金融科技、信貸錯配與非金融企業部門杠桿率風險

任碧云　關秋

【摘要】本文將金融科技和非金融企業部門杠桿率風險置于同一框架下分析， 基于我國國有企業和民營企業在信貸獲取和生產率方面存在差異的現實背景， 構建包含信貸錯配特征的動態隨機一般均衡（DSGE）模型， 研究金融科技緩解非金融企業部門杠桿率風險的作用。研究發現： 我國非金融企業部門杠桿率風險主要體現為， 當存在信貸錯配時， 不利沖擊導致總產出下降較多， 而“穩增長”政策對總產出的拉動作用較??； 金融科技能夠降低中小民營企業融資溢價、 提高中小民營企業生存率和生產效率， 減輕信貸錯配程度， 從而緩解非金融企業部門杠桿率風險。因此， 應持續深化金融科技應用， 實現“穩增長”和“防風險”的統一。

【關鍵詞】金融科技；信貸錯配；非金融企業部門；杠桿率風險

【中圖分類號】 F830.5? ? ?【文獻標識碼】A? ? ? 【文章編號】1004-0994（2023）06-0114-10

一、 引言

2008年國際金融危機后， 我國宏觀杠桿率迅速上升， 一度被認為是宏觀經濟重要的風險隱患。根據中國社會科學院國家資產負債表研究中心（CNBS）的數據， 2022年9月末我國宏觀杠桿率（債務/GDP）為273.2%， 較2008年末增加了132.0個百分點。其中， 非金融企業部門杠桿率（非金融企業部門債務/GDP）為160.9%， 較2008年末增加了65.7個百分點， 是宏觀杠桿率的主體部分和主要增長動力。2015年以來， 宏觀杠桿率特別是非金融企業部門杠桿率成為我國金融宏觀調控的重點。2015年12月的中央經濟工作會議首次提出“去杠桿”政策， 2018年4月的中央財經委員會會議進一步提出“以結構性去杠桿為基本思路”“企業特別是國有企業要盡快把杠桿降下來”， 2019年12月的中央經濟工作會議要求“保持宏觀杠桿率基本穩定”， 2022年12月的中央經濟工作會議強調“要著力穩增長穩就業穩物價， 保持經濟運行在合理區間”?？梢钥闯?， 對宏觀杠桿率的調控思路逐漸從“去杠桿”轉變為“穩杠桿”， 更加注重在宏觀杠桿率水平保持基本穩定的情況下， 對非金融企業部門的杠桿結構進行優化， 防范非金融企業部門杠桿率風險。

非金融企業部門債務主要是銀行向企業（包括國有企業和民營企業）發放的貸款。近年來， 銀行信貸特別是中小民營企業的信貸發生了重大變化， 一個重要影響因素就是金融科技（Fintech）。根據金融穩定理事會（Financial Stability Board，FSB）的定義， 金融科技是技術驅動的金融創新， 是運用現代科技成果創造或創新金融產品、 經營模式、 業務流程等， 推動金融發展提質增效。在新一輪科技革命和產業變革加速演變中， 金融與科技的相互賦能是創新驅動發展的重要一環， 有力推動了銀行信貸模式的轉變。銀行利用互聯網、 大數據、 云計算、 區塊鏈、 人工智能等創新技術， 在設計信貸產品、 積累客戶數據、 加強信用風險管理等方面加快轉型， 對信貸特別是中小民營企業的信貸產生了較大影響。

一個值得思考的問題是， 金融科技是否能夠通過增加中小民營企業信貸， 對非金融企業部門杠桿率的結構和風險產生影響？本文基于國有企業和民營企業信貸錯配特征構建動態隨機一般均衡（DSGE）模型， 分析金融科技影響中小民營企業信貸的作用機理， 刻畫金融科技減輕信貸錯配程度、 降低非金融企業部門杠桿率風險的作用。文章余下部分安排如下： 第二部分梳理有關文獻并分析作用機理， 第三部分構建DSGE模型， 第四部分進行模擬分析， 第五部分是研究結論和政策含義。

二、 文獻綜述和理論分析

已有研究對于宏觀杠桿率風險的擔憂， 歸根結底是擔心高杠桿對經濟總產出的負面影響。許多文獻指出， 過高的杠桿率水平或增速會導致債務的邊際貢獻由正轉負， 加劇產出的波動水平。Reinhart和Rogoff（2009）提出了“90、 60”標準， 即當公共債務占GDP的比重超過90%時， 公共債務每增長1%， GDP增長率的中樞大致下降1%； 外債規模占GDP之比的閾值則約為60%。Arcand等（2012）的研究表明， 當宏觀杠桿率超過100%之后， 產出波動將明顯加大。同時， 高杠桿還會引起金融風險不斷累積， 在房地產市場、 資本市場等中催生泡沫， 泡沫一旦破裂將導致“債務—通縮”循環或“資產負債表衰退”， 引發總產出大幅下降和經濟衰退（Martin和Ventura，2012；馬勇等，2016）。就非金融企業部門而言， 杠桿率風險具體體現在國有企業和民營企業信貸錯配對總產出的負面影響。國有企業和民營企業并存的“二元”結構是我國非金融企業部門的主要特征， 兩者在生產率和信貸約束等方面存在差異（余雪飛和宋清華，2013；聶輝華等，2016）。國有企業生產率較低， 但由于受到隱性政府擔保， 其更易獲得低利率的信貸支持； 而民營企業雖然生產率較高， 但面臨著更加嚴格的融資約束。鐘寧樺等（2016）認為， 我國高杠桿問題主要集中于大型國有企業， 信貸資源錯配阻礙了全要素生產率的提升。伍戈和李斌（2016）認為， 國有企業過度融資和非理性投資可能擠出民營企業信貸資源， 造成經濟結構扭曲和產出損失。劉一楠和宋曉玲（2018）發現， 以房地產與地方平臺為代表的國有企業部門生產效率較低但得到信貸支持， 以制造業為代表的民營部門生產效率較高但受到信貸抑制， 降低了經濟體產出水平與經濟效率。綜上所述， 非金融企業部門杠桿率風險主要表現為， 在國有企業和民營企業信貸錯配的情況下， 經濟體總產出較不存在信貸錯配時更低?？紤]到在當前推動經濟運行穩步回升的總體要求下， 簡單壓降國有企業信貸可能對經濟恢復增長特別是基礎設施建設投資造成一定沖擊， 因此， 設法支持中小民營企業有效信貸需求既是穩增長、 保就業的重要手段， 可能也是緩解非金融企業部門杠桿率風險的現實選擇。

近年來許多研究認為， 金融科技能夠增加銀行對中小民營企業的信貸支持。金融科技相關概念還包括數字金融、 互聯網金融等， 而這些概念基本相似（黃益平和黃卓，2018）。金融科技增加中小民營企業信貸的作用機理包括以下三個方面：

1. 金融科技能夠緩解信息不對稱問題， 降低民營企業的融資溢價。中小民營企業普遍存在財務信息不完善、 信息披露不健全等問題， 銀行由于信息不對稱難以識別企業的償債能力， 傾向于選擇較高的風險溢價， 金融科技則有助于緩解這一問題： 第一， 金融科技能夠幫助銀行全面、 準確地收集各類信息， 對企業銷售、 信用、 納稅、 用水用電等行為數據進行挖掘和處理， 有效降低信息不對稱程度（Mocetti等，2017；黃浩，2018）。第二， 銀行基于大數據、 分布式記賬等技術構建智能風控系統， 提升了各類風險識別和管理的有效性， 通過精準化企業畫像、 精細化風險管理， 降低了合規成本和不良率（Norden等，2014；Demertzis等，2018）。第三， 金融科技能夠促進融資業務全流程的線上化、 自動化， 節省了人工成本， 減少了尋租空間和道德風險（Gomber等， 2018； 李春濤等， 2020）。

2. 金融科技能夠提高企業生存率。流動性不足是中小企業生命周期短的主要原因， 特別是在疫情的沖擊下， 大量中小民營企業營業收入下降、 流動資金不足， 如果缺少有效的金融支持， 將發生資金鏈斷裂使得企業退出市場。金融科技則拓寬了中小企業流動性資金來源， 緩解了疫情等外部沖擊的影響。第一， 金融科技減少了傳統信貸模式對企業抵押品的需求、 增加了信用貸款占比， 提高了民營企業信貸資源可得性（肖宇等，2020； 任碧云和鄭宗杰， 2021）。第二， 金融科技加劇了銀行業市場競爭， 促進了銀行信貸資源下沉和擴散， 便利了延期還本付息等優惠政策的實施（孟娜娜和粟勤，2020；盛天翔和范從來，2020）。第三， 金融科技促使產生了新的產品種類、 商業模式和金融業態， 增加了金融服務供給和流動性補充的渠道（唐松等， 2019；李天宇和王曉娟，2021）。

3. 金融科技有助于促進企業創新， 提升企業生產效率。第一， 金融科技加強了銀行對企業使用融資進行生產和投資的監督（Sutherland， 2018）， 反過來也促進了中小民營企業加強內部管理、 嚴肅財務紀律， 推動企業生產經營更加規范高效。第二， 金融科技幫助企業獲得了充裕的資金， 滿足了創新活動產生的大量資金需求， 增強了開展創新活動的動力（馬紅和李小萍，2022；王平和王凱，2022）。第三， 銀行在開展融資業務的過程中， 還會通過互聯網、 大數據為企業提供金融信息服務， 有助于提升企業管理決策水平和企業生產效率（Philippon，2016）。

因此， 金融科技能夠增加銀行對中小民營企業的信貸支持， 可能有助于減輕國有企業和民營企業信貸錯配對經濟總產出的負面影響， 降低非金融企業部門杠桿率風險。盡管金融科技也可能使得信貸風險更具傳染性、 隱蔽性和復雜性， 但考慮到我國金融科技正處于發展初期， 大部分應用還是在傳統金融基礎上拓展金融服務范圍（唐松等，2020）， 且金融監管部門同樣應用金融科技推動監管科技（Regtech）的發展， 風險監測預警和處置能力不斷提升， 2021年以來也逐步將互聯網平臺企業的金融業務納入監管并嚴格規制， 風險呈現收斂態勢。因此， 從整體上來看， 現階段金融科技對降低融資溢價、 提高生存率和生產效率的正面作用要遠遠大于其負面作用。

已有研究闡述了金融科技緩解企業特別是中小民營企業融資約束、 促進經濟發展的積極作用， 而民營企業融資又與信貸錯配和非金融企業部門杠桿率風險密切相關。雖然相關文獻已對這一問題的許多層面進行了富有意義的探討， 但尚未發現將金融科技和非金融企業部門杠桿率風險放在同一框架內的研究。與現有研究相比， 本文可能的貢獻主要有以下兩點： 一是將金融科技與非金融企業部門杠桿率風險置于同一框架下考慮， 梳理金融科技通過增加中小民營企業信貸影響杠桿率風險的作用機理， 拓展對金融科技影響的研究維度； 二是構建了一個包含信貸錯配的DSGE模型， 分析非金融企業部門杠桿率風險， 并模擬金融科技的作用， 從而豐富了對杠桿率風險的研究。

三、 模型構建與參數設定

（一）模型構建

本文構造的模型以Christensen和Dib（2008）的研究為基礎， 刻畫了代表性家庭、 中間產品生產商（國有企業和民營企業）、 資本品生產商、 零售商、 銀行機構、 政府和中央銀行的經濟行為。各部門的內在關系是： 代表性家庭向國有企業和民營企業提供勞動、 獲得工資收入， 在金融機構進行儲蓄， 通過決策消費、 勞動供給和儲蓄實現自身終生效用最大化； 國有企業和民營企業從金融機構獲得信貸資金， 從資本品生產商購買資本并從家庭部門雇傭勞動， 進行中間產品生產； 銀行機構作為資金中介， 吸收家庭部門的儲蓄并全部以信貸形式提供給國有企業和民營企業； 資本品生產商進行資本積累并提供給國有企業和民營企業使用； 零售商購買同質的中間品并加工成差異化的零售品， 設定零售品的價格并進行銷售； 中央銀行根據經濟運行情況和一定規則制定貨幣政策； 政府向非金融企業部門征稅并進行政府支出。

與常見的分析居民部門、 非金融企業部門、 政府部門三部門杠桿率的DSGE模型相比， 本文的模型加入了信貸錯配的設定， 區分了生產效率較低、 融資約束寬松的國有企業部門和生產效率較高、 融資約束較緊的民營企業部門， 從而能夠反映非金融企業部門的“二元”結構對其杠桿率風險的影響。

（二）參數設定

根據已有文獻和實際數據對模型進行參數校準和參數估計， 模型中1期對應現實中1個季度。

1. 利用能夠收集的實際數據對有明確經濟含義的參數進行計算。根據現有文獻的一般做法和一年期國債利率數據， 將主觀貼現因子β設為0.995， 意味著年化無風險利率約為2%。根據方程（6）（7）可得資本產出彈性系數與勞動者報酬占比的關系為α=1-WssLss/Yss， 由于有數據統計的2008 ～ 2017年我國GDP收入法構成中勞動者報酬占比均值WssLss/Yss約為0.5， 因此本文將資本產出彈性系數[α]取0.5。與大多數文獻保持一致， 勞動厭惡系數η取1.315， 投資轉化函數的彈性φ取值0.25， 資本折舊率δ取0.025， 對應每年資本折舊率為10%， 這也與部分研究采用永續盤存法估算的年度資本折舊率接近。根據國家統計局公布的2008 ～ 2020年支出法核算的生產總值及其分項數據可以計算得到居民消費率、 私人部門投資率和政府支出率分別為39%、 43%、 18%， 因此穩態時的消費率Css/Yss、 投資率Iss/Yss、 政府支出率Gss/Yss分別取0.4、 0.4、 0.2。參照DSGE標準的Calvo定價法， 將零售商中不進行價格調整的廠商比例θ取0.75。利率平滑系數ρn取0.98， 貨幣政策對產出的反應系數ρy和對通脹的反應系數ρp分別取0.78、 1.31， 財政沖擊系數ρg取0.95。貨幣政策沖擊和財政政策沖擊的標準差均為0.01。

2. 結合已有文獻和對兩類企業的調查數據對異質性企業相關參數進行取值。根據中國人民銀行營業管理部課題組（2017）的研究， 穩態時的資本產出比Ys，ss/Ks，ss和Yp，ss/Kp，ss分別取1/4和1/3， 穩態時的提價率Xss取1.2， 可得深度參數vs和vp分別為0.9和0.86。根據中國財政科學研究院《2019年“降成本”總報告》①中的數據， 樣本國有企業短期貸款利率約為5.06% ～ 5.17%， 民營企業的相應值為6.05% ～ 6.14%， 這一結果也與2020年上半年中國人民銀行《區域金融運行報告》②中對全國957家企業問卷調查的結果相近。據此， 本文將國有企業年化貸款利率設定為5%， 民營企業年化貸款利率設定為6%， 則季度貸款利率分別為1.25%和1.5%， 可計算出穩態時兩類企業實際外部融資成本Fs，ss和Fp，ss分別為1.0125和1.015。借鑒劉一楠和王亮（2018）的研究， 企業平均權益乘數一般為2， 因此本文將兩類中間品生產商的杠桿率χs和χp取值為2， 即在相近的資產負債率水平下， 國有企業和民營企業由于融資溢價的系數不同， 實際融資成本也存在較大差別。兩類企業融資溢價對杠桿率的彈性系數ψs和ψp取值分別為0.05和0.07， 表示杠桿率每上升1%會使得外部融資溢價穩態上升的程度。由于政府擔保的存在， 國有企業自然生存率高于民營企業， γs和γp分別取0.97和0.95。根據中國人民銀行營業管理部課題組（2017）的研究， 穩態時兩類中間產品生產商的資本、 工資、 產出比Ks，ss/Kp，ss、 Ws，ss/Wp，ss、 Ys，ss/Yp，ss分別取1.2、 0.8、 0.8， 產出替代彈性[λ]取1.5， 國有企業占比p取0.5， 可得深度參數μk、 μw、 μy分別為0.55、 0.44、 0.42。國有企業和民營企業技術沖擊一階自相關系數ρas、 ρap均取0.89， 技術沖擊標準差均取0.01。校準參數取值見表1。

四、 非金融企業部門杠桿率風險和金融科技影響分析

本文模擬不同參數下經濟系統的沖擊響應， 探討非金融企業部門杠桿率風險和金融科技的影響。模型模擬展示了在國有企業和民營企業信貸錯配的情況下， 不利外部沖擊和“穩增長”政策對經濟總產出波動的影響（包括外部沖擊對總產出的負向影響更大或正向影響更?。?， 從而反映出非金融企業部門杠桿率風險； 隨后加入金融科技的影響， 引入其加大銀行對中小民營企業信貸支持、 減輕信貸錯配程度的機制， 從而反映其緩解外部沖擊不利影響、 防范化解非金融企業部門杠桿率風險的作用。下文將通過模型進行具體的模擬分析。

（一）非金融企業部門杠桿率風險的表現

1. 信貸錯配下不利沖擊對產出的影響。通過對民營企業融資溢價進行賦值， 模擬不利外部沖擊對非金融企業部門產出和總產出的影響。為了在一次模擬中納入對兩類企業生產率的沖擊， 假設國有企業生產率是民營企業生產的0.9倍， 即兩類企業生產函數的線性化方程分別為

ψs=ψp=0.07時， 生產率發生未預期到的外生下降， 國有企業產出、 民營企業產出減少， 總產出下降（實線）。當存在“二元”經濟結構時， 民營企業融資溢價仍然較高而國有企業融資溢價較低， 信貸資源發生扭曲， 設ψs=0.05， ψp=0.07； 此時， 生產率負向沖擊導致國有企業產出、 民營企業產出更大幅度的減少， 總產出也出現更大幅度的下降（虛線）。

近年來國際國內局勢復雜嚴峻， 此類供給側的沖擊并不少見。由上述模擬可以看出， 在信貸錯配情況下， 民營企業融資溢價高于國有企業、 信貸資源發生扭曲， 在面臨貿易摩擦、 疫情等外部不利沖擊時， 總產出（相比不存在信貸錯配的情況下）會發生更大幅度的下降， 不利沖擊的負面影響更大。

2. 信貸錯配下“穩增長”政策對產出的影響。2021年12月的中央經濟工作會議指出， 宏觀經濟面臨需求不足、 供給沖擊、 預期轉弱三重壓力， 要繼續實施積極的財政政策和穩健的貨幣政策。2022年以來， 國務院多次強調把“穩增長”放在更加突出的位置， 以穩住經濟大盤。那么， 信貸錯配下“穩增長”政策對非金融企業部門產出的拉動作用是否受到影響？本文通過對國有企業占比進行賦值模擬實體經濟信貸扭曲的程度， 并分析擴張性宏觀政策對總產出的調控效果。

考慮p={0.8，0.5，0.2}三種情形， 本文模擬貨幣政策和財政政策沖擊影響。首先， 以利率受到1%的負向沖擊模擬實施擴張性貨幣政策（圖2）， 此時經濟體信貸需求增加、 資產價格上升， 國有企業由于融資溢價較低， 擠占了民營企業融資， 但由于國有企業生產率較低， 金融資源被低效配置， 總產出上升幅度較小， 貨幣政策調控作用被削弱。隨著p增大， 總產出上升幅度逐漸減小， “穩增長”政策的作用越來越弱。其次， 以政府購買受到1%的正向沖擊模擬實施擴張性財政政策（圖3）， 此時總產出增加， 但由于資源被低效配置， 總產出上升幅度較小， 財政政策調控作用被削弱。隨著p增大， 沖擊對總產出的提升作用逐漸減弱。

由此可見， 國有企業和民營企業信貸錯配導致擴張性貨幣政策和擴張性財政政策對產出增長的推動作用下降。信貸錯配程度越大， “穩增長”政策的有效性就越弱。

綜上， 我國非金融企業部門杠桿率的風險主要表現為信貸錯配對總產出的負面影響： 一是國有企業由于隱性政府擔保等原因可獲得畸低的融資溢價， 而民營企業則需要承擔較高的融資成本， 在面對貿易摩擦、 疫情等不利沖擊時， 總產出下降幅度相比于兩類企業市場化融資時更大； 二是生產率較低的國有企業吸收了更多的信貸資源， 生產率較高的民營企業融資則被擠出， 導致擴張性貨幣政策和財政政策對總產出的拉動作用較小， “穩增長”宏觀政策調控效果被削弱。

（二）金融科技對非金融企業部門杠桿率風險的影響

根據上文分析， 金融科技能夠降低銀行對民營企業的融資溢價、 提高民營企業生存率和生產效率， 減輕信貸錯配程度， 從而降低不利外部沖擊對產出的負面影響、 提高“穩增長”政策對產出的調控效果， 降低非金融企業杠桿率風險。本文在模型中引入金融科技， 并進一步分析其影響。

1. 改善融資溢價結構。金融科技能夠緩解借貸雙方的信息不對稱， 提升風險管理有效性， 節省人工成本， 從而降低中小民營企業的融資溢價。本文設定民營企業實際融資溢價受到金融科技的影響，公式如下：

ψp＝m1ψp? ?（24）

其中， m1∈（ψs/ψp，1）代表金融科技應用強度， m1越小代表金融科技應用越強， 民營企業實際融資利率與國有企業的偏離越小。此處將m1下限設置為ψs/ψp而不是0， 是由于民營企業缺乏擔保等原因， 其平均融資利率不太可能顯著低于國有企業， 且本文主要關注的是兩類企業融資溢價差異問題， 所考察的也是金融科技如何降低信貸錯配程度。下文將模擬金融科技降低中小民營企業融資溢價、 減輕不利外生沖擊影響的作用。

在國有企業融資溢價較低的情況下， 考慮m1={ψs/ψp，1}兩種情形， 此時ψp={0.07，0.05}， 假設經濟體受到不利的利率沖擊（圖4）。當利率突然上升1%時， 國有企業產出和民營企業產出均不同程度下滑， 總產出有較大幅度降低， 但當金融科技完全消除了民營企業與國有企業的融資溢價差異后， 即民營企業融資溢價較低（ψp=0.05）時， 由于民營企業產出的下滑受到明顯緩解， 總產出下降的幅度較?。▽嵕€）。由此可見， 金融科技降低民營企業融資溢價， 可以使民營企業與國有企業在市場上公平競爭， 由于民營企業生產率較高， 面對不利沖擊時能夠減小產出的波動， 從而有效增強了經濟體韌性。

2. 提升企業生存率。金融科技降低了民營企業獲得融資的門檻， 促進信貸資源下沉和擴散， 增加了金融服務供給， 使民營企業能夠獲得必要的流動性、 享受延期還本付息等優惠政策， 提高了企業生存率。與上文類似， 本文設定企業實際生存率受到金融科技的影響， 公式如下：

其中， m2∈（1，γs/γp）代表金融科技強度， m2越大代表金融科技應用程度越高， 則民營生存率與國有企業的偏離越小。類似地， 此處設定m2上限以控制 的最大值為γs。下文將模擬金融科技通過提升民營企業生存率減輕不利外部沖擊影響的作用。

本文考慮m2∈（1，γs/γp）兩種情形， 此時γp={0.95，0.97}， 模擬擴張性貨幣政策和財政政策的沖擊影響（圖5和圖6）。如圖5所示， 當民營企業生存率較低（γp=0.95）時， 面對貨幣政策1%的負向沖擊， 國有企業、 民營企業提高投資水平， 兩類企業產出和總產出均增加（虛線）。當民營企業生存率提升（γp=0.97）時， 貨幣政策1%的負向沖擊導致兩類企業特別是民營企業產出增加， 總產出增加幅度更大（實線）。財政政策效果類似： 由于民營企業生存率提升， 財政支出增加總需求， 1%的正向沖擊導致總產出增加， 且民營企業生存率較高時產出增加幅度較大（圖6）。綜上可知， 金融科技緩解了民營企業融資難、 流動性緊張問題， 提高了民營企業生存率， 因而增加了社會投資和需求， 提升了“穩增長”政策的調控效果。

3. 提升企業生產效率。金融科技能促進企業加強內部管理， 增強企業創新能力和管理決策水平， 從而提高國有企業和民營企業全要素生產率。此時金融科技深化可以用兩類企業生產率沖擊代替， 即：

通過放松國有企業生產率與民營企業生產率的倍數約束， 分別對兩類企業生產率施加沖擊， 再次模擬總產出變動（圖7）。當金融科技應用導致國有企業全要素生產率提高時， 國有企業產出增加， 民營企業產出減少； 民營企業全要素生產率提高時， 民營企業產出增加， 國有企業產出減少?？梢?， 由于資源的有限性， 兩類企業之間存在擠出效應； 但由于民營企業生產率高于國有企業， 生產率提高導致總產出增加的幅度更大、 速度更快?？紤]到銀行對國有企業的融資很大程度上依賴于政府隱性擔保和抵押物， 金融科技應用更多地與中小民營企業信貸等普惠金融業務有關， 因此金融科技應用對中小民營企業生產率提升作用更大， 在促進民營企業發展、 增加總產出方面發揮了顯著作用。

以上結果表明， 金融科技的應用可以從三個方面減輕國有企業和民營企業的信貸錯配， 降低非金融企業部門杠桿率風險： 一是降低中小民營企業融資溢價， 使經濟體在面對不利外部沖擊時產出下降幅度更小， 增強抵御風險的能力； 二是提高中小民營企業生存率， 使擴張性貨幣政策和擴張性財政政策對產出的提升幅度更大， 增強“穩增長”政策的有效性； 三是提高兩類企業生產率， 從而提高全社會產出， 其中對民營企業總產出的提升引發的總產出增長更為顯著。

五、 研究結論和政策含義

（一）研究結論

近年來， 金融科技迅速發展， 并在緩解企業融資約束、 促進企業創新方面發揮了重要作用。本文梳理了金融科技增加中小民營企業融資、 減輕國有企業和民營企業信貸錯配的作用機理， 構建了包含信貸錯配特征的DSGE模型， 研究了金融科技對非金融企業部門杠桿率風險的影響， 最終得到一些有意義的結論。一是， 我國非金融企業部門杠桿率風險主要表現為在信貸錯配下， 不利沖擊對經濟總產出的負面影響較大， 而“穩增長”政策對總產出的拉動作用較小。防范化解非金融企業部門杠桿率風險并實現“穩增長”“穩杠桿”的目標， 關鍵在于加大銀行對中小民營企業的信貸支持、 減輕信貸錯配。二是， 金融科技的深入應用能緩解非金融企業部門杠桿率風險， 其作用機理是降低中小民營企業融資溢價、 提高中小民營企業生存率和生產效率。DSGE模型模擬顯示， 在考慮金融科技影響后， 國有企業和民營企業“二元”結構導致的信貸錯配有所減輕， 經濟體面對不利沖擊時總產出下降幅度減小、 經濟韌性增強， “穩增長”政策對總產出的拉動作用也有所提升。

（二）政策含義

本研究具有比較重要的政策含義。當前政策目標中， 防范化解非金融企業部門杠桿率風險和穩住經濟大盤是相互統一的， 核心在于加大對中小民營企業的信貸支持， 保住市場主體、 保護經濟韌性， 而金融科技在其中能夠發揮重要作用。金融監管部門應當持續推動金融科技應用深化、 促進金融機構數字化轉型， 推動銀行加大民營企業信貸支持、 防范化解非金融企業債務風險， 增強“穩增長”政策有效性。

【 注 釋 】

1參見https：//www.chineseafs.org/ckynewsmgr/newsContent_queryOneNewsRecord？retVal = cnzkcgxw&zyflag = 1&searchFlag = 2&newsid = 0720223910_42791542。

2參見http：//www.pbc.gov.cn/goutongjiaoliu/113456/113469/4030508/index.html。

【 主 要 參 考 文 獻 】

黃浩．數字金融生態系統的形成與挑戰——來自中國的經驗［ J］．經濟學家，2018（4）：80 ～ 85．

黃益平，黃卓．中國的數字金融發展：現在與未來［ J］．經濟學（季刊），2018（4）：1489 ～ 1502．

李春濤，閆續文，宋敏，楊威．金融科技與企業創新——新三板上市公司的證據［ J］．中國工業經濟，2020（1）：81 ～ 98．

李天宇，王曉娟．數字經濟賦能中國“雙循環”戰略：內在邏輯與實現路徑［ J］．經濟學家，2021（5）：102 ～ 109．

劉一楠，宋曉玲．去杠桿、信貸抵押約束與“債務—通縮”風險［ J］．金融經濟學研究，2018（3）：43 ～ 56．

劉一楠，王亮．內生的杠桿閾值、金融加速器與宏觀經濟波動——基于動態隨機一般均衡模型（DSGE）的分析［ J］．南方經濟，2018（12）：57 ～ 77．

馬紅，李小萍．數字金融與企業創新風險——基于制度背景因素的再檢驗［ J］．財會月刊，2022（14）：62 ～ 71．

馬勇，田拓，阮卓陽，朱軍軍．金融杠桿、經濟增長與金融穩定［ J］．金融研究，2016（6）：37 ～ 51．

孟娜娜，粟勤．擠出效應還是鯰魚效應：金融科技對傳統普惠金融影響研究［ J］．現代財經，2020（1）：56 ～ 70．

聶輝華，江艇，張雨瀟，方明月．中國僵尸企業研究報告——現狀、原因和對策［R］．人大國發院系列報告年度研究報告，2016．

任碧云，鄭宗杰．金融科技對商業銀行風險承擔的影響——基于商業銀行信貸結構的視角［ J］．貴州財經大學學報，2021（5）：61 ～ 69．

盛天翔，范從來．金融科技、最優銀行業市場結構與小微企業信貸供給［ J］．金融研究，2020（6）：114 ～ 132．

唐松，賴曉冰，黃銳．金融科技創新如何影響全要素生產率：促進還是抑制？——理論分析框架與區域實踐［ J］．中國軟科學，2019（7）：134 ～ 144．

唐松，伍旭川，祝佳．數字金融與企業技術創新——結構特征、機制識別與金融監管下的效應差異［ J］．管理世界，2020（5）：52 ～ 66．

王平，王凱.數字金融與企業創新產出——基于民營上市公司逆向混改的調節效應［ J］．財會月刊，2022（17）：114 ～ 121．

伍戈，李斌．貨幣數量、利率調控與政策轉型［M］．北京：中國金融出版社，2016．

肖宇，李詩林，梁博．新冠肺炎疫情沖擊下的銀行業金融科技應用：理論邏輯、實踐特征與變革路徑［ J］．金融經濟學研究，2020（3）：90 ～ 103．

余雪飛，宋清華．“二元”信貸錯配特征下的金融加速器效應研究——基于動態隨機一般均衡模型的分析［ J］．當代財經，2013（4）：48 ～ 58．

中國人民銀行營業管理部課題組．預算軟約束、融資溢價與杠桿率——供給側結構性改革的微觀機理與經濟效應研究［ J］．經濟研究，2017（10）：53 ～ 66．

鐘寧樺，劉志闊，何嘉鑫，蘇楚林．我國企業債務的結構性問題［ J］．經濟研究，2016（7）：102 ～ 117.

Arcand J. L.，Berkes E.， Panizza U..Too Much Finance？［R］． IMF Working Papers，2012．

Calvo G. A.. Staggered Prices in a Utility-maximizing Framework［ J］． Journal of Monetary Economics，1983（3）：383 ～ 398．

Christensen I.，Dib A..The Financial Accelerator in an Estimated New Keynesian Model［ J］．Review of Economic Dynamics，2008（1）：155 ～ 178．

Demertzis M.，Merler S.，Wolff G. B.. Capital Markets Union and the Fintech Opportunity［ J］．Journal of Financial Regulation，2018（1）：157 ～ 165．

Gomber P.，Kauffman R. J.， Parker C.. On the Fintech Revolution：Interpre-ting the Forces of Innovation， Disruption and Transformation in Financial Services［ J］． Journal of Management Information Systems，2018（35）：220 ～ 265．

Martin A.，Ventura J.. Economic Growth with Bubbles［ J］． American Economic Review，2012（6）：3033 ～ 3058．

Mocetti S.，Pagnini M.，Sette E.. Information Technology and Banking Organization［ J］．Journal of Financial Services Research，2017（51）：313 ～ 338．

Norden L.， Buston C. S.， Wagner W.. Financial Innovation and Bank Behavior：Evidence from Credit Markets［ J］．Journal of Economic Dynamics and Control，2014（43）：130 ～ 145．

Reinhart C.， Rogoff K.. This Time Is Different：Eight Centuries of Financial Folly［M］．Princeton， New Jersey： Princeton University Press，2009．

Sutherland A.. Does Credit Reporting Lead to a Decline in Relationship Lending？ Evidence from Information Sharing Technology［ J］．Journal of Accoun-ting＆Economics，2018（66）：123 ～ 141．

（責任編輯·校對： 劉鈺瑩? 羅萍）

【基金項目】國家自然科學基金面上項目“新時期中國知識資本導向型跨境并購研究”（項目編號：72173067）