数字金融与货币政策传导效应*

周之瀚

(北京大学 经济学院，北京 100871)

一、引言

货币政策是一种至关重要的宏观经济调控手段，其传导过程是否通畅往往决定了政策实施是否有效，进而影响宏观经济发展和金融稳定。所以无论是在实务界还是在学术界，货币政策传导效应始终备受关注。而当前，我国经济面临需求收缩、供给冲击与预期转弱三重压力，外部环境不确定性与内部疫情反复性仍然并存，更是亟需货币政策有效实施，加大对实体经济的支持力度，着力稳定宏观经济大盘，推动经济行稳致远。另外，数字金融的发展深刻改变了宏观经济与金融的内在结构，使得货币政策传导的介质性质发生变化，货币政策冲击在不同的数字金融发展环境下可能会产生异质性传导效应。本文的主要目的就是分析数字金融对货币政策传导效应是否存在结构性影响，并探讨深层机理。

本文首先借鉴Towbin and Weber(2013)[1]179-194的技术构建IPVAR模型，研究在不同数字金融发展水平下的货币政策传导效应差异。本文的主要结论表明，数字金融发展对货币政策传导效应具有结构性影响，其主要表现是：一方面，加强了扩张性货币政策对产出的刺激作用，降低了产出的波动超调效应(over-shooting)；另一方面，放大了通货膨胀对扩张性货币政策冲击的负向脉冲响应幅度，强化了“价格之谜”和通货膨胀的波动超调效应。通过四变量IPVAR模型检验发现，数字金融对“价格之谜”的强化效应并非源自货币政策的预期信号作用，而更可能是畅通货币政策成本传导渠道起到了关键作用。在进一步的机制分析中，本文探讨了数字金融对货币政策效果产生结构性调整的深层机理，通过固定效应模型和面板工具变量模型等能发现，数字金融通过强化成本传导渠道放大了货币政策的总供给效应。

本文增进了对数字金融结构性宏观效应的理解，深入分析了数字金融对货币政策传导效应的影响。接下来的部分结构安排如下：第二节对相关文献进行综述；第三节介绍了IPVAR的模型设定、主要变量的选取和预处理以及数据与模型的平稳性检验；第四节汇报了模型的实证结果和脉冲响应分析，以及相应的经济学解释；第五节做了进一步的机制分析；第六节是本文的结论及启示。

二、文献综述

近年来已有学者发现，宏观环境的变化、金融结构的调整、制度变革与技术发展等外生冲击，都可能改变货币政策传导效应(Ma and Lin，2016)。[2]1-11而数字金融的发展恰恰会对金融体系结构产生根本性的影响，因此在我国数字金融进入发展快车道的当下，研究货币政策传导效应在新的金融体系下的结构性转变很有必要。然而关于数字金融对货币政策传导效应的影响方向及效应大小，当前学术圈尚无定论。

不少研究指出，数字金融有可能降低货币政策传导效应。谢平和刘海二(2013)[3]1-14指出，数字金融发展也许会改变货币需求形式，这将使货币控制的有效性大大降低，这时需要中央银行发明新的货币政策工具来应对这一冲击。战明华等(2018)[4]63-76构建了包含企业、家庭和银行的DSGE模型，发现总体上互联网金融会通过降低金融市场的摩擦来弱化货币政策银行信贷渠道。彭安兴等(2021)[5]15-30将数字经济比重引入DSGE模型中，得出结论为数字经济会降低商品价格黏性，动摇货币政策非中性的微观基础，进而弱化货币政策效果。也有很多研究认为，数字金融能加强货币政策传导效应。Mishra et al.(2014)[6]117-131认为随着金融市场的完善，人们将越来越多地参与金融市场并对货币政策冲击做出反应，货币政策的利率传导机制将更加畅通，因而货币政策效果会得到强化。刘澜飚等(2016)[7]61-73将互联网金融对居民资产选择及存款供给的影响引入微观银行学框架，从理论上分析了互联网金融对我国货币政策传导有效性的影响，发现互联网金融增强了银行的存贷款规模及利率对银行同业市场利率的敏感性，提高了货币政策的有效性。战明华等(2020)[8]22-38拓展了标准的IS-LM-CC模型，分析发现我国数字金融对货币政策效果的影响更符合发展中国家的特征，即数字金融能够放大产出关于政策冲击的脉冲响应幅度、减少政策效果的滞后时间、弱化“价格之谜”现象。当然，还有部分研究认为，数字金融对货币政策传导效应的影响是不确定的。方兴和郭子睿(2017)[9]183-190利用北京大学互联网金融指数，借助TVP-VAR模型，研究第三方支付对我国货币政策传导效应的影响，发现第三方支付对货币政策的影响具有不确定性，从产出渠道来说增强了货币政策传导效应，而在价格渠道则削弱了货币政策传导效应。

整合相关文献可知，关于数字金融对货币政策传导效应的影响这一问题，现有文献的讨论还比较少，而探讨数字金融对货币政策成本传导渠道影响的研究更是鲜见。因此，本文结合实证分析和理论推导研究了数字金融对货币政策传导效应的影响，并且通过推导含成本渠道混合型新凯恩斯菲利普斯曲线并对结构方程进行GMM估计来验证成本传导渠道在其中的机制作用。

三、研究设计

本文关注数字金融对货币政策传导效应的影响及深层的影响机理，使用含条件依赖参数的交互面板向量自回归模型(Interacted Panel VAR，IPVAR)展开研究。IPVAR是在PVAR模型的基础上扩展而来的，最初由Towbin and Weber(2013)[1]179-194提出。IPVAR模型最大的改进在于它假定系数矩阵是条件于个体特征而产生的，这有利于分析异质性个体特征会怎样改变各变量之间的影响效应，也能够通过控制交互变量的组合来刻画出个体不同特征之间的交互效应。

(一)模型设定

为构建IPVAR模型，参考Towbin and Weber(2013)[1]179-194、Sá et al.(2014)[10]522-546和Aastveit et al.(2017)[11]50-67等的实证方法，首先建立一个基于Cholesky restrictions的三变量SVAR模型：

(1)

后文为了消除货币政策传导过程中的预期信号对通货膨胀的影响，还在Yit中加入了商品零售价格RPI。为了考察异质性个体特征的效应，将上式系数矩阵中的参数设置为条件依赖的，即有如下形式：

(2)

其中Xit为个体特征。将式(1)两端同时乘以A0t-1，得到简化形式的IPVAR模型：

(3)

其中εit为简化型IPVAR的扰动项，满足εit=A0t-1uit。

关于内生变量的选取顺序，在文献中已多有讨论。一般来说，认为货币政策存在时滞性，对当期产出和通货膨胀影响较小，同时货币供应在我国具有较强内生性(万解秋和徐涛，2001)[12]40-45+50+94，会根据宏观经济变量及时调整，尤其对物价水平敏感，所以将货币政策变量MP放在最后，将CPI放在MP之前。产出GDP当期受CPI和MP影响较小，故放于第一位。最终三变量IPVAR模型中内生变量Yit的顺序为：

Yit=[GDPitCPIitMPit]′

(4)

当预期到未来通货膨胀将下降时，中央银行会提前实施扩张的货币政策，又因为通货膨胀存在惯性，货币政策本身释放出的预期信号亦会在短期内加大通货膨胀下行压力，因此从数据上呈现出“价格之谜”的现象。所以在之后的四变量IPVAR模型中，在系统中加入商品零售价格RPI，因为学界普遍认为其对货币政策变化敏感，可以减弱货币政策的预期信号效应(Brissimis and Magginas，2006；蒋海和储著贞，2011)[13]1225-1234, [14]27-41。所以将RPI放在货币政策MP之后。最终四变量IPVAR模型中内生变量Yit采取的变量顺序为：

(5)

在后文的格兰杰因果检验中，也对本文的变量选取顺序进行了验证。

(二)变量说明

考虑到数据的可得性，本部分采取季度频率的面板数据，样本区间为2011年第四季度至2020年第四季度，样本截面选取了我国31个省级行政单位。数据来源于中经网统计数据库和Wind金融数据库。产出方面选择省级季度GDP数据，记为GDP，通货膨胀方面选择居民消费价格指数CPI，以2003年1月为基时求得其定基比指数，记为CPI。选取广义货币供应量M2作为货币政策变量MP的代理变量，记为M2；商品零售价格RPI以2003年1月为基时求得其定基比指数，记为RPI。本文借助北京大学数字金融研究中心所编制的数字普惠金融指数(郭峰等，2020)[15]1401-1418来刻画省级数字金融发展水平，记为DF。

为消除通货膨胀因素，本文将GDP和M2的名义值除以CPI以做消胀处理，得到GDP和M2的实际值，并使用X-12季节调整方法对GDP、CPI、M2和RPI进行季节调整。为避免变量序列间异方差性的影响，实证分析中的GDP、CPI、M2和RPI均以对数形式出现，分别记为lnGDP、lnCPI、lnM2和lnRPI。变量详细定义见表1。

表1 变量含义与数据来源

(三)数据平稳性检验

IPVAR模型要求内生变量平稳，因此对变量进行时间序列单位根检验和面板单位根检验。表2展示了使用ADF检验方法对各变量原值序列和一阶差分序列进行时间序列单位根检验的结果。在检验时采取AIC准则确定滞后阶数，并在原假设中假设了截距项与趋势项的存在。结果表明，各变量原值序列存在单位根，而各变量一阶差分序列均在1%的置信水平下显著拒绝了存在单位根的原假设。所以lnGDP、lnCPI、lnM2、lnRPI均为一阶单整序列，即I(1)。因此，在后续的IPVAR模型实证分析中，使用各变量的一阶差分序列，记为dlnGDP、dlnCPI、dlnM2、dlnRPI。

表3展示了使用LLC检验方法和IPS检验方法对各面板变量一阶差分序列进行面板单位根检验的结果。

表2 时间序列数据单位根检验：ADF检验

表3 面板数据单位根检验：LLC检验和IPS检验

(四)模型检验与格兰杰因果检验

使用AIC和BIC准则判定本文IPVAR模型的最优滞后阶数为二阶。表4展示了dlnGDP、dlnCPI、dlnM2和dlnRPI之间的格兰杰因果检验。由表可知，dlnGDP和dlnM2的因果关系检验，能够同时在1%的置信水平下拒绝dlnGDP不是dlnM2格兰杰因的原假设和dlnM2不是dlnGDP格兰杰因的原假设，换言之，dlnGDP和dlnM2互为对方的格兰杰因。在dlnCPI和dlnM2的因果关系检验中，dlnCPI在1%的置信水平下是dlnM2的格兰杰因，反之则不是。这可能是因为货币政策对CPI变量具有当期敏感性，而由于货币政策传导过程中存在时滞性，CPI变量对货币政策不具有当期敏感性。在dlnM2和dlnRPI的因果关系检验中，dlnM2在10%的置信水平下是dlnRPI的格兰杰因，反之则不是。这也验证了文献中的理论，即商品零售价格对货币政策变化敏感，可以起到制定政策时的预期信号作用(Brissimis and Magginas，2006；蒋海和储著贞，2011)。[13]1225-1234, [14]27-41格兰杰因果的实证结论印证了IPVAR模型中内生变量Yit所设置的先后次序是符合实际情形的。

表4 内生变量的格兰杰因果检验

续表

四、实证结果分析

(一)三变量IPVAR脉冲响应分析

从图中可以直观看出，随着数字金融发展水平的提升，扩张的货币政策带来的产出脉冲响应会变得更显著且更剧烈，最终的累积效应也更强。具体而言，在25%分位的数字金融发展水平时，GDP在第2期出现显著的正向最大脉冲响应，即GDP增速提高0.926个标准差，最终的累积脉冲响应强度为0.469；在50%分位的数字金融发展水平时，GDP在第2期出现显著的正向最大脉冲响应，即GDP增速提高1.526个标准差，最终的累积脉冲响应强度为0.870；而在75%分位的数字金融发展水平时，GDP同样在第2期出现显著的正向最大脉冲响应，即GDP增速提高2.149个标准差，最终的累积脉冲响应强度为1.267。同时也能从图中直观看出，数字金融弱化了产出的波动超调效应，使得产出的负向响应更为平缓。

图1 脉冲响应分析：GDP对M2正向冲击的脉冲响应

图2 脉冲响应分析：GDP对M2正向冲击的累积脉冲响应

图3 不同数字金融发展水平下GDP和CPI对M2的脉冲响应统计

图3上图展示了各个数字金融发展水平下，GDP对M2一单位标准差正向冲击的脉冲响应统计，包含正向最大响应强度和累积响应强度。图3直观展示出，随着数字金融发展水平的提高，产出对扩张性货币政策冲击的正向最大脉冲响应和累积脉冲响应均有所提升，表明数字金融有助于加强扩张性货币政策对产出的刺激作用，即数字金融有利于畅通货币政策的传导渠道，提升货币政策传导效应，降低货币政策时滞性。

图4和图5展示了在数字金融发展水平处于25%分位、50%分位和75%分位时，CPI对M2一个标准差正向冲击所产生的脉冲响应和累积脉冲响应。通货膨胀脉冲响应在不同数字金融发展水平下也呈现出相似的响应模式：在M2正向冲击的第1期，通货膨胀出现了显著的负向响应，且是最小脉冲响应；第2期CPI的负向响应减小；从第3期开始，CPI的脉冲响应开始变为正向，之后逐渐减小回归到0。可以发现，扩张性的货币政策在短期内显著降低了通货膨胀，产生了“价格之谜”。而在中长期存在波动超调效应，会出现通货膨胀上涨的现象。

从图中可以直观看出，随着数字金融发展水平的提升，扩张的货币政策带来的通货膨胀负向脉冲响应也变得更加剧烈，最终的累积效应也更强，并且中长期的波动超调效应更剧烈，持续期更长。具体而言，在25%分位的数字金融发展水平时，CPI在第1期出现负向最大脉冲响应，即CPI增速降低0.038个标准差，最终的累积脉冲响应强度为-0.068；在50%分位的数字金融发展水平时，CPI在第1期出现负向最大脉冲响应，即CPI增速降低0.207个标准差，最终的累积脉冲响应强度为-0.208；在75%分位的数字金融发展水平时，CPI的负向最大脉冲响应同样出现在第1期，即CPI增速降低0.324个标准差，最终的累积脉冲响应强度为-0.295。同时也能从图中直观看出，数字金融加强了通货膨胀的波动超调效应，使得产出在中长期的正向响应更剧烈，持续时间也更长。这可能是由于货币政策同时具有总需求效应与总供给效应，具体体现为刺激投资渠道、扩张社会总需求从而造成通货膨胀上升趋势，和畅通成本传导渠道、降低企业生产边际成本、扩张社会总供给从而造成通货膨胀下降趋势，两种相反的效应具有非对称性和时间上的不匹配，总供给效应快于总需求效应作用于实体经济，最终导致了“价格之谜”的产生和通货膨胀的波动超调效应。

图4 脉冲响应分析：CPI对M2正向冲击的脉冲响应

图5 脉冲响应分析：CPI对M2正向冲击的累积脉冲响应

图3下图展示了各个数字金融发展水平下，CPI对M2一单位标准差正向冲击的脉冲响应统计，包含负向最大响应强度和累积响应强度。可以看出，数字金融强化了扩张性货币政策对通货膨胀产生的“价格之谜”，也加大了通货膨胀的波动超调效应。这说明数字金融同时加强了货币政策的总需求效应和总供给效应，从而增强了货币政策的总效应。从图6中还能发现，CPI的负向最大脉冲响应强度经历了一个先上升后下降的过程，这是由于在数字金融发展水平较低时，一单位数字金融发展水平的提高对货币政策总需求效应带来的边际提升要高于其对货币政策总供给效应带来的边际提升；而当数字金融发展水平高于25%分位后，一单位数字金融发展水平的提高对货币政策总需求效应带来的边际提升会转而变得低于其对货币政策总供给效应带来的边际提升，所以此时CPI负向最大脉冲响应与数字金融发展水平呈现出单调负相关关系。

(二)四变量IPVAR脉冲响应分析

图6 不考虑预期信号和考虑预期信号的CPI脉冲响应对比图

图6展示了三变量IPVAR和引入RPI后的四变量IPVAR的脉冲响应对比分析图。从图中能看出，引入了RPI后，CPI对M2的脉冲响应并未发生显著变化，且仍然具有显著的“价格之谜”和波动超调现象，数字金融对货币政策传导效应的影响也未发生显著改变。这说明造成“价格之谜”的主要因素并非是货币政策预期信号作用。由此，本节提出如下机制假设：

机制假设：货币政策传导存在成本渠道，扩张性货币政策会产生总供给效应来影响通货膨胀和总产出。而数字金融发展则会强化货币政策传导的总供给效应，进而增强货币政策传导效应。

五、机制分析：数字金融对货币政策成本传导渠道的影响效应

为了验证本文第四节末尾对于IPVAR模型实证结果所提出的机制假设，本节将通过对含成本渠道的混合型新凯恩斯菲利普斯曲线(Hybrid NKPC)的推导来提供货币政策存在成本传导机制的理论基础，并根据模型构建结构方程，在此基础上使用动态面板GMM结构估计方法和省级季度动态面板数据，检验中国货币政策传导中成本渠道的存在性，进而检验数字金融对成本传导渠道的影响。

(一)理论推导

1.货币政策成本渠道的作用机制

传统宏观经济理论主要讨论货币政策的总需求效应，但一些学者的实证研究发现，货币政策对宏观经济的影响与传统理论并非完全一致，如Sims(1992)[16]975-1000利用VAR模型发现了紧缩性货币政策冲击会导致通货膨胀产生短期的正向响应，这个现象被称为“价格之谜”。为了解释这个现象，很多学者提出货币政策存在成本传导渠道，即货币政策通过影响厂商的生产成本来影响总供给，进而对产出和通货膨胀产生正向影响(Barth and Ramey，2001；Christiano et al.，2005；Ravenna and Walsh，2006)。[17]184-240, [18]1-45, [19]199-216也有很多学者发现我国货币政策同样也存在成本传导渠道(彭方平和连玉君，2010；王艺明和蔡昌达，2012)。[20]27-33+64+187, [21]14-25现有研究指出，在企业生产、销售产品并获得收入之前，需要投入营运资本并产生经营成本，当经营成本尤其是与劳动力相关的成本费用需要靠企业外源融资来筹集时，货币政策就能通过影响市场贷款利率来影响企业的外源融资成本，进而调整企业的生产边际成本，从而影响企业生产决策，最终对宏观经济变量产生总供给效应(Ravenna and Walsh，2006；Henzel et al.，2009；Tillmann，2009)。[19]199-216, [22]268-289, [23]885-906在这个过程中，企业营运资本外源融资依赖度越高，货币政策的成本传导渠道效应就越明显(Rudd and Whelan，2006；蒋海和储著贞，2011)。[24]303-320,[14]27-41数字金融的发展能够帮助降低市场上的信息不对称，弱化金融摩擦，提高资金供给方的风险识别能力和价值挖掘能力，降低企业的融资约束，为提高企业营运资本外源融资依赖度创造了客观的有利条件。

2.含成本渠道的混合型新凯恩斯菲利普斯曲线

借鉴Rudd and Whelan(2006)[24]303-320和蒋海和储著贞(2011)[14]27-41，可以推导出具有通货膨胀封闭解形式的含成本渠道混合型新凯恩斯菲利普斯曲线：

(6)

(7)

所以从(7)式可知，货币政策的成本渠道效应与外源融资依赖度χ成正比，即χ越大，企业营运资本越依赖于外源融资补充，企业实际边际成本受到利率影响就越大，货币政策的成本渠道效应也就越强，此时扩张性的货币政策能够更有力地降低企业实际边际成本，进一步扩张社会总供给，能够在提高产出的同时降低通货膨胀率。

(二)实证检验

本小节的实证检验将会使用动态面板GMM结构估计来验证中国货币政策传导中成本渠道的存在性，且会进一步检验数字金融对强化成本渠道效应所起到的作用。

1.实证模型设定

本节使用2011年第四季度至2017年第四季度的省级季度数据，参考Ravenna and Walsh(2006)、Rudd and Whelan(2006)等的方法，[19]199-216, [24]303-320对(6)式进行动态面板GMM结构估计。先将(6)式中的结构参数θ、κ代换为结构参数ω、δ，即可化为：

(8)

所以对应的正交条件可以表示为：

(9)

Et[(ei,t-ei,t-1)zi,t-2]=0

(10)

(10)式中的zi,t-2为工具变量组。理论上，k越大估计出来的参数结果就越准确，但为保证回归样本量足够大，本文选取k=4。在估计后还需注意的是，待估计的结构方程成立的前提条件是θ>1/2，即ω>δ。当估计结果验证了前提条件后，则可对χ参数的显著性水平进行考察，若χ显著则证明中国货币政策传导存在成本渠道，反之则说明中国货币政策传导不存在明显的成本渠道。由于要更进一步考察数字金融对企业外源融资依赖度χ的影响，所以需要赋予χ以地区异质性，而χ又难以直接观测，所以将其参数化为数字金融发展和某些地区特征的函数，即将χ表示为如下形式代入到(9)式中：

χi,t=α0+α1DEi,t+α2LOANi,t+α3GDPi,t

(11)

其中DEi,t表示省级数字金融发展水平；LOANi,t表示省级金融机构人民币贷款余额，作为地区金融发展水平的代理变量；GDPi,t表示省级GDP，作为地区经济发展水平的代理变量。

2.变量选择与数据处理

在选取工具变量时，考虑到在保证工具变量有效性的同时要尽可能保留更多数据，本文采取Anderson-Hsiao估计量的形式，借鉴经典文献中使用的工具变量(Galí and Gertler，1999；Galí et al.，2005；Ravenna and Walsh，2006)，[28]195-222, [29]1107-1118, [19]199-216选取工具变量组A包含滞后二阶的通货膨胀率、滞后一阶和滞后二阶的商品零售价格增长率、劳动收入份额偏离稳态值、贷款加权平均利率偏离稳态值、数字金融发展水平、金融机构人民币贷款余额、地区生产总值GDP等。考虑到GMM估计可能对工具变量组比较敏感，在工具变量组A的基础上加入广义货币M2供应量和名义工资增长率，作为工具变量组B进行稳健性检验。

3.实证结果分析

表5展示了对(9)式和(10)式的动态面板GMM结构估计结果。首先注意到在所有回归结果中均有ω>δ，所以易得θ>1/2，这便验证了描述通货膨胀本身动态过程的(6)式是稳定收敛的。回归M(1)-M(5)使用工具变量组A作为基准回归，回归M(6)-M(7) 使用工具变量组B作为稳健性检验。在估计方法上，回归M(1)-M(3)、M(6)-M(7)使用两步法差分GMM，回归M(4)-M(5)使用连续更新差分GMM作为估计方法上的稳健性回归。所有回归都通过了Hansen J检验，说明工具变量均是有效的，不存在过度识别。具体到每一个回归结果而言，回归M(1)先对中国货币政策传导的成本渠道进行检验，可以看到，三个结构参数ω、δ、χ均在1%水平下显著，且更换GMM估计方式后的回归结果M(4)与更换工具变量组后的回归结果M(6)都表明，三个结构参数的估计结果是显著的。对比回归M(1)、M(4)和M(6)也能发现，三个结构参数的估计值变化不大，这说明了估计结果具有较高的稳健性。注意到回归M(1)中的ω=0.833，表明每期只有将近17%的企业可以调整价格，产品价格粘性较大。δ=0.493，表明有将近49%的企业是后顾型的，即只根据过去的通货膨胀水平来确定当期价格。将本文的参数估计数值和文献中的进行对比也较为接近，如Galí and Gertler(1999)[28]195-222结合美国1960年第一季度至1997年第四季度的宏观经济数据，估计得到ω=0.81，δ=0.26；蒋海和储著贞(2011)[14]27-41结合中国1996年第一季度至2010年第一季度的宏观经济数据，估计得到ω=0.91，δ=0.28。本文所重点关注的变量为χ=0.846，且χ显著不为0，表明中国货币政策传导确实存在显著的成本渠道，且成本渠道效应不容忽视。回归M(2)是将χ作为地区数字金融发展水平的函数来进行估计的，α1是地区数字金融发展水平的系数，可以发现α1是显著为正的，这说明企业外源融资依赖度与地区数字金融发展水平呈现显著正相关关系。在回归M(2)的基础上，回归M(3)、M(5)和M(7)将χ同时作为地区数字金融发展水平、地区金融发展水平和地区经济发展水平的函数来进行估计，α2是地区金融发展水平的系数，α3是地区经济发展水平的系数。从回归结果来看，企业外源融资依赖度与地区金融发展水平显著正相关，与地区经济发展水平显著负相关。并且注意到，在控制了地区经济与金融发展禀赋后，企业外源融资依赖度仍然保持了与地区数字金融发展水平的显著正相关性，不同回归的估计结果间数值差异较小，说明估计结果的稳健性较好。

表5 机制检验：数字金融对企业营运资本外源融资依赖度的影响

总的来说，回归结果表明，中国货币政策传导过程中存在显著且较强的成本渠道效应。在数字金融发展水平越高的地区，企业营运资本中有越高的比例依赖外源融资的补充，这便使得企业的生产边际成本对市场利率的调整更加敏感，因此货币政策传导的成本渠道效应更强，扩张性货币政策可以更大幅度地降低企业生产边际成本，导致总供给增量提升，短期内表现为更大幅度的产出增加和通货膨胀下降。

六、结论与启示

本文探讨了数字金融对货币政策传导效应的影响，由此反映出数字金融的结构性宏观经济效应。本文首先构建了含条件依赖参数的交互面板向量自回归模型(IPVAR)，研究不同数字金融发展水平下，产出和通货膨胀对货币政策冲击的脉冲响应异质性，采取2011年第四季度至2020年第四季度的省级季度面板时间序列数据进行实证分析。研究发现，数字金融有助于畅通货币政策的传导渠道，提升货币政策传导效应，降低货币政策时滞性。具体而言，数字金融一方面加强了扩张性货币政策对产出的刺激作用，降低了产出的波动超调效应；另一方面强化了扩张性货币政策对通货膨胀产生的“价格之谜”，加大了通货膨胀的波动超调效应。接下来通过加入商品零售价格指数等变量，识别出我国货币政策产生“价格之谜”的主要原因并非货币政策的预期信号效应，从而推断出我国货币政策存在成本传导渠道，且数字金融会通过作用于货币政策的成本传导渠道而改变货币政策传导效应。进一步地，本文通过对含成本渠道的混合型新凯恩斯菲利普斯曲线进行模型推导和动态面板GMM结构估计，从宏观层面验证了数字金融通过提高企业外源融资依赖度来畅通货币政策传导成本渠道的机制。

我国货币政策在施行时要将数字金融发展作为宏观经济与金融结构中的重要组成部分，充分考虑数字金融对货币政策传导效应的影响，做到灵活精准、合理适度的科学施策，努力发挥好货币政策促进宏观经济稳定、支持实体经济发展的关键作用。