《金融发展研究》第8期收稿日期：2022-05-10
——以山东省110家农村商业银行为例
郑录军孙毅
（中国人民银行济南分行，山东济南250021）济南疫情最新通知
摘要：本文以山东省110家农村商业银行为样本，实证分析了新冠肺炎疫情对农村商业银行的信用风险冲击及异质性，并探讨了监管部门的政策效应。GMM 估计模型结果表明：新冠肺炎疫情与农村商业银行不良贷款率显著正相关，中央银行货币政策工具对新冠肺炎疫情冲击具有抑制效应，新冠肺炎疫情前风险相对较高与欠发达地区的农村商业银行受到的冲击更大。基于此，提出强化政策扶持、加强流动性风险监测与资本补充、完善风险转移和分担机制建设、加快推进数字化与平台化转型等政策建议。
关键词：疫情冲击；农村商业银行；不良贷款率；实证检验
中图分类号：F832.33文献标识码：B 文章编号：1674-2265（2022）08-0048-07DOI ：10.19647/jki.37-1462/f.2022.08.007作者简介：郑录军，男，山东临沂人，供职于中国人民银行济南分行，高级经济师，研究方向为货币政策、农村金融与金融科技；孙毅，男，山东潍坊人，博士，供职于中国人民银行济南分行，研究方向为金融风险、金融改革。本文不代表作者所在单位观点。
一、引言
2020年初新冠肺炎疫情（以下简称疫情）的暴发对我国经济社会造成了较大冲击，在此过程中，实体经济风险不断向银行业金融机构传导，特别是对农村商业银行（以下简称农商行）的资产质量构成了严峻挑战。农商行不仅是银行业生态必须配置的要素，更是发展普惠金融的重要载体，作为金融支持“三农”、民营企业和小微企业的主力军，发挥着不可替代的作用。科学评估疫情对农商行的影响，预测和准确识别其信用风险水平的变化，对于农商行的改革发展、完善风险处置预案及维护金融稳定具有重要意义。
本文以山东省110家农商行为例，从理论分析出发，通过数理模型研究疫情对农商行的风险冲击及异
质性和监管部门的政策效应。本文可能的贡献在于：一是从实证分析角度，检验了农商行信用风险受到疫情的影响及异质性，评估其经营稳健性和风险管理水平；二是以疫情为样本，利用风险冲击评估结果和金融机构抗风险能力等结论，为中小金融机构提供了应对公共事件冲击影响的策略方案和转型
路径。
二、文献综述
重大突发公共卫生事件因其所独有的紧迫性和特殊性给宏观经济波动造成巨大的冲击，而这种宏观经济波动的加剧必然会带来一系列的溢出效应，尤其是宏观经济波动对银行业风险的影响，受到学界的广泛
关注（沈丽和米映静，2021）[1]
。
银行资格证书考试报考条件关于疫情对金融系统的影响，现有文献主要侧重对金融市场、银行业的初步分析。Bartscher 等
基金项目：山东省人文社会科学项目“新冠疫情对山东省农村商业银行的风险冲击、异质性检验和成本分担机制研究”（2020-NDJJ-12）。】
【48
《金融发展研究》第8期
（2020）[2]
认为疫情导致利率水平大幅下降且一般持续时间较长，余湄等（2022）[3]发现疫情后超过半数样本
国出现股市与汇市的双向格兰杰因果，与疫情前相比
联动性显著增强。赵强（2020）[4]
指出疫情对中小银行
风险化解带来诸多挑战，如资产增长放缓、资产质量问题凸显、股权结构变动频繁、资金补充和盈利能力堪忧等。
在农商行信用风险的影响因素方面，若不考虑经济周期和外部冲击的影响，相关研究认为主要因素为治理机制不完善、信用风险控制不到位、经营管理粗
放等。如王倩等（2016）[5]以石嘴山农商行为对象，认
为体制不健全、缺乏信贷风险预警、风险意识薄弱、客户信用体系不完善等是该行信贷风险的主要成
因。
崔钧等（2016）[6]
认为，改革发展缓慢、经营能力较
差、自我管理能力不强、不良贷款账面反映失真等原
因造成农信社不良贷款的激增。董翠英（2017）[7]从内
外部两个方面分析了农信社不良贷款的成因，其中内部原因为风险识别机制不健全、经营管理粗放、贷款管理体制不完善、责任追究不到位等。孙光林等
（2017）[8]通过研究我国31个省份的年度数据，分析得
出政府的过度干涉会加大银行的信贷风险。
后疫情时代，金融机构如何应对疫情所带来的风险冲击也是学者研究和关注的重点，相关研究主要集中于应急机制建设、业务模式创新、风险管理、转型
化发展等。李建红（2020）[9]认为后疫情时代商业银行
运营管理应保持适度安全冗余，积极探索线上线下一体化运营，实现集约运营向智慧运营升级。黄隽和孙
九伦（2021）[10]从公司治理、资本补充、金融科技应
用和金融服务等方面构建了中小银行风险管理的长效
机制。王俊寿（2021）[11]指出，后疫情时代银行保险
业机构应在聚焦“双循环”新发展格局、突出高频化金融服务场景、厘清差异化实施路径、筑牢信息安全基础、提升金融监管水平等方面优化改进，加快推动数字化转型。
通过梳理文献发现，目前关于疫情对银行业机构的影响的研究较少，尤其是关注中小银行机构的文献明显不足。此外，关于银行机构应对疫情冲击的策略路径方面，现有研究更多侧重于系统性的趋势展望，缺乏微观聚焦，导致策略可能出现“水土不服”的现象，这给本文的研究提供了空间。
三、理论假说
（一）疫情加剧农商行信用风险
疫情的持续发展以及各种政策手段的常态化管
控，在一定程度上削弱了农商行主要客户体的还款能力和还款意愿，增加了农商行信用风险水平。
从贷款主体来看，小微企业、个体工商户是农商行的主要客户体。对于小微企业，疫情通过各个生产要素冲击其正常的生产经营活动，短期内对小微企业的资金状况造成重大压力，对于以小微企业为客户主体的农商行，其资产端和负债端的流动性势必受到
影响（吴鑫，2021）[12]
；对于个体工商户，由于消费
者收入减少导致消费欲望下降，使得个体工商户收入锐减，还款能力减弱，信用风险加大。
分地域来看，农商行的客户体主要分布在县域。一方面，县域信用生态环境相对较差，逃废债现象时常发生，而追索成本较高，由此带来“破窗效应”，使得部分企业还款意愿不强；另一方面，在疫情影响下，即使原本有还款意愿的企业也可能无法按时足额还款。
根据前文分析，本文提出假设：H1：疫情导致农商行信用风险水平上升。（二）中央银行货币政策工具对疫情冲击具有抑制效应
结构性货币政策是中央银行进行宏观流动性管理的工具，最直接的作用是向商业银行提供流动性，进
而解决流动性结构性缺口问题。中央银行与金融机构之间一对一的操作或者公开市场流动性调节工具的运用，一方面，丰富了商业银行获得流动性的渠道，提高了银行的流动性水平；另一方面，能有效调节市场短期和长期资金供给，熨平突发性、临时性因素导致的市场资金供求的大幅波动（卢岚和邓雄，
2015）[13]
。结构性货币政策的频繁使用还可以稳定市
场预期，构建利率走廊机制，有助于提高银行流动性
风险的承担能力（王倩等，2016）[5]
。最重要的是，结
构性货币政策通过释放流动性对商业银行信贷行为产生“规模效应”；同时，通过降低货币市场利率对信贷行为产生“价格效应”，引导商业银行加大对疫情相关行业企业的资金支持，缓解疫情对经济的影响
（郝慧刚和孙坤鑫，2020）[14]。另外，对于以小微企业
为主要客户体的农商行来说，中国人民银行相继出台普惠小微企业贷款延期支持工具、无还本续贷等政策，发挥金融逆周期调节作用，通过缓解企业现金流压力，为中小微企业继续生存提供缓冲期，进而为农
商行信用风险防控提供磨合期（李明肖，2020）[15]。
卫生人才网准考证打印时间查询根据前文分析，本文提出假设：
H2：中央银行货币政策工具的应用一定程度上降
】
【49
《金融发展研究》第8期低了农商行因疫情而升高的不良贷款率，政策对疫情冲击具有抑制性。
（三）疫情对农商行的冲击效应存在异质性虽然疫情对所有农商行都会造成冲击，但影响程度却取决于农商行自身固有的承压能力。疫情前风险水平高的农商行由于其本身存在客户资质较差、资产质量
较差、内部风控管理不佳等问题，一旦出现疫情等突发公共事件，客户流动性缺失将很容易传导至这部分农商行。而疫情前风险水平较低的农商行在面临疫情冲击时，即使部分客户因疫情出现债务违约情况，由于其具有较高的承压能力和完整有效的风控制度，因疫情导致的资产质量下降的程度将远小于前者。
分区域来看，不同地区农商行信用风险受疫情冲击的程度也存在较大差异。面对突发公共事件的冲击，经济韧性的强弱决定了区域抗风险能力的大小。经济活力较好的地区具有较强的风险缓释能力，农商行资产质量也相对较好，能较好地抵御疫情的冲击；而对于经济活力弱、产业转型压力大的中西部地区而言，经济抗风险能力相对较差且农商行自身基础较差，疫情会加剧其经营压力。
根据前文分析，本文提出假设：
H3：疫情对农商行的冲击效应存在显著的机构差异，疫情前风险水平高的农商行受疫情冲击更为严重。
H4：疫情对农商行的冲击效应存在显著的地域差异，欠发达地区的农商行受疫情冲击更为严重。
四、研究设计（一）模型设定
本文研究目的主要有两个：一是刻画疫情对农商行的冲击效应，主要通过实证观察系统性风险暴露前
后农商行风险水平的变化情况，评估各农商行的抗风险能力；二是评估两项工具①
对农商行的政策效应，
分析政策的实施是否有效缓解企业还款压力，从而降低疫情对农商行的风险冲击。初始模型为：
risk i,t =α0+α1covid i,t +α2dds i,t +
α3clsp i,t +∑j =1
n βj X j +εi
（1）
此外，考虑到风险水平不仅受当期信贷行为的影
响，还与历史数据相关，借鉴宋娟（2016）[16]
的处理
方法，加入风险水平的一阶滞后项，设定如下模型：贵州省人力资源考试信息网
risk i ,t =α0+α1risk i ,t -1+α2covid i ,t +α3dds i ,t +
α4clsp i ,t +∑j =1
n
βj X j +εi
（2）
其中，risk i ,t 为农商行i 在t 时刻的风险水平，covid i ,t 为疫情的冲击（疫情前covid =0，疫情后=1）；dds i ,t 和clsp i ,t 分别为延期还本付息和信用贷款支持计
划两项货币政策工具的发放情况，考虑到两项政策工具作为疫情后出台的货币政策调节工具，其本身的显著性即可代表政策的有效性，因此，本文将不再设立政策交互项；X i 为一组与风险水平有关的控制变量；εi 表示随机扰动项。
（二）数据来源及变量选取
本文以山东省110家农商行为样本，选取其2017—2021年9月末经营、信贷、监管等指标数据和所在县（区）的宏观经济数据，以及2020年6月后对两项工具的使用数据，数据频度为季度。
在因变量选取方面，考虑到贷款是农商行最主要的业务，而不良贷款是银行信贷业务损失的来源。因
此，本文基于Delis 和Kouretas （2011）[17]
的研究，选
取不良贷款率作为衡量农商行风险水平的代表因素，不良贷款率越大，表明银行风险水平越高。
控制变量选取方面，本文主要考虑农商行风险的影响因素。学者们将银行风险归结为外部风险和内部风险，外部风险主要与经济环境、货币政策等因素有
内蒙古农村信用社关（刘厚平，1999；汪伟舵等，2018）[18，19]，内部风险
则源于银行自身行为，主要包括资产风险（丁振辉和
韩佩颖，2016）[20]、操作风险（蔡卫星和高明华，2010）[21]和盈利性风险（熊晓炼和向菊）[22]等。借鉴上
述研究，本文控制了加权风险资产（ra ）、小微企业贷款占比（rl ）、独立董事数量（indep ）、高管持股比例（esecu ）、净利润（profit ）、拨备覆盖率（pc ）、GDP 增长率（GDP ）、消费价格指数（CPI ）和再贷款（ref ）。具体变量描述如表1所示。
将被解释变量与控制变量代入模型（2）中，最终模型设定如下：
NPL i,t =α0+α1NPL i,t -1+α2cov id i,t +α3dds i,t +
α4clsp i,t +β1ra i,t +β2rl i,t +β3indep i,t +
β4e sec u i,t +β5profit i,t +β6pc i,t +β7GDP i,t +β8CPI i,t +β9ref i,t +εi
（3）
（三）估计方法的选择
模型（3）因存在被解释变量滞后项，被称为动态面板模型。这类模型的OLS 估计是非一致的，极大似然估计虽然可以得到一致估计量，但估计量的一致性取决于初值的设置，错误的初值条件会导致参数的估计存在偏误。基于此，本文选择广义矩估计（GMM ）方法。
】
【50
《金融发展研究》第8期
在使用GMM 估计时需考虑两个方面：一是扰动项不存在自相关，此为GMM 作为一致估计的前提，因此，在参数估计后，需进行扰动项的自相关性检验；二是由于GMM 估计使用工具变量数量较多，需进行过度识别检验。
五、实证分析（一）描述性统计分析
所有样本数据描述性统计结果见表2，从标准差和极值数据看，各农商行不良贷款率差异较大，控制变量数据之间也存在较大差距。
（二）疫情对农商行不良贷款率的影响分析本文分别对样本数据进行差分GMM 估计和系统GMM 估计。在首次回归中，GDP 增长率变量不显著，这与现有文献研究结论不一致。考虑到GDP 增长率可能与不良贷款率之间存在非线性关系，因此，在方程中引入GDP 增长率的二次项，最终参数估计结果见表3。从表3可以看出，差分GMM 估计和系统GMM 估计的参数存在一定差异，如对疫情这一关键解释变量的估计，差分GMM 估计结果显示疫情对农商行不良贷款率有显著影响，而系统GMM 估计结果则表明疫情并没有对农商行不良贷款率带来显著影
响。从统计量看，两个估计的F 统计量均显著，表明本文设定的模型在两种估计方法下均有较好的整
体拟合效果。sargan 统计量均不显著，说明无法拒绝原假设，两种估计方法均不存在过度识别问题。在得到估计结果后，本文进一步对扰动项自相关性进行检验，结果如表4所示。
表4：自相关检验结果
滞后阶数
1
2
差分GMM z 统计量-1.9241.8659p 值0.0931*0.1471
系统GMM
z 统计量-1.72811.6842p 值0.084*0.092*
自相关检验结果表明，系统GMM 扰动项存在一阶自相关，不符合估计方法的前置条件，而差分GMM 估计则接受扰动项无自相关的假设，表明差分GMM 估计的参数较为合理。基于此，以下分析主要在差分GMM 下进行。
从表3中看到，疫情对农商行不良贷款率有正向
表1：变量选取及具体解释
被解释变量解释变量控制
变量风险资产占比风控能力核销能力
经济环境政策扶持
变量名称不良贷款率
疫情延期还本付息政策
信用贷款支持计划
加权风险资产小微企业贷款占比独立董事数量
高管持股比例
净利润
拨备覆盖率GDP 增长率消费价格指数再贷款变量符号NPL i ,t covid i ,t dds i ,t clsp i ,t ra i ,t rl i ,t indep i ,t esecu i ,t profit i ,t pc i ,t GDP i ,t CPI i ,t ref i ,t
相关解释
农商行i 第t 期末的不良贷款率以2020年1月为时间节点，2017—2019年为0，2020年之后为1。农商行i 第t 期获得的延期还本付息政策激励金农商行i 第t 期获得的信用贷款支持资金农商行i 第t 期末的加权风险资产农商行i 第t 期末小微企业贷款占各项贷款的比重农商行i 第t 期末独立董事数量农商行i 第t 期末高管持股比例农商行i 第t 期的净利润农商行i 第t 期末的拨备覆盖率农商行i 所在县（区）当年GDP/去年GDP-1农商行i 所在县（区）当年CPI 农商行i 第t 期获得的再贷款表2：描述性统计
变量名称
NPL i ,t covid i ,t dds i ,t clsp i ,t ra i ,t rl i ,t indep i ,t esecu i ,t profit i ,t pc i ,t GDP i ,t CPI i ,t ref i ,t
样本量2090209020902090209020902090209020902090209020902090平均值6.3003780.3684211121.34361513.846134.807443.432471.7545453.3058770.2565167147.1228-0.0276102.031313660.62标准差6.5837640.4824918338.442313234.14216.634618.216920.700503112.441840.787421124.06360.17470.925263541918.9
最小值000002.73535400-3.290.76-0.647899.20最大值59.04149003920003000.0689.60935510010.251225.31.2188103.9705809
表3：农商行动态面板数据的GMM 参数估计
变量
NPL i ,t covid i ,t dds i ,t clsp i ,t ra i ,t rl i ,t indep i ,t esecu i ,t profit i ,t pc i ,t GDP i ,t GDP 2
i ,t CPI i ,t ref i ,t 常数项F 统计量Sargan 差分GMM
估计值0.6360.811-0.0012.49E-06-0.0070.1210.4250.034-0.136-0.018-0.6842.9530.3311.23E-07-34.35172.9387.65[32]（0.312）z 值
4.07***2.77***-2.21**0.56-0.844.83***2.44**0.52-1.48-3.15***-1.02
2.48**1.130.07-1.15系统GMM
估计值0.5180.215-0.001-3.01E-06-0.0040.0930.4040.066-0.08-0.023-0.0643.6740.5185.61E-08-50.91219.8104.52[145]（0.996）
z 值3.21***0.64-2.52**-0.45-0.772.71***1.40.77-0.7-3.8***-0.071.72*1.670.03-1.6河北中小学教师资格证考试网
注：***、**和*分别表示在1%、5%和10%水平下显著；括号内为sargan 统计量的p 值。下同。
】
【51
《金融发展研究》第8期显著影响，疫情导致农商行不良贷款率上升0.81个百分点，假设1得证。另外，农商行不良贷款率确实受过去值的影响，说明了本文动态面板数据估计方法的合理性。从内部因素看，农商行不良贷款率受小微企业贷款占比、独立董事数量、拨备覆盖率影响，而加权风险资产、净利润等变量与不良贷款率无明显关系。其中，不良贷款率与小微企业贷款占比呈正相关，表明当前小微企业贷款确实会给农商行带来潜在不良贷款风险。从经济环境因素看，GDP 增长率的二次项，估计系数显著为正，表明GDP 增长率与不良贷款率呈U 形关系。在GDP 增长率较低时，不良贷款率随GDP 增长率的上升而下降；当GDP 增长率达到一定程度后，不良贷款率随GDP 增长率的上升而上升。这表明，当经济增长率控制在一定范围内时，农商行信贷业务平稳发展，此时随着经济的逐渐增长，借贷主体产出增加（如企业的收入、个人的工资等），贷款劣变可能性降低，不良贷款率也随之下降；当经济过热时，农商行也会盲目扩张，造成不良贷款率的上升。
进一步分析政策效应发现，延期还本付息政策可以降低农商行的不良贷款率，再贷款和信用贷款支持计划则对农商行不良贷款率无显著影响，假设2得证。究其原因，一方面，延期还本付息政策是直接给予农商行资金支持，并可以用于不良贷款处置，而再贷款和信用贷款支持计划则是给予农商行一定的低成本流动性资金，对不良贷款率的影响是间接的；另一方面，再贷款和信用贷款支持计划对农商行并不具有普适性，只有评级达标才可申请政策支持。
（三）安慰剂检验
由于疫情变量属于时间虚拟变量，本文借鉴林毅夫等（2020）[23]
的做法，采取假设将疫情暴发时间前
移的方法进行安慰剂检验。考虑到因变量不良贷款率自身带有一定的周期性特征（银行一般集中在年底进行不良贷款处置），因此，在安慰剂检验中将疫情发生时间前移2年，即假设疫情暴发的时间为2018年第一季度。另外，为了规避由于过长时间跨度引起的不确定因素干扰，本文选取假设时间前后各1年的数据（即2017年第一季度—2018年第四季度，共8期数据）进行检验。安慰剂检验结果如表5所示②，可以看出变量covid 的系数并不显著，说明农商行不良贷款率的提高的确是由疫情暴发造成的。
（四）疫情对不同风险水平农商行冲击的异质性分析
为分析疫情对不同风险水平农商行影响的差异性，本文使用2019年4期评级结果进行分组，稳健组为2019年全年中央银行评级结果在5级之内（包括5
级）③
的银行，该组机构基本不存在风险；相对风险组
为2019年至少有一次评级结果为6级及以上④的银行，该组机构在某段时期内可能存在一定风险。稳健组机构数量为39家，相对风险组机构数量为71家，两组样本回归结果如表6所示。
从表6看出，对于稳健组样本数据，疫情对不良贷款率的影响不显著，疫情并未对该类农商行的风险带来冲击；而对于相对风险组样本，在疫情的影响下，该组农商行的不良贷款率明显上升；从参数估计看，疫情因素导致相对风险组的整体不良贷款率上升1.14个百分点，高于全样本回归结果，表明风险水平较高的农商行受疫情影响更为严重，假设H3得证。
（五）疫情对不同地区农商行冲击的异质性分析本部分将110家农商行所在县（区）域按照经济
表5：疫情冲击变量安慰剂检验结果
变量名称
NPL i ,t covid i ,t ra i ,t rl i ,t indep i ,t esecu i ,t profit i ,t pc i ,t GDP i ,t GDP 2i ,t CPI i ,t ref i ,t 常数项F 统计量Sargan
估计值0.7910.866-0.0070.338-0.003-0.021-0.104-0.023.837.99-0.6961E-0574.15
163.65
50.47[48]（0.37）
z 值6.28***1.63-0.872.62***
01.05-0.96-3.94***
1.61.3-1.511.31.59
表6：不同风险水平农商行差分GMM 估计结果
变量
NPL i ,t covid i ,t dds i ,t clsp i ,t ra i ,t rl i ,t indep i ,t esecu i ,t profit i ,t pc i ,t GDP i ,t GDP 2
i ,t CPI i ,t ref i ,t 常数项F 统计量Sargan 稳健组估计值0.024-0.142-0.00056.89E-06-0.00040.0210.238-0.02-0.001-0.0041.017-1.091-0.077-4.440E-0710.058194.9143.81[32]（0.235）z 值
0.34-0.87-3.57***1.75*-0.691.161.440.450.04-2.32**0.86
-0.64-0.63-0.690.82相对风险组
估计值0.5631.144-0.001-2.35E-06-0.0410.1280.188-0.067-0.379-0.034-1.6313.6240.429-1.66E-07-38.38178.0364.2[34]（0.153）
z 值3.95***2.16**-1.77*-0.62-1.42.99***0.55-0.46-1.93*-3.37***-1.97**3.92***1.13-0.03-1.01
】
【52
发布评论