數字金融對非金融企業影子銀行化的影響研究

摘 要：本文選取非金融企業為研究對象，參考已有研究將生產部門分為兩類企業，構建理論模型分析數字金融發展如何影響非金融企業影子銀行化，采用2011—2022年A股上市非金融企業財務數據以及宏觀經濟發展數據進行實證分析檢驗。研究發現，隨著數字金融發展水平提升，非金融企業參與影子銀行業務的投資行為將受到抑制。機制檢驗結果表明，數字金融通過緩解企業金融錯配進而抑制非金融企業影子銀行化，并且銀行競爭水平提升強化了數字金融對非金融企業影子銀行化的抑制作用。進一步研究表明，在規模較大的企業、非高科技企業、數字化轉型程度較高的企業中，數字金融顯著抑制非金融企業影子銀行化行為。

關鍵詞：數字金融；企業影子銀行化；金融錯配；銀行競爭

DOI：10.3969/j.issn.1003-9031.2024.07.003

中圖分類號：F830 文獻標識碼：A 文章編號：1003－9031（2024）07－0033－18

一、引言及文獻綜述

伴隨金融抑制、信貸約束、信貸歧視等問題，許多由于信用問題、抵押品不足的融資弱勢企業陷入了融資困境。在金融錯配的融資環境下，為了獲取超額利潤，許多非金融企業開始參與影子銀行業務。依據原中國銀保監會2020年發布的《中國影子銀行報告》，全部Ａ股非金融企業影子銀行業務投資占總資產的比重平均高達22.94%；2008—2020年，中國非金融上市公司影子銀行規模也增長近29倍（吳安兵等，2023）。由此可見，非金融企業影子銀行化現象愈發凸顯。

非金融企業影子銀行化會導致許多消極的經濟后果。劉珺等（2014）發現非金融企業影子銀行化會造成中小企業融資成本上升、金融資源配置效率降低，進而導致社會福利凈損失。非金融企業從事影子銀行活動也對信貸調控產生漏出效應，削弱信貸調控效力（江振龍，2020）。此外，影子銀行業務也會擠出主營業務投資、降低主營業務收入（Han et al.，2019），從而降低企業的盈余可持續性（黃賢環和王翠，2021）。由于影子銀行業務具有高杠桿率、監管缺失以及信息不對稱等特征，非金融企業影子銀行化會加劇企業經營風險、加劇股價崩盤風險上升等（李建軍和韓珣，2019；司登奎等，2021）。探究非金融企業參與影子銀行活動的影響因素對校正影子銀行無序擴張、防范和化解市場性金融風險具有十分重要的意義。

關于企業影子銀行化影響因素，已有研究主要是從市場環境和企業決策兩個角度進行分析。市場環境方面，高潔超等（2020）發現政策不確定性是導致企業影子銀行化的原因。金融錯配也是導致企業影子銀行化程度提高的重要因素，金融錯配水平的提高會導致企業融資約束水平上升、抑制企業實體投資（韓珣和李建軍，2019）。企業決策方面，在“投資替代”的動機下，企業傾向于將本該投入實體投資的資金轉向高風險、高收益的影子銀行市場，以彌補實體投資水平的不足。

隨著科學技術迭代更新，人工智能、大數據、云計算、區塊鏈等技術逐漸運用于金融體系的各個領域，數字金融得到快速發展。數字金融的發展給傳統金融部門帶來了沖擊（Pramanik et al.，2019），與傳統金融相互競爭（Lee et al．，2018），推動了金融機構的業務升級和轉型，為中國金融業態注入了新的活力，提高了金融服務效率（Cortina and Schmukler，2018）。憑借先進的信息技術，數字金融的發展能夠有效緩解信息不對稱問題，創新性地顛覆了傳統信用定價模式，逐步構建“硬化”企業軟信息的算法和大數據倉庫（謝平和鄒傳偉，2012），倒逼金融部門轉型升級，提升金融資源配置效率（唐松等，2019）。因此，隨著數字金融的發展，信貸歧視、金融抑制等問題得到了緩解。那么隨著數字金融的發展，企業的影子銀行化行為會有何變化，有待深入研究。因此，本文以非金融企業作為研究對象，探究了數字金融發展對非金融企業影子銀行化行為的影響。

二、理論分析與研究假設

（一）數字金融對非金融企業影子銀行化的影響

本文以SSZ模型（Song et al.，2011）為基礎，參考龔關等（2021）的方法，將生產性企業分為F型企業和E型企業，構建了一個數理模型。其中，F型企業生產效率較低，但憑借著融資優勢可以獲得多于生產所需要的銀行信貸資金；E型企業雖然生產效率更高，但由于融資約束無法獲得滿足企業生產所需的銀行信貸資金。在利潤驅使下，F型企業的資金用途分為兩部分：一部分資金投入到生產當中，另一部分資金則投入到影子銀行信貸市場中再放貸給E型企業以獲取利差。延續Song et al.（2011）的設定，假定銀行將貸款發放給企業過程中沒有任何手續費用或摩擦成本，將銀行貸款利率設定為無風險利率R。而影子銀行貸款利率則由影子銀行市場出清條件來決定。

1.經濟個體

經濟個體分為兩種：工人和企業家。工人在第1期工作以獲得工資，第2期退休并依靠第1期的儲蓄維持生活；企業家在第1期被E型企業雇傭為管理者并獲得管理費，之后卸任，第2期依靠第1期的儲蓄生活。與普通工人不同的是，由于企業家對公司有更高的感情依托，其希望企業能夠更好的發展，即實現利潤最大化（關于這個假設的另一個合理原因可以認為這些企業存在家族繼承），因此公司的利潤進入到企業家的效用函數。個體的效用函數如下：

這說明在金融抑制、信貸歧視的背景下，由于融資約束而無法從正規金融渠道獲得經營所需的信貸資金，企業會選擇將影子銀行作為替代的融資渠道，即影子銀行融資渠道與正規金融融資渠道形成替代關系。

數字金融對信貸錯配具有修正作用。數字金融作為數字技術與傳統金融深度融合的產物，其功能定位是通過信息化數字手段有效降低金融服務的交易成本、擴張其覆蓋范圍（郭峰等，2020）。數字金融的發展會衍生出新的金融業態，與傳統金融機構形成競爭關系，倒逼其提升金融服務效率。隨著傳統金融業競爭格局的轉變，信貸歧視等問題得到了緩解，有助于提高企業從正規金融渠道獲得貸款的能力（徐章星等，2020）。數字金融的快速發展有助于緩解企業融資難、融資貴等問題，提高中小企業獲取資金的便利性與及時性（謝雪燕和朱曉陽，2021）。因此，數字金融的發展有助于提高企業銀行信貸可得性，即>0。

綜上所述，<0，即數字金融的發展會抑制企業影子銀行業務的規模擴張。數字金融的發展有助于提升正規信貸渠道的金融服務效率，強化正規信貸渠道對于影子銀行融資渠道的替代效應，對企業影子銀行業務產生市場擠出效應，抑制企業影子銀行化。因此，提出假設H1：

H1：數字金融的發展抑制非金融企業影子銀行化行為。

（二）資源配置效應

數字金融的發展通過緩解企業金融錯配現象，抑制了非金融企業影子銀行化。數字金融對金融錯配水平的緩解作用主要通過兩個路徑實現：降低信息不對稱、提高金融可得性。首先，依托于大數據、云計算以及區塊鏈等現代化信息處理技術，數字金融以獲取海量數字信息為引導，有效提升了信息共享水平、緩解了信貸市場中信息不對稱的問題（譚小芬和尹碧嬌，2018）。其次，數字金融通過多元化的業態與功能有效地實現了金融可得性（徐章星，2024）。數字金融突破了傳統金融實體網點的限制，極大拓展了金融服務的覆蓋面，提高了企業獲取信貸資金的可能性（滕磊，2020）。憑借著數據、場景、服務等自身優勢，數字金融有效地優化了信貸資源配給、提升了金融的可得性，通過配置“信貸存量”、增加“信貸總量”的方式緩解了企業金融錯配。

關于金融錯配與非金融企業影子銀行化的關系，也有研究進行討論。金融錯配主要通過影響企業的實體投資意愿進而影響非金融企業影子銀行化的投資行為。金融錯配導致企業生產研發動力降低（成力為等，2015），使得企業的信貸資金流向影子信貸市場。從資金需求側來看，由于信貸歧視問題的存在，中小民營企業無法從正規融資渠道獲取足夠的信貸資金，進而求助于影子銀行融資渠道。在信貸配給的金融環境中，企業影子銀行化的興起是經濟主體克服信貸約束的結果（王永欽等，2015），融資地位不平等為非金融企業影子銀行化提供了發展空間。因此，提出假設H2：

H2：數字金融通過緩解企業金融錯配進而抑制了非金融企業影子銀行化行為。

（三）銀行競爭的調節效應

在當前中國以間接融資為主的金融體系下，企業對銀行具有較強的依賴性，銀行競爭一定程度上也會影響到實體企業的投資決策，進而影響其影子銀行化行為。銀行競爭通過銀企信息匹配、信貸資源配置、金融可得性等渠道強化了數字金融對非金融企業影子銀行化的抑制作用。

在銀企信息匹配方面。隨著銀行競爭程度的加深，為降低信貸風險，銀行將會主動收集企業信息并對其進行篩選，這有助于降低市場的信息不透明度，提高銀企信息匹配效率（Jiang et al.，2020）。這能夠有效降低信貸資源配置的扭曲，從而壓縮非金融企業參與影子銀行業務的市場空間。在信貸資源配置方面。基于降低信貸風險和提高邊際利潤的目的，銀行競爭程度的提升會促使金融機構將信貸發放給盈利能力強、生產能力高的企業，這將有助于優化信貸市場的資源配置（馬俊，2024）。這不僅有效降低企業的融資成本（Leon，2015），同時也使得實體企業的信貸可得性有所提升，緩解企業融資約束，進而緩解企業對高利率影子銀行融資渠道的依賴，壓縮非金融企業參與影子銀行業務的套利空間。

綜上所述，銀行競爭程度的提升會通過強化數字金融的銀企信息匹配、信貸資源配置等渠道，加強數字金融對企業影子銀行化的抑制作用。因此，提出假設H3：

H3：銀行競爭水平的提高強化了數字金融對非金融企業影子銀行化的抑制作用。

三、研究設計

（一）數據來源

本文所使用的企業數據來自CSMAR國泰安數據庫，按照以下程序篩選和處理樣本：剔除金融及保險行業的上市公司數據；剔除負債率大于100%的樣本；剔除主要變量缺失的觀測值；剔除ST、*ST和PT企業。為消除極端值的影響，對所有連續型變量按照1%和99%的水平進行縮尾（Winsorize）處理。最終獲得2011—2022年非金融企業的財務數據，共計18460個非平衡面板觀測值。

（二）變量選擇

非金融企業影子銀行化。參考李建軍和韓珣（2019）研究中的衡量方法，本文采用委托貸款、委托理財和企業民間借貸之和與期末企業總資產規模的比值來衡量企業影子銀行化的程度。

數字金融發展水平。借鑒郭峰等（2020）的研究，數字金融發展的衡量方式采用北京大學數字金融指數，并取自然對數。

企業金融錯配。對于“金融錯配”的刻畫，本文分別從資金成本和融資規模這兩個角度予以綜合反映。從資金成本的角度看，參考邵挺（2010）和周煜皓等（2014）的研究，采用企業的資金使用成本對所在行業平均資金使用成本的偏離程度來反映。從融資規模的角度看，參考鄧路等（2016）以及白俊等（2022）的研究，采用資本結構動態調整法計算企業超額貸款，用以從融資規模角度刻畫企業層面的金融錯配。

銀行競爭。本文依據國家金融監督管理總局發布的全國金融機構的金融許可證信息，計算各年份各地級市的銀行分支機構數量，并據此測算出城市層面的銀行業赫芬達爾指數（HHI）。

控制變量。本文從企業層面和宏觀經濟層面選取了一些可能影響其企業影子銀行化的控制變量。

（三）模型選取與設計

本文使用固定效應面板回歸解決不可觀測的企業個體特征所可能帶來的內生性問題，同時還控制了時間效應。根據假設本文設立以下回歸模型：

四、實證結果

（一）描述性統計

表2為本文主要變量的描述性統計結果，其中，企業影子銀行化（ShadowBank） 的均值為0.1403，表明非金融企業從事影子銀行業務的規模相對較大，標準差為0.2492，體現出了不同企業在從事影子銀行業務中具有明顯差異。數字金融（DF）的均值為5.5181（原值為276.1117），表明中國整體的數字金融發展水平已達到了較高的水平。其他控制變量與已有的文獻基本保持一致。

（二）模型選取檢驗

對于面板數據的回歸分析，通常采用混合POLS回歸模型、隨機效應回歸模型或者固定效應回歸模型。為了確定哪一種模型適合本文的研究，本文逐步采用了F檢驗、LM檢驗、Hausman檢驗三種檢驗方法以確定本文回歸模型的選取。檢驗結果如表3所示，其中F檢驗用于判斷混合POLS回歸模型和固定效應回歸模型之間哪一個模型更優，結果顯示P<0.01，這表明固定效應回歸模型優于混合POLS回歸模型；LM檢驗用于判斷混合POLS回歸模型和隨機效應回歸模型之間哪一個更優，結果顯示P<0.01，這表明隨機效應回歸模型優于混合POLS回歸模型；Hausman檢驗用于判斷固定效應回歸模型和隨機效應回歸模型之間哪一個更優，結果顯示Chi2>0且P<0.01，這表明固定效應回歸模型優于隨機效應回歸模型。綜上所述，固定效應回歸模型適合本研究的實證分析。

（三）基本檢驗結果

基準回歸結果如表4所示。列（1）為控制時間、個體雙重固定效應、不添加任何控制變量的參數估計結果，數字金融對非金融企業影子銀行化的影響系數為-0.0708，在1%的顯著性水平下顯著為負，數字金融的發展顯著抑制了非金融企業影子銀行化的行為。列（2）—列（5）為逐步添加控制變量后的回歸結果，通過觀察參數估計變化發現，在逐步加入控制變量的過程中，數字金融發展水平對非金融企業影子銀行化的影響系數依舊顯著為負，這說明數字金融發展對非金融企業影子銀行化產生抑制影響的結論依舊穩健。上述結果表明，數字金融的發展與非金融企業影子銀行化呈現出顯著的負相關關系，證實了隨著數字金融的發展水平的提升，非金融企業會減少參與影子銀行業務的行為，即數字金融的發展在提升金融效率、緩解信息不對稱等方面能夠發揮一定的積極作用，有助于提升金融服務實體經濟的能力，降低融資約束企業對影子銀行渠道的依賴，壓縮了影子銀行業務的市場，進而會抑制非金融企業影子銀行化。

（四）機制檢驗

1.金融錯配機制

金融錯配是影響企業影子銀行化最重要的要素之一，已有研究發現金融錯配程度的提高整體上會導致企業影子銀行化規模擴張（韓珣和李建軍，2020）。數字金融對非金融企業影子銀行化產生抑制作用，重要的影響機制之一就是通過緩解企業金融錯配問題、優化信貸資源配置，降低了企業對影子銀行融資渠道的依賴、降低了影子銀行業務的投資回報率，最終削弱了非金融企業參與影子銀行業務的動機。表5給出數字金融對非金融企業影子銀行化作用機理的檢驗結果。其中，列（1）列（2）分別顯示了數字金融對“金融錯配”和“超額貸款”的實證分析結果。結果顯示，數字金融（DF）對金融錯配（FM）和超額貸款（Loan_res）的回歸系數為負（-0.2016和-0.0336），且均通過了5%水平下的顯著性檢驗，這說明數字金融的發展有助于緩解企業金融錯配。而現有研究已經檢驗了企業金融錯配水平的提升會加劇企業影子銀行化程度這一研究結論。數字金融有效地緩解了企業金融錯配，進而抑制了非金融企業影子銀行化。

2.銀行競爭的調節效應

為考察銀行競爭水平的調節效應，本文基于基準模型加入銀行赫芬達爾指數（HHI）及其與數字金融的交互項（DF*HHI），進一步分析銀行競爭（HHI）與數字金融（DF）對非金融企業影子銀行化（ShadowBank）的互動效應，回歸結果如表5中列（3）所示。由于銀行赫芬達爾指數（HHI）為負向指標，其指標數值越小說明銀行競爭程度越高。回歸結果表明，數字金融的回歸系數為-0.1065，且通過了1%水平下的顯著性檢驗，而交互項DF*HHI的回歸系數為0.1891，且通過了10%水平下的顯著性檢驗，這表明銀行競爭程度越高，數字金融對非金融企業影子銀行化的抑制作用越強，即數字金融與銀行競爭程度之間存在積極的互動效應。銀行競爭程度的提升會通過強化數字金融的銀企信息匹配、信貸資源配置、金融可得性等渠道，加強數字金融對企業影子銀行化的抑制作用。

（五）穩健性檢驗

1.替換解釋變量

數字金融指數中包含兩個子項，分別是普惠金融覆蓋廣度（Coverage）和普惠金融使用深度（Depth）。本文選用這兩個指數替換之前的數字金融指數做進一步檢驗，參數估計結果如表6所示。從回歸結果可以看出，在加入控制變量并同時控制時間固定效應和個體固定效應的情況下，覆蓋廣度、使用深度的回歸系數在1%的顯著水平下依然顯著為負，這意味著數字金融在不同維度的發展都對非金融企業影子銀行化產生抑制效應。這也進一步驗證了數字金融發展抑制非金融企業影子銀行化結論的穩健性。

由于北京大學數字普惠金融指數除了有數字化的特征，同時還有普惠金融的普惠性特征，為了更好地驗證數字金融發展對企業所產生的數字化影響，本文參考馮永琦等（2024）的研究，綜合百度搜索指數和金融科技公司數量兩種方法構建地市級層面的數字金融發展指數，選用這個指數替換前文的自變量做穩健性檢驗，回歸結果如表6所示。從回歸結果可以看出，數字金融（Dig）的回歸系數為負（-0.0130），且通過5%水平下的顯著檢驗，進一步驗證了數字金融發展抑制非金融企業影子銀行化的結論。

2.剔除部分因素影響

流動性危機等外部沖擊會對因果識別產生干擾，其中2015 年中國金融市場流動性危機可能會影響非金融企業影子銀行化的經營決策。為了排除上述可能產生的干擾，參考吳安兵等（2023）的研究，本文將該年樣本剔除后，再次進行檢驗。表7中列（1）呈現了回歸結果，可以發現，結果依然一致于基準回歸，表明外部沖擊帶來的流動性危機對本文基準回歸結果并沒有產生較大影響，回歸結論依舊穩健。

另外，鑒于中國直轄市具有顯著的經濟特點，各地區在數字金融發展和企業投資經營等方面也可能有所不同，這可能會對研究成果產生顯著的影響。參照唐松等（2020）的方法，我們排除了直轄市的數據指標，并重新進行回歸分析。如表7列（2）所示，本文中關于“數字金融抑制了非金融企業影子銀行化”的核心觀點并未發生改變。

（六）異質性分析

1.企業規模

大規模企業通常憑借著自身規模優勢，擁有足夠的抵押品，與金融中介建立了良好的合作關系，因此能夠獲得充足、利率低的信貸。而中小企業由于“軟信息”的不足，其面臨的融資約束較強。規模歧視導致的金融錯配使得大規模企業有多余的資金投資于影子銀行信貸市場。因此，在大型企業和中小型企業之間，數字金融對非金融企業的影子銀行化產生的影響可能會有明顯不同。本文依據當年不同行業的企業規模中位數，將其分類為大型和中小型企業。通過樣本分組回歸分析，檢驗了數字金融對非金融企業影子銀行化過程中企業規模異質性的影響，具體的回歸結果如表8列（1）列（2）所示。研究發現，在中小企業的分類中，數字金融的回歸系數并不明顯，但在大型企業的分類中，數字金融的回歸系數在1%的顯著性水平下顯著為負（-1.0725）。這表明，與中小型企業相比，在大型企業樣本中，數字金融對非金融企業的影子銀行化產生了更為明顯的抑制效果。這說明了數字金融有助于緩解規模歧視下的金融錯配，約束了大型企業憑借融資優勢獲取信貸資金并投資于影子銀行信貸市場的投資活動。

2.是否為高科技企業

大部分高科技公司都是處于成長階段的企業，正經歷生命周期的發展，它們需要大量的資金來進行創新和研發。高科技公司在創新投資上的資金需求相對較大，其內部的經營風險也相對較高，這使得它們在面對外部不穩定因素時的抵抗力較弱，可能會遭遇更為嚴格的融資限制。相較于高科技企業，非高科技企業在實體投資方面的機會相對較少，但它們在影子銀行信貸市場擁有更大的資金實力進行投資，并且其影子銀行的程度也更為顯著。因此，在高科技企業和非高科技企業之間，數字金融對非金融企業的影子銀行化產生的影響可能會有所不同。本文通過樣本分組回歸檢驗數字金融對非金融企業影子銀行化的產業異質性影響，回歸結果如表8中列（3）列（4）所示。結果表明，數字金融的回歸系數在高科技企業分組中不顯著，而在非高科技企業分組中數字金融的回歸系數在1%的顯著性水平下顯著為負（-0.8876）。這說明相對于高科技企業，非高科技企業的樣本中數字金融對非金融企業影子銀行化的抑制作用更顯著。這說明金融錯配是影響非金融企業影子銀行化的重要因素，而數字金融的發展有助于優化信貸資源配置，更多的信貸資源流入到實體經濟建設當中。

3.企業數字化

隨著企業數字化進程的不斷推進，企業能夠高效地將內部經營信息傳遞到外部，提高了外部利益相關者對企業的認識程度，提升了企業與外界的溝通效率（祝合良和王春娟，2021）。企業數字化進程的推進為數字金融發展提供信息支持，有助于數字金融發展下的企業信息匹配、信用體系建立。本文參考趙宸宇等（2021）使用文本分析法構建企業數字化轉型指數以衡量企業數字化轉型程度，并將企業數字化轉型指數高于行業年度中位數定義為數字化水平較高的樣本，其余企業定義為數字化水平較低的樣本，然后通過樣本分組回歸檢驗數字金融對非金融企業影子銀行化的異質性影響，回歸結果如表8中的列（5）列（6）所示。結果表明，數字金融的回歸系數在低數字化企業分組中不顯著，而在高數字化企業分組中數字金融的回歸系數在1%的顯著性水平下顯著為負（-1.4112）。這說明相對于低數字化企業，在高數字化企業的樣本中數字金融對非金融企業影子銀行化的抑制作用更顯著。因此，數字金融對非金融企業影子銀行化的抑制作用在企業數字化程度較高的樣本中更顯著。這說明信息不對稱是導致非金融企業影子銀行化的重要因素，并且企業信息數字化有助于強化數字金融的普惠性。

五、結論與政策建議

（一）結論

本文以非金融企業影子銀行化為研究切入點，基于資金供給方和資金需求方的角度，利用北京大學數字金融指數和2011—2022年的非金融上市企業財務數據進行實證分析，研究數字金融對非金融企業影子銀行化的影響。首先驗證了數字金融發展對非金融企業影子銀行化的抑制作用，并通過企業金融錯配路徑分析數字金融對非金融企業影子銀行化的作用渠道，然后通過加入銀行競爭與數字金融指數的交乘項分析其發揮的調節效應。為檢驗結論可靠性，本文進行穩健性檢驗。此外，分析了企業規模、是否為高科技企業、企業數字化三個方面的異質性。研究表明：數字金融的發展有助于提升中小企業從正規融資渠道獲得信貸資金的能力，進而抑制非金融企業影子銀行化。數字金融通過緩解企業金融錯配路徑影響非金融企業影子銀行化，并且銀行競爭水平在數字金融影響非金融企業影子銀行化的過程有著積極的交互效應，即銀行競爭水平的提升會強化數字金融對非金融企業影子銀行化的抑制作用。相較小規模企業，大規模企業樣本中數字金融對非金融企業影子銀行化的抑制作用更加顯著；相較高科技企業，非高科技企業樣本中數字金融對非金融企業影子銀行化的抑制作用更加顯著；相較數字化轉型程度較低的企業，數字化轉型程度較高的企業樣本中數字金融對非金融企業影子銀行化的抑制作用更加顯著。

（二）政策建議

金融市場發展方面，應以數字金融為切入點，通過提供更加便利的融資渠道緩解中小企業的融資約束問題，削弱企業對影子銀行融資渠道的依賴，增強金融服務實體經濟的能力。企業影子銀行化是金融抑制、金融錯配下的產物，是傳統融資渠道的替代。數字金融的發展能夠實現金融服務的多元化、廣覆蓋，有效提升了金融的包容性。同時數字金融的發展能夠緩解企業信息不對稱問題，優化信貸資源配置，在引導企業“脫虛向實”的過程中發揮重要作用。

銀行業發展方面，應積極促進銀行業良性競爭。銀行業競爭水平上升的打破會驅使銀行主動積極收集企業信息，進一步緩解銀企信息不對稱的問題，通過篩選經營良好的企業進行放貸以降低銀行的信貸風險，提升金融效率。

企業監督方面，應重點關注大型企業、非高科技企業的資金使用，監督其將信貸資金投資于實體經濟發展。非金融企業在金融市場的投資行為應以保障自身經營為目的，而不是作為主要的盈利渠道。只有正確引導更多資金流向實體經濟，才能更好地實現經濟高質量發展。

（責任編輯：張恩娟）

參考文獻：

[1]Cortina Lorente，Juan Jose Schmukler，Sergio L.The Fintech Revolution：A Threat to Global Banking[R].Washington，D.C.：World Bank：Research and Policy Briefs Paper，2018.

[2]Han X，Hus S，Li J J.The Impact of Enterprises？ Shadow Banking Activities on Business Performance：A Test Based on Mediator Effect of Investment Scale and Investment Efficiency[J].Emerging Markets Finance and Trade，2019，55（14）：3258-3274.

[3]Jiang G，Lee C M C，Yue H.Tunneling through Intercorporate Loans： The China Experience[J].Journal of Financial Economics，2010，98（1）：1-20.

[4]Lee I，Shin Y J.Fintech：Ecosystem，Business Models，Investment Decisions and Challenges[J].Business Horizons，2018，61（1）：35－36．

[5]Leon F.Does bank competition alleviate credit constraints in developing countries[J].Journal of Banking and Finance，2015，57：130-142.

[6]Pramanik H S，Kirtania M，Pani A K.Essence of Digital Transformation—Manifestations at Large Financial Institutions from North America[J].Future Generation Computer Systems，2019，5：323-343.

[7]白俊，宮曉云，趙向芳.信貸錯配與非金融企業的影子銀行活動——來自委托貸款的證據[J].會計研究，2022（2）：46-55.

[8]成力為，溫源，張東輝.金融錯配、結構性研發投資短缺與企業績效——基于工業企業大樣本面板數據分析[J].大連理工大學學報（社會科學版），2015，36（2）：26-33.

[9]鄧路，劉瑞琪，廖明情.宏觀環境、所有制與公司超額銀行借款[J].管理世界，2016（9）：149-160.

[10]高潔超，汪晨濤，劉允.經濟政策不確定性與非金融企業的影子銀行化[J].金融論壇，2020，25（8）：18-27+51.

[11]龔關，江振龍，徐達實，等.非金融企業影子銀行化與資源配置效率的動態演進[J].經濟學（季刊），2021，21（6）：2105-2126.

[12]郭峰，王靖一，王芳，等.測度中國數字普惠金融發展：指數編制與空間特征[J].經濟學（季刊），2020，19（4）：1401-1418.

[13]韓珣，田光寧，李建軍.非金融企業影子銀行化與融資結構——中國上市公司的經驗證據[J].國際金融研究，2017（10）：44-54.

[14]黃賢環，王翠.非金融企業影子銀行化與盈余可持續性[J].審計與經濟研究，2021，36（4）：80-89.

[15]江振龍.融資約束、非金融企業影子銀行活動與宏觀審慎政策[J].金融評論，2020，12（5）：91-109+126.

[16]李建軍，韓珣.非金融企業影子銀行化與經營風險[J].經濟研究，2019，54（8）：21-35.

[17]劉珺，盛宏清，馬巖.企業部門參與影子銀行業務機制及社會福利損失模型分析[J].金融研究，2014（5）：96-109.

[18]馬俊.數字金融、銀行風險承擔與經濟高質量發展[J].海南金融，2023（1）：18-37.

[19]邵挺.金融錯配、所有制結構與資本回報率：來自1999～2007年中國工業企業的研究[J].金融研究，2010（9）：51-68.

[20]司登奎，李小林，趙仲匡.非金融企業影子銀行化與股價崩盤風險[J].中國工業經濟，2021（6）：174-192.

[21]譚小芬，尹碧嬌，楊燚.中國非金融企業杠桿率的影響因素研究：2002—2015年[J].中央財經大學學報，2018（2）：23-37.

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

[23]滕磊.數字普惠金融緩解中小企業融資約束的機制與路徑[J].調研世界，2020（9）：27-35.

[24]王永欽，劉紫寒，李嫦，杜巨瀾.識別中國非金融企業的影子銀行活動——來自合并資產負債表的證據[J].管理世界，2015（12）：24-40.

[25]吳安兵，龔星宇，陳創練，等.非金融企業影子銀行化的風險承擔效應：內在機制與經驗證據[J].中國工業經濟，2023（4）：174-192.

[26]謝平，鄒傳偉.互聯網金融模式研究[J].金融研究，2012（12）：11-22.

[27]謝雪燕，朱曉陽.數字金融與中小企業技術創新——來自新三板企業的證據[J].國際金融研究，2021，405（1）：87-96.

[28]徐章星，李祎雯.數字普惠金融對小微企業勞動收入份額的影響研究[J].海南金融，2024（4）：41-64.

[29]徐章星，張兵，劉丹.數字金融發展、企業信貸錯配與勞動就業——一個有調節的中介效應[J].財經論叢，2020（12）：40-49.

[30]趙宸宇，王文春，李雪松.數字化轉型如何影響企業全要素生產率[J].財貿經濟，2021，42（7）：114-129.

[31]周煜皓，張盛勇.金融錯配、資產專用性與資本結構[J].會計研究，2014（8）：75-80+97.

[32]祝合良，王春娟.“雙循環”新發展格局戰略背景下產業數字化轉型：理論與對策[J].財貿經濟，2021，42（3）：14-27.

[33]丁繼平，馬順福，吳玥.我國非金融企業部門的信用周期及其結構特征[J].金融經濟，2021（2）：68-73.

基金項目：本文系廣東省哲學社會科學規劃項目“實現共同富裕視域下中國家庭生育和教育的理論、經驗與對策研究”（GD23CYJ06）；廣東省基礎與應用基礎研究基金項目“金融科技對家庭金融資產配置滿意度的影響研究”（2023A1515012778）階段性研究成果。

收稿日期：2024-05-12

作者簡介：付佳琦（1999-），男，江西上饒人，暨南大學經濟學院碩士研究生。