The Impact of Digital Inclusive Finance on the Risk-Taking of Rural Financial Institutions: Inhibition or Promotion
-
摘要: 防范农村金融风险、完善农村金融机构风险控制体系，是提高农村金融服务可得性的关键，也是金融助力乡村振兴的必要条件。数字普惠金融作为技术驱动的金融创新，为控制农村金融机构风险承担水平提供了新的发展思路。使用中国982家农村信用社和农村商业银行2014—2016年的数据，利用面板固定效应模型，探讨数字普惠金融对农村金融机构风险承担的影响，并进一步利用面板门槛模型，分析数字普惠金融对不同资产规模的农村金融机构风险承担的差异性影响，发现数字普惠金融与农村金融机构风险承担之间存在倒“U”型关系：随着数字普惠金融发展程度不断加深，农村金融机构风险承担水平先上升后下降，且这一结果在使用工具变量缓解内生性问题和一系列稳健性检验后依然成立。进一步研究发现，不同资产规模的农村金融机构对数字普惠金融的响应也不同，具体表现在：小型金融机构风险承担水平随着数字普惠金融发展程度提高而提高；大中型金融机构风险承担水平随着数字普惠金融发展程度提高而降低，并且数字普惠金融更有利于大型金融机构风险承担水平的降低。因此，农村金融机构在发展数字普惠金融时应当结合自身实际选择合适的数字化程度，监管部门也应当针对数字普惠金融不同发展阶段出台相应的引导措施，精准助力农村金融发展。Abstract: Preventing rural financial risks and improving the risk control system of rural financial institutions are the key to improving the availability of rural financial services and the necessary conditions for financial assistance to rural revitalization. As a technology-driven financial innovation, digital financial inclusion provides a new development idea for controlling the risk taking level of rural financial institutions. Using data from 982 rural credit cooperatives and rural commercial banks in China from 2014-2016, this paper explores the impact of digital inclusive finance on the risk-taking level of rural financial institutions using a panel fixed-effects model, and further analyzes the differential impact of digital inclusive finance on the risk-taking level of rural financial institutions with different asset sizes using a panel threshold model. It is found that there is an inverted "U" -shaped relationship between digital financial inclusion and risk taking of rural financial institutions: as the development of digital inclusive finance increases, the risk-taking level of rural financial institutions increases and then decreases This result is still established after the use of instrumental variables to alleviate endogenous problems and a series of robustness tests. Further research found that the risk bearing level of small financial institutions increases with the improvement of the development degree of digital financial inclusion; the risk bearing level of large and medium-sized financial institutions decreases with the improvement of the development degree of digital financial inclusion, and the digital financial inclusion is more conducive to the reduction of the risk assumption level of large financial institutions. Therefore, rural financial institutions should choose the appropriate digital degree when developing digital inclusive finance, and the regulatory authorities should also introduce corresponding guiding measures for the different development stages of digital inclusive finance to help the development of rural finance.
-
一. 问题提出
2022年4月，习近平总书记在中共中央政治局第三十八次学习会议上指出，要着力防范和化解金融风险，精准把握可能带来系统性风险的重点领域和重点对象。随着金融助力乡村振兴力度不断加大，农村金融机构在极大地改善农村金融服务的同时面临的风险也日益增多，在资本运行中面临着信用风险突出、操作风险加剧等一系列问题。截至2021年6月底，中国共有农村信用社609家、农村商业银行1 569家①，其中农村商业银行不良贷款比率为3.58%②，明显高于同期商业银行1.76%③的不良贷款率。农村金融机构在风险承担能力方面存在的局限，一定程度上影响了其服务乡村振兴的能力，制约了中国农村经济高质量发展。
近年来，数字普惠金融的快速发展打通了传统农村金融服务面临的诸多难题，推动了农村金融机构的转型与升级[1]。依托于人工智能、大数据和云技术等高新信息技术，数字普惠金融打破了农村金融机构在空间和时间上的成本约束，缓解了农村金融机构和农村用户间的信息不对称，促进了农村金融循环[2-3]。同时，在数字技术赋能下，农村金融机构资金来源更为丰富和充沛，有利于其在经营策略、服务方式以及监控机制等各领域作出转变[4-5]。传统业务的转变和新业务的发展，一方面对农村金融机构的风险控制提出了更高的要求，另一方面也为农村金融机构完善风险控制体系、降低风险承担水平提供了新的发展机遇。
因此，在当前背景下研究数字普惠金融对农村金融机构风险承担的影响，不论是对于提供服务的农村金融机构而言，还是对于促推金融精准服务乡村振兴并拉动农村需求增长、加快构建新发展格局都具有积极意义。数字普惠金融的发展如何影响农村金融机构的风险承担水平？这种影响对于不同类型农村金融机构是否存在差异？在数字普惠金融不断发展的背景下，通过理论研究和实证检验分析以上问题，可以为农村金融机构建构合理的风险监控体系、完善风险监管运营机制、切实提升抗风险能力，提供理论基础和决策参考。
二. 文献综述
农村金融机构作为中国银行类金融机构的一种，风险承担水平同其他银行类金融机构一样受到宏观和微观两个层面因素的影响。在宏观层面，大部分学者主要关注货币政策[6-12]、地区经济发展水平[13]、利率市场化[14-16]、监管约束[17]等宏观经济环境对银行类金融机构风险承担水平的影响。例如，梁伟森和程昆研究发现资本监管约束增强有助于农村中小金融机构充实资本，进而降低风险承担[17]。在微观层面，资产规模[18]、运营效率[19]及公司治理[20-21]也会对银行类金融机构风险承担水平造成影响。而农村金融机构风险承担除了具有普通银行类金融机构风险暴露的一般共性外，还由于所处环境、服务对象、经营结构的不同具有了特殊性。农村金融机构的贷款对象主要为农户和中小企业主，其经营规模小、信息透明度低和缺乏抵押品的特征导致农村金融机构面临的风险一直处于较高水平[22]。据银监会统计，2020年前三季度，农村金融机构的不良贷款率超过4%，是银行类金融机构平均不良贷款率的2倍多。同时，农村金融机构通常具有支农服务的政策使命，涉农贷款所占比重较大，面临较高的贷款违约风险[23]。
数字普惠金融作为大数据技术与大金融市场有效衔接的载体，在缓解金融服务信息不对称、打破物理网点限制、降低运营成本和扩大金融服务覆盖面中发挥着重要作用[24-25]，极大地提高了农村金融机构的运营效率[26]，为控制农村金融机构风险承担水平提供了新的发展思路。然而，现有研究大多从技术更新[27]、行业竞争[28-29]、银行业务[30-31]等角度出发探讨数字普惠金融与银行类金融机构风险承担的关系。例如，李牧辰和封思贤认为数字普惠金融发展拓展了商业银行业务、提高了经营效率，从而对商业银行风险承担产生具有线性趋势的正面影响[32]；邱晗等则发现数字普惠金融在一定程度上推动了利率市场化发展，提高了银行负债成本，使得商业银行更加依赖同业拆借吸收资金并提高自身风险承担水平以弥补增加的成本[33]；郭品和沈悦则从动态演进视角得出数字普惠金融与商业银行风险呈“U”型趋势，认为未来数字普惠金融将抬高商业银行的风险承担[34]。
上述研究虽为我们理解数字普惠金融与金融机构风险承担水平二者关系提供了宝贵参考，但均未考虑到农村金融机构的特殊性。杨东研究发现数字普惠金融在农村金融机构内推进中存在发展水平不均衡、资源投入有限、自主创新不足等问题，可能带来新的技术风险甚至系统性风险[35]。但其研究仅停留在定性研究阶段，缺少实证分析的检验。田雅群等、张正平等发现农村金融机构风险管理制度普遍不完善，缺乏风险防范意识，在数字普惠金融复杂化了交易路径、拉长了行业链条的情况下，极易引发支付风险的蔓延[36-37]。然而，他们的研究并未考虑到不同资产规模的农村金融机构风险承担水平可能对数字普惠金融的响应存在差异。
据此，本文在已有研究基础上对数字普惠金融与银行类金融机构风险承担的关系做进一步补充拓展：(1)探索数字普惠金融对农村金融机构风险承担的影响效果，并利用中国982家农村商业银行和农村信用社2014—2016年的数据，运用面板固定效应模型实证分析数字普惠金融的影响，为控制农村金融机构风险承担水平、提高农村金融服务可得性提供新的思路；(2)借鉴Hansen提出的“面板门限回归”方法[38]，探讨数字普惠金融对不同资产规模的农村金融机构风险承担水平的影响，为农村金融机构结合自身条件进一步发展数字普惠金融提供有益建议。
三. 研究机理与假说
一 数字普惠金融影响农村金融机构风险承担水平的机制探讨
数字普惠金融发展大致可分为两个阶段，每个发展阶段呈现不同的特征。第一个发展阶段为平台建设阶段，主要特征为传统金融服务互联网化：数字金融概念被提出并初步发展，互联网被当作信息传递的媒介，为大众提供金融服务。第二个发展阶段为深度融合阶段，主要特征为以技术拓宽金融服务空间，解决场景实际需求：数字普惠金融实现飞跃式发展，数字普惠金融体系建设基本完成，金融服务也更加简便、高效，并且落实深度高，能够解决传统金融尚未覆盖或者覆盖不足人群的金融需求，实现普惠金融的目标。
在平台建设阶段，农村金融机构将发展数字普惠金融的重点放在依托数字技术改造传统业务，打通“线上+线下”金融服务渠道，构建数字普惠金融立体化服务平台。传统金融业务服务模式的转变，一方面简化业务办理流程，提高农村金融机构经营效率；另一方面也因为新技术、新模式的到来而对金融服务人员业务熟练度和专业度提出更高的要求[4]。然而，数字普惠金融在实际运营过程中，由于缺乏可靠的行业操作规范导致基层金融服务提供者往往存在业务素质不强、工作理念和手段未能跟上技术升级等问题，使得农村金融机构面临较高的操作风险。此外，农村金融机构在构建数字普惠金融体系时需要投入大量成本。为了维持持续经营、获取经营利润，农村金融机构有贷款给高风险高收益客户的内生动力，但又缺乏配套监管机制，导致内部欺诈事件极易发生，操作风险水平进一步加大。同时，成本的提高不可避免地使农村金融机构面临较大的流动性压力，流动性风险增加。在数字普惠金融平台建设阶段，农村金融机构除了操作风险和流动性风险增加，技术风险暴露水平也提高了。与国有银行或大型商业银行不同，农村金融机构由于自身资金规模较小，在进行数字化转型时通常选择与第三方技术平台合作，这就增加了数据泄露的风险。而一个服务商往往会同时支持多个金融机构，导致服务器故障的潜在风险上升。因此，在数字技术刚进入普惠金融领域时，农村金融机构虽然能够借助技术进步提高金融服务触达能力，但由于数字普惠金融体系尚未成熟，产生了更高的操作风险、流动性风险和技术风险，风险承担水平提高。
在深度融合阶段，数字普惠金融体系建设已经基本完成，不仅创新了金融服务模式，而且将金融机构与政府、商户资源进行整合，数据控制能力得到质的飞跃。在这一阶段，农村金融机构借助成熟的大数据技术和信息网络，打破传统金融机构的数据结构，丰富数据维度，进而扩大了风险数据源，缓解了与农村用户间的信息不对称，提升了数据准确性和客户甄别度，有效地降低了信用风险水平。此外，农村金融机构在资源整合的基础上，能够有效帮助农村客户提高应对风险冲击的能力，进而减少农户违约，降低信用风险。在流动性风险方面，数字普惠金融一方面形成规模优势，使得农村金融机构交易、运营成本降低[24]，流动性压力减弱；另一方面扩大农村金融服务覆盖面，提高农村金融机构资源配置效率[25]，产品利润上升，盈利能力提高，降低了金融机构流动性风险。因此，在数字普惠金融发展的深度融合阶段，农村金融机构依托成熟的数字普惠金融体系降低了信用风险和流动性风险，进而使得总体风险承担水平降低。
总体来看，数字普惠金融对农村金融机构风险承担水平的影响在建设初期会促使银行提高自己的风险承担水平，随着数字普惠金融程度加深，又有减少金融机构风险承担的趋势。基于以上分析，数字普惠金融对农村金融机构风险承担存在影响，并以此提出假说1。
H1 数字普惠金融对农村金融机构风险承担水平的影响呈现先促进后抑制的倒“U”型趋势。
二 数字普惠金融的门槛效应
无论是处于平台建设期还是处于深度融合期，农村金融机构在发展数字普惠金融过程中都需要投入大量的人力、物力。因此，数字普惠金融发展会因农村金融机构资产规模的不同而对风险承担水平产生差异化影响，即数字普惠金融对农村金融机构风险承担的影响存在“门槛”。相较于资产规模较小的农村金融机构而言，资产规模较大的农村金融机构一方面在金融科技创新方面投入更大，一定程度上能够抑制数字普惠金融平台建设期农村金融机构技术风险的提高；另一方面，拥有更完善的组织管理架构与专业性更强的基层从业人员，能有效地抑制农村金融机构在建设数字普惠金融平台过程中操作风险的提高。并且，规模较大的金融机构因在产品体系、业务门类、经营领域、企业管理、科技水平等方面的优势而更便于通过深度融合的数字普惠金融整合多方资源，进行多元化经营与用户信用管理，从而降低农村金融机构的风险承担水平。基于以上分析，数字普惠金融对农村金融机构风险承担的影响存在门槛效应，由此提出假说2。
H2 数字普惠金融对农村金融机构风险承担的影响存在门槛效应：当农村金融机构资产规模较小时，数字普惠金融将会提高农村金融机构风险承担水平；当农村金融机构规模较大时，数字普惠金融将会降低农村金融机构风险承担水平。
图 1为数字普惠金融对农村金融机构风险承担水平的影响机理图。
四. 研究设计
一 变量选取
1 农村金融机构风险承担的衡量
在金融机构风险承担的衡量方面，已有研究主要选用Z值、不良贷款率(NPL)、逾期违约概率(EDF)、加权风险资产比率(Riskratio)等指标衡量商业银行的风险承担水平[19]。Z值主要衡量破产风险，而逾期违约概率较难获取，因此本文主要借鉴陈玉婵和江曙霞的方法，采用加权风险资产比率(Riskratio)衡量农村金融机构风险承担水平，并在稳健性检验中使用不良贷款率(NPL)作为替代变量[39]。
2 数字普惠金融发展程度
本文借鉴谢绚丽等的做法[40]，选用北京大学数字金融研究中心发布的中国数字普惠金融指数(Digital Financial Inclusion Index of China，DFIIC)[41]刻画农村金融机构数字普惠金融发展程度。该指数是目前国内研究使用最广泛的数字普惠金融发展程度替代性指标。
3 控制变量
除了数字普惠金融发展程度之外，农村金融机构风险承担水平还受到宏观和微观两个层面因素的影响，因此本文从宏观经济指标和金融机构微观个体指标两个方面选取模型的控制变量。
宏观经济指标包括反映宏观经济水平的人均GDP和代表货币政策松紧的广义货币供应量(M2)。由于包括国内生产总值在内的宏观经济变量往往具有一定的“惯性”，即表现出路径依赖特征，前期水平对当期结果很可能存在不可忽视的影响，故在回归时采用上一年的宏观经济变量作为控制变量的实际取值。
影响农村金融机构风险承担水平的微观个体指标主要包括衡量金融机构资本结构的存贷比(LTD)、反映金融机构资产质量水平的固定资产比率(FAR)、代表商业银行多元化经营程度的非利息净收入比营业收入(DIV)、资本充足率(CAR)、银行规模(lnasset)以及总资产收益率(ROA)。具体变量的名称与含义详见表 1。
表 1 变量名称及含义变量 变量名称及符号 定义 被解释变量 加权风险资产比率(Riskratio) 加权风险资产占总资产的比重 不良贷款率(NPL) 不良贷款占总贷款余额的比重 核心解释变量 数字普惠金融发展指数(DFIIC) 北京大学数字普惠金融指数/100 控制变量 地区经济发展水平(lngdp) 人均GDP取对数 广义货币量(M2) 广义货币供应量 存贷比(LTD) 贷款总额/存款总额 固定资产比率(FAR) 固定资产占总资产比率 多元化经营程度(DIV) 非利息净收入/营业收入 资本充足率(CAR) 资本总额/加权风险资产 银行规模(lnasset) 银行总资产取对数 资产收益率(ROA) 净利润/平均资产总额 二 假说检验模型构建
1 固定效应模型
为更好地研究数字普惠金融影响农村金融机构风险承担的影响，验证倒“U”型曲线的存在，本文引入数字普惠金融指数的平方项，构建如下面板固定效应回归模型：
$$ \mathrm{RISK}_{i t}=\alpha_0+\alpha_1 \mathrm{DFIIC}_{i t}+\alpha_2 \mathrm{DFIIC}_{i t}^2+\alpha_3 X_{i t}+\varphi_i+\delta_t+\varepsilon_{i t} $$ 其中，被解释变量RISK表示银行风险承担水平，用加权风险资产表征农村金融机构的风险承担能力，并使用不良贷款率(NPL)进行稳健性检验; DFIIC代表数字普惠金融指数，DFIIC2是其平方项；X为将要引入模型的其他控制变量所组成的向量集；i和t分别代表各农村金融机构和年份；α0—α3为待估参数；ε为随机扰动项；φi表示个体固定；δt表示年份固定。
在固定效应模型中，若数字普惠金融指数的一次方和二次方项的系数α1、α2均显著不为零，二者的符号主要有以下几种可能性：(1)α1 < 0，α2 < 0；(2)α1 < 0，α2>0；(3)α1>0，α2 < 0；(4)α1>0，α2>0。由于数字金融和商业银行风险承担的指标在现实情况下均为正，所以有且仅有第三种情况，二次曲线开口向下，转折点在X轴右侧，满足假设1，即数字金融的发展对商业银行风险承担水平的影响呈现倒“U”型的趋势。
2 面板门槛模型
资产规模会影响数字普惠金融影响农村金融机构风险承担的影响效果。为检验数字普惠金融影响农村金融机构风险承担的门槛效应，本文选择农村金融机构资产规模(lnasset)作为门槛变量，在Hansen研究成果的基础上，构建如下面板门槛模型：
$$ \operatorname{RISK}_{i t}=\beta_0+\beta_{11} \mathrm{DFIIC}_{i t} \cdot I\left(Y_{i t} \leqslant \Psi_1\right)+\beta_{12} \mathrm{DFIIC}_{i t} \cdot I\left(Y_{i t}>\Psi_1\right)+\beta_2 Z_{i t}+\varphi_i+\delta_t+\tau_{i t} $$ 其中β0、β2为待估参数；β11、β12分别为DFIIC在门限值两侧区制中对农村金融机构风险承担的不同影响系数；ψ1为单一门限值；I(·)为指示函数；Y为所选取的门限变量；Z为其他对农村金融机构风险承担会产生影响的控制变量；τ为随机扰动项；φi表示个体固定；δt表示年份固定。
三 样本选择及描述性统计
本文选取了中国982家农村信用社和农村商业银行2014—2016年的数据。其中，银行特征变量来自中国银行业监督管理委员会；人均GDP、广义货币供应量等宏观经济指标来自于《中国县域统计年鉴》，部分缺失数据通过查找各省统计年鉴加以补充。
数字普惠金融指数来自北京大学数字金融研究中心，该指数城市级指标的计算始于2011年，县域指标的计算最早为2014年。本文将县域数据与农村金融机构数据相匹配，部分缺失值用城市级的数据补齐。在稳健性检验中，只使用2011—2016年城市级数据与农村金融机构匹配，结果发现仍然稳健。
各变量的描述性统计如表 2所示。为了避免异常值出现，对变量进行了缩尾处理，删去了前后1%的极值。核心解释变量为数字普惠金融指数百分比值(DFIIC)，平均值为0.678，最小值为0.123，最大值为1.317。总体来看，数字普惠金融发展较为迅速，但地域之间存在一定的差异。
表 2 主要变量的描述性统计变量 样本量/个 均值 标准差 最小值 最大值 Riskratio 2 745 0.568 0.1 0.141 0.932 NPL 2 745 0.049 0.071 0.004 0.452 DFIIC 2 745 0.678 0.214 0.123 1.317 lngdp 2 745 10.263 0.650 8.600 12.107 M2 2 745 139.024 13.136 122.838 155.007 lnasset 2 745 13.105 0.692 10.912 14.809 ROA 2 745 0.011 0.006 0 0.029 CAR 2 745 0.073 0.022 0.013 0.136 LTD 2 745 0.655 0.118 0.373 0.996 DIV 2 745 0.046 0.086 0 0.447 FAR 2 745 0.009 0.007 0.001 0.049 五. 实证结果及分析
一 数字普惠金融与农村金融机构风险承担的基准回归分析
为了判断数字普惠金融影响农村金融机构风险承担具体的作用方向和影响程度，本文采用面板数据固定效应模型进行回归分析，回归结果如表 3所示。其中，模型(1)是仅加入核心解释变量一次项(DFIIC)的回归结果；模型(2)是在模型(1)基础上加入核心解释变量二次项(DFIIC2)的回归结果；模型(3)是在模型(2)基础上加入核心解释变量三次项(DFIIC3)的回归结果。为保证回归结果的稳健性，本文采用聚类稳健标准误进行回归，调整后的R2从模型(1)的0.80增加至模型(2)的0.81，回归模型解释程度较好。实证结果显示，加入一次项和二次项的回归结果均在1%的显著性水平上存在显著的相关关系，而加入三次项后回归结果不显著。根据二次项回归结果即模型(2)，数字普惠金融发展对农村金融机构风险承担影响一次项系数为正，二次项系数为负，转折点(1.038)位于X轴右侧且包含在样本中数字普惠金融指数的取值范围内。以上分析结果表明，数字普惠金融与农村金融机构风险承担之间存在倒“U”型关系，假说1成立。
表 3 固定效应模型下数字普惠金融与农村金融机构风险承担水平的回归结果变量 Riskratio (1) (2) (3) DFIIC 0.046*** 0.104*** 0.094** (0.007) (0.016) (0.038) DFIIC2 -0.05*** -0.034 (0.01) (0.059) DFIIC3 -0.008 (0.029) 拐点 1.038 常数项 2.37*** 2.403*** 2.405*** (0.182) (0.181) (0.182) 控制变量 控制 控制 控制 估计方法 静态FE 静态FE 静态FE 年份固定效应 控制 控制 控制 个体固定效应 控制 控制 控制 样本量/个 2 745 2 745 2 745 R2 0.808 0.81 0.81 注：*、**、***分别表示在10%、5%、1%的统计水平上显著，括号内为标准误，下表同。 根据倒“U”型结果可知，在数字普惠金融发展程度较低时，数字普惠金融发展会通过“缺乏行业操作规范”“增加成本投入”等途径增加农村金融机构面临的风险。但随着数字技术进一步驱动金融服务创新，农村金融机构的风险承担水平会降低，农村金融机构可以实现低风险和普惠性二者结合。其他控制变量的回归结果与已有研究结果大体相同，囿于篇幅不再详细列出。
二 内生性检验
在模型(2)中，数字普惠金融对农村金融机构风险承担水平的影响可能会受到其他因素的影响而发生偏移。一方面，影响农村金融机构风险承担水平的因素较多，目前数据所涉及的控制变量难以防止遗漏变量的产生；另一方面，数字普惠金融发展会对农村金融机构风险承担水平造成影响，同时农村金融机构风险承担水平的高低也会影响数字普惠金融的发展程度，即数字普惠金融与农村金融机构风险承担水平存在一定的互为因果关系。由于可能存在遗漏变量和反向因果问题，本文借鉴黄群慧等的方法，通过工具变量法缓解内生性问题，识别数字普惠金融发展影响农村金融机构风险承担水平的净效应[42]。
从金融服务在中国农村地区的发展历程看，金融走进普通农户视野基本是从拥有银行储蓄卡或借记卡开始的，接着才是贷款、信用卡、银行APP等多种形式金融服务。因此，借记卡人均拥有量高的地区也极有可能是数字普惠金融发展程度较高的地区。同时，由于互联网技术高速发展以及金融业务不断丰富创新，借记卡人均拥有量也难以影响农村金融机构风险承担水平。基于上述逻辑，本文选取农村金融机构借记卡人均拥有量(Card)作为数字普惠金融指数的工具变量，运用二阶段最小二乘法(Two Stage Least Square, 2SLS)进行回归，回归结果如表 4所示。与模型(2)回归结果相比，加入工具变量后，核心解释变量系数符号未变，绝对值变大，而且依然显著。
表 4 内生性检验结果变量 一阶段 二阶段 (4)
DFIIC(5)
DFIIC2(6)
RiskratioCard 2.62e-06***
(1.00e-06)4.18e-06***
(1.32e-06)Card2 -7.95e-11**
(3.08e-11)-9.25e-11***
(3.11e-11)DFIIC 1.102***
(0.319)DFIIC2 -0.569**
(0.236)常数项 -1.113***
(0.0689)-1.847***
(0.320)0.102
(0.206)控制变量 控制 控制 控制 年份固定效应 控制 控制 控制 个体固定效应 控制 控制 控制 样本量/个 2 807 2 807 2 807 三 资产规模门槛效应回归结果分析
在验证了数字普惠金融与农村金融机构风险承担水平存在倒“U”型关系后，本文基于面板门槛模型，以农村金融机构资产规模(lnasset)为门槛变量，研究数字普惠金融的门槛效应。在运用面板门槛模型估计时，需要首先确定门限数量，再分析门槛回归结果。
1 门槛效应的检验
本文借鉴孙戈兵等的门限效应检验方法[43]，依次对单一门限、双重门限和三重门限进行估计，得到F统计量和采用Bootstrap反复抽样500次得出P值，结果见表 5。由表 5可以看出，当以资产规模(lnasset)为变量时，单一门限、双重门限和三重门限的F统计量分别为155.21、97.34和62.28，其中单一门限和双重门限均在1%的水平下显著，因此基于统计结果本文将利用双重门槛估计进行分析。表 6给出了数字普惠金融影响农村金融机构风险承担水平门槛变量的估计值，分别为13.270 8和13.743 3。
表 5 门槛模型检验门槛模型 F值 P值 自抽样次数 临界值 1% 5% 10% 单一门限 155.21*** 0.000 0 500 29.533 3 22.426 8 18.258 7 双重门限 97.34*** 0.000 0 500 30.204 6 21.485 6 18.059 3 三重门限 62.28 0.516 0 500 127.495 6 105.671 4 92.763 2 表 6 门槛值及置信区间门槛变量 因变量 门槛值 置信区间 lnasset Riskratio 第一门槛 13.270 8 [13.258 4, 13.276 5] 第二门槛 13.743 3 [13.728 2, 13.761 7] 2 门槛效应回归结果
表 7给出了以资产规模(lnasset)为门槛变量时，数字普惠金融对农村金融机构风险承担水平影响的估计结果。由表 7可知，资产规模(lnasset)的回归结果均在1%的水平上显著，再次证实数字普惠金融对农村金融机构风险承担水平的影响具有双重门槛效应。按照两个不同的门槛值将农村金融机构分为资产规模较小(lnasset≤13.270 8)、资产规模适中(13.270 8 < lnasset≤13.743 3)和资产规模较大(lnasset>13.743 3)三类进行比较。当lnasset≤13.270 8时，数字普惠金融指数在5%的显著水平上对农村金融机构风险承担产生负向影响，作用系数为0.008，意味着数字普惠金融会导致规模较小的农村金融机构面临更大的风险；当13.270 8 < lnasset≤13.743 3时，数字普惠金融指数在1%的显著水平上降低农村金融机构风向承担水平，作用系数为-0.018，说明金融机构资产规模的增加总体上会提高数字普惠金融发展过程中商业银行应对风险的能力；当lnasset>13.743 3时，数字普惠金融指数在1%的显著水平上降低农村金融机构风向承担水平，作用系数为-0.047，表明相较于规模适中的金融机构，数字普惠金融能更大程度地降低规模较大的农村金融机构的风险承担水平。以上结果证明假说2成立。
表 7 门限回归结果变量 Riskratio
(7)DFIIC(lnasset≤13.270 8) 0.008**
(0.004)DFIIC(13.270 8 < lnasset≤13.743 3) -0.018***
(0.004)DFIIC(lnasset>13.743 3) -0.047***
(0.004)控制变量 控制 常数项 -0.052
(0.072)年份固定效应 控制 个体固定效应 控制 样本量/个 2 745 四 稳健性检验
为保证研究结果的稳健性，以不良贷款率(NPL)作为银行风险承担的替代指标进行估计，限于篇幅，结果暂不列示。回归结果显示，各个模型中数字普惠金融指数DFIIC的估计系数显著为正，而二次项(DFIIC2)系数显著为负，且控制变量的结果未发生变化，稳健性检验再次证实了假设1，表明本文的研究结论并不会因银行风险承担变量的改变而出现偏倚。
六. 结论与政策建议
数字普惠金融基于互联网技术，在为传统金融业的经营模式带来颠覆性冲击的同时，也为农村金融机构的跨越式发展提供了蜕变式机遇。本文运用中国982家农村商业银行和农村信用社2014—2016年的数据，通过面板固定效应模型和面板门限模型考察了数字普惠金融对农村金融机构风险承担的影响。实证结果表明，数字普惠金融与农村金融机构风险承担之间存在倒“U”型关系。大型农村金融机构在推动数字普惠金融发展时，不仅能抑制平台建设期数字普惠金融带来的风险冲击，而且能在深度融合期更好地利用数字普惠金融整合各方资源，从而降低自身风险承担水平；中型农村金融机构虽不能达到大型农村金融机构高度整合资源的水平，但也能在一定程度上抵御数字普惠金融带来的潜在风险，从而也降低了自身风险承担水平；小型农村金融机构则既不能在平台建设期抵御数字普惠金融带来的风险冲击，也不能很好地在深度融合期整合资源、提高自身管理风险能力，导致自身风险承担水平提高。因此，有必要结合农村金融机构现阶段特点，引导不同资产规模的农村金融机构推动数字普惠金融发展。
一 农村金融机构应结合自身实际推动数字普惠金融发展
数字普惠金融对农村金融机构风险承担的影响可谓“双刃剑”。数字普惠金融在通过大数据管理、数字化经营降低农村金融机构风险承担水平的同时，也给农村金融机构带来了技术风险、操作风险和流动性风险提高的压力。对于小型农村金融机构而言，由于资金投入能力有限、管理制度不完善且缺乏专业性较强的从业人员，在推动数字普惠金融建设时应首先学习大型商业银行管理体制，尽可能减少内部违规操作行为的出现，并引入安全系数较高的第三方技术平台，减轻研发压力。中型农村金融机构在推动数字普惠金融建设时，应加强多方合作，积极拓展各方资源。大型农村金融机构则应当利用其在市场占有率、业务丰富度、银行股东背景等方面的优势整合商户、政府等各方资源，建立功能齐全、信息共享、信用保障、组织联动“四位一体”的数字普惠金融生态体系，降低风险承担水平。
二 监管部门应在数字普惠金融发展的不同阶段采取不同的引导措施
考虑到数字普惠金融发展的不同阶段对农村金融机构风险承担具有不同的影响，监管部门应该结合各阶段特点采取不同的引导措施。在数字普惠金融的平台建设期，监管部门一方面应当制定数字普惠金融的官方操作规范并及时更新监管内容，引导数字普惠金融规范发展；另一方面应当时刻关注小型农村金融机构风险暴露程度，引导小型农村金融机构选择适切自身实际的数字普惠金融发展程度，避免出现普惠金融过度数字化现象，防止小型农村金融机构爆发金融风险。在数字普惠金融的深度融合期，监管部门应当充分发挥自身的信息优势，与农村金融机构信息共享，共同构建数字普惠金融生态体系，降低农村金融机构的风险暴露。
① 《银行业金融机构法人名单(截至2021年6月30日)》，中国银行保险监督管理委员会，http://www.cbirc.gov.cn/cn/view/pages/governmentDetail.html?docId=1002746&itemId=863&generaltype=1, 检索日期2021年8月20日。
②《2021年商业银行主要指标分机构类情况表(季度)》，中国银行保险监督管理委员会，https://www.cbirc.gov.cn/cn/view/pages/ItemDetail.html?docId=1018525&itemId=954&generaltype=0，检索日期: 2022年2月11日。
③《2021年商业银行主要监管指标情况表(季度)》，中国银行保险监督管理委员会，https://www.cbirc.gov.cn/cn/view/pages/ItemDetail.html?docId=1018523&itemId=954&generaltype=0，检索日期: 2022年2月11日。
-
表 1 变量名称及含义
变量 变量名称及符号 定义 被解释变量 加权风险资产比率(Riskratio) 加权风险资产占总资产的比重 不良贷款率(NPL) 不良贷款占总贷款余额的比重 核心解释变量 数字普惠金融发展指数(DFIIC) 北京大学数字普惠金融指数/100 控制变量 地区经济发展水平(lngdp) 人均GDP取对数 广义货币量(M2) 广义货币供应量 存贷比(LTD) 贷款总额/存款总额 固定资产比率(FAR) 固定资产占总资产比率 多元化经营程度(DIV) 非利息净收入/营业收入 资本充足率(CAR) 资本总额/加权风险资产 银行规模(lnasset) 银行总资产取对数 资产收益率(ROA) 净利润/平均资产总额 
下载: 导出CSV
表 2 主要变量的描述性统计
变量 样本量/个 均值 标准差 最小值 最大值 Riskratio 2 745 0.568 0.1 0.141 0.932 NPL 2 745 0.049 0.071 0.004 0.452 DFIIC 2 745 0.678 0.214 0.123 1.317 lngdp 2 745 10.263 0.650 8.600 12.107 M2 2 745 139.024 13.136 122.838 155.007 lnasset 2 745 13.105 0.692 10.912 14.809 ROA 2 745 0.011 0.006 0 0.029 CAR 2 745 0.073 0.022 0.013 0.136 LTD 2 745 0.655 0.118 0.373 0.996 DIV 2 745 0.046 0.086 0 0.447 FAR 2 745 0.009 0.007 0.001 0.049
下载: 导出CSV
表 3 固定效应模型下数字普惠金融与农村金融机构风险承担水平的回归结果
变量 Riskratio (1) (2) (3) DFIIC 0.046*** 0.104*** 0.094** (0.007) (0.016) (0.038) DFIIC2 -0.05*** -0.034 (0.01) (0.059) DFIIC3 -0.008 (0.029) 拐点 1.038 常数项 2.37*** 2.403*** 2.405*** (0.182) (0.181) (0.182) 控制变量 控制 控制 控制 估计方法 静态FE 静态FE 静态FE 年份固定效应 控制 控制 控制 个体固定效应 控制 控制 控制 样本量/个 2 745 2 745 2 745 R2 0.808 0.81 0.81 注：*、**、***分别表示在10%、5%、1%的统计水平上显著，括号内为标准误，下表同。
下载: 导出CSV
表 4 内生性检验结果
变量 一阶段 二阶段 (4)
DFIIC(5)
DFIIC2(6)
RiskratioCard 2.62e-06***
(1.00e-06)4.18e-06***
(1.32e-06)Card2 -7.95e-11**
(3.08e-11)-9.25e-11***
(3.11e-11)DFIIC 1.102***
(0.319)DFIIC2 -0.569**
(0.236)常数项 -1.113***
(0.0689)-1.847***
(0.320)0.102
(0.206)控制变量 控制 控制 控制 年份固定效应 控制 控制 控制 个体固定效应 控制 控制 控制 样本量/个 2 807 2 807 2 807
下载: 导出CSV
表 5 门槛模型检验
门槛模型 F值 P值 自抽样次数 临界值 1% 5% 10% 单一门限 155.21*** 0.000 0 500 29.533 3 22.426 8 18.258 7 双重门限 97.34*** 0.000 0 500 30.204 6 21.485 6 18.059 3 三重门限 62.28 0.516 0 500 127.495 6 105.671 4 92.763 2
下载: 导出CSV
表 6 门槛值及置信区间
门槛变量 因变量 门槛值 置信区间 lnasset Riskratio 第一门槛 13.270 8 [13.258 4, 13.276 5] 第二门槛 13.743 3 [13.728 2, 13.761 7]
下载: 导出CSV
表 7 门限回归结果
变量 Riskratio
(7)DFIIC(lnasset≤13.270 8) 0.008**
(0.004)DFIIC(13.270 8 < lnasset≤13.743 3) -0.018***
(0.004)DFIIC(lnasset>13.743 3) -0.047***
(0.004)控制变量 控制 常数项 -0.052
(0.072)年份固定效应 控制 个体固定效应 控制 样本量/个 2 745
下载: 导出CSV
-
[1] 黄益平, 黄卓. 中国的数字金融发展: 现在与未来[J]. 经济学(季刊), 2018, 17(4): 1489-1502. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201804009.htm [2] 吴本健, 石雪, 肖时花. 数字普惠金融发展能否缓解农村多维相对贫困[J]. 华南师范大学学报(社会科学版), 2022(3): 26-41. https://www.cnki.com.cn/Article/CJFDTOTAL-HNSB202203003.htm [3] 赵丙奇. 中国数字普惠金融与城乡收入差距——基于面板门限模型的实证研究[J]. 社会科学辑刊, 2020(1): 196-205. https://www.cnki.com.cn/Article/CJFDTOTAL-SHKK202001022.htm [4] OZILI P K. Impact of digital finance on financial inclusion and stability[J]. Borsa istanbul review, 2018, 18(12): 329-340.
[5] GOMBER P, KAUFFMAN R J, PARKER C, et al. 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. doi: 10.1080/07421222.2018.1440766
[6] 李双建, 田国强. 银行竞争与货币政策银行风险承担渠道: 理论与实证[J]. 管理世界, 2020, 36(4): 149-168. doi: 10.3969/j.issn.1002-5502.2020.04.014 [7] 汪莉. 隐性存保、"顺周期"杠杆与银行风险承担[J]. 经济研究, 2017, 52(10): 67-81. [8] 金鹏辉, 张翔, 高峰. 货币政策对银行风险承担的影响——基于银行业整体的研究[J]. 金融研究, 2014(2): 16-29. [9] 徐明东, 陈学彬. 货币环境、资本充足率与商业银行风险承担[J]. 金融研究, 2012(7): 489. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201207007.htm [10] 张雪兰, 何德旭. 货币政策立场与银行风险承担——基于中国银行业的实证研究(2000—2010)[J]. 经济研究, 2012, 47(5): 31-44. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201205004.htm [11] CLAUDIO B, ZHU H B. Capital regulation, risk-taking and monetary policy: a missing link in the transmission mechanism?[J]. Journal of financial stability, 2012, 8(4): 236-251. doi: 10.1016/j.jfs.2011.12.003
[12] DUBECQ S, MOJON B, RAGOT X. Fuzzy capital requirements, risk-shifting and the risk taking channel of monetary policy[J]. Banque de France working paper, 2009(254): 1－43.
[13] LÓPEZ M, TENJO F, ZÁRATE H. The risk-taking channel and monetary transmission mechanism in Colombia[J]. Ensayos sobre política económica, 2011, 29(64): 212-234.
[14] 黄晓薇, 郭敏, 李莹华. 利率市场化进程中银行业竞争与风险的动态相关性研究[J]. 数量经济技术经济研究, 2016, 33(1): 75-91. [15] 戴国强, 方鹏飞. 利率市场化与银行风险——基于影子银行与互联网金融视角的研究[J]. 金融论坛, 2014, 19(8): 13-19. https://www.cnki.com.cn/Article/CJFDTOTAL-CSJR201408003.htm [16] 黄金老. 利率市场化与商业银行风险控制[J]. 经济研究, 2001(1): 19-28. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200101002.htm [17] 梁伟森, 程昆. 监管约束下农村中小金融机构的资本调整与风险承担[J]. 金融监管研究, 2021(6): 21-36. https://www.cnki.com.cn/Article/CJFDTOTAL-JRJG202106002.htm [18] 陈敏, 张莹. 银行竞争与货币政策的银行风险承担渠道[J]. 经济与管理研究, 2022, 43(6): 33-47. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYG202206003.htm [19] 刘忠璐. 互联网金融对商业银行风险承担的影响研究[J]. 财贸经济, 2016(4): 71-85. https://www.cnki.com.cn/Article/CJFDTOTAL-SDJR202101008.htm [20] 顾海峰, 闫君. 公司治理、资本监管与银行风险承担[J]. 财经理论与实践, 2020, 41(6): 2-9. https://www.cnki.com.cn/Article/CJFDTOTAL-CLSJ202006001.htm [21] LAEVEN L, LEVINE R. Bank governance, regulation and risk taking[J]. Journal of financial econo-mics, 2009, 93(2): 259-275.
[22] 王曙光, 杨北京. 农村金融与互联网金融的"联姻": 影响、创新、挑战与趋势[J]. 农村金融研究, 2017(8): 19-24. [23] 尹志超, 张号栋. 金融知识和中国家庭财富差距——来自CHFS数据的证据[J]. 国际金融研究, 2017(10): 76-86. [24] SONKO P. Impact of digital finance on financial inclusion and stability[J]. Borsa istanbul review, 2018, 18(4): 329-340.
[25] 杨善林, 周开乐, 张强, 等. 互联网的资源观[J]. 管理科学学报, 2016, 19(1): 1-11. https://www.cnki.com.cn/Article/CJFDTOTAL-KJJB201806015.htm [26] 张正平, 刘云华. 数字金融发展对农村商业银行运营效率的影响——基于2014—2018年非平衡面板数据的实证研究[J]. 农业技术经济, 2022(4): 67-81. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJS202204005.htm [27] 龚晓叶, 李颖. 金融科技对普惠金融"悖论"的影响——基于中国银行业风险承担水平的证据[J]. 证券市场导报, 2020(9): 33-43. https://www.cnki.com.cn/Article/CJFDTOTAL-ZQDB202009004.htm [28] 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(5): 52-65. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ202005005.htm [29] 封思贤, 郭仁静. 数字金融、银行竞争与银行效率[J]. 改革, 2019(11): 75-89. https://www.cnki.com.cn/Article/CJFDTOTAL-REFO201911018.htm [30] 李佳欢. 数字技术发展对银行物流金融业务风险的影响——基于普惠金融角度[J]. 物流工程与管理, 2020, 42(9): 70-72. https://www.cnki.com.cn/Article/CJFDTOTAL-SPCY202009022.htm [31] HOU X, GAO Z, WANG Q. Internet finance development and banking market discipline: evidence from China[J]. Journal of financial stability, 2016, 22: 88-100.
[32] 李牧辰, 封思贤. 数字普惠金融与城乡收入差距——基于文献的分析[J]. 当代经济管理, 2020, 42(10): 84-91. https://www.cnki.com.cn/Article/CJFDTOTAL-DJGL202010011.htm [33] 邱晗, 黄益平, 纪洋. 金融科技对传统银行行为的影响——基于互联网理财的视角[J]. 金融研究, 2018(11): 17-29. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201811002.htm [34] 郭品, 沈悦. 互联网金融对商业银行风险承担的影响: 理论解读与实证检验[J]. 财贸经济, 2015(10): 102-116. https://www.cnki.com.cn/Article/CJFDTOTAL-SDJR202101008.htm [35] 杨东. 监管科技: 金融科技的监管挑战与维度建构[J]. 中国社会科学, 2018(5): 69-91. https://www.cnki.com.cn/Article/CJFDTOTAL-ZSHK201805004.htm [36] 田雅群, 何广文, 张正平. 价格竞争对农村商业银行风险承担的影响研究——基于贷款利率市场化视角[J]. 农村经济, 2019(9): 75-84. https://www.cnki.com.cn/Article/CJFDTOTAL-NCJJ201909011.htm [37] 张正平, 刘旭晶, 夏海. 《G20高级原则》视角下农村商业银行数字普惠金融的发展[J]. 农村金融研究, 2019(3): 55-60. https://www.cnki.com.cn/Article/CJFDTOTAL-NCJR201903014.htm [38] HANSEN B E. Threshold effects in non-dynamic panels: estimation, testing, and inference[J]. Journal of econometrics, 1999, 93(2): 345-368.
[39] 江曙霞, 陈玉婵. 货币政策、银行资本与风险承担[J]. 金融研究, 2012(4): 1-16. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201204003.htm [40] 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 [41] 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(4): 1401-1418. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU202004013.htm [42] 黄群慧, 余泳泽, 张松林. 互联网发展与制造业生产率提升: 内在机制与中国经验[J]. 中国工业经济, 2019(8): 5-23. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201908001.htm [43] 孙戈兵, 连玉君, 胡培. 不同成长机会下多元化与公司绩效的门槛效应[J]. 预测, 2012, 31(4): 69-74. https://www.cnki.com.cn/Article/CJFDTOTAL-YUCE201204013.htm -
期刊类型引用(9)
1. 邢雁飞，王芳. 供销合作社拓展农村金融服务的现状和路径研究. 农业经济. 2024(01): 135-138 . 
百度学术
2. 吴本健，辛志良，张迪展. 数字普惠金融对城市经济活力的影响研究. 农村金融研究. 2024(05): 15-27 . 百度学术
3. 杨琪. 普惠金融对我国商业银行信贷风险影响的实证分析——基于多元回归. 现代商业. 2024(18): 62-65 . 百度学术
4. 侯秀萍. 普惠金融背景下农村信用社发展路径. 投资与合作. 2024(11): 20-22 . 百度学术
5. 吕秀梅，张可心. 数字乡村建设与农村金融机构风险承担：影响效应及作用机制. 中南林业科技大学学报(社会科学版). 2024(04): 79-91 . 百度学术
6. 刘光辉，杨娜娜，臧日宏. 数字普惠金融对农村金融机构信用风险的影响研究. 华北金融. 2024(12): 75-84+94 . 百度学术
7. 孙宸洲，樊亚宾. 数字普惠金融助力乡村振兴的影响机制. 中国西部. 2023(03): 13-26 . 百度学术
8. 王丽珊，陈俊良，何立峰，亓浩. 金融科技应用与涉农信贷风险——来自980家农村商业银行的证据. 金融理论与实践. 2023(08): 53-64 . 百度学术
9. 丁娜. 农村金融创新助力乡村振兴探讨. 广东蚕业. 2023(08): 110-112 . 百度学术
其他类型引用(11)
计量
- 文章访问数: 453
- HTML全文浏览量: 206
- PDF下载量: 101
- 被引次数: 20
