Geographical Distance, Digital Transformation of Banks and the Scale of Farmers' Credit Supply in Financial Institutions——Evidence from F Province's Rural Credit Cooperatives
-
摘要: 金融机构农户信贷供给规模会影响农户信贷可得性,从而影响乡村振兴战略的实施和共同富裕的实现。利用F省农信系统67家农村信用社(农村商业银行)2018—2020年808 084个样本构成的混合截面数据,分析地理距离、银行数字化水平对金融机构农户信贷供给规模的影响,发现:农户到乡镇行社网点的地理距离对金融机构农户信贷供给规模存在负向影响;但银行的数字化水平越高,地理距离对金融机构农户信贷供给规模的抑制作用会越小。异质性分析结果表明,银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用会受到农户数字金融素养、区域内银行竞争程度和银行商业化程度的影响。进一步分析发现,银行数字化转型对农户信用贷款、中长期贷款和投向农林牧渔贷款的缓解作用更大。因此,应该积极引导和规范银行数字化转型、重视培养和提升农户的数字金融素养、适当推进农村地区银行的商业化改制。Abstract: Financial institutions of peasant household credit supply scale can affect farmer credit availability, which affect the rural revitalization of strategic implementation and the realization of common prosperity. In order to study the impact of distance and bank digitalization level on the credit supply of financial institutions to rural households, this paper uses the mixed cross-sectional data of more than 800, 000 samples from 67 rural credit cooperatives (rural commercial banks) in F province's rural credit system from 2018 to 2020. The results show that the distance between rural households and rural cooperative outlets has a negative impact on the credit supply of financial institutions to them, but the higher the digitalization level of banks, the smaller the inhibition of distance on the credit supply. The results of heterogeneity analysis show that the digital transformation of financial institutions in alleviating the geographical distance of peasant household credit supply scale inhibition by farmers digital financial literacy, regional banking competition degree and degree of commercial bank. Further analysis found that the digital transformation of banks has a greater mitigation effect on farmers' credit loans, medium and long term loans and loans invested in agriculture, forestry, animal husbandry or fishery. In this regard, this paper proposes to actively guide and standardize the digital transformation of banks, attach importance to training and improving farmers' digital financial literacy, and appropriately promote the commercialization of rural banks.
-
一. 问题提出
农村金融市场中金融机构提供的信贷服务与农户的生产生活息息相关。提升金融机构农户信贷供给、满足农户对生产生活资金的有效需求,对乡村振兴战略的实施和共同富裕的实现具有重要意义。但由于信息不对称[1-3]、交易成本过高[4-6]、金融基础设施薄弱及风险分担机制不健全[7-9],农村地区信贷供给不足与信贷需求旺盛之间的矛盾日益突出[10],农户正规信贷可得性仅约6.7%[11],农户仍然身处“贷款难”的困境。
不少学者指出,金融机构农户信贷供给规模与农户到金融机构的地理距离相关。当农户与金融机构的地理距离越远时,其能够得到贷款的可能性越低,且银行等金融机构的信贷决策更倾向于本地农户而不是异地农户[12-13]。这是因为,信贷市场中借贷双方(农户和信贷机构)所拥有的信息是不对称的,必然有一方处于信息劣势中,从而可能会产生逆向选择和道德风险;且这种借贷双方之间的“距离数量效应”主要集中于信息透明度较低的借款人,距离越远的借款人越有可能遭遇具严格约束力的信贷限制[14]。地理因素还会通过信息不对称这一市场不完美因素影响金融活动[15]。众多针对银企之间地理因素的文献也证实了地理距离的邻近性有助于缓解企业信贷资源的可得性[16-20]。因此,忽视地理因素在金融发展中的作用是不合适的。但也有学者认为地理距离已经不重要了或者对贷款的影响很有限[21-22]。可见,关于地理距离是否会影响金融机构农户信贷供给规模尚存在一定的学术争议。
以云计算、大数据、移动互联、人工智能等为代表的数字技术不断取得突破,数字技术开始广泛应用于金融领域,使处于数字化转型过程中以及完成数字化转型的银行可以为农户生产经营提供更加丰富多元的金融产品和金融服务,进而缓解金融机构针对农户的贷款供给额度不足的状况[23-25]。这是因为银行的数字化转型可降低交易双方的交易成本和缓解信息不对称,通过信息技术,既方便快捷,又能形成低成本优势,使欠发达地区同样享受金融服务,破解了行业长期存在的农村金融服务不足问题,弥补了传统金融服务的缺失,有效缓解了偏远地区的金融排斥问题[26-28]。可以说,银行数字化转型为打破借贷双方的时空界限提供了“解题方法”。但也有不同的观点。在农村老龄化凸显的背景下,城乡和代际“数字鸿沟”叠加,容易出现“工具排斥”[29]、“自我排斥”[30]、缓解信息不对称作用有限[31]、“互联网金融排斥”[32]等问题,导致单纯的数字技术发展难以发挥作用。我国数字金融技术的发展具有明显的“马太效应”[33],数字化转型过程中使用数字技术,还会出现空间集聚现象[34-35],可能导致一些偏远地区及农村地区依旧无法获得金融支持[36]。
可见,在数字化背景下,有关地理距离是否还是金融机构农户信贷供给规模的影响因素、数字化转型是否以及多大程度上能够缓解地理距离的影响等问题都存在学术争议,且银行数字化转型缓解地理距离对农户信贷供给规模的效果和机制尚未得到实证检验。一个重要原因在于研究所使用的数据有一定的局限性,已有研究所使用的农户信贷数据基本上都来自于调查数据,而这类入户调查数据可能会因农户隐瞒和戒备而有所失真,且样本量比较有限。
为此,本文从银行数字化转型角度,重新审视金融机构针对农户的贷款供给额度,并利用F省67家农村信用社(农村商业银行)的大样本微观农户数据进行分析,以期为惠农助农金融发展背景下银行进行数字化转型的必要性提供经验证据。
二. 理论分析与研究假说
农户与信贷机构之间的地理距离直接反映了二者的空间关系。在其他条件相同的情况下,借贷双方的地理距离通过影响借贷双方信息不对称的严重程度和借贷成本的高低,影响金融机构信贷供给的规模。
一 地理距离是导致借贷双方信息不对称的重要因素
信息包括“硬信息”和“软信息”。由于农户属于小规模生产者,所能提供的“硬信息”非常有限,因此信贷机构向农户发放贷款时就需要更多的软信息。但农户软信息的获取和评估相较于硬信息更加困难,加之农村的地域、人际关系等因素影响,信息数据更容易失真,借贷双方信息不对称问题更为严重。农户所处的地理位置越偏远,可能与信贷机构的距离越远,再加上交通不便、农户居住分散等原因,信贷机构越难于获取农户的有效信息,信息不对称程度就越强[37]。因此,借款人距离信贷机构越远,越不利于信贷机构收集借款人的有效软信息,地理距离削弱了信贷机构有效收集私人信息以及开拓本地市场的能力,距离信贷机构越远的借款人获得贷款的难度更大[18];反之,较短的地理距离则方便信贷机构全面收集农户信息,降低因信息不对称风险所产生的信贷排斥,从而扩大农户信贷供给规模。信贷机构贷款合同的设计也会受到信贷机构获取借款人相关信息过程中地理距离约束的影响,当借款人向距离自己较远的贷款人申请贷款时,贷款合同的条款会相应变得更严格,贷款的可得性会降低[19]。
二 地理距离是影响信贷市场交易成本的重要因素
交易成本主要包括进行机会搜寻活动、信息获取、监督交易对象、防范违约行为的产生以及取信于对方等过程中产生的各项成本,是进行市场交易过程中通过价格机制组织产生的相关谈判和签约费用,以及利用价格机制其他方面所产生的成本[38-39]。在信贷市场,借贷双方之间的地理距离越远,交通成本、信息收集成本、贷后监督成本等交易成本越高[40-41]。而且,目前城乡人员流动更加频繁,某些借款人可能早已不再生产经营,而是外出打工或者搬离家乡,如果贷后检查频率不足,就容易蒙受损失;而地理距离远近显然影响了贷后检查的频率与深度。同时,地理距离的远近也会影响信贷机构对农户抵(质)押品的处置成本。所以,距离产生较高的监督与违约处置成本,将导致信贷机构惜贷,农户的信贷可得性受限[42]。
为了证明该观点,本文借鉴DeYoung等[43]的做法构建一个理论模型。
假设一个追求利润最大化的贷款人使用传统贷款决策流程向与银行距离不同的新借款人发放贷款,当存贷款市场都是竞争的,借贷双方之间的地理距离为D,市场净息差为m,贷款预期利率为pe,贷款的偿还概率为p(0 < p < 1),贷款拖欠率为(1-p),银行最大化预期利润定义为π=m·pe·q-C(q)。其中,q为贷款量;C(q)为总成本函数,是二次可微且在q中是凸的(即Cq>0, Cqq>0);对预期利润进行一阶求导后,得到一个标准的均衡条件:m·pe=Cq,即银行增加信贷供给,直到预期边际收益正好等于边际成本(MR=MC)。首先,将距离D作为成本函数C(q, D)中的一个参数,并假设成本随着借贷双方距离的增加而增加(即CD> 0);其次,假设由于贷款申请人以及申请人所在的当地市场信息越来越不完善,加之贷款人的决策技能不完善,贷款人对借款人信贷质量的不确定性随着借款人与贷款人距离的增加而提高。由图 1可见,当借贷双方地理距离增加时,边际成本函数Cq(D)曲线向上移动到Cq(D'),边际收益函数m·pe(D)曲线向下平移到m·pe(D'),因此新的均衡点由原来的A点移动到B点,所获得的贷款量q也随之减少。
由此,提出本文的第一个研究假说:
H1 地理距离对金融机构农户信贷供给规模产生显著的负向影响,即地理距离越大,农户所能获得的贷款金额越小。
银行数字化转型(本文以Fintech反映其程度)为打破借贷双方的时空界限提供了“解题方法”。银行的数字化转型主要是通过现代的计算机信息技术、通信技术、人工智能技术等,以数字化的方式实现用户获取、用户识别、交易行为、交易记录、风险控制、信用评价、信用交换、争议解决等相关金融活动,具有远程化、场景化、便捷化、抽象化的特点,有可能缓解地理距离对金融机构农户信贷的约束。
一方面,通过数字化转型,移动互联网、大数据、云计算等现代信息技术被应用于银行收集、整合和分析借款人信息,扭转银行在借贷活动中存在的信息劣势,克服农户信息收集整合难度大、相关数据质量差、更新不够及时等问题,拓展农户信息收集渠道,缓解信贷市场中因信息不对称所产生的风险,使得银行有机会对农户进行多维度、立体式画像,建立更加高效的风险控制模式,将那些缺乏抵质押品和担保的农户纳入正规信贷体系中,提升金融机构发放农户信贷的意愿,提高农户信贷可得性。
另一方面,银行数字化转型有利于降低借贷的交易成本。传统借贷模式中,农户需要到金融机构的网点办理相关业务,金融机构需要深入农户进行贷前调查和贷后监控。地理距离越远的农户需要金融机构付出越大的交通成本和信息收集成本,降低了金融机构放贷的主动性和积极性。数字化转型后,银行采用互联网、移动通信工具等科技手段,开展农户信用体系建设,并将农户的“软信息”转化为“硬信息”。日益数字化的贷款信息束、高科技的监测手段能够减少交通成本、信息收集成本、筛选和监测成本。并且,利用技术手段,布设多功能自助设备、开发数字化管理系统,可以减少一线工作人员的数量,减少人力成本的支出,在提高银行内部运营效率的同时降低了运营成本。可见,数字金融能有效惠及那些原本被传统金融、传统征信排除在外的农村居民,帮助其缓解借贷约束,改善了存在于农村地区的金融抑制现象[44-45]。
银行数字化转型有助于降低因地理距离而产生的借贷成本,如图 2所示,即贷款人的边际成本曲线Cq(D)和Cq(D')都向下移动到Cq(Fintech),同时数字化转型将增加银行的贷款预期收益,即边际收益曲线从m·pe(D')向上移动到m·pe(D', Fintech),从而得到新的均衡点CFintech,这个点相对于之前的B点,拥有更高的贷款数量q'(Fintech),意味着银行的农户信贷供给规模扩大了。
综合以上分析,本文提出第二个研究假说:
H2 银行数字化转型能够显著缓解地理距离对金融机构农户信贷供给规模的负向影响。
三. 来自F省的经验证据
一 数据来源与描述性统计
1 数据来源
本文使用的数据来自F省农村信用社联合社(简称农信联社),为2018—2020年的混合截面数据,共有850 000个样本。剔除信息不全样本,最终保留808 084个样本。
第一类为农村信用社(简称农信社)或农商银行数据。主要来自F省农信系统67家农信社(农商银行)2018—2020年的数据,包括农户信贷数据、农户基本信息、银行层面数据。其中,农户信贷数据来自F省农信联社客户信贷管理系统,主要包括贷款金额、贷款利率、结息方式、借款用途、贷款期限、担保方式、本金违约情况、利息违约情况等;农户基本信息来自F省农信联社客户关系管理系统,主要包括性别、年龄、家庭年收入、受教育水平、是否贫困户、是否个体经营户、是否党员、健康状况、婚姻状况、是否新型农业经营主体、客户信用等级、居住地址等;银行层面的数据来自F省农信联社的业务台账,主要包括农户贷款笔数、农户信贷供给规模、贷款总额、总资产、资本充足率、资产利润率、存贷比、成本收入比、是否改制等。
第二类是地理距离的数据。这类数据由F省农信联社提供获得贷款的农户通讯地址,手工利用百度地图测算农户通讯地址与最近的农信社(农商银行)网点的距离、农户通讯地址与所在乡镇政府的距离以及农户与县农信联社(农商银行总行)的距离。
第三类是银行数字化转型指数。在参考国内外学者和相关机构做法的基础上,构建了银行数字化转型评价指标体系,包括5个一级指标和14个二级指标(见表 1),并由F省农信联社协调所辖67家农信社(农商银行)填报原始数据,之后采用优劣解距离法,通过对数据进行正向化处理、对正向化后数据进行标准化处理、计算最值距离并计算归一化得分,最终计算出每个农信社(农商银行)的数字化转型指数。
表 1 农信机构数字化转型指标构成一级指标 二级指标 投入(10%) 科技投入占比(%)=科技投入/营业收入 组织(20%) 是否单设科技部门(是或否):“是”取1,“否”取0 董(理)事会是否下设与科技或金融科技有关的专门委员会(是或否):“是”取1,“否”取0 科技部门员工占比(%)=(科技岗位员工数量+外包开发人员数量)/员工总数 业务(30%) 农e贷占比(%)=农e贷余额/贷款余额 电子交易替代率(%) 手机银行客户占比(%)=手机银行客户数/客户总数 网上银行客户占比(%)=网上银行客户数/客户总数 办公数字化(30%) 科技部门自行开发的内部系统或工具的访问量(次) 科技部门自行开发的外部系统或工具的访问量(次) 科技部门自行开发的报表数量(张) 科技部门自行开发的电子化流程数量(个) 科技部门自行开发的系统或工具(个) 业务合作(10%) 合作的金融科技公司数量(家) 第四类是银行市场结构数据。本文利用原中国银行业监督管理委员会发布的全国金融机构金融许可证信息和全国企业信用信息系统中已退出金融机构的相关信息,构建了2018—2020年F省市级和县级地区的银行业市场竞争指标:赫芬达尔—赫希曼指数(HHI),用来衡量县域内银行竞争水平。
2 变量设定及描述性统计
本文的变量选取情况如下:被解释变量为金融机构农户信贷供给规模;核心解释变量为地理距离与银行数字化水平,其中,地理距离用农户距离乡镇行社网点的远近表示,银行数字化水平用本文构建的银行数字化转型程度Fintech来表示。
由于金融机构农户信贷供给规模还受到其他因素的影响,故本文引入了控制变量。控制变量包括农户层面的控制变量和银行层面的控制变量。其中,农户层面变量包括农户是否个体经营户(是为1,否为0)、农户是否贫困户(是为1,否为0)、农户是否男性(男性为1,女性为0)、年龄、家庭年收入、受教育水平、政治面貌(中共党员为1,其他为0)、健康状况、婚姻状况(处于婚姻为1,否为0)及农户是否新型经营主体(是为1,否为0)。而银行层面变量包括银行资产规模、银行资本充足率、银行资产利润率、银行存贷比、银行成本收入比、农信社是否改制(是为1,否为0)、银行农户贷款比重及当地银行业的竞争程度。其中,当地银行业的竞争程度用赫芬达尔——赫希曼指数(HHI)来表示,该指数是负向指标,数值越大,表明银行业市场集中度越高,即竞争程度越小。为使银行竞争指标方向更符合直觉,本文构造了HHI_reverse这一变量,用1-HHI来表示,该变量数值越大,表示农户所在县(市、区)银行业的竞争程度越高。表 2展示了本文涉及的主要变量设置及描述性统计结果。
表 2 主要变量定义及描述性统计变量名称 变量定义 平均值 标准差 最小值 最大值 lnLoan 金融机构农户信贷供给规模取对数(元) 11.568 76 1.387 819 7.972 811 14.648 42 interest 农户贷款年利率 0.092 87 0.024 062 0.043 5 0.130 625 default 农户贷款是否违约(0/1) 0.143 001 0.350 074 0 1 default_1 农户贷款本金是否违约(0/1) 0.142 738 0.349 805 0 1 lndefault_amt 农户贷款违约金额取对数(元) 1.607 828 3.965 752 0 12.899 22 lnDis_bank 农户距离乡镇行社网点的距离取对数(米) 8.280 385 1.265 888 4.262 68 10.657 28 lnDis_town 农户距离乡镇政府的距离取对数(米) 8.067 497 1.171 7 4.262 68 11.432 81 lnDis_country 农户距离区县联社的距离取对数(米) 9.592 57 1.219 081 5.993 961 11.840 08 Fintech100 银行数字化水平 1.636 731 1.087 381 0.241 11.51 business 农户是否为个体经营户(0/1) 0.429 853 0.495 055 0 1 poverty 农户是否为贫困户(0/1) 0.219 779 0.414 097 0 1 gender 农户是否为男性(0/1) 0.798 051 0.401 455 0 1 age 农户年龄(岁) 42.651 47 9.562 516 20 91 lnincome 农户家庭年收入取对数(元) 12.250 74 0.866 792 9.392 745 15.039 29 edu 农户受教育水平(序数变量1—6) 3.442 855 0.807 718 1 6 party 农户是否党员(0/1) 0.023 755 0.152 285 0 1 health 农户健康状况(序数变量1—3) 2.960 112 0.213 665 1 3 marriage 农户是否处于婚姻状态(0/1) 0.750 218 0.432 887 0 1 newfarmer 农户是否为新型经营主体(0/1) 0.680 57 0.466 256 0 1 lnasset 银行资产规模取对数(万元) 13.905 73 0.829 913 11.967 22 15.437 7 Car 银行资本充足率 0.188 831 0.027 485 0.124 0.271 7 Roa 银行资产利润率 0.016 467 0.006 49 0.000 1 0.029 3 Ldr 银行存贷比 0.637 281 0.085 19 0.39 0.869 9 Cost_rev 银行成本收入比 0.313 126 0.031 982 0.242 7 0.444 8 Reform 农信社是否改制(0/1) 0.376 123 0.484 412 0 1 R_farmLoan 银行农户贷款占总贷款比重 0.771 978 0.131 165 0.103 631 0.952 141 HHI_reverse 1-农户所在区县银行业HHI 0.740 435 0.063 697 0.592 593 0.861 029 从表 2中可以看出,农户从农信社(农商银行)贷款利率的均值为9.287%;农户贷款违约的比重为14.30%,总体样本中有14.27%的农户发生本金违约现象。此外,农户到乡镇行社网点的距离(取对数,米)同农户到乡镇政府距离(取对数,米)的平均数基本一致,这侧面说明乡镇行社网点的设置多距乡镇政府比较近。
而在银行层面,在所统计的样本中,改制为农商银行的农信社占比已经超过1/3;银行资本充足率平均值较高,表明样本银行承受违约资产风险的能力比较好;银行存贷比接近64%,表明银行还存在一定的放贷空间;农户所在区县银行业的市场竞争程度相对较大(最小值大于0.5)。
二 模型设定
本文运用Probit模型来识别与分析地理距离、银行数字化转型对于金融机构农户信贷供给规模的影响,以证明银行数字化转型对于缓解农户地缘性信贷配给的意义。由于农户与农信社或者农商银行的地理距离几乎不随时间而改变,因而缺乏时间层面的变异,故难以使用面板数据模型进行分析。并且,一般来说,农户需要的贷款额度难以影响到农户与农信社或农商银行之间的地理距离,因而地理距离与贷款金额之间的反向因果关系较弱。此外,本文使用的农信社数据拥有较为丰富的银行层面和农户层面的控制变量,可以在很大程度上减少遗漏变量的问题。基于上述原因,本文没有采用因果识别中常用的准自然实验的方式,而是运用混合截面数据,通过设立交互项的Probit模型进行识别。
1 地理距离与农户贷款供给额度
在基准回归中,本文首先探究了地理距离对农户信贷金额的影响。基本回归方程设定如下:
$$ \operatorname{Loan}_i=\alpha+\beta \operatorname{Dis}_i+\delta \operatorname{Hhd}_i+\eta \operatorname{Bank}_j+\lambda_t+\varepsilon_i $$ 其中,下标i表示农户;j表示农信社,由于一个县域只有一家信用社(农商银行),所以j也表示县域;t表示年份。Loan为被解释变量,表示金融机构农户信贷供给规模。Dis为核心解释变量,表示农户与农信社(农商银行)之间的地理距离。当β为显著的负值时,表示地理距离对金融机构农户信贷供给规模存在负向影响。Hhd表示农户层面的控制变量,参考程郁等[46]的相关研究,包括是否自营工商业主、是否贫困户、是否农业新型经营主体、是否党员、家庭年收入、年龄、性别、受教育程度、婚姻状况、健康状况。Bank表示农信社(农商银行)层面的控制变量,包括是否改制、资产规模、资本充足率、盈利能力、存贷比、农户贷款占比以及市场竞争程度。λt表示年份固定效应,εi表示误差项。为控制混合截面数据潜在的自相关和异方差问题,本文将回归系数的标准误聚类(Cluster)到机构层面。
2 地理距离、银行数字化转型与农户贷款供给额度
为了探究银行数字化转型能否缓解地理距离对金融机构农户信贷供给规模的抑制作用,本文引入银行数字化转型程度这一变量。引入银行数字化转型后基本回归方程设定如下:
$$ \text { Loan }_i=\alpha+\beta \text { Dis }_i \times \text { Fintech }_j+\kappa \text { Dis }_j+\phi \text { Fintech }_j+\delta \mathrm{Hhd}_i+\eta \text { Bank }_j+\lambda_t+\varepsilon_i $$ 其中,Fintech表示银行数字化转型指数,反映了银行数字化转型的程度,代表银行数字化转型水平。其余变量定义同上式。当β为显著的正值时,表示银行数字化转型能够缓解地理距离对金融机构农户信贷供给规模的负向影响。
3 异质性检验
本文还从农户数字金融素养、区域银行竞争程度和农信社的商业化程度三个方面依次进行异质性检验。
(1) 农户数字金融素养(用受教育水平来衡量)
为研究银行数字化转型对不同数字金融素养农户贷款额度的影响,本文设定如下回归方程:
$$ \text { Loan }_i=\alpha+\beta \text { Dis }_i \times \text { Fintech }_j \times \text { Literacy }_i+\kappa \text { Controls }+\delta \mathrm{Hhd}_i+\eta \mathrm{Bank}_j+\lambda_t+\varepsilon_i $$ 其中,Literacy表示农户数字金融素养,用农户受教育水平来衡量;Controls表示三交叉项的主项和两交叉项。当β为显著的正值时,表示农户数字金融素养越高,银行数字化转型对地理距离的缓解作用越大。
(2) 区域银行竞争程度
本文设定回归方程如下:
$$ \text { Loan }_i=\alpha+\beta \text { Dis }_i \times \text { Fintech }_j \times \mathrm{HHI}_{j} \text {_reverse }+\kappa \text { Controls }+\delta \mathrm{Hhd}_i+\eta \operatorname{Bank}_j+\lambda_t+\varepsilon_i $$ 其中,HHIj_reverse表示区域内银行竞争程度,用HHI指标来衡量(实际使用1-HHI,所以该数值越大,银行竞争程度越高);Controls表示三交叉项的主项和两交叉项。当β为显著的正值时,表示区域内银行竞争越激烈,越有利于促进农信社(农商银行)利用金融科技缓解地理距离的负向作用。
(3) 农信社的商业化程度
$$ \operatorname{Loan}_i=\alpha+\beta \operatorname{Dis}_i \times \text { Fintech }_j \times \text { Reform }_j+\kappa \text { Controls }+\delta \operatorname{Hhd}_i+\eta \text { Bank }_j+\lambda_t+\varepsilon_i $$ 其中,Reform表示农信社的商业化程度,用是否改制农商行度量;Controls表示三交叉项的主项和两交叉项。当β为显著的正值时,表示农信社的商业化程度越高,越能发挥金融科技和数字化转型的作用。
四. 实证检验与讨论
一 基准回归:地理距离对金融机构农户信贷供给规模的影响
表 3展示了本文基准回归——地理距离对金融机构农户信贷供给规模影响的结果。为了增加回归结果的稳健性,本文采取逐步回归法。表 3中(1)列仅控制年份固定效应,没有控制农户层面和银行层面特征变量;(2)列控制了年份固定效应和农户层面变量;(3)列则在(2)列的基础上,进一步控制了银行层面的变量。表 3的回归结果显示,地理距离对金融机构农户信贷供给规模存在显著负向影响。这表明地理距离越远,金融机构农户信贷供给规模越小,即地理距离对金融机构农户信贷供给规模存在抑制作用。这一结果可能与两方面原因有关:一是农户距离乡镇行社网点的距离越远,农户和银行间的信息不对称越严重;二是农户距离乡镇行社网点的距离越远,交易成本就会越高,包括交通成本、时间成本等都会随距离的增加而增多。
表 3 地理距离对金融机构农户信贷供给规模的影响变量 (1)
lnLoan(2)
lnLoan(3)
lnLoanlnDis_bank -0.072 1*** -0.036 7*** -0.045 5*** (0.001 21) (0.000 937) (0.000 930) lnasset 0.113*** (0.002 90) Car -0.889*** (0.053 0) Roa 27.12*** (0.344) Ldr -1.428*** (0.014 6) Cost_rev 1.640*** (0.058 6) Reform -0.043 9*** (0.003 77) R_farmLoan -0.514*** (0.015 1) HHI_reverse 1.550*** (0.031 9) 农户层面变量 未控制 控制 控制 Constant 12.17***
(0.010 1)2.970***
(0.028 0)1.264***
(0.061 0)年份固定效应 控制 控制 控制 Observations 808 084 808 084 808 084 R-squared 0.005 0.391 0.409 注:括号内为稳健标准误;*、**、***分别表示10%、5%和1%的显著性水平,下表同。 银行层面,当地银行业的市场竞争度正向影响金融机构农户信贷供给规模(变量HHI_reverse的系数显著为正)。这可能是因为“鲶鱼效应”的存在,使得当地银行更加重视农户和中小企业等客户[47]。此外,银行农户贷款占总贷款的比重跟金融机构农户信贷供给规模负相关(变量R_farmLoan的系数显著为负),这可能与普惠金融的发展及理念相关,即农户贷款虽然总占比大,但不是集中的,而是针对有需求的农户进行小额放贷,实现普惠性的发展。而农信社改制负向影响金融机构农户信贷供给规模,这可能是因为市场化改革后,农信社存贷资金的名义利率不再由政府决定,而是由市场决定利率浮动,一定程度上增加了农户贷款的成本。
二 地理距离、数字化转型与农户贷款供给额度
表 4展示了引入银行数字化水平这一变量后,地理距离对金融机构农户信贷供给规模影响的回归结果。表 4的回归结果显示,交乘项Dis×Fintech与农户贷款金额存在正向关系,且在1%的显著性水平显著。以(3)列结果为例,当地理距离不变时,相较于未数字化转型时(即Fintech=0),Fintech增加一个标准差(1.087),将会导致农户贷款金额对数的增值等于农户距乡镇行社网点距离的对数值乘以0.015 7(0.014 4×1.087)。这意味着,银行数字化转型一定程度上抵消了地理距离带来的负向作用, 即银行数字化转型能够显著缓解地理距离对金融机构农户信贷供给规模的负向影响,银行的数字化水平越高,农户距离乡镇行社网点的距离对金融机构农户信贷供给规模的抑制作用越小。这是因为,银行数字化转型一方面能够降低银行放贷的搜寻和信息成本,从而缓解银行与农户之间的信息不对称;另一方面提高了距离农信社(农商银行)较远农户的信贷可得性,进而缓解了地理距离对金融机构农户信贷供给规模的抑制作用。
表 4 地理距离、数字化转型与金融机构农户信贷供给规模变量 (1)
lnLoan(2)
lnLoan(3)
lnLoanDis×Fintech 0.025 6*** 0.014 7*** 0.014 4*** (0.001 45) (0.001 26) (0.001 29) Fintech100 -0.113*** -0.088 3*** -0.132*** (0.011 9) (0.010 5) (0.010 9) lnDis_bank -0.104*** -0.056 7*** -0.0667*** (0.002 41) (0.001 97) (0.002 00) 农户层面变量 未控制 控制 控制 银行层面变量 未控制 未控制 控制 Constant 12.27*** 3.138*** 1.372*** (0.020 1) (0.031 5) (0.064 9) 年份固定效应 控制 控制 控制 Observations 808 084 808 084 808 084 R-squared 0.012 0.391 0.409 三 异质性
1 农户数字金融素养
银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用,对于数字金融素养不同的农户来说可能存在异质性。数字化能为农户获得信贷提供便利,减少金融排斥的现象,但由于数字化依托智能手机、大数据等技术水平要求较高的工具发展,农户不仅需要知道贷款政策,也要会使用智能手机、了解并下载相关APP,才能与数字化转型后的银行进行需求对接。对于具备一定数字金融素养的农户,他们了解金融机构贷款政策和相关条件,并会使用数字工具,较之数字金融素养较低的农户,数字化转型更容易缓解他们因地理距离带来的负向影响,提高他们的信贷可得性。所以,银行数字化转型更有利于满足数字金融素养高的农户的贷款需求,从而增加贷款金额。
表 5汇报了银行数字化水平对金融机构农户信贷供给规模在农户数字金融素养维度上的异质性影响。本文用农户受教育水平(edu)来衡量农户数字金融素养,并将Dis、Fintech与edu交乘作为三交叉项,同时将Dis、Fintech与edu分别两两组合组成两交叉项,来考察银行数字化转型对金融机构农户信贷供给规模在农户数字金融素养维度上的异质性影响。相对于表 4的回归结果,表 5中(2)列的两交乘项Dis×Fintech对金融机构农户信贷供给规模影响变得不显著,这说明银行数字化转型对金融机构农户信贷供给规模在农户数字金融素养维度上确实存在异质性。
表 5 地理距离、农户数字金融素养和金融机构农户信贷供给规模变量 (1)
lnLoan(2)
lnLoanDis×Fintech×edu 0.010 7*** 0.00516*** (0.001 93) (0.001 61) Fintech100 -0.031 1 -0.209*** (0.053 7) (0.048 9) lnDis_bank 0.163*** 0.061 2*** (0.010 9) (0.008 96) Dis×Fintech -0.010 9* -0.001 81 (0.006 56) (0.005 84) Dis×edu -0.081 3*** -0.037 9*** (0.003 28) (0.002 54) Fintech×edu -0.024 5 0.014 2 (0.015 7) (0.013 4) edu 0.268*** 0.190*** (0.027 1) (0.021 3) 农户层面变量 未控制 控制 银行层面变量 未控制 控制 Constant 11.45*** 0.511*** (0.090 3) (0.095 6) 年份固定效应 控制 控制 Observations 808 084 808 084 R-squared 0.046 0.411 表 5结果显示,交乘项Dis×Fintech×edu与金融机构农户信贷供给规模存在显著的正向关系。具体而言,交乘项Dis×Fintech×edu与农户贷款金额的回归系数为0.005 16,并且在1%的显著性水平显著。这表明,银行数字化转型在缓解地理距离对金融机构农户信贷供给规模的抑制作用方面受到农户数字金融素养的影响,农户数字金融素养越高,越能发挥金融科技和数字化转型的作用,银行数字化转型对地理距离负向影响的缓解作用越大。
2 区域内银行竞争水平
银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用,对于区域内竞争程度不同的银行来说可能存在异质性。这是因为,基于“市场势力假说”(Market Power Hypothesis),市场竞争加剧会削弱银行的垄断地位,进而促使银行更加重视农户和中小企业等客户[48-49]。市场竞争能够促进金融支农的观点也得到一些研究的验证[50-51]。而在不同的银行业竞争水平下,信息的分散程度存在差异[52],所以区域内银行竞争产生的效果也存在差异。对于银行业竞争程度较高的区县来说,为了获得农村客户、扩展市场,金融机构就会更愿意进行数字化转型,实现金融数字科技的创新,扩大涉农贷款的投放规模来抢占市场,以更好地对接和服务农村客户。但对于银行业竞争程度较低的区县来说,由于市场垄断程度较高,金融机构进行数字化转型以争取农村市场客户的动力相对较低。从这一逻辑来说,区域内银行竞争越激烈,当地银行就越有动力进行数字化转型,进而缓解地理距离对金融机构农户信贷供给规模的抑制程度。
表 6汇报了银行数字化水平对金融机构农户信贷供给规模在区域内银行竞争水平维度上的异质性影响,结果显示:交乘项Dis×Fintech×HHI_reverse与金融机构农户信贷供给规模存在显著的正向关系。具体而言,交乘项Dis×Fintech×HHI_reverse与农户贷款金额的回归系数为0.043 0,并且在10%的显著性水平显著。这表明,银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用受到当地区域内银行业竞争程度的影响,区域内银行竞争越激烈,越有利于促进农信社利用金融科技缓解地理距离的负向作用。
表 6 地理距离、银行竞争和金融机构农户信贷供给规模变量 (1)
lnLoan(2)
lnLoanDis×Fintech×HHI_reverse -0.010 3 0.043 0* (0.028 2) (0.023 9) Fintech100 -0.142 0.453*** (0.185) (0.154) lnDis_bank 0.260*** 0.130*** (0.028 0) (0.023 1) Dis×Fintech 0.048 2** -0.014 3 (0.022 0) (0.018 4) Dis×HHI_reverse -0.542*** -0.277*** (0.037 4) (0.031 0) Fintech×HHI_reverse -0.179 -0.797*** (0.237) (0.200) HHI_reverse 7.134*** 4.436*** (0.317) (0.263) 农户层面变量 未控制 控制 银行层面变量 未控制 控制 Constant 7.365***
(0.237)-0.597***
(0.202)年份固定效应 控制 控制 Observations 808 084 808 084 R-squared 0.022 0.409 3 银行商业化程度
银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用,对于商业化程度不同的银行来说可能存在异质性。这是因为,金融服务的本质是对风险进行定价,在竞争性的市场条件下,只有当金融服务产品的价格(即利率)能灵活调整并充分覆盖其风险和成本,银行等金融机构主体才会进行金融服务和产品的有效供给[53]。商业化程度较高的农商银行相对于未进行商业化改制的农信社来说,拥有了更多的自主权,如合理范围内可浮动的信贷价格使得涉农贷款利率可以覆盖银行经营的风险和成本,金融机构有激励进行涉农贷款放贷。而在这样的背景下,商业化程度较高的银行也更有激励去进行数字化转型,以缓解地理距离造成的金融供给额度不足,为农户提供贷款服务。
表 7汇报了银行数字化水平对金融机构农户信贷供给规模在银行商业化程度上的异质性影响。本文用农信社是否改制(Reform)来衡量银行商业化程度,并将Dis、Fintech与Reform交乘作为三交叉项,同时将Dis、Fintech与Reform分别两两组合组成两交叉项,来考察银行数字化转型对金融机构农户信贷供给规模在银行商业化程度维度上的异质性影响。
表 7 地理距离、银行商业化程度和金融机构农户信贷供给规模变量 (1)
lnLoan(2)
lnLoanDis×Fintech×Reform 0.049 9*** 0.005 49* (0.003 74) (0.002 90) Fintech100 0.293*** 0.032 8* (0.024 8) (0.018 4) lnDis_bank -0.059 3*** -0.059 2*** (0.003 83) (0.002 79) Dis×Fintech -0.017 5*** 0.001 51 (0.003 03) (0.002 22) Dis×Reform -0.047 9*** 0.032 6*** (0.006 34) (0.005 03) Fintech×Reform -0.570*** -0.120*** (0.030 9) (0.024 1) Reform 0.964*** -0.198*** (0.053 3) (0.042 8) 农户层面变量 未控制 控制 银行层面变量 未控制 控制 Constant 11.74*** 1.516*** (0.031 8) (0.068 1) 年份固定效应 控制 控制 Observations 808 084 808 084 R-squared 0.024 0.410 相对于表 4的回归结果,表 7中(2)列的两交乘项Dis×Fintech对金融机构农户信贷供给规模影响不显著,这说明银行数字化转型对金融机构农户信贷供给规模在银行商业化程度维度上存在异质性。表 7的回归结果显示,交乘项Dis×Fintech×Reform与金融机构农户信贷供给规模存在显著的正向关系。具体而言,交乘项Dis×Fintech×Reform与农户贷款金额的回归系数为0.005 49,并且在10%的显著性水平显著。这表明,银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用方面受到银行商业化程度影响,农信社的商业化程度越高,越能发挥金融科技和数字化转型的作用,从而缓解地理距离对金融机构农户信贷供给规模的负向作用。
四 进一步分析
1 担保方式
信息不对称问题是农村金融服务发展面临的重要问题。由于农村人口相对分散,组织化程度和市场规范化程度相对城市来说都较低,因此农村信贷市场的信息不对称问题远比城市普遍和严重。银行往往很难知道分散在农村各地的小额借贷人是否按照合同写明的目的申请贷款、获得贷款后做了些什么,也难以确认借贷人会否策略性赖账[2]。信息不对称的存在会导致农户贷款申请、获得、使用的整个过程中都面临道德风险和逆向选择问题。而担保可以在很大程度上克服信息不对称给正规金融信贷业务带来的风险,并且降低银行所面临的逆向选择和道德风险问题, 从而将违约损失降到最低[54]。可以说,有效的担保方式是解决信息不对称问题、使农民得到贷款支持的重要保障。其中,保证、抵押和质押贷款是以第三方担保人或提供一定的抵质押品作为贷款的担保,以保证贷款的到期偿还。信用贷款则是以借款人的信誉为基础发放的贷款,借款人无需提供抵押品或第三方担保,仅凭自己的信誉即以借款人信用程度作为还款保证从而获得贷款。对比来看,由于保证、抵押和质押贷款需提供借款人或担保人具有一定价值的抵质押品作为保证,相比无需提供抵质押品作为保证的信用贷款来说,更能缓解信息不对称所带来的道德风险和逆向选择问题。但在数字化的潮流下,银行数字化转型可以通过一些大数据对借款人的信用作出评价,进而决定是否发放贷款。可以说,数字化发展能在一定程度上降低信用贷款所面临的风险。因此,相比保证、抵押和质押贷款,银行数字化转型对信用贷款风险降低的效应更大。本文的分析结果也验证了这一观点。
表 8考察了不同担保方式下银行数字化转型对金融机构农户信贷供给规模的影响。结果表明,对于保证、抵押和质押贷款组来说,银行数字化转型缓解地理距离对金融机构农户信贷供给规模的负向作用不明显;而对于信用贷款组来说,银行数字化转型能显著缓解地理距离对金融机构农户信贷供给规模的负向作用,且在1%的水平显著。从经济显著性上来说,在信用贷款组中,银行数字化水平Fintech每增加一个标准差(1.087),将会导致农户贷款金额约增加1.022个单位(e1.087×0.019 6)。此外,相比于抵押、质押和保证贷款,信用贷款面临更大的信息不对称,因此,银行数字化转型对农户信用贷款的缓解作用会更大。
表 8 地理距离、担保方式和金融机构农户信贷供给规模变量 (1)
保证、抵押和质押贷款
lnLoan(2)
信用贷款
lnLoanDis×Fintech 0.001 20 0.019 6*** (0.001 06) (0.002 85) Fintech100 0.197*** -0.259*** (0.008 77) (0.024 7) lndis_bank -0.018 1*** -0.049 2*** (0.001 64) (0.004 13) 农户层面变量 控制 控制 银行层面变量 控制 控制 Constant 4.120*** 3.476*** (0.057 5) (0.152) 年份固定效应 控制 控制 Observations 680 661 127 423 R-squared 0.337 0.490 2 贷款期限
贷款期限也是银行发放贷款时考虑的重要指标之一。相比于短期贷款,中长期贷款会更多地受到政策变动和经济周期等宏观因素的冲击,借款人的经营不确定性更大,由此可能会导致借款人更严重的策略性行为和道德风险。因此,中长期贷款相较于短期贷款面临的信息不对称程度和风险更大。但随着银行数字化水平的提升,金融科技运用到针对农户的中长期贷款的申请、获得、使用过程中,在一定程度上能够减少信息不对称所带来的道德风险和逆向选择问题,从而为银行向农户发放中长期贷款提供激励。本文对农户短期贷款的定义为三年及以下的贷款期限,对中长期贷款的定义为三年以上的贷款期限。
表 9考察了不同贷款期限下银行数字化转型对金融机构农户信贷供给规模的影响,结果显示,对于三年及以下的短期贷款组来说,银行数字化转型缓解地理距离对金融机构农户信贷供给规模的负向作用不明显;而对于三年以上的中长期贷款组来说,银行数字化转型能显著缓解地理距离对金融机构农户信贷供给规模的负向作用,且在10%的水平显著。从经济显著性看,在中长期贷款组中,银行数字化水平Fintech每增加一个标准差(1.087),将会导致农户贷款金额增加约1.005个单位(e1.087×0.004 48)。此外,银行数字化转型对农户短期和中长期贷款金额均会产生显著促进作用。表 9的分析结果也进一步验证了相比于短期贷款,中长期贷款面临的信息不对称更大,因此,银行数字化转型对农户三年以上的中长期贷款的缓解作用更大。
表 9 地理距离、贷款期限和金融机构农户信贷供给规模变量 (1)
三年及以下贷款
lnLoan(2)
三年以上贷款
lnLoanDis×Fintech 0.000 177 0.004 48* (0.001 51) (0.002 52) Fintech100 0.177*** 0.136*** (0.012 0) (0.021 1) lnDis_bank -0.017 7*** -0.043 4*** (0.002 20) (0.003 80) 农户层面变量 控制 控制 银行层面变量 控制 控制 Constant 2.498*** 4.457*** (0.065 6) (0.143) 年份固定效应 控制 控制 Observations 616 901 191 183 R-squared 0.327 0.604 3 贷款投向
银行在经营时会面临许多金融风险,其中信用风险是最主要的风险,而信用风险直接与客户的选择紧密相关[55]。在审核贷款申请时,银行关注的一个重点就是客户的贷款投向。相对于其他贷款,当借款人的贷款投向为农林牧渔业时,由于其生产受到自然环境等因素的影响,借款人很难提供完备的财务信息给银行,从而更可能产生信息不对称问题。但银行数字化转型不仅可以通过金融科技对借款人的信用进行评价审核,还可以对投向为农林牧渔业的贷款农户的生产行为和作物等的生长情况进行监测,扩展抵押品范畴,降低信息不对称带来的道德风险和逆向选择风险,进而决定对相关农户发放贷款。因此,相比其他贷款投向,银行数字化转型对农林牧渔贷款投向风险降低的效应更大。本文的分析结果也验证了这一观点。
表 10考察了不同贷款投向下银行数字化转型对金融机构农户信贷供给规模的影响,回归结果显示,对于不同贷款投向组,银行数字化转型都能显著缓解地理距离对金融机构农户信贷供给规模的负向作用,且在1%的水平显著。从经济显著性看,在农林牧渔贷款组中,银行数字化水平Fintech每增加一个标准差(1.087),将会导致农户贷款金额增加约1.029个单位(e1.087×0.026 5)。此外,从置信区间来看,虽然(1)列和(2)列Dis×Fintech前的系数均显著,但是(2)列的系数明显大于(1)列。并且,在(1)列回归中,Dis×Fintech系数95%的置信区间为[0.008 162,0.014 238];在(2)列回归中,Dis×Fintech系数95%的置信区间为[0.021 6,0.031 4]。(1)列回归中Dis×Fintech系数95%的置信区间的最大值小于(2)列回归中Dis×Fintech系数95%的置信区间的最小值。表 10分析结果进一步验证了相比于其他贷款,农林牧渔贷款的信息不对称程度更大,因此,银行数字化转型对投向为农林牧渔的农户贷款的缓解作用更大。
表 10 地理距离、贷款投向和金融机构农户信贷供给规模变量 (1)
其他贷款
lnLoan(2)
农林牧渔贷款
lnLoanDis×Fintech 0.011 2*** 0.026 5*** (0.001 55) (0.002 50) Fintech100 -0.110*** -0.242*** (0.012 8) (0.022 2) lnDis_bank -0.064 3*** -0.070 0*** (0.002 65) (0.003 27) 农户层面变量 控制 控制 银行层面变量 控制 控制 Constant 1.527*** 1.386*** (0.082 4) (0.110) 年份固定效应 控制 控制 Observations 493 743 314 341 R-squared 0.442 0.349 五 稳健性检验
1 指标替换
为了进一步检验结果的准确性,本文进行了指标替换,将lnDis_bank替换成lnDis_country,其中,lnDis_country表示农户距离农信社(农商银行)总部的距离。这样替换的原因是,一些贷款需要农信社(农商银行)总部审批,因此农户距离县域总部的距离也会影响金融机构农户信贷供给规模。故本文利用lnDis_country替代lnDis_bank进行稳健性检验。
表 11回归结果显示,农户距离农信社(农商银行)总部的远近对金融机构农户信贷供给规模存在显著负向影响,即(1)列和(2)列lnDis_country的系数均为负。此外,银行数字化转型能够显著缓解农户距离农信社(农商银行)总部的距离对金融机构农户信贷供给规模的负向影响,即(3)列和(4)列Dis_country×Fintech的系数均为正。表 11的核心解释变量系数方向和显著性与表 3、表 4的回归结果保持一致,增强了本文结论的稳健性。
表 11 指标替换变量 (1)
lnLoan(2)
lnLoan(3)
lnLoan(4)
lnLoanlnDis_country -0.147*** -0.108*** -0.164*** -0.091 2*** (0.001 22) (0.001 01) (0.002 79) (0.002 29) Dis_country×Fintech 0.035 4*** 0.002 66* (0.001 69) (0.001 43) Fintech100 0.243*** 0.431*** (0.015 7) (0.013 2) 农户层面变量 未控制 控制 未控制 控制 银行层面变量 未控制 控制 未控制 控制 Constant 12.98*** 1.522*** 12.28*** 0.469*** (0.011 9) (0.059 6) (0.026 4) (0.076 2) 年份固定效应 控制 控制 控制 控制 Observations 808 084 808 084 808 084 808 084 R-squared 0.018 0.415 0.164 0.477 2 Fintech100滞后一期
为了缓解农信社(农商银行)农户贷款发放对数字化转型的反向影响,本文将Fintech100滞后一期,进行稳健性检验。表 12汇报了Fintech100滞后一期后的回归结果,从表 12中可以看出,核心解释变量均通过了显著性检验, 且各变量方向与表 3中的结果保持一致,进一步增强了银行数字化转型能够显著缓解地理距离对金融机构农户信贷供给规模的负向影响这一结论的稳健性。
表 12 Fintech100滞后一期变量 (1)
lnLoan(2)
lnLoan(3)
lnLoanDis×Fintech_1 0.026 3*** 0.015 9*** 0.012 8*** (0.001 77) (0.001 60) (0.001 62) Fintech100_1 -0.128*** -0.108*** -0.109*** (0.014 6) (0.013 3) (0.013 5) lnDis_bank -0.100*** -0.055 1*** -0.058 4*** (0.002 87) (0.002 44) (0.002 45) 农户层面变量 未控制 控制 控制 银行层面变量 未控制 未控制 控制 Constant 12.29***
(0.024 0)3.362***
(0.038 7)1.062***
(0.086 8)年份固定效应 控制 控制 控制 Observations 546 811 546 811 546 811 R-squared 0.009 0.344 0.363 五. 结论与政策启示
为研究地理距离、银行数字化水平对金融机构农户信贷供给规模的影响,本文利用F省农信系统2018—2020年的混合截面数据进行分析。研究发现,农户到乡镇农信社(农商银行)网点的地理距离对金融机构农户信贷供给规模存在负向影响,但银行的数字化水平越高,地理距离对金融机构农户信贷供给规模的抑制作用会越小。异质性分析结果表明,银行数字化转型缓解地理距离对金融机构农户信贷供给规模的抑制作用受到农户数字金融素养、区域内银行竞争程度和农信社商业化程度影响。究其原因:首先,农户数字金融素养越高,越能发挥金融科技的作用,银行数字化转型对地理距离负向影响的缓解作用越大;其次,区域内银行竞争越激烈,为了获得农村客户、扩展市场,银行就会更愿意进行数字化转型,实现金融科技的创新,扩大涉农贷款的投放规模来抢占市场,以更好地对接和服务农村客户,进而促进农信社利用金融科技缓解地理距离的负向作用;最后,银行商业化程度越高,相对于没有进行商业化改制的农信社来说,会更有激励去进行数字化转型,以缓解地理距离造成的金融排斥,为农户提供更多的信贷支持。进一步分析发现,信用贷款相比其他担保方式贷款、中长期贷款相比短期贷款、农林牧渔贷款相比其他投向贷款都会面临更大的信息不对称,因此,银行数字化转型对农户信用贷款、中长期贷款和投向为农林牧渔贷款的缓解作用更大。农户信贷约束的缓解对于乡村振兴和共同富裕具有重要意义,而银行数字化转型为打破借贷双方的时空界限、促进农村普惠金融的发展提供了“解题方法”。
本文关注这一主题,运用农信系统真实数据实证检验了银行数字化转型缓解地理距离对农户信贷供给规模的效果和机制,为惠农助农金融发展背景下银行进行数字化转型的必要性提供了经验证据,并在实践方面为我国银行数字化发展提供三点启示。
第一,缓解农户信贷约束,要注重商业银行网点优化布局。发展农村普惠金融的政策下,金融监管机构限制县域以下农村金融机构撤并网点,从而保证商业银行网点实现乡镇全覆盖。但根据中国人民银行公布的数据,目前农村金融机构的网点出现撤并趋势。本文证明了地理距离确实对农户信贷有显著影响,这意味着与农户距离较近的地方性银行、社区银行在开展农村普惠金融服务方面具有一定的优势。因此,政府和金融监管机构应该积极推进农村金融机构及其服务的多元化,优化农村金融机构网点布局,积极推动地方性银行、社区银行的发展,鼓励新型农村合作金融机构创新,保持营业网点的稳定性或优化网点布局,充分发挥线下优势。
第二,数字化转型是商业银行尤其是农村中小金融机构缓解地理距离对农户信贷的约束的一条可行途径。本文利用F省农村中小金融机构大样本的农户信贷数据和农户基本信息,证实了数字化转型有助于缓解地理距离对农户信贷的约束。因此,要积极出台相关措施引导和规范银行数字化转型,提高银行普惠金融服务的供给能力,特别要关注农户信用贷款需求、中长期贷款需求和投向农林牧渔的贷款需求。
第三,引导银行进行数字化转型时,要注重综合性发展。一是要加大力度推进农户金融素养提升工程,重视培养和提升农户的数字金融素养,不仅要让农户知道数字金融“是什么”,更要了解“怎么用”。二是要加快推进农村中小银行的商业化改造,同时注意防范当地银行服务的垄断行为,为银行进行数字化转型提供激励和契机。
-
表 1 农信机构数字化转型指标构成
一级指标 二级指标 投入(10%) 科技投入占比(%)=科技投入/营业收入 组织(20%) 是否单设科技部门(是或否):“是”取1,“否”取0 董(理)事会是否下设与科技或金融科技有关的专门委员会(是或否):“是”取1,“否”取0 科技部门员工占比(%)=(科技岗位员工数量+外包开发人员数量)/员工总数 业务(30%) 农e贷占比(%)=农e贷余额/贷款余额 电子交易替代率(%) 手机银行客户占比(%)=手机银行客户数/客户总数 网上银行客户占比(%)=网上银行客户数/客户总数 办公数字化(30%) 科技部门自行开发的内部系统或工具的访问量(次) 科技部门自行开发的外部系统或工具的访问量(次) 科技部门自行开发的报表数量(张) 科技部门自行开发的电子化流程数量(个) 科技部门自行开发的系统或工具(个) 业务合作(10%) 合作的金融科技公司数量(家) 表 2 主要变量定义及描述性统计
变量名称 变量定义 平均值 标准差 最小值 最大值 lnLoan 金融机构农户信贷供给规模取对数(元) 11.568 76 1.387 819 7.972 811 14.648 42 interest 农户贷款年利率 0.092 87 0.024 062 0.043 5 0.130 625 default 农户贷款是否违约(0/1) 0.143 001 0.350 074 0 1 default_1 农户贷款本金是否违约(0/1) 0.142 738 0.349 805 0 1 lndefault_amt 农户贷款违约金额取对数(元) 1.607 828 3.965 752 0 12.899 22 lnDis_bank 农户距离乡镇行社网点的距离取对数(米) 8.280 385 1.265 888 4.262 68 10.657 28 lnDis_town 农户距离乡镇政府的距离取对数(米) 8.067 497 1.171 7 4.262 68 11.432 81 lnDis_country 农户距离区县联社的距离取对数(米) 9.592 57 1.219 081 5.993 961 11.840 08 Fintech100 银行数字化水平 1.636 731 1.087 381 0.241 11.51 business 农户是否为个体经营户(0/1) 0.429 853 0.495 055 0 1 poverty 农户是否为贫困户(0/1) 0.219 779 0.414 097 0 1 gender 农户是否为男性(0/1) 0.798 051 0.401 455 0 1 age 农户年龄(岁) 42.651 47 9.562 516 20 91 lnincome 农户家庭年收入取对数(元) 12.250 74 0.866 792 9.392 745 15.039 29 edu 农户受教育水平(序数变量1—6) 3.442 855 0.807 718 1 6 party 农户是否党员(0/1) 0.023 755 0.152 285 0 1 health 农户健康状况(序数变量1—3) 2.960 112 0.213 665 1 3 marriage 农户是否处于婚姻状态(0/1) 0.750 218 0.432 887 0 1 newfarmer 农户是否为新型经营主体(0/1) 0.680 57 0.466 256 0 1 lnasset 银行资产规模取对数(万元) 13.905 73 0.829 913 11.967 22 15.437 7 Car 银行资本充足率 0.188 831 0.027 485 0.124 0.271 7 Roa 银行资产利润率 0.016 467 0.006 49 0.000 1 0.029 3 Ldr 银行存贷比 0.637 281 0.085 19 0.39 0.869 9 Cost_rev 银行成本收入比 0.313 126 0.031 982 0.242 7 0.444 8 Reform 农信社是否改制(0/1) 0.376 123 0.484 412 0 1 R_farmLoan 银行农户贷款占总贷款比重 0.771 978 0.131 165 0.103 631 0.952 141 HHI_reverse 1-农户所在区县银行业HHI 0.740 435 0.063 697 0.592 593 0.861 029 表 3 地理距离对金融机构农户信贷供给规模的影响
变量 (1)
lnLoan(2)
lnLoan(3)
lnLoanlnDis_bank -0.072 1*** -0.036 7*** -0.045 5*** (0.001 21) (0.000 937) (0.000 930) lnasset 0.113*** (0.002 90) Car -0.889*** (0.053 0) Roa 27.12*** (0.344) Ldr -1.428*** (0.014 6) Cost_rev 1.640*** (0.058 6) Reform -0.043 9*** (0.003 77) R_farmLoan -0.514*** (0.015 1) HHI_reverse 1.550*** (0.031 9) 农户层面变量 未控制 控制 控制 Constant 12.17***
(0.010 1)2.970***
(0.028 0)1.264***
(0.061 0)年份固定效应 控制 控制 控制 Observations 808 084 808 084 808 084 R-squared 0.005 0.391 0.409 注:括号内为稳健标准误;*、**、***分别表示10%、5%和1%的显著性水平,下表同。 表 4 地理距离、数字化转型与金融机构农户信贷供给规模
变量 (1)
lnLoan(2)
lnLoan(3)
lnLoanDis×Fintech 0.025 6*** 0.014 7*** 0.014 4*** (0.001 45) (0.001 26) (0.001 29) Fintech100 -0.113*** -0.088 3*** -0.132*** (0.011 9) (0.010 5) (0.010 9) lnDis_bank -0.104*** -0.056 7*** -0.0667*** (0.002 41) (0.001 97) (0.002 00) 农户层面变量 未控制 控制 控制 银行层面变量 未控制 未控制 控制 Constant 12.27*** 3.138*** 1.372*** (0.020 1) (0.031 5) (0.064 9) 年份固定效应 控制 控制 控制 Observations 808 084 808 084 808 084 R-squared 0.012 0.391 0.409 表 5 地理距离、农户数字金融素养和金融机构农户信贷供给规模
变量 (1)
lnLoan(2)
lnLoanDis×Fintech×edu 0.010 7*** 0.00516*** (0.001 93) (0.001 61) Fintech100 -0.031 1 -0.209*** (0.053 7) (0.048 9) lnDis_bank 0.163*** 0.061 2*** (0.010 9) (0.008 96) Dis×Fintech -0.010 9* -0.001 81 (0.006 56) (0.005 84) Dis×edu -0.081 3*** -0.037 9*** (0.003 28) (0.002 54) Fintech×edu -0.024 5 0.014 2 (0.015 7) (0.013 4) edu 0.268*** 0.190*** (0.027 1) (0.021 3) 农户层面变量 未控制 控制 银行层面变量 未控制 控制 Constant 11.45*** 0.511*** (0.090 3) (0.095 6) 年份固定效应 控制 控制 Observations 808 084 808 084 R-squared 0.046 0.411 表 6 地理距离、银行竞争和金融机构农户信贷供给规模
变量 (1)
lnLoan(2)
lnLoanDis×Fintech×HHI_reverse -0.010 3 0.043 0* (0.028 2) (0.023 9) Fintech100 -0.142 0.453*** (0.185) (0.154) lnDis_bank 0.260*** 0.130*** (0.028 0) (0.023 1) Dis×Fintech 0.048 2** -0.014 3 (0.022 0) (0.018 4) Dis×HHI_reverse -0.542*** -0.277*** (0.037 4) (0.031 0) Fintech×HHI_reverse -0.179 -0.797*** (0.237) (0.200) HHI_reverse 7.134*** 4.436*** (0.317) (0.263) 农户层面变量 未控制 控制 银行层面变量 未控制 控制 Constant 7.365***
(0.237)-0.597***
(0.202)年份固定效应 控制 控制 Observations 808 084 808 084 R-squared 0.022 0.409 表 7 地理距离、银行商业化程度和金融机构农户信贷供给规模
变量 (1)
lnLoan(2)
lnLoanDis×Fintech×Reform 0.049 9*** 0.005 49* (0.003 74) (0.002 90) Fintech100 0.293*** 0.032 8* (0.024 8) (0.018 4) lnDis_bank -0.059 3*** -0.059 2*** (0.003 83) (0.002 79) Dis×Fintech -0.017 5*** 0.001 51 (0.003 03) (0.002 22) Dis×Reform -0.047 9*** 0.032 6*** (0.006 34) (0.005 03) Fintech×Reform -0.570*** -0.120*** (0.030 9) (0.024 1) Reform 0.964*** -0.198*** (0.053 3) (0.042 8) 农户层面变量 未控制 控制 银行层面变量 未控制 控制 Constant 11.74*** 1.516*** (0.031 8) (0.068 1) 年份固定效应 控制 控制 Observations 808 084 808 084 R-squared 0.024 0.410 表 8 地理距离、担保方式和金融机构农户信贷供给规模
变量 (1)
保证、抵押和质押贷款
lnLoan(2)
信用贷款
lnLoanDis×Fintech 0.001 20 0.019 6*** (0.001 06) (0.002 85) Fintech100 0.197*** -0.259*** (0.008 77) (0.024 7) lndis_bank -0.018 1*** -0.049 2*** (0.001 64) (0.004 13) 农户层面变量 控制 控制 银行层面变量 控制 控制 Constant 4.120*** 3.476*** (0.057 5) (0.152) 年份固定效应 控制 控制 Observations 680 661 127 423 R-squared 0.337 0.490 表 9 地理距离、贷款期限和金融机构农户信贷供给规模
变量 (1)
三年及以下贷款
lnLoan(2)
三年以上贷款
lnLoanDis×Fintech 0.000 177 0.004 48* (0.001 51) (0.002 52) Fintech100 0.177*** 0.136*** (0.012 0) (0.021 1) lnDis_bank -0.017 7*** -0.043 4*** (0.002 20) (0.003 80) 农户层面变量 控制 控制 银行层面变量 控制 控制 Constant 2.498*** 4.457*** (0.065 6) (0.143) 年份固定效应 控制 控制 Observations 616 901 191 183 R-squared 0.327 0.604 表 10 地理距离、贷款投向和金融机构农户信贷供给规模
变量 (1)
其他贷款
lnLoan(2)
农林牧渔贷款
lnLoanDis×Fintech 0.011 2*** 0.026 5*** (0.001 55) (0.002 50) Fintech100 -0.110*** -0.242*** (0.012 8) (0.022 2) lnDis_bank -0.064 3*** -0.070 0*** (0.002 65) (0.003 27) 农户层面变量 控制 控制 银行层面变量 控制 控制 Constant 1.527*** 1.386*** (0.082 4) (0.110) 年份固定效应 控制 控制 Observations 493 743 314 341 R-squared 0.442 0.349 表 11 指标替换
变量 (1)
lnLoan(2)
lnLoan(3)
lnLoan(4)
lnLoanlnDis_country -0.147*** -0.108*** -0.164*** -0.091 2*** (0.001 22) (0.001 01) (0.002 79) (0.002 29) Dis_country×Fintech 0.035 4*** 0.002 66* (0.001 69) (0.001 43) Fintech100 0.243*** 0.431*** (0.015 7) (0.013 2) 农户层面变量 未控制 控制 未控制 控制 银行层面变量 未控制 控制 未控制 控制 Constant 12.98*** 1.522*** 12.28*** 0.469*** (0.011 9) (0.059 6) (0.026 4) (0.076 2) 年份固定效应 控制 控制 控制 控制 Observations 808 084 808 084 808 084 808 084 R-squared 0.018 0.415 0.164 0.477 表 12 Fintech100滞后一期
变量 (1)
lnLoan(2)
lnLoan(3)
lnLoanDis×Fintech_1 0.026 3*** 0.015 9*** 0.012 8*** (0.001 77) (0.001 60) (0.001 62) Fintech100_1 -0.128*** -0.108*** -0.109*** (0.014 6) (0.013 3) (0.013 5) lnDis_bank -0.100*** -0.055 1*** -0.058 4*** (0.002 87) (0.002 44) (0.002 45) 农户层面变量 未控制 控制 控制 银行层面变量 未控制 未控制 控制 Constant 12.29***
(0.024 0)3.362***
(0.038 7)1.062***
(0.086 8)年份固定效应 控制 控制 控制 Observations 546 811 546 811 546 811 R-squared 0.009 0.344 0.363 -
[1] STIGLITZ J E, WEISS A. Credit rationing in markets with imperfect information[J]. The American economic review, 1981, 71(3): 393-410. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1505257
[2] 周立. 农村金融市场四大问题及其演化逻辑[J]. 财贸经济, 2007(2): 56-63. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ200702009.htm [3] 何广文, 何婧, 郭沛. 再议农户信贷需求及其信贷可得性[J]. 农业经济问题, 2018(2): 38-49. https://www.cnki.com.cn/Article/CJFDTOTAL-NJWT201802006.htm [4] 朱喜, 马晓青, 史清华. 信誉、财富与农村信贷配给——欠发达地区不同农村金融机构的供给行为研究[J]. 财经研究, 2009, 35(8): 4-14. doi: 10.3969/j.issn.1001-9952.2009.08.001 [5] 马九杰, 吴本健, 周向阳. 农村金融欠发展的表现、成因与普惠金融体系构建[J]. 理论探讨, 2013(2): 74-78. doi: 10.3969/j.issn.1000-8594.2013.02.017 [6] 王国刚. 从金融功能看融资、普惠和服务"三农"[J]. 中国农村经济, 2018(3): 2-14. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ201803001.htm [7] 熊德平. 农村金融与农村金融发展: 基于交易视角的概念重构[J]. 财经理论与实践, 2007(2): 8-13. doi: 10.3969/j.issn.1003-7217.2007.02.002 [8] 曹凤岐. 建立多层次农村普惠金融体系[J]. 农村金融研究, 2010(10): 64-67. doi: 10.3969/j.issn.1003-1812.2010.10.014 [9] 焦瑾璞. 普惠金融体系建设的关键问题[J]. 中国农村金融, 2014(16): 27. doi: 10.3969/j.issn.1674-9162.2014.16.006 [10] 张启文, 刘佩瑶. 政府干预对金融机构与家庭农场信贷供需博弈影响分析[J]. 农业经济与管理, 2020(2): 67-73. doi: 10.3969/j.issn.1674-9189.2020.02.008 [11] 周南, 许玉韫, 刘俊杰, 等. 农地确权、农地抵押与农户信贷可得性——来自农村改革试验区准实验的研究[J]. 中国农村经济, 2019(11): 51-68. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ201911004.htm [12] 庄希勤, 蔡卫星. 当乡村振兴遇上"离乡进城"的银行: 银行地理距离重要吗?[J]. 中国农村观察, 2021(1): 122-143. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNCG202101008.htm [13] PRESBITERO A F, RABELLOTTI R. Geographical distance and moral hazard in microcredit: evidence from Colombia[J]. Journal of international development, 2014, 26(1): 91-108. doi: 10.1002/jid.2901
[14] QIN L, REN R, LI Q. The dual threshold limit of financing and formal credit availability with Chineserural households: an investigation based on a large scale survey[J]. Sustainability, 2018, 10: 1-18. https://ideas.repec.org/a/gam/jsusta/v10y2018i10p3577-d174140.html
[15] 董静, 汪立, 吴友. 地理距离与风险投资策略选择——兼论市场环境与机构特质的调节作用[J]. 南开管理评论, 2017(2): 4-16. doi: 10.3969/j.issn.1008-3448.2017.02.002 [16] DEGRYSE H, ONGENA S. Distance, lending relationships, and competition[J]. Journal of finance, 2005, 60(1): 231-266. doi: 10.1111/j.1540-6261.2005.00729.x
[17] ALESSANDRINI P, PRESBITERO A F, ZAZZARO A. Banks, distances and firms' financing constraints[J]. Review of finance, 2009, 13(2): 261-307. https://academic.oup.com/rof/article/13/2/261/2886495
[18] AGARWAL S, HAUSWALD R. Distance and private information in lending[J]. Review of financial studies, 2010, 23(7) : 2757-2788. https://academic.oup.com/rfs/article/23/7/2757/1586564
[19] HOLLANDER S, VERRIEST A. Bridging the gap: the design of bank loan contracts and distance[J]. Journal of financial economics, 2016, 119(2): 399-419. https://www.sciencedirect.com/science/article/pii/S0304405X15001737
[20] 张烁珣, 独旭. 银行可得性与企业融资: 机制与异质性分析[J]. 管理评论, 2019, 31(5): 3-17. https://www.cnki.com.cn/Article/CJFDTOTAL-ZWGD201905122.htm [21] BELLUCCI A, BORISOV A, ZAZZARO A. Do banks price discriminate spatially? Evidence from small business lending in local credit markets[J]. Journal of banking & finance, 2013, 37(11): 4183-4197. https://www.sciencedirect.com/science/article/pii/S0378426613002975
[22] 李华民, 吴非. 银行规模、贷款技术与小企业融资[J]. 财贸经济, 2019, 40(9): 84-101. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ201909007.htm [23] 王富燕, 刘丹. 我国农户信贷需求影响因素研究: 一个文献综述[J]. 时代金融, 2018(36): 227-229. https://www.cnki.com.cn/Article/CJFDTOTAL-YNJR201836155.htm [24] DOUMA H, BETTIOUI N, BENDOB A. The role of financial exclusion in weakening the performance of banks: dynamic panel data analysis in Algeria and Tunisia[J]. International journal of financial innovation in banking. 2020, 2(4): 279-303.
[25] 李建军, 韩珣. 普惠金融、收入分配和贫困减缓——推进效率和公平的政策框架选择[J]. 金融研究, 2019(3): 129-148. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201903008.htm [26] ZHONG W, JIANG T. Can internet finance alleviate the exclusiveness of traditional finance? Evidence from Chinese P2P lending markets[J]. Finance research letters, 2020, 40(2): 101731.
[27] 谢绚丽, 沈艳, 张皓星, 等. 数字金融能促进创业吗?——来自中国的证据[J]. 经济学(季刊), 2018, 17(4): 1557-1580. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201804012.htm [28] 樊文翔. 数字普惠金融提高了农户信贷获得吗?[J]. 华中农业大学学报(社会科学版), 2021(1): 109-119. https://www.cnki.com.cn/Article/CJFDTOTAL-HZND202101014.htm [29] 胡金焱, 李建文, 张博. P2P网络借贷是否实现了普惠金融目标[J]. 世界经济, 2018, 41(11): 169-192. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ201811009.htm [30] 吴本健, 毛宁, 郭利华. "双重排斥"下互联网金融在农村地区的普惠效应[J]. 华南师范大学学报(社会科学版), 2017(1): 94-100. [31] 粟芳, 方蕾. 中国农村金融排斥的区域差异: 供给不足还是需求不足?——银行、保险和互联网金融的比较分析[J]. 管理世界, 2016(9): 70-83. https://www.cnki.com.cn/Article/CJFDTOTAL-JLNY201206024.htm [32] 何婧, 田雅群, 刘甜, 等. 互联网金融离农户有多远——欠发达地区农户互联网金融排斥及影响因素分析[J]. 财贸经济, 2017, 38(11): 70-84. [33] 王修华, 赵亚雄. 数字金融发展是否存在马太效应[J]. 金融研究, 2020(7): 114-133. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202007007.htm [34] 彭红枫, 杨柳明, 谭小玉. 基于演化博弈的金融创新与激励型监管关系研究[J]. 中央财经大学学报, 2016(9): 92-100. https://www.cnki.com.cn/Article/CJFDTOTAL-DJRY202101009.htm [35] 米传民, 徐润捷, 陶静. 互联网金融空间聚集分析及系统性风险防范——基于t-SNE机器学习模型[J]. 财经论丛, 2019(8): 53-62. https://www.cnki.com.cn/Article/CJFDTOTAL-CJLC201908007.htm [36] 郭熙保, 周强. 长期多维贫困、不平等与致贫因素[J]. 经济研究, 2016, 51(6): 143-156. [37] 肖时花, 吴本健, 马九杰. 地理区位差异与贫困农户信贷约束成因研究[J]. 农村金融研究, 2019(1): 51-55. https://www.cnki.com.cn/Article/CJFDTOTAL-NCJR201901014.htm [38] COASE H R. The nature of the firm[J]. Economica, 1937, 4(16): 386-405.
[39] WILLIAMSON E O. Markets and hierarchies: analysis and antitrust implications[M]. NewYork: Free Press, 1975: 82-89.
[40] CERQUEIRO G, STEVEN O, KASPER R. Collateralization, bank loan rates, and monitoring[J]. The journal of finance, 2014, 70(2) : 12 -57.
[41] 张笑, 胡金焱. 地理距离、信息不对称与借款人违约风险[J]. 山东大学学报(哲学社会科学版), 2020(1): 143-153. https://www.cnki.com.cn/Article/CJFDTOTAL-SDZS202001015.htm [42] 周月书, 王雨露, 彭媛媛. 农业产业链组织、信贷交易成本与规模农户信贷可得性[J]. 中国农村经济, 2019(4): 41-54. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ201904004.htm [43] DEYOUNG R, GLENNON D, NIGRO P. Borrower-lender distance, credit scoring, and loan performance: evidence from informational-opaque small business borrowers[J]. Journal of financial intermediation, 2008, 17(1): 113-143. https://www.sciencedirect.com/science/article/pii/S1042957307000587
[44] 张勋, 万广华. 中国的农村基础设施促进了包容性增长吗?[J]. 经济研究, 2016, 51(10): 82-96. [45] 程名望, 张家平. 互联网普及与城乡收入差距: 理论与实证[J]. 中国农村经济, 2019(2): 19-41. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ201902002.htm [46] 程郁, 韩俊, 罗丹. 供给配给与需求压抑交互影响下的正规信贷约束: 来自1874户农户金融需求行为考察[J]. 世界经济, 2009(5): 73-82. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ200905007.htm [47] 马九杰, 崔恒瑜, 王雪, 等. 设立村镇银行能否在农村金融市场产生"鲶鱼效应"?——基于农信机构贷款数据的检验[J]. 中国农村经济, 2021(9): 57-79. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ202109004.htm [48] CHONG T L, LU L, ONGENA S. Does banking competition alleviate or worsen credit constraints faced by small-and medium-sized enterprises? Evidence from China[J]. Journal of banking & finance, 2013, 37(9): 3412-3424. https://www.sciencedirect.com/science/article/pii/S0378426613002240
[49] LEON, F. Does bank competition alleviate credit constraints in developing countries?[J]. Journal of banking & finance, 2015, 57: 130-142. https://www.sciencedirect.com/science/article/pii/S0378426615000813
[50] 黄惠春, 杨军. 县域农村金融市场结构与农村信用社绩效关系检验——基于GMM动态面板模型[J]. 中国农村经济, 2011(8): 63-71. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ201108008.htm [51] 谭燕芝, 杨芸. 市场化竞争对金融支农水平影响的分析——基于省际面板数据的实证研究[J]. 经济经纬, 2016, 33(3): 25-30. [52] MARQUZE R. Competition, adverse selection, and information dispersion in the banking industry[J]. The review of financial studies, 2002, 15(3): 901-926.
[53] 黄益平, 王敏, 傅秋子, 等. 以市场化、产业化和数字化策略重构中国的农村金融[J]. 国际经济评论, 2018(3): 106-124. https://www.cnki.com.cn/Article/CJFDTOTAL-GJPP201803006.htm [54] 何广文. 中国农村金融供求特征及均衡供求的路径选择[J]. 中国农村经济, 2001(10): 40-45. https://www.cnki.com.cn/Article/CJFDTOTAL-ZNJJ200110006.htm [55] 中国人民银行武汉分行征信管理处课题组. 商业银行贷款投向与贷款质量的关系研究[J]. 武汉金融, 2008(9): 45-47. https://www.cnki.com.cn/Article/CJFDTOTAL-YHQY200809017.htm -
期刊类型引用(9)
1. 余泽梁,郭沛,何琳. 数字乡村发展如何影响农户正规信贷约束与信贷规模?. 中国农业大学学报. 2025(03): 245-258 . 百度学术
2. 宋文豪,黄祖辉,李夏欣. 新型农村金融机构发展对农户农业信贷的影响——基于大样本微观农户的实证研究. 农村经济. 2025(02): 66-76 . 百度学术
3. 黎少仪. 金融数字化转型助力肇庆“百千万工程”的路径研究. 产业创新研究. 2024(09): 121-123 . 百度学术
4. 王慧. 基于机制改革的金融机构数字化转型实践. 山西财经大学学报. 2024(S1): 46-48 . 百度学术
5. 晁楠,杨海芬. 金融科技与农村中小银行信贷供给水平:作用机制与异质性分析. 西部金融. 2024(04): 58-64 . 百度学术
6. 刘自强,封秋硕. 商业银行数字化转型何以助推企业高质量发展?. 金融理论与实践. 2024(06): 24-42 . 百度学术
7. 萨茹拉,马婷婷,杜晓彤. 数字普惠金融对农村居民收入影响分析——基于282个地级以上城市面板数据. 金融理论与教学. 2024(04): 29-37 . 百度学术
8. 张建刚,王星辰. 银行数字化转型能否促进家庭消费“扩容提质”. 金融经济. 2024(07): 50-64 . 百度学术
9. 潘天灵. 银行数字化转型、组织效能与经营效率. 浙江金融. 2023(07): 41-52 . 百度学术
其他类型引用(10)