互聯網金融改善了社會融資結構嗎？
——基于企業融資選擇模型

劉 柳，屈小娥

(西安交通大學經濟與金融學院，陜西 西安 710061)

互聯網金融改善了社會融資結構嗎？
——基于企業融資選擇模型

劉 柳，屈小娥

(西安交通大學經濟與金融學院，陜西 西安 710061)

互聯網金融的快速發展對企業的融資選擇帶來了新的沖擊。本文通過構建企業融資選擇模型，將企業融資選擇劃分為債券融資和銀行融資兩類，研究互聯網金融對社會融資結構的影響。研究結果表明：互聯網金融對社會融資結構的最終影響由其綜合效應決定。互聯網金融的規模替代效應和“長尾”效應有助于提高債券融資占比，而技術外溢效應及風險傳遞效應則會降低債券融資占比。同時，本文利用斷點最小二乘法實證檢驗發現：互聯網金融對社會融資結構的改善具有正向作用，且不存在斷點效應，說明在當前階段，互聯網風險傳遞效應并不占據主導地位，應繼續推動互聯網金融的發展以改善社會融資結構。

互聯網金融；企業融資選擇；社會融資結構；斷點最小二乘法

一、引言及相關文獻回顧

互聯網金融的快速發展正深刻影響著我國的金融體系[1]，而社會金融體系的變化必然對社會融資結構產生影響。根據我國《關于互聯網金融健康發展的指導意見》，互聯網金融劃分為七個部分，其中互聯網借貸、互聯網信托和互聯網基金銷售為企業融資提供了新的資金來源。互聯網金融不僅為企業提供了新的融資渠道，同時憑借其技術平臺優勢對企業的傳統融資方式帶來了巨大的沖擊。互聯網金融的發展對我國企業融資選擇的外部環境和企業融資選擇行為產生了深刻的影響，也影響了社會融資結構的構成。數據顯示，2002年至2015年，我國債券融資占社會融資規模的比重從不足2%提升至15%左右，債券市場的發展改善了社會融資結構，有效降低了企業的融資成本。

傳統的社會融資結構可分為股權融資、銀行融資和債券融資三個部分。鑒于我國是以商業銀行為主導的金融結構體系，直接融資比例(股權融資占社會融資規模的比重)近年來雖有顯著提升，但社會融資的主要方式仍是以間接融資為主，直接融資為輔的。根據《2015年中國貨幣執行報告》數據顯示，截至2015年末，社會融資規模總量約為138.13萬億元，其中，非金融企業境內股權融資規模僅為4.5萬億元，占總社會融資規模的3.27%。因此研究互聯網金融對社會融資結構的影響，主要是研究互聯網金融的發展對企業債券融資和銀行融資的影響。

目前，互聯網金融的研究主要集中于以下幾個方面：一是探討互聯網金融的模式及本質。謝平、周傳偉(2012)首先提出了互聯網金融是不同于商業銀行間接融資，也不同于資本市場直接融資的第三種金融融資模式[2]。鄭聯盛(2014)認為互聯網金融是傳統金融通過互聯網技術在理念、思維、流程及業務等方面的延伸、升級與創新[3]。王國剛等(2015)的研究指出互聯網金融在概念上有著明顯的局限性，利用了中國金融體制機制的缺陷所進行的監管套利，并強調要防范金融泡沫的產生[4]。吳曉求(2015)則從理論層面構建了互聯網金融發展的理論結構，并指出互聯網技術特性與金融功能的融合是互聯網生存和發展的基礎。二是現有研究更加關注互聯網金融對商業銀行的影響[5]。李淵博等(2014)利用省級面板數據實證研究了互聯網金融創新與商業銀行經濟發展的關系，其研究結論表明互聯網金融創新對商業銀行發展具有長期替代效應[6]。沈悅、郭品(2015)通過構建互聯網金融發展指數，實證發現互聯網金融的發展可通過技術溢出效應提高銀行的全要素生產率[7]。孫杰等(2015)則通過分析互聯網金融與傳統銀行金融之間的差異，探討了兩者融合及發展的路徑。三是互聯網金融的研究聚焦于互聯網金融對中小企業融資的作用[8]。戴東紅(2014)從理論和實踐兩個層面探討了互聯網金融發展對小微企業融資的支持作用[9]。鄭志來(2014)則以大數據技術為背景，從互聯網金融的創新模式角度分析了互聯網金融在降低中小企業融資成本方面的作用[10]。

現有文獻有關社會融資結構的研究主要集中在貨幣政策、融資結構和經濟增長三者的關系上。黃雋(2011)分析了社會融資結構變化對貨幣政策的影響，并提出要將融資規模納入宏觀監管目標[11]。夏祥謙(2014)則從融資規模、融資結構與經濟增長三個方面研究了社會融資結構對經濟增長的影響，發現融資結構中直接融資對經濟增長具有抑制效應[12]。涉及到企業融資選擇的研究文獻表明：宏觀經濟因素、貨幣政策沖擊以及企業家信心都會影響到企業的融資選擇[13]。

綜合上述研究可以發現，互聯網金融可以通過創新金融服務模式影響商業銀行發展，改善中小企業的融資需求。但上述研究局限在互聯網金融對某一特定對象的影響研究，而在整體層面上，現有文獻在互聯網金融發展對社會融資結構的影響研究方面鮮有涉及。以往的研究忽略了互聯網金融發展對社會融資結構的影響，并且對于社會融資結構的形成和轉變缺乏微觀理論模型的支持。本文旨在對上述兩個方面進行完善。

二、模型的構建

(一)債券融資

(二)銀行融資

假設銀行業是競爭性的，并且銀行通過在初始階段付出沉沒成本C能夠辨別廠商的類型，從而決定是否放貸。令RL表示對銀行貸款的償還，用γ表示發行債券好的廠商的比例，定義

(1)

為償還的平均概率，顯然，θ(γ)隨γ增加而增加。通過解等式θ(γ)RB=1得到債券市場利率

(2)

注意到，銀行在發放貸款前會鑒別廠商的類型，因此，銀行僅對那些能夠償還利息的好的廠商進行信貸支持，因此，銀行貸款的概率僅為vH，故銀行的利潤由θHvHRL-C給出。銀行的單個配額及投資數額隱含著條件θHvHRL≥vH+C，因此，零利潤條件變為：

(3)

(三)均衡類型劃分

為區分不同類型的均衡集，我們分別考察γ=0，γ=1和γ∈(0,1)三種不同情況。注意γ是內生的并且由均衡決定。

1.只有銀行融資時的均衡(γ=0)

當廠商僅選擇銀行融資時，說明貸款是可行的(RL≤X)且貸款對借款人是有吸引力的(RL≤RB(0))。因為γ=0意味著不存在債券市場，故此時均衡存在僅須滿足貸款是可行的這一約束即可。使用銀行零利潤約束條件(3)式可得：

(4)

上式的經濟學含義非常明顯，獲得貸款的每單位監督成本C/vH比項目的凈現值θHX-1要小，此時銀行才會發放貸款。

2.只有債券融資時的均衡(γ=1)

當廠商僅發行債券進行融資時，說明債券融資成本小于銀行融資成本，同時，債券融資是可行的，即滿足RB(1)≤RL≤1，利用RB(1)和RL的競爭性取值，條件變為：

上式等價于：

(5)

3.混合均衡(0<γ<1)

當企業的債券融資成本與銀行融資成本相同時，即RL=RB(γ)，存在混合均衡。此時有：

(6)

由上式可得到γ的唯一表達式，為：

(7)

顯然，條件(4)和條件(5)能否成立，取決于不同的參數選擇。當銀行貸款的監督成本過高和借款人素質不高導致vH較低時，廠商無法獲得融資資金。當然，也會出現只有一個條件滿足或者兩個條件都滿足的情形。

(8)

(四)產出效率比較

我們針對不同均衡，計算凈的總產出，由于我們將利率規范化為零，故可以從1時的產出減去0時的產出。

1.完全債券融資，彌補一部分負的凈現值后，總產出為θHvH(X-1)+θLvL(1-X)

2.完全銀行融資，總產出為θHvH(X-1)-C

上式隱含著重復的監督成本，因為被識別的好的廠商會選擇債券融資。結果是僅有一個均衡是有效率的。只有當C<θLvL(1-X)時，即監督成本比壞的廠商的無效率投資成本要低時，銀行融資是有效率的；反之，債券融資是有效率的。

三、互聯網金融對廠商融資選擇均衡的影響

(一)互聯網金融對銀行融資的影響機制

1.互聯網金融的規模替代效應

互聯網的規模替代效應最早由國外學者在研究互聯網對傳統金融業務影響中提出。互聯網金融借助于互聯網及信息技術優勢，降低了投資門檻，提高了金融供給水平[14]。同時，互聯網金融借助互聯網技術的開放性和交易成本優勢，使得原本被排除在金融體系外的消費者能夠獲得金融融資服務，提高了金融體系的包容水平[15] [16] [17]。

本文研究互聯網金融對銀行融資的影響，主要是考慮到互聯網金融的發展對銀行活期存款的規模替代效應。由于互聯網金融產品相比于銀行活期存款，具有更高的資金回報率，同時又兼顧了資金的流動性，所以互聯網金融產品對銀行活期存款有很強的替代性[1]。因此互聯網金融的快速發展導致銀行的活期存款規模下降，間接提升了銀行信貸資金成本，即互聯網金融的規模替代效應導致銀行存款成本的提升。銀行信貸融資成本可擴展為銀行吸收存款的成本及對項目監督成本的函數，即C=C(rd,c)，rd代表銀行吸收存款的利率，c為銀行對信貸項目的監督成本。銀行信貸成本隨著存款利率的上升而上升，即?C/?rd>0；隨著項目監督成本的下降而下降：?C/?c>0。

互聯網金融的替代效應表現在，當互聯網金融提高銀行融資成本時，企業更加難以獲得銀行信貸，因為此時銀行所要求的貸款利率更高，反映在銀行零利率約束條件中即為：

(9)

考慮到互聯網金融對銀行放貸成本的影響有C(rd,c)>C(c)，因此，對比(4)式，此時，在其他條件不變的情況下，銀行要求信貸融資項目的收益X′>X，因此互聯網金融的發展提高了銀行對投資項目投資收益的要求，縮小了銀行對信貸項目的選擇范圍，降低了信貸融資規模。

2.互聯網金融的技術外溢性

互聯網金融依托于互聯網技術，互聯網技術的進步與變革改變了互聯網金融的發展模式。隨著互聯網金融的蓬勃發展，商業銀行對金融創新的重視程度日益提高。由于互聯網金融的發展是與大數據及云計算等新興技術的創新結合，因此互聯網金融能夠將大數據轉化為信息資源，有效降低信息不對稱。商業銀行可以模仿和利用互聯網金融的信息技術，運用大數據及相關技術，通過完善相關信貸項目信息、科學評估項目風險及簡單有效的項目審批流程管理，降低項目的監督成本。

考慮到互聯網金融的技術外溢性，商業銀行對項目的監督成本得以降低，由于?C/?c>0，說明當項目監督成本降低時，商業銀行的單位信貸成本下降。當技術外溢性導致商業銀行的項目監督成本由c降低至c1時，商業銀行的零利率約束表現為：

(10)

與(9)式相比，C(rd,c1)

(二)互聯網金融對債券融資的影響

1.互聯網金融的風險傳遞效應

互聯網金融對債券融資的影響，主要體現在互聯網金融監管水平不足時，互聯網金融強大的融資能力以及互聯網金融資金追逐高風險高收益的特性而帶來的逆向選擇問題，導致債券融資市場中的企業為“壞”企業的概率增加，即互聯網金融的風險傳遞到了債券融資市場，我們將上述影響稱之為互聯網金融的風險傳遞效應。由于互聯網金融依賴于快速發展的互聯網進行融資，借助于互聯網金融的網絡外部性，互聯網金融的融資總量得以迅速提升。必須注意到，互聯網金融的發展得益于其降低了個人投資門檻，提高了資金回報率，因此可以快速將銀行中的活期存款聚集到互聯網金融的資金池中。當互聯網金融監管缺失時，互聯網金融資金的管理者有更強的動機將資金投向風險更高、收益更高的融資項目，因為當融資項目成功時，資金管理者可以獲得更高的資金回報；而當融資項目失敗時，由于監管缺失以及資金管理者僅負有限責任，加上信息不透明或金融產品設計的復雜程度較高，互聯網金融資金的管理者可以掩蓋投資失敗的事實，繼續吸納資金以償付上期所需支付的利息，形成“龐氏騙局”，最終導致金融風險的積累。不可否認的是，互聯網金融拓展了企業的融資渠道，但當互聯網金融監管缺失時，互聯網金融追逐高收益的投資行為會提高壞的廠商參與債券融資的比例，因此降低了具有穩健投資項目的好的廠商在整個廠商中的比例，即互聯網金融的快速發展及投資監管缺失導致了vH比例的降低。

根據上述理論分析，互聯網金融高成本的融資模式決定了其高風險的投資偏好。由于信息不對稱及道德風險等原因，高風險投資偏好容易提高壞的廠商的市場占有比例，降低vH，因此，在其他條件不變的情況下，假設好的廠商比例由vH降低至vH1，則此時債券融資市場要求的風險溢價水平相應提高，最終體現在債券融資利率RB(γ)值增大。根據(2)式可知，RB(γ)值的增大意味著γ值的降低，這說明好的廠商選擇債券融資的比例會下降。由于好的廠商比例vH及選擇債券融資比例γ的雙重下降，則社會融資規模中債券融資占比會相應降低。

2.互聯網金融發展的“長尾”效應

互聯網金融的“長尾”效應是指互聯網金融能夠基于大數據分析技術及金融服務平臺，為處于融資需求“尾部”的中小企業提供針對性的融資方案，且融資成本更低、融資覆蓋面更廣。2004年，Anderson在對亞馬遜等銷售網站的商業和經濟模式的描述中首次提出了“長尾”理論。“長尾”理論是指需求較小但數量眾多的尾部所占的份額與需求較大但商品數量較少的頭部所占的份額基本相等。反映在社會融資需求中，即為資金需求規模相對較小的大量中小企業與資金需求規模較大的規模企業的融資需求總量大致相同[16]。王馨(2015)的研究指出：相比于傳統銀行業的信貸融資由于信貸技術及流程等限制，互聯網金融可以通過發揮外部經濟、規模經濟和范圍經濟三重效應來滿足中小企業的融資需求[18]。正如鄭志來(2014)的研究指出：“互聯網金融利用大數據互聯網金融公司、第三方支付平臺、P2P互聯網借貸平臺、眾籌互聯網融資平臺和互聯網金融門戶平臺等創新模式發展，對傳統金融機構形成倒逼，中小企業融資對象更加全面、科學，中小企業融資服務更有針對性，中小企業的融資成本顯著下降”[10]。因此，互聯網金融的發展，能夠有效解決融資需求總量巨大的中小企業融資難題，使得企業選擇債券融資而非銀行信貸融資的比例增大。反映在模型中，即有γ增大，由于RB(γ)是γ的減函數，說明隨著γ的增大，債券融資利率降低，因此債券融資相比于信貸融資更具吸引力。互聯網金融的“長尾”效應最終體現在企業債務融資成本降低，社會融資結構中債券融資占比上升。根據理論模型中有關產出效率的討論，互聯網金融的“長尾”效應有助于降低社會融資成本，提高融資效率。

(三)互聯網金融對融資選擇的綜合影響

互聯網金融對社會融資結構的影響最終取決于好的廠商發行債券的比率γ值的大小。由于γ是內生決定的，并且從產出效率比較結果來看，γ值越大，則銀行對廠商重復監督的成本就越低，產出效率就越高。根據均衡時γ的決定條件，將原本的監督成本C拓展為有關銀行存款成本及監督成本的函數C=C(rd,c)，可得到：

(11)

1.考慮互聯網金融對C(rd,c)的影響

要明確互聯網金融對銀行融資成本的影響，主要是要比較互聯網金融規模替代效應與技術外溢性的大小關系。若互聯網金融的規模替代效應大于其技術外溢性，則此時存款成本的增加幅度大于項目監督成本的降低幅度，此時銀行信貸總成本C(rd,c)是上升的。假設其他條件不變，根據(11)式可知，γC<0，說明C(rd,c)增大，則γ值減小，此時互聯網金融并不能提高產出效率，改善融資結構；若互聯網金融的技術外溢性大于其規模替代效應，則C(rd,c)是下降的，此時γ值增大，說明互聯網金融能夠提高產出效率，改善融資結構。

2.考慮互聯網金融對vH的影響

由于vH+vL=1，所以vH=1-vL，在(11)式中，對γ關于vL求導，易得到γvL<0。這說明，當融資市場中壞的廠商的比例增加時，則好的廠商選擇債券融資的比例會降低。其背后的經濟學解釋是：當融資市場中廠商整體質量下降時(vL上升)，融資市場的風險溢價上升，此時債券融資成本相應提高，導致好的廠商選擇債券融資的意愿降低。互聯網金融發展的風險傳遞效應會降低vH，而互聯網金融的“長尾”效應則有效提高了vH，因此互聯網金融對vH的影響，需要綜合比較兩種效應的大小。當互聯網金融風險傳遞效應占據主導作用時，會降低社會融資結構中債券融資占比，而“長尾”效應占優時，則互聯網金融能夠改善社會融資結構。

3.互聯網金融的綜合影響

綜合上述分析，互聯網金融對企業融資選擇的影響要衡量互聯網金融的綜合效應。當互聯網金融的規模替代效應及“長尾”效應占據主導地位時，互聯網金融的發展能夠提高社會債券融資規模，優化社會融資結構；當互聯網金融的技術溢出效應占優時，則社會信貸規模增加；當互聯網金融的風險傳遞效應占據主導地位時，則社會融資規模減少，債券融資占比相應降低。考慮到互聯網金融的技術外溢性是一個較為緩慢且需要學習成本的過程，本文推斷，當前互聯網金融的發展有利于降低債券融資成本，優化社會融資結構。需要注意的是，互聯網金融的風險傳遞效應對社會融資有很強的負面影響，因此要特別防范互聯網金融風險。

四、實證分析

根據上述理論模型的分析，研究互聯網金融對社會融資結構的影響需要比較互聯網金融的各個效應，同時，通過比較社會融資規模中的信貸規模和債券融資規模的比例變化來反映互聯網金融對社會融資結構的影響，以揭示互聯網金融何種效應占優。

(一)變量設定與樣本選擇

1.社會融資規模。本文要分析互聯網金融對社會融資結構的影響，不可避免地要探討互聯網金融對社會融資規模總量的影響，因此本文利用社會融資規模變量(SF)來研究互聯網金融對社會融資規模的總量效應。

2.社會融資結構(核心被解釋變量)。為了反映互聯網金融對融資結構的影響，我們將社會融資結構變量(SFC)定義為債券融資/社會融資規模*100，以債券融資占比反映社會融資結構。社會融資規模一般包括新增人民幣貸款、新增外幣貸款、企業債券融資及委托貸款、信托貸款、未貼現的銀行承兌匯票等。

3.互聯網金融(核心解釋變量)。為了反映互聯網金融發展對社會融資結構的影響，結合數據的可得性和可行性，本文參考劉瀾飚等(2015)的研究[1]，選擇第三方平臺交易量(IFP)來反映互連網金融的發展。

4.貨幣政策對社會融資結構的影響——貸款利率。根據盛松成(2012)的研究，貨幣政策，特別是貨幣政策中貸款利率的變化，能夠通過影響貸款成本直接影響間接融資以及改變市場資金供求關系間接影響社會直接融資[19]。當貸款利率上升時，銀行貸款成本上升，造成銀行貸款需求下降，同時互聯網金融由于具有技術優勢，可以低成本對企業進行債券融資，進而改變社會融資規模中銀行信貸規模的占比，因此貸款利率是影響社會融資結構的重要因素。同時，M2增速代表貨幣流動性環境，寬松的貨幣環境不僅影響銀行的貸款利率，同時也會降低債券融資成本。我們選擇我國人民幣金融機構貸款加權平均利率(RL)和M2同比增速反映貨幣政策對社會融資結構的影響。

5.宏觀經濟因素——GDP增速。宏觀經濟因素對于社會融資結構的影響體現在，當經濟形勢較好時，銀行信貸規模的增速更快，金融機構的“金融加速器”作用使得宏觀經濟增速不但能夠影響社會融資規模，而且影響社會融資結構。

上述數據來源于Wind數據庫及《中國支付體系發展報告》，為避免考慮金融危機對本文分析造成的影響，我們選取數據時間區間為2009年第一季度至2016年第一季度。

(二)變量間格蘭杰因果關系檢驗

為探究各影響因素對社會融資結構的影響，我們首先研究他們之間是否存在格蘭杰因果關系。檢驗變量之間是否存在格蘭杰因果關系的前提是時間序列必須為平穩序列或者為同階單整。為保證數據都在同一數量級上，我們對SF和IFP做取對數處理，對SFC擴大十倍，保持RL和GDP不變。我們利用基于SCI準則的ADF檢驗，發現SF、SFC1、SFC2、IFP，RL和GDP皆存在單位根，為非平穩時間序列。一階差分后的序列皆為時間平穩序列，說明上述變量皆為一階單整過程I(1)。單位根的檢驗結果見表1。

表1 單位根檢驗結果

注： * 、** 、*** 依次表示在10%、5%、1%水平下顯著。下同。

根據向量自回歸模型，利用LR、AIC及HQ等準則選取最優滯后階數，確定最優滯后階數為2，相關的檢驗結果見表2。

從上述檢驗結果來看，在5%顯著水平下，社會融資規模與互聯網金融發展之間為單向格蘭杰因果關系，說明互聯網金融發展能夠有效促進社會融資規模的增長，而社會融資規模的增長并不能代表互聯網金融的發展。這與我國當前社會融資需求是吻合的。一方面，由于我國經濟增長主要依賴于基礎設施建設的投資，并且基礎建設的融資一般都容易獲得財政及信貸支持，因而社會融資規模的增大并不能反映互聯網金融的發展。另一方面，根據“長尾”理論，互聯網金融的發展能夠有效降低中小企業的融資門檻，擴大整個社會融資的需求，因而互聯網金融的發展推動了融資規模的增長。互聯網金融與社會融資結構之間存在雙向的格蘭杰因果關系，說明互聯網金融的發展與社會融資結構的變化之間存在雙向的傳導效應。事實上，互聯網金融的發展有效推動了社會債券融資規模的增長，提升了債務融資在融資規模中的占比。社會融資結構的轉變，說明企業利用債券融資來獲得資金需求的比例增大，互聯網金融的發展有效地緩解了傳統銀行信貸融資對中小企業融資的種種限制，社會融資結構的改變也推動了互聯網金融的進一步發展。互聯網金融發展有利于提高債券融資規模，改善社會融資結構，這反映出互聯網金融的規模替代效應要大于技術溢出效應，“長尾”效應也大于其風險傳遞效應。在宏觀經濟層面，貨幣政策能夠對社會融資結構產生影響，這主要是通過改變銀行信貸與債券融資之間的成本差異來實現的。較高的銀行信貸成本會降低企業對銀行貸款的需求，轉向成本更低的債券融資模式。經濟增速對于社會融資結構的影響則是不確定的，經濟形勢在一定程度上影響了企業的投資行為，經濟形勢較好時，企業為擴大投資，對銀行信貸和債券融資的需求都很大，因此對社會融資結構的影響并不明確。同理，當經濟形勢較差時，企業緊縮投資，對銀行信貸和債券融資需求同時下降，社會融資結構并不會發生明顯的改變。

(三)斷點最小二乘法(Least Square with Breakpoints)

互聯網金融的風險傳遞效應類似于傳統銀行風險的傳染性，但由于互聯網金融結合了互聯網技術優勢，其融資范圍更為廣闊，一旦互聯網金融風險呈現蔓延趨勢，則相比于傳統銀行的風險蔓延，其涉及的范圍更廣、時間更短、影響更大。因此，本文通過斷點最小二乘法檢驗互聯網金融的發展對社會融資結構回歸是否存在斷點，以判斷互聯網金融對社會融資結構的影響是否存在變化。

斷點最小二乘法的原理是，針對于線性回歸模型，假設時間序列為T期，假設其可能包含m個潛在的斷點，則可以將T期劃分為m+1個區間。在第j期內，包含的時間序列為Tj，Tj+1，…，Tj+1-1。此時回歸模型重新表示為：

(12)

其中，j=0,…,m，此時回歸方程分為兩個部分。變量x表示不隨著時間序列區間改變而改變的變量，z表示隨著區間不同系數發生變化的變量，εt是誤差項。根據本文的理論，要判斷互聯網金融發展是否會隨著時間的發展而對社會融資結構的影響發生改變，僅需要考察SFC對IFP的回歸中是否存在斷點。

在利用斷點最小二乘法研究互聯網金融發展是否對社會融資結構的影響發生了結構性變動之前，我們首先利用最小二乘法對社會融資結構進行回歸分析。根據上述理論說明，結合前文中社會融資結構的影響因素分析，我們構建如下回歸方程：

SFCt= α1RL t+ α2GDPt+α3M2t+ α4LNIFPtδj+ εt

(13)

上述回歸結果如表3所示。

表3顯示，互聯網金融發展對社會融資結構的系數為2.94，且在1%水平下顯著，說明互聯網金融有效地促進了社會融資結構的改善。GDP對于社會融資結構的影響不顯著，說明經濟增速對于社會融資結構的影響并不明顯，這與我國經濟新常態的經濟環境相吻合：經濟增速變緩與社會融資規模增長同時存在，社會融資結構變化與經濟增速之間的變化無顯著聯系。貨幣政策中金融機構貸款加權平均利率和社會融資結構之間存在顯著的正向聯系，說明加權貸款利率越高，則社會融資結構中債務融資比重越大，表明在企業融資選擇中，當銀行貸款利率提高時，債務融資比重會相應上升。貨幣政策資金流動性環境對融資結構的影響在5%顯著水平下并不顯著，且M2對社會融資規模的回歸系數為-0.54，說明當貨幣流動性環境寬松時，社會融資規模中債務融資比重會略微下降，這可能是由于寬松的貨幣環境降低了銀行貸款利率，導致銀行貸款規模增長，降低了債務融資的比重。

為保證回歸的準確性，我們首先對擾動項進行異方差檢驗，懷特檢驗結果顯示，p值為0.2847，遠大于0.05，說明懷特檢驗接受同方差假設。進一步，為了避免遺漏變量和內生性問題，我們首先利用BG檢驗方法檢驗了擾動項可能存在的自相關問題，BG檢驗的p值為0.2412，即在5%的顯著水平下，接受“無自相關”的原假設，因此擾動項不存在自相關現象；其次，為了避免遺漏變量問題的出現，我們對回歸方程做“Ramsey’s RESET檢驗”，檢驗結果如表4所示。

表4 遺漏變量的檢驗結果

可以發現，p值為0.1834，在 5%顯著水平線明顯接受原假設，即模型不存在遺漏變量。

為進一步探討互聯網金融的發展對社會融資結構存在時間結構變化影響，我們采用EViews 9.0版本提供的最新方法，斷點最小二乘法來進行實證檢驗，回歸結果如表5所示。

表5 斷點最小二乘法估計結果

注：回歸結果省略了常數項。

可以看出，上述回歸方程中,解釋變量LNIFP并沒有出現斷點，說明互聯網金融對社會融資結構的影響并沒有隨著時間的推移發生改變，且互聯網金融發展對社會融資結構改善具有正向作用。斷點最小二乘法的回歸結果還有更深刻的含義：互聯網金融的發展有利于社會融資結構的改善，說明當前互聯網金融的規模替代效應大于技術溢出效應、“長尾”效應大于風險傳遞效應。不存在斷點則進一步表明，當前互聯網金融對社會融資結構產生影響的綜合效應并未發生較大的變化，互聯網金融發展過程中，值得關注的風險傳遞效應還沒有對社會融資結構產生負面影響。因此，應進一步推動互聯網金融發展水平的提高，同時做好互聯網金融的風險防范措施。

五、結論和建議

本文以企業融資選擇的微觀模型為基礎，以“互聯網金融發展—企業融資選擇變化—社會融資結構”為主線，結合實證方法，研究互聯網金融對社會融資結構的影響。本文結合現有的研究成果，將互聯網金融發展對企業融資選擇的影響機制劃分為四個效應：規模替代效應、技術外溢效應、風險傳遞效應和“長尾”效應。研究發現：規模替代效應和“長尾”效應有助于提高債券融資占比；而技術外溢效應和風險傳遞效應則會降低債券融資占比。實證結果顯示：當前我國互聯網金融的規模替代效應和“長尾”效應占據主導地位，互聯網金融的發展提升了債券融資結構占比，優化了社會融資結構。

值得注意的是，在互聯網金融快速發展的今天，由于缺乏有效的監管，互聯網金融風險正在逐步暴露。近期發生的“中晉系”互聯網金融非法吸收存款案件表明，缺乏有效監管措施的互聯網金融是金融市場中的“洪水猛獸”，近兩萬多名投資者可能面臨血本無歸的結局。另一方面，互聯網金融能夠通過互聯網技術降低交易成本、提高金融服務的覆蓋面和便捷性，有效改善社會融資結構。因此要采用批判性思維對待互聯網金融的發展，在守住不發生區域性、系統性金融風險的前提下，合理引導和推動互聯金融創新發展，進一步發揮互聯網金融在改善社會融資結構、降低社會融資成本方面的優勢，使得互聯網金融能夠更好地服務于實體經濟，助力經濟結構轉型的成功實現。

[1] 劉瀾飚,沈鑫,郭步超. 互聯網金融發展及其對傳統金融模式的影響探討[J]. 經濟學動態,2013,(8):73-83.

[2] 謝平,鄒傳偉. 互聯網金融模式研究[J]. 金融研究,2012,(12):11-22.

[3] 鄭聯盛. 中國互聯網金融:模式、影響、本質與風險[J]. 國際經濟評論,2014,(5):103-118,6.

[4] 王國剛,張揚. 互聯網金融之辨析[J]. 財貿經濟,2015,(1):5-16.

[5] 吳曉求. 互聯網金融:成長的邏輯[J]. 財貿經濟,2015,(2):5-15.

[6] 李淵博,朱順林. 互聯網金融創新與商業銀行經濟發展的關系研究——基于省級面板數據的因果關系檢驗[J]. 南方經濟,2014,(12):36-46.

[7] 沈悅,郭品. 互聯網金融、技術溢出與商業銀行全要素生產率[J]. 金融研究,2015,(3):160-175.

[8] 孫杰,賀晨. 大數據時代的互聯網金融創新及傳統銀行轉型[J]. 財經科學,2015,(1):11-16.

[9] 戴東紅. 互聯網金融對小微企業融資支持的理論與實踐——基于小微企業融資視角的分析[J]. 理論與改革,2014,(4):91-96.

[10] 鄭志來. 大數據背景下互聯網金融對中小企業融資影響研究[J]. 西南金融,2014,(11):63-66.

[11] 黃雋. 社會融資結構變化對貨幣政策的影響[J]. 經濟縱橫,2011,(10):68-72.

[12] 夏祥謙. 融資規模、結構與經濟增長:中國的經驗研究[J]. 上海金融,2014,(3):8-13,116.

[13] 蘇冬蔚,曾海艦. 宏觀經濟因素、企業家信心與公司融資選擇[J]. 金融研究,2011,(4):129-142.

[14] Allen F., Mcandrews J., Strahan P. E-Finance: An Introduction[J]. Journal of Financial Services Research, 2002, 22(1):5-27.

[15] Haning,A. & Jansen, S. Financial Inclusion and Financial Stability: Current Policy Issues[Z]. ADBI Working Paper Series, No.259, 2010.

[16] Amaeshi,K. Financial Exclusion Financial Institutions and Corporate Social Responsibility: A Developing Country Perspective[Z]. SSRN Working Paper, No.950989, 2006.

[17] 王曙光.互聯網金融的哲學[J].中共中央黨校學報,2013,(6)：53-59.

[18] 王馨. 互聯網金融助解“長尾”小微企業融資難問題研究[J]. 金融研究,2015,(9):128-139.

[19] 盛松成. 社會融資規模與貨幣政策傳導[J]. 金融研究,2012,(10):1-14.

(責任編輯:原 蘊)

Has Internet Finance Improved Social Financing Structure?——Based on Model of Enterprise Financing Options

LIU Liu,QU Xiao’e

(School of Economics and Finance, Xi’an Jiaotong University, Xi’an 710061, China)

The rapid development of the Internet Finance has great impact on the Enterprise Financing Options. This paper divides the Enterprise Financing Options into Bond Financing and Bank Financing by constructing a model of Enterprise Finance Options, and studies the impact that Internet Finance has on the Social Financing Structure. The results show that Internet Finance’s ultimate impact on Social Financing Structure will be determined by its combined effects. The Scale Substitution Effect and “Long Tail” Effect of Internet Finance can contribute to increasing the portion of Bond Financing in Social Financing, while the Technology Spillover Effect and Risk Transfer Effect of Internet Finance will decrease the portion of Bond Financing in Social Financing. Further test with the use of Least Squares with Breakpoints finds that Internet Finance has a positive effect on improving Social Financing Structure, and that it has no Breakpoint Effect, which indicates that at present stage Internet Risk Transfer Effect is not dominant and more efforts should be put into developing Internet Finance so as to improve the Social Financing Structure.

Internet Finance; Enterprise Financing Options; Social Financing Structure; Least Squares with Breakpoints

2016-05-25

國家社會科學基金資助項目(13BJY073)

劉柳(1984-),女，河北滄州人，西安交通大學經濟與金融學院博士生；屈小娥(1964-),女，陜西西安人，西安交通大學經濟與金融學院副教授。

F843.3

A

1004-4892(2017)03-0038-11