上海大学
摘要:在现如今金融和科技深度融合的阶段之下,商业银行作为金融市场重要主体,也在不断谋求金融科技创新,金融科技不断赋能的过程势必会对商业银行的信贷风险产生较大冲击。本文采用数字金融普惠指数,基于2011—2021年我国40家上市商业银行的面板数据,探究金融科技对商业银行信贷风险的影响。研究发现:金融科技发展水平与商业银行信贷风险呈显著负相关关系且贷款增长率具有部分中介作用,金融科技可以通过提高商业银行贷款增长速度,从而分散和降低信贷风险。
关键词:金融科技;商业银行;信贷风险
一、引言
近十年来,金融科技受到广泛关注,从科技推动金融变革的角度看金融科技的发展历程,经历了金融信息化阶段和互联网金融阶段。商业银行作为能够提供存贷业务的金融机构,在中国的金融市场中发挥着重要作用。其中,信贷业务是商业银行最主要的资产业务,也是其主要盈利手段。理论上,一方面,金融科技能显著提高授信审批效率和风险识别能力,更全面的了解客户的信贷质量,进而提高风险管理并降低信贷风险。另一方面,金融科技的运用对中小银行产生了挤出效应,恶化了中小银行的生存环境(金洪飞等,2020),降低了商业银行的风险承受能力。由此,引发了一系列思考:金融科技对商业银行信贷风险产生怎样的影响?通过何种方式对其产生影响?本文从理论和实证角度为该研究做出了补充,同时,为商业银行管控风险,维护金融稳定提供借鉴,具有理论和现实意义。
二、研究假设
区块链技术作为金融科技技术可以在系统上实现信息共享,使交易过程更加透明完整,大数据技术可以提供更全面的客户信息维度,人工智能、云计算和区块链等技术在集中化处理海量数据的优势使得客户信息更加完备,从而有效缓解了信贷双方信息不对称问题,由此提出本文第一个假设。
假设1:金融科技的运用降低了商业银行信贷风险。
在同业竞争的局面下,商业银行在盈利以及生存压力下会加快扩大信贷投放(郭品和沈悦,2019)。进行过度信贷投放的商业银行,一般会降低信贷标准,倾向于接受那些信用等级较低客户的贷款申请,导致贷款增加,进而使得信贷风险增大(辛兵海,2018)金融科技有助于商业银行获取贷款客户的个人信用数据,并利用大数据、云计算等方式进行储存与分析,有效识别贷款前的信贷风险,降低因行业竞争产生的信贷扩张速度,提高信用贷款质量并达到缓解商业银行信贷风险的目的。由此提出第二个假设。
假设2:金融科技可以通过降低信贷增长率缓解商业银行信贷风险。
三、计量模型设计
(一)变量选取
表 1 变量定义
变量类型 | 变量名称 | 变量符号 | 变量定义 |
被解释变量 | 商业银行信贷风险水平 | pcr | 拨备覆盖率 |
解释变量 | 金融科技发展水平 | lnfi | 数字普惠金融指数的自然对数 |
金融科技发展广度 | lncover | 数字普惠金融覆盖广度指数的自然对数 | |
金融科技发展深度 | lnusage | 数字普惠金融应用深度指数的自然对数 | |
中介变量 | 贷款增长率 | grl | 新增贷款额/上期总贷款额 |
控制变量 | 资产收益率 | roa | 税后净利润/总资产 |
流动性比率 | ldr | 贷款总额/存款总额 | |
资本充足率 | car | 银行自身资本/加权风险资产 | |
资产规模 | lnsize | 银行资产总额的自然对数 | |
成本收入比 | ctr | 营业成本/营业收入 | |
资产增长率 | sizeg | 资产总额增长速度 | |
经济增长水平 | gdpg | 国内生产总值增速 |
(二)模型设计
为验证假说1,即金融科技运用会降低商业银行信贷风险,本文的实证模型采用固定效应模型,因为在控制变量选取中,宏观层面变量经济增长水平可以视为一个时间序列,为避免重复固定时间序列的情况,更为准确地研究金融科技与商业银行信贷风险的关系,根据主要解释变量构建的模型(1)如下:
(1)
(1-1)
(1-2)
其中,为被解释变量商业银行信贷风险水平指标,为截距项,衡量金融科技影响商业银行信贷风险的大小,表示核心解释变量数字普惠金融指标,Controls为控制变量,为个体固定效应,为随机误差项,下标i和t分别表示各商业银行和年份。
为验证假说2,即金融科技可以通过降低信贷增长率的方式缓解商业银行信贷风险。以主要解释变量为例,首先,利用模型(1)检验金融科技与信贷风险的关系;其次,借助模型(2)检验金融科技与中介变量贷款增长率的关系;最后,建立模型(3)检验金融科技与贷款增长率对信贷风险的影响。
(2)
(3)
四、描述性统计
(一)描述性统计
变量的描述性统计结果如下图,金融科技发展水平(lnfi)最大值为6.129,最小值为4.089,虽然已经做了对数处理,但标准差仍为0.468,可见从2011到2012年我国金融科技发展迅速,并且各地区之间的金融科技发展程度差异也较大。同时,各上市商业银行的信贷风险水平(pcr)最大值为7.781,最小值为0.558,标准差为1.010,可见各上市商业银行间的信贷风险水平差距也会很明显。
表 2 变量描述性统计
N | Mean | Std. Dev. | min | max | |
pcr | 440 | 2.674 | 1.010 | .558 | 7.781 |
lnfi | 440 | 5.412 | 0.468 | 4.089 | 6.129 |
lncover | 440 | 5.424 | 0.421 | 4.158 | 6.162 |
lnusage | 440 | 5.393 | 0.493 | 3.777 | 6.236 |
grl | 440 | .167 | 0.072 | -.073 | .523 |
roa | 440 | .991 | 0.254 | .42 | 1.78 |
ldr | 440 | .712 | 0.144 | .264 | 1.162 |
car | 440 | .134 | 0.017 | .088 | .249 |
lnsize | 440 | 27.59 | 1.752 | 24.656 | 31.191 |
ctr | 440 | .312 | 0.061 | .189 | .665 |
sizeg | 440 | .846 | 3.202 | -.141 | 22.938 |
gdpg | 440 | .07 | 0.017 | .022 | .096 |
五、实证分析
(一)基准回归
基准回归结果表4描述了金融科技水平对商业银行信贷风险发展的影响结果。金融科技发展水平(lnfi)的系数为-0.927,并且在1%的显著性水平下显著负相关,即在同等情况下,银行金融科技水平每增长1%,会显著促进信贷风险平均下降0.927%,说明金融科技技术可以在系统上实现信息共享,使交易过程更加透明完整,完善信用评估和风控系统,从而降低信贷风险,假设1得到验证。
在此基础上,为了更深层探究金融科技对银行信贷风险的影响,本文将总指数分成两个维度指数进行进一步分析。金融科技发展广度(lncover)与金融科技发展深度(lnusage)的系数同样为负,且在1%的水平下显著。由此,基本回归结果表明金融科技发在水平在两个维度上均对商业银行信贷风险具有抑制作用,并且金融科技发展广度(lncover)比金融科技发展深度(lnusage)有更强的抑制性。控制变量中,资产收益率、资本充足率、资产规模回归系数均为正,分别在1%和5%的显著性水平下显著,说明银行盈利能力和偿债能力以及规模增强,都会显著提升信贷风险增长;流动性比率、成本收入比、资产增长率和经济发展水平对商业银行信贷风险尚未发现存在显著的促进或抑制的影响。
表 4 基准回归结果
(1) | (2) | (3) | |
pcr | pcr | pcr | |
lnfi | -0.927*** | ||
[0.291] | |||
lncover | -1.159*** | ||
[0.371] | |||
lnusage | -0.610** | ||
[0.239] | |||
roa | 1.764*** | 1.679*** | 1.883*** |
[0.425] | [0.425] | [0.421] | |
ldr | -0.567 | -0.419 | -0.617 |
[0.730] | [0.716] | [0.740] | |
car | 10.928*** | 11.323*** | 11.085*** |
[3.381] | [3.447] | [3.320] | |
lnsize | 0.913* | 0.973* | 0.723 |
[0.473] | [0.489] | [0.456] | |
ctr | 2.398 | 2.230 | 2.704 |
[2.229] | [2.210] | [2.252] | |
sizeg | -0.005 | -0.014 | 0.007 |
[0.115] | [0.107] | [0.122] | |
gdpg | -0.370 | 0.039 | 0.370 |
[1.535] | [1.573] | [1.496] | |
_cons | -21.030* | -21.457* | -17.782 |
[12.251] | [12.387] | [12.029] | |
r2_w | 0.270 | 0.275 | 0.247 |
N | 440.000 | 440.000 | 440.000 |
注:* p < 0.1, ** p < 0.05, *** p < 0.01
(二)机制识别分析
在以贷款增长率为中介变量的实证分析中,采用因果逐步回归检验法,首先以模型(2)检验了金融科技发展水平对贷款增长率的影响,结果如表5显示,金融科技发展水平在1%显著性的水平下与贷款增长率负相关。
同时,以模型(3)检验了金融科技发展水平和贷款增长率对商业银行信贷风险的影响,结果显示金融科技发展水平和贷款增长率都在1%的显著性水平下显著,说明贷款增长率在金融科技对信贷风险的影响中存在部分中介作用。分析结果,可以得出贷款增长速度的提高增加了潜在的信贷风险,所以使得银行不得不进一步实施应对措施,如加大不良资产的拨备覆盖率,从而有效应对该风险,但金融科技的发展也会在一定程度上抑制贷款的增长率,最终有效降低了商业银行的信贷风险,假设2得到验证。
表 5 中介效应模型结果1
(1) | (1) | (1) | |
pcr | grl | pcr | |
grl | 2.297*** | ||
[0.745] | |||
lnfi | -0.927*** | -0.040*** | -0.836*** |
[0.291] | [0.012] | [0.286] | |
roa | 1.764*** | 0.052* | 1.644*** |
[0.425] | [0.027] | [0.403] | |
ldr | -0.567 | -0.068 | -0.411 |
[0.730] | [0.061] | [0.719] | |
car | 10.928*** | 0.825** | 9.034** |
[3.381] | [0.326] | [3.649] | |
lnsize | 0.913* | 0.032 | 0.841* |
[0.473] | [0.020] | [0.462] | |
ctr | 2.398 | -0.120 | 2.673 |
[2.229] | [0.135] | [2.182] | |
sizeg | -0.005 | 0.004*** | -0.015 |
[0.115] | [0.001] | [0.115] | |
gdpg | -0.370 | -0.066 | -0.218 |
[1.535] | [0.117] | [1.462] | |
_cons | -21.030* | -0.566 | -19.731 |
[12.251] | [0.534] | [11.963] | |
r2_w | 0.270 | 0.108 | 0.292 |
N | 440.000 | 440.000 | 440.000 |
注:* p < 0.1, ** p < 0.05, *** p < 0.01
进一步从金融科技发展广度(lncover)与金融科技发展深度(lnusage)两个维度指数进行验证。在用这两个解释变量进行中介效应分析中,除金融科技发展深度(lnusage)在5%的水平下显著外,其他变量都在各自的模型中在1%的显著性水平下显著。由此,进一步充分验证了假设2。
表 6 中介效应模型结果2
(2) pcr | (3) pcr | (2) grl | (3) grl | (2) pcr | (3) pcr | |
grl | 2.190*** | 2.462*** | ||||
[0.777] | [0.739] | |||||
lncover | -1.159*** | -0.056*** | -1.037*** | |||
[0.371] | [0.015] | [0.368] | ||||
lnusage | -0.610** | -0.033*** | -0.527** | |||
[0.239] | [0.010] | [0.227] | ||||
roa | 1.679*** | 1.883*** | 0.047* | 0.056** | 1.576*** | 1.746*** |
[0.425] | [0.421] | [0.027] | [0.027] | [0.403] | [0.397] | |
ldr | -0.419 | -0.617 | -0.059 | -0.067 | -0.290 | -0.452 |
[0.716] | [0.740] | [0.061] | [0.062] | [0.707] | [0.726] | |
car | 11.323*** | 11.085*** | 0.845** | 0.837** | 9.472** | 9.024** |
[3.447] | [3.320] | [0.324] | [0.325] | [3.727] | [3.601] | |
lnsize | 0.973* | 0.723 | 0.038* | 0.028 | 0.891* | 0.654 |
[0.489] | [0.456] | [0.020] | [0.018] | [0.480] | [0.443] | |
ctr | 2.230 | 2.704 | -0.131 | -0.109 | 2.516 | 2.973 |
[2.210] | [2.252] | [0.135] | [0.137] | [2.171] | [2.201] | |
sizeg | -0.014 | 0.007 | 0.004*** | 0.004*** | -0.022 | -0.004 |
[0.107] | [0.122] | [0.001] | [0.001] | [0.107] | [0.122] | |
gdpg | 0.039 | 0.370 | -0.061 | -0.057 | 0.172 | 0.511 |
[1.573] | [1.496] | [0.114] | [0.120] | [1.505] | [1.426] | |
_cons | -21.457* | -17.782 | -0.646 | -0.520 | -20.042 | -16.502 |
[12.387] | [12.029] | [0.526] | [0.510] | [12.131] | [11.683] | |
r2_w | 0.275 | 0.247 | 0.116 | 0.105 | 0.295 | 0.272 |
N | 440.000 | 440.000 | 440.000 | 440.000 | 440.000 | 440.000 |
注:* p < 0.1, ** p < 0.05, *** p < 0.01
六、结论与政策建议
本文利用数字普惠金融指数,包括其广度和深度两个维度,并基于2011-2021年国内40家商业银行的数据,探究了金融科技发展程度对商业银行信贷风险的影响及其传导机制。研究结果表明:第一,金融科技的运用和发展能有效缓解商业银行整体信贷风险。第二,贷款增长率在金融科技与信贷风险的关系中具有部分中介作用。商业银行通过金融科技提高信息获取、数据处理以及客户管理的效率,以更低的信息搜集成本吸纳优质客户,在增加贷款规模的同时提升贷款质量,商业银行信贷风险得到分散和降低。
本文的研究结论具有以下政策启示:第一,商业银行应关注金融科技对信贷风险管控的正面影响,将金融科技新兴技术应用在信贷流程中,降低信贷风险。第二,金融科技在赋能商业银行信贷风险管理的同时,也可能带来新的风险。监管部门应加强对商业银行运用金融科技的监测,防止金融科技引发风险事件。
参考文献
[1]金洪飞,李弘基,刘音露.金融科技、银行风险与市场挤出效应[J].财经研究,2020,46(05):52-65.DOI:10.16538/j.cnki.jfe.2020.05.004.
[2]郭品,沈悦.互联网金融、存款竞争与银行风险承担[J].金融研究,2019(08):58-76.
[3]辛兵海,胡逸飞,王重润.银行过度信贷增长的测度与风险[J].金融论坛,2018,23(04):27-42.DOI:10.16529/j.cnki.11-4613/f.2018.04.003.