金融科技與銀行信貸配置效率
——我國143家商業(yè)銀行的經(jīng)驗(yàn)證據(jù)

劉 方，祁 跡，胡列曲

(1.云南師范大學(xué) 經(jīng)濟(jì)與管理學(xué)院，昆明 650500；2.富滇銀行，昆明 650500)

引 言

在互聯(lián)網(wǎng)普及和數(shù)字技術(shù)創(chuàng)新的背景下，大數(shù)據(jù)、云計(jì)算、區(qū)塊鏈等領(lǐng)域的金融科技作為一種技術(shù)驅(qū)動的金融創(chuàng)新方式而廣受關(guān)注，其對傳統(tǒng)金融的影響日益深化，特別是重塑傳統(tǒng)金融的業(yè)務(wù)模式與競爭格局，給產(chǎn)品流程、業(yè)務(wù)模式和信貸發(fā)放帶來了系統(tǒng)性影響。商業(yè)銀行運(yùn)用金融科技手段能有效甄別客戶，為客戶精準(zhǔn)畫像，建立更為全面的風(fēng)險(xiǎn)管理體系，促進(jìn)商業(yè)銀行信貸向小微企業(yè)、民營企業(yè)和農(nóng)戶等群體傾斜，從而實(shí)現(xiàn)信貸結(jié)構(gòu)優(yōu)化和配置效率提升。

金融科技的布局與應(yīng)用也將不斷通過“技術(shù)溢出效應(yīng)”“產(chǎn)業(yè)擠出效應(yīng)”等渠道加劇銀行業(yè)競爭(孟娜娜等，2020)[1]，嚴(yán)重沖擊商業(yè)銀行的表內(nèi)業(yè)務(wù)和表外業(yè)務(wù)構(gòu)成，迫使商業(yè)銀行不得不利用金融科技優(yōu)勢，抓住和鞏固已有的“常規(guī)客戶”，不斷開拓新的“長尾客戶”，實(shí)現(xiàn)金融服務(wù)的多領(lǐng)域、廣覆蓋，增強(qiáng)客戶體驗(yàn)，特別是發(fā)現(xiàn)潛在價(jià)值客戶，為他們提供授信在內(nèi)的“一條龍”服務(wù)，創(chuàng)新設(shè)計(jì)滿足不同客戶的多樣化金融服務(wù)需求，從而有力地促進(jìn)信貸配置，帶來新的利潤增長點(diǎn)。

探究金融科技對商業(yè)銀行信貸配置效率的影響已成為學(xué)界和實(shí)務(wù)界主要關(guān)心的議題之一，既因?yàn)樵跀?shù)字化時(shí)代各家商業(yè)銀行競爭激烈，數(shù)字化轉(zhuǎn)型效果有異，維持核心競爭力、鞏固市場份額已是關(guān)鍵抉擇；又鑒于金融科技具有一定普惠性，其應(yīng)用能夠有效甄別各類“長尾客戶”群，從而為商業(yè)銀行的信貸決策提供支持。

本文與以往研究的區(qū)別主要有：一是從金融科技視角探究商業(yè)銀行信貸配置效率，彌補(bǔ)既有文獻(xiàn)從地方財(cái)政壓力、政府債務(wù)和收入差距等方面研究的不足；二是選擇城市層面與銀行微觀層面樣本，其涵蓋我國所有省份(自治區(qū)、直轄市)、不同類別/規(guī)模的商業(yè)銀行數(shù)據(jù)，提高研究結(jié)果的真實(shí)性和可靠性；三是以商業(yè)銀行所在城市是否實(shí)施“促進(jìn)科技與金融結(jié)合”試點(diǎn)政策為準(zhǔn)自然實(shí)驗(yàn)，建立雙重差分模型(DID)，有效評估該政策對商業(yè)銀行信貸配置效率的影響，借此說明金融科技對信貸配置效率的促進(jìn)作用。

一、理論分析與研究假設(shè)

2013年以來以支付寶、余額寶為代表的金融科技產(chǎn)品的出現(xiàn)引發(fā)了我國金融業(yè)務(wù)模式和金融生態(tài)的巨大轉(zhuǎn)變，其具有資金支付便利、回報(bào)率較高的特點(diǎn)，受大量投資者的青睞，資金從銀行體系轉(zhuǎn)向了互聯(lián)網(wǎng)平臺，致使商業(yè)銀行存款分流，信貸配置效率受影響。

鄭霄鵬等(2014)認(rèn)為，金融科技引發(fā)金融脫媒等諸多問題，加劇了商業(yè)銀行信貸業(yè)務(wù)被替換的可能[2]，且金融科技繁榮帶來的銀行信貸質(zhì)量惡化效應(yīng)加劇了銀行的風(fēng)險(xiǎn)承擔(dān)(Wang et al.，2021)[3]，使其信貸配置效率大幅降低。Sun(2021)發(fā)現(xiàn)，金融科技將減弱商業(yè)銀行信貸功能，加劇去中介化和市場萎縮，不利于商業(yè)銀行信貸配置[4]。然而，金融科技卻能提高商業(yè)銀行的成本效率，增強(qiáng)技術(shù)創(chuàng)新能力和盈利能力(Lee，2021；Renu et al.，2021)[5-6]。

隨著我國金融科技的不斷發(fā)展，商業(yè)銀行的負(fù)債成本可能提高，促使其降低貸款利率和加強(qiáng)競爭，從而有助于提高商業(yè)銀行的信貸配置效率(邱晗等，2018)[7]。另外，金融科技通過提高銀行處理軟信息能力從而提高信息精度，增強(qiáng)銀行的準(zhǔn)入(貸款)、深度(存款)和儲蓄(Muganyi et al.，2022)[8]等方面來促進(jìn)銀行的信貸結(jié)構(gòu)調(diào)整(徐曉萍，2021)[9]和信貸規(guī)模擴(kuò)張，進(jìn)而提升商業(yè)銀行信貸普惠性和配置效率(唐也然，2021)[10]。因此，依據(jù)上述分析提出如下假設(shè)：

假設(shè)H1：金融科技對商業(yè)銀行信貸配置效率具有正向影響

商業(yè)銀行信貸配置效率還與央行政策、市場競爭、股權(quán)結(jié)構(gòu)和銀行規(guī)模等有關(guān)。Abhiman et al.(2022)發(fā)現(xiàn)，中央銀行的資產(chǎn)質(zhì)量評估(AQR)政策導(dǎo)致國有銀行不良貸款大幅增加[11]，國有銀行存在率高的地區(qū)其信貸總額較少，因此調(diào)整地區(qū)銀行業(yè)的市場競爭結(jié)構(gòu)可以改善商業(yè)銀行的信貸分配(Kimani et al.，2021)[12]，從而提升商業(yè)銀行信貸配置效率。而且商業(yè)銀行第一大股東控股能力越強(qiáng)導(dǎo)致貸款分布越集中，不良貸款率越高，從而信貸配置效率也就越差(祝繼高等，2012)[13]。盡管金融科技使用會降低商業(yè)銀行的貸款質(zhì)量，但它卻提高了商業(yè)銀行的資本充足率和管理效率，但其對政策性銀行和國有商業(yè)銀行而言，這種影響程度較小。不僅如此，規(guī)模越大的商業(yè)銀行，其獲取信貸資源的能力越強(qiáng)，信貸配置效率亦越高(欒小華等，2018)[14]。顧海峰等(2015)也發(fā)現(xiàn)，大型國有商業(yè)銀行的信貸配置效率高于其他商業(yè)銀行[15]?；诖?，提出如下假設(shè)：

假設(shè)H2：金融科技對商業(yè)銀行信貸配置效率的影響由地區(qū)經(jīng)濟(jì)發(fā)展水平、銀行規(guī)模和性質(zhì)的不同而各異

二、研究設(shè)計(jì)

(一)計(jì)量模型

為探究金融科技對于商業(yè)銀行信貸配置效率的影響，構(gòu)建如下的基準(zhǔn)模型：

LDit=α+β1Finit+β2NPRit+β3ROAit+β4Loanit+β5Sizeit+γi+εit

(1)

式中，LD代表商業(yè)銀行信貸配置效率，F(xiàn)in代表金融科技變量，其余變量代表控制變量，包括商業(yè)銀行的不良貸款率(NPR)、資產(chǎn)收益率(ROA)、貸款比率(Loan)以及資產(chǎn)規(guī)模(Size)。下標(biāo)i代表省份(直轄市、自治區(qū))，t代表時(shí)間，γi代表個體固定效應(yīng)，εit代表隨機(jī)誤差項(xiàng)，α表示截距項(xiàng)，β1-β5表示待估計(jì)參數(shù)值。我們預(yù)期β1>0且顯著，意味著金融科技顯著影響商業(yè)銀行信貸配置效率，否則表明金融科技對商業(yè)銀行信貸配置效率無影響。

(二)變量選取

1.商業(yè)銀行信貸配置效率(LD)

商業(yè)銀行信貸配置效率的度量主要有三種方法：一是使用商業(yè)銀行的不良貸款率來衡量(王秀麗，2014)[16]，該變量通過影響商業(yè)銀行的利潤從而影響信貸配置效率(王文清，2018)[17]；二是使用數(shù)據(jù)包絡(luò)法(DEA)測算商業(yè)銀行信貸配置效率，此方法是通過投入指標(biāo)和產(chǎn)出指標(biāo)來測算指標(biāo)的權(quán)重，從而分析其權(quán)重是否滿足最優(yōu)效率，如楊望(2020)[18]使用技術(shù)效率反映銀行信貸配置效率；三是使用商業(yè)銀行的存貸比衡量(吳成頌，2017)[19]，該方法測算簡單，其衡量了商業(yè)銀行存款轉(zhuǎn)化為貸款的效率，而且比不良貸款率指標(biāo)較好，因?yàn)樯虡I(yè)銀行可通過跨區(qū)域經(jīng)營方式降低不良貸款率，不會降低存貸比(謝世清，2019)[20]。因此，限于數(shù)據(jù)的可得性，可選擇商業(yè)銀行的存貸比衡量其信貸配置效率。

2.金融科技(Fin)

金融科技指標(biāo)主要有兩種度量方式：一是通過與金融科技有關(guān)的詞匯使用“文本挖掘法”構(gòu)建金融科技指數(shù)，但是詞匯選擇不同，金融科技指數(shù)亦有差異，因而帶有主觀性；二是基于螞蟻金服數(shù)字金融平臺編制的北京大學(xué)數(shù)字普惠金融指數(shù)，該指數(shù)能在一定程度上反映我國的金融科技水平。鑒于本文主要是從宏觀區(qū)域?qū)用孢M(jìn)行考察，而且是通過城市—銀行相匹配后進(jìn)行分析，因此參考郭峰(2016)[21]的方法，以北京大學(xué)數(shù)字普惠金融指數(shù)來度量金融科技發(fā)展水平(市級)，該指數(shù)越大就意味著該地區(qū)金融科技發(fā)展水平越高。

3.控制變量

依據(jù)現(xiàn)有文獻(xiàn)，從商業(yè)銀行特征出發(fā)，考慮影響商業(yè)銀行信貸配置效率的諸多因素，選取商業(yè)銀行的不良貸款率(NPR)、總資產(chǎn)收益率(ROA)、貸款比率(Loan)以及資產(chǎn)規(guī)模(Size)作為商業(yè)銀行的控制變量。所有變量的定義及計(jì)算方法等如表1所示，時(shí)間跨度為2011—2020年，共143家商業(yè)銀行樣本。

表1 變量定義及計(jì)算方法

(三)描述性統(tǒng)計(jì)

由表2可知，商業(yè)銀行信貸配置效率指標(biāo)(LD)最大值為1.2542，最小值為0.07，前者是后者的17.86倍，說明商業(yè)銀行信貸配置效率存在較大差別。金融科技指標(biāo)(Fin)最小值為0.285，最大值為3.345，表明商業(yè)銀行所在地區(qū)金融科技發(fā)展水平也存在較大差別。平均而言，2011—2020年商業(yè)銀行的總資產(chǎn)收益率(ROA)為0.93%、不良貸款率(NPR)為1.56%、貸款比率(Loan)為48.58%、資產(chǎn)規(guī)模(Size)為25.68，其中以貸款比率(Loan)的標(biāo)準(zhǔn)差較大。

表2 變量的描述性統(tǒng)計(jì)

三、實(shí)證結(jié)果分析

(一)基準(zhǔn)回歸

對于短面板數(shù)據(jù)(N大T小)而言，最常用的估計(jì)方法包括混合回歸、固定效應(yīng)和隨機(jī)效應(yīng)模型三種。為此，需要進(jìn)行檢驗(yàn)以選擇合適的回歸模型，文獻(xiàn)中通常使用Hausman進(jìn)行檢驗(yàn)。由于樣本屬于非平衡面板數(shù)據(jù)(unbalance panel)，因此使用Sargan-hansen檢驗(yàn)。檢驗(yàn)結(jié)果發(fā)現(xiàn)χ2(5)統(tǒng)計(jì)量為9.682，p值為0.0848，在10%的水平上可認(rèn)為拒絕隨機(jī)效應(yīng)，應(yīng)使用固定效應(yīng)模型。

表3 基準(zhǔn)回歸結(jié)果

由表3可知，在無任何控制變量時(shí)，金融科技(Fin)的估計(jì)系數(shù)為0.0664，且在1%的水平上顯著，這表明地區(qū)金融科技發(fā)展促進(jìn)商業(yè)銀行信貸配置效率；當(dāng)考慮銀行自身特征等控制變量后，金融科技的估計(jì)系數(shù)降至0.0499，但仍在1%的水平下顯著，其經(jīng)濟(jì)意義為地區(qū)金融科技程度每提高100個單位，該地區(qū)所在的商業(yè)銀行信貸配置效率會提高4.99個單位，即該地區(qū)所在的商業(yè)銀行信貸配置效率隨地區(qū)金融科技發(fā)展水平的提高而提高，假設(shè)H1成立?？赡艿脑蚴?利用大數(shù)據(jù)、云計(jì)算、移動支付等金融科技手段，助力商業(yè)銀行降低服務(wù)門檻和成本，提高商業(yè)銀行的風(fēng)險(xiǎn)控制能力(謝婼青等，2021)[22]，提高放貸意愿而增加貸款規(guī)模，優(yōu)化信貸配置，從而提高了信貸配置效率。

控制變量中，資產(chǎn)規(guī)模(Size)對商業(yè)銀行信貸配置效率的影響不顯著，貸款比例(Loan)、總資產(chǎn)收益率(ROA)越高，商業(yè)銀行信貸配置效率越高。不良貸款率(NPR)的回歸系數(shù)顯著為正，意味著不良貸款率越高，商業(yè)銀行信貸配置效率越高，這與直覺相悖，因?yàn)椴涣假J款率是商業(yè)銀行貸款后形成的結(jié)果，而此處信貸配置效率是貸款比存款的結(jié)果，顯然貸款在前，不良貸款率在后。按此邏輯，我們將不良貸款率指標(biāo)換成其滯后一期(NPRt-1)代入模型進(jìn)行回歸，結(jié)果發(fā)現(xiàn)回歸系數(shù)仍然為正，如表3中的列(3)所示，該結(jié)果意味著商業(yè)銀行貸款質(zhì)量越低(不良貸款率越高)商業(yè)銀行越進(jìn)行放貸，其信貸配置效率也越高，這可能與商業(yè)銀行“沖業(yè)績”現(xiàn)象有關(guān)。

(二)內(nèi)生性問題

金融科技的發(fā)展既能影響商業(yè)銀行的信貸配置效率，商業(yè)銀行又能在信貸配置效率較高的基礎(chǔ)上采用更多金融科技手段，以強(qiáng)化并鞏固其擁有的市場地位，進(jìn)一步優(yōu)化信貸結(jié)構(gòu)，提高信貸配置效率。因而，金融科技與商業(yè)銀行信貸配置效率之間存在反向因果關(guān)系。同時(shí)，影響商業(yè)銀行信貸配置效率的因素眾多，難以避免遺漏變量的產(chǎn)生。為解決由于遺漏變量、反向因果導(dǎo)致的內(nèi)生性問題，本文擬采用如下三種方法：

1.工具變量法

參考汪洋等(2020)[23]、李春濤等(2020)[24]的方法，選取地級市所在同一省份內(nèi)去除該地級市外的其他所有地級市的平均金融科技指數(shù)(a.fintech)作為商業(yè)銀行所在地金融科技的工具變量。理由在于：一方面，同一省份在推動金融科技發(fā)展方面通常具有一致性，即與地級市金融科技發(fā)展水平高度相關(guān)；另一方面，金融科技的發(fā)展受到地區(qū)經(jīng)濟(jì)發(fā)展、數(shù)字化普及程度等不同因素的影響，因而在不同地區(qū)的覆蓋廣度、使用深度和數(shù)字化程度區(qū)別較大，其他地區(qū)的金融科技水平不會直接影響本地區(qū)商業(yè)銀行的信貸配置效率。結(jié)果如表4中的列(1)所示，金融科技(Fin)的回歸系數(shù)在1%的水平上仍顯著為正，表明在解決內(nèi)生性問題后結(jié)論依然成立，即金融科技能夠顯著促進(jìn)商業(yè)銀行信貸配置效率，假設(shè)H1成立。

2.GMM 動態(tài)面板分析

考慮到商業(yè)銀行的信貸配置效率具有一定時(shí)間序列的相關(guān)性，為解決這一問題，參考宋敏等(2021)[25]方法加入因變量的滯后一期，并將金融科技設(shè)定為內(nèi)生變量，使用系統(tǒng)GMM和差分GMM回歸來檢驗(yàn)前文結(jié)論的一致可靠性。

表4中列(2)和列(3)檢驗(yàn)統(tǒng)計(jì)量顯示，AR(1)、AR(2)結(jié)果表明不存在一階、二階自相關(guān)，Sargan檢驗(yàn)結(jié)果亦說明不存在過度識別問題，工具變量有效，滿足使用GMM估計(jì)的條件。估計(jì)結(jié)果發(fā)現(xiàn)，無論使用系統(tǒng)GMM(sys-GMM)還是使用差分GMM(dif-GMM)估計(jì)方法，金融科技(fin)的估計(jì)系數(shù)在兩組回歸中均在1%的顯著水平上為正，表明在考慮商業(yè)銀行信貸配置效率序列相關(guān)這一特性之后，金融科技對商業(yè)銀行信貸配置效率的促進(jìn)作用依然存在，前文估計(jì)結(jié)果可靠，假設(shè)H1成立。

3. 雙重差分回歸

2011年及2016年我國先后實(shí)施了第一、第二批促進(jìn)科技與金融結(jié)合試點(diǎn)政策，該政策可看成地方金融科技發(fā)展的一次外生性“準(zhǔn)自然實(shí)驗(yàn)”，從而通過建立雙重差分模型對該政策效果進(jìn)行評估，間接說明金融科技的影響。2016年第二批試點(diǎn)范圍納入了鄭州、廈門、寧波、濟(jì)南、南昌、貴陽、銀川、包頭和沈陽等九個城市，考慮寧波市高新區(qū)在2012年早已進(jìn)行了試點(diǎn)，故為避免區(qū)位因素和政策溢出效應(yīng)的影響，將寧波市歸為第一批試點(diǎn)城市進(jìn)行分析(1)值得注意的是，由于某些城市在2011年已經(jīng)開始實(shí)施“促進(jìn)科技與金融結(jié)合”試點(diǎn)，如果考慮到納入2011年第一批實(shí)施科技和金融結(jié)合試點(diǎn)政策的城市，則可能會導(dǎo)致估計(jì)結(jié)果偏誤。因此，我們剔除2011年已經(jīng)是第一批實(shí)施“促進(jìn)科技與金融結(jié)合”試點(diǎn)城市銀行的樣本重新進(jìn)行雙重差分回歸，結(jié)果依然穩(wěn)健，DID估計(jì)值為0.0333(顯著)，且滿足平行趨勢檢驗(yàn)。。具體的雙重差分模型如下：

表4 內(nèi)生性處理回歸結(jié)果

LDit=α+μi+λt+θtreati×postt+βXit+it

(2)

式中，treati為處理組虛擬變量。若城市i入選開展第二批促進(jìn)科技與金融結(jié)合試點(diǎn)城市，則取值為1，否則取值為0。postt為時(shí)間虛擬變量，2016年之前取值為0，之后取值為1。交叉項(xiàng)系數(shù)θ即處理組前后變化與控制組前后變化之差，該值衡量了政策的平均處理效應(yīng)。

雙重差分估計(jì)結(jié)果如表4列(4)所示。交叉項(xiàng)系數(shù)θ的估計(jì)值為0.0242，且在10%的水平下顯著，這說明“促進(jìn)科技與金融結(jié)合”試點(diǎn)政策實(shí)施后，有助于試點(diǎn)城市提高所在地商業(yè)銀行信貸配置效率，再次驗(yàn)證假設(shè)H1。進(jìn)一步地，為緩解“準(zhǔn)自然實(shí)驗(yàn)”中可能出現(xiàn)的“樣本選擇偏誤”問題，使用傾向得分匹配-雙重差分方法(PSM-DID)重新進(jìn)行估計(jì)，結(jié)果如表4列(5)所示。該結(jié)果表明，考慮樣本選擇偏誤后，“科技與金融結(jié)合” 試點(diǎn)政策顯著提高了所在地商業(yè)銀行的信貸配置效率。

圖1 DID平行趨勢檢驗(yàn)

圖2 傾向得分匹配共同支撐檢驗(yàn)

雙重差分法和傾向得分匹配需要滿足平行趨勢假設(shè)、共同支撐假設(shè)。圖1表明，在該試點(diǎn)政策實(shí)施之前的各個年份，幾乎所有估計(jì)系數(shù)都沒有顯著異于0，而在政策實(shí)施之后所有估計(jì)系數(shù)開始顯著異于0，而且試點(diǎn)政策實(shí)施時(shí)間越長，其促進(jìn)效應(yīng)越大，滿足平行趨勢假設(shè)。圖2反映出大部分樣本落在共同支撐區(qū)域，滿足了共同支撐假設(shè)。

(三)穩(wěn)健性檢驗(yàn)

1. 增加控制變量

由于商業(yè)銀行信貸配置效率不僅受自身因素影響，還受來自宏觀經(jīng)濟(jì)環(huán)境變化、監(jiān)管政策調(diào)整(張慶君、劉靖，2017)[26]等若干方面的影響。因此，僅考慮控制商業(yè)銀行自身因素的影響，可能遺漏了其他重要因素，導(dǎo)致估計(jì)結(jié)果的非穩(wěn)健性。為此，我們要增加其他控制變量，以控制其他因素的影響。

依據(jù)相關(guān)文獻(xiàn)，宏觀經(jīng)濟(jì)層面選擇地級市名義GDP增速(GDP)變量控制經(jīng)濟(jì)環(huán)境的影響；監(jiān)管政策層面則以銀監(jiān)會2018年頒布的“商業(yè)銀行委托貸款管理辦法”政策為例，考察監(jiān)管政策的影響(XD)，該值為虛擬變量，2018年及以后取值為1，2018年以前取值為0；銀行流動性層面選擇流動資產(chǎn)占比(LI)指標(biāo)，考察商業(yè)銀行流動性的影響。

表5中的列(1)給出增加上述三個控制變量后的估計(jì)結(jié)果，發(fā)現(xiàn)即使在不同層面上考慮其他因素對商業(yè)銀行信貸配置效率的影響，金融科技的回歸系數(shù)仍然顯著為正，意味著金融科技對商業(yè)銀行信貸配置效率的影響不受其他因素左右，前文估計(jì)結(jié)果穩(wěn)健。

2.縮尾處理

考慮樣本量較大，異常值的出現(xiàn)將對回歸結(jié)果產(chǎn)生不利影響。為避免異常值影響，本文對因變量商業(yè)銀行信貸效率(LD)進(jìn)行前后1%的縮尾處理，并用縮尾后的商業(yè)銀行信貸配置效率指標(biāo)為因變量重新進(jìn)行固定效應(yīng)回歸，如表5中的列(2)所示。結(jié)果發(fā)現(xiàn)在考慮變量異常值后，金融科技對商業(yè)銀行信貸配置效率仍具有正向影響，且在1%水平下顯著，有效地通過了穩(wěn)健性檢驗(yàn)。

表5 穩(wěn)健性檢驗(yàn)結(jié)果

3.剔除直轄市

由于直轄市的金融科技發(fā)展水平較高，其商業(yè)銀行的信貸配置效率通常也較高，反向因果問題可能較嚴(yán)重。為此，將剔除直轄市的樣本進(jìn)行固定效應(yīng)回歸，結(jié)果見表5第(3)列。該結(jié)果表明剔除直轄市后，金融科技的回歸系數(shù)依然顯著為正，金融科技的發(fā)展確實(shí)能提高商業(yè)銀行的信貸配置效率，估計(jì)結(jié)果具有穩(wěn)健性。

4.分位數(shù)回歸

當(dāng)商業(yè)銀行信貸配置效率不符合正態(tài)分布時(shí)(2)我們使用正態(tài)性檢驗(yàn)(sktest、swilk)發(fā)現(xiàn)，商業(yè)銀行信貸配置效率不滿足正態(tài)性假設(shè)，屬于分正態(tài)分布數(shù)據(jù)。，對模型(1)的均值回歸結(jié)果就是有偏。因此，需要借助分位數(shù)回歸方法得到最佳估計(jì)效果。

表5中的后三列回歸結(jié)果顯示，隨著分位數(shù)的增加，金融科技的回歸系數(shù)仍顯著為正，但系數(shù)值呈一定的下降趨勢，估計(jì)結(jié)果仍然穩(wěn)健。其值大小表明，金融科技對那些信貸配置效率位于后10%的商業(yè)銀行影響較大，而對位于前10%的影響較小。

四、異質(zhì)性分析

(一)商業(yè)銀行主體特征差異

鑒于我國商業(yè)銀行在規(guī)模、金融市場屬性和性質(zhì)等方面存在諸多差異，金融科技的影響也會因銀行商業(yè)銀行之間的差異而有所不同。為更好地區(qū)分金融科技對不同類型商業(yè)銀行信貸配置效率的差異化影響，參考張慶君和劉靖(2017)[26]的研究，依據(jù)商業(yè)銀行主體特征，按銀行規(guī)模、金融市場屬性和所有權(quán)性質(zhì)劃分三類不同樣本。

1．銀行規(guī)模

根據(jù)大多數(shù)文獻(xiàn)的做法，當(dāng)商業(yè)銀行的資產(chǎn)規(guī)模大于或等于所有商業(yè)銀行資產(chǎn)規(guī)模中位數(shù)時(shí)，為規(guī)模大的商業(yè)銀行組；當(dāng)商業(yè)銀行資產(chǎn)規(guī)模小于所有商業(yè)銀行資產(chǎn)規(guī)模中位數(shù)時(shí)，為規(guī)模小的商業(yè)銀行組。分組回歸結(jié)果如表6的列(1)和列(2)所示，金融科技的回歸系數(shù)顯著為正，系數(shù)值分別是0.0492和0.0241，且前者是后者的兩倍，說明金融科技對規(guī)模較大商業(yè)銀行信貸配置效率的影響比規(guī)模較小的商業(yè)銀行大，證實(shí)假設(shè)H2。對這一結(jié)果可能的解釋是，規(guī)模大的商業(yè)銀行在金融科技投入(包含資金、人才、技術(shù)、產(chǎn)品等)(3)據(jù)各大商業(yè)銀行2020年報(bào)披露數(shù)據(jù)顯示，中國工商銀行金融科技投入達(dá)到238.19億元，位居首位，中國建設(shè)銀行、中國農(nóng)業(yè)銀行和中國銀行的金融科技投入額均超過150億元，其中，中國工商銀行、中國農(nóng)業(yè)銀行和中國銀行的金融科技投入增速均超過40%。國有六大行金融科技投入占營業(yè)收入比均在2.7%～3%內(nèi)(郵儲銀行除外，其占比則達(dá)3.15%)。股份制銀行方面，招商銀行金融科技投入額達(dá)119.12億元，高于其他股份制銀行，金融科技投入占營業(yè)收入比高達(dá)4.45%，為行業(yè)最高。此外，光大銀行、中信銀行、華夏銀行、平安銀行的金融科技投入占營業(yè)收入比也均超過3%。和金融科技運(yùn)用等方面優(yōu)于小型商業(yè)銀行，從而有助于其信貸配置效率的改善。

2．金融市場屬性

根據(jù)大多數(shù)文獻(xiàn)的做法，當(dāng)商業(yè)銀行為上市銀行時(shí)，劃分為上市銀行子樣本，反之為非上市銀行子樣本，分組回歸結(jié)果如表6中的列(3)和列(4)所示。金融科技對兩類銀行的影響均顯著為正，系數(shù)值大小表明，金融科技對上市商業(yè)銀行的信貸配置效率提升作用較大，假設(shè)H2成立。由此可見，上市商業(yè)銀行大力推進(jìn)數(shù)字化轉(zhuǎn)型和使用金融科技能助益其信貸配置效率的改善和提升。

3．所有權(quán)性質(zhì)

根據(jù)中國銀行保險(xiǎn)監(jiān)督管理委員會對商業(yè)銀行性質(zhì)的劃分，我們將樣本分為大型國有商業(yè)銀行、城市商業(yè)銀行、農(nóng)信銀行(含農(nóng)村商業(yè)銀行、信用合作社)、股份制商業(yè)銀行和合資銀行五個子樣本，進(jìn)行分組回歸結(jié)果如表6列(5)-(9)所示。該結(jié)果表明，金融科技對城市商業(yè)銀行、合資商業(yè)銀行、股份制商業(yè)銀行均具有顯著的正向影響，且股份制商業(yè)銀行影響程度最大，這與股份制商業(yè)銀行具有清晰的產(chǎn)權(quán)、良好的公司治理和靈活的組織架構(gòu)及人才激勵機(jī)制有很大關(guān)系，有助于金融科技通過金融創(chuàng)新和技術(shù)溢出實(shí)現(xiàn)銀行業(yè)務(wù)創(chuàng)新和模式再造。

與之不同的是，金融科技對農(nóng)信銀行(農(nóng)村商業(yè)銀行)和大型國有商業(yè)銀行信貸配置效率均無顯著影響，假設(shè)H2成立?？赡苁怯捎谵r(nóng)村商業(yè)銀行規(guī)模小、金融科技投入不足及人才不足等原因造成，其布局金融科技或使用金融科技也較少，很難通過金融科技優(yōu)勢促進(jìn)或改善其信貸配置效率。大型國有銀行擁有的壟斷地位使得金融科技難以有效驅(qū)動其快速轉(zhuǎn)型，如復(fù)雜體系、規(guī)模龐大和委托代理鏈條過長導(dǎo)致其對金融科技的沖擊反應(yīng)遲鈍，加上其固有的“信貸歧視”和“所有制偏好導(dǎo)向”，導(dǎo)致金融科技作用難以發(fā)揮。

(二)地區(qū)經(jīng)濟(jì)發(fā)展水平差異

我國幅員遼闊，地區(qū)間經(jīng)濟(jì)發(fā)展和金融科技水平差異較大，所在地區(qū)商業(yè)銀行的發(fā)展程度、信貸投向與質(zhì)量等均存在明顯不同，他們在地域分布上存在異質(zhì)性特點(diǎn)(趙濤、張智，2020)[27]。

我國中、東部地區(qū)經(jīng)濟(jì)發(fā)展水平較高，金融機(jī)構(gòu)信息不對稱程度較低、信貸資源配置效率較高，金融科技“賦能”商業(yè)銀行對其信貸配置效率的促進(jìn)作用應(yīng)該較高(孫永強(qiáng)、萬玉琳，2011)[28]。故將樣本按所在城市的不同，劃分為東部地區(qū)、中部地區(qū)、西部地區(qū)以及東北部地區(qū)四個子樣本。同時(shí)，按照該城市人均GDP是否高于全國人均GDP再分為發(fā)達(dá)地區(qū)和欠發(fā)達(dá)地區(qū)兩類子樣本。

表6 商業(yè)銀行主體特征差異回歸結(jié)果

由表7可知，金融科技對東部地區(qū)、西部地區(qū)商業(yè)銀行信貸配置效率具有顯著的正向作用，但對中部地區(qū)、東北部地區(qū)則無明顯影響。這與東部地區(qū)市場化水平、金融產(chǎn)業(yè)鏈、人才流動和金融科技發(fā)展水平較高有關(guān)，西部地區(qū)之所以顯著可能與“大數(shù)據(jù)之都”貴陽市密切相關(guān)，導(dǎo)致西部地區(qū)金融科技發(fā)展水平高于中部及東北部(4)從2012年國務(wù)院提出在貴州發(fā)展電子及新一代信息技術(shù)等戰(zhàn)略性新興產(chǎn)業(yè)，到2015年首個國家級數(shù)據(jù)中心——災(zāi)備中心落戶貴州，極大地提高了西部地區(qū)整體的金融科技發(fā)展水平。。進(jìn)而，金融科技對發(fā)達(dá)地區(qū)商業(yè)銀行信貸配置效率亦高于欠發(fā)達(dá)地區(qū)，且前者在1%的水平上顯著，后者不顯著，這進(jìn)一步說明金融科技對東部地區(qū)、西部地區(qū)或發(fā)達(dá)地區(qū)商業(yè)銀行信貸配置效率具有明顯的積極作用，證實(shí)了假設(shè)H2成立。

五、進(jìn)一步分析：作用機(jī)制檢驗(yàn)

關(guān)于金融科技通過何種渠道作用于商業(yè)銀行信貸配置效率，現(xiàn)有研究(郭品、沈悅，2015；Deng，2021)[29-30]發(fā)現(xiàn)，金融科技促進(jìn)商業(yè)銀行整頓IT系統(tǒng)，實(shí)現(xiàn)數(shù)據(jù)治理、共享、分類和整合，使得風(fēng)險(xiǎn)管理流程清晰可見，管理效率提升，極大地改變了商業(yè)銀行的風(fēng)險(xiǎn)承擔(dān)能力?！按髷?shù)據(jù)+云計(jì)算”技術(shù)為商業(yè)銀行內(nèi)部評級帶來了升級優(yōu)化，進(jìn)而改變商業(yè)銀行傳統(tǒng)的信貸業(yè)務(wù)模式和審批與投放機(jī)制，由此可能影響其信貸配置效率，風(fēng)險(xiǎn)承擔(dān)可能是金融科技對商業(yè)信貸配置效率的作用渠道之一。

表7 地區(qū)經(jīng)濟(jì)發(fā)展差異的回歸結(jié)果

商業(yè)銀行布局金融科技的深入使用，能加劇商業(yè)銀行信貸客戶集中和行業(yè)集中程度，提高其經(jīng)營效率(宋獻(xiàn)中，2018)[31]；商業(yè)銀行競爭的加劇所導(dǎo)致的客戶爭奪與業(yè)績壓力，使其有很強(qiáng)的收集和挖掘企業(yè)信息的動機(jī)，不僅能降低銀企之間的信息不對稱程度，而且還會改變商業(yè)銀行貸款合約制定和貸款規(guī)模偏好與風(fēng)險(xiǎn)偏好，促使銀行在信貸合約和貸款期限、結(jié)構(gòu)、成本上做出理性調(diào)整，通過增加貸款規(guī)模、延長貸款期限、優(yōu)化貸款投向、降低貸款利率和擔(dān)保要求等提高商業(yè)銀行貸款質(zhì)量和配置效率。信貸結(jié)構(gòu)與競爭程度亦可能是金融科技作用于商業(yè)銀行信貸配置效率的渠道之一。

為檢驗(yàn)上述渠道，借鑒江曙霞和陳玉嬋(2012)[32]的研究，使用風(fēng)險(xiǎn)加權(quán)資產(chǎn)比率(RISK)度量商業(yè)銀行的風(fēng)險(xiǎn)承擔(dān)能力，該指標(biāo)越高說明商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)能力越強(qiáng)。選用商業(yè)銀行前十大客戶貸款余額占商業(yè)銀行資本凈額的比率(CHD)表示商業(yè)銀行貸款集中度，該比率越高貸款集中度越高(宋獻(xiàn)中,2018)[31]。利用中國銀保監(jiān)會公布的關(guān)于銀行業(yè)金融機(jī)構(gòu)金融許可證信息，計(jì)算出各銀行各年度在各城市的分支機(jī)構(gòu)數(shù)量，進(jìn)而構(gòu)建各城市銀行業(yè)的赫芬達(dá)爾-赫希曼指數(shù)(HHI)，該指數(shù)的取值范圍為0～1，數(shù)值越大意味著銀行競爭程度越低(姜付秀等,2019)[33]。

借鑒李春濤等(2020)[24]、宋敏等(2021)[25]的做法，使用金融科技與風(fēng)險(xiǎn)承擔(dān)指標(biāo)(RISK)、銀行貸款集中度指標(biāo)(CHD)和銀行業(yè)競爭指標(biāo)(HHI)的交乘項(xiàng)納入回歸模型(5)交互項(xiàng)變量均做了中心化處理。，估計(jì)結(jié)果如表8所示。

表8前三列回歸結(jié)果發(fā)現(xiàn)，在第(1)列中，金融科技的系數(shù)顯著為正，表明金融科技發(fā)展顯著提高了商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)能力，同時(shí)商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)能力的系數(shù)為負(fù)，不顯著，表明風(fēng)險(xiǎn)承擔(dān)能力并未有效改善其信貸配置效率。在第(3)列的回歸結(jié)果中，金融科技與風(fēng)險(xiǎn)承擔(dān)能力指標(biāo)的交互項(xiàng)系數(shù)顯著為正，說明對于風(fēng)險(xiǎn)承擔(dān)能力較高的商業(yè)銀行，金融科技對商業(yè)銀行信貸配置效率的促進(jìn)作用也就越大，即金融科技通過提高商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)能力對商業(yè)銀行信貸配置效率產(chǎn)生顯著的積極作用。

表8 機(jī)制檢驗(yàn)結(jié)果

表8的列(4)-(6)回歸結(jié)果中，表明金融科技顯著降低商業(yè)銀行貸款集中度，進(jìn)而促進(jìn)了商業(yè)銀行信貸配置效率，而列(7)-(9)的結(jié)果表明金融科技顯著提高銀行業(yè)競爭程度，競爭程度的提高促進(jìn)商業(yè)銀行的信貸配置效率，這與Grandi et al.(2018)[34]類似，他們發(fā)現(xiàn)銀行競爭降低了商業(yè)銀行短期貸款，提高了企業(yè)的貿(mào)易信貸，符合“市場勢力假說”。值得注意的是，二者交互項(xiàng)的系數(shù)并不顯著，表明金融科技并沒有起到提高銀行競爭轉(zhuǎn)化為改善信貸配置效率的作用。

六、結(jié)論與啟示

金融科技對商業(yè)銀行信貸配置效率具有重要影響。選取2011―2020年我國143家商業(yè)銀行的非平衡面板數(shù)據(jù)，詳細(xì)剖析了金融科技對商業(yè)銀行信貸配置效率的影響，得出重要結(jié)論和政策啟示。

(一)研究結(jié)論

1． 金融科技助力商業(yè)銀行提升信貸配置效率。實(shí)證結(jié)果表明，無論是基準(zhǔn)回歸還是考慮金融科技內(nèi)生性及進(jìn)行的一系列穩(wěn)健性檢驗(yàn)結(jié)果，均表明金融科技顯著正向影響商業(yè)銀行信貸配置效率，因而可認(rèn)為金融科技確實(shí)能提高商業(yè)銀行的信貸配置效率。

2．金融科技促進(jìn)商業(yè)銀行信貸配置效率因銀行主體特征、所在地區(qū)經(jīng)濟(jì)發(fā)展水平而異。異質(zhì)性分析表明，金融科技極大地促進(jìn)了規(guī)模較大、上市和股份制銀行、城商行和合資銀行的信貸配置效率，而對其他類型商業(yè)銀行的影響較小甚至無明顯影響。進(jìn)一步發(fā)現(xiàn)，金融科技對位于東部、西部和經(jīng)濟(jì)發(fā)達(dá)地區(qū)商業(yè)銀行信貸配置效率具有顯著影響，而對其他地區(qū)商業(yè)銀行信貸配置效率則無顯著影響。

3．金融科技改善商業(yè)銀行信貸配置效率主要源于風(fēng)險(xiǎn)承擔(dān)能力和貸款集中度渠道。機(jī)制檢驗(yàn)發(fā)現(xiàn)，金融科技與風(fēng)險(xiǎn)承擔(dān)能力、貸款集中度的交互項(xiàng)顯著為正和為負(fù)，意味著通過提高、減低商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)能力和貸款集中度，有效改善其信貸配置效率。而銀行競爭渠道不明顯，金融科技通過銀行競爭改善信貸配置效率的作用并未有效發(fā)揮。

(二)政策啟示

1.加快地區(qū)金融科技發(fā)展，提高商業(yè)銀行金融科技的應(yīng)用程度和創(chuàng)新程度，對增強(qiáng)商業(yè)銀行信貸配置效率具有重要作用。一方面，地區(qū)金融科技的發(fā)展能為商業(yè)銀行經(jīng)營發(fā)展提供有利的外部環(huán)境，促使商業(yè)銀行不斷變革和數(shù)字化轉(zhuǎn)型，探索業(yè)務(wù)發(fā)展的新模式和新路徑，改變傳統(tǒng)商業(yè)模式和競爭勢力，為其信貸配置效率的改善創(chuàng)造有利機(jī)制和條件；另一方面，商業(yè)銀行加大信息科技投入、布局和使用金融科技，提高了自身對高維數(shù)據(jù)處理能力、精準(zhǔn)篩選客戶，根據(jù)客戶需求設(shè)計(jì)更加多樣化金融產(chǎn)品，擴(kuò)寬自身發(fā)展前景，提高綜合實(shí)力[35]。

2.各地區(qū)因地制宜制定發(fā)展戰(zhàn)略，各商業(yè)銀行布局金融科技應(yīng)與自身發(fā)展戰(zhàn)略、目標(biāo)和實(shí)力緊密關(guān)聯(lián)。東部、西部和中部等地區(qū)應(yīng)根據(jù)自身發(fā)展階段和水平制定金融科技發(fā)展規(guī)劃，特別是在大數(shù)據(jù)、人工智能、云計(jì)算、物聯(lián)網(wǎng)等技術(shù)選擇上應(yīng)有所側(cè)重和支持，不能盲目跟風(fēng)和貪多求大，導(dǎo)致區(qū)域特色不彰顯。商業(yè)銀行也應(yīng)結(jié)合自身優(yōu)勢和特色，在金融科技布局、科技人才吸納、產(chǎn)品創(chuàng)新上有所側(cè)重，才能創(chuàng)造和培育自身競爭力。在金融產(chǎn)品設(shè)計(jì)方面，通過人工智能等新技術(shù)，開展智能投顧業(yè)務(wù)；在信用管理方面，引入?yún)^(qū)塊鏈技術(shù)，加強(qiáng)合約安全性，優(yōu)化風(fēng)險(xiǎn)管理，并增加交易透明度；在用戶體驗(yàn)方面，構(gòu)建 API 開放銀行，連接金融服務(wù)與商業(yè)運(yùn)作，為長尾客戶群提供優(yōu)質(zhì)的數(shù)字化融資渠道。

3.商業(yè)銀行應(yīng)強(qiáng)化金融科技使用，對增強(qiáng)風(fēng)險(xiǎn)承擔(dān)能力、降低貸款集中度而言具有重要意義。商業(yè)銀行風(fēng)險(xiǎn)承擔(dān)能力差，導(dǎo)致金融服務(wù)趨向保守和謹(jǐn)慎，使得中小企業(yè)融資難、融資貴問題突出，不僅與商業(yè)銀行“嫌平愛富”有關(guān)，而且與其自身的風(fēng)險(xiǎn)管理水平有關(guān)。借力金融科技探索分布式改造和新型技術(shù)“賦能”，緩解銀企之間的信息不對稱性，提高商業(yè)銀行對潛在客戶的甄別能力和放貸意愿，增加放貸規(guī)模、優(yōu)化信貸投向與結(jié)構(gòu)，促進(jìn)信貸資源的優(yōu)化配置。