金融科技发展有助于农商行业务回归本源吗？——来自县域农商行的微观证据

亓 鹏 韩庆潇

（1.中国人民银行莱芜市中心支行，山东 济南 271100；
2.中国人民银行济南分行，山东 济南 250021）

作为金融系统中支农支小的主力军，农信机构利用自身贴近基层的天然优势，在服务实体经济，特别是支持“三农”和“小微”等领域发挥了重要作用。不过，近年来，在农信机构市场化改制全面推进的背景下，由于经营目标更加注重逐利性和市场导向性，叠加农村市场需求的不断萎缩，部分农信机构在经营定位上出现了“离农脱小”的盲目扩张倾向，“抓大抓强、全面发展、垒大户”等新问题逐渐显现，严重背离了农信机构市场化改革的初衷，很容易引发风险传染和连锁反应等问题。在此背景下，2021年中央一号文件强调“加大对机构法人在县域、业务在县域的金融机构的支持力度，推动农村金融机构回归本源”，这体现出国家层面对农村商业银行（以下简称农商行）脱离业务本源问题的重视，以及对农商行坚守支农支小定位的支持。

与此同时，随着大数据、云计算、区块链等互联网技术的迅速发展，普惠金融数字化程度不断加深，农商行在省联社的指导下积极“触网”，基于县域市场主体的生产和消费需求推出了各类线上产品，为农商行服务进一步下沉和业务回归本源奠定了基础。但值得注意的是，农商行对数字技术的应用局限于单一业务环节和单一品类产品，创新能力严重不足。而以国有大行为代表的大型商业银行，凭借长期积累的资金、人才以及技术基础优势，数字化转型升级进程较快，能够以较低的资金成本挖掘优质企业客户。特别是在监管引导及优惠政策刺激下，近年来国有大行小微企业贷款利率总体呈大幅下降趋势，普惠金融领域价格战逐渐蔓延。面对国有大行的业务冲击，中小商业银行被动下调小微企业贷款利率，利润空间不断被压缩。综上，虽然金融科技的发展有助于农商行回归县域法人机构本源，专注支农支小信贷主业，但在市场竞争加剧、自身市场定位偏离以及风险暴露的背景下，农商行能否真正回归业务本源值得关注与思考。基于此，本文主要探讨以下两个问题：一是金融科技在不同的发展阶段，会对农商行本源业务——中小微企业贷款——产生怎样不同的影响；
二是此种影响具体体现在哪个维度。与现有文献相比，本文的边际贡献在于：我们将研究视角聚焦于存在天然劣势的县域农商行，有助于了解金融科技迅速发展背景下中小法人商业银行的生存环境及其面临的市场竞争压力，丰富了金融科技对商业银行影响的相关研究，同时也为既有理论提供了经验数据的支持。

（一）技术溢出效应

梳理现有文献发现，数字金融与传统金融的关系大体可分为“替代论”“补缺论”与“互补论”三种观点。“替代论”认为，数字金融可以有效破解传统金融中固有的交易成本和信息不对称等问题（谢平和邹传伟，2012），通过商业模式或者技术创新冲击原有垄断机构的市场地位（苏治等，2018），因此，给传统银行带来的负面影响大于正面影响（Beck，2001）。“补缺论”则认为，数字技术的本质只是技术工具的改进，其作用在于提高效率，使金融服务延伸到被传统金融忽视的弱势群体，本身并不能鉴别信息真伪，难以解决信息不对称的问题（王国刚和张扬，2015；
汪炜和郑扬扬，2015）。当前，多数学者支持“互补论”的观点（刘澜飚等，2013），即数字技术可以通过技术溢出效应优化传统金融服务，如改善信息采集方式、风险定价模型以及投资决策过程等，从而激发传统金融机构的创新活力，带动交易成本的降低和经营效率的提升（程鑫，2015；
刘忠璐，2016；
孟娜娜等，2020；
王升等，2021），实现家庭信贷扩张和正规金融服务下沉（吴晓求，2015）。事实也证明，金融科技对传统商业银行机构的影响已呈现从竞争向跨界竞合转变的趋势。对于中小商业银行而言，如城商行，可以凭借在普惠金融领域的先验优势，以及“船小好调头”的特质，迅速与数字金融产生联系耦合效应，因此，其对外溢技术具有更强的吸收能力（沈悦和郭品，2015）。

（二）市场挤出效应

传统大型商业银行具备强势的客户基础并掌握大量的金融数据，借此可以与金融科技巨头进行优势互补，在金融服务和产品创新、风险管理等多方面实现数字化转型升级，进一步扩大业务半径，从而促进金融服务下沉。而中小法人商业银行在客户基础、经营范围、系统建设等方面均处于弱势地位。以农商行为例，其经营范围一般局限于县域，竞争优势主要体现在“长尾”客户，随着金融科技的发展以及大型商业银行金融服务的下沉，其产品创新能力低下的缺陷将被不断放大，竞争优势也将被削弱，最终导致市场份额下降（封思贤和郭仁静，2019）。此外，金融科技的运用缩小了大型商业银行与中小商业银行在获取中小企业信息方面的差距，并借助资金成本优势对中小商业银行产生了“掐尖效应”，刺激了中小商业银行风险水平的上升。麦肯锡发布的《全球数字化银行的战略实践与启示》也指出，金融科技可以增强大型商业银行涉足消费金融和中小企业信贷市场的动机和能力（金洪飞等，2020）。

（三）研究假设

金融科技的发展可以通过技术溢出效应对商业银行支持中小微企业产生正面影响，但逐利性是商业银行的本质特征，争夺优质中小客户是商业银行的理性选择，大型商业银行可能在普惠领域对相对弱势的农商行形成“降维打击”，产生一定的掐尖与挤出效应。因此，我们认为金融科技与农商行本源业务——中小微企业贷款——之间可能存在非线性关系，金融科技发展程度较低时，有利于农商行中小微业务规模增长，但发展到一定程度后，则转为抑制业务规模增长。由此，本文建立以下假设：

H1：金融科技的发展与农商行中小微业务规模之间呈倒U形关系，即金融科技发展程度较低时，正面影响占主导地位；
而当发展到一定程度后，负面影响则更为凸显。

根据监管部门的规定，第三方支付的账户如果不绑定银行卡，就只具备小额转账的功能，其功能价值将大幅受限（郭峰等，2020）。因此，仅考虑数字金融的覆盖广度，难以真正体现出金融科技的普惠价值。基于此，我们认为，较之数字金融覆盖广度，本地区用户实际使用数字金融服务的情况——即数字金融使用深度，更能体现金融科技在本地区的发展现状与成效。数字金融使用深度对金融机构的影响具体表现在以下三个方面：第一，只有当用户实际使用支付、信贷及投资等各类数字金融服务时，才能通过增加对银行卡等传统金融载体的应用，为传统金融机构提供大量可供分析的数据信息，从而便于金融机构对客户信用、资产条件进行分析与评估（杨波等，2020）。第二，在数字金融服务实际利用率更高的地区，大型银行的优势会更加凸显，比如提供同样的线上产品服务时，大型商业银行可以凭借较低的资金成本和利率优势，积极抢夺优质中小企业客户。第三，移动终端和在线服务已经开始削弱银行的用户黏性，用户转换银行已经不再困难，因此，在市场竞争激烈的地区，农商行优质中小企业客户更易流失。由此，本文建立以下假设：

H2：金融科技对农商行本源业务的影响主要体现在用户实际使用数字金融服务情况这一维度，即金融科技使用深度与农商行中小微业务规模之间呈倒U形关系。

（一）研究样本与数据来源

作为全国第四个完成农信社银行化改革的省份，山东省内农商行数量较多，且统计数据能够满足连续性与一致性的要求。此外，县域农商行作为整个农信系统的主要组成部分以及普惠金融业务的主力军，其“本源业务”的发展情况更具有代表性。因此，我们对山东省94 家县域农商行进行了问卷调查，剔除数据异常和缺失的样本，最终选取87 家县域农商行作为本文的研究对象。此外，考虑到2015年中国人民银行等十部委联合印发了《关于促进互联网金融健康发展的指导意见》，对互联网金融的概念进行了明确，并设置了业务开展的红线和准则，自此互联网金融进入了相对规范的发展阶段，因此，我们将时间跨度设定为2015—2019年。需要说明的是，部分农商行由于改制、人员调整等原因，反馈的问卷数据在较早年份存在缺失（共34 个观察值），因此，最后进入回归的观测值为401个。

对于金融科技指标，我们参考尹应凯和艾敏（2020）、侯层和李北伟（2020）、孟娜娜和蔺鹏（2021）等的研究，同时考虑到多数地方法人银行因缺乏研发能力而依靠金融科技公司开发系统、平台或线上金融产品的现实情况，最终选择基于国内代表性金融科技机构数据构建的“北京大学数字普惠金融指数”（郭峰等，2020）作为代理变量。该套指数既包括数字普惠金融指数，还包括数字金融覆盖广度、使用深度、数字化程度等3 个二级分类指数。特别是数字金融使用深度指数衡量的主要是本地区实际使用数字金融服务的情况，既包括实际使用总量指标（每万名支付宝用户中使用这些服务的人数），也包括使用活跃度指标（人均交易笔数、人均交易金额），符合本文研究假设的要求。此外，考虑到解释变量对被解释变量的影响通常存在滞后效应，我们将数字普惠金融指数滞后一期。地市特征变量来源于各地市统计年鉴或统计公报、《山东金融年鉴》以及其他互联网公开数据。

（二）模型设计

根据上文的假设，我们先借助数字普惠金融指数构建二次项，使用普通最小二乘法（OLS）、面板固定效应模型检验金融科技与农商行中小微业务规模之间的非线性关系；
再运用数字金融使用深度指数构建二次项，检验金融科技与农商行中小微业务规模之间的非线性关系是否主要体现在数字金融使用深度这一维度。具体构造以下计量模型：

为被解释变量，代表县域农商行中小微企业贷款与各项贷款之比或中小微企业贷款余额的对数；
表示数字普惠金融指数；
表示数字金融使用深度指数；
表示数字普惠金融指数的二次项；
表示数字金融使用深度指数的二次项；
表示农商行特征变量；
表示地市宏观特征变量。按照上文的理论分析与研究假设，模型（1）中与应当呈显著正相关关系，与应当呈显著负相关关系；
模型（2）中与应当呈显著正相关关系，与应当呈显著负相关关系。

（三）重要指标分析与释义

1.被解释变量。从设立初衷的角度看，“三农”和中小微企业是农信机构的业务重心，特别是中小微企业作为实体经济的重要组成部分，在吸纳就业、促进社会稳定等方面的作用日益显著；
从市场竞争的角度看，优质中小企业，特别是规模相对较大的中型企业是大型商业银行业务下沉主要的争夺对象。因此，为更好地刻画出市场竞争加剧背景下，数字普惠金融对农商行本源业务的影响，我们选取中小微企业贷款占比（micro）作为农商行本源业务的衡量指标，选取中小微企业贷款余额的对数（lnmicro）作为替代变量用于稳健性检验。

表1：变量定义及解释

2.核心解释变量：数字普惠金融指数（index）。“北京大学数字普惠金融指数”精确到县域层级，能够与县域农商行实现一对一匹配。通过对县域层面数据的初步分析，我们发现山东省县域数字普惠金融的发展偏慢，特别是实际使用数字金融情况，与全国差距较大。具体来看，县域数字普惠金融指数由2014年的54.73（平均值）上升到2018年的102.48，年均增长率达到16.98%，低于全国4.22个百分点。分维度看，数字化程度指数年均增长率为26.97%，低于全国4.02 个百分点；
数字金融使用深度指数增长率为17.29%，低于全国6.05个百分点；
数字金融覆盖广度指数年均增长率为13.90%，低于全国3.15 个百分点。此外，与大多数经济特征一样，山东省内仍存在较为明显的地区差异。2018年，83 个县（区）中综合指数最高值（烟台市长岛县）是最低值（德州市夏津县）的1.19倍。

3.控制变量。本文基于银行规模、流动性、盈利性等三个方面的考量，分别选取总资产的对数（lnassert）、存贷比（CDB）、资产利润率（ROA）等三个指标来衡量农商行特征。基于经济发展水平、产业结构、金融业发展水平、银行竞争程度以及风险情况等五个方面的考量，分别选取人均GDP 的对数（agdp）、第二和第三产业增加值之和占GDP 的比重（ind）、金融业产值占GDP 的比重（fin）、当地4 家贷款规模最大银行贷款余额占比（comp）和企业贷款不良率（risk）等五个指标来衡量地市宏观特征。而之所以选择地级市这一范围更大的地区特征变量，一方面，考虑到数据口径的问题，地级市层面的数据更为整齐完整，撤县划区的问题可以忽略；
另一方面，因为县域农商行虽然经营范围一般难以突破所在县（区），但在数字金融加速发展以及不同县（区）之间人员流动频繁的背景下，其业务开展必然也会受到周边县域的影响。

（一）基准回归结果分析

首先，我们按照一般的研究传统，在第（1）—（3）列依次加入农商行特征变量以及地市宏观变量，使用OLS方法对金融科技与农商行本源业务规模之间的关系进行了检验。此外，为尽量消除异方差的影响，在第（4）列使用稳健性标准误进行回归，结果见表2。

表2：基准回归估计结果

以第（4）列结果为准，结果表明：数字普惠金融指数的原项系数为正，二次项系数为负，且均在1%的水平上显著，说明在其他因素不变的情况下，金融科技发展与县域农商行中小微业务规模之间呈倒U 形关系且该结论具有一定的稳健性。也就是说，金融科技在发展初期，对县域法人金融机构更好地支持中小企业产生了明显的促进作用，而当县域金融科技的发展程度超过某一阈值后，则会对县域农商行本源业务产生一定冲击。其根源在于，无论是大中型商业银行还是县域农商行，本身均具有商业属性，对于信用状况好、抵押物充足的优质中小客户的争夺尤为激烈。特别是当金融科技发展到一定程度时，县域内企业用户对数字技能的掌握有了显著提高，以国有银行为代表的大型商业银行在普惠金融政策的推动下，凭借技术及成本优势必然会对农商行传统业务造成一定冲击，最为明显的表现是农商行优质中小企业客户流失，这也符合大型商业银行的理性选择。上述结论为研究假设1提供了初步的经验证据。

表3 报告了数字金融使用深度指数、覆盖广度指数及其二次项对农商行本源业务规模影响的回归估计结果，估计方法与前文一致。其中，第（1）至（3）列的核心解释变量为数字金融使用深度指数，第（4）列的核心解释变量为数字金融覆盖广度指数。需要说明的是，鉴于普惠金融数字化程度指数在该指标体系中代表发展数字普惠金融的潜在条件，而使用数字金融深度则代表实际使用情况（郭峰等，2020），因此，前者对本文研究对象的影响属于间接影响，且无明显的研究意义，故不再加入回归。

表3：基准回归估计结果

我们以第（3）和（4）列结果为准，研究表明：数字金融使用深度指数的原项系数为正且在10%的水平上显著，二次项系数为负且在1%的水平上显著，说明使用深度指数与县域农商行中小微业务规模之间同样呈倒U形关系。覆盖广度指数无论是一次项还是二次项均不显著。之所以会出现这样的结果，本文认为，一方面，是因为近年来覆盖广度指数趋同趋势更为明显；
另一方面，是因为使用深度指数更能体现本地区居民对数字金融服务的实际有效使用，以及对更高层次金融服务的有效需求。上述结论为假设2 提供了进一步的经验证据。

其次，我们使用面板固定效应模型，同时参考Lind 和Mehlum（2010）提出的3 个判断是否存在U形或倒U形关系标准，对上述结论进行验证：（1）二次项系数显著：面板固定效应模型下数字普惠金融指数二次项系数在1%的水平上显著（见表4）；
（2）核心解释变量在样本区间内最小值和最大值对应的系数显著且与U形或倒U形最左端和最右端的斜率方向相符：经检验，数字普惠金融指数最小值和最大值的系数分别为0.530 和-0.832，方向相符且均在1%的水平上显著；
（3）临界值的95%置信区间在样本数据范围内：数字普惠金融指数临界值的95%置信区间为［63.9，72.5］，处于样本数据区间［35.5，120.4］中。使用深度指数在面板固定效应模型下的检验结果也全部符合上述标准，在此不再赘述。

表4：面板固定效应模型回归估计结果

最后，我们通过作图说明在考虑数字普惠金融指数或数字普金融使用深度取值范围的前提下，倒U形关系依然成立，具体详见图1 和图2。其中，左右两条实线代表最小值和最大值所在位置，中间虚线代表拐点值所在位置。从图中可以看出，基于数字普惠金融指数的曲线拐点为68.5，基于数字金融使用深度指数的曲线拐点为80.8，两者均位于最小值与最大值之间。综上，我们认为上述倒U形关系真实存在。

图1：假设1倒U形图示

图2：假设2倒U形图示

（二）分组回归分析

如前文所述，金融科技可以通过技术溢出效应优化传统金融服务，从而有助于出现“离农脱小”问题的农商行回归业务本源。但是，大型商业银行同样可以借助金融科技实现业务下沉，并可以凭借较低的资金成本优势，在普惠金融市场上对农商行产生掐尖和挤出效应，这也是出现倒U形关系的主要原因。为了验证这一内在机理，即银行市场竞争对上述倒U形关系的调节效应，我们利用当地4 家贷款规模最大银行贷款余额占比这一指标的中位数（44.23）将样本内观察值分为“高竞争”（comp≤44.23）与“低竞争”（comp＞44.23）两组，然后使用面板固定效应模型，同时控制个体效应和时间效应进行回归分析，结果见表5。

表5：面板固定效应模型分组回归估计结果

从表5 的实证结果来看，高竞争组与低竞争组存在明显的异质性，说明银行市场竞争对上述倒U形关系存在一定的调节效应。在高竞争组，无论是数字普惠金融指数还是数字金融使用深度指数，其一次项和二次项系数均在1%的水平上显著，系数方向与表3一致，拐点值分别为87.6 和106.7，均位于最小值与最大值之间。说明在市场竞争激烈的区域，大型商业银行倾向于运用金融科技积极抢夺优质中小企业用户，从而对农商行本源业务产生冲击。而在低竞争组，核心解释变量的系数均不显著，说明在低竞争区域，囿于大型商业银行在信贷市场的垄断性优势，金融科技的作用并不明显。这也从侧面说明，金融科技的作用可能存在夸大宣传的现象，一方面，金融科技并没有大幅降低资金成本的作用，仅能削弱部分操作成本；
另一方面，金融科技也没有改善借款人信用状况的能力。

（一）更换模型

一般而言，传统金融机构经营的各类贷款业务往往受上期影响较大，为避免可能存在的内生性问题，同时也为了有效刻画农商行支持中小微企业的持续性动态过程，本文使用动态面板数据模型中的两步广义系统矩估计（two-step system GMM）模型对假设1 和假设2进行稳健性检验。计量模型如下：

模型中， micro表示被解释变量的滞后一期。此外，表示农商行特征变量，表示地市宏观特征变量，具体变量含义与上文相同。全样本回归结果见表6，被解释变量滞后一期在1%的水平上显著，AR（2）的结果表明系统GMM 不存在二阶自相关，sargan 检验也证明模型不存在过度识别问题，因此，可以认为本文的模型设置合理。

表6：系统GMM模型回归估计结果

第（1）列报告了针对假设1 的回归分析结果。结果显示：数字普惠金融指数的系数为正，二次项系数为负，分别在5%和1%的水平上显著，且拐点值为67.1，位于最小值与最大值之间。说明在控制被解释变量前一期影响的条件下，金融科技发展与县域农商行中小微业务规模之间呈倒U 形关系的结论依然成立，为研究假设1 提供了更为可靠的经验证据，进一步支持了我们的结论。第（2）列报告了针对假设2的回归分析结果，结果表明：使用深度指数的系数为正，二次项系数为负，均在1%的水平上显著，且拐点值为114.3，位于最小值与最大值之间，说明在控制被解释变量前一期影响的条件下，金融科技使用深度与县域农商行中小微业务规模之间呈倒U形关系的结论依然成立。此外，为进一步验证较之其他维度，金融科技使用深度对于农商行业务的影响占主导地位，我们除了使用表3 中的覆盖广度指数，还进一步加入数字化程度指数分别进行回归，发现两者均不显著，从而为研究假设2提供了更为可靠的经验证据。

表7 报告了本文利用系统GMM 模型进行分组检验的结果。结果显示，被解释变量滞后一期在1%的水平上显著，AR（2）的结果表明系统GMM 不存在二阶自相关，sargan 检验也证明模型不存在过度识别问题，因此，我们的模型设置合理。从表7 的实证结果来看，高竞争组与低竞争组存在明显的异质性。在高竞争组，无论是数字普惠金融指数还是数字金融使用深度指数，其一次项和二次项系数均在5%以上的水平上显著，系数方向也与基准回归一致，且拐点值分别为67.8 和69.2，均位于最小值与最大值之间。而在低竞争组，核心解释变量的系数均不显著。上述结果进一步说明金融科技在高竞争组作用明显，而在低竞争组作用较小，为我们对内在机理的检验提供了进一步的经验证据，同时也说明在竞争激烈的区域，农商行竞争力不足的劣势将被进一步放大。

表7：系统GMM模型分组回归估计结果

（二）更换被解释变量

本文借鉴Cole 等（2004）和刘忠璐（2018）的做法，将被解释变量更换为中小微企业贷款余额的对数（lnmicro），对上述结论进行稳健性检验，全样本回归结果见表8。其中，关键变量的系数方向和显著性与既有结论高度一致，且拐点值均位于最小值与最大值之间。虽然使用深度指数原项系数的显著性在系统GMM 模型中有所降低，仅在10%的水平的上显著，但综合来看，本文认为我们的结论仍具有一定的稳健性。

表8：更换被解释变量后的回归估计结果

此外，表9报告了分组检验的结果。结果显示，以中小微企业贷款余额的对数为被解释变量的回归结果，与中小微企业贷款占比作为被解释变量的结果高度一致，即高竞争区域与低竞争区域仍存在明显的异质性。

表9：更换被解释变量后的分组回归估计结果

（三）更换分组界点

基于稳健性考虑，我们更换分组界点对既有结论进行验证，以当地4 家贷款规模最大银行贷款余额占比的平均值（44.83）将样本内观察值分为“高竞争”（comp≤44.83）与“低竞争”（comp＞44.83）两组，然后进行回归分析。实证方法与前文一致，其结果与既有结论高度一致（见表10、表11）。

表10：以样本均值为分组界点的回归估计结果

表11：动态面板回归估计结果

本文运用2015—2019年山东省87 家县域农商行数据以及北京大学数字普惠金融指数，考察了金融科技的发展对农商行本源业务——中小微企业贷款——的影响。研究表明：数字普惠金融指数与农商行中小微业务规模之间呈倒U形关系，说明金融科技发展程度较低时，有利于农商行中小微业务规模增长，但当其发展到一定程度后，则转为抑制业务规模增长。从金融科技的二级分类指标来看，只有数字金融使用深度指数与农商行中小微业务规模之间同样呈倒U形关系，说明当前金融科技主要通过数字金融使用深度这一维度对农商行产生影响。从业务竞争程度来看，高竞争组与低竞争组之间存在明显的异质性，说明银行市场竞争对上述倒U形关系存在一定的调节效应。

基于上述研究结论，本文提出以下政策建议：一是支持引导金融科技健康可持续发展。金融监管部门应加强顶层设计和总体规划，鼓励县域法人金融机构积极利用信息技术优化信贷资源配置，提升风险管控能力。同时，我们的实证结果表明，目前金融科技的正向作用有限，为避免不法分子利用一些技术名词来夸大宣传以达到非法目的，监管部门应引导社会公众正确认识金融科技的定位与作用，有效提升城乡居民金融素养。二是加强对县域农商行风险的监管。研究表明，大中型商业银行在小微信贷市场上可能存在对小银行的挤出效应，因此，监管部门应强化对农商行的风险预警，同时加强对县域重点企业经营状况的监测，特别关注重点企业之间的关联交易和资金链，促进银企协调发展。三是省级层面应加强与金融科技公司的合作。省联社应充分认识到农信系统数字化转型的必要性，积极与金融科技巨头建立战略合作关系，利用其技术优势搭建系统平台，为全省农商行（农信社）提供服务。四是进一步细分市场，实现差异化竞争。县域农商行应充分发挥自身人缘地缘的优势，从金融服务上寻找突破口，与大中型商业银行形成错位竞争，比如差异化发展社区银行，占领目前农村金融服务的空白点。

①鉴于该套指数在不同年份覆盖的县域数量有所差别，本文以时间跨度达到连续5年的83 个县域为例计算平均值，与全国数据进行对比。