小额贷款公司(以下简称小贷公司)作为传统民间融资的重要组成部分,曾在缓解民营企业融资约束、促进金融资源优化配置方面起到了重要作用。特别是近年来我国为推动大众创业、万众创新以及提高低收入人口收入而制定和实施了各项促进普惠金融发展的政策措施,小贷公司作为正规金融的有效补充,曾在对小微企业贷款、对农村居民和城镇低收入群体实行金融扶贫中发挥了积极的普惠金融作用。但自2015年以来,我国小贷公司呈现整体发展放缓、机构数量和年新增贷款额不断下降的趋势。在互联网普及程度不断提高的今天,各种数字金融平台都设计出灵活多样的小额信贷产品。一方面,互联网普及程度的提高促进了数字普惠金融的发展;另一方面,数字金融平台极大地冲击着实体小贷公司的业务量和生存发展空间。小贷公司能否继续在普惠金融创新发展中起到积极的推动作用,未来何去何从,是当前亟待思考和探讨的问题。
普惠金融的概念来源于英文“Inclusive Financial System”,又称包容性金融,是联合国在“2005年国际小额信贷年”提出的概念,指各国政府通过政策扶持和体系构建,能够以合理的成本为贫困人口、低收入群体和小微企业等弱势群体提供多样化的金融服务,建立起能够有效、全方位地为社会所有阶层和群体提供服务的金融体系[1]。普惠金融并不强调金融机构的利润和经济效率的最大化,而是要使那些被排斥在金融体系之外的经济主体能够以可负担的成本享受金融服务。
最早对普惠金融发展程度的量化测算作出贡献的学者Beck等就银行覆盖面的可得性与使用性提出指标依据[2],之后Sarma将普惠金融指数分为地理渗透性、金融可得性和金融效用性3个维度进行测算[3]。在普惠金融发展水平得以有效测量的基础上,Demirguc-Kunt等从金融发展深度与广度层面指出普惠金融体系的完善与发展能够有效促进经济增长、银行业的发展以及为贫困人口提供生活保障[4-6]。
我国小贷公司作为非正规金融的重要组成部分,在改革开放后民间借贷市场贷款规模不断扩张的过程中,为那些被正规金融机构拒之门外的小微企业提供了大量融资支持,被赋予了更多的社会使命去促进并实现普惠金融发展目标。2008年人民银行和银保监会联合发布的《关于小额贷款公司试点的指导意见》明确指出,发展小贷公司是为了“有效配置金融资源,引导资金流向农村和欠发达地区,改善农村地区金融服务”。在此意见指引下,2008—2015年间小贷公司获得了迅速发展,仅2009年机构数就比2008年末增加了1 104家,达到1 334家;贷款余额比2008年末增加689.38亿元,同比增长近9倍。这一时期的小贷公司为私营企业及个体经济、农业、工业和商业发展提供了强有力的资金保障[7],切实践行了普惠金融的发展理念和初衷。
但2015年至今,小贷公司增速开始放缓,在有些省市如河北、内蒙古、上海、安徽、四川等地区机构数量减少,全国每年都有几百家小贷公司被市场淘汰;现存小贷公司的贷款余额也逐渐减少,每年至少1/3的公司不能实现盈利[8]。关于小贷公司在多大程度上接近普惠金融发展目标,在学术界也存在不同观点。郭峰使用山东省相关数据得出研究结论,认为小贷公司通过扩大贷款规模、提高对“三农”的支持、降低贷款利率、提高短期贷款占比等措施都能对普惠金融发展产生积极影响[9]。范亚辰等研究认为,小贷公司由于无抵押、免担保等低门槛的贷款条件,已经成为累积并溢出金融风险的重要来源,对小贷公司进行融资约束会提高社会绩效进而提高其风险承担水平[10]。
除了自身的金融风险受到监管部门的重视和约束,小贷公司在近几年还受到互联网技术在金融领域应用推广的影响。林鑫研究发现,市场份额较高的几大电商平台都推出了小额贷款业务,互联网小额贷款金额不断攀升,形成了对实体小贷公司的巨大冲击[11]。在我国互联网普及程度较高的内陆城镇和东南沿海地区,互联网信贷、互联网投资理财、互联网支付等以互联网技术为基础的金融业务在传统金融机构和非金融机构广泛开展,其业务领域几乎覆盖了对于小额分散资金的所有投融资需求,极大冲击着小贷公司的生存发展[12-13]。
当前,我国小贷公司正面临严峻的发展困境,在正规金融逐步建立数字金融体系、互联网金融快速扩张、金融监管机构收紧融资约束等多重因素的“夹击”下,小贷公司如何突破瓶颈实现可持续发展成为亟待解决的问题。本文仅就互联网普及程度提高对小贷公司的竞争性和冲击性,以及由此影响到小贷公司服务于普惠金融发展目标的程度进行量化分析,试图在互联网技术应用领域不断扩张的时代背景下,探索适合我国小贷公司长远发展的路径,切实践行普惠金融发展目标,对因地制宜地制定小贷公司区域性发展战略提供借鉴和启发。
基于小贷公司促进普惠金融发展与互联网技术在金融领域的应用三者之间的相互关系,本文认为使用中介效应模型进行研究和检验较为妥当:互联网普及程度的提高,一方面可以促进数字金融平台的发展,有效打破地域限制,为偏远地区缺少金融机构网点的企业和贫困人口提供金融服务,从而更好地服务于普惠金融发展目标;另一方面数字金融平台对实体小贷公司的经营领域形成了竞争和冲击。互联网普及既直接对普惠金融发展产生影响,同时又通过小贷公司间接对普惠金融产生中介效应。由此,本文将互联网技术应用推广、小额贷款公司服务普惠金融的传导机制概括为以下路径,如图1所示。
图1 互联网技术应用推广对普惠金融和小贷公司影响的传导机制
1925—1930年,英国化学家克里斯托夫·英果尔德创立了中介论。他认为在常态下具有不饱和体系的分子中存在着电子转移,由这种电子转移所产生的效应称为中介效应。这一理论之后被广泛地应用于社会科学领域的研究中。考虑自变量X对因变量Y的影响,如果X通过影响变量M而对Y产生影响,则称M为中介变量。可以用下列回归方程来描述中介效应模型变量之间的关系:
Y=cX+e1
(1)
M=aX+e2
(2)
Y=c′X+bM+e3
(3)
其中:方程(1)的系数c为自变量X对因变量Y总的直接效应。方程(2)的系数a为自变量X对中介变量M的效应。方程(3)的系数b是在控制自变量X的影响后,中介变量M对因变量Y的效应;系数c′是在控制了中介变量M的影响后,自变量X对因变量Y的直接效应;e1~e3为回归残差。这样在简单的中介效应模型中,中介效应就等于系数a和b的乘积,即ab。总效应、直接效应和中介效应三者之间的关系为c=c′+ab[14]。
检验中介效应的常用方法是逐步检验回归系数法,即通常说的逐步法:首先检验方程(1)的系数c(即检验H0∶c=0)。其次,依次检验方程(2)的系数a(即检验H0∶a=0)和方程(3)的系数b(即检验H0∶b=0)。如果方程(1)的系数c显著,方程(2)、(3)的系数a和b均显著,则中介效应显著;如果方程(1)系数c不显著,则说明X对Y的影响不显著,但是如果a和b显著,则说明存在间接效应;如果间接效应和直接效应c′符号相反,总效应就出现了被遮掩的情况,可能存在“遮掩效应”[15];如果方程(3)的系数c′不显著,则属于完全中介效应。中介效应是以c显著为前提的,如果c不显著,而a和b显著,则说明存在X对Y的间接效应。中介效应一定是间接效应,而间接效应不一定是中介效应[16]。
将基准模型选取的被解释变量设为普惠金融指数(IFI),解释变量包括互联网普及指数(INT)和3个小贷公司发展指标的归一化指数:小贷公司贷款余额指数(MCL)、小贷公司实收资本指数(MCC)和小贷公司机构数量指数(MCQ)。根据中介效应模型设定5个回归方程,如方程(4)~(8)所示。
IFIi,t=c0+c1INTi,t+c2IFIi,t-1+ε1
(4)
MCLi,t=α0+α1INTi,t+α2MCLi,t-1+ε2
(5)
MCCi,t=β0+β1INTi,t+β2MCCi,t-1+ε3
(6)
MCQi,t=γ0+γ1INTi,t+γ2MCQi,t-1+ε4
(7)
IFIi,t=φ0+φ1INTi,t+φ2MCLi,t+φ3MCCi,t+
φ4MCQi,t+φ5IFIi,t-1+ε5
(8)
方程(4)的系数c1代表互联网普及应用对普惠金融发展总的直接效应;方程(5)~(7)的系数α1、β1和γ1分别体现了互联网普及应用对小贷公司贷款余额、实收资本和机构数量的影响;方程(8)的系数φ2、φ3和φ4是在控制了互联网普及指数INT的情况下,作为中介变量的小贷公司的3个指标对普惠金融发展指数IFI的影响。各变量之间的相互作用关系如图2所示。
图2 互联网普及指数、小贷公司发展与普惠金融中介效应模型
根据温忠麟等对于中介效应检验流程的深入探讨[17],首先检验方程(4)的系数c1,如果显著则说明互联网普及对于普惠金融的发展存在总效应。然后依次检验方程(5)~(8)的系数α1、β1、γ1和φ2、φ3、φ4的显著性,如果均显著则说明中介效应显著;如果方程(8)的系数φ1不显著,说明直接效应不显著,存在完全中介效应。第三步分别比较α1φ2和φ1、β1φ3和φ1、γ1φ4和φ1的符号,如果同号则属于部分中介效应,中介效应占总效应的比例分别为α1φ2/c1、β1φ3/c1和γ1φ4/c1;如果异号则属于遮掩效应,中介效应与直接效应比例的绝对值为和
选取中国内陆31个省(自治区、直辖市)2009—2018年的面板数据作为样本数据,数据来源于历年的《中国统计年鉴》《中国金融年鉴》、万得数据库和《中国区域金融运行报告》,2009年、2014年、2018年各省(自治区、直辖市)的普惠金融指数测算值如表1所示。
表1 我国内陆各省(自治区、直辖市)普惠金融指数
省(自治区、直辖市)2009年2014年2018年北京0.6880.6060.634天津0.4300.3500.429河北0.1700.1660.165山西0.2370.2230.227内蒙古0.1260.1390.182辽宁0.2050.2030.247吉林0.1660.1530.215黑龙江0.1490.1520.182上海0.6510.6960.677江苏0.2080.2280.234浙江0.3440.3460.340安徽0.1240.1340.121福建0.1830.1800.156江西0.1200.1310.136山东0.1520.1530.169河南0.1140.1140.115湖北0.1330.1210.116湖南0.1170.1010.109广东0.2480.2550.244
表1(续)
省(自治区、直辖市)2009年2014年2018年海南0.1910.1950.204广西0.0950.1030.110重庆0.1870.2140.173四川0.1660.1950.181贵州0.1160.1230.138云南0.1430.1200.089西藏0.0950.1570.181陕西0.1870.1840.186甘肃0.1650.1910.210青海0.1740.2050.210宁夏0.2030.2110.213新疆0.1330.1580.143
使用两阶段最小二乘法进行非平衡面板数据的回归分析。基准模型和中介效应模型中的变量包括普惠金融指数(IFI)、小贷公司贷款余额归一化指数(MCL)、实收资本(MCC)和机构数量(MCQ)的归一化指数,以及互联网普及指数(INT)。工具变量包括人均地区生产总值,第一、二、三产业增加值,外商投资企业进出口总额,社会消费品零售总额,个体户数,私营企业户数[18]。
(1) 普惠金融指数
普惠金融指数借鉴了联合国构建人类发展指数的思路[19],采用变异系数法,具体测算公式为
(9)
式中:IFIi为第i个地区的普惠金融指数;Ek为第k个维度的测度值;wk为第k个维度的权重。
普惠金融指数IFIi∈[0,1],当IFIi等于1时表示完全不存在金融排斥,普惠金融水平最高;反之则普惠金融水平较低[20]。
观测期内第i个指标第k个维度测度公式为
Ei,k,t=wk,tyi,k,t
(10)
式中:wk,t为熵值法计算出的权重,其中σi,t表示观测期内第i个指标的标准差,表示观测期内第i个指标的均值;yi,k,t为对第i个省份第k项指标进行标准化处理后的值,
因此,Ei越大表示第i个指标的实际观测值越接近最优值,代表其反映的普惠金融发展水平越高。
借鉴Finscope、AFI、World Bank等研究机构对普惠金融的定义,从4个维度构建普惠金融指数:金融服务的渗透度,选取每万人拥有的金融机构服务人员数和网点数、每万平方千米的金融机构服务人员数和网点数这4个指标;金融服务的可获得性,包括人均存款余额、人均贷款余额和人均储蓄存款余额;金融服务的使用效用性,包括银行存款总额占GDP比重、银行贷款总额占GDP比重和储蓄存款余额占GDP比重;用户受金融服务价格影响程度,选取人民币一般贷款加权平均利率。这样,共得到11个指标变量[21]。
(2) 小贷公司归一化指数及互联网普及指数
为防止计量中指标单位量纲不同导致的回归结果不稳定性,在基准模型和中介效应模型中所选取的变量都采用无量纲化处理。其中小贷公司的3个指标——贷款余额、实收资本和机构数量分别采用标准化法即归一法处理。与普惠金融指数中yi,k,t的建立方法一致,取每期观测值与同期观测值的差,再与同期最大值和最小值的差进行比较,得到3个归一化指数:MCL(小贷公司贷款余额)、MCC(实收资本)、MCQ(机构数量)。
互联网普及指数的构建方法与普惠金融指数中的Ei,k,t一致,选取各地区互联网上网人数、互联网宽带接入端口数和移动互联网用户数,分别计算出历年3个指标的权重后再与其归一化指数相乘[22],得到互联网普及指数。经去量纲测算后,2009年、2018年有关指数分别如表2、3所示。
表2 我国内陆各省(自治区、直辖市)互联网普及指数
省(自治区、直辖市)2009年2018年北京0.2700.216天津0.1020.092河北0.3930.481山西0.2110.226内蒙古0.1020.152辽宁0.3300.332吉林0.1500.160黑龙江0.1920.219上海0.3060.203江苏0.5960.667浙江0.5210.545安徽0.2390.357福建0.2960.319江西0.1540.243山东0.5780.673河南0.4000.549省(自治区、直辖市)2009年2018年湖北0.2680.343湖南0.2490.356广东1.0001.000海南0.0380.051广西0.2140.292重庆0.1580.210四川0.3070.542贵州0.0970.192云南0.1490.239西藏0.0000.000陕西0.1730.248甘肃0.0800.128青海0.0150.021宁夏0.0160.031新疆0.1060.155
由表2可知,上海、北京和天津一直是普惠金融发展程度较高的地区,而西藏、贵州和内蒙古3个地区的普惠金融发展程度一直较低。互联网普及程度最高、发展最快的省份是广东,江苏、山东紧随其后,西藏目前仍然是互联网普及程度最低的省份。
由表3可知,从小贷公司的贷款余额、实收资本和机构数量3个指标看,2018年重庆、江苏、吉林和辽宁处于领先地位,广西在这10年中发展最为迅速,而西藏、海南和青海这3个指标几乎都是最低的。
表3 我国内陆各省(自治区、直辖市)小贷公司贷款余额、实收资本、机构数量归一化指数
省(自治区、直辖市)贷款余额2009年2018年实收资本2009年2018年机构数量2009年2018年北京0.0420.0890.0660.1420.0540.132天津0.0420.0800.0850.1220.1150.125河北0.4100.1640.5880.2790.8920.681山西0.2740.1080.3680.2010.5680.445内蒙古0.5530.1740.7450.2901.0000.559辽宁0.1460.2060.2460.4110.5540.831吉林0.0610.0650.0940.1520.3450.818黑龙江0.0430.0650.0770.1380.2770.383上海0.1620.1450.1970.2310.2090.176江苏0.5560.6520.5870.9540.5611.000浙江1.0000.4711.0000.6850.6550.503安徽0.2940.3040.3370.4180.6550.684福建0.0210.2020.0200.2920.0000.163江西0.0480.1620.0670.2650.0810.300山东0.2100.3410.2630.5140.2840.503河南0.0190.1550.0400.2320.1220.396省(自治区、直辖市)贷款余额2009年2018年实收资本2009年2018年机构数量2009年2018年湖北0.0490.2080.0620.3480.1690.425湖南0.0350.0600.0200.1020.0540.176广东0.2340.5780.3540.8010.4190.725海南0.0010.0360.0040.0520.0000.064广西0.0180.3320.0360.3040.0880.467重庆0.1921.0000.2491.0000.3240.402四川0.0690.4070.1060.6090.1150.485贵州0.0580.0440.0900.0850.3040.430云南0.0890.0750.1200.1300.3510.401西藏0.0000.0000.0010.0000.0000.000陕西0.1040.1600.1640.2750.2030.409甘肃0.0210.0790.0360.1770.1620.508青海0.0020.0220.0000.0350.0140.096宁夏0.0790.0230.0930.0470.2570.174新疆0.0310.1320.0360.1950.0470.428
对多元回归方程(4)~(8)进行两阶段最小二乘法的固定效应模型估计,结果如表4所示。根据中介效应模型的假设检验和估计结果可知,在方程(4)中互联网普及指数对普惠金融发展有显著的总效应,互联网普及指数每增加1个单位,将推动普惠金融指数增加0.131个单位。方程(5)和(6)中,互联网普及对小贷公司贷款余额和实收资本的影响系数较高,但仅通过了10%的显著性检验;方程(7)中互联网普及指数对小贷公司机构数量的影响系数显著为负,且达到了1%的显著性水平,说明互联网普及程度越高的地区小贷公司数量越少。方程(8)中,在同时控制了小贷公司3个指标的情况下,互联网普及指数对于普惠金融的影响是不显著的,说明直接效应不明显;而小贷公司3个指标均通过了5%的显著性检验,并且小贷公司机构数量对普惠金融具有负向影响,结果符合中介效应模型假设及本文之前的判断,即我国的互联网普及推广对普惠金融的影响存在完全中介效应,小贷公司作为中介既受到互联网普及水平的影响,又对普惠金融发展产生作用。
表4 基准回归及中介效应模型估计结果
解释变量被解释变量(4)普惠金融指数(5)小贷公司贷款余额归一化指数(6)小贷公司实收资本归一化指数(7)小贷公司机构数量归一化指数(8)普惠金融指数互联网应用指数0.131∗∗∗1.111∗0.703∗-0.806∗∗∗-0.011小贷公司贷款余额归一化指数0.081∗∗小贷公司贷款余额归一化指数滞后项0.424∗∗
表4(续)
解释变量被解释变量(4)普惠金融指数(5)小贷公司贷款余额归一化指数(6)小贷公司实收资本归一化指数(7)小贷公司机构数量归一化指数(8)普惠金融指数实收资本归一化指数 0.086∗∗实收资本归一化指数滞后项 0.682∗∗机构数量归一化指数-0.207∗∗机构数量归一化指数滞后项 0.596∗∗普惠金融指数滞后项0.611∗∗∗0.556∗∗∗常数项0.044∗∗-0.201∗∗-0.118∗∗0.421∗∗∗0.143∗∗∗拟合度R20.9910.9070.9630.9650.981F值36.941109.073123.837627.691D.W.值1.2451.4171.8721.109观测值247279248248247
注:*表示P值<0.1,**表示P值<0.05,***表示P值<0.01;下同。
根据上文的中介效应检验步骤,方程(8)中的互联网普及指数不显著,说明在控制了小贷公司指标后,互联网普及对普惠金融的直接效应比较微弱,而小贷公司的中介效应较为突出。方程(8)中互联网普及指数的系数为负,导致α1φ2和φ1、β1φ3和φ1、γ1φ4和φ1的符号为异号,表明存在遮掩效应。小贷公司贷款余额、实收资本和机构数量对于互联网普及指数的中介效应分别为0.089、0.060、0.166,中介效应与直接效应的比例绝对值分别为8.181、5.496、15.167。
考虑到不同省份互联网普及和小贷公司发展程度的差异,按照国家统计局对于东部、西部、东北部和中部地区的划分,对不同区域的省市再次进行面板数据回归分析,结果显示区域之间的中介效应和遮掩效应存在较大差异。
从全部基准方程和中介效应以及直接效应方程的回归结果看,在西部地区,方程(4)中互联网普及指数对于普惠金融总的直接效应虽然不显著,但是方程(5)~(8)的相关系数显著性都在10%以上,可以判断互联网技术在金融领域的普及应用经由小贷公司对普惠金融产生了间接效应。具体看:α1φ2与φ1异号、β1φ3和φ1异号,表明存在遮掩效应,并且小贷公司贷款余额和实收资本的中介效应与直接效应比例的绝对值分别为0.182和0.40;γ1φ4和φ1同号,表明存在部分中介效应,中介效应与总效应的比值为1.520。
在中部地区,只有小贷公司机构数量指标显示出较高的中介效应,中介效应为0.513;γ1φ4和φ1的符号相反,表明存在遮掩效应,中介效应与直接效应的比例绝对值为1.380。
在东部地区,几乎所有方程的显著性均未通过T检验;东北地区只有互联网普及指数作为唯一自变量的方程显示出较高的显著性,其他方程系数均未通过显著性检验(具体方程限于篇幅未全部列出)。也就是说,虽然这些地区互联网普及程度的提高会对普惠金融发展产生直接影响,但在控制了小贷公司的各项指标后这种影响消失了,表明在东部和东北部地区互联网普及、小贷公司发展与普惠金融发展没有构成中介效应的传导机制。具体回归分析结果如表5所示。
表5 各区域基准方程回归结果
解释变量中部地区被解释变量(4)普惠金融指数(5)小贷公司贷款余额归一化指数(6)小贷公司实收资本归一化指数(7)小贷公司机构数量归一化指数(8)普惠金融指数互联网应用指数0.233∗∗∗-0.2940.205-0.91∗∗-0.372 小贷公司贷款余额归一化指数-0.293小贷公司贷款余额归一化指数滞后项0.740实收资本归一化指数0.749∗∗
表5(续)
解释变量中部地区被解释变量(4)普惠金融指数(5)小贷公司贷款余额归一化指数(6)小贷公司实收资本归一化指数(7)小贷公司机构数量归一化指数(8)普惠金融指数实收资本归一化指数滞后项0.745机构数量归一化指数-0.564∗ 机构数量归一化指数滞后项 0.624普惠金融指数滞后项-0.021∗∗∗-1.619常数项0.068∗∗∗0.1480.0000.4710.615∗∗∗R20.9480.7810.9040.9340.792F值106.31929.97780.249109.775128.820D.W.值2.1782.3842.4652.5901.607观测值4848484848解释变量西部地区被解释变量(4)普惠金融指数(5)小贷公司贷款余额归一化指数(6)小贷公司实收资本归一化指数(7)小贷公司机构数量归一化指数(8)普惠金融指数互联网应用指数 0.049∗-0.272 0.470∗∗-1.290∗∗ 0.352∗∗∗小贷公司贷款余额归一化指数0.235∗∗小贷公司贷款余额归一化指数滞后项0.829∗∗∗实收资本归一化指数-0.301∗∗实收资本归一化指数滞后项0.775∗∗∗机构数量归一化指数-0.058∗机构数量归一化指数滞后项0.871∗∗∗普惠金融指数滞后项0.691∗∗∗-0.812常数项0.043∗∗∗0.089-0.0230.2870.014R20.9140.9210.9540.9570.798F值68.76549.45186.40794.99067.799D.W.值2.1562.1221.5742.3101.992观测值9695959596解释变量东北地区被解释变量(4)普惠金融指数(8)普惠金融指数东部地区被解释变量(4)普惠金融指数(8)普惠金融指数互联网应用指数 0.502∗∗-0.051 0.054-0.006小贷公司贷款余额归一化指数小贷公司贷款余额归一化指数滞后项-0.2530.035实收资本归一化指数实收资本归一化指数滞后项0.4390.142∗机构数量归一化指数机构数量归一化指数滞后项0.001-0.205普惠金融指数滞后项1.360∗∗∗0.3340.2250.157常数项-0.187∗∗∗0.0790.224∗∗0.289∗∗∗R20.8950.9300.9940.993F值42.06935.1481024.100830.020D.W.值1.9931.4601.5411.372观测值24248080
通过建立互联网普及程度对普惠金融发展直接影响和间接影响的中介效应模型,分别对全国和4个区域的中介效应进行了检验分析。从2018年统计数据看,全国总体上互联网普及程度越高的地区小贷公司数量越少;江苏省是个例外,互联网普及指数在全国排名第三,但小贷公司机构数量、贷款余额、实收资本3个指标都排名靠前;青海、宁夏、青藏、海南的小贷公司3个指标和互联网普及指数都排在最后。
回归结果表明,全国整体上互联网普及应用对普惠金融发展形成了显著的直接影响,并且经由小贷公司发展对普惠金融产生了显著的中介效应。但小贷公司数量对普惠金融的影响在对互联网普及指数进行控制的情况下显著为负,即随着近年来小贷公司数量的减少,普惠金融发展指数仍然在上升,而这一回归结果是互联网普及程度提高带来的。这表示我国互联网技术对数字普惠金融发展产生的积极影响,抵消了小贷公司近年来业务量萎缩的消极影响。
从分区域回归结果看,东部和东北地区都没有通过中介效应模型检验。在中部地区只有小贷公司数量这一指标构成了中介效应,但由于系数之间的乘积为负数,说明互联网普及程度的提高和小贷公司机构数量的减少共同促进了该地区普惠金融的发展。而西部地区建立小贷公司试点较多,近年来发展较快,在控制了小贷公司3个指标后,体现出互联网借由小贷公司发展对地区普惠金融发展的积极影响。结合2018年统计数据来看,虽然福建、上海、江西小贷机构数量排名靠后,但小贷公司的贷款总额和实收资本却在全国排名靠前,互联网普及指数排名也靠前,说明实体小贷公司数量并未影响这些省份的小贷金额和实收资本,小贷公司很可能通过建立自有的互联网小贷平台拓展业务空间。这些都充分说明了互联网普及程度与实体小贷公司之间呈相反的发展趋势:互联网技术在金融领域的推广应用和由此形成的数字金融平台造成了对小贷公司的业务竞争,数字金融的兴起对实体小贷公司的业务开展形成了较大替代性和冲击性。
小贷公司一直是服务于普惠金融发展目标的重要民间金融机构。对于突破目前发展瓶颈的道路,本文提出如下建议:首先,从策略上必须回归到大力发展小贷公司的初衷,即引导资金流向农村和欠发达地区,改善偏远、互联网普及率较低地区的金融资源配置,不以营利为首要目的,突出小贷公司的普惠金融特征。
其次,在互联网技术落后地区增加实体网点,切实贯彻执行金融支持乡村振兴、服务大众的普惠金融发展方针,积极拓展边远欠发达地区的业务范围,在互联网普及程度较低地区增设实体小贷公司。深入广大农村地区开展主动营销、精准营销,积极寻找和推广农业信贷、乡镇企业融资的可行性项目,使农户和乡镇企业家及时了解优质金融产品和服务信息,及时掌握各类利好金融政策消息。
再次,在互联网普及程度较高地区必须借助互联网技术拓展业务渠道,建设小贷公司自己的网络金融平台,从而降低数字金融对其替代作用。实体小贷公司既要充分利用互联网技术拓展业务渠道,业务范围又不能超出银保监会监管规定的范围,并要严谨防范金融风险,加速纳入银行征信系统。2021年初,人民银行、银保监会研究制定金融“十四五”规划,要求推动“无接触金融”服务模式,驱动小微贷款金融服务朝着全流程自动化、在线化、高效化发展。虽然互联网金融平台的金融风险防范一直是我国金融体系预防金融危机、防止风险集聚溢出的监管重点,但不能因噎废食,而要兼顾金融安全与金融效率平衡发展。
最后,小贷公司作为实现普惠金融的重要组成部分,在巩固脱贫攻坚成果过程中应将金融帮扶方式发挥更大的作用,使其成为小额信贷的重要供给者;弱化金融资本的短期逐利性,在微利、薄利的投资回报期待下,以补齐低收入人口和欠发达地区的金融短板为发展理念,坚持服务于实体经济、服务于普惠金融。
[1]Allen F,Demirglle-Kunt A,Klapper L,et al.The foundations of financial inclusion:understanding ownership and use of formal accounts [J].Journal of Financial Intermediation,2016,27(1):1-30.
[2]Beck T,Demirguc-Kunt A,Peria M M.Reaching out:access to and use of banking services across countries [J].Social Science Electronic Publishing,2007,85(1):234-266.
[3]Sarma M,Pais J.Financial inclusion and development [J].Journal of International Development,2011,23(5):76-78.
[4]Demirguc-Kunt A,Levine R.Finance,financial sector policies,and long-run growth [R].Washington D.C.:Policy Research Working Paper Series,2008.
[5]Chattopadhyay S K.Financial inclusion in India:a case-study of West Bengal [R].Munich:MPRA Paper,2011.
[6]Demirguc-Kunt A,Klapper L.Measuring financial inclusion:the Global Findex Database [R].Washington D.C.:Policy Research Working Paper,2012.
[7]中国金融学会.中国金融年鉴 [M].北京:中国金融出版社,2010.
[8]张博,胡金焱,马驰骋.从钱庄到小额贷款公司:中国民间金融发展的历史持续性 [J].经济学(季刊),2018,17(4):1383-1408.
[9]郭峰.小额贷款公司能服务普惠金融发展目标吗?——来自山东省的证据 [J].济南大学学报(社会科学版),2018,28(6):105-118.
[10] 范亚辰,何广文,杨虎锋.小额贷款公司风险承担与社会绩效——基于融资约束的视角 [J].华南理工大学学报(社会科学版),2018,20(5):71-81.
[11] 林鑫.互联网小额贷款公司的发展困境与路径分析 [J].商讯,2020(19):157-158.
[12] 刘骏.小额贷款公司的支农“异化”与制度选择 [J].农业经济问题,2020(10):40-50.
[13] 刘鹏.给小贷一个“名分”[N].经济观察报,2020-09-21(8).
[14] Kenny D A,Korchmaros J D,Bolger N.Lower level mediation in multilevel models [J].Psychol Methods,2003,8(1):115-128.
[15] Baron R M,Kenny D A.The moderator-mediator vari-able distinction in social psychological research:conceptual,strategic,and statistical considerations [J].Chapman and Hall,1986,51(6):1173-1182.
[16] Judd C M,Kenny D A.Process analysis:estimating mediation in treatment evaluations [J].Evaluation Review,1981,5(5):602-619.
[17] 温忠麟,张雷,侯杰泰,等.中介效应检验程序及其应用 [J].心理学报,2004(5):614-620.
[18] 吴庆田,朱映晓.数字普惠金融对企业技术创新的影响研究——阶段性机制识别与异质性分析 [J].工业技术经济,2021,40(3):143-151.
[19] 胡宗义,丁李平,刘亦文.中国普惠金融发展的空间动态分布及收敛性研究 [J].软科学,2018,32(9):19-23.
[20] 成学真,龚沁宜.数字普惠金融如何影响中国实体经济的发展——基于系统GMM模型和中介效应检验的分析 [J].湖南大学学报(社会科学版),2020,34(3):59-67.
[21] 陈银娥,孙琼.中国普惠金融发展的分布动态与空间趋同研究 [J].金融经济学研究,2015,30(6):72-81.
[22] 颜能恩.互联网小额贷款公司内部控制体系研究 [D].广州:暨南大学,2020.