閆雨微

（西南財經(jīng)大學(xué)，四川 成都 611130）

一、引言與文獻綜述

中國經(jīng)濟發(fā)展方式已經(jīng)從規(guī)模速度型粗放增長轉(zhuǎn)向了質(zhì)量效率型集約增長，促進經(jīng)濟供給側(cè)結(jié)構(gòu)性改革，引導(dǎo)資金“脫虛向?qū)崱背蔀橥苿咏?jīng)濟高質(zhì)量發(fā)展的關(guān)鍵。然而近年來全球經(jīng)濟低迷，逆全球化風(fēng)險加劇，經(jīng)濟環(huán)境更為復(fù)雜和不確定。

長期以來，央行通過一系列穩(wěn)健的貨幣政策調(diào)節(jié)市場供求平衡，推動實體經(jīng)濟平穩(wěn)運行。2014年以前，我國貨幣政策以總量調(diào)控為主，通過央行、金融機構(gòu)和實體部門資產(chǎn)負債表之間的關(guān)聯(lián)和緊密互動，調(diào)控實體經(jīng)濟。然而，總量型貨幣政策不能精確引導(dǎo)金融機構(gòu)的具體偏好，對于微觀主體的調(diào)控具有一定的局限性。2014 年以來，為了平滑由于外匯占款趨勢下降、貨幣市場因基礎(chǔ)貨幣投放不足而產(chǎn)生的流動性風(fēng)險，滿足差異化流動性的需求，央行創(chuàng)新了一系列結(jié)構(gòu)型貨幣政策工具，輔助總量工具調(diào)控實體經(jīng)濟。然而，中小企業(yè)作為推動實體經(jīng)濟發(fā)展的生力軍，由于其經(jīng)營因素、風(fēng)險因素和信用因素等原因，長期面臨貸款難、貸款貴的難題。在經(jīng)濟結(jié)構(gòu)性調(diào)整、“三去一降一補”的經(jīng)濟發(fā)展政策背景下，央行對結(jié)構(gòu)型貨幣政策再創(chuàng)新，通過常備借貸便利、定向降準、再貼現(xiàn)再貸款等結(jié)構(gòu)性貨幣政策，調(diào)整信貸結(jié)構(gòu)，疏通貨幣傳導(dǎo)機制，解決國內(nèi)二元信用條件對小企業(yè)的融資約束。在過去的一年里，面對中美貿(mào)易摩擦升級帶來的動蕩的經(jīng)濟局勢，央行結(jié)合總量貨幣工具及時定向降準，宣布“三檔兩優(yōu)”存款準備金框架的形成，同時有針對性地完善了再貼現(xiàn)、常備借貸便利、動用存款準備金、流動性再貸款等防范中小銀行流動性風(fēng)險的“四道防線”，為中小銀行流動性提供保障。在全球掀起降息潮的局勢下，央行在下半年發(fā)布改革完善貸款市場報價利率（LPR）的公告，推動貸款利率“兩軌并一軌”，打破貸款利率隱形下限，進一步降低小微企業(yè)融資成本，助力實體經(jīng)濟。

根據(jù)凱恩斯貨幣政策傳導(dǎo)機制理論，貨幣政策通過影響市場利率，進而影響投資和實體經(jīng)濟的發(fā)展?？偟膩碚f，利率傳導(dǎo)模式為“政策利率-貨幣市場利率-存款利率-商業(yè)銀行整體負債成本-貸款利率”。央行通過貨幣政策的價格型調(diào)控，刺激實體經(jīng)濟發(fā)展。在全球經(jīng)濟下行的背景下，各國越來越重視結(jié)構(gòu)性貨幣政策的作用，如英格蘭銀行的融資換貸款計劃，歐洲央行的定向長期再融資操作，美聯(lián)儲的定期證券借貸便利、商業(yè)票據(jù)融資工具、定期資產(chǎn)支持證券貸款工具。但是與美國等發(fā)達國家以大規(guī)模擴張資產(chǎn)負債表、向金融機構(gòu)注入大量流動性為主的非常規(guī)貨幣政策不同，我國的結(jié)構(gòu)性貨幣政策具有短期性和易回收性等特征[1]，其中支小再貸款和定向降準政策聚焦于為中小銀行提供流動性保障，緩解小微企業(yè)和“三農(nóng)”貸款難的問題。

定向降準作為央行重要的結(jié)構(gòu)性貨幣政策，相比全面降準，精準性更高。全面降準往往被市場看作是貨幣政策全面寬松的信號，可能推動信貸資金大量流入房地產(chǎn)市場等非實體經(jīng)濟，目前我國經(jīng)濟運行整體平穩(wěn)，流動性總體適度充裕，沒有必要實施全面降準。而定向降準政策附加支小再貸款等政策，將全面降準的“大水漫灌”轉(zhuǎn)變成為“精準滴灌”，有利于擴大中小銀行的信貸投放能力，更加針對性地引導(dǎo)金融資源合理配置。然而，定向降準對于資金的定向引導(dǎo)或作用有限。從圖1可以看出，定向降準政策實施以來，雖然小微企業(yè)貸款增速大致高于全部企業(yè)貸款增速3 個百分點，但是小微企業(yè)貸款增速并不穩(wěn)定，并未形成明顯的上升趨勢，商業(yè)銀行小微企業(yè)貸款占比或并未發(fā)生明顯提高。這可能是由于：首先，定向降準多覆蓋中小銀行，且部分定向降準具有較高的標準，由于市場微觀主體行為的不可控性，定向降準政策引導(dǎo)資金的效果或有限，并不能緩解實體經(jīng)濟融資貴的困境。其次，定向降準雖然意在引導(dǎo)資金流向?qū)嶓w經(jīng)濟，但是基于商業(yè)銀行的盈利性目標，銀行多愿將可貸資金更多地投向收益高風(fēng)險小的大型企業(yè)。同時，信貸規(guī)模的擴大可能造成一部分可貸資金流入房地產(chǎn)等領(lǐng)域，加劇房地產(chǎn)泡沫，并未對實體經(jīng)濟產(chǎn)生實際效益。

圖1 企業(yè)貸款同比增速

在學(xué)術(shù)界，國內(nèi)外各學(xué)者對于結(jié)構(gòu)性貨幣政策的效果意見尚未統(tǒng)一。其中，部分國外學(xué)者重點研究了結(jié)構(gòu)性貨幣政策對于金融市場利率方面的影響[2]，部分從宏觀經(jīng)濟的層面入手重點研究以歐洲央行為代表的定向長期再融資計劃[3]和以英格蘭銀行為代表的融資換貸款計劃[4]的實際效用。

對于定向降準政策的效果，國內(nèi)各學(xué)者的態(tài)度也存在分歧。彭俞超、方意的研究說明定向降準等結(jié)構(gòu)型貨幣政策主要通過影響金融機構(gòu)的運營成本發(fā)揮信貸結(jié)構(gòu)調(diào)整和產(chǎn)業(yè)結(jié)構(gòu)升級的作用[5]。林朝穎等基于企業(yè)視角分析，發(fā)現(xiàn)定向降準政策出臺后，A 股農(nóng)業(yè)上市公司獲得的信貸資源占比有所提高，但定向調(diào)控與總量貨幣政策結(jié)合則會影響定向降準政策的精準性[6]。馬方方、谷建偉通過分析后發(fā)現(xiàn)，定向降準雖然可以增加小微企業(yè)貸款和涉農(nóng)貸款，但效果并不穩(wěn)定，結(jié)構(gòu)型定向調(diào)控措施只能作為短期過渡性措施，并不能納入長期政策框架[7]。黎齊通過實證研究表明，由于缺乏引導(dǎo)資金流入的途徑，定向降準釋放的流動性并未改善小微企業(yè)貸款難的問題[8]。此外，定向降準政策貸款比例設(shè)定標準較高，作用主體多為中小銀行，釋放資金體量較??；且由于資本的逐利性導(dǎo)致資金偏向于流入風(fēng)險更低、回報更高的項目，資金流向難以精確定位，因此定向降準政策對于緩解融資貴問題所起到的作用非常有限[9]。事實上，根據(jù)中國人民銀行在《2014 年第二季度中國貨幣政策執(zhí)行報告》中所述，定向降準主要發(fā)揮信號和引導(dǎo)作用，對微觀個體的決策干預(yù)效果有限，只有通過體制改革和市場的作用才能從根本上改善資金流向狀況，提升政策效果[10]。

本文基于已有研究，首先從理論模型研究出發(fā)，提出定向降準政策可以提高銀行小微企業(yè)貸款占比、銀行信用風(fēng)險對于定向降準政策效果具有影響兩條假說。然后構(gòu)建實證分析模型，從銀行側(cè)入手，對比分析政策實施對象與非政策實施對象重點在定向降準前后銀行小微企業(yè)貸款占比的變化情況，定量分析銀行新增流動性的流向，判定定向降準政策對于銀行貸款結(jié)構(gòu)的長期影響?；诨貧w分析結(jié)論，本文在理論研究所得假說的基礎(chǔ)上，將從銀行自身貸款風(fēng)險情況和所在城市外部信用風(fēng)險環(huán)境情況兩方面衡量銀行信用風(fēng)險狀況，分析銀行的綜合信用風(fēng)險環(huán)境對于定向降準政策效果的影響。最后，本文將從各經(jīng)濟主體的角度出發(fā)，為定向降準政策效果的充分發(fā)揮建言獻策。

本文的主要貢獻為：（1）從銀行側(cè)出發(fā)，從理論研究和實證分析兩方面研究定向降準政策對于銀行貸款結(jié)構(gòu)的影響，對定向降準政策效果的研究予以補充。國內(nèi)外各學(xué)者多從企業(yè)側(cè)入手，研究定向降準政策對于小微企業(yè)、“三農(nóng)”貸款困境的改善情況，從銀行角度出發(fā)進行分析的文獻較少。已有文獻多以小微企業(yè)貸款增量為政策效果衡量指標，對銀行信貸結(jié)構(gòu)的研究較少。本文從一定程度上填補了相關(guān)研究的空白，為日后其他學(xué)者的研究提供借鑒和參考的理論框架。（2）運用熵值法綜合衡量銀行自身的信用風(fēng)險承擔(dān)狀況，輔之以銀行所在城市的商業(yè)信用環(huán)境指數(shù)，較為全面地衡量了銀行信用風(fēng)險。通過理論與實證研究，分析了銀行風(fēng)險對于定向降準政策的影響，為定向降準政策效果改善途徑的相關(guān)研究提供借鑒。

二、理論模型和研究假說

已有研究表明，定向降準政策在理論上對銀行的信貸結(jié)構(gòu)具有一定的影響[6]?；谝延欣碚撗芯縖11]，本文對定向降準對銀行信貸結(jié)構(gòu)的影響以及銀行信用風(fēng)險對于定向降準政策效果的影響做出如下理論分析。

（一）基本模型

由資產(chǎn)負債恒等式

其中G 表示政府債券總額，L 表示貸款總額，R 表示存款準備金總額，D 表示存款總額，E表示銀行資本總額?？傻肔＝D＋E－G－R

將銀行貸款分為小微企業(yè)貸款LM和中大型企業(yè)貸款LNM，有L＝LM＋LNM，小微企業(yè)貸款占比為r，則有

假設(shè)銀行不留存超額準備金，設(shè)法定準備金比率為ρ，定向降準幅度為θ，獲得定向降準的概率為P，則有

銀行新增小微企業(yè)貸款占總發(fā)放貸款額的比例以及銀行貸款結(jié)構(gòu)中小微企業(yè)貸款占比越高，銀行成為定向降準政策對象概率越高，即概率P 是比率r 的增函數(shù)，設(shè)P 為r 的線性函數(shù)，P＝f（r），則

對模型進行簡化，做出如下合理假定：

（1）全國各類商業(yè)銀行是理性經(jīng)濟人，以追求自身利潤最大化為經(jīng)營目標。

（2）假設(shè)銀行不持有超額準備金，中央銀行不支付準備金利息。

（3）債券市場與銀行信貸市場為完全競爭市場，定向降準政策不影響債券利率和存貸款利率，即債券利率rG、存款利率rD、小微企業(yè)貸款利率rM、中大型企業(yè)貸款利率rNM均為常數(shù)。

（4）定向降準政策不影響銀行的資金來源和投資決策，即政府債券額G，存款總額D 和資本總額E 均為常數(shù)。

（5）定向降準政策不影響銀行信貸成本和自有資本成本，即小微企業(yè)貸款成本kM、中大型企業(yè)貸款成本kNM、自有資本成本系數(shù)kE常數(shù)。

（6）不考慮銀行其他收入及支出。

基于上述假設(shè)，商業(yè)銀行利潤總額為

其中g(shù)（α，L）為銀行貸款損失，為銀行自身承擔(dān)風(fēng)險狀況和外部信用風(fēng)險狀況指標α、銀行貸款總額L 的函數(shù)。

（二）定向降準政策效果

不考慮銀行貸款損失，即g（α，L）＝0 記，ΔrM＝（rM－kM），ΔrNM＝（rNM－kNM），商業(yè)銀行利潤最大化目標函數(shù)與約束條件為

將約束條件代入目標函數(shù)后，銀行最優(yōu)小微企業(yè)貸款比例r*的一階條件為

對r*進行比較靜態(tài)分析，將（9）式對定向降準幅度θ 求偏導(dǎo)

其中L－DPθ＝D＋E－G－R－DPθ＝D＋E－G－D（ρ－Pθ）－DPθ＝D＋E－G－Dρ 為銀行沒有獲得定向降準時的可貸資金總額

（三）銀行風(fēng)險對定向降準政策效果的影響

考慮銀行貸款損失，即g（α，L）≠0，其對小微企業(yè)貸款占比r 的一階導(dǎo)數(shù)為銀行信用風(fēng)險指標的函數(shù)。此時，商業(yè)銀行利潤最大化目標函數(shù)與約束條件為

此時銀行最優(yōu)小微企業(yè)貸款比例r′的一階條件為

對r′進行比較靜態(tài)分析，將（13）式對定向降準幅度θ 求偏導(dǎo)

其中L－DPθ＞0，一般情況下，小微企業(yè)貸款利率要高于中大型企業(yè)貸款利率，即ΔrM－ΔrNM＞0。因此，銀行小微企業(yè)貸款比例與定向降準幅度之間的關(guān)系取決于（ΔrM－ΔrNM）（L－DPθ）與u（α）的大小關(guān)系。

綜合（10）和（14）式的推導(dǎo)結(jié)果，得到本文兩條假說：

H1：定向降準政策可以提高商業(yè)銀行小微企業(yè)貸款占比。

H2：銀行風(fēng)險對于定向降準政策效果具有一定影響。

三、實證模型與樣本數(shù)據(jù)

（一）實證模型

基于理論分析得到的兩條假說，本文采用基于傾向值得分匹配的雙重差分模型（Propensity Score Matching Difference-in-Difference Analysis，PSM-DID）。采用傾向值得分匹配（PSM）的原因在于：雖然我國從2014 年起針對不同類型的商業(yè)銀行多次實施定向降準政策，但是城市商業(yè)銀行、農(nóng)村商業(yè)銀行、農(nóng)合行、農(nóng)信社等主要面向中小企業(yè)的金融機構(gòu)是其政策實施的重點對象。因此，可以認為，央行的定向降準政策并不是隨機選擇銀行實施，而是考慮了銀行自身的結(jié)構(gòu)特點定向?qū)嵤?。為了避免由于樣本選擇性偏誤造成的內(nèi)生性問題，我們依據(jù)銀行自身的經(jīng)營特點，采用傾向得分匹配（PSM）對中大型銀行與城市商業(yè)銀行、農(nóng)村金融機構(gòu)進行匹配。采用倍差法（DID）原因在于：央行實行定向降準政策的同時也通過其他貨幣政策進行宏觀調(diào)控，這些政策有可能會對商業(yè)銀行的小微企業(yè)貸款占比產(chǎn)生普遍性影響；某些無法觀測的因素也有可能會影響處理組與對照組的因變量趨勢，使參數(shù)估計結(jié)果產(chǎn)生偏誤，倍差法（DID）通過兩次差分，在一定程度上可以解決這個問題。

由于對照組樣本較少，采用PSM 從銀行風(fēng)險承擔(dān)狀況和償債能力、銀行經(jīng)營狀況兩方面為對照組樣本匹配盡可能相似的處理組樣本，構(gòu)造反事實狀態(tài)。選擇定向降準政策實施始點前的2013年末作為匹配時間，采用logit 模型進行K 臨近值匹配（k＝4），一般情況下可最小化均方誤差[12]。剔除不在共同支持域的樣本后，得到倍差法樣本。以下為倍差法實證模型設(shè)計。

1.定向降準對銀行小微企業(yè)貸款占比的影響。在PSM 匹配樣本后，處理組與對照組樣本具有相似的樣本特征，使用倍差法（DID）分析定向降準的政策效果。在后續(xù)實證分析中，通過F 檢驗和Hausman 檢驗判定采用隨機效應(yīng)面板回歸模型，DID 模型構(gòu)建如下。

其中，使用銀行當(dāng)年小微貸款占比作為被解釋變量，構(gòu)造二元虛擬變量treatment 定義組別，treatment＝1 為處理組，treatment＝0 為對照組；二元虛擬變量T 定義政策實施節(jié)點，T＝1 表示政策實施后的時期，T＝0 表示政策實施前的時期。引入反映銀行個體特征的變量X 與反映宏觀經(jīng)濟狀況的變量Y 作為控制變量。其中，銀行個體變量包含銀行償債能力和風(fēng)險狀況、銀行經(jīng)營狀況兩方面的變量。由于當(dāng)年的銀行個體特征會影響當(dāng)年的銀行小微企業(yè)貸款占比，小微企業(yè)貸款占比也會影響當(dāng)年銀行的盈利和風(fēng)險承擔(dān)狀況，為了避免內(nèi)生性，使用個體特征的滯后一期變量Xt－1，同時也可以說明銀行過去一年的盈利和風(fēng)險狀況會影響其下一年的貸款結(jié)構(gòu)決策，具有實際經(jīng)濟意義。此外，引入時間虛擬變量，其中D2＝1，如果t＝2（2009 年）；D2＝0，t≠2，其余年份以此類推。εit為干擾項。

（15）式中政策變量與組別變量的交互項treatment*T 為核心變量，通過分析此項系數(shù)β3考察定向降準政策的實施效果。

2.銀行信用風(fēng)險環(huán)境對于定向降準的調(diào)節(jié)作用。根據(jù)第二條假說，本文基于前述DID 模型，加入銀行信用風(fēng)險調(diào)節(jié)變量探究其對于定向降準政策的調(diào)節(jié)作用。經(jīng)過F 檢驗和Hausman 檢驗，采用隨機效應(yīng)面板模型。模型調(diào)整如下。

其中銀行信用風(fēng)險變量由內(nèi)部風(fēng)險指數(shù)和外部風(fēng)險指數(shù)兩部分構(gòu)成。通過實證分析模型（16）中交互項treatment*T*Mit的系數(shù)θ1，定量分析銀行所處信用風(fēng)險環(huán)境對定向降準政策效果的影響。

3.銀行信用風(fēng)險指數(shù)計算。

（1）銀行內(nèi)部風(fēng)險指數(shù)。

本文采用熵值法，根據(jù)樣本數(shù)據(jù)信息確定各指標權(quán)重，計算銀行內(nèi)部加權(quán)風(fēng)險指數(shù)。具體步驟如下：

第一步，對數(shù)據(jù)進行標準化處理。

對于正向指標，采用（17）式處理，對于負向指標，采用（18）式處理

Xijt，xijt表示第i 家銀行指標j 在第t 年在標準化前后的數(shù)值，下同

第二步，利用（19）式，得到新的P 矩陣。

第三步，計算各個指標的熵值

第四步，計算指標的差異指數(shù)

第五步，計算權(quán)重

第六步，采用（23）式計算各銀行內(nèi)部風(fēng)險指數(shù)，并用上一年的各指標信息計算當(dāng)年內(nèi)部風(fēng)險指數(shù)以避免內(nèi)生性。

（2）銀行外部信用風(fēng)險指數(shù)。

由于中國城市商業(yè)信用環(huán)境指數(shù)與銀行所處外部風(fēng)險負相關(guān)，因此需要對其正向化和無量綱化。計算公式為

（二）數(shù)據(jù)來源與變量設(shè)計

本文所使用的宏觀數(shù)據(jù)以及銀行財務(wù)經(jīng)營數(shù)據(jù)來自CSMAR 數(shù)據(jù)庫和CEIC 宏觀經(jīng)濟數(shù)據(jù)庫，部分銀行貸款數(shù)據(jù)源于銀行年報。貨幣政策數(shù)據(jù)來源于中國人民銀行官網(wǎng)，中國城市商業(yè)信用環(huán)境指數(shù)來自CEI 官網(wǎng)。

為探究定向降準對銀行貸款結(jié)構(gòu)的影響，以及銀行信用風(fēng)險指數(shù)對于定向降準的調(diào)節(jié)作用，除五大國有商業(yè)銀行（郵政儲蓄銀行在2019 年才成為第六大國有銀行，不在本文的樣本選擇時間范圍內(nèi)，因此沒有選擇郵政儲蓄銀行進入樣本）以及十二家股份制商業(yè)銀行外，本文從全國各省份選取各種類型的商業(yè)銀行作為研究對象。由于2019 年“三檔兩優(yōu)”存款準備金框架的形成和貸款市場報價利率（LPR）形成機制的改革完善會干擾定向降準政策實施效果的判定，因此樣本選擇2009-2018 定向降準政策實施前后十年的數(shù)據(jù)。對原始樣本數(shù)據(jù)進行篩選后，對所有連續(xù)型變量進行1%水平上截尾處理，以控制離群樣本值對估計結(jié)果的偏差。

參考趙碧瑩[13]相關(guān)研究，結(jié)合本文研究重點，變量設(shè)置及計算釋義如表1 所示。

（三）描述性統(tǒng)計分析

對于樣本數(shù)據(jù)的各變量分別做描述性統(tǒng)計分析，并對處理組和對照組加以對比。表2 列出部分差異較明顯的變量描述性統(tǒng)計結(jié)果。結(jié)果顯示，在國家政策對小微企業(yè)的大力扶持以及銀行等金融機構(gòu)的積極響應(yīng)下，各類銀行機構(gòu)小微企業(yè)貸款占比呈現(xiàn)逐年上升的趨勢，其中處理組銀行小微企業(yè)貸款占比整體上高于對照組銀行，體現(xiàn)出了大銀行服務(wù)重心下沉，中小銀行聚焦主責(zé)主業(yè)的特點。銀行風(fēng)險情況方面，中小銀行風(fēng)險抵抗能力較弱，因此在貸款損失準備方面具有更高水平。在銀行經(jīng)營情況方面，在激烈和復(fù)雜的金融市場競爭環(huán)境中，多元化發(fā)展和業(yè)務(wù)創(chuàng)新成為各類商業(yè)銀行發(fā)展的重要途經(jīng)。大型銀行擁有更為龐大的經(jīng)營規(guī)模和資金，具有更廣泛的業(yè)務(wù)覆蓋范圍，相比中小銀行具有更為多元的中間業(yè)務(wù)收入來源。

表1 主要變量釋義

表2 描述性統(tǒng)計結(jié)果

四、實證分析

（一）定向降準對銀行小微企業(yè)貸款占比的影響

1.PSM 匹配結(jié)果。由于對照組中大型銀行的規(guī)模和資金水平遠高于處理組的中小銀行，因此從銀行的償債能力和風(fēng)險狀況以及經(jīng)營情況兩方面概括銀行的個體特征時，無法選擇絕對指標進行匹配，本文最終選擇權(quán)益負債比率、撥備覆蓋率、息稅前利潤與資產(chǎn)總額比以及成本收入比四個相對指標作為匹配變量，最終選擇22 家中大型銀行作為對照組樣本，94 家城市、農(nóng)村金融機構(gòu)作為處理組樣本。對匹配后的樣本進行變量平衡性檢驗，結(jié)果顯示對照組和處理組各變量在匹配后無顯著性差異，匹配效果較好。

2.實證結(jié)果與分析。對（15）式隨機效應(yīng)面板DID 模型進行回歸分析，為避免異方差，采用穩(wěn)健標準誤?；貧w結(jié)果如表3 所示。對于反映定向降準政策效果的核心變量政策變量與組別變量的交互項，隨著控制變量的逐步加入，此變量系數(shù)始終具有顯著性，說明定向降準政策對于銀行小微企業(yè)貸款占比具有一定的正向調(diào)節(jié)作用，即在2014 年頒布定向降準政策后，各商業(yè)銀行積極響應(yīng)國家政策，根據(jù)自身情況對本行小微企業(yè)貸款在總貸款中所占的比重加以調(diào)整，增大自身可貸資金流向小微企業(yè)的比重，助力小微企業(yè)的發(fā)展。實證結(jié)果表明，定向降準政策對于引導(dǎo)銀行貸款資金精準流向?qū)嶓w經(jīng)濟具有一定的效果。

對于可能會對銀行小微企業(yè)貸款占比產(chǎn)生影響的控制變量，表3 第五列回歸結(jié)果表明，在銀行風(fēng)險狀況和償債能力相關(guān)指標中，不良貸款率對于銀行的小微貸款投放比重具有重要的負向影響。一般說來，銀行的不良貸款率較高、對各項不良貸款的損失準備金計提不充足或?qū)ω搨Y本的保障程度較低時，銀行自身的償債能力不足，面臨更大的風(fēng)險。此時由于向中小企業(yè)貸款收益較低且往往具有比大型企業(yè)更高的信用風(fēng)險，銀行為了規(guī)避風(fēng)險，往往選擇減小向小微企業(yè)貸款投放比重，并設(shè)置貸款限制或停貸。銀行所處的內(nèi)部和外部信用風(fēng)險環(huán)境對銀行的貸款投放決策具有顯著影響，本文在后續(xù)將著重對銀行的信用風(fēng)險環(huán)境做進一步分析。

表3 回歸結(jié)果：定向降準對銀行小微企業(yè)貸款占比的影響

此外，回歸結(jié)果顯示，對于反映銀行經(jīng)營狀況的控制變量，無論是單個變量還是各變量的交互項，都并未對銀行向小微企業(yè)貸款投放比重產(chǎn)生顯著性影響。這可能與定向降準政策本身所具有的局限性有關(guān)。由于央行的定向降準政策對于銀行小微企業(yè)貸款比例所設(shè)定的標準較高，中大型商業(yè)銀行在考慮自身經(jīng)營目標的情況下，達到此標準具有一定困難，因此定向降準對其貸款結(jié)構(gòu)的調(diào)整效果十分有限。但是不可否認的是，中大型商業(yè)銀行以其龐大的資金和經(jīng)營規(guī)模，雖在小微企業(yè)貸款投放比重較小，但在投放總量上仍舊對小微企業(yè)發(fā)揮了至關(guān)重要的作用。

由于在樣本期間內(nèi)，央行實施了其他政策助力小微企業(yè)融資，這些政策可能會使定向降準的政策效果估計出現(xiàn)偏差。為了排除其他政策的干擾，進行反事實檢驗[14]，將未實施定向降準政策的2012 年作為虛擬政策實施始點進行模型回歸，政策變量和組別變量交互項系數(shù)并不顯著，間接表明實證結(jié)果的穩(wěn)健性。

（二）銀行信用風(fēng)險環(huán)境對定向降準的調(diào)節(jié)作用

通過（17）-（24）式計算銀行內(nèi)部和外部信用風(fēng)險指數(shù)。計算內(nèi)部風(fēng)險指數(shù)時，綜合考慮銀行的風(fēng)險承擔(dān)與抵抗能力，除使用變量CAR、PRC、NPL 外，加入變量存貸比LDR，即銀行貸款與存款的比例，以反映銀行應(yīng)對風(fēng)險的流動性水平。存貸比由于直接受到定向降準政策的影響，因此在前述分析中并未將其作為控制變量，但在此處計算綜合指數(shù)時不存在此問題。CAR、NPL和LDR 為正向指標，PRC 為負向指標。考慮外部風(fēng)險時，使用中國城市商業(yè)信用環(huán)境指數(shù)CEI衡量銀行所處城市的外部信用風(fēng)險環(huán)境。CEI 指數(shù)從信用投放、信用監(jiān)管、征信系統(tǒng)及企業(yè)感受等維度對城市綜合商業(yè)信用環(huán)境進行評估，可以較為客觀全面地衡量銀行所面臨的外部信用環(huán)境。使用CEI 指數(shù)衡量銀行外部信用風(fēng)險時，對于未進行指數(shù)報告的年份，使用其前后兩年CEI指數(shù)的平均值作為該年指數(shù)。對于經(jīng)營范圍遍布全國的大型商業(yè)銀行，使用其投放貸款地區(qū)分布比例信息對地區(qū)CEI 指數(shù)加權(quán)求和，得到最終CEI 指數(shù)。

對于加入銀行信用風(fēng)險變量的隨機效應(yīng)面板DID 回歸模型式（16）進行實證分析，回歸結(jié)果如表4 所示。在分別加入銀行內(nèi)部外部信用風(fēng)險的調(diào)節(jié)變量后，由表3 第二列和第三列可知，相比原模型，核心變量政策變量與組別變量的交互項仍舊對銀行小微企業(yè)貸款占比具有顯著的正向影響。

銀行的外部信用風(fēng)險環(huán)境指數(shù)對于定向降準的政策效果具有負向影響，即銀行所在地的商業(yè)信用風(fēng)險指數(shù)越高，銀行對小微企業(yè)貸款的投放越謹慎，定向降準對銀行資金的定向引導(dǎo)作用被削弱。由于CEI 指數(shù)綜合考慮了城市的信貸投放規(guī)模、企業(yè)貸款質(zhì)量以及監(jiān)管體系的完善性，因此當(dāng)?shù)厣虡I(yè)信用環(huán)境風(fēng)險指數(shù)高，意味著當(dāng)?shù)仄髽I(yè)整體發(fā)展狀況不穩(wěn)定，政府等機構(gòu)構(gòu)成的監(jiān)管體系不完善，小微企業(yè)融資主體的不良貸款率較高，呆賬、壞賬風(fēng)險較高。因此雖然定向降準政策對銀行流動性產(chǎn)生了一定利好，但是銀行為控制風(fēng)險、實現(xiàn)經(jīng)營目標，主動調(diào)整小微企業(yè)貸款占比的意愿較弱，新增流動性仍舊會更多地流向中大型企業(yè)和非實體經(jīng)濟。

銀行的內(nèi)部風(fēng)險指數(shù)對于定向降準政策效果具有負向影響。正如前文實證分析所述，小微企業(yè)通常由于其經(jīng)營的不穩(wěn)定性可能提高銀行的不良貸款率，增加銀行承擔(dān)的信用風(fēng)險。雖然定向降準政策帶來的流動性利好可能增大銀行的利潤空間，但銀行決策往往要考慮到自身經(jīng)營情況和內(nèi)外競爭等多方面因素。同時，雖然小微企業(yè)中不乏經(jīng)營狀況良好、信用級別較高的企業(yè)，但是對于企業(yè)的考察評估需要較長時間和較大成本，對銀行貸款決策行為影響有限。

（三）穩(wěn)健性檢驗

為證實前述結(jié)論的穩(wěn)健性，將PSM匹配變量更換為不良貸款率、成本收入比、息稅前利潤資產(chǎn)比、存貸比，重新選擇處理組和對照組樣本進行模型回歸分析，共選擇了63 家城市、農(nóng)村金融機構(gòu)作為處理組，20 家大型商業(yè)銀行作為對照組。重新進行上述實證分析，主要回歸結(jié)果如表5 所示。從分析結(jié)果中可以得到與前述實證分析基本一致的結(jié)論。政策變量和組別變量的交互項系數(shù)正向顯著，說明定向降準政策可以在一定程度上增加銀行的小微企業(yè)貸款占比。分別加入銀行內(nèi)部和外部風(fēng)險調(diào)節(jié)變量，交互項均具有負向顯著性，說明銀行所處的貸款環(huán)境風(fēng)險越高，銀行對于小微企業(yè)貸款的發(fā)放越為謹慎。

表4 回歸結(jié)果：銀行信用風(fēng)險環(huán)境對定向降準的調(diào)節(jié)作用

表5 穩(wěn)健性檢驗主要回歸結(jié)果

五、結(jié)論

本文從銀行側(cè)出發(fā)，基于全國各類商業(yè)銀行的微觀數(shù)據(jù)，從銀行風(fēng)險狀況和償債能力以及盈利狀況兩個方面分析定向降準政策對于銀行貸款結(jié)構(gòu)的影響。理論研究和實證結(jié)果表明，定向降準政策有利于銀行增加小微企業(yè)貸款占比，增大對小微企業(yè)的貸款力度，改善小微企業(yè)貸款難的問題。但是，銀行小微企業(yè)貸款的決策會受到其所處信用風(fēng)險狀況的影響。在考慮內(nèi)部風(fēng)險時，小微企業(yè)由于其發(fā)展的不穩(wěn)定性、信息披露的不完整性，往往具有更高的信用風(fēng)險，銀行在具有較高的風(fēng)險負壓時，更傾向于規(guī)避風(fēng)險，將可貸資金分配給收益更為穩(wěn)定的中大型企業(yè)。在考慮外部風(fēng)險時，銀行所處城市的商業(yè)信用環(huán)境對于銀行貸款決策具有重要的參考意義。城市商業(yè)信用環(huán)境建設(shè)良好時，小微企業(yè)貸款附加的風(fēng)險更低，銀行對小微企業(yè)貸款的支持力度更大。

基于以上結(jié)論，本文提出以下啟示：（1）定向降準政策應(yīng)當(dāng)結(jié)合總量貨幣政策工具適時施行，并且與財政政策相協(xié)調(diào)，適宜增大銀行的信貸規(guī)模，鼓勵銀行提高對實體經(jīng)濟的支持力度。同時加強對非實體經(jīng)濟行業(yè)領(lǐng)域的監(jiān)管力度，增加流動性投放的精準性，改善小微企業(yè)貸款現(xiàn)狀，促進實體產(chǎn)業(yè)高質(zhì)量發(fā)展，帶動經(jīng)濟結(jié)構(gòu)性改革。（2）由于銀行的外部信用風(fēng)險環(huán)境對于定向降準作用具有負向影響，而小微企業(yè)信息披露多不完善，信用風(fēng)險較高，因此應(yīng)當(dāng)健全地方監(jiān)管體系和監(jiān)管制度，健全小微企業(yè)征信體系，增加信用環(huán)境建設(shè)，并利用大數(shù)據(jù)和信息平臺等手段降低征信成本的同時增加監(jiān)管透明度，增強銀行與企業(yè)互信。（3）由于銀行的內(nèi)部風(fēng)險承擔(dān)狀況對于定向降準政策效果具有負向影響，因此監(jiān)管機構(gòu)和組織應(yīng)當(dāng)增強對商業(yè)銀行的監(jiān)管力度，依據(jù)銀行的經(jīng)營情況合理控制銀行風(fēng)險承擔(dān)水平，提高銀行風(fēng)險抵抗能力。