疫情沖擊與銀行風(fēng)險(xiǎn)承擔(dān)①
——基于104家城商行的分析

畢 泗 鋒

山東財(cái)經(jīng)大學(xué) 金融學(xué)院，山東 濟(jì)南 250014

一、引 言

2019年年末我國爆發(fā)新冠疫情，經(jīng)濟(jì)受到巨大沖擊。根據(jù)《中國統(tǒng)計(jì)年鑒2021》的統(tǒng)計(jì)，2020年全國經(jīng)濟(jì)增速僅為2.3%，觸及改革開放以來GDP增速的谷底。處于疫情中心地帶的湖北省，受到疫情的沖擊也最為嚴(yán)重，經(jīng)濟(jì)增速下滑至-5%，為全國最低。面臨如此巨大的沖擊，銀行業(yè)作為實(shí)體經(jīng)濟(jì)金融資源調(diào)配的重要部門，無可避免的受到牽連。根據(jù)國泰安披露的商業(yè)銀行財(cái)務(wù)數(shù)據(jù)測算，2020年銀行業(yè)的平均利潤以資產(chǎn)報(bào)酬率衡量僅為0.56%，低于2010—2019年期間的歷史均值0.88%。

面對疫情沖擊下錯(cuò)綜復(fù)雜的經(jīng)濟(jì)形勢，銀行業(yè)的風(fēng)險(xiǎn)承擔(dān)態(tài)度是否發(fā)生了顯著變化呢？理論上分析，一方面，經(jīng)濟(jì)的負(fù)面沖擊會(huì)在短期內(nèi)影響到部分企業(yè)的經(jīng)營，進(jìn)而影響到企業(yè)的信貸質(zhì)量，造成業(yè)務(wù)關(guān)聯(lián)銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)增加；另一方面，銀行業(yè)面對未來的不確定性可能會(huì)收縮信貸業(yè)務(wù)，主動(dòng)減少風(fēng)險(xiǎn)承擔(dān)?？傮w的風(fēng)險(xiǎn)承擔(dān)變化依賴于兩種風(fēng)險(xiǎn)承擔(dān)力量的對比。目前，有關(guān)該議題的研究文獻(xiàn)還相對匱乏。無論從貨幣政策的制定，還是從應(yīng)對疫情宏觀調(diào)控的角度分析，銀行業(yè)的風(fēng)險(xiǎn)態(tài)度變化都是一個(gè)非常重要的因素，因此極有必要針對這一問題展開研究。

目前有關(guān)于疫情對于銀行風(fēng)險(xiǎn)影響的研究文獻(xiàn)，數(shù)量雖然龐大但大多數(shù)為定性分析，定量的實(shí)證分析相對較少。而且，這些文獻(xiàn)主要關(guān)注于疫情發(fā)生后銀行風(fēng)險(xiǎn)的等級劃分或銀行服務(wù)對象的風(fēng)險(xiǎn)分布，并未直接探討銀行風(fēng)險(xiǎn)承擔(dān)水平的疫情前后變化。本文參考已有研究文獻(xiàn)，嘗試以不良貸款率作為銀行風(fēng)險(xiǎn)承擔(dān)的核心代理變量，在區(qū)分主動(dòng)風(fēng)險(xiǎn)承擔(dān)和被動(dòng)風(fēng)險(xiǎn)承擔(dān)的基礎(chǔ)上對疫情沖擊下城市商業(yè)銀行的風(fēng)險(xiǎn)承擔(dān)變化進(jìn)行研究。研究發(fā)現(xiàn)，疫情沖擊下銀行的被動(dòng)風(fēng)險(xiǎn)承擔(dān)均顯著提升，但銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿顯著下降，且下降的幅度要大于銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)上升的幅度，最終導(dǎo)致銀行風(fēng)險(xiǎn)承擔(dān)總水平的下降。本文可能的貢獻(xiàn)在于，首次對疫情沖擊后商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)變化進(jìn)行實(shí)證分析，不僅測度了疫情沖擊給銀行業(yè)被動(dòng)風(fēng)險(xiǎn)承擔(dān)的方向，而且間接測度了銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)態(tài)度的變化。該研究結(jié)論有助于理解疫情發(fā)生后我國銀行業(yè)風(fēng)險(xiǎn)承擔(dān)的基本情況，可為央行制定貨幣政策以及各地政府依靠金融手段進(jìn)行疫情管控提供決策依據(jù)。

二、文獻(xiàn)綜述

學(xué)界對銀行風(fēng)險(xiǎn)承擔(dān)議題的研究始于2008年全球金融危機(jī)時(shí)期。Borio和Zhu首次提出了貨幣政策的銀行風(fēng)險(xiǎn)承擔(dān)渠道，認(rèn)為美國商業(yè)銀行在低利率環(huán)境下的激進(jìn)冒險(xiǎn)行為是加劇金融危機(jī)的主要原因之一①Borio C, Zhu H., "Capital Regulation, Risk-Taking and Monetary Policy: A Missing Link in the Transmission Mechanism?" BIS working paper,2008,(268), pp.24-25.，由此激發(fā)了學(xué)術(shù)界對于該問題的關(guān)注。隨后，De Nicolò、Jiménez等針對美國貨幣市場②De Nicolò G, Dell Ariccia G, L. L, F. V., "Monetary Policy and Bank Risk-Taking", IMF Staff Position Note, 2010；Jiménez G. et d, "Hazardous Times For Monetary Policy: What Do Twenty-Three Million Bank Loans Say About The Effects Of Monetary Policy On Credit Risk-Taking?" Econometrica, 2014, 82(2), pp.463-505.，Maddaloni、Peydró針對歐元區(qū)和美國③Maddaloni A, Peydró J L., "Bank Risk-Taking, Securitization, Supervision, and Low Interest Rates: Evidence From The Euro Area And The U.S. Lending Standards", The Review of Financial Studies, 2011, 24(6), pp.2121-2165.，Delis、Neuenkirch等針對歐洲或歐元區(qū)④Delis M D, Kouretas G P., "Interest Rates and Bank Risk-Taking", Journal of Banking and Finance, 2011,35(4), pp.840-855； Neuenkirch M, N?ckel M., "The Risk-Taking Channel of Monetary Policy Transmission in the Euro Area", Journal of Banking and Finance, 2018,93(8), pp.71-91.的經(jīng)驗(yàn)研究，均證實(shí)：寬松的貨幣政策會(huì)顯著引致銀行風(fēng)險(xiǎn)承擔(dān)水平增加。大批國內(nèi)學(xué)者積極跟進(jìn)，圍繞貨幣政策的銀行風(fēng)險(xiǎn)承擔(dān)渠道的存在性問題進(jìn)行研究，以實(shí)證方法論證了在我國的市場環(huán)境中商業(yè)銀行同樣會(huì)通過調(diào)整風(fēng)險(xiǎn)態(tài)度對貨幣政策因子變化做出反應(yīng)。近年來，有關(guān)貨幣政策銀行風(fēng)險(xiǎn)承擔(dān)渠道議題的研究正逐步走向深入和細(xì)化，內(nèi)容涵蓋了“銀行風(fēng)險(xiǎn)承擔(dān)渠道的識別”“銀行風(fēng)險(xiǎn)承擔(dān)的流動(dòng)性機(jī)制”“全球流動(dòng)性對銀行風(fēng)險(xiǎn)承擔(dān)的影響”等重要議題。

顯然，上列文獻(xiàn)主要還是在貨幣政策語境之下討論銀行風(fēng)險(xiǎn)承擔(dān)，本文關(guān)注的則是疫情沖擊下銀行風(fēng)險(xiǎn)承擔(dān)的變化問題。雖然貨幣政策始終是與銀行風(fēng)險(xiǎn)承擔(dān)問題息息相關(guān)，但在疫情發(fā)生期間前后若干年，我國的貨幣政策基本維持在一個(gè)較為穩(wěn)定的寬松狀態(tài)：存貸款基準(zhǔn)利率從2015年以來未作調(diào)整，廣義貨幣M2增速保持穩(wěn)定。因此，從貨幣政策變化的角度探究銀行風(fēng)險(xiǎn)承擔(dān)變化似乎并非理想方式。一部分學(xué)者聚焦于新冠疫情沖擊對金融風(fēng)險(xiǎn)問題展開分析，其中涉及到對銀行部門風(fēng)險(xiǎn)的討論，但是這些研究主要還是關(guān)注于整個(gè)金融市場風(fēng)險(xiǎn)的反應(yīng)以及部門之間風(fēng)險(xiǎn)的傳染問題，對銀行風(fēng)險(xiǎn)承擔(dān)行為的討論并非重點(diǎn)亦不深入。還有一部分學(xué)者關(guān)注疫情沖擊下銀行部門風(fēng)險(xiǎn)變化的研究。例如，張鳳林基于聚類模型和機(jī)器學(xué)習(xí)算法，對疫情發(fā)生以來29家商業(yè)銀行的風(fēng)險(xiǎn)進(jìn)行識別和分類以及測算，實(shí)現(xiàn)了樣本銀行的風(fēng)險(xiǎn)等級評價(jià)目標(biāo)①張鳳林：《疫情常態(tài)化背景下商業(yè)銀行風(fēng)險(xiǎn)分類與識別研究——基于聚類模型及機(jī)器學(xué)習(xí)算法對29家商業(yè)銀行的實(shí)證分析》，《金融發(fā)展評論》2021年第6期。；張茜等利用SUR模型，對國有商業(yè)銀行信用風(fēng)險(xiǎn)進(jìn)行壓力測試，具體分析疫情沖擊對不同信貸服務(wù)行業(yè)不良貸款率的沖擊程度②張茜、梁海志、馬倩倩：《后疫情時(shí)期商業(yè)銀行風(fēng)險(xiǎn)壓力測試研究——基于銀行行業(yè)貸款數(shù)據(jù)的實(shí)證分析》，《開發(fā)性金融研究》2020年第6期。。不過，這些研究側(cè)重于疫情沖擊下銀行風(fēng)險(xiǎn)的行業(yè)分布特征研究，同樣未能直接觸及銀行風(fēng)險(xiǎn)承擔(dān)水平這一重要議題。

基于現(xiàn)有研究成果，我們判斷：傳統(tǒng)上關(guān)于銀行風(fēng)險(xiǎn)承擔(dān)議題的討論主要還是局限在“貨幣政策銀行風(fēng)險(xiǎn)承擔(dān)渠道”的框架之下，而有關(guān)于疫情沖擊之下我國商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)變化的研究明顯匱乏。因此，本文將參照傳統(tǒng)上討論商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)的指標(biāo)方法，集中于疫情沖擊這一特殊事件，探討銀行風(fēng)險(xiǎn)承擔(dān)變化。

三、研究假設(shè)

本部分基于疫情沖擊引致銀行風(fēng)險(xiǎn)承擔(dān)的分析框架提出待檢驗(yàn)的假設(shè)。參照方意等的討論③方意、趙勝民、謝曉聞：《貨幣政策的銀行風(fēng)險(xiǎn)承擔(dān)分析——兼論貨幣政策與宏觀審慎政策協(xié)調(diào)問題》，《管理世界》2012年第1期。，我們將疫情沖擊造成的銀行風(fēng)險(xiǎn)承擔(dān)行為區(qū)分為主動(dòng)風(fēng)險(xiǎn)承擔(dān)與被動(dòng)風(fēng)險(xiǎn)承擔(dān)兩種類型。

疫情沖擊時(shí)，經(jīng)濟(jì)受到負(fù)面沖擊，造成企業(yè)生產(chǎn)經(jīng)營困難，計(jì)劃項(xiàng)目難以達(dá)成目標(biāo)，從銀行獲得信貸資源就難以如期償還。因此相關(guān)聯(lián)的商業(yè)銀行被動(dòng)承擔(dān)了這一類型的風(fēng)險(xiǎn)，疫情沖擊越嚴(yán)重，商業(yè)銀行承擔(dān)的被動(dòng)風(fēng)險(xiǎn)就會(huì)越大。另一方面，疫情沖擊同時(shí)帶來巨大的經(jīng)濟(jì)不確定性，商業(yè)銀行在面對企業(yè)新的資金需求時(shí)變得更加保守與謹(jǐn)慎，為防止發(fā)生較大規(guī)模的信用風(fēng)險(xiǎn)，往往會(huì)“惜貸”。這是一種典型的主動(dòng)減少風(fēng)險(xiǎn)承擔(dān)的行為。疫情沖擊的規(guī)模越大，時(shí)間越長，商業(yè)銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)的水平就會(huì)越低（見圖1）。

圖1 疫情沖擊對銀行風(fēng)險(xiǎn)承擔(dān)的影響機(jī)理

在已有文獻(xiàn)中，徐明東、項(xiàng)后軍、徐蕾等均采用不良貸款率作為銀行風(fēng)險(xiǎn)承擔(dān)的指標(biāo)④徐明東、陳學(xué)彬：《貨幣環(huán)境、資本充足率與商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)》，《金融研究》2012年第7期；項(xiàng)后軍、郜棟璽、陳昕朋：《基于“渠道識別”的貨幣政策 銀行風(fēng)險(xiǎn)承擔(dān)渠道問題研究》，《管理世界》2018年第8期；徐蕾：《全球流動(dòng)性動(dòng)態(tài)與新興市場國家銀行風(fēng)險(xiǎn)承擔(dān)》，《世界經(jīng)濟(jì)研究》2021年第11期。。不良貸款率是銀行發(fā)放的總貸款中被劃定為次級、可疑和損失類的貸款比例，是銀行事后統(tǒng)計(jì)的風(fēng)險(xiǎn)承擔(dān)水平，也是監(jiān)管機(jī)構(gòu)考核銀行業(yè)資產(chǎn)質(zhì)量的重要指標(biāo)之一。通常，不良貸款率越高，表明銀行承擔(dān)了較高的風(fēng)險(xiǎn)。如方意認(rèn)為，不良貸款率主要代表了銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的水平；理由是，不良率是銀行的風(fēng)險(xiǎn)的容忍度沒有發(fā)生變化的情況下由宏觀經(jīng)濟(jì)等不利因素導(dǎo)致企業(yè)違約風(fēng)險(xiǎn)加大造成的。①方意：《貨幣政策與房地產(chǎn)價(jià)格沖擊下的銀行風(fēng)險(xiǎn)承擔(dān)分析》，《世界經(jīng)濟(jì)》2015年第7期。這里，我們提出一個(gè)不同的觀點(diǎn)：當(dāng)外部宏觀經(jīng)濟(jì)環(huán)境變化時(shí)，銀行的風(fēng)險(xiǎn)容忍度可能會(huì)發(fā)生變化（而非不變），而且極有可能會(huì)根據(jù)環(huán)境主動(dòng)擴(kuò)大或收縮信貸資源，從而帶來壞賬率的上升或下降。已有文獻(xiàn)中，Ioannidou、Altunbas、Maddaloni等學(xué)者的研究②Ioannidou, Vasso and Ongena, Steven R. G. and Peydro, Jose-Luis, "Monetary Policy, Risk-Taking and Pricing: Evidence from a Quasi-Natural Experiment (June 30, 2014)", European Banking Center Discussion Paper, No. 2009-04S, CentER Discussion Paper Series, No. 2009-31S； Altunba? Yener Gambacorta Leonardo, Marques-Ibanez L., "Does Monetary Policy Affect Bank Risk-Taking?” International Journal of Central Banking,2014,10(1), pp.95-136； Maddaloni A, Peydró J L,“Bank Risk-Taking, Securitization, Supervision, and Low Interest Rates: Evidence from the Euro Area and the U.S. Lending Standards”, The Review of Financial Studies, 2011,24(6),pp. 2121-2165.均證明，寬松（緊縮）的貨幣政策環(huán)境下銀行會(huì)主動(dòng)增加（收縮）銀行信貸活動(dòng)，這中間的分析邏輯其實(shí)暗含著：銀行的風(fēng)險(xiǎn)態(tài)度是要受到外部環(huán)境影響的，而非一成不變。

故此，我們認(rèn)為，不良貸款率雖然是事后統(tǒng)計(jì)的銀行風(fēng)險(xiǎn)承擔(dān)的最終結(jié)果，但是該結(jié)果既包含商業(yè)銀行被動(dòng)承擔(dān)的一部分風(fēng)險(xiǎn)，同時(shí)也包含著銀行主動(dòng)承擔(dān)風(fēng)險(xiǎn)的一部分。我們采用簡單的數(shù)學(xué)符號進(jìn)行說明：假設(shè)在t=0時(shí)刻，銀行因?yàn)橥獠凯h(huán)境變化被動(dòng)承擔(dān)的風(fēng)險(xiǎn)為Rp，銀行主動(dòng)承擔(dān)風(fēng)險(xiǎn)為Ra，在滯后一期t=1時(shí)刻進(jìn)行統(tǒng)計(jì)，銀行綜合的風(fēng)險(xiǎn)承擔(dān)水平應(yīng)該是主動(dòng)風(fēng)險(xiǎn)承擔(dān)和被動(dòng)風(fēng)險(xiǎn)承擔(dān)水平之和，即R=Rp+Ra。

以經(jīng)濟(jì)增速偏離度度量疫情沖擊大小，以不良貸款率衡量銀行綜合的風(fēng)險(xiǎn)承擔(dān)水平。根據(jù)前面的論證，疫情沖擊是銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的來源之一，當(dāng)外生的沖擊來臨，實(shí)體經(jīng)濟(jì)狀況惡化，不利于銀行貸款的收回，因此，被動(dòng)風(fēng)險(xiǎn)承擔(dān)（即壞賬率）會(huì)上升。由此，我們提出第一個(gè)待驗(yàn)證的假設(shè)：

H1：疫情沖擊導(dǎo)致商業(yè)銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)（即壞賬率）上升。

在疫情沖擊下，如果疫情沖擊顯著增加了銀行不良率，即Rp增加，且同期可觀測銀行總體的風(fēng)險(xiǎn)承擔(dān)水平R在下降，那么銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平Ra=R-Rp就會(huì)變小。也就是說，這兩類風(fēng)險(xiǎn)承擔(dān)的變化方向是相反的：疫情沖擊帶來經(jīng)濟(jì)的負(fù)面沖擊，銀行的不良率（被動(dòng)風(fēng)險(xiǎn)）增加，而疫情帶來的不確定性又使得銀行收縮信貸活動(dòng)從而導(dǎo)致不良率（主動(dòng)風(fēng)險(xiǎn)）減少?；谶@一分析邏輯，提出研究假設(shè)2：

H2：疫情沖擊導(dǎo)致商業(yè)銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平下降，銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)和主動(dòng)風(fēng)險(xiǎn)承擔(dān)變化方向出現(xiàn)分化。

進(jìn)一步，如果區(qū)分疫情沖擊嚴(yán)重地區(qū)和非嚴(yán)重地區(qū)，我們推測，在疫情沖擊較為嚴(yán)重的地區(qū)，實(shí)體經(jīng)濟(jì)遭受負(fù)面沖擊更大，防疫管控措施更為嚴(yán)厲，這些地區(qū)的銀行被動(dòng)承擔(dān)的風(fēng)險(xiǎn)更大，不良率上升，銀行出于自我保護(hù)的目的主動(dòng)承擔(dān)風(fēng)險(xiǎn)的意愿也會(huì)更弱。由此，我們提出研究假設(shè)3：

H3：與疫情沖擊非嚴(yán)重的地區(qū)比較，疫情沖擊嚴(yán)重的地區(qū)的銀行其風(fēng)險(xiǎn)承擔(dān)水平更低。

四、實(shí)證分析

（一）樣本與變量

本文的研究樣本為城市商業(yè)銀行，重點(diǎn)觀察這些銀行在2020年疫情發(fā)生之后的風(fēng)險(xiǎn)承擔(dān)變化。為與疫情之前正常年份的表現(xiàn)作比較，本文同時(shí)收集了這些樣本銀行2018與2019年的相關(guān)財(cái)務(wù)數(shù)據(jù)?；阢y行截面數(shù)據(jù)，匹配銀行所在地區(qū)的GDP數(shù)據(jù)以及疫情感染數(shù)據(jù)，以對疫情沖擊作度量。剔除部分包含關(guān)鍵變量異常值的樣本，最終的銀行樣本量為104。本研究中，銀行財(cái)務(wù)數(shù)據(jù)全部來自于國泰安數(shù)據(jù)庫，宏觀經(jīng)濟(jì)以及疫情數(shù)據(jù)來自于Wind數(shù)據(jù)庫。

對于被解釋變量，本文使用不良貸款率（npl）作為銀行風(fēng)險(xiǎn)承擔(dān)的度量指標(biāo)。在銀行風(fēng)險(xiǎn)承擔(dān)的度量指標(biāo)選擇上，學(xué)者們曾嘗試過各種變量。Nguyen、蔣海等學(xué)者嘗試以銀行Z值作為風(fēng)險(xiǎn)承擔(dān)指標(biāo)①Nguyen Q. K., "Ownership Structure and Bank Risk-Taking in ASEAN Countries: A Quantile Regression Approach",Cogent Economics & Finance, 2020,8(1)；蔣海、張小林、唐紳峰、陳創(chuàng)練：《貨幣政策、流動(dòng)性與銀行風(fēng)險(xiǎn)承擔(dān)》，《經(jīng)濟(jì)研究》2021年第8期。，但是，本文關(guān)注的是疫情發(fā)生年度2020年的風(fēng)險(xiǎn)承擔(dān)情況，而銀行Z值的計(jì)算需要使用長時(shí)間序列數(shù)據(jù)測算波動(dòng)率，因而并不適合本文的研究目的。另外，張雪蘭和何德旭使用貸款損失或減值準(zhǔn)備占貸款比②張雪蘭、何德旭：《貨幣政策立場與銀行風(fēng)險(xiǎn)承擔(dān)：基于中國銀行業(yè)的實(shí)證研究（2000—2010）》，《經(jīng)濟(jì)研究》2012年第5期。，對銀行風(fēng)險(xiǎn)承擔(dān)行為進(jìn)行度量；方意、馬勇等采用了風(fēng)險(xiǎn)加權(quán)資產(chǎn)比例指標(biāo)③方意、趙勝民、謝曉聞：《貨幣政策的銀行風(fēng)險(xiǎn)承擔(dān)分析——兼論貨幣政策與宏觀審慎政策協(xié)調(diào)問題》，《管理世界》2012年第11期；方意：《貨幣政策與房地產(chǎn)價(jià)格沖擊下的銀行風(fēng)險(xiǎn)承擔(dān)分析》，《世界經(jīng)濟(jì)》2015年第7期；馬勇、姚馳：《雙支柱下的貨幣政策與宏觀審慎政策效應(yīng)》，《管理世界》2021年第6期。，認(rèn)為風(fēng)險(xiǎn)加權(quán)資產(chǎn)是可以有效衡量銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)行為的指標(biāo)，而不良率指標(biāo)可能僅僅捕捉到了銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的后果。筆者認(rèn)為，不良率不僅僅包含被動(dòng)風(fēng)險(xiǎn)承擔(dān)，其實(shí)在銀行主動(dòng)承擔(dān)風(fēng)險(xiǎn)時(shí)也會(huì)表現(xiàn)為不良率的上升，因此是一個(gè)綜合指標(biāo)。也許，使用該指標(biāo)的一個(gè)挑戰(zhàn)是難以將主動(dòng)風(fēng)險(xiǎn)承擔(dān)從綜合的風(fēng)險(xiǎn)承擔(dān)水平中剝離出來，但不應(yīng)否定不良率指標(biāo)在度量銀行風(fēng)險(xiǎn)承擔(dān)水平上的價(jià)值。后文將通過對銀行總體風(fēng)險(xiǎn)承擔(dān)水平以及被動(dòng)風(fēng)險(xiǎn)承擔(dān)的測度，間接實(shí)現(xiàn)對主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平的估計(jì)，盡管這種估計(jì)可能存在一定的偏差。

核心解釋變量為疫情沖擊。本文采用疫情發(fā)生后的經(jīng)濟(jì)增速偏離度(div_gdp)作為疫情沖擊的代理變量，詳見式（1）。具體處理方法如下：疫情發(fā)生后，我國各地區(qū)GDP增速均出現(xiàn)了明顯下滑；考慮到地區(qū)經(jīng)濟(jì)增速存在較大的區(qū)域差異且存在一定的發(fā)展慣性，我們將各省區(qū)疫情發(fā)生前兩年的GDP均值作為該地區(qū)增速的正常值，以2020年的GDP增速減去正常值的差值作為該地區(qū)疫情沖擊下的經(jīng)濟(jì)增速偏離度指標(biāo)。

顯然，該指標(biāo)的絕對值越大，說明受到的沖擊就越大。

直接使用2020年各地區(qū)的GDP增速數(shù)據(jù)也可以捕捉疫情沖擊的影響，例如湖北省2020年的GDP增速為-5%，其他省區(qū)的GDP增速均值只有不到3%。因此，我們在實(shí)證分析中同時(shí)使用了2020年的GDP增速作為對照分析。但是，應(yīng)該指出，當(dāng)各地區(qū)GDP增速都處于谷底且相差不大時(shí)，我們將難以捕捉到2020年與先前正常年份的劇烈變動(dòng)信息，因此，采用經(jīng)濟(jì)增速偏離度指標(biāo)來度量可能是更為科學(xué)的處理方式。

控制變量主要包括銀行的資產(chǎn)規(guī)模log(Asset)和代表營利性水平的息稅前收益資產(chǎn)比（Ebit-to-Asset）。本文并未對文獻(xiàn)中廣泛采納的貨幣政策變量進(jìn)行控制，主要是考慮到：在疫情發(fā)生前后，貨幣政策并未作很大的調(diào)整，事實(shí)上，自從2015年以來，我國一直未調(diào)整存貸款利率，廣義貨幣M2增速保持穩(wěn)定。此外，本文考察的樣本為地區(qū)性商業(yè)銀行，因此，我們并未采用全國性的控制變量如全國GDP增速等。關(guān)鍵變量的描述性統(tǒng)計(jì)見表1。

表 1 關(guān)鍵變量描述性統(tǒng)計(jì)

由表1可見，2020年城市商業(yè)銀行的不良率最高為4.07%，最低為0.75%，平均只有1.8%，與往年相比，最大降幅為4.28%，平均下降0.13%。直觀的觀察，2020年的不良率均值明顯下降。各省市自治區(qū)的經(jīng)濟(jì)偏離度均為負(fù)數(shù)，也就是說，受到疫情沖擊，2020年各地區(qū)的經(jīng)濟(jì)增速均出現(xiàn)了下滑。其中處于疫情中心地區(qū)的湖北省的經(jīng)濟(jì)偏離度達(dá)到-12.65%，是所有省份中經(jīng)濟(jì)偏離程度大的地區(qū)。吉林省受到疫情的沖擊最小，經(jīng)濟(jì)偏離度只有-1.3%。大部分省區(qū)的GDP增速因?yàn)橐咔橄陆盗舜蠹s3.77%。

（二）研究設(shè)計(jì)

第一步，估計(jì)疫情造成的被動(dòng)風(fēng)險(xiǎn)承擔(dān)。主體模型為基于2020年銀行截面數(shù)據(jù)的回歸模型：

第二步，觀察2020年銀行不良率相對正常年份的變化趨勢。如果不良率系統(tǒng)性的下降，考慮到第一步所證明的銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)增加，因此可以推測：只有銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)降低才可以使不良率最終表現(xiàn)為下降，由此間接證明，商業(yè)銀行在疫情發(fā)生后主動(dòng)風(fēng)險(xiǎn)承擔(dān)的意愿下降。但是，如果我們觀察到不良率系統(tǒng)性的上升，那么，就無法從邏輯上推測銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿的變化方向。

第三步，考慮不同地區(qū)疫情的受沖擊程度的差異，設(shè)置啞變量treat指代疫情發(fā)生后受到疫情嚴(yán)重沖擊的省份，即：將treat變量納入主回歸方程進(jìn)行重新估計(jì)，即：

如果啞變量treat的估計(jì)系數(shù) 顯著為負(fù)數(shù)，我們可以推測：假設(shè)疫情沖擊嚴(yán)重地區(qū)的不良率下降的幅度比其他地區(qū)還要大，那么說明這些地區(qū)的銀行其主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿降低的幅度也要比其他非嚴(yán)重地區(qū)要大。

五、結(jié)果與討論

本部分匯報(bào)實(shí)證分析的結(jié)果并作討論，分三個(gè)部分。第一部分基于主體模型檢測疫情沖擊對于銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的影響效應(yīng)，第二部分結(jié)合銀行在疫情年度綜合風(fēng)險(xiǎn)承擔(dān)的變化推測銀行主動(dòng)風(fēng)險(xiǎn)意愿的變化，第三部分考慮疫情沖擊嚴(yán)重和非嚴(yán)重區(qū)域差異，觀察在疫情嚴(yán)重地區(qū)銀行的風(fēng)險(xiǎn)承擔(dān)情況。

（一）被動(dòng)風(fēng)險(xiǎn)承擔(dān)的測度

首先，基于式（2）對疫情導(dǎo)致的銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)進(jìn)行測度。疫情發(fā)生時(shí)，湖北省是受到疫情影響最為嚴(yán)重的地區(qū)，當(dāng)?shù)卣扇×俗顬閲?yán)厲的疫情管控措施，因此，該地區(qū)的銀行系統(tǒng)可能受到了不同于其他地區(qū)的影響與干擾。為保證估計(jì)結(jié)果的準(zhǔn)確性，我們首先對全部樣本進(jìn)行估計(jì)，然后再剔除湖北省的銀行樣本進(jìn)行二次估計(jì)，并作對照，估計(jì)結(jié)果見表2。

表 2 基準(zhǔn)模型估計(jì)結(jié)果

表2顯示，地區(qū)經(jīng)濟(jì)增速偏離度（div_lgdp）的估計(jì)系數(shù)為負(fù)數(shù)（1%的顯著性水平）①剔除湖北省銀行樣本的估計(jì)結(jié)果顯示，其他地區(qū)的銀行似乎受到了更大的外部沖擊。不過，兩個(gè)樣本估計(jì)系數(shù)的差異微小，而且研究樣本中湖北省只有兩家城商行，其代表性較弱。因此對結(jié)果的差異不宜過度解讀，這里我們主要關(guān)心在包含和剔除湖北樣本的測算結(jié)果是否穩(wěn)健一致。有關(guān)疫情地區(qū)和非疫情地區(qū)銀行風(fēng)險(xiǎn)承擔(dān)差異的問題，“分地區(qū)的檢測”部分進(jìn)行了詳細(xì)的論證。。疫情沖擊下全部省區(qū)的經(jīng)濟(jì)偏離度均為負(fù)數(shù)，因此，經(jīng)濟(jì)偏離度取值越小，經(jīng)濟(jì)偏離程度越大，那么該地區(qū)商業(yè)銀行的不良貸款率就會(huì)越高。這就表明，疫情發(fā)生造成經(jīng)濟(jì)沖擊，從而導(dǎo)致銀行不良率的顯著提升。這是銀行在疫情沖擊之下被動(dòng)風(fēng)險(xiǎn)承擔(dān)的證據(jù)，該結(jié)果證實(shí)了研究假設(shè)H1的論斷。

（二）主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿的討論

我們接下來對銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)的情況進(jìn)行討論。首先觀察銀行業(yè)在2020年疫情發(fā)生之后銀行不良率的變動(dòng)。以各家城商行2010—2020年的不良率在年度上作平均，對2010年以來城市商業(yè)銀行的不良率的時(shí)間變化作統(tǒng)計(jì)②我們同時(shí)采用各家銀行不良率中位數(shù)進(jìn)行了時(shí)間上的均值統(tǒng)計(jì)，結(jié)果基本一致，未報(bào)告。。如圖2所展示，城商行的不良率在樣本期內(nèi)呈現(xiàn)一種穩(wěn)步上升發(fā)展態(tài)勢。但是，與距離疫情較近的2018年、2019年相比，2020年卻呈現(xiàn)一種明顯的下降態(tài)勢。因此，基本上可以判斷：在疫情發(fā)生年度，以不良貸款率指標(biāo)代表的綜合的銀行風(fēng)險(xiǎn)承擔(dān)水平出現(xiàn)了下降。

圖 2 城市商業(yè)銀行不良率（2011—2020年）

考慮到主體回歸模型是以地區(qū)經(jīng)濟(jì)偏離度作為疫情沖擊變量，因此在對銀行風(fēng)險(xiǎn)承擔(dān)的分解討論時(shí)有必要考量地區(qū)層面的不良率變化。我們將銀行按照所在地區(qū)進(jìn)行分類，在地區(qū)層面統(tǒng)計(jì)2020年城商行不良率的均值。結(jié)果發(fā)現(xiàn)，疫情發(fā)生年度大部分地區(qū)的不良率出現(xiàn)了下滑，只有部分地區(qū)的不良率出現(xiàn)上升。其中，湖北作為疫情沖擊最為嚴(yán)重的地區(qū)，該地區(qū)城商行貸款不良率出現(xiàn)較大幅度的上升。誠如我們前面所討論的，不良率代表的銀行風(fēng)險(xiǎn)承擔(dān)是一個(gè)綜合性指標(biāo)，既包含主動(dòng)風(fēng)險(xiǎn)承擔(dān)，也包括被動(dòng)風(fēng)險(xiǎn)承擔(dān)。當(dāng)某地區(qū)不良率代表的銀行風(fēng)險(xiǎn)承擔(dān)上升（或下降）了時(shí)，我們需要結(jié)合被動(dòng)風(fēng)險(xiǎn)承擔(dān)情況進(jìn)行討論。具體的分析邏輯如下：

根據(jù)第一部分的模型估計(jì)，平均而言，疫情造成的銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)顯著上升，但是大部分地區(qū)的不良率同期出現(xiàn)了下降，這就間接的證明了疫情發(fā)生后銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿平均而言在下降。我們可以對這個(gè)論斷進(jìn)行反證：如果同期銀行的主動(dòng)風(fēng)險(xiǎn)增加的話，疊加銀行被動(dòng)風(fēng)險(xiǎn)的增加，那么最終以不良率作為代理指標(biāo)可以觀察到的風(fēng)險(xiǎn)承擔(dān)水平一定是上升的。但是，我們觀察到的實(shí)際數(shù)據(jù)是，以不良率代表的綜合風(fēng)險(xiǎn)承擔(dān)是下降的，這就出現(xiàn)了矛盾。因此，只有一種推論是合理的，即疫情發(fā)生后銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平顯著下降，而且下降的幅度超過了被動(dòng)風(fēng)險(xiǎn)承擔(dān)上升的幅度，最終導(dǎo)致我們所觀察到的銀行綜合風(fēng)險(xiǎn)承擔(dān)水平的下降。

當(dāng)然，這里僅僅是從平均意義上來討論。具體到某些地區(qū)，城商行的不良率出現(xiàn)了明顯的上升而非下降。由于疫情造成的被動(dòng)風(fēng)險(xiǎn)承擔(dān)水平是上升的，而以不良貸款率代表的綜合風(fēng)險(xiǎn)承擔(dān)水平也是上升的，這就很難進(jìn)一步推測這些銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平是上升了還是下降了。我們只能大致的判斷：假設(shè)這些銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平下降了，那么其下降的幅度也很微弱；假設(shè)這些銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平上升了，我們則對其升幅難以判斷。因此，我們的結(jié)論是，平均意義而言，疫情發(fā)生之后銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿明顯的下降了，而且下降的幅度要大于同期疫情引起的銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的水平，證實(shí)了研究假設(shè)H2。

作為一個(gè)輔助證明，我們接下來使用疫情年度城商行貸款增速數(shù)據(jù)對研究假設(shè)H2作進(jìn)一步的論證。根據(jù)先前討論的邏輯，如果銀行綜合的風(fēng)險(xiǎn)承擔(dān)水平下降，而被動(dòng)風(fēng)險(xiǎn)承擔(dān)水平上升，那么主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平就是下降的。如果以銀行主動(dòng)發(fā)放貸款情況作為檢測銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平變化的變量，那么，銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)水平下降的一個(gè)有力證據(jù)就是貸款數(shù)量或貸款增速的下降。根據(jù)這一分析邏輯，我們統(tǒng)計(jì)了2010年以來城商行在年度上平均的貸款增速的變化（見圖3），以進(jìn)一步論證本文的結(jié)論。

圖 3 城商行貸款增速變化

根據(jù)圖3，我們發(fā)現(xiàn)，2020年城商行的貸款增速相對前兩年出現(xiàn)了明顯下降。除了觀察銀行平均貸款增速在時(shí)間上的變化，我們繼續(xù)分地區(qū)統(tǒng)計(jì)了2020年商業(yè)銀行貸款增速相對于2018、2019年平均增速的偏離程度。統(tǒng)計(jì)發(fā)現(xiàn)，大部分地區(qū)的貸款增速出現(xiàn)下滑。由此我們可以大致上判斷，貸款增速下降可能是疫情沖擊下銀行“惜貸”自我保護(hù)的一種表現(xiàn)，說明銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿在下降。進(jìn)一步結(jié)合同期銀行貸款不良率在上升的事實(shí)，可以推測：銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)的意愿下降的程度可能超過了疫情沖擊造成的銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的強(qiáng)度，最終導(dǎo)致銀行的綜合風(fēng)險(xiǎn)承擔(dān)水平下降的可觀測事實(shí)。

（三）分地區(qū)的檢測

新冠肺炎首次在中國湖北武漢爆發(fā)后，疫情迅速蔓延至周邊省區(qū)。我們將1個(gè)季度內(nèi)的感染人數(shù)超過300人作為該省區(qū)被感染的標(biāo)識，依照該事件發(fā)生的時(shí)間，對全部地區(qū)樣本進(jìn)行劃分。根據(jù)Wind數(shù)據(jù)庫的統(tǒng)計(jì)，在2020年第1季度發(fā)生感染300人以上事件的省份包括：湖北、北京、廣東、上海、浙江、河南、湖南、安徽、重慶、江西、山東、四川、江蘇、福建、河北；2020年2季度和3季度感染人數(shù)超300人的省份分別只包括陜西和新疆；2020年四季度包括遼寧、天津、內(nèi)蒙古三個(gè)省市自治區(qū)。設(shè)置一個(gè)感染地區(qū)啞變量treat?？紤]到2020年第2、3季度的感染地區(qū)的數(shù)量比較少，將2020年第1季度發(fā)生300人以上感染數(shù)量的省區(qū)，treat變量設(shè)置為1，2020年其他地區(qū)treat變量設(shè)置為0。作為對照，同時(shí)設(shè)置第二個(gè)啞變量，treat2，將所有感染地區(qū)設(shè)置為1，其他未超過300人感染的省區(qū)設(shè)置為0，得到表3。

表 3疫情沖擊嚴(yán)重與非嚴(yán)重地區(qū)的經(jīng)濟(jì)偏離度與銀行不良率(單位：%)

根據(jù)表3，分別按照Treat1和Treat2分組，疫情影響嚴(yán)重地區(qū)的省份分別占到73%和85%，說明大部分地區(qū)都處于疫情嚴(yán)重地區(qū)。不過，無論采用哪一種分組劃分，疫情嚴(yán)重地區(qū)的經(jīng)濟(jì)沖擊偏離度和不良率均值都低于非嚴(yán)重地區(qū)。

我們接下來將地區(qū)感染變量納入主體回歸方程，以觀察銀行風(fēng)險(xiǎn)承擔(dān)的變化，估計(jì)結(jié)果見表4。

表4顯示，疫情沖擊更嚴(yán)重的省區(qū)，不良率下降的幅度更大，證實(shí)研究假設(shè)H3。第（2）列的結(jié)果表明，疫情沖擊帶來的銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)下降了0.086%（1%的顯著性水平），而疫情嚴(yán)重地區(qū)比非嚴(yán)重地區(qū)進(jìn)一步下降了0.287%（1%的顯著性水平）。在控制了其他因素的情況下，我們認(rèn)為，疫情沖擊嚴(yán)重地區(qū)的銀行主動(dòng)收縮信貸、主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿降低是造成這一結(jié)果的重要原因之一。

表 4 區(qū)分疫情沖擊區(qū)域的估計(jì)結(jié)果

六、穩(wěn)健性檢驗(yàn)

為驗(yàn)證本文研究結(jié)論的穩(wěn)健性，我們考慮通過使用不同的模型、替換不同的變量對研究假設(shè)重新進(jìn)行估計(jì)。

首先，在討論疫情沖擊對銀行不良率的影響時(shí)，主體模型主要采用了2020年的城商行截面數(shù)據(jù)進(jìn)行計(jì)量分析。為驗(yàn)證經(jīng)濟(jì)沖擊對于銀行風(fēng)險(xiǎn)承擔(dān)的影響，我們將樣本期擴(kuò)展至2018、2019年，采用城市商業(yè)銀行三年短面板數(shù)據(jù)重新進(jìn)行估計(jì)。被解釋變量依然選擇銀行不良率作為銀行風(fēng)險(xiǎn)承擔(dān)指標(biāo)，解釋變量為經(jīng)濟(jì)沖擊偏離度和經(jīng)濟(jì)增速。基于固定效應(yīng)模型的計(jì)量結(jié)果顯示，經(jīng)濟(jì)負(fù)面沖擊造成了城市商業(yè)銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的顯著上升，與主體回歸模型的估計(jì)結(jié)果相一致。

其次，以損失準(zhǔn)備金占貸款的比重作為銀行風(fēng)險(xiǎn)承擔(dān)的指標(biāo)，重新進(jìn)行測算，核心變量的估計(jì)系數(shù)和方向均未發(fā)生變動(dòng)。

最后，我們對控制變量作了一些調(diào)整，例如，以資產(chǎn)報(bào)酬率替換原銀行收益率指標(biāo)，增加流動(dòng)率比率指標(biāo)等。

最后的結(jié)果顯示，估計(jì)結(jié)果仍然穩(wěn)健。全部穩(wěn)健性檢驗(yàn)的估計(jì)結(jié)果匯總于表5。

表 5 穩(wěn)健性檢驗(yàn)結(jié)果匯總

七、研究結(jié)論與政策啟示

本文研究了2020年新冠疫情爆發(fā)對于我國商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)水平的影響?；诂F(xiàn)有的研究文獻(xiàn)，我們將商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)分為主動(dòng)風(fēng)險(xiǎn)承擔(dān)和被動(dòng)風(fēng)險(xiǎn)承擔(dān)兩種類型。在新冠疫情沖擊之下，銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)主要來自于疫情對經(jīng)濟(jì)的負(fù)面影響間接波及銀行信貸，屬于銀行不得不承擔(dān)的一類風(fēng)險(xiǎn)；銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)則主要來源于銀行面臨巨大不確定性出于自我保護(hù)目的的主動(dòng)收縮信貸以減少銀行風(fēng)險(xiǎn)承擔(dān)行為。本文認(rèn)為，銀行的不良貸款率指標(biāo)同時(shí)包含了主動(dòng)風(fēng)險(xiǎn)承擔(dān)和被動(dòng)風(fēng)險(xiǎn)承擔(dān)兩種類型。從理論上看，這兩類風(fēng)險(xiǎn)承擔(dān)在疫情沖擊下呈現(xiàn)方向相反的變化，即被動(dòng)風(fēng)險(xiǎn)承擔(dān)增加而主動(dòng)風(fēng)險(xiǎn)承擔(dān)下降。

基于2020年我國城市商業(yè)銀行104家的財(cái)務(wù)數(shù)據(jù)，以銀行不良貸款率作為銀行風(fēng)險(xiǎn)承擔(dān)指標(biāo)進(jìn)行測算分析，結(jié)果顯示：疫情沖擊之下，銀行的風(fēng)險(xiǎn)承擔(dān)水平顯著下降。分風(fēng)險(xiǎn)承擔(dān)類型的討論發(fā)現(xiàn)，疫情沖擊導(dǎo)致銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)水平顯著上升，而同期銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿出現(xiàn)了明顯下降。而且，銀行主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿下降的幅度要大于銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)增加的幅度?？紤]到不同省區(qū)受疫情影響的嚴(yán)重程度有所差異，我們分區(qū)域進(jìn)一步進(jìn)行檢驗(yàn)發(fā)現(xiàn)，在疫情沖擊更為嚴(yán)重的地區(qū)，商業(yè)銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的水平顯著增加，但其主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿下降的幅度相對于非嚴(yán)重地區(qū)要更大。

本文的研究結(jié)論具有重要的政策啟示。首先，貨幣政策當(dāng)局在制定貨幣政策時(shí)，要考慮到商業(yè)銀行在疫情沖擊下的自保行為特征。根據(jù)本文的研究，在疫情沖擊下商業(yè)銀行的主動(dòng)風(fēng)險(xiǎn)承擔(dān)意愿在下降，傳統(tǒng)意義上的寬松的貨幣政策將難以通過商業(yè)銀行發(fā)揮作用。因此，貨幣當(dāng)局需要在傳統(tǒng)貨幣政策的基礎(chǔ)上，加大對窗口指導(dǎo)等政策調(diào)節(jié)方式的靈活運(yùn)用；其次，疫情沖擊實(shí)體經(jīng)濟(jì)造成生產(chǎn)供給端的損失是造成商業(yè)銀行被動(dòng)風(fēng)險(xiǎn)承擔(dān)的主要渠道，因此，監(jiān)管部門和政府部門可以對信貸資金的償還制定特殊安排計(jì)劃，穩(wěn)定貸款企業(yè)和銀行的信心，這些措施將在一定程度上緩解銀行對未來不確定性的擔(dān)憂，提升其主動(dòng)風(fēng)險(xiǎn)承擔(dān)的意愿。最后，政府在后疫情時(shí)期推動(dòng)經(jīng)濟(jì)發(fā)展的政策制定方面，既要考慮到企業(yè)供給端的現(xiàn)實(shí)困難，持續(xù)推進(jìn)減稅降費(fèi)政策，也要重視商業(yè)銀行自身的風(fēng)險(xiǎn)防控能力和意愿，不能將商業(yè)銀行單純作為經(jīng)濟(jì)的啟動(dòng)器或發(fā)動(dòng)機(jī)，而忽略商業(yè)銀行自身的發(fā)展特性。