2024年8月，Journal of Financial Intermediation发表了“Financial technology and relationship lending: Complements or substitutes”一文，该文描述了银行技术与金融科技竞争对手不同的维度，并根据银行在细粒度产品安装数据方面与金融科技公司的重叠，构建了一种新的银行技术衡量标准。金融技术指标每增加一个标准差，2020年第二季度的工资保障计划（PPP）贷款就会增加8.3个百分点。同时发现，较小的银行从边际技术收益中受益更多，技术促进了地区外贷款，补充了小银行在地区内的分支机构贷款。在差异分析中，2020年高科技小银行的小企业贷款增长大幅增加。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。
作者 | Mark J. Kutzbach, Jonathan Pogach
来源 | Journal of Financial Intermediation
编译 | 颜滋琳
随着金融科技的发展，小型和中型银行因缺乏规模经济，面临激烈的竞争压力，特别是在小型企业贷款市场，非银行机构和金融科技公司逐步获得市场份额。然而，大型银行和金融科技公司公司虽然在技术部署上有优势，但同样的技术投资也可以通过合作或技术租赁的方式被小型银行利用。本文通过美国小企业管理局的薪酬保护计划（PPP）数据，研究小型银行能否通过技术租赁或外包实现与金融科技公司的竞争，并推广这种技术是否可以替代或补充型银行关系业务。研究发现，金融技术支持的异地PPP贷款的增加会严重影响小型银行在当地的PPP放贷业务此外，表明数据，技术在小型银行的本地关系型贷款业务中发挥了补充作用。本研究揭示了在COVID-19疫情期间，技术在银行的关系型贷款与交易型贷款业务之间的作用，扩展了对银行如何利用技术满足市场需求的理解。
关于金融科技的研究主要探讨其对小型银行的竞争影响。Berger et al.（2014）指出，金融科技带来的规模经济效应使小型银行面临更大压力，特别是在小企业贷款市场上。Gopal and Schnabl（2022）的研究表明，2007年至2016年间，金融科技公司在这一市场的份额增加，但一些小型银行通过与金融科技公司合作或技术租赁来提升技术能力。疫情期间启动的PPP贷款计划为小型银行与金融科技的互动提供了实际案例。联邦储备银行（2021）发现，大多数PPP申请人（81%）选择与已有关系的银行，而44%的关系型PPP贷款申请者更偏向于小型银行。此外，Pierri and Timmer（2020）等引入了“金融科技相似性评分”（FSS），用于衡量银行与金融科技公司在技术使用上的异同。此研究的量化方法关注金融科技主导的技术应用而非传统银行的技术。疫情加剧了贷款需求，小型银行需要技术来快速处理硬信息而非依赖信贷质量的软信息。Erel and Liebersohn（2022）指出，在银行网点较少的地区，金融科技公司能够弥补传统银行的不足。Hernando and Nieto（2007）以及Zhou et al.（2020）研究表明，互联网业务和银行分支业务可在不同情境中相互补充。关于关系贷款的影响，Li and Strahan（2021）发现，较小银行规模、丰富的小企业贷款经验和较高核心存款等传统指标对PPP贷款具有积极作用。Balyuk et al.（2020）和Howell et al.（2022）则发现，企业与银行的既存关系在PPP申请中起到重要作用。总体而言，这些研究显示小型银行可以通过与技术公司合作提升技术能力，并在PPP贷款中实现关系贷款和科技手段的互补。本文的银行分析样本来源于每季度的《银行呼叫报告》数据，其中包括了银行的全职员工数量、核心存款、股权、商业和工业（C&I）贷款、贷款承诺以及2019年的资产等金融数据。本文关注2020年第二季度活跃的银行，并将这些数据与FDIC的《存款总结》（SOD）数据中的银行网点位置和网点数量相结合（截至2019年6月30日）。此外，为进行分析，本文将这些数据与PPP贷款级别数据、金融科技数据以及位置信息结合起来，形成完整的分析数据集。为分析技术在PPP贷款中的作用，本文使用SBA的数据，该数据包含所有PPP贷款的地理位置和贷款人名称。为与银行呼叫报告数据匹配并减少银行在事后做出的技术决策的影响，本文仅关注2020年6月30日之前发放的PPP贷款。由于SBA数据中没有独特的机构标识符，因此通过匹配PPP数据中的贷款人名称和呼叫报告中的银行名称来实现匹配。同时，本文通过对比呼叫报告和SBA数据中的贷款数量进行验证。机构级别的PPP贷款数据被用来构建多种贷款指标。Aberdeen提供了一个产品安装表，其中记录了企业在美国各地的技术产品安装信息，包括软件、硬件和通信技术。本文重点关注分类为“子类别”的产品，并通过名称和地址匹配，将这些产品安装数据链接到银行机构和非银行金融科技公司上。为展示金融科技公司与银行在技术使用上的差异，本文计算了每个产品子类别的平均使用率，并基于以下公式构建了银行的金融科技相似性评分（FSS）： ![]()
Aberdeen的数据包括各种产品P（如Concur Travel），每个产品属于一个子类别S（如ERP软件）。指标I表示银行或金融科技公司是否使用产品p（使用时为1，否则为0）。子类别权重w表示使用某个子类别中至少一个产品的金融科技公司的比例，衡量该子类别在金融科技中的重要性。FSS分数越高，表示银行采用的技术越接近金融科技公司广泛使用的技术（没有惩罚金融科技公司没有采用的其他技术）。由于FSS覆盖了广泛的技术类别和子类别，本文还定义了硬件（如PC、服务器、云计算）、通信（如VPN、电话）、服务（如人事管理系统、网络托管）和软件（如流程自动化、数字广告软件、数据库管理软件）四个FSS组件，用类似的公式（但将子类别范围限定在相应组件内）计算这些组件。本文还使用银行报告的支出数据来衡量技术投入。这些数据可能反映银行的外部合作和技术使用情况。较大银行在员工薪酬、固定资产和信息技术上的支出占比相对较低，但其绝对支出水平较高。本文关注“其他非利息支出”中与技术相关的子项，如数据处理费用、广告和营销支出以及电信费用。这些支出主要包含外包的数据处理服务和一些研发成本。然而，由于该项支出还包括一些与技术无关的费用（如邮费），因此存在一定噪声。本文采用年末数据处理费用作为分析的主要支出指标，并仅使用未被截断的值。为考虑银行所在地区的PPP贷款需求和疫情导致的本地经济冲击，本文引入了两个基于位置的控制变量。PPP贷款需求指标基于银行所在县的PPP贷款数量与2019年存款总额的比值。疫情对劳动需求的冲击因行业而异，本文构建了县级的经济暴露指标，并根据银行在各县的存款比例将其分配给银行。在本文分析的4092家符合特定特征的银行中，有3384家银行与至少一个Aberdeen数据点匹配。分析主要集中于PPP贷款的使用情况，其中2961家银行在2020年第二季度发放了至少一笔PPP贷款。在2019年中，FSS的分布具有右偏态，少数银行的技术使用率明显高于其他银行。这些高FSS的银行可能更适合在疫情期间使用网络、计算和远程方法服务客户。本文首先使用回归分析，检验2020年第二季度银行发放PPP贷款的数量是否与技术指标及2019年滞后控制变量相关。具体回归模型为：![]()
控制变量包含银行资产负债表上的传统关系贷款因素（如银行规模、分支机构、员工数量、商业和工业贷款量、SBA 7(a)贷款参与情况）以及反映本地PPP贷款需求和疫情造成的经济中断的地理位置控制变量。通过回归分析发现，PPP贷款量与各项技术指标之间存在显著的正相关关系。对于一项标准差的FSS（系统功能设施）增长（8.93），会带来8.3个百分点的PPP贷款量增长，而数据处理支出每增加一项标准差（1.35），则与15.7个百分点的PPP贷款量增长相关。这表明FSS和数据处理支出分别代表不同的技术渠道，而不仅是银行整体技术能力的代理变量。在高技术中型银行（资产在10亿到100亿美元之间）的样本中，分析显示，相比于技术水平处于平均水平的银行，这些银行的贷款量增加了16.7%，这使其PPP市场份额增加了0.45个百分点。本文的控制变量也显示出稳定的影响。分支机构、资产、商业和工业贷款、承诺贷款额、SBA 7(a)贷款参与等因素都对PPP贷款量产生正向影响；相反，股本资本较低的银行PPP贷款较少。高PPP贷款需求的地区银行的PPP贷款量较多，而疫情后预期就业增长的地区银行PPP贷款量较少。银行贷款市场通常集中在其分支机构所在的地理区域。Li和Strahan（2021）指出，地理距离和传统银行服务在PPP项目中的重要性。如果技术能够使银行通过非实体渠道发放贷款，则可以预期其贷款组合地理分布会更加分散。本文为此计算银行分支机构存款和PPP贷款的Herfindahl-Hirschman指数（HHI），公式为：![]()
分析表明，技术水平更高的银行PPP贷款地理集中度较低，与无实体网点的金融科技公司类似。分支机构数量较多的银行则更集中在其所在地区。技术的提升使银行可以通过PPP项目服务更广泛的客户，而不依赖实体网点。根据Berger（2003）的观点，技术有利于规模经济。为此，本文进一步检验了技术在银行规模上的影响，分析小型银行是否能通过不同渠道获取技术。对于小于100亿美元资产的银行，发现较高的技术水平会带来更多PPP贷款，但这一效果在较大的银行中有所减弱。小型银行的业务模式可能强化了其技术应用。例如，关系型贷款模式使银行和客户更容易形成长期合作关系，而PPP贷款可能成为建立未来客户关系的切入点。本文的回归显示，对于小型银行，分支机构密度和小额贷款比例与技术指标的交互项呈正相关，说明技术能够有效提升PPP贷款的生产力。为了进一步分析技术与分支机构密度的交互作用，本文对区域内外的PPP贷款量进行了回归。区域内指银行拥有实体网点的县，区域外指银行无网点的地区。回归结果显示，FSS和数据处理支出对区域外的PPP贷款量有显著正向作用，而分支机构密度未能增加技术对区域外贷款的边际效果。在区域内，未发现技术与PPP贷款量之间的显著关系，因此银行的技术提升并未削弱区域内贷款。区域内贷款的分支机构密度较高的银行更能受益于技术，符合关系型贷款的特征。因此，技术的应用不仅促进了区域外贷款的增长，也增强了区域内贷款，表明拥有关系型业务模式的银行在技术支持下更具优势。本文继续讨论了本地银行技术对PPP贷款提供者的地区组成的影响。若借款人对关系和技术的偏好是“字典式”的，即优先考虑关系或技术，则本地技术性银行的存在对PPP贷款的地区分布影响较小；然而，若借款人对关系和技术的偏好是“平滑”的，则技术先进的本地银行会影响PPP贷款提供者的分布。例如，借款人可能会从区域外或金融科技贷款者转向具有本地存在的技术性银行。此外，那些原本会选择传统关系型银行的借款人，也可能选择本地具有较强技术能力的银行。研究中构建了基于县级的银行技术变量，即该县所有银行的金融科技服务分数（FSS）按存款加权的平均值，并控制县内银行网点数、信用社网点数、银行存款赫芬达尔-赫希曼指数（HHI）、人口和就业增长等变量。每个县计算了PPP贷款中来自区域外银行、金融科技公司和信用社的比例，并将所有金融科技公司的贷款归为区域外。结果显示，本地银行技术与区域外贷款机构的贷款比例负相关，意味着技术先进的本地银行所在地区较少依赖区域外银行满足PPP需求。同时，本地银行技术与对金融科技公司贷款依赖性呈负相关，说明技术性本地银行吸引了一部分原本可能选择区域外或金融科技贷款的借款人。但银行技术对信用社PPP贷款比例没有显著影响，表明在考虑信用社的借款人中，银行技术与本地存在并无明显互补关系。本文采用了倍差法（difference-in-differences，DiD），研究了技术在PPP贷款分配中的作用。由于银行在COVID-19大流行前的技术选择具有内生性，分析面临挑战。为了克服这一问题，研究选择了2019年银行的技术水平，并限制分析对象为2019年资产低于100亿美元的银行。研究使用SBA 7(a)贷款和CRA数据，分析技术水平较高的银行与技术水平较低的银行在疫情期间的贷款趋势变化。首先，通过DiD回归公式：![]()
表示银行i在年份t的小企业贷款增长或小企业贷款对数增长，Techi是技术变量，Post是疫情后的指示变量。回归分析发现，2020年，技术水平较高的银行在小企业贷款增长上相较于技术较低的银行有显著提高。特别是在SBA贷款和CRA贷款数据中，高技术银行的贷款增长显著高于低技术银行。分析还发现，技术和贷款关系的变化不是由此前参与SBA 7(a)计划的银行决定的。尽管可能存在未观测到的异质性影响银行技术决策和疫情期间的反应，但结果表明，技术或支持技术的组织结构在银行对2020年疫情的不同反应中发挥了重要作用。本文探讨了金融技术是否与小型银行的商业模式兼容。研究表明，小型银行在疫情期间使用了第三方开发的技术来接触远程地区的PPP借款人。此外，研究还表明，金融技术并未取代小型银行的本地关系贷款业务，而是起到了互补作用。首先，本文通过详细数据量化了区分金融科技公司与银行的技术差异。例如，金融科技公司更可能使用或开发自动化工具，如商业分析软件、聊天机器人、客户关系管理软件和云计算系统。其次，构建了一个新的银行技术衡量标准——Fintech Similarity Score（FSS），用于衡量银行是否采用了在金融科技竞争者中最常见的技术。研究发现，小型和中型银行在这一衡量标准上存在显著差异，并且这一标准与衡量第三方技术外包的资产负债表指标相关，但有所不同。第三，本文发现，技术水平较高的银行（以FSS和数据处理支出为衡量标准）在疫情初期提供了更多的PPP贷款，且这些贷款的地理分布更广泛，包括远程地区贷款，这表明它们使用技术接触更多借款人。技术对银行的边际效益在小型银行以及以关系贷款为主的小型银行中最大。研究表明，对于这些有关系贷款模型的银行，技术也在本地贷款中发挥了互补作用。具体来说，在技术水平较高的县，PPP借款人转向远程地区贷款或金融科技公司的比例较小，这表明技术不仅支持了小型银行的本地贷款业务，还使这些银行所在的县区免受非银行贷款机构的影响。本文量化银行技术的范围为学术文献提供了新视角，分析表明金融技术、关系贷款和银行规模之间存在复杂的关系。金融技术可以由第三方开发，并将其销售或租赁给没有足够规模开发技术的小型银行。此外，银行的商业模式并非二元对立的，具体应用时，金融技术可以互补银行的关系贷款业务。
