留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

地方政府数字金融服务平台促进了银行信贷投放吗

李曜 胡涛

李曜, 胡涛. 地方政府数字金融服务平台促进了银行信贷投放吗[J]. 广东财经大学学报, 2023, 38(2): 4-18.
引用本文: 李曜, 胡涛. 地方政府数字金融服务平台促进了银行信贷投放吗[J]. 广东财经大学学报, 2023, 38(2): 4-18.
LI Yao, HU Tao. Can Digital Financial Services Platform of Local Government Promote Bank Credit Allocation[J]. Journal of Guangdong University of Finance & Economics, 2023, 38(2): 4-18.
Citation: LI Yao, HU Tao. Can Digital Financial Services Platform of Local Government Promote Bank Credit Allocation[J]. Journal of Guangdong University of Finance & Economics, 2023, 38(2): 4-18.

地方政府数字金融服务平台促进了银行信贷投放吗

基金项目: 

国家社会科学基金一般项目 19BJY261

详细信息
    作者简介:

    李曜(1970-),男,安徽合肥人,上海财经大学金融学院教授

    胡涛(1997-),男,安徽安庆人,上海财经大学金融学院博士研究生

  • 中图分类号: F832.7

Can Digital Financial Services Platform of Local Government Promote Bank Credit Allocation

  • 摘要: 数字金融服务平台是由地方政府主导建设并服务于中小微企业的普惠性网络信息平台,是破解“融资难、融资贵、融资繁”问题、推动银行信贷投放的重要渠道。利用不同城市平台成立时间的差异,构造多期双重差分模型进行实证研究,发现地方政府数字金融服务平台能够显著促进银行的信贷投放,并且这种促进效应在不同城市和不同平台层面表现出丰富的差异性。进一步分析发现,地方政府设立数字金融服务平台主要从信息不对称、金融服务效率、金融服务覆盖范围以及社会信用环境等四个渠道促进了银行的信贷投放。研究还发现互联网金融的发展加强了数字金融服务平台对银行信贷投放的促进作用。研究结论对于当前我国各级政府推动建设数字金融服务平台具有重要的参考意义。
  • 数字普惠金融作为数字经济的重要组成部分,具有依靠数字技术降低金融活动中的信息不对称和服务成本、提高服务效率、促进金融资源配置等的巨大潜力(谢绚丽等,2018;张勋等,2021;黄益平和黄卓,2018;江红莉等,2022)[1-4]。在此背景下,作为建设数字普惠金融的重要基础设施之一的地方政府数字金融服务平台应运而生,它集合了“征信、融资、投资和政务”等一体化服务。

    数字金融服务平台是由地方政府主导建设并服务于中小微企业的普惠性网络信息平台。尽管现实中名称各异,但核心功能均是通过大数据和云计算等数字科技,为银行机构和企业提供综合信用评估与信贷精准对接,构建起政、银、企的跨界金融服务生态圈。数字金融服务平台不仅是地方政府运用数字科技引导传统银行信贷进行数字化转型、破解“融资难、融资贵、融资繁”问题、促进银行信贷投放的重要渠道,也是我国社会信用体系建设中极为重要的一环。

    2018—2022年,国务院、发改委和银保监会等连续发文,推动建设全国数字金融服务平台——全国中小企业融资综合信用服务平台(简称全国信易贷平台),并对地方政府建立的数字金融服务平台进行归集整合,逐步形成覆盖全国、兼容地方、涵盖多种融资服务模式的一站式服务平台。截至2021年3月末,全国“信易贷”平台连通地方政府数字金融服务平台或站点总数达230个,累计注册企业615.4万家,通过相关平台发放贷款突破2万亿元,为解决中小微企业融资难、融资贵问题提供了有力支撑

    ① 数据来自于国家发展改革委员会2021年4月份新闻发布会,新闻链接:http://finance.china.com.cn/news/20210419/5550939.shtml

    数字金融服务平台能够取得如此瞩目的成绩,在于其依托“信用信息+数字科技+普惠金融”的特殊模式,解决了银行信贷投放过程中的核心问题(杨慧鑫和王伟,2022)[5]。部分学者也对数字普惠金融发展与银行信贷投放的关系进行了探讨,认为发展数字普惠金融能够推动银行信贷的投放。如Gomber等(2018)[6]指出,数字普惠金融拥有数字化技术优势,通过大数据信用评估等手段,能有效降低资金供需双方的信息不对称,减少信息搜寻与风险控制等成本,进而推动银行信贷投放;盛天翔和范从来(2020)[7]研究发现金融科技改变了传统的贷款技术,优化了信贷环境,加强了金融机构对中小微企业的信贷供给;雷海波(2021)[8]的实证研究认为数字征信的发展促进了县域银行信贷的投放,改善了地区银行信贷的配置效率。也有部分学者提出不同的观点,如战明华等(2020)[9]利用总量数据分析数字金融发展对银行信贷投放的影响,发现数字金融和传统金融存在竞争效应,数字金融一方面抢占了银行外部融资来源,另一方面促使银行开展影子银行等表外业务,从而在总量层面限制了银行放贷行为。

    综上所述,在实务层面,国务院、发改委、银保监会以及地方政府都在大力推进数字金融服务平台的建设,那么建设数字金融服务平台的经济效应到底如何?回答该问题并进行科学地评估,弄清其内在机制、异质性影响和潜在的问题,在后续推进建设平台的过程中才能有的放矢;在理论层面,目前大部分文献从宏观角度进行讨论,鲜有文献分析数字普惠金融的具体应用形式,特别是较少关注目前兴起的国内各省市数字金融服务平台。而数字普惠金融是一个综合概念,包含了多维度的内容,只有聚焦于具体的微观应用形式,才能更好地分析数字普惠金融对实体经济的异质性影响。

    鉴于此,本文将围绕国内各城市成立数字金融服务平台这一准自然实验,采用2012—2019年我国城市面板数据,使用多期双重差分方法对地方政府的数字金融服务平台促进银行信贷投放的作用展开研究。并着重回答以下问题:我国地方政府数字金融服务平台的发展现状如何?政府数字金融服务平台的数字技术手段是否会对银行信贷投放产生影响?之间存在因果关系吗?其影响机制是什么?如果政府数字金融服务平台的成立促进了银行信贷的投放,那么不同地区、不同平台的影响效应是否存在差异?这种政府平台与另一种数字金融业务模式——互联网金融之间,又存在着怎样的互动关系?

    论文的边际贡献主要在于:第一,研究地方政府积极推进的数字金融服务平台的经济效应这一重要现实问题,并分析其内在机制和异质性影响,为未来全国以及地方政府推动数字金融服务平台建设、银行机构利用政府数字金融服务平台进行信贷投放提供了政策参考。第二,丰富了数字普惠金融方面的相关文献。迄今为止,国内学者对数字普惠金融的研究主要聚焦于传统金融机构的数字化转型和互联网企业平台的数字普惠金融效应等方面(张勋等,2021;张一林等,2021;张金清等,2022)[2, 10-11],针对地方政府数字金融服务平台的研究尚付阙如。第三,以我国地方政府数字金融服务平台设立作为准自然实验,采用双重差分法和多种稳健性检验,克服了发展数字普惠金融可能存在的内生性问题,保证了结果的可信性。现有文献大多运用跨国和跨省的面板数据回归来考察数字普惠金融的影响[1, 4, 7],未有利用外生事件来考察数字普惠金融的经济效应,因而容易受到数字普惠金融变量测度偏误、内生性等问题的困扰。

    2014年6月,中国人民银行台州分行在地方政府的支持下建立了首个数字化综合金融服务平台——台州市金融服务信用信息共享平台;2015年,由苏州市政府金融办牵头建设了另一个典型的数字化综合金融平台——苏州综合金融服务平台。台州、苏州两地的数字金融服务平台的最大亮点就是将信贷数据和非信贷数据进行整合,实现了银行间共享,同时通过大数据与云计算等数字技术,为企业和银行提供各类金融服务如银行信贷对接、企业征信、风险预警等。自台、苏两地的探索之后,北京、深圳、重庆、南京、杭州、长沙等各大城市陆续开始筹建数字金融服务平台。当前全国各地此类平台虽名称各异,但名异实同,其主要功能均是应用数字科技(基于大数据、云计算的信用服务和融资对接)为当地企业和金融机构提供服务,所以本文统一称之为“地方政府数字金融服务平台”,以突出数字普惠金融的意义。

    2018年国家发改委办公厅发布了《关于探索开展信易贷工作的通知》,确定设立全国数字金融服务平台——全国中小企业融资综合信用服务平台,这标志着全国性的普惠金融服务平台建设正式启动。2019年9月,发改委、银保监会联合印发《关于深入开展信易贷支持中小微企业融资的通知》,从信息归集共享、信用评价体系、产品创新、风险处置等方面提出了具体措施。2021年12月,国务院印发了《加强信用信息共享应用促进中小微企业融资实施方案》,要求地方整合各类功能相同的平台,通过系统对接、接口调用等互联互通方式纳入到全国信易贷平台体系,逐步形成覆盖全国、兼容地方、涵盖多种融资服务模式的一站式服务平台。至此,“全国+地方”的政府数字化综合金融服务平台模式的框架初现雏形。

    1.   设立数字金融服务平台对银行信贷投放的影响机制

    数字金融服务平台存在两种核心的服务模式:一是整合企业的信用数据,向企业和金融机构提供综合信用服务;二是通过大数据和云计算将企业需求和银行信贷产品精准匹配。数字金融服务平台的上述服务,将通过以下途径对银行信贷投放产生积极影响。

    首先,数字金融服务平台能够缓解信贷供需之间的信息不对称。信息不对称主要源于市场经济活动中供需双方掌握信息数据及质量的不匹配,是信贷投放过程中的核心问题(Djankov等,2007;龙海明和王志鹏,2017)[12-13]。中小企业信贷的信息不对称主要体现在:一是金融机构与中小企业之间的信用信息不对称。金融机构难以掌握中小企业真实经营、市场履约、行业地位、发展潜力、偿债能力及意愿等信用信息,而中小企业对金融机构各类产品的差异也普遍缺乏了解(中国人民银行研究局课题组,2021;曾光辉,2021)[14-15]。二是地方政府与中小企业之间的政策信息不对称。各地政府为推动中小企业发展出台了一系列融资促进政策,但是这些政策能否满足中小企业的需求存在不确定性,中小企业对这些政策的了解程度不一,导致政策制定和实施过程中的信息不对称。通过建立信用共享机制,数字金融服务平台将原先散落在各有关政府部门和金融机构、企事业单位的企业和个人信用信息综合起来,进行深度加工与分析,构建全面的企业信用画像。同时,平台联通了行业、融资产品、政策信息、监管信息等数据库,实现数据与数据之间的多方共享、交叉比对,从而有利于降低各方的信息不对称,能够促进银行的信贷投放。

    其次,数字金融服务平台能够降低交易成本,提高金融服务效率。交易成本是市场主体开展经济活动过程中在信息获取、沟通协调、决策咨询、监督管理等过程中所产生的各类成本(曾光辉,2021;王馨,2015)[15-16]。从企业的视角来看,交易成本主要来源于贷款前寻找合适金融机构和金融产品所产生的搜寻成本,以及申请银行贷款过程中和贷款发放后配合银行进行相关检查所产生的履约成本;从金融机构的视角来看,信贷业务的交易成本主要包括贷款前期发生的信息搜集、核查所产生的尽职调查成本,贷款中期由于合同履行所产生的贷后管理及检查等履约成本,以及贷款后期由于对合同履行的监管及违约风险等产生的监管成本。通过构建数字金融服务平台,一方面基于大数据和云计算等数字技术为企业和金融产品、金融机构之间进行精准匹配,减少借贷双方的贷前搜寻成本;另一方面将信贷投放全流程集中到统一平台,实现“线上尽调、线上审批、线上监管”,从而有效减少了不必要的人工审核及监管环节。同时数字技术也可以服务于贷后监管和风险控制,有效降低履约成本和信用风险。因此,数字金融服务平台可以降低信贷活动的交易成本,提高金融服务效率,从而促进银行信贷投放。

    再次,数字金融服务平台能提高金融服务覆盖范围。经济不发达地区银行的分支机构相对较少,而数字金融服务平台的建成,使得偏远地区的中小微企业和个体工商户只要能够被互联网覆盖,借助平台便能及时了解地方政府的相关政策,寻找到不同金融机构的合适金融产品,实现线上融资。这在一定程度上打破了时间和空间的限制,降低了金融需求方获取正规银行服务的时间和空间成本,进一步提升了信贷服务的可得性,能够帮助不发达地区解决信贷融资规模的不足,扩大银行金融服务的覆盖面。

    最后,数字金融服务平台的设立有利于营造诚实守信的社会环境。大量研究表明,社会信用环境越差,金融机构会更倾向于向透明度和信用度更高的上市公司或大型企业发放贷款,从而导致中小微企业的融资成本和融资约束程度上升,地区整体的信贷规模和配置效率下降(余泳泽等,2020;钱水土和吴卫华,2020)[17-18]。数字金融服务平台设立之后,金融机构和企业能够通过平台查询企业在环保、纳税、社保、水电煤等公用事业缴费以及是否受到行政处罚等不同领域的信用情况,从而形成一个公开透明的诚信信用奖惩机制,“倒逼”中小企业重视守法诚信经营,逐渐改善整体的社会信用环境,从而促进了银行的贷款投放。

    基于以上分析,提出如下假设:

    H1:在其他城市特征不变的情况下,地方政府数字金融服务平台的设立能够显著促进当地的银行信贷投放。

    2.   异质性分析

    首先,数字金融服务平台的建设依赖于数字基础设施的完善程度,数字基础设施对平台的服务效率有着重要的支撑作用。数字基础设施直接决定了地区的数字化能力,是经济数字化转型的底层支撑。数字基础设施对于经济高质量发展的正向影响已经得到大量文献的支持(马青山等,2021;陈海波和邓雅慧,2023)[19-20]。其中的机制在于,数字基础设施建设水平较好的地区,不仅数字化服务的范围和普及度更广,当地政府部门、金融机构、企业和居民主动应用数字科技的意愿和能力也更强(赵涛等,2020;梁玉成和张咏雪,2022;范合君和吴婷,2022)[21-23]。在此背景之下,城市的数字基础设施发展水平越高,数字金融服务平台的覆盖范围越大,潜在用户更多;数字金融服务平台的信贷技术和金融创新也越多,为中小微企业提供的数字普惠金融服务与产品也更具多样化和针对性。因此,城市的数字基础设施发展水平越高,数字金融服务平台对银行信贷的推动作用越强。

    其次,商业银行是数字金融服务平台上的金融产品与服务的供给主体。已有研究表明,在商业银行竞争度较高的地区,银行对中小企业的普惠金融服务效率更高、银企关系相对更好、金融产品与服务也相对丰富,同时地方政府对商业银行的监管机制也更成熟(Chong等,2013;姜付秀等,2019;李志生等,2020)[24-26]。在成立数字金融服务平台之后,地方政府引导商业银行将业务和产品搬迁到该平台,当地银行的原有竞争格局也随之在政府数字金融服务平台上展开,竞争的充分度和公平性直接决定了平台金融产品和服务的多样性以及平台的获客能力。因此,一个城市的银行竞争度越高,数字金融服务平台对银行信贷的推动作用越强。

    最后,从平台的异质性进行分析。数字金融服务平台能否获得网络用户的青睐主要取决于如下因素:一是在宣传层面,通常由地方政府、金融机构和相关宣传部门对数字金融服务平台进行宣传。二是在功能层面,数字金融服务平台的核心功能为信用评估和信贷匹配。从不同平台的宣传和功能来看,各平台之间的差异性较小。三是在交互渠道方面。交互渠道在不同城市的平台之间存在着较大差异,大部分城市的数字金融服务平台均是通过门户网站实现用户登录和使用,仅有少部分平台上线了手机应用程序或可通过微信公众号登录和使用。但根据《中国互联网络发展状况统计报告》,截至2021年6月,网络用户通过手机上网的比例为99.6%,而使用台式电脑和笔记本电脑上网的仅为34.6%和30.8%。因此,数字金融服务平台若能开通手机应用程序或微信公众号等移动互联网的交互渠道,其服务范围、获客能力和企业的金融服务可得性将随之增强。

    基于以上分析,提出如下假设:

    H2a:在数字基础设施建设水平较高的城市设立数字金融服务平台,对银行信贷投放的推动作用更强;

    H2b:在银行竞争度较高的城市设立数字金融服务平台,对银行信贷投放的推动作用更强;

    H3:数字金融服务平台的用户交互渠道越多,对银行信贷投放的推动作用越大。

    为了考察数字金融服务平台的影响,最理想的方案是使用城市数字金融服务平台的年度信贷对接数据进行分析,遗憾的是通过公开渠道无法获取这一数据。考虑到数字金融服务平台的成立是由地方政府统一规划(并非由当地金融机构和企业决策),一个可行的替代方案是将数字金融服务平台的成立视作一个准自然实验,利用城市面板数据构建多期的双重差分模型。其中,设立数字金融服务平台的城市为实验组,其他为对照组。具体模型为:

    $$ Loa{n_{i, t}} = {\beta _0} + {\beta _1} \times DF{P_{i, t}} + \theta \times CV{s_{i, t - 1}} + {\mu _t} + {\gamma _i} + {\varepsilon _{i, t}} $$ (1)

    其中:Loani, ti城市在t年的银行信贷投放量,文中城市均指地级市以及四个直辖市;CVsi, t-1为控制变量,主要包括经济发展水平、城市化水平、金融发展水平、政府干预水平、产业结构、对外开放水平和外部风险环境。为缓解内生性,控制变量均取滞后1期值;γi为个体固定效应,μt为时间固定效应,εi, t为扰动项。核心解释变量DFPi, t为双重差分变量,用于识别在t年设立数字金融服务平台的城市。系数β1若为正,表明数字金融服务平台的设立有助于促进银行信贷投放。

    1.   数据来源

    本文对全国各城市地方政府设立数字金融服务平台的情况进行了手工梳理。根据统计,2014—2019年先后有67个城市设立了数字金融服务平台,约占全部城市数量的20%。2020—2022年,大部分城市开始规划并推动建设数字金融服务平台,但相关统计数据暂不可得;加之部分城市仅宣告即将建设数字金融服务平台,从公开渠道却无法获取后续准确的成立时间,因此未对这期间成立的平台进行详细梳理。

    ① 主要统计了全国范围内的地级行政区划单位,以及北京、上海、重庆和天津四个直辖市。

    通过检索政府相关部门的门户网站,我们发现部分城市数字金融服务平台的称谓不同,比如营口金小二、厦门信易贷、铜陵市网上金融服务大厅等,所以并非完全依据“数字金融服务平台”作为关键词进行搜索,而是根据平台的实际运行特征,即“是否存在信用服务与信贷匹配服务”进行检索识别。同时部分城市存在“一地多平台”的现象,比如兰州市有中小企业融资综合信用服务平台和兰州市大数据普惠金融服务平台,沈阳市有中小微企业融资对接平台和沈阳综合金融服务平台,等等,故以地方政府部门牵头设立且成立时间最早的平台为准。其他城市层面的数据来源于历年《中国城市统计年鉴》以及Wind数据库。为了减轻异常值影响,对所有连续变量进行上下1%的缩尾处理。在剔除缺失值之后,最后得到2012—2019年1 884个“城市-年度”观测值

    ② 一般是检索数字金融服务平台当地的主导部门官网,比如当地政府金融办、人民银行分行、发改委、大数据局等。

    ③ 在本文撰写期间,2021—2022年的中国城市统计年鉴暂未公布,所以样本期截至2019年。

    2.   变量设定与描述性统计

    被解释变量为城市的银行信贷投放量(LoanPLoanG)。借鉴相关研究(雷海波,2021;谭之博和周黎安,2015;孟娜娜等,2020)[8, 27-28],选取地区人均贷款LoanP(年末金融机构各项贷款余额/年末户籍人口数)和地区贷款增速LoanG(“年末金融机构各项贷款余额/上一期年末金融机构各项贷款余额”的自然对数)两个指标来衡量该地区银行信贷市场的发展状况。一般以人均贷款衡量该地区银行信贷投放的覆盖范围,以贷款增速衡量该地区银行信贷投放的扩张速度。

    核心解释变量为数字金融服务平台的设立(DFP)。根据城市在t年是否设立数字金融服务平台来赋值,在当年及以后年份设立赋值为1,其余年份为0(作为实验组),未设立的城市赋值为0(作为对照组)。

    为了控制城市层面相关因素的影响,参考谭之博和周黎安(2015)[27]、盛天翔和范从来(2020)[7]、孙希芳和王晨晨(2020)[29]等学者的研究,选取以下控制变量:(1)经济发展水平(ED),使用人均GDP的自然对数衡量。(2)城市化水平(CITY),使用城镇常住人口占全市常住人口的比例衡量。地区经济发展水平(ED)和城市化水平(CITY)的提高既能促进居民和企业的财富增长,提高金融需求,又能促进金融供给,提高金融可得性。(3)金融发展水平(FD),使用金融机构存贷款余额与GDP的比值衡量,以控制金融机构的整体发展情况对银行信贷投放的影响。(4)政府干预水平(GOV),使用政府财政预算内支出与GDP的比值衡量。政府在地方经济发展中具有重要作用,出于财政压力、完成经济增长目标等,地方政府有动机影响信贷资源的分配。(5)产业结构(INDS),使用第三产业增加值与GDP的比值衡量。(6)对外开放水平(FI),使用当地实际利用外资金额与GDP的比值衡量。城市的产业结构(INDS)和对外开放水平(FI)会影响实体经济对金融服务的需求结构和规模,进而对银行信贷投放产生影响。(7)外部风险环境(RISK),使用不良贷款率来衡量,由于城市层面不良贷款率的数据较难得到,故使用省级的不良贷款率来替代。表 1为变量的描述性统计结果。

    表  1  描述性统计
    变量 观测值 均值 标准差 最小值 中位数 最大值
    LoanP 1 884 6.346 5 7.767 9 0.636 2 3.213 8 40.811 2
    LoanG 1 884 0.136 0 0.062 1 -0.074 1 0.135 7 0.365 9
    ED 1 884 1.429 7 0.665 4 0.063 9 1.351 3 3.251 7
    IND 1 884 39.364 9 9.326 4 20.930 0 38.470 0 69.590 0
    GOV 1 884 0.187 1 0.082 2 0.077 0 0.168 8 0.675 0
    FI 1 884 0.279 0 0.255 7 0.001 9 0.205 9 1.154 7
    CITY 1 884 53.421 8 14.464 5 25.071 0 51.105 0 94.976 0
    RISK 1 884 1.493 8 0.728 8 0.350 0 1.300 0 4.400 0
    FD 1 884 2.276 8 1.078 9 0.986 8 1.952 9 7.011 1
    下载: 导出CSV 
    | 显示表格

    首先估计数字金融服务平台成立对地区银行信贷投放的直接影响,以检验H1。由于各城市设立数字金融服务平台的时间各异,因此运用多期双重差分方法来评估平台设立的净效应。回归结果见表 2,其中列(1)(3)分别为变量DFPLoanPLoanG的单变量回归,回归系数分别为1.2868和0.0256;列(2)(4)加入了其他控制变量,回归系数分别为1.1309和0.0160。可见,无论是否加入其他控制变量,DFP的回归系数均在1%或5%的显著性水平下为正,表明当地政府设立金融服务平台后,地区人均贷款和地区贷款增速均显著增加,即设立数字金融服务平台有助于扩大当地信贷投放的覆盖范围,提高信贷的投放增速。由此验证了H1,即数字金融服务平台的设立对当地银行信贷投放发挥了显著的促进作用。

    表  2  基准回归分析
    变量 (1)
    LoanP
    (2)
    LoanP
    (3)
    LoanG
    (4)
    LoanG
    DFP 1.286 8***(0.481 0) 1.130 9**(0.436 1) 0.025 6***(0.006 6) 0.016 0**(0.006 4)
    ED 4.419 4***(1.630 0) -0.009 3(0.026 3)
    IND -0.049 5(0.040 7) 0.000 4(0.000 8)
    GOV -8.161 7***(2.953 6) -0.201 5**(0.083 6)
    FI -1.511 0**(0.665 5) -0.023 1*(0.013 3)
    CITY -0.096 9(0.059 1) -0.000 3(0.000 6)
    RISK -0.120 0(0.192 8) -0.013 9***(0.003 6)
    FD 1.932 4***(0.555 3) -0.015 8*(0.009 4)
    Constant 4.318 1***(0.151 7) 3.733 1(4.011 1) 0.157 5***(0.002 9) 0.257 6***(0.051 9)
    个体固定效应
    时间固定效应
    N 1 884 1 884 1 884 1 884
    adj. R2 0.412 0.489 0.117 0.148
    注:括号内是稳健标准误;******分别表示显著性水平为10%、5%和1%。下表同。
    下载: 导出CSV 
    | 显示表格
    1.   平行趋势检验

    采用双重差分法的一个重要前提是,如果不存在数字金融服务平台的冲击,实验组城市和对照组城市之间的银行信贷投放趋势是一致的,即满足平行趋势假设。对于本文的研究问题,在基础设施更好、金融发展程度更高的城市,更有可能设立数字金融服务平台以促进地区信贷投放。为了排除这一因素的影响,借鉴李志远和曹哲正(2021)[30]、卞泽阳等(2021)[31]的研究,使用事件研究法进行检验,模型设定如下:

    $$ Loa{n_{i, t}} = {\beta _0} + \sum\limits_{j = 1}^4 {{\beta _{ - j}}Pr{e_{i, j}}} + {\beta _1}Curren{t_{i, j}} + {\beta _2}Afte{r_{i, j}} + \theta \times CV{s_{i, t - 1}} + {\mu _t} + {\gamma _i} + {\varepsilon _{i, t}} $$ (2)

    其中,Prei, j为一组虚拟变量,代表实验组i市在数字金融服务平台成立之前第j年;Current代表实验组i市在数字金融服务平台成立当年的虚拟变量;After表示实验组i市在数字金融服务平台成立之后的虚拟变量。参考刘畅等(2020)[32]的做法,将成立前5年以上的各期归并到第5年,并以数字金融服务平台成立前第1年作为基期。此时,数字金融服务平台成立之前各期系数的估计值可用于检验实验组和对照组样本在平台成立之前的趋势是否平行。结果如表 3所示,在数字金融服务平台成立之前,变量Prei, j的系数不显著,说明各期实验组和对照组城市的银行信贷投放的差异不显著,并且不存在明显的趋势性变动;变量After的系数显著为正,表明地方政府设立数字金融服务平台后银行信贷投放出现了显著差异。上述结果表明,实验组和对照组样本的银行信贷投放在数字金融服务平台成立之前具有相似的时间趋势,从而满足平行趋势假设。

    表  3  平行趋势检验
    变量 (1)
    LoanP
    (2)
    LoanG
    Pre5 -0.597 7(0.607 2) 0.002 1(0.008 9)
    Pre4 -0.205 4(0.512 3) -0.000 3(0.008 7)
    Pre3 -0.176 2(0.431 9) -0.002 1(0.009 1)
    Pre2 -0.137 5(0.349 9) 0.009 5(0.008 2)
    Current 0.555 7(0.538 0) 0.014 7(0.009 5)
    After 1.348 6**(0.553 8) 0.024 5***(0.006 0)
    控制变量
    个体固定效应
    时间固定效应
    N 1 884 1 884
    adj. R2 0.489 0.147
    下载: 导出CSV 
    | 显示表格

    进一步绘制了平行趋势检验的动态效应图,图 1Pre2~Pre5表示平台成立前各时期,Current表示平台成立当年,After为平台成立后,长虚线表示基期Pre1,短虚线为90%显著性水平下使用稳健标准误计算的置信区间。由图 1可知,数字金融服务平台成立之前,实验组和对照组银行信贷投放的差异在0附近波动,且不存在明显的趋势性;成立之后,两组样本城市的银行信贷投放出现了显著的差异。表明实验组和对照组样本的银行信贷投放在数字金融服务平台成立之前具有相似的时间趋势。

    图  1  平行趋势检验的动态效应图
    2.   安慰剂检验

    为避免可能存在的不可观测以及偶然因素的影响,通过安慰剂检验来确保基准回归结果的稳健性。首先根据真实的实验组城市平台成立次序和数量,逐年随机抽取城市作为实验组,在随机抽取完成后,构造相应的虚拟自变量DFP,并在方程(1)的模型设定下进行回归,得到相应的β估计值。最后重复上述步骤300、500和1000次,并将所得系数的分布情况绘制在图 2表 2第(2)(4)列所对应的回归结果如图 2右侧竖线所示,可以看到真实估计值在图中表现为明显的异常值,并且300、500和1000次模拟所得的估计系数以0为中心呈正态分布,说明基准回归结果稳健。

    图  2  安慰剂检验
    3.   内生性处理

    为避免内生性问题,使用工具变量法进行稳健性检验。参考谢绚丽等(2018)[1]的研究,以互联网普及率作为第一个工具变量;为保证工具变量的识别效率,构建城市数字科技关注度作为第二个工具变量。选取的逻辑在于:互联网是地方政府数字金融服务平台的服务媒介,数字科技(大数据、云计算、征信和机器学习等等技术)是地方政府数字金融服务平台的底层技术,与平台的成立存在着紧密的联系;并且在控制当地经济水平、金融发展水平以及政府干预等多种因素的影响后,这两个变量与银行信贷投放之间并不存在直接的关联渠道,因此有可能成为一个有效的工具变量。

    城市数字科技关注度的具体构建过程为:第一,根据《国家中长期科学和技术发展规划(2021—2035)》《“十四五”国家科技创新规划》《“十四五”大数据产业发展规划》《数字中国建设整体布局规划》《“十四五”数字经济发展规划》以及相关重要新闻和会议,提取与数字科技相关的关键词,包括自然语言处理、区块链、人工智能、大数据、多方安全计算、分布式计算、机器学习、类脑计算、流计算、内存计算、认知计算、融合架构、身份验证、深度学习、生物识别技术、图计算、图像理解、文本挖掘、信息物理系统、虚拟现实、移动互联、亿级并发、异构数据、语义搜索、语音识别、云计算、EB级存储、差分隐私技术、数据分析、数据可视化、数据挖掘。第二,将这些关键词与中国所有城市匹配,在百度新闻高级检索中分年份搜索“城市+关键词”。第三,使用Python网络爬虫,获取所有关键词搜索结果数,得到总搜索量,以此衡量城市数字科技关注度。从表 4的回归结果可以看出,在使用工具变量后,DFP的回归系数仍在1%或5%的水平下显著为正,且不存在弱工具变量和过度识别问题,表明工具变量的选取有效。在采用工具变量法减轻内生性问题后,地方政府设立数字金融服务平台对银行信贷投放的促进作用依然显著,进一步说明本文的核心结论是稳健的。

    表  4  工具变量回归结果
    变量 (1)
    LoanP
    (2)
    LoanG
    DFP 26.619 0***(7.214 4) 0.112 2**(0.050 8)
    控制变量
    个体固定效应
    时间固定效应
    KP rk LM statistic P-val 0.003 1 0.003 1
    Wald F statistic 29.004 29.004
    Hansen J statistic P-val 0.785 5 0.127 2
    N 1 842 1 842
    注:Wald F检验临界值为19.93(10%水平),11.59(15%水平),8.75(20%水平),7.25(25%水平)。
    下载: 导出CSV 
    | 显示表格
    4.   多期双重差分法的估计结果不稳健问题

    根据Chaisemartin和D'Haultfoeuille(2020)[33]、Goodman-Bacon(2021)[34]的研究,在使用多期双重差分法时,传统的估计系数可视为各受处理样本在每个时间点上处理效应的加权平均和,尽管权重总和为1,但有可能出现负权重现象。如果负权重数量过多,会造成传统的估计系数与真实的估计系数符号相反,导致回归结果不稳健。鉴于此,借鉴余林徽和马博文(2022)[35]的研究进行稳健性检验。先根据Chaisemartin和D'Haultfoeuille(2020)[33]的方法讨论负权重的占比,发现负权重占比均为0,表明结果是稳健的;再参考Chaisemartin和D'Haultfoeuille(2021)[36]、Sun和Abraham(2021)[37]、Gardner(2021)[38]的处理方法对多期双重差分法重新进行检验。从表 5的回归结果可知系数显著为正,再次表明核心结论稳健。

    表  5  考虑多期双重差分法权重异质性的结果
    分类 (1)
    LoanP
    (2)
    LoanG
    Chaisemartin和D'Haultfoeuille(2021)的方法[36] 0.842 6***(0.238 6) 0.022 4***(0.005 9)
    Sun和Abraham(2021)的方法[37] 1.289 6**(0.511 2) 0.020 2***(0.0071)
    Gardner(2021)的方法[38] 1.333 6***(0.508 6) 0.016 5***(0.005 9)
    注:Sun和Abraham(2021)[37]的方法不能清晰地展示窗口期内的平均处理效应,表中报告的是政策当期考虑到处理异质性后的政策效果。
    下载: 导出CSV 
    | 显示表格
    5.   其他稳健性检验

    首先考察预期因素对结果的影响。金融服务平台在建设前期通常有一个准备过程,比如项目规划、人员组织、采购招标等,而企业和银行在平台筹备期间产生的预期可能会对结果的估计造成偏差。为了避免预期的影响,借鉴宋弘等(2019)[39]的处理方法,在回归方程中加入设立数字金融服务平台之前1年的虚拟项,结果见表 6第(1)(2)列。可以发现主要估计系数仍然显著为正且与基准回归一致,而预期的估计系数不显著,表明数字金融服务平台设立的预期没有对回归结果造成影响。

    表  6  其他稳健性检验
    变量 考虑预期因素 倾向匹配法 消胀处理
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    (5)
    LoanP
    DFP 1.152 3**(0.463 6) 0.015 4**(0.006 7) 0.766 3*(0.423 8) 0.015 3**(0.007 6) 1.236 3***(0.452 4)
    预期 0.171 8(0.372 7) -0.004 7(0.006 9)
    控制变量
    个体固定效应
    时间固定效应
    N 1 884 1 884 1 058 1 058 1 678
    adj.R2 0.488 0.148 0.500 0.210 0.509
    下载: 导出CSV 
    | 显示表格

    其次,为了使实验组与对照组城市更为相似,使用倾向匹配法匹配对照组。选取前文的控制变量等作为匹配变量,控制年度和城市,然后使用Logit模型估计每个城市的倾向得分值并进行有放回的一对三匹配,最后以匹配后的样本重新进行估计,结果见第(3)(4)列。可见主要的估计系数依然显著为正,说明没有受到样本选择的影响。

    最后,为了排除物价因素的影响,对变量LoanP进行消胀处理。借鉴卢盛峰和陈思霞(2017)[40]的做法,构建2003—2019年中国各城市的GDP平减指数并进行消胀处理,结果如第(5)列所示。可知核心变量DFP的回归系数仍在1%的水平上显著为正,说明物价因素并未显著改变本文的核心结论。

    城市数字金融服务平台的成立将会对辖区内的银行信贷投放产生促进效应,而这种促进效应在不同的城市、不同的平台可能存在差异。同时,本节也将关注数字金融服务平台对银行信贷投放的影响渠道,以及数字金融服务平台与互联网金融的互动关系。

    1.   城市间异质性

    为了检验城市异质性的影响,构建如下回归模型:

    $$ Loa{n_{i, t}} = {\beta _0} + {\beta _1} \times DF{P_{i, t}} + {\beta _2} \times Cityva{r_{i, t - 1}} + {\beta _3} \times DF{P_{i, t}} \times Cityva{r_{i, t - 1}} + \theta \times CV{s_{i, t - 1}} + {\mu _t} + {\gamma _i} + {\varepsilon _{i, t}} $$ (3)

    其中,Cityvari, t-1为城市异质性变量。如H2a、H2b所述,城市的数字基础设施发展水平越高、银行业竞争度越强,越有可能推动当地银行的信贷投放,因此分别使用数字基础设施发展水平(dige_infra)和银行竞争度(comp_bank)代表城市的异质性特征(Cityvar),其交互项Treati, t×Cityvari, t-1系数β3刻画了城市异质性的影响,其余变量定义与(1)式相同。

    对于数字基础设施发展水平(dige_infra),选取百人中互联网宽带接入用户数、计算机服务和软件业从业人员占城镇单位从业人员比重、人均电信业务总量和百人中移动电话用户数等变量,并通过熵权-Topsis法将上述变量的数据标准化后降维处理,从而得到数字基础设施发展水平指数。回归中对数字基础设施发展水平指数进行对数化处理,获得dige_infra变量,其值越大说明城市的数字基础设施发展水平越高;对于银行竞争度(comp_bank),借鉴姜付秀等(2019)[25]的方法,使用中国银监会关于银行机构的金融许可证信息,计算出各个城市的银行业赫芬达尔-赫希曼指数(HHI),然后将HHI乘以“-1”获得城市银行竞争度comp_bank的正向测度指标,其值越大表明城市银行竞争越激烈。

    表 7报告了(3)式的回归结果。第(1)(2)列中交互项DFP×dige_infra的系数显著为正,表明数字基础设施发展水平能够正向调节数字金融服务平台对银行信贷投放的促进作用;即相对而言,数字金融服务平台的设立对于数字基础设施发展水平较高城市的银行信贷投放的推动作用更大,假设H2a得到验证。基于银行竞争度的分析结果如第(3)列所示,交互项DFP×comp_bank的系数显著为正,说明城市的银行竞争度越激烈,数字金融服务平台的设立对银行信贷投放的推动作用越大,这一结果验证了假设H2b。但是也可以看到,第(4)列的回归结果并不显著,说明银行竞争度的调节效应在被解释变量为银行信贷增速时较弱。

    表  7  城市间异质性分析
    变量 (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP 13.032 1***(3.151 6) 0.061 9**(0.027 3) 9.793 6***(1.159 3) 0.028 5(0.019 2)
    DFP×dige_infra 6.080 4***(1.461 7) 0.023 4*(0.013 1)
    DFP×comp_bank 43.865 2***(5.088 7) 0.071 4(0.088 7)
    dige_infra -0.722 1(0.503 2) -0.005 9(0.011 8)
    comp_bank 14.158 2**(6.314 4) 0.178 9(0.171 2)
    控制变量
    个体固定效应
    时间固定效应
    N 1 877 1 877 1 703 1 703
    adj. R2 0.520 0.150 0.530 0.147
    注:(3)(4)列中引入了银行竞争变量comp_bank,从而使得样本量出现下降。
    下载: 导出CSV 
    | 显示表格
    2.   平台交互渠道的异质性

    借鉴刘瑞明和赵仁杰(2015)[41]的方法,构建如下回归模型验证平台交互渠道异质性对数字金融服务平台产生的影响(即验证假设H3):

    $$ Loa{n_{i, t}} = {\beta _0} + {\beta _1} \times DF{P_{i, t}} + {\beta _2} \times Channe{l_{i, t - 1}} + \theta \times CV{s_{i, t - 1}} + {\mu _t} + {\gamma _i} + {\varepsilon _{i, t}} $$ (4)

    其中,Channeli, t-1为虚拟变量,衡量数字金融服务平台的交互渠道。手工整理样本时发现数字金融服务平台主要用户的交互渠道有三种,即门户网站、手机应用程序和微信公众号。设定Channel 1为数字金融服务平台拥有门户网站和微信公众号两个交互渠道时取1,否则为0;Channel 2为数字金融服务平台拥有门户网站、微信公众号和手机应用程序三个交互渠道时取1,否则为0。交互项DFPi, t×Channeli, t-1的系数β1表示拥有额外交互渠道的数字金融服务平台的影响。其余变量定义与(1)式相同。

    表 8报告了(4)式的回归结果,可以发现DFP×Channel 2的回归系数值和显著性程度要高于DFP×Channel 1,表明数字金融服务平台拥有的用户交互渠道越多,对于地区银行信贷投放的推动效应更大,假设H3得到验证。这一发现意味着若要更好地发挥数字金融服务平台的效用,必须优化和拓宽用户交互渠道。

    表  8  平台异质性分析
    变量 (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP×Channel1 1.331 6(0.816 0) 0.016 0**(0.006 8)
    DFP×Channel2 1.377 5**(0.581 5) 0.018 2***(0.006 5)
    控制变量
    个体固定效应
    时间固定效应
    N 1 877 1 877 1 877 1 877
    adj. R2 0.486 0.149 0.488 0.149
    下载: 导出CSV 
    | 显示表格

    综上所述,数字金融服务平台的设立对于银行信贷投放的推动作用在不同维度上呈现出一定的差异性。当城市数字基础设施发展水平越高、当地银行竞争度越大时,数字金融服务平台对银行信贷投放的推动作用越大;数字金融服务平台拥有的用户交互渠道越多,对银行信贷投放的推动作用越强。

    1.   渠道效应检验

    根据前文的分析,地方政府设立数字金融服务平台会从信息不对称、金融服务效率、金融服务覆盖范围以及社会信用环境等四个渠道促进银行的信贷投放。下面重点对其影响路径进行检验,以进一步揭示地方政府数字金融服务平台对实体经济的影响机制。

    首先,倘若地方政府设立数字金融服务平台能够缓解信贷供需双方的信息不对称,进而促进银行信贷投放,那么在信息不对称较为严重的环境下,这种影响效应理应更加突显。这是因为在此环境中,银行通常有着较强的风险管理动机以应对信息不对称可能造成的风险损失,从而提高信贷门槛,减少信贷投放(平新乔和杨慕云,2009)[42]。地方政府设立数字金融服务平台,建立信用共享机制,可以在高度信息不对称的环境下为银行提供支持,缓解银行风险管理的压力,促进银行信贷投放。借鉴李志生等(2020)[26]的研究,使用樊纲等(2011)[43]编制的市场化指数中的“中介组织发育和法律得分”衡量地区的信息不对称程度,并根据各年度中介组织发育和法律得分中位数将样本城市分为信息不对称较低和信息不对称较高两组。分组回归结果如表 9中Panel A所示,在信息不对称较高的区域,数字金融服务平台的影响显著为正,在信息不对称较低的区域不显著,说明前文提出的信息不对称影响渠道成立。

    表  9  渠道效应检验
    变量 Panel A:信息不对称渠道 Panel B:金融服务效率渠道
    信息不对称较低 信息不对称较高 金融服务效率较高 金融服务效率较低
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP 0.056 7 0.008 5 1.535 4*** 0.022 5** 0.986 5 0.004 7 1.112 1** 0.021 5**
    (0.632 3) (0.008 9) (0.568 4) (0.008 7) (0.730 7) (0.006 9) (0.513 8) (0.010 4)
    变量 Panel C:金融服务覆盖渠道 Panel D:社会信用环境渠道
    地区发达程度较高 地区发达程度较低 社会信用环境较好 社会信用环境较差
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP 0.387 9 0.016 6 0.805 0* 0.014 4** 0.597 7 0.000 1 2.080 8*** 0.031 4***
    (0.648 3) (0.009 8) (0.457 0) (0.007 2) (0.576 4) (0.007 1) (0.651 2) (0.011 2)
    注:本表的回归模型与前文一致,这里仅展示核心变量的回归结果。
    下载: 导出CSV 
    | 显示表格

    其次,检验金融服务效率影响渠道。数字金融服务平台可以降低信贷活动的交易成本,提高金融服务效率,从而促进银行信贷投放。假如金融服务效率渠道成立,可以推测在金融服务效率较低的城市,地方政府数字金融服务平台的影响效应更加突出。遵循这一逻辑,参考徐晓光等(2014)[44]的研究,使用DEA模型测算出各年度城市金融效率水平作为代理变量,并按照中位数将样本划分为金融服务效率较高组和金融服务效率较低组。考虑到数据可得性,投入产出指标使用所在省份数据替代。结果如Panel B所示,可知在金融服务效率较低的城市,地方政府设立数字金融服务平台对银行信贷投放的影响显著,而在金融服务效率较高的城市影响不再显著,从而验证了本文提出的金融服务效率影响渠道。

    再次,检验提高金融服务覆盖范围的影响渠道。数字金融服务平台的设立进一步提升了信贷服务的可得性,能够帮助不发达地区解决信贷融资规模的不足,扩大银行金融服务的覆盖面。借鉴周宏和胡亚权(2010)[45]的研究,使用人均实际GDP衡量地区发达程度,并根据各年度人均实际GDP的中位数将样本城市分为地区发达程度较高和地区发达程度较低两组。回归结果如Panel C所示,可发现在发达程度较低的区域,数字金融服务平台的影响显著为正,而在发达程度较高的区域不显著,说明前文提出的提高金融服务覆盖范围影响渠道成立。

    最后,检验社会信用环境渠道。数字金融服务平台整合了大量的信用数据,有助于形成一个公开透明的诚信信用奖惩机制,逐渐改善整体的社会信用环境,进而促使银行提高贷款投放。与前文的逻辑类似,如果该城市的社会信用环境较差,那么地方政府设立数字金融服务平台对银行信贷投放的促进作用应该更强。利用中国管理科学研究院公布的“城市商业信用环境指数”中的二级指标“失信违规行为”来衡量社会信用环境,该二级指标包含了地区交易违约情况、经济违法违规和重大失信违法违规案件三个层面的信息(林钧跃,2012)[46],同时依据各城市各年度的二级指数“失信违规行为”的排名情况将样本城市分为社会信用环境较好组和社会信用环境较差组。回归结果如Panel D所示,在社会信用环境较差的地区,地方政府设立数字金融服务平台的促进效应较为显著;而在社会信用环境较好的地区,数字金融服务平台的影响较弱。这一结果支持了前文提出的社会信用环境影响渠道。

    2.   数字金融服务平台与互联网金融的互动关系

    数字金融服务平台作为新型的数字金融服务模式,与传统数字金融服务模式——互联网金融之间存在怎样的关系呢?互联网金融广义上是指传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的金融业务模式;但从狭义和直观上理解,互联网金融通常被看作互联网公司从事金融业务。学者们在研究中更多使用狭义上的概念(战明华等,2018;傅顺和裴平,2022)[47-48],本文沿用这一做法,认为互联网金融是互联网企业利用信息技术实现支付、投融资和信息中介服务的新型金融业务模式。

    构建如下模型考察互联网金融发展对数字金融服务平台的影响:

    $$ Loa{n_{i, t}} = {\beta _0} + {\beta _1}I{F_{i, t - 1}} + {\beta _2}DF{P_{i, t}} + {\beta _3}I{F_{i, t - 1}} \times DF{P_{i, t}} + \tau CV{s_{i, t - 1}} + {\mu _t} + {\gamma _i} + {\varepsilon _{i, t}} $$ (5)

    式中,IFi, t-1为互联网金融发展指标,其余变量与式(1)一致。交互项IFi, t-1×DFPi, t的估计系数β3反映了互联网金融发展对数字金融服务平台的影响。

    对于互联网金融发展指标IFi, t-1,采用第三方支付规模作为代理变量,回归中使用对数形式。互联网金融最重要的业务模式是第三方支付,其规模可以较为合理地衡量互联网金融发展程度。战明华等(2018)[47]、傅顺和裴平(2022)[48]等的研究均认为第三方支付规模可以作为互联网金融发展程度的代理变量。回归结果如表 10所示,交互项IF×DFP的回归系数分别在5%和10%的水平下显著为正,说明互联网金融发展水平越高,地方政府数字金融服务平台对于银行信贷投放的促进作用越强。互联网金融发展水平越高,表明依靠互联网金融实现的支付结算、资源配置、风险管理和信息处理等功能越发达(喻微锋和郑建峡,2022)[49],从而为数字金融服务平台提供了肥沃的“土壤”,促使其更好地发挥效用。主效应DFP的系数不再显著,说明当互联网金融发展水平较低时,地方政府成立数字金融服务平台对银行信贷的影响有限,这可能是因为互联网金融发展水平越低,依靠互联网金融实现各项功能较为薄弱,从而不利于数字金融服务平台发挥效用。

    表  10  互联网金融发展对数字金融服务平台的影响
    变量 (1)
    LoanP
    (2)
    LoanG
    IF 1.046 8*(0.539 3) -0.000 8(0.004 8)
    DFP 0.147 5(0.489 3) 0.000 7(0.007 1)
    IF×DFP 0.846 7**(0.398 2) 0.006 6*(0.004 0)
    控制变量
    个体固定效应
    时间固定效应
    Constant 5.038 2(4.659 1) 0.254 8***(0.060 5)
    N 1 884 1 884
    adj. R2 0.489 0.148
    下载: 导出CSV 
    | 显示表格

    地方政府建设数字化的综合金融服务平台,运用大数据和云计算等数字科技为银行机构和企业等信贷供需双方实现对接服务,是一种有效缓解中小微企业和民营企业“融资难、融资贵、融资繁”问题的解决途径。本文以我国各城市数字金融服务平台成立作为准自然实验,使用多期双重差分法,实证检验地方政府的数字金融服务平台对当地银行信贷投放的影响及其作用机制。研究发现:在其他城市特征不变的情况下,设立数字金融服务平台能够显著促进银行信贷投放,这一实证结果在一系列稳健性检验后仍然成立。异质性分析结果表明,在数字基础设施发展水平高、银行竞争度强的城市,设立数字金融服务平台的促进作用相对更强。另外,数字金融服务平台拥有的用户交互渠道(门户网站、微信公众号和手机应用程序)越多,对银行信贷投放的促进作用越强。进一步研究发现,数字金融服务平台主要从信息不对称、金融服务效率、金融服务覆盖范围以及社会信用环境等四个渠道促进了银行的信贷投放;此外,互联网金融的发展加强了数字金融服务平台对银行信贷投放的促进作用。

    数字金融服务平台改变了传统金融机构的贷款模式,能够有效缓解政银企三者间的信息不对称,提高金融服务效率和覆盖范围,是解决整个银行体系对中小微企业信贷供给问题的重要工具。基于研究结论,提出相应的政策建议:

    首先,建设数字金融服务平台以及扩大其影响力需要大量的数字基础设施来支撑。因此,加大对数字基础设施的投入和建设力度,是提高政府数字金融服务平台服务效率的必要步骤之一。其次,地方政府要加大各方的协调力度。银行是金融产品和服务的供给主体,公共部门(财政税务、工商、公共事业服务、大数据局等)是企业信用信息的重要供给主体,因此,数字金融服务平台在吸引更多的商业银行和其他金融机构入驻、增加平台的信贷供给方之外,必须积极协调公共部门向平台提供统一且规范的企业信用信息等,提高信用信息的质量、覆盖范围和时效性,并进行相互比对,实现精准的企业画像。最后,在建设数字金融服务平台的过程中,程序设计要密切贴近用户的需求,特别是要适应手机网络用户的使用习惯,开拓多种用户交互渠道,如手机应用程序、微信公众号和小程序等,让用户可以更加便捷、快速地使用相关功能,在特定时期(如疫情期间)也可以提供金融服务,进而提高数字金融服务平台的服务效率。

  • 图  1  平行趋势检验的动态效应图

    图  2  安慰剂检验

    表  1  描述性统计

    变量 观测值 均值 标准差 最小值 中位数 最大值
    LoanP 1 884 6.346 5 7.767 9 0.636 2 3.213 8 40.811 2
    LoanG 1 884 0.136 0 0.062 1 -0.074 1 0.135 7 0.365 9
    ED 1 884 1.429 7 0.665 4 0.063 9 1.351 3 3.251 7
    IND 1 884 39.364 9 9.326 4 20.930 0 38.470 0 69.590 0
    GOV 1 884 0.187 1 0.082 2 0.077 0 0.168 8 0.675 0
    FI 1 884 0.279 0 0.255 7 0.001 9 0.205 9 1.154 7
    CITY 1 884 53.421 8 14.464 5 25.071 0 51.105 0 94.976 0
    RISK 1 884 1.493 8 0.728 8 0.350 0 1.300 0 4.400 0
    FD 1 884 2.276 8 1.078 9 0.986 8 1.952 9 7.011 1
    下载: 导出CSV

    表  2  基准回归分析

    变量 (1)
    LoanP
    (2)
    LoanP
    (3)
    LoanG
    (4)
    LoanG
    DFP 1.286 8***(0.481 0) 1.130 9**(0.436 1) 0.025 6***(0.006 6) 0.016 0**(0.006 4)
    ED 4.419 4***(1.630 0) -0.009 3(0.026 3)
    IND -0.049 5(0.040 7) 0.000 4(0.000 8)
    GOV -8.161 7***(2.953 6) -0.201 5**(0.083 6)
    FI -1.511 0**(0.665 5) -0.023 1*(0.013 3)
    CITY -0.096 9(0.059 1) -0.000 3(0.000 6)
    RISK -0.120 0(0.192 8) -0.013 9***(0.003 6)
    FD 1.932 4***(0.555 3) -0.015 8*(0.009 4)
    Constant 4.318 1***(0.151 7) 3.733 1(4.011 1) 0.157 5***(0.002 9) 0.257 6***(0.051 9)
    个体固定效应
    时间固定效应
    N 1 884 1 884 1 884 1 884
    adj. R2 0.412 0.489 0.117 0.148
    注:括号内是稳健标准误;******分别表示显著性水平为10%、5%和1%。下表同。
    下载: 导出CSV

    表  3  平行趋势检验

    变量 (1)
    LoanP
    (2)
    LoanG
    Pre5 -0.597 7(0.607 2) 0.002 1(0.008 9)
    Pre4 -0.205 4(0.512 3) -0.000 3(0.008 7)
    Pre3 -0.176 2(0.431 9) -0.002 1(0.009 1)
    Pre2 -0.137 5(0.349 9) 0.009 5(0.008 2)
    Current 0.555 7(0.538 0) 0.014 7(0.009 5)
    After 1.348 6**(0.553 8) 0.024 5***(0.006 0)
    控制变量
    个体固定效应
    时间固定效应
    N 1 884 1 884
    adj. R2 0.489 0.147
    下载: 导出CSV

    表  4  工具变量回归结果

    变量 (1)
    LoanP
    (2)
    LoanG
    DFP 26.619 0***(7.214 4) 0.112 2**(0.050 8)
    控制变量
    个体固定效应
    时间固定效应
    KP rk LM statistic P-val 0.003 1 0.003 1
    Wald F statistic 29.004 29.004
    Hansen J statistic P-val 0.785 5 0.127 2
    N 1 842 1 842
    注:Wald F检验临界值为19.93(10%水平),11.59(15%水平),8.75(20%水平),7.25(25%水平)。
    下载: 导出CSV

    表  5  考虑多期双重差分法权重异质性的结果

    分类 (1)
    LoanP
    (2)
    LoanG
    Chaisemartin和D'Haultfoeuille(2021)的方法[36] 0.842 6***(0.238 6) 0.022 4***(0.005 9)
    Sun和Abraham(2021)的方法[37] 1.289 6**(0.511 2) 0.020 2***(0.0071)
    Gardner(2021)的方法[38] 1.333 6***(0.508 6) 0.016 5***(0.005 9)
    注:Sun和Abraham(2021)[37]的方法不能清晰地展示窗口期内的平均处理效应,表中报告的是政策当期考虑到处理异质性后的政策效果。
    下载: 导出CSV

    表  6  其他稳健性检验

    变量 考虑预期因素 倾向匹配法 消胀处理
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    (5)
    LoanP
    DFP 1.152 3**(0.463 6) 0.015 4**(0.006 7) 0.766 3*(0.423 8) 0.015 3**(0.007 6) 1.236 3***(0.452 4)
    预期 0.171 8(0.372 7) -0.004 7(0.006 9)
    控制变量
    个体固定效应
    时间固定效应
    N 1 884 1 884 1 058 1 058 1 678
    adj.R2 0.488 0.148 0.500 0.210 0.509
    下载: 导出CSV

    表  7  城市间异质性分析

    变量 (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP 13.032 1***(3.151 6) 0.061 9**(0.027 3) 9.793 6***(1.159 3) 0.028 5(0.019 2)
    DFP×dige_infra 6.080 4***(1.461 7) 0.023 4*(0.013 1)
    DFP×comp_bank 43.865 2***(5.088 7) 0.071 4(0.088 7)
    dige_infra -0.722 1(0.503 2) -0.005 9(0.011 8)
    comp_bank 14.158 2**(6.314 4) 0.178 9(0.171 2)
    控制变量
    个体固定效应
    时间固定效应
    N 1 877 1 877 1 703 1 703
    adj. R2 0.520 0.150 0.530 0.147
    注:(3)(4)列中引入了银行竞争变量comp_bank,从而使得样本量出现下降。
    下载: 导出CSV

    表  8  平台异质性分析

    变量 (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP×Channel1 1.331 6(0.816 0) 0.016 0**(0.006 8)
    DFP×Channel2 1.377 5**(0.581 5) 0.018 2***(0.006 5)
    控制变量
    个体固定效应
    时间固定效应
    N 1 877 1 877 1 877 1 877
    adj. R2 0.486 0.149 0.488 0.149
    下载: 导出CSV

    表  9  渠道效应检验

    变量 Panel A:信息不对称渠道 Panel B:金融服务效率渠道
    信息不对称较低 信息不对称较高 金融服务效率较高 金融服务效率较低
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP 0.056 7 0.008 5 1.535 4*** 0.022 5** 0.986 5 0.004 7 1.112 1** 0.021 5**
    (0.632 3) (0.008 9) (0.568 4) (0.008 7) (0.730 7) (0.006 9) (0.513 8) (0.010 4)
    变量 Panel C:金融服务覆盖渠道 Panel D:社会信用环境渠道
    地区发达程度较高 地区发达程度较低 社会信用环境较好 社会信用环境较差
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    (1)
    LoanP
    (2)
    LoanG
    (3)
    LoanP
    (4)
    LoanG
    DFP 0.387 9 0.016 6 0.805 0* 0.014 4** 0.597 7 0.000 1 2.080 8*** 0.031 4***
    (0.648 3) (0.009 8) (0.457 0) (0.007 2) (0.576 4) (0.007 1) (0.651 2) (0.011 2)
    注:本表的回归模型与前文一致,这里仅展示核心变量的回归结果。
    下载: 导出CSV

    表  10  互联网金融发展对数字金融服务平台的影响

    变量 (1)
    LoanP
    (2)
    LoanG
    IF 1.046 8*(0.539 3) -0.000 8(0.004 8)
    DFP 0.147 5(0.489 3) 0.000 7(0.007 1)
    IF×DFP 0.846 7**(0.398 2) 0.006 6*(0.004 0)
    控制变量
    个体固定效应
    时间固定效应
    Constant 5.038 2(4.659 1) 0.254 8***(0.060 5)
    N 1 884 1 884
    adj. R2 0.489 0.148
    下载: 导出CSV
  • [1] 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(4): 1557-1580. doi: 10.13821/j.cnki.ceq.2018.03.12
    [2] 张勋, 万广华, 吴海涛. 缩小数字鸿沟: 中国特色数字金融发展[J]. 中国社会科学, 2021(8): 35-51, 204-205. https://www.cnki.com.cn/Article/CJFDTOTAL-ZSHK202108002.htm
    [3] 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(4): 1489-1502. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201804009.htm
    [4] 江红莉, 蒋鹏程, 胡林柯. 数字金融影响了劳动收入份额吗——来自中国上市公司的经验证据[J]. 广东财经大学学报, 2022(3): 34-48. http://xb.gdufe.edu.cn/article/id/b459b0c1-91bf-499f-8b86-c79a7904c083
    [5] 杨慧鑫, 王伟. "信易贷"的运行逻辑与制度构建——基于信息和信用机制的视角[J]. 宏观经济管理, 2022(4): 61-69. https://www.cnki.com.cn/Article/CJFDTOTAL-HGJG202204011.htm
    [6] GOMBER P, KAUFFMAN R J, PARKER C. On the fintech revolution interpreting the forces of innovation, disruption and transformation in financial services[J]. Journal of Management Information Systems, 2018: 220-265.
    [7] 盛天翔, 范从来. 金融科技、最优银行业市场结构与小微企业信贷供给[J]. 金融研究, 2020(6): 114-132. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202006007.htm
    [8] 雷海波. 数字征信是否改善了信贷使用?——基于中国县域数据的实证研究[J]. 南方金融, 2021(10): 37-48. doi: 10.3969/j.issn.1007-9041.2021.10.004
    [9] 战明华, 汤颜菲, 李帅. 数字金融发展、渠道效应差异和货币政策传导效果[J]. 经济研究, 2020(6): 22-38. doi: 10.3969/j.issn.1673-291X.2020.06.011
    [10] 张一林, 郁芸君, 陈珠明. 人工智能、中小企业融资与银行数字化转型[J]. 中国工业经济, 2021(12): 69-87. doi: 10.3969/j.issn.1006-480X.2021.12.009
    [11] 张金清, 李柯乐, 张剑宇. 银行金融科技如何影响企业结构性去杠杆?[J]. 财经研究, 2022(1): 64-77. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ202201005.htm
    [12] DJANKOV S, MCLIESH C, SHLEIFER A. Private credit in 129 countries[J]. Journal of Financial Economics, 2007, 2: 299-329.
    [13] 龙海明, 王志鹏. 征信系统、法律权利保护与银行信贷[J]. 金融研究, 2017(2): 117-130. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201702009.htm
    [14] 中国人民银行研究局课题组. 完善中小微企业融资制度问题研究[EB/OL]. (2021-03-29)[2023-01-08]. http://www.pbc.gov.cn/redianzhuanti/118742/4122386/4122510/4214277/index.html.
    [15] 曾光辉. 推进"信易贷" 服务中小企业融资[J]. 宏观经济管理, 2021(4): 34-39, 47. https://www.cnki.com.cn/Article/CJFDTOTAL-HGJG202104008.htm
    [16] 王馨. 互联网金融助解"长尾"小微企业融资难问题研究[J]. 金融研究, 2015(9): 128-139. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201509009.htm
    [17] 余泳泽, 郭梦华, 胡山. 社会失信环境与民营企业成长——来自城市失信人的经验证据[J]. 中国工业经济, 2020(9): 137-155. doi: 10.3969/j.issn.1006-480X.2020.09.008
    [18] 钱水土, 吴卫华. 信用环境、定向降准与小微企业信贷融资——基于合成控制法的经验研究[J]. 财贸经济, 2020(2): 99-114. doi: 10.3969/j.issn.1002-8102.2020.02.007
    [19] 马青山, 何凌云, 袁恩宇. 新兴基础设施建设与城市产业结构升级——基于"宽带中国"试点的准自然实验[J]. 财经科学, 2021(4): 76-90. doi: 10.3969/j.issn.1000-8306.2021.04.007
    [20] 陈海波, 邓雅慧. 网络基础设施建设如何赋能企业社会责任履行——基于"宽带中国"战略的准自然实验[J]. 广东财经大学学报, 2023(1): 17-30. http://xb.gdufe.edu.cn/article/id/25240acd-cee6-4296-bfd1-fe2964a94f8b
    [21] 赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界, 2020(10): 65-76. doi: 10.3969/j.issn.1002-5502.2020.10.006
    [22] 梁玉成, 张咏雪. 算法治理、数据鸿沟与数据基础设施建设[J]. 西安交通大学学报: 社会科学版, 2022(2): 94-102. https://www.cnki.com.cn/Article/CJFDTOTAL-XAJD202202010.htm
    [23] 范合君, 吴婷. 新型数字基础设施、数字化能力与全要素生产率[J]. 经济与管理研究, 2022(1): 3-22. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYG202201001.htm
    [24] CHONG T T, 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, 9: 3412-3424.
    [25] 姜付秀, 蔡文婧, 蔡欣妮, 等. 银行竞争的微观效应: 来自融资约束的经验证据[J]. 经济研究, 2019(6): 72-88. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201906006.htm
    [26] 李志生, 金凌, 孔东民. 分支机构空间分布、银行竞争与企业债务决策[J]. 经济研究, 2020(10): 141-158. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202010010.htm
    [27] 谭之博, 周黎安. 官员任期与信贷和投资周期[J]. 金融研究, 2015(6): 80-93. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201506006.htm
    [28] 孟娜娜, 粟勤, 雷海波. 金融科技如何影响银行业竞争[J]. 财贸经济, 2020(3): 66-79. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ202003006.htm
    [29] 孙希芳, 王晨晨. 地方财政压力、信贷错配与信贷过度扩张[J]. 经济科学, 2020(6): 34-47. https://www.cnki.com.cn/Article/CJFDTOTAL-JJKX202006004.htm
    [30] 李志远, 曹哲正. 综合保税区的设立对制造业就业水平的影响分析[J]. 国际贸易问题, 2021(8): 104-118. https://www.cnki.com.cn/Article/CJFDTOTAL-GJMW202108007.htm
    [31] 卞泽阳, 李志远, 徐铭遥. 开发区政策、供应链参与和企业融资约束[J]. 经济研究, 2021(10): 88-104. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202110007.htm
    [32] 刘畅, 曹光宇, 马光荣. 地方政府融资平台挤出了中小企业贷款吗?[J]. 经济研究, 2020(3): 50-64. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202003007.htm
    [33] CHAISEMARTIN C D, D'HAULTFOEUILLE X. Two-way fixed effects estimators with heterogeneous treatment effects[J]. American Economic Review, 2020, 110(9): 2964-96.
    [34] GOODMAN-BACON A. Difference-in-differences with variation in treatment timing[J]. Journal of Econometrics, 2021, 225(2): 254-277.
    [35] 余林徽, 马博文. 资源枯竭型城市扶持政策、制造业升级与区域协调发展[J]. 中国工业经济, 2022(8): 137-155. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY202208008.htm
    [36] CHAISEMARTIN C D, D'HAULTFOEUILLE X. Two-way fixed effects regressions with several treatments[R]. SSRN Working Paper, 2021.
    [37] SUN L, ABRAHAM S. Estimating dynamic treatment effects in event studies with heterogeneous treatment effects[J]. Journal of Econometrics, 2021, 225(2): 175-199.
    [38] GARDNER J. Two-stage differences in differences[R]. NBER Working Paper, 2021.
    [39] 宋弘, 孙雅洁, 陈登科. 政府空气污染治理效应评估——来自中国"低碳城市"建设的经验研究[J]. 管理世界, 2019(6): 95-108, 195. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201906010.htm
    [40] 卢盛峰, 陈思霞. 政府偏袒缓解了企业融资约束吗?——来自中国的准自然实验[J]. 管理世界, 2017(5): 51-65, 187-188. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201705010.htm
    [41] 刘瑞明, 赵仁杰. 国家高新区推动了地区经济发展吗?——基于双重差分方法的验证[J]. 管理世界, 2015(8): 30-38. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201508008.htm
    [42] 平新乔, 杨慕云. 信贷市场信息不对称的实证研究——来自中国国有商业银行的证据[J]. 金融研究, 2009(3): 1-18. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ200903004.htm
    [43] 樊纲, 王小鲁, 马光荣. 中国市场化进程对经济增长的贡献[J]. 经济研究, 2011(9): 4-16. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201109002.htm
    [44] 徐晓光, 冼俊城, 郑尊信. 中国城市金融效率提升路径探析[J]. 数量经济技术经济研究, 2014(10): 53-68, 83. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY201410004.htm
    [45] 周宏, 胡亚权. 知识产权保护对我国人均GDP增长率影响的地区差异性研究——基于1997-2006年省际面板数据[J]. 统计研究, 2010(5): 48-52. https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ201005010.htm
    [46] 林钧跃. 中国城市商业信用环境指数研制与分析[J]. 财贸经济, 2012(2): 89-97. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ201202014.htm
    [47] 战明华, 张成瑞, 沈娟. 互联网金融发展与货币政策的银行信贷渠道传导[J]. 经济研究, 2018(4): 63-76. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201804006.htm
    [48] 傅顺, 裴平. 互联网金融发展与商业银行净息差——来自中国36家上市银行的经验证据[J]. 国际金融研究, 2022(2): 55-64. https://www.cnki.com.cn/Article/CJFDTOTAL-GJJR202202006.htm
    [49] 喻微锋, 郑建峡. 互联网金融、货币政策与银行风险承担[J]. 统计研究, 2022(6): 68-85. https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ202206005.htm
  • 期刊类型引用(8)

    1. 张文静,刘振荣,司传宁. 数字金融如何影响农户正规信贷需求?——来自CHFS的证据. 科技和产业. 2024(01): 106-111 . 百度学术
    2. 李梁,殷凤春. 数字普惠金融、融资约束与中小企业投资效率. 科学管理研究. 2024(01): 106-114 . 百度学术
    3. 李明洋,张乃丽. 数字政府建设与企业对外直接投资——来自国脉电子政务网的经验证据. 国际经贸探索. 2024(03): 56-74 . 百度学术
    4. 王宏宇,吉猛. 钱越多越好吗?农村信贷与农村产业升级的时空关系——基于SAR模型与SEM模型的实证分析. 管理现代化. 2024(02): 52-60 . 百度学术
    5. 武靖州,罗云高. 地方政府债务对民营企业融资的非线性影响——兼论数字普惠金融的调节效应. 地方财政研究. 2024(04): 33-46 . 百度学术
    6. 徐立新,梁玉美. 数字金融对新能源企业技术创新的影响. 青海金融. 2024(07): 4-12 . 百度学术
    7. 邱善运,白俊. 数字金融何以抑制企业委托贷款活动. 广东财经大学学报. 2023(03): 54-68 . 本站查看
    8. 孟禹,邢天才,朱义欣,许羽诺. 数字金融与中小企业债务融资成本. 产业组织评论. 2023(04): 168-191 . 百度学术

    其他类型引用(5)

  • 加载中
图(2) / 表(10)
计量
  • 文章访问数:  407
  • HTML全文浏览量:  250
  • PDF下载量:  35
  • 被引次数: 13
出版历程
  • 收稿日期:  2023-01-30
  • 网络出版日期:  2023-07-07
  • 刊出日期:  2023-03-28

目录

/

返回文章
返回