貨幣政策支持對公司債信用利差的影響

摘" "要：使用我國滬深上市公司2019—2022年債券發行月度數據，利用雙重差分法探討貨幣政策支持對公司債信用利差的影響。結果表明：政策實施顯著收窄了債券信用利差，且實施效果在不同資產規模、發債規模、勞動密集度、資本密集度下具有一定異質性；將信用利差分解為流動性利差與違約利差后，發現其主要通過降低違約利差來收窄信用利差。進一步對觀測期內具體貨幣政策工具操作進行短期事件研究發現，下調中期借貸便利利率與常備借貸便利利率對信用利差的收窄作用呈現國有企業與高信用評級“偏好”，而下調金融機構存款準備金率引起的收窄作用并未有明顯差異。為更好地發揮貨幣政策對直接融資市場調控的功能，應著力完善貨幣政策對債券市場信用利差結構的影響框架，加快構筑市場風險協同監測機制。

關鍵詞：貨幣政策；信用利差；債務市場

中圖分類號：F832.51" "文獻標識碼：A" "文章編號：1003-7543（2024）05-0137-19

突發公共衛生事件往往因其成因復雜、廣泛傳播等特點嚴重威脅經濟系統正常運轉，其不確定性與緊迫性對全球經濟發展產生了較大挑戰。新冠疫情（以下簡稱疫情）導致我國總需求和總供給衰退，生產要素流通受阻，消費、投資、出口三駕馬車均受到不同程度的損失。為有效應對疫情的沖擊，中國人民銀行等五部門于2020年1月31日發布銀發〔2020〕29號文，明確提出通過公開市場操作、常備借貸便利利率等多種貨幣政策工具強化預期引導，加大逆周期調節強度，引導金融機構加大對實體經濟的支持力度，以保持金融市場流動性合理充裕，促進貨幣信貸合理增長。從貨幣政策信貸傳導機制中的銀行信貸渠道與企業資產負債表渠道來看，前者是指貨幣當局通過政策調控對金融中介機構的貸款規模進行結構性調整，以滿足不同主體的融資需求，進而影響主體的債務融資成本；后者則是指貨幣政策通過影響借款者現金流，改變借款人信用狀況，促使銀行調整放貸規模，進而影響借款人融資狀況和債務融資成本。從貨幣政策利率傳導機制來看，利率調整會通過改變企業資產凈值進而影響其違約風險，或通過改變投資者風險偏好和預期，最終作用于信用利差。銀發〔2020〕29號文下的“一攬子”貨幣政策支持是否有效緩解了企業融資壓力、降低了企業債務融資成本，實施效果是否存在來自主體異質性的結構性差異等，需要進行深入研討。合理評估重大突發公共衛生事件下“一攬子”貨幣政策的支持效應，不僅能印證流動性注入能否有效降低企業債務融資成本，而且能有效評估政策實施對金融市場的結構性影響。但現有文獻對于該政策實施效果的研究并未拓展至金融市場，尤其是我國的公司債券市場。

基于此，本文將銀發〔2020〕29號文的實施視作一項準自然實驗，運用DID實證方法考察貨幣政策支持對公司債市場信用利差的影響；然后，探討不同發債主體、債券特征等的異質性所引起的政策實施效果的差異。此外，為厘清該政策實施效果的具體作用機制，本文進一步將信用利差分解為流動性利差與違約利差展開機制研究。

值得注意的是，銀發〔2020〕29號文強調了常備借貸便利利率、中期借貸便利利率等創新型貨幣政策工具的使用。近年來，受限于信用主體的融資軟約束、“二元”結構以及利率雙軌制等多種因素影響，傳統價格型與數量型貨幣政策工具在流動性調控時存在的結構性問題易導致貨幣政策傳導機制不暢。為更有效、精準地實現流動性調控，中國人民銀行自2013年起開始運用包括常備借貸便利利率、中期借貸便利利率在內的一系列貨幣政策工具。相較于傳統貨幣政策工具，這些創新型貨幣政策工具主要以擔保形式為銀行注入流動性，而非信用方式，通過將中小微企業貸款納入合格擔保品范圍等方式，實現對企業的定向資金注入，以疏通貨幣政策傳導渠道。通過梳理現有文獻可知，中期借貸便利利率、常備借貸便利利率等創新型貨幣政策工具多與企業融資成本、企業就業、資本市場穩定等掛鉤，鮮有文獻研究這類貨幣政策工具操作對債券信用利差的影響［1-3］。因此，本文通過窗口期為［-10，10］的短期事件研究觀測期內中期借貸便利利率與常備借貸便利利率這類創新型貨幣政策工具對公司債市場信用利差的影響，以完善本研究的整體框架。此外，考慮到存款準備金率是我國較為常用的數量型貨幣政策工具，本文同樣對其進行了研究。

本文的邊際貢獻主要體現在：與多數研究貨幣政策對公司債市場信用利差影響的文獻不同，本文從銀發〔2020〕29號文的實施這一特殊視角考察了其對公司債信用利差的影響及作用機制，并基于短期事件研究法探討了在觀測期內下調中期借貸便利利率、常備借貸便利利率、金融機構存款準備金率對公司債信用利差的影響。

一、相關文獻綜述與研究假說提出

貨幣政策調控的目的主要是通過促進資源有效配置來實現預期經濟目標，但在實體傳輸渠道受阻時，貨幣政策調控帶來的流動性易涌入金融市場［4］。已有研究認為貨幣政策對金融市場的影響主要通過貨幣渠道、信貸渠道、資產價格渠道等傳導。自20世紀80年代起，隨著利率市場化進程的推進，學術界開始逐漸關注貨幣政策對債券市場的影響。Bernanke和Blinder［5］、Bernanke和Gertler［6］通過對貨幣政策信用傳導渠道的研究指出，寬松的貨幣政策通過利率下降來提高企業資產負債表質量，降低企業違約概率，進而收窄信用利差。但Longstaff和Schwartz通過檢驗1977—1992年的數據發現，利率水平與信用利差呈負相關［7］。Roley和Sellon發現并非所有數據均支持貨幣政策與債券市場利率間的關系，尤其對長期利率的反應是多變且模糊的［8］。Sensarma和Bhattacharyya通過宏觀金融分析方法指出貨幣政策在期限結構中起主導作用，對公司債信用利差有強烈影響，且信用利差反過來也對貨幣政策具有一定影響［9］。Zhu則進一步將貨幣政策沖擊分解為預期變化與未預期變化，發現信用利差對貨幣政策未預期的變化反應更為敏感，且在經濟衰退時期更為顯著［10］。王安興等基于NS方法估計我國公司債信用利差，發現公司債信用利差與無風險利率水平、利率期限結構斜率以及公司杠桿率的變化方向相反，且主要受利率水平與流動性性水平影響［11］。朱焱和孫淑偉基于貨幣渠道傳導分析，通過將貨幣供應量作為貨幣政策的代理變量，發現寬松貨幣政策有助于降低我國公司債信用利差［12］。紀志宏和曹媛媛從我國信用債定價角度出發，基于剛性兌付預期和信用債套利交易模式分析了我國信用債信用利差中宏觀流動性溢價的存在性，實證發現信用債信用利差對貨幣市場利率水平與波動性反應更為敏感［13］。陳貞竹等則使用金融市場高頻數據，指出我國貨幣政策傳導中存在“信號效應”，以準備金率為代表的數量型貨幣政策在一定程度上能通過引導公眾預期，進而對債券信用利差產生影響［14］。

綜上，盡管貨幣政策與債券信用利差的研究較為豐富，但現有研究均未考察疫情期間貨幣政策支持對我國公司債信用利差的影響。信用利差一般作為發行主體信用風險衡量的關鍵指標以及增量債務融資成本的度量方式。自2014年3月“ST超日債”首例利息違約案件打破我國債券市場“零違約”的怪象來，債券違約趨于常態化，如何降低違約風險、收窄信用利差，成為債券市場研究的核心問題。目前，學術界將信用利差的主要影響因素分解為宏觀因素、流動性因素以及企業個體微觀因素［15］。從宏觀因素來看，戴國強和孫新寶基于Merton的結構化模型研究發現，我國企業債信用利差與GDP指數和M1發行量正相關，而與無風險利率和國債利率負相關［16］。王超指出信用利差在不同信用等級和違約概率下對經濟周期、貨幣政策及其不確定性呈現顯著的敏感度差異［17］。從流動性因素來看，Schwert［18］、Chen和Jiang［19］指出，盡管中國債券市場相較于發達國家市場流動性較差，但債券信用利差中仍顯著包含部分流動性溢價成分。從企業微觀因素來看，企業經營風險與信用利差相關，經營風險越高，對應要求的風險溢價回報也就越高。李萌和王近發現企業內部控制質量越高，其債務違約風險越低，對應公司債信用利差也越低［20］。Ayres指出企業三級資產持有對債券信用評級具有負面影響，且與債券信用利差的增長有關。史永東等發現控股股東股權質押在發揮約束監督的功能時，其控制權轉移影響到控股股東短期與長期利益的權衡，通過資產轉移、資產替代、信息操縱等侵害債權人利益，進而提高債券二級市場的信用利差［21］。

一般來說，債券信用利差是債券到期收益率與無風險收益率之差，貨幣政策調控會通過企業資產負債表、投資者風險偏好及預期、融資流動性等渠道影響債券信用利差。首先，從傳統貨幣政策的信用傳導渠道來看［22］，貨幣政策通過降低利率，引起公司資產與抵押品價值上升，同時通過降低企業借貸成本，增加企業營運現金流量，引起企業凈值上升。而這種凈值上升會提高企業債務償還能力，進而通過降低企業違約風險來收窄信用利差。其次，從投資者風險偏好來看，貨幣政策引起的利率下降會提高公司債券價格，進而提高債券持有者收入，而投資者風險容忍度會隨之降低，導致投資者要求公司債券的單位風險溢價減少，使相同風險下的公司債券在價格上升時其信用利差下降［23］。最后，金融市場融資流動性也是債券信用利差的重要影響因素之一［24］。對于公司債市場來說，融資流動性匱乏會通過提高發債主體信用風險或投資者的負面預期引導放大債券信用利差。Marra在對危機期間美國金融市場的研究中，指出市場融資流動性與信用利差呈負向關系，且主要影響機制在于融資流動性引起的系統性風險累積［25］。李少昆等則證實了其在我國公司債市場的適用性，即融資流動性與信用利差成反比［26］，即貨幣政策調控能通過改善發債主體融資約束程度，提高公司債市場融資流動性，進而收窄信用利差。銀發〔2020〕29號文的出臺能通過降準降息、再貼現等貨幣政策操作為市場注入大量融資流動性，結合信號釋放效應引導投資者預期，并通過MLF操作等方式引導商業銀行為企業提高資金支持來緩解企業經營壓力、優化企業資產負債表，進而收窄信用利差，降低企業債務融資成本。綜上，提出基準假說H1：

H1：銀發〔2020〕29號文的實施收窄了公司債市場的信用利差。

為了分析具體的傳導機制，本文進一步將信用利差分解為違約利差與流動性利差展開討論［27］。違約利差即違約風險溢價，是指投資者因持有債券而承受違約風險等所要求的額外風險補償，往往與發債主體的經營風險呈正向關系。當企業融資環境較好、融資壓力較低時，企業經營狀況的改善會通過降低違約風險，推動違約利差下降，進而使信用利差降低。在上述假設基礎上，銀發〔2020〕29號文的實施能通過降低利率等方式為市場主體注入金融市場融資流動性，以對沖疫情對市場主體融資帶來的負面影響，提高公司預期經營現金流量，改善公司營運狀況，進而通過降低違約利差來收窄信用利差。

由于公司債在二級市場采取做市商制度交易，債券持有者和潛在投資者對債券的定價決定了買賣價差，一旦企業經營狀況惡化，就會引起二級市場債券流動性降低、買賣價差擴大、流動性價差上升，進而放大信用利差［28］。一方面，該政策的實施能有效改善疫情期間市場參與者的預期，減少投資者在疫情期間的持倉觀望行為，通過降低買賣價差和增加債券流動性來減少流動性利差，進而收窄信用利差；另一方面，該政策的實施能為市場提供足夠的流動性來降低市場主體流動性需求，減少投資者因流動性問題而拋售債券的行為，進而降低債券交易成本，通過收緊流動性利差以收窄信用利差。綜上，進一步提出假說H2a與H2b：

H2a：銀發〔2020〕29號文的實施通過降低公司債市場的違約利差，進而收窄信用利差。

H2b：銀發〔2020〕29號文的實施通過降低公司債市場的流動性利差，進而收窄信用利差。

二、研究設計

（一）樣本選取與數據來源

為縮小樣本選擇偏誤，本文樣本觀測期的選擇參考了曾嶒和唐松的做法［29］，并考慮到貨幣政策實施效果可能具有一定時滯性，選取滬深上市公司2019年1月至2022年12月二級市場公司債的月度數據作為初始樣本，然后進行如下數據處理：剔除交叉上市的公司樣本；剔除發債主體被ST和ST*的樣本；剔除金融類公司樣本；剔除債項評級為AA級以下的樣本；剔除債券發行日期在2020年及以后的樣本；剔除主要財務數據缺失的樣本，最終得到9 527個觀測值，來自174家上市公司發行的391只公司債券。具體而言，研究樣本僅選取上市公司發行的債券，而未包含中期票據與短期融資券等的原因在于：在分析債券信用風險時，控制發債主體財務變量必不可少，且相較于非上市公司，上市公司信息披露與外部審計更為嚴格。本文財務數據與債券數據來源于Wind數據庫和國泰安數據庫。為消除離群值的影響，本文對連續變量在1%和99%的水平上進行了Winsorize處理。

（二）識別策略與模型設定

本文使用雙重差分法考察銀發〔2020〕29號文的實施對公司債市場信用利差的影響。在自然實驗情形下，雙重差分法能有效克服因果關系與其他遺漏變量的影響，通過對照政策實施后實驗組與對照組的差異，來識別變量間的因果關系。

實踐中，政策實施產生的影響具有較大的異質性，政策實施效果往往會因市場主體特征差異而不同。實際上，為識別政策實施與信用利差之間的因果關系，現有文獻近乎均以政策試點作為天然的對照組與實驗組進行DID檢驗，鮮有文獻通過企業或者債券層面的差異切入構造對照組與實驗組，以檢驗這種“一刀切”政策的實施效應。但錢雪松和方勝的研究為我們提供了一定參考［30］，我們從該政策實施對不同債券信用利差影響的差異性構建對照組與實驗組，在此基礎上通過構建DID模型來檢驗政策的實施效應。具體來說，按照債券信用評級高低來構建對照組與實驗組，處理原因如下：債券信用利差在不同信用評級下呈現顯著差異。債券評級機構作為連接投資者與發行人的重要金融中介，既需為社會提供企業的資信狀況，又需為投資者提供決策依據，從而在一定程度上緩解二者間的信息不對稱。理論上，在假定信用評級是全面且有效的前提下，信用評級越高的債券往往越受投資者青睞，對應較低的信用利差，尤其是在受到宏觀經濟沖擊或政策調控時，債券市場中呈現顯著的評級劃分［31］。高信用評級不僅意味著發債主體具有良好的發展前景和營運能力，而且對應著較低的違約風險，所以投資者往往要求較低的投資回報率。在疫情的外部沖擊下，由于市場整體的不確定性與避險情緒的存在，該政策難以迅速改變低信用評級的發債主體的經營窘境及投資者的悲觀預期。但對于信用評級較高的債券而言，由于信用評級的隱性擔保存在，該政策的出臺在疫情期間釋放的市場信號與融資流動性更能有效作用于投資者和發債主體，進而能有效收窄其信用利差，降低主體債務融資成本。相較而言，信用評級較低的債券在疫情發生前后，均面臨較高的違約風險，政策實施很難改變投資者預期和風險偏好，因而受政策影響效果有限。簡言之，在疫情背景下，與信用評級較低的債券相比，信用評級越高的債券受該政策的影響效果越明顯。

具體地，本文依據樣本內債券的信用評級進行劃分，將信用評級為AAA級的債券界定為實驗組，信用評級在AA+級及以下的債券界定為對照組。本文為識別疫情背景下貨幣政策支持對公司債信用利差的影響，在控制雙重固定效應后構建的模型如下：

Spreadi，j，t=α0+α1Postt×Treatedi，j+α2Postt+α3Treatedi，j+α4Controlsi，j，t+γj+δt+εi，t（1）

其中被解釋變量Spreadi，j，t代表企業j發行的債券i在t時的信用利差。本文同現有文獻做法保持一致，采用公司債日收盤到期收益率減去同期相同剩余期限國債收益率來度量日度信用利差，若剩余期限無法匹配則通過插值法進行計算，進而通過月度平均計算月度信用利差。Postt為時間虛擬變量，由于該政策實施的時間為2020年2月1日，我們將2019年1月至2020年1月定義為0，2020年2月至2022年12月定義為1。Treatedi，j是一個指示變量，以2019年最新的債券信用評級為劃分依據，當j企業的債券i處于實驗組時，該變量取值為1，否則為0。我們主要關注的是Postt×Treatedi，j的估計系數α1，它衡量了該政策實施帶來的DID效應。

控制變量選取方面，本文參考黃振和郭曄的做法［32］，分別從發債主體特征與債券特征兩個層面控制了可能影響債券信用利差的因素，其中與發債主體特征有關的包括公司規模（Size）、資產負債率（Lev）、總資產凈利率（ROA）、股權制衡度（Balance），與債券特征有關的包括實際發行量（Amount）、發行期限（Term）、票面利率（Rate）、投資人回售條款（Putable）、發行人贖回條款（Callable）。有關控制變量的具體定義見表1（下頁）。

上述變量的描述性統計結果見表2（下頁）。Spread的統計結果顯示，其均值為2.709，最小值為-0.207，最大值為17.760。該數據表明在觀測期間內部分研究樣本受外部因素的影響導致到期收益率低于同期國債收益率。其余各變量的描述性統計結果均與現存文獻基本一致，在此不過多贅述。

三、實證檢驗

（一）基準回歸分析

首先，對變量間的共線性問題進行檢驗，結果顯示各變量間并不存在嚴重的共線性問題（見表3，下頁）。其次，對模型（1）進行逐步回歸，以檢驗疫情下該政策實施對公司債券市場信用利差的影響，回歸結果見表4。表4列（1）和列（2）分別為穩健標準誤估計下未加入控制變量與加入控制變量后的估計結果，Post×Treated的估計系數均顯著為負，說明該政策的實施顯著降低了公司債市場的信用利差水平，這一結果初步驗證了假說H1。控制變量的統計結果表明，加入投資人回售條款和發行人贖回條款能有效防范市場利率風險，進而控制融資成本，收窄公司債信用利差；資產規模與債券信用利差成反比，而總資產凈利率（ROA）與債券信用利差成正比，可能是由于樣本中發債主體資產規模較大的這類公司，往往對應較低的ROA，與此同時，資產規模較小的這類公司對應的ROA較高，但其發行債券信用等級相對較低，因而信用利差較大；資產負債率與信用利差成正比，其主要原因在于資產負債率上升可能會引起債務風險上升，通過提高違約風險進而擴大信用利差。

（二）穩健性檢驗

1.平行趨勢檢驗

前文結果表明，該政策的實施能有效降低公司債市場信用利差，但仍需通過平行趨勢檢驗來驗證本文識別策略的可靠性，即如果該政策并未實施，對照組與實驗組應該呈現相同的變化趨勢。因此，參考陳國進等［33］的做法，使用事件研究法來研究該政策實施的動態效應。具體模型如下所示：

其中，DS代表政策實施時點的啞變量（D0表示實施時間為2020年2月），S為負數表示政策提出前S月，S為正數表示政策提出后S月。我們將該政策提出前13個月、提出后21個月設為基準組，圖1描繪了估計系數{β-13，β-12，…，β20，β21}的政策動態變化趨勢以及相應90%的置信區間。從圖1中可以看出，政策提出前系數估計值均不顯著，即以信用評級劃分的對照組與實驗組的信用利差無顯著差異；政策實施當月，實驗組的信用利差也并未產生顯著的收窄作用，即政策實施具有一定滯后期；但長期來看，政策實施顯著降低了公司債市場的信用利差。綜上，平行趨勢檢驗結果不僅證明了事前平穩趨勢的假設，而且表明了政策提出后在長期內能有效降低信用利差。

為進一步增強基準估計結果的穩健性，這里進一步通過重新替換對照組與實驗組、調整樣本觀測期、傾向得分匹配與安慰劑檢驗重新回歸。

2.更換對照組與實驗組劃分方式

本文的基準研究以債券信用評級來構建對照組與實驗組，為保證研究結論的穩健性，我們進一步以來自發債主體層面的政府隱性信用擔保重新劃分。為此，我們參考了王嘉鑫等［34］在研究2013年央行全面放開金融機構貸款利率管制對企業融資約束影響的做法，從發債主體所有權性質切入。對于國有企業發行的債券而言，其所有的政府信用隱性擔保既能降低投資的不確定性風險，又能使融資與資產銷售相關的債券條款更有效地降低融資成本，進而利于收窄信用利差，即政府隱性擔保能在一定程度上引導投資者行為［35-36］。綜上，相較于發債主體為非國有企業的債券，在疫情影響下這種來自政策支持的信用利差收窄作用在國有企業發行的債券中更強。此外，將劃分標準由債券信用評級替換為發債主體所有權性質的優勢在于，無論是違約事件還是外部性負面沖擊，信用評級與所有權性質對投資者預期的影響方向大體保持一致。因此，我們以2019年數據為準，將發債主體為國有企業的債券界定為實驗組，非國有企業界定為對照組。結果如表5（下頁）列（1）所示，Post×Treated的估計系數在1%的水平上顯著為負，與上文結果保持一致，這表明在新分組下該政策實施對信用利差的收窄作用依然存在。

3.調整樣本觀測期

為避免受外部宏觀經濟變動與其余政策變動引起的混雜效應，本文采用子樣本回歸方法解決潛在的樣本選擇偏誤所引致的內生性問題。具體來說，我們剔除掉2022年觀測數據，將樣本觀測時間縮短至2019年1月至2021年12月重新進行測試，結果如表5列（2）所示，Post×Treated的估計結果與主結論的結果保持一致，估計系數在1%的水平下顯著為負，即本文的基準回歸結果具有一定的穩健性。

4.傾向得分匹配

考慮到可能存在因樣本自選擇引起的估計偏誤，本文進一步利用傾向得分匹配模型（PSM），減少由對照組和實驗組間的截面異質性導致的系統性偏差，以減少DID估計的偏誤。具體來說，選取所有控制變量作為協變量，結果變量為信用利差，按照1∶1的比例進行有放回的近鄰匹配。平衡性檢驗結果表明，在進行協變量匹配后，各變量在實驗組與對照組間的偏差顯著降低，偏差絕對值均維持在10%以內，即實驗組與對照組的特征差異得到了處理，通過平衡性檢驗，保證了PSM-DID估計的有效性。進一步基于基準模型使用PSM-DID進行檢驗，結果如表5列（3）所示，Post×Treated在1%的水平下顯著為負，即本文基準回歸結果具有良好穩健性。

5.Heckman檢驗

鑒于本文研究樣本選取并非所有A股上市公司發行的公司債，這樣可能造成樣本選擇偏誤導致的內生性問題。為控制由樣本選擇偏誤帶來的潛在影響，本文利用Heckman兩階段矯正模型進行討論。具體地，使用與前文一致的控制變量作為協變量，在一階段構建Probit模型估計債券樣本是否處于觀測樣本的概率，并求出逆米爾斯比率（IMR）。在第二階段，將在第一階段估計的逆米爾斯比率作為控制變量加入模型（1）重新回歸，以糾正基準模型的樣本選擇偏誤，結果如表5列（4）所示。可以發現：核心解釋變量的估計系數仍在1%的顯著性水平下為負，表明該政策實施對公司債信用利差的收窄作用并不會受樣本選擇問題的實質性影響。

6.安慰劑檢驗

為排除其他不可觀測的因素對本文基準結論的干擾，即排除該政策實施后公司債市場信用利差的收窄是由其他政策或隨機因素引起的，我們通過構建反事實事件的方式來檢驗前文結論的穩健性。通過采用隨機抽取個體作為實驗組，與雙重差分設置的時間虛擬項交乘構造雙重差分項來進行安慰劑檢驗，并重復上述操作500次，若抽取樣本的雙重差分項t值大部分不在顯著范圍內，或與基準回歸雙重差分項t值存在明顯差異，則安慰劑檢驗通過。從圖2結果來看，無論是抽取樣本的雙重差分項t值分布狀況，還是與基準回歸雙重差分項t值（-3.86）間的差異，結果均通過安慰劑檢驗。換言之，這說明隨機設定的雙重差分項并未體現出明顯的政策效應，反推出該政策實施對實驗組產生的影響是真實存在的。綜上所述，該政策對信用利差的收窄作用并非因非觀測因素所引起，即本文基準回歸結論具有一定穩健性。

（三）異質性分析

考慮到銀發〔2020〕29號文的實施效果可能在不同發債主體以及債券中存在結構性差異，這里進一步通過發債主體資產規模、債券發行規模以及不同要素密集度等視角檢驗重大突發公共衛生事件下貨幣政策支持對公司債信用利差的異質性影響。

一是不同發債主體資產規模的異質性分析。債權人關注發債主體經營狀況最為直觀的指標之一就是資產規模。從資產消耗角度來看，公司破產往往出現在資產消耗完全之前，而非完全消耗之時［37］。公司實力越雄厚，抵御風險的能力越強，即具有規模優勢的發債主體的信用風險更低。這使得在疫情沖擊下具有規模優勢的發債主體更容易從貨幣政策支持中增強融資流動性，進而其信用利差的收窄效果更大。本文按照年度橫截面數據以發債主體資產規模平均數來劃分大資產規模與小資產規模，回歸結果如表6（下頁）Panel A所示。可以發現，僅在大資產規模分組中Post×Treated的估計系數在1%的水平下顯著為負，在小資產規模分組中盡管統計不顯著，但仍具有收窄作用。

二是不同債券發行規模的異質性分析。發行規模是由發行人和承銷商在考慮市場對該債券潛在接受度后所決定的，市場接受度越高，在二級市場中發行規模越大，即債券具有較低的違約風險以及較強的流動性特點。通常來說，發行規模越大的債券，其募集資金所支持的產業和項目具有較大可靠度，相較于其他融資項目信用程度越高，進而對應較低的信用利差［38］。且較大發行規模的債券會降低投資者的信息搜尋成本，更會被投資者關注；較小發行規模的債券往往由于流通盤更小，流動性的限制會使投資者要求更高的流動性溢價。由于疫情沖擊與投資者預期的催化，市場流動性更傾向于注入發行規模較大的債券，進而其信用利差的收窄效應會更為明顯。本文采取上文對發債主體資產規模的劃分方式，將債券發行規模進行同樣的處理，回歸結果如表6 Panel B所示。可以發現，Post×Treated的估計系數均顯著為負，但在較大發行規模分組中的收窄效果更強。

三是不同要素密集度的異質性分析。勞動密集型企業的日常生產經營活動對勞動力依賴較大，其受疫情的影響程度更大。資本密集度越高的企業在機械設備方面的投入較多，勞動力需求量較少，受疫情影響程度相對較小。綜上，高勞動密集度與低資本密集度的發債主體受疫情影響更為嚴重，運營壓力更大。銀發〔2020〕29號文強調引導金融機構加強對實體經濟特別是受困企業的支持力度，因而本文認為這種信用利差收窄效應在高勞動密集度與低資本密集度的發債主體中更強。據此，本文參考高文靜等的做法［39］，使用2019年年末的發債主體員工人數占比（員工人數/營業收入）和固定資產占比（固定資產凈額/總資產）衡量其勞動密集度和資本密集度，以避免疫情帶來的長期影響，并且按要素密集度的中位數來劃分高低兩組類別，回歸結果如表7所示。

由表7 Panel A的結果可知，Post×Treated的估計系數均顯著為負，但高勞動密集度分組中估計系數的絕對值要顯著大于低勞動密集度分組，即這種信用利差收窄作用在高勞動密集度分組中更強；由Panel B的結果可知，Post×Treated的估計系數均顯著為負，但在低資本密集度分組中估計系數的絕對值更大，即這種信用利差收窄作用在低資本密集度分組中更強。以上結果表明，政策實施效果在發債主體屬于高勞動密集度與低資本密集度的債券更為顯著，即該政策的實施在一定程度上實現了對受疫情影響較大的發債主體的紓困。

此外，考慮到疫情在不同時期的影響程度不同，該政策實施效果可能在時間維度上存在一定差異，因而本文進一步分別考察該政策在2020年、2021年、2022年的實施效果。具體來說，將模型（1）中的Postt×Treatedi，j替換為Postt×Treatedi，j×PeriodNum（Num=2020，2021，2022），其中PeriodNum是虛擬變量。具體來說，Period2020是指將2020年2月至2020年12月的數據均賦值為1，其余均為0，Period2021和Period2022則是分別對年內數據均賦值為1，其余均為0，回歸結果如表8所示。無論是2020年、2021年還是2022年，Post×Treated×PeriodNum的估計系數均在1%的顯著性水平下為負，且對信用利差的收窄效果逐漸增強（0.389lt;0.459lt;0.682），即政策實施效果不僅在當年實現了顯著的收窄作用，且實施效果隨時間推移逐漸放大。

（四）傳導機制檢驗

為檢驗假說H2a與H2b，本文將信用利差分解為流動性利差與違約利差進行討論。由于我國金融市場無法通過CDS息差來估計違約風險，本文參考陳選娟等［40］的做法，將Amuihud指標作為債券流動性風險測度指標［41］，計算獲取流動性利差（Liquidity Spread，LS），具體計算方法如下所示：

其中，Pi，d是指債券i在第d日的收盤價，Pi，d-1是指債券i在第d-1日的收盤價，Qi，d是指債券i在第d日的總成交金額，Ni，m代表債券i在t月的交易天數。該指標的值越大，意味著價格對單位成交量變化越敏感，即債券流動性越低。進一步，從債券信用利差中剔除流動性利差部分，剩余部分即違約利差（Default Spread，DS）。為增強結論的穩健性，我們將債券信用利差作為被解釋變量，流動性利差作為解釋變量，構建模型（4）進行回歸處理，提取回歸結果殘差項作為新的違約利差部分（NDS），重新對模型（1）進行回歸檢驗，結果如表9（下頁）Panel A所示。此外，我們進一步替換了流動性利差的度量方式。具體而言，使用債券的日度買賣價差數據并按月取均值，來度量債券的流動性利差。通過與上文一致的處理，重新基于模型（1）進行回歸檢驗，結果如表9 Panel B所示。

Spreadi，t=c0+c1LSi，t+εi，t（4）

表9列（1）—（2）與列（4）—（5）顯示，在替換違約利差的不同度量方式后，Post×Treated的估計系數均在1%的水平下為負，表明該政策實施能有效降低公司債違約利差，假說H2a成立。列（3）與列（6）顯示，Post×Treated的估計系數顯著為正，但統計系數較小，意味著該政策的出臺具有擴大流動性利差的趨勢，即假說H2b不成立。其原因可能在于：一方面，由于投資者避險情緒難以迅速扭轉，贖回固定收益類產品的動機增加，機構投資者為應對其贖回壓力被迫拋售流動性尚可的債券資產，加之我國公司債市場流動性較差，易致使流動性風險上升進而引起流動性利差擴大［42］；另一方面，由于外部不確定性因素過多，政策支持給債券投資者帶來過多“想象空間”，傾向于持倉觀望以獲取穩定票息，進而引起流動性利差的擴大［43］。綜上，本文認為該政策的實施主要通過降低違約利差來收窄我國公司債市場的信用利差。

四、進一步分析

為進一步評估銀發〔2020〕29號文發布后具體貨幣政策工具操作對公司債信用利差的影響，本文分別選取了觀測樣本期內在政策提出后的主要貨幣政策工具操作（見表10）。由于本文研究的貨幣政策工具操作不適合作為連續時間序列變量，為此，本文采用事件研究法來考察貨幣政策工具操作對公司債信用利差的影響。我們重點研究公司債信用利差對貨幣政策工具“宣布調整”事件的反應，通過累計平均異常值（CAAR）曲線觀測信用利差在“宣布調整”事件前后的變化，并通過t檢驗來觀測“宣布調整”事件對信用利差影響的大小與方向的顯著性［44］。

具體來說，我們將事件窗口設置為［t-10，t+10］，即“宣布調整”事件前10個交易日與后10個交易日，且由于“宣布調整”事件均發生在交易日，對t為“宣布調整”事件日不需作任何調整。進一步，本文將t-10日的信用利差作為基準，研究事件發生前后10個交易日內信用利差的變化情況。我們從發債主體層面與債券層面出發，按照發債主體所有權性質與信用評級將樣本進行劃分處理研究。此外，本研究并未選擇更長的事件窗口期，以防止過長窗口期內其他消息變動帶來的影響，導致無法解釋市場信用利差波動的真正原因。

（一）調整中期借貸便利利率

為了保證銀行體系資金流動性總體穩定和貨幣信貸規模合理增長，2014年9月中國人民銀行創設中期借貸便利（Medium-term Lending Facility，MLF）。中期借貸便利是中央銀行提供中期基礎貨幣的貨幣政策工具，金融機構通過質押方式從央行獲取3個月至1年不定期的資金流動性。中期借貸便利利率通過發揮中期政策利率的作用來調節金融機構獲取中期融資的成本，通過資產負債表渠道與引導市場預期為符合政策導向的實體經濟企業提供低成本資金。

從圖3來看，2020年2月17日央行宣布下調MLF中標利率，公司債市場均未提前對該“宣布調整”事件作出提前反應。從事后反應來看，下調MLF利率僅使AAA級債券與國有企業債券的信用利差逐漸收窄，且國有企業債券信用利差收窄幅度明顯大于AAA級債券。與之相反的是，下調MLF利率并未使AA+級及以下債券與非國有企業債券的信用利差作出明顯反應，其信用利差仍保持增長趨勢。

（二）調整常備借貸便利利率

為滿足金融機構期限較長的大額流動性需求，2013年中國人民銀行創設常備借貸便利（Standing Lending Facility，SLF），以便金融機構通過“合格”資產抵押獲取1個月至3個月的短期資金支持，主要操作對象是商業銀行的高信用債券資產及優質信貸資產等［45］。常備借貸便利作為管理市場短期流動性的重要手段，其核心在于通過調節政策利率與利率走廊來穩定利率與市場流動性。SLF利率是利率走廊的上限，下調SLF利率能有效增加對企業可貸資金的支持力度，進而降低企業的外部融資成本。

從圖4（下頁）來看，2020年4月10日央行宣布下調隔夜、1天、1個月SLF利率，僅非國有企業債券未提前對該“宣布調整”事件作出提前反應，且在窗口期內仍保持持續上升趨勢；盡管AA+級及以下債券在“宣布調整”期間短暫作出調整，但信用利差整體呈增長趨勢；國有企業債券與AAA級債券均呈現顯著收窄趨勢，且國有企業債券信用利差收窄幅度明顯大于AAA級債券，這與信用利差對MLF利率下調事件的反應類似。綜上，從下調MLF利率與下調SLF利率這兩個事件“宣布調整”后的市場反應來看，這類貨幣政策帶來的流動性更易注入國有企業信用擔保或高信用評級保證的債券中，因而其收窄信用利差的效果更為顯著。但由于發債主體信用擔保以及信用評級保證的影響，投資者在短期內難以扭轉對于非國有企業債券與低信用評級債券的預期，因而并未能顯著降低其信用利差。

（三）調整金融機構存款準備金率

不同于常備借貸便利與中期借貸便利這種“價格型”主導的結構性貨幣政策，調整存款準備金率是我國調節資金流動性的主要數量型貨幣政策工具，通過作用經濟整體來釋放流動性，以穩定經濟發展水平。現有文獻研究基本一致認為，短期內央行降準政策能有效增加市場流動性，收窄市場信用利差。從圖5（下頁）來看，2021年7月15日宣布下調金融機構存款準備金率0.5個百分點（不含已執行5%存款準備金率的金融機構），無論是AAA級還是AA+級以下的債券，或是國有企業債券均對事件“宣布調整”作出反應，信用利差收窄幅度迅速擴大。而非國有企業債券則是在事件“宣布調整”后短期內迅速收窄，但隨著時間的推移，其信用利差仍呈現不斷擴大趨勢。

從三個事件“宣布調整”前后的累計平均異常值（CAAR）曲線趨勢圖來看，在短期內，投資者更青睞國有企業對債券的隱性背書和AAA級信用評級的顯性擔保，央行釋放流動性的貨幣政策操作能有效收窄其信用利差。對于CAAR（-10，10）的t檢驗與顯著性檢驗均支持上述結論（見表11，下頁）。發債主體為非國有企業和AA+級及以下的債券呈現不同反應，其原因主要在于：常備借貸便利與中期借貸便利這種結構性貨幣政策操作一般要求金融機構具有“優質”或“合格”資產抵押，因而更易于通過金融機構流向優質企業或國有企業，難以改變發債主體為非國有企業與AA+級及以下債券呈現短期的信用利差上升趨勢；對于金融機構存款準備金率的操作，由于政策受惠范圍廣，AA+級及以下信用評級的債券信用利差顯著收窄；盡管發債主體為非國有企業的債券利差未顯著收窄，但MLF利率下調和SLF利率下調事件前后累計信用利差變動幅度呈現明顯的下降趨勢（1.558lt;11.079lt;14.307）。

五、研究結論與政策建議

本文將銀發〔2020〕29號文的發布視作一項準自然實驗，運用雙重差分法實證研究貨幣政策支持對公司債信用利差的影響及作用機制，并基于發債主體特質和債券特征等異質性探討了政策實施效果的差異性。此外，還通過事件研究法分析了政策提出后不同貨幣政策工具操作的短期市場反應。主要得到以下結論：一是該政策的實施顯著收窄了公司債市場信用利差，且結論在平行趨勢檢驗、安慰劑檢驗等一系列常規穩健性檢驗后，依舊保持穩健；二是異質性分析結果表明，該政策的實施效果在資產規模較大、發行規模較大、勞動密集度較高、資本密集度較低的樣本中更強，且實施效果隨著時間變化逐漸增強；三是在將信用利差分解后，發現該政策的實施主要通過降低違約利差來收窄信用利差，但對流動性利差具有一定的正向影響；四是短期貨幣政策工具操作的市場反應表明，常規貨幣政策工具能顯著收窄市場信用利差，而類似于常備借貸便利與中期借貸便利這類操作，更傾向于收窄發債主體為國有企業或者高信用評級債券的信用利差。

基于上述研究結論，提出如下政策建議：

第一，充分發揮貨幣政策優化融資環境的作用，將市場信用利差維持在合理水平。本文研究結果表明，政策實施效果仍存在由發債主體或債券層面的規模效應等引起的貨幣政策調控效果的非對稱性差異。因此，貨幣當局在制定政策時應考慮市場主體具有的規模優勢及其他差異，不斷完善貨幣政策對債券市場的傳導機制，通過動態調整政策力度以確保市場流動性的合理注入，以最大限度降低市場主體債務融資成本。

第二，優化市場運作機制，加強市場風險的協同監測，提高貨幣政策實施的針對性和有效性。貨幣政策調控應注重對多風險的同時監控，以防尾部風險累積對金融體系健康運轉產生負面影響。隨著利率市場化進程的不斷推進，債券市場在金融系統中的作用不斷增強。在不斷提高債券在社會融資總額中比重的同時，應積極完善做市商交易機制，充分提高債券市場流動性，通過激勵約束機制以形成合理的債券市場信用利差結構。同時，重點加強違約風險和流動性風險的交互協同監測，動態評估貨幣政策的實施效果，以實現債券市場穩定運轉。

第三，注重傳統型與結構性貨幣政策工具協調配合，優化債券市場利率期限結構，以完善貨幣政策利率市場傳導機制，提高貨幣政策傳導效率。貨幣當局應注重常備借貸便利與中期借貸便利等結構性貨幣政策“結構”與“定向”的特點，協調綜合運用傳統型貨幣政策工具，以實現“多政策調控目標”。在我國推動利率“雙軌合一軌”的過程中，應進一步完善基準利率體系建設，增強政策利率對直接融資市場的傳導，同時充分發揮貨幣政策對市場參與者的預期引導作用。尤其要注意不同貨幣政策操作與債券市場信用利差的關系，發揮債券市場信用利差對市場融資的調節功能，疏通貨幣政策傳導機制，進而充分發揮債券市場的直接融資功能，營造促進實體經濟高質量發展的金融環境。

參考文獻

［1］李增福，李銘杰，湯旭東．貨幣政策改革創新是否有利于抑制企業“脫實向虛”？ ——基于中期借貸便利政策的證據［J］．金融研究，2022（12）：19-35．

［2］LIU X， WU Y， ZHANG H. Collateral-based monetary policy and corporate employment： Evidence from Medium-term Lending Facility in China［J］. Journal of Corporate Finance， 2023， 78： 102333.

［3］陳宇森，許藝煊．新型貨幣政策工具操作能夠穩定資本市場嗎？——基于中國股指收益率的經驗證據［J］．系統工程，2019（1）：86-100．

［4］潘俊，余一品，王亮亮，等．貨幣政策、發行主體差異與地方政府債券定價［J］．會計研究，2019（12）：72-77．

［5］BERNANKE B S， BLINDER A S. Credit， money， and aggregate demand［J］. The American Economic Review， 1988， 78（2）： 435-439.

［6］BERNANKE B S， GERTLER M. Inside the black box： the credit channel of monetary policy transmission［J］. Journal of Economic Perspectives， 1995， 9（4）： 27-48.

［7］LONGSTAFF F A， SCHWARTZ E S. A simple approach to valuing risky fixed and floating rate debt［J］. The Journal of Finance， 1995， 50（3）： 789-819.

［8］ROLEY V V， SELLON G H. Monetary policy actions and long-term interest rates［J］. Federal Reserve Bank of Kansas City Economic Quarterly， 1995， 80（4）： 77-89.

［9］SENSARMA R， BHATTACHARYYA I. The impact of monetary policy on corporate bonds in India［J］. Journal of Policy Modeling， 2016， 38（3）： 587-602.

［10］ZHU X. Credit spread changes and monetary policy surprises： the evidence from the fed funds futures market［J］. Journal of Futures Markets， 2013， 33（2）： 103-128.

［11］王安興，解文增，余文龍．中國公司債利差的構成及影響因素實證分析［J］．管理科學學報，2012（5）：32-41．

［12］朱焱，孫淑偉．貨幣政策、信息環境與公司債利差［J］．證券市場導報，2016（3）：24-31．

［13］紀志宏，曹媛媛．信用風險溢價還是市場流動性溢價：基于中國信用債定價的實證研究［J］．金融研究，2017（2）：1-10．

［14］陳貞竹，李力，余昌華．我國貨幣政策傳導效率及信號效應研究——基于金融市場高頻識別的視角［J］．經濟學（季刊），2023（1）：56-73．

［15］郭曄，黃振，王蘊．未預期貨幣政策與企業債券信用利差——基于固浮利差分解的研究［J］．金融研究，2016（6）：67-80．

［16］戴國強，孫新寶．我國企業債券信用利差宏觀決定因素研究［J］．財經研究，2011（12）：61-71．

［17］王超．經濟政策不確定性與信用利差影響及其作用機制研究［J］．上海金融，2020（2）：14-20．

［18］SCHWERT M. Municipal bond liquidity and default risk［J］. The Journal of Finance， 2017， 72（4）： 1683-1722.

［19］CHEN Y， JIANG L. Liquidity risk and corporate bond yield spread： Evidence from China［J］. International Review of Finance， 2021， 21（4）： 1117-1151.

［20］李萌，王近．內部控制質量與企業債務違約風險［J］．國際金融研究，2020（8）：77-86．

［21］AYRES D R. Fair value disclosures of level three assets and credit ratings［J］. Journal of Accounting and Public Policy， 2016， 35（6）： 635-653.

［22］史永東，宋明勇，李鳳羽，等．控股股東股權質押與企業債權人利益保護——來自中國債券市場的證據［J］．經濟研究，2021（8）：109-126．

［23］趙勝民，何玉潔．貨幣政策的公司債券信用價差影響分析［J］．當代經濟科學，2017（5）：39-47．

［24］BRUNNERMEIER M K， PEDERSEN L H. Market liquidity and funding liquidity［J］. The Review of Financial Studies， 2009， 22（6）： 2201-2238.

［25］MARRA M. The impact of liquidity on senior credit index spreads during the subprime crisis［J］. International Review of Financial Analysis， 2015， 37： 148-167.

［26］李少昆，朱晶晶，蔣濤．融資流動性、融資流動性風險與公司債信用價差［J］．證券市場導報，2017（6）：50-54．

［27］CHEN H， CUI R， HE Z， et al. Quantifying liquidity and default risks of corporate bonds over the business cycle［J］. The Review of Financial Studies， 2018， 31（3）： 852-897.

［28］張雪瑩，劉茵偉．資本市場開放、流動性與債券利差——基于陸港通的實證檢驗［J］．國際金融研究，2021（7）：76-85．

［29］曾嶒，唐松．新冠疫情下國有企業的經濟穩定器作用——基于供應鏈扶持的視角［J］．經濟研究，2023（3）：78-96．

［30］錢雪松，方勝．擔保物權制度改革影響了民營企業負債融資嗎？——來自中國《物權法》自然實驗的經驗證據［J］．經濟研究，2017（5）：146-160．

［31］NOZAWA Y， QIU Y. Corporate bond market reactions to quantitative easing during the COVID-19 pandemic［J］. Journal of Banking amp; Finance， 2021， 133： 106153.

［32］黃振，郭曄．央行擔保品框架、債券信用利差與企業融資成本［J］．經濟研究，2021（1）：105-121．

［33］陳國進，丁賽杰，趙向琴，等．中國綠色金融政策、融資成本與企業綠色轉型——基于央行擔保品政策視角［J］．金融研究，2021（12）：75-95．

［34］王嘉鑫，汪蕓倩，張龍平．利率管制松綁、企業會計信息披露質量與融資約束［J］．經濟管理，2020（4）：139-157．

［35］方紅星，施繼坤，張廣寶．產權性質、信息質量與公司債定價——來自中國資本市場的經驗證據［J］．金融研究，2013（4）：170-182．

［36］GONG G， XU S， GONG X. Bond covenants and the cost of debt： Evidence from China［J］. Emerging Markets Finance and Trade， 2017， 53（3）： 587-610.

［37］齊天翔，葛鶴軍，蒙震．基于信用利差的中國城投債券信用風險分析［J］．投資研究，2012（1）：15-24．

［38］陳志遠，郭凱，閆實．我國綠色債券發行利差及影響因素的實證研究［J］．地方財政研究，2022（4）：92-104．

［39］高文靜，施新政，陸瑤，等．勞動力保護與企業風險——來自2008年新《勞動合同法》的證據［J］．金融研究，2022（1）：76-94．

［40］陳選娟，楊剛，賈志敏．經濟政策不確定性、展期風險與債券利差［J］．國際金融研究，2022（9）：77-86．

［41］AMIHUD Y. Illiquidity and stock returns：Cross-section and time-series effects［J］. Journal of Financial Markets， 2002， 5（1）： 31-56.

［42］CHOI J， HOSEINZADE S， SHIN S S， et al. Corporate bond mutual funds and asset fire sales［J］. Journal of Financial Economics， 2020， 138（2）： 432-457.

［43］類承曜，鄧晴元．不確定性帶來觀望+期待空間？——經濟政策不確定性對債券利差的影響［J］．投資研究，2023（3）：100-120．

［44］王伯英．貨幣政策沖擊、宏觀經濟變動與信用利差調整［J］．南方金融，2018（12）：32-40.

［45］隋建利，張龍，申瑛琦．結構性貨幣政策工具的學術鏡鑒、政策應用與未來實踐展望［J］．經濟學家，2021（12）：72-80．

The Impact of Monetary Policy Support on Corporate Bond Credit Spreads

LI Jia" "XU Yi-bo" BIAN Ze-yang

Abstract： Using monthly data from 2019-2022 on bonds issued by listed companies in China's Shanghai and Shenzhen， we use the double-difference method to explore the impact of monetary policy support on credit spreads in the corporate bond market. The results show that the policy implementation significantly narrows bond credit spreads， and the implementation effect is somewhat heterogeneous under different asset sizes， debt issuance sizes， labor intensities， and capital intensities; after decomposing credit spreads into liquidity spreads and default spreads， it is found that it narrows the credit spreads mainly by reducing default spreads. A further short-term event study of specific monetary policy instrument operations during the observation period found that the narrowing effect of the reduction of the medium-term lending facility rate and the standing lending facility rate on credit spreads showed a \"preference\" for state-owned enterprises and high credit ratings， while the narrowing effect caused by the reduction of the reserve requirement ratio for financial institutions was not significantly different. In order to better utilize the function of monetary policy in regulating the direct financing market， efforts should be made to improve the framework for the impact of monetary policy on the structure of credit spreads in the bond market， and to accelerate the construction of a coordinated monitoring mechanism for market risks.

Key words： monetary policy；credit spread； bond market