2022第48卷第9期
2. 西南政法大学 国际贸易陆海新通道研究院，重庆 401120
2. Institute of New International Land-Sea Trade Corridor, Southwest University of Political Science and Law, Chongqing 401120, China
一、引 言
近年来，学术界逐步意识到以控制货币发行量为主的单一的货币政策工具难以有效调控金融结构失衡、金融周期性波动等问题，不利于实现维护金融稳定和国家金融安全的目的。世界各国政府也先后开始尝试“混合型”的宏观调控政策对市场金融风险进行调控。党的十九大报告提出，我国要健全货币政策和宏观审慎政策“双支柱”调控框架，并将维护经济社会稳定发展、守住不发生系统性金融风险的底线作为我国当前经济金融工作的重要目标。目前学术界对相关领域的研究主要集中在“双支柱”调控对商业银行风险和企业财务风险的影响上（黄继承等，2020），但对于“双支柱”调控市场经济中非金融企业风险方面的研究仍十分有限。需要特别指出的是，商业银行和实体企业在公司属性概念层面虽无差异，但是对于数量远超商业银行等金融企业的非金融实体企业而言，①其在资本需求和结构、风险承担、货币政策传导机制等方面与前者存在较大差异，因此不能简单地使用“双支柱”调控政策对金融企业的风险调控效应来推导其对非金融企业的影响。
Abdelghany（2005）将企业风险划分为商业风险、财务风险和系统风险三种类型，其中商业风险通常是指在商业活动中，由市场价格波动等各种不确定因素引起的，给企业带来获利或损失的一切客观经济现象。一方面，企业经营活动中的商业风险具有普遍性；另一方面，资产价格的变动通常预示着市场风险的积累，而货币政策等宏观调控手段也都把稳定价格作为调控的首要目标（李拉亚，2020）。就国内已有研究进展来看，本文认为学术界有必要将“双支柱”调控效应相关研究拓展到商业风险视角，以更加系统地评估“双支柱”对非金融企业发挥的“逆周期”金融稳定效应。鉴于此，本文以上市公司商业风险为研究对象，提出了两个基本的学术问题：一是货币政策或宏观审慎的单一政策工具是否会影响企业商业风险，货币政策和宏观审慎结合的“双支柱”调控又能否在微观层面抑制商业风险？二是在复杂的经济环境中，企业通常会面临周期性和结构性因素叠加造成的商业风险加剧，那么在此情况下“双支柱”是否能发挥“逆周期”调控效应？其调控效应又是否存在结构性因素影响下的非对称性？
本文的实证结果表明：（1）采用单一的宽松货币政策或收紧的宏观审慎政策会提高上市公司商业风险，而“双支柱”的协调配合则有利于抑制单一政策工具造成的上市公司商业风险增加，发挥较好的微观金融稳定效应。（2）“双支柱”能实现在不同宏观经济周期下的政策目标，发挥对商业风险的“逆周期”调控作用，但其调控作用也会受到不同企业生命周期的异质性影响。（3）基于面板门槛模型的检验结果显示，“双支柱”对于企业商业风险的调控作用存在结构性特征：一方面，“双支柱”调控作用的发挥受到其与企业所在地区金融市场结构匹配程度的影响；另一方面，对于存在投融资短板的企业而言，“双支柱”调控能够更有效抑制其商业风险。
本文可能存在的边际贡献主要体现在以下三个方面：首先，黄继承等（2020）以杠杆率作为财务风险的代理变量，但并未将商业风险纳入研究框架，这为后续研究留存了研究空间。本文将“双支柱”微观金融稳定效应的实证研究拓展到非金融企业的商业风险视角，丰富了“双支柱”政策调控效应领域的文献。其次，本文创新地从“周期性”和“结构性”两个维度进一步研究了“双支柱”逆周期调控效应，并讨论了其在不同周期叠加和不同结构门槛中的作用差异，为相关领域学术研究提供了补充性证据。最后，本文不仅为“双支柱”调控商业风险研究提供了可靠的经验证据，而且为优化“双支柱”调控政策提供了有价值的政策建议。
二、文献综述与研究假设
（一）“双支柱”的微观稳定效应
央行实施货币政策的主要目的是维持实体经济的长期价格稳定，并将通货膨胀率控制在合理的区间。现实中，货币政策除了影响宏观市场之外，其在微观层面的风险传导效应也不容小觑。例如，货币政策调整可能造成利率波动，导致企业信贷可得性降低、杠杆成本上升，并调整私人部门的市场预期，进而提高收益异常波动水平（隋建利和刘碧莹，2020；邹文理等，2020）。各国在“后危机时代”已经逐步意识到采用“单一型”的货币政策框架常常表现出一定的不足：一是单一货币政策难以兼顾价格稳定和金融稳定两个目标（方意等，2019）；二是单一货币政策调控造成的金融不稳定容易加剧经济不确定性。因此，国内外学者提出了兼容“防通胀”和“保增长”双重调控目标的“双支柱”调控框架，并形成了丰富的研究成果。货币政策以维护经济稳定为目标，而宏观审慎政策则以维护金融稳定为目标，两者形成“双支柱”可以相互协调配合应对金融冲击（陈雨露和马勇，2012）。Beau等（2012）利用欧美各国数据发现，宏观审慎政策能够与货币政策发挥协同作用，通过控制信贷过度扩张维持金融市场稳定，且这种作用在金融市场发生价格波动情况下更有效。盛雯雯和栗亮（2019）指出，经济衰退时期单一货币紧缩政策可能造成资产负债表过度恶化而引发大规模违约，而此时如果配合宏观审慎政策则可以降低市场违约风险。本文认为，企业在金融市场中并非扮演“中性角色”，在宽松的货币政策环境下，金融市场货币供给增加，实际利率下降，这不仅会促使商业银行降低企业信贷门槛，激励企业商业风险承担，而且迫使企业管理层开展高风险高期望收益的商业项目，以期达成更高收益的盈利目标，进而提高企业商业风险水平。据此，本文提出如下研究假设：
H1：单一地采用宽松的货币政策可能提高企业商业风险。
当局采取宏观审慎政策的一个重要目的是直接对金融风险和金融结构失衡进行调控，以提高金融市场稳定性。Borio和Zhu（2012）提出，宏观审慎政策可能通过资本门槛效应和资本框架效应影响商业银行的信贷供给。就资本门槛效应而言，宏观审慎政策可能增加信贷资本的边际成本，从而限制银行的信贷发放能力，降低商业银行向实体企业的信贷供给规模，提高信贷利率成本；就资本框架效应而言，宏观审慎政策可能降低银行对实体企业商业风险的容忍度，且宏观审慎政策预期可能导致商业银行收紧流动性创造（邓向荣和张嘉明，2018），提高企业融资约束，使其陷入商业风险。据此，本文提出如下研究假设：
H2：单一地采用收紧的宏观审慎政策可能提高企业商业风险。
随着“双支柱”调控政策效应评价相关研究的深入，不少学者尝试探索“双支柱”的微观金融稳定效应，但此类研究主要是以商业银行风险为研究对象。徐长生和艾希（2018）发现，单一货币政策或者宏观审慎政策均容易影响商业银行的信贷扩张，而适度合理的宏观审慎政策能够调节宽松货币政策的影响，从而降低商业银行风险水平。黄继承等（2020）发现，“双支柱”能够减弱货币政策的银行风险承担传导效应，且“双支柱”具有调控企业杠杆率、化解财务风险的积极作用。非金融企业作为市场经济中的重要组成部分，虽然与商业银行等金融企业存在诸多相似之处，但是两者又在资产结构、盈利方式和风险传导等方面存在较多的差异。因此，学界并不能顺理成章地将“双支柱”调控对商业银行风险的调控作用与“双支柱”调控对非金融企业商业风险的影响等同起来，还有待学界进一步提供可靠的经验证据。据此，本文提出如下研究假设：
H3：“双支柱”能够有效抑制企业商业风险，从而发挥金融稳定作用。
（二）“双支柱”周期性调控与商业风险
不仅金融市场本身存在周期性的经济波动，而且市场主体也因其所处生命周期不同而存在不同的风险，这种市场内广泛存在的周期性风险对市场主体的影响可能危及实体经济的正常运行（Adrian等，2013）。现在理论界认为“双支柱”具有协同货币政策和宏观审慎政策的优势，其在防范和降低金融部门与实体经济部门顺周期的“共振效应”方面应发挥择时干预作用。因此，“双支柱”调控能否实现“逆周期”或“顺周期”的调控效果以避免周期性波动的风险就是一个具有理论和实践价值的问题（丁建臣和赵丹丹，2018）。一方面，在经济上行周期，宽松的货币政策激励金融机构主动增加风险承担，不仅可能使其低估借款者违约概率和预期损失，提高参与高风险投资业务的意愿（Matsuyama，2007），而且可能导致其在监管套利动机下开展表外业务，形成金融风险传染业务链条，增加市场中的风险周期性累积（Shin和Shin，2011）；在经济下行周期，紧缩的货币政策对通胀和产出起到抑制作用，与此同时，信贷成本增加和抵押品价值下降可能增加企业违约风险，造成恶性循环，对应下行周期性风险传染（方意等，2019）。另一方面，宏观审慎政策的核心就是从“逆周期”的角度采取宏观调控措施，防范金融系统顺周期波动的跨部门传染。Kannan等（2012）采用仿真分析方法研究发现，宏观审慎政策能够有效缓解信贷市场的周期性波动，形成“逆周期”调控效应，达到稳定经济的效果。需要指出的是，实体企业不仅是经济中的核心生产部门，而且是金融市场中的“资金使用者”，其受到金融市场风险传染的负面影响必然是最直接、最严重的。马勇和姚驰（2021）指出，“双支柱”不仅能够直接降低商业银行风险，而且有效抑制了银行在宽松货币政策下的过度风险承担。该研究探索性地分析了“双支柱”可能存在的周期性调控机理，但未提供对企业风险的周期性调控机理的分析。因此，本文认为“双支柱”的“逆周期”调控研究框架应当延伸到企业层面，以更好地理解经济周期和金融周期调控的平衡。从企业生命的内部周期性特征来看，不同生命周期企业的经营目标和情况不同，同样可能存在风险防范措施与企业生产经营目标不一致的现象，这也就不难理解“双支柱”政策调控应适度考虑经济周期、调控对象所处的生命周期阶段等因素匹配的问题。据此，本文提出如下研究假设：
H4：“双支柱”对企业商业风险存在“周期性”调控效应。
（三）“双支柱”结构性调控与商业风险
当前，我国宏观经济正处于结构调整和转型的关键时期。经济结构转型过程中，企业所面对的经济结构、金融市场结构、融资和金融工具结构等发生了重大变化，不可控因素可能削弱调控政策的正向引导作用，导致企业经济行为风险增加，诱发系统性风险并对宏观经济金融稳定性产生冲击。比如，货币政策执行中政策利率大幅提高可能会对实体经济产生普遍而严重的负面冲击，并导致严重的市场失衡（Bean等，2010）。丁建臣和赵丹丹（2018）指出，利用“结构性”宏观审慎政策工具调节经济和金融体系的结构性问题，有助于维护金融体系稳定。区别于西方国家市场主导的金融体系，我国金融体系的典型结构特征就是以银行业为主导，后者在“双支柱”调控中的优势更加突出。Kiley和Sim（2017）的研究指出，金融结构对于“双支柱”调控作用的发挥至关重要，“双支柱”调控的效用在银行主导的金融体系下效果显著，在市场主导的金融体系下效果微弱。究其原因，在市场主导的金融体系下，贷款增速限制、存贷款比率等宏观审慎政策工具的作用难以通过银行体系发挥作用。此外，王相悦等（2021）基于中国数据的经验研究发现，“双支柱”调控能够通过改变商业银行的信贷结构以促进企业实现金融稳定，因此，“双支柱”微观金融稳定作用的发挥可能依赖于一定的金融市场结构条件。另外，在“双支柱”框架下，货币政策主要通过调节货币供给以稳定价格，宏观审慎则承担了维护金融稳定的任务，那么为守住不发生系统性金融风险，防范金融风险在不同企业、机构、行业之间传染，“双支柱”调控与微观企业有效融资需求间的密切配合可能是其微观金融稳定效应得以发挥的关键。因此，如果“双支柱”调控实现了微观金融风险调控的精准施策，那么其对于企业商业风险的影响也可能存在企业投融资特征的结构性差异。因此，本文提出如下研究假设：
H5：“双支柱”对企业商业风险存在“结构性”调控效应。
三、研究设计与样本选择
（一）变量设定
1. 被解释变量为商业风险（BRisk）。本文借鉴Hou等（2015）、Tan等（2021）的方法，采用资产定价模型因子和Q因子，通过计量回归估计所得的24个月累计残差平方和的自然对数作为衡量上市公司年度商业风险的代理变量。其中，Q因子包括企业规模因子、企业盈利水平因子和企业投资水平因子。具体的估计方程如下：
| $ {R_{i,t}} = {\alpha _{i,t}} + {\beta _1}{R_{j,t}} + {\beta _2}{R_{MKT,t}} + {\beta _3}{R_{ME,t}} + {\beta _4}{R_{I/A,t}} + {\beta _5}{R_{ROE,t}} + {\varepsilon _{i,t}} $ | (1) |
其中，Ri,t表示t时刻i公司的月度股价收益率；Rj,t表示t时刻剔除公司i的行业价值加权收益率；RMKT,t表示t时刻企业所在市场的市值加权收益率；RME,t、RI/A,t和RROE,t分别表示t时刻的企业规模因子、企业投资水平因子和企业盈利水平因子。商业风险（BRisk）即为基于式（1）估计所得残差值εi,t的24个月累计平方和的自然对数，其数值越大，则表示企业商业风险越高。
2. 主要解释变量包括货币政策变量和宏观审慎政策变量。（1）货币政策变量（M2）。考虑到自2013年我国开始实行贷款利率市场化改革以来，对贷款利率的管制逐步放松，尤其是在2015年10月之后贷款基准利率未再作调整，导致贷款基准利率对于企业信贷的信号传导作用逐步减小，而市场货币供给数量的信号传导作用逐步加强。因此，本文采用广义货币M2增速作为货币政策的代理变量（M2）。（2）宏观审慎政策变量（MPI）。本文借鉴Cerutti等（2017）的方法，采用12种宏观审慎政策工具构建宏观审慎政策代理变量（MPI）。具体的构建方法为：首先构建一个宏观审慎政策工具的哑变量集合。当t年某种宏观审慎政策开始生效或者收紧时，则将宏观审慎政策指数加1；当t年某种宏观审慎政策未调整时，则将宏观审慎政策指数加0；当t年某种宏观审慎政策开始失效或放松时，则将宏观审慎政策指数减1。最后，将得到的宏观审慎政策指数加1取自然对数，以构建宏观审慎政策代理变量（MPI）。
3. 作用机理变量包括周期性特征变量和结构性特征变量。（1）周期性特征（Cycle）。本文从宏观经济周期和企业生命周期两个维度分别识别周期性特征。具体而言：本文借鉴黄赜琳和朱保华（2009）的方法构建宏观经济周期（Cycle1），即采用HP滤波法对中国实际GDP年度增速进行处理，如果滤波处理所得的周期项大于0，则认定为该年为经济上行期；反之，则认定该年为经济下行期。另外，本文借鉴黄宏斌等（2016）的方法设定企业生命周期（Cycle2），即采用企业经营现金流净额、投资现金流净额和企业筹资现金流净额的组合，将企业生命周期划分为成长期、成熟期、衰退期三个生命周期阶段。
（2）结构性特征（Structure）。本文从金融市场结构和企业投融资结构两个维度，使用八个指标对宏微观结构性特征进行了识别。首先，本文采用了地区金融深化程度、金融市场化程度、金融发展增速、金融集中度四个指标分别刻画金融市场结构：一是金融深化程度（MaS1），借鉴King和Levine（1993）的方法，采用各省年末金融机构贷款余额占该省年末GDP总量的比值来衡量，所得估计值越大，则表明金融深化程度越高；二是金融市场化程度（MaS2），借鉴白俊红和刘宇英（2021）的方法，利用残差一阶自相关固定效应模型，采用各省非国有企业固定投资占全社会固定投资比重对各省年末金融机构贷款增加值的比率代理，所得估计值越大，则表明金融市场化程度越高；三是金融发展增速（MaS3），采用各省金融业产值增加值占该省GDP增加值的比率来衡量，所得估计值越大，则表明金融发展和扩张速度越快；四是金融集中度（MaS4），借鉴杨天宇和钟宇平（2013）的方法，利用商业银行地理位置信息计算省级商业银行分支机构数量的赫芬达尔系数来衡量，该指标数值越大，则表明该地区的商业银行集中度越高。其次，本文采用了融资约束、固定资本支出比、现金比率、商业风险程度四个指标分别刻画企业投融资结构：一是融资约束水平（MiS1），借鉴Hadlock和Pierce（2010）的方法，采用企业规模以及企业年龄构建SA指数，所得估计值越大，则表明企业的融资约束程度越高；二是固定资本支出（MiS2），借鉴刘啟仁等（2019）的方法，采用企业购建固定资产、无形资产和其他长期资产支付的现金占企业上期资产总额的比例来衡量，所得估计值越大，则表明企业的固定资产投资水平越高；三是现金比率（MiS3），采用企业期末现金及现金等价物余额占流动负债比例来衡量，所得估计值越大，则表明企业的短期偿债能力越强；四是商业风险程度（MiS4），通过门槛模型识别门槛阈值来衡量企业所面对商业风险水平的高低。
4. 相关控制变量。本文还参考已有文献（马勇和陈点点，2020；肖忠意等，2020），在计量分析模型中控制了可能影响企业商业风险的控制变量（CV），包括企业规模（Size）、资产负债率（Lev）、净资产收益率（ROE）、营收增长率（Growth）、托宾Q（Tobinsq）、股权集中度（Top3）和双职合一（Dual）等。
（二）计量模型设定
1. 基础检验模型。为了检验以货币政策和宏观审慎政策作为“双支柱”调控对企业商业风险的影响，本文设定基础模型如下：
| $ BRis{k_{i,t}} = {\alpha _1} + {\beta _1}M{2_t} \times MP{I_t} + {\beta _2}M{2_t} + {\beta _3}MP{I_t} + {\beta _4}C{V_{i,t}} + Industr{y_{i,t}} + {v_i} + {\varepsilon _{i,t}} $ | (2) |
其中，下标i表示上市公司，t表示观测年份；被解释变量BRisk为企业商业风险；主要解释变量为货币政策代理变量（M2）、宏观审慎政策代理变量（MPI）和两者交互项（M2×MPI）；CV表示控制变量集；v为个体固定效应，ε为随机扰动项。此外，本文还控制了行业变量（Industry）。
2. 门槛效应检验模型。为了检验“双支柱”调控在不同金融市场结构和企业投融资结构下对企业商业风险作用的结构性调控机理，本文以结构性特征变量作为门槛效应识别因子，建立面板门槛模型。具体而言，本文设定面板门槛模型如下：
| $ \begin{aligned} BRis{k_{i,t}} = & {\alpha _2} + \sum\limits_{a = 1}^3 {{\lambda _{1,a}}Polic{y_{a,t}} \times I(e \leqslant \bar e) + \sum\limits_{b = 1}^3 {{\lambda _{2,b}}Polic{y_{b,t}} \times I(e > \bar e)} } \\ & + {\lambda _3}C{V_{i,t}} + Industr{y_{i,t}} + {v_i} + {\varepsilon _{i,t}} \end{aligned} $ | (3) |
其中，e表示以金融市场结构和企业投融资结构两个维度八个变量分别作为门槛变量；ē表示相应变量的门槛值。I表示示性函数，当括号内表达式成立时，I=1；否则I=0。Policya,t和Policyb,t分别为“双支柱”调控变量集。
（三）研究样本与描述性统计
本文选取我国沪深A股上市公司2010—2018年数据作为研究样本。参考已有文献的一般做法，本文剔除金融业、ST、PT、存在变量缺失的上市公司样本，并按照1%对连续变量进行Winsorize截尾处理，最终共得到了10764个公司—年观测值。在数据来源方面，上市公司相关数据主要来自于国泰安（CSMAR）和万得（Wind）数据库；宏观审慎政策数据来自于国际货币基金组织iMaPP Database，由于iMaPP Database提供的宏观审慎政策数据只披露到2018年，因此本文的研究样本窗口期也只到2018年；M2增速的数据来自于国泰安（CSMAR）数据库。表1给出了本文相关变量的界定和描述性统计结果。
| 变量名 | 变量符号 | 变量说明 | 样本均值 | 标准差 |
| 商业风险 | BRisk | 以24个月为周期识别的上市公司商业风险的自然对数，具体度量见变量设定 | −5.214 | 0.875 |
| 货币政策 | M2 | 当期M2年末增速 | 0.142 | 0.054 |
| 宏观审慎政策 | MPI | 宏观审慎政策工具使用累计值加1的自然对数 | 3.043 | 0.802 |
| 企业规模 | Size | 企业资产的自然对数 | 22.485 | 1.341 |
| 资产杠杆率 | Lev | 当期总负债除以上一期总资产 | 0.583 | 0.273 |
| 净资产收益率 | ROE | 当期利润总额与财务费用之和除以平均总资产 | 0.074 | 0.112 |
| 营收增长率 | Growth | 营业收入增长除以上一期营业收入 | 0.160 | 0.409 |
| 托宾Q | Tobinsq | 股票市场价值与账面价值之和除以企业总资产账面价值 | 2.085 | 1.348 |
| 股权集中度 | Top3 | 前三大股东持股比值 | 0.484 | 0.162 |
| 双职合一 | Dual | 董事长和总经理为同一人时赋值为1，否则赋值为0 | 0.143 | 0.350 |
四、实证结果及分析
（一）基础回归结果
为了检验研究假设H1到研究假设H3，表2报告了“双支柱”对企业商业风险影响的实证检验结果。列（1）结果显示，货币政策变量（M2）的估计系数为4.986（10.11），表明宽松的货币政策会提高企业商业风险，该结果验证了研究假设H1。究其原因，宽松的货币政策可能促进企业的债务扩张并影响企业的投资决策，进而提高企业商业风险。此外，宏观审慎政策（MPI）的估计系数为0.097（3.48），表明收紧的宏观审慎政策可能提高企业商业风险，该结果验证了研究假设H2。这是因为，目前我国金融市场仍然以商业银行为主导，导致宏观审慎政策工具难以实现对于企业商业风险的直接调节，且宏观审慎政策的收紧可能会对金融市场的预期产生不确定的影响，加剧金融市场的波动，从而提高企业面临的商业风险。列（2）结果显示，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数为−3.637（−12.19）。该结果表明收紧的宏观审慎政策能够与宽松货币政策产生“双支柱”协同调控效应，使得两者相互补充，进而弥补单一政策不足，抑制企业商业风险的增加，发挥微观金融稳定效应。总体而言，该结果验证了研究假设H3。
| （1） | （2） | （3） | （4） | （5） | （6） | |
| 固定效应 | 固定效应 | 系统GMM | 均衡面板 | BRisk1 | BRisk2 | |
| M2×MPI | −3.637*** | −9.549** | −2.004* | −4.270*** | −4.712*** | |
| (−12.19) | (−2.05) | (−1.65) | (−11.79) | (−12.75) | ||
| M2 | 4.986*** | 21.150*** | 40.030*** | 15.460*** | 25.980*** | 28.090*** |
| (10.11) | (17.22) | (2.65) | (3.64) | (17.05) | (17.87) | |
| MPI | 0.097*** | 1.322*** | 3.126** | 1.012*** | 1.636*** | 1.804*** |
| (3.48) | (13.82) | (2.30) | (4.12) | (13.94) | (14.96) | |
| Lagged BRisk | 0.258* | |||||
| (1.69) | ||||||
| ROE | 0.312*** | 0.338*** | 5.034* | 0.375** | 0.276*** | 0.284*** |
| (3.30) | (3.61) | (1.65) | (2.30) | (2.65) | (2.76) | |
| Size | 0.224*** | −0.171*** | −0.240 | 0.182*** | 0.203*** | 0.196*** |
| (9.04) | (6.68) | (−0.42) | (4.50) | (7.34) | (6.99) | |
| Growth | 0.076*** | 0.079*** | −0.722 | 0.092*** | 0.088*** | 0.090*** |
| (3.83) | (4.06) | (−1.07) | (3.01) | (3.92) | (3.89) | |
| Lev | 0.316*** | 0.317*** | 2.690 | 0.325*** | 0.310*** | 0.315*** |
| (6.56) | (6.68) | (1.03) | (4.39) | (5.84) | (5.86) | |
| Tobinsq | 0.264*** | 0.261*** | 0.673** | 0.299*** | 0.277*** | 0.275*** |
| (22.65) | (22.66) | (2.27) | (17.98) | (21.77) | (21.44) | |
| Dual | −0.005 | −0.011 | 1.193 | 0.055 | −0.015 | −0.010 |
| (−0.14) | (−0.30) | (1.45) | (1.01) | (−0.37) | (−0.25) | |
| Top3 | −0.060 | −0.037 | −10.18** | 0.049 | −0.025 | −0.045 |
| (−0.38) | (−0.24) | (−2.00) | (0.21) | (−0.15) | (−0.27) | |
| 个体固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| AR(2)p值 | 0.123 | |||||
| Sargan p值 | 0.829 | |||||
| 样本量 | 10 764 | 10 764 | 9 954 | 5 922 | 10 764 | 10 764 |
| 调整后的R2 | 0.139 | 0.148 | 0.133 | 0.140 | 0.135 | |
| 注：回归在公司层面进行聚类调整，括号内为t值；*、**和***分别代表在10%、5%和1%的置信水平显著。下同。 | ||||||
（二）稳健性检验
为了检验基础模型回归结果的稳健性，本文从以下四个方面开展了稳健性检验：
首先，考虑到企业商业风险可能存在持续性，本文引入企业商业风险的一期滞后项（Lagged BRisk）作为解释变量，构建动态面板模型进行回归检验，采用商业风险的第2到4期滞后项、内生变量的滞后项和差分项作为系统GMM模型的工具变量进行回归检验。表2列（3）的结果显示，AR（2）检验p值和Sargan检验p值均大于0.1，表明模型不存在二阶自相关问题，并且工具变量选取有效；滞后一期的被解释变量（Lagged BRisk）的估计系数为0.258（1.69），表明企业商业风险存在时间上的持续性；货币政策（M2）和宏观审慎政策（MPI）的估计系数均显著为正，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数显著为负。总体来讲，GMM检验结果表明本文结论是稳健的，验证了研究假设H3。
其次，本文采用2010—2018年上市公司均衡面板数据进行回归分析。表2列（4）结果显示，货币政策（M2）和宏观审慎政策（MPI）的估计系数分别为15.460（3.64）和1.012（4.12），且货币政策和宏观审慎政策交互项（M2×MPI）的估计系数为−2.004（−1.65），表明本文所得结论稳健。
然后，考虑到式（1）估计的企业商业风险（BRisk）可能存在遗漏因素问题，本文尝试在估计模型中加入FAMA因子等，以重新估计。具体而言，一是在式（1）估计模型的基础上添加规模因子（SMB）和价值因子（HML），并以此估计商业风险的替代变量（BRisk1），再进行稳健性检验。表2 列（5）的结果显示，货币政策（M2）和宏观审慎政策（MPI）的估计系数分别为25.980（17.05）和1.636（13.94），货币政策和宏观审慎政策交互项（M2×MPI）的估计系数为−4.270（−11.79），这与基础模型结果基本一致。二是在FAMA三因子基础上，进一步增加了动量因子（MOM），以四因子和Q因子模型来估计企业商业风险的替代变量（BRisk2），并进行稳健性检验。表2列（6）的估计结果显示，所得结论依然稳健。
最后，考虑到本文计量模型可能存在遗漏变量问题，因此，本文在稳健模型中进一步控制了企业上市年限（Age）、现金持有水平(Cash)、所有权属性（SOE）、研发投入（RDR）、经济政策不确定性指数（EPU）等变量，发现所得结论依然稳健。总体而言，上述结果验证了研究假设H3。
五、“双支柱”的“周期性”调控效应
（一）“单周期”的“双支柱”调控效应
1．基于宏观经济周期的检验。表3列（1）和列（2）报告了依据企业所处经济周期进行分组检验的结果。列（1）结果显示，在经济下行期，货币政策（M2）的估计系数在1%水平上显著为正，因为中央银行采取宽松的货币政策虽然能够有力刺激经济，但是其带来的价格波动却造成了企业商业风险的提高；宏观审慎政策（MPI）的估计系数在1%水平上显著为正，说明在经济下行期，宏观审慎政策可能向企业传递了紧缩的宏观调控政策信号，通过影响企业预期从而提高了企业商业风险。值得注意的是，在经济下行期，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为负，这说明在经济下行期，如果中央银行在采用宽松货币政策刺激经济的同时协同配合收紧的宏观审慎政策，则可能降低单一政策的负面影响，达到抑制企业商业风险的目的。换言之，在经济下行期，货币政策和宏观审慎政策两者配合能够发挥有效的“双支柱”“逆周期”调控作用。
| 宏观经济周期 | 企业生命周期 | ||||
| (1) | (2) | (3) | (4) | (5) | |
| 经济下行期 | 经济上行期 | 企业成长期 | 企业成熟期 | 企业衰退期 | |
| M2×MPI | −5.201*** | 8.417*** | −3.326*** | −3.753*** | −3.820*** |
| (−5.86) | (4.24) | (−6.04) | (−6.22) | (−4.24) | |
| M2 | 24.930*** | −23.880*** | 19.180*** | 22.850*** | 22.270*** |
| (8.43) | (−3.23) | (8.36) | (8.62) | (5.55) | |
| MPI | 1.650*** | −1.212*** | 1.162*** | 1.449*** | 1.410*** |
| (6.69) | (−2.81) | (6.46) | (7.18) | (4.63) | |
| 控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 个体固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 样本量 | 5 524 | 5 540 | 4 621 | 3 871 | 2 189 |
| 调整后的R2 | 0.212 | 0.126 | 0.131 | 0.160 | 0.157 |
表3列（2）的回归结果显示，在经济上行期，货币政策（M2）和宏观审慎政策（MPI）的估计系数在1%水平上显著为负。究其原因，在经济上行过程中，企业资金需求普遍提高，中央银行采取相对宽松的货币政策有利于释放货币流动性，能够降低企业商业风险；与此同时，宏观审慎政策工具的“逆周期”调控能够有效抑制企业商业风险的顺周期累积，发挥维护金融稳定的作用。货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为正，说明在经济上行期，货币政策和宏观审慎的同时收紧能够进一步实现“逆周期”的协同调控，发挥稳定金融的作用。综上所述，无论是在经济上行期还是在经济下行期，本文所得结论均支持宏观审慎政策能与货币政策协同以实现既定的政策目标，表现出有效的“逆周期”调控效应。
2．基于企业生命周期的检验。本文进一步依据企业所处的生命周期将观测样本划分为成长期、成熟期和衰退期，并分别进行回归。表3列（3）—列（5）报告了相应的回归结果。结果显示，对处于不同生命周期的企业而言，货币政策（M2）的回归系数均显著为正，表明虽然宽松的货币政策可能对经济有一定的刺激作用，但同时也可能提高企业在不同生命周期阶段的商业风险。宏观审慎政策（MPI）的估计系数也均显著为正，表明收紧的宏观审慎政策可能提高企业商业风险的不确定性。进一步地，对处于成长期、成熟期、衰退期等生命周期的企业而言，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数均显著为负。总体而言，该结果表明“双支柱”能够对不同生命周期企业的商业风险发挥协同调控作用，且这种“周期性”调控作用机理基本一致。
（二）“双周期”的“双支柱”调控效应
进一步考虑到企业可能处于不同的经济周期和生命周期，企业商业风险对于“双支柱”调控的反应可能存在差异，因此本文同时考虑双周期叠加的情况，构建2×3矩阵式的分样本检验。表4 列（1）—列（3）的结果报告了在经济下行期不同生命周期企业商业风险的“双支柱”调控作用。列（1）的结果显示，对于经济下行期中的成长期企业而言，货币政策（M2）的估计系数在5%水平上显著为正，说明宽松的货币政策在释放流动性的同时会提升企业商业风险；而宏观审慎政策（MPI）的估计系数不显著，且货币政策和宏观审慎政策交互项（M2×MPI）的估计系数也不显著，这表明在经济下行期“双支柱”难以对成长期企业商业风险发挥有效的调控作用。列（2）的结果显示，对于经济下行期的成熟期企业言，货币政策（M2）的估计系数在1%水平上显著为正，宏观审慎（MPI）的估计系数在1%水平上显著为正，而货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为负，这表明在经济下行期“双支柱”能够对成长期企业商业风险发挥有效的政策调控作用。列（3）报告了“双支柱”对于经济下行期的衰退期企业商业风险的影响，所得结果与列（2）相似。上述结果表明，在经济下行周期与成熟期、衰退期等生命周期的叠加情况下，“双支柱”能够发挥一定的“逆周期”调控效应。
| 经济下行期 | 经济上行期 | |||||
| (1) | (2) | (3) | (4) | (5) | (6) | |
| 企业成长期 | 企业成熟期 | 企业衰退期 | 企业成长期 | 企业成熟期 | 企业衰退期 | |
| M2×MPI | −1.819 | −4.271*** | −5.923** | 12.280*** | 9.422** | −9.697* |
| (−1.08) | (−2.63) | (−2.16) | (2.81) | (2.38) | (−1.66) | |
| M2 | 13.630** | 23.160*** | 28.200*** | −39.770** | −25.490* | 44.270** |
| (2.36) | (4.06) | (2.93) | (−2.42) | (−1.72) | (2.05) | |
| MPI | 0.634 | 1.517*** | 1.944** | −2.171** | −1.266 | 2.784** |
| (1.32) | (3.24) | (2.48) | (−2.25) | (−1.45) | (2.22) | |
| 控制变量 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 个体固定效应 | 控制 | 控制 | 控制 | 控制 | 控制 | 控制 |
| 样本量 | 2 244 | 1 912 | 1 021 | 2 377 | 1 959 | 1168 |
| 调整后的R2 | 0.224 | 0.214 | 0.188 | 0.114 | 0.154 | 0.160 |
表4列（4）—列（6）的结果报告了在经济上行期不同生命周期企业商业风险的“双支柱”调控作用。列（4）的结果显示，对于经济上行期的成长期企业而言，货币政策（M2）的估计系数在5%水平上显著为负，宏观审慎政策（MPI）的估计系数在5%水平上显著为负，而货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为正，表明此时货币政策与宏观审慎政策“双支柱”能够发挥抑制成长期企业商业风险的积极作用。此外，列（5）的结果显示，对于经济上行期的成熟期企业而言，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数也在5%水平上显著为正，表明此时“双支柱”能够对成熟期企业商业风险形成“周期性”调控作用，所得结论与经济上行期的成长期企业相似。与之不同，列（6）的结果发现，当经济处于上行期时，货币政策（M2）对衰退期企业商业风险的估计系数在5%水平上显著为正，宏观审慎政策（MPI）的估计系数在5%水平上显著为正，表明宽松的货币政策或收紧的宏观审慎政策可能提高经济上行期中衰退期企业的商业风险。而货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在10%水平上显著为负，表明实施“双支柱”的“逆周期”调控仍可以有效发挥抑制商业风险的作用。
总体而言，上述结果发现“双支柱”对企业商业风险存在显著的“周期性”调控作用，验证了研究假设H4，即在不同经济周期和企业生命周期情况下，“双支柱”表现出“逆周期”调控的效果，但是其作用效果存在一定的差异。相应结果表明，“双支柱”调控政策的制定有必要充分考虑宏微观两个维度的周期性影响。
六、“双支柱”的“结构性”调控效应
（一）基于金融市场结构的检验
本文分别从金融深化程度、金融市场化程度、金融发展增速、金融集中度四个方面刻画金融市场结构，并采用面板门槛模型检验“双支柱”调控对企业商业风险影响的结构性效应。表5给出了基于货币政策（M2）、宏观审慎政策（MPI）以及货币政策和宏观审慎政策交互项（M2×MPI）的门槛效应的检验结果。分别以上述四种金融市场结构特征作为门槛变量的检验结果表明，货币政策和宏观审慎政策协同配合的“双支柱”调控对企业商业风险的调控作用存在显著的门槛 效应。
| 金融市场结构特征变量 | 门槛值 | F统计量 | p值 |
| 金融深化程度 | 1.077 | 32.95** | 0.047 |
| 金融市场化程度 | 0.966 | 40.56*** | 0.010 |
| 金融发展增速 | 0.594 | 64.84*** | 0.000 |
| 金融集中度 | 0.094 | 53.68*** | 0.010 |
表6列（1）以金融深化程度作为门槛变量，结果显示，当金融深化程度在门槛值以下时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在5%水平上显著为负。列（2）以金融市场化程度作为门槛变量，结果发现，当金融市场化程度在门槛值以下时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为负。这些结果表明，“双支柱”在金融深化程度和金融市场化程度较低的地区对企业商业风险的调控较为显著，即“双支柱”的微观金融稳定效应存在显著的金融市场“结构性”差异。究其原因：一方面，对于金融深化程度较高的地区，其他类型资本市场发展也较为成熟，因此宏观调控的作用机理则可能更加复杂；另一方面，我国目前仍处于银行主导的金融体系下，宏观金融政策主要依赖于银行等金融机构进行传导，因此商业银行传导宏观政策对稳定金融仍具有重要的作用。
| (1) | (2) | (3) | (4) | |
| 金融深化程度 | 金融市场化程度 | 金融发展增速 | 金融集中度 | |
| M2×MPI(e<ē) | −3.210** (−2.41) |
−3.613*** (−2.81) |
−3.389*** (−2.86) |
−0.058
(−0.05) |
| M2×MPI(e>ē) | 0.251
(0.21) |
0.180
(0.15) |
0.958
(0.75) |
−4.511*** (−3.41) |
| M2(e<ē) | 17.020*** (3.81) |
18.380*** (4.24) |
17.940*** (4.29) |
11.750*** (2.58) |
| M2(e>ē) | 9.557** (2.18) |
10.130** (2.36) |
7.598* (1.67) |
20.180*** (4.53) |
| MPI(e<ē) | 0.923*** (3.48) |
0.983*** (3.84) |
0.904*** (3.64) |
0.914*** (3.58) |
| MPI(e>ē) | 0.807*** (3.19) |
0.860*** (3.49) |
0.806*** (3.27) |
1.117*** (4.17) |
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| 个体固定效应 | 控制 | 控制 | 控制 | 控制 |
| 样本量 | 5 778 | 5 778 | 5 805 | 5 805 |
| 调整后的R2 | 0.028 | 0.029 | 0.034 | 0.032 |
表6列（3）以金融扩张速度作为门槛变量，结果发现，当金融扩张速度在门槛值以下时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为负，该结果表明“双支柱”在金融扩张较为缓慢的地区对企业商业风险的调控较为显著。其可能的经济学解释为：一方面，金融业的过快扩张本身就会放大金融市场的风险，挤占实体经济部门的资金，“双支柱”的调控作用可能被金融业内生的“贪婪”所消化；另一方面，金融业的快速扩张中，银行体系自身也会释放大量流动性进入金融市场，从而导致金融扩张过快地区的“双支柱”调控作用被削弱或者失效。表6列（4）以金融市场集中度作为门槛变量，结果显示，当金融市场集中度在门槛值以上时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为负。该结果表明，“双支柱”在金融市场集中度较高的地区对企业商业风险的调控较为显著。究其原因，在金融集中度较高的地区，中大型银行机构在金融市场中作用更为强势，从而能够更有效地传导宏观审慎政策的调控作用。
（二）基于企业投融资结构的检验
本文分别采用企业融资约束、企业资本支出、企业现金比率和商业风险作为门槛变量，利用面板门槛模型进行实证检验。表7给出了基于货币政策（M2）、宏观审慎政策（MPI）以及货币政策和宏观审慎政策交互项（M2×MPI）的门槛效应检验的结果。分别以上述四种企业投融资结构特征作为门槛变量的检验结果表明，货币政策和宏观审慎政策相协同的“双支柱”调控对企业商业风险的影响存在显著的门槛效应。
| 企业短板代理变量 | 门槛值 | F统计量 | p值 |
| 融资约束 | 4.115 | 32.95** | 0.030 |
| 固定资本支出 | 0.071 | 30.78** | 0.047 |
| 现金比率 | 0.674 | 29.60** | 0.020 |
| 商业风险 | −5.234 | 7238.50*** | 0.000 |
表8列（1）以企业融资约束作为门槛变量，结果发现，当融资约束在门槛值以下时，货币政策和宏观审慎政策交互项（M2×MPI）对企业商业风险的估计系数在10%水平上显著为负，而当融资约束在门槛值以上时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在5%水平上显著为负，表明“双支柱”调控对不同融资约束水平企业的商业风险均具有一定的调控作用，且对于融资约束更高的企业具有更强的调控作用。列（2）以固定资本支出作为门槛变量，结果显示，固定资本支出水平在门槛值以下时，货币政策和宏观审慎政策交互项（M2×MPI）对企业商业风险的估计系数在10%水平上显著为负，而当固定资本支出水平在门槛值以上时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在1%水平上显著为负，表明“双支柱”调控对于不同固定资本支出水平的企业商业风险均具有一定的调控作用，且对于固定资本支出水平更高的企业具有更强的调控作用。因此，“双支柱”调控能够缓解企业融资约束，降低上市公司在增加固定资产投资中的潜在风险，进而增强企业的投资信心，实现保障经济安全的政策目标。
| (1) | (2) | (3) | (4) | |
| 融资约束 | 固定资本支出 | 现金比率 | 商业风险 | |
| M2×MPI(e<ē) | −2.290* (−1.91) |
−1.910* (−1.71) |
−2.117* (−1.93) |
−0.001
(−0.00) |
| M2×MPI (e>ē) | −2.428** (−2.16) |
−4.611*** (−3.58) |
−0.872
(−0.66) |
−1.445* (−1.82) |
| M2(e<ē) | 15.530*** (3.76) |
16.370*** (4.01) |
15.520*** (3.87) |
3.607
(1.30) |
| M2(e>ē) | 17.370*** (4.27) |
20.410*** (4.79) |
12.760*** (2.95) |
7.693*** (2.77) |
| MPI(e<ē) | 1.060*** (4.43) |
1.074*** (4.50) |
0.975*** (4.11) |
0.179
(1.12) |
| MPI(e>ē) | 1.067*** (4.50) |
1.283*** (5.24) |
0.979*** (4.09) |
0.569*** (3.51) |
| 控制变量 | 控制 | 控制 | 控制 | 控制 |
| 个体固定效应 | 控制 | 控制 | 控制 | 控制 |
| 样本量 | 5 922 | 5 922 | 5 922 | 5 922 |
| 调整后的R2 | 0.029 | 0.028 | 0.028 | 0.561 |
表8列（3）以现金比率作为门槛变量，结果显示，当现金比率水平在门槛值以下时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在10%水平上显著为负，这表明“双支柱”对于流动性水平较低企业的商业风险调控作用更加突出，“双支柱”调控能够缓解市场中流动性风险较高企业的商业风险，起到积极的调控作用。列（4）以商业风险作为门槛变量，结果显示，当企业商业风险水平在门槛值以上时，货币政策和宏观审慎政策交互项（M2×MPI）的估计系数在10%水平上显著为负，该结果表明，“双支柱”的微观调控作用对于商业风险较高的企业更强。
总体而言，货币政策和宏观审慎政策协同的“双支柱”调控对于企业商业风险存在显著的“结构性”效应，相应的实证结果验证了研究假设H5，即“双支柱”调控对于不同金融市场结构和不同投融资结构企业的商业风险所发挥的作用存在差异。究其原因，一方面，不同金融结构下企业所处的内外部金融情况有所差异，其对“双支柱”调控的反应也会存在差异；另一方面，“双支柱”调控框架的实践尚处在探索阶段，在政策工具方面仍存在一些不足，有待不断丰富货币政策和宏观审慎政策的工具组合，以实现更加完善的“结构性”调控作用。
七、研究结论与政策启示
本文尝试将“双支柱”调控效应研究拓展到商业风险视角，以我国沪深A股主板上市公司2010—2018年的数据为基础，实证分析货币政策和宏观审慎政策对微观层面的企业商业风险的“逆周期”调控和“结构性”调控效应。本文主要得到了以下三点结论。第一，货币政策和宏观审慎政策作为“双支柱”能够协同配合以抑制单一政策给企业带来的商业风险累积，在微观层面发挥金融稳定效应。第二，分别从宏观经济周期和企业生命周期两个周期维度进行检验后发现，“双支柱”能够对企业商业风险发挥“周期性”调控效应，不仅能够在经济上升期和下行期发挥“逆周期”调控作用，而且对于不同生命周期微观企业也能发挥微观金融稳定效应，但在上述两种周期叠加的情况下，“双支柱”调控的政策效力表现出一定的异质性。第三，“双支柱”对于企业商业风险还存在“结构性”调控效应，在不同金融市场结构和企业投融资结构下对企业商业风险具有不同的抑制作用。
基于本文的研究结论，可以得到如下几点政策启示：一是应结合我国结构转型期的特殊国情，坚持建设和健全符合我国实际的货币政策和宏观审慎政策“双支柱”调控框架，推进建成国际领先的现代化金融风险治理体系。加快“双支柱”调控政策的相关立法工作，防范单一调控政策不足所造成的金融风险累积，依法保障“双支柱”政策的协同效应。秉承宏微观风险并重的理念，增强“双支柱”的“逆周期”调控的科学性、稳健性以及前瞻性，形成能够可靠地化解风险，保证国家经济安全的有效路径。二是在“双支柱”调控政策框架下，应注重顶层设计，进一步拓展货币政策和宏观审慎政策的“政策工具箱”，使其能够容纳更多类型的政策工具，并做好政策工具效果的评估，提升职能部门对不同政策组合和多预期风险控制效果的综合预判能力，准确把握政策调控力度，避免非理性政策操作导致实体经济面临的风险累积。三是充分考虑“周期性”和“结构性”因素差异对“双支柱”调控的金融稳定效应的影响，不断优化“双支柱”对微观企业金融风险调控的针对性和有效性，从而缓解周期性波动和结构错配等因素的负面影响，避免风险传染引发系统性风险。
* 肖忠意和梁洪分别系西南政法大学金融安全保障体系与风险治理理论创新团队首席专家和核心专家。感谢余劲松教授、郑国洪教授、张小波副教授和陈志英副教授的批评与建议，也感谢匿名评审专家和编辑部的宝贵意见。
① 截至2021年2月，中国共有在业/存续的市场主体1.44亿家，其中企业4 457.2万家，活跃度稳定在70%左右；而中国境内各类银行总数仅为3 000多家，远少于实体企业。
| [1] | 白俊红, 刘宇英. 金融市场化与企业技术创新: 机制与证据[J]. 经济管理, 2021(4): 39–54. |
| [2] | 陈雨露, 马勇. 宏观审慎监管: 目标、工具与相关制度安排[J]. 经济理论与经济管理, 2012(3): 5–15. DOI:10.3969/j.issn.1000-596X.2012.03.001 |
| [3] | 邓向荣, 张嘉明. 货币政策、银行风险承担与银行流动性创造[J]. 世界经济, 2018(4): 28–52. |
| [4] | 丁建臣, 赵丹丹. “双支柱”调控框架下防范和化解系统性金融风险的政策建议[J]. 经济纵横, 2018(5): 107–113. |
| [5] | 方意, 王晏如, 黄丽灵, 等. 宏观审慎与货币政策双支柱框架研究——基于系统性风险视角[J]. 金融研究, 2019(12): 106–124. |
| [6] | 黄宏斌, 翟淑萍, 陈静楠. 企业生命周期、融资方式与融资约束——基于投资者情绪调节效应的研究[J]. 金融研究, 2016(7): 96–112. |
| [7] | 黄继承, 姚驰, 姜伊晴, 等. “双支柱”调控的微观稳定效应研究[J]. 金融研究, 2020(7): 1–20. DOI:10.3969/j.issn.1009-3109.2020.07.001 |
| [8] | 黄赜琳, 朱保华. 中国经济周期特征事实的经验研究[J]. 世界经济, 2009(7): 27–40. |
| [9] | 李拉亚. 双支柱调控框架的新目标制研究[J]. 管理世界, 2020(10): 27–40. DOI:10.3969/j.issn.1002-5502.2020.10.003 |
| [10] | 刘啟仁, 赵灿, 黄建忠. 税收优惠、供给侧改革与企业投资[J]. 管理世界, 2019(1): 78–96. DOI:10.3969/j.issn.1002-5502.2019.01.006 |
| [11] | 马勇, 陈点点. 宏观审慎政策如何影响企业金融化?[J]. 国际金融研究, 2020(3): 13–22. |
| [12] | 马勇, 姚驰. 双支柱下的货币政策与宏观审慎政策效应——基于银行风险承担的视角[J]. 管理世界, 2021(6): 51–69. DOI:10.3969/j.issn.1002-5502.2021.06.021 |
| [13] | 盛雯雯, 栗亮. 货币政策与宏观审慎政策协调配合的研究评述[J]. 国际金融研究, 2019(4): 24–34. |
| [14] | 隋建利, 刘碧莹. 未预期货币政策非中性的混频识别: 行动与语言的信息效应[J]. 世界经济, 2020(11): 176–200. |
| [15] | 王相悦, 曹鹏, 王琳. “双支柱”调控稳定金融市场的宏微观政策效应[J]. 统计学报, 2021(1): 36–47. |
| [16] | 肖忠意, 林琳, 陈志英, 等. 财务柔性能力与中国上市公司持续性创新——兼论协调创新效应与自适应效应[J]. 统计研究, 2020(5): 82–93. |
| [17] | 徐长生, 艾希. 货币政策与宏观审慎政策的协调搭配——基于中国商业银行微观数据的实证研究[J]. 江西社会科学, 2018(6): 39–47. |
| [18] | 杨天宇, 钟宇平. 中国银行业的集中度、竞争度与银行风险[J]. 金融研究, 2013(1): 122–134. |
| [19] | 邹文理, 王曦, 谢小平. 中央银行沟通的金融市场响应——基于股票市场的事件研究[J]. 金融研究, 2020(2): 34–50. |
| [20] | Abdelghany K E. Disclosure of market risk or accounting measures of risk: An empirical study[J]. Managerial Auditing Journal, 2005, 20(8): 867–875. DOI:10.1108/02686900510619692 |
| [21] | Adrian T, Colla P, Shin H S. Which financial frictions? Parsing the evidence from the financial crisis of 2007 to 2009[J]. NBER Macroeconomics Annual, 2013, 27(1): 159–214. DOI:10.1086/669176 |
| [22] | Bean C, Paustian M, Penalver A. Monetary policy after the fall[J]. Macroeconomic Challenges: The Decade Ahead, 2010: 26–28. |
| [23] | Beau D, Clerc L, Mojon B. Macro-prudential policy and the conduct of monetary policy[R]. Working Paper No.390, 2012. |
| [24] | Borio C, Zhu H B. Capital regulation, risk-taking and monetary policy: A missing link in the transmission mechanism?[J]. Journal of Financial Stability, 2012, 8(4): 236–251. DOI:10.1016/j.jfs.2011.12.003 |
| [25] | Cerutti E, Claessens S, Laeven L. The use and effectiveness of macroprudential policies: New evidence[J]. Journal of Financial Stability, 2017, 28: 203–224. DOI:10.1016/j.jfs.2015.10.004 |
| [26] | Hadlock C J, Pierce J R. New evidence on measuring financial constraints: Moving beyond the KZ index[J]. The Review of Financial Studies, 2010, 23(5): 1909–1940. DOI:10.1093/rfs/hhq009 |
| [27] | Hou K W, Xue C, Zhang L. Digesting anomalies: An investment approach[J]. The Review of Financial Studies, 2015, 28(3): 650–705. DOI:10.1093/rfs/hhu068 |
| [28] | Kannan P, Rabanal P, Scott A M. Monetary and macroprudential policy rules in a model with house price booms[J]. The B.E. Journal of Macroeconomics, 2012, 12(1): 16. |
| [29] | Kiley M T, Sim J. Optimal monetary and macroprudential policies: Gains and pitfalls in a model of financial intermediation[J]. Journal of Macroeconomics, 2017, 54: 232–259. DOI:10.1016/j.jmacro.2017.05.008 |
| [30] | King R G, Levine R. Finance and growth: Schumpeter might be right[J]. The Quarterly Journal of Economics, 1993, 108(3): 717–737. DOI:10.2307/2118406 |
| [31] | Matsuyama K. Credit traps and credit cycles[J]. American Economic Review, 2007, 97(1): 503–516. DOI:10.1257/aer.97.1.503 |
| [32] | Shin H S, Shin K. Procyclicality and monetary aggregates[R]. NBER Working Paper No.16836, 2011. |
| [33] | Tan K J K, Zhou Q, Pan Z Y, et al. Business shocks and corporate leverage[J]. Journal of Banking & Finance, 2021, 131: 106208. |