货币政策能否促进银行对小微企业信贷投放

奥鹏网院作业

货币政策能否促进银行对小微企业信贷投放
——基于宏观经济不确定视角的研究
史小坤 陈 文

[提 要] 本文研究在宏观经济不确定条件下，不同货币政策工具能否促进银行对小微企业信贷投放。首先，将货币政策引入考虑了宏观经济不确定性的银行资产组合模型中，论证货币政策、宏观经济不确定性与银行信贷资产配置的理论关系。然后利用我国181家银行2004—2018年的数据，检验在宏观经济不确定条件下，不同货币政策工具对银行小微企业信贷行为调控的作用效果。研究结果表明：宏观经济不确定性会抑制银行信贷行为。其中小微企业信贷占比较大的银行受到的影响更为显著。与数量型货币政策相比，价格型货币政策能够更显著地减轻不确定性对银行小微信贷的消极影响。其中银行同业拆借利率的调控效果最强。研究结论对于选择适宜的货币政策工具促进银行向小微企业信贷投放，化解经济不确定性对银行信贷行为的影响并助力小微企业发展等具有政策借鉴意义。

[关键词] 宏观经济不确定性；价格型货币政策；数量型货币政策；小微企业信贷

一、引言
席卷全球的新冠肺炎疫情和中美贸易摩擦等事件造成了宏观经济发展的不确定性，对金融体系和经济发展产生极其深远的影响。小微企业作为中国个体数量大、创新基因活跃的经济主体，面临着前所未有的生存和发展考验。如何通过货币政策调控尽快减轻经济不确定性给小微企业发展造成的影响，成为大家关注的焦点。根据央行的统计数据显示，2020年6月末商业银行对实体经济发放的人民币贷款余额为163.9万亿元，同比增长13.3%，在同期社会融资规模存量的占比达到60.3%，同比增长0.3个百分点。由此可以看出，商业银行信贷依然是我国经济发展主要的融资方式。然而，商业银行作为小微企业主要的外部融资资金供给者，在经济不确定性提升时出于风险的考虑会增加信贷成本或减少信贷投放，从而加剧了小微企业融资困境。如何通过货币政策的调控，减弱经济不确定性对商业银行小微企业信贷行为的影响，促进银行对小微企业信贷投放，是本文研究的核心问题。

经济不确定性不仅会引发经济波动(王博等，2019；祝梓翔等，2020)和系统性金融风险，还会对银行信贷行为造成直接影响。因经济不确定性导致的贷款质量显著降低(Talavera et al.，2012)、银行经营风险增加(王璐等，2020)、破产概率上升(Valencia，2017)、银行流动性水平变动(郝威亚等，2017)、信贷需求变化等(何富美等，2019)，商业银行会降低信贷供给。不同类型商业银行对经济不确定性影响的敏感性存在差异。规模越小、流动性约束越强的银行，对不确定性影响的敏感性越高(沈悦和马续涛，2017)。积极的货币政策是应对经济不确定性的重要手段(祝梓翔等，2020)。虽然货币政策本身也会造成经济不确定性问题(王博等，2019)，但是货币政策可以通过经济主体的风险厌恶偏好、信贷约束引起的信贷摩擦和货币政策惯性影响经济不确定性。其中信贷约束是最主要的影响途径(祝梓翔等，2020)。提高银行信贷占比，能够减缓企业融资约束(李广子等，2016)。因此，在现有文献基础上，有必要进一步按照银行的小微企业信贷占比大小进行银行异质性分类，在宏观经济不确定性环境下，研究货币政策工具对银行小微企业信贷的调控作用和效果。

鉴于此，本文将着重研究货币政策是否可以缓解宏观经济不确定性对银行小微企业信贷行为的影响，并判断哪种货币政策工具能更有效地促进银行对小微企业信贷投放。首先，将货币政策工具引入考虑了经济不确定性的银行信贷组合模型中，分析货币政策调控经济不确定性对银行信贷行为影响的理论机制，并提出研究假说。然后根据小微企业贷款占比对银行样本进行分类，检验不同的货币政策工具对不同类型银行小微企业信贷行为的调控效果。结果表明，宏观经济不确定性对商业银行信贷行为产生了负向影响，且小微企业信贷占比较高的银行受到的影响更为显著。与数量型货币政策相较而言，价格型货币政策更加显著减轻不确定性对银行小微企业信贷的消极影响。其中银行同业拆借利率的调控效果最强。

本文可能的研究贡献有：首先，本文补充了在 宏观经济不确定性环境下货币政策对银行信贷行为调控作用的研究。本文将货币政策工具引入包含了经济不确定性的银行资产组合模型，刻画货币政策工具、经济不确定性和小微企业信贷的关系，研究货币政策对商业银行小微企业信贷行为的作用效果，为进一步研究提供了文献基础。其次，本文的研究为货币政策直达小微经济的政策选择和实际需求提供了经验研究的支持。本文基于GARCH模型测算出我国宏观经济不确定性指标，实证检验了货币政策对银行信贷行为的调控作用，并在使用小微企业信贷业务占比对银行分类的基础上，进行异质性检验。检验结果显示，货币政策能够缓解宏观经济不确定性对小微企业信贷占比较大银行的不利影响。相较于法定存款准备金率，银行同业拆借利率这种货币政策工具的调控效果更强。本文为选择适宜的货币政策工具促进银行对小微企业信贷投放提供了参考。

二、理论分析和研究假设
(一)基于文献的理论分析
1.经济不确定性影响企业投资的渠道和机制。现有文献对经济不确定性影响的研究，主要包括实物期权理论和金融摩擦与预防性储蓄理论。这两种理论分析了经济不确定性影响企业投资行为的不同渠道和作用机制。

实物期权理论认为，不确定性的外部冲击表现为企业净资产价值的缩水、资产负债表恶化和收益减少。经济不确定性的上升增加了企业的期权价值，企业可能会选择减少当期投资活动，以期未来获得更大收益(Dixit & Pindyck，1994；金雪军等，2014)。外部经济不确定性通过需求渠道(销售)而非融资渠道，对企业期权价值产生负向冲击(Baum et al.，2009)。此时，货币政策调控效果很弱(Aastveit et al., 2017)，调节商业银行流动性的政策效果会受到限制(王义中和宋敏，2014)。对于企业基于期权价值的投资行为，货币政策的调节作用具有同质性，也就是说无论大中型企业还是小微企业，货币政策的调节作用难以体现差异化。如图1所示，对于由外部总需求引致的企业投资行为，货币政策的调节作用是同质的，无法进一步考察货币政策对小微企业信贷的作用机制和效果，这不作为本文研究的核心问题。

金融摩擦与预防性储蓄理论认为，经济不确定性增加了信贷市场的金融摩擦和银企之间的信息不对称，银行出现惜贷行为并形成贷款供给约束(Bernanke et al.，1999)。同时，外部经济不确定性改变了企业和金融机构对经济发展平稳性的预期，形成了期望收益的噪音信号，降低了银行对信贷投资机会的判断能力。出于经营安全性的考虑，银行调整系统性风险贷款资产占总资产的比例。随着宏观经济不确定性的增加，银行贷款资产占比会下降(Baum et al.，2009 )。经济不确定性的逐渐加强也增加了企业经营的不确定性(李凤羽和杨墨竹，2015)。这提高了银行对企业未来收益率有效评估的难度，进一步加大银行对企业的违约风险预期和信贷约束。小微企业更容易面临银行基于风险预期的信贷约束，从而影响小微经济发展(冉瑞恩和邓翔，2016)。

2.货币政策对经济不确定性影响的调节作用。货币政策对经济不确定性影响的调节作用主要有两种效应：信号效应和信贷传导效应。信号效应改变市场预期，信贷传导效应改变信贷行为选择。首先，货币政策具备信号效应。货币政策作为一种金融市场信号影响银行在金融市场上的预期，是银行信贷期望收益预测的重要参数(Baum et al.，2009)。在信号效应作用下，商业银行会根据货币政策，尤其是结构性货币政策的动向改变信贷决策(Altavilla & Giannone，2015)。比如定向降准政策作为一种结构性货币政策，因为可以定向提高为小微企业提供贷款的银行流动性，从而改变商业银行的信贷投放决策，最终带来银行对小微企业信贷投放规模的扩张。其次，货币政策还具有直接的银行信贷传导效应。即货币政策的改变引起银行信贷供给行为的改变，并随后引起企业所受融资约束的变化。不同规模企业融资约束程度不同，在我国小微企业受到的融资约束程度很大。由此提出本文的核心研究问题，即货币政策是否对银行小微企业信贷业务受经济不确定性的影响具有调节作用，从而促进银行对小微企业的信贷投放(见图1)。

width=539,height=247,dpi=110
图1 研究框架与核心问题

(二)货币政策工具影响机制的理论推导与研究假设
1.经济不确定性对银行小微企业信贷的影响。首先，将货币政策工具引入Baum et al.(2009)及邱兆祥和刘远亮(2010)建立的包含经济不确定性的银行资产组合模型，从理论上论证货币政策对小微企业信贷受到宏观经济不确定性影响具有调控作用。

假设银行所处的投资环境是有风险的。在经营的每一个阶段，银行将所有可用资金(扣除法定准备金之后的所有可用资金)只进行两种资产的配置：贷款和债券。其中债券属于无风险资产。假设银行每期都会将所有存款用于投资。投资于无风险资产获得的收益要远远小于投资于贷款资产得到的期望收益。无风险收益与贷款期望收益之间的差值是一种风险补偿。如果宏观经济发生波动，银行预测此时贷款风险较大，则会选择将存款投资于无风险资产——债券。

假设在t时刻，银行i所能投资的贷款对于所有银行而言是同质的。设无风险债券收益率为rf,t，贷款资产的收益率是随机的：

width=120,height=20,dpi=110
(1)

式中，premiumi,t表示贷款资产收益率和无风险收益率的差值，其期望值和方差分别用E(premiumi,t)=ρi,t和width=143,height=20,dpi=110来表示。综上，风险性贷款的真实收益可以表示为：

width=105,height=20,dpi=110
(2)

式中，随机项εi,t服从均值为0、方差为width=23,height=20,dpi=110的正态分布，即width=111,height=20,dpi=110假设每家银行都有一个不同风险结构的特定投资组合(Baum et al.，2009)。虽然所有银行都面临相同的外部宏观经济因素的影响，但不同银行的风险资产结构不尽相同。由此假设任意两家银行收益率的随机项不相关，即E(εi,t,εj,t)=0。

假设每一时期银行投资于风险资产(贷款)的比例为pi,t，那么投资于无风险资产(债券)的比例为(1-pi,t)。也就是说，银行面对的是一个投资组合优化问题。为了让组合的风险和收益符合期望，银行需要测算并调整贷款资产的投资比例以达到最佳风险收益组合。虽然投资决策过程中难以观察到投资组合的风险溢价，但是假设能观察到关于εi,t的噪音信号：

Si,t=εi,t+υt

(3)

式中，υt是εi,t的独立随机变量，服从正态分布width=76,height=20,dpi=110噪音信号中的υt波动的方差与经济不确定性成正比。当不确定性变大时，υt波动的方差会增加，银行较难对贷款资产的收益和风险进行正确的预判。

另外，式(3)中笔者假设银行在噪音信号中的υt是一致的，但是这并不意味着每家银行所观测到的信号是一致的。由于εi,t不尽相同，那么通过观察噪音信号得到的全局信息也会存在很大差异。

为了对贷款的期望收益width=17,height=17,dpi=110进行合理估计，需要对影响贷款收益的随机变量εi,t做出预判。如果缺失了所能观察到的噪音信号，就只能假设εi,t的期望为零。这会使得估计过于简单并导致偏误。正是由于Si,t的存在，观察到正确的信号便能准确估计投资贷款所得条件期望E(εi,t|Si,t)。

根据Si,t=εi,t+υt，可以随时生成εi,t与Si,t的多种组合。运用这些组合，在Si,t已知的条件下能够对εi,t进行最优预判。因此，对式(4)的参数进行最小二乘估计：

εi,t=α+βtSi,t+e

(4)

系数α和β的最小二乘估计分别为：width=140,height=26,dpi=110和width=195,height=26,dpi=110显然width=11,height=16,dpi=110为0。根据式(3)可知：

width=128,height=20,dpi=110
(5)

width=131,height=20,dpi=110
(6)

由此可得：

width=90,height=46,dpi=110
(7)

将式(7)代入式(4)，可得：

width=111,height=46,dpi=110
(8)

所以εi,t的条件期望能够表达为：

E(εi,t|Si,t)=βtSi,t=βt(εi,t+υt)

(9)

式中，width=93,height=46,dpi=110第i家银行投资组合的条件期望收益E(Ri,t|Si,t)能够通过式(10)表示：

E(Ri,t|Si,t)=pi,t(rf,t+ρi,t+E(εi,t|Si,t))

+(1-pi,t)rf,t

=pi,t(rf,t+ρi,t+βt(εi,t+υt))

+(1-pi,t)rf,t

(10)

式中，Ri,t表示总收益。银行从风险资产(贷款)和无风险资产(债券)中得到的期望收益分别由等式右边第一部分和第二部分表示。银行总收益的条件方差为：

width=160,height=20,dpi=110
(11)

投资组合的风险大小对效用函数的影响也不容忽视。假设银行的效用函数为：

width=287,height=35,dpi=110
(12)

式中，ω为风险厌恶系数。将式(10)和式(11)代入式(12)，可得：

E(Ui,t|Si,t)=pi,t(rf,t+ρi,t+βt(εi,t+υt))

width=173,height=34,dpi=110
(13)

令J(pi,t)表示关于pi,t的银行效用函数，即：

J(pi,t)=max[E(Ui,t|Si,t)]

(14)

求式(14)关于pi,t的导数，并让它等于0，就能够测算出第i家银行的最优贷款/资产比例。即：

width=283,height=44,dpi=110
(15)

可以求得：

width=96,height=44,dpi=110
(16)

同时，根据式(13)还可以求得银行最优贷款/资产比例的截面分布方差：

width=134,height=46,dpi=110
(17)

由式(16)和式(17)可以看出，最优贷款/资产比例和其截面分布方差均与宏观经济不确定性程度width=23,height=20,dpi=110呈负相关关系。这与既有文献结论一致。

进一步用式(17)中的方差表达式对width=23,height=20,dpi=110求偏微分，可得：

width=190,height=46,dpi=110
(18)

由式(18)还可以得出，当宏观经济不确定性width=23,height=20,dpi=110增加时，银行贷款资产占总资产比重的方差收窄，银行倾向于在其投资组合中更均匀地配置资产，不再仅仅为了追求高收益而加大贷款资产的配置，而是均匀地配置贷款资产和无风险资产。这是因为随着经济不确定性增加，企业资产净值会下降。在这种情况下，资产净值大的企业通常更容易获得银行贷款(Gertler & Gilchrist, 1994)。而小微企业因为资产净值小更容易受到不确定性的冲击，银行会首先缩减小微企业贷款。也就是说，小微企业信贷占比较大的银行所受到不确定性影响更为显著。综上笔者提出本文的第一个研究假说。

假说1 宏观经济不确定性会对我国商业银行信贷行为产生抑制作用，且小微企业信贷占比较大的银行受到的影响更为显著。

2.货币政策对经济不确定性影响的调节作用。货币政策对经济的调节作用主要通过两条途径：企业资产负债表途径和银行信贷途径。其中资产负债表途径主要是通过利率的变化影响借款企业的资产净值，进而缓冲经济不确定性对企业投资行为的影响，不会直接影响银行的信贷行为选择(Angelopoulou & Gibson，2009)。货币政策的银行信贷途径，可以分为银行信贷规模渠道的调控(法定准备金政策和公开市场业务)和利率渠道的调控(基准利率和同业拆借利率)。银行信贷规模渠道通过直接影响银行货币供给量来影响企业的投资行为，从而缓冲经济不确定性的影响(战明华和应诚炜，2015)。货币政策利率渠道的作用机理是，短期利率变化通过影响银行的资本最终影响银行的信贷供给量。比如利率上升降低了银行有价证券的价值，从而使银行资本下降并减弱了银行筹集资金的能力。同时利率上升改变了银行的资产负债期限配置，增加了银行筹集资金的代理成本(Van den Heuvel，2006)，这最终导致银行货币供给量下降。可以看出货币政策的信贷规模渠道和利率渠道最终都是通过影响银行货币供给量发挥调控作用的。

据此，理论分析模型中不再区分具体的货币政策工具，而是设置一个货币政策调节带来的货币供给量的变化率(Ct)。宽松型货币政策带来银行货币供给量上升(Ct>0)，紧缩型货币政策带来银行货币供给量下降(Ct<0)。在此基础上，第i家银行投资组合的条件期望收益E(Ri,t|Si,t)可以表示为：

E(Ri,t|Si,t)=(1+Ct)[pi,t(rf,t+ρi,t

+βt(εi,t+υt))+(1-pi,t)rf,t]

width=149,height=34,dpi=110
(19)

令K(pi,t)表示关于pi,t的银行效用函数，求其关于pi,t的导数，并让它等于0，就能够测算出第i家银行的最优贷款/资产比例。即：

width=58,height=44,dpi=110=(1+Ct)[ρi,t+βt(εi,t+υt)]

width=155,height=20,dpi=110
(20)

可以求得：

width=134,height=44,dpi=110
(21)

进一步用式(21)中的pi,t对width=23,height=20,dpi=110求偏微分，可得：

width=152,height=44,dpi=110
(22)

对于式(22)的结果，本文从两个方面进行解析：假设市场利率并不随着银行信贷供给的变化而变化，那么由货币政策调控引起的银行信贷供给发生变化(Ct)的过程，具有缓冲经济不确定性影响的作用。假设市场利率随着货币政策和银行信贷供给变化时，Ct和ρi,t的变化对式(22)具有同向性影响。比如当经济不确定性增加时，实行宽松货币政策进行调节，Ct>0，ρi,t的值减小，式(22)右侧的绝对值增加，共同缓冲了经济不确定性对银行贷款资产配置的影响。据此，笔者提出本文的假说2。

假说2 货币政策在宏观经济不确定性影响银行信贷的过程中会起到显著的调节作用。

三、变量选取与模型设定
(一)变量的选取
1.宏观经济不确定性指标。现有最普遍的经济不确定性测量方式是GARCH模型。使用ARCH模型或GARCH模型计算的条件方差不会忽视之前发生过的事实信号，可以提高测度不确定性数据时的精度和准确性。因此，本文通过GARCH模型测算条件方差得到宏观经济不确定性指标。

虽然现有文献使用的宏观经济变量指标不完全一致，但是大部分学者都会使用月度或者季度实际国内生产总值的条件方差作为衡量标准(Talavera et al.，2012；王义中和宋敏，2014)。因季度实际GDP变化率不仅具备相当鲜明的长期趋势，也存在着显而易见的季节性特征，所以需要剔除长期趋势和季节性特征的影响。本文将首先使用HP滤波去除数据的长期趋势，然后利用X-12方法进一步删去季节因素的影响，并对所得结果进行平稳性检验。结果表明，在进行过上述处理之后数据偏离值是平稳的。

为了构建经济不确定性指标，首先需要两个联立方程，分别为式(23)水平方程和式(24)波动方程，得到变量yt的条件方差ht。如果模型估计结果中GARCH项和ARCH项系数(即α0和α1)都显著，就表示ht可以用作宏观经济不确定性的代理变量。在实证分析使用处理后的季度GDP实际增长率，得到衡量宏观经济不确定性的变量unc：

yt=βxt+ηt

(23)

width=129,height=20,dpi=110
(24)

2.货币政策代理变量。本文使用法定存款准备金率(RRR)作为数量型货币政策的代理变量，使用银行同业拆借利率(shibor)和贷款基准利率(iL)作为价格型货币政策代理变量，其中银行同业拆借利率用7天同业拆借利率代表。同时，在对法定存款准备金率和贷款基准利率变量处理上，采用了董华平和干杏娣(2015)的做法：如果在某个年度内央行没有对利率进行调整，那么这个利率水平就是当年货币政策代理变量的取值；如果央行在某个年度内对利率进行了调整，就用每个利率水平所维持的时间长度作为权重，加权计算出该年的数据。

3.被解释变量和控制变量。被解释变量使用银行的贷款资产比率，即银行贷款资产总量与银行总资产之比(Talavera et al.，2012)。变量名称为lending，如表1所示。宏观经济控制变量选用利率市场化指数和房地产行业净资产收益率。借鉴彭建刚等(2016)的做法，根据存贷款利率、债券市场利率、货币市场利率和理财产品收益率不同的维度建立指标体系，计算得到我国利率市场化指数(MKR)。另外，即使排除贷款利率上限的影响，银行也可能因为其他资产的投资回报率更高而减少对小微企业的信贷投放量。因此，引入房地产行业净资产收益率(RE)作为其他行业投资机会的代理变量。

表1 相关变量说明

width=745,height=434,dpi=110
依据“CAMEL”法则从银行成长性、流动性水平、抵御风险能力、经营效率和盈利水平五个方面选择微观控制变量。资产流动性(liquid)用流动性资产与总资产之比测算。流动性资产可以理解为银行的缓冲库存，持有一定量的流动性资产有利于银行把握当前可盈利的投资机会，因此预期其系数为正。经营效率(cap)用资本收益率来表示。资产成长性(gra)用总资产增长率度量。银行的盈利水平则用资产收益率(roa)度量。银行出于获利能力的目的，需要保持一定的放贷速度，因此预期roa系数为正。考虑到资金来源对商业银行信贷供给的约束作用，增加了存款规模depo作为控制变量，并取其对数。由于样本银行包括一些非上市银行，为了避免数据大量缺失，在设置银行的风险指标时，借鉴徐明东和陈学彬(2012)的做法，分别选取Z值(z-score)和净贷款/总资产(nla)衡量银行破产风险和信用风险，其中净贷款由银行贷款总额减去坏账损失计算得出。衡量银行破产风险的Z值定义如下：

width=105,height=44,dpi=110
(25)

式中，roa表示资产回报率；σ(roa)表示资产回报率的标准差(使用3年的数据滚动计算roa标准差)；ea代表资本资产比例，由股东权益与总资产之比计算得出。Z值越大，表示银行面临的破产风险越大。

(二)模型设定
1.构建宏观经济不确定性与商业银行信贷行为的模型。为了检验宏观经济不确定性与商业银行信贷行为之间的关系，构造基准模型：

lendingi,t=αi+βiunct-1+γiconti,t-1+μi,t

(26)

式中，i=1，2，…，N表示不同银行；t=1，2，…，T表示年份；随机变量αi表示的是不同银行之间的异质性；μi,t表示会随个体和时间产生变化的干扰项。核心解释变量为宏观经济不确定性(unc)；cont代表微观及宏观的控制变量。模型中的核心解释变量和控制变量均滞后一期。模型(26)中若β符号小于0，则意味着在维持其他因素不变的情况下，宏观经济不确定性与银行信贷行为之间呈负向关系。

2.设定货币政策调控作用的模型。为验证货币政策是否能够在宏观经济不确定性影响银行信贷的过程中起到显著的调节作用，在式(26)中引入经济不确定性(unc)与货币政策的交互项，构建静态计量模型如下：

lendingi,t=αi+βiunct-1+δ1MPt-1+δ2unct-1

×MPt-1+γiconti,t-1+μi,t

(27)

式中，MP表示货币政策代理变量。在式(27)中参数δ2衡量的是在价格型或数量型货币政策工具调控作用下，银行信贷对宏观经济不确定性的敏感水平。

(三)数据描述
为了满足数据的可得性和完整性，将样本采集的时间区间定为2004年第1季度—2018年第4季度。银行非平衡面板数据来自全球银行与金融机构分析库(Bankscope)。宏观数据来源于同花顺数据库、wind数据库和BvD系列库EIU Country Data。本文使用Stata15.0对模型进行回归处理。

使用Stata15.0对季度宏观经济不确定性指标进行调整，得到年度宏观经济不确定性指标。为了排除异常值对回归结果造成较大干预，将全部微观变量进行了缩尾处理，将数据前1%和后1%的部分去除。表2为主要变量的描述性统计结果。不同年份之间宏观经济不确定性标准差差距较大，说明数据波动较大。这是因为样本时间包含了2006—2007年股票市场的牛市时期和2007—2009年经济衰退期。利率市场化指数的最小值为44.68%，最大值为99.68%，且标准差较小。房地产行业净资产收益率波动较小。银行平均总贷款资产比为46%，最大值为72.21%，最小值为18.50%，标准差为0.107。这说明银行将近半数资产是贷款资产，不同时期银行之间信贷规模有较大差距。流动性资产占比的均值为19.99%，最大值和最小值的差别较大，说明我国银行资产流动性普遍较高。样本银行客户存款规模之间差别较大，银行成长性差异较大。除此之外，计算了解释变量之间的相关系数，结果显示其绝对值大部分都小于0.4。这表明模型的多重共线性不会对实证结果产生显著不利影响。

表2 相关变量的描述性统计

width=744,height=422,dpi=110
四、实证结果与分析
(一) 模型的估计方法
由于本文选用了2004—2018年商业银行的多种数据指标，所以使用面板数据模型进行检验。

为了选取合适的估计模型，笔者使用Stata15.0软件分别设立了固定效应面板模型和随机效应面板模型，通过F检验和Hausman检验的结果进行判断。假设该估计可以使用混合模型，结果发现F检验的p值均小于0.01，拒绝原假设。再通过Hausman检验来判断，首先假设个体与解释变量没有显著关系，结果通过检验发现p值小于0.01，拒绝原假设，选择固定效应模型进行实证分析。

(二)银行异质性分类
为了考察货币政策是否能够通过银行信贷途径直达小微企业，在对商业银行进行分类时，将小微企业贷款量作为银行的异质性特征，采用如表3所示的分类方法。

表3中，小微企业贷款占比指的是小微企业贷款占贷款总额的比例。使用2016—2018年我国181家银行小微企业贷款占比均值作为判别依据，共得到39家非小微信贷银行、75家一般小微信贷银行和67家主要小微信贷银行。

表3 银行分类方式

width=375,height=117,dpi=110
(三)宏观经济不确定性与商业银行信贷行为关系的检验结果
由于利率市场化指数和其他投资机会理论上会对小微企业信贷业务产生较大影响，因此在做分样本处理时，就将其作为控制变量加入模型中以排除其影响。模型(26)回归结果如表4所示。表4列(1)为宏观经济不确定性与全样本商业银行信贷行为关系的检验结果，表4列(2)～列(4)表示分样本后，引入利率市场化指数(MKR)和其他投资机会(RE)的实证结果。

从表4的列(1)可以看到unc的回归系数为负，说明我国商业银行信贷规模与宏观经济不确定性之间存在显著负向关系。然后看表4列(2)～列(4)分样本的结果，通过比较不同样本之间不确定性unc的系数可以发现，一般小微信贷银行和主要小微信贷银行的显著性水平大于非小微信贷银行，且一般小微信贷银行的系数绝对值最大，非小微信贷银行的系数绝对值最小。小微信贷银行对经济不确定性变化更加敏感，受到的经济不确定性的冲击比非小微信贷银行更大，对利率市场化及其他行业的冲击也更为敏感。基准模型的实证结果验证了假说1。从控制变量来看，利率市场化指标(MKR)的系数为负，房地产行业收益率(RE)的系数为正。 roa的系数大多小于零，说明银行为控制风险，会降低风险较大的贷款资产总额。gra的系数也大多小于零。depo与信贷总量的系数为正，nla对银行贷款规模的影响显著为正。

(四)货币政策对小微企业信贷调控作用的实证检验
为了考察货币政策对小微企业信贷的调控作用，对式(27)进行回归，结果如表5所示。其中，表5列(1)和列(2)的货币政策代理变量为银行同业拆借利率，表5列(3)和列(4)的货币政策代理变量为贷款基准利率，表5列(5)和列(6)的货币政策代理变量为存款准备金率。

表5的实证结果显示，无论是针对表5列(1)、列(3)、列(5)表示的一般小微信贷银行，还是表5列(2)、列(4)、列(6)表示的主要小微信贷银行，货币政策工具均可对其信贷投放产生显著的调节作用。表5列(1)和列(2)所示银行同业拆借利率、表5列(3)和列(4)所示贷款基准利率和表5列(5)和列(6)所示法定存款准备金率回归结果中一次项系数与交互项系数符号均显著相反。这就是说，这些货币工具都可以减小经济不确定性对商业银行信贷业务的边际效应。可以看出，价格型和数量型货币政策工具都可以缓解由不确定性所造成的消极影响，而且价格型货币政策工具的调节作用更显著，由此验证了假说2。另外，通过比较边际效应大小，可以发现，同业拆借利率起到的抑制作用最大，调节效果最好，而法定存款准备金率的调节作用最小。

表4 不确定性与银行信贷实证分析结果

width=744,height=616,dpi=110
说明：括号内值为标准差，*表示p<0.1,**表示p<0.05,***表示p<0.01，非小微、一般小微和主要小微分别对应表3的非小微信贷银行、一般小微信贷银行和主要小微信贷银行，下表同。

五、稳健性检验
为了确保上述研究结论的可靠性，通过更换被解释变量和工具变量方法，对模型内生性和估计结果的稳健性做进一步检验。

(一)更换被解释变量
由于经济政策同样会导致宏观经济发生波动，参照张浩等(2015)的做法，引入由Baker et al.(2016)提出的经济政策不确定性指数EPU作为宏观经济不确定性的代理变量，以检验核心解释变量估计结果的稳健性。回归结果如表6所示。大部分系数的符号及显著性程度与表4及表5结果保持一致。

表5 货币政策对银行小微企业信贷调控作用的实证结果

width=744,height=815,dpi=110
(二)使用工具变量法解决模型的内生性问题
本文隐藏的内生性问题不可忽视，即由于宏观经济不确定性与银行信贷之间可能存在互为因果关系。因此，使用工具变量法来解决可能的内生性问题。

表6 使用经济政策不确定性指数的稳健性检验

width=744,height=815,dpi=110
借鉴Zhang(2009)和彭俞超等(2018)的研究，采用每年全国人民代表大会收到的人大代表议案数量的自然对数(lnPEO)和美国经济政策不确定性指数的年度均值(USEPU)作为工具变量。这两个变量均有可能引起我国的宏观经济政策发生变化，从而带动宏观经济不确定性上升，对于银行信贷行为具有一定的外生性。回归结果见表7。从回归结果可以看出，在排除了内生性问题的情况下，不确定性与银行信贷之间依然存在负相关关系，货币政策工具可以显著减少不确定性的边际效应。

表7 使用工具变量法的稳健性检验

width=745,height=668,dpi=110
六、研究结论和政策启示
基于我国181家商业银行2004—2018年的面板数据，本文分析了商业银行信贷行为与宏观经济不确定性之间的关系，按照商业银行对小微企业信贷业务占比进行样本银行分类，检验货币政策对小微企业信贷影响的调控作用。本文的检验结果显示，宏观经济不确定性对银行信贷行为存在消极影响，且小微企业信贷占比较高的银行受到经济不确定性的影响更为显著。对于经济不确定性的这种影响，价格型和数量型货币政策均具有显著的调节作用，且价格型货币政策工具的作用更显著，其中银行同业拆借利率的作用效果最强。

鼓励创新和融资支持中小微企业发展，以创新引领我国经济高质量持续发展成为“十四五”期间重要的经济发展战略。我国小微企业的外部融资主要依赖银行信贷。因此，银行信贷行为对小微经济发展有着举足轻重的影响。虽然对于银行个体来说，当出现经济不确定性预期时，通过收缩信贷规模减少未来亏损是一种合理的“自我保险”行为，然而一旦着眼于经济全局，信贷规模削减不仅会阻碍小微经济发展，也不利于经济高质量持续发展。因此，需要进一步改革和完善货币政策体系，通过货币政策工具引导商业银行对小微企业信贷的投放，实现货币政策直达小微经济，从而促进小微企业创新和发展。第一，建立完整的宏观经济预警体系，密切观测各种不同种类风险的冲击，尽早对容易引起宏观经济大幅波动的因素进行辨别和处理。第二，选择适宜的货币政策调控方式，抓住稳健货币政策的关注点，合理控制政策的发展动向和实施强度，引导银行扩大对小微企业发展的融资支持，同时维持政策的连续性，防止政策自身导致的经济不确定性。第三，确保信息披露过程的全面性、透明性和及时性，为经济主体提供良好的决策环境，避免因为信息偏误、脱漏或延时引发的经济不确定性。

参考文献

董华平、干杏娣，2015：《我国货币政策银行贷款渠道传导效率研究——基于银行业结构的古诺模型》，《金融研究》第10期。

郝威亚、魏玮、周晓博，2017：《经济政策不确定性对银行风险承担的影响研究》，《经济问题探索》第2期。

何富美、欧阳志刚、豆振江，2019：《经济政策不确定性是否抑制了中国银行信贷》，《当代财经》第12期。

金雪军、 钟意、王义中，2014：《政策不确定性的宏观经济后果》，《经济理论与经济管理》第2期。

李凤羽、杨墨竹，2015：《经济政策不确定性会抑制企业投资吗?——基于中国经济政策不确定指数的实证研究》，《金融研究》第4期。

李广子、熊德华、刘力，2016：《中小银行发展如何影响中小企业融资?——兼析产生影响的多重中介效应》，《金融研究》第12期。

彭建刚、王舒军、关天宇，2016：《利率市场化导致商业银行利差缩窄吗？——来自中国银行业的经验证据》，《金融研究》第7期。

彭俞超、韩珣、李建军，2018：《经济政策不确定性与企业金融化》，《中国工业经济》第1期。

邱兆祥、刘远亮，2010：《宏观经济不确定性与银行资产组合行为:1995～2009》，《金融研究》第11期。

冉瑞恩、邓翔，2016：《中国银行业市场结构下小微企业融资问题研究》，《财经问题研究》第7期。

沈悦、马续涛，2017：《政策不确定性、银行异质性与信贷供给》，《西安交通大学学报(社会科学版)》第3期。

王博、李力、郝大鹏，2019：《货币政策不确定性、违约风险与宏观经济波动》，《经济研究》第3期。

王璐、张迎春、余丽霞，2020：《经济不确定、银行管理者乐观主义与银行风险承担》，《经济理论与经济管理》第1期。

王义中、宋敏，2014：《宏观经济不确定性、资金需求与公司投资》，《经济研究》第2期。

徐明东、陈学彬，2012：《货币环境、资本充足率与商业银行风险承担》，《金融研究》第7期。

战明华、应诚炜，2015：《利率市场化改革、企业产权异质与货币政策广义信贷渠道的效应》，《经济研究》第9期。

张浩、李仲飞、邓柏峻，2015：《政策不确定、宏观冲击与房价波动——基于LSTVAR模型的实证分析》，《金融研究》第10期。

祝梓翔、高然、邓翔，2020：《内生不确定性、货币政策与中国经济波动》，《中国工业经济》第2期。

Aastveit, K.A., G.J.Natvik, and S.Sola, 2017, “Economic Uncertainty and the Influence of Monetary Policy”, Journal of International Money and Finance, 76: 50-67.

Altavilla, C., and D.Giannone, 2015, “The Effectiveness of Nonstandard Monetary Policy Measures: Evidence from Survey Data”, Staff Reports 752, Federal Reserve Bank of New York..

Angelopoulou, E., and H.D.Gibson, 2009, “The Balance Sheet Channel of Monetary Policy Transmission: Evidence from the United Kingdom”, Economica, 76(304): 675-703.

Baker, S.R., N.Bloom, and S.J.Davis, 2016, “Measuring Economic Policy Uncertainty”, Quarterly Journal of Economics, 131(4): 1593-1636.

Baum, C.F., M.Caglayan, and N.Ozkan, 2009, “The Second Moments Matter: The Impact of Macroeconomic Uncertainty on the Allocation of Loanable Funds”, Economics Letters, 102(2): 87-89.

Bernanke, B.S., M.Gertler, and S.Gilchrist, 1999, “The Financial Accelerator in a Quantitative Business Cycle Framework”, in Handbook of Macroeconomics, edited by J.B.Taylor and M.Woodford, Amsterdam: Elsevier.

Dixit, A.K., and R.S.Pindyck, 1994, Investment under Uncertainty, Princeton: Princeton University Press.

Gertler, M., and S.Gilchrist, 1994, “Monetary Policy, Business Cycles and the Behavior of Small Manufacturing Firms”, Quarterly Journal of Economics, 109(2): 309-340.

Talavera, O., A.Tsapin, and O.Zholud, 2012, “Macroeconomic Uncertainty and Bank Lending: The Case of Ukraine”, Economic Systems, 36(2): 279-293.

Valencia, F., 2017, “Aggregate Uncertainty and the Supply of Credit”, Journal of Banking and Finance, 81: 150-165.

Van den Heuvel, S.J., 2006, “The Bank Capital Channel of Monetary Policy”, 2006 Meeting Papers 512, Society for Economic Dynamics.

Zhang, W., 2009, “China’s Monetary Policy: Quantity Versus Price Rules”, Journal of Macroeconomics, 31(3): 473-484.

CAN MONETARY POLICY PROMOTE BANK LOANS TO SMALL AND MICRO ENTERPRISES
——Research Based on the Macroeconomic Uncertainty
SHI Xiao-kun CHEN Wen

(School of Finance, Zhejiang Gongshang University)

Abstracts：This study focuses on whether different kinds of monetary policy tools can promote bank credit to small and micro enterprises under macroeconomic uncertainty. First, this paper adds monetary policy into a bank assets portfolio model with macroeconomic uncertainty, demonstrating the theoretical relationship among macroeconomic uncertainty, monetary policy and bank asset allocation. Then, based on the panel data of domestic commercial banks from 2004 to 2018, this paper empirically tests the effect of bank credit result when using different kinds of monetary policy tools under economic uncertainty. The conclusions show that macroeconomic uncertainty can inhibit bank credit, especially for banks with large share of small and micro enterprise loans; compared with quantitative monetary policy, price monetary policy can more significantly reduce the negative impact of uncertainty on small and micro credit of banks, and interbank interest rate has the strongest effect. The conclusions are of great political significance as they can help solve the problems of choosing suitable monetary policy to promote bank credit to small and micro enterprises, to ease the problem of economic uncertainty and help the development of small and micro enterprises.

Key words: macroeconomic uncertainty; price monetary policy; quantitive monetary policy; small and micro enterprises credit

史小坤、陈文(通讯作者)，浙江工商大学金融学院，邮政编码：310018，电子信箱：35500514@qq.com。本文得到浙江工商大学泰隆金融学院2020年度重点项目“数字金融对中小企业技术创新的驱动作用研究——基于双重金融摩擦治理的视角”(TFS20KY004)的资助。感谢匿名评审人提出的修改建议，笔者已做了相应修改，本文文责自负。

(责任编辑：刘舫舸)