金融部门高杠杆致因的空间结构研究

赵丹妮 祝 佳 汤子隆

（广东金融学院行为金融与区域实验室，广州 510521）

2008年金融危机以来，得益于中国货币政策和财政政策的双宽松，中国以银行业为主导的金融机构获得了充裕的流动性，使得各类机构在与监管制度的动态博弈中衍生出种类繁多的金融工具，进一步扩张其资产负债表，以实现收益最大化。以同业存单为例，截至2017年一季度其月规模已达到20 654亿元，是2013年初的近70倍；而这在宏观上也就不可避免地抬升了金融部门的杠杆水平，同时为其他部门杠杆水平的升高提供了货币便利。因此，分析金融部门（机构）杠杆结构和成因，对平稳过渡经济结构转型，顺利实施“三去一降一补”具有重要的理论指导价值和现实意义。

金融行业具有负债经营的特征，尤其是中国改革开放前30年的超高速增长必然促使其面临加杠杆的需求。因此在正常合理范围内金融行业加杠杆并不与监管制度相冲突，也很有必要。但随着实体经济收益率下降，金融业债务增量主要集中在同业业务，形成“脱实向虚”，而即使信贷资金通过拉长后的传递链条层层嵌套最终流向实体经济，在政府隐性担保和金融干预的影响下，大部分投向了地方政府融资平台、基建产业或国有大中型企业，在劣化实体经济杠杆结构的同时，也进一步降低资本边际产出，增加了金融系统风险。可见，金融部门的杠杆率水平过高的问题，既是总量性的，也是结构性的，需要以结构的视角去分析和探索。

一、文献综述

2008年金融危机对世界经济的巨大破坏力和深远影响引起国内外学界对金融去杠杆缘起和走向的关注。国外的研究主要围绕金融机构风险外部性以及传递性，阐明和实证分析金融高杠杆与系统性风险累积、金融去杠杆化与经济衰退之间的影响机制。其中，部分学者通过理论建模对金融杠杆风险的外部性进行了阐释［1-5］，他们都认为金融杠杆的外部性来源于单个金融机构通过扩表和扩张表外业务规模和杠杆率来增加利润；这虽然使得单个机构通过金融工具创新降低了自身风险，但却将其释放到整个金融体系内。随着创新工具资金规模和杠杆率的增大，杠杆水平会在经济扩张时期出现上升，系统性风险在金融体系内不断积聚。当杠杆比率足够高时会触发约束效应，通过费雪通缩机制降低信贷、资产价格以及抵押资产的数量，从而导致产出水平的下降［6］，进而引发单个机构主动或被动的降杠杆行为，个体风险将通过资产负债关联、投资者非理性的羊群效应以及市场预期等形式迅速传递给其他金融机构，金融机构风险的外部性影响进一步被放大［7-8］，甚至达到明斯基时刻，造成“债务-通缩”危机［9］。而金融降杠杆则会多渠道影响全社会产出：一方面家庭部门的需求下降导致其投资和消费减少，另一方面是资本性投资下降，而导致工资降低和失业增加［10］。

与国外研究相比，国内学者更多关注的是在当前国内经济增速趋势性下降与周期性波动相互叠加，经济转型阵痛与国际经济环境复杂相互交织下金融机构杠杆的结构特征、成因和影响，以及如何避免去杠杆过程中潜在风险显化机制。在描述金融部门杠杆结构特征方面，巴曙松从金融机构表内外资产结构、银行与非银机构杠杆结构、资金流向渠道等三个方面分析了当前金融部门杠杆结构，认为当前我国金融部门杠杆水平与经济增速、资本充足和监管要求相背离，已形成金融泡沫［11］。而娄飞鹏则主要从金融工具、银行规模大小、资金来源这三个方面分析金融机构杠杆结构，认为金融工具的过度创新和金融机构转型发展不到位，金融市场利率传导机制仍然存在问题是导致金融泡沫的主要原因［12］。而马勇、陈雨露则通过系统GMM估计方法对金融杠杆及其波动对经济增长的影响进行了研究［13］。实证结果表明，金融杠杆和经济增长之间存在显著的“倒 U型”关系，而金融杠杆波动和经济增长之间存在显著的负相关关系，因此政府应采取稳健有序的“去杠杆化”策略，实现经济增长和金融稳定的双重平衡。这一结论获得大部分学者的赞同，他们分别通过引入金融加速器机制的动态随机均衡模型模拟冲击［14］，引入异质性金融摩擦构建动态随机均衡模型分析政府隐性担保带来“过度润滑”［15］，引入基于市场数据的资产负债表关联矩阵构建CCA模型探讨债务杠杆对系统性风险积累和传递的影响机制［16］等路径，较为一致地认为，当前中国金融高杠杆与发达国家的结构特征显著不同，是以商业银行通过监管套利和资金套利拉长资金链条所形成的高杠杆。因此在去杠杆政策制定和实施中既要提高货币市场利率和收紧流动性，打破了加杠杆的基础，提高金融机构融资成本，挤压利差；但同时也要识别无资本支撑、脱离监管的杠杆，防范对银行、资管行业以及实体经济可能产生的负面影响。

综上所述，现有的理论与实证研究成果斐然，内容也日趋丰富，然而，对于金融杠杆水平和增速的区域结构差异缺乏深入的研究和分析，这无疑是忽略了中国区域经济增长不平衡和金融资源分布错综复杂的典型事实。正如探讨中国经济增长离不开区域经济差异一样，探讨金融部门杠杆率高企与去杠杆的得失同样也不应将区域因素排除在外，因此本文拟将区域因素纳入研究框架内，在省级区域金融杠杆率差异显著的事实背景下，通过空间计量模型（SDM）分析企业杠杆率的空间关联性、并通过加入多组控制变量讨论经济增长和金融波动这两个核心解释变量对金融杠杆率的影响。最后利用Lesage&Pace模型讨论不同地区的解释变量对被解释变量间的交互影响。

二、模型设定与变量选择

为了分析我国金融部门高杠杆致因的空间结构，首先应对金融杠杆率进行空间相关性分析，从而判断金融杠杆是否存在空间上的相关性。然后再建立空间计量模型考察我国金融部门杠杆率的空间结构差异。本文将基于空间面板数据杜宾模型对中国金融杠杆的空间非均衡结构进行分析。

（一）空间自相关检验

非空间计量经济学由于忽略空间相关关系而导致参数估计产生偏误，需要将空间因素纳入计量模型，纠正参数估计的偏误。空间相关关系表现为不同地区在经济社会发展过程中呈现出的空间异质性。由于各地区表现出的空间异质性，样本观测值不再服从空间上的独立随机分布。各地区样本观测值表现出空间上的相互依赖关系，若样本观测值为空间正相关，则称为空间集聚；若表现为空间负相关，则称为空间扩散。目前，Moran’s I指数被广泛应用于检验空间相关性。

Moran’s I指数的取值范围是［-1，1］。当计算结果在区间［-1，0）范围内，则表明被观测地区呈空间负相关关系，表现为空间上的扩散，指数越接近-1，扩散程度越高；当计算结果在区间（0，1］范围内，则表明被观测地区呈空间正相关关系，表现为空间上的集聚，指数越接近1，集聚程度越高；若计算结果为0，则被观测地区不存在空间相关关系，样本观测值服从独立随机分布。

本文首先计算金融杠杆率的Moran’s I指数，以检验其空间相关性。选取2010年至2015年的金融杠杆率，金融杠杆率的估算采用各地银行金融机构资产总额减去一级资本，再减去各地各项存款余额，以此推算银行主动负债的比率。数据来源于WIND数据库、统计局及人民银行。金融杠杆率的Moran’s I指数计算结果如下表所示：

由表1可知，金融杠杆率的Moran’s I指数虽然在2010年与2011年不显著，但是从2012年开始，显著性逐渐增强，其中2013年与2014年均通过了10%水平下的显著性检验，到了2015年，其显著性有所回落。整体而言，虽然有部分年份的Moran’s I指数不显著，但是依然表现出较强的空间相关性，全国各省的金融杠杆率并不完全服从空间上的独立随机分布，经典计量模型不再适用于对金融杠杆率的回归分析。

表1 金融杠杆率的Moran’s I指数计算结果

（二）空间面板数据计量模型

由Moran’s I指数的结算结果可知，金融杠杆率存在空间相关性，若采用非空间计量模型将会导致参数估计出现偏误，需要使用将空间因素纳入考察范围的计量模型才能更好地研究金融杠杆率与区域经济社会发展的互动关系。当前，常用的空间计量模型有空间滞后模型（SAR）、空间误差模型（SEM）及空间杜宾模型（SDM）。当被解释变量的观测值与其相邻地区的观测值具有空间相关性时，采用SAR模型，其空间相关性由空间滞后变量体现，数学表达式为：

上式中，α为截距项，ρ为空间相关系数，用于度量不同地区被解释变量样本观测值的空间相关程度。Wij为空间权重矩阵，本文采用3阶Delaunay三角剖分构造的权重矩阵，该算法具有凸多边形性、唯一性、最接近性等优良特性，而且该算法不仅能将相邻地区的空间相关因素纳入模型，而且能将相邻地区的周边地区纳入考察，能科学地表达地区间金融杠杆率活动的空间差异特征。yit为被解释变量，其中下标i表示第i个地区，t表示第为空间滞后项，表示除本地区之外其他地区金融杠杆率的样本观测值的加权平均数。Xit为解释变量，β为解释变量系数。εit为随机误差项。μi为空间特征效应，φt为时间特征效应。当回归模型采用固定效应模型时，同时满足时，α的无偏估计存在，因此，在使用面板数据进行回归时，一般舍去截距项。

当被解释变量的随机误差项与其相邻地区的观测值具有空间相关性时，采用SEM模型，其空间相关性由误差项的空间滞后变量体现，数学表达式为：

上式中，λ为空间误差相关系数，用于度量不同地区随机误差项对被解释变量的空间相关影响。为空间误差滞后项，用于度量不同地区误差冲击对被解释变量影响的加权平均数。

若同时将解释变量与被解释变量的空间相关关系纳入计量模型，则应采用空间杜宾模型（SDM）。SDM模型是SAR模型与SEM模型的一般形式，其表达式如下；

在空间计量模型的选择上，主要依据为两个假设条件：H0∶λ=0、H0∶λ+ρβ=0。一般采用 LR 检验与Wald检验来对其进行判断，若拒绝H0∶λ=0而接受H0∶λ+ρβ=0，表明SDM模型可以简化为SEM模型；若拒绝 H0∶λ+ρβ=0 而接受 H0∶λ=0，则 SDM 模型可以简化为 SAR 模型；若同时拒绝 H0∶λ+ρβ=0与H0∶λ=0，则SDM模型既不能简化为SAR模型，也不能简化为SEM模型。

（三）变量选择

如上文所述，我国各省区金融杠杆率的Moran’sI指数计算结果表明金融杠杆率省域样本观测值不服从空间上的独立随机分布，存在空间相关性。因此本文选取全国30个省、自治区、直辖市（西藏、台湾除外）的空间样本数据，同时选取2010年至2015年全国各省金融杠杆率作为被解释变量的面板数据。

在解释变量的选择上，重点分析金融杠杆率与经济发展及金融波动风险的空间相关关系，因此，作为核心解释变量选取GDP增长率表示经济发展，采用金融杠杆波动作为金融风险的衡量指标。对于金融杠杆波动的计算，首先采用全国贷款余额与GDP的比值，然后进行HP滤波计算，可以得到波动的振幅（VOL），再将VOL取绝对值以表示金融杠杆的波动幅度。金融杠杆波动越大，VOL的数值也就越大，金融不稳定程度加剧，金融风险越高。

在其他控制变量的选择上，分别选取宏观、结构、金融、社会四个层面，分别考察其对金融杠杆率的边际影响。宏观层面使用人均GDP与通货膨胀率表示；结构层面分别选用第二产业与GDP的比值、第三产业与GDP的比值、资本形成率表示；金融层面选用金融业总量与GDP的比值表示；社会层面选用人口自然增长率表示。表2给出了所有变量的具体描述（数据来源于wind数据库）。

三、实证结果

由Moran’sI指数的计算结果可知，我国省域金融杠杆率并不服从空间上的独立随机分布，而是存在空间相关性。本文选取2010年至2015年的解释变量与被解释变量面板数据，利用空间面板数据计量模型对金融杠杆率与区域经济增长及金融稳定进行空间回归分析，考察其空间异质性及其空间溢出效应。

表3是我国省域金融杠杆率与GDP增长率SDM模型空间与时间双固定效应回归结果。在模型1中，仅包含GDP增长率，从模型2至模型5，依次加入宏观、结构、金融、社会层面的控制变量。由表3可知，Hausman检验结果的Hausman统计量大于给定0.05水平下的临界值，表明本文采用的模型应为固定效应模型。模型1至模型5，Wald检验与LR检验的Spatial lag统计量数值逐步加大，且该统计量大于给定0.05水平下的临界值，表明回归模型拒绝H0∶λ=0，SDM模型不能简化为SEM模型；同理，spatial_error统计量的数值也逐步加大，且该统计量大于给定0.05水平下的临界值，表明回归模型应拒绝H0∶λ+ρβ=0，SDM模型不能简化为SAR模型。本文应采用SDM模型最为合适。

表2 变量描述

由表3的计算结果可知，模型引入核心解释变量GDP增长率后，由模型1至模型5，全国各省金融杠杆率空间滞后变量系数均为负数，且其系数由模型1的-0.230 957变动至模型5的-0.518 987，显著性水平也由模型1的10%提升至模型5的1%。表明中国各省金融杠杆率不存在空间上的集聚，而是存在空间上的扩散，即全国金融杠杆率不存在某个省份特别高，随着经济发展、产业结构调整、金融业占比提高、社会人力资源增加都会使全国各省金融杠杆率提高，并且高金融杠杆率的省份在全国有不断增多的趋势。

从核心解释变量的回归结果来看，GDP增长率的系数均不显著，表明单纯依靠GDP数值上的增长对金融杠杆率并没有显著的影响。随着控制变量的加入，GDP增长率系数的显著性依然没有提高，表明社会经济发展、产业结构优化、金融业发展、人力资源优化都不能使GDP增长对金融杠杆率起到影响作用。这主要是由于在经济发展过程中，实体产业空心化导致以金融为主导的虚拟经济得到大量资金，而真正需要资金扶持的实体产业（特别是中小企业）却存在“融资难、融资贵”问题。大量低效率的国企得到融资后却将资金以高利息转贷给民营企业。因此，仅仅靠GDP数值上的增长，难以对金融杠杆率起到明显的去杠杆作用。

从控制变量的回归结果来看，人均GDP显著为负，表明要有效降低金融杠杆率需要从经济发展的质量上下手。提高经济发展的质量，能有效使资金“脱虚向实”，从而降低金融杠杆率。从周边地区的控制变量回归结果来看，周边地区的经济发展、CPI、资本形成率及金融业发展均对本地区金融杠杆率有显著的提高作用。这表明地区经济发展会促使资金流向东部发达地区，由于东部地区具有资源禀赋、金融资源等优势，资金流向了东部一线城市及部分二线城市，从而提高这些地区的金融杠杆率，同时也推升了这些地区的资产价格。

表4是我国省域金融杠杆率与金融杠杆波动的SDM模型空间与时间双固定效应回归结果。在模型1中，仅包含金融杠杆波动，从模型2至模型5，依次加入宏观、结构、金融、社会层面的控制变量。由表3可知，Hausman检验结果的Hausman统计量大于给定0.05水平下的临界值，表明本文采用的模型应为固定效应模型。模型1至模型5，Wald检验与LR检验的Spatial lag统计量数值逐步加大，且该统计量大于给定0.05水平下的临界值，表明回归模型拒绝H0∶λ=0，SDM模型不能简化为SEM模型；同理，spatial_error统计量的数值也逐步加大，且该统计量大于给定0.05水平下的临界值，表明回归模型应拒绝H0∶λ+ρβ=0，SDM模型不能简化为SAR模型。本文应采用SDM模型最为合适。

由表4的计算结果可知，模型引入核心解释变量金融杠杆波动后，由模型1至模型5，全国各省金融杠杆率空间滞后变量系数均为负数，且其系数由模型1的-0.229 996变动至模型5的-0.489 976，显著性水平也由模型1的10%提升至模型5的1%。表明中国各省金融杠杆率不存在空间上的集聚，而是存在空间上的扩散，即全国金融杠杆率不存在某个省份特别高，随着金融杠杆波动、产业结构

调整、金融业占比提高、社会人力资源增加都会使全国各省金融杠杆率提高，并且高金融杠杆率的省份在全国有不断增多的趋势。

表3 SDM空间模型回归结果——以GDP增长率为核心解释变量

表4 SDM空间模型回归结果——以金融杠杆波动为核心解释变量

从核心解释变量的回归结果来看，金融杠杆波动的系数显著为负，且均通过了1%水平下的显著性检验。表明金融杠杆波动所引起的风险能显著起到去杠杆的作用。金融市场中的杠杆交易存在天然的不稳定和脆弱性，金融杠杆对金融资产价格具有正反馈效应，放大了金融资产价格的波动。由于金融市场的不稳定性和脆弱性，当杠杆率波动过高而引起金融风险时，金融市场各方会抛售手中金融资产以降低金融杠杆率。因此，金融杠杆波动风险会引起显著的金融去杠杆效应。

从各控制变量的回归结果来看，与表3相同的是，人均GDP的系数均显著为负，表明要有效降低金融杠杆率需要从经济发展的质量上下手。提高经济发展的质量，能有效使资金“脱虚向实”，从而降低金融杠杆率。周边地区的CPI、第三产业发展、资本形成率的系数均显著为正，表明周边地区经济社会发展、产业结构调整及社会投资能显著提高本地区的金融杠杆率。随着金融杠杆波动而产生金融风险时，大量资金进入发达地区以减少金融风险带来的损失。由于欠发达地区的经济较脆弱，发生金融风险时资金难以得到保证，一线城市及部分二线城市成了资金远离金融风险的避风港，而金融行业又是最容易吸引资金的行业，在金融风险发生时，资金流入了发达地区，从而推高了发达的金融杠杆率。

四、空间溢出效应

在经典的OLS回归模型中，参数估计用来表示解释变量对被解释变量的边际影响，但是若模型中加入空间因素时，参数由于包含空间非均质性使得参数估计变得复杂。Lesage&Pace提出可以使用直接效应、间接效应及总效应来衡量空间溢出性。直接效应是本地区范围内解释变量对被解释变量的平均影响；间接效应是本地区范围内解释变量对周边范围被解释变量的平均影响；总效应是本地区范围内解释变量对所有地区被解释变量的平均影响。数学过程如下：

整理得：

上式中，P（W）=Q（W）（Iβ+Wλ），O（W）=（I-ρW）-1。 然后上式可以改写为矩阵形式：

变量yi对xir的偏导衡量直接影响，其余元素为间接影响，P（W）矩阵中所有元素的平均值为总影响。表5给出了以GDP增长率为核心解释变量的SDM模型空间溢出效应回归结果；表6给出了以金融杠杆波动为核心解释变量的SDM模型空间溢出效应回归结果。

由表5可知，GDP增长率的间接效应和总效应显著为正，表明本地区经济增长会对显著提高周边地区及全系统范围内的金融杠杆率。表明金融杠杆率存在显著的空间溢出效应，区域经济增长会使得全国范围内的金融杠杆率提高。人均GDP的直接效应和总效应均为负数，表明提高经济发展的质量才能降低金融杠杆率。资本形成率的间接效应和总效应均显著为正，表明资本形成率存在显著的空间溢出效应，增加投资能显著提高全国范围内的金融杠杆率。由表6可知，金融杠杆波动的直接效应和总效应显著为负，表明金融杠杆波动所产生风险能够起到去杠杆的作用，且这种去杠杆是全国范围内的去杠杆。CPI、第二产业占比、第三产业占比、资本形成率都具有显著的正空间溢出效应，表明通货膨胀水平，产业结构改进，投资率都具有显著的空间溢出效应。由于实体经济发展需要金融业的支持，因此，无论是产业结构改善，还是投资需求，都会使金融杠杆率具有显著的提高作用。

五、结论与对策

本文采用30个省、自治区、直辖市（西藏、台湾除外）的金融杠杆率与经济发展及金融波动的面板数据，通过构建SDM模型实证研究金融杠杆率对经济发展及金融波动之间的空间非均质性关系，得出以下结论及对策。

（一）主要结论

第一，无论是GDP增长还是金融波动对金融杠杆产生的作用，金融杠杆率均呈现出空间上的扩散现象。当加入GDP增长与金融波动风险因素后，我国各省域金融杠杆率呈现出高金融杠杆率的扩散现象，即高金融杠杆率现象并没有集中出现在某个省份，而是全国普遍存在，并且高金融杠杆率趋势的省份呈不断增多之势。

第二，GDP绝对值的增长并不能起到去金融杠杆的作用，而金融杠杆波动所产生的风险则能降低金融杠杆率。说明仅仅依靠GDP数值上的增长并不能降低金融杠杆率，但是由于经济增长存在显著的空间溢出，发达地区的经济增长反而会使全国范围内的金融杠杆率提高。其原因是金融同业业务和外表业务的扩张，进一步提升了实体经济的资金成本，强化了“融资难、融资贵”的问题，大量资金没有进入实体经济，反而进入发达地区的金融领域，提高了金融杠杆率，加大了金融风险发生的概率，容易使区域经济发生系统性风险。

第三，经济发展的质量提高、产业结构改善、资本形成率提高都在一定程度上抬升金融杠杆率。其原因在于地区间经济发展不平衡，东部发达地区吸纳资金的能力显著强于中西部地区，这就促使经济发展、产业结构、投资都能形成显著的空间溢出，即发达地区经济社会发展能使全国金融杠杆率提高，而实体经济发展必须依靠金融业的支持，东部发达地区的企业的盈利能力较中西部地区的企业强，因此这又进一步促使资金流向发达地区，而实体经济的发展离不开金融业的支持，这就促使金融杠杆率提高。

综上所述，中国各区域间金融部门杠杆水平存在显著的空间相关和异质性，其区域结构在去杠杆政策制定和实施中不容忽视。进一步通过空间杜宾模型和溢出效应模型的系数符号和显著性的比较，发现区域间金融杠杆水平和经济增长、金融波动之间的影响机制错综复杂，无一定之结论。因此，针对不同区域的企业或主导行业具体情况，决策层应根据区域杠杆结构特征、经济结构调整进度和金融稳定程度，完善宏观审慎监管以引导各类金融机构的杠杆变动幅度和方向，优化债务质量和杠杆结构。

（二）政策建议

第一，优化宏观货币政策操作。在改变金融宽松预期、更多运用价格型工具调节货币供给时，根据货币市场供需改变期限各异的货币供给，以达到平衡各类金融机构从央行获取流动性的资金成本，挤压利差套利空间。正如央行2016年8月在基础货币供给中通过降低短期货币资金供给而增加长期货币资金供给，抬高金融机构资金成本，起到了挤压债券市场资产泡沫的作用。近年来，央行已经建立了以公开市场逆回购、临时流动性便利（TLF）、常备借贷便利（SLF）、中期借贷便利（MLF）、抵押补充贷款（PSL）等政策工具为主体的流动性调节体系，且通过近两年的运行积累了较多的经验，后续可以继续结合市场变化以及流动性情况灵活运用以调节货币供给，通过货币政策引导金融市场利率上行，减少同业存单和同业理财的利差，推动实体经济持续健康发展。

第二，强化区域金融机构监管。依据《巴塞尔协议Ⅲ》建立的宏观审慎评估体系（MPA）对各类金融机构的杠杆水平提出了监管要求，但仅在总量上限制金融机构加杠杆的总体规模难以控制通道和委外业务，尤其是资金在区域间的流动也会抬升局部地区的杠杆。因此应严格监管银行机构开展委外投资，实行限额管理，更重要的是依照新老划断原则禁止新开展的同业投资业务多层嵌套；尤其是注意大笔资金的跨区流动。据此，银监会、证监会和保监会纷纷下发文件，强化监管力度，对银行业的同业业务、理财业务、投资业务实施重点监管，对保险业的保险资金运用、偿付能力、产品管理、中介机构、消费者权益保护、高管人员管理、新型业务等业务堵住政策漏洞，而证监会则将统一区域性股权市场业务及监管规则作为下阶段工作的重点。可见，“去杠杆、防风险、控套利”正在成为区域金融监管系统的思路和政策。

第三，把握金融去杠杆的节奏和步伐。金融部门去杠杆是大势所趋，但并不能一蹴而就，尤其要警惕类似日本20世纪80年代发生的快速降杠杆而引发的风险爆发。特别是在我国以间接融资为主体的金融体制下，金融去杠杆过快，必然影响到实体经济的杠杆优化和结构调整。加之在没有消除地方政府通过金融分权影响信贷资源分配之前，金融部门快速去杠杆势必进一步挤占中小企业和新兴产业的信贷额度。因此，本轮去杠杆需要在货币政策和财政政策的配合下，通过加快金融机构经营模式转型，配合完善货币市场利率传导机制来达到优化杠杆质量的目的。具体而言，对金融机构应进一步宣导稳健化经营的理念，既要追求收益，也要防范风险。在组织结构上要使风险管理的手段和模式与日益复杂的业务模式相匹配；在收入结构上要开拓利源，丰富创利方式，降低银行业规模依赖，从而减少因规模扩张而加杠杆的行为。而在宏观上，金融市场区块化严重，利率传导不畅通是引致金融机构通过扩大投资规模跨市场、跨区域赚取利差的重要因素，因此，平衡地区间、行业间、所有制间企业的金融摩擦因素，完善市场利率传导机制是减少机构在不同市场间加杠杆套利的重要制度建设手段。