2023年第10期 WUHAN

FINANCE

发展减税降费，优化企业的营商环境，使企业能够聚

焦生产、专心经营。最后，针对资本市场中过度金融

化的上市公司，应加强问询和监管，加大金融监管力

度，防止过度金融化扰乱资本市场秩序。

从公司层面来看：首先，应聚焦主业，提高资金

在实体经营中的使用效率，将富余资金更多地用于

创新开发、产品换代和产业升级。其次，应加强企业

内部控制和治理机制，积极进行信息披露，降低企业

内外部信息不对称程度，抑制控股股东与管理层配

置金融资产的欲望，将更多的精力用于主业经营。

最后，针对产业链中供应商行为的监督和相机治理

作用，通过积极维护与供应商的合作关系，及时传达

相关的企业财务信息，以使得供应商有动力和能力

进行相应的监督和治理，降低企业过度金融化程

度。■

[参考文献]

[1] XU X，XUAN C. A Study on the Motivation of Financializa⁃

tion in Emerging Markets：The Case of Chinese Nonfinancial

Corporations[J]. International Review of Economics & Finance，

2021，72：606-623.

[2] CUSTÓDIO C，METZGER D. Financial Expert CEOs：

CEO's Work Experience and Firm's Financial Policies[J]. Jour⁃

nal of Financial Economics，2014，114（1）：125-154.

[3] QI Y，YANG Y，YANG S，et al. Does Government Fund⁃

ing Promote or Inhibit the Financialization of Manufacturing

Enterprises? Evidence from Listed Chinese Enterprises[J]. The

North American Journal of Economics and Finance，2021，58

（4）：101463.

[4] LIN W C，HOWELL S T. Policy Uncertainty and Innova⁃

tion：Evidence from Initial Public Offering Interventions in

China[J]. Management Science，2021，67（11）：6629-7289.

[5] CARTER M E，CHOI J，SEDATOLE K L. The Effect of

Supplier Industry Competition on Pay-For-Performance Incen⁃

tive Intensity[J]. Journal of Accounting and Economics，2021，

71（2）：101389.

[6] WILNER B S. The Exploitation of Relationships in Finan⁃

cial Distress：The Case of Trade Credit[J]. Journal of Finance，

2000，55（1）：153-178.

[7] HUANG H，SHI X J，ZHANG S M. Countercyclical Substi⁃

tution Between Trade Credit and Bank Credit[J]. Journal of

Banking & Finance，2011，35（8）：1859-1878.

[8] 刘贯春，刘媛媛，闵敏.经济金融化与资本结构动态调整

[J].管理科学学报，2019（3）：71-89.

[9] CHOD J，LYANDRES E，YANG S A. Trade Credit and

Supplier Competition[J]. Journal of Financial Economics，

2019，131（2）：484-505.

[10] 马亚明，杨兰.金融严监管、企业金融化与实体经济资本

配置效率[J].财贸研究，2022（1）：40-52.

[11] 牛志伟，许晨曦，武瑛.营商环境优化、人力资本效应与

企业劳动生产率[J].管理世界，2023（2）：83-99.

[12] 曹伟，綦好东，赵璨.企业金融资产的配置动机：基于产

权性质与异质性股东参股的分析[J].中国工业经济，2023

（2）：150-168.

[13] 唐松，伍旭川，祝佳.数字金融与企业技术创新：结构特

征、机制识别与金融监管下的效应差异[J].管理世界，2020

（5）：52-66.

[14] 底璐璐，罗勇根，江伟，等.客户年报语调具有供应链传

染效应吗?企业现金持有的视角[J].管理世界，2020（8）：

148-162.

[15] ZHONG W，MA Z，TONG T W. Customer Concentra⁃

tion，Executive Attention，and Firm Search Behavior[J]. Acad⁃

emy of Management Journal，2021，64（5）：1625-1647.

[16] 韩忠雪，段丽娜，高心仪.供应商集中度与技术创新：基

于内部资本市场与商业信用的调节作用[J].软科学，2021

（9）：61-67.

[17] DASS N，KALE J R，NANDA V. Trade Credit，Relation⁃

ship- Specific Investment，and Product Market Power[J]. Re⁃

view of Finance，2015，19（5）：1867-1923.

[18] GOFMAN M，WU Y. Trade Credit and Profitability in Pro⁃

duction Networks[J]. Journal of Financial Economics，2022，

143（1）：593-618.

[19] 佟岩，李鑫，钟凯，等“. 抱团取暖”还是“自力更生”：产品

市场竞争中的企业集团母子公司债券管理[J].经济管理，

2022（7）：121-139.

[20] 董竹，张欣.分析师乐观偏差与企业研发投入：基于利益冲

突和信息透明度的实证研究[J].科研管理，2022（7）：181-188.

[21] 曹越，孙丽，郭天枭，等“. 国企混改”与内部控制质量：来

自上市国企的经验证据[J].会计研究，2020（8）：144-158.

（责任编辑：DJ / 校对：XY）

[23] GU Y，MAO C X，TIAN X. Banks' Interventions and

Firms' Innovation：Evidence from Debt Covenant Violations

[J]. The Journal of Law and Economics，2017（4）：637-671.

[24] 宋婕，张俊民，李会云.媒体报道能缓解企业融资约束

吗?基于商业信用融资视角[J].北京工商大学学报（社会科学

版），2019（4）：60-73.

[25] 温忠麟，叶宝娟.中介效应分析：方法和模型发展[J].心

理科学进展，2014（5）：731-745.

[26] WILNER B S. The Exploitation of Relationships in Finan⁃

cial Distress：The Case of Trade Credit[J]. The Journal of Fi⁃

nance，2000，55（1）：153-178.

[27] 李振东，马超.供应商集中度与企业外部融资约束[J].经

济问题，2019（8）：27-35.

[28] CUÑAT V. Trade Credit：Suppliers as Debt Collectors

and Insurance Providers[J]. Review of Financial Studies，2007

（2）：491-527.

[29] 李俊青，刘帅光，刘鹏飞.金融契约执行效率、企业进入

与产品市场竞争[J].经济研究，2017（3）：136-150.

[30] 王小鲁，樊纲，胡李鹏.中国分省份市场化指数报告

（2018）[M].北京：社会科学文献出版社，2019.

（责任编辑：DJ / 校对：XY）

（上接第41页）

50

一、引言

受“逆全球化”、全球突发性公共卫生事件、世界

经济复苏乏力和国际局部冲突等多重因素影响，国

际“断链”风险加剧，全球产业链重构加速，产业链体

系不确定性增加。党的二十大报告指出，要“着力提

升产业链供应链韧性和安全水平，推动经济实现质

的有效提升和量的合理增长”。可见，提升产业链韧

性和安全水平是实现产业链现代化进程中的重要内

容，亦是推进中国产业迈向全球价值链高端的关键。

随着大数据、云计算和人工智能等新一代信息技术

的快速发展，数字普惠金融结合了传统普惠金融与

数字技术的优势，对我国产业链体系产生了深刻变

革。在此背景下，研究数字普惠金融对产业链韧性

的影响和作用机制，对于实现产业链自主可控和经

济高质量发展具有重要的理论和现实意义。

近年来，随着国际分工逐渐复杂化，产业链活动

极易受到外部环境的影响[1]

。如何在外部风险冲击

下保持产业链韧性受到学术界高度关注。“韧性”最

早出现在物理学领域，之后被引入经济学领域，以探

索经济系统对于外生冲击的适应性能力。相关研究

主要集中于城市韧性和经济韧性等视角[2—6]

。随着

国际环境动荡加剧，产业链韧性逐渐成为研究热点。

产业链的复杂网络组织特征决定了产业链分工体系

容易受到外部冲击而表现出网络脆弱性。学者们主

要通过指标体系[7]

、网页排序[8]

等方法测度产业链韧

性。产业链韧性的提升是实现产业链现代化的重要

支撑。陈晓东等[9]

基于数字经济时代数据要素作为

新的生产要素，探索了数字经济驱动中国产业链韧

性提升的动力机制和实现路径。李胜会等[10]

基于产

业链“困境识别—破解策略—韧性塑造与提升”分析

框架，探索中国破解产业链低端锁定困境的方法和

产业链韧性提升的实现机理。也有学者指出知识产

权制度能够通过知识多样化和政府政策支持有效促

进产业链韧性提升[11]

。卫彦琦[12]

发现数字普惠金融

通过为产业链主体提供金融支持，能够增强其应对

摘 要：本文基于复杂网络理论，构建产业链网络节点模拟攻击模型，根据 2012、2015 和 2017 年中国多区域投入产出表相关数据测度

中国地级市产业链韧性指数，并利用中国 267 个地级市面板数据，运用固定效应模型和中介模型分析数字普惠金融对产业链韧性的影响

及其作用机制。研究表明：数字普惠金融对我国产业链韧性有明显的驱动作用；异质性分析发现，数字普惠金融对中西部城市和市场化

发展水平较低城市的产业链韧性促进作用更明显，且数字普惠金融使用深度对产业链韧性的促进作用更强；机制检验表明，数字普惠金

融通过提升城市创新能力来驱动产业链韧性提升。因此，本文认为，应推动数字普惠金融体系化和差异化发展，强化产业链与创新链双

链融合，助力实现产业链韧性提升。

关键词：数字普惠金融；产业链韧性；生产网络；韧性测度

中图分类号：F832 文献标识码：A 文章编号：1009-3540（2023）10-0051-0008

基金项目：国家自然科学基金青年项目“人工智能技术加剧全球价值链非平衡发展的形成机理与中国对策研究”（72303127）；湖北省

自然科学基金项目“产业链韧性视角下基于增加值核算的碳定价实现机制研究”（2022CFB751）。

■ 何宇 田杰鑫 覃朝晖 陈珍珍

作者简介：何宇（1992—），男，博士，三峡大学经济与管理学院讲师； 田杰鑫（通讯作者）（1998—），女，三峡大学经济与管理学院硕士研

究生； 覃朝晖（1981—），男，博士，三峡大学经济与管理学院副教授； 陈珍珍（1991—），女，博士，三峡大学经济与管理学院讲师。

数字普惠金融是否促进了

区域产业链韧性提升？——基于中国267个城市的经验证据

普惠金融 Financial Inclusion

51

2023年第10期 WUHAN

FINANCE

冲击并快速恢复的能力，保持产业链韧性强劲。

随着数字技术和传统金融的深度融合，数字普

惠金融得到了长足发展。现有文献对于数字普惠金

融影响的探讨主要集中于减贫效应、居民消费和产

业升级。数字普惠金融通过优化家庭内部资产配

置，增强风险管控能力来降低贫困脆弱性[13]

。数字

普惠金融通过提供数字支付和在线信贷等方式促进

居民消费[14]

。随着数字普惠金融从消费端转入生产

端，数字普惠金融凭借其数字化和普惠化等优势推

动产业结构优化，助力产业升级[15]

。

相关文献为本文研究提供了重要借鉴和参考，

但现有文献仍存在两方面不足：（1）目前在理论层面

探讨产业链韧性提升的研究较丰富，但在宏观层面

关于区域参与生产网络中的韧性测度仍然是通过指

标体系和网页排序变动等方法间接测度，没有统一

的直接测度方法；（2）目前学术界的研究主要聚焦于

经济韧性和城市韧性，部分学者对制造业和服务业

等单一行业的韧性有所研究，鲜有学者从产业链网

络关联视角对中国产业链韧性进行研究。本文的边

际贡献主要体现在两个方面：（1）以 2012、2015 和

2017年中国城市尺度多区域投入产出数据为样本，

基于复杂网络理论，构建产业链网络节点模拟攻击

模型，从复杂网络研究视角直接测度中国产业链韧

性，相比其他方法能更好地揭示中国产业链韧性特

征；（2）利用测算的产业链韧性指数探索数字普惠金

融对产业链韧性的影响和作用路径，为提升产业链

韧性提供了重要参考和政策建议。

二、理论分析与研究假说

数字普惠金融作为传统金融和数字技术深度融

合的新型金融模式，能够更好地实现覆盖广度和使

用深度的最大化，助力实现产业链韧性的提升。第

一，数字普惠金融能够缓解信息不对称。产业链网

络的复杂产业关联和上下游企业在地理空间上的分

散分布导致产业链上下游之间存在信息不对称问

题。依托互联网、区块链和大数据等新兴技术的数

字普惠金融能够突破时间和空间的限制[16]

，增强金

融机构和产业链主体之间信息传递的准确性和流畅

性，破解信息不对称导致的“断链”问题，提升产业链

韧性。第二，数字普惠金融能够降低产业链主体的

交易成本。交易成本是制约产业链分工和竞争的重

要因素[17]

。在产业链分工背景下，上一阶段的产品

成为下一阶段的中间产品，因此生产是层层嵌套的，

成本也存在嵌套关系，上游阶段的成本会沿着产业

链传导到最终产品，影响整个产业链网络。数字普

惠金融以信息技术的零边际成本显著降低了产业链

主体的信息获取成本和学习成本，提高了经济效率，

巩固了地区产业链优势，提升了地区产业链韧性[9]

。

第三，数字普惠金融能够提升交易灵活性。产业链

网络的主体通过错综复杂的关联关系连接，某一节

点的交易延迟通过产业链网络的层层传递会快速蔓

延，导致整个产业链网络瘫痪。基于大数据的数字

普惠金融利用网络空间格局，增强了企业融资的快

速性和便捷性，加速企业的资金周转，能有效应对市

场动荡，更好地识别产业链网络中的潜在风险和中

断点，保持产业链韧性[18]

。第四，数字普惠金融能够

缓解金融排斥。在产业链网络中，每个节点根据其

要素禀赋结构差异选择在产业链的特定阶段进行专

业化分工，成为整个产业链网络不可缺少的一部

分。中小企业等弱势主体融资难等问题通过产业链

上下游关系蔓延至整个网络，影响产业链韧性。数

字普惠金融借助大科技生态系统和大数据风控模

型，通过全方位监测、评估和预测，拓宽了金融深度

和广度，优化了金融资源的配置效率，提升了中小企

业和偏远地区的金融可得性，缓解了产业链相对弱

势主体融资难的问题[19]

，增强了整个产业链网络抗

风险能力。基于此，本文提出以下假说：

假说1：数字普惠金融有助于提升产业链韧性。

数字普惠金融能够整合各种创新资源，提升城

市创新能力，继而通过发挥创新的“水平效应”和“结

构效应”，夯实产业基础，提升产业链韧性[20]

。数字

金融为创新提供了基础和保障[21]

。创新具有高投

入、周期长和产出不确定性的特点，而数字普惠金融

能够有效解决传统金融存在的“属性错配”“领域错

配”和“阶段错配”问题，为创新的开展提供了融资渠

道，缓解了融资约束，对创新具有较强的驱动效应[22]

。

创新是产业链应对风险冲击的安全保障，夯实产业

链上各节点的自主创新能力有助于抵御外部冲击。

产业链网络的复杂性决定了某一节点所面临的风险

会通过产业链网络传递至其他节点，对整个产业链

网络造成冲击。通过提升创新能力，解决我国产业

基础能力薄弱、部分领域核心技术受制于人的困境，

防止技术封控等原因导致的“卡链”威胁整个产业链

的安全发展。同时，全球价值链嵌入位置的提升对

提升产业链韧性至关重要[23]

。创新能力的提升为产

业升级提供了技术保障，有助于推动产业向优势领

52

域转型，助推产业向全球价值链中高端迈进，从而增

强了产业链韧性。基于此，本文提出以下假说：

假说 2：数字普惠金融通过提升城市创新能力

来增强产业链韧性。

三、研究设计

（一）样本选择与数据来源

计算产业链韧性指数所使用的投入产出表数据

来自中国碳核算数据库（CEADs）提供的《2012年中

国城市尺度多区域投入产出表》《2015 年中国城市

尺度多区域投入产出表》和《2017 年中国城市尺度

多区域投入产出表》。目前，中国城市尺度多区域投

入产出表仅更新到2017年，受限于数据可得性，本

文数据更新到 2017 年。数据集涵盖 2012、2015 和

2017 年中国大陆地区 313 个行政单位 42 个行业的

投入产出数据。数字普惠金融指数来自《北京大学

数字普惠金融指数（2011—2020 年）》，其他数据来

自《中国城市统计年鉴》和各地级市统计年鉴。剔除

数据缺失严重的城市，本文最终选择2012、2015和

2017年中国267个地级市的面板数据进行研究。

（二）变量说明

1.被解释变量：产业链韧性（resilience）

（1）产业链网络构建。产业链网络由生产节点

和边组成。令生产节点为 pi ，产业链网络的生产节

点集则表示为 P ={p1,p2,p3,⋯,pN} ，N为生产节点总

数；生产节点 pu 与生产节点 pv 的边关系记作

Luv =(Lpu

,Lpv

) ，u,v ∈ {1,2,⋯,N} 。对节点 pu 来说，边

Luv 表示节点 pu 与节点 pv 之间的投入产出关系，使

用 E ={L11,L12,⋯,Luv} 表示边的集合。因此，中国产

业链网络可以抽象为一个由生产节点集 P、边集 E

组成的生产网络 G(P,E) 。

（2）网络中心性指标。为测度中国各地级市的

产业链韧性指数，选择介度中心性、邻近中心性和度

中心性作为测度产业链韧性的指标[24]

。

介度中心性指标（betw）：介度中心性表示生产

网络中某生产节点控制其他生产节点的能力。数值

越大，表示该生产节点的中转作用越强。整个生产

网络结构的介度中心性指标的计算公式如下：

betw =

∑k ≠ i ≠ j

nkj(i)

nkj

∑i = 1

n

∑i ≠ j

nkj(i)

nkj

（1）

式（1）中，nkj 表示生产节点 pk 与生产节点 pj 之

间最短路径的条数；nkj(i) 表示生产节点 pk 与生产

节点 pj 之间经过生产节点 pi 的最短路径条数。

邻近中心性指标（clsn）：邻近中心性表示生产

节点在生产网络中居于中心的程度，是衡量生产节点

的中心性指标之一。数值越大，说明生产节点越靠

近生产网络的中心位置，生产节点间越紧密。整个

生产网络结构的邻近中心性指标的计算公式如下：

clsn =

æ

è

ç

ç

ç

ç

ç

ç

ö

ø

÷

÷

÷

÷

÷

j

∑= 1,j ≠ i ÷

n

pij

n - 1

-1

（2）

式（2）中，j

∑= 1,j ≠ i

n

pij 表示生产节点 pj 到其他节点

的最短距离之和。

度中心性指标（degr）：在生产网络中，度中心性

是刻画节点中心性最直接的度量指标，表示与生产

节点 pi 存在联系的所有生产节点数量之和，包括出

度和入度。数值越高，表示该生产节点在生产网络

中与其他生产节点联系越多。整个生产网络结构的

度中心性指标的计算公式如下：

degr = 1

n - 1

∑i = 1

n

pi （3）

式（3）中，n - 1表示生产网络最大可能的度，其

度中心性表示整个生产网络的度除以最大可能的度

n - 1。

最大连通子图的相对大小（S）：生产网络移除某

个节点会改变网络的连通性，学术界通常使用最大

连通子图的相对大小来描述这一变化。最大连通子

图的相对大小的计算公式如下：

S = N'

N （4）

式（4）中，N表示初始网络中的生产节点总数，

N' 表示移除生产节点后的网络中最大连通子图的

生产节点总数。

（3）产业链韧性测度。具体分为两步：①基于复

杂网络理论，对产业链网络进行模拟网络节点攻

击。本文选择蓄意攻击网络节点的方式，此处以度

中心性作为表征参数为例介绍攻击步骤（以介度中

心性和邻近中心性作为表征参数的步骤类似）。模

拟网络节点攻击的步骤如下：首先将中国产业链网

络作为初始网络，计算初始网络的度中心性和最大

连通子图大小并将产业链网络节点的度中心性按照

降序排列，然后根据排序依次对产业链网络的度中

心性最大的节点进行攻击，攻击完成后，计算网络中

普惠金融 Financial Inclusion

53

2023年第10期 WUHAN

FINANCE

最大连通子图的相对大小 S(n) ，若 S(n) > 0 ，则按照

排序继续对产业链网络的度中心性最大的节点进行

攻击，直至 S(n) = 0 则终止攻击。②基于模拟数值

计算产业链韧性指数。根据以上分析，本文设定产

业链韧性指数（resilience）的测度公式如下：

resilience= 1 -

∑n = 0

n = N

S(n)- N'

N

n （5）

式（5）中，S(n) 表示产业链网络未受到外生冲击

时最大连通子图的相对大小，N'

N 表示产业链网络

受到外生冲击后最大连通子图的相对大小。

2.核心解释变量：数字普惠金融（digit）

针对数字普惠金融的衡量，现阶段学术界主要

使用的是北京大学数字金融研究中心发布的中国数

字普惠金融指数。该指数以蚂蚁金服集团提供的海

量数据为基础，从数字金融覆盖广度、数字金融使用

深度和数字支持服务程度三个维度全面构建数字普

惠金融指标体系，共包含33个具体指标，指标选择

合理且测算方法科学，已经被广泛应用于学术研究

中[25，26]

。因此，本文最终选取郭峰等[27]

建立的北京大

学数字普惠金融指数作为本文的核心解释变量。

3.控制变量

除了核心解释变量以外，还需控制其他可能影

响产业链韧性的变量，本文选取以下变量作为控制

变量，以降低由于遗漏变量而产生的内生性偏误：①

经济发展水平（economic），使用人均GDP 的自然对

数衡量；②教育发展水平（education），使用教育业从

业人员数的自然对数衡量；③外资引进（foreign），使

用港澳台投资企业数的自然对数衡量；④金融发展

水平（finance），使用年末金融机构各项贷款余额与

国内生产总值的比值衡量。

4.中介变量

创新能力（innovation）。采用各地级市历年专

利授权数的自然对数进行衡量。

（三）模型设定

1.基准模型

为检验数字普惠金融对产业链韧性的驱动效

应，本文构建如下固定效应模型：

resilienceit = β0 + β1digitit + αXit + δi + γt + εit （6）

式（6）中，下标 i 和 t 分别表示城市和年份。被

解释变量 resilienceit 表示城市 i 在 t 年的产业链韧性

指数，具体包括以介度中心性（betwresi）、邻近中心

性（clsnresi）和度中心性（degrresi）为表征参数测度

的产业链韧性指数。核心解释变量 digitit 表示数字

普惠金融指数。Xit 表示可能影响产业链韧性的控制

变量集，具体包括经济发展水平、教育发展水平、外

资引进和金融发展水平。 β0 为不随个体变化的截

距项，δi 表示个体固定效应，γt 表示时间固定效应，

εit 表示随机误差项。 digitit 的系数 β1 用来衡量数字

普惠金融对产业链韧性的影响，若数字普惠金融对

产业链韧性具有明显的驱动效应，则 β1 显著为正。

2.机制模型

为检验数字普惠金融对产业链韧性的驱动机

制，本文设定如下中介效应模型：

resilienceit = β0 + β1digitit + αXit + δi + γt + εit （7）

Mit = α0 + α1digitit + αXit + δi + γt + εit （8）

resilienceit = μ0 + μ1digitit + μ2Mit + αXit +

δi + γt + εit

（9）

上式中，Mit 为中介变量，具体指创新能力（in⁃

novation），其他变量的含义与式（6）一致。

（四）描述性统计分析

主要变量的描述性统计结果如表1所示。bet⁃

wresi、clsnresi 和 degrresi 的 标 准 差 分 别 为 0.080、

0.081 和 0.083，表明中国各城市之间的产业链韧性

相差较大。数字普惠金融指数的标准差为0.405，表

明各城市之间的数字普惠金融发展水平存在较大的

差距。从经济发展水平、教育发展水平、外资引进和

金融发展水平来看，各城市之间的差异亦较明显。

表1 主要变量描述性统计

变量类型

被解释变量

核心解释变量

控制变量

变量符号

betwresi

clsnresi

degrresi

digit

economic

education

foreign

finance

样本量

938

939

939

897

828

830

809

828

平均值

0.895

0.891

0.888

5.009

10.688

1.455

2.918

0.760

标准差

0.080

0.081

0.083

0.405

0.547

0.728

1.684

0.275

最小值

0.617

0.580

0.570

3.693

9.007

-1.386

0

0.216

最大值

1

1

1

5.654

12.241

3.923

7.642

1.983

四、实证结果与讨论

（一）基准回归

表2报告了数字普惠金融对产业链韧性的基准

回归结果。其中，奇数列为数字普惠金融与产业链

韧性的单变量回归结果，偶数列加入了控制变量，同

时控制了时间效应和地区效应。结果显示，在控制

其他影响因素的情况下，数字普惠金融的系数分别

54

为 0.077、0.068 和 0.069，且均在 5%的水平上显著，

说明数字普惠金融可以促进产业链韧性的提升，假

说1得证。从控制变量看，经济发展水平、教育发展

水平和外资引进对产业链韧性的提升均具有促进作

用。可能是因为：经济发展水平高的城市，能够形成

产业集聚的规模效应，吸引资金和人才等向该地聚

集，提升产业效率，有利于产业转型和发展，产业链

韧性更强；教育发展水平高的城市，能为产业结构升

级提供智力支持和人才储备[28]

，当地产业链网络能

够及时应对外来冲击，产业链韧性更强；外资引进水

平高的城市，可以为当地产业转型发展提供充足的

资金支持，产业链韧性更强。金融发展水平的系数

为负但不显著。可能是因为，金融杠杆率的上升使

得金融体系更加不稳定，抗风险能力降低，导致产业

链韧性较弱[29]

。

表2 数字普惠金融影响产业链韧性的基准回归结果

变量

digit

economic

education

foreign

finance

_cons

时间效应

地区效应

N

R2

(1)

betwresi

0.066***

(0.025)

0.568***

(0.124)

Y

Y

897

0.857

(2)

betwresi

0.077**

(0.030)

0.043**

(0.021)

0.060***

(0.021)

0.017**

(0.007)

-0.008

(0.020)

-0.064

(0.252)

Y

Y

805

0.828

(3)

clsnresi

0.047**

(0.023)

0.660***

(0.116)

Y

Y

897

0.863

(4)

clsnresi

0.068**

(0.032)

0.035*

(0.021)

0.039*

(0.023)

0.009

(0.007)

-0.022

(0.020)

0.116

(0.259)

Y

Y

805

0.830

(5)

degrresi

0.047**

(0.024)

0.655***

(0.118)

Y

Y

897

0.863

(6)

degrresi

0.069**

(0.033)

0.036*

(0.022)

0.041*

(0.023)

0.009

(0.007)

-0.022

(0.020)

0.095

(0.266)

Y

Y

805

0.830

注：*、**、***分别表示在10%、5%、1%的水平上显著；括号内的标

准误聚类于城市层面；Y表示控制。下表同。

（二）稳健性检验

1.内生性检验

理论上，产业链韧性强的城市其数字普惠金融

发展也会更好，且模型无法考虑影响产业链韧性的

全部因素，因此，该模型存在内生性问题。为使检验

结果更准确，本文使用工具变量法处理模型中的内

生性问题。参考杨景院等[30]

的研究，本文使用各地

级市到杭州市的球面距离作为工具变量。首先，该

变量满足外生性的基本条件。球面距离是纯地理因

素，对于产业链韧性具有极强的外生性。其次，该变

量满足相关性条件。蚂蚁金服总部位于杭州市，数

字普惠金融指数数据大部分来自蚂蚁金服的大数

据，主要通过支付宝作为交易平台，但同时发展水平

仍然受到距离的影响。学术界已经证实距离杭州市

越远，数字普惠金融发展难度越大[31]

。需要说明的

是，由于距离是横截面数据，不能直接应用于面板数

据分析，因此需选取一个时间序列数据与其相乘。

具体而言，将地级市到杭州市的球面距离与上一年

的数字普惠金融指数相乘作为本文的工具变量

（digit1）。工具变量法的回归结果如表 3 所示。其

中，识别不足检验（LM statistic）拒绝工具变量识别

不足的假设，弱工具变量检验的F统计量的值大于

10%的临界值，拒绝弱工具变量的假设，说明选取的

工具变量与数字普惠金融是高度相关的。实证结果

显示，数字普惠金融的系数仍显著为正，说明前文得

出数字普惠金融对产业链韧性具有较强的驱动效应

的结论是稳健的。

表3 数字普惠金融影响产业链韧性的工具变量法

检验结果

变量

digit

digit1

Kleibergen-Paap rk LM statistic

(P-value)

Kleibergen-Paap rk Wald F statistic

10% maximal IV size

15% maximal IV size

20% maximal IV size

25% maximal IV size

_cons

控制变量

时间效应

地区效应

N

R2

(1)

betwresi

0.074*

(0.040)

521.082

(0.000)

978.752

16.38

8.96

6.66

5.53

-0.277

(0.221)

Y

Y

Y

800

0.833

(2)

clsnresi

0.082**

(0.040)

-0.029

(0.224)

Y

Y

Y

800

0.833

(3)

degrresi

0.084**

(0.041)

-0.057

(0.229)

Y

Y

Y

800

0.833

(4)

digit

0.362***

(0.019)

0.045

(0.251)

Y

Y

Y

800

0.997

2.其他稳健性检验

为了保证实证结果的科学性，本文从以下两个

方面进行了稳健性检验。一是缩尾1%。为了消除

异常值对结果的影响，本文对所有的连续变量均进

行了上下 1%的缩尾处理，结果见表 4（1）至（3）列。

二是剔除直辖市。北京市、天津市、重庆市和上海市

无论是经济发展状况还是产业结构均优于其他城

普惠金融 Financial Inclusion

55

2023年第10期 WUHAN

FINANCE

市，为降低直辖市对检验结果的影响，本文将四大直

辖市剔除以检验非直辖市中数字普惠金融对产业链

韧性的影响，结果见表4（4）至（6）列。从表4可知，

数字普惠金融的系数仍显著为正，说明前文得出的

结果是稳健的。

表4 数字普惠金融影响产业链韧性的其他稳健性

检验结果

变量

digit

控制变量

时间效应

地区效应

_cons

N

R2

(1)

缩尾1%

betwresi

0.076**

(0.030)

Y

Y

Y

-0.090

(0.250)

805

0.828

(2)

clsnresi

0.066**

(0.031)

Y

Y

Y

-0.091

(0.259)

805

0.836

(3)

degrresi

0.066**

(0.032)

Y

Y

Y

-0.070

(0.266)

805

0.836

(4)

剔除直辖市

betwresi

0.075**

(0.031)

Y

Y

Y

-0.052

(0.256)

793

0.825

(5)

clsnresi

0.067**

(0.032)

Y

Y

Y

0.128

(0.263)

793

0.827

(6)

degrresi

0.068**

(0.033)

Y

Y

Y

0.107

(0.270)

793

0.827

（三）异质性检验

1.维度异质性

数字普惠金融具有多层次和多元化特征，在考

虑其整体对城市产业链韧性的影响后，为深入探索

其分维度对城市产业链韧性的影响特征，本文分别

引入数字普惠金融覆盖广度、使用深度和数字支持

服务程度的对数值，以检验不同维度的数字普惠金

融对产业链韧性的影响，结果如表5所示。数字普

惠金融覆盖广度和数字支持服务程度对产业链韧性

的影响不显著，使用深度对产业链韧性的影响为正

且在1%水平上显著，说明数字普惠金融使用深度对

产业链韧性的促进作用最大。覆盖广度和数字支持

服务程度对产业链韧性的促进作用不显著，这可能

是因为：数字普惠金融使用深度侧重纵向，反映的是

数字普惠金融的实际运用水平，包括信贷业务和投

资业务，其对产业链上的主体提供信贷资金支持，有

利于产业链韧性的提升。而覆盖广度侧重的是金融

服务的地域范围，数字化程度衡量的是便利化水

平。我国金融体系数字化转型尚未全面普及，仍处

于起步阶段，覆盖范围较小，因此其对产业链韧性的

提升作用暂不显著[32]

。

2.市场化程度异质性

对于市场化程度不同的地区，数字普惠金融也

可能产生不同的影响效果。参照王小鲁等[33]

编制的

各省“市场化总指数”指标进行样本划分，该指数越

大说明市场化水平越高。因该指数2016年前后的

年份不可比，故本文使用2008—2016年的平均指数

将各个省份分为“市场化程度低”和“市场化程度高”

两组，样本城市再根据其所处省份的组别进行划分，

以考察数字普惠金融对不同市场化发展程度地区的

异质性影响，回归结果如表6所示。可以发现，数字

普惠金融在市场化发展水平低的城市中系数为正且

显著，说明对产业链韧性的促进作用更

强，而在市场化发展水平高的城市中，

数字普惠金融的系数均为正但不显著，

说明其促进作用有待提升。可能的原

因在于，低市场化程度地区相较于高市

场化程度地区，其金融发展环境处于劣

势，要素市场发育程度不充分，因此数

字普惠金融在市场化程度低的地区能

更好地发挥其依靠数字技术降低交易

成本的优势，促进产业链条的本土化，

显著提升产业链韧性。

表5 数字普惠金融影响产业链韧性的维度

异质性检验结果

变量

digit

控制变量

时间效应

地区效应

_cons

N

R2

(1)

覆盖广度

betwresi

0.028

(0.021)

Y

Y

Y

0.118

(0.238)

805

0.827

(2)

clsnresi

0.033

(0.021)

Y

Y

Y

0.292

(0.237)

805

0.829

(3)

degrresi

0.033

(0.021)

Y

Y

Y

0.272

(0.243)

805

0.829

(4)

使用深度

betwresi

0.093***

(0.021)

Y

Y

Y

-0.428

(0.289)

805

0.834

(5)

clsnresi

0.071***

(0.022)

Y

Y

Y

-0.145

(0.294)

805

0.833

(6)

degrresi

0.073***

(0.023)

Y

Y

Y

-0.172

(0.302)

805

0.833

(7)

数字支持服务程度

betwresi

-0.025

(0.016)

Y

Y

Y

0.198

(0.236)

805

0.827

(8)

clsnresi

-0.021

(0.016)

Y

Y

Y

0.340

(0.240)

805

0.829

(9)

degrresi

-0.021

(0.016)

Y

Y

Y

0.324

(0.246)

805

0.829

表6 数字普惠金融影响产业链韧性的市场化程度

异质性检验结果

变量

digit

控制变量

时间效应

地区效应

_cons

N

R2

(1)

高

betwresi

0.014

(0.035)

Y

Y

Y

0.199

(0.348)

591

0.766

(2)

clsnresi

0.013

(0.036)

Y

Y

Y

0.527

(0.351)

591

0.783

(3)

degrresi

0.013

(0.037)

Y

Y

Y

0.517

(0.360)

591

0.783

(4)

低

betwresi

0.139**

(0.059)

Y

Y

Y

-0.644*

(0.357)

211

0.839

(5)

clsnresi

0.125**

(0.060)

Y

Y

Y

-0.645*

(0.359)

211

0.847

(6)

degrresi

0.127**

(0.062)

Y

Y

Y

-0.688*

(0.368)

211

0.846

56

3.区域异质性

我国不同地区在地理文化、经济发展、基础设施

等方面存在较大的差异，这也可能导致数字普惠金

融对城市产业链韧性的促进作用存在异质性。为了

进一步探索数字普惠金融对产业链韧性影响的区域

异质性，本文首先根据各地级市所在省份，按照国家

统计局的划分标准将样本划分为东部和中西部两大

区域进行异质性分析[34]

。表7汇报了东部和中西部

两大区域的数字普惠金融对产业链韧性影响的回归

结果。就核心解释变量而言，数字普惠金融（digit）

的系数在东部地区均为正但不显著，在中西部地区

为正且至少在 10%水平上显著。究其原因可能在

于：东部地区产业基础强，经济发展水平高，依托京

津冀经济带、粤港澳大湾区和长三角城市群等经济

圈的发展，其产业集聚度和金融服务水平较高，区域

内传统金融机构已经形成较为完备的金融服务网

络，数字普惠金融等新兴的金融模式边际效益不高，

导致其促进作用不明显；相反，中西部地区金融发展

水平较低，近几年借助中部崛起和西部大开发等国

家政策，实现了经济迅猛发展，使得数字普惠金融凭

借其低门槛和低成本的普惠优势迅速融入当地产业

发展中，改善了产业融资环境，带动了中西部地区城

市产业链韧性的提升[35]

。

表7 数字普惠金融影响产业链韧性的区域

异质性检验结果

变量

digit

控制变量

时间效应

地区效应

_cons

N

R2

(1)

东部

betwresi

0.067

(0.050)

Y

Y

Y

-0.199

(0.594)

335

0.799

(2)

clsnresi

0.072

(0.051)

Y

Y

Y

-0.022

(0.616)

335

0.797

(3)

degrresi

0.073

(0.052)

Y

Y

Y

-0.040

(0.632)

335

0.797

(4)

中西部

betwresi

0.092**

(0.043)

Y

Y

Y

-0.036

(0.294)

469

0.832

(5)

clsnresi

0.086*

(0.048)

Y

Y

Y

0.134

(0.303)

469

0.832

(6)

degrresi

0.087*

(0.049)

Y

Y

Y

0.111

(0.311)

469

0.832

（四）机制检验

自主创新能力的提升是产业链主体应对外来风

险，保持产业链韧性强劲的关键。创新能为产业链

实现价值增值和流动，减少产业链断点、堵点和短板

涌现的风险，增加产业链发展动力[36]

。本文通过使

用专利申请数衡量城市的创新能力来检验创新效应

这一中介机制，中介机制检验结果如表8所示。（1）

列数字普惠金融（digit）的系数在 5%水平上显著为

正，说明数字普惠金融通过为创新活动提供充足资

金能够有效提升城市创新能力。（2）至（4）列数字普

惠金融（digit）和创新能力（innovation）的系数均显著

为正，表明数字普惠金融能够通过缓解融资约束，改

善创新环境，提升城市的创新能力，进而为产业链韧

性提升提供技术支持，假说2得证。

表8 数字普惠金融影响产业链韧性的机制检验结果

变量

digit

innovation

控制变量

时间效应

地区效应

N

R2

(1)

innovation

0.612**

(0.300)

Y

Y

Y

794

0.971

(2)

betwresi

0.075**

(0.029)

0.008*

(0.004)

Y

Y

Y

794

0.831

(3)

clsnresi

0.065**

(0.030)

0.010**

(0.004)

Y

Y

Y

794

0.833

(4)

degrresi

0.066**

(0.031)

0.010**

(0.004)

Y

Y

Y

794

0.832

五、结论与政策建议

本文基于复杂网络理论，构建产业链网络节点

模拟攻击模型，以介度中心性、邻近中心性和度中心

性为表征参数建立产业链韧性测度框架，根据

2012、2015和2017年中国城市尺度多区域投入产出

表相关数据测度中国地级市产业链韧性指数，之后

利用中国267个地级市面板数据，通过固定效应模

型和中介模型分析数字普惠金融对产业链韧性的影

响及其作用机制。研究表明：数字普惠金融对产业

链韧性具有明显的驱动作用，这一结论经过内生性

检验，即剔除直辖市和排除异常值后依然成立。异

质性分析发现，数字普惠金融对产业链韧性的影响

具有维度、区域和市场化发展程度异质性。具体而

言，数字普惠金融对中西部城市和市场化发展水平

较低城市的产业链韧性促进作用更明显，且数字普

惠金融使用深度对产业链韧性的促进作用更强。机

制检验表明，数字普惠金融通过提升城市创新能力

以驱动产业链韧性提升。

基于以上研究结论，本文提出以下政策建议：

第一，推进数字普惠金融综合发展，完善金融服

务体系。在新一轮科技革命和产业变革中，各城市

应借助大数据、人工智能等现代信息技术，打破产业

链上的“信息孤岛”，缓解信息不对称，提升金融支持

效率。应大力推进数字普惠金融深度发展，协同产

普惠金融 Financial Inclusion

57

2023年第10期 WUHAN

FINANCE

业链上下游，更好释放规模效应。同时，健全“互联

网+”金融生态，完善市场金融体系，为产业链韧性

的提升注入源源不断的资金支持。

第二，推进数字普惠金融差异化，统筹区域协调

发展。在深入实施区域重大战略和区域协调发展战

略的背景下，各区域发挥数字普惠金融优势需要保

持差异化和特色化，基于区域发展基础差异化，因地

制宜完善数字普惠金融发展体系，合理布局产业链，

统筹区域协调，鼓励东中西区域交流与合作。中西

部地区应继续发挥数字普惠金融的促进作用，带动

区域产业链韧性提升。

第三，完善金融支持创新体系，强化产业链和创

新链双链融合。提升创新能力是解决“卡脖子”问

题、提升产业链韧性的关键。政府应鼓励城市高质

量打造区域创新高地，以创新带动技术前沿领域发

展，牢牢把握产业链关键环节和核心基础位置，努力

实现关键核心技术自主可控，着力疏通卡点堵点，增

强对产业链的话语权、议事权和主导权。同时，提升

国家创新体系整体效能，瞄准新一轮科技革命和产

业变革发展方向，努力抢占科技革命的制高点，避免

产业链低端化，推动产业迈向全球价值链中高端，为

打造安全稳定的国内产业链运行体系、提升产业链

韧性提供保障。■

[参考文献]

[1] JOHNSON R C，NOGUERA G. Fragmentation and Trade

in Value Added Over Four Decades[R]. NBER Working Paper

No.18186，2012.

[2] 孙鸿鹄，甄峰.面向日常活动与环境供需矛盾的城市韧性

综合评估及空间特征研究：以南京为例[J].地理研究，2022

（10）：2697-2711.

[3] 冯笑，苏二豆.贸易政策不确定性、技术创新与中国城市

经济韧性[J].城市问题，2022（10）：55-63.

[4] 李诗音，苏欣怡，符安平.长江中游城市群经济韧性对高

质量发展的影响[J].经济地理，2022（10）：19-24.

[5] 毛丰付，胡承晨，魏亚飞.数字产业发展与城市经济韧性

[J].财经科学，2022（8）：60-75.

[6] 杜文瑄，施益军，徐丽华，等.风险扰动下的城市经济韧性

多维测度与分析：以长三角地区为例[J].地理科学进展，

2022（6）：956-971.

[7] 王泽宇，唐云清，韩增林，等.中国沿海省份海洋船舶产业

链韧性测度及其影响因素[J].经济地理，2022（7）：117-125.

[8] 李萌，何宇，潘家华“. 双碳”目标、碳税政策与中国制造业

产业链韧性[J].中国人口·资源与环境，2022（9）：22-34.

[9] 陈晓东，刘洋，周柯.数字经济提升我国产业链韧性的路

径研究[J].经济体制改革，2022（1）：95-102.

[10] 李胜会，戎芳毅.产业链现代化的渐进逻辑：破解锁定与

韧性提升[J].广东社会科学，2022（5）：37-47.

[11] 李胜会，戎芳毅.知识产权治理如何提升产业链韧性?基

于国家知识产权示范城市政策的实证检验[J].暨南学报（哲

学社会科学版），2022（5）：92-107.

[12] 卫彦琦.数字金融对产业链韧性的影响[J].中国流通经

济，2023（1）：71-82.

[13] 刘锦怡，刘纯阳.数字普惠金融的农村减贫效应：效果与

机制[J].财经论丛，2020（1）：43-53.

[14] LI J，WU Y，XIAO J J. The Impact of Digital Finance on

Household Consumption：Evidence from China[J]. Economic

Modelling，2020，86：317-326.

[15] 牟晓伟，盛志君，赵天唯.我国数字金融发展对产业结构

优化升级的影响[J].经济问题，2022（5）：10-20.

[16] LU L. Promoting SME Finance in the Context of the Fin⁃

tech Revolution：A Case Study of the UK's Practice and Regu⁃

lation[J]. Banking and Finance Law Review，2018，33：317-343.

[17] 何宇，陈珍珍，张建华.人工智能技术应用与全球价值链

竞争[J].中国工业经济，2021（10）：117-135.

[18] GUNASEKARAN A，YUSUF Y Y，ADELEYE E O，et

al. Agile Manufacturing Practices：The Role of Big Data and

Business Analytics with Multiple Case Studies[J]. International

Journal of Production Research，2018，（3）：385-397.

[19] 黄益平，邱晗.大科技信贷：一个新的信用风险管理框架

[J].管理世界，2021（2）：12-21+50+2+16.

[20] 易信，刘凤良.金融发展、技术创新与产业结构转型：多

部门内生增长理论分析框架[J].管理世界，2015（10）：24-

39+90.

[21] ZENG M，REINARTZ W. Beyond Online Search：The

Road to Profitability[J]. California Management Review，2003

（2）：107-130.

[22] 唐松，伍旭川，祝佳.数字金融与企业技术创新：结构特

征、机制识别与金融监管下的效应差异[J].管理世界，2020

（5）：52-66+9.

[23] 肖兴志，李少林.大变局下的产业链韧性：生成逻辑、实

践关切与政策取向[J].改革，2022（11）：1-14.

[24] 何宇，田杰鑫，覃朝晖，等.基于生产网络视角的中国产

业链韧性测度研究[J/OL].复杂系统与复杂性科学：1-8

[2023-11-20].

[25] 岳鹄，谭月彤，周子灼，等.数字普惠金融、资源配置与工

业绿色全要素生产率[J].武汉金融，2023（3）：3-10.

[26] 刘伟.数字金融对制造业产业链韧性的影响效应分析

[J].武汉金融，2023（4）：40-48.

[27] 郭峰，王靖一，王芳，等.测度中国数字普惠金融发展：指

数编制与空间特征[J].经济学（季刊），2020（4）：1401-1418.

[28] 唐国华，王梦茹.高等教育发展与中国制造业结构升级

[J].审计与经济研究，2022（2）：107-115.

[29] 陈雨露，马勇，徐律.老龄化、金融杠杆与系统性风险[J].

国际金融研究，2014（9）：3-14.

[30] 杨景院，刘伟丽，刘宏楠.数字金融如何推动城市创业?

作用机制与异质性分析[J].经济与管理研究，2022（11）：14-31.

[31] 傅秋子，黄益平.数字金融对农村金融需求的异质性影

响：来自中国家庭金融调查与北京大学数字普惠金融指数

的证据[J].金融研究，2018（11）：68-84.

[32] 刘洋，李敬，雷俐.数字金融发展推动中国城市产业结构

升级了吗?来自地级及以上城市的经验证据[J].西南大学学

报（社会科学版），2022（6）：123-136.

[33] 王小鲁，胡李鹏，樊纲.中国分省份市场化指数报告

（2021年）[M].北京：社会科学文献出版社，2021：223-224.

[34] 林春，孙英杰.数字普惠金融促进了制造业集聚吗?[J].

西南民族大学学报（人文社会科学版），2022（12）：98-108.

[35] 杜金岷，韦施威，吴文洋.数字普惠金融促进了产业结构

优化吗?[J].经济社会体制比较，2020（6）：38-49.

[36] 张晓兰，黄伟熔.我国产业链创新链融合发展的趋势特

征、经验借鉴与战略要点[J].经济纵横，2023（1）：93-101.

（责任编辑：DJ / 校对：XY）

58

一、引言

上市公司业绩预告是管理层信息披露的重要途

径，能够弥补定期报告时间上的滞后性，及时释放业

绩波动风险，保障投资者特别是中小股东的合法权

益[1]

。业绩预告属于评估未来情况的预测性信息，

相对于反映过去经营状况的财务信息，更受投资者

和分析师关注，会对公司股价产生显著影响[2]

。当

前，我国证监会只要求上市公司在报告期内出现预

计业绩变化幅度大于50%、业绩由亏损变为盈利和

业绩亏损三种情形之一时，才必须对外强制披露其

业绩预告信息。由于股票市场监管尚不完善，公司

业绩预告模糊披露、业绩预告准确性较低等问题依

然存在，容易导致管理层产生自利性行为并对业绩

预告进行操纵。这不仅不利于发挥业绩预告披露制

度降低信息不对称的作用，还会损害投资者的利益，

扰乱证券市场的正常秩序，引发新的风险[3]

。因此，

如何进一步完善业绩预告披露制度，成为监管部门

和资本市场参与者共同关注的重要问题。

近年来，我国实体经济与虚拟经济发展“冷热不

均”，越来越多的实体企业突破了金融边界，出现影

子银行化倾向。企业通过资金借贷或者购买理财产

品、结构性存款、基金信托等方式参与影子银行业

务，成为影子银行资金的供给方。企业影子银行化

既可以作为传统银行的补充，又可以作为其替代[4]

，

在某种程度上满足了部分企业的资金缺口，存在一

定的积极作用[5]

。但影子银行业务游离于正规金融

体系之外，以隐蔽的方式规避监管[6，7]

。为了守住不

发生系统性金融风险的底线，2018 年资管新规出

台，对金融机构资管业务的资金池、杠杆、通道等进

行了约束与规范，金融产品层层嵌套等行为得到抑

制，为规范我国影子银行发展搭建了相应的政策框

架。党的二十大报告也明确指出，要“深化金融体制

改革，加强现代金融监管，完善金融稳定保障体系”，

强调“依法将各类金融活动纳入监管，守住不发生系

统性风险底线”，并倡导“健全资本市场功能，依法规

范和引导资本健康发展”。

在党的二十大报告明确“防范化解重大风险、健

全资本市场功能”的背景下，业绩预告的提前警示作

用愈加突出，提高业绩预告披露质量成为监管机构、

上市公司以及资本市场关注的重点。影子银行化对

企业的盈利能力、经营风险产生了一定影响，这是否

摘 要：本文以 2013—2021 年沪深两市 A 股上市非金融企业为研究样本，实证检验了非金融企业影子银行化对管理层业绩预告质量

的影响。研究结果表明，非金融企业影子银行化显著降低了管理层业绩预告质量，具体表现为业绩预告准确性和精确度的下降。机制检

验表明，非金融企业影子银行化通过提高企业业绩波动、增强管理层盈余管理动机两种渠道恶化业绩预告质量。异质性分析发现，在未

采用“四大”事务所审计、机构投资者持股比例较低的企业以及非国有企业的样本中，两者之间的负相关关系更加显著。本文研究结果为

规范管理层业绩预告披露行为、加强监管部门及外部力量对管理层信息披露行为的监督以及引导投资者辩证看待管理层披露的业绩预

告信息具有一定的现实意义。

关键词：非金融企业；影子银行化；业绩预告

中图分类号：F832.36 文献标识码：A 文章编号：1009-3540（2023）10-0059-0011

基金项目：湖南省自然科学基金项目“非金融企业影子银行化风险溢出的结构洞效应与治理研究”（2023JJ30706）。

■ 李香花 姜佳良 李世辉

作者简介：李香花（1975—），女，中南大学商学院副教授，博士； 姜佳良（1999—），男，中南大学商学院硕士研究生； 李世辉（1967—），

男，博士，中南大学商学院教授。

非金融企业影子银行化与

管理层业绩预告质量

金融论坛 Financial Forum

59

2023年第10期 WUHAN

FINANCE

会诱发管理层机会主义动机而对业绩预告进行操

纵，是否会对业绩预告质量产生影响，产生何种影

响？本文深入探讨非金融企业影子银行化与管理层

业绩预告质量之间的关联关系，有助于进一步解释

中国资本市场中上市公司管理层业绩预告质量存在

差异的原因，为正确引导和监管影子银行发展提供

了相关依据。

本文选取 2013—2021 年沪深两市 A 股上市非

金融企业为研究对象，深入探讨非金融企业影子银

行化与管理层业绩预告质量之间的关系。本文可能

的边际贡献在于：第一，在理论层面，丰富了非金融

企业影子银行化的经济后果和管理层业绩预告质量

影响因素的相关研究。现有文献主要集中于经营风

险[8]

、社会责任承担[9]

、企业创新[10]

等方面，很少考虑

企业影子银行化行为所引发的不确定性后果如何以

业绩预告的方式传递给外部利益相关者这一重要议

题。在分析业绩预告质量的影响因素时，主要从企

业内部特征[11—13]

和外部环境[14—16]

两个方面展开，很

少考虑企业资金配置方式，尤其是参与影子银行业

务这一因素的影响。而本文从资金配置视角拓展了

管理层业绩预告质量的相关研究，为厘清管理层业

绩预告质量的影响因素提供了新思路。第二，在实

践意义上，为合理监管影子银行业务提供依据。当

前部分影子银行业务仍游离于监管之外，监管机制

有待进一步完善，影子银行业务的规模扩张不仅会

影响企业自身发展，还会通过业绩预告等方式来影

响股市，加剧资本市场风险。本文从外部监督视角

出发，探讨审计师以及机构投资者所发挥的治理作

用，能够为合理监管影子银行业务寻找新的突破口，

从而制定更有针对性、更适用的监管政策。同时，提

醒投资者在进行投资决策时要综合企业内外部信

息，辩证看待企业披露的业绩预告信息，减少不必要

的损失。

二、文献回顾与研究假设

（一）文献回顾

1.非金融企业影子银行化的经济后果

非金融企业影子银行化长期发展会降低企业投

资效率并恶化信息披露质量，增加经营风险，给企业

带来股价崩盘压力[8，17]

。较高的回报率会促使非金

融企业将本该用于发展主业的资金投向影子银行业

务，虽然短期内会提高企业金融投资利润，但从长远

来看降低了企业的盈余可持续性[18，19]

。长期参与影

子银行业务还会削弱企业的社会责任承担[9]

，抑制

研发投入进而阻碍企业创新[10]

，对企业长远发展产

生反噬作用[20]

。李香花等[21]

发现我国非金融企业影

子银行化行为存在显著的行业同伴效应，并且随着

行业竞争压力降低，非金融企业影子银行化的同伴

效应越明显，由此对企业的财务风险和企业价值产

生显著影响。但也有研究认为，非金融企业参与影

子银行业务使企业超过正常生产经营所需的资金得

到了充分利用，这在一定程度上提高了企业的资金

配置效率[22，23]

，进一步会对整个区域的资本配置效

率产生影响[24]

。

2.管理层业绩预告质量的影响因素

证券市场的快速发展使得市场参与者对业绩预

告这类前瞻性会计信息的关注度越来越高。已有文

献主要从企业微观特征和外部环境两个方面对管理

层业绩预告质量的影响因素展开研究。在微观层

面，管理层过度自信会提高业绩预告的乐观偏差，降

低业绩预告的准确性[25，26]

；与男性高管相比，女性高

管往往更加厌恶风险、沟通能力更强，从而有助于提

高管理层业绩预告质量[27]

。当高管与其供应商高管

存在校友关系时，校友关系成为二者间的信息沟通

渠道，将降低管理层业绩预告披露的频率[11]

。此外，

企业内部的经营活动，如“互联网+”销售模式[13]

、员

工持股[28]

、股票期权激励[29]

以及控股股东股权质押[30]

等均会对业绩预告质量产生影响。就外部环境而言，

宏观经济的不确定性程度越高，上市公司自愿发布

业绩预告的意愿就越低[31]

；而当政治不确定性越高

时，管理层会更倾向于发布业绩预告[14]

。交易所问询

函[3]

、会计师事务所声誉受损[32]

、融资融券制度[33]

、最

低工资政策变动[15]

以及沪深港通交易制度的实施[16]

都会影响管理层业绩预告质量。

3.文献评述

通过梳理文献发现：一方面，关于企业影子银行

化经济后果的探讨多集中于对经营风险、社会责任、

企业创新等方面的影响，较少考虑企业影子银行化

带来的不确定对业绩预告质量的影响。另一方面，

关于业绩预告质量的文献多从管理层特征以及外部

环境的视角来探究业绩预告质量的影响因素，很少

考虑企业资金配置方式，尤其是参与影子银行业务

是否会对业绩预告质量产生影响。业绩预告作为对

外传递信息、缓解信息不对称的重要手段，管理层会

60

根据公司经营情况和环境变化调整业绩预告披露策

略。而影子银行化会对公司经营和长期发展产生重

大影响，极可能影响公司信息披露行为。但目前鲜

有文献将影子银行化和业绩预告披露质量相关联来

探究两者之间的关系。本文将从企业资金配置的视

角出发，以业绩预告披露质量为研究对象，考察管理

层在企业参与影子银行业务背景下的业绩预告披露

行为，为更好地监管企业决策行为提供依据。

（二）研究假设

业绩预告作为管理层对企业未来经营状况进行

预测的前瞻性信息，不仅会受到企业发展战略、经营

状况的影响，还会受到管理层行为的干预。非金融

企业影子银行化对管理层业绩预告质量的影响可能

表现在以下两个方面：

一方面，非金融企业影子银行化可能会通过影

响企业的业绩波动，增加企业的经营风险进而影响

管理层披露的业绩预告质量。从资金来源看，企业

投向影子银行业务的资金并非通过内部融资获得。

因为内源融资是公司生产经营过程中形成的自有资

金，对企业生产经营的重要性不言而喻，尤其是在具

有融资约束的企业中更加明显[34]

。为了保存足够的

资金来维持企业的正常运转，上市企业更倾向于凭

借自身的融资优势，从外部渠道筹集资金参与影子

银行业务，但这部分资金短融长贷特征明显，存在期

限错配风险。由于影子银行业务在收益率、回收期

限等方面具有较大的不确定性，一旦借款方发生债

务违约问题，将影响企业经营业绩的稳定性，增加业

绩波动[17，20]

。同时，根据资源依赖理论，企业的资源

总量是有限的，当非金融企业将资源过多地投入到

影子信贷市场时，会对企业实体投资产生显著的“挤

出效应”，导致企业缺乏足够的资金进行新产品的创

新研发以及固定资产、无形资产的更新改造[35]

。这

不仅不利于企业的可持续发展，还会提高管理层的

风险承担水平。而随着管理层风险承担水平提高，

管理层进行盈利预测时受到业绩波动的干扰加大，

进而导致管理层准确预测未来盈利情况的难度加

大，盈利预测偏差也越大。因而，当公司影子银行化

程度较高时，意味着企业的经营业绩构成发生了较

大变化，管理层业绩预告将受到业绩波动的干扰，从

而影响管理层对当期经营业绩的判断，客观上增加

了管理层高质量披露业绩预告的难度。

另一方面，非金融企业影子银行化有可能驱使

管理层产生盈余管理动机进而影响业绩预告质量。

出于逐利性，从事影子银行业务的非金融企业具有

强烈动机去扩大自身的融资规模，以便将更多的资

金投入到影子信贷市场[36]

。这种强烈的融资需求不

仅会令管理层策略性地披露盈余预测信息，向债权

人传递利好消息以增加融资机会，而且会加大管理

层进行盈余管理、操纵财务报表的可能[37]

。甚至可

能为获取更宽裕的授信额度或更低的融资成本而刻

意损害会计稳健性[38]

，进而提高财务报表出现重大

错报的可能性。企业盈余操纵动机会显著影响管理

层业绩预告质量[39]

，因为与操纵企业年度报告的会

计信息相比，管理层操纵业绩预告信息更加容易、成

本更低。对于盈余操纵动机较强的企业，各种纷繁

复杂的业绩粉饰行为，如异常关联方交易、会计处理

违规等，会成为管理层盈利预测数值偏离企业实际

盈利情况的重要诱因。

基于以上分析，本文提出如下假设：

H：在其他条件不变的情况下，非金融企业影子

银行化程度越高，管理层业绩预告质量越低。

三、研究设计

（一）样本选择与数据来源

我国业绩预告披露制度自1998年开始建立，随

后逐步完善，2012 年《创业板信息披露业务备忘录

第11号——业绩预告、业绩快报及其修正》发布以

后，我国业绩预告披露制度基本稳定。因此，本文选

取 2013—2021 年沪深 A 股年度内发布过业绩预告

的上市企业为研究样本，在此基础上：剔除金融类、

保险类公司；剔除ST、*ST类公司；剔除营业收入为

负数及资不抵债的公司；剔除数据缺失的样本，并选

取年度内最末次的业绩预告数据。筛选整理后共得

到12693个公司年度观测值。非金融企业影子银行

化数据来自中国研究数据服务平台（CNRDS），其他

相关数据来自国泰安（CSMAR）数据库。同时，为了

减少极端值对回归结果的影响，本文对所有连续变

量都进行了双向1%的Winsorize缩尾处理。

（二）变量定义

1.业绩预告质量

借鉴朱杰[1]

的研究，采用业绩预告准确性（Bias）

和业绩预告精确度（Width）来衡量管理层业绩预告

质量。准确性（Bias）以业绩预告预测净利润与实际

净利润的相对偏差来衡量，计算公式为：Bias=|（管理

金融论坛 Financial Forum

61

2023年第10期 WUHAN

FINANCE

层预测净利润-企业实际净利润）/期末总资产|。精

确度（Width）以企业发布业绩预告的预测区间的大

小来衡量，反映形式上的精确性，计算方法为：

Width=|（管理层预测净利润上限-管理层预测净利

润下限）/期末总资产|。其中，若管理层在业绩预告

中预测的净利润为点估计、上限值估计或下限值估

计，则取管理层预测的具体数值；若管理层在业绩预

告中预测的是净利润区间估计，则参照张娆等[40]

的

做法，选取管理层预测的盈利区间上限值和下限值

的平均值来度量。显然，准确性（Bias）和精确度

（Width）取值越大，意味着管理层业绩预告偏差越

大，精确度越低，质量越差。

2.非金融企业影子银行化

借鉴吴安兵等[41]

的研究，将非金融企业参与的

影子银行业务分为“信用中介类影子银行”和“信用

链条类影子银行”两类。“信用中介类影子银行”包括

民间借贷、委托理财和委托贷款，“信用链条类影子

银行”则指理财产品、信托产品、结构性存款、资产管

理计划四大类金融产品。非金融企业影子银行化

（Shadowbank）采用“信用中介类影子银行”与“信用

链条类影子银行”规模之和占总资产的比例来衡量。

3.控制变量

借鉴朱杰[1]

、彭博等[13]

的研究，本文主要选取了

公司相关财务指标和公司治理指标作为控制变量。

其中，财务指标包括：资产负债率（Lev）、公司规模

（Size）、成长能力（Growth）、现金充裕度（Cash）、总资

产收益率（Roa）；公司治理指标包括：公司年龄

（Age）、独董占比（Indep）、两职合一（Dual）、前十大

股东持股比例（Top10）、董事会规模（Board）、高管持

股比例（Mhold）。此外，本文还对年度（Year）和行业

（Industry）固定效应进行了控制。具体变量定义如

表1所示。

（三）模型设计

为了验证非金融企业影子银行化与管理层业绩

预告质量之间的关系，构建模型（1）如下：

Biasi,t /Widthi,t = α0 + α1Shadowbanki,t +

α∑i Controli,t + εi,t

（1）

其中，Biasi，t和Widthi，t为主要被解释变量业绩预

告质量，分别表示企业i在第t年发布的业绩预告准

确性以及精确度；Shadowbanki，t为解释变量，代表非

金融企业i在t年的影子银行化程度；Controlsi，t为前

文所述控制变量；εi，t为随机扰动项。Shadowbanki，t

的系数α1的符号及其显著性是回归关注的重点，若

α1显著为正，表明非金融企业影子银行化会对管理

层业绩预告质量产生负向影响，则假设H成立。

四、实证结果分析

（一）描述性统计

主要变量的描述性统计结果如表2所示。从总

体上看，非金融企业影子银行化（Shadowbank）最大

值为3.280，最小值为0.000，均值为0.147，表明样本

表1 变量定义

变量类型

被解释

变量

解释变量

控制变量

变量名称

业绩预告准确性

业绩预告精确度

非金融企业影子

银行化

资产负债率

公司规模

成长能力

现金充裕度

总资产收益率

公司年龄

独董占比

两职合一

前十大股东持股

比例

董事会规模

高管持股比例

年度

行业

变量符号

Bias

Width

Shadowbank

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Year

Industry

变量定义

|(管理层预测净利润-企业实际净利

润)/期末总资产|

|(管理层预测净利润上限-管理层预

测净利润下限)/期末总资产|

“信用中介类影子银行”+“信用链条

类影子银行”/总资产

年末总负债与年末总资产的比值

年末总资产取自然对数

当年营业收入相比上年营业收入的

变动比例

经营活动所产生的现金流量净额/

营业总收入

当年净利润与年末总资产的比值

上市年限加1取自然对数

独立董事人数占董事会人数的比例

董事长和总经理由同一人兼任取1，

否则取0

公司前十大股东持股数量/总股数

董事会人数取自然对数

年末高管持股数量与总股数的比值

年度虚拟变量

行业虚拟变量，依据证监会2012年

行业分类

表2 描述性统计

变量

Shadowbank

Bias

Width

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

样本量

12693

12693

12693

12693

12693

12693

12693

12693

12693

12693

12693

12693

12693

12693

均值

0.147

0.384

0.889

0.422

22.075

0.198

0.084

0.042

2.119

0.377

0.305

0.575

2.110

0.119

标准差

0.291

0.769

0.997

0.206

1.182

0.527

0.182

0.075

0.721

0.053

0.461

0.142

0.193

0.169

最小值

0.000

0.001

0.000

0.037

19.568

-0.684

-1.122

-0.511

0.693

0.333

0.000

0.225

1.609

0.000

中位数

0.017

0.162

0.628

0.413

21.908

0.113

0.080

0.045

2.197

0.364

0.000

0.582

2.197

0.009

最大值

3.280

9.768

10.292

0.952

26.045

5.223

0.854

0.273

3.332

0.600

1.000

0.912

2.639

0.683

62

企业之间的影子银行化规模存在较大差异。样本企

业管理层业绩预告准确性（Bias）平均值为0.384，最

大值为9.768，最小值为0.001，可见不同企业间的管

理层业绩预告在准确性上存在很大差异。业绩预告

精确度（Width）最大值为10.292，标准差为0.997，说

明不同企业发布的业绩预告在精确度上有很大差

异。其他变量中，成长能力（Growth）、现金充裕度

（Cash）、总资产收益率（Roa）、高管持股比例（Mhold）

等变量在样本企业中均存在显著差异。

（二）回归结果分析

表3报告了非金融企业影子银行化对管理层业

绩预告质量影响的基准回归结果。其中，（1）列显示

非金融企业影子银行化（Shadowbank）与业绩预告准

确性（Bias）之间的系数为 0.076，在 1%的水平上显

著为正，表明非金融企业影子银行化增大了管理层

业绩预告的偏差程度，也就是降低了管理层业绩预

告准确性。（2）列结果显示非金融企业影子银行化

（Shadowbank）回归系数为 0.223，依然在 1%的水平

上显著为正，说明非金融企业影子银行化程度降低

了管理层业绩预告的精确度。（1）和（2）列的回归结

果表明，在纳入时间和行业固定效应以及相关控制

变量之后，非金融企业影子银行化对业绩预告质量

存在削弱作用。假设H成立。

（三）稳健性检验

1.替换变量

为了增强基准回归结果的稳健性，采用替换变

量的方式进行稳健性检验。首先，在计算业绩预告

质量时，将分母替换为企业当年的营业收入总额来

重新度量业绩预告质量（Bias、Width）。回归结果如

表 4（1）和（2）列所示，在替换被解释变量衡量方式

后，非金融企业影子银行化与业绩预告准确性、精确

度均在1%水平上显著为正（回归系数分别为0.188、

表3 基准回归结果 0.527），假设H成立。其次，借鉴黄贤环等[19]

的研究，

变量

Shadowbank

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Constant

Industry

Year

N

Adj. R2

(1)

Bias

0.076***

(3.420)

-0.006

(-0.118)

-0.013

(-1.479)

0.028**

(2.002)

0.111**

(2.506)

-3.784***

(-14.332)

-0.025*

(-1.928)

-0.274*

(-1.778)

0.011

(0.775)

0.025

(0.453)

-0.041

(-0.920)

0.209***

(5.027)

0.821***

(4.397)

控制

控制

12693

0.137

(2)

Width

0.223***

(7.205)

-0.478***

(-7.455)

-0.068***

(-6.256)

-0.060***

(-4.075)

0.265***

(4.467)

-2.410***

(-6.519)

-0.028

(-1.636)

-0.285

(-1.487)

0.017

(0.841)

0.252***

(3.525)

-0.005

(-0.095)

0.443***

(7.544)

2.311***

(9.584)

控制

控制

12693

0.110

注：括号内为 t值；*、**、***分别表示在 10%、5%和 1%水平上显

著。下表同。

表4 替换变量检验

变量

Shadowbank

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Constant

Industry

Year

N

Adj. R2

(1)

替换被解释变量

Bias

0.188***

(2.660)

-0.810***

(-4.912)

-0.026

(-0.919)

-0.076*

(-1.650)

-0.509**

(-2.278)

-11.854***

(-14.912)

0.038

(0.916)

-0.465

(-0.965)

0.039

(0.885)

0.015

(0.086)

-0.117

(-0.805)

0.547***

(4.414)

2.113***

(3.486)

控制

控制

12693

0.152

(2)

Width

0.527***

(5.481)

-2.602***

(-11.537)

-0.127***

(-3.455)

-0.392***

(-7.708)

0.337

(1.144)

-11.847***

(-11.751)

0.110**

(2.096)

-0.279

(-0.488)

0.025

(0.427)

0.426*

(1.907)

-0.198

(-1.152)

1.105***

(6.653)

5.666***

(6.864)

控制

控制

12693

0.152

(3)

替换解释变量

Bias

0.026***

(5.587)

-0.002

(-0.033)

-0.042***

(-3.930)

0.028**

(2.013)

0.118***

(2.664)

-3.763***

(-14.329)

-0.021*

(-1.651)

-0.261*

(-1.699)

0.010

(0.683)

0.029

(0.535)

-0.042

(-0.943)

0.212***

(5.089)

0.974***

(5.126)

控制

控制

12693

0.139

(4)

Width

0.030***

(4.925)

-0.521***

(-8.187)

-0.102***

(-7.593)

-0.063***

(-4.259)

0.278***

(4.664)

-2.356***

(-6.382)

-0.028

(-1.596)

-0.277

(-1.441)

0.018

(0.883)

0.266***

(3.720)

-0.012

(-0.213)

0.453***

(7.700)

2.544***

(10.384)

控制

控制

12693

0.108

金融论坛 Financial Forum

63

2023年第10期 WUHAN

FINANCE

采用上市公司年度财务报告中的“其他流动资产”

“其他非流动资产”“一年内到期的非流动资产”“其

他应收款”“委托理财”科目金额总和的自然对数来

衡量非金融企业影子银行化（Shadowbank）。回归结

果如表 4（3）和（4）列所示，在替换解释变量衡量方

式后，非金融企业影子银行化与业绩预告质量在1%

水平上显著为正（回归系数分别为0.026、0.030），假

设H依旧成立。

2.分样本检验

采用分样本检验，来排除特殊样本对前文结论

的影响。首先，剔除当年新成立的公司样本，以保持

样本数据的稳定性；其次，考虑到新冠疫情对经济的

冲击，剔除2020年之后的公司样本。筛选后的回归

结果如表5所示。（1）列中，非金融企业影子银行化

（Shadowbank）与业绩预告准确性（Bias）回归系数为

0.076，在1%的水平上显著为正；（2）列中，非金融企

业影子银行化（Shadowbank）与业绩预告精确度

（Width）回归系数为 0.238，在 1%水平上显著为正。

上述结果表明，在考虑特殊样本的影响后，非金融企

业影子银行化对业绩预告质量的削弱作用仍然存

在，前文研究结论稳健。

（四）内生性控制

1.倾向得分匹配法（PSM）

为了缓解样本选择问题产生的偏差，采用倾向

得分匹配法（PSM）重新进行估计。具体而言，按照

非金融企业是否存在影子银行化业务分为两组，并

选取前文所述控制变量为协变量，将影子银行化程

度高低两组进行半径匹配回归。在估计之前对所有

协变量进行平衡性检验，发现每个协变量的标准偏

差都小于10%，表明匹配符合平衡性的假设，即选择

的匹配方法是有效的。在半径匹配后，对模型（1）进

行估计，估计结果如表6（1）和（2）列所示，非金融企

业影子银行化（Shadowbank）的系数分别为0.075和

0.222，均在1%的水平上显著为正，说明无论是处理

表5 分样本检验

变量

Shadowbank

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Constant

Industry

Year

N

Adj. R2

(1)

Bias

0.076***

(3.324)

-0.061

(-1.153)

-0.011

(-1.168)

0.018

(1.266)

0.109**

(2.300)

-3.692***

(-12.086)

-0.019

(-1.355)

-0.344**

(-2.086)

-0.003

(-0.197)

0.075

(1.293)

-0.056

(-1.154)

0.194***

(4.574)

0.830***

(4.136)

控制

控制

11056

0.124

(2)

Width

0.238***

(7.647)

-0.518***

(-7.840)

-0.070***

(-6.166)

-0.084***

(-5.743)

0.162***

(2.847)

-0.800**

(-2.117)

-0.013

(-0.765)

-0.280

(-1.454)

0.006

(0.304)

0.353***

(4.880)

0.035

(0.652)

0.351***

(6.255)

2.178***

(8.891)

控制

控制

11056

0.108

表6 内生性控制

变量

Shadowbank

IMR

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

_cons

Industry

Year

N

Adj. R2

(1)

倾向得分匹配法(PSM)

Bias

0.075***

(3.213)

-0.008

(-0.197)

-0.013*

(-1.651)

0.027**

(2.159)

0.098***

(2.619)

-3.744***

(-38.720)

-0.026**

(-2.014)

-0.290*

(-1.930)

0.012

(0.820)

0.015

(0.294)

-0.041

(-0.947)

0.209***

(4.467)

0.819***

(4.326)

控制

控制

12683

0.135

(2)

Width

0.222***

(7.169)

-0.494***

(-8.983)

-0.065***

(-6.483)

-0.061***

(-3.638)

0.270***

(5.444)

-2.373***

(-18.621)

-0.031*

(-1.823)

-0.308

(-1.553)

0.018

(0.922)

0.238***

(3.478)

-0.006

(-0.099)

0.441***

(7.166)

2.271***

(9.104)

控制

控制

12683

0.109

(3)

Heckman两阶段回归

Bias

0.063***

(2.653)

1.533***

(5.717)

0.086***

(4.557)

0.014

(1.117)

0.327***

(6.150)

-2.438***

(-9.577)

-0.249***

(-6.040)

-0.036

(-0.862)

-0.289*

(-1.924)

0.011

(0.757)

0.022

(0.418)

-0.041

(-0.946)

0.217***

(4.641)

-2.506***

(-4.096)

控制

控制

12693

0.139

(4)

Width

0.192***

(6.187)

3.714***

(10.537)

0.173***

(6.953)

-0.093***

(-5.515)

0.790***

(11.290)

0.852**

(2.546)

-0.571***

(-10.543)

-0.552***

(-10.011)

-0.322

(-1.632)

0.016

(0.815)

0.245***

(3.589)

-0.005

(-0.093)

0.462***

(7.518)

-5.747***

(-7.147)

控制

控制

12693

0.117

64

组样本还是对照组样本，非金融企业影子银行化对

管理层业绩预告质量的抑制作用都是显著的。匹配

后估计的结果和前文的结果十分接近，进一步验证

了前文假设。

2.Heckman两阶段回归

通过 Heckman 两阶段回归方法缓解可能存在

的样本自选择问题。首先，在第一阶段中，将非金融

企业是否开展影子银行业务（若开展取1，否则取0）

作为被解释变量；其次，以公司规模（Size）、成长能

力（Growth）、现金充裕度（Cash）、总资产收益率

（Roa）以及公司年龄（Age）作为解释变量进行Probit

回归，并将第一阶段估计出的逆米尔斯比率（IMR）

放入到第二阶段的模型中进行回归，表 6（3）和（4）

列报告了第二阶段的回归结果。结果显示，逆米尔

斯比率（IMR）均在1%水平上显著为正，非金融企业

影子银行化（Shadowbank）的系数分别为 0.063 和

0.192，均在1%的水平上显著为正，表明在考虑样本

选择偏差所导致的内生性问题后，非金融企业影子

银行化与业绩预告质量依旧显著正相关，前文研究

结论仍具可靠性。

五、进一步分析

（一）机制检验

根据前文理论分析，非金融企业影子银行化可

能通过两种机制影响业绩预告质量。第一，从客观

上来讲，非金融企业影子银行化程度越高，对企业主

业发展的挤出效应越明显，由于影子银行业务规避

监管的属性，会对企业持续稳定发展产生冲击，提高

了企业的业绩波动性，增大了管理层发布相对准确

业绩预告的难度。第二，从主观动机上来讲，影子银

行化业务给企业带来高额收益的同时，无形中也提

高了企业的资金需求，当企业自有资金无法满足自

身需要时，进行外部融资成为企业的必然选择。这

时，管理层有动机进行盈余操纵[40]

，降低管理层业绩

预告质量，向外部传递利好消息，以增强投资者信

心，增加融资机会。因此，本文将从这两个角度分析

非金融企业影子银行化对管理层业绩预告质量的影

响机制。

1.基于业绩波动的机制检验

本文参考 Adams 等[42]

的研究，以三年作为一个

观测时段，滚动计算公司业绩（Roa=净利润/总资产）

的标准差，其值越大表明企业的业绩波动越明显。

并参考温忠麟等[43]

的中介效应检验方法，构建模型

（2）和模型（3）如下：

Std_Roai,t = β0 + β1Shadowbanki,t +

β∑i Controli,t + εi,t

（2）

Biasi,t /Widthi,t = λ0 + λ1Shadowbanki,t +

λ2 Std_Roai,t +

λ∑i Controli,t + εi,t

（3）

回归结果如表7所示。（1）列是模型（2）的回归

结果，非金融企业影子银行化（Shadowbank）与业绩

波动（Std_Roa）回归系数为0.004，在1%的水平上显

著，说明随着企业影子银行化程度的加深，企业业绩

波动更加明显。（2）和（3）列是模型（3）的回归结果，

业绩波动（Std_Roa）的回归系数均在1%的水平上显

著为正，说明业绩波动越大，管理层业绩预告的准确

性和精确度越低，质量越差；非金融企业影子银行化

（Shadowbank）与业绩预告质量（Bias、Width）的回归

表7 业绩波动机制检验

变量

Shadowbank

Std_Roa

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Constant

Industry

Year

N

Adj. R2

(1)

Std_Roa

0.004***

(2.721)

0.012***

(3.430)

-0.004***

(-6.211)

0.006***

(4.325)

0.006*

(1.860)

-0.303***

(-23.624)

0.004***

(4.674)

-0.022**

(-2.081)

0.001

(1.317)

-0.002

(-0.660)

-0.011***

(-3.586)

0.012***

(4.079)

0.149***

(11.121)

控制

控制

12693

0.219

(2)

Bias

0.062***

(2.911)

3.005***

(11.867)

-0.040

(-0.826)

-0.002

(-0.246)

0.011

(0.789)

0.094**

(2.187)

-2.872***

(-12.376)

-0.038***

(-3.049)

-0.207

(-1.392)

0.007

(0.511)

0.032

(0.606)

-0.007

(-0.169)

0.173***

(4.246)

0.374**

(2.052)

控制

控制

12693

0.174

(3)

Width

0.206***

(6.838)

3.911***

(12.684)

-0.524***

(-8.345)

-0.053***

(-5.147)

-0.083***

(-5.645)

0.243***

(4.198)

-1.223***

(-3.652)

-0.046***

(-2.723)

-0.198

(-1.060)

0.011

(0.585)

0.262***

(3.772)

0.039

(0.712)

0.395***

(6.943)

1.730***

(7.341)

控制

控制

12693

0.147

金融论坛 Financial Forum

65

2023年第10期 WUHAN

FINANCE

系数分别为0.062和0.206，均在1%的水平上显著，

证明了中介效应存在，意味着非金融企业参与影子

银行业务显著提高了企业的业绩波动水平，增加了

管理层的预测难度，降低了业绩预告质量。

2.基于盈余管理的机制检验

本文采用修正的DD模型来度量企业的盈余管

理水平，其值越大表明盈余质量越低，企业的盈余管

理水平越高。同样采用温忠麟等[43]

的中介效应检验

方法，构建模型（4）和模型（5）如下：

DDi,t = η0 + η1Shadowbanki,t +

η∑i Controli,t + εi,t

（4）

Biasi,t /Widthi,t = γ0 + γ1Shadowbanki,t +

γ2DDi,t + γ∑i Controli,t + εi,t

（5）

回归结果如表8所示。（1）列中，非金融企业影

子银行化（Shadowbank）与盈余管理（DD）在1%的水

平上显著为正（回归系数为0.043），说明企业影子银

行化规模与盈余管理水平显著正相关。（2）和（3）列

中，盈余管理（DD）的回归系数均在1%的水平上显

著为正，说明盈余管理水平越高，管理层披露的业绩

预告准确性和精确度越低，质量越差；非金融企业影

子 银 行 化（Shadowbank）与 业 绩 预 告 质 量（Bias、

Width）的回归系数分别为0.069和0.216，均在1%的

水平上显著，证明了中介效应存在，说明随着企业影

子银行化程度的加深，企业会提高其盈余管理水平，

进而降低管理层业绩预告的准确性和精确度。上述

结果说明业绩波动与盈余管理均在非金融企业影子

银行化和业绩预告质量之间起到了中介作用，表明

非金融企业影子银行化会通过增加企业的业绩波

动、提高盈余管理水平来弱化业绩预告质量，从而证

明了本文的主要分析逻辑。

（二）异质性分析

1.基于“四大”审计的异质性分析

审计师作为上市公司年报的鉴证机构，通过规

范上市公司内部控制环境和信息披露环境来对管理

层业绩预告起到一定的治理作用。但由于不同的审

计师在声誉、独立性、业务能力等方面存在差异，因

此本文推断非金融企业影子银行化与业绩预告质量

之间的关系在不同类型审计师之间会有不同的表

现。一般认为，国际四大会计师事务所的规模更大、

声誉更高、独立性和专业胜任能力更强，因此一般将

“四大”事务所视为高质量审计的标志[44]

。高质量审

计服务能够提供更有效的监督并规范公司财务行

为，抑制管理层的机会主义行为，削弱企业的财务舞

弊及错报的可能。同时，高质量的外部审计可以改

善企业的信息披露环境，增强会计信息可比性，帮助

外部利益相关者有效利用企业发布的相关信息，提

高信息透明度，降低上市公司与投资者之间的信息

不对称程度[45]

。此时，管理层操纵业绩预告的难度

更大，从此提高上市公司发布的业绩预告质量。

为了验证上述推论，本部分构造了非金融企业

影子银行化（Shadowbank）与“四大”审计（Big4）的交

乘项（Shadowbank×Big4），并纳入模型进行回归检

验。表 9（1）和（2）列报告了回归结果，可以看出在

纳入交乘项（Shadowbank×Big4）之后，非金融企业影

子 银 行 化（Shadowbank）与 业 绩 预 告 质 量（Bias、

Width）仍然在 1%的水平上显著为正，回归系数为

0.063 和 0.197。交乘项（Shadowbank×Big4）与业绩

预告质量（Bias、Width）的回归系数分别为-0.442、

表8 盈余管理机制检验

变量

Shadowbank

DD

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Constant

Industry

Year

N

Adj. R2

(1)

DD

0.043***

(10.016)

0.005

(0.662)

-0.004***

(-2.921)

0.056***

(11.687)

-0.030***

(-2.672)

-0.051***

(-3.545)

0.002

(0.988)

0.002

(0.084)

-0.003

(-1.611)

0.038***

(4.418)

-0.011

(-1.424)

0.008

(1.310)

0.145***

(4.108)

控制

控制

12693

0.161

(2)

Bias

0.069***

(3.111)

0.144***

(2.590)

-0.007

(-0.131)

-0.012

(-1.414)

0.020

(1.412)

0.115***

(2.603)

-3.777***

(-14.299)

-0.025*

(-1.951)

-0.274*

(-1.782)

0.012

(0.809)

0.019

(0.354)

-0.040

(-0.885)

0.208***

(4.997)

0.800***

(4.285)

控制

控制

12693

0.138

(3)

Width

0.216***

(6.910)

0.180***

(2.701)

-0.479***

(-7.469)

-0.067***

(-6.195)

-0.070***

(-4.644)

0.271***

(4.544)

-2.401***

(-6.495)

-0.029*

(-1.657)

-0.285

(-1.489)

0.017

(0.872)

0.246***

(3.427)

-0.003

(-0.060)

0.441***

(7.522)

2.285***

(9.496)

控制

控制

12693

0.110

66

-0.862，均在1%的水平上显著为负。表明“四大”审

计（Big4）在非金融企业影子银行化与业绩预告质量

之间起到了负向调节作用。也就是说，与利用国际

四大会计师事务所进行审计的企业相比，没有利用

国际四大会计师事务所进行审计的企业从事影子银

行化对其业绩预告质量的削弱作用更加明显。

2.基于机构投资者持股的异质性分析

作为享有企业收益的机构投资者，与个人投资

者“跟风炒作”的投资特点不同，机构投资者更倾向

于长期价值投资，并且在资金储备、信息储备等多个

方面均优于个人投资者[46]

。当机构投资者的持股比

例不断提高时，机构投资者的投资收益将与公司的

利益相互捆绑，为了追求投资收益最大化，机构投资

者越来越积极地参与到公司治理中去[47]

。机构投资

者参与企业治理，一方面，能够直接与管理层进行沟

通，获得更多个人投资者获取不到的信息，降低了企

业内外部的信息不对称，能够缓解管理层的机会主

义动机，抑制企业的盈余管理水平以及策略性披露

信息的可能，提高业绩预告质量。另一方面，机构投

资者可以利用自身的治理经验来监督管理层的业绩

预告行为，当机构投资者预期企业经营状况存在问

题时，机构投资者还可以通过“用脚投票”方式影响

管理层的行为。一旦机构投资者从企业撤资，将向

资本市场传递该企业在公司治理、经营决策等方面

存在问题的消极信号，从而影响其股价，进而发挥对

企业行为的监督作用，此时管理层操纵业绩预告的

难度将增大，业绩预告质量将会提高。

本部分构造了非金融企业影子银行化（Shadow⁃

bank）与机构投资者持股比例（Insinv）的交乘项

（Shadowbank×Insinv），并纳入模型进行回归检验。

根据表 9（3）和（4）列的回归结果，在纳入交乘项

（Shadowbank×Insinv）之后，非金融企业影子银行化

（Shadowbank）与业绩预告质量（Bias、Width）仍然在

1%的水平上显著为正，回归系数为 0.058 和 0.195。

交乘项（Shadowbank×Insinv）与业绩预告质量（Bias、

Width）的回归系数分别为-0.217和-0.359，均在1%

的水平上显著为负，表明机构投资者持股（Insinv）在

非金融企业影子银行化与业绩预告质量之间起到了

负向调节作用。与机构投资者持股比例较高的企业

相比，机构投资者持股比例较低的企业参与影子银

行化业务对其业绩预告质量的削弱作用更加明显。

3.基于产权性质的异质性分析

我国企业由于产权性质不同，其信息披露存在

明显差异。一方面，国有企业具有天然优势，银行更

倾向于给国有企业提供贷款，即使其发展遇到瓶颈，

凭借政府支持和政策优惠，国有企业也更有可能从

银行获取资金，而无须通过操纵业绩预告来获取资

金支持。国有企业本身兼具承担社会责任的义务，

其大股东、管理层不完全以追逐利润为目标，即使出

现业绩预告导致股价波动的负面市场反应，对国有

表9 异质性分析

变量

Shadowbank

Big4

Shadowbank

×Big4

Insinv

Shadowbank

×Insinv

Soe

Shadowbank

×Soe

Lev

Size

Growth

Cash

Roa

Age

Indep

Dual

Top10

Board

Mhold

Constant

Industry

Year

N

Adj. R2

(1)

“四大”审计

Bias

0.063***

(2.885)

-0.048*

(-1.649)

-0.422***

(-4.320)

-0.007

(-0.134)

-0.013

(-1.426)

0.028**

(2.033)

0.111**

(2.503)

-3.788***

(-14.337)

-0.025**

(-1.975)

-0.278*

(-1.806)

0.011

(0.753)

0.025

(0.469)

-0.042

(-0.942)

0.206***

(4.953)

0.824***

(4.323)

控制

控制

12693

0.137

(2)

Width

0.197***

(6.392)

-0.088**

(-2.295)

-0.862***

(-4.623)

-0.480***

(-7.458)

-0.068***

(-6.080)

-0.059***

(-3.990)

0.265***

(4.461)

-2.418***

(-6.538)

-0.029*

(-1.706)

-0.295

(-1.539)

0.016

(0.807)

0.253***

(3.528)

-0.007

(-0.132)

0.437***

(7.449)

2.329***

(9.364)

控制

控制

12693

0.110

(3)

机构投资者持股

Bias

0.058***

(2.981)

-0.105

(-1.619)

-0.217***

(-2.910)

-0.005

(-0.094)

-0.012

(-1.321)

0.028**

(1.976)

0.109**

(2.452)

-3.765***

(-14.191)

-0.027**

(-2.103)

-0.273*

(-1.775)

0.011

(0.717)

0.117

(1.380)

-0.037

(-0.824)

0.086

(1.020)

0.798***

(4.167)

控制

控制

12693

0.138

(4)

Width

0.195***

(6.537)

0.233***

(2.805)

-0.359***

(-3.233)

-0.485***

(-7.578)

-0.073***

(-6.641)

-0.058***

(-3.930)

0.266***

(4.489)

-2.443***

(-6.580)

-0.032*

(-1.873)

-0.294

(-1.538)

0.022

(1.082)

0.012

(0.112)

-0.021

(-0.378)

0.674***

(6.224)

2.482***

(10.062)

控制

控制

12693

0.111

(5)

产权性质

Bias

0.049**

(2.431)

-0.186***

(-11.406)

-0.132***

(-3.369)

0.023

(0.452)

-0.012

(-1.333)

0.019

(1.345)

0.098**

(2.227)

-3.776***

(-14.371)

0.006

(0.467)

-0.158

(-1.032)

-0.011

(-0.742)

0.072

(1.334)

0.023

(0.515)

0.125***

(2.963)

0.613***

(3.289)

控制

控制

12693

0.144

(6)

Width

0.163***

(5.251)

-0.223***

(-9.265)

-0.305***

(-4.222)

-0.453***

(-7.069)

-0.066***

(-6.172)

-0.071***

(-4.777)

0.249***

(4.192)

-2.400***

(-6.528)

0.007

(0.386)

-0.160

(-0.836)

-0.009

(-0.451)

0.304***

(4.226)

0.067

(1.194)

0.344***

(5.803)

2.094***

(8.706)

控制

控制

12693

0.115

金融论坛 Financial Forum

67

2023年第10期 WUHAN

FINANCE

企业的影响也较小，因此其管理层操纵业绩预告的

动机更小。而非国有企业专注于利润最大化目标，

其在信息披露过程中会选择自身利益最大化的信息

披露行为，因此其管理层发布业绩预告的质量将受

到影响。另一方面，国有企业更受社会关注，尤其是

对于企业过度影子银行化和不利于实体企业长期发

展的行为，是社会关注的重点。此外，国有企业往往

规模较大，公司治理和管理水平更加规范，并且政府

作为上市公司控股股东，会要求公司及时披露财务

信息，与外部投资者进行沟通，以降低信息不对称[48]

。

在内外部的共同制约下，国有企业操纵业绩预告的

可能性大大降低。相反，非国有企业大股东侵占动

机较强，为了持续并隐蔽的侵占公司利益，躲避外部

监管，管理层业绩预告质量将受到影响。

本部分构造了非金融企业影子银行化（Shadow⁃

bank）与 产 权 性 质（Soe）的 交 乘 项（Shadowbank ×

Soe），并纳入模型进行回归检验。根据表9（5）和（6）

列的回归结果，在纳入交乘项（Shadowbank×Soe）之

后，非金融企业影子银行化（Shadowbank）与业绩预

告质量（Bias、Width）显著为正，回归系数为0.049和

0.163。交乘项（Shadowbank×Soe）与业绩预告准确

性（Bias）、精确度（Width）的回归系数分别为-0.132

和-0.305，均在1%的水平上显著为负，表明产权性

质（Soe）在非金融企业影子银行化与业绩预告质量

之间起到了负向调节作用。与国有企业相比，非国

有企业参与影子银行业务对其业绩预告质量的削弱

作用更加明显。

六、研究结论与启示

随着越来越多的非金融上市企业参与影子银行

业务，企业的经营模式以及业务结构等将发生较大

变化，并逐渐影响企业的信息披露行为。而作为会

计信息的重要组成部分，管理层披露的业绩预告无

论是对信息使用者还是对证券市场监管者都具有重

要意义。本文选取 2013—2021 年沪深两市 A 股上

市非金融企业为研究样本，以管理层业绩预告的准

确性和精确度作为业绩预告质量的代理变量，实证

分析了非金融企业影子银行化对管理层业绩预告质

量的影响及其作用机制。研究发现，非金融企业影

子银行化与业绩预告质量之间存在显著的负相关关

系，即非金融企业影子银行化程度越高，管理层发布

的业绩预告质量越差，具体表现为准确性和精确度

下降。并且在经过了替换变量等一系列稳健性检验

之后，结果依旧成立。机制检验发现，非金融企业影

子银行化客观上会提高企业的经营风险，加剧业绩

波动，主观上会扩大企业的融资需求，增强管理层盈

余操纵的动机，进而降低管理层业绩预告质量。异

质性检验发现，良好的外部监督机制能起到有效的

治理作用，例如在采用国际四大会计师事务所进行

年度审计以及机构投资者持股比例较高时，企业影

子银行化对业绩预告质量的削弱作用将得到抑制。

同时企业产权性质也会对两者关系产生影响，与国

有企业相比，非国有企业参与影子银行化业务对其

业绩预告质量的削弱作用更加明显。

基于以上研究结论，本文得到以下三点启示：

第一，企业作为影子银行的参与主体，应充分认

识到影子银行业务的高风险性，管理者应将更多的

精力放在主营业务之上。同时要加强内部控制建

设，提高内部治理效率，降低管理层操纵业绩预告、

过度“粉饰”业绩、发布低质量业绩预告的可能，给投

资者带来长期稳定的回报。

第二，监管部门应加强对企业业绩预告披露的

监管，进一步规范业绩预告披露制度。由于管理层

在业绩预告披露中有很大的自主权，如何约束管理

层发布充分、适当的业绩预告对于资本市场的健康

发展至关重要。监管部门可以充分发挥大数据、人

工智能等科技的力量，对企业的现状及发展前景进

行合理评估，降低信息不对称程度，更好的识别和应

对风险。

第三，充分发挥外部监督机制的治理作用。审

计师以及机构投资者等外部机构可以凭借自身的专

业优势，获取到公众所不能接触到的内幕信息，理应

恪守职业道德，充分发挥治理作用。同时，要引导投

资者辩证地看待企业发布的业绩预告信息，投资者

在分析管理层披露的预告信息时，要充分考虑企业

的经营状况可能对业绩预告质量产生的影响，更加

审慎的利用业绩预告信息，理性决策，避免因信息不

对称程度过高而遭受利益损失。■

[参考文献]

[1] 朱杰.企业国际化战略与管理层业绩预告准确度[J].审计

与经济研究，2022（4）：90-100.

[2] BEYER A，COHEN D A，LYS T Z，et al. The Financial

Reporting Environment：Review of the Recent Literature[J].

Journal of Accounting and Economics，2010，50（2-3）：296-343.

[3] 李晓溪，饶品贵，岳衡.年报问询函与管理层业绩预告[J].

管理世界，2019（8）：173-188+192.

68

[4] DAVIES R B，KILLEEN N. Location Decisions of Nonbank Financial Foreign Direct Investment：Firm- level Evi⁃

dence from Europe[J]. Review of International Economics，

2018，26（2）：378-403.

[5] ALLEN F，QIAN Y，TU G，et al. Entrusted Loans：A

Close Look at China's Shadow Banking System[J]. Journal of

Financial Economics，2019，133（1）：18-41.

[6] CHERNENKO S，SUNDERAM A. Frictions in Shadow

Banking：Evidence from the Lending Behavior of Money Mar⁃

ket Mutual Funds[J]. The Review of Financial Studies，2014，27

（6）：1717-1750.

[7] 黄贤环，吴秋生，王瑶.影子银行发展与企业投资行为选

择：实业投资还是金融投资?[J].会计研究，2021（1）：100-111.

[8] 李建军，韩珣.非金融企业影子银行化与经营风险[J].经

济研究，2019（8）：21-35.

[9] 韩珣，李建军.政策连续性、非金融企业影子银行化与社

会责任承担[J].金融研究，2021（9）：131-150.

[10] 韩珣，李建军，彭俞超.政策不连续性、非金融企业影子

银行化与企业创新[J].世界经济，2022（4）：31-53.

[11] 于剑乔，罗婷.高管校友关系与业绩预测披露行为[J].会

计研究，2021（2）：72-85.

[12] 宋云玲，吕佳宁，黄晓蓓，等.管理者动态过度乐观与业

绩预告质量[J].管理评论，2022（5）：188-201.

[13] 彭博，贺晨“. 互联网+销售”有助于改善管理层预测的质

量吗：基于上市公司开设电商店铺的数据分析[J].会计研

究，2022（6）：75-89.

[14] 周楷唐，姜舒舒，麻志明.政治不确定性与管理层自愿业

绩预测[J].会计研究，2017（10）：65-70+97.

[15] 何威风，黄华，吴玉宇.最低工资政策变动与上市公司业

绩预告[J].中国软科学，2019（9）：119-133.

[16] 孙晶慧，徐鑫磊，齐保垒.资本市场开放与公司自愿性信

息披露[J].会计与经济研究，2022（6）：51-63.

[17] 司登奎，李小林，赵仲匡.非金融企业影子银行化与股价

崩盘风险[J].中国工业经济，2021（6）：174-192.

[18] HAN X，HUS S，LI J. The Impact of Enterprises' Shadow

Banking Activities on Business Performance：A Test Based on

Mediator Effect of Investment Scale and Investment Efficiency

[J]. Emerging Markets Finance and Trade，2019，55（14）：

3258-3274.

[19] 黄贤环，王翠.非金融企业影子银行化与盈余可持续性

[J].审计与经济研究，2021（4）：80-89.

[20] 李小林，宗莹萍，司登奎，等.非金融企业影子银行业务

的反噬效应：基于企业风险承担的视角[J].财经研究，2022

（7）：124-137.

[21] 李香花，王倩，李世辉.非金融企业影子银行化的同伴效

应研究[J].武汉金融，2022（7）：63-74.

[22] 马勇，王满，马影.影子银行业务会增加股价崩盘风险吗

[J].财贸研究，2019（11）：83-93.

[23] HSIEH C T，KLENOW P J. Misallocation and Manufac⁃

turing TFP in China and India[J]. Quarterly Journal of Econom⁃

ics，2009，124（4）：1403-1448.

[24] 李香花，姜佳良，李世辉.非金融企业参与影子银行业务

对区域资本配置效率的影响研究[J].上海金融，2023（5）：

42-53+68.

[25] HRIBAR P，YANG H I. CEO Overconfidence and Man⁃

agement Forecasting[J]. Contemporary Accounting Research，

2016，33（1）：204-227.

[26] CAI Y，DHALIWAL D S，KIM Y，et al. Board Interlocks

and the Diffusion of Disclosure Policy[J]. Review of Account⁃

ing Studies，2014，19（3）：1086-1119.

[27] 窦超，韦婧婧，王瑞华，等.女性高管能否改善业绩预告

质量?[J].中央财经大学学报，2022（6）：59-69.

[28] BOVA F，DOU Y W，HOPE O K. Employee Ownership

and Firm Disclosure[J]. Contemporary Accounting Research，

2015，32（2）：639-673.

[29] SENGUPTA P，ZHANG S. Equity- Based Compensation

of Outside Directors and Corporate Disclosure Quality[J]. Con⁃

temporary Accounting Research，2015，32（3）：1073-1098.

[30] 张军华.控股股东股权质押与业绩预告的策略性披露

[J].管理科学，2022（3）：101-115.

[31] 操巍，谭怡.宏观经济不确定性下的自愿盈利预测行为

研究[J].宏观经济研究，2018（10）：5-18.

[32] 毛志宏，李燕，金龙.会计师事务所声誉损失与业绩预告

质量：基于监管处罚的经验证据[J].外国经济与管理，2022

（3）：88-102.

[33] 于剑乔，罗婷.融资融券制度与策略性信息披露：基于业

绩预测精确度的证据[J].会计研究，2022（3）：47-61.

[34] 屈文洲，谢雅璐，叶玉妹.信息不对称、融资约束与投资

—现金流敏感性：基于市场微观结构理论的实证研究[J].经

济研究，2011（6）：105-117.

[35] 杜勇，张欢，陈建英.金融化对实体企业未来主业发展的

影响：促进还是抑制[J].中国工业经济，2017（12）：113-131.

[36] 韩珣，田光宁，李建军.非金融企业影子银行化与融资结

构：中国上市公司的经验证据[J].国际金融研究，2017（10）：

44-54.

[37] 卢太平，张东旭.融资需求、融资约束与盈余管理[J].会

计研究，2014（1）：35-41+94.

[38] 刘行.企业的战略类型会影响盈余特征吗：会计稳健性

视角的考察[J].南开管理评论，2016（4）：111-121.

[39] 张硕，赵莳雷，傅绍正.业绩预告的类型会影响其准确性

吗?基于盈余管理动机视角[J].科学决策，2021（7）：91-111.

[40] 张娆，薛翰玉，赵健宏.管理层自利、外部监督与盈利预

测偏差[J].会计研究，2017（1）：32-38+95.

[41] 吴安兵，龚星宇，陈创练，等.非金融企业影子银行化的

风险承担效应：内在机制与经验证据[J].中国工业经济，

2023（4）：174-192.

[42] ADAMS R B，ALMEIDA H，FERREIRA D. Powerful

CEOs and Their Impact on Corporate Performance[J]. Review

of Financial Studies，2005，18（4）：1403-1432.

[43] 温忠麟，侯杰泰，张雷.调节效应与中介效应的比较和应

用[J].心理学报，2005（2）：268-274.

[44] 徐会超，潘临，张熙萌.大股东股权质押与审计师选择：

来自中国上市公司的经验证据[J].中国软科学，2019（8）：

135-143.

[45] AJINKYA B，BHOJRAJ S，SENGUPTA P. The Associa⁃

tion Between Outside Directors，Institutional Investors and the

Properties of Management Earnings Forecasts[J]. Journal of Ac⁃

counting Research，2005，43（3）：343-376.

[46] 尚航标，宋学瑞，王智林.监督与纾困!机构投资者持股

与企业投资效率的关系研究[J].技术经济，2022（3）：128-138.

[47] 马庆魁，樊梦晨.管理层激励、机构投资者持股与企业异

质研发[J].科研管理，2021（9）：140-149.

[48] 何威风，李思昊，吴玉宇.公司金融化对业绩预告质量影

响研究[J].经济管理，2021（10）：138-153.

（责任编辑：GW / 校对：XY）

金融论坛 Financial Forum

69

2023年第10期 WUHAN

FINANCE

摘 要：本文使用 CHFS 数据，研究了不同类型信贷约束对城乡家庭储蓄率的影响。结果发现，信贷约束对城乡家庭储蓄率有显著的

负向影响，虽有一定的城乡差异但并不显著。异质性检验发现，需求型信贷约束对家庭储蓄率有显著负向影响，供给型信贷约束对家庭

储蓄率有负向影响但并不显著，这表明家庭储蓄率主要受需求型信贷约束的影响。进一步分析发现，在受到部分信贷约束的低储蓄率家

庭中，信贷约束对家庭储蓄率的负向影响更大、更显著。

关键词：信贷约束；储蓄率；家庭金融

中图分类号：F832 文献标识码：A 文章编号：1009-3540（2023）10-0070-0010

基金项目：重庆市教委人文社会科学项目“家庭金融缓解多维相对贫困的长效机制与路径研究”（22SKGH170）；国家社科基金重点项

目“建立解决相对贫困的制度体系与长效机制研究”（20AZD080）。

■ 何维

作者简介：何维（1983—），男，博士，重庆交通大学经济与管理学院副教授，硕士生导师。

不同类型信贷约束

对城乡家庭储蓄率的影响

一、引言

在逆全球化趋势和新冠疫情影响下，中国宏观

经济增长面临较大压力。2021年3月发布的《中华

人民共和国国民经济和社会发展第十四个五年规划

和2035年远景目标纲要》明确指出：“加快培育完整

内需体系，深入实施扩大内需战略，增强消费对经济

发展的基础性作用，建设消费需求旺盛的强大国内

市场。”

消费作为经济增长的三驾马车之一，家庭的储

蓄率处于合理水平，是发挥消费对经济增长支撑作

用的前提。然而，消费与家庭储蓄具有此消彼长的

关系。由于住房、医疗、教育、养老等制度还不够完

善，我国家庭面临的不确定性较高，进行预防性和目

标性储蓄的动机较强，因此“建设消费旺盛的国内市

场”面临着家庭储蓄意愿高、消费倾向低的制约。从

储蓄率水平来看，中国家庭储蓄率在 2010 年达到

51.33%的历史高位，近十年虽有下降趋势，但 2021

年仍达到46%。图1显示了中国、美国、日本和印度

四国近二十年的家庭储蓄率变化趋势，比较发现中

国家庭储蓄率远高于欧美发达国家和同等收入水平

的发展中国家。高储蓄率除了与中国的储蓄文化、

购房压力、子女教育和养老等因素高度相关外，还与

中国城乡家庭面临的信贷约束紧密相关。

图1 四国储蓄率比较

数据来源：作者根据公开数据整理。

信贷约束在各国都是普遍存在的问题，特别是

发展中国家由于金融抑制，正规金融市场存在明显

的利率管制和道德风险问题，导致金融供给不足；民

间金融市场则由于利率和交易成本高，抑制了家庭

70

的金融需求。研究表明，日本和美国分别有16%和

20%的家庭存在信贷约束。中国金融市场也存在较

严重的信贷约束，城市中低收入群体和农村家庭较

难获得正规信贷支持。特别是农村地区部分商业银

行退出，农村房产、宅基地、土地等均存在抵押的制

度障碍，非正规金融是农户获取资金的主要渠道[1]

。

从家庭生命周期来看，收入与消费支出常常是

错配的。在家庭成员处于年轻和年老阶段时，收入

小于支出，只能抑制消费；当家庭成员处于中年阶段

时，收入大于支出，但由于未来支出的不确定性，预

防性储蓄需求提高，从而压缩当期家庭消费。同时，

由于信息不对称、城乡金融发展不平衡、家庭金融素

养差异等原因，家庭信贷约束存在显著的异质性。

整体来看，在当前国内外经济形势下，城乡家庭

不同类型的信贷约束对储蓄率产生异质性影响。如

何更有针对性地缓解家庭面临的信贷约束，充分释

放其消费潜力，培育完整内需体系和建设消费旺盛

的国内市场，是值得研究的现实问题。在这一背景

下，本文从微观家庭这一视角，实证研究了不同类型

信贷约束对家庭储蓄率的影响。

二、文献评述

家庭在资产配置过程中面临两个选择：一是消

费与储蓄的选择，即通过储蓄或借贷来平滑家庭消

费需求；二是投资组合的选择，即各类资产的投资比

例。这两个选择主要通过金融市场来实现。传统的

储蓄理论认为家庭可以通过市场化的借贷进行资产

跨期配置，从而平滑家庭生命周期的消费需求。因

而，家庭能否实现资产跨期配置，关键取决于其能否

通过市场进行自由借贷。当家庭面临信贷约束时，

就难以通过金融市场的借贷进行跨期配置，从而会

改变当期的消费和储蓄行为，最终影响家庭储蓄率。

信贷约束一般定义为家庭资金短缺时，在融资

过程中无法获得或无法足额获得资金支持[2]

。但在

一些文献中，又将信贷约束称为流动性约束[3]

。家

庭信贷约束有多种表现形式，其中因参与农业和工

商业生产经营而面临信贷约束是一种重要形式。信

贷约束的识别和度量一直是进行实证研究的难点，

也是导致结论差异化的重要原因。目前，学术界主

要用直接法和间接法来度量信贷约束强度。直接法

主要通过调查问卷获得家庭参与信贷市场的经验信

息作为信贷约束的度量，比较常见的是直接询问家

庭信贷需求是否得到满足，或当前利率水平下是否

有贷款意愿、是否申请过贷款或申请被拒绝等。而

间接法是通过信贷约束产生的结果来反推家庭是否

受到信贷约束，其基本思想是在持久收入假说下，认

为家庭的消费支出取决于持久收入，而短期收入波

动不影响消费支出。在该理论框架下，如果家庭违反

持久收入假说，即收入的短期波动影响了消费支出，

则说明存在信贷约束。间接法的不足之处是信贷约

束只是家庭违背持久收入假说的一个原因。

具体来看，信贷约束产生的原因既与资金供给

端的金融机构有关，也与资金需求端的家庭特征相

关，因而，Boucher等[4]

将其细分为供给型和需求型信

贷约束。供给型信贷约束，是指金融机构基于申请

者还款能力等因素的考虑，拒绝发放信贷资金，或因

信贷资金配给，发放的资金不能满足家庭的信贷需

求。供给型信贷约束产生的原因：一是家庭缺乏抵

质押物，缺乏相关增信机制；二是信息不对称导致的

道德风险和逆向选择，使正规金融机构的供给低于

最优信贷额度。供给层面是早期研究家庭信贷约束

的主要方向，虽然从结果上反映了家庭的信贷约束，

但忽视了需求型信贷约束问题。需求型信贷约束，

是家庭主观认为自己不能获得贷款而主动放弃申

请。Kon等[5]

将这种主动放弃的家庭称为“无信心借

款人”。需求型信贷约束产生的原因：一是金融制度

的不完善，导致家庭获得信贷支持的成本较高而主

动放弃[6]

；二是金融机构的贷款产品与家庭的信贷

需求不匹配，贷款申请手续较为烦琐，存在一定的申

请壁垒，从而产生需求压抑；三是家庭金融知识缺

乏，对金融信贷产品不熟悉，对金融可得性存在认知

偏差。程郁等[7]

认为，正规金融机构过高的交易成

本、不完善的信贷配给机制和农户的风险规避行为

等多种因素共同作用，提高了农户信贷感知成本，并

降低了其信贷获得的预期，产生了需求型信贷约束，

需求型和供给型信贷约束都具有明显的结构性特

征。对于不同的城乡家庭而言，供给型信贷约束和

需求型信贷约束两者并非独立存在，而是互相影响

或兼而有之。本文认为，家庭信贷约束的异质性不

仅表现为是否存在信贷约束，更重要的是表现在信

贷约束类型和大小的差异上。

影响家庭储蓄率的因素既与宏观经济发展和金

融制度有关，如社会保障水平、住房制度、收入分配

等；也与微观家庭经济和社会特征相关，如社会网

金融论坛 Financial Forum

71

2023年第10期 WUHAN

FINANCE

络[8]

、金融素养[9]

、早年的饥荒经历[10]

、女性劳动参

与[11]

、成年未婚子女性别[12]

。信贷约束是家庭储蓄

率的一个重要影响因素。从现有文献来看，信贷约

束通过制约家庭收入和消费的跨期配置，改变了家

庭的风险偏好，进而影响家庭的储蓄率。直接研究

信贷约束对家庭储蓄率影响的文献较少。Zeldes[13]

认为信贷约束显著影响了家庭未来收入预期，从而

显著影响了家庭的消费和储蓄。杭斌等[14]

认为收入

差距的扩大抑制了家庭消费，但这种抑制作用与信

贷约束有关。黄倩等[15]

用CHFS数据实证发现，信贷

约束阻碍了家庭消费，使家庭的实际消费低于理论

上的最优消费。余泉生等[16]

发现信贷约束强度每增

加1%，农户家庭平均生产收入、非基本消费支出和

一般资产分别减少61.42元、55.77元和35.01元。曹

瓅等[17]

认为信贷约束是影响农户收入的关键因素，

尤其是正规金融信贷约束减少了低收入农户的生产

收入。同时，面临信贷约束的家庭，未来收入和支出

的不确定性更大，需要持有较多的预防性储蓄[18]

。

但刘佳倩等[19]

认为信贷约束降低了家庭预防性储蓄

比例。由收入不确定性导致的预防性储蓄能够解释

城乡家庭金融财富积累的 20%~30%[20]

。家庭即使

当前没有信贷约束，未来预期的信贷约束也会影响

其风险金融资产的选择。综上，不同学者根据自己

的研究目的，选择不同的变量和模型，得出了差异化

的研究结论。

本文的边际贡献在于：一是以家庭农业和工商

业经营面临的借贷障碍作为信贷约束的指标，发现

了信贷约束对家庭储蓄率有负向影响；二是进一步

将信贷约束细分为供给型、需求型和部分信贷约束

几类，研究其对储蓄率的异质性影响，发现家庭储蓄

率主要受需求型信贷约束的影响。

三、理论分析与研究假说

关于家庭金融资产选择的资本资产定价模型和

资产组合理论、生命周期理论等，均假设家庭可以通

过市场自由获得资金供给，从而达到优化资产组合

和平滑生命周期的目的。然而，在家庭生命周期中，

资金的供给平衡是一种偶然状态，供求不均衡是常

态，家庭的消费需求往往和拥有的金融资源在时间

上是错配的。由于信息不对称和交易成本等因素，

信贷约束的存在：一方面，导致家庭不能通过市场获

得（或足额获得）资金支撑，家庭金融资产组合和平

滑消费的目的就难以达到；另一方面，增加了家庭未

来的不确定性，改变了家庭的风险偏好，从而影响家

庭的消费和储蓄行为。

整体来看，在普通家庭中，资金往往被当作一种

储蓄性的金融资产，而在参与农业和工商业经营的

家庭中，资金往往作为一种生产要素参与生产经营，

且与劳动力等其他要素具有一定的比例关系，通过

商品流动实现增值。同时，资金作为要素投入，在生

产经营各环节费用的结算上具有较强的时效性。当

参与生产经营的家庭面临信贷约束时，更倾向于降

低家庭储蓄来解决资金需求，从而保证生产经营活

动的开展，因而这类家庭的资源配置决策与普通家

庭相比具有一定的异质性。同时，存在信贷约束的

家庭虽然具有增加储蓄和抑制消费的心理预期，但

往往面临收入更低、收入风险更高以及支出在收入

中占比更高的情况，导致家庭可用的储蓄资源较少，

储蓄率更低。因此，本文提出：

假说1：信贷约束会降低城乡家庭储蓄率水平。

信贷约束虽然是国内外家庭普遍存在的问题，

但值得注意的是，需求型信贷约束和供给型信贷约

束对家庭储蓄率的影响也有显著差异。在金融市场

发展不完善、金融素养低的地区，需求型信贷约束更

普遍。马涵等[21]

发现，农户受到的需求型信贷约束

比供给型信贷约束程度更大。从家庭农业和工商业

发展阶段的特征和融资来源看，初期资金需求较小

且投资风险较高，融资来源主要是家庭内部资金积

累。因而，家庭主动放弃申请借款产生的需求型信

贷约束，降低了家庭储蓄率。当发展到一定阶段，随

着经营模式的成熟和销售收入的稳定，家庭要扩大

生产规模，更可能向金融机构申请借款。特别是家

庭农业和工商业经营规模的扩大，需要多种生产要

素的同步增加，资金要素缺乏导致的信贷约束是制

约其规模扩大的主要原因。供给型信贷约束的存在

使家庭更倾向于维持现有生产规模，避免盲目扩大

生产从而占用家庭储蓄。由此，本文提出：

假说 2：不同类型信贷约束对家庭储蓄率产生

差异化影响。

综上所述，当家庭生产经营活动面临信贷约束

时，通过降低储蓄率来维持或扩大生产经营，导致家

庭的储蓄率水平下降。进一步地，需求型信贷约束

对储蓄率的负向影响更大。接下来，本文基于微观

数据对上述研究假说进行实证检验。

72

四、数据来源及模型构建

（一）实证模型设定

本文的数据来自2015年“中国家庭金融调查”

（China Household Finance Survey，CHFS）① ，该调查

采用PPS抽样方式。样本涉及全国29个省2585个

县，样本家庭37289户，家庭成员133183人，其中城

镇家庭25635户，农村家庭11654户。本文构建如下

实证模型来检验信贷约束对家庭储蓄率的影响：

savingratei = α + β × constrainti + γXi + εi （1）

u~N（0，σ2

）

其中，savingratei代表家庭储蓄率，constrainti代

表家庭是否面临信贷约束，为二值虚拟变量，其中有

信贷约束取值为 1，无信贷约束取值为 0；Xi是控制

变量，包含了家庭的一系列控制特征，如收入、年龄、

教育程度等；εi是误差项。如果信贷约束的回归系

数β显著为负，则说明控制了家庭其他特征后，信贷

约束对家庭储蓄率有显著负向影响。

（二）变量定义

1.被解释变量

家庭储蓄率（savingrate）。i 家庭储蓄率的高低

主要取决于家庭收入和消费支出，其中家庭收入包

括工资性收入、转移性收入、财产性收入和经营性收

入，支出包含了食品、交通、医疗、教育等15类消费

支出②。为了增加实证结果的稳健性和可靠性，参考

已有文献，采用储蓄率的三种衡量方式：

储蓄率1 = 家庭总收入 - 家庭消费支出

家庭总收入 （2）

借鉴马光荣等[22]

的做法，将教育培训支出和医

疗保健支出从家庭消费支出中减去，作为常规性消

费支出，在此基础上构建储蓄率2：

储蓄率2 ={家庭总收入 -[家庭消费支出 -

(医疗支出 + 教育支出)]}/家庭总收入 （3）

在稳健性检验部分，为了尽可能避免极端值对

实证结果的影响，参考Chamon 等[23]

的做法，对城乡

家庭的收入和支出同时取对数，在此基础上构建储

蓄率3：

储蓄率3 = ln(家庭收入)-ln(家庭支出) （4）

在实证中，用储蓄率1和储蓄率2做回归分析，

用储蓄率3做稳健性检验。此外，在对储蓄率的处

理过程中，为了避免异常值和极端值的影响，参照李

雪松等[24]

的做法，剔除家庭年收入小于0的样本。同

时，将家庭有效储蓄率区间设定为-150%至100%。

2.解释变量

信贷约束（constraint）。本文认为，家庭存在信

贷约束的前提是有信贷需求，没有信贷需求的家庭

则不存在信贷约束问题。因而，本文将信贷约束界

定为家庭有信贷需求，但没有获得或没有足额获得

信贷资金支持。根据 2015 年 CHFS 的调查，借鉴

Jappelli[25]

的研究采用直接度量方式，将本文的信贷

约束界定为“需要但没有申请或申请被拒绝”，并进

一步将“需要但没有申请”和“申请被拒绝”分别界定

为需求型信贷约束和供给型信贷约束。该变量为二

值虚拟变量，家庭存在信贷约束取值为1，反之取值

为0。在稳健性检验中，将“获得借款但未能完全满

足需求”界定为存在部分信贷约束。本文采用家庭

参与农业和工商业生产经营面临的贷款障碍作为信

贷约束的指标进行直接度量。CHFS调查涉及农业

和工商业经营产生的银行贷款、小额信用贷款、农村

土地经营权贷款，问卷首先询问了是否有上述项目

的未还清借款，对于无借款的家庭则继续询问了是

否有借款需求，对于有借款的则询问了借款是否满

足需要。此外，在异质性检验部分，分别使用需求型

信贷约束（demcons）和供给型信贷约束（supcons）进

行分析；在稳健性检验部分，分别使用信贷满足程度

（satcons）和信用卡信贷约束（creditcons）进行检验。

本文对信贷约束的甄别思路如图2所示：

图2 城乡家庭信贷约束甄别思路

3.控制变量

参考已有文献，考虑到家庭储蓄率的影响因素，

金融论坛 Financial Forum

73

2023年第10期 WUHAN

FINANCE

选取如下控制变量：（1）家庭规模（hhsize），即家庭的

人口数量。样本均值和中位数分别为 3.57 人和 3

人，即大部分的家庭规模为3人。（2）婚姻状况（mar⁃

riage）③，二值虚拟变量。样本均值为0.85，即85%为

已婚家庭。（3）家庭年收入（lnincome）。为保证数据

的 平 稳 性 ，家 庭 年 收 入 取 对 数 。（4）自 有 住 房

（house），二值虚拟变量。有自有住房的家庭取值为

1，无住房（包括免费居住或租赁）取值为0。样本均

值为0.85，即85%的家庭有自有住房。（5）住房贷款

（house_loan），包含银行贷款和民间贷款，二值虚拟

变量。有住房贷款的家庭取值为 1，无住房贷款的

家庭取值为0。样本均值为0.16。（6）性别（gender），

二值虚拟变量。男性取值为1，共20320人；女性取

值为 0，共 16969 人。样本均值为 0.54。（7）年龄

（age），即家庭财务决策者的年龄。样本均值为

52.18岁，中位数为52岁。（8）就业（employ），二值虚

拟变量。有工作（含务农）取值为1，无工作取值为

0。样本均值为0.61。（9）教育程度（education），虚拟

变量。将文化程度从小学以下到博士，分别取值

1—9。样本均值为3.41，中位数为3，说明样本家庭

的平均文化程度为初中至高中。（10）农业经营（agri⁃

culture）。参与农业经营取值为 1，未参与取值为 0。

样本均值为0.3228。（11）社会互动（interaction）④，二

值虚拟变量。有社会互动取值为1，无则取值为0。

（12）风险金融资产（riskfina），二值虚拟变量。持有

风险金融资产取值为 1，无则取值为 0。（13）人均

GDP（gdp_perca），即家庭所在省份的人均 GDP 水

平。为保证数据的平稳性，以万元为单位。

（三）描述性统计分析

表1为相关变量的定义及描述性统计结果。表

2 以家庭是否存在信贷约束进行分组比较，发现两

组家庭的收入、支出、储蓄率均有显著差异。整体来

看，有信贷约束的家庭，其收入和储蓄率水平均低于

无信贷约束的家庭。

五、实证分析

（一）基本回归结果

表3汇报了信贷约束对城乡家庭储蓄率影响的

基准回归结果，其中（1）至（3）列以储蓄率1为被解

表1 变量定义及描述性统计结果

变量名称

储蓄率1

储蓄率2

储蓄率3

信贷约束

需求型信贷约束

供给型信贷约束

信贷满足程度

信用卡信贷约束

家庭规模（人）

婚姻状况

家庭年收入

自有住房

住房贷款

性别

年龄

就业

教育程度

农业经营

社会互动

风险金融资产

人均GDP（万元）

变量符号

savingrate1

savingrate2

savingrate3

constraint

demcons

supcons

satcons

creditcons

hhsize

marriage

lnincome

house

house_loan

gender

age

employ

education

agriculture

interaction

riskfina

gdp_perca

变量定义

衡量方式见式（2）

衡量方式见式（3）

衡量方式见式（4）

家庭存在信贷约束取值为1，否则取值为0

家庭存在需求型信贷约束取值为1，否则取值为0

家庭存在供给型信贷约束取值为1，否则取值为0

满足信贷需求取值为1，否则取值为0

家庭持有信用卡取值为1，否则取值为0

家庭人口数量

已婚取值为1，未婚取值为0

家庭年收入取对数

有自有住房取值为1，否则取值为0

有住房贷款取值为1，否则取值为0

男性取值为1，女性取值为0

家庭财务决策者的年龄

有工作（含务农）取值为1，无工作取值为0

从小学以下到博士，分别取值1—9

参与农业经营取值为1，否则取值为0

有社会互动取值为1，否则取值为0

持有风险金融资产取值为1，否则取值为0

家庭所在省份的人均GDP水平

观测值

29896

31347

32371

20512

20123

20325

4873

19689

37289

37236

35983

37259

33833

37289

37275

36846

37243

37288

28637

37289

37289

均值

0.1800

0.2917

0.3121

0.1143

0.0986

0.0228

0.4638

0.1342

3.5719

0.8533

10.4872

0.8529

0.0891

0.5449

52.1771

0.6121

3.4118

0.3228

0.4080

0.1247

5.8506

中位数

0.3183

0.4313

0.3099

0

0

0

0

0

3

1

10.7587

1

0

1

52

1

3

0

0

0

5.2

标准差

0.5414

0.5080

0.8336

0.3182

0.2981

0.1492

0.4987

0.3409

1.7018

0.3538

1.4776

0.3542

0.2849

0.4980

14.8353

0.4873

1.7193

0.4675

0.4915

0.3304

2.2414

最小值

-1.5

-1.5

-1.5

0

0

0

0

0

1

0

0

0

0

0

16

0

1

0

0

0

2.66

最大值

1

1

5.32

1

1

1

1

1

20

1

15.43

1

1

1

99

1

9

1

1

1

10.8

表2 家庭收入和储蓄率比较分析

变量

收入（元）

支出（元）

储蓄率1

储蓄率2

无信贷约束

中位数

42184.50

34277.51

0.3533

0.4692

均值

80250.93

52637.33

0.2077

0.3161

有信贷约束

中位数

31658.00

34663.38

0.3069

0.4165

均值

70160.04

54785.83

0.1577

0.2613

74

释变量，（4）至（6）列以储蓄率2为被解释变量，分别

对全样本、城镇和农村样本进行OLS检验；（7）和（8）

列分别以储蓄率1、储蓄率2为被解释变量，将信贷

约束进一步区分为需求型和供给型信贷约束对全样

本进行OLS回归。整体来看，在控制了家庭的其他

特征变量后，信贷约束对家庭储蓄率有显著的负面

影响，显著性水平均为1%，即与未受到信贷约束的

家庭相比，存在信贷约束的家庭储蓄率显著更低；但

信贷约束对家庭储蓄率的这种负面影响并没有表现

出显著的城乡异质性。需求型信贷约束的负向影响

大于供给型信贷约束，表现出显著的异质性。

具体来看，（1）列信贷约束对储蓄率1的回归系

数为-0.0563，且在1%的水平上显著，表明信贷约束

显著降低了家庭的储蓄率；（2）和（3）列分别对城镇

和 农 村 样 本 进 行 回 归 ，系 数 分 别 为 - 0.0532 和

-0.0608，且均在1%的水平上显著，表明信贷约束对

农村家庭储蓄率1的影响程度略大于城镇家庭。（4）

列信贷约束对储蓄率2的回归系数为-0.0437，且在

1%的水平上显著，表明即使不包含教育和医疗支

出，信贷约束对家庭储蓄率仍有显著负向影响；（5）

和（6）列分别对城镇和农村样本进行回归，系数分别

为-0.0492 和-0.0475，且均在 1%的水平上显著，表

表3 信贷约束对家庭储蓄率的影响：基准回归结果

变量

constraint

demcons

supcons

hhsize

marriage

lnincome

house

house_loan

gender

age

employ

education

agriculture

interaction

riskfina

gdp_perca

a

N

F值

R2

(1)

全样本

储蓄率1

-0.0563***

(-4.02)

-0.0431***

(-16.12)

-0.0549***

(-3.83)

0.3550***

(64.62)

0.0168

(1.00)

-0.0610***

(-4.16)

0.0065

(0.75)

0.0054***

(14.43)

0.0736***

(6.49)

-0.0253***

(-7.65)

0.2351***

(22.54)

-0.1011***

(-10.77)

-0.0994***

(-7.42)

-0.0149***

(-7.63)

-0.4382***

(-11.96)

11958

398.15

0.3496

(2)

城镇

-0.0532***

(-2.65)

-0.0375***

(-10.13)

-0.0372**

(-2.16)

0.3392***

(48.14)

0.0100

(0.56)

-0.0572***

(-3.58)

0.0090

(0.84)

0.0043***

(9.11)

0.0644***

(4.72)

-0.0204***

(-5.32)

0.0299***

(16.06)

-0.1021***

(-8.17)

-0.0885***

(-6.28)

-0.0109***

(-4.80)

-0.4301***

(-9.90)

6827

220.45

0.3428

(3)

农村

-0.0608***

(-3.13)

-0.0526***

(-13.59)

-0.0820***

(-3.14)

0.3841***

(44.15)

0.0208

(0.41)

-0.0860**

(-2.43)

-0.0097

(-0.65)

0.0073***

(11.49)

0.0493**

(2.36)

-0.0242***

(-3.45)

0.1794***

(7.35)

-0.0970***

(-6.86)

-0.0900*

(-1.69)

-0.0207***

(-5.44)

-0.3856***

(-4.91)

5131

184.88

0.3663

(4)

全样本

储蓄率2

-0.0437***

(-3.35)

-0.0353***

(-14.63)

-0.0341***

(-2.55)

0.3269***

(62.86)

0.0011

(0.07)

-0.0641***

(-4.52)

-0.0028

(-0.34)

0.0062***

(17.65)

0.0571***

(5.47)

-0.0263***

(-8.61)

0.2402***

(24.36)

-0.0856***

(-9.97)

-0.0954***

(-7.68)

-0.0144***

(-8.07)

-0.3327***

(-9.70)

12475

375.75

0.3525

(5)

城镇

-0.0492***

(-2.59)

-0.0309***

(-9.14)

-0.0327**

(-2.07)

0.3149***

(46.15)

-0.0139

(-0.85)

-0.0465***

(-3.03)

0.0014

(0.14)

0.0060***

(13.37)

0.0593***

(4.58)

-0.0196***

(-5.50)

0.2032***

(16.34)

-0.1021***

(-8.76)

-0.0863***

(-6.67)

-0.0097***

(-4.65)

-0.3703***

(-8.95)

7046

207.48

0.3475

(6)

农村

-0.0475***

(-2.65)

-0.0429***

(-12.43)

-0.0410*

(-1.66)

0.3509***

(43.59)

0.0111

(0.21)

-0.1294***

(-3.67)

-0.0194

(-1.45)

0.0067***

(11.44)

0.0215

(1.18)

-0.0303***

(-4.81)

0.1925***

(8.29)

-0.0653***

(-5.16)

-0.1406***

(-2.64)

-0.0216***

(-6.26)

-0.2033***

(-2.64)

5429

173.44

0.3703

(7)

全样本

储蓄率1

-0.0544***

(-3.62)

-0.0469

(-1.44)

-0.0431***

(-16.03)

-0.0577***

(-3.98)

0.3554***

(64.11)

0.0219

(1.29)

-0.0618***

(-4.17)

0.0073

(-0.83)

0.0055***

(14.42)

0.0743***

(6.48)

-0.0252***

(-7.52)

0.2364***

(22.47)

-0.1019***

(-10.74)

-0.0986***

(-7.25)

-0.0151***

(-7.60)

-0.4453***

(-12.04)

11743

367.34

0.3497

(8)

全样本

储蓄率2

-0.0448***

(-3.19)

-0.0210

(-0.70)

-0.0353***

(-14.53)

-0.0361***

(-2.66)

0.3274***

(62.43)

0.0051

(0.32)

-0.0662***

(-4.59)

-0.0024

(-0.29)

0.0063***

(17.55)

0.0574***

(5.44)

-0.0258***

(-8.38)

0.2413***

(24.24)

-0.0860***

(-9.91)

-0.0966***

(-7.62)

-0.0146***

(-8.04)

-0.3384***

(-9.76)

12253

347.47

0.3524

注：***、**、*分别代表1%、5%和10%的显著性水平；括号内为t值。下表同。

金融论坛 Financial Forum

75

2023年第10期 WUHAN

FINANCE

明信贷约束对城镇家庭储蓄率2的影响略大于农村

家庭。从储蓄率1和储蓄率2的城乡回归结果来看，

信贷约束对城乡家庭储蓄率虽有显著负面影响，但

这种城乡异质性并不显著。（7）和（8）列进一步将信

贷约束分为需求型和供给型，以研究信贷约束异质

性对家庭储蓄率1和储蓄率2的影响。结果表明，需

求型信贷约束的回归系数分别为-0.0544和-0.0448，

且均在1%的水平上显著；供给型信贷约束的回归系

数分别为-0.0469 和-0.0210，且均不显著。从回归

结果来看，信贷约束对家庭储蓄率的负向影响以需

求型信贷约束为主，体现出信贷约束类型的影响具

有异质性。

上述实证发现，信贷约束对城乡家庭储蓄率有

显著的负向影响，需求型信贷约束的这种负向影响

更为显著。原因在于：一是当家庭在生产经营过程中

面临信贷约束时，其减少家庭储蓄的动机更强烈。

二是存在信贷约束的家庭，虽然有强烈的预防性储

蓄动机，但缺乏储蓄的资金来源，这些家庭往往存在

收入低和收入风险高的情况，可用于储蓄的资源较

少。三是当前中国正规信贷市场仍然以商业银行为

主，家庭信贷存在产品单一、注重抵质押品、信贷准

入及审批流程不透明等现象，信贷寻租较明显，导致

家庭正规金融可得性较低；再加上金融知识欠缺、金

融素养不高，许多家庭主动放弃申请贷款，从而形成

了需求型信贷约束占比高的现象。四是非正规金融

的融资成本高，家庭获得贷款后，大部分投资收益需

要支付融资成本，从而减少了家庭的储蓄资源。

就控制变量的估计结果而言：一是家庭规模显

著降低了城乡家庭的储蓄率水平，这与经济理论相

一致。原因是：家庭规模越大，养老、抚养负担越大，

在家庭收入一定的前提下，消费支出更高，可用于储

蓄的资金更有限，家庭储蓄率更低。二是已婚家庭

的储蓄率水平更低。原因在于：一方面，已婚家庭在

购置房产等大额固定资产方面的支出较大；另一方

面，伴随着子女的出生，家庭抚养支出增加，从而降

低了储蓄率。三是家庭收入与储蓄率水平高度正相

关，这与经典的储蓄理论相符，即收入越高的家庭其

储蓄率水平越高。与甘犁等[3]

研究结论一致。四是

住房贷款显著降低了家庭的储蓄率水平。原因是：

有住房贷款的家庭每月需要拿出一部分收入进行还

贷，对家庭储蓄有挤出效应。五是家庭的教育程度

越高，家庭的储蓄率越低。原因是：教育程度的提

高，降低了家庭的收入风险和职业风险，使预防性储

蓄动机更小。与李蕾等[26]

研究结论一致。六是社会

互动与家庭储蓄率显著负相关。原因是：社会互动

本身就是家庭的一笔支出，同时社会互动在家庭社

会生活中常常发挥着非正式社会保险的功能，在一

定程度上改变了家庭的风险偏好，从而降低了家庭

的储蓄率。与王春超等[27]

研究结论一致。

（二）内生性检验

信贷约束与家庭储蓄率可能存在内生性问题。

一方面，虽然控制了主要核心变量，但影响家庭储蓄

率的因素众多，甚至存在潜在变量，当前数据不能完

全反映情况，因而存在遗漏变量的可能。另一方面，

家庭信贷约束与储蓄率可能存在反向因果关系，即

信贷约束显著降低了家庭储蓄率，而储蓄率低的家

庭更有可能面临信贷约束。因而，本文分别通过工

具变量法和倾向得分匹配法进行内生性检验。

1.工具变量法

本文采用工具变量法进行二阶段最小二乘法估

计，并根据已有文献，分别采取家庭所在省份和县市

的平均信贷约束率作为家庭信贷约束的工具变量。

一方面，各地区平均信贷约束率与经济发展水平、金

融生态、信贷政策、储蓄消费文化高度相关，而家庭

信贷约束均受这些政策的影响。另一方面，作为个

体家庭，其信贷约束的大小对其所处省份和县市平

均信贷约束率的影响很小，可以认为平均信贷约束

率与家庭储蓄率不存在反向因果关系。因而，使用

家庭所在省份和县市平均信贷约束率作为家庭信贷

约束的工具变量是合适的。

表4列示了以家庭所在省份和县市平均信贷约

束率作为工具变量的回归结果。其中，（1）和（2）列

是使用省份平均信贷约束率对储蓄率1和储蓄率2

进行的两阶段工具变量回归，（3）和（4）列是使用县

市平均信贷约束率对储蓄率1和储蓄率2进行的两

阶段工具变量回归。DWH 检验的内生性结果，除

（4）列外，P值均小于1%，拒绝了模型存在内生性的

原假设。一阶段回归结果均表明，家庭所在省份、县

市平均信贷约束率对家庭储蓄率的影响系数在1%

水平上显著为负，一阶段的F值均远大于经验值10，

故使用省份和县市平均信贷约束率作为工具变量是

合适的，且不存在弱工具变量问题。工具变量的估

计结果表明，家庭信贷约束对储蓄率的影响系数均

在1%的显著性水平下为负，表明信贷约束降低了家

76

庭的储蓄率。为了稳健起见，使用对弱工具变量更

不敏感的有限信息最大似然法（LIML）再次进行检

验，回归结果与2SLS基本一致。

表4 信贷约束对家庭储蓄率的影响：工具变量法

变量

constraint

控制变量

N

R2

第一阶段F值

工具变量t值

DWH检验chi2

P-value

(1)

省份

储蓄率1

-0.6252***

(-4.59)

控制

11958

0.2506

32.59

10.26

20.7673

0.0000

(2)

储蓄率2

-0.4547***

(-4.03)

控制

12475

0.2929

35.26

11.16

14.9534

0.0001

(3)

县市

储蓄率1

-0.2226***

(-3.10)

控制

11958

0.3411

43.40

17.58

5.6443

0.0000

(4)

储蓄率2

-0.1343**

(-2.16)

控制

12475

0.3496

47.73

18.81

2.2553

0.1332

注：为节省篇幅，只报告了解释变量信贷约束的估计系数，其他变

量省略。下表同。

2.倾向得分匹配法

为了缓解自选择问题带来的估计偏差，参考尹

志超等[28]

的做法，进行倾向得分匹配法估计。计算

家庭信贷约束平均处置效应（ATT）的步骤如下：首

先，选取家庭规模、婚姻状况、家庭收入的对数等13

个变量进行logit回归，估计出倾向得分；其次，进行

一对二的倾向得分近邻匹配和核匹配，表5汇报了

匹配结果。以储蓄率1为例，近邻匹配显示信贷约

束的平均处置效应为-0.0724，显著性水平为5%，储

蓄率2的近邻匹配也保持稳健。数据显示，核匹配

与近邻匹配的估计结果基本一致，表明本文的估计

结果是稳健的。

表5 信贷约束对家庭储蓄率的影响：倾向得分匹配法

匹配方法

近邻匹配

核匹配

结果变量

储蓄率1

储蓄率2

储蓄率1

储蓄率2

实验组

0.1556

0.1556

0.2654

0.2654

对照组

0.2279

0.2178

0.3114

0.3178

ATT

-0.0724

-0.0623

-0.0460

-0.0524

标准误

0.0207

0.0172

0.0193

0.0159

t值

-3.50

-3.63

-2.39

-3.30

注：仅对共同取值范围内个体进行匹配。

通过图3对各变量标准化偏差进行比较，发现

匹配后所有变量的标准化偏差均小于10%，匹配结

果较好地满足了平衡性要求。图4和图5分别是匹

配前和匹配后倾向得分值拟合程度，匹配后的拟合

程度较匹配前更优。

图3 各变量标准化偏差

图4 匹配前倾向得分值拟合 图5 匹配后倾向得分值拟合

（三）稳健性检验

为了检验估计结果的稳健性，本文接下来分别

从样本、变量定义等方面检验信贷约束对家庭储蓄

率的影响进行稳健性检验。

首先，分别用家庭借贷满足约束和信用卡约束

进行稳健性检验。在家庭获得借款后，CHFS 继续

询问了借款额度是否满足家庭需要⑤，将获得借款但

未能完全满足需求的界定为存在部分信贷约束，并

作为家庭信贷约束的指标再次对样本进行稳健性检

验，表6（1）和（2）列汇报了估计结果。结果表明，获

得的借款未满足需求导致的信贷约束对城乡家庭储

蓄率均有显著的负面影响，其中储蓄率1的回归系

数为-0.0862，储蓄率2的回归系数为-0.0575，显著

性水平均为 1%。这表明，与家庭绝对信贷约束相

比，部分信贷约束对家庭储蓄率的负面影响程度更

大。原因是：当家庭获得借款后仍面临部分信贷约

束时，更倾向于通过减少家庭储蓄来解决剩下的信

表6 稳健性检验

变量

satcons

creditcons

constraint

控制变量

N

F值

R2

(1)

储蓄率1

-0.0862***

(-4.29)

控制

2407

99.39

0.3784

(2)

储蓄率2

-0.0575***

(-3.28)

控制

2650

84.02

0.3489

(3)

储蓄率1

-0.0386***

(-3.09)

控制

11635

339.42

0.3419

(4)

储蓄率2

-0.0109

(-0.98)

控制

12054

327.76

0.3544

(5)

储蓄率3

-0.1014***

(-5.38)

控制

12914

736.37

0.4655

金融论坛 Financial Forum

77

2023年第10期 WUHAN

FINANCE

贷约束，而当家庭面临绝对信贷约束不能获得任何

资金支持时，存在抑制需求回避信贷约束的可能，降

低了对家庭储蓄率的负面影响。

其次，信用卡作为商业银行发放给个人可用于

透支的信用证明，是商业银行对个人客户的授信，因

而借鉴甘犁等[3]

、谢家智等[29]

的研究，将家庭是否持

有信用卡作为信贷约束的指标。将未持有信用卡的

家庭界定为存在信贷约束，并再次进行稳健性检

验。表 6（3）和（4）列结果显示，信用卡信贷约束对

家庭储蓄率仍有负面影响，其中信用卡信贷约束对

储蓄率 1 的回归系数为-0.0386，在 1%的水平上显

著，对储蓄率2的回归系数为-0.0109，但并不显著。

再次，利用前文对储蓄率3的度量方法，即家庭

收入的对数减去家庭支出的对数再次进行稳健性检

验。表6（5）列的回归结果显示，信贷约束对储蓄率

3的系数为-0.1014，在1%的水平上显著。因而，信

贷约束对家庭储蓄率有显著的负向影响。

综上，信贷约束对城乡家庭储蓄率均有显著负

面影响，结果表明本文的研究结论是稳健的。

（四）异质性分析

由于微观家庭存在显著的异质性，当家庭面临

信贷约束或信贷约束水平发生变化时，储蓄率的变

化在不同家庭可能存在显著的差异。接下来，从不

同角度分析信贷约束对储蓄率影响的异质性，并进

一步检验本文估计结果的稳健性。

1.分位数回归

与OLS回归相比，分位数回归以残差绝对值的

加权平均最小化为目标函数，因而更不容易受极端

值的影响，能更全面地在不同分位数据上识别解释

变量和被解释变量的关系。通过前面基础回归及稳

健性检验，本文发现信贷约束显著降低了家庭的储

蓄率，但这种负面影响可能对不同家庭有异质性。

因而，考察家庭信贷约束对储蓄率分布的 0.2 分位

点、0.4分位点、0.6分位点、0.8 分位点产生的影响。

表7汇报了分位数回归结果，数据表明，除储蓄率2

在0.2分位点不显著外，其余各分位点信贷约束对家

庭储蓄率均有显著负向影响。进一步对比发现，随

着储蓄率分位点的增大，信贷约束对储蓄率的影响

逐渐下降。以储蓄率1为例，在0.2分位点处回归系

数是0.8分位点处的3.26倍，表明信贷约束对低储蓄

率家庭的影响更大，随着家庭储蓄率的上升，家庭信

贷约束的负向影响逐渐降低，且这种下降趋势在统

计上也是显著的。储蓄率2的分位数回归结果也与

储蓄率1基本保持一致。

2.收入因素

根据经济学消费储蓄理论，收入是影响家庭储

蓄率的核心因素，两者呈正相关关系。根据上文基

准的OLS回归、工具变量2SLS回归及稳健性检验结

果，家庭收入对储蓄率有显著的正向影响，与经济理

论一致。但甘犁等[3]

发现，不同收入层次的家庭储

蓄率表现出显著的非均衡性。同时，根据经济理论，

家庭储蓄率除了和家庭总收入有关外，还与家庭人

口规模相关。家庭人口规模越大，则家庭的老人赡

养和子女抚养负担越大，家庭支出也越高。因而，为

了分析信贷约束条件下，家庭收入异质性对储蓄率

的影响，以家庭人均收入的均值2.5214万元作为临

界值，将家庭收入分为高收入和低收入，分别进行比

较。表8回归结果显示，以储蓄率1为例，信贷约束

对高低收入家庭均有显著的负面影响，虽然高收入

家庭储蓄率的回归系数略大于

低收入家庭，但并没有呈现出显

著的差异性。

3.就业情况

从表 9 来看，就业家庭的收

入、支出和储蓄均高于未就业家

庭，对于储蓄率 1 和储蓄率 2，就

表7 分位数回归

变量

constraint

控制变量

N

Pseudo R2

(1)

q20

储蓄率1

-0.0789***

(-2.95)

控制

11958

0.2351

(2)

q40

-0.0651***

(-4.20)

控制

11958

0.2224

(3)

q60

-0.0515***

(-3.74)

控制

11958

0.1995

(4)

q80

-0.0242**

(-1.79)

控制

11958

0.1715

(5)

q20

储蓄率2

-0.0435

(-1.59)

控制

12475

0.2462

(6)

q40

-0.0559***

(-3.90)

控制

12475

0.2209

(7)

q60

-0.0373***

(-5.46)

控制

12475

0.1967

(8)

q80

-0.0183**

(-1.96)

控制

12475

0.1688

表8 异质性分析

变量

constraint

控制变量

N

F值

R2

(1)

高收入

储蓄率1

-0.0539**

(-2.52)

控制

3687

82.35

0.2062

(2)

低收入

-0.0527***

(-3.12)

控制

8271

282.06

0.3213

(3)

高收入

储蓄率2

-0.0337*

(-1.73)

控制

3712

73.76

0.1950

(4)

低收入

-0.0401**

(-2.55)

控制

8763

305.54

0.3481

78

业家庭的均值分别是未就业家庭的 1.53 倍和 1.28

倍。一般而言，就业是大部分家庭获得劳动报酬的

方式，而收入是家庭进行一切经济活动的基础，就业

获得稳定的现金流使家庭有更多资源进行储蓄。

表9 就业状况与家庭收支、储蓄率比较

变量

收入（元）

支出（元）

储蓄率1

储蓄率2

未就业

中位数

40800

38000

0.24

0.3772

均值

64849.55

51975.59

0.1145

0.2492

就业

中位数

48050

37426.07

0.3649

0.466

均值

85311.82

55925.94

0.2205

0.3191

六、结论与建议

本文使用CHFS数据研究了不同类型信贷约束

对城乡家庭储蓄率的影响。为避免内生性导致的估

计偏差，分别用家庭所在省份和县市的平均信贷约

束率作为工具变量、倾向得分匹配进行估计，并使用

样本和变量替代进行稳健性检验，通过分位数回归

等进行异质性分析。实证结果发现：第一，信贷约束

对城乡家庭储蓄率有显著负向影响，但这种负向影

响并没有表现出显著的城乡异质性。第二，需求型

信贷约束对家庭储蓄率有显著负向影响，供给型信

贷约束有负向影响但并不显著，因而信贷约束对储

蓄率的负向影响主要是由需求型信贷约束发挥作

用。第三，稳健性检验发现，与家庭绝对信贷约束相

比，部分信贷约束对家庭储蓄率的负面影响更大。

第四，分位数回归发现，信贷约束对低储蓄率家庭的

影响更大，随着家庭储蓄率的上升，家庭信贷约束的

负向影响逐渐降低，且这种下降趋势在统计上也是

显著的。

根据以上结论，本文给出如下建议：

第一，鼓励正规金融机构通过金融科技、大数据

等应用，提高家庭信息的获取和识别能力，降低信息

不对称，减少机会主义行为，缓解家庭贷款面临的道

德风险和逆向选择问题。充分利用智能手机突破传

统物理网点服务半径的局限，创新信贷产品，缓解家

庭信贷约束。

第二，重视因家庭认知偏差导致的需求型信贷

约束，引导家庭充分释放信贷需求并积极进行信贷

申请。一方面，加强家庭金融知识教育，提高家庭金

融素养，降低家庭对信贷约束的认知偏差；另一方

面，提升金融机构信贷产品的透明度，促进家庭更多

地了解信贷产品，提高家庭金融知识的可得性。

第三，加强政策支持优化金融监管。对小额贷

款、民间融资等效率高的非正规金融机构，纳入政府

监管体系内并加强管理，减少多头监管、监管竞争与

监管空白。在严监管前提下，放松对金融市场的准

入管制，逐步改善城乡金融市场单一的融资结构，形

成较完善的家庭融资体系。同时，对农村家庭的房

产、宅基地、承包的土地等深入产权改革，释放抵押

权，建立合理的风险补偿和增信机制，从多方面降低

家庭信贷约束。■

注 释

① CHFS对2017年和2019年的问卷进行调整，删除了信贷

约束的部分问题。为更好地识别和度量本文的核心变量信

贷约束、需求型信贷约束、供给型信贷约束、部分信贷约束，

基于数据可得性，本文使用2015年数据进行实证分析。

② 中国家庭金融调查的15类消费支出：（1）食品支出（包含

伙食费支出及消费农产品折现）；（2）水电燃料及物管费支

出；（3）日常用品支出；（4）家政服务支出；（5）交通费用开

支；（6）通信费用支出；（7）文化娱乐支出；（8）家庭成员购买

衣物支出；（9）住房装修、维修或扩建费用；（10）暖气费支

出；（11）家庭耐用品支出；（12）奢侈品支出；（13）教育培训

支出；（14）旅游支出；（15）医疗保健支出。

③ 调查问卷有6个选项，分别为未婚、已婚、同居、分居、离

婚丧偶，分别取值1—6。本文对数据进行合并，将已婚和同

居的家庭取值为1共31773户，未婚、分居、离异和丧偶取值

为0共5463户。

④ 考虑到社会互动的支出与收入和地域文化高度相关，本

文设计的变量为家庭红白喜事支出占家庭总收入的比例。

当有礼金支出而无收入或收入为负数，及红白喜事支出占

收入的比例大于样本中位值（4%）时，虚拟变量“社会互动”

取值为1，该比例低于中位数时则取值为0。

⑤ 对于获得借款的家庭，CHFS继续询问了借款是否满足

实际需要，有4个选项：1.完全满足；2.满足小部分；3.满足大

部分；4.满足一半需求。本文将选项1界定为无信贷约束取

值为0，将选项2、3、4界定为存在部分信贷约束。

[参考文献]

[1] 何广文，何婧，郭沛.再议农户信贷需求及其信贷可得性

[J].农业经济问题，2018（2）：38-49.

[2] 廖理，张金宝.城市家庭的经济条件、理财意识和投资借

贷行为：来自全国24个城市的消费金融调查[J].经济研究，

2011（1）：17-29.

[3] 甘犁，赵乃宝，孙永智.收入不平等、流动性约束与中国家

庭储蓄率[J].经济研究，2018（12）：34-50.

[4] BOUCHER R S，CARTER M，GUIRKINGER C. Risk Ra⁃

tioning and Wealth Effects in Credit Markets：Theory and Im⁃

plications for Agricultural Development[J]. American Journal

of Agricultural Economics，2008，90（2）：409-423．

[5] KON Y，STOREY D J. A Theory of Discouraged Borrowers

[J]. Small Business Economics，2003，21（1）：37-49.

[6] BAYDAS M M，MEYER R L，AGUILERA-ALFRED N.

Discrimination Against Women in Formal Credit Markets：Real⁃

（下转第88页）

金融论坛 Financial Forum

79

2023年第10期 WUHAN

FINANCE

长期以来，中国学者使用省级和地市级商品房

房价数据，从财政压力、土地财政、房价预期、利率等

多方面分析了各地房价的增长原因，并为地方隐性

债务的测算、增长原因以及如何防范化解债务风险

做出了理论和实践方面的贡献。然而，较少有研究

关注土地财政对不同土地供应类型房价影响的差

异，也较为缺乏对土地财政和地方政府债务推动房

价增长的相关机制的深入分析。

本文采用楼盘层面的新房楼盘均价数据和地级

市层面的土地财政数据，研究了土地财政对新房楼

盘房价的影响，并着重关注了地方政府债务对该影

响的调节机制。

一、文献综述

（一）现有研究

有学者认为土地财政扩张是房价持续走高的主

要原因[1]

。地方政府可以通过控制土地的供给，在

很大程度上影响房地产市场。地方政府作为土地的

所有者、供给者和垄断者，出于财政激励、晋升激励

等以GDP为核心的评价指标，产生了通过土地出让

获得财政收入或者进行招商引资的动机[2]

。土地公

有制下的住房金融化和土地金融化，共同扩大房地

产生产以维持资本积累，且住房金融化拉动住房需

求，而土地金融化加快提供相应供给[3]

。地方政府

面临的财政压力驱动其积极追求更高的土地出让收

入。土地财政作为连接地方政府财政压力和房价的

中间变量，其规模与房价有明显的正相关关系[4]

。

唐云锋等[5]

在研究土地财政、财政压力和房价“棘轮

效应”时，应用系统GMM估计，考察了土地财政和财

政压力的交互作用，认为财政压力作为一种制度性

因素通过土地财政对房价产生间接作用，固化了房

价的“棘轮效应”。邵朝对等[6]

在探究房价、土地财

政和城市集聚特征时发现，在与土地财政的互动中，

房价上涨推动产业结构升级、优化城市集聚特征的

效力被不断削弱。

对于地方政府的供地模式，邹琳华等[7]

认为房

价对土地出让的变动并不敏感，地方政府为了获得

更多收入而倾向于扩大土地供应，即因为地方政府

竞争、官员升迁等“售地冲动”而采取积极的土地财

政政策。但在特定情况下，梅冬州等[8]

构建了一个

多部门的小国开放经济 DSGE 模型，分析表明在面

对外部负向冲击和经济衰退的背景下，地方政府将

收紧土地供应来提高地价和房价，进而稳定地方财

政收入。但这样的紧缩行为将进一步抑制居民消费

和总需求[9]

，导致我国宏观政策与经济政策发生冲

突，使得经济陷入“稳增长”与“调结构”的两难境地。

摘 要：本文旨在研究土地财政、地方债务对房价的影响，并探讨土地财政对房价的作用机制问题。实证研究结果表明：土地财政规

模扩大对于新房楼盘房价有显著的推动作用；土地财政和地方债之间存在交互作用，地方债的规模扩张增强了地方政府通过出让土地增

加财政收入的动机，强化了土地财政对新房楼盘房价的推动作用；土地财政对不同人口规模城市和不同物业类型的新房楼盘房价的推动

作用存在差异。本文研究结论为地方政府债务风险治理以及推动房地产市场绿色健康发展提供了参考。

关键词：地方政府债务；房地产；城投债；房价

中图分类号：F832.45 文献标识码：A 文章编号：1009-3540（2023）10-0080-0009

■ 陈潇 景芃超 谭娅

作者简介：陈潇（1999—），女，北京大学经济学院硕士研究生； 景芃超（2002—），男，对外经济贸易大学国际经济贸易学院本科生； 谭

娅（1989—），女，博士，对外经济贸易大学国际经济贸易学院助理教授，硕士生导师。

土地财政、地方债务与房价 ——基于新房楼盘数据的实证分析

80

除了关注地方政府财政压力和土地财政，已有

研究也涉及地方债对房价的影响机制。在2015年

新《预算法》实施之后，为统筹发展与安全，加快防范

化解财政金融风险，徐军伟等[10]

系统梳理了政府部

门和业界机构对融资平台公司的分类和定义，并在

此基础上重新界定了融资平台公司和城投债，建立

了基于融资平台公司新名单的城投债数据库。发行

地方政府债券是地方政府融通资金的主要能力之

一，不仅表现为以直接投资的方式促进 GDP 的增

长，而且可以通过基础设施建设和压低工业用地价

格双重渠道进行招商引资。在经济发展条件和资源

禀赋较好的地区，引资竞争可能导致将土地过量供

给到工业用地领域，致使商住用地资源紧缺，房价上

涨[11]

。地方政府债务对经济增长的影响呈倒U型关

系，且具有门槛效应。在地方公债发展初期，地方债

对区域经济增长的促进作用占优，帮助地方政府突

破预算内财政限制，提高公共品供给能力，并有效集

中社会闲置资本。但当债务规模突破债务平衡点

时，地方债带来的挤出效应和积累的债务压力，以及

社会对政府的预期降低，将对经济增长产生负面影

响[12]

。面对信贷的外生扩张时，住房需求和房价均

表现出显著的增长[13]

。面对宏观经济冲击时，外部

冲击将导致以“招商引资”为基础的“土地财政”模式

难以为继，地方政府逐步转向以“基建投资”为依托

的“土地金融”模式。土地不仅是重要的生产要素，

也是企业的抵押担保资产。在该情况下，外部冲击

导致企业和居民对土地产生需求竞争，进一步抬高

了地价，地价上升缓解了企业的信贷约束，刺激其投

资，两者共同引起了较大的经济波动[14]

，其代价是房

价高企和地方政府债务快速攀升[15]

。

综上所述，关于土地财政、地方债务以及房价的

研究还有以下可以拓展的方面：第一，在研究土地财

政和房价的模型中多采用省份和地级市层面的面板

数据，少有采用新房楼盘层面数据进行验证。第二，

在地方债的规范研究和实证研究中普遍关注地方债

对宏观经济的影响，少有采用交互项来检验土地财

政和地方债对房价影响的相互作用。本文的创新性

体现在以下三方面：一是从微观层面分析了土地财

政对房价的推动作用。二是以新房楼盘房价数据替

代普遍研究中的商品房均价。土地财政影响土地价

格并直接影响开发商成本，因此，土地财政与房地产

市场联系最紧密的住房类型就是新房楼盘，特别是

住宅类楼盘。三是将土地财政、地方债和房价置于

同一研究框架，实证分析三者之间的关系，并检验地

方债与土地财政的交互作用。本文采用混合截面模

型，构建工具变量以及多种稳健性检验，有效处理反

向因果和遗漏变量偏差导致的内生性问题。同时，

分样本进行回归，考察土地财政对不同物业类型、不

同地区房价的差异性影响。

（二）研究假说

许多学者认为，在分级预算体制下，地方政府在

面临财政压力时，将积极推动土地开发和城市化建

设以获得更多的土地出让收入[16，17]

。地方政府往往

会压低工业用地出让价格进行招商引资，同时高价

出让商住用地[18—20]

，并且地方政府的限购政策会导

致房地产泡沫的空间转移[21]

，造成房地产开发成本

提高，新房楼盘房价上升。2008 年金融危机爆发

后，我国出台了四万亿经济刺激计划，开始了新一轮

的积极财政政策，地方政府开启了以发行地方政府

债券和通过融资平台进行筹资的债务融资模式。在

1994年《预算法》的基础上，地方政府债券先后经历

了“代发代还”“自发代还”和“自发自还”三种模式的

演变。地方政府债券融资主要为完成上级下达的建

设任务，基础设施投资可以在短期内显著地资本化

到土地价格中，并引致地方政府更多采用土地抵押

贷款进行融资[22]

。杨继东等[23]

和张莉等[24]

考察了土

地融资对地方政府债务增长的影响，认为城投债的

发行通常以土地出让收入作为担保，这种土地出让

的融资放大效应同时放大了当地经济对于房地产的

敏感度。

综上所述，地方政府土地财政与地方债对房价

的影响机理如图1所示。据此，本文提出以下研究

假说：

假说 1：土地出让收入会影响住宅类新房楼盘

价格。

图1 地方政府土地财政与地方债影响房价的机理

财经视野 Financial Perspective

81

2023年第10期 WUHAN

FINANCE

假说2：土地抵押融资会间接提高房价，债务发

行规模扩大会使得政府更多依赖土地出让收入进行

抵押或偿还本金，有助于促进土地财政对房价的推

动作用。

二、模型设定与变量选取

（一）实证模型设定

为分析地方政府土地财政对于新房楼盘价格的

影响，本文在基准模型中选取人均土地出让收入的

对数值作为土地财政的衡量指标，并采用如（1）式所

示的固定效应回归方程进行分析：

lnPriceict = α + β ln ALandct + Xictθ + Ectω +

γc + yeart + εict

（1）

其中，下标i、c、t分别表示楼盘、地级市和年份；

被解释变量 lnPriceict 为地级市c的楼盘i在第t年的

楼盘均价（单位：元/平方米）的对数值[25]

；关键解释

变量 ln ALandct 表示地级市c在第t年的人均土地出

让收入（单位：元）的对数值；Xict 和 Ect 分别表示一

系列楼盘层面和地级市层面控制变量的向量，用以

控制楼盘和地级市层面的特征；γc 为地级市固定效

应；yeart 为年份固定效应；εict 为随机扰动项。本文

主要关注的系数是 β ，其含义是控制楼盘和地区特

征等因素后，人均土地出让收入对楼盘均价的影

响。标准误在城市层面进行聚类调整。

式（1）中，被解释变量基于楼盘层面的数据，关

键解释变量基于地级市层面的数据，可在一定程度

上缓解反向因果关系带来的内生关联问题，但仍可

能遗漏某些同时影响楼盘房价和地方政府土地财政

的因素，造成内生性问题。因此，本文使用工具变量

法，并借鉴 Nakamura 等[26]

的思路，计算出样本期内

某地级市人均土地出让收入与该地级市所在省份人

均土地出让收入之比的均值，以此均值为权重与该

地级市所在省份当年人均土地出让收入生成交互

项，作为该地级市当年人均土地出让收入的工具变

量，并使用两阶段最小二乘法重新估计地方政府土

地财政规模对楼盘房价的影响。该工具变量满足：

（1）相关性要求，人均土地出让收入与工具变量高度

相关；（2）外生性要求，遗漏变量与工具变量无直接

联系，地级市或楼盘层面的遗漏变量很难影响地级

市所在省份的整体情况，且地级市人均土地出让收

入与该地级市所在省份人均土地出让收入之比的均

值为恒定值，不受遗漏变量影响。式（2）和式（3）分

别为第一阶段和第二阶段回归方程，其中 ln ALand_

weightct 为人均土地财政收入加权值，νct 为随机扰动

项，其他变量含义与式（1）相同。第二阶段回归中关

键解释变量是由第一阶段回归得到的人均土地出让

收入拟合值 ln ALandct ，本文主要关注系数 β 。

ln ALandct = η + ρ ln ALand_weightct +

γc + yeart + νct

（2）

lnPriceict = α + βln ALandct + Xictθ + Ectω +

γc + yeart + εict

（3）

土地财政对楼盘房价的影响可能受到地方政府

债务调节。当地方政府债务压力加大时，土地财政

对楼盘房价的影响也有进一步增强的趋势。为进一

步探究地方政府债务与土地财政在楼盘房价持续升

高中互动的特殊性，本文进一步引入地方政府债务

与土地财政的交叉项进行检验：

lnPriceict = α + β1 ln ALandct + β2 ln debtct +

δ ln ALandct × ln debtct + Xictθ +

Ectω + γc + yeart + εict

（4）

其中，ln debtct 为地级市 c 在第 t 年的城投债发

行规模（单位：元）的对数值；ln ALandct × ln debtct 为

土地财政和地方债务规模的交叉项；主要关注系数

δ 的符号，显示了地方政府债务在土地财政影响楼

盘房价过程中的调节作用。

（二）变量选取和说明

1.被解释变量

本文采用新房楼盘的参考均价（lnPrice）来表示

楼盘房价。楼盘参考均价表示楼盘初次销售时的定

价，在一定程度上反映了开发商决策。本文对楼盘

参考均价做了对数化处理。

2.关键解释变量

（1）土地财政。本文使用人均土地出让收入的

对数值（lnALand）作为土地财政的衡量指标。通过

对土地出让收入进行人均调整，可以更好地反映地

方政府土地财政行为对其发展辖区内每个居民的影

响，以及地方政府在借贷市场上的相对融资谈判能

力。在稳健性检验中，本文将土地财政衡量指标替

换成了土地出让总收入（lnLand）和土地出让依存度

（dependence），对基准模型重新进行了估计。

（2）地方政府债务。本文参考徐军伟等[10]

对融

资平台公司和城投债的定义，采取其统计的各地级

市城投债发行规模的对数值（lndebt）来衡量地方政

府债务水平。

82

3.控制变量

根据已有文献，本文添加如下控制变量以降低

遗漏变量带来的内生性问题：

（1）楼盘：包括绿化率（ratio_green）、容积率

（far）、车位配比（car）。这些指标能够反映楼盘的配

套设施和小区环境，也能反映房地产开发商对建设

用地的使用强度，与楼盘开发成本密切相关，属于楼

盘的物理特征。

（2）经济：包括人均 GDP（lngdppc）、人口密度

（lnpopden）、第三产业占比（ratio_third）。这些指标

能够反映楼盘所在城市发展水平和居民对住房的需

求，随着居民收入和城市人口的增多，商品房的需求

总量会增加[27]

，进而推升房价。

（3）房屋需求：楼盘所在城市的商品房销售面积

（lnarea），反映了住房市场上需求侧对房价的影响。

（4）房屋供给：房地产开发投资（lninvest），反映

了房地产市场的金融发展程度和房地产市场的投资

活跃度。

（三）数据来源和说明

本文使用的房价指标和楼盘指标来自CnOpen⁃

Data中国新房信息数据库①。该数据库包含全国28

个省级行政区、直辖市与对应多个重点城市的所有

新开发楼盘信息。土地出让收入数据来自《中国城

市统计年鉴》，其他地级市数据来自CEIC数据库和

EPS 数据库。为缓解极端值对实证结果的潜在影

响，本文对连续变量进行上下限各1%的缩尾处理，

处理后的样本中包含2004—2017年26个省级行政

区中101个城市的5450个新房楼盘信息。本文选取

2004—2017 年的主要原因是：首先，新房楼盘数据

和土地财政相关统计指标在此区间内可得并且口径

一致；其次，该时间段不受全球新冠疫情影响。各变

量的定义及数据说明见表1，表2报告了主要变量描

述性统计。

三、计量检验与结果分析

（一）基准回归结果

本文分析了土地财政对新房楼盘房价的影响。

表 3（1）列为核心解释变量对于新房楼盘房价的回

归，结果显示人均土地出让收入与楼盘参考均价之

间存在显著的正相关关系。（2）列引入了年份、城市

和物业类型的固定效应进行控制，尽管核心解释变

量的系数减小，但仍然在统计上显著。（3）列进一步

添加了楼盘和地级市层面的特征变量，结果仍然表

明人均土地出让收入与楼盘参考均价之间存在显著

的正相关关系。该结果支持了本文的假说1。

表1 主要变量定义

类别

房价指标

土地财政

指标

地方政府

债务指标

楼盘指标

经济指标

房屋需求

指标

房屋供给

指标

区域交叉

变量

城市等级

交叉变量

人口规模

交叉变量

土地财政

依存度

交叉变量

物业类型

交叉变量

变量名称

楼盘参考

均价

人均土地

出让收入

土地出让

总收入

土地出让

依存度

地方债规模

绿化率

容积率

车位配比

人均GDP

人口密度

第三产业占比

商品房

销售面积

房地产开发投

资

东部

中部

西部

一、二线城市

三、四线城市

超大城市

非超大城市

高依存度

低依存度

住宅类

非住宅类

符号

lnPrice

lnALand

lnLand

dependence

lndebt

ratio_green

far

car

lngdppc

lnpopden

ratio_third

lnarea

lninvest

east

middle

west

city_a

city_b

pop_large

pop_small

high_dependence

low_dependence

estate_a

estate_b

变量定义

楼盘初次销售时的定价取对数

（单位：元）

土地出让收入/年末总人口，取对

数（单位：元）

土地出让收入取对数

（单位：元）

土地出让收入/一般预算内收入

（单位：%）

地方债规模取对数

（单位：元）

绿化用地面积/总用地面积

（单位：%）

总建筑面积/总用地面积

（单位：%）

业主总户数/车位总户数

（单位：%）

GDP/总人口，取对数（单位：元）

年末总人口/市面积，取对数

（单位：人/平方公里）

第三产业增加值/GDP

（单位：%）

商品房销售面积取对数

（单位：千平方米）

房地产开发投资取对数

（单位：亿元）

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

是=1；否=0

表2 主要变量描述性统计

变量

lnPrice

lnALand

lndebt

ratio_green

far

car

lngdppc

lnpopden

ratio_third

lninvest

lnarea

观察值

5,450

5,450

4,628

5,450

5,450

5,450

5,450

5,450

5,450

5,450

5,450

均值

9.671

8.672

23.157

34.730

3.152

2.642

11.250

6.585

54.640

7.092

9.549

标准差

0.824

0.860

1.159

10.160

2.549

52.770

0.414

0.575

9.265

0.814

0.658

最小值

5.753

3.355

19.114

0

0.010

0

9.418

4.036

25.280

3.049

5.936

最大值

11.610

10.410

25.049

90

105

34.680

11.920

7.735

82.690

8.349

10.580

财经视野 Financial Perspective

83

2023年第10期 WUHAN

FINANCE

表3 土地财政影响楼盘房价的回归结果

变量

lnALand

ratio_green

far

car

lngdppc

lnpopden

ratio_third

lninvest

lnarea

年份固定效应

城市固定效应

物业类型固定效应

观测值

R2

(1)

lnPrice

0.327***

(4.42)

No

No

No

5,450

0.116

(2)

0.084***

(2.71)

Yes

Yes

Yes

5,450

0.345

(3)

0.080**

(2.61)

0.001

(0.44)

0.036**

(2.41)

-0.000**

(-2.48)

0.006

(0.02)

-0.217

(-0.64)

0.001

(0.08)

-0.015

(-0.15)

0.089

(1.33)

Yes

Yes

Yes

5,450

0.354

注：*、**、***分别代表在10%、5%和1%水平上显著；括号内为城

市层面聚类稳健的标准误。下表同。

（二）稳健性检验

在基准回归中，未考虑内生性问题，也未考虑到

变量设置可能引起测量误差等因素。这些因素是否

会干扰基准实证结论需要进一步验证。内生性问题

可能存在于两个方面：一是反向因果问题，即高房价

可能会推动土地价格上涨，因此政府在土地出让决

策上会更积极。二是遗漏变量问题。例如，城市建

设和环境改善可能导致房价上涨，而这些基础设施

往往依赖政府大量的财政支出，导致政府有更多出

让土地的动机。上述潜在内生性问题可能导致核心

解释变量与误差项之间存在相关性，从而导致回归

系数出现偏误。

为了确保结果的稳健性，本文采用了多种方法

进行稳健性检验，包括工具变量回归、不同类型的固

定效应模型、替换核心解释变量和控制标准误差聚

类等方法，从而加强了本文实证结论的可信度。

1.工具变量估计结果

为了解决内生性问题，如前所述，本文采用两阶

段工具变量法进行验证。第一阶段估计结果见表4

（1）列，工具变量的识别不足检验中，Anderson LM统

计量在1%显著性水平上拒绝工具变量识别不足的

原假设；弱工具变量检验中，Cragg-Donald Wald F统

计量远大于Stock-Yogo弱工具变量检验的临界值，

拒绝存在弱工具变量的原假设。表4（2）和（3）列报

告了内生变量（即核心解释变量）和工具变量的简约

形式结果。（3）列加入内生变量后，工具变量回归系

数值变小且变得不显著，而内生变量的符号不变且

仍然显著，表明工具变量只能通过内生变量来影响

新房楼盘房价，满足排他性约束假设。第二阶段回

归中，人均土地出让收入的估计系数显著为正，与基

准回归结果一致。

表4 稳健性检验（工具变量）的回归结果

变量

IV：lnALand_weight

lnALand

控制变量

年份固定效应

城市固定效应

物业类型固定效应

观测值

第一阶段回归系数

识别不足检验

p值

弱工具变量检验

Stock-Yogo 临界值

(1)

lnALand

0.140*

(1.78)

Yes

Yes

Yes

Yes

4,973

1.014***

(5.62)

32.13

0.0000

31.63

16.38

(2)

lnPrice

0.142*

(1.81)

Yes

Yes

Yes

Yes

4,973

(3)

lnPrice

0.075**

(2.48)

0.066

(0.81)

Yes

Yes

Yes

Yes

4,973

2.土地财政影响楼盘房价的稳健性检验结果

表 5 报告了其他稳健性检验的回归结果。首

先，针对基准回归中可能存在的遗漏省份层面变量

的问题，（1）列在基准模型的基础上控制了省份与年

份交互固定效应，控制了不同省份随时间变化的因

素，包括政策支持、宏观经济波动等，核心解释变量

的估计系数保持显著且符号不变。其次，经济变化、

政策冲击可能对不同物业类型的新房楼盘房价产生

异质性影响，为控制这些不可观测的异质性冲击因

素，（2）列加入物业类型与年份的交互固定效应，控

制每一种物业类型随时间变化的因素，回归结果仍

保持稳健。最后，土地财政可以用多种指标进行衡

量，（3）和（4）列将核心解释变量人均土地出让收入

用各市土地出让收入和土地财政依存度进行替换，

其中，土地财政依存度定义为土地出让收入占地方

84

财政预算内收入的比例。结果显示，土地财政指标

的系数仍显著为正。此外，由于同一种物业类型受

到房地产开发决策和政府政策等因素的影响，故房

价在物业类型上可能存在序列相关性，（5）列报告了

将标准误聚类到物业类型和年份上的回归结果，人

均土地出让收入对新房楼盘参考均价的影响仍正向

显著。以上稳健性检验均可说明，地方政府土地财

政的扩张对新房楼盘房价有明显的刺激作用，推动

了房价攀升。

表5 土地财政影响楼盘房价的稳健性检验回归结果

变量

lnALand

lnLand

dependence

控制变量

年份固定效应

城市固定效应

物业类型固定效应

省份×年份固定效应

物业×年份固定效应

观测值

R2

(1)

lnPrice

0.072**

(2.48)

Yes

No

Yes

Yes

Yes

No

5,404

0.375

(2)

0.087***

(3.01)

Yes

No

Yes

No

No

Yes

5,443

0.364

(3)

0.076**

(2.45)

Yes

Yes

Yes

Yes

No

No

5,450

0.354

(4)

0.002**

(2.35)

Yes

Yes

Yes

Yes

No

No

5,450

0.355

(5)

0.080***

(4.68)

Yes

Yes

Yes

Yes

No

No

5,450

0.354

（三）异质性分析

接下来，本文将探讨土地财政对新房楼盘房价

的异质性影响。自分税制改革以来，我国各地区由

于经济发展水平不均衡，各地方政府财政收入状况

存在明显的差异，这导致地方政府财政决策行为具

有异质性。同时，在楼盘开发过程中，不同的物业类

型会产生不同的开发成本，土地财政对不同物业类

型房价的影响可能存在差异。表6汇报了引入交互

项进行异质性分析的回归结果。

1.区域异质性

我国幅员辽阔，东中西部在经济发展水平、产业

结构等方面有明显差异。已有研究对于土地财政与

房价之间的正相关效应有两种观点：一种观点认为

地方政府的土地供给在不同区域对于住房价格的影

响没有显著区别；另一种观点则认为相较于中西部

省份，土地财政更为活跃的东部发达省份其土地出

让行为对房价的影响程度更大。因此，本文将新房

楼盘所处区域划分为东部、中部和西部，划分标准来

自国家统计局②。表 6（1）列引入了虚拟变量中部

（middle）、西部（west）的虚拟变量与人均土地出让收

入对数值的交互项，系数均不显著，表明无论东中西

部，地方政府扩大土地财政的行为都对新房楼盘的

房价提高没有显著影响，且在不同区域间没有显著

的差别。

2.城市等级

由于经济规模、财政收入、行政等级、市场认可

度等因素在城市间有巨大差异，土地财政对新房楼

盘房价的作用可能在不同等级的城市间存在异质

性。因此，本文将新房楼盘所在城市根据城市等级

进行划分，划分标准来自中国社科院财经战略研究

院住房大数据项目组③。表6（2）列在基准回归的基

础上加入一线和二线城市（city_a）虚拟变量与人均

土地出让收入对数值的交互项，回归系数不显著，表

明就土地财政对新房楼盘房价的影响而言，一二线

城市与三四线城市之间不具有异质性。

3.人口规模

我国早期的宏观调控政策主要是从房地产市场

的供给侧进行调整，而后由于政策效力不足转而关

注需求侧管理。需求侧管理的主要内容是限购政

策，截至 2014 年共有 46 个大中城市实施了限购政

策，而中小城市人口由于规模小，缺乏人口流入，普

遍没有住房购买限制[21]

。因此，本文采用《国务院关

于调整城市规模划分标准的通知》（国发〔2014〕51

号）的划分④，将城市按人口规模分为超大城市和非

超大城市，以此来间接分析人口规模和限购政策可

能产生的异质性影响。表 6（3）列引入了超大城市

（pop_large）与人均土地出让收入对数值的交互项，

回归系数显著为正，表明当其他因素相同时，同样水

平的人均土地出让收入，人口规模更大的城市中，土

地财政行为对新房楼盘房价的促进作用更强。不同

于主要由经济发展水平决定的城市等级，由人口规

模划分的不同等级城市在土地财政对新房楼盘房价

的影响上具有异质性。这可能是因为：对于人口规

模更大的城市，人们的住房需求更高，地方政府可以

更大程度影响土地价格，同时房地产商在对土地进

行开发后有更大的溢价空间，进而强化了土地财政

对房价上涨的作用。此外，人口规模较大的城市往

往存在限购政策，表6（3）列的回归结果也在一定程

度上反映了限购对于土地财政与新房楼盘房价之间

的正相关效应有促进作用，间接验证了假说1中土

财经视野 Financial Perspective

85

2023年第10期 WUHAN

FINANCE

地财政通过购房引导政策影响房价的途径。

4.土地财政依存度

不同地方政府依赖土地财政的程度存在差异，

可能对基准结果产生异质性影响。根据地方政府的

土地财政依存度中位数，本文将所有城市划分成高

依赖度和低依赖度的样本，并构建虚拟变量高依存

度（high_dependence）。土地财政依赖度较高的地

区，其房地产投资通常也相对较高，土地财政将影响

城市的空间扩张效应和产业集聚等因素，因此造成

房价的波动[28]

。表 6（4）列引入高依存度（high_de⁃

pendence）虚拟变量与人均土地出让收入对数值的

交互项，回归系数不显著，表明土地财政可能不会因

地方政府对土地财政的依赖程度不同而对新房楼盘

房价产生异质性影响。

5.物业类型

根据假说 1，土地财政的主要影响途径包括对

不同用地类型出让价格的差异化控制，为进一步验

证假说 1，对物业类型进行划分并引入交互项进行

异质性分析。表6（5）列引入住宅物业（estate_a）虚

拟变量与人均土地出让收入对数值的交互项回归，

交互项系数在1%的水平上显著为正。从结果上看，

相较于其他物业类型，土地财政的扩张对于住宅物

业新房楼盘价格推动作用更加明显，地方政府的积

极土地财政政策会更多地体现在对住宅物业楼盘的

价格推动上，验证了假说1。

（四）进一步讨论

本文的基准结果可能受到地方政府土地财政动

机的影响，当地方政府债务压力越大时，可能有动机

通过土地财政获取更多财政收入。为验证假说 2，

本文在基准回归中进一步引入了地方债对数值和土

地财政指标的交互项，回归结果汇报在表 7（1）列

中。结果显示，人均土地出让收入对数值与地方债

规模对数值的交互项回归系数显著为正，表明地方

政府越依赖地方债务进行招商引资和基础设施建

设，就越需要依靠土地财政来偿还债务，从而推动新

房楼盘房价上升的作用越强。一方面，这种交互作

用可能是由于随着基础设施的改善，房价也因环境

的改善而上升；另一方面，房价上升会使地方政府更

依赖土地出让的融资方式，导致土地成交价格上涨，

房地产开发成本上升，从而推动新房楼盘房价上

升。表7（2）和（3）列将土地财政的变量替换为土地

出让收入和土地财政依存度，进行了稳健性检验，交

互项的回归结果依然显著，表明这一结论具有较强

的稳健性。表 7（4）至（6）列报告了分别针对东部、

中部和西部地区的分样本回归结果。结果显示，东

部和中部地区样本的交互项显著为正，中部地区样

本的估计系数甚至大于东部地区，而西部地区样本

的交互项并不显著。因此，地方政府债务规模扩张

表6 土地财政影响楼盘房价的异质性分析回归结果

变量

lnALand

middle×lnALand

west×lnALand

city_a×lnALand

pop_large×lnALand

high_dependence×

lnALand

estate_a×lnALand

控制变量

年份固定效应

城市固定效应

物业类型固定效应

观测值

R2

(1)

lnPrice

0.107**

(2.55)

-0.067

(-0.77)

-0.079

(-1.19)

Yes

Yes

Yes

Yes

5,450

0.355

(2)

0.039

(1.00)

0.071

(1.20)

Yes

Yes

Yes

Yes

5,450

0.355

(3)

0.079**

(2.56)

0.013*

(1.88)

Yes

Yes

Yes

Yes

5,450

0.355

(4)

0.052

(1.13)

0.006

(1.23)

Yes

Yes

Yes

Yes

5,450

0.355

(5)

0.030

(0.97)

0.090***

(2.77)

Yes

Yes

Yes

Yes

5,450

0.356

表7 土地财政、地方债与楼盘房价的回归结果

变量

lnALand

lndebt

lnALand×lndebt

lnLand

lnLand×lndebt

dependence

dependence×lndebt

控制变量

年份固定效应

城市固定效应

物业类型固定效应

观测值

R2

(1)

lnPrice

-0.791***

(-2.69)

-0.322***

(-2.85)

0.039***

(2.89)

Yes

Yes

Yes

Yes

4,495

0.333

(2)

-0.662*

(-1.86)

-0.550

(-1.65)

0.028*

(1.84)

Yes

Yes

Yes

Yes

4,495

0.333

(3)

-0.027

(-1.02)

-0.015***

(-2.90)

0.001***

(3.22)

Yes

Yes

Yes

Yes

4,495

0.333

(4)

-0.763**

(-2.13)

-0.326**

(-2.12)

0.038**

(2.39)

Yes

Yes

Yes

Yes

2,147

0.365

(5)

-2.553***

(-3.50)

-0.842***

(-3.29)

0.117***

(3.78)

Yes

Yes

Yes

Yes

798

0.223

(6)

0.049

(0.08)

-0.001

(-0.00)

-0.003

(-0.10)

Yes

Yes

Yes

Yes

1,549

0.381

86

对土地财政推动房价上升的影响在东部和中部地区

更为显著，而在西部地区并不明显。毛捷等[12]

在关

于地方债务对经济增长的区域差异研究中提到，地

方债务、土地财政以及楼盘房价的机制可能受到不

同地区债务平衡点和债务规模的影响，东部和中部

地区因经济发展水平等因素，其债务规模和金融市

场发展水平高于西部地区，因此东部和中部地方政

府的土地财政和土地引资行为更加活跃，对房地产

市场的影响更为强烈。

四、结论与启示

本文采用地级市层面的土地财政、政府债务数

据以及楼盘层面的房价相关数据进行实证研究，分

析了土地财政（包括土地财政收入和土地财政依存

度）对新房楼盘房价的影响，同时从土地抵押融资的

角度研究了地方债务与土地财政在推动房价上涨方

面的交互作用。研究结果发现，土地财政对新房楼

盘房价的上涨有显著影响。通过使用工具变量法、

替换被解释变量及改变标准误聚类层面进行稳健性

检验后，上述结论保持不变。通过多角度的异质性

分析，本文发现土地财政对新房楼盘房价的影响主

要体现在人口规模较大的城市和住宅物业类型的楼

盘。借助地方城投债发行规模数据，本文还构建了

土地财政与地方债的交互项并引入基准回归，研究

发现在地方债务蓬勃发展的阶段，地方政府的债务

上升反而促进更多的土地质押和出让行为，提高了

土地财政对房价的推动作用。在金融市场发展水平

更高的东部和中部地区，地方债务与土地财政的联

系更为密切。

根据上述研究结论，本文得出以下政策启示：

第一，土地财政行为是推动房价上涨的重要原

因之一。深化财税体制改革和完善分税制将是改善

地方政府土地财政状况的关键措施，有助于在源头

上控制土地财政对房价的推动作用。考虑到土地财

政具有不可持续性，地方政府需要增加稳定和可持

续的财政收入。提高建设用地指标的配置效率，增

加城市用地的灵活性，以促进工业用地和商住用地

的合理分配，从而平衡房地产市场的供求结构。

第二，土地财政对房价的影响与地方债务紧密

相关。地方政府通常会借助融资平台举借债务，以

土地资产作为信用担保，以土地价值增值作为偿债

来源，这可能导致土地财政面临财政压力和房地产

开发项目效率低下的双重问题。应加强对地方政府

土地使用制度的顶层设计，严格控制土地要素与地

方融资平台的资产信用联系，规范政府债务发行的

条件和偿债来源，以促进房地产行业和地方经济的

健康发展。

第三，综合发展和稳定是关键。房地产市场波动

较大，应该努力维持地价、房价和市场预期的稳定。

要完善“人房地钱”四要素的联动机制，进行结构性

调整，特别是对人口规模较大、产业较发达的热门城

市。此外，要进行住房资源的分配调整，减少错配和

浪费，促进土地资源的高效使用。同时应保持政策

的连续性和稳定性，以确保地方政府的土地财政政

策平稳应对宏观经济波动，避免造成房价过大波动，

以此稳定预期，最终实现地价和房价的稳定。■

注 释

① CnOpenData 数据平台（中国开放数据）是覆盖经济、金

融、法律、医疗、人文等多个学科维度的综合性数据平台。

中国新房信息数据库囊括了一线、新一线、二线和三四线城

市的新建商品房信息，包含在售、待售和售罄三种销售状

态，涵盖了新建商品房小区名称、地理位置、在售户型、建筑

面积、参考价格、物业类型、开发商名称、绿化率、占地面积、

车位配比等字段。

②《东西中部和东北地区划分方法》详见网址：http：//www.

stats.gov.cn/zt_18555/zthd/sjtjr/dejtjkfr/tjkp/202302/t20230216

_1909741.htm。

③《中国住房大数据分析报告》详见网址：http：//naes.cssn.

cn/cj_zwz/ry/yjry/zlh/zlhyjcg/202002/t20200229_5094692.shtml。

④《国务院关于调整城市规模划分标准的通知》（国发

〔2014〕51 号）详见网址：https：//www.gov.cn/gongbao/content/

2014/content_2779012.htm。

[参考文献]

[1] WU G L，FENG Q，LI P. Does Local Governments' Budget

Deficit Push Up Housing Prices in China?[J]. China Economic

Review，2015，35：183-196.

[2] 张莉，王贤彬，徐现祥.财政激励、晋升激励与地方官员的

土地出让行为[J].中国工业经济，2011（4）：35-43.

[3] CHEN J，WU F. Housing and Land Financialization Under

the State Ownership of Land in China[J]. Land Use Policy，

2022，112：104844.

[4] 宫汝凯.财政不平衡和房价上涨：中国的证据[J].金融研

究，2015（4）：66-81.

[5] 唐云锋，马春华.财政压力、土地财政与“房价棘轮效应”

[J].财贸经济，2017（11）：39-54+161.

[6] 邵朝对，苏丹妮，邓宏图.房价、土地财政与城市集聚特

征：中国式城市发展之路[J].管理世界，2016（2）：19-31+187.

[7] 邹琳华，钟春平.饥饿供地，还是售地冲动：基于地级以上

城市土地出让及房价数据的实证分析[J].财贸经济，2022

（3）：82-97.

[8] 梅冬州，温兴春.外部冲击、土地财政与宏观政策困境[J].

经济研究，2020（5）：66-82.

[9] PLANTINGA A J，DÉTANG- DESSENDRE C，HUNT G

财经视野 Financial Perspective

87

2023年第10期 WUHAN

FINANCE

L，et al. Housing Prices and Inter-Urban Migration[J]. Region⁃

al Science and Urban Economics，2013，43（2）：296-306.

[10] 徐军伟，毛捷，管星华.地方政府隐性债务再认识：基于

融资平台公司的精准界定和金融势能的视角[J].管理世界，

2020（9）：37-59.

[11] 范剑勇，莫家伟.地方债务、土地市场与地区工业增长

[J].经济研究，2014（1）：41-55.

[12] 毛捷，黄春元.地方债务、区域差异与经济增长：基于中

国地级市数据的验证[J].金融研究，2018（5）：1-19.

[13] FAVARA G，IMBS J. Credit Supply and the Price of Hous⁃

ing[J]. American Economic Review，2015，105（3）：958-992.

[14] LIU Z，WANG P，ZHA T. Land⁃Price Dynamics and Macro⁃

economic Fluctuations[J]. Econometrica，2013，81（3）：1147-1184.

[15] 赵扶扬，陈斌开，刘守英.宏观调控、地方政府与中国经

济发展模式转型：土地供给的视角[J].经济研究，2021（7）：

4-23.

[16] 孙秀林，周飞舟.土地财政与分税制：一个实证解释[J].

中国社会科学，2013（4）：40-59+205.

[17] 赵文哲，杨继东.地方政府财政缺口与土地出让方式：基

于地方政府与国有企业互利行为的解释[J].管理世界，2015

（4）：11-24.

[18] 陶然，陆曦，苏福兵，等.地区竞争格局演变下的中国转

轨：财政激励和发展模式反思[J].经济研究，2009（7）：21-33.

[19] 雷潇雨，龚六堂.基于土地出让的工业化与城镇化[J].管

理世界，2014（9）：29-41.

[20] CHENG J. Analyzing the Factors Influencing the Choice

of the Government on Leasing Different Types of Land Uses：

Evidence from Shanghai of China[J]. Land Use Policy，2020，

90：104303.

[21] 陈钊，申洋.限购政策的空间溢出与土地资源配置效率

[J].经济研究，2021（6）：93-109.

[22] 郑思齐，孙伟增，吴璟，等“. 以地生财，以财养地”：中国特

色城市建设投融资模式研究[J].经济研究，2014（8）：14-27.

[23] 杨继东，杨其静，刘凯.以地融资与债务增长：基于地级

市面板数据的经验研究[J].财贸经济，2018（2）：52-68+117.

[24] 张莉，年永威，刘京军.土地市场波动与地方债：以城投

债为例[J].经济学（季刊），2018（3）：1103-1126.

[25] 毛捷，郭玉清，曹婧，等.融资平台债务与环境污染治理

[J].管理世界，2022（10）：96-118.

[26] NAKAMURA E，STEINSSON J. Fiscal Stimulus in a Mon⁃

etary Union：Evidence from US Regions[J]. American Econom⁃

ic Review，2014，104（3）：753-792.

[27] 郭珂.土地财政依赖、财政缺口与房价：基于省际面板数

据的研究[J].经济评论，2013（2）：69-75.

[28] 莫长炜，林月萍，王燕武.产业集聚视角下土地财政对城

市空间扩张质量的影响研究[J].财贸经济，2023（4）：21-40.

（责任编辑：ZZG / 校对：XY）

ity or Rhetoric?[J]. World Development，1994，22（7）：1073-1082.

[7] 程郁，韩俊，罗丹.供给配给与需求压抑交互影响下的正

规信贷约束：来自1874户农户金融需求行为考察[J].世界经

济，2009（5）：73-82.

[8] 黄露露.社会网络、风险分担与家庭储蓄率：来自中国城

镇居民的证据[J].经济学（季刊），2022（1）：87-108.

[9] 吴卫星，张旭阳，吴锟.金融素养与家庭储蓄率：基于理财

规划与借贷约束的解释[J].金融研究，2021（8）：119-137.

[10] 程令国，张晔.早年的饥荒经历影响了人们的储蓄行为

吗?对我国居民高储蓄率的一个新解释[J].经济研究，2011

（8）：119-132.

[11] 尹志超，张诚.女性劳动参与对家庭储蓄率的影响[J].经

济研究，2019（4）：165-181.

[12] 于淼，高宇宁，胡鞍钢.中国家庭储蓄率反生命周期之

谜：基于竞争性储蓄视角的分析[J].中国人口·资源与环境，

2021（3）：33-42.

[13] ZELDES S P. Consumption and Liquidity Constraints：An

Empirical Investigation[J]. Journal of Political Economy，1989，

97（2）：305-346．

[14] 杭斌，修磊.收入不平等、信贷约束与家庭消费[J].统计

研究，2016（8）：73-79.

[15] 黄倩，尹志超.信贷约束对家庭消费的影响：基于中国家

庭金融调查数据的实证分析[J].云南财经大学学报，2015

（2）：126-134.

[16] 余泉生，周亚虹.信贷约束强度与农户福祉损失：基于中

国农村金融调查截面数据的实证分析[J].中国农村经济，

2014（3）：36-47.

[17] 曹瓅，杨雨.不同渠道信贷约束对农户收入的影响[J].华

南农业大学学报（社会科学版），2020（1）：66-76.

[18] LELAND H E. Saving and Uncertainty：The Precaution⁃

ary Demand for Saving[J]. The Quarterly Journal of Economics，

1968，82（3）：465-473．

[19] 刘佳倩，曹强.信贷约束、家庭金融市场参与和家庭资产

选择[J].上海工程技术大学学报，2016（2）：178-183.

[20] 雷震，张安全.预防性储蓄的重要性研究：基于中国的经

验分析[J].世界经济，2013（6）：126-144.

[21] 马涵，胡日东.我国不同类型农户信贷约束与收入关系探

讨[J].哈尔滨商业大学学报（社会科学版），2016（5）：113-122.

[22] 马光荣，周广肃.新型农村养老保险对家庭储蓄的影响：

基于CFPS数据的研究[J].经济研究，2014（11）：116-129.

[23] CHAMON M，PRASAD E S. Why are Saving Rates of Ur⁃

ban Households in China Rising?[J]. American Economic Jour⁃

nal：Macroeconomics，2010，2（1）：93-130．

[24] 李雪松，黄彦彦.房价上涨、多套房决策与中国城镇居民

储蓄率[J].经济研究，2015（9）：100-113.

[25] JAPPELLI T. Testing for Liquidity Constraints in Euler

Equations with Complementary Data Sources[J]. Review of Eco⁃

nomics and Statistics，1998，80（2）：251-262．

[26] 李蕾，吴斌珍.家庭结构与储蓄率 U 型之谜[J].经济研

究，2014（1）：44-54.

[27] 王春超，袁伟.社会网络、风险分担与农户储蓄率[J].中

国农村经济，2016（3）：25-35.

[28] 尹志超，刘泰星，张诚.农村劳动力流动对家庭储蓄率的

影响[J].中国工业经济，2020（1）：24-42.

[29] 谢家智，吴静茹.数字金融、信贷约束与家庭消费[J].中

南大学学报（社会科学版），2020（2）：9-20.

（责任编辑：DJ / 校对：XY）

（上接第79页）

88