目 录Contents

货币政策研究 · Research on Monetary Policy

03 央行担保品框架扩容与企业债务期限结构

王少林 赖力琦

15 澳大利亚退出收益率曲线控制政策的启示

纪淼 李宏瑾

23 美国利率和资产负债表变化对中国各部门杠杆率的影响研究

李程 游弋

金融稳定 · Financial Stability

33 基于分位数因子分析方法的系统性金融风险测度

杨光艺 王桢

绿色经济 · Green Economy

41 低碳经济下的企业环境绩效及其作用机制

——基于低碳城市试点的准自然实验

项东 赵嘉敏 郝艳

全国中文核心期刊 湖北省优秀期刊

W U H A N F I N A N C E

2023 8

总 第 284 期

本刊从未委托任何单位或个人征集

稿件，刊发文章不收取任何费用。

本刊与中国知网、万方数据、维普数

据等网站有合作，作者投稿一经本刊

采用，如无特别声明，均视为同意接

受以上网站的数字传播与发行。

本刊版权属《武汉金融》杂志社所有，

其他媒体转载本刊文章，须注明“摘

自《武汉金融》”字样，否则即侵权。

本刊谢绝一稿多投；文责自负。

■

■

■

■

本刊声明

主 编 曾 涛

副 主 编 胡 德

执行副主编 陈 波

主 任 高文丽

值 班 主 任 熊 源

广告部主任 吴俊伟

法 律 顾 问 瞿森垓

技 术 编 辑 邓雅娜 胡松林 蒿倩文

50 企业ESG表现、机构投资者与组织韧性

刘成 徐向真

59 绿色信贷政策与企业环境治理

陈琪 任笑颖

数字金融 · Digital Finance

70 数字金融能否平抑经济波动？

——基于动态随机一般均衡模型的研究

孙振华 易小丽

80 数字金融对企业财务风险的影响

——基于我国A股上市公司的经验数据

金丹 庞晓晗

主管单位：中国人民银行武汉分行

主办单位：中国金融学会

《武汉金融》杂志社

出版单位：《武汉金融》编辑部

发行单位：武汉长融传媒有限责任公司

国际标准刊号：ISSN1009-3540

国内统一刊号：CN42-1593/F

封面题字：中国书法家协会钟鸣天理事

印刷单位：武汉新鸿业印务有限公司

广告许可证号：4201004001161

每册定价：23.00元

编辑部电话：（027）87327462

发行部电话：（027）87327153

广告部电话：（027）87327290

本刊地址：武汉市武昌中南路69号

邮 编：430071

投稿平台：http：//yhqy.cbpt.cnki.net

本刊编委会（以姓氏笔画为序）

顾 问 王 信

主 任 林建华

编 委

邓 红 毛卫东 王广幼 王恭敬

厉文世 叶圣利 叶未明 白 凯

白俊伟 冯 春 江文波 刘方明

刘元瑞 刘 波 刘秉文 刘学生

闵乙铎 张小春 张文涛 张雪松

李少民 李 民 李 征 杨 建

杨宝宏 吴少新 余明桂 陈志猛

陈建新 陈婉青 宋清华 周永华

周诚君 单增建 赵 军 俞 群

徐长生 陶建全 黄 宪 黄 鹤

曾 亮 谭梦湘 魏 超

一、引言

自2014年我国首例债券违约以来，债务违约数

量呈现大幅增长的趋势。根据Wind统计，债券违约

在 2020 年累计金额超过 2200 亿元，数量高达 211

只，其中 63 只在发行时主体评级为 AAA 级。企业

债券违约潮发生的重要原因是严重的“短钱长用”行

为[1]

。“短钱长用”也称“短贷长投”，即企业为缓解流

动性紧张，向商业银行滚动融入短期资金，用以支持

期限更长且收益更高的投资项目。当经济处于良好

发展态势的时期，“短钱长用”是企业调整资本结构

的合理决策，既能迅速解决企业当前的资金需求，助

力长期优势投资项目，又拥有利息低的成本优势。

然而，一旦经济发生剧烈波动，“短钱长用”将使到期

债务难以偿还，进而引发企业资金链断裂，甚至导致

破产[2，3]

。如出现大量债务违约则会使金融市场无

法正常运作，容易导致企业破产蔓延至各行业，引发

系统性风险[4]

。因此，研究如何缓解企业“短钱长

用”行为与降低企业债务违约概率，对维护投资者利

益和国家金融稳定具有重要意义。

企业债券不仅是企业的重要融资工具，还是短

期流动性调节工具，以及常备借贷便利、抵押补充贷

款、中期借贷便利等新型货币政策工具的重要质押

品。2013 年以来，央行陆续推出新型货币政策工

具，采用质押方式为银行供给资金，即以质押债务人

的优质动产或权利作为向商业或政策性银行发放贷

款的前提和保障。央行担保品框架于2015年5月在

原有认可债券范围的基础上扩容了AAA 级公司信

用类债券。2018年6月，央行降低了认可债券的评

级要求，从AAA级下调至AA+和AA级，并新增了多

摘 要：“短钱长用”是企业债券违约潮发生的重要原因。这不仅会损害投资者利益，而且可能引发系统性金融风险。为此，本文以

企业的债务期限结构作为研究对象，通过 DID 方法分析央行担保品框架扩容是否影响了企业债券期限结构。研究发现：第一，央行担保品

框架扩容增加了企业长期借款，且对企业短期借款没有显著影响，缓解了企业“短钱长用”行为。第二，央行担保品框架通过企业“释压减

负”和“择优增益”两个机制来影响企业债务期限结构。第三，央行担保品框架扩容对民企调整债务期限结构的促进作用更强，且相比于

中央国企，其对地方国企的促进作用更强。第四，当银行流动性宽裕时，央行担保品框架扩容对企业调整债务期限结构的促进作用下降。

因此，央行在调整合格担保品范围时，不仅要关注其对相关企业融资成本的直接影响，还需要重视其对企业债务期限结构的作用效果。

关键词：货币政策；新型货币政策工具；央行担保品框架；企业债券；债务期限结构

中图分类号：F832.31 文献标识码：A 文章编号：1009-3540（2023）08-0003-0012

基金项目：国家社会科学基金一般项目“利率并轨背景下货币政策传导机制与央行政策取向研究”（20BJL017）。

■ 王少林 赖力琦

作者简介：王少林（1984—），男，博士，广东财经大学金融学院教授，硕士生导师； 赖力琦（1998—），男，广东财经大学金融学院硕士研究生。

央行担保品框架扩容与

企业债务期限结构

货币政策研究 Research on Monetary Policy

03

2023年第8期 WUHAN

FINANCE

种债券品种，包括公司信用债、小微企业债、绿色及

“三农”金融债等。从此，企业债券成为央行担保品

框架范围的重要组成部分。

在这一系列新型货币政策工具中，中期借贷便

利（MLF）是央行投放基础货币的主要渠道，也是央

行担保品框架的主要工具。相应地，中期借贷便利

（MLF）也成为企业债券发挥其质押品功能的主要载

体。发行兼具质押品功能的企业债券将明显降低其

持有方的融资成本[5，6]

，且由于MLF只接纳未到期的

期限超过一年的债券，那么央行担保品框架范围的

扩容不仅影响了企业债券的发行成本，而且可能改

变企业对债券的期限偏好，使之更倾向于持有中长

期债券，从而调整自身的债务期限结构。换而言之，

央行担保品框架范围的扩容极有可能通过影响企业

的债务期限结构，缓解“短钱长用”的现象，进而降低

企业债务违约的概率。

然而，现有文献尚未对央行担保品框架范围的

扩容如何影响企业债券期限结构进行研究。已有研

究表明，新型货币政策工具与商业银行贷款行为之

间存在一定的关联，央行通过运用MLF等工具能够

对商业银行的贷款投放量进行调节。如邓伟等[7]

研

究表明，央行采取MLF操作方式可以促使其增加对

商业银行的贷款投放量，但是这种影响主要表现在

增加短期贷款业务实施力度，而长期贷款的业务投

放却受到抑制，这便缩短了商业银行的贷款期限结

构。与此不同，本文立足于企业层面，将2013年央

行首次实施担保品框架扩容作为政策影响因素，观

察该政策的实施是否能够激励企业通过合理调整债

务期限结构以满足担保品框架下的借贷要求。

本文主要的边际贡献在于：第一，与以往研究不

同，本文从企业债务期限结构的角度出发，深入探讨

了央行担保品框架扩容的作用效果，为实施新型货

币政策工具提供了新的视角，也为分析央行担保品

框架扩容对企业调整债务期限结构的影响机制提供

了重要参考。第二，研究发现央行担保品框架扩容

对企业债务期限结构的影响机制，其中“释压减负”

和“择优增益”两个机制能够促使企业调整债务期

限。第三，进一步探究了央行担保品框架扩容引发

企业债务期限结构变化的微观机制，发现不同所有

制企业在此方面的调整存在差异。第四，通过结合

不同的银行流动性情况，探究央行担保品框架扩容

促使企业债务期限结构调整的不同程度变化。上述

研究既有助于央行精准扩容担保品框架，也有助于

探索新型的企业治理模式，缓解企业“短钱长用”行

为，降低企业债券违约概率。这对维护国家金融稳

定和准确引导资金流向重点关注的领域具有重要的

指导意义。

二、文献回顾和研究假设

（一）文献回顾

近年来，央行主打稳健的货币政策，通过综合运

用MLF等多种新型工具，持续有效地为企业提供信

贷支持，引导企业将债务期限调整到合适的结构，将

金融风险保持在可控范围。而企业债务期限结构的

调整是企业治理的重要命题，关注其影响因素有助

于帮助企业更好地做出融资决策。基于此，本文以

央行担保品框架扩容为研究重点，深入探讨了其对

企业调整债务期限结构的影响。与本文相关的文献

主要涉及：一是企业债务期限结构的研究；二是央行

担保品框架的研究；三是货币政策与企业债务期限

结构之间关系的研究。

1.对企业债务期限结构的相关研究

在有关企业偏好于短期债务的研究中：Barnea

等[8]

研究表明，投资风险的变化会促使长期债务的

价值波动变大，而短期债务相对保值的特征能够用

于约束管理层的激进冒险行为。Jensen[9]

、张润宇

等[10]

在对过度投资问题的研究中发现，持有短期债

务的企业可能会在近期支付给债权人本金和利息，

这需要企业持有一定的自由现金流以应付财务危机

发生的可能性，有利于企业管理层更为谨慎地做出

决策，抑制过度投资与缓解投资不足。具体到股票

投资分析中，企业债务期限短期化能够有效降低企

业股票的价格波动，短期债务商业信用的上升，能够

增加外部投资者对企业未来发展前景的预测程度，

降低股价波动率[11]

。

在有关企业偏好于长期债务的研究中：Brick

等[12]

提出，在固定税率和其他条件不变的情况下，如

果利率期限结构呈现上升趋势，长期债务将会因为

更高的利息支出而获得税收优惠，因此企业持有长

期债务比短期债务更有利于其优化财务状况。向古

月等[13]

对经济政策与企业债务期限结构的关系研究

发现，企业面临越不明确的经济政策，越会将企业债

务期限短期化，而债务期限短期化又会增加企业财

务风险，进一步削弱了财务安全性。胡海峰等[14]

认

04

为，虽然企业债务杠杆从整体上看不利于增强企业

全要素生产率，但是相比于持有短期债务而言，持有

更多的长期债务更能够减轻对企业全要素生产率的

伤害程度。

2.对央行担保品框架的相关研究

随着2008年金融危机爆发，如何系统性构建新

型货币政策工具框架引发世界各国关注，并且新型

货币政策工具框架对金融市场的影响值得深入探

讨。央行担保品作为一种重要的新型货币政策工

具，对健全具有高度适应性的现代货币金融体系至

关重要[15]

，却被学术界给予意见不一的评价。

一方面，中央银行采取担保品框架可以有效地

维护金融稳定。Andrade等[16]

指出，利用借贷便利工

具等新型工具，中央银行能够针对性地为金融机构

提供资金援助，维持市场利率，并且促进信贷投放，

达到了促进金融稳定的目的。Cecioni 等[17]

研究发

现，欧美各国央行采取的新型货币政策，不仅能够有

效地向金融市场提供短期流动性，增加商业银行贷

款供给，而且能够有效减轻宏观经济低迷的影响，从

而提升国民经济的稳定性和可持续性。另一方面，

央行担保品框架可能对金融稳定产生不良影响，因

为它无法调节市场信贷结构[18]

。若无法及时地进行

信息披露和定向性操作，短期流动性调节工具会增

加股票市场的收益波动，进一步扩散了潜在的金融

风险[19]

。

大量研究还关注了以借贷便利工具（MLF）为主

的新型货币政策工具对商业银行信贷资金投放行为

的影响。Christensen 等[20]

研究发现，MLF 能够为美

国金融体系注入大量资金，在一定程度上避免了商

业银行流动性短缺问题，遏制了企业短期贷款利息

急剧增加的趋势，有效促进了银行间市场的交易形

成。Berger 等[21]

研究认为，通过使用定期拍卖和贴

现窗口这两类货币政策工具，可以推动商业银行向

市场投放信贷资金。孙国峰等[22]

构建了商业银行两

部门模型，发现MLF利率的调整效应能够传导至商

业银行，促进其为市场投放信贷资金。侯成琪等[23]

通过设立纳入商业银行与影子银行的 DESG 模型，

发现央行通过贷款市场定价和流动性效应两种机

制，利用MLF引导商业银行获取资金。

Koulischer 等[24]

通过建立银行间市场或中央银

行借款的模型发现，在保持政策利率不变的背景下，

央行担保品框架扩容有助于降低息差，缓解信贷成

本压力以及增加企业产出。王永钦等[5]

、黄振等[6]

则

研究分析了央行担保品框架的变化对中长期企业债

券信用利差的影响，由于纳入央行担保品框架内的

债券被赋予了债券质押品的功能，央行能够给予其

信用背书，因而能通过对企业债券增信、提高质押率

等机制降低中长期企业债券信用利差。

3.对货币政策和企业债务期限结构之间关系的

相关研究

企业如何调整债务期限结构深受不同货币政策

环境的影响，因此研究货币政策传导和企业债务期

限结构调整之间的关系至关重要。在不确定性较高

的货币政策环境下，持有兑现能力更强的资产有助

于企业更为妥善地应对流动性风险，但是高额现金

持有却容易滋生一系列的企业非效率行为。李小林

等[25]

研究发现，随着货币政策不确定性的上升，如果

企业进行债务期限的缩减，不仅能够降低企业经营

风险和代理成本，而且可以缓和增持现金所带来的

弊端，助力提升市场的资金配置效率。叶永卫等[26]

考察了我国A股上市企业，发现在经济政策不确定

性上升的情况下，企业更有可能缩短自身的债务期

限结构，且这一行为在信息获取能力较弱的企业中

会更加突出。

而部分学者则基于紧缩性货币政策的视角，对

企业调整债务期限结构的行为进行研究。Almeida

等[27]

认为，在紧缩性货币政策的实施背景下，存有过

多到期贷款的企业容易陷入流动性枯竭和债务违约

困境，紧缩信贷冲击触发了企业缩短债务期限结构

以应对财务危机的机制。此外，银行通过企业债务

期限结构调整来参与企业治理，较短的企业债务期

限结构是其约束企业机会主义行为的重要手段[28]

。

然而，当货币政策偏紧时，商业银行为了管控经营风

险，更容易停止对企业短期借款的支持，这可能会导

致企业面临流动性紧缺的问题[29]

。Harford 等[30]

认

为，企业缩短债务期限结构会增加再融资经营风险

和降低投资效率，严重影响了企业治理能力。因此，

在政策层面上要综合考虑企业流动性风险和资源配

置效率，同时还应衡量商业银行对企业短期贷款获

取的限制程度，不能够过分强调缩短企业债务期限

结构。

从以上分析可以看出：一方面，企业债务期限的

短期化和长期化具有不同优势，持有更多的短期债

务有利于企业稳定债务价值、抑制过度投资和降低

货币政策研究 Research on Monetary Policy

05

2023年第8期 WUHAN

FINANCE

股价波动，而持有更多的长期债务有利于企业获得

税盾保护、增强财务安全性和降低对企业全要素生

产率的伤害程度。另一方面，相关文献多聚焦于央

行担保品框架扩容对稳定金融、商业银行信贷资金

投放和企业债券信用利差的影响，以及传统货币政

策对企业债务期限结构的影响，尚未对央行担保品

框架与企业债务期限结构之间的关系进行分析，对

不同货币市场环境下央行担保品框架扩容影响企业

调整自身债务期限结构的异质性表现也缺乏必要的

探索。为此，本文将重点讨论央行担保品框架扩容

对企业调整债务期限结构所发挥的作用及其机制。

（二）研究假设

1.央行担保品框架扩容与企业债务期限结构

一般而言，短期借款是指企业一年内需要偿还

本息和的借债款项，对于企业投资运作能够起到快

速“输血供能”作用，但如果短期借款额度过大，“短

钱长贷”发生的可能性增大，容易给企业的经营流动

性带来危机。而且，以支付高额利息费用为前提进

行“借新偿旧”，或是将短期借款资金投入到长期项

目，债务风险将会被进一步放大，这明显不符合债务

期限匹配原则[31]

，也违背了中央关于防范化解重大

金融风险的初衷。理想状态下，企业通过调整债务

期限结构同投资期限相匹配，得以确保企业经营现

金流的稳定。为此，央行首次出台的担保品框架扩

容政策纳入了AAA级中长期企业债券，通过政府增

信来为企业提供低成本的融资渠道，以此释放了积

极延长债务期限的信号。企业若发行合格担保品范

围内的中长期债券，即增加长期借款占比，能够进一

步缩减债务成本，这极大地激发了企业调整自身债

务期限结构的动力。基于上述分析，本文提出研究

假设：

H1：央行担保品框架首次扩容纳入了AAA级中

长期企业债券，促使相关企业更加偏好于增加长期

借款占比，从而调整自身债务期限结构。

2.央行担保品框架扩容与企业债务期限结构：

作用机制

企业调整自身债务期限结构具有被动和主动两

类动机。受央行政策影响：一方面，企业被动调整债

务期限结构多是为了减轻高额债务而进行的“释压

减负”，即更多地持有合格担保品范围内更低成本的

中长期企业债券，通过提升长期借款占比来减轻企

业债务负担。另一方面，收益高的企业拥有“择优增

益”的能力，调整债务期限结构多是基于自身的主动

需求。成本最小化是企业经营的重要目标之一，高

收益企业在有选择空间的前提下，自然愿意更多地

发行合格担保品范围内更低成本的中长期企业债

券，进而降低其外源融资成本，取得更大的发展优

势。立足于央行担保品框架扩容的现有研究，本文

认为该政策与企业如何调整债务息息相关，且容易

通过“释压减负”和“择优增益”这两个影响机制，进

而促使企业调整债务期限结构。

（1）“释压减负”机制

随着国内资本市场的日益完善，企业依靠外部

资金进行前瞻性投资和规模化运作成为常态。选择

负债经营，既能满足企业资金紧缺需求和弥补权益

融资劣势，又能在短时间内扩大企业经营规模和提

升企业经营效率[32]

。然而，不合理的债务规模和结

构容易使企业面临资金流动性枯竭困境，进而引发

财务风险，甚至会导致破产倒闭[4]

。因此，如何适时

衡量长短期借贷成本，确定合理的负债结构至关重

要。央行运用MLF等投放低成本资金，同时确保合

适的中长期优质企业债券以充当质押品，这为企业

提供了一种低成本融资渠道。由于央行接受纳入合

格担保品范围内的中长期企业债券的质押，且具有

稀缺化，相当于运用政府权威对这类优质资产进行

信用增级。企业为利用央行担保品框架扩容的政策

优势来获取低成本融资，极有可能通过发行更多中

长期优质企业债券，适当地提升长期借款的配置比

率，充分增加对长期杠杆的重视程度，以此进行负债

端“释压减负”，进而降低企业债务违约的风险，提升

企业治理效能。

（2）“择优增益”机制

债务期限结构调整关乎企业治理效能，如何适

时选择增持长期借款或短期借款对企业而言意义重

大。企业在追求高额投资回报率的同时，理应注重

通过调整债务期限结构等方式来降低债务成本。申

广军等[1]

认为，具有盈收优势的企业有降低外源融

资成本的动机及能力，特别是对于存在较高成本的

中长期借贷。相关企业在企业治理过程中具有“择

优增益”的能力，即“选择优势融资以降成本、增强效

益经营以促发展”的能力，且相关企业对政策的敏锐

程度也有助于改善企业负债水平。央行扩容担保品

框架的政策规定，央行可将中长期企业优质债券等

作为质押品，利用中期借贷便利等方式为市场投放

06

基础货币，为企业提供了低成本融资渠道[7]

。一般

而言，高收益企业在接收央行政策信息之后，更有能

力采取提质持有资产和延长债务存续期等措施来达

到央行质押要求。且通过发行中长期优质企业债券

的方式调整资产负债表，也能进一步降低“短钱长

用”的可能性，合理防控企业财务危机。

图1 作用机制分析

H2：央行担保品框架扩容通过“释压减负”和

“择优增益”两个机制，促进企业债务期限结构发生

调整，企业进一步增加长期借款占比。

3.央行担保品框架扩容与企业债务期限结构：

企业所有制异质性

国企具备强大的投融资能力，并且能够通过信

息成本优势获得巨额投资，这与民企有着极大的不

同[33，34]

。国企以政府信用作担保，其抗风险能力较

强。央行通过扩大合格担保品范围，不仅能够提升

企业债券的质量和信誉，还能减轻债务人的负担。

因此，央行担保品框架扩容和政府信用背书所起的

功能是相似的，都能够有效地为企业进行增信，进一

步缓解其债务负担。相比之下，央行担保品政策为

国企带来的增信作用是不如民企高的。因此，受单

一央行政策影响，国企调整自身债务期限结构的动

机不如民企明显。基于此，本文提出研究假设：

H3a：相对于民企，国企受央行担保品框架扩容

的影响较小，因此其债务期限结构的调整也相对较

为缓慢。

进一步分析，中央国企在偿债能力、地位功能等

方面会在一定层面上区别于地方国企。一方面，中

央国企通常具有更大的资产规模，其偿债能力也更

加强大。从债券吸引力的角度分析，这是因为中央

国企债券所能得到的政府隐性担保作用更强，能够

吸引大众更多地持有相关债券[35]

。而且，中央国企

在债务融资方面更具信息成本优势，央行担保品框

架对中央国企的影响较弱，不如地方国企明显。另

一方面，中央国企受中央政府直接管理，其受到更多

政策因素的影响，而单一央行政策作用效果被稀

释。因此，相比于地方国企，单一央行政策对中央国

企产生的影响较小。基于此，本文提出研究假设：

H3b：相对于地方国企，中央国企受央行担保品

框架扩容的影响较小，因此其债务期限结构的调整

也相对较为缓慢。

4.央行担保品框架扩容与企业债务期限结构：

银行流动性异质性

企业的外源融资大多来源于银行体系，央行和

商业银行分别作为间接和直接债权人来为企业提供

流动资金。一方面，央行利用货币政策来变动货币供

应量，以此对总需求进行调节，维持金融市场的稳定。

由于央行担保品框架扩容在驱动市场流动性方面与

实施传统扩张性货币政策存在一定的替代性[6]

，因

此在扩张性货币政策的实施背景下，央行担保品框

架扩容对促进企业债务期限结构调整的作用效果会

下降。另一方面，商业银行同业借贷成本降低，表明

金融市场货币流动性充裕，对降低实体企业融资成

本具有积极作用[36]

。这与央行担保品框架扩容为企

业创造融资便利方面具有共通之处。因此，一旦银

行同业借贷成本降低，央行担保品框架扩容对促进

企业债务期限结构调整的作用效果也会下降。且商

业银行作为企业的直接债权人，相比于央行，其流动

性宽松对企业债务期限结构调整的影响更为直接。

基于上述分析，本文提出研究假设：

H4：在央行和商业银行流动性宽松的环境下，

央行担保品框架扩容对企业债务期限结构调整的作

用减弱，尤其是在商业银行流动性宽松的情况下，央

行担保品框架扩容的影响更为弱化。

三、样本数据与模型设定

（一）样本选取和数据说明

2013年初，我国央行首次推出了担保品框架扩

容政策。这一举措有助于提升被纳入覆盖范围的金

货币政策研究 Research on Monetary Policy

07

2023年第8期 WUHAN

FINANCE

融机构债务的资信水准，从而极大地优化了企业债

务预算调整方式。为了更好地验证这一政策的效

果，本文选取 2006—2017 年 AAA 级债券发行企业

作为研究对象①，以探究该央行政策对企业债务期限

结构的影响。

本文引入了债券发行期限、城投债、跨市场、担

保等债券信息，企业信用、所有制属性、规模、盈利、

资产负债率等企业信息，以及经济发展和货币政策

的相关信息。之后，取所有连续型变量在1%~99%

之间的数据，以避免尾部非常规数据对结果造成的

不利影响。经过认真筛选，本文剔除了长短期借款、

债务期限结构、企业评级情况、所有制属性、资产规

模、盈利、资产负债率等重要变量缺失的数据，最终

得出所属11 个行业的1310 个企业，共5420个观测

值的非平衡面板数据。本文所涉及的债券和企业信

息均来自Wind数据库，而央行官网提供的银行流动

性数据则为本文提供了重要的参考依据。表1给出

了变量定义与说明。

（二）模型设定

受央行相关政策影响，高信用评级债券和一些

优质资产更能得到市场的关注。本文将AAA 级中

长期债券的发行企业作为研究对象，采用双重差分

模型（DID）来评估央行担保品框架扩容对企业长短

期借款规模的影响，并建立回归模型（1）和（2）如下：

Ldebti,j,t = α0 + α1DLi,j × DTt + α2DLi,j + α3DTt +

α4Controli,j,t + μi,j + δt + εi,j,t

（1）

Sdebti,j,t = β0 + β1DLi,j × DTt + β2DLi,j + β3DTt +

β4Controli,j,t + μi,j + δt + εi,j,t

（2）

其中，被解释变量 Ldebti,j,t 表示企业长期借款，

Sdebti,j,t 表示企业短期借款。 DLi,j 为债券是否为合

格担保品范围的 AAA 级债券。其中，DLi,j =1 为处

理组，表示债券评级为AAA级的企业债券；DLi,j =0

为对照组，表示债券评级为非AAA级的企业债券。

DTi,j 为央行担保品框架首次扩容时间，若交易年份

在 2013 年之后，则取 1，否则取 0。核心解释变量

DLi,j × DTt 的系数 α1 和 β1 分别反映 2013 年之后

AAA 级债券发行企业的长期借款和短期借款相对

于其他企业所产生的影响。当然，仅关注央行担保

品框架扩容对企业长期借款和短期借款的影响，并

非本文研究所要达到的最终目的，为了进一步探究

央行担保品框架扩容对企业债务期限结构产生的冲

击，结合现有数据并参考吴虹仪等[37]

的做法，本文引

入 Maturity1i,j,t 和 Maturity2i,j,t 作为企业债务期限结

构的代理变量，建立回归模型（3）和（4）如下：

Maturity1i,j,t = a0 + a1DLi,j × DTt + a2DLi,j +

a3DTt + a4Controli,j,t + μi,j +

δt + εi,j,t

（3）

Maturity2i,j,t = b0 + b1DLi,j × DTt + b2DLi,j +

b3DTt + b4Controli,j,t + μi,j +

δt + εi,j,t

（4）

其中，Maturity1i,j,t 表示企业长期借款与企业短

期借款的比值，Maturity2i,j,t 表示企业长期借款与企

业总负债的比值。若核心解释变量 DLi,j × DTt 对

Maturity1i,j,t 和 Maturity2i,j,t 产生了正向影响，则说明

在央行实施合格担保品框架之后，企业更加偏好于

进行长期融资，其债务期限会逐渐向更长期的方向

进行调整。在回归模型（1）至（4）中，α0 、β0 、a0 和

表1 变量定义与说明

类别

被解释

变量

解释

变量

控制

变量

变量

长期借款

短期借款

债务期限结构

纳入央行担保品

框架的优质债券

债券是否优质

央行担保品框架

首次扩容时间

发行期限

城投债

跨市场

有担保

企业评级

资产规模

资产收益率

资产负债率

营业收入

国企

财政收支比

房地产投资占比

就业占比

符号

Ldebt

Sdebt

Maturity1

Maturity2

DL×DT

DL

DT

Period

CityD

Market

Guarantee

Rating

Asset

ROA

LEV

Income

SOE

Fiscalratio

REIGDP

Employee

定义或说明

企业长期借款加1取对数

企业短期借款加1取对数

企业长期借款与企业短期借款的比值

加1取对数

企业长期借款与企业总负债的比值加1

取对数

交易年份在2013年之后，且债券评级

是AAA级，则取1；否则取0

若债券评级为AAA级，则取1；否则取0

交易年份在2013年之后，则取1；否则

取0

债券计息日到偿还本息日的时间

若债券为城投债，则取1；否则取0

若债券跨市场，则取1；否则取0

若债券有担保，则取1；否则取 0

企业评级是一种评价企业资信的重要

指标，它将企业或市场经济参与者的资

信状况划定为三等九级，即：AAA、AA、

A、BBB、BB、B、CCC、CC、C，以此来反映

企业的经营状况和发展情况

企业总资产加1取对数

税后净利润/总资产

总资产/总负债

营业收入加1取对数

若为国企，则取1；否则取0

财政收入/财政支出

房地产投资/地方GDP

职工人数/年末总人数

08

b0 表示常数项，模型还加入了表示月度、省份、行业

固定效应的衡量指标，其中，μi,j 为个体效应，δt 为

时间效应，εi,j,t 为随机误差项。 Controli,j,t 代表控制

变量，主要包括：

1.债券基本信息：发行期限（Period）、是否城投

债（CityD）、是否跨市场（Market）、是否有担保（Guar‐

antee）。

2.企业基本信息：企业评级（Rating）、资产规模

（Asset）、资产收益率（ROA）、资产负债率（LEV）、营

业收入（Income）、是否为国企（SOE）。

3.地方经济信息：财政收支比（Fiscalratio）、房地

产投资占比（REIGDP）、就业占比（Employee）。

表2列出了主要变量的描述性统计。样本企业

长期借款（Ldebt）均值为 22.220，中位数为 22.268，

两个数值很接近，比较符合正态分布。企业长期借

款与短期借款的比值（Maturity1）均值为1.479，说明

样本期内企业普遍更偏好于长期借款。核心解释变

量 DL×DT 均值为 0.251，说明样本期内受央行担保

品框架扩容政策影响的企业占比约为25%。

表2 主要变量描述性统计

变量

Ldebt

Sdebt

Maturity1

Maturity2

DL×DT

DL

DT

Period

CityD

Market

Guarantee

Rating

Asset

ROA

LEV

Income

SOE

Fiscalratio

REIGDP

Employee

样本量

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

5420

均值

22.220

21.525

1.479

0.203

0.251

0.350

0.739

5.427

0.485

0.279

0.163

5.336

24.703

1.965

60.397

22.774

0.923

0.677

0.050

0.347

标准差

1.903

2.027

1.290

0.140

0.434

0.477

0.439

2.368

0.500

0.449

0.369

1.292

1.281

1.887

14.162

1.988

0.267

0.188

0.015

0.175

最小值

16.678

16.455

0.004

0.001

0.000

0.000

0.000

0.181

0.000

0.000

0.000

2.000

22.437

-1.078

24.381

19.140

0.000

0.263

0.016

0.146

中位数

22.268

21.673

1.154

0.188

0.000

0.000

1.000

5.000

0.000

0.000

0.000

5.000

24.508

1.443

61.901

22.638

1.000

0.745

0.054

0.314

最大值

26.164

26.308

5.416

0.524

1.000

1.000

1.000

20.000

1.000

1.000

1.000

8.000

29.035

8.653

94.924

27.624

1.000

0.931

0.087

0.749

四、实证结果分析

（一）基准回归结果

表 3（1）列结果显示，DL×DT 的系数在 1%水平

上显著为正，说明当央行担保品框架首次扩容后，

AAA 级债券的所在发行企业会扩大其长期借款规

模，相比于政策未实施前增加了0.367%，说明企业

更加偏好于开展长期融资。（2）列结果显示，DL×DT

表3 基础回归结果

变量

DL×DT

DL

DT

Period

CityD

Market

Guarantee

Rating

Asset

ROA

LEV

Income

SOE

Fiscalratio

REIGDP

Employee

时间&省份&行业

固定效应

常数项

观测值

R²

（1）

Ldebt

0.367***

(4.77)

0.252***

(3.11)

-2.265***

(-3.53)

0.100***

(11.84)

0.100*

(1.92)

-0.143***

(-3.16)

-0.230***

(-4.69)

-0.106***

(-4.98)

1.087***

(41.86)

-0.093***

(-9.19)

0.019***

(13.67)

-0.106***

(-5.44)

-0.499***

(-7.69)

-0.336

(-0.93)

-5.981*

(-1.90)

0.066

(0.12)

控制

20.589***

(23.24)

5420

0.422

（2）

Sdebt

-0.091

(-1.16)

0.438***

(5.31)

0.442

(0.68)

0.017*

(1.95)

-0.248***

(-4.67)

-0.170***

(-3.70)

-0.240***

(-4.80)

-0.091***

(-4.20)

0.507***

(19.21)

-0.087***

(-8.50)

0.025***

(17.72)

0.298***

(14.96)

-0.085

(-1.28)

-1.382***

(-3.75)

5.056

(1.58)

-1.431**

(-2.55)

控制

-2.104**

(-2.39)

5420

0.702

（3）

Maturity1

0.293***

(3.99)

-0.152*

(-1.95)

-0.866

(-1.41)

0.044***

(5.45)

0.373***

(7.48)

0.019

(0.44)

0.045

(0.96)

-0.017

(-0.82)

0.443***

(17.82)

0.016

(1.64)

-0.003*

(-1.95)

-0.311***

(-16.63)

-0.151**

(-2.43)

1.002***

(2.89)

-8.865***

(-2.94)

1.356**

(2.57)

控制

21.167***

(23.60)

5420

0.478

（4）

Maturity2

0.039***

(4.87)

0.001

(0.11)

-0.278***

(-4.19)

0.008***

(9.62)

0.018***

(3.31)

-0.016***

(-3.41)

-0.014***

(-2.68)

-0.004*

(-1.70)

0.039***

(14.66)

-0.007***

(-6.95)

0.001***

(8.56)

-0.034***

(-16.76)

-0.030***

(-4.39)

0.014

(0.38)

-1.802***

(-5.50)

0.035

(0.60)

控制

3.710***

(4.15)

5420

0.728

注：***、**、*分别表示1%、5%、10%的显著性水平；括号内是稳健

标准误。下表同。

货币政策研究 Research on Monetary Policy

09

2023年第8期 WUHAN

FINANCE

的系数不显著，说明央行担保品框架首次扩容并未

促进相关企业扩大其短期借款规模。

进一步探究央行担保品框架扩容之后企业债务

期限结构的变化。（3）和（4）列的结果显示，DL×DT

的系数为正且显著，说明央行担保品框架的扩容会

促使企业的债务期限结构发生变化，而且是朝着增

加长期借款的方向进行调整，也说明企业为了能通

过央行担保品政策的增信作用来降低成本，将会更

偏向于发行中长期债券来进行融资。该结果验证了

研究假设H1。

（二）“释压减负”和“择优增益”机制

经过前文的理论分析，企业可能会基于“释压减

负”和“择优增益”的动机，从而对自身债务期限结构

进行调整。因此，本文将对这两种机制进行深入研

究，以期更好地理解央行担保品框架扩容政策对企

业所造成的影响。

1“. 释压减负”机制

本部分对负债规模（Debt）最大的1/4部分取1，

其余的取 0。以此为基础，借鉴黄振等[6]

的分析思

路，在模型（3）和（4）中引入 DL×DT×Debt，对“释压

减负”机制进行验证。表4（1）和（2）列的结果显示，

DL×DT和DL×DT×Debt 的系数均显著为正，说明央

行担保品框架扩容对企业债务期限结构的影响在不

同负债规模的组间存在显著差异。若企业存在较高

的债务水平，央行担保品框架扩容会对其债务期限

调整产生更大的影响。这意味着，央行担保品框架

扩容会通过对企业债务的“释压减负”从而促使企业

增加长期借款，而较高的长期借款占比能够增加在

央行担保品框架扩容政策下企业债券被纳入合格担

保品范围的可能性，最终促使企业降低融资成本。

然而，Debt 的系数显著为负，说明负债规模大的企

业更少地持有长期借款，可能的解释是短期借款具

有“自我清偿性”，其流动性更好、变现能力更强，企

业利用短期借款能够防止资金链断裂，以缓解债务

危机[32]

。央行担保品框架扩容能够激励此类企业更

多地持有长期借款，以此缓解财务困境。至此，央行

担保品框架扩容通过为企业“释压减负”进而影响企

业债务期限结构的机制得到证实。

2“. 择优增益”机制

本部分对净资产收益率（ROE）最大的1/4部分

取1，其余的取0。以此为基础，在模型（3）和（4）中

引入 DL×DT×ROE。表 4（3）和（4）列的结果显示，

DL×DT的系数仍显著为正，而DL×DT×ROE的系数

也显著为正，说明央行担保品框架扩容对企业债务

期限结构的影响在净资产收益率不同的组间存在显

著差异。企业的净资产收益率更高，央行担保品框

架扩容对其债务期限结构产生更大的影响。这是因

为，高收益企业资金充裕、拥有更多选择权，其为了

能够可持续经营，更有可能选择通过延长债务期限

以降低成本，增强税盾保护，同时避免了“短钱长用”

所产生的债务风险[12]

。ROE的系数显著为负，可能

是因为企业更多利用短期借款所获得的“快钱”投资

高收益项目，但这并不利于企业的风险管理[38]

。央

行担保品框架扩容能够激励此类企业更多地持有长

期借款，以此增强企业管理效益。至此，央行担保品

框架扩容通过为企业“择优增益”进而影响企业债务

期限结构的机制得到证实。

（三）异质性分析

1.不同所有制企业的异质性

本部分旨在探究央行担保品框架扩容对各种所

有制企业债务期限结构构成的影响，为此构建了一

个虚拟变量 SOE。其中，国企取 1，民企取 0。并将

其与回归模型（3）和（4）相结合，以 DL×DT×SOE 交

互项的形式，对各种所有制企业债务期限结构受央

行合格担保品框架扩容的影响程度进行了验证。表

5（1）列显示，央行担保品框架扩容政策促进了国企

表4 “释压减负”和“择优增益”机制

变量

DL×DT

DL×DT×Debt

Debt

DL×DT×ROE

ROE

DL&DT

控制变量

时间&省份&行业

固定效应

常数项

观测值

R²

（1）

“释压减负”

Maturity1

0.197**

(2.23)

0.164**

(1.99)

-0.150**

(-2.16)

控制

控制

控制

-4.477***

(-4.98)

5420

0.406

（2）

Maturity2

0.023**

(2.41)

0.027***

(3.03)

-0.030***

(-4.00)

控制

控制

控制

-0.025

(-0.25)

5420

0.410

（3）

“择优增益”

Maturity1

0.217***

(2.82)

0.260***

(3.40)

-0.121**

(-2.01)

控制

控制

控制

-3.989***

(-4.74)

5420

0.407

（4）

Maturity2

0.030***

(3.58)

0.025***

(3.08)

-0.030***

(-4.58)

控制

控制

控制

0.080

(0.88)

5420

0.411

10

和民企调整自身的债务期限结构，并通过增加长期

借款来达到降低成本的作用。具体来说，受央行担

保品框架扩容政策的影响，国企增加了长期借款规

模，而民企增加长期借款规模达0.591%，增加程度

相当于国企的三倍多。尽管（2）列的 DL×DT×SOE

交互项系数不显著，但系数还是负相关的，仍能说明

国企受政策影响的效果不如民企。

国企因其具有地位重要、规模巨大等特征，政府

更容易出于“稳经济、促就业、保民生”的目的而对其

加以扶持。这就促使国企加强资信水平管理，具备

比民企更宽松的融资限制[39]

，从而更有能力发行

AAA级优质债券。而民企缺乏这些禀赋优势，在央

行担保品框架扩容之后，民企更能吸收央行提供的

相关政策福利。这不仅有助于民企调整负债内部结

构，还可以大大降低其融资成本，从而有效地扶持民

企的发展。该结果验证了研究假设H3a。

为了验证央行担保品框架对两种不同类型国企

之间的影响差异，在原有模型（3）和（4）中加入了

DL×DT×ZYSOE和DL×DT×DFSOE两个交互项，以对

比中央国企（ZYSOE）和地方国企（DFSOE）债务期

限结构受该央行政策影响的程度。表 5（3）列结果

显示，当加入控制变量时，交互项DL×DT×ZYSOE和

DL×DT×DFSOE对长期借款与短期借款比值的系数

显著为负，说明央行担保品框架对国企债务期限结

构调整的作用较小。再次验证了研究假设H3a。当

企业为中央国企时，央行担保品框架显著增加相关

企业长期借款规模0.157%（0.591%-0.434%）；当企

业为地方国企时，其增加作用为 0.167%（0.591%-

0.424%）。由此表明相对于中央国企，央行担保品

框架对地方国企调整债务期限结构的作用更大。证

实了研究假设H3b。

更进一步地，考虑央行担保品框架扩容对企业

长期借款与总负债比值之间的关系。表 5（4）列结

果显示，交互项DL×DT×ZYSOE的系数显著为负，交

互项DL×DT×DFSOE的系数不显著。由此表明相对

于中央国企，央行担保品框架扩容对地方国企调整

债务期限结构的作用更大。

2.银行流动性异质性

本文采用广义货币供应量增速（M2_growth）作

为央行传统货币政策的衡量指标，以此来评估央行

的通胀效应。当 M2_growth 越大时，说明货币政策

的扩张程度越高，央行对市场释放更多流动性。同

时，本文参考李双建等[40]

的做法，选择7天银行间同

业拆借利率（IBO7）作为商业银行流动性的衡量工

具，且将IBO7代入模型。当IBO7越低时，表明银行

间借贷成本低，银行资金流动速度快、成本低，进入

市场的资金增加，政策效果直接传导至企业，可以降

低企业的融资成本。

基于模型（3）和（4），本部分研究通过引入双重

差分变量与M2_growth或IBO7的交互项，并且对M2

或IBO7变量进行控制，以探究不同银行流动性水平

下企业债务期限结构受央行相关政策的影响。表6

（1）和（2）列结果显示，DL×DT×M2_growth与企业债

务期限结构的关系显著为负，表明随着 M2_growth

的增加，央行担保品框架扩容政策可以对传统货币

政策产生一定的调整作用，但是对于促进债务期限

结构朝着长期方向调整的影响可能会被部分抵消。

表 6（3）和（4）列结果显示，主要解释变量 DL×DT×

IBO7与企业债务期限结构的关系显著为负，说明当

银行间处于低拆借利率时，即市场流动性充足的情

况下，央行担保品框架扩容对于企业调整债务期限

结构的作用下降了。更进一步地，对比（1）和（3）列

及（2）和（4）列可以看出，（3）列的交互项系数相当于

（1）列的近5倍，（4）列的交互项系数相当于（2）列的

2 倍多。说明相对于央行，商业银行对企业调整债

务期限结构的影响更为直接，其政策效果更加明

显。该结果验证了研究假设H4。

表5 不同所有制企业的异质性

变量

DL×DT

DL×DT×SOE

DL×DT×ZYSOE

DL×DT×DFSOE

SOE

DL&DT

控制变量

时间&省份&行业

固定效应

常数项

观测值

R²

（1）

Maturity1

0.651***

(4.47)

-0.486***

(-3.35)

控制

控制

控制

控制

-3.762***

(-4.46)

5420

0.396

（2）

Maturity2

0.048***

(3.05)

-0.005

(-0.31)

控制

控制

控制

控制

0.117

(1.28)

5420

0.396

（3）

Maturity1

0.591***

(4.08)

-0.434***

(-2.82)

-0.424***

(-2.93)

控制

控制

控制

控制

-3.876***

(-4.63)

5420

0.406

（4）

Maturity2

0.044***

(2.69)

-0.040**

(-2.29)

-0.009

(-0.53)

控制

控制

控制

控制

0.069

(0.73)

5420

0.362

货币政策研究 Research on Monetary Policy

11

2023年第8期 WUHAN

FINANCE

（四）稳健性检验

1.平行趋势检验

根据图2显示，在央行政策实施前2期，处理组

的长期借款规模无显著增长趋势，但是随着政策的

深入，两组之间存在显著差异，这一结果为双重差分

模型（DID）的设立提供了有力的支持。根据图3显

示，在央行政策实施前2期，两组之间的债务期限结

构没有显著差异，但是在政策实施后2和4期发生变

化，符合DID模型的平行趋势假设。

图2 对企业长期借款影响的平行趋势检验

图3 对企业债务期限结构影响的平行趋势检验

2.样本时间区间调整

为了确保回归结果准确，首先，本文将截止时间

扩充到2018年5月，这样不仅可以丰富取样信息，而

且避免了 2018 年 6 月起央行担保品框架纳入 AA+

级和 AA 级企业债券的情况，有效地消除了多重经

济政策措施所带来的干扰。其次，基于曹春方等[41]

的研究，在前面样本的基础上②，剔除了2013年政策

实施当年的数据，以减小可能出现的误差。根据表

7（1）和（2）列显示，DL×DT 与企业债务期限结构的

关系显著为正，说明本文结论不会改变。

3.安慰剂检验

本文采用虚拟央行担保品框架扩容政策的时间

作为安慰剂，以验证企业债务期限结构是否仍然具

有向长期调整的效果，若未能观察到显著变化，则表

明基础回归结果是可靠的。在其他条件保持不变的

情况下，本部分参考王永钦等[5]

、吴虹仪等[37]

将政策

时间前置的做法，把2011年设定为虚拟政策冲击的

时间。根据表 7（3）和（4）列显示，在加入控制变量

之后，DL×DT 的系数结果不显著，说明基础回归结

果不是由2011年的某些政策所产生的作用，不会促

使企业债务期限结构发生调整，也说明前文政策时

间的选取具有合理性。

4.考虑变量与时间趋势的结合

结合 Li 等[42]

的研究，引入控制变量×year 交互

项。根据表 7（5）和（6）列显示，央行实施相关政策

还是能够促进企业将债务期限结构朝着长期发展方

向调整，说明不会改变之前的基本结论。

5.不同时变区域政策的影响

本文猜测缺失时变区域政策差异这个因素可能

会造成遗漏变量问题。在模型（3）和（4）的基础上，

本部分借鉴张少华等[43]

的做法，将样本分为东、西、

中和东北四大地区，用 Region 表示，并构建交互项

Region×year。根据表 7（7）和（8）列显示，即使加入

新变量，也不会改变原有的回归结果，因此其无法构

成遗漏变量。

五、结论与启示

以担保品为条件的新型货币政策工具是我国现

有货币投放的主要方式，其能否促进企业产业结构

升级是成为近年来各界热议的重点。本文旨在探讨

央行担保品框架扩容对企业债务期限结构的影响，

采用双重差分法对发行纳入合格担保品范围的优质

表6 银行流动性的异质性

变量

DL×DT

DL×DT×M2_growth

M2_growth

DL×DT×IBO7

IBO7

DL&DT

控制变量

时间&省份&行业

固定效应

常数项

观测值

R²

（1）

M2

Maturity1

0.721***

(3.34)

-0.036**

(-2.11)

0.023

(0.13)

控制

控制

控制

-4.355

(-1.31)

5420

0.406

（2）

Maturity2

0.118***

(5.03)

-0.007***

(-3.59)

0.009

(0.51)

控制

控制

控制

-0.080

(-0.22)

5420

0.410

（3）

IBO7

Maturity1

0.343***

(4.48)

-0.178**

(-2.31)

1.439***

(8.42)

控制

控制

控制

-5.323***

(-6.23)

5420

0.406

（4）

Maturity2

0.043***

(5.19)

-0.015*

(-1.81)

0.156***

(8.44)

控制

控制

控制

-0.057

(-0.62)

5420

0.409

12

表7 稳健性检验

变量

DL×DT

DL&DT

控制变量

控制变量

×year

Region

×year

时间&省

份&行业

固定效应

常数项

观测值

R²

（1）

Maturity1

0.287***

(4.45)

控制

控制

控制

-1.742**

(-2.47)

8606

0.381

（2）

Maturity1

0.290***

(4.51)

控制

控制

控制

-1.606**

(-2.27)

8098

0.381

（3）

Maturity1

0.123

(0.18)

控制

控制

控制

-3.942***

(-4.66)

5420

0.404

（4）

Maturity2

0.020

(1.46)

控制

控制

控制

-0.046

(-0.66)

5420

0.383

（5）

Maturity1

0.281***

(3.06)

控制

控制

控制

控制

-6.825***

(-4.20)

5420

0.422

（6）

Maturity2

0.029***

(2.90)

控制

控制

控制

控制

-0.720***

(-4.14)

5420

0.439

（7）

Maturity1

0.269***

(3.59)

控制

控制

控制

控制

-4.319***

(-3.42)

5420

0.406

（8）

Maturity2

0.035***

(4.37)

控制

控制

控制

控制

-0.148

(-1.08)

5420

0.410

中长期债券的企业进行研究。本文结论主要包括：

第一，央行担保品框架扩容显著影响了企业债务期

限结构，有利于缓解我国企业“短钱长用”行为，进而

降低企业债务违约问题。第二，央行担保品框架扩

容是通过企业“释压减负”和“择优增益”两个机制，

以此促使企业调整债务期限结构。第三，央行担保

品框架扩容对国企的影响比民企小，且对中央国企

的影响比地方国企更小。第四，在央行和商业银行

流动性宽松的环境下，央行担保品框架扩容对企业

债务期限结构作用减弱，尤其是商业银行流动性宽

松的情况下，该央行政策的影响则更为弱化。

基于上述结论，本文得到如下政策启示：第一，

央行在调整央行担保品框架时需要关注其对企业债

务期限结构的影响。央行担保品框架不仅是我国新

型货币政策工具提供基础货币的依托，也是影响企

业融资成本与债务期限结构的重要因素，发挥着“定

向性”和“结构性”功能。第二，重视企业债务期限结

构调整对各类企业健康发展的影响。特别是对于那

些容易出现“短钱长用”问题的民企和部分地方国

企，如果由于负面的宏观经济环境而导致资金流入

不足，企业无法及时偿还大量到期债务，会使得其正

常的经营运作受到干扰，甚至危及企业生存。因此，

本文的研究在解决此类企业因偿债能力不足所引发

的“融资难、融资贵”问题上具有一定参考意义。第

三，要综合考虑央行担保品框架扩容与传统货币政

策之间的关系。在调节市场流动性方面，央行担保

品框架扩容与实施传统扩张性货币政策之间的替代

性将影响各政策的效果。在政策实

施时，要兼顾各政策的相互影响，统

筹新型货币政策与传统货币政策，注

重拓宽企业融资渠道与优化企业负

债内部结构调整，为推动经济高质量

发展创造适宜的货币金融环境。■

注 释

① 由于央行在2005年12月之后为新发债

券赋予买卖功能，因此以2006年作为样本

起始年份。而 2018 年 6 月，央行担保品框

架扩容了不低于AA级的中长期企业债券，

如果将AA级以上（含AA级）中长期债券所

在发行企业也作为研究对象，会导致严重

的样本选择偏差问题，故以2017年作为样

本截止年份。

② 在原始样本基础上，剔除2013年政策出

台当年的样本时间区间所做出的结果也是

显著为正。

[参考文献]

[1] 申广军，李靖禹，邹静娴.中国企业债务的期限结构：一些

典型事实[J].经济社会体制比较，2021（6）：89-101.

[2] ACHARYA V V，GALE D，YORULMAZER T. Rollover

Risk and Market Freezes[J]. Journal of Finance，2011，66（4）：

1177-1209.

[3] 赵延明，赫俊敏.债务期限错配、风险承担水平与企业投

资效率[J].经济问题，2021（10）：26-33.

[4] 杨玉龙，王曼前，许宇鹏.去杠杆、银企关系与企业债务结

构[J].财经研究，2020（9）：138-152.

[5] 王永钦，吴娴.中国创新型货币政策如何发挥作用：抵押

品渠道[J].经济研究，2019（12）：86-101.

[6] 黄振，郭晔.央行担保品框架、债券信用利差与企业融资

成本[J].经济研究，2021（1）：105-121.

[7] 邓伟，宋敏，陈雄兵.借贷便利影响了商业银行贷款期限

结构吗[J].财贸经济，2021（9）：83-96.

[8] BARNEA A，HAUGEN R A，SENBET L W. A Rationale

for Debt Maturity Structure and Call Provisions in the Agency

Theoretic Framework[J]. Journal of Finance，1980，35（5）：

1223-1234.

[9] JENSEN M C. Agency Costs of Free Cash Flow，Corporate

Finance，and Takeovers[J]. American Economic Review，1986，

76（2）：323-329.

[10] 张润宇，余明阳.社会资本、债务约束与非效率投资：基

于中国上市家族企业数据的分析[J].管理评论，2020（12）：

61-77.

[11] 李松，王玉峰.短期债务与股价特质波动[J].商业研究，

2021（2）：56-64.

[12] BRICK I E，RAVID S A. On the Relevance of Debt Matu‐

rity Structure[J]. Journal of Finance，1985，40（5）：1423-1438.

[13] 向古月，周先平，刘仁芳.经济政策不确定性、债务短期

化与财务脆弱性[J].统计与决策，2020（20）：131-135.

[14] 胡海峰，宋肖肖，张超.债务杠杆对企业全要素生产率的

货币政策研究 Research on Monetary Policy

13

2023年第8期 WUHAN

FINANCE

影响及作用机制：基于中介效应模型的分析[J].贵州财经大

学学报，2021（3）：62-73.

[15] NYBORG K G. Central Bank Collateral Frameworks[J].

Journal of Banking & Finance，2017，76（3）：198-214.

[16] ANDRADE P，CAHN C，FRAISSE H，et al. Can the Pro‐

vision of Long-Term Liquidity Help to Avoid a Credit Crunch?

Evidence from the Eurosystem's LTRO[J]. Journal of the Euro‐

pean Economic Association，2019，17（4）：1070-1106.

[17] CECIONI M，FERRERO G，SECCHI A. Unconventional

Monetary Policy in Theory and in Practice[R]. Questioni Di

Economia E Finanza（Occasional Papers），2011.

[18] 万冲，朱红.中国结构性货币政策的效果评估及优化思

路[J].学术论坛，2017（4）：83-91.

[19] 朱宁，陈宇森，许艺煊.新型货币政策工具操作能够稳定

资本市场吗?基于中国股指收益率的经验证据[J].系统工程，

2019（1）：86-100.

[20] CHRISTENSEN J H E，LOPEZ J A，RUDEBUSCH G D.

Do Central Bank Liquidity Facilities Affect Interbank Lending

Rates?[J]. Journal of Business & Economic Statistics，2014，32

（1）：136-151.

[21] BERGER A N，BLACK L K，BOUWMAN C H S，et al.

Bank Loan Supply Responses to Federal Reserve Emergency

Liquidity Facilities[J]. Journal of Financial Intermediation，

2017，32（10）：1-15.

[22] 孙国峰，段志明.中期政策利率传导机制研究：基于商业

银行两部门决策模型的分析[J].经济学（季刊），2017（1）：

349-370.

[23] 侯成琪，黄彤彤.影子银行、监管套利和宏观审慎政策

[J].经济研究，2020（7）：58-75.

[24] KOULISCHER F，STRUYVEN D. Central Bank Liquidity

Provision and Collateral Quality[J]. Journal of Banking & Fi‐

nance，2014，49（9）：113-130.

[25] 李小林，夏昌盛，司登奎.货币政策不确定性、债务期限

结构与企业现金持有[J].经济评论，2022（6）：114-131.

[26] 叶永卫，李佳轩，陶云清.经济政策不确定性与企业债务

期限结构[J].经济学报，2022（3）：32-59.

[27] ALMEIDA H，CAMPELLO M，LARANJEIRA B，et al.

Corporate Debt Maturity and the Real Effects of the 2007 Cred‐

it Crisis[J]. Critical Finance Review，2012，1（1）：3-58.

[28] DATTA S，MAI I，RAMAN K. Managerial Stock Owner‐

ship and the Maturity Structure of Corporate Debt[J]. The Jour‐

nal of Finance，2005，60（5）：2333-2350.

[29] 刘海明，李明明.货币政策对微观企业的经济效应再检

验：基于贷款期限结构视角的研究[J].经济研究，2020（2）：

117-132.

[30] HARFORD J，KLASA S，MAXWELL W F. Refinancing

Risk and Cash Holdings[J]. The Journal of Finance，2014，69

（3）：975-1012.

[31] 汪伟，张少辉《. 社会保险法》实施是否缓解了企业投融

资期限错配[J].财贸经济，2022（3）：34-49.

[32] 刘磊，王亚星，潘俊.经济政策不确定性、管理层治理与

企业债务融资决策[J].山西财经大学学报，2019（11）：83-97.

[33] 韩鹏飞，胡奕明.政府隐性担保一定能降低债券的融资

成本吗?关于国有企业和地方融资平台债券的实证研究[J].

金融研究，2015（3）：116-130.

[34] 李增福，陈俊杰，连玉君，等.经济政策不确定性与企业

短债长用[J].管理世界，2022（1）：77-89+143+90-101.

[35] 王博森，吕元稹，叶永新.政府隐性担保风险定价：基于

我国债券交易市场的探讨[J].经济研究，2016（10）：155-167.

[36] 王曦，金钊.同业市场摩擦、银行异质性与货币政策传导

[J].经济研究，2021（10）：56-71.

[37] 吴虹仪，殷德生.绿色信贷政策对企业债务融资的“赏”

与“罚”：基于准自然实验的效应评估[J].当代财经，2021

（2）：49-62.

[38] 刘海明，曹廷求.续贷限制对微观企业的经济效应研究

[J].经济研究，2018（4）：108-121.

[39] 罗长远，陈琳.FDI 是否能够缓解中国企业的融资约束

[J].世界经济，2011（4）：42-61.

[40] 李双建，田国强.银行竞争与货币政策银行风险承担渠

道：理论与实证[J].管理世界，2020（4）：149-168.

[41] 曹春方，张超.产权权利束分割与国企创新：基于中央企

业分红权激励改革的证据[J].管理世界，2020（9）：155-168.

[42] LI P，LU Y，WANG J. Does Flattening Government Im‐

prove Economic Performance? Evidence from China[J]. Journal

of Development Economics，2016，123（6）：18-37.

[43] 张少华，蒋伟杰.中国的产能过剩：程度测算与行业分布

[J].经济研究，2017（1）：89-102.

（责任编辑：DJ / 校对：XY）

14

摘 要：为应对疫情冲击，澳大利亚于 2020 年 3 月宣布采用盯住三年期国债收益率，正式实行收益率曲线控制政策。这一操作模式

曾被美联储看好，然而仅不到两年，澳联储就退出了收益率曲线控制政策。这主要是由于：其中长期国债收益率大幅抬升，中长期融资成

本和澳元币值承压明显，不利于经济复苏；永久性套利机会导致大量资金在金融体系内空转，损害了市场的价格发现功能；易对私人部门

形成挤出效应，央行为实现价格目标不得不膨胀资产负债表，导致财政赤字货币化并威胁央行独立性；通胀压力持续上升，收益率曲线控

制政策难以为继。作为危机应对政策手段，收益率曲线控制政策并不适用于中国。今后，在用好货币政策工具的同时，应尽快明确隔夜

利率操作目标和短端基准政策利率，始终坚持将物价稳定作为首要目标，加大汇率弹性，充分发挥其宏观经济和国际收支自动稳定器的

作用，改进货币政策透明度，完善与市场的沟通机制，更好地促进经济高质量发展和货币价格调控方式转型。

关键词：货币政策；收益率曲线控制；中期政策利率；货币价格调控

中图分类号：F832.5 文献标识码：A 文章编号：1009-3540（2023）08-0015-0008

■ 纪淼 李宏瑾

作者简介：纪淼（1981—），女，博士，中国信达资产管理股份有限公司，高级经济师； 李宏瑾（1978—），男，博士，中国人民银行研究局。

本文仅代表个人学术观点，与任何机构无关。

澳大利亚退出收益率曲线控制

政策的启示

一、引言

面对疫情冲击，澳大利亚储备银行（RBA）于

2020 年 3 月 19 日宣布采用收益率曲线控制（Yield

Curve Control，YCC）政策，将基准政策利率（资金目

标利率）降至0.25%，并将3年期国债收益率维持在

0.25%左右，成为继2016年9月日本银行之后，第二

个公开实行 YCC 政策的中央银行。早在 1942—

1951 年，美联储就实行过收益率曲线控制政策，但

并未对外宣布其盯住的长期收益率目标。1961—

1963年和2011—2012年，美联储还实行过扭曲操作

政策。但无论是明确的收益率曲线控制，还是扭曲

操作，都是在战争或经济危机背景下实施的，政策实

践总体上并不成功[1]

。日本实行控制收益率曲线的

QQE政策，主要是为了缓解国债流动性被过度挤占

和日本银行无债可买的困境[2]

。不过，纽约联储的

一项分析表明，尽管央行资产负债表增速明显放缓，

但从通胀角度来看，日本的YCC效果不佳[3]

。

由于危机后主要发达经济体复苏进程并不理

想，美联储前主席Bernanke和Yellen都曾建议，收益

率曲线控制政策可以成为央行新的工具选项。2020

年6月召开的美联储联邦公开市场委员会（FOMC）

会议纪要中指出，澳联储的收益率曲线控制模式是

前瞻性指引的有益补充，最适合当时的美国。不过，

几乎所有与会者也都表示，YCC政策的成本和收益

仍存在很多疑问。

与此同时，澳联储主席Lowe在2021年2月的年

度第一次议息会议首次明确了加息条件，即通胀持

续回升至2%~3%的目标区间，就业明显改善，劳动

力市场恢复紧张，工资强劲上涨（直至2021年10月

货币政策研究 Research on Monetary Policy

15

2023年第8期 WUHAN

FINANCE

澳联储历次议息会议都始终认为2024年前不会满

足这一条件）。Lowe进一步表明，将在2021年晚些

时候评估是否仍将盯住 2024 年 4 月—11 月到期的

国债收益率，暗示将调整收益率曲线政策。2021年

10月28日澳联储决定不再买入2024年4月的到期

国债，澳大利亚国债遭到市场抛售，国债价格大幅下

跌，特别是短期收益率迅速飙升，同年10月 29日 2

年期和3年期国债分别升至0.685%和1.17%的年内

高点，自同年9月30日以来分别累计上涨65个基点

和93个基点，创1994年以来的最大月度涨幅，因此

市场普遍预期澳联储将放弃YCC政策。2021年11

月2日，澳联储议息会议决定，鉴于其他市场利率已

随通胀率上升和失业率下降的可能性提高而发生变

动，收益率目标在压低澳大利亚总体利率结构方面

的有效性已经下降，因而放弃2024年4月到期国债

0.1%的目标，正式退出YCC政策。

2015年10月存款利率浮动限制基本放开后，中

国利率市场化已进入深化改革的攻坚阶段，市场化

利率在“形得成”和传导方面仍存在一定的障碍[4]

。

有研究认为，由于我国商业银行的金融市场业务和

存贷款业务存在分割，有必要探索通过中期政策利

率引导银行存贷款定价的方法[5]

。2019年贷款市场

报价利率（LPR）改革在完善市场化利率形成和传导

机制的同时，进一步强化了MLF中期政策利率的作

用，这实际上更接近于 YCC 政策。但是，我国仍未

明确市场化条件下国际通行的短端政策利率和隔夜

期限利率操作目标[6]

，金融市场短端利率波动较发

达国家更大，与市场化利率要求仍存在较大差距。

一度被看好的澳大利亚 YCC 政策实施不到两年就

不得不退出，其中的经验教训对我国深化利率市场

化改革和货币价格调控方式的现代化转型具有一定

的借鉴意义。

二、澳大利亚收益率曲线控制政策的主要背景

（一）2019年之前表现优秀的澳大利亚经济

在主要发达经济体中，澳大利亚的经济表现一

直非常突出。近三十年间，澳大利亚几乎没有出现

过经济衰退，即使是在面对全球金融危机冲击时，澳

大利亚经济增速也仅是小幅下降（见图1）。在应对

全球金融危机冲击时，澳联储并未采取如美英欧等

央行施行的超低（零）利率政策和量化宽松（QE）等

非常规货币政策。随着财政货币等刺激政策作用的

发挥以及国际大宗商品市场复苏，澳大利亚经济表

现明显好于其他发达经济体，并在2009年10月正式

加息，成为全球金融危机后首个加息的G20国家。

不过，受欧债危机、主要发达经济体复苏进程缓

慢等因素影响，澳大利亚不得不在2011年底开始持

续降息。但从2016年8月至2019年6月，澳联储的

基准政策利率仍保持在1.5%的较高水平。由于美

国特朗普政府上台后，全球经贸环境持续恶化、全球

经济增速放缓以及中美贸易摩擦加剧[7]

，2019 年澳

大利亚经济增速趋缓，澳联储从2019年6月至10月

分三次将资金利率目标累计下调75个基点。但是，

连续降息未能有力提振经济。2019年11月澳大利

亚制造业 PMI 由 10 月的 51.6 降至 48.1，这是自 6 月

份降息后 PMI 连续 4 个月位于景气区间后，再次跌

入荣枯线以下。

-8.0

-6.0

-4.0

-2.0

0.0

2.0

4.0

6.0

8.0

10.0

12.0

1992-03 1993-03 1994-03 1995-03 1996-03 1997-03 1998-03 1999-03 2000-03 2001-03 2002-03 2003-03 2004-03 2005-03 2006-03 2007-03 2008-03 2009-03 2010-03 2011-03 2012-03 2013-03 2014-03 2015-03 2016-03 2017-03 2018-03 2019-03 2020-03 2021-03

GDP同比增速 CPI 失业率 不良贷款率

图1 1992年一季度—2021年三季度澳大利亚

主要经济指标（单位：%）

注：失业率为各月平均值，不良贷款率数据来自IMF。

（二）疫情暴发前的澳大利亚经济状况和货币政策

由于货币政策传导存在一定时滞，2019年10月

以来，就业、居民收入和商品零售等指标仍表现良

好。澳联储在2019年末仍决定继续观察而不改变

货币政策立场。同时，为回应市场继续降息和转向

量化宽松政策的预期，2019 年 11 月 Lowe 基于美欧

等发达经济体 QE 政策的经验指出，尽管非常规货

币政策有效缓解了金融市场的紧张程度，但 QE 等

非常规货币政策的积极效果并不能令人信服，QE和

负利率政策改变了经济体系的激励机制，扭曲了银

行信贷配置，助推了僵尸企业蔓延，加剧了杠杆和资

产泡沫膨胀，降低了资源配置效率，模糊了货币政策

与财政政策的清晰界线，延缓了实体部门的结构性

改革。

16

全球金融危机以来，尽管与美欧等发达经济体

相似，澳大利亚的自然利率水平明显下降，但仍保持

在相对较高水平（见图2）。由于自然利率的持续下

降，美欧等央行无法将通胀预期有效锚定在2%的政

策目标水平[8]

，但澳联储并未面临这样的困境，其仍

存在较大的正常货币政策空间，无须像美欧那样调

整货币政策框架。因此，Lowe指出，澳联储不需要开

展量化宽松政策，只有当资金利率降至0.25%的超

低水平情况下，QE才将成为央行的一个政策选择。

图2 澳大利亚的自然利率水平及与主要发达经济体比较

资料来源：Ellis[9]

。

三、澳大利亚收益率曲线控制政策实践

（一）疫情应对的收益率曲线控制政策

与全球金融危机爆发前经济运行处于潜在产出

增速和通胀目标之上表现良好不同，澳大利亚经济

在疫情暴发前处于相对疲弱的状态[10]

。澳联储原本

预计2019年下半年的宽松货币政策能够刺激经济

增长，但疫情的严重性远超出预期。澳联储在2020

年2月的年度第一次议息会议仍乐观认为，自2018

年开始的全球经济放缓将趋于结束并会出现小幅反

弹。随着2020年2月末疫情在全球扩散，澳大利亚

陷入近三十年来的第一次经济衰退。为此，在2020

年3月3日的例行议息会议将基准政策利率下调25

个基点至0.5%之后，澳联储于同年3月18日召开特

别议息会议，并在次日宣布了应对疫情的一揽子货

币刺激方案：一是将资金利率目标下调至0.25%；二

是通过二级市场购买国债和州政府债券，将3年期

国债收益率目标设定在 0.25%左右，正式实行 YCC

政策；三是为银行体系设立900亿澳元的定期融资

计划，以更好地支持中小企业；四是将银行在澳联储

存款利率（利率走廊下限）设定为0.1%，这主要是由

于澳联储的利率走廊区间为±25个基点，为避免银

行体系流动性过剩甚至出现零利率情形，对其在澳

联储的结算资金进行一定的补偿。需要指出的是，

澳联储并未调整利率走廊上限，由此形成了非对称

的利率走廊。

与美日相比，澳大利亚的YCC政策实际上仅盯

住中期利率，利率目标期限更短[11]

。日本央行也仅

是在隔夜政策目标利率-0.1%的同时，将10年期国

债收益率维持在零附近。澳联储仅盯住3年期国债

收益率，主要有三方面考虑：一是3年期国债是澳大

利亚金融市场重要的交易品种。与美国10年期国

债的市场基准性作用类似，3年期国债收益率可以

有效影响经济活动的很多借贷利率水平。二是对基

准政策利率更好地进行前瞻性指引。根据利率期限

结构预期理论，长期利率相当于短期利率的加权平

均[12]

。因而，设定 3 年期国债收益率目标符合澳联

储的预期，也即基准政策利率将在当前水平维持至

少三年时间。三是更长期限的收益率影响因素更加

复杂，很大程度上超出了澳联储的能力范畴。澳联

储隐讳地指出，作为对国际市场依赖程度较高的小

型开放经济体，美国10年期国债收益率对澳元汇率

和10年期澳大利亚国债收益率有着非常显著的影

响[13]

。澳大利亚的长期国债收益率主要受全球因素

驱动，因此澳联储更倾向于认为更长期限的国债收

益率仍由市场决定。

（二）从收益率曲线控制到量化宽松政策

由于 Lowe 在 2019 年 11 月曾明确指出，资金利

率降至 0.25%是央行采用量化宽松的前提条件，因

而很多市场参与者都认为 YCC 政策实际上就是量

化宽松。但是，Lowe 在特别议息会议之后明确表

示，尽管为了实现3年期国债收益率目标，澳联储将

在二级市场上大量购买各种期限的高等级政府债

券，资产负债表将不可避免地膨胀，但澳联储的重点

并非数量目标，因此并未像美欧等其他央行那样设

定购债的具体数量和时间表，而是重点关注货币信

贷价格，通过降低基准利率水平为经济提供低成本

融资支持；澳联储将尽可能地开展任何数量的资产

购买，以更好地实现价格目标，但需要购买多少国

债，什么时候入场，将完全取决于市场条件和价格。

由此，澳联储明确排除了QE的可能。事实上，在特

别议息会议之前，澳联储副主席Debelle在对澳债券

市场操作的讨论中就指出，债券操作从价格的角度

货币政策研究 Research on Monetary Policy

17

2023年第8期 WUHAN

FINANCE

考虑比从数量的角度考虑更容易。可见，在疫情暴

发初期，澳联储对QE仍采取了坚决抵制的态度。

在疫情暴发后的金融动荡时期，澳联储进行了

包括州政府债券在内的大规模资产购买。随着刺激

政策的逐渐显现及疫情好转，澳大利亚经济在2020

年年中开始复苏反弹，三季度 GDP 环比增速高达

3.6%，金融市场功能也得到了有效恢复。从2020年

5月6日至8月5日约3个月期间，澳联储甚至未开

展购买长期债券的操作，但3年期国债收益率并未

明显偏离 0.25%的政策目标，澳联储资产负债表也

未快速扩张，这也是澳联储YCC方式获得美联储青

睐的重要原因。

从货币操作角度来看，尽管金融市场趋于平稳，

3年期国债收益率在0.25%目标附近波动，但澳联储

主要是通过购买更长期限国债来压低3年期国债收

益率，2020年8月之前购买的2024年4月到期国债

数量仅为17.8亿澳元。从货币决策角度来看，疫情

持续反复使得包括澳大利亚在内的各国经济不确定

性加大，澳大利亚失业率在2020年下半年始终高居

7%左右。为此，澳联储不得不再次依赖宽松货币政

策，2020 年 8 月开始恢复购买了共计 100 亿澳元的

中长期债券。尽管澳联储在 2020 年 9 月仅购买了

20亿澳元国债，但由于经济复苏不确定、不平衡加

剧，3年期国债收益率大多在0.25%目标之下。澳联

储在同年10月未进行国债购买。

正是在这一背景下，2020 年 11 月 3 日，澳联储

宣布了新一轮货币刺激政策，在将基准政策利率和

3年期国债收益率目标降至0.1%、银行存款利率（利

率走廊下限）降至0%的同时，不得不诉诸数量手段，

宣布债券购买计划（Bond Purchase Program），在未来

6个月购买总计1000亿澳元5年—10年期国债和州

政府债券（比例为 8∶2），正式采用量化宽松政策

（QE1）。2021 年 2 月年度第一次议息会议，澳联储

决定在当年4月QE1到期后，增加1000亿澳元中长

期债券购买额度（每周购买50亿澳元，QE2）。2021

年7月6日议息会议，澳联储决定在当年9月QE2到

期后，每周购买40亿澳元中长期债券直至11月中旬

（QE3）。2021年11月2日议息会议，澳联储决定取

消收益率曲线控制政策的同时，延长每周购买40亿

澳元中长期债券直至2022年2月中旬（QE4）。在连

续开展四轮量化宽松计划之后，2022 年 2 月 1 日澳

联储决定不再进行政府债券购买，正式退出量化宽

松政策。澳联储通过债券购买计划共购买了总计

2810亿澳元的政府债券。

四、澳大利亚收益率曲线控制政策面临的问

题和挑战

收益率曲线控制政策主要是着眼于价格目标，

而量化宽松政策主要是着眼于数量目标，以此来降

低中长期融资成本。因此，Lowe 在 2020 年 11 月实

施量化宽松政策后指出，澳联储将通过量价目标的

政策组合降低收益率曲线水平，以有效降低融资成

本和汇率水平，促进经济复苏，1000 亿澳元债券购

买计划与之前的YCC政策是分开的，任何为实现收

益率曲线目标而进行的债券购买将不包括在 1000

亿澳元的额度之中。但从实际情况来看，澳联储逐

渐将政策重心转向量化宽松。2021年6月末以来，3

年期国债收益率明显上升，9月末开始较0.1%的政

策目标始终高 10 个基点且利差持续扩大。尽管

2021年10月22日澳联储不得不再次购买10亿澳元

2024年到期国债，但仍无法扭转市场利率持续上升

的势头，最终不得不放弃YCC。其面临的问题和挑

战值得深刻反思。

一是中长期国债收益率大幅抬升，中长期融资

成本和澳元币值承压明显，不利于经济复苏。虽然

澳央行直接压低了3年以内国债收益率，但为满足

更高的投资收益，市场决定的更长期限国债收益率

上升明显，收益率曲线更加陡峭。2018年下半年以

来，澳大利亚10年国债收益率与3年国债收益率利

差均稳定在60个基点以下，但2020年3月开始，由

于3年期国债收益率被人为锁定，中长期国债收益

率迅速上升，10年期国债收益率与3年期国债收益

率利差明显扩大，较年初至少高20个基点。中长期

国债收益率居高不下，不利于降低经济的整体融资

成本。而且，疫情以来，尽管澳大利亚收益率曲线短

端与美欧等主要发达经济体类似，均降至超低（零）

利率水平，但长期国债收益率要高于其他国家，这增

加了澳元资产的吸引力，给澳元汇率带来了明显的

上行压力。特别是，在美元名义有效汇率指数达到

有数据以来最高的 2020 年 4 月（BIS 数据），澳元兑

美元汇率仍呈明显升值态势。很多国际投资者纷纷

转向与澳经济结构和汇率风险相似的新西兰，这不

利于澳大利亚的经济复苏（见图3）。正是在这样的

背景下，澳大利亚才不得不转向QE，通过资产负债

18

表扩张来压低中长期融资成本和汇率水平。

图3 澳大利亚10年期与3年期国债利差及与美元

汇率情况（单位：%，美元/澳元）

二是永久性套利机会导致大量资金在金融体系

内空转，损害了市场的价格发现功能。尽管YCC以

价格作为操作目标，但实际上暗示着央行必须稳定

不同期限收益率的波动，以确保更好地实现价格目

标，这扭曲了不同期限收益率风险收益状况，从而形

成了永久性套利机会。金融市场投资者可以借入大

量短期低成本资金，持续投资于收益率更高的长期

债券，通过滚动套息策略可以持续获得无风险收益，

收益率曲线越陡峭，持续无风险套利收益越大。特

别是，政府为刺激经济大量发展国债，进一步加大了

收益率曲线的斜率和无风险套利机会。由于存在着

永久的无风险套利机会，金融市场行为和市场定价

行为被人为扭曲，致使大量资金在金融体系空转而

未真正流入实体经济。事实上，早在1942—1951年

美国未公开宣布的收益率曲线控制时期，市场参与

者很快就理解了美联储的操作策略，这对美联储的

政策操作带来了很大的压力[14，15]

。类似地，针对日

本收益率曲线控制政策的研究表明，日本银行的

YCC 政策给金融机构创造了可以持续利用的套利

机会，这相当于日本银行对金融机构的财富转移。

据估计，在YCC政策实施后的28个月期间，这类财

富转移规模高达5823.2亿日元[16]

。

三是收益率曲线控制容易对私人部门形成挤出

效应，为实现价格目标中央银行不得不膨胀资产负

债表，导致财政赤字货币化并威胁央行独立性。尽

管日本央行 YCC 很大程度上是为了缓解央行无债

可买的困境，这也被很多学者认为实质上是掩护量

化宽松退出的紧缩性政策[17]

，但截至2021年9月，日

本银行持有的各类政府债券高达528.03兆日元，占

全部市场存量的50%以上，特别是持有3年—7年期

国债存量占比将近70%。日本银行大量购买国债对

私人部门的挤出效应和国债市场流动性冲击等负面

影响不容忽视。美国的经验也表明，中央银行大量

购买国债可能导致市场无风险债券需求无法得到有

效满足，企业信用风险利差反而可能进一步扩大，这

将抑制私人部门债券投资，扭曲债券市场定价机制，

不利于金融市场深化发展和效率提高[18]

。类似地，

2021年10月，澳联储持有的中长期国债由2020年2

月末的141.8亿澳元迅速上升至2505.9亿澳元，占市

场存量比重高达 31.9%（其中，2021 年 10 月持有的

2024 年 4 月到期国债 208.9 亿澳元，占市场存量的

30.7%）。澳联储目前已成为国债二级市场的重要

参与者，澳联储国债二级市场交易额占全部市场的

比重由2020年一季度的4.5%上升至2021年二季度

的 9.4%。2020 年 3—6 月澳大利亚 3 年期 A 级企业

债与3年期国债信用利差由年初的80个基点以下迅

速上升至120个基点以上（其中，3月最高达172.65

个基点），直至7月仍高达107.01个基点，之后才逐

步回落至正常水平。

澳联储 YCC 和 QE 政策，很大程度上是为了满

足财政刺激支出对低成本融资的需求。澳大利亚政

府继2020年3月出台176亿澳元财政刺激计划后，

于当年7月开始的新财年又出台了1846亿澳元赤字

的财政刺激预算，2019/2020财年和2020/2021财年

财政赤字占 GDP 的比重分别高达 4.36%和 9.95%。

央行压低长期收益率政策很大程度上就是为了降低

政府融资成本，这实质上就是财政赤字货币化政策，

不利于货币财政政策的协调并可能损害中央银行独

立性[19，20]

。美国的收益率曲线控制政策的教训就在

于，收益率曲线形状不可能独立于利率和债务管理

政策而固定下来，为调控修正收益率曲线形状，央行

可能需要进行大规模市场操作，持债规模和期限很

容易超出央行控制[11]

。澳联储的YCC和QE政策再

次证明了这一点。从相对量来看，澳联储资产规模

占 GDP 的比重由 2020 年一季度的 8.46%升至 2021

年三季度的14.34%，仅增加不到6%，远不及同期美

联储增加的11.99%；而且，在2008年四季度第一轮

量化宽松后，美联储资产规模占 GDP 的比重直到

2013 年三季度才增加了 6%以上（由 15.33%升至

22.08%）。从绝对量来看，澳联储2021年10月末资

产总计高达 5937.8 亿澳元，是 2020 年 2 月末的 3.3

货币政策研究 Research on Monetary Policy

19

2023年第8期 WUHAN

FINANCE

倍，而美联储同期资产规模仅膨胀了2.1倍，澳联储

资产膨胀速度远快于美联储。

四是通胀压力持续上升，收益率曲线控制政策

难以为继。随着经济重启和财政货币刺激政策效应

的逐步显现，2021 年初以来澳大利亚经济快速反

弹，继一季度GDP同比增速由负转为正的1.3%后，

二季度GDP当季同比增速高达9.6%，6月份制造业

PMI 一度高达 60.8。尽管受疫情影响，2021 年三季

度经济复苏势头有所放缓，但 10 月份 PMI 为 50.4，

仍维持在荣枯线以上。与经济的强劲复苏同步，澳

大利亚也陷入了全球性通胀上升的旋涡。2021 年

二季度CPI高达3.8%，为2008年全球危机以来的最

高，三季度CPI 仍高达3%，超出了澳联储的通胀目

标水平。以美元计价的澳大利亚大宗商品价格上涨

幅度更大，2021年7月同比高达64.4%，10月仍高达

40.6%。与美欧等市场利率已随着通胀上升和失业

率下降而上行波动加大类似，2021 年开始（特别是

下半年以来）澳大利亚各期限中长期国债收益率上

行压力明显，即使是QE之后，2021年10年期国债收

益率整体上仍明显高于 2020 年水平，2021 年 10 月

29日甚至一度升至2019年3月8日以来2.09%的最

高点，澳联储压低长期利率和盯住中期收益率曲线

的政策效果明显下降。

事实上，正是二战结束后美国出现严重的通胀

压力，由于“财政部债务管理目标与联储通胀管理目

标的冲突”，1951年3月美联储与财政部才达成协议，

正式取消YCC政策并重新获得利率定价决策权[14]

。

在严峻的通胀压力下，2021年以来，除乌克兰、巴西

等众多新兴市场经济体外，韩国、挪威等发达经济体

也纷纷加息开启政策转向，加拿大也正式结束量化

宽松，特别是2021年10月6日与澳大利亚经济关系

更为密切的新西兰也将基准政策利率上调25个基

点至0.5%，进行了七年以来的首次加息。由此，在

通胀目标制的约束下，澳联储最终于2021年11月2

日正式宣布取消收益率曲线控制政策，在美联储之

前加入了全球刺激政策退出的央行阵营。

五、对中国的政策启示

为应对疫情冲击，澳大利亚成为继日本之后全

球第二个正式采用收益率曲线控制政策的国家。然

而，原本被看好的盯住中期利率目标政策仅实施不

到两年就不得不退出。虽然澳联储对收益率曲线控

制政策的评估肯定了其压低利率改善市场融资条件

的政策效果，但也承认债券购买维护收益率曲线目

标的财务成本上升，在政策退出方面造成了混乱并

给央行政策信誉带来损失；除非在极端情况下，未来

澳联储再次采用收益率曲线控制政策的可能性将很

小[21]

。2023年3月澳大利亚政府完成的对澳联储的

评估报告也指出了这一点。而且，为支持低利率和

收益率曲线控制目标而开展的债券购买计划，一定

程度上也迟滞了收益率曲线控制政策退出和货币政

策正常化进程[22]

。

事实上，日本诉诸 YCC 实际上是在 QQE、负利

率等政策效果不佳的情况下，经过深入评估之后不

得已的政策选择。当然，由于日本物价水平一直较

低，YCC 政策持续了六年多，日本国债的收益率水

平、波动以及市场活跃度都出现了明显下降。尽管

在2021年3月结束的最新一轮政策评估中，日本银

行充分肯定了QQE政策的积极作用，但也不得不承

认利率过低对金融机构盈利的负面影响。2022年5

月9日，日本银行新任的植田行长在国会上表示，如

果价格目标以可持续、稳定的方式实现，日本银行将

结束收益率曲线控制，然后缩减资产负债表。

作为危机应对手段，收益率曲线控制政策并不

适用于中国。澳大利亚短暂的YCC政策实践，对中

国有着极为重要的政策启示。

一是在货币操作层面，中国应尽快明确隔夜利

率操作目标和短端基准政策利率，让市场在中长期

利率和贷款利率形成中发挥决定性作用。市场化条

件下，中央银行同时盯住短端和中长端利率水平，既

超出了中央银行的能力，更不符以供求价格机制为

核心让市场在资源配置中发挥决定性作用的要求。

近年来，尽管我国开始强调7天存款机构质押式回

购利率（DR007）的重要性，但DR007的波动过大，与

国际通行的隔夜期限利率作为操作目标的通行做法

并不一致[6]

。而且，无论是短端逆回购公开市场操

作，还是中长端MLF，主要采取价格招标模式，操作

上仍着眼于流动性数量，且都强调 M2 和社会融资

规模增速与名义GDP增速基本匹配，将名义GDP增

速作为数量中间目标的锚定方式[23]

。然而，过于依

赖数量调控方式反而降低了货币政策传导的效率，

过于强调数量目标的边际效果有限，容易扭曲并干

扰价格信号，降低政策透明度并可能放大市场波

动[1]

。事实上，即使是全球金融危机之后，隔夜市场

20

利率仍是最好的货币政策操作目标，QE等数量目标

只是第二位操作目标[24]

。随着金融市场的深化发

展，国际上针对零售业务的最优惠利率贷款定价模

式，逐步转向与短端基准政策利率关系更密切的金

融市场利率挂钩模式，中国也已具备盯住隔夜市场

利率进行货币调控的基本条件[25]

。

二是在货币决策层面，货币政策应始终坚持将

物价稳定作为首要目标，通过稳健货币政策更好促

进经济增长。通胀本质上仍是一种货币现象，货币

政策能够发挥最大的作用，而就业、增长则主要取决

于实体经济和结构性因素，货币政策效果有限[26]

。

因此，货币政策应以物价稳定作为首要目标，不宜过

度强调实际变量。这也是通胀目标制在全球日益流

行的原因。而且，作为宏观总量手段，货币政策对结

构性问题的效果不大，中央银行应充分发挥非货币

的结构性工具的作用，发挥宏微观审慎监管、金融发

展等包容性政策和支付体系建设等方式更好地改进

收入分配等结构性问题，但仍要以不影响物价稳定

总量目标为前提[27]

。虽然疫情后全球通胀飙升的原

因很多，但各国央行更加关注就业（及不同人群的就

业和收入情况），直至“暂时性”通胀可能成为永久性

现象后才不得不进行刺激政策退出。近年来，为刺

激经济增长和国民经济重点领域和薄弱环节，我国

在降准降息放松货币政策的同时，创设了大量结构

性货币政策工具，并作为健全现代货币政策框架的

重要内容[23]

。但是，一方面，大量研究表明，过低的

利率水平实际上助推了僵尸企业蔓延，导致债务杠

杆过快上升，反而抑制了经济复苏和物价上升[28，29]

；

另一方面，过度依赖结构化政策工具反而可能加剧

经济扭曲和体制机制弊端[1，30]

。当前，我国存款基准

利率已持续数年维持在历史最低水平，一般贷款加

权利率从2020年开始降至有数据以来最低，风险更

大的新增企业贷款利率则较个人住房贷款利率低至

少70个基点。这正是货币政策过于碎片化的结果，

加剧了资金错配和生产率的恶化[31，32]

。

三是在币值稳定方面，中国应以国内物价稳定

为主，加大汇率弹性充分发挥其宏观经济和国际收

支自动稳定器的作用。在金本位制下（特别是金汇

兑本位制时期），币值稳定主要是指货币外部价值的

汇率稳定；在信用货币时代，币值稳定主要是指货币

内部价值的国内物价稳定（除了实行货币局制度和

固定汇率安排的部分小国经济体），货币外部价值应

服从内部价值[33]

。作为小型开放经济体，澳大利亚

在货币决策时密切关注国际资本流动和汇率的变

化，这也是其采用 YCC 并转向 QE 的重要因素。不

过，虽然2021年澳大利亚的物价上涨相较美欧更为

温和，但由于二、三季度通胀率连续超过政策目标，

即使新西兰2021年10月6日加息有助于澳元对美

元的相对贬值，澳联储仍果断退出了YCC政策并暗

示可能会提前加息。长期以来，汇率一直是我国货

币决策重要的约束因素，我国一直强调保持人民币

汇率在合理均衡水平上的基本稳定。应当认识到，

与上一轮美国货币紧缩周期相比，当前中国经济处

于更好的周期位置，跨境资本流动状况明显改善，汇

率弹性也有所增强，应对外部冲击的经验和工具更

加丰富，货币政策完全有条件以国内物价稳定为

主。不过，尽管人民币汇率在有管理浮动框架下越

来越灵活，但汇率形成机制比水平更重要，在内外环

境复杂多变的当下，我国仍将面临汇率预期管理“中

间解”的透明度和公信力等问题[34]

。因此，今后在深

化发展外汇市场、加强市场风险教育并树立汇率财

务中性意识、健全跨境资本流动宏观审慎政策的同

时，应加大对汇率波动的政策容忍度，继续优化人民

币汇率中间价形成机制，择机扩大并最终取消汇率

浮动区间。

四是改进货币政策透明度，完善与市场的沟通

机制。货币政策是“预期管理的艺术”，通过加强政

策透明度和良好的沟通有效引导市场预期，将取得

事半功倍的效果。澳联储在引入 YCC 政策、转向

QE、退出YCC过程中，通过定期公布重要指标预测、

货币决策者讲话、常规性政策操作变化等方式，暗示

政策的未来取向，市场参与者能够充分理解澳联储

的政策意图，进而促进了金融市场平稳发展和货币

政策的有效性。近年来，我国在提高货币政策透明

度、健全常态化政策沟通机制、完善多远化沟通方式

等方面，取得了明显成效。但是，自2004年四季度

以来，我国不再通过“货币政策执行报告”定期发布

对GDP、CPI的预测，2014年开始以工作论文方式不

定期发布的主要指标预测研究成果自2017年中断，

这不利于市场参与者准确把握中央银行对宏观经济

走向的判断。今后，应适当增加重要信息披露频率，

提高信息发布的及时性、准确性、有效性、规范性，保

持预期管理的效率与公平，更好地提高货币政策的

有效性和央行公开信力。■

货币政策研究 Research on Monetary Policy

21

2023年第8期 WUHAN

FINANCE

[参考文献]

[1] 徐忠.经济高质量发展阶段的中国货币调控方式转型[J].

金融研究，2018（4）：1-19.

[2] SHIRAI S. Growing Central Bank Challenges in the World

and Japan[M]. ADB Institute，2020.

[3] HIGGINS M，KLITGAARD T. Japan’s Experience with

Yield Curve Control[R]. Federal Reserve Bank of New York

Liberty Street Economics No.20200622，2020.

[4] 易纲.中国的利率体系与利率市场化改革[J].金融研究，

2021（9）：1-11.

[5] 孙国峰，段志明.中期政策利率传导机制研究[J].经济学

（季刊），2016（1）：349-370.

[6] 徐忠，李宏瑾.货币价格调控模式下政策目标利率的期限

选择[J].国际金融研究，2019（3）：3-12.

[7] TSIAPLIAS S，WANG J. The Australian Economy in 2019-

20：Slower Growth，Record Low Interest Rates and a Chang‐

ing Housing Landscape[J]. The Australian Economic Review，

2020，53（1）：5-21.

[8] MERTENS T，WILLIAMS J. Tying Down the Anchor[R].

Federal Reserve Bank of New York Staff Reports No.887，2019.

[9] ELLIS L. The Neutral Rate：The Pole- Star Casts Faint

Light[EB/OL]. Keynote Address to Citi Australia & New Zea‐

land Investment Conference，[2023-07-21]. https：//www.rba.

gov.au.

[10] LIM G，NGUYEN V，ROBINSON T，et al. The Austra‐

lian Economy in 2020-21：The COVID‐19 Pandemic and Pros‐

pects for Economic Recovery[J]. Australian Economic Review，

2021，54（1）：5-18.

[11] GARBADE K. Managing the Treasury Yield Curve in the

1940s[R]. Federal Reserve Bank of New York Staff Reports

No.913，2020.

[12] CAMPBELL J，SHILLER R. Cointegration and Tests of

Present Value Models[J]. Journal of Political Economy，1987，

95（5）：1063-1088.

[13] POL E. The Economic Logic of the Yield- Curve Control

Policy[J]. Economic Society of Australia，Economic Papers，

2022，41（1）：78-88.

[14] CHAURUSHIYA R，KUTTNER K. Targeting the Yield

Curve：The Experience of the Federal Reserve，1942- 51[R].

FOMC Memos，2016.

[15] ROSE J. Yield Curve Control in the United Sates，1942-

1951[J]. FRB of Chicago Economic Perspective，2021（2）：1-16.

[16] JARROW R A，LAMICHHANE S. The Effects of Yield

Control Monetary Policy[J]. Quarterly Journal of Finance，

2020，10（1）：1-38.

[17] FUDEA-SAMIKAWA I，TAKANO T. Pace of Increase in

BOJ’s Holding of JGBs Slowing[R]. Japan Centre for Economic

Research（JCER）Financial Research Paper No.34，2017.

[18] HUMPAGE O. The Fed’s Yield- Curve- Control Policy

[R]. FRB of Cleveland Economic Commentary No.2016- 15，

2016.

[19] BLOMMESTEIN H J，TURNER P. Interactions Between

Sovereign Debt Management and Monetary Policy Under Fiscal

Dominance and Financial Instability[J]. Threat of Fiscal Domi‐

nance，2012，65：213-238.

[20] BORIO C，DISYATAT P. Monetary Policy and Fiscal Poli‐

cy：Privileged Powers，Entwined Responsibilities[R]. SUEFR

Policy Note No.238，2021.

[21] RBA. Review of the Yield Target[EB/OL]. [2023-07-25].

https：//www.rba.gov.au.

[22] ORPHANIDES A. Monetary Policy Tools with Near Zero

Policy Rates：A Rview of the Australian Experience[EB/OL].

Paper for the RBA Review，[2023-07-12]. https：//rbareview.

gov.au/resources.

[23] 孙国峰.健全现代货币政策框架[J].中国金融，2021（3）：

47-50.

[24] BINDSEIL U. What Monetary Policy Operational Frame‐

work after the Crisis?[J]. French Journal of Economy，2018，33

（3）：105-126.

[25] 李宏瑾.利率并轨、风险溢价与货币政策传导[J].经济社

会体制比较，2020（5）：35-44.

[26] SVENSSON L. Some Lessons from Six Years of Practical

Inflation Targeting[R]. CEPR Discussion Papers No.9756，2013.

[27] BIS. The Distributional Footprint of Monetary Policy[R].

In Annual Economic Report，2021.

[28] BANERJEE R，HOFMANN B. The Rise of Zombie Firms：

Causes and Consequences[J]. BIS Quarterly Review，2018：67-78.

[29] ACHARYA V，CROSIGNANI M，EISERT T，et al. Zom‐

bie Credit and （Dis-）Inflation：Evidence from Europe[R].

NBER Working Paper No.27158，2020.

[30] 张晓慧.借鉴历史经验，货币政策应逐步向常规回归[J].

CF40研究周报，2021（585）：52-56.

[31] IMF. People’s Republic of China Selected Issues[R]. IMF

Country Report No.21/12，2021.

[32] JURZYK E，RUANE C. Resource Misallocation Among

Listed Firms in China：The Evolving Role of State-Owned En‐

terprises[R]. IMF Working Papers No.2021/075，2021.

[33] BIS. Issues in the Governance of Central Banks[R]. Cen‐

tral Bank Governance Group Report，2009.

[34] 管涛.加强人民币升值情形下的汇率预期管理[J].清华

金融评论，2021（9）：66-68.

（责任编辑：WQS / 校对：XY）

22

摘 要：本文选取 2009 年 1 月至 2022 年 9 月的月度数据，通过构建 MSVAR 模型分析美国利率和资产负债表规模冲击在不同区制下对

中国各部门杠杆率的溢出效应。结果表明：美国货币政策会对中国宏观经济部门杠杆率造成显著影响，且不同货币政策工具产生的冲击

效果不同；当美联储实施扩张型货币政策时，中国居民部门和政府部门的杠杆率上升，金融部门和非金融企业部门的杠杆率下降；当美联

储实施紧缩型货币政策时，中国金融部门、政府部门和居民部门的杠杆率上升，非金融企业部门的杠杆率下降。因此，面对美国本轮加

息，我国应当保持各部门杠杆率平稳，推动经济高质量发展，保持人民币汇率和我国房地产市场稳定。

关键词：货币政策；部门杠杆率；区制效应；MSVAR 模型

中图分类号：F832.5 文献标识码：A 文章编号：1009-3540（2023）08-0023-0010

基金项目：教育部哲学社会科学研究后期资助项目“资产负债表关联与风险溢出双重视角下的政府杠杆率结构性优化研究”（21JHQ068）。

■ 李程 游弋

作者简介：李程（1981—），男，博士，天津工业大学经济与管理学院教师，教授； 游弋（2002—），女，天津工业大学经济与管理学院本科生。

美国利率和资产负债表变化

对中国各部门杠杆率的影响研究

一、引言

2015年12月党中央、国务院首次提出供给侧结

构性改革，指出改革主要任务之一为“去杠杆”。随

着改革的深入推进，我国杠杆率过度攀升的趋势得

到了一定的遏制。为避免“一刀切”式去杠杆，2018

年中央财经委首次提出“结构性去杠杆”，政策逐步

从“去杠杆”转为“稳杠杆”。当前，我国正处于经济

结构调整、产业结构优化的关键时期，在做好内部结

构调整的同时，稳定外部环境对我国经济发展也至

关重要。美联储的货币政策既对其自身产生影响，

也会对中国及世界的经济发展产生重大冲击。2008

年美国次贷危机实质上是一场由于杠杆率过度膨胀

引发的金融危机，为顺利渡过危机，美联储实行了量

化宽松政策。2020年疫情暴发后，美联储再次实施

量化宽松货币政策，引发国内严重通胀。为遏制通

胀，2022 年美联储宣布开启新一轮加息进程。至

此，美联储货币政策不确定性加大，导致市场主体对

其政策实施前景的理性预期愈发困难，并将通过跨

境资本流动对我国金融稳定造成严重冲击。随着新

发展格局的构建，我国将逐步稳定推进资本账户开

放，意味着跨境资本流通渠道拓宽、规模增大，这将

为我国的金融稳定带来新挑战。当前，我国既要稳

杠杆，又要促发展。因此，准确识别美联储非常规货

币政策对中国各部门杠杆率的影响方向，对我国防

控风险、精准施策有着重要意义。

二、文献综述

关于美联储货币政策对其他经济体的溢出效

应，国内外众多学者对此展开了分析。Uribe等[1]

发

现美国利率冲击能解释新兴经济体总量活动变动的

20%左右。Tillmann[2]

基于Qual-VAR模型研究证实

了美国非常规货币政策对新兴经济体存在显著溢出

效应。在传导渠道方面，大部分学者主要从利率渠

道、汇率渠道、资本流动渠道及资产重组渠道进行实

证分析。Neely[3]

发现美国非常规货币政策既会降低

本国债券长期收益率，也会降低外国债券的长期收

益率。Hudson[4]

则认为美联储量化宽松会导致市场

上的美元大幅通过无套利投机、货币投机和资本外

逃等方式流向其他国家，并导致其他国家货币升

货币政策研究 Research on Monetary Policy

23

2023年第8期 WUHAN

FINANCE

值。国内学者在美国货币政策对我国产生的外溢效

应相关方面也做了大量研究。谭小芬[5]

认为美联储

非常规货币政策加大了全球通胀风险和资产泡沫风

险。方先明等[6]

发现跨境投机资本流入中国的套汇

动机更为强烈。王申等[7]

发现汇率升值诱使短期国

际资本流入，不仅会引起汇率升值，还会推动股价和

房价上涨，从而导致后期国际资本流出[7]

。美国加

息不仅会导致人民币汇率贬值和我国债券、股票回

报下降[8，9]

，还会对我国直接投资、证券投资、银行部

门的资本流动产生负向溢出效应[10]

，且这种外溢影

响对我国经济产生的负面影响在经济减速背景下表

现得更为显著[11]

。

美国非常规货币政策不仅会对我国利率、汇率

及流动性等方面产生影响，还会冲击我国信贷规模、

负债及杠杆率。作为世界第一大经济体，美联储货币

政策会对全球融资局面和流动性状况造成影响[12]

。

金春雨等[13]

发现充足的全球流动性会通过汇率、利

率和国际资本流向间接影响新兴经济体的经济发展

趋势和宏观经济政策走向，进而影响企业融资，最终

影响中国的宏观杠杆率。马理等[14]

发现美国加息对

中国企业具有负向影响，造成企业的融资成本上升、

净收益下降和风险上升。Alter 等[15]

以 28 个新兴市

场上80万家企业为样本，研究发现全球金融状况通

过影响国内利率和放松企业信贷约束，从而影响新

兴市场企业的杠杆率增长。赵艳平等[16]

发现美联储

紧缩型货币政策会显著降低我国企业杠杆率。不同

部门杠杆率既相对独立，也相互关联，金融风险在部

门内部与部门之间通过资产负债关联相互传染，外

部冲击会对损失产生相应的放大效应[17]

。

关于美联储货币政策外溢效应的研究方法，目

前国内大部分都基于VAR模型和DSGE模型。肖卫

国等[10]

构建VAR模型，实证分析了新一轮美联储加

息对中国跨境资本流动的溢出效应。魏玮等[18]

构建

TVP-VAR-SV模型，发现美国量化宽松政策通过短

期国际资本流动渠道的溢出效应最为显著，但这种

溢出效应的持续时间不长。苏应蓉等[19]

基于资产平

衡模型，采用 MSVAR 模型研究不同周期阶段美联

储资产负债表的变动对中国溢出渠道的异质性影

响。杨子荣等[20]

通过构建两国DSGE模型，嵌入一价

定律缺口与资本不完全流动条件，发现中美货币政

策存在双向的溢出效应和不对称性，且中美两国数

量型货币政策的溢出影响程度皆要强于其价格型货

币政策。赵星等[21]

构建了一个包括家庭、厂商和货

币当局三部门在内的 DSGE 模型，实证分析了中国

货币政策对美国的溢出效应。然而，DSGE 模型虽

然能够从微观机制上描述金融放大经济波动的机

制，但其假设前提是理性预期和均衡分析，而金融和

经济波动之间的关系大部分是非线性的，金融风险

随着经济体的状态而变化，具有时变性，因此采用

DSGE模型分析货币政策的外溢效应存在一定的局

限性。

综上所述，现有文献对美联储货币政策溢出效

应的研究多从宏观角度出发，探讨其对经济产出、金

融风险的直接或间接影响。关于美联储货币政策对

中国影响的传导机制，国内学者们多从汇率、利率、

资产价格等渠道出发展开分析，落脚于进出口和产

出等方面。在研究对象方面，大多以企业杠杆进行

研究，较少区分部门进行理论和实证分析。考虑到金

融与经济波动之间的时变特征，本文将区制分析引

入美联储货币政策对中国宏观杠杆率影响的研究中，

采用马尔科夫区制转换向量自回归模型（MSVAR），

从部门层面实证研究不同区制内美联储基准利率、

资产负债表规模与杠杆率之间的相互关系，结合国

际资本流动影响机制的动态化特征，研究美联储货

币政策对我国四部门杠杆率的外溢影响及对不同部

门之间传导机制的不对称性影响。

三、理论分析与假说提出

（一）中国各部门杠杆率与美国利率、资产负债

表规模的基本情况

图1 中国各部门杠杆率与美国利率、资产负债表规模的

基本情况

数据来源：国家资产负债表研究中心和CEIC Data。

24

从图1可以看出，我国各部门杠杆率变化趋势

存在显著的差异。具体而言，非金融企业部门杠杆

率水平最高，但从2016年开始得到有效控制，波动

幅度相对较小。金融部门杠杆率自全球金融危机后

同样呈上升趋势，于 2016 年 12 月达到峰值 67.16%

后开始呈下降趋势。居民部门杠杆率水平增速过

快，近两年才趋于稳定。政府部门的杠杆率水平较

低，且增长平稳，2020 年受到新冠疫情影响导致其

杠杆率有所上扬，但整体上没有出现较大波动。

表1给出了宏观经济四大部门杠杆率的描述性

统计结果。可以看出，我国非金融企业部门杠杆率

均 值 为 143.04% ，最 大 值 为 165.16% ，最 小 值 为

104.17%，为左偏分布且标准差最大，说明非金融企

业部门杠杆率波动较大，居民部门次之。而政府部

门和金融部门的杠杆率均值较低，分别为36.82%和

54.51%，标准差较小，较为稳定。

表1 各部门杠杆率的描述性统计

变量名称

居民部门杠杆率（%）

非金融企业部门

杠杆率（%）

政府部门杠杆率（%）

金融部门杠杆率（%）

观测值

165

165

165

165

最小值

18.71

104.17

28.76

37.25

最大值

62.40

165.16

49.70

67.16

均值

41.83

143.04

36.82

54.51

标准偏差

13.47

17.20

4.85

9.46

偏度

0.18

-0.54

1.06

-0.49

峰度

-1.32

-1.24

0.36

-1.26

观察图1，可以看到美国利率和M2同比增速有

三个交叉点。通常利率上升伴随着M2同比增速下

降，利率下降伴随着M2同比增速上升，所以可以将

美联储的货币政策大致分为以下四个阶段：（1）

2009—2015 年，量化宽松货币政策期间，美联储实

施低利率政策，利率水平始终维持在0.3%以下，同

时进行了大规模的资产购买，向市场投放货币；（2）

2016 年开始，美联储退出量化宽松，并开启加息进

程，利率水平从0.2%上升到2.45%，资产负债表也有

所缩减；（3）2020年，为了应对新冠疫情带来的负面

冲击，通过降息、扩表达到提振经济的作用；（4）2022

年，受国内严重通货膨胀的影响，美联储于2022年3

月开始上调利率。

将美国利率、资产负债表变化及我国杠杆率波

动情况结合起来，可以看出三者之间存在着联动

性。金融危机后，我国杠杆率表现为大幅上扬的趋

势。从国外来看，美国实施量化宽松货币政策后利

率几乎为零，造成资本的国际流动性过度泛滥，跨境

流动资本为了追求高收益大幅流向新兴经济体，使

我国负债规模扩大。从国内来看，我国同时期实施

了积极的财政政策和适度宽松的货币政策，杠杆率

总体表现为上升趋势。2016 年美联储退出量化宽

松政策，开始上调基准利率，此时我国非金融企业部

门和居民部门的杠杆率开始下降。这一方面与我国

当时的政策环境有关，2015年我国提出了“去杠杆”

目标，经济从“粗放式”增长逐渐转为“高质量”增长，

经济发展步入新常态，杠杆率水平得以稳定；另一方

面也在一定程度上受到了美联储加息的影响，美国

加息，国外资产回报率上升，国内资产流向国外，国

际资本涌入美元区，国内投资下降，所以中国各部门

杠杆率呈下降趋势。

（二）理论机制

考虑到美联储加（降）息、缩（扩）表措施的政策

内容大致相近，只是方向相反，本文将以美国扩张型

货币政策为出发点展开分析。蒙代尔—弗莱明模型

假设资本流动是国内外利差的函数，如果两国之间

存在利差，就会导致持续的资本流动。由凯恩斯和

爱因齐格提出的利率平价理论认为，当两国存在利

率差异时，投资者为了有更高的投资回报率会将其

资本从低利率国家流向高利率国家，以套取利息差

额，从而造成资本的跨国流动。当美国实施以资产

负债表规模为代表的数量型货币政策时，将通过直

接影响银行信贷系统影响我国货币供应量，进而影

响我国各部门的负债及杠杆率，即美国基准利率的

变化将间接影响两国的流动性和资本流动。

Ammer等[22]

发现国际货币政策对一国资产价格

的影响主要通过利率渠道和现金流渠道进行传导。

从利率渠道上，美国下调基准利率，中美利差加大，

人民币资产相比美元资产更有吸引力，人民币汇率

相对升值，在利率平价约束和供求机制作用下，国际

流动资本大幅流入新兴经济体，国内投资情绪高涨，

投机性交易货币需求增加，资产价格上升。从现金

流渠道上，美国主要通过降低债券长期收益来扩张

资产负债表，市场上流动性充裕，投资者为追求更高

收益，将资本投入其他经济体中购买资产，进一步推

高了我国资产价格。资产价格上涨，主要是由以下

四个原因导致：一是房价上涨，居民部门负债增加，

杠杆率上升；二是当美联储实施极度扩张的货币政

策时，过度充裕的流动性流入我国，外债规模增加，

给我国带来了高泡沫和高通胀压力，导致我国政府

货币政策研究 Research on Monetary Policy

25

2023年第8期 WUHAN

FINANCE

部门杠杆率上升；三是市场流动性增强，短期流动资

本流入国内，非金融企业部门资产价值和规模均上

升，资产端扩张，杠杆率下降；四是国内投资、消费增

加，银行等金融部门资产端扩大，杠杆率下降。

然而，美联储极度的宽松型货币政策也同样使

我国经济部门受到输入型通胀压力。当政策由“松”

转“紧”时，即美国加息、资产负债表缩减时，市场流

动性大幅缩减，国际流动资本涌入美元区，短期内在

人民币承受贬值压力的“双重压力”下，中国资产价

格泡沫被刺破的可能性增大[11]

，这将加剧中国资本

流出和人民币贬值压力，金融市场风险也会加大[23]

。

一旦泡沫破裂，我国经济将受到负面冲击，各部门负

债增加，资产缩水，资产价值崩溃，将触发“明斯基时

刻”。

1.居民部门

从国际来看，受疫情影响，全球经济发展衰退。

在经济减速的背景下，美国的货币政策常规化行为

会对中国经济产生显著的负向溢出效应[11]

。当居民

持有的流动性变差时，人们对消费、投资等方面持悲

观预期，国内投资环境不振，微观主体不愿意进入新

领域开展投资创新，楼市成为锁住热钱的工具，希望

加大固定资产投资占比来增加收益。从国内来看，

当前我国经济下行压力较大，美元加息，人民币相对

贬值，我国国内资产价格下降，国际流动资本此时流

入中国房地产能以较低的成本进行投资，国内资本

可能也倾向于流入房地产市场，不断加杠杆炒房以

锁住收益，从而导致房价上涨、居民杠杆率上升。

2.金融部门

虽然当前全球正处于经济发展放缓的后疫情时

代，但我国依旧坚持稳中求进的工作总基调，通胀水

平相比于其他经济体仍属于温和可控范围。然而我

国经济下行压力较大，要实现稳增长的目标就离不

开“三驾马车”的拉动力，“着力扩大国内需求”就成

为我国的工作重点。因此，当美联储提高利率时，为

了刺激我国居民消费，银行可能通过下调贷款利率

激发居民消费需求，居民减少存款而增加贷款，即银

行负债减少、资产增加，金融部门此时杠杆率下降。

而当美国缩减资产负债表时，将会直接影响银行的

信贷规模，市场流动性减少，美元供不应求，美元升

值，投资主体心理预期转向悲观，面对流动性收紧和

信贷萎缩的双重影响，投机性交易货币需求减少，投

资者对消费和投资持十分谨慎的态度，不愿意再投

资，预防性货币需求增强，导致产业发展停滞、信心

不振，触发“流动性陷阱”，此时金融部门负债增加，

资产减少，杠杆率上升。

3.企业部门

在融资约束和金融摩擦的作用下，企业获得外

部融资扩大再生产难度加大，利润率下降，对其资产

负债表结构、规模造成负面影响。一方面，根据资产

负债表效应，国内资产价值下降，进而导致企业的融

资抵押物价值下降。在我国，企业从银行获得的贷

款大部分为抵押贷款，企业融资难度加大，融资成本

增加，企业被迫减少投资和产出，资产负债表恶化，

企业融资能力下降，最终负债水平被动降低，杠杆率

下降。另一方面，金融摩擦理论指出当宏观经济不

确定性增加时，金融市场的风险溢价随之增加，由于

信息不对称的存在，金融机构为了避免逆向选择和

道德风险会提高对企业的贷款利率或是降低企业抵

押物的贷款额度，同时伴随着国内资产价格的下降，

企业的借贷成本和投资成本上升，使企业很大程度

上会减少投资和产出，则此时更难获得外部融资，非

金融企业部门负债水平和杠杆率下降。

4.政府部门

当美联储退出量化宽松，转为紧缩型货币政策

时，市场不稳定性将增加，人民币汇率相对贬值，投

资者对我国持有悲观预期，预期投资回报率下降，私

人部门不愿意再主动加杠杆承担更多风险。同时，

由于金融摩擦和信贷约束导致国内企业利润率进一

步下降，使我国面临着一定程度上资产负债表衰退

的风险。日本学者辜朝明提出的资产负债表衰退理

论指出，当资产价格大幅下跌时，私人部门经济目标

从追求“利润最大化”转向追求“负债最小化”，企业

大部分收入用于还债而不是再投资，信贷循环停滞，

经济活动萎缩。为防范此风险，在国内私人部门持

有悲观预期和投资下降的背景下，出于刺激经济并

提振市场经济信心的目的，我国政府此时倾向于采

取积极的财政政策以刺激经济增长，适度扩大财政

赤字和提高杠杆率，向市场释放积极信号，从而起到

宏观调控的作用。

综合上述分析，美联储加息和缩表、降息和扩表

的政策冲击对国际资本流动方向、中国资产价格影

响方向是相反的。美联储实施扩张型货币政策时，

资产价值上涨，市场预期向好，投机性交易货币需求

上升，私人部门增加投资，金融部门资产增加，政府

26

受到输入型通胀影响，外债规模增加；美联储实施紧

缩型货币政策时，人民币汇率相对贬值，市场预期转

为悲观，投资恶化，企业存在着资产负债表衰退风

险，政府部门承担起相应责任，增加投资，适当提高

杠杆率，从而提升私人部门收入并为企业注入信

心。因此，本文提出如下假说：

假说1：当美联储实施扩张型货币政策时，居民

部门和政府部门加杠杆，金融部门和非金融企业部

门降杠杆。

假说2：当美联储实施紧缩型货币政策时，居民

部门、金融部门和政府部门加杠杆，非金融企业部门

降杠杆。

四、模型构建与实证分析

（一）MSVAR模型说明

由于美联储货币政策变化的溢出效应具有时变

性、非对称性及异质性，所以此时不适合采用线性向

量自回归（VAR）模型。VAR 模型是基于系统中每

一个内生变量作为系统中所有内生变量的滞后项的

函数构建出的，假设现实中的经济结构不变。而马

尔科夫区制转移向量自回归（MSVAR）模型是一种

非线性计量模型，为分析随状态变化的多个内生变

量之间的动力相互依赖性提供了一个方便的框架，

控制着不同状态之间的切换机制。马尔科夫区制转

换模型由 Hamilton[24]

提出，该模型假设模型观测值

服从离散的马尔科夫随机过程，过程利用转移概率

定义，将马尔科夫区制转换模型引入向量自回归模

型。这样，不同的时间区间就对应着不同的区制。

VAR模型滞后 p 阶的一般表达形式是：

yt = c + A1 yt - 1 +⋯+ Ap yt - p + ut ; t = 1,…,T （1）

yt 所处的状态不随时间推移发生改变。

MSVAR模型滞后 p 阶的一般表达形式是：

yt - u(st) = A1(st)[yt - 1 - u(st - 1)] +⋯+

Ap(st)[yt - p - u(st - p)] + ut

（2）

时变序列 yt 的取值转换取决于未知变量 st ，其

中，ut ∼ NID[0,

∑(st)] ，u(st),A1(st),⋯,AP(st),

∑(st) 表

示依赖状态变量 st 的变量参数函数。 st 表示第 m

种状态的不可观测的区制变量，且 t 时刻的状态只

与 t - 1时刻有关，若用 pij 表示为从区制 i 转换到区

制 j 的概率，转移概率表达式如下：

pij = Pr(st + 1 = j|st = i)

= Pr(st + 1 = j|st = i,st - 1 = k,⋯) （3）

且∑pij = 1

相比于传统向量自回归模型，MSVAR模型最大

的优势在于该模型中的模型参数不是一成不变的，

而是随着样本数据中存在的不可观测的区制状态变

量转换而变化的，且该状态变量一般遵循马尔科夫

区制转换过程。普通VAR模型由于假设参数不变，

容易忽略突发冲击的影响。

（二）变量与数据

本文选取美联储基准利率（Federal Funds Rate，

FFR）、美国资产负债表规模作为衡量美国货币政策

变动的冲击变量，构建国民经济四大部门杠杆率、美

联储基准利率和美国资产负债表规模之间的具有马

尔科夫区制转移过程的向量自回归模型（MSVAR），

从非线性角度分析2009年以来的美联储货币政策

对我国各部门杠杆率的影响。

本文选取金融部门、企业部门、政府部门及居民

部门这四个部门的杠杆率、美联储有效基准利率

FFR 和美国M2同比增速在2009年1月到2022年9

月期间的月度数据进行研究。其中，杠杆率由各部

门债务与名义 GDP 之比求得，并将美国 M2 同比增

速作为美国资产负债表规模的代理变量。为保证数

据口径统一，本文运用插值法将各部门杠杆率的低

频季度数据转换为高频月度数据。综合考虑数据的

完整性和准确度之下，本文杠杆率相关数据采用了

国家资产负债表研究中心（CNBS）测算的结果。美

联储有效基准利率FFR，以公布的日数据的当月最

后一日的数据作为月度数据。M2同比增速根据公布

的月度数据计算而来，数据皆来源于CEIC Data。由

此构建包括部门杠杆率、美联储有效基准利率FFR

和美国M2同比增速在内的三因素MSVAR模型。

（三）模型检验

宏观经济变量大多呈现非平稳性，所以在对该

时间序列构建 MSVAR 模型前，还需要对相关经济

变量时间序列的平稳性进行检验。本文采用 ADF

单位根检验法，利用Eviews10软件来实现。检验结

果表明，居民杠杆率、金融杠杆率、非金融部门杠杆

率、政府部门杠杆率、美联储有效基准利率 FFR 和

美国 M2 同比增速的原始序列均存在单位根，无法

拒绝原假设，均为非平稳序列，而其一阶差分序列皆

为平稳，证实了MSVAR模型的有效性（见表2）。

货币政策研究 Research on Monetary Policy

27

2023年第8期 WUHAN

FINANCE

表2 各变量ADF检验结果

变量

F-leverage

C-leverage

G-leverage

R-leverage

FFR

M2

检验形式

(C,T,K)

(0,0,1)

(0,0,1)

(0,0,1)

(1,0,1)

(0,0,1)

(0,0,1)

t值

-2.0305

-2.4905

-3.2134

-3.9537

-3.7831

-6.9036

1%的

临界值

-2.5801

-2.5801

-2.5798

-3.4740

-2.5794

-2.5793

5%的

临界值

-1.9429

-1.9429

-1.9429

-2.8806

-1.9428

-1.9428

10%的

临界值

-1.6153

-1.6153

-1.6154

-2.5770

-1.6154

-1.6154

P值

0.0409

0.0128

0.0015

0.0022

0.0002

0.0000

注：检验形式中，“C”“T”“K”“0”分别代表单位根检验中的常数

项、趋势项、差分阶数、既非常数也非趋势项。

为检验各变量间是否存在长期稳定关系，防止

伪回归现象出现，干扰判断结果，还需要对变量之间

的关系进行协整检验。由于六个变量都是一阶单整

变量，所以可以对其进行协整检验。采取的方法为

Johansen协整检验方法，结果显示为当其低于5%临

界值时，迹统计量的概率小于0.05，可知相关变量之

间存在长期协整关系。这表明美联储基准利率和资

产负债表的变化会对中国各部门杠杆率产生长期稳

定的影响。

（四）建立模型

MSVAR模型有很多种形式，经过排列组合，在

基础的 MS 模型可以划分为 MSM、MSMA、MSMH、

MSMAH 和 MSI、MSIA、MSIH、MSIAH 这 8 种类型。

其中M代表均值（Mean），I代表截距（Intercept），A代

表自回归参数（Coefficients），H代表方差（Variance）。

使用MSVAR模型首先需要确定区制个数。兼

顾经济意义的考虑，基于本文样本时期，划分为扩张

型、紧缩型、均衡型货币政策三大分析区间，模型M

值为 3。运用 Eviews10 软件对模型进行处理，依据

基准线性VAR模型，根据AIC、SC和HQ准则，得到

最优滞后阶数为4阶。

具体而言，样本数据中存在三

种区制状态，则 st ={1,2,3} 。各个状

态之间的转移概率矩阵为：

p

é

ë

ê

ê

ù

û

ú

ú

p11 p12 p13

p21 p22 p23

p31 p32 p33

且 其 中 每 一 行 都 满 足

pi1 + pi2 + pi3 = 1,i = 1,2,3 。

运用 OXGiveWin2 软件完成模

型估计过程，根据 AIC、HQ、SC 准

则，分别得到居民部门的适用模型

为MSI（3）-VAR（4），政府部门、金融部门和企业部

门的适用模型均为MSIH（3）-VAR（4），各部门具体

适用模型情况见表 3。模型有三个不同区制，变量

的滞后阶为四阶，模型中参数截距和方差随着区制

转换而发生变化，且其似然比线性检验LR linearity

test值对应的卡方分布统计量的P值小于1%，即认

为在1%的显著性水平下拒绝线性模型的原假设，表

明该VAR模型中确实存在着显著的非线性情况。

表3 各部门适用模型

部门

居民部门

政府部门

金融部门

企业部门

适用模型

MSI(3)-VAR(4)

MSIH(3)-VAR(4)

MSIH(3)-VAR(4)

MSIH(3)-VAR(4)

（五）模型估计结果

1.参数估计结果

表4为四个模型的参数估计结果。由于本文主

要研究美联储货币政策对中国各部门杠杆率的影

响，所以表4只选取了部分参数估计结果，主要观察

以金融部门杠杆率（FLeverage）、居民部门杠杆率

（RLeverage）、企业部门杠杆率（CLeverage）和政府部

门杠杆率（GLeverage）为被解释变量时，其他变量对

杠杆率的影响方向及大小。根据表4发现，滞后一

期的 M2 同比增速对金融杠杆率、居民杠杆率和政

府杠杆率均为负向作用，而对企业部门杠杆率表现

为正向作用。总的来说，美国 M2 同步增速滞后一

期到滞后四期基本上对金融、居民和政府三部门杠

杆率作用方向相同，而对企业部门杠杆率作用方向

相反。其中，滞后二期的M2同步增速（M2_2）对金

融部门和政府部门杠杆率的正向作用较为显著；滞

表4 模型参数检验结果

M2_1

M2_2

M2_3

M2_4

FFR_1

FFR_2

FFR_3

FFR_4

金融部门

FLeverage

-0.0773

0.1365

-0.0500

-0.0174

0.0260

-0.2033

0.2513

-0.0824

t值

-3.0413

2.7141

-1.0090

-0.7495

0.3775

-2.1650

2.3241

-1.0792

居民部门

RLeverage

-0.0050

0.0083

0.0000

-0.0042

0.0062

-0.0247

-0.0095

0.0496

t值

-0.4898

0.4765

-0.0018

-0.5238

0.1487

-0.4294

-0.1550

1.1372

企业部门

CLeverage

0.0215

-0.0569

0.0218

0.0043

0.1433

-0.6222

0.0922

0.2855

t值

0.5680

-0.7989

0.3212

0.1344

0.4516

-1.4153

0.1951

0.8743

政府部门

GLeverage

-0.0291

0.0676

-0.0509

0.0175

-0.0308

-0.0676

0.1890

-0.0664

t值

-1.5311

2.0535

-2.0413

1.5068

-0.2968

-0.4823

1.0797

-0.5009

28

后一期的美国利率（FFR_1）对金融部门、居民部门

和企业部门杠杆率作用方向均为正向，对政府部门

杠杆率表现为负向影响，但均不显著；滞后三期的美

国利率（FFR_3）对金融部门杠杆率有较为显著的正

向影响。

2.模型区制分析

图 2 为 MSIH（3）-VAR（4）模型的三区制概率

图，显示了三区制的估计概率。整体而言，主要时段

处于区制1和区制2中。区制1主要包括时间区间

为 2010 年到 2017 年中期，2020 年 3 月至 2022 年 3

月。区制2主要由2017年中期至2020年3月，2022

年3月之后的时间段构成。模型得出的区制划分区

间与美联储货币政策变动方向基本一致。区制1的

第一个时间区间对应着2008年美国次贷危机后，实

施量化宽松的阶段；区制2的第一个时间区间对应

着 2015 年美联储经济稳定后，退出量化宽松的阶

段。这说明本文的模型设定是合理的。根据各个阶

段美联储货币政策的特征，区制1是美联储扩张型

货币政策阶段，区制2是美联储紧缩型货币政策阶

段，区制3是美联储货币政策均衡型阶段。

图 2 区制分析图

3.转移概率矩阵

从表5可以发现，美联储货币政策状态处于区

制 1 的概率最大，为 0.9570，且持续期最长，平均可

持续23.25个月；相较于区制1和区制2，区制3更容

易转移至另两个区制，状态不稳定，这正说明了美联

储货币政策的不稳定性。

（六）脉冲响应分析

为了进一步探讨美国货币政策对我国各部门杠

杆率的作用方向、大小及强度，本文采用脉冲响应函

数进行实证分析。脉冲响应函数是用来分析当系统

受到外部冲击后系统中各序列的变动路径。在不同

区制下，我国各部门杠杆率受到美国货币政策正向

冲击的脉冲响应情况如图3所示。响应值的绝对值

表示冲击影响大小，正负符号表示冲击影响方向。

1.企业部门

图3 企业部门杠杆率的脉冲响应图

通过观察图3可知，在区制1和区制2下，企业

部门杠杆率都表现为下降。分别给予美联储基准利

率（FFR）和M2同比增速一个标准差的正向冲击，中

国企业部门的杠杆率响应方向相同，但是大小有着

显著差异。对于一个标准差的美国利率的正向冲

击，企业部门的杠杆率在不同区制下均表现为负向

冲击，伴随着长期的负向响应。从作用大小来看，在

区制2下，即美联储实施紧缩型货币政策时，美国利

率对企业部门的溢出影响更大。这可能是由于美国

加息导致企业融资成本上涨，资产价格下跌，企业融

资抵押物价值下降，同时企业投资产出受到负面影

响，资产负债表恶化，负债能力减弱，最终使得企业

部门杠杆率下降。

给予一个标准差的美国M2同比增速的正向冲

击，相较于区制2，在区制1下美国M2同比增速对我

国非金融企业部门杠杆率影响更大。美联储量化宽

松时期，大量的流动性涌入我国，导致企业部门资产

表5 区制转移概率矩阵

Regime 1

Regime 2

Regime 3

Duration

Regime 1

0.9570

0.0430

0.1087

23.2500

Regime 2

0.0430

0.9178

0.0001

12.1700

Regime 3

0.0000

0.0392

0.8912

9.1900

货币政策研究 Research on Monetary Policy

29

2023年第8期 WUHAN

FINANCE

急剧扩张，催生资产泡沫，杠杆率下降。我国作为全

球最大的新兴经济体，企业融资约束普遍高于发达

经济体，面对政策冲击及外部环境变化，我国企业部

门的资产负债情况会受到较大的波动。所以当美联

储退出量化宽松政策，处于区制2时，美联储资产负

债表缩减，大量流动性从新兴国家市场中抽出，资产

泡沫破裂，负债增加，资产缩水，杠杆率呈现小幅上升。

2.政府部门

图4 政府部门杠杆率的脉冲响应图

由图4可知，在区制1和区制2下，中国政府部

门杠杆率均表现为上升。对于一个标准差的美国利

率和一个标准差的 M2 同比增速的冲击，中国政府

部门杠杆率在不同区制下均表现为正向冲击，杠杆

率上升，但是变化幅度和大小表现不同。对于一个

标准差的美国利率的正向冲击，政府部门杠杆率上

升，伴随着一个长期的、波动越来越大的正向效应。

从不同区制的脉冲值来看，在区制2下，美国利率变

化对我国政府部门的溢出效应更为显著。在国际层

面，全球受到新冠疫情和地缘性政治冲突的影响，经

济下滑，美国此时实施紧缩型货币政策，给新兴市场

整体经济增长速度造成了负面影响。在国内层面，

当前经济下行压力较大，美元加息导致资本外流，人

民币贬值，进一步恶化了国内投资环境。为了稳定

经济发展，中国政府有可能采取一系列积极的财政

政策应对美国货币政策带来的冲击，通过适度扩大

财政赤字支持基础设施建设，刺激国内消费和投资

需求。

对于一个标准差的美国M2同比增速的正向冲

击，政府部门杠杆率同样表现为正向效应。然而，此

时在区制1下美国M2同比增速的冲击效果强于区

制 2，即美联储极度扩张型的货币政策对我国政府

部门产生的影响更大，政府部门杠杆率上升。这可

能是因为美国扩表，长期债券收益率降低，人民币资

产更具有吸引力，吸引境外资金持续流入，导致政府

部门的债务水平和杠杆率上升。而当美联储缩表

时，中美利差缩小，此时美元资产吸引力上升，国际

流动资本外流。所以在区制2下，缩表对中国政府

部门杠杆率表现为负向冲击。

3.金融部门

图5 金融部门杠杆率的脉冲响应图

根据图5可以看出，美联储基准利率和资产负

债表规模对我国金融部门产生了较强的外溢性。在

不同区制下，金融部门杠杆率呈反方向变动，即金融

部门杠杆率在区制1下表现为下降，在区制2下表现

为上升。对于一个标准差的美国利率的正向冲击，

在区制2下，金融部门杠杆率在时点12表现为负向，

初期波动幅度较弱，金融杠杆率降低，后下降速度加

快，并有一个长期的负向效应。对不同区制下脉冲

值进行比较，发现美国加息比降息对中国金融部门

的影响更大。这可能是因为美国利率上升，导致全

球流动性趋紧，美元资产吸引力上升，短期内国际资

本外流，人民币贬值，资产价格下降，国内私人部门

产出、消费水平下降，面对经济下行压力，我国央行

倾向于下调利率水平，向市场传递积极的信号提振

经济，刺激国内投资需求。货币供给一定时，利率下

降，投机性货币需求上升，交易预防性货币需求下

降，银行存款减少，贷款增加，即负债减少，资产增

加，金融部门杠杆率下降。

而对于一个标准差的美国M2增长率的正向冲

击，在任一区制下金融部门的杠杆率都有较为显著

30

的负向影响，且波动幅度相较于美国利率的冲击更

大。说明美联储数量型货币政策工具比价格型货币

政策工具对中国金融部门杠杆率的影响更剧烈，且

反应更迅速。且在区制1下金融部门杠杆率的脉冲

响应值更大，说明美国实行扩张型货币政策会导致

我国金融杠杆率下降。这可能是由于市场上充裕的

流动性带动资本流入我国，拉动我国对外贸易出口，

投资需求上涨导致资产急剧膨胀，杠杆率下降。然

而，当美联储缩减资产负债表时，市场预期转为悲

观，滋生泡沫破裂风险，银行信贷规模直接受到负面

影响，资产端收缩，所以杠杆率在区制2下总体表现

为上升。

4.居民部门

如图6所示，给予美联储基准利率一个正向冲

击后，我国居民杠杆率表现为正向效应，杠杆率上

升；而面对美联储资产负债表扩张，即一个标准差的

M2 同比增速的正向冲击，居民杠杆率初期保持稳

定，随后在16时点转为负向冲击，且脉冲响应值相

比于美国利率的冲击更大，所以对于美国紧缩型货

币政策，我国居民部门表现为加杠杆。

美联储加息，流动资本涌入美元区，人民币贬

值，在整体经济下行的情况下我国倾向于降低利率

水平，以保证市场的充足流动性。市场上流动性增

加，居民的投机性货币需求增加，又由于美元加息、

人民币贬值，市场持悲观预期，居民有可能加大杠

杆，增大固定资产投资占比，以此锁定手中收益。当

前，我国主要矛盾已经转化为人民日益增长的美好

生活需要和不平衡不充分的发展之间的矛盾，房地

产市场也已经从总量不足转化为结构性供需的矛

盾，供需失衡导致房价波动剧烈。当美联储从宽松

货币政策转向紧缩型货币政策时，“流动性收紧”和

“人民币贬值”的双重压力使资产泡沫破裂的风险也

变得更大，在这种影响下房价有可能陷入持续下跌

的情景，居民手中持有资产价值下跌，资产端缩水，

居民杠杆率上升。

综上所述，美国货币政策对中国宏观经济四部

门的影响效果和传导机制不尽相同，这与各个部门

的资产负债表结构有着密切的关联，且部门之间相

互联系，美国货币政策的冲击既会通过货币供给、资

本流动等渠道直接影响各部门，也会在部门内部和

部门之间放大冲击导致的后果，间接影响其他部门

的资产负债情况。

五、结论与政策建议

本文基于2009年1月至2022年9月的月度数据

构建了 MSVAR 模型，分析了美国货币政策对我国

各部门杠杆率的溢出效应。实证结果显示：

第一，美国货币政策会对我国宏观经济部门杠

杆率造成显著影响，且美国利率和货币供应量变化

产生的冲击效果不同。

第二，在不同区制下，不同货币政策工具对中国

不同部门之间作用大小不同。在区制1下，即美联

储扩张型货币政策下，美国资产负债表规模冲击效

果总是强于美国利率的冲击效果。在区制2下，即

美联储紧缩型货币政策下，美国利率的冲击效果比

区制1下更为强烈。

第三，当美联储实施扩张型货币政策时，中国居

民部门和政府部门杠杆率上升，金融部门和企业部

门杠杆率下降。

第四，当美联储实施紧缩型货币政策时，中国金

融部门、政府部门和居民部门的杠杆率上升，而企业

部门杠杆率下降。

基于上述结论和国内当前经济形势，本文提出

以下几点政策建议：

第一，稳定经济增长，确保杠杆率平稳。2022

年美联储再度开启加息进程，截至2023年3月，已接

连加息 9 次，联邦基金利率目标区间升至 4.75%~

5%，造成全球流动性紧缩，跨境资本大幅流入美元

区，进而国内信贷环境受到负面影响，消费主体预期

转弱，投资增长疲软乏力，加重了我国经济下行压

力，各部门均受到不同程度影响，如企业部门经济目

图6 居民部门杠杆率的脉冲响应图 标从“利润最大化”转为“负债最小化”，或存在资产

货币政策研究 Research on Monetary Policy

31

2023年第8期 WUHAN

FINANCE

负债表衰退的风险。居民部门收入增长缓慢，消费

水平下降，储蓄额大幅上升。若此时杠杆率急剧下

降，则容易致使金融部门流动性出现恐慌性收缩，对

经济发展不利。因此，面对当前我国所处的困境，政

府部门可以适度扩大赤字，加大基础设施建设、拓宽

社会投资渠道。坚持稳字当头，稳中求进，推动经济

正常运行，处理好稳杠杆和经济增长的关系，在进行

政策调整时，综合考虑经济增长、杠杆率、汇率等外

部平衡的多重因素。

第二，扩大内需，深入实施供给侧结构性改革。

受国内外多重超预期因素冲击，我国经济发展受到

了不小的阻力，不仅对国内的投资、消费、产出水平

等方面造成程度不同的负面影响，而且从长期来看，

对微观经济主体的心理预期、投资行为也会产生一

定的影响。微观经济主体的预防性货币需求上升，

投机性货币需求下降。国内有效需求不足甚至出现

收缩。对此我国应当采取配套组合政策扩投资、促

消费，围绕构建新发展格局，立足超大规模市场，坚

持实施扩大内需战略，培育更多经济增长动力源。

金融部门方面，出台相关支持措施，促进消费发展新

业态、新模式；增加信贷投放，降低融资成本，激发市

场活力。

第三，保持人民币汇率稳定，提升人民币的国际

地位。在当前经济全球化的背景下，国际资本流动

规模增加，为避免投机带来汇率过度波动，我国应不

断完善人民币汇率制度，保持人民币汇率在合理均

衡水平的基本稳定。增强本国经济实力，推进人民

币国际化，促进金融市场全方位发展。

第四，确保房地产市场的平稳发展。居民部门

杠杆率与房地产市场平稳性高度相关，本轮美国加

息，人民币汇率承压，国内资产尤其对房地产价格面

临着负面冲击。房地产作为中国国民经济的支柱产

业，要做好风险防范措施。■

[参考文献]

[1] URIBE M，YUE V Z. Country Spreads and Emerging Coun‐

tries：Who Drives Whom?[J]. Journal of International Econom‐

ics，2006，69（1）：6-36.

[2] TILLMANN P. Unconventional Monetary Policy and The

Spillovers to Emerging Markets[J]. Journal of International

Money & Finance，2016，66：136-156.

[3] NEELY C J. The Large-scale Asset Purchase Had Large In‐

ternational Effects[R]. Federal Reserve Bank of St. Louis Work‐

ing Paper Series No.2010-018E，2011.

[4] HUDSON M. US \"Quantitative Easing\" is Fracturing the

Global Economy[P]. Bard College Levy Economics Institute

Working Paper No.639，2010.

[5] 谭小芬.美联储量化宽松货币政策的退出及其对中国的

影响[J].国际金融研究，2010（2）：26-37.

[6] 方先明，裴平，张谊浩.国际投机资本流入：动机与冲击

——基于中国大陆1999—2011年样本数据的实证检验[J].

金融研究，2012（1）：65-77.

[7] 王申，陶士贵.人民币汇率、短期国际资本流动与资产价

格[J].金融论坛，2015（7）：59-70.

[8] 傅广敏.美联储加息、人民币汇率与价格波动[J].国际贸

易问题，2017（3）：131-142.

[9] 姜富伟，郭鹏，郭豫媚.美联储货币政策对我国资产价格

的影响[J].金融研究，2019（5）：37-55.

[10] 肖卫国，兰晓梅.新一轮美联储加息对中国跨境资本流

动溢出效应研究[J].经济学家，2017（2）：84-90.

[11] 陈守东，吴业强，孙彦林.美国经济政策组合对中国经济

增长的冲击影响[J].经济问题探索，2019（3）：121-129.

[12] BLUEDORN J C，BOWDLER C. The Open Economy Con‐

sequences of U.S. Monetary Policy[J]. Journal of International

Money and Finance，2011，30（2）：309-336.

[13] 金春雨，张龙.美联储货币政策对中国经济的冲击[J].中

国工业经济，2017（1）：25-42.

[14] 马理，彭承亮，夏巍宇.贸易摩擦背景下美国利率调整对

中国企业的影响效应研究[J].国际金融研究，2020（9）：14-22.

[15] ALTER A，ELEKDAG S. Emerging Market Corporate Le‐

verage and Global Financial Conditions[J]. Journal of Corpo‐

rate Finance，2020，62：101590.

[16] 赵艳平，秦力宸，黄友星.中国企业去杠杆需考虑美联储

货币政策变化吗?加息和缩表的比较分析[J].国际金融研究，

2020（3）：23-34.

[17] 刘磊，张晓晶.中国宏观金融网络与风险：基于国家资产

负债表数据的分析[J].世界经济，2020（12）：27-49.

[18] 魏玮，张兵.美国量化宽松货币政策对中国经济增长的

溢出效应研究[J].国际经贸探索，2021（5）：99-114.

[19] 苏应蓉，王熠琳.全球金融周期、美联储资产负债表效应

及其对中国经济溢出渠道的差异性研究[J].世界经济研究，

2022（5）：48-59+135-136.

[20] 杨子荣，徐奇渊，王书朦.中美大国货币政策双向溢出效

应比较研究：基于两国 DSGE 模型[J].国际金融研究，2018

（11）：14-24.

[21] 赵星，崔百胜.中国货币政策对美国的溢出效应研究：基

于两国开放经济DSGE模型的分析[J].中国管理科学，2020

（7）：77-88.

[22] AMMER J，VEGA C，WONGSWAN J. International

Transmission of U.S. Monetary Policy Shocks：Evidence from

Stock Prices[J]. Journal of Money，Credit and Banking，2010，

42（sl）：179-198.

[23] 张启迪，陈颖.美联储缩表：原因、进程、溢出效应及中国

对策[J].上海经济研究，2018（3）：95-107.

[24] HAMILTON J D. A New Approach to the Economic Analy‐

sis of Nonstationary Time Series and the Business Cycle[J].

Econometrica，1989，57（2）：357-384.

（责任编辑：WQS / 校对：XY）

32

一、引言

自2008年全球金融危机爆发以来，防范化解系

统性金融风险成为各国政府金融工作中的重点内

容，对于金融规模早已达到世界第二的我国金融市

场而言，做好系统性金融风险防范化解工作更显得

尤为重要。在2017年第五次全国金融工作会议上，

我国将防控金融风险与服务实体经济和深化金融改

革共同列为金融工作的三项任务。在此次会议上，

习近平总书记还指出“要把主动防范化解系统性金

融风险放在更加重要的位置，科学防范，早识别、早

预警、早发现、早处置，着力防范化解重点领域风险，

着力完善金融安全防线和风险应急处置机制”。

系统性金融风险预警指标的构建与测度作为防

范化解系统性金融风险的基本前提和重要内容，受

到了广泛的关注。其中，金融压力指数因其便捷性

和直观性，逐渐成为监管层参考的系统性金融风险

指标。该指标率先由Illing等[1]

提出。在此体系构建

框架的指导下，金融监管机构和学者基于不同的维

度和方法，构建了适应于各地的金融压力指数。例

如，欧洲系统性风险委员会采用ESRB-CISS研究方

法构建了系统性压力综合指数[2]

；Cardarelli等[3]

利用

17个国家的数据，采用等方差权重的方法构建了金

融压力指数；Balakrishnan 等[4]

基于同样的方法构造

了发展中国家的金融压力指数。国内研究中，陶玲

等[5]

选取了金融机构、股票市场、债券市场、货币市

场、外汇市场、房地产市场、政府部门共7个维度，采

用因子分析的方法构建了系统性金融风险综合指

数。此外，清华大学国家金融研究院金融与发展研究

中心课题组[6]

和范云朋[7]

借鉴了欧洲系统性风险委

员会采用的ESRB-CISS方法，分别选取了不同的维

度，构建了适应于我国的系统性金融风险综合指数。

虽然金融压力指数构造简便，且有利于动态的、

长期跟踪的风险监测，但仍存在一定的局限性。首

先，目前金融压力指数构建方法大多为等方差权重

法、主成分分析法和因子分析法等。这些方法在刻

画系统性金融风险的过程中，由于过于简单，无法刻

画金融市场的某些特征，尤其是系统性金融风险防

摘 要：尾部风险是系统性金融风险爆发的重要导火索，而常用于系统性金融风险测度的因子分析方法一般是从均值角度进行构

建。为从尾部视角构建更加及时有效的系统性金融风险指标，本文选取了 122 个申万二级行业指数的日度收益率，采用分位数因子分析

方法，构造了金融市场的尾部风险因子。通过与均值风险因子进行比较发现：（1）尾部风险因子在风险事件刻画和风险预警方面均具有

优势；（2）其优势在于尾部风险因子除包含水平信息以外，还具有风险信息；（3）其风险信息不仅对未来市场价格信息具有边际的预测能

力，还是风险预警能力的主要来源。本文的研究结果将有助于提升我国的系统性金融风险预警效率，为维护金融稳定提供参考。

关键词：金融稳定；系统性金融风险；风险预警；尾部风险因子；分位数因子分析

中图分类号：F832.59 文献标识码：A 文章编号：1009-3540（2023）08-0033-0008

基金项目：江苏省教育厅高校基础科学（自然科学）研究面上项目“数字金融防范化解系统性金融风险的作用机理与对策研究”

（22KJD630003）；江苏省高校哲学社会科学研究一般项目“注册制改革背景下投资者管理的协同效应、保护机制和路径研究”（2022SJYB0368）。

■ 杨光艺 王桢

作者简介：杨光艺（1991—），男，博士，南京审计大学金融学院讲师； 王桢（2000—），女，中央财经大学金融学院硕士研究生。

基于分位数因子分析方法的

系统性金融风险测度

金融稳定 Financial Stability

33

2023年第8期 WUHAN

FINANCE

范中最为关键的尾部特征[8]

。另外，Benoit 等[9]

指出

这一类的综合指数法在指标选取、权重设置和阈值

设定等方面存在主观性。

为刻画系统性金融风险中的尾部风险，大部分

文献采用“自上而下”的逻辑，将宏观的系统性金融

风险分解至微观的金融机构，再基于微观金融机构

的尾部风险进行构造。其中，比较经典的微观层面的

系统性金融风险指标有风险在值 VaR[10]

、期望损失

ES[11—13]

、边际期望损失 MES[14，15]

、系统期望损失 SES

[14，16]

、DIP[17]

、LRMES[18，19]

、SRISK[18，20]

、△CoVaR[21，22]

等。

但是，2008年次贷危机的爆发让学者和金融监

管机构意识到微观审慎下的合成谬误问题。因此，

构建一个既考虑系统性金融风险尾部特征，同时又

兼顾宏观审慎视角的系统性金融风险指标，成为本

文关注的重点。相比于传统的因子分析法，Chen等[23]

提出的分位数因子分析法（后文简称 QFM）为这一

问题提供了解决思路。该方法融合了尾部风险刻画

中常采用的分位数分析方法和宏观视角下常用于降

维的因子分析方法。并且，厚尾、状态相关等金融市

场的典型特征在大量的金融实证研究中被验证，这

表明传统的基于正态分布假设的均值模型难以描绘

市场。例如，Su等[24]

指出金融市场的厚尾特征会影

响VaR的估计结果。另外，大量的实证结果也表明

金融市场存在较为明显的状态相关，即市场机制在

尾部情形和正常情形存在明显差异[25，26]

，而基于分

位数的方法则可以通过绘制不同分位数水平上的市

场运行机制，使研究者更加清楚地理解市场风险在

极端情形下的影响机制。

此外，对系统性金融风险进行监测预警是构建

系统性金融风险指标的重要目标[27，28]

。而金融压力

指数的构造一般采用宏观经济数据，这一类数据除

了更新频率较慢以外，还存在较为严重的时滞性。

例如，我国的月度CPI数据一般在次月的10号左右

才发布。在数字金融快速发展的时代，金融脱媒趋

势愈发明显，风险传播速度大幅加快，风险传导渠道

呈现出网络化和复杂化的特征。数据的时滞会严重

影响这一类金融压力指数的预警效果。

股票市场作为宏观经济的晴雨表[29]

，不仅具有

先行指标的作用，其高频的数据源也为及时高效的

风险预警提供了支撑。基于此，本文采用日度的申

万二级行业指数收益率数据构建了尾部风险因子，

用以进行系统性金融风险预警。通过与均值风险因

子进行比较，发现尾部风险因子包含一部分额外信

息，这一部分额外信息不仅对未来市场的收益率具

有显著的预测效果，还对未来市场风险具有显著的

预警能力。

本文的边际贡献体现在以下几个方面：（1）基于

金融风险的尾部属性以及金融市场厚尾、状态相关

等特征，本文首次将分位数因子分析的方法应用于

系统性金融风险的刻画，并且实证检验验证了该方

法相比于传统因子分析在风险事件刻画和风险预警

能力方面的优势。（2）相比基于因子分析构造的金融

压力指数或系统性金融风险测度体系，本文提出的

尾部风险因子具有更高的频率，更加符合数字金融

时代下系统性金融风险“早识别、早预警、早发现、早

处置”的防范要求。

二、QFM模型介绍

（一）传统因子模型的局限

因子分析方法是实证研究中最常用的、具有较

强解释力的降维分析方法，同时也是系统性金融风

险测度领域最常用的方法[5，7]

。但是，考虑到金融市

场的特征，传统的因子分析面临一系列问题，以因子

分析的基本公式（1）为例。

Xit = λi

'ft + εit （1）

其中，{Xit

}

N

i = 1 为 N 个可观测变量，ft =[ f1t

,…,frt

]'

为因子项，r 为因子个数，λi =[λ1i

,…,λri

]' 为变量 Xit

在因子 ft 上的载荷。 εit 为个体效应，通常假设为与

因子 ft 不相关的弱相关过程。例如，大部分的研究

假设为布朗运动过程。

但是，这样的假设却难以解释金融市场的实际

现象。例如，大量研究发现股票市场的收益率呈现

较为显著的厚尾性和波动时变性特征[30—32]

。此外，

越来越多的研究还发现在尾部情形下，市场的表现

与正常情形下的表现存在较大差异。例如，Ando等[33]

基于60多个国家的金融市场数据，指出公有因子结

构随着分位数的变化而变化，并且分位数水平上的

公有因子结构不同于均值水平上的公有因子结构。

而在因子分析的假设下，变量 Xit 的分布主要取决于

εit ，且模型中并未包含分位数相关（quantile-depen‐

dence）的假设，导致该模型无法捕捉到在不同分位

数水平上的信息差异。

并且，对于系统性金融风险的测度而言，尾部风

险的测度是其关键，而市场运行机制在尾部情形与

34

正常情形相比又存在巨大差异，导致均值层面上的

因子分析法在系统性金融风险测度方面存在明显的

缺陷。

（二）QFM模型

应对上述限制最直接的解决办法就是将均值层

面的因子分析方法转为分位数层面的因子分析方

法。Chen 等[23]

提出的分位数因子分析方法 QFM 为

构建尾部的系统性金融风险测度提供了最便捷的工

具。该方法可以在整个分布上提炼因子，构建出分

位数相关的风险因子，基于该方法构造的尾部风险

因子更加符合系统性金融风险的内涵。式（2）给出

了QFM的基本模型。

Xit = λi

'(τ)’ft

(τ)+ uit

(τ) （2）

其中，Xit 为N个可观测变量，时间跨度 t 为1到

T，τ 为 不 同 的 分 位 数 水 平 ，个 体 项 uit

(τ) 满 足

Quit

(τ)[τ|ft(τ)] = 0 ，ft =[ f1t

,…,fr(τ)t

]' 为模型的 r(τ) 个因

子，λi =[λ1i

,…,λr(τ)i

]'为各变量在各因子上的载荷，其

中，因子的个数 r(τ) 同样可以随着分位数 τ 的变化

而变化。

首先，从QFM模型的假设来看，QFM模型可以

在任意分位数水平上构建因子。其中，在尾部构建

的因子，相比于传统的均值层面上的主成分因子，更

加符合金融风险的内涵。例如，当 τ 取 0.01 或者

0.05时，则可以构建对应市场1%和5%的尾部风险

因子，有助于更加准确地刻画系统性金融风险的尾

部特征。

其次，从QFM 模型的假设还可以看到，因子的

数量、因子值以及因子载荷均可以随着分位数的变

化而变化，使基于QFM模型构造的分位数因子能够

更加契合金融市场中的状态特征。

此外，在模型计算方面，QFM 方法同样具有优

势，使其能够更加适应金融市场的厚尾特征。具体

而言，QFM与分位数回归一样采取的是一阶形式的

目标优化函数，而因子分析方法采取的是二阶形式

的目标优化函数，而二阶形式相比于一阶形式具有

平方的扩大效应，增大了异常值在目标优化中的重

要程度，削弱了因子分析方法等均值方法处理尾部

异常值的能力。根据 Chen 等[23]

的随机模拟结果，

QFM在厚尾分布上确实具有更强的稳健性。

（三）QFM的估计

对于任一分位数 τ 而言，待估参数包括因子值

和 载 荷 θ =(λ1

',…,λN',f1

',…,fT') 。 其 中 ，载 荷

Λ =(λ1,…,λN) 为 变 量 X 在 因 子 上 的 载 荷 ，

F =( f1,…,fT ) 为 t = 1 到 t = T 期的因子值。在因子数

确 定 为 r(τ) 的 情 况 下 ，待 估 参 数 个 数 为

M = (N + T) × r(τ) 。需要注意的是，与因子分析方法

一样，QFM 面临 λi 和 ft 无法同时识别的问题。因

此，为了对模型参数进行估计，对QFM进行了式（3）

的假设。

1

T∑t = 1

T

ft ft

' = Ir （3）

1

N∑i = 1

N

λiλi

'为对角阵，且对角元素是非增的。

QFM 模型的估计原则与分位数回归的估计原

则 一 致 ，最 小 化 一 阶 目 标 函 数 式（4），其 中

ρτ(u) =(τ - 1{u ≤ 0})u 。

MNT (θ) = 1

NT∑i = 1

N

∑t = 1

T

ρτ(Xit - λi

'ft

) （4）

但是，最小化式（4）并没有显式解，因此，QFM

的估计采用了迭代的思路，具体的步骤如下：

第一步，设定初始的因子值 F(0)

。

第二步，在给定 F(l - 1)

的情形下，对每一个变量

Xi ，利用Koenker[34]

提出的方法最小化式（5），得到其

载荷 λ(l)

i 。

Mi,T (λi

,F) = 1

T∑t = 1

T

ρτ(Xit - λi

'ft

) （5）

第三步，在给定 Λ(l)

的情形下，针对每一期，通

过最小化式（6），得到每一期的因子值 f

(l)

t 。

Mt,N(Λ,ft) = 1

N∑i = 1

N

ρτ(Xit - λi

'ft

) （6）

第四步，利用第二步和第三步的方法持续迭代，

直到 MNT (θ ) (L)

与 MNT (θ ) (L - 1)

足够接近。

第五步，根据式（3）的准则对 Λ(L)

和 F(L)

进行正

则化，得到最终的参数估计。

（四）因子个数的确定

QFM 拟合需要提前确定因子的个数。确定方

法主要有两种，分别是秩最小化法和信息准则法。

1.秩最小化法

选择一个足够大的 k 值，确保真实的因子数 r(τ)

小于 k ，在假设因子数为 k 的情况下，根据前文的方

法 估 计 出 相 对 应 的 载 荷 和 因 子 值 。 其 中 ，令

Λ̂ k

=(λ̂k

1 ,…,λ̂k

N)' 为因子数是 k 时的载荷估计值，将此

估计值代入式（7）。

金融稳定 Financial Stability

35

2023年第8期 WUHAN

FINANCE

1

N (Λ̂ k

)'Λ̂ k

= diag(σ̂

k

N,1,…,σ̂

k

N,k) （7）

因子个数则由 σ̂

k

N,j 超过临界值 PNT 的个数来确

定，具体的数学表达式如式（8）。

r̂

rank =∑j = 1

k

1{σ̂

k

N,j > PNT} （8）

2.信息准则法

与其他信息准则的评价标准相类似，基于信息

准则的因子个数选择同样是在参数个数和效用损失

之间进行权衡，具体的权衡公式如式（9）。

r̂

IC = arg min 1 ≤ l ≤ k

[MNT (θ )̂

l + l × PNT] （9）

其中，θ̂

l

表示因子个数为 l 时的参数估计值，

MNT (θ )̂

l 是对应的效用损失，而 l × PNT 则衡量了参数

个数的影响，因子个数则取使两者加和最小的数值。

三、基于QFM的系统性金融风险测度

（一）数据来源与数据处理

考虑到个股存在上市日期不一致、停牌、退市等

导致数据缺失的问题，本文在构建日度频率上的系

统性金融风险指标的时候，采用的数据为申万二级

行业指数的日度对数收益率数据。其中，由于非金

属材料、林业、农商行这3个二级行业存在数据缺失

等问题，因此，本文选取了其他122个二级行业，时

间区间为2012年1月4日到2022年6月30日。数据

来源于WIND数据库。

为构造基于尾部的风险因子，本文参考学术研

究和监管机构在使用VaR值时常用的99%和95%置

信水平，对应选择了1%和5%的尾部分位数水平，并

利用QFM模型构建了两个尾部的因子指标，后文将

这两个指标分别简称为QF01和QF05。此外，为了

将本文提出的尾部风险因子与传统的均值风险因子

进行比较，本文还采用QFM模型构建了50%分位数

水平上的中位数风险因子和基于主成分分析法构建

的系统性金融风险指标，后文将这两个指标分别简

称为 QF50 和 PCA。从指标的构造来看，QF01 和

QF05 更多地刻画了金融市场的尾部风险，而 QF50

和 PCA 则更多地刻画了金融市场的平均水平。因

此，本文将 QF01 和 QF05 统称为尾部风险因子，将

QF50 和 PCA 统称为均值风险因子。图 1 给出了四

个指标的时间趋势图。从趋势图上来看，四者呈现

出较为相似的走势，且四者的极端值均出现在2015

年股灾期间，表现出了良好的系统性金融风险测度

效果。

（二）尾部风险因子与均值风险因子的比较分析

考虑到尾部风险因子主要集中于分布的尾部，

均值风险因子主要集中在分布的中部，本文首先猜

测两者在信息上存在一定的差异，但是，无论是分布

的尾部，还是分布的中部，均受到分布本身的水平位

置影响。因此，除了差异之外，尾部风险因子与均值

风险因子还存在一些公有信息。

表1给出的四个指标之间的相关系数水平则进

一步佐证了这一猜想。可以看出，QF01与QF05的

相关性为 0.957，QF50 和 PCA 的相关性高达 0.997，

而QF01与QF50以及QF01与PCA的相关性均仅在

0.850附近，表明尾部风险因子

与均值风险因子之间包含着

不同的信息。但是，0.847以上

的相关系数表明两类风险因

子之间同样具有大量的公有

信息。

为了进一步探寻不同因

子指标间信息差异的具体内

容，本文结合系统性金融风险

的具体内涵，选取了样本期间

内沪深300指数下跌幅度在尾

部0.5%的样本日期，以考察分

析不同指标在极端情形下的

表现。表2给出了在这些样本

图1 QF01、QF05、QF50和PCA指标的走势图 期间内不同指标是否也处于

36

自身序列尾部0.5%分位数范围的结果，发现13个交

易日中除2015年1月19日以外，其他交易日期各指

标的表现一致。其中，2015 年 1 月 19 日，QF01 和

QF05 两个尾部风险因子同样处于各自序列的前

0.5%，而 QF50 和 PCA 两个均值风险因子并未表现

出类似的结果，表明QF01和QF05相比而言具有更

好地对系统性金融风险测度的效果。

从具体事件来看，2015 年 1 月 19 日，受监管层

规范券商两融的影响，当天19只券商股集体跌停，

上证指数和沪深300指数均下跌7.7%，创造了A股

自2008年金融危机以来的最大跌幅，也被称为“119

股灾”。并且，上证指数这一跌幅，相比于之后的

2015 年股灾而言① ，也仅低于 2015 年 8 月 24 日

8.49%的跌幅。此外，2015年1月19日，市场对于两

融规定的反应，也为后续股灾的爆发提供了暗示。

2015 年股灾前期的牛市带有较为明显的“杠杆牛”

特征。图 2 给出了 2014 年 1 月 1 日到 2016 年 12 月

31 日区间内上证指数收盘价和 A 股融资余额规模

的走势图。可以看出，两者具有十分相似的行走轨

迹。在第一阶段，自2014年7月开始，融资融券业务

限制放宽，融资余额规模开始快速增长，A股牛市也

正式同步启动。在第二阶段，2015 年 6 月 13 日，证

监会发布消息将严厉打击场外配资活动之后，融资

余额规模与上证指数开始同步大幅下跌，A股也正

式爆发了近十年来最为严重的股灾。

图2 上证指数收盘价与融资余额的走势图

四、风险因子的预警效果评估

（一）风险预警模型设计

构建系统性金融风险测度指标最主要的目的是

对潜在的系统性金融风险进行预警监测，为评估比

较两类风险因子的预警能力，本文决定采用前瞻预

警模型进行分析，进一步探寻尾部风险因子与均值

风险因子的信息差异。式（10）给出了本文采用的前

瞻预警模型。

yt + 1 = α + β × riskt +∑i = 1

p

γi × yt + 1 - i + εt + 1 （10）

其中，yt + 1 为金融市场的实际表现。本文主要

采用了沪深300指数的对数收益率和对数振幅两个

指标，分别代表市场的价格信息和风险信息。 riskt

为本文构造的四个系统性金融风险指标。需要指出

的是，为确保风险因子的前瞻性，因子构造采用了滚

动的方法，即每一期的因子计算仅使用本期及以前

的数据进行计算。由于因子的计算需要一定的样本

量，因此，本部分的实证研究选择将前50%的样本作

为第一期风险因子的训练期，再通过滚动的形式获

得后50%用于评估的风险因子。具体而言，用于前

瞻预警模型评估的样本区间为 2017 年 4 月 6 日到

2022年6月30日。

此外，考虑到时间序列变量本身的自相关性，本

文在前瞻预警模型中还加入了被解释变量的滞后

项，关于滞后项阶数的选择，本文采用了BIC信息准

则的方法，根据BIC信息准则，沪深300收益率的滞

后阶数为 0，符合在日度频率上收益率自相关较弱

的假设；沪深300振幅的滞后阶数为4阶，与被广泛

金融稳定 Financial Stability

表1 各指标的相关系数

指标

QF01

QF05

QF50

PCA

QF01

1.000

0.957

0.847

0.860

QF05

0.957

1.000

0.920

0.929

QF50

0.847

0.920

1.000

0.997

PCA

0.860

0.929

0.997

1.000

表2 各指标在市场极端收益率情形下的表现情况

日期

2013/6/24

2015/1/19

2015/5/28

2015/6/26

2015/7/8

2015/7/27

2015/8/18

2015/8/24

2015/8/25

2016/1/4

2016/1/7

2016/2/25

2020/2/3

QF01

否

是

否

是

否

是

是

是

是

是

是

是

是

QF05

否

是

否

是

否

是

是

是

是

是

是

是

是

QF50

否

否

否

是

否

是

是

是

是

是

是

是

是

PCA

否

否

否

是

否

是

是

是

是

是

是

是

是

37

2023年第8期 WUHAN

FINANCE

发现的波动率聚集现象相吻合。

根据前文的结论，尾部的测度指标与均值水平

的测度指标包含不同的信息，为了进一步比较不同

指标间的差异，本文采用式（11）的前瞻预警模型，将

尾部因子和均值因子同时纳入前瞻预警模型中。其

中，tailt 为尾部风险因子，对应变量QF01或QF05；

meant 为均值风险因子，对应变量QF50或PCA。

yt + 1 = α + β1 × tailt + β2 × meant +

∑i = 1

p

γi × yt + 1 - i + εt + 1

（11）

（二）实证结果

表3给出了前瞻预警模型的实证结果。从Panel

A中模型1到模型4的结果可以看到，无论是尾部风

险因子，还是均值风险因子，对于未来的收益率均具

有十分显著的预测效果。并且，在将尾部风险因子

和均值风险因子同时纳入的模型5到模型8的结果

中，两者的预测效果同时有效，表明尾部风险因子和

均值风险因子均包含市场未来的价格信息。

需要指出的是，虽然不同分位数上的风险因子

衡量了分布在不同位置的信息，但是，分布在不同分

位数上的信息也同样受到分布的水平信息影响，这

一点也得到了表1结果的证明。因此，本文认为水

平信息是均值风险因子和尾部风险因子对未来价格

信息具有预测作用的共同因素。

结合回归系数均为正数的结果，本文认为市场

收益率在日度频率上的正相关关系与我国市场上超

短期的动量效应相关[35，36]

，即当天市场的收益率水

平偏低时，下一个交易日的收益率水平同样偏低。

进一步分析对数收益率的回归结果，有两个结

果值得注意。首先，在仅纳入一个风险因子的模型

1到模型4中，尾部风险因子的回归系数高于均值风

险因子的回归系数；其次，当同时纳入尾部风险因子

和均值风险因子时，虽然尾部风险因子的回归系数

大幅下滑，但是，尾部风险因子的系数同样显著，并

且，该系数和均值风险因子的系数之和与模型1和

模型2中尾部风险因子的系数相近。基于这样的实

证结果，本文认为尾部风险因子除包含水平信息以

外，还包含其他对未来市场收益率具有预测作用的

信息。

具体而言，在单变量的前瞻模型中，由于尾部风

险因子包含了更多的信息，因此其对未来的收益率

具有更强的预测效果；而当两类因子同时纳入回归

方程时，水平信息的预测作用主要体现在均值风险

因子上，通过比较模型3—4与模型5—8，发现均值

风险因子的回归系数的数值并未出现大幅下跌，即

可说明这一点。而尾部风险因子上显著的系数则更多

地体现了尾部特征对未来市场收益率的预测能力。

因此，对于尾部风险因子而言，其包含的水平信息和

尾部信息对于未来市场的收益率均具有预测作用。

关于尾部风险因子包含的额外信息到底是什

么，Panel B中振幅的前瞻预警模型给出了进一步的

指引。首先，从Panel B中模型1到模型4的结果可

以发现，四个风险因子指标均具有十分显著的风险

预警效果，即当日风险因子的数值越低，对应于当日

的市场下跌幅度越大、风险水平越高的情形，下一个

交易日的振幅越大。这表明在单变量模型中，四个

风险因子均具有显著的风险预警能力。需要指出的

是，与市场收益率的预警模型一样，尾部风险因子回

归系数的绝对值更大，表现出更强的风险预警能力。

但是，与对数收益率预警模型不同的是，当同时

纳入尾部风险因子和均值风险因子的时候，振幅预

警模型中均值风险因子的预警能力不再显著，而尾

部风险因子的风险预警能力仍然显著，表明市场风

险的预测能力主要来自尾部风险因子。结合尾部特

表3 各指标的系统性金融风险预警效果分析

变量

Panel A：沪深300对数收益率的回归结果

QF01

QF05

QF50

PCA

AR模型

Panel B：沪深300振幅的回归结果

QF01

QF05

QF50

PCA

AR(4)

模型1

1.249***

（0.054）

否

-0.264***

（0.033）

是

模型2

1.206***

（0.047）

否

-0.246***

（0.030）

是

模型3

0.968***

（0.037）

否

-0.167***

（0.023）

是

模型4

0.984***

（0.036）

否

-0.169***

（0.023）

是

模型5

0.424***

（0.088）

0.723***

（0.063）

否

-0.206***

（0.058）

-0.049

（0.040）

是

模型6

0.279***

（0.092）

0.821***

（0.065）

否

-0.201***

（0.062）

-0.052

（0.042）

是

模型7

0.538***

（0.104）

0.589***

（0.082）

否

-0.279***

（0.070）

0.028

（0.054）

是

模型8

0.342***

（0.110）

0.722***

（0.086）

否

-0.283***

（0.076）

0.031

（0.058）

是

注：括号内为标准误；*、**、***分别表示在10%、5%、1%的水平上

显著。下表同。

38

征的自有属性、风险事件刻画的比较以及表 3 中

Panel A的结果，本文认为尾部风险因子水平信息之

外的信息主要为市场的风险信息，并且这一部分风

险信息不仅对于未来市场价格具有边际的预测作

用，还是风险预警能力的主要来源。

（三）尾部风险因子特有信息验证

为进一步验证尾部风险因子的额外信息为风险

信息的假设，本文利用因子分析法萃取了尾部风险

因子的特有信息。具体做法是将四个风险因子利用

式（12）的因子分析模型提炼出公有信息 ft 以及各

自的特有信息 εi,t 。为方便阐释，本文将各自的特有

信息分别定义为 QF01_indi、QF05_indi、QF50_indi、

PCA_indi。

riski,t = μi + ai × ft + εi,t （12）

基于萃取出来的共有因子和特有信息，式（13）

通过同时纳入尾部风险因子的特有信息、均值风险

因子的特有信息以及公有信息来验证尾部风险因子

额外信息的信息属性及预警功能。

yt + 1 = α + β1 × tail_indit + β2 × mean_indit +

β f × ft +∑i = 1

p

γi × yt + 1 - i + εt + 1

（13）

与式（10）和式（11）一样，沪深 300 振幅的预警

模型还加入了沪深300振幅的四阶滞后项，沪深300

对数收益率的预警模型则同样未加入该变量的滞后

项。回归结果见表4。

从表4的Panel A来看，共有因子在四个模型中

均对沪深 300 的未来价格信息具有显著的预测能

力，进一步验证了风险因子中的水平信息对于未来

价格信息的预测作用，并且，共有因子正向的回归系

数同样为价格信息预测作用的动量传导渠道提供了

证据。在特有信息方面，除QF05因子以外，其他风

险因子的特有信息均未表现出稳健的预测能力，表

明尾部风险因子在预测市场价格信息方面具有额外

的作用，而回归系数的方向为这一额外作用提供了

理论指引，无论在模型10，还是模型12，本文均发现

QF05_indi的回归系数在5%的水平上显著为负，表

明在当日的市场下跌幅度越大、风险水平较高的情

形下，下一个交易日的收益率越高，符合金融学经典

理论中的风险-收益原则，也为进一步确定尾部风

险因子的额外信息为风险信息提供了证据。

从表4的Panel B中可以看到，在模型9到模型

12的四个模型中，均只有尾部风险因子的特有信息

对未来市场的风险信息表现出显著的预警能力，同

样为尾部风险因子的额外信息为风险信息的假设提

供了证据。

综上所述，本文认为尾部风险因子除包含水平

信息以外，还包含风险信息。两者均对市场未来的

价格信息具有预测作用，其中，水平信息的预测作用

占主导，但是，风险信息同样具有边际的预测能力。

除此之外，在风险预警中，尾部风险因子中的风险信

息还是风险预警能力的主要来源。

五、结论

本文利用2012年1月4日到2022年6月30日申

万二级行业指数的日度数据，采用分位数因子分析

的方法，构建了尾部风险因子和均值风险因子，用来

测度系统性金融风险。通过评估分析发现：尾部风

险因子和均值风险因子在风险事件刻画和风险预警

方面均具有不错的效果，且相比之下，尾部风险因子

具有更优的刻画效果和预警效果。

进一步的研究分析表明，尾部风险因子在风险

预警方面具有优势的原因在于，除水平信息以外，尾

部风险因子还具有额外的风险信息，尾部风险因子

金融稳定 Financial Stability

表4 各指标特有信息的系统性金融风险预警效果分析

变量

Panel A：沪深300对数收益率的回归结果

QF01_indi

QF05_indi

QF50_indi

PCA_indi

共有因子

AR模型

Panel B：沪深300振幅的回归结果

QF01_indi

QF05_indi

QF50_indi

PCA_indi

共有因子

AR模型

模型9

-0.049

（0.118）

0.092

（0.123）

0.796***

（0.065）

否

-0.136*

（0.076）

0.047

（0.078）

-0.191***

（0.041）

AR（4）

模型10

-0.785***

（0.225）

-0.108

（0.133）

0.488***

（0.102）

否

-0.324**

（0.150）

-0.007

（0.084）

-0.265***

（0.067）

AR（4）

模型11

0.001

（0.119）

0.305*

（0.156）

0.857***

（0.069）

否

-0.129*

（0.076）

0.093

（0.101）

-0.179***

（0.044）

AR（4）

模型12

-0.735***

（0.259）

-0.041

（0.191）

0.520***

（0.125）

否

-0.330*

（0.169）

-0.001

（0.120）

-0.268***

（0.081）

AR（4）

39

2023年第8期 WUHAN

FINANCE

的风险信息不仅对未来市场价格信息具有边际的预

测能力，还是风险预警能力的主要来源。

综合而言，相比于传统的因子分析方法，本文利

用分位数因子分析方法构建的尾部风险因子不仅在

风险监测预警效率上具有优势，还具有时效性、更新

频率快等特点，使其更加适应数字金融时代下隐蔽

性更高、传播速度更快的风险特征，有助于金融监管

机构实现系统性金融风险的早识别、早预警、早发

现、早处置。■

注 释

① 根据上证指数的峰谷值计算，2015年股灾开始于2015年

6月12日，结束于2016年1月27日。

[参考文献]

[1] ILLING M，LIU Y. Measuring Financial Stress in a Devel‐

oped Country：An Application to Canada[J]. Journal of Finan‐

cial Stability，2006，2（3）：243-265.

[2] HOLLO D，KREMER M，LO DUCA M. CISS-A Compos‐

ite Indicator of Systemic Stress in the Financial System[R]. Eu‐

ropean Systemic Stress Board Working Paper，2012.

[3] CARDARELLI R，ELEKDAG S，LALL S. Financial Stress

and Economic Contractions[J]. Journal of Financial Stability，

2011，7（2）：78-97.

[4] BALAKRISHNAN R，DANNINGER S，ELEKDAG S，et

al. The Transmission of Financial Stress from Advanced to

Emerging Economies[J]. Emerging Markets Finance and Trade，

2011，47（sup2）：40-68.

[5] 陶玲，朱迎.系统性金融风险的监测和度量：基于中国金

融体系的研究[J].金融研究，2016（6）：18-36.

[6] 清华大学国家金融研究院金融与发展研究中心课题组.

中国系统性金融压力的监测[J].国际金融研究，2019（12）：

3-12.

[7] 范云朋.我国系统性金融风险监测与度量研究：基于ES‐

RB-CISS研究方法[J].经济问题探索，2020（11）：157-171.

[8] 杨子晖，陈雨恬，陈里璇.极端金融风险的有效测度与非

线性传染[J].经济研究，2019（5）：63-80.

[9] BENOIT S，COLLIARD J E，HURLIN C，et al. Where the

Risks Lie：A Survey on Systemic Risk[J]. Review of Finance，

2017，21（1）：109-152.

[10] JORION P. In Defense of VAR[J]. Derivatives Strategy，

1997，2（4）：20-23.

[11] ARTZNER P，DELBAEN F，EBER J M，et al. Thinking

Coherently[J]. Risk，1997，10：68-71.

[12] BALI T G，THEODOSSIOU P. A Conditional-SGT-VaR

Approach with Alternative GARCH Models[J]. Annals of Oper‐

ations Research，2007，151（1）：241-267.

[13] KRATZ M，LOK Y H，MCNEIL A J. Multinomial VAR

Backtests：A Simple Implicit Approach to Backtesting Expected

Shortfall[J]. Journal of Banking & Finance，2018，88：393-407.

[14] ACHARYA V V，PEDERSEN L H，PHILIPPON T，et

al. Measuring Systemic Risk[J]. The Review of Financial Stud‐

ies，2017，30（1）：2-47.

[15] 赵进文，张胜保，韦文彬.系统性金融风险度量方法的比

较与应用[J].统计研究，2013（10）：46-53.

[16] 方意，赵胜民，王道平.我国金融机构系统性风险测度：

基于 DGC- GARCH 模型的研究[J].金融监管研究，2012

（11）：26-42.

[17] HUANG X，ZHOU H，ZHU H. A Framework for Assess‐

ing the Systemic Risk of Major Financial Institutions[J]. Jour‐

nal of Banking & Finance，2009，33（11）：2036-2049.

[18] BROWNLEES C T，ENGLE R F. SRISK：A Conditional

Capital Shortfall Measure of Systemic Risk[J]. The Review of

Financial Studies，2017，30（1）：48-79.

[19] 梁琪，李政，郝项超.我国系统重要性金融机构的识别与

监管：基于系统性风险指数SRISK方法的分析[J].金融研究，

2013（9）：56-70.

[20] 陈湘鹏，周皓，金涛，等.微观层面系统性金融风险指标

的比较与适用性分析：基于中国金融系统的研究[J].金融研

究，2019（5）：17-36.

[21] ADRIAN T，BRUNNERMEIER M K. CoVaR[J]. The

American Economic Review，2016，106（7）：1705-1741.

[22] 吴金宴，王鹏.哪些因素影响了股市风险传染?来自行业

数据的证据[J].中国管理科学，2022（8）：57-68.

[23] CHEN L，DOLADO J J，GONZALO J. Quantile Factor

Models[J]. Econometrica，2021，89（2）：875-910.

[24] SU J B，LEE M C，CHIU C L. Why Does Skewness and

the Fat-Tail Effect Influence Value-At-Risk Estimates? Evi‐

dence from Alternative Capital Markets[J]. International Re‐

view of Economics & Finance，2014，31：59-85.

[25] HAN H，LINTON O，OKA T，et al. The Cross-Quantilo‐

gram：Measuring Quantile Dependence and Testing Direction‐

al Predictability Between Time Series[J]. Journal of Economet‐

rics，2016，193（1）：251-270.

[26] MAGHYEREH A，ABDOH H. Time–Frequency Quan‐

tile Dependence Between Bitcoin and Global Equity Markets

[J]. The North American Journal of Economics and Finance，

2021，56：101355.

[27] 杨子晖，李东承.系统性风险指标是否具有前瞻性的预

测能力?[J].经济学（季刊），2021（2）：617-644.

[28] 方意.前瞻性与逆周期性的系统性风险指标构建[J].经

济研究，2021（9）：191-208.

[29] 孟庆斌，张永冀，汪昌云.中国股市是宏观经济的晴雨表

吗?基于马氏域变模型的研究[J].中国管理科学，2020（2）：

13-24.

[30] 曹志广，王安兴，杨军敏.股票收益率非正态性的蒙特卡

罗模拟检验[J].财经研究，2005（10）：34-41+52.

[31] 桂文林，韩兆洲，潘庆年.POT模型中GPD“厚尾”性及金

融风险测度[J].数量经济技术经济研究，2010（1）：107-118.

[32] 沈根祥，邹欣悦.已实现波动GAS-HEAVY模型及其实

证研究[J].中国管理科学，2019（1）：1-10.

[33] ANDO T，BAI J. Quantile Co- Movement in Financial

Markets：A Panel Quantile Model with Unobserved Heteroge‐

neity[J]. Journal of the American Statistical Association，2020，

115（529）：266-279.

[34] KOENKER R. Quantile Regression[M]. Cambridge Univer‐

sity Press，2005.

[35] 潘莉，徐建国.A股个股回报率的惯性与反转[J].金融研

究，2011（1）：149-166.

[36] ZHANG Y，MA F，ZHU B. Intraday Momentum and

Stock Return Predictability：Evidence from China[J]. Econom‐

ic Modelling，2019，76：319-329.

（责任编辑：GW / 校对：XY）

40

一、引言

近年来，我国出台了一系列重大决策部署，努力

减少经济发展与人口资源环境之间的矛盾。2010

年发布《关于开展低碳省区和低碳城市试点工作的

通知》，确定5省8市为首批低碳试点。2012年追加

了1省、29市为第二批试点。2017年又追加了10区

县、35市为第三批试点。党的二十大报告对统筹做

好碳达峰碳中和工作提出了明确要求，指出“发展绿

色低碳产业，推动形成绿色化、低碳化的高质量发

展”这一实现“双碳”目标的战略路径，强化大气多污

染物协同控制和区域协同治理，完善减污降碳激励

约束政策迫在眉睫。在此背景下，本文试图探讨低

碳城市试点政策是否能够有效提升企业的环境绩

效，以及这种影响如何通过不同的方式体现出来。

此外，本文还考虑到低碳城市试点政策的地理位置、

经济水平和空间位置之间的差异性。解决上述问题

对于检验低碳城市建设的早期成果和丰富未来政策

发展具有重要的实用价值，也将为我国实现2030年

碳排放峰值目标提供有利的政策启示。

现有文献主要集中在宏观层面上考察低碳政策

对城市污染排放的影响。Wolff[1]

通过研究欧洲低碳

城市政策的结果，发现这项政策在交通中心有显著

的大气减排效果。Cheng 等[2]

利用第二批城市试点

数据发现，低碳试点政策可以显著促进区域的经济

增长。龚梦琪等[3]

以地级市数据为研究对象，用双

重差分法检验低碳试点政策对外商直接投资的影

响。张华[4]

发现低碳城市可以显著减少碳排放，通

过机制分析进一步发现这一政策遏制碳排放的主要

途径是降低用电量，提高技术创新水平。从微观层

面分析，熊广勤等[5]

发现低碳试点政策可以显著提

高试点城市高碳企业的绿色创新，从而验证了“波特

假说”。张红凤等[6]

从企业生态系统的角度考察政

策的实施效果，结合企业技术创新和利益相关者的

角度阐述了宏观环境政策对微观企业的内在传导机

制。陈孝明等[7]

从政府补助、金融资产配置和市场

摘 要：低碳城市试点是实现“双碳”目标的重要战略，是引领全国城市低碳发展、推动实现中国式现代化的关键动力。本文基于

2008—2020 年沪深 A 股上市公司数据，以 2010 年以来先后三次推行低碳城市试点政策为冲击，运用多时点双重差分法考察其对重污染企

业环境绩效的影响。实证结果表明，低碳城市试点政策能够显著提升企业的环境绩效水平。机制分析发现，低碳城市试点主要通过增加

企业创新投入和提升绿色技术创新水平等途径来提高企业环境绩效。异质性研究发现，企业环境绩效的激励效应在国有企业和西部城

市的企业中表现更加显著。

关键词：环境规制；环境绩效；绿色创新；低碳城市试点

中图分类号：F832.5 文献标识码：A 文章编号：1009-3540（2023）08-0041-0009

基金项目：国家自然科学基金青年基金“基于混频大数据的区间型碳市场价格预测研究”（72101138）；国家自然科学基金青年基金“司

法环境对中小企业违约贷款回收的影响效应与机理研究”（72003110）。

■ 项东 赵嘉敏 郝艳

作者简介：项东（1969—），男，博士，山东师范大学商学院教授； 赵嘉敏（1998—），女，山东师范大学商学院硕士研究生； 郝艳

（1993—），女，博士，山东师范大学商学院讲师。

低碳经济下的企业环境绩效

及其作用机制

——基于低碳城市试点的准自然实验

绿色经济 Green Economy

41

2023年第8期 WUHAN

FINANCE

对接效率三个角度进行机制分析，研究数字金融对

绿色创新的影响。

与已有研究相比，本文可能的边际贡献在于：

（1）基于企业的微观视角，运用多时期DID方法对低

碳城市试点政策进行量化评价，探讨其对重污染企

业环境绩效的影响，改进原有的宏观研究范式，扩大

政策相关研究。（2）在基准回归的基础上，本文进一

步检验其内部机制，将创新投入、绿色创新作为中介

变量，检验其是否在低碳试点政策与企业环境绩效

的关系中发挥机制作用。（3）本文重点关注低碳城市

试点政策对企业环境表现的影响，识别该政策对企

业环境绩效的影响效果。此外，本文还考虑低碳城

市试点政策的地理位置、经济水平和空间位置之间

的差异性，对于推进我国低碳经济发展具有理论和

现实意义。

二、理论机制与假设

（一）政策背景

“双碳”目标为经济向绿色低碳转型明确了进度

要求[8]

，将不断推动生态文明建设和可持续发展[4]

。

城市作为现代经济的聚集地，以第二产业和第三产

业为支撑。两大产业在运行过程中消耗了大量的化

石能源，是碳排放的主要来源。因此，城市的低碳发

展在碳减排工作中显得尤为重要。

本文通过对三次低碳试点城市文件和工作进程

进行梳理，发现试点地区主要在启动时间、试点范

围、目的意义、具体任务、创新点和预期成果这六个

方面进行了调整。详见表1。

（二）理论机制

1.环境规制与环境绩效

低碳城市试点作为综合环境市场调控工具，其

实施效果备受关注，但是其作为城市层面的环境规

制具有弱激励性和弱约束性[9]

。起初并未设置完整

的用以实现政策目标的具体执行方案，例如碳排放

量和排放标准等。这给予了地方较大的自主空间，

有利于各级政府结合本地区具体情况制定有针对性

的政策[10]

。许多学者对该政策的实施效果进行了评

估。从宏观层面上看，研究结果发现低碳试点政策

有利于提高碳减排效应[4]

、改善城市居民绿色生产

方式[11]

、提高空气污染治理效应[12]

；从微观层面来

看，研究结果表明低碳城市试点政策有助于企业绿

色技术“增量提质”[13]

、提高企业的全要素生产率[14]

、

促进高污染工业企业绩效[6]

。

已有研究大多聚焦于低碳试点政策在宏观层面

的影响，涉及企业微观层面的研究较少。从微观层

面看，企业通过实际的碳减排活动达到地方政府的

目标与要求，通过流程再造、技术创新、环境信息披

露来提高企业生产效率和环境绩效。根据共生理

论，企业将通过灵活的碳减排活动提高全要素生产

率[14]

，并将不断改进其生产方式和经营理念，降低企

业成本，提高企业环境绩效。因此，在碳达峰碳中和

的背景下，碳排放成本的日益增加会使企业更加关

注其低碳可持续发展，并逐渐提高对环境绩效的关

注度，低碳城市试点政策的实施加快了企业向创新、

高效和环保的转变，不断推动企业提高市场竞争力

和环境绩效。综上所述，本文提出如下假设：

H1：低碳城市试点政策对企业环境绩效有正向

表1 低碳城市试点政策汇总表

项目

启动时间

试点范围

目的意义

具体任务

创新点

预期成果

第一批试点城市

2010年7月

5省8市

充分调动各方积极

性，积累各地区经

验，推动落实我国控

制温室气体排放行

动目标

制定低碳发展规划，

制定相关政策，构建

温室气体排放数据

统计管理体系，倡导

低碳绿色生活和消

费模式

首次开展试点

研究制定试点省和

试点城市低碳发展

规划；运用市场机制

推动温室气体减排；

建立温室气体的数

据收集和核算系统

第二批试点城市

2012年11月

3省26地级市

扩大试点范围，展

示不同地区的优

势，探索不同类型

地区有效的温室

气体排放途径

建 立 以 低 碳 、绿

色、环保、循环为

特色的低碳产业

体系，明确了工作

方向和原则的要

求。建立温室气

体排放控制目标

责任制度

组织专家对申报

城市进行评选

编制温室气体排

放清单，制定本地

区碳排放指标分

解和考核办法；推

动居民践行低碳

生活理念

第三批试点城市

2017年1月

45个城市（区、县）

扩大试点范围，鼓励更

多城市探索和总结低

碳发展经验

建立温室气体减排目

标评审制度，积极寻求

创新经验和方法，提高

低碳发展管理能力

明确指出，申报城市必

须提交碳排放峰值目

标，报告建设体系必须

包括总碳排放量、单位

GDP碳排放量等14项

指标，第三批试点正在

进一步成熟

2017年2月底前，修改

完善试点方案，推进试

点 工 作 ；2017—2019

年，将试点工作成效形

成可复制和传播的经

验；2020 年，将成功经

验在全国逐步推广

资料来源：《关于开展低碳省区和低碳城市试点工作的通知》（发

改气候〔2010〕1587号）；《国家发展改革委关于开展第二批低碳

省区和低碳城市试点工作的通知》（发改气候〔2012〕3760 号）；

《国家发展改革委关于开展第三批国家低碳城市试点工作的通

知》（发改气候〔2017〕66号）。

42

促进作用。

2.低碳试点政策与企业绿色技术创新机制

技术进步和资源要素投入是制约经济增长的两

个主要因素[15]

，技术创新是协调环境监管和企业绩

效的关键环节[16]

。企业创新活动的强度取决于管理

者对企业创新活动风险和预期回报的判断[17]

。低碳

城市试点政策是城市环境监管体系的重要组成部

分，现有文献主要从“挤出效应”和“补偿效应”两个

方面进行研究：一方面，根据波特假设，适当的环境

规制有利于“倒逼”企业进行绿色技术创新，使绿色

创新的“补偿效益”高于排污费等合规成本。在波特

假设的“倒逼”效应下，绿色创新的独特优势将使管

理者和利益相关者能够将绿色和可持续创新解决方

案纳入其业务决策和战略规划，以创造绿色竞争优

势[18]

。另一方面，政府支持对创新有积极影响[19]

，基

于政府“支配”视角下的资源分配政策，对企业绿色

创新的“挤出效应”表现为迎合政府和机会主义。

作为一项综合性环境法规，低碳城市试点政策

可以通过提高技术创新水平来改善企业的环境绩

效。以新古典主义为代表的传统学派认为，环境规

制会使企业承担更多的环境责任，从而影响经济利

益的流入，降低企业的核心竞争力[20]

。然而，根据波

特假设，适当的环境监管将提高企业的创新能力和

生产效率，弥补环境成本，甚至产生一定的经济效

益[21]

。这一假设认为，环境保护和经济发展并不对

立，环境法规可以使企业通过提高技术创新来提高

整体绩效，且这一假设已被许多学者证实。根据现

有文献，低碳试点政策通过“波特假说效应”促进低

碳技术的发展[2]

，与此同时，低碳试点城市通过投资

补贴、贷款贴息、直接激励等方式补贴生产企业，以

此来增加低碳技术的研发支出。此外，低碳试点政

策显著促进了外商直接投资，随着技术创新的溢出

效应[3]

，技术先进的外资企业将向东道国推广绿色

低碳生产技术，提高其生产经营的环保水平[4]

。

综上所述，低碳城市试点政策会增加企业的研

发投入，进而提升绿色创新产出，从而促进企业环境

绩效。据此，本文提出如下假设：

H2a：低碳城市试点政策会促进绿色创新产出；

H2b：低碳城市试点政策会促进绿色创新投入；

H2c：低碳城市试点政策会提高绿色创新效率；

H3a：绿色创新产出对企业环境绩效有显著促

进作用；

H3b：绿色创新投入对企业环境绩效有显著促

进作用；

H4：低碳城市试点政策会通过促进绿色创新进

而提高企业环境绩效。

3.异质性分析理论

不同地区的地级市在市场环境、资源禀赋、交通

条件、人才供给等方面往往存在巨大差异，影响低碳

试点工作的推进[4]

。因此，低碳城市试点政策在企

业所有制、地理位置、环保意识以及政策实施等方面

对企业环境绩效的影响可能存在一定的区域异质

性。鉴于此，本文从以下三个方面对异质性差异进

行考察：第一，基于所有权优势[22]

。一方面，国有企

业的战略决策通常代表当地政府的意志，其响应国

家政策的主动性和积极性都要高于非国有企业。环

境政策是当前和今后国家政策的重点领域，地方政

府更倾向于干预国有企业的绿色创新活动[23，24]

，从

而促进企业环境绩效。另一方面，国有企业在融资

能力、政府监管力度和信息披露水平等方面普遍强

于非国有企业[25]

。而非国有企业面临较强的融资约

束，进行绿色创新的资金有限，从而对企业环境绩效

的提高作用不明显。因此，将样本从产权性质上划

分为国有企业和非国有企业。第二，东部地区城市

在低碳技术和创新人才积累以及社会文明建设等方

面具有更加明显的优势。因此，将样本按照地理位

置分为东、中、西部城市。第三，由于经度越大，经济

水平越高，所在地区的人口密度往往较高，能源消耗

量较大，从而导致了较高的碳排放水平。因此，参考

胡艺等[26]

的做法，在模型中纳入“低碳城市试点×经

度”这一交叉项，其中经度为企业注册地所在城市政

府驻地的经度。

根据以上讨论，本文提出如下假设：

H5a：国有企业的政策效应高于非国有企业；

H5b：东部城市低碳城市试点政策比中西部城

市更有利于企业环境绩效的提高；

H5c：经度越大，低碳城市试点政策的创新效应

就会减弱，对企业环境绩效的提高效果也会降低。

三、研究设计

（一）模型构建

本文以低碳城市试点政策作为准自然实验，采

用渐进双重差分法研究低碳城市试点对企业环境绩

效的影响，进而通过对比试点城市与非试点城市的

绿色经济 Green Economy

43

2023年第8期 WUHAN

FINANCE

政策结果，识别出政策的净效应。遵循 Beck 等[27]

、

张兵兵等[28]

的做法，建立以下模型：

ln EPi,j,t = β0 + β1Shidiandummy × policyi,j,t +

β2 × Xi,j,t + Wi + φt + θj + εi,j,t

（1）

其中，ln EPi,t 为位于城市 j 的企业 i 在 t 年的环

境绩效水平；Shidian_dummy × policy 表示低碳城市

试点如果位于城市 j 的企业 i 是在低碳城市试点批

次中，且所处年份处于试点政策实施后，则取值为

1，否则取值为0；Xi,t 表示选取的控制变量；Wi 、φt 、

θj 分别表示个体固定效应、时间固定效应和城市固

定效应。 εi,t 为随机误差项。

低碳城市试点政策作为环境规制的一种类型，

该项政策有可能通过创新投入、绿色创新和创新效

率来影响企业环境绩效。因此，将三者作为中介变

量，构建模型如下：

ln EPi,j,t = α0 + α1Shidiandummy × policyi,j,t +

α2 × Xi,j,t + Wi + φt + θj + εi,j,t

（2）

midi,j,t = γ0 + γ1Shidiandummy × policyi,j,t +

γ2 × Xi,j,t + Wi + φt + θj + εi,j,t

（3）

ln EPi,j,t = δ0 + δ1Shidiandummy × policyi,j,t +

δ2 × midi,j,t + δ3 × Xi,j,t + Wi + φt +

θj + εi,j,t

（4）

模型（2）是在不纳入中介变量时低碳城市试点

政策对企业环境绩效的影响。若 α1 显著，则对模型

（3）低碳城市试点政策对中介变量（mid）的影响进行

检验，其中中介变量包括：创新投入（RD inv）、创新

产出质量（Gipa）、创新产出数量（Gum）、创新效率

（IE）；若 γ1 显著，则进一步检验解释变量与中介变

量的关系即模型（4），此时就能得到在分离出中介效

应之后低碳城市试点政策对企业环境绩效的直接效

应 γ1 。若 α1 显著，且 γ1 和 δ2 都显著，且同时满足 δ1

的系数小于 α1 ，则说明绿色创新是部分中介变量；

若 α1 显著，且 γ1 和 δ2 都显著，但是 δ1 不显著，说明

存在完全中介效应。

（二）主要变量定义

1.被解释变量

目前，国内学者采用以下两种方式来衡量环境

绩效：一是环境定量指标，如排污费、环保投入等单

一指标；二是采用企业在环境方面的行为来进行评

判。本文参照吕峻[29]

、张长江等[30]

的研究，采用评分

赋值的方式，使用CSMAR中有关环境治理与披露的

相关数据，将涉及环保制度、环保目标、政府奖惩三

个方面共计15项指标数据计入总分。由于三方面

指标赋值总分之和最小值为-2，为了消除环境绩效

数据的右偏分布问题，本文将环境绩效数据加3后

取自然对数，得到lnEP 。

2.核心解释变量

借鉴张兵兵等[28]

的研究，考虑到政策执行的滞

后性，将政策的实施时间分别定义在2011年和2013

年。本文将低碳城市试点（shidian_dum）定义如下：

如果企业注册地所在城市在2011年、2013年或2017

年被纳入低碳城市试点名单，则取值为1，否则取值

为0；如果同一城市被纳入不同批次的试点名单，则

采用最早年份的数据。

3.中介变量

本文从创新投入、创新产出和创新效率的角度

来衡量企业绿色创新。首先，参考 Adhikari 等[31]

和

潘越等[32]

的研究，用研发支出与营业收入的比率来

衡量创新投入。其次，参考Bereskin等[33]

的研究，通

过绿色专利授权数量来衡量创新产出。其中，借鉴

王馨等[34]

的文献，用绿色发明专利授权数量来衡量

创新产出质量（Gipa），用绿色实用新型专利授权数

量来衡量创新产出数量（Gum）。最后，根据权小锋

等[35]

构建创新效率综合指数的方法，将单位创新投

入的专利授权数量作为创新效率的综合指数，具体

衡量指标用Ln（1+绿色发明专利授权数量+绿色实

用新型专利授权数量）/Ln（1+研发投入）来表示。

4.控制变量

现有研究表明，企业规模、年龄、公司治理等因

素对企业的环境绩效具有重要影响。故本文选取如

下控制变量：公司规模（Size）、资产负债率（Lev）、资

产收益率（ROA）、第一大股东持股比例（Top1）、托

宾Q系数（TobinQ）、上市年限（ListAge）、管理费用率

（Mfee）。此外，还控制了个体（Firm）、年份（Year）和

城市（City）固定效应。各变量的具体定义见表2。

（三）数据来源与描述性统计

1.数据来源

本文以 2008—2020 年沪深 A 股上市公司为研

究样本。低碳城市试点数据通过《国家发展改革委

关于低碳省市试点业务的通知》手工收集。在企业

创 新 数 据 方 面 ，根 据 中 国 研 究 数 据 服 务 平 台

（CNRDS）获得所有 A 股上市公司的发明专利和实

用新型专利的专利分类号，并与世界知识产权组织

44

（WIPO）于2010年公布的“国际专利分类绿色名单”

相匹配，将上市公司的绿色专利分为绿色发明专利

（Gipa）和绿色实用新型专利（Gum）。其他微观企业

的财务数据从CSMAR数据库中获得。

2.数据处理

本文选择 2008—2020 年沪深 A 股上市公司为

样本，对数据进行以下处理：①剔除ST、*ST、金融行

业样本；②剔除专利数据缺失样本以及数据缺失较

多的样本；③剔除经营周期少于5年的样本；④剔除

无法区分企业所处行业的样本；⑤剔除资产负债率

大于1的样本，最终得到22065个样本。

3.描述性统计

描述性统计结果如表3所示，该描述性统计主

要针对标准化之前的数据。我国的环境绩效最小值

为0，最大值是2.639，而样本均值为1.684，说明研究

样本中的企业环境绩效存在差异且整体水平偏低。

低碳试点政策实施 policy 与企业是否为试点城市

Shidian_dum 为 虚 拟 变 量 ，均 值 分 别 为 0.926 和

0.668，最小值均为0，最大值均为1，说明我国企业低

碳城市试点化水平较高，因此研究政策实施效果对

企业和政府存在现实意义。创新产出质量 Gipa 和

创新产出数量Gum的均值分别为0.294和0.620，最

小值均为0，最大值分别为6.282和6.537，说明不同

企业之间绿色创新产出差异较大，但总体处于较低

水平。

表3 描述性统计

变量

lnEP

Shidian_dum

policy

RD inv

Gipa

Gum

IE

Size

Lev

ROA

Top1

ListAge

Mfee

样本量

22065

22065

22065

22065

22065

22065

10178

22065

22065

22065

22065

22065

22065

均值

1.684

0.668

0.926

0.047

0.294

0.620

0.040

22.06

0.395

0.048

0.346

1.879

0.095

最小值

0

0

0

0

0

0

0

17.81

0.008

-1.872

0.022

0

0.001

标准差

0.320

0.471

0.262

0.131

0.658

0.953

0.067

1.312

0.204

0.071

0.147

0.941

0.101

中位数

1.609

1

1

0.035

0

0

0.026

21.85

0.383

0.045

0.328

2.079

0.078

最大值

2.639

1

1

17.22

6.282

6.537

4.388

28.64

3.919

0.880

0.900

3.434

7.284

四、实证结果分析

（一）平行趋势检验：事件研究法

参考Sun等[36]

、张兵兵等[28]

、赵振智等[14]

的做法，

采用事件研究法进行平行趋势检验。本文考虑了基

于2008—2020年的窗口，即从第一批低碳城市试点

前3年到第一批试点后9年。如图1所示，垂直于横

轴的带盖短直虚线代表95%的置信区间，根据微观

企业的聚类情况进行调整。建立模型（5）。

表2 变量定义

变量类别

被解释

变量

解释

变量

中介

变量

控制

变量

变量名称

环境绩效

政策虚拟变量

时间虚拟变量

创新投入

创新产出质量

创新产出数量

创新效率

公司规模

资产负债率

资产收益率

第一大股东

持股比例

托宾Q系数

上市年限

管理费用率

个体

年份

城市

符号

lnEP

Shidian_dum

policy

RD inv

Gipa

Gum

IE

Size

Lev

ROA

Top1

TobinQ

ListAge

Mfee

Firm

Year

City

定义

Ln（3+环境指标得分总和）

试点城市取值为1，非试点城市取值

为0

2012年及之后取为1，2012年之前取

为0

研发支出/营业收入

ln（1+绿色发明专利授权数量）

Ln（1+绿色实用新型专利授权数量）

Ln（1+绿色发明专利授权数量+绿色

实用新型专利授权数量）/Ln（1+研发

投入）

年总资产的自然对数

负债总额/资产总额

净利润/总资产平均余额

第一大股东持股比例/总股数

（流通股市值+非流通股股份数×每股

净资产+负债账面值）/总资产

Ln（当年年份-上市年份+1）

管理费用/营业收入

控制个体效应

控制年份效应

控制城市效应

图1 平行趋势检验

绿色经济 Green Economy

45

2023年第8期 WUHAN

FINANCE

ln EPi,t = α0 +∑t = 1

t = 3

γ-1 prei,t +∑t = 1

t = 10

γ1 posti,t +

α2Xi,t + ωi + φt + εi,t

（5）

其中，prei,t 为各城市企业在低碳试点政策实施

前的第t年，posti,t 为各城市企业在低碳试点政策实

施后的第t年。图1报告结果是以第一批试点实施

时间作为基期。可以看出，低碳城市试点政策实施

前各期系数估计值均不显著，即样本通过了平行趋

势检验。此外，从动态效应方面来看，在试点政策实

施后各期系数估计值呈上升趋势[37]

，且在95%的置

信区间内显著，说明该政策确实提高了企业环境绩

效，而且这种促进作用逐步增强。

（二）基准回归结果

本节基于基准回归模型，定量分析了引入低碳

城市试点政策对A股上市公司环境绩效的影响。结

果如表4所示，（1）和（2）列在没有控制变量和有控

制变量的情况下，交乘项的系数均显著为正，说明低

碳城市试点政策的实施显著改善了试点地区企业的

环境绩效。证实了假设H1。该结论与已有文献的

观点较为一致，例如：从城市层面来看，已有学者论

证了低碳城市试点会促进城市绿色经济增长[38]

、促

进碳减排[8]

；从微观层面来看，已有文献证明了低碳

城市试点政策会提高企业绿色技术创新[4]

、降低碳

排放水平。

（三）试点政策增进环境绩效的作用机理分析

根据前文研究假设，本文从绿色创新成果和企

业创新效率两方面展开分析。

1.绿色创新成果

根据企业创新的动机，可以分为实质性创新行

为和策略性创新行为。其中，绿色发明专利是实质

性创新，绿色实用新型专利是策略性创新[34]

。表 5

（1）列的实证结果表明，低碳城市试点政策对企业环

境绩效的影响系数为0.051，且在1%的水平上显著，

表明低碳城市试点政策对环境绩效的影响效果显著

增强。（2）、（4）、（6）列的结果表明，低碳城市试点政

策有助于绿色技术创新。其中，绿色技术创新的改

善主要体现为实质性创新[34]

，即绿色发明专利授权

数量。绿色发明专利的中介效应占总效应的1.8%

（γ1 × δ2 /α1），绿色实用新型专利的中介效应占总效

应的0.8%，绿色发明专利的中介效应高于绿色实用

新型专利。从低碳城市试点政策的绿色创新效应来

看，绿色发明专利的估计系数为0.108，且在1%的水

平上显著，而绿色实用新型专利的估计系数为

0.046，表明低碳城市试点政策的绿色发明专利创新

效应更高。假设H2a、H3a和H4得到验证。

表4 基准回归结果

变量

Shidian_dum×policy

Size

Lev

ROA

Top1

ListAge

Mfee

Firm

Year

City

Constant

N

R-squared

（1）

lnEP

0.142***

(0.010)

Yes

Yes

Yes

1.596***

(0.006)

22,065

0.160

（2）

lnEP

0.051***

(0.010)

0.048***

(0.006)

-0.092***

(0.024)

-0.010

(0.034)

-0.035

(0.042)

0.057***

(0.006)

-0.054**

(0.023)

Yes

Yes

Yes

0.536***

(0.134)

22,065

0.250

注：括号内为稳健标准误；*、**、***分别表示在10%、5%、1%的水

平上显著。

表5 绿色创新成果作用机制和Sobel检验

变量

Shidian_dum×

policy

Gipa

Gum

GI

控制变量

Firm

Year

City

Constant

N

R-squared

Sobel检验

（Z值）

（1）

lnEP

0.051***

(0.010)

Yes

Yes

Yes

Yes

0.532***

(0.134)

22,065

0.250

6.951

（2）

Gipa

0.108***

(0.022)

Yes

Yes

Yes

Yes

-3.936***

(0.335)

22,065

0.261

（3）

lnEP

0.050***

(0.010)

0.009*

(0.005)

Yes

Yes

Yes

Yes

0.566***

(0.134)

22,065

0.251

（4）

Gum

0.046

(0.029)

Yes

Yes

Yes

Yes

-7.051***

(0.462)

22,065

0.347

6.849

（5）

lnEP

0.051***

(0.010)

0.010***

(0.003)

Yes

Yes

Yes

Yes

0.603***

(0.134)

22,065

0.251

（6）

GI

0.094***

(0.031)

Yes

Yes

Yes

Yes

-7.993***

(0.486)

22,065

0.368

8.185

（7）

lnEP

0.051***

(0.010)

0.009***

(0.003)

Yes

Yes

Yes

Yes

0.602***

(0.135)

22,065

0.251

46

为了保证研究结论的准确和稳健，本文采用So‐

bel 检验和Bootstrap 两种方法对中介效应进行进一

步检验。由于篇幅受限，只列示了 Sobel 的检验结

果，通过检验结果可以看出存在中介效应。

2.企业创新效率

企业绿色技术创新需要长期且稳定的投入，但

是收益具有不确定性，这就导致企业创新具有高风

险性。本文通过研究微观主体创新效率来考察低碳

政策对企业环境绩效的实施效果，这对企业利用创

新驱动因素拉动经济的可持续发展具有重要意义。

表6（1）列实证结果显示，低碳城市试点政策对

企业环境绩效的影响系数为0.051，且在1%的水平

上显著，表明低碳城市试点政策对环境绩效具有显

著增强的作用。（2）和（3）列的结果显示，低碳城市试

点政策能够激励企业加大研发投入但结果并不显

著。因此，假设H2b得到验证，但假设H3b被拒绝。

原因可能在于：除了低碳城市试点政策之外，还存在

其他类型的环境规制政策，比如“两控区”的划定、官

员任期环境考核、环保督察等制度。（4）和（5）列的结

果显示，低碳城市试点政策对企业绿色创新效率的

影响系数在 10%的水平上显著，假设 H2c 得到验

证。但是相对于低碳政策而言，创新效率只能正向

促进企业环境绩效。原因可能在于：企业一部分“创

新”是管理层为了迎合政府政策和市场监督，并不是

实质性的提高企业技术竞争力。

表6 企业创新效率作用机制和Sobel检验

变量

Shidian_dum×policy

RD_inv

IE

控制变量

Firm

Year

City

Constant

N

R-squared

Sobel检验（Z值）

（1）

lnEP

0.051***

(0.010)

Yes

Yes

Yes

Yes

0.532***

(0.134)

22,065

0.250

1.751

（2）

RD_inv

0.003

(0.002)

Yes

Yes

Yes

Yes

-0.052**

(0.024)

22,065

0.090

（3）

lnEP

0.051***

(0.010)

0.134***

(0.042)

Yes

Yes

Yes

Yes

0.539***

(0.134)

22,065

0.250

（4）

IE

0.004*

(0.002)

Yes

Yes

Yes

Yes

0.134***

(0.030)

10,178

0.261

1.765

（5）

lnEP

0.056***

(0.016)

0.077

(0.083)

Yes

Yes

Yes

Yes

-0.028

(0.235)

10,178

0.251

（四）稳健性检验

1.利用环保支出额作为环境绩效财务行为指标

的替换变量

在上述研究中，本文采用企业环境信息披露相

应指标赋值汇总测度企业环境绩效，为验证结果的

稳健性和可信性，利用定量化的指标环保支出额作

为被解释变量来进行实证检验。相应的回归结果显

示，替换核心变量后，低碳城市试点政策指标的估计

系数始终显著为正，所得结论与基准检验结果保持

高度一致。

2.安慰剂检验

本文将时间和城市区域的固定效应纳入基准回

归，以解决变量缺失问题，然而存在一些不可观察的

企业特征可能会影响差分法识别假设。 为此，随机

生成低碳城市试点名单，进行间接安慰剂试验。 具

体操作是由计算机随机生成试点城市，代入基准回

归模型，提取误差变量 Shidian×policy 的系数，重复

上述操作500次。图2为低碳城市试点政策对企业

环境绩效的估计系数分布图。随机处理后的估计系

数集中分布在0附近，服从正态分布。这证明了原

始估计结果是稳健的。

0.0

20.0

40.0

60.0

80.0

D

e

n

s

i

t

y

-0.05 -0.04 -0.03 -0.02 -0.01 0.00 0.01 0.02 0.03 0.04 0.05

系数

图2 安慰剂检验

3.缩短样本研究期间检验

为进一步验证结论的稳健性，本文将研究期间

缩短为2015—2020年，并以2017年的试点政策实施

作为解释变量，记为 y2017_dum。结果如表 7 所

示。通过缩短研究期间进行检验的结果与前文结果

一致，验证了研究结果的稳健性。

五、异质性分析

受资源禀赋和社会经济因素的影响，不同地区

处于不同的发展阶段，有不同的产业梯度。因此，低

绿色经济 Green Economy

47

2023年第8期 WUHAN

FINANCE

碳城市建设的效果在不同地区表现有所不同。我国

中西部城市不仅经济基础薄弱，而且容纳了很多耗

能大户和高污染企业，导致严重的资源和环境问题，

需要整体创新环境的改善。在短期内，这些企业面

临着巨大的环境成本和产业转型压力，但从长远来

看，绿色技术创新将会使企业获得结构性红利。因

此，应考察低碳城市试点政策对不同区域企业环境

绩效的影响。

除此之外，不同地区的地级市在市场环境、交通

条件、人才供给等方面往往存在巨大差异，影响低碳

试点工作的推进。因此，低碳城市试点政策由于企

业所有制、地理位置、环保意识以及政策实施等因素

对企业环境绩效的影响可能存在一定的区域异质

性。鉴于此，本文主要从以下三个方面对异质性差

异进行考察：第一，国有企业与非国有企业；第二，东

部地区城市在低碳技术和创新人才积累以及社会文

明建设等方面具有更加明显的优势。因此将样本城

市按照地理位置分为东部城市、中部城市和西部城

市三个子样本；第三，由于经度越大，经济水平也越

高，所在地区的人口密度往往比较高，能源消耗量比

较大，导致较高的碳排放水平。因此，参考胡艺等[26]

的做法，在模型中纳入“Shidian_dum×jingdu”这一交

叉项来验证假设。

表8回归结果显示，国有企业的政策效果优于

非国有企业。究其原因可能是：基于所有权优势，国

有企业响应国家政策的主动性、积极性和内在动力

都是非国有企业所不能比拟的。国有企业的战略决

策通常代表当地政府的意志，而环境政策又是当前

和今后国家政策的重点领域，地方政府更倾向于干

预国有企业的绿色创新活动，从而促进企业环境绩

效。因此，国有企业普遍在融资能力、政府监管力度

和信息披露水平等方面强于非国有企业，所以低碳

城市试点政策可能对国有企业环境绩效的促进作用

更强。另外，国有企业规模较大，融资途径多，更有

可能获得替代性融资，所以低碳城市试点政策对国

有企业环境绩效的改善效果相对较强。因此，假设

H5a得到验证。

将企业根据上市公司注册地的所在省份进行划

分。表 8（3）至（5）列结果显示，东部地区低碳政策

对企业环境绩效具有显著的正向作用。究其原因可

能是：由于东部地区制度体系健全，政府的监管力度

大，所以低碳城市试点政策在东部地区的政策效应

更强。该结论与张华[4]

一致，假说H5b得到验证。除

此之外，（6）列结果从实证解决解释变量内生性的角

度，交叉项的系数显著为负，说明经度越小，低碳城

市试点越会增强企业的环境绩效。由此，假说H5c

得到验证。

表8 异质性分析结果

变量

Shidian_dum×

policy

Shidian_dum×

jingdu

控制变量

Firm

Year

City

Constant

N

R-squared

(1)

国有

0.042***

(0.010)

Yes

Yes

Yes

Yes

-0.188*

（0.104）

6,792

0.313

(2)

非国有

0.007

(0.007)

Yes

Yes

Yes

Yes

0.268***

(0.072)

15,273

0.2155

(3)

东部

0.025***

(0.007)

Yes

Yes

Yes

Yes

0.117*

(0.066)

16,012

0.239

(4)

中部

0.007

(0.014)

Yes

Yes

Yes

Yes

0.224

(0.146)

3,969

0.273

(5)

西部

0.029

(0.018)

Yes

Yes

Yes

Yes

-0.056

(0.181)

2,084

0.319

(6)

经度

0.071***

(0.007)

-0.001***

(0.000)

Yes

Yes

Yes

Yes

0.176***

(0.057)

22,033

0.250

六、结论与建议

本文的主要结论如下：

第一，试点城市的企业环境绩效显著为正，意味

着低碳城市试点政策作为一项综合性的环境规制政

策能够显著提高企业环境绩效，证实了低碳试点政

策的有效性。

第二，作用机理分析表明，低碳城市试点需要通

过降低研发投入成本和提升绿色技术创新等途径提

高企业环境绩效。

表7 替换被解释变量和缩短样本区间回归结果

变量

Shidian_dum×policy

Shidian_dum×y2017_dum

控制变量

Firm

Year

City

Constant

N

R-squared

(1)

替换被解释变量

0.432***

(0.079)

NO

Yes

Yes

Yes

7.135***

(0.063)

4,022

0.188

(2)

0.357***

(0.108)

Yes

Yes

Yes

Yes

3.394

(2.222)

4,022

0.217

(3)

缩短样本区间

0.016***

(0.006)

Yes

Yes

Yes

Yes

0.723***

(0.207)

14,236

0.257

48

第三，低碳城市试点政策对环境绩效存在异质

性，环境绩效的提高效应在国有企业、西部城市和经

度较低的子样本中表现更加显著。

作为城市层面的环境规制措施，低碳城市试点

的具体实施方案是在中央审查指导下，结合自身发

展情况编制而成的，其实施效果也为中央和地方政

府在环境污染治理方面提供参考，可将试点城市成

功的经验和技术融入可复制的案例中，逐步推广到

尚未试点的城市。基于此，本文提出以下建议：

第一，根据实证结果，各试点地区制定低碳城市

的实施方案，由中央政府主导的环境规制政策是符

合中国实际的。一方面，要不断提炼试点地区的成

功经验，及时推广方法、技术、政策创新，进一步推动

该政策在全国的展开；另一方面，试点政策存在落实

不到位的现象，“政策执行”成为阻碍政策有效实施

的关键环节。因此，在申请过程中，城市应从上层设

计出发，制定详细的阶段计划和部门实施方案；在监

督过程中，上级政府要持续跟进，给予有效的支持指

导和定时监督，并定期向试点报告进展情况，同时进

行现场检查，组织专家进行工作指导。

第二，基于中介效应，在推行这一政策时必须注

意相关配套设施的完善。政府的创新支持、产业政

策和人才政策应该是关注的焦点。其一，注重合

作。低碳城市的覆盖范围很广，各部门的支持与配

合有助于促进政策的实施。其二，重视基础工作。

配套设施建设要重点抓好试点城市最薄弱的基础部

分，弥补不足。在加强先进技术转化吸收能力的同

时，注重培育各地自主技术创新能力。其三，注意沟

通。目前，各城市的技术基础差异较大，创新集聚效

应比较明显。未来要充分发挥大城市和东部城市的

技术溢出和辐射作用，鼓励城市之间进行经验交流、

模式研讨和实地学习，各试点地区通过互动交流，相

互学习，共同进步。

第三，基于异质性分析结果，在低碳试点政策完

善过程中，应根据异质性进行不同的政策组合。对

于非国有企业，要推动其与国有企业的合作以及各

城市企业之间的跨区域合作，构建节能减排、产业低

碳化发展协同机制，注重推动产业结构升级，培育绿

色增长新动力。对于中西部地区，应继续完善制度

建设，加大碳排放的监管力度，并借鉴成功试点经

验，合理配置资源，优先培育新兴科技产业。同时，

注重人才引进、素质教育提升和技术创新培养。对

于经度较大地区，应加快技术创新和产业结构升级，

为产业结构清洁化提供技术支撑。■

[参考文献]

[1] WOLFF H. Keep Your Clunker in the Suburb：Low-Emis‐

sion Zones and Adoption of Green Vehicles[J]. The Economic

Journal，2014，124（578）：481-512.

[2] CHENG J，YI J，DAI S，et al. Can Low-Carbon City Con‐

struction Facilitate Green Growth? Evidence from China's Pi‐

lot Low- Carbon City Initiative[J]. Journal of Cleaner Produc‐

tion，2019，231：1158-1170.

[3] 龚梦琪，刘海云，姜旭.中国低碳试点政策对外商直接投

资的影响研究[J].中国人口·资源与环境，2019（6）：50-57.

[4] 张华.低碳城市试点政策能够降低碳排放吗?来自准自然

实验的证据[J].经济管理，2020（6）：25-41.

[5] 熊广勤，石大千，李美娜.低碳城市试点对企业绿色技术

创新的影响[J].科研管理，2020（12）：93-102.

[6] 张红凤，李睿.低碳试点政策与高污染工业企业绩效[J].

经济评论，2022（2）：137-153.

[7] 陈孝明，何思华，冯锐.数字金融对企业绿色技术创新的

激励效应研究[J].武汉金融，2022（12）：53-62.

[8] 邵帅，张可，豆建民.经济集聚的节能减排效应：理论与中

国经验[J].管理世界，2019（1）：36-60+226.

[9] 庄贵阳.中国低碳城市试点的政策设计逻辑[J].中国人

口·资源与环境，2020（3）：19-28.

[10] 苏涛永，郁雨竹，潘俊汐.低碳城市和创新型城市双试点

的碳减排效应：基于绿色创新与产业升级的协同视角[J].科

学学与科学技术管理，2022（1）：21-37.

[11] 曹翔，高瑀.低碳城市试点政策推动了城市居民绿色生

活方式形成吗?[J].中国人口·资源与环境，2021（12）：93-103.

[12] 宋弘，孙雅洁，陈登科.政府空气污染治理效应评估：来

自中国“低碳城市”建设的经验研究[J].管理世界，2019（6）：

95-108+195.

[13] 张志新，孙振亚，路航.低碳城市试点实现企业绿色技术

创新的“增量提质”了吗?[J].云南财经大学学报，2022（4）：

85-98.

[14] 赵振智，程振，吕德胜.国家低碳战略提高了企业全要素

生产率吗?基于低碳城市试点的准自然实验[J].产业经济研

究，2021（6）：101-115.

[15] ROMER P M. Endogenous Technological Change[J]. Jour‐

nal of Political Economy，1990，98（5）：71-102.

[16] MAGAT W A. Pollution Control and Technological Ad‐

vance：A Dynamic Model of the Firm[J]. Journal of Environ‐

mental Economics and Management，1978，5（1）：1-25.

[17] BRAV A，JIANG W，MA S，et al. How Does Hedge

Fund Activism Reshape Corporate Innovation?[J]. Journal of Fi‐

nancial Economics，2018，130（2）：237-264.

[18] 李青原，肖泽华.异质性环境规制工具与企业绿色创新

激励：来自上市企业绿色专利的证据[J].经济研究，2020

（9）：192-208.

[19] MONTMARTIN B，HERRERA M. Internal and External

Effects of R&D Subsidies and Fiscal Incentives：Empirical Ev‐

idence Using Spatial Dynamic Panel Models[J]. Research Poli‐

cy，2015，44（5）：1065-1079.

[20] RHOADES S A. Market Share Inequality，The HHI，and

Other Measures of the Firm- Composition of a Market[J]. Re‐

view of Industrial Organization，1995，10：657-674.

绿色经济 Green Economy

（下转第58页）

49