肖 虹，裘益政，刘巧瑜

(1.厦门大学 管理学院，福建 厦门 361000；2.浙江工商大学 金融学院，浙江 杭州 310018； 3.泉州市丰泽区天权投资咨询合伙企业，福建 泉州 362000)

一、 引 言

如何恰当运用逆周期信贷工具促进经济恢复发展，切实提高信贷政策传导有效性，是全球信用货币体系的重要理论问题和现实问题，也是中国全力满足疫情防控领域信贷需求、健全重大疫情防控的信贷支持机制的客观需要。2020年1月，新冠肺炎疫情(简称“COVID-19疫情”)暴发，严重冲击了国际国内经济。面对复杂多变的经济形势，中国央行联合五部委果断发布《关于进一步强化金融支持防控新型冠状病毒感染肺炎疫情的通知》(1)中央银行联合五部委：《关于进一步强化金融支持防控新型冠状病毒感染肺炎疫情的通知》，银发2020年第29号文。(简称“《强化金融支持防控COVID-19疫情的通知》”)，明确提出实施加大逆周期信贷投放以支持实体经济恢复发展，并陆续出台30条具体措施。合理评估该逆周期信贷政策的实施效果，不仅是确保其所释放的流动性切实进入实体经济以实现重大疫情防控下信贷支持目标的要求，也是疫情防控常态化时期进一步疏通逆周期信贷传导机制的基础。然而有关该政策实施效用及其微观传导问题，目前的现存文献证据还不充分。

在此背景下，本文将《强化金融支持防控COVID-19疫情的通知》的实施视为冲击实体经济的“准自然实验”，运用PSM-DID实证方法，基于实体企业的经营效率视角，考察逆周期信贷政策效用及其微观传导机理。研究结果表明，对冲COVID-19疫情影响的逆周期信贷政策实施，有助于显著提升实体企业经营效率并具有随时间动态边际递增的特征，政策作用持续释放，总体有效。同时该信贷政策具有“双渠道”传导的特点，分别通过企业资产负债表传导渠道与银行风险承担传导渠道，以调节效应路径方式对实体企业的经营效率产生正向促进作用。此外，该逆周期信贷政策效用也受到企业性质、行业与区域的异质性约束。其中，相比非民营企业，民营企业的逆周期信贷政策效用较高，并且信贷资源更多倾向于流向传统行业，在区域层面效用则呈现“南强北弱，东强西弱”的非均衡格局。本文运用平行趋势检验和安慰剂检验方法进行的稳健性检验结果显示，上述结论均未改变。据此，本文为完善应对突发公共卫生事件冲击的逆周期信贷支持机制提供政策性建议。

本文的可能贡献主要体现为：(1)关于银行信贷渠道相关研究，现存文献主要聚焦检验实体经济部门的宏观经济效应，如从宏观层面探讨信贷政策、银行信贷供给和实体经济部门产出的关系，基于微观组织视角的研究证据还很不充分。虽然根据明斯基“投资的融资理论”及“金融不稳定假说”，经济金融发展是“融资—投资—盈利—偿债”的循环过程(Minsky，1976；Minsky，1986；Minsky，1992)[1-3]，信贷对生产具有实质性增量解释力(Bernanke,1983)[4]，然而如何看待信贷渠道的微观企业效用及其传导效果，缺乏明确的经验证据，至今仍是待解命题。本文创新性地依托COVID-19疫情场景，评估信贷政策逆周期调节作用的有效性，从实体企业的微观层面视角出发，考察逆周期信贷政策效用，并结合银行信贷渠道分析其传导特点，拓展了现存文献研究。(2)如何有针对性地把握好信贷政策逆周期调节的结构及力度，通过结构性逆周期信贷投放来有效应对实体经济所受负面冲击，是COVID-19疫情暴发以来央行逆周期信贷政策制定所面临的严峻挑战，也是评估重大疫情防控信贷支持机制经济后果时关注的重点。因此本文分别从企业性质层面、行业层面和区域层面，检验逆周期信贷政策效用的异质性约束，深入分析其政策传导的结构性特点与非均衡性，研究结论有助于完善逆周期信贷政策设计和调控机制，为科学制定有效推动经济高质量增长的逆周期信贷政策提供决策参考依据。

二、 文献综述、理论分析与假设提出

(一) 逆周期信贷政策传导：实体企业微观效用

作为最受关注的信贷政策传导渠道，银行信贷渠道及其实体经济的传导有效性是现存文献相关领域持续关注的重点议题。其中Friedman和Schwartz(1963)[5]认为信贷政策能够给实体经济带来明显影响。Bernanke和Blinder(1988)[6]基于CC-LM模型，提出了信贷传导机制假说。Bernanke和Gertler(1989)[7]、Bernanke等(1996)[8]、Bernanke等(1999)[9]提出了信贷政策及其银行信贷渠道传导的金融加速器理论。Bernanke和Gertler(1995)[10]通过分析资产负债表对银行信贷的影响，将信贷传导机制分为银行风险承担渠道和企业资产负债表渠道。

关于银行信贷传导机制的有效性，现存文献研究显示，在从紧政策下传导效果较强，在宽松政策下效果较差(Oliner和Rudebusch，1996；Ibarra，2016)[11-12]，不同经济发展程度国家之间的传导效果也具有明显差别(Romer等，1990)[13]。在中国，金融体系的银行主导特征决定了银行信贷渠道在信贷政策传导中具有基础性的地位，其政策工具主要涉及信贷投放总量、扶持性信贷流向政策、限制性信贷政策、防范信贷风险的法律法规等。同时，长期以来中国的银行信贷实践也显示，中小企业的银行信贷歧视、信贷流动性的“脱实向虚”等问题，严重地影响了信贷政策传导的有效性。

中国央行对冲COVID-19疫情影响的主要逆周期信贷政策工具是信贷投放总量与信贷资金流向。COVID-19疫情暴发以来，国际国内经济形势复杂多变，对实体企业的生产经营活动造成较大的负面冲击。从宏观经济层面来看，供给衰退、有效需求锐减，CPI先升后降、PPI联动下降，经济下行风险加大。(2)例如，统计数据显示，2020年第一季度GDP增速-6.8%，全年经济增长承压。从中观行业层面来看，销售滞缓、进出口受阻、投资需求下降，上下游产业链中断风险攀升。特定行业的生产经营近乎停摆、破产出清速度加速。从微观企业层面来看，价值链、供应链不稳，企业资产负债表短期快速恶化。企业在生产经营过程中面临的内外部不确定性因素增多和财务风险加大，供需两端受阻，叠加资金面收紧，降低了要素投入转化为有效产出的效率，即对企业经营效率产生了较大的不利影响。面对收入和成本两端恶化、利润空间压缩的问题，具有经营脆弱性及融资约束严重特点的中小微实体企业外部融资环境对企业经营效率的影响加大。(3)例如，统计数据显示，2020年2月中型企业和小型企业PMI分别为35.5%和34.1%，同比下降15.4个和14.5个百分点。

为此，2020年1月央行联合五部委下发《强化金融支持防控COVID-19疫情的通知》，要求加大信贷政策逆周期调节力度，对冲COVID-19疫情影响。具体而言，一方面，通过降准降息、再贷款、再贴现、创新直达实体企业等政策进行逆周期信贷投放，为实体经济注入大量流动性，通过MLF操作等方式为商业银行提供低成本中长期资金来源，同时督促和引导金融机构推行结构性逆周期信贷政策，对受疫情影响较大的企业减费让利、延期还本付息、推出疫情防控信贷产品等优惠条款，缓解了实体企业的融资约束问题，让企业有更多的资金和资源投入生产，有助于企业经营效率损失的修复。另一方面，通过提速新基建为实体经济增长注入新动能、提高企业融资意愿和推动融资增长，加快信贷需求的有效释放。显然，上述对冲COVID-19疫情影响的逆周期信贷政策实施，意在疏通信贷政策的银行信贷传导渠道，从供需两侧改善企业经营效率，逐步缓释流动性风险，促进实体经济的发展形成正向循环反馈。基于以上分析，本文提出以下研究假设：

假设1：对冲COVID-19疫情冲击的逆周期信贷政策实施显著提升了实体企业的经营效率。

(二) 逆周期信贷政策效用的微观传导渠道

关于信贷政策效用的微观传导效应，新凯恩斯主义(4)孙亮：《金融加速器视角下货币政策冲击的产生效应研究》，上海社会科学出版社，2021第17-18页。认为，主要通过影响银行贷款行为发挥作用，并且存在企业资产负债表传导渠道和银行风险承担传导渠道两个不同假说。

1.信贷政策的企业资产负债表传导渠道假说。企业资产负债表传导渠道假说(Bernanke和Gertler，1989)[14]认为，在信息不对称的经济环境中，信贷政策的松紧状态会改变银行的信贷供应量，引发贷款利率变化，影响企业资产负债表。借款企业的资产负债表则通过影响其外部融资成本与内部融资成本的差价(即外部融资溢价)，进而影响其企业的总借贷条款和产出(Bernanke等，1996；Bernanke等，1999；Bernanke和Gertler，1995)[8-10]。对此，基于金融加速器存在性理论，现存文献研究已证明中国信贷政策的企业资产负债表渠道传导基本畅通，经济主体对信贷政策的调整反应敏感，信贷政策调控会对企业资产负债表产生较显著的影响(朱新蓉和李虹含，2013)[15]。

在COVID-19疫情情景下，本文认为，如果信贷政策传导的企业资产负债表渠道仍具存在性，则逆周期信贷政策下的货币供应量增加，将分别通过“资产价格”和“现金流”两种方式，导致企业净资产变化，影响借款企业资产负债表，进而缓解COVID-19疫情对实体经济运行的不利冲击。例如，一方面，宽松信贷政策使名义利率降低，社会平均资产价格上涨，进而增加企业净资产，提高企业信贷可得性并降低其还款负担；另一方面，利率降低或减免，直接减少企业利息支出，增加消费者支出，间接增加企业收入，在两者共同作用下增加企业现金流、增加企业净资产，导致企业外部融资溢价降低，融资可得性增加，融资成本降低，最终增加实体企业产出，反向影响企业净资产变化并形成逆周期信贷政策的微观效用。基于以上分析，本文提出以下研究假设：

假设2-1：对冲COVID-19疫情冲击的逆周期信贷政策通过企业资产负债表传导渠道实现其微观效用。

2.信贷政策的银行风险承担传导渠道假说。信贷政策的银行风险承担传导渠道假说(Borio和Zhu，2012)[16]认为，信贷政策通过影响金融机构的风险容忍度与风险偏好，改变其资产组合配置，使其愿意向信用等级较低的借款人发放贷款，并最终作用于产出变动(金鹏辉等，2014；Delis和Kouretas，2011；Ioannidou等，2014)[17-19]。这种假说的中国信贷政策传导存在性，也得到了现存文献一些研究结果的支持(牛晓健和裘翔，2013；张迎春等，2019)[20-21]。

在COVID-19疫情情景下，本文认为，逆周期信贷政策投放的银行风险承担传导渠道，主要改变银行的风险承担偏好和意愿，通过实体经济主体风险承担水平、同业风险承担水平这两种途径，对银行风险承担产生影响。例如，一方面，宽信用的逆周期信贷投放带来估值效应和保险效应，提升了银行对实体经济主体的风险承担水平。所谓估值效应，主要指低利率通过提高抵押品价值和借款企业的信用评级，提高银行的实体经济风险承担意愿。所谓保险效应，主要指央行所实施的逆周期信贷政策为经济下行的银行风险承担提供了保险，提高银行对不良贷款的容忍度，激励银行主动承担更多信用风险，加大逆周期信贷投放，由此缓解COVID-19疫情对实体经济的负面冲击；另一方面，宽信用的逆周期信贷政策改变了银行对同业的风险承担水平。在宽松信贷政策支持下，面对外部COVID-19疫情冲击，大型银行提高了其对中小银行的风险承担意愿，由此影响中小银行的信贷资金可得性和成本，银行系统的流动性得以输送至中小微实体企业。显然，逆周期信贷政策的银行风险承担传导渠道，拓宽了银行让利于实体经济的空间，有助于纠偏在信息不对称下的非均衡信贷配给现象与信贷错配现象，优化信贷政策对实体经济的传导效果。基于以上分析，本文提出以下研究假设：

假设2-2：对冲COVID-19疫情冲击的逆周期信贷政策通过银行风险承担传导渠道实现其微观效用。

(三) 逆周期信贷政策效用异质性：企业性质效应、行业效应与区域效应

首先，关于逆周期信贷政策效用的企业性质异质性效应。对冲COVID-19疫情影响的逆周期信贷政策，在投放对象上具有十分明确的指向性，主要聚焦受COVID-19疫情冲击较大的中小微民营企业，通过加大对其信贷投放，助力其在COVID-19疫情防控中稳步复工复产、修复经营。但是由于中小微民营企业通常具有较高的经营风险、较强的融资约束，有可能降低银行对其风险承担意愿，进而减弱了逆周期信贷政策的调控效果。

其次，关于逆周期信贷政策效用的行业异质性效应。信贷政策的行业结构效应，最早由Bernanke和Gertler(1995)[10]从信贷传导机制角度予以了证明。行业资本生产率、要素密集程度和产品需求弹性等方面的较大差异性，必然会导致不同行业的信贷政策冲击反应不尽相同。在中国，基于借贷双方信息不对称的银行主动信贷配给、基于政府政策引导与要求的银行被动信贷配给，是以银行中介主导的金融系统的主要信贷配给形式。为了对冲COVID-19疫情对经济的负面影响，政策主张银行让利实体经济，加大对企业的逆周期信贷投放，尤其是受疫情影响较大的行业和疫情防控重点行业企业，而不同行业间的信贷资源配给敏感度不同，导致逆周期信贷政策冲击呈现出明显的行业非对称性特点。其中传统行业具有重资产运营和成熟稳定的财务表现，容易满足银行低风险和抵押担保的信贷配置需求，对银行信贷资源的吸引力较大；而战略性新兴行业虽然具备高效益特点，但其技术创新导向决定行业发展具有高度不确定性，对银行信贷资源的吸引力不足(曹永琴，2010)[22]。

最后，关于逆周期信贷政策效用的区域异质性效应。区域金融、经济结构差异性下信贷政策的区域非均衡冲击效应，最早由Scott在1955年所证明。(5)Scott I.:The Regional Impact of Monetary Policy,Quarterly Journal of Economics,1955,No.69.基于中国情景的相关文献研究也显示，金融发展水平、地区开放程度(刘玄和王剑，2006)[23]、产业结构和金融结构(蒋益民和陈璋，2009)[24]是造成信贷政策效应差异性的主要因素。其中东部地区的信贷政策传导速度深度优于中西部地区，经济主体对信贷政策的敏感性由东往西逐渐减弱。COVID-19疫情对各省份的冲击程度不同，政策引导逆周期信贷资源优先向受灾严重的地区投放和倾斜，因此区域资源分配及其配套政策执行力度的差异性，有可能导致逆周期信贷政策的区域实施效果不同。其中与发达地区相比较，不发达地区的逆周期信贷投放传导效应相对较低。综上所述，逆周期信贷政策效应的微观传导机制如图1所示。基于以上分析，本文提出以下研究假设：

图1 逆周期信贷政策效用的微观传导机制

假设3：对冲COVID-19疫情冲击的逆周期信贷效用具有异质性，受到企业性质因素、行业因素和区域因素的非对称约束。

三、 研究设计

(一) 样本和数据来源

本文选取2019—2021年沪深两市A股上市公司的半年度数据作为初始研究样本，并对样本进行以下筛选：(1)剔除ST和* ST类上市公司，因为此类公司的财务表现异常；(2)剔除房地产行业和金融行业上市公司，因为此类公司属于非实体经济；(6)周小川：第九届《财经》年会“精确实体经济概念，更好支持实体经济发展”，新华社，2011-12-25。(3)剔除2020年当年及以后新上市公司，以保持数据可比性和连续性。最终得到总数为3325家上市公司的研究样本。

为平衡面板数据，对数据进行以下处理：(1)对相关数据进行对数化和标准化处理，以缓解异方差问题；(2)投入产出中涉及的价格变量，以2019年上半年为基期，采用GDP平减指数法进行平减处理，以消除通货膨胀的影响；(3)对公司层面的连续变量进行上下1%的Winsorize极端值缩尾处理，以消除离群值的影响。

数据主要来源于Wind、东方财富Choice、中国人民银行官网和上市公司年报，回归分析采用MAXDEA8.0和STATA16.0。

(二) 变量选取

1.被解释变量。企业经营效率(TFP)。经营效率的度量方法，主要包括以SFA为代表的参数法、以LP为代表的半参数法和以DEA为代表的非参数法。由于DEA计算生产前沿面不需要具体函数形式，能够处理多投入与多产出问题，避免函数设定形式错误而导致的估计结果偏误问题，并且能够兼容投入产出指标的数量级差，因此本文采用DEA分析法，将上市公司作为决策单元，参考Tone和Tsutsui(2010)[25]的研究成果，即运用同时包含径向与SBM两类距离函数的超效率EBM混合模型，结合Malmquist指数，测算上市公司经营效率(TFP)。通过放宽投入要素同比例变动假设，在一定程度上避免以CCR和BCC为代表的径向模型以及基于松弛变量以SBM为代表的非径向模型的缺陷。

由于Malmquist指数能够利用距离函数反映出每个决策单元的变化率，因此本文采用全局参比Malmquist指数来反映不同期间不同上市公司之间效率的变化情况，同时可进一步分解为技术效率变化EC和生产技术变化TC。

参照已有文献研究(王卓，2007；孟川瑾等，2008；樊秀峰和王美霞，2011)[26-28]，本文选取净利润作为产出指标，职工总数、固定资产净值和营业支出作为投入指标来衡量上市公司经营效率。非导向DEA-Malmquist模型下上市公司内部的运作过程如图2所示。其中X和Y分别表示投入和产出要素，上市公司经营效率的目标可表述为追求投入最小化和产出最大化。

图2 非导向DEA-Malmquist模型下上市公司“投入—产出”的运作过程

2.主要解释变量。(1)逆周期信贷政策与政策支持企业对象的交乘项(DID):逆周期信贷政策效用的净效应。逆周期信贷政策作为时间虚拟变量。以2020年1月央行联合五部委发布《强化金融支持防控COVID-19疫情的通知》为政策冲击时间节点，定义2020年1月前，取值为0；2020年1月后，取值为1。政策支持对象作为分组虚拟变量。以《强化金融支持防控COVID-19疫情的通知》及具体施行政策的扶持对象指向，即中小微实体企业，特别是疫情较重地区、受疫情影响较大的行业和疫情防控重点企业为处理组。其他上市公司为对照组。逆周期信贷政策与政策支持企业对象的双重差分交乘项(DID)的系数，即为逆周期信贷政策效用的净效应。

(2)企业净资产(Equity)：表征资产负债表渠道传导。由于微观层面企业净资产与外部融资溢价的反向互动传导关系，是企业资产负债表渠道理论的核心机理。因此基于金融加速器效应，(7)孙亮：《金融加速器视角下货币政策冲击的产出效应研究》，上海社会科学院出版社，2021，第19页。本文选取“企业净资产”衡量资产负债表渠道传导效率，并按照总资产进行数据标准化处理。在此，净资产/总资产的比值越高，则信贷政策通过企业资产负债表渠道的微观传导效率越高。

(3)银行风险承担(BankRisk)：表征银行风险承担渠道传导。在现存文献中，“银行风险承担”的代理变量主要有Z-score(周再清等，2017；段军山等，2018)[29-30]、银行风险加权资产占总资产比重(蒋海和黄敏，2017；邓向荣和张嘉明，2018)[31-32]、信贷标准(Paligorova和Santos，2017)[33]等指标。根据研究需要，本文选取更具一般意义的“不良贷款率”指标来衡量银行风险承担水平(王晋斌和李博，2017)[34]，并定义该指标等于贷款拨备率和拨备覆盖率的比值。在此，不良贷款率越高，则银行的风险承担越大。

3.控制变量。参考已有文献的研究成果(何熙琼等，2016；陈燕丽等，2018；李小林等，2021)[35-37]，本文选取总资产规模(Asset)、销售增长率(Sale)、销售毛利率(GPM)、资产负债率(Leverage)、资产周转率(TAT)、股权集中度(CR10)和实体企业上市年限(Age)作为控制变量。

变量汇总和描述性统计如表1和表2所示，所有变量均通过LLC、ADF和IPS单位根平稳性检验。

表1 变量汇总表

表2 描述性统计

(三) 模型设定

1.对冲COVID-19疫情冲击的逆周期信贷政策效用：假设1基准模型。为识别逆周期信贷政策的微观效用，本文基于准自然实验研究框架建立双重差分模型(DID)并结合倾向匹配方法(PSM)(控制样本选择性偏误)进行检验，基于假设1，构建基准模型(1)如下：

TFPit=α0+α1treatit×periodit+α2controlsit+λi+μt+εit

(1)

其中TFP为实体企业经营效率；treat表示分组变量，若个体在处理组取值为1，否则取值为0；period表示时间虚拟变量，2020年1月后取值为1，之前取值为0；treat和period的乘积即为双重差分的交乘项(DID)。α1表示逆周期信贷政策效用的总效应；controls为控制变量；λ为个体固定效应，μ为时间固定效应，ε为随机扰动项。

2.对冲COVID-19疫情冲击的逆周期信贷政策效用传导机制及路径比较：假设2的中介路径模型与调节路径模型。为检验逆周期信贷政策对实体企业经营效率的作用机制，进一步验证企业资产负债表传导渠道和银行风险承担传导渠道的有效性，分别以标准化后的企业净资产和银行不良贷款率为中介调节变量(R)，基于假设2-1和假设2-2，建立中介效应与调节效应的比较检验模型如下：

(1)中介路径效应：假设2-1和假设2-2

Rit=δ0+δ1treatit×periodit+δ2controlsit+λi+μt+εit

(2-a)

TFPit=β0+β1treatit×periodit+β2Rit+β3controlsit+λi+μt+εit

(2-b)

(2)调节路径效应:假设2-1和假设2-2

TFPit=γ0+γ1treatit×periodit+γ2Rit+γ3Rit×treatit×periodit+γ4controlsit+λi+μt+εit

(3)

其中模型2为中介路径模型，δ1表示逆周期信贷政策冲击对调节变量的影响。β1表示控制了调节变量，逆周期信贷政策冲击对实体企业经营效率的直接效应。β2表示控制了逆周期信贷政策冲击，调节变量对实体企业经营效率的影响。δ1×β2表示经由中介调节变量的传导，逆周期信贷政策冲击对实体企业经营效率的间接效应。模型3为调节路径模型，γ3表示调节效应。

(四) 实体企业经营效率的总体时序特征和结构性变动趋势：假设3

实体企业经营效率(TFP)，可进一步分解为技术效率变化指数(EC)和技术进步指数(TC)。其中EC表示t期到(t+1)期每个观测对象对生产前沿的追赶程度，TC测度t期到(t+1)期生产前沿的移动。

由图3可知，一方面，2020年COVID-19疫情对TFP造成较大的冲击，2019年下半年到2020年上半年的TFP下降趋势明显；另一方面，2019年上半年和2020年上半年的生产率指数增长趋势主要受技术进步驱动，其他期间的生产率指数逐渐下降主要受技术效率恶化影响，说明虽然实体企业的生产技术在进步，但是经营效率在低位运行。

图3 实体企业经营效率及分解的总体时序特征

由图4可知，按照行业和区域进行TFP拆分的结果表明：(1)传统行业的TFP高于战略性新兴行业，并且受COVID-19疫情冲击的波动幅度更大；(2)东南部区域的TFP最高，由东往西，由南往北的TFP及波动性逐渐减小，显示TFP在行业和区域分布上总体呈现高值聚集东南区域的传统行业，这种高位运行状态在受时空非均衡扰动时仍保持稳定。

图4 实体企业经营效率的行业和区域结构性变动趋势

四、 回归结果分析

(一) 倾向得分匹配结果(PSM)

双重差分要求“处理组”和“对照组”之间除了处理变量外，其他变量间的差异是平衡的。因此在DID之前通过PSM来平衡组间差距能够使共变量独立于处理分配，在一定程度上避免了选择性偏差，通常分为估计倾向值、匹配、平衡性检验和估计处理效用四个步骤。

首先，根据PSM原则，需要将影响实体企业经营效率的尽可能多的变量包括进来，参照现有研究选取总资产规模、销售增长率、销售毛利率、资产负债率、资产周转率、股权集中度和企业上市年限作为协变量，结合Logit回归估计倾向得分。为了提高匹配质量，如图5所示，仅保留倾向得分重叠部分的16595个样本观测值，其中处理组和对照组分别为5335个和11260个，样本损失率为0.18%较小，对估计偏差影响较小。

图5 倾向得分的共同取值范围和描述性统计

其次，根据倾向得分作为距离函数进行匹配，具体方法包括K近邻匹配、半径匹配、卡尺内最近邻匹配、核匹配、局部线性回归匹配和样条匹配等方法，本文选择核匹配进行倾向得分匹配。由表3可知，匹配后协变量的t检验均不拒绝处理组和对照组无系统差异的原假设，初步认为匹配结果可以接受。

表3 协变量的倾向匹配得分

再次，采用标准化均值的差值和t检验法进行平衡性检验，考察匹配后的协变量分布在“处理组”和“对照组”之间的分布是否平衡。由图6上半部分可知，匹配后标准化均值的差值相比匹配前更靠近0，说明匹配后平衡性更好；下半部分的t检验图表明，匹配后“处理组”和“对照组”分布覆盖区域基本一致，均值和密度函数相近，说明平衡性较好。

图6 平衡性检验结果

最后，根据匹配后的样本计算平均处理效应来评价PSM匹配结果。由表4可知，处理组平均处理效应(ATT)、对照组平均处理效应(ATU)和全样本平均处理效应(ATE)均通过5%的显著性检验，表明匹配效果较好，满足随机分组要求，用PSM匹配后的样本进行回归估计能够在很大程度上减少观测数据的偏差。

表4 PSM匹配效果

(二) 双重差分回归结果(DID)

1.对冲COVID-19疫情冲击的逆周期信贷政策效用：假设1。在PSM基础上构建双重差分模型结合双向固定效应估计模型1，考察逆周期信贷政策效用，结果如表5的列(1)所示。同时，为了更好地识别逆周期信贷政策效用的因果效应，引入协变量验证是否影响估计结果的稳健性，结果如列(2)所示。

表5 逆周期信贷政策效用检验结果:基准模型

此外，为了测度逆周期信贷政策效用的动态效应，分别假设逆周期信贷政策冲击的时间滞后一期至二期作为时间虚拟变量，与分组变量的交乘项加入模型1中，结果如表5的列(3)和列(4)所示。

由表5的列(1)和列(2)可知，无论是否加入控制变量，逆周期信贷政策效用的总效应为正且均通过1%的显著性检验，假设1成立。对此，本文认为逆周期信贷投放的增加，提高了银行体系流动性，降低了企业的综合融资成本，从供需两侧修复了COVID-19疫情冲击下的实体经营效率损失。

列(3)和列(4)结果表明，动态地看，滞后一期和滞后二期的双重差分交乘项的系数呈现递增趋势且均通过1%的显著性检验，说明逆周期信贷政策效用的正向作用具有边际递增的动态非均衡时间趋势特征，逆周期调控效果具有一定的滞后性。

2.对冲COVID-19疫情冲击的逆周期信贷政策效用传导机制及路径：假设2。为考察逆周期信贷政策效用的微观传导机制及其路径，本文分别以企业净资产指标表征企业资产负债表渠道、以银行不良贷款率指标表征银行风险承担渠道的传导机制，建立中介效应检验模型2-a、模型2-b与调节效应检验模型3，其回归结果如表6和表7所示。

表6 逆周期信贷政策效用的企业资产负债表传导渠道检验结果

表7 逆周期信贷政策效用的银行风险承担传导渠道检验结果

表6的列(2)显示，虽然双重差分交乘项系数通过5%的显著性水平检验，表明逆周期信贷政策冲击对实体企业经营效率的直接效应显著为正，但是列(1)的双重差分交乘项系数不显著，列(1)的双重差分交乘项系数和列(2)的双重差分交乘项系数的乘积不显著，表明逆周期信贷政策效用并非通过中介效应发挥作用。列(3)结果表明，企业净资产与双重差分的交乘项系数显著为正并通过1%的显著性水平检验，说明企业净资产的增加有助于提升逆周期信贷政策的效用。并且在这个过程中主要是通过调节效应发挥作用，即企业净资产越高，则逆周期信贷政策效用越大，假设2-1成立。

由表7的列(1)和列(2)可知，虽然逆周期信贷政策冲击对实体企业经营效率的直接效应显著为正，但是列(1)的双重差分交乘项对银行不良贷款率的影响不显著，进而表明逆周期信贷政策效用并非通过银行风险承担传导渠道的中介效应发挥作用。列(3)结果表明，银行不良贷款率与双重差分交乘项的系数显著为正并通过1%显著性水平检验，显示银行风险承担水平的增加有助于提升逆周期信贷政策效用，并且主要是通过调节效应发挥作用，即银行风险承担水平越高，逆周期信贷调控效果越好，假设2-2成立。由此可知，逆周期信贷政策效用主要通过企业资产负债表传导渠道和银行风险承担传导渠道、以调节路径方式作用于实体企业。

3.对冲COVID-19疫情冲击的逆周期信贷政策效用异质性：假设3。为研究逆周期信贷政策效用的企业性质异质性效应、行业异质性效应和区域异质性效应，本文将企业分为“民营企业”和“非民营企业”，将行业分为“传统行业”和“战略性新兴行业”(简称“新兴行业”)，将区域分为“北部”“东南部”“中部和西部”，对模型1进行分组回归，其异质性检验结果如表8、表9和表10所示。

表8 逆周期信贷政策效用的异质性检验结果：企业性质效应

表9 逆周期信贷政策效用的异质性检验结果：行业效应

表10 逆周期信贷政策效用的异质性检验结果：区域效应

由表8的列(1)和列(2)可知，无论是否加入控制变量，民营企业的逆周期信贷政策效用均显著为正且通过1%的显著性水平检验。列(3)和列(4)的回归结果则显示，非民营企业的逆周期信贷政策效用不显著，由此说明逆周期信贷效用受企业性质的异质性影响。

由表9的列(1)和列(2)可知，无论是否加入控制变量，传统行业的逆周期信贷政策效用均显著为正，分别通过5%和1%的显著性水平检验。列(3)和列(4)的回归结果表明，新兴行业的逆周期信贷政策效用不显著。相比新兴行业，传统行业对逆周期信贷政策的响应程度较高。

对此，本文认为，可能是因为传统行业主要为重资产行业，承担抵押品和财富保值增值等功能，其资产低风险特征容易吸引低成本的信贷资源以支撑其经营活动。而新兴行业以科技型和创新型企业为主，总体处于产品生命周期中的导入期和成长期，高风险经营特征难以通过逆周期信贷方式满足融资需求。

表10的回归结果表明，东南部和北部区域的逆周期信贷政策效用均显著为正且分别通过1%和10%的显著性水平检验，中部和西部区域则不显著，逆周期信贷政策效用呈现“南强北弱，东强西弱”的区域分布格局。其中，东南部区域对逆周期信贷政策的敏感性最强，往北和往西则逐渐衰减。

对此，本文认为，有可能因为东南沿海区域的中小微企业比重较高，而逆周期政策效用传导渠道在中小微企业占比较大的地区较顺畅，(8)张辉、黄泽华：《我国货币政策和财政政策传导机制与宏观调控研究》，北京大学出版社，2016，第222页。加上地方政府行为和配套政策执行力度的差异，导致逆周期信贷政策的区域调控效果呈现差异性。至此，假设3成立。

五、 稳健性检验

(一) 平行趋势检验

双重差分法的应用前提是逆周期信贷政策冲击前的处理组和对照组之间不存在随时间变化的系统性差异，即二者之间的发展趋势应当一致。基于此，为了验证假设1基准模型的平行趋势假设前提，本文将政策实施的时间分别提前一期和两期，当期及以后的时间虚拟变量取值为1，其他期间取值为0，与分组变量的交乘项加入基准模型中进行回归分析。

由表11可知，政策实施时间提前一期或两期，交乘项系数均不显著，表明在政策出台前，处理组和对照组的变化趋势具有一致性，不存在显著性差异，从而验证了应用双重差分法检验假设1的平行趋势假设前提。

表11 基准回归的平行趋势检验结果

(二) 安慰剂检验

基于反事实检验框架设计安慰剂检验，验证假设1基准回归结果的稳健性。假设逆周期信贷政策冲击的发生时间提前至2019年1月、2019年6月，或者推迟至2020年6月、2021年1月，对应样本期分别为2018年1月至2019年12月、2018年1月至2020年12月、2019年1月至2021年6月、2020年1月至2021年6月，同样采用半年度面板数据进行PSM-DID回归，考察是否仍存在逆周期信贷政策冲击对实体企业综合效率的影响。

如果时间虚拟变量和分组变量的交乘项系数显著，则表明还存在其他不可观测的外部冲击因素驱动了实体企业综合效率变化，前文测度的冲击效应并非完全由逆周期信贷政策引起。反之，则可排除其他干扰因素影响，提高本文研究结论的可靠性。由表12可知，双重差分的交乘项的系数均不显著，因此可以排除其他随机因素的干扰，说明逆周期信贷政策的实施确实有效修复了实体企业综合效率。

表12 基准回归的安慰剂检验结果

上述稳健性检验结果表明本文研究结论比较稳健可靠。

六、 结论与建议

本文参考超效率EBM模型并结合Malmquist指数，评价和分解实体企业经营效率。在此基础上，将对冲COVID-19疫情影响的逆周期信贷政策实施作为“准自然实验”，通过考察其实体企业经营效率的修复作用，验证该逆周期信贷政策效用及其微观传导机制。本文研究发现：(1)逆周期信贷政策的实施显著提升了COVID-19疫情冲击下的实体企业综合效率，并且这种政策效用具有动态效应边际递增的非均衡特征。(2)逆周期信贷政策效用具有“双渠道传导”特点，主要通过企业资产负债表传导渠道和银行风险承担传导渠道，以调节效应路径发挥正向促进作用。(3)相比非民营企业，民营企业的逆周期信贷政策效用较高。相比传统行业，战略性新兴行业的逆周期信贷政策效用较高。此外，逆周期信贷政策效用呈现“南强北弱，东强西弱”的区域分布格局。上述结论在基于平行趋势检验、安慰剂检验后仍然成立。

基于上述研究结论，本文对健全应对突发公共卫生事件的逆周期信贷政策提出相应建议：其一，基于逆周期信贷政策效用发挥的时间特点，应进一步配套相应的预期指引以提高政策有效性。基于信贷政策效用的异质性特征，应充分把握政策设计的方向和力度，不仅要聚焦民营企业，也要关注重点区域的有效供给，通过引导信贷资源配置适当倾斜，提高结构性调节功能。与此同时，也应提前做好非常规政策工具的退出时间和退出路径安排。其二，基于逆周期信贷政策在COVID-19疫情环境中的“双渠道传导”特点，应从企业与银行两个方面创造条件进一步疏通其微观传导机制。其中在企业资产负债表传导效率方面，要以降低实体企业综合融资成本为基调，既要为降低企业的外部融资约束提供适宜的货币金融环境，同时也要通过充分挖掘国内市场需求潜力，为实体经济增长注入新动能，逐步释放内需潜力，提高实体企业的资产负债表效应。在银行风险承担传导效率方面，要加快构建商业银行资本补充长效机制，降低银行让利实体经济产生的信用风险累积的负面效应，提高资金流动性的实体经济传导有效性，同时引动银行主动扩大对实体企业的中长期低成本信贷投放，完善突发公共卫生事件信贷支持机制。