武汉工程大学 湖北 武汉 430000
摘要:小微企业长期以来一直面临融资难、融资贵等诸多问题,然而其作为中国经济的主要市场活力来源不容忽视。随着金融科技的崛起,小微企业金融信贷迎来了全新的机遇。自2018年起,国家逐步聚焦小微企业中相对薄弱的群体,监测统计口径对象更改为普惠型小微企业贷款。本文旨在研究金融科技在迅猛发展背景下对商业银行普惠型小微企业贷款的影响。选取2018-2022年国有商业银行和股份制商业银行普惠型小微企业贷款数据以及通过对各银行年报指标的手工整理,通过文本挖掘构建商业银行层面的金融科技发展指数作为面板样本数据,采用系统GMM模型对其进行实证分析。结果表明,金融科技的发展促进了商业银行对普惠型小微企业的贷款增加,且异质性检验结果表明,对股份制商业银行的影响程度高于国有制商业银行。
关键词:金融科技;普惠小微贷款;面板数据;实证分析
基金项目:武汉工程大学研究生教育创新基金项目(NO:CX2022376)
中图分类号:F832.4;F276.3
1 绪论
在中国经济发展中,小微企业在中国经济发展中具有重要的使命和职能。然而,它们的融资问题一直备受党中央和国务院的关注。商业银行的信贷供给对于我国金融环境来说目前是小微企业主要的外部融资途径,然而银行至今未能从根本上解决小微企业信贷供给的问题。根据金融业实践情况,金融科技被寄予厚望,有望显著推动银行向企业提供信贷支持。
本文通过对各商业银行年报指标的手工整理,构建银行专属金融科技发展指数,结合2018-2022年6家国有大型商业银行和12家股份制商业银行的相关指标构建面板数据对理论假设的相应实证检验。经过实证研究,最终模型结果表明,对于国有商业银行和股份商业银行,金融科技对于促进其普惠型小微企业信贷供给起到了显著的推动作用。此外,在经过稳健性检验后,上述研究结论仍然能够得以验证。并且异质性检验结果表明,金融科技的影响程度对股份制商业银行更大。
相较于以往文献,本文存在两点可能的创新和贡献。首先,目前关于金融科技推动银行普惠型小微企业贷款供给的研究相对较少,各商业银行自2018年开始重点监测统计单户授信1000万元以下(含)的普惠型小微企业贷款,由于在金融科技该领域缺乏经验和历史数据,因此可能存在创新的研究方向;其次,本文对研究金融科技的相关指标构建进行了相对拓展,参考项学敏(2022)[1]等学者文献,借助各商业银行的年报手工整理各项指标,构建了一个与商业银行金融科技发展水平更相关的指标,用以实证检验假设。通过本研究提供的实证证据,对于理论和实践都具有一定的重要意义。
2 文献综述
2.1 金融科技的概念界定
根据金融稳定理事会(FSB)的定义:金融科技是由技术掀起的金融制度改革。基于大数据、云计算、人工智能、区块链等一系列技术创新,全面应用于支付清算、借贷融资、财富管理、零售银行、保险、交易结算等六大金融领域,是金融业未来的主流趋势。
国外学者Anjan(2020)[2]等对金融科技的解读,将其界定为涵盖数字货币、第三方支付、风险管理、支付清算等多个领域全新金融结构。巴曙松(2016)[3]等提出其是将科技领域与金融相融合,能够有效降低行业成本,提高行业效率及服务质量。易宪容(2017)[4]从理论视角出发对其实质和认知方面进行了延展,定义其为新型科学技术与金融行业的深层次对接过程,以创新更多金融服务的供需和价值创造。这种理解从金融理论的角度出发,强调了金融科技的技术应用和对金融服务的改进,为金融行业带来了显著的变革和创新。
2.2 金融科技对银行业小微企业信贷影响相关研究
根据Sutherland(2018)[5]的研究,金融科技在信息不对称的角度发挥了多重优势。除了帮助缓解银企信息不对称问题外,金融科技还在信息处理、共享等方面展现出明显的优势,并能提升银行的风险管理能力。从融资成本来看,Gomber(2018)[6]指出,金融科技通过云端平台和数据服务创新产品和流程,从而降低银行前端成本。从融资渠道来看,Chiu(2017)[7]研究发现,金融科技通过提升借贷融资增量与质量,有利于促进企业融资过程的金融服务功效。在国内相关研究中,从信息不对称来看,李易懋(2019)[8]通过分析金融科技对小微企业的作用机理得出科技的参与能够有效消除银企之间的信用风险,从而提升融资效率。
2.3 文献评述
在金融科技背景下,金融科技的应用可有效改善商业银行交易型贷款技术的不足,进而对解决小微企业融资难题有很大助力,这一观点得到国内外学者的一致认同,并通过实证检验证明了此观点。而对于金融科技的研究,国内起步较晚,且当前,学者们在研究金融科技对商业银行小微企业贷款影响时,主要采用定性分析方法,而定量分析方面的研究较为不足。然而,需要考虑到2018年银保监会的“两增两控”目标,这促使银行更加关注单户授信总额在1000万元以下(含)的小微企业贷款。由于这一要求的影响,小微企业贷款的统计口径可能发生了变化。对于普惠型小微企业金融贷款研究更加缺乏。因此本文从金融科技影响商业银行对普惠型小微企业贷款角度出发,以此来丰富现有研究,为后续研究提供参考。
3 理论分析与研究假说
根据信贷配给理论,商业银行的经营始终是以确保经营安全的前提下利润最大化为导向,并设定自身的最优利率水平。超出该水平的贷款往往会面临信贷配给。借款人的偿还能力和贷款利率水平是决定借款人预期收益的关键因素。商业银行本着安全性原则,更倾向于选择风险较低、利率较低的借款人。相比之下,虽然利率较高但风险较高的借款人在商业银行的道德风险考量下通常难以获得贷款,因为未能收回到期贷款所带来的损失远远超过高利息收入。由于小微企业规模小、信用水平不高、受市场波动影响大,因此商业银行对小微企业贷款属于高风险业务,进而限制了商业银行向小微企业贷款。综上分析,小微企业融资高风险的特征与商业银行盈利性和安全性的经营原则相矛盾,是企业需求难以得到适应的根本原因。
综合前文相关文献的梳理,金融科技可以在银企间“硬信息”的交互方面发挥积极作用。据此,本文提出以下假设:
金融科技发展水平的提高有利于商业银行普惠型小微企业贷款增加。
4 实证模型设计
4.1 数据来源及选取
4.1.1 被解释变量
本文的被解释变量为各商业银行普惠型小微企业信贷供给情况(SMEP),用6家国有大型商业银行和12家股份制商业银行年报数据中普惠型小微企业贷款余额占当年年报中公示的总贷款发放余额比例表示,数据来源于各商业银行年报。
4.1.2 解释变量
当前评估我国金融科技发展水平主要采用两种指数。其一是基于沈悦和郭品(2015)[9]的研究,运用文本挖掘和因子分析构建指数。该方法适用的层面为全国范围,而对各商业银行个体的适用较为欠缺。其二是由郭峰等学者(2019)[10]提出,即北京大学数字普惠金融指数。现阶段文献对其引用较多,涵盖省级、城市和县域层面,但与银行的横截面数据不相符合。
基于金融科技是新兴事物,商业银行对金融科技发展没有定性和定量的衡量指标,加上商业银行对金融科技领域披露的相关信息和数据极少,因此本文利用各商业银行年报,结合前文对金融科技的界定,借鉴于波(2020)[11]等学者词库方法,从支付清算、资源配置、财富管理、渠道业务和技术路径五个维度出发,每个维度各提取五个关键词,构建了比较适用于银行层面金融科技发展的相关指标。
表 1 金融科技原始词库
维度 | 关键词 | ||||
支付清算 | 第三方支付 | 移动支付 | 手机支付 | 在线支付 | 电子支付 |
资源配置 | 网络融资 | 网络投资 | 网贷 | 在线融资 | 数字货币 |
财富管理 | 互联网理财 | 互联网保险 | 在线理财 | 智能投顾 | 互联网基金 |
渠道业务 | 电子银行 | 在线银行 | 网银 | 网络银行 | 网上银行 |
技术路径 | 机器学习 | 大数据 | 区块链 | 云计算 | 生物识别 |
然后分年度计算各维度下所有关键词的词频。各维度的关键词在2018-2022年期间所对应的年提取数目采用Python爬虫技术获得,然后利用因子分析法计算相应指数,最后加1取对数做平滑处理。据此构建适用于各商业银行金融科技指数进行可视化后如下所示。
总体来看,2018-2022年各商业银行的金融科技指数呈持续上升趋势。
图 1 商业银行金融科技指数
4.1.3 控制变量
在参考现有研究的基础上,考虑到数据的合理性,宏观变量之间存在数据的关联性,并且尽量降低多重共线性误差,选取宏观经济和商业银行两个层面的控制变量。
宏观经济层面的控制变量主要如下,数据来源于国家统计局:国内生产总值增速(GDPR),用来控制宏观经济发展水平的影响;社会融资规模增速(TSFR),用来控制社会融资环境的影响;M2增速(M2R),用来控制货币政策的松紧度带来的影响;居民消费价格指数(CPI),用来控制通胀水平的影响。
银行层面的控制变量主要如下,数据来源于各商业银行年报:资产规模(LNASSET),用来控制规模效应的影响;利润总额(LNPROFIT),用来控制盈利能力的影响;流动资产率(CR),控制偿付能力的影响;不良贷款率(NPLR),控制资产质量和外部风险环境的影响;资本充足率(CAR),控制资本实力和风险承受能力的影响;存贷比(LDR),控制银行贷款需求的影响;成本收入比(CIR),控制经营水平的影响。
变量的定义和说明汇总如表2所示。为了消除异方差问题并方便计算,商业银行的资产规模和利润总额将被取对数处理。
表 2 变量定义和说明
变量名称 | 变量符号 | 变量说明 |
普惠型小微企业信贷供给 | SMEP | 该商业银行普惠型小微企业贷款余额/总贷款余额 |
金融科技发展水平 | FINTECH | 各商业银行年报数据通过文本挖掘构建相关指标 |
国内生产总值增速 | GDPR | 国内生产总值(Gross Domestic Product)增速 |
社会融资规模增速 | TSFR | 社会融资规模(Total Social Financing)增速 |
M2增速 | M2R | 货币供应量M2的增速 |
居民消费价格指数 | CPI | 居民价格消费指数(Consumer Price Index) |
资产规模 | LNASSET | 各商业银行资产(Asset)总额,取对数处理 |
利润总额 | LNPROFIT | 各商业银行利润(Profit)总额,取对数处理 |
流动资产率 | LIQUID | 各商业银行流动资产率(Current Ratio) |
不良贷款率 | NPLR | 各商业银行不良贷款率(Non-Performing Loans) |
资本充足率 | CAR | 各商业银行资本充足率(Capital Adequacy Ratio) |
存贷比 | LDR | 各商业银行存贷比(Loan-to-Deposit Ratio) |
成本收入比 | CIR | 各商业银行成本收入比(Cost-to-Income Ratio) |
基于上述变量,进行单位根(ADF)检验和多重共线性检验,检验结果表明上述变量水平上呈现显著性,为平稳的时间序列,面板数据可用;多重共线性检验方差膨胀因子(VIF)系数大于边界值10,容差值大于0.1的值说明变量间存在多重共线性问题,经过分析将在后续回归中剔除GDPR、LNASSET两个控制变量。由于篇幅原因检验结果未做展示。
4.2 计量模型设定
根据前述理论分析和推导,研究金融科技对商业银行普惠型小微企业贷款的关系进行实证分析并检验假设,采取系统GMM方法进行估计:
其中,i代表商业银行,t代表年份,t-1代表对应的一阶滞后项,β为模型待估计参数。为随机误差项。
5 实证结果分析
5.1描述性统计
下表展示了本文主要变量的描述性统计结果。变量相关指标基本处于合理范围区间,这为后续面板数据的研究分析提供了良好的样本分布基础。
表 3 主要变量的描述性统计
变量符号 | 均值 | 标准差 | 最小值 | 最大值 | 样本量 |
SMEP | 7.725 | 4.166 | 0.577 | 18.182 | 90 |
FINTECH | 6.023 | 0.756 | 4.317 | 7.491 | 90 |
GDPR | 7.650 | 4.407 | 2.206 | 13.504 | 90 |
TSFR | 7.068 | 19.989 | -14.000 | 35.516 | 90 |
M2R | 9.534 | 1.458 | 8.076 | 11.800 | 90 |
CPI | 107.200 | 6.164 | 97.500 | 113.600 | 90 |
LNASSET | 15.754 | 0.997 | 13.844 | 17.495 | 90 |
LNPROFIT | 11.010 | 1.238 | 6.188 | 13.000 | 90 |
LIQUID | 59.179 | 10.081 | 40.980 | 80.580 | 90 |
NPLR | 1.506 | 0.367 | 0.820 | 3.380 | 90 |
CAR | 14.185 | 1.896 | 11.500 | 19.260 | 90 |
LDR | 90.775 | 14.854 | 49.573 | 118.932 | 90 |
CIR | 29.343 | 4.024 | 22.300 | 47.980 | 90 |
5.2 对核心研究假说的检验
根据上述设定的计量模型进行假说检验,系统GMM方法因可以通过工具变量的方式解决内生性问题,同时允许异方差和序列相关,在国内外研究特别是金融研究中广泛应用。系统GMM具有可以估计随时间变化的变量系数,并且能够避免弱工具变量出现的能力,因此对于动态面板数据可以用系统GMM估计方法进行数学建模。建立模型的前提是通过内生性检验(内生变量具有内生性)和过度识别检验(工具变量全为外生性),若存在内生变量具有内生性,则使用GMM估计;否则,则使用最小二乘回归。
由内生性检验结果可知,显著性P值为0.193,水平上不呈现显著性,不能拒绝原假设,选中的内生变量中不具有内生性。因此该面板数据适合使用GMM估计进行回归。由估计结果可知,Wald值为78.558,其显著性P值为0.000***,水平上呈现显著性,拒绝原假设,说明解释变量中至少有一个变量会对被解释变量产生显著影响。前三列分别代表了未加入控制变量、未加入宏观控制变量和未加入银行层面控制变量的回归分析。实证结果显示,核心解释变量的回归符号在检验中未变,并且其显著性水平基本维持,进一步证实回归结果具有良好的稳定性。这意味着在考虑不同的控制变量情况下,核心解释变量对目标变量的影响保持一致且稳定,结果的可靠性得到了验证。
表 4 模型回归结果
(1) | (2) | (3) | (4) | |
SMEP | SMEP | SMEP | SMEP | |
FNITECH | 0.315*** | 0.405*** | 0.197 | 0.338** |
(3.198) | (4.267) | (1.368) | (2.433) | |
NPR | -0.463*** | -0.459*** | ||
(-3.472) | (3.427) | |||
CAR | -0.339* | -0.351* | ||
(-1.859) | (1.939) | |||
LR | -0.379*** | -0.334*** | ||
(-0.32) | (3.197) | |||
LDR | -0.307*** | -0.333*** | ||
(-2.928) | (2.823) | |||
CIR | -0.161 | -0.14 | ||
(-1.43) | (1.213) | |||
LNTP | -0.47** | -0.448** | ||
(-2.184) | (2.055) | |||
TSFR | -0.062 | 0.035 | ||
(-0.471) | (0.313) | |||
M2R | 0.214 | 0.097 | ||
(0.872) | (0.505) | |||
CPI | 0.095 | 0.015 | ||
(0.417) | (0.086) | |||
R2 | 0.081 | 0.447 | 0.098 | 0.452 |
注:***、**、*分别代表1%、5%、10%的显著性水平。括号中标注的为稳健标准差。
以上数据回归结果说明,在被解释变量为商业银行普惠型小微企业贷款总贷款占比(SMEP)时,采用系统GMM方法进行回归,解释变量金融科技指数(FINTECH)前系数显著大于0,且P=0.015<0.05,说明此系数在5%的置信水平下显著,因此,根据实证结果显示,金融科技的发展对商业银行普惠型小微企业贷款的供给有显著的促进效应,从而验证了假设。这一实证结果可能表明金融科技的发展对商业银行产生积极影响,有助于解决信息不对称问题,提升银行的信贷需求辨识能力和风险管理能力。进而,商业银行能够增加对普惠型小微企业的信贷投放,为其提供更多融资支持,与理论分析结果一致。
5.3 稳健性检验
为了确保本文核心假设的实证结果的稳定性,我们需要做进一步研究分析,采用分数响应模型(Fractional Response Model)进行估计。具体原因如下:
(1)过度识别问题的影响。当GMM估计使用过多的矩条件时,估计的协方差矩阵可能会变得不稳定,从而影响估计结果的准确性。分位数回归可以通过使用更少的条件来避免这种问题。
(2)欠拟合和过拟合问题的影响。当GMM估计使用过少的矩条件时,估计的参数可能会欠拟合数据,而使用过多的矩条件可能会导致过拟合。分位数回归可以通过对不同的分位数进行估计来避免这种问题。
(3)数据中存在的非正态分布和异方差问题不够敏感。GMM估计的结果可能会产生偏差或方差较大,线性回归最基本的假设是残差满足正态分布、随机独立、方差齐同,现实中这些条件常常得不到满足。如果样本数据中存在异常值,线性回归模型估计值可能会存在较大偏差。有时候我们不仅希望研究响应变量的期望均值,而且希望能探索响应变量的全局分布,而分位数回归可以通过考虑不同的条件分布来解决这些问题。
综上所述,分位数回归可以通过考虑不同的分位数和分布形式,来提高模型的灵活性和鲁棒性,以弥补GMM模型的一些缺陷。分位数模型回归结果如下:
表 5 稳健性检验结果
分位数0.25 | 分位数0.50 | 分位数0.75 | |
FINTCECH | 1.733 | 1.428 | 3.512*** |
宏观层面 | 控制 | ||
银行层面 | 控制 | ||
R² | 0.270 | 0.266 | 0.358 |
注:***、**、*分别代表1%、5%、10%的显著性水平。括号中标注的为稳健标准差。
由回归结果可知,金融科技对商业银行普惠型小微企业贷款的影响在分位数为0.25时呈现出10%置信水平下的显著性,分位数为0.75时呈现出1%置信水平下的显著性。
合理推断银行普惠型小微贷款余额较少的情况下,可能是因为其在金融科技方面的应用程度相对较低。这些银行可能没有充分利用金融科技工具来提高小微贷款的发放效率和准确性。因此,在这些银行中,金融科技的促进作用相对不显著。而在普惠型小微贷款余额占比较大的银行中,由于其充分利用了金融科技的优势,从而推动了普惠型小微贷款的增加。
分位数回归模型的回归结果显示本文核心假说再次得到支持。
5.4 异质性检验
本文在异质性检验中选取商业银行普惠型小微企业贷款占比作为被解释变量,以国有大型商业银行数据作为样本一,股份制商业银行数据作为样本二,进行分样本系统GMM估计。回归结果如下:
(1) | (2) | |
样本一 | 样本二 | |
FINTECH | 0.003*** | 0.016** |
(2.987) | (2.416) | |
宏观层面变量 | 控制 | |
银行层面变量 | 控制 | |
R2 | 0.577 | 0.855 |
样本一和样本二的解释变量前系数均在5%的显著水平下显著,且系数显著大于零,与总体样本回归结果相同,证明了金融科技均促进了两者贷款发放。此外,通过检验分析发现,样本二系数明显大于样本一系数,模型拟合情况也优化于样本一,说明金融科技对于股份制大型商业银行小微企业贷款发展影响程度更大。
6 结论与启示
本文构建理论模型分析金融科技对商业银行普惠型小微企业贷款的促进作用,并基于2018-2022年各商业银行面板数据进行回归。回归结果验证,金融科技存在着推动银行普惠型小微企业信贷供给的积极影响。基于上述结论,得到如下政策启示:
第一,数字化金融技术的应用。金融科技可以改善传统银行贷款流程的效率和便利性。通过应用人工智能、大数据和区块链等,银行可以实现更快速、准确的风险评估和贷款审批,降低操作成本和人力投入。
第二,与三方合作拓展服务范围。与金融科技公司或其他第三方合作,共同开发金融产品和服务,以满足小微企业的特殊需求。例如,可以与供应链金融平台合作,为小微企业提供整体供应链融资解决方案;或与新兴的小额贷款APP合作,提供灵活的短期贷款服务。通过与第三方合作,银行可以更广泛地覆盖小微企业市场,并提供多样化的贷款选择。
第三,创新符合群体特征的产品。商业银行结合金融科技的应用特点,开发出更具灵活性、定制性、适应性的小微企业贷款产品,以满足小微企业的不同融资需求和偏好。利用金融科技提高风险评估和监控能力,降低信贷风险,从而更好地服务小微企业。
参考文献
[1]项学敏,洪振木. 金融科技对商业银行绩效的影响研究——基于动态面板的GMM分析[J]. 赤峰学院学报(自然科学版),2022,38(7):57-63.
[2]Anjan V Thakor. Fintech and banking: What do we know?[J]. Journal of Financial Intermediation, 2020, 41(C):100833-100833.
[3]巴曙松,白海峰. 金融科技的发展历程与核心技术应用场景探索[J]. 清华金融评论,2016,16 (11):99-103.
[4]易宪容.金融科技的内涵实质及未来发展——基于金融理论的一般性分析[J]. 江海学刊. 2017,(02):13-20.
[5]Andrew Sutherland. Does Credit Reporting Lead to A Decline in Relationship Lending? Evidence from Information Sharing Technology[J]. Journal of Accounting & Economics, 2018,66(1):123-141.
[6]Peter Gomber, Robert J Kauffman, Chris Parker, Bruce W Weber. On the FinTech revolution : interpreting the forces of innovation, disruption, and transformation in financial services[J]. Journal of Management Information Systems, 2018, 35(1):220-265.
[7]Iris HY Chiu. A new era in fintech payment innovations? A perspective from the institutions and regulation of payment systems[J]. Law, Innovation and Technology,2017,9(2).
[8]李易懋.大象起舞正当时:Fintech对小微企业融资影响研究[J]. 经济研究导刊,2019(17):132-135.
[9]郭品,沈悦.互联网金融加重了商业银行的风险承担吗?——来自中国银行业的经验证据[J].南开经济研究,2015(04):80-97.
[10]郭峰,王靖一,王芳等.测度中国数字普惠金融发展:指数编制与空间特征[J].经济学(季刊),2020,19(04):1401-1418.
[11]于波,周宁,霍永强.金融科技对商业银行盈利能力的影响——基于动态面板GMM模型的实证检验[J].南方金融,2020(03):30-39.
基金项目:武汉工程大学研究生教育创新基金项目(NO:CX2022376)
作者简介:帅雯浩(1998.08-),性别:男,民族:汉,籍贯:湖北省天门市,学历:硕士研究生,研究方向:企业投融资