非金融企業影子銀行化與信貸資源配置效率

摘" "要：信貸資源配置效率提升是金融供給側結構性改革的重要目標之一，而非金融企業影子銀行化是影響信貸資源配置效率的重要因素。本文基于2011—2020年A股上市公司數據，實證分析非金融企業影子銀行化與金融市場信貸資源配置效率的非線性關系。研究發現，隨著非金融企業影子銀行規模的擴大，金融市場的信貸資源配置效率呈現出先上升后下降的倒U形特征，即影子銀行規模在適度區間內可以促進信貸資源配置效率的提升，超過適度區間后則會降低信貸資源配置效率。進一步分析發現，數字普惠金融緩釋了影子銀行與信貸資源配置效率的倒U形關系，上述倒U形關系在外部融資依賴度較高企業與非國有企業的樣本組中更為顯著。依據研究結論提出優化金融資源配置，允許非金融企業影子銀行適度規模的存在，加強對非金融企業從事影子銀行業務資金來源的監管，發展數字普惠金融等建議。

關" 鍵" 詞：非金融企業;影子銀行;信貸資源配置效率;數字普惠金融

中圖分類號：F832" " " " " 文獻標識碼：A" " " "文章編號：2096-2517（2024）03-0014-16

DOI：10.16620/j.cnki.jrjy.2024.03.002

一、引言

我國經濟發展已由追求經濟增長速度轉向追求經濟增長質量的新階段，但在經濟轉型過程中產生了一定的摩擦，經濟增速放緩，實體經濟面臨著下行壓力。相對于實體經濟，金融業的超額利潤吸引企業跨行業套利，經濟中出現了較為顯著的“脫實向虛”趨勢，即非金融企業將本應用于主營業務的資金從事影子銀行業務以期望獲取超額利潤。非金融企業的影子銀行活動會導致實體經濟與金融業之間的風險聯動性增強，造成系統性金融風險積聚、 風險傳導鏈條延長和風險事件沖擊的倍數效應， 影子銀行活動被認為是2008年全球金融危機的主要根源之一。我國的影子銀行體系在金融危機之后得到迅速發展，越來越多的非金融企業充當信用中介、支付中介或間接參與金融機構信用創造鏈條，例如以委托貸款、委托理財、民間借貸、信用擔保等金融業務作為企業額外的收入來源。 截至2016年，我國的影子銀行規模達到頂峰，官方統計的廣義影子銀行規模已達到90萬億元， 狹義層面的影子銀行規模達到51萬億元。基于此，從2017年以來， 金融監管部門對我國影子銀行加強整治，截至2022年上半年， 我國廣義影子銀行規模下降至55.6萬億元。影子銀行規模占名義GDP的比例下降至47.2%，創下了自2013年以來的最低水平[1]。但影子銀行存量規模依然較為龐大，經濟金融風險隱患仍然較多。

雖然近年來的利率市場化改革、注冊制改革等措施優化了金融市場的環境，但目前我國金融體系仍存在較大程度的“所有制歧視”與“規模歧視”，金融市場和商業銀行存在不同程度的信貸配給現象，金融資源從低效率部門流向高效率部門的機制存在一定的阻礙[2]。那么，在正規金融渠道之外，非金融企業的影子銀行業務是否能夠作為相應的補充機制以緩解信貸資源配置效率的下降？

非金融企業影子銀行化實質上是企業參與信用中介類活動、從事信用創造的過程，其本身就構成了金融供給。在我國較為嚴重的金融錯配、信貸歧視仍未緩解的情況下，信貸投放與資金使用效率不匹配，處于融資優勢地位的低生產率企業在面臨較大規模的融資需求時，可能會出于逐利動機而從事影子銀行活動。非金融企業的逐利行為在一定程度上能夠緩解金融錯配，彌補正規金融渠道的效率損失。 但依據非金融企業從事金融活動的非專業性、影子銀行活動的高風險性、優質資源有限性理論， 隨著非金融企業影子銀行規模的擴大， 可以預見這些局限性將導致非金融企業影子銀行化對信貸資源配置效率的邊際效應由正轉負。

由于非金融企業影子銀行化與信貸資源配置效率非線性關系的研究目前較為缺乏，因此本文基于2011—2020年的非平衡面板數據進行實證分析，建立非線性回歸模型，得到非金融企業影子銀行化與信貸資源配置效率存在非線性關系的結論： 當非金融企業的影子銀行規模處于適度區間時，其能夠提升信貸資源配置效率;當影子銀行規模超過臨界值時，影子銀行規模的擴大開始降低信貸資源配置效率。并通過一系列穩健性檢驗，說明這一結論較為穩健。本文進一步從數字普惠金融的調節效應切入，發現數字普惠金融的發展緩釋了非金融企業影子銀行化與信貸資源配置效率的非線性關系。最后，將非金融企業影子銀行化與信貸資源配置效率的非線性特征進行異質性分析。在所屬行業外部融資依賴度的異質性檢驗中，發現非金融企業影子銀行與信貸資源配置效率的倒U形關系在高外部融資依賴度行業更為陡峭。以所有制屬性將樣本分組進行回歸，研究發現非國有企業樣本組的倒U形關系更為顯著。

相較于已有文獻，本文的創新之處主要在于：第一，現有文獻已關注到非金融影子銀行化對信貸資源配置效率的線性影響，但線性影響局限于影子銀行化純粹的正面效應或單一的負面效應，而本文依據非金融企業影子銀行化的邊際效益遞減規律，關注到影子銀行化對信貸資源配置效率的非線性影響，拓展了該方向的研究領域。第二，由于非金融企業從事影子銀行業務是正規金融渠道的補充機制[3]，并且其面臨較高的信息不對稱，由此對應著較嚴重的信用風險以及定價較高的影子銀行業務，因此，本文以數字普惠金融作為調節變量，深入考察非金融企業影子銀行化與信貸資源配置效率的非線性關系， 拓展了非金融企業影子銀行的研究思路。第三，本文以外部融資依賴度與所有制屬性作為分組變量進行異質性分析，有助于進一步深化對非金融企業影子銀行化與信貸資源配置效率非線性特征的認識，豐富了相關研究，同時為信貸資源配置效率方面的研究開辟了新視角。

二、文獻綜述

（一）非金融企業影子銀行化的定義

關于非金融企業影子銀行的定義，原美國財長蓋特納認為影子銀行是與傳統銀行體系相平行的非銀行融資體系， 其游離于監管與貨幣調控之外。而2020年原銀保監會發布的中國影子銀行報告中指出，影子銀行是指常規銀行體系以外的金融中介業務，扮演著“類銀行”的角色[1]。我國影子銀行大體可分為兩類： 一類是金融系統內的影子銀行活動，指銀行等金融機構直接參與的影子銀行業務;另一類則是非金融企業參與的影子銀行活動。

學術界對于非金融企業影子銀行化主要有兩種界定范圍。第一種定義將非金融企業影子銀行化分為兩種類型——非金融企業信用中介類影子銀行與信用鏈條類影子銀行[4]。信用中介類影子銀行的典型特征是非金融企業利用自有資金或外部融資，通過委托貸款、民間借貸等方式充當實際或類信用中介，從而獲取貸款收益;而信用鏈條類影子銀行是指非金融企業通過購買結構性存款、銀行理財等資產間接參與影子銀行信用創造。第二種非金融企業影子銀行的定義范圍僅為上述信用中介類影子銀行[5]。依據本文的研究內容，結合實業界與學術界對影子銀行的相關定義，本文采用第二種即信用中介類影子銀行作為非金融企業影子銀行的定義標準。

（二）非金融企業影子銀行化的經濟效應

關于非金融企業從事影子銀行化的經濟效應的相關研究，學者多從其負面效應進行考察。非金融企業從事影子銀行業務導致實體投資的優先級被降低，引發企業投資效率的下降，進而縮減其主營業務收入，通過資產負債表渠道加劇企業的經營風險[6];非金融企業的影子銀行業務處于監管體系之外， 無法較好地體現在企業的資產負債表中，使企業的信息披露質量下降，加劇了企業與投資者及外部融資渠道之間的信息不對稱，易引發股價的特質信息波動和外部融資環境的惡化[7]。非金融企業從事信用中介類影子銀行業務時，借款企業的信用風險與金融市場的系統性風險聯動機制會導致企業經營風險上升[8]。由于非金融企業基于追逐利潤的投資替代動機而參與影子銀行業務，為牟取高額利潤， 放松甚至忽視對于借款方企業的資質審核，導致信貸資金的違約風險急劇上升。而貸方企業往往具有一定規模的外部融資，違約風險會在信貸鏈條上進行傳導：一旦借方企業無法償還本金和利息，會直接惡化貸方企業的現金流，使貸款企業的違約風險上升，導致風險傳染[9]。

但另一部分學者認為非金融企業的影子銀行業務具有一定的正面效應。例如，得益于中國房價的快速上漲與信貸需求的激增，金融業被公認為暴利行業，非金融企業的影子銀行業務實質上屬于企業的跨行業套利行為，企業參與金融活動為其帶來一定的金融收益[10]。非金融企業的影子銀行業務能夠在一定程度上緩解金融錯配。例如，在我國“所有制歧視”背景下，非金融企業影子銀行業務能夠降低國有企業與民營企業之間的信貸資源分化程度[11]。企業間的影子銀行活動有助于金融資源進行二次配置，使企業間的信息優勢得以發揮，能夠緩解全要素生產率較高企業的融資約束，促進金融資源配置效率的提升[12]。

（三）非金融企業影子銀行化的度量

由于信貸資源配置效率屬于宏觀層面的變量，微觀個體企業的經濟活動難以對宏觀變量產生影響，因此，對非金融企業金融化作用于信貸資源配置效率的相關文獻較少，現有文獻主要有三類實證策略。

第一種方法采用非金融企業影子銀行規模加總與信貸資源配置效率的宏觀指標匹配后進行實證分析。李香花等（2023）通過將非金融企業影子銀行規模進行加總，與省級信貸資源配置效率進行匹配，研究發現非金融企業影子銀行化與區域資本配置效率存在顯著的“倒U形”特征，即隨著影子銀行規模的擴大，區域資本配置效率呈現出先上升后下降的趨勢[13]。張晶等（2019）利用民營經濟發展占GDP比重與民營經濟的影子銀行信貸占GDP比重進行匹配，實證結果表明正規金融體系難以滿足巨大的社會融資需求，而影子銀行是正規金融體系的有力補充[14]。上述方法的優點是數據可得性高，實證方法較為簡單， 但這種方法會損失較多的樣本量，使研究結論不具備統計層面上的一般性與適用性，可能導致估計結果出現偏誤。

第二種策略是建立數理模型， 設置典型個體，以宏觀指標和企業各項經濟活動指標的平均值設定相應的參數，運用數值方法動態分析非金融企業影子銀行活動的經濟效應。龔關等（2021）通過構建企業影子銀行活動的經濟轉型模型，對非金融企業影子銀行化與資源配置效率進行動態分析， 發現非金融企業影子銀行化能夠在短期內提升資源配置效率;但長期來看，影子銀行的杠桿作用將會放大和擴散風險，推升企業融資成本，阻礙資本配置效率的進一步改善[15]。上述方法能夠對非金融企業影子銀行化的經濟效應進行動態分析， 更加直觀地看出非金融企業影子銀行化的短期沖擊與長期效能，但上述方法以典型的企業行為和數據平均值作為研究來源，使用數值模擬方法，同樣沒有大樣本數據的研究支撐，并且參數校準可能與實際經濟情況不一致。

第三種實證方法是對所有非金融企業的影子銀行規模的微觀數據進行加總，作為宏觀經濟變量以此匹配各個企業，研究非金融企業金融化的經濟效應。張潔瓊等（2021）將所有非金融企業影子銀行規模加總，并與微觀企業個體的全要素生產率進行匹配，基于融資約束理論，研究發現隨著企業影子銀行規模的擴大， 對于全要素生產率較高的企業，其融資約束能夠得到有效改善;而對于全要素生產率較低企業的融資約束無顯著影響。這說明非金融企業影子銀行化能夠優化金融資源配置[12]。上述方法使非金融企業影子銀行化對信貸資源配置效率的實證分析在微觀個體上的實現成為可能，保留了大樣本數據進行實證的優勢。

上述文獻表明，部分觀點認為在我國現行金融體系下，非金融企業影子銀行化能夠彌補信貸資源初次分配的效率損失，但主流觀點認為過度的非金融企業影子銀行化勢必造成多層次的負面效應與風險沖擊，例如風險傳染機制加強、交易方信息不對稱程度加劇、對生產經營產生“擠出效應”等。而金融資產定價的主要影響因素就是風險和信息不對稱程度，隨著風險上升，金融資產的價格可能呈現出同向波動的趨勢，因此，非金融企業影子銀行化與信貸資源配置效率可能不僅僅是單純的線性關系，而是具有非線性關系。但現有文獻鮮有從微觀視角考察非金融企業影子銀行化的雙面性，而探究非金融企業影子銀行與信貸資源配置效率兩者之間的關系， 有助于正確地審視非金融企業金融化的定位，為政策制定與監管部門合理管控影子銀行業務提供理論依據，本文將從上述問題視角進行理論與實證分析。

三、理論分析與研究假設

我國信貸市場存在較大程度的金融錯配，部分企業不具有良好的投資機會與較高的成長性，但能夠在信貸市場獲得大量的信貸資金;而另一部分企業具有良好的投資機會與較高的成長性，卻往往面臨融資約束。企業的影子銀行活動在一定程度上是一種信貸資源的“再分配”，以委托貸款為代表的信貸中介類影子銀行業務為面臨融資約束的企業提供相應的資金來源， 緩解了其融資約束。那么，企業的影子銀行活動是否可以作為緩解信貸資源配置在不同經濟主體失衡的一種有效手段？企業的影子銀行業務是否促進了信貸資源由低效率部門流轉到高效率部門？

一方面，部分不具有較好投資機會與成長性融資優勢的企業，擁有較為充裕的流動性，在市場機制不健全和金融錯配的背景下，與融資需求不相匹配的金融供給缺失可為從事影子銀行活動的企業提供較為可觀的金融收益，能夠緩解其主營業務收益下降的不利局面，提升其整體的收益水平[16]。另一方面，部分融資劣勢企業擁有較好的投資機會與成長性，即使企業面臨著較為高昂的影子銀行相關借貸成本，但由于高回報率的投資機會與較好的成長性能夠覆蓋相關的外部融資成本，企業仍會借入外部資金以謀求發展。在金融錯配問題長期得不到解決的情況下，企業間的影子銀行業務使得資金供給端和資金需求端各自發揮出其比較優勢，實現帕累托改進[17]。即我國企業間的影子銀行活動提供了資金重新配置的方式，為融資優勢企業提供跨行業套利的渠道，并緩解了金融錯配對融資劣勢企業的負面效應，促進金融供給，降低資金的市場利率，在一定程度上提高了資金配置效率。

從另一個視角看，首先，依據前述理論分析，影子銀行借款方企業存在兩種類型，一是具有較好成長性與投資機會的優質企業; 二是面臨流動性約束甚至可能陷入財務困境的高風險企業。而市場中存在有限數量處于融資劣勢的優質企業，其往往具有良好的投資機會與成長性，由于影子銀行具有靈活快捷、貸款審核較為寬松的特征，作為正規金融渠道的替代性融資機制，大部分優質的借款企業得到相應的融資，此類借款企業通常能夠以投資項目、營業收入增長所獲得的利潤覆蓋相應的融資成本。但隨著企業從事影子銀行活動的集約邊際不斷擴張，即隨著企業影子銀行規模的不斷擴大，借款方的優質企業不斷減少，剩余的具有借款需求的企業多為經營能力較差、風險較高、信息披露程度較低、可能面臨財務困境的企業，其通過影子銀行渠道借入資金的主要目的是維持企業正常的經營運轉， 不能有效利用信貸資源開展生產經營活動，存在較高的財務風險，因此，此類企業作為資金投向的影子銀行業務相對應的違約風險較大，所承擔的利率水平較高。

其次，非金融企業從事影子銀行業務本質上屬于企業跨行業套利[10]，相比于商業銀行等金融機構，非金融企業在貸款審核、貸款事后監督的專業性較差， 專業人員配備與相關資源配置的水平較低， 無法像商業銀行那樣發揮出貸款業務的規模效應，即在影子銀行規模擴大時降低貸款事前、事后的相關成本。因此，非金融企業傾向于提高影子銀行信貸資金的定價，此時，非金融企業的影子銀行業務不但沒有緩解初次金融資源配置效率的低下情況，反而進一步降低信貸資源的配置效率，非金融企業金融化成為低效率的“特權流轉”和“金融漏損”。

再次，處于融資優勢地位的非金融企業，若將過量的資金投入到影子銀行業務中，勢必降低其流動性水平，并且一旦借款企業違約，將會以會計賬戶關聯的形式將風險傳導至處于融資優勢的非金融企業， 隨著非金融企業的影子銀行規模不斷擴大，其風險也相應提升。商業銀行會對處于融資優勢企業進行動態的風險評估，對風險承擔較高的企業提高授信定價水平，或對開展影子銀行活動的企業進行斷貸或抽貸。隨著非金融企業影子銀行規模的擴大，其信息披露質量進一步惡化，存在較為嚴重的信息不對稱[3，7]，由此，在影子銀行市場投入較多資金的非金融企業面臨著外部融資成本上升的局面，從資金的成本端降低了信貸資源配置效率。

最后，從宏觀上看，影子銀行活動往往游離于金融監管之外，其資金存量和流動較為隱蔽，再加上影子銀行資產的多層嵌套、跨資產品類組合的特征，使得貨幣當局計量社會融資規模的精確度有所下降，將會弱化貨幣政策的實施效果[18]，勢必降低金融資源配置效率。

基于上述分析，可以看出非金融企業的影子銀行業務與經濟學中的邊際收益遞減規律相類似，因此，本文提出如下假設。

假設1： 隨著非金融企業影子銀行規模的擴張，金融市場的信貸資源配置效率呈現出先遞增而后遞減的倒U形的特征。

在前述非金融企業影子銀行與信貸資源配置效率倒U形關系的分析中， 體現出信貸資源可得性與信息不對稱在其中的作用機制。而數字普惠金融是促進金融可得性與緩解經濟主體之間信息不對稱的集大成者，數字普惠金融基于大數據、云計算、人工智能、區塊鏈技術的應用，相較于傳統金融，數字普惠金融能夠有效刻畫企業的風險水平與經營狀況，并在此基礎上結合宏觀經濟狀況進行數據擬合與風險建模， 進而預測企業的前景與成長性。因此，隨著數字普惠金融的發展，信貸資源決策的依據由企業的所有制屬性、規模及抵押品價值等“硬信息”逐漸轉為“硬信息”與現金流量、經營狀況等“軟信息”并重的局面。

基于數字普惠金融的發展，其“普惠屬性”一方面提升了企業信貸可獲得性，為企業提供可持續發展、定價合理的外部融資來源[19];另一方面，融資劣勢企業能夠以較為合理的價格從正規金融渠道獲取信貸資源，其從影子銀行渠道進行融資的動機有所下降， 對影子銀行形成一定程度的替代效應，沖擊了影子銀行信貸資金的價格。因此，數字普惠金融的發展使得處于融資優勢的非金融企業通過影子銀行渠道獲利的空間有所收縮，并使影子銀行對信貸資源效率提升的作用部分被數字普惠金融的“普惠屬性”所替代。

數字普惠金融的“數字屬性”能夠提升金融信息服務的滲透性與普及性，使碎片化的信息得到有效整合，利用動態信用評估等手段降低了信貸資源使用的監管成本和風險控制成本。具體來看，數字金融的區塊鏈技術可確保交易記錄透明安全，方便貸款企業追蹤鏈上交易， 快速定位高風險資金流向。企業之間以信息流為牽引，利用金融機構大數據信息平臺與預警系統，可以實時監測企業貸款資金的流向，以保障資金的安全性，有效防范借款企業的道德風險。此外，數字化的發展使借款企業信息披露的渠道得到暢通， 為企業信息披露創造便利，激勵相關企業提升其信息披露程度[20]，在一定程度上緩解了非金融企業影子銀行信貸資源投放的信息不對稱。數字普惠金融的普惠性與信息不對稱性的下降， 能夠有效降低影子銀行信貸資金的定價，減輕借款企業的債務負擔，因此，數字普惠金融發展進一步緩釋了信貸資源配置效率的下降。

由此可以看出， 如果前文的相關理論成立，那么數字普惠金融對非金融企業影子銀行規模與信貸資源配置效率的倒U形特征具有“緩釋效應”。因此，本文基于上述理論分析，提出如下假設。

假設2：數字普惠金融的發展使非金融企業影子銀行規模與信貸資源配置效率之間的倒U形形態更加平緩。

非金融企業的影子銀行業務屬于信貸資源的再配置，其具有投機性強、利率較高的特點，本質上屬于非金融企業充當信用中介，向亟需資金的企業提供外部融資。因此，如果上述研究假設成立，那么非金融企業影子銀行與信貸資源配置效率的非線性關系應當在外部融資依賴度較強的企業中更為顯著。依據上述分析，本文提出如下假設。

假設3：非金融企業的影子銀行規模與信貸資源配置效率的非線性特征在企業所屬外部融資依賴度較高的行業中更為顯著。

四、研究設計

（一）數據來源

考慮到金融機構影子銀行范疇較為典型的同業業務、通道業務、表外業務使得金融資源在金融機構內空轉，并沒有流入到實體中，而企業影子銀行業務所對應的主要群體仍為企業，因此本文未將金融機構的影子銀行納入研究范圍。基于數據的可獲得性和質量，以A股上市公司作為研究樣本①，選取非平衡面板數據進行分析， 以2011—2020年作為研究的時間區間。本文所采用的委托貸款數據來源于CNRDS數據庫， 委托理財和企業微觀層面的數據來源于國泰安數據庫，城市層面的數據來源于《中國城市統計年鑒》。由于本文研究對象是非金融企業，并且房地產行業被認為與金融業同樣屬于虛擬經濟和暴利行業， 本文對數據做以下處理：第一，剔除金融類與房地產類上市公司;第二，剔除ST類、PT類公司;第三，剔除變量缺失的觀測值;第四，為避免極端值對實證結果的影響，對微觀層面連續變量1%和99%的分位數做縮尾處理。

（二）模型設定

為識別前述理論分析中企業的影子銀行規模與信貸資源配置效率是否具有倒U形特征， 本文設置非線性面板模型作為基準回歸模型（1）。

loan_EFi，t=β0+β1SB_amountt+β2SB_amount+β3controli，c，t+Σcompany+Σyear+εi，t （1）

其中，下標i表示個體企業，c為企業所屬城市，t代表年度，loan_EF為金融市場的信貸資源配置效率，SB_amount表示企業所有樣本企業在t年影子銀行規模的加總，control為企業層面和宏觀層面一系列控制變量，在實證回歸中控制了企業個體效應和年度效應，εit為殘差。 各個變量具體的含義與計算方式如表1所示。 使用面板雙向固定效應模型估計，其中β2是本文關心的系數，若隨著非金融企業影子銀行規模的擴大， 信貸資源配置效率呈現出先遞增后遞減的特征，即上述理論分析的假設1成立，則β2gt;0。考慮到可能存在的異方差問題，本文在回歸中使用了聚類在公司層面的穩健標準誤。

為驗證假設2，即數字普惠金融對非金融企業影子銀行與金融市場的信貸資源配置效率非線性關系的調節效應，本文設置模型（2）。loan_EFi，t=α0+α1SB_amountt+α2SB_amount+α3SB_amountt×DFc，t+α4SB_amount×DFc，t+α5DFc，t+α6controli，c，t+Σcompany+Σyear+εi，t""（2）

其中，DFc，t為地市級數字普惠金融指數， 其余變量含義與模型（1）一致。

（三）變量說明

1.被解釋變量

被解釋變量為金融市場的信貸資源配置效率（loan_EF）①。考慮到金融錯配可以作為信貸資源配置效率的逆向指標，本文參考邵挺（2010）[21]的研究，首先，求出企業的資本成本，用企業財務費用科目中的利息支出與總負債扣除應付賬款的比值衡量;其次，求出企業所在行業平均資本成本;最后，以企業資本成本與企業所在行業平均資本成本相減的絕對值來衡量微觀企業層面的金融錯配程度。而微觀企業的金融錯配反映出金融市場信貸資源配置效率，因此，本文以金融錯配作為金融市場信貸資源配置效率的代理指標進行研究。此外，為增強實證結果的可讀性，對被解釋變量乘以100進行處理。

2.核心解釋變量

非金融企業影子銀行規模（SB_amount）是核心解釋變量。依據吳安兵等（2023）[4]、韓珣等（2020）[5]的研究，使用信用中介類影子銀行規模作為度量標準。首先求出企業層面的影子銀行規模，采用企業的委托貸款、委托理財、其他應收款之和衡量，然后參考張潔瓊等（2021）[12]的研究，按年度對企業的影子銀行規模相加，最終對上述的相加值取對數衡量t年的非金融企業影子銀行規模。

3.控制變量

為緩解遺漏變量可能引致的內生性問題，參考相關研究，選取企業年齡（age）、規模（size）、現金流水平（cfo）、杠桿水平（lev）、盈利能力（roa）、資產流動性（flow）、成長性（grow）、股權集中度（ls）、固定資產比例（entity）、所有制（ownership）和企業所屬城市的GDP增長率（city_GDP）作為控制變量。

4.調節變量

調節變量為數字普惠金融指數（DF）。以郭峰等（2020）[22]編著的地級市數字普惠金融指數作為數據來源，指數越高說明城市層面的數字普惠金融發展程度越高。

五、實證結果與分析

（一）描述性統計

本文的描述性統計如表2所示，被解釋變量信貸資源配置效率（loan_EF）的平均值為1.584，標準差為1.553，最小值和最大值分別為0.026與11.640，由此可見企業之間的融資成本差異較大，信貸資源配置較為不均勻。而核心解釋變量非金融企業影子銀行化（SB_amount）的均值為29.610，標準差為1.572，最小值為26.710，最大值為32.520，表明非金融企業影子銀行規模在各個年度分布不均勻，這就為本文的研究內容提供了良好的數據素材。對照原中國銀保監會發布的《中國影子銀行報告》[1]中的數據進行推斷，并與張潔瓊等（2021）[12]的研究進行對比，證明了本文選取的非金融企業影子銀行的代理變量較為合理。觀察控制變量，發現與其他文獻的統計值相似，均在合理范圍內。

（二）基準回歸結果

表3報告了基于模型（1）的回歸結果，表3列（1）報告了僅控制個體固定效應和時間固定效應的回歸結果，可以看出影子銀行規模的二次項系數為0.246，在1%的統計水平上顯著。這初步表明，實證結果與理論假設一致，非金融企業影子銀行規模的提升將導致其信貸資源配置效率呈現出先升后降的倒U形特征②。列（2）在列（1）的基礎上加入了控制變量，實證結果與列（1）無本質差異，非金融企業影子銀行規模SB_amount的一次項系數均在1%的統計性水平上顯著為負，而SB_amount的二次項系數在1%的統計性水平上顯著為正， 意味著在非金融企業影子銀行規模較小時， 線性關系占主導作用，隨著非金融企業影子銀行規模的增加，loan_EF呈現出下降的趨勢;而隨著非金融企業影子銀行規模的不斷擴大，當超過一定的界限時，非線性關系逐漸占主導地位，隨著非金融企業影子銀行規模的增加，loan_EF將呈現出上升的趨勢。loan_EF的值越大表明金融市場的信貸資源配置效率越低，由此初步可見，非金融企業影子銀行規模與金融市場信貸資源配置效率之間呈現出倒U形特征。 可能的原因如下：

第一，從金融市場的視角看，存在兩類企業，一是經營狀況較好、成長性較高、信用狀況較好的企業;二是經營狀況較差、信息披露情況較差甚至陷入財務困境的企業。依據前文所述，由于金融市場機制不完善、信貸歧視等因素，部分優質企業存在融資需求，而影子銀行的擴張在一定程度上彌補了正規金融渠道初次信貸資源分配的低效率，吸收部分優質群體的融資需求，此時，影子銀行業務相關的融資成本仍處于較低的區間內，并形成一定規模的金融供給，可能對正規金融渠道的資金價格形成沖擊。但隨著非金融企業影子銀行規模的擴張，市場中優質借款企業的數量不斷減少，企業開展影子銀行業務面臨更高的信用風險，為了彌補風險而提升信貸資金的價格， 加劇了借款企業的融資成本，因此信貸資源配置效率下降。

第二，從企業的視角看，首先，由于企業從事影子銀行活動屬于套利行為，企業的本職工作為生產產品或提供勞務，其在信息收集、風險管理、人員配備、金融資產分配等方面相對不足，因此較難發揮出金融資產的規模經濟效應，一旦超過閾值，非金融企業關于金融資產管理的成本將大幅上升。其次， 有相當數量的非金融企業充當實質的信用中介，利用外部融資開展影子銀行活動[5]，而影子銀行具有借短貸長的期限錯配特征，因此影子銀行業務提升了企業的經營風險，企業面臨的外部融資成本有所上升， 一方面從供給端降低信貸資源配置效率，另一方面促使企業提升影子銀行相關資產的定價，進一步降低信貸資源配置效率。

（三）U形檢驗

1.主要檢驗

在基準回歸模型中，若僅認為核心解釋變量的二次項系數顯著為正，并且估計的極值點在數據范圍內，就推斷出非金融企業影子銀行規模與信貸資源配置效率存在倒U形關系，這一檢驗標準過于薄弱，不足以說明真正存在倒U形關系。例如可能存在核心解釋變量與被解釋變量之間的關系是上凸且單調遞增，但核心解釋變量對被解釋變量的邊際影響卻發生著變化， 仍然會得到上述的實證結果，此時，實證模型將錯誤地產生一個極值點，以及核心解釋變量與被解釋變量的倒U形關系。因此，本文借鑒Lind等（2010）[23]的方法，對基準實證結果進行U形檢驗，即被解釋變量與核心解釋變量存在U形關系需要同時滿足以下三個條件：第一，核心解釋變量的二次項系數顯著，且系數的方向與理論預期一致;第二，在核心解釋變量取值的最小值點與最大值點，被解釋變量與核心解釋變量之間關系的斜率必須陡峭，且最小值點斜率的正負值與最大值點斜率的正負值相反;第三，極值點的取值位于核心解釋變量的取值范圍內。對上述條件進行U形檢驗，結果如表4與表5所示，觀測相關的數值與統計量，滿足三個成立條件。效率轉折點的值為e的28.232次方，為1.824萬億元，而樣本均值7.235萬億元（e29.61），說明樣本區間內大部分年度的非金融企業影子銀行規模超過效率閾值，位于低效率區間內。并且，基于樣本2020年的數據，非金融企業影子銀行規模為15.394萬億元（e30.36），遠遠超過效率閾值，在一定程度上表明現階段我國的非金融企業影子銀行化降低了信貸資源配置效率。

2.斷點回歸

如果被解釋變量（loan_EF）與核心解釋變量（SB_amount）之間確實存在U形關系，那么在轉折點左邊，線性回歸所計算的平均斜率應顯著為負;在轉折點的右邊，線性回歸所計算的平均斜率應當顯著為正。因此，本文使用精確斷點回歸分析方法檢驗轉折點左右區間的斜率是否異號且顯著。

首先，創建新的變量SB_amount_low、SB_ amount_high和high，具體的變量定義如式（3）至式（5）所示。

SB_amount_low="SB_amount-（-），SB_amount≤（-）0，SB_amountgt;（-）（3）

SB_amount_high="SB_amount-（-），SB_amount≥（-）0 ，SB_amountlt;（-）（4）

high=1，SB_amount≥（-）0，SB_amountlt;（-） （5）

其次，對（6）式進行斷點回歸分析，如果ω1和ω2異號且顯著，那么說明非金融企業影子銀行化與信貸資源配置效率存在U形或倒U形關系。精確斷點回歸的實證結果如表6所示。

loan_EFi，t=ω0+ω1SB_amount_low+ω2SB_amount_high+ω3high+ω4controli，c，t+Σcompany+Σyear+εi，t"（6）

從表6中可以看到，SB_amount_low和SB_

amount_high的系數ω1和ω2為異號，且轉折點左側的線性回歸中非金融企業影子銀行的系數在5%的統計性水平上顯著為負，而轉折點右側的線性回歸中非金融企業影子銀行的系數在1%的統計性水平上顯著為正。將上述實證結果繪制到圖像中，如圖1所示，可以看到由線性回歸所擬合的直線在轉折點左側的斜率為負， 而在轉折點右側斜率為正，并在轉折點處發生彎折，圖中顯示隨著非金融企業影子銀行規模的擴大，呈現出信貸資源配置效率先上升后下降的趨勢。綜合斷點回歸實證結果與圖像分析，可以認為在數據范圍內非金融企業影子銀行化與信貸資源配置效率呈現倒U形關系。

（四）穩健性檢驗

1.替換被解釋變量

在前文理論分析中，為避免實證結果受到被解釋變量選取的影響，對被解釋變量進行替換。原有被解釋變量是以企業融資成本與均值的偏離程度衡量，與影子銀行規模呈現出倒U形關系，如果上述結論成立，那么在影子銀行的供給端，企業的金融收益與平均水平的偏離程度，應當也與影子銀行規模呈現出倒U形關系。

這個經濟意義是顯而易見的，若金融市場的信貸資源配置效率較高，那么市場中僅存在少量的套利機會，資產產生超額收益的情況較少，因此，金融資產所對應的收益就較為平均。若金融市場的信貸資源配置效率較低，這時有兩種情況：一是金融市場的信貸資源配置效率較低， 且金融資產相對較少，說明金融市場仍有套利空間，這個套利空間所對應的就是優質借款企業;二是金融市場的信貸資源配置效率較低，且金融資產相對較多，說明可能存在較為嚴重的金融錯配，或是由于金融市場的信息不對稱較為嚴重，導致企業之間存在不同程度的信息差，使得企業之間金融收益的偏離程度加劇。

當金融市場中大量優質企業的融資需求未被吸收，影子銀行業務的風險較小時，金融供給的增加會逐漸縮小企業金融資產的盈利空間，金融收益收斂于均值。當金融市場信貸資源配置效率已處于較高水平時，若再增加金融供給，考慮到融資市場優質群體的有限性，企業需要獲取更高的金融收益以承擔較高的風險;或再增加金融供給會使金融資產出現損失， 導致企業的金融收益逐漸偏離均值。

基于上述分析，以金融收益與行業平均金融收益的偏離度作為信貸資源配置效率的代理變量（earning_bias）進行穩健性檢驗，具體計算方式為：企業金融收益=（投資收益+公允價值變動收益-其中對聯營企業和合營企業的投資收益）/營業總收入。基于上述計算方式，按照企業所屬行業分別求出行業內企業的平均金融收益，再與企業金融收益相減后取絕對值。實證檢驗結果如表7列（1）和列（2）所示。

此外，本文還以利息支出作為分子，短期借款與長期借款之和作為分母，測算企業層面的資本成本， 再與行業資本成本的平均值相減取絕對值，得到信貸資源配置效率的替換變量（loan_EF2），進行實證檢驗，結果如表7列（3）和列（4）所示。

可以發現，非金融企業影子銀行規模二次項的系數均顯著為正，說明非金融企業影子銀行規模與信貸資源配置效率具有倒U形特征， 與基準回歸結果一致，并通過了U形檢驗①，表明基準回歸所得結論是較為穩健的。

2.替換實證方法

由于本文所研究的信貸資源配置效率微觀層面的代理變量為企業融資成本與行業平均融資成本的偏離度，那么，信貸資源配置效率也可能在區域層面呈現出倒U形特征。 為驗證基準回歸結論的穩健性，本文將前述實證方法進行替換，借鑒Wurgler（2000）[24]的方法，構建投資彈性系數模型，模型如式（7）所示，其中invest是城市層面的固定資產投資總額，GDP為城市層面的地區生產總值。由于2018年起， 統計年鑒不再公布全社會固定資產投資額數據，因此，本文基于2007—2017年的數據①， 通過最小二乘法測算我國各省份每一年度的資本配置效率，若投資彈性系數η1gt;0，則說明資本配置有效，否則無效。進一步將上式中測度的η1作為信貸資源配置效率的代理變量，與所對應的省份內所有企業影子銀行的加總額進行匹配，進行U形分析，具體模型設置如式（8）所示。

ln（）=η0+η1 ln（）+εp，C，t （7）

η1=λ0+λ1SB_amountp，t+λ2SB_amount+Σprovince+Σyear+εp，t （8）

替換實證方法后， 實證結果與U形檢驗顯示（見表8、表9），非金融企業影子銀行規模與信貸資源配置效率依然呈現出顯著的倒U形關系，上述方法測算的極值點為24.94， 換算成實際金額為1.5萬億元（22×e24.94），與基準回歸所得效率轉折點相近，說明本文實證結論較為穩健。

3.進一步控制宏觀經濟因素

由于信貸資源配置效率可能更多地受到正規金融體系的影響，為緩解遺漏變量所帶來的內生性問題，本文進一步控制企業所屬城市的正規金融渠道的信貸資源供給量（city_Loan），使用全市范圍內的年末金融機構貸款余額的對數值作為代理指標，實證結果如表10所示。可以看出，在控制可能的影響因素正規金融渠道供給后，非金融企業影子銀行規模二次項的系數依舊顯著為正，沒有發生實質性變化，并通過了U形檢驗②，說明前文實證結論較為穩健。

六、拓展性分析

（一）數字普惠金融的調節效應研究

調節效應分析的實證結果如表11所示。從列（2）含有控制變量的回歸結果中可以看到，核心解釋變量影子銀行規模的二次項與調節變量數字普惠金融DF交互項的系數③在1%的統計性水平上顯著為負，表明數字普惠金融的發展平滑了非金融企業影子銀行與信貸資源配置效率的倒U形關系，驗證了假設2。

可能的原因為：數字普惠金融的“普惠性”能夠為金融市場注入流動性，提高企業金融可得性的同時降低了信貸資金價格，在一定程度上緩解了長尾群體所面臨的融資約束， 對影子銀行產生了功能替代，影子銀行對信貸資源配置效率的提升作用被減弱。并且，數字普惠金融的“數字性”緩解了企業之間的信息不對稱，在一定程度上緩釋了影子銀行相關的信用風險，降低影子銀行資金定價水平，減輕了借款企業的債務負擔。 隨著數字普惠金融發展，開展影子銀行業務的企業所面臨的風險與溢價空間有所壓縮，非金融企業影子銀行與信貸資源配置效率之間的倒U形關系相對更為平緩。

（二）異質性檢驗

1.基于外部融資依賴度視角

本文對于非金融企業影子銀行與信貸資源配置效率非線性關系的研究主要基于企業融資約束理論，而企業以影子銀行的方式進行融資屬于企業外部融資渠道，如果前述研究的倒U形結論成立，那么，非金融企業影子銀行與信貸資源配置效率非線性關系應當在外部融資依賴度較高的企業更加顯著。由于各行業間生產方式、固定資產配比、庫存流動性、投資規模、資金回收周期大相徑庭，企業的外部融資依賴度呈現出以其所屬行業收斂的特征。為驗證假設3，本文借鑒安苑等（2014）[25]的方法，使用長期負債與固定資產的比值來度量企業的外部融資依賴度，進一步按t年企業所屬行業外部融資依賴度的中位數將樣本劃分為外部融資依賴度較低的企業和外部融資依賴度較高的企業，分組進行回歸。

實證結果如表12所示， 非金融企業影子銀行與信貸資源配置效率的非線性關系在外部融資依賴度較高企業樣本中更為顯著。 對于外部融資依賴度較高的企業，提升金融供給能夠更為有效地改善信貸資源配置效率。但由于企業外部融資依賴度較高，其負債水平和內源融資能力往往與其外部融資依賴度相匹配，因此其信用風險較大，對應定價較高的影子銀行資產，影子銀行規模一旦超過臨界值，信貸資源配置效率的損失程度將會更為顯著。上述實證結果驗證了假設3，可以認為融資約束理論應用于非金融企業影子銀行與信貸資源配置效率的倒U形特征是較為穩健的。

2.基于所有制屬性視角

一方面，由于我國國有企業的外部融資渠道較多，所面臨的融資約束較小，那么，非金融企業影子銀行對于緩解國有企業融資約束的邊際效應較小。另一方面，由于國有企業具有政府背書，信息披露質量較高，信用質量分布較為均勻，通常被認為是優質借款人，因此即使影子銀行規模超過效率點，開展影子銀行業務所承擔的邊際風險也相對較小，提升利率定價的空間也較為有限。所以，相對于國有企業樣本組，非國有企業樣本組影子銀行與信貸資源配置效率的倒U形關系在經濟意義和統計意義上應當更為顯著。通過表13可以看到，國有企業樣本組的倒U形較為平緩，而非國有企業樣本組影子銀行規模的二次項（SB_amount2）無論在統計意義上還是經濟意義上都更為顯著。

七、結論與建議

（一）研究結論

金融是引領經濟發展的重要動力，資金能夠高效地配置到實體經濟， 促進企業的生產經營與發展，是經濟高質量發展的重要手段。在我國金融市場仍存在一定程度“信貸歧視”的情況下， 初次金融資源配置的效率較為低下，而非金融企業的影子銀行化是影響信貸資金配置效率的重要因素。本文在理論論證與文獻分析的基礎上，考察非金融企業的影子銀行化與信貸資源配置效率的非線性關系， 基于2011—2020年A股上市公司的面板數據進行實證分析，發現非金融企業影子銀行化與信貸資源配置效率存在著非線性的倒U形關系。在非金融企業的影子銀行規模處于適度區間內，影子銀行成為一定程度上初次金融資源配置失衡的補充機制，可促進信貸資源配置效率的提升;但是當非金融企業的影子銀行規模超過一定的臨界值時，影子銀行化反而導致信貸資源配置效率的下降。 進一步研究發現，上述的非線性關系在外部融資依賴度較高的企業與非國有企業更為顯著。并且數字普惠金融的發展緩釋了非金融企業影子銀行化與信貸資源配置效率的倒U形關系。

（二）政策建議

1.優化金融資源配置。非金融企業影子銀行化在一定程度上內生于金融錯配，雖然能夠在一定程度上緩解初次金融資源分配信貸歧視所引致的低效率，但影子銀行具有信息不對稱、高風險、高杠桿等特征，并且非金融企業過度的影子銀行化反而會降低信貸資源配置效率。因此，還是要著力提升正規金融渠道初次金融資源分配的效率，通過深化金融供給側改革，優化金融市場環境、構建多層次的資本市場以滿足不同企業群體的融資需求等方式，在一定程度上抑制過度的非金融企業影子銀行化。另外， 在供給端增加金融機構的資產品種與類別，為企業的閑散資金提供正規金融投資渠道，化解相關的金融風險。

2. 在一定限度內對非金融企業影子銀行化予以肯定。非金融企業的影子銀行化在一定程度上能夠成為正規金融渠道的補充。由于初次金融資源分配機制不夠完善導致的信貸資源配置效率存在一定的提升空間， 部分優質的企業面臨著融資約束，因此非金融企業的影子銀行化具有一定的合理性。在金融市場機制改革中，控制好非金融企業影子銀行化所可能引致的風險，在合理范圍內允許一定規模非金融企業影子銀行業務的存在，尤其是鼓勵影子銀行體系在一定限度內對非國有企業與外部融資依賴度較高的企業提供外部融資，以促進金融市場信貸資源配置效率的提升。

3.對影子銀行的資金來源進行監管。非金融企業使用外部融資作為影子銀行業務的資金來源，會較大幅度地擴張影子銀行的規模，進而超出影子銀行規模的適度區間，反而導致信貸資金配置效率的下降，并增加企業間債權的隱蔽性與復雜性，加強信用風險鏈條傳導機制，導致企業間風險與商業銀行部門的風險聯動性增強。因此，監管部門對非金融企業從事影子銀行的資金來源應予以重點監管。

4.促進數字普惠金融的發展。數字普惠金融的發展能夠對影子銀行進行“功能替代”，并在一定程度上緩釋影子銀行的風險，因此，要大力發展數字普惠金融，注重信息化、數字化的基礎設施建設，并將數字化、信息化服務應用于信貸的各個流程中，留存企業經營的相關“軟信息”。由于信息不對稱導致金融機構缺乏有效信息進行相關的決策，信息資源在促進金融資源高效分配中逐漸起到決定性作用，因此，在法律允許的框架下，要促進信息資源流通、共享，加強我國信用平臺及先進評估體系的建設，逐漸替代影子銀行在促進信貸資源配置效率提升所發揮的作用。

參考文獻：

[1]中國銀保監會政策研究局課題組，中國銀保監會統計信息與風險監測部課題組.中國影子銀行報告[J].金融監管研究，2020，107（11）：1-23.

[2]王澎涵，范瑞.數字金融發展、金融錯配與企業杠桿率[J].金融與經濟，2022，539（6）：38-47.

[3]ALLEN F，QIAN Y M，TU G Q，et al.Entrusted Loans：A Close Look at China’s Shadow Banking System[J].Journal of Financial Economics，2019，133（1）：18-41.

[4]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.

[5]韓珣，李建軍.金融錯配、非金融企業影子銀行化與經濟“脫實向虛”[J].金融研究，2020，482（8）：93-111.

[6]劉姝雯，劉建秋，陽旸.企業金融化與生產效率：“催化劑”還是“絆腳石”[J].南開管理評論，2023，26（1）：55-68.

[7]李小林，宗瑩萍，司登奎，等.非金融企業影子銀行業務的反噬效應——基于企業風險承擔的視角[J].財經研究，2022，48（7）：124-137.

[8]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.

[9]毛志宏，哈斯烏蘭，金龍.實體企業影子銀行化會加劇違約風險嗎？[J].經濟科學，2021，242（2）：72-84.

[10]王紅建，李茫茫，湯泰劼.實體企業跨行業套利的驅動因素及其對創新的影響[J].中國工業經濟，2016，344（11）：73-89.

[11]韓珣，易禎.貨幣政策、非金融企業影子銀行業務與信貸資源配置效率[J].財貿經濟，2023，44（1）：116-133.

[12]張潔瓊，馬亞明.企業影子銀行化有助于優化金融資源配置嗎？[J].財貿研究，2021，32（9）：70-83.

[13]李香花，姜佳良，李世輝.非金融企業參與影子銀行業務對區域資本配置效率的影響研究[J].上海金融，2023（5）：42-53，68.

[14]張晶，馮晶，王潤北.影子銀行是我國金融市場的必要補充嗎？——基于省級民營經濟增長的實證檢驗[J].經濟社會體制比較，2019（5）：53-66.

[15]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.

[16]YU Y，LEE Y T，FOK R C W.The Determinants of High-interest Entrusted Loans in China[J].Journal of Business Finance amp; Accounting，2021，48（1-2）：405-430.

[17]EISFELDT A L，RAMPINI A A.Managerial Incentives，Capital Reallocation，and the Business Cycle[J].Journal of Financial Economics，2008，87（1）：177-199.

[18]王千紅，陳伯威.宏觀審慎政策工具協同下影子銀行對貨幣政策有效性的影響[J].金融理論探索，2021（1）：3-16.

[19]謝旭升，嚴思屏.融資約束視角下數字普惠金融促進中小企業技術創新的路徑研究[J].金融理論探索，2022（4）：49-63.

[20]LIU S M.Investor Sentiment and Stock Market Liquidity[J].Journal of Behavioral Finance，2015，16（1）：51-67.

[21]邵挺.金融錯配、所有制結構與資本回報率：來自1999—2007年我國工業企業的研究[J].金融研究，2010，363（9）：51-68.

[22]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.

[23]LIND J T，MEHLUM H. With or Without U？ The Appropriate Test for a U-shaped Relationship[J].Oxford Bulletin of Economics and Statistics，2010，72（1）：109-118.

[24]WURGLER J.Financial Market and the Allocation of Capital[J].Journal of Financial Economics，2000，58（2）：187-214.

[25]安苑，王珺.地方政府財政行為周期性、產業成長與結構失衡——基于產業外部融資依賴度的分析[J].財經研究，2014（11）：29-43.

①如果僅用微觀企業個體的影子銀行規模，那么實證策略就局限于企業開展影子銀行活動對其自身融資成本影響的相關研究。依據上述分析，這僅是作用機制的一部分，更主要的作用機制在于非金融企業影子銀行規模對于緩解借款企業的融資約束，上述理論分析所對應的數據來源可能以中小企業與民營企業更為合適。但限于數據完整度與可得性，本文采用A股上市公司作為研究對象。由于上市公司作為影子銀行體系的借款企業可能不具有代表性，因此本文在后續異質性分析中增加外部融資依賴度作為劃分依據的分組回歸，以進一步驗證實證分析所得結論的穩健性。

①影子銀行對于企業而言屬于高風險、高投機性的經濟活動，非金融企業開展影子銀行業務可能導致其外部融資溢價，其對信貸資源配置效率的影響可能有兩種渠道：第一，開展影子銀行業務企業的風險上升，導致其外部融資成本提升，促使企業減少向銀行等外部融資渠道的借款，相應地，額外增加的信貸資源可以配置給真正需要資金的企業，提升信貸資源配置效率;第二，隨著影子銀行規模的擴大，開展影子銀行業務的企業所面臨的風險上升，導致開展影子銀行業務的企業提升資金二次配置的價格，進一步增加影子銀行體系信貸融資成本。由上述分析可見，本文所研究企業層面的信貸資源配置效率，不僅作用于影子銀行體系的融資方，還作用于開展影子銀行活動的企業。

②loan_EF在設定上是信貸資源配置效率的逆向指標，在實證結果中，loan_EF指標與非金融企業的影子銀行規模實際上呈現出U型特征，但該實證結果在理論分析中，應解釋為信貸資源配置效率與非金融企業的影子銀行規模呈現出倒U型特征。

①由于篇幅所限，本文未列示相關的U形檢驗結果。

①本文在宏觀分析中使用平衡面板數據，剔除了在樣本區間內數據缺失的省份，并且直轄市無法計算投資彈性系數，實際上保留的省級行政區為22個。考慮到自2018年起，統計年鑒不再公布全社會固定資產投資額數據，因此數據截止時間為2017年。

②由于篇幅所限，本文未列示相關的U形檢驗結果。

③為了增強論文可讀性，在實證分析前，將數字普惠金融指數原始數據除以100進行處理。

基金項目：教育部人文社會科學研究青年項目“銀行數字化轉型影響全要素生產率的效應、機制及治理對策研究”（22YJC790024）;山西省哲學社會科學規劃課題“山西省制造業企業高質量發展的資本配置影響研究”（2022YY086）;山西省社會科學院青年課題“‘雙碳’背景下綠色金融發展驅動山西碳減排的機制與提升路徑研究”（YWQN202205）

作者簡介：王澎涵，河北石家莊人，博士研究生，研究方向為商業銀行經營管理;楊有振，山西河津人，教授，博士生導師，研究方向為商業銀行經營管理。