鄭錄軍 孫 毅

（中國人民銀行濟(jì)南分行，山東 濟(jì)南 250021）

一、引言

2020年初新冠肺炎疫情（以下簡(jiǎn)稱疫情）的暴發(fā)對(duì)我國經(jīng)濟(jì)社會(huì)造成了較大沖擊，在此過程中，實(shí)體經(jīng)濟(jì)風(fēng)險(xiǎn)不斷向銀行業(yè)金融機(jī)構(gòu)傳導(dǎo)，特別是對(duì)農(nóng)村商業(yè)銀行（以下簡(jiǎn)稱農(nóng)商行）的資產(chǎn)質(zhì)量構(gòu)成了嚴(yán)峻挑戰(zhàn)。農(nóng)商行不僅是銀行業(yè)生態(tài)必須配置的要素，更是發(fā)展普惠金融的重要載體，作為金融支持“三農(nóng)”、民營(yíng)企業(yè)和小微企業(yè)的主力軍，發(fā)揮著不可替代的作用。科學(xué)評(píng)估疫情對(duì)農(nóng)商行的影響，預(yù)測(cè)和準(zhǔn)確識(shí)別其信用風(fēng)險(xiǎn)水平的變化，對(duì)于農(nóng)商行的改革發(fā)展、完善風(fēng)險(xiǎn)處置預(yù)案及維護(hù)金融穩(wěn)定具有重要意義。

本文以山東省110 家農(nóng)商行為例，從理論分析出發(fā)，通過數(shù)理模型研究疫情對(duì)農(nóng)商行的風(fēng)險(xiǎn)沖擊及異質(zhì)性和監(jiān)管部門的政策效應(yīng)。本文可能的貢獻(xiàn)在于：一是從實(shí)證分析角度，檢驗(yàn)了農(nóng)商行信用風(fēng)險(xiǎn)受到疫情的影響及異質(zhì)性，評(píng)估其經(jīng)營(yíng)穩(wěn)健性和風(fēng)險(xiǎn)管理水平；二是以疫情為樣本，利用風(fēng)險(xiǎn)沖擊評(píng)估結(jié)果和金融機(jī)構(gòu)抗風(fēng)險(xiǎn)能力等結(jié)論，為中小金融機(jī)構(gòu)提供了應(yīng)對(duì)公共事件沖擊影響的策略方案和轉(zhuǎn)型路徑。

二、文獻(xiàn)綜述

重大突發(fā)公共衛(wèi)生事件因其所獨(dú)有的緊迫性和特殊性給宏觀經(jīng)濟(jì)波動(dòng)造成巨大的沖擊，而這種宏觀經(jīng)濟(jì)波動(dòng)的加劇必然會(huì)帶來一系列的溢出效應(yīng)，尤其是宏觀經(jīng)濟(jì)波動(dòng)對(duì)銀行業(yè)風(fēng)險(xiǎn)的影響，受到學(xué)界的廣泛關(guān)注（沈麗和米映靜，2021）。

關(guān)于疫情對(duì)金融系統(tǒng)的影響，現(xiàn)有文獻(xiàn)主要側(cè)重對(duì)金融市場(chǎng)、銀行業(yè)的初步分析。Bartscher 等（2020）認(rèn)為疫情導(dǎo)致利率水平大幅下降且一般持續(xù)時(shí)間較長(zhǎng)，余湄等（2022）發(fā)現(xiàn)疫情后超過半數(shù)樣本國出現(xiàn)股市與匯市的雙向格蘭杰因果，與疫情前相比聯(lián)動(dòng)性顯著增強(qiáng)。趙強(qiáng)（2020）指出疫情對(duì)中小銀行風(fēng)險(xiǎn)化解帶來諸多挑戰(zhàn)，如資產(chǎn)增長(zhǎng)放緩、資產(chǎn)質(zhì)量問題凸顯、股權(quán)結(jié)構(gòu)變動(dòng)頻繁、資金補(bǔ)充和盈利能力堪憂等。

在農(nóng)商行信用風(fēng)險(xiǎn)的影響因素方面，若不考慮經(jīng)濟(jì)周期和外部沖擊的影響，相關(guān)研究認(rèn)為主要因素為治理機(jī)制不完善、信用風(fēng)險(xiǎn)控制不到位、經(jīng)營(yíng)管理粗放等。如王倩等（2016）以石嘴山農(nóng)商行為對(duì)象，認(rèn)為體制不健全、缺乏信貸風(fēng)險(xiǎn)預(yù)警、風(fēng)險(xiǎn)意識(shí)薄弱、客戶信用體系不完善等是該行信貸風(fēng)險(xiǎn)的主要成因。崔鈞等（2016）認(rèn)為，改革發(fā)展緩慢、經(jīng)營(yíng)能力較差、自我管理能力不強(qiáng)、不良貸款賬面反映失真等原因造成農(nóng)信社不良貸款的激增。董翠英（2017）從內(nèi)外部?jī)蓚€(gè)方面分析了農(nóng)信社不良貸款的成因，其中內(nèi)部原因?yàn)轱L(fēng)險(xiǎn)識(shí)別機(jī)制不健全、經(jīng)營(yíng)管理粗放、貸款管理體制不完善、責(zé)任追究不到位等。孫光林等（2017）通過研究我國31 個(gè)省份的年度數(shù)據(jù)，分析得出政府的過度干涉會(huì)加大銀行的信貸風(fēng)險(xiǎn)。

后疫情時(shí)代，金融機(jī)構(gòu)如何應(yīng)對(duì)疫情所帶來的風(fēng)險(xiǎn)沖擊也是學(xué)者研究和關(guān)注的重點(diǎn)，相關(guān)研究主要集中于應(yīng)急機(jī)制建設(shè)、業(yè)務(wù)模式創(chuàng)新、風(fēng)險(xiǎn)管理、轉(zhuǎn)型化發(fā)展等。李建紅（2020）認(rèn)為后疫情時(shí)代商業(yè)銀行運(yùn)營(yíng)管理應(yīng)保持適度安全冗余，積極探索線上線下一體化運(yùn)營(yíng)，實(shí)現(xiàn)集約運(yùn)營(yíng)向智慧運(yùn)營(yíng)升級(jí)。黃雋和孫九倫（2021）從公司治理、資本補(bǔ)充、金融科技應(yīng)用和金融服務(wù)等方面構(gòu)建了中小銀行風(fēng)險(xiǎn)管理的長(zhǎng)效機(jī)制。王俊壽（2021）指出，后疫情時(shí)代銀行保險(xiǎn)業(yè)機(jī)構(gòu)應(yīng)在聚焦“雙循環(huán)”新發(fā)展格局、突出高頻化金融服務(wù)場(chǎng)景、厘清差異化實(shí)施路徑、筑牢信息安全基礎(chǔ)、提升金融監(jiān)管水平等方面優(yōu)化改進(jìn)，加快推動(dòng)數(shù)字化轉(zhuǎn)型。

通過梳理文獻(xiàn)發(fā)現(xiàn)，目前關(guān)于疫情對(duì)銀行業(yè)機(jī)構(gòu)的影響的研究較少，尤其是關(guān)注中小銀行機(jī)構(gòu)的文獻(xiàn)明顯不足。此外，關(guān)于銀行機(jī)構(gòu)應(yīng)對(duì)疫情沖擊的策略路徑方面，現(xiàn)有研究更多側(cè)重于系統(tǒng)性的趨勢(shì)展望，缺乏微觀聚焦，導(dǎo)致策略可能出現(xiàn)“水土不服”的現(xiàn)象，這給本文的研究提供了空間。

三、理論假說

（一）疫情加劇農(nóng)商行信用風(fēng)險(xiǎn)

疫情的持續(xù)發(fā)展以及各種政策手段的常態(tài)化管控，在一定程度上削弱了農(nóng)商行主要客戶群體的還款能力和還款意愿，增加了農(nóng)商行信用風(fēng)險(xiǎn)水平。

從貸款主體來看，小微企業(yè)、個(gè)體工商戶是農(nóng)商行的主要客戶群體。對(duì)于小微企業(yè)，疫情通過各個(gè)生產(chǎn)要素沖擊其正常的生產(chǎn)經(jīng)營(yíng)活動(dòng)，短期內(nèi)對(duì)小微企業(yè)的資金狀況造成重大壓力，對(duì)于以小微企業(yè)為客戶主體的農(nóng)商行，其資產(chǎn)端和負(fù)債端的流動(dòng)性勢(shì)必受到影響（吳鑫，2021）；對(duì)于個(gè)體工商戶，由于消費(fèi)者收入減少導(dǎo)致消費(fèi)欲望下降，使得個(gè)體工商戶收入銳減，還款能力減弱，信用風(fēng)險(xiǎn)加大。

分地域來看，農(nóng)商行的客戶群體主要分布在縣域。一方面，縣域信用生態(tài)環(huán)境相對(duì)較差，逃廢債現(xiàn)象時(shí)常發(fā)生，而追索成本較高，由此帶來“破窗效應(yīng)”，使得部分企業(yè)還款意愿不強(qiáng)；另一方面，在疫情影響下，即使原本有還款意愿的企業(yè)也可能無法按時(shí)足額還款。

根據(jù)前文分析，本文提出假設(shè)：

H1：疫情導(dǎo)致農(nóng)商行信用風(fēng)險(xiǎn)水平上升。

（二）中央銀行貨幣政策工具對(duì)疫情沖擊具有抑制效應(yīng)

結(jié)構(gòu)性貨幣政策是中央銀行進(jìn)行宏觀流動(dòng)性管理的工具，最直接的作用是向商業(yè)銀行提供流動(dòng)性，進(jìn)而解決流動(dòng)性結(jié)構(gòu)性缺口問題。中央銀行與金融機(jī)構(gòu)之間一對(duì)一的操作或者公開市場(chǎng)流動(dòng)性調(diào)節(jié)工具的運(yùn)用，一方面，豐富了商業(yè)銀行獲得流動(dòng)性的渠道，提高了銀行的流動(dòng)性水平；另一方面，能有效調(diào)節(jié)市場(chǎng)短期和長(zhǎng)期資金供給，熨平突發(fā)性、臨時(shí)性因素導(dǎo)致的市場(chǎng)資金供求的大幅波動(dòng)（盧嵐和鄧雄，2015）。結(jié)構(gòu)性貨幣政策的頻繁使用還可以穩(wěn)定市場(chǎng)預(yù)期，構(gòu)建利率走廊機(jī)制，有助于提高銀行流動(dòng)性風(fēng)險(xiǎn)的承擔(dān)能力（王倩等，2016）。最重要的是，結(jié)構(gòu)性貨幣政策通過釋放流動(dòng)性對(duì)商業(yè)銀行信貸行為產(chǎn)生“規(guī)模效應(yīng)”；同時(shí)，通過降低貨幣市場(chǎng)利率對(duì)信貸行為產(chǎn)生“價(jià)格效應(yīng)”，引導(dǎo)商業(yè)銀行加大對(duì)疫情相關(guān)行業(yè)企業(yè)的資金支持，緩解疫情對(duì)經(jīng)濟(jì)的影響（郝慧剛和孫坤鑫，2020）。另外，對(duì)于以小微企業(yè)為主要客戶群體的農(nóng)商行來說，中國人民銀行相繼出臺(tái)普惠小微企業(yè)貸款延期支持工具、無還本續(xù)貸等政策，發(fā)揮金融逆周期調(diào)節(jié)作用，通過緩解企業(yè)現(xiàn)金流壓力，為中小微企業(yè)繼續(xù)生存提供緩沖期，進(jìn)而為農(nóng)商行信用風(fēng)險(xiǎn)防控提供磨合期（李明肖，2020）。

根據(jù)前文分析，本文提出假設(shè)：

H2：中央銀行貨幣政策工具的應(yīng)用一定程度上降低了農(nóng)商行因疫情而升高的不良貸款率，政策對(duì)疫情沖擊具有抑制性。

（三）疫情對(duì)農(nóng)商行的沖擊效應(yīng)存在異質(zhì)性

雖然疫情對(duì)所有農(nóng)商行都會(huì)造成沖擊，但影響程度卻取決于農(nóng)商行自身固有的承壓能力。疫情前風(fēng)險(xiǎn)水平高的農(nóng)商行由于其本身存在客戶資質(zhì)較差、資產(chǎn)質(zhì)量較差、內(nèi)部風(fēng)控管理不佳等問題，一旦出現(xiàn)疫情等突發(fā)公共事件，客戶流動(dòng)性缺失將很容易傳導(dǎo)至這部分農(nóng)商行。而疫情前風(fēng)險(xiǎn)水平較低的農(nóng)商行在面臨疫情沖擊時(shí)，即使部分客戶因疫情出現(xiàn)債務(wù)違約情況，由于其具有較高的承壓能力和完整有效的風(fēng)控制度，因疫情導(dǎo)致的資產(chǎn)質(zhì)量下降的程度將遠(yuǎn)小于前者。

分區(qū)域來看，不同地區(qū)農(nóng)商行信用風(fēng)險(xiǎn)受疫情沖擊的程度也存在較大差異。面對(duì)突發(fā)公共事件的沖擊，經(jīng)濟(jì)韌性的強(qiáng)弱決定了區(qū)域抗風(fēng)險(xiǎn)能力的大小。經(jīng)濟(jì)活力較好的地區(qū)具有較強(qiáng)的風(fēng)險(xiǎn)緩釋能力，農(nóng)商行資產(chǎn)質(zhì)量也相對(duì)較好，能較好地抵御疫情的沖擊；而對(duì)于經(jīng)濟(jì)活力弱、產(chǎn)業(yè)轉(zhuǎn)型壓力大的中西部地區(qū)而言，經(jīng)濟(jì)抗風(fēng)險(xiǎn)能力相對(duì)較差且農(nóng)商行自身基礎(chǔ)較差，疫情會(huì)加劇其經(jīng)營(yíng)壓力。

根據(jù)前文分析，本文提出假設(shè)：

H3：疫情對(duì)農(nóng)商行的沖擊效應(yīng)存在顯著的機(jī)構(gòu)差異，疫情前風(fēng)險(xiǎn)水平高的農(nóng)商行受疫情沖擊更為嚴(yán)重。

H4：疫情對(duì)農(nóng)商行的沖擊效應(yīng)存在顯著的地域差異，欠發(fā)達(dá)地區(qū)的農(nóng)商行受疫情沖擊更為嚴(yán)重。

四、研究設(shè)計(jì)

（一）模型設(shè)定

本文研究目的主要有兩個(gè)：一是刻畫疫情對(duì)農(nóng)商行的沖擊效應(yīng)，主要通過實(shí)證觀察系統(tǒng)性風(fēng)險(xiǎn)暴露前后農(nóng)商行風(fēng)險(xiǎn)水平的變化情況，評(píng)估各農(nóng)商行的抗風(fēng)險(xiǎn)能力；二是評(píng)估兩項(xiàng)工具對(duì)農(nóng)商行的政策效應(yīng)，分析政策的實(shí)施是否有效緩解企業(yè)還款壓力，從而降低疫情對(duì)農(nóng)商行的風(fēng)險(xiǎn)沖擊。初始模型為：

此外，考慮到風(fēng)險(xiǎn)水平不僅受當(dāng)期信貸行為的影響，還與歷史數(shù)據(jù)相關(guān)，借鑒宋娟（2016）的處理方法，加入風(fēng)險(xiǎn)水平的一階滯后項(xiàng)，設(shè)定如下模型：

其中，risk為農(nóng)商行在時(shí)刻的風(fēng)險(xiǎn)水平，covid為疫情的沖擊（疫情前=0，疫情后=1）；dds和clsp分別為延期還本付息和信用貸款支持計(jì)劃兩項(xiàng)貨幣政策工具的發(fā)放情況，考慮到兩項(xiàng)政策工具作為疫情后出臺(tái)的貨幣政策調(diào)節(jié)工具，其本身的顯著性即可代表政策的有效性，因此，本文將不再設(shè)立政策交互項(xiàng)； X為一組與風(fēng)險(xiǎn)水平有關(guān)的控制變量；ε表示隨機(jī)擾動(dòng)項(xiàng)。

（二）數(shù)據(jù)來源及變量選取

本文以山東省110 家農(nóng)商行為樣本，選取其2017—2021年9月末經(jīng)營(yíng)、信貸、監(jiān)管等指標(biāo)數(shù)據(jù)和所在縣（區(qū)）的宏觀經(jīng)濟(jì)數(shù)據(jù)，以及2020年6月后對(duì)兩項(xiàng)工具的使用數(shù)據(jù)，數(shù)據(jù)頻度為季度。

在因變量選取方面，考慮到貸款是農(nóng)商行最主要的業(yè)務(wù)，而不良貸款是銀行信貸業(yè)務(wù)損失的來源。因此，本文基于Delis 和Kouretas（2011）的研究，選取不良貸款率作為衡量農(nóng)商行風(fēng)險(xiǎn)水平的代表因素，不良貸款率越大，表明銀行風(fēng)險(xiǎn)水平越高。

控制變量選取方面，本文主要考慮農(nóng)商行風(fēng)險(xiǎn)的影響因素。學(xué)者們將銀行風(fēng)險(xiǎn)歸結(jié)為外部風(fēng)險(xiǎn)和內(nèi)部風(fēng)險(xiǎn)，外部風(fēng)險(xiǎn)主要與經(jīng)濟(jì)環(huán)境、貨幣政策等因素有關(guān)（劉厚平，1999；汪偉舵等，2018），內(nèi)部風(fēng)險(xiǎn)則源于銀行自身行為，主要包括資產(chǎn)風(fēng)險(xiǎn)（丁振輝和韓佩穎，2016）、操作風(fēng)險(xiǎn)（蔡衛(wèi)星和高明華，2010）和盈利性風(fēng)險(xiǎn)（熊曉煉和向菊）等。借鑒上述研究，本文控制了加權(quán)風(fēng)險(xiǎn)資產(chǎn)（ra）、小微企業(yè)貸款占比（rl）、獨(dú)立董事數(shù)量（indep）、高管持股比例（esecu）、凈利潤(rùn)（profit）、撥備覆蓋率（pc）、GDP增長(zhǎng)率（GDP）、消費(fèi)價(jià)格指數(shù)（CPI）和再貸款（ref）。具體變量描述如表1所示。

表1：變量選取及具體解釋

將被解釋變量與控制變量代入模型（2）中，最終模型設(shè)定如下：

（三）估計(jì)方法的選擇

模型（3）因存在被解釋變量滯后項(xiàng)，被稱為動(dòng)態(tài)面板模型。這類模型的OLS估計(jì)是非一致的，極大似然估計(jì)雖然可以得到一致估計(jì)量，但估計(jì)量的一致性取決于初值的設(shè)置，錯(cuò)誤的初值條件會(huì)導(dǎo)致參數(shù)的估計(jì)存在偏誤?；诖?，本文選擇廣義矩估計(jì)（GMM）方法。

在使用GMM 估計(jì)時(shí)需考慮兩個(gè)方面：一是擾動(dòng)項(xiàng)不存在自相關(guān)，此為GMM 作為一致估計(jì)的前提，因此，在參數(shù)估計(jì)后，需進(jìn)行擾動(dòng)項(xiàng)的自相關(guān)性檢驗(yàn)；二是由于GMM 估計(jì)使用工具變量數(shù)量較多，需進(jìn)行過度識(shí)別檢驗(yàn)。

五、實(shí)證分析

（一）描述性統(tǒng)計(jì)分析

所有樣本數(shù)據(jù)描述性統(tǒng)計(jì)結(jié)果見表2，從標(biāo)準(zhǔn)差和極值數(shù)據(jù)看，各農(nóng)商行不良貸款率差異較大，控制變量數(shù)據(jù)之間也存在較大差距。

表2：描述性統(tǒng)計(jì)

（二）疫情對(duì)農(nóng)商行不良貸款率的影響分析

本文分別對(duì)樣本數(shù)據(jù)進(jìn)行差分GMM 估計(jì)和系統(tǒng)GMM 估計(jì)。在首次回歸中，GDP 增長(zhǎng)率變量不顯著，這與現(xiàn)有文獻(xiàn)研究結(jié)論不一致?？紤]到GDP 增長(zhǎng)率可能與不良貸款率之間存在非線性關(guān)系，因此，在方程中引入GDP 增長(zhǎng)率的二次項(xiàng)，最終參數(shù)估計(jì)結(jié)果見表3。從表3可以看出，差分GMM估計(jì)和系統(tǒng)GMM 估計(jì)的參數(shù)存在一定差異，如對(duì)疫情這一關(guān)鍵解釋變量的估計(jì)，差分GMM 估計(jì)結(jié)果顯示疫情對(duì)農(nóng)商行不良貸款率有顯著影響，而系統(tǒng)GMM 估計(jì)結(jié)果則表明疫情并沒有對(duì)農(nóng)商行不良貸款率帶來顯著影響。從統(tǒng)計(jì)量看，兩個(gè)估計(jì)的F 統(tǒng)計(jì)量均顯著，表明本文設(shè)定的模型在兩種估計(jì)方法下均有較好的整體擬合效果。sargan 統(tǒng)計(jì)量均不顯著，說明無法拒絕原假設(shè)，兩種估計(jì)方法均不存在過度識(shí)別問題。在得到估計(jì)結(jié)果后，本文進(jìn)一步對(duì)擾動(dòng)項(xiàng)自相關(guān)性進(jìn)行檢驗(yàn)，結(jié)果如表4所示。

表3：農(nóng)商行動(dòng)態(tài)面板數(shù)據(jù)的GMM參數(shù)估計(jì)

表4：自相關(guān)檢驗(yàn)結(jié)果

自相關(guān)檢驗(yàn)結(jié)果表明，系統(tǒng)GMM 擾動(dòng)項(xiàng)存在一階自相關(guān)，不符合估計(jì)方法的前置條件，而差分GMM 估計(jì)則接受擾動(dòng)項(xiàng)無自相關(guān)的假設(shè)，表明差分GMM 估計(jì)的參數(shù)較為合理?；诖耍韵路治鲋饕诓罘諫MM下進(jìn)行。

從表3中看到，疫情對(duì)農(nóng)商行不良貸款率有正向顯著影響，疫情導(dǎo)致農(nóng)商行不良貸款率上升0.81個(gè)百分點(diǎn)，假設(shè)1 得證。另外，農(nóng)商行不良貸款率確實(shí)受過去值的影響，說明了本文動(dòng)態(tài)面板數(shù)據(jù)估計(jì)方法的合理性。從內(nèi)部因素看，農(nóng)商行不良貸款率受小微企業(yè)貸款占比、獨(dú)立董事數(shù)量、撥備覆蓋率影響，而加權(quán)風(fēng)險(xiǎn)資產(chǎn)、凈利潤(rùn)等變量與不良貸款率無明顯關(guān)系。其中，不良貸款率與小微企業(yè)貸款占比呈正相關(guān)，表明當(dāng)前小微企業(yè)貸款確實(shí)會(huì)給農(nóng)商行帶來潛在不良貸款風(fēng)險(xiǎn)。從經(jīng)濟(jì)環(huán)境因素看，GDP增長(zhǎng)率的二次項(xiàng)，估計(jì)系數(shù)顯著為正，表明GDP 增長(zhǎng)率與不良貸款率呈U 形關(guān)系。在GDP 增長(zhǎng)率較低時(shí)，不良貸款率隨GDP 增長(zhǎng)率的上升而下降；當(dāng)GDP 增長(zhǎng)率達(dá)到一定程度后，不良貸款率隨GDP 增長(zhǎng)率的上升而上升。這表明，當(dāng)經(jīng)濟(jì)增長(zhǎng)率控制在一定范圍內(nèi)時(shí)，農(nóng)商行信貸業(yè)務(wù)平穩(wěn)發(fā)展，此時(shí)隨著經(jīng)濟(jì)的逐漸增長(zhǎng)，借貸主體產(chǎn)出增加（如企業(yè)的收入、個(gè)人的工資等），貸款劣變可能性降低，不良貸款率也隨之下降；當(dāng)經(jīng)濟(jì)過熱時(shí)，農(nóng)商行也會(huì)盲目擴(kuò)張，造成不良貸款率的上升。

進(jìn)一步分析政策效應(yīng)發(fā)現(xiàn)，延期還本付息政策可以降低農(nóng)商行的不良貸款率，再貸款和信用貸款支持計(jì)劃則對(duì)農(nóng)商行不良貸款率無顯著影響，假設(shè)2 得證。究其原因，一方面，延期還本付息政策是直接給予農(nóng)商行資金支持，并可以用于不良貸款處置，而再貸款和信用貸款支持計(jì)劃則是給予農(nóng)商行一定的低成本流動(dòng)性資金，對(duì)不良貸款率的影響是間接的；另一方面，再貸款和信用貸款支持計(jì)劃對(duì)農(nóng)商行并不具有普適性，只有評(píng)級(jí)達(dá)標(biāo)才可申請(qǐng)政策支持。

（三）安慰劑檢驗(yàn)

由于疫情變量屬于時(shí)間虛擬變量，本文借鑒林毅夫等（2020）的做法，采取假設(shè)將疫情暴發(fā)時(shí)間前移的方法進(jìn)行安慰劑檢驗(yàn)?？紤]到因變量不良貸款率自身帶有一定的周期性特征（銀行一般集中在年底進(jìn)行不良貸款處置），因此，在安慰劑檢驗(yàn)中將疫情發(fā)生時(shí)間前移2年，即假設(shè)疫情暴發(fā)的時(shí)間為2018年第一季度。另外，為了規(guī)避由于過長(zhǎng)時(shí)間跨度引起的不確定因素干擾，本文選取假設(shè)時(shí)間前后各1年的數(shù)據(jù)（即2017年第一季度—2018年第四季度，共8 期數(shù)據(jù)）進(jìn)行檢驗(yàn)。安慰劑檢驗(yàn)結(jié)果如表5所示，可以看出變量covid 的系數(shù)并不顯著，說明農(nóng)商行不良貸款率的提高的確是由疫情暴發(fā)造成的。

表5：疫情沖擊變量安慰劑檢驗(yàn)結(jié)果

（四）疫情對(duì)不同風(fēng)險(xiǎn)水平農(nóng)商行沖擊的異質(zhì)性分析

為分析疫情對(duì)不同風(fēng)險(xiǎn)水平農(nóng)商行影響的差異性，本文使用2019年4期評(píng)級(jí)結(jié)果進(jìn)行分組，穩(wěn)健組為2019年全年中央銀行評(píng)級(jí)結(jié)果在5 級(jí)之內(nèi)（包括5級(jí)）的銀行，該組機(jī)構(gòu)基本不存在風(fēng)險(xiǎn)；相對(duì)風(fēng)險(xiǎn)組為2019年至少有一次評(píng)級(jí)結(jié)果為6 級(jí)及以上的銀行，該組機(jī)構(gòu)在某段時(shí)期內(nèi)可能存在一定風(fēng)險(xiǎn)。穩(wěn)健組機(jī)構(gòu)數(shù)量為39 家，相對(duì)風(fēng)險(xiǎn)組機(jī)構(gòu)數(shù)量為71 家，兩組樣本回歸結(jié)果如表6所示。

表6：不同風(fēng)險(xiǎn)水平農(nóng)商行差分GMM估計(jì)結(jié)果

從表6看出，對(duì)于穩(wěn)健組樣本數(shù)據(jù)，疫情對(duì)不良貸款率的影響不顯著，疫情并未對(duì)該類農(nóng)商行的風(fēng)險(xiǎn)帶來沖擊；而對(duì)于相對(duì)風(fēng)險(xiǎn)組樣本，在疫情的影響下，該組農(nóng)商行的不良貸款率明顯上升；從參數(shù)估計(jì)看，疫情因素導(dǎo)致相對(duì)風(fēng)險(xiǎn)組的整體不良貸款率上升1.14 個(gè)百分點(diǎn)，高于全樣本回歸結(jié)果，表明風(fēng)險(xiǎn)水平較高的農(nóng)商行受疫情影響更為嚴(yán)重，假設(shè)H3得證。

（五）疫情對(duì)不同地區(qū)農(nóng)商行沖擊的異質(zhì)性分析

本部分將110 家農(nóng)商行所在縣（區(qū)）域按照經(jīng)濟(jì)發(fā)達(dá)程度劃分為發(fā)達(dá)地區(qū)和相對(duì)欠發(fā)達(dá)地區(qū)，觀察疫情變量對(duì)兩組樣本不良貸款率的影響是否存在顯著性差異。本文按照區(qū)域人均GDP 這一指標(biāo)進(jìn)行劃分，先算出2019年度各農(nóng)商行所在縣（區(qū)）域整體的人均GDP，高于該值的歸為發(fā)達(dá)地區(qū)，反之為相對(duì)欠發(fā)達(dá)地區(qū)。發(fā)達(dá)地區(qū)農(nóng)商行數(shù)量為34 家，相對(duì)欠發(fā)達(dá)地區(qū)農(nóng)商行數(shù)量為76家，回歸結(jié)果如表7所示。

表7：不同地區(qū)農(nóng)商行差分GMM估計(jì)結(jié)果

從現(xiàn)實(shí)來看，發(fā)達(dá)地區(qū)農(nóng)商行由于具備經(jīng)濟(jì)產(chǎn)出水平高的地域優(yōu)勢(shì)，其不良貸款風(fēng)險(xiǎn)相對(duì)較低，數(shù)據(jù)樣本分布同樣證明了這一現(xiàn)實(shí)，發(fā)達(dá)地區(qū)樣本與穩(wěn)健組樣本有高度的重合性。從表7中看出，疫情對(duì)發(fā)達(dá)地區(qū)的農(nóng)商行并無明顯的沖擊，而相對(duì)欠發(fā)達(dá)地區(qū)農(nóng)商行風(fēng)險(xiǎn)與疫情呈正相關(guān)關(guān)系，疫情導(dǎo)致其不良貸款率上升0.68個(gè)百分點(diǎn)，假設(shè)H4得證。

六、結(jié)論與建議

（一）研究結(jié)論

本文以山東省110 家農(nóng)商行為樣本，從理論分析出發(fā)，實(shí)證研究了疫情對(duì)農(nóng)商行的風(fēng)險(xiǎn)沖擊及異質(zhì)性和監(jiān)管部門的政策效應(yīng)。GMM 估計(jì)模型結(jié)果表明：疫情對(duì)農(nóng)商行不良貸款率有正向顯著影響，疫情導(dǎo)致農(nóng)商行不良貸款率上升0.81個(gè)百分點(diǎn)。延期還本付息政策可以降低農(nóng)商行的不良貸款率，再貸款和信用貸款支持計(jì)劃則對(duì)農(nóng)商行不良貸款率無顯著影響。此外，疫情對(duì)農(nóng)商行的風(fēng)險(xiǎn)沖擊效應(yīng)存在異質(zhì)性，其中，疫情對(duì)經(jīng)營(yíng)穩(wěn)健的農(nóng)商行不良貸款率的影響不顯著，而存在一定風(fēng)險(xiǎn)的農(nóng)商行不良貸款率明顯上升；疫情對(duì)發(fā)達(dá)地區(qū)的農(nóng)商行并無明顯的沖擊，而相對(duì)欠發(fā)達(dá)地區(qū)農(nóng)商行風(fēng)險(xiǎn)與疫情呈正相關(guān)關(guān)系。

（二）政策建議

1.強(qiáng)化政策扶持，嚴(yán)防信用風(fēng)險(xiǎn)持續(xù)上升。一是考慮疫情因素，適當(dāng)放寬不良貸款率等監(jiān)管指標(biāo)容忍度，制定差異化的監(jiān)管政策，緩解農(nóng)商行的運(yùn)營(yíng)成本和壓力。二是鼓勵(lì)經(jīng)營(yíng)效益好的農(nóng)商行通過兼并、重組等方式入股高風(fēng)險(xiǎn)機(jī)構(gòu)，通過優(yōu)化股權(quán)結(jié)構(gòu)，幫助高風(fēng)險(xiǎn)農(nóng)商行完善公司治理結(jié)構(gòu)，逐步提升管理水平。三是協(xié)調(diào)財(cái)稅部門適當(dāng)放寬農(nóng)商行貸款核銷的條件，繼續(xù)拓寬不良貸款處置方式，加大處置力度，提高回報(bào)率，降低不良貸款對(duì)農(nóng)商行的經(jīng)營(yíng)影響和資本消耗。

2.加強(qiáng)流動(dòng)性監(jiān)測(cè)管理，拓展資本補(bǔ)充渠道。一是監(jiān)管部門要密切做好農(nóng)商行的監(jiān)測(cè)預(yù)警。加強(qiáng)金融風(fēng)險(xiǎn)全方位掃描預(yù)警，堅(jiān)決遏制風(fēng)險(xiǎn)反彈回潮；充分運(yùn)用中央銀行評(píng)級(jí)結(jié)果，切實(shí)發(fā)揮中央銀行評(píng)級(jí)引導(dǎo)農(nóng)商行審慎經(jīng)營(yíng)的作用；綜合運(yùn)用多種貨幣政策工具，必要時(shí)給予再貸款、再貼現(xiàn)資金支持，發(fā)揮精準(zhǔn)滴灌作用，保持流動(dòng)性合理充裕；積極探索多渠道、多主體、多層次的小微企業(yè)金融服務(wù)方案，逐步降低小微企業(yè)貸款集中度。二是要豐富農(nóng)商行資本補(bǔ)充工具。加強(qiáng)農(nóng)商行上市輔導(dǎo)，支持符合條件的農(nóng)商行通過新三板掛牌上市融入資金；優(yōu)化優(yōu)先股發(fā)行流程，降低發(fā)行門檻；加快推出轉(zhuǎn)股型二級(jí)資本債券、含定期轉(zhuǎn)股條款資本債券等創(chuàng)新型資本補(bǔ)充工具；拓展二級(jí)資本債投資主體，將主體范圍擴(kuò)大至社保基金、保險(xiǎn)公司等；建議地方政府發(fā)揮屬地責(zé)任，積極發(fā)行特別地方債用于農(nóng)商行資本補(bǔ)充。

：

①兩項(xiàng)工具指普惠小微企業(yè)貸款延期還本付息政策和普惠小微企業(yè)信用貸款支持計(jì)劃。

②兩項(xiàng)工具為2020年6月份后出臺(tái)，在安慰劑檢驗(yàn)的時(shí)間區(qū)間內(nèi)數(shù)據(jù)均為0，故在估計(jì)中將該變量剔除。

③中央銀行評(píng)級(jí)結(jié)果越低，表明銀行風(fēng)險(xiǎn)越小。

④本部分所指的穩(wěn)健組和相對(duì)風(fēng)險(xiǎn)組是根據(jù)風(fēng)險(xiǎn)有無而設(shè)立的，相對(duì)風(fēng)險(xiǎn)組包含中央銀行評(píng)級(jí)中的黃區(qū)（存在一定風(fēng)險(xiǎn)但仍在安全邊際內(nèi)）機(jī)構(gòu)和高風(fēng)險(xiǎn)機(jī)構(gòu)。