Analysis on the Impact and Its Heterogeneity of Monetary Policy Regulation on the Development of Digital Finance
-
摘要: 数字金融业务发展既源自科技创新成果的应用，也根植于特定的货币政策环境。以货币政策环境变化为研究切入点，采用2011—2020年我国337个地级市的面板数据集，基于文本词频方法系统梳理了货币政策调控对于数字金融业务发展的影响及其异质性。研究发现：货币政策调控对于国内数字金融业务发展具有明显的逆周期影响，且对不同类型数字金融业务的实际影响存在明显差异；货币政策操作方式也会对数字金融业务的周期性特征施加显著影响，同时其影响也具有时间和地区层面的异质性。由此，推动国内数字金融业务的有序健康发展，不仅应从数字金融对传统金融服务的补充和替代效应出发，营造与之匹配的货币政策环境，还应完善现有货币政策框架体系，针对不同类型数字金融业务和区域金融环境约束打造针对性的数字金融发展战略。Abstract: The development of digital financial business not only originates from the application of scientific and technological innovation achievements, but also is rooted in the specific monetary policy environment. Taking the change of monetary policy environment as the research object, using the panel data set of 337 prefecture-level cities in China from 2011 to 2020, this paper, with the text word frequency method, systematically combs the cyclical effects and heterogeneity of monetary policy regulation on the development of digital finance. It is found that monetary policy regulation has obvious counter-cyclical effects on the development of domestic digital finance, and the actual effects on different types of digital financial services are significantly different. The mode of monetary policy operation also exerts a significant influence on the cyclical characteristics of digital finance, and its influence is also heterogeneous at the time and regional level. Therefore, to promote the orderly and healthy development of domestic digital financial services, we should not only create a matching monetary policy environment based on the complementary and alternative effects of digital finance on traditional financial services, but also improve the existing monetary policy framework and create targeted digital financial development strategies for different types of digital financial services and regional financial environment constraints.
-
Key words:
- digital finance /
- monetary policy /
- monetary regulation mode /
- counter-cyclical /
- heterogeneity
-
一、 引言
数字金融业务发展对于推动金融供给侧结构性改革至关重要。理论逻辑上，数字金融业务兼具科技和金融的双重属性，其发展既是金融科技创新应用的结果，也是特定货币政策环境的产物。三方支付、网络贷款、保险、基金及投资等数字金融具体业务的发展，不仅能弥补传统金融体系在满足个性化金融需求上的短板，也会因为科技手段赋能而在货币政策环境变化中呈现出独特的周期性特征。梳理货币调控对数字金融业务发展的周期效应，对于推动数字金融健康发展，构建满足金融供给侧结构性改革需求的货币调控体系，都具有明显参考价值。
2020年的中央经济工作会议提出，要大力发展数字经济，但也要依法规范发展，健全数字规则。2021年的中国人民银行年度工作会议公告也强调，要落实党中央、国务院统筹金融发展与金融安全的决策部署，补齐监管制度短板，确保金融创新在宏观审慎监管的前提下健康发展。现实需求上看，考虑到货币政策调控充当着金融周期演变的关键驱动因素，推动数字金融业务的健康发展不仅需要理清其面向实体经济的传导机制，也需要理解把握其在货币调控过程中呈现出的周期性特征，在此基础上诊断不同货币调控方式对其的异质性影响，对于完善货币调控和金融监管均具有重要实践价值。
现有关于数字金融的研究多聚焦科技属性的探讨，或强调其相对传统金融业务的技术优势，或关注其对实体经济的影响；政策建议上也倾向于以“监管科技进步”来应对“金融科技发展”，主张利用智能化、嵌入式的监管科技和全面严格的信息披露刺破金融科技的复杂结构，突出对金融数据、内置算法与金融科技机构的多向穿透，以保障金融科技发展在风险和收益层面的相对平衡(郑丁灏，2021)[1]。但是，数字金融业务的发展也根植于特定的制度与政策背景，并因之具有强烈的金融属性，对其在货币调控过程中呈现的周期性特征的探讨也关系到具体监管模式设计和政策工具选择，但相关研究在现有文献中略显薄弱。
结合货币政策调控的实践，因“货币政策是98%的讲话和2%的行动”(Bernanke和Kuttner，2005)[2]，对应着预期引导和实际冲击两种不同的货币政策传导路径，全面探讨不同货币政策调控方式对数字金融业务发展的影响及其异质性也尤为必要。一方面，来自于货币当局的调控预期引导会通过风险预期调整而改变传统金融部门的金融供给，由此带来的金融服务结构性空缺会为数字金融业务的发展创造空间(黄益平和黄卓，2018)[3]。在此背景下，数字金融业务凭借其科技属性在克服金融摩擦效应和覆盖长尾客户方面的优势能够得到更加充分的发挥(王喆等，2021)[4]，并由此衍生出新的扩张空间。另一方面，“相机抉择”的货币政策操作不仅提升了金融市场的不确定性，并通过增强金融机构的风险规避情绪而压缩传统金融服务供给，也为风险管理能力更强的数字金融业务发展创造空间。同时，货币政策变化对数字金融发展产生异质性影响：货币政策的宽松会扩张传统金融部门的服务供给能力，低利率环境会压制数字金融业务的技术优势；而货币政策的紧缩不仅会限制传统金融部门的服务覆盖，还会把部分金融服务需求挤出至数字金融服务平台，由此引致数字金融业务发展的逆周期特征。更进一步，若把金融服务供给方区分为传统金融部门和数字金融部门，考虑到风险特质和惯性因素的影响，金融消费者在同等条件下会更倾向于停留在传统金融部门，只有在货币政策趋紧或是传统金融服务供给的不确定风险增加时，才会更多地向数字金融业务转移(见图 1)。综上，数字金融业务发展对于货币政策环境的变化很可能呈现出一定的逆周期性特征，且会受到区域金融环境因素制约，有必要展开进一步的实证检验。
本研究的边际贡献在于：第一，借鉴文本分析和词频分析法，通过语境区分构建起表征货币政策环境变化的代理指标体系，有助于系统审视对于不同形式外生货币政策冲击对于数字金融业务发展的差异化影响；第二，通过引入地级市维度的2011—2020年数字金融普惠指数，结合空间面板数据和空间计量分析，系统梳理了不同货币调控方式对于数字金融业务发展实际影响效果的异质性，有助于深化对于数字金融业务发展内在货币金融属性的认知；第三，通过探讨货币政策调控过程中数字金融业务发展的逆周期特征及其具体驱动因素，有助于探索推动数字金融业务有序健康发展的针对性货币政策工具组合。
二、 理论分析与文献综述
关于数字金融业务的内涵界定，现有文献多将其与互联网金融、金融科技等并列甚至混用，但从本质上讲，三者的侧重点存在明显区别。互联网金融特指那些伴随移动支付、社交网络、搜索引擎和云计算等现代信息科技发展而产生的，既不同于传统商业银行间接融资、也不同于资本市场直接融资的新兴金融模式。根据2015年中国人民银行等十部委联合发布的《关于促进互联网金融健康发展的指导意见》，互联网金融特指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式，或是互联网企业向传统金融市场渗透，并创新金融服务形式和效率的行为。而基于金融稳定理事会的权威定义，金融科技主要是指通过技术手段推动金融创新，形成对金融市场、机构及金融服务产生重大影响的商业模式、技术应用、业务流程和创新产品，更加强调科技手段之于金融领域的应用和实践。数字金融主要用于描述那些不同于传统银行中介、证券和保险的新型金融业务模式，包括互联网支付、网络借贷、股权众筹、互联网金融理财、互联网基金、互联网信贷、互联网金融消费及数字货币等(谢平等，2015) [5]。其中，广义的数字金融是指传统金融机构与互联网公司利用数字技术实现融资、支付、投资和其他等的一种新型金融业务模式[3]；狭义数字金融指除去传统金融机构利用数字技术开展的线上业务以外的、由一般互联网企业开展的新型金融模式(郭峰等，2020)[6]。因此，从概念上看，数字金融和互联网金融、金融科技之间存在明显差别：互联网金融更多是指互联网公司从事金融业务，金融科技更突出技术属性，数字金融概念则相对更为中性。
现有研究多聚焦于数字金融业务发展的实体影响。基于数字金融所特有的科技属性和技术优势，相关文献普遍强调其对经济金融发展所形成的正向驱动，包括倒逼传统金融部门的业务转型，并凭借技术创新优势完善传统金融业务的信用定价模式(Duarte等，2012) [7]；通过创新技术应用提升金融机构的风险管理能力(Norden等，2014；葛永波等，2022) [8-9]；通过人工智能、大数据技术、互联网技术、分布式技术、区块链等技术应用将长尾群体纳入金融服务范围(Gomber等，2018) [10]。国内相关理论和实证研究也强调数字金融业务发展对于经济金融体系的正向影响，如王馨等(2015) [11]认为数字金融业务发展会改变“臂弯”型金融供给曲线的位置，从而缓解信贷资金配给问题，并促进金融资源配置效率的提升；张勋等(2020) [12]发现数字金融业务的发展可通过提升支付便利性对居民消费形成明显的正向促进；滕磊和马德功(2020)[13]的实证研究显示数字金融业务发展能够通过缓解微观企业的融资约束来提升区域创新能力和对外开放水平；王永仓和温涛(2020)[14]基于中国2011—2017年31个省市自治区的面板数据，得出数字金融业务发展能够对区域经济增长形成显著正向驱动的结论；朱东波和张相伟(2022)[15]的实证结果验证了数字金融业务发展通过促进结构转型、引致技术进步而形成的环境改善效应。
关于数字金融业务发展的研究多聚焦其科技属性和技术优势。如Zavolokina等(2015)[16]认为数字金融业务发展是高新技术行业发展和金融业务创新共同驱动的结果，通过技术创新来推动数字技术与金融业务的深度融合是数字金融业务发展的核心驱动力；Schindler(2017)[17]、Haddad和Hornuf(2019)[18]认为地区市场规模、人口情况、移动电话普及、互联网普及情况是数字金融业务发展的重要制约因素；黄益平和黄卓(2018)[3]强调国内数字金融业务的快速发展一方面源自于技术优势和监管包容，另一方面也是因为传统金融供给相对不足；黄金增等(2021)[19]基于城市面板数据的分析显示，产业结构、技术进步、经济发展、消费水平以及人力资本等外部因素同样会制约数字金融业务的发展。而对金融周期驱动的研究中，现有文献主要关注数字金融业务发展与金融监管环境之间的互动关系，认为国内数字金融业务快速发展的重要驱动力是因为部分金融交易没有受到充分的监管覆盖(黄益平，2017)[20]，同时部分数字金融业务在初创和成长过程中受到的监管压力较之于发达国家和传统金融部门相对更小(黄浩，2018)[21]，由此国内数字金融业务发展不仅源自于科技属性，也与金融监管环境相对包容等金融属性关系密切(黄益平和陶坤玉，2019)[22]。沿着这一路径，相关研究也关注到数字金融业务在金融市场出现负面信息时可能出现的投资者挤兑和产品违约事件等潜在风险，并担心其可能会增加国内金融体系的系统性风险(陈荣达等，2019)[23]。
最新研究也开始关注到数字金融业务发展与货币政策调控之间的互动(王东阳和李成，2023)[24]，但多偏重数字金融业务对货币政策有效性的单向影响，且研究结论并不一致。如黄益平(2017)[20]认为数字金融业务发展会提升货币流通速度并削弱央行对基础货币的调控和测度能力；何剑等(2021)[25]发现数字金融业务发展会改变商业银行的资产负债表并削弱实体对信贷资金的依赖，从而削弱货币政策的银行信贷传导渠道；战明华等(2020)[26]则认为数字金融发展能够通过利率与信贷两个传导渠道放大产出对政策冲击的脉冲响应幅度、减少滞后时段和弱化“价格之谜”，进而提高货币政策有效性；段永琴和何伦志(2021)[27]也发现数字金融业务发展能够有效推动Shibor利率通过互联网理财市场向信贷市场传导，从而提升货币政策利率传导机制的有效性。对于货币政策调控对于数字金融业务发展的实际影响，现有文献则较少涉及，但整体来看，立足于货币政策环境变化探讨国内数字金融业务发展的周期性特征，对于完善货币调控和金融监管同样具有重要意义，不仅有助于进一步推动数字金融业务的创新发展(Barth等，2013；Gaganis和Pasiouras，2013)[28-29]，也有利于规避潜在的影子银行和监管套利问题(周莉萍，2013；解凤敏等，2014)[30-31]，进而保证国内数字金融业务的健康有序发展。
综合以上文献梳理，可发现现有针对数字金融业务的研究更多关注其科技属性和技术优势，而相对忽略了其内生的金融属性和政策依赖；更多聚焦于数字金融业务发展的实体经济效应和传导机制，对其在货币调控过程中呈现的周期性特征讨论则相对不足。考虑到数字金融业务发展既源自于其特有的技术优势，又根植于特定的金融政策环境，故从货币政策调控对于数字金融业务发展的影响入手，探讨其周期演变特征及异质性，对于进一步完善现有的货币调控模式和金融监管体系以推动数字金融业务的健康发展至关重要。后续试图借鉴文本分析和词频分析方法(Baker等，2016；Thorsrud，2020)[32-33]，基于货币政策预期引导和实际操作的功能区分构建相应的代理指标体系，梳理货币政策调控对于国内数字金融业务发展的实际影响及其周期性与异质性，进而为货币政策框架和金融监管体系的完善提供有针对性、差异化的政策建议。
三、 变量选择与模型构建
（一） 核心解释变量
因货币政策操作同时涵盖“前瞻性指引”和“相机抉择”两种不同的调控思路，在具体操作方式上具有较强的复杂性特征，准确度量货币政策环境的具体变化存在一定困难，故依据不同的货币操作方式展开类型区分并进行相应的分类测度不失为一种简单明确的做法。货币政策的“前瞻性指引”是指通过事先沟通方式展示未来可能的行动或立场(Plosser，2013)[34]，而“相机抉择”操作则主要与规则型货币政策相对应(陈彦斌，2016)[35]。现有文献对上述两种货币调控思路的度量指标构建多遵循文本分析法而展开(Bennani，2019)[36]。基于文本分析法的指标选取规则，以及中国人民银行定期发布的《货币政策执行报告》和《货币政策大事记》的权威性和规范性，且能满足政策文本分析所隐含的有效性和可控性要求，因此可以统计其中相应的关键词和关键事件频次，分别构建刻画央行预期引导强度和实际操作频度的代理指标体系，进而对货币政策环境变化加以刻画(Hansen和Mcmahon，2016；王宇伟等，2019；宋瑞礼，2019)[37-39]。
首先基于货币政策的“前瞻性指引”视角，以中国人民银行每季度公布的《货币政策执行报告》作为原始文本构建相应的代理指标，同时考虑到时间匹配性因素，选取“货币政策趋势”中“下一阶段主要政策思路”部分作为构建预期引导强度指标的原始文本来源。
关于货币政策文本的关键词筛选。Hansen和Mcmahon(2016)[37]在分析FOMC的预期沟通机制时，认为与风险有关的词汇最能体现货币当局的调控意愿；Lüderin和Tillmann(2020)[40]发现文本文档中与风险主题相关的“担忧”“冲击”等负面词汇最能彰显调控意图；Bennani等(2020)[41]认为可通过LM词典来识别政策信息传递中的否定词，比如风险、困难、问题、不确定性、危机等。结合我国货币政策的实践情况，金融风险防控作为中国人民银行货币调控的重要目标，与风险主题有关的词汇最能展现货币当局的货币调控意愿及潜在的货币调控风险。综上，围绕2011—2020年各季度《货币政策执行报告》中的“下一阶段主要政策思路”部分，重点搜索了与“风险”防控相关的关键词，包括风险、系统性、监管、化解、防范、监控、监测、防止、遏制、遏止、预警、约束、限制、督促、避免、规范等。同时参照沈艳等(2019)[42]的做法，通过词频统计将文本信息转换为数字变量，并做一阶滞后处理，从而构建起反映央行货币调控预期引导强度的基准代理指标EG。
为保证所构建指标的合理性，进一步对货币调控预期引导强度指标EG的时间变化趋势做了形象化展示。如图 2所示，EG指标的取值自2011年之后持续上升，这无疑与货币政策层面对“四万亿”经济刺激和天量信贷投放后的反思和消化相契合；而在2013—2015年间，伴随货币调控态度的阶段性放松，该指标呈现小幅回落和盘整态势；从2015年开始，伴随着宏观政策层面对于去杠杆和防范化解系统性金融风险的强调，央行的预期引导强度指标又重新趋于抬升，意味着金融风险管理的意愿重新增强；到2018年，随着宏观政策层面逐步从全面去杠杆转向结构性去杠杆，央行货币调控态度的趋弱伴随着EG指标取值重新下移；到2020年，为应对新冠疫情爆发可能引发的金融风险，央行的风险管理意愿再度回升，对应预期引导强度EG指标取值的重新上行。综合以上EG指标取值的时间变化趋势，基于文本词频分析构建的预期引导强度指标与中国货币政策环境变化的整体时间脉络基本保持一致，这无疑从统计特征上初步印证了所构建预期引导指标的合理性。
关于货币调控的实际操作频度指标。央行的实际货币操作涵盖传统货币政策工具、选择性政策工具、直接信用控制、间接信用控制等不同类型的工具和手段，现有文献对货币调控实际操作指标的构建主要涵盖公开市场业务、准备金率和利率工具三类业务。但从货币政策实践看，央行的调控工具和手段渐趋复杂，在传统“三大法宝”之外，还逐步囊括了SLO、SLF、MLF等非常规货币政策工具及对于特定行业的金融支持，因此有必要从更广泛视角对货币调控的实际操作频度展开度量。综上，基于中国人民银行按季度公布的《货币政策大事记》，同时借鉴张新红和叶诚略(2012)[43]与王韧和刘于萍(2021)[44]提供的货币操作分类原则，依据货币操作的政策性、重要性和冲击性特征进行了具体货币政策事件的筛选：一是所选择的货币政策事件能真实体现央行的货币政策取向和状态；二是剔除央行发布的日常化行政命令和活动记录；三是选取的货币政策事件能对金融市场运行产生明显影响。再基于以上筛选结果对不同类型的货币政策事件进行分类汇总和频次统计：首先，提取属于货币政策调控行为且可能对金融市场运行施加显著影响的各类货币政策事件并进行频次统计，进而构建货币政策实际操作频度的基准代理指标AO；其次，依据不同类型货币政策事件的实际操作方向，将其进一步细分为宽松型和紧缩型两类子集，并通过相应的事件筛选和频次统计构建反映不同类型货币政策实际操作频度的代理指标AO1和AO2。其中，宽松类事件的筛选范围涵盖降准、再贴现、回购等面向宽松的传统货币政策工具运用，也包括SLO、SLF、PSL、MLF等面向市场流动性提供的非常规货币政策工具使用，还包括面向汽车消费、农业发展等特定领域的金融支持、金融扶贫以及信贷补贴等结构性货币宽松措施，同时也纳入旨在加强金融监管、完善市场机制以维护金融体系稳定的正向政策事件。而紧缩类事件的统计范围则涵盖总量意义的货币紧缩，如公开市场卖出、上调存款类金融机构人民币存款准备金率和存贷款基准利率、发行中央银行票据等，也包括针对特定行业或特定领域的结构性限制措施。
图 3进一步展示了货币调控操作频度指标AO的时间变化趋势，并将其与同期中国人民银行公布的一年期贷款利率变化趋势相比较。总体上看，AO指标与同期人民币贷款基准利率的变化趋势呈现出更高的同步性；而货币宽松操作频度指标AO1则与同期人民币贷款基准利率的变化呈现较明显的反向关系。上述指标的时间趋势形态符合一般的理论描述，即在货币相对宽松环境下(对应货币宽松类操作频度上升)，人民币贷款利率基本处于下降通道；而在货币相对紧缩情境下(对应货币紧缩类操作频度上升)，人民币贷款利率则基本会同步上行，从而在一定程度上支持了所构建指标的理论合理性。
鉴于货币政策大事记所提供的政策事件类别相对多样，为规避事件遴选过程中可能出现的选择偏误，进一步验证该类指标构建的合理性，我们围绕所构建的细分指标AO1 (货币宽松类操作频度)和AO2 (货币紧缩类操作频度)展开进一步的结构比对。通过统计不同类型货币政策操作中占比前三的政策工具运用情况，发现在货币宽松类操作中，传统降准降息政策的使用频率较低且逐步趋于下降，而针对特定行业的金融支持政策则保持较高的出现频率，同时诸如MLF等结构性货币政策工具以及面向金融市场完善的政策支持措施的出现频率逐步上升。在货币紧缩类操作中，早期较多使用准备金率调整和公开市场业务等工具，近年来则逐步向灵活性更高的央行票据发行转移。上述特征总体上与我国货币政策操作转型的趋势保持一致。另外，AO1和AO2两项指标的相对变化特征也与国内货币政策环境的变化趋势保持一致，2014年之前，为应对2008年的国际金融危机及之后“四万亿”经济刺激引发的宏观经济波动，央行的货币政策操作更多呈现为稳经济增长与防范金融风险间的动态权衡，并由此具有更强的相机抉择特征，对应同期在货币政策大事记中AO1和AO2的占比相对均衡，大致呈现为宽松—紧缩的动态微调；在2014年之后，伴随央行明确提出实施稳健略宽松的货币政策，货币宽松类操作AO1的占比明显提升，对应同期降准和金融支持政策的不断实施和出台；2018年后，央行开始强调实施稳健灵活适度的货币政策，尤其是为了应对新冠疫情冲击，货币政策操作重新进入高频调整阶段，同时结构性货币政策工具也受到更多青睐。综上可知，依据货币政策大事记所构建的货币调控实际操作频度指标体系基本符合我国货币政策操作的实践，具有较强的合理性。
（二） 被解释变量
对于我国不同地区数字金融业务发展水平的度量，早期研究多使用北京大学数字金融研究中心基于蚂蚁金服及其他数字金融企业海量数据构建并发布的“互联网金融发展指数”(郭峰等，2017；张李义和涂奔，2017)[45-46]，但是该指数仅更新到2016年3月，存在研究时效性限制，近年来则多使用“北京大学数字普惠金融指数”加以度量。但二者的构成方式存在较大差异，直接套用可能存在适用性局限；只有数字普惠金融指数的分指数“使用深度指数”在具体构建方式上与互联网金融发展指数较为类似，这两项指数均包含互联网支付、互联网货币基金、互联网保险、互联网信贷、互联网投资、互联网征信等六大类数字金融业务，内容覆盖基本一致，指数设计差异只体现在前者是年度数据而后者是月度数据。表 1提供了两种指数对比，可看出数字普惠金融指数中的“使用深度指数”能够充当互联网金融发展指数的替代指标。
表 1 数字普惠金融“使用深度指数”与互联网金融发展指数的指标对比数字金融业务 互联网金融发展指数(月度) 使用深度指数(年度) 互联网支付 最近1个月使用支付渗透率 高频率活跃用户占年活跃用户的比例 最近1个月人均支付金额 人均支付金额 最近1个月人均支付笔数 人均支付笔数 互联网货基 最近1个月购买货基渗透率 每万人支付宝用户购买余额宝人数 最近1个月人均购买货基金额 人均购买余额宝金额 最近1个月人均购买货基笔数 人均购买余额宝笔数 最近1个月保险人数渗透率 每万支付宝用户中被保险用户数 互联网保险 最近1个月人均保险金额 人均保险金额 最近1个月人均保险笔数 人均保险笔数 互联网信贷 最近1个月人均贷款金额 人均贷款金额 最近1个月人均贷款笔数 人均贷款笔数 互联网投资 最近1个月购买投资产品渗透率 每万人支付宝用户中参与互联网投资理财人数 最近1个月人均投资金额 人均投资金额 最近1个月人均投资笔数 人均投资笔数 互联网征信 最近1个月被调用互联网征信渗透率 自然人信用人均调用次数 最近1个月人均被调用互联网征信次数 每万支付宝用户中使用基于信用的服务用户数 注：根据北京大学数字普惠金融指数以及互联网金融发展指数的编制说明整理而得。 基于上述比较分析，本文使用数字普惠金融指数中的“使用深度指数”分项指数来衡量我国各地级市的数字金融发展水平，样本涵盖2011—2020年全国337个地级行政单位数据，剔除存在部分缺失值的地级市后，最终样本包含2 745个观测值①。
① 考虑到构建的货币政策预期引导强度和实际操作频度指标均是季度数据，为了与区域数字金融发展水平的年度数据相匹配，这里通过对季度数据进行简单加总得到新的年度数据序列(纪洋等，2018)[47]。
（三） 控制变量
为尽可能控制影响数字金融业务发展的区域性因素，参照Schindler(2017)[17]、Haddad和Hornuf(2019)[18]、刘军等(2020)[48]和王喆等(2021)[4]的相关研究成果，引入经济发展、基础设施和人口状况三类控制变量。其中：经济发展类指标包括人均GDP(A_GDP)、第三产业占比(Ser_R)；基础设施类指标包括移动用户数(A_Mobile)和互联网接入用户数(A_Inter)；人口状况类指标则包括地区人口数(A_Population)、在校大学生人数(A_Stu)以及科研人员人数(A_Sci)。具体数据采自《中国城市统计年鉴》。模型相关的变量设置及指标说明如表 2所示。同时为消除量纲因素影响，对相关变量做了标准化处理。
表 2 变量设置和指标说明变量属性 变量符号 变量名称 度量方式 被解释变量 Usage_depth 数字普惠金融使用深度指数 数字金融发展水平 核心解释变量 EG 货币调控预期引导强度 货币政策报告的风险强调 AO 货币调控实际操作频度 不同货币政策的操作频次 控制变量 A_GDP 人均地区生产总值(万元) 取自然对数值 Ser_R 第三产业占比 取当年年末数据 A_Mobile 移动用户数(百万人) 取自然对数值 A_Inter 互联网接入户数(百万户) 取自然对数值 A_Population 人口数(百万人) 取自然对数值 A_Sci 科研人数(万人) 取自然对数值 A_Stu 在校大学生数(百人/每万人) 取年末值 （四） 计量模型构建
为检验货币政策环境变化对于数字金融业务发展的实际影响及其周期性特征，参照刘军等(2020)[48]、王喆等(2021)[4]等学者的研究，构建如下计量模型：
$$ \begin{aligned} & { Usage\_depth }_{i, t}=\alpha+\beta_1 M P U_t+\beta_2 A\_ G D P_{i, t}+\beta_3 {Ser}\_ R_{i, t}+\beta_4 A\_ {Mobile }_{i, t}+ \\ & \beta_5 A\_ {Inter }_{i, t}+\beta_6 A \_ {Population }_{i, t}+\beta_7 A \_S c i_{i, t}+\beta_8 A \_S t u_{i, t}+\tau_i+\varepsilon_{i, t} \\ & \end{aligned} $$ (1) 其中，Usage_depthi, t表征数字金融业务发展水平；i代表地级市，t代表年份，α为截距项；MPUt为核心解释变量，包括货币政策预期引导强度指标EG和货币政策实际操作频度指标AO；同时也引入了表 2列示的各控制变量。为了缓解可能存在的内生性问题，相关变量均做了滞后一阶处理。描述性统计结果如表 3所示。
表 3 描述性统计结果变量类型 变量 观测值 最大值 最小值 均值 标准差 被解释变量 Usage_depth 2 745 349.75 4.29 171.98 1.33 核心解释变量 EG 2 745 29.87 19.81 25.85 0.06 AO 2 745 120 46 74.75 0.40 经济发展 A_GDP 2 745 3.85 0.63 1.46 0.02 Ser_R 2 745 0.84 0.10 0.40 0.02 基础设施 A_Mobile 2 745 8.31 3.18 5.77 0.01 A_Inter 2 745 7.34 3.58 4.08 0.02 人口状况 A_Population 2 745 8.14 2.94 5.89 0.01 A_Sci 2 745 13.61 4.73 8.49 0.02 A_Stu 2 745 8.46 0.64 4.75 0.02 表 3显示样本城市在数字金融业务发展水平上呈现明显的时空差距，该指标的标准差为1.33，最大值为349.75，最小值仅有4.29；货币政策预期引导强度指标EG的最小值为19.81，最大值为28.87，标准差为0.06，虽然呈现出一定的动态变化特征，但总体波动程度较低；货币政策实际操作频度指标AO的最大值为120，最小值为46，标准差达到0.40，表明国内货币政策操作更多地遵循相机调控原则，这也与实践情况相符合。
需要着重说明的是，模型的被解释变量并未直接套用目前较为常用的“货币政策不确定指数(MPU)”，而是选择货币调控预期引导强度EG和实际操作频度AO指标，这主要是基于以下两个层面的考虑：
其一，虽然货币政策不确定性指数(MPU)的测算方法比较详细和全面，但也是因为其构建的综合性特征，导致该指标虽然具有较强的代表意义，却难以据此展开更加细致的探讨。本研究的目标在于通过区分央行在货币调控层面的预期引导强度和实际操作频度两类指标系统，观察货币政策环境变化对于数字金融业务发展的整体影响，并进一步透视不同类型货币调控对于数字金融业务发展的异质性影响。因此，更加全面复杂的MPU指数难以准确区分央行的调控意愿和行为，比如货币政策不确定性的增强可能是因为央行采用了更加强烈的预期引导，也可能是运用了更加坚决的货币紧缩工具。有鉴于此，通过构建货币调控预期引导强度和实际操作频度两个维度的指标体系，同时进一步根据调控意愿和语义强度区分“强烈—温和—中性”的预期引导，根据实际操作方向区分宽松和紧缩两类货币政策情境，更有助于多维度透视央行货币调控的不同方式对数字金融业务发展的差异化影响。
其二，在实证检验过程中使用MPU指数替换核心解释变量做了相应的回归测试，发现该指标对于数字金融业务发展同样呈显著的负向影响。这从另一个角度验证了数字金融业务发展在货币调控过程中呈现的逆周期特征，但问题在于我们无法据此展开进一步的异质性讨论，比如货币调控预期引导强度和实际操作频度变化对于数字金融业务发展的影响有何差异，宽松类和紧缩类货币政策操作频度的变化对于数字金融业务发展的影响有何不同，这些对于展开进一步的异质性探讨同样重要。但是，MPU指数更多刻画的是货币政策环境整体的不确定性，很难进行操作方式和方向上的区分，因此在针对性展示数字金融业务发展的逆周期或逆调控特征方面存在明显的局限性。
四、 基准回归与异质性分析
（一） 基准回归结果
表 4报告了货币政策预期引导强度和实际操作频度指标对于数字金融发展总指数的实际影响效应，并初步展示了数字金融业务发展在货币政策环境变化中呈现的逆周期特征。
表 4 基于数字金融发展总指数的基准回归结果变量 (1) (2) (3) (4) (5) (6) EG 0.171 7*** 0.178 7*** 0.190 3*** - - - (0.000) (0.000) (0.000) AO - - - 0.096 0*** - - (0.000) AO1 - - - - -0.168 8*** - (0.000) AO2 - - - - - 0.023 4*** (0.000) A_GDP 0.8915*** 0.623 7*** 0.543 7*** 0.532 6* 0.519 5*** 0.561 1*** (0.000) (0.000) (0.000) (0.058) (0.000) (0.000) Ser_R 0.592 1*** 0.501 5*** 0.491 2*** 0.407 0*** 0.478 9*** 0.438 8*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile - 0.807 3*** 0.683 4*** 0.703 6*** 0.707 5*** 0.772 2*** (0.000) (0.000) (0.000) (0.000) (0.000) A_Inter - 0.354 0*** 0.303 8*** 0.2190*** 0.306 1*** 0.241 4*** (0.000) (0.000) (0.000) (0.000) (0.000) A_Population - - 1.113 3*** 1.105 4 1.116 8*** 1.119 0*** (0.000) (0.236) (0.000) (0.000) A_Sci - - -0.043 0 -0.044 3 -0.0054 1 -0.045 6 (0.179) (0.184) (0.174) (0.174) A_Stu - - 0.071 7*** 0.089 5*** 0.061 8*** 0.085 1*** (0.000) (0.000) (0.000) (0.000) α -2.711 9*** -3.040 1*** -4.703 1*** -2.986 2*** -2.804 0*** -2.982 0*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest - - 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 745 2 745 2 745 2 745 R2 0.548 6 0.619 7 0.654 8 0.624 2 0.646 4 0.618 0 注：括号内为p值，* * *、* *、*分别表示1%、5%、10%的显著性水平。下表同。 列(1)(2)(3)报告了以货币政策预期引导基准指标EG为核心解释变量，同时依次添加不同类型控制变量后的回归结果。估计显示：EG变量的估计系数在1%的置信水平下显著为正且具有较强的稳健性特征，说明央行自上而下的风险提示和调控指引会对数字金融发展产生显著的正向驱动，也初步验证了国内数字金融业务发展所具有的逆周期性特征。从理论逻辑上讲，尽管数字金融业务与传统金融业务均会受到货币政策环境的制约，但在央行表现出强烈的风险管理意愿时，传统金融机构对资产类业务的收缩会更加强烈的冲击传统金融服务供给，而数字金融业务在风险管理技术和长尾客户覆盖方面的优势则可在一定程度上对冲自上而下的外部政策冲击，并能趁机抢占传统金融服务的市场空间，进而呈现逆周期扩张态势。控制变量方面，A_GDPi, t、Ser_Ri, t、A_Mobilei, t、A_Interi, t、A_Populationi, t、A_Stui, t的估计系数均显著为正，表明经济发展程度越高、互联网基础设施建设越完善、人口规模和素质越高，则区域数字金融业务发展状况越好，这也有与相关的理论描述相一致。
列(4)(5)(6)提供了以货币政策实际操作频度不同代理变量为核心解释变量的回归结果。列(4)中，央行货币政策实际操作频度的上升会显著推动数字金融业务发展，且系数在1%的置信水平下显著，说明相机抉择的货币操作虽然会增加金融市场的不确定性，提升金融机构的风险规避情绪，但同时也会驱动金融服务供给向风险管理能力更强的数字金融业务迁移，进而推动数字金融业务的逆周期扩张。列(5)(6)则通过区分货币政策实际操作方向对上述结论做了进一步验证：宽松类货币政策操作频度(AO1)的影响系数显著为负，而紧缩型货币政策操作频度(AO2)的影响系数显著为正，说明在央行的相机抉择操作偏向于货币政策宽松时，数字金融业务发展反而会受到一定程度制约；而在相机抉择操作更倾向于货币政策紧缩时，数字金融业务发展才会得到正向驱动，由此进一步支持了数字金融业务发展在货币调控过程中的逆周期特征。理论而言，宽松的货币政策会扩张传统金融服务供给能力，并适度降低金融业务开展的风险管理诉求；紧缩的货币政策则不仅会压缩传统金融部门的服务能力和覆盖范围，也更能凸显数字金融业务的风险管理优势，由此构成了数字金融业务发展在货币调控过程中呈现出明显逆周期特征的主要原因。不同类型控制变量的估计系数方向和显著性水平与前文保持一致，这里不再赘述。
（二） 异质性检验
1. 基于数字金融分项目指数的异质性检验
根据数字普惠金融指数的项目区分，我们首先采用数字金融支付业务、货币基金业务、保险业务、信贷业务、投资业务及信用服务等不同类型的分项指数作为被解释变量展开相应的异质性检验。需要说明的是，货币基金业务始于2013年的余额宝上线，互联网投资业务始于2014年，由此在相对应的回归中做了针对性的数据样本截取。
表 5报告了货币政策预期引导强度变化对于不同数字金融业务的具体影响。在货币调控风险趋于上升条件下，数字金融支付业务、保险业务、信贷业务及信用服务业务均呈现显著的正向反馈机制，EG变量的估计系数均在1%的水平下显著为正。这意味着在自上而下货币政策风险提示和调控意愿趋于增强时，上述类型的数字金融业务反而会出现明显的逆势扩张态势，这也验证了前文的逻辑，即风险预期上升带来的传统金融服务供给下降会为数字金融业务发展创造逆势扩张的空间。值得关注的是，货币基金和投资业务对货币政策预期引导强度变化依然具有明显的负向反馈效应，且在1%的水平下显著。逻辑上讲，数字金融货币基金业务和投资业务的发展更多是基于网络平台便利性以及由其驱动的市场存量资金迁移，其发展不仅与风险管理方面的技术优势相距较远，也更多依赖于同期的金融市场状况和实际业绩表现，因此，在货币调控预期下自然会呈现出更强的顺周期特征。
表 5 货币调控预期引导对不同类型数字金融业务的异质性影响变量 Paymenti, t M_Fi, t Insurancei, t Crediti, t Investmenti, t Credi-invi, t EG 0.080 4*** -0.317 4*** 0.270 5*** 0.138 8*** -0.260 6*** 0.648 8*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_GDP 0.573 5*** 0.126 6** 0.639 4** 0.395 8*** 0.190 2*** 1.337 9*** (0.000) (0.014) (0.050) (0.000) (0.000) (0.000) Ser_R 0.457 4*** 0.329 1*** 0.415 4*** 0.525 6*** 0.310 4*** 0.146 3*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile 0.777 3*** 1.120 1*** 0.8174*** 0.628 8*** 0.292 6** 0.305 1 (0.000) (0.000) (0.000) (0.000) (0.037) (0.207) A_Inter 0.270 0*** 0.270 2*** 0.289 7*** 0.255 3*** 0.409 4*** 0.338 0*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Population 1.120 4*** 1.871 6*** 2.974 0*** 0.943 6*** 2.168 4*** 1.768 2*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Sci -0.026 0 0.045 8 -0.034 9 -0.051 6 -0.030 2 -0.082 1 (0.414) (0.351) (0.260) (0.169) (0.513) (0.755) A_Stu 0.074 4*** 0.030 6 0.075 3*** 0.034 8 0.052 3** 0.139 6*** (0.000) (0.298) (0.000) (0.102) (0.039) (0.000) α -4.033 1*** 2.747 0*** -5.407 5*** -3.447 3*** -0.073 8*** -1.865 2*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 1660 2 745 2 745 1935 1105 R2 0.646 6 0.392 4 0.681 5 0.527 3 0.472 7 0.589 4 运用货币政策实际操作频度指标(AO)做进一步的异质性检验。表 6显示，数字金融支付业务、数字金融保险业务、数字金融信贷业务以及信用服务业务发展对于货币政策实际操作频度上升均呈明显的正向反馈，且系数估计值在1%的水平下显著，继续验证了上述业务类型发展的逆周期特征。另外，数字金融货币基金业务和投资业务的估计系数则在1%的水平下显著为负，也印证了前面的逻辑，即这两类业务的技术优势相对较弱，而且更容易受到整体市场环境制约，因此在货币政策风险加大时很难实现逆周期扩张。
表 6 货币实际操作频度对不同类型数字金融业务的异质性影响变量 Paymenti, t M_Fi, t Insurancei, t Crediti, t Investmenti, t Credit-invi, t AO 0.278 3*** -0.145 5*** 0.176 1*** 0.160 2*** -0.062 4*** 0.648 1*** (0.000) (0.000) (0.000) (0.000) (0.001) (0.000) A_GDP 0.466 6*** 0.273 4*** 0.606 8*** 0.347 7*** 0.305 6*** 0.802 2*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Ser_R 0.338 5*** 0.377 7*** 0.281 8*** 0.432 6*** 0.403 4*** 0.087 6*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile 0.559 7*** 1.406 1*** 0.807 1*** 0.558 6*** 0.688 8*** -0.026 9 (0.000) (0.000) (0.000) (0.000) (0.000) (0.890) A_Inter 0.177 9*** 0.338 4*** 0.159 9*** 0.172 3*** 0.556 3*** 0.155 4*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.004) A_Population 1.115 4*** 2.243 8*** 0.964 0*** 0.940 1*** 2.342 7*** 0.812 2* (0.000) (0.000) (0.000) (0.000) (0.000) (0.062) A_Sci -0.025 6 0.049 3 -0.036 5 -0.052 2 -0.030 7 0.110 2 (0.383) (0.334) (0.275) (0.164) (0.524) (0.605) A_Stu 0.090 7*** 0.045 0 0.102 2*** 0.051 1** 0.313*** 0.045 8 (0.000) (0.141) (0.000) (0.017) (0.0039) (0.149) α -3.399 3*** -5.251 0*** -2.981 6*** -2.228 2*** -4.053 0*** 1.958 7*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.004) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 1 660 2 745 2 745 1935 1105 R2 0.478 5 0.345 6 0.629 5 0.526 3 0.424 5 0.730 7 综上可知，尽管数字金融业务在货币调控过程中整体呈现出明显的逆周期特征，但不同细分业务类型之间仍存在较强的异质性。科技属性更强且更依赖技术优势的业务类型，如数字金融支付业务、数字金融保险业务、数字金融信贷业务、数字金融信用服务业务等，在货币政策预期引导强度上升或操作频度增加导致金融市场不确定性提升时，对传统金融服务供给的补充和替代效应更为强烈，并呈现出更明显的逆周期扩张特征；依托于数字金融的货币基金业务和投资业务等，则会因为技术优势相对较弱且更加受制于金融市场大环境，在货币调控过程中依然会表现出明显的顺周期特征。
2. 基于不同时间和地域范围的异质性检验
鉴于2013年6月余额宝正式上线标志着中国数字金融业务发展进入加速扩张和全面深化的新阶段，因此将样本区分为2011—2013年和2014—2020年两个子样本展开分组回归检验。另外，考虑到中国经济和金融发展均存在明显的区域差异，因此将样本城市区分为东部、中部、西部三个子集进行分组回归。
表 7显示，在进行时间分段和地区分组的情况下，数字金融业务发展仍会在央行货币政策预期引导强度提升的背景下呈现出明显的逆周期特征，只是在不同时段和不同区域具有一定异质性。2014年之后，数字金融业务发展的逆周期特征相对变弱，这可能是因为在余额宝等数字金融标志性业务爆发的倒逼下，传统金融机构和金融业务的数字化转型加速，相对弱化了数字金融业务的技术优势，降低了其在货币政策风险上升条件下对于传统金融服务的补充与替代效应。区域层面看，东部、中部、西部样本EG变量的估计系数虽然均显著为正，但也呈现出明显的依次抬升趋势，表明不同地区货币政策预期引导对于数字金融业务发展的影响存在明显异质性。这可能是由于中国经济和金融发展的梯度分布特征，金融体系的腾挪能力和供给能力也会存在明显区际差异，东部地区在货币政策风险上升时传统金融体系服务供给的边际收缩程度更小，由此会在一定程度上降低数字金融业务的逆势扩张空间；而西部地区的金融供给缺口更大，因此数字金融业务的逆周期扩张特征更为明显。
表 7 针对货币政策预期引导强度的异质性检验变量 2011—2013 2014—2020 东部地区 中部地区 西部地区 EG 0.272 7*** 0.083 3*** 0.184 6*** 0.198 0*** 0.225 6*** (0.000) (0.000) (0.000) (0.000) (0.000) 其他控制变量 控制 控制 控制 控制 控制 城市固定效应 是 是 是 是 是 时间固定效应 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 观测值 810 1 935 1 105 1 054 586 R2 0.943 8 0.443 2 0.685 4 0.725 9 0.668 8 表 8继续支持了货币政策实际操作对于数字金融业务发展的逆周期影响，也验证了不同时间分段和地区分组的异质性。值得关注的是，2014年后货币政策操作频度上升对于数字金融业务发展的逆周期影响更为强烈，意味着相对于前瞻性指引而言，相机抉择货币政策操作引发的动态不一致问题更可能放大金融市场的不确定性，进而凸显数字金融业务的风险管理优势。同样，东部、中部、西部不同地区分组的估计系数也呈现出依次降低的态势。这也符合一般的理论逻辑：对于金融市场更发达、金融供给能力更强的东部地区而言，在货币调控趋紧的背景下，依托数字金融的技术优势强化风险管理意愿会更加强烈，由此相对于金融市场发展程度较低的中西部地区而言，其会对数字金融业务发展形成更强的驱动。
表 8 针对货币政策实际操作频度的异质性检验变量 2011—2013 2014—2020 东部地区 中部地区 西部地区 AO 0.128 3*** 0.149 4*** 0.078 7*** 0.056 2*** 0.044 4*** (0.000) (0.000) (0.000) (0.000) (0.000) 其他控制变量 控制 控制 控制 控制 控制 城市固定效应 是 是 是 是 是 时间固定效应 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 观测值 810 1 935 1 105 1 054 586 R2 0.784 2 0.468 4 0.656 2 0.676 8 0.627 9 五、 不同维度的稳健性检验
（一） 改变核心解释变量的构建方式
依据《货币政策执行报告》和《货币政策大事记》两项权威政策文本构建的EG和AO指标虽然可以多维度反映央行的货币调控意愿变化，但作为时间序列变量的季节相关性不容忽视。为排除季节性因素干扰，我们以2011年第一季度的国内GDP指数(上年同期为100)为基期计算2011—2020年各季度的GDP指数，再将所构建的EG和AO指标与重新构建的GDP指数交乘进行观察。
表 9显示，控制季节性因素的影响后EG和AO指标对数字金融业务发展依然呈现出显著负向影响，且该结果逐步添加不同类型控制变量后依然保持稳健，从而进一步验证了数字金融业务在货币调控过程中的逆周期特征，并显示该种特征并不会受到季节性因素的干扰。
表 9 改变核心解释变量构建方式的稳健性检验变量 (1) (2) (3) (4) (5) (6) EG 0.035 9*** 0.043 6*** 0.043 3*** - - - (0.000) (0.000) (0.000) AO - - - 0.236 6*** 0.120 7*** 0.111 7*** (0.000) (0.000) (0.005) A_GDP 0.932 6*** 0.662 9*** 0.645 6*** 0.881 7*** 0.638 2*** 0.621 8*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Ser_R 0.581 1*** 0.495 2*** 0.502 2*** 0.508 4*** 0.436 9*** 0.445 1*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile - 0.871 9*** 0.786 8*** 0.899 8*** 0.816 1*** (0.000) (0.000) (0.000) (0.000) A_Inter - 0.342 4*** 0.307 2*** 0.283 6*** 0.249 5*** (0.000) (0.000) (0.000) (0.000) A_Population - - 1.053 9*** 1.058 9*** (0.000) (0.000) A_Sci - - -0.055 7 -0.058 2* (0.101) (0.093) A_Stu - - 0.097 0*** 0.096 3*** (0.000) (0.000) α -2.162 2*** -2.690 9*** -4.149 3*** -1.489 9*** -1.609 7*** -3.066 9*** (0.000) (0.000) (0.000) (0.000) (0.003) (0.313 0) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest - - 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 745 2 745 2 745 2 745 R2 0.528 3 0.602 6 0.610 6 0.523 1 0.588 0 0.596 1 （二） 改变核心解释变量的测度视角
在货币政策的代理指标构建方面，《货币政策执行报告》和《货币政策大事记》作为央行货币调控意愿宣示的关键载体，能够更好满足指标构建的权威性、规范性、有效性和可控性要求。相对而言，各种渠道的货币政策解读、重要的货币政策执行新闻，乃至通过新闻报道、在线访谈和直播等方式进行的货币调控信号传递，不仅需要与上述两项政策文本保持一致，也会受到场景随机性和政策解读模糊性等因素干扰，时效性更强的口头沟通方式则存在不定期、用词多变、体例措辞规范性不足等问题(林建浩等，2019)[49]，以此为基础进行货币政策环境相关代理指标的构建很难满足统计计量的相关要求。
考虑到货币政策的传导依赖于微观主体的金融行为，因此可以通过将宏观货币调控指标替换为微观政策实际执行效果指标，展开进一步的稳健性检验。鉴于所有货币操作最终会反映为经济主体的存贷款行为调整，因此这里纳入地区维度的存贷款余额指标进行检验。理论上讲，央行对于货币调控的预期引导强度下降或更多执行宽松型的货币政策操作，均有助于推动地方存贷款余额的增加，而货币调控的预期引导强度提升或紧缩型操作频度的上升均会对地方存贷款余额形成压制，因此可以引入地方存贷款余额与GDP的比值(Mic)充当货币政策环境变化的替代指标展开相应检验。同时为进一步控制宏观变量的时间序列相关性干扰，构建交互项指标A_Mic以消除季节性因素影响。检验结果见表 10。其中列(1)(2)(3)显示，宽松的货币政策环境扩张了传统金融部门的业务供给能力，压制了数字金融的业务优势，加上金融消费者的风险特质和行为惯性影响，反而会一定程度上阻碍数字金融业务的发展。列(4)(5)(6)中，Mic指标在消除时间趋势影响后仍然显著表现出对数字金融业务发展的负向影响，也再次验证了基准回归结论。
表 10 改变核心解释变量测度视角的稳健性检验变量 (1) (2) (3) (4) (5) (6) Mic -0.014 5*** -0.014 4*** -0.012 7*** - - - (0.000) (0.000) (0.001) A_Mic - - - -0.015 8*** -0.015 5*** -0.013 7*** (0.000) (0.000) (0.001) A_GDP 0.064 1*** 0.057 7*** 0.056 3*** 0.063 8*** 0.057 5*** 0.056 1*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Ser_R -0.013 9*** -0.013 2*** -0.010 8*** -0.013 8*** -0.013 1*** -0.010 8*** (0.000) (0.001) (0.005) (0.000) (0.001) (0.005) A_Mobile - 0.056 7*** 0.030 8** 0.056 4*** 0.030 6** (0.000) (0.015) (0.000) (0.016) A_Inter - 0.011 7** 0.005 1 0.011 6** 0.005 1 (0.027) (0.335) (0.027) (0.338) A_Population - - 0.238 9*** 0.238 1*** (0.000) (0.000) A_Sci - - 0.013 7** 0.013 6** (0.023) (0.023) A_Stu - - 0.002 6 0.002 6 (0.451) (0.455) α 0.815 2*** 0.774 9*** 0.444 8*** 0.817 8*** 0.777 3*** 0.447 9*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest - - 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 745 2 745 2 745 2 745 R2 0.987 5 0.987 6 0.987 9 0.987 5 0.987 7 0.987 9 （三） 对货币调控预期引导强度进一步细分
考虑到文本词频分析方法对于关键词的选取较为敏感，同时央行的风险提示和意愿表达也往往会在语境和语义上存在细微差别，为进一步控制变量选择偏差问题，依据中文语境的特殊性和意愿表达的明确性，对刻画央行预期引导强度的关键词做了细化分层并构建相应的细分指标体系EG1、EG2、EG3，并通过变量替换方式进行稳健性检验。其中，EG1包含风险提示和调控意愿表达最为强烈和明确的关键词，如防范、防止、遏制等；EG2包含调控语气相对缓和的关键词，如规范、完善、优化、协调等；EG3则包含调控意愿表达偏于中性的关键词，如监管、监控、督促、改善等。
图 4对货币调控预期引导强度EG的细分指标体系做了相应的时间趋势观察。整体上看，EG1、EG2、EG3的取值与EG保持着大致相同的变化路径：2011年后，货币调控预期引导强度逐步增强，2015—2017年间伴随宏观政策层面对去杠杆和防范化解系统性金融风险的强调，央行货币调控预期引导指标大幅提升。这一过程中，EG1和EG2的走势基本与EG指标保持一致，而货币调控意愿表达相对模糊中性的细分指标EG3取值则趋于下降。2018年后，伴随整体性去杠杆转向结构性去杠杆，货币调控意愿表达更为强烈的EG1和EG2的指标取值均呈现明显下降，而货币调控意愿表达相对中性模糊的词汇使用频率趋于上升，对应EG3指标的取值呈稳步抬升。综上对不同细分指标的时间趋势比对分析，基于《货币政策执行报告》进行关键词提取和文本词频分析所构建的货币调控预期引导强度指标，基本上与中国货币政策环境的实际变化保持一致，因此具有较强的合理性。
表 11进一步检验了EG1、EG2、EG3等不同指标对数字金融业务发展的实际影响。总体上看，逆周期性依然显著，并继续支持基准回归结论。EG1、EG2、EG3的影响系数依次为0.3515、0.0877和-0.0588，且均在1%水平下显著，意味着央行风险提示最为强烈时数字金融的逆周期扩张特征最为明显；而在央行预期引导更多以模糊或中性的方式呈现时，因为传统金融服务的供给可能保持稳定或进一步增加，这时对风险管理的需求会相对弱化，反而会对数字金融业务的发展形成一定的挤压效应。
表 11 基于货币调控预期引导强度细分的稳健性检验变量 (1) (2) (3) EG1 0.351 5***(0.000) - - EG2 - 0.087 7***(0.000) - EG3 - - -0.058 8***(0.000) 其他控制变量 控制 控制 控制 城市固定效应 是 是 是 时间固定效应 是 是 是 Hausmantest 0.000 0.000 0.000 观测值 2 745 2 745 2 745 R2 0.736 9 0.625 4 0.620 2 表 12进一步呈现了货币调控预期引导强度指标体系对不同类型数字金融业务发展的具体影响效果。总体上看，在风险提示和意愿表达更为明确和强烈的场景下，数字金融业务发展的逆周期特征表现得更为明显；而在货币政策风险提示和意愿表达相对模糊中性的条件下，数字金融业务发展的逆周期特征均会出现一定弱化，并和前面结果保持一致。
表 12 基于货币调控预期引导强度细分的稳健性检验变量 Paymenti, t M_Fi, t Insurancei, t EG1 0.201 7*** - - 0.239 5*** - - 0.322 2*** - - (0.000) (0.000) (0.000) EG2 - 0.008 4*** - - -0.796 0*** - - 0.226 0*** - (0.000) (0.000) (0.000) EG3 - - -0.069 6*** - - -0.008 7 - - 0.052 6*** (0.000) (0.762) (0.000) 其他控制变量 是 是 是 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 是 是 HausmanTest 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 743 1 660 1 660 1 660 2 744 2 744 2 744 R2 0.689 5 0.639 8 0.643 6 0.377 8 0.809 2 0.321 6 0.704 1 0.659 1 0.609 5 EG1 0.354 6*** - - 0.196 5*** - - 0.761 2*** - - (0.000) (0.000) (0.000) EG2 - -0.022 8 - - -0.291 0*** - - -0.5190*** - (0.431) (0.000) (0.000) EG3 - - -0.085 5*** - - -0.563 3*** - - -0.489 2*** (0.000) (0.000) (0.000) 其他控制变量 是 是 是 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 739 2 739 2 739 1 935 1 935 1 935 1 105 1 105 1 105 R2 0.629 0 0.508 1 0.513 2 0.462 2 0.497 6 0.598 0 0.704 1 0.659 1 0.609 5 （四） 工具变量检验
考虑到使用预期引导强度和实际操作频度指标刻画货币政策变化可能存在主观性，为规避核心解释变量选取的有偏性问题和内生性风险，通过工具变量法做了进一步检验。
有鉴于广义货币供应量(M2)的波动能够一定程度表征货币政策的环境变化，而无论是央行的前瞻性指引抑或是相机抉择操作，最后均会不同程度反映为货币供应量调整，并因此构成了数字金融业务发展的重要外部约束。另外，M2变化根植于货币政策操作，相对于经济金融体系运行亦具有较强外生性，可以认为该变量与模型其他解释变量及随机误差项不相关，故用该指标的年度标准差充当工具变量展开进一步的稳健性检验。
表 13显示，在将核心解释变量替换为广义货币供应量(M2)的年度标准差后，数字金融业务发展总指数和不同数字金融细分业务对货币政策环境变化的估计系数方向和显著性水平均未发生明显变化。数字金融总指数和其中的支付业务、保险业务、信贷业务及信用服务业务对货币政策环境的波动均呈现明显的逆周期反馈特征，即货币政策环境的不确定性越高，数字金融相关业务的逆势扩张态势越明显。数字金融的货币基金业务和投资业务则对货币政策环境变化继续呈现明显的逆周期特征，从而进一步印证其对金融市场表现的强依赖性。
表 13 基于核心解释变量置换的稳健性检验变量 Usage_depthi, t Paymenti, t M_Fi, t Insurancei, t Crediti, t Investmenti, t Credit-invi, t Std_M2 0.354 8*** 0.295 2*** -0.457 8*** 0.233 8*** 0.494 2*** -0.211 1*** 0.542 4*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 其他控制变量 是 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 2 743 1 660 2 744 2 739 1 935 1 105 R2 0.745 5 0.731 6 0.552 4 0.662 0 0.755 2 0.472 0 0.604 1 六、 结论与建议
数字金融业务兼具科技属性和金融属性，其发展不仅源自于技术优势，也同时根植于特定货币环境，因此，梳理货币政策环境变化对于数字金融业务发展的实际影响及其异质性，对于推动数字金融业务的良性有序发展，并构建针对性的货币政策框架和金融监管体系至关重要。通过文本词频分析构建货币政策预期引导强度和实际操作频度的代理指标体系，并基于2011—2020年全国337个地级市数据检验了其对数字金融业务发展的实际影响，研究得出如下结论：
第一，货币政策环境变化对于数字金融业务发展呈现出明显的逆周期影响。不仅央行的风险提示和预期引导会对数字金融发展形成显著正向驱动，相机抉择操作也会推动数字金融业务的逆周期扩张。说明国内数字金融业务的发展部分源于金融市场不确定性上升时对传统金融服务供给的补充和替代，即凭借技术优势缓释货币政策冲击并抢占市场空间。
第二，不同数字金融业务在货币调控中的周期性特征具有明显的异质性。科技属性更明显且技术优势更突出的业务类型，如数字金融领域的支付业务、保险业务、信贷业务、信用服务业务等在货币政策环境变化中的逆周期特征更为明显；而技术优势相对较弱且更加受制于金融市场整体环境的货币基金业务和投资业务等则依然呈现明显的顺周期特征。
第三，货币操作方式也会对数字金融业务的周期性施加差异化影响。央行的风险提示和意愿表达越明确，数字金融业务发展的逆周期特征越明显；模糊或中性的预期引导反而会挤压数字金融的发展空间。偏于紧缩的相机抉择操作对于数字金融业务发展的逆周期驱动更为明显，偏于宽松的相机抉择操作反而会对数字金融业务发展产生一定的制约。
第四，货币政策情境对数字金融业务发展的影响存在时间和地区异质性。传统金融机构的数字化转型会相对弱化数字金融业务的技术优势，而金融市场不确定性的增强则容易凸显数字金融的风险管理优势；区域金融发展状况和金融服务供给能力会制约货币政策环境变化对于数字金融业务发展的实际影响，进而影响数字金融业务发展的周期性特征。
综上提出如下具体政策建议：
第一，基于金融供给侧结构性改革要求优化货币调控模式。鉴于国内数字金融业务发展在货币政策调控过程中呈现的逆周期性，以及针对不同货币调控方式所展现的异质性，推动数字金融业务的健康发展，应遵循金融供给侧结构性改革的要求营造相对稳定的货币政策环境，并优化具体的货币调控模式，尽可能强化数字金融对于传统金融的补充替代效应。
第二，针对不同类型数字金融业务发展构建差异化的政策措施组合。因为不同类型的数字金融业务在科技属性和技术优势上存在明显差异，并在货币调控过程中呈现出不同特征，因此，应围绕金融体系的结构性改革需求设计差异化的政策措施组合，着力推动风险管理技术优势更突出，同时对传统金融服务供给的边际改善效应更明显的业务类型发展。
第三，顺应金融服务的结构转型趋势完善货币政策框架和体系。数字金融发展对于推动金融体系的转型升级，提升金融服务实体经济能力至关重要。因此，应基于货币政策调控对于数字金融业务发展的影响，完善现有的货币政策框架体系，着力提升货币政策前瞻性指引的明确性和相机抉择操作的坚决性，推动数字金融与传统金融的优势互补和良性互动。
第四，基于区域金融环境差异打造针对性的数字金融发展战略。区域金融发展状况和金融服务供给能力会深刻影响数字金融业务在货币政策调控过程中呈现的周期性特征，因此有必要探索基于地区分类的结构性货币政策工具，同时因地因时制宜构建针对性、差异化的数字金融发展战略，打造动态兼容的政策框架和监管体系，保证数字金融业务的合理有序发展。
-
表 1 数字普惠金融“使用深度指数”与互联网金融发展指数的指标对比
数字金融业务 互联网金融发展指数(月度) 使用深度指数(年度) 互联网支付 最近1个月使用支付渗透率 高频率活跃用户占年活跃用户的比例 最近1个月人均支付金额 人均支付金额 最近1个月人均支付笔数 人均支付笔数 互联网货基 最近1个月购买货基渗透率 每万人支付宝用户购买余额宝人数 最近1个月人均购买货基金额 人均购买余额宝金额 最近1个月人均购买货基笔数 人均购买余额宝笔数 最近1个月保险人数渗透率 每万支付宝用户中被保险用户数 互联网保险 最近1个月人均保险金额 人均保险金额 最近1个月人均保险笔数 人均保险笔数 互联网信贷 最近1个月人均贷款金额 人均贷款金额 最近1个月人均贷款笔数 人均贷款笔数 互联网投资 最近1个月购买投资产品渗透率 每万人支付宝用户中参与互联网投资理财人数 最近1个月人均投资金额 人均投资金额 最近1个月人均投资笔数 人均投资笔数 互联网征信 最近1个月被调用互联网征信渗透率 自然人信用人均调用次数 最近1个月人均被调用互联网征信次数 每万支付宝用户中使用基于信用的服务用户数 注：根据北京大学数字普惠金融指数以及互联网金融发展指数的编制说明整理而得。 
下载: 导出CSV
表 2 变量设置和指标说明
变量属性 变量符号 变量名称 度量方式 被解释变量 Usage_depth 数字普惠金融使用深度指数 数字金融发展水平 核心解释变量 EG 货币调控预期引导强度 货币政策报告的风险强调 AO 货币调控实际操作频度 不同货币政策的操作频次 控制变量 A_GDP 人均地区生产总值(万元) 取自然对数值 Ser_R 第三产业占比 取当年年末数据 A_Mobile 移动用户数(百万人) 取自然对数值 A_Inter 互联网接入户数(百万户) 取自然对数值 A_Population 人口数(百万人) 取自然对数值 A_Sci 科研人数(万人) 取自然对数值 A_Stu 在校大学生数(百人/每万人) 取年末值
下载: 导出CSV
表 3 描述性统计结果
变量类型 变量 观测值 最大值 最小值 均值 标准差 被解释变量 Usage_depth 2 745 349.75 4.29 171.98 1.33 核心解释变量 EG 2 745 29.87 19.81 25.85 0.06 AO 2 745 120 46 74.75 0.40 经济发展 A_GDP 2 745 3.85 0.63 1.46 0.02 Ser_R 2 745 0.84 0.10 0.40 0.02 基础设施 A_Mobile 2 745 8.31 3.18 5.77 0.01 A_Inter 2 745 7.34 3.58 4.08 0.02 人口状况 A_Population 2 745 8.14 2.94 5.89 0.01 A_Sci 2 745 13.61 4.73 8.49 0.02 A_Stu 2 745 8.46 0.64 4.75 0.02
下载: 导出CSV
表 4 基于数字金融发展总指数的基准回归结果
变量 (1) (2) (3) (4) (5) (6) EG 0.171 7*** 0.178 7*** 0.190 3*** - - - (0.000) (0.000) (0.000) AO - - - 0.096 0*** - - (0.000) AO1 - - - - -0.168 8*** - (0.000) AO2 - - - - - 0.023 4*** (0.000) A_GDP 0.8915*** 0.623 7*** 0.543 7*** 0.532 6* 0.519 5*** 0.561 1*** (0.000) (0.000) (0.000) (0.058) (0.000) (0.000) Ser_R 0.592 1*** 0.501 5*** 0.491 2*** 0.407 0*** 0.478 9*** 0.438 8*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile - 0.807 3*** 0.683 4*** 0.703 6*** 0.707 5*** 0.772 2*** (0.000) (0.000) (0.000) (0.000) (0.000) A_Inter - 0.354 0*** 0.303 8*** 0.2190*** 0.306 1*** 0.241 4*** (0.000) (0.000) (0.000) (0.000) (0.000) A_Population - - 1.113 3*** 1.105 4 1.116 8*** 1.119 0*** (0.000) (0.236) (0.000) (0.000) A_Sci - - -0.043 0 -0.044 3 -0.0054 1 -0.045 6 (0.179) (0.184) (0.174) (0.174) A_Stu - - 0.071 7*** 0.089 5*** 0.061 8*** 0.085 1*** (0.000) (0.000) (0.000) (0.000) α -2.711 9*** -3.040 1*** -4.703 1*** -2.986 2*** -2.804 0*** -2.982 0*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest - - 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 745 2 745 2 745 2 745 R2 0.548 6 0.619 7 0.654 8 0.624 2 0.646 4 0.618 0 注：括号内为p值，* * *、* *、*分别表示1%、5%、10%的显著性水平。下表同。
下载: 导出CSV
表 5 货币调控预期引导对不同类型数字金融业务的异质性影响
变量 Paymenti, t M_Fi, t Insurancei, t Crediti, t Investmenti, t Credi-invi, t EG 0.080 4*** -0.317 4*** 0.270 5*** 0.138 8*** -0.260 6*** 0.648 8*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_GDP 0.573 5*** 0.126 6** 0.639 4** 0.395 8*** 0.190 2*** 1.337 9*** (0.000) (0.014) (0.050) (0.000) (0.000) (0.000) Ser_R 0.457 4*** 0.329 1*** 0.415 4*** 0.525 6*** 0.310 4*** 0.146 3*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile 0.777 3*** 1.120 1*** 0.8174*** 0.628 8*** 0.292 6** 0.305 1 (0.000) (0.000) (0.000) (0.000) (0.037) (0.207) A_Inter 0.270 0*** 0.270 2*** 0.289 7*** 0.255 3*** 0.409 4*** 0.338 0*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Population 1.120 4*** 1.871 6*** 2.974 0*** 0.943 6*** 2.168 4*** 1.768 2*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Sci -0.026 0 0.045 8 -0.034 9 -0.051 6 -0.030 2 -0.082 1 (0.414) (0.351) (0.260) (0.169) (0.513) (0.755) A_Stu 0.074 4*** 0.030 6 0.075 3*** 0.034 8 0.052 3** 0.139 6*** (0.000) (0.298) (0.000) (0.102) (0.039) (0.000) α -4.033 1*** 2.747 0*** -5.407 5*** -3.447 3*** -0.073 8*** -1.865 2*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 1660 2 745 2 745 1935 1105 R2 0.646 6 0.392 4 0.681 5 0.527 3 0.472 7 0.589 4
下载: 导出CSV
表 6 货币实际操作频度对不同类型数字金融业务的异质性影响
变量 Paymenti, t M_Fi, t Insurancei, t Crediti, t Investmenti, t Credit-invi, t AO 0.278 3*** -0.145 5*** 0.176 1*** 0.160 2*** -0.062 4*** 0.648 1*** (0.000) (0.000) (0.000) (0.000) (0.001) (0.000) A_GDP 0.466 6*** 0.273 4*** 0.606 8*** 0.347 7*** 0.305 6*** 0.802 2*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Ser_R 0.338 5*** 0.377 7*** 0.281 8*** 0.432 6*** 0.403 4*** 0.087 6*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile 0.559 7*** 1.406 1*** 0.807 1*** 0.558 6*** 0.688 8*** -0.026 9 (0.000) (0.000) (0.000) (0.000) (0.000) (0.890) A_Inter 0.177 9*** 0.338 4*** 0.159 9*** 0.172 3*** 0.556 3*** 0.155 4*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.004) A_Population 1.115 4*** 2.243 8*** 0.964 0*** 0.940 1*** 2.342 7*** 0.812 2* (0.000) (0.000) (0.000) (0.000) (0.000) (0.062) A_Sci -0.025 6 0.049 3 -0.036 5 -0.052 2 -0.030 7 0.110 2 (0.383) (0.334) (0.275) (0.164) (0.524) (0.605) A_Stu 0.090 7*** 0.045 0 0.102 2*** 0.051 1** 0.313*** 0.045 8 (0.000) (0.141) (0.000) (0.017) (0.0039) (0.149) α -3.399 3*** -5.251 0*** -2.981 6*** -2.228 2*** -4.053 0*** 1.958 7*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.004) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 1 660 2 745 2 745 1935 1105 R2 0.478 5 0.345 6 0.629 5 0.526 3 0.424 5 0.730 7
下载: 导出CSV
表 7 针对货币政策预期引导强度的异质性检验
变量 2011—2013 2014—2020 东部地区 中部地区 西部地区 EG 0.272 7*** 0.083 3*** 0.184 6*** 0.198 0*** 0.225 6*** (0.000) (0.000) (0.000) (0.000) (0.000) 其他控制变量 控制 控制 控制 控制 控制 城市固定效应 是 是 是 是 是 时间固定效应 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 观测值 810 1 935 1 105 1 054 586 R2 0.943 8 0.443 2 0.685 4 0.725 9 0.668 8
下载: 导出CSV
表 8 针对货币政策实际操作频度的异质性检验
变量 2011—2013 2014—2020 东部地区 中部地区 西部地区 AO 0.128 3*** 0.149 4*** 0.078 7*** 0.056 2*** 0.044 4*** (0.000) (0.000) (0.000) (0.000) (0.000) 其他控制变量 控制 控制 控制 控制 控制 城市固定效应 是 是 是 是 是 时间固定效应 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 观测值 810 1 935 1 105 1 054 586 R2 0.784 2 0.468 4 0.656 2 0.676 8 0.627 9
下载: 导出CSV
表 9 改变核心解释变量构建方式的稳健性检验
变量 (1) (2) (3) (4) (5) (6) EG 0.035 9*** 0.043 6*** 0.043 3*** - - - (0.000) (0.000) (0.000) AO - - - 0.236 6*** 0.120 7*** 0.111 7*** (0.000) (0.000) (0.005) A_GDP 0.932 6*** 0.662 9*** 0.645 6*** 0.881 7*** 0.638 2*** 0.621 8*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Ser_R 0.581 1*** 0.495 2*** 0.502 2*** 0.508 4*** 0.436 9*** 0.445 1*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) A_Mobile - 0.871 9*** 0.786 8*** 0.899 8*** 0.816 1*** (0.000) (0.000) (0.000) (0.000) A_Inter - 0.342 4*** 0.307 2*** 0.283 6*** 0.249 5*** (0.000) (0.000) (0.000) (0.000) A_Population - - 1.053 9*** 1.058 9*** (0.000) (0.000) A_Sci - - -0.055 7 -0.058 2* (0.101) (0.093) A_Stu - - 0.097 0*** 0.096 3*** (0.000) (0.000) α -2.162 2*** -2.690 9*** -4.149 3*** -1.489 9*** -1.609 7*** -3.066 9*** (0.000) (0.000) (0.000) (0.000) (0.003) (0.313 0) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest - - 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 745 2 745 2 745 2 745 R2 0.528 3 0.602 6 0.610 6 0.523 1 0.588 0 0.596 1
下载: 导出CSV
表 10 改变核心解释变量测度视角的稳健性检验
变量 (1) (2) (3) (4) (5) (6) Mic -0.014 5*** -0.014 4*** -0.012 7*** - - - (0.000) (0.000) (0.001) A_Mic - - - -0.015 8*** -0.015 5*** -0.013 7*** (0.000) (0.000) (0.001) A_GDP 0.064 1*** 0.057 7*** 0.056 3*** 0.063 8*** 0.057 5*** 0.056 1*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) Ser_R -0.013 9*** -0.013 2*** -0.010 8*** -0.013 8*** -0.013 1*** -0.010 8*** (0.000) (0.001) (0.005) (0.000) (0.001) (0.005) A_Mobile - 0.056 7*** 0.030 8** 0.056 4*** 0.030 6** (0.000) (0.015) (0.000) (0.016) A_Inter - 0.011 7** 0.005 1 0.011 6** 0.005 1 (0.027) (0.335) (0.027) (0.338) A_Population - - 0.238 9*** 0.238 1*** (0.000) (0.000) A_Sci - - 0.013 7** 0.013 6** (0.023) (0.023) A_Stu - - 0.002 6 0.002 6 (0.451) (0.455) α 0.815 2*** 0.774 9*** 0.444 8*** 0.817 8*** 0.777 3*** 0.447 9*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 城市固定效应 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 Hausmantest - - 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 745 2 745 2 745 2 745 R2 0.987 5 0.987 6 0.987 9 0.987 5 0.987 7 0.987 9
下载: 导出CSV
表 11 基于货币调控预期引导强度细分的稳健性检验
变量 (1) (2) (3) EG1 0.351 5***(0.000) - - EG2 - 0.087 7***(0.000) - EG3 - - -0.058 8***(0.000) 其他控制变量 控制 控制 控制 城市固定效应 是 是 是 时间固定效应 是 是 是 Hausmantest 0.000 0.000 0.000 观测值 2 745 2 745 2 745 R2 0.736 9 0.625 4 0.620 2
下载: 导出CSV
表 12 基于货币调控预期引导强度细分的稳健性检验
变量 Paymenti, t M_Fi, t Insurancei, t EG1 0.201 7*** - - 0.239 5*** - - 0.322 2*** - - (0.000) (0.000) (0.000) EG2 - 0.008 4*** - - -0.796 0*** - - 0.226 0*** - (0.000) (0.000) (0.000) EG3 - - -0.069 6*** - - -0.008 7 - - 0.052 6*** (0.000) (0.762) (0.000) 其他控制变量 是 是 是 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 是 是 HausmanTest 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 2 745 2 743 1 660 1 660 1 660 2 744 2 744 2 744 R2 0.689 5 0.639 8 0.643 6 0.377 8 0.809 2 0.321 6 0.704 1 0.659 1 0.609 5 EG1 0.354 6*** - - 0.196 5*** - - 0.761 2*** - - (0.000) (0.000) (0.000) EG2 - -0.022 8 - - -0.291 0*** - - -0.5190*** - (0.431) (0.000) (0.000) EG3 - - -0.085 5*** - - -0.563 3*** - - -0.489 2*** (0.000) (0.000) (0.000) 其他控制变量 是 是 是 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 739 2 739 2 739 1 935 1 935 1 935 1 105 1 105 1 105 R2 0.629 0 0.508 1 0.513 2 0.462 2 0.497 6 0.598 0 0.704 1 0.659 1 0.609 5
下载: 导出CSV
表 13 基于核心解释变量置换的稳健性检验
变量 Usage_depthi, t Paymenti, t M_Fi, t Insurancei, t Crediti, t Investmenti, t Credit-invi, t Std_M2 0.354 8*** 0.295 2*** -0.457 8*** 0.233 8*** 0.494 2*** -0.211 1*** 0.542 4*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) 其他控制变量 是 是 是 是 是 是 是 城市固定效应 是 是 是 是 是 是 是 时间固定效应 是 是 是 是 是 是 是 Hausmantest 0.000 0.000 0.000 0.000 0.000 0.000 0.000 观测值 2 745 2 743 1 660 2 744 2 739 1 935 1 105 R2 0.745 5 0.731 6 0.552 4 0.662 0 0.755 2 0.472 0 0.604 1
下载: 导出CSV
-
[1] 郑丁灏. 论金融科技的穿透式监管[J]. 西南金融, 2021(1): 14-25. https://www.cnki.com.cn/Article/CJFDTOTAL-SCJR202101002.htm [2] BERNANKE B S, KUTTNER K N. What explains the stock market's reaction to federal reserve policy?[J]. Journal of Finance (Wiley-Blackwell), 2005, 60(3): 1221-1257. doi: 10.1111/j.1540-6261.2005.00760.x [3] 黄益平, 黄卓. 中国的数字金融发展: 现在与未来[J]. 经济学(季刊), 2018(4): 1489-1502. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201804009.htm [4] 王喆, 陈胤默, 张明. 传统金融供给与数字金融发展: 补充还是替代?——基于地区制度差异视角[J]. 经济管理, 2021(5): 5-23. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU202105001.htm [5] 谢平, 邹传伟, 刘海二. 互联网金融的基础理论[J]. 金融研究, 2015(8): 1-12. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201508001.htm [6] 郭峰, 王靖一, 王芳, 等. 测度中国数字普惠金融发展: 指数编制与空间特征[J]. 经济学(季刊), 2020(4): 1401-1418. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU202004013.htm [7] DUATE J, SIEGEL S, YOUNG L. Trust and credit: the role of appearance in peer-to-peer lending[J]. The Review of Financial Studies, 2012, 25(8): 2455-2483. doi: 10.1093/rfs/hhs071 [8] NORDEN L, BUSTON C S, WAGNER W. Financial innovation and bank behavior: evidence from credit markets[J]. Journal of Economic Dynamics and Control, 2014, 43: 130-145. doi: 10.1016/j.jedc.2014.01.015 [9] 葛永波, 徐巳萍, 孔晓冉. 数字化转型对股价特质性波动的影响研究[J]. 珞珈管理评论, 2022(6): 87-108. https://cdmd.cnki.com.cn/Article/CDMD-10456-1023504224.htm [10] GOMBER P, KAUFFMAN R J, PARKER C, et al. On the fintech revolution: interpreting the forces of innovation, disruption, and transformation in financial services[J]. Journal of Management Information Systems, 2018, 35(1): 220-265. doi: 10.1080/07421222.2018.1440766 [11] 王馨, 张海阳, 王世贵. 地方社会信用体系建设探讨[J]. 中国金融, 2015(6): 92-93. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGJR201506028.htm [12] 张勋, 杨桐, 汪晨, 等. 数字金融发展与居民消费增长: 理论与中国实践[J]. 管理世界, 2020(11): 48-63. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202011008.htm [13] 滕磊, 马德功. 数字金融能够促进高质量发展吗?[J]. 统计研究, 2020(11): 80-92. https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ202011008.htm [14] 王永仓, 温涛. 数字金融的经济增长效应及异质性研究[J]. 现代经济探讨, 2020(11): 56-69. https://www.cnki.com.cn/Article/CJFDTOTAL-JJTL202011009.htm [15] 朱东波, 张相伟. 中国数字金融发展的环境效应及其作用机制研究[J]. 财经论丛, 2022(3): 37-46. https://www.cnki.com.cn/Article/CJFDTOTAL-CJLC202203004.htm [16] ZAVOLOKINA L, DOLATA M, SCHWABE G. FinTech transformation: how IT-enabled innovations shape the financial sector[J]. Financial Innovation, 2015, 9(5): 75-88. [17] SCHINDLER J W. FinTech and financial innovation: drivers and depth[R]. Wahington: FEDS Working Paper, 2017. [18] HADDAD C, HORNUF L. The emergence of the global fintech market: economic and technological determinants[J]. Small Business Economics, 2019, 53(1): 81-105. [19] 黄金增, 畅红琴, 李艳. 中国数字金融发展提升路径分析——基于模糊集定性比较分析的研究[J]. 管理现代化, 2021(1): 12-16. https://www.cnki.com.cn/Article/CJFDTOTAL-GLXX202101004.htm [20] 黄益平. 数字金融发展对金融监管的挑战[J]. 清华金融评论, 2017(8): 63-66. https://www.cnki.com.cn/Article/CJFDTOTAL-JRQH201708026.htm [21] 黄浩. 数字金融生态系统的形成与挑战——来自中国的经验[J]. 经济学家, 2018(4): 80-85. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXJ201804011.htm [22] 黄益平, 陶坤玉. 中国的数字金融革命: 发展、影响与监管启示[J]. 国际经济评论, 2019(6): 24-35, 5. https://www.cnki.com.cn/Article/CJFDTOTAL-GJPP201906002.htm [23] 陈荣达, 林博, 何诚颖, 等. 互联网金融特征、投资者情绪与互联网理财产品回报[J]. 经济研究, 2019(7): 78-93. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201907007.htm [24] 王东阳, 李成. 货币政策预期管理的言行调控效应——基于商业银行的经验证据[J]. 广东财经大学学报, 2023(1): 45-61. http://xb.gdufe.edu.cn/article/id/1495da20-a1d7-4e95-affa-5d07b18e6ac7 [25] 何剑, 魏涛, 刘炳荣. 数字金融、银行信贷渠道与货币政策传导[J]. 金融发展研究, 2021(2): 3-13. https://www.cnki.com.cn/Article/CJFDTOTAL-SDJR202102001.htm [26] 战明华, 汤颜菲, 李帅. 数字金融发展、渠道效应差异和货币政策传导效果[J]. 经济研究, 2020(6): 22-38. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202006004.htm [27] 段永琴, 何伦志. 数字金融对我国货币政策利率传导机制有效性的影响[J]. 统计与决策, 2021(9): 136-139. https://www.cnki.com.cn/Article/CJFDTOTAL-TJJC202109033.htm [28] BARTH J R, LIN C, MA Y, et al. Do bank regulation, supervision and monitoring enhance or impede bank efficiency?[J]. Journal of Banking & Finance, 2013, 8: 2879-2892. [29] GAGANIS C, PASIOURAS F. Financial supervision regimes and bank efficiency: international evidence[J]. Journal of Banking & Finance, 2013, 12: 5463-5475. [30] 周莉萍. 影子银行体系的顺周期性: 事实、原理及应对策略[J]. 财贸经济, 2013(3): 71-78. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ201303007.htm [31] 解凤敏, 何凌云, 周莹莹. 中国影子银行发展成因实证分析——基于2002~2012年月度数据[J]. 财经理论与实践, 2014(1): 21-26. https://www.cnki.com.cn/Article/CJFDTOTAL-CLSJ201401004.htm [32] BAKER S R, BLOOM N, DAVIS S J. Measuring economic policy uncertainly[J]. Quarterly Journal of Economics, 2016, 4: 1593-1636. [33] THORSRUD L A. Words are the new numbers: a newsy coincident index of business cycles[J]. Journal of business & Economic Statistics, 2020, 2: 393-409. [34] PLOSSER C I. Forward guidance[R]. Stanford: Lecture Presented to the Stanford Institute for Economic Policy Research's (SIEPR) Annual Meeting, 2013. [35] 陈彦斌. 中国宏观经济政策框架的转型方向[J]. 南方企业家, 2016(9): 54-55. https://www.cnki.com.cn/Article/CJFDTOTAL-NFQY201609038.htm [36] BENNANI H. Does People's Bank of China communication matter?evidence from stock market reaction[J]. Emerging Markets Review, 2019, 40: 1-12. [37] HANSEN S, MCMAHON M. Shocking language: understanding the macroeconomic effects of central bank communication[J]. Journal of International Economics, 2016, 99(1): 114-133. [38] 王宇伟, 周耿, 吴曈, 等. 央行的言辞沟通、实际行动与企业投资行为[J]. 中国工业经济, 2019(5): 118-135. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201905008.htm [39] 宋瑞礼. 新形势下中国宏观调控取向与对策研究[J]. 宏观经济研究, 2019(11): 5-18. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGA201911002.htm [40] LVDERIN J, TILLMANN P. Monetary policy on twitter and asset prices: evidence from computational text analysis[J]. North American Journal of Economics & Finance, 2020, 51, 100875. [41] BENNANI H, FANTA N, GERTLER P, et al. Does central bank communication signal future monetary policy in a (Post) -Crisis Era? the case of the ECB[J]. Journal of International Money & Finance, 2020, 104: 102167. [42] 沈艳, 陈赟, 黄卓. 文本大数据分析在经济学和金融学中的应用: 一个文献综述[J]. 经济学(季刊), 2019(4): 1153-1186. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201904001.htm [43] 张新红, 叶诚略. 中国股票市场政策效应的实证研究[J]. 宏观经济研究, 2012(4): 88-92. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGA201204015.htm [44] 王韧, 刘于萍. 预期引导、政策冲击与股市波动——基于文本分析法的异质性诊断[J]. 统计研究, 2021 (12): 118-130. https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ202112009.htm [45] 郭峰, 孔涛, 王靖一. 互联网金融空间集聚效应分析——来自互联网金融发展指数的证据[J]. 国际金融研究, 2017(8): 75-85. https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR201708008.htm [46] 张李义, 涂奔. 互联网金融发展对中国经济增长影响的实证[J]. 统计与决策, 2017(11): 143-147. https://www.cnki.com.cn/Article/CJFDTOTAL-TJJC201711039.htm [47] 纪洋, 王旭, 谭语嫣, 等. 经济政策不确定性?政府隐性担保与企业杠杆率分化[J]. 经济学(季刊), 2018(2): 449-470. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201802001.htm [48] 刘军, 杨渊鋆, 张三峰. 中国数字经济测度与驱动因素研究[J]. 上海经济研究, 2020(6): 81-96. https://www.cnki.com.cn/Article/CJFDTOTAL-HSYJ202006009.htm [49] 林建浩, 陈良源, 宋登辉. 如何测度央行行长的口头沟通信息——一种基于监督学习的文本分析方法[J]. 统计研究, 2019(8): 3-18. https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ201908001.htm 期刊类型引用(2)
1. 蒋鑫. 数字人民币赋能数字金融产业的实践思路研究. 产业创新研究. 2024(13): 106-108 . 
百度学术2. 朱昌寿，曾祥锐，苏林. 数字普惠金融能提升家庭创业的生存率吗？. 金融经济. 2023(12): 76-89 . 百度学术其他类型引用(1)
-
下载:
点击查看大图
计量
- 文章访问数: 332
- HTML全文浏览量: 202
- PDF下载量: 45
- 被引次数: 3