ支出(risktake1)代表企业风险承担水平。结果如表６第(５)列和第(６)列所示。货币政策系数与交互项系数均显著为正，表明数字金融强化了货币政策冲击对企业风险承担水平的提升，进而强化了货币政策冲击对企业投资的影响，假设４得到验证。

七、结论与启示

本文以利率衍生品的高频价格在主要货币政策工具公告发布前后的变化为外生工具变量，利用IV SVAR模型构建中国货币政策冲击指标，并以该指标指代货币政策冲击分析数字金融在货币政策冲击对企业投资影响中的调节效应。实证结果表明，数字金融在整体上强化了货币政策冲击对企业投资的影响，该强化作用对非国有企业、规模较小企业、高科技行业和宽松性货币政策更为明显。机制分析表明，数字金融强化货币政策冲击对企业投资的影响主要通过降低企业融资约束、提升企业价值和提高企业风险承担水平三种机制实现。

基于上述研究结论，提出如下政策建议:

第一，将数字金融纳入货币政策规则，提高数字金融与货币政策的耦合作用。本文实证结果表明数字金融发展会强化货币政策冲击对企业投资的影响。因此，在实施货币政策时，应将数字金融作为重要的考量因素纳入货币政策规则，全面考量数字金融对货币政策执行效果的潜在影响，避免因忽略数字金融影响而导致的货币政策调控力度不足或者过度。针对数字金融对金融市场运行模式的改变，央行应积极创新货币政策工具，如法定数字货币、数字票据交易等，充分发挥数字金融促进货币政策实施效果的作用，增强数字金融与货币政策在宏观经济调控中的协同效应，为经济的稳健发展和金融市场的健康运行提供有力保障。

第二，持续推进数字金融发展，增强数字金融的普惠特性。政府应设立专项基金，鼓励金融机构投入更多资源于数字金融的技术创新和用户体验优化，强化网络和电力基础设施建设，加强金融科技人才的培养和引进；为中小企业提供政策咨询和包括云计算、大数据、人工智能等在内的前沿技术支持和资金援助，帮助中小企业快速融入数字金融生态；积极引导高科技企业发挥技术优势，带动技术弱势企业的数字金融接入，提高数字金融发展的普惠特性。

第三，完善对数字金融的监管框架，加强货币政策与宏观审慎政策的协调配合。本文研究发现，数字金融会显著提升货币政策冲击对企业风险承担水平的影响。数字金融是一把“双刃剑”，在畅通货币政策传导渠道时会增加企业的风险承担，进而导致风险积累。监管部门应完善数字金融监管体系，明确监管职责，构建多层次、全方位的监管框架，利用数字技术、人工智能等技术手段进行精准、及时、有效的监管，进一步加强宏观审慎管理，合理运用“双支柱”调控框架，防范数字金融发展可能诱发的乱象，守住不发生系统性金融风险的底线。

南昌大学学报（人文社会科学版）

微信号｜ncdxxbskb

中文社会科学引文索引(CSSCI)来源期刊

全国中文核心期刊

中国人文社会科学核心期刊

RCCSE中国核心学术期刊

全国高校精品社科期刊

华东地区优秀期刊