货币政策不确定性与制造业企业全要素生产率

■薛 龙，张雪蟒，欧阳志刚

一、引言

制造业是国民经济的根基，推动制造业高质量发展是实现中国经济高质量发展的重要环节，提升制造业企业全要素生产率则是推动制造业高质量发展的必由之路。由于制造业企业发展普遍存在典型的“速度效益型”特征，导致在提升制造业企业全要素生产率过程中，面临着如何为其提供充足资金支持的问题。近年来中国人民银行为了促进制造业企业转型升级，出台了一系列定向货币政策工具和结构性货币政策工具。这些政策的出台为制造业企业的发展提供了相对稳定的预期，但是伴随货币政策不断出台而来的货币政策不确定性对制造业企业带来的潜在成本也不容忽视。由此提出的问题是：货币政策不确定性如何影响制造业企业的全要素生产率？货币政策不确定性对不同特征制造业企业的全要素生产率会产生哪些异质性效应？进一步地，货币政策不确定性影响制造业企业全要素生产率的具体传导渠道是什么？对于以上问题的回答，不仅有助于在推动制造业高质量发展过程中为我国央行货币政策的精准施策和定向调控提供政策建议，而且能够为制造业企业在面对货币政策不确定性时如何作出经营决策，进一步提升企业全要素生产率提供理论依据，具有重要的理论和现实意义。

二、文献综述

近年来国内外学者逐渐开始关注货币政策不确定性方面的影响。从宏观经济角度看，货币政策不确定性的冲击会导致失业率以及产出增长率的震荡（Creal&Wu，2017）。Fernández-Villaverde et al.（2011）基于实物期权等理论，研究发现货币政策不确定性的加深，不仅会导致家庭为防范风险增加储蓄，降低消费水平，还可能会引起市场资本的观望和外流，不利于小型经济体的稳固发展。朱军和蔡恬恬（2018）研究指出货币政策不确定性对通货膨胀预期是一种“非线性”冲击，这种冲击在短期内会提升通货膨胀预期，长期则会降低通货膨胀预期。从微观经济主体角度看，外部政策不确定性较高，会导致企业延迟甚至放弃投资决策（Davis，2019），并且使国有制造业企业投资不足的问题更为突出（汪虹，2021）。同时在这一时期，企业为了降低自身的融资成本，会选择提高自身会计信息质量以应对不确定性所带来的不利影响（孙健等，2017）。此外，货币政策不确定性也加剧了股权质押对上市公司创新活动的抑制作用（杨鸣京等，2019）。

现有关于制造业企业全要素生产率的研究主要是围绕技术进步以及资源配置的角度来展开的（段梅和李志强，2019）。从技术进步的角度看，陈汝影和余东华（2020）认为偏向资本的技术进步能够正向影响制造业企业全要素生产率，而结合资本偏向的技术进步主要源自于企业的研发投入、技术引进等（Comin&Hobijn，2010）。张广胜和孟茂源（2020）通过实证研究发现，研发投入与制造业企业全要素生产率二者之间呈现出显著正相关关系，但是这一作用效果具有滞后效应并且呈现边际效应递减。从资源配置的角度而言，龚关和胡关亮（2013）的研究表明，资源配置改善能够有效提升制造业企业全要素生产率，经测算，若1998—2007年资本以及劳动资源都能得到有效配置，这十年间的全要素生产率将能得到10.1%的提升。周新苗和钱欢欢（2017）的研究表明，我国的资源错配会负向影响到制造业企业生产效率进步，但是对资源配置进行矫正以后会提高制造业企业全要素生产率水平。谢获宝等（2020）的研究则表明金融化会抑制制造业企业全要素生产率的提升。资源配置除了能直接对全要素生产率产生影响以外，还能够作为传导渠道对全要素生产率产生影响，钱雪松等（2018）研究表明，产业政策能够通过资源配置渠道影响到企业的全要素生产率。

上述研究为本文提供了有益参考，但是在货币政策不确定性与制造业企业全要素生产率这一细分领域还鲜有学者进行研究。本文的研究不仅拓展了宏观政策对微观企业影响领域的相关文献，而且为分析制造业企业全要素生产率的影响因素提供了一个新的视角。

三、理论分析与研究假设

（一）货币政策不确定性与全要素生产率

当制造业企业在日常经营过程中受到外部政策不确定性的影响时，制造业企业往往会采取一定的经营策略以应对不确定性所带来的风险。一是从研发投入的角度看，首先，当货币政策不确定性上升时，放贷给制造业企业的银行等金融中介会考虑到自身所面临的违约风险，减少放贷量。其次，制造业企业的研发项目在真正产生收益之前，通常是以无形资产的形式呈现，相对于固定资产而言，此类研发项目抵押值较低，能获得的外部资金较少。最后，制造业企业的研发项目通常具有周期长、资金需求量大、投资不确定性大等特点，具有较高的投资风险。因此，当货币政策不确定性上升时，制造业企业在面临融资约束和投资风险的背景下，可能会作出减少研发投入的决策，而随着企业研发投入的减少，会导致制造业企业全要素生产率下降。二是从资源配置的角度看，当货币政策不确定性上升时，企业的投资决策也面临不确定性（柳明花，2020）。对制造业企业而言，交易性金融资产等金融资源较固定资产而言更易变现，能够更好地解决可能出现的现金流不足等财务问题，为了防范此类问题给企业所带来的财务风险，制造业企业增持金融资产的预防动机加强，可能会将自身资源更多地倾向更易变现的金融资产，以应对不确定性的冲击。因此，货币政策不确定性加强时，企业会加大金融资产配置，即提高其金融化水平。对制造业企业而言，企业的金融化水平越高，说明企业对于自身的技术进步等方面更少地进行资源倾斜，不利于全要素生产率的提升。综上分析，提出研究假设1。

假设1：货币政策不确定性的上升会导致制造业企业全要素生产率下降。

（二）货币政策不确定性、企业成长性与全要素生产率

成长性较好的制造业企业通常处于快速成长期这一生命周期，此类制造业企业具有较高的成长潜力，也具有较高的资金需求。在货币政策不确定性加深时期，信贷市场中的信息不对称程度升高，此时银行提供贷款时更加谨慎，并且上游企业对下游企业提供的商业信用贷款相对货币政策不确定性较低时期更少，因此导致企业融资成本上升，强化了企业所面临的融资约束。全要素生产率的提升和技术进步息息相关，技术进步又取决于企业研发投入强度。成长性较好的企业在面临外部融资约束和内部扩张需求的双重压力下，会作出缩减研发投入的决策，这不利于全要素生产率的提升。综上分析，提出研究假设2。

假设2：制造业企业成长性越好，货币政策不确定性对制造业企业全要素生产率的抑制效应越强。

（三）货币政策不确定性、投资机会与全要素生产率

正如前述分析，当货币政策不确定性上升时，制造业企业的风险溢价水平和融资成本均会提高，企业为了规避风险导致投融资活动的意愿下降，此时，制造业企业在面临较多投资机会和高风险研发投入之间就会选择风险较低的投资机会而放弃具有较高风险的研发投入，导致企业研发投入的减少。此外，企业在降低研发投入的同时会把有限的资源配置到风险较低的投资机会上，这就可能导致企业有限的资源出现误置现象。可以看出，制造业企业投资机会越多，当货币政策不确定性上升时，制造业企业降低研发投入和发生资源误置的可能性就越大，这就加剧了货币政策不确定性对制造业企业全要素生产率的负向影响。由此提出研究假设3。

假设3：制造业企业面临的投资机会越多，越加剧货币政策不确定性对制造业企业全要素生产率的负向影响。

四、研究设计

（一）变量设定

1.解释变量为货币政策不确定性（UNMP）。目前学术界关于货币政策不确定性这一变量的衡量主要有两种方式：一是上海银行间同业拆借利率（Shibor）七日利率的变化标准差；二是Huang&Luk（2020）利用文本分析法所创建的货币政策不确定性指数。因文本分析法涉及的电子数据库领域更广，结果更为客观，故选取第二种测量方法。此外，为了将月度货币政策不确定性指数转换为本文所需要的年度货币政策不确定性指数，参考顾夏铭等（2018）的做法，将一年内各月度货币政策不确定性指数的算术平均值作为年度货币政策不确定性指数。最后，为了使之与制造业企业观测数据在统计学上相匹配，将年度货币政策不确定性指数除以100作为最终货币政策不确定性的衡量指标。

2.被解释变量为全要素生产率（TFP）。目前关于全要素生产率的衡量主要有OLS、FE、OP以及LP法，考虑到OLS法与FE法可能存在联立性偏误与样本选择偏误，故而选择使用OP法和LP法来衡量制造业企业全要素生产率，具体计算办法主要参考鲁晓东和连玉君（2012）的做法。

3.控制变量。参考已有研究，本文控制了可能影响企业全要素生产率的企业特征变量，主要包括企业成长性（GROW）、账面市值比（BM）、投资机会（TOBINQ）、企业上市年限（AGE）、资产负债率（LEV）、现金流水平（CASH）、固定资产占比（PPE）、企业规模（SIZE）和产权性质（SOE）。此外还通过设置虚拟变量的方式对行业效应（Ind）和年度效应（Year）进行了控制，控制变量具体含义和计算方法见表1。

表1 变量设置与说明

（二）模型构建

为了研究货币政策不确定性如何影响制造业企业全要素生产率，设定模型（1）如下：

模型（1）主要关注货币政策不确定性的回归系数β，如果β显著小于0，则假设1得到验证，表明货币政策不确定性上升时会导致制造业企业全要素生产率的下降。

为了检验企业成长性是否会在货币政策不确定性影响制造业企业全要素生产率的过程中产生调节效应，设定模型（2）如下：

模型（2）主要关注货币政策不确定性的回归系数β，以及货币政策不确定性和企业成长性的交乘项系数β。如果β显著小于0且β显著为负值，则假设2得到验证，表明企业成长性越好，货币政策不确定性上升时对制造业企业全要素生产率的负向影响就越大。

为了探究企业投资机会是否会在货币政策不确定性影响制造业企业全要素生产率的过程中产生调节效应，设定模型（3）如下：

模型（3）主要关注货币政策不确定性的回归系数β以及货币政策不确定性和企业投资机会的交乘项系数β，如果β显著为负值且β显著小于0，则假设3得到验证，表明企业投资机会越多，货币政策不确定性上升时对制造业企业全要素生产率的负向影响就越强。

模型（1）（2）（3）中，TFP代表制造业企业i在t年度的全要素生产率，采取OP法（TFP-OP）和LP法（TFP-LP）两种计量方式；β代表常数项；UNMP代表货币政策不确定性；X代表企业成长性、账面市值比、投资机会、企业上市年限、资产负债率、现金流水平、固定资产占比、企业规模、产权性质等企业层面的一组控制变量；Year和Ind分别表示年份虚拟变量和行业虚拟变量，用以控制年度效应和行业效应；ε表示随机误差项。

（三）样本选取与数据来源

本文使用2009—2019年沪深A股上市制造业企业微观数据进行分析。并对数据遵循以下原则进行筛选和处理：（1）剔除了ST、ST*企业的样本数据，主要是由于ST与ST*类企业所披露的经营成果可靠性差，财务状况异常；（2）剔除了数据缺失的样本数据，原因是国泰安数据库中的数据并不十分完整，采取剔除的办法以保证数据的可比性与完整性；（3）为了剔除异常值的影响，对企业层面观测数据均进行了Winsorize处理，即对连续变量进行双侧1%的缩尾处理。企业数据主要来源国泰安数据库。筛选处理后的样本量为13224。

表2报告了主要变量的基本统计特征。可以发现，所选样本中制造业企业全要素生产率TFP-OP的均值与中位数分别为7.031和7.005，TFP-LP的均值与中位数分别为16.524和16.411，略微左偏态。货币政策不确定性（UNMP）的最小值为0.809，最大值为2.279，而均值为1.213，这说明我国货币政策调整得较为频繁。此外，从企业层面数据的统计分析看，企业成长性（GROW）的均值为0.166，中位数为0.112，说明样本企业整体发展能力较好。企业投资机会（TOBINQ）的最小值为0.894，最大值为7.490，相差较大，这说明不同上市企业之间的投资机会相差较大。资产负债率（LEV）的最小值为0.051，最大值为0.851，这说明不同上市企业之间的负债水平相差很大，而且部分上市企业存在过度负债现象。现金流水平（CASH）的最小值为-0.122，最大值为0.230，这说明不同上市企业之间的现金流水平存在较大差异。

表2 主要变量描述性统计

五、实证结果分析

（一）基准回归分析

表3报告了模型（1）的回归结果，其中列（1）—列（3）中的衡量方式采用OP法，列（4）—列（6）中的衡量方式采用LP法。从列（1）和列（4）中结果可以看出，在不加控制变量时，货币政策不确定性的回归系数分别为-0.3437、-0.3901，并且均在1%的水平上显著。列（2）和列（5）为加入控制变量，但不对年份虚拟变量和行业虚拟变量进行控制的回归结果，结果显示货币政策不确定性前的回归系数分别为-0.2398和-0.1353，并且同样在1%的水平上显著。列（3）和列（6）报告了加入控制变量并且对年份和行业效应进行控制的回归结果，结果显示货币政策不确定性的回归系数分别为-0.8973和-0.6655，并且同样在1%的水平上显著。以上结果说明，两种衡量方法下的全要素生产率在三种回归条件下，货币政策不确定性均会对制造业企业全要素生产率产生负向影响，即货币政策不确定性上升时，会导致制造业企业的全要素生产率降低，这一结果验证了本文的假设1。

表3 货币政策不确定性与全要素生产率

（二）稳健性分析

为了研究结论的可靠性，参考孙健等（2017）的做法，对于货币政策不确定性指标进行重新衡量，以检验前文基准回归是否具有稳健性。首先采用中国2009—2019年每一季度最后一月的货币政策不确定性指数的算术平均数的方法重新进行衡量，模型（1）回归结果见表4列（1）和列（2）所示；其次采用同一时间区间内上海银行间同业拆借7日利率的年度标准差作为货币政策不确定性指标，回归结果见表4列（3）和列（4）所示。可以看到在两种衡量方式下，货币政策不确定性变量的回归系数均在1%的显著性水平上显著。这一结果表明货币政策不确定性的上升会导致制造业企业全要素生产率显著下降，这和前述回归结果相一致，由此表明了本文研究结果的稳健可靠。

表4 稳健性检验结果

（三）企业成长性和投资机会的调节效应分析

表5中列（1）和列（2）报告了模型（2）的回归结果，列（3）和列（4）报告了模型（3）的回归结果。从回归结果中可以看出，列（1）和列（2）中货币政策不确定性的回归系数分别为-0.9013和-0.6749，且在1%的水平上显著，企业成长性与货币政策不确定性两者的交乘项的回归系数分别为-0.0759和-0.1763，并且在1%的水平上显著。上述结果意味着企业成长性越好，货币政策不确定性对制造业企业全要素生产率的负向影响越大，本文的研究假设2得到了验证。列（3）和列（4）的回归结果中货币政策不确定性的回归系数分别为-0.9011和-0.6705，并且在1%的水平上显著，企业投资机会与货币政策不确定性两者的交乘项的回归系数分别为-0.0607和-0.0796，且在1%的水平上显著，这一结果意味着企业投资机会越多，货币政策不确定性对制造业企业全要素生产率的负向影响越大。本文的研究假设3得到了验证。

表5 调节效应回归结果

（四）中介效应分析

正如前文所述，货币政策不确定性可能通过影响企业研发投入和企业金融化水平对制造业企业全要素生产率产生影响，下文从这两个角度检验货币政策不确定性对制造业企业全要素生产率的作用渠道。

1.中介变量定义

研发投入（RD）。借鉴郭平（2016）的研究方法，使用企业当年的研发支出除以主营业务收入来衡量研发投入。

企业金融化（FN）。参考张成思和张步昙（2016）的做法，将金融资产占比作为企业金融化的衡量指标，计算公式如下：

FN=（货币资金+持有至到期投资+交易性金融资产+投资性房地产+可供出售金融资产+应收股利+应收利息）/企业总资产

2.中介效应模型

本文主要采用温忠麟等（2004）的中介效应检验方法，分三步进行检验。Path a：检验货币政策不确定性（UNMP）与全要素生产率（TFP）之间的关系，得到回归系数α。如果α在统计上显著，则进行下一步检验。Path b：检验货币政策不确定性与中介变量（研发投入和企业金融化）之间的关系，得到回归系数β。如果β在统计上显著，则进行下一步检验。Path c：检验中介效应是否存在，将中介变量放置模型进行回归，得到回归系数λ。如果λ显著并且λ的绝对值比α的绝对值小，则存在中介效应。进一步地，如果λ显著，则说明存在部分中介效应；如果λ不显著，则说明存在完全中介效应。具体模型如下：

3.检验结果分析

表6的PANEL A报告了货币政策不确定性影响制造业企业全要素生产率的过程中，以企业研发投入作为传导渠道的逐步回归结果。结果发现无论是以TFP-OP还是以TFP-LP作为被解释变量，Path a中货币政策不确定性均在1%的显著性水平上对制造业企业全要素生产率具有负向影响。在Path b中，货币政策不确定性在1%的显著水平上对企业研发投入具有负向影响，这一结果说明货币政策不确定性的上升降低了制造业企业研发投入。结合Path c中货币政策不确定性在1%的水平上对制造业企业全要素生产率具有负向影响，研发投入在1%的水平上对制造业企业全要素生产率具有正向影响，并且Path c中货币政策不确定性的系数绝对值小于Path a中货币政策不确定性的系数绝对值，这说明研发投入这一渠道为部分中介效应，以上结果意味着，货币政策不确定性上升通过降低研发投入进而抑制了制造业企业全要素生产率。

表6的PANEL B报告了货币政策不确定性影响制造业企业全要素生产率的过程中，以企业金融化作为传导渠道的逐步回归结果。结果发现无论是以TFP-OP还是以TFP-LP作为被解释变量，Path a中货币政策不确定性均在1%的显著性水平上对制造业企业全要素生产率具有负向影响。在Path b中，货币政策不确定性在1%的显著水平上对企业金融化具有正向影响，这一结果说明货币政策不确定性的上升深化了制造业企业金融化水平，结合Path c中货币政策不确定性在1%的水平上对制造业企业全要素生产率具有负向影响，企业金融化分别在10%和5%的水平上对制造业企业全要素生产率具有负向影响，并且Path c中货币政策不确定性的系数绝对值小于Path a中货币政策不确定性的系数绝对值，这说明企业金融化这一渠道为部分中介效应，上述结果表明，货币政策不确定性通过加深企业金融化水平进而抑制了制造业企业全要素生产率。

表6 作用渠道检验结果

六、研究结论与启示

本文借鉴Huang&Luk（2020）的基于文本分析法所构建的货币政策不确定性指数来衡量中国货币政策不确定性，并结合制造业上市企业的微观数据构建面板数据模型，研究货币政策不确定性对制造业企业全要素生产率的影响。研究结果发现，货币政策不确定性上升会导致制造业企业全要素生产率显著下降。进一步地，对于不同特征的制造业企业来说，企业成长性越好、面临的投资机会越充足，货币政策不确定性上升对制造业企业全要素生产率的负向影响越大。传导渠道的检验结果表明，货币政策不确定性上升会通过降低企业研发投入和提升企业金融化水平两个渠道来抑制制造业企业全要素生产率的提升。

上述研究结论对我国央行货币政策制定与企业经营决策都具有重要的启示。首先，在制定和实施货币政策进行经济调控时，应该保持货币政策的稳定性和连续性，减少因货币政策频繁调整所带来的不确定性对制造业企业全要素生产率的不利影响。其次，在保持货币政策稳定性与连续性的同时，要注重货币政策工具的本身所具有的针对性和灵活性，强化货币政策工具的定向调控，充分发挥货币政策工具在促进制造业企业增加研发投入，抑制制造业企业金融化水平方面的效果，有效降低货币政策不确定性的不利影响，进而更好促进制造业企业全要素生产率的提高。最后，在传统货币政策工具基础上，应创新和丰富货币政策工具组合，发挥货币政策工具的组合效应；同时引导金融机构优化信贷结构，加强对制造业企业的资金支持。对制造业企业来说，在发展过程中应制定科学合理的战略目标，保持合理的扩张速度，避免出现因扩张过快导致研发资金供不应求的现象。此外，即使制造业企业自身面临较为充足的投资机会，也不能减少制造业企业自身的研发投入，避免“脱实向虚”现象的出现，进而影响制造业企业全要素生产率的提升和高质量发展目标的实现。

注：括号中为t检验统计量，*、**和***分别表示在10%、5%和1%的水平上显著。