鄭錄軍 孫 毅

（中國人民銀行濟南分行，山東 濟南 250021）

一、引言

2020年初新冠肺炎疫情（以下簡稱疫情）的暴發(fā)對我國經(jīng)濟社會造成了較大沖擊，在此過程中，實體經(jīng)濟風(fēng)險不斷向銀行業(yè)金融機構(gòu)傳導(dǎo)，特別是對農(nóng)村商業(yè)銀行（以下簡稱農(nóng)商行）的資產(chǎn)質(zhì)量構(gòu)成了嚴峻挑戰(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)”、民營企業(yè)和小微企業(yè)的主力軍，發(fā)揮著不可替代的作用?？茖W(xué)評估疫情對農(nóng)商行的影響，預(yù)測和準確識別其信用風(fēng)險水平的變化，對于農(nóng)商行的改革發(fā)展、完善風(fēng)險處置預(yù)案及維護金融穩(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)理模型研究疫情對農(nóng)商行的風(fēng)險沖擊及異質(zhì)性和監(jiān)管部門的政策效應(yīng)。本文可能的貢獻在于：一是從實證分析角度，檢驗了農(nóng)商行信用風(fēng)險受到疫情的影響及異質(zhì)性，評估其經(jīng)營穩(wěn)健性和風(fēng)險管理水平；二是以疫情為樣本，利用風(fēng)險沖擊評估結(jié)果和金融機構(gòu)抗風(fēng)險能力等結(jié)論，為中小金融機構(gòu)提供了應(yīng)對公共事件沖擊影響的策略方案和轉(zhuǎn)型路徑。

二、文獻綜述

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

關(guān)于疫情對金融系統(tǒng)的影響，現(xiàn)有文獻主要側(cè)重對金融市場、銀行業(yè)的初步分析。Bartscher 等（2020）認為疫情導(dǎo)致利率水平大幅下降且一般持續(xù)時間較長，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)動性顯著增強。趙強（2020）指出疫情對中小銀行風(fēng)險化解帶來諸多挑戰(zhàn)，如資產(chǎn)增長放緩、資產(chǎn)質(zhì)量問題凸顯、股權(quán)結(jié)構(gòu)變動頻繁、資金補充和盈利能力堪憂等。

在農(nóng)商行信用風(fēng)險的影響因素方面，若不考慮經(jīng)濟周期和外部沖擊的影響，相關(guān)研究認為主要因素為治理機制不完善、信用風(fēng)險控制不到位、經(jīng)營管理粗放等。如王倩等（2016）以石嘴山農(nóng)商行為對象，認為體制不健全、缺乏信貸風(fēng)險預(yù)警、風(fēng)險意識薄弱、客戶信用體系不完善等是該行信貸風(fēng)險的主要成因。崔鈞等（2016）認為，改革發(fā)展緩慢、經(jīng)營能力較差、自我管理能力不強、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)外部兩個方面分析了農(nóng)信社不良貸款的成因，其中內(nèi)部原因為風(fēng)險識別機制不健全、經(jīng)營管理粗放、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 個省份的年度數(shù)據(jù)，分析得出政府的過度干涉會加大銀行的信貸風(fēng)險。

后疫情時代，金融機構(gòu)如何應(yīng)對疫情所帶來的風(fēng)險沖擊也是學(xué)者研究和關(guān)注的重點，相關(guān)研究主要集中于應(yīng)急機制建設(shè)、業(yè)務(wù)模式創(chuàng)新、風(fēng)險管理、轉(zhuǎn)型化發(fā)展等。李建紅（2020）認為后疫情時代商業(yè)銀行運營管理應(yīng)保持適度安全冗余，積極探索線上線下一體化運營，實現(xiàn)集約運營向智慧運營升級。黃雋和孫九倫（2021）從公司治理、資本補充、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)險管理的長效機制。王俊壽（2021）指出，后疫情時代銀行保險業(yè)機構(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)場景、厘清差異化實施路徑、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，加快推動數(shù)字化轉(zhuǎn)型。

通過梳理文獻發(fā)現(xiàn)，目前關(guān)于疫情對銀行業(yè)機構(gòu)的影響的研究較少，尤其是關(guān)注中小銀行機構(gòu)的文獻明顯不足。此外，關(guān)于銀行機構(gòu)應(yīng)對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

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)險水平。

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

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)境相對較差，逃廢債現(xiàn)象時常發(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；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)險水平上升。

（二）中央銀行貨幣政策工具對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行宏觀流動性管理的工具，最直接的作用是向商業(yè)銀行提供流動性，進而解決流動性結(jié)構(gòu)性缺口問題。中央銀行與金融機構(gòu)之間一對一的操作或者公開市場流動性調(diào)節(jié)工具的運用，一方面，豐富了商業(yè)銀行獲得流動性的渠道，提高了銀行的流動性水平；另一方面，能有效調(diào)節(jié)市場短期和長期資金供給，熨平突發(fā)性、臨時性因素導(dǎo)致的市場資金供求的大幅波動（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)定市場預(yù)期，構(gòu)建利率走廊機制，有助于提高銀行流動性風(fēng)險的承擔能力（王倩等，2016）。最重要的是，結(jié)構(gòu)性貨幣政策通過釋放流動性對商業(yè)銀行信貸行為產(chǎn)生“規(guī)模效應(yīng)”；同時，通過降低貨幣市場利率對信貸行為產(chǎn)生“價格效應(yīng)”，引導(dǎo)商業(yè)銀行加大對疫情相關(guān)行業(yè)企業(yè)的資金支持，緩解疫情對經(jīng)濟的影響（郝慧剛和孫坤鑫，2020）。另外，對于以小微企業(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，進而為農(nóng)商行信用風(fēng)險防控提供磨合期（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，政策對疫情沖擊具有抑制性。

（三）疫情對農(nóng)商行的沖擊效應(yīng)存在異質(zhì)性

雖然疫情對所有農(nóng)商行都會造成沖擊，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)險水平較低的農(nóng)商行在面臨疫情沖擊時，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)量下降的程度將遠小于前者。

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

根據(jù)前文分析，本文提出假設(shè)：

H3：疫情對農(nóng)商行的沖擊效應(yīng)存在顯著的機構(gòu)差異，疫情前風(fēng)險水平高的農(nóng)商行受疫情沖擊更為嚴重。

H4：疫情對農(nóng)商行的沖擊效應(yīng)存在顯著的地域差異，欠發(fā)達地區(qū)的農(nóng)商行受疫情沖擊更為嚴重。

四、研究設(shè)計

（一）模型設(shè)定

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

此外，考慮到風(fēng)險水平不僅受當期信貸行為的影響，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)險水平的一階滯后項，設(shè)定如下模型：

其中，risk為農(nóng)商行在時刻的風(fēng)險水平，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劃兩項貨幣政策工具的發(fā)放情況，考慮到兩項政策工具作為疫情后出臺的貨幣政策調(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； X為一組與風(fēng)險水平有關(guān)的控制變量；ε表示隨機擾動項。

（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、信貸、監(jiān)管等指標數(shù)據(jù)和所在縣（區(qū)）的宏觀經(jīng)濟數(shù)據(jù)，以及2020年6月后對兩項工具的使用數(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)險水平的代表因素，不良貸款率越大，表明銀行風(fēng)險水平越高。

控制變量選取方面，本文主要考慮農(nóng)商行風(fēng)險的影響因素。學(xué)者們將銀行風(fēng)險歸結(jié)為外部風(fēng)險和內(nèi)部風(fēng)險，外部風(fēng)險主要與經(jīng)濟環(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)險則源于銀行自身行為，主要包括資產(chǎn)風(fēng)險（丁振輝和韓佩穎，2016）、操作風(fēng)險（蔡衛(wèi)星和高明華，2010）和盈利性風(fēng)險（熊曉煉和向菊）等。借鑒上述研究，本文控制了加權(quán)風(fēng)險資產(chǎn)（ra）、小微企業(yè)貸款占比（rl）、獨立董事數(shù)量（indep）、高管持股比例（esecu）、凈利潤（profit）、撥備覆蓋率（pc）、GDP增長率（GDP）、消費價格指數(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）估計方法的選擇

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

在使用GMM 估計時需考慮兩個方面：一是擾動項不存在自相關(guān)，此為GMM 作為一致估計的前提，因此，在參數(shù)估計后，需進行擾動項的自相關(guān)性檢驗；二是由于GMM 估計使用工具變量數(shù)量較多，需進行過度識別檢驗。

五、實證分析

（一）描述性統(tǒng)計分析

所有樣本數(shù)據(jù)描述性統(tǒng)計結(jié)果見表2，從標準差和極值數(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

（二）疫情對農(nóng)商行不良貸款率的影響分析

本文分別對樣本數(shù)據(jù)進行差分GMM 估計和系統(tǒng)GMM 估計。在首次回歸中，GDP 增長率變量不顯著，這與現(xiàn)有文獻研究結(jié)論不一致?？紤]到GDP 增長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 增長率的二次項，最終參數(shù)估計結(jié)果見表3。從表3可以看出，差分GMM估計和系統(tǒng)GMM 估計的參數(shù)存在一定差異，如對疫情這一關(guān)鍵解釋變量的估計，差分GMM 估計結(jié)果顯示疫情對農(nóng)商行不良貸款率有顯著影響，而系統(tǒng)GMM 估計結(jié)果則表明疫情并沒有對農(nóng)商行不良貸款率帶來顯著影響。從統(tǒng)計量看，兩個估計的F 統(tǒng)計量均顯著，表明本文設(shè)定的模型在兩種估計方法下均有較好的整體擬合效果。sargan 統(tǒng)計量均不顯著，說明無法拒絕原假設(shè)，兩種估計方法均不存在過度識別問題。在得到估計結(jié)果后，本文進一步對擾動項自相關(guān)性進行檢驗，結(jié)果如表4所示。

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

表4：自相關(guān)檢驗結(jié)果

自相關(guān)檢驗結(jié)果表明，系統(tǒng)GMM 擾動項存在一階自相關(guān)，不符合估計方法的前置條件，而差分GMM 估計則接受擾動項無自相關(guān)的假設(shè)，表明差分GMM 估計的參數(shù)較為合理?；诖?，以下分析主要在差分GMM下進行。

從表3中看到，疫情對農(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個百分點，假設(shè)1 得證。另外，農(nóng)商行不良貸款率確實受過去值的影響，說明了本文動態(tài)面板數(shù)據(jù)估計方法的合理性。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、獨立董事數(shù)量、撥備覆蓋率影響，而加權(quán)風(fēng)險資產(chǎn)、凈利潤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)，表明當前小微企業(yè)貸款確實會給農(nóng)商行帶來潛在不良貸款風(fēng)險。從經(jīng)濟環(huán)境因素看，GDP增長率的二次項，估計系數(shù)顯著為正，表明GDP 增長率與不良貸款率呈U 形關(guān)系。在GDP 增長率較低時，不良貸款率隨GDP 增長率的上升而下降；當GDP 增長率達到一定程度后，不良貸款率隨GDP 增長率的上升而上升。這表明，當經(jīng)濟增長率控制在一定范圍內(nèi)時，農(nóng)商行信貸業(yè)務(wù)平穩(wěn)發(fā)展，此時隨著經(jīng)濟的逐漸增長，借貸主體產(chǎn)出增加（如企業(yè)的收入、個人的工資等），貸款劣變可能性降低，不良貸款率也隨之下降；當經(jīng)濟過熱時，農(nóng)商行也會盲目擴張，造成不良貸款率的上升。

進一步分析政策效應(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劃則對農(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劃則是給予農(nóng)商行一定的低成本流動性資金，對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劃對農(nóng)商行并不具有普適性，只有評級達標才可申請政策支持。

（三）安慰劑檢驗

由于疫情變量屬于時間虛擬變量，本文借鑒林毅夫等（2020）的做法，采取假設(shè)將疫情暴發(fā)時間前移的方法進行安慰劑檢驗?？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行不良貸款處置），因此，在安慰劑檢驗中將疫情發(fā)生時間前移2年，即假設(shè)疫情暴發(fā)的時間為2018年第一季度。另外，為了規(guī)避由于過長時間跨度引起的不確定因素干擾，本文選取假設(shè)時間前后各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)）進行檢驗。安慰劑檢驗結(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結(jié)果

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

為分析疫情對不同風(fēng)險水平農(nóng)商行影響的差異性，本文使用2019年4期評級結(jié)果進行分組，穩(wěn)健組為2019年全年中央銀行評級結(jié)果在5 級之內(nèi)（包括5級）的銀行，該組機構(gòu)基本不存在風(fēng)險；相對風(fēng)險組為2019年至少有一次評級結(jié)果為6 級及以上的銀行，該組機構(gòu)在某段時期內(nèi)可能存在一定風(fēng)險。穩(wěn)健組機構(gòu)數(shù)量為39 家，相對風(fēng)險組機構(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)險水平農(nóng)商行差分GMM估計結(jié)果

從表6看出，對于穩(wěn)健組樣本數(shù)據(jù)，疫情對不良貸款率的影響不顯著，疫情并未對該類農(nóng)商行的風(fēng)險帶來沖擊；而對于相對風(fēng)險組樣本，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)估計看，疫情因素導(dǎo)致相對風(fēng)險組的整體不良貸款率上升1.14 個百分點，高于全樣本回歸結(jié)果，表明風(fēng)險水平較高的農(nóng)商行受疫情影響更為嚴重，假設(shè)H3得證。

（五）疫情對不同地區(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)濟發(fā)達程度劃分為發(fā)達地區(qū)和相對欠發(fā)達地區(qū)，觀察疫情變量對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 這一指標進行劃分，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)達地區(qū)，反之為相對欠發(fā)達地區(qū)。發(fā)達地區(qū)農(nóng)商行數(shù)量為34 家，相對欠發(fā)達地區(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估計結(jié)果

從現(xiàn)實來看，發(fā)達地區(qū)農(nóng)商行由于具備經(jīng)濟產(chǎn)出水平高的地域優(yōu)勢，其不良貸款風(fēng)險相對較低，數(shù)據(jù)樣本分布同樣證明了這一現(xiàn)實，發(fā)達地區(qū)樣本與穩(wěn)健組樣本有高度的重合性。從表7中看出，疫情對發(fā)達地區(qū)的農(nóng)商行并無明顯的沖擊，而相對欠發(fā)達地區(qū)農(nóng)商行風(fēng)險與疫情呈正相關(guān)關(guān)系，疫情導(dǎo)致其不良貸款率上升0.68個百分點，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)，實證研究了疫情對農(nóng)商行的風(fēng)險沖擊及異質(zhì)性和監(jiān)管部門的政策效應(yīng)。GMM 估計模型結(jié)果表明：疫情對農(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個百分點。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劃則對農(nóng)商行不良貸款率無顯著影響。此外，疫情對農(nóng)商行的風(fēng)險沖擊效應(yīng)存在異質(zhì)性，其中，疫情對經(jīng)營穩(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)險的農(nóng)商行不良貸款率明顯上升；疫情對發(fā)達地區(qū)的農(nóng)商行并無明顯的沖擊，而相對欠發(fā)達地區(qū)農(nóng)商行風(fēng)險與疫情呈正相關(guān)關(guān)系。

（二）政策建議

1.強化政策扶持，嚴防信用風(fēng)險持續(xù)上升。一是考慮疫情因素，適當放寬不良貸款率等監(jiān)管指標容忍度，制定差異化的監(jiān)管政策，緩解農(nóng)商行的運營成本和壓力。二是鼓勵經(jīng)營效益好的農(nóng)商行通過兼并、重組等方式入股高風(fēng)險機構(gòu)，通過優(yōu)化股權(quán)結(jié)構(gòu)，幫助高風(fēng)險農(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)財稅部門適當放寬農(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，提高回報率，降低不良貸款對農(nóng)商行的經(jīng)營影響和資本消耗。

2.加強流動性監(jiān)測管理，拓展資本補充渠道。一是監(jiān)管部門要密切做好農(nóng)商行的監(jiān)測預(yù)警。加強金融風(fēng)險全方位掃描預(yù)警，堅決遏制風(fēng)險反彈回潮；充分運用中央銀行評級結(jié)果，切實發(fā)揮中央銀行評級引導(dǎo)農(nóng)商行審慎經(jīng)營的作用；綜合運用多種貨幣政策工具，必要時給予再貸款、再貼現(xiàn)資金支持，發(fā)揮精準滴灌作用，保持流動性合理充裕；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)商行資本補充工具。加強農(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)股型二級資本債券、含定期轉(zhuǎn)股條款資本債券等創(chuàng)新型資本補充工具；拓展二級資本債投資主體，將主體范圍擴大至社保基金、保險公司等；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)商行資本補充。

：

①兩項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)信用貸款支持計劃。

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

③中央銀行評級結(jié)果越低，表明銀行風(fēng)險越小。

④本部分所指的穩(wěn)健組和相對風(fēng)險組是根據(jù)風(fēng)險有無而設(shè)立的，相對風(fēng)險組包含中央銀行評級中的黃區(qū)（存在一定風(fēng)險但仍在安全邊際內(nèi)）機構(gòu)和高風(fēng)險機構(gòu)。